CN105679031B - 快速路养护施工区主动预警方法 - Google Patents
快速路养护施工区主动预警方法 Download PDFInfo
- Publication number
- CN105679031B CN105679031B CN201610152970.2A CN201610152970A CN105679031B CN 105679031 B CN105679031 B CN 105679031B CN 201610152970 A CN201610152970 A CN 201610152970A CN 105679031 B CN105679031 B CN 105679031B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- msup
- construction area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种快速路养护施工区主动预警方法，具体包括以下步骤：步骤S1：采集快速路养护施工路段的各项基础数据；步骤S2：用 K 均值聚类算法选取原型样本；步骤S3：对原型样本进行预处理并求解伴随向量；步骤S4：对输入数据进行预处理，得到初始输入向量与交通状态判别结果；步骤S5：基于协同神经网络得出的交通状态判别结果，融合天气与静态数据设计预警判别模糊分类器；步骤S6：将新一周期采集的数据实时判别之后不断融入历史数据，利用协同神经网络不断地对交通状态判别模型的参数进行实时调整。本发明综合考虑了影响快速路养护施工区周围安全的因素，对快速路养护施工区的安全状况进行实时判别预警，具有很强的实用性，应用前景十分广阔。
Description
技术领域
本发明涉及交通安全预警技术领域，具体涉及一种快速路养护施工区主动预警方法。
背景技术
预警是指在危险发生之前，提前发出警示信号，从而规避危险的发生或者最大程度的减少危险造成的损失。快速路养护施工区的预警方法可以分为被动预警法和主动预警法。被动预警法通常由一些静态的安全警示标志等设施所构成。本方法的基本步骤是：首先，根据快速路养护施工区周围的特点，以及相关区域一段时间内的平均交通特征，然后，依据交通专家的经验及相关规范，制定施工过程中相对时间内不变的预警方案，最后，设置安全标志警示牌等静态设施。
被动预警法容易实现，系统设置便捷，而且设施安装价格较低廉，已广泛应用于快速路养护施工区的预警过程中，但被动预警也存在很多问题，当环境及交通参数等变化较大，如遇到不利天气的影响，一成不变的安全警示标志将不能起到应有的预警作用，特别是被动预警法不能实时动态的反应一些环境变化，不能有效警示相关人员防范已存在的安全隐患，安全警示标志的预警作用将大打折扣。
主动预警法是应用先进的智能技术等而发展而成的方法，它能及时检测环境的变化，其特点是能够实时动态告知快速路养护施工区周围的相关人员可能出现的危险，更有可能减少不必要的损失。显然，养护施工区周围的环境变化是大概率事件，专家很难准确预测整个养护施工过程的各种情况，被动预警法已不能及时解决环境变化所带来的危险，未来必将被主动预警方法所取代。因此本申请的方法属于主动预警方法之一。
城市快速路承担了城市交通的很大任务，车流量与平均车速等也比一般城市道路要高出很多，城市快速路养护施工区与一般施工区也有不同。城市快速路改扩建项目以及维修养护项目往往需要占用有限的道路空间，对快速路的通行能力影响较大，快速路养护施工区已成为城市道路的交通瓶颈路段，常常导致交通拥挤和交通事故的发生。另外，快速路养护施工区还存在一些不规范作业，致使城市快速路养护施工区的交通管制更加混乱，快速路养护施工区周围已成为交通事故多发区域，快速路上的车辆由高速自由流向低速阻滞流转换的过程就存在潜在的较大安全隐患。
由于城市快速路养护施工区周围车辆通行环境复杂，施工区附近的车速变化较大，影响施工区安全的因素更是繁多，故其安全预警方法与一般路段也存在一定不同。现常用的静态警示标志等预警方法没有考虑施工区的特殊性和实时变化的各种因素，预警效果较差，整体性价比较低。另外，养护施工区预警方法的作用不仅要保障汽车驾驶人员和施工人员等的人身安全，还要保证养护施工区周围的交通流正常安全通行。
发明内容
有鉴于此，本发明的目的是提供一种快速路养护施工区主动预警方法，结合了城市快速路养护施工区的自身特性，结合实时变化的影响施工区安全的各种因素，对相关区域的交通情况进行分析判断，同时对预警方法中的相关参数进行动态调整，得出预警结果之后及时发布预警信息，实现快速路养护施工区安全状况的主动预警。
本发明采用以下方案实现：一种快速路养护施工区主动预警方法，具体包括以下步骤：
步骤S1：采集快速路养护施工路段的各项基础数据，将其分为交通流数据集、天气数据集和静态数据集；
步骤S2：用K均值聚类算法选取原型样本，输入样本数据和聚类个数，交通状态分为三类，包括拥堵、拥挤以及畅通，则聚类个数为3，通过不断迭代求取聚类中心；
