一种交通融合分析预测方法、系统及电子设备
技术领域
本申请属于智能交通技术领域,特别涉及一种交通融合分析预测方法、系统及电子设备。
背景技术
随着城市经济的快速发展,对车辆出行需求日渐增加,城市及区域路网中机动车流量逐年提高。机动化水平的不断提高,不但增大了道路交通的压力,同时也对交通管理带来了严峻的考验,行车难、监管难、停车难等难题是城市交通亟需解决的问题之一。
交通数据作为交通信息服务的基础,对解决交通问题具有重要的价值意义。现有的交通数据获取方式有固定式检测设备数据采集、基于GPS数据采集等方式。其中,固定式检测设备有环形线圈检测器、红外线检测器、微波检测器、声波检测器和视频图像检测设备等[丁有进.浅谈视频检测在高速公路信息采集领域的发展和应用[J].中国公路交通信息产业,2004],在数据采集过程中,采用环形线圈检测器虽然具有精度高、成本低、技术简单等优点,但是安装难度大,维护困难,使用寿命也有一定的期限;采用红外检测器主要通过接收光反射能量进行车辆检测,所以受辐射干扰、缺陷大小、埋藏深度的影响;微波检测器通过记录微波源和运动车辆相互影响导致的频率变化记录车辆信息,该检测器由于受到周围地形条件的影响,精度较差;声波检测器其性能容易受到温度、气流等环境的影响导致检测的准确率降低;这些固定点设备除了自身存在的一些缺陷外,还存在共同的问题是固定点获取的车辆数据有限,只能获取某一路段的车辆信息,对于某些特殊情景,如需要实时追踪车辆行驶轨迹,更显的无能为力。
GPS数据采集通常由定位部分、通信部分和监控平台三部分组成,各个车辆通过配备GPS接收机获取自己当前的位置、时间等信息,并将这些信息经过专用接口加以处理,再通过无线数据通信向数据中心传递,监控平台将数据加以处理分析,并通过GIS电子地图相匹配后,显示当前位置,在实际应用中较为普遍。采用基于GPS获取车辆信息,虽然获取的数据精确,但是覆盖范围以及获取方式有限,一般通过志愿者携带定位设备或者浮动车采集获得,具有一定的局限性。
目前遥感技术在交通领域也得到了广泛的应用,随着飞机、航天器、无人机等航空设备在航空摄影中的应用,航空设备通过搭载的遥感器能感知到高空中远距离目标反射或辐射出的磁信息,对路面上行驶的车辆进行探测和识别[殷林.高分卫星遥感技术在交通运输领域的研究探索[J].数字通信世界,2018]。遥感技术虽然在交通基础设施信息提取、交通流数据采集、交通灾害环境检测等方面已有成熟的应用,但是现有的遥感技术已采集静态交通基础设施信息为主,缺乏对动态交通数据的整合。
城市交通领域的研究范围十分广泛,不少学者在城市交通领域做出了自己的分析和研究。PJ Tseng和CC Hung提出了基于出租车GPS数据的城市交通状态估计模型,将定位数据转换为道路之间的流量关系模型,并通过基于贪心算法的线性复杂度问题的局部最优解,准确的反应城市的交通状态,并通过实验证明了模型的准确性[Tseng P J,Hung C C,Chang T H,etal.Real-time urban traffic sensing with GPS equipped ProbeVehicles[C].Interbational Conference on ITS Telecommunications.IEEE,2013:306-310]。周勍、秦昆等人提出了一种基于出租车轨迹点的城市热点区域探测方法,运用物理学中场的理论计算城市区域间的关联程度,并对城市交通流量的空间聚类模式进行分析和研究[周勍,秦昆,陈一祥,李志鑫.基于数据场的出租车轨迹热点区域探测方法[J].地理与地理信息科学,2016,32(06):51-56.]。N Caceres和JP Wideberg等提出了一种基于手机信令数据对城市区域之间进行OD流量进行估计,获取城市某一时间点交通状况用于分析和研究城市交通情况[Caceres N,Wideberg J P,Benitez F G.Deriving origin destinationdata from a mobile phone network[J].Intelligent Transport Systems Iet,2007,1(1):15-26]。然而,现有技术都只使用了单一的交通数据进行研究,而忽略了那些会对交通产生影响的非交通数据。
