CN114626169A - 交通路网优化方法、装置、设备、可读存储介质及产品 - Google Patents
交通路网优化方法、装置、设备、可读存储介质及产品 Download PDFInfo
- Publication number
- CN114626169A CN114626169A CN202210210044.1A CN202210210044A CN114626169A CN 114626169 A CN114626169 A CN 114626169A CN 202210210044 A CN202210210044 A CN 202210210044A CN 114626169 A CN114626169 A CN 114626169A
- Authority
- CN
- China
- Prior art keywords
- road
- topological graph
- road network
- continuous data
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了交通路网优化方法、装置、设备、可读存储介质及产品，涉及数据处理领域，尤其涉及智能交通领域。具体实现方案为：确定目标区域中目标交通路网对应的路网拓扑图以及微分算子；根据各道路节点周围预设区域内的交通要素信息，确定各道路节点对应的空间信息以及时序信息；根据各道路节点、与其对应的关联节点，将路网拓扑图划分为多个局部拓扑图；根据局部拓扑图内道路节点、关联节点对应的空间信息、时序信息、微分算子，计算局部拓扑图对应的目标连续数据；根据目标连续数据对目标交通路网进行优化操作。能够将离散的路网数据转换为连续化的路网数据，进而能够基于连续化的路网数据进行特征提取等数据处理，实现对交通路网的优化操作。
Description
技术领域
本公开涉及数据处理中的智能交通，尤其涉及一种交通路网优化方法、装置、设备、可读存储介质及产品。
背景技术
地图软件实现导航功能主要基于全球卫星导航***(Global NavigationSatellite System，简称GNSS***)的卫星定位信息，然而这样的方案面临着两个挑战：一是城市环境的高层建筑与高架桥影响移动设备对卫星信号的接收，造成卫星定位点与实际不符；二是随着城乡的建设，路网的变化日趋频繁，路网复杂的区域也逐渐增多，对定位精度的要求也日益提高。
为了实现对交通路网的描述，当前的处理方法一般将区域内所有道路按经纬度和道路形状抽象为一个或相连的连续几个矢量；然后，在现实中道路汇合的位置，将对应的矢量连接起来，形成具有拓扑关系的图；最后，根据经纬度位置，增加交通信号灯、禁限行等其他辅助性描述，获得数据化描述。
但是，采用上述处理方法进行交通路网的描述时，由于数据化路网中的道路和其他交通设施均为离散数据，数据规模庞大，在大规模机器学习中很难提取足够的特征，进而难以提高电子地图的精度以及数据处理的效率。
发明内容
本公开提供了一种用于将离散化的交通路网数据转换为连续化数据额的交通路网优化方法、装置、设备、可读存储介质及产品。
根据本公开的第一方面，提供了一种交通路网优化方法，包括：
确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子；
根据各道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，所述道路节点是所述路网拓扑图中与道路对应的节点；
根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图；
针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据；
根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作。
根据本公开的第二方面，提供了一种交通路网优化装置，包括：
确定模块，用于确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子；
处理模块，用于根据各道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，所述道路节点是所述路网拓扑图中与道路对应的节点；
划分模块，用于根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图；
计算模块，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据；
优化模块，用于根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，所述计算机程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行第一方面所述的方法。
根据本公开的技术能够将离散的路网数据转换为连续化的路网数据，进而能够基于连续化的路网数据进行特征提取等数据处理，实现对交通路网的优化操作。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例一提供的交通路网优化方法的流程示意图；
图2为本公开实施例提供的道路及交汇点示意图；
图3为本公开实施例提供的路网拓扑图的结构示意图；
图4为本公开实施例二提供的交通路网优化方法的流程示意图；
图5为本公开实施例三提供的交通路网优化方法的流程示意图；
图6为本公开实施例四提供的交通路网优化方法的流程示意图；
图7为本公开实施例提供的目标连续数据生成示意图；
图8为本公开实施例五提供的交通路网优化装置的结构示意图；
图9为本公开实施例六提供的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
随着经济的发展与社会的进步，我国当前的私家车保有量和居民的驾车出行意愿呈逐年上升的趋势，相应地，大幅增加的出行需求对于地图导航功能也提出了更丰富、更高标准的要求。实际应用中，地图软件实现导航功能主要基于GNSS***的卫星定位信息，然而这样的方案面临着两个挑战：一是城市环境的高层建筑与高架桥影响移动设备对卫星信号的接收，造成卫星定位点与实际不符；二是随着城乡的建设，路网的变化日趋频繁，路网复杂的区域也逐渐增多，对定位精度的要求也日益提高。
现有技术中，在对交通路网进行描述时，一般将区域内所有道路按经纬度和道路形状抽象为一个或相连的连续几个矢量；然后，在现实中道路汇合的位置，将对应的矢量连接起来，形成具有拓扑关系的图；最后，根据经纬度位置，增加交通信号灯、禁限行等其他辅助性描述，获得交通路网的数据化描述。但是，采用上述方法进行交通路网的描述时，由于数据化路网中的道路和其他交通设施均为离散数据，数据规模庞大。因此，在大规模机器学习中很难提取足够的特征，相应地，也就提高了因地制宜、适用个性化导航策略的难度。