步骤S3：对原型样本进行预处理并求解伴随向量：将原型样本转化成一维向量，进行零均值和均一化处理，组成原型矩阵，进而求取伴随向量；
步骤S4：对输入数据进行预处理，得到初始输入向量与交通状态判别结果；
步骤S5：基于协同神经网络得出的交通状态判别结果，融合天气与静态数据设计预警判别模糊分类器；
步骤S6：将新一周期采集的数据实时判别之后不断融入历史数据，利用协同神经网络不断地对交通状态判别模型的参数进行实时调整。
进一步地，所述步骤S1中，所述静态数据集中的静态信息为养护施工区的客观环境信息，包括施工区封闭形式、封闭车道数、路面状况以及安全设施；所述交通信息集中的交通流信息包括交通量与平均车速，采用视频检测器对交通信息进行采集；所述天气数据集中的天气信息为施工区的雨量，采用雨量检测器进行采集。
进一步地，所述步骤S2中，通过计算实际样本和聚类中心的空间矢量的欧氏距离求取最小距离的实际样本，作为所述原型样本。
进一步地，所述步骤S3具体为：
所述原型样本的一维向量形式为
vk＝(vk1,vk2,…,vkn)T (1)
进行零均值和归一化后，原型矩阵为
v＝(v1,v2,…,vm)T(m≤n) (2)
求解伴随向量为
式中，vk为原型向量，vk ＋为原型向量的正交伴随向量；
根据协同学的基本理论，模式识别的动力学公式表示为
式中，λk为注意参数，Bkk'、C为常量参数，F为涨落力，q为待识别模式向量；
引入序参量重新描述上述方程以减少维数，则系统的序参量ξk描述为q在最小二乘意义下vk上的投影：
有
则公式写成
ξk满足初始化条件：
协同神经网络的竞争与演化过程是对一个序参量进行迭代的过程，公式(7)可变为：
进一步地，所述步骤S4具体为：设置参数λk、Bkk'、C，利用公式(8)求解参序量的初始值ξk(0)，进而用公式(9)进行序参量的迭代，直到任意一个序参量分量为一个正数，其他的序参量分量为0时，停止迭代，则所识别出的模式即为取得“胜利”序参量，即为交通状态判别的结果。
进一步地，所述步骤S5在交通状态判别的基础上，结合天气信息与静态信息，采用模糊分类算法建立养护施工区预警判别模型，发布预警信息，具体包括以下步骤：
步骤S51：模糊输入变量包括路面状况a、雨量b以及交通状态c，它们的模糊子集按照如下方式划分：
a＝{很差，中等，很好}
b＝{大雨，小雨，无雨}
c＝{拥堵，拥挤，畅通}
步骤S52：输出变量为预警信息，其模糊子集为
d＝{红灯，黄灯，绿灯}
制定模糊规则R的基本形式为：if a and b and c then d；
步骤S53：基于模糊规则和隶属度函数，将输入量模糊化之后根据模糊规则得出预警信息，并将预警信息发布驾驶员及相关人员。
现有预警技术没有考虑施工区周围实时变化的外界因素，忽略了城市快速路养护施工区的特殊性质，也忽视了影响养护施工区通行效率的多种因素。快速路养护施工区的交通安全预警作用不仅在于保障相关人员的安全，还在于保证施工区的交通流正常安全通行。本发明提出一种快速路养护施工区的主动预警方法，将动态因素和静态因素综合考虑，动态调整预警模型参数，达到养护施工区周围交通状态的自适应判别和交通安全预警判别的目的，将预警结果通过可变信息标志发布给快速路养护施工区周围的驾驶员及相关人员，相关人员可根据实时发布的信息调整自身车辆的运行状态，促进了快速路养护施工区周围信息流的双向互动传递，提高了预警准确性。
与现有技术相比，本发明提出的预警方法主要针对快速路养护施工区周围的交通流状态进行自适应判别，综合考虑施工区各项因素，实施实时动态交通安全预警。预警方法可根据大量实时动态信息对养护施工区的交通状态判别模型的相关参数进行调整，使预警结果最优。本发明所提出的预警方法综合考虑了影响快速路养护施工区周围安全的因素，对快速路养护施工区的安全状况进行实时判别预警，具有很强的实用性，应用前景十分广阔。
附图说明
图1为本发明的快速路养护施工区预警方法流程图。
图2为本发明技术框架图；
图3为本发明的信息采集体系示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
本实施提供一种快速路养护施工区主动预警方法，基本思路为：整理各项基础数据，建立基于神经网络的交通状态判别模型，对实时的交通流数据进行分类判别。在得出快速路养护施工区周围交通状态的基础上，融合天气和静态数据等建立基于模糊算法的快速路养护施工区安全预警判别模型，最后得出预警结果。主要分为两大主要过程，第一是交通状态判别的神经网络建立过程，第二是预警判别的模糊分类器设计过程。由于城市快速路养护施工区周围车辆通行环境复杂，影响施工区周围交通安全的因素更是繁多，故其交通安全预警方法与一般路段也应存在较大不同，因此综合选取影响快速路养护施工区安全的因素，提出养护施工区的预警方法，技术框架如图1所示。如图2所示，该方法具体包括以下步骤：
步骤S1：采集快速路养护施工路段的各项基础数据，将其分为交通流数据集、天气数据集和静态数据集；
步骤S2：用K均值聚类算法选取原型样本，输入样本数据和聚类个数，交通状态分为三类，包括拥堵、拥挤以及畅通，则聚类个数为3，通过不断迭代求取聚类中心；
