【技术实现步骤摘要】
本专利技术涉及交通状况预测的，尤其涉及一种基于实时交通流及车辆行为的道路状况预测方法及系统。
技术介绍
1、随着城市化进程的加速和汽车普及率的提高，道路交通拥堵成为了城市生活中的一大难题。交通拥堵不仅会增加驾驶时间，还会导致油耗增加、排放增加、交通事故率上升等问题，对城市的经济发展和居民生活产生不良影响。因此开展交通道路状况预测具有重要意义。传统的交通状况预测方法主要基于历史数据和统计模型，其预测精度受到多种因素的制约，例如季节性变化、突发事件等因素未能充分考虑，导致预测准确性不高。针对该问题，本专利技术提出一种基于实时交通流及车辆行为的道路状况预测方法，结合物联网技术、大数据分析技术和人工智能技术实现基于实时交通流及车辆行为的道路状况的精准预测，以帮助交通管理部门及时了解道路拥堵情况，优化交通信号灯控制、路况引导等措施，提高交通管理效率，缓解交通拥堵。
技术实现思路
1、有鉴于此，本专利技术提供一种基于实时交通流及车辆行为的道路状况预测方法及系统，目的在于：1)结合了车辆的位置、速度和加速度等多种行驶数据，采用基于近似核方法的支持向量机模型进行行为分析，以识别车辆的运行状态，有助于更准确地判别车辆的行为，提高了车辆行为分析的精度和效率；2)融合了时空轨迹和密度估计的方法，使得车流量分析更加全面和准确，能够更好地反映道路交通的实际情况；3)采用了基于自适应缩放点积注意力机制的方法，用于分析道路状况的时态演化，能够根据不同的输入情况自适应地调整权重，更好地捕捉到道路状况的时态变化特征
2、为实现上述目的，本专利技术提供的一种基于实时交通流及车辆行为的道路状况预测方法，包括以下步骤：
3、s1：实时采集车辆行驶数据，所述行驶数据包括车辆位置、速度和加速度信息，对采集到的车辆行驶数据进行行为分析判别车辆运行状态，其中基于近似核方法的svm模型为所述行为分析的实施方法；
4、s2：结合车辆行为分析的结果识别道路车辆的密度和流动性，统计道路车流量得到道路车流量分布情况，其中融合时空轨迹和密度估计的流量分析为所述统计道路车流量的实施方法；
5、s3：构建道路状况预测模型，所述模型以道路车流量分布时序信息为输入，以不同道路区域拥堵严重度预测结果为输出，其中基于自适应缩放点积注意力机制的时态演化分析为所述道路状况预测模型的实施方法；
6、s4：对构建的道路状况预测模型进行优化求解得到最优模型参数，并根据最优模型参数实例化模型进行道路状况预测，其中牛顿共轭梯度算法为所述优化求解的实施方法。
7、作为本专利技术的进一步改进方法：
8、可选地，所述s1步骤中对采集到的车辆行驶数据进行行为分析判别车辆运行状态，包括：
9、基于近似核方法的svm模型为所述判断车辆运动状态的实施方法，包括：
10、s11：对采集得的车辆行驶数据进行特征提取得到车辆行驶特征向量；
11、s12：根据车辆的实际运动状态，对采集的车辆行驶数据进行状态标签，所述状态标签包括：高速、中速、低速和静止；
12、s13：采用近似方法计算核函数的近似值，以减少计算复杂度，其中随机特征映射为近似核函数计算的主要实施方法，所述随机特征映射将车辆行驶特征向量x，随机特征映射到高维特征空间中得到高维随机特征向量，计算公式为：
13、
14、其中：
15、w表示随机矩阵；
16、b表示随机向量；
17、d表示映射后的高维随机特征向量维度；
18、x表示车辆行驶特征向量；
19、φ(x)表示高维随机特征向量；
20、s14：使用近似核函数计算的结果进行svm模型的训练，优化目标函数计算公式为：
21、
22、约束条件为：f(yi,(wtφ(xi)+m))≥1-ξi,ξi≥0
23、其中：
24、w表示svm模型的权重向量；
25、m表示模型偏置项；
26、c表示惩罚参数；
27、xi表示第i个车辆行驶特征向量；
28、φ(xi)表示第i个车辆行驶特征向量随机特征映射后的高维随机特征向量；
29、yi表示第i个车辆行驶特征向量的真实状态标签；
30、f表示一致性评估函数，用于评价识别结果与真实状态标签的一致性；
31、s15：利用训练好的模型实例进行运动状态判断得到车辆运动状态识别结果。
32、可选地，所述s2步骤中结合车辆行为分析的结果识别道路车辆的密度和流动性，统计道路车流量得到道路车流量分布情况，包括：
33、s21：按照预置窗口大小对道路进行切分得到不同的道路区域；
34、s22：根据每一道路区域内的车辆状态进行流动性判断，若道路区域内的车辆状态处于静止状态的数量超过指定阈值则说明当前道路区域存在拥堵；若道路区域内的车辆状态处于低速状态数量超过指定阈值且道路区域内的车辆总数超过指定阈值则说明当前道路区域存在拥堵；其他情况则说明当前道路区域不存在拥堵；
35、s23：根据识别得到的道路区域拥堵情况梯度统计道路车流量分布，若道路区域不存在拥堵则将该道路区域内的车辆密度作为当前道路区域的车流量，若道路区域存在拥堵则将该道路区域内的车辆加权密度作为当前道路区域的车流量，所述道路区域内的车辆密度计算公式为：
36、
37、其中：
38、n表示道路区域内的车辆数量；
39、a表示道路区域面积。
40、可选地，所述s3步骤中构建道路状况预测模型，所述模型以道路车流量分布时序信息为输入，以不同道路区域拥堵严重度预测结果为输出，包括：
41、构建道路状况预测模型，所述模型包括输入层、双向lstm层、注意力层、加权求和层和输出层，其中输入层接受不同道路区域的车流量时序数据作为输入；双向lstm层包括向前和向后两个方向的lstm单元，用于提取不同道路区域的车流量时序数据特征；注意力层计算不同道路区域的车流量时序数据中每个时间步的注意力权重；加权求和层将注意力权重应用于双向lstm层的输出并通过输出层进行道路区域拥堵严重程度预测。
42、所述双向lstm层通过对前向和后向lstm单元进行状态融合实现车流量时序数据特征提取，具体流程为：
43、s31：前向lstm单元特征提取，计算公式为：
44、
45、s32：后向lstm单元特征提取，计算公式为：
46、
47、s33：将前向lstm单元和后向lstm单元提取得到的特征进行融合得到车流量时序数据特征，计算公式为：
48、
49、其中：
50、和分本文档来自技高网...
【技术保护点】
1.一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述S1步骤中对采集到的车辆行驶数据进行行为分析判别车辆运行状态，包括：
3.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述S2步骤中结合车辆行为分析的结果识别道路车辆的密度和流动性，统计道路车流量得到道路车流量分布情况，包括：
4.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述S3步骤中构建道路状况预测模型，所述模型以道路车流量分布时序信息为输入，以不同道路区域拥堵严重度预测结果为输出，包括：
5.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述S3步骤中自适应缩放点积注意力机制，包括：
6.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述S4步骤中对构建的道路状况预测模型进行优化求解得到最优模型参数，包括：
8.一种基于实时交通流及车辆行为的道路状况预测系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述s1步骤中对采集到的车辆行驶数据进行行为分析判别车辆运行状态，包括：
3.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述s2步骤中结合车辆行为分析的结果识别道路车辆的密度和流动性，统计道路车流量得到道路车流量分布情况，包括：
4.如权利要求1所述的一种基于实时交通流及车辆行为的道路状况预测方法，其特征在于，所述s3步骤中构建道路状况预测模型，所述模型以道路车流量分...
【专利技术属性】
技术研发人员：钟福祥，应昶，杨云，吴涛涛，金泽民，胡陈炯，
申请(专利权)人：浙江交投高速公路运营管理有限公司，
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。