[發明專利]基于大數據技術與SAE-GRU的主動安全預測方法

在審

• 申請號: 202011172029.X
• 申請日: 2020-10-28
• 公開（公告）號: CN112270355A
• 公開（公告）日: 2021-01-26
• 發明（設計）人: 郝威;吳其育;戎棟磊;張兆磊;易可夫;伍文廣;吳偉;李永福;王正武;谷健
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06Q10/04;G06Q50/30;G08G1/01
• 代理公司: 西安知誠思邁知識產權代理事務所(普通合伙) 61237
• 代理人: 麥春明

1.基于大數據技術與SAE-GRU的主動安全預測方法，其特征在于，按照以下步驟進行：

步驟S1、獲取原始數據集，原始數據集包含多個單條數據集，每個單條數據集包含Δt時間間隔內的平均車速、平均加速度、平均占有率、平均排隊時間、平均行程時間這5類特征數據以及平均標準時間這1類常規數據，并對原始數據集進行預處理，形成訓練數據集；

步驟S2、利用步驟S1得到的訓練數據集，基于聚類分析進行動態交通運行狀態識別，獲取帶有交通運行狀態標簽的樣本數據集；

步驟S3、將帶有交通運行狀態標簽的樣本數據集作為分類分析的先驗知識，生成交通運行狀態分類器；

步驟S4、采用步驟S1形成的訓練數據集構建用于風險運行狀態評判的數據集，并根據不同的交通運行狀態基于模糊綜合評價法對構建的用于風險運行狀態評判的數據集進行風險運行狀態判別，得到帶有風險運行狀態標簽的訓練數據集；

步驟S5、建立SAE-GRU模型，采用步驟S4得到的帶有風險運行狀態標簽的訓練數據集對建立的SAE-GRU模型執行訓練過程，并通過調參得到最優的SAE-GRU主動安全預測模型；

步驟S6、利用得到的最優的SAE-GRU主動安全預測模型，進行主干道主動安全預測，預測得到下一階段即下一個Δt時間間隔內的風險運行狀態。

2.根據權利要求1所述的基于大數據技術與SAE-GRU的主動安全預測方法，其特征在于，所述步驟S6的具體實現過程如下：

首先對預測地的實時交通流數據集進行預處理，然后利用生成的交通運行狀態分類器對預處理后的預測地的實時交通流數據集進行交通運行狀態分類，并基于該交通運行狀態分類結果利用步驟S4進行風險運行狀態判別，得到帶有風險運行狀態標簽的實時交通流數據集，然后以帶有風險運行狀態標簽的實時交通流數據集作為SAE-GRU主動安全預測模型的輸入數據，進行主干道主動安全預測，預測得到下一階段即下一個Δt時間間隔內的風險運行狀態。

3.根據權利要求2所述的基于大數據技術與SAE-GRU的主動安全預測方法，其特征在于，所述步驟S1對原始數據集進行預處理，以及所述步驟S6中對預測地的實時交通流數據集進行預處理的實現過程如下：

步驟1、數據清洗及填補：計算樣本數據集中每個單條數據集的缺失率，單條數據集缺失率＝單條數據集的數據缺失個數/單條數據集的數據總數，當單條數據集的缺失率大于等于80％時，刪除該單條數據集；當單條數據集缺失率小于80％時，對該單條數據集中的非特征數據采用統計量填充，并對該單條數據集中的特征數據通過公式(1)～(2)的拉格朗日插值法進行填充：

其中，L(x)表示待求缺失值，l_j(x)為插值基函數，x_j表示第j個位置點，x_i表示除x_j外的其他位置點，x表示待求缺失值位置點，y_j表示x_j位置點的取值，k表示給定取值點個數；

步驟2、特征變換：采用公式(3)所示的最大-最小規范化方法對完成數據清洗及填補后的樣本數據集中的每類特征數據的每個數值進行特征變換：

其中，y_new表示特征變換后的數值，y表示特征變換前的數值，y_min表示樣本數據集中每類特征數據的最小值，y_max表示樣本數據集中每類特征數據的最大值，所述樣本數據集指原始數據集或預測地的實時交通流數據集。