旅行时间预测是实施在线交通控制、管理与部署的关键依据。为准确、实时地预测旅行时间,提出结合长短期记忆(long short term,LSTM)与注意力机制(attention mechanism,Attention)的方法对高速公路路段旅行时间进行预测。首先,考虑交通...旅行时间预测是实施在线交通控制、管理与部署的关键依据。为准确、实时地预测旅行时间,提出结合长短期记忆(long short term,LSTM)与注意力机制(attention mechanism,Attention)的方法对高速公路路段旅行时间进行预测。首先,考虑交通分流与自动车牌识别的相对位置将公路划分为多个路段,计算每个路段的平均时间作为LSTM的输入。其次,采用Attention将LSTM的隐藏层与动态时间权重相结合,提高预测精度。实践结果表明,结合LSTM与Attention的方法可以预测更准确的旅行时间,有利于提高交通管理系统和交通信息系统的性能。展开更多
在路基连续压实过程中,通过可靠的连续压实指标实现对路基压实程度的实时监测是实现智能压实的基础环节。本文通过分析压实计值(Compaction Meter Value,简称CMV)随碾压参数的变化,建立CMV与压实度线性拟合关系,以代替压实度作为路基压...在路基连续压实过程中,通过可靠的连续压实指标实现对路基压实程度的实时监测是实现智能压实的基础环节。本文通过分析压实计值(Compaction Meter Value,简称CMV)随碾压参数的变化,建立CMV与压实度线性拟合关系,以代替压实度作为路基压实评价指标,并基于BP神经网络建立CMV与碾压参数之间的回归关系。试验表明CMV作为评判压实质量的间接指标具有一定的可靠性,在CMV与碾压参数关系中,CMV随振动频率变化。建立的CMV-碾压参数回归模型表明振动频率、速度对CMV的相关性较高,通过调整碾压参数实现对CMV的控制是可行的。展开更多
文摘旅行时间预测是实施在线交通控制、管理与部署的关键依据。为准确、实时地预测旅行时间,提出结合长短期记忆(long short term,LSTM)与注意力机制(attention mechanism,Attention)的方法对高速公路路段旅行时间进行预测。首先,考虑交通分流与自动车牌识别的相对位置将公路划分为多个路段,计算每个路段的平均时间作为LSTM的输入。其次,采用Attention将LSTM的隐藏层与动态时间权重相结合,提高预测精度。实践结果表明,结合LSTM与Attention的方法可以预测更准确的旅行时间,有利于提高交通管理系统和交通信息系统的性能。
文摘在路基连续压实过程中,通过可靠的连续压实指标实现对路基压实程度的实时监测是实现智能压实的基础环节。本文通过分析压实计值(Compaction Meter Value,简称CMV)随碾压参数的变化,建立CMV与压实度线性拟合关系,以代替压实度作为路基压实评价指标,并基于BP神经网络建立CMV与碾压参数之间的回归关系。试验表明CMV作为评判压实质量的间接指标具有一定的可靠性,在CMV与碾压参数关系中,CMV随振动频率变化。建立的CMV-碾压参数回归模型表明振动频率、速度对CMV的相关性较高,通过调整碾压参数实现对CMV的控制是可行的。