CN110517487B - 基于热力图变化识别的城市区域交通资源调控方法及系统 - Google Patents
基于热力图变化识别的城市区域交通资源调控方法及系统 Download PDFInfo
- Publication number
- CN110517487B CN110517487B CN201910759909.8A CN201910759909A CN110517487B CN 110517487 B CN110517487 B CN 110517487B CN 201910759909 A CN201910759909 A CN 201910759909A CN 110517487 B CN110517487 B CN 110517487B
- Authority
- CN
- China
- Prior art keywords
- traffic
- triangle
- thermodynamic diagram
- thermodynamic
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010586 diagram Methods 0.000 title claims abstract description 287
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008859 change Effects 0.000 title claims abstract description 53
- 230000033228 biological regulation Effects 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 38
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000009467 reduction Effects 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims 2
- 230000002035 prolonged effect Effects 0.000 claims 2
- 238000013468 resource allocation Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 22
- 238000006243 chemical reaction Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 15
- 238000004140 cleaning Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000010606 normalization Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000002759 z-score normalization Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本实施例公开了基于交通热力图识别的交通资源调控方法，首先对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含交通热力图的交通热力图序列，然后通过神经网络模型对交通热力图进行图像识别，之后将当前的交通热力图识别结果与交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息，最后依据交通状态变化信息对交通资源进行调度。该方法提高了最终生成的资源调配方案的合理性和参考性，使得最终生成的交通资源调度方案更加合理有据，以实现更好地解决交通拥堵问题和交通资源利用率低的问题。
Description
技术领域
本申请涉及交通管理技术领域，特别涉及基于热力图变化识别的城市区域交通资源调控方法及系统。
背景技术
随着经济和社会的快速发展，城市道路的拥堵问题日益严重，这不仅增加了人们的出行时间、提高了通勤成本，还造成较大的经济损失。
交通拥堵的产生从表面看是由城市现有的路网资源与实际的出行需求之间的矛盾导致，根本原因是城市路网规划不合理、与城市当前发展之间的失衡造成路网负荷增加、交通运行稳定性下降。当前，通过扩建道路、修建地铁轻轨等方式固然可以缓解交通状况，但这些方式建设周期长、投资大。
目前，我国大中型城市的路网规模庞大，为了实现对交通秩序的实时监测和控制，交管部门在城市道路和高速公路布置了大量的交通数据检测设备，一个中等城市每天可产生千万级别的数据。这些交通数据体量巨大、数据结构多种多样、价值密度低但处理速度要求较高，具有典型的大数据特征。通过对这些数据进行直接统计、分析和对比，可以快速得到交通状态的变化情况，并以此来进行交通资源的调配，进而解决交通拥堵问题，提高交通资源利用率，例如避免交通设备和人力闲置。
但是，对这些道路上不同监测点位的交通监测数据进行直接的统计、分析和对比很难进行关联并形成区域性交通状态结果，无法由点及面，因此此种方式得到的交通状态变化情况的准确性不高，可参考性和合理性较弱，数据处理完成度不高，并且变化情况也不直观化和可视化，无法作为实施交通资源调度的合理有效的凭据，无法满足实际需求。
发明内容
(一)申请目的
基于此，为了能够利用交通监测数据进行城市的区域性交通状态变化情况判断，提高资源调配方案的准确性和合理性，使得交通监测数据可视化，本申请提供了一种交通监测数据转化对比机制，先将交通监测数据转化为可视化的、与实际路况相符的交通热力图，然后对热力图进行高准确度地图像识别得到当前交通状态，尤其是区域交通状态，并通过不同时刻的交通状态对比得到交通状态变化情况，以对交通资源进行适应性调度，解决交通拥堵及资源浪费问题，并提高交通资源利用率。
(二)技术方案
作为本申请的第一方面，本申请公开了基于热力图变化识别的城市区域交通资源调控方法，包括：
对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含所述交通热力图的交通热力图序列；
通过神经网络模型对所述交通热力图进行图像识别；
将当前的所述交通热力图识别结果与所述交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息；
依据所述交通状态变化信息对交通资源进行调度；其中，
所述交通状态包括能够反映道路拥堵情况的特征量。
在一种可能的实施方式中，所述交通参数包括以下至少一项：车流量，车速，占有率，交通流密度，旅行时间，车头时距，排队长度。
在一种可能的实施方式中，在所述检测设备上传的交通参数有多种的情况下：分别生成该多种交通参数的交通热力图，并得到多种交通热力图序列；
另外，所述方法还包括：
依据相应交通参数的权值对所述多种交通参数的交通热力图以加权平均的方式进行图像融合，得到融合热力图，并且通过神经网络模型进行图像识别的热力图为所述融合热力图；或
对所述多种交通参数的交通热力图进行区域选择，并将选择的区域进行图像拼接，得到拼接热力图，并且通过神经网络模型进行图像识别的热力图为所述拼接热力图；或
从所述多种交通热力图中选择一种作为神经网络模型进行图像识别的热力图。
在一种可能的实施方式中，在所述对交通参数数据进行大数据分析之前，先对所述检测设备上传的交通参数数据进行数据清洗；其中，所述数据清洗包括：
对所述交通参数测量值中缺失的数据进行数据补偿；和/或
对所述交通参数测量值中的噪声数据进行剔除；和/或
从所述交通参数数据中剔除不符合相应测量值范围区间的数据；和/或
从多种所述交通参数数据中剔除不符合交通参数之间逻辑关系的数据。
在一种可能的实施方式中，在所述对交通参数数据进行大数据分析之前，先对所述检测设备上传的交通参数数据进行数据转换；其中，所述数据转换包括：
对所述交通参数测量值进行归一化处理；或
对所述交通参数测量值进行Z分数规范化处理；或
对所述交通参数测量值进行小数定标规范化处理。
在一种可能的实施方式中，在所述对交通参数数据进行大数据分析之前，先对所述检测设备上传的交通参数数据进行数据归约；其中，所述数据归约包括：
从所述交通参数数据中筛选出关键属性，并将所述关键属性的值作为交通参数测量值。
在一种可能的实施方式中，所述生成相应交通参数的交通热力图包括：
基于所述监控点位位置及其交通参数数据形成的热力点建立Delaunay三角网，每个所述监控点位位置均为所述Delaunay三角网中三角形的顶点；
通过距离加权法在所述Delaunay三角网的三角形内插入新的虚拟热力点，并将所述虚拟热力点与相应三角形顶点连接形成均匀三角网；
将所述均匀三角网划分为多个矩形区域，计算出每个所述矩形区域的四个顶点的热力值信息；
基于每个所述矩形区域四个顶点的热力值信息通过双线性插值法算出所述矩形区域中任一点的热力值信息，并根据算出的热力值信息将相应的颜色信息进行投影以及对各所述矩形区域进行拼接，得到交通热力图。
