基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于形态检测与深度学习的高空视频车辆识别

为了准确提取广域场景道路交通信息,本文融合形态检测与深度卷积网络,提出了无人机视频车辆定位及车型识别方法. 首先,基于形态检测建立候选目标提取算法,并构建了含244 520 个无人机视频车辆样本的深度学习图像基准库;然后,通过增加卷积层、池化层及调整网络参数等方法对AlexNet 进行重构,提出了改进模型AlexNet*;最后,建立了基于候选目标提取算法与AlexNet*的车辆识别方法. 验证分析显示：AlexNet*的图像分类F1 均值达 85.51% ,优于AlexNet(82.54% )、LeNet(63.88% )、CaffeNet(46.64% )、VGG16(16.67% ) 及 GoogLeNet(14.38%);本文车辆识别方法对小汽车及公交车的正检率、重检率和漏检率均值分别达94.63%、6.87%、4.40%,可有效识别无人机视频目标.     

基于联合投票网络的交通场景天气分类方法

基于交通视频监控图像的天气识别已经成为智能交通系统中重要的研究课题. 虽然卷积神经网络（convolutional neural network,CNN）在图像识别技术获得了巨大的发展,但是针对复杂交通场景的天气识别问题,现有的模型在特征表达方面仍然面临着巨大的挑战. 为了提取丰富的语义特征,提出了基于联合投票机制的深度神经网络（deep neural network,DNN）模型. 所提出的模型包括两个核心模块:基于通道和空间注意力机制的二阶特征模块和基于复合特征结果联合投票机制的分类模块, 用以提取不同天气图像中的判别性信息,提高在复杂交通场景下的天气识别性能. 最后,在两个基准天气分类数据集上进行了验证试验,结果表明:对于复杂场景条件下的天气识别问题,所提出的基于联合投票机制的深度神经网络模型的识别正确率优于目前最好的天气识别方法的1.97%.      

基于集成学习算法的航路网络航段交通拥挤识别方法研究

基于航路网络ADS-B航迹数据定义航路网络航段交通流量、航段交通密度、航段交通饱和度、航段交通接近率4 项交通拥挤状态评价指标；采用模糊C均值聚类算法和航段历史交通拥挤状态评价指标参数划分航段交通拥挤状态等级；结合集成学习算法构建航路网络航段交通拥挤状态识别模型，实现航段交通拥挤状态的识别. 实证分析表明：航路网络交通拥挤状态集成学习识别模型对实验航路网络航段交通拥挤状态识别准确率达到98.34%，采用决策树基学习器优于k 近邻基学习器，且增加的集成学习基学习器数量可提升模型的识别精度；集成学习识别模型的识别性能优于BP神经网络模型，识别方法符合实际且具有应用价值.     

卷积神经网络及其在智能交通系统中的应用综述

从特征传输方式、空间维度、特征维度3个角度,论述了近年来卷积神经网络结构的改进方向,介绍了卷积层、池化层、激活函数、优化算法的工作原理,从基于值、等级、概率和转换域四大类总结了近年来池化方法的发展,给出了部分具有代表性的激活函数对比、梯度下降算法及其改进型和自适应优化算法的工作原理和特点;梳理了卷积神经网络在车牌识别、车型识别、交通标志识别、短时交通流预测等智能交通领域中的应用和国内外研究现状,并将卷积神经网络算法与支持向量机、差分整合移动平均回归模型、卡尔曼滤波、误差反向传播神经网络、长短时记忆网络算法从优势、劣势和在智能交通领域的主要应用场景三方面进行了对比;分析了卷积神经网络在智能交通领域面临的鲁棒性不佳和实时性较差等问题,并从算法优化、并行计算层面和有监督学习到无监督学习方向研判了卷积神经网络的发展趋势。研究结果表明:卷积神经网络在视觉领域具有较强优势,在智能交通系统中主要应用于交通标志、车牌、车型识别、交通事件检测、交通状态预测;相比其他算法,卷积神经网络所提取的特征更加全面,有效地提高了识别准确度与速度,具有较大的应用价值;卷积神经网络未来将通过网络结构的优化、算法的改进、算力的提升以及基准数据集的增强,为智能交通带来新的突破。      