在解决上述技术问题的过程中，发明人通过研究发现，为了在大规模机器学习中实现对路网数据特征的提取操作，可以将离散化的数据转换为连续化的数据。具体地，可以确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子。分别计算各道路节点对应的空间信息以及时序信息，对路网拓扑图进行划分操作，获得多个局部拓扑图。从而针对每一局部拓扑图，可以根据该空间信息以及时序信息、所述微分算子，进行目标连续数据的计算。
本公开提供一种交通路网优化方法、装置、设备、可读存储介质及产品，应用于数据处理中的智能交通，能够将离散化的数据转换为连续化的数据，进而能够基于连续化的数据进行特征提取以及后续的路网优化等操作。
图1为本公开实施例一提供的交通路网优化方法的流程示意图，如图1所示，该方法包括：
步骤101、确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子。
本实施例的执行主体为交通路网优化装置，该交通路网优化装置可耦合于服务器中，该服务器能够与终端设备以及数据库通信连接。
在本实施方式中，为了实现对目标区域的交通路网的优化操作，技术人员可以通过终端设备发送优化请求，其中，该优化请求中可以包括目标区域的标识信息。相应地，交通路网优化装置可以根据该目标区域的标识信息，确定该目标区域的目标交通路网所对应的路网拓扑图，其中，该路网拓扑图中包括有道路以及交汇点组成的拓扑关系。进一步地，可以计算路网拓扑图对应的微分算子，从而后续能够基于该微分算子实现离散数据的连续化处理。
步骤102、根据各道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，所述道路节点是所述路网拓扑图中与道路对应的节点。
在本实施方式中，针对路网拓扑图中的每一道路节点，可以根据该道路节点周围预设区域内的交通要素信息，对该道路节点对应的空间信息以及时序信息，其中，道路节点是路网拓扑图中与道路对应的节点。
可选地，该交通要素信息中包括但不限于该道路节点周围预设区域内路网形状、交通设置位置信息，从而能够基于该交通要素信息实现对道路节点对应的空间信息的计算。该交通要素信息中包括但不限于该道路节点周围预设区域内的轨迹信息，进而能够根据该轨迹信息实现对该道路节点周围预设区域内时序信息的计算。
步骤103、根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图。
在本实施方式中，针对路网拓扑图中的每一道路节点，可以根据预设连接关系，确定路网拓扑中与该道路节点存在上述预设连接关系的关联节点，将道路节点以及道路节点对应的关联节点确定为一个局部拓扑图。从而能够将路网拓扑图划分为多个局部拓扑图。其中，该预设连接关系可以为道路节点与关联节点之间边的数量。举例来说，该预设连接关系可以为将与道路节点之间存在两条边的节点确定为关联节点。
步骤104、针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据。
在本实施例方式中，在将路网拓扑图划分为至少一个局部拓扑图之后，针对每一个局部拓扑图，可以根据该局部拓扑图中道路节点以及空间节点对应的空间信息以及时序信息、路网拓扑图对应的微分算子，对该实现对局部拓扑图对应的局部路网离散化数据的连续化处理，获得与局部拓扑图对应的目标连续数据。
步骤105、根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作。
在本实施例中，在完成对全部局部拓扑图对应的目标连续数据的计算之后，即可以获得路网拓扑图对应的连续数据。通过将离散化的路网数据转换至连续化的数据，从而后续能够基于该连续化的数据进行特征提取操作。因此，可以根据该多个局部拓扑图对应的目标连续数据对目标交通路网进行优化操作。
本实施例提供的交通路网优化方法，通过确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子。分别计算各道路节点对应的空间信息以及时序信息，对路网拓扑图进行划分操作，获得多个局部拓扑图。从而针对每一局部拓扑图，可以根据该空间信息以及时序信息、所述微分算子，进行目标连续数据的计算。从而后续能够基于该连续化的数据进行特征提取操作，进而能够基于不同的业务需求，对该目标连续数据进行不同的处理。
进一步地，在实施例一的基础上，步骤101包括：
获取目标区域对应的目标交通路网。
根据所述目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图。
在本实施例中，在确定需要进行处理的目标区域之后，可以获取该目标区域对应的目标交通路网，该目标交通路网中包括多条道路以及道路之间的交汇点。因此，可以根据该目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图，该路网拓扑图中包括有道路以及交汇点组成的拓扑关系。
图2为本公开实施例提供的道路及交汇点示意图，如图2所示，道路21与道路22之间存在交汇点23。
本实施例提供的交通路网优化方法，通过根据该目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图，从而后续能够基于该路网拓扑图实现将离散化的数据转换为连续化的数据。
进一步地，在实施例一的基础上，其中，所述根据所述目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图，包括：
将目标交通路网中的道路作为道路节点，将任意两条道路之间的交汇点作为边。
根据所述道路节点以及边生成目标交通路网对应的路网拓扑图。
在本实施例中，针对目标交通路网中的每一道路，可以将该道路确定为道路节点，将任意两条道路之间的交汇点，作为该任意两个道路节点之间的边。基于道路节点以及道路节点之间的边，确定道路以及交汇点组成的拓扑关系，生成该目标交通路网对应的路网拓扑图。
图3为本公开实施例提供的路网拓扑图的结构示意图，如图3所示，可以将道路作为道路节点31，将任意两个道路节点31之间的交汇点作为边32。
本实施例提供的交通路网优化方法，通过将该道路确定为道路节点，将任意两条道路之间的交汇点，生成该目标交通路网对应的路网拓扑图。从而该路网拓扑图能够精准地表达道路以及交汇点之间的拓扑关系，进而能够提高后续数据处理的准确性。
进一步地，在实施例一的基础上，步骤105包括：
获取路网优化请求，其中，所述路网优化请求中包括优化需求。
根据所述路网优化请求，采用与所述优化需求对应的网络模型对所述多个局部拓扑图对应的目标连续数据进行数据处理。
