[发明专利]基于车辆轨迹数据的路段交通密度估测方法、装置及介质

权利要求书

1.一种基于车辆轨迹数据的路段交通密度估测方法，其特征在于，包括以下步骤：

获取车辆轨迹数据，对所述车辆轨迹数据进行预处理；

获取估测时间间隔，根据估测时间间隔对车辆轨迹数据进行切片；

提取车辆轨迹数据的特征，构造各时间切片的原始特征矩阵并归一化处理，获得输入特征矩阵；

将输入特征矩阵输入预设的多个神经网络模型，训练输出各神经网络模型对于各时间切片的原始交通密度估测值；

修正各时间切片交通密度的估测结果，获得修正后交通密度估测值；

融合多个神经网络模型估测结果，以提高各时间切片交通密度估测值的精度；

所述根据估测时间间隔对车辆轨迹数据进行切片，包括：

根据估测时间间隔对车辆轨迹数据进行切片，各时间切片编号记为i，以及将所述时间切片进一步分为n个时间区间；

所述特征包括距离特征、运动特征、对比特征和交通特征，通过以下方式构造时间切片i的输入特征矩阵M′i_n,m：

构造时间切片i的原始特征矩阵Mi_n,m为：

其中，第j行第k列元素P_j,k表示第j个时间区间中第k个原始特征值；从各时间区间j中提取m个特征值；j＝1，2.......,n，k＝1，2.......,m；

将所述原始特征值P_j,k进行归一化，获得时间切片i的输入特征矩阵M′i_n,m；

所述输入特征矩阵M′i_n,m的表达式为：

其中，表示时间切片i中n个时间区间的第k个特征元素的平均值，即原始特征矩阵Mi_n,m中第k列平均值；s_k表示时间切片i中n个时间区间第k个特征元素的标准差，即原始特征矩阵Mi_n,m中第k列标准差；P′_j,k为所述原始特征值P_j,k归一化后数值，表示第j个时间区间中第k个输入特征值；M′i_n,m表示时间切片i的输入特征矩阵；

从各时间区间j中提取的m个特征值，包括：

所述距离特征的特征值，包括：相邻车辆坐标点距离平均值相邻车辆坐标点距离标准差s_h，相邻车辆坐标点距离极差R_h，相邻车辆坐标点距离平方平均值相邻车辆坐标点距离平方标准差s_h2，相邻车辆坐标点距离平方极差R_h2；

所述运动特征的特征值，包括：速度平均值速度标准差s_v，速度极差R_v，加速度平均值加速度标准差s_a，加速度极差R_a；

所述对比特征的特征值，包括：第j+1与第j个时间区间速度平均值之差速度标准差之差速度极差之差加速度平均值之差加速度标准差之差加速度极差之差

所述交通特征的特征值，包括：车道号W，交通量V；

其中，所述交通量V的计算方式为：

式中，t₀表示路段长度L与速度平均值的比值，t表示路段长度L与最大速度v_max比值；a、β、c均为常数；

所述神经网络模型包括长短期记忆神经网络模型、极致梯度提升神经网络模型、多层感知机神经网络模型和随机森林神经网络模型；

所述将输入特征矩阵输入预设的多个神经网络模型，训练输出各神经网络模型对于各时间切片的原始交通密度估测值，包括：

将时间切片i的输入特征矩阵M′i_n,m输入第p种神经网络模型中，结合滑动时间窗原理，为利用时间序列的平滑性获得更准确的估测值；

训练并输出，在所述输入特征矩阵输入下，获得的时间切片i和时间切片i+1的交通密度估测值；

舍去所述时间切片i+1的交通密度估测值，取时间切片i的交通密度估测值d_p,i作为所述输入特征矩阵的原始交通密度估测值。