RESEARCH ON THE BLOCKING FLOW IN A TRANSPORTATION NETWORK──THE GENERAL CONCEPTS AND THEORY OF THE BLOCKING FLOW

Blockage is a kind of phenomenon occurring frequently in modern transportation network. This paper deals with the research work on the blocking now in a network with the help of network flow theory. The blockage phenomena can be divided intO local blockage and network blockage. In this paper, which deals mainly with the latter, the fundamental concepts and definitions of network blocking flow, blocking outset are presented and the related theorems are proved. It is proved that the sufficient and necessary condition for the emergence of a blocking now in a network is the existence of the blocking outset. The necessary conditions for the existence of the blocking outset in a network are analysed and the characteristic cutset of blockage which reflects the all possible situation of blocking nows in the network is defined.In the last part of the paper the mathematical model of the minimum blocking now is developed and the solution to a small network is given.

RESEARCH ON THE LOCAL BLOCKAGE OF A TRANSPORTATION NETWORK AND ITS MINIMUM FLOW CAPACITY

This paper deals with the research work on the phenomena of local blockage in a transportation network. Onthe basis of introducing the research results in [1], theminimum now capacity problem of a network in the mostseriously blocked situation is studied. With the conceptof complete outset presented in [1], the relationship between the minimum now capacity of a network and its minimum complete cut capacity is discussed, and the reasons for the difference betweent the minimum now capacity of a network and its minimum complete cut capa-city are analysed. In order to get the solution to the problem, the concepts of normalization of a network and its blocking path graph are presented. In the paper it is proved that the necessary and sufficient conditions for the equality between the minumum now capacity and its minumum complete cut capacity are the existence of a feasible flow in the blocking path graph. For the reason that there are some dependent production points in the blocking path graph of a network, the proof about the tenability of the Gale's Theorm for the planat normalized network without circuit is made.

Analysis of Electronic Circuits with the Signal Flow Graph Method

In this work a method called “signal flow graph (SFG)” is presented. A signal-flow graph describes a system by its signal flow by directed and weighted graph;the signals are applied to nodes and functions on edges. The edges of the signal flow graph are small processing units, through which the incoming signals are processed in a certain form. In this case, the result is sent to the outgoing node. The SFG allows a good visual inspection into complex feedback problems. Furthermore such a presentation allows for a clear and unambiguous description of a generating system, for example, a netview. A Signal Flow Graph (SFG) allows a fast and practical network analysis based on a clear data presentation in graphic format of the mathematical linear equations of the circuit. During creation of a SFG the Direct Current-Case (DC-Case) was observed since the correct current and voltage directions was drawn from zero frequency. In addition, the mathematical axioms, which are based on field algebra, are declared. In this work we show you in addition: How we check our SFG whether it is a consistent system or not. A signal flow graph can be verified by generating the identity of the signal flow graph itself, illustrated by the inverse signal flow graph (SFG−1). Two signal flow graphs are always generated from one circuit, so that the signal flow diagram already presented in previous sections corresponds to only half of the solution. The other half of the solution is the so-called identity, which represents the (SFG−1). If these two graphs are superposed with one another, so called 1-edges are created at the node points. In Boolean algebra, these 1-edges are given the value 1, whereas this value can be identified with a zero in the field algebra.

面向交通流量预测的时空Graph-CoordAttention网络

交通预测是城市智能交通系统的一个重要研究组成部分,使人们的出行更加效率和安全。由于复杂的时间和空间依赖性,准确预测交通流量仍然是一个巨大的挑战。近年来,图卷积网络(GCN)在交通预测方面表现出巨大的潜力,但基于GCN的模型往往侧重于单独捕捉时间和空间的依赖性,忽视了时间和空间依赖性之间的动态关联性,不能很好地融合它们。此外,以前的方法使用现实世界的静态交通网络来构建空间邻接矩阵,这可能忽略了动态的空间依赖性。为了克服这些局限性,并提高模型的性能,提出了一种新颖的时空Graph-CoordAttention网络(STGCA)。具体来说,提出了时空同步模块,用来建模不同时刻的时空依赖交融关系。然后,提出了一种动态图学习的方案,基于车流量之间数据关联,挖掘出潜在的图信息。在4个公开的数据集上和现有基线模型进行对比实验,STGCA表现了优异的性能。

