浅谈深度学习技术在交通态势预测中的应用

随着区域经济的增长, 公路通行需求呈爆炸式增长。 高速公路作为区域的主干道和大动脉, 路网通行能力和通行需求之间的矛盾越来越突出, 拥堵成为高速公路运营管理最大的痛点之一。 高速道路运营单位、 政府管理部门亟需一种实时性强、 可靠性高的路况分析技术为拥堵治理提供服务。 传统的分析技术 (如机器学习、 统计学方法等) 无法满足处理海量的多源异构数据的需求。 随着近十年来大数据技术和 GPU 计算能力的发展, 深度学习技术这门新信息技术日益成熟, 拥有强大的数据处理能力。 在交通态势预测领域, 借助深度学习技术处理海量的交通数据可以实现道路通畅度的高精准、 高可靠性预测, 再辅以主动管控和车路协同技术来提升高速路网的通畅性和安全性。 文章首先简要介绍深度学习技术的发展历史和交通态势预测领域的发展现状, 再浅析深度学习在智慧高速中的应用场景, 最后分析深度学习技术面临的隐患并进一步对深度学习进行展望。     

考虑超级街区的城市路网边界控制策略研究

为缓解城市中心区交通拥堵状况,提出基于超级街区的路网多子区边界控制策略. 将城市区域路网划分为中心区、郊区及超级街区3个子区,结合宏观基本图(MFD)建立各子区交通流动态平衡方程;以中心区车辆出行完成率最高为目标,以边界收费费率和出、入口数量为控制变量,建立考虑车辆通道选择行为的路网多子区边界控制优化模型;并以实际路网数据为算例验证模型有效性.结果表明：边界控制策略下的中心区服务能力比无边界控制提高 7%;利用超级街区实现路网边界控制能够有效改善区域交通密度分布均衡性,提升路网服务效率;通过改变超级街区出、入口数量,实现边界控制兼备有效性和实践性.     

基于分区加权Voronoi图的交通疏解组织方案

为减少城市轨道交通建设施工期间对城市道路交通的影响,保障施工点附近的城市居民出行通畅,创新研究了基于分区加权Voronoi图的交通疏解组织方案。首先,将道路分隔的地块重心作为点要素,分区域将地块相邻道路背景交通量中的饱和度作为权重,构建出行路径模型;其次,利用Arcgis软件将出行路径模型矢量生成加权Voronoi图,依据道路背景饱和度作为阻抗因素,筛选远端交通疏解绕行线路及设置有效交通指引标志方案;最后,以广州地铁11号线芳村站为例,利用分区加权Voronoi图构建了芳村地铁站点施工期间交通疏解组织方案,并利用Visum软件进行了方案交通影响分析,验证该方案的可操作性。     

基于CAD新技术的地籍数据管理研究与实现

目前地籍管理系统大多数是在AutoCAD的基础上自主开发的,其属性数据和地形数据多为独立的,表现出来就是操作不便、“图数”不一致、查询速度缓慢,以至错误百出使系统变得相当脆弱。就此状况,各地籍部门不可能抛弃现有的数据和系统,针对这个弊端,本文提出一种新方法解决此问题,各部门可在不改变现有的系统的基础之上,对现有数据进行处理,实现要素与属性的完全一体。     

高度图的邻点可区别的全染色界的一点注

A.C.Burris猜想:对于一个简单图G,它的邻点可区别的全色数aχt(G)≤Δ(G) 3其中Δ(G)表示G的最大度,本文证明了对Δ(G)=|V(G)|-1时,猜想为真.     

关于多部图Kn(t)的{K4-e,S3}-强制分解

设n,t为正整数,以K_n(t)表示基于顶点集X=■X_i上的完全n部图。文章证明了(Kn(t),｛K4-e,S3｝)—强制分解存在当且仅当n≥3且(n,t)≠(3,2)。     

关于图的符号路控制数

引入了图的符号路控制的概念, 给出了图G的符号路控制数γ‘p(G)的一个下界,证明了γ‘p(T)≥1对任何非平凡的树T成立,确定了完全图、圈、完全多部图和轮图的符号路控制数,并提出了若干未解决的问题和猜想.     

基于图的频繁闭项集挖掘算法

为了提高数据挖掘效率，提出了一种基于图的频繁闭项集挖掘算法GFCG(graph—based frequent closed itemset generation)．该算法采用位矢量技术构造有向图，表示项与项之间的频繁关系，并在有向图的基础上递归产生频繁闭项集，从而只需扫描数据库2次，不产生候选集；引入扩展频繁项集的概念，大大减小了检查频繁项集是否闭的搜索空间．用1个真实数据库和2个合成数据库对GFCG进行了测试，并与A-close和CLOSET算法的结果进行了比较，结果表明，该算法具有良好的速度和可伸缩性性能．     

Network Decomposition and Maximum Independent Set Part Ⅱ：Application Research

According to the researches on theoretic basis in part I of the paper，the spanning tree algorithms solving the maximum independent set both in even network and in odd network have been developed in this part，part Ⅱ of the paper．The algorithms trans form first the general network into the pair sets network，and then decompose the pair sets network into a series of pair subsets by use of the characteristic of maximum flow passing through the pair sets network．As for the even network，the algorithm requires only one time of trans formation and decomposition，the maximum independent set can be gained without any iteration processes，and the time complexity of the algorithm is within the bound of O(｜V｜^3)．However，as for the odd network，the algorithm consists of two stages．In the first stage，the general odd network is transformed and decomposed into the pseudo-negative envelope graphs and generalized reverse pseudo-negative envelope graphs alternately distributed at first；then the algorithm turns to the second stage，searching for the negative envelope graphs within the pseudo-negative envelope graphs only．Each time as a negative envelope graphhas been found．renew the pair sets network by iteration at once．and then tum back to the first stage．So both stages form a circulation process up to the optimum．Two available methods，the adjusting search and the picking-off search are specially developed to deal with the problems resulted from the odd network．Both of them link up with each other harmoniously and are embedded together in the algorithm．Analysis and study indicate that the time complexity of this algorithm is within the bound of O(｜V｜^5)．