CN115273466A - 一种基于柔性车道管控算法的监控方法与系统 - Google Patents
一种基于柔性车道管控算法的监控方法与系统 Download PDFInfo
- Publication number
- CN115273466A CN115273466A CN202210827075.1A CN202210827075A CN115273466A CN 115273466 A CN115273466 A CN 115273466A CN 202210827075 A CN202210827075 A CN 202210827075A CN 115273466 A CN115273466 A CN 115273466A
- Authority
- CN
- China
- Prior art keywords
- lane
- data
- current
- traffic
- time
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 21
- 206010039203 Road traffic accident Diseases 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000002123 temporal effect Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000586 desensitisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0125—Traffic data processing
-
- 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于柔性车道管控算法的监控方法及系统，先获取交通数据并进行预处理，然后根据预处理后的数据采用流量预测算法建立ST‑GCN模型并进行迭代训练，得到最优ST‑GCN模型以预测高速公路当前路段未来车流量，并基于柔性车道管控算法，采用特定的车道判断方法综合评判是否需要关闭当前事故车道和是否需要开启应急车道，并将当前事故车道和应急车道的开放或关闭情况进行展示。本发明使用方便，仅需对接高速公路上现有的情报板设备，无需新设备，准确性高，且能够有效减少高速公路拥堵时间，降低造成二次事故的风险，缓解因事故带来的通行压力。
Description
技术领域
本发明涉及智慧公路技术领域，具体涉及一种基于柔性车道管控算法的监控方法与系统。
背景技术
智慧公路云平台主要为省级区域内高速公路安全畅通提供信息化、智能化管理手段，为高速公路应急处置提供信息化支撑；可以全面掌控路网状态、提高路网管理能力、提高公众信息服务水平，最终实现高速公路管理的“可知、可测、可控、可服务”，使路网运行更安全高效、公众出行更便捷舒适、交通管理更科学智能、智慧道路更绿色经济。
目前对高速公路车道管控的过程中，拥堵时间仍然较长，且二次事故风险较高。
发明内容
为解决现有高速公路车道管控过程中存在的拥堵时间长，二次事故风险较高等问题，本发明提供了一种基于柔性车道管控算法的监控方法，通过设计的时空图卷积网络模型来预测高速公路路网中的车流量，并基于柔性车道管控算法，采用特定的判断方法判断出是否关闭当前事故车道和是否开启应急车道，并将开放或关闭情况进行展示，能够有效减少高速公路拥堵时间，降低造成二次事故的风险，缓解因事故带来的通行压力。本发明还涉及一种基于柔性车道管控算法的监控系统。
本发明的技术方案如下：
一种基于柔性车道管控算法的监控方法，其特征在于，包括以下步骤：
数据获取及预处理步骤：获取交通数据，并对获取的交通数据进行预处理；
模型建立及预测步骤：根据预处理后的交通数据，利用图卷积网络和长短时记忆网络，并结合注意力机制建立时空图卷积网络模型，并对建立的时空图卷积网络模型进行迭代训练，得到最优时空图卷积网络模型，根据最优时空图卷积网络模型预测高速公路当前路段未来车流量；
车道判断步骤：在高速公路发生交通事故导致拥堵时，基于柔性车道管控算法并结合事故等级判断是否关闭当前事故车道，若事故等级大于等于预设等级阈值，则关闭当前事故车道；针对当前事故车道，基于柔性车道管控算法，将预测出的高速公路当前路段未来车流量和路段当前可开放车道通行能力进行对比，若高速公路当前路段未来车流量大于等于路段当前可开放车道通行能力，则开放应急车道，以实现柔性化车道智能管控；
信息展示步骤：通过高速公路上布设的情报板将路网中当前事故车道和应急车道的开放或关闭情况进行展示。
