一种基于深度学习算法的高速公路限速限流方法技术

本发明专利技术提供一种基于深度学习算法的高速公路限速限流方法，其可以根据道路的实际情况计算出符合道路自身的流量和速度阈值，且方法简单，实施便利，易于推广。本发明专利技术的技术方案中，对每一个待处理道路，通过道路卡口设备获取其专有的历史和实时的道路数据，作为道路数据样本集；利用车流量的历史数据训练车流量预测模型，把车流量的实时数据样本集输入到训练好的车流量预测模型中，获得针对每个待处理道路对应的预测的车流量数据；然后基于历史道路数据，建立车流状态分类器，获取将车流状态，根据拟合出的车流状态对应车流量与拥堵概率的关系图，最终获得待处理道路对应的车流量阈值、车速阈值。

A method of speed limit and flow limit of Expressway Based on deep learning algorithm

【技术实现步骤摘要】
一种基于深度学习算法的高速公路限速限流方法
本专利技术涉及智能交通控制
，具体为一种基于深度学习算法的高速公路限速限流方法。
技术介绍
现代的交通控制中，为了预防高速公路拥堵发生，对于高速公路限速限流方法的研究是交通控制中的常见课题。目前常见的限速限流方法有：(1)以85％位车速作为限速阈值；(2)可变限速限速限流，即将高速公路分段，基于交通流理论对每段的交通流速度进行控制。然而，以85％位车速作为限速阈值的方法，虽然简单易行，但是该种阈值选择办法没有从交通流理论出发，很多时候与道路的实际情况并不符合，过于简单粗暴，真正实施的时候，在有些道路上会不适用；可变限速限速限流措施虽然建立在科学的交通流模型上，但是采用分段限速的措施不但难以实施，而且如果驾驶员遵守每段路的不同限速，那么这种交通流的不均匀性极易导致安全事故，缺乏实用性。
技术实现思路
为了解决现有的限速限流方法对于道路实际情况考虑较少，或者难以实施，以至于缺乏实用性的问题，本专利技术提供一种基于深度学习算法的高速公路限速限流方法，其可以根据道路的实际情况计算出符合道路自身的流量和速度阈值，且方法简单，实施便利，易于推广。本专利技术的技术方案是这样的：一种基于深度学习算法的高速公路限速限流方法，其特征在于，其包括以下步骤：S1：针对待处理道路，设置监测时间，利用道路卡口设备获取统计监测时间内的道路数据，建立道路数据样本集；所述道路数据从时间上划分，包括：历史数据和实时数据；所述道路数据从类型上划分，包括：车流量、车辆密度、平均速度，；S2：基于深度学习深度学习算法K-MEANS算法建立车流状态分类器；S3：把所述道路数据样本集的历史数据输入到所述车流状态分类器，输出所述待处理道路对应的车流状态分类，所述车流状态分类包括：自由流稳定态、自由流亚稳定态、同步流、拥堵流；S4：根据所述车流状态中的四种状态做出所述待处理道路对应的平均速度和车流量关系图，所述平均速度和车流量关系图表示在所述待处理道路上，随着道路上车辆的平均车速的变化车流状态变化的趋势；S5：基于长短期记忆神经网络算法建立车流量预测模型；S6：把步骤S1中获取的所述道路数据样本集中的历史数据中的车流量数据进行预处理之后，形成车流量训练数据集；把所述车流量训练数据集输入到所述车流量预测模型中进行训练，获取训练好的所述车流量预测模型；S7：把步骤S1中获取的所述道路数据样本集中的实时数据中的车流量数据、输入到训练好的所述车流量预测模型中，获得预测的车流量数据S8：根据现有数据可知，道路发生拥堵的概率与道路上的车流量的关系是指数关系，所以基于指数模型，结合步骤S1中获取的所述道路数据，以所述预测的车流量数据为基础，拟合出车流量与拥堵概率的关系图；S9：基于所述车流量与拥堵概率的关系图，从拟合后的指数关系曲线中，找到所述待处理道路上拥堵大概率发生时对应的车流量的数值，即拥堵概率的数值急剧上升之前的车流量值作为车流量阈值；S10：基于步骤S4中的所述平均速度和车流量关系图，找到与所述车流量阈值对应的所有的平均车速，即平均车速备选值；S11:在所述平均速度和车流量关系图中，确认所有的所述平均车速备选值对应的所述车流状态，位于所述自由流稳定态的最大的所述平均车速备选值即为车速阈值；S12：把所述车流量阈值、所述车速阈值设置到现有的道路监管设备中，作为所述待处理道路的限流限速阈值；S13：实时对所述待处理道路的车流量进行预测、平均车速进行监测，获取车流量实时预测值、平均车速实时监测值，一旦所述车流量实时预测值大于等于所述车流量阈值，且所述平均车速实时监测值大于所述车速阈值，则启动后续措施。其进一步特征在于：步骤S1中，所述道路数据统计的方法包括：所述车流量：每5分钟统计一次通过所述卡口设备的车辆数*12，单位：辆/小时；所述平均速度：每5分钟统计一次通过所述卡扣设备的所有车辆的平均速度，单位：千米/小时；所述车辆密度＝所述车流量/所述平均速度，单位：辆/千米；步骤S5中，所述车流量预测模型的建立过程包括以下步骤：S5-1：定义状态空间向量，假设当前时刻为t，则t时刻的状态空间向量定义如下：xt＝[qt,qt-1,…,qt-p]其中：qt是当前时刻的流量，qt-1是当前时刻的前一时刻的流量，qt-p是当前时刻的前p个时刻的流量；S5-2：令yt等于t+1时刻的流量观测值，得到样本容量为l的数据集S：S5-3：基于长短期记忆神经网络算法，通过数据集S训练出预测函数f，采集当前时刻t的流量并形成新的状态空间向量xt，并做为f的输入从而得出下一时刻的流量预测值步骤S8中，所述拥堵概率的计算方法包括如下步骤：a1.