基于神经网络的大数据分析在智慧交通中的应用

为提升交通流量预测的准确性和效率,研究基于神经网络的大数据分析在智慧交通中的应用。首先深入探讨智慧交通系统的整体架构,其次研究基于层归一化的循环神经网络(Recurrent Neural Network,RNN)优化方法,最后进行实验分析。实验结果表明,所提方法的均方根误差(Root Mean Squared Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)明显优于传统标准RNN方法。

大规模校园网络子空间流量异常检测仿真

与其它网络不同,校园网络功能分区较多,极易受到网络恶意攻击,为此提出一种大规模校园网络子空间流量异常检测算法。建立校园网络流量采集拓扑结构,按照IP地址段将网络划分为5个网段,利用NetFlow机制分别采集每个网段的流量数据;采用主成分分析法归一化处理采集的校园网络流量数据,通过建立样本矩阵,从大量的样本指标中筛选出主成分;将校园网络划分为正常子空间和异常子空间,并将流量测量向量映射到两个子空间中,位于门限值以外的点即为异常点,完成流量异常的检测。实验结果表明,所提方法可以精准检测网络流量异常,并取得理想的检测率和保持率。

基于特征强化神经网络的交通流预测

为了解决挖掘特征能力不足的问题,充分提取不同出行高峰日特征来提高交通流预测的准确性,本文提出了基于特征强化的交通流预测模型——卷积神经网络(convolutional neural network,CNN)–特征增强(feature enhancement,FE)–门控循环单元(gate recurrent unit,GRU)(CNN-FE-GRU)神经网络模型。该模型首先采用CNN来挖掘不同时间序列下路口与车流量的潜在联系,有效地捕捉时序数据的特征;其次提出FE模块来增加模型聚焦能力,刻画不同时间节点对目标时间节点交通流的相关性,同时为每个时间节点赋予相应权重;最后采用GRU对输出的时序数据进行进一步的特征提取,并在全连接层的作用下实现交通流的预测。实验结果表明,CNN-FE-GRU模型的平均绝对误差(mean absolute error,MAE)、均方误差(mean-square error,MSE)和均方根误差(root mean square error,RMSE)平均值分别为0.229、0.1308、0.3388,相较于对比模型均有不同程度下降,CNN-FE-GRU模型在精确度和预测性能方面都有了显著提升。

一种噪声容忍的网络流量分类方法

针对传统基于机器学习的网络流量分类方法中样本标签的正确性会直接影响结果精度的问题,提出一种噪声容忍的网络流量分类方法。该方法基于深度残差网络的方法,首先,对网络流量数据进行归一化以及数据增强处理后映射成灰度图片,并对其样本标签进行不同程度的加噪;然后,基于Res2Net深度残差神经网络设计适用于网络流量噪声干扰下的维度模块,构造可以适用于流量标签噪声容忍的深度神经网络模型。基于公开数据集的实验结果表明,与传统的噪声容忍分类算法相比,基于改进的深度残差神经网络在不同噪声率下均提升了分类精度,并且在高噪声率下提升更为显著。

截断随机出行时间下可靠网络均衡模型

针对现有随机交通网络均衡模型未考虑路径出行时间的有界性和准时到达概率对出行者路径选择行为影响的问题,基于截断随机出行时间,提出了克服其局限性的可靠网络均衡条件,该均衡条件下没有出行者可以通过单方面改变出行路径来提高准时到达概率.构建了该均衡条件的等价变分不等式(VI)模型,并证明了其等价性和解的存在性.设计了基于路径的相继平均(MSA)算法对模型求解.采用Nguyen-Dupuis网络对可靠网络均衡模型和MSA算法的有效性进行了测试.研究结果表明:该算法能够快速收敛到较高精度;与不考虑随机出行时间有界性的模型相比,网络均衡状态下的准时到达概率和流量分布均存在差异,最大路段流量相对变化值达到38.5%;增加出行时间预算和降低出行时间上界均可以有效提高起讫点间的准时到达概率.

