一种基于数字孪生的城市车路协同交通流预测方法技术

本发明专利技术公开一种基于数字孪生的城市车路协同交通流预测方法，应用于车联网领域，针对目前交通流量预测研究在算力限制下无法实现城市系统大范围的整体预测并同时保障高精度，以及其面对突发事件难以实时调整模型的问题；本发明专利技术对城市的整体拓扑、各区域的内部拓扑及车辆个体，分别在虚拟空间内建立分层孪生，从而挖掘复杂、大范围城市交通流量的时空特征。通过划分城市区域，并建立整体区域拓扑实现不同区域之间协同预测，以解决集中式方式所造成的算力负担问题；通过数字孪生中各层次之间的推演过程，不断将交通流量预测与交通导引决策之间进行交互，并对车辆产生周期性反馈，车辆实时上传感知数据，从而提高整体预测精度。从而提高整体预测精度。从而提高整体预测精度。

【技术实现步骤摘要】
一种基于数字孪生的城市车路协同交通流预测方法


[0001]本专利技术属于智能车联网领域，特别涉及一种城市交通流预测技术。

技术介绍

[0002]交通流量预测是实现智能交通系统的重要基础。随着快速城市化和人口增长，智能交通系统复杂度更高，同时人对于出行安全以及高效的需求也不断增加。基于交通预测的早期干预以及交通调度是提高城市交通系统道路效率、驾驶安全和缓解交通拥堵的关键。近年来，在5G技术以及智能车辆的感通信计算功能支持下，通过5G的车载自组织网络(5G
‑
VANET)实现了车与基建设施网络之间的数据通信，为解决实时交通流量预测提供了可供分析的当前时刻交通数据支持。此外，人工智能技术的兴起也给交通流量预测研究带来新的机遇。其中深度学习模型，包括卷积神经网络和递归神经网络等，可以被应用于建立时空依赖性模型以探索具有时空流动性特质的交通流量数据的隐藏变化规律。上述新兴技术的结合在推进实现准确预测未来道路状况趋势，进而完成更高效的智能交通调控策略方面有着极大潜力。
[0003]目前已有研究中，交通预测通常基于对历史交通状态数据的考虑，以及影响交通状态的外部因素，如天气和假期。当前该方面研究热点主要集中于组合模型，是通过多种模型相互叠加来捕捉交通数据中复杂的线性和非线性特征，由于其可以综合不同模型优势，提取到更加全面的特征，从而被广泛应用。经典的方法有DCRNN、ASTGCN等，然而以上方案存在如下缺点：1、大多考虑的仅限于道路或区域，而没有考虑城市规模级的交通流量预测。其原因在于，首先，单个车辆对信息的采集和处理能力都非常有限，很难以分布式的方法获取全局信息进行时空推演并做出协同预测。其次，以集中式的方式对城市系统内复杂且大量的道路进行流量预测以为后续车辆导引提供策略依据，进而提高系统整体出行效率，这样大数量级的计算所带来的算力以及通信负担也是无法估量的。2、基于历史数据库进行的对于未来的预测，没有同时考虑实时道路数据的解决方案，同样也会导致预测精确度不够的问题。城市交通系统是一个随机复杂动态的巨型系统，深度学习等技术如何灵活运用于该领域，达到有效提升城市交通系统的状态感知、流量预测的目的，仍然是一个难题。
[0004]数字孪生是对于物理实体的数字复制，该技术为实时监测和与虚拟环境同步现实世界的活动铺平了道路。在车联网技术支持下，通过建立数字化模拟，根据物理实体变化反馈与不断推演同步真实交通环境中的状态。数字孪生技术能解决传统的移动系统框架由于严重依赖存储和计算而受到的功能限制。经过对现有文献的检索，在数字孪生和交通系统的交汇领域存在的相关尝试，大部分仅从个体出发，未考虑系统层面。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种基于数字孪生的城市车路协同交通流预测方法，通过分层孪生以及区域协同，基于车辆决策增强的扩散卷积方法精准预测城市级大规模场景下未来交通状况，提高方案可行性和精确度
[0006]本专利技术采用的技术方案为：一种基于数字孪生的城市车路协同交通流预测方法，应用的场景为：城市路网划分为多个区域，一个城市路网对应一个中央服务器，城市路网中每个区域部署一个区域服务器；具体实现过程包括以下步骤：
[0007]S1、在各自动驾驶车辆的车载中心计算单元上建立车辆孪生，自动驾驶车辆感知周围车辆密度通过计算转化为局部感知车流量信息，并发送给路旁基础设施；路旁基础设施根据局部感知车流量信息与摄像头检测数据计算获取所处道路流量统计，并向该路网区域的区域服务器发送道路分布状态信息和道路车流量信息；
[0008]S2、在各个区域服务器，根据道路分布状态信息以图的形式对该区域内部的真实道路拓扑建立道路孪生；
[0009]S3、在城市中央服务器上，将区域作为图结构中的点，而区域间的相邻关系作为图结构中的边，以图的形式对城市整体建立区域孪生；
[0010]S4、在各个区域服务器，分别根据对应区域的历史道路车流量信息，构建基于车辆决策增强的扩散卷积网络，并对该扩散卷积网络进行训练；将通过自动驾驶车辆感知与路旁设施检测协同获取的实时车流量数据输入其所在区域服务器中已完成训练的扩散卷积网络中，预测未来时段内该区域内的道路交通流；
[0011]S5、中央服务器根据历史区域间连接路况数据和区域交通拥堵数据构建基于车辆决策增强的扩散卷积网络，并对该扩散卷积网络进行训练；将实时区域间连接道路交通状况建模为交通拥堵系数，从而输入中央服务器已完成训练的扩散卷积网络中，预测未来时段内各个区域交通拥堵状况；
