一种非预知交通事件发生下的高速公路多尺度交通态势推演方法

本发明属于智能交通虚拟仿真领域，涉及一种非预知交通事件发生下的高速公路多尺度交通态势推演方法，尤其是涉及一种基于深度学习的多场景、多尺度的自适应交通交通态势推演方法。

背景技术：

1、高速公路是我国现代交通基础设施建设的重要部分，支撑着社会经济快速的发展，其设施网络在不断的完善，路网结构也在进一步的优化；截止目前，我国高速公路通车里程已经超过17.7万公里，形成了11纵18横的路网格局；并且根据高速公路的功能和属性，可分为放射线、地区环线、都市圈环线、绕城环线、并行线、联络线等多种类别。高速公路因具备高速通行的优势，通过连接不同的地区和城市，可极大地促进区域间的经济联系，加强资源配置，推动货物流通和人员流动，推动当地产业发展；但是高速公路上因频繁发生交通事故、恶劣天气、地质灾害等非预知交通事件，将引起高速路网的通行能力严重下降，行程时间变长，出行者的生命财产损失扩大等。要想消除或降低高速公路上非预知交通事件带来的消极影响，就需要高速公路管理和运营部门在事件发生之前采取预防措施或在事件发生之后的最短时间内采集最优的交通管控和应急救援方案。

2、交通虚拟仿真推演技术在高速公路的管理和运营中具有重要的意义。通过在虚拟环境中模拟交通事故等不可复刻事件，可以帮助高速公路管理和运营部门研究事故发生的原因，以制定出合理的预防措施和应急响应方案，提高交通安全性；同时，交通虚拟仿真推演可以帮助交通管理部门掌握交通情况和变化趋势，及时做出交通调整和管理决策，提高高速公路的通行效率；但是当前的交通虚拟仿真推演方法只能基于历史数据在简单的交通场景中做一定尺度的仿真推演，缺乏仿真推演场景的迁移性，仿真推演环节的自适应性和仿真推演结果的时效性。随着高速公路基础设施的改造升级，数字孪生、人工智能等技术的快速发展，使基于实时交通感知数据的交通自学习仿真推演成为可能。

技术实现思路

1、本发明的目的是为了弥补现有交通虚拟仿真推演方法在场景和尺度上的不足，提供了一种非预知交通事件发生下的高速公路多尺度交通态势推演方法；该方法利用六类非预知交通事件的历史数据通过数据耦合与映射，在多尺度下构建相应的交通行为传播模型，并通过超图卷积神经网络模型构建能够利用实时感知数据，实现高速公路节点级的交通态势准确、快速推演，具备较好的适用性。

2、为解决上述技术问题，本发明提供了一种非预知交通事件发生下的高速公路多尺度交通态势推演方法，包括以下步骤。

3、s1.利用高速公路中布设的路侧单元和收费站的检测设备记录六类非预知交通事件发生下的车辆状态信息。

4、s2.通过信息耦合获取多尺度交通参数数据。

5、s3.根据非预知交通事件发生下的多尺度交通参数数据，解析该数据在每类非预知交通事件中的映射关系。

6、s4.基于传染病模型构建非预知交通事件发生下的高速公路交通态势传播模型，以准确描述高速公路网络中交通行为的传播特征。

7、s5.基于多尺度交通参数数据、非预知交通事件下的交通行为传播特征和高速公路交通节点划分，利用超图卷积神经网络对多尺度交通参数数据的时空关联性进行建模，实现对高速公路节点级的交通态势推演。

8、优选地，在上述高速公路多尺度交通态势推演方法中，所述所述车辆状态信息是基于摄像头和激光雷达的目标检测和跟踪算法，通过特征提取、实例分割、位置估计来获得车辆在高速公路上的车牌信息、车速、加速度、转向角度、车身姿态。

9、优选地，在上述高速公路多尺度交通态势推演方法中，所述六类非预知交通事件分别为交通事故事件，恶劣天气事件，地质灾害事件，流量激增事件，临时道路养护事件，车辆异物抛洒事件。

10、优选地，在上述高速公路多尺度交通态势推演方法中，所述多尺度交通参数数据利用所述车辆状态信息分别计算高速公路交通流在宏观、中观、微观三种尺度下的交通参数数据。所述宏观交通参数数据包含交通流量，速度，密度，行程时间；所述中观交通参数数据包含车头时距参数，路段占有率，路段车辆周转率，跟驰参数，排队参数；所述微观交通参数数据包含换道参数，跟驰参数，匝道控制参数。

11、优选地，在上述高速公路多尺度交通态势推演方法中，所述映射关系是通过排队论方法和聚类分析解析出六类非预知交通事件发生时交通参数数据在宏观、中观、微观三种尺度上的变化关系。

12、优选地，在上述高速公路多尺度交通态势推演方法中，所述排队规则服从等待机制，即车辆到达非预知交通事件发生路段时，所有车道视为被占用，所有车辆需排队等候，按照先到先通行的次序，并且存在通行服务效率低的队列要素向通行服务效率高的队列转移的趋势。

13、优选地，在上述高速公路多尺度交通态势推演方法中，所述高速公路交通态势传播模型是基于三种尺度下交通参数数据的映射关系和传染病模型，在路网级，路段级和车辆级分别定义非预知交通事件干扰因素的抗干扰节点，易被干扰节点和干扰传播节点。

14、优选地，在上述高速公路多尺度交通态势推演方法中，以超图卷积神经网络作为端到端交通参数数据关联框架，利用可变度数超边对不同尺度下的交通参数数据、交通行为传播特征和高速公路交通节点划分之前的相关性进行编码，并通过残差结构、时间门控卷积层获取未来时间段内的高速公路交通态势推演结果。

