CN111768618B - 基于城市画像的交通拥堵状态传播预测和预警系统及方法 - Google Patents

Abstract

本发明公开了一种基于城市画像的交通拥堵状态预测和预警系统及方法，包含下列模块：数据收集和处理模块、深度学习模块、历史记录模块和前端展示模块；利用交通摄像头提供的数据，实时记录每条街道和路口的路况信息；将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到动态图的深度学习模型中，构建实时城市画像，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息。

Description

基于城市画像的交通拥堵状态传播预测和预警系统及方法

技术领域

本发明涉及一种基于城市画像的交通拥堵状态传播预测和预警系统及方法，属于信息技术领域。

背景技术

随着城市化的发展，到2050年，研究估计将有60亿人居住在城市，而城市中的交通和民生、经济、教育、住房等社会痛点问题息息相关，密切关系到一个城市的发展和繁荣，只有一个安全、高效的交通环境才能对城市的发展起到正向的助推作用。当下，城市的主要街道上都装有交通监管摄像头，能够清晰地记录经过街道的车辆和行人等信息，这些数据为城市交通监管的进一步发展提供了条件。拥堵是影响城市交通效率最严重的问题之一，拥堵的起因一般是一个路口承受了高于预期的交通流量或者某个交通密集的区域发生了交通事故，而且交通拥堵会呈现从一个点、一个路口进行传播扩散的趋势。本发明设计的方法，在构建城市画像的同时，能够准确的对这种传播趋势进行预测，并将预测和预警结果直观地反馈给交通管理部门，也可以向民众提供出行规划的依据，提高城市交通的效率。

一个无向图由结点集合和边集合构成，动态图是指多个图按照一定的顺序排列所组成的图的序列，这个顺序一般情况下是真实世界的时间顺序。现实世界中，很多物体或者关系都可以抽象成无向图，而动态图则能更好的表现这些个体在一定时间段内的变化和发展，是我们研究其中可能存在的潜在规律的数据工具。交通拥堵的检测和预测问题本质上是图上的异常检测问题，常见的异常检测问题包含异常结点检测、异常边检测、异常子图检测和异常事件检测，本发明所针对的问题具体是要预测拥堵的交通路口，进而车辆可以借助预测信息进行合理的路线规划，属于异常结点检测问题。而在交通问题中，路口和道路的连接状况不会轻易发生改变，也就是每时每刻，图的拓扑结构是相同的，变化只是点和边上的特征变量，也就是实时的交通状况。

对于序列数据的处理和预测，常用的深度学习方法是循环神经网络，一般用来解决自然语言处理问题。循环神经网络是一类建立在时序序列之上、结点之间存在有向连接的神经网络，能够发现动态行为中的规律。然而，传统的循环神经网络存在长期依赖问题，随着时刻的推移，循环神经网络逐渐丢失了早期输入的记忆，做出的预测仅仅参考最近的输入数据，当数据越多，数据所横跨的时间越长，长期依赖就凸显得越明显。为解决这个问题，长短期记忆网络(Long Short Term Network，LSTM)应运而生。LSTM在循环神经网络得基础上做改进，每个LSTM神经元内部设计了两条信息流：长时记忆和短时记忆，来兼顾不同时刻得输入信息。

平台以网站的方式实现，采用的网络框架是Django，全部使用python语言。Django功能丰富，提供一站式的解决方案，路由设计使用集中处理的方式，采用正则法进行匹配，模块化集成在命令里，支持模块的复用，可扩展性好，即使未来网站的体量变得庞大也能够有效应对。

发明内容

本发明技术解决问题：针对城市化发展中的痛点和城市交通拥堵问题，克服现有技术的不足，设计一个基于城市画像的交通拥堵状态传播预测和预警系统及方法，对于解决交通问题中对未来时段的预测，并对拥堵区域汇报预警信息。

