一种基于人工智能的挂车实时交通信息采集与处理系统的制作方法

本发明涉及智能交通，更具体地说，它涉及一种基于人工智能的挂车实时交通信息采集与处理系统。

背景技术：

1、现有技术通常采用基于规则的方法来控制车辆行驶。这种方法通常依赖于预先定义的规则集合，根据当前道路和交通状况选择合适的规则来指导车辆行驶。然而，由于实际道路和交通情况的复杂多变，基于规则的方法往往难以涵盖所有可能出现的情况，导致控制决策的效果不佳。

2、为了解决上述问题，近年来兴起了基于数据驱动的方法，利用历史数据训练深度神经网络模型来预测和控制车辆行驶。这种方法可以从海量数据中自主学习车辆行驶的规律，不需要人工设计复杂的规则集合。通过输入当前的车辆状态、道路状况、交通信息等数据，神经网络模型可以直接输出合理的行驶策略，显示出更强的适应能力和决策质量。

技术实现思路

1、本发明提供一种基于人工智能的挂车实时交通信息采集与处理系统，能够综合利用车辆行驶信息、历史交通数据和道路图像等多模态输入，通过特征融合的神经网络模型精准预测未来车辆行驶轨迹和发生事故概率，并输出最优行驶策略，提高了决策的适应性和安全性，解决了现有技术中基于规则的方法在复杂场景下决策能力不足的技术问题。

2、本发明提供了一种基于人工智能的挂车实时交通信息采集与处理系统，包括以下步骤：

3、信息采集模块，采集挂车行驶信息，挂车行驶信息包括挂车信息、其他车辆信息、天气信息、道路信息；获取挂车历史交通数据信息；获取观测道路图像信息；

4、第一编码模块，将挂车行驶信息编码为图结构数据，图结构数据包括节点和连接节点的边；将每个节点的挂车行驶信息编码为一号序列数据，一号序列数据包括n个序列单元，第t个序列单元表示第t个时刻的所有节点的挂车行驶信息；

5、第二编码模块，将挂车历史交通数据信息编码为二号序列数据，二号序列数据包括m个序列单元，第s个序列单元表示第s个时刻的挂车历史交通数据信息；

6、挂车预测模块，将一号序列数据、二号序列数据、观测道路图像输入挂车预测模型，挂车预测模型包括第一隐藏层、第二隐藏层、第一特征融合层、第一输出层、第三隐藏层、第二输出层、第四隐藏层、第三输出层，其中第一隐藏层输入一号序列数据，输出第一隐藏状态到第二隐藏层，第二隐藏层输出第二隐藏状态到第一特征融合层，第一特征融合层输出第一融合状态到第一输出层，输出挂车行驶策略；第三隐藏层输入二号序列数据、输出第三隐藏状态到第一特征融合层和第二输出层，第二输出层输出挂车发生异常事件的概率；第四隐藏层输入观测道路图像，输出第四隐藏状态到第一特征融合层和第三输出层，第三输出层输出下一时刻所有车辆的位置。

7、在一个优选的实施方式中，第一隐藏层的计算公式如下：

8、；

9、其中表示一号序列数据的第t个序列单元的第v个节点的第一隐藏状态，是与图结构数据的节点v之间存在边的节点的集合，表示一号序列数据的第t个序列单元的第u个节点的节点特征，是一个归一化常数，表示图权重参数，表示图偏置参数，是s型函数。

10、在一个优选的实施方式中，第二隐藏层的计算公式如下：

11、；

12、其中表示第个第二隐藏状态，1，表示一号序列数据的序列数，表示第个第二隐藏状态，，表示图结构数据中所有节点的集合，和是第一、二序列权重参数，是一号序列偏置参数，tanh是双曲正切函数。

13、在一个优选的实施方式中，第三隐藏层的计算公式如下：

14、；

15、其中表示第个第三隐藏状态，1，表示二号序列数据的序列数，表示第个第三隐藏状态，表示二号序列数据中的第个序列数据，和是第三、四序列权重参数，是二号序列偏置参数，tanh是双曲正切函数。

16、在一个优选的实施方式中，第四隐藏层的计算公式如下：

17、；

18、表示第四隐藏状态，表示输入的观测道路图像，表示卷积函数。

19、在一个优选的实施方式中，第一特征融合层的计算公式如下：

20、；

21、其中，表示第一融合状态，表示拼接函数，表示求和权重矩阵，表示第个第二隐藏状态，表示第个第三隐藏状态，表示第四隐状态，表示求和偏置参数，是s型函数。

22、在一个优选的实施方式中，第一输出层的计算公式如下：

23、；

24、其中表示第一输出向量，输出向量的第i个分量表示第i个动作的概率值；所有动作的集合称为动作空间，包含了所有可能被选择的动作，表示第一融合状态，是第一输出权重参数，是第一输出偏置参数，表示s型函数；

25、第二输出层的计算公式如下：

26、；

27、其中表示第二输出向量，输出向量的两个分量分别表示挂车的驾驶和行驶行为以及挂车的驾驶和行驶行为导致异常事件发生的概率，表示第个第三隐藏状态，是第二输出权重参数，是第二输出偏置参数，表示s型函数；

28、第三输出层的计算公式如下：

29、；

30、其中表示第三输出向量，向量的第f个分量表示第f个车辆下一时刻的位置坐标，表示第四隐藏状态，是第三输出权重参数，是第三输出偏置参数，表示s型函数。

31、在一个优选的实施方式中，第四隐藏层结合第三输出层进行训练，通过真实的车辆位置坐标来不断优化预测的车辆的位置坐标，训练模型具有自动校准车辆位置的能力；训练的损失函数公式如下：

32、；

33、其中表示损失值，表示训练样本总数，表示第q个车辆的真实位置坐标，表示模型输出的第q个车辆的预测位置坐标；

34、第三隐藏层结合第二输出层进行训练，训练模型具有判断挂车行驶过程中发生异常事件的能力；训练的损失函数公式如下：

35、；

36、其中表示损失值，表示模型预测的异常事件概率，表示实际发生的异常事件，发生则为1，未发生则为0。

37、在一个优选的实施方式中，挂车预测模型训练时只使用第一输出层，训练的步骤包括：

38、步骤101，构建目标网络，目标网络复制挂车预测模型；

39、步骤102，从经验池中随机获取一个经验，经验包括e时刻的状态，e时刻执行的动作、e+1时刻的状态，执行动作获得的奖励；

40、e和e+1时刻的状态分别表示挂车预测模型输入的第e个和e+1个时刻的挂车行驶信息；

41、然后计算状态下目标网络输出的对应于的概率值；

42、；

43、表示下目标网络输出的最大的概率值；

44、步骤103，根据和求损失值loss，更新挂车预测模型；

45、；

46、表示下挂车预测模型输出的对应于的概率值；

47、是折扣因子，是一个介于0和1之间的值；

48、步骤104，每隔固定的网络更新次数，更新目标网络，使其参数与当前的挂车预测模型的参数相同；

49、步骤105，直至采集的经验数达到设定的阈值或者挂车预测模型收敛，终止步骤。

50、一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如上述的一种基于人工智能的挂车实时交通信息采集与处理系统。

51、本发明的有益效果在于：

52、通过深度学习模型自主从大量历史数据中学习车辆行驶规律，不再依赖人工设计规则，具有更强的泛化和适应能力，能够有效应对复杂多变的实际道路和交通情况。

53、融合利用车辆行驶信息、历史交通数据、道路图像，通过神经网络模型进行特征融合，能够全面综合各种因素，对未来车辆轨迹和事故概率进行精准预测，为制定最优行驶决策提供了有力支持。

技术特征：

1.一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第一隐藏层的计算公式如下：

3.根据权利要求2所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第二隐藏层的计算公式如下：

4.根据权利要求1所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第三隐藏层的计算公式如下：

5.根据权利要求1所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第四隐藏层的计算公式如下：

6.根据权利要求1所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第一特征融合层的计算公式如下：

7.根据权利要求6所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第一输出层的计算公式如下：

8.根据权利要求7所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，第四隐藏层结合第三输出层进行训练，通过真实的车辆位置坐标来不断优化预测的车辆的位置坐标，训练模型具有自动校准车辆位置的能力；训练的损失函数公式如下：

9.根据权利要求7所述的一种基于人工智能的挂车实时交通信息采集与处理系统，其特征在于，挂车预测模型训练时只使用第一输出层，训练的步骤包括：

10.一种存储介质，其存储了非暂时性计算机可读指令，其特征在于，当非暂时性计算机可读指令由计算机执行时，能够运行如权利要求1-9任一所述的一种基于人工智能的挂车实时交通信息采集与处理系统。

技术总结
本发明涉及智能交通技术领域，公开了一种基于人工智能的挂车实时交通信息采集与处理系统，包括以下步骤：采集挂车行驶信息，获取挂车历史交通数据信息，获取观测道路图像信息；将挂车行驶信息编码为图结构数据，图结构数据包括节点和连接节点的边，将每个节点的挂车行驶信息编码为一号序列数据；将挂车历史交通数据信息编码为二号序列数据；将一号序列数据、二号序列数据、观测道路图像输入挂车预测模型，输出挂车行驶策略。本发明能够实现挂车的路径预测以及根据历史挂车交通信息判断挂车发生异常事件的概率，提高了挂车的行驶效率和安全性。

技术研发人员：杨奉钦,田忠猛,李文静,邓祥祥,李臣,杨万里,宋萍,曾祥静
受保护的技术使用者：通亚汽车制造有限公司
技术研发日：
技术公布日：2024/12/5