CN111160537B - 一种基于ann的路口交通警力资源调度系统 - Google Patents
一种基于ann的路口交通警力资源调度系统 Download PDFInfo
- Publication number
- CN111160537B CN111160537B CN202010003803.8A CN202010003803A CN111160537B CN 111160537 B CN111160537 B CN 111160537B CN 202010003803 A CN202010003803 A CN 202010003803A CN 111160537 B CN111160537 B CN 111160537B
- Authority
- CN
- China
- Prior art keywords
- data
- police
- violation
- traffic
- time
- 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
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000000007 visual effect Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 11
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 abstract description 2
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于ANN的路口交通警力资源调度系统,包括数据预处理模块、警力调度模块和远程控制模块;数据预处理模块从监管部门实时获取包括输入数据和标签数据;对输入数据进行归一化处理,采用one‑hot编码格式生成所述标签数据,并生成数据集,用于训练模型,实时生成警力调度方案;警力调度模块包括基于ANN的全连接神经网络,用于实现模型预训练和生成警力调度方案;远程控制模块用于对警力调度系统的监测和控制;本发明提出的系统对城市复杂交通环境下智能化、无人化警力调度系统提出了可行方案,通过分析数据和具体场景,提高了交通警力调度方案制定的合理性,有效减少了交通拥堵情况;系统拥有远程控制功能,更有效的配合指挥中心调度警力。
Description
技术领域
本发明涉及智能资源调度技术领域,主要涉及一种基于ANN的路口交通警力资源调度系统。
背景技术
在交通运输业发展的同时,城市的建设也十分迅速,我国先后建成了大批现代城市,现代化的交通道路保障了城市的正常运转和人民的正常生活,却给交通管理部门带来了更多地压力。日益普及的机动车给城市交通安全带来了新的挑战,交通安全问题亟需解决。因此,保障城市交通的正常运转,才能对国民经济的发展提供持续安全的环境。然而,在拥堵情况下的交通疏导工作已成为了十分紧迫的任务,交警部门如何高效地管理通行状况,有效地调度路口交通警力,已经成为了交通部门急需解决的问题。但目前城市交通警力资源的调度工作主要依靠人工判断的方式完成,这不仅消耗了大量的人力资源,还无法保障警力资源的最优调动安排。因此交通管理部门亟需更加高效便捷的手段调度警力资源,实现警力资源的最优分配。
与此同时,随着计算机视觉和人工智能领域的不断发展和普及,以及人们对交通安全的重视,智能交通监测技术逐渐走进了各大城市的违章判别任务中,帮助交警部门解决简易违章行为的判定任务。目前,智能交通检测技术主要使用光流法和帧间差分法跟踪目标移动轨迹,结合OpenCV(图像处理库)通过图像处理手段实现对违章行为的精准判定。智能交通检测技术的成功应用,有效的缓解了交通安全的压力,还为警力资源调度系统提供了决策数据。通过智能化的交通监测技术,可以开发出更加智能化的警力资源调度系统,帮助指挥中心维护城市交通安全。
目前,已经实现的警力资源调度系统大多是针对区域性民事纠纷及刑事案件的系统,通过指挥中心接收各地案情信息及警力数据,进行数据分析和领导决策,形成下一步警力资源的调度安排。但现有的警力调度系统也有很大的局限性。首先,现有的警力资源调度系统并不适用于城市交通警力调度任务,因为交通纠纷及交通疏导任务具有很强的实时性,交警必须快速到达需要指挥的道路,此系统依靠多数据自动决策算法,可能会导致指挥效率下降;其次,现有的警力资源调度系统并不具备智能化的处理方式,主要决策过程依然依靠部门领导的思考,这就使警力分配出现了失误的可能,这不但会造成城市交通拥堵,还会消耗交通警察的精力,给城市交通指挥任务带来诸多不便;最后,现有的警力资源调度系统无法预测未来的警力分配状态,无法提前安排下一日的指挥任务,使得警力调度效率不高。
