一种突发事件路网影响范围分析方法技术

本发明专利技术涉及交通控制技术领域，具体涉及一种突发事件路网影响范围分析方法，为解决现有方案不能反应出不同地段的在不同天气下的交通拥堵的特点的技术问题。该方法包括获取历史事故信息，构建多任务回归模型；将历史事故信息划分为训练集和测试集；用训练集训练多任务回归模型，获得训练好的多任务回归模型，用测试集测试训练好的多任务回归模型，测试合格，获得最终多任务回归模型，测试不合格，调整多任务回归模型继续用训练集训练多任务回归模型，直到获得最终多任务回归模型；获取实际事故信息；将获取实际事故信息输入最终多任务回归模型，获得实际事故路网影响范围，即突发事件路网影响范围。件路网影响范围。件路网影响范围。

【技术实现步骤摘要】
一种突发事件路网影响范围分析方法


[0001]本专利技术涉及道路流量预测
，尤其涉及一种突发事件路网影响范围分析方法。

技术介绍

[0002]研究交通事故拥堵造成的时间影响范围和排队长度的空间影响范围。通过对省内/跨省域门架、阻断、道路线型数据及其他来源交通感知数据进行聚合，依据交通流和排队论理论等，研究交通事故造成的车辆排队的路网延伸范围以及事故影响时间，为应急处理提供支撑。
[0003]现有的技术方案利用交通信息进行统计，通过门架、收费站出入口数据、历史流量数据、事故类型作为数据。根据交通波理论和排队论，用统计的方式进行计算得到道路拥堵的时间和排队长度。
[0004]现有方案只通过门架、收费站出入口数据、历史流量数据、事故类型作为数据，没有融合地点、地段的位置数据和气象数据，不能反应出不同地段的在不同天气下的交通拥堵的特点。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提出一种突发事件路网影响范围分析方法，以解决现有方案不能反应出不同地段的在不同天气下的交通拥堵的特点的技术问题。
[0006]基于上述目的，本专利技术提供了一种突发事件路网影响范围分析方法包括
[0007]获取历史事故信息，包括历史事故类型信息、历史事故位置信息、历史事故发生时路段周围环境数据、历史事故发生时路段的天气数据、历史事故位置邻接门架车辆通行时间、历史事故停车波波速、历史事故消散波波速、历史事故检测与响应时间、历史事故处理时间和交通恢复时间；
[0008]构建多任务回归模型；
[0009]将历史事故信息划分为训练集和测试集；
[0010]用训练集训练多任务回归模型，获得训练好的多任务回归模型，用测试集测试训练好的多任务回归模型，测试合格，获得最终多任务回归模型，测试不合格，调整多任务回归模型继续用训练集训练多任务回归模型，直到获得最终多任务回归模型；
[0011]获取实际事故信息，包括实际事故类型信息、实际事故位置信息、实际事故发生时路段周围环境数据、实际事故发生时路段的天气数据和实际事故位置邻接门架车辆通行时间；
[0012]将获取实际事故信息输入最终多任务回归模型，获得预测的事故停车波波速、预测的事故消散波波速、预测的事故检测与响应时间、预测的事故处理时间和预测的交通恢复时间，最终获得实际事故路网影响范围，即突发事件路网影响范围。
[0013]作为本申请的进一步改进，所述构建多任务回归模型，包括使用卷积长短期记忆
神经网络构建；
[0014]卷积长短期记忆神经网络的第一层是一个卷积层，用于从原始输入中提取特征，这个层次有多个滤波器，每个滤波器都检测不同的特征；
[0015]卷积长短期记忆神经网络还包括一个或多个ConvLSTM层，每一个ConvLSTM层都会接收前一层的输出，并在空间上处理这些数据，同时保持在时间维度上的长期依赖性。
[0016]作为本申请的进一步改进，所述卷积长短期记忆神经网络为：
[0017][0018]其中，Y是输出，X是输入，W是权重，k是核大小，d是扩张率；
[0019]长短期记忆网络的更新过程为：
[0020]遗忘门：f
t
＝σ(W
f
[h
t
‑1，x
t
]+b
f
)；
[0021]输入门：i
t
＝σ(W
i
[h
t
‑1，x
t
]+b
i
)；
[0022]输出门：o
t
＝σ(W
o
[h
t
‑1，x
t
]+b
o
)；
[0023]单元状态更新：C
t
＝f
t
*C
t
‑1+i
t
*tanh(W
C
[h
t
‑1，x
t
]+b
C
)；
[0024]隐藏状态更新：h
t
＝o
t
*tanh(C
t
)；
[0025]其中，是sigmoid函数，*表示元素乘法，[h
t
‑1，x
t
]表示h
t
‑1和x
t
的连接，W和b分别是权重矩阵和偏置项。
[0026]作为本申请的进一步改进，所述交通恢复时间为
[0027][0028]其中，W1为停车波波速，W2为消散波波速；T1为事故检测与响应时间，T2为事故处理时间。
[0029]作为本申请的进一步改进，所述停车波波速W1的计算方法为
[0030]其中q为对应路段流量，k1为上游门架交通密度，k2为下游交通密度。
[0031]作为本申请的进一步改进，所述消散波波速W2扥近似等于自有留速度
‑
u
f
。
[0032]作为本申请的进一步改进，所述事故检测与响应时间、事故处理时间和交通恢复时间三者的和为突发事件影响时间T
m
。
[0033]作为本申请的进一步改进，停车波波速W1和突发事件影响时间T
m
的乘积为路段预测的最大排队长度L
m
。
[0034]本专利技术的有益效果：本申请的突发事件路网影响范围分析方法将高速公路路段的周围环境数据和天气数据，地点，路段的位置信息与预处理后的交通数据集进行特征融合。使用历史事故拥堵数据作为回归任务的训练目标，包括停车波波速，消散波波速，事故检测与响应时间，事故处理时间。以此构建多任务回归任务。将预测结果应用于交通波理论，计算时间和空间影响范围。
附图说明
[0035]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术
描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本身具体实施方式突发事件路网影响范围分析方法的流程结构图；
[0037]图2为本身具体实施方式突发事件路网影响范围分析方法的多层convLSTM组件结构图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本专利技术进一步详细说明。
[0039]需要说明的是，除非另外定义，本专利技术使用的技术术语或者科学术语应当为本专利技术所属领域内具有一般技能的人士所理解的通常意义。本专利技术中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种突发事件路网影响范围分析方法，其特征在于，包括获取历史事故信息，包括历史事故类型信息、历史事故位置信息、历史事故发生时路段周围环境数据、历史事故发生时路段的天气数据、历史事故位置邻接门架车辆通行时间、历史事故停车波波速、历史事故消散波波速、历史事故检测与响应时间、历史事故处理时间和交通恢复时间；构建多任务回归模型；将历史事故信息划分为训练集和测试集；用训练集训练多任务回归模型，获得训练好的多任务回归模型，用测试集测试训练好的多任务回归模型，测试合格，获得最终多任务回归模型，测试不合格，调整多任务回归模型继续用训练集训练多任务回归模型，直到获得最终多任务回归模型；获取实际事故信息，包括实际事故类型信息、实际事故位置信息、实际事故发生时路段周围环境数据、实际事故发生时路段的天气数据和实际事故位置邻接门架车辆通行时间；将获取实际事故信息输入最终多任务回归模型，获得预测的事故停车波波速、预测的事故消散波波速、预测的事故检测与响应时间、预测的事故处理时间和预测的交通恢复时间，最终获得实际事故路网影响范围，即突发事件路网影响范围。2.根据权利要求1所述的突发事件路网影响范围分析方法，其特征在于，所述构建多任务回归模型，包括使用卷积长短期记忆神经网络构建；卷积长短期记忆神经网络的第一层是一个卷积层，用于从原始输入中提取特征，这个层次有多个滤波器，每个滤波器都检测不同的特征；卷积长短期记忆神经网络还包括一个或多个ConvLSTM层，每一个ConvLSTM层都会接收前一层的输出，并在空间上处理这些数据，同时保持在时间维度上的长期依赖性。3.根据权利要求2所述的突发事件路网影响范围分析方法，其特征在于，所述卷积长短期记忆神经网络为：其中，Y是输出，X是输入，W是权重，k是核大小，d是扩张率；长短期记忆网络的更新过程为：遗忘门：f
t
＝σ(W
f
[h
t
‑1，x
t
]+b
f
)；输入门：i
t
＝σ(W
i
[h
t
...

【专利技术属性】
技术研发人员：段洪琳，杨建国，王振华，姜德宏，蔡灿，王然，腾志伟，
申请(专利权)人：招商局公路网络科技控股股份有限公司，
类型：发明
国别省市：