重点营运车辆的异常驾驶行为识别研究

为加强对重点营运车辆异常驾驶行为的监督与检测,本文基于时间序列符号化算法(TSA) 与多尺度卷积神经网络模型(MCNN)提出一种组合模型TSA-MCNN,用于识别重点营运车辆异常驾驶行为。首先,对北斗数据进行预处理,并基于营运车辆存在多种车型、多种速度限制、多种异常驾驶行为的特点划分4种异常驾驶行为,构建异常样本数据集。其次,构建TSA-MCNN模型识别样本数据集,其过程分为两阶段,第1阶段,针对重点营运车辆的特点,引入能够粗粒化处理数据特征的时间序列符号化算法与能够多通道参数输入的多尺度卷积神经网络进行组合,并基于Keras库完成TSA-MCNN模型的搭建;第2阶段,利用样本数据集作为模型的输入变量,完成模型的训练、测试与识别。最后,以广河高速重点营运车辆北斗数据验证TSA-MCNN模型的性能, 同时,与异常识别传统算法的卷积神经网络(CNN)模型与动态时间扭曲-K最近邻(DTW-KNN)模型进行对比分析。验证结果表明：TSA-MCNN模型整体识别准确率为97.25%,相对于CNN模型与DTW-KNN模型提高了20.50%与5.63%。其中,TSA-MCNN模型对于正常驾驶行为、超速驾驶行为、紧急停车行为、临时停车行为、低速驾驶行为的识别精确率相对于CNN模型(DTW-KNN模 型)分别提高了26%(13%)、26%(6%)、23%(5%)、28%(3%)、0(0),说明该模型对于重点营运车辆异常驾驶行为的识别具有良好的性能。     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预测上表现较好,预测精度达到90.2％,比决策树模型精度提高了12.4％,比自回归模型精度提高了5.6％.     

基于浮动车速度波动特征的交通状态识别

为实现路段交通状态的准确判别,解决单参数无法直接识别道路交通状态问题,本文利用高频浮动车速度数据,使用灰度共生矩阵特征值对比度和逆方差表示车辆行驶的波动特征。基于城市道路交通状态变化的动态性与连续性,围绕固定时间窗口内车辆的平均车速、对比度和逆方差,采用FCM (Fuzzy c-means)算法进行聚类分析,得到畅通、平稳、拥挤和阻塞这4种状态阈值。提出基于多维高斯隐马尔可夫模型的交通状态识别方法,分别以3,5,6 min固定时间窗口训练模型。模型状态转移矩阵表明,时间窗口越小其保持原有交通状态的可能性越大,时间窗口越大交通状态突变的可能性越大。使用不同序列长度对比3种时间窗口在测试集中的识别精度,结果表明,随着序列长度的变化,精度显示出先升高后降低的趋势,且固定时间窗口越大,不同序列长度的识别精度变化越均匀。最后利用5 min固定时间窗口划分数据使用本文方法和支持向量机以及随机森林分别进行道路交通状态识别,综合精度分别为92.00%、84.89%、88.48%,同时本文方法在查准率、召回率和F1度量(F1-score)指标均优于其他两个模型,说明道路车速的波动特征可以很好地反映道路交...     

基于GA-KFCM算法的高速公路交通运行状态评价研究

为提升高速公路交通运行状态评价的效果,提出GA-KFCM(genetic algorithm-kernel fuzzy C-means,基于遗传算法改进的核模糊C均值)聚类算法,并结合实例数据对不同方案的分类效果开展验证分析。首先,分析高速公路交通运行状态评价的范围及等级;然后,提出核函数改进的KFCM(kernel fuzzy C-means,核模糊C均值)聚类算法。在此基础上,采用遗传算法弥补初始化聚类中心随机的缺陷,考虑到在选取不同参数时判别模型的差异较大,结合实例数据对改进前后模型的交通运行状态开展聚类分析,并采用综合指标评估不同试验方案的优劣。试验结果表明：与FCM(fuzzy C-means,模糊C均值)聚类算法相比,GA-KFCM算法的聚类效果提升5倍左右;三维交通参数的交通运行状态判别可靠度最高。     

基于CNN与LSTM混合算法下的学生学习表情识别研究

智慧课堂中学生学习表情的精准识别对于提升课堂效率,掌握学生实时学习状态具有重要的作用。传统单一性的卷积神经网络(CNN)算法对学生学习表情的特征抓取精度不够,尤其是学生微表情状态下的抓取效果更不理想。基于此,本文创新性地提出基于CNN与长短期记忆网络(LSTM)的混合表情特征提取识别算法,充分利用CNN提取学生学习表情中的空域特征并存储,对应的时域特征提取层面充分利用LSTM对学生学习表情视频序列特征进行挖掘抓取,将学生学习表情的时域特征与空域特征进行平均化处理,从而构建一套完整的学生学习表情识别算法,最后基于该算法网络进行深度学习训练。基于本文的实验结果,对应的愉悦、困惑、惊讶、中性和疲倦这五种学习情感状态识别率得到了大幅提升,对应的识别准确率最高可达71.9%,识别性能大幅提升。     

基于感兴趣区域的CNN-Squeeze交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于感兴趣区域的CNN-Squeeze 交通标志图像识别

在公路交通中,针对复杂环境下交通标志识别率不高的问题,提出了一种基于 Kmeans对图像聚类,切割图像感兴趣区域(Regions of Interest, ROI),并利用方向梯度直方图特征(Histogram of Oriented Gradient, HOG)与卷积运算,特征加权(CNN-Squeeze)相结合的交通标志识别方法.首先,采用 K-means对交通标志图像进行三角形、圆形图像二聚类,并利用制作的切割模板切割 ROI 并提取 HOG 特征;然后,利用卷积神经网络 (Convolutional Neural Network, CNN)对 HOG特征进行过滤、降维,并通过 Squeeze网络对过滤后的二次特征进行重要性标定;最后,训练该网络模型并实现对交通标志的识别.仿真结果表明,与 BP网络、SVM 及CNN对比,本文方法在保证训练时间的同时,识别精度达到98.58%.     

