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。      

基于改进孤立森林算法的交通流异常数据检测模型

针对交通流异常数据实时检测问题,提出一种基于改进孤立森林算法与K-Means++算法相结合的交通流异常数据检测模型。首先,使用交通流量和交通流速度数据构建交通流序列;然后,利用改进孤立森林算法,构建交通流数据的异常评分模型,并通过K-Means++算法构建滑动窗口计算出异常评分的阈值,以此来实现对交通流数据异常值的实时检测;最后,通过实例分析验证模型的合理性和可行性。研究结果表明：改进孤立森林算法与K-Means++结合的方法可以准确地确定异常评分的阈值进而检测出异常数据;该模型与仅考虑交通流流量的模型、传统孤立森林模型相比,AUC分别高出29.7%和5.3%,与其他常用的LOF、ABOD、OCSVM方法相比,AUC均有所提高。该模型准确率明显提升,在交通流异常数据检测中具有更好的适用性,能够为交通管理部门提供交通状况检测支持,提高交通管理效率。     

基于生成对抗网络的交通流参数实时估计模型

为有效调控道路网时空资源，需实时估计交通流参数。若要准确估计交通流参数，应详细考虑道路网交通流时空特征。本文基于生成对抗网络，提出一种能捕捉交通流时空特征的实时估计模型，即TSTGAN模型。该模型包括生成器和判别器两部分，生成器利用门控卷积神经网络 捕捉交通流的动态空间特征，使用基于注意力机制的长短期记忆神经网络分析交通流的动态时间特征；采用门控卷积神经网络与长短期记忆神经网络构建判别器；通过对抗方式训练生成对抗网络的生成器与判别器，实时获得交通流参数估计值。使用中国山东省淄博市12个卡口设备和美国加州洛杉矶市23个线圈检测器获得的交通流量数据，验证TSTGAN模型的可靠性。结果表 明，TSTGAN模型引入的时空模块能有效提取交通流的时空特征，所得均方根误差和平均绝对误差比现有模型分别降低2.12%~42.41%和1.66%~40.49%，证明所提TSTGAN模型可以提高交通 流参数的估计精度。     

动态交通数据故障识别与修复方法

为提高交通模型输入信息的可靠性,通过对交通传感器采集到的动态交通数据的故障进行识别,并根据不同的故障种类采取补充、还原或修正等方法对数据进行修复。分析结果表明,动态交通数据的故障识别与修复方法是可行的,尤其是对数据的补充处理,可以很好地解决因为数据丢失而给后续处理带来的困难。     

面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明：本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%～19.80%,均方根误差降低了11.20%～17.99%,决定系数提升了8.62%～12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%～13.81%,均方根误差降低了4.23%～10.67%,决定系数提升了3.50%～7.01%,且本文...     

兼顾公平与效率的入口匝道协调控制

为解决高速公路匝道控制片面追求控制效率而忽略交通公平性的问题,提出一种兼顾公平与效益的入口匝道协调控制策略.定义排队延误基尼系数,有效刻画匝道控制的公平性.基于宏观交通流模型,构建双目标优化模型,优化目标包含反映控制效率的总旅行时间和反映公平性的基尼系数.改进差分演化算法的约束惩罚和罚函数构造方法,使差分演化算法能适于约束多目标优化问题的求解.应用研究表明,改进差分演化方法能获取Pareto最优解,决策者可根据个人喜好选择满意解.     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

���ڻ�ɫ�в�GM(1,N)ģ�͵Ľ�ͨ�����ݻָ��㷨

交通检测器采集的原始交通数据的质量会直接影响智能交通系统的后续效益.本文针对采集的交通数据普遍存在的故障问题,以交叉口检测器的交通流数据为研究对象,提出基于灰色残差GM(1,N)模型的数据修复算法.首先针对交叉口四个路口的交通流进行灰色相关分析,然后建立灰色GM(1,N)模型对故障数据进行预测修复,并进行了残差修正,提高了修复数据的精度.分析结果表明,提出的故障数据灰色残差GM(1,N)模型算法是可行的,可以更好地解决因为数据故障而对后续处理带来的困难,同时也为其他领域的故障数据修复提供借鉴.     

城市快速路交通拥挤识别方法

为了从海量动态交通数据中快速识别路网中存在的交通拥挤,通过分析拥挤的特征模式和各种数据挖掘技术的特点后,设计了一种适用于城市快速路的交通拥挤自动识别方法。该方法将占有率、速度和流量三个基础交通流参数进行组合得到新的特征变量,运用优化的多层前馈神经网络模型对特征变量进行处理来判断是否有拥挤发生,通过分析模型输出结果的变化趋势区分常发性拥挤和偶发性拥挤。模拟数据和实测数据对比结果表明,该方法可以识别城市快速路上发生的交通拥挤,具有良好的实用性。     

基于改进灰狼算法优化BP 神经网络的短时交通流预测模型

准确的短时交通流预测是交通控制和交通诱导的依据. 提出一种基于改进灰狼算法(TGWO)优化BP 神经网络的短时交通流预测模型(TGWO-BP)，有效提高短时交通流预测精度. 针对标准灰狼算法(GWO)收敛速度慢，容易陷入局部极值的问题，提出一种自适应递减的收敛因子，使灰狼算法区分全局搜索和局部搜索；改进灰狼个体的位置更新公式，引入惯性权重，调节惯性权重大小使灰狼算法具有跳出局部极值的能力；对比分析TGWO-BP、GWOBP 、PSO-BP、BP这4 种短时交通流预测模型，结果显示，TGWO-BP的短时交通流预测模型误差为10.03%，达到较好的预测精度.     

基于机器学习的交通流预测方法综述

通过文献梳理、专家访谈和试验场景构建等方法，分析了道路指定断面和区域路网宏观交通流预测的国内外研究现状和发展趋势，归纳了局部断面交通流预测方法，包括传统机器学习、递归神经网络和混合模型，分析了卷积神经网络、图神经网络和融合多因素网络的特点，阐述了方法的原理、优势、局限性和应用场景，总结了现有场景交通数据集类别，从采样周期与采集方式角度归纳了国内外主流交通数据集。分析结果表明：递归神经网络可以有效获取交通数据的历史规律，但存在梯度爆炸、计算复杂度高、长时预测准确度不佳等问题；图神经网络针对路网拓扑连接关系引入了图结构，在考虑路网和交通流数据的时空相关性上具有明显优势；融合多因素网络充分考虑天气、道路、事故等内外部因素的影响，有效提升了交通流预测的实时性和鲁棒性；由于交通数据采集困难、外部因素影响难以量化、机器学习方法可解释性差等原因，交通流预测方法的改进受到了限制；未来应从交通信息有效挖掘和图卷积方法完善两方面入手，拓宽图结构在交通领域的应用和考虑非常态交通场景，进一步揭示交通数据的内在规律，开发更准确、高效的交通流预测方法，推动交通流预测在工业界的落地应用。     

数据挖掘技术在固定型交通检测器配置优化中的应用

结合固定型交通检测器空间配置的四条原则和配置密度优化步骤，提出固定型交通检测器配置优化的数据挖掘方法。设计6种高速公路出口匝道的固定型交通检测器配置密度方案作为实例研究对像，运用数据挖掘技术的时间序列指数平滑方法、ARIMA方法和神经网络方法分别建立高速公路出口匝道小时交通量Winters预测模型，ARIMA预测模型及神经网络预测模型。采用网络搜索技术确定Winters模型参数，设计一种比传统ARIMA模型参数估计方法更精确的算法程序估计ARIMA模型参数，采用三项误差指标评价模型预测效果，根据预测结果及高速公路事件管理交通参数精度要求确定可行方案及最佳方案，研究结果表明：在保证满足ITS对交通参数精度要求的同时，通过数据挖掘技术降低了交通流信息采集固定型检测器的配置密度及成本，为固定型交通检测器配置密度的优化提供了一种简单可行的新方法。     

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。     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

智能网联环境下基于混合深度学习的交通流预测模型

为适应未来智能网联环境下精细化交通流预测需求，提出一种基于混合深度学习 (Hybrid Deep Learning, HDL)的车道级交通流速度预测模型. 模型以智能网联系统强大的数据采集和计算能力为基础，采用集成经验模态分解算法将原始速度序列分解为多个固有模态函数分量和残差分量，并将所得分量重构为模型输入；利用双向长短期记忆神经网络和注意力机制，构建深度学习模型框架；为检验模型预测精度和可靠性，选择北京市二环路多个连续车道断面速度数据进行算法验证. 结果表明，HDL模型在不同车道均有理想的预测结果，单步和多步预测精度均显著优于对比模型.     

