【技术实现步骤摘要】
本专利技术涉及智能照明，具体涉及一种基于车流量预测的隧道照明辅助决策方法。
技术介绍
1、高速公路隧道作为交通运输的重要通道，其照明系统的调整对于交通安全和能源消耗具有重要意义。据统计，一个高速隧道80％的运营成本来源于电费。因此，我国现阶段高速公路隧道照明系统在保证行车安全的前提下，进行节能降耗设计是公路隧道照明系统发展的必然要求。目前解决隧道照明系统运营成本过高的普遍做法是按照不同时段的亮度需求控制不同回路照明设备的开启或关闭。但由于这种做法并没有考虑到高速公路不同隧道不同时段的车流量的特点，例如一些偏远地区隧道车流量较少、夜间车流量几乎没有，使的隧道照明系统存在一定程度的无效照明时段，存在能源浪费现象。在中国专利文献上公开的“一种考虑交通状况和不同路段的隧道调光控制方法及系统”，其公告号cn116264752a：该系统根据不同路段需求亮度、灯具实际输出功率、交通量大小、平均车速计算出灯具控制量以此来降低隧道电能浪费问题。可见该专利也是没有利用隧道不同时段车流量特点，存在着隧道无效照明现象。
2、除此之外，车流量时间序列数据中隐含多重时序特征，如短期依赖，多重周期、时间相关等时序特征，然而目前已有的隧道车流量预测模型比较单一，不能够充分提取车流量时间序列中隐藏的多种特征，预测精度有待提高。中国专利文献上公开的“一种基于神经网络lstm的多因素短期车流量预测方法”其公告号为cn110223510a:该方法排除了节假日、天气等对交通流量的因素利用lstm神经网络对未来莫时段的交通流量进行预测，使得短期预测模型较为准确
3、在现有的相关技术的研究过程中以及相关大环境背景下，(如偏远县城人口大量外流，偏远地区的隧道节点车流量相比于关键节点隧道车流量大幅减少)，专利技术人发现，针对不同隧道不同时段车流量的特点，隧道照明系统在无效照明时段存在能源浪费现象，而此相关控制解决方案一直缺失。因此如何设计一种能够克服上述缺陷的隧道照明决策方法，可以有效降低隧道照明系统的能耗和运营成本。
技术实现思路
1、为解决现有技术中的不足，本专利技术的是一种基于车流量预测的隧道照明辅助决策方法，主要针对目前车流量预测模型不能完全提取车流量序列数据中的复杂特征、以及针对无效照明时段隧道照明控制解决方案缺失等问题。
2、本专利技术提供方法的第一部分针对车流量时间序列数据中隐藏的复杂特征提取，特征提取分别利用seq2seq、embedding、cnn提取短期依赖特征、时间相关特征、长期依赖特征，并进行特征融合，得到最终的预测车流量；第二部分针对无效照明现象的隧道照明控制解决方案，利用第一部分设计的车流量预测模型得到隧道未来几个小时的车流量数据、红外摄像检测和隧道内位置检测结果作为照明系统的输入参数，得到无效照明时段，制定相应的照明策略，辅助照明系统分时控制，一定程度降低了隧道无效照明时段能源浪费问题。
3、一种基于车流量预测的隧道照明辅助决策方法，包括以下步骤：
4、s00、获取隧道历史车流量数据并进行缺失、异常数据处理；
5、s01、利用划窗技术划分数据集为fs，fp，ft三种特征数据和标签；
6、s02、通过seq2seq模型提取短期依赖特征fs，通过embedding模型处理时间特征数据ft，通过cnn模型提取多重周期特征fp，并进行特征融合，完成特征提取模型的构建；其中目标时刻的特征由目标时刻的fst+1，ftt+1，fpt+1三种特征融合而成，目标时刻的预测值由目标时刻的特征通过一层线性全连接神经网络层得到；
7、s03、梯度反向传播，模型参数优化，输出训练好的车流量预测模型，输出未来几小时内的车流量预测结果；
8、s10、红外摄像头阵列目标检测进入隧道的车辆；
9、s20、隧道摄像头目标检测隧道内车辆状况；
10、s30、基于s03、s10、s20的结果作为s30的输入参数，辅助完成整隧道照明系统的决策过程。
11、进一步的，s00步骤中，将所述车流量数据进行缩放处理，缩放的车流量数值范围0-1，利用变化率法筛选出异常数据，采用缺失值插补方法对缺失值、异常数据处理。
