申请/专利权人：长沙理工大学

申请日：2020-10-28

公开（公告）日：2023-12-05

公开（公告）号：CN112270355B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/30;G08G1/01;G06V10/70

优先权：

专利状态码：有效-授权

法律状态：2023.12.05#授权;2021.02.12#实质审查的生效;2021.01.26#公开

摘要：本发明公开了一种基于大数据技术与SAE‑GRU的主动安全预测方法，首先，获取原始数据集并对其预处理形成训练数据集；利用训练数据集，基于聚类分析进行动态交通运行状态识别，获取带有交通运行状态标签的样本数据集；将带有交通运行状态标签的样本数据集作为分类分析的先验知识，生成交通运行状态分类器；采用训练数据集构建用于风险运行状态评判的数据集，并根据不同的交通运行状态进行风险运行状态判别，得到带有风险运行状态标签的训练数据集，并利用其训练SAE‑GRU模型，同时通过调参得到最优的SAE‑GRU主动安全预测模型；利用SAE‑GRU主动安全预测模型进行主动安全预测。应用范围广，满足高精度、高效率预测的要求。

主权项：1.基于大数据技术与SAE-GRU的主动安全预测方法，其特征在于，按照以下步骤进行：步骤S1、获取原始数据集，原始数据集包含多个单条数据集，每个单条数据集包含Δt时间间隔内的平均车速、平均加速度、平均占有率、平均排队时间、平均行程时间这5类特征数据以及平均标准时间这1类常规数据，并对原始数据集进行预处理，形成训练数据集；步骤S2、利用步骤S1得到的训练数据集，基于聚类分析进行动态交通运行状态识别，获取带有交通运行状态标签的样本数据集；步骤S3、将带有交通运行状态标签的样本数据集作为分类分析的先验知识，生成交通运行状态分类器；步骤S4、采用步骤S1形成的训练数据集构建用于风险运行状态评判的数据集，并根据不同的交通运行状态基于模糊综合评价法对构建的用于风险运行状态评判的数据集进行风险运行状态判别，得到带有风险运行状态标签的训练数据集，具体实现过程如下：步骤S41、利用步骤S1的训练数据集建立以Δt为时间间隔聚合的评判对象因素集P，P＝[SV,SO,ST]，其中SV表示车速变异系数，SV＝σVV，V表示Δt时间间隔内的平均车速，σV表示Δt时间间隔内的车速标准差；SO表示占有率变异系数，SO＝σOO，O表示Δt时间间隔内的平均占有率，σO表示Δt时间间隔内的占有率标准差；ST表示行程时间变异系数，ST＝σTT，T表示Δt时间间隔内的平均行程时间，σT表示Δt时间间隔内的行程时间标准差；步骤S42、建立评判评语集F，F＝[f1,f2,f3]，f1表示低风险运行状态，f2表示中风险运行状态，f3表示高风险运行状态；步骤S43、建立模糊关系矩阵R，如式12所示： 其中，RSV表示车速变异系数SV对评判评语集F隶属程度的模糊关系矩阵，RSO表示占有率变异系数SO对评判评语集F隶属程度的模糊关系矩阵，RST表示行程时间变异系数ST对评判评语集F隶属程度的模糊关系矩阵；r11表示速度变异系数相对于低风险运行状态f1的隶属程度，r12表示速度变异系数相对于中风险运行状态f2的隶属程度，r13表示速度变异系数相对于高风险运行状态f3的隶属程度；r21表示占有率变异系数相对于低风险运行状态f1的隶属程度，r22表示占有率变异系数相对于中风险运行状态f2的隶属程度，r23表示占有率变异系数相对于高风险运行状态f3的隶属程度；r31表示行程时间变异系数相对于低风险运行状态f1的隶属程度，r32表示行程时间变异系数相对于中风险运行状态f2的隶属程度，r33表示行程时间变异系数相对于高风险运行状态f3的隶属程度；步骤S44、利用步骤S3生成的交通运行状态分类器对交通流数据集X中与评判对象因素集P对应的样本项进行交通运行状态分类，然后基于该交通运行状态分类结果，得到带有交通运行状态标签的评判对象因素集P；再根据不同的交通运行状态，利用带有交通运行状态标签的评判对象因素集P建立模糊权重矩阵S＝s1,s2,s3，s1表示不同交通运行状态下模糊关系矩阵R中速度变异系数对风险运行状态的影响程度，s2表示不同交通运行状态下模糊关系矩阵R中占有率变异系数对风险运行状态的影响程度，s3表示不同交通运行状态下模糊关系矩阵R中行程时间变异系数对风险运行状态的影响程度，具体实现过程如下：步骤S441、利用步骤S3生成的交通运行状态分类器对步骤S2中的交通流数据集X进行交通运行状态分类，并将生成的交通运行状态标签与评判对象因素集P按照标准时间特征进行一一对应，得到带有交通运行状态标签的评判对象因素集P；然后对带有交通运行状态标签的评判对象因素集P运用熵权法确定不同交通运行状态下评判对象因素集P中各因素的权重，并对评判对象因素集P中各因素的权重进行归一化处理，得到权重矩阵A＝Af,Ac,AjT，其中，Af表示畅通流状态下速度变异系数、占有率变异系数和行程时间变异系数的权重向量，Ac表示拥挤流状态下速度变异系数、占有率变异系数和行程时间变异系数的权重向量，Aj表示阻塞流状态下速度变异系数、占有率变异系数和行程时间变异系数的权重向量；步骤S442、求取模糊影响向量wi，wi＝wi1,wi2,wi3，其中，wi1表示带有交通运行状态标签的样本数据集Γ中第i条样本项对畅通流聚类中心的隶属程度，wi2表示带有交通运行状态标签的样本数据集Γ中第i条样本项对拥挤流聚类中心的隶属程度，wi3表示带有交通运行状态标签的样本数据集Γ中第i条样本项对阻塞流聚类中心的隶属程度，求解见式13： 式中，lij表示数据集Γ中第i条样本项与不同交通状态聚类中心的欧式距离；步骤S443、得到模糊权重矩阵S＝wi×A；步骤S45、计算模糊合成值矩阵B，B＝SοR，ο表示模糊算子，模糊合成值矩阵B＝b1,b2,b3，其中，b1表示模糊综合评价结果相对评判评语集合F的低风险运行状态f1的隶属度，b2表示模糊综合评价结果相对评判评语集合F的中风险运行状态f2的隶属度，b3表示模糊综合评价结果相对评判评语集合F的高风险运行状态f3的隶属度，隶属度bθ,θ＝1,2,3的计算见公式14： 步骤S46、根据模糊合成值矩阵B，釆用最大隶属度法确定模糊综合评判结果z即风险运行状态类别；步骤S47、基于步骤S41中评判对象因素集P的建立方法，采用步骤S1形成的训练数据集构建用于风险运行状态评判的数据集 其中，Pi为第i条评判对象因素集也即用于风险运行状态评判的数据集Ω的第i条样本项，n为用于风险运行状态评判的数据集Ω的样本总量；并根据步骤S43～S46对用于风险运行状态评判的数据集Ω中的每个样本项进行计算，得到用于风险运行状态评判的数据集Ω对应的风险运行状态标签数据集Z，风险运行状态标签数据集Z＝{z|zi＝fθ＝maxbθ；i＝1,2,…,n,θ＝1,2,3}；风险运行状态标签数据集Z为用于风险运行状态评判的数据集Ω的所有样本项的模糊综合评判结果集合，并对风险运行状态标签数据集Z进行归一化处理，最终得到带有风险运行状态标签的训练数据集 其中，zi表示用于风险运行状态评判的数据集Ω的第i条样本项的模糊综合评判结果；步骤S5、建立SAE-GRU模型，采用步骤S4得到的带有风险运行状态标签的训练数据集对建立的SAE-GRU模型执行训练过程，并通过调参得到最优的SAE-GRU主动安全预测模型；步骤S6、利用得到的最优的SAE-GRU主动安全预测模型，进行主干道主动安全预测，预测得到下一阶段即下一个Δt时间间隔内的风险运行状态。

全文数据：

权利要求：

百度查询： 长沙理工大学 基于大数据技术与SAE-GRU的主动安全预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD