CN116486622A - 基于道路数据的交通智能规划***及其方法 - Google Patents
基于道路数据的交通智能规划***及其方法 Download PDFInfo
- Publication number
- CN116486622A CN116486622A CN202310423740.5A CN202310423740A CN116486622A CN 116486622 A CN116486622 A CN 116486622A CN 202310423740 A CN202310423740 A CN 202310423740A CN 116486622 A CN116486622 A CN 116486622A
- Authority
- CN
- China
- Prior art keywords
- feature
- traffic flow
- road
- matrix
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 289
- 239000013598 vector Substances 0.000 claims description 152
- 238000000605 extraction Methods 0.000 claims description 70
- 230000004927 fusion Effects 0.000 claims description 59
- 238000005457 optimization Methods 0.000 claims description 33
- 230000008859 change Effects 0.000 claims description 31
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 18
- 230000019771 cognition Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 230000001788 irregular Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及交通规划领域,其具体地公开了一种基于道路数据的交通智能规划***及其方法,其通过采用基于深度学习的神经网络模型挖掘出车流量数据的时序动态变化特征和道路网络拓扑特征的关联性特征分布信息,以此来进行道路网络整体的交通拥堵情况等级检测,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
Description
技术领域
本申请涉及交通规划领域,且更为具体地,涉及基于道路数据的交通智能规划***及其方法。
背景技术
城市的交通规划是建立完善综合运输***的重要保障,对社会的发展和生活质量的提高有重要的作用。但是,随着城市化进程的加快,城市交通拥堵问题日益严重,传统的交通规划管理方式已经无法满足人们的需求。
近年来,我国在交通规划上的研究和进展保持了高速增长态势,包含智能公交、电子警察、交通信号控制、卡口、交通视频监控、出租车信息服务管理、城市客运枢纽信息化、GPS与警用***、交通信息采集与发布和交通指挥类平台等10个细分行业,以获取更精准和有效的数据,实现交通规划来解决城市交通拥堵问题。然而,交通道路网络错综复杂,各个道路上的车流量更是呈现出实时的变化特性,导致目前的交通规划管理方案难以及时地应对这些复杂变化性,无法有效解决城市交通问题。
因此,期望一种优化的基于道路数据的交通智能规划方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于道路数据的交通智能规划***及其方法,其通过采用基于深度学习的神经网络模型挖掘出车流量数据的时序动态变化特征和道路网络拓扑特征的关联性特征分布信息,以此来进行道路网络整体的交通拥堵情况等级检测,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
根据本申请的一个方面,提供了一种基于道路数据的交通智能规划***,其包括:
车流量数据采集模块,用于获取多个道路在预定时间段内多个预定时间点的车流量数据;
车流量时序变化特征提取模块,用于将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;
全局车流时序变化模块,用于将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;
道路拓扑构建模块,用于构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;
道路拓扑特征提取模块,用于将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;
特征融合模块,用于将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;
特征优化模块,用于对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及
道路交通拥堵检测模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
在上述基于道路数据的交通智能规划***中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在上述基于道路数据的交通智能规划***中,所述车流量时序变化特征提取模块,包括:第一邻域尺度特征提取单元,用于将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车流量时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元,用于将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车流量时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元,用于将所述第一邻域尺度车流量时序特征向量和所述第二邻域尺度车流量时序特征向量进行级联以得到所述车流量时序特征向量。其中,所述第一邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到第一邻域尺度车流量时序特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码;所述第二邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到所述第二邻域尺度车流量时序特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码。
在上述基于道路数据的交通智能规划***中,所述道路拓扑特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述道路拓扑结构特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述道路拓扑结构矩阵。
在上述基于道路数据的交通智能规划***中,所述特征融合模块,用于:使用所述图神经网络模型以可学习的神经网络参数对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行图结构编码以得到包含不规则的道路网络拓扑关联特征和所述各个道路车流量时序动态多尺度变化特征信息的所述分类特征矩阵。
在上述基于道路数据的交通智能规划***中,所述特征优化模块,包括:优化因子计算单元,用于对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到尺度融合特征矩阵;优化单元,用于融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵。
在上述基于道路数据的交通智能规划***中,所述特征优化模块,用于:以如下优化公式对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述尺度融合特征矩阵;其中,所述优化公式为:
m1∈M1and m2∈M2
其中,M1和M2分别表示所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵,m1和m2分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵中各个位置的特征值,μ和σ分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵的所有特征值的特征集合的均值和方差,W和H分别是特征矩阵的宽度和高度,且m′是所述尺度融合特征矩阵的各个位置特征值。
在上述基于道路数据的交通智能规划***中,所述优化单元,用于:以如下公式来融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵;其中,所述公式为:
Mc=Concat[Ma,Mb]
其中,Ma表示所述尺度融合特征矩阵,Mb表示所述分类特征矩阵,Concat[·,·]表示级联函数,Mc表示所述优化分类特征矩阵。
在上述基于道路数据的交通智能规划***中,所述道路交通拥堵检测模块,包括:展开单元,用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量;全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种基于道路数据的交通智能规划方法,其包括:
获取多个道路在预定时间段内多个预定时间点的车流量数据;
将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;
将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;
构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;
将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;
将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;
对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于道路数据的交通智能规划方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于道路数据的交通智能规划方法。
与现有技术相比,本申请提供的一种基础设施入网的电网效益评估***及其方法,其通过采用基于深度学习的神经网络模型挖掘出车流量数据的时序动态变化特征和道路网络拓扑特征的关联性特征分布信息,以此来进行道路网络整体的交通拥堵情况等级检测,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于道路数据的交通智能规划***的框图;
图2为根据本申请实施例的基于道路数据的交通智能规划***的***架构图;
图3为根据本申请实施例的基于道路数据的交通智能规划***中车流量时序变化特征提取模块的框图;
图4为根据本申请实施例的基于道路数据的交通智能规划***中卷积神经网络编码的流程图;
图5为根据本申请实施例的基于道路数据的交通智能规划***中特征优化模块的框图;
图6为根据本申请实施例的基于道路数据的交通智能规划***中道路交通拥堵检测模块的框图;
图7为根据本申请实施例的基于道路数据的交通智能规划方法的流程图;
图8为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如前背景技术所言,交通道路网络错综复杂,各个道路上的车流量更是呈现出实时的变化特性,导致目前的交通规划管理方案难以及时地应对这些复杂变化性,无法有效解决城市交通问题。因此,期望一种优化的基于道路数据的交通智能规划方案。
相应地,考虑到在实际进行道路交通规划时,对于道路数据的精准分析尤为重要,但是由于道路网络的复杂性和车流量的动态变化特性导致对于道路的拥挤情况分析的精准度降低,对于交通规划管理的难度增加。基于此,在本申请的技术方案中,期望基于道路网络数据来预测交通拥堵等级,以及时有效地为道路交通规划提供依据,其中,所述道路网络数据包括车流量数据和道路网络拓扑数据。但是,考虑到由于车流量数据在时间维度上存在着时序的动态变化规律,这种变化规律在不同的时间段内具有着不同的变化特性;并且由于道路网络的复杂性,导致道路网络拓扑特征难以被捕捉提取。因此,在此过程中,难点在于如何挖掘所述车流量数据的时序动态变化特征和所述道路网络拓扑特征的关联性特征分布信息,以此来进行道路网络整体的交通拥堵情况等级检测,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述车流量数据的时序动态变化特征和所述道路网络拓扑特征的关联性特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取多个道路在预定时间段内多个预定时间点的车流量数据。接着,考虑到由于所述车流数据在时间维度上存在着动态性的变化规律,并且由于所述车流量数据的波动性和不确定性导致这种动态变化规律在不同的时间周期跨度下呈现出不同的动态变化特征。因此,在本申请的技术方案中,为了能够进行所述车流量数据的时序动态特征充分表达,进一步将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块中进行处理,以提取出所述车流量数据在不同时间跨度下的动态多尺度邻域关联特征,从而得到多个车流量时序特征向量。
然后,为了能够对于道路的交通拥堵情况进行检测,需要关注到所述各个道路的道路网络拓扑情况。因此,在本申请的技术方案中,构造所述多个道路的道路拓扑结构矩阵,特别地,这里,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通,若连通则为1,反之则为0。接着,进一步使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述道路拓扑结构矩阵的特征挖掘,以提取出所述交通道路网络的拓扑关联特征分布信息,从而得到道路拓扑结构特征矩阵。
进一步地,以所述各个车流量时序特征向量作为节点的特征表示,而以所述道路拓扑结构特征矩阵作为节点与节点之间的边的特征表示,将由所述多个车流量时序特征向量经二维排列得到的车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行图结构数据编码以得到包含不规则的道路网络拓扑关联特征和所述各个道路车流量时序动态多尺度变化特征信息的所述分类特征矩阵。
接着,进一步再将所述分类特征矩阵通过分类器中进行分类处理,以得到用于表示多个道路的整体交通拥堵情况的等级标签的分类结果。也就是,在本申请的技术方案中,所述分类器的标签为多个道路的整体交通拥堵情况的等级标签,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。因此,在得到分类结果后,可基于分类结果来进行道路网络整体的交通拥堵情况评估,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
特别地,在本申请的技术方案中,在将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络得到所述分类特征矩阵时,由于所述车流量时序全局特征矩阵的每个车流量时序特征向量表达各个道路的车流量数据在时间维度上的多尺度邻域关联特征,而所述道路拓扑结构特征矩阵的每个位置的特征值表达相应的两个道路之间的连通关系,因此所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵具有不同尺度下的特征表达。因此,期望所述分类特征矩阵能够对于所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵具有不同尺度下的更好的融合效果。
因此,优选地,对所述车流量时序全局特征矩阵M1和所述道路拓扑结构特征矩阵M2进行基于尺度认知的高斯联合密度融合,以得到尺度融合特征矩阵,具体表示为:
m1∈M1and m2∈M2
μ和σ分别是的特征集合(即,所述车流量时序全局特征矩阵M1和所述道路拓扑结构特征矩阵M2的所有特征值的特征集合)的均值和方差,W和H分别是特征矩阵的宽度和高度,且m′是所述尺度融合特征矩阵的特征值。
这里,所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性,为了提高特征融合的有效性和相对于待融合特征的泛化性能,将具有尺度认知的高斯联合密度作为优势函数(advantage function),来对基于均值和方差的特征分布的类表现差异(performance gap)进行策略表达(policy representation),从而提升特征融合的特征-尺度自依赖性。然后,再将所述尺度融合特征矩阵与所述分类特征矩阵进行融合,就使得所述分类特征矩阵能够对于所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵具有不同尺度下的良好的融合效果,从而提高所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地进行道路网络的交通拥堵情况评估,从而及时有效地进行道路交通规划来缓解道路交通拥堵问题。
基于此,本申请提出了一种基于道路数据的交通智能规划***,其包括:车流量数据采集模块,用于获取多个道路在预定时间段内多个预定时间点的车流量数据;车流量时序变化特征提取模块,用于将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;全局车流时序变化模块,用于将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;道路拓扑构建模块,用于构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;道路拓扑特征提取模块,用于将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;特征融合模块,用于将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;特征优化模块,对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及,道路交通拥堵检测模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图1为根据本申请实施例的基于道路数据的交通智能规划***的框图。如图1所示,根据本申请实施例的基于道路数据的交通智能规划***300,包括:车流量数据采集模块310;车流量时序变化特征提取模块320;全局车流时序变化模块330;道路拓扑构建模块340;道路拓扑特征提取模块350;特征融合模块360;特征优化模块370;以及,道路交通拥堵检测模块380。
其中,所述车流量数据采集模块310,用于获取多个道路在预定时间段内多个预定时间点的车流量数据;所述车流量时序变化特征提取模块320,用于将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;所述全局车流时序变化模块330,用于将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;所述道路拓扑构建模块340,用于构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;所述道路拓扑特征提取模块350,用于将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;所述特征融合模块360,用于将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;所述特征优化模块370,用于对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及,所述道路交通拥堵检测模块380,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
图2为根据本申请实施例的基于道路数据的交通智能规划***的***架构图。如图2所示,在该网络架构中,首先通过所述车流量数据采集模块310获取多个道路在预定时间段内多个预定时间点的车流量数据;接着,所述车流量时序变化特征提取模块320将所述车流量数据采集模块310获取的各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;所述全局车流时序变化模块330将所述车流量时序变化特征提取模块320得到的多个车流量时序特征向量排列为车流量时序全局特征矩阵;所述道路拓扑构建模块340构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;然后,所述道路拓扑特征提取模块350将所述道路拓扑构建模块340构造所得的道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;所述特征融合模块360将所述全局车流时序变化模块330得到的车流量时序全局特征矩阵和所述道路拓扑特征提取模块350得到的道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;所述特征优化模块370对所述特征融合模块360得到的分类特征矩阵进行特征优化以得到优化分类特征矩阵;进而,所述道路交通拥堵检测模块380将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述车流量数据采集模块310,用于获取多个道路在预定时间段内多个预定时间点的车流量数据。