[发明专利]基于大数据技术与SAE-GRU的主动安全预测方法

说明书

本发明公开了一种基于大数据技术与SAE‑GRU的主动安全预测方法，首先，获取原始数据集并对其预处理形成训练数据集；利用训练数据集，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；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；采用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，并利用其训练SAE‑GRU模型，同时通过调参得到最优的SAE‑GRU主动安全预测模型；利用SAE‑GRU主动安全预测模型进行主动安全预测。应用范围广，满足高精度、高效率预测的要求。

技术领域

本发明属于交通状态识别技术领域，涉及一种基于交通大数据技术与SAE-GRU的主干道主动安全预测方法。

背景技术

随着汽车保有量的急剧上升与城镇化进程的推进，交通拥堵、事故频发与管理滞后成为阻碍交通发展的主要问题。基于大数据和深度学习的交通决策更智能，为缓解交通拥堵、优化道路资源、提升安全指数给予支持。因此，利用大数据技术挖掘与交通安全关联的特征参数，运用深度学习建立安全模型，构建完善的主动安全管理方法已成为智能交通系统(ITS,Intelligent Transport System)的研究热点。

在交通运行状态识别方面，当样本量较大时计算复杂，往往造成评判失败的现象；在风险运行状态识别方面，主要集中于主成分分析法与多元回归分析，未对识别的可靠性、有效性和普适性进行评估。因此，有必要构建具有可迁移学习的状态识别模型。

近年来，交通数据爆发导致分析难度和数据价值上升。为了更好地分析、挖掘和建模，多种基于状态标签的预测方法被提出。已有的研究方法虽在一定程度上推进交通状态识别与安全预测的精准化，但仍存在以下不足：

1.交通运行状态与主动安全预测方法关联性差，导致信息脱节、无法准确预测风险运行状态；

2.未能研究出在一定领域具有普适应用性的模型，使得状态识别的方法较为狭义；

3.交通数据量快速提升，已有方法无法满足高精度、高效率预测要求，适用性下降。

发明内容

本发明实施例的目的在于提供一种基于大数据技术与SAE-GRU的主动安全预测方法，以解决现有的基于状态标签的预测方法存在的交通运行状态与主动安全预测方法关联性差，导致信息脱节、无法准确预测风险运行状态的问题，以及现有的基于状态标签的预测方法应用范围窄、无法满足高精度以及高效率预测要求的问题。

本发明实施例所采用的技术方案是，基于大数据技术与SAE-GRU的主动安全预测方法，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；