基于稀疏数据的信号交叉口车辆排队长度预测方法技术

本发明专利技术公开一种基于稀疏数据的信号交叉口车辆排队长度预测方法，该方法首先获取信号交叉口车辆信息，利用建立的车辆跟驰模型补全车辆信息中缺失的普通车辆信息；根据排队条件提取车辆进入排队状态离散点并进行拟合得到车辆排队长度实时数据；利用建立的车辆排队长度预测模型预测不同时间跨度下的车辆排队长度。本发明专利技术解决了现有技术中存在的信号交叉口环境下车辆排队长度估算方法预测精度不高等问题。问题。

【技术实现步骤摘要】
基于稀疏数据的信号交叉口车辆排队长度预测方法


[0001]本专利技术属于交通大数据
，涉及一种信号交叉口车辆排队预测的方法。

技术介绍

[0002]信号交叉口作为城市动静态交通流转化的关键节点，如何能够实时预测信号交叉口车辆排队长度对于提升信号交叉口交通流通行效率至关重要。现有的信号交叉口排队长度预测方法大致分为以下两类：第一类利用架设在信号交叉口上方的视频采集设备获取视频数据进而估算并预测车辆排队长度，第二类利用断面检测器获取车辆瞬时速度等数据结合交通流相关理论建立车辆排队长度估算预测模型。上述两种方法在信号交叉口不处于交通高峰时期时表现较好，而当交通高峰时期来临交通流振荡剧烈时预测精度不高。此外，现有模型还存在着对数据质量要求高等特点，这进一步制约了现有模型的适用性。

