[发明专利]基于稀疏数据的信号交叉口车辆排队长度预测方法

说明书

本发明公开一种基于稀疏数据的信号交叉口车辆排队长度预测方法，该方法首先获取信号交叉口车辆信息，利用建立的车辆跟驰模型补全车辆信息中缺失的普通车辆信息；根据排队条件提取车辆进入排队状态离散点并进行拟合得到车辆排队长度实时数据；利用建立的车辆排队长度预测模型预测不同时间跨度下的车辆排队长度。本发明解决了现有技术中存在的信号交叉口环境下车辆排队长度估算方法预测精度不高等问题。

技术领域

本发明属于交通大数据技术领域，涉及一种信号交叉口车辆排队预测的方法。

背景技术

信号交叉口作为城市动静态交通流转化的关键节点，如何能够实时预测信号交叉口车辆排队长度对于提升信号交叉口交通流通行效率至关重要。现有的信号交叉口排队长度预测方法大致分为以下两类：第一类利用架设在信号交叉口上方的视频采集设备获取视频数据进而估算并预测车辆排队长度，第二类利用断面检测器获取车辆瞬时速度等数据结合交通流相关理论建立车辆排队长度估算预测模型。上述两种方法在信号交叉口不处于交通高峰时期时表现较好，而当交通高峰时期来临交通流振荡剧烈时预测精度不高。此外，现有模型还存在着对数据质量要求高等特点，这进一步制约了现有模型的适用性。

发明内容

针对现有技术中的缺陷和不足，本发明提供了一种基于稀疏数据的信号交叉口车辆排队长度预测方法，是一种融合深度学习技术与交通流理论的车辆稀疏数据排队长度预测方法，解决了现有技术中存在的信号交叉口环境下车辆排队长度估算方法预测精度不高，数据要求质量高等问题。本发明以现有公开交通数据集(Next GenerationSimulation,NGSIM)为基础，提取包含车辆排队信息的关键因素，并搭建包含Attention机制的Seq2Seq模型预测信号交叉口车辆排队长度。

为达到上述目的，本发明采取如下的技术方案：

一种信号交叉口车辆跟驰模型的构建方法，包括以下步骤：

步骤a1，从公开交通数据集中筛选出信号交叉口区域所有车辆的车辆信息，按照设定的车辆跟驰数据标签从车辆信息中筛选出后车跟驰数据集和前车跟驰数据集作为车辆跟驰数据；所述车辆跟驰数据包括t时刻跟驰车辆速度、车头间距、速度差以及t+Δt时刻跟驰车辆加速度；

步骤a2，以双向LSTM深度学习框架为基础，构建数据驱动跟驰模型；

步骤a3，将步骤a1获取的车辆跟驰数据中的t时刻跟驰车辆速度、车头间距、速度差作为输入，t+Δt时刻跟驰车辆加速度作为输出，进行训练直至损失函数收敛，得到训练好的车辆跟驰模型；其中Δt为时间步长。

本发明还包括如下技术特征：

具体的，步骤a3中，数据驱动跟驰模型具体架构：沿着时间流动方向堆叠两层LSTM单元，与时间流动相反方向堆叠两层LSTM单元，每层LSTM单元个数为n，n表示时间点个数。

具体的，所述步骤a1具体包括：

a1.1车辆跟驰数据标签的值设定如下：v_Class＝2(表明车辆类型为小汽车)，Direction＝1(表明车辆行驶方向为由南向北)，Movement＝1(表明车辆行驶状态为直行)，Preceding≠0(表明目标车辆正在跟随前方车辆行驶)；

a1.2按照上述数据标签从公开交通数据集中进行数据筛选，得到数据集data1为车辆跟驰数据中后车跟驰数据集，再利用数据集data1中的两个数据标签Global_Time(表明数据的时间戳)和Preceding与公开交通数据集进行匹配得到车辆跟驰数据中前车跟驰数据集data2；

所述步骤a3中，跟驰车辆速度v(t)、车头间距s_h(t)为已知量，速度差v_d(t)为未知量，利用前车数据集data2中的车辆速度减去后车数据集datal中的车辆速度得到速度差。

一种基于稀疏数据的信号交叉口车辆排队长度预测模型的构建方法，包括以下步骤：