[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

本發明公開了一種基于大數據技術與SAE?GRU的主動安全預測方法，首先，獲取原始數據集并對其預處理形成訓練數據集；利用訓練數據集，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；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；采用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，并利用其訓練SAE?GRU模型，同時通過調參得到最優的SAE?GRU主動安全預測模型；利用SAE?GRU主動安全預測模型進行主動安全預測。應用范圍廣，滿足高精度、高效率預測的要求。

技術領域

本發明屬于交通狀態識別技術領域，涉及一種基于交通大數據技術與SAE-GRU的主干道主動安全預測方法。

背景技術

隨著汽車保有量的急劇上升與城鎮化進程的推進，交通擁堵、事故頻發與管理滯后成為阻礙交通發展的主要問題。基于大數據和深度學習的交通決策更智能，為緩解交通擁堵、優化道路資源、提升安全指數給予支持。因此，利用大數據技術挖掘與交通安全關聯的特征參數，運用深度學習建立安全模型，構建完善的主動安全管理方法已成為智能交通系統(ITS,Intelligent Transport System)的研究熱點。

在交通運行狀態識別方面，當樣本量較大時計算復雜，往往造成評判失敗的現象；在風險運行狀態識別方面，主要集中于主成分分析法與多元回歸分析，未對識別的可靠性、有效性和普適性進行評估。因此，有必要構建具有可遷移學習的狀態識別模型。

近年來，交通數據爆發導致分析難度和數據價值上升。為了更好地分析、挖掘和建模，多種基于狀態標簽的預測方法被提出。已有的研究方法雖在一定程度上推進交通狀態識別與安全預測的精準化，但仍存在以下不足：

1.交通運行狀態與主動安全預測方法關聯性差，導致信息脫節、無法準確預測風險運行狀態；

2.未能研究出在一定領域具有普適應用性的模型，使得狀態識別的方法較為狹義；

3.交通數據量快速提升，已有方法無法滿足高精度、高效率預測要求，適用性下降。

發明內容

本發明實施例的目的在于提供一種基于大數據技術與SAE-GRU的主動安全預測方法，以解決現有的基于狀態標簽的預測方法存在的交通運行狀態與主動安全預測方法關聯性差，導致信息脫節、無法準確預測風險運行狀態的問題，以及現有的基于狀態標簽的預測方法應用范圍窄、無法滿足高精度以及高效率預測要求的問題。

本發明實施例所采用的技術方案是，基于大數據技術與SAE-GRU的主動安全預測方法，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；