CN112613225B - 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 - Google Patents
一种基于神经网络元胞传输模型的交叉口交通状态预测方法 Download PDFInfo
- Publication number
- CN112613225B CN112613225B CN202011419726.0A CN202011419726A CN112613225B CN 112613225 B CN112613225 B CN 112613225B CN 202011419726 A CN202011419726 A CN 202011419726A CN 112613225 B CN112613225 B CN 112613225B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- cell
- intersection
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 230000003834 intracellular effect Effects 0.000 claims abstract description 4
- 210000004027 cell Anatomy 0.000 claims description 110
- 230000006870 function Effects 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明公开了一种基于神经网络元胞传输模型的交叉口交通状态预测的方法，该方法主要解决交叉口的短期交通状态预测，该方法包括：交叉口范围划分、元胞内数据处理、利用聚类算法进行交通状态的划分、设计神经网络模型，通过模型的迭代学习实现对交叉口短期交通状态的预测。本发明充分考虑了交通流特性，同时加入了数据驱动的模型，结合了两者的优势，保证了预测结果的精度，提高了可靠性。
Description
技术领域
本发明属于智能交通领域，具体是一种基于神经网络元胞传输模型的交叉口交通状态预测方法。
背景技术
随着我国经济的快速发展，人们的经济水平不断提高，城市汽车保有量在迅速增长，随着带来的交通拥堵问题也变成了常发现象，交通拥堵问题不光造成了环境的污染和资源的浪费，而且可能会造成路网的瘫痪，给人们的出行带来不便和危险。其中，交叉口更是拥堵问题的多发地，因此，如何对交叉口的交通状态实现准确预测，并有效缓解交通压力，已经成为国内外学者研究的焦点。提高交叉口的运行能力够提高整个交通网络的运行效率，有效缓解交通拥堵，但是交叉口的交通状况复杂，交叉口内不光有车辆的冲突点，更有交通信号灯对车辆的影响，传统的对交叉口交通状态的预测方法难以满足精确度的要求，针对此类问题的研究还要做进一步的研究。
元胞传输模型是一种宏观交通流模型，该模型是利用交通流的基本特征来进行下一时刻交通状态预测的，目前广泛运用于网络交通模拟，交通信号灯控制和交叉口交通流的预测，是传统的交通流预测的模型；神经网络模型是一种黑箱模型，该模型是利用大量的数据来拟合交叉口的交通状态，该模型广泛运用于科研生活的各个领域，是目前常用的进行交通流预测的模型，这两个模型在交叉口交通状态方面都有着各自的优势和不足。
元胞传输模型的不足在于交叉口的交通状况复杂，简单的公式并不能准确预测出交通状态，而神经网络模型的不足在于该模型是完全的数据驱动，忽略了各个交通量之间的关系；基于神经网络元胞传输模型的方法同时兼顾两个模型的优势，在传统交通理论的基础上，利用数据拟合交通量之间的关系，让交叉口交通状态的预测更加的准确和可靠。
发明内容
本发明的技术方案按以下步骤进行实施：
S1、交叉口范围划分：依据交通流特性分析和元胞传输模型理论，建立交通流之间的关系，将交叉口划分为多个符合道路实际情况的元胞，元胞内部满足传统交通的流量-密度关系；
S2、元胞内数据处理：对元胞内收集的GPS数据、视频数据进行预处理，将两种数据中的异常数据进行删除和补充，并将两种数据处理为可以直接使用的交通数据；
