CN110363255B - 一种基于深度学习算法的高速公路限速限流方法 - Google Patents

一种基于深度学习算法的高速公路限速限流方法 Download PDF

Info

Publication number
CN110363255B
CN110363255B CN201910762521.3A CN201910762521A CN110363255B CN 110363255 B CN110363255 B CN 110363255B CN 201910762521 A CN201910762521 A CN 201910762521A CN 110363255 B CN110363255 B CN 110363255B
Authority
CN
China
Prior art keywords
traffic flow
flow
road
data
congestion
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.)
Active
Application number
CN201910762521.3A
Other languages
English (en)
Other versions
CN110363255A (zh
Inventor
蔡岗
孔晨晨
张沛
赵磊
贾兴无
谢中教
黄瑛
周云龙
许剑飞
孙瀚
吴晓峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Traffic Management Research Institute of Ministry of Public Security
Original Assignee
Traffic Management Research Institute of Ministry of Public Security
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Traffic Management Research Institute of Ministry of Public Security filed Critical Traffic Management Research Institute of Ministry of Public Security
Priority to CN201910762521.3A priority Critical patent/CN110363255B/zh
Publication of CN110363255A publication Critical patent/CN110363255A/zh
Application granted granted Critical
Publication of CN110363255B publication Critical patent/CN110363255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于深度学习算法的高速公路限速限流方法，其可以根据道路的实际情况计算出符合道路自身的流量和速度阈值，且方法简单，实施便利，易于推广。本发明的技术方案中，对每一个待处理道路，通过道路卡口设备获取其专有的历史和实时的道路数据，作为道路数据样本集；利用车流量的历史数据训练车流量预测模型，把车流量的实时数据样本集输入到训练好的车流量预测模型中，获得针对每个待处理道路对应的预测的车流量数据；然后基于历史道路数据，建立车流状态分类器，获取将车流状态，根据拟合出的车流状态对应车流量与拥堵概率的关系图，最终获得待处理道路对应的车流量阈值、车速阈值。

