【技术实现步骤摘要】
本专利技术涉及智慧公路领域，特别涉及一种基于数字孪生的高速公路收费站拥堵预测方法及系统。
技术介绍
1、当前物联网和数字孪生技术的快速发展，为提高公路交通管理智能化水平提供了新的思路和途径。数字孪生是将实际世界与虚拟模型相结合的一种技术，能够为公路运营管理提供全方位的支持和帮助。
2、然而，在收费站车流量监控方面，传统的视频监控以及人工上报方式并不能满足市场需求。特别是在一些节假日、恶劣天气以及高峰期的情况下，车流量可能瞬间大幅度增加，工作人员无法确保及时合理的处理，从而让交通管制出现缺失，造成道路拥堵和安全风险。因此，为解决车流量瞬间大幅度增加或特殊原因而造成拥堵，利用物联网和数字孪生技术对车流量及拥堵情况进行预测成为了主要的研究方向。
技术实现思路
1、为了解决收费站车流量瞬间大幅度增加，传统的视频监控以及人工上报方式无法确保及时合理处理而引发拥堵、行车安全的问题，本专利技术提出了一种基于数字孪生的高速公路收费站拥堵预测方法及系统，通过数字孪生技术与随机森林算法结合使用，有效预测天气等常规变化数据以及一些随机事件对交通拥堵的影响，同时多个收费站之间实现数据共享，辅助系统进行预期拥堵的有效预测。
2、本专利技术提供具体方案如下：
3、第一方面，一种基于数字孪生的高速公路收费站拥堵预测方法，包括：
4、s1、收集场景信息生成数字孪生收费站系统：利用航拍数据和建筑模型的图纸信息收集场景信息并构建虚拟场景模型，将所述虚拟场景模型与实际物理
5、s2、采集实时数据并更新至所述虚拟场景模型：通过各类传感器及数据接口采集高速公路收费站物理环境中实时数据，所述实时数据包括车辆数据、天气数据和公共事件数据，对所述实时数据进行清洗、存储，并同步更新至所述虚拟场景模型；所述车辆数据包括车检器数据、摄像机数据、毫米波雷达数据、门架rsu数据和车道etc数据；
6、s3、对所述实时数据进行数据分析：利用所述数字孪生收费站系统中存储的历史交通数据，采用cart算法构建随机森林模型，s2所述的实时数据作为特征参数输入到随机森林模型，输出得到预测时间段的交通流量结果；所述特征参数包括固定输入的特征参数和随机事件的特征参数；通过随机事件的特征参数实现由随机事件引发的交通流量变化的随机森林模型；
7、s4、数字孪生收费站系统仿真展示：更新所述实时数据以驱动所述数字孪生收费站系统运行，并将s3中所述预测结果在所述数字孪生收费站系统上形象展示；
8、s5、对交通拥堵进行干预：若存在车流量拥堵，则将收费站干预措施作为随机事件的特征参数输入到s3所述的随机森林模型中，实现对采取措施后该收费站的拥堵情况预测；并可将未采取措施的预测拥堵情况与采取措施干预后的拥堵情况对比；同时将该收费站的拥堵情况及对目标车辆的历史交通数据预测的可能驶离车辆数量的预测信息发送给未来可能发生拥堵的收费站；可能发生拥堵的收费站将所述预测信息作为随机事件的特征参数输入到随机森林模型中进行预测并实现早期干预；所述收费站干预措施包括根据车辆类型进行车辆分流；记录车辆信息到达下一收费站补交费用。
9、优选地，s1中所述场景信息包括道路信息、收费亭信息、标志信息和车辆尺寸信息，包括：所述道路信息包括基本路况信息、收费亭信息、交通标志信息。
10、优选地，s5所述的车辆分流的方法还包括利用车辆的车牌号、历史行驶数据预期车辆的目的地、收费业务的复杂情况进行分流。
11、优选地，s1中所述将所述虚拟场景模型与实际物理环境建立映射关系，包括：在虚拟场景中，将车流与所述数字孪生收费站系统中的道路进行映射，通过定义道路上的车道、车辆生成点、车辆行驶方向参数，将虚拟车流与实际道路对应起来；当模拟车流在虚拟场景中行驶时，可以根据所述映射关系获取与实际道路相关的数据。
12、优选地，s2中所述同步更新至所述虚拟场景模型的方法为，通过所述各类传感器及数据接口采集实际环境的所述实时数据，并进行清洗整合后，得到所述虚拟场景模型可使用的映射数据，将所述映射数据同步更新到虚拟场景中的对应位置，保持所述数字孪生收费站系统与实际场景的一致性。
13、优选地，s3中构建所述随机森林模型的方法为：
14、s31、将s2中采集到的实时数据作为数据集，从所述数据集中选取针对不同交通流量类型的特征参数；所述特征参数包括：固定特征参数和随机事件参数；所述固定特征参数包括时间参数、天气参数；所述随机事件参数包括收费站干预措施参数，车辆故障参数，交通管制参数，救护车通行参数；
15、s32、将所述数据集划分为训练集数据和测试集数据，依据所述特征参数使用cart算法构建随机森林；
16、其中所述构建随机森林具体方法为：
17、s321、设定算法参数：所述算法参数包括基尼系数的阈值、决策树的最大深度和决策树的叶子节点样本数；
18、s322、确定训练集：进行自助抽样，以8：2的比例将所述数据集分为训练集和测试集；
19、s323、计算基尼系数：对于每个所述特征，计算其在当前节点上的基尼系数，
20、
21、其中，gini(p)为基尼系数，k为样本的类别个数，pk为每个类别的概率；
