[发明专利]道路交通态势识别方法、系统和存储介质

权利要求书

1.一种道路交通态势识别方法，其特征在于，包括以下步骤：

获取当前路段上若干个群体的道路交通信息，所述若干个群体包括机动车群体、非机动车群体和行人群体，所述道路交通信息包括机动车群体密度机动车群体速度机动车群体加速度非机动车群体密度非机动车群体速度非机动车群体加速度行人群体密度行人群体速度和行人群体加速度

根据所述道路交通信息构建所述若干个群体的波动方程；

对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹；

采用循环神经网络建立所述路态波纹变化情况与交通态势变化情况的对应关系；

根据所述对应关系确定所述当前路段的交通态势；

其中，所述根据所述道路交通信息构建所述若干个群体的波动方程，包括：

构建下式的机动车群体M的三维波动方程：

为机动车群体M的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；为在x方向的分量；为在y方向的分量；为在z方向的分量；α_M是一个常数，其为机动车群体对应波动方程的波传播速率，由机动车群体密度机动车群体速度机动车群体加速度共同决定；f_M(x,y,z,t)为机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数；

构建下式的非机动车群体N的三维波动方程：

为非机动车群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；为在x方向的分量；为在y方向的分量；为在z方向的分量；α_N是一个常数，其为非机动车群体对应波动方程的波传播速率，由非机动车群体密度非机动车群体速度非机动车群体加速度共同决定；f_N(x,y,z,t)为非机动车群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数；

构建下式的行人群体P的三维波动方程：

为行人群体N的三维波动值；x、y和z分别代表了纵向、横向和垂向三个方向；为在x方向的分量；为在y方向的分量；为在z方向的分量；α_P是一个常数，其为行人群体对应波动方程的波传播速率，由行人群体密度行人群体速度和行人群体加速度共同决定；f_P(x,y,z,t)为行人群体的波动方程的修正因子，该因子可以看成是一个由x、y、z和t组成的函数。

2.根据权利要求1所述的一种道路交通态势识别方法，其特征在于，所述道路交通信息通过设置于路侧杆件上的摄像头、激光雷达和毫米波雷达实时采集。

3.根据权利要求1所述的一种道路交通态势识别方法，其特征在于，所述对所述若干个群体的波动方程对应的波纹进行叠加，得到当前路段的路态波纹，其具体为：

根据波的叠加原理，在相遇区域内，对机动车群体的波动方程、非机动车群体的波动方程和行人群体的波动方程进行求和，将求和结果作为当前路段的路态波纹。

4.根据权利要求1所述的一种道路交通态势识别方法，其特征在于，在执行所述根据所述对应关系确定所述当前路段的交通态势这一步骤之前，还包括以下步骤：

获取循环神经网络的训练集；

构建循环神经网络模型；

对循环神经网络模型初始化；

对初始化后的循环神经网络模型分别进行正向传播训练和反向传播训练；

反复迭代；

当循环神经网络模型的预测值与真实值的平均误差小于预设值，训练结束。

5.根据权利要求4所述的一种道路交通态势识别方法，其特征在于，所述正向传播训练过程，其具体包括：

将所述训练集输入所述循环神经网络模型，输出预测值；

根据预测值调整所述循环神经网络模型的参数。

6.根据权利要求4所述的一种道路交通态势识别方法，其特征在于，所述反向传播训练过程，其具体包括：

将循环神经网络模型的损失函数作为优化目标，将循环神经网络模型的参数权重矩阵和偏置矩阵作为优化对象；

根据预测值与真实值的差值，采用梯度下降法对循环神经网络模型的参数进行优化。