一种大型活动交叉路口拥堵风险预测方法技术

本发明专利技术公开了一种大型活动交叉路口拥堵风险预测方法，包括如下步骤：(1)获取交叉路口的交通信息，根据交通信息计算交叉路口的拥堵风险，确定造成拥堵风险的相关变量；(2)计算交叉路口拥堵风险与每个相关变量之间的相关程度，选取相关程度高的变量作为预测因素；(3)将历史交叉路口拥堵风险和步骤(2)获取的预测因素作为输入变量，利用时空深度学习算法对交叉路口拥堵风险进行多特征预测。本发明专利技术采用时空深度学习方法实时预测交叉路口拥堵风险，为大型活动场景下交叉口拥堵风险预测提供了一种可靠的方法，可应用于大型活动交通管理与决策，对于保障大型活动交通守时具有重要意义。对于保障大型活动交通守时具有重要意义。对于保障大型活动交通守时具有重要意义。

【技术实现步骤摘要】
一种大型活动交叉路口拥堵风险预测方法


[0001]本专利技术涉及交通拥堵预测领域，特别涉及大型活动交叉路口拥堵风险预测方法。

技术介绍

[0002]大型活动期间，相关区域在短时间内增加大量的突发交通量，这些交通量具有一定的集中性和方向性，并与社会交通量叠加，增加了大型活动道路交通运行拥堵风险，对大型活动交通运行守时产生影响，尤其对大型活动车队运行守时影响较大。在大型活动期间，道路交通系统运行敏感，一旦相关交叉路口拥堵风险过高，很容易引起交叉路口阻塞，出现大面积拥堵，使相关车队不能按照既定时间到达活动现场。
[0003]大型活动交叉路口拥堵风险预测，是预防大型活动交叉路口出现拥堵的有效方法，对大型活动交叉路口存在的拥堵风险进行实时预测，可降低交叉路口车队延误，保障大型活动道路交通运行守时。传统交通拥堵预测方法多以单特征预测为主，在处理数据时空复杂特征方面存在不足，导致预测结果与现实情况偏差较大。

