CN111710162A - 一种城市路网交通运行状况监测方法及系统 - Google Patents

Abstract

本发明涉及一种城市路网交通运行状况监测方法及系统。该监测方法包括：获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；根据路段属性以及路段集合建立路网结构；利用随机游走算法模拟路网结构的路网通行轨迹，生成车辆通行轨迹集合；根据空间结构信息、路段属性以及出租车历史流量在不同时间段的平均流量构建嵌入网络模型；根据嵌入网络模型对路段进行编码，确定路段的最终有效编码，并对编码后的路段进行聚类处理，确定聚类结果；根据聚类结果对道路的重要度进行排序，选取被监测路段；根据被监测路段对城市路网交通运行状况进行监测。采用本发明所提供的监测方法或系统能够实时监测整个城市的路网交通状况。

Description

一种城市路网交通运行状况监测方法及系统

技术领域

本发明涉及城市交通监测领域，特别是涉及一种城市路网交通运行状况监测方法及系统。

背景技术

随着城市计算以及智能交通的兴起，城市交通流量预测以及交通拥堵识别等研究能够有效改善城市交通状况，然而目前的相关研究仍然存在以下限制：

1、通过在路段上铺设相关传感器能够准确监测该道路的交通状况，然而由于安装以及维修费用，只能选择路网中有限的道路作为监测点，目前的监测点选取大多根据主观经验，无法有效监控整个路网的交通状况；

2、对于使用GPS轨迹数据的相关研究，由于GPS数据大多通过出租车或公交车的车载GPS设备收集的，而出租车和公交车的出行模式与私家车的出行模式存在差别，因此相关研究结果存在偏差。

由此可见，目前交通状况监测点的选取大多是根据主观经验，选择城市主干道进行监测或利用车载GPS设备收集轨迹数据，上述两种方式均无法有效的掌握整个城市路网实时的交通状况，监测结果存在偏差。

发明内容

本发明的目的是提供一种城市路网交通运行状况监测方法及系统，以解决现有的交通状况监测方法无法实时监测城市网路交通运行状况，监测结果存在偏差的问题。

为实现上述目的，本发明提供了如下方案：

一种城市路网交通运行状况监测方法，包括：

获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；所述路段属性包括道路类型、道路长度以及道路车道数；

根据所述路段属性以及所述路段集合建立路网结构；

利用随机游走算法模拟所述路网结构的车辆通行轨迹，获得车辆通行轨迹集合；

根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型；所述嵌入网络模型包括两个双层神经网络；

根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码；

基于所述路段的最终有效编码，对编码后的路段进行聚类处理，确定聚类结果；

根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段；

根据所述被监测路段对城市路网交通运行状况进行监测；所述城市路网交通运行状况包括交通拥堵状态、交通流畅状态、车流量正常状态以及车流量异常状态。

可选的，所述根据所述路段属性建立路网结构，之后还包括：

对所述路网结构进行均匀划分，确定多个划分后的路网网格。

可选的，所述利用随机游走算法模拟所述路网结构的路网通行轨迹，生成车辆在所述路网结构中的通行轨迹集合，具体包括：

用G(V，E，W)表示路网结构；其中，V为路段集合，所述路段集合包括多个路段节点，一个所述路段节点为一条道路；E为边的集合，所述边为两条相邻路段之间的虚拟直线；W为每条所述路段的路段属性；

