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：