基于車輛軌跡分析的交通場(chǎng)景感知與預(yù)測(cè)

發(fā)布時(shí)間：2020-11-09 23:31

　　交通場(chǎng)景的感知與預(yù)測(cè)主要包括交通流參數(shù)獲取、交通異常行為識(shí)別以及交通擁堵狀態(tài)預(yù)測(cè)等內(nèi)容,是各國交通領(lǐng)域?qū)W者關(guān)注和研究的熱點(diǎn)范疇之一。由于交通場(chǎng)景復(fù)雜、多變且易受天氣、交通參與者的影響,精確地感知與預(yù)測(cè)交通場(chǎng)景面臨著巨大的挑戰(zhàn)。車輛軌跡具有可視化、易理解、全天時(shí)、全天候的特點(diǎn),因此,分析其豐富的時(shí)空特征為交通場(chǎng)景的感知與預(yù)測(cè)提供了新思路。本文主要通過提取、分析視頻場(chǎng)景中的車輛軌跡及浮動(dòng)車GPS軌跡進(jìn)行交通場(chǎng)景的感知與預(yù)測(cè),研究?jī)?nèi)容主要包括:(1)針對(duì)交通場(chǎng)景視頻數(shù)據(jù),構(gòu)建了一種基于車輛軌跡分析的交叉口交通流參數(shù)獲取方法。首先,利用K-Means聚類算法分析車輛軌跡特征,得到城市交叉口的路口區(qū)域和車輛移動(dòng)模式,以此實(shí)現(xiàn)對(duì)交叉口各區(qū)域交通流參數(shù)的統(tǒng)計(jì)。由于上述方法需要手動(dòng)設(shè)置輸入?yún)?shù),本文又設(shè)計(jì)了一種基于支持向量機(jī)的路口車輛運(yùn)動(dòng)方向識(shí)別方法,通過獲取車輛左轉(zhuǎn)、右轉(zhuǎn)和直行等運(yùn)動(dòng)特征,實(shí)現(xiàn)城市交叉口各方向交通流參數(shù)的自動(dòng)獲取。(2)針對(duì)交通場(chǎng)景視頻數(shù)據(jù),研究了一種基于軌跡分析的車輛異常行為檢測(cè)方法。首先根據(jù)相機(jī)標(biāo)定技術(shù),獲得圖像中車輛軌跡在3D空間道路平面的逆投影,然后通過分析軌跡運(yùn)動(dòng)特征,實(shí)現(xiàn)了基于個(gè)體軌跡模式的車輛異常行為檢測(cè)。由于上述方法的主動(dòng)性較弱,本文又構(gòu)建了一種基于運(yùn)動(dòng)軌跡矢量場(chǎng)的車輛異常行為檢測(cè)方法,通過對(duì)車輛軌跡特征投票建立運(yùn)動(dòng)軌跡矢量場(chǎng),以此實(shí)現(xiàn)車輛異常行為及運(yùn)動(dòng)趨勢(shì)的檢測(cè)。(3)針對(duì)交通場(chǎng)景浮動(dòng)車GPS數(shù)據(jù),搭建了一種基于車輛軌跡分析的城市道路交通流擁堵預(yù)測(cè)模型。首先利用K-Means算法對(duì)軌跡樣本數(shù)據(jù)進(jìn)行聚類分析獲得實(shí)際的交通流狀態(tài),其次建立基于深度學(xué)習(xí)網(wǎng)絡(luò)的交通流狀態(tài)擁堵預(yù)測(cè)模型LSTM-CNN,并將車輛軌跡轉(zhuǎn)換為一系列的靜態(tài)圖像,以滿足卷積神經(jīng)網(wǎng)絡(luò)的輸入特征,最后通過訓(xùn)練和優(yōu)化模型實(shí)現(xiàn)對(duì)城市道路未來一段時(shí)間內(nèi)交通流擁堵狀態(tài)的預(yù)測(cè)。最后,本文利用各種典型的交通場(chǎng)景數(shù)據(jù)來驗(yàn)證上述方法,結(jié)果表明,文中基于車輛運(yùn)動(dòng)軌跡分析的交通場(chǎng)景感知與預(yù)測(cè)方法具有較高的準(zhǔn)確率和較好的實(shí)用性。
【學(xué)位單位】：長(zhǎng)安大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U495
【部分圖文】：