优选地，在车道判断步骤中，还根据预测出的高速公路当前路段未来车流量计算出应急车道开放时间。
优选地，所述模型建立及预测步骤中，所述时空图卷积网络模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
首先使用预处理后的交通数据中的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测高速公路当前路段未来车流量。
优选地，所述数据获取及预处理步骤中，所述预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，所述数据获取及预处理步骤中，所述交通数据包括实时交通数据和历史交通数据。
一种基于柔性车道管控算法的监控系统，其特征在于，包括依次连接的数据获取及预处理模块、模型建立及预测模块、车道判断模块和信息展示模块，
数据获取及预处理模块：获取交通数据，并对获取的交通数据进行预处理；
模型建立及预测模块：根据预处理后的交通数据，利用图卷积网络和长短时记忆网络，并结合注意力机制建立时空图卷积网络模型，并对建立的时空图卷积网络模型进行迭代训练，得到最优时空图卷积网络模型，根据最优时空图卷积网络模型预测高速公路当前路段未来车流量；
车道判断模块：在高速公路发生交通事故导致拥堵时，基于柔性车道管控算法并结合事故等级判断是否关闭当前事故车道，若事故等级大于等于预设等级阈值，则关闭当前事故车道；针对当前事故车道，基于柔性车道管控算法，将预测出的高速公路当前路段未来车流量和路段当前可开放车道通行能力进行对比，若高速公路当前路段未来车流量大于等于路段当前可开放车道通行能力，则开放应急车道，以实现柔性化车道智能管控；
信息展示模块：通过高速公路上布设的情报板将路网中当前事故车道和应急车道的开放或关闭情况进行展示。
优选地，在车道判断模块中，还根据预测出的高速公路当前路段未来车流量计算出应急车道开放时间。
优选地，所述时空图卷积网络模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立及预测模块首先使用预处理后的交通数据中的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测高速公路当前路段未来车流量。
优选地，所述数据获取及预处理模块中的预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，所述数据获取及预处理模块获取的交通数据包括实时交通数据和历史交通数据。
本发明的有益效果为：
本发明提供的一种基于柔性车道管控算法的监控方法，该方法具有先进性，在动态感知实时车流的同时，通过建立时空图卷积网络模型(或称为时空图卷积神经网络模型)—— ST-GCN模型来预测未来车流量，全程无需人工干预，大大降低了人员工作强度。并基于柔性车道管控算法进行柔性化智能控制管理，柔性车道管控算法是智慧公路技术领域一个重要的应用，是结合稳定和变化对车道状态进行管控的方略，采用特定的判断方法综合评判是否需要关闭当前事故车道和是否需要开启应急车道，并将开放或关闭情况进行展示，也就是说，当高速公路发生交通事故(或突发事件)导致拥堵时，依据事故等级选择不同的柔性化管控策略，若是重大事故及以上等级时，临时关闭当前事故车道；同时依据ST-GCN模型预测未来车流量，当预测的车流量超过可开放车道通行能力时，则选择开放原应急车道并可进一步预估开放的时间，柔性车道管控算法输出是否关闭事故车道和是否开启应急车道的方案，通过外场布设的情报板把算法输出发布出去，即预测的结果推送至高速公路上布设的情报板，从而诱导司乘用户的行为，能够有效减少高速公路拥堵时间，降低造成二次事故的风险，缓解因事故带来的通行压力，提高高速公路通行效率。本发明在实现时，仅需对接高速公路上现有的情报板设备即可，无需新设备，使用方便、准确性高。本发明方法启用后高速公路二次事故发生率降低50％以上，主线拥堵时间能够减少30％。
本发明还涉及一种基于柔性车道管控算法的监控系统，该系统与上述的基于柔性车道管控算法的监控方法相对应，可理解为是一种实现上述基于柔性车道管控算法的监控方法的系统，包括数据获取及预处理模块、模型建立及预测模块、车道判断模块和信息展示模块，各模块相互协同工作，通过设计的时空图卷积网络模型来预测高速公路路网中的车流量，并基于柔性车道管控算法、结合事故等级对比、以及预测的车流量与可开放车道通行能力对比等一系列连贯的技术手段，采用上述特定技术手段的特定的判断方法判断出是否关闭当前事故车道和是否开启应急车道，并将开放或关闭情况进行展示，能够有效减少高速公路拥堵时间，降低造成二次事故的风险，缓解因事故带来的通行压力。
附图说明
图1是本发明基于柔性车道管控算法的监控方法的流程图。
图2是本发明ST-GCN模型的整体框架示意图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于柔性车道管控算法的监控方法，该方法的流程图如图1所示，依次包括以下步骤：
数据获取及预处理步骤：先获取实时和历史交通数据，并对获取的交通数据进行预处理，去除交通数据中的异常和重复的数据，填补缺失数据，并去除噪声和数据标准化等，然后对预处理后的交通数据做脱敏处理。
模型建立及预测步骤：根据预处理及脱敏后的交通数据，利用图卷积网络和长短时记忆网络，结合注意力机制进行空间相关性和时间相关性建模，建立时空图卷积网络模型——ST-GCN模型，并对建立的ST-GCN模型进行训练，得到最优ST-GCN模型，根据最优 ST-GCN模型预测高速公路当前路段未来车流量，该步骤也为深度学习步骤；其中，交通数据作为一种时间序列数据，具有时间相关性，即某一时间段的交通数据和之前多个时间段的交通数据有关，而且距离当前时间段越近，数据相关性越高。为分析交通数据的时间相关性，采用深度学习相关算法来探究当前时刻与滞后时刻的相关性。而考虑到单个路段并不能很好地体现出车辆行驶情况变化的趋势，以及整个高速路网中路段之间的关联性，因此就车流量而言，某一路段的交通状况易受到周边路段的影响，如路段上游堵车时，势必会减慢下游路段车速，故通过对路网中的交通空间依赖性分析，可以发现路段间交通数据的空间关联程度，即空间相关性。
具体地，通过建立的ST-GCN模型来捕捉交通数据的空间相关性和时间相关性，并实现基于高速公路的交通流量预测，该ST-GCN模型由图卷积网络(Graph ConvolutionalNetwork， GCN)、长短期记忆(LongShort-Term Memory，LSTM)网络和注意力机制三部分组成。本发明在动态感知实时车流的同时，也使用时空图卷积网络模型ST-GCN来预测未来车流，结合两部分数据综合评判是否需要开放应急车道。ST-GCN模型，是将图卷积网络GCN和长短期记忆网络LSTM相结合，GCN部分用于捕获图的拓扑结构，以获得空间相关性，LSTM部分用于捕捉节点属性的动态变化，获得时间相关性。如图2所示，先使用根据网络构建的邻域矩阵Aadj、根据POI构建的功能相似矩阵Apoi及高速路网相关的实时和历史交通数据作为输入数据，并使用GCN模型捕捉高速公路网络的拓扑结构以获得交通数据的空间特征，然后将得到的具有空间特征的交通数据输入到LSTM网络模型中，通过单元间的信息传递获得动态变化，以获取交通数据的时间特征，最后，通过全连接层和注意力机制计算输入数据对当前预测产生的影响，得到预测结果——高速公路主路路段车流量。
其中，获取复杂的空间相关性是交通预测的关键问题。传统的卷积神经网络(CNN)可以获得局部空间特征，但它只能用于欧几里德空间，如图像、规则网格等。但高速公路路网的形式是图形，而不是二维网格，这意味着CNN模型无法反映高速公路路网的复杂拓扑结构，因此无法准确捕捉空间相关性。近年来，将CNN推广到能够处理二进制图结构数据的图卷积网络(GCN)得到了广泛的关注。GCN模型已成功应用于许多应用中，包括文档分类、无监督学习和图像分类。GCN模型在傅立叶域构造了一个滤波器，该滤波器作用于图的节点及其一阶邻域，捕捉节点之间的空间特征，然后通过叠加多个演化层建立GCN模型。
GCN模型可以获得中心道路与其周边道路之间的拓扑关系、编码道路网络的拓扑结构和道路上的属性，然后获得空间相关性，如交叉口、邻接路段和较远路段等空间特征信息。因此使用GCN模型从交通数据中学习空间特征。一个双层GCN模型按照下式进行表示：
上式中，X表示特征矩阵，W0和W1表示第一层和第二层中的权重矩阵，σ、Relu表示激活函数，
为预处理步骤，
用于实现对
的归一化，同时也保持了矩阵对称性，
是邻接矩阵A与单位矩阵IN相加所得，以考虑每个节点本身信息，
是度矩阵，
度矩阵是对角阵，对角线上的度值是各个节点相连的边的数量，i和j表示行列。
获取时间相关性是交通预测的另一个关键问题。目前，处理序列数据最广泛使用的神经网络模型是当前的循环神经网络(RNN)。然而，由于梯度消失和梯度爆炸等缺陷，传统的循环神经网络对长期预测具有局限性。LSTM模型和GRU模型是循环神经网络的变体，已被证明可以解决上述问题。LSTM和GRU的基本原理大致相同，它们都使用门控机制来尽可能多地记忆长期信息，并且对各种任务都同样有效，而相较于GRU模型，LSTM增加了一个门控机制来控制信息的传递以及状态和记忆单元的更新。因此，选择LSTM模型从流量数据中获得时间依赖性，即时间相关性。LSTM神经网络有一个记忆单元和一个状态单元，通过门控机制不断更新状态单元和记忆单元。门控机制分别是输入门、遗忘门和输出门，这三个门相互独立并且分别处理时间序列特征信息的输入、遗忘和输出过程。此外，通过门控机制和记忆单元的共同作用，还可以有选择性地控制信息的传递，不仅可以有效地改善梯度消失和梯度爆炸的问题，而且对于较长的序列数据具有更好的处理和预测能力。LSTM模型的训练过程如下：
先选择性地遗忘记忆单元中存储的信息ci-1，选择σ(sigmoid)函数作为遗忘门的激活函数，通过将记忆单元中存储的信息ci-1与遗忘门fi相乘，一部分信息将会被遗忘，因此需要根据目前的输入门ii更新记忆单元中的信息。与遗忘门类似，输入门ii也是选择重要的特征信息来更新记忆单元ci。输出门同样采用σ函数作为激活函数，负责将记忆单元信息ci中的部分重要特征作为输出，最后将LSTM的输出结果连接至全连接层得到预测结果。
需要说明的是，长时间序列的每个短子序列特征的重要程度是不同的，赋予LSTM关注更重要特征的能力可以更好实现短时交通流量的预测。因此LSTM模型使用注意力机制提取短序列的显著性特征，将不同时间下的交通流量对最后输出结果的重要性纳入考虑之中，通过计算注意力系数，与输出结果作矩阵乘法后输入全连接层，得到预测结果。
为了同时捕获交通数据的空间和时间依赖性，提出了一种基于图卷积网络(GCN)和长短期记忆(LSTM)网络的时空图卷积网络模型(即ST-GCN模型)，具体计算过程如下所示：
ut＝σ(Wu[f(A,Xt),ht-1]+bu) (2)
rt＝σ(Wr[f(A,Xt),ht-1]+br) (3)
ct＝tanh(Wc[f(A,Xt),(rt*ht-1)]+bc) (4)
ht＝ut*ht-1+(1-ut)*ct (5)
上式中，ut、rt是在时间t的更新门和复位门，ct表示当前时刻存储的信息，ht表示在时间点t时的流量输出，ht-1表示在时间点t-1时的流量输出，f(A,Xt)表示图形卷积过程，由公式 (1)所定义，W和b代表训练过程中的时间权重矩阵和偏差，在公式(2)-(5)中分别对应 Wu,Wr,Wc,bu,br,bc，tanh为激活函数，是一种双曲正切函数。
车道判断步骤：也可称为是策略选择步骤，主要分为两部分，一是事故车道是否关闭：在高速公路发生交通事故(或突发事件)导致拥堵时，基于柔性车道管控算法，并结合事故等级(或突发事件等级，以后突发事件也统一用事故表述，可理解为事故包括突发事件)判断是否关闭当前事故车道，若事故等级大于等于预设等级阈值，即当事故等级为重大事故及重大事故以上等级时，关闭当前事故车道。
二是应急车道是否开启：针对当前事故车道，基于柔性车道管控算法，将预测出的高速公路当前路段未来车流量和路段当前可开放车道通行能力进行对比，若高速公路当前路段未来车流量大于等于路段当前可开放车道通行能力时，则开放应急车道；否则，高速公路当前路段未来车流量小于路段当前可开放车道通行能力，无需开放应急车道，通过两部分的决策，进行策略选择，实现柔性化车道智能管控。其中，如表1所示，公路工程技术标准对高速公路要求的设计服务水平不低于三级。
表1
| 公路等级 | 高速公路 | 一级公路 | 二级公路 | 三级公路 | 四级公路 |
| 服务水平 | 三级 | 三级 | 四级 | 四级 | --- |
因此，如表2所示的高速公路路段服务水平分级，选取各级限速下的最大服务交通量的最低值(如限速80km/h时，最大服务交通量选取1500)作为路段当前可开放车道通行能力。
表2
注：v/C是基准条件下，最大服务交通量与基准通行能力之比。基准通信能力是五级服务水平条件下对应的最大小时通行量。
其中，在同一个测试路网内，针对是否实施柔性车道管控是在VISSIM软件内进行车流仿真模拟。具体地，设置两个场景：一是不采取任何控制措施；二是采用柔性车道管控算法对出现事故的拥堵段的车道进行判断，判断出当前事故车道和应急车道是否开放或关闭；通过在路段上设置检测器，比较各自对应路网的主线交通通行量和路段拥堵时间。
信息展示步骤：柔性车道管控算法会详细输出是否关闭事故车道和是否开启应急车道的方案，通过高速公路上布设的情报板将路网中当前事故车道和应急车道的开放或关闭情况进行展示，从而诱导司乘用户的行为，提高高速公路通行效率。
