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。     

基于潜在特征的时空图卷积网络轨迹预测方法

为提高车辆轨迹预测精度,提出一种基于潜在特征的时空图卷积网络轨迹预测方法 CR-STGCN。首先,该方法特别添加了一个时间上更早、更长的历史轨迹作为输入,并基于该输入建立了潜在特征编码层。然后,CR-STGCN将该潜在特征编码层编码的潜在特征与时空图卷积编码的机动性与动力性特征拼接融合,并采用两层门控循环单元（Gate Recurrent Unit, GRU）解码出预测轨迹。最后,将采用时空图卷积编码和两层GRU解码的预测轨迹模型STGCN与CR-STGCN在NGSIM数据集上进行对比。结果表明,CR-STGCN在不同机动类型、交通密度场景下的预测精度均优于STGCN,证明了这一方法应用于车辆轨迹预测的有效性,为轨迹预测特征选取提供了新思路。     

基于图卷积网络的路网短时交通流预测研究

智能交通系统是缓解交通拥堵行之有效的手段,精准的交通流预测是其实现的关键所在. 本文考虑路网拓扑结构和交通流时空相关性,提出基于图卷积网络(Graph Convolution Network,GCN)的大规模城市路网短时交通流预测模型,具有较高的预测精度、预测效率和现实解释意义;采用真实大规模城市路网浮动车数据对GCN模型进行测试,结果表明,GCN模型相对于现有模型,在预测性能上有较大提升.     

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。     

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...     

图神经网络在交通预测中的应用综述

为寻求提升交通预测时空计算任务性能的有效途径,探索图神经网络技术在交通预测中的应用前景和挑战,回顾了交通预测方法的发展,总结了模型驱动方法、统计模型、传统机器学习方法和深度学习方法的优势和局限性;阐述了图网络和交通网络的适配性,归纳了图的构造方法;将应用于交通预测的数据进行了分类,分析了不同交通预测任务的共性与差异;归纳了常用于交通预测任务的图神经网络模型,包括卷积图神经网络、图注意网络、图自编码器和图时空网络,分析了图神经网络模型应用于交通预测时主要考虑的因素和时空模块;对比了多种交通速度预测方法的性能,分析了图神经网络框架中不同组件对其预测性能的影响;从数据多源性、应用多样性、多模式、动态性、模型可解释性、不确定性和小样本学习等多个角度探讨了基于图神经网络的交通预测面临的挑战和机遇,并针对图神经网络发展趋势提出了相关建议。研究结果表明：与只考虑时间相关性的基准模型相比,基于图神经网络的预测方法性能显著提升;多模式时间相关性、时空注意力机制、边特征、外部数据均会显著影响预测性能;图神经网络为建模交通网络复杂动态的时空相关性提供了有力手段,目前针对交通状态预测问题开发了多样化的模型;未来研究可重点从设计高效的动态时空模块集成架构、设计有效整合外部数据的模块、拓展多样化的应用任务、实现多模式交通同步预测、开发高效可靠和易于解释的模型等方面进行突破,实现预测准确性和效率均衡提升,以期发展更高阶段的智慧交通。     

基于车联网技术的车路协同系统设计

在全面分析系统功能的基础上,基于车联网技术提出了一种具有感知功能的车路协同系统的设计方案,对系统的物理框架和逻辑框架进行了设计,重点研究了各子系统的组成与功用,分析了系统的智能感知、车路协同通信和智能信息处理等关键技术.研究表明:该系统可以实时、准确地感知和采集车辆、道路环境以及全路网的交通运行状况等信息,有效实现车与...     

车路协同环境下混合交通群体智能仿真与测试研究综述

归纳了车路协同及其仿真测试技术的发展历程,并结合典型仿真结果探讨了萌芽期、起步期、发展期阶段下的仿真需求、经典方法与技术瓶颈;在此基础上,提出了基于交通主体建模、群体行为仿真、测试结果分析的3层新型虚实交互仿真测试架构;针对混合交通主体仿真需求构建了异构交通主体模型,解析了混合交通运行机理,以此作为仿真系统底层模型支撑;结合设计的虚实交互仿真测试架构,突破了混合交通群体智能场景生成技术,提出了混合交通群体智能仿真方法;在此基础上,选取交叉口和路段典型交通场景,开展了不同群体智能决策控制方法的仿真试验,以验证所提方法的效能;最后,总结了车路协同的未来发展方向和相关建议。研究结果表明：相比于传统仿真测试方法,提出的虚实交互仿真测试方法的系统仿真粒度从500 ms减小到100 ms以内,仿真规模从9个节点和500个交通主体提升到150个节点和2 000个交通主体,仿真场景数量由36个扩展到98个,实现了异构交通主体渗透率0~100%动态可调,有效提高了车路协同混合交通仿真测试的效率、规模和覆盖度;目前新型混合交通环境下车路协同仿真测试需求快速朝着群体化、智能化、规模化演变,开展基于虚实交互和运行环境数据模拟的车路协同群体智能仿真测试方法技术研究,将有力推动下一代智能交通系统的发展。     

