面向多样化终端的自适应网络三维可视化方法

随着移动互联网的快速发展,三维GIS （geographic information system）应用的用户终端设备类型日趋多样化,现有单一的网络可视化方法难以适应多样化终端需求.针对上述问题,本文首先设计了基于B/S （browser/server）模式的自适应三维可视化架构,然后重点探讨三维数据的多样化组织、自适应四叉树组织与动态索引构建、三维场景自适应调度等关键技术,最后基于WebGL技术构建原型系统并进行案例实验.实验结果表明:桌面端设备笔记本电脑的可视化渲染帧率最终稳定在40 帧/s左右;移动端设备平板电脑、智能手机的可视化渲染帧率最终稳定在20 帧/s左右;不同类型终端上进行网络可视化均能保证较高的可视化帧率及效果,证明了本文提出方法的有效性与可行性.      

基于CDMA网络的城市交通数据采集与处理技术

交通数据采集与处理技术是构建智能交通系统的基础。首先通过分析各类交通数据采集技术,提出了基于CDMA网络实施动态交通数据采集的方法;然后以重庆市主城区为例构建了动态交通数据采集系统;最后结合城市道路交通的特性对数据进行处理,使数据与道路相匹配,并在GIS地图上实现道路交通状态的实时显示。     

视觉感知驱动的三维城市场景数据组织与调度方法

针对大规模复杂三维城市场景三维可视化的数据调度效率不高、视觉一致性差等关键问题,提出了一种视觉感知驱动的复杂三维城市场景数据自适应组织管理与动态调度方法.该方法根据三维场景数据的空间分布特征,利用自适应四叉树对复杂三维城市场景进行不同层次粒度的划分,并自底向上遍历四叉树,为中间节点生成LOD(level of detail)和计算各个层级的几何误差,构建灵活的多粒度三维瓦片模型,最后根据屏幕误差评估建筑物模型的三维几何特征(形状、尺寸、高度)等视觉感知参数,约束不同细节层次模型的自适应调度.选择了柏林4个细节层次的三维城市模型数据,进行交互式三维漫游测试.实验结果表明,基于视点相关HLOD(hierarchical LOD)动态调度,动态可视化的渲染帧率始终保持在40 f/s左右,达到了网络环境下复杂三维城市场景数据动态调度的高效性和三维可视化视觉一致性的要求.     

八叉树PagedLOD大规模三维模型可视化研究

针对虚拟仿真中渲染显示大规模三维模型的计算机资源消耗大、刷新率低的难题,提出基于八叉树的PagedLOD大规模三维模型可视化方法,实现了以零件为单元进行大规模模型数据的动态调度.通过以动车组检修大型模型实例作为验证,结果表明了相比于传统的直接渲染方式,此方法在大规模模型场景中能够在保留原装配树结构的前提下,实现模型数据的动态调度,有效地控制内存的占用,提高场景刷新率.     

八叉树PagedLOD大规模三维模型可视化研究

针对虚拟仿真中渲染显示大规模三维模型的计算机资源消耗大、刷新率低的难题,提出基于八叉树的PagedLOD大规模三维模型可视化方法,实现了以零件为单元进行大规模模型数据的动态调度.通过以动车组检修大型模型实例作为验证,结果表明了相比于传统的直接渲染方式,此方法在大规模模型场景中能够在保留原装配树结构的前提下,实现模型数据的动态调度,有效地控制内存的占用,提高场景刷新率.     

基于DenseNet结构的轨道暗光环境实时增强算法

车载视觉系统是未来城市轨道交通安全运行的重要保障，列车在封闭环境或夜间运行时所处的弱光照环境会严重影响车载视觉系统的检测效果. 为此，提出了一种针对铁路封闭环境或夜间行车环境下低照度图像的实时视觉增强算法. 该算法以密集连接网络（densely connected network，DenseNet）结构为骨干网建立特征尺寸不变网络，提取图像光照、颜色等信息输出光照增强率图，并基于非线性映射函数调整每个像素的光照强度，通过分级结构将低照度输入图像的曝光率由低层到高层不断增强. 建立的深度学习网络模型采用自监督的方式训练网络参数，利用低照度图像自身特征和先验知识构建损失函数，其由曝光损失、色彩恒定损失及光照平滑度损失3个分量组成. 多种场景下的低照度增强实验结果显示:本文算法能够对输入图像曝光值进行自适应，对低曝光以及高曝光区域动态调整曝光率从而改善低照度图像的可视化效果，处理速度能够达到160帧/s，满足实时性处理的要求；通过在低照度增强前后的轨道分割及行人检测算法性能对比实验证明:所提出的算法能够大大提高暗光环境下的视觉检测效果，在RSDS （railroad segmentation dataset）数据集中轨道分割F值提高5%以上，在轨道场景下行人检测误检率及漏检率均有效降低.      

