[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)

本發(fā)明公開(kāi)了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)，所述方法首先獲得包括交通參數(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)的多源交通數(shù)據(jù)，建立數(shù)據(jù)樣本集，并劃分為訓(xùn)練集和測(cè)試集，利用訓(xùn)練集和測(cè)試集對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和優(yōu)化，得到突發(fā)擁堵判別模型，將采集得到的當(dāng)前時(shí)段和路段的多源交通數(shù)據(jù)輸入突發(fā)擁堵判別模型，進(jìn)行擁堵判別，本發(fā)明利用以城市路網(wǎng)中的多源交通檢測(cè)器檢測(cè)的數(shù)據(jù)為基礎(chǔ)，并考慮了突發(fā)擁堵相關(guān)的時(shí)段類特征和環(huán)境類特征的多源交通數(shù)據(jù)和具有極強(qiáng)容錯(cuò)性的神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了利用道路網(wǎng)絡(luò)中廣泛布設(shè)的交通檢測(cè)器精準(zhǔn)感知道路交通狀態(tài)，實(shí)現(xiàn)路網(wǎng)突發(fā)擁堵事件的及時(shí)準(zhǔn)確判別。

技術(shù)領(lǐng)域

本發(fā)明涉及交通管理技術(shù)領(lǐng)域，特別涉及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)。

背景技術(shù)

城市道路中的安全事故、貨物拋灑、路邊停車等突發(fā)性事件，造成交通流瓶頸，引起交通擁堵，影響交通運(yùn)行效率。同時(shí)，突發(fā)事件如果不及時(shí)處置疏導(dǎo)，瓶頸效應(yīng)會(huì)引起上游交通流排隊(duì)，進(jìn)而蔓延至周邊路段，影響更大范圍的交通流運(yùn)行，導(dǎo)致更大范圍的擁堵。相對(duì)于城市路網(wǎng)中的常發(fā)擁堵，突發(fā)擁堵的時(shí)間和地點(diǎn)隨機(jī)性較強(qiáng)，在城市交通管理中往往依靠視頻人工巡檢、市民上報(bào)等途徑獲知突發(fā)擁堵事件的信息。通過(guò)城市道路網(wǎng)絡(luò)中分布的電子警察、卡口監(jiān)控等食品監(jiān)控設(shè)備，通過(guò)人工觀測(cè)的方式可以識(shí)別一部分突發(fā)擁堵事件，但是由于人員配備不足，視頻人工巡檢全是路網(wǎng)一次往往需要幾個(gè)小時(shí)，造成事件的遺漏。此外，居民通過(guò)122報(bào)警、公眾號(hào)等眾包途徑將事件上報(bào)，需要進(jìn)一步校驗(yàn)審核，擁堵事件的時(shí)效性難以保證。而互聯(lián)網(wǎng)企業(yè)通過(guò)浮動(dòng)車采樣數(shù)據(jù)進(jìn)行擁堵識(shí)別，其道路平均采樣率不足20％，隨機(jī)性及偶然性對(duì)識(shí)別結(jié)果的準(zhǔn)確度影響極大。綜上所述，目前城市突發(fā)交通擁堵檢測(cè)方法的準(zhǔn)確率和時(shí)效性都無(wú)法保證。如果利用道路網(wǎng)絡(luò)中廣泛布設(shè)的交通檢測(cè)器，精準(zhǔn)感知道路交通狀態(tài)，實(shí)現(xiàn)路網(wǎng)突發(fā)擁堵事件的及時(shí)、準(zhǔn)確檢測(cè)，已經(jīng)成為行業(yè)內(nèi)的迫切需求。

發(fā)明內(nèi)容

本發(fā)明的目的是提供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，以實(shí)現(xiàn)利用道路網(wǎng)絡(luò)中廣泛布設(shè)的交通檢測(cè)器，精準(zhǔn)感知道路交通狀態(tài)，實(shí)現(xiàn)路網(wǎng)突發(fā)擁堵事件的及時(shí)準(zhǔn)確檢測(cè)。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

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，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。

可選的，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：