一种考虑随机事件的高速公路交通状态预测方法
本发明属于智能交通系统和深度学习领域,尤其涉及一种考虑随机事件的高速公路交通状态预测方法。
背景技术:
1、交通拥堵预测对于智能交通系统(its)至关重要,尤其是在考虑随机交通事件影响时。此类事件可能导致车道封闭和道路容量变化,进一步增加了传统模型进行拥堵预测的复杂性。
2、现有短期交通拥堵预测模型主要依赖历史流量数据的周期性特征来预测拥堵,然而这些周期性模型在面对随机发生的交通拥堵时表现不佳。随机发生的拥堵与交通事件引起的道路容量下降密切相关,因此要实现短时间间隔内准确的拥堵状态预测,必须将交通事件导致的容量变化纳入交通拥堵预测中。
3、现有研究中,部分学者尝试通过轨迹数据挖掘短时间内的容量变化以判断道路拥堵的产生。然而,预测每辆车的轨迹变化需要大量计算资源,难以处理短期拥堵预测任务。此外,传统方法存在以下不足:(1)单独进行容量预测不足以完成拥堵预测任务,需要有效地将容量预测结果与交通流预测相融合;(2)现有基于transformer架构的模型通常在同一时间步将所有特征变量嵌入到统一的token中,限制了模型从短时间序列中充分提取有效信息的能力;(3)多任务学习在交通拥堵预测中的应用受限于计算成本和任务间干扰问题。
技术实现思路
1、发明目的:本发明为克服现有技术存在的不足之处,提供一种考虑随机事件的交通状态预测方法,实现考虑随机事件影响的交通拥堵高精度预测,从而为交通管理和决策提供数据支撑。
2、技术方案:本发明公开了一种考虑随机事件的高速公路交通状态预测方法,具体为:
3、采集交通数据;
4、采用二进制编码量化交通事件引发的车道占用指数;并建立当前车道占用指数与当前道路容量的映射关系;
5、构建基于itransformer的多任务预测模型;
6、设计多任务联合损失函数,平衡回归任务和分类任务的权重,通过对抗训练优化模型参数;
7、基于预测的交通流量和车道占用指数计算道路饱和度,实现交通拥堵状态判定。
8、进一步的,采用二进制编码量化交通事件引发的车道占用指数,具体为:
9、(1)设道路包含条车道,第条车道的占用状态为,当车道被占用时=1,否则=0;
10、(2)根据如下公式计算车道占用指数:
11、。
12、进一步的,建立车道占用指数与道路容量的映射关系具体为:对历史数据中各车道占用指数下观测到的车道流量进行统计,取对应状态下的最大流量作为该 值的道路容量 ,从而构建 与 的查找映射表。
13、进一步的,所述多任务预测模型包括共享嵌入层、若干个编码器和输出层,若干个编码器依次连接后,最后一个编码器连接输出层,共享嵌入层连接第一个编码器,所述编码器包括依次连接的多变量注意力机制、残差连接层和前馈网络,输出层输出交通事件类型,交通流量以及车道占用状态概率分布;将交通流量作为回归任务,将交通事件类型作为分类任务。
14、进一步的,所述共享嵌入层采用反转嵌入方法,将输入序列x 转换为高维嵌入向量:
15、;
16、其中,;表示时间t时采集到的交通数据,t表示时间步总数,n表示变量数量,也即一个时间步下交通数据的总个数,表示变量n的嵌入向量,表示输入序列x在第n个变量维度上的全部时间步取值,即第x的第n列向量,上标0表示第0层输出,也即共享嵌入层的输出。
17、进一步的,所述多变量注意力机制包括回归任务的多变量注意力机制和分类任务的多变量注意力机制;
18、基于共享嵌入层的输出,回归任务的多变量注意力机制生成查询、键、值:
19、;
20、其中,表示第个编码器中回归任务的多变量注意力机制的输入,时,为共享嵌入层的输出,时,为上一个编码器回归任务前馈网络的输出,、以及均为相应的权重;
21、分类任务的多变量注意力机制生成独立的查询、键、值表示:
22、;
23、其中,表示第个编码器中分类任务的多变量注意力机制的输入,时,为共享嵌入层的输出,时,为上一个编码器分类任务前馈网络的输出,、以及均为对应的权重;
24、生成回归任务的注意力权重:
25、;
26、生成分类任务的注意力权重:
27、;
28、其中,t表示转置,表示为键向量的维度,用于缩放点积以稳定梯度。
29、进一步的,对注意力权重进行残差连接和层归一化:
30、;
31、;
32、其中,表示层归一化,为回归任务层归一化的结果,为分类任务层归一化的结果;
33、所述前馈网络包括回归任务前馈网络和分类任务前馈网络,回归任务前馈网络和分类任务前馈网络分别:
34、回归任务前馈网络的结构如下:
35、;
36、其中,为第个编码器中回归任务前馈网络的输出,也即第个编码器中回归任务的多变量注意力机制的输入,σ(·)为非线性激活函数;、均为回归任务前馈网络的权重矩阵,、均为对应的偏置向量;
37、分类任务前馈网络的结构如下:
38、;
39、其中,、均为分类任务前馈网络的权重矩阵、、均为分类任务前馈网络的偏置向量,为第个编码器中分类任务前馈网络的输出,也即第个编码器中分类任务的多变量注意力机制的输入。
40、进一步的,所述输出层输出交通事件类型,交通流量以及车道占用状态概率分布:
41、将最后一层编码器中的回归任务前馈网络的输出输入至第一mlp中,得到第一mlp的输出;采用线性投影预测交通流量:
42、;
43、其中,为预测得到的交通流量,为权重,为偏置;
44、将最后一层编码器中的分类任务前馈网络的输出输入至第二mlp中,得到第二mlp的输出,通过softmax激活函数生成交通事件类型:
45、;
46、其中,为预测的交通事件类别概率分布,为权重,为偏置;
47、车道占用状态概率分布:
48、;
49、其中,为预测的车道占用状态概率分布;、 分别权重矩阵和偏置向量,为嵌入维度,为车道占用状态总数,即所有可能的车道占用组合数,对含 条车道的道路 。
50、进一步的,回归任务损失函数采用均方误差:
51、;
52、其中,f为预测时域,n为批次大小;为t时刻实际的交通流量,为t时刻预测的交通流量;
53、分类任务损失函数采用组合交叉熵:
54、;
55、其中,为交通事件类别总数,为第c个交通事件类别的实际概率,第c个交通事件类别的预测概率,表示第k个车道被占用的实际概率;表示第k个车道被占用的预测概率;
56、联合目标函数为回归和分类损失的加权组合:
57、;
58、该联合目标函数为整个多任务模型的训练损失函数,α和β为控制回归与分类任务贡献的超参数,,,且,同时驱动两个任务分支的参数更新。
59、进一步的,根据模型预测得到的车道占用状态概率分布,得到当前车道占用指数,通过车道占用指数与当前道路容量的映射关系,得到当前道路容量;
60、计算道路饱和度:
61、 ;
62、其中,为预测得到的交通流量;
63、拥堵状态判定:当大于预设的第一阈值时判定为拥堵状态,当大于预设的第二阈值时小于预设的第一阈值时判定为接近拥堵状态,当小于预设的第二阈值时判定为畅通状态。
64、有益效果:
65、本发明引入车道占用指数,采用二进制编码量化事件导致的车道关闭情况,将容量变化与事件关联起来,有效捕获事件对道路容量的影响机制。本发明基于itransformer架构的多任务学习框架,利用反转嵌入和多通道注意力机制准确捕获交通流、事件类型和车道占用之间的复杂交互,实现高预测精度。本发明采用饱和度作为拥堵指标,整合流量和容量变化提供更全面的拥堵预测方法,相比单独基于流量的预测更能准确反映道路实际拥堵状态。本发明的itransformer仅编码器架构降低了计算成本,有助于高效的多维数据处理,为实时拥堵预测提供有力支持。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com