考虑出行阻抗的城市群综合客运网络可达性

为阐明城市群综合客运交通网络的多层空间结构并丰富网络的功能属性,以耦合这一全新视角提出考虑城市交通换乘的城市群综合客运网络模型,并从出行费用与出行时间出发分析节点与网络的可达性。首先,基于复杂网络理论Space-P建模方法,将城市群中的客运站点抽象为网络中的节点并进行编号,以票价与出行时间标定边权,分别构建公路客运子网、铁路客运子网。其次,划设城市群中的各城市中心城区为独立的交通小区,将有城市公共交通、步行等换乘方式连接的节点间添加耦合边,构建耦合子网。再次,将两类客运子网通过耦合子网组合叠加为综合网络,改进传统网络效率指标,构建加权的阻抗效率指标评估节点与网络的阻抗可达性。最后,以成渝城市群为实例研究,构建成渝城市群综合客运网络并分析公路、铁路、综合网络的阻抗可达性。结果表明:多个节点的耦合使得这些节点的阻抗可达性较好,因此在研究城市群综合客运交通网络时,城市交通换乘是不可忽略的因素;综合网络的阻抗可达性相较于公路子网、铁路子网分别提升了83.4%,28.5%,公路与铁路客运子网的耦合提高了城市群客运交通网络的阻抗可达性;推进站点间、多种运输方式间的耦合协调,继而构建更加便捷顺畅的城市群综合客运交通网络,是降低旅客的出行成本的重要途径。

在ITS中Dijkstra算法优化分析

网络搜索是一个经典的问题,在ITS(Intelligent Transportation System)中具有重要的意义。在ITS中,常常希望能在巨大的电子地图中搜寻一条最短路径。Dijkstra算法是一种经典的路径算法,但是这种算法的效率不高,不足以满足在真实交通网络图中搜索的实时响应的要求。于是,针对这种情况提出各种优化算法,提高经典Dijkstra算法的效率。介绍了几种通过缩小搜索范围来提高搜索效率的算法,并通过在虚拟交通网络中做了大量的实验来分析这几种算法。

ITS系统中GPRS智能移动终端的设计

智能交通系统(ITS)被国际社会广泛认为是21世纪影响全世界人民生活和经济发展的重要产业之一。文中首先介绍了ITS的发展和现状,然后重点阐述了基于GPRS传输网络的智能移动终端,并且提出了一种相应的硬件设计和软件实现方法。试验表明,该终端能够成功地完成汽车的定位与监控等功能。

ITS通信网络的一种改进方案

文章基于 ＷＤＭ技术对 ＩＴＳ通信网络进行改进，分析表明，这种新型的 ＩＴＳ通信网络方案不仅可以克服传统的ＩＴＳ通信网络的局限性，具有较好的可扩展性，易于控制管理，而且还能在保护已有的系统模拟视频传输投资的同时，兼顾未来ＩＴＳ中数字视频传输的发展要求。

Bayesian网知识推理在ITS学习推荐中的应用研究

提出了一种基于Bayesian网的知识推理网络和知识推理算法,该算法利用Bayesian知识推理网和Bayesian概率公式,从现有学习资源库和教学方法库中推荐出最符合学生特征的k种学习资源和k种教学方法,从而实现ITS的智能学习推荐功能。

基于ITS的汽车安全行驶状况在线监测系统的研究

提出基于ITS (智能交通系统 )的车辆安全行驶状况在线监测系统框架 ,对车辆行驶中的异常现象进行实时监测。提出从实测的汽车操纵稳定性和制动性能参数出发 ,对悬架、转向、制动、车轮等安全总成及其部件进行状态监测的观点。综合运用遗传算法、小波变换和神经网络等技术 ,在汽车运行中对其进行安全监测。最后借助汽车动态模拟国家重点实验室的ADSL模拟器 ,对研究的核心部分进行试验验证 。

基于宏观基本图的交通控制有效性与路网稳定性研究

区域城市路网在不同控制方法下呈现的网络交通流输出水平与维持能力不尽相同,要评价控制效果的优劣,需要分析区域控制方式下路网交通流与路网耦合时所体现出来的特征值。作为一种路网的基本属性,选择宏观基本图作为研究区域交通控制有效性与路网稳定性的评价载体,解析了相对于路段、交叉口等单点评价具有的优势。基于MFD的区域交通控制评价不受路网交通需求变化的影响。研究建立了路网最大加权流量、最佳累计车辆数、路网负载能力、交通流分布均衡度以及时序均衡度5评价指标,以对区域交通信号控制方法的有效性与路网运行的稳定性进行评价,解读路网高峰时段的交通流维持能力。以成都青羊区太升南路附近37个信号交叉口为路网,利用VISSIM二次开发技术,获得了该路网在定时控制、感应控制、自适应控制以及自适应协调控制下的路网宏观基本图形态。通过对比各控制方法的宏观基本图形态特征与评价指标,从多个维度比较了各控制方法的特征与适用性,分析了相应的控制有效性,解读了其从平峰至过饱和各阶段的交通流维持能力,进而可以了解特定控制方法下路网的运行效率。同时,根据相应控制方法的稳定性表现,指出了各自的局限性,有助于在实际应用中根据区域路网面临的环境,分析应采取的交通控制策略。

基于免疫机制的网联车队双层信息传播模型研究

恶意信息感染网联车队后,会对跟驰行为产生影响,降低道路利用率或危害车队安全,需要研究恶意信息的感染过程并提出解决策略。基于独立级联模型提出了恶意信息与免疫信息的双向传播模式,根据通信传输差异建立了双层信息传播模型,参考补丁治愈网络病毒的免疫机制提出了观察者车辆治愈车队的方法。以信息功能为分类依据将传播信息分为目标信息、恶意信息和免疫信息,以传播模式差异为依据将传播信息置于相应模型层面。在搭建的仿真平台中,模拟网联车队的跟驰控制场景,通过注入恶意信息以验证所提出双层信息传播模型的可行性,提出愈速比概念作为试验变量,并讨论观察者车辆在网联车队中的最佳设置参数。结果表明:双层信息传播模型能够合理阐释网联车队恶意/免疫信息的传播机理,目标信息定向传输给所需车辆,恶意信息与免疫信息在通信交互层双向传播,实现相应的感染或治愈功能;当免疫信息的治愈时间固定时,观察者车辆的最佳位置是车队中段,可实现车队平均车间距偏差最小;当观察者车辆在车队中段位置时,愈速比存在设置最优值,可同时兼顾治愈成本与治愈效果;提出的观察者车辆策略能够有效抵御恶意信息传播带来的危害。

基于线性低秩卷积与道路网络的城市流量推断

细粒度城市流量推断(FUFI)旨在从粗粒度交通流量中推断出真实的细粒度交通流量,以代替在现实世界中大量传感器设备的作用。现有的FUFI方法仅考虑到时间、天气等外部因素特征,忽略了道路网络特征对城市交通流的重要影响。此外,现有方法使用的传统残差网络结构对交通流的低级特征捕获能力不足,低级特征容易在网络深层消亡。为解决以上问题,提出一种使用线性低秩卷积与全局注意力Transformer的细粒度城市流量推断模型LLCGAT,以更好地捕获交通流的低级特征并融合道路网络特征的学习。该模型在考虑外部因素的基础上,首先将城市的道路网络作为重要的特征与交通流特征融合,并使用广泛激活的线性低秩卷积对综合特征进行特征提取,然后将综合特征与道路网络特征分别接入注意力Transformer的编码器和解码器中以进一步捕获交通流的全局空间分布。在TaxiB J-P1和Xi An两个真实世界数据集上的实验结果表明,LLCGAT模型将平均绝对百分比误差分别降低了3.3%和10.7%,均方根误差分别降低了2.3%和2.4%,平均绝对误差分别降低了3.8%和6.3%。

网络管理系统在ITS中的作用

通过介绍网络管理系统的定义、功能和采用的协议 ,阐述了在ITS业中 ,网络管理系统的监督管理作用。它不仅降低了系统维护费用 ,且在故障侦察、处理 ,远程控制和配置 。

ITU-R卫星移动通信标准——整合移动业务的动力

认为国际电信联盟无线电通信部门(ITU-R)关于卫星移动通信的标准化新进展将在全球移动通信设备和系统无缝连接的实现过程中起到重要作用,卫星和地面的集成/混合的天地一体化系统将充分发挥原系统各自的优势,未来多数的卫星移动业务(MSS)都将基于这种天地一体化系统。指出IMT-Advanced系统的卫星部分和ITU-R标准化无线接口是集成MSS系统的关键技术,将成为激活MSS产业的新的驱动力。

ITS中线路规划综合算法

针对ITS的发展现状,主要研究了ITS空间分析中的网络模型以及可用网络分析和决策分析的各类数学算法和方法,并在此基础上设计实现了道路网络最优路径分析算法.该分析功能的设计实现力求与实际相吻合,充分考虑了ITS地理数据的特点,网络分析的建模解算,实际问题的动态性,为ITS的进一步应用开发打下基础.

基于SSA-CNN-BiLSTM组合模型的短时交通流量预测

为改善城市道路交通拥堵状况,并为智能交通系统决策提供辅助手段,针对短时交通流的非线性和时序性特点,构建了一种基于麻雀搜索算法(SSA)优化的卷积神经网络(CNN)联合双向长短时记忆神经网络(BiLSTM)的组合模型以预测短时交通流量。首先,对原始交通流数据进行异常值清洗、小波阈值去噪和归一化处理。然后,利用SSA算法对CNN与BiLSTM组合网络中的隐藏层单元数、初始学习率和L2正则化系数三个超参数迭代寻优。最后,将搜索得到的最优超参数组合输入搭建好的组合网络中进行训练和预测。实验结果显示:与粒子群优化(PSO)和灰狼优化(GWO)算法相比,SSA算法在网络超参数寻优过程中的收敛速度更快,全局寻优能力更强;与3种对比模型(CNNBiLSTM、BiLSTM和LSTM)相比,在5 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的均方根误差(RMSE)分别降低了5.46、12.78、20.38,平均绝对百分比误差(MAPE)分别降低了0.49%、2.24%、3.11%;在15 min时间尺度划分下,SSA-CNN-BiLSTM组合模型的RMSE分别降低了9.70、28.42、41.18,MAPE分别降低了0.50%、1.98%、2.59%。研究表明,相比既有算法,该短时交通流量预测组合模型在精度和稳定性上都有所提升,可通过提供更精准的短时交通出行信息来改善道路交通状况。

智能运输系统(ITS)中视频网络技术

文章介绍了交通监控系统中利用光纤传输视频信号的两种方式 :点对点调制方式和多路复用方式 。

Heterogeneous Vehicular Networks for Social Networks： Requirements and Challenges

Heterogeneous vehicular networks （HetVNETs） are regarded as a promising technique for meeting various requirements of intelli- gent transportation system （ITS） services. With the rapid development of mobile Internet in the past decade, social networks （SNs） have become an indispensable part of human life. Based on this indivisible relationship between vehicles and users, social charac- teristics and human behaviors can significantly affect vehicular network performance. Hence, we firstly present two architectures for SNs by introducing social characteristics into the HetVNETs. Then, several user cases are also given in this paper, in which service requirements are analyzed simultaneously. At last, we briefly discuss potential challenges raised by the HetVNETs for SNs.

基于生成对抗和图卷积网络的含缺失值交通流预测模型

为提升含缺失值城市道路网络交通流预测的准确性,对生成对抗网络的生成器和判别器进行重构,改进了损失函数,提出了交通流缺失数据补全的交通生成对抗插补网络。基于经验模态分解、图卷积网络和门控循环单元设计了EMD-GCN-GRU城市道路网络交通流预测模型。首先,对交通流数据进行经验模态分解,重构了各同级分量为后续预测模型的输入。然后,利用图卷积网络学习路网拓扑结构,捕获了交通流空间特征,再利用门控循环单元捕获交通流时间特征。最后,利用TGAIN补全含缺失值的路网交通流数据后,再利用EMD-GCN-GRU模型进行交通流预测。采用深圳市罗湖区平均车速数据集,构造了多种具有不同缺失模式和不同缺失比率的交通流数据用于模拟实际缺失情形,在ModelArts开发平台进行方法的有效性验证。结果表明:相较于常用的矩阵分解插补方法,TGAIN模型在数据集随机缺失模式下补全准确性较高,在非随机缺失率低于50%时补全性能较好;与其他预测算法相比,EMD-GCN-GRU交通流预测模型具有更高的预测精度;将数据补全方法TGAIN和交通流预测方法EMD-GCN-GRU相结合进行含缺失值城市道路网络交通流预测,显著降低了数据缺失和数据噪声对交通流预测的负面影响,捕获了路网交通流的时空相关性,进而提升了城市道路网络交通流预测的精度。

水声网络按序递归与限制反馈的在线喷泉码算法与分析

水声网络具有低带宽、长时延、高误码率等特征,这使得数据的可靠传输面临着巨大挑战.在线喷泉码具有低开销、在线反馈和通过给定瞬时解码状态获得最优编码策略等优点,因此,针对水声网络的特点,分析在线喷泉码的编解码和反馈问题,提出了按序递归与限制反馈的在线喷泉码(Sequential Recursive Online Fountain Code with Limited Feedback,SROFC-LF).基于随机图理论对SROFC-LF需要的编码包数量进行理论分析,理论分析和实验仿真一致.实验表明:无论开销和反馈包数量,SROFC-LF比大部分在线喷泉码均表现出更好性能,适合水声网络.

基于多维流量特征的短时交通流量预测模型

大多数基于神经网络的短时交通流量预测模型存在以下2个方面的问题:一是提取时间特征和空间特征导致模型结构复杂、运算速度慢,二是模型中不断增加的交通态势特征难以采集。针对上述问题,提出了一种以历史交通流量构建多维流量特征的滑动窗口图注意力网络(SW-GAT)模型。首先,提出了引入历史流量及多组流量的滑动窗口数据,通过模型训练以获取潜在时间特征的假设。其次,引入图注意力机制,获取了路网节点之间的空间特征。最后,引入节点邻接距离矩阵构建了双层SW-GAT模型,以此提高输出的准确性和鲁棒性。将长短时记忆网络(LSTM)、图卷积网络(GCN)、图注意力网络(GAT)及多维流量特征GCN模型作为对照组进行了模型评价,间隔时间取值为15 min。试验结果表明:最优的滑动窗口K取值为3和4;相比于对照组的4种模型,双层SW-GAN模型的预测精度分别平均提高了约2.5%,5.82%,3.36%,8.2%;平均绝对误差MAE分别下降了约19.83,17.82,15.23,16.19;均方根误差RMSE分别下降约21.27,20.33,19.25,20.62;在交通流量变化频繁的时间段(7:30—18:30),SW-GAT模型曲线的拟合效果优于对照组的4个模型,对突变的交通流量有着更好的预测精度。SW-GAT模型能在保证预测准确率的情况下,降低对数据特征的要求和模型的复杂度,为解决深度学习特征数据搜集困难的问题提供了一种新思路。

基于RAdam优化的DLSTM-AE交通流预测模型

交通流预测在智能交通系统中起着关键的作用。然而,由于交通数据有着复杂的时间依赖性和本身的不确定性,导致预测交通流变得具有挑战性。为了进一步充分提取交通流时空性、周期性等特征,采用了一种自编码器(AE)与深度长短时记忆网络(DLSTM)相结合的组合模型(DLSTM-AE),并引入改进的适应矩估计算法(RAdam)进行模型训练。首先利用深度长短时记忆网络模型对交通流序列信息特征进行采集,并借助自动编码器结构将采集的信息压缩为一个固定维度的表示向量。然后通过解码器对该向量进行重构,实现信息的进一步挖掘。最后在模型的训练过程中,利用RAdam算法进行优化,分批次更新动量参数,缩短寻找最优解的时间,提高模型预测的时效性和精度。在高速公路交通流真实数据集上进行了仿真并与其他模型方法进行了对比。结果表明:DLSTM-AE组合模型不仅在预测结果上具有明显的优势,而且在交通流周期性方面拥有较好的曲线拟合能力,其中测试集的均方根误差值下降了约0.445~1.826,平均绝对误差值下降了约0.282~0.984,相关系数值R^(2)提高了约0.005~0.023;在周期性上,相邻周对应工作日的预测精度远高于对照组。该模型可以捕捉交通流序列中更潜在的时空性和周期性信息,可以更好地满足高速公路交通流预测的需要。

混合交通流下的高速公路作业区最佳预警距离

为缓解高速公路作业区因车道数量变少或路障设置而引起的交通运行效率急剧下降问题,降低车辆在高速公路作业区因频繁换道或加减速而带来的交通事故发生风险,以江苏省五峰山北向南四车道过江通道为研究环境,针对高速公路典型作业区开展了相关研究,构建了高速公路作业区效率、安全、油耗综合指标体系。基于Vissim仿真软件,考虑不同的流量、装配率和预警距离条件,构建了道路场景和预警模型。利用贝叶斯神经网络进行预测,研究了高速公路作业区不同条件下车辆的最佳预警距离。结果表明:该方法对高速公路作业区综合、安全、能耗指标的预测平均相对误差为0.4%,0.4%,0.2%;通过对综合效率、安全和能耗指标的最佳预警距离分析得出,更高的装配率下3项指标结果更优,最佳预警距离更短;在自由流下,最佳预警距离为300~800 m,且最佳预警距离随着流量的增大而增加;在饱和交通流下,最佳预警距离为800~1200 m,但此时流量的增加对预警距离的影响并不大;在流量过饱和后,最佳预警距离为1200~1800 m,且随着流量增大而继续增大。研究结果可以为高速公路作业区车辆的安全驾驶和交通管理部门发布道路预警提供一定参考,同时也提供了一种高速公路作业区车辆预警最佳距离的预测方法。