区域交通流的时空预测与分析

论述了短时交通流预测模型的分类、特点和适用条件。通过历史交通流量记录运用最优抽样间隔数据分析发现,在城市道路网络中,路口自身和近邻路口的交通流数据之间存在紧密的时空关系。利用时空自回归移动平均模型来建立路口间交通流的时空关联关系,用于区域交通流的短时预测和时空分析,并详细介绍了该模型的数学描述和建模过程。采用长安街及其沿线路口的区域交通流量作为试验数据,验证了该模型在交通流的短时预测和时空分析中的可行性。该模型在考虑预测值所在位置时间序列的同时,也考虑到了空间上相邻位置的时间序列,大大提高了短时交通流预测的准确性。     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题，提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network， GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图，描述充电站负荷之间的时空关系；构建时空特征提取网络，分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息，并使用长短期记忆网络 （Long Short Term Memory Networks，LSTM） 挖掘影响负荷预测的外部特征信息；融合提取的所有特征，进行负荷预测。算例结果表明，基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响，协同多个充电站的负荷数据进行预测，并同时输出各充电站的预测结果，有效提高预测准确度，有助于电网稳定运行。     

一种用于道路交通预测的时空图卷积模型

准确而实时的交通流量预测对成功的交通管理与控制变得越来越重要。然而,传统的基于流量数据的预测仿真方法缺乏对复杂道路网络拓扑关系、交通情况随时间的不稳定变换、天气条件变化等时空依赖关系的考虑。为了获取这些时空关系对于交通流量的影响,基于图卷积模型(GCN)与长短期记忆模型(LSTM),搭建一种基于神经网络的交通流量预测方法,即时空图卷积模型。图卷积模型用于学习道路的复杂拓扑结构,来获取空间依赖关系;长短期记忆模型则用于学习交通数据(流量,天气,事故等)随时间的剧烈改变,来获取时间依赖关系。实验数据显示,时空图卷积模型可以获取道路交通的时空依赖关系,该模型的预测精确度高于传统的交通流量预测方法,也高于不考虑时空依赖关系的其他机器学习预测方法。     

基于Informer的客机长时4D航迹预测方法

客机长时4D航迹预测是基于航迹运行的重要基础,对于改善空中交通系统安全性能和优化空域结构有重要意义。针对现有长时4D航迹预测未充分考虑长序列航迹数据之间存在隐式关联信息等问题,借助Informer模型的自注意力机制,研究构建了基于Informer的长时4D航迹预测模型。为提取航迹数据的全局特征信息,增强数据独立性和时间序列特征学习能力,在数据嵌入层中增加全局时间戳模块,并利用航迹点序列等分层时间戳突破Informer模型固有的嵌入层时间刻度限制;为更好地捕捉非相邻时序序列点之间的隐式相关性,采用自注意力机制提取航迹数据特征,并运用概率稀疏方法降低自注意力机制的计算复杂度至O(Llog L),同时在编码器中增加蒸馏机制以减少计算维度和网络参数量;为避免传统的逐步预测输出方法造成的误差累积现象,提高航迹预测精度,采用全连接层对预测输出数据进行维度调整,完成一步生成式输出。对历史4D航迹数据进行三次样条插值等预处理后,与时序特征数据同时输入到航迹预测模型中,经过模型迭代训练,输出航迹预测结果。实验结果表明：在同时预测航迹的4D特征时,基于Informer模型的预测表现优于LSTnet方法,其...     

基于LSTM的平面交叉口短时交通流预测

针对平面交叉口四方向进口的交通流量具有时空相关性的特点,提出了一种基于长短期记忆LSTM(Long Short-Term Memory)网络的平面交叉口短时交通流预测模型。将以四方向进口历史交通流数据为基础的四维时间序列数据输入LSTM模型中进行训练,并使用OpenITS合肥示范区数据对提出的模型进行验证。结果表明,与传统的BP神经网络相比,该方法预测效果具有更好的表现,是一种预测精度高的预测方法。     

