考虑风险等级的车车通信MTTC混合分布模型

为研究车车通信环境下改进碰撞时间(modified time⁃to⁃collision,MTTC)的分布规律,建立能够描述不同车辆运行风险等级的MTTC混合分布模型,并利用实测数据进行模型验证,开展基于LTE⁃V技术的车车通信环境实验,获取实际车辆行驶实验数据,并利用k⁃means聚类方法将车辆运行风险划分为4种等级,利用Weibull、Gamma、对数正态3种概率分布模型,分别针对4种风险等级下的MTTC进行拟合检验,结果表明不同风险等级下的MTTC均可用对数正态分布模型描述。在此基础上,建立针对4种风险等级的MTTC对数正态混合概率分布模型,并利用EM算法对模型参数进行标定。选取Weibull、Gamma、对数正态概率分布模型作为对比,通过拟合优度分析验证所提出混合分布模型的有效性,并将该混合分布模型应用于一般环境下MTTC实验数据分析。结果表明:对数正态混合概率分布模型能够更好地拟合车车通信环境下的MTTC分布规律,并对一般环境具有良好的普适性,可为车辆运行安全相关研究提供理论支持。

基于集群智能的高速公路交通状态识别算法

针对传统交通状态识别算法仅考虑交通参数个体特征差异而存在识别率较低的问题,引入集群智能概念,提出了既考虑交通参数个体特征差异,又考虑个体参数所蕴含的群体特征差异性的高速公路交通状态识别算法。由于模糊C均值聚类算法(fuzzy C-means algorithm,FCM)在交通状态识别泛化能力上存在收敛缓慢的不足,基于反向学习策略以及鲸鱼优化算法(whale optimization algorithm,WOA),考虑个体交通参数所蕴含的集群行为增强了交通状态初始聚类中心种群的多样性,设计了一种具有良好的全局搜索能力集群智能的高速公路交通状态识别算法,融合了反向学习、WOA和FCM算法,克服了FCM识别算法容易陷入局部最优的局限。实证分析结果表明,所提出的交通状态识别算法具有良好的识别效果,准确率达到92%,且收敛速度较FCM算法更快。

融合多头注意力机制的货车载重估计模型

为了提高实时货车载重估计的便捷性和精准度,辅助开展大范围低等级公路网的货车运输过程中载重的实时监管,本文从货车动静态信息的交互效应出发,提出了一种融合多头注意力机制的货车载重估计模型(Mix-MAN)。首先,在模型中引入了多头注意力机制,增强网络对运动学时序特征的提取能力;其次,利用堆叠自编码器捕获货车的静态特征;最后,设计了一种特征融合结构,融合提取动态特征和静态特征,建立输入特征与货车载重之间的非线性映射关系,得到货车载重估计结果。试验结果表明:与未考虑货车静态信息的MAN模型对比,Mix-MAN的平均绝对值误差减小了6%,均方根误差减小了5%,平均绝对百分比误差减小了0.5%。本文模型可为我国公路货物运输监管、道路养护等方面提供技术支持。