[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

说明书

本发明公开了一种基于车辆轨迹数据的路段交通密度估测方法、装置及介质，其中方法包括：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，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；融合多个神经网络模型估测结果。本发明充分挖掘车辆轨迹数据的特征值，融合多种智能算法，可实现更准确的路段交通密度估测，为交通控制与管理提供重要参数。本发明可广泛应用于交通信息智能采集领域。

技术领域

本发明涉及交通信息智能采集领域，尤其涉及一种基于车辆轨迹数据的路段交通密度估测方法、装置及介质。

背景技术

交通密度是交通领域的重要参数，它能够广泛应用于交通控制与管理之中。通过与信号配时方案的结合，交通密度在高速公路匝道控制与城市道路主动控制上也有着广阔的应用前景。当前高速公路与城市内部主干道在特定高峰时段均存在交通拥堵问题。部分导航公司基于排队长度等指标提出智慧交通控制方案，但该方法对于无排队产生的路段，控制效果不佳；而匝道控制、主动控制等方式，本质上都是控制路段的总车辆数，即控制交通密度，因而对各种道路交通状态均有较为良好的控制效果。

现有的交通密度采集技术主要分为固定式和移动式：固定式采集方式往往基于硬件设施，存在易受环境影响、存在视野盲区、精度低、成本高、维护不便等问题，且采集时需要借助直升飞机，在方法上具有不可持续性；而移动式采集方式大多基于浮动车数据，也即车载GPS所收集的部分车辆轨迹数据。导航软件的日益普及为浮动车数据集的收集提供了便利。移动式采集成本低、适用性广，优势明显，利用浮动车轨迹数据估测交通密度的研究具有较高的应用价值。

目前在基于浮动车数据实施交通信息智能采集的领域中，主流学者大多运用人工智能领域的机器学习模型研究交通量估测。然而，交通密度作为交通管理与控制的重要参数，与之相关的研究成果较少，且国内外研究成果均存在一定不足，例如特征值提取仅局限于“宏观-宏观”层面、未充分挖掘特征值交通特性等。即使部分学者提出的模型在准确性上已经具有一定竞争力，但对数据集质量的高要求仍然难以适应城市交通密度采集的现状。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于车辆轨迹数据的路段交通密度估测方法、装置及介质。

本发明所采用的技术方案是：

一种基于车辆轨迹数据的路段交通密度估测方法，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，结合滑动时间窗原理，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。

进一步地，所述车辆轨迹数据包括车辆编号、记录时刻、相对坐标、车速与加速度；

所述对所述车辆轨迹数据进行预处理，包括：

获取数据集记录的第一辆车对应时刻、X坐标、Y坐标作为参考值；

将其余车辆轨迹数据中记录时刻、X坐标、Y坐标与所述参考值作差，获得预处理后的车辆轨迹数据。

进一步地，所述根据估测时间间隔对车辆轨迹数据进行切片，包括：