一种基于行为特征捕捉的高速公路交通状态预测方法

本发明涉及信息预测的，特别涉及一种基于行为特征捕捉的高速公路交通状态预测方法。

背景技术：

1、当今的高速公路管理越来越倾向于智能化、精细化和主动化。这些目标的实现，离不开对高速公路交通状态的精确感知和预判。精准预测高速公路的交通状态，对于高速公路交通管理、异常检测、拥堵治理以及主动安全管理都起着至关重要的作用。

2、在高速公路交通流状态短时预测领域，主要有以卡尔曼滤波、arima、多元回归理论、指数平滑法等为代表的参数法，和以深度学习、机器学习等为代表的非参数法，但不管何种方法，一般都是基于时间序列进行预测。这类方法使用某个路段的交通状态数据，对过去一段时间内的交通状态数据进行学习，以此预测未来特定时间内该路段的交通状态。然而，高速公路的交通流特征与城市道路上的通勤交通有所不同，交通参与者的出行多为商务或旅游等出行，不具备明显的周期性或时间规律性。因此，基于时间序列的预测方法未必适用。此外，相对于城市快速路，高速公路上的车辆异质性更显著。这种异质性既体现在车辆类型上——不仅有乘用车，也有各种大小的货车；也体现在车辆行为上——例如重载货车由于速度保持能力不足而以低速行驶，成为路段的瓶颈；而部分缺乏经验的司机为了远离货车选择在最内侧车道行驶，并以相对较低的恒定速度行驶；而更有攻击性的司机则经常变道超车，以保持较高的行驶速度。这种异质性对交通流状态的演变和运行速度造成了显著影响。

3、在过去的研究中，尽管有少数研究注意到了车辆类型的异质性，但车辆行为的异质性却在一定程度上被忽视了。而事实上，车辆类型的异质性对交通流的影响并不比车辆行为的异质性更大，相对于不同类型车辆的尺寸差异，由车辆行为异质性带来的速度差异对交通流的影响会更为明显。直观的，一辆以速度80小时/公里行驶的货车，并不比一辆以速度60小时/公里行驶的客车对交通流运行影响更大。因此，车辆行为的异质性才是影响交通状态预测的关键因素。而且不管是主动交通安全管理还是交通精细化管理，都依赖于对不同驾驶行为车辆分布的精准预测。以往的交通状态预测方法对车辆行为异质性的忽视，导致了其预测精度不足，无法为高速公路的精细化、主动化管理提供足够的支持。

技术实现思路

1、针对现有技术中存在的不足之处，本发明的目的是提供一种基于行为特征捕捉的高速公路交通状态预测方法，以提升高速公路交通状态预测的准确性和细粒度，从而有效提高高速公路的精细化与智能化管理水平，为不同类型和行驶特征车辆的针对性管理提供支持，也为主动交通安全管理如主动安全预警等提供支撑。为了实现上述目的，本发明提供了一种基于行为特征捕捉的高速公路交通状态预测方法，包括：

2、s1、根据检测设备布局，定义检测断面，并对高速公路路段进行子路段划分和车道划分；

3、s2、获取各检测断面的交通状态数据集合，并进行数据预处理；

4、s3、对连续断面的数据进行拼接处理，并且进行车辆行为特征捕捉；

5、s4、通过车辆行为特征进行车辆分类，该车辆分类包括低速货车、保守型客车、激进型客车及常规客车；

6、s5、将车辆类别和交通参数通过速度预测模型进行交通速度的预测；

7、s6、进行后续断面预测结果验证和速度预测模型中的参数较正；

8、s7、利用修正后的速度预测模型，对待预测的高速公路路段进行高速公路交通状态进行预测。

9、优选的，步骤s1中，按车辆行驶方向，依次定义检测断面为第一检测断面，第二检测断面，第三检测断面……；并定义第一检测断面与第二检测断面之间的路段为子路段1，第二检测断面与第三检测断面之间的路段为子路段2，依次类推。

10、优选的，步骤s2中，交通状态数据包括车辆id，及每个id车辆通过检测断面的时刻、速度、车头时距、车头间距及所在车道信息；

11、数据预处理包括数据脱敏与异常数据剔除。

12、优选的，步骤s3中连续断面指编号连续的两个或多个断面，具体的如：对检测断面1和检测断面2的数据进行拼接处理，根据在两个断面处同一id车辆所在车道，断面速度、通过断面时刻等信息，确定该车辆在交通流中的相对位置的变化情况，交通流的平均速度，每辆车相对于交通流的速度，从而得到不同id车辆的车道偏好、速度偏好及侵略性偏好行为特征。

13、优选的，步骤s3中车辆行为特征需与周边交通流状态建立映射，具体的，通过计算一定时间间隔内检测断面1和检测断面2通过的车辆数之差得到子路段1的车辆密度和流量，并与此段时间内子路段1上车辆的行为特征建立映射。

