【技术实现步骤摘要】
一种基于多源数据融合的高速公路车道级速度预测方法
[0001]本专利技术属于信息预测
,具体涉及一种基于多源数据融合的高速公路车道级速度预测方法。
技术介绍
[0002]随着经济的发展,人们对出行质量的要求越来越高,越来越多的人们选择高速公路出行。高速公路的大量使用带来了极大的交通负荷,现有的交通基础设施已经满足不了人们日益增长的出行需求,交通供给与需求之间的矛盾与日俱增,拥堵问题也就随之而来。由于高速公路上诸如交通事故、异常天气、施工等异常事件的出现,使得高速公路更易发生异常拥堵,产生排队现象。
[0003]当前对于交通流预测的方法大体可以分为两类,分别是基于数学模型和基于数据。数学模型大都以统计方式为主,如统计方法包括均值、中位数、移动平均等,并在此基础上进行改进。而基于数据主要以机器学习和深度学习为主,如决策树、随机森林、长短时记忆网络LSTM、门控循环单元GRU等。其中专利CN202110124221.X基于卷积长短时预测,通过毫米波雷达作为采集设备,考虑平均速度值、车头时距、车头间距、空间占有率、时间占有率和85分位速度值,预测目标车道各自的速度变化情况。其虽考虑了时空因素的影响,但直接将检测不同车道的数据直接作为空间输入,而未考虑不同车道位置对于需预测的目标车道的影响存在差异,使得在减少了模型复杂度的时候,增加了时间复杂度,降低了预测速度和精准度。
[0004]综合考虑交通流的整体特性,包括车道间的关联性,可以更好地理解车道之间的交互作用,为预测模型提供更具有代表性和鲁棒性的输入数据 ...
【技术保护点】
【技术特征摘要】
1.一种基于多源数据融合的高速公路车道级速度预测方法,其特征在于,包括以下步骤:S1.按照检测设备分布划分车道,提取各车道检测设备采集的数据;S2.利用GRG计算不同车道之间的相互影响度;S3.使用Attention机制计算目标车道不同时间的注意力权重;S4.基于Attention机制计算的注意力权重和GRG计算的不同车道之间的相互影响度,建立改进模型GRGA;S5.基于改进模型GRGA,建立GRU_LSTM融合深度学习模型;S6.根据步骤S5建立的GRU_LSTM融合深度学习模型,实时预测高速公路任一车道特定时间段内的平均行驶速度。2.根据权利要求1所述的一种基于多源数据融合的高速公路车道级速度预测方法,其特征在于:所述步骤S2包括定义灰色关联系数,计算表达式如下:特征在于:所述步骤S2包括定义灰色关联系数,计算表达式如下:Δ
min(t)
=min
a
min
c
|v
la
(t)
‑
v
lc
(t)|式中,Δ
min
为两极最小差;Δ
max
为两极最大差;ρ为分辨系数,一般取值0.5;代表目标车道速度;代表观测路段内第c个候选车道的平均车速。3.根据权利要求2所述的一种基于多源数据融合的高速公路车道级速度预测方法,其特征在于:所述步骤S3包括以下子步骤:S3.1将每个时间段的车道车速作为特征;S3.2引入attention机制,计算t时间内的数据权重a
i
;a
i
=align(h
i
,s0),i=1,2,...,t式中,h
i
是Encoder对不同时间步的速度输入进行编码得到的隐藏状态序列;s0为解码器在当前时间步的状态;S3.3基于解码器的状态s0与输入序列中每个时间步的隐藏状态h
i
之间的关联性,调整注意力分配,计算注意力权重b
i
;式中,w为权重矩阵;T为统计数据的总体时长;v
T
为参数矩阵;S3.4将注意力权重向量b1,b2...b
i
送入softmax函数,进行归一化处理;[a1,a2,...a
i
]=softmax([b1,b2,....,b
i
])。4.根据权利要求3所述的一种基于多源数据融合的高速公路车道级速度预测方法,其特征在于:所述步骤S4包括以下子步骤:S4.1改进灰色关联度方程:将attention机制计算后的同一车道不同时间段之间的影响导入灰色关联度方程;改进后的灰色关联度方程为:
式中,c
i
代表候选车道;t
i
表示某段时间;S4.2改进后的权重与灰度关联度的平均值相乘,得到灰色注意力关联度GRGA;S4.3将GRGA值做归一化处理;式中,GRGA(c)
i
代表每个车道的重要程度权重系数。5.根据权利要求4所述的一种基于多源数据融合的高速公路车道级速度预测方法,其特征在于:所述步骤S5括以下子步骤:S5.1将步骤S4.3的重要程度权重系数引入输入矩阵V
i
(t);(t);S5.2建立GRU模型,计算表达式如下:z
t
=σ(W
z
X
t
+U
z
H
t
‑1+b
...
【专利技术属性】
技术研发人员:孙棣华,赵敏,赵文竹,刘海生,任玲,王世森,王璟婷,陈星州,
申请(专利权)人:重庆首讯科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。