根据步骤S4中的所述平均速度和车流量关系图，取自由流稳定态或亚稳定态中车流量为某一范围值时对应的所有点，统计出这些点所对应的时刻，设其中一点所对应的时刻为t；a2.从t时刻开始确认t+1时刻所对应的车流状态，如果t+1时刻对应的车流状态为同步流或拥堵流，则t时刻对应的点被判断为变为拥堵状态的点；a3.统计出所有的所述变为拥堵的点，则拥堵概率为：拥堵概率＝所有的所述变为拥堵的点的个数/所有统计过的点的个数；步骤S8中，拟合车流量与拥堵概率的关系图的过程包括如下步骤：b1：根据步骤S7中获得的所述预测的车流量数据，从初始流量开始，每隔500辆为一个单位取一次值，作为待计算流量值；b2：根据拥堵概率的计算方法，得出每一个所述带计算流量值对应的待计算拥堵概率值；b3：把待计算流量作为横轴、待计算拥堵概率作为纵轴，带入每一个所述待计算流量值、所述待计算拥堵概率值，做成车流量与拥堵概率的关系散点图；b4：基于所述车流量与拥堵概率的关系散点图，通过指数模型进行拟合，获得所述车流量与拥堵概率的关系图；步骤b4中，所述指数模型为：y＝eax式中，a为根据所述车流量与拥堵概率的关系散点图中的散点关系计算而得出。本专利技术提供的一种基于深度学习算法的高速公路限速限流方法，针对每一个待处理道路，通过道路卡口设备获取其专有的历史和实时的道路数据，作为道路数据样本集；利用车流量的历史数据训练车流量预测模型，把车流量的实时数据样本集输入到训练好的车流量预测模型中，获得针对每个待处理道路对应的预测的车流量数据；然后基于历史道路数据，建立车流状态分类器，将车流状态分为自由流稳定态、自由流亚稳定态、同步流和拥堵流，拟合出稳定态和亚稳定态对应车流量与拥堵概率的关系图，最终获得待处理道路对应的车流量阈值、车速阈值；最后对比实时流量预测值、实时速度监测值和车流量阈值、车速阈值并决定是否采取限速限流措施；每个道路的车流量阈值、车速阈值都是基于其真实历史数据而计算得到，针对每个待处理道路计算符合其特点的限速限流阈值，与现有方法相比，更具针对性，适用性更强，且本专利技术的技术方案，方法简单，实施便利，易于推广。附图说明图1为本专利技术中基于卡口数据描绘的车流量、平均速度、交通流状态分类之间的关系示意图；图2为本专利技术中基于卡口数据描绘的车流量、车辆密度、交通流状态分类之间的关系示意图；图3为本专利技术中基于卡口数据描绘的车辆密度、平均速度、交通流状态分类之间的关系示意图；图4为实施例一中二车道道路中，车流量与拥堵概率的关系示意图；图5为实施例一中三车道道路中，车流量本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的高速公路限速限流方法，其特征在于，其包括以下步骤：S1：针对待处理道路，设置监测时间，利用道路卡口设备获取统计监测时间内的道路数据，建立道路数据样本集；所述道路数据从时间上划分，包括：历史数据和实时数据；所述道路数据从类型上划分，包括：车流量、车辆密度、平均速度，；S2：基于深度学习深度学习算法K‑MEANS算法建立车流状态分类器；S3：把所述道路数据样本集的历史数据输入到所述车流状态分类器，输出所述待处理道路对应的车流状态分类，所述车流状态分类包括：自由流稳定态、自由流亚稳定态、同步流、拥堵流；S4：根据所述车流状态中的四种状态做出所述待处理道路对应的平均速度和车流量关系图，所述平均速度和车流量关系图表示在所述待处理道路上，随着道路上车辆的平均车速的变化车流状态变化的趋势；S5：基于长短期记忆神经网络算法建立车流量预测模型；S6：把步骤S1中获取的所述道路数据样本集中的历史数据中的车流量数据进行预处理之后，形成车流量训练数据集；把所述车流量训练数据集输入到所述车流量预测模型中进行训练，获取训练好的所述车流量预测模型；S7：把步骤S1中获取的所述道路数据样本集中的实时数据中的车流量数据、输入到训练好的所述车流量预测模型中，获得预测的车流量数据S8：根据现有数据可知，道路发生拥堵的概率与道路上的车流量的关系是指数关系，所以基于指数模型，结合步骤S1中获取的所述道路数据，以所述预测的车流量数据为基础，拟合出车流量与拥堵概率的关系图；S9：基于所述车流量与拥堵概率的关系图，从拟合后的指数关系曲线中，找到所述待处理道路上拥堵大概率发生时对应的车流量的数值，即拥堵概率的数值急剧上升之前的车流量值作为车流量阈值；S10：基于步骤S4中的所述平均速度和车流量关系图，找到与所述车流量阈值对应的所有的平均车速，即平均车速备选值；S11:在所述平均速度和车流量关系图中，确认所有的所述平均车速备选值对应的所述车流状态，位于所述自由流稳定态的最大的所述平均车速备选值即为车速阈值；S12：把所述车流量阈值、所述车速阈值设置到现有的道路监管设备中，作为所述待处理道路的限流限速阈值；S13：实时对所述待处理道路的车流量进行预测、平均车速进行监测，获取车流量实时预测值、平均车速实时监测值，一旦所述车流量实时预测值大于等于所述车流量阈值，且所述平均车速实时监测值大于所述车速阈值，则启动后续措施。...