14、优选的，步骤s5中将低速货车、保守型客车、常规客车、激进型客车的速度分别记为v1，v2，v3和v4，其中低速货车的速度函数为：v1是低速货车的预测速度，v1e为低速货车的期望速度，va是交通流的平均速度；

15、保守型客车的速度函数为：

16、v2是保守型客车的预测速度，v2e为保守型客车的期望速度；

17、常规客车的速度函数为：

18、v3是常规客车的预测速度，v3e为常规客车的期望速度，β是常规客车受低速货车影响的系数，与低速货车的流量和总体流量有关，可以由检测断面的数据标定；

19、激进型客车的速度函数为：

20、v4＝γv4e，v4是激进型客车的预测速度，v4e为激进型客车的期望速度，γ是激进型客车受交通流影响系数，与交通流量和密度有关，可以由检测断面的数据标定。

21、优选的，步骤s6中通过车辆速度预测模型，对不同类型车辆到达后续检测断面的速度和时间进行预测，并通过后续断面的检测数据对预测结果进行验证，并对预测模型中的参数进一步较正，重复这一过程，直到参数稳定，且预测精度达到要求。

22、本发明与现有技术相比，其有益效果是：本发明抓住车辆行驶特征的时空连续性，通过基于行驶特征捕捉的车辆分类，以及在此基础上的车辆速度预测模型，可以体现车辆类型和行为异质性对交通流演变的影响，从而提升预测的准确性和细粒度，从而有效提高高速公路的精细化与智能化管理水平。

23、本发明所提出的交通状态预测结果不仅可以体现速度特征，还可以再现交通流分布的动态演化，从而为交通管理部分针对不同类型和行驶特征车辆的针对性管理提供支持。

24、车辆行为特征捕捉和在此基础上的速度预测，可以为主动交通安全管理提供支撑，特别是侵略性驾驶行为的车辆管理，以及对其下游车辆和即将合流车辆的主动安全预警。

技术特征：

1.一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，步骤s1中，按车辆行驶方向，依次定义检测断面为第一检测断面，第二检测断面，第三检测断面……；并定义第一检测断面与第二检测断面之间的路段为子路段1，第二检测断面与第三检测断面之间的路段为子路段2，依次类推。

3.如权利要求1所述的一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，步骤s2中，交通状态数据包括车辆id，及每个id车辆通过检测断面的时刻、速度、车头时距、车头间距及所在车道信息；

4.如权利要求1所述的一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，步骤s3中连续断面指编号连续的两个或多个断面，具体的如：对检测断面1和检测断面2的数据进行拼接处理，根据在两个断面处同一id车辆所在车道，断面速度、通过断面时刻等信息，确定该车辆在交通流中的相对位置的变化情况，车辆相对于交通流的速度，从而得到不同id车辆的车道偏好、速度偏好及侵略性偏好行为特征。

5.如权利要求4所述的一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，步骤s3中车辆行为特征需与周边交通流状态建立映射，具体的，通过计算一定时间间隔内检测断面1和检测断面2通过的车辆数之差得到子路段1的车辆密度和流量，并与此段时间内子路段1上车辆的行为特征建立映射。

6.如权利要求1所述的一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，通过速度预测模型，预测不同类型车辆到达后续待预测断面的速度和时刻；

7.如权利要求6所述的一种基于行为特征捕捉的高速公路交通状态预测方法，其特征在于，步骤s6中通过车辆速度预测模型，对不同类型车辆到达后续检测断面的速度和时间进行预测，通过后续断面的检测数据对预测结果进行验证，并对预测模型中的参数进一步较正，重复这一过程，直到参数稳定，且预测精度达到要求。

技术总结本发明公开了一种基于行为特征捕捉的高速公路交通状态预测方法，包括：S1、根据检测设备布局，定义检测断面，并对高速公路路段进行子路段划分和车道划分；S2、获取各检测断面的交通状态数据集合，并进行数据预处理；S3、对连续断面的数据进行拼接处理，并且进行车辆行为特征捕捉；S4、通过车辆行为特征进行车辆分类；S5、选择速度预测模型进行交通速度预测；S6、进行后续断面预测结果验证和速度预测模型中的参数较正；S7、利用修正后的速度预测模型，对待预测的路段进行高速公路交通状态进行预测。通过准确的车辆行为特征捕捉，以及在此基础上的速度预测，本发明可以提升交通状态预测的准确性和细粒度，从而有效提高高速公路的精细化、智能化管理水平，并为不同类型和行驶特征车辆的针对性管理提供支持，为主动交通安全管理提供支撑。技术研发人员：杨晓芳,董洁霜,刘魏巍受保护的技术使用者：上海理工大学技术研发日：技术公布日：2024/7/29