详情

原文传递一种基于深度元学习的高速公路拥堵消散时间预测方法

专利名称：	一种基于深度元学习的高速公路拥堵消散时间预测方法
摘要：	本发明公开了一种基于深度元学习的高速公路拥堵消散时间预测方法，包括以下步骤：采集拥堵路段的车辆轨迹数据以及上下游的ETC数据，提取车辆与交通流特征，收集路段异常事件信息整理形成数据集；使用CNN从数据集中捕获交通流的空间特征，使用GRU从数据集中捕获交通流的时间特征；构建拥堵消散时间预测模型；针对不同类型的异常事件，拥堵消散时间预测模型采用MAML方法进行分任务学习，从而得到不同异常事件类型下的拥堵消散时间预测结果。本发明方法能够有效克服现有拥堵消散时间预测方法在应对异常事件时存在的局限性，实现更高的预测精度和适应性。
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;任玲;赵文竹;刘海生;陈星州;李扬扬;汪浩
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：	CN202311111417.0
公开号：	CN117012031A
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：	G08G1/01;G08G1/048;G06N3/0464;G06N3/08;G;G08;G06;G08G;G06N;G08G1;G06N3;G08G1/01;G08G1/048;G06N3/0464;G06N3/08
申请人地址：	400044 重庆市沙坪坝区正街174号;
主权项：	1.一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于，包括以下步骤： S1.采集拥堵路段的车辆轨迹数据以及上下游的ETC数据，提取车辆与交通流特征，收集路段异常事件信息整理形成数据集； S2.使用CNN从数据集中捕获交通流的空间特征，使用GRU从数据集中捕获交通流的时间特征； S3.根据数据集以及交通流的空间特征和时间特征，构建拥堵消散时间预测模型； S4.针对不同类型的异常事件，步骤S3构建的拥堵消散时间预测模型采用MAML方法进行分任务学习，从而得到不同异常事件类型下的拥堵消散时间预测结果。 2.根据权利要求1所述的一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于：所述步骤S1包括以下子步骤： S1.1采集拥堵路段的车辆轨迹数据以及上下游的ETC数据； S1.2进行数据预处理，即数据清洗； S1.3基于ETC数据提取车辆与交通流特征；以1分钟为时间周期进行路段输入流量、输出流量与平均行程速度特征的提取； S1.4基于车辆轨迹数据提取车辆与交通流特征；利用轨迹数据的经纬度信息将车辆轨迹匹配在地图上，筛选匹配到拥堵路段上的轨迹点，获得拥堵时段内车辆的位置和速度信息，之后根据车辆位置提取拥堵路段的车辆密度特征； S1.5收集路段异常事件信息；收集异常事件类型，搜集异常事件下的封闭车道数、天气情况以及事故处理时刻； S1.6将异常事件信息与ETC数据和车辆轨迹数据形成对应关系，制作数据集。 3.根据权利要求2所述的一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于：所述步骤S1.5中，异常事件类型包括交通事故、占道施工、恶劣天气以及流量激增。 4.根据权利要求2所述的一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于：所述步骤S2中，使用CNN捕获交通流空间特征的步骤如下： I.获取拥堵路段所有车辆的速度信息，并按位置先后顺序形成序列数据，再将速度vis与位置信息pi连接映射为特征向量xp，计算表达式如下：式中，tanh为激活函数；Wp表示一个可学习的参数矩阵；d表示生成的向量维度； II.将特征向量xp输入CNN，捕获交通流的空间特征； xS＝ELU(Wcxp+b) 式中，xS表示得到的空间特征；ELU为激活函数；Wc和b均是卷积网络中的可学习参数；表示卷积操作。 5.根据权利要求4所述的一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于：所述步骤S2中，使用GRU捕获交通流时间特征的步骤如下： I.使用卷积操作提取不同时刻交通流的流量、平均速度以及密度信息； II.引入注意力机制，根据异常事件处理时刻计算每个时间步的注意力权重，计算表达式如下： αi＝softmax(β·\|i-e\|) 式中，K为元素种类，i＝1,2,…,K；softmax为用于计算注意力权重的函数；e是自然对数的底数；x是向量中的第i个元素；β是一个控制注意力分布的超参数；\|i-e\|表示时间步i与异常事件处理时刻e之间的差值； III.使用计算得到的注意力权重，然后将交通流数据的时间序列数据进行加权求和，得到加权后的时间序列数据； IV.将加权后的时间序列数据输入GRU进行时间特征的提取，GRU的计算表达式如下： zt＝σ(Wzxt+Uzht-1) rt＝σ(Wtxt+Utht-1) 式中，zt为更新门，表示以前的信息是否需要更新；rt为重置门,表示以前的信息是否需要重置；为候选隐藏状态；ht为当前位置最终隐藏状态的输出；xt是当前时间步的输入特征；Wz，Wt，Wh均为可学习参数；⊙为哈达玛积；σ和tanh均为激活函数。 6.根据权利要求1所述的一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于，所述步骤S3包括以下子步骤： S3.1将异常事件信息及发生异常路段的整合信息统称为属性特征，对属性特征进行形式转换； I.引入独热编码对路段属性特征及异常事件发生时段进行形式转换，转换结果如下： ["普通段","隧道段","纵坡段","急弯段"]＝[1000,0100,0010,0001] ["夜间","高峰期","普通时段"]＝[100,010,001] II.按对交通流的影响程度对天气信息进行赋值，转换结果如下： ["阴\晴","小雨\小雪","中雨\中雪","大雨\大雪","雾霾"]＝[0,1,2,3,4] S3.2构建预测模型的属性特征提取模块；属性特征具体内容项如下： {"路段类型","天气情况","封闭车道数"} S3.3将属性特征提取模块提取的所有属性特征输入一个全连接层，然后使用拆分注意力机制分别对时空特征与属性特征分配注意力权重； S3.4使用输出层将全连接层的输出映射到拥堵消散时间预测的空间，完成拥堵消散时间预测模型的搭建； S3.5设计堵消散时间预测模型的损失函数。 7.根据权利要求6所述的一种基于深度元学习的高速公路拥堵消散时间预测方法，其特征在于，所述步骤S4包括以下子步骤： S4.1根据不同的异常事件类型划分出数据子集；数据子集包括时空特征、属性特征，以及对应异常事件类型的拥堵消散时间标签； S4.2将每个异常事件类型的数据子集划分为Meta-Train集和Meta-Test集； S4.3步骤S3构建的拥堵消散时间预测模型，通过Meta-Train集的数据进行不同任务的网络参数的训练； S4.4通过Meta-Test集计算测试损失，取预测损失最小的参数； S4.5给定测试样本，明确异常事件类型后，将测试样本输入对应子任务微调后的拥堵消散时间预测模型，最终得到拥堵消散时间预测结果。
所属类别：	发明专利