一种基于视觉特征的异质交通流量预测方法技术

本发明专利技术公开了一种基于视觉特征的异质交通流量预测办法，具体包括以下步骤：(1)利用统计概率方法以及感知器模型获取异质交通数据特征，进行数据特征融合；(2)将融合后的特征通入捕获时空依赖性的网络，进行交通预测。该方法利用概率统计方法以及感知器模型，获取了三种交通特征数据，一是异质交通流量，二是大车混入率特征，三是异质车辆交通密度特征，将这三类特征进行对齐融合。然后，使用门控循环单元以及图卷积神经网络，融合多头注意力机制，充分挖掘其时间依赖性和空间依赖性，进行交通流预测。流预测。流预测。

【技术实现步骤摘要】
一种基于视觉特征的异质交通流量预测方法


[0001]本专利技术涉及计算机视觉以及交通流量预测领域，尤其是涉及一种基于视觉特征的异质交通流量预测方法。

技术介绍

[0002]精准的交通流量预测，能为城市管理者提供参考指标，便于他们科学制定交通决策，从而解决交通拥堵等社会问题。但随着经济社会交通需求多样化的飞速发展，公路交通组成呈现出复杂多样的状况。毫无疑问，道路上的行人，以及具有不同运输功能的车辆，对交通流有着重要的影响。尤其是异质车辆，在交通预测中已经成为不得忽视的重要因素。
[0003]目前，众多的交通流分析预测模型，并没有考虑车辆类型对交通流的影响，而是默认整个交通流系统是同质车辆的理想状态，即将小型车和大型车均视为完全相同的车辆。仅仅是从宏观的理想角度，而不是从真实的道路交通情况，去探究不同车辆的影响。然而，这一类方法有着明显的缺点。大型车辆由于体型较大等自身物理特性，在行驶过程中会明显影响其附近小型车辆的驾驶行为。大车混入的情况给交通流带来了移动瓶颈，它令道路交通流的分布状况以及运行状况处于不均匀的情况。在大型车辆的时空位移的过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于视觉特征的异质交通流量预测方法，其特征是，包括如下步骤：S1、获取交通图像并制作数据集；S2、根据数据集中的含有的图像，获取异质交通数据特征，所述获取异质交通数据特征包括交通流量特征、大车混入率特征以及异质交通状态概率密度特征；S3、将所获取的三种特征进行对齐融合，利用预测网络进行训练与预测。2.根据权利要求1所述的一种基于视觉特征的异质交通流量预测方法，其特征是，所述步骤S2中交通流量特征获取方法：采用机器视觉检测算法yolov5x模型，统计总的交通流特征，并细化统计每一类别的车辆的个数，损失函数具体如下：辆的个数，损失函数具体如下：以上公式中N表示类别总个数，x
i
为当前车辆类别预测值，y
i
为经过激活函数后得到的当前类别的概率，g
n
则为当前类别的真实值，L
class
为分类损失，将S
F
记为交通流量。3.根据权利要求2所述的一种基于视觉特征的异质交通流量预测方法，其特征是，所述步骤S2中大车混入率特征获取方法：利用数理统计概率方法，获取大车混入率特征，具体如下：V＝[v1,v2,
…
,v
n
‑1,v
n
]V为异质交通流量化的所得的结果，n为车辆种类的个数，v
i
则表示该类型车的数量，p为经过放缩的大车混入率，μ为放缩因子，[v
m
,v
m+1
,
…
,v
m+t
]为包含的不同种类大型车辆。4.根据权利要求3所述的一种基于视觉特征的异质交通流量预测方法，其特征是，所述步骤S2中异质交通密度概率特征获取方法：根据已经细化的不同车辆的数量，获取不同车辆的比例特征，具体如下：U＝[u1,u2,
…
,u
N
]
T
其中u
i
为车辆比例特征，U则为异质车辆类型的比例特征矩阵；将异质车辆类型特征的比例特征矩阵，通入多层感知器模型，以此来获取异质交通密度概率特征，具体如下：
W
(l)
为所求的权重参数，H
(l)
为隐藏层第l层的隐藏状态，σ
l
为隐藏层第l层的激活函数，则为异质交通密度概率特征矩阵。5.根据权利要求4所述的一种基于视觉特征的异质交通流量预测方法，其特征是，所述步骤S3三种特征进行对齐融合方法为：将获取的三种...

【专利技术属性】
技术研发人员：陈婧，徐梦奇，徐海涛，彭伟民，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：