Description

一种基于深度学习算法的高速公路限速限流方法
技术领域
本发明涉及智能交通控制技术领域，具体为一种基于深度学习算法的高速公路限速限流方法。
背景技术
现代的交通控制中，为了预防高速公路拥堵发生，对于高速公路限速限流方法的研究是交通控制中的常见课题。目前常见的限速限流方法有：
(1)以85％位车速作为限速阈值；
(2)可变限速限速限流，即将高速公路分段，基于交通流理论对每段的交通流速度进行控制。
然而，以85％位车速作为限速阈值的方法，虽然简单易行，但是该种阈值选择办法没有从交通流理论出发，很多时候与道路的实际情况并不符合，过于简单粗暴，真正实施的时候，在有些道路上会不适用；可变限速限速限流措施虽然建立在科学的交通流模型上，但是采用分段限速的措施不但难以实施，而且如果驾驶员遵守每段路的不同限速，那么这种交通流的不均匀性极易导致安全事故，缺乏实用性。
发明内容
为了解决现有的限速限流方法对于道路实际情况考虑较少，或者难以实施，以至于缺乏实用性的问题，本发明提供一种基于深度学习算法的高速公路限速限流方法，其可以根据道路的实际情况计算出符合道路自身的流量和速度阈值，且方法简单，实施便利，易于推广。
本发明的技术方案是这样的：一种基于深度学习算法的高速公路限速限流方法，其特征在于，其包括以下步骤：
S1：针对待处理道路，设置监测时间，利用道路卡口设备获取统计监测时间内的道路数据，建立道路数据样本集；
所述道路数据从时间上划分，包括：历史数据和实时数据；
所述道路数据从类型上划分，包括：车流量、车辆密度、平均速度，；
S2：基于深度学习深度学习算法K-MEANS算法建立车流状态分类器；
S3：把所述道路数据样本集的历史数据输入到所述车流状态分类器，输出所述待处理道路对应的车流状态分类，所述车流状态分类包括：自由流稳定态、自由流亚稳定态、同步流、拥堵流；
S4：根据所述车流状态中的四种状态做出所述待处理道路对应的平均速度和车流量关系图，所述平均速度和车流量关系图表示在所述待处理道路上，随着道路上车辆的平均车速的变化车流状态变化的趋势；
S5：基于长短期记忆神经网络算法建立车流量预测模型；
S6：把步骤S1中获取的所述道路数据样本集中的历史数据中的车流量数据进行预处理之后，形成车流量训练数据集；把所述车流量训练数据集输入到所述车流量预测模型中进行训练，获取训练好的所述车流量预测模型；
S7：把步骤S1中获取的所述道路数据样本集中的实时数据中的车流量数据、输入到训练好的所述车流量预测模型中，获得预测的车流量数据
S8：根据现有数据可知，道路发生拥堵的概率与道路上的车流量的关系是指数关系，所以基于指数模型，结合步骤S1中获取的所述道路数据，以所述预测的车流量数据为基础，拟合出车流量与拥堵概率的关系图；
S9：基于所述车流量与拥堵概率的关系图，从拟合后的指数关系曲线中，找到所述待处理道路上拥堵大概率发生时对应的车流量的数值，即拥堵概率的数值急剧上升之前的车流量值作为车流量阈值；
S10：基于步骤S4中的所述平均速度和车流量关系图，找到与所述车流量阈值对应的所有的平均车速，即平均车速备选值；
S11:在所述平均速度和车流量关系图中，确认所有的所述平均车速备选值对应的所述车流状态，位于所述自由流稳定态的最大的所述平均车速备选值即为车速阈值；
S12：把所述车流量阈值、所述车速阈值设置到现有的道路监管设备中，作为所述待处理道路的限流限速阈值；
S13：实时对所述待处理道路的车流量进行预测、平均车速进行监测，获取车流量实时预测值、平均车速实时监测值，一旦所述车流量实时预测值大于等于所述车流量阈值，且所述平均车速实时监测值大于所述车速阈值，则启动后续措施。
其进一步特征在于：