Calculation of the Water Distribution Networks Based on the Theory of Slow Transient Flow

Urban water supply network is a modern urban survival and development of the infrastructure of a city,and its normal running conditions have important significance. The actual hydraulic process in the variableload water distribution networks can be treated as the slow transient flow which belongs to the unsteady flow. This paper analyzes the multi-loops network slow transient model based on graph theory,and the link flow matrix is treated as the variables of the discrete solution model to simulate the process of the slow transient flow in the network. With the simulation of hydraulic regime in an actual pipe network,the changing laws of the flow in the pipes,nodal hydraulic heads and other hydraulic factors with the passage of time are obtained. Since the transient processes offer much more information than a steady process,the slow transient theory is not only practical on analyzing the hydraulic condition of the network,but also on identifying hydraulic resistance coefficients of pipes and detecting the leakage in networks.

基于循环独立机制的交通流量预测

交通流量预测是智能交通控制和管理系统的一个重要环节,但交通流量数据具有时间和空间上的非线性和复杂性等特征,为对其进行精准预测,本文提出了Graph Temopral Recurrent Independent Mechanisms (G-tRIM)模型。该模型使用图注意力网络(Graph Attention Networks, GAT)来有效捕获交通流量数据的空间依赖关系,使用循环独立机制(Recurrent Independent Mechanisms, RIM)来精准刻画交通流量数据的潜在状态。最后在北京和贵州数据集上,以均方误差(Mean Square Error, MSE)和平均绝对误差(Mean Absolute Error, MAE)为指标进行实验,结果表明,G-tRIM在各个数据集上的表现均优于基准模型。

融合多种模态特征的井下供水管网流量预测

煤矿井下供水系统是煤矿安全生产的生命线,供水管网水流量的预测是供水系统优化调度的基础,预测的重要性对供水调度有重要影响。文章提出了一种融合多模态数据特征的煤矿井下供水管网流量预测方法,该方法通过图深度学习的方法实现了对井下管网空间拓扑结构、历史时间依赖、井下实际生产工况、周期相关等多种数据模态特征的融合,具体的,使用添加空间注意机制的图卷积神经网络获取井下管网监测点的空间拓扑关系,然后利用循环神经网络中的门控循环单元获取监测点的时间依赖,并融合煤矿生产规律与不同周期的流量数据形成最终预测结果,通过陕西亭南煤矿实际数据进行实验,结果表明,提出的预测方法相较于SVM、LSTM、STGCN等方法能更准确地预测井下流量未来的趋势,预测偏差分别降低了9.3%、6.84%和3.65%。

基于混合图表示的软件变更预测方法

软件变更预测旨在识别出具有变更倾向的模块,可以帮助软件管理者和开发人员有效地分配资源,降低维护开销.从代码中提取有效的特征在构建准确的预测模型中起着重要作用.近年来,研究人员从利用传统的手工特征进行预测转向具有强大表示能力的语义特征,他们从抽象语法树(abstract syntax tree,AST)的节点序列中提取语义特征构建模型.但已有研究忽略了AST的结构信息以及代码中丰富的语义信息,如何提取代码的语义特征仍然是一个具有挑战性的问题.为此,提出一种基于混合图表示的变更预测方法.该模型首先结合AST、控制流图(control flow graph,CFG)、数据流图(data flow graph,DFG)等结构信息构建代码的程序图表示,接着利用图神经网络学习出程序图的语义特征,根据该特征预测变更倾向性.所提模型能够融合各种语义信息以更好地表征代码.在多组变更数据集上开展与最新变更预测方法的对比实验,验证了所提方法的有效性.