基于随机重复爬山法的交通状态预测

合理构造影响交通状态网络结构,是实现交通状态预测的前提条件.为克服爬 山法易陷入局部最优的缺陷,提出一种基于随机重复爬山法的交通状态预测方法.对随机 生成的有向无环图迭代运行爬山法得到多网络结构;通过有向边置信度的定义和置信度 阈值的计算,确定了最优贝叶斯网络结构中节点和有向边选取准则;利用最优贝叶斯网 络结构,实现了畅通、平稳、拥挤和阻塞等4 种交通状态的预测并综合评价.分析结果表 明,该方法仅选取时段、节假日等两变量时,对交通状态预测总体准确率超过85%,能够 为高速公路运行状态监测预警和决策分析提供有效方法和数据支撑.     

面向群体行驶场景的时空信息融合车辆轨迹预测…

将车辆间时空交互信息融入卷积社会池化网络中,提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型;使用长短时记忆(LSTM)网络预测群体车辆速度,基于此预测值计算群体车辆间的速度差;构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征,设计卷积社会池化网络提取群体车辆间的空间依赖关系,使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹,将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果;使用真实轨迹数据集对所构建模型进行了参数标定和性能验证,测试了不同轨迹编解码与速度预测方法对模型性能的影响,确定了最优模型结构。计算结果表明：相较于历史速度,使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%;相较于门控循环神经网络,使用LSTM进行速度预测可将RMSE降低4.91%;相较于原始卷积社会池化网络,所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%,明显优于其他卷积社会池化网络变体;所提出模型与原始卷积社会池化网络计算耗时差距约3 ms,能够满足实时应用要求。     

基于异构图学习的交通场景运动目标感知

为了提高无人车在交通场景中的运行效率和运输安全,研究了基于异构图学习的交通场景运动目标感知; 考虑实际交通场景中运动目标之间的复杂交互关系对目标运动的影响,基于异构图学习提出了交通场景中多目标检测-跟踪-预测一体化感知框架; 结合YOLOv5和DeepSORT检测并跟踪运动目标,获得目标的运动轨迹; 使用长短期记忆(LSTM)网络从目标历史轨迹中学习目标的运动信息,使用异构图学习目标间的交互信息,以提高运动目标轨迹预测准确度; 使用LSTM网络对目标运动信息与交互信息解码得到目标未来轨迹; 为了验证方法的有效性,在公共交通数据集Argoverse、Apollo和NuScenes上进行了评估。分析结果表明：结合YOLOv5和DeepSORT可实现对运动目标的检测跟踪,对交通场景中的运动目标实现了75.4%的正确检测率和61.4%的连续跟踪率; 异构图能够有效捕捉运动目标之间复杂的交互关系,并且捕捉的交互关系能够提高轨迹预测精度,加入异构图捕捉交互关系后,运动目标的平均位移预测误差降低了63.0%。可见,考虑交通场景中运动目标之间的交互关系是有效的,引入异构图学习运动目标之间的交互关系可以感知运动目标的历史与未来运动信息,从而帮助无人车更好地理解复杂交通场景。     

城市路网交通状态的小波分析检测方法

选取交叉口进口饱和度和路段平均行程速度作为路网状态检测的基本参数, 采用小波包变换的时频高分辨率特性, 以能量分析方法识别进口饱和度和路段平均行程速度的突变与异常状况, 并定义了交通状态系数来定量描述交通状态变化, 设计了基于小波分析的交通状态检测算法, 并采用贝叶斯算法对交通状态进行预测。仿真分析结果表明: 小波包变换可有效识别节点能量分布的突变区间, 据此可准确判别交通状态发生变化的时段; 当采样数据的模极大值点为200~243时, 此段节点能量变化比较剧烈, 信号在此出现突变, 由较平稳向非平稳状态变化, 对应的路段交通状态系数大于0.300h.km^-1, 为拥挤状态。该方法原理简单, 检测响应时间短, 检测结果可靠。     

基于广义费用的多用户公路网平衡配流模型

为了准确进行公路网交通需求预测, 分析了影响出行方式选择和路径选择的广义费用的影响因素, 给出了广义费用的组成部分和函数形式, 探讨了多类型车辆换算模型的形式和参数标定方法。借鉴城市混合交通流量分配的研究成果, 运用变分不等式的理论和方法, 建立了基于广义费用的多用户公路网平衡配流模型, 借助交通规划软件Emme设计了模型的求解算法, 并利用温州市相关数据进行模型中的部分参数标定和实证研究。分析结果表明: 该模型进行交通分配的结果明显优于分步加载方法, 在路段饱和度较高时比客货分步加载的方法更加可靠。