基于PSO-LSTM的短时交通流量预测网站设计

短时交通流量预测是智能交通系统中的重要环节,选用在短时交通流量预测方面表现出色的LSTM神经网络,并利用PSO算法优化LSTM神经网络模型。实验结果表明,与传统LSTM模型相比,所构建的PSO-LSTM模型对未来5分钟和10分钟两种短时交通流量预测,达到了更高的准确率。在此基础上,设计了一个交通流量预测网站更好地展示了预测结果,也方便用户随时查询。

面向CIM和动态交通分析的多源异构数据融合技术研究

针对当前智慧交通系统仅能对少量指标进行分析的问题,文中基于CIM三维实时交通数据以及多源数据系统提出了一种动态城市交通分析算法。该算法由多尺度DCNN和Bi-LSTM模型组成,其中多尺度DCNN模型可以对CIM三维交通数据进行训练,从而获得实时的交通特征信息。同时由于加入了残差网络,使得模型具有更好的全局视野特征。通过Bi-LSTM对与交通相关的多源数据进行训练,以得到数据的时序特征,由Softmax网络对多源数据特征实现融合并获得最终结果。实验测试结果表明,所提算法的图像识别性能与多源数据分类性能在对比算法中均为最优,且识别准确率可达87%,证明其具备良好的实时交通状态识别能力。

基于VMD-HSSA-BP神经网络模型的短时交通流预测

针对交通流数据的非平稳性和短时交通流预测高精度要求的问题,提出了一种由变分模态分解(VMD)、改进麻雀搜索算法(HSSA)和BP神经网络的组合预测模型。模型利用变分模态分解降低历史交通流数据的非平稳性,使用Hammersley和自适应控制因子分别改进麻雀搜索算法种群初始化和发现者位置更新公式,提高麻雀搜索算法的收敛速度和寻优能力,使用改进后的麻雀搜索算法寻找BP神经网络的最优权值和阈值,提升BP神经网络预测的精准度。通过仿真,将模型与现有模型进行对比,模型预测结果更好,验证了模型能克服交通流数据非平稳性,并具有较好的预测精度。

基于网络流量时空特征和自适应加权系数的异常流量检测方法

针对传统异常流量检测模型对流量数据时空特性利用率较低从而导致检测模型性能较差的问题,该文提出一种基于融合卷积神经网络(CNN)、多头挤压激励机制(MSE)和双向长短期记忆(BiLSTM)网络的异常流量检测方法MSECNN-BiLSTM。利用1维CNN挖掘空间尺度下的异常流量特征,并引入MSE,多角度自适应特征加权,强化模型全局特征的关联能力。将网络流量的特征输入BiLSTM,捕捉流量数据的时序依赖性,进一步建立网络流量在时间尺度上的关系模型。利用softmax分类器进行预测分类,实验结果验证了所提模型在异常流量检测领域的有效性。

基于ResNet-LSTM组合模型的网络流量预测研究

对网络流量的准确预测,不仅是网络安全稳定运行的保障,还是运营商合理调度网络资源的重要参考.为了提高网络流量预测精度,提出一种基于残差网络与长短时记忆网络相结合的流量预测方法.首先,使用残差卷积层提取原始数据特征,并将提取的特征向量输入LSTM各节点,然后,LSTM细胞单元通过循环连接进行长序列预测,最后,通过输出层输出预测结果.利用淮南汽车站采集到的网络流量数据进行实验仿真,并与卷积网络、残差网络和长短时记忆网络预测方法对比,实验结果表明,ResNet-LSTM模型预测精度更高.

基于并行多尺度卷积记忆残差网络的物联网流量预测

针对现有物联网流量预测方法中特征提取不足、丢失重要信息、预测准确度不高的问题,提出了一种基于并行多尺度卷积记忆残差网络的物联网流量预测方法。首先,采用并行结构,CNN提取多尺度的局部特征得到包含有局部特征的序列,LSTM和BiLSTM分别提取前向的时间关系和前后向的时间关系得到有合适比例的前后向时间特征序列;其次,引入ResNet结构,在CNN、LSTM、BiLSTM的输入和输出之间加入跳跃连接,即通过跳跃连接在特征序列中加入原始序列信息;再次,在有原始信息的特征序列中分配可训练的权重参数,突出相应序列的重要性,进行拼接得到总的输出序列;最后,将总的输出序列输入到全连接网络中得到预测结果。实验结果表明,本方法在均方根误差(RMSE)、平均绝对误差(MAE)、拟合系数(R2)3项指标上要优于其他方法,能更准确地进行物联网流量的预测。

基于CNN-LSTM-AM的短时交通流量预测

短时交通流量预测对于提高实时交通数据信息的精准性及增加车辆道路行驶的效益性具有重要意义。为能准确预测未来短期交通流量情况,支持智能交通系统的应用和决策,提出一种基于CNN-LSTM-AM的短时交通流量预测模型。首先利用卷积神经网络(convolutional neural network,CNN)来对交通流序列进行信息捕捉,从而提取交通流数据的动态变化特征;其次将所提取的特征向量构成时间序列作为长短期记忆(long short-term memory,LSTM)网络的输入;最后根据注意力机制(attention mechanism,AM)来分配LSTM隐含层不同权重,增强重要特征的作用,完成交通流量预测。采用美国加利福尼亚州高速路网数据库PeMS里面的相关数据信息,通过实验与其他神经网络预测模型进行对比,结果显示,CNN-LSTM-AM模型的相对平均误差(mean absolute percentage error,MAPE)值为0.254578%,R^(2)=0.583152,预测能力优于其他对比模型。其所用方法可以对未来短时交通流量预测提供一种思路模型。

区域船舶交通流量预测ChebNet-LSTM模型

针对船舶交通流量预测模型对船舶流量数据空间特征考虑较少的问题,建立一种由切比雪夫网络(Chebyshev network,ChebNet)和长短期记忆网络(long short-term memory,LSTM)组成的深度学习预测模型ChebNet-LSTM。ChebNet的K阶卷积算子有利于提取船舶流量数据的空间特征,而LSTM用于学习船舶流量数据的时间特征。选取舟山水域中船舶流量不同的3个区域进行船舶流量预测实验。结果表明,所提出的ChebNet-LSTM模型可以有效地提取船舶流量数据的时空特征,在各项评价指标上的表现均优于对比模型,预测精度得到较大提高,可以为水上交通智能航行提供数据支撑。

基于WNN模型的短时交通量预测研究

科学准确预测运营期公路交通量是实现智能交通系统的重要组成部分,并能对公路基础设施的优化设置提供关键支持。本文采用小波神经网络、GA-BP、SVM、GA-LSSVM、PSO-LSSVM五种模型对短时交通量进行预测,并将预测值与实际值进行对比。研究发现:神经网络预测模型整体优于支持向量机及其优化模型,能提升交通量预测的有效性和准确性,其中GA-BP模型相对于其他模型在短期交通量预测中具有预测精度高、收敛速度快的特点,能满足公路运营管理及智能交通需求。

基于LSTM的DAE加密流量识别

随着虚拟专用网(VPN)技术的广泛应用,实时VPN流量识别已成为网络管理和安全维护中越来越重要的任务.加密流量使得从原始流量中提取特征变得极具挑战性,现有的VPN流量识别方法通常存在高维数据特征提取困难的问题.提出了一种在DAE(Denoising Auto-Encoder,降噪自编码器)的网络结构基础上加入了LSTM(Long Short Term Memory,长短时记忆)的模型,将深度学习相关技术融入加密流量识别技术之中,使一直存在的难以处理高维数据以及特征提取等问题得到解决.

融合滞后极限学习机的IDBiLSTM短时交通流预测

深度学习短时交通流预测中,存在数据处理实时性较弱,以及算法对交通流数据的复用和修正能力不足导致预测性能较差的问题。针对这一问题,提出一种融合滞后极限学习机的深度双向长短时记忆神经网络短时交通流预测方法。首先,引入权值共享机制对双向长短时记忆网络模型进行结构优化,在模型训练过程中不断进行权重更新和偏置更新,从而充分利用逆序逆转数据增强数据的复用和修正能力;其次,为了进一步提高算法实时性,引入极限学习机模型,并在其神经元激活函数中嵌入生物神经系统中的滞后参数进行优化,加速了运算效率,提升算法的整体实时性。实验结果表明:提出的方法预测精度和算法实时性均有提升,与经典方法CNN-BiLSTM和多元集合CNN-LSTM相比,平均绝对误差分别减少了6.82、6.47,计算速度分别提高了12、19 s,具备良好的短时交通流预测能力和实时性。

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。

高速公路短时交通流量预测方法设计与实现

高速公路交通流量受到多个因素的影响,模式复杂多变,难以准确获取短时交通流动特征。为此,引入动态时空神经网络对高速公路短时交通流量进行预测。利用交通流量阈值,计算超出道路通行能力的车辆,根据数据样本之间的欧氏距离,修复交通流量数据。构建基于动态时空神经网络的高速公路短时交通流量预测模型,采用多层三维卷积捕捉短时交通流动特性,获取高速公路短时交通流量预测结果。实验结果表明,所提方法能够较好地拟合真实的交通情况,确定系数高达0.94,预测延误最高仅为0.009 ms。

基于CBAM&ConvLSTM的短时交通拥塞预测

短时交通拥塞预测是智能交通的重点问题,其难点在于时空序列的数据处理和特征提取。卷积长短期记忆网络(Convolutional Long Short-Term Memory, ConvLSTM)适合处理兼具时间和空间相关性的交通数据。而卷积注意力机制(Convolutional Block Attention Module, CBAM)在空间和时间维度引入注意力机制,使模型对于数据的变化更加敏感。文中结合ConvLSTM和CBAM,设计了一种新模型,对短时交通拥塞进行预测。实验基于百度地图实时数据,并与其他主流模型进行了比较。结果表明,该模型在交通数据的适应性方面优于其他模型,为解决交通拥塞的预测问题提供了一种新的思路和方法。

基于LSTM神经网络的智慧交通管理系统设计

随着城市化进程的加快,交通拥堵问题日益严重,传统交通管理系统已难以满足现代交通管理的需求。为了提升交通效率、减少拥堵并优化出行体验,文章设计了一种基于长短期记忆(Long Short-Term Memory,LSTM)神经网络的智慧交通管理系统。该系统旨在通过深度学习和大数据分析技术,实现对交通状况的精准预测与智能调控。文章先构建了智慧交通管理系统的总体框架,然后详细分析了系统的各功能层设计。在业务层深入探讨了LSTM神经网络模型的选择与优化策略,包括网络结构的调整、损失函数的优化等,以确保模型能够准确捕捉交通流数据的时序特征与非线性关系,并通过实验证明该系统具有良好的稳定性和预测精度,可为智慧交通管理提供更好的支持。

基于GAT-LSTM模型的高速公路站点流量预测方法

为了实现对高速公路站点流量的准确预测,提出了一种利用组合模型捕捉高速公路收费站流量时空特征以提高交通流量预测精度的方法,首先对高速公路收费数据进行挖掘,得到交通流量时空数据集;其次通过分析其时空特征,揭示高速公路收费站之间流量的时空演化规律及关联机制;最后结合深度学习模型预测高速公路交通流量。以江西省九江主线收费站为实验对象,收集了2021年5月1日至2021年12月31日的收费数据进行处理,将提取特征后的流量时空数据作为模型输入,得到出口流量分析预测结果。利用平均绝对误差、均方根误差和平均绝对百分比误差3项指标对模型预测效果进行评价,结果显示该模型能够利用时空特征有效提高流量的预测精度,与单一模型相比具有更好的预测性能。

改进PSO-LSTM算法预测高速公路交通量

高速公路交通政策的制定需要准确地预测交通量,基于此,选用长短期记忆网络(long short-term memory,LSTM)机器学习模型对其研究,针对LSTM模型中参数确定的问题,选用粒子群优化(particle swarm optimization,PSO)算法对其优化,同时针对PSO算法中粒子位置更新问题,以公式中各参数含义为切入点进行改进,将PSO算法公式中原来静态的惯性权重及学习权重改为会随着迭代次数及粒子位置改变而改变的动态值,从而达到搜寻精度提高的目的,据此构造改进PSO-LSTM模型,最后通过实例计算分析,分别对高速公路的工作日及休息日进行预测。结果表明改进的PSO-LSTM模型较LSTM模型在工作日及休息日交通量的预测上,其评价指标均方根误差分别提高了12.19%、10.97%,平均绝对误差分别提高了17.06%、15.17%,平方绝对百分比误差分别提高24.56%、23.88%,精度提高值明显高于PSO-LSTM模型。改进PSO-LSTM模型在交通量预测精度上具有显著提高作用,且抗干扰能力强,可以为政策的合理制定提供更可靠的依据。

基于注意力卷积长短时记忆模型的城市出租车流量预测

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。

面向网络入侵的人工智能检测方法

随着互联网的迅速发展,网络安全问题日益突出。为此,文章提出一种基于小波变换和长短期记忆网络(Long Short-Term Memory,LSTM)的网络入侵检测方法。分析网络入侵检测问题,并提出基于人工智能的入侵检测系统功能框架。采用小波变换技术提取网络流量的时序特征,并将其作为LSTM的输入,实现对网络入侵行为的识别和检测。在NSL-KDD数据集上进行实验验证,结果表明该方法具有较高的准确率、召回率及精确率,凸显了其在网络安全领域的有效性和可行性。