基于shockwave交通流模型的感知数据补全方法与流程

1.本发明属于交通感知数据挖掘领域，特别是一种基于shockwave交通流模型的感知数据补全方法。


背景技术：

2.随着道路交通环境的日益复杂以及城市化进程的加速，对道路交通管理的要求越来越高。在各业务场景中，准确感知目标特征、行为、环境特征以及属性，可以为用户业务应用、大数据分析实现交通精细化治理等提供基础数据。
3.视频和雷达是当前主流的两者交通感知手段，但无论那种感知手段，都存在其技术瓶颈。视频在低照度、雨、雪等异常条件的检测效果不佳，检测目标速度、位置等物理信息的精度不足，检测范围和距离受限。雷达技术具有定位精度准、空间分辨率高、检测距离远的优势，但在实际应用中，由于大量无关物体的干扰以及雷达设备本身的问题，雷达数据间断和重复现象严重，常常难以准确刻画道路上每一辆车的运行轨迹。因此如何融合各类感知手段提供的信息，实现感知数据信息的补全，从而实现感知精度的提升是亟待解决的问题。


技术实现要素：

4.本发明的目的在于针对现有技术存在的问题，提供一种基于shockwave交通流模型的感知数据补全方法，利用交通流模型建立车辆轨迹的解析表达，并利用贝叶斯网络基于采样数据对未知参数进行推断，采用模型数据双驱动的方法实现感知数据的补全。
5.实现本发明目的的技术解决方案为：一种基于shockwave交通流模型的感知数据补全方法，所述方法包括以下步骤：
6.步骤1，从原始交通感知数据中筛选车辆轨迹；
7.步骤2，利用shockwave交通流模型建立推理分析模型，将车辆轨迹解析表达，获取参数间的解析表达关系；
8.步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，统计描述观察变量和未观察变量之间的关系，用于参数学习、交通量与行程时间等交通状态的估计；
9.步骤4，基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，完成未知参数估计，实现数据信息补全。
10.进一步地，步骤1中原始交通感知数据采用雷达轨迹数据，由于雷达数据间断和重复现象严重，难以准确刻画道路上每一辆车的运行轨迹，则筛选车辆轨迹具体为：
11.通过视频数据识别的交通流轨迹作为真值，依此制定雷达轨迹数据筛选规则：轨迹点数量大于4，轨迹点的速度方向保持一致，最后一个轨迹点的速度大于“零”，停车线处轨迹点的x与y位置处于车道线内。
12.进一步地，步骤2中所述的shockwave交通流模型中流量，密度，速度三参数的关系采用三角形的基本图模型进行建模；
13.通过shockwave交通流模型，得到在第i
th
个信号周期，ni辆车进入交叉口和路段后对应的交通状态的变化状态(q
a,i
,k
a,i
)和拥堵状态(0,kj)，以及拥堵状态(0,kj)与最大交通量状态(q
max
,kc)间的连线的解析分别为ω
a,i
和ω：
[0014][0015][0016]
其中，q
a,i
为第i
th
个信号周期的流量，k
a,i
为第i
th
个信号周期的密度，kj为拥堵状态的密度，kc为最大交通量状态下的临界密度，q
max
为最大交通量，vf为自由流速度；
[0017]
计算第i个周期车辆会遭遇延误的临界时间t
c,i
，表示为:
[0018][0019]
其中，ri为第i个周期的红灯时长；
[0020]
若第i个周期被采样的第j辆车v
ij
进入交叉口的时间为t
ij
，车辆v
ij
的延误可表示为
[0021][0022]
车辆v
ij
的旅行时间t
ij
为交叉口延误d
ij
与自由流旅行时间l
·
pf的总和:
[0023][0024]
其中，l表示交叉口上游位置与下游位置之间的距离，pf为自由流速度vf的倒数。
[0025]
进一步地，基于步骤2中对交通参数如车辆到达时间和行程时间之间的关系的分析。使用雷视融合数据作为真实车辆轨迹的采样，制定两阶段的贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系。步骤3中建立两阶段的贝叶斯网络模型，具体包括：
[0026]
(1)第一阶段：
[0027]
