基于组合深度学习的快速路车道级 速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

基于组合深度学习的快速路车道级速度预测研究

随着物联网、云计算和大数据在智能交通领域的普及应用,传统的以道路断面为研究对象的预测方法已经无法满足智能网联技术发展的需求.本文以车道断面为研究对象,提出一种基于组合深度学习(Combined Deep Learning,CDL)的城市快速路车道级速度预测模型.该模型利用基于信息熵的灰色关联分析提取空间特征变量,采用长短期记忆神经网络提取空间特征变量的时间特征,并利用门限递归单元神经网络得到预测结果.通过北京市东二环路车道断面实测微波数据验证发现,提取车道交通流的时空特征,CDL模型能够很好地拟合不同车道不同时段的速度变化趋势,可有效地实现车道速度的单步及多步预测,且该模型的预测精度和稳定性均优于传统预测模型.     

智能网联环境交通流波动消除理论与方法综述

分析近年来智能网联环境下交通流波动消除策略的研究进展，根据模型构建的技术手段将其分为三类：跟驰模型稳定性解析控制、交通流波动传播轨迹控制、强化学习驾驶行为优化控制。回顾各类策略的研究现状与模型机理，对比讨论各类控制策略的优势与不足，并从技术背景、研究场景、算法流程和应用理论方面提出智能网联环境下交通流波动消除策略的未来深化研究方向，包括考虑多车道道路环境、交通流微观机理、车辆冲突博弈的复杂情境，考虑宏微观智能网联车控制与交通流主动控制的融合优化，考虑数据缺陷、系统不确定和环境扰动下系统可扩展性和鲁棒性提升，以期为了解交通流波动消除研究进展、提升智能网联环境下交通流波动控制效果提供参考。     

改进小波包与长短时记忆组合模型的短时交通流预测

为克服非稳定交通流状态下短时交通流预测精度不高、过分依赖大样本历史数据的缺陷，提出一种改进小波包分析和长短时记忆神经网络组合(IWPA-LSTM)的短时交通流预测方法. 利用功率谱细化的思想改进小波包分析算法对小样本交通流时间序列进行多尺度分解和单支重构. 对低频序列和高频序列进行相空间重构，完成长短时记忆模型的逐层构建，实现本地保存并根据预测精度进行自适应更新，将重构的子序列输入模型训练和预测. 将各子序列的预测值叠加输出IWPA-LSTM最终预测值. 实验结果表明，提出的IWPA-LSTM模型在小样本情况下的预测精度优于经典深度学习模型，具有较强的实用性.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

混合交通下智能网联车借道公交专用车道控制

为研究含人工车的混合交通流下部分智能网联车借道城市公交专用车道的控制问题，以 两个信号交叉口间公交专用车道为研究对象，提出以不妨碍公交车优先通行、满足换道动机和换 道安全条件的智能网联车借道公交车道控制策略。基于公交车道控制预测模块设计智能网联车 进入和离开公交专用道规则，采用改进最小化由换道引起的所有制动模型计算的收益作为智能 网联车换道时激励准则。期望跟随车类型若为人工车时，目标车辆礼让系数取1；妨碍公交优先 必须离开公交道时，满足安全规则即可。通过具体仿真实验予以验证，结果表明：本方法在高交 通需求下，与不允许借道控制方法、基于清空距离公交专用车道控制方法对比，人均延误分别减 少60%和40%，车均延误分别减少65%和32%，渗透率在30%~40%范围内控制效果显著。     

考虑多特征的高速公路交通流预测模型

为准确预测高速公路交通流，缓解高速公路交通拥堵现象，本文提出一种考虑多特征的高速公路交通流预测模型。首先将高速公路当前道路与上下游的交通流、天气等数据转化为一个二维矩阵，并利用滑动窗口模型获得输入样本的最佳长度；然后将样本数据输入集成深度学习模型训练并提取交通流数据的特征，随后输出预测结果；最后，将某高速公路交通流数据用于工作日和节假日两组实验。结果表明：集成深度学习模型比单一模型预测高速公路交通流的效果要好，工作日的高速公路交通流预测精度远高于节假日，本文模型将平均绝对误差由 6.40辆·(20 min)-1 降到5.450辆·(20 min)-1，说明考虑多种因素可以提升高速公路交通流预测精度。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

智能网联卡车车队混合流通行能力分析方法

智能网联卡车车队有望成为网联自动驾驶率先应用的场景之一，本文针对智能网联卡车车队混合交通流通行能力开展研究。首先，以智能网联卡车车队、人工驾驶卡车及人工驾驶小汽车构成的随机混合交通流为研究对象，考虑智能网联卡车车队规模空间分布特征，分析混合交通流中10种跟驰行为类型，理论推导其概率表达式，进而构建智能网联卡车车队混合交通流通行能力的通用性分析方法。然后，考虑实际交通流运行中卡车分布的随机性，将智能网联卡车车队混合交通流分为优势流、随机流和劣势流3种态势，以此提升混合交通流通行能力分析方法的普适性。最后，选择实测数据标定的跟驰模型进行案例分析，验证理论分析方法的有效性。研究结果表明：智能网联卡车比例提高或其车队规模增大均有利于3种态势混合交通流中车辆转换系数及相对熵的减小，从而可有效提升混合交通流通行能力。不同智能网联卡车比例条件下，智能网联卡车车队随机分布最优车队规模为2~4辆，同时，优势流、随机流和劣势流3种混合交通流通行能力依次递减。研究结果揭示了智能网联卡车车队混合交通流通行能力提升的内在机理，为未来智能网联卡车车队的运营管理提供方法支撑。     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

