一种网联智能交通系统中的云端交通态势预测方法技术方案

本发明专利技术提供了一种网联智能交通系统中的云端交通态势预测方法，以时间或事件方式触发交通态势预测后，交通云将实时采集城市域中网联智能车辆及路口单元中的相关交通数据，进而以这些数据为基础，采用统计预测与深度学习预测相结合的方式来预测车辆的速度、位置、到达道路特殊标志线的时间、车辆通过路口临界区的顺序及通过路口时间。最后，基于上述预测结果，采用道路权值模型对未来一段时间后路网中的交通流态势进行整体预测。本发明专利技术能够实现交通路网状态的快速预测，为智能车的路径规划、交通流的自主疏导与管理以及紧急车辆的优先通行指导等提供支撑。

【技术实现步骤摘要】
一种网联智能交通系统中的云端交通态势预测方法
本专利技术涉及一种车-路-云联网环境下的交通态势预测方法，特别涉及一种短时的交通流态势预测方法。
技术介绍
众所周知，交通预测对于交通调度乃至智慧城市的管理具有非常重要的现实意义，尤其是对于由智能车辆组成的智能交通系统ITS(IntelligentTransportationSystems)，更准确的预测将有助于提高车辆的通行效率和交通管理水平。近年来，随着智能驾驶、V2X通信等核心技术的发展与成熟，智能交通系统的发展开始迈入网联智能车辆(ConnectedIntelligentVehicle,CIV)、路口单元(AutonomousIntersectionController,AIC)和交通云(TrafficCloud,TC)深度融合的协作式智能交通系统C-ITS(Cooperative-ITS)新阶段。在这种车-路-云融合发展的技术背景下，车辆、路口单元、交通云的融合可以实现从路口、路网区域到城市域的交通环境状态多维快速感知，进而在云端积累形成有效的交通大数据。基于历史、实时的交通大数据进行高质量的交通态势智能预测，使交通系统的优化调度和管理逐渐成为可能，并日益受到关注。根据不同的预测时长和目的，交通态势预测通常可被分为三个类型：长时、中时和短时。长时及中时预测可以为交通规划、管理和出行建议提供依据，而短时预测主要用于对车辆行为和交通态势的实时控制和管理。近年来，相关预测模型及机制已受到了广泛的关注和研究，但可见的工作大多仍聚焦于传统交通系统。该类系统中，车辆、路口单元(信号灯)不具备深度网联能力，其环境感知、信息交互、数据汇聚等能力存在很大不足，从根本上限制了整个交通态势的可预测能力。而对于协作式智能交通系统而言，车辆、路口及路侧单元、交通云彼此之间深度互联，可以实现更为丰富的交通数据感知与汇聚。但因该类实际交通系统需根据车辆的服务属性(救援、摆渡、出租等)进行更为复杂的行驶行为协同及交通流管理，其过程会呈现出更强的随机性。随着预测间隔的增加，交通态势受随机因素的影响越大，预测难度也将大幅增加，这对现有的预测机制形成了挑战。例如，文献“基于深度学习的短时交通流预测，计算机应用研究，2017，Vol34(1)，p91-93，97”针对现有预测方法无法充分揭示交通流内部本质规律的问题，提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型(DBN)与支持向量回归分类器(SVR)作为预测模型，利用差分去除交通流数据的趋势向，并用深度信念网络模型进行交通流特征学习，在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明，该预测模型较传统预测模型具有更高的预测精度。但所研究的方法仍聚焦于缺乏环境感知和数据交互能力的传统交通系统，不适用于具有自主感知与行为协同能力的网联智能车辆以及车、路、云协同的交通环境。
技术实现思路