技术实现思路

[0003]针对现有技术中的缺陷和不足，本专利技术提供了一种基于稀疏数据的信号交叉口车辆排队长度预测方法，是一种融合深度学习技术与交通流理论的车辆稀疏数据排队长度预测方法，解决了现有技术中存在的信号交叉口环境下车辆排队长度估算方法预测精度不高，数据要求质量高等问题。本专利技术以现有公开交通数据集(Next Generation Simulation,NGSIM)为基础，提取包含车辆排队信息的关键因素，并搭建包含Attention机制的Seq2Seq模型预测信号交叉口车辆排队长度。
[0004]为达到上述目的，本专利技术采取如下的技术方案：
[0005]一种信号交叉口车辆跟驰模型的构建方法，包括以下步骤：
[0006]步骤a1，从公开交通数据集中筛选出信号交叉口区域所有车辆的车辆信息，按照设定的车辆跟驰数据标签从车辆信息中筛选出后车跟驰数据集和前车跟驰数据集作为车辆跟驰数据；所述车辆跟驰数据包括t时刻跟驰车辆速度、车头间距、速度差以及t+Δt时刻跟驰车辆加速度；
[0007]步骤a2，以双向LSTM深度学习框架为基础，构建数据驱动跟驰模型；
[0008]步骤a3，将步骤a1获取的车辆跟驰数据中的t时刻跟驰车辆速度、车头间距、速度差作为输入，t+Δt时刻跟驰车辆加速度作为输出，进行训练直至损失函数收敛，得到训练好的车辆跟驰模型；其中Δt为时间步长。
[0009]本专利技术还包括如下技术特征：
[0010]具体的，步骤a3中，数据驱动跟驰模型具体架构：沿着时间流动方向堆叠两层LSTM单元，与时间流动相反方向堆叠两层LSTM单元，每层LSTM单元个数为n，n表示时间点个数。
[0011]具体的，所述步骤a1具体包括：
[0012]a1.1车辆跟驰数据标签的值设定如下：v_Class＝2(表明车辆类型为小汽车)，Direction＝1(表明车辆行驶方向为由南向北)，Movement＝1(表明车辆行驶状态为直行)，Preceding≠0(表明目标车辆正在跟随前方车辆行驶)；
[0013]a1.2按照上述数据标签从公开交通数据集中进行数据筛选，得到数据集data1为车辆跟驰数据中后车跟驰数据集，再利用数据集data1中的两个数据标签Global_Time(表明数据的时间戳)和Preceding与公开交通数据集进行匹配得到车辆跟驰数据中前车跟驰数据集data2；
[0014]所述步骤a3中，跟驰车辆速度v(t)、车头间距s_h(t)为已知量，速度差v_d(t)为未知量，利用前车数据集data2中的车辆速度减去后车数据集data1中的车辆速度得到速度差。
[0015]一种基于稀疏数据的信号交叉口车辆排队长度预测模型的构建方法，包括以下步骤：
[0016]步骤b1，从公开交通数据集中筛选出信号交叉口区域所有车辆的车辆信息，筛选车辆进入排队状态的时间及其当前位移，得到周期内每辆车进入信号交叉口区域排队状态的离散时间点；
[0017]步骤b2，根据N个周期内所有车辆进入排队状态离散时间点，利用Hermite插值方法拟合N个周期内车辆排队长度数据；
[0018]步骤b3，构建带有Attention机制的Seq2Seq模型，将步骤b2中拟合的前N
‑
1个周期车辆排队长度数据作为输入，第N个周期车辆排队长度数据作为输出，对模型进行训练得到车辆排队长度预测模型。
[0019]具体的，所述步骤b3中，构建的基于Attention机制的Seq2Seq模型包括：
[0020]模型编码层，该层堆叠两层LSTM网络，每层有n个LSTM单元对应包含n个数据点的1个车辆排队周期长度，该层输入为1个车辆排队周期长度，输出为每个LSTM单元的隐藏状态encoder_output矩阵和第二层最后一个LSTM单元隐藏状态h_t，将h_t重复n次得到语义向量C；
[0021]模型解码层，该层同样堆叠两层LSTM网络，该层的输入为语义向量C，输出为每个LSTM的隐藏状态decoder_output矩阵；
[0022]Attention机制层，首先encoder_output矩阵与decoder_output矩阵横向拼接，其次并将其输入激活函数为softmax的全连接层得到每个状态的概率值矩阵attention_weight，最后attention_weight矩阵与decoder_output矩阵相乘得到模型输出量，即第N个周期车辆排队长度。
[0023]具体的，步骤b3中模型训练前需要对车辆排队长度数据进行归一化处理，压缩到(0，1)区间；采用Statsmodels库中的自相关函数计算具体的信号交叉口车辆排队长度周期。
[0024]一种基于稀疏数据的信号交叉口车辆排队长度预测方法，该方法首先利用公开交通数据集获取信号交叉口车辆信息；并利用所述的信号交叉口车辆跟驰模型的构建方法建立的车辆跟驰模型补全车辆信息中缺失的普通车辆信息；根据排队条件提取车辆进入排队状态离散点并进行拟合得到车辆排队长度实时数据；利用所述的基于稀疏数据的信号交叉口车辆排队长度预测模型的构建方法建立的车辆排队长度预测模型预测不同时间跨度下的车辆排队长度。
[0025]具体的，包括以下步骤：
[0026]步骤1，获取待预测的信号交叉口网联车辆的车辆信息；
[0027]步骤2，根据步骤1所获得的网联车辆的车辆信息，利用泊松分布模拟所有普通车辆的车辆初始信息；车辆初始信息包括车辆到达时间、初始速度以及车辆初始位移；
[0028]步骤3，利用车辆跟驰模型结合步骤2得到的车辆初始信息迭代计算重构丢失的信号交叉口普通车辆时车辆信息，从而得到一个排队周期内所有车辆的车辆信息；
[0029]步骤4，将步骤3得到的一个排队周期内所有车辆的速度和位置信息输入到车辆排队长度预测模型，得到车辆排队长度预测结果。
[0030]本专利技术与现有技术相比，有益的技术效果是：
[0031]1、可在现存混联交通流条件下(网联车辆与普通车辆共存)，通过提取网联车辆轨迹重构一个信号灯周期内所有车辆通行轨迹，该方法无需额外交通硬件设备辅助，所重构车辆轨迹精度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信号交叉口车辆跟驰模型的构建方法，其特征在于，包括以下步骤：步骤a1，从公开交通数据集中筛选出信号交叉口区域所有车辆的车辆信息，按照设定的车辆跟驰数据标签从车辆信息中筛选出后车跟驰数据集和前车跟驰数据集作为车辆跟驰数据；所述车辆跟驰数据包括t时刻跟驰车辆速度、车头间距、速度差以及t+Δt时刻跟驰车辆加速度；步骤a2，以双向LSTM深度学习框架为基础，构建数据驱动跟驰模型；步骤a3，将步骤a1获取的车辆跟驰数据中的t时刻跟驰车辆速度、车头间距、速度差作为输入，t+Δt时刻跟驰车辆加速度作为输出，进行训练直至损失函数收敛，得到训练好的车辆跟驰模型；其中Δt为时间步长。2.如权利要求1所述的信号交叉口车辆跟驰模型的构建方法，其特征在于，步骤a3中，数据驱动跟驰模型具体架构：沿着时间流动方向堆叠两层LSTM单元，与时间流动相反方向堆叠两层LSTM单元，每层LSTM单元个数为n，n表示时间点个数。3.如权利要求1所述的信号交叉口车辆跟驰模型的构建方法，其特征在于，所述步骤a1具体包括：a1.1车辆跟驰数据标签的值设定如下：v_Class＝2(表明车辆类型为小汽车)，Direction＝1(表明车辆行驶方向为由南向北)，Movement＝1(表明车辆行驶状态为直行)，Preceding≠0(表明目标车辆正在跟随前方车辆行驶)；a1.2按照上述数据标签从公开交通数据集中进行数据筛选，得到数据集data1为车辆跟驰数据中后车跟驰数据集，再利用数据集data1中的两个数据标签Global_Time(表明数据的时间戳)和Preceding与公开交通数据集进行匹配得到车辆跟驰数据中前车跟驰数据集data2；所述步骤a3中，跟驰车辆速度v(t)、车头间距s_h(t)为已知量，速度差v_d(t)为未知量，利用前车数据集data2中的车辆速度减去后车数据集data1中的车辆速度得到速度差。4.一种基于稀疏数据的信号交叉口车辆排队长度预测模型的构建方法，其特征在于，包括以下步骤：步骤b1，从公开交通数据集中筛选出信号交叉口区域所有车辆的车辆信息，筛选车辆进入排队状态的时间及其当前位移，得到周期内每辆车进入信号交叉口区域排队状态的离散时间点；步骤b2，根据N个周期内所有车辆进入排队状态离散时间点，利用Hermite插值方法拟合N个周期内车辆排队长度数据；步骤b3，构建带有Attention机制的Seq2Seq模型，将步骤b2中拟合的前N
‑
1个周期车辆排队长度数据作为输入，第N个周期车辆排队长度数据作为输出，对模型进行训练得到车辆排队长度预测模型。5....

【专利技术属性】
技术研发人员：赵祥模，房山，杨澜，徐志刚，惠飞，王润民，张梦笑，杨一鹏，李文凤，龚思远，魏诚，
申请(专利权)人：长安大学，
类型：发明
国别省市：