CN114120638B

CN114120638B - 一种基于层级解耦的交叉口交通状况测评要素提取方法

Info

Publication number: CN114120638B
Application number: CN202111319619.5A
Authority: CN
Inventors: 任毅龙; 董承霖; 于海洋; 冯斌; 贾国强
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2021-11-09
Filing date: 2021-11-09
Publication date: 2023-04-25
Anticipated expiration: 2041-11-09
Also published as: CN114120638A

Abstract

本专利属于智能车路系统领域，具体而言涉及一种基于层级解耦的交叉口交通状况测评要素提取方法。所述方法包括，S1获取智能车路系统的交叉口交通状况数据，依据所述数据组成智能车路系统的第一测评要素矩阵，对所述矩阵内的元素进行阈值归一化处理以得到智能车路测评指标矩阵G；S2对交叉口测评要素进行层级解耦，得到数据特征X’；S3通过层级解耦后的数据特征X’提取智能车路的测评要素，根据支持向量机的分类性能作为数据特征的评价函数，每回合消除一个特征重要性最小的特征，不断消除迭代；最后按从大到小对数据的特征重要性进行排序。以实现对复杂环境下的智能车路强耦合现象进行交叉口交通状况的全面、准确评估。

Description

一种基于层级解耦的交叉口交通状况测评要素提取方法

技术领域

本专利属于智能车路系统领域，具体而言涉及一种基于层级解耦的交叉口交通状况测评要素提取方法。

背景技术

由于交通大数据、多基协同感知和多模式通信技术的快速发展，现有的交通控制技术已无法满足当前道路交通系统的发展。智能车路系统 (Intelligent Vehicle-Infrastructure System,智能车路)作为交通行业发展的重要组成部分，对道路交通组织和运行形态变革具有深远的影响。基于车辆和交通路侧设施的智能化发展，智能车路通过互联网通信技术，充分实现智能交通系统下万物互联，有效保障道路安全并提升交通效率。

目前已有较多关于智能车路测评指标的研究，少有对智能车路测评要素进行研究，而智能车路测评要素可以为测评指标提供良好的支撑作用，同时可以针对复杂环境下智能车路强耦合现象进行全面而有效的评估。

发明内容

本专利正是基于现有技术的上述需求而提出的，本专利要解决的技术问题是提供一种基于层级解耦智能车路交叉口测评要素提取方法实现对复杂环境下的智能车路强耦合现象进行交叉口交通状况的全面、准确评估。

为了解决上述问题，本专利提供的技术方案包括：

提供了一种基于层级解耦的交叉口交通状况测评要素提取方法，包括， S1获取智能车路系统的交叉口交通状况数据，依据所述数据组成智能车路系统的第一测评要素矩阵，对所述矩阵内的元素进行阈值归一化处理以得到智能车路测评指标矩阵G；其中，所述交通状况数据包括车辆平均速度数据、车辆平均延误数据、车辆平均行程时间数据、平均流量数据、车辆平均密度数据、平均损失时间数据、车辆最大停车时间数据、车辆平均停车次数数据、车辆平均停车时间数据、车辆总停车时间数据、车辆CO排放量数据、车辆 CO₂排放量数据、车辆HC排放量数据、车辆PM_x排放量数据、车辆NO_x排放量数据、车辆油耗数据以及车辆噪声数据：S2对交叉口测评要素进行层级解耦，包括，S201将智能车路测评指标矩阵G转换为第二测评要素X；S202 将第二测评要素X作为输入数据输入到输入层中，在所述输入层进行特征编码，得到H；S203将得到的H输入到隐藏层中，以学习较为全面的智能车路测评要素数据特征；S204将学习后的H′出层中进行特征解码，得到数据特征X’； S3通过层级解耦后的数据特征X’提取智能车路的测评要素，根据支持向量机的分类性能作为数据特征的评价函数，每回合消除一个特征重要性最小的特征，不断消除迭代；最后按从大到小对数据的特征重要性进行排序，以根据所述排序评测所述智能车路交叉口的交通状况。

优选的，智能车路系统有m个评价方案和n个测评要素，第一测评要素矩阵M为

其中，i为智能车路系统测试方案编号，i＝1，2，3，...m；j为测评要素的序号；f_ij表示第 i个评价方案中对应的第j项测评要素的数据值。

优选的，将测评要素的真实值和阈值进行比较，从而得出指标值，所述阈值包括f_ij中的最大值a_j以及最小值b_j。

优选的，正指标的测评要素的指标值表示为：

其中，g_ij表示测评要素的指标值。

优选的，逆指标的测评要素的指标值表示为

优选的，得到智能车路测评指标矩阵表示为G＝(g_ij)_m×n。

优选的，通过以下表达式h_i＝s(wx_i+q)进行特征解码，其中w为欠完备自编码器的权重；q为编码偏置系数；h_i为输入层数据的编码结果；s为激活函数，得到H＝{h₁ h₂ …h_i}。

优选的，将学习后的H输入到输出层中，通过

进行解码，其中w'为欠完备自解码器的权重；q'为解码偏执系数；

为对h_i解码后的输出层结果，得到

优选的，通过支持向量机-递归特征消除算法对数据特征的重要性进行排序，所述支持向量机的目标函数为

σ为权重系数，每一次会消除一个使‖σ‖最小的数据特征，以迭代所有数据特征。

优选的，当线性分类面的目标函数为y＝σ·g_ij+b时，通过构建该函数反应数据的权重，利用权向量σ来建立数据特征排序列表，其中，σ为权重系数，g_ij为数据的指标值，b为支持向量机的偏量值。

与现有技术相比，本专利可以解决复杂环境下智能车路系统测评指标多强耦合的问题，且通过本专利所述方法实现对复杂环境下的智能车路强耦合现象进行交叉口交通状况的全面、准确评估。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明的一种基于层级解耦的交叉口交通状况测评要素提取方法的步骤流程图；

图2为本发明的S2中的步骤流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接可以是机械连接，也可以是电连接可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

全文中描述使用的术语“顶部”、“底部”、“在……上方”、“下”和“在……上”是相对于装置的部件的相对位置，例如装置内部的顶部和底部衬底的相对位置。可以理解的是装置是多功能的，与它们在空间中的方位无关。

为便于对本申请实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本申请实施例的限定。

实施例1

本实施例提供了一种基于层级解耦的智能车路系统交叉口测评要素提取方法，如图1所示。

所述一种基于层级解耦的智能车路系统交叉口测评要素提取方法包括：

S1构建测评要素体系，包括智能车路系统的测评要素矩阵，对所述矩阵内的元素进行阈值归一化处理以得到智能车路测评指标矩阵。

建立智能车路系统交叉口模型，结合实际情况构建交叉口进行智能车路系统仿真模型，V2V通信技术具有高可靠性和低延迟性，通过V2V通信技术实现交叉口车辆和智能路边设施的实时信息交互。

构建智能车路系统交叉口测评体系，在智能车路系统交叉口的运行环境中，在实现道路和车辆的实时信息交互的前提下，针对智能车路交叉口各指标的异质性和同质性特征，对智能车路框架所包含的指标进行划分，从效率、环保、舒适性三个维度建立测评要素体系。

所述效率维度的评价指标包括平均速度、平均延误、平均行程时间和平均流量；所述舒适度维度的评价指标包括平均密度、平均损失时间、最大停车时间、平均停车次数、平均停车时间和总停车时间；所述环保维度的评价指标包括CO排放量、CO₂排放量、HC排放量、PM_x排放量、NO_x排放量、油耗以及噪声等。

假设智能车路系统有m个评价方案和n个测评要素，每个方案的测评要素根据各试验目标具体确定。所述测评要素为评价指标中的一个或多个。

对于m个方案，第一测评要素矩阵M表示为：

其中，i为智能车路系统测试方案编号，i＝1，2，3，...m；j为测评要素的序号；f_ij表示第i个评价方案中对应的第j项测评要素的数据值。

针对智能车路系统多指标、多维度的特点，采用无量纲的阈值法对测评要素进行归一化。

通过将测评要素的真实值和阈值进行比较，从而得出指标值。所述阈值包括f_ij中的最大值a_j以及最小值b_j。

考虑到智能车路系统指标的复杂性，对于正指标，其值随着智能车路系统性能的改善而增大，而对于逆指标，其值随着智能车路系统性能的改善而减小。

正指标的测评要素的指标值表示为：

其中，gij表示测评要素的指标值。

逆指标的测评要素的指标值表示为：

G是经过阈值法归一化的智能车路测评指标矩阵，表示为G＝(g_ij)_m×n。

S2对交叉口测评要素进行层级解耦。

S201将智能车路测评指标矩阵G转换为第二测评要素X。

对复杂环境下智能车路交通流的第二测评要素X＝{x₁ x₂ ... x_n}进行层级解耦，其中x_n＝g_mn。

S202将X作为输入数据输入到输入层中，在所述输入层进行特征编码，得到H。

对所述输出层的特征编码可以具体表示为：

h_i＝s(wx_i+q)

其中，w为欠完备自编码器的权重；q为编码偏置系数；h_i为输入层数据的编码结果；s为激活函数。

通过上述处理得到H，其具体表示为：H＝{h₁ h₂ ... h_i}。

S203将得到的H＝{h₁ h₂ ... h_n}输入到隐藏层中，以学习较为全面的智能车路测评要素数据特征。

S204将学习后的H输入到输出层中进行特征解码，得到数据特征X’。

在特征解码过程中使用到的解码函数为：

式中，w′为欠完备自解码器的权重；q′为解码偏执系数；

为对h_i解码后的输出层结果，得到数据特征表示为

经过对输入信息的编码与解码，将复杂智能车路环境下的高维原始数据转换为保留重要特征的低维数据。针对测评体系矩阵，可以通过设置输入层神经元个数以及隐藏神经元个数，限制隐藏层维度低于输入层维度，提取交叉口各项数据的最显著特征。

S3通过层级解耦后的数据特征提取智能车路的测评要素，并按从大到小对数据特征的重要性进行排序。

使用支持向量机-递归特征消除算法通过对数据特征重要性进行排序，从而确定最终重要特征子集。

根据支持向量机的分类性能作为数据特征的评价函数，每回合消除一个特征重要性最小的特征，不断消除迭代，最后按从大到小对数据的特征重要性进行排序。

SVM-RFE使用数据特征对目标函数的作用值σ，作为特征排序的系数构造线性分类器。

支持向量机的目标函数为：

线性分类面的目标函数为：

y＝σ·g_ij+b

通过构建线性分类面目标函数反应数据的权重，利用权向量σ来建立数据特征排序列表，也就是数据特征对目标函数的作用值。其中，σ为权重系数， g_ij为数据的指标值，b为支持向量机的偏量值。

利用拉格朗日对偶性将原始问题转化为对偶问题，通过对偶问题而得到原始问题的解。

当权向量σ越大时，其对线性分类面的目标函数的作用值越大，所带有的特征判别信息量也就越大。

SVM-RFE每一次会消除一个使‖σ‖最小的数据特征，不断训练分类器并重复上述的步骤，以迭代至构建数据特征排序表完成。

示例性的，在sklearn库中利用SVM-RFE算法对智能车路系统交叉口进行测评要素提取。SVM在sklearn中应用时，根据学习器返回的coef_属性来确定各个特征的重要程度，然后将不重要的特征从当前的特征集合中剔除。

重复上述的过程，剔除特征重要性低的数据，直到获取重要的数据特征为止。最终结果即为智能车路系统交叉口测评关键要素。

得到上述要素的排序后，可以根据要素的排序所代表的要素的重要性来评价交叉口的交通状况，例如在具体的评价过程中对于排序靠前的要素赋予更高的权重值，随着排序的向后推进，各个要素的权重值依次减小，如果有利于准确评价交叉口的真实交通状态。

以上所述的具体实施方式，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的具体实施方式而已，并不用于限定本申请的保护范围，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims

1.一种基于层级解耦的交叉口交通状况测评要素提取方法，其特征在于，包括，

S1获取智能车路系统的交叉口交通状况数据，包括车辆平均速度数据、车辆平均延误数据、车辆平均行程时间数据、平均流量数据、车辆平均密度数据、平均损失时间数据、车辆最大停车时间数据、车辆平均停车次数数据、车辆平均停车时间数据、车辆总停车时间数据、车辆CO排放量数据、车辆CO₂排放量数据、车辆HC排放量数据、车辆PM_x排放量数据、车辆NO_x排放量数据、车辆油耗数据以及车辆噪声数据；智能车路系统有m个评价方案和n个测评要素，依据所述数据组成智能车路系统的第一测评要素矩阵M，其中，

其中，i为智能车路系统测试方案编号，i＝1，2，3，...m；j为测评要素的序号；f_ij表示第i个评价方案中对应的第j项测评要素的数据值；对所述矩阵内的元素进行阈值归一化处理以得到智能车路测评指标矩阵G，将测评要素的真实值和阈值进行比较，从而得出指标值，所述阈值包括f_ij中的最大值a_j以及最小值b_j；正指标的测评要素的指标值表示为：

其中，g_ij表示测评要素的指标值；逆指标的测评要素的指标值表示为

所述智能车路测评指标矩阵表示为G＝(g_ij)_m×n；

S2对交叉口测评要素进行层级解耦，包括，S201将智能车路测评指标矩阵G转换为第二测评要素X；S202将第二测评要素X作为输入数据输入到输入层中，在所述输入层进行特征编码，通过以下表达式h_i＝s(wx_i+q)进行特征解码，其中w为欠完备自编码器的权重；q为编码偏置系数；h_i为输入层数据的编码结果；s为激活函数，得到H＝{h₁ h₂ ... h_i}；S203将得到的H输入到隐藏层中，以学习较为全面的智能车路测评要素数据特征；S204将学习后的H′出层中进行特征解码，通过

为对h_i解码后的输出层结果，得到

S3通过层级解耦后的数据特征X’提取智能车路的测评要素，根据支持向量机的分类性能作为数据特征的评价函数，通过支持向量机-递归特征消除算法对数据特征的重要性进行排序，所述支持向量机的目标函数为

σ为权重系数，每一次会消除一个使‖σ‖最小的数据特征，以迭代所有数据特征；最后按从大到小对数据的特征重要性进行排序，以根据所述排序评测所述智能车路交叉口的交通状况，包括当线性分类面的目标函数为y＝σ·g_ij+b时，通过构建该函数反应数据的权重，利用权向量σ来建立数据特征排序列表，其中，σ为权重系数，g_ij为数据的指标值，b为支持向量机的偏量值。