步骤S1中，所述道路数据统计的方法包括：
所述车流量：每5分钟统计一次通过所述卡口设备的车辆数*12，单位：辆/小时；
所述平均速度：每5分钟统计一次通过所述卡扣设备的所有车辆的平均速度，单位：千米/小时；
所述车辆密度＝所述车流量/所述平均速度，单位：辆/千米；
步骤S5中，所述车流量预测模型的建立过程包括以下步骤：
S5-1：定义状态空间向量，假设当前时刻为t，则t时刻的状态空间向量定义如下：
xt＝[qt,qt-1,…,qt-p]
其中：qt是当前时刻的流量，qt-1是当前时刻的前一时刻的流量，qt-p是当前时刻的前p个时刻的流量；
S5-2：令yt等于t+1时刻的流量观测值，得到样本容量为l的数据集S：
Figure BDA0002170824920000021
S5-3：基于长短期记忆神经网络算法，通过数据集S训练出预测函数f，采集当前时刻t的流量并形成新的状态空间向量xt，并做为f的输入从而得出下一时刻的流量预测值
Figure BDA0002170824920000022
Figure BDA0002170824920000023
步骤S8中，所述拥堵概率的计算方法包括如下步骤：
a1.根据步骤S4中的所述平均速度和车流量关系图，取自由流稳定态或亚稳定态中车流量为某一范围值时对应的所有点，统计出这些点所对应的时刻，设其中一点所对应的时刻为t；
a2.从t时刻开始确认t+1时刻所对应的车流状态，如果t+1时刻对应的车流状态为同步流或拥堵流，则t时刻对应的点被判断为变为拥堵状态的点；
a3.统计出所有的所述变为拥堵的点，则拥堵概率为：
拥堵概率＝所有的所述变为拥堵的点的个数/所有统计过的点的个数；
步骤S8中，拟合车流量与拥堵概率的关系图的过程包括如下步骤：
b1：根据步骤S7中获得的所述预测的车流量数据，从初始流量开始，每隔500辆为一个单位取一次值，作为待计算流量值；
b2：根据拥堵概率的计算方法，得出每一个所述带计算流量值对应的待计算拥堵概率值；
b3：把待计算流量作为横轴、待计算拥堵概率作为纵轴，带入每一个所述待计算流量值、所述待计算拥堵概率值，做成车流量与拥堵概率的关系散点图；
b4：基于所述车流量与拥堵概率的关系散点图，通过指数模型进行拟合，获得所述车流量与拥堵概率的关系图；
步骤b4中，所述指数模型为：
y＝eax
式中，a为根据所述车流量与拥堵概率的关系散点图中的散点关系计算而得出。
本发明提供的一种基于深度学习算法的高速公路限速限流方法，针对每一个待处理道路，通过道路卡口设备获取其专有的历史和实时的道路数据，作为道路数据样本集；利用车流量的历史数据训练车流量预测模型，把车流量的实时数据样本集输入到训练好的车流量预测模型中，获得针对每个待处理道路对应的预测的车流量数据；然后基于历史道路数据，建立车流状态分类器，将车流状态分为自由流稳定态、自由流亚稳定态、同步流和拥堵流，拟合出稳定态和亚稳定态对应车流量与拥堵概率的关系图，最终获得待处理道路对应的车流量阈值、车速阈值；最后对比实时流量预测值、实时速度监测值和车流量阈值、车速阈值并决定是否采取限速限流措施；每个道路的车流量阈值、车速阈值都是基于其真实历史数据而计算得到，针对每个待处理道路计算符合其特点的限速限流阈值，与现有方法相比，更具针对性，适用性更强，且本发明的技术方案，方法简单，实施便利，易于推广。
附图说明
图1为本发明中基于卡口数据描绘的车流量、平均速度、交通流状态分类之间的关系示意图；
图2为本发明中基于卡口数据描绘的车流量、车辆密度、交通流状态分类之间的关系示意图；
图3为本发明中基于卡口数据描绘的车辆密度、平均速度、交通流状态分类之间的关系示意图；
图4为实施例一中二车道道路中，车流量与拥堵概率的关系示意图；
