一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法与系统

本发明属于通信领域，更进一步涉及交通领域中的交通流模拟和交通数据分析中的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法与系统。

背景技术：

1、随着城市交通不断发展和交通管理的需求日益增加，高速公路交通流轨迹重构成为优化交通系统、提高交通效率的重要技术之一。毫米雷达波作为一种先进的传感技术，具有高精度、高分辨率的特点，能够穿透雨雪等恶劣天气条件，实时获取目标物体的运动信息。在高速公路交通管理领域，基于毫米雷达波的轨迹重构方法通过对车辆引擎、车轮和车身等物体的微小运动进行精准监测，但考虑到检测器波频，如何能够更有效的将离散数据重构为更符合现实需要的交通流是当前智能交通快速发展下亟需解决的问题。

2、在交通大数据应用层面，传统的交通流轨迹重构设备主要包括磁感应器、摄像头、雷达等，而传统的方法通常采用基于单一或组合传感器数据的信号处理和计算方法，这些设备和方法都存在或多或少的不足：磁感应器适用于低速场景，但对于高速公路等需要高精度轨迹的场合，可能存在精度不足的问题。摄像头会受到天气、光照等因素的影响，可能在恶劣条件下性能下降等等，因此，基于毫米波雷达等先进技术的交通流轨迹重构方法应运而生，旨在克服这些传统方法的不足，提高轨迹重构的精度和实时性。

技术实现思路

1、发明目的：本发明目的在于提供一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法与系统，提高轨迹重构的精度和实时性，有助于优化交通系统、提高交通效率，为高速公路管理者提供数据支撑，同时在自动驾驶领域能够为车辆定速巡航提供较为安全的路径。

2、技术方案：为实现上述发明目的，本发明所采用的技术方案是：

3、一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法，包括以下步骤：

4、对基于毫米雷达波数据进行特征提取后采用基于密度的离群值检测算法清洗异常的离散轨迹点；

5、建立高速公路路网拓扑图，考虑基于图论的betweenness centrality法识别关键轨迹节点；

6、对清洗后的毫米雷达波离散交通流轨迹点利用ca-lwr方法进行全时空交通流轨迹预测，使用lwr模型更新元胞自动机的状态，领域元胞车速与流量控制每个元胞中的车流密度，根据lwr模型中的最大速度控制元胞自动机中车辆速度的值域，对于关键轨迹节点考虑周围车辆交互，设置车辆之间的安全距离；

7、将离散轨迹点预测得到的交通流轨迹嵌入深度学习的编码器中并作为历史车辆轨迹输入到transformer中增强目标车辆轨迹重构的精度；所述transformer网络模型为基于多头注意力的transformer网络的车辆轨迹重构模型。

8、进一步的，所述对基于毫米雷达波数据进行特征提取后采用基于密度的离群值检测法清洗异常的离散轨迹点，包括：

9、对车辆的运动特征进行提取，根据实际情况与经典力学原理，车辆在高速公路上行驶时被毫米雷达波检测到时刻的车辆速度应该在该高速公路限速区间内、加速度应在0.1g～0.5g之间(g为当地的重力加速度)，方向角应在道路线形以内；

10、提取交通流数据中的特征，包括车辆经度、纬度，以及时间；计算点之间的欧式距离，将平均距离作为簇半径，最小簇密度设置为维度的两倍，将离散车辆轨迹点集合输入dbscan算法训练，对于结果标记为噪声点的离群数据进行删除，保留边界点与核心点。

11、进一步的，所述建立高速公路路网拓扑图，考虑基于图论的betweennesscentrality法识别关键轨迹节点，包括：

12、将高速公路网络表示成图，其中节点表示基于密度的离群值检测算法中的高密度点、匝道口、瓶颈和收费口，边表示连接这些地点的道路，所述高密度点表示在邻域内包含的数据点至少为最小簇密度的点；对于每对节点用dijkstra算法计算通过该节点的最短路径数量和介数中心性，并将介数中心性中前预设比例的节点标记为高速公路网络中的关键轨迹节点，介数中心性的表达式为：

13、

14、其中σst为节点s到节点t的最短路径数量，σst(v)表示在最短路径上经过节点v的最短路径数量。

15、进一步的，所述对清洗后的毫米雷达波多源离散交通流轨迹点利用ca-lwr方法进行全时空交通流轨迹预测，包括：

16、根据建立好的高速公路拓扑图，将道路划分为若干元胞，对于关键轨迹节点，应当包含于独立的元胞中；

17、根据每个点当前的交通流量和车辆位置，以及交通网络的布局，道路长度和车道数量，初始化元胞自动机的状态，根据lwr模型，下一个元胞的更新应当尽可能使得当前元胞的状态满足公式q＝ρ·v，其中q为流量，ρ为车流密度，v为车速；邻域元胞车速与流量控制每个元胞中的车流密度，根据lwr模型中的最大速度控制元胞自动机中车辆速度的值域；