设可通过感知的速度数据对交叉口车辆运行的自由流速度进行标定，考虑车辆在路段上的行驶过程，利用车辆进入交叉口前的轨迹采样，利用高斯混合模型对路段的自由流速度分布进行拟合，表示为pf的联合概率分布
[0028][0029]
其中μ1,μ2,σ1,σ2分别为两个高斯分布的均值和标准差，π1为两个高斯分布混合的权重参数；
[0030]
设混合高斯分布的概率分布为其中分别为混合高斯分布的均值和方差；
[0031]
(2)第二阶段：
[0032]
研究交叉口的shockwave交通流模型，将ni表示为交叉口的车辆数，假设每个信号周期进入交叉路口或路段的车辆数量遵循泊松分布，将交叉口车辆数ni的概率密度表示为q(ni；λ):
[0033][0034]
其中，λ为泊松分布参数，表示车辆的平均到达率；
[0035]
车辆的旅行时间可用与自由流速度同样的概率分布进行表达；
[0036]
对于遭遇延误的车辆，考虑公式(4)中车辆延误的解析表达，车辆v
ij
在交叉口的旅行时间t
ij
表示为:
[0037][0038]
对于没有延误的车辆，其旅行时间为:
[0039][0040]
其中，q
a,i
通过下式计算，ci为第i个信号周期的长度:
[0041][0042]
因此，车辆v
ij
的旅行时间t
ij
的分布可以根据参数λ,ni,μ1,μ2,σ1,σ2,π1和q
max
进行标定，其中q
max
可利用视频检测结果进行估计，t
ij
和可以从被采样车辆的轨迹中提取。t
ij
服从中的联合分布:由此可以进一步得到旅行时间t
ij
的概率密度函数对于遭遇延误的车辆表示为:
[0043][0044]
或者对于没有延误的车辆，
[0045][0046]
假设ti为第i个周期被采样车辆的交叉口行驶时间集合，因此，对于第i个信号周期，ni和的联合概率密度为:
[0047][0048]
其中，mi为第i个周期被采样车辆的总数；
[0049]
最后，得到所有信号周期所有车辆的联合概率分布为:
[0050][0051]
其中，t为所有周期被采样车辆的交叉口行驶时间集合。
[0052]
进一步地，步骤4中基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，具体采用expectation-maximization算法即em算法进行求解，过程包括：
[0053]
步骤4-1，初始化参数π,μ1,σ
12
,μ2,σ
22
；
[0054]
步骤4-2，在e步，依据参数π,μ1,σ
12
,μ2,σ
22
得到第一阶段自由流速度分布，之后对于第二阶段，ni被估计为:
[0055][0056]
其中，qi(ni)是在以为条件的情况下的后验分布；
[0057]
通过贝叶斯规则,qi(ni＝ni'|ti；λ,μ
pf
,σ
pf
)表示为：
[0058][0059]
在m步，使用雷达与视频轨迹数据和e步的输出ni进行计算，通过最大化整个贝叶斯推理的似然函数以优化更新参数λ,π,μ1,σ
12
,μ2,σ
22
：
[0060][0061]
步骤4-3，重复进行e步和m步，直到贝叶斯网络收敛，得到单个信号周期内的车辆到达率与车辆通过率的估计，完成数据信息补全。
[0062]
本发明与现有技术相比，其显著优点：针对现实情况中感知数据往往只能覆盖全部交通量和车辆轨迹的一小部分的低采样率情况，采用模型数据双驱动的方法，在雷视融合感知数据的基础上，结合shockwave交通流模型建立两阶段的交通流的推理分析模型，并利用贝叶斯网络基于采样数据对未知参数进行推断，从而有效实现感知数据信息的补全，
为交通状况的精准研判奠定基础。
[0063]
下面结合附图对本发明作进一步详细描述。
附图说明
[0064]
图1是本发明基于shockwave交通流模型的感知数据补全方法的流程示意图。
[0065]
图2是本发明完整轨迹筛选的示意图。
[0066]
图3是本发明一个实施例三角形的基本模型。
[0067]
图4是本发明的一个实施场景示意图。
[0068]
图5是本发明使用em算法对贝叶斯网络进行迭代求解的示意图。
具体实施方式
[0069]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0070]
