基于LSTM-GMM模型的大风多级预警方法

为保障大风场景下的高铁运行安全，针对风的强随机特性提出一种基于长短期记忆网络和高斯混合模型的多级预警（LSTM-GMM-MELW）方法。首先，通过长短期记忆网络和高斯混合模型（LSTM-GMM）建立风速误差值与风速预测值的联合概率密度，以此确定风速预测值的概率密度；然后，通过多级预警方法计算风速预测值落在高铁限速风速区间的概率值并结合实际情况设置不同阈值，当得到超出阈值的概率时输出阈值对应的预警等级；最后，采用预测区间的覆盖概率、平均宽度和覆盖宽度评价LSTM-GMM方法的概率性预测结果，而采用预警准确率评价多级预警方法的预警效果。依托平潭海峡公铁两用大桥29个风速样本进行实例分析，结果表明：95%置信度下的预测区间的覆盖概率为96%，平均宽度为1.51；第1、第2级别的预警准确率分别高于85%和93%，预警准确率达到100%的风速样本达14个，总体预警准确率高。该方法能有效避免风速在限速分界线附近波动时的误报。     

基于猎人猎物优化与双向长短时记忆组合模型的汽车出车率预测

汽车出车率预测对于交通管理者预先制定精准化管控方案、实施协调化统筹调度，以及调控汽车保有量规模具有重要意义。为此，本文提出一种基于猎人猎物优化算法与双向长短时记忆神经网络组合模型(HPO-BiLSTM)的汽车出车率预测方法。首先，分析汽车出车率的关键影响因素，提取出17个特征影响因子，结合标准化处理后的重构时间序列，基于随机森林算法进行变量的重要度评估，筛选出最优特征集合作为预测模型输入；其次，为解决神经网络算法容易陷入局部极值的难题，建立一种融合猎人猎物优化算法(HPO)与双向长短时记忆神经网络(BiLSTM)的组合预测模型，利用HPO的探索-开发机制，实现BiLSTM框架的动态化搭建与精细化调参；最后，结合北京市中心城区的汽车出车率数据集进行模型性能的测试与检验。结果表明：与自回归差分移动平均模型、灰色模型、卷积神经网络模型、长短时记忆神经网络模型以及双向长短时记忆神经网络模型等经典算法相比，HPO-BiLSTM模型在汽车出车率预测中的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)分别降低了23.85%～54.38%、20.67%～57.40%、27...     

基于LSTM动态波束赋形的高速列车越区切换算法

高速列车越区切换参数具有较强的时空相关性，以及无线信号在不同线路地形下具有衰落差异性，这都对高性能的越区切换提出了新的挑战，针对这一问题，设计一种基于长短期记忆网络动态波束赋形的高速列车越区切换算法。提出基于LTE-R中继通信模型的高铁典型运行场景中波束无遮挡传输的基站天线高度设置规律，通过估计发射波束主瓣方向并利用参考信号接收功率序列的时间相关特性，提出eNB重叠区内天线波束增益需求预测模型；同时采用增加波束预留角策略实现联合约束条件下的高速列车越区切换。结合高速铁路典型运行场景(路堑、高架桥)的路径损耗预测模型仿真评估了算法性能。结果表明，所提算法以略微牺牲越区切换时延为代价提高了越区切换成功率，能够有效避免高速列车越区切换引起的通信中断问题。     

基于长短期记忆网络的桥梁非定常气动力预测

气动力是影响桥梁结构稳定性和安全性的关键因素之一，其演化规律受其自身非定常特性和计算机精度的影响，很难实现长时间预测。准确预测桥梁结构的气动力特性对结构设计和振动控制具有重要意义。风洞试验和数值模拟是目前气动力研究中应用最广泛的方法，但风洞试验成本高，且难以模拟复杂风场条件，数值模拟对计算资源又具有强依赖性。因此，为了实现计算量和计算精度的平衡，利用长短期记忆(Long Short-term Memory, LSTM)网络开发了一种不同风攻角桥梁非定常气动力时序预测模型。该模型以不同风攻角下0～n时刻的气动力系数为输入，以n+1时刻的气动力系数为输出。首先，基于开源Tensorflow库构建LSTM网络框架；其次，基于3°、4°和5°三个风攻角的桥梁主梁非定常气动力数值模拟结果构建训练集和测试集，并进行模型训练；最后，利用训练好的模型基于风攻角分布进行内插和外推预测。在内插预测时，基于风攻角为3°和5°时的气动力系数构建数据集对模型进行内插训练，对风攻角为4°时的气动力系数进行预测。在外推预测时，基于风攻角为3°和4°时的气动力系数构建数据集对模型进行外推训练，对风攻角为5°时的气动力...     

