基于改进拉普拉斯中心性的高速路网状态识别方法

为提高高速公路网络运行效率,提出一种考虑不同路段对系统时空影响差异性的高速公路网络交通状态识别方法。定义路网各类型路段为节点及其状态计算方法,建立基于改进拉普拉斯中心性和时空影响因子的路网状态识别模型。其中,利用皮尔逊相关系数改进拉普拉斯中心性方法以评估节点自身影响,设计时空影响因子评估邻居节点影响;融合节点自身及邻居节点影响,建立节点权重系数模型;在以上基础上建立反映路网交通状态的综合判别模型。以京港澳高速徐水-清苑的高速公路网络为例予以验证,结果表明:在不同交通需求情景下,所提方法能有效识别交通状态;对比交通运行指数(traffic performance index,TPI)模型和车辆行驶时间(vehicle hour traveled,VHT)模型,所提方法状态识别精准度均为最优,尤其是在交通需求大的情况下,对于含匝道节点3和纯主线节点4,与稳定性较强的TPI模型相比,所提方法准确率提升了9.7%和7.1%,进一步证明了模型的适用性强,能够满足工程实际的需要。

基于Transformer-ESIM的高速公路交通状态识别模型

为提升高速公路运行效率,提出一种考虑多元交通流参数影响差异性的状态识别方法,以流量、速度及占有率等参数为输入,建立基于“Transformer”和“序列增强模型”的高速公路交通状态识别模型。其中利用Transformer的多头注意力机制和前馈神经网络自适应提取多元交通流参数特征并给予合适权重,利用序列增强模型强化参数间相似性和差异性以实现有效融合;输入融合数据到分类器实现状态识别。采用交叉熵函数为损失函数对模型进行迭代训练以更新参数。利用实际交通流数据验证模型有效性,实验结果表明:对比模糊聚类法、BP神经网络法、支持向量机法和不考虑参数融合的Transformer法,该方法充分利用了多元参数间影响差异性,实现了特征参数的有效融合,状态识别精准度最高,能满足工程实际需要。

基于可见-近红外光谱的路面状况识别的研究

光谱技术在公路状态识别(是否结冰、积水或积雪)方面有着积极的应用前景,但太阳光作为光源识别公路状态的研究较少。分别采用阳光和卤钨灯作为白天和夜间的实验光源,通过微型光谱仪数据分别得到冰、水、雪和公路本底的可见-近红外波段的光谱曲线。白天时,结冰和积水状态在不同光照情况下会出现“异物类谱”现象,根据阳光光照特性,本文提出将“环境变量”作为特征值的解决方法,并基于光谱曲线及归一化后的“环境变量”特征值,将光谱数据组合成新的数据波形,基于Dropout与Adam优化器的神经网络模型对数据进行训练和识别,最终识别率为99.375%。夜间,由于各类样本光谱区域差异明显,采用“组合-阈值”法识别。实验证明通过两种光源结合的识别方法,能够有效识别路面状态。