在本实施例中，在根据目标交通路网生成目标连续数据之后，能够基于该目标连续数据进行特征提取的操作，进而能够基于不同的业务需求，对该目标连续数据进行不同的处理。具体地，用户可以根据不同的业务需求，发起路网优化请求。相应地，交通路网优化装置可以获取该路网优化请求，其中，路网优化请求中包括优化需求。根据该优化请求，采用与该优化需求对应的网络模型对多个局部拓扑图对应的目标连续数据进行数据处理。
举例来说，业务需求包括但不限于轨迹匹配、交通预测、定位漂移区域识别等。若当前的业务需求为对交通状况的预测，则可以将该多个局部拓扑图对应的目标连续数据输入至预设的交通预测模型中进行预测操作。或者，可以将该多个局部拓扑图对应的目标连续数据输入至预设的轨迹匹配模型中进行轨迹匹配操作。
本实施例提供的交通路网优化方法，通过根据不同的业务需求，将多个局部拓扑图对应的目标连续数据输入至不同的网络模型进行数据处理，从而能够提高目标连续数据的适用性，使其适用于各种不同的场景。
进一步地，在实施例一的基础上，步骤104之后，还包括：
采用预设的聚类算法，对所述局部拓扑图对应的目标连续数据进行聚类操作。
实际应用中，不同区域的交通要素之间存在着较大的差异，但是将离散的路网数据连续化处理、降维、抽象地再表达之后，其可能具有相同的连续化数据。因此，为了提高后续对路网数据的处理效率，降低数据冗余度，避免重复处理，在完成对局部拓扑图对应的目标连续数据的处理之后，可以采用预设的聚类算法，对局部拓扑图对应的目标连续数据进行聚类操作。其中，该预设的聚类算法具体可以为K-means算法。或者，其可以为任意一种聚类算法，本公开对此不做限制。
本实施例提供的交通路网优化方法，通过对局部拓扑图对应的目标连续数据进行聚类操作，从而能够降低数据冗余度，提高后续路网数据的处理效率。
图4为本公开实施例二提供的交通路网优化方法的流程示意图，所述微分算子为拉普拉斯算子，在实施例一的基础上，如图4所示，步骤101包括：
步骤401、针对所述路网拓扑图中的每一道路节点，确定指向所述道路节点的边的数量，将所述边的数量确定为所述道路节点的入度。
步骤402、根据所述路网拓扑图中全部道路节点的入度生成所述路网拓扑图对应的入度矩阵。
步骤403、针对所述路网拓扑图中的每一条边，确定所述边对应的交汇点的车流量和/或重要度，根据所述车流量和/或重要度确定所述边的权重。
步骤404、根据所述路网拓扑图中全部条边对应的权重，生成所述路网拓扑图对应的权重矩阵。
步骤405、根据所述入度矩阵以及所述权重矩阵计算所述路网拓扑图对应的拉普拉斯矩阵。
在本实施例中，该微分算子具体可以为拉普拉斯算子。为了实现拉普拉斯算子的计算，首先需要计算该路网拓扑图对应的入度矩阵以及权重矩阵。其中，该入度具体可以为指向道路节点的边的数量，权重具体可以为道路对应的流量以及重要程度。
具体地，针对路网拓扑图中的每一道路节点，确定指向道路节点的边的数量，将边的数量确定为道路节点的入度。例如，一个道路节点对应有两条边，也即该道路对应有两个交汇点，可以确定该道路节点对应的入度为2。根据路网拓扑图中全部道路节点的入度生成路网拓扑图对应的入度矩阵。根据路网拓扑图中全部条边对应的权重，生成路网拓扑图对应的权重矩阵。根据入度矩阵以及权重矩阵计算路网拓扑图对应的拉普拉斯矩阵。在获得入度矩阵以及权重矩阵之后，即可以通过对入度矩阵以及权重矩阵的矩阵计算确定路网拓扑图对应的拉普拉斯矩阵。
本实施例提供的交通路网优化方法，通过计算该路网拓扑图对应的入度矩阵以及权重矩阵，从而能够通过对入度矩阵以及权重矩阵的矩阵计算，精准地确定路网拓扑图对应的拉普拉斯矩阵，为后续的数据处理提供了基础。
进一步地，在上述任一实施例的基础上，步骤405包括：
对所述入度矩阵以及所述权重矩阵进行矩阵减法，获得所述路网拓扑图对应的拉普拉斯矩阵。
在本实施例中，在获得入度矩阵D以及权重矩阵W之后，可以对该入度矩阵以及权重矩阵进行矩阵减法操作，获得路网拓扑图对应的拉普拉斯矩阵L。其中，具体可以通过公式L＝D-W实现对拉普拉斯矩阵L的计算。
本实施例提供的交通路网优化方法，通过对该入度矩阵以及权重矩阵进行矩阵减法操作，从而能够准确地计算路网拓扑图对应的拉普拉斯矩阵，为后续的数据处理提供了基础。
图5为本公开实施例三提供的交通路网优化方法的流程示意图，在上述任一实施例的基础上，如图5所示，步骤103包括：
步骤501、获取路网划分请求，其中，所述路网划分请求中包括所述预设连接关系，所述预设连接关系包括所述关联节点与所述道路节点之间边的数量。
步骤502、根据所述路网划分请求，针对各道路节点，在所述路网拓扑图中确定与所述道路节点符合预设连接关系的关联节点。
步骤503、针对各道路节点，将所述道路节点以及与所述道路节点对应的关联节点确定为所述局部拓扑图。
在本实施例中，该预设关系具体可以为关联节点与道路节点之间边的数量。因此，交通路网优化可以获取路网划分请求，其中，该路网划分请求中包括关联节点与道路节点之间边的数量。
根据该路网划分请求，针对各道路节点，在路网拓扑图中确定与该道路节点符合预设连接关系的关联节点。举例来说，该预设连接关系可以为将与道路节点之间存在两条边的节点确定为关联节点。针对各道路节点，将道路节点以及与道路节点对应的关联节点确定为局部拓扑图，从而能够将网络拓扑图划分为多个局部拓扑图。
其中，该预设连接关系能够根据不同的需求进行切换，本公开对此不做限制。
本实施例提供的交通路网优化方法，通过获取路网划分请求，根据该路网划分请求，针对各道路节点，在路网拓扑图中确定与该道路节点符合预设连接关系的关联节点，从而能够根据不同的业务需求，对网络拓扑结构进行不同的划分操作，适用于不同的应用场景。
进一步地，在上述任一实施例的基础上，所述交通要素信息包括所述道路节点周围预设区域内的路网结构、交通设施以及轨迹信息；步骤102包括：
将所述道路节点周围预设区域内的路网结构、交通设施确定为所述道路节点对应的空间信息。
按照预设的时间间隔获取所述道路节点周围预设区域内的轨迹信息，按照时间顺序将所述轨迹信息绘制在所述路网拓扑图上，获得所述道路节点对应的时序信息。
在本实施例中，交通要素信息具体可以包括道路节点周围预设区域内的路网结构、交通设施以及轨迹信息。针对每一道路节点，可以将道路节点周围预设区域内的路网结构、交通设施确定为道路节点对应的空间信息。该空间信息一般为道路节点对应的静态信息，其能够表征该道路周围的路网是否复杂，能够实现对不同道路的区分。例如，主干道周围的路网较为复杂，而郊区的道路周围的路网则较为简单。
针对每一道路节点，可以按照预设的时间间隔获取道路节点周围预设区域内的轨迹信息，按照时间顺序将轨迹信息绘制在路网拓扑图上，获得道路节点对应的时序信息。该时序信息一般为道路节点对应的动态信息，其能够表征该道路周围预设区域内车辆的行为，例如道路周围预设区域内是否车流量比较大等。
本实施例提供的交通路网优化方法，通过根据交通要素信息分别确定道路节点对应的空间信息以及时序信息，从而能够精准地确定道路节点对应的静态信息以及动态信息，为后续的路网数据的处理提供了基础。
图6为本公开实施例四提供的交通路网优化方法的流程示意图，在上述任一实施例的基础上，如图6所示，步骤104包括：