发明内容
本申请提供了一种交通融合分析预测方法、系统及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种交通融合分析预测方法,包括以下步骤:
步骤a:采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息,并获取手机信令数据;
步骤b:根据所述车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据;
步骤c:根据所述车辆OD数据和用户OD数据构建网络拓扑图,并采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
步骤d:通过所述交通流预测模型进行交通流预测和人口分布预测。
本申请实施例采取的技术方案还包括:在所述步骤a中,所述采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息具体为:通过道路上部署的固定点电子抓拍设备采集来往车辆的车牌号、识别站点、经度、纬度、时间、车牌图片数据信息,并通过传感器设备将采集的车辆数据信息传入数据库表中;所述移动智能信息采集设备为智能眼镜,通过所述智能眼镜抓拍车辆图片,并自动触发发送图片的指令,通过训练好的深度学习模型对车辆图片进行识别,将识别得到的车牌号、经度、纬度、时间、车牌图片数据信息传入数据库表中。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述根据车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据还包括:对所述车辆数据信息和手机信令数据进行预处理;所述预处理具体为:对数据库表中的车辆数据信息和手机信令数据进行有效性识别,删除无价值的数据;并对不完整的、含噪声的、重复以及不一致的车辆数据信息和手机信令数据进行数据清洗。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述根据车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据还包括:根据预处理后的车辆数据信息和手机信令数据分别获取车辆轨迹数据和用户轨迹数据,并根据所述车辆轨迹数据和用户轨迹数据分别提取各路段的车辆OD数据和用户OD数据。
本申请实施例采取的技术方案还包括:所述车辆轨迹数据获取方式具体为:将车辆数据信息根据车牌号与时间字段进行排序,从中提取每辆车的轨迹数据,并根据智能眼镜抓拍到的车辆轨迹数据对稀疏位置点的车辆轨迹数据进行修补;根据时段、重要路段、关键节点对修补后的车辆轨迹数据进行筛选,形成完整的车辆轨迹数据;
所述用户轨迹数据获取方式具体为:根据LAC与CI字段,在基站信息表中查找对应的基站经纬度坐标作为手机信令数据采集的近似坐标;对手机信令数据相邻间重复数据进行删除、对发生乒乓切换的数据进行删除、对漂移的数据进行删除,最终提取出用户轨迹数据。
本申请实施例采取的另一技术方案为:一种交通融合分析预测系统,包括:
车辆数据采集模块:用于采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息;
手机数据获取模块:用于获取手机信令数据;
OD数据提取模块:用于根据所述车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据;
网络拓扑图构建模块:用于根据所述车辆OD数据和用户OD数据构建网络拓扑图;
预测模型构建模块:用于采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