为了克服现有技术的不足，本专利技术提供一种网联智能交通系统中的云端交通态势预测方法。这是一种具有城市域特征的、部署于交通云端的短时交通态势预测方法。该方法的前提是，每个路口被划分为一组毗邻的矩形区域，每个区域在同一时刻只允许一辆车进入，将这样的矩形区域称之为临界区；车辆在通过某个路口时，在驶过路口的预约线之后需要向路口单元发起临界区通行申请，且仅当其所申请的一组临界区得到授权时才能驶入。该方法中，当以时间或事件方式触发交通态势预测后，交通云将实时采集城市域中网联智能车辆及路口单元中的相关交通数据，进而以这些数据为基础，采用统计预测与深度学习预测相结合的方式来预测车辆的速度、位置、到达道路特殊标志线的时间、车辆通过路口临界区的顺序及通过路口时间。最后，基于上述预测结果，采用道路权值模型对未来一段时间后路网中的交通流态势进行整体预测。本专利技术解决其技术问题所采用的技术方案包括以下步骤：步骤一，交通云对全局交通路网进行初始化；建立与物理路口、道路、车辆相对应的虚拟路口、虚拟道路、虚拟车辆模型和数据结构；步骤二，交通云向城市内道路上每一辆网联智能车及每一个路口单元分别发送车辆状态查询消息及路口通行时间统计消息；每辆车实时更新运动状态数据，包括位置、速度和加速度，发送给交通云，形成车辆预测数据表；每个路口单元采集并记录所有车辆通过路口的时间信息，发送到交通云，形成通过路口时间数据表；步骤三，对于每个路口Ij，建立一个队列存储所有已授权车辆，建立一个队列用于存储可能被授权的车辆；步骤四，遍历队列计算每辆车在第k轮次授权通过路口的预测时刻式中，为车辆在第k-1轮次授权预测计算得到的到达当前路口时刻；为车辆通过所需临界区序列的预测耗时；如果中存在某车辆的超过了预测结束时刻tF，则跳转至步骤八，否则执行步骤五；步骤五，对于每个路口Ij，计算中所有车辆通过路口的时刻设其中Δt为设定的车速预测时间片；使用m作为每轮预测中的预测步骤计数变量，并将m的初始值设为1；步骤六，对于每个路口Ij，计算其驶入车道上所有车辆的预测速度、预测行驶距离、预测位置及预测到达路口进入线时刻，进而更新虚拟交通对象的相关状态，同时m值加1；如果m≥M，则执行步骤七，否则重复本步骤；步骤七，对于每个路口Ij，根据时刻驶入道路上所有车辆的速度及位置，将能通过预约线的虚拟车辆对象存入根据该路口所采用的多车协同授权策略预测出下一轮的车辆授权情况，清空从中选出将被授权的车辆存入中；令k值加1，跳转执行步骤四；步骤八，根据前述步骤中记录的车辆通过路口时刻、位置数据预测tF时刻道路上的车辆数目，根据BPR路阻函数计算路网中每条道路的预测权值，更新全局交通路网拓扑图。所述的步骤二中，每辆车实时更新运动状态数据，在收到车辆状态查询消息后发送给交通云；每个路口单元采集并记录所有车辆通过路口的时间信息，在收到路口通行时间统计消息后发送到交通云。所述的车辆通过所需临界区序列的预测耗时根据车辆的类型、预约的临界区序列以及进入路口时的速度三个属性以最小欧氏距离的方法从各路口临界区的通行时间历史统计数据表HTPIdata中选择得到。所述的车辆预测速度是从车辆预测数据表中提取待预测车辆的行驶特征，包括车辆当前速度、加速度、位置以及待预测车辆前车的速度、加速度变化幅度、到所预约第一个临界区的距离、其前方车辆的数量以及车辆间的距离，形成车速预测的特征向量，并将该特征向量输入至车速预测神经网络，得到车辆在tm+1时刻的预测速度。所述的车辆预测行驶距离是计算车辆的速度增量当为车辆在tm+1时刻的预测速度；当为车辆在Δt内的速度增量，为车辆在Δt内所行驶的距离，为车辆在tm时刻的预测速度，tacc和tdec分别为车速从变化至所需的加速、减速时间，aacc为车辆加速度；当adec为车辆减速度。所述的车辆预测位置是设车辆在tm时刻的位置坐标为tm+1时刻的位置如果某辆车的所需临界区序列都已被授权，位置预测显示其处于路口I，则将其位置坐标简化为路口中心点的坐标，即如果某辆车未被授权，即使本文档来自技高网...