步骤601、针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息、所述微分算子，计算所述局部拓扑图对应的空间连续数据。
步骤602、针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的时序信息、所述微分算子，计算所述局部拓扑图对应的时序连续数据。
步骤603、根据所述空间连续数据、时序连续数据计算所述局部拓扑图对应的目标连续数据。
在本实施例中，在分别确定道路节点对应的空间信息以及时序信息之后，可以分别基于空间信息以及时序信息实现对空间连续数据以及时序连续数据的计算。
具体地，针对每一局部拓扑图，根据局部拓扑图内道路节点以及关联节点对应的空间信息、拉普拉斯算子，计算局部拓扑图对应的空间连续数据。针对每一局部拓扑图，根据局部拓扑图内道路节点以及关联节点对应的时序信息、拉普拉斯算子，计算局部拓扑图对应的时序连续数据。进而能够根据该空间连续数据、时序连续数据计算局部拓扑图对应的目标连续数据。
本实施例提供的交通路网优化方法，通过分别基于空间信息以及时序信息实现对空间连续数据以及时序连续数据的计算，从而能够实现将离散化的数据转化为目标连续数据，进而能够实现对交通路网数据的特征提取操作。
进一步地，在上述任一实施例的基础上，步骤603包括：
按照预设的数据格式分别对所述空间连续数据以及所述时序连续数据进行调节操作，获得数据格式相同的所述空间连续数据以及所述时序连续数据。
对所述数据格式相同的所述空间连续数据以及所述时序连续数据进行数据融合操作，获得融合后的连续数据。
根据所述融合后的连续数据确定所述目标连续数据。
在本实施例中，由于空间连续数据与时序连续数据在数据格式上可能存在差异，无法直接进行数据计算。因此，为了实现对空间连续数据与时序连续数据的数据融合等操作，可以预先设置一数据格式，根据该预设的数据格式分别对空间连续数据以及时序连续数据进行调节操作，获得数据格式相同的空间连续数据以及时序连续数据。具体地，可以分别设置空间卷积神经网络模型以及时间卷积神经网络模型，通过空间卷积神经网络模型按照预设的数据格式对空间连续数据进行调节操作，通过时间卷积神经网络模型按照预设的数据格式对时间连续数据进行调节操作，获得数据格式相同的空间连续数据以及时序连续数据。
当空间连续数据以及时序连续数据数据格式相同时，即可以对二者进行数据融合操作，根据融合后的连续数据确定目标连续数据。
图7为本公开实施例提供的目标连续数据生成示意图，如图7所示，可以通过预设的空间卷积神经网络模型71按照预设的数据格式对空间连续数据72进行调节操作，并通过预设的时间卷积神经网络模型73按照预设的数据格式对时间连续数据74进行调节操作。获得数据格式相同的空间连续数据以及时序连续数据。对数据格式相同的空间连续数据以及时序连续数据进行数据融合操作，获得融合后的连续数据75。
本实施例提供的交通路网优化方法，通过根据该预设的数据格式分别对空间连续数据以及时序连续数据进行调节操作，获得数据格式相同的空间连续数据以及时序连续数据，从而能够实现对空间连续数据以及时序连续数据的格式调节操作，进而能够实现对空间连续数据以及时序连续数据的数据融合操作，获得融合后的连续数据。
进一步地，在上述任一实施例的基础上，步骤101之后，还包括：
针对所述目标交通路网中的每一道路，获取所述道路对应的属性信息，其中，所述属性信息包括道路的宽度、长度、车道数、功能等级、通行状况中的一项或多项。
根据所述各道路对应的属性信息确定所述目标交通路网对应的道路特征矢量。
所述根据所述融合后的连续数据确定所述目标连续数据，包括：
对所述融合后的连续数据以及所述道路特征矢量进行数据拼接操作，获得所述目标连续数据。
在本实施例中，在完成对空间连续数据以及时序连续数据的数据融合操作之后，还可以进一步地将该融合后的连续数据与道路对应的属性信息进行数据拼接操作。具体地，针对目标交通路网中的每一道路，获取道路对应的属性信息，其中，属性信息包括道路的宽度、长度、车道数、功能等级、通行状况中的一项或多项。对融合后的连续数据以及道路特征矢量进行数据拼接操作，获得目标连续数据。从而能够综合地考虑道路节点的静态、动态信息以及属性信息，提高生成的目标连续数据的全面性以及精准性。
图8为本公开实施例五提供的交通路网优化装置的结构示意图，如图8所示，该装置包括：确定模块81、处理模块82、划分模块83、计算模块84以及优化模块85。其中，确定模块81，用于确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子。处理模块82，用于根据各道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，所述道路节点是所述路网拓扑图中与道路对应的节点。划分模块83，用于根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图。计算模块84，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据。优化模块85，用于根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作。
进一步地，在实施例五的基础上，所述确定模块包括：路网获取单元以及拓扑图确定单元。其中，路网获取单元，用于获取目标区域对应的目标交通路网。拓扑图确定单元，用于根据所述目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图。
进一步地，在实施例五的基础上，所述拓扑图确定单元包括：转换子单元以及生成子单元，其中，转换子单元，用于将目标交通路网中的道路作为道路节点，将任意两条道路之间的交汇点作为边。生成子单元，用于根据所述道路节点以及边生成目标交通路网对应的路网拓扑图。
进一步地，在实施例五的基础上，所述优化模块包括：请求获取单元以及优化单元。其中，请求获取单元，用于获取路网优化请求，所述路网优化请求中包括优化需求，优化单元，用于根据所述路网优化请求，采用与所述优化需求对应的网络模型对所述多个局部拓扑图对应的目标连续数据进行数据处理。
进一步地，在实施例五的基础上，所述装置还包括：聚类模块，用于采用预设的聚类算法，对所述局部拓扑图对应的目标连续数据进行聚类操作。
进一步地，在实施例五的基础上，所述微分算子为拉普拉斯算子，所述确定模块包括：入度确定单元、入度矩阵生成单元、权重确定单元、权重矩阵生成单元以及矩阵计算单元。其中，入度确定单元，用于针对所述路网拓扑图中的每一道路节点，确定指向所述道路节点的边的数量，将所述边的数量确定为所述道路节点的入度。入度矩阵生成单元，用于根据所述路网拓扑图中全部道路节点的入度生成所述路网拓扑图对应的入度矩阵。权重确定单元，用于针对所述路网拓扑图中的每一条边，确定所述边对应的交汇点的车流量和/或重要度，根据所述车流量和/或重要度确定所述边的权重。权重矩阵生成单元，用于根据所述路网拓扑图中全部条边对应的权重，生成所述路网拓扑图对应的权重矩阵。矩阵计算单元，用于根据所述入度矩阵以及所述权重矩阵计算所述路网拓扑图对应的拉普拉斯矩阵。
