面向降频污染攻击的智能交通拥堵态势量化分析

随着网联车辆的快速发展和开放化,智能信号灯规划系统承受着巨大的网络攻击风险.已有相关研究发现,定频数据污染对规划脆弱性的攻击造成了交通拥堵爆增,但缺乏对降频污染攻击的全时序拥堵态势量化与分析,在检测预警与持续对抗方面有一定的局限性.将开源智能信号灯规划系统I-SIG及其规划算法COP作为研究对象,提出一种面向多个降频污染攻击的统一拥堵态势量化与分析框架,构造态势发展的时空序列三阶张量空间,并设计极值分析、平稳性分析和关联性分析,实现基于函数依赖关系的一体化分析方法.在交通模拟环境VISSIM平台上,验证了该量化分析的有效性并报告新发现.

采用机器学习技术预测交通拥堵态势

随着机器学习技术的发展和交通数据的有效采集,采用机器学习技术来预测交通拥堵情况成为可能。本文通过整理和分析交通大数据,通过特征工程,选取车间距、车道数、车速、流量、天气、时段、节假日等重要交通数据作为模型特征,选取交通流量密度作为模型的输出,构建基于决策树算法和随机森林算法的交通拥堵预测模型,并对不同模型的预测结果进行分析。实验结果表明,基于集成学习方法的随机森林算法的表现比决策树算法更好,具有更高的精确度。