18、对于关键轨迹节点考虑周围车辆交互，关键节点都是交织区等大流量的区域，容易发生事故，为此考虑设置车辆之间的安全距离以控制元胞自动机的更新规则，对得到的全部车辆离散轨迹数据采用上述方法进行轨迹预测得到全时空交通流轨迹。

19、所述lwr模型根据道路上每个元胞上的车辆数量的信息、道路网络信息、每个元胞的长度、模型的时间步长，预测的下时刻车辆位置；其中车辆密度的更新规则满足：

20、

21、其中ρi(t)是t时刻位置i处的车辆密度，qi+1/2(t)和qi-1/2(t)分别是位置i+1/2和i-1/2处的车流量，δt和δx分别是时间步长和空间步长。

22、进一步的，所述将离散轨迹点预测得到的交通流轨迹嵌入深度学习的编码器中并作为历史车辆轨迹输入到transformer中增强目标车辆轨迹重构的精度，包括：

23、将ca-lwr预测得到的全时空交通流轨迹设置为目标车辆周围的相关车辆，每个坐标点映射为嵌入向量，形成一个时间序列，其表示为trajectorynear＝[(x1t,y1t),(x2t,y2t),...(xnt,ynt)]，其中(x1t,y1t)、(x2t,y2t)...(xnt,ynt)为车辆1，车辆2……车辆n在t时刻的坐标数据，将轨迹数据进行positional embedding处理，保留轨迹点的时序信息；

24、在以预测轨迹为历史轨迹嵌入编码器后，通过多个self-attention layer层提取序列中的周围车辆信息，输出被用作解码器的输入；

25、解码器接收编码器的输出，在交互建模模块中，对自注意力机制实现动态赋权，捕捉场景内每个车辆和目标车辆之间的空间依赖关系；分配不同的关注度权重后输入多头注意力机制从多个不同的特征子空间学习车辆交互影响，通过全连接层的权重将不同特征空间的互动影响进行概括聚合，从而增强了模型的拟合能力以及对不同场景的适应能力，经前馈神经网络层生成未来轨迹的预测。

26、一种基于深度学习的两阶段高速公路车辆离散点轨迹重构系统，包括：

27、预处理模块，用于对基于毫米雷达波数据进行特征提取后采用基于密度的离群值检测算法清洗异常的离散轨迹点；

28、关键轨迹节点识别模块，用于建立高速公路路网拓扑图，考虑基于图论的betweenness centrality法识别关键轨迹节点；

29、第一阶段轨迹预测模块，用于对清洗后的毫米雷达波离散交通流轨迹点利用ca-lwr方法进行全时空交通流轨迹预测，使用lwr模型更新元胞自动机ca的状态，邻域元胞车速与流量控制每个元胞中的车流密度，根据lwr模型中的最大速度控制元胞自动机中车辆速度的值域，对于关键轨迹节点考虑周围车辆交互，设置车辆之间的安全距离；

30、第二阶段轨迹预测模块，用于将离散轨迹点预测得到的交通流轨迹嵌入深度学习的编码器中并作为历史车辆轨迹输入到transformer网络模型中增强目标车辆轨迹重构的精度；所述transformer网络模型为基于多头注意力的transformer网络的车辆轨迹重构模型。

31、一种计算机系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被加载至处理器时实现所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法的步骤。

32、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法的步骤。

33、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现所述的一种基于深度学习的两阶段高速公路车辆离散点轨迹重构方法的步骤。

34、有益效果：本发明使用创新性的两阶段预测，以ca-lwr算法预测全时空交通流轨迹作为历史车辆轨迹数据嵌入transformer提高预测精度后考虑车辆交互，使用基于自注意力机制的transformer算法输出重构轨迹，有助于优化交通系统、提高交通效率，为高速公路管理者提供数据支撑，同时在自动驾驶领域能够为车辆定速巡航提供较为安全的路径。与现有技术相比，本发明具有如下优点：本发明可以结合毫米雷达波测量得到的离散轨迹数据进行车辆轨迹重构，并且在不依赖历史交通流轨迹数据的情况下也能进行车辆轨迹重构，其次在ca预测方法的基础上结合lwr模型，使得预测更加适合交通领域，对高速公路交通检测与管控等具有一定的现实意义。同时，两阶段轨迹预测旨在为处于异构复杂高动态环境中的目标车辆生成多条可能的且具有安全性的轨迹，这对于车辆的自动驾驶技术能够提供更为优化与安全的路径，更为深入的研究能够应用于车辆日后的自动驾驶技术中。