新汉车载工业计算机的移动网络检测忧化

每一个移动运营商的目标都是为客户提供最佳的通话质量。在中国,一个专业的移动运营商致力于为客户提供满意的整体解决方案而努力：标准和优化的性能和高品质的无线网络,服务和内容,最大化的满足客户需求。此项目公司采用了新汉的VTC车载工业计算机,动态地在所覆盖的各网点进行分析,优化,标准,故障排除,诊断和检查移动通信网络。     

城市地面地下一体化物流网络货运性能研究

为解决地面地下物流系统耦合运作下的货运性能评估问题,根据城市物流特征刻画一体化网络设施形态,提出地下货运载具设计依据与多式联运成本测算方法,基于案例,对一体化网络运输成本、总运力、流量配置和交通安全外部效益在不同地下运载速度、发车频率和设施容量参数下的动态表现进行模拟分析。结果表明： 1)路网与地下物流网络的立体协同有利于城市物流降本增效; 2)与运载速度相比,地下枢纽节点的处理能力和干线隧道的通行能力对一体化网络服务水平的影响更显著。     

基于双延迟深度确定性策略梯度的船舶自主避碰方法

为满足智能船舶自主航行的发展需求,解决基于强化学习的船舶避碰决策方法存在的学习效率低、泛化能力弱以及复杂会遇场景下鲁棒性差等问题,针对船舶避碰决策信息的高维性和动作的连续性等特点,考虑决策的合理性和实时性,研究了基于双延迟深度确定性策略梯度（TD3）的船舶自主避碰方法。根据船舶间相对运动信息与碰撞危险信息,从全局角度构建具有连续多时刻目标船信息的状态空间;依据船舶操纵性设计连续决策动作空间;综合考虑目标导向、航向保持、碰撞危险、《1972年国际海上避碰规则》（COLREGs）和良好船艺等因素,设计船舶运动的奖励函数;基于TD3算法,根据状态空间结构,结合长短期记忆（LSTM）网络和一维卷积网络,利用Actor-Critic结构设计船舶自主避碰网络模型,利用双价值网络学习、目标策略平滑以及策略网络延迟更新等方式稳定网络训练,利用跳帧以及批量大小和迭代更新次数动态增大等方式加速网络训练;为解决模型泛化能力弱的问题,提出基于TD3的船舶随机会遇场景训练流程,实现自主避碰模型应用的多场景迁移。运用训练得到的船舶自主避碰模型进行仿真验证,并与改进人工势场（APF）算法进行比较,结果表明:所提方法学习效率高,收敛快速平稳;训练得到的自主避碰模型在2船和多船会遇场景下均能使船舶在安全距离上驶过,并且在复杂会遇场景中比改进APF算法避碰成功率高,避让2~4艘目标船时成功率高达99.233%,5~7艘目标船时成功率97.600%,8~10艘目标船时成功率94.166%;所提方法能有效应对来船的不协调行动,避碰实时性高,决策安全合理,航向变化快速平稳、震荡少、避碰路径光滑,比改进APF方法性能更强。      

基于复杂网络的全球集装箱海运网络脆弱性分析

集装箱班轮运输具有定港挂靠的特点,单个港口的失效容易发生连锁反应,进而对整个海运网络产生影响.为研究全球集装箱海运网络的脆弱性,根据全球运力前10班轮公司的航线数据构建全球集装箱海运网络,运用复杂网络理论在分析海运网络拓扑结构特征的基础上,模拟了集装箱海运网络在港口随机故障和蓄意攻击两种模式下的海运网络平均度、集聚系数、最大连通子图以及平均距离等特征参数的变化情况.同时针对贝鲁特港爆炸事件,分析了该港口关闭对全球集装箱海运网络的影响.结果显示:集装箱海运网络在面对蓄意攻击时具有更大的脆弱性,贝鲁特港爆炸事件对海运网络的局部区域产生了较大影响.     

基于深度主动学习的MVB网络故障诊断方法

多功能车辆总线MVB （multiple vehicle bus）用于传输重要的列车运行控制指令和监视信息,准确地诊断MVB网络故障是列车智能运维的基础,为此,提出一种将主动学习和深度神经网络相结合的MVB网络故障诊断方法. 该方法采用堆叠去噪自编码器自动提取MVB信号物理波形特征,并将该特征用于训练深度神经网络来实现MVB网络故障模式分类;基于不确定性和可信度的高效主动学习方法,可解决实际应用中标记样本不足和人工标记成本高昂的问题,使用少量标记训练样本就能得到高性能的深度神经网络模型. 实验结果表明:为达到90%以上分类准确率,所提方法只需要600个标记训练样本,小于随机采样方法所需标记训练样本数的2 800个;在相同标记训练样本数下,所提方法在3种性能指标下均优于传统方法.      

