基于车联网稀疏信息的深度学习交通状态估计方法及系统技术方案

本发明专利技术公开了一种基于车联网稀疏信息的深度学习交通状态估计方法及系统，为路网交通状态估计提供了一个低成本的解决方案。本发明专利技术在采集车辆行驶信息的稀疏数据集之后，根据几何约束将车辆匹配到路段，得出各路段的平均速度作为其交通状态估计值；再通过TGASA模型恢复出交通路网的实时交通状态，以修正交通状态估计值的不准确性和不稳定性。相比于基于路侧电子眼检测交通状态的方法，本发明专利技术能够在车辆数据有限的情况下，使用稀疏的移动感知数据对全部路网实现路段级的交通状态实时监测，具有更低成本，更广覆盖的优点。所提TGASA模型能捕捉交通数据在时空上的协同相关性以提高自身的鲁棒性，适用于动态变化的图结构，具有泛化学习能力。学习能力。学习能力。

【技术实现步骤摘要】
基于车联网稀疏信息的深度学习交通状态估计方法及系统


[0001]本专利技术属于车联网
，涉及稀疏化理论以及交通状态估计方案设计。具体涉及一种基于车联网稀疏信息的深度学习交通状态估计方法及系统。

技术介绍

[0002]交通状态估计是现代智能交通系统的基石，能够为其提供重要的交通信息。现代智能交通系统中的拥塞监控、流量管理和路由规划等，都非常依赖实时的流量状态信息。过去主要是通过使用电感环探测器和路边摄像头来记录车辆通过某一区域的速度或流量来实现交通状态估计。但是这种传统的方法有明显的缺点，比如探测器和摄像头覆盖范围有限，安装和维修费用昂贵等，无法满足现代智能交通系统的需要。近些年，移动群智感知已经成为一种很有前景的感知范式，它依赖于无处不在的移动用户或传感器贡献或生成的数据。车联网的出现使得越来越多的车辆实现了互联，并提供了覆盖整个路网的海量实时智能交通系统数据。基于移动群智感知的交通状态估计弥补了以往的传统方法在覆盖范围和成本方面的不足。移动群智感知系统充分利用采集到的车速、GPS坐标等车网数据，实时估计整个路网的交通状态。例如，新加坡的陆地交通管理局目前正在使用GPS记录12000多辆出租车的交通状况，并在其关于交通数据的门户网站上生成全市交通状况信息，向所有新加坡居民提供实时的交通统计数据。
[0003]数据质量和收集预算是移动群智感知的两个主要关注点。移动群智感知的性能依赖于高质量的数据，但是我们通常很难获取到足够的交通数据。实时采集大量的智能交通系统数据对于采集机制和通信网络来说都是一项艰巨的任务，不过收集一部分车辆数据，即稀疏数据，在实际应用中会更实用、更经济。所以从稀疏的移动群智感知数据中准确地估计交通流量状态是非常必要的。首先，数据中心不可避免地会遗漏一些交通信息，所以收集所有的车辆行驶信息是不现实的。因为数据在传输过程中可能会存在丢失的情况，或者车辆用户考虑到隐私风险不愿意共享自身的数据。第二，收集稀疏的数据更加低成本，更加经济。较小的数据规模可以减少网络传输的负荷，减轻数据中心的存储和处理任务。然而，我们发现移动群智感知车辆数据的稀疏化会给交通估计带来不准确性和不稳定性。
[0004]交通状态估计的稀疏移动群智感知是从一小群参与者中收集信息。在移动群智感知车辆数据中，真实交通系统产生的一定量的信息冗余是我们利用稀疏数据进行交通状态估计的重要基础。从微观层面来说，每辆车辆按照一个常用的跟车模型向前移动，其中一辆车的速度与其附近车辆的速度相似。所以在某种程度上，一辆车的速度可以代表附近多辆车的速度。从宏观层面来说，城市交通状况呈现出较高的时空相关性。例如，与拥堵的道路相邻的道路更有可能拥堵。此外，交通堵塞的出现和消散是一个耗时的过程。因此，利用交通流中的空间和时间相关性，从稀疏的移动群智感知车辆数据中准确估计交通状态是可行的。
[0005]获取交通数据的时空相关性是一项具有挑战性的任务，尤其是利用稀疏移动群智感知数据实现准确的估计。在时间维度上，原始的稀疏估计结果不稳定并且有噪声，很难捕
捉其趋势；在空间维度上，路网的拓扑是不规则连接的图结构，每个节点的邻居数量不尽相同。此外，由于道路网络的连通性会随着道路的建设和维护而发生动态变化，因此空间相关性的捕获方法需要具有可移动性。然而，大多数的图神经网络只能生成单个固定图的嵌入，而不能泛化学习不同的图。此外，这些方法通常将图的边简化为连通或不连通而忽略了边的性质。

技术实现思路

[0006]专利技术目的：本专利技术的目的在于提供一种基于车联网稀疏信息的深度学习交通状态估计方法及系统，能够在车辆数据有限的情况下，使用稀疏的移动感知数据对全部路网实现路段级的交通状态实时监测，具有更低成本，更广覆盖的优点。
[0007]技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：一种基于车联网稀疏信息的深度学习交通状态估计方法，包括以下步骤：基于路导向的交通图网络，在采集车辆行驶信息的稀疏数据集之后，根据几何约束将车辆匹配到路段，得出各路段的平均速度作为其交通状态的估计值；通过变换器
‑
图注意样本和聚合神经网络模型（Transformer
‑
Graph Attentional Sample and Aggregate neural network model，TGASA）恢复出交通路网的实时交通状态；其中TGASA模型包括：用于捕获空间相关性的GASA层，用于确定相对位置信息的位置编码层，用于捕获时间相关性的Transformer层，以及用于解码输出交通状态的解码层；所述GASA层，包括多个GASA块，每个GASA块输入路段节点及其采样的一阶相邻路段节点的节点特征和边特征，输出融合后的特征；所述节点特征包括路段的交通状态估计值，所述边特征包括两个路段的夹角、路段之间的距离以及邻居路段的长度；所述TGASA模型以路段过去T
‑
1时间段和当前时间段的交通状态的估计值，以及路段节点相关图结构为输入，输出修正后的路段当前时间段的交通状态准确值；T为预设的时间步长。
[0008]作为优选，随机在城市交通路网中收集道路中车辆行驶信息得到稀疏数据集，所采集的数据中包括车辆位置坐标信息。
[0009]作为优选，所述基于路导向的交通图网络使用图结构描述，图中节点表示路段，边表示路段之间的拓扑连接关系，路段i与路段j之间的边e
ij
包括路段i与路段j之间的夹角，路段i与路段j中点之间的距离，以及路段j的长度和属性。
[0010]作为优选，所述根据几何约束将车辆匹配到路段中，几何约束包括车辆位置与路段之间的距离小于预设距离阈值，以及车辆速度与路段之间的夹角小于预设角度阈值。
[0011]作为优选，给定时间段t的交通状态估计方法包括：将时间段t内收集到的信息集中的每一项车辆行驶信息分别按照几何约束实时匹配到最近的路段中；根据匹配结果构建一个新的集合，包括该时间段内每个路段匹配的所有车辆的速度；计算路段m匹配到的所有车辆的平均速度，作为该时间段内路段m的交通状态估计值。
[0012]作为优选，所述Transformer层使用多个自注意力机制组成的多头注意力块从多个方面捕捉交通数据的时间相关性。
[0013]作为优选，对于路段节点A，从其相邻路段节点中采样固定数量的节点，并按照路段之间的角度排序，将路段节点A及采样节点的节点特征组合，构成GASA块的节点信息输入向量N
t
，将节点间的边特征按照节点的顺序组合，构成GASA块边信息输入向量E；节点信息
输入向量N
t
和边信息输入向量E分别通过多层感知器得到聚合向量G
tn
和注意力向量G
e
，以聚合向量G
tn
和注意力向量G
e
的哈达玛乘积G
t
作为GASA块的输出。
[0014]作为优选，GASA块对路段节点逐个处理，路段节点A处理时，只考虑路段节点A及其相邻路段节点的特征，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于车联网稀疏信息的深度学习交通状态估计方法，其特征在于，包括以下步骤：基于路导向的交通图网络，在采集车辆行驶信息的稀疏数据集之后，根据几何约束将车辆匹配到路段，得出各路段的平均速度作为其交通状态的估计值；通过变换器
‑
图注意样本和聚合神经网络模型TGASA恢复出交通路网的实时交通状态；TGASA模型包括：用于捕获空间相关性的GASA层，用于确定相对位置信息的位置编码层，用于捕获时间相关性的Transformer层，以及用于解码输出交通状态的解码层；所述GASA层，包括多个GASA块，每个GASA块输入路段节点及其采样的一阶相邻路段节点的节点特征和边特征，输出融合后的特征；所述节点特征包括路段的交通状态估计值，所述边特征包括两个路段的夹角、路段之间的距离以及邻居路段的长度；所述TGASA模型以路段过去T
‑
1时间段和当前时间段的交通状态的估计值，以及路段节点相关图结构为输入，输出修正后的路段当前时间段的交通状态准确值；T为预设的时间步长。2.根据权利要求1所述的一种基于车联网稀疏信息的深度学习交通状态估计方法，其特征在于：随机在城市交通路网中收集道路中车辆行驶信息得到稀疏数据集，所采集的数据中包括车辆位置坐标信息。3.根据权利要求1所述的一种基于车联网稀疏信息的深度学习交通状态估计方法，其特征在于：所述基于路导向的交通图网络使用图结构描述，图中节点表示路段，边表示路段之间的拓扑连接关系，路段i与路段j之间的边e
ij
包括路段i与路段j之间的夹角，路段i与路段j中点之间的距离，以及路段j的长度和属性。4.根据权利要求1所述的一种基于车联网稀疏信息的深度学习交通状态估计方法，其特征在于：所述根据几何约束将车辆匹配到路段中，几何约束包括车辆位置与路段之间的距离小于预设距离阈值，以及车辆速度与路段之间的夹角小于预设角度阈值。5.根据权利要求1所述的一种基于车联网稀疏信息的深度学习交通状态估计方法，其特征在于：给定时间段t的交通状态估计方法包括：将时间段t内收集到的信息集中的每一项车辆行驶信息分别按照几何约束实时匹配到最近的路段中；根据匹配结果构建一个新的集合，包括该时间段内每个路段匹配的所有车辆的速度；计算路段m匹配到的所有车辆的平均速度，作为该时间段内路段m的交通状态估计值。6.根据权利要求1所述的一种基于车联网稀疏信息的深度学习交通状态估计方法，其特征在于：Transformer层使用多个自注意力机制组成的多头注意力块从多个方面捕捉交通...

【专利技术属性】
技术研发人员：周海波，薛鉴哲，查曹怡，许云霆，
申请(专利权)人：南京大学，
类型：发明
国别省市：