[发明专利]一种基于Embedding-CNN的混合车群运动演化规律的刻画方法

说明书

本发明提供了一种基于Embedding‑CNN的混合车群运动演化规律的刻画方法，属于智能交通信息技术领域。本方法包括以下步骤：首先，选定监测路段，通过监测路段路侧或车载传感器，截取t时刻监测路段混合异质车群的单车数据；再将步骤1)截取的单车数据进行预处理，获得Embedding‑CNN模型数据集；然后，构建Embedding‑CNN模型，并根据步骤2)获得的Embedding‑CNN模型数据集对Embedding‑CNN模型进行训练；最后，在测试集上对Embedding‑CNN模型的准确性进行验证。本方法从单个车辆行为出发，探究网联自动车的渗透率和空间分布与混合车群运动演化之间的关系等问题，建立基于Embedding‑CNN的深度学习模型实现对混合车群运动演化规律的精准刻画，为掌握网联环境下新型混合交通的运行状态提供依据。

技术领域

本发明属于交通数据分析及处理领域，具体涉及一种基于嵌入层-卷积神经网络(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合车群运动演化规律的刻画方法，可适用于智能网联环境下快速路混合车群运动演化规律的刻画。

背景技术

近年来，网联自动车(Connected Autonomous Vehicles，CAVs)技术发展迅速，凭借其广泛、实时的信息感知能力以及完全可控等特性，为研究交通问题提供了新的思路。相关的研究表明，网联自动车的加入，将会改变快速路交通流的运行状态，而这种变化会受其渗透率和空间分布情况的影响。因此，从单个车辆行为出发，研究混合交通条件下网联自动车的渗透率和空间分布与异质车群的运动演化规律之间的关系具有重要意义。智能网联环境下可以轻易获取道路上每辆车的位置信息、状态信息以及车辆类型等，使得上述研究成为可能。

现有的研究中，大多从车辆集体的平均行为出发，建立交通流演化模型。现有技术CN102289929A公开了一种带耗散项LWR宏观交通流稳定性建模方法，该方法通过在Burgers方程的基础上进行改进，建立了新的交通模型，用以解决各种交通参数变化时交通拥堵问题的整体描述问题。但是该方法研究车辆集体的平均行为，车流中单个车辆的个体特性并不凸显，尤其对于人驾车和自动车混合的异质车群，难以精确、有效地对新型混合交通流的运动演化特性进行刻画。

发明内容

有鉴于此，本发明的目的在于提供一种基于嵌入层-卷积神经网络(Embedding-Convolutional Neural Networks,Embedding-CNN)的混合车群运动演化规律的刻画方法，解决在人驾车和自动车混合的异质车群中，通过研究车辆集体的平均行为，难以精确、有效地对新型混合交通流的运动演化特性进行刻画的问题。

为实现上述目的，本发明包括以下步骤：

1)选定监测路段，通过监测路段路侧或车载传感器，截取监测路段不同交通状态下混合异质车群的单车数据；

2)将步骤1)截取的单车数据进行预处理，获得Embedding-CNN模型数据集；

3)构建Embedding-CNN模型，并根据步骤2)获得的Embedding-CNN模型数据集对Embedding-CNN模型进行训练；

4)在测试集上对Embedding-CNN模型的准确性进行验证。

进一步地，所述步骤1)具体包括以下步骤：

步骤1.1)选定长度为L的监测路段s，初始化混合车群的长度；