15、本发明提供了一种非预知交通事件发生下的高速公路多尺度交通态势推演方法，对高速公路路侧单元和收费站检测设备记录的六类非预知交通事件发生时的感知数据进行预处理，通过信息耦合和统计计算分别获得三种尺度下的交通参数数据；对每类非预知交通事件下的交通参数数据进行交通行为分析和聚类，并根据传染病模型的病原体传播机制获得非预知交通事件交通行为传播模型；再将该模型与高速公路交通节点耦合到超图卷积神经网络中，构建高速公路节点级交通态势推演模型；基于三种尺度下的历史交通参数数据对交通态势推演模型进行训练，以获得损失最小的交通态势推演结果；采用上述高速公路多尺度交通态势推演方法，可基于实时感知数据获得较高精度的交通态势推演，极大地帮助运营和管理部门及时制定出管控和救援方案，以保障交通参与者的生命与财产安全。

技术特征：

1.一种非预知交通事件发生下的高速公路多尺度交通态势推演方法，其特征在于，包括下述步骤：

2.根据权利要求1所述高速公路多尺度交通态势推演方法，其特征在于，所述步骤s1中，所述高速公路中布设的路侧单元和收费站的检测设备主要为摄像头、激光雷达、交通流量检测线圈；所述车辆状态信息是基于摄像头和激光雷达的目标检测和跟踪算法，通过特征提取、实例分割、位置估计来获得车辆在高速公路上的车牌信息、车速、加速度、转向角度、车身姿态。

3.据权利要求1所述高速公路多尺度交通态势推演方法，其特征在于，所述步骤s1中，所述六类非预知交通事件分别为交通事故事件，恶劣天气事件，地质灾害事件，流量激增事件，临时道路养护事件，车辆异物抛洒事件；所述交通事故事件是指车辆发生碰撞影响一个或多个车道的车辆通行，碰撞区来车方向车速下降，车流密度增大，造成短时道路堵塞；所述恶劣天气事件是由于雾霾、大风、雨水、降雪、霜冻等天气现象使道路能见度降低、路面摩擦系数减小、驾驶员视野变窄，进而引起大范围的车辆减速行驶、靠边停车等行为；所述地质灾害事件是由于地震、滑坡、泥石流、地面沉降等地质灾害造成道路封闭，长时间交通阻断；所述流量激增事件是指在特定时间段内引起特定路段上车流密度增大，车辆行驶速度减慢或停止；所述临时道路养护事件是由于临时开展道路修补、清理和设备检修在作业区域内占用部分车道，引起车辆在作业区附近进行换道和减速，并产生短时的交通瓶颈；所述的车辆异物抛洒事件是由于车辆货物掉落引起车辆在道路某处进行紧急避让、紧急制动。

4.根据权利要求1所述高速公路多尺度交通态势推演方法，其特征在于，所述步骤s2中，所述多尺度交通参数数据是指以时间为耦合基准，利用所述车辆状态信息分别计算高速公路交通流在宏观、中观、微观三种尺度下的交通参数数据；所述宏观交通参数数据描述整体交通网络的运行状态和流量分析，包含交通流量，速度，密度，交通流统计分布参数；所述中观交通参数数据以路段内车辆群体为研究对象，包含车头时距参数，路段占有率，路段车辆周转率，跟驰参数，排队参数；所述微观交通参数数据以个体车辆行为为研究对象，包含换道参数，跟驰参数，匝道控制参数。

5.根据权利要求1所述高速公路多尺度交通态势推演方法，其特征在于，所述步骤s3，所述映射关系是通过排队论方法和聚类分析解析出六类非预知交通事件发生时交通参数数据在宏观、中观、微观三种尺度上的变化关系；

6.根据权利要求1所述高速公路多尺度交通态势推演方法，其特征在于，所述步骤s4中，所述高速公路交通态势传播模型是基于三种尺度下交通参数数据的映射关系和传染病模型，在路网级、路段级和车辆级分别定义非预知交通事件干扰因素的抗干扰节点，易被干扰节点和干扰传播节点；该高速公路交通态势传播模型可表示为：

7.据权利要求1所述高速公路多尺度交通态势推演方法，其特征在于，所述步骤s5中，所述利用超图卷积神经网络对多尺度交通参数数据的时空关联性进行建模是以超图卷积神经网络作为端到端异构交通参数数据关联框架，利用可变度数超边对不同尺度下的交通参数数据、交通行为传播特征和高速公路交通节点划分之前的相关性进行编码，并通过残差结构、时间门控卷积层获取未来时间段内的高速公路交通态势推演结果，该多尺度交通参数数据时空关联模型可表示为：

技术总结本发明提供了一种非预知交通事件发生下的高速公路多尺度交通态势推演方法，所述方法利用高速公路路侧单元和收费站所记录的车辆在非预知交通事件发生下的状态信息，通过信息耦合获取多尺度的交通参数数据；基于传染病模型构建非预知交通事件发生下的高速公路交通态势传播模型，以准确描述网络中交通行为的传播特征；并基于交通参数数据、交通行为传播特征和高速公路交通节点划分，利用超图卷积神经网络对多尺度的交通参数数据的时空关联性进行建模，实现对高速公路节点级的交通态势推演。本发明可填补高速公路对非预知交通事件实时感知的不足，为管理部门提供准确的交通态势演变信息，协助其快速制定合理的交通管控和应急救援措施。技术研发人员：吴志周,王吉钊,赵航,王婷,郭杜杜,刘宏本,杨伟达受保护的技术使用者：新疆大学技术研发日：技术公布日：2024/6/30