交通流模型与数据融合驱动的交通状态估计方法及装置

1.本发明属于智能交通领域，主要涉及一种交通流模型与数据融合驱动的交通状态估计方法及装置。


背景技术：

2.交通状态估计是利用部分观测到的交通数据推断道路上的交通状态变量(即流量、密度、速度及其他等效变量)的过程，它是交通管理与控制的重要基础。通过有效地估计宏观交通状况，交通规划管理者可以识别交通拥堵和道路瓶颈，识别导致交通流量急剧恶化的突发交通事件，了解交通需求和交通供给之间的关系，为高速公路进一步的交通控制提供依据。但受现实世界中传感器的稀疏性和从传感器收集的数据的可靠性的限制，观测数据通常存在以下问题，观测数据稀疏，空间和时间分辨率低，基于上述问题，交通状态估计面临的挑战是如何有效利用有限、稀疏采样(在空间和时间域)和潜在噪声数据，以准确获得交通状态的细粒度感知。许多研究都集中在交通状态估计问题上，常用的方法主要分为两类：模型驱动的交通状态估计方法和数据驱动的交通状况估计方法。
3.模型驱动方法基于交通流模型进行估计，它虽然可以有效利用交通流先验知识，再现一些交通现象，在有限的数据下正确估计未观测值，但其不能完全捕获现实世界中复杂的交通动态，且模型校准困难。而数据驱动的方法基于从历史数据中学习的统计或机器学习方法，它不依赖于假设，但需要大量具有代表性的数据，稀疏采样或数据质量不佳则容易导致不精确的估计。