设定所述边的权重，将每个所述路段节点作为起始点，遍历每个所述路段节点，以固定长度阈值随机游走，生成车辆在所述路网结构中的通行轨迹集合。

可选的，所述根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型，具体包括：

获取所述路段节点的第一有效编码以及所述路段节点在所述车辆通行轨迹集合中相邻路段集合的第一有效编码；

以所述路段节点的第一有效编码为输入，以所述相邻路段集合的第一有效编码为输出，建立第一双层全连接神经网络模型；

根据所述第一双层全连接神经网络模型的第一层网络参数将所述路段的第一有效编码转换成所述路段节点的空间嵌入向量；

根据所述路段属性以及所述出租车历史流量在不同时间段的平均流量确定属性向量；

同时以所述道路的路段属性为输入和输出，建立第二双层全连接神经网络模型；

根据所述第二双层连接神经网络模型的第一层网络参数确定所述路段的属性嵌入向量；

可选的，所述根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码，具体包括：

基于所述嵌入网络模型，合并所述空间嵌入向量和所述属性嵌入向量，确定路段的最终有效编码：

其中，

为路段的最终有效编码；

为空间嵌入向量，

为属性嵌入向量，i为所述路段节点的序号。

可选的，所述根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段，具体包括：

每个所述聚类结果的重要度评价指标为：

其中，

为每一聚类结果k_i的重要度；|k_i|为类k_i中的路段数量；N表示所有路段的数量；

为k_i中所有路段到聚类中心的平均欧氏距离；

为K个聚类结果的平均欧氏距离最大值，K为最佳聚类数；λ₁和λ₂表示权重系数，λ₁＝λ₁＝0.5；

每一条路段在类别k_i中的重要度为：

其中，

为在k_i中的路段e_j的重要度；

表示路段e_j与k_i的聚类中心

之间的欧氏距离；

表示k_i中所有路段与聚类中心之间的欧式距离的最大值；E_m为已选路段集合；

表示路段e_j与已选路段集合E_m的最小距离；max(d_m)为所有待选路段到已选路段集合E_m最小距离的最大值，λ₃和λ₄同样表示权重系数，λ₃＝λ₄＝0.5；

根据所述重要度评价指标以及所述重要度对所述道路的重要度进行评分，确定重要度评分结果；

根据所述重要度评分结果对所有道路进行排序，并将重要度评分结果高于重要度评分结果阈值的道路作为被监测路段。

一种城市路网交通运行状况监测系统，包括：

参数获取模块，用于获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；所述路段属性包括道路类型、道路长度以及道路车道数；

路网结构建立模块，用于根据所述路段属性以及所述路段集合建立路网结构；

空间结构信息确定模块，用于利用随机游走算法模拟所述路网结构的车辆通行轨迹，获得车辆通行轨迹集合；

嵌入网络模型构建模块，用于根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型；所述嵌入网络模型包括两个双层神经网络；

编码模块，用于根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码；

聚类结果确定模块，用于基于所述路段的最终有效编码，对编码后的路段进行聚类处理，确定聚类结果；

路段选取模块，用于根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段；

监测模块，用于根据所述被监测路段对城市路网交通运行状况进行监测；所述城市路网交通运行状况包括交通拥堵状态、交通流畅状态、车流量正常状态以及车流量异常状态。

可选的，还包括：

划分模块，用于对所述路网结构进行均匀划分，确定多个划分后的路网网格。

可选的，所述空间结构信息确定模块具体包括：

用G(V，E，W)表示路网结构；其中，V为路段集合，所述路段集合包括多个路段节点，一个所述路段节点为一条道路；E为边的集合，所述边为两条相邻路段之间的虚拟直线；W为每条所述路段的路段属性；