步骤S3：对原型样本进行预处理并求解伴随向量：将原型样本转化成一维向量，进行零均值和均一化处理，组成原型矩阵，进而求取伴随向量；
步骤S4：对输入数据进行预处理，得到初始输入向量与交通状态判别结果；
步骤S5：基于协同神经网络得出的交通状态判别结果，融合天气与静态数据设计预警判别模糊分类器；
步骤S6：将新一周期采集的数据实时判别之后不断融入历史数据，利用协同神经网络不断地对交通状态判别模型的参数进行实时调整。
在本实施例中，信息采集在养护施工区预警中占有重要位置，实时准确的信息是预警是否准确和高效的前提。本预警方法的采集数据分为静态信息和动态信息两部分。静态信息一般是稳定的数据，一次性采集后一般保持长时间不变，不需要实时采集，只有当实际情况发生变化时才需要对静态信息重新采集输入。动态信息是施工区实时变化的信息，包括交通流信息和天气信息。所述步骤S1中，所述静态数据集中的静态信息为养护施工区的客观环境信息，包括施工区封闭形式、封闭车道数、路面状况以及安全设施；所述交通信息集中的交通流信息包括交通量与平均车速，采用视频检测器对交通信息进行采集；所述天气数据集中的天气信息为施工区的雨量，采用雨量检测器进行采集。同时，整理交通流数据，将历史数据用作神经网络训练的数据，而实时采集的数据作为预测的数据，信息采集体系如图3所示。
在本实施例中，协同神经网络的学习过程主要包括原型样本的选取和伴随向量的计算，伴随向量是在原型样本的基础上计算得到，原型样本的选取对整个神经网络的识别能力以及效率至关重要。所述步骤S2中，为了获得实际的样本信息，通过计算实际样本和聚类中心的空间矢量的欧氏距离求取最小距离的实际样本，作为所述原型样本。
在本实施例中，所述步骤S3具体为：
所述原型样本的一维向量形式为
vk＝(vk1,vk2,…,vkn)T (1)
进行零均值和归一化后，原型矩阵为
v＝(v1,v2,…,vm)T(m≤n) (2)
求解伴随向量为
式中，vk为原型向量，vk ＋为原型向量的正交伴随向量；
根据协同学的基本理论，模式识别的动力学公式表示为
式中，λk为注意参数，Bkk'、C为常量参数，F为涨落力，q为待识别模式向量；
引入序参量重新描述上述方程以减少维数，则系统的序参量ξk描述为q在最小二乘意义下vk上的投影：
有
则公式写成
ξk满足初始化条件：
协同神经网络的竞争与演化过程是对一个序参量进行迭代的过程，公式(7)可变为：
在本实施例中，所述步骤S4具体为：设置参数λk、Bkk'、C，利用公式(8)求解参序量的初始值ξk(0)，进而用公式(9)进行序参量的迭代，直到任意一个序参量分量为一个正数，其他的序参量分量为0时，停止迭代，则所识别出的模式即为取得“胜利”序参量，即为交通状态判别的结果。
在本实施例中，所述步骤S5在交通状态判别的基础上，结合天气信息与静态信息，采用模糊分类算法建立养护施工区预警判别模型，发布预警信息，具体包括以下步骤：
步骤S51：模糊输入变量包括路面状况a、雨量b以及交通状态c，它们的模糊子集按照如下方式划分：
a＝{很差，中等，很好}
b＝{大雨，小雨，无雨}
c＝{拥堵，拥挤，畅通}
步骤S52：输出变量为预警信息，其模糊子集为
d＝{红灯，黄灯，绿灯}
制定模糊规则R的基本形式为：if a and b and c then d；
步骤S53：基于模糊规则和隶属度函数，将输入量模糊化之后根据模糊规则得出预警信息，并将预警信息发布驾驶员及相关人员。
在本实施例中，采用模糊分类方法是由于安全预警状态本身存在着一定的模糊性，静态预警方法根据一些精确参数进行预警存在很大的不足及缺陷。模糊分类是基于模糊集合论的一种智能分类方法，其原理是通过样本统计对各个类的隶属度进行调整，实现样本与样本之间的联系,建立样本对不同类别的不确定性描述，可对类间有交叉的数据集作有效聚类,此方法无需建立精确的数学模型，只需通过大量统计分类逐渐接近理想的预警分类。模糊分类模仿人脑的模糊决策和推理的功能特点，将专家的判断经验总结为若干模糊规则，进而形成模糊分类器。这对一些无法用精确数学模型描述的复杂非线性系统来说具有很大的优越性，且构造简单，鲁棒性好。模糊分类通过若干个类似于“IF…，THEN…”的模糊推理语句组成的模糊规则。
模糊分类器通常由模糊输入量、模糊规则和模糊输出量三个部分组成。模糊输入量即将输入量用模糊语言描述，用某个论域的模糊子集表示。模糊规则即是通过专家或有经验的人员制定出一系列原则。在模糊规则的基础上，进行一定的模糊推理，得出模糊的结果，即模糊分类器的输出量。可见，模糊分类器是根据长期积累的实践经验以及大量样本等统计数据，通过模仿人类的思维模式，以实现对预警信息的更好分类。
在本实施例中，预警方法由交通状态判别和安全预警判别两个步骤组成，首先，采用神经网络方法对交通状态进行粗分类，同时，利用神经网络的自学习功能对交通状态判别模型的参数进行自适应调整，不断达到预警更准确的目的，进一步解决被动预警方法不能及时响应环境变化的不足，然后，再结合养护施工区周围的一些静态信息及参数，以及安全预警状态本身存在着一定的模糊性，将采用模糊聚类法对施工区周围的安全预警状态进行细分类，最后，把得到预警结果发布给周围的驾驶员及相关人员等。
