摘要：城市交通行程时间预测是发展城市智能交通系统必然要求和核心任务,难点在于交通流具有强烈的非线性和随机性。针对传统基于神经网络的行程时间预测模型结构复杂、鲁棒性欠佳的情况,构建基于改进注意力机制的门控循环神经网络的行程时间预测模型,借助注意力机制捕捉历史行程时间数据时间相关性特征,同时创新提出使用遗传算法对注意力层权值进行独立训练寻优。实验选取珠海市香洲区彩虹路为研究对象,结果发现:基于改进注意力机制的门控循环神经网络模型(EAG-RU)平均绝对百分比误差落在5.9%左右,在可接受误差范围内且误差低于其他4种基线方法,预测效果更好;与未引入注意力机制的门控循环神经网络(GRU)模型相比,该模型预测结果提高了41.4%,同时表现出受数据量变化波动较小、鲁棒性好。

摘要：传统应急管理模式存在系统孤立、各自为政等不良现象,在分析指挥调度平台功能、性能、数据等3大应用需求的基础上,以管理业务为导向提出面向区域公路网的指挥调度平台设计思路与框架体系,从应急侦测、调度响应、信息显示、智能分析等4个层次构建公路网指挥调度平台的6大组成系统,即气象服务系统、事件管理系统、监控调度系统、GIS综合显示系统、信息发布系统、决策支持系统,各系统之间通过数据共享与协同工作形成完整的应急处置链,实现日常监测、事件接入、联动响应、过程跟踪、事后评估等功能,设计成果已在江苏省推广使用,可有效指导我国公路网应急技术体系建设。

摘要：为提高预测精度和降低计算复杂度,提出了一种基于时空关联和BP_Adaboost的短时交通参数预测方法。首先,通过分析交通参数之间的时间关联性和空间关联性,得到对预测值产生影响的因素。然后,采用主成分分析法对影响因素进行预处理,选取了主成分作为后续预测模型的输入。最后,采用Adaboost算法对BP神经网络进行优化,构建了BP_Adaboost预测模型,以改善传统BP神经网络的预测性能。利用南京市典型道路数据对该方法进行了性能评价。结果表明:该方法不仅可以在一定程度上提高预测精度,更重要的是能够大大提高预测结果的稳定性。由此可见,该方法可以作为短时交通参数预测的有效手段。