[發(fā)明專利]一種基于多源交通大數(shù)據(jù)融合的突發(fā)擁堵判別方法及系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010511400.4
• 申請(qǐng)日: 2020-06-08
• 公開(kāi)（公告）號(hào): CN111680745B
• 公開(kāi)（公告）日: 2021-03-16
• 發(fā)明（設(shè)計(jì)）人: 楊海強(qiáng);王澤
• 申請(qǐng)（專利權(quán)）人: 青島大學(xué);浙江警察學(xué)院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G08G1/01;G08G1/04;G08G1/042
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 杜陽(yáng)陽(yáng)

1.一種基于多源交通大數(shù)據(jù)融合的突發(fā)擁堵判別方法，其特征在于，所述判別方法包括如下步驟：

獲取多源交通數(shù)據(jù)，建立數(shù)據(jù)樣本集，并將所述數(shù)據(jù)樣本集劃分為訓(xùn)練集和測(cè)試集；所述多源交通數(shù)據(jù)包括交通參數(shù)類特征數(shù)據(jù)、時(shí)段類特征數(shù)據(jù)和環(huán)境類特征數(shù)據(jù)；所述交通參數(shù)類特征數(shù)據(jù)為與交通擁堵相關(guān)的交通數(shù)據(jù)，所述交通參數(shù)類特征數(shù)據(jù)包括電子警察、微波設(shè)備、多目標(biāo)雷達(dá)、感應(yīng)線圈和浮動(dòng)車檢測(cè)的交通數(shù)據(jù)，所述時(shí)段類特征數(shù)據(jù)為與交通擁堵相關(guān)的時(shí)段數(shù)據(jù)，所述時(shí)段類特征數(shù)據(jù)包括日類型數(shù)據(jù)和時(shí)段類型數(shù)據(jù)；所述環(huán)境類特征數(shù)據(jù)為與交通擁堵相關(guān)的環(huán)境數(shù)據(jù)，所述環(huán)境類特征數(shù)據(jù)包括路段長(zhǎng)度、車道數(shù)量和路段所屬道路等級(jí)；

建立用于突發(fā)擁堵判別的神經(jīng)網(wǎng)絡(luò)模型；

以誤差平方和為損失函數(shù)，利用所述訓(xùn)練集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型；

將所述測(cè)試集輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，獲得判別結(jié)果，并計(jì)算判別結(jié)果的準(zhǔn)確率，獲得第一準(zhǔn)確率；

判斷所述第一準(zhǔn)確率是否大于第一準(zhǔn)確率閾值，得到第一判斷結(jié)果；

若所述第一判斷結(jié)果表示否，則返回步驟“以誤差平方和為損失函數(shù)，利用所述訓(xùn)練集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型”；

若所述第一判斷結(jié)果表示是，輸出所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型作為突發(fā)擁堵判別模型；

采集獲得當(dāng)前時(shí)段和路段的多源交通數(shù)據(jù)，并將當(dāng)前時(shí)段和路段的多源交通數(shù)據(jù)輸入所述突發(fā)擁堵判別模型，獲得當(dāng)前時(shí)段和路段的擁堵判別結(jié)果；

所述輸出所述訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型作為突發(fā)擁堵判別模型，之后還包括：

將測(cè)試集中的多源交通數(shù)據(jù)樣本中電子警察、微波設(shè)備、多目標(biāo)雷達(dá)、感應(yīng)線圈和浮動(dòng)車中的一個(gè)或多個(gè)檢測(cè)設(shè)備檢測(cè)的交通數(shù)據(jù)設(shè)置為0，獲得特殊場(chǎng)景的測(cè)試集；

將所述特殊場(chǎng)景的測(cè)試集輸入訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，獲得判別結(jié)果，并計(jì)算判別結(jié)果的準(zhǔn)確率，獲得第二準(zhǔn)確率；

判斷所述第二準(zhǔn)確率是否大于第二準(zhǔn)確率閾值，得到第二判斷結(jié)果；

若所述第二判斷結(jié)果表示否，則對(duì)應(yīng)的將訓(xùn)練集中的多源交通數(shù)據(jù)樣本中電子警察、微波設(shè)備、多目標(biāo)雷達(dá)、感應(yīng)線圈和浮動(dòng)車中的一個(gè)或多個(gè)檢測(cè)設(shè)備檢測(cè)的交通數(shù)據(jù)設(shè)置為0，將設(shè)置完成后的訓(xùn)練集與設(shè)置之前的訓(xùn)練集進(jìn)行組合，得到組合后的訓(xùn)練集，返回步驟“以誤差平方和為損失函數(shù)，利用所述訓(xùn)練集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型”；

若所述第二判斷結(jié)果表示是，則輸出訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型作為突發(fā)擁堵判別模型。

2.根據(jù)權(quán)利要求1所述的基于多源交通大數(shù)據(jù)融合的突發(fā)擁堵判別方法，其特征在于，所述以誤差平方和為損失函數(shù)，利用所述訓(xùn)練集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型，具體包括：

將所述訓(xùn)練集中的多源交通數(shù)據(jù)樣本輸入所述神經(jīng)網(wǎng)絡(luò)模型，獲得預(yù)測(cè)值；

利用誤差平方和計(jì)算公式計(jì)算損失函數(shù)值；其中，x_i是訓(xùn)練集中的第i組多源交通數(shù)據(jù)樣本，f(x_i)是第i組多源交通數(shù)據(jù)樣本的損失函數(shù)，G(x_i)是第i組多源交通數(shù)據(jù)樣本經(jīng)神經(jīng)網(wǎng)絡(luò)模型計(jì)算后獲得的預(yù)測(cè)值，y_i是第i組多源交通數(shù)據(jù)樣本對(duì)應(yīng)的真實(shí)值；

判斷所述損失函數(shù)值是否小于損失函數(shù)閾值，得到第三判斷結(jié)果；

若所述第三判斷結(jié)果表示否，則利用梯度下降法更新所述神經(jīng)網(wǎng)絡(luò)模型，返回步驟“將所述訓(xùn)練集中的多源交通數(shù)據(jù)樣本輸入所述神經(jīng)網(wǎng)絡(luò)模型，獲得預(yù)測(cè)值”；

若所述第三判斷結(jié)果表示是，則輸出訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求1所述的基于多源交通大數(shù)據(jù)融合的突發(fā)擁堵判別方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型包括輸入層、第一隱藏層、第二隱藏層和輸出層；

所述輸入層包括多源交通數(shù)據(jù)樣本中的交通數(shù)據(jù)種類數(shù)的神經(jīng)元，所述第一隱藏層包括5個(gè)神經(jīng)元，所述第二隱藏層包括3個(gè)神經(jīng)元，所述輸出層包括2個(gè)神經(jīng)元。

4.根據(jù)權(quán)利要求1所述的基于多源交通大數(shù)據(jù)融合的突發(fā)擁堵判別方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型的激活函數(shù)為：

其中，f'(x)表示激活函數(shù)，x表示輸入神經(jīng)網(wǎng)絡(luò)模型的多源交通數(shù)據(jù)，e表示自然對(duì)數(shù)的底數(shù)。