[发明专利]一种基于深度学习的离散化交通状态判别方法

权利要求书

1.一种基于深度学习的离散化交通状态判别方法，其特征在于：包括如下步骤：

步骤a，利用设置在路口各个方向的监测设备对路口在多个不同时刻的交通状态进行采集，对应得到多组交通状态信息；

步骤b，按照离散化编码流程对多组交通状态信息分别进行离散化编码描述，对应得到路口在不同时刻的离散化编码数据；

步骤c，根据步骤b中的得到的离散化编码数据构建基于深度学习的交通状态判别模型；

步骤d，利用步骤c构建的交通状态判别模型进行交通状态的判别；

步骤b中所述的离散化编码流程，包括如下步骤：

步骤b-1，对道路进行网格化；在所述路口各个方向上长度为l的道路上，以长度c为单位长度对道路的每条并行车道进行网格化，在每条并行的车道上形成l/c个单元，并得到离散化后的交通状态向量；

步骤b-2，定义交通状态向量；定义车辆存在状态向量a，用于对每个网格内是否存在有车辆进行表示，定义车辆速度状态向量b，用于对每个网格内车辆的行驶速度进行表示；

步骤b-3，利用步骤b-2中定义的交通状态向量，对所述路口在T时刻的交通状态进行表示，并分别形成路口每个方向在T时刻反应交通状态向量的数值表；

步骤b-4，提取路口在T时刻每个方向的交通状态向量的数值表。

2.根据权利要求1所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤b-1中所述的交通状态向量为：

其中：E向量表示存储车道单元是否有车辆存在的信息，V向量表示存储车辆速度信息，P向量表示当前交通信号相位，则T时刻，交通状态可表示为s_T∈S。

3.根据权利要求1所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤b-2中所述的车辆存在状态向量a利用二值数据表示，1表示该网格内有车辆，0表示该网格内无车辆；

车辆速度状态向量b利用连续值数据表示，0表示该网格内存在的车辆车速为0或无车辆，非0表示该车道在限速内的车辆速度格式化值，取值空间为[0，1]。

4.根据权利要求1所述的基于深度学习的离散化交通状态判别方法，其特征在于：步骤c中所述的构建基于深度学习的交通状态判别模型，包括如下步骤：

步骤4-1，开始；

针对离散化编码数据，设置可接收二值状态编码的深度置信网络和可接收连续值状态编码的深度置信网络；

步骤4-2，是否小于网络层数，系统判断是否小于网络层数，如果小于网络层数，执行步骤4-3，如果不小于网络层数，执行步骤4-9；

步骤4-3，当前层是否完成数据类型初始化，如果完成数据类型初始化，顺序执行步骤4-5～步骤4-8，如果未完成数据类型初始化，执行步骤4-4；

步骤4-4，进行数据初始化，并返回步骤4-3；

步骤4-5，是否小于训练次数；系统判断已完成的训练次数是否小于预设定的训练次数，如果小于预设定的训练次数，则需要对模型进行下一次的训练，执行步骤4-6，如果不小于预设定的训练次数，返回执行步骤4-3；

步骤4-6，是否小于训练记录数；系统判断已存在训练记录数是否小于预设定的训练记录数，如果小于预设定的训练记录数，顺序执行步骤4-7～步骤4-8，如果不小于预设定的训练记录数，则利用已存在的训练记录数进行训练，然后返回执行步骤4-5；

步骤4-7，计算当前可见单元和隐藏单元的条件概率；

步骤4-8，更新当前层权重和偏置参数；

步骤4-9，基于BP算法进行反向传播控制调整；

步骤4-10，结束，基于深度学习的交通状态判别模型构建完成。

5.根据权利要求4所述的基于深度学习的离散化交通状态判别方法，其特征在于：在进行步骤4-5中所述的模型训练时，设交通状态数据集为

其中，R表示训练样本数量，xe_i表示数据集ds中第i个样本的车辆存在二值状态向量，xv_i表示数据集ds中第i个样本的交通车速连续值状态向量，y_i∈{1,2,3}是第i个样本对应的交通状态标签值，其中1表示堵塞，2表示拥挤，3表示通畅；

利用最大化对数似然函数θ以拟合交通状态训练数据集ds，即

其中，θ表示参数向量，则针对交通车辆存在的二值数据θ₁和交通车速的连续数据θ₂的参数向量分别为{w,a,b}和{w,a,b,σ}，其中w表示连接受限玻尔兹曼机RBM可见层和隐藏层之间的无向权值向量，a和b分别表示可见层和隐藏层的偏置向量，σ表示可见层单元高斯噪声的标准偏差向量。