一种基于深度学习异常矫正的道路速度计算方法与流程

本发明涉及城市路况处理，具体是一种基于深度学习异常矫正的道路速度计算方法。

背景技术：

1、城市网约车等卫星定位数据，在实际计算中，普遍存在如下3个问题：1、无法获取车辆运行状态或获取到的车辆运行状态不准；2、静止状态仍有卫星定位数据；3、卫星定位数据存在不可避免的漂移。

2、由于上述三个问题，产生了非表征真实路况的静止、低速运行数据，以及速度异常大问题，这一类问题在速度计算中算准难度较大，如果算准这一类计算瓶颈问题，对反应更真实客观的城市道路路况具有较为重要的意义。目前论文、学术研究与工业应用中仍没有提出较好的解决方案。如2020年熊振华等人在<测绘科学>期刊提出的《融合多特征神经网络的城市道路速度预测研究》，采用神经网络预测速度，但如果没有解决上述两个计算瓶颈问题，得到的历史速度有误，用模型预测修复的速度仍然有误，无法根本解决问题。

3、除了上述计算存在的瓶颈问题外，现在工业应用中的数据普遍存在数据源单一，数据稳定性不足等现象。例如，市面上存在的导航应用采集的基础速度计算数据，普遍存在速度采集对象不稳定，如使用导航用户在行驶一段完整的道路时，在陌生路开启导航，但熟路关闭等行为，会导致上传的卫星定位数据稳定性不足，并且该类数据私家车用户占比较大，对于非私家车用户，无法精准区分用户属于哪类交通工具驾驶，数据融合难度大，本方案采集五大出行方式卫星定位数据，该类数据具有数据规律性强、稳定性大的特点。例如，常利明发表的《基于多源数据的城市道路交通运行情况分析——以乌鲁木齐为例》，虽然融合不同交通工具，较为单一，只采用出租车和公交两种出行方式进行融合，特别在大型和超大型城市，数据源多样性仍有待增加。

技术实现思路

1、本发明的目的在于提供一种基于深度学习异常矫正的道路速度计算方法，本发明重点解决由于卫星定位数据漂移导致低速、静止、异常的数据出现，以及如上下客等非表征真实路况低速的这两类计算瓶颈问题。本发明速度计算方案获取地图匹配卫星定位数据后，一共分为四大模块，分别是数据预处理模块、原始速度计算模块、速度修正模块和道路综合速度计算模块。

2、本发明的目的是这样实现的：

3、一种基于深度学习异常矫正的道路速度计算方法，包括以下步骤：

4、第一步骤：获取相应道路的车辆数据，根据获取数据判断车辆的状态，对获取的数据进行预处理，剔除相应的数据；

5、第二步骤：剔除相应的数据后，计算相应道路的车辆行驶速度，获取相应道路的初始速度数据；

6、第三步骤：对相应道路的初始速度数据进行修正，首先建立数据模型，以预先进行待检测相应路段的速度，得出相应路段的预测速度s1；实时计算剔除相应数据前相应路段的速度，得出相应路段剔除数据前的实时速度s2；通过采用mape异常检测算法，对预测速度s1和实时速度s2进行校验，识别出异常路段集合的数据y；在数据模型中找出异常路段集合对应的预测速度s1，用预测速度s1填充对应的异常路段集合；

7、第四步骤：综合速度计算，基于加权bagging思想的综合速度计算并获取相应路段的综合速速。

8、在第一步骤中，通过gps定位系统获取车辆实时卫星定位数据，根据车辆实时卫星定位数据并计算车辆实时行驶速度，根据车辆实时行驶速度判断车辆的状态。

9、车辆低速行驶时速度设定值为x1km/h，若车辆实时行驶速度小于x1km/h，并且该车辆目前判定为疑似长时间静止车辆，则判断车辆处于长时间静止状态，并进行剔除处于长时间静止状态车辆的实时行驶速度数据。

10、车辆低速行驶时速度设定值为x1km/h，根据相应的时间段内获取车辆实时卫星定位数据并计算车辆在该相应时间段内的平均速度，若车辆平均速度小于x1km/h，则该车辆目前判定为疑似长时间静止车辆。

11、车辆低速行驶时速度设定值为x1km/h，通过gps定位系统获取相应路段车辆数量信息，判断相应路段的车流密度是否低于阈值，若相应路段的车流密度低于阈值时，则进行剔除车辆实时行驶速度小于x1km/h的数据；

12、若相应的路段车流密度高于阈值时，则计算相应路段车辆的最大实时行驶速度，通过车辆的最大实时行驶速度与车辆低速行驶时速度设定值作对比，以判断车辆是否低速行驶，若车辆判断为处于低速状态时，则剔除处于低速行驶车辆的数据；若车辆判断为处于非低速状态时，则计算所有经过该相应路段的车辆数量，判断经过该相应路段的所有车辆数量是否大于该相应路段的基本通行能力，若判断结果为否，则剔除处于低速行驶车辆的数据。

13、在第二步骤中，采用空间平均速度计算路段速度，并用等效模型将速度转化成统一速度。

14、在第三步骤中，通过提取相应路段过往历史时序数据、路网拓扑关系并构建基于时空图卷积神经网络astgcn的路段级别短时拥堵预测模型m，以用于预测待检测时段内路段速度。

