关于城市边界智能交通卡口监测系统建设的思考

随着计算机技术、视频识别技术的发展,并结合先进的激光检测技术、网络通信技术,设计建设一个智能化、一体化的智能交通卡口监测系统,系统对进出城市主要道路的车辆进行实时监测,通过号牌识别、数据比对,实现对黑名单车辆的实时报警查控,为公安机关及时掌握交通状况动态变化信息,为交通指挥调度提供有效依据,为营造良好的交通秩序提供了新的技术手段。

基于SVAE-WGANGP的地点车速数据质量恢复研究

为了解决因设备长期失修造成的数据大量缺失和传统数据修复方法无法表示上下文时空关系以及不规则时序特征的问题,提出一种时空生成对抗变分自编码网络(Spatiotemporal Variational Autoencoder with W-Generative Adversarial Network-GP, SVAE-WGANGP),用以恢复地点车速数据质量。该方法以生成对抗变分自编码网络为模型基本框架,直接学习自然缺失数据集的概率分布;基于改进时空信息单元的变分自编码生成网络提取数据在缺失模式下的隐式不规则时序特征与显式上下文时空相互依赖信息;利用对抗训练策略(Wasserstein GAN with Gradient Penalty, WGAN-GP)优化深度全连接判别网络,以获得最优重构数据。借助乌鲁木齐市某路网46天实际卡口地点车速实例验证模型合理性,结果表明:与其他6个基准模型的评估指标均值相比,PMCR机制下,所提方法的均方根误差(RMSE)和平均绝对误差(MAE)降低幅度分别在0.794~0.332和0.899~0.321,决定系数R^(2)升高幅度在3.175%~60.918%;LMR机制下,所提方法的RMSE和MAE平均降低幅度分别在0.600~0.222和0.773~0.208,R^(2)平均升高幅度在4.681%~91.518%;BMR机制下,所提方法的RMSE和MAE平均降低幅度分别在0.212~0.625和0.269~0.715,R^(2)平均升高幅度在5.309%~49.671%。SVAE-WGANGP在恢复不同缺失机制下的路网地点车速数据质量时具备较优精确性和良好普适性,交通时空信息和不规则时序特征对该模型的数据质量恢复性能具有一定贡献性。此外,在BMR机制下,SVAE-WGANGP的运算耗时均值较VAE-GAN的均值降低0.421 s,与其他5个基准模型相比,增长幅度在0.155~12.518 s。从整体来看,该方法在恢复数据时具有较高的时效性。