【技术实现步骤摘要】
本专利技术属于交通运行状态主动认知领域，具体设计一种利用交通数据的进行通道运行状态预测，特别涉及多源信息深度融合的通道运行状态推演预测技术。
技术介绍
1、随着智能交通系统的发展，智能交通的主动认知技术也不断提升，入藏大通道是支撑国家安全战略和国家发展战略的重要基础设施，长期以来，进藏通道面临地质灾害、恶劣气象(大风、强降雨、风吹雪、团雾)和高海拔、高山峡谷、雪山达坂等特殊地理条件叠加形成的极端环境，严重影响公路服务能力和沿线军民的生产生活。
2、交通数据信息获取方面，传统的交通数据采集模式大多基于固定的监测设备，且只能采集到空间、时间上离散的静态数据，常见的以固定检测器信息为基础，将区域交通路网按照其结构组成分为路段和交叉口，针对交叉口和路段对路网整体状态影响的差异性进行分析。但是通常情况下，管理部门无法通过固定检测器的数据准确掌握拥堵路段内部的变化特点。随着科技的发展，利用浮动车采集城市道路实时交通信息在国内外城市中已经得到了广泛应用，其可采集时空维度上连续的车辆轨迹数据，从而更加全面地反映道路的交通状态。其次，天气情况和灾害信息也会严重影响交通流运行状态。
3、通道运行状态感知及预测方面，早期的传统数据驱动方法一般采用arima和svr等方法，对交通运行状态进行建模并分析。之后随着rnn、cnn等神经网络的迅速发展，提出了多种神经网络模型，常见的包括lstm、gru的时序序列模型，之后随着图网络的发展，提出了一些时空图卷积网络等模型，其优势在于能够很好的捕捉交通数据的空间特征。但对于进藏通道的公路交
技术实现思路
1、本专利技术提出了一种基于多源信息深度融合的通道运行状态推演预测方法，具体特征如下：(1)动态适应性。本专利技术在构建图神经网络时，采取的是结合地磁检测器数据与浮动车数据，将检测器的位置作为路段节点，将两节点之间的路段上的浮动车数据的特征作为图节点的邻接矩阵，因此对于通道运行状态推演预测具有较强的动态适应性。(2)预测准确性较高。本专利技术在输入特征包含了以气象数据和地质灾害历史数据构建的知识图谱特征，使得模型能够更好的结合进藏通道的特点，提高预测的准确性。
2、本专利技术提出了一种基于多源信息深度融合的通道运行状态推演预测方法解决了当前对于进藏通道运行状态预测适应能力较差的难题，结合了多源数据进行预测，提高了预测的实时性，保障了推演预测的精准可靠，对应急疏解调度提供有效依据。
3、下面对本专利技术的思路做进一步说明：
4、步骤一：地磁检测器的历史数据进行预处理
5、通过部署在路段的无线地磁检测器采集的路段历史车流量、平均速度信息，由于采集的信息会存在噪声误差，采用非线性处理方法——小波分析。
6、子步骤一：构建小波阈值
7、拟在不同层次上采用不同的阈值，其公式如下：
8、
9、式中，σ2为噪声的方差；n为采样信号的长度；j为分解层数。但是，对应原始采集到的信号，无法获得σ2，需要根据信号的小波系数ω，使用鲁棒中值算法来估计σ：
10、
11、子步骤二：构造阈值函数
12、在小波系数较大的部分使用硬阈值函数对其进行处理，则可以保留信号的很多细节信息；在小波系数较小的部分使用软阈值函数，可以克服硬阈值函数不连续的缺陷。基于以上分析，构造的阈值函数如下：
13、
14、式中，ω为小波系数；a为调参数；t为步骤一的子步骤一中确定的阈值。通过改变a的值可以调节函数f(ω)收敛于硬阈值函数的程度。
15、子步骤三：确定分解层数
16、采用daubechies系列小波(简称dbn)，通过对去噪后的检测器数据从均方误差(δrmse)及信噪比(rsn)两个角度来分析，确定daubechies系列小波的阶数和分解层数。
17、步骤二：浮动车的历史数据预处理
18、对通道内运行的浮动车历史数据(gps、速度)进行数据预处理，采用arma模型进行检测并修正。
19、子步骤一：零均值化处理
20、在得到原始数据后，从中选取1000个连续平滑数据作为样本，接着对该样本做一次差分，再进行零均值化处理，得到零均值的平稳时间序列yt。
21、子步骤二：使用最小二乘法估计模型参数
22、据其自相关系数和偏相关系数的分布特征并结合池信息准则，确定自回归移动平均模型的阶数，其模型公式如下：
23、yt′＝β0+β1yt-1+β2yt-2+…+βpyt-p+∈t+α1∈t-1+α2∈t-2+…+αq∈t-q，
24、接着用最小二乘法对模型的参数进行估计。其中，βp为自回归参数，αq为移动平均参数，∈t是均值为0，方差为σ2的白噪声序列。
25、子步骤三：数据比较
26、将原始数据yt与模型预测yt′进行比较，超过阈值范围的判定为异常数据，接着对异常数据进行修正；未超过阈值范围的信息保留原始数据。
27、步骤三：历史气象数据(气温、降水量)、地址灾害信息预处理
28、对获得历史气象数据(气温、降水量)、地址灾害信息进行时间维度上的数据预处理。从时间维度上，固定检测器数据的采集频率为30秒，而气象数据的观测频率为1小时。为了从时间上对齐数据，以15分钟为采样周期，需要将天气数据以15分钟为周期进行重新采样，并将线性插值的结果作为新的样本数据。对于地质灾害信息，通过统计地质灾害信息所处的路段编号。
29、步骤四：根据预处理之后的气象、地址灾害信息构建知识图谱
30、子步骤一：构建知识融合单元
31、为了感知进藏通道极端环境的外部因素的知识以及各因素之间的相关性，并根据衍生的知识建立表征交通流的知识图谱，构建知识融合单元,通过输入先验知识kg以及当前时刻的特征xt输入lstm网络模型中，输出当前时段t与外部知识融合的最新路段特征xt′。
32、子步骤二：建立知识图谱
33、计算每个路段上发生地质灾害的次数并进行归一化，得到每个路段发生地址灾害的频率，使用路段、类别、气象数据和发生地址灾害的频率构建属性四元组，如(路段id，类别，天气状况，地质灾害频率)。
34、步骤五：构建动态图网络模型
35、根据获得的地磁检测器数据以及浮动车数据的特征构建动态图网络模型，并采用时间注意力机制模块和空间注意力机制模块捕捉多源交通数据的时间、空间特征并结合步骤四输入到输入到构建的图神经网络模型中，通过历史数据进行训练得到预测模型
36、子步骤一：构建路网动态图网络
37、将部署地磁检测器的路段断面作为图节点，利用浮动车数据进行编码，本文档来自技高网...
【技术保护点】
1.一种基于多源信息深度融合的通道运行状态推演预测方法，其特征在于，利用地磁检测器数据以及路段上的浮动车数据并结结合基于历史气象、地址灾害信息的知识构建基于知识图谱的动态图神经网络模型，用于通道运行状态的主动认知，具体包括以下步骤：
【技术特征摘要】
1.一种基于多源信息深度融合的通道运行状态推演预测方法，其特征在于，利用地磁检测器数据以及路段上的浮动车数据并结结合...
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。