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 - Google Patents
一种基于层级解耦的交叉口交通状况测评要素提取方法 Download PDFInfo
- Publication number
- CN114120638B CN114120638B CN202111319619.5A CN202111319619A CN114120638B CN 114120638 B CN114120638 B CN 114120638B CN 202111319619 A CN202111319619 A CN 202111319619A CN 114120638 B CN114120638 B CN 114120638B
- Authority
- CN
- China
- Prior art keywords
- data
- evaluation
- intelligent vehicle
- vehicle
- evaluation element
- 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
Images
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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
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
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PMx排放量数据、车辆NOx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;fij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fij中的最大值aj以及最小值bj。
优选的,得到智能车路测评指标矩阵表示为G=(gij)m×n。
优选的,通过以下表达式hi=s(wxi+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;hi为输入层数据的编码结果;s为激活函数,得到H={h1 h2 …hi}。
优选的,当线性分类面的目标函数为y=σ·gij+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,gij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、PMx排放量、NOx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;fij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fij中的最大值aj以及最小值bj。
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=(gij)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 ... xn}进行层级解耦,其中xn=gmn。
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:
hi=s(wxi+q)
其中,w为欠完备自编码器的权重;q为编码偏置系数;hi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 ... hi}。
S203将得到的H={h1 h2 ... hn}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:
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·gij+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, gij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)
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PMx排放量数据、车辆NOx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;fij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fij中的最大值aj以及最小值bj;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所述智能车路测评指标矩阵表示为G=(gij)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hi=s(wxi+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;hi为输入层数据的编码结果;s为激活函数,得到H={h1 h2 ... hi};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hi解码后的输出层结果,得到
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111319619.5A CN114120638B (zh) | 2021-11-09 | 2021-11-09 | 一种基于层级解耦的交叉口交通状况测评要素提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111319619.5A CN114120638B (zh) | 2021-11-09 | 2021-11-09 | 一种基于层级解耦的交叉口交通状况测评要素提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114120638A CN114120638A (zh) | 2022-03-01 |
CN114120638B true CN114120638B (zh) | 2023-04-25 |
Family
ID=80377755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111319619.5A Active CN114120638B (zh) | 2021-11-09 | 2021-11-09 | 一种基于层级解耦的交叉口交通状况测评要素提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120638B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942952B (zh) * | 2014-03-12 | 2016-01-20 | 华南理工大学 | 一种路网功能层次状态等级评估方法 |
JP6501258B2 (ja) * | 2015-05-22 | 2019-04-17 | 富士通株式会社 | 評価方法、評価プログラムおよび情報処理装置 |
CN107248284B (zh) * | 2017-08-09 | 2019-11-05 | 北方工业大学 | 基于多源信息融合的实时交通评价方法 |
CN110782664A (zh) * | 2019-10-16 | 2020-02-11 | 北京航空航天大学 | 一种智能车路系统的运行状况监测方法 |
US11353861B2 (en) * | 2020-05-04 | 2022-06-07 | Toyota Motor Engineering & Manufacturing North America, Inc. | Autoencoder utilizing vehicle contextual information |
CN111862600A (zh) * | 2020-06-22 | 2020-10-30 | 中汽研智能网联技术(天津)有限公司 | 一种基于车路协同的交通效率评估方法 |
-
2021
- 2021-11-09 CN CN202111319619.5A patent/CN114120638B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9424745B1 (en) * | 2013-11-11 | 2016-08-23 | Emc Corporation | Predicting traffic patterns |
Also Published As
Publication number | Publication date |
---|---|
CN114120638A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271522B (zh) | 基于深度混合模型迁移学习的评论情感分类方法及系统 | |
Huang et al. | An intelligent multifeature statistical approach for the discrimination of driving conditions of a hybrid electric vehicle | |
CN105956560B (zh) | 一种基于池化多尺度深度卷积特征的车型识别方法 | |
CN111931902B (zh) | 一种生成对抗网络模型、及利用该生成对抗网络模型的车辆轨迹预测方法 | |
CN102520341B (zh) | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 | |
CN112116030A (zh) | 一种基于向量标准化和知识蒸馏的图像分类方法 | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN108711016A (zh) | 一种基于bp神经网络的驾驶行为评分方法 | |
CN106845387A (zh) | 基于自学习的行人检测方法 | |
CN110796109A (zh) | 一种基于模型融合的驾驶员分心行为识别方法 | |
CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN106295906A (zh) | 一种基于深度学习的城市公交线路查询方法 | |
CN114912719B (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
CN113971440A (zh) | 一种基于深度聚类的无监督雷达信号分选方法 | |
Shi et al. | Applying a WNN-HMM based driver model in human driver simulation: Method and test | |
CN114241458B (zh) | 一种基于姿态估计特征融合的驾驶员行为识别方法 | |
CN115984213A (zh) | 基于深度聚类的工业产品外观缺陷检测方法 | |
Fei et al. | Vehicle exhaust concentration estimation based on an improved stacking model | |
CN114120638B (zh) | 一种基于层级解耦的交叉口交通状况测评要素提取方法 | |
CN116451125A (zh) | 一种新能源车车主识别方法、装置、设备及存储介质 | |
CN116524710A (zh) | 基于图注意力机制和双向门控循环单元交通流预测方法 | |
CN105718858A (zh) | 一种基于正负广义最大池化的行人识别方法 | |
CN115829029A (zh) | 一种基于通道注意力的自蒸馏实现方法 | |
Xie et al. | Real-time driving pattern prediction based on KPCA and neural network | |
Wang et al. | Research on road adhesion condition identification based on an improved ALexNet model |
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 |