基于量子神经网络的道路交通事故预测

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

��������������ĵ�·��ͨ�¹�Ԥ��

道路交通事故预测是道路交通安全研究的一项重要内容. 针对BP神经网络在道路交通事故预测中精度不足及收敛速度慢的问题,引入量子神经网络并构建道路交通事故预测模型. 模型通过对道路交通事故时间序列进行相空间重构,有效扩充训练样本数量;且隐含层神经元采用态叠加的激励函数,对道路交通事故数据的特征空间进行多层梯级划分,以快速匹配输入数据与特征空间的对应关系,提高模型的收敛速度;在训练过程中动态调整量子间隔,以响应事故数据的强随机性. 实验结果表明,该预测模型能够较好地适应道路交通事故数据的特性,且预测精度和收敛速度较改进BP神经网络有显著提高.     

基于在线地图交通状态的关键道路动态识别方法

交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性.     

基于在线地图交通状态的关键道路动态识别方法

交通拥堵问题日趋严重,关键道路识别成为了交通领域的研究重点. 以在线地图的交通状态数据为基础,利用时空相关性理论计算道路交通状态的预测值和波动影响值,并通过Moran 散点图划分道路类型,提出了基于在线地图交通状态的关键道路动态识别方法. 首先,调用在线地图开发者平台API 采集路网的交通状态数据,利用集成学习动态预测交通状态;其次,分析交通状态波动的传播结构,以此量化道路对其近邻道路的影响值;然后,结合道路交通状态的预测值和波动影响值划分道路类型,进而识别出关键道路;最后,以实际路网为例,论证方法可行性.     

网络环境下全景图和点云数据快速融合可视化方法

现有多源数据融合可视化方法对数据精度要求高,匹配过程复杂,且传统点云的组织索引方式冗余,面对复杂数据的动态性较差,索引效率较低,难以支撑在网络环境下进行多源数据高效可视化交互.?针对上述问题,提出面向网络轻量化应用的全景图与点云数据快速融合可视化方法.?探讨了二维影像与三维点云的快速映射匹配机制、非规则性八叉树点云优化...     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

基于对称残差U型网络的路网交通流量数据修复

针对路网交通数据采集过程中，采集设备稀缺或故障等原因造成路网交通流量数据缺失问题，提出基于对称残差U型网络(Residual U-Net，RU-Net)模型的大规模路网交通流量数据修复方法.通过将路网交通流量数据网格化和时序通道化操作，构成可供卷积操作的张量数据格式；利用RU-Net编码解码能力，对交通流量数据进行编码；在解码过程中保持失真度较小，使模型学习到交通流量数据内部多因素耦合特性.通过残差学习使交通流量数据编码后的信噪比提升，压缩率降低，提升模型修复精度.实验结果表明，RU-Net模型能够利用交通流量特性学习历史和非故障采集点数据与待修复数据的映射关系，在不同数据缺失率，不同缺失模式下，高效地完成对大规模路网交通流量数据的修复.     

基于群体决策的多交叉口协同控制方法

基于竞争-合作的群体决策机制，将单点信号优化构建为各相位的交叉口通行权的竞争过程，将多点协同构建为上下游相位之间的协作过程，提出了一种兼顾多交叉口协同效益和单交叉口控制优化的路网信号配时设计方法；利用车路协同环境下路网内车辆路径信息的可感知性，动态精准地量化解析上下游交通耦合关系；在此基础上建立了分层动态决策框架，在单层决策中剥离了上下游交叉口控制决策对本地决策的影响，解耦协同控制模型中路网交通状态和信号控制决策之间的复合关系；设计了基于交叉口内各交通流向竞争力的分布式信号配时决策算法，并通过仿真试验平台比较了群体决策协同控制方法与传统协同控制方法的控制效果。研究结果表明: 相较于传统协同控制方法，群体决策协同控制方法可动态适应路网交通需求，在交通效率和稳定性上具有显著优势，在不同饱和度的交通需求水平下可降低车均延误15%以上；在路网交通饱和度较高的情况下, 群体决策协同控制方法延误降低幅度可达19.2%，控制优势更加明显；由于群体决策协同控制方法可在下游交叉口进口道车辆排队过长时减少上游车辆流出，可降低路网最大排队长度超40%，有效规避路网溢流风险；通过对群体决策协同控制模型的分布式求解，可实现单次决策过程计算时间小于0.01 s，具有应用于大规模复杂路网的实时信号配时决策的潜力。      

大规模路网中分布式车辆群体协同决策方法

为解决车路协同环境下大规模路网中车辆群体协同决策问题,提出了分布式车辆群体协同决策方法;在深入分析交通控制特性的基础上,构建了路网分解模型,将大规模协同决策问题分解成若干个同质小规模子问题,每个子问题覆盖了上游路段、路口和下游路段这3类不同交通区域;基于虚拟车辆映射技术构建了车辆群体协同决策模型,将路口区域二维车辆群体协同决策问题转化为一维问题;与路段区域内车辆群体协同决策方式相同,在路口区域内通过控制虚拟车队中车辆的等效车头时距来完成车辆之间的交互和冲突消解,进而采用统一的协同决策参数来解决各子问题中不同区域内车辆群体的协同决策问题;基于不同区域内车辆群体协同决策参数的统一化,设计了上、下游区域之间的协作机制来保证上游车辆在充分考虑下游交通状态的基础上做出合适的驾驶决策。仿真结果表明:在不同的交通需求设置下,采用提出的方法后,车辆在通过冲突区的过程中均具有平滑的时空轨迹,避免了车辆时空轨迹出现剧烈波动;相对于纯分布式方法,提出的方法在给定的仿真条件下可使车辆燃油消耗最大降低14%;因此,在大规模路网中实施提出的分布式车辆群体协同决策方法可有效降低冲突区对车流连续性的影响,从而保证了车辆安全、平稳、环保地行驶。      

基于交通流时间序列相似性的NCut城市路网分区算法

针对大规模城市道路交通路网分区的实际需求,基于可反映时间序列变化趋势的皮尔逊相关系数和度量空间关系的欧式距离,构建了一种衡量交通流时间序列相似性的综合指标; 结合交通流时间序列的时空相似性特点,引入子区内的空间连通约束,利用归一化割(NCut)算法设计了一种改进的路网静态分区算法; 为体现交通路网分区的时变特征,选取了合适的评价指标来确定每一时间段内合理的分区数量,提出了一种基于时间序列的NCut路网动态分区算法; 利用北京市东北二环区域内采集的路段交通流速度数据,应用所设计的算法对7.23 km2的路网进行分区,对比了晚高峰时期的分区效果。研究结果表明:所提出的分区算法能实现对路网内不同区域交通状况的有效识别,以30 min为间隔的动态分区算法能划分出数量和范围随时间变化的多个可变子区域; 与子区数固定为2、3、4、5的静态分区算法相比,动态分区算法的评价指标分别提升了63.77%、50.06%、6.43%和7.13%,提高了路网分区效果。可见,本文提出的动态分区算法在保证子区内部连通性的基础上可将异质路网划分成多个内部同质子区域,并充分体现交通流动态演化的时空特性,有利于制定动态的多区域边界控制方案。      

城市信号控制路网中的路段行程时间估计方法

为了精确检测城市信号控制路网中的路段动态行程时间,分析了路段流量受交通信号控制策略影响的波动规律,提出了基于交通量图偏移的路段行程时间计算方法。研究了不同断面交通量图的相似性,根据最大相似度时交通量图的偏移,计算了断面间路段动态行程时间,并与调查结果进行了比较。比较结果表明:在城市路网封闭路段,平峰、高峰的不同时间长度内(5、10、20 min),平均行程时间最大平均相对误差为7.1%,因此,计算方法可行。     

基于交通控制与诱导的准动态交通分配策略与算法研究

交通出行诱导系统下的路网动态交通分配是进行交通出行诱导方案分析、评价的基础。本文主要考虑交通控制与诱导信息对路段阻抗的影响和出行者对交通诱导信息的接受程度,给出了两种准动态交通分配的策略：修改了出行路径阻抗和改变了出行路径选择。并基于常规非平衡交通分配,通过OD需求量“全有全无”方法,实现了OD变需求影响下的多时段连续准动态交通分配。最后,通过示例路网,验证了所研究的分配策略与算法的正确性。     

交通信号控制参数的仿真优化方法研究

为优化区域交通网络中各信号控制器的配时方案,利用递推最小二乘算法(RLS)和同时扰动随机近似(SPSA)算法,由检测器流量估计DynaCHINA动态网络交通仿真与分析系统的动态OD矩阵,输入并标定各路段的速度-密度模型参数和饱和流量,获得网络状态的准确估计,包括各路段的速度、密度、流量、队列长度等;在此基础上,利用SPSA算法优化各信号控制器配时参数,包括各信号控制器的周期、相位差和绿信比,使得网络中车辆的平均旅行延误、队列长度、或交叉口通过量等指标最优. 针对实际路网的测试表明,本文的参数标定方法可以获得准确的检测器流量估计,结果明显优于Ashok K的动态OD矩阵与检测器流量估计方法;与现有的基于Synchro信号配时优化软件获得的结果相比较,该方法可较大幅度缩短车辆在路网中的平均旅行延误,并可推广应用于更复杂的区域路网的信号控制参数优化等场合.     

多方式条件下城市交通分配研究

随着城市综合交通体系的不断发展和完善,城市出行多方式化的特征日益突出.本文在充分考虑城市多方式交通网络结构特性的基础上,构建方式及路径联合选择模型,研究多方式条件下的交通分配方法.首先,基于随机效用最大化理论构建出行方式和路径联合选择的Nested Logit（NL）模型;其次,运用路段实测交通流数据标定道路混合交通流条件下的交通阻抗函数;最后,基于构造的多方式交通网络进行多方式交通分配,分析出行量在网络上的时空分布.结果表明,本文所提出的多方式条件下的交通分配方法,能够有效地描述城市多方式交通网络条件下的出行方式和路径选择行为,以及交通出行在交通网络上的时空分布规律,对于完善城市综合交通体系具有重要意义.