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。     

基于自注意力机制与图自编码器的路网交通流数据修复模型

针对城市交通流数据修复问题，提出一种基于图卷积网络和多头自注意力机制的自注意 力图自编码器模型。该模型包括基于拓扑图结构和图信号捕获交通流时空关联性的 STGCN (Spatial-temporal Graph Convolutional Networks)网络。在该网络中使用 LSTM(Long Short-Term Memory)网络学习数据中时序规律，通过注意力网络计算道路自注意力及一阶临近道路注意力系 数，用图卷积网络对图信号重组，达到对缺失数据的精确修复。同时，采用多头自注意力网络计 算数据的注意力权值并对数据重组，捕获交通流数据中的二阶及高阶临近道路空间关联性，提取 已知数据与缺失数据的时间关系，以残差链的形式加入到模型中，作为对STGCN功能的补充。 基于真实数据的实验表明，在多种缺失模式和缺失率下，该模型能够学习路网拓扑关系，捕获数 据中的时间规律性和时空关联性，有效地修复缺失数据。     

基于生成式对抗网络的路网交通流数据补全方法

交通信息的完整性直接影响着城市交通管理的效率.针对城市道路交通中因路段检测器覆盖不全或设备损坏等造成的流量检测数据缺失问题,本文提出基于生成式对抗网络 (Generative Adversarial Network,GAN)算法的交通流量数据补全方法.首先,以路段实际流量为基础,进行图像化处理生成路网二维信息图;其次,计算考虑时空信息补偿的路网关联矩阵,利用GAN算法分析并实现路网二维信息图缺失部分的补全,进而得到路段交通流量的完整数据;最后,利用实际数据,对比分析了本文方法与相空间重构的卡尔曼滤波方法对缺失数据的补全情况.实例分析结果验证了本文方法的可行性和有效性.     

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.     

基于动态时间调整的时空图卷积路网交通流量预测

为深入挖掘交通流数据的复杂时空特征并建立其依赖关系,提高交通流参数的预测精度, 本文提出一种新的交通流量预测模型——基于注意力机制和残差网络的时空关系图卷积网络 (TSARGCN)。TSARGCN对输入数据进行切片,实现多分支建模,挖掘数据的时间周期性特征; 引入残差网络保证网络中信息传递的完整性;利用DTW (Dynamic Time Warping)算法计算路网 中节点之间交通流量序列在时间维度的相似程度大小,提出时间图的概念,结合路网结构中各节 点的邻近关系,提出时空关系图的概念;基于时空关系图,在每个分支结合注意力机制分别进行图卷积和时间维度卷积,捕获交通流的时空特征及其依赖关系,实现对路网交通流量数据时空关系的建模。经过在公开数据集PEMSD4上进行实验,结果表明：TSARGCN在交通流量预测中的平均绝对误差 (MAE) 达 到 19.24,均方根误差 (RMSE) 达到 27.09,比 ARIMA(Autoregressive Integrated Moving Average model),Conv-LSTM(Convolution Long short-term memory)及 ASTGCN (Attention based Spatial-temporal Graph Convolutional Network)等知名交通流量预测算法具有更高的预测精度。     

基于条件生成对抗网络的扇区复杂度评估

扇区复杂度作为管制员工作负荷和动态空域配置的重要参考依据，需要事先准确地对其 进行评估。本文针对有监督复杂度数据集存在的小样本问题，提出基于条件生成对抗网络的扇 区复杂度评估框架。首先，构建交通流量、航空器性能和潜在冲突这3类复杂度指标，并结合主观 复杂度等级得到标定样本；其次，利用条件生成对抗网络设计有标记样本生成算法，获得增广数 据集；最后，分别采用逻辑回归、支持向量机和随机森林算法建立复杂度评估模型。以中南区域 扇区为例，从定性和定量的视角验证生成样本的有效性，并在多种训练集配置下对比各模型评估 结果。研究结果表明：条件生成对抗网络在200次迭代后逐步收敛至稳定；生成样本与真实样本 的绝大多数指标在均值上的相对误差小于5%，在标准差上的相对误差大于5%；在多分类评价指 标下，增广数据集对3种模型整体评估精度分别提升11.77%、11.04%和8.34%。本文提出的评估 框架可以在有限数据条件下提高样本多样性，是解决扇区复杂度评估问题的一种有效方法。     