需要说明，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
[0071]
在一个实施例中，结合图1，提供了一种基于shockwave交通流模型的感知数据补全方法，包括如下步骤：
[0072]
步骤1，从原始交通感知数据中筛选出较为完整的轨迹，利用这部分完整的轨迹作为整体的采样，用于后续的参数估计。
[0073]
采用苏州市某交叉口的雷达数据，由于雷达数据间断和重复现象严重，难以准确刻画道路上每一辆车的运行轨迹，如图2所示，通过视频数据识别的交通流轨迹作为真值，依此制定雷达数据筛选规则为：轨迹点数量大于4个，轨迹点的速度方向保持一致，最后一个轨迹点的速度大于“零”，停车线处轨迹点的x与y位置处于车道线内。
[0074]
步骤2，利用shockwave交通流模型建立推理分析模型，将车辆的时空轨迹解析表达，从而推导出参数间的解析表达关系。
[0075]
采用如图3所示的三角形的基本模型对路段和交叉口的车辆进行建模。通过shockwave交通流模型，可得到在第i
th
个信号周期，ni辆车进入交叉口和路段后对应的交通状态的变化(q
a,i
,k
a,i
)，状态(q
a,i
,k
a,i
)和拥堵状态(0,kj)，以及拥堵状态(0,kj)与最大交通量状态(q
max
,kc)间的连线的解析分别为ω
a,i
和ω：
[0076][0077]
[0078]
其中q
a,i
为第i
th
个信号周期的流量，k
a,i
为第i
th
个信号周期的密度，kj为拥堵状态的密度，kc为最大交通量状态下的临界密度，q
max
为最大交通量，vf为自由流速度。
[0079]
计算出第i个周期车辆会遭遇延误的临界时间t
c,i
可以表示为:
[0080][0081]
其中ri为第i个周期的红灯时长。
[0082]
若第i个周期被采样的第j辆车v
ij
进入交叉口的时间为t
ij
，车辆v
ij
的延误可以表示为:
[0083][0084]
车辆v
ij
的旅行时间是交叉口延误d
ij
与自由流旅行时间l
·
pf的总和:
[0085][0086]
其中l表示交叉口上游位置与下游位置之间的距离，pf为自由流速度vf的倒数。
[0087]
步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系，用于参数学习、交通量与行程时间等交通状态的估计。
[0088]
如图4所示的实施场景，现实中的感知数据往往只能覆盖全部交通量和车辆轨迹的一小部分，因此本发明使用雷视数据融合作为真实车辆轨迹的采样，制定了贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系。
[0089]
第一阶段：
[0090]
对于第一阶段，假设可以通过感知的速度数据对交叉口车辆运行的自由流速度进行标定，考虑车辆在路段上的行驶过程，利用车辆进入交叉口前的轨迹采样，利用高斯混合模型对路段的自由流速度分布进行拟合，表示为pf的联合概率分布
[0091][0092]
其中μ1,μ2,σ1,σ2分别为两个高斯分布的均值和标准差，π1为两个高斯分布混合的权重参数。
[0093]
假设混合高斯分布的概率分布为其中分别为混合高斯分布的均值和方差。
[0094]
第二阶段：
[0095]
在第二阶段，研究交叉口的shockwave交通流模型，将ni表示为交叉口的车辆数，假设每个信号周期进入交叉路口或路段的车辆数量遵循泊松分布，因此交叉口车辆数ni的概率密度可以表示为q(ni；λ):
[0096][0097]
车辆的旅行时间可以用与自由流速度同样的概率分布进行表达。
[0098]
对于遭遇延误的车辆，考虑公式(21)中车辆延误的解析表达，车辆v
ij
在交叉口的旅行时间t
ij
可以表示为:
[0099][0100]
对于没有延误的车辆，其旅行时间为:
[0101][0102]
其中，q
a,i
可以通过下式计算，ci为第i个信号周期的长度:
[0103][0104]
因此，车辆v
ij
的旅行时间t
ij
的分布可以根据参数λ,ni,μ1,μ2,σ1,σ2,π1和q