由于预警信息划分等级越多对驾驶员的干扰越大，而划分等级太少将达不到警示的效果。本发明将安全警示等级分为三级：Ⅰ级红色预警(危险)、Ⅱ级黄色预警(一般)和Ⅲ级绿色预警(安全)。
(1)危险(Ⅰ级)，对应等级颜色为红色。快速路养护施工区周围的安全状态较差，交通事故发生的概率较大，此时驾驶员需要特别重视小心驾驶，交通管理者需要采取应对措施。
(2)一般(Ⅱ级)，对应等级颜色为黄色。快速路养护施工区周围的安全状态属于中级水平，道路上有可能发生交通事故，此时驾驶员需要谨慎驾驶，交通管理者需要做好采取相应准备的措施。
(3)安全(Ⅲ级)，对应等级颜色为绿色。快速路养护施工区的安全程度很高，不太可能发生交通事故，驾驶员和交通管理者不需要特别关注，可以不采取相应措施。
在本实施例中，特别地，所述步骤S5和S6中，采用的协同神经网络是基于协同学理论的模式识别新方法，SNN有着一般神经网络不具备的优点。首先，其没有伪状态，网络构造方向从上至下，能够保证高效且准确的识别；其次，其联想记忆能力强，学习速度快，协同模式识别过程中，其依据是原型模式，可忽略特征提取和选择，这种方式更符合人脑识别模式，称为模仿对比方式。协同模式识别对于较难确定特征的识别问题具有很强的适用性和优越性。
协同神经网络分为匹配子网和竞争子网两层。匹配子网是以一种合理的方式定义输入模式和原型的相似度网络，其主要功能是求取序参量。匹配子网可分为学习过程(即通过原型向量求解伴随向量的过程)和序参量形成过程(即计算原形样本和输入模式之间的相似度的过程)两部分。匹配子网是协同神经网络的基层，是模式识别是否准确的关键。竞争子网主要工作是通过动力学演化方程使序参量进行相互竞争，相似度最大的序参量将获胜，其他序参量被抑制。根据协同理论的基本思想，协同模式识别过程可以认为是若干序参量竞争的过程。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (5)
1.一种快速路养护施工区主动预警方法，其特征在于：具体包括以下步骤：
步骤S1：采集快速路养护施工路段的各项基础数据，将其分为交通流数据集、天气数据集和静态数据集；
步骤S2：用K均值聚类算法选取原型样本，输入样本数据和聚类个数，交通状态分为三类，包括拥堵、拥挤以及畅通，则聚类个数为3，通过不断迭代求取聚类中心；
步骤S3：对原型样本进行预处理并求解伴随向量：将原型样本转化成一维向量，进行零均值和均一化处理，组成原型矩阵，进而求取伴随向量；
步骤S4：对输入样本数据进行预处理，得到初始输入向量与交通状态判别结果；
步骤S5：基于协同神经网络得出的交通状态判别结果，融合天气与静态数据设计预警判别模糊分类器；
步骤S6：将新一周期采集的数据实时判别之后不断融入历史数据，利用协同神经网络不断地对交通状态判别模型的参数进行实时调整。
2.根据权利要求1所述的一种快速路养护施工区主动预警方法，其特征在于：所述步骤S1中，所述静态数据集中的静态信息为养护施工区的客观环境信息，包括施工区封闭形式、封闭车道数、路面状况以及安全设施；所述交通流数据集中的交通流信息包括交通量与平均车速，采用视频检测器对交通流信息进行采集；所述天气数据集中的天气信息为施工区的雨量，采用雨量检测器进行采集。
3.根据权利要求1所述的一种快速路养护施工区主动预警方法，其特征在于：所述步骤S2中，通过计算实际样本和聚类中心的空间矢量的欧氏距离求取最小距离的实际样本，作为所述原型样本。
4.根据权利要求1所述的一种快速路养护施工区主动预警方法，其特征在于：所述步骤S3具体为：
所述原型样本的一维向量形式为
vk＝(vk1,vk2,…,vkn)T (1)
进行零均值和归一化后，原型矩阵为
v＝(v1,v2,…,vm)T(m≤n) (2)
求解伴随向量为
<mrow>
<msup>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mn>1</mn>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mn>2</mn>
<mo>+</mo>
</msubsup>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mi>m</mi>
<mo>+</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，vk为原型向量，vk +为原型向量的正交伴随向量；
根据协同学的基本理论，模式识别的动力学公式表示为
<mrow>
<mi>q</mi>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mo>+</mo>
