一种面向城市路网的无模型事故影响范围预测方法技术

本发明专利技术公开了一种面向城市路网的无模型事故影响范围预测方法,包括PRN域、DT域；包括如下步骤:步骤1：在PRN域，进行DT域中的路网建模、车辆跟车模型建模和交叉口信号灯建模；步骤2：通过模拟软件SUMO的可视化界面实时观察交通状况的变化；对可视化界面进行截图来获得训练Conv

A prediction method of model free accident impact range for urban road network

【技术实现步骤摘要】
一种面向城市路网的无模型事故影响范围预测方法


[0001]本专利技术属于缓解交通拥堵
，具体涉及一种面向城市路网的无模型事故影响范围预测方法。

技术介绍

[0002]众所周知，交通事故对经济、环境、人们的健康和生活方式都存在着负面影响。因为复杂的路网结构使城市更容易发生交通事故，缓解事故造成的非经常性拥堵已成为每个城市的重点关注。及时有效缓解由交通事故造成的非经常性拥堵，在很大程度上依赖于采取适当措施的及时响应(例如，及时派遣清理事故的人员和发布事故信息等)。上述措施的有效性取决于对事故造成的时空拥堵范围的准确预测。同时，准确预测事故造成的时空拥堵范围，可以帮助交通管理部门在资源有限、多件事故同时发生的情况下，及时采取有效的事故应对措施。
[0003]目前已经存在许多方法来预测城市交通事故造成的拥堵范围。一些现有的方法侧重于事故持续时间的预测，而其他工作则着重研究确定了事故时空范围预测。这里提到的时空预测是指能够同时预测事故持续时间和拥堵扩散的空间范围。其中事故持续时间预测方法有：根据事故清理时间对事故持续时间的影响最大，采用梯度提升决策树方法对事故清理时间进行建模，以预测高速公路上交通事故的持续时间；基于时间、空间、环境、交通和事故细节等9个变量，分别构建了两个多元线性回归模型来预测事故总持续时间和清除时间。事故时空范围预测方法有：首先通过分析存档的事故数据对事故进行分类。然后，通过分析事故发生时间和地点的存档交通数据，构建了每种事故类型对其周围交通的影响。最后，构建了影响模型来预测和量化类似事故发生时对周围交通的影响；一种称作二进制整数编程(BIP)的基于模型的预测方法，仅根据电感线圈检测器数据估计高速公路事故造成的延误的时空范围，并确定对延误有影响的事故特征；提出了一种新的在线模型，可以实时学习当前交通状况，预测在高速公路和干线公路上的交通事故的时空影响范围；结合分析方法和数据挖掘方法，建立了一个模式匹配模型，以确定事故造成的时空拥堵范围，并在确定时空范围时剔除二次事故的影响。
[0004]上述的研究方法有以下几点归因于交通模型限制的缺点。首先，上述预测与城市交通事故相关的时空拥堵的工作大多场景都是在高速公路或城市主干道的。这是因为与城市路网相比，高速公路和城市主干道上的道路拥堵关系更容易分析，拥堵传播过程更容易确定。更值得注意的是，大多数现有的时空范围预测方法都依赖于现有的交通模型。然而，交通状况和交通参数很难确定，因为交通状况会随时间的变化而变化，所以要准确地建立一个城市路网的交通动态模型是非常困难的。此外，基于模型的方法受到以下因素的限制：模型偏好，其预测性能严格由模型精度决定。同时，大多数基于模型方法需要对驾驶行为进行严格假设，这些假设会在收集的有限的交通数据下设定和测试，只能表示部分关于真实路网的信息，因此无法充分捕捉动态交互环境中的各种驾驶行为。

