[发明专利]一种基于深度残差网络模型的入口匝道联动控制方法

权利要求书

1.一种基于深度残差网络模型的入口匝道联动控制方法，其特征在于，包括如下步骤：

步骤1：收集交通流特征历史数据，数据预处理后进行数图转换，将数据转换为以时间为序列的二维图像；

步骤1 具体包括如下步骤：

1.1历史数据收集;

通过无人机拍摄视频与车辆检测器两种方法收集历史车流量数据，无人机拍摄视频可以收集路段车流量数据与路段车流状态变化情况；车辆检测器通过检测与处理可收集路段各车道的交通流特征值；

定义交通流特征值为车流量、平均车流速度、车流密度和车辆占有率，交通流特征值可通过直接收集或间接计算得到，车辆占有率采用时间占有率为指标，计算公式如下：

;

为每个控制周期的时间长度；第辆车通过断面所占时间，单位为秒；为测定时间内通过断面的车辆数；

1.2数据预处理;

数图转换前须对采集到的数据进行预处理，包括异常数据识别、异常数据修复与数据去噪与归一化；

1.2.1异常数据识别;

采集的交通流异常数据主要包括三种情况：

交通流量、速度和占有率数据超出了合理的阈值范围；

交通流量、速度和占有率数据之间的关系不符合交通流理论；

交通流量、速度和占有率数据存在缺失；

针对以上情况的交通流数据，可直接删除或进行数据修复；

1.2.2异常数据修复;

交通流异常特征数据主要包括数据错误和数据缺失两种情况，对于识别出的数据异常值，直接将其删除；针对缺失数据，采用K最近距离邻法进行数据补齐，先根据欧式距离或相关分析来确定距离具有缺失数据样本最近的K个样本，再将这K个样本的权重值加权平均来估计该样本的缺失数据；

1.2.3数据去噪;

去噪采用一次指数平滑算法，计算公式如下：

;

式中，和分别为时刻的平滑数据和实际数据，为平滑指数，取0.1；

1.2.4数据归一化;

采用Logistic/Softmax变换方法，将所有待处理数据转化到[0,1]区间内；

1.3数图转换;

将经过预处理的交通流数据以时间为序列进行二维图像转换，得到不同道路状态条件下实时时间-交通流特征数据变化趋势图，处理完毕的数据以图片形式进行保存经后续处理作为深度残差网络模型的训练与测试；

步骤2：输入图像数据，建立并训练基于深度残差网络模型的预测模型，设置超参数与网络层级，经过前向传播与反向传播进行参数调优，完成模型训练，并深度学习历史交通流特征值变化趋势；

步骤2具体包括如下步骤：

2.1 数据输入与初始化;

基于TensorFlow进行图像样本数据输入，进行特征集选取、不同类型的样本选取、样本矢量图与特征图转换、TFRecords样本数据集生成、数据集输入；

读取TFRecords格式的训练样本，根据样本标签采用一位有效编码One-Hot方式将数据进行编码；

2.2 超参数设置;

深度残差网络模型训练前需进行超参数设置，主要设置参数包括批量训练大小，学习率，权值衰减率，优化器选择；

学习率设置在合适的范围有利于模型梯度下降到最优值，首先设置一个较大的初始学习率设置，随着模型迭代次数的增加，逐渐调整至最小学习率，以获得较快的训练速度和模型精度；采用权值衰减率即设置L₂正则化项参数，调整模型复杂度对损失函数的影响，防止模型过拟合；选择Momentum优化器，基于梯度的移动指数加权平均，提高损失函数收敛速度；

2.3 网络模型层级设置;

网络模型第一层为卷积层，负责提取低层级特征；

第二层为最大池化层，降低估计均值偏移，保留图片纹理信息；

3-6层为卷积层，负责提取高层级特征；

第七层为平均池化层，计算卷积层提取的特征并输入至全连接层；

全连接层负责分类概率的输出；

2.4 前向传播;

前向传播训练过程中，应先设置期望学习目标函数，函数设置为：

;

其中为输入特征值，为模型预测结果概率，和为模型训练得到的参数；

通过多个卷积层的特征稀疏提取，利用均值池化操作对提取的稀疏卷积特征进行计算，输入的每批次样本图像被转换为稀疏特征，进入全连接层，经过logits计算，得到该批次样本数据对于每种类型的［批量训练大小×分类数目］分类概率矩阵；

softmax操作保证了所有输出均为正值，将矩阵所有行数值拉伸至[0,1]区间，且任意行概率相加等于1，softmax操作拉伸过的矩阵，每行的最大值为输出概率最大的值，即为本次训练的预测结果；

2.5 反向传播及参数调优;

深度残差模型训练过程中，卷积层对每一批次样本数据提取逐层计算稀疏特征并记录相应参数值，从最底层提取的稀疏特征，输入至logits层，计算样本分类值；

每次训练的损失函数计算为样本真实类型与模型预测结果的交叉熵，每批次样本的训练损失函数计算如下式:

;

式中，为样本属于类别的概率，为样本属于类别的模型预测概率；

通过对比真实与模型预测和识别分类结果，计算得出模型损失函数，模型拟合误差反向传播；

输入训练集数据，进行参数调优，选择基于梯度的移动指数加权平均的Momentum优化器，对网络参数进行平滑处理；

设当前的迭代步骤为，基于Momentum优化算法计算公式如下：

;

;

;

;

以上公式中，W、b是网络权重向量和偏置向量的更新公式，α是网络的学习率，

dw为网络权重向量更新公式中损失函数反向传播时候所求得的梯度，db为偏置向量更新公式中损失函数反向传播时候所求得的梯度，为网络权重向量更新公式中损失函数在前t-1轮迭代过程中累积的梯度动量，为偏置向量更新公式中损失函数在前t-1轮迭代过程中累积的梯度动量，是梯度累积的一个指数值，设为0.9；

参数调优完毕后，进行模型训练的最后一步，输入验证集数据，测试模型性能，手动微调超参数数值；

步骤3：收集实时交通流特征数据，将经过预处理的数据进行数图转换，将数据转换为以时间为序列的二维图像；转换后将图像数据输入训练好的深度残差网络模型进行短时预测，输出短时变化趋势预测图，并利用图数转换将预测趋势图转为文本数据；

步骤4：转换后的文本数据，利用训练好的深度残差网络模型对道路交通特征值进行短时预测，将预测数据和识别的车流状态输入至入口匝道控制ALINEA算法中，计算下一控制周期车辆占有率与最大排队车辆数，对汇入主线的车流量提前进行联动控制；

步骤5：使用VB+VISSIM程序进行ALINEA算法的仿真评价与分析，并发布路况信息。