区域多扇区耦合容量评估

明确空域单元内部交通流特性及其动态演变机制是评估区域多扇区耦合通行能力的基础,对于提升空中交通管理效率至关重要。基于改进的元胞传输模型(CTM),以实际飞行数据为基增量仿真推演分析了交通流流量、速度与密度间的宏观基本图(MFD)。进一步表征区域多扇区之间的耦合作用,建立区域多扇区耦合快时仿真模型。通过分析区域多扇区需求平均延误关系对区域多扇区耦合容量进行评估,揭示区域运行瓶颈。以合肥区域管制扇区为例,评估了区域多扇区耦合容量,并依据各扇区的延误贡献识别了该区域多扇区运行瓶颈主要集中在ZSOFAR02扇区和ZSOFAR01扇区。研究成果可为提高区域多扇区航路航线网络通行能力提供科学的理论支撑。

多视角融合的时空动态GCN城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联;2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,提出了一种多视角融合的时空动态图卷积模型用于预测交通流量:首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性;其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征;接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测;最后,在4种真实交通数据上的实验结果,证明了该模型的有效性和准确性.

基于多头注意力动态图卷积网络的交通流预测

【目的】交通流预测对于城市交通系统的有效管理和运行至关重要。交通网络中不同路段或路口的流量随时间动态变化,空间邻近路段或路口的流量也会相互影响。为了更好地从交通流序列中学习不同路段或路口流量的时空相关性,提升交通流短时预测性能,提出基于多头注意力动态图卷积网络(dynamic graph convolution network with multi-head attention,DGCNMA)的交通流预测方法。【方法】DGCNMA模型在Transformer框架中首先引入图卷积网络学习交通流序列的空间嵌入并融入交通流序列,进而采用多头注意力机制从多个角度同时捕捉交通流序列的时间相关性和空间相关性;其次引入交互动态图卷积网络,通过卷积网络和动态图卷积网络交互学习以及交通流奇偶子序列特征交互融合,同时学习交通流序列的局部时空相关性和全局时空相关性。【结果】通过在高速公路交通流数据集(PEMS03、PEMS04、PEMS08)和地铁人群流量数据集(HZME inflow and HZME outflow)上的大量实验,验证了所提出的DGCNMA模型的交通流预测性能优于基线模型。

基于NetFlow的网络流量采集系统设计

网络流量是网络运行状态的风向标,对网络流量的相关情况进行监测分析与研究是网络管理的重要环节。从网络安全视角,详细介绍流量分析中主要使用的NetFlow技术,并根据NetFlow的特点,给出了一个基于NetFlow的网络流量采集系统设计实例。

融合知识图谱的时空多图卷积交通流量预测

现有的交通流量预测方法关注交通信息的时空相关性,未充分考虑外部因素对交通的影响,为此提出融合静态和动态知识图谱的时空多图卷积交通流量预测模型.基于道路交通信息和外部因素,构建城市交通知识图谱和4个不同语义的路网拓扑图,将城市交通知识图谱输入关系演化图卷积神经网络,实现知识嵌入;使用知识融合模块将车流量矩阵与知识嵌入融合;将4个路网拓扑图和融合知识的车流量矩阵输入时空多图卷积模块,提取时空特征,通过全连接层输出交通流量预测值.在杭州交通数据集上评估模型性能,与先进的基线模型对比,所提模型的性能提高了5.76%~10.71%.鲁棒性实验结果表明,所提模型具有较强的抗干扰能力.

