【技术实现步骤摘要】
本专利技术涉及换道时间预测，具体涉及一种动态公交专用道的网联车辆强制换道持续时间预测方法。
技术介绍
1、动态公交专用道(又称间歇式公交专用道)是一种在满足公交优先的前提下，为社会车辆动态提供公交专用道行驶路权的新型专用道。但传统的公交专用道动态控制方法，往往通过在公交车前方设置较长且固定的清空距离来保障公交优先，仍有较大部分的道路资源被浪费。随着通信技术与车联网技术的快速发展，智能网联汽车可以获取其他车辆的传感器数据，为动态公交专用道的精细化管控提供了技术支持。通过建立随公交车速和公交车前方被清空车辆强制换道持续时间变化的动态清空框模型实现公交专用道资源利用率的进一步提升。车辆强制换道持续时间作为动态公交专用道动态清空框设定的重要组成部分，它的精准预测不仅对提高动态公交专用道利用率至关重要，还能有效提高智能网联汽车协作换道的安全性。
2、目前换道持续时间的预测方法主要分为轨迹建模法和数据驱动法。通过轨迹建模法能实现换道越线时刻的预测，但现有研究仅仅关注换道车辆自身的行驶特性，并未考虑在实际换道过程中周围行驶车辆、驾驶员在受迫环境下的反应等因素的影响，其次此类模型大多建立在多种假设条件基础上，很难实现对实际驾驶过程中换道持续时间的精准预测，鲁棒性也较差。数据驱动法仅依靠系统输入与输出间的映射关系即可建立换道持续时间预测模型，无需针对不同行驶工况下建立特定的模型。然而现有关于换道持续时间预测的数据驱动方法大多依靠换道过程中车辆某一时刻的状态信息，而未曾考虑状态信息在换道过程中的动态特征，同时也忽略各特征之间的空间关系，
技术实现思路
1、本专利技术解决了传统的公交专用道动态控制方法无法实现精确预测的问题，提出一种动态公交专用道的网联车辆强制换道持续时间预测方法，实现对实际工况下强制换道时长的精准预测，为动态公交道清空距离设定以及网联智能车辆协作换道提供决策参考。
2、为了实现上述目的，本专利技术采用以下的技术方案：一种动态公交专用道的网联车辆强制换道持续时间预测方法，包括以下步骤：
3、s1，采集公交专用道强制换道原始数据集，对原始数据集进行预处理以得到特征数据集；
4、s2，对特征数据集中包含的特征数据进行筛选，改进并构建生成cnn-bilstm-attention组合模型；
5、s3，对组合模型进行训练和调试，以得到最优的组合模型参数；根据训练完成的组合模型进行强制换道持续时间的预测。
6、本技术方案中，首先建立公交专用道强制换道原始数据集，随后对原始数据集进行预处理，在预处理的基础上对数据集包含的特征进行筛选；之后，对传统的bilstm网络进行结构优化，融合卷积神经网络和注意力机制；紧接着利用提取关键特征后的公交专用道强制换道数据集对模型进行训练，将训练完成的模型嵌入到公交专用道复用的动态清空系统中，通过调用网联公交车获取的专用道前方车辆及其周围环境数据，最终进行换道持续时间的预测，为动态清空框的设定提供依据。
7、本专利技术还进一步设置为：所述原始数据集的获取过程为：
8、s11，对公交专用道进行航拍，获取公交专用道上为避让公交车而强制换道车辆及其周围车辆行驶过程的完整视频数据；
9、s12，从完整视频数据中提取强制换道轨迹点数据，得到公交专用道强制换道数据以建立原始数据集。
10、本技术方案中，对于原始数据集的采集过程，其主要包括航拍得到视频数据的过程和对视频数据进行识别处理的过程；航拍的对象为包含公交专用道路段；视频数据识别和处理主要依靠于现有的视频识别软件来进行；在完成视频数据的航拍以及识别处理之后，整理即可得到相应的原始数据集。
11、本专利技术还进一步设置为：所述对原始数据集进行预处理，包括：
12、s101，对轨迹数据进行平滑处理；
13、s102，对平滑后的轨迹数据的横向位移坐标序列进行差分处理，得到目标车辆完整的换道轨迹和换道持续时间；
14、s103，根据换道持续时间和轨迹，剔除异常换道的数据；
15、s104，根据滑窗法提取目标车辆及其周围车辆特征在换道前1.2秒的时间序列，融合获得特征数据集。
16、本技术方案中，首先采用相应的算法对轨迹数据进行平滑处理，随后对平滑后的数据中的横向位移坐标序列进行差分处理，在提取相应的时间段数据后，得到目标车辆完成的换道轨迹和换道持续时间。
17、本专利技术还进一步设置为：所述改进并构建生成cnn-bilstm-attention组合模型，包括：
18、s201，在bilstm网络的隐含层中添加cnn层，通过cnn层中卷积核的卷积运算，最终提取输入序列中关键特征及其空间关系；
19、s202，将bilstm层的输出矩阵输入到注意力机制中，获得attention层的初始状态矩阵，最终得到attention层的输出向量。
20、本技术方案中，采用卷积神经网络进行高维特征提取、减少冗余信息以及捕获各特征间的空间关系，同时采用长短期记忆神经网络对cnn层输出的特征矩阵进行双向时间序列中所有值的关键历史长期和短期依赖关系提取，并采用注意力机制聚焦重要时刻的特征，提取对强制换道持续时间影响最关键状态信息；建立cnn-bilstm-attention组合模型预测车辆强制换道持续时间。
