[发明专利]一种基于深度学习的高速公路交通拥堵预测方法

说明书

本发明公开了一种基于深度学习的高速公路交通拥堵预测方法，包括：1、获取车辆轨迹数据，包括：轨迹点编号、时间、速度、用户编号、经纬度等；2、初步删除无用信息；3、依据现实情况删除不符合实际情况的数据；4、根据经纬度删除选定范围以外的数据；5、路段匹配；6、从原始车辆轨迹数据中提取交通流参数；7、计算高速公路实际拥堵指数和拥堵阈值；8、模型进行预测。本发明利用基于通过原始的轨迹数据提取交通流参数，获得更加全面和准确的数据，然后构建Cov1DLSTM‑Attention深度学习模型来预测短时交通流，其预测精度更高，能更好的把控高速公路交通运行状况，更有利于实时优化整个城市的高速公路运行状态。

技术领域

本发明涉及交通拥堵预测技术领域，具体来说是一种基于深度学习的高速公路交通拥堵预测方法。

背景技术

近年来，我国经济社会快速发展，机动车保有量持续增长，引发了更多的交通需求。当城市的交通设施供给水平无法满足迅速增长的交通需求时，便会引发交通拥堵。为了降低交通拥堵引起的生活质量下降和环境污染问题，需要科学有效地疏散和预防交通拥堵，确保市民出行能够回避交通拥堵区域，绕行交通畅通区域，提高出行效率。交通拥堵的有效疏导以及预防，在于路段拥堵的准确识别和预测。同时，路段拥堵预测也是智能交通系统的基础，只有很好的对路段拥堵进行预测，才能更好的实现交通管理与控制以及交通诱导等。

要实现准确的对未来交通流状况的预测，进而预测交通拥堵的状况，准确的交通流的预测是重要的前提。交通流的预测指的是根据过去的道路交通状况，包括流量速度密度等数据来预测未来短期内的交通的流量速度和密度。短时交通流状况通常指的是以5分钟，10分钟为间隔的一段时间的交通状况。短时的交通流的预测可以帮助预测未来一段时间内交通发展状况，为管理者的决策管理提供信息支撑。个体出行者也可以通过未来的交通状况的预测来实现对出行方式的合理选择。管理者引导交通在路网上的合理分配，出行者选择合适的出行方式，两者相辅相成，可以做到对未来一段时间的交通状况的极为显著的改善。

对于传统采集数据方法，几乎都是采用传统线圈采集的数据，地磁线圈不可能每个路段都有布设，这样就造成有的路段无法获取交通流，对数据的准确性造成了一定的影响。

发明内容

本发明为克服现有技术的不足之处，提出了一种基于深度学习的高速公路交通拥堵预测方法，通过原始的轨迹数据提取交通流参数，获得更加全面和准确的数据，使构建的模型更加准确，能提高交通拥堵预测的准确性，从而能帮助管理者更好的在宏观和微观两个层面把控高速公路交通运行状况，更有利于管理者实时优化整个城市的高速公路运行状态。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于深度学习的高速公路交通拥堵预测方法的特点在于，包括以下步骤：

步骤1、令相邻两个时间的间隔为Δt，则任意一个时间间隔的序号记为t；将当前高速公路分成T路段，并通过电子地图获取第t个时间间隔内第j辆车在第i路段的速度V_i,j(t)，其中，j＝1,2,...,N_i，i＝1,2,...,T；N_i表示第i路段上的车辆总数；

对第i路段上所有车辆在第t个时间间隔内的速度统计后得到第t个时间间隔内第i路段的交通量f_i(t)；

按照车辆行驶的方向，定义车辆在当前高速公路行驶的上游有交叉口；

通过电子地图上第i路段的中心位置与上游交叉口之间的距离，测得第i路段的中心位置与上游交叉口之间的距离s_i；

步骤2、根据式(1)计算第t个时间间隔内第i路段的速度V_i(t)；

步骤3、根据式(2)计算第t个时间间隔内第i路段的密度K_i(t)；