max
进行标定，其中q
max
可利用视频检测结果进行估计，t
ij
和可以从被采样车辆的轨迹中提取。t
ij
服从中的联合分布:由此可以进一步得到旅行时间t
ij
的概率密度函数对于遭遇延误的车辆，可以表示为:
[0105][0106]
或者对于没有延误的车辆,
[0107][0108]
假设ti为第i个周期被采样车辆的交叉口行驶时间集合，因此，对于第i个信号周期,ni和的联合概率密度为:
[0109]
[0110]
其中mi为第i个周期被采样车辆的总数。
[0111]
最后，得到所有信号周期所有车辆的联合概率分布为:
[0112][0113]
其中t为所有周期被采样车辆的交叉口行驶时间集合
[0114]
步骤4，利用融合轨迹数据，使用em(expectation-maximization)算求解贝叶斯网络，完成未知参数估计，实现数据信息补全。
[0115]
利用雷达轨迹数据与视频轨迹数据，使用em(expectation-maximization)算进行求解。
[0116]
首先初始化参数π,μ1,σ
12
,μ2,σ
22
。
[0117]
在e步，首先依据参数π,μ1,σ
12
,μ2,σ
22
得到第一阶段自由流速度分布，之后对于第二阶段，ni可以被估计为:
[0118][0119]
这里，qi(ni)是在以为条件的情况下的后验分布。
[0120]
通过贝叶斯规则,qi(ni＝ni'|ti；λ,μ
pf
,σ
pf
)可以表示为:
[0121][0122]
接下来，在m步中,使用雷达与视频轨迹数据和e步的输出ni进行计算，通过最大化整个贝叶斯推理的似然函数以优化更新参数λ,π,μ1,σ
12
,μ2,σ
22
。
[0123][0124]
之后重复进行e步和m步，直到贝叶斯网络收敛，得到单个信号周期内的车辆到达率与车辆通过率的估计，完成数据信息补全。
[0125]
如图5所示为em算法迭代示意图，通过视频数据对比，一个信号周期内，交叉口实际的车辆到达为16辆与17辆，通过交叉口的车辆为15和16辆，与贝叶斯网络估计的结果相吻合。
[0126]
在一个实施例中，提供了一种基于shockwave交通流模型的感知数据补全系统，所述系统包括依次执行的：
[0127]
第一模块，用于从原始交通感知数据中筛选车辆轨迹；
[0128]
第二模块，用于利用shockwave交通流模型建立推理分析模型，将车辆轨迹解析表达，获取参数间的解析表达关系；
[0129]
第三模块，用于建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，统计描述观察变量和未观察变量之间的关系，用于估计交通状态；
[0130]
第四模块，用于基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，完成未知参数估计，实现数据信息补全。
[0131]
关于基于shockwave交通流模型的感知数据补全系统的具体限定可以参见上文中对于基于shockwave交通流模型的感知数据补全方法的限定，在此不再赘述。上述基于
shockwave交通流模型的感知数据补全系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0132]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
[0133]
步骤1，从原始交通感知数据中筛选出较为完整的轨迹，利用这部分完整的轨迹作为整体的采样，用于后续的参数估计。
[0134]
步骤2，利用shockwave交通流模型建立推理分析模型，将车辆的时空轨迹解析表达，从而推导出参数间的解析表达关系。
[0135]
步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系，用于参数学习、交通量与行程时间等交通状态的估计。
[0136]
步骤4，利用融合轨迹数据，使用em(expectation-maximization)算求解贝叶斯网络，完成未知参数估计，实现数据信息补全。
[0137]
关于每一步的具体限定可以参见上文中对于基于shockwave交通流模型的感知数据补全方法的限定，在此不再赘述。
[0138]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0139]
步骤1，从原始交通感知数据中筛选出较为完整的轨迹，利用这部分完整的轨迹作为整体的采样，用于后续的参数估计。
[0140]
步骤2，利用shockwave交通流模型建立推理分析模型，将车辆的时空轨迹解析表达，从而推导出参数间的解析表达关系。
[0141]
步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系，用于参数学习、交通量与行程时间等交通状态的估计。
[0142]
步骤4，利用融合轨迹数据，使用em(expectation-maximization)算求解贝叶斯网络，完成未知参数估计，实现数据信息补全。
[0143]
关于每一步的具体限定可以参见上文中对于基于shockwave交通流模型的感知数据补全方法的限定，在此不再赘述。
[0144]
以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于shockwave交通流模型的感知数据补全方法，其特征在于，所述方法包括以下步骤：步骤1，从原始交通感知数据中筛选车辆轨迹；步骤2，利用shockwave交通流模型建立推理分析模型，将车辆轨迹解析表达，获取参数间的解析表达关系；步骤3，建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，统计描述观察变量和未观察变量之间的关系，用于交通状态的估计；步骤4，基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，完成未知参数估计，实现数据信息补全。2.根据权利要求1所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤1中原始交通感知数据采用雷达轨迹数据，筛选车辆轨迹具体为：通过视频数据识别的交通流轨迹作为真值，依此制定雷达轨迹数据筛选规则：轨迹点数量大于设定阈值，轨迹点的速度方向保持一致，最后一个轨迹点的速度大于“零”，停车线处轨迹点的x与y位置处于车道线内。3.根据权利要求2所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，所述设定阈值为4。4.根据权利要求1所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤2中所述的shockwave交通流模型中流量，密度，速度三参数的关系采用三角形的基本图模型进行建模；通过shockwave交通流模型，得到在第i
th
个信号周期，n
i
辆车进入交叉口和路段后对应的交通状态的变化状态(q
a,i
,k
a,i
)和拥堵状态(0,k
j
)，以及拥堵状态(0,k
j
)与最大交通量状态(q
max
,k
c
)间的连线的解析分别为ω
a,i
和ω：和ω：其中，q
a,i
为第i
th
个信号周期的流量，k
a,i
为第i
th
个信号周期的密度，k
j
为拥堵状态的密度，k
c
为最大交通量状态下的临界密度，q
max
为最大交通量，v
f
为自由流速度；计算第i个周期车辆会遭遇延误的临界时间t
c,i
，表示为:其中，r
i
为第i个周期的红灯时长；若第i个周期被采样的第j辆车v
ij
进入交叉口的时间为t
ij
，车辆v
ij
的延误可表示为的延误可表示为车辆v
ij
的旅行时间t
ij
为交叉口延误d
ij
与自由流旅行时间l
·
p
f
的总和:
其中，l表示交叉口上游位置与下游位置之间的距离，p
f
为自由流速度v
f
的倒数。5.根据权利要求4所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤3中建立两阶段的贝叶斯网络模型，具体包括：(1)第一阶段：设可通过感知的速度数据对交叉口车辆运行的自由流速度进行标定，考虑车辆在路段上的行驶过程，利用车辆进入交叉口前的轨迹采样，利用高斯混合模型对路段的自由流速度分布进行拟合，表示为p