基于特征相关度分析的路面凝冰短时预测方法

针对高速公路易结冰路段的路面凝冰预测问题，提出了一种基于特征相关度分析的路面凝冰短时预测方法。该方法利用路侧设备的测量数据，包括结冰厚度、相对湿度、风向与风速等，通过ADF(Augment Dickey-Fuller)检验方法分析数据集的平稳性，进而设计出基于长短期记忆网络(Long Short-term Memory, LSTM)的路面凝冰短时预测算法。根据Spearman相关度系数法分析计算上述多种凝冰监测数据的相关度与置信度，并形成基于Spearman特征相关度的数据筛选模型，优化LSTM神经网络中的输入数据集。在此基础上，搭建面向凝冰预测误差的LSTM神经网络模型，并利用筛选后的凝冰数据集训练优化预测算法中的模型参数，提高目标路段路面凝冰预测的效率与精度。最后，通过数值仿真分析比较不同特征相关度下路面凝冰短时预测算法的均方根误差，确定最优预测模型，并于西延高速KM200+918路段进行实地测试。研究结果表明：路侧设备的测量数据中相关度较低的数据对路面凝冰预测算法存在反向作用，并非将所有数据进行组合即可得到最优结果，需对测量数据进行有效筛选，进而优化LSTM神经网络，提高凝冰预测...     

异构智能网联汽车编队延迟补偿控制研究

智能网联汽车多车编队行驶可有效缩短跟车间距和提升交通系统通行效率，但多车编队控制须解决异构编队控制器的普适性问题，且能够在执行器响应延迟和通讯延迟情况下保证车辆编队的弦稳定性。本文提出一种面向异构智能网联汽车编队的延迟补偿控制方法，在无须获取他车系统动力学参数及控制输入前提下，利用他车加速度信息即可实现车辆编队纵向跟踪控制；此外，提出一种基于Smith预测器的延迟补偿控制架构，分别消除和降低了执行器响应延迟和通讯延迟对车辆编队弦稳定性的影响。典型工况仿真结果表明，相较常见车辆编队控制方法，本文提出的异构车辆编队延迟补偿控制器的跟车误差降低了80.7%，有效减小了最小车头时距和跟车间距。     

基于长短期记忆神经网络与注意力机制的智能汽车分车型跟驰模型

考虑到跟驰车流中前车车型对智能汽车跟车行为的影响，采用长短期记忆 （Long Short Term Memory，LSTM）神经网络，基于 NGSIM 数据集，通过 One-Hot方法编码车型特征，并引入注意力机制 （Attention Mechanism） 生成输入特征的注意力权重，训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 （Identifiable Vehicle Type Car-Following Model，IVT-CF）。在不同前车车型的跟车场景中仿真发现，IVT-CF 模型仿真车辆的速度和位移的均方误差 （Mean Square Error，MSE） 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%，比 IDM 模型分别降低了 15.8%、18.7%，仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现，交通流速度和车头间距的收敛时间为 92 s，该模型能较快收敛，具有较好的稳定性和抗干扰能力。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

基于TL-Conv LSTM-AM组合模型的薄平板抖振响应预测

针对大跨度桥梁等工程结构在紊流场作用下的抖振响应预测问题，以薄平板为例，将数值模拟的薄平板抖振响应时程结果作为训练与测试数据，选用风场时程数据作为输入，并将薄平板的横向位移、竖向位移以及扭转角响应时程数据作为输出，分别采用带外部输入的非线性自回归(NARX)、长短期记忆(LSTM)、卷积长短期记忆(Conv LSTM)、注意力机制长短期记忆(LSTM-AM)神经网络模型预测薄平板的抖振响应。进一步地，将迁移学习(TL)方法与上述神经网络模型相结合，提出基于Davenport准定常抖振理论获取大量源任务数据的方法。通过筛选出的可用源任务数据，训练上述神经网络模型并经共享权重、微调参数后完成对薄平板目标任务数据的预测，并最终构建了TL-Conv LSTM-AM组合模型来预测薄平板抖振响应的思路。研究结果表明：在薄平板抖振响应预测中，LSTM模型的预测精度要高于NARX模型；引入卷积计算和注意力机制均有利于时序数据的预测，因此Conv LSTM和LSTM-AM模型的抖振响应预测精度相比单一的LSTM模型的预测精度要高；当上述神经网络模型结合迁移学习方法后能有效提升抖振响应的预测精度，但在局部...     

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。