自适应决策的高速公路交通管控方法、装置及电子设备与流程
本发明涉及智能交通控制,具体涉及一种自适应决策的高速公路交通管控方法、装置及电子设备。
背景技术:
1、随着高速公路通车里程持续增长和汽车保有量快速攀升,交通拥堵与事故等问题日益突出,智能交通系统作为缓解交通问题的重要手段,已在感知、监测与管控等领域得到广泛应用。在交通感知层面,基于yolo、deepsort等深度学习框架的目标检测与轨迹跟踪技术已较为成熟,可识别急刹车、违规变道等高风险行为;在状态监测层面,基于mobilenetv2、空间注意力机制等方法可实现交通拥堵状态的自动识别;在交通流预测层面,图卷积网络及其变体已被用于建模路网拓扑结构中的空间相关性,结合循环神经网络可捕捉交通流的时间演化规律;在管控决策层面,强化学习技术也已开始用于探索交通管控策略的优化。
2、然而,上述现有技术仍存在以下不足。第一,在多源数据融合方面,高速公路交通管控涉及视频、毫米波雷达、光纤光栅、地磁传感、etc及gps轨迹等多种异构数据,不同数据源在采样频率、时间基准、空间坐标系等方面存在显著差异,现有方法缺乏有效的在线时空基准对齐机制,难以保证多源数据在时间和空间上的一致性。同时,感知数据在采集传输过程中常因设备故障、通信中断等原因出现缺失,现有方法对单点随机缺失和连续缺失缺乏差异化处理策略。第二,在拥堵分析与预测方面,现有方法多基于固定邻接矩阵描述路网拓扑关系,难以反映交通流在路网节点间动态变化的时空相关性,宏观拥堵态势与微观车辆运行状态之间也缺乏有效的关联分析机制。第三,在管控决策方面,现有策略多为基于固定规则的静态预设方案,难以根据实时交通态势进行自适应调整,缺乏将感知、预测与决策纳入统一框架的闭环体系。
3、综上所述,现有技术在多源异构数据的时空一致性融合、动态时空相关性的拥堵预测及管控策略的自适应决策等方面均存在明显不足,亟需一种能够实现感知-预测-决策-优化全链路闭环的智慧管控方案,以提升高速公路交通管控的智能化水平和运行效率。
技术实现思路
1、有鉴于此,有必要提供一种自适应决策的高速公路交通管控方法、装置及电子设备,用以解决现有方式因数据融合不足、动态时空相关性表征缺失及管控策略静态固化,所导致的交通状态感知准确性不足、管控策略缺乏自适应性的技术问题。
2、为了解决上述技术问题,第一方面,本发明提供了一种自适应决策的高速公路交通管控方法,包括:
3、获取多源异构感知数据,并基于所述多源异构感知数据进行在线时空基准对齐处理,得到标准化时空数据;
4、基于所述标准化时空数据,提取各路段的拥堵特征,所述拥堵特征包括各路段的交通状态、拥堵指数及拥堵类型;
5、根据各路段的所述拥堵特征,结合顾及动态时空相关性的图卷积神经网络,预测未来交通拥堵态势,并根据所述未来交通拥堵态势,利用生成式预训练模型生成交通管控策略;
6、将所述交通管控策略输入交通仿真环境进行强化学习训练,并根据训练结果迭代更新所述交通管控策略。
7、在一种可能的实现方式中,所述基于所述多源异构感知数据进行在线时空基准对齐处理,得到标准化时空数据,包括:
8、对所述多源异构感知数据进行时间对齐,将各数据源的时间戳统一至协调世界时基准,并采用时间窗口补偿数据传输延迟,得到时间对齐后的数据;
9、对所述时间对齐后的数据进行空间对齐,将各数据源的空间坐标转换至预设坐标系统,并对转换后的地理空间进行网格化划分,得到时空基准对齐后的初始数据;
10、对所述初始数据中的缺失数据进行多策略交叉补全,得到所述标准化时空数据,所述标准化时空数据中包含完整交通数据。
11、在一种可能的实现方式中,所述对所述初始数据中的缺失数据进行多策略交叉补全,包括:
12、判断缺失数据的类型为单点缺失或连续缺失;
13、当所述缺失数据为单点缺失时,采用插值算法进行补全;
14、当所述缺失数据为连续缺失时,判断补全类型为同类时空序列补全或不同类型数据交叉补全;
15、当所述补全类型为同类时空序列补全时,采用机器学习模型根据同源历史数据进行补全;
16、当所述补全类型为不同类型数据交叉补全时,提取其他类型多源数据的补全特征和时空特征,融合所述补全特征和所述时空特征后输入机器学习模型进行补全。