本发明是一种基于深度学习的交通警力资源调度系统,通过路口实时违章数据建立资源调度模型,实现实时分配警力及预测未来警力安排,给城市交通运转提供了保障。
发明内容
发明目的:本发明提供了本发明提供了一种基于ANN的路口交通警力资源调度系统,通过ANN(人工神经网络)算法实现警力资源的智能调度,是一种运行在复杂交通环境下的智能警力资源调度系统。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于ANN的路口交通警力资源调度系统,包括数据预处理模块、警力调度模块和远程控制模块;
所述数据预处理模块从监管部门实时获取包括“违章车辆数”、“违章类型”、“交通流量”、“遵章率”和“时间段”的输入数据和“警力调度量”的标签数据;对输入数据进行归一化处理,采用one-hot编码格式生成所述标签数据,并生成数据集,用于训练模型,实时生成警力调度方案;
所述警力调度模块包括基于ANN的全连接神经网络,用于实现模型预训练和生成警力调度方案;所述模型预训练阶段,在接收到数据预处理模块生成的数据集后,以此为神经网络模型的训练数据;搭建好基于ANN的警力调度模型,通过N次迭代训练模型,直至警力调度准确率符合标准;所述方案生成阶段,在获取数据预处理模块发送的实时数据,并调用基于ANN的警力调度模型,生成警力调度方案,对比初始警力调度方案,调整部署策略;通过K邻近搜索算法,控制警力调动路径,并记录实时数据,回传至数据预处理模块,用于数据预处理模块更新和备份;
所述远程控制模块包括基于Qt的可视化界面,用于对警力调度系统的监测和控制;所述可视化界面包括城市交通指挥地图、手动控制部分、数据存储部分和警力调度信息显示接口。
进一步地,所述数据预处理阶段包括:
(1)输入数据的处理方法
1)、对于“违章车辆数”、“交通流量”和“遵章率”三类数据,直接采用归一化处理,具体公式如下:
其中,xi为第i个数据,yi为归一化后数据,min(xi),max(xi)分别为此类数据的最大值和最小值;
2)、对于“违章类型”数据,需要先经过效益函数换算;
首先,根据违章行为消耗的时间,计算违章类型权重,如下:
wi=ki*hi+b (2)
其中,wi表示违章类型权重,ki,hi和b分别表示为影响因子、消耗时间和偏置;统计单个时间段内总计违章车辆和对应的违章行为,计算违章类型数据,如下式所示:
其中,yi表示效益函数计算后的数据,wi表示违章类型权重,xi表示该违章类型发生的次数;
最后,按照公式(1)对效益函数计算数据进行归一化处理;
3)对于“时间段”类型数据,需要先对数据进行分级处理;
首先,统计30天内城市交通违章次数及其发生时间,以小时为单位,采用分级分类,将其划分到24个时间段中,即可得到30天内城市每小时交通违章次数的分布;
根据公式(1)将每小时违章次数归一化为违章时间权重,将数据按照发生时间归到对应小时类别中,用对应的违章时间权重代替“时间段”数据;
(2)标签数据处理方法
所述标签数据包括“警力调度量”,以最大警力调度量为峰值,将其分为10个等级,将未处理的标签数据放入10个等级中,最后采用one-hot编码格式,生成标签数据。
(3)处理完输入数据和标签数据后,将所有数据打包为数据集,并随机抽取20%的数据为测试集,80%为训练集,用于训练模型;数据预处理模块还负责将实时数据打包发送至警力调度模块,用于实时生成警力调度方案。
进一步地,所述基于ANN的警力调度模型采用四层全连接神经网络,包括:输入层、2个隐藏层和输出层;所述神经网络包括N*K1*K2*M个神经元,其中输入层包含N个神经元,代表经过预处理的输入数据;所述警力调度模型通过数据学习分类原则;两个隐藏层包含K1*K2个神经元,用于学习输入数据的特征,分析重要性参数,并以权重参数连接各神经元;输出层由M个神经元组成,将隐藏层提取的特征压缩成更高级的输出特征,用于分类;最后经过SoftMax函数将特征转换为类别,实现分类功能,得到正确的警力调度量,如下所示:
其中,Si是SoftMax函数得到的值,i和j为输出层输出的数据。