应可以理解,在实际进行道路交通规划时,对于道路数据的精准分析尤为重要,因此,在本申请的技术方案中,可通过基于道路网络数据来预测交通拥堵等级,以及时有效地为道路交通规划提供依据,其中,所述道路网络数据包括车流量数据和道路网络拓扑数据。在本申请的一个具体示例中,首先,通过车流量传感器来获取多个道路在预定时间段内多个预定时间点的车流量数据。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述车流量时序变化特征提取模块320和所述全局车流时序变化模块330,用于将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;以及,将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵。考虑到由于所述车流数据在时间维度上存在着动态性的变化规律,并且由于所述车流量数据的波动性和不确定性导致这种动态变化规律在不同的时间周期跨度下呈现出不同的动态变化特征。因此,在本申请的技术方案中,为了能够进行所述车流量数据的时序动态特征充分表达,进一步将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块中进行处理,以提取出所述车流量数据在不同时间跨度下的动态多尺度邻域关联特征,从而得到多个车流量时序特征向量。接着,再将所述多个车流量时序特征向量二维排列为车流量时序全局特征矩阵。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
图3为根据本申请实施例的基于道路数据的交通智能规划***中车流量时序变化特征提取模块的框图。如图3所示,所述车流量时序变化特征提取模块330,包括:第一邻域尺度特征提取单元331,用于将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车流量时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;第二邻域尺度特征提取单元332,用于将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车流量时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,多尺度级联单元333,用于将所述第一邻域尺度车流量时序特征向量和所述第二邻域尺度车流量时序特征向量进行级联以得到所述车流量时序特征向量。其中,所述第一邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到第一邻域尺度车流量时序特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码;所述第二邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到所述第二邻域尺度车流量时序特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述道路拓扑构建模块340,用于构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通。为了能够对于道路的交通拥堵情况进行检测,需要关注到所述各个道路的道路网络拓扑情况。因此,在本申请的技术方案中,构造所述多个道路的道路拓扑结构矩阵,特别地,这里,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通,若连通则为1,反之则为0。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述道路拓扑特征提取模块350,用于将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵。也就是,使用在隐含关联特征提取方面具有优异表现的作为特征提取器的卷积神经网络模型来进行所述道路拓扑结构矩阵的特征挖掘,以提取出所述交通道路网络的拓扑关联特征分布信息,从而得到道路拓扑结构特征矩阵。在一个具体示例中,所述卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述卷积神经网络的编码过程中,所述卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理。
图4为根据本申请实施例的基于道路数据的交通智能规划***中卷积神经网络编码的流程图。如图4所示,在所诉卷积神经网络的编码过程中,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:S210,对输入数据进行卷积处理以得到卷积特征图;S220,对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,S230,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述道路拓扑结构特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述道路拓扑结构矩阵。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述特征融合模块360,用于将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵。也就是,在得到所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵后,进一步将两者进行特征融合。更具体地,以所述各个车流量时序特征向量作为节点的特征表示,而以所述道路拓扑结构特征矩阵作为节点与节点之间的边的特征表示,将由所述多个车流量时序特征向量经二维排列得到的车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵。具体地,所述图神经网络模型通过可学习的神经网络参数对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行图结构数据编码以得到包含不规则的道路网络拓扑关联特征和所述各个道路车流量时序动态多尺度变化特征信息的所述分类特征矩阵。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述特征优化模块370,用于对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵。特别地,在本申请的技术方案中,在将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络得到所述分类特征矩阵时,由于所述车流量时序全局特征矩阵的每个车流量时序特征向量表达各个道路的车流量数据在时间维度上的多尺度邻域关联特征,而所述道路拓扑结构特征矩阵的每个位置的特征值表达相应的两个道路之间的连通关系,因此所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵具有不同尺度下的特征表达。因此,期望所述分类特征矩阵能够对于所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵具有不同尺度下的更好的融合效果。因此,优选地,对所述车流量时序全局特征矩阵M1和所述道路拓扑结构特征矩阵M2进行基于尺度认知的高斯联合密度融合,以得到尺度融合特征矩阵,具体表示为:
m1∈M1and m2∈M2
其中,M1和M2分别表示所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵,m1和m2分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵中各个位置的特征值,μ和σ分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵的所有特征值的特征集合的均值和方差,W和H分别是特征矩阵的宽度和高度,且m′是所述尺度融合特征矩阵的各个位置特征值。这里,所述基于尺度认知的高斯联合密度融合考虑到待融合特征的尺度最优表达特性,为了提高特征融合的有效性和相对于待融合特征的泛化性能,将具有尺度认知的高斯联合密度作为优势函数(advantage function),来对基于均值和方差的特征分布的类表现差异(performance gap)进行策略表达(policyrepresentation),从而提升特征融合的特征-尺度自依赖性。然后,再将所述尺度融合特征矩阵与所述分类特征矩阵进行融合,就使得所述分类特征矩阵能够对于所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵具有不同尺度下的良好的融合效果,从而提高所述分类特征矩阵通过分类器得到的分类结果的准确性。这样,能够准确地进行道路网络的交通拥堵情况评估,从而及时有效地进行道路交通规划来缓解道路交通拥堵问题。
图5为根据本申请实施例的基于道路数据的交通智能规划***中特征优化模块的框图。如图5所示,所述特征优化模块370,包括:优化因子计算单元371,用于对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到尺度融合特征矩阵;优化单元372,用于融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵。更具体地,所述优化单元372,包括:以如下公式来融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵;其中,所述公式为:
Mc=Concat[Ma,Mb]
其中,Ma表示所述尺度融合特征矩阵,Mb表示所述分类特征矩阵,Concat[·,·]表示级联函数,Mc表示所述优化分类特征矩阵。
具体地,在所述基于道路数据的交通智能规划***300的运行过程中,所述道路交通拥堵检测模块380,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。也就是,将所述优化分类特征矩阵作为分类特征矩阵通过分类器以获得分类结果,具体地,使用所述分类器以如下公式对所述优化分类特征矩阵进行处理以获得分类结果,其中,所述公式为:
O=softmax{(Wn,Bn):…:(W1,B1)|Project(F)},其中Project(F)表示
将所述优化分类特征矩阵投影为向量,W1至Wn为各层全连接层的权重矩阵,B1至Bn表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述优化分类特征矩阵投影为向量,例如,在一个具体的示例中,将所述优化分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中,所述分类器的标签为多个道路的整体交通拥堵情况的等级标签,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。因此,在得到分类结果后,可基于分类结果来进行道路网络整体的交通拥堵情况评估,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
图6为根据本申请实施例的基于道路数据的交通智能规划***中道路交通拥堵检测模块的框图。如图6所示,所述道路交通拥堵检测模块380,包括:展开单元381,用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量;全连接编码单元382,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类结果生成单元383,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于道路数据的交通智能规划***300被阐明,其通过采用基于深度学习的神经网络模型挖掘出车流量数据的时序动态变化特征和道路网络拓扑特征的关联性特征分布信息,以此来进行道路网络整体的交通拥堵情况等级检测,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
如上所述,根据本申请实施例的基于道路数据的交通智能规划***可以实现在各种终端设备中。在一个示例中,根据本申请实施例的基于道路数据的交通智能规划***300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于道路数据的交通智能规划***300可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于道路数据的交通智能规划***300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于道路数据的交通智能规划***300与该终端设备也可以是分立的设备,并且该基于道路数据的交通智能规划***300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图7为根据本申请实施例的基于道路数据的交通智能规划方法的流程图。如图7所示,根据本申请实施例的基于道路数据的交通智能规划方法,包括步骤:S110,获取多个道路在预定时间段内多个预定时间点的车流量数据;S120,将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;S130,将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;S140,构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;S150,将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;S160,将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;S170,对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及,S180,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
在一个示例中,在上述基于道路数据的交通智能规划方法中,所述步骤S120,包括:将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车流量时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车流量时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度车流量时序特征向量和所述第二邻域尺度车流量时序特征向量进行级联以得到所述车流量时序特征向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。更具体地,将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车流量时序特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到第一邻域尺度车流量时序特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码;以及,将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车流量时序特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到所述第二邻域尺度车流量时序特征向量;其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码。
在一个示例中,在上述基于道路数据的交通智能规划方法中,所述步骤S150,包括:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述道路拓扑结构特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述道路拓扑结构矩阵。
在一个示例中,在上述基于道路数据的交通智能规划方法中,所述步骤S160,包括:使用所述图神经网络模型以可学习的神经网络参数对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行图结构编码以得到包含不规则的道路网络拓扑关联特征和所述各个道路车流量时序动态多尺度变化特征信息的所述分类特征矩阵。
在一个示例中,在上述基于道路数据的交通智能规划方法中,所述步骤S170,包括:对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到尺度融合特征矩阵;融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵。更具体地,对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵,包括:以如下优化公式对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述尺度融合特征矩阵;其中,所述优化公式为:
m1∈M1 and m2∈M2
其中,M1和M2分别表示所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵,m1和m2分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵中各个位置的特征值,μ和σ分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵的所有特征值的特征集合的均值和方差,W和H分别是特征矩阵的宽度和高度,且m′是所述尺度融合特征矩阵的各个位置特征值。
在一个示例中,在上述基于道路数据的交通智能规划方法中,所述步骤S180,包括:将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的基于道路数据的交通智能规划方法被阐明,其通过采用基于深度学习的神经网络模型挖掘出车流量数据的时序动态变化特征和道路网络拓扑特征的关联性特征分布信息,以此来进行道路网络整体的交通拥堵情况等级检测,从而及时有效地为道路交通规划提供依据,以做出相应的道路交通规划来缓解道路交通拥堵问题。
示例性电子设备
下面,参考图8来描述根据本申请实施例的电子设备。
图8图示了根据本申请实施例的电子设备的框图。
如图8所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的基于道路数据的交通智能规划***中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如道路拓扑结构特征矩阵等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图8中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的基础设施入网的电网效益评估方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性***”部分中描述的根据本申请各种实施例的基础设施入网的电网效益评估方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种基于道路数据的交通智能规划***,其特征在于,包括:
车流量数据采集模块,用于获取多个道路在预定时间段内多个预定时间点的车流量数据;
车流量时序变化特征提取模块,用于将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;
全局车流时序变化模块,用于将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;
道路拓扑构建模块,用于构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;
道路拓扑特征提取模块,用于将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;
特征融合模块,用于将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;
特征优化模块,用于对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及
道路交通拥堵检测模块,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
2.根据权利要求1所述的基于道路数据的交通智能规划***,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
3.根据权利要求2所述的基于道路数据的交通智能规划***,其特征在于,所述车流量时序变化特征提取模块,包括:
第一邻域尺度特征提取单元,用于将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度车流量时序特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;
第二邻域尺度特征提取单元,用于将所述车流量时序输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度车流量时序特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及
多尺度级联单元,用于将所述第一邻域尺度车流量时序特征向量和所述第二邻域尺度车流量时序特征向量进行级联以得到所述车流量时序特征向量。
其中,所述第一邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第一卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到第一邻域尺度车流量时序特征向量;
其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、F(a)为第一卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码;
所述第二邻域尺度特征提取单元,用于:使用所述多尺度邻域特征提取模块的第二卷积层以如下一维卷积公式对所述车流量时序输入向量进行一维卷积编码以得到所述第二邻域尺度车流量时序特征向量;
其中,所述公式为:
其中,b为第二卷积核在x方向上的宽度、F(b)为第二卷积核参数向量、G(x-b)为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述车流量时序输入向量,Cov(X)表示对所述车流量时序输入向量进行一维卷积编码。
4.根据权利要求3所述的基于道路数据的交通智能规划***,其特征在于,所述道路拓扑特征提取模块,用于:使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:
对输入数据进行卷积处理以得到卷积特征图;
对所述卷积特征图进行沿通道维度的池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述作为特征提取器的卷积神经网络的最后一层的输出为所述道路拓扑结构特征矩阵,所述作为特征提取器的卷积神经网络的第一层的输入为所述道路拓扑结构矩阵。
5.根据权利要求4所述的基于道路数据的交通智能规划***,其特征在于,所述特征融合模块,用于:使用所述图神经网络模型以可学习的神经网络参数对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行图结构编码以得到包含不规则的道路网络拓扑关联特征和所述各个道路车流量时序动态多尺度变化特征信息的所述分类特征矩阵。
6.根据权利要求5所述的基于道路数据的交通智能规划***,其特征在于,所述特征优化模块,包括:
优化因子计算单元,用于对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到尺度融合特征矩阵;
优化单元,用于融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵。
7.根据权利要求6所述的基于道路数据的交通智能规划***,其特征在于,所述特征优化模块,用于:以如下优化公式对所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵进行基于尺度认知的高斯联合密度融合以得到所述尺度融合特征矩阵;
其中,所述优化公式为:
m1∈M1 and m2∈M2
其中,M1和M2分别表示所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵,m1和m2分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵中各个位置的特征值,μ和σ分别是所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵的所有特征值的特征集合的均值和方差,W和H分别是特征矩阵的宽度和高度,且m′是所述尺度融合特征矩阵的各个位置特征值。
8.根据权利要求7所述的基于道路数据的交通智能规划***,其特征在于,所述优化单元,用于:以如下公式来融合所述尺度融合特征矩阵和所述分类特征矩阵以得到所述优化分类特征矩阵;
其中,所述公式为:
Mc=Concat[Ma,Mb]
其中,Ma表示所述尺度融合特征矩阵,Mb表示所述分类特征矩阵,Concat[·,·]表示级联函数,Mc表示所述优化分类特征矩阵。
9.根据权利要求8所述的基于道路数据的交通智能规划***,其特征在于,所述道路交通拥堵检测模块,包括:
展开单元,用于将所述优化分类特征矩阵基于行向量或列向量展开为分类特征向量;
全连接编码单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类结果生成单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种基于道路数据的交通智能规划方法,其特征在于,包括:
获取多个道路在预定时间段内多个预定时间点的车流量数据;
将所述各个道路在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为车流量时序输入向量后通过多尺度邻域特征提取模块以得到多个车流量时序特征向量;
将所述多个车流量时序特征向量排列为车流量时序全局特征矩阵;
构造所述多个道路的道路拓扑结构矩阵,其中,所述道路拓扑结构矩阵中各个位置的值用于表示相应两个道路之间是否连通;
将所述道路拓扑结构矩阵通过作为特征提取器的卷积神经网络模型以得到道路拓扑结构特征矩阵;
将所述车流量时序全局特征矩阵和所述道路拓扑结构特征矩阵通过图神经网络模型以得到分类特征矩阵;
对所述分类特征矩阵进行特征优化以得到优化分类特征矩阵;以及
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示所述多个道路的整体交通拥堵情况的等级标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423740.5A CN116486622A (zh) | 2023-04-19 | 2023-04-19 | 基于道路数据的交通智能规划***及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310423740.5A CN116486622A (zh) | 2023-04-19 | 2023-04-19 | 基于道路数据的交通智能规划***及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486622A true CN116486622A (zh) | 2023-07-25 |
Family
ID=87217185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310423740.5A Pending CN116486622A (zh) | 2023-04-19 | 2023-04-19 | 基于道路数据的交通智能规划***及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486622A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116051A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市交投科技有限公司 | 基于人工智能的智慧交通管理***及其方法 |
CN117935562A (zh) * | 2024-03-22 | 2024-04-26 | 山东双百电子有限公司 | 一种基于深度学习的交通灯控制方法及*** |
CN118096479A (zh) * | 2024-04-28 | 2024-05-28 | 济南市勘察测绘研究院 | 基于gis技术的不动产测绘信息管理***及方法 |
-
2023
- 2023-04-19 CN CN202310423740.5A patent/CN116486622A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116051A (zh) * | 2023-10-25 | 2023-11-24 | 深圳市交投科技有限公司 | 基于人工智能的智慧交通管理***及其方法 |
CN117116051B (zh) * | 2023-10-25 | 2023-12-22 | 深圳市交投科技有限公司 | 基于人工智能的智慧交通管理***及其方法 |
CN117935562A (zh) * | 2024-03-22 | 2024-04-26 | 山东双百电子有限公司 | 一种基于深度学习的交通灯控制方法及*** |
CN117935562B (zh) * | 2024-03-22 | 2024-06-07 | 山东双百电子有限公司 | 一种基于深度学习的交通灯控制方法及*** |
CN118096479A (zh) * | 2024-04-28 | 2024-05-28 | 济南市勘察测绘研究院 | 基于gis技术的不动产测绘信息管理***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Dynamic graph convolutional recurrent network for traffic prediction: Benchmark and solution | |
Tian et al. | Spatial‐temporal attention wavenet: A deep learning framework for traffic prediction considering spatial‐temporal dependencies | |
Yan et al. | Learning dynamic and hierarchical traffic spatiotemporal features with transformer | |
CN116486622A (zh) | 基于道路数据的交通智能规划***及其方法 | |
de Medrano et al. | A spatio-temporal attention-based spot-forecasting framework for urban traffic prediction | |
CN113486726A (zh) | 一种基于改进卷积神经网络的轨道交通障碍物检测方法 | |
CN115759658B (zh) | 适用于智慧城市的企业能耗数据管理*** | |
CN115783923B (zh) | 基于大数据的电梯故障模式识别*** | |
CN111800289B (zh) | 通信网络故障分析方法和装置 | |
Ren et al. | Short‐Term Traffic Flow Prediction: A Method of Combined Deep Learnings | |
CN115834433B (zh) | 基于物联网技术的数据处理方法及*** | |
Mehdi et al. | Entropy-based traffic flow labeling for CNN-based traffic congestion prediction from meta-parameters | |
CN116373732A (zh) | 车辆指示灯的控制方法及*** | |
Chen et al. | Node connection strength matrix-based graph convolution network for traffic flow prediction | |
Kolekar et al. | Behavior prediction of traffic actors for intelligent vehicle using artificial intelligence techniques: A review | |
Shen et al. | An attention-based digraph convolution network enabled framework for congestion recognition in three-dimensional road networks | |
CN117690098B (zh) | 一种基于动态图卷积的开放驾驶场景下多标签识别方法 | |
Cui et al. | Spatiotemporal correlation modelling for machine learning-based traffic state predictions: state-of-the-art and beyond | |
Prabowo et al. | Because every sensor is unique, so is every pair: Handling dynamicity in traffic forecasting | |
Zhao et al. | Traffic inflow and outflow forecasting by modeling intra-and inter-relationship between flows | |
Papathanasopoulou et al. | Data-driven traffic simulation models: Mobility patterns using machine learning techniques | |
Hua et al. | Freeway traffic speed prediction under the intelligent driving environment: a deep learning approach | |
Campos-Cordobés et al. | Big data in road transport and mobility research | |
CN116247824B (zh) | 电力设备的控制方法及其*** | |
Al-Yarimi | Enhancing road safety through advanced predictive analytics in V2X communication networks |
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 |