</msubsup>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>&NotEqual;</mo>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</munder>
<msub>
<mi>B</mi>
<mrow>
<msup>
<mi>kk</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
</msubsup>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mo>+</mo>
</msubsup>
<mi>q</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>q</mi>
<mo>+</mo>
</msup>
<mi>q</mi>
<mo>)</mo>
</mrow>
<mi>q</mi>
<mo>+</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，λk为注意参数，Bkk'、C为常量参数，F为涨落力，q为待识别模式向量；
引入序参量重新描述上述方程以减少维数，则系统的序参量ξk描述为q在最小二乘意义下vk上的投影：
<mrow>
<mi>q</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>v</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<mi>&omega;</mi>
<mo>,</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mo>+</mo>
</msubsup>
<mi>&omega;</mi>
<mo>=</mo>
<mn>0</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
有
<mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mo>+</mo>
</msubsup>
<mi>q</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
则公式写成
<mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<munder>
<mo>&Sigma;</mo>
<mrow>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</munder>
<msub>
<mi>B</mi>
<mrow>
<msup>
<mi>kk</mi>
<mo>&prime;</mo>
</msup>
</mrow>
</msub>
<msubsup>
<mi>&xi;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mn>2</mn>
</msubsup>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>C</mi>
<mrow>
<mo>(</mo>
<munder>
<mo>&Sigma;</mo>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
</munder>
<msubsup>
<mi>&xi;</mi>
<msup>
<mi>k</mi>
<mo>&prime;</mo>
</msup>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
ξk满足初始化条件：
<mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>v</mi>
<mi>k</mi>
<mo>+</mo>
</msubsup>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
协同神经网络的竞争与演化过程是对一个序参量进行迭代的过程，公式(7)可变为：
<mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&gamma;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&lambda;</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>D</mi>
<mo>+</mo>
<msubsup>
<mi>B&xi;</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<msub>
