交通流模型与数据融合驱动的交通状态估计方法及装置制造方法及图纸

本发明专利技术公开了一种交通流模型与数据融合驱动的交通状态估计方法及装置，该方法包括：获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；构建基于数据特征进行交通状态估计的深度神经网络模型；构建神经网络编码宏观交通流守恒模型，将深度神经网络模型与其级联，进行联合训练；基于训练完成的深度神经网络模型，完成交通状态估计。将数据优势和模型优势结合起来，将宏观交通流模型作为数据驱动模型的正则约束，优化其梯度下降过程，并最终执行细粒度速度估计。并最终执行细粒度速度估计。并最终执行细粒度速度估计。

【技术实现步骤摘要】
交通流模型与数据融合驱动的交通状态估计方法及装置


[0001]本专利技术属于智能交通领域，主要涉及一种交通流模型与数据融合驱动的交通状态估计方法及装置。

技术介绍

[0002]交通状态估计是利用部分观测到的交通数据推断道路上的交通状态变量(即流量、密度、速度及其他等效变量)的过程，它是交通管理与控制的重要基础。通过有效地估计宏观交通状况，交通规划管理者可以识别交通拥堵和道路瓶颈，识别导致交通流量急剧恶化的突发交通事件，了解交通需求和交通供给之间的关系，为高速公路进一步的交通控制提供依据。但受现实世界中传感器的稀疏性和从传感器收集的数据的可靠性的限制，观测数据通常存在以下问题，观测数据稀疏，空间和时间分辨率低，基于上述问题，交通状态估计面临的挑战是如何有效利用有限、稀疏采样(在空间和时间域)和潜在噪声数据，以准确获得交通状态的细粒度感知。许多研究都集中在交通状态估计问题上，常用的方法主要分为两类：模型驱动的交通状态估计方法和数据驱动的交通状况估计方法。
[0003]模型驱动方法基于交通流模型进行估计，它虽然可以有效利用交通流先验知识，再现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.交通流模型与数据融合驱动的交通状态估计方法，其特征在于，该方法包括以下步骤：步骤1，获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；步骤2，构建基于数据特征进行交通状态估计的深度神经网络模型；步骤3，构建神经网络编码宏观交通流守恒模型，将所述步骤2中的深度神经网络模型与其级联，进行联合训练；步骤4，基于训练完成的深度神经网络模型，完成交通状态估计。2.根据权利要求1所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤1中交通状态数据包括高速公路研究区域内各观测点位置以及经过各观测点处的各车辆的id、时刻、瞬时速度。3.根据权利要求1所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤1中观测点包括高速公路研究区域内沿线布设的道路检测器、探测车。4.根据权利要求1所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤1中预处理包括网格化处理，所述网格化处理的具体步骤如下：根据采样间隔，设置时空窗口对高速公路研究区域内进行划分，形成若干时空网格；提取高速公路研究区域内的各观测点的时空坐标(t,x)及其对应的瞬时速度u(t,x)，并将各观测点对应到不同时空网格中；其中，u(t,x)表示t时刻经过x位置监测点时的瞬时速度；将各时空网格中的观测点进行集计：以某时空网格中所有观测点对应的瞬时速度的均值作为该时空网格的平均交通速度，以该时空网格几何中心点的时空坐标代表该时空网格。5.根据权利要求4所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述预处理之前还包括异常值和缺省值处理，预处理之后还包括归一化处理。6.根据权利要求4或5所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤2中，建立以时空网格的时空坐标为输入、以该时空网格的平均交通速度为输出的第一全连接的前馈神经网络。7.根据权利要求6所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤3中神经网络编码宏观交通流守恒模型的结构包括：一个以任意时空网格的平均交通速度为输入、以该时空网格的平均流量为输出的第二全连接的前馈神经网络，以及一个依据v_LWR交通流守恒模型建立的固定权值的全连接神经网络；所述时空网格对应的平...

【专利技术属性】
技术研发人员：李金羽，丁璠，谭华春，彭剑坤，韩雨，杨阳，
申请(专利权)人：东南大学，
类型：发明
国别省市：