交通预测模块:用于通过所述交通流预测模型进行交通流预测和人口分布预测。
本申请实施例采取的技术方案还包括:所述车辆数据采集模块采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息具体为:通过道路上部署的固定点电子抓拍设备采集来往车辆的车牌号、识别站点、经度、纬度、时间、车牌图片数据信息,并通过传感器设备将采集的车辆数据信息传入数据库表中;所述移动智能信息采集设备为智能眼镜,通过所述智能眼镜抓拍车辆图片,并自动触发发送图片的指令,通过训练好的深度学习模型对车辆图片进行识别,将识别得到的车牌号、经度、纬度、时间、车牌图片数据信息传入数据库表中。
本申请实施例采取的技术方案还包括轨迹数据获取模块,所述轨迹数据获取模块用于对所述车辆数据信息和手机信令数据进行预处理;所述预处理具体为:对数据库表中的车辆数据信息和手机信令数据进行有效性识别,删除无价值的数据;并对不完整的、含噪声的、重复以及不一致的车辆数据信息和手机信令数据进行数据清洗。
本申请实施例采取的技术方案还包括:所述轨迹数据获取模块还用于根据预处理后的车辆数据信息和手机信令数据分别获取车辆轨迹数据和用户轨迹数据;所述OD数据提取模块根据所述车辆轨迹数据和用户轨迹数据分别提取各路段的车辆OD数据和用户OD数据。
本申请实施例采取的技术方案还包括:所述车辆轨迹数据获取方式具体为:将车辆数据信息根据车牌号与时间字段进行排序,从中提取每辆车的轨迹数据,并根据智能眼镜抓拍到的车辆轨迹数据对稀疏位置点的车辆轨迹数据进行修补;根据时段、重要路段、关键节点对修补后的车辆轨迹数据进行筛选,形成完整的车辆轨迹数据;
所述用户轨迹数据获取方式具体为:根据LAC与CI字段,在基站信息表中查找对应的基站经纬度坐标作为手机信令数据采集的近似坐标;对手机信令数据相邻间重复数据进行删除、对发生乒乓切换的数据进行删除、对漂移的数据进行删除,最终提取出用户轨迹数据。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的交通融合分析预测方法的以下操作:
步骤a:采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息,并获取手机信令数据;
步骤b:根据所述车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据;
步骤c:根据所述车辆OD数据和用户OD数据构建网络拓扑图,并采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
步骤d:通过所述交通流预测模型进行交通流预测和人口分布预测。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的交通融合分析预测方法、系统及电子设备通过固定点电子抓拍设备和移动智能信息采集设备相结合的方式对车辆进行追踪识别,既保留了视频追踪无漏车、高清晰图像识别、适应多变环境等优势,也弥补了视频追踪固定点识别带来的局限性,实现稀疏位置点轨迹数据的修补。通过对车辆视频智能追踪数据与用户OD数据进行多源数据融合分析,构建交通融合分析预测模型,通过交通流预测模型进行各交通小区未来车流量及人口分布的预测,如预测超出预期则可提前进行交通调控,为重点区域交通控制与诱导提供决策支持,为高峰期的交通监控调控支撑手段。
附图说明
图1是本申请实施例的交通融合分析预测方法的流程图;
图2为通过手机信令数据提取用户OD信息的过程示意图;
图3是交通数据时空结构图;
图4是本申请实施例的基于时空图卷积网络的深度学习模型示意图;
图5是本申请实施例的交通融合分析预测系统的结构示意图;
图6是本申请实施例提供的交通融合分析预测方法的硬件设备结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的不足,本申请采用多源视频监测集成方式进行车辆信息获取,将传统固定点位视频识别技术与移动智能穿戴终端技术相结合,通过视频车牌识别结合路网信息进行车辆智能追踪获取车辆轨迹特征,基于手机信令数据获取区域人口时空分布特征,结合气象、时节、周末、节假日等信息,将车辆数据与用户OD数据相融合,基于时空图卷积网络的深度学习模型构建交通融合分析预测模型,结合实时路况监测即可预测路段未来交通流趋势,为车辆交通控制与诱导提供决策支持。
具体地,请参阅图1,是本申请实施例的交通融合分析预测方法的流程图。本申请实施例的交通融合分析预测方法包括以下步骤:
步骤100:采用固定点电子抓拍设备结合移动智能信息采集设备对车辆进行视频智能追踪,获取车辆数据信息;
步骤100中,通过道路上已经部署好的固定点电子抓拍设备采集来往车辆的车牌号、识别站点、经度、纬度、时间、车牌图片等车辆数据信息,并通过传感器设备将采集的车辆数据信息传入数据库表中;移动智能信息采集设备为智能眼镜,智能眼镜抓拍具有灵活性,以车流量、早高峰时间点、道路位置等信息参考进行动态分布;智能眼镜抓拍到车辆图片后,自动触发发送图片的指令,通过训练好的深度学习模型对车辆图片进行识别,并将识别得到的车牌号、经度、纬度、时间、车牌图片等车辆数据信息通过WebSocket等通信协议传入数据库表中。可以理解,本申请实施例中的移动智能信息采集设备也可以是智能眼镜以外的其他智能电子设备。本申请通过固定点电子抓拍设备结合移动智能信息采集设备相结合的方式对车辆进行追踪识别,既保留了视频追踪无漏车、高清晰图像识别、适应多变环境等优势,也弥补了视频追踪固定点识别带来的局限性,通过移动智能信息采集设备可实现稀疏位置点车辆轨迹数据的修补。
步骤200:获取手机信令数据;
步骤200中,手机信令数据是手机等移动终端与移动通信网络联系产生的数据。手机信令数据包括用于区分不同用户的数据、信令数据采集的时间数据、信令数据采集位置区域编号数据、信令数据采集的类型数据、信令数据采集的原因编码数据等。
步骤300:对车辆数据信息和手机信令数据进行预处理后,分别获取车辆轨迹数据和用户轨迹数据;
步骤300中,预处理具体为:首先,对接收到的车辆数据信息和手机信令数据进行有效性识别,删除无价值的数据;然后,对于不完整的、含噪声的、重复以及不一致的车辆数据信息和手机信令数据进行数据清洗。
车辆轨迹数据获取方式具体为:将车辆数据信息根据车牌号与时间字段进行排序,从中提取每辆车的轨迹数据。由于固定点电子抓拍设备部署于主要的路段、路口,在车辆随机行驶过程中,容易造成位置信息丢失,为了构建完整的车辆轨迹数据,还需要根据智能眼镜抓拍到的车辆轨迹数据对稀疏位置点的车辆轨迹数据进行修补。最后,根据时段、重要路段、关键节点对修补后的车辆轨迹数据进行筛选,并最终形成完整的车辆轨迹数据。
用户轨迹数据获取方式具体为:由于手机信令数据没有直接的经纬度坐标,需要根据LAC(位置区)与CI(小区)字段,在基站信息表中查找对应的基站经纬度坐标作为手机信令数据采集的近似坐标。手机信令数据存在较大的误差,为了提高流量预测的精度,对手机信令数据相邻间重复数据进行删除、对发生乒乓切换的数据进行删除、对漂移的数据进行删除,最终提取出用户轨迹数据。
步骤400:根据车辆轨迹数据和用户轨迹数据分别提取各路段的车辆OD(交通起止点)数据和用户OD数据;
步骤400中,根据车辆视频智能追踪的轨迹,提取路段的车辆OD数据。手机信令数据并不能直接提取用户OD数据,需要通过手机信令数据获取用户某时刻的空间位置和随时间变化的移动位置,利用信令数据的LAC(位置区)和CI(小区)字段,在基站信息表中查找到对应基站的经纬度数据作为当前搜手机信令数据采集时的近似位置,基于道路网络、交通小区划分等数据,构建各OD区域的网络拓扑图,并根据用户在基站停留时间和基站拓扑网络获取用户出行轨迹,并提取到用户OD数据。具体如图2所示,为通过手机信令数据提取用户OD信息的过程示意图。其中,图2(a)构建了一个有36个位置区组成的通信网络,一个方形小格表示一个位置区的信号覆盖范围。箭头表示的是用户的出行位置变化过程,从来访用户位置寄存器可获得位置区的变化序列{(L1,T1),(L2,T2)……..(L16,T16),(L1,T17)},根据手机在位置区域内停留的时间长短和用户在位置区域内的移动速度来判断出现的起讫点。通过建立通信网络中的位置区域和路网中交通区域之间的对应关系,将位置区布局转换为路网的交通区域布局如图2(b)所示,家位于T1区域、公司位于T2区域、便利店位于T3区域。通过位置变化分析如图2(c)所示,获得“T1-T2、T2-T3、T3-T1、”的用户OD信息。
步骤500:将车辆OD数据、用户OD数据以及交通小区、路段编号、时间、天气、车流量等数据进行集成分析,以路段、交通小区为网络图边和节点,构建网络拓扑图;
步骤600:采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
步骤600中,请一并参阅图3,是交通数据时空结构图,每个时间片为一个空间图G,节点和边的深浅代表了车流量、人口分布的大小。从图3中可以看出交通流在时空维度上有很强的相关性,因此,本申请采用基于时空图卷积网络的深度学习模型,在空间维做图卷积、时间维做卷积操作,捕获交通数据的时空特性,建立交通流预测模型。
请参阅图4,是本申请实施例的基于时空图卷积网络的深度学习模型示意图。城市交通流存在时空相关性,基于时空图卷积网络的深度学习模型输入值是与预测时刻相关联的历史数据。图4中,X1表示小时周期时间序列片段、X2表示日周期时间序列片段、X3表示周周期时间序列片段;GCN表示空间维对路网拓扑结构做图卷积操作;Conv表示时间维对应节点在不同时间段做卷积操作;FC表示全连接;y1、y2、y3表示模型预测的流量值;Fusion表示将各个输入时间段的流量预测值融合;y表示融合后的车流预测值;Loss表示损失函数;Y表示实际的车流量值。
本申请实施例中,时空卷积操作具体步骤如下:
步骤601:选取与预测时刻相关联的小时、日、周周期时间序列片段作为输入;
步骤602:对每个时间序列片段的路网拓扑结构图G做图卷积操作,图卷积算子为:
gθ×GX=gθ(L)X=gθ(UΛUT)X=Ugθ(Λ)UTX (1)
公式(1)中,gθ表示卷积核,G表示拓扑图,图卷积采用谱图的方法,所以一个图用其对应的拉普拉斯矩阵L来表示,通过分析拉普拉斯矩阵及其特征值就可以得到图结构的性质。对拉普拉斯矩阵进行特征分解L=UΛUT,U是傅里叶的基,Λ是L特征值组成的对角矩阵。
步骤603:对每个节点的时间维做卷积操作,捕获时间维特征,节点的信息被该节点相邻时间片信息更新;
步骤604:经过多层时间维与空间维的卷积后,再通过全连接操作使时空卷积的结果与预测目标维数一致;
步骤605:将小时、日、周周期的输出结果进行融合,得出最终的预测值。
步骤700:输入相关时间、点位交通监测数据,基于交通流预测模型进行路段及交通小区的交通流预测和人口分布预测。
请参阅图5,是本申请实施例的交通融合分析预测系统的结构图。本申请实施例的交通融合分析预测系统包括车辆数据采集模块、手机数据获取模块、轨迹数据获取模块、OD数据提取模块、网络拓扑图构建模块、预测模型构建模块和交通预测模块。
车辆数据采集模块:用于采集车辆数据信息,具体的,车辆数据采集模块包括:
固定点电子抓拍设备:用于采集来往车辆的车牌号、识别站点、经度、纬度、时间、车牌图片等车辆数据信息,并通过传感器设备将采集的车辆数据信息传入数据库表中;
移动智能信息采集设备:用于抓拍车辆图片,并自动触发发送图片的指令,通过训练好的深度学习模型对车辆图片进行识别,并将识别得到的车牌号、经度、纬度、时间、车牌图片等车辆数据信息通过WebSocket等通信协议传入数据库表中。本申请实施例中,移动智能信息采集设备为智能眼镜,智能眼镜抓拍具有灵活性,以车流量、早高峰时间点、道路位置等信息参考进行动态分布;可以理解,本申请实施例中的移动智能信息采集设备也可以是智能眼镜以外的其他智能电子设备。本申请通过固定点电子抓拍设备结合移动智能信息采集设备相结合的方式对车辆进行追踪识别,既保留了视频追踪无漏车、高清晰图像识别、适应多变环境等优势,也弥补了视频追踪固定点识别带来的局限性,通过移动智能信息采集设备可实现稀疏位置点车辆轨迹数据的修补。