在一种可能的实施方式中，所述建立Delaunay三角网包括：
步骤A10，建立包围所有热力点的初始多边形，连接所述初始多边形的部分顶点，形成初始Delaunay三角网；
步骤A20，从各个未位于三角形的顶点上的热力点中选取一个作为目标热力点，确定出包围所述目标热力点的目标三角形，并连接所述目标热力点与所述目标三角形的顶点，得到新的三角形；
步骤A30，判断所述目标热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述目标热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤A40，迭代执行步骤A20和步骤A30，直至所有热力点均位于三角形顶点；
步骤A50，删除所述初始多边形的各顶点及其相关的三角形，形成所述Delaunay三角网。
在一种可能的实施方式中，所述通过距离加权法在所述Delaunay三角网的三角形内插入新的虚拟热力点，并将所述虚拟热力点与相应三角形顶点连接形成均匀三角网，包括：
步骤B10，计算所述Delaunay三角网中的每个三角形当前的面积；
步骤B20，判断各三角形的面积是否大于预设值，并在判定三角形面积大于预设值的情况下，算出该三角形内心的热力值，并判断该内心是否位于所述Delaunay三角网之内；
步骤B30，在该内心位于所述Delaunay三角网之内的情况下，将该内心作为虚拟热力点插入到所述Delaunay三角网中，否则抛弃该内心；
步骤B40，将所述虚拟热力点与所在的三角形的各顶点连接，形成新的三角形；
步骤B50，判断所述虚拟热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述虚拟热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤B60，迭代执行步骤B20至步骤B50，直到所述Delaunay三角网中每个三角形当前的面积均不大于所述预设值，得到均匀三角网。
在一种可能的实施方式中，所述神经网络模型采用卷积神经网络模型；所述通过神经网络模型对所述交通热力图进行图像识别包括：
利用多个不同的卷积核对所述交通热力图进行特征提取，得到多层特征矩阵；
利用池化窗口分别对所述多层特征矩阵进行扫描，获取所述池化窗口当前覆盖的矩阵的最大值或平均值，得到降维矩阵；
将所述降维矩阵输入全连接层进行识别，得到图像识别结果。
作为本申请的第二方面，本申请还公开了基于热力图变化识别的城市区域交通资源调控系统，包括：
热力图生成模块，用于对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含所述交通热力图的交通热力图序列；
热力图识别模块，用于通过神经网络模型对所述热力图生成模块生成的交通热力图进行图像识别；
识别结果对比模块，用于将所述热力图识别模块识别出的当前的所述交通热力图识别结果与所述交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息；
交通资源调控模块，用于依据所述识别结果对比模块得到的交通状态变化信息对交通资源进行调度；
其中，所述交通状态包括能够反映道路拥堵情况的特征量。
在一种可能的实施方式中，所述交通参数包括以下至少一项：车流量，车速，占有率，交通流密度，旅行时间，车头时距，排队长度。
在一种可能的实施方式中，在所述检测设备上传的交通参数有多种的情况下：所述热力图生成模块分别生成该多种交通参数的交通热力图，并得到多种交通热力图序列；
另外，所述热力图生成模块包括：图像融合单元和/或图像拼接单元和/或图像选择单元；
其中，图像融合单元用于依据相应交通参数的权值对所述多种交通参数的交通热力图以加权平均的方式进行图像融合，得到融合热力图，并且通过神经网络模型进行图像识别的热力图为所述融合热力图；
图像拼接单元用于对所述多种交通参数的交通热力图进行区域选择，并将选择的区域进行图像拼接，得到拼接热力图，并且通过神经网络模型进行图像识别的热力图为所述拼接热力图；
图像选择单元用于从所述多种交通热力图中选择一种作为神经网络模型进行图像识别的热力图。
在一种可能的实施方式中，该系统还包括：
数据清洗模块，用于在所述热力图生成模块对交通参数数据进行大数据分析之前，先对所述检测设备上传的交通参数数据进行数据清洗；其中，所述数据清洗包括：
对所述交通参数测量值中缺失的数据进行数据补偿；和/或
对所述交通参数测量值中的噪声数据进行剔除；和/或
从所述交通参数数据中剔除不符合相应测量值范围区间的数据；和/或
从多种所述交通参数数据中剔除不符合交通参数之间逻辑关系的数据。
在一种可能的实施方式中，该系统还包括：
数据转换模块，用于在所述热力图生成模块对交通参数数据进行大数据分析之前，先对所述检测设备上传的交通参数数据进行数据转换；其中，所述数据转换包括：
对所述交通参数测量值进行归一化处理；或
对所述交通参数测量值进行Z分数规范化处理；或
对所述交通参数测量值进行小数定标规范化处理。
在一种可能的实施方式中，该系统还包括：
数据归约模块，用于在所述热力图生成模块对交通参数数据进行大数据分析之前，先对所述检测设备上传的交通参数数据进行数据归约；其中，所述数据归约包括：
从所述交通参数数据中筛选出关键属性，并将所述关键属性的值作为交通参数测量值。
在一种可能的实施方式中，所述热力图生成模块包括：
三角网建立单元，用于基于所述监控点位位置及其交通参数数据形成的热力点建立Delaunay三角网，每个所述监控点位位置均为所述Delaunay三角网中三角形的顶点；
虚拟热力点插入单元，用于通过距离加权法在所述三角网建立单元建立的Delaunay三角网的三角形内插入新的虚拟热力点，并将所述虚拟热力点与相应三角形顶点连接形成均匀三角网；
顶点热力计算单元，用于将所述虚拟热力点插入单元生成的均匀三角网划分为多个矩形区域，计算出每个所述矩形区域的四个顶点的热力值信息；
热力图生成单元，用于基于所述顶点热力计算单元算出的每个所述矩形区域四个顶点的热力值信息通过双线性插值法算出所述矩形区域中任一点的热力值信息，并根据算出的热力值信息将相应的颜色信息进行投影以及对各所述矩形区域进行拼接，得到交通热力图。
在一种可能的实施方式中，所述三角网建立单元通过执行如下步骤建立Delaunay三角网：
步骤A10，建立包围所有热力点的初始多边形，连接所述初始多边形的部分顶点，形成初始Delaunay三角网；
步骤A20，从各个未位于三角形的顶点上的热力点中选取一个作为目标热力点，确定出包围所述目标热力点的目标三角形，并连接所述目标热力点与所述目标三角形的顶点，得到新的三角形；
步骤A30，判断所述目标热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述目标热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤A40，迭代执行步骤A20和步骤A30，直至所有热力点均位于三角形顶点；
步骤A50，删除所述初始多边形的各顶点及其相关的三角形，形成所述Delaunay三角网。
在一种可能的实施方式中，所述虚拟热力点插入单元通过执行如下步骤形成均匀三角网：
步骤B10，计算所述Delaunay三角网中的每个三角形当前的面积；
步骤B20，判断各三角形的面积是否大于预设值，并在判定三角形面积大于预设值的情况下，算出该三角形内心的热力值，并判断该内心是否位于所述Delaunay三角网之内；
步骤B30，在该内心位于所述Delaunay三角网之内的情况下，将该内心作为虚拟热力点插入到所述Delaunay三角网中，否则抛弃该内心；
步骤B40，将所述虚拟热力点与所在的三角形的各顶点连接，形成新的三角形；
步骤B50，判断所述虚拟热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述虚拟热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤B60，迭代执行步骤B20至步骤B50，直到所述Delaunay三角网中每个三角形当前的面积均不大于所述预设值，得到均匀三角网。
在一种可能的实施方式中，所述神经网络模型采用卷积神经网络模型；所述热力图识别模块通过执行如下步骤进行图像识别：
利用多个不同的卷积核对所述交通热力图进行特征提取，得到多层特征矩阵；
利用池化窗口分别对所述多层特征矩阵进行扫描，获取所述池化窗口当前覆盖的矩阵的最大值或平均值，得到降维矩阵；
将所述降维矩阵输入全连接层进行识别，得到图像识别结果。
(三)有益效果
本申请公开的城市区域交通资源调控方法及系统，在进行交通状态判别的过程中，先将检测设备采集的原始测量数据转换成热力图的图像形式，实现了交通状态的可视化，然后再将热力图输入预先训练好的神经网络模型进行分析和识别，输出关于交通状态的识别结果，相对于直接从杂乱的原始数据中提炼出交通状态变化数据来说，先转化成图形再进行交通状态变化情况的识别，能够得到区域性的交通状态，而不只是单一点位的交通状态，由此提高了最终生成的资源调配方案的合理性和参考性，提高了数据处理完成度，并提高了结果数据的准确性，使得最终生成的交通资源调度方案更加合理有据，以实现更好地解决交通拥堵问题和交通资源利用率低的问题。