图5为实施例一中三车道道路中，车流量与拥堵概率的关系示意图；
图6为实施例一中四车道道路中，车流量与拥堵概率的关系示意图；
图7为实施例二中，车流量与拥堵概率的关系示意图；
图8为实施例二中，车流量、平均速度的关系示意图。
具体实施方式
如图1～图8所示，本发明一种基于深度学习算法的高速公路限速限流方法，其包括以下步骤。
S1：针对待处理道路，设置监测时间，利用道路卡口设备获取统计监测时间内的道路数据，道路数据包括：车流量、车辆密度、平均速度，建立道路数据样本集；
车流量：每5分钟统计一次通过卡口设备的车辆数*12，单位：辆/小时；
平均速度：每5分钟统计一次通过卡扣设备的所有车辆的平均速度，单位：千米/小时；
车辆密度＝车流量/平均速度，单位：辆/千米；
如图1～图3所示，表示的基于卡口数据描绘的车流量、平均速度、车辆密度三者之间的关系图。
S2：基于深度学习深度学习算法K-MEANS建立车流状态分类器。
S3：把道路数据样本集输入到车流状态分类器，输出待处理道路对应的车流状态分类，车流状态分类包括：自由流稳定态、自由流亚稳定态、同步流、拥堵流；
自由流稳定态的特点是流量不高、密度较低、速度最大、交通流状态稳定；自由流亚稳态的特点是流量最大，交通流状态不稳定；同步流是介于亚稳态和拥堵流之间的中间态；拥堵流的特点是流量和速度较低，密度很大。
S4：根据车流状态中的四种状态做出待处理道路对应的平均速度和车流量关系图，平均速度和车流量关系图表示在待处理道路上，随着道路上车辆的平均车速的变化车流状态变化的趋势。
在附图的图1～图8中，1为拥堵流、2为同步流、3为自由流亚稳定态、4为自由流稳定态。
如图1所示，为基于车流量、平均速度的交通流状态分类示意图，横坐标速度表示平均速度，单位为km/h，纵坐标流量表示车流量，当道路交通处于自由流稳定态的时候，随着速度变小，车流量会变大，直至道路上的车流状态进入自由流亚稳定态之后，车流量达到最大；道路上的车辆的平均速度持续变小，则道路的车流状态会依次进入同步流、拥堵流状态。
如图2所示，当道路处于自由流稳定态的时候，随着车流量的变大，车辆密度会变大，直至车流量和车辆密度达到道路能够承受的最大值，道路进入到自由流亚稳定态；随着车辆密度继续变大，道路进入同步流状态，此状态下车流量会变小；随着车辆密度继续变大，道路进入拥堵流状态的时候，车速变小，车流量也持续变小。
如图3所示，是车辆密度、平均速度、交通流状态分类之间的关系示意图，随着车辆密度的增加，车速会逐渐变小，道路状态会逐渐由通畅的自由流稳定态，依次向自由流亚稳定态、同步流、拥堵流变化。
S5：基于长短期记忆神经网络算法建立车流量预测模型；由于交通流量具有很强的时空关联性，而长短期记忆神经网络(LSTM)算法有强大的记忆功能，所以非常适合对时空关联性强的交通流量进行预测。而预测模型的关键是通过数据集训练出预测函数，通过该预测函数寻找过去流量和未来流量的关系；
车流量预测模型的建立过程包括以下步骤：
S5-1：定义状态空间向量，假设当前时刻为t，则t时刻的状态空间向量定义如下：
xt＝[qt,qt-1,…,qt-p]
其中：qt是当前时刻的流量，qt-1是当前时刻的前一时刻的流量，qt-p是当前时刻的前p个时刻的流量；
S5-2：令yt等于t+1时刻的流量观测值，得到样本容量为l的数据集S：
Figure BDA0002170824920000041
S5-3：基于长短期记忆神经网络算法，通过数据集S训练出预测函数f，采集当前时刻t的流量并形成新的状态空间向量xt，并做为f的输入从而得出下一时刻的流量预测值
Figure BDA0002170824920000042
