用于交通预测的多传感器学习系统技术方案

一种道路交通流预测系统，所述道路交通流预测系统用于从第一传感器以及第二传感器和第三传感器接收数据，所述第一传感器用于获取第一数据域中的交通流数据，所述第二传感器和所述第三传感器用于获取第二数据域中的数据，所述第一传感器和所述第二传感器位于第一位置，所述第三传感器位于在空间上远离所述第一位置的第二位置，其中，所述系统用于：从所述第一传感器、所述第二传感器和所述第三传感器接收数据；根据从所述第一传感器和所述第二传感器接收的数据处理从所述第三传感器接收的数据，以估计所述第二位置处的交通流。以估计所述第二位置处的交通流。以估计所述第二位置处的交通流。

【技术实现步骤摘要】
【国外来华专利技术】用于交通预测的多传感器学习系统


[0001]本专利技术涉及交通控制系统，尤其涉及一种通过利用将统计和机器学习应用于大数据处理的多传感器相关性学习和融合引擎来优化交通预测的系统。

技术介绍

[0002]交通拥堵给城市基础设施带来严峻挑战，也影响人们的社会经济生活，因为在等候交通时浪费了时间。
[0003]尽管存在描述交通流模型的多种特征，但我们可以遵循一个一般性假设，即交通流数据是一个时间序列，它是一个时间索引的值序列(即，包含各种类型数据的元组：车辆数量、车辆速度等)。交通数据可以按时间顺序从各种来源(如摄像头或街道感应回路传感器、污染传感器、噪声传感器和天气传感器)收集。这些数据由测量交通指标的传感器随着时间的推移不断生成。这些传感器通常在空间上分布在城市基础设施中。
[0004]人们已经开发各种交通建模和控制方法，例如宏观模型或微观模型、过滤模型和其它组合模型。此类研究缺乏实际部署，原因包括预测准确度低、无法处理相关性、对数据要求严格、缺乏表现度或缺乏对内部机制的理解以及不可容忍的预测时间成本。
[0005]现有交通预测模型在实际应用中失败的关键原因在于，它们未能充分利用可用的多传感器源。同时，直接测量特定位置的车辆数量的摄像头和感应回路价格高昂、侵入性强、难以维护并且需要利用算法来处理数据，这增加了此类方案的成本，导致其无法大规模实施。现有模型也未能充分利用交通网络提供的独特信息，包括动态空间因素，即车辆的拓扑结构和固有时间流及其相关性，这些信息可以通过城市群中可用的多个价格低廉的传感器来感测，如污染传感器(例如，NO2、NO、PM10)、噪声传感器、天气传感器(例如，湿度、降水持续时间)、在线数据和蜂窝线路数据。这些都是间接表征交通流信息的可用和替代数据源。
[0006]用于时间序列预测的典型统计和机器学习模型，例如自回归滑动平均系列(AR、MA、ARMA、ARIMA)、贝叶斯推理和回归树，只能对一维时间序列进行建模和预测。此类预测模型假设数据中的相关性可以通过全局时间固定的参数来充分描述。此外，它们本质上不能扩展为多元空间相关预测，这使得它们不适用于数据之间的相关性呈动态和异构的情况，例如道路交通数据。
[0007]在基于机器学习的时间序列建模和预测领域，有各种方法试图弥补典型统计方法的局限性，并对新技术进行补充以提高表现度和灵活性。现有技术通常侧重于采用贝叶斯积分、支持向量回归、非线性最小二乘法、组合方法和专家系统的离线程序。
[0008]以下文献所述的方法假设所涉及模型的多样性和精确度是选择模型时要考虑的最重要因素，并研究了一种基于神经网络和元特征的时间序列预测的新方法：R.Fonseca等人，“时间序列预测组合方法中的自动模型选择”，《IEEE汇刊》，第14卷第8期，第3811至3819页，2016年8月。该方法在选择预测器时自动调整多样性和精确度之间的所需平衡，并在高度非线性的时间序列上提供了良好的结果。然而，离线无监督训练和复杂的模型更新导致
该方法难以在实时场景中实现。
[0009]以下文献所述的另一种方法假设了解时间序列复杂度可以使自适应预测决策支持系统的设计能够积极支持预测行为和结果的精确度：M.Adya等人，“开发和验证基于规则的时间序列复杂度评分技术以支持自适应预测决策支持系统(DSS)的设计”，第83卷，2016年。该系统以基于规则的复杂度评分技术为基础，该技术使用十二条规则生成时间序列的复杂度评分，这些规则依赖于序列的十四个特征。尽管在建模中嵌入专家系统规则是一种有趣的方法，但决策系统选择模型时需要大量规则和特征，导致其难以符合实时处理所需的低资源和低时间预算要求。此外，该预测决策支持系统(Forecasting Decision Support System，FDSS)考虑复杂特征，例如不连续度、基本趋势方向、水平不连续度和域知识，这确实可以增加适应性，但也会增加复杂度和计算时间。这些指标不是增量计算的，而是离线计算的，因此计算时间取决于时间序列的长度，但没有任何实时预测要求。
[0010]在交通预测领域，为了满足交通拥堵预警的需求，许多研究都开发了基于大数据驱动理论的实时交通流状态识别和预测方法。交通大数据具有时间相关性、空间相关性、历史相关性和多态性等特点。
[0011]以下文献所述的方法通过使用基于模拟退火遗传算法的模糊c均值(simulated annealing genetic algorithm based fuzzy c
‑
means，SAGA
‑
FCM)的交通聚类模型来量化交通流状态，这是交通流状态识别的基础：Hua
‑
pu Lu、Zhi
‑
yuan Sun和Wen
‑
cong Qu，“基于大数据驱动的实时交通流状态识别与预测”，《自然与社会离散动力学》，第2015卷，文章编号284906，11页，2015年。考虑到计算简单、预测准确度高，建立了区域交通流相关性分析双层优化模型，以基于时间
‑
空间
‑
历史相关性预测交通流参数。尽管该模型具有灵活性，但它对模型的时空参数化进行了许多假设，在交通拥堵缓解方面仅获得10％的增益。
[0012]以下文献所述的另一种方法采用随机信元传输模型(stochastic cell transmission model，SCTM)进行概率交通状态评估，该模型结合从空间相关性分析中校准的协方差结构：T.L.Pan、A.Sumalee、R.X.Zhong和N.Indra
‑
payoong，“基于时空相关性的短期交通状态预测”，《IEEE智能交通系统汇刊》，第14卷第3期，第1242至1254页，2013年9月。尽管模型背后的计算量很大，但该系统的所有预测的总体最大绝对百分比误差(Maximum Absolute Percentage Error，MAPE)约为16.2％，遗憾的是，该数字仅在静态实证研究中获得(而不是在真实场景中获得)。
[0013]以下文献中的研究采用了更面向实时的方法研究概率假设密度(Probability Hypothesis Density，PHD)过滤器在实时交通状态估计方面的潜力：M.Canaud、L.Mihaylova、J.Sau等人(2013年)，“用于实时交通状态估计和预测的概率假设密度过滤”，《网络与非均匀介质》(NHM)，8(3)，第825至842页。该方法采用与PHD过滤器耦合的信元传输模型(Cell Transmission Model，CTM)，考虑了测量来源的不确定性，并表明这可以在交通设置和实时计算成本方面提供高精确度。尽管该模型具有很大的吸引力，但它仅用于没有大量车道和交叉路口的高速公路环境，在实际交通环境下复杂度通常会增大。
[0014]US 2002/0067292 A1描述了使用传感器系统进行环境感测，以进行智能场景解释。为了确定机动车辆相对于行车道的位置，将来自与导航系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种道路交通流预测系统，其特征在于，所述道路交通流预测系统用于从第一传感器以及第二传感器和第三传感器接收数据，所述第一传感器用于获取第一数据域中的交通流数据，所述第二传感器和所述第三传感器用于获取第二数据域中的数据，所述第一传感器和所述第二传感器位于第一位置，所述第三传感器位于在空间上远离所述第一位置的第二位置，所述系统用于：从所述第一传感器、所述第二传感器和所述第三传感器接收数据；根据从所述第一传感器和所述第二传感器接收的数据处理从所述第三传感器接收的数据，以估计所述第二位置处的交通流。2.根据权利要求1所述的系统，其特征在于，从所述传感器中的每个传感器接收的所述数据包括值的时间序列。3.根据权利要求1或权利要求2所述的系统，其特征在于，所述第一传感器是摄像头，所述第一数据域是所述位置处的车辆的一个或多个图像。4.根据上述权利要求中任一项所述的系统，其特征在于，所述第二传感器和所述第三传感器分别用于获取与所述第一位置和所述第二位置处的环境属性水平相关的数据。5.根据权利要求4所述的系统，其特征在于，所述第二传感器和所述第三传感器中的每个传感器包括天气传感器、污染传感器、噪声传感器、CO传感器和感应回路中的一个。6.根据权利要求4或权利要求5所述的系统，其特征在于，所述第三传感器用于获取与所述第二传感器相同的环境属性相关的数据。7.根据上述权利要求中任一项所述的系统，其特征在于，所述系统用于通过实现所学习的人工智能模型来执行所述处理。8.根据权利要求7所述的系统，其特征在于，所述人工智能模型是神经网络。9.根据权利要求7或权利要求8所述的系统，其特征在于，所述系统用于学习从所述第二数据域到所述第一数据域的映射。10.根据权利要求7至9中任一项所述的系统，其特...

【专利技术属性】
技术研发人员：克里斯蒂安，
申请(专利权)人：华为云计算技术有限公司，
类型：发明
国别省市：