[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

说明书

本发明公开了一种基于深度残差网络模型的入口匝道联动控制方法，首先，收集交通流特征历史数据，预处理后进行数图转换；其次，输入图像数据，建立并训练交通流特征值的预测模型；第三，收集实时交通流特征数据，预处理后数图转换输入模型，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；第四，转换后的文本数据，利用训练好的预测模型对道路交通特征值进行短时预测，对汇入主线的车流量提前进行联动控制；最后，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。本发明控制方法，数据预处理后分别进行数图转换，数图转换可提取二维图像更多细节特征，降低模型训练和预测时间，提高预测精度与实时信息处理速度。

技术领域

本发明属于交通数据预测领域，涉及一种短时交通流特征数据预测与交通流状态划 分方法，基于深度残差网络模型进行数据预测，并利用预测数据进行入口匝道联动控制的方法。

背景技术

道路交通流特征数据主要包括车流量、车流速度、车流密度和车辆占有率。道路交通流特征数据预测能够预测下一时段数据并划分交通流状态，是进行交通管理和控制的必要前提。基于交通流预测的交通管理与控制不仅便于出行者制定更好的出行计划，还 有利于交通管理部门做出更好的管理决策。

在已有的道路交通流特征数据预测方法中，目前使用最广的是浅层模型和时序模型。 浅层模型不能较好的挖掘交通流数据中的信息，时序模型只考虑了交通流在时间上的特 征而忽略了空间上的影响。而深度残差网络不仅能够基于数据变化趋势图像提取时间上 的特征，还能提取空间上的特征，故本发明提出了一种基于深度残差网络的交通流特征数据预测方法，通过卷积提取交通流特征数据变化趋势图中的时空特征并进行非线性回归，最终实现道路交通流特征数据的预测，并基于预测数据进行交通管理与控制。

随着深度学习与人工智能技术的飞速发展，对道路交通流预测的准确度日益提高。 道路交通流预测可以辅助交通管理部门做出更为合理的交通管控策略，为车主响应交通 管控策略提供参考，缓解交通拥堵，减少交通资源的浪费。基于深度残差网络模型的道路交通流预测为智能交通系统提供了基础数据，并推动了智能交通系统的发展和应用。

发明目的

为了提高现有短时交通流特征数据预测与交通流状态划分方法精度的不足，同时解 决传统入口匝道控制方法不具有前馈机制与预测机制的短板，本发明提供一种基于深度 残差网络模型的短时交通流特征数据预测与入口匝道联动控制方法。

实现一种基于深度残差网络模型的入口匝道联动控制方法，主要包括以下步骤：

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2：输入图像数据，建立并训练基于深度残差网络交通流特征值的预测模型，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预测模型进行短时 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预测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。

步骤1具体包括如下步骤：

1.1历史数据收集