Figure BDA0002170824920000043
S6：利用步骤S1中获取的道路数据样本集中的车流量数据分为流量训练集和流量样本集，把流量训练集输入到车流量预测模型中进行训练，获取训练好的车流量预测模型。
S7：把流量样本集输入到训练好的车流量预测模型中，获得预测的车流量数据。
S8：根据现有数据可知，道路发生拥堵的概率与道路上的车流量的关系是指数关系，所以基于指数模型，结合步骤S1中获取的道路数据，以预测的车流量数据为基础，拟合出车流量与拥堵概率的关系图；
拥堵概率的计算方法包括如下步骤：
a1.根据步骤S4中的所述平均速度和车流量关系图，取自由流稳定态或亚稳定态中车流量为某一范围值时对应的所有点，统计出这些点所对应的时刻，设其中一点所对应的时刻为t；
a2.从t时刻开始确认t+1时刻所对应的车流状态，如果t+1时刻对应的车流状态为同步流或拥堵流，则t时刻对应的点被判断为变为拥堵状态的点；
a3.统计出所有的所述变为拥堵的点，则拥堵概率为：
拥堵概率＝所有的所述变为拥堵的点的个数/所有统计过的点的个数。
其中，拟合车流量与拥堵概率的关系图的过程包括如下步骤：
b1：根据步骤S7中获得的预测的车流量数据，从初始流量开始，每隔500辆为一个单位取一次值，作为待计算流量值；
b2：根据拥堵概率的计算方法，得出每一个带计算流量值对应的待计算拥堵概率值；
b3：把待计算流量作为横轴、待计算拥堵概率作为纵轴，带入每一个待计算流量值、待计算拥堵概率值，做成车流量与拥堵概率的关系散点图；
b4：基于车流量与拥堵概率的关系散点图，通过指数模型进行拟合，获得车流量与拥堵概率的关系图；
步骤b4中，指数模型为：
y＝eax
式中，a为根据车流量与拥堵概率的关系散点图中的散点关系计算而得出。
如图4～图6所示，分别为二车道、三车道、四车道的道路上，分别基于三个高速卡口，通过本发明技术方案计算获得的车流量与拥堵概率的关系示意图。从图中可以看出交通流变为拥堵的可能性随流量增大会呈现指数型增长。因此，如果在大流量时不进行控制，那么交通流很容易失稳，进而转化为拥挤或拥堵状态。
S9：基于车流量与拥堵概率的关系图，从拟合后的指数关系曲线中，找到待处理道路上拥堵大概率发生时对应的车流量的数值，即拥堵概率的数值急剧上升之前的车流量值作为车流量阈值。
S10：基于步骤S4中的平均速度和车流量关系图，找到与车流量阈值对应的所有的平均车速，即平均车速备选值。
S11:在平均速度和车流量关系图中，确认所有的平均车速备选值对应的车流状态，位于自由流稳定态的最大的平均车速备选值即为车速阈值。
S12：把车流量阈值、车速阈值设置到现有的道路监管设备中，作为待处理道路的限流限速阈值；
一旦待处理道路上的车流量大于车流量阈值且平均车速小于车速阈值，则启动后续措施。
如图7所示，为实施例二中，基于一个具体的道路的卡口设备获取的道路数据计算而得出的车流量与拥堵概率的关系示意图，由图中的曲线可知，当车流量超过4000辆/h后拥堵转化概率急剧上升，所以对实施例二中的车流量阈值设置为4000辆/h；限流的阈值选择拥堵概率急剧上升之前的值，这样既能保证较高的通行效率又能使拥堵发生概率较小。
同时参照附图中的图8，为车流量、平均速度的关系示意图，根据车流量阈值4000辆/h，选择平均车速的车速阈值，则车速阈值选择90km/h；实时对待处理道路的车流量进行预测、平均车速进行监测，获取车流量实时预测值、平均车速实时监测值，一旦车流量实时预测值大于等于车流量阈值4000辆/h，平均车速实时监测值大于车速阈值90km/h，且后续车流量预测为持续增大，则启动限流、限速的具体措施；否则，如果预测后续车流量保持现状或者会变小，则持续监控、且预测，不启动限流限速的具体措施。

