【技术实现步骤摘要】
本专利技术涉及车路协同，尤其是涉及一种基于车路协同的交通流预测方法、系统及存储介质。
技术介绍
1、v2x车路协同作为一种车用无线通信技术，是将车辆与一切事物相连接的新一代信息通信技术，其中 v 代表车辆，x 代表任何与车交互信息的对象，当前x 主要包含车（vehicle to vehicle, v2v）、人（vehicle to pedestrian, v2p）、交通路侧基础设施（vehicle to infrastructure, v2i）和网络（vehicle to network,v2n）。v2x 将“人、车、路、云”等交通参与要素有机地联系在一起，不仅可以支撑车辆获得比单车感知更多的信息，促进自动驾驶技术创新和应用，还有利于构建一个智慧的交通体系，促进汽车和交通服务的新模式新业态发展，对提高交通效率、节省资源、减少污染、降低事故发生率、改善交通管理具有重要意义。如何更有效的利用车路协同技术，提高车流量通行效率和降低城市车辆拥堵情况，是我们亟待解决的问题。
技术实现思路
1、鉴于以上问题，本专利技术提供了一种基于车路协同的交通流预测方法、系统及存储介质，不仅能够对某路段的交通流数据信息进行预测，而且根据预测的车流量数据，对交通流进行调节和控制，降低日常行车的拥堵情况。
2、为了实现上述目的及其他相关目的，本专利技术提供的技术方案如下：
3、一种基于车路协同的交通流预测方法，所述方法包括：
4、t1.在某预设路段，基于路侧单元采集车流量数据
5、t2.基于所述车流量数据信息，采用分段线性回归算法进行数据整理和统计，输出该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息；
6、t3.将所述该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息输入最大熵模型进行训练和学习，得到训练好的最大熵模型数据信息；
7、t4.基于所述训练好的最大熵模型数据信息，输入实时获取的该路段车流量数据信息进行车流量预测，输出该路段的交通流预测数据信息。
8、进一步的，在步骤t3中，所述将所述该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息输入最大熵模型进行训练和学习包括：
9、t31.基于所述路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息，建立该路段车流量的熵函数m，
10、m=α1p(y1)logp(y1)+α2p(y2)logp(y2)+α3p(y3)logp(y3)+α4p(y4)logp(y4),
11、其中，y1为该路段年均车流量数据信息，y2为月均车流量变化率数据信息，y3为节假日车流量数据信息，y4为天气变化车流量变化率数据信息，p(x)为似然函数，α1、α2、α3和α4为待定系数；
12、t32.基于所述该路段车流量的熵函数m，建立车流量的条件熵函数n,
13、n=m×me，
14、me=α1p(m1|y1)logp(m1|y1)+α2p(m2|y2)logp(m2|y2)+α3p(m3|y3)logp(m3|y3)+α4p(m4|y4)logp(m4|y4),
15、其中，m1为该路段年均车流量数据信息y1的期望，m2为月均车流量变化率数据信息y2的期望，m3为节假日车流量数据信息y3的期望，m4为天气变化车流量变化率数据信息y4的期望，输入该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息，确定待定系数，得到训练好的最大熵模型。
16、进一步的，在步骤t31中，所述似然函数p(x)的约束条件为：
17、p(y1)+p(y2)+p(y3)+p(y4)=1，
18、其中，y1为该路段年均车流量数据信息，y2为月均车流量变化率数据信息，y3为节假日车流量数据信息，y4为天气变化车流量变化率数据信息；
19、所述待定系数α1、α2、α3和α4的约束条件为：
20、0<α1<1，0<α2<1，0<α3<1,0<α4<1。
21、进一步的，在步骤t2中，所述采用分段线性回归算法进行数据整理和统计包括：
22、t21.获取所述车流量数据信息，建立分段线性回归函数g，
23、g=β0+β1yt+λt，
24、yt=(y1t,y2t,y3t,y4t)，
25、其中，λt为t时刻车流量的变化量，y1t为t时刻年均车流量数据信息，y2t为t时刻月均车流量变化率数据信息，y3t为t时刻节假日车流量数据信息，y4t为t时刻天气变化车流量变化率数据信息，β0和β1为待定系数矩阵；
26、t22.基于所述分段线性回归函数g，得到该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息。
