【技術實現步驟摘要】
本專利技術涉及交通信息領域，尤其是涉及一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法。
技術介紹
1、交叉口車輛軌跡的分析在提升交通控制性能方面具有重要意義。然而，受聯網車輛滲透率低和視覺遮擋問題的影響，獲取完整且充足的軌跡數據仍是挑戰，尤其是在跟馳場景中。應對數據缺失的常用方法是利用跟馳模型修補或增強現有數據。跟馳模型用于描述車輛間的相互作用和駕駛行為，但傳統模型基于物理規則和簡化假設，無法準確反映復雜的駕駛行為和動態交通環境，且缺乏自適應學習能力。
2、隨著人工智能技術的發展，基于數據驅動的交通軌跡生成方法應運而生。這些方法能夠捕捉傳統模型難以揭示的復雜非線性關系，利用機器學習和深度學習技術來學習駕駛行為特征，從而生成具有類似數據特征的跟馳軌跡。長短期記憶網絡(lstm)因其在處理時間序列數據方面的優勢，特別適合用于車輛動態依賴性的建模。生成式對抗網絡(gan)的生成器和判別器則可以生成高度逼真的車輛軌跡數據。結合這兩種方法，可以有效解決數據缺失問題。然而，現有基于gan的跟馳模型大多只能生成與單個前車對應的后車軌跡，尚未解決連續時空下模擬交通流的生成問題。部分gan模型雖用于城市交通軌跡生成，但生成的數據離散分布在長時間跨度上，不適用于微觀交通模擬及數字孿生應用。
技術實現思路
1、本專利技術的目的是為了提供一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，建立了面向交叉口車流的連續跟馳軌跡生成模型。該模型既能滿足
2、本專利技術的目的可以通過以下技術方案來實現：
3、一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，包括以下步驟：
4、s1，獲取高空交叉口監測視頻數據；
5、s2，基于目標識別算法對視頻數據中的車輛目標進行精準識別；
6、s3，基于軌跡跟蹤算法匹配并提取識別出的每輛車的軌跡數據，獲得交叉口連續交通流的真實車輛軌跡數據；
7、s4，基于結合長短期記憶網絡的生成式對抗網絡模型對連續交通流的真實車輛軌跡數據進行學習，捕捉車輛跟馳行為的個體時序變化特征和整體不確定性分布特征，合成特征一致的交叉口跟馳軌跡數據，其中，所述整體不確定性分布特征包括均值與方差。
8、所述s2具體為：采用開源的訓練完成的改進后yolov5?obb模型，對高空交叉口監測視頻數據進行車輛目標識別，識別公式定義如下：
9、set(xt,yt)＝obb(it)
10、其中，it為視頻中t時刻的圖片幀，obb表示目標識別模型，set(xt,yt)為對應圖片幀中的車輛坐標集合。
11、所述s3包括以下步驟：
12、s31，檢測每一幀中車輛i的位置坐標(xi,yi)，并保存車輛位置坐標以初始化軌跡數據t＝{(x1,y1),(x2,y2),…,(xm,ym)}，其中，m為幀數；初始軌跡通過對第一幀文件中的車輛坐標進行編號建立，其中，所述軌跡的編號由車輛距離中心點的歐式距離確定；
13、s32，創建列表存儲連續三幀軌跡數據l＝{t1,t2,t3}，使用dbscan聚類算法對軌跡進行聚類處理，確定車輛的平均位置坐標；
14、s33，進行車輛id的分配和連續幀中車輛位置變化的追蹤，實現對車輛軌跡的穩定跟蹤；
15、s34，以i/o守恒原則為原理，構建鄰近區域軌跡追蹤算法，通過車輛流量的平衡來識別和匹配跳幀車輛，確保軌跡追蹤的連續性，所述i/o守恒原則為相鄰區域間進入車輛與離開車輛相匹配；
16、s35，將未匹配到的軌跡添加到不穩定軌跡集中，并根據匹配情況更新難以識別軌跡集，通過劃定新車產生區域和射線法判斷生成新的車輛軌跡，并進行編號；
17、s36，使用cv2模塊實現追蹤過程的自動化，整合車輛id、時間t、坐標位置(x,y)和車道信息，構建交叉口車流軌跡數據庫(database＝{vehicleid,t,(x,y),lane})。
18、所述s32具體步驟如下：
19、s321，定義dbscan算法的參數，包括鄰域半徑ε和最小鄰域點數；
20、s322，使用dbscan算法對t進行聚類，將車輛坐標分配到不同的聚類中；
21、s323，對于每個聚類，計算其中所有點的平均位置坐標：
22、
23、其中，pi為聚類中的第i個點的位置坐標，k為聚類中的點數量。
24、所述s33具體步驟如下：
25、s331，車輛id分配：為每輛車分配獨特的idi，以便在連續幀中準確地跟蹤和識別車輛；
26、s332，關鍵特征匹配算法：使用關鍵特征匹配算法對連續幀中的車輛位置進行匹配，其中，所述關鍵特征匹配算法通過計算距離函數來進行點集到軌跡集的初步匹配；
27、s333，閾值設置：為了提高匹配的準確性，設置閾值來篩選匹配結果，當距離函數計算的距離小于閾值時，即d(v,t)<閾值時，將點集與軌跡集進行匹配，其中，d表示距離函數，v表示點集，t表示軌跡集；