进一步地,所述城市交通指挥地图用于显示城市交通电子地图画面,供工作人员查看目前交通运转状况;所述手动控制部分用于当警力调度方案遇到复杂情况失效时,工作人员通过可视化界面上设定的按键手动制定,以便顺利完成工作;所述数据存储部分用于存储维护信息,并自动保存工作日志;所述警力调度信息显示接口用于显示文字版调度方案,并在电子地图上显示实时警力分布状态。
有益效果:本系统具备以下优点:
(1)本发明能完全代替人工实现警力资源调度任务,同时与远程可视化界面交互保障调度任务可靠;
(2)通过深度学习算法建立适用于交通警力资源调度的ANN模型,以智能化的方式保障了交通的正常运行,实现交通指挥的无人化运转;
(3)本发明实现了对路口交通违章数据的合理融合,并将其融入进模型训练中,实现数据指导勤务功能;
本系统节约了大量人力资源,而且保障警力分配方案的合理性。采用基于ANN的路口交通警力资源调度系统,加速了交管部门的自动化管理。使得人工智能技术融入到社会的更深层,不仅为城市交通的自动化管理提供思路,还对AI落地政策提供了更广泛的案例。
附图说明
图1是本发明提供的系统模块结构示意图;
图2是本发明提供的数据预处理模块示意图;
图3是本发明提供的警力调度模块示意图;
图4是本发明提供的基于ANN的警力调度模型结构示意图;
图5是本发明提供的可视化界面示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示的基于ANN的路口交通警力资源调度系统,包括数据预处理模块、警力调度模块和远程控制模块。其中数据预处理模块将交通违章数据打包为数据集供神经网络模型学习;警力调度模块负责训练警力调度模型并生成具体的调度方案;远程控制模块负责显示实时的警力调度方案及交通运转情况,并协助工作人员通过按键实现警力的远程控制。三个模块通过数据通信,数据预处理模块上传数据集给警力调度模块学习,警力调度模块发送调度方案及监控数据给远程控制模块,远程控制模块通过可视化界面发布控制命令更新方案并执行,各模块相互协作,实现系统的正常运转。
数据预处理模块如图2所示,从监管部门实时获取包括“违章车辆数”、“违章类型”、“交通流量”、“遵章率”和“时间段”的输入数据和“警力调度量”的标签数据;对输入数据进行归一化处理,采用one-hot编码格式生成所述标签数据,并生成数据集,用于训练模型,实时生成警力调度方案。
数据预处理阶段包括:
(1)输入数据的处理方法
1)、对于“违章车辆数”、“交通流量”和“遵章率”三类数据,直接采用归一化处理,具体公式如下:
其中,xi为第i个数据,yi为归一化后数据,min(xi),max(xi)分别为此类数据的最大值和最小值;
2)、对于“违章类型”数据,需要先经过效益函数换算;
首先,根据违章行为消耗的时间,计算违章类型权重,如下:
wi=ki*hi+b (2)
其中,wi表示违章类型权重,ki,hi和b分别表示为影响因子、消耗时间和偏置;统计单个时间段内总计违章车辆和对应的违章行为,计算违章类型数据,如下式所示:
其中,yi表示效益函数计算后的数据,wi表示违章类型权重,xi表示该违章类型发生的次数;
最后,按照公式(1)对效益函数计算数据进行归一化处理;
3)对于“时间段”类型数据,需要先对数据进行分级处理;
首先,统计30天内城市交通违章次数及其发生时间,以小时为单位,采用分级分类,将其划分到24个时间段中,即可得到30天内城市每小时交通违章次数的分布;
根据公式(1)将每小时违章次数归一化为违章时间权重,将数据按照发生时间归到对应小时类别中,用对应的违章时间权重代替“时间段”数据;
(2)标签数据处理方法
所述标签数据包括“警力调度量”,以最大警力调度量为峰值,将其分为10个等级,将未处理的标签数据放入10个等级中,最后采用one-hot编码格式,生成标签数据。
(3)处理完输入数据和标签数据后,将所有数据打包为数据集,并随机抽取20%的数据为测试集,80%为训练集,用于训练模型;数据预处理模块还负责将实时数据打包发送至警力调度模块,用于实时生成警力调度方案。
警力调度模块如图3所示,包括基于ANN的全连接神经网络,用于实现模型预训练和生成警力调度方案;所述模型预训练阶段,在接收到数据预处理模块生成的数据集后,以此为神经网络模型的训练数据;搭建好基于ANN的警力调度模型,通过N次迭代训练模型,直至警力调度准确率符合标准;所述方案生成阶段,在获取数据预处理模块发送的实时数据,并调用基于ANN的警力调度模型,生成警力调度方案,对比初始警力调度方案,调整部署策略;通过K邻近搜索算法,控制警力调动路径,并记录实时数据,回传至数据预处理模块,用于数据预处理模块更新和备份。
基于ANN的警力调度模型采用四层全连接神经网络,如图4所示,包括:输入层、2个隐藏层和输出层;所述神经网络包括N*K1*K2*M个神经元,其中输入层包含N个神经元,代表经过预处理的输入数据;所述警力调度模型通过数据学习分类原则;两个隐藏层包含K1*K2个神经元,用于学习输入数据的特征,分析重要性参数,并以权重参数连接各神经元;输出层由M个神经元组成,将隐藏层提取的特征压缩成更高级的输出特征,用于分类;最后经过SoftMax函数将特征转换为类别,实现分类功能,得到正确的警力调度量,如下所示:
其中,Si是SoftMax函数得到的值,i和j为输出层的输出数据。
远程控制模块包括基于Qt的可视化界面,用于对警力调度系统的监测和控制;可视化界面包括城市交通指挥地图、手动控制部分、数据存储部分和警力调度信息显示接口。如图5所示,远程控制模块保障了实时交通情况与指挥人员的有效交互,是防止系统失效的必要手段。本发明所述交通警力资源调度系统的远程控制模块主要功能为:交通运转的实时监控,各交通警察出勤数据的实时上传以及手动制定警力调度方案选项。本模块通过Qt开发工具,建立可视化界面,保障了远程控制的可靠性,可视化界面主要接口如下:
(1)城市交通电子地图接口:提供接口显示城市交通电子地图画面,供工作人员查看目前交通运转状况。
(2)警力调度信息显示接口:在警力调度信息栏显示文字版调度方案,并在电子地图上显示实时警力分布状态,方便工作人员判断调度方案是否合理。
(3)维护信息及日志接口:在可视化界面设立接口储存维护信息,并自动保存工作日志,包括工作时间、各街道交通状态、警力调度方案等。
(4)手动控制接口:当警力调度方案遇到复杂情况失效时,工作人员通过可视化界面上设定的按键手动制定,以便顺利完成工作。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于ANN的路口交通警力资源调度系统,其特征在于:所述系统包括数据预处理模块、警力调度模块和远程控制模块;
所述数据预处理模块从监管部门实时获取包括“违章车辆数”、“违章类型”、“交通流量”、“遵章率”和“时间段”的输入数据和“警力调度量”的标签数据;对输入数据进行归一化处理,采用one-hot编码格式生成所述标签数据,并生成数据集,用于训练模型,实时生成警力调度方案;具体地,所述数据预处理阶段包括:
(1)输入数据的处理方法
1)、对于“违章车辆数”、“交通流量”和“遵章率”三类数据,直接采用归一化处理,具体公式如下:
其中,xi为第i个数据,yi为归一化后数据,min(xi),max(xi)分别为此类数据的最大值和最小值;
2)、对于“违章类型”数据,需要先经过效益函数换算;
首先,根据违章行为消耗的时间,计算违章类型权重,如下:
wi=ki*hi+b (2)
其中,wi表示违章类型权重,ki,hi和b分别表示为影响因子、消耗时间和偏置;统计单个时间段内总计违章车辆和对应的违章行为,计算违章类型数据,如下式所示:
其中,yi表示效益函数计算后的数据,wi表示违章类型权重,xi表示该违章类型发生的次数;
最后,按照公式(1)对效益函数计算数据进行归一化处理;
3)对于“时间段”类型数据,需要先对数据进行分级处理;
首先,统计30天内城市交通违章次数及其发生时间,以小时为单位,采用分级分类,将其划分到24个时间段中,即可得到30天内城市每小时交通违章次数的分布;
根据公式(1)将每小时违章次数归一化为违章时间权重,将数据按照发生时间归到对应小时类别中,用对应的违章时间权重代替“时间段”数据;
(2)标签数据处理方法
所述标签数据包括“警力调度量”,以最大警力调度量为峰值,将其分为10个等级,将未处理的标签数据放入10个等级中,最后采用one-hot编码格式,生成标签数据;
(3)处理完输入数据和标签数据后,将所有数据打包为数据集,并随机抽取20%的数据为测试集,80%为训练集,用于训练模型;数据预处理模块还负责将实时数据打包发送至警力调度模块,用于实时生成警力调度方案;
