一种基于深度元学习的高速公路拥堵消散时间预测方法技术

本发明专利技术公开了一种基于深度元学习的高速公路拥堵消散时间预测方法，包括以下步骤：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；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；构建拥堵消散时间预测模型；针对不同类型的异常事件，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。本发明专利技术方法能够有效克服现有拥堵消散时间预测方法在应对异常事件时存在的局限性，实现更高的预测精度和适应性。预测精度和适应性。预测精度和适应性。

【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，但这些关联关系往往在现有方法中得到忽视。传统方法未能有效建模异常事件与拥堵消散时间之间的非线性和动态关系，从而限制了预测模型的适应性和准确性。
[0004]专利文献CN110751311B公开了一种偶发性交通拥堵持续时间实时预测方法，该方法基于加速失效风险模型，构建偶发性拥堵持续时间的数学模型。通过历史数据估计模型参数，使模型能够更好地适应不同的交通情况。但是上述方法需要丰富的交通流参数原始数据和实时数据，对数据质量要求高，且没有考虑不同异常事件之间的差异性，在遇到新的交通情况或道路特征时模型的泛化能力受到影响。

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深度元学习的高速公路拥堵消散时间预测方法。本专利技术旨在解决现有交通拥堵预测方法应对异常事件存在的局限性，预测精度低、适应性差的问题。
[0006]为达到上述目的，本专利技术提供了一种基于深度元学习的高速公路拥堵消散时间预测方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]进一步，所述步骤S1包括以下子步骤：
[0012]S1.1采集拥堵路段的车辆轨迹数据以及上下游的ETC数据；
[0013]S1.2进行数据预处理，即数据清洗；
[0014]S1.3基于ETC数据提取车辆与交通流特征；
[0015]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；
[0016]S1.4基于车辆轨迹数据提取车辆与交通流特征；
[0017]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；
[0018]S1.5收集路段异常事件信息；
[0019]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；
[0020]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。
[0021]进一步，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。
[0022]进一步，所述步骤S2中，使用CNN捕获交通流空间特征的步骤如下：
[0023]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
is
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：
[0024]x
p
＝tanh(W
p
(v
is
,p
i
))∈R
d
[0025]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；
[0026]II.将特征向量x
p
输入CNN，捕获交通流的空间特征；
[0027]x
S
＝ELU(W
c
*x
p
+b)
[0028]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。
[0029]进一步，所述步骤S2中，使用GRU捕获交通流时间特征的步骤如下：
[0030]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；
[0031]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：
[0032][0033]α
i
＝softmax(β
·
|i
‑
e|)
[0034]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
‑
e|表示时间步i与异常事件处理时刻e之间的差值；
[0035]III.使用计算得到的注意力权重，然后将交通流数据的时间序列数据进行加权求和，得到加权后的时间序列数据；
[0036]IV.将加权后的时间序列数据输入GRU进行时间特征的提取，GRU的计算表达式如下：
[0037]z
t
＝σ(W
z
x
t
+U
z
h
t
‑1)
[0038]r
t
＝σ(W
t
x
t
+U
t
h
t
‑1)
[0039][0040][0041]式中，z
t
为更新门，表示以前的信息是否需要更新；r
t
为重置门,表示以前的信息是否需要重置；为候选隐藏状本文档来自技高网...

【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：