基于图卷积网络的交通流预测方法综述

近年来,基于深度学习的交通流预测方法一直是交通流预测领域的研究热点.与传统卷积神经网络不同,适合处理非欧几里得数据的图卷积网络在空间特征建模方面表现出了强大的能力,而反映路网空间特征的拓扑图、距离图、流量相似图等正是典型的非欧几里得数据.因此,基于图卷积网络及其变体的交通流预测方法成为交通流预测领域的一个研究热点,并取得了很多有吸引力的研究结果.本文对近年来基于图卷积网络的交通流预测模型进行了分类和总结.首先,从图卷积网络的基本定义出发,结合空域图卷积和谱域图卷积的定义详述了图卷积的基本原理.其次,根据预测模型的网络结构特点,将基于图卷积网络的交通流预测模型分为“组合型”和“改进型”两大类,并对其中最具代表性的模型结构进行了详细分析和讨论.此外,对交通流预测领域中常用于模型性能对比的典型数据集进行了综述,并以其中一个真实数据集为例开展仿真测试,展示了4个基于图卷积网络交通流预测模型的预测性能.最后,基于当前的研究现状和发展趋势,对基于图卷积网络的交通流预测方法研究领域中未来的研究热点和难点进行了开放性的讨论和展望.

基于动态图神经常微分方程的地铁短时客流预测方法

随着城市轨道交通的快速发展,客流量的准确预测对于改善运营服务至关重要。为了解决当前地铁客流预测存在的时空特性挖掘不充分等问题,进一步提高预测的精度与效率,研究了基于动态图神经常微分方程模型(multivariate time series with dynamic graph neural ordinary differential equations,MTGODE)的地铁短时客流预测方法。该方法通彭颢1贺玉过学习地铁站点间的动态关联强度构建动态拓扑图结构,基于学习得到的动态图进行连续图传播以传递时空信息、挖掘客流的依赖关系,并采用残差卷积提取多时间尺度下的周期性模式,实现了对站点间时空动态的连续表征,克服了传统图卷积网络模型难以刻画动态空间依赖的局限性。此外,为了充分挖掘不同站点间客流分布的时空规律,综合利用北京地铁自动售检票系统(auto fare collection,AFC)刷卡数据、天气数据、空气质量数据以及车站周边用地属性数据构建多源融合的客流预测模型。通过选取地铁北京站和积水潭站-东直门站的历史数据开展进站客流和OD客流预测实验,结果表明:与多个基准模型相比,该模型在平均绝对误差、均方根误差和平均百分比误差这3个指标中均取得了更优的预测效果,相较最优基准模型扩散卷积循环神经网络(diffusion convolutional recurrent neural network,DCRNN)分别降低了9.93%,12.30%,9.23%,对地铁客流时空分布的拟合程度更好,模型具有更好的预测精度、稳定性和拟合能力。

多头图注意机制的深度学习地铁客流预测方法

挖掘地铁站点间的客流时空关联性是实现高精度地铁实时客流预测的关键。由于地铁网络中站点间客流的空间关联强弱性较为复杂且难以量化,从而导致客流预测过分依赖时间关联性。为克服该缺陷,提出一种多头图注意机制的深度学习地铁客流预测方法,通过构建面向地铁网络的多头图注意机制对多个关联站点间的客流空间关联性进行学习,得出差异化权重值,量化目标站点与关联站点群之间的客流空间关联强弱性;同时,将多头图注意机制融入长短时记忆学习模型,以量化后的空间关联性数据为输入,结合地铁客流量的时间关联性实现客流预测。实验结果表明,所提出的方法可行、有效,能够提升地铁客流预测精度且预测结果优于经典预测方法。

多视角融合的时空动态GCN城市交通流量预测

城市交通流量预测是构建绿色低碳、安全高效的智能交通系统的重要组成部分.时空图神经网络由于具有强大的时空数据表征能力,被广泛应用于城市交通流量预测.当前,时空图神经网络在城市交通流量预测中仍存在以下两方面局限性:1)直接构建静态路网拓扑图对城市空间相关性进行表示,忽略了节点的动态交通模式,难以表达节点流量之间的时序相似性,无法捕获路网节点之间在时序上的动态关联;2)只考虑路网节点的局部空间相关性,忽略节点的全局空间相关性,无法建模交通路网中局部区域和全局空间之间的依赖关系.为打破上述局限性,提出了一种多视角融合的时空动态图卷积模型用于预测交通流量:首先,从静态空间拓扑和动态流量模式视角出发,构建路网空间结构图和动态流量关联图,并使用动态图卷积学习节点在两种视角下的特征,全面捕获城市路网中多元的空间相关性;其次,从局部视角和全局视角出发,计算路网的全局表示,将全局特征与局部特征融合,增强路网节点特征的表现力,发掘城市交通流量的整体结构特征;接下来,设计了局部卷积多头自注意力机制来获取交通数据的动态时间相关性,实现在多种时间窗口下的准确流量预测;最后,在4种真实交通数据上的实验结果,证明了该模型的有效性和准确性.