所述警力调度模块包括基于ANN的全连接神经网络,用于实现模型预训练和生成警力调度方案;所述模型预训练阶段,在接收到数据预处理模块生成的数据集后,以此为神经网络模型的训练数据;搭建好基于ANN的警力调度模型,通过N次迭代训练模型,直至警力调度准确率符合标准;方案生成阶段中,在获取数据预处理模块发送的实时数据,并调用基于ANN的警力调度模型,生成警力调度方案,对比初始警力调度方案,调整部署策略;通过K邻近搜索算法,控制警力调动路径,并记录实时数据,回传至数据预处理模块,用于数据预处理模块更新和备份;
所述基于ANN的警力调度模型采用四层全连接神经网络,包括:输入层、2个隐藏层和输出层;所述神经网络包括N*K1*K2*M个神经元,其中输入层包含N个神经元,代表经过预处理的输入数据;所述警力调度模型通过数据学习分类原则;两个隐藏层包含K1*K2个神经元,用于学习输入数据的特征,分析重要性参数,并以权重参数连接各神经元;输出层由M个神经元组成,将隐藏层提取的特征压缩成更高级的输出特征,用于分类;最后经过SoftMax函数将特征转换为类别,实现分类功能,得到正确的警力调度量,如下所示:
其中,Si是SoftMax函数得到的值,i和j为输出层输出的数据值;
所述远程控制模块包括基于Qt的可视化界面,用于对警力调度系统的监测和控制;所述可视化界面包括城市交通指挥地图、手动控制部分、数据存储部分和警力调度信息显示接口。
2.根据权利要求1所述的一种基于ANN的路口交通警力资源调度系统,其特征在于:所述城市交通指挥地图用于显示城市交通电子地图画面,供工作人员查看目前交通运转状况;所述手动控制部分用于当警力调度方案遇到复杂情况失效时,工作人员通过可视化界面上设定的按键手动制定,以便顺利完成工作;所述数据存储部分用于存储维护信息,并自动保存工作日志;所述警力调度信息显示接口用于显示文字版调度方案,并在电子地图上显示实时警力分布状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003803.8A CN111160537B (zh) | 2020-01-03 | 2020-01-03 | 一种基于ann的路口交通警力资源调度系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010003803.8A CN111160537B (zh) | 2020-01-03 | 2020-01-03 | 一种基于ann的路口交通警力资源调度系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160537A CN111160537A (zh) | 2020-05-15 |
CN111160537B true CN111160537B (zh) | 2022-08-19 |
Family
ID=70560930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010003803.8A Active CN111160537B (zh) | 2020-01-03 | 2020-01-03 | 一种基于ann的路口交通警力资源调度系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160537B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240073B (zh) * | 2021-04-15 | 2022-03-11 | 特斯联科技集团有限公司 | 基于深度学习的智能决策系统及方法 |
CN115115474A (zh) * | 2022-08-29 | 2022-09-27 | 广东电网有限责任公司佛山供电局 | 一种电力作业违章数据分析方法和系统 |
CN117236753A (zh) * | 2023-09-11 | 2023-12-15 | 广州安智信科技有限公司 | 一种基于图神经网络的执勤人员布点效能分析方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090327011A1 (en) * | 2008-06-30 | 2009-12-31 | Autonomous Solutions, Inc. | Vehicle dispatching method and system |
CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