基于改进孤立点算法的异常交通数据识别

以地磁检测数据为基础,分析导致交通数据异常的原因;基于对异常数据的识别,对基于相似系数和的孤立点算法进行改进,即对规律性的交通数据进行时段划分,计算相似系数,采用交通量和时间占有率逐次逼近基础值的方法设定阈值。通过实例对分别采用传统阈值筛选法和改进后的孤立点算法对异常交通数据的识别结果进行对比分析。研究结果表明:基于改进相似系数和的孤立点算法对异常数据识别的检测率高于85%,误检率低于25%,识别结果优于传统阈值筛选法,可快速、有效地识别交通异常数据。     

城市快速路交通事件检测的自适应算法研究

针对城市快速路交通事件检测问题,提出了-种基于自适应遗传算法与神经网络相结合的自动检测算法.通过改进的自适应遗传算法优化神经网络结构和权值参数,保证了神经网络能以较小规模和最优的权值参数来描述事件发生与交通参数间的映射关系,从而提高检测效果.利用PARAMICS交通软件模拟了北京市京通快速路从大望桥到四惠桥路段间的一组交通数据,仿真结果表明,该算法同现有的典型算法相比较,具有较高的检测率和较快的检测速度.     

基于多源交通数据融合的短时交通流预测

不同类型交通检测器所获取的交通数据中包含了不同的交通信息,交通流预测在交通管理与控制中具有重要作用,基于此,进行了多源交通数据动态加权融合和短时交通流预测。在综合分析多源数据特性及其融合优势的前提下结合遗传算法的全局搜索及小波神经网络的自适应学习优点,提出了基于多源数据融合与遗传-小波神经网络(GA-WNN)的短时交通流预测模型。通过实例验证分析,基于GA-WNN的交通数据融合方法比其他方法更有优势;同时,多源数据融合的预测精度优于单一数据源的短时交通流预测序列,从而能为交通管理者的判断决策与交通出行者的路径选择提供更准确、全面的交通信息。     

基于深度学习的车辆轨迹重建与异常轨迹识别

车辆移动轨迹的不确定性及异常点段的存在使其在数字交通领域的应用面临挑战。本文构建基于数据增强的LSTM-AE-Attention深度学习模型，进行车辆轨迹重建和异常轨迹识别。首 先，使用对抗生成网络和贝塞尔样条曲线从样本量和种类两方面扩充数据集，实现数据增强；其 次，通过自编码网络与长短时记忆神经网络提取轨迹特征并完成轨迹重建；最后，结合自编码网络预训练和注意力机制构建异常识别模型。采用实际车辆轨迹数据测试，模型的评价指标明显优于支持向量机、随机森林和长短时记忆神经网络模型，重建实验中模型的决定系数为0.968，异常识别实验中模型的F1值较对比模型平均提升9.8%。结果表明，本文提出的模型可有效、可靠地运用于平滑车辆轨迹数据和纠正异常车辆轨迹。     

基于小波去噪和GA-Elman神经网络的短时交通流预测

为解决短时交通流的非线性和强干扰特征带来的预测精确度较低问题,首先采用启发式阈值算法对小波分解后的原始数据做去噪处理,使去噪后的数据更平稳真实地反映交通流的变化规律,然后利用遗传算法优化Elman神经网络模型对交通流进行分析和预测,模型输出的预测值百分比绝对误差为6.2%。试验结果表明,小波去噪后再用遗传算法优化的Elman神经网络进行预测,预测结果误差较小,可用于短时交通流预测。