详情

原文传递一种基于多源数据融合的高速公路车道级速度预测方法

专利名称：	一种基于多源数据融合的高速公路车道级速度预测方法
摘要：	本发明公开了一种基于多源数据融合的高速公路车道级速度预测方法，包括以下步骤：划分车道，利用GRG计算不同车道之间的相互影响度；使用Attention机制计算目标车道不同时间的注意力权重；基于注意力权重和不同车道之间的相互影响度，建立改进模型GRGA；基于改进模型GRGA，建立GRU_LSTM融合深度学习模型；根据GRU_LSTM融合深度学习模型，实时预测高速公路任一车道特定时间段内的平均行驶速度。本发明一种基于多源数据融合的高速公路车道级速度预测方法预测速度块、精准高，能够为交通管制人员进行交通诱导提供参考依据。
专利类型：	发明专利
申请人：	重庆大学;重庆首讯科技股份有限公司
发明人：	孙棣华;赵敏;赵文竹;刘海生;任玲;王世森;王璟婷;陈星州
专利状态：	有效
申请日期：	2023-08-31T00:00:00+0800
发布日期：	2023-11-07T00:00:00+0800
申请号：	CN202311111518.8
公开号：	CN117012039A
代理机构：	北京汇泽知识产权代理有限公司
代理人：	张瑾
分类号：	G08G1/052;G08G1/01;G06N3/045;G06N3/08;G;G08;G06;G08G;G06N;G08G1;G06N3;G08G1/052;G08G1/01;G06N3/045;G06N3/08
申请人地址：	400044 重庆市沙坪坝区正街174号;
主权项：	1.一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于，包括以下步骤： S1.按照检测设备分布划分车道，提取各车道检测设备采集的数据； S2.利用GRG计算不同车道之间的相互影响度； S3.使用Attention机制计算目标车道不同时间的注意力权重； S4.基于Attention机制计算的注意力权重和GRG计算的不同车道之间的相互影响度，建立改进模型GRGA； S5.基于改进模型GRGA，建立GRU_LSTM融合深度学习模型； S6.根据步骤S5建立的GRU_LSTM融合深度学习模型，实时预测高速公路任一车道特定时间段内的平均行驶速度。 2.根据权利要求1所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所述步骤S2包括定义灰色关联系数，计算表达式如下： Δmin(t)＝minaminc\|vla(t)-vlc(t)\| 式中，Δmin为两极最小差；Δmax为两极最大差；ρ为分辨系数，一般取值0.5；代表目标车道速度；/>代表观测路段内第c个候选车道的平均车速。 3.根据权利要求2所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所述步骤S3包括以下子步骤： S3.1将每个时间段的车道车速作为特征； S3.2引入attention机制，计算t时间内的数据权重ai； ai＝align(hi,s0),i＝1,2,...,t 式中，hi是Encoder对不同时间步的速度输入进行编码得到的隐藏状态序列；s0为解码器在当前时间步的状态； S3.3基于解码器的状态s0与输入序列中每个时间步的隐藏状态hi之间的关联性，调整注意力分配，计算注意力权重bi；式中，w为权重矩阵；T为统计数据的总体时长；vT为参数矩阵； S3.4将注意力权重向量b1,b2...bi送入softmax函数，进行归一化处理； [a1,a2,...ai]＝softmax([b1,b2,....,bi])。 4.根据权利要求3所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所述步骤S4包括以下子步骤： S4.1改进灰色关联度方程：将attention机制计算后的同一车道不同时间段之间的影响导入灰色关联度方程；改进后的灰色关联度方程为：式中，ci代表候选车道；ti表示某段时间； S4.2改进后的权重与灰度关联度的平均值相乘，得到灰色注意力关联度GRGA； S4.3将GRGA值做归一化处理；式中，GRGA(c)i代表每个车道的重要程度权重系数。 5.根据权利要求4所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所述步骤S5括以下子步骤： S5.1将步骤S4.3的重要程度权重系数引入输入矩阵Vi(t)； S5.2建立GRU模型，计算表达式如下： zt＝σ(WzXt+UzHt-1+bz) rt＝σ(WrXt+UrHt-1+br) 式中，zt是更新门；rt是重置门；是新候选隐藏状态；Xt是加权后的随时间变化的速度值；Wz,Wr,Wh,Wy,Uz,Ur,Uh为权重矩阵；bz,br,bh为偏置向量； S5.3建立LSTM模型 ft＝σ(WfXt+Ufht-1+bf) it＝σ(WiXt+Uiht-1+bi) ot＝σ(WoXt+Uoht-1+bo) 式中，it是输入门；ft是遗忘门；ot是输出门；是新候选细胞状态；ct是细胞状态；ht是当前时刻的隐藏状态；Wf,Wi,Wo和Wc为权重矩阵用于隐藏层的计算；Uf,Ui,Uo和Uc为前一段时间和后一段时间之间的权重矩阵；bf,bi,bc和bo是偏置向量；σ是将数据流控制在[0,1]之间的激活函数；tanh是将数据控制在[-1,1]范围内的非线性激活函数； S5.4添加一个全连接层，整合GRU模型和LSTM模型的输出； y＝Wyhht+by 式中，Wyh为权重矩阵；by为偏置向量；y为GRU_LSTM神经网络的输出结果； S5.5收集高速公路车道级行车数据对GRU_LSTM神经网络模型进行重复迭代训练，直至损失收敛且预测精度满足要求，即得GRU_LSTM融合深度学习模型。 6.根据权利要求5所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所述步骤S5中，激活函数σ的计算表达式如下： 7.根据权利要求5所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所步骤S5中，非线性激活函数tanh的计算表达式如下： 8.根据权利要求1所述的一种基于多源数据融合的高速公路车道级速度预测方法，其特征在于：所述检测设备采集的数据均要进行预处理。
所属类别：	发明专利