S3、交通状态划分：依据交通流特性和交通参数特性，采用行程平均速度v、交通密度ρ为特征参数，采用k-means聚类算法对数据集进行标定，利用该算法将数据聚成三类，得出不同速度和密度下的所对应的交通状态，并最终将交通状态划分为拥堵，缓行和畅通三种交通状态；
S4、交通状态预测：将标定好的交通数据组成训练集，构建BP神经网络模型，模型的输入是当前时刻的交通参数，输出是下一时刻的交通参数，用交通参数来表示交通状态，通过迭代学习的方式，实现对交叉口交通状态的预测。
所述步骤S1中，交叉口范围划分的规则为：
S1.1依据元胞传输模型的基本假设，通过交通密度和交通流的基本图，将交叉口区域划分为进口元胞、出口元胞和内元胞，根据交叉口区域的基本假设和基本规律，确定模型的输入向量和输出向量。
S1.2依据基本假设，交叉口区域划分为4个进口元胞、4个出口元胞和1个内元胞，进口元胞的长度范围是：
其中，ΔLi为进口元胞i的最大队列长度，Δt为采样周期，vf(j)示第j th车辆的自由流动速度，s为进入进口元胞i的一组车辆；
出口元胞的长度为：
其中r表示进入出口元胞o的车辆集合，ΔLo为相邻交叉口在同一方向上的距离，内元胞不超过入口停止线所形成的矩形范围。
进一步的，所述步骤S2中，交叉口元胞传输模型建立后，用于处理已经采集好的GPS数据和视频数据，对元胞内的数据进行预处理，处理方法为：
S2.1将其中GPS数据中的漂移数据进行删除，漂移数据产生的原因是由于道路两旁的高大建筑物对 GPS信号产生折射，导致传回的车辆位置与真实点存在误差，查找这种数据的方法是依据经纬度坐标计算 t时刻GPS数据点与t-1时刻的距离d，其中距离公式为：
d＝arccos((sinytsinyt-1)+(cosytcosyt-1cos(xt-xt-1)))D
其中，D代表了地球的半径，取值为6371.004km。
若超过车辆以允许最大速度vmax在单位时间间隔Δt内所能行驶的距离，则将此数据删除，并依据该车的ID在t-1时刻的经纬度以及速度信息补充一个新的数据点。
S2.2GPS数据中还有一种未按规定传回时间传回的缺失数据，缺失数据产生的原因是道路交叉口高大建筑物过多的导致信号缺失，GPS终端仪器无法传回数据，这类异常数据的处理方法是基于该车辆的ID，将两段位置上平均速度的平均速度补充一个正常位置的数据。
S2.3对视频数据进行处理，方法是进行车辆位置的获取，车辆位置获取是指在不同时间采集不同车辆的位置，首先，车辆被跟踪和识别，然后提取车辆质心的像素坐标，车辆位置获取算法包括车辆检测、融合分割、车辆跟踪和位置输出四个部分，该算法利用卡尔曼滤波的先验信息进行车辆位置获取，卡尔曼滤波的状态更新方程为：
X(t)＝A(t)X(t-1)+B(t)U(t)+ω(t)
其中，X(t)为t时刻车辆估计的位置向量，U(t)是物体在t时刻的速度向量，A(t)和B(t)是t时刻的估计参数向量，ω(t)为t时刻估计的噪声向量。
卡尔曼滤波的观测方程为:
Y(t)＝D(t)X(t)+ν(t)
其中，Y(t)为t时刻车辆观测到的位置向量，D(t)是t时刻观测到的参数向量，v(t)是t时刻观测到的噪声向量。
利用卡尔曼滤波提供的先验信息作为融合和分割的参考，当两个车辆中心近似于一个预测值时进行融合。
S2.4采集视频中的交通密度数据，计算方法为：
其中，ρθ(k)为第k时刻元胞θ的密度，nθ(k)为第k时刻元胞θ的车辆数量，mθ表示元胞θ的车道数，Δlθ是元胞的长度。
通过在图像中设置虚拟检测区段，收集一个周期内的累计交通量。
进一步的，所述步骤S3中，依据交通流和特性和交通参数特性，采用行程平均速度v、交通密度ρ为特征参数，并利用k-means算法并对数据集进行标定，k-means算法的具体步骤为：
S3.1、从数据中选择k个对象作为初始聚类中心；
S3.2、分别计算各数据点到聚类中心之间的欧式距离，将它划分到离得较近的聚类中心所在的类别当中，计算公式为：
其中，xi为数据集中第i个数据点，μj为第j个聚类类别的中心点，k为聚类类别个数；
S3.3、根据聚类结果计算不同类别包含数据点的算数平均值，用该值代替之前的聚类中心点，更新公式表示为：
其中，xj为数据集中第i个数据点，μj为第j个聚类类别的中心点；
S3.4、更新聚类的中心点，比较比较当前聚类中心点与更新前中心点的区别，若相同，则迭代停止，算法结束；则返回上一步，继续迭代；
