一种基于深度学习驱动的城市交通管理自适应系统

本发明涉及一种基于深度学习驱动的城市交通管理自适应系统,包括,模型构建模块,包括存储单元以及模型构建单元,其中,存储单元用于存储各时间段各路口车辆流量;采集模块,包括若干采集单元,其设置于各路口处,用于采集各路口处的图像;预处理模块,其与采集模块相连接,预处理模块获取当前路口的图像预设区域内待通行车辆信息获取当前路口紧迫度,并将获取的当前路口紧迫度与预设紧迫度相比较,预测当前路口堵塞等级;控制模块,其与模型构建模型,采集模块以及预处理模块相连接,用于根据当前路口堵塞等级对当前路口交通信号灯转换周期和当前路口交通信号灯转换周期内的绿信比进行调节.

数据驱动的应用自适应技术综述

应用自适应是软件工程和服务计算这一交叉领域的研究热点之一,应用通过感知自身和环境的变化,动态调整自己的行为与流程,以便在环境与需求发生非确定性变化的情况下继续高效地达成服务目标.近年来随着大数据和人工智能的发展,传统的基于软件模型控制的方法已经不再适用于当今动态和复杂的应用环境.相比而言,数据驱动的方法不依赖于数学模型和专家知识,而是以概率和数理统计为基础,通过应用服务运行的反馈数据,逐步学习和理解复杂多变的环境,继而学习出自适应系统的模型.因此,数据驱动的应用自适应具有感知性,适应性,自治性和协作性等特点,适用于流程复杂的应用服务场景,如物联网,智能交通,分布式计算等.从自适应框架出发,参考了认知计算的相关特点,总结出数据驱动的智能自适应框架,并分别综述了其中的表征学习,模式识别,决策规划和规则演化这4种技术在近几年数据驱动的自适应技术中的应用,重点探索了如机器学习,深度学习和强化学习等新技术在其中所起的作用,并总结和展望了自适应技术在服务计算领域的发展趋势.

基于学习的鲁棒自适应评判控制研究进展

在作为人工智能核心技术的机器学习领域,强化学习是一类强调机器在与环境的交互过程中进行学习的方法,其重要分支之一的自适应评判技术与动态规划及最优化设计密切相关.为了有效地求解复杂动态系统的优化控制问题,结合自适应评判,动态规划和人工神经网络产生的自适应动态规划方法已经得到广泛关注,特别在考虑不确定因素和外部扰动时的鲁棒自适应评判控制方面取得了很大进展,并被认为是构建智能学习系统和实现真正类脑智能的必要途径.本文对基于智能学习的鲁棒自适应评判控制理论与主要方法进行梳理,包括自学习鲁棒镇定,自适应轨迹跟踪,事件驱动鲁棒控制,以及自适应控制设计等,并涵盖关于自适应评判系统稳定性,收敛性,最优性以及鲁棒性的分析.同时,结合人工智能,大数据,深度学习和知识自动化等新技术,也对鲁棒自适应评判控制的发展前景进行探讨.

融合自适应模态分解与集成深度学习的空气质量指数预测

Accurate prediction of the air quality index (AQI) is essential to protect public health, promote green and sustainable social development, and develop environmental management strategies. In order to further improve the prediction accuracy of AQI, an ensemble deep learning method based on IVY-VMD-BiGRU-Attention is proposed. Firstly, the Ivy Algorithm (IVYA) was used to adaptively estimate the key parameters of variational modal decomposition (VMD), and the original AQI sequence was decomposed to obtain multiple stationary modal components. Then, the AQI prediction model was constructed by using the advantages of Bidirectional Gated Recurrent Unit (BiGRU) in capturing long-distance dependency and attention mechanism in key feature selection. Finally, each influencing factor was used as the model input to predict the subseries of different modes, and the final AQI prediction value was obtained by superimposing the predicted value of each component. In this study, three cities with different climatic characteristics, Beijing, Guangzhou and Chongqing, were selected as typical study areas, and the empirical analysis was carried out based on the daily data from 2014 to 2024. The results show that the ensemble deep learning model based on IVY-VMD-BiGRU-Attention has higher prediction accuracy than all control group models, and its determination coefficients are 0.988 8, 0.993 4 and 0.990 4, respectively.

基于Spark云计算平台的城市交通流实时预测技术

实时准确的交通流预测是交通系统能够高效运行的重要保障,不仅为交通控制和诱导提供依据,更是交通智能化和自动化发展的重要基础。目前,随着数据获取越来越便捷,基于数据驱动的智能模型精度越来越高,其中,支持向量机模型和神经网络模型由于具备较强的非线性映射能力和良好的自适应学习能力等优点,因此被广泛地应用于交通流的预测研究。然而,数据量和数据维度的增多,导致智能模型在精度提高的同时,模型的复杂度和训练时间指数级增加,甚至难以收敛。而且,传统的数据管理模式在面对海量数据的存储和处理时效率低下,难以满足预测系统对实时性和动态扩展性的需求。因此研究利用大数据技术实现海量数据的高效采集、存储、处理和分析,具有非常重要的现实意义和应用价值。本文旨在研究基于Spark云计算框架的城市交通流实时预测技术。Spark是基于分布式的理念,面向大规模数据存储和处理需求应运而生的一种集群系统。它具有良好的扩展性和容错性。通过对主流云计算框架Spark的研究,本文设计了基于Spark的分布式支持向量机预测模型和分布式神经网络预测模型。并提出完整的包含数据采集,数据存储,模型训练以及实时预测的交通大数据处理框架。具体工作如下所示:(1)通过分析城市交通流的时空变化特性和天气影响因素,考虑将目标路段的上下游流量数据以及实时降水数据作为变量引入特征矩阵中,扩展特征变量的维度信息。(2)设计基于Spark集群的分布式支持向量机算法和分布式的神经网络算法。以及利用Spark Streaming技术实现目标路段下一时段交通流的实时预测。(3)通过将Kafka分布式消息订阅系统、HDFS分布式文件系统、Spark分布式计算引擎、Spark Streaming流式处理技术、Zookeeper分布式协调系统等大数据工具进行集成,提出了一套适合城市交通流从数据采集到存储、到模型训练再到结果实时输出的大数据解决方案。(4)选取广州市2016年线圈检测器的数据,以MAE、RMSE、预测时间、加速比等作为评价指标,通过对分布式算法与单机算法(包括KNN(k-Nearest Neighbors)、GTB(Gradient Tree Boosting)、KRR(Kernel Ridge Regression)、单机SVR、单机神经网络)以及基于深度学习框架Keras的神经网络算法共8种算法进行多组实验的性能对比,验证了以下结论:基于时空关系所构造的特征变量预测效果要优于单一的时间维度特征;基于分布式集群所训练出的模型在预测精度与单机相差不大的情况下,实时性和可扩展要远远优于单机系统;降雨量数据对模型的预测效果影响较小,因此在构造特征变量时可以忽略。