技术实现要素：

4.本发明的目的，在于在观测数据稀疏性且数据质量不佳有噪声的情况下，提供一种交通流模型与数据融合驱动的交通状态估计方法及装置，通过交通流模型信息和数据模型融合驱动的方法，实现准确的交通速度估计。
5.为了达成上述目的，本发明的解决方案是：。
6.一方面，提出一种交通流模型与数据融合驱动的交通状态估计方法，包括以下步骤：
7.步骤1，获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；
8.步骤2，构建基于数据特征进行交通状态估计的深度神经网络模型；
9.步骤3，构建神经网络编码宏观交通流守恒模型，将所述步骤2中的深度神经网络模型与其级联，进行联合训练；
10.步骤4，基于训练完成的深度神经网络模型，完成交通状态估计。
11.进一步地，所述步骤1中交通状态数据包括高速公路研究区域内各观测点位置以及经过各观测点处的各车辆的id、时刻、瞬时速度。
12.进一步地，所述步骤1中观测点包括高速公路研究区域内沿线布设的道路检测器、探测车。
13.进一步地，所述步骤1中预处理包括网格化处理，所述网格化处理的具体步骤如下：
14.根据采样间隔，设置时空窗口对高速公路研究区域内进行划分，形成若干时空网格；
15.提取高速公路研究区域内的各观测点的时空坐标(t,x)及其对应的瞬时速度u(t,x)，并将各观测点对应到不同时空网格中；其中，u(t,x)表示t时刻经过x位置监测点时的瞬时速度；
16.将各时空网格中的观测点进行集计：以某时空网格中所有观测点对应的瞬时速度的均值作为该时空网格的平均交通速度，以该时空网格几何中心点的时空坐标代表该时空网格。
17.进一步地，所述预处理之前还包括异常值和缺省值处理，预处理之后还包括归一化处理。
18.进一步地，所述步骤2中，建立以时空网格的时空坐标为输入、以该时空网格的平均交通速度为输出的第一全连接的前馈神经网络。
19.进一步地，所述步骤3中神经网络编码宏观交通流守恒模型的结构包括：一个以任意时空网格的平均交通速度为输入、以该时空网格的平均流量为输出的第二全连接的前馈神经网络，以及一个依据v_lwr交通流守恒模型建立的固定权值的全连接神经网络；所述时空网格对应的平均流量从基本图学习器中获得，所述基本图学习器以该时空网格的平均交通速度为输入、以该时空网格的平均流量为输出。
20.进一步地，所述深度神经网络模型与神经网络编码宏观交通流守恒模型的联合损失函数为：
21.loss＝αlv+βl
v-lwr
[0022][0023][0024]
式中，和v(ti,xi)分别代表时空坐标为(ti,xi)的时空网格的平均交通速度的估计值和观测值；na代表高速公路研究区域内存在观测点的时空网格数量；ng代表高速公路研究区域内的时空网格数量；代表时空坐标为(tj,xj)的时空网格的平均交通速度估计的残差；α和β均为系数；代表huber损失。
[0025]
进一步地，所述第一和第二全连接的前馈神经网络中每个隐藏神经元的激活函数均采用双曲正切函数；
[0026]
的表达式如下：
[0027]
[0028]
式中：ε是huber损失的超参数；
[0029]
的表达式如下：
[0030][0031]
式中：代表时空坐标为(tj,xj)的时空网格的交通流量，[
·
]
x
和[
·
]
t
分别代表对x和t求偏导。
[0032]
另一方面，提出了一种交通流模型与数据融合驱动的交通状态估计装置，所述装置基于如上所述方法进行交通状态估计，包括：
[0033]
数据预处理单元，用于获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；
[0034]
数据驱动单元，用于构建基于数据特征进行交通状态估计的深度神经网络模型；
[0035]
交通流模型驱动单元，用于构建神经网络编码宏观交通流守恒模型；
[0036]
交通流模型信息与数据融合驱动单元，用于对所述深度神经网络模型和神经网络编码宏观交通流守恒模型进行联合训练；
[0037]
交通状态估计单元，用于利用训练完成的深度神经网络模型进行交通状态估计。
[0038]
本发明与现有技术相比，其显著优点是：
[0039]
1)本发明通过构建一种融合交通流物理信息的交通状态估计模型框架。现有的交通状态估计方法，主要是基于数据或者基于模型的估计方法，面临数据量不足或者模型适用性有限的问题，本发明将数据优势和模型优势结合起来，建立数据模型双驱动的交通估计，对表征交通状态的速度数据进行估计；
[0040]
2)现有的交通估计方法，主要应用于理想的交通状况，缺乏对噪声数据的研究，考虑了检测器数据存在的数据质量不高，含有噪声的问题，为了有效利用有限的数据，同时增加对质量不佳数据的鲁棒性，本发明将数据噪声进行建模，将宏观交通流模型作为数据驱动模型的正则约束，优化其梯度下降过程，对交通估计方法进行优化，并最终执行细粒度速度估计，提高了估计算法的鲁棒性。
附图说明
[0041]
图1是本发明的方法流程图；
[0042]
图2是基于数据特征进行交通状态估计的深度神经网络模型的结构图；
[0043]
图3是神经网络编码宏观交通流守恒模型的结构图；
[0044]
图4是本发明深度神经网络模型和神经网络编码宏观交通流守恒模型的级联示意图。
具体实施方式
[0045]
下面结合具体实施例对本发明做进一步的详细说明。
[0046]
如图1所示，本发明提出的一种交通流模型与感知数据融合驱动的交通状态估计方法，包括以下步骤：
[0047]
步骤1，获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；
[0048]
步骤2，构建基于数据特征进行交通状态估计的深度神经网络模型；
[0049]
步骤3，构建神经网络编码宏观交通流守恒模型，将所述步骤2中的深度神经网络模型与其级联，进行联合训练；
[0050]
步骤4，基于训练完成的深度神经网络模型，完成交通状态估计。
[0051]
本发明提出的一种交通流模型与感知数据融合驱动的交通状态估计装置，包括：
[0052]