所述算法的目标函数表示为：
其中，E表示算法的平方误差，Cj表示第j个聚类簇。
通过k-means算法对数据进行处理，对数据进行标定，利用该算法将数据聚成三类，得出不同速度和密度下的所对应的交通状态，并最终将交通状态划分为拥堵，缓行和畅通三种交通状态，其中，拥堵状态下的交通流运行极不稳定，车辆间干扰剧烈；缓行状态下的交通流运行较为稳定，车辆间影响较小；畅通状态下的交通流运行基本稳定，车辆间基本没有干扰。
进一步的，所述步骤S4中，构建BP神经网络交通模型，该模型的作用是用来预测交叉口车辆的交通参数，模型的输入是当前时刻的交通参数，输出是下一时刻的交通参数，用交通参数来表示交通状态，通过迭代学习的方式，实现对交叉口交通状态的预测。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络，本发明所构建的BP神经网络包含了一个输入层，一个输出层和两个隐层，其中，输入和输出的隐层神经元以sigmoid函数作为激活函数，输出层上的神经元则采用RELU函数作为激活函数，均方误差(MSE)作为损耗函数，训练方法上都采用自适应学习率算法，其中，sigmoid函数和RELU函数的表达式为：
sigmoid函数：
RELU函数：RELU(x)＝max(0,x)
这两种函数都是非线性函数，能够更好的拟合数据间的关系。
输出元胞网络的输入输出的映射关系如下：
ρi(k+1),vi(k+1)＝f(gi(k),hi(k),ρi(k),ρJ(i),vi(k),C(i),R,λ)
其中，ρi(k+1)表示元胞i在k+1时刻的密度，vi(k+1)表示元胞i在k+1时刻的速度，f表示用神经网络模型拟合出的函数关系，gi(k)表示元胞i在k时刻接收到的交通流，hi(k)表示元胞i在k时刻离开的交通流，ρi(k)表示元胞i在k时刻的密度，ρJ(i)表示元胞i在k时刻的拥挤密度，vi(k)表示元胞i在k 时刻的内部车辆平均行程速度，C(i)表示元胞i的容量，R表示元胞i下游元胞的最大吸收能力，λ是信号灯的状态变量，当λ＝1时，绿灯亮起；当λ＝0时，红灯亮起。
与现有方法相比，本发明的有益效果如下：
针对城市交叉口交通状况复杂的情况，提出一种基于神经网络元胞传输模型的交叉口交通状态预测的方法。首先依据元胞传输模型理论将交叉口划分为元胞，然后将收集到的数据进行处理，接着设计了一种 BP神经网络模型，迭代学习得到了交叉口的交通参数，解决了交叉口交通状况复杂难以进行交通状态预测的问题。充分利用了理论推导和数据驱动的优势，考虑了交通流对交叉口的影响，发挥了机器学习算法在交通领域的优势，及时得到交叉口的交通状态，为驾驶主体提供了准确可靠的信息。
附图说明
图1为本发明中所述的一种基于神经网络元胞传输模型的交叉口交通状态预测方法的流程图。
图2为交通-流量密度关系基本图。
图3为元胞划分模型。
图4为BP神经网络模型的结构图。
具体实施方式
为了清楚地说明本发明，下面结合实施例和附图对本发明做进一步说明，显然，限免所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开了一种基于神经网络传输模型的交叉口交通状态预测的方法，该预测方法包括如下步骤：
S1、交叉口模型建立：本次实例选择西安市的锦业路和丈八七路的交叉口，该交叉口为双向六车道和双向四车道的信号交叉口，按照元胞传输模型理论将其划分为一个元胞，并将其区域划分为九个单元，具体的规则如下：
S1.1依据元胞传输模型的基本假设，将交叉口区域划分为进口元胞、出口元胞和内元胞，根据交叉口区域的基本假设和基本规律，确定模型的输入向量和输出向量。
S1.2依据基本假设，交叉口区域划分为4个进口元胞、4个出口元胞和1个内元胞，进口元胞的长度范围是：
其中，ΔLi为进口元胞i的最大队列长度，Δt为采样周期，vf(j)示第j th车辆的自由流动速度。s为进入进口元胞i的一组车辆；
出口元胞的长度为：
其中，r表示进入出口元胞o的车辆集合，ΔLo为相邻交叉口在同一方向上的距离，内元胞不超过入口停止线所形成的矩形范围。
S2、元胞内数据处理：采集视频数据和GPS数据并进行处理，收集一周工作日时间内从下午两点开始的数据，时长为两小时，交叉口信号周期为87秒，其中东西绿灯时间为57秒，南北绿灯时间为30秒。选取前四天的数据作为训练集，最后一天的数据作为测试集。
收集完数据之后要对元胞内的数据进行处理，处理的规则如下：
S2.1对于GPS数据处理的方法为：将其中GPS数据中的漂移数据进行删除，漂移数据产生的原因是由于道路两旁的高大建筑物对GPS信号产生折射，导致传回的车辆位置与真实点存在误差，查找这种数据的方法是依据经纬度坐标计算t时刻GPS数据点与t-1时刻的距离d，其中距离公式为：
d＝arccos((sinytsinyt-1)+(cosytcosyt-1cos(xt-xt-1)))D
其中，D代表了地球的半径，取值为6371.004km。
若超过车辆以允许最大速度vmax在单位时间间隔Δt内所能行驶的距离，则将此数据删除，并依据该车的ID在t-1时刻的经纬度以及速度信息补充一个新的数据点。
S2.2GPS数据中还有一种未按规定传回时间传回的缺失数据，缺失数据产生的原因是道路交叉口高大建筑物过多的导致信号缺失，GPS终端仪器无法传回数据，这类异常数据的处理方法是基于该车辆的ID，将两段位置上平均速度的平均速度补充一个正常位置的数据，以其中周一下午一个小时的GPS数据为例，共采集到原始数据66605条，漂移数据为345条，占总数据的5.18％，缺失数据为1038条，占总数据的 15.6％。
S2.3对视频数据进行处理，方法是进行车辆位置的获取，车辆位置获取是指在不同时间采集不同车辆的位置；首先，车辆被跟踪和识别，然后提取车辆质心的像素坐标，车辆位置获取算法包括车辆检测、融合分割、车辆跟踪和位置输出四个部分，该算法利用卡尔曼滤波的先验信息进行车辆位置获取，卡尔曼滤波的状态更新方程为：
X(t)＝A(t)X(t-1)+B(t)U(t)+ω(t)
其中，X(t)为t时刻车辆估计的位置向量，U(t)是物体在t时刻的速度向量，A(t)和B(t)是t时刻的估计参数向量，ω(t)为t时刻估计的噪声向量。
卡尔曼滤波的观测方程为:
Y(t)＝D(t)X(t)+ν(t)
其中，Y(t)为t时刻车辆观测到的位置向量，D(t)是t时刻观测到的参数向量，v(t)是t时刻观测到的噪声向量。
利用卡尔曼滤波提供的先验信息作为融合和分割的参考，当两个车辆中心近似于一个预测值时进行融合，此时得到了视频数据中的车辆的位置信息。
S2.4采集视频中的交通密度数据，计算方法为：
其中，ρθ(k)为第k时刻元胞θ的密度，nθ(k)为第k时刻元胞θ的车辆数量，mθ表示元胞θ的车道数，Δlθ是元胞的长度。
通过在图像中设置虚拟检测区段，收集一个周期内的累计交通量，为了避免同一车辆重复计数，对相邻两幅图像进行车辆路线比较，如果位置发生变化，则认为该车辆已通过监控段，否则认为该车辆仍处于禁止状态，识别完成后，将一个周期内通过检测段的车辆数量计算为该周期的累计交通量。
S3、交通状态划分：依据交通流和特性和交通参数特性，采用行程平均速度v、交通密度ρ为特征参数，并利用k-means算法并对数据集进行标定，根据他们的特征划分到不同的交通状态里面，k-means算法的具体步骤为：
S3.1、从数据中选择k个对象作为初始聚类中心；
S3.2、分别计算各数据点到聚类中心之间的欧式距离，将它划分到离得较近的聚类中心所在的类别当中，计算公式为：
其中，xi为数据集中第i个数据点，μj为第j个聚类类别的中心点,k为聚类类别个数。
S3.3、根据聚类结果计算不同类别包含数据点的算数平均值，用该值代替之前的聚类中心点，更新公式表示为：
其中，xj为数据集中第i个数据点，μj为第j个聚类类别的中心点。
S3.4、更新聚类的中心点，比较比较当前聚类中心点与更新前中心点的区别，若相同，则迭代停止，算法结束，若不同，则返回到步骤S4.2，继续迭代；
进一步的，所述步骤中，所述算法的目标函数表示为：
其中，E表示算法的平方误差，Cj表示第j个聚类簇。
最终根据两个交通参数，将数据划分到了拥堵，缓行，畅通三类交通状态里面，得到了它们的对应关系，完成数据的标定。
S4、交通状态预测：构建BP神经网络的交通模型，该模型的作用是用来预测交叉口车辆的交通参数，模型的输入是当前时刻的交通参数，输出是下一时刻的交通参数，用交通参数来表示交通状态，通过迭代学习的方式，实现对交叉口交通状态的预测。
BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络，本发明所构建的BP神经网络包含了一个输入层，一个输出层和两个隐层，其中，输入和输出的隐层神经元以sigmoid函数作为激活函数，输出层上的神经元则采用RELU函数作为激活函数，均方误差(MSE)作为损耗函数，训练方法上都采用自适应学习率算法，其中，sigmoid函数和RELU函数的表达式为：
sigmoid函数：
RELU函数：RELU(x)＝max(0,x)
这两种函数都是非线性函数，能够更好的拟合数据间的关系。
输出元胞网络的输入输出的映射关系如下：
ρi(k+1),vi(k+1)＝f(gi(k),hi(k),ρi(k),ρJ(i),vi(k),C(i),R,λ)
其中，ρi(k+1)表示元胞i在k+1时刻的密度，vi(k+1)表示元胞i在k+1时刻的速度，f表示用神经网络模型拟合出的函数关系，gi(k)表示元胞i在k时刻接收到的交通流，hi(k)表示元胞i在k时刻离开的交通流，ρi(k)表示元胞i在k时刻的密度，ρJ(i)表示元胞i在k时刻的拥挤密度，vi(k)表示元胞i在k 时刻的内部车辆平均行程速度，C(i)表示元胞i的容量，R表示元胞i下游元胞的最大吸收能力，λ是信号灯的状态变量，当λ＝1时，绿灯亮起；当λ＝0时，红灯亮起。
以采用一步预测和多步预测为例，一步预测实验从验证集中随机抽取样本，直到全部样本被抽完为止，并随机选取100个样本进行多步预测实验，多步实验的目的是观察多步预测的误差尺度以及预测持续时间对误差的影响，多步实验选择的时间为一步时间、一个周期时间、5分钟时间和15分钟时间，结果表明，一步预测实验的均方根误差为0.28，最大误差为3.63，多步预测的均方根误差和每个元胞的实验数据如表 1所示，通过对单步预测、单信号周期预测和5分钟预测的平均准确率较高，分别是98％，86％和77％。
表1
采用已经标定好的前四天数据作为训练集训练神经网络模型，并利用最后一天的数据集进行验证，当测试过后的模型达到预定的性能指标后，便可以对整个路网的交叉口进行预测，进而得到整个路网交叉口的交通状态。
综上所述，本发明提出了一种基于神经网络元胞传输模型的交叉口交通状态预测的方法。首先通过对数据的收集和预处理，用k-means聚类算法对交叉口的视频数据和GPS数据进行状态标定，然后设计了一种BP神经网络，采用标定好的交通数据训练模型，迭代学习得到了整个路网交叉口的交通状态，解决了交叉口交通情况复杂难以准确预测的问题。本发明充分考虑了交通流的特性，发挥了机器学习算法在交通领域的优势，及时得到路网的交叉口交通状态情况，可以为驾驶者提供可靠的信息。
最后应当说明的是，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的快速路信息予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (2)
1.一种基于神经网络元胞传输模型的交叉口交通状态预测方法，其特征在于，该方法包括如下步骤：
S1、交叉口范围划分：依据交通流特性分析和元胞传输模型理论，建立交通流之间的关系，将交叉口划分为多个符合道路实际情况的元胞，元胞内部满足传统交通的流量-密度关系；
S2、元胞内数据处理：对元胞内收集的GPS数据、视频数据进行预处理，对冗余数据进行删除，异常数据进行修正，并将两种数据处理为直接使用的交通数据；
S3、交通状态划分：依据交通流特性和交通参数特性，采用行程平均速度v、交通密度ρ为特征参数，采用k-means聚类算法对数据集进行标定，将数据聚成三类，得出不同速度和密度下的所对应的交通状态，并最终将交通状态划分为拥堵，缓行和畅通三种交通状态；
S4、交通状态预测：将标定好的交通数据组成训练集，构建BP神经网络模型，模型的输入是当前时刻的交通参数，输出是下一时刻的交通参数，用交通参数来表示交通状态，通过迭代学习，实现对交叉口交通状态的预测；
所述步骤S1中，交叉口范围划分的规则为：
S1.1依据元胞传输模型的基本假设，通过交通密度和交通流的关系，将交叉口区域划分为进口元胞、出口元胞和内元胞，根据交叉口区域的基本假设和基本规律，确定模型的输入向量和输出向量；
S1.2依据基本假设，交叉口区域划分为4个进口元胞、4个出口元胞和1个内元胞，进口元胞的长度范围是：
其中，ΔLi为进口元胞i的最大队列长度，Δt为采样周期，vf(j)示第j th车辆的自由流动速度，s为进入进口元胞i的一组车辆；
出口元胞的长度为：
其中r表示进入出口元胞o的车辆集合，ΔLo为相邻交叉口在同一方向上的距离，内元胞不超过入口停止线所形成的矩形范围；
所述步骤S2中，交叉口元胞传输模型建立后，用于处理已经采集好的GPS数据和视频数据，将元胞内的数据进行预处理，处理方法为：
S2.1将GPS数据中的漂移数据进行删除，查找漂移数据的方法是依据经纬度坐标计算t时刻GPS数据点与t-1时刻的距离d，其中距离公式为：
d＝arccos((sin ytsin yt-1)+(cos ytcos yt-1cos(xt-xt-1)))D
其中，D代表了地球的半径，取值为6371.004km；
若超过车辆以允许最大速度vmax在单位时间间隔Δt内所能行驶的距离，则将此数据删除，并依据该车的ID在t-1时刻的经纬度以及速度信息补充一个新的数据点；
S2.2 GPS数据中还有一种未按规定传回时间传回的缺失数据，缺失数据产生的原因是道路交叉口高大建筑物过多的导致信号缺失，GPS终端仪器无法传回数据，这类异常数据的处理方法是基于该车辆的ID，将两段位置上平均速度的平均速度补充一个正常位置的数据；
S2.3对视频数据进行处理，方法是进行车辆位置的获取，车辆位置获取是指在不同时间采集不同车辆的位置，首先，车辆被跟踪和识别，然后提取车辆质心的像素坐标，车辆位置获取算法包括车辆检测、融合分割、车辆跟踪和位置输出四个部分，该算法利用卡尔曼滤波的先验信息进行车辆位置获取，卡尔曼滤波的状态更新方程为：
X(t)＝A(t)X(t-1)+B(t)U(t)+ω(t)
其中，X(t)为t时刻车辆估计的位置向量，U(t)是物体在t时刻的速度向量，A(t)和B(t)是t时刻的估计参数向量，ω(t)为t时刻估计的噪声向量；
卡尔曼滤波的观测方程为:
Y(t)＝D(t)X(t)+ν(t)
其中，Y(t)为t时刻车辆观测到的位置向量，D(t)是t时刻观测到的参数向量，v(t)是t时刻观测到的噪声向量；
利用卡尔曼滤波提供的先验信息作为融合和分割的参考，当两个车辆中心近似于一个预测值时进行融合；
S2.4采集视频中的交通密度数据，计算方法为：
其中，ρθ(k)为第k时刻元胞θ的密度，nθ(k)为第k时刻元胞θ的车辆数量，mθ表示元胞θ的车道数，Δlθ是元胞的长度；
通过在图像中设置虚拟检测区段，收集一个周期内的累计交通量；
所述步骤S3中，依据交通流和特性和交通参数特性，采用行程平均速度v、交通密度ρ为特征参数，并利用k-means算法并对数据集进行标定，k-means算法的具体步骤为：
S3.1、从数据中选择k个对象作为初始聚类中心；
S3.2、分别计算各数据点到聚类中心之间的欧式距离，将它划分到离得较近的聚类中心所在的类别当中，计算公式为：
其中，xi为数据集中第i个数据点，μj为第j个聚类类别的中心点，k为聚类类别个数；
S3.3、根据聚类结果计算不同类别包含数据点的算数平均值，用该值代替之前的聚类中心点，更新公式表示为：
其中，xj为数据集中第i个数据点，μj为第j个聚类类别的中心点；
S3.4、更新聚类的中心点，比较比较当前聚类中心点与更新前中心点的区别，若相同，则迭代停止，算法结束；则返回上一步，继续迭代；
目标函数表示为：
其中，E表示算法的平方误差，Cj表示第j个聚类簇；
通过k-means算法对数据进行处理，对数据进行标定，利用该算法将数据聚成三类，得出不同速度和密度下的所对应的交通状态，并最终将交通状态划分为拥堵，缓行和畅通三种交通状态。
2.根据权利要求1所述的一种基于神经网络元胞传输模型的交叉口交通状态预测方法，其特征在于，所述步骤S4中，构建BP神经网络交通模型，构建的BP神经网络包含了一个输入层，一个输出层和两个隐层，其中，输入和输出的隐层神经元以sigmoid函数作为激活函数，输出层上的神经元则采用RELU函数作为激活函数，均方误差MSE作为损耗函数，训练方法上都采用自适应学习率算法，其中，sigmoid函数和RELU函数的表达式为：
sigmoid函数：
RELU函数：RELU(x)＝max(0,x)
这两种函数都是非线性函数，能够更好的拟合数据间的关系；
输出元胞网络的输入输出的映射关系如下：
ρi(k+1),vi(k+1)＝f(gi(k),hi(k),ρi(k),ρJ(i),vi(k),C(i),R,λ)
其中，ρi(k+1)表示元胞i在k+1时刻的密度，vi(k+1)表示元胞i在k+1时刻的速度，f表示用神经网络模型拟合出的函数关系，gi(k)表示元胞i在k时刻接收到的交通流，hi(k)表示元胞i在k时刻离开的交通流，ρi(k)表示元胞i在k时刻的密度，ρJ(i)表示元胞i在k时刻的拥挤密度，vi(k)表示元胞i在k时刻的内部车辆平均行程速度，C(i)表示元胞i的容量，R表示元胞i下游元胞的最大吸收能力，λ是信号灯的状态变量，当λ＝1时，绿灯亮起；当λ＝0时，红灯亮起。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011419726.0A CN112613225B (zh) | 2020-12-06 | 2020-12-06 | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011419726.0A CN112613225B (zh) | 2020-12-06 | 2020-12-06 | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112613225A CN112613225A (zh) | 2021-04-06 |
| CN112613225B true CN112613225B (zh) | 2024-04-26 |
Family
ID=75229194
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011419726.0A Active CN112613225B (zh) | 2020-12-06 | 2020-12-06 | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112613225B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991393A (zh) * | 2021-04-15 | 2021-06-18 | 北京澎思科技有限公司 | 目标检测与跟踪方法、装置、电子设备及存储介质 |
| CN113536942B (zh) * | 2021-06-21 | 2024-04-12 | 上海赫千电子科技有限公司 | 一种基于神经网络的道路交通标志识别方法 |
| CN114333307A (zh) * | 2021-12-23 | 2022-04-12 | 北京交通大学 | 一种基于pso-elm算法的交叉口交通状态识别方法 |
| CN114627658B (zh) * | 2022-04-22 | 2023-10-27 | 河北上元智能科技股份有限公司 | 一种重大特殊车队通行高速公路的交通控制方法 |
| CN115100875B (zh) * | 2022-06-06 | 2023-05-16 | 东南大学 | 基于网联车轨迹数据的绿波行进车速不确定性量化方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104298829A (zh) * | 2014-10-14 | 2015-01-21 | 浙江师范大学 | 基于元胞自动机模型的城市路网交通流仿真设计方法 |
| CN105975705A (zh) * | 2016-05-13 | 2016-09-28 | 东南大学 | 一种针对可变限速控制的元胞传输仿真模型改进方法 |
| CN106991251A (zh) * | 2017-04-27 | 2017-07-28 | 东南大学 | 一种高速公路交通流元胞机仿真方法 |
-
2020
- 2020-12-06 CN CN202011419726.0A patent/CN112613225B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104298829A (zh) * | 2014-10-14 | 2015-01-21 | 浙江师范大学 | 基于元胞自动机模型的城市路网交通流仿真设计方法 |
| CN105975705A (zh) * | 2016-05-13 | 2016-09-28 | 东南大学 | 一种针对可变限速控制的元胞传输仿真模型改进方法 |
| CN106991251A (zh) * | 2017-04-27 | 2017-07-28 | 东南大学 | 一种高速公路交通流元胞机仿真方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于元胞自动机的交叉口信号灯模型研究;彭川;中国优秀硕士学位论文全文数据库;第1-48页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112613225A (zh) | 2021-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
| CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
| CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
| CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
| CN108269401B (zh) | 一种基于数据驱动的高架桥交通拥堵预测方法 | |
| CN111080029B (zh) | 基于多路段时空相关的城市交通路段速度预测方法及系统 | |
| Yan et al. | Spatial-temporal chebyshev graph neural network for traffic flow prediction in iot-based its | |
| CN111882869B (zh) | 一种考虑不良天气的深度学习交通流预测方法 | |
| CN113538910B (zh) | 一种自适应的全链条城市区域网络信号控制优化方法 | |
| CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
| CN107133974A (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
| CN112863182B (zh) | 基于迁移学习的跨模态数据预测方法 | |
| CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
| CN109272745A (zh) | 一种基于深度神经网络的车辆轨迹预测方法 | |
| CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
| CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
| CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
| CN114944053A (zh) | 一种基于时空超图神经网络的交通流预测方法 | |
| CN110889444A (zh) | 一种基于卷积神经网络的驾驶轨迹特征分类方法 | |
| CN114882069A (zh) | 基于lstm网络和注意力机制的出租车轨迹异常检测方法 | |
| CN111899511A (zh) | 一种共线线路avl数据的公交车到站时间预测方法 | |
| CN115796017A (zh) | 一种基于模糊理论的可解释交通认知方法 | |
| CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
| CN112529299A (zh) | 基于arima和lstm混合神经网络的短交通流预测方法 |
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 |