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

本发明专利技术公开了一种基于多源数据融合的高速公路车道级速度预测方法，包括以下步骤：划分车道，利用GRG计算不同车道之间的相互影响度；使用Attention机制计算目标车道不同时间的注意力权重；基于注意力权重和不同车道之间的相互影响度，建立改进模型GRGA；基于改进模型GRGA，建立GRU_LSTM融合深度学习模型；根据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。本发明专利技术一种基于多源数据融合的高速公路车道级速度预测方法预测速度块、精准高，能够为交通管制人员进行交通诱导提供参考依据。人员进行交通诱导提供参考依据。人员进行交通诱导提供参考依据。

【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。因此，未来在车道级高速公路速度预测领域的研究应该重点关注车道之间的相互影响。通过考虑车道间的交通协同性，我们可以开展更全面、准确的预测模型研究，为交通管理和智能驾驶等领域的应用提供更为实用的解决方案。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于多源数据融合的高速公路车道级速度预测方法。本专利技术旨在解决现有车道级速率预测方法预测速度低、精准度差，未考虑车道间相互影响的问题。
[0006]为达到上述目的，本专利技术提供了一种基于多源数据融合的高速公路车道级速度预测方法，包括以下步骤：
[0007]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；
[0008]S2.利用GRG计算不同车道之间的相互影响度；
[0009]S3.使用Attention机制计算目标车道不同时间的注意力权重；
[0010]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；
[0011]S5.基于改进模型GRGA，建立GRU_LSTM融合深度学习模型；
[0012]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。
[0013]进一步，所述步骤S2包括定义灰色关联系数，计算表达式如下：
[0014][0015][0016]Δ
min(t)
＝min
a
min
c
|v
la
(t)
‑
v
lc
(t)|
[0017]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。
[0018]进一步，所述步骤S3包括以下子步骤：
[0019]S3.1将每个时间段的车道车速作为特征；
[0020]S3.2引入attention机制，计算t时间内的数据权重a
i
；
[0021]a
i
＝align(h
i
,s0),i＝1,2,...,t
[0022]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；
[0023]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
；
[0024][0025]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；
[0026]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；
[0027][a1,a2,...a
i
]＝softmax([b1,b2,....,b
i
])。
[0028]进一步，所述步骤S4包括以下子步骤：
[0029]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；
[0030]改进后的灰色关联度方程为：
[0031][0032]式中，c
i
代表候选车道；t
i
表示某段时间；
[0033]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；
[0034][0035]S4.3将GRGA值做归一化处理；
[0036][0037]式中，GRGA(c)
i
代表每个车道的重要程度权重系数。
[0038]进一步，所述步骤S5括以下子步骤：
[0039]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)；
[0040][0041][0042]S5.2建立GRU模型，计算表达式如下：
[0043][0044]z
t
＝σ(W
z
X
t
+U
z
H
t
‑1+b
z
)
[0045]r
t
＝σ(W
r
X
t
+U
r
H
t
‑1+b
r
)
[0046][0047][0048]式中，z
t
是更新门；r
t
是重置门；是新候选隐藏状态；X
t
是加权后的随时间变化的速度值；W
z
,W
r
,W
h
,W
y
,U
z
,U
r
,U
h
为权重矩阵；b
z
,b
r
,b
h
为偏置向量；
[0049]S5.3建立LSTM模型
[0050][0051]f
t
＝σ(W
f
X
t
+U
f
h
t
‑1+b
f<本文档来自技高网...

【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：