[發明專利]基于有向圖卷積神經網絡的城市交通態勢識別方法

有效

• 申請號: 202010305319.0
• 申請日: 2020-04-17
• 公開（公告）號: CN111540198B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 劉端陽;韓笑;沈國江;楊曦;劉志;朱李楠;阮中遠
• 申請（專利權）人: 浙江工業大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

基于有向圖卷積神經網絡的城市交通態勢識別方法，首先，對歷史交通流信息進行交通態勢分類，根據“點邊”轉換規則，把城市路網轉換成有向圖，并提取相應的子圖；然后，計算有向邊的權重和非直接相連節點間的權重，標準化處理子圖節點個數，計算子圖的交通信息矩陣及其特征矩陣；最后，設計交通有向圖卷積神經網絡模型，并進行訓練和測試，該模型可以分類實時交通流信息，從而識別出所有路段的實時交通態勢。本發明方法充分考慮了混合路網下不同層級、不同等級的有向路段之間的關聯關系，設計了統一的標準化模型輸入和交通態勢識別模型，具有很好的普適性；而且，方法具有流程簡單、計算容易和易編程實現等特點，可以適用于復雜的城市路網。

技術領域

本發明涉及智能交通的城市交通態勢識別方法，城市交通態勢識別不僅可以方便車輛駕駛員進行路徑規則，也可以用于城市交通管理，為交通管理措施的制定和實施提供依據。

背景技術

基于數據驅動的智能交通系統開始逐步融入人們的日常生活。智能交通系統每天都產生和運用大量的數據，這些數據可以更好地分析城市交通狀況，并對交通管控提供非常大的幫助。根據國內2018年主要城市交通分析報告顯示，中大型城市高峰時間擁堵里程比大多超過5％，即每公里道路就有50米路段是擁堵的。在這種情況下，交通態勢識別可以及時發現路段的擁堵狀態，預先對交通進行干預，對緩解路網通行壓力、分散擁堵和消除擁堵形成誘因至關重要。總而言之，正確識別城市交通態勢是進行交通誘導和交通管控的基石，也是智能交通系統中“智能化”的一個表現。

城市交通態勢主要采用神經網絡方法進行識別。由于城市路網極其復雜的特點，大多數原有的神經網絡方法主要針對特定特征道路進行交通流分析，如高速公路、具有規整網格形式的十字路口等，這些道路都可以將空間維度降維成一維數組或者二維矩陣這類結構化形式，然后通過循環神經網絡(Recurrent Neural Network：RNN)、卷積神經網絡(Convolutional Neural Network：CNN)等要求結構化輸入的神經網絡進行訓練，從而獲得分析結果。除此之外，還有一些方法依據道路的拓撲結構建立靜態路網結構下的神經網絡模型，能夠完整地捕獲局部路網交通信息，但模型受限于已構建好的模型結構，當路網拓撲關系改變時，需要重新定義和重新訓練模型。

目前，現有的城市交通態勢識別方法存在以下主要問題：1)大多數神經網絡方法采用結構化輸入，這類方法沒有考慮城市路網存在的大量單行線、潮汐車道、市內高架和地下隧道等各類不同結構，不能全面地掌握目標路段周圍的交通路網信息；2)另外一些方法采用了靜態路網建模方法，這類方法雖然能夠全面地捕獲路網在空間上的關聯關系，但需要消耗大量計算資源，不能適用于全部路段，因為每一個路段都需要訓練一個模型，都需要消耗不少軟硬件資源；3)許多交通態勢識別方法設計流程和計算過程都很復雜，無法應用于實際的交通環境。

發明內容

本發明要克服現有技術的上述不足之處，提供基于有向圖卷積神經網絡的城市交通態勢識別方法，可以適用于復雜的城市路網。

本發明方法首先根據定義的交通態勢等級，對歷史交通流信息進行標記和分類，同時，采用“點邊”轉換規則，把靜態的城市路網轉換成有向圖，并提取相應的子圖；然后，計算有向邊的權重和非直接相連節點間的權重，標準化處理子圖的節點個數，并計算子圖的交通信息矩陣及其特征矩陣；最后，設計交通有向圖卷積神經網絡模型，并訓練和測試該模型，訓練好的模型可以分類實時交通流信息，從而識別出城市路網所有路段的實時交通態勢。本發明方法充分考慮了混合路網下不同層級、不同等級的有向路段之間的關聯關系，根據不同的交通路網結構，設計了統一的標準化模型輸入和交通態勢識別模型，具有很好的普適性；而且，方法具有流程簡單、計算容易和易編程實現等特點，可以適用于復雜的城市路網。

本發明是通過以下技術方案達到上述目的，即基于有向圖卷積神經網絡的城市交通態勢識別方法，具體的實施步驟如下：

(1)獲取城市路網的歷史交通流信息。通過智能交通信息系統，獲取城市路網的歷史交通流信息。