进一步地，在上述任一实施例的基础上，所述矩阵计算单元包括：矩阵处理子单元，用于对所述入度矩阵以及所述权重矩阵进行矩阵减法，获得所述路网拓扑图对应的拉普拉斯矩阵。
进一步地，在上述任一实施例的基础上，所述划分模块包括：获取单元、节点确定单元以及局部拓扑图单元。其中，获取单元，用于获取路网划分请求，其中，所述路网划分请求中包括所述预设连接关系，所述预设连接关系包括所述关联节点与所述道路节点之间边的数量。节点确定单元，用于根据所述路网划分请求，针对各道路节点，在所述路网拓扑图中确定与所述道路节点符合预设连接关系的关联节点。局部拓扑图单元，用于针对各道路节点，将所述道路节点以及与所述道路节点对应的关联节点确定为所述局部拓扑图。
进一步地，在上述任一实施例的基础上，所述交通要素信息包括所述道路节点周围预设区域内的路网结构、交通设施以及轨迹信息；所述处理模块包括：空间信息确定单元以及时序信息确定单元。空间信息确定单元，用于将所述道路节点周围预设区域内的路网结构、交通设施确定为所述道路节点对应的空间信息。时序信息确定单元，用于按照预设的时间间隔获取所述道路节点周围预设区域内的轨迹信息，按照时间顺序将所述轨迹信息绘制在所述路网拓扑图上，获得所述道路节点对应的时序信息。
进一步地，在上述任一实施例的基础上，所述计算模块包括：空间连续数据计算单元、时序连续数据计算单元以及时序连续数据计算单元。空间连续数据计算单元，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息、所述微分算子，计算所述局部拓扑图对应的空间连续数据。时序连续数据计算单元，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的时序信息、所述微分算子，计算所述局部拓扑图对应的时序连续数据。时序连续数据计算单元，用于根据所述空间连续数据、时序连续数据计算所述局部拓扑图对应的目标连续数据。
进一步地，在上述任一实施例的基础上，所述时序连续数据计算单元包括：调节子单元、融合子单元以及确定子单元。其中，调节子单元，用于按照预设的数据格式分别对所述空间连续数据以及所述时序连续数据进行调节操作，获得数据格式相同的所述空间连续数据以及所述时序连续数据。融合子单元，用于对所述数据格式相同的所述空间连续数据以及所述时序连续数据进行数据融合操作，获得融合后的连续数据。确定子单元，用于根据所述融合后的连续数据确定所述目标连续数据。
进一步地，在上述任一实施例的基础上，所述装置还包括：属性信息确定模块、矢量确定模块。属性信息确定模块，用于针对所述目标交通路网中的每一道路，获取所述道路对应的属性信息，其中，所述属性信息包括道路的宽度、长度、车道数、功能等级、通行状况中的一项或多项。矢量确定模块，用于根据所述各道路对应的属性信息确定所述目标交通路网对应的道路特征矢量。所述确定子单元用于：对所述融合后的连续数据以及所述道路特征矢量进行数据拼接操作，获得所述目标连续数据。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，本公开还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
图9为本公开实施例六提供的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如交通路网优化方法。例如，在一些实施例中，交通路网优化方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的交通路网优化方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行交通路网优化方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (27)
1.一种交通路网优化方法，包括：
确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子；
根据各道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，所述道路节点是所述路网拓扑图中与道路对应的节点；
根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图；
针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据；
根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作。
2.根据权利要求1所述的方法，其中，所述确定目标区域中目标交通路网对应的路网拓扑图，包括：
获取目标区域对应的目标交通路网；
根据所述目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图。
3.根据权利要求2所述的方法，其中，所述根据所述目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图，包括：
将目标交通路网中的道路作为道路节点，将任意两条道路之间的交汇点作为边；
根据所述道路节点以及边生成目标交通路网对应的路网拓扑图。
4.根据权利要求1-3任一项所述的方法，其中，所述微分算子为拉普拉斯算子，所述计算所述路网拓扑图对应的微分算子，包括：
针对所述路网拓扑图中的每一道路节点，确定指向所述道路节点的边的数量，将所述边的数量确定为所述道路节点的入度；
根据所述路网拓扑图中全部道路节点的入度生成所述路网拓扑图对应的入度矩阵；
针对所述路网拓扑图中的每一条边，确定所述边对应的交汇点的车流量和/或重要度，根据所述车流量和/或重要度确定所述边的权重；
根据所述路网拓扑图中全部条边对应的权重，生成所述路网拓扑图对应的权重矩阵；
根据所述入度矩阵以及所述权重矩阵计算所述路网拓扑图对应的拉普拉斯矩阵。
5.根据权利要求4所述的方法，其中，所述根据所述入度矩阵以及所述权重矩阵计算所述路网拓扑图对应的拉普拉斯矩阵，包括：
对所述入度矩阵以及所述权重矩阵进行矩阵减法，获得所述路网拓扑图对应的拉普拉斯矩阵。
6.根据权利要求1-5任一项所述的方法，其中，所述根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图，包括：
获取路网划分请求，其中，所述路网划分请求中包括所述预设连接关系，所述预设连接关系包括所述关联节点与所述道路节点之间边的数量；
根据所述路网划分请求，针对各道路节点，在所述路网拓扑图中确定与所述道路节点符合预设连接关系的关联节点；