基于多层时空融合网络的驾驶人注意力预测

类人驾驶是提升汽车智能化程度的重要途径之一，识别和定位驾驶人的感兴趣目标和区域，进而快速、精确地感知驾驶场景中潜在风险或提供决策所需关键信息，能够有效增强智能汽车的功能可理解性和鲁棒性。本文基于层次化编码器-解码器架构设计轻量化多层时空融合网络，建立轻量化驾驶人注意力预测模型。首先，以MobileNetV2作为编码器的骨干网络，提取当前帧4个尺度上的多层次空间特征，将其存入记忆模块并与在历史帧上提取的多层次特征在时间维度叠加，得到连续帧间的时空特征后传输至解码器。其次，基于层次化解码结构设计解码器，采用逆瓶颈3D卷积模块设计时空融合层，融合每个独立分支上的时空特征。最后，融合4个独立分支上捕获不同尺度信息的预测结果，获得驾驶人注意力预测值作为模型预测输出结果。结果表明：本文提出的驾驶人注意力预测模型，通过在多个特征尺度上的编码与解码，能够有效利用动态场景当前帧和历史帧间的时间、空间、尺度信息；在DADA-2000和TDV数据集上的测试实验表明，在多个指标上优于当前同类优秀模型；模型尺寸为19 MB，单帧运算速度为0.02 s，实现了优秀的模型轻量化与实时性效果。综上所述，本研究解决了当...     

基于GBDT算法的高速公路分车型交通流短时预测模型

为了准确预测高速公路短时交通流量,以制定科学合理的运营管理方案,运用高速公路联网收费数据和外界环境天气数据,实现数据清洗、预处理,挖掘得到日期、时段、车型等有效特征,构建基于GBDT算法的交通流短时预测模型。以成渝高速公路短时交通流预测为实例分析对象。结果表明,预测误差较BP神经网络模型、RF模型、SVM模型分别降低4.43%、0.32%、1.01%,表明模型具有较好的可靠性和有效性。     

基于时间序列相似性搜索的交通流短时预测方法

为了进一步提高交通流短时预测的效果,在分析现有预测模型存在问题的基础上,设计了1种基于时间序列相似性搜索的交通流短时多步预测方法.利用界标模型对交通流时间序列数据进行模式表示,在历史数据库中搜索与当前交通流时间序列相似度较高的历史时间序列,进而确定与预测时刻相对应的历史数据,利用回声状态网络模型实现交通流的短时多步预测.采用某特大城市快速路5 min采样间隔的交通流量数据进行实验验证和对比分析.实验结果表明,回声状态网络模型的预测精度分别比ARIMA模型和BP神经网络模型提高了6.25%和3.85%,以时间序列相似性搜索结果作为模型输入数据能够进一步提高交通流短时预测的精度.      

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收...     

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型（directed graph convolution network-gate recurrent unit,DGC-GRU）的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明：在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）均优于对比模型,与传...     

基于深度学习的时空交通流预测算法

在智能交通系统中,准确地预测交通流量对优化交通管理和提高城市整体流动性起着至关重要的作用。随着深度学习技术的广泛应用,人们对交通流时空特征提取展开了深入的研究。本文提出了一种基于图卷积网络和Transformer的交通流预测算法,利用深度学习算法的强大功能来捕获交通动态数据中固有的复杂的时空模式。首先,通过时空图卷积网络提取空间特征;其次,通过Transformer动态地提取全局时间依赖关系;最后,为了验证该算法的性能,我们在真实交通数据集上进行了大量实验,结果表明该算法的预测准确性优于对比模型。     

考虑动态空间关系的短时交通流预测方法

为有效提取交通流的时空特征,提升交通流的预测精度,研究了基于动态时空图卷积网络的短时交通流预测模型（DySTGCN）。DySTGCN不仅实现了对交通流时空维度的信息建模,而且考虑了时间维度信息对空间维度信息的影响,创新性提出了基于时间信息的空间拓扑结构——时变空间图（spatial topology graph,TSG）,并设计出了1种能够高效、简便地计算时变空间图的深层网络结构。该结构通过编码、解码方式提取不同节点的交通流数据的相关性特征并实现降噪处理。时变空间图反映了交通网络的实时空间特征,基于交通网络中节点空间位置的稳定空间图（stable spatial graph,SG）反映了交通网络的稳定空间特征。TSG与SG在图卷积过程中共同指导交通流预测,更加准确地刻画了交通流的时空特性,以提高预测精度。为测试模型的预测效果,在2个权威公开数据集上进行实验,结果表明：DySTGCN学习到的时变空间图可以较为准确地反映出不同节点的交通流之间的相关性,在平均绝对误差、均方根误差,以及加权平均绝对百分比误差指标上,比其他时空图卷积网络模型如STGCN、ASTGCN等降低了近13.40%、10...     

基于AIS船舶数据的港口交通流量预测模型研究

针对当前船舶交通流量预测手段落后,精度不高的问题,利用宝船网A PI数据接口提取船舶A IS数据,依托该数据构建基因算法优化神经网络的船舶交通流量预测模型,K近邻回归预测模型、时间序列预测模型和灰色预测模型的组合预测模型.通过自编程序采集了天津港某时段的船舶交通流量数据,在剔除错误和不可用数据后,对船舶交通流量数据进行统计,分析得到了进出天津港的船舶航行特性.同时为了更直观的验证所提出的预测模型效果,与利用K近邻回归、时间序列和灰色预测模型3种方法预测的结果进行对比.组合模型进港预测的平均绝对误差、均方误差和平均相对误差分别是0.5595,1.0119和12.98%,出港分别是0.6726,1.3155和15.23%,以上指标均优于上述的传统3种模型.相比于组合模型,优化的BP神经网络模型预测结果更优,进港和出港预测的平均相对误差分别降低了3.23% 和4.76%,结论证明,组合模型和优化的BP神经网络模型具有较高的预测精度.      

自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题，从类人驾驶特征出发，设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络（Conv-LSTM），对前方道路视觉感知图像时间序列进行时空特征提取，同时采用一维卷积和长短期时序记忆网络（Long Short-Term Memory，LSTM） 对车辆状态信息时间序列进行历史状态特征提取，进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策，并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程，还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法，并引入容差阈值，建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证，体现出良好的可行性及优越性。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力，以便做出合理的决策规划，提高行驶安全性和乘坐舒适性。运用深度学习方法，设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型，该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图，其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率；轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成，其中的编码器将历史轨迹信息编码为上下文向量，解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹；引入MDN层的目的是利用概率分布来表示车辆未来位置，而非仅仅预测一条确定的轨迹，以提高预测结果的可靠性和模型的鲁棒性。此外，将被预测车辆及其周围车辆组成的整体视为研究对象，使模型能够理解车-车间的交互式行为，响应交通环境的变化，动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比，基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势，考虑交互式信息的意图识别模块具备更高的预判性和准确率，且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差，显著提高轨迹预测精度。     

基于MM-STConv的端到端自动驾驶行为决策模型

针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题，选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入，并利用语义信息构建一种基于时空卷积的多模态多任务（Multimodal Multitask of Spatial-temporal Convolution，MM-STConv）端到端自动驾驶行为决策模型，得到速度和转向多任务预测参量。首先，通过不同复杂度的卷积神经网络提取场景空间位置特征，构建空间特征提取子网络，准确解析场景目标空间特征及语义信息；其次，通过长短期记忆网络（LSTM）编码-解码结构捕捉场景时间上、下文特征，构建时间特征提取子网络，理解并记忆场景时间序列信息；最后，采用硬参数共享方式构建多任务预测子网络，输出速度和转向角的预测值，实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据，以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集，历经10 000次训练周期、6 h训练时长后，利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明：MM-STConv模型的训练误差为0.130 5，预测精确度达到83.6%，在多种真实驾驶场景中预测效果较好；与现有其他主流模型相比，该模型综合场景空间信息与时间序列信息，在预测车辆速度和转向角方面具有明显的优势，可提升模型的预测精度、稳定性和泛化能力。     

