【技术实现步骤摘要】
本专利技术属于交通道路，具体是基于人工智能的交通道路拥堵预测方法及系统。
技术介绍
1、交通道路是指供各种车辆和行人等通行的基础设施，它是城市基础设施建设的有机组成部分。这些道路按照其在城市道路系统中的地位、作用、交通功能以及对沿线建筑物的服务功能等，随着车辆持有率的增加，道路拥堵的情况也越来越多，而随着道路拥堵导致通勤时间显著增加，进而减少了可用于工作（生产）的时间，给司机和地区造成经济损失。交通拥堵不仅影响了个人，还可能导致商业活动受阻，降低物流效率，从而对经济造成负面影响。因此，对于交通道路拥堵情况的预测显得尤为重要，它是城市交通管理中的重要环节，它有助于提前规划交通资源、制定应对策略，从而缓解交通压力，提高道路通行效率；
2、在现阶段中交通道路直行绿灯灭后，若行人未能及时通过人行横道，但是此时左转绿灯已亮，左转车辆左转后行进至人行横道时需避让行人后方可通行，进而导致左转车辆无法及时通行造成堵塞，而传统的预测方法仅能播放车道拥堵，却无法对此种情况下交通道路的拥堵预测进行准确判断；
3、为此，本专利技术提出基于人工智能的交通道路拥堵预测方法及系统。
技术实现思路
1、本专利技术的目的在于：提出基于人工智能的交通道路拥堵预测方法及系统，以解决上述
技术介绍
中提出的问题。
2、第一方面，为了实现上述目的，本专利技术采用了如下技术方案：
3、基于人工智能的交通道路拥堵预测方法，交通道路拥堵预测方法具体如下：
4、步骤s1，获取
5、步骤s2，对目标交通道路的历史交通数据进行分析，得到目标交通道路的历史拥堵值；
6、步骤s3，依据目标交通道路对应的历史交通数据构建目标交通道路对应左转车辆的左转速度模型；
7、步骤s4，获取目标交通道路的人行横道视频数据，并对人行横道视频数据进行分析，得到目标交通道路的综合行人拥堵值；
8、步骤s5，结合目标交通道路的历史拥堵值与综合行人拥堵值得到目标交通道路对应的道路拥堵等级。
9、进一步地，历史交通数据为目标道路在上一年中与当前时刻相同月份的道路日交通流量，以及目标交通道路在上一年中与当前时刻相同月份的历史车辆平均速度和历史平均车间距。
10、进一步地，所述步骤s2包括如下子步骤：
11、步骤s21，获取目标交通道路的历史交通数据，得到目标交通道路在上一年中与当前时刻相同月份的历史车辆平均速度lsd、历史平均车间距lcj以及道路日交通流量rll；
12、步骤s22，获取目标交通道路的道路最大通行量txl；
13、步骤s23，通过公式lsy=1/lsd+e/lcj+rll/txl计算得到目标交通道路的历史拥堵值lsy；式中e为自然常数。
14、进一步地，所述步骤s3包括如下子步骤：
15、步骤s31，获取目标交通道路对应左转车辆的在当天内执行左转操作时所对应的左转弧度值、左转车辆与道路边缘之间的横向距离以及左转车辆在转弯时的转弯半径；
16、步骤s32，构建左转车辆的左转速度模型，将左转车辆在转弯过程中对应速度最小的点定义为速度分界点；左转速度模型分成两个部分，减速部分js（t）和提速部分ts（t），减速部分与提速部分的边界为速度分界点；
17、当左转车辆从第三驶入道路向第四驶出道路行驶时，速度分界点为：
18、 （1）；
19、式（1）中a1、a2、a3以及a4为常数，t为时刻；
20、步骤s33，依据估计的最小速度计算减速部分js（t）；其中初始的最小速度xsdc由目标交通道路的左转弧度值zhd、左转车辆与道路边缘之间的横向距离hjl以及左转车辆在转弯时的转弯半径zwb计算得到；
21、xsdc=c1×zhd+c2×hjl+c3×zwb （2）；
22、式中，初始的最小速度为左转车道到达速度分界点的预估速度，c1、c2以及c3依据历史左转车辆在进行左转时的行驶情况进行最大似然估计计算得到。
23、进一步地，所述步骤s3还包括如下子步骤：
24、步骤s34，在左转车辆的实时车速变为最小时对js（t）和tmin进行估计，tmin为左转车辆到达速度分界点的时间，由速度分界点的约束条件中可得到如下方程：
25、 （3）；
26、 （4）；
27、式 （4）中ljc是指当前车辆位置到速度分界点的路径长度，a4等于当前时刻的速度，a3等于当前时刻的加速度；
28、步骤s35，结合式（1）、（3）、（4）求解得到tmin、a1和a2：
29、 （5）；
30、 （6）；
31、 （7）。
32、进一步地，人行横道视频数据为每次绿灯期间通过人行横道的多个行人对应的行人通行时长。
33、进一步地，所述步骤s4包括如下子步骤：
34、步骤s41，读取目标交通道路的人行横道视频数据，得到每次绿灯期间通过人行横道的多个行人对应的行人通行时长xtsn，其中n为多个行人的编号n=1,2，……，z，z为正整数；