技术实现思路

[0004]专利技术目的：针对以上问题，本专利技术目的是提供一种大型活动交叉路口拥堵风险预测方法，利用多特征预测方式对大型活动道路交叉路口进行实时预测，提高拥堵风险预测的准确性。
[0005]技术方案：本专利技术提出的一种大型活动交叉路口拥堵风险预测方法，包括如下步骤：
[0006](1)获取交叉路口的交通信息，根据交通信息计算交叉路口的拥堵风险，确定造成拥堵风险的相关变量；
[0007](2)计算交叉路口拥堵风险与每个相关变量之间的相关程度，选取相关程度高的变量作为预测因素；
[0008](3)将历史交叉路口拥堵风险和步骤(2)获取的预测因素作为输入变量，利用时空深度学习算法对交叉路口拥堵风险进行多特征预测。
[0009]进一步，所述步骤(1)交通信息包括进口车道的车流量和通行能力，采用交叉路口饱和度量化表征交叉路口的拥堵风险，表达式为：
[0010][0011]其中，Z
i
为交叉路口i的进口车道饱和度，q
it
为交叉路口i在时刻t的流量，R为交叉路口i的通行能力；交叉路口的饱和度越大，表明交叉路口交通运行越趋于拥堵状态，拥堵风险越高。
[0012]进一步，所述交叉路口的通行能力与高峰时刻饱和流率相关，高峰时刻饱和流率与信号配时参数及流量相关，经过等效转换，得到交叉路口拥堵风险量化表征方式为：
[0013][0014]其中，S
i
为交叉路口i高峰时刻的饱和流率，n
it
为交叉路口i在时刻t的信号周期，g
it
为交叉路口i在时刻t的绿灯时长；
[0015]步骤(1)中交叉路口拥堵风险的所述相关变量包括交叉路口流量、饱和流率、信号周期、绿灯时长；
[0016]所述配时参数包括信号周期和绿灯时长。
[0017]进一步，步骤(2)利用相关性分析方法计算相关程度，当相关系数绝对值大于0.8时认定该变量与拥堵风险的相关程度高。
[0018]进一步，步骤(3)中时空深度学习算法基于ConvLSTM神经网络，将LSTM中的全链接替换为卷积操作，利用卷积结构提取输入信息的空间特征，将神经元的信息传递引入窥视，连接到每个门上，使门层接收上一层神经元状态的输入。
[0019]进一步，ConvLSTM神经网络算法表达式为：
[0020]i
t
＝σ(w
xi
*x
t
+w
hi
*h
t
‑1+w
ci
°
C
t
‑1+b
i
)
[0021]f
t
＝σ(w
xf
*x
t
+w
hf
*h
t
‑1+w
cf
°
C
t
‑1+b
f
)
[0022]o
t
＝σ(w
xo
*x
t
+w
ho
*h
t
‑1+w
co
°
C
t
+b
o
)
[0023]C
t
＝f
t
°
C
t
‑1+i
t
°
tanh(w
xc
*x
t
+w
hc
*h
t
‑1+b
c
)
[0024]其中，i
t
、f
t
、o
t
、C
t
分别为输入门、遗忘门、输出门及单元格输入状态；x
t
表示t时刻输入；w
xi
、w
xf
、w
xo
、w
xc
分别表示从输入x
t
到输入门、遗忘门、输出门及单元格输入的权重矩阵；w
hi
、w
hf
、w
ho
、w
hc
分别表示为从输出h
t
‑1到输入门、遗忘门、输出门及单元格输入的权重矩阵；w
ci
、w
cf
、w
co
分别表示连接单元格输入与输入门、遗忘门、输出门的权重矩阵；b
i
、b
f
、b
o
、b
c
分别表示输入门、遗忘门、输出门和单元输入的偏置项；
°
表示矩阵对应元素相乘，即Hadamard乘积；*表示卷积操作；
[0025]σ为激活函数，tanh表示双曲正切函数，表达式分别为：
[0026][0027][0028]ConvLSTM时空深度学习算法通过卷积操作提取空间特征，并通过激活层和点乘运算构成的门结构选择信息，ConvLSTM神经网络将信息传输到三个门之前，将上一层神经元保留的信息x
t
、h
t
‑1同时传输到输入门、遗忘门、输出门中，信息经过遗忘门激活单元，决定信息是否需要继续传递；继续传递的信息通过输入门决定信息是否需要更新，将需要的信息通过tanh层更新细胞信息；将通过输入门的信息与tanh层的细胞信息相乘得到模型的最终输出h
t
。
[0029]进一步，在时刻t，给ConvLSTM网络一个输入向量[x
t1
,x
t2
…
x
ti
]，则交叉路口拥堵风险未来趋势的输出h
t
，计算方式如下：
[0030]h
t
＝o
t
°
tanh(C
t
)
[0031]输入向量中包括交叉路口拥堵风险变量，其中x
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大型活动交叉路口拥堵风险预测方法，其特征在于，包括如下步骤：(1)获取交叉路口的交通信息，根据交通信息计算交叉路口的拥堵风险，确定造成拥堵风险的相关变量；(2)计算交叉路口拥堵风险与每个相关变量之间的相关程度，选取相关程度高的变量作为预测因素；(3)将历史交叉路口拥堵风险和步骤(2)获取的预测因素作为输入变量，利用时空深度学习算法对交叉路口拥堵风险进行多特征预测。2.根据权利要求1所述的大型活动交叉路口拥堵风险预测方法，其特征在于，所述步骤(1)交通信息包括进口车道的车流量和通行能力，采用交叉路口饱和度量化表征交叉路口的拥堵风险，表达式为：其中，Z
i
为交叉路口i的进口车道饱和度，q
it
为交叉路口i在时刻t的流量，R为交叉路口i的通行能力；交叉路口的饱和度越大，表明交叉路口交通运行越趋于拥堵状态，拥堵风险越高。3.根据权利要求2所述的大型活动交叉路口拥堵风险预测方法，其特征在于，所述交叉路口的通行能力与高峰时刻饱和流率相关，高峰时刻饱和流率与信号配时参数及流量相关，经过等效转换，得到交叉路口拥堵风险量化表征方式为：其中，S
i
为交叉路口i高峰时刻的饱和流率，n
it
为交叉路口i在时刻t的信号周期，g
it
为交叉路口i在时刻t的绿灯时长；步骤(1)中交叉路口拥堵风险的所述相关变量包括交叉路口流量、饱和流率、信号周期、绿灯时长；所述配时参数包括信号周期和绿灯时长。4.根据权利要求1所述的大型活动交叉路口拥堵风险预测方法，其特征在于，步骤(2)利用相关性分析方法计算相关程度，当相关系数绝对值大于0.8时认定该变量与拥堵风险的相关程度高。5.根据权利要求3所述的大型活动交叉路口拥堵风险预测方法，其特征在于，步骤(3)中时空深度学习算法基于ConvLSTM神经网络，将LSTM中的全链接替换为卷积操作，利用卷积结构提取输入信息的空间特征，将神经元的信息传递引入窥视，连接到每个门上，使门层接收上一层神经元状态的输入。6.根据权利要求5所述的大型活动交叉路口拥堵风险预测方法，其特征在于，ConvLSTM神经网络算法表达式为：神经网络算法表达式为：神经网络算法表达式为：
其中，i
t
、f
t
、o
t
、C
...

【专利技术属性】
技术研发人员：陆建，程泽阳，马永锋，
申请(专利权)人：东南大学，
类型：发明
国别省市：