CN108877201A (zh) * | 2018-08-03 | 2018-11-23 | 首都经济贸易大学 | 一种基于交通指挥指数的警力资源优化方法 |
-
2020
- 2020-01-03 CN CN202010003803.8A patent/CN111160537B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090327011A1 (en) * | 2008-06-30 | 2009-12-31 | Autonomous Solutions, Inc. | Vehicle dispatching method and system |
CN101901546A (zh) * | 2010-04-29 | 2010-12-01 | 上海迪爱斯通信设备有限公司 | 基于动态信息的智能交通调度指挥及信息服务方法及系统 |
CN108877201A (zh) * | 2018-08-03 | 2018-11-23 | 首都经济贸易大学 | 一种基于交通指挥指数的警力资源优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111160537A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160537B (zh) | 一种基于ann的路口交通警力资源调度系统 | |
CN102097005B (zh) | 智能化、集成化交通信号控制器 | |
CN111452669B (zh) | 公交智能充电的系统和方法及介质 | |
CN116704771B (zh) | 基于拥堵路段交通信息实时定位指挥处理系统 | |
CN112785458A (zh) | 一种桥梁健康大数据智能管养系统 | |
CN109670673A (zh) | 露天矿生产管控系统 | |
CN110957811A (zh) | 一种临时接地线全流程智能监控方法与系统 | |
CN109377109A (zh) | 一种高速公路巡查管理系统 | |
CN106251240A (zh) | 基于大数据的输电网络预警方法 | |
CN113392760A (zh) | 一种基于视频的不停航施工不安全行为识别的系统及方法 | |
CN116308960B (zh) | 基于数据分析的智慧园区物业防控管理系统及其实现方法 | |
CN116957540A (zh) | 一种城市级智慧照明运维管理系统 | |
Li | Predicting short-term traffic flow in urban based on multivariate linear regression model | |
CN114390156A (zh) | 轨道交通视频分析控制盒、系统和方法 | |
Zhang et al. | Research on traffic decision making method based on image analysis case based reasoning | |
CN116863723B (zh) | 一种数字孪生基座的使用方法 | |
CN116955304B (zh) | 一种基于云平台的轨道交通资源共享调用系统 | |
CN116882645A (zh) | 一种无人驾驶矿车生产调度方法 | |
CN116193083A (zh) | 一种基于人工智能的安全识别系统 | |
CN116128197A (zh) | 一种智慧机场管理系统和方法 | |
CN115953278A (zh) | 一种基于bim的市政工程智慧工地管理系统 | |
CN110867086A (zh) | 一种城市道路施工交通组织管理系统 | |
CN217849510U (zh) | 轨道交通视频分析控制盒和系统 | |
CN116443080B (zh) | 一种轨道交通行车调度指挥方法、系统、设备及介质 | |
RU2817110C1 (ru) | Система управления на морском транспорте в условиях аварийных ситуаций |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210003 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |