申请/专利权人：北京航空航天大学

申请日：2021-09-23

公开（公告）日：2024-06-28

公开（公告）号：CN115938104B

主分类号：G08G1/01

分类号：G08G1/01;G08G1/052;G08G1/065;H04W4/02;H04W4/40;G06N3/045;G06N3/092;G06N3/084;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.04.25#实质审查的生效;2023.04.07#公开

摘要：本发明公开了一种基于深度确定性策略梯度算法优化的动态短时路网交通状态预测方法，包括采集车载装置向上级系统上传的数据并整理，构建基于KNN的静态预测模型，基于DDPG算法动态优化部分构建与训练，通过深度强化学习算法动态优化参数。本发明在KNN预测模型中考虑向量式的短时交通状态表达，给予了模型在处理交通状态变化急缓、常规与非常规交通演化场景上具备更大的灵活度。通过DDPG算法的动态优化，短时交通状态预测模型能够由随时间演进简单的静态预测转变为洞悉交通状态演化而进行动态调整并预测，克服了现有技术中静态和半静态模型只能拟合历史数据及规律，不能快速适应实时交通状态的突发性和随机性变化的问题，进一步地提高预测精度。

主权项：1.一种基于深度确定性策略梯度算法优化的动态短时路网交通状态预测方法，其特征在于，包括如下步骤：步骤一：数据的收集与处理1采集车载的GPS装置在指定时间间隔内向上级系统上传的时间、位置及车辆瞬时速度信息，2计算得到时刻t某一路段l上车辆速度的平均值vt，t时刻及t以前时刻的平均值均为已知，3利用上述方法得到由路段l1,l2,…,ln构成的路段网上相对应的平均速度值集合Vt＝v1t,v2t,…,vnt，n为路段的数量；4利用时刻t，及时刻t之前的δ-1个时刻的采集数据计算并聚合成时空矩阵Xt，Xt表示时刻t的交通状态，Xt如公示1所示： 5对Xt进行处理，对其中每个单一的基准状态点，计算产生基准点的趋势向量并以向量的方式定义交通状态单元X′t，即 其中步骤二：构建基于KNN的静态预测模型1分别采用欧式距离对基准状态点Vt间的距离EDi进行度量，以及采用余弦距离对趋势向量间的距离CDi进行度量，其表达式为： 式中，为第i个已知的基准状态点数据，为第i个已知的趋势向量，式中带脚标h的表示为采集的样本中已知的历史数据；并以此构建用来度量状态单元相似性的状态距离SDi： 其中，u＝1,2,…,M，M为历史样本数，α为平衡欧式距离和余弦距离的系数，取值范围为[0,1]；2依据相似性度量结果选择K个近邻计算待预测样本Xt+1和所有已知的历史样本间的状态距离，将距离最小的K个历史样本Vh,1,Vh,2,…,Vh,K作为近邻；3计算待预测样本的预测值使用增量预测的方法计算预测值对近邻的标签值，即状态距离SDi依据距离大小进行高斯加权，对于Xt，记其未来在t+1时刻状态点Xt+1为yt，所述增量为近邻的yh,j与Vh,j间的差值，对于第j个近邻j＝1,2,…,K其表达式为：△yh,j＝yh,j-Vh,j6即在预测窗口内交通状态变化量；其次，再通过高斯加权计算未来在t+1时刻的预测值为 式中，权重

全文数据：

权利要求：

百度查询： 北京航空航天大学 一种动态短时路网交通状态预测模型及预测方法

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