本发明还涉及了一种基于柔性车道管控算法的监控系统，该系统与上述基于柔性车道管控算法的监控方法相对应，可理解为是实现上述方法的系统，该系统包括依次连接的数据获取及预处理模块、模型建立及预测模块、车道判断模块和信息展示模块，具体地，
数据获取及预处理模块，获取交通数据，并对获取的交通数据进行预处理；
模型建立及预测模块，根据预处理后的交通数据，利用图卷积网络和长短时记忆网络，并结合注意力机制建立时空图卷积网络模型，并对建立的时空图卷积网络模型进行迭代训练，得到最优时空图卷积网络模型，根据最优时空图卷积网络模型预测高速公路当前路段未来车流量；
车道判断模块，在高速公路发生交通事故导致拥堵时，基于柔性车道管控算法，并结合事故等级判断是否关闭当前事故车道，若事故等级大于等于预设等级阈值，则关闭当前事故车道；
针对当前事故车道，基于柔性车道管控算法，将预测出的高速公路当前路段未来车流量和路段当前可开放车道通行能力进行对比，若高速公路当前路段未来车流量大于等于路段当前可开放车道通行能力，则开放应急车道，以实现柔性化车道智能管控；
信息展示模块，通过高速公路上布设的情报板将路网中当前事故车道和应急车道的开放或关闭情况进行展示。
优选地，在车道判断模块中，还根据预测出的高速公路当前路段未来车流量计算出应急车道开放时间。
优选地，ST-GCN模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
模型建立及预测模块首先使用预处理后的交通数据中的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测结果——高速公路当前路段未来车流量。
优选地，预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
优选地，交通数据包括实时交通数据和历史交通数据。
本发明提供了客观、科学的基于柔性车道管控算法的监控方法及系统，通过设计的时空图卷积网络模型来预测高速公路路网中的车流量，并基于柔性车道管控算法，采用特定的判断方法判断出是否关闭当前事故车道和是否开启应急车道，并将开放或关闭情况进行展示，能够有效减少高速公路拥堵时间，降低造成二次事故的风险，缓解因事故带来的通行压力。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (10)
1.一种基于柔性车道管控算法的监控方法，其特征在于，包括以下步骤：
数据获取及预处理步骤：获取交通数据，并对获取的交通数据进行预处理；
模型建立及预测步骤：根据预处理后的交通数据，利用图卷积网络和长短时记忆网络，并结合注意力机制建立时空图卷积网络模型，并对建立的时空图卷积网络模型进行迭代训练，得到最优时空图卷积网络模型，根据最优时空图卷积网络模型预测高速公路当前路段未来车流量；
车道判断步骤：在高速公路发生交通事故导致拥堵时，基于柔性车道管控算法并结合事故等级判断是否关闭当前事故车道，若事故等级大于等于预设等级阈值，则关闭当前事故车道；针对当前事故车道，基于柔性车道管控算法，将预测出的高速公路当前路段未来车流量和路段当前可开放车道通行能力进行对比，若高速公路当前路段未来车流量大于等于路段当前可开放车道通行能力，则开放应急车道，以实现柔性化车道智能管控；
信息展示步骤：通过高速公路上布设的情报板将路网中当前事故车道和应急车道的开放或关闭情况进行展示。
2.根据权利要求1所述的基于柔性车道管控算法的监控方法，其特征在于，在车道判断步骤中，还根据预测出的高速公路当前路段未来车流量计算出应急车道开放时间。
3.根据权利要求1或2所述的基于柔性车道管控算法的监控方法，其特征在于，所述模型建立及预测步骤中，所述时空图卷积网络模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
首先使用预处理后的交通数据中的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测高速公路当前路段未来车流量。
4.根据权利要求1或2所述的基于柔性车道管控算法的监控方法，其特征在于，所述数据获取及预处理步骤中，所述预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
5.根据权利要求1或2所述的基于柔性车道管控算法的监控方法，其特征在于，所述数据获取及预处理步骤中，所述交通数据包括实时交通数据和历史交通数据。
6.一种基于柔性车道管控算法的监控系统，其特征在于，包括依次连接的数据获取及预处理模块、模型建立及预测模块、车道判断模块和信息展示模块，
