[发明专利]一种基于深度学习的离散化交通状态判别方法

说明书

一种基于深度学习的离散化交通状态判别方法，属于交通状态判别技术领域。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。通过本基于深度学习的离散化交通状态判别方法，可全面真实描述交通状态、无需专家参与交通状态特征选择、可半监督自动实现交通状态判别模型的构建。

技术领域

一种基于深度学习的离散化交通状态判别方法，属于交通状态判别技术领域。

背景技术

随着社会城市化进程加快，全球大中城市均面临交通拥堵压力。同样，我国家用汽车保有量近年来持续快速增长，城市交通拥堵已成为大众出行讨论焦点，为解决交通拥堵问题，通常有三种解决方案：(1)通过行政手段控制车辆出行，例如我国部分城市实施的单双号限行制度，该方案简单易行，但会导致“有车不行”的尴尬境地；(2)扩展交通设施和新建交通道路，该方案需要投入大量人力、物力和成本，建设周期长，在工程实施过程中会出现“越修越堵”的问题；(3)通过技术手段判别交通状态，适时调整交通信号控制策略提高通行效率，该方案具有低成本、见效快等特点。可见，交通状态判别是交通控制和交通流诱导技术的先决条件，也是交通工程技术领域多年来研究的热点。

交通状态判别方法主要包括人工判别和自动判别两种形式，人工判别主要是针对简单区域内的交通管理通过视频图像目视来判断交通拥堵与流量的大小，因此人工判别的实际效果和可靠性较差。自动判别则是结合多种交通监测设备和智能算法来识别交通环境情况，随着技术的发展，国内外学者针对自动判别技术提出了多种解决方案，具体而言包括以下几种：(1)LUHP等基于大数据驱动技术研究了一种实时交通状态识别方法，在分析交通大数据特点后，结合FCM(Fuzzy C-Means)模糊算法构建了一种交通状态聚类模型。(2)ANTONIOU C等采用无线传感技术获取交通流、交通密度、速度等特征数据后，分别利用K近邻聚类算法和神经网络算法构建分类模型判别交通状态。(3)PAN T L等人综合利用交通时间、空间信息组成的交通流量特征提出一种采用随机单元传输模型进行短时交通状态预测的方法。从之前的研究来看，交通状态特征属性的选择基本通过人工完成，例如交通流量、密度、速度、时间等，然后利用机器学习算法进行聚类或分类分析以确定交通状态，因此现有技术中的自动判别方法还普遍存在有如下缺陷：

(1)交通状态的特征选择需要交通专家的参与，判定效果的好坏依赖于交通专家的经验。

(2)交通状态在真实交通环境中是一种复杂的因素组合，人工设定状态特征的方式会丢失相关的有价值信息。

(3)已构建的交通状态判别模型应用于新的交通环境具有适应性差的问题。

因此，设计出一种可全面真实描述交通状态、无需专家参与交通特征选择、可半监督自动实现交通状态判别模型构建的方法成为亟待解决的问题。

发明内容

本发明要解决的技术问题是：克服现有技术的不足，提供一种可全面真实描述交通状态、无需专家参与交通特征选择、可半监督自动实现交通状态判别模型构建的基于深度学习的离散化交通状态判别方法。

本发明解决其技术问题所采用的技术方案是：该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；