[发明专利]一种基于聚类与深度序列学习的交通状态估计方法

权利要求书

1.一种基于聚类与深度序列学习的交通状态估计方法，其特征在于，该方法包括如下步骤：

S1、快速路划分：按照元胞传输模型CTM理论将一条城市快速路划分成若干个均衡的路段，保证划分后各路段内部的交通流密度呈均匀分布，截面流量、车流速度等大致相同；

S2、数据采集：采用仿真软件对选中的快速路进行建模，设置虚拟检测器，获取各路段交通流的历史参数数据，其中数据的特征包括路段截面车流量、速度与路段时间占有率；

S3、数据预处理：剔除收集到的重复数据与异常数据，并将不同的交通流特征数据进行归一化处理，转换成[0,1]区间的值；

S4、交通状态划分：按照路段交通流基本图特性将交通状态分为自由流与拥挤流两种状态等级，采用kmeans聚类算法分别对各路段的历史交通流数据进行聚类分析，根据数据在三维空间中的欧式距离来判断每个数据点的类别，从而达到对各路段数据集标定的目的；

S5、交通状态估计：将标定好的数据按一定比例构造训练数据集，并设计深度序列学习模型Seq2Seq模型，模型输入是快速路中部分路段的交通流数据序列，输出是快速路全部路段的交通状态序列，通过迭代学习的方式实现对整个路段的交通状态估计，得到估计结果。

2.根据权利要求1所述的一种基于聚类与深度序列学习的交通状态估计方法，其特征在于，所述步骤S1中，快速路的路段划分规则为：

S1.1、按照快速路网中匝道的数量和位置、车道数变化位置以及道路曲率半径发生变化的位置，可将路网分割为若干路段，每个路段称为一个链接路段；所述匝道包括入口匝道和出口匝道，所述车道数变化为增加或减少；

S1.2、每个链接路段按照其长度被进一步分割为若干个长度相等的更小的路段，每个小路段称为一个元胞，且保证每个元胞是均衡的。

3.根据权利要求1所述的一种基于聚类与深度序列学习的交通状态估计方法，其特征在于，所述步骤S2中，快速路模型按照S1所述的路段划分规则进行划分，并按照真实数据动态的设置各路段交通需求以及出入口匝道与主路之间的分流比，各路段采集到的历史交通流参数数据可以是连续多个工作日的数据，通过改变软件随机种子的方式来模拟。

4.根据权利要求1所述的一种基于聚类与深度序列学习的交通状态估计方法，其特征在于，所述步骤S3中，对收集到的数据做归一化处理，使不同特征变量能落在一个特定区域内，归一化公式为：

其中，x'为数据归一化后的值，x为数据归一化前的值，x_min为数据集中的最小值，x_max为数据集中的最大值。

5.根据权利要求1所述的一种基于聚类与深度序列学习的交通状态估计方法，其特征在于，所述步骤S4中，根据元胞内部交通流数据构成的基本图划分交通状态等级，共分成自由流与拥挤流两种类型，其中自由流状态时的交通运行比较稳定，行驶车辆几乎不受外界影响，用数字0来表示该状态；拥挤流状态时的交通运行极不稳定，车辆间干扰剧烈，用数字1来表示该状态。