空间结构信息确定单元，用于设定所述边的权重，将每个所述路段节点作为起始点，遍历每个所述路段节点，以固定长度阈值随机游走，生成车辆在所述路网结构中的通行轨迹集合。

可选的，所述嵌入网络模型构建模块具体包括：

第一有效编码以及第二有效编码确定单元，用于获取所述路段节点的第一有效编码以及所述路段节点在所述车辆通行轨迹集合中相邻路段集合的第一有效编码；

第一双层全连接神经网络模型建立单元，用于以所述第一有效编码为输入，以所述相邻路段集合的第一有效编码为输出，建立第一双层全连接神经网络模型；

空间嵌入向量确定单元，用于根据所述第一双层全连接神经网络模型的第一层网络参数将所述路段的第一有效编码转换成所述路段节点的空间嵌入向量；

属性向量确定单元，用于根据所述路段属性以及所述出租车历史流量在不同时间段的平均流量确定属性向量；

第二双层全连接神经网络模型建立单元，用于同时以所述道路的路段属性为输入和输出，建立第二双层全连接神经网络模型；

属性嵌入向量确定单元，用于根据所述第二双层连接神经网络模型的第一层网络参数确定所述路段的属性嵌入向量；

嵌入网络模型构建单元，用于根据所述空间嵌入向量以及所述属性嵌入向量构建嵌入网络模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供了一种城市路网交通运行状况监测方法及系统，根据路段属性以及路段集合构建路网结构，又基于随机游走算法模拟路网结构的路网通行轨迹，确定空间结构信息，将空间结构信息以及路段属性进行融合，构建嵌入网络模型，基于该嵌入网络模型对路段进行编码，最终选取监测路段，不依赖于人工监测或基于某一监测设备或定位设备，不受出租车或公交车出行模式的限制，仅利用日常资源(路网的空间结构信息、路段属性、出租车历史流量信息等客观信息)就能够实现对整个城市路网交通状况的实时监测，降低监测误差。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的城市路网交通运行状况监测方法流程图；

图2为本发明所提供的路网结构划分示例图；

图3为本发明所提供的监测点选取结果示例图；

图4为本发明所提供的城市路网交通运行状况监测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种城市路网交通运行状况监测方法及系统，能够实现实时监测整个城市的路网交通状况，降低监测误差。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的城市路网交通运行状况监测方法流程图，如图1所示，一种城市路网交通运行状况监测方法，包括：

步骤101：获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；所述路段属性包括道路类型、道路长度以及道路车道数。

步骤102：根据所述路段属性以及所述路段集合建立路网结构。

用G(V，E，W)表示路网，V表示路段集合；E表示边的集合，如果两条路段v1，v2∈V直接相连，则存在一条边e_v1，v2∈E；W表示每条路段的属性，包括道路类型(主干道、辅路、高速、高架桥等)、道路长度、道路车道数、出租车历史流量在不同时间段的平均流量等。

如图2所示，由于整个城市路网过大，直接计算会导致计算量过大，步骤102之后，将根据城市大小、道路数量与密度将城市划分为多个均匀的网格。

步骤103：利用随机游走算法模拟所述路网结构的车辆通行轨迹，获得车辆通行轨迹集合。

通过深度优先遍历的随机游走算法，获取路段的空间结构信息。

此步骤是为了通过随机游走模拟路网通行轨迹，从而获取道路在路网中的空间结构信息，既上下文信息。

通过设定边的权重，遍历每个节点作为起始点进行固定长度为l的随机游走。具体的，给定一个起始节点，c_i表示行走中的第i个节点(i≥2)，则从节点c_i-1走到节点c_i的概率定义为:

其中，z是与节点v相邻节点之间转移概率之和，用于归一化使用；d_v′，x表示节点v′到x的距离，d_v′，x＝0表示节点v′和x是同一个节点，意味着随机游走返回到上一个节点；d_v′，x＝1表示节点v′和x直接相连；d_v′，x＝2表示节点v′和x不直接相连，意味着随机游走朝向远离访问过的节点方向游走。由于车辆行驶过程中，往往会选择最短路径，并且选择重复路段的概率很低，因此，本发明中设置p＞1，q＜1，p，q为控制随机游走特性的参数，p为控制游走是否倾向于走过的道路的参数，q为控制向远处走趋势的参数。

步骤104：根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型。

步骤105：根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码。

将路段的one-hot编码(第一有效编码)和路段属性及历史出租车流量组成的向量转换为最终的路段编码。one-hot编码用

表示路段i的one-hot编码，长度为N，N＝|V|表示路段数量；路段属性及历史出租车流量组成的向量用

表示，向量长度为M，主要由属性数量和24和小时平均历史流量组成。

One-hot编码又称为一位有效编码，假设共有5条路段，那么每条路段的one-hot编码长度为5，仅有一位数值为1，其余为0，即00001，00010，00100，01000，10000。

1、首先建立一个双层全连接神经网络，以路段的one-hot编码作为输入，输入节点的上下文路段(随机游走生成的游走轨迹中，相邻的两条路段，假如一条轨迹A-B-C-D-E，则B的上下文为A和C，C的上下文为B和D，以此类推)的one-hot编码作为输出，通过采集的随机游走轨迹集合建立训练集，得到节点one-hot编码到N行D列的目标编码转换矩阵W_s，最终得到空间嵌入向量