<mi>&xi;</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>D</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>B</mi>
<mo>+</mo>
<mi>C</mi>
<mo>)</mo>
</mrow>
<munder>
<mo>&Sigma;</mo>
<mi>u</mi>
</munder>
<msubsup>
<mi>&xi;</mi>
<mi>u</mi>
<mn>2</mn>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
<mo>.</mo>
</mrow>
5.根据权利要求4所述的一种快速路养护施工区主动预警方法，其特征在于：所述步骤S4具体为：设置参数λk、Bkk'、C，利用公式(8)求解参序量的初始值ξk(0)，进而用公式(9)进行序参量的迭代，直到任意一个序参量分量为一个正数，其他的序参量分量为0时，停止迭代，则所识别出的模式即为取得“胜利”序参量，即为交通状态判别的结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610152970.2A CN105679031B (zh) | 2016-03-17 | 2016-03-17 | 快速路养护施工区主动预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610152970.2A CN105679031B (zh) | 2016-03-17 | 2016-03-17 | 快速路养护施工区主动预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105679031A CN105679031A (zh) | 2016-06-15 |
| CN105679031B true CN105679031B (zh) | 2018-02-06 |
Family
ID=56310676
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610152970.2A Expired - Fee Related CN105679031B (zh) | 2016-03-17 | 2016-03-17 | 快速路养护施工区主动预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105679031B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530717B (zh) * | 2016-12-26 | 2019-02-05 | 长安大学 | 基于云模型的施工路段行车险态评价方法 |
| CN106709604A (zh) * | 2016-12-27 | 2017-05-24 | 大唐软件技术股份有限公司 | 用于道路路面养护的预警方法和装置 |
| CN108765954B (zh) * | 2018-06-13 | 2022-05-24 | 上海应用技术大学 | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 |
| CN109784363A (zh) * | 2018-12-05 | 2019-05-21 | 浙江专线宝网阔物联科技有限公司 | 一种远程监控视频的传输方法及其传输装置 |
| CN110598747B (zh) * | 2019-08-13 | 2023-05-02 | 广东工业大学 | 基于自适应k均值聚类算法的道路分类方法 |
| CN111260949A (zh) * | 2020-01-14 | 2020-06-09 | 深圳市人工智能与机器人研究院 | 一种警示方法、警示系统及警示牌 |
| CN111243306B (zh) * | 2020-01-20 | 2021-04-27 | 河北省交通规划设计院 | 一种基于边云协同的可变信息标志控制方法 |
| CN113850297B (zh) * | 2021-08-31 | 2023-10-27 | 北京百度网讯科技有限公司 | 道路数据的监测方法、装置、电子设备及存储介质 |
| CN115909741B (zh) * | 2022-11-30 | 2024-03-26 | 山东高速股份有限公司 | 一种交通状态的判别方法、设备及介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110037619A1 (en) * | 2009-08-11 | 2011-02-17 | On Time Systems, Inc. | Traffic Routing Using Intelligent Traffic Signals, GPS and Mobile Data Devices |
| CN101359428A (zh) * | 2008-06-24 | 2009-02-04 | 舒翔龙 | 壁挂式交通情报板 |