【技术特征摘要】
1.一种基于深度学习算法的高速公路限速限流方法，其特征在于，其包括以下步骤：S1：针对待处理道路，设置监测时间，利用道路卡口设备获取统计监测时间内的道路数据，建立道路数据样本集；所述道路数据从时间上划分，包括：历史数据和实时数据；所述道路数据从类型上划分，包括：车流量、车辆密度、平均速度，；S2：基于深度学习深度学习算法K-MEANS算法建立车流状态分类器；S3：把所述道路数据样本集的历史数据输入到所述车流状态分类器，输出所述待处理道路对应的车流状态分类，所述车流状态分类包括：自由流稳定态、自由流亚稳定态、同步流、拥堵流；S4：根据所述车流状态中的四种状态做出所述待处理道路对应的平均速度和车流量关系图，所述平均速度和车流量关系图表示在所述待处理道路上，随着道路上车辆的平均车速的变化车流状态变化的趋势；S5：基于长短期记忆神经网络算法建立车流量预测模型；S6：把步骤S1中获取的所述道路数据样本集中的历史数据中的车流量数据进行预处理之后，形成车流量训练数据集；把所述车流量训练数据集输入到所述车流量预测模型中进行训练，获取训练好的所述车流量预测模型；S7：把步骤S1中获取的所述道路数据样本集中的实时数据中的车流量数据、输入到训练好的所述车流量预测模型中，获得预测的车流量数据S8：根据现有数据可知，道路发生拥堵的概率与道路上的车流量的关系是指数关系，所以基于指数模型，结合步骤S1中获取的所述道路数据，以所述预测的车流量数据为基础，拟合出车流量与拥堵概率的关系图；S9：基于所述车流量与拥堵概率的关系图，从拟合后的指数关系曲线中，找到所述待处理道路上拥堵大概率发生时对应的车流量的数值，即拥堵概率的数值急剧上升之前的车流量值作为车流量阈值；S10：基于步骤S4中的所述平均速度和车流量关系图，找到与所述车流量阈值对应的所有的平均车速，即平均车速备选值；S11:在所述平均速度和车流量关系图中，确认所有的所述平均车速备选值对应的所述车流状态，位于所述自由流稳定态的最大的所述平均车速备选值即为车速阈值；S12：把所述车流量阈值、所述车速阈值设置到现有的道路监管设备中，作为所述待处理道路的限流限速阈值；S13：实时对所述待处理道路的车流量进行预测、平均车速进行监测，获取车流量实时预测值、平均车速实时监测值，一旦所述车流量实时预测值大于等于所述车流量阈值，且所述平均车速实时监测值大于所述车速阈值，则启动后续措施。2.根据权利要求1所述一种基于深度学习算法的高速公路限速限流方法，其特征在于：步骤S1中，所述...

【专利技术属性】
技术研发人员：蔡岗，孔晨晨，张沛，赵磊，贾兴无，谢中教，黄瑛，周云龙，许剑飞，孙瀚，吴晓峰，
申请(专利权)人：公安部交通管理科学研究所，
类型：发明
国别省市：江苏,32