本发明属于智能交通信息，具体涉及一种考虑交通事件信息的高速公路拥堵消散时间预测方法。
背景技术：
1、随着城市间高速公路的建设和车辆家庭保有量的上升，高速公路上在异常事件下对交通拥堵消散的时间预测显得尤为重要，能够为后续高速公路的管控提供技术支持。
2、现有的交通预测方法能够对道路交通流信息进行预测、对交通态势进行研判，并且能够将预测的道路交通状态提供给道路导航算法和交通管理方进行对应的诱导和控制。在高速公路发生异常事件的情况下，准确预测的高速公路拥堵消散时间，一方面可以为交通管理部门、出行人员提供相关的道路拥堵情况，以减少后续车辆驶入拥堵路段，缓解高速公路拥堵路段的通行压力，另一方面可以节省出行人员的出行时间成本，提升出行体验。
3、尽管已经有很多种拥堵消散时间的预测方法被提出，但是这些方法依然存在些许局限性。首先传统的方法主要是基于历史数据和统计的模型，没有对事件的情况进行考虑，这就导致在异常事件发生后，利用历史数据和统计模型的方法不能够很好地考虑事件不同类型存在的差异情况。
4、如现有专利cn117012031a，公开了一种基于深度元学习的高速公路拥堵消散时间预测方法，该方法基于深度元学习的理念开发了一套拥堵消散时间的预测方法，但是没有很好地考虑高速公路异常事件的信息情况，并且因为其中需要使用到高速公路密集检测设备输出的车辆轨迹数据，但是在常规高速公路上检测设备的分布情况达不到该专利所需的要求，而在异常事件发生之后，人工上报事件具体信息也没有得到很好的利用。现有技术没有很好地考虑到不同异常事件之间的差异性，也不能很好地适应在检测设备分布情况较差的路段得到适用性。
5、研究考虑事件具体情况的拥堵消散时间预测是很有研究价值与应用价值的。如何准确地预测高速公路拥堵消散时间是本领域技术人员需要持续解决和优化的技术问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种考虑交通事件信息的高速公路拥堵消散时间预测方法。本发明旨在解决现有方法不能够很好地考虑异常事件发生后事件类型对拥堵消散时间的不同影响，拥堵消散时间预测精度低的问题。
2、为达到上述目的，本发明提供了一种考虑交通事件信息的高速公路拥堵消散时间预测方法，包括以下步骤：
3、s1.采集高速公路异常事件数据，提取交通事件与交通拥堵的特征关系；
4、s2.采集高速公路异常事件对应的上下游etc数据和检测器数据，构建交通流数据集；
5、s3.根据步骤s1得到的交通事件与交通拥堵的特征关系，构建事件持续时间预测模型；
6、s4.基于步骤s3构建的事件持续时间预测模型，构建基于模糊交通波模型的拥堵消散时间预测模型；
7、s5.将步骤s3构建的事件持续时间预测模型进行机器学习，再将机器学习后的事件持续时间预测模型的输出结果，输入到步骤s4构建的基于交通波模型的拥堵消散时间预测模型中，进而得到拥堵消散时间的预测结果。
8、进一步，所述步骤s1包括以下子步骤：
9、s1.1采集高速公路异常事件信息；
10、所述高速公路异常事件信息包括事件类型、参与车辆情况、事件发生路段、事件发生时间、事件对通行造成的影响和事件持续时间；
11、s1.2对步骤s1.1采集的数据信息进行预处理，即对采集的数据信息进行清洗；
12、s1.3对步骤s1.2预处理后的数据信息进行热编码操作，将文字信息转化成编码信息。
13、进一步，所述步骤s2中包括以下子步骤：
14、s2.1在采集高速公路异常事件对应的上下游etc数据和检测器数据，提取高速公路异常事件对应路段的交通流特征信息；
15、s2.2对步骤s2.1采集提取的交通流特征信息进行数据预处理，即对提取的数据信息进行清洗，剔除异常值；
16、s2.3基于步骤s2.2预处理后的数据信息，提取车辆与交通流特征数据；
17、s2.4将步骤s2.3提取的交通流特征数据与异常事件信息进行匹配，制作出异常事件下的交通流数据集。
18、进一步，所述步骤s3包括以下子步骤：
19、s3.1根据步骤s1得到的事件对交通拥堵持续时间的主要影响因素，构建事件剧烈程度的评价体系，然后对高速公路交通事件进行评价；
20、s3.2基于高速公路交通事件评价指标，构建基于决策树模型的事件持续时间预测模型；
21、s3.3将步骤s1.3中高速公路异常事件信息热编码后的数据集输入到基于决策树的时间持续时间预测模型中，进行模型训练，训练后得到高速公路异常事件持续时间预测模型；
22、所述高速公路异常事件持续时间预测模型的输入为高速公路异常事件信息，输出为事件持续时间的预测情况。
23、进一步，所述步骤s4包括以下子步骤：
24、s4.1构建基于模糊交通波模型的排队长度预测模型；
25、
26、式中，为t时刻多车道道路事件路段中的平均当量排队长度；e0为路段ab之间在初始时间的标准车辆数；ax(i,t)为利用模糊集确立的参与排队的第i条车道t时刻加入到事件路段的车辆数；axl(i,t)为利用模糊集确立的离开排队的第i条车道t时刻离开事件路段的车辆数；axn(i,t)为利用模糊集确立的未加入排队的第i条车道t时刻的车辆数；m为道路中的车道总数；为道路上的车辆平均阻塞密度；为道路上车辆行驶的最佳车密度；l为路段ab之间的长度；
27、s4.2构建异常事件下道路通行能力估计模型；
28、cs＝c0·fn·fhv·fl
29、式中，cs为交通异常事件下高速公路区域通行能力；c0为高速公路基本通行能力；fn为封闭车道数对高速公路路段通行能力的修正系数；fhv为大型车比例对对高速公路路段通行能力修正系数；fl为封闭行车道长度对高速公路通行能力的修正系数；
30、s4.3将步骤s2采集的交通流数据集和步骤s3.3构建的高速公路异常事件持续时间预测模型的输出作为输入，输入到步骤s4.1构建的排队长度预测模型中，得到异常事件下高速公路拥堵的相关信息。
31、进一步，所述步骤s4.2中，异常事件下高速公路拥堵的相关信息包括最大排队车辆数和拥堵消散时间。
32、进一步，所述拥堵消散时间的计算公式为：
33、
34、式中，nu(i,t)为第i条车道t时刻加入到事件路段的车辆数；t0为事件持续时间预测模型的输出结果；nd(i,t)为第i条车道t时刻从事件路段离开的车辆数；cs(t)为实时道路通行能力。
35、有益效果：
36、本发明提出了一种考虑交通事件信息的高速公路拥堵消散时间预测方法，通过充分利用现有通过人工上报或事件检测器检测到的异常事件详细信息数据来进行决策树模型学习，进而构建出可用于预测事件持续时间的决策树模型；同时利用事件上报信息构建出通行能力估计模型，利用事件对道路通行的影响，对事件下道路的通行能力进行评估；在此基础上构建出基于模糊交通波模型的拥堵消散时间预测模型，综合上述两部分的输出和模糊交通波模型，最后得出事件情况下的拥堵消散时间预测模型。采取本发明方法可以有效地克服现有拥堵消散时间预测方法预测时对异常事件具体情况的考虑不充分的局限性，同时利用模糊交通波模型可以充分考虑到利用传统交通波模型时未充分考虑车辆排队过程中的速度分布差异性，进而实现对拥堵消散时间更高的预测精度和泛化能力。
37、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
1.一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于：所述步骤s1包括以下子步骤：
3.根据权利要求2所述的一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于，所述步骤s2中包括以下子步骤：
4.根据权利要求3所述的一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于，所述步骤s3包括以下子步骤：
5.根据权利要求4所述的一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于，所述步骤s4包括以下子步骤：
6.根据权利要求5所述的一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于：所述步骤s4.2中，异常事件下高速公路拥堵的相关信息包括最大排队车辆数和拥堵消散时间。
7.根据权利要求6所述的一种考虑交通事件信息的高速公路拥堵消散时间预测方法，其特征在于：所述拥堵消散时间的计算公式为：
