CN114613144A - 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法 - Google Patents

Abstract

本发明提供了一种基于Embedding‑CNN的混合车群运动演化规律的刻画方法，属于智能交通信息技术领域。本方法包括以下步骤：首先，选定监测路段，通过监测路段路侧或车载传感器，截取t时刻监测路段混合异质车群的单车数据；再将步骤1)截取的单车数据进行预处理，获得Embedding‑CNN模型数据集；然后，构建Embedding‑CNN模型，并根据步骤2)获得的Embedding‑CNN模型数据集对Embedding‑CNN模型进行训练；最后，在测试集上对Embedding‑CNN模型的准确性进行验证。本方法从单个车辆行为出发，探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题，建立基于Embedding‑CNN的深度学习模型实现对混合车群运动演化规律的精准刻画，为掌握网联环境下新型混合交通的运行状态提供依据。

Description

一种基于Embedding-CNN的混合车群运动演化规律的刻画 方法

技术领域

本发明属于交通数据分析及处理领域，具体涉及一种基于嵌入层-卷积神经网络(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合车群运动演化规律的刻画方法，可适用于智能网联环境下快速路混合车群运动演化规律的刻画。

背景技术

近年来，网联自动车(Connected Autonomous Vehicles，CAVs)技术发展迅速，凭借其广泛、实时的信息感知能力以及完全可控等特性，为研究交通问题提供了新的思路。相关的研究表明，网联自动车的加入，将会改变快速路交通流的运行状态，而这种变化会受其渗透率和空间分布情况的影响。因此，从单个车辆行为出发，研究混合交通条件下网联自动车的渗透率和空间分布与异质车群的运动演化规律之间的关系具有重要意义。智能网联环境下可以轻易获取道路上每辆车的位置信息、状态信息以及车辆类型等，使得上述研究成为可能。

现有的研究中，大多从车辆集体的平均行为出发，建立交通流演化模型。现有技术CN102289929A公开了一种带耗散项LWR宏观交通流稳定性建模方法，该方法通过在Burgers方程的基础上进行改进，建立了新的交通模型，用以解决各种交通参数变化时交通拥堵问题的整体描述问题。但是该方法研究车辆集体的平均行为，车流中单个车辆的个体特性并不凸显，尤其对于人驾车和自动车混合的异质车群，难以精确、有效地对新型混合交通流的运动演化特性进行刻画。

发明内容

有鉴于此，本发明的目的在于提供一种基于嵌入层-卷积神经网络(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合车群运动演化规律的刻画方法，解决在人驾车和自动车混合的异质车群中，通过研究车辆集体的平均行为，难以精确、有效地对新型混合交通流的运动演化特性进行刻画的问题。

为实现上述目的，本发明包括以下步骤：

1)选定监测路段，通过监测路段路侧或车载传感器，截取监测路段不同交通状态下混合异质车群的单车数据；

2)将步骤1)截取的单车数据进行预处理，获得Embedding-CNN模型数据集；

3)构建Embedding-CNN模型，并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练；

4)在测试集上对Embedding-CNN模型的准确性进行验证。

进一步地，所述步骤1)具体包括以下步骤：

步骤1.1)选定长度为L的监测路段s，初始化混合车群的长度；

步骤1.2)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n₁,n₂,...,n_k的车辆长度l_k；运动状态信息：速度v、加速度a、偏航角h；车辆的位置信息：纵向位置x，即车头位置，和所属车道c；车辆的类型p，用以区分网联人驾车和网联自动车；以及在t时刻选定的路段s内的车辆n₁,n₂,...,n_k在t+τ时刻的运动状态信息和车辆的位置信息：纵向位置x′与所属车道k′。同时，获取t时刻路段s下游长度为L的路段s+1各个车辆的运动状态信息和位置信息。

进一步地，所述步骤2)具体包括以下步骤：

步骤2.1)根据t时刻路段s内的单车数据，将路段s划分为c×m个单元，c为车道的数量，m为每条车道划分的单元数量；确定每条车道单个单元划分的长度l_min，可用以下公式表示：

式中，L代表路段s及路段s+1的长度；

步骤2.2)确定每一条车道每辆车插入的单元位置，构建c×m×f的零矩阵，f为车辆的特征层的数量，根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中，替换原来的“0”值；

每一条车道每辆车插入的单元位置可用以下公式表示：

式中，m′_i为插入的第一个位置；m_i表示最后一个插入的位置；x_j为第j辆车的纵向位置；s_min为路段s的初始位置；l_j为第j辆车的长度；[]表示取整函数。

步骤2.3)确定t时刻路段s+1内的车辆的平均速度和平均密度，可用以下公式表示：

式中，

为t时刻路段s+1内的车辆的平均速度；k_i为每条车道上的车辆数；v_t,i,j为t时刻路段s+1内第i条车道上的第j辆车的速度；

为t时刻路段s+1的平均密度。

步骤2.4)确定在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度，可用以下公式表示：

式中，

为在t时刻选定的路段s内的车辆在t+τ时刻的平均速度；v_t+τ,i,j为在t时刻选定的路段s内的车辆在t+τ时刻第i条车道上的第j辆车的速度；

为在t时刻选定的路段s内的车辆在t+τ时刻的平均密度；l_max为在t时刻选定的路段s内的车辆在t+τ时刻最前面车辆的纵向位置；l_min为在t时刻选定的路段s内的车辆在t+τ时刻最后面车辆的纵向位置。

进一步地，所述步骤3)具体包括以下步骤：

步骤3.1)搭建Embedding-CNN深度网络，即Embedding-CNN模型；并以在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度为训练标签。

步骤3.2)对t时刻路段s+1中的车辆的平均速度和平均密度进行特征分桶，将浮点型特征值转换为整数型特征值；再对其进行标准化处理，输入到模型的Embedding部分进行训练；

数据标准化的公式为：

式中，f_i ^*为标准化的数据；f_i为样本i中的需要进行标准化的特征值；f_min为需要进行标准化的特征值的最小值；f_max为需要进行标准化的特征值的最大值。

步骤3.3)同时对构建的t时刻路段s中的车辆的数据集进行标准化处理输入到模型的CNN部分进行训练。经过多次卷积和池化后的输出与Embedding层的输出拼接，经过全连接层输出，完成模型的训练。

卷积神经网络模型关键公式如下：

式中，

表示第l层第j个特征经过卷积操作后的输出；

表示第l层第j个特征经过池化操作后的输出；

为第l层中卷积核矩阵中位于(i,j)位置的系数；l代表第l层特征层；M_j表示第j个特征图；

为第l层第j个特征图的偏置项；

表示第l层第j个特征图的系数；

代表第l-1层输出的第i个元素；*为卷积操作；down()表示采样函数。

进一步地，所述步骤4)，通过计算Embedding-CNN模型输出与实际值的平均绝对百分比误差和均方根误差，验证Embedding-CNN模型的准确性。

平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)的计算公式为：

式中，N为样本数量，

为模型输出值，y_i为实际值；

均方根误差(Root Mean Square Error,RMSE)的计算公式为：

有益效果

本发明提出一种基于Embedding-CNN的混合车群运动演化规律的刻画方法,该方法针对目前少有学者从单个车辆行为出发，探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题，借鉴图像处理的思想，重构了数据样本，同时考虑监测车群下游状态的影响，建立基于Embedding-CNN的深度学习模型实现对混合车群运动演化规律的精准刻画，为掌握网联环境下新型混合交通的运行状态提供依据。

附图说明

图1为本发明总体流程示意图；

图2为步骤1通过路侧或车载传感器，获取不同交通状态下混合异质车群的单车数据的示意图；

图3为步骤2数据预处理中群体数据集重构示意图；

图4为步骤3深度学习网络示意图。

具体实施方式

为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例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发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。

下面结合附图和实施例对本发明作进一步说明。

实施例1

如图1至图4所示，本实施例提供了一种基于Embedding-CNN的混合车群运动演化规律的刻画方法，包括以下步骤：

步骤1)选定监测路段，通过监测路段路侧或车载传感器，截取监测路段不同交通状态下混合异质车群的单车数据；

具体包括以下步骤：

步骤1.1)选定长度为L的监测路段s，初始化混合车群的长度；

步骤1.2)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n₁,n₂,...,n_k的车辆长度l_k；运动状态信息：速度v、加速度a、偏航角h；车辆的位置信息：纵向位置x，即车头位置，和所属车道c；车辆的类型p，用以区分网联人驾车和网联自动车；以及在t时刻选定的路段s内的车辆n₁,n₂,...,n_k在t+τ时刻的运动状态信息和车辆的位置信息：纵向位置x′与所属车道k′。同时，获取t时刻路段s下游长度为L的路段s+1中各个车辆的运动状态信息和位置信息。

步骤2)将步骤1)截取的单车数据进行预处理，获得Embedding-CNN模型数据集；

具体包括以下步骤：

步骤2.1)根据t时刻路段s内的单车数据，借鉴图像处理的思想，将路段s划分为c×m个单元，即c和m对应一张图片的宽和高；其中，c为车道的数量，m为每条车道划分的单元数量。每个单元对应图片上的一个像素点，每个单元的尺寸为d×l_min，d为每条车道的宽度，l_min为每条车道单个单元划分的长度，由m确定，可用以下公式表示：

