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】
本专利技术涉及管控,具体涉及一种基于深度学习网络的桥梁道路管控系统及方法。
技术介绍
1、在桥梁道路管控领域,现有技术主要包括传统的交通信号控制、路况监测系统、智能交通管理系统等。这些技术采用了智能交通预测和优化算法,通过数据分析和模型预测,提前预判交通拥堵等问题,以提高交通运输效率和道路安全性。但在长度较长的桥梁道路中,传统的交通管理系统对桥梁通行能力的优化往往基于静态的车流模型和规则,静态车流模型和规则往往无法全面考虑车流密度变化因素,导致优化效果有限,缺乏对实时车流数据和桥梁结构状态的综合考虑,在于对桥梁道路的特殊情况考虑不足,无法充分预测和优化桥梁道路的通行能力,使得当车辆数量较多时难以预测路况和及时疏导道路交通。
技术实现思路
1、本专利技术提供一种基于深度学习网络的桥梁道路管控系统及方法,解决现有桥梁道路管理技术对道路车辆的动态预测不足导致对道路管控能力不佳的问题。
2、本专利技术通过下述技术方案实现:
3、一种基于深度学习网络的桥梁道路管控系统,该系统包括:
4、数据采集单元:对目标桥梁道路的不同桥梁路段设定单位管控周期,在单位管控周期内对目标桥梁路段进行实时路况数据采集,所述实时路况数据包括每台车辆的车速数据和每条车道的车道数据,并基于单位管控周期的序数记录实时路况数据;
5、路况预测单元:基于实时路况数据设置道路评估策略,使用道路评估策略将目标桥梁路段的路况设置为多个异常路况类别,使用深度学习网络对目标桥梁路段的实时
6、判别执行单元:分别对每一个异常路况类别对应设置应急管控策略,使用道路评估策略筛选出全部符合异常路况类别的预测路况数据并设为标注数据,筛选出包含有至少一个标注数据的桥梁路段,针对筛选出的所有桥梁路段实施标注数据符合的全部应急管控策略。
7、在长度较长的桥梁道路中,传统的交通管理系统对桥梁通行能力的优化往往基于静态的车流模型和规则,静态车流模型和规则往往无法全面考虑车流密度变化因素,导致优化效果有限,缺乏对实时车流数据和桥梁结构状态的综合考虑,无法实现对桥梁通行能力的动态优化,使得当车辆数量较多时难以预测路况和及时疏导道路交通,也不利于桥梁承载维护。基于此,本专利技术提供一种基于深度学习网络的桥梁道路管控系统及方法,解决现有桥梁道路管理技术对道路的动态优化通行能力不足的问题。
8、进一步地,基于实时路况数据设置道路评估策略的过程包括:所述车速数据包括减速频次值,所述车道数据包括第一变道值和第二变道值;所述减速频次值表示每台车辆出现减速行为的次数,所述第一变道值和第二变道值分别为每条车道上的车辆每次侧方离开车道和侧方进入车道的次数;在单位管控周期内的目标桥梁路段上,对每个减速频次值的时间点、第一变道值和第二变道值的变道完成的时间点进行记录;基于减速频次值、第一变道值和第二变道值的时间点和差值大小设置异常路况类别。
9、进一步地,为减速频次值设定减速临界值,且为第一变道值和第二变道值大小设置变道临界值;所述异常路况类别包括:
10、第一异常类别:在目标桥梁路段中存在有车道的减速频次值高于减速临界值,且所有车道的第一变道值和第二变道值大小均未高于变道临界值;
11、第二异常类别:在目标桥梁路段中存在有车道的减速频次值高于减速临界值,且存在有车道的第一变道值和第二变道值大小高于变道临界值;
12、第三异常类别:在目标桥梁路段中所有车道的减速频次值均低于减速临界值,且存在有车道的第一变道值和第二变道值大小高于变道临界值;
13、第四异常类别:针对减速频次值和第一变道值在同一车道的占比数量设置占比阈值,在目标桥梁路段中存在有车道的减速频次值高于减速临界值,且存在有车道的第一变道值和第二变道值大小高于变道临界值,且减速频次值和第一变道值在其中一条车道上的占比数达到了占比阈值。
14、进一步地,实时路况数据的采集形式包括:使用平面直角坐标系分别以连续曲线图和逻辑波形图的形式,分别记录车速数据和车道数据,其中车速数据和车道数据的横坐标均设为单位管控周期的时间长度;车速数据纵坐标表示车速值大小;车道数据的纵坐标包括第一变道值和第二变道值。
15、进一步地,将每个单位管控周期按前后顺次划分为预测周期、缓冲周期和实施周期三个子周期,在预测周期内进行实时路况数据采集,并在实施周期内启用应急管控策略;将预测周期内输出的预测路况数据和实施周期内的实际路况数据记录为历史参考数据,用以更新深度学习网络性能和调整单位管控周期内预测周期和实施周期的时间长度分配。
16、一种基于深度学习网络的桥梁道路管控方法,该方法包括:
17、步骤s1:将目标桥梁道路针对不同桥梁路段分别设置用于道路管控的单位管控周期,在单位管控周期内对目标桥梁路段进行实时路况数据采集,所述实时路况数据包括每台车辆的车速数据和每条车道的车道数据,并基于单位管控周期的序数记录实时路况数据;
18、步骤s2:基于实时路况数据设置道路评估策略,且设置用于迭代参照的参考路况数据,使用道路评估策略对实时路况数据进行分类处理,用以将目标桥梁路段的路况按照管控车辆与管控车道特征设置为多个需要应急管控处理的异常路况类别;
19、步骤s3:使用深度学习网络基于参考路况数据对目标桥梁路段的实时路况数据进行迭代,对全部车辆的行驶趋势和全部车道的状态进行预测,用以评估当前桥梁路段的路况变化倾向,并将迭代输出值设置为表示预测输出结果的预测路况数据;
20、步骤s4:分别对每一个异常路况类别对应设置应急管控策略,使用道路评估策略筛选出全部符合异常路况类别的预测路况数据并设为标注数据,筛选出包含有至少一个标注数据的桥梁路段,针对筛选出的所有桥梁路段实施标注数据符合的全部应急管控策略。
21、进一步地,将所述路况变化倾向的评估过程设置为:使用长短期记忆网络对目标车辆及当前行驶车道的实时路况数据进行迭代,其内容包括:
22、构建长短期记忆网络,并构建训练集和测试集,将目标车辆与前方相邻车辆的减速频次值、目标车辆当前车道的第一变道值和第二变道值按照时间序列整理并作为长短期记忆网络的输入值;对长短期记忆网络进行训练,将迭代结果与实际路况数据的差异进行最小化处理,在迭代次数用尽后将迭代值作为预测路况数据输出,并在每一次完成迭代后使用交叉验证方法评估长短期记忆网络的预测性能。
23、进一步地,使用随机梯度下降方法对长短期记忆网络进行训练,其过程包括:
24、步骤a1:预设梯度下降的梯度初始值、迭代次数和参考路况数据,将目标车辆与前方相邻车辆的减速频次值、目标车辆当前车道的第一变道值和第二变道值设为模型输入参数;
25、步骤a2:对减速频次值设置均方误差损失函数,对第一变道值和第二变道值设置交叉熵损失函数,将均方误差损失函数与交叉熵损失函数本文档来自技高网...