17、在一种可能的实现方式中,所述基于所述标准化时空数据,提取各路段的拥堵特征,包括:
18、根据路径识别点和收费站的位置,将高速公路路段划分为多个层次;
19、从所述标准化时空数据中提取各层次中每个路段的平均车流速度和平均延误时间;
20、采用模糊综合评价算法,根据所述平均车流速度和所述平均延误时间,判断各路段的交通状态。
21、在一种可能的实现方式中,所述根据各路段的所述拥堵特征,结合顾及动态时空相关性的图卷积神经网络,预测未来交通拥堵态势,包括:
22、以路段间单位时间片内的车辆转移数量为权重,构建动态邻接矩阵,并根据所述动态邻接矩阵,对每个历史时间片分别进行图卷积操作,得到各历史时间片对应的空间特征向量;
23、合并各历史时间片的所述空间特征向量,得到动态空间特征;
24、将多个历史时间片的拥堵指数输入长短期记忆网络,提取动态时间特征;
25、融合所述动态空间特征与所述动态时间特征,以及各路段的所述拥堵特征,输入图卷积神经网络进行拥堵预测。
26、在一种可能的实现方式中,所述根据所述未来交通拥堵态势,利用生成式预训练模型生成交通管控策略,包括:
27、根据所述未来交通拥堵态势提取场景语义特征;
28、将所述场景语义特征输入生成式预训练模型,生成与当前场景匹配的文本化交通管控策略。
29、在一种可能的实现方式中,所述将所述交通管控策略输入交通仿真环境进行强化学习训练,并根据训练结果迭代更新所述交通管控策略,包括:
30、将所述交通管控策略部署至交通仿真环境进行仿真评估,得到评估反馈;
31、根据所述评估反馈,采用强化学习算法对所述交通管控策略的参数进行调优;
32、将调优后的策略重新部署至所述交通仿真环境,重复执行仿真评估与参数调优,直至达到预设收敛条件。
33、在一种可能的实现方式中,所述获取多源异构感知数据之后,所述自适应决策的高速公路交通管控方法还包括:
34、根据所述多源异构感知数据中的视频监控数据识别车道线和道路边界;
35、从识别出的车道中提取车道特征,采用机器学习算法对车道进行标注;
36、根据所述多源异构感知数据中的gps数据和传感器数据对车辆进行定位,根据定位结果将车辆轨迹与所述车道进行匹配,以将车辆位置映射至目标车道。
37、另一方面,本发明还提供了一种自适应决策的高速公路交通管控装置,包括:
38、数据获取模块,用于获取多源异构感知数据,并基于所述多源异构感知数据进行在线时空基准对齐处理,得到标准化时空数据;
39、特征提取模块,用于基于所述标准化时空数据,提取各路段的拥堵特征,所述拥堵特征包括各路段的交通状态、拥堵指数及拥堵类型;
40、态势预测模块,用于根据各路段的所述拥堵特征,结合顾及动态时空相关性的图卷积神经网络,预测未来交通拥堵态势,并根据所述未来交通拥堵态势,利用生成式预训练模型生成交通管控策略;
41、策略生成模块,用于将所述交通管控策略输入交通仿真环境进行强化学习训练,并根据训练结果迭代更新所述交通管控策略。
42、第三方面,本发明还提供了一种电子设备,包括数据获取接口、存储器和处理器;
43、所述数据获取接口,用于获取多源异构感知数据;
44、所述存储器,用于存储程序;
45、所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述任意实现方式中所述的自适应决策的高速公路交通管控方法中的步骤。
46、本发明的有益效果是:本发明提供的自适应决策的高速公路交通管控方法,通过获取多源异构感知数据并进行在线时空基准对齐处理,得到标准化时空数据,保证了下游数据的一致性和可用性,提高了数据融合质量;采用图卷积神经网络预测未来交通拥堵态势,有效表征了路网动态时空相关性,提升了预测准确性;利用生成式预训练模型生成交通管控策略,并通过强化学习仿真环境进行迭代训练,使管控策略具备动态自适应调整能力,有利于提升高速公路交通管控的智能化水平和运行效率。
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