15、相应路段过往历史时序数据包括空间数据、车辆实时数据、时间数据。

16、在第三步骤中，采集预测速度s1和实时速度s2，对预测值、实时真实值进行mape值的计算，以进行识别异常值，进而筛选出异常路段集合。

17、在第四步骤中，采用bagging思想对不同类型交通车辆速度做融合计算，并提出基于车辆数置信度方法，求道路综合速度，具体实现公式如下：

18、设相应一道路有n个路段，第n个路段有m种车经过，第m种车在第n个路段车辆数为am，速度为vnm，则第n个路段的综合速度为：

19、

20、该道路综合速度为：

21、

22、本发明的有益效果如下：

23、本方案重点解决由于卫星定位数据漂移导致低速、静止、异常，以及如上下客等非表征真实路况低速的这两类计算瓶颈问题。速度计算方案获取地图匹配卫星定位数据后，一共分为四大模块，分别是数据预处理模块、原始速度计算模块、速度修正模块和道路综合速度计算模块。

24、针对上述两类计算瓶颈问题，提出了长时间静止车辆识别与剔除算法、路段非表征真实路况低速车辆识别与剔除算法以及基于深度学习的异常速度检测与填充系统三大核心算法。

25、本方案采用公交车、出租车、网约车、客运车、货运车数据源，该类数据源数据输出稳定，规律性强，并结合创新融合算法，缓解了上述工业、学术存在的数据源单一、不稳定的问题，提高城市道路卫星定位数据覆盖率，能更为精准计算城市道路综合速度表现。

技术特征：

1.一种基于深度学习异常矫正的道路速度计算方法，其特征在于：包括以下步骤：

2.根据权利要求1所述基于深度学习异常矫正的道路速度计算方法，其特征在于：在第一步骤中，通过gps定位系统获取车辆实时卫星定位数据，根据车辆实时卫星定位数据并计算车辆实时行驶速度，根据车辆实时行驶速度判断车辆的状态。

3.根据权利要求2所述基于深度学习异常矫正的道路速度计算方法，其特征在于：车辆低速行驶时速度设定值为x1km/h，若车辆实时行驶速度小于x1km/h，并且该车辆目前判定为疑似长时间静止车辆，则判断车辆处于长时间静止状态，并进行剔除处于长时间静止状态车辆的实时行驶速度数据。

4.根据权利要求2所述基于深度学习异常矫正的道路速度计算方法，其特征在于：车辆低速行驶时速度设定值为x1km/h，根据相应的时间段内获取车辆实时卫星定位数据并计算车辆在该相应时间段内的平均速度，若车辆平均速度小于x1km/h，则该车辆目前判定为疑似长时间静止车辆。

5.根据权利要求2所述基于深度学习异常矫正的道路速度计算方法，其特征在于：车辆低速行驶时速度设定值为x1km/h，通过gps定位系统获取相应路段车辆数量信息，判断相应路段的车流密度是否低于阈值，若相应路段的车流密度低于阈值时，则进行剔除车辆实时行驶速度小于x1km/h的数据；

6.根据权利要求1所述基于深度学习异常矫正的道路速度计算方法，其特征在于：在第二步骤中，采用空间平均速度计算路段速度，并用等效模型将速度转化成统一速度。

7.根据权利要求1所述基于深度学习异常矫正的道路速度计算方法，其特征在于：在第三步骤中，通过提取相应路段过往历史时序数据、路网拓扑关系并构建基于时空图卷积神经网络astgcn的路段级别短时拥堵预测模型m，以用于预测待检测时段内路段速度。

8.根据权利要求7所述基于深度学习异常矫正的道路速度计算方法，其特征在于：相应路段过往历史时序数据包括空间数据、车辆实时数据、时间数据。

9.根据权利要求1所述基于深度学习异常矫正的道路速度计算方法，其特征在于：在第三步骤中，采集预测速度s1和实时速度s2，对预测值、实时真实值进行mape值的计算，以进行识别异常值，进而筛选出异常路段集合。

10.根据权利要求1所述基于深度学习异常矫正的道路速度计算方法，其特征在于：在第四步骤中，采用bagging思想对不同类型交通车辆速度做融合计算，并提出基于车辆数置信度方法，求道路综合速度，具体实现公式如下：

技术总结本发明涉及一种基于深度学习异常矫正的道路速度计算方法，本发明重点解决由于卫星定位数据漂移导致低速、静止、异常的数据出现，以及如上下客等非表征真实路况低速的这两类计算瓶颈问题。第一步骤：获取相应道路的车辆数据，根据获取数据判断车辆的状态，对获取的数据进行预处理，剔除相应的数据；第二步骤：剔除相应的数据后，计算相应道路的车辆行驶速度，获取相应道路的初始速度数据；第三步骤：对相应道路的初始速度数据进行修正；第四步骤：综合速度计算，基于加权bagging思想的综合速度计算并获取相应路段的综合速速。技术研发人员：罗建平,陈欢,杨森彬,黄子敬,喻莲,杜新柯受保护的技术使用者：广州交信投科技股份有限公司技术研发日：技术公布日：2024/5/29