【技术保护点】
1.一种基于深度学习网络的桥梁道路管控系统,其特征在于,该系统包括:
2.根据权利要求1所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,基于实时路况数据设置道路评估策略的过程包括:所述车速数据包括减速频次值,所述车道数据包括第一变道值和第二变道值;所述减速频次值表示每台车辆出现减速行为的次数,所述第一变道值和第二变道值分别为每条车道上的车辆每次侧方离开车道和侧方进入车道的次数;在单位管控周期内的目标桥梁路段上,对每个减速频次值的时间点、第一变道值和第二变道值的变道完成的时间点进行记录;基于减速频次值、第一变道值和第二变道值的时间点和差值大小设置异常路况类别。
3.根据权利要求2所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,为减速频次值设定减速临界值,且为第一变道值和第二变道值大小设置变道临界值;所述异常路况类别包括:
4.根据权利要求2所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,实时路况数据的采集形式包括:使用平面直角坐标系分别以连续曲线图和逻辑波形图的形式,分别记录车速数据和车道数据,其中车速数据和车道数据
5.根据权利要求2所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,将每个单位管控周期按前后顺次划分为预测周期、缓冲周期和实施周期三个子周期,在预测周期内进行实时路况数据采集,并在实施周期内启用应急管控策略;将预测周期内输出的预测路况数据和实施周期内的实际路况数据记录为历史参考数据,用以更新深度学习网络性能和调整单位管控周期内预测周期和实施周期的时间长度分配。
6.一种基于深度学习网络的桥梁道路管控方法,基于权利要求1-5任意一项所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,该方法包括:
7.根据权利要求6所述的一种基于深度学习网络的桥梁道路管控方法,其特征在于,将所述路况变化倾向的评估过程设置为:使用长短期记忆网络对目标车辆及当前行驶车道的实时路况数据进行迭代,其内容包括:
8.根据权利要求7所述的一种基于深度学习网络的桥梁道路管控方法,其特征在于,使用随机梯度下降方法对长短期记忆网络进行训练,其过程包括:
9.根据权利要求7所述的一种基于深度学习网络的桥梁道路管控方法,其特征在于,所述时间序列整理的过程包括:在单位管控周期内针对目标桥梁路段,对实时路况数据中全部车辆的全部减速频次值、目标车辆当前车道的全部第一变道值和第二变道值均加入时间戳用以构建时空特征序列,所述时空特征序列中的每一个特征向量均通过将至少一项实时路况数据及其对应的时间戳以数据归一化拼接形式构成。
...【技术特征摘要】
1.一种基于深度学习网络的桥梁道路管控系统,其特征在于,该系统包括:
2.根据权利要求1所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,基于实时路况数据设置道路评估策略的过程包括:所述车速数据包括减速频次值,所述车道数据包括第一变道值和第二变道值;所述减速频次值表示每台车辆出现减速行为的次数,所述第一变道值和第二变道值分别为每条车道上的车辆每次侧方离开车道和侧方进入车道的次数;在单位管控周期内的目标桥梁路段上,对每个减速频次值的时间点、第一变道值和第二变道值的变道完成的时间点进行记录;基于减速频次值、第一变道值和第二变道值的时间点和差值大小设置异常路况类别。
3.根据权利要求2所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,为减速频次值设定减速临界值,且为第一变道值和第二变道值大小设置变道临界值;所述异常路况类别包括:
4.根据权利要求2所述的一种基于深度学习网络的桥梁道路管控系统,其特征在于,实时路况数据的采集形式包括:使用平面直角坐标系分别以连续曲线图和逻辑波形图的形式,分别记录车速数据和车道数据,其中车速数据和车道数据的横坐标均设为单位管控周期的时间长度;车速数据纵坐标表示车速值大小;车道数据的纵坐标包括第一变道值和第二变道值。
5.根据权利要求2所述的一种基于深度学习网络的桥梁道路管控系统,其...
【专利技术属性】
技术研发人员:鲜博,余峰,袁洁,杨荆,
申请(专利权)人:四川高路文化旅游发展有限责任公司,
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。