【技術實現步驟摘要】
本專利技術涉及交通安全設施，尤其涉及一種基于深度學習的道路分級限速方法、設備及存儲介質。
技術介紹
1、高速公路以其高效、快捷的特點為車輛的順暢行駛提供了良好的條件，但交通事故頻率也不斷上升。已有研究表明，高速公路50%的非常發性擁堵是由交通事故引起的。為解決上述問題，近年來，許多學者提出利用可變限速控制（variable?speed?limits，vsl），通過路側情報板發布合理限速值，對事故瓶頸區的交通流進行干預，有效提升通行效率，已成為目前主流方法之一。既有研究通過構建各類數學模型探究限速值的準確性，缺少對分級限速設置位置、限速值降幅、情報板間距以及與事故瓶頸區的緩沖距離等的綜合考慮。
技術實現思路
1、本專利技術的主要目的在于提供一種基于深度學習的道路分級限速方法、設備及存儲介質，旨在解決上述技術問題。
2、為實現上述目的，本專利技術提供一種基于深度學習的道路分級限速方法。
3、所述基于深度學習的道路分級限速方法包括以下步驟：
4、獲取高速公路流量參數，并將所述高速公路流量參數輸入至策略模型中，所述策略模型基于所述高速公路流量參數輸出分級限速策略；
5、將所述分級限速策略輸入至評價模型中，所述評價模型輸出分級限速的評價指標；
6、根據所述評價指標并基于所述分級限速策略調整設置于高速公路旁側的限速指示標志。
7、在一實施例中，所述將所述高速公路流量參數輸入至策略模型中，所述策略模型基于所述高速公路流量參數
8、通過1維卷積將高速公路流量參數的維度變換到64維度，進而變換到128進行升維，在128維度進行線性變換，然后映射到64維度，最后映射到輸出變量維度上；
9、將輸入數據和輸出數據進行融合拼接，作為評價模型的輸入。
10、在一實施例中，所述所述通過1維卷積將高速公路流量參數的維度變換到64維度，進而變換到128進行升維，在128維度進行線性變換，然后映射到64維度，最后映射到輸出變量維度上步驟的公式為：
11、；
12、其中，表示第i級的輸出結果，式第級的卷積層，?是第級的的結果。
13、在一實施例中，所述將所述分級限速策略輸入至評價模型中，所述評價模型輸出分級限速的評價指標的步驟包括：
14、初始化隱藏狀態和細胞狀態，并將輸入分級限速策略數據傳入lstm層；
15、根據輸入數據和前一時刻的隱藏狀態，計算輸入門、遺忘門和輸出門的值；
16、計算候選細胞狀態：
17、，其中，為計算候選細胞狀態的、權重矩陣和偏置項；
18、更新細胞狀態：，其中，為更新后的細胞狀態；
19、更新隱藏狀態：根據輸出門和更新后的細胞狀態，更新隱藏狀態，其中，為更新后的隱藏狀態；
20、輸出最后一個時間步的隱藏狀態。
21、在一實施例中，所述根據輸入數據和前一時刻的隱藏狀態，計算輸入門、遺忘門和輸出門的值的計算公式為：
22、；
23、；
24、?；
25、其中，為輸入門、的權重矩陣和偏置項；：遺忘門、的權重矩陣和偏置項；為輸出門、的權重矩陣和偏置項。
26、在一實施例中，所述計算候選細胞狀態的計算公式為：
27、；
28、其中，為計算候選細胞狀態的、權重矩陣和偏置項。
29、此外，為實現上述目的，本專利技術還提供一種基于深度學習的道路分級限速方法，所述基于深度學習的道路分級限速方法包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的道路分級限速程序，所述道路分級限速程序被所述處理器執行時實現如上所述的道路分級限速方法的步驟。
30、此外，為實現上述目的，本專利技術還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有道路分級限速程序，所述道路分級限速程序被處理器執行時實現如上所述的道路分級限速方法的步驟
31、本專利技術所能實現的有益效果：本專利技術實施例提出的一種基于深度學習的道路分級限速方法，通過獲取高速公路流量參數，并將所述高速公路流量參數輸入至策略模型中，策略模型能夠快速輸出分級限速策略；并通過評價模型對分級限速策略輸出評價指標，在評價指標符合要求后，可以根據分級限速策略調整設置于高速公路旁側的限速指示標志，可以有效提升交通流暢度，本申請基于深度學習的高速公路分級限速方法具有可靠性高、成本低、可擴展性強的優勢。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的道路分級限速方法，其特征在于，所述基于深度學習的道路分級限速方法包括以下步驟：
2.根據權利要求1所述的基于深度學習的道路分級限速方法，其特征在于，所述將所述高速公路流量參數輸入至策略模型中，所述策略模型基于所述高速公路流量參數輸出分級限速策略的步驟包括：
3.根據權利要求2所述的基于深度學習的道路分級限速方法，其特征在于，所述所述通過1維卷積將高速公路流量參數的維度變換到64維度，進而變換到128進行升維，在128維度進行線性變換，然后映射到64維度，最后映射到輸出變量維度上步驟的公式為：
4.根據權利要求3所述的基于深度學習的道路分級限速方法，其特征在于，所述將所述分級限速策略輸入至評價模型中，所述評價模型輸出分級限速的評價指標的步驟包括：
5.根據權利要求4所述的基于深度學習的道路分級限速方法，其特征在于，所述根據輸入數據和前一時刻的隱藏狀態，計算輸入門、遺忘門和輸出門的值的計算公式為：
6.根據權利要求4所述的基于深度學習的道路分級限速方法，其特征在于，所述計算候選細胞狀態的計算公式為：p>
7.一種基于深度學習的道路分級限速設備，其特征在于，所述基于深度學習的道路分級限速設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的道路分級限速程序，所述道路分級限速程序被所述處理器執行時實現如權利要求1至6中任一項所述的道路分級限速方法的步驟。
8.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有道路分級限速程序，所述道路分級限速程序被處理器執行時實現如權利要求1至6中任一項所述的道路分級限速方法的步驟。
...【技術特征摘要】
1.一種基于深度學習的道路分級限速方法，其特征在于，所述基于深度學習的道路分級限速方法包括以下步驟：
2.根據權利要求1所述的基于深度學習的道路分級限速方法，其特征在于，所述將所述高速公路流量參數輸入至策略模型中，所述策略模型基于所述高速公路流量參數輸出分級限速策略的步驟包括：
3.根據權利要求2所述的基于深度學習的道路分級限速方法，其特征在于，所述所述通過1維卷積將高速公路流量參數的維度變換到64維度，進而變換到128進行升維，在128維度進行線性變換，然后映射到64維度，最后映射到輸出變量維度上步驟的公式為：
4.根據權利要求3所述的基于深度學習的道路分級限速方法，其特征在于，所述將所述分級限速策略輸入至評價模型中，所述評價模型輸出分級限速的評價指標的步驟包括：
5.根據...
【專利技術屬性】
技術研發人員：李瀟湘，王芳，柳穩強，樂星辰，
申請(專利權)人：浙大城市學院濱江創新中心，
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。