28、s334，先到先匹配原則：對于未能匹配到的軌跡，采用先到先匹配的原則，即根據車輛的出現順序，將未匹配到的軌跡與之前的軌跡進行匹配；
29、s335，預測軌跡位置：對于未匹配到的軌跡，利用卡爾曼濾波器或恒速模型對軌跡進行時間差為t的預測，以確定車輛的下界位置，并將未匹配到的軌跡添加到不穩定軌跡集中，根據匹配情況更新難以識別軌跡集，其中，
30、利用卡爾曼濾波器進行預測的公式為：xt＝f·xt-1+b·ut+wt，其中xt表示車輛在時刻t的狀態向量，f表示狀態轉移矩陣，b表示控制輸入矩陣，ut表示控制輸入向量，wt表示過程噪聲；
31、利用恒速模型進行預測的公式為：xt＝xt-1+v·δt，其中xt表示車輛在時刻t的位置向量，v表示車輛的速度，δt表示時間差；
32、s336，結合自由流車速模型預測上界位置：根據車輛的運行速度和自由流車速模型，預測車輛在下一幀中可能的位置。
33、所述s34具體步驟如下：
34、s341，將識別處理的區域的四個方向道路劃分為不同部分的車道，定義每個車道的編號為l，其中l∈[1,l]，l為車道總數；
35、s342，并按照車輛進入的次序將車道分成初始區域、k個中間區域和尾部區域，定義每個區域的編號為k，其中k∈[1,k+2]，k＝1代表初始區域，k＝k+2代表尾部區域，k值取決于車輛速度、車道長度、識別模型的精度；
36、s343，初始時刻t＝0，車道l的初始區域的車輛數表示為：s[l,1,0]，在每個時間步t，車道l區域k的車輛數表示為：s[l,k,t]；
37、s344，識別跳本文檔來自技高網...
【技術保護點】
1.一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述S2具體為：采用開源的訓練完成的改進后YOLOv5OBB模型，對高空交叉口監測視頻數據進行車輛目標識別，識別公式定義如下：
3.根據權利要求1所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述S3包括以下步驟：
4.根據權利要求3所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述S32具體步驟如下：
5.根據權利要求3所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述S33具體步驟如下：
6.根據權利要求3所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述S34具體步驟如下：
7.根據權利要求1所述的一種基于生成
8.根據權利要求7所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述判別器的損失函數采用二元交叉熵損失(LBCE)定義如下：
9.根據權利要求7所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述生成器學習五個跟馳行為特征變量及其時序之間的關系，所述五個跟馳行為特征變量為跟隨車速度、跟隨車加速度、跟隨車距停止線的距離、車頭間距、相對速度，生成器通過LSTM輸出跟隨車距停止線的距離這一變量的學習結果，再通過這一變量還原計算剩余四個變量，具體包括以下步驟：
10.根據權利要求7所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述判別器結構與生成器相似但輸入不需要隨機噪聲，且所述LSTM建模層為多對一結構，輸出標量為概率值用于區分數據真實性，具體包括以下步驟：
...【技術特征摘要】
1.一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述s2具體為：采用開源的訓練完成的改進后yolov5obb模型，對高空交叉口監測視頻數據進行車輛目標識別，識別公式定義如下：
3.根據權利要求1所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述s3包括以下步驟：
4.根據權利要求3所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述s32具體步驟如下：
5.根據權利要求3所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述s33具體步驟如下：
6.根據權利要求3所述的一種基于生成式對抗與長短期記憶網絡的交叉口車輛跟馳行為學習與數據增強方法，其特征在于，所述s34具體步驟如下：
7....
【專利技術屬性】
技術研發人員：朱宏，李子正，謝小龍，唐克雙，黃子炫，
申請(專利權)人：同濟大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。