数据预处理单元，用于获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；其中，观测点包括高速公路研究区域内沿线布设的道路检测器、探测车；交通状态数据包括高速公路研究区域内各观测点位置以及经过各观测点处的各车辆的id、时刻、瞬时速度；
[0053]
数据驱动单元，用于构建基于数据特征进行交通状态估计的深度神经网络模型；
[0054]
交通流模型驱动单元，用于构建神经网络编码宏观交通流守恒模型；
[0055]
交通流模型信息与数据融合驱动单元，用于对所述深度神经网络模型和神经网络编码宏观交通流守恒模型进行联合训练；
[0056]
交通状态估计单元，用于利用训练完成的深度神经网络模型进行交通状态估计。
[0057]
在一实施例中，输入到数据预处理单元的是高速公路某一长路段处浮动车检测的交通状态数据，通过上述交通状态估计装置，可以在观测数据稀疏性且数据质量不佳有噪声的情况下，通过交通流模型信息和数据模型融合驱动的方法，实现准确的交通速度估计。
[0058]
具体的，预处理包括：
[0059]
1)原始交通状态数据的读入。
[0060]
2)异常值和缺省值处理：
[0061]
对不符合研究范围的异常值进行剔除，对缺省值进行拉格朗日插值法进行填充。
[0062]
3)网格化处理：根据采样间隔，设置时空窗口对高速公路研究区域内进行划分，形成若干时空网格；
[0063]
提取高速公路研究区域内的各观测点的时空坐标(t,x)及其对应的瞬时速度u(t,x)，并将各观测点对应到不同时空网格中；其中，u(t,x)表示t时刻经过x位置监测点时的瞬时速度；
[0064]
将各时空网格中的观测点进行集计：以某时空网格中所有观测点对应的瞬时速度的均值作为该时空网格的平均交通速度，以该时空网格几何中心点的时空坐标代表该时空网格。
[0065]
4)归一化处理：对网格化处理进行标准化处理，其处理公式为：
[0066][0067]
式中，z
*
代表归一化后的值，z代表原始数据，代表平均值，σ代表方差。
[0068]
具体的，如图2所示，数据驱动单元中，以时空网格的时空坐标为输入，以该时空网格的平均交通速度为输出，建立一个全连接的前馈神经网络，每个隐藏神经元的激活函数采用双曲正切函数。
[0069]
其中，数据驱动单元的数据损失函数lv构建如下，它反映了数据成本：
[0070]
[0071]
式中：和v(ti,xi)分别代表时空坐标为(ti,xi)的时空网格的平均交通速度的估计值和观测值；na代表高速公路研究区域内存在观测点的时空网格数量。
[0072]
具体的，如图3所示，交通流模型驱动单元中构建的神经网络编码宏观交通流守恒模型的结构包括：一个以数据驱动单元输出的时空网格的平均交通速度为输入、以该时空网格的平均流量为输出的第二全连接的前馈神经网络，以及一个依据v_lwr交通流守恒模型建立的固定权值的全连接神经网络。
[0073]
其中，描述高速公路上交通流流体力学动态特征的交通流模型lwr-v方程表示如下：
[0074][0075]
式中v(t,x)表示t时刻x位置的平均交通速度状态演化，q(t,x)代表t时刻x位置的交通流量的演化，它被设置为随v(t,x)变化的函数，也就是交通基本图关系。
[0076]
将描述交通流三参数的交通基本图关系的函数q(t,x)＝q(v(t,x))设置为一个动态的基本图学习器，以时空网格的平均交通速度为输入、以该时空网格的平均流量为输出，从基本图学习器中获得时空网格的平均流量。
[0077]
其中，设置固定权值的全连接神经网络，用来编码宏观交通流守恒方程lwr-v，定义平均交通速度估计的残差如下：
[0078][0079]
式中，[
·
]
x
和[
·
]
t
分别代表对x和t求偏导。
[0080]
设置交通交通流模型驱动模块对应的物理损失l
v-lwr
如下：
[0081][0082]
式中：ng代表高速公路研究区域内的时空网格数量。
[0083]
具体的，如图4所示，交通流模型信息与数据融合驱动单元中，对所述深度神经网络模型和神经网络编码宏观交通流守恒模型进行联合训练。
[0084]
其中，综合数据损失和物理损失，构建联合损失函数，并设置huber损失以增加模型对噪声数据的鲁棒性，如下：
[0085]
loss＝αlv+βl
v-lwr
[0086][0087][0088]
式中：α和β分别是平衡数据成本和物理成本的系数。
[0089]
代表huber损失，其表达式如下：
[0090][0091]
式中：ε是huber损失的超参数。
[0092]
其中，训练过程中，所述联合损失函数采用使用adam算法进行优化，通过反向传播算法不断更新模型参数，当达到以下两个条件之一时，迭代停止：两个连续片段之间的损失变化小于10-16
，或迭代次数达到设定的迭代极限。此时认为成本函数已达到其局部最优解。
[0093]
预测过程中，将所有交通速度未知时空网格点的时空坐标，输入到训练好的数据驱动模块，输出为该时空网格的平均交通速度预测值同时计算算法性能评价指标err，rmse，mae。最后，根据计算算法性能评价指标err，rmse，mae，进行模型参数调节，学习-预测-调参过程的反复迭代，直至评价指标达到要求。
[0094]
其中，调整模型的参数采用以下一种或几种方式：
[0095]
1)暂退法(dropout)防止过拟合；
[0096]
2)改变神经网络的架构，添加或减少层数；
[0097]
3)添加l1或l2正则化，或同时添加l1和l2正则化；或者改变模型的超参数，进行网络搜索：可以调整的超参数是α和β和ε。
[0098]
经过合理的超参数调节，依据上文所提的评价指标，设置在渗透率为2％(探测车占总车辆数的比例)，将本发明所提出的算法和神经网络(nn)对比，其结果如表1所示。
[0099]
表1预测性能对比
[0100]
评价指标本发明nnerr0.17390.5489rmse1.90276.0043mae3.617236.0523
[0101]
以上分析说明，在观测数据稀疏性且数据质量不佳有噪声的情况下，相比现在的方法交通状态估计方法，本发明所提出的交通流模型信息与数据融合驱动的交通状态估计方法，可以实现更准确的交通速度估计。
[0102]
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

