【技术实现步骤摘要】
本专利技术属于通信领域，更进一步涉及交通领域中的交通流模拟和交通数据分析中的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法与系统。
技术介绍
1、随着城市交通不断发展和交通管理的需求日益增加，高速公路交通流轨迹重构成为优化交通系统、提高交通效率的重要技术之一。毫米雷达波作为一种先进的传感技术，具有高精度、高分辨率的特点，能够穿透雨雪等恶劣天气条件，实时获取目标物体的运动信息。在高速公路交通管理领域，基于毫米雷达波的轨迹重构方法通过对车辆引擎、车轮和车身等物体的微小运动进行精准监测，但考虑到检测器波频，如何能够更有效的将离散数据重构为更符合现实需要的交通流是当前智能交通快速发展下亟需解决的问题。
2、在交通大数据应用层面，传统的交通流轨迹重构设备主要包括磁感应器、摄像头、雷达等，而传统的方法通常采用基于单一或组合传感器数据的信号处理和计算方法，这些设备和方法都存在或多或少的不足：磁感应器适用于低速场景，但对于高速公路等需要高精度轨迹的场合，可能存在精度不足的问题。摄像头会受到天气、光照等因素的影响，可能在恶劣条件下性能...
【技术保护点】
1.一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，所述对基于毫米雷达波数据进行特征提取后采用基于密度的离群值检测法清洗异常的离散轨迹点，包括：
3.根据权利要求1所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，所述建立高速公路路网拓扑图，考虑基于图论的Betweenness Centrality法识别关键轨迹节点，包括：
4.根据权利要求1所述一种基于深度学习的两阶段高速公路车辆...
【技术特征摘要】
1.一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，所述对基于毫米雷达波数据进行特征提取后采用基于密度的离群值检测法清洗异常的离散轨迹点，包括：
3.根据权利要求1所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，所述建立高速公路路网拓扑图，考虑基于图论的betweenness centrality法识别关键轨迹节点，包括：
4.根据权利要求1所述一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，所述对清洗后的毫米雷达波多源离散交通流轨迹点利用ca-lwr方法进行全时空交通流轨迹预测，包括：
5.根据权利要求1所述一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，其特征在于，所述lwr模型根据道路上每个元胞上的车辆数量的信息、道路网络信息、每个元胞的长度和模型的时间步长，预测的下时刻车辆位置；其中车辆密度的更新规则满足：
6.根...
【专利技术属性】
技术研发人员：陈垦，罗懿斓，李伟，焦育威，刘攀，李志斌，
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。