基于VMD-BP-GA模型的脆弱航段船舶短时交通流预测

【目的】针对繁忙航段船舶交通流易受外界环境扰动的难题,提出一种可用于识别船舶交通流脆弱性的预测模型,旨在通过脆弱性辨识,确定最薄弱的航段。【方法】首先采用变分模态分解(VMD)模型将船舶交通流参数序列分解为多个模态分量,然后结合反向传播神经网络(BP)和遗传算法(GA),通过构建约束模型并不断更新各个分量的中心和带宽,实现单个分量的预测,通过应用VMD-BP-GA模型对船舶交通流进行精准预测,并验证其合理性和有效性。【结果】在繁忙航段,本研究提出的VMD-BP-GA模型精准预测船舶交通流脆弱性的方法,相较于传统模型表现出更低的预测误差值,其中在航段流量预测方面,本研究模型的平均绝对误差(MAE)最低达到2.095%,均方根误差(RMSE)最低达到2.610%,平均百分比误差(MAPE)最低达到2.114%;在航段密度预测方面,本研究模型的MAE、RSME、MAPE最低分别为0.129%、0.162%、2.112%;并实现了时空两个维度的船舶交通流预测。【结论】本研究模型成功实现对船舶交通流脆弱性的识别和最薄弱航段的确定,具有高效的预测性能,能够精准并快速地预测船舶交通流,可为船舶通航安全保障提供了理论和实践指导。

基于多级散列的动态流量调度方法

为保证数据中心场景流量转发的整体质量,在数据中心交换机上需要一个能够区分大象流和老鼠流的流量调度方法。目前,在设备上并没有对其区分,而是当作一种流量进行转发,无法保证用户的体验。本文提出一种基于大象流和老鼠流识别的调度实现方案(MHS),将链路提前规划为低时延链路和高吞吐链路,数据中心交换机将流量通过多级不平等散列表的方式进行记录,设置流量的阈值筛选出大象流,借助调度策略重定向到高吞吐链路,减少大象流和老鼠流相互影响。在可编程交换机上进行试验,结果表明该方法可以在数据中心高性能网络达到较好的效果。本方法与等价多路径路由(ECMP)在高速网络中对比,性能提升明显,队列长度比ECMP降低16%,时延降低20%。

大跨度桥梁钢桥面板跨尺度疲劳损伤评估方法

大跨度斜拉桥正交异性钢桥面板的顶板与纵肋焊接构造细节在车辆荷载作用下易产生疲劳损伤进而导致服役性能降低、影响行车安全。为评估大跨度桥梁钢桥面板的疲劳性能,提出基于细观损伤力学的大跨度钢桥疲劳损伤跨尺度评估方法;推导了基于细观损伤力学的钢桥面板疲劳损伤演化模型,在此基础上,结合实测交通数据,实现了基于Monte-Carlo法的随机车流模拟;最后,将提出的方法应用于一座大跨度三塔斜拉桥。研究结果表明,大跨度斜拉桥钢桥面板体系焊缝周围区域的累积疲劳损伤程度明显高于桥面板体系的其他部位;顶板与纵肋焊接构造细节的疲劳损伤累积呈现明显的非线性,预测的疲劳寿命远小于Miner线性疲劳损伤累积准则的结果。

多源数据融合的交通走廊交通流量分析

针对现有交通流量采集手段的不足,利用多源数据从多个角度分析了交通走廊的流量变化规律。结果表明,客车和货车的交通流量存在周变化和日变化趋势,客车流量周五最高,货车流量相对平均;客车交通流量具有明显的早晚高峰,而货车交通流量则全天比较均匀;不同省份和城市驶入高速公路的车辆占比存在差异;交通枢纽的交通流量具有明显的方向性,主线方向的流量最大。

不同交通流状态下简支梁桥动力响应研究

为了解交通流状态对桥梁动力响应的影响,根据道路服务水平,选择车头间距与车速作为交通流状态评价指标,选用两轴平面整车车型,基于模态综合法,建立多车车桥耦合振动分析模型,分析不同交通流状态下简支梁桥的动力响应。结果表明,当车辆达到3辆时,桥梁跨中最大竖向位移最大,车辆增加到5辆时,桥梁跨中最大竖向位移趋于稳定;当车辆之间的距离增加时,车辆之间的叠加动力效应减弱,桥梁跨中最大竖向位移逐渐减小并接近单车下的数值;在不同交通流状态中,稳定流对桥梁动力响应的影响最小,限制流对桥梁动力响应影响最大。