Claims (6)

1.一种基于深度学习算法的高速公路限速限流方法，其特征在于，其包括以下步骤：
S1：针对待处理道路，设置监测时间，利用道路卡口设备获取统计监测时间内的道路数据，建立道路数据样本集；
所述道路数据从时间上划分，包括：历史数据和实时数据；
所述道路数据从类型上划分，包括：车流量、车辆密度、平均速度；
S2：基于K-MEANS算法建立车流状态分类器；
S3：把所述道路数据样本集的历史数据输入到所述车流状态分类器，输出所述待处理道路对应的车流状态分类，所述车流状态分类包括：自由流稳定态、自由流亚稳定态、同步流、拥堵流；
S4：根据所述车流状态中的四种状态做出所述待处理道路对应的平均速度和车流量关系图，所述平均速度和车流量关系图表示在所述待处理道路上，随着道路上车辆的平均车速的变化车流状态变化的趋势；
S5：基于长短期记忆神经网络算法建立车流量预测模型；
S6：把步骤S1中获取的所述道路数据样本集中的历史数据中的车流量数据进行预处理之后，形成车流量训练数据集；把所述车流量训练数据集输入到所述车流量预测模型中进行训练，获取训练好的所述车流量预测模型；
S7：把步骤S1中获取的所述道路数据样本集中的实时数据中的车流量数据、输入到训练好的所述车流量预测模型中，获得预测的车流量数据
S8：根据现有数据可知，道路发生拥堵的概率与道路上的车流量的关系是指数关系，所以基于指数模型，结合步骤S1中获取的所述道路数据，以所述预测的车流量数据为基础，拟合出车流量与拥堵概率的关系图；
S9：基于所述车流量与拥堵概率的关系图，从拟合后的指数关系曲线中，找到所述待处理道路上拥堵大概率发生时对应的车流量的数值，即拥堵概率的数值急剧上升之前的车流量值作为车流量阈值；
S10：基于步骤S4中的所述平均速度和车流量关系图，找到与所述车流量阈值对应的所有的平均车速，即平均车速备选值；
S11:在所述平均速度和车流量关系图中，确认所有的所述平均车速备选值对应的所述车流状态，位于所述自由流稳定态的最大的所述平均车速备选值即为车速阈值；
S12：把所述车流量阈值、所述车速阈值设置到现有的道路监管设备中，作为所述待处理道路的限流限速阈值；
S13：实时对所述待处理道路的车流量进行预测、平均车速进行监测，获取车流量实时预测值、平均车速实时监测值，一旦所述车流量实时预测值大于等于所述车流量阈值，且所述平均车速实时监测值大于所述车速阈值，则启动后续措施。
2.根据权利要求1所述一种基于深度学习算法的高速公路限速限流方法，其特征在于：步骤S1中，所述道路数据统计的方法包括：
所述车流量：每5分钟统计一次通过所述卡口设备的车辆数*12，单位：辆/小时；
所述平均速度：每5分钟统计一次通过所述卡口设备的所有车辆的平均速度，单位：千米/小时；
所述车辆密度＝所述车流量/所述平均速度，单位：辆/千米。
3.根据权利要求1所述一种基于深度学习算法的高速公路限速限流方法，其特征在于：步骤S5中，所述车流量预测模型的建立过程包括以下步骤：
S5-1：定义状态空间向量，假设当前时刻为t，则t时刻的状态空间向量定义如下：
xt＝[qt,qt-1,…,qt-p]
其中：qt是当前时刻的流量，qt-1是当前时刻的前一时刻的流量，qt-p是当前时刻的前p个时刻的流量；
S5-2：令yt等于t+1时刻的流量观测值，得到样本容量为l的数据集S：
Figure FDA0003401280940000021
S5-3：基于长短期记忆神经网络算法，通过数据集S训练出预测函数f，采集当前时刻t的流量并形成新的状态空间向量xt，并做为f的输入从而得出下一时刻的流量预测值
Figure FDA0003401280940000022
Figure FDA0003401280940000023
4.根据权利要求1所述一种基于深度学习算法的高速公路限速限流方法，其特征在于：步骤S8中，所述拥堵概率的计算方法包括如下步骤：
a1.根据步骤S4中的所述平均速度和车流量关系图，取自由流稳定态或亚稳定态中车流量为某一范围值时对应的所有点，统计出这些点所对应的时刻，设其中一点所对应的时刻为t；
a2.从t时刻开始确认t+1时刻所对应的车流状态，如果t+1时刻对应的车流状态为同步流或拥堵流，则t时刻对应的点被判断为变为拥堵状态的点；
a3.统计出所有的所述变为拥堵的点，则拥堵概率为：
拥堵概率＝所有的所述变为拥堵的点的个数/所有统计过的点的个数。
5.根据权利要求4所述一种基于深度学习算法的高速公路限速限流方法，其特征在于：步骤S8中，拟合车流量与拥堵概率的关系图的过程包括如下步骤：
b1：根据步骤S7中获得的所述预测的车流量数据，从初始流量开始，每隔500辆为一个单位取一次值，作为待计算流量值；
b2：根据拥堵概率的计算方法，得出每一个所述待计算流量值对应的待计算拥堵概率值；
b3：把待计算流量作为横轴、待计算拥堵概率作为纵轴，带入每一个所述待计算流量值、所述待计算拥堵概率值，做成车流量与拥堵概率的关系散点图；
b4：基于所述车流量与拥堵概率的关系散点图，通过指数模型进行拟合，获得所述车流量与拥堵概率的关系图。
6.根据权利要求5所述一种基于深度学习算法的高速公路限速限流方法，其特征在于：步骤b4中，所述指数模型为：
y＝eax
式中，a为根据所述车流量与拥堵概率的关系散点图中的散点关系计算而得出。
CN201910762521.3A 2019-08-19 2019-08-19 一种基于深度学习算法的高速公路限速限流方法 Active CN110363255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910762521.3A CN110363255B (zh) 2019-08-19 2019-08-19 一种基于深度学习算法的高速公路限速限流方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910762521.3A CN110363255B (zh) 2019-08-19 2019-08-19 一种基于深度学习算法的高速公路限速限流方法