12、进一步的，s02步骤中，embedding模型采用独热编码对离散数据如节假日信息，时间信息，工作日信息进行编码转为神经网络可学习的特征；cnn模型提取到的周期依赖特征fp经过注意力机制驱动后得到更精准的周期依赖特征fp，seq2seq模型中编码器、解码器使用的神经网络是lstm结构，表示如下：
13、ft＝σ(u(f)xt+w(f)ht-1+bf)
14、it＝σ(u(i)xt+w(i)ht-1+bi)
15、ot＝σ(u(o)xt+w(o)ht-1+bo)
16、
17、
18、
19、其中，t表示当前时刻，t-1表示上一时刻，ct-1、ht-1分别表示上一时刻状态和隐藏状态的输出，ct、ht分别表示当前时刻状态和隐藏层状态的输出，it、ft以及ot分别为输人门、遗忘门和输出门，w、u为权重，b为偏置量，σ、tanh分别为激活函数sigmoid、tanh。
20、进一步的，在s03步骤中，评估预测模型质量的具体方法为：利用平均平方误差mse、经验相对系数r2，其计算公式分别如下：
21、
22、
23、其中yi为隧道车流量的真实值，为隧道车流量的预测值，
24、进一步的，在s10、s20步骤中，软件同步获取红外摄像头阵列和隧道内摄像头目标检测提供的即将进入隧道内和隧道内的车辆信息，更新隧道内最后进入车辆位置信息，隧道运行模式分为正常运行模式、节能模式、跟踪模式和深度节能模式，每种模式基于实际隧道特点通过调整照明亮度、灯光数量得到。
25、本专利技术的主要贡献和创新点如下：
26、1、与现有车流量预测技术相比，本专利技术能将seq2seq、cnn、embedding模型结合，能够充分挖掘车流量序列数据中隐藏的多种特征，如短期依赖特征、周期依赖特征和时间相关特征，并利用注意力机制将时间相关特征引入cnn模型，可以更加精准的提取周期依赖特征，为照明决策提供准确的依据。
27、2、提出的一种基于车流量预测的隧道照明辅助决策方法，通过智能化控制和调整，利用多种隧道运行模式，能够提高隧道照明系统的效能和节能性，降低隧道无效照明期间能源浪费问题。
本文档来自技高网...【技术保护点】
1.一种基于车流量预测的隧道照明辅助决策方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于车流量预测的隧道照明辅助决策方法，其特征在于，S00步骤中，将所述车流量数据进行缩放处理，缩放的车流量数值范围0-1，利用变化率法筛选出异常数据，采用缺失值插补方法对缺失值、异常数据处理。
3.根据权利要求2所述的基于车流量预测的隧道照明辅助决策方法，其特征在于，S02步骤中，Embedding模型采用独热编码对离散数据如节假日信息，时间信息，工作日信息进行编码转为神经网络可学习的特征；CNN模型提取到的周期依赖特征Fp经过注意力机制驱动后得到更精准的周期依赖特征Fp，Seq2Seq模型中编码器、解码器使用的神经网络是LSTM结构，表示如下：
4.根据权利要求3所述的基于车流量预测的隧道照明辅助决策方法，其特征在于，在S03步骤中，评估预测模型质量的具体方法为：利用平均平方误差MSE、经验相对系数R2，其计算公式分别如下：
5.根据权利要求4所述的基于车流量预测的隧道照明辅助决策方法，其特征在于，在S10、S20步骤中，软件同步获取
...【技术特征摘要】
1.一种基于车流量预测的隧道照明辅助决策方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于车流量预测的隧道照明辅助决策方法，其特征在于，s00步骤中，将所述车流量数据进行缩放处理，缩放的车流量数值范围0-1，利用变化率法筛选出异常数据，采用缺失值插补方法对缺失值、异常数据处理。
3.根据权利要求2所述的基于车流量预测的隧道照明辅助决策方法，其特征在于，s02步骤中，embedding模型采用独热编码对离散数据如节假日信息，时间信息，工作日信息进行编码转为神经网络可学习的特征；cnn模型提取到的周期依赖特征fp经过注意力机制驱动后得到更精准的周期依赖特征fp，seq2se...
【专利技术属性】
技术研发人员：杜志强，赵犇，郭翰天，曹洁宁，
申请(专利权)人：山西省智慧交通研究院有限公司，
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。