基于时空动态循环图卷积网络的交通流预测

交通流预测是一个典型的时空数据预测问题,交通流数据在时间上和空间上都表现出很强的相关性与动态性,以往的研究方法侧重对路网中时空关联进行建模,而忽略了路网节点的动态相关性,进而影响了交通流预测的精度。针对此问题,提出一个时空动态循环图卷积框架(DRGCN),包括基于动态图生成器的循环图卷积网络建模局部的交通时空特征和样本卷积交互网络建模全局时间特征。首先,在每个时刻通过循环神经网络和图卷积网络结合上一个时刻的交通特征生成邻接矩阵;然后,结合预定义邻接矩阵建模交通中的动态时空关联;最后,将大量辅助信息和隐藏状态结合,通过样本卷积交互网络建模全局的时间关系。实验结果表明:建构的模型在真实数据集上的表现优于已有的基线模型。

基于机器学习的电动汽车电池系统的风险预警

为提高动力电池在实车工况下安全预警的及时性和准确性,将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题,根据实车运行中的电池状态数据,选择电池的单体电压最高值、单体电压极差等作为关键预测对象;利用费舍尔计分和最大信息系数(MIC)进行特征选择,采用样本卷积和交互网络模型(SCINet)实现关键状态预测;基于预测的状态,建立多分类随机森林(RF)模型,对动力电池的安全风险进行分级预警。研究结果表明:该模型对电池多个参数具有很强的预测能力,如预测1 min后单体电压最高值的均方根误差(RMSE)为0.0271,温度最高值为0.0540;对电池系统1 min后安全风险等级预测的查准率为84%,宏平均f 1分数为74%。

基于EEMD和SCINet的高速公路交通流量预测

准确的高速公路交通流量预测对于出行规划、交通管理与控制等都有重要意义。但是交通流具有非线性和随机性,而且感应式检测器采集到的交通流数据中往往存在噪声数据,实现准确预测仍具有一定难度。针对此问题,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)与样本卷积交互网络(Sample Convolution and Interaction Network,SCINet)的高速公路交通流量预测模型。首先使用EEMD去除数据噪声;然后训练SCINet模型并进行不同步长下的预测;之后以均方根误差、平均绝对误差和平均绝对百分比误差为指标,对所提出方法的预测性能进行评价,并与3类基准模型进行比较;最后根据不同状态划分单独的子集来进行模型训练,以适应不同场景下的预测。实验结果表明,合理运用数据去噪方法能够在一定程度上提升初始预测模型的性能,而且基于EEMD和SCINet的模型具有较好的预测性能,在高速公路短期流量预测和中期流量预测方面均具有实用性。