针对各道路节点，将所述道路节点以及与所述道路节点对应的关联节点确定为所述局部拓扑图。
7.根据权利要求1-6任一项所述的方法，其中，所述交通要素信息包括所述道路节点周围预设区域内的路网结构、交通设施以及轨迹信息；
所述根据各所述道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，包括：
将所述道路节点周围预设区域内的路网结构、交通设施确定为所述道路节点对应的空间信息；
按照预设的时间间隔获取所述道路节点周围预设区域内的轨迹信息，按照时间顺序将所述轨迹信息绘制在所述路网拓扑图上，获得所述道路节点对应的时序信息。
8.根据权利要求4-7任一项所述的方法，所述针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据，包括：
针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息、所述微分算子，计算所述局部拓扑图对应的空间连续数据；
针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的时序信息、所述微分算子，计算所述局部拓扑图对应的时序连续数据；
根据所述空间连续数据、时序连续数据计算所述局部拓扑图对应的目标连续数据。
9.根据权利要求8所述的方法，其中，所述根据所述空间连续数据、时序连续数据计算所述局部拓扑图对应的目标连续数据，包括：
按照预设的数据格式分别对所述空间连续数据以及所述时序连续数据进行调节操作，获得数据格式相同的所述空间连续数据以及所述时序连续数据；
对所述数据格式相同的所述空间连续数据以及所述时序连续数据进行数据融合操作，获得融合后的连续数据；
根据所述融合后的连续数据确定所述目标连续数据。
10.根据权利要求9所述的方法，所述确定目标区域中目标交通路网对应的路网拓扑图之后，还包括：
针对所述目标交通路网中的每一道路，获取所述道路对应的属性信息，其中，所述属性信息包括道路的宽度、长度、车道数、功能等级、通行状况中的一项或多项；
根据所述各道路对应的属性信息确定所述目标交通路网对应的道路特征矢量；
所述根据所述融合后的连续数据确定所述目标连续数据，包括：
对所述融合后的连续数据以及所述道路特征矢量进行数据拼接操作，获得所述目标连续数据。
11.根据权利要求1-10任一项所述的方法，其中，所述根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作，包括：
获取路网优化请求，其中，所述路网优化请求中包括优化需求；
根据所述路网优化请求，采用与所述优化需求对应的网络模型对所述多个局部拓扑图对应的目标连续数据进行数据处理。
12.根据权利要求1-11任一项所述的方法，所述计算所述局部拓扑图对应的目标连续数据之后，还包括：
采用预设的聚类算法，对所述局部拓扑图对应的目标连续数据进行聚类操作。
13.一种交通路网优化装置，包括：
确定模块，用于确定目标区域中目标交通路网对应的路网拓扑图，并计算所述路网拓扑图对应的微分算子；
处理模块，用于根据各道路节点周围预设区域内的交通要素信息，确定各所述道路节点对应的空间信息以及时序信息，所述道路节点是所述路网拓扑图中与道路对应的节点；
划分模块，用于根据各所述道路节点以及与所述道路节点存在预设连接关系的关联节点，将所述路网拓扑图划分为多个局部拓扑图；
计算模块，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息以及时序信息、所述微分算子，计算所述局部拓扑图对应的目标连续数据；
优化模块，用于根据所述多个局部拓扑图对应的目标连续数据对所述目标交通路网进行优化操作。
14.根据权利要求13所述的装置，其中，所述确定模块包括：
路网获取单元，用于获取目标区域对应的目标交通路网；
拓扑图确定单元，用于根据所述目标交通路网中的道路以及交汇点，确定目标交通路网对应的路网拓扑图。
15.根据权利要求14所述的装置，其中，所述拓扑图确定单元包括：
转换子单元，用于将目标交通路网中的道路作为道路节点，将任意两条道路之间的交汇点作为边；
生成子单元，用于根据所述道路节点以及边生成目标交通路网对应的路网拓扑图。
16.根据权利要求13-15任一项所述的装置，其中，所述微分算子为拉普拉斯算子，所述确定模块包括：
入度确定单元，用于针对所述路网拓扑图中的每一道路节点，确定指向所述道路节点的边的数量，将所述边的数量确定为所述道路节点的入度；
入度矩阵生成单元，用于根据所述路网拓扑图中全部道路节点的入度生成所述路网拓扑图对应的入度矩阵；
权重确定单元，用于针对所述路网拓扑图中的每一条边，确定所述边对应的交汇点的车流量和/或重要度，根据所述车流量和/或重要度确定所述边的权重；
权重矩阵生成单元，用于根据所述路网拓扑图中全部条边对应的权重，生成所述路网拓扑图对应的权重矩阵；
矩阵计算单元，用于根据所述入度矩阵以及所述权重矩阵计算所述路网拓扑图对应的拉普拉斯矩阵。
17.根据权利要求16所述的装置，其中，所述矩阵计算单元包括：
矩阵处理子单元，用于对所述入度矩阵以及所述权重矩阵进行矩阵减法，获得所述路网拓扑图对应的拉普拉斯矩阵。
18.根据权利要求13-17任一项所述的装置，其中，所述划分模块包括：
获取单元，用于获取路网划分请求，其中，所述路网划分请求中包括所述预设连接关系，所述预设连接关系包括所述关联节点与所述道路节点之间边的数量；
节点确定单元，用于根据所述路网划分请求，针对各道路节点，在所述路网拓扑图中确定与所述道路节点符合预设连接关系的关联节点；
局部拓扑图单元，用于针对各道路节点，将所述道路节点以及与所述道路节点对应的关联节点确定为所述局部拓扑图。
19.根据权利要求13-18任一项所述的装置，其中，所述交通要素信息包括所述道路节点周围预设区域内的路网结构、交通设施以及轨迹信息；
所述处理模块包括：
空间信息确定单元，用于将所述道路节点周围预设区域内的路网结构、交通设施确定为所述道路节点对应的空间信息；
时序信息确定单元，用于按照预设的时间间隔获取所述道路节点周围预设区域内的轨迹信息，按照时间顺序将所述轨迹信息绘制在所述路网拓扑图上，获得所述道路节点对应的时序信息。
20.根据权利要求16-19任一项所述的装置，所述计算模块包括：
空间连续数据计算单元，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的空间信息、所述微分算子，计算所述局部拓扑图对应的空间连续数据；
时序连续数据计算单元，用于针对每一局部拓扑图，根据所述局部拓扑图内道路节点以及关联节点对应的时序信息、所述微分算子，计算所述局部拓扑图对应的时序连续数据；
时序连续数据计算单元，用于根据所述空间连续数据、时序连续数据计算所述局部拓扑图对应的目标连续数据。