式中，L代表路段s及路段s+1的长度；

步骤2.2)根据彩色图像中的颜色通道的概念，引入车辆状态的特征层，分别为车辆的速度特征层、车辆的加速度特征层、车辆的偏航角特征层以及车辆的类型特征层，每个层的尺寸均为c×m，然后根据每辆车在路段s上的空间位置关系，将各个车辆的特征一一映射到对应特征层中的相应位置；

具体的操作为构建c×m×f的零矩阵，f为车辆的特征层的数量；然后根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中，替换原来的“0”值。由于车辆存在横跨多个单元的情况，因此需要对插入的位置进行确定；

每一条车道每辆车插入的单元位置可用以下公式表示：

式中，m′_i为插入的第一个位置；m_i表示最后一个插入的位置；x_j为第j辆车的纵向位置；s_min为路段s的初始位置；l_j为第j辆车的长度；[]表示取整函数；

步骤2.3)确定t时刻路段s+1内的车辆的平均速度和平均密度，可用以下公式表示：

式中，

为t时刻路段s+1内的车辆的平均速度；k_i为每条车道上的车辆数；v_t,i,j为t时刻路段s+1第i条车道上的第j辆车的速度；

为t时刻路段s+1的平均密度；

步骤2.4)确定在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度，计算公式为：

式中，

为在t时刻选定的路段s内的车辆在t+τ时刻的平均速度；v_t+τ,i,j为在t时刻选定的路段s内的车辆在t+τ时刻第i条车道上的第j辆车的速度；

为在t时刻选定的路段s内的车辆在t+τ时刻的平均密度；l_max为在t时刻选定的路段s内的车辆在t+τ时刻最前面车辆的纵向位置；l_min为在t时刻选定的路段s内的车辆在t+τ时刻最后面车辆的纵向位置。

步骤3)构建Embedding-CNN模型，并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练；

具体包括以下步骤：

步骤3.1)搭建Embedding-CNN深度网络，即Embedding-CNN模型；并以在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度为训练标签；

步骤3.2)对t时刻路段s+1内的车辆的平均速度和平均密度进行特征分桶，将浮点型特征值转换为整数型特征值；再对其进行标准化处理，输入到模型的Embedding部分进行训练；

数据标准化的公式为：

式中，f_i ^*为标准化的数据；f_i为样本i中的需要进行标准化的特征值；f_min为需要进行标准化的特征值的最小值；f_max为需要进行标准化的特征值的最大值；

步骤3.3)同时对构建的t时刻路段s内的车辆的数据集进行标准化处理输入到模型的CNN部分进行训练。经过多次卷积和池化后的输出与Embedding层的输出拼接，经过全连接层输出，完成模型的训练；

卷积神经网络模型关键公式如下：

式中，

表示第l层第j个特征经过卷积操作后的输出；

表示第l层第j个特征经过池化操作后的输出；

为第l层中卷积核矩阵中位于(i,j)位置的系数；l代表第l层特征层；M_j表示第j个特征图；

为第l层第j个特征图的偏置项；

表示第l层第j个特征图的系数；

代表第l-1层输出的第i个元素；*为卷积操作；down()表示采样函数。

步骤4)在测试集上对Embedding-CNN模型的准确性进行验证；

通过计算Embedding-CNN模型输出与实际值的平均绝对百分比误差和均方根误差，验证Embedding-CNN模型的准确性；

平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)的计算公式为：

式中，N为样本数量，

为模型输出值，y_i为实际值；

均方根误差(Root Mean Square Error,RMSE)的计算公式为：

本发明提出一种基于Embedding-CNN的混合车群运动演化规律的刻画方法,该方法针对目前少有学者从单个车辆行为出发，探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题，借鉴图像处理的思想，重构了数据样本，同时考虑监测车群下游状态的影响，建立基于Embedding-CNN的深度学习模型实现对混合车群运动演化规律的精准刻画，为掌握网联环境下新型混合交通的运行状态提供依据。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (5)

1.一种基于Embedding-CNN的混合车群运动演化规律的刻画方法，其特征在于：包括以下步骤：

1)选定监测路段，通过监测路段路侧或车载传感器，截取监测路段不同交通状态下混合异质车群的单车数据；

2)将步骤1)截取的单车数据进行预处理，获得Embedding-CNN模型数据集；

3)构建Embedding-CNN模型，并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练；

4)在测试集上对Embedding-CNN模型的准确性进行验证。

2.根据权利要求1所述的基于Embedding-CNN的新型混合车群运动演化规律的刻画方法，其特征在于：所述步骤1)具体包括以下步骤：

11)选定长度为L的监测路段s，初始化混合车群的长度；

12)在存储有混合异质车群的数据库中选取t时刻路段s内车辆n₁,n₂,...,n_k的车辆长度l_k；运动状态信息：速度v、加速度a、偏航角h；车辆的位置信息：纵向位置x，即车头位置，和所属车道c；车辆的类型p，用以区分网联人驾车和网联自动车；以及在t时刻选定的路段s内的车辆n₁,n₂,...,n_k在t+τ时刻的运动状态信息和车辆的位置信息：纵向位置x′与所属车道k′；同时，获取t时刻路段s下游长度为L的路段s+1各个车辆的运动状态信息和位置信息。

3.根据权利要求2所述的基于Embedding-CNN的混合车群运动演化规律的刻画方法，其特征在于：所述步骤2)具体包括以下步骤：

21)根据t时刻路段s内的单车数据，将路段s划分为c×m个单元，c为车道的数量，m为每条车道划分的单元数量；确定每条车道单个单元划分的长度l_min，可用以下公式表示：

式中，L代表路段s及路段s+1的长度；

22)确定每一条车道每辆车插入的单元位置，构建c×m×f的零矩阵，f为车辆的特征层的数量，根据车辆在路段s中的相对位置将车辆的状态信息插入到对应的单元中，替换原来的“0”值；

每一条车道每辆车插入的单元位置可用以下公式表示：

式中，m′_i为插入的第一个位置；m_i表示最后一个插入的位置；x_j为第j辆车的纵向位置；s_min为路段s的初始位置；l_j为第j辆车的长度；[]表示取整函数。

23)确定t时刻路段s+1中的车辆的平均速度和平均密度，可用以下公式表示：

式中，

为t时刻路段s+1内的车辆的平均速度；k_i为每条车道上的车辆数；v_t,i,j为t时刻路段s+1第i条车道上的第j辆车的速度；

为t时刻路段s+1的平均密度。

24)确定在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度，可用以下公式表示：

式中，

为在t时刻选定的路段s内的车辆在t+τ时刻的平均速度；v_t+τ,i,j为在t时刻选定的路段s内的车辆在t+τ时刻第i条车道上的第j辆车的速度；

为在t时刻选定的路段s内的车辆在t+τ时刻的平均密度；l_max为在t时刻选定的路段s内的车辆在t+τ时刻最前面车辆的纵向位置；l_min为在t时刻选定的路段s内的车辆在t+τ时刻最后面车辆的纵向位置。

4.根据权利要求3所述的基于Embedding-CNN的混合车群运动演化规律的刻画方法，其特征在于：所述步骤3)具体包括以下步骤：

31)以在t时刻选定的路段s内的车辆在t+τ时刻的平均速度和平均密度为训练标签，搭建Embedding-CNN深度网络，即Embedding-CNN模型；

32)对t时刻路段s+1内的车辆的平均速度和平均密度进行特征分桶，将浮点型特征值转换为整数型特征值；再对其进行标准化处理，输入到模型的Embedding部分进行训练；

数据标准化的公式为：

式中，f_i ^*为标准化的数据；f_i为样本i中的需要进行标准化的特征值；f_min为需要进行标准化的特征值的最小值；f_max为需要进行标准化的特征值的最大值；

33)同时对构建的t时刻路段s内的车辆的数据集进行标准化处理输入到模型的CNN部分进行训练。经过多次卷积和池化后的输出与Embedding层的输出拼接，经过全连接层输出，完成模型的训练。卷积神经网络模型关键公式如下：

式中，

表示第l层第j个特征经过卷积操作后的输出；

表示第l层第j个特征经过池化操作后的输出；

为第l层中卷积核矩阵中位于(i,j)位置的系数；l代表第l层特征层；M_j表示第j个特征图；

为第l层第j个特征图的偏置项；

表示第l层第j个特征图的系数；

代表第l-1层输出的第i个元素；*为卷积操作；down()表示采样函数。

5.根据权利要求4所述的基于Embedding-CNN的混合车群运动演化规律的刻画方法，其特征在于：所述步骤4)通过计算Embedding-CNN模型输出与实际值的平均绝对百分比误差和均方根误差，验证Embedding-CNN模型的准确性。

平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)的计算公式为：

式中，N为样本数量，

为模型输出值，y_i为实际值；

均方根误差(Root Mean Square Error,RMSE)的计算公式为：

Images