【技术实现步骤摘要】
一种基于深度元学习的高速公路拥堵消散时间预测方法
[0001]本专利技术属于智能交通信息
,具体涉及一种基于深度元学习的高速公路拥堵消散时间预测方法,可适用于车辆检测设备分布密集的高速公路路段。
技术介绍
[0002]高速公路是交通运输、国民出行的重要载体,然而高速公路上一些异常事件的发生,如事故、道路封闭、天气突变等,常常会导致交通拥堵的发生,甚至造成拥堵的进一步加剧,这给交通运输系统和居民的出行带来严重的困扰。交通拥堵不仅导致通行时间延长、燃油浪费等问题,还会影响环境质量、增加交通事故风险,对城市经济和社会生活造成严重影响。因此,面对高速公路异常事件引发的交通拥堵,预测拥堵消散时间具有重要意义。准确预测拥堵消散时间可以帮助交通管理部门更好地规划交通调度,及时采取措施缓解拥堵,提高交通通行效率。此外,对驾驶员而言,拥堵消散时间预测有助于合理规划出行路线,避免不必要的等待和延误。
[0003]尽管已有多种拥堵消散时间预测方法被提出,但这些方法在应对异常事件时仍然存在一些局限性。传统方法通常基于历史数据和统计模型,这些方法往往无法充分考虑异常事件的瞬时影响,导致在面对异常事件时预测精度显著下降。因为异常事件可能会引起交通流动性剧烈波动,使得传统方法难以捕捉到短时内的动态变化。此外,现有方法在预测中忽略了不同异常事件之间的多样性和特点。而每种异常事件可能具有不同的持续时间和交通影响程度。另外,异常事件与拥堵消散时间之间的关联性异常复杂。异常事件会影响拥堵的持续时间、速度变化以及交通流向等方面,但这些关联关系 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度元学习的高速公路拥堵消散时间预测方法,其特征在于,包括以下步骤:S1.采集拥堵路段的车辆轨迹数据以及上下游的ETC数据,提取车辆与交通流特征,收集路段异常事件信息整理形成数据集;S2.使用CNN从数据集中捕获交通流的空间特征,使用GRU从数据集中捕获交通流的时间特征;S3.根据数据集以及交通流的空间特征和时间特征,构建拥堵消散时间预测模型;S4.针对不同类型的异常事件,步骤S3构建的拥堵消散时间预测模型采用MAML方法进行分任务学习,从而得到不同异常事件类型下的拥堵消散时间预测结果。2.根据权利要求1所述的一种基于深度元学习的高速公路拥堵消散时间预测方法,其特征在于:所述步骤S1包括以下子步骤:S1.1采集拥堵路段的车辆轨迹数据以及上下游的ETC数据;S1.2进行数据预处理,即数据清洗;S1.3基于ETC数据提取车辆与交通流特征;以1分钟为时间周期进行路段输入流量、输出流量与平均行程速度特征的提取;S1.4基于车辆轨迹数据提取车辆与交通流特征;利用轨迹数据的经纬度信息将车辆轨迹匹配在地图上,筛选匹配到拥堵路段上的轨迹点,获得拥堵时段内车辆的位置和速度信息,之后根据车辆位置提取拥堵路段的车辆密度特征;S1.5收集路段异常事件信息;收集异常事件类型,搜集异常事件下的封闭车道数、天气情况以及事故处理时刻;S1.6将异常事件信息与ETC数据和车辆轨迹数据形成对应关系,制作数据集。3.根据权利要求2所述的一种基于深度元学习的高速公路拥堵消散时间预测方法,其特征在于:所述步骤S1.5中,异常事件类型包括交通事故、占道施工、恶劣天气以及流量激增。4.根据权利要求2所述的一种基于深度元学习的高速公路拥堵消散时间预测方法,其特征在于:所述步骤S2中,使用CNN捕获交通流空间特征的步骤如下:I.获取拥堵路段所有车辆的速度信息,并按位置先后顺序形成序列数据,再将速度v
i
s与位置信息p
i
连接映射为特征向量x
p
,计算表达式如下:式中,tanh为激活函数;Wp表示一个可学习的参数矩阵;d表示生成的向量维度;II.将特征向量x
p
输入CNN,捕获交通流的空间特征;x
S
=ELU(W
c
*x
p
+b)式中,x
S
表示得到的空间特征;ELU为激活函数;Wc和b均是卷积网络中的可学习参数;*表示卷积操作。5.根据权利要求4所述的一种基于深度元学习的高速公路拥堵消散时间预测方法,其特征在于:所述步骤S2中,使用GRU捕获交通流时间特征的步骤如下:I.使用卷积操作提取不同时刻交通流的流量、平均速度以及密度信息;II.引入注意力机制,根据异常事件处理时刻计算每个时间步的注意力权重,计算表达
式如下:α
i
=softmax(β
·
|i
‑
e|)式中,K为元素种类,i=1,2,
…
,K;softmax为用于计算注意力权重的函数;e是自然对数的底数;x是向量中的第i个元素;β是一个控制注意力分布的超参数;|i
‑
...
【专利技术属性】
技术研发人员:孙棣华,赵敏,任玲,赵文竹,刘海生,陈星州,李扬扬,汪浩,
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。