基于深度卷积神经网络的网络流量分类方法

针对传统基于机器学习的流量分类方法中特征选取环节的好坏会直接影响结果精度的问题,提出一种基于卷积神经网络的流量分类算法。首先,通过对数据进行归一化处理后映射成灰度图片作为卷积神经网络的输入数据,然后,基于LeNet-5深度卷积神经网络设计适于流量分类应用的卷积层特征面及全连接层的参数,构造能够实现流量的自主特征学习的最优分类模型,从而实现网络流量的分类。所提方法可以在避免复杂显式特征提取的同时达到提高分类精度的效果。通过公开数据集和实际数据集的系列仿真实验测试结果表明,与传统分类方法相比所提算法基于改进的CNN流量分类方法不仅提高了流量分类的精度,而且减少了分类所用的时间。

基于t-SNE降维预处理的网络流量异常检测

网络流量中大多数流量都是正常的,但经常会出现偏离正常范围的异常流量,主要由DDOS攻击、渗透攻击等恶意的网络行为引起,这些异常行为通常会导致网络质量下降,甚至网络直接瘫痪。因此引入网络安全态势的预测,在仅知道正常网络流量的情况下判断网络中的异常。异常检测是一种网络安全态势的预测方法,用来判断网络中是否有异常。现有的异常检测算法由于无法准确提取网络数据包的低维特征导致算法的性能不佳,因此,需要找到网络数据包的准确的低维特征表示,该低维特征表示能够区分网络数据包是正常的还是有攻击的。为此,本文引入基于t-SNE降维的NLOF异常检测算法。该算法采用t-SNE算法自动预处理网络数据包以获得低维的网络数据包特征,之后将得到的低维的网络数据包特征作为NLOF算法的输入进行异常检测。其中,本文的NLOF算法首先采用k-means算法将网络数据包聚类成为K个簇,并将网络数据包数量小于N个的簇标记为异常簇,之后将未被标记为异常簇的网络数据包作为LOF算法的输入进行异常检测。在ISCX2012数据集上的实验结果表明,基于t-SNE降维的LOF算法达到最优性能时,准确率为98.46%,精确度为98.38%,检测率为98.54%,FAR为0.66%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.18个百分点、0.02个百分点和0.01个百分点。基于t-SNE降维的NLOF算法达到最优性能时,准确率为98.53%,精确度为98.86%,检测率为98.86%,FAR为0.32%。该算法比基于现有最新算法的准确率、检测率和F1分别高3.25个百分点、0.34个百分点和0.41个百分点。这是异常检测中首次采用t-SNE算法自动提取低维的网络数据包特征。此外,LOF算法仅能捕获异常点,而本文的NLOF算法能够同时捕获异常点和异常簇。

基于优化的卷积神经网络在交通标志识别中的应用

在现实的交通环境中,由于各种因素影响,使得所采集到的交通标志图像识别的准确性不高,鲁棒性也较差,给交通标志的准确识别带来了很大的困难。为此,采用非对称卷积结构对经典卷积神经网络AlexNet进行改进,并引入批量归一化(BN)方法,提出基于优化卷积神经网络结构的交通标志识别方法。其中,非对称卷积结构使网络进一步加深,提高了识别精度。BN将每一层的输出数据归一化为均值为0、标准差为1,确保了数据稳定,使梯度传输更为顺畅。使用德国交通标志数据集进行训练并测试,结果显示改进的网络结构提升了网络的分类精度,且达到了97.56%,具有一定的应用价值。

基于路网的道路建设项目经济评价中效益计算方法研究

效益计算是进行道路建设项目经济评价的一个重要内容,效益计算一般涉及正常交通量、转移交通量和诱增交通量.通过分析给出了确定道路建设项目影响区分析方法,并在分析各种类型交通量对道路建设项目效益影响的基础上,给出了基于路网的道路建设项目效益计算模型,为更加合理进行经济评价提供参考.