22、s324、计算基尼加权系数，获得基尼增益：
23、
24、其中，gini(d)为基尼增益，ck为每个类别的样本数，d为样本总数；
25、a特征有n个值，即可分割为n个节点，那么分割后的基尼系数为：
26、gini(d,a)＝p1gini(d1)+p2gini(d2)......+pngini(dn) (3)
27、其中，gini(d,a)为分割后的基尼系数，p1、p2...pn为各个节点的概率；
28、基尼增益为：
29、gini(d,a)-gini(d)(4)
30、s325、划分子集，选择基尼增益最小的特征，作为划分点，将所述数据集划分为子集；
31、s326、完成单颗决策树的构建；重复上述s323-s325步骤，直到基尼增益达到预设的阈值，或者决策树的最大深度和叶子节点样本数触发终止条件；
32、s327、完成森林的构建：对所述数据集进行重新自助抽样，重复上述s322-s326步骤进行新的决策树的构建，直至完成所述随机森林的构建；
33、s33、使用随机森林回归模型对所述测试集数据中的样本进行预测，所述随机森林回归模型将对每棵决策树的预测结果进行平均或加权平均，得到最终的交通流量预测结果；
34、s34、将所述预测结果与实际情况进行比较，评估所述随机森林回归模型的性能，根据预测结果进行实时的管制调整，所述管制调整包括：调整潮汐车道、增/减手持机车道、增本文档来自技高网...
【技术保护点】
1.一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，包括：
2.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S1中所述场景信息包括道路信息、收费亭信息、标志信息和车辆尺寸信息，包括：
3.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S5所述的车辆分流的方法还包括利用车辆的车牌号、历史行驶数据预期车辆的目的地、收费业务的复杂情况进行分流。
4.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S1中所述将所述虚拟场景模型与实际物理环境建立映射关系，包括：在虚拟场景中，将车流与所述数字孪生收费站系统中的道路进行映射，通过定义道路上的车道、车辆生成点、车辆行驶方向参数，将虚拟车流与实际道路对应起来；当模拟车流在虚拟场景中行驶时，可以根据所述映射关系获取与实际道路相关的数据。
5.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S2中所述同步更新至所述虚拟场景模型的方法为，通过所述各类传感器及数据接口采集实际环境的
6.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S3中构建所述随机森林模型的方法为：
7.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S34中所述评估所述随机森林回归模型的性能的方法为：
8.由权利要求7所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，S3中所述随机森林模型对车流量预测包括：对可预期的固定事件的预测和短期发生的随机事件的预测；
9.由权利要求1-8任一所述方法形成的一种基于数字孪生的高速公路收费站拥堵预测系统，其特征在于，包括：仿真展示模块、数据采集模块、数据分析模块；
...【技术特征摘要】
1.一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，包括：
2.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，s1中所述场景信息包括道路信息、收费亭信息、标志信息和车辆尺寸信息，包括：
3.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，s5所述的车辆分流的方法还包括利用车辆的车牌号、历史行驶数据预期车辆的目的地、收费业务的复杂情况进行分流。
4.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测方法，其特征在于，s1中所述将所述虚拟场景模型与实际物理环境建立映射关系，包括：在虚拟场景中，将车流与所述数字孪生收费站系统中的道路进行映射，通过定义道路上的车道、车辆生成点、车辆行驶方向参数，将虚拟车流与实际道路对应起来；当模拟车流在虚拟场景中行驶时，可以根据所述映射关系获取与实际道路相关的数据。
5.由权利要求1所述的一种基于数字孪生的高速公路收费站拥堵预测...
【专利技术属性】
技术研发人员：郭健，刘天鹏，罗小建，
申请(专利权)人：中远海运科技股份有限公司，
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。