基于深度学习的短时交通流预测研究

针对交通流时间序列,在深度学习的理论框架下,构建基于LSTM-RNN的城市快 速路短时交通流预测模型.根据交通流的时空相关性完成时间序列的重构,依靠模型训练对时 空关联特性进行识别和强化,兼顾精度和时效性确定神经网络深度,完成短时交通流预测模 型搭建.基于TensorFlow 的Keras 完成LSTM-RNN的逐层构建和精细化调参,利用路网实测数 据样本完成算法验证,实现模型本地保存并根据预测精度进行自适应更新.结果表明,本文所 采用的预测算法精度高,受训练样本量的限制较小,实时性、扩展性和实用性均得到有效提高.     

基于时空特性和组合深度学习的交通流参数估计

为深入挖掘交通流时空特性,提高交通流参数估计精度,基于深度学习提出一种交通流参数估计的组合方法。根据目标断面及其上游断面的交通流数据构造输入矩阵,利用卷积神经网络捕捉交通流的空间特性,使用长短期记忆和门控循环神经网络挖掘交通流的时间特性,组合3 种深度学习方法所得输出,得到交通流参数估计值。采用中国安徽省合肥市和美国加州萨克拉门托的交通流数据进行验证。结果表明：新方法的性能优于已有各种方法,使估计误差降低 5.72%~33.29%;新组合方法具有较高的准确性和可靠性,能为智能交通系统运营与管理提供高质量的基础数据。     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

一种基于深度学习的离散化交通状态判别方法

在智能交通信号控制和交通流诱导系统中,交通环境状态的有效判别是影响交通控制决策的先决条件,本文针对交通流产生的大数据信息,结合深度学习算法提出一种离散化交通状态的判别方法.给出了包括交通状态数据采集、状态数据描述、状态深度学习和判别等功能模块的系统架构,构建了一种离散交通状态编码方法,为深度学习交通状态特征提供了数据基础.模型训练阶段,对采集到的二值和连续值交通状态数据,分别构建了两种不同的深度置信网络实现交通状态特征的无监督学习;模型微调阶段,在整合形成的高层抽象特征向量顶端增加softmax分类器,采用反向传播算法实现参数微调.最后,该方法基于VISSIM微观交通软件进行仿真,实验结果表明,离散交通状态编码方法可有效表达交通状态,基于深度学习的交通状态判别方法相对传统方法具有较高的准确度.     

基于多周期组件时空神经网络的路网通行速度预测

针对当前路网通行速度预测方法存在的中长周期预测准确性和稳定性不足、自适应路网拓扑空间关系建模能力有待进一步提升等问题,以多尺度卷积算子及门控循环单元为核心单元,提出一种面向路网通行速度预测任务的多周期组件时空神经网络模型。首先,根据路网交通感知数据的周期特性,将其规约为周、日和近期这3种不同粒度的时间-空间-特征三维矩阵,并输入至3个共享网络结构的周期组件。其次,在每部分组件中,利用多尺度卷积核捕获多因素非线性相关性与不同空间视野大小的路网节点空间相关性。然后,对每个路网节点的时序特征使用门控循环单元提取交通数据长时依赖关系,引入残差学习框架,提高网络训练效率并防止梯度弥散。最后,自适应加权融合通过预测卷积层的每部分周期组件预测结果生成预测时段内路网交通通行速度。为验证所提方法的有效性,基于两个公开的交通状态数据集进行实验分析,并选取当前主流的深度神经网络模型作为对比基线模型。结果表明,所提方法在可接受的执行时间内,在两个数据集上平均绝对误差、平均平方误差和平均绝对百分比误差分别为 2.55、3.94 和 10.75%,1.57、3.52和3.44%,在预测准确性与中长时多步预测稳定性方面均优于其他基准方法。     

基于多尺度分析与神经网络的交通流预测

针对实际交通系统时变复杂和变化的不确定性所带来的交通流量随机因素影响大、非线性强、规律性不明显的特征;采用小波多尺度分解的方法,将含有综合信息的时间序列分解为多个分量特征不同的时间序列,然后采用神经网络对各个分量分别进行预测,最后用实测数据进行了验证分析。结果表明,基于多尺度分析与神经网络预测模型比单神经网络预测模型预测精度高,可用于交通流的实时动态预测。     

基于云-自组织神经网络的交通流预测模型

现代交通系统结构复杂,涉及的数据类型和数量众多,模糊性、随机性和不确 定性等因素的存在增加了数据分析过程中定性与定量综合集成的难度.本文对城市交通 流预测进行了研究,根据云模型和自组织神经网络的特点,构建了云-自组织神经网络 交通流预测模型.该预测模型运用云模型处理数据的模糊性和随机性问题的优势,提高了 自组织神经网络预测中学习样本数据的可靠性.通过对某城区的实际数据进行对比测算, 改进的预测模型比单纯使用自组织神经网络预测模型决定系数更高.结果表明,本文提出 的模型在交通流预测中提高了准确率,降低了预测泛化误差.