[發明專利]一種基于Embedding-CNN的混合車群運動演化規律的刻畫方法

在審

• 申請號: 202210359994.0
• 申請日: 2022-04-07
• 公開（公告）號: CN114613144A
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 孫棣華;趙敏;李保輝
• 申請（專利權）人: 重慶大學
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 北京匯澤知識產權代理有限公司 11228
• 代理人: 武君

本發明提供了一種基于Embedding?CNN的混合車群運動演化規律的刻畫方法，屬于智能交通信息技術領域。本方法包括以下步驟：首先，選定監測路段，通過監測路段路側或車載傳感器，截取t時刻監測路段混合異質車群的單車數據；再將步驟1)截取的單車數據進行預處理，獲得Embedding?CNN模型數據集；然后，構建Embedding?CNN模型，并根據步驟2)獲得的Embedding?CNN模型數據集對Embedding?CNN模型進行訓練；最后，在測試集上對Embedding?CNN模型的準確性進行驗證。本方法從單個車輛行為出發，探究網聯自動車的滲透率和空間分布與混合車群運動演化之間的關系等問題，建立基于Embedding?CNN的深度學習模型實現對混合車群運動演化規律的精準刻畫，為掌握網聯環境下新型混合交通的運行狀態提供依據。

技術領域

本發明屬于交通數據分析及處理領域，具體涉及一種基于嵌入層-卷積神經網絡(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合車群運動演化規律的刻畫方法，可適用于智能網聯環境下快速路混合車群運動演化規律的刻畫。

背景技術

近年來，網聯自動車(Connected Autonomous Vehicles，CAVs)技術發展迅速，憑借其廣泛、實時的信息感知能力以及完全可控等特性，為研究交通問題提供了新的思路。相關的研究表明，網聯自動車的加入，將會改變快速路交通流的運行狀態，而這種變化會受其滲透率和空間分布情況的影響。因此，從單個車輛行為出發，研究混合交通條件下網聯自動車的滲透率和空間分布與異質車群的運動演化規律之間的關系具有重要意義。智能網聯環境下可以輕易獲取道路上每輛車的位置信息、狀態信息以及車輛類型等，使得上述研究成為可能。

現有的研究中，大多從車輛集體的平均行為出發，建立交通流演化模型。現有技術CN102289929A公開了一種帶耗散項LWR宏觀交通流穩定性建模方法，該方法通過在Burgers方程的基礎上進行改進，建立了新的交通模型，用以解決各種交通參數變化時交通擁堵問題的整體描述問題。但是該方法研究車輛集體的平均行為，車流中單個車輛的個體特性并不凸顯，尤其對于人駕車和自動車混合的異質車群，難以精確、有效地對新型混合交通流的運動演化特性進行刻畫。

發明內容

有鑒于此，本發明的目的在于提供一種基于嵌入層-卷積神經網絡(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合車群運動演化規律的刻畫方法，解決在人駕車和自動車混合的異質車群中，通過研究車輛集體的平均行為，難以精確、有效地對新型混合交通流的運動演化特性進行刻畫的問題。

為實現上述目的，本發明包括以下步驟：

1)選定監測路段，通過監測路段路側或車載傳感器，截取監測路段不同交通狀態下混合異質車群的單車數據；

2)將步驟1)截取的單車數據進行預處理，獲得Embedding-CNN模型數據集；

3)構建Embedding-CNN模型，并根據步驟2)獲得的Embedding-CNN模型數據集對Embedding-CNN模型進行訓練；

4)在測試集上對Embedding-CNN模型的準確性進行驗證。

進一步地，所述步驟1)具體包括以下步驟：

步驟1.1)選定長度為L的監測路段s，初始化混合車群的長度；