一种基于Embedding-CNN的混合车群运动演化规律的刻画方法技术

本发明专利技术提供了一种基于Embedding

【技术实现步骤摘要】
一种基于Embedding
‑
CNN的混合车群运动演化规律的刻画方法


[0001]本专利技术属于交通数据分析及处理领域，具体涉及一种基于嵌入层
‑
卷积神经网络(Embedding
‑
Convolutional Neural Networks,Embedding
‑
CNN)的混合车群运动演化规律的刻画方法，可适用于智能网联环境下快速路混合车群运动演化规律的刻画。

技术介绍

[0002]近年来，网联自动车(Connected Autonomous Vehicles，CAVs)技术发展迅速，凭借其广泛、实时的信息感知能力以及完全可控等特性，为研究交通问题提供了新的思路。相关的研究表明，网联自动车的加入，将会改变快速路交通流的运行状态，而这种变化会受其渗透率和空间分布情况的影响。因此，从单个车辆行为出发，研究混合交通条件下网联自动车的渗透率和空间分布与异质车群的运动演化规律之间的关系具有重要意义。智能网联环境下可以轻易获取道路上每辆车的位置信息、状态信息以及车辆类型等，使得上述研究本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Embedding
‑
CNN的混合车群运动演化规律的刻画方法，其特征在于：包括以下步骤：1)选定监测路段，通过监测路段路侧或车载传感器，截取监测路段不同交通状态下混合异质车群的单车数据；2)将步骤1)截取的单车数据进行预处理，获得Embedding
‑
CNN模型数据集；3)构建Embedding
‑
CNN模型，并根据步骤2)获得的Embedding
‑
CNN模型数据集对Embedding
‑
CNN模型进行训练；4)在测试集上对Embedding
‑
CNN模型的准确性进行验证。2.根据权利要求1所述的基于Embedding
‑
CNN的新型混合车群运动演化规律的刻画方法，其特征在于：所述步骤1)具体包括以下步骤：11)选定长度为L的监测路段s，初始化混合车群的长度；12)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n1,n2,...,n
k
的车辆长度l
k
；运动状态信息：速度v、加速度a、偏航角h；车辆的位置信息：纵向位置x，即车头位置，和所属车道c；车辆的类型p，用以区分网联人驾车和网联自动车；以及在t时刻选定的路段s内的车辆n1,n2,...,n
k
在t+τ时刻的运动状态信息和车辆的位置信息：纵向位置x
′
与所属车道k
′
；同时，获取t时刻路段s下游长度为L的路段s+1各个车辆的运动状态信息和位置信息。3.根据权利要求2所述的基于Embedding
‑
CNN的混合车群运动演化规律的刻画方法，其特征在于：所述步骤2)具体包括以下步骤：21)根据t时刻路段s内的单车数据，将路段s划分为c
×
m个单元，c为车道的数量，m为每条车道划分的单元数量；确定每条车道单个单元划分的长度l
min
，可用以下公式表示：式中，L代表路段s及路段s+1的长度；22)确定每一条车道每辆车插入的单元位置，构建c
×
m
×
f的零矩阵，f为车辆的特征层的数量，根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中，替换原来的“0”值；每一条车道每辆车插入的单元位置可用以下公式表示：车道每辆车插入的单元位置可用以下公式表示：式中，m
′
i
为插入的第一个位置；m
i
表示最后一个插入的位置；x
j
为第j辆车的纵向位置；s
min
为路段s的初始位置；l
j
为第j辆车的长度；[]表示取整函数。23)确定t时刻路段s+1中的车辆的平均速度和平均密度，可用以下公式表示：
式中，为t时刻路段s+1内的车辆的平均速度；k
i
为每条车道上...

【专利技术属性】
技术研发人员：孙棣华，赵敏，李保辉，
申请(专利权)人：重庆大学，
类型：发明
国别省市：