基于决策树理论的交通流参数短时预测

针对现有交通流参数短时预测方法的不足,考虑到交通流数据序列的非线性特征,提出一种基于决策树理论的非参数预测方法。采用时间序列滞后项将交通流参数序列转化成非参数模型能处理的数据格式。考虑到交通流参数之间存在长期协整关系,构建流量速度滞后项的组合向量,为预测模型提供基础数据。构建基于分类回归树(CART)的交通流参数短时预测模型。基于实际采集的道路交通流数据,对模型在不同等级道路不同速度区间下的性能进行评估。结果表明,所提出的模型相较于常用的时间序列模型,精度有所提高;速度预测准确性普遍高于流量,速度平均绝对百分比误差基本小于13%,而流量预测则达到了30%;采用工作日和周末数据分别建模能够有效提升预测性能;不同速度区间下的预测性能评估显示,模型在各等级道路中速区间的预测结果具有较高的准确性与稳定性。      

基于实时多模态时空数据的时空图卷积网络精准鲁棒交通流预测模型

随着我国城市规模的不断扩张,绕城高速公路被各大城市相继采用,在疏导城市过境交通、缓解市内拥堵、提高通行效率等方面起到积极作用。然而,少有学者针对绕城高速公路开展全面和系统的研究,在其交通流特性、态势评估预测、运营管理措施等方面有着较大的研究空间。传统基于单一或部分数据源进行交通预测受到数据源的限制,在精准度、鲁棒性和实用性上都有待提高。本研究选择成都绕城高速公路(国道G4202)作为试点路段,基于系统视频智能分析平台对车流速进行实时监测,并基于实时多模态时空数据的时空图卷积网络进行精准鲁棒交通预测模型的研究。该方法结合了时空图卷积网络以及卡尔曼滤波(Kalman Filtering)校正相点的未来演化规律,预测模型通过自学习对比实际交通监测数据进行优化,并提供交通预测模型的有效性与可信度评估。实际交通流数据测试结果表明,文中所提出的预测模型与传统预测模型相比具有更高的预测精度,是一种有效的交通流预测方法。     

基于ATT-LSTM模型的高速公路交通事件持续时长预测

为揭示交通事件对高速公路运行状态持续时间的影响规律，研究了高速公路交通事件持续时长预测方法。考虑高速公路交通事件时间序列特性，基于循环神经网络理论，从时间序列数据中提取交通事件时间依赖关系；通过引入长短时记忆网络，结合特征、时序注意力层挖掘历史时刻信息和当前时刻数据间的相关性，构建基于注意力机制-长短时记忆网络的高速公路交通事件持续时长预测模型。以2018年西安绕城高速公路交通监测数据集为例，开展了高速公路交通事件持续时长预测模型验证，对比了所提模型与反向传播神经网络、随机森林、支持向量机、长短时记忆网络模型这4种典型算法的预测精度，并分析了事件类型、天气条件、车辆类型、交通量等不同影响因素对持续时长的影响程度。结果表明:使用同一数据集，注意力机制-长短时记忆网络预测模型的预测结果平均绝对误差为24.43，平均绝对百分比误差为25.24%，均方根误差为21.17，预测精度优于其他4种预测方法。在模型的各影响因素权重中，事件类型所占权重最大为0.375，其次分别为车道数、车辆类型、天气等；采用立交出入口小时交通量作为修正参数，可以进一步提升预测精度，预测结果的绝对误差、平均绝对百分比误差和均方根误差可分别降低21.3%、7.5%和16.9%。研究结果能进一步提高高速公路交通事件持续时长预测的精度，为公路安全高效运行提供技术支持。      

基于观测数据潜在特征与双向长短期记忆网络的车辆轨迹预测

针对传统算法无法满足复杂交通场景下无人驾驶车辆对周围运动车辆轨迹预测需求的问题,提出一种基于观测数据潜在特征与双向长短期记忆(BiLSTM)网络的车辆轨迹预测方法.首先利用一维卷积神经网络(1DCNN)提取由传感器所获取的车辆运行状态观测数据的潜在特征,然后将以序列方式构造的具有时空关系的特征向量作为BiLSTM网络的...