35、步骤s42，将多个行人的行人通行时长相加求和取均值得到该次绿灯期间行人的行人平均通行时长xps；
36、步骤s43，通过公式计算该次绿灯期间行人对应的行人通行方差xfc，公式具体为：
37、；
38、步骤s44，通过行人平均通行时长加上行人通行方差得到通行时长阈值；
39、步骤s45，获取目标道路对应左转车辆的左转速度模型，得到左转车辆到达速度分界点对应的时刻tmin以及左转车辆开始左转的时刻t0，通过tmin-t0计算得到左转车辆的车辆通行时长；
40、步骤s46，将车辆通行时长与通行时长阈值进行比对；
41、若车辆通行时长小于通行时长阈值，则利用通行时长阈值减去车辆通行时长得到该次绿灯期间左转车辆的等待时长；
42、若车辆通行时长大于等于通行时长阈值，则利用通行时长阈值减去车辆通行时长得到该次绿灯期间左转车辆的等待时长为零；
43、步骤s47，同理计算人行横道视频数据对应多次绿灯期间左转车辆的等待时长，选取等待时长中的众数作为目标交通道路的综合行人拥堵值zxy。
44、进一步地，所述步骤s5包括如下子步骤：
45、步骤s51，获取目标交通道路对应的历史拥堵值lsy和综合行人拥堵值zxy；
46、步骤s52，通过公式计算目标交通道路的道路拥堵等级值dyd，计算公式具体为：
47、dyd=b1×lsy+b2×zxy；其中b1和b2为比例系数，0＜b2＜b1＜1；
48、步骤s53，将道路拥堵等级值与拥堵等级阈值进行比对，判定目标交通道路的道路拥堵等级记为第一道路拥堵等级、第二道路拥堵等本文档来自技高网...
【技术保护点】
1.基于人工智能的交通道路拥堵预测方法，其特征在于，交通道路拥堵预测方法具体如下：
2.根据权利要求1所述的基于人工智能的交通道路拥堵预测方法，其特征在于，历史交通数据为目标道路在上一年中与当前时刻相同月份的道路日交通流量，以及目标交通道路在上一年中与当前时刻相同月份的历史车辆平均速度和历史平均车间距。
3.根据权利要求2所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤S2包括如下子步骤：
4.根据权利要求1所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤S3包括如下子步骤：
5.根据权利要求4所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤S3还包括如下子步骤：
6.根据权利要求1所述的基于人工智能的交通道路拥堵预测方法，其特征在于，人行横道视频数据为每次绿灯期间通过人行横道的多个行人对应的行人通行时长。
7.根据权利要求6所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤S4包括如下子步骤：
8.根据权利要求1所述的基于人工智能的交通道路拥
9.根据权利要求8所述的基于人工智能的交通道路拥堵预测方法，其特征在于，第三道路拥堵等级对应目标交通道路发生道路拥堵的概率大于第二道路拥堵等级对应目标交通道路发生道路拥堵的概率，第二道路拥堵等级对应目标交通道路发生道路拥堵的概率大于第一道路拥堵等级对应目标交通道路发生道路拥堵的概率。
10.基于人工智能的交通道路拥堵预测系统，其特征在于，利用权利要求1-权利要求9任一项所述的基于人工智能的交通道路拥堵预测方法，系统包括：
...【技术特征摘要】
1.基于人工智能的交通道路拥堵预测方法，其特征在于，交通道路拥堵预测方法具体如下：
2.根据权利要求1所述的基于人工智能的交通道路拥堵预测方法，其特征在于，历史交通数据为目标道路在上一年中与当前时刻相同月份的道路日交通流量，以及目标交通道路在上一年中与当前时刻相同月份的历史车辆平均速度和历史平均车间距。
3.根据权利要求2所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤s2包括如下子步骤：
4.根据权利要求1所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤s3包括如下子步骤：
5.根据权利要求4所述的基于人工智能的交通道路拥堵预测方法，其特征在于，所述步骤s3还包括如下子步骤：
6.根据权利要求1所述的基于人工智能的交通道路拥堵预测方法，其特征在于，人...
【专利技术属性】
技术研发人员：胡淑梅，杨宏，董文杰，何欣，尹科才，熊秀芳，蒋近涛，郭鑫，
申请(专利权)人：南京奥看信息科技有限公司，
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。