数据获取及预处理模块：获取交通数据，并对获取的交通数据进行预处理；
模型建立及预测模块：根据预处理后的交通数据，利用图卷积网络和长短时记忆网络，并结合注意力机制建立时空图卷积网络模型，并对建立的时空图卷积网络模型进行迭代训练，得到最优时空图卷积网络模型，根据最优时空图卷积网络模型预测高速公路当前路段未来车流量；
车道判断模块：在高速公路发生交通事故导致拥堵时，基于柔性车道管控算法并结合事故等级判断是否关闭当前事故车道，若事故等级大于等于预设等级阈值，则关闭当前事故车道；针对当前事故车道，基于柔性车道管控算法，将预测出的高速公路当前路段未来车流量和路段当前可开放车道通行能力进行对比，若高速公路当前路段未来车流量大于等于路段当前可开放车道通行能力，则开放应急车道，以实现柔性化车道智能管控；
信息展示模块：通过高速公路上布设的情报板将路网中当前事故车道和应急车道的开放或关闭情况进行展示。
7.根据权利要求6所述的基于柔性车道管控算法的监控系统，其特征在于，在车道判断模块中，还根据预测出的高速公路当前路段未来车流量计算出应急车道开放时间。
8.根据权利要求6或7所述的基于柔性车道管控算法的监控系统，其特征在于，所述时空图卷积网络模型由图卷积网络、长短期记忆网路和注意力机制三部分组成；
所述模型建立及预测模块首先使用预处理后的交通数据中的历史时间序列数据作为输入数据，并使用图卷积网络捕捉高速公路网络的拓扑结构以获得空间关联特征，再将得到的具有空间关联特征的时间序列输入到长短期记忆网路中，通过单元间的信息传递获得动态变化，以获取时间特征，然后通过全连接层和注意力机制计算输入数据对当前预测产生的影响，以得到预测高速公路当前路段未来车流量。
9.根据权利要求6或7所述的基于柔性车道管控算法的监控系统，其特征在于，所述数据获取及预处理模块中的预处理包括删除异常数据和重复数据，填补缺失数据，以及去除噪声和数据标准化。
10.根据权利要求6或7所述的基于柔性车道管控算法的监控系统，其特征在于，所述数据获取及预处理模块获取的交通数据包括实时交通数据和历史交通数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210827075.1A CN115273466B (zh) | 2022-07-14 | 2022-07-14 | 一种基于柔性车道管控算法的监控方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210827075.1A CN115273466B (zh) | 2022-07-14 | 2022-07-14 | 一种基于柔性车道管控算法的监控方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115273466A true CN115273466A (zh) | 2022-11-01 |
| CN115273466B CN115273466B (zh) | 2024-01-16 |
Family
ID=83764911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210827075.1A Active CN115273466B (zh) | 2022-07-14 | 2022-07-14 | 一种基于柔性车道管控算法的监控方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115273466B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116153112A (zh) * | 2023-03-10 | 2023-05-23 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006309735A (ja) * | 2005-03-28 | 2006-11-09 | Ishikawajima Harima Heavy Ind Co Ltd | 交通渋滞緩和装置および方法 |
| CN106652331A (zh) * | 2016-11-22 | 2017-05-10 | 深圳市元征科技股份有限公司 | 应急调度处理方法和应急调度处理装置 |
| CN108986458A (zh) * | 2018-07-04 | 2018-12-11 | 北京航空航天大学 | 一种基于空地协同的高速公路应急处置仿真系统及辅助决策方法 |
| CN109859505A (zh) * | 2019-03-14 | 2019-06-07 | 北京百度网讯科技有限公司 | 高速站点的预警处理方法、装置、服务器和介质 |
| CN209087142U (zh) * | 2018-12-25 | 2019-07-09 | 长安大学 | 一种驶出高速公路的匝道入口处应急车道开放装置 |
| US20210081559A1 (en) * | 2018-02-09 | 2021-03-18 | safeXai,Inc. | Managing roadway incidents |
| CN113870562A (zh) * | 2021-09-30 | 2021-12-31 | 江苏中路工程技术研究院有限公司 | 一种基于拥堵路段的高速公路车道管控策略的确定方法 |
| CN114037159A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的短时客流预测方法及系统 |
| CN114120649A (zh) * | 2021-12-06 | 2022-03-01 | 新唐信通(浙江)科技有限公司 | 一种路侧交通能力开放服务提供方法与系统 |
| CN114566047A (zh) * | 2022-03-02 | 2022-05-31 | 中远海运科技股份有限公司 | 一种基于短时路况预测算法的预警方法及系统 |
-
2022
- 2022-07-14 CN CN202210827075.1A patent/CN115273466B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006309735A (ja) * | 2005-03-28 | 2006-11-09 | Ishikawajima Harima Heavy Ind Co Ltd | 交通渋滞緩和装置および方法 |
| CN106652331A (zh) * | 2016-11-22 | 2017-05-10 | 深圳市元征科技股份有限公司 | 应急调度处理方法和应急调度处理装置 |
| US20210081559A1 (en) * | 2018-02-09 | 2021-03-18 | safeXai,Inc. | Managing roadway incidents |
| CN108986458A (zh) * | 2018-07-04 | 2018-12-11 | 北京航空航天大学 | 一种基于空地协同的高速公路应急处置仿真系统及辅助决策方法 |
| CN209087142U (zh) * | 2018-12-25 | 2019-07-09 | 长安大学 | 一种驶出高速公路的匝道入口处应急车道开放装置 |
| CN109859505A (zh) * | 2019-03-14 | 2019-06-07 | 北京百度网讯科技有限公司 | 高速站点的预警处理方法、装置、服务器和介质 |
| CN113870562A (zh) * | 2021-09-30 | 2021-12-31 | 江苏中路工程技术研究院有限公司 | 一种基于拥堵路段的高速公路车道管控策略的确定方法 |
| CN114037159A (zh) * | 2021-11-09 | 2022-02-11 | 北京京投亿雅捷交通科技有限公司 | 一种基于多源数据融合输入的短时客流预测方法及系统 |
| CN114120649A (zh) * | 2021-12-06 | 2022-03-01 | 新唐信通(浙江)科技有限公司 | 一种路侧交通能力开放服务提供方法与系统 |
| CN114566047A (zh) * | 2022-03-02 | 2022-05-31 | 中远海运科技股份有限公司 | 一种基于短时路况预测算法的预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈兆虎 等: "超长隧道应急救援方案研究", 《交通与运输》, pages 1 - 5 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116153112A (zh) * | 2023-03-10 | 2023-05-23 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
| CN116153112B (zh) * | 2023-03-10 | 2023-09-29 | 淮阴工学院 | 一种智慧交通与柔性车道调控方法及设备 |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115273466B (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112216108B (zh) | 一种基于属性增强的时空图卷积模型的交通预测方法 | |
| CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN113053115B (zh) | 一种基于多尺度图卷积网络模型的交通预测方法 | |
| CN115273466B (zh) | 一种基于柔性车道管控算法的监控方法与系统 | |
| Essien et al. | Improving urban traffic speed prediction using data source fusion and deep learning | |
| CN112906982A (zh) | 一种基于gnn-lstm结合的网络流量预测方法 | |
| Hsu et al. | Intelligent real-time operation of a pumping station for an urban drainage system | |
| CN110570035B (zh) | 同时建模时空依赖性和每日流量相关性的人流量预测系统 | |
| CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
| Alizadeh et al. | Network traffic forecasting based on fixed telecommunication data using deep learning | |
| CN109635246B (zh) | 一种基于深度学习的多属性数据建模方法 | |
| CN114582131B (zh) | 一种基于匝道智能控流算法的监控方法及系统 | |
| CN114495507B (zh) | 融合时空注意力神经网络和交通模型的交通流预测方法 | |
| Dahal et al. | GA-based learning for rule identification in fuzzy neural networks | |
| Amiri et al. | Comparing the efficiency of different computation intelligence techniques in predicting accident frequency | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN114566047A (zh) | 一种基于短时路况预测算法的预警方法及系统 | |
| CN115691137A (zh) | 一种基于因果马尔科夫模型的多模态数据预测方法 | |
| Li et al. | Short-term traffic flow prediction based on recurrent neural network | |
| Dai et al. | Short-term traffic flow prediction: An ensemble machine learning approach | |
| Li et al. | A LSTM-based method for comprehension and evaluation of network security situation | |
| CN112562312B (zh) | 一种基于融合特征的GraphSAGE交通路网数据预测的方法 | |
| CN115762147B (zh) | 一种基于自适应图注意神经网络的交通流量预测方法 | |
| CN112633607B (zh) | 一种动态时空事件预测方法及系统 | |
| Fafoutellis et al. | Traffic demand prediction using a social multiplex networks representation on a multimodal and multisource dataset |
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 |