基于网络流跟踪的信号灯检测方法

结合信号灯信息对机动车行进速度进行引导,减少机动车启停次数,可有效减少废气排放,缓解其造成的污染问题。针对信号灯转换时刻的获取问题,提出了一种基于网络流跟踪的信号灯检测方法。首先,该方法在数据集中引入辅助信号灯类别进行训练,将视频序列中该类目标检测结果关联为踪片,并通过踪片建模多目标跟踪任务。其次,该方法将多目标跟踪任务转换为最小费用流优化任务,以踪片作为节点建立最小费用流网络,提出了适合于信号灯的费用构建方式,通过最短路径算法求解,得到视频序列中辅助信号灯的多条轨迹。最后,基于求解的轨迹结果和图像分类技术,实现信号灯检测性能的提升。该方法的跟踪性能相较于对比算法有大幅提升,并将小目标信号灯检测响应的mAP提升至94.35%。实验结果表明,基于网络流的建模方式能极大地提升信号灯的跟踪准确率,结合跟踪轨迹还能大幅提高视频序列中小目标信号灯的检测准确率,并可有效确定信号灯状态的转换时刻。

自适应多视图融合图神经网络地铁客流预测模型

针对传统方法对地铁车站的多视角空间交互建模不足的问题,本文提出自适应多视图融合图神经网络模型(Adaptive Multi-view Fusion Graph Neural Network Model, AMFGNN)进行地铁车站短时客流预测。在空间维度,模型包括了物理拓扑图、线路可达性图、空间距离图等多个局部视图,并使用图注意力网络(Graph Attention Networks, GAT)学习每个视图内车站间的动态空间交互;以单视图车站为中心节点,结合其他视图中该车站作为邻居节点构建融合视图,并使用GAT学习多视图间动态交互;在时间维度,使用门控循环单元神经网络学习车站客流的时变特征。以重庆市地铁网络为例,全网出站客流的预测实验结果表明:相较于基线中的物理虚拟结合图网络模型(PVCGN),AMFGNN的平均绝对误差和均方根误差分别降低3.06%和2.49%。多视图内节点间注意力分数可视化结果表明,基于GAT的多视图建模思路能够自适应地融合不同视图中提取到的车站空间信息。此外,AMFGNN模型性能影响因素分析结果表明,以物理拓扑、线路可达性等结构稳定的视图作为中心节点构建融合视图能够获得更准确、稳定的预测模型。

考虑外部因素的MCNN-ABiLSTM交通流量预测模型

针对交通流量序列的时间依赖性、空间相关性及易受外部因素的干扰等问题,提出一种基于多尺度卷积神经网络和融合注意力机制的双向长短期记忆神经网络自适应融合预测模型(MCNN-ABiLSTM模型)。通过串联的多尺度结构增强卷积神经网络的特征提取能力,融合注意力机制的双向长短期记忆网络提升对时序特征的连续性、周期性的挖掘能力,将2个分支特征自适应融合以提升交通流量预测的准确性。同时,通过计算各路口时序流量的皮尔逊相关系数分析交通流量的空间相关性,并提出改进粒子群算法(IPSO)设置外部因素标签值。实验结果表明,MCNN-ABiLSTM模型比其他基线模型预测准确性更高,RMSE、MAE以及MAPE均有明显下降。

基于Multi-Agent的空中交通流量仿真研究

针对传统空中交通流量仿真过程中灵活性和智能性的不足,将分布式人工智能Multi-Agent的理论和方法应用到空中交通流量管理领域中,提出了基于Multi-Agent的空中交通流量仿真方法。介绍了空中流量管理的体系结构和流量管理的具体措施,详细设计了与流量仿真相关的重要Agent,包括航班Agent、航路Agent、机场终端区Agent和区域流量管理Agent等,探讨了各Agent的内部运行机制和在流量管理中的职能,构建了基于Multi-Agent的空中交通流量仿真子系统的整体框架,为实际空中交通流量管理系统的建设提供重要的指导和参考。

基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network,PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit,MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。

基于Multi-Agent和“递阶集散”的UTCS与UTFGS协同实施研究

提出基于Multi-Agent技术和“递阶集散”的UTCS与UTFGS协同实施研究思路及UTCS与UTFGS的递阶集散体系结构,建立Agent的内部结构,采用博弈模型进行Agent间协同与全局优化,为UTCS与UTFGS协同的最终实现提供理论指导和方法依据。

考虑“电-交通”协同最优潮流的电气化交通碳汇效应评估

为缓解环境压力,推动交通电气化改革已成为全球共识。电动汽车(Electric Vehicle, EV)的普及虽可有效降低交通直接碳排,但同时也会增加电力负荷,造成源侧间接碳增量。针对电气化交通导致的整体碳排“一增一减”现象,提出一种考虑“电-交通”协同的碳汇效应优化评估方法。首先,建立兼顾EV和油耗汽车特性的多智能体微观交通配流模型,完善多类汽车直接碳排计算的仿真基础;接着,提出基于无迹Kalman滤波随机估计的间接碳排等值模型,直观刻画EV入网对电源侧影响;然后,以最小化总碳排(直接碳和间接碳)及交通不均衡量为目标,构建考虑“电-交通”协同最优潮流的电气化交通碳汇评估模型,并用广义Benders算法高效求解。算例结果表明,所提出方法可通过促进车流量与功率流均衡分布,同时实现直接和间接碳排削减,提升“电-交通”耦合系统整体碳汇效应。

A Multi-Stage Network Anomaly Detection Method for Improving Efficiency and Accuracy

Because of an explosive growth of the intrusions, necessity of anomaly-based Intrusion Detection Systems (IDSs) which are capable of detecting novel attacks, is increasing. Among those systems, flow-based detection systems which use a series of packets exchanged between two terminals as a unit of observation, have an advantage of being able to detect anomaly which is included in only some specific sessions. However, in large-scale networks where a large number of communications takes place, analyzing every flow is not practical. On the other hand, a timeslot-based detection systems need not to prepare a number of buffers although it is difficult to specify anomaly communications. In this paper, we propose a multi-stage anomaly detection system which is combination of timeslot-based and flow-based detectors. The proposed system can reduce the number of flows which need to be subjected to flow-based analysis but yet exhibits high detection accuracy. Through experiments using data set, we present the effectiveness of the proposed method.

交叉口车流量多时段控制信息的传感融合技术

交叉口车流量随机性与不确定性导致车辆信息采集结果的差异化明显。以传感器信息融合为技术支撑,提出交叉口车流量多时段控制方法。利用多传感器采集交叉口交通信息,预处理采集到的数据。采用由指标层与目标层构成的信息融合模型,完成交通信息融合。根据信息之间的关联性聚类所有交通信息,明确分类数并划分控制时段。综合考量交叉口通行效率与环境等因素,结合排队长度、平均延误及尾气排放量建立多目标多时段控制模型,由层次分析法明确各目标权值后,采用改进萤火虫算法进行求解,实现交叉口车流量多时段控制。实验结果表明,该方法能有效改善交叉口的拥堵情况,提升通行效率,降低车流饱和度与延误时间,应用优势显著。

融合多源信息的元胞自动机交通流模型

针对智能网联汽车受环境天气影响易发生交通事故等问题,提出了融合多源信息的元胞自动机交通流模型.首先提出云端环境下多源信息流收集与高精地图数据融合方法,通过神经网络融合多源信息与高精地图,实现地图动态更新,为自动驾驶车辆提供更加精确的路径规划,以有效避免交通事故发生.其次,以多源信息收集模型为基础,搭建双车道交通流元胞自动机模型,从安全距离模型、跟驰规则、换道规则等方面与人工驾驶模型进行对比,以说明融合多源信息的元胞自动机交通流模型的优越性.最后利用MATLAB进行仿真.结果表明:相较于人工驾驶模型,融合多源信息驾驶模型能够增大交通流量,减少交通拥堵,且在短时间内达到稳定状态,从而将道路通行效率提高了27%.