[發明專利]一種基于深度學習算法的高速公路限速限流方法

有效

• 申請號: 201910762521.3
• 申請日: 2019-08-19
• 公開（公告）號: CN110363255B
• 公開（公告）日: 2022-04-05
• 發明（設計）人: 蔡崗;孔晨晨;張沛;趙磊;賈興無;謝中教;黃瑛;周云龍;許劍飛;孫瀚;吳曉峰
• 申請（專利權）人: 公安部交通管理科學研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G08G1/01
• 代理公司: 無錫盛陽專利商標事務所(普通合伙) 32227
• 代理人: 張寧;黃瑩

本發明提供一種基于深度學習算法的高速公路限速限流方法，其可以根據道路的實際情況計算出符合道路自身的流量和速度閾值，且方法簡單，實施便利，易于推廣。本發明的技術方案中，對每一個待處理道路，通過道路卡口設備獲取其專有的歷史和實時的道路數據，作為道路數據樣本集；利用車流量的歷史數據訓練車流量預測模型，把車流量的實時數據樣本集輸入到訓練好的車流量預測模型中，獲得針對每個待處理道路對應的預測的車流量數據；然后基于歷史道路數據，建立車流狀態分類器，獲取將車流狀態，根據擬合出的車流狀態對應車流量與擁堵概率的關系圖，最終獲得待處理道路對應的車流量閾值、車速閾值。

技術領域

本發明涉及智能交通控制技術領域，具體為一種基于深度學習算法的高速公路限速限流方法。

背景技術

現代的交通控制中，為了預防高速公路擁堵發生，對于高速公路限速限流方法的研究是交通控制中的常見課題。目前常見的限速限流方法有：

(1)以85％位車速作為限速閾值；

(2)可變限速限速限流，即將高速公路分段，基于交通流理論對每段的交通流速度進行控制。

然而，以85％位車速作為限速閾值的方法，雖然簡單易行，但是該種閾值選擇辦法沒有從交通流理論出發，很多時候與道路的實際情況并不符合，過于簡單粗暴，真正實施的時候，在有些道路上會不適用；可變限速限速限流措施雖然建立在科學的交通流模型上，但是采用分段限速的措施不但難以實施，而且如果駕駛員遵守每段路的不同限速，那么這種交通流的不均勻性極易導致安全事故，缺乏實用性。

發明內容

為了解決現有的限速限流方法對于道路實際情況考慮較少，或者難以實施，以至于缺乏實用性的問題，本發明提供一種基于深度學習算法的高速公路限速限流方法，其可以根據道路的實際情況計算出符合道路自身的流量和速度閾值，且方法簡單，實施便利，易于推廣。

本發明的技術方案是這樣的：一種基于深度學習算法的高速公路限速限流方法，其特征在于，其包括以下步驟：

S1：針對待處理道路，設置監測時間，利用道路卡口設備獲取統計監測時間內的道路數據，建立道路數據樣本集；

所述道路數據從時間上劃分，包括：歷史數據和實時數據；

所述道路數據從類型上劃分，包括：車流量、車輛密度、平均速度，；

S2：基于深度學習深度學習算法K-MEANS算法建立車流狀態分類器；

S3：把所述道路數據樣本集的歷史數據輸入到所述車流狀態分類器，輸出所述待處理道路對應的車流狀態分類，所述車流狀態分類包括：自由流穩定態、自由流亞穩定態、同步流、擁堵流；

S4：根據所述車流狀態中的四種狀態做出所述待處理道路對應的平均速度和車流量關系圖，所述平均速度和車流量關系圖表示在所述待處理道路上，隨著道路上車輛的平均車速的變化車流狀態變化的趨勢；

S5：基于長短期記憶神經網絡算法建立車流量預測模型；

S6：把步驟S1中獲取的所述道路數據樣本集中的歷史數據中的車流量數據進行預處理之后，形成車流量訓練數據集；把所述車流量訓練數據集輸入到所述車流量預測模型中進行訓練，獲取訓練好的所述車流量預測模型；

S7：把步驟S1中獲取的所述道路數據樣本集中的實時數據中的車流量數據、輸入到訓練好的所述車流量預測模型中，獲得預測的車流量數據

S8：根據現有數據可知，道路發生擁堵的概率與道路上的車流量的關系是指數關系，所以基于指數模型，結合步驟S1中獲取的所述道路數據，以所述預測的車流量數據為基礎，擬合出車流量與擁堵概率的關系圖；