CN111613047A - 一种信息处理方法及装置 - Google Patents
一种信息处理方法及装置 Download PDFInfo
- Publication number
- CN111613047A CN111613047A CN201910142376.9A CN201910142376A CN111613047A CN 111613047 A CN111613047 A CN 111613047A CN 201910142376 A CN201910142376 A CN 201910142376A CN 111613047 A CN111613047 A CN 111613047A
- Authority
- CN
- China
- Prior art keywords
- nodes
- graph
- traffic
- micro
- node
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种信息处理方法及装置,涉及交通管理技术领域,主要目的在于实现基于交通路网中车流量的变化动态划分交通管理区域,提高区域划分的合理性。本发明主要的技术方案为:获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;根据所述边的参数将所述图中的节点进行向量化表示,得到各节点对应的向量值,所述边的参数至少包括所述连通路段的车流量;根据所述向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
Description
技术领域
本发明涉及交通管理技术领域,尤其涉及一种信息处理方法及装置。
背景技术
交通拥堵问题是许多大城市面临的严重问题之一,会导致车辆的延误时间增加、资源的浪费,并带来而来交通事故和环境污染等问题。由于城市交通网络的庞大、城市交通系统的复杂等,对整个大城市交通进行统一的智能优化与管理是不现实的。为此,提出了区域划分的方式,将整个交通网络分为不同的交通子区,再以每个交通子区为单位进行智能优化与管理。
目前,交通管理区域的确定主要是通过静态划分的方式实现的,如根据行政管辖区域划分,或根据交通管理实践中的专家经验、规则等划分区域。而随着城市交通状态越来越动态和复杂,静态划分的方式很难从全局路网结构关系的角度进行考虑,也不能对道路的动态情况作出及时响应,不能适应现代城市交通管理的需求。
而随着图分割技术的发展,交通管理区域可以通过图分割来实现优化划分(城市路网可以表示为以路口为节点,以路口间路段为边的图),基于图分割技术的划分方式虽然可以从全局路网结构关系的角度进行网络划分,但是,目前的图分割方法主要是解决网络结构的动态变化,而对于城市路网所构成的图,其图形的网络结构相对稳定,应用现有的图分割技术难以体现路网中的交通流量变化,使得划分出的交通管理区域对交通拥堵问题的解决效果不明显。
发明内容
鉴于上述问题,本发明提出了一种信息处理方法及装置,主要目的在于实现基于交通路网中车流量的变化动态划分交通管理区域,提高区域划分的合理性。
为达到上述目的,本发明主要提供如下技术方案:
一方面,本发明提供一种信息处理方法,具体包括:
获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
根据所述边的参数将所述图中的节点进行向量化表示,得到各节点对应的向量值,所述边的参数至少包括所述连通路段的车流量;
根据所述向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
另一方面,本发明提供一种信息处理方法,所述方法包括:
获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
根据所述边的参数调整所述节点之间的距离;
对所述图中的节点分组,将同一组中的节点所对应的路口划分在一个交通管理区域内。
另一方面,本发明提供一种信息处理装置,具体包括:
图获取单元,用于获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
向量化单元,用于根据所述边的参数将所述图获取单元得到的图中的节点进行向量化表示,得到各节点对应的向量值,所述边的参数至少包括所述连通路段的车流量;
区域确定单元,用于根据所述向量化单元得到的向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
另一方面,本发明提供一种存储介质,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述的信息处理方法。
另一方面,本发明提供一种电子设备,所述电子设备中包括处理器和存储器,所述处理器用于调用所述存储器中的程序指令,以执行上述的信息处理方法。
借由上述技术方案,本发明提供的一种信息处理方法及装置,是基于交通路网所对应的图进行区域划分,将图中的节点按照边的参数进行向量化表示,由于边的参数与路段中的车流量相关,使得各个节点的向量值会随着车流量的变化而改变,实现图中节点位置的动态变化,在需要对交通路网进行管理区域的划分时,根据当前各节点的向量值进行节点聚类,将属于同一类的节点所对应的路口划分在同一个交通管理区域内。可见,本发明是基于路口之间连通路段的相关参数划分路口所属的交通管理区域,实现区域的划分能够随着参数的变化而动态调整,解决了静态划分对道路通行状态响应不及时问题,以及现有的图分割技术无法对形态结构稳定的交通路网进行管理区域动态划分的问题。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提出的一种信息处理方法流程图;
