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。

考虑后视效应和多前车信息的跟驰模型

网联车跟驰模型的研究可为未来实施大规模的实地测试提供模型参考,已成为交通流及智能交通领域的研究热点.为了更好地研究智能网联车的跟驰特性,在MVD模型的基础上,提出了一种考虑后视效应和多前车信息的跟驰模型(BL-MVDAM),利用线性稳定性分析方法推导出BL-MVDAM模型的交通流稳定性判断依据,并分别分析了模型中各参数对系统稳定性的影响,给出分析结果并进行了数值仿真实验.仿真实验选取在环形道路上给行驶过程中的车队施加轻微扰动,并根据跟驰车对后车的关注程度P和前车数量k设计数值模拟实验,当其他条件一致时,本文模型相比FVD, MVD, OMVC和BLVD模型, BL-MVDAM模型中车队的速度波动率较小,尤其是当P=0.8, k=3时,车队速度平均波动率最小可以达0.24%,实验分析结果表明,所提出模型在引入后视效应和多前车信息后,具备更优的稳定区域,能较好地吸收扰动且有利于增强车队行驶的稳定性.

考虑时延速度差和限速信息的智能网联车跟驰模型

针对由于驾驶员对于道路限速和时延信息获取的不确定性而引起的跟驰行为受扰和交通流失稳等问题,提出了一种车联网(IoV)环境下考虑时延速度差和限速信息的跟驰模型TD-VDVL。首先,引入时延导致的速度变化量和道路限速信息对全速差(FVD)模型进行改进;然后,利用线性谱波微扰法推导出TD-VDVL模型的交通流稳定性判断依据,并分析模型中各参数对系统稳定性的影响;最后,利用Matlab进行数值仿真实验与对比分析。仿真实验中,分别选取在笔直道路和环形道路,给行驶过程中的车队施加轻微扰动。当条件一致时,TD-VDVL模型比优化速度(OV)、FVD模型中车队的速度波动率和车头间距起伏均小,尤其是当限速信息的敏感系数取0.3、时延速度差的敏感系数取0.3时,所提模型的车队速度平均波动率在时间500 s时可以达到2.35%,车头间距波峰波谷差仅为0.0194m。实验结果表明,TD-VDVL模型在引入时延速差和限速信息后,具备更优的稳定区域,能够明显增强跟驰车队吸收扰动的能力。

考虑后视和多前车信息反馈的车辆跟驰模型

为改进车联网环境下车辆跟驰模型的稳定性,在经典OVCM模型基础上考虑后视效应、多前车速度差和多前车最优速度记忆综合信息对交通流稳定性能的影响,提出一种基于后视和多前车信息反馈的扩展车辆跟驰模型。根据线性稳定性分析法得出模型的中性稳定性判断条件,并进行数值仿真实验与分析。实验结果表明,在扰动初始条件设置一致下,所提模型相比于OV、FVD、OVCM模型,交通流稳定区域增大,速度波动幅度减小,特别是考虑的前车数k、后视敏感系数λi和记忆效应敏感系数γi取值为k=3,λi=[0.2,0.15,0.1],γi=[0.1,0.08,0.06]时,车辆的平均速度波动率低于0.1%,由此说明,所提模型能有效减少扰动影响,增强交通流的稳态保持。

基于YOLOX-L算法的安全帽佩戴检测方法

安全帽作为生产和作业场地工人的最基本的个体防护装备,能够极大地保证工作人员的安全防护,在实际生产环境下由于多种因素造成的伤亡中,没有佩戴安全帽造成伤亡事故的占比一直很高。为了减少相应的事故发生率,提出一种基于YOLOX-L算法的安全帽佩戴检测方法。YOLOX系列模型是当前最为先进的实时的无锚的单阶段检测器之一,在多种类别目标的检测下都具有优异的准确率和速度效果。通过使用YOLOX-L模型骨干层提取多尺度的特征图,用于回归目标位置和预测类别;使用安全帽佩戴检测数据集(SHWD),使用冻结非冻结的训练方式训练YOLOX-L网络,最后选取最好的训练模型检测安全帽的类别和位置。实验结果表明,在SHWD数据集检测任务中,相比较于YOLOv3算法,基于YOLOX-L的mAP提高了5.41%,查全率分别提高了18.51%和26.44%。所提方法在满足高准确率和实时性要求的基础上,更少发生漏检,具有更高的查全率。