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。     

考虑多维动态特征交互的高速公路实时事故风险建模

为探究天气和道路等特征,以及交通流、天气、道路及时间等多维动态特征之间的交互作用对实时事故风险预测模型精度的影响,本文基于京哈高速公路北京段的事故数据,以及匹配的交通传感器数据、天气数据和道路特征等,构建4个数据集,分别为只包含交通流变量,包含交通流变量、天气及时间特征变量,包含交通流变量、道路及时间特征变量,包含交通流变量、天气、道路及时间特征变量。从考虑多维动态特征的交互效应出发,基于深度交叉网络,提出一种新的实时事故风险预测模型。结果显示,本文所构建的深度交叉网络模型比其他几种实时事故风险预 测方法显示出更高的精度。模型的AUC值(Area Under Curve)可达0.8562,在0.2的概率阈值下, 可以正确分类84.26%的非事故数据和77.55%事故数据。结论表明,本文采用的多维动态特征交互样本条件下的深度交叉网络模型能够有效地预测高速公路交通事故,可为我国高速公路安全管理部门提供理论与技术支持。     

基于正态云模型和模糊层次分析法的列车通信网络性能评估方法

为保证高速列车安全、可靠运行,研究了列车通信网络性能评估方法;综合考虑列车通信网络的实时性、可靠性和服务质量,建立了合理的列车通信网络性能评价指标体系,采用模糊层次分析法确定列车通信网络性能评估指标的权重;考虑列车通信网络评估过程中具有不确定性,构建了基于正态云模型和模糊熵的二维评估模型;建立了基于交换式以太网的大容量和高可靠性列车通信网络仿真平台,获取各指标样本数据,运用二维评估模型计算各指标的隶属度,依据模糊理论最大隶属度法则确定列车通信网络性能等级。研究结果表明:在列车通信网络状态良好时,60%评估样本的网络性能等级为Ⅰ、Ⅱ级,在网络丢包率和误码率较大时,40%评估样本的评估等级为Ⅲ、Ⅳ级,表明二维评估模型能够有效地反映列车通信网络状态;与仅运用模糊综合评价法相比较,两者的评估结果基本一致,反映了二维评估模型的准确性;模糊综合评价法不能消除评估过程中不确定性因素的影响,从而导致评估结果缺乏精确度,因此,提出的方法更适合于列车通信网络性能评估。      

山区公路穿村镇路段过境车辆事故严重程度推理分析

为获取道路线形、驾驶员属性、车辆类型、事故形态等因素对山区公路穿村镇路段过境车辆事故严重程度的影响机制。本文基于元双公路(元谋—牟定)2012—2017年事故数据,利用社会网络分析法从人、车、路、环境等方面筛选出15个影响因素;基于机器学习方法构建贝叶斯网络模型;以事故严重程度为决策变量,分析不同证据变量与驾驶员行为共同作用的推理结果。结果表明：不安全驾驶行为与危险事故因素的共同作用,将会增加事故严重程度;当涉及货车时,由于未保持安全距离,伤人事故率增加8.2%;在弯坡组合路段,由于驾驶员判断失误,伤人事故率增加 19.6%;阴雨天行驶时,由于驾驶员判断失误,伤人事故率增加5.4%;由于操作不当,发生侧翻事故时,伤人事故概率增加3.1%。     

基于广义时空图卷积网络的交通群体运动态势预测

针对当前高速公路与城市快速路交通拥堵现象愈发严重,为交通管理与控制造成巨大困难的问题,提出了一种基于广义时空图卷积网络(GSTGCN)的交通速度预测模型;基于交通数据自身具有的复杂时空特性,定义了广义交通数据图结构,同时构建了广义图的邻接关系;基于图卷积网络基础理论,采用切比雪夫近似与一阶近似简化了图卷积操作的计算成本,建立了广义图卷积算子;结合广义图卷积模块、标准卷积模块与线性全连接层,提出了用于提取复杂交通数据时间、空间特征的GSTGCN模型;利用美国威斯康星州密尔沃基市快速路网上架设的38个检测器,在21个工作日以每5 min为单位记录了车辆速度、流量和占有率数据,测试了GSTGCN模型在该数据集上的短期交通速度预测精度与训练效率。分析结果表明:相较于传统自回归求和滑动平均(ARIMA)模型、长短时记忆(LSTM)模型以及近期的STGCN模型,GSTGCN模型在交通速度的均方根误差、平均绝对误差和平均绝对百分比误差指标上分别降低了22.79%、22.97%和16.73%;此外,GSTGCN模型的训练时长比STGCN模型和LSTM模型分别降低了5.17%和75.71%。可见,GSTGCN模型能够有效处理复杂交通时空数据结构,准确预测交通速度,并为交通管控提供交通群体的运动态势信息。