21、本专利技术还进一步设置为：所述对特征数据集中包含的特征数据进行筛选，包括：
22、s21，基于随机森林的特征选择算法，通过基尼指数对车辆行驶以及周围环境信息特征进行特征相对重要程度排序；
23、s22，将基尼指数大于0.0025的特征作为输入，对换道持续时间的影响小，相对重要程度较低的车道密度被剔除。
24、本技术方案中，特征数据集中包含换道车辆纵向横向行驶速度、纵向横向加速度、与车道线横向距离的行驶特征和与当前车道以及目标车道前后车的速度差、距离和车道交通密度的周围环境信息特征，为避免冗余或无关特征对预测精度的影响，需对特征进行筛选，采用上述步骤s21和步骤s22的过程来进行数据筛选和剔除。
25、本专利技术还进一步设置为：所述对组合模型进行训练和调试，包括：
26、总样本划分为训练集与测试集；基于tensorflow2.5深度学习框架搭建cnn-bilstm-attention模型；使用adam优化器作为训练的优化器，设置学习率，选择平均绝对误差作为训练损失函数，输入序列步长；模型选择平均绝对误差、均方根误差、有效率作为换道持续时间预测结果的评价指标，最终得到最优的模型参数。
27、本技术方案中，设置模型训练参数，以完成模型训练与调试，保存最优的模型参数。
28、本专利技术还进一步设置为：所述根据训练完成的组合模型进行强制换道持续时间的预测，包括：
29、将训练完成的组合模型嵌入到公交专用道复用的动态清空系统中，通过调用网联公交车获取的专用本文档来自技高网...
【技术保护点】
1.一种动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述原始数据集的获取过程为：
3.根据权利要求1或2所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述对原始数据集进行预处理，包括：
4.根据权利要求3所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述改进并构建生成CNN-BiLSTM-Attention组合模型，包括：
5.根据权利要求1或2或4所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述对特征数据集中包含的特征数据进行筛选，包括：
6.根据权利要求5所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述对组合模型进行训练和调试，包括：
7.根据权利要求1或6所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述根据训练完成的组合模型进行强制换道持续时间的预测，包括：
9.根据权利要求1或2或4所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述CNN-BiLSTM-Attention组合模型的隐含层不仅包括BiLSTM模块，还包括CNN模块和Attention模块，所述CNN模块进行高维特征提取、减少冗余信息以及捕获各特征间的空间关系，所述Attention模块为不同时刻的状态特征向量赋予权重，聚焦对换道持续时间影响最大的换道开始前最后时刻的特征向量。
10.根据权利要求2所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述完整视频数据中提取强制换道轨迹点数据的采样频率为25Hz。
...【技术特征摘要】
1.一种动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述原始数据集的获取过程为：
3.根据权利要求1或2所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述对原始数据集进行预处理，包括：
4.根据权利要求3所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述改进并构建生成cnn-bilstm-attention组合模型，包括：
5.根据权利要求1或2或4所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述对特征数据集中包含的特征数据进行筛选，包括：
6.根据权利要求5所述的动态公交专用道的网联车辆强制换道持续时间预测方法，其特征在于，所述对组合模型进行训练和调试，包括：
7.根据权利要求1或6所述的...
【专利技术属性】
技术研发人员：董红召，全程，杨嘉炜，吴苏丹，方勇，罗建宇，
申请(专利权)人：浙江工业大学，
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。