【技术保护点】
1.一种网联智能交通系统中的云端交通态势预测方法，其特征在于，包括以下步骤：/n步骤一，交通云对全局交通路网进行初始化；建立与物理路口、道路、车辆相对应的虚拟路口、虚拟道路、虚拟车辆模型和数据结构；/n步骤二，交通云向城市内道路上每一辆网联智能车及每一个路口单元分别发送车辆状态查询消息及路口通行时间统计消息；每辆车实时更新运动状态数据，包括位置、速度和加速度，发送给交通云，形成车辆预测数据表；每个路口单元采集并记录所有车辆通过路口的时间信息，发送到交通云，形成通过路口时间数据表；/n步骤三，对于每个路口I

【技术特征摘要】
1.一种网联智能交通系统中的云端交通态势预测方法，其特征在于，包括以下步骤：
步骤一，交通云对全局交通路网进行初始化；建立与物理路口、道路、车辆相对应的虚拟路口、虚拟道路、虚拟车辆模型和数据结构；
步骤二，交通云向城市内道路上每一辆网联智能车及每一个路口单元分别发送车辆状态查询消息及路口通行时间统计消息；每辆车实时更新运动状态数据，包括位置、速度和加速度，发送给交通云，形成车辆预测数据表；每个路口单元采集并记录所有车辆通过路口的时间信息，发送到交通云，形成通过路口时间数据表；
步骤三，对于每个路口Ij，建立一个队列存储所有已授权车辆，建立一个队列用于存储可能被授权的车辆；
步骤四，遍历队列计算每辆车在第k轮次授权通过路口的预测时刻式中，为车辆在第k-1轮次授权预测计算得到的到达当前路口时刻；为车辆通过所需临界区序列的预测耗时；如果中存在某车辆的超过了预测结束时刻tF，则跳转至步骤八，否则执行步骤五；
步骤五，对于每个路口Ij，计算中所有车辆通过路口的时刻设其中Δt为设定的车速预测时间片；使用m作为每轮预测中的预测步骤计数变量，并将m的初始值设为1；
步骤六，对于每个路口Ij，计算其驶入车道上所有车辆的预测速度、预测行驶距离、预测位置及预测到达路口进入线时刻，进而更新虚拟交通对象的相关状态，同时m值加1；如果m≥M，则执行步骤七，否则重复本步骤；
步骤七，对于每个路口Ij，根据时刻驶入道路上所有车辆的速度及位置，将能通过预约线的虚拟车辆对象存入根据该路口所采用的多车协同授权策略预测出下一轮的车辆授权情况，清空从中选出将被授权的车辆存入中；令k值加1，跳转执行步骤四；
步骤八，根据前述步骤中记录的车辆通过路口时刻、位置数据预测tF时刻道路上的车辆数目，根据BPR路阻函数计算路网中每条道路的预测权值，更新全局交通路网拓扑图。


2.根据权利要求1所述的网联智能交通系统中的云端交通态势预测方法，其特征在于，所述的步骤二中，每辆车实时更新运动状态数据，在收到车辆状态查询消息后发送给交通云；每个路口单元采集并记录所有车辆通过路口的时间信息，在收到路口通行时间统计消息后发送到交通云。


3.根据权利要求1所述的网联智能交通系统中的云端交通态势预测方法，其特征在于...

【专利技术属性】
技术研发人员：张凯龙，赵启迪，李强，吴志豪，刘宇希，阜稳稳，侯博元，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61