[0012]S6、中央服务器将各区域交通拥堵状况传送至区域服务器；区域服务器将各区域交通拥堵状况和该区域内的道路交通流发送至区域内部自动驾驶车辆，并上传预测的该区域内的道路交通流至中央服务器；
[0013]S7、当自动驾驶车辆将驶入当前路网区域的交岔路口时，接收所在区域服务器传输的未来时段内该区域内的道路交通流预测结果，车辆孪生根据该区域内的道路交通流预测结果以及路径动作模块采取决策动作，并将决策反馈于区域服务器；区域服务器中的道路孪生根据区域内所有自动驾驶车辆所发送的各自的当前决策进行推演，更新对未来时段内该区域内的道路交通流的预测结果并返回给车辆孪生；
[0014]S8、当自动驾驶车辆有跨区域出行需求时，区域服务器将收到的未来时段内的区域交通拥堵状况转发给自动驾驶车辆，自动驾驶车辆根据预测结果以及路径动作模块采取决策动作并将决策反馈于中央服务器；同样中央服务器对所有收集的当前决策进行推演，更新对未来时段内的区域交通拥堵状况的预测结果。
[0015]本专利技术的有益效果：本专利技术与现有技术相比，通过城市分区域建立分层数字孪生架构，构建基于车辆决策增强的扩散卷积神经网络模型预测未来段时间内区域内部道路流量以及各区域总体拥堵状况，通过决策反馈对未来时间城市全局道路状况进行推演，克服了现有技术中存在的集中式算力限制导致的对大规模城市级预测不适用、对实时突发情况预测不精确等问题，以流量预测辅助城市交通调度管理，为导引提供有效数据支持。
附图说明
[0016]图1为本专利技术的应用场景。
[0017]图2为基于数字孪生的自动驾驶车路协同交通流预测算法流程图。
[0018]图3为基于车辆决策增强的扩散卷积GRU单元示意图。
具体实施方式
[0019]为便于本领域技术人员理解本专利技术的
技术实现思路
，下面结合附图对本
技术实现思路
进一步阐释。
[0020]针对目前交通流量预测研究在算力限制下无法实现城市系统大范围的整体预测的同时保障预测的高精度，以及其面向突发事件难以完成实时性预测的问题，本专利技术提出了一种基于数字孪生的城市智能时空交通流预测框架，用于挖掘复杂大范围城市系统内交通流量的时空流动性，并预测未来交通状况以辅助实现交通流导引。在区域服务器以及中央服务器上对车辆、道路和区域建立分层数字孪生体，用以推演未来一段时间的道路状况，从而通过虚拟数字体和真实环境实时交互提高流量预测精确性。全局与局部结合的城市大规模流量预测为城市交通管控调本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数字孪生的城市车路协同交通流预测方法，其特征在于，应用的场景为：城市路网划分为多个区域，一个城市路网对应一个中央服务器，城市路网中每个区域部署一个区域服务器；具体实现过程包括以下步骤：S1、在各自动驾驶车辆的车载中心计算单元上建立车辆孪生，自动驾驶车辆感知周围车辆密度通过计算转化为局部感知车流量信息，并发送给路旁基础设施；路旁基础设施根据局部感知车流量信息与摄像头检测数据计算获取所处道路流量统计，并向该路网区域的区域服务器发送道路分布状态信息和道路车流量信息；S2、在各个区域服务器，根据道路分布状态信息以图的形式对该区域内部的真实道路拓扑建立道路孪生；S3、在城市中央服务器上，将区域作为图结构中的点，而区域间的相邻关系作为图结构中的边，以图的形式对城市整体建立区域孪生；S4、在各个区域服务器，分别根据对应区域的历史道路车流量信息，构建基于车辆决策增强的扩散卷积网络，并对该扩散卷积网络进行训练；将通过自动驾驶车辆感知与路旁设施检测协同获取的实时车流量数据输入其所在区域服务器中已完成训练的扩散卷积网络中，预测未来时段内该区域内的道路交通流；S5、中央服务器根据历史区域间连接路况数据和区域交通拥堵数据构建基于车辆决策增强的扩散卷积网络，并对该扩散卷积网络进行训练；将实时区域间连接道路交通状况建模为交通拥堵系数，从而输入中央服务器已完成训练的扩散卷积网络中，预测未来时段内各个区域交通拥堵状况；S6、中央服务器将各区域交通拥堵状况传送至区域服务器；区域服务器将各区域交通拥堵状况和该区域内的道路交通流发送至区域内部自动驾驶车辆，并上传预测的该区域内的道路交通流至中央服务器；S7、当自动驾驶车辆将驶入当前路网区域的交岔路口时，接收所在区域服务器传输的当前该区域内的道路交通流预测结果，车辆孪生根据当前区域内的道路交通流预测结果以及路径动作模块采取决策动作，并将决策反馈于区域服务器；区域服务器中的道路孪生根据区域内所有自动驾驶车辆所发送的各自的当前决策进行推演，更新对未来时段内该区域内的道路交通流的预测结果并返回给车辆孪生，自动驾驶车辆根据更新后的未来时段内该区域内的道路交通流的预测结果以及路径动作模块采取决策动作；S8、当自动驾驶车辆有跨区域出行需求时，区域服务器将收到的当前的区域交通拥堵状况的预测结果转发...

【专利技术属性】
技术研发人员：冷甦鹏，明昱君，廖熙雯，张科，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：