欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105897728
申请人: 南京工程学院
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种汽车行驶时间的预测方法,其特征在于:通过建立基于LSTM-GAN模型来预测未来时间段内道路上的交通速度,根据预测的交通速度,将道路分成速度不同的路段,以及不同的路段的速度对应的时间段,根据不同路段的速度以及对应的时间段从而计算出汽车到达目的地需要的总行驶时间;

所述LSTM-GAN模型包括生成器H与鉴别器D;所述生成器H捕获输入的交通流数据的时空特性输出初预测的交通速度数据至鉴别器D;鉴别器D输入初预测的交通流数据以及其预测对应的实际的交通流数据用以学习两者潜在交通流数据的特征向量,最后利用特征向量构建分类模型,并且判断输入的初预测的交通流数据的真假,并且输出判断为真的初预测的交通流数据作为预测的交通流数据;

所述的交通流数据采用交通速度矩阵序列,将相同道路上不同时段交通速度矩阵按照预设的周期进行排列;所述LSTM-GAN模型的生成器H为三层结构;交通速度矩阵序列输入第一层CNN层,第一层CNN层将其学习到的所有道路上交通速度矩阵序列的空间特性输入第二层LSTM层;第二层LSTM层将其捕获的连续交通速度矩阵的时间特性输入第三层CNN层,第三层CNN层生成下一时段的交通速度矩阵的初预测数据;鉴别器D为三层结构;生成器H生成的下一时段的交通速度矩阵的初预测数据与真实的交通速度矩阵均输入到第四层CNN层;第四层CNN层将其学习到的潜在的空间特征输入第五层双向LSTM层;第五层双向LSTM层将其捕获潜在的时间特征输入到第六层的;第六层通过损失函数优化生成器和鉴别器的精度,获得全局最优解,输出交通速度的预测结果;

具体包括以下步骤:

步骤一:获取历史交通流数据,将交通流数据预处理为交通速度矩阵序列;所述交通速度矩阵序列为以预设的周期排列得一条道路的交通速度矩阵序列{v公式(A1)中,v

步骤二:将交通速度矩阵序列输入LSTM-GAN模型的生成器H,生成器H经过多次的训练,预测并生成对应的道路t+1时刻的初预测速度矩阵序列;

步骤三:将生成器H生成的t+1时刻的初预测速度矩阵序列与之对应的真实的t+1时刻的速度矩阵序列同时输入鉴别器D,鉴别器D对初预测的矩阵序列进行鉴别;在开始预测时,让鉴别器先学习真实数据的分布情况,并做到有效识别,如果经过鉴别器D输出的概率为1,则判断初预测的矩阵序列为真实的矩阵序列,如果经过鉴别器D输出的概率为0,则判断初预测的矩阵序列为生成的矩阵序列;生成器在大量数据的基础上,学习交通流历史数据的概率分布,生成的数据接近真实数据,并通过鉴别器识别,预测得到交通速度;

步骤四:根据步骤三预测的交通速度大小,将道路分成不同交通速度的路段及其对应的时段,从而计算出汽车到达目的地的行驶时间;

步骤三中鉴别器D采用交叉熵作为损失函数判断真实的交通速度矩阵序列和步骤二初预测出的交通速度矩阵序列分布之间的相似性;所述交叉熵作为损失函数具体为:(1)式中:θ

通过生成器H,将式(1)最小化以获得最优解;在连续空间中,将式(1)改写为式(2):鉴别器D的预期输出在0到1之间,当其输入数据

从而建立整个LSTM-GAN模型的目标函数如式(3)所示:

步骤四中所述不同交通速度的路段为将该道路的实际交通速度与该道路的历史平均速度进行比较,具体为:将有排队车辆的路段以及小于历史平均速度的路段定义为下游路段、将大于历史平均速度的路段定义为上游路段、将需要通过红绿灯的路口定义为等待路段;其中汽车到达目的地至少途径有一条道路,计算出途径的每条道路的需要行驶的时间,并将每条路需要的时间进行求和即为预测的汽车到达目的地的需要的总时间;所述计算出途径的每条道路的需要行驶的时间具体包括以下步骤:S41:将汽车在对应的道路上行驶时间的划分自由行驶时间、排队等待时间和通过路口时间;所述自由行驶时间为在该条道路上位于上游路段的行驶时间;所述排队等待时间为在该条道路上处于下游路段以及等待红绿灯需要的时间;所述通过路口时间为车辆通过路口进入下一个道路需要的平均时间,并且一条道路对应一个通过路口的时间;其表达式具体如下式(4)所示:(4)式中:(t)表示随时间变化的函数;

S42:其中,自由行驶时间

(5)式中:d

所述下游路段中排队车辆的长度

(6)式中:N

由于道路阻塞密度由道路上最大车辆流量μ

根据式(5)、(6)和(7),

S43:其中,排队等待时间

当车辆到达有红绿灯的交叉口时,排队等待时间为等待绿灯时间

(10)式中:α

则排队等待时间

(12)式中,

S44:其中,通过路口时间

车辆通过路口的平均时间如式(13)所示:

式中:β

2.根据权利要求1所述的一种汽车行驶时间的预测方法,其特征在于:步骤二中生成器H通过大量历史数据学习真实交通流数据的概率分布,然后使用学习到的概率分布预测未来的交通流;生成器H在学习初期,生成数据时无法通过鉴别器D的识别,被鉴别为生成的数据,当生成器经过多次的迭代训练后,生成的数据接近真实数据,并通过鉴别器D识别;迭代优化过程提高了生成器H和鉴别器D的性能;当鉴别器D无法正确识别生成器生成的数据和真实数据时,即生成器H已经学习到了真实数据的分布,提高了预测精度。