基于本体和产生式规则的自主式交通系统演化研究

为探究自主式交通系统(Autonomous Transportation System,ATS)的演化机理,基于本体的知识建模与基于产生式规则的知识推理分析自主式交通系统要素的相互作用及演化特征。首先,收集交通领域文本数据,经预处理后形成语料库。构建狄利克雷分布(Latent Dirichlet Allocation,LDA)模型和BERT-BiLSTM-CRF模型用于从语料库中抽取自主式交通的概念和实例。其次,为构建自主式交通的知识模型,基于本体理论,定义概念间的语义关系并填充实例。再次,依据知识模型构建了交叉口的自动驾驶场景要素网络,并基于产生式规则的知识推理方法,设立了3条规则进行推理。最后,计算了推理前后要素网络指标,包括关系数量、平均度、平均路径长度和图密度。结果表明,该知识推理方法挖掘了463条隐含关系,平均度由1.418增至2.347,平均路径长度由1.940减小为1.745,图密度由0.003上升为0.005。借助知识推理方法,总结出自主式交通系统的演化机理,即网络形态从稀疏发展为稠密、网络效率逐步提升的过程。

基于Petri网的自主式交通系统映射关系评价

自主式交通系统多维架构映射关系用于评价系统功能、逻辑与物理架构之间数据传输与结构构成的复杂集成关系,传统的映射关系评价方法忽视了系统的开放复杂特点。为此引入状态等级划分和状态转移的概念,以广义随机Petri网作为建模工具,将映射关系模型评价问题转化为系统可靠运行时间问题,并以自动驾驶车辆通过交叉路口场景为例,构建多维架构映射关系,验证了提出的方法的有效性。

基于BERT-Bi-LSTM-CRF模型的自主式交通系统参与主体识别方法

自主式交通系统(ATS)的重要组成部分是参与主体,参与主体的信息通常依靠文本进行描述。为构建自主式交通知识图谱,需要从文本中准确地识别出大量参与主体。为此,研究了基于BERT-Bi-LSTM-CRF模型的实体识别方法,对自主式交通系统参与主体进行抽取。词嵌入模型BERT为预训练语言模型,用以捕获丰富的语义特征,将捕获的语义特征输入到双向长短时记忆神经网络(Bi-LSTM)模型中提取上下文双向序列信息,经条件随机场(CRF)处理得到最优序列预测结果。收集交通专业相关的原始语料,经过数据预处理与文本标注,形成了可用于自主式交通系统参与主体识别的语料库,基于此数据开展实体识别对比实验。结果证明:BERT模型显著提升了自主式交通系统参与主体识别任务的性能。相较于传统方法 CNN-LSTM或Bi-LSTM等,所提方法可以得到最佳综合识别效果,各实体的综合F1值为86.81%,表明通过BERT模型提取参与主体的语义特征,可以增强识别方法的泛化能力。“使用者”“运营者”“提供者”“规划者”“维护者”类实体的F1值分别为90.35%,92.31%,90.48%,93.33%,95.00%。验证了所提方法识别自主式交通系统参与主体的有效性。

基于模糊理论的自主式交通系统多维架构映射关系建模

为探究自主式交通系统(ATS)功能、逻辑和物理架构之间作用方式,需要对多维架构映射关系进行建模。该研究在建立系统多层次映射关系模型的基础上,以构建系统横纵向作用关系模型为研究的切入点,在利用模糊理论对架构解析信息进行处理以及架构之间关系进行描述的前提下,建立包含多重反馈影响的映射关系矩阵。在结合系统纵向作用关系的基础上,构建融合横向关系作用的系统联动措施求解办法,并以车辆自动驾驶交叉口场景为例验证了方法的有效性。研究结果解决了大型系统模糊信息的推理问题,并为复杂系统的管理提供了可借鉴的理论与方法。

自主式MaaS系统多维架构映射关系设计

近年来MaaS (Mobility as a service)理念兴起并得到广泛研究,同时智能交通体系开始朝着自主化方向发展。发展自主式MaaS系统离不开对系统多维架构映射关系的设计和研究。在此背景下,本文首先根据服务域的通用标准定义,具象化MaaS系统服务集、参与组分和功能域。在此基础上,构建包括功能架构、逻辑架构、物理架构在内的系统多维架构,并设计架构内部和架构之间的多维映射关系。最后根据下一代际技术发展的趋势、功能和特点,对比分析不同代际下自主式MaaS系统架构映射关系的差异。