基于shockwave交通流模型的感知数据补全方法技术

本发明专利技术公开了一种基于shockwave交通流模型的感知数据补全方法，包括如下步骤：从原始交通感知数据中筛选出较为完整的轨迹作为采样输入；利用shockwave交通流模型建立推理分析模型，将车辆的时空轨迹解析表达；建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系；利用融合轨迹数据，使用EM算求解贝叶斯网络，完成未知参数估计，实现数据信息补全。本发明专利技术针对现实情况中感知数据低采样率的情况，采用模型数据双驱动的方法，在雷视融合感知数据的基础上，结合shockwave交通流模型，并利用贝叶斯网络基于采样数据对未知参数进行推断，从而有效实现感知数据信息的补全。效实现感知数据信息的补全。效实现感知数据信息的补全。

【技术实现步骤摘要】
基于shockwave交通流模型的感知数据补全方法


[0001]本专利技术属于交通感知数据挖掘领域，特别是一种基于shockwave交通流模型的感知数据补全方法。

技术介绍

[0002]随着道路交通环境的日益复杂以及城市化进程的加速，对道路交通管理的要求越来越高。在各业务场景中，准确感知目标特征、行为、环境特征以及属性，可以为用户业务应用、大数据分析实现交通精细化治理等提供基础数据。
[0003]视频和雷达是当前主流的两者交通感知手段，但无论那种感知手段，都存在其技术瓶颈。视频在低照度、雨、雪等异常条件的检测效果不佳，检测目标速度、位置等物理信息的精度不足，检测范围和距离受限。雷达技术具有定位精度准、空间分辨率高、检测距离远的优势，但在实际应用中，由于大量无关物体的干扰以及雷达设备本身的问题，雷达数据间断和重复现象严重，常常难以准确刻画道路上每一辆车的运行轨迹。因此如何融合各类感知手段提供的信息，实现感知数据信息的补全，从而实现感知精度的提升是亟待解决的问题。

技术实现思路

[0004]本专利技术的目的在于针对现有技术存在的问题，提供一种基于shockwave交通流模型的感知数据补全方法，利用交通流模型建立车辆轨迹的解析表达，并利用贝叶斯网络基于采样数据对未知参数进行推断，采用模型数据双驱动的方法实现感知数据的补全。
[0005]实现本专利技术目的的技术解决方案为：一种基于shockwave交通流模型的感知数据补全方法，所述方法包括以下步骤：
[0006]步骤1，从原始交通感知数据中筛选车辆轨迹；
[0007]步骤2，利用shockwave交通流模型建立推理分析模型，将车辆轨迹解析表达，获取参数间的解析表达关系；
[0008]步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，统计描述观察变量和未观察变量之间的关系，用于参数学习、交通量与行程时间等交通状态的估计；
[0009]步骤4，基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，完成未知参数估计，实现数据信息补全。
[0010]进一步地，步骤1中原始交通感知数据采用雷达轨迹数据，由于雷达数据间断和重复现象严重，难以准确刻画道路上每一辆车的运行轨迹，则筛选车辆轨迹具体为：
[0011]通过视频数据识别的交通流轨迹作为真值，依此制定雷达轨迹数据筛选规则：轨迹点数量大于4，轨迹点的速度方向保持一致，最后一个轨迹点的速度大于“零”，停车线处轨迹点的X与Y位置处于车道线内。
[0012]进一步地，步骤2中所述的shockwave交通流模型中流量，密度，速度三参数的关系采用三角形的基本图模型进行建模；
[0013]通过shockwave交通流模型，得到在第i
th
个信号周期，n
i
辆车进入交叉口和路段后对应的交通状态的变化状态(q
a,i
,k
a,i
)和拥堵状态(0,k
j
)，以及拥堵状态(0,k
j
)与最大交通量状态(q
max
,k
c
)间的连线的解析分别为ω
a,i
和ω：
[0014][0015][0016]其中，q
a,i
为第i
th
个信号周期的流量，k
a,i
为第i
th
个信号周期的密度，k
j
为拥堵状态的密度，k
c
为最大交通量状态下的临界密度，q
max
为最大交通量，v
f
为自由流速度；
[0017]计算第i个周期车辆会遭遇延误的临界时间t
c,i
，表示为:
[0018][0019]其中，R
i
为第i个周期的红灯时长；
[0020]若第i个周期被采样的第j辆车V
ij
进入交叉口的时间为t
ij
，车辆V
ij
的延误可表示为
[0021][0022]车辆V
ij
的旅行时间T
ij
为交叉口延误D
ij
与自由流旅行时间l
·
p
f
的总和:
[0023][0024]其中，l表示交叉口上游位置与下游位置之间的距离，p
f
为自由流速度v
f
的倒数。
[0025]进一步地，基于步骤2中对交通参数如车辆到达时间和行程时间之间的关系的分析。使用雷视融合数据作为真实车辆轨迹的采样，制定两阶段的贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系。步骤3中建立两阶段的贝叶斯网络模型，具体包括：
[0026](1)第一阶段：
[0027]设可通过感知的速度数据对交叉口车辆运行的自由流速度进行标定，考虑车辆在路段上的行驶过程，利用车辆进入交叉口前的轨迹采样，利用高斯混合模型对路段的自由流速度分布进行拟合，表示为p
f
的联合概率分布
[0028][0029]其中μ1,μ2,σ1,σ2分别为两个高斯分布的均值和标准差，π1为两个高斯分布混合的权重参数；
[0030]设混合高斯分布的概率分布为其中分别为混合高斯分布的均值和方差；
[0031](2)第二阶段：
[0032]研究交叉口的shockwave交通流模型，将n
i
表示为交叉口的车辆数，假设每个信号周期进入交叉路口或路段的车辆数量遵循泊松分布，将交叉口车辆数n
i
的概率密度表示为Q(n
i
；λ):
[0033][0034]其中，λ为泊松分布参数，表示车辆的平均到达率；
[0035]车辆的旅行时间可用与自由流速度同样的概率分布进行表达；
[0036]对于遭遇延误的车辆，考虑公式(4)中车辆延误的解析表达，车辆V
ij
在交叉口的旅行时间T
ij
表示为:
[0037][0038]对于没有延误的车辆，其旅行时间为:
[0039][0040]其中，q
a,i
通过下式计算，C
i
为第i个信号周期的长度:
[0041][0042]因此，车辆V
ij
的旅行时间T
ij
的分布可以根据参数λ,n
i
,μ1,μ2,σ1,σ2,π1和q
max
进行标定，其中q
max
可利用视频检测结果进行估计，T
ij
和可以从被采样车辆的轨迹中提取。T
ij
服从中的联合分布:由此可以进一步得到旅行时间T
ij
的概率密度函数对于遭遇延误的车辆表示为:
[0043][0044]或者对于没有延误的车辆，
[0045][0046]假设T
i...

【技术保护点】

【技术特征摘要】
1.一种基于shockwave交通流模型的感知数据补全方法，其特征在于，所述方法包括以下步骤：步骤1，从原始交通感知数据中筛选车辆轨迹；步骤2，利用shockwave交通流模型建立推理分析模型，将车辆轨迹解析表达，获取参数间的解析表达关系；步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，统计描述观察变量和未观察变量之间的关系，用于交通状态的估计；步骤4，基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，完成未知参数估计，实现数据信息补全。2.根据权利要求1所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤1中原始交通感知数据采用雷达轨迹数据，筛选车辆轨迹具体为：通过视频数据识别的交通流轨迹作为真值，依此制定雷达轨迹数据筛选规则：轨迹点数量大于设定阈值，轨迹点的速度方向保持一致，最后一个轨迹点的速度大于“零”，停车线处轨迹点的X与Y位置处于车道线内。3.根据权利要求2所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，所述设定阈值为4。4.根据权利要求1所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤2中所述的shockwave交通流模型中流量，密度，速度三参数的关系采用三角形的基本图模型进行建模；通过shockwave交通流模型，得到在第i
th
个信号周期，n
i
辆车进入交叉口和路段后对应的交通状态的变化状态(q
a,i
,k
a,i
)和拥堵状态(0,k
j
)，以及拥堵状态(0,k
j
)与最大交通量状态(q
max
,k
c
)间的连线的解析分别为ω
a,i
和ω：和ω：其中，q
a,i
为第i
th
个信号周期的流量，k
a,i
为第i
th
个信号周期的密度，k
j
为拥堵状态的密度，k
c
为最大交通量状态下的临界密度，q
max
为最大交通量，v
f
为自由流速度；计算第i个周期车辆会遭遇延误的临界时间t
c,i
，表示为:其中，R
i
为第i个周期的红灯时长；若第i个周期被采样的第j辆车V
ij
进入交叉口的时间为t
ij
，车辆V
ij
的延误可表示为的延误可表示为车辆V
ij
的旅行时间T
ij
为交叉口延误D
ij
与自由流旅行时间l
·
p
f
的总和:
其中，l表示交叉口上游位置与下游位置之间的距离，p
f
为自由流速度v
f
的倒数。5.根据权利要求4所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤3中建立两阶段的贝叶斯网络模型，具体包括：(1)第一阶段：设可通过感知的速度数据对交叉口车辆运行的自由流速度进行标定，考虑车辆在路段上的行驶过程，利用车辆进入交叉口前的轨迹采样，利用高斯混合模型对路段的自由流速度分布进行拟合，表示为p
f
的联合概率分布的联合概率分布其中μ1,μ2,σ1,σ2分别为两个高斯分布的均值和标准差，π1为两个高斯分布混合的权重参数；设混合高斯分布的概率分布为其中分别为混合高斯分布的均值和方差；(2)第二阶段：将n
i...

【专利技术属性】
技术研发人员：万剑，刘昊东，江岸峰，丁闪闪，陈景旭，姜圣，黄凯，吴岚，刘志远，党倩，刁含楼，张霁扬，华禹凯，张明，
申请(专利权)人：华设设计集团股份有限公司，
类型：发明
国别省市：