[發明專利]一種基于多源交通大數據融合的突發擁堵判別方法及系統

在審

• 申請號: 202011295441.0
• 申請日: 2020-11-18
• 公開（公告）號: CN112489421A
• 公開（公告）日: 2021-03-12
• 發明（設計）人: 蔣璇
• 申請（專利權）人: 南京速安交通科技有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01
• 代理公司: 南京蘇博知識產權代理事務所(普通合伙) 32411
• 代理人: 伍兵

1.一種基于多源交通大數據融合的突發擁堵判別方法，其特征在于，包括以下步驟：

將實時路況圖進行路網矢量化，并基于交通流向，構建離散點間的拓撲關系；

利用模糊融合的迭代算法將獲取多源交通大數據進行融合，并構建數據集；

利用神經網絡模型對訓練數據集進行訓練，并利用誤差平方和損失函數進行收斂，得到對應的判別模型；

將所述數據集中的任意多個所述多源交通大數據進行歸零后輸入驗證后的所述判別模型進行訓練，得到擁堵判別模型；

基于所述拓撲關系獲取多個突發數據，并利用所述擁堵判別模型輸出對應的預測結果。

2.如權利要求1所述的基于多源交通大數據融合的突發擁堵判別方法，其特征在于，在得到所述預測結果后，所述方法還包括：

根據所述預測結果，建立對應的拓撲等級關系，并觸發對應的路況色素賦值預警信息。

3.如權利要求1所述的基于多源交通大數據融合的突發擁堵判別方法，其特征在于，將實時路況圖進行路網矢量化，并基于交通流向，構建離散點間的拓撲關系，包括：

將獲取的實時路況圖導入地理信息系統創建金字塔，并新建附屬文件將所述實時路況圖進行矢量化，同時對相交點進行標注。

4.如權利要求3所述的基于多源交通大數據融合的突發擁堵判別方法，其特征在于，利用神經網絡模型對訓練數據集進行訓練，并利用誤差平方和損失函數進行收斂，得到對應的判別模型，包括：

以彈性分布式數據集形式對所述數據集進行有放回抽取采樣，得到訓練數據集；利用集成學習算法將所述訓練數據集輸入神經網絡模型中進行反向迭代訓練。

5.如權利要求4所述的基于多源交通大數據融合的突發擁堵判別方法，其特征在于，利用神經網絡模型對訓練數據集進行訓練，并利用誤差平方和損失函數進行收斂，得到對應的判別模型，還包括：

利用誤差平方和損失函數和第一閾值對所述訓練數據集的訓練值進行收斂判斷，然后將除所述訓練數據集外的數據作為測試數據集輸入所述神經網絡中進行驗證，得到對應的輸出值。

6.如權利要求1所述的基于多源交通大數據融合的突發擁堵判別方法，其特征在于，基于所述拓撲關系獲取多個突發數據，并利用所述擁堵判別模型輸出對應的預測結果，包括：

根據設定輸出值與對應的所述輸出值之間的誤差函數進行反向傳播迭代，同時利用梯度下降法和批量更新法調節所述神經網絡參數，直至所有所述輸出值滿足閾值范圍，得到對應的判別模型。

7.一種基于多源交通大數據融合的突發擁堵判別系統，如權利要求1至權利要求6任一項所述的一種基于多源交通大數據融合的突發擁堵判別方法應用于一種基于多源交通大數據融合的突發擁堵判別系統，其特征在于，

所述基于多源交通大數據融合的突發擁堵判別系統包括數據獲取模塊、路網構建模塊、數據融合模塊、判別模型構建模塊、擁堵判別模型構建模塊和數據聯動預測模塊，所述數據獲取模塊與所述路網構建模塊、所述數據融合模塊和所述數據聯動預測模塊連接，所述數據融合模塊、所述判別模型構建模塊、所述擁堵判別模型構建模塊和所述數據聯動預測模塊依次連接，所述數據聯動預測模塊還與所述路網構建模塊連接；

所述數據獲取模塊，用于獲取實時路況圖和基于大數據平臺獲取的多源交通大數據；

所述路網構建模塊，用于將所述實時路況圖進行路網矢量化，并基于交通流向，構建離散點間的拓撲關系；

所述數據融合模塊，用于利用利用模糊融合的迭代算法將獲取多源交通大數據進行融合，并構建數據集；

所述判別模型構建模塊，用于利用集成學習算法將構建的訓練數據集輸入神經網絡模型中進行反向迭代訓練，并將測試數據集輸入收斂的所述神經網絡中進行方向傳播迭代，同時利用梯度下降法和批量更新法調節所述神經網絡參數，得到對應的判別模型；

所述擁堵判別模型構建模塊，用于將所述數據集中的任意多個所述多源交通大數據進行歸零后輸入驗證后的所述判別模型進行訓練，得到擁堵判別模型；

所述數據聯動預測模塊，用于基于所述拓撲關系獲取多個突發數據，并利用所述擁堵判別模型輸出對應的預測結果，同時根據所述預測結果，建立對應的拓撲等級關系，并觸發對應的路況色素賦值預警信息。