| CN101436345B (zh) * | 2008-12-19 | 2010-08-18 | 天津市市政工程设计研究院 | 基于TransCAD宏观仿真平台的港区道路交通需求预测系统 |
| CN103150930B (zh) * | 2013-02-01 | 2015-09-16 | 东南大学 | 针对快速道路常发性拥堵路段的追尾事故实时预测方法 |
| CN103578295B (zh) * | 2013-11-20 | 2016-04-06 | 东南大学 | 一种快速道路排队尾部追尾事故风险实时预测与预防方法 |
-
2016
- 2016-03-17 CN CN201610152970.2A patent/CN105679031B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN105679031A (zh) | 2016-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105679031B (zh) | 快速路养护施工区主动预警方法 | |
| CN108573357B (zh) | 基于等效力的行车风险实时评估方法及其装置 | |
| Stipancic et al. | Investigating the gender differences on bicycle-vehicle conflicts at urban intersections using an ordered logit methodology | |
| WO2021218235A1 (zh) | 一种道路交通拥堵预警方法及系统 | |
| Ma et al. | Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry | |
| CN109919072A (zh) | 基于深度学习和轨迹跟踪的精细车型识别与流量统计方法 | |
| Oh et al. | Real-time hazardous traffic condition warning system: Framework and evaluation | |
| CN103310202A (zh) | 一种保障驾驶安全的系统及其方法 | |
| CN103198332B (zh) | 一种实时鲁棒的远红外车载行人检测方法 | |
| CN101599217B (zh) | 一种快速路交通状态判别方法 | |
| Rifaat et al. | Effects of street patterns on injury risks in two-vehicle crashes | |
| Wu et al. | An improved vehicle-pedestrian near-crash identification method with a roadside LiDAR sensor | |
| CN103914688A (zh) | 一种城市道路障碍物识别系统 | |
| WO2022257201A1 (zh) | 基于人机混合增强智能的城市交通安全预警方法及系统 | |
| CN102867411A (zh) | 一种基于视频监控系统的出租车调度方法及调度系统 | |
| Kang et al. | Cluster-based approach to analyzing crash injury severity at highway–rail grade crossings | |
| CN106710215A (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
| CN105946860A (zh) | 一种考虑驾驶风格的弯道车速预测方法 | |
| CN103077603A (zh) | 基于动态人车环境协同推演的自由流状态汽车驾驶倾向性辨识系统 | |
| CN111080158A (zh) | 一种基于复合权重的城市路口通行危险指数评价方法 | |
| CN106710228A (zh) | 一种客货分道交通参数监测系统的实现方法 | |
| CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
| Ravish et al. | Intelligent traffic violation detection | |
| CN115782905A (zh) | 一种自动驾驶车辆驾驶安全度量化系统 | |
| Toledo et al. | Alternative definitions of passing critical gaps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180206 Termination date: 20210317 |