System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于智能交通系统、交通状态估计,具体涉及一种基于transformer的高速公路交通状态估计方法。
技术介绍
1、在现代交通系统管理中,交通流状态的识别和分析始终处于重要位置。交通状态为我们提供了对整个交通环境的洞察,为优化交通管理、提高道路使用效率和缓解交通拥堵奠定了基础。然而,道路交通状态并非孤立存在,而是由大量车辆的微观行为所构成。在车联网、自动驾驶等新兴技术的推动下,车辆运动行为对交通流状态的影响愈发显著。理解微观车辆运动行为与交通流特性之间的关联成为现代交通系统管理的关键。传统交通状态分析模型主要聚焦于交通流宏观特性,但这些模型往往忽视了微观层面车辆运动行为的影响。然而,近年来,受到多学科交叉研究和新兴检测技术的推动,微观层面的车辆运动参数研究已逐渐成为交通领域的焦点。
2、交通流视为由众多交通个体构成的可压缩连续介质,当交通系统所包含的交通个体数量降低到一定水平时,宏观体系的平均性将会消失。微观车辆运动参数主要聚焦于单一车辆的行为特性,这种分析方法常常忽略了交通流作为一个整体的宏观特性。这样的局限性使得微观交通理论在处理复杂交通现象时,其应用范围和解释力大大降低。它难以捕捉到交通流的全局变化,如交通拥堵的形成和扩散,也无法有效分析交通事故后的交通流动态变化。微观车辆运动参数和交通流状态的内在关联与二者之间的随附性能够提取交通状态的深层模式,有助于更全面、准确地理解交通现象。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于transfo
2、本专利技术采用如下技术方案:一种基于transformer的高速公路交通状态估计方法,包括以下步骤:
3、s1、采集高速公路的微观车辆运动参数并进行预处理,将微观车辆运动参数转化为交通特征向量,得到标准化的时间序列数据集;
4、s2、构建基于transformer的交通状态估计模型,利用多头自注意力机制学习交通数据中的隐藏模式;
5、s3、利用交通特征向量训练所述交通状态估计模型,使用均方误差损失函数优化交通状态估计模型的权重,进行交通状态估计模型验证和调整;
6、s4、实时输入交通数据到步骤s3训练好的交通状态估计模型中,获取高速公路实时交通状态参数,进行高速公路交通状态估计。
7、进一步地,步骤s1中,交通特征向量转化的过程包括以下步骤:
8、s11、采集高速公路微观车辆运动参数原始数据;
9、s12、对采集的微观车辆运动参数原始数据进行清洗,使用四分位数方法对异常值、离群值进行识别,剔除离群值;
10、s13、采用均值方法进行缺失值填充;
11、s14、对交通数据进行归一化处理,使得不同的特征维度具有相同的数值范围;
12、s15、微观车辆运动参数转化,将车辆的具体运动参数转化为交通特征向量,所述运动参数包括车辆速度、行车轨迹。
13、进一步地,步骤s2中,所述构建基于transformer的交通状态估计模型的过程包括以下步骤:
14、s21、构建输入层,包括输入嵌入和位置编码,微观车辆运动参数通过嵌入矩阵转为定长向量,引入位置编码来表示车辆个体顺序信息,学习车辆顺序关系。
15、s22、构建特征编码器负责对位置编码后的车辆运动参数进行特征编码,并传递给特征解码器,编码器由多个相同的编码器层构成,每层含有一个多头自注意力模块和一个前馈神经网络模块;
16、前馈网络是两层全连接的网络,其中间隐含层用relu激活函数处理,计算过程为:
17、ffn(x)=max(0,xb1+b1)b2+b2
18、其中,x为注意力层归一化后的输出矩阵,b1、b2为权重向量,b1、b2为偏置项,max(0,•)为relu激活函数。
19、多头自注意力模块基于自注意力机制,通过计算权重系数表征特征间相关性。采用scaled dot-product attention计算方法,通过缩放点积计算查询矩阵q与键矩阵k的近似相关性,用softmax函数进行归一化处理,与值矩阵v相乘,计算过程为:
20、
21、
22、式中,i为特征矩阵,wq,wk,wv代表q,k,v的权重矩阵,d代表矩阵k的维度,t为矩阵k的转置。
23、s23、构建特征解码器,接收特征编码器输出并进行解码,特征解码器由多个解码器层构建,每层含有多头自注意力模块、多头编码-解码注意力模块和前馈神经网络模块,模块间实施残差连接与层归一化处理,结果传至输出层。
24、s24、输出层接收特征解码器的输出,通过全连接层、softmax层和正则化层处理,将微观车辆运动参数展开为一维向量,得到交通流状态参数的估计结果。
25、进一步地,步骤s3中,训练交通状态估计器包括以下步骤:
26、s31、将微观车辆运动参数分为训练集、验证集和测试集;