基于AlexNet网络的交通标志识别方法

针对交通标志在城市交通中易受恶劣天气、交通拥堵等影响而导致识别率低的问题,提出了一种在Alex模型基础上改进的交通标志识别方法,引入了批量归一化(Batch Normalization,BN)方法取代原有的局部响应归一化(Local Response Normalization,LRN)法,并加入全局平均池化层(Global Average Pooling Layer,GAP)取代原有的全连接层。其中BN法将每一层输出数据归一化为均值为0、标准差为1,使得结构传输更为顺畅;GAP层的引入大大减少了网络参数量。使用GTSRB数据集进行训练并测试,结果表明改进后的网络模型分类精度有了很大的提高,达到了93.2%,具备一定的实用价值。

基于自编码器算法的网络正常流量过滤方案

为解决网络应用层流量所带来的安全隐患与传统检测方法极大地消耗设备性能的问题,提出一种基于自编码器算法的网络正常流量过滤的解决方案。该方案对数据流量集进行规则预处理后,提取流行为上的统计特征,对提取的特征进行自编码器算法的模型过滤。实验结果表明,该方案可过滤掉大部分网络中的正常流量,相较于传统的流量检测方法,整体的过滤性能显著提升。

基于卷积神经网络的交通标志识别方法

交通标志识别在自动驾驶过程中起着十分重要的作用。为了解决识别精度低的问题,提出一种基于卷积神经网络的识别方法,通过改进深度相互学习网络完成对交通标志的识别,使用ResNet-19网络作为特征提取部分,使用全局平均池化层作为分类器部分,使用交叉熵损失和相对熵损失作为损失函数部分,并增加超参数α与δ来衡量这两个损失在训练中的权重;同时,引入一种使用不同初始值的批量归一化层训练的技巧,以此来提高模型的收敛速度。试验研究中,改进的方法用在德国交通标志识别测试集上达到了98.90%的识别精度,比改进前精度提高了2.17%,与目前优秀的交通标志识别模型相比,本方法精度仍有一定的提高。试验结果表明在复杂的环境中,本方法可以准确地识别交通标志,这为后续相关研究提供了良好的技术支持。

一种基于深度Encoder-Decoder神经网络的智能电网数据服务器流量异常检测算法

传统的网络流量异常检测通常基于单一原始特征变量进行阈值判断,或者对多个相关变量进行降维设计统计量后进行阈值判断,这类方法虽然简单,但无法应对变量间非线性关系随时间变化的情况。本文设计一种能够自适应动态逼近变量间非线性关系的深度神经网络,在普通的Encoder-Decoder神经网络的基础上引入2层注意力机制,提高了神经网络对长期历史信息的利用程度,实现了流量正常状态估计。基于估计得到的流量正常行为,分析其与实测值的残差分布情况,并最终给出置信区间作为判别异常行为的控制限。

基于轻量WACNN的交通标志识别

现有交通标志识别技术,存在高识别率高功耗或者低识别率低功耗的问题,构建了新轻量级WACNN的识别算法。首先,利用TensorFlow构建6层卷积神经网络,其中前三层为卷积池化层,四层为1×1卷积层,五层为全连接层,六层为输出层,前四层再加入批量归一化方法。其次,使用直方图均衡对交通图像预处理。最后,模型在GTSRB上进行实验,实验结果表明,所提模型不仅极大缩短了训练时间,且识别准确率也能达到了97%。

基于交通流时间序列相似性的NCut城市路网分区算法

针对大规模城市道路交通路网分区的实际需求,基于可反映时间序列变化趋势的皮尔逊相关系数和度量空间关系的欧式距离,构建了一种衡量交通流时间序列相似性的综合指标;结合交通流时间序列的时空相似性特点,引入子区内的空间连通约束,利用归一化割(NCut)算法设计了一种改进的路网静态分区算法;为体现交通路网分区的时变特征,选取了合适的评价指标来确定每一时间段内合理的分区数量,提出了一种基于时间序列的NCut路网动态分区算法;利用北京市东北二环区域内采集的路段交通流速度数据,应用所设计的算法对7.23 km^(2)的路网进行分区,对比了晚高峰时期的分区效果。研究结果表明:所提出的分区算法能实现对路网内不同区域交通状况的有效识别,以30 min为间隔的动态分区算法能划分出数量和范围随时间变化的多个可变子区域;与子区数固定为2、3、4、5的静态分区算法相比,动态分区算法的评价指标分别提升了63.77%、50.06%、6.43%和7.13%,提高了路网分区效果。可见,本文提出的动态分区算法在保证子区内部连通性的基础上可将异质路网划分成多个内部同质子区域,并充分体现交通流动态演化的时空特性,有利于制定动态的多区域边界控制方案。