Publications (2)

Publication Number Publication Date
CN110363255A CN110363255A (zh) 2019-10-22
CN110363255B true CN110363255B (zh) 2022-04-05

Family

ID=68223992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910762521.3A Active CN110363255B (zh) 2019-08-19 2019-08-19 一种基于深度学习算法的高速公路限速限流方法

Country Status (1)

Country Link
CN (1) CN110363255B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111123333B (zh) * 2019-12-30 2022-05-03 公安部交通管理科学研究所 一种融合卡口和gps数据的车辆轨迹定位方法
CN111341099B (zh) * 2020-02-27 2022-05-10 阿里巴巴集团控股有限公司 一种数据处理方法、装置及电子设备
CN112396278B (zh) * 2020-04-30 2022-11-22 青岛慧拓智能机器有限公司 一种基于露天无人矿山的卡车调度方法
CN113379099B (zh) * 2021-04-30 2022-06-03 广东工业大学 一种基于机器学习与copula模型的高速公路交通流自适应预测方法
CN113314230A (zh) * 2021-05-27 2021-08-27 创新奇智(上海)科技有限公司 基于大数据的智能防疫方法、装置、设备及存储介质
CN115188186B (zh) * 2022-06-28 2024-02-20 公安部交通管理科学研究所 一种区域内交通流量监测方法
CN115762142B (zh) * 2022-11-02 2023-08-29 青岛以萨数据技术有限公司 卡口流量预测方法、装置、服务器及存储介质
CN116386156B (zh) * 2023-05-29 2024-01-02 特微乐行(广州)技术有限公司 一种高速收费站etc终端故障处理方法
CN117173893B (zh) * 2023-09-21 2024-02-20 广东车卫士信息科技有限公司 一种基于电子车牌的车辆预警方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950482A (zh) * 2010-09-08 2011-01-19 公安部交通管理科学研究所 道路交通状态智能识别方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN104794896A (zh) * 2015-04-10 2015-07-22 安徽四创电子股份有限公司 基于升降式限高架的高架桥拥堵空间热点自动提取方法
CN105844915A (zh) * 2016-05-13 2016-08-10 东南大学 一种可变限速控制下交通流基本图的确定方法
CN106128095A (zh) * 2016-06-13 2016-11-16 东南大学 一种快速道路孤立瓶颈路段的可变限速控制方法
CN106251661A (zh) * 2016-08-09 2016-12-21 福州大学 隧道入口段车流控制方法
CN107895481A (zh) * 2017-11-21 2018-04-10 福建工程学院 基于浮动车技术的区域道路车流量控制方法
CN108269401A (zh) * 2018-01-30 2018-07-10 银江股份有限公司 一种基于数据驱动的高架桥交通拥堵预测方法
CN109215350A (zh) * 2018-11-02 2019-01-15 重庆大学 一种基于rfid电子车牌数据的短期交通状态预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101950482A (zh) * 2010-09-08 2011-01-19 公安部交通管理科学研究所 道路交通状态智能识别方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN104794896A (zh) * 2015-04-10 2015-07-22 安徽四创电子股份有限公司 基于升降式限高架的高架桥拥堵空间热点自动提取方法
CN105844915A (zh) * 2016-05-13 2016-08-10 东南大学 一种可变限速控制下交通流基本图的确定方法
CN106128095A (zh) * 2016-06-13 2016-11-16 东南大学 一种快速道路孤立瓶颈路段的可变限速控制方法
CN106251661A (zh) * 2016-08-09 2016-12-21 福州大学 隧道入口段车流控制方法
CN107895481A (zh) * 2017-11-21 2018-04-10 福建工程学院 基于浮动车技术的区域道路车流量控制方法
CN108269401A (zh) * 2018-01-30 2018-07-10 银江股份有限公司 一种基于数据驱动的高架桥交通拥堵预测方法
CN109215350A (zh) * 2018-11-02 2019-01-15 重庆大学 一种基于rfid电子车牌数据的短期交通状态预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Hybrid Method for Short-Term Traffic Congestion Forecasting Using Genetic Algorithms and Cross Entropy;Pedro Lopez-Garcia等;《IEEE Transactions on Intelligent Transportation Systems》;20151219;第17卷(第2期);第557-569页 *
A Traffic Congestion Forecasting Model using CMTF and Machine Learning;Md. Mohiuddin Chowdhury等;《2018 Joint 7th International Conference on Informatics, Electronics & Vision (ICIEV) and 2018 2nd International Conference on Imaging, Vision & Pattern Recognition (icIVPR)》;20190214;第357-362页 *
Adaptive background updating algorithm for traffic congestion detection based on Kalman filtering and inter-frame centroid distanc;Zhang Ping等;《2015 IEEE Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20160310;第891-895页 *
含有正弦曲线拟合的事故路段通行能力分析;陆倩等;《南通职业大学学报》;20150930;第29卷(第3期);第1-5页 *
基于RFID的道路交通拥堵信息识别模型;高宁波等;《交通科技与经济》;20130930;第15卷(第5期);第102-111页 *
基于大数据的贵阳市交通拥堵问题治理研究;郭伟伊等;《贵州师范大学学报(自然科学版)》;20190531;第37卷(第3期);第67-71页 *