2、再次建立一个双层全连接神经网络，同时以

作为输入和输出，以所有道路的属性和历史流量信息构建训练集训练神经网络，从而得到M行N列的转换矩阵W_a，最终得到属性嵌入向量

向量长度为D。

传统的神经网络在训练过程中，输入的是从数据中提取的特征，输出的是对应的预测值，通过真实值与预测值的误差来调节神经网络的参数。

本发明把道路的one-hot编码(第一有效编码)同时作为特征和标签，训练完之后得到第一层的转换矩阵，也就是神经网络第一层的参数，通过这个转换矩阵就能够把第一有效编码转换成第二有效编码，得到属性嵌入向量。

3、最终将空间嵌入向量和属性向量合并作为路段的最终编码：

长度为2D。

步骤106：基于所述路段的最终有效编码，对编码后的路段进行聚类处理，确定聚类结果。

通过K-means聚类算法对编码后的道路进行聚类，确定最佳聚类数K。

步骤107：根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段，如图3所示。

根据聚类结果对道路重要度进行排序。

1、首先定义每个类的重要度评价指标：

其中，

表示类k_i的重要度，|k_i|表示类k_i中的路段数量，N表示所有路段的数量，

表示k_i中所有路段到聚类中心的平均欧氏距离，

表示K个聚类结果的平均欧氏距离最大值，λ₁和λ₂表示权重系数，这里我们设置λ₁＝λ₁＝0.5。

一个类中，路段数量越多，路段距离聚类中心的平均欧式距离越大，则其重要度越高。

2、对于一条路段在类别ki中的重要度定义如下：

其中，

表示在k_i中的路段e_j的重要度，

表示路段e_j与k_i的聚类中心

之间的欧氏距离，

表示k_i中所有路段与聚类中心欧式距离的最大值，已选路段集合用E_m表示，

表示路段e_j与已选路段集合的最小距离，max(d_m)表示所有待选路段到已选路段集合最小距离的最大值，λ₃和λ₄同样表示权重系数，这里我们设置λ₃＝λ₄＝0.5。

路段距离聚类中心距离越远，并且距离已选路段集合的最小距离越远，则重要度越高。

3、最终，对于待选路段的重要度评分为：

步骤108：根据所述被监测路段对城市路网交通运行状况进行监测；所述城市路网交通运行状况包括交通拥堵状态、交通流畅状态、车流量正常状态以及车流量异常状态。

选取前topn条道路作为监测路段。

首先将所有聚类中心路段选择为监测路段，然后根据步骤6更新所有待选路段重要度评分，每次选择评分最高的路段加入监测路段集合，循环n-k次，知道选出n条路段。

图4为本发明所提供的城市路网交通运行状况监测系统结构图，如图4所示，一种城市路网交通运行状况监测系统，包括：

参数获取模块401，用于获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；所述路段属性包括道路类型、道路长度以及道路车道数。

路网结构建立模块402，用于根据所述路段属性以及所述路段集合建立路网结构。

本发明还包括：划分模块，用于对所述路网结构进行均匀划分，确定多个划分后的路网网格。

空间结构信息确定模块403，用于利用随机游走算法模拟所述路网结构的车辆通行轨迹，获得车辆通行轨迹集合。

所述空间结构信息确定模块403具体包括：用G(V，E，W)表示路网结构；其中，V为路段集合，所述路段集合包括多个路段节点，一个所述路段节点为一条道路；E为边的集合，所述边为两条相邻路段之间的虚拟直线；W为每条所述路段的路段属性；空间结构信息确定单元，用于设定所述边的权重，将每个所述路段节点作为起始点，遍历每个所述路段节点，以固定长度阈值随机游走，生成车辆在所述路网结构中的通行轨迹集合。

嵌入网络模型构建模块404，用于根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型。

所述嵌入网络模型构建模块404具体包括：第一有效编码以及第二有效编码确定单元，用于获取所述路段节点的第一有效编码以及所述路段节点在所述车辆通行轨迹集合中相邻路段集合的第一有效编码；第一双层全连接神经网络模型建立单元，用于以所述第一有效编码为输入，以所述相邻路段集合的第一有效编码为输出，建立第一双层全连接神经网络模型；空间嵌入向量确定单元，用于根据所述第一双层全连接神经网络模型的第一层网络参数将所述路段的第一有效编码转换成所述路段节点的空间嵌入向量；属性向量确定单元，用于根据所述路段属性以及所述出租车历史流量在不同时间段的平均流量确定属性向量；第二双层全连接神经网络模型建立单元，用于同时以所述道路的路段属性为输入和输出，建立第二双层全连接神经网络模型；属性嵌入向量确定单元，用于根据所述第二双层连接神经网络模型的第一层网络参数确定所述路段的属性嵌入向量；嵌入网络模型构建单元，用于根据所述空间嵌入向量以及所述属性嵌入向量构建嵌入网络模型。