f
的联合概率分布的联合概率分布其中μ1,μ2,σ1,σ2分别为两个高斯分布的均值和标准差，π1为两个高斯分布混合的权重参数；设混合高斯分布的概率分布为其中分别为混合高斯分布的均值和方差；(2)第二阶段：将n
i
表示为交叉口的车辆数，假设每个信号周期进入交叉路口或路段的车辆数量遵循泊松分布，将交叉口车辆数n
i
的概率密度表示为q(n
i
；λ):其中，λ为泊松分布参数，表示车辆的平均到达率；车辆的旅行时间可用与自由流速度同样的概率分布进行表达；对于遭遇延误的车辆，考虑公式(4)中车辆延误的解析表达，车辆v
ij
在交叉口的旅行时间t
ij
表示为:对于没有延误的车辆，其旅行时间为:其中，q
a,i
通过下式计算，c
i
为第i个信号周期的长度:由此进一步得到旅行时间t
ij
的概率密度函数对于遭遇延误的车辆，表示为:
或者对于没有延误的车辆，假设t
i
为第i个周期被采样车辆的交叉口行驶时间集合，因此，对于第i个信号周期，n
i
和的联合概率密度为:其中，m
i
为第i个周期被采样车辆的总数；最后，得到所有信号周期所有车辆的联合概率分布为:其中，t为所有周期被采样车辆的交叉口行驶时间集合。6.根据权利要求5所述的基于shockwave交通流模型的感知数据补全方法，其特征在于，步骤4中基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，具体采用expectation-maximization算法即em算法进行求解，过程包括：步骤4-1，初始化参数π,μ1,σ
12
,μ2,σ
22
；步骤4-2，在e步，依据参数π,μ1,σ
12
,μ2,σ
22
得到第一阶段自由流速度分布，之后对于第二阶段，n
i
被估计为:其中，q
i
(n
i
)是在以为条件的情况下的后验分布；通过贝叶斯规则,q
i
(n
i
＝n
i
'|t
i
；λ,μ
pf
,σ
pf
)表示为：
在m步，使用雷达与视频轨迹数据和e步的输出n
i
进行计算，通过最大化整个贝叶斯推理的似然函数以优化更新参数λ,π,μ1,σ
12
,μ2,σ
22
：步骤4-3，重复进行e步和m步，直到贝叶斯网络收敛，得到单个信号周期内的车辆到达率与车辆通过率的估计，完成数据信息补全。7.基于权利要求1至6任意一项所述方法的基于shockwave交通流模型的感知数据补全系统，其特征在于，所述系统包括依次执行的：第一模块，用于从原始交通感知数据中筛选车辆轨迹；第二模块，用于利用shockwave交通流模型建立推理分析模型，将车辆轨迹解析表达，获取参数间的解析表达关系；第三模块，用于建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，统计描述观察变量和未观察变量之间的关系，用于估计交通状态；第四模块，用于基于雷达轨迹数据与视频轨迹数据的融合轨迹数据，求解贝叶斯网络模型，完成未知参数估计，实现数据信息补全。8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述方法的步骤。

技术总结
本发明公开了一种基于shockwave交通流模型的感知数据补全方法，包括如下步骤：从原始交通感知数据中筛选出较为完整的轨迹作为采样输入；利用shockwave交通流模型建立推理分析模型，将车辆的时空轨迹解析表达；建立两阶段的贝叶斯网络模型，通过贝叶斯推理框架，以统计描述观察变量和未观察变量之间的关系；利用融合轨迹数据，使用EM算求解贝叶斯网络，完成未知参数估计，实现数据信息补全。本发明针对现实情况中感知数据低采样率的情况，采用模型数据双驱动的方法，在雷视融合感知数据的基础上，结合shockwave交通流模型，并利用贝叶斯网络基于采样数据对未知参数进行推断，从而有效实现感知数据信息的补全。效实现感知数据信息的补全。效实现感知数据信息的补全。


技术研发人员：万剑 刘昊东 江岸峰 丁闪闪 陈景旭 姜圣 黄凯 吴岚 刘志远 党倩 刁含楼 张霁扬 华禹凯 张明
受保护的技术使用者：华设设计集团股份有限公司
技术研发日：2022.12.30
技术公布日：2023/7/31