[发明专利]基于大数据技术与SAE-GRU的主动安全预测方法

权利要求书

1.基于大数据技术与SAE-GRU的主动安全预测方法，其特征在于，按照以下步骤进行：

步骤S1、获取原始数据集，原始数据集包含多个单条数据集，每个单条数据集包含Δt时间间隔内的平均车速、平均加速度、平均占有率、平均排队时间、平均行程时间这5类特征数据以及平均标准时间这1类常规数据，并对原始数据集进行预处理，形成训练数据集；

步骤S2、利用步骤S1得到的训练数据集，基于聚类分析进行动态交通运行状态识别，获取带有交通运行状态标签的样本数据集；

步骤S3、将带有交通运行状态标签的样本数据集作为分类分析的先验知识，生成交通运行状态分类器；

步骤S4、采用步骤S1形成的训练数据集构建用于风险运行状态评判的数据集，并根据不同的交通运行状态基于模糊综合评价法对构建的用于风险运行状态评判的数据集进行风险运行状态判别，得到带有风险运行状态标签的训练数据集；

步骤S5、建立SAE-GRU模型，采用步骤S4得到的带有风险运行状态标签的训练数据集对建立的SAE-GRU模型执行训练过程，并通过调参得到最优的SAE-GRU主动安全预测模型；

步骤S6、利用得到的最优的SAE-GRU主动安全预测模型，进行主干道主动安全预测，预测得到下一阶段即下一个Δt时间间隔内的风险运行状态。

2.根据权利要求1所述的基于大数据技术与SAE-GRU的主动安全预测方法，其特征在于，所述步骤S6的具体实现过程如下：

首先对预测地的实时交通流数据集进行预处理，然后利用生成的交通运行状态分类器对预处理后的预测地的实时交通流数据集进行交通运行状态分类，并基于该交通运行状态分类结果利用步骤S4进行风险运行状态判别，得到带有风险运行状态标签的实时交通流数据集，然后以带有风险运行状态标签的实时交通流数据集作为SAE-GRU主动安全预测模型的输入数据，进行主干道主动安全预测，预测得到下一阶段即下一个Δt时间间隔内的风险运行状态。

3.根据权利要求2所述的基于大数据技术与SAE-GRU的主动安全预测方法，其特征在于，所述步骤S1对原始数据集进行预处理，以及所述步骤S6中对预测地的实时交通流数据集进行预处理的实现过程如下：

步骤1、数据清洗及填补：计算样本数据集中每个单条数据集的缺失率，单条数据集缺失率＝单条数据集的数据缺失个数/单条数据集的数据总数，当单条数据集的缺失率大于等于80％时，删除该单条数据集；当单条数据集缺失率小于80％时，对该单条数据集中的非特征数据采用统计量填充，并对该单条数据集中的特征数据通过公式(1)～(2)的拉格朗日插值法进行填充：

其中，L(x)表示待求缺失值，l_j(x)为插值基函数，x_j表示第j个位置点，x_i表示除x_j外的其他位置点，x表示待求缺失值位置点，y_j表示x_j位置点的取值，k表示给定取值点个数；

步骤2、特征变换：采用公式(3)所示的最大-最小规范化方法对完成数据清洗及填补后的样本数据集中的每类特征数据的每个数值进行特征变换：

其中，y_new表示特征变换后的数值，y表示特征变换前的数值，y_min表示样本数据集中每类特征数据的最小值，y_max表示样本数据集中每类特征数据的最大值，所述样本数据集指原始数据集或预测地的实时交通流数据集。