编码模块405，用于根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码。

聚类结果确定模块406，用于基于所述路段的最终有效编码，对编码后的路段进行聚类处理，确定聚类结果。

路段选取模块407，用于根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段。

监测模块408，用于根据所述被监测路段对城市路网交通运行状况进行监测；所述城市路网交通运行状况包括交通拥堵状态、交通流畅状态、车流量正常状态以及车流量异常状态。

本发明提供了一种城市路网交通运行状况监测方法及系统，能够合理选择道路状况监测点，以提供整个路网交通状况的实时监测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种城市路网交通运行状况监测方法，其特征在于，包括：

获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；所述路段属性包括道路类型、道路长度以及道路车道数；

根据所述路段属性以及所述路段集合建立路网结构；

利用随机游走算法模拟所述路网结构的车辆通行轨迹，获得车辆通行轨迹集合；

根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型；所述嵌入网络模型包括两个双层神经网络；

根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码；

基于所述路段的最终有效编码，对编码后的路段进行聚类处理，确定聚类结果；

根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段；

根据所述被监测路段对城市路网交通运行状况进行监测；所述城市路网交通运行状况包括交通拥堵状态、交通流畅状态、车流量正常状态以及车流量异常状态。

2.根据权利要求1所述的城市路网交通运行状况监测方法，其特征在于，所述根据所述路段属性建立路网结构，之后还包括：

对所述路网结构进行均匀划分，确定多个划分后的路网网格。

3.根据权利要求1所述的城市路网交通运行状况监测方法，其特征在于，所述利用随机游走算法模拟所述路网结构的路网通行轨迹，生成车辆在所述路网结构中的通行轨迹集合，具体包括：

用G(V，E，W)表示路网结构；其中，V为路段集合，所述路段集合包括多个路段节点，一个所述路段节点为一条道路；E为边的集合，所述边为两条相邻路段之间的虚拟直线；W为每条所述路段的路段属性；

设定所述边的权重，将每个所述路段节点作为起始点，遍历每个所述路段节点，以固定长度阈值随机游走，生成车辆在所述路网结构中的通行轨迹集合。

4.根据权利要求3所述的城市路网交通运行状况监测方法，其特征在于，所述根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型，具体包括：

获取所述路段节点的第一有效编码以及所述路段节点在所述车辆通行轨迹集合中相邻路段集合的第一有效编码；

以所述第一有效编码为输入，以所述相邻路段集合的第一有效编码为输出，建立第一双层全连接神经网络模型；

根据所述第一双层全连接神经网络模型的第一层网络参数将所述路段的第一有效编码转换成所述路段节点的空间嵌入向量；

根据所述路段属性以及所述出租车历史流量在不同时间段的平均流量确定属性向量；

同时以所述道路的路段属性为输入和输出，建立第二双层全连接神经网络模型；

根据所述第二双层连接神经网络模型的第一层网络参数确定所述路段的属性嵌入向量；

根据所述空间嵌入向量以及所述属性嵌入向量构建嵌入网络模型。

5.根据权利要求4所述的城市路网交通运行状况监测方法，其特征在于，所述根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码，具体包括：

基于所述嵌入网络模型，合并所述空间嵌入向量和所述属性嵌入向量，确定路段的最终有效编码：

其中，

为路段的最终有效编码；

为空间嵌入向量，

为属性嵌入向量，i为所述路段节点的序号。

6.根据权利要求5所述的城市路网交通运行状况监测方法，其特征在于，所述根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段，具体包括：

每个所述聚类结果的重要度评价指标为：

其中，

为每一聚类结果k_i的重要度；|k_i|为类k_i中的路段数量；N表示所有路段的数量；

为k_i中所有路段到聚类中心的平均欧氏距离；

为K个聚类结果的平均欧氏距离最大值，K为最佳聚类数；λ₁和λ₂表示权重系数，λ₁＝λ₁＝0.5；

每一条路段在类别k_i中的重要度为：

其中，

为在k_i中的路段e_j的重要度；

表示路段e_j与k_i的聚类中心

之间的欧氏距离；

表示k_i中所有路段与聚类中心之间的欧式距离的最大值；E_m为已选路段集合；

表示路段e_j与已选路段集合E_m的最小距离；max(d_m)为所有待选路段到已选路段集合E_m最小距离的最大值，λ₃和λ₄同样表示权重系数，λ₃＝λ₄＝0.5；

根据所述重要度评价指标以及所述重要度对所述道路的重要度进行评分，确定重要度评分结果；

根据所述重要度评分结果对所有道路进行排序，并将重要度评分结果高于重要度评分结果阈值的道路作为被监测路段。

7.一种城市路网交通运行状况监测系统，其特征在于，包括：

参数获取模块，用于获取路段属性、路段集合以及出租车历史流量在不同时间段的平均流量；所述路段属性包括道路类型、道路长度以及道路车道数；

路网结构建立模块，用于根据所述路段属性以及所述路段集合建立路网结构；

空间结构信息确定模块，用于利用随机游走算法模拟所述路网结构的车辆通行轨迹，获得车辆通行轨迹集合；

嵌入网络模型构建模块，用于根据所述车辆轨迹集合、所述路段属性以及所述出租车历史流量在不同时间段的平均流量构建嵌入网络模型；所述嵌入网络模型包括两个双层神经网络；

编码模块，用于根据所述嵌入网络模型对路段进行编码，确定路段的最终有效编码；

聚类结果确定模块，用于基于所述路段的最终有效编码，对编码后的路段进行聚类处理，确定聚类结果；

路段选取模块，用于根据所述聚类结果对所述道路的重要度进行排序，选取被监测路段；

监测模块，用于根据所述被监测路段对城市路网交通运行状况进行监测；所述城市路网交通运行状况包括交通拥堵状态、交通流畅状态、车流量正常状态以及车流量异常状态。

8.根据权利要求7所述的城市路网交通运行状况监测系统，其特征在于，还包括：

划分模块，用于对所述路网结构进行均匀划分，确定多个划分后的路网网格。

9.根据权利要求7所述的城市路网交通运行状况监测系统，其特征在于，所述空间结构信息确定模块具体包括：

用G(V，E，W)表示路网结构；其中，V为路段集合，所述路段集合包括多个路段节点，一个所述路段节点为一条道路；E为边的集合，所述边为两条相邻路段之间的虚拟直线；W为每条所述路段的路段属性；

空间结构信息确定单元，用于设定所述边的权重，将每个所述路段节点作为起始点，遍历每个所述路段节点，以固定长度阈值随机游走，生成车辆在所述路网结构中的通行轨迹集合。

10.根据权利要求9所述的城市路网交通运行状况监测系统，其特征在于，所述嵌入网络模型构建模块具体包括：

第一有效编码以及第二有效编码确定单元，用于获取所述路段节点的第一有效编码以及所述路段节点在所述车辆通行轨迹集合中相邻路段集合的第一有效编码；

第一双层全连接神经网络模型建立单元，用于以所述第一有效编码为输入，以所述相邻路段集合的第一有效编码为输出，建立第一双层全连接神经网络模型；

空间嵌入向量确定单元，用于根据所述第一双层全连接神经网络模型的第一层网络参数将所述路段的第一有效编码转换成所述路段节点的空间嵌入向量；

属性向量确定单元，用于根据所述路段属性以及所述出租车历史流量在不同时间段的平均流量确定属性向量；

第二双层全连接神经网络模型建立单元，用于同时以所述道路的路段属性为输入和输出，建立第二双层全连接神经网络模型；

属性嵌入向量确定单元，用于根据所述第二双层连接神经网络模型的第一层网络参数确定所述路段的属性嵌入向量；

嵌入网络模型构建单元，用于根据所述空间嵌入向量以及所述属性嵌入向量构建嵌入网络模型。

Images