附图说明
以下参考附图描述的实施例是示例性的，旨在用于解释和说明本申请，而不能理解为对本申请的保护范围的限制。
图1是本申请公开的城市区域交通资源调控方法实施例的流程示意图。
图2是双线性插值法的应用图例。
图3是初始Delaunay三角网的示意图。
图4是新三角形形成放入示意图。
图5是新三角形的优化示意图。
图6是经划分后最终得到的Delaunay三角网示意图。
图7是均匀三角网示意图。
图8是本申请公开的城市区域交通资源调控系统实施例的结构框图。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行更加详细的描述。
下面参考图1-图7详细描述本申请公开的交通资源调控方法实施例。第一实施例。如图1所示，本实施例公开的交通资源调控方法包括如下步骤：
步骤100，热力图生成模块对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含该交通热力图的交通热力图序列。
城市轨道交通的十字路口、交通指示牌上、关卡等位置处会安装有能够检测道路交通参数的检测设备，例如视频监控摄像头、地感线圈、电子车牌(Electronic VehicleIdentification，EVI)或者ETC(Electronic TollCollection，电子不停车收费系统)记录器等。交通资源调控系统会接收这些检测设备周期性发来的检测数据。由于交通管控的区域面积大，布设检测设备的种类及数量多，因此交通资源调控系统接收到的数据量极为庞大，此时需要用到大数据分析手段对接收到的数据进行处理。大数据分析是指对规模巨大的数据进行分析，能够极大提高数据处理速度，以应对海量的交通数据。
交通参数是描述和反映交通流性质的物理量，能够从不同角度说明交通流的性质。交通流性质上的变化能够通过交通参数在数值上的变化来反映，而上述检测数据就是上述交通参数数据的其中一种属性的测量值。
交通热力图是指以附加颜色标识的方式来对城市交通地图中各道路位置及区域的交通参数测量值进行表征后的图像，通过热力图能够直观化、可视化地将交通状态显示出来。交通资源调控系统的热力图生成模块负责对检测设备上传的一定时间周期内的交通参数进行数据处理，生成对应于该时间周期的与采用的交通参数种类相应的交通热力图。例如交通参数为车流量，则生成的交通热力图则为车流量热力图。
热力图中通常以红色等暖色调表示高热度区域，蓝色等冷色调表示低热度区域，区域的色调越暖，交通热度越高，路况越拥堵。具体的，对于交通参数为车流量的交通热力图来说，红色代表车流量很大(拥堵)，黄色代表车流量较多(缓行)，绿色代表车流量较少(通畅)，蓝色代表车流量极少(同样是通畅)。并且，在同样都是车流量较多的情况下，交通参数的测量值不同，则颜色的深度不同，例如橙色比黄绿色表示的车流量更大。也就是说，热力图利用颜色色温的均匀平滑变化来表征对应的交通参数测量值。
交通热力图序列是包含有多个不同时间生成的交通热力图的图集，例如每2分钟生成一个当前时刻的交通热力图，则1小时内会得到包含30个交通热力图的图集。交通热力图序列可以直接存储于热力图生成模块中，也可以存储于负责专属存储图像数据的模块中。图集中包含的过去一段时间内生成的交通热力图，用于后续步骤中对上一时间周期的热力图和当前得到的热力图之间变化识别，进而得到交通状态的变化情况。
步骤200，热力图识别模块通过神经网络模型对新生成的交通热力图进行图像识别。
人工神经网络(Artificial Neural Networks，ANNs)，又称神经网络，具有大规模并行、分布式存储和处理、自组织、自适应和自学能力，能够处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。利用预先对神经网络进行训练得到的神经网络模型，交通资源调控系统的热力图识别模块能够准确地从热力图生成模块生成的交通热力图图像中识别出各道路、区域在相应时刻的交通状态。
交通状态是指城市道路网络中交通流的整体运行状况，包括能够反映道路拥堵情况的特征量，例如反应道路拥堵程度的特征量。
步骤300，识别结果对比模块将当前的交通热力图识别结果与交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息。
交通状态变化信息由交通资源调控系统的识别结果对比模块将不同时间周期内热力图识别模块生成的交通热力图之间的识别结果进行对比而得到。
例如在交通参数为车流量的热力图序列中，上一时间周期的热力图Pn-1中，在A1区域处为绿色，因此在之前将热力图Pn-1输入神经网络模型进行识别后判断出A1区域处的车流量适中，而当前时间周期的热力图Pn(也就是当前交通热力图)在A1区域处为黄色，因此现在将热力图Pn输入神经网络模型进行识别后判断出A1区域处的车流量较多，则热力图生成模块对热力图Pn-1和Pn中关于区域A1处的交通状态进行识别后得到的区域A1处交通状态变化情况为：从通畅变为缓行。
步骤400，交通资源调控模块依据交通状态变化信息对交通资源进行调度。
在热力图识别模块得出各区域的交通状态变化信息后，交通资源调控系统的交通资源调控模块会据此对交通资源进行相应的实时交通管控资源调度。交通状态变化信息指的是对于某条道路或某个局部区域的交通状态变化情况，例如以某十字路口为圆心的半径1公里范围内的区域中，交通状态由通畅变为拥堵。进一步的，交通状态可以划分等级，例如交通状态由通畅变为拥堵3级，等级越高程度越大。针对交通状态的变化来调度交通资源。
例如，在快速路E1的交通状态变化情况为从通畅变为缓行时，交通资源调控模块控制快速路E1附近的公路电子显示牌或与该快速路E1有较大车流汇入关系的主干路AR1的公路电子显示牌上显示快速路E1的当前交通状态已处于缓行状态，以提示即将驶入快速路E1的车辆绕行。
又例如，在支路BW1的交通状态变化情况为从通畅变为缓行时，交通资源调控模块控制与支路BW1的邻接的交通信号灯的交通信号持续时长进行延长或缩短，甚至向交管人员调配中心发出信号，使其派遣交管人员到目标路段实施人为交通管制措施，以应对某些方向上的车流量增加带来的交通拥堵问题，以及可能发生的交通指挥、交通治安方面的问题。
再例如，在快速路E1的某方向上的交通状态变化情况为从通畅变为缓行，但对面方向上的交通状态始终通畅时，交通资源调控模块控制快速路E1上的潮汐车道行驶方向进行相应改变，增加在车辆缓行方向上的车道数量，避免缓行方向产生交通拥堵。
本实施例公开的交通资源调控方法，在进行交通状态判别的过程中，先将检测设备采集的原始测量数据转换成热力图的图像形式，实现了交通状态的可视化，然后再将热力图输入预先训练好的神经网络模型进行分析和识别，输出关于交通状态的识别结果，相对于直接从杂乱的原始数据中提炼出交通状态变化数据来说，先转化成图形再进行交通状态变化情况的识别，能够得到区域性的交通状态，而不只是单一点位的交通状态，由此提高了最终生成的资源调配方案的合理性和参考性，提高了数据处理完成度，并提高了结果数据的准确性，使得最终生成的交通资源调度方案更加合理有据，以实现更好地解决交通拥堵问题和交通资源利用率低的问题。
在一种实施方式中，交通参数包括车流量、车速、占有率、交通流密度、旅行时间、车头时距、排队长度中的一种或多种。
其中，车流量又称交通流量，是指在单位时间内通过某一断面的交通实体数。车速可以分为瞬时速度、时间平均速度、区间平均速度等，本实施例中的车速采用时间平均速度，其是指在单位时间内所有通过速度检测设备所在断面的车辆的瞬时速度的算术平均值。占有率分为时间占有率和空间占有率，空间占有率是指某个时刻在某个路段上所有车辆的排队长度与路段总长度的百分比，时间占有率是指单位时间内所有车辆通过某一断面的时间累计值占该单位时间的百分比。交通流密度又称车流密度，是指在单位长度路段上一个车道或一个方向上某一瞬时的车辆数。车头时距是指前后两辆车的前端通过同一地点的时间差，可通过前后车的车头间距除以后车速度来计算。
热力图生成模块可以只采用上述其中一种交通参数生成一种交通热力图，也可以采用多种交通参数生成多种交通热力图。在采用多种交通参数时，交通热力图序列也会相应地有多个序列，分别存储不同种类的热力图。
由于检测设备上传的交通参数可能有多种，例如车速、车流量、占有率等，因此在一种实施方式中，在检测设备上传的交通参数有多种的情况下：步骤100中热力图生成模块分别生成该多种交通参数的交通热力图，并得到多种交通热力图序列。例如在同一时间周期内分别得到车速热力图、车流量热力图和占有率热力图。在此种情况下，该交通资源调控方法还包括步骤190。
步骤190，热力图生成模块依据相应交通参数的权值对多种交通参数的交通热力图以加权平均的方式进行图像融合，得到融合热力图，并且通过神经网络模型进行图像识别的热力图为融合热力图；或者，从多种交通热力图中选择一种作为神经网络模型进行图像识别的热力图。
由于有多种交通参数的热力图可供选择，因此可以选择以下三种中的其中策略得到最终的热力图。
第一种，基于加权策略的图像融合。图像融合是指将不同种类检测设备所采集到的关于同一城市区域的交通热力图进行图像处理，最大限度的提取各自种类的检测设备中的有利信息，最后综合成高质量的图像。具体的，热力图生成模块的图像融合单元在同一时间周期内同时选用多种甚至所有的交通参数，生成部分的甚至所有的有相应交通参数数据的交通参数种类的交通热力图，然后基于预先设置的交通参数种类的权值，以加权平均的方式将各种类的交通热力图进行图像融合，假设对三张不同交通参数的热力图HM1至HM3进行融合，则融合后的热力图中的每个像素点处的像素值p就是(p1*w1+p2*w2+p3*w3)/3，其中p1、p2、p3分别为三张热力图中相应位置处的像素值，w1、w2、w3分别为三张热力图的权值，并且权值之和等于1。通过图像的加权融合，最终得到整合热力图。由于车速、车流等交通参数所表示的都是交通状态，因此可以在参数不同的基础上进行融合。
由于权值的分配直接影响到整合热力图的准确性，因此会依据交通参数的数据采集准确性等因素来进行重要等级的分配，例如车速、车流量和占有率的重要等级分别为3、4、3，则若只选取车速和占有率时，两者权值相同，各占50％，若三种同时选取时，则车速和占有率的权值为30％，车流量权值为40％。
第二种，图像拼接。热力图生成模块的图像拼接单元分别从各不同交通参数种类的热力图中选取出一部分区域来，将这些区域进行拼接，组成一张完整的热力图。此种方式主要适用于各类型检测设备分布区域较为零散、重叠部分较少的情况。例如在一片城市地区能够被划分为两个区域，第一个区域里的检测设备基本只反馈车速数据，第二个区域里的检测设备基本只反馈车流数据，因此车速交通参数的热力图中关于第二区域是基本空白的，车流交通参数的热力图中关于第一区域是基本空白的，因此要想得到整个城市地区的热力图，则需要将两个热力图进行拼接，得到包含完整交通信息的整合热力图。由于车速、车流等交通参数所表示的都是交通状态，因此可以在参数不同的基础上进行拼接。
第三种，基于非加权策略的图像选择。热力图生成模块的图像选择单元从多种交通参数中选出一种交通参数，并只对该种交通参数进行热力图生成、图像识别等后续过程。而在一些情况下，也可以在下一时间周期时更换选用的交通参数种类，对另一选中的交通参数进行热力图生成、图像识别等后续过程。也就是说，有多种交通参数可以选择时，可以根据情况不限种类的择一选用。选用交通参数种类的依据可以是相应检测设备的数据采集准确性、数据上传实时性、监控点位布设的数量及范围大小等因素。
通过以上三种方式能够提高热力信息的利用率，改善热力图解译精度和可靠性。
由于检测设备可能会受到电磁干扰、数据传输中断等各种环境因素的影响，导致检测设备采集的交通参数测量值出现异常，例如发生噪声数据、数据异常、数据缺失等问题，而噪声数据和异常数据的存在将会影响后续的数据运算的准确性。因此在一种实施方式中，在步骤100中对交通参数数据进行大数据分析之前，先对检测设备上传的交通参数数据进行数据清洗。数据清洗由交通资源调控系统的数据清洗模块实施，其中，数据清洗可以包括：对交通参数测量值中缺失的数据进行数据补偿。
对于交通资源调控系统接收到的交通参数测量值，可以先判断其是否存在数据缺失的情况，例如某个检测设备未能上传所在监控点位在时间周期内的车流量数据，此种情况即属于数据缺失。此时需要通过数据清洗模块对缺失数据进行补偿。数据补偿可以采用以下任一方式：
1、计算缺失数据对应的交通参数种类在一定时间周期内的数据平均值，以该数据平均值作为遗漏值进行数据补偿。
2、以缺失数据对应交通参数的样本均值作为遗漏值进行数据补偿。
3、在采用了多种交通参数的情况下，以相同监控点位的其他交通参数测量值在缺失数据所述交通参数类别的等同映射值作为遗漏值进行数据补偿。
4、应用回归分析、时序分析或贝叶斯估计并与样本数据结合计算出缺失数据的最大可能取值，以该最大可能取值作为遗漏值进行数据补偿。
对于交通资源调控系统接收到的交通参数测量值，数据清洗模块还可以判断其是否存在噪声数据，因此数据清洗也可以包括：对交通参数测量值中的噪声数据进行剔除。
数据清洗模块实施的数据清洗还可以包括：从交通参数数据中剔除不符合相应测量值范围区间的数据。例如对于ETC上传的车流量数据来说，若车流量超过了相应监测点位的车道的最大通行能力，说明该车流量数据超出了测量值范围区间，属于异常数据，需要剔除。又例如对于地感线圈上传的时间占有率数据来说，若时间占有率测量值大于1或小于0，同样说明该数据为异常数据，需要剔除。可以理解的是，在采用多个交通参数时，数据预处理的数据清洗过程还包括依据逻辑关系来剔除数据。因为车速、车流、占有率等参数之间是有一定逻辑关系的，而不是随机混乱无序的。例如车速为0且占有率为0时，在逻辑上车流量也应为0，但若车流量不为0，则这一组数据为噪声数据，数据清洗模块需要进行剔除并进行数据补偿。
数据清洗模块实施的数据清洗还可以包括：从多种交通参数数据中剔除不符合交通参数之间逻辑关系的数据。在采用了多种交通参数进行大数据分析并进行热力图生成时，采用的各种交通参数之间会存在一定的逻辑关系，例如采用了车流量、车速和时间占有率这三个交通参数时，若同一监测点位发生车流量为0而车速和时间占有率均不为0的情况，或者同一监测点位发生车速为0而车流量和时间占有率均不为0的情况，这些都是不符合逻辑关系的，因此属于异常数据，需要剔除。
通过数据清洗模块对交通参数进行数据清洗能够清除掉异常数据，增加交通热力图的图像真实性，利于提高之后图像识别的结果准确性。
由于数据库写入数据时的标准统一问题可能会造成数据污染，例如缩写词滥用、数据间存在内含嵌套控制关系、计量单位不统一等，因此在一种实施方式中，在步骤100中对交通参数数据进行大数据分析之前，先对检测设备上传的交通参数数据进行数据转换。数据转换由交通资源调控系统的数据转换模块实施，其中，数据转换可以采用以下任一方式。
第一种，数据转换模块对交通参数测量值进行归一化处理。在检测设备上传了多种交通参数，并且热力图生成模块采用了多种交通参数来生成交通热力图时，可以对这多种交通参数进行归一化处理。具体的，假设交通参数A的最小值为minA，最大值为maxA，该方法通过线性变换，将交通参数A的某个值v映射到区间[new_minA,new_maxA]中的v'，计算公式如下：
第二种，数据转换模块对交通参数测量值进行Z分数规范化处理。Z分数规范化又称为z-score规范化。首先计算出交通参数A测量值的平均值
和标准差σA，再计算交通参数A中v的规范值v'，计算公式为：
该方法表示原始数据偏离均值的距离长度，而该距离度量的标准是标准差σA，
第三种，数据转换模块对交通参数测量值进行小数定标规范化处理。小数定标规范化又称为十基数变换规范化，通过移动属性A的小数点的位置进行，移动位数取决于A的最大绝对值。计算公式为：
其中，j为使max(|v'|)<1成立的最小整数，也就是属性值除以10的j次幂。
通过数据转换模块对交通参数数据进行数据转换处理能够消除不同交通参数量纲的影响，将数据转换成适合进行数据挖掘的形式，同时保持数据之间的关系，加快神经网络运算速度及其训练时的学习速度。
由于检测设备传输过来的海量数据中，同一交通参数数据通常会含有多个属性，而交通参数的测量值就是其中一种属性的数据值，而交通参数数据还包括数据采集时间、检测设备ID、检测设备名称等其他属性，这些其他属性属于和数据挖掘不相关的数据，也就是冗余属性，而对这些不相关的数据进行分析并转换到热力图上会耗费大量时间资源，因此在一种实施方式中，在步骤100中对交通参数数据进行大数据分析之前，先对检测设备上传的交通参数数据进行数据归约。数据归约由交通资源调控系统的数据归约模块实施，其中，数据归约包括：从交通参数数据中筛选出关键属性，并只将关键属性的值作为交通参数测量值。
例如对于地感线圈来说，其上传数据的属性可以包括线圈ID、线圈名称、车速采集时间以及车速数值，则车速数值属于关键属性，数据归约模块会将其用于后续交通热力图的生成，线圈ID和线圈名称则不属于关键属性，数据归约模块不会使其参与后续交通热力图的生成过程，以此来减少数据维度。
数据归约模块还可以对同一监测点位的多车道的交通参数数据进行压缩，例如对双向车道的车流量进行求和、车速进行求均值等方式来压缩数据规模。
通过数据归约模块对交通参数数据进行数据规约处理能够从一个复杂庞大的数据集中获得一个小型数据集，且不丢失数据挖掘所需要的基本信息，提高了数据处理效率。
在一种实施方式中，步骤100中热力图生成模块生成相应交通参数的交通热力图包括以下步骤110至步骤140。
步骤110，热力图生成模块的三角网建立单元基于监控点位位置及其交通参数数据形成的热力点建立Delaunay三角网，每个监控点位位置均为Delaunay三角网中三角形的顶点。
由于在热力图生成过程中，不同位置的热力点对其周围的热力影响可能不同，每个热力点在热力图不同位置的热力影响情况也不同，热力图中的一个位置的热力值可能受多个热力点影响，因此采用Delaunay三角网表达热力点。
Delaunay三角网定义为：假设平面上有包含多个离散点的点集，则对于这些点形成的Delaunay三角网，三角网中不存在任何两条相交的边，三角网中的边不能包含除了顶点以外的点集中的任何点，且三角网中包含且只包含三角形的网格，并且三角网是点集的一个凸壳。在热力图中，以Delaunay三角网作为基础，将各监控点位投射到热力图的相应位置处作为三角网格的顶点，并将各相应交通参数数据放入相应顶点处。
通过采用Delaunay三角网来布局热力图中热力点，能够最大限度地避免狭长三角形的产生，能够形成凸多边形外壳(凸壳)，并且在增删改某个点时只会影响与其相邻的三角形，因此基于Delaunay三角剖分的结果对热力点集进行了处理，以简化热力图中热力值的计算过程。能够较好的适用于热力图的构建。
步骤120，热力图生成模块的虚拟热力点插入单元通过距离加权法在所述Delaunay三角网的三角形内插入新的虚拟热力点，并将虚拟热力点与相应三角形顶点连接，形成均匀三角网。
由于监控点位(在热力图上相当于热力点)在热力图上的分布可能较为稀疏、不均匀，每个监控点位对其周围的热力影响范围可能较难确定，因此通过距离加权法在现有监控点位的基础上计算出虚拟监控点位，也就是虚拟热力点，从而使监控点位在整张热力图上分布均匀，并且增大了监控点位对其附近的热力影响同时减少其对远处的热力影响，从而提高热力图的显示精度。
距离加权法能够用周围一定范围内不同距离的热力值来对某被估点的热力值进行估计，距离被估点越远的位置对被估点所起的作用越小。在算出被估点的热力值后，将被估点作为虚拟热力点插入到Delaunay三角网中，其中，虚拟热力点表示真实热力点在该处的热力值，然后将虚拟热力点与所在三角形顶点进行连线，使得三角网中热力点的分布均匀化。
步骤130，热力图生成模块的顶点热力计算单元将均匀三角网划分为多个矩形区域，计算出每个矩形区域的四个顶点的热力值信息。
由于直接绘制和显示热力图会占用较大的系统内存，因此为了降低对交通资源调控系统和热力图显示设备的内存要求，以及为了便于进行多线程或者分布式优化以进一步提高绘制速度，顶点热力计算单元将均匀化的热力图进行区域性分解，分成多个小型的矩形子图，并计算矩形子图的四个顶点处的热力值。由于在步骤120中插入了虚拟热力点使得热力点均匀化，因此能够保证步骤130中的矩形子图周围必定有足够数量的热力点，以保证矩形区域顶点处的热力值能够被算出。
步骤140，热力图生成模块的热力图生成单元基于每个矩形区域四个顶点的热力值信息通过双线性插值法算出矩形区域中任一点的热力值信息，并根据算出的热力值信息将相应的颜色信息进行投影以及对各矩形区域进行拼接，得到交通热力图。
通过双线性插值法算出各个点的热力值信息，能够利用已知的少数点处的热力信息算出剩余各点处的热力信息，加快了系统运算速度，并且在矩形区域角点处热力值变化较大的情况下使整个热力图的颜色变化较为连续。算出矩形区域各点处的热力值信息后，据此将色带信息中的颜色映射到各点处进行绘制，并将划分的各矩形子图拼接还原为整张图，得到完整的交通热力图。
以下以图2为例说明双线性插值法的实施方式：在已知函数G在P11＝(x1，y1)、P12＝(x1，y2)、P21＝(x2，y1)、P22＝(x2，y2)四个点的值，则在x方向进行线性插值，得到G在点Q1＝(x，y1)处的值：
并得到G在点Q2＝(x，y2)处的值：
然后在y方向进行差值，得到G在点R＝(x，y)处的值：
最终得到F(x，y)的值。
投影的方式可以采用墨卡托投影。墨卡托投影是假设用空圆柱围住地球并使圆柱与地球赤道相切，然后假设地球中心处有一光源，把地球表面的图形投影到圆柱体上，之后把展开圆柱体即得到墨卡托投影图。
为了在保证Delaunay三角网的网格的路径最佳的前提下提高三角网的建立速度，在一种实施方式中，步骤110中三角网建立单元建立Delaunay三角网的具体方式包括以下步骤A10至步骤A50。
步骤A10，三角网建立单元建立包围所有热力点的初始多边形，连接初始多边形的部分顶点，形成初始Delaunay三角网。以图3为例说明初始Delaunay三角网的形成。预先构建一个正八边形，将各离散的热力点全部包围在其内，图3中只示出了部分热力点。然后连接正八边形的四个间隔的顶点，形成初始Delaunay三角网。
步骤A20，三角网建立单元从各个未位于三角形的顶点上的热力点中选取一个作为目标热力点，确定出包围该目标热力点的目标三角形，并连接目标热力点与目标三角形的顶点，得到新的三角形。以图4为例说明新三角形的形成。图4中选取点I作为目标热力点，将点I与所在三角形ABC的三个顶点连接，相当于原先的三角形ABC进行了划分，形成了三个新的三角形ACI、ABI和BCI。点H为上一选取的目标热力点，其形成了ACH、ADH和CDH三个新三角形。
步骤A30，三角网建立单元判断目标热力点是否落入与上述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换目标热力点所在三角形与被落入外接圆三角形组成的四边形的对角线。以图5为例说明新三角形的优化过程，也就是实现Delaunay三角网空外接圆准则的过程。热力点I落入了与三角形ACI具有公共边AC的三角形ACH的外接圆内，符合优化条件，因此将四边形AICH的连接对角线由AC更换为HI，实现三角网内所有的三角形均为Delaunay三角形。
步骤A40，三角网建立单元迭代执行步骤A20和步骤A30，直至所有热力点均位于三角形顶点。
步骤A50，三角网建立单元删除初始多边形的各顶点及其相关的三角形，形成Delaunay三角网。图6所示为经划分后最终得到的Delaunay三角网示意图，其中示出的各顶点为示意性的，与图3-图5中的热力点并不相同。
为了使步骤110中三角网建立单元建立的Delaunay三角网的热力点更为均匀，因此在三角网中插入新的虚拟热力点，以使三角网更为均匀，而在一种实施方式中，步骤120中热力点插入单元使三角网均匀化的具体方式包括以下步骤B10至B60。
步骤B10，热力点插入单元计算Delaunay三角网中的每个三角形当前的面积。例如Delaunay三角网内的某三角形ABC的顶点A、B、C的坐标分别为(x1，y1)、(x2，y2)、(x3，y3)，则三角形ABC的面积S为：
S＝|0.5*[x1*(y2-y3)-x2*(y1-y3)+x3*(y1-y2)]|
步骤B20，热力点插入单元判断各三角形的面积是否大于预设值，并在判定三角形面积大于预设值的情况下，算出该三角形内心的热力值，并判断该内心是否位于Delaunay三角网之内。面积大于预设值的三角形ABC的内心Incenter处的热力值Vi为：
其中，|AI|、|BI|、|CI|分别为点A、点B、点C到点I的距离，Va、Vb、Vc分别为点A、点B、点C处的热力值。
步骤B30，热力点插入单元在该内心位于Delaunay三角网之内的情况下，将该内心作为虚拟热力点插入到Delaunay三角网中，否则抛弃该内心。由于热力图是有边界的，因此需要判断插入的点是否超越了边界范围，若越界则抛弃该虚拟热力点。
步骤B40，热力点插入单元将虚拟热力点与所在的三角形的各顶点连接，形成新的三角形。
步骤B50，热力点插入单元判断虚拟热力点是否落入与新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换虚拟热力点所在三角形与被落入外接圆三角形组成的四边形的对角线。也就是说，在插入新的热力点后(无论是虚拟的还是真实的热力点)，都需要对三角网进行优化，实现空外接圆准则。该过程与之前在三角网中逐点插入真实热力点的过程类似。
步骤B60，迭代执行步骤B20至步骤B50，直到Delaunay三角网中每个三角形当前的面积均不大于预设值，得到均匀三角网。通过对三角网中三角形的面积进行约束，使得三角网内的三角形更为均匀。可以理解的是，根据面积预设值的大小不同，可能需要对三角网进行多次均匀化操作，得到如图7所示的均匀三角网。
为了提高图像识别的准确度，在一种实施方式中，步骤200中的神经网络模型采用卷积神经网络模型。卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，广泛应用于图像识别检测等领域。对交通热力图进行图像识别包括以下步骤C10至C30。
步骤C10利用多个不同的卷积核对交通热力图进行特征提取，得到多层特征矩阵。该操作在卷积层中进行。卷积核是一个小型矩阵，这个小型矩阵在交通热力图的像素矩阵上按步长进行扫描，在卷积核扫描到的区域内，将区域内的数与卷积核对应位置处的数相乘，然后求和，得到一个数值，这个数值就是特征矩阵中该卷积核在该次扫描时得到的值。卷积核的步长是指卷积核每次移动的单位长度。假设彩色像素矩阵大小为300*300，卷积核大小为3*3，步长为1，在进行卷积之前在像素矩阵外围预先补偿一圈数值为0的数列，使得像素矩阵大小变为302*302，在进行卷积之后，得到的特征矩阵才能够与原像素矩阵大小一致(300*300)。在通过64个卷积核进行卷积后，得到64层图像。
不同的卷积核的权值不同，因此通过不同卷积核对像素矩阵进行卷积后得到的特征矩阵不同。卷积核内的数值即为已经训练好的权值，初始时是随机的，经过训练时通过损失函数不断进行评估，得到最佳的参数值作为权值。
步骤C20利用池化窗口分别对多层特征矩阵进行扫描，获取池化窗口当前覆盖的矩阵的最大值或平均值，得到降维矩阵。该操作在池化层中进行。
经过步骤C10的卷积操作提取除了特征矩阵，特征矩阵中的相邻区域有相似特征信息，可以相互替代，若将特征矩阵中的信息全部保留则会产生信息冗余，增加之后的计算难度，因此需要进行池化操作。池化是通过矩阵池化区域窗口对特征矩阵按照步长进行扫描，并将窗口覆盖的矩阵区域的数值中的最大值或平均值作为得到的降维矩阵中的数值，在扫描完成后得到降维矩阵。因此池化相当于降维操作，能够在一定程度上消除过拟合现象，只保留最有用的图片信息。
步骤C30将降维矩阵输入全连接层进行识别，得到图像识别结果。全连接层的每一个结点都与上一层的所有结点相连，也就是说第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权，以此用于对步骤C10和C20得到的降维矩阵进行处理，得到图像识别结果，例如城市中某一条道路或某一局部区域的交通状态为拥堵或通畅，及其拥堵等级或通畅等级等。另外，全连接层中神经元的数量需要设置较多，以满足图像识别的类别数量。
下面参考图8详细描述本申请公开的城市区域交通资源调控系统实施例。本实施例是用于实施前述的城市区域交通资源调控方法实施例的系统。如图8所示，本实施例主要包括热力图生成模块、热力图识别模块、识别结果对比模块和交通资源调控模块。
热力图生成模块用于对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含交通热力图的交通热力图序列。
热力图识别模块用于通过神经网络模型对热力图生成模块生成的交通热力图进行图像识别。
识别结果对比模块用于将热力图识别模块识别出的当前的交通热力图识别结果与交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息。
交通资源调控模块用于依据识别结果对比模块得到的交通状态变化信息对交通资源进行调度。
其中，交通状态包括能够反映道路拥堵情况的特征量。
在一种实施方式中，交通参数包括以下至少一项：车流量，车速，占有率，交通流密度，旅行时间，车头时距，排队长度。
在一种实施方式中，在检测设备上传的交通参数有多种的情况下：热力图生成模块分别生成该多种交通参数的交通热力图，并得到多种交通热力图序列。
另外，热力图生成模块包括：图像融合单元和/或图像拼接单元和/或图像选择单元。
其中，图像融合单元用于依据相应交通参数的权值对多种交通参数的交通热力图以加权平均的方式进行图像融合，得到融合热力图，并且通过神经网络模型进行图像识别的热力图为融合热力图。
图像拼接单元用于对多种交通参数的交通热力图进行区域选择，并将选择的区域进行图像拼接，得到拼接热力图，并且通过神经网络模型进行图像识别的热力图为拼接热力图。
图像选择单元用于从多种交通热力图中选择一种作为神经网络模型进行图像识别的热力图。
在一种实施方式中，该系统还包括：数据清洗模块，用于在热力图生成模块对交通参数数据进行大数据分析之前，先对检测设备上传的交通参数数据进行数据清洗。其中，数据清洗包括：对交通参数测量值中缺失的数据进行数据补偿，和/或对交通参数测量值中的噪声数据进行剔除，和/或从交通参数数据中剔除不符合相应测量值范围区间的数据，和/或从多种交通参数数据中剔除不符合交通参数之间逻辑关系的数据。
在一种实施方式中，该系统还包括：数据转换模块，用于在热力图生成模块对交通参数数据进行大数据分析之前，先对检测设备上传的交通参数数据进行数据转换。其中，数据转换包括：对交通参数测量值进行归一化处理，或对交通参数测量值进行Z分数规范化处理，或对交通参数测量值进行小数定标规范化处理。
在一种实施方式中，该系统还包括：数据归约模块，用于在热力图生成模块对交通参数数据进行大数据分析之前，先对检测设备上传的交通参数数据进行数据归约。其中，数据归约包括：从交通参数数据中筛选出关键属性，并将关键属性的值作为交通参数测量值。
在一种实施方式中，热力图生成模块包括：三角网建立单元、虚拟热力点插入单元、顶点热力计算单元和热力图生成单元。
三角网建立单元用于基于监控点位位置及其交通参数数据形成的热力点建立Delaunay三角网，每个监控点位位置均为Delaunay三角网中三角形的顶点。
虚拟热力点插入单元用于通过距离加权法在三角网建立单元建立的Delaunay三角网的三角形内插入新的虚拟热力点，并将虚拟热力点与相应三角形顶点连接形成均匀三角网。
顶点热力计算单元用于将虚拟热力点插入单元生成的均匀三角网划分为多个矩形区域，计算出每个矩形区域的四个顶点的热力值信息。
热力图生成单元用于基于顶点热力计算单元算出的每个矩形区域四个顶点的热力值信息通过双线性插值法算出矩形区域中任一点的热力值信息，并根据算出的热力值信息将相应的颜色信息进行投影以及对各矩形区域进行拼接，得到交通热力图。
在一种实施方式中，三角网建立单元通过执行如下步骤A10至步骤A50建立Delaunay三角网。步骤A10，建立包围所有热力点的初始多边形，连接初始多边形的部分顶点，形成初始Delaunay三角网。步骤A20，从各个未位于三角形的顶点上的热力点中选取一个作为目标热力点，确定出包围目标热力点的目标三角形，并连接目标热力点与目标三角形的顶点，得到新的三角形。步骤A30，判断目标热力点是否落入与新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换目标热力点所在三角形与被落入外接圆三角形组成的四边形的对角线。步骤A40，迭代执行步骤A20和步骤A30，直至所有热力点均位于三角形顶点。步骤A50，删除初始多边形的各顶点及其相关的三角形，形成Delaunay三角网。
在一种实施方式中，虚拟热力点插入单元通过执行如下步骤B10至步骤B60形成均匀三角网。步骤B10，计算Delaunay三角网中的每个三角形当前的面积。步骤B20，判断各三角形的面积是否大于预设值，并在判定三角形面积大于预设值的情况下，算出该三角形内心的热力值，并判断该内心是否位于Delaunay三角网之内。步骤B30，在该内心位于Delaunay三角网之内的情况下，将该内心作为虚拟热力点插入到Delaunay三角网中，否则抛弃该内心。步骤B40，将虚拟热力点与所在的三角形的各顶点连接，形成新的三角形。步骤B50，判断虚拟热力点是否落入与新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换虚拟热力点所在三角形与被落入外接圆三角形组成的四边形的对角线。步骤B60，迭代执行步骤B20至步骤B50，直到Delaunay三角网中每个三角形当前的面积均不大于预设值，得到均匀三角网。
在一种实施方式中，神经网络模型采用卷积神经网络模型。热力图识别模块通过执行如下步骤C10至步骤C30进行图像识别。
步骤C10，利用多个不同的卷积核对交通热力图进行特征提取，得到多层特征矩阵。步骤C20，利用池化窗口分别对多层特征矩阵进行扫描，获取池化窗口当前覆盖的矩阵的最大值或平均值，得到降维矩阵。步骤C30，将降维矩阵输入全连接层进行识别，得到图像识别结果。
需要说明的是：在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本申请一部分实施例，而不是全部的实施例，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本文中的模块、单元的划分仅仅是一种逻辑功能的划分，在实际实现时可以有其他的划分方式，例如多个模块和/或单元可以结合或集成于另一个系统中。作为分离部件说明的模块、单元在物理上可以是分开的，也可以是不分开的。作为单元显示的部件可以是物理单元，也可以不是物理单元，即可以位于一个具体地方，也可以分布到网格单元中。因此可以根据实际需要选择其中的部分或全部的单元来实现实施例的方案。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于热力图变化识别的城市区域交通资源调控方法，其特征在于，包括：
对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含所述交通热力图的交通热力图序列；
通过神经网络模型对所述交通热力图进行图像识别，所述神经网络模型采用卷积神经网络模型，所述通过神经网络模型对所述交通热力图进行图像识别包括：利用多个不同的卷积核对所述交通热力图进行特征提取，得到多层特征矩阵，利用池化窗口分别对所述多层特征矩阵进行扫描，获取所述池化窗口当前覆盖的矩阵的最大值或平均值，得到降维矩阵，将所述降维矩阵输入全连接层进行识别，得到图像识别结果；
将当前的所述交通热力图识别结果与所述交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息；
依据所述交通状态变化信息对交通资源进行调度，包括依据支路的交通状态变化控制与支路邻接的交通信号灯的交通信号持续时长进行延长或缩短，以及依据快速路的双向行驶方向的交通状态变化控制潮汐车道行驶方向进行相应改变以增加车辆缓行方向上的车道数量；其中，
所述交通状态包括能够反映道路拥堵情况的特征量；
所述交通参数包括以下至少一项：车流量，车速，占有率，交通流密度，旅行时间，车头时距，排队长度；在所述检测设备上传的交通参数有多种的情况下：分别生成该多种交通参数的交通热力图，并得到多种交通热力图序列；
另外，所述方法还包括：
依据相应交通参数的权值对所述多种交通参数的交通热力图以加权平均的方式进行图像融合，得到融合热力图，并且通过神经网络模型进行图像识别的热力图为所述融合热力图；或
对所述多种交通参数的交通热力图进行区域选择，并将选择的区域进行图像拼接，得到拼接热力图，并且通过神经网络模型进行图像识别的热力图为所述拼接热力图；或
从所述多种交通热力图中选择一种作为神经网络模型进行图像识别的热力图。
2.如权利要求1所述的交通资源调控方法，其特征在于，所述生成相应交通参数的交通热力图包括：
基于所述监控点位位置及其交通参数数据形成的热力点建立Delaunay三角网，每个所述监控点位位置均为所述Delaunay三角网中三角形的顶点；
通过距离加权法在所述Delaunay三角网的三角形内插入新的虚拟热力点，并将所述虚拟热力点与相应三角形顶点连接形成均匀三角网；
将所述均匀三角网划分为多个矩形区域，计算出每个所述矩形区域的四个顶点的热力值信息；
基于每个所述矩形区域四个顶点的热力值信息通过双线性插值法算出所述矩形区域中任一点的热力值信息，并根据算出的热力值信息将相应的颜色信息进行投影以及对各所述矩形区域进行拼接，得到交通热力图。
3.如权利要求2所述的交通资源调控方法，其特征在于，所述建立Delaunay三角网包括：
步骤A10，建立包围所有热力点的初始多边形，连接所述初始多边形的部分顶点，形成初始Delaunay三角网；
步骤A20，从各个未位于三角形的顶点上的热力点中选取一个作为目标热力点，确定出包围所述目标热力点的目标三角形，并连接所述目标热力点与所述目标三角形的顶点，得到新的三角形；
步骤A30，判断所述目标热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述目标热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤A40，迭代执行步骤A20和步骤A30，直至所有热力点均位于三角形顶点；
步骤A50，删除所述初始多边形的各顶点及其相关的三角形，形成所述Delaunay三角网。
4.如权利要求2或3所述的交通资源调控方法，其特征在于，所述通过距离加权法在所述Delaunay三角网的三角形内插入新的虚拟热力点，并将所述虚拟热力点与相应三角形顶点连接形成均匀三角网，包括：
步骤B10，计算所述Delaunay三角网中的每个三角形当前的面积；
步骤B20，判断各三角形的面积是否大于预设值，并在判定三角形面积大于预设值的情况下，算出该三角形内心的热力值，并判断该内心是否位于所述Delaunay三角网之内；
步骤B30，在该内心位于所述Delaunay三角网之内的情况下，将该内心作为虚拟热力点插入到所述Delaunay三角网中，否则抛弃该内心；
步骤B40，将所述虚拟热力点与所在的三角形的各顶点连接，形成新的三角形；
步骤B50，判断所述虚拟热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述虚拟热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤B60，迭代执行步骤B20至步骤B50，直到所述Delaunay三角网中每个三角形当前的面积均不大于所述预设值，得到均匀三角网。
5.一种基于热力图变化识别的城市区域交通资源调控系统，其特征在于，包括：
热力图生成模块，用于对布设于城市道路监控点位的检测设备上传的交通参数数据进行大数据分析，生成相应交通参数的交通热力图，并得到包含所述交通热力图的交通热力图序列；
热力图识别模块，用于通过神经网络模型对所述热力图生成模块生成的交通热力图进行图像识别，所述神经网络模型采用卷积神经网络模型，所述通过神经网络模型对所述交通热力图进行图像识别包括：利用多个不同的卷积核对所述交通热力图进行特征提取，得到多层特征矩阵，利用池化窗口分别对所述多层特征矩阵进行扫描，获取所述池化窗口当前覆盖的矩阵的最大值或平均值，得到降维矩阵，将所述降维矩阵输入全连接层进行识别，得到图像识别结果；
识别结果对比模块，用于将所述热力图识别模块识别出的当前的所述交通热力图识别结果与所述交通热力图序列中之前的交通热力图的识别结果进行对比，得到交通状态变化信息；
交通资源调控模块，用于依据所述识别结果对比模块得到的交通状态变化信息对交通资源进行调度，包括依据支路的交通状态变化控制与支路邻接的交通信号灯的交通信号持续时长进行延长或缩短，以及依据快速路的双向行驶方向的交通状态变化控制潮汐车道行驶方向进行相应改变以增加车辆缓行方向上的车道数量；
其中，所述交通状态包括能够反映道路拥堵情况的特征量；
在所述检测设备上传的交通参数有多种的情况下：所述热力图生成模块分别生成该多种交通参数的交通热力图，并得到多种交通热力图序列；
另外，所述热力图生成模块包括：图像融合单元和/或图像拼接单元和/或图像选择单元；
其中，图像融合单元用于依据相应交通参数的权值对所述多种交通参数的交通热力图以加权平均的方式进行图像融合，得到融合热力图，并且通过神经网络模型进行图像识别的热力图为所述融合热力图；
图像拼接单元用于对所述多种交通参数的交通热力图进行区域选择，并将选择的区域进行图像拼接，得到拼接热力图，并且通过神经网络模型进行图像识别的热力图为所述拼接热力图；
图像选择单元用于从所述多种交通热力图中选择一种作为神经网络模型进行图像识别的热力图。
6.如权利要求5所述的交通资源调控系统，其特征在于，所述热力图生成模块包括：
三角网建立单元，用于基于所述监控点位位置及其交通参数数据形成的热力点建立Delaunay三角网，每个所述监控点位位置均为所述Delaunay三角网中三角形的顶点；
虚拟热力点插入单元，用于通过距离加权法在所述三角网建立单元建立的Delaunay三角网的三角形内插入新的虚拟热力点，并将所述虚拟热力点与相应三角形顶点连接形成均匀三角网；
顶点热力计算单元，用于将所述虚拟热力点插入单元生成的均匀三角网划分为多个矩形区域，计算出每个所述矩形区域的四个顶点的热力值信息；
热力图生成单元，用于基于所述顶点热力计算单元算出的每个所述矩形区域四个顶点的热力值信息通过双线性插值法算出所述矩形区域中任一点的热力值信息，并根据算出的热力值信息将相应的颜色信息进行投影以及对各所述矩形区域进行拼接，得到交通热力图。
7.如权利要求6所述的交通资源调控系统，其特征在于，所述三角网建立单元通过执行如下步骤建立Delaunay三角网：
步骤A10，建立包围所有热力点的初始多边形，连接所述初始多边形的部分顶点，形成初始Delaunay三角网；
步骤A20，从各个未位于三角形的顶点上的热力点中选取一个作为目标热力点，确定出包围所述目标热力点的目标三角形，并连接所述目标热力点与所述目标三角形的顶点，得到新的三角形；
步骤A30，判断所述目标热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述目标热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤A40，迭代执行步骤A20和步骤A30，直至所有热力点均位于三角形顶点；
步骤A50，删除所述初始多边形的各顶点及其相关的三角形，形成所述Delaunay三角网。
8.如权利要求6或7所述的交通资源调控系统，其特征在于，所述虚拟热力点插入单元通过执行如下步骤形成均匀三角网：
步骤B10，计算所述Delaunay三角网中的每个三角形当前的面积；
步骤B20，判断各三角形的面积是否大于预设值，并在判定三角形面积大于预设值的情况下，算出该三角形内心的热力值，并判断该内心是否位于所述Delaunay三角网之内；
步骤B30，在该内心位于所述Delaunay三角网之内的情况下，将该内心作为虚拟热力点插入到所述Delaunay三角网中，否则抛弃该内心；
步骤B40，将所述虚拟热力点与所在的三角形的各顶点连接，形成新的三角形；
步骤B50，判断所述虚拟热力点是否落入与所述新的三角形中的任一三角形具有公共边的三角形的外接圆内部，若是则更换所述虚拟热力点所在三角形与被落入外接圆三角形组成的四边形的对角线；
步骤B60，迭代执行步骤B20至步骤B50，直到所述Delaunay三角网中每个三角形当前的面积均不大于所述预设值，得到均匀三角网。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759909.8A CN110517487B (zh) | 2019-08-16 | 2019-08-16 | 基于热力图变化识别的城市区域交通资源调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910759909.8A CN110517487B (zh) | 2019-08-16 | 2019-08-16 | 基于热力图变化识别的城市区域交通资源调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110517487A CN110517487A (zh) | 2019-11-29 |
| CN110517487B true CN110517487B (zh) | 2020-11-06 |
Family
ID=68625590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910759909.8A Active CN110517487B (zh) | 2019-08-16 | 2019-08-16 | 基于热力图变化识别的城市区域交通资源调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517487B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111428688B (zh) * | 2020-04-16 | 2022-07-26 | 成都旸谷信息技术有限公司 | 基于mask矩阵的车辆的行驶车道智能识别方法、系统 |
| CN111866448A (zh) * | 2020-06-17 | 2020-10-30 | 杭州恒领科技有限公司 | 无人驾驶汽车分布状况热力图闪烁标识系统 |
| CN112463136B (zh) * | 2020-06-29 | 2023-12-05 | 中国铁路设计集团有限公司 | 基于热力图技术的城市空间区域人流活力分析方法 |
| CN112216103B (zh) * | 2020-09-11 | 2021-09-24 | 深圳市朗尼科智能股份有限公司 | 一种城市交通优化方法及系统 |
| CN112419729B (zh) * | 2020-11-23 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种根据预测车流量确定决策策略的方法和系统 |
| CN112669340B (zh) * | 2020-12-23 | 2021-08-20 | 佛山市规划测信总院有限公司 | 一种基于gis大数据分析的公共设施选址方法及系统 |
| CN112507444B (zh) * | 2021-02-03 | 2021-05-07 | 四川见山科技有限责任公司 | 一种基于ai构建的数字城市建筑夜景生成方法及系统 |
| CN113053113A (zh) * | 2021-03-11 | 2021-06-29 | 湖南交通职业技术学院 | 一种基于PSO-Welsch-Ridge的异常检测方法及装置 |
| CN113177519B (zh) * | 2021-05-25 | 2021-12-14 | 福建帝视信息科技有限公司 | 一种基于密度估计的后厨脏乱差评价方法 |
| CN113538903B (zh) * | 2021-06-21 | 2022-07-22 | 东南大学 | 一种基于交通流量特征提取与分类的交通拥堵预测方法 |
| CN113743736B (zh) * | 2021-08-11 | 2024-02-27 | 上海钧正网络科技有限公司 | 热力等级确定方法、热力图生成方法、装置和电子设备 |
| TWI838729B (zh) * | 2022-04-14 | 2024-04-11 | 朝陽科技大學 | 氣體濃度的檢測方法及檢測系統 |
| CN117892910A (zh) * | 2023-12-22 | 2024-04-16 | 曙光云计算集团股份有限公司 | 分析方法、装置、计算机设备、存储介质和程序产品 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102087789B (zh) * | 2009-12-02 | 2013-09-11 | 上海济祥智能交通科技有限公司 | 基于交通状态参数的交通状态判别系统和方法 |
| CN105809967A (zh) * | 2016-05-25 | 2016-07-27 | 浙江宇视科技有限公司 | 一种车流量展示方法及装置 |
| CN108281023B (zh) * | 2016-12-30 | 2020-08-21 | 中国移动通信集团公司 | 一种通过移动终端展示实时路况的方法和系统 |
| CN109243176A (zh) * | 2018-09-26 | 2019-01-18 | 东莞幻鸟新材料有限公司 | 一种城市交通管理系统 |
| CN110008196A (zh) * | 2019-04-17 | 2019-07-12 | 华南理工大学 | 一种海量交通点数据的整理方法和装置、设备和介质 |
-
2019
- 2019-08-16 CN CN201910759909.8A patent/CN110517487B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110517487A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110517487B (zh) | 基于热力图变化识别的城市区域交通资源调控方法及系统 | |
| CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
| WO2020233152A1 (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN108710875A (zh) | 一种基于深度学习的航拍公路车辆计数方法及装置 | |
| CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
| CN106920243A (zh) | 改进的全卷积神经网络的陶瓷材质件序列图像分割方法 | |
| Shirowzhan et al. | Spatial compactness metrics and Constrained Voxel Automata development for analyzing 3D densification and applying to point clouds: A synthetic review | |
| CN109447160A (zh) | 一种影像和矢量道路交叉点自动匹配的方法 | |
| CN107690660A (zh) | 图像识别方法及装置 | |
| CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
| CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
| CN116484971A (zh) | 车辆的自动驾驶感知自学习方法、装置及电子设备 | |
| CN110070115A (zh) | 一种单像素攻击样本生成方法、装置、设备及存储介质 | |
| CN116778146A (zh) | 基于多模态数据的道路信息提取方法及装置 | |
| CN109840559A (zh) | 图像筛选方法、装置以及电子设备 | |
| CN110458047A (zh) | 一种基于深度学习的越野环境场景识别方法及系统 | |
| CN109684910A (zh) | 一种网络检测输电线路地表环境变化的方法及系统 | |
| CN116363586A (zh) | 基于改进yolov5s的桥梁施工进度智能识别方法 | |
| CN114519819A (zh) | 一种基于全局上下文感知的遥感图像目标检测方法 | |
| CN110459050A (zh) | 一种基于混合决策树的短期公交客流预测方法 | |
| CN103455990A (zh) | 结合视觉注意机制和pcnn的图像融合方法 | |
| Zhang et al. | Pavement crack detection based on deep learning | |
| CN117456449B (zh) | 一种基于特定信息的高效跨模态人群计数方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |