基于神经网络的大数据分析在智慧交通中的应用

为提升交通流量预测的准确性和效率,研究基于神经网络的大数据分析在智慧交通中的应用。首先深入探讨智慧交通系统的整体架构,其次研究基于层归一化的循环神经网络(Recurrent Neural Network,RNN)优化方法,最后进行实验分析。实验结果表明,所提方法的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)明显优于传统标准RNN方法。

大规模校园网络子空间流量异常检测仿真

与其它网络不同,校园网络功能分区较多,极易受到网络恶意攻击,为此提出一种大规模校园网络子空间流量异常检测算法。建立校园网络流量采集拓扑结构,按照IP地址段将网络划分为5个网段,利用NetFlow机制分别采集每个网段的流量数据;采用主成分分析法归一化处理采集的校园网络流量数据,通过建立样本矩阵,从大量的样本指标中筛选出主成分;将校园网络划分为正常子空间和异常子空间,并将流量测量向量映射到两个子空间中,位于门限值以外的点即为异常点,完成流量异常的检测。实验结果表明,所提方法可以精准检测网络流量异常,并取得理想的检测率和保持率。

A new car-following model yielding log-normal type headways distributions

Modeling time headways between vehicles has attracted increasing interest in the traffic flow research field recently, because the corresponding statistics help to reveal the intrinsic interactions governing the vehicle dynamics. However, most previous micro-simulation models cannot yield the observed log-normal distributed headways. This paper designs a new car-following model inspired by the Galton board to reproduce the observed time-headway distributions as well as the complex traffic phenomena. The consistency between the empirical data and the simulation results indicates that this new car-following model provides a reasonable description of the car-following behaviours.

基于特征强化神经网络的交通流预测

为了解决挖掘特征能力不足的问题,充分提取不同出行高峰日特征来提高交通流预测的准确性,本文提出了基于特征强化的交通流预测模型——卷积神经网络(convolutional neural network,CNN)–特征增强(feature enhancement,FE)–门控循环单元(gate recurrent unit,GRU)(CNN-FE-GRU)神经网络模型。该模型首先采用CNN来挖掘不同时间序列下路口与车流量的潜在联系,有效地捕捉时序数据的特征;其次提出FE模块来增加模型聚焦能力,刻画不同时间节点对目标时间节点交通流的相关性,同时为每个时间节点赋予相应权重;最后采用GRU对输出的时序数据进行进一步的特征提取,并在全连接层的作用下实现交通流的预测。实验结果表明,CNN-FE-GRU模型的平均绝对误差(mean absolute error,MAE)、均方误差(mean-square error,MSE)和均方根误差(root mean square error,RMSE)平均值分别为0.229、0.1308、0.3388,相较于对比模型均有不同程度下降,CNN-FE-GRU模型在精确度和预测性能方面都有了显著提升。

一种噪声容忍的网络流量分类方法

针对传统基于机器学习的网络流量分类方法中样本标签的正确性会直接影响结果精度的问题,提出一种噪声容忍的网络流量分类方法。该方法基于深度残差网络的方法,首先,对网络流量数据进行归一化以及数据增强处理后映射成灰度图片,并对其样本标签进行不同程度的加噪;然后,基于Res2Net深度残差神经网络设计适用于网络流量噪声干扰下的维度模块,构造可以适用于流量标签噪声容忍的深度神经网络模型。基于公开数据集的实验结果表明,与传统的噪声容忍分类算法相比,基于改进的深度残差神经网络在不同噪声率下均提升了分类精度,并且在高噪声率下提升更为显著。

移动基站近距离区域电磁辐射污染分布特征

针对居住在城市移动基站附近的居民日益关注的电磁辐射污染问题,通过移动基站近距离区域电磁场分布连续24h监测与分析,研究正常工作日内基站周围近距离区域电磁场功率密度随时间和距离的变化,以及功率密度的概率分布,并根据24h各时段内的话务量,使用统计分析(SAS)系统对此影响因素进行相关性分析.结果显示,一天内移动基站天线附近电磁辐射随时间呈现明显的波动,其功率密度的概率分布接近正态分布,手机的话务量与电磁场强度具有一定的相关性.在近距离区域,功率密度随距离增加,在一定距离上出现峰值,峰值出现的距离与天线高度有关.对我国一般的城市基站,环境电磁辐射低于标准限值.

车联网环境下的动态异质交通流车队离散模型

传统的异质交通流车队离散模型参数估计基于历史数据,不能很好地反映交通流的动态变化特征.为解决这一问题,构建车联网环境下的动态异质交通流车队离散模型.首先,考虑到车联网环境下,车辆行程时间数据易于获得,可对模型的分布参数进行动态估计;然后,基于动态分布参数,构建动态异质交通流车队模型;最后,通过实测数据分析下游交叉口到达流量分布与上游交叉口离去流量分布之间的关系.结果表明:与经典的Robertson车队离散模型相比,动态异质交通流车队离散模型对下游交叉口的到达车辆流量分布预测效果更好,平均预测均方根误差可减少26.51%.

基于统计分析建立流量动态临界线的蠕虫检测机制研究

提出了一种基于正态分布进行异常流量检测,从而判断当前内网中是否存在蠕虫感染的方法。该方法根据历史流量的正态分布统计特性,计算出网络内数据流量的一般行为的可信区间,如果监控的流量超出该可信区间,则判断为异常流量并作出蠕虫威胁的报警。结合该方法,进一步分析了如何以双因素模型分析网络中蠕虫的数量。

公路桥梁车辆行驶间距研究

利用一维随机更新计数场描述公路桥梁上行驶着的车辆,推导得到一般运行状态下车辆行驶间距服从指数分布的性质,并利用动态称重系统实测的大量自然行驶的车辆间距对其进行了验证,认为该性质可用于桥梁的交通量适应性评价.将实测车辆以时间间隔3 s为界划分为一般运行状态和密集运行状态,对比分析了其时间间隔和行驶间距的统计结果与我国规范修订时的调查统计结果的差异,认为以3 s为界的时间间隔不能完全划分车辆的运行状态,应以车辆的行驶间距进行划分.对比实测自然行驶车辆行驶间距的概率分布特征和一般运行状态下车辆行驶间距的理论概率分布特征发现:行驶间距小于44.35 m时车辆处于密集运行状态,通过多项式回归得到其概率分布;行驶间距大于44.35 m时为一般运行状态,其概率分布为指数分布.这些特征可用于建立公路桥梁多参数随机车辆荷载模型.

Bayes估计在二项式分布交通流检测中的研究

为了能够减少交通流量错误估计造成的经济损失,准确的掌握交通流分布情况,多传感器信息融合的理论被引入到交通流的检测中,并且以此为基础,利用Bayes参数估计理论对交通流分布情况进行估计。在交通流量符合二项式分布的情况下,用Bayes分别估计了交通流中的参数无先验概率(先验概率为均匀分布)和先验概率为正态分布两种情况下的交通流量。通过仿真实验发现,在先验概率已知的情况下,运用Bayes估计理论对交通流进行检测,可以得到与实际情况相符的车流量分布情况,并且准确率较高,而且运算速度快,具很强的有实时性和实用性。

网络流量伪装技术研究

根据伪装目标的不同,将流量伪装分为流量抗发现、流量低截获、流量身份伪装和流量模式伪装。首先对流寄生、隧道承载和流量变换等流量抗发现技术进行简要介绍,阐述流量分散、端口跳变和地址跳变等流量低截获技术;然后介绍匿名通信、跳板和地址伪造等流量身份伪装技术,对流量填充、流量规范化和流量掩饰等流量模式伪装技术进行概述;最后总结和展望网络流量伪装技术存在的问题及发展前景。

履带车辆软土通过性能影响因素仿真

研究履带预张力对车辆软土通过性能的影响规律.采用MSCAdams软件的ATV工具箱建立履带车辆与地面的相互作用模型.仿真结果表明,适当增加履带预张力可有效降低车辆的平均最大压力并提高其挂钩牵引性能.该结论对履带车辆的设计者和使用者有一定的指导意义.

公交车停靠时间的统计分析

考虑公交车在其站点的停靠时间具有随机性,在直行道路上与道路交叉口处的公交车站对其实测。通过对实测数据统计分析以及经x2检验法验证,停靠时间不符合正态分布。

道路交通参数敏感性分析

对当前道路交通控制方法进行梳理,提出现有控制方法中未对控制参数进行敏感性分析的缺陷。基于格林希尔兹线性速度模型流量、速度和密度之间的关系,建立标准化参数敏感性模型,并得出标准化速度和标准化密度始终具有相同敏感性的结论;而当标准化速度大于5/8或者小于3/8时,标准化速度参数更为敏感,反之则是标准化流量更为敏感。

基于流量结构稳定性的服务器网络行为描述:建模与系统

针对现有基于异常特征库匹配的流量检测方法难以适应日趋复杂的网络环境需要的问题,对服务器网络流量进行了大量观测和研究,综合正常流量在某些属性上的固有稳定性及特定服务在流量层面表现出的稳定性,提取相应的流量特征,同时提出了流量结构稳定性的概念,并基于此对服务器的正常网络行为轮廓进行刻画,依据当前流量结构偏离正常轮廓的程度对服务器网络异常行为进行检测。针对流量结构差异性的定量刻画问题,提出了一种基于Spie Chart的可视化度量方法,并基于一台邮件服务器流量实现了系统,通过实验验证了系统对常见网络攻击及未知网络异常的检测效果。

新常态下外来人口对交通拥堵影响的实证研究——以北京市为例

通过选取1996—2015年北京市外来人口和衡量交通拥堵水平的数据,建立向量自回归(VAR)模型,并运用脉冲响应函数和方差分解方法实证分析外来人口对交通拥堵的影响机制。研究结果表明:外来人口对路段车流量的影响存在"拐点效应",即外来人口在短期内对车流量的贡献表现出明显的上升趋势,当车流量达到路段负荷时,这一影响会逐渐减弱。同时外来人口对拥堵路段呈现出"V型"曲线收敛路径,即短期内外来人口对交通拥堵的刺激作用明显。

高速公路断面运行车速分布特征研究

在探讨车速分布指标与交通安全关系的基础上,对影响高速公路安全性设计与评价的运行车速指标分布特征进行深入研究。以高速公路大量实测运行车速数据为分析对象,通过研究断面运行车速频率分布特征,利用PP概率分布图和单样本K-S检验方法,对车速数据进行正态,Weibull(威尔布),Gamma(伽玛)及Logistic等4种分布形式的拟合检验。基于统计学原理,提出求解运行车速特征指标的方法。结果表明:高速公路断面运行车速服从正态分布;采用概率分布累积函数可有效解决运行车速基础理论中原始观测车速数据的指标准确量化问题。

基于速度截断分布和流量的车队离散模型

为解决Pacey模型中车速分布假设与实际不符的问题,假设车速服从在最小速度和最大速度之间的截断正态分布,利用分段函数构造了车队到达下游交叉口的流量分布函数,建立了基于交通流量的车队离散模型,研究了下游交叉口流量与上游交叉口断面离去流量之间的关系.以相邻交叉口实测数据为例分析车队流量分布模式,研究结果表明,与Robertson流量模型相比,本文提出的速度截断正态分布更符合实际情况;本文模型能更精确地描述车队流量通过下游交叉口的变化趋势,确保流量守恒.

基于Ncut的城市路网交通子区划分方法

针对大规模城市路网下区域性拥堵频发、交通难于管理的问题,提出了基于Ncut的交通子区划分方法。首先使用交通流量和路段速度信息计算交通态势,然后结合交叉口间距离得到动静态结合的关联度指标,最后应用Ncut划分算法对大规模交通路网进行划分,并以子区总关联度最大为目标调整子区边界上的交叉口,使子区内部更为紧密。在真实路网上进行仿真,并经过实验对比与分析说明了该划分方法能把距离近、交通态势相似的交叉口划分到同一子区,并保证子区规模适当、外形良好。

疫情常态化下交通建筑的韧性

2020年初爆发的"新冠"疫情为社会生活带来了巨大的影响与改变,目前已进入了疫情的常态化管控阶段。地区的经济社会发展需要大量民众的参与,他们的社会生活高度依赖包括铁路、长途、城市公交在内的交通系统,交通建筑是这些交通系统的节点或枢纽。在进行规划设计时应坚持"平疫结合,弹性设计"的原则,从选址、街区整合、交通组织、内部环境设计等全方面考虑,把防疫作为交通建筑不可或缺的一个系统整合到交通建筑的规划设计中。