[發明專利]一種卷積神經網絡高危車輛交通流預測方法和系統

在審

• 申請號: 201811619647.7
• 申請日: 2018-12-28
• 公開（公告）號: CN109658694A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 孫云華;盧藝源;艾云飛;耿丹陽;蘇航;劉文;朱麗;趙鵬志
• 申請（專利權）人: 中交信息技術國家工程實驗室有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/065;G06N3/04;G06Q10/04;G06Q50/30
• 代理公司: 北京正鼎專利代理事務所(普通合伙) 11495
• 代理人: 岳亞

本發明公開了一種卷積神經網絡高危車輛交通流預測方法和系統，該方法將路段劃分為上下游，更好的符合卷積神經網絡的輸入結構，同時上下游的路段劃分在空間上也能夠得到對交通流的更好的預測。因此，本發明的研究為的就是從空間上滿足高危車輛交通流的預測，通過使用高危車輛數據來作為預測研究對象，使得在道路行駛過程中，駕駛員能夠及時獲取專門關于高危車流量的具體信息介紹，從而可以規避危險，減少道路交通事故的發生，具有一定現實實踐意義。

技術領域

本發明涉及交通流預測技術領域，特別涉及一種卷積神經網絡高危車輛交通流預測方法和系統。

背景技術

高危車輛一般為營運車輛，主要指“兩客一危”運輸車輛、渣土車、集裝箱運輸車輛、重載普貨等運營時間、里程較長，疲勞駕駛較為常見、易發生交通事故、較難管理的車輛。“兩客一危”運輸車輛主要包括旅游包車和三類以上的班線客車、運輸危險化學品、煙花爆竹、民用爆炸物品的道路專用車輛。

高危車輛的工作環境、性質和強度極易導致駕駛員疲勞駕駛，容易引發交通事故。再加上車輛體積大、盲區多、制動差以及載客、載貨量大等特征，導致發生的交通事故往往較為重大，且多輛高危車輛同時在某一路段行駛的這一交通情況，對于該路段交通本身以及車輛本身，還有周圍車輛的行駛所造成的高危險性往往更讓人心悸。如何為車輛也包括高危車輛及時且有效的提供道路高危車輛交通流的信息，降低高危車輛的事故率，這是需要被關注的問題。

關于交通流量預測方面，雖然目前已經有了很多交通流量預測模型，但是大部分都是比較簡單的模型，且并不總是穩定。受到深度學習在多個領域取得成功的啟發，研究人員開始嘗試使用將深度學習的方法用于解決車流量預測問題。王體迎等(2018)提出一種基于門限遞歸單元循環神經網絡的短時交通流量預測方法，對加拿大大不列顛哥倫比亞省的真實交通流量數據進行建模分析，結果表明該方法預測效果良好，預測精度高且有效。鄧烜堃等(2018)設計了一種基于深度學習的融合了卷積神經網絡和長短時記憶神經網絡兩種網絡結構的交通流量預測模型，通過在貴州省高速公路車流量數據集上的驗證，發現模型比傳統的預測方法具有更高的精確度和實時性。劉明宇等(2018)選取門控循環單元(GatedRecurrent Unit,GRU)神經網絡作為研究對象，利用交叉驗證法探究GRU模型的最佳門控循環單元個數，并與支持向量機回歸等三種預測模型通過不同指標進行綜合評價和對比，驗證GRU模型具有良好的預測性能。

目前深度學習在交通流預測方面的研究比較新穎，在高危車流量的預測上的研究更少，且大部分的研究都是采用門限遞歸單元循環神經網絡通過時間層面用現有的時間數據來對交通流量進行預測。在交通流預測方面，一條道路上的交通流不僅受到其上下游交通流狀況的影響，還受到相鄰道路交通流狀況的影響，而考慮到高危車輛的高危險性與事故高發性，因此在預警高危車輛方面，空間層面的考慮更加重要。所以在高危車輛交通流方面，更需要專門針對高危車輛的交通流特征，從空間上來預測高危車輛交通流，以達到有效提供高危車輛位置預警信息，及時提醒高危車輛本身還有其他類型車輛注意行駛安全的目的。

在現有的交通流預測問題中，大多數的研究都是針對所有車流量來利用方法進行合理科學的預測。

發明內容

本發明提供一種卷積神經網絡高危車輛交通流預測方法和系統，能夠實現對道路的提取與設施狀態的監測。

根據本發明的一個方面，提供了一種卷積神經網絡高危車輛交通流預測方法，包括以下步驟：

獲取分路段的高危車輛交通流信息；所述交通流信息包括所述各個分路段的高危車輛的空間流量數據和時間流量數據；

根據所述各個分路段的高危車輛的空間流量數據和時間流量數據，分別構建矩陣的行與列，得到卷積神經網絡預測模型的輸入矩陣；

將所述輸入矩陣代入雙隱含層結構的卷積神經網絡預測模型中，得到待預測路段的卷積神經網絡高危車輛交通流預測值。