27、进一步的，在步骤t21中，所述待定系数矩阵β1的取值为，
28、。
29、进一步的，在步骤t4中，所述该路段的交通流预测数据信息为设置预设阈值，若预测的车流量大于预设阈值则会发生拥堵情况，若预测的车流量小于预设阈值则不会发生拥堵情况。
30、为了实现上述目的及其他相关目的，本专利技术还提供了一种用于实现任一项所述的基于车路协同的交通流预测方法的系统，所述系统包括：
31、路侧感知设备，包括毫米波雷达、摄像头和激光slam,用于实时获取道路的图像和点云数据信息；
32、路侧边缘计算单元，与所述路侧感知设备连接，用于实时推算车流量的数据信息
33、路侧数据收发设备rsu，与所述路侧感知设备连接，用于实时获取接收和发送车流量的数据信息；
34、数据中心，与所述路侧数据收发设备rsu连接，将该路段的交通流数据信息发送至其他路段的路侧数据收发设备rsu。
35、进一步的，所述系统还包括信号机，所述信号机与所述路侧数据收发设备rsu连接，用于接收和发送车流量的数据信息。
36、进一步的，所述数据中心包括最大熵模型模块和存储模块，所述最大熵模型模块用于处理车流量的数据信息，所述存储模块用于存储车流量的数据信息。
37、为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有被编程或配置以执行任意一项所述基于车路协同的交通流预测方法的计算机程序。
38、本专利技术具有以下积极效果：
39、1.本专利技术通过采用分段线性回归算法进行数据整理和统计，结合训练好的最大熵模型数据信息，对该路段的车流量数据信息进行预测，不仅预测的车流量数据信息更加准确，而本文档来自技高网...
【技术保护点】
1.一种基于车路协同的交通流预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于车路协同的交通流预测方法，其特征在于，在步骤T3中，所述将所述该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息输入最大熵模型进行训练和学习包括：
3.根据权利要求2所述的基于车路协同的交通流预测方法，其特征在于，在步骤T31中，所述似然函数p(x)的约束条件为：
4.根据权利要求1所述的基于车路协同的交通流预测方法，其特征在于，在步骤T2中，所述采用分段线性回归算法进行数据整理和统计包括：
5.根据权利要求4所述的基于车路协同的交通流预测方法，其特征在于，在步骤T21中，所述待定系数矩阵β1的取值为，
6.根据权利要求1所述的基于车路协同的交通流预测方法，其特征在于，在步骤T4中，所述该路段的交通流预测数据信息为设置预设阈值，若预测的车流量大于预设阈值则会发生拥堵情况，若预测的车流量小于预设阈值则不会发生拥堵情况。
7.一种用于实现权利要求1-6任一项所述的基于车
8.根据权利要求7所述的系统，其特征在于：所述系统还包括信号机，所述信号机与所述路侧数据收发设备RSU连接，用于接收和发送车流量的数据信息。
9.根据权利要求7所述的系统，其特征在于：所述数据中心包括最大熵模型模块和存储模块，所述最大熵模型模块用于处理车流量的数据信息，所述存储模块用于存储车流量的数据信息。
10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有被编程或配置以执行权利要求1～6中任意一项所述基于车路协同的交通流预测方法的计算机程序。
...【技术特征摘要】
1.一种基于车路协同的交通流预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于车路协同的交通流预测方法，其特征在于，在步骤t3中，所述将所述该路段年均车流量数据信息、月均车流量变化率数据信息、节假日车流量数据信息和天气变化车流量变化率数据信息输入最大熵模型进行训练和学习包括：
3.根据权利要求2所述的基于车路协同的交通流预测方法，其特征在于，在步骤t31中，所述似然函数p(x)的约束条件为：
4.根据权利要求1所述的基于车路协同的交通流预测方法，其特征在于，在步骤t2中，所述采用分段线性回归算法进行数据整理和统计包括：
5.根据权利要求4所述的基于车路协同的交通流预测方法，其特征在于，在步骤t21中，所述待定系数矩阵β1的取值为，
6.根据权利要求1所述的基于车路协同的交通流预测方法，其特征在...
【专利技术属性】
技术研发人员：谢昊，蔡营，戈小中，徐希，于中祥，杨焕林，杨硕勋，
申请(专利权)人：东风悦享科技有限公司，
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。