手机数据获取模块:用于获取手机信令数据;手机信令数据是手机等移动终端与移动通信网络联系产生的数据。手机信令数据包括用于区分不同用户的数据、信令数据采集的时间数据、信令数据采集位置区域编号数据、信令数据采集的类型数据、信令数据采集的原因编码数据等。
轨迹数据获取模块:用于对车辆数据信息和手机信令数据进行预处理后,分别获取车辆轨迹数据和用户轨迹数据;具体的,轨迹数据获取模块包括:
预处理单元:用于对接收到的车辆数据信息和手机信令数据进行有效性识别,删除无价值的数据;然后,对于不完整的、含噪声的、重复以及不一致的车辆数据信息和手机信令数据进行数据清洗。
车辆轨迹数据获取单元:用于将车辆数据信息根据车牌号与时间字段进行排序,从中提取每辆车的轨迹数据。由于固定点电子抓拍设备部署于主要的路段、路口,在车辆随机行驶过程中,容易造成位置信息丢失,为了构建完整的车辆轨迹数据,还需要根据智能眼镜抓拍到的车辆轨迹数据对稀疏位置点的车辆轨迹数据进行修补。最后,根据时段、重要路段、关键节点对修补后的车辆轨迹数据进行筛选,并最终形成完整的车辆轨迹数据。
用户轨迹数据获取单元:用于根据LAC(位置区)与CI(小区)字段,在基站信息表中查找对应的基站经纬度坐标作为手机信令数据采集的近似坐标。手机信令数据存在较大的误差,为了提高流量预测的精度,对手机信令数据相邻间重复数据进行删除、对发生乒乓切换的数据进行删除、对漂移的数据进行删除,最终提取出用户轨迹数据。
OD数据提取模块:用于根据车辆轨迹数据和用户轨迹数据分别提取各路段的车辆OD(交通起止点)数据和用户OD数据;具体的,OD数据提取模块包括:
车辆OD数据提取单元:用于根据车辆视频智能追踪的轨迹,提取路段的车辆OD数据;
用户OD数据提取单元:由于通过手机信令数据获取用户某时刻的空间位置和随时间变化的移动位置,利用信令数据的LAC(位置区)和CI(小区)字段,在基站信息表中查找到对应基站的经纬度数据作为当前搜手机信令数据采集时的近似位置,基于道路网络、交通小区划分等数据,构建各OD区域的网络拓扑图,并根据用户在基站停留时间和基站拓扑网络获取用户出行轨迹,并提取到用户OD数据。具体如图2所示,为通过手机信令数据提取用户OD信息的过程示意图。其中,图2(a)构建了一个有36个位置区组成的通信网络,一个方形小格表示一个位置区的信号覆盖范围。箭头表示的是用户的出行位置变化过程,从来访用户位置寄存器可获得位置区的变化序列{(L1,T1),(L2,T2)……..(L16,T16),(L1,T17)},根据手机在位置区域内停留的时间长短和用户在位置区域内的移动速度来判断出现的起讫点。通过建立通信网络中的位置区域和路网中交通区域之间的对应关系,将位置区布局转换为路网的交通区域布局如图2(b)所示,家位于T1区域、公司位于T2区域、便利店位于T3区域。通过位置变化分析如图2(c)所示,获得“T1-T2、T2-T3、T3-T1、”的用户OD信息。
网络拓扑图构建模块:用于将车辆OD数据、用户OD数据以及交通小区、路段编号、时间、天气、车流量等数据进行集成分析,以路段、交通小区为网络图边和节点,构建网络拓扑图;
预测模型构建模块:用于采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;其中,请一并参阅图3,是交通数据时空结构图,每个时间片为一个空间图G,节点和边的深浅代表了车流量、人口分布的大小。从图3中可以看出交通流在时空维度上有很强的相关性,因此,本申请采用基于时空图卷积网络的深度学习模型,在空间维做图卷积、时间维做卷积操作,捕获交通数据的时空特性,建立交通流预测模型。
请参阅图4,是本申请实施例的基于时空图卷积网络的深度学习模型示意图。城市交通流存在时空相关性,基于时空图卷积网络的深度学习模型输入值是与预测时刻相关联的历史数据。图4中,X1表示小时周期时间序列片段、X2表示日周期时间序列片段、X3表示周周期时间序列片段;GCN表示空间维对路网拓扑结构做图卷积操作;Conv表示时间维对应节点在不同时间段做卷积操作;FC表示全连接;y1、y2、y3表示模型预测的流量值;Fusion表示将各个输入时间段的流量预测值融合;y表示融合后的车流预测值;Loss表示损失函数;Y表示实际的车流量值。
本申请实施例中,时空卷积操作具体过程如下:
1:选取与预测时刻相关联的小时、日、周周期时间序列片段作为输入;
2:对每个时间序列片段的路网拓扑结构图G做图卷积操作,图卷积算子为:
gθ×GX=gθ(L)X=gθ(UΛUT)X=Ugθ(Λ)UTX (1)
公式(1)中,gθ表示卷积核,G表示拓扑图,图卷积采用谱图的方法,所以一个图用其对应的拉普拉斯矩阵L来表示,通过分析拉普拉斯矩阵及其特征值就可以得到图结构的性质。对拉普拉斯矩阵进行特征分解L=UΛUT,U是傅里叶的基,Λ是L特征值组成的对角矩阵。
3:对每个节点的时间维做卷积操作,捕获时间维特征,节点的信息被该节点相邻时间片信息更新;
4:经过多层时间维与空间维的卷积后,再通过全连接操作使时空卷积的结果与预测目标维数一致;
5:将小时、日、周周期的输出结果进行融合,得出最终的预测值。
交通预测模块:用于输入相关时间、点位交通监测数据,基于交通流预测模型进行路段及交通小区的交通流预测和人口分布预测。
图6是本申请实施例提供的交通融合分析预测方法的硬件设备结构示意图。如图6所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,图6中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息,并获取手机信令数据;
步骤b:根据所述车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据;
步骤c:根据所述车辆OD数据和用户OD数据构建网络拓扑图,并采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
步骤d:通过所述交通流预测模型进行交通流预测和人口分布预测。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息,并获取手机信令数据;
步骤b:根据所述车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据;
步骤c:根据所述车辆OD数据和用户OD数据构建网络拓扑图,并采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
步骤d:通过所述交通流预测模型进行交通流预测和人口分布预测。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:采用固定点电子抓拍设备结合移动智能信息采集设备获取车辆数据信息,并获取手机信令数据;
步骤b:根据所述车辆数据信息和手机信令数据分别提取车辆OD数据和用户OD数据;
步骤c:根据所述车辆OD数据和用户OD数据构建网络拓扑图,并采用基于时空图卷积网络的深度学习模型对具有时空相关性的网络拓扑图进行时空卷积操作,建立交通流预测模型;
步骤d:通过所述交通流预测模型进行交通流预测和人口分布预测。
本申请实施例的交通融合分析预测方法、系统及电子设备通过固定点电子抓拍设备和移动智能信息采集设备相结合的方式对车辆进行追踪识别,既保留了视频追踪无漏车、高清晰图像识别、适应多变环境等优势,也弥补了视频追踪固定点识别带来的局限性,实现稀疏位置点轨迹数据的修补。通过对车辆视频智能追踪数据与用户OD数据进行融合分析,基于时空图卷积网络的深度学习模型构建交通融合分析预测模型,通过交通流预测模型进行各交通小区未来车流量及人口分布的预测,如预测超出预期则可提前进行交通调控,为重点区域交通控制与诱导提供决策支持,为高峰期的交通监控调控支撑手段。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。