基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。     

基于符号权重的一阶逻辑前提选择方法

为增强自动定理证明器从一阶逻辑问题的大规模前提中选择相关前提的能力，首先，提出符号权重计算公式，基于符号在问题中出现的频率获取不同符号对应的权重；其次，提出相关度计算公式，利用分配的符号权重计算问题中前提和结论间的相关度；同时，研究自适应相关度边界，用于判断前提与给定的结论是否相关；最后，在自动定理证明器中交互地结合前提选择和自动推理两个过程，可在充分选择相关前提的情况下及时停止前提选择过程.实验结果表明：在最优情况下，新提出的前提选择方法能够把参与证明的平均前提数量从1 876个降低到174个；与广泛使用的前提选择方法 E-SInE和Vampire-SInE相比，使用新方法能够帮助自动定理证明器E在MPTP2078基准测试集上分别提高19.49%和10.49%的证明率.     

轮图与舵轮图的超边优美标号

1994年, Mitchem和Simoson在研究标号图的问题时,提出了超边优美图的概念。在随后的研究中,一些图被证明具有超边优美性质,同时关于超边优美图的一些猜想也被提出。本文利用递归方法构造了轮图Wn与舵轮图Hn的超边优美标号,证明了这两类图是超边优美图。     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支权重并对各分支多通道特征图进行加权融合;最后根据融合特征图,利用多层感知机预测下一时段交通流.基于加州交通运输部性能测试系统中的高速公路交通流数据设计实验进行模型验证和对比分析.实验结果表明,在大多数站点,MKAN模型的预测均方根误差和平均绝对误差低于长短期记忆网络、门控循环单元、K近邻算法和支持向量回归模型,对140号站点进行全天交通流预测,在1d内的各时段,MKAN模型预测绝对误差均小于其他对比模型;相比于单核卷积神经网络,在绝大多数站点,MKAN模型预测结果的均方根误差和平均绝对误差降低7％以上,对31号站点进行全天交通流预测,在1d内的大多数时段,MKAN模型预测绝对误差小于其他单核卷积神经网络.实验证明,多核自适应网络可有效提高交通流预测准确率,其预测效果优于部分传统预测模型和单核卷积神经网络.     

面向高速公路流量预测的自适应图注意力网络

为克服循环神经网络和基于预定义图的图卷积神经网络的局限性,捕获交通数据中复杂的时空相关性,实现准确的高速公路流量预测,提出一种自适应图注意力网络模型。该模型整合节点自适应参数学习模块、自适应邻接矩阵生成模块和门控循环单元,以捕获路网交通数据中复杂的时空相关性。同时,为解决循环神经网络难以捕获长期的时间相关性和产生信息损失的问题,设计了一个转换注意力层以建模未来时间步信息与历史多个时间步信息的相关性。最后,基于桂林市高速公路网的真实交通数据试验,验证了所提出方法的有效性。     

一种基于深度学习的电机轴承故障诊断方法

针对电机轴承故障信号通常呈现出非线性和不稳定性这一缺点,利用短时傅里叶变换将振动信号转换成二维时频图作为输入训练卷积神经网络;再利用卷积神经网络的自学习能力学习电机轴承故障类型与故障特征之间的深层联系.仿真实验结果表明,相比较其他方法,该方法具有更高的诊断准确率,能够更有效地识别电机轴承故障.     

多特征混合神经网络模型在ADR分类中的应用

为了充分结合不同特征的信息实现对ADR文本的分类,提出一种混合多特征的神经网络模型,利用自然语言处理(NLP)工具提取不同特征向量作为不同通道的输入,依次使用卷积神经网络(CNN)和LSTM抽取特征,最后经过softmax分类器输出关系类型.通过实验验证对比表明:该模型有较好的识别精度,优于单一特征的神经网络模型.     

基于RBF神经网络模型的板料成形变压边力优化

为了解决变压边力优化过程中RBF(radial basis function )神经网络隐层节点训练难的问题,利用人工智能算法的优越性,建立了基于人工免疫算法的RBF神经网络,并将其用于非线性函数的逼近中.结合分块压边圈与改变压边力控制技术,通过Dynaform软件进行数值模拟获得成形数据,建立了变压边力与成形质量之间的RBF神经网络近似模型.利用人工免疫智能算法对该近似模型进行优化,获得最优压边力参数.将该方法应用于S形梁冲压成形中,与优化前的结果进行比较,采用优化后最优变压边力可以抑制起皱,最大起皱量减少了89.53%.      

指引路径规划模型的建模与仿真验证

道路上某个位置存在多个指路标志时可能引发信息过载问题，对驾驶员产生干扰. 为解决这一问题，本文基于A* (A-star)算法，提出一种指引路径规划模型.考虑特定节点信息过载问题对指引路径实际成本的影响，在模型的估价函数中增设惩罚系数，可以有效避开引发信息过载现象的指引路径选择 . 基于 VISSIM 展开案例研究，借助其二次开发功能提取 VISSIM路网中的相关数据.利用所建指引路径规划模型求解路网中一对OD间的指引路径. 最后，对比分析有无惩罚系数两种模型得到的指引路径规划和指路标志布设方案，证明本文模型在指引路径规划时可有效避免信息过载问题.     

���ɷַ������ڹ�·���ڵ� ��Ҫ��ָ��Ȩ�ط����е�Ӧ��

通过分析现有公路网节点重要度的指标的权重计算方法中存在的问题，提出利用主成分分析法进行公路网节点重要度的指标权重计算的思想.主成分分析法以适当的主成分综合原始指标的信息.克服原始指标中存在的相关性等不良影响.通过分析得到的主成分的方差贡献率，即为公路网节点重要度的各项新指标的权重系数.并给出应用实例.效果良好.     

介入移动汇聚节点的无线传感器网络高效数据收集方法

引入移动汇聚节点解决无线传感器网络高效数据收集问题.网络中固定汇聚节点与移动汇聚节点共存,全部传感器节点都拥有维护到固定汇聚节点的路由,移动汇聚节点进入网络后定期向其附近小范围内的传感器节点扩散自己的声明信息,传感器节点向距自己跳数最小的汇聚节点发送或转发数据包.移动汇聚节点和距离其一跳的传感器节点之间通过有效的应答机制来保证数据的可靠传输.通过仿真结果显示引入移动汇聚节点的数据收集在节省能耗方面明显优于传统网络.在延长网络生存时间的同时,可以获得较高的数据传输成功率和较短的数据传输延迟.     

空车配货VRP问题的路径匹配算法

针对现有VRP（Vehicle routing problem）问题的精确解法和启发式算法应用于空车配货信息检索时的局限,引入图的概念,提出了一个基于交通路网的路径匹配算法,给出了算法复杂度分析。该算法利用交通路网中各结点之间的距离关系,检索给定起讫点间及起讫点与各自邻近结点群之间存在的配货信息,同时规划出收益费用比最优的行驶路径,并能根据配货行驶路径的特点对检索出的所信息进行分析、评价和优选,以方便空车配货组织。最后用一个仿真实例验证算法的有效性。     

基于短时交通流预测的广域动态交通路径诱导方法

为提升车辆通行效率，以预测型诱导策略为基础，以排队长度作为交通诱导的约束条件，利用小波神经网络短时交通量预测预知路段堵死事件发生路段，通过广域诱导时空边界条件对事件路段进行节点分级和诱导周期长度界定，进而建立广域诱导模型；对事件区域路网进行分区，进一步确定该模型诱导起点位置，引入基于路径尺度的Logit 路径选择模型作为诱导路径选择方法，通过流量迭代分配方法实现路网负载均衡. 通过实例验证，该诱导方法能有效地缓解道路交通拥堵，提高路网通行效率.     