图2示出了本发明实施例中构建的目标交通路网对应图的示意图;
图3示出了本发明实施例中将图进行向量化表示的示意图;
图4示出了本发明实施例中基于图中各节点的向量值进行聚类的结果示意图;
图5示出了本发明实施例提出的另一种信息处理方法流程图;
图6示出了本发明实施例中目标交通路网当前时间段的图的示意图;
图7示出了本发明实施例中将当前时间段的图进行向量化表示的示意图;
图8示出了本发明实施例中基于当前时间段的图中各节点的向量值进行聚类的结果示意图;
图9示出了本发明实施例中基于相邻两次节点聚类结果进行微聚类的结果示意图;
图10示出了本发明实施例中基于前一时间段的图对当前时间的图进行节点聚类的流程示意图;
图11示出了本发明实施例提出的一种信息处理装置的组成框图;
图12示出了本发明实施例提出的另一种信息处理装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
本发明是针对现有的图分割技术所提出的针对交通路网所对应的图进行动态分割的方法,特别是针对网络结构稳定的图,能够根据图中边的属性参数变化而动态调整图中节点的聚类分组结果。该方法主要应用于道路交通管理领域中,对由交通路网所构成的图进行动态分割,其具体实现过程如下:
首先,获取目标交通路网对应的图。该图是基于所指定的目标交通路网所构成的,其中,图的结构由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段。
其次,根据边的参数调整图中节点之间的距离。
由于图中的边为连通路段,因此,该边的参数是关于道路路段的参数,比如包括道路路段的长度,单向或双向通行,车道数等固定参数,也包括如车流量、道路通行速度等动态参数。而本发明中主要是根据图中边的动态参数对节点之间的距离进行调整,使得图中节点之间的距离并不只是单纯的表示物理空间中的距离,而是能够表示出两个节点之间基于动态参数的关联关系,如参数为车流量时,当车流量大时,道路通行压力会增加,就有可能导致该路段以及两端的路口出现拥堵状况,此时,路口之间的交通关联关系将会提高,对应的在图中的节点之间的距离也就会变小,以表示两个节点间的关系更为紧密。
最后,对图中的节点分组,将同一组中的节点所对应的路口划分在一个交通管理区域内。其中,分组的常用方式如节点聚类等,对此,本发明不做限定。
根据上述的过程可见,本发明是基于图中边的动态参数对图中节点的动态分组过程,即随着图中边的参数的变化而不断调整图中节点所在的分组。从而达到对交通管理区域随道路中车流量或通行状态的变化而变化的目的,使得交通管理更为智能化。
针对上述实现方式中,针对图中节点之间距离的调整以及分组的具体实现方式,将通过以下的具体是实施例加以说明。对此,本发明实施例提供了一种信息处理方法,用于对目标交通路网进行管理区域的动态划分,其具体步骤如图1所示,该方法包括:
步骤101、获取目标交通路网对应的图。
本发明中的图是指用于描述交通路网结构与状态的图,该图中信息对应于交通路网中道路的相关信息。具体到本实施例中,该图是由目标交通路网的数据对应生成的,图中主要有节点与边构成,其中,节点对应于路网中的路口,边对应于路口之间的连通路段。
在图中,还会对边进行数据信息的标注,标注的内容包括静态信息与动态信息,其中,静态信息如根据连通路段的数据标注边的通行方向、长度、车道数等信息;动态信息如根据设置的刷新频率展示连通路段中的车流量等。
本步骤所获取的图可以是基于目标交通路网预先构建的,如北京交通路网图、杭州交通路网图等,该预先构建的图会定期对图中的数据进行更新,包括对图中节点与边的数量以及对应的标注信息等数据;也可以是根据目标交通路网实时构建的图。
步骤102、根据边的参数将图中的节点进行向量化表示,得到各节点对应的向量值。
其中,边的参数为构建图时在边上所标注的数据信息,本步骤中边的参数至少包含有连通路段的车流量,由于车流量为动态信息,也使得该边的参数存在动态变化。
本步骤在执行时,是根据图中与节点相连的边所对应的参数数据进行向量化表示,确定图中各个节点的向量值,由于边的参数是动态调整的,导致该图中各节点的向量值也存在动态变化。本实施例中不限定向量化的具体实现方式,比如,采用图嵌入的方式,能够将节点所包含的多条边的参数进行降维的向量化表示,实现将节点对应的多维度向量值转换为低维度向量值,如将节点表示为二维或三维的向量值,从而实现在图中以节点的向量值确定节点在图中的位置。
在实际应用中,图在构建时,其节点在图中的位置也是通过向量化表示确定的,其位置与构建图时边的参数相关。本步骤执行的目的在于根据图中边的参数的动态调整而确定节点的向量值,并将所有的节点展示在预设的向量空间中,以此表示节点之间的关联程度。
步骤103、根据向量值对图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
本步骤中对节点聚类的方式不做具体限定,常用的聚类算法如k-means、BIRCH、基于高斯混合模型的算法、基于神经网路模型的算法等。经过聚类后,会将目标交通路网中的路口划分为若干个类,如此,定义每一类中的路口属于同一个交通管理区域。即在图中,按照节点的位置进行聚类,使得距离较近的节点被划分在一个交通管理区域内。
基于上述步骤可知,本发明实施例是将目标交通路网中的路口与连通路段根据其动态参数构建图,再对图中的节点进行向量化表示,在预设的向量空间中确定目标交通路网中的路口,进而在该向量聚类,划分出多个交通管理区域,本发明实施例将路口之间的关联程度以连通路段的车流量相关联,即调节路段中的车流量可通过对关联的路口进行交通管理实现,而要对整个目标交通路网进行更为优化的管理,就需要从整体交通路网进行综合考虑,但这种综合考虑的复杂程度较高,为了降低计算的复杂程度,可以将目标交通路网所对应的图进行动态划分,根据路网中各个路段的车流量变化,将图划分成多个关联度不高的子图,定义每个子图中的节点对应的路口在同一个交通管理区域中,实现对每一个交通管理区域进行有针对性交通管理措施,以优化路段中的车流量,降低道路拥堵程度。
相对于现有交通管理区域划分的方式,本发明是基于路段中的车流量等动态参数,实现对路口的动态调节,使得整个目标交通路网能够基于实际道路通行状态而进行交通管理区域的动态划分,提高了交通管理措施对道路通行状态变化的响应速度。
基于上述图1所述的实施例,其步骤102的一种优选的向量化表示方式为:将边的参数以权重值进行赋值,该权重值是根据目标交通路网中路段的车流量所确定的。即路段的车流量越大,该路段对应边的权重值也越大。
在对图中的节点进行向量化表示时,可以利用与该节点相关联的各个边的权重值进行计算。而更为准确的向量化方式可以采用随机游走算法,即利用图中各个边的权重值对该图中的节点进行随机游走采样,从而确定节点之间的关联程度,进而通过图嵌入方式将各个节点的高维向量表示转换为低维向量表示,实现将图中的节点映射到预设的向量空间(如欧式空间)中。在该向量空间中,路口之间的关联程度可以通过节点的向量位置进行衡量,向量位置即为节点的向量值,两个节点在向量空间中的距离越近,则确定这两个节点的关联程度越紧密。
具体的,本发明实现将数据中的节点进行向量化表示的一种可行实施例:是利用交通路网中路段的车流量确定图中边的权重值,再根据各边的权重值对节点进行随机游走采样,得到节点序列样本,利用节点序列样本确定各节点在向量空间中对应的向量值。在实施时,首先可以将图中的节点随机地映射到向量空间中,之后,根据图中相邻节点间边的权重,进行随机游走采样,该采样结果为一组节点序列,含有至少两个节点,即一个节点有多个相邻节点时,边的权重越高,游走至该节点的概率就越大,而在得到的采样样本的节点序列中,相邻节点在向量空间中的向量位置也就越近。据此,根据节点序列样本就可以对随机映射到向量空间中节点进行位置调整,以某个节点的向量位置为基准调节其他节点的向量距离,从而确定图中各节点在向量空间中的向量值。需要说明的是,本实施例中可以进行多次的随机游走采样,以得到大量的节点序列样本,从而多次地调整相邻节点之间的向量距离,且每次调整的距离不限定是人工设置的或者是根据策略计算得到的值。采样样本的数量越大,节点在向量空间中的向量值也就越准确。
此外,确定图中节点的向量值还可以通过目标交通路网中的车辆行驶轨迹作为图中的游走采样,以确定图中各节点在向量空间中的向量值。
向量化表示的核心是将图中的节点转换为向量空间中的向量值,如图2所示,图中的数字点(节点)表示目标交通路网中的路口,数字点之间的连线(边)为连通路段,ω为连通路段对应的权重值。将该图中的节点通过随机游走采样,确定节点在预设的向量空间中的向量值,完成图向向量空间的映射,对应的结果如图3所示,图中的x1,x2为向量空间的预设维度,数字点表示路口在该向量空间中的位置。基于图3中各个路口在该向量空间中的位置,进行聚类,如图4所示,可以将目标交通路网中的路口分为3个交通管理区域,分别为路口1-5为一个区域,路口6-8为一个区域,路口9-12为一个区域。
进一步的,为了体现对交通管理区域的动态划分,本发明实施例需要根据图中的边的参数变化对节点在预设的向量空间中的位置进行调整,并通过聚类进行交通管理区域的重新划分,可见,该划分过程是一个数据迭代更新的过程,并且,每次划分都是基于上一次确定的节点向量值进行在线增量计算,以确定当前节点在预设的向量空间中的向量值,以下将通过本发明的一个优选实施例详细说明交通管理区域的划分过程,其具体步骤如图5所示,包括:
步骤201、获取目标交通路网对应的图。
本实施例中的图以图2所示的图为例说明。
步骤202、按照预设时间间隔,根据交通路网中路段的实时车流量确定当前时间段所述图中边的实时权重值。
步骤203、根据边的实时权重值对图中的节点进行增量随机游走采样,基于前一时间段中节点对应的向量值确定所述节点对应当前时间段的向量值。
以上两个步骤主要说明了本发明在节点向量值的迭代更新过程。具体的,预设时间间隔为向量值迭代更新的周期,而当前时间段的向量值是基于前一时间段中向量值进行增量计算得到的。
假设图2为前一时间段对应的图,其边的权重值以ω表示,图3为前一时间段通过图嵌入得到的节点在预设的向量空间中的向量值,图6为当前时间段对应的图,其边的权重值以ω’表示,该ω’与当前时间段内路段的实时车流量相关。图7是为当前时间段各节点在预设的向量空间中的向量值,其中,图7中节点的向量值是根据图6中的权重值结合图3中同一节点的向量值进行增量计算,即根据路段中的车流量变化计算出节点的向量值变化,从图7与图3的对比可以看出,节点6-8的向量值出现了明显的变化。
步骤204、获取当前时间段的节点聚类结果与前一时间段的节点聚类结果。
对相邻两个时间段的节点聚类结果如图4与图8所示,图4为前一时间段的节点聚类结果,图8为当前时间段的节点聚类结果。对比可知,当前时间段的聚类结果是图4的基础上,将节点6、8合并到节点1所在的类中。
而如果按图8所示的结果输入划分结果,则有可能忽略节点6与7、节点8与7之间的关联,导致调整幅度过大,反而容易导致部分路段的出现或加重拥堵情况。而本发明的动态调整的目的是渐进式的调整,通过多次的数据迭代来优化交通管理区域划分,即区域划分的调整过程为渐进调整,以避免路网中由于某一个路段的通行状态突然变化(如交通事故导致的拥堵)引起区域划分的大幅改变。为此,本发明通过执行后续步骤205,对当前时间段的节点聚类结果进行优化处理。
步骤205、根据两次节点聚类结果进行微聚类。
其中,微聚类是将两次节点聚类结果中都在同一类中的节点聚合在同一类中,或者可以理解为按照两次聚类的最小颗粒度的节点集合形成微聚类。
如图4与图8所示的两次节点聚类结果,将其进行微聚类后,得到的微聚类结果,如图9所示,得到了4个类,相对于图8所示的聚类结果,其中的两个类不变,分别为微1和微3,另一个类中由于节点6、8与其他节点在图4所示的聚类结果中不再同一类,因此,将其分解为两个类,分别为微2和微4。
步骤206、根据微聚类的结果确定各微类的调整距离。
其中,所述调整距离用于衡量各微类之间的交通关联程度。而交通关联程度将决定微类之间是否需要合并。
确定调整距离的具体过程如下:
首先,判断任意两个节点是否属于同一类节点。
其中,任意两个节点是指在不同微类内的节点,所述同一类节点是指这任意两个节点在当前时间段的节点聚类结果或前一时间段的节点聚类结果中聚合在同一类内。
其次,若属于同一类节点,则确定这任意两个节点所在的两个微类之间的调整距离。该调整距离为两个微类的聚类中心点之间的距离。根据这两个微类之间的调整距离进一步判断是否将这两个微类向合并
而如果一个微类中的节点与另一微类中的节点都不属于同一类节点,则确定两个微类之间不存在调整距离。此时,说明这两个微类之间的交通关联程度很低,保持这两个微类现有的聚类结果。
步骤207、根据调整距离调整微聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
对于微聚类的调整,可以将每个微类简化为一个节点,该节点的位置可以为微类的聚类中心。对于存在调整距离的微类,在对应的两个微类之间构建边,将调整距离设置该边的权重,并基于该权重对微类调整,以得到最终的聚类结果。
具体的调整方式为:
首先,确定类内离散度与类间离散度。
其中,类内离散度是指微聚类中待调整微类内节点的平均离散度;类间离散度是指基于调整距离以及对应两个微类内的节点数量所确定的类间平均加权离散度。
其次,根据类内离散度与类间离散度确定调整距离的权重,得到两个微类的分离指数。
比如,当调整距离是基于前一时间段的聚类结果确定的,此时,调整距离为两个微类中心点之间的距离与类内离散度的差值;当调整距离是基于当前时间段的聚类结果确定的,此时,调整距离为两个微类中心点之间的距离与类间离散度的和值。
根据得到的调整距离,可以进一步构建微类之间的距离图,再通过图分割算法确定具有调整距离的两个微类之间的分离指数。该分离指数用于衡量保持微类的分类结果对于交通管理区域划分的影响程度。
最后,根据分离指数调整微聚类。
当分离指数大于预置时,保持两个微类的分类结果;
当分离指数小于预置时,将两个微类中的节点合并为一类。
其中,预置为人为设置的一经验值。
步骤208、对比当前时间段划分的交通管理区域与前一时间段划分的交通管理区域是否相同。
在得到的最终的聚类结果后,将根据各类中的节点确定交通管理区域。在本实施例中,由于是多次迭代更新,对于每次的聚类结果,其交通管理区域的划分存在有两种结果,一种是与前一时间段的划分结果相同,此时执行步骤209,无需再此划分交通管理区域,另一种是与前一时间段的划分结果不相同,此时将执行步骤210,重新划分交通管理区域。
步骤209、保持前一时间段划分的交通管理区域。
步骤210、将交通管理区域调整为当前时间段划分的交通管理区域。
根据以上步骤的说明,本发明实施例所提出的信息处理方法,整体流程如图10所示,是通过连通路段中的实时车流量实现图的动态更新,并利用前一时间段中节点对应的向量值进行增量计算,确定当前时间段节点在预设向量空间中的向量值,以此确定当前时间段的节点聚类结果,进而通过该节点聚类结果对比前一时间段的节点聚类结果对节点的分类进行优化,从而得到最终的节点分类并划分交通管理区域。
需要说明的是,本发明所确定的交通管理区域可以应用于城市的道路交通管理。具体的,对于通过上述实施例所确定的交通管理区域,说明在该区域中的路口的车流量具有较高的关联性,因此,对于该交通管理区域可以通过一套交通信号灯的控制策略进行整体的调控,避免该交通管理区域内的路段出现交通拥堵的状况。如此,不同的交通管理区域应用不同的控制策略就能够更高效对城市路网进行有针对性的调节,提高了道路交通的管理效率。
具体的,在针对路口中的交通信号灯设置控制策略时,首先是要判断该路口所在的交通管理区域是否发生改变,若未改变,则进一步判断当前交通管理区域对交通信号灯的控制策略是否更新,从而确定该路口交通信号灯的控制策略是否需要更新;若改变,则获取新的交通管理区域对交通信号灯的控制策略,再更新当前所应用的控制策略。需要说明的是,一个交通管理区域在确定交通信号灯的控制策略时,可以根据该交通管理区域内路段的车流量,选择预置的一种交通信号灯的控制策略,以调整路口的通行时间,也可以根据其他参数选择控制策略,比如车流量的变化率,通行速度等。
进一步的,作为对上述图1与图5所示方法的实现,本发明实施例提供了一种信息处理装置,该装置主要用于根据交通路网中车流量的变化动态划分交通管理区域。为便于阅读,本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,本实施例中的装置能够对应实现前述方法实施例中的全部内容。该装置如图11所示,具体包括:
图获取单元31,用于获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
向量化单元32,用于根据所述边的参数将所述图获取单元31得到的图中的节点进行向量化表示,得到各节点对应的向量值,所述边的参数至少包括所述连通路段的车流量;
区域确定单元33,用于根据所述向量化单元32得到的向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
进一步的,如图12所示,所述向量化单元32包括:
权重确定模块321,用于根据所述交通路网中路段的车流量确定所述图中边的权重值;
节点采样模块322,用于利用所述权重确定模块321确定的边的权重值对所述图中的节点进行随机游走采样,得到节点序列样本,所述节点序列样本由至少两个节点的序列组成;
向量计算模块323,用于利用所述节点采样模块322得到的节点序列样本调整相邻节点之间的向量距离,以确定各节点对应的向量值。
进一步的,所述权重确定模块321还用于,按照预设时间间隔,根据所述交通路网中路段的实时车流量确定当前时间段所述图中边的实时权重值;
所述节点采样模块322还用于,根据所述边的实时权重值对所述图中的节点进行增量随机游走采样;
所述向量计算模块323还用于,基于前一时间段中节点对应的向量值确定所述节点对应当前时间段的向量值。
进一步的,如图12所示,所述区域确定单元33包括:
获取模块331,用于获取当前时间段的节点聚类结果与前一时间段的节点聚类结果;
聚类模块332,用于根据获取模块331获取两次节点聚类结果进行微聚类,得到多个微类,所述微聚类是将两次节点聚类结果中都在同一类中的节点聚合在同一类中;
确定模块333,用于确定所述聚类模块332得到多个微类的调整距离,所述调整距离用于衡量各微类之间的交通关联程度;
调整模块334,用于根据所述确定模块333确定调整距离对所述微类进行聚类;
划分模块335,用于将所述调整模块334调整后处于同一类中的节点所对应的路口划分在一个交通管理区域内。
进一步的,如图12所示,所述装置还包括:
区域对比单元34,用于对比当前时间段划分的交通管理区域与前一时间段划分的交通管理区域是否相同;
所述区域确定单元33还用于,当所述区域对比单元34确定相同时,保持前一时间段划分的交通管理区域;若不同,则将交通管理区域调整为当前时间段划分的交通管理区域。
进一步的,所述确定模块333具体用于:
判断任意两个节点是否属于同一类节点,其中,所述任意两个节点为不同微类内的节点,所述同一类节点是指所述任意两个节点在当前时间段的节点聚类结果或前一时间段的节点聚类结果中聚合在同一类内;
若属于,则确定所述任意两个节点所在的两个微类之间的调整距离,所述调整距离为所述两个微类的聚类中心点之间的距离;
若一个微类中的节点与另一微类中的节点都不属于同一类节点,则确定两个微类之间不存在调整距离。
进一步的,所述调整模块334具体用于:
确定类内离散度与类间离散度,所述类内离散度为所述微类内节点的平均离散度,所述类间离散度为基于所述调整距离对应两个微类内的节点数量,确定的类间平均加权离散度;
根据所述类内离散度与类间离散度确定所述调整距离的权重,得到两个微类的分离指数;
当所述分离指数大于预置时,保持两个微类的分类结果;
当所述分离指数小于预置时,将两个微类中的节点合并为一类。
进一步的,如图12所述,所述装置还包括:
策略确定单元35,用于利用区域确定单元33所划分的交通管理区域确定区域内各路口的交通信号灯的控制策略。
进一步的,如图12所述,所述策略确定单元35包括:
流量获取模块351,用于获取所述交通管理区域内路段的车流量;
策略确定模块352,用于根据所述流量获取模块351得到的车流量确定交通信号灯的控制策略;
策略应用模块353,用于利用所述策略确定模块352确定的控制策略更新区域内各路口的交通信号灯的控制策略。
综上所述,本发明提出的一种信息处理方法及装置,利用对目标交通路网所构建的图,对图中的节点进行向量化展示,以确定节点在预设的向量空间中的位置,由于这些节点的向量位置是基于图中与节点相关的边的动态参数确定的,因此,节点的向量位置也是随着参数的变化而动态改变的,并且,基于节点的向量位置,通过聚类确定哪些节点处于同一个交通管理区域内。而为了体现交通管理区域的动态划分,本发明通过在确定节点的向量位置时,是基于前一时间段中所确定的向量值通过增量计算确定当前时间段的向量值,并利用两次的聚类结果进行微聚类,再对各个微类按照调整距离进行整合,以得到最优的分类结果,确定节点所在的交通管理区域。
进一步的,本发明实施例还提供了一种存储介质,该存储介质用于存储的计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行上述的信息处理方法。
另外,本发明实施例还提供了一种电子设备,该电子设备中包括处理器和存储器,所述处理器用于调用所述存储器中的程序指令,以执行上述的信息处理方法。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
可以理解的是,上述方法及装置中的相关特征可以相互参考。另外,上述实施例中的“第一”、“第二”等是用于区分各实施例,而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外,存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (16)
1.一种信息处理方法,其特征在于,所述方法包括:
获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
根据所述边的参数将所述图中的节点进行向量化表示,得到各节点对应的向量值,所述边的参数至少包括所述连通路段的车流量;
根据所述向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
2.根据权利要求1所述的方法,其特征在于,根据所述边的参数将所述图中的节点进行向量化表示,得到各节点对应的向量值,具体包括:
根据所述交通路网中路段的车流量确定所述图中边的权重值;
利用所述边的权重值对所述图中的节点进行随机游走采样,得到节点序列样本,所述节点序列样本由至少两个节点的序列组成;
调整所述节点序列样本中相邻节点之间的向量距离,以确定各节点对应的向量值。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
按照预设时间间隔,根据所述交通路网中路段的实时车流量确定当前时间段所述图中边的实时权重值;
根据所述边的实时权重值对所述图中的节点进行增量随机游走采样,基于前一时间段中节点对应的向量值确定所述节点对应当前时间段的向量值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内,具体包括:
获取当前时间段的节点聚类结果与前一时间段的节点聚类结果;
根据两次节点聚类结果进行微聚类,得到多个微类,所述微聚类是将两次节点聚类结果中都在同一类中的节点聚合在同一类中;
确定所述多个微类的调整距离,所述调整距离用于衡量各微类之间的交通关联程度;
根据所述调整距离对所述微类进行聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对比当前时间段划分的交通管理区域与前一时间段划分的交通管理区域是否相同;
若相同,则保持前一时间段划分的交通管理区域;
若不同,则将交通管理区域调整为当前时间段划分的交通管理区域。
6.根据权利要求4所述的方法,其特征在于,根据所述微聚类的结果确定各微类的调整距离,具体包括:
判断任意两个节点是否属于同一类节点,其中,所述任意两个节点为不同微类内的节点,所述同一类节点是指所述任意两个节点在当前时间段的节点聚类结果或前一时间段的节点聚类结果中聚合在同一类内;
若属于,则确定所述任意两个节点所在的两个微类之间的调整距离,所述调整距离为所述两个微类的聚类中心点之间的距离;
若一个微类中的节点与另一微类中的节点都不属于同一类节点,则确定两个微类之间不存在调整距离。
7.根据权利要求6所述的方法,其特征在于,确定所述多个微类的调整距离,具体包括:
确定类内离散度与类间离散度,所述类内离散度为所述微类内节点的平均离散度,所述类间离散度为基于所述调整距离对应两个微类内的节点数量,确定的类间平均加权离散度;
根据所述类内离散度与类间离散度确定所述调整距离的权重,得到两个微类的分离指数;
当所述分离指数大于预置时,保持两个微类的分类结果;
当所述分离指数小于预置时,将两个微类中的节点合并为一类。
8.根据权利要求1-7中任一项所述的方法,其特征在于,所述方法还包括:
利用所划分的交通管理区域确定区域内各路口的交通信号灯的控制策略。
9.根据权利要求8所述的方法,其特征在于,利用所划分的交通管理区域确定区域内各路口的交通信号灯的控制策略包括:
获取所述交通管理区域内路段的车流量;
根据所述车流量确定交通信号灯的控制策略;
更新区域内各路口的交通信号灯的控制策略。
10.一种信息处理方法,其特征在于,所述方法包括:
获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
根据所述边的参数调整所述节点之间的距离;
对所述图中的节点分组,将同一组中的节点所对应的路口划分在一个交通管理区域内。
11.一种信息处理装置,其特征在于,所述装置包括:
图获取单元,用于获取目标交通路网对应的图,所述图由节点与边构成,节点对应路网中的路口,边对应路口之间的连通路段;
向量化单元,用于根据所述边的参数将所述图获取单元得到的图中的节点进行向量化表示,得到各节点对应的向量值,所述边的参数至少包括所述连通路段的车流量;
区域确定单元,用于根据所述向量化单元得到的向量值对所述图中的节点聚类,将同一类中的节点所对应的路口划分在一个交通管理区域内。
12.根据权利要求11所述的装置,其特征在于,所述向量化单元包括:
权重确定模块,用于根据所述交通路网中路段的车流量确定所述图中边的权重值;
节点采样模块,用于利用所述权重确定模块确定的边的权重值对所述图中的节点进行随机游走采样,得到节点序列样本,所述节点序列样本由至少两个节点的序列组成;
向量计算模块,用于调整所述节点采样模块得到的节点序列样本中相邻节点之间的向量距离,以确定各节点对应的向量值。
13.根据权利要求12所述的装置,其特征在于,
所述权重确定模块还用于,按照预设时间间隔,根据所述交通路网中路段的实时车流量确定当前时间段所述图中边的实时权重值;
所述节点采样模块还用于,根据所述边的实时权重值对所述图中的节点进行增量随机游走采样;
所述向量计算模块还用于,基于前一时间段中节点对应的向量值确定所述节点对应当前时间段的向量值。
14.根据权利要求11-13中任一项所述的装置,其特征在于,所述装置还包括:
策略确定单元,用于利用区域确定单元所划分的交通管理区域确定区域内各路口的交通信号灯的控制策略。
15.一种存储介质,其特征在于,所述存储介质用于存储计算机程序,其中,所述计算机程序运行时控制所述存储介质所在设备执行权利要求1-7中任意一项所述的信息处理方法。
16.一种电子设备,其特征在于,所述电子设备中包括处理器和存储器,所述处理器用于调用所述存储器中的程序指令,以执行权利要求1-7中任意一项所述的信息处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142376.9A CN111613047B (zh) | 2019-02-26 | 2019-02-26 | 一种信息处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910142376.9A CN111613047B (zh) | 2019-02-26 | 2019-02-26 | 一种信息处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111613047A true CN111613047A (zh) | 2020-09-01 |
CN111613047B CN111613047B (zh) | 2022-07-08 |
Family
ID=72199838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910142376.9A Active CN111613047B (zh) | 2019-02-26 | 2019-02-26 | 一种信息处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111613047B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113808399A (zh) * | 2021-09-15 | 2021-12-17 | 谦亨信息化技术与系统(苏州)有限公司 | 一种基于大数据的智慧交通管理方法和系统 |
CN114639235A (zh) * | 2020-12-16 | 2022-06-17 | 华为技术有限公司 | 一种获取交通数据的方法及相关装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339373A (ja) * | 1999-05-27 | 2000-12-08 | Sakata Warehouse Inc | 運送パターン選出方法およびその装置並びに記録媒体 |
US20150339412A1 (en) * | 2014-05-20 | 2015-11-26 | International Business Machines Corporation | Partitioning of a Network Using Multiple Poles for Each Part Thereof |
CN106649731A (zh) * | 2016-12-23 | 2017-05-10 | 中山大学 | 一种基于大规模属性网络的节点相似性搜索方法 |
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN107248283A (zh) * | 2017-07-18 | 2017-10-13 | 北京航空航天大学 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
CN107808518A (zh) * | 2017-10-26 | 2018-03-16 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN108320511A (zh) * | 2018-03-30 | 2018-07-24 | 江苏智通交通科技有限公司 | 基于谱聚类的城市道路交通子区划分方法 |
-
2019
- 2019-02-26 CN CN201910142376.9A patent/CN111613047B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000339373A (ja) * | 1999-05-27 | 2000-12-08 | Sakata Warehouse Inc | 運送パターン選出方法およびその装置並びに記録媒体 |
US20150339412A1 (en) * | 2014-05-20 | 2015-11-26 | International Business Machines Corporation | Partitioning of a Network Using Multiple Poles for Each Part Thereof |
CN106649731A (zh) * | 2016-12-23 | 2017-05-10 | 中山大学 | 一种基于大规模属性网络的节点相似性搜索方法 |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN106846842A (zh) * | 2017-03-24 | 2017-06-13 | 上海理工大学 | 基于多时段控制方案的城市干道协调控制优化方法 |
CN107248283A (zh) * | 2017-07-18 | 2017-10-13 | 北京航空航天大学 | 一种考虑路段关键度的城市区域路网运行状态评价方法 |
CN107808518A (zh) * | 2017-10-26 | 2018-03-16 | 东南大学 | 一种基于多路谱聚类理论的交通小区划分方法 |
CN108320511A (zh) * | 2018-03-30 | 2018-07-24 | 江苏智通交通科技有限公司 | 基于谱聚类的城市道路交通子区划分方法 |
Non-Patent Citations (4)
Title |
---|
李刚奇: "基于宏观交通理论的交通控制子区划分方法", 《第七届中国智能交通年会优秀论文集——智能交通技术》 * |
李刚奇: "基于宏观交通理论的交通控制子区划分方法", 《第七届中国智能交通年会优秀论文集——智能交通技术》, 16 October 2012 (2012-10-16) * |
马莹莹: "基于谱方法的城市交通信号控制网络小区划分方法", 《系统工程理论与实践》 * |
马莹莹: "基于谱方法的城市交通信号控制网络小区划分方法", 《系统工程理论与实践》, 31 December 2010 (2010-12-31), pages 1 - 7 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114639235A (zh) * | 2020-12-16 | 2022-06-17 | 华为技术有限公司 | 一种获取交通数据的方法及相关装置 |
CN113808399A (zh) * | 2021-09-15 | 2021-12-17 | 谦亨信息化技术与系统(苏州)有限公司 | 一种基于大数据的智慧交通管理方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111613047B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598148B (zh) | 一种基于历史容量相似特征的容量评估方法及设备 | |
Ji et al. | On the spatial partitioning of urban transportation networks | |
CN111613047B (zh) | 一种信息处理方法及装置 | |
Meng et al. | A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques | |
Suman et al. | A Support Vector Machine Approach for Effective Bicycle Sharing in Urban Zones | |
Naskath et al. | A study on modeling vehicles mobility with MLC for enhancing vehicle-to-vehicle connectivity in VANET | |
Cao et al. | Clustering algorithms | |
CN106710316A (zh) | 一种基于恶劣气象条件的空域容量确定方法及装置 | |
CN113326869A (zh) | 基于最长路融合算法的深度学习计算图优化方法 | |
CN111311907B (zh) | 基于元胞传输模型的不确定基本图参数辨识的识别方法 | |
Govindan et al. | Traffic volume prediction using intuitionistic fuzzy Grey-Markov model | |
Yan et al. | Dynamic partitioning of urban traffic network sub-regions with spatiotemporal evolution of traffic flow | |
CN111337044A (zh) | 一种基于通行权值的城市道路路径规划方法 | |
Dong et al. | An evolutionary learning framework of lane-changing control for autonomous vehicles at freeway off-ramps | |
Axenie et al. | Fuzzy modelling and inference for physics-aware road vehicle driver behaviour model calibration | |
CN112489422B (zh) | 一种基于算法模型分析的车流量预测方法 | |
CN101968780A (zh) | 一种非参数回归方法 | |
Xiang et al. | Traffic state estimation of signalized intersections based on stacked denoising auto-encoder model | |
Chen et al. | An arterial traffic signal control system based on a novel intersections model and improved hill climbing algorithm | |
Araghi et al. | Distributed Q-learning controller for a multi-intersection traffic network | |
Ban et al. | Application of extreme learning machine on large scale traffic congestion prediction | |
Luo et al. | Subdivision of Urban Traffic Area Based on the Combination of Static Zoning and Dynamic Zoning | |
Varga et al. | EGO-centric, multi-scale co-simulation to tackle large urban traffic scenarios | |
Mousa et al. | Comparative evaluation of tree-based ensemble algorithms for short-term travel time prediction | |
Min et al. | A Hierarchical LSTM-Based Vehicle Trajectory Prediction Method Considering Interaction Information |
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 |