技术实现思路

[0005]1.为实现上述目的，本专利技术提供如下技术方案：一种面向城市路网的无模型事故影响范围预测方法，使用宏观的路网图片进行预测，因此不需要详细的事故道路和其相邻道路的交通数据，不需要对动态交通流进行建模，适用于各种类型的事故场景,包括物理路网域和数字孪生域；物理路网域，即为PRN域；数字孪生域，即为DT域；PRN域是真实的城市的路网；DT域创建了PRN域的虚拟副本，因此从宏观角度观察事故引起的拥堵在路网上的传播情况；包括如下步骤:
[0006]步骤1：在PRN域，道路交通信息、车辆驾驶状态和交叉口信号相位信息被实时收集；然后在对原始数据进行融合和处理后，就可以进行DT域中的路网建模、车辆跟车模型建模和交叉口信号灯建模；在DT域中，DT域可以实时映射真实路网的交通运行状态，使交通管理者能够从宏观角度观察路网的交通，同时也为提出的无模型预测方法提供支持；
[0007]步骤2：DT域的平台是通过模拟软件SUMO搭建的；所选择的真实路网包括交叉路口、有向道路；为了处理观察DT域得到的宏观路网图片，得到预测的事故时空影响范围；在使用模拟软件SUMO进行事故模拟时，通过模拟软件SUMO的可视化界面实时观察交通状况的变化；对可视化界面进行截图来获得训练Conv
‑
LSTM网络层结构的数据集；
[0008]步骤3：将LSTM网络层结构中的输入到状态、状态到状态的变换变为卷积计算，形成Conv
‑
LSTM网络层结构；通过堆叠多个Conv
‑
LSTM网络层结构构成编
‑
解码结构形成Conv
‑
LSTM网络，来预测城市道路网络中由事故引起的时空拥堵范围；
[0009]LSTM网络层结构包括用来累积状态信息的记忆单元c
t
；在LSTM网络层结构中有三个控制单元，分别是“输入门”、“输出门”和“遗忘门”；记忆单元c
t
将被上述三个控制单元访问、写入和清除，以使LSTM网络层结构能够实现长期记忆；当LSTM网络层结构中有一个新的输入x
t
时，输入门i
t
被激活，输入信息将被写入存储单元；同时，如果遗忘门f
t
被激活，最后一个记忆单元信息c
t
‑1将被"遗忘"；记忆单元在时间t的输出c
t
是否会被传播到最终的状态向量h
t
，由输出门o
t
控制；其中，LSTM网络层结构的输入、单元输出和状态都是一维向量，LSTM网络层结构的公式如下式(1)所示，其中表示哈德玛乘积；
[0010][0011]公式(1)中W是权重因子，b是偏置项，σ(
·
)、tanh(
·
)分别是sigmoid激活函数和tanh激活函数；
[0012]步骤4：LSTM网络层结构在处理输入序列时会包含很多空间冗余信息，因此Conv
‑
LSTM网络层结构将输入到状态以及状态到状态的转换处使用卷积结构来同时捕捉输入的时空信息，在Conv
‑
LSTM网络层结构中，所有的输入x1,...,x
t
，单元输出c1,...,c
t
，隐藏状态h1,...,h
t
，以及i
t
,f
t
,o
t
都是3维向量，两个维度是空间维度行和列；为了更好地理解，把三维向量当作空间网格上的向量；空间网格中某个存储单元的未来状态是由存储单元的本
地邻居的输入和过去状态决定的；Conv
‑
LSTM网络层结构的公式显示在下面的公式(2)：
[0013][0014]公式(2)中表示哈德玛乘积，"*"表示卷积；
[0015]步骤5：通过Conv
‑
LSTM网络来预测事故的时空影响范围；多个Conv
‑
LSTM网络层结构叠加形成编
‑
解码结构，解码结构的初始状态和单元输出是由编码结构最终状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向城市路网的无模型事故影响范围预测方法，其特征在于，包括物理路网域和数字孪生域；物理路网域，即为PRN域；数字孪生域，即为DT域；PRN域是真实的城市的路网；DT域创建了PRN域的虚拟副本，因此从宏观角度观察事故引起的拥堵在路网上的传播情况；包括如下步骤:步骤1：在PRN域，道路交通信息、车辆驾驶状态和交叉口信号相位信息被实时收集；然后在对原始数据进行融合和处理后，就可以进行DT域中的路网建模、车辆跟车模型建模和交叉口信号灯建模；在DT域中，DT域可以实时映射真实路网的交通运行状态，使交通管理者能够从宏观角度观察路网的交通，同时也为提出的无模型预测方法提供支持；步骤2：DT域的平台是通过模拟软件SUMO搭建的；所选择的真实路网包括交叉路口、有向道路；为了处理观察DT域得到的宏观路网图片，得到预测的事故时空影响范围；在使用模拟软件SUMO进行事故模拟时，通过模拟软件SUMO的可视化界面实时观察交通状况的变化；对可视化界面进行截图来获得训练Conv
‑
LSTM网络层结构的数据集；步骤3：将LSTM网络层结构中的输入到状态、状态到状态的变换变为卷积计算，形成Conv
‑
LSTM网络层结构；通过堆叠多个Conv
‑
LSTM网络层结构构成编
‑
解码结构形成Conv
‑
LSTM网络，来预测城市道路网络中由事故引起的时空拥堵范围；LSTM网络层结构包括用来累积状态信息的记忆单元c
t
；在LSTM网络层结构中有三个控制单元，分别是“输入门”、“输出门”和“遗忘门”；记忆单元c
t
将被上述三个控制单元访问、写入和清除，以使LSTM网络层结构能够实现长期记忆；当LSTM网络层结构中有一个新的输入x
t
时，输入门i
t
被激活，输入信息将被写入存储单元；同时，如果遗忘门f
t
被激活，最后一个记忆单元信息c
t
‑1将被"遗忘"；记忆单元在时间t的输出c
t
是否会被传播到最终的状态向量h

【专利技术属性】
技术研发人员：李长乐，计星怡，岳文伟，陈越，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：