基于广义时空图卷积网络的交通群体运动态势预测

针对当前高速公路与城市快速路交通拥堵现象愈发严重,为交通管理与控制造成巨大困难的问题,提出了一种基于广义时空图卷积网络(GSTGCN)的交通速度预测模型;基于交通数据自身具有的复杂时空特性,定义了广义交通数据图结构,同时构建了广义图的邻接关系;基于图卷积网络基础理论,采用切比雪夫近似与一阶近似简化了图卷积操作的计算成本,建立了广义图卷积算子;结合广义图卷积模块、标准卷积模块与线性全连接层,提出了用于提取复杂交通数据时间、空间特征的GSTGCN模型;利用美国威斯康星州密尔沃基市快速路网上架设的38个检测器,在21个工作日以每5 min为单位记录了车辆速度、流量和占有率数据,测试了GSTGCN模型在该数据集上的短期交通速度预测精度与训练效率。分析结果表明:相较于传统自回归求和滑动平均(ARIMA)模型、长短时记忆(LSTM)模型以及近期的STGCN模型,GSTGCN模型在交通速度的均方根误差、平均绝对误差和平均绝对百分比误差指标上分别降低了22.79%、22.97%和16.73%;此外,GSTGCN模型的训练时长比STGCN模型和LSTM模型分别降低了5.17%和75.71%。可见,GSTGCN模型能够有效处理复杂交通时空数据结构,准确预测交通速度,并为交通管控提供交通群体的运动态势信息。      

基于各向异性测度的路面三维图像裂缝识别

为准确而完整地识别路面裂缝,提出了基于1 mm/像素的路面三维图像裂缝自动识别算法．该算法主要包括各向异性测度计算与自适应优化阈值分割、深度验证和多分辨率去噪处理3个部分．首先,针对路面图像像素特征,基于0°、45°、90°和135°四个方向的线性邻域的均值和标准差计算每个像素的各向异性测度（表征方向性的强弱）,并应用最大类间方差法确定最优阈值,将路面图像分为强方向性和弱方向性像素两类;其次,根据半径为d的正方形邻域深度均值设定阈值,用方向性强且深度低于或等于该阈值的像素形成初步的裂缝图像;最后,将裂缝图像划分为多个子块,设计去噪模板对裂缝图像进行滑动窗口去噪处理,获得最终裂缝图像．基于166幅含有各类裂缝的三维路面图像（2048×2048像素）进行测试分析,结果显示,本文算法获得了较高的准确率（均值91．57％）和召回率（均值81．29％）,最终以84．26％的F1均值优于种子识别算法（F1均值69．19％）、Canny边缘检测（F1均值8．15％）和OTSU分割（F1均值5．11％）．     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.     

基于模糊C均值聚类的城市道路交通状态判别

为及时判别城市道路交通状态,考虑城市道路交通特征的差异性和交通流的波动特性,对状态指标的合理性进行分析;将交通状态划分为畅通、缓行、拥堵、阻塞4类,提出一种基于模糊C均值聚类（FC M ）判别城市道路交通状态的算法。选取车速、流量、占有率作为交通状态判断指标,根据不同指标设计3种方案,用MATLAB模糊逻辑工具箱分析出仿真数据的聚类中心,对不同指标组合下的各样本交通状态进行判断,验证算法判别的可行性。结果表明,以速度、流量、占有率为参数的FCM算法能较好地判别城市道路交通状态,精度较高。     

交通状态划分的参数权重聚类方法研究

由于交通流量、速度、占有率或密度等参数在交通状态划分中作用不同,本文提出了基于参数权重聚类的交通状态划分方法.根据交通参数数据的相似性,应用基于加权欧氏距离的相似性度量方法构建了交通参数评价函数,并用梯度下降法极小化评价函数对交通参数权重进行求解.将交通参数权重应用于模糊C均值聚类算法（FCM）,得到基于参数权重的FCM道路交通状态划分方法.应用提出的模型对选取的实际交通参数数据进行交通状态划分,并与基于欧式距离的FCM状态划分结果对比.研究结果表明,本文提出的方法提高了交通状态划分精度,更接近交通实际运行状况.