交通路况感知下的自适应动态路径规划方法

针对传统路径规划算法在动态网络中的时效性和可用性不足，本文提出一种适用于时变 路网环境下的自适应动态路径规划方法。通过引入动态网络流式图划分思想，构建一种分层路 网的状态树索引，有效降低了动态路网中路径查找的计算代价，并扩展了传统路径规划算法在动 态路网中的普适性。在此基础上，将区域路况的时空变化信息融合到索引树中，进一步提出一种 基于时空层次网络的路径映射方法。并按照访问节点的距离逐步收缩最小包含区域来减少路径 查找视野，将路径查找过程转化为在层次图中的小范围寻址。为适应路网动态变化特征，路径映 射采用多路并行的双向探测策略，使得路径搜索迅速收敛于一个最优解，在动态路况变化和旅行 代价之间寻求平衡。最后，结合北京市实时交通路网数据集进行实验评估，在查询性能和自适应 调整方面验证了所提出方法的有效性。     

基于改进ACGAN的齿轮箱多模式数据增强与故障诊断

针对现有生成对抗网络(GAN)难以高效率生成多模式的故障样本和训练不稳定问题，提出了一种改进辅助分类生成对抗网络(ACGAN),并将其用于齿轮箱多模式数据增强和智能故障诊断，以确保运载工具的安全运行；引入独立的分类器构建新型ACGAN框架，改善了经典ACGAN的分类精度与判别精度之间的兼容性；使用Wasserstein距离定义具有平滑特性的新型对抗损失函数，以此克服GAN易出现模式崩塌和梯度消失的缺点；引入谱归一化方法替代权重裁剪，限制判别器的权重参数，提高对抗训练过程的稳定性；为验证改进ACGAN的有效性和优越性，对齿轮箱的6类健康状态样本进行试验分析。分析结果表明：改进ACGAN生成的故障样本在数据层面和特征层面取得了更好的质量评估结果，其中基于结构相似度的评估指标平均优于对比方法0.249 3,基于最大平均差异的评估指标平均优于对比方法0.696 6;改进ACGAN的训练过程更加稳定，其损失函数具有更优的收敛性，同时在多模式故障诊断情景下具有更高的效率，其训练时间缩减为对比方法的20%;针对故障样本缺失的情况，改进ACGAN的生成样本能有效辅助深度学习智能故障诊断模型的训练，可将...     

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。     

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...     

雾霾情况下路网模型及雾霾对交通路网的影响

雾霾对城市交通路网的影响主要包括交通数据缺失、交通安全和污染物排放三大问题.首先,基于城市交通数据监测系统,增加路网模型中驾驶员对能见度因素的反应特性,建立雾霾情况下交通路网模型,包括车道模型和交叉口模型两部分.然后,建立雾霾情况下交通路网模型评价指标,包括路网交通数据缺失率、交通危险系数和路网车辆污染物排放指标.最后,通过雾霾对路网影响程度和影响区域的仿真,得出如下结果:雾霾程度越严重、影响区域范围越大,交通数据缺失率越高,越不利于交通安全,同时污染物排放越多.     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明:GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。      

基于网络效率的日变路网脆弱性识别方法

在日变动态路网背景下,采用传统的静态脆弱性识别方法有可能无法完全辨识路网系统单元的脆弱性,这不利于事件管理规划和应急物资调配工作的开展.为此,以日变路网为研究对象,在单路段关闭情形下,定义了基于网络效率的路网动态脆弱性指标,表示为退化路网动态网络效率与完好路网静态网络效率的相对变化率.提出了基于单路段关闭的日变动态配流模型刻画日变路网流量的非均衡动态演化,并给出了相应算法.采用提出的指标和模型在实例网络中验证了日变路网脆弱性识别方法的可行性.对比分析了基于动态网络效率和基于静态网络效率的脆弱性识别结果,发现前者的识别率高于后者.