科研之友
微信
新浪微博
Facebook
分享链接
摘要
目的 为明确城市快速路合流区的微观速度特性，确保车辆在衔接段运行速度协调可控，使车辆安全运行。提出一种基于遗传算法((geneticalgorithm，GA)的双向长短期记忆网络(bi-directionallongshorttermmemory，Bi-LSTM))速度预测集成模型(GA-Bi-LSTM)。方法 基于无人机高空视频，利用多尺度KCF(kernelcorrelationfilter)车辆跟踪优化算法，从广域视角提取典型多车道交织区全样本高精度车辆轨迹数据。分析高、平峰时段的合流区车速的累积频率、分布趋势、特征百分位值等运行特性。基于可有效捕捉前向历史速度数据的变化特征的LSTM模型，构建Bi-LSTM车速预测模型，采用交叉实验法获取Bi-LSTM的最佳基本结构参数，同时考虑到人工设置训练超参数对模型预测性能的影响较大、时间较长，提出基于遗传算法优化的Bi-LSTM速度预测集成模型(GA-Bi-LSTM)。最后，以R~(2)、ErrorMean、ErrorStD、MSE、RMSE、NRMSE、r_(s)这7类评价指标对其预测效果进行综合评价。结果 合流区速度分析方面，①高峰时段速度总体处于[0，20]km/h杂乱波动，主要集中于（6±3）km/h区间，平均速度约5.86km/h。其中，85%车速小于10.0km/h，速度累积频率曲线的斜率突变点出现在90%分位左右。②平峰时段车速分布略显扁平，有序分布于[7.5，45]km/h内，主要集中于20±10km/h，平均速度约23.3km/h，85%车速小于32.4km/h，速度累积频率曲线缓慢平稳上升，斜率突变点出现在85%分位左右。③合流区车速运行数据符合Gaussian分布，高峰时段合流区速度的均值、标准差、50分位值、85分位值的下降幅度均达50%以上。以上合流区速度分析结果均可说明，实例合流区高峰时段具有车速离散、分布紊乱、瓶颈现象等独特的特性，车速变化规律难以准确把握。面向车路协同系统的速度控制调节，需保证此类非典型场景复杂车速运行精准预测。预测效果方面，相较于原始的Bi-LSTM深度学习模型，BHO-Bi-LSTM速度预测模型表现更优，拟合指标R~(2)、r_(s)分别为0.9046、0.9495，误差指标ErrorMean、ErrorStD、MSE、RMSE、NRMSE分别为0.0041、0.4470、0.1997、0.4469、0.0765。优化效果方面，遗传算法优化器分别迭代至第2、4、5次时，预测误差骤减；迭代至第99次时，模型收敛，得到最小误差、最佳超参数点。说明遗传算法在评估成本较高的超参数优化任务时，可以较快速度收敛，具有应用于高峰时段合流区车速预测的潜力。结论 针对高峰时段合流区车速变化规律难以把握的特点，构建了基于GA-Bi-LSTM的速度预测集成模型，与原始Bi-LSTM速度预测模型相比，GA-Bi-LSTM速度预测集成模型误差最低、相关性最高，说明基于超参数优化的速度预测模型，可有效适应与预测合流区高峰期复杂的速度特征，表现出更好的鲁棒性与泛化性。
- 单位