中国煤炭运输网络空间演化

为了研究中国煤炭运输网络的演变规律和内在作用机制, 借鉴复杂网络的建模思想, 提出了综合煤炭价格成本和运输成本选择机制的煤炭运输网络演化模型, 并通过调节模型参数, 分析了其对网络特性的影响; 为反映煤炭价格动态波动对节点选择的影响, 构建了服务于演化模型的煤炭价格波动函数; 采用1998年中国煤炭运输数据进行仿真计算, 并将仿真结果与2016年中国煤炭运输网络特性进行对比, 以验证提出的煤炭运输网络演化模型的合理性。研究结果表明: 节点强度比节点度更适合用于分析中国煤炭运输网络特性; 中国煤炭运输网络为异配网络, 移走少数高强度节点会严重影响网络的连通性, 增加煤炭运输进口节点会减小移走少数高强度节点对网络的影响; 增加煤炭运输出口节点能提高中国煤炭运输网络的可靠性, 能大大提高山东、辽宁等地区的港口潜力, 带动地区经济发展; 增加煤炭运输进口节点会使中国东南部沿海地区和中部地区成为关键节点, 也能提高中国煤炭运输网络的可靠性, 但网络抗毁性会减弱, 网络中关键节点与非关键节点连接的倾向性会逐渐减弱, 网络的传递性和紧密程度表现为先升高后降低的趋势。可见, 在增加煤炭运输进出口节点的同时, 应加强对煤炭运输网络的整体规划和对枢纽地区的建设和管理, 合理引导煤炭运输资源配置, 以提高中国煤炭运输网络的整体性能。      

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...     

基于传输效率矩阵的复杂网络节点重要度排序方法

为了提高网络节点重要度评估的准确性,应用复杂网络理论,通过分析非邻接节点对节点重要度评估产生的重要影响,提出了一种基于网络传输效率矩阵的节点重要度排序方法.该方法综合了节点的局部重要性和全局重要性,弥补了节点重要度贡献只依赖于邻接节点的不足.在ARPA网络上对连续移除重要节点的连锁故障进行了仿真.结果表明,相比于节点重要度评价矩阵法,采用本文方法在移除最重要的2个节点后网络的最大连通子图规模降低了23.8%,该结果进一步验证了本文方法的准确性.      

Ad Hoc网络中基于移动Agent的密钥管理及认证

提出了在Ad Hoc网络中一种基于移动Agent的密钥管理及认证方法.移动Agent在网络中根据一定的运行策略进行移动,并不断地和所经历的节点进行数据交换,在此基础上形成一个节点信息矩阵表,矩阵表中包含了密钥信息.各节点使用其身份作为公钥,主密钥由各节点的私钥分享,从而形成基于身份的门限分布式密钥管理.该方法使用很少的Agent获得较多的全局信息并快速交换密钥信息,减少了系统的开销,具有很高的效率和鲁棒性.     

基于模糊神经网络的员工晋升辅助决策系统

为定量地分析企业员工晋升决策过程的影响因素，用基于实例的模糊神经网络方法，通过划分非模糊化和模糊化输入变量。改进了Takagi-Sugeno模糊模型．用包含求和、求积和求极小运算节点的扩展的pi-sigma神经网络学习算法确定结论参数和前提参数。自适应地从员工数据库中归纳出模糊逻辑关系，建立企业晋升决策的辅助系统．经算例验证准确率达75％以上．     

���ڸĽ�BAģ�͵IJ�ͬ��ģ���˸��������ݻ��о�

以复杂网络理论为基础,分析海运网络的拓扑结构具有无标度网络特性,可运用BA无标度网络模型构建演化海运网络.连接概率是BA模型中节点优先连接的重要依据,据此,针对海运网络港口节点进行研究,通过加权量化和MATLAB编程将影响节点间连接的因素组成节点吸引度,引入连接概率公式,改进了BA模型.分别选取2010年全球15个和25个主要集装箱港口的相关数据,运用上述改进BA模型分别得到不同规模的海运网络演化情况,演化结果验证了海运复杂网络具有无标度网络特征,呈现的特性与网络规模没有必然联系,规模大的网络平均路径更长、集聚性更强,度值相差更悬殊.进一步运用全球班轮航线实际网络进行验证,得到两者结构特性基本相同.