Also Published As

Publication number Publication date
CN110363255A (zh) 2019-10-22

Similar Documents

Publication Publication Date Title
CN110363255B (zh) 一种基于深度学习算法的高速公路限速限流方法
CN110077398B (zh) 一种用于智能驾驶的危险处理方法
CN113178083A (zh) 一种高速公路多级动态限速的拥堵控制方法及系统
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN113870564B (zh) 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN107045794B (zh) 路况处理方法及装置
CN104050809A (zh) 交通状况自动分析预测方法
CN115294767B (zh) 一种高速公路车道线实时检测与交通安全预警方法及装置
CN111028504A (zh) 一种城市快速路智慧交通管控方法和系统
CN110781873A (zh) 一种双模态特征融合的驾驶员疲劳等级识别方法
CN110264715A (zh) 一种基于路段突发拥堵分析的交通事件检测方法
CN115063990A (zh) 一种混合交通流环境高速公路瓶颈路段动态限速控制方法
CN102819956B (zh) 一种基于单截面环形线圈检测器的道路交通事件检测方法
CN109035775B (zh) 一种突发事件识别的方法及装置
CN115985137B (zh) 一种隧道交通运行的风险评估方法、电子设备及存储介质
EP4141386A1 (en) Road data monitoring method and apparatus, electronic device and storage medium
CN113240901B (zh) 一种智能车换道行为风险等级确定方法及装置
CN112396829B (zh) 一种基于正向雷达数据的交叉口拥堵指数计算方法
CN113887659A (zh) 一种基于朴素贝叶斯的车辆类型分类算法
Obereigner et al. Methods for Traffic Data Classification with regard to Potential Safety Hazards
CN117475641B (zh) 一种高速公路交通状态的检测方法、装置、设备及介质
Shigemi et al. Predicting traffic breakdown on expressways using linear combination of vehicle detector data
CN117593891B (zh) 一种基于高速公路交通大数据的车流量分析系统及方法
CN108198447A (zh) 基于车流量预测的驾驶员信息提醒装置与系统
CN113380032B (zh) 一种基于层次聚类法的高速公路拥堵判断方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant