摘要：交通流量预测是建设智能交通管理系统的核心,目前基于图深度神经网络的交通流量预测算法已取得显著成效。然而传统的深度学习模型需要事先获得大量样本,使用离线训练得到的固定模型对未来发生的情况进行预测,当遇到未知情况时模型面临失效的风险。针对交通流量预测中流式数据对模型更新带来的挑战,以减轻模型灾难性遗忘、同时增强模型对新模式的学习能力为目标,研究并设计了一种基于最小化损失保持和图结构聚合保持的交通流量预测持续学习模型。该模型通过分别评估各参数对损失函数以及对图拓扑结构的贡献度提取重要参数,在面临新任务时通过对不同重要性的参数赋予不同权重系数、设计惩罚项更新损失函数,使得模型能够自适应地学习新模式,同时记住旧任务。在国际标准交通流量预测数据集上的测试表明,文章提出的方法有效缓解了流式时序序列预测的灾难性遗忘现象,并且对新任务具有良好的预测精度。

摘要：为保证城市轨道交通的安全性,X光行包安检系统已经被广泛运用。但现阶段行包安检主要依赖人工判定,存在高人工、低效率、欠客观等问题。本文以实现智能化、自动化行包安检为目标,研究并设计了一种基于ResNet50的目标探测模型。该模型使用递归特征金字塔结构,将附加的反馈链接与自下而上的骨架层结合起来。在特征提取时使用可切换空洞卷积,提取不同尺度的特征。通过将两种方法集成到检测器中,自主学习违禁品的关键性特征,实现了X光行包违禁品自动识别。使用大规模公开数据集PIDray对所提算法进行测试,并设计消融实验验证各模块的有效性。实验结果表明本文算法对12大类违禁品的平均识别准确率可达到91%以上。证明了使用人工智能算法进行自动安检的可行性,为城市轨道交通行包安检自动监测的落地应用提供有力支撑。

摘要：随着近年来智慧城市轨道交通的快速发展和普遍应用,交通流量预测成为智慧城市轨道交通的关键性问题,对及时掌握交通状况、进行合理的资源配置和人力部署起着重要作用。文章以实现大规模交通网络的交通流量准确预测为目标,研究并设计一种基于残差增强门控循环单元的深度学习网络模型。在基本门控循环单元的基础上,引入残差连接思想,通过在门控循环单元的迭代回路之间增加线性连接,捕获数据中的长期时间依赖关系,同时克服循环神经网络在进行长期时间序列预测中的梯度消失或梯度爆炸问题。使用4个在真实交通网络中采集的大规模交通数据集对所提算法进行测试,分别从定量和定性的角度比较并验证所提算法的有效性。实验结果表明该算法能够使用前1h的历史数据、对大规模交通网络中各交通枢纽节点未来1h的交通状况进行较准确的交通流量预测,证明使用残差增强门控循环网络进行交通流量智能预测的可行性和准确性,为城市轨道交通智能运营管理的实现提供有力支撑。