基于时空关系的高速公路交通流量预测

高速公路交通流量预测对于交通拥堵预警、分流诱导和智慧高速公路建设具有重要意义.交通流具有复杂的时空依赖性,各个交通节点之间的空间关系随时间动态变化,时空关系的融合也缺乏高效的手段,因此对交通流量进行准确的预测具有挑战性.对此,提出一种基于动态图卷积网络与时空特征提取模块的高速公路交通流量预测方法.首先,通过动态图调节模块,提取交通流量序列的空间关系,根据提取到的空间特征,计算不同路网节点的道路相似性,并调整交通路网图结构;其次,通过时空特征提取模块,利用更新后的空间结构,结合时序处理方法,对交通流量数据的时空依赖关系进行建模.为检验模型效果,在美国加州高速公路性能测量系统(Performance measurement system,PeMS)所制作的数据集PeMS03、PeMS04、PeMS08和福州京台线高速公路数据集中进行实验对比,平均绝对误差分别为15.6、19.7、16.8和5.21,结果表明,本文提出的方法在高速公路交通流量预测中具有较好的表现.

基于相互学习的短时交通流预测研究

交通流预测是智能交通系统(ITS)的核心,其中时空特性是最主要的特征;由于不同道路之间存在复杂的空间相关性和时间依赖性,因此交通流预测成为一项具有挑战性的任务;目前,基于图卷积神经网络的预测方法在网络局部以及整体的特征感知和提取方面,仍存在优化空间;为了解决以上问题,提出了一种基于图神经网络的优化模型(DMCRNN),该模型以DCRNN为基准模型,利用相互学习策略对其进行优化;在训练过程中,两个DCRNN网络之间相互学习、相互指导,以此来增强每个网络的特征学习能力;在METR-LA和PEMS-BAY两个真实数据集上验证优化策略的有效性;结果表明,经过优化后的模型预测误差显著降低,在两个数据集上一小时的MAE与DCRNN相比分别降低了0.15和0.12,即相互学习优化策略具有较好的性能。

基于图Transformer网络的城市路网短时交通流预测模型

针对城市路网短时交通流预测问题,在考虑路网交通状态时空相关性基础上,提出了一种基于图Transformer(graph transformer,Graformer)的预测方法。该方法将多条路段的交通状态预测问题转化为图节点状态预测问题,针对区分相同结构的空间路网结构图,将带有边的图同构网络(graph isomorphism network with edges,GINE)和Transformer网络相结合,对交通状态在路网层面的时空相关性进行建模,从而实现城市路网短时交通流预测。具体来说,Graformer模型首先利用长短期记忆网络(long short-term memory,LSTM)对交通数据的时序信息进行预处理,接着采用基于GINE与Transformer的全局注意力机制提取交通数据的空间特征,最后实现路网各路段交通流的同步预测。

时空图神经网络在交通流预测研究中的构建与应用综述

交通流量预测是城市交通管理和规划中的关键问题,而传统预测方法在面对数据稀疏性、非线性关系和复杂动态性等挑战时表现不佳。图神经网络是一种基于非欧结构数据的深度学习方法,近年来在各种复杂网络建模和预测任务中得到广泛应用。为了应用于交通流量预测领域,提出了时空图神经网络,其能够捕捉空间和时间相关性,相较之前的预测模型有显著进步。对近年来使用时空图神经网络进行交通流量预测的模型进行分析,概述和比较了多种邻接阵的构造方式,然后从空间相关性和时间相关性的角度列举了构建交通流预测模型的常用组件,并对不同的时空融合方式进行了分类和对比;在应用方面,根据时间尺度的不同将时空图神经网络模型分为长期预测、短期预测与兼顾长短期的预测三类,分析了各自的目标与要求,并列举比较了近年来较为突出的新模型。最后,讨论了现有研究的局限性,对相关模型的未来研究做出展望。