技术特征：
1.交通流模型与数据融合驱动的交通状态估计方法，其特征在于，该方法包括以下步骤：步骤1，获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；步骤2，构建基于数据特征进行交通状态估计的深度神经网络模型；步骤3，构建神经网络编码宏观交通流守恒模型，将所述步骤2中的深度神经网络模型与其级联，进行联合训练；步骤4，基于训练完成的深度神经网络模型，完成交通状态估计。2.根据权利要求1所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤1中交通状态数据包括高速公路研究区域内各观测点位置以及经过各观测点处的各车辆的id、时刻、瞬时速度。3.根据权利要求1所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤1中观测点包括高速公路研究区域内沿线布设的道路检测器、探测车。4.根据权利要求1所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤1中预处理包括网格化处理，所述网格化处理的具体步骤如下：根据采样间隔，设置时空窗口对高速公路研究区域内进行划分，形成若干时空网格；提取高速公路研究区域内的各观测点的时空坐标(t,x)及其对应的瞬时速度u(t,x)，并将各观测点对应到不同时空网格中；其中，u(t,x)表示t时刻经过x位置监测点时的瞬时速度；将各时空网格中的观测点进行集计：以某时空网格中所有观测点对应的瞬时速度的均值作为该时空网格的平均交通速度，以该时空网格几何中心点的时空坐标代表该时空网格。5.根据权利要求4所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述预处理之前还包括异常值和缺省值处理，预处理之后还包括归一化处理。6.根据权利要求4或5所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤2中，建立以时空网格的时空坐标为输入、以该时空网格的平均交通速度为输出的第一全连接的前馈神经网络。7.根据权利要求6所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述步骤3中神经网络编码宏观交通流守恒模型的结构包括：一个以任意时空网格的平均交通速度为输入、以该时空网格的平均流量为输出的第二全连接的前馈神经网络，以及一个依据v_lwr交通流守恒模型建立的固定权值的全连接神经网络；所述时空网格对应的平均流量从基本图学习器中获得，所述基本图学习器以该时空网格的平均交通速度为输入、以该时空网格的平均流量为输出。8.根据权利要求7所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述深度神经网络模型与神经网络编码宏观交通流守恒模型的联合损失函数为：loss＝αl
v
+βl
v-lwr
式中，和v(t
i
,x
i
)分别代表时空坐标为(t
i
,x
i
)的时空网格的平均交通速度的估计值和观测值；n
a
代表高速公路研究区域内存在观测点的时空网格数量；n
g
代表高速公路研究区域内的时空网格数量；代表时空坐标为(t
j
,x
j
)的时空网格的平均交通速度估计的残差；α和β均为系数；代表huber损失。9.根据权利要求7所述的交通流模型与数据融合驱动的交通状态估计方法，其特征在于，所述第一和第二全连接的前馈神经网络中每个隐藏神经元的激活函数均采用双曲正切函数；的表达式如下：式中：ε是huber损失的超参数；的表达式如下：式中：代表时空坐标为(t
j
,x
j
)的时空网格的交通流量，[
·
]
x
和[
·
]
t
分别代表对x和t求偏导。10.一种交通流模型与数据融合驱动的交通状态估计装置，其特征在于，所述装置基于如权利要求1至9中任一所述方法进行交通状态估计，包括：数据预处理单元，用于获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；数据驱动单元，用于构建基于数据特征进行交通状态估计的深度神经网络模型；交通流模型驱动单元，用于构建神经网络编码宏观交通流守恒模型；交通流模型信息与数据融合驱动单元，用于对所述深度神经网络模型和神经网络编码宏观交通流守恒模型进行联合训练；交通状态估计单元，用于利用训练完成的深度神经网络模型进行交通状态估计。

技术总结
本发明公开了一种交通流模型与数据融合驱动的交通状态估计方法及装置，该方法包括：获取高速公路研究区域内观测点处的交通状态数据，并进行预处理；构建基于数据特征进行交通状态估计的深度神经网络模型；构建神经网络编码宏观交通流守恒模型，将深度神经网络模型与其级联，进行联合训练；基于训练完成的深度神经网络模型，完成交通状态估计。将数据优势和模型优势结合起来，将宏观交通流模型作为数据驱动模型的正则约束，优化其梯度下降过程，并最终执行细粒度速度估计。并最终执行细粒度速度估计。并最终执行细粒度速度估计。


技术研发人员：李金羽 丁璠 谭华春 彭剑坤 韩雨 杨阳
受保护的技术使用者：东南大学
技术研发日：2023.02.09
技术公布日：2023/5/23