[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

说明书

本发明提供了一种基于kmeans聚类与深度序列学习的交通状态估计方法，属于智能交通系统领域，主要解决在城市快速路中部分路段的交通流数据无法实时获取的情况下，实现对整个快速路的交通状态进行估计的问题。其特征在于，所述方法包括步骤如下：(1)快速路网划分；(2)快速路的建模与数据采集；(3)数据预处理与归一化；(4)通过kmeans聚类算法计算交通流数据间的欧氏距离，确定各数据点的交通状态等级；(5)深度序列学习Seq2Seq模型的设计，通过模型迭代学习对整个路网进行交通状态识别。本发明充分考虑了路段之间交通流的关系，发挥机器学习算法在交通领域的优势，及时得到整个路网的交通状态，可以为驾驶主体提供可靠的交通信息。

技术领域

本发明涉及智能交通系统领域，具体涉及一种基于kmeans聚类与深度序列学习的交通状态估计方法。

背景技术

随着我国社会经济的不断发展与城市人口的持续增长，越来越多的家庭拥有了一辆甚至多辆私人汽车，快速增长的车辆数导致我国各大城市的交通压力日益增加，严重影响了城市交通路网的运行效率，增加居民的出行时间，此外，车辆在拥堵时低速行驶会加剧能源的浪费，频繁的熄火和发动也会加大尾气的排放量，污染居民生活环境。因此，如何在满足人们出行的需求条件下，对城市路网的交通流进行准确估计，缓解交通压力，已经成为交通管理发展的重要方向与学术界的研究焦点。

交通状态估计指的是利用路网中观测到的交通流数据推断出整个路网交通状态的过程。目前主要分为基于模型驱动与基于数据驱动两类算法：模型驱动算法一般用交通流模型来描述路段之间的传输关系，通过数学公式推演出交通状态变化情况；数据驱动算法通常使用机器学习来分析历史交通流数据并挖掘出数据之间的关系，进而估计或预测出路段交通状态。

然而，受限于技术和资金等原因，目前城市路网的道路检测器还无法做到无缝覆盖，仅能检测到部分路段的交通流数据，导致现有的技术大多围绕着单条路段做研究，无法对未检测到数据的路段进行有效估计，无法满足出行人群对于路网交通信息的需求。因此针对上述问题还没有提出有效的解决方案。

发明内容

本发明的目的在于针对上述存在的问题，提供一种基于kmeans聚类与深度序列学习的交通状态估计方法，旨在解决城市快速路中部分路段的交通流数据无法实时获取的情况下，对全部路段的交通状态进行估计的问题。

本发明的技术方案按以下步骤进行实施：

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。

进一步的，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；