瞬态多相流场图神经网络时空预测方法研究

为实现对大型能源化工装备(如循环流化床)内瞬态多相流场的快速时空建模和预测,本文采用基于网格图神经网络的深度学习模型,针对循环流化床非结构化时变数值仿真数据,建立离散相体积分数的时空耦合预测器。该模型有效捕捉了反应器的时空多尺度特性,能高效地进行多相流场时空耦合动态预测,结果表明:速度远超传统数值仿真,加速比可接近500。

域自适应动态图卷积网络下的地铁客流预测

针对客流预测中存在因数据量有限导致模型训练过程中出现高方差和泛化性差等问题,提出一种域自适应动态图卷积网络(GCN-DANN)。通过构建地铁线路的节点网络拓扑结构,并利用动态图卷积网络提取相邻站点之间的流量、站点所属线路的交通负载以及不同线路之间的流量传播等关联特征。同时采用迁移学习自适应对齐源域和目标域的特征,减少因数据分布不一致而导致预测性能低等现象。最后,通过全连接层将源域和目标域中的特征进行信息融合,进而弥补训练过程出现高方差和泛化性差等缺陷。在深圳地铁数据集上对模型训练,分别在杭州地铁全样本和20%样本数据集上进行测试和验证。实验结果表明,在20%样本数据集下,GCN-DANN网络与经典预测网络相比,MAE、RMSER和MAPE分别平均下降5.34%、6.07%、2.97%。在全样本数据集下,GCN-DANN在20%样本基础上的三项指标分别下降2.76%、1.77%、3.5%,相较于其他经典网络下降幅度最小。研究可解决实际应用中因数据稀缺导致预测效果差的问题。

基于周期图卷积与多头注意力GRU组合的交通流量预测模型

为了捕获交通流量数据中复杂的时空动态变化关系以及周期性变化的特征,同时避免道路突发情况引起的误差累计效应,提出一种基于周期图卷积(periodic graph convolution network,PGCN)与多头注意力门控循环单元(multi-head attention gated recurrent unit,MAGRU)组合的交通流量预测模型。首先,模型的时空数据融合模块利用交通流量的周期相似性构建周期图,同时将空间和时间编码信息添加至交通流量序列数据;然后在时空特征提取模块中,GCN子模块捕获周期特征图中的空间特征,MAGRU子模块捕获序列数据中的时间特征;最后通过门控融合机制将两者提取的时空特征进行融合。模型在两个真实的交通流量数据集上进行了实验。结果表明,该模型相较于多个最新基准模型,在MAE、RMSE、MAPE三个预测误差指标上平均降低了5.4%、22.8%、10.3%,R2精确度指标平均提高了11.6%。说明模型在预测精度方面有显著的改进,并能有效减少误差累积效应。

基于自适应平衡静动态联合网络的公交客流预测

为解决现有公交客流预测方法多数利用预定义的图结构进行空间建模,对交通状况变化所引起客流波动考虑不充分,无法捕捉短时动态的空间依赖关系问题,提出一种自适应平衡静动态联合网络(ASDNet)模型。首先,利用时间卷积网络捕获序列的时间相关性;其次,利用图卷积捕捉站点之间整体空间信息,采用动态图同构网络捕捉相邻时隙动态图之间隐藏的动态依赖关系;最后,通过自适应平衡机制自适应地调节静动态联合网络之间的信息传递。在广州市真实公交数据集上进行了实验,结果表明,与多个基准模型相比,该模型在MAE、RMSE和MAPE预测误差指标上平均降低了12.2%、9.9%和15%,R2精确度指标上平均提高了6.3%。表明该模型能够有效地捕捉客流数据的时空变化规律,可为公交运营管理提供技术参考。