21.根据权利要求20所述的装置，其中，所述时序连续数据计算单元包括：
调节子单元，用于按照预设的数据格式分别对所述空间连续数据以及所述时序连续数据进行调节操作，获得数据格式相同的所述空间连续数据以及所述时序连续数据；
融合子单元，用于对所述数据格式相同的所述空间连续数据以及所述时序连续数据进行数据融合操作，获得融合后的连续数据；
确定子单元，用于根据所述融合后的连续数据确定所述目标连续数据。
22.根据权利要求21所述的装置，所述装置还包括：
属性信息确定模块，用于针对所述目标交通路网中的每一道路，获取所述道路对应的属性信息，其中，所述属性信息包括道路的宽度、长度、车道数、功能等级、通行状况中的一项或多项；
矢量确定模块，用于根据所述各道路对应的属性信息确定所述目标交通路网对应的道路特征矢量；
所述确定子单元用于：
对所述融合后的连续数据以及所述道路特征矢量进行数据拼接操作，获得所述目标连续数据。
23.根据权利要求13-22任一项所述的装置，其中，所述优化模块包括：
请求获取单元，用于获取路网优化请求，其中，所述路网优化请求中包括优化需求；
优化单元，用于根据所述路网优化请求，采用与所述优化需求对应的网络模型对所述多个局部拓扑图对应的目标连续数据进行数据处理。
24.根据权利要求13-23任一项所述的装置，所述装置还包括：
聚类模块，用于采用预设的聚类算法，对所述局部拓扑图对应的目标连续数据进行聚类操作。
25.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
27.一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现权利要求1-12中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210210044.1A CN114626169A (zh) | 2022-03-03 | 2022-03-03 | 交通路网优化方法、装置、设备、可读存储介质及产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210210044.1A CN114626169A (zh) | 2022-03-03 | 2022-03-03 | 交通路网优化方法、装置、设备、可读存储介质及产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114626169A true CN114626169A (zh) | 2022-06-14 |
Family
ID=81899486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210210044.1A Pending CN114626169A (zh) | 2022-03-03 | 2022-03-03 | 交通路网优化方法、装置、设备、可读存储介质及产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626169A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115424446A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 用于交通组织评估的道路网络拓扑简化方法 |
| CN115935027A (zh) * | 2023-01-19 | 2023-04-07 | 北京百度网讯科技有限公司 | 目标对象拓扑图的数据处理方法及图分类模型的训练方法 |
| CN116910951A (zh) * | 2023-07-04 | 2023-10-20 | 天津大学 | 区域供热管网优化设计方法及其装置 |
| CN117933519A (zh) * | 2024-03-21 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 一种路网优化方法和相关装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090043486A1 (en) * | 2007-07-27 | 2009-02-12 | Chaowei Yang | Near Real-time Traffic Routing |
| US20190180612A1 (en) * | 2016-08-15 | 2019-06-13 | University Of Southern California | Latent space model for road networks to predict time-varying traffic |
| US20200082711A1 (en) * | 2018-08-15 | 2020-03-12 | Aurelius Bernet | Traffic flow simulator |
| CN111583652A (zh) * | 2020-05-21 | 2020-08-25 | 北京易华录信息技术股份有限公司 | 一种交通路网的拓扑建模方法及*** |
| CN111652434A (zh) * | 2020-06-02 | 2020-09-11 | 百度在线网络技术（北京）有限公司 | 路网数据处理方法、装置、电子设备及计算机存储介质 |
| CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
| CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及*** |
| CN112907985A (zh) * | 2019-11-19 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 交通控制区域的划分方法及装置 |
| CN114036135A (zh) * | 2021-10-13 | 2022-02-11 | 中国科学技术大学 | 利用不完全信息估计城市移动源污染排放方法及*** |
-
2022
- 2022-03-03 CN CN202210210044.1A patent/CN114626169A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090043486A1 (en) * | 2007-07-27 | 2009-02-12 | Chaowei Yang | Near Real-time Traffic Routing |
| US20190180612A1 (en) * | 2016-08-15 | 2019-06-13 | University Of Southern California | Latent space model for road networks to predict time-varying traffic |
| US20200082711A1 (en) * | 2018-08-15 | 2020-03-12 | Aurelius Bernet | Traffic flow simulator |
| CN112907985A (zh) * | 2019-11-19 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 交通控制区域的划分方法及装置 |
| CN111583652A (zh) * | 2020-05-21 | 2020-08-25 | 北京易华录信息技术股份有限公司 | 一种交通路网的拓扑建模方法及*** |
| CN111652434A (zh) * | 2020-06-02 | 2020-09-11 | 百度在线网络技术（北京）有限公司 | 路网数据处理方法、装置、电子设备及计算机存储介质 |
| CN112241814A (zh) * | 2020-10-20 | 2021-01-19 | 河南大学 | 一种基于强化时空图神经网络的交通预测方法 |
| CN112820105A (zh) * | 2020-12-31 | 2021-05-18 | 银江股份有限公司 | 路网异常区域处理的方法及*** |
| CN114036135A (zh) * | 2021-10-13 | 2022-02-11 | 中国科学技术大学 | 利用不完全信息估计城市移动源污染排放方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 张小国;王庆;万德钧;: "基于物理统一存储大规模数字导航地图道路网拓扑自动生成算法", 中国惯性技术学报, no. 06, 15 December 2009 (2009-12-15) * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115424446A (zh) * | 2022-11-03 | 2022-12-02 | 深圳市城市交通规划设计研究中心股份有限公司 | 用于交通组织评估的道路网络拓扑简化方法 |
| CN115424446B (zh) * | 2022-11-03 | 2023-02-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 用于交通组织评估的道路网络拓扑简化方法 |
| CN115935027A (zh) * | 2023-01-19 | 2023-04-07 | 北京百度网讯科技有限公司 | 目标对象拓扑图的数据处理方法及图分类模型的训练方法 |
| CN116910951A (zh) * | 2023-07-04 | 2023-10-20 | 天津大学 | 区域供热管网优化设计方法及其装置 |
| CN116910951B (zh) * | 2023-07-04 | 2024-01-23 | 天津大学 | 区域供热管网优化设计方法及其装置 |
| CN117933519A (zh) * | 2024-03-21 | 2024-04-26 | 腾讯科技（深圳）有限公司 | 一种路网优化方法和相关装置 |
| CN117933519B (zh) * | 2024-03-21 | 2024-06-11 | 腾讯科技（深圳）有限公司 | 一种路网优化方法和相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
| US20230042968A1 (en) | High-definition map creation method and device, and electronic device | |
| EP4119896A2 (en) | Method and apparatus for processing high-definition map data, electronic device, medium and product | |
| CN112884837B (zh) | 道路定位方法、装置、设备及存储介质 | |
| EP4134624A2 (en) | Method and apparatus for fusing road data to generate a map | |
| CN113932796A (zh) | 高精地图车道线生成方法、装置和电子设备 | |
| CN113722342A (zh) | 高精地图要素变更检测方法、装置、设备及自动驾驶车辆 | |
| CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN115127565A (zh) | 高精地图数据生成方法、装置、电子设备及存储介质 | |
| CN115797961A (zh) | 车道线变更检测方法、装置、电子设备及存储介质 | |
| CN113986866A (zh) | 一种大规模点云数据的处理方法、装置、设备及介质 | |
| CN114971046A (zh) | 确定道路障碍物的方法、装置、设备以及存储介质 | |
| CN114036247A (zh) | 高精地图数据关联方法、装置、电子设备及存储介质 | |
| CN113139258A (zh) | 道路数据处理方法、装置、设备及存储介质 | |
| CN113447013A (zh) | 施工道路识别方法、装置、设备、存储介质和程序产品 | |
| CN114383600B (zh) | 用于地图的处理方法、装置、电子设备和存储介质 | |
| CN116465394B (zh) | 基于车辆轨迹数据的路网结构生成方法及装置 | |
| CN114677570B (zh) | 道路信息更新方法、装置、电子设备以及存储介质 | |
| CN113468198B (zh) | 地图更新方法、装置、电子设备和介质 | |
| CN114910081B (zh) | 车辆定位方法、装置及电子设备 | |
| US20220381574A1 (en) | Multipath generation method, apparatus, device and storage medium | |
| CN113987098A (zh) | 高精地图道路边界更新方法、装置、电子设备以及存储介质 | |
| CN115601518A (zh) | 高精地图点云配准的方法、装置、电子设备及存储介质 | |
| CN114170282A (zh) | 点云融合方法、装置、电子设备和介质 | |
| CN116086475A (zh) | 路径规划方法、装置、电子设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |