[發(fā)明專利]一種基于深度殘差網(wǎng)絡模型的入口匝道聯(lián)動控制方法

有效

• 申請?zhí)枺?/td>: 201910809931.9
• 申請日: 2019-08-29
• 公開（公告）號: CN110503833B
• 公開（公告）日: 2021-06-08
• 發(fā)明（設計）人: 萬千;彭國慶;李志斌;趙孝進;鄭鈺;梁啟宇;呂柳璇;張婧
• 申請（專利權(quán)）人: 桂林電子科技大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/07
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 楊雪梅

本發(fā)明公開了一種基于深度殘差網(wǎng)絡模型的入口匝道聯(lián)動控制方法，首先，收集交通流特征歷史數(shù)據(jù)，預處理后進行數(shù)圖轉(zhuǎn)換；其次，輸入圖像數(shù)據(jù)，建立并訓練交通流特征值的預測模型；第三，收集實時交通流特征數(shù)據(jù)，預處理后數(shù)圖轉(zhuǎn)換輸入模型，輸出短時變化趨勢預測圖，并利用圖數(shù)轉(zhuǎn)換將預測趨勢圖轉(zhuǎn)為文本數(shù)據(jù)；第四，轉(zhuǎn)換后的文本數(shù)據(jù)，利用訓練好的預測模型對道路交通特征值進行短時預測，對匯入主線的車流量提前進行聯(lián)動控制；最后，使用VB+VISSIM程序進行ALINEA算法的仿真評價與分析，并發(fā)布路況信息。本發(fā)明控制方法，數(shù)據(jù)預處理后分別進行數(shù)圖轉(zhuǎn)換，數(shù)圖轉(zhuǎn)換可提取二維圖像更多細節(jié)特征，降低模型訓練和預測時間，提高預測精度與實時信息處理速度。

技術(shù)領(lǐng)域

本發(fā)明屬于交通數(shù)據(jù)預測領(lǐng)域，涉及一種短時交通流特征數(shù)據(jù)預測與交通流狀態(tài)劃 分方法，基于深度殘差網(wǎng)絡模型進行數(shù)據(jù)預測，并利用預測數(shù)據(jù)進行入口匝道聯(lián)動控制的方法。

背景技術(shù)

道路交通流特征數(shù)據(jù)主要包括車流量、車流速度、車流密度和車輛占有率。道路交通流特征數(shù)據(jù)預測能夠預測下一時段數(shù)據(jù)并劃分交通流狀態(tài)，是進行交通管理和控制的必要前提。基于交通流預測的交通管理與控制不僅便于出行者制定更好的出行計劃，還 有利于交通管理部門做出更好的管理決策。

在已有的道路交通流特征數(shù)據(jù)預測方法中，目前使用最廣的是淺層模型和時序模型。 淺層模型不能較好的挖掘交通流數(shù)據(jù)中的信息，時序模型只考慮了交通流在時間上的特 征而忽略了空間上的影響。而深度殘差網(wǎng)絡不僅能夠基于數(shù)據(jù)變化趨勢圖像提取時間上 的特征，還能提取空間上的特征，故本發(fā)明提出了一種基于深度殘差網(wǎng)絡的交通流特征數(shù)據(jù)預測方法，通過卷積提取交通流特征數(shù)據(jù)變化趨勢圖中的時空特征并進行非線性回歸，最終實現(xiàn)道路交通流特征數(shù)據(jù)的預測，并基于預測數(shù)據(jù)進行交通管理與控制。

隨著深度學習與人工智能技術(shù)的飛速發(fā)展，對道路交通流預測的準確度日益提高。 道路交通流預測可以輔助交通管理部門做出更為合理的交通管控策略，為車主響應交通 管控策略提供參考，緩解交通擁堵，減少交通資源的浪費?；谏疃葰埐罹W(wǎng)絡模型的道路交通流預測為智能交通系統(tǒng)提供了基礎數(shù)據(jù)，并推動了智能交通系統(tǒng)的發(fā)展和應用。

發(fā)明目的

為了提高現(xiàn)有短時交通流特征數(shù)據(jù)預測與交通流狀態(tài)劃分方法精度的不足，同時解 決傳統(tǒng)入口匝道控制方法不具有前饋機制與預測機制的短板，本發(fā)明提供一種基于深度 殘差網(wǎng)絡模型的短時交通流特征數(shù)據(jù)預測與入口匝道聯(lián)動控制方法。

實現(xiàn)一種基于深度殘差網(wǎng)絡模型的入口匝道聯(lián)動控制方法，主要包括以下步驟：

步驟1：收集交通流特征歷史數(shù)據(jù)，數(shù)據(jù)預處理后進行數(shù)圖轉(zhuǎn)換，將數(shù)據(jù)轉(zhuǎn)換為以時間 為序列的二維圖像；

步驟2：輸入圖像數(shù)據(jù)，建立并訓練基于深度殘差網(wǎng)絡交通流特征值的預測模型，設置 超參數(shù)與網(wǎng)絡層級，經(jīng)過前向傳播與反向傳播進行參數(shù)調(diào)優(yōu)，完成模型訓練，并深度學習歷 史交通流特征值變化趨勢；

步驟3：收集實時交通流特征數(shù)據(jù)，將經(jīng)過預處理的數(shù)據(jù)進行數(shù)圖轉(zhuǎn)換，將數(shù)據(jù)轉(zhuǎn)換為 以時間為序列的二維圖像；轉(zhuǎn)換后將圖像數(shù)據(jù)輸入訓練好的深度殘差網(wǎng)絡預測模型進行短時 預測，輸出短時變化趨勢預測圖，并利用圖數(shù)轉(zhuǎn)換將預測趨勢圖轉(zhuǎn)為文本數(shù)據(jù)；

步驟4：轉(zhuǎn)換后的文本數(shù)據(jù)，利用訓練好的深度殘差網(wǎng)絡預測模型對道路交通特征值進 行短時預測，將預測數(shù)據(jù)和識別的車流狀態(tài)輸入至入口匝道控制ALINEA算法中，計算下一控 制周期車輛占有率與最大排隊車輛數(shù)，對匯入主線的車流量提前進行聯(lián)動控制；

步驟5：使用VB+VISSIM程序進行ALINEA算法的仿真評價與分析，并發(fā)布路況信息。

步驟1具體包括如下步驟：

1.1歷史數(shù)據(jù)收集