27、s32、采用均方误差损失函数来评估模型的准确性;
28、s33、选择adam算法优化模型权重;
29、s34、根据训练集数据和设定的超参数,对模型进行训练;
30、s35、利用验证集评估模型的性能,并根据需要进行模型调整;
31、s36、使用随机搜索方法(randomized search)进行超参数调优,从预定义参数分布中随机选取参数值,对给定数量的参数组合进行评估,获取最优交通状态估计模型。
32、进一步地,步骤s4中,将所述的输入交通数据到训练好的交通状态估计模型中,获取高速公路实时交通状态参数,进行高速公路交通状态估计。
33、本专利技术采用以上技术方案与现有技术相比,具有以下技术效果:
34、第一,本专利技术的基于transformer的高速公路交通状态估计方法,基于多头注意力机制进行交通数据分析,适应交通数据的特性,从而提高了模型的预测准确性和稳定性;在处理微观车辆运动参数与交通流状态之间关系的任务上展现了更强的性能和更好的泛化能力。
35、第二,本专利技术的基于transformer的高速公路交通状态估计方法,为交通流状态与微观车辆运动参数之间的关系提供了全新的研究视角;这种方法为未来的交通管理策略提供了新的方法论基础。全面的理解有助于更好地理解和预测交通流状态,从而为交通管理部门提供有力的决策支持。
本文档来自技高网...【技术保护点】
1.一种基于Transformer的高速公路交通状态估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S1中,采集高速公路的交通数据并进行预处理,微观车辆运动参数转化为交通特征向量,得到标准化的时间序列数据集,方法包括以下步骤:
3.根据权利要求2所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S14中,对于给定的特征xi,归一化过程表示为:
4.根据权利要求1所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S2中,交通状态估计模型构建过程,包括以下步骤:
5.根据权利要求4所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S21中,位置编码PE的计算过程为:
6.根据权利要求4所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S22中,所述多头自注意力模块基于自注意力机制,通过计算权重系数,表征特征间相关性,采用Scaled Dot
7.根据权利要求4所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S22中,所述前馈神经网络是两层全连接的网络,中间隐含层用Relu激活函数处理,计算过程为:
8.根据权利要求1或4所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S3中,使用均方误差损失函数优化模型的权重,进行交通状态估计模型验证和调整,包括以下步骤:
9.根据权利要求8所述的基于Transformer的高速公路交通状态估计方法,其特征在于,步骤S4中,输入实时交通数据到训练好的最优交通状态估计模型中,获取高速公路实时交通状态参数,进行高速公路交通状态估计,所述交通状态参数,包括:流量数据、拥堵程度参数,交通状况。
...【技术特征摘要】
1.一种基于transformer的高速公路交通状态估计方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于transformer的高速公路交通状态估计方法,其特征在于,步骤s1中,采集高速公路的交通数据并进行预处理,微观车辆运动参数转化为交通特征向量,得到标准化的时间序列数据集,方法包括以下步骤:
3.根据权利要求2所述的基于transformer的高速公路交通状态估计方法,其特征在于,步骤s14中,对于给定的特征xi,归一化过程表示为:
4.根据权利要求1所述的基于transformer的高速公路交通状态估计方法,其特征在于,步骤s2中,交通状态估计模型构建过程,包括以下步骤:
5.根据权利要求4所述的基于transformer的高速公路交通状态估计方法,其特征在于,步骤s21中,位置编码pe的计算过程为:
6.根据权利要求4所述的基于transformer的高速公路交通状态估计方法,其特征在于,步骤s22中,所述多头自注意力模块基...
【专利技术属性】
技术研发人员:赵妍,李林恒,王灿,芮一康,冉斌,
申请(专利权)人:东南大学,
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。