基于CNN-BiLSTM-AM模型的交通流量预测

交通流量的准确预测可以为交通管理部门及个人提供更加可靠的宏观道路状况信息,为城市建设、道路规划、交通管制等问题的研究提供重要的参考。针对现有模型存在的预测准确度不理想、对特征感知能力不强等问题,结合卷积神经网络(CNN)的特征提取能力,双向长短记忆网络(BiLSTM)对于时序数据的连续性、周期性的挖掘能力以及注意力机制(Attention Mechanism,AM)对于关键信息的捕获能力,提出了一种融合多特征的CNN-BiLSTM-AM组合模型,旨在提升模型在交通流量预测准确度上的表现。采用美国明尼苏达州I-94号公路每小时西行交通流量数据进行预测实验,实验结果表明CNN-BiLSTM-AM模型具备准确预测交通流量的能力,与其他基准网络模型相比,各项误差指标均有明显下降,其中MSE降至0.00264,RMSE降至0.05135,MAE降至0.02372,判定系数R 2达到0.97001,模型预测结果与真实值拟合度较高。整体模型具有准确度高、稳定性好等优势。

自动驾驶数据采集与管理系统设计与实现

自动驾驶技术的测试实验和算法开发需要大量数据集支撑,为获取自动驾驶汽车实际运行过程中的车辆状态与环境数据,设计实现了一种自动驾驶数据采集与管理系统。系统通过高精度传感器采集车辆实时状态数据和环境数据,采用多传感器模块化设计,可以按需求灵活配置传感器,由数据处理模块接收并处理传感器数据,以HTTP接口和FTP协议作为数据传输方式,使用NodeJS高性能云端服务器接收数据,TDengine时序数据库存储数据。系统通过5G模块保证数据稳定、高速传输,通过数据采集监控平台可实时查看当前车辆状态和传感器连接运行状态,通过数据管理平台可以下载过往采集数据。实际测试结果表明,系统在高频率请求数据接收接口的情况下,接口请求成功率为100%,接口响应时间在8 ms左右,整个系统能够稳定运行且数据接收响应延时低,能够满足实时采集和存储管理自动驾驶数据的需求。