本发明技术解决方案：一种基于城市画像的交通拥堵状态预测和预警系统，所述系统在展示城市现有交通状况、构建城市画像的同时，能够以设定的时间，例如10分钟为一个时段，对下个时段城市交通的拥堵情况进行预测，预测值为每个路口在下个时段发生拥堵的概率，模拟城市交通拥堵状态的传播，对路口的拥堵概率进行离散的阈值，具体数值由用户根据实际的交通预测需求进行调整，系统的实现为网站形式，拥堵状态传播的预测结果会反馈到前端展示界面，给用户最直观的观感；

所述系统包括：数据收集和处理模块、深度学习算法模块、历史记录模块、前端展示模块和网站后端模块；

数据收集和处理模块：负责城市交通数据的收集和处理；城市交通数据包括城市基础数据和城市实时数据；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度。数据收集和处理的过程利用城市基础数据和城市实时数据，构建城市画像，城市画像是基于城市数据的可视化系统，城市画像能将城市的交通状况可视化，同时利用城市基础数据和城市实时数据能够直观地呈现城市交通基础信息和动态实时信息；此外，数据收集和处理模块还负责将城市基础数据输送给网站后端模块，将城市基础数据和城市实时数据以序列的形式输送给训练好的深度学习算法模块并根据深度学习算法模块的拥堵状态预测结果补充实时的城市画像；

深度学习算法模块：以动态图神经网络为算法核心，在城市画像构建的基础上，使用循环神经网络接收序列形式的城市基础数据和城市实时数据，对城市拥堵状态的传播进行预测；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度；在对城市基础数据和实时数据进行整理的过程中，将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到动态图的深度学习模型中，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息，最后输出的是下一时刻各个路口发生拥堵的概率值；

历史记录模块：负责对城市交通的历史数据、拥堵情况预测历史和查询历史进行存储，其中城市交通的历史数据来自数据收集和处理模块在之前时间所处理过的城市基础和实时数据，拥堵状况预测历史来自深度学习算法模块在之前时间所预测过的城市交通拥堵状况，查询历史来自前端展示模块的用户查询记录；在用户查询城市过往交通情况的需求下，能够对城市画像进行复现；城市交通的历史数据包括数据收集和处理模块得到的城市基础数据和实时数据，既有直接通过网站前端展示的数据，也有输入给深度学习算法模块的数据；拥堵情况预测历史包括深度学习算法模块每次对城市交通拥堵情况预测的结果；查询历史包括使用者对城市交通预测情况的查询信息，即查询时间、重点查询路口和重点查询道路；城市交通历史数据和拥堵情况预测历史数据存储周期是7天，查询历史数据存储周期是1个月；

前端展示模块：对数据收集和处理模块得到的城市画像和深度学习算法模块得到的交通拥堵状态传播预测结果进行展示；该模块展示的具体内容包括城市的拓扑结构、每条道路的名字、交通拥堵传播预测结果；前端展示模块能够展示城市的基础交通信息，并能够承载拥堵状态传播预测结果的绘制和呈现；

网站后端模块：实现城市基础数据、城市实时数据、深度学习算法模块预测结果的整合、处理、深度学习算法模型的调用功能，负责接收数据收集和处理模块输出的城市基础数据和实时数据、深度学习算法模块输出的是下一时刻各个路口发生拥堵的概率值和历史记录模块输出的城市交通的历史数据，这些数据在经过网站后端模块的整合后将输送给前端模块；此外，网站后端模块还具有网站的基础功能，所述基础功能包括用户注册和登录功能、安全性保障、数据备份和恢复功能；对于城市交通状况的每次预测，网站后端模块还设有连接历史记录模块的接口，能够快速的读写历史记录模块中的数据库，更好的备份数据。

本发明能够对城市拥堵状态传播进行预测和预警，预测指对每个路口都能输出下一时刻发生拥堵的概率值，预警则指本发明会着重关注拥堵概率较大的路口，在得到路口发生拥堵的概率后，会借助网站后端模块和前端展示模块，对高概率的路口进行突出警示。

所述深度学习算法模块的具体结构及实现如下：

(1)深度学习模块的输入是动态图，即一组带有边权和点权的无向图，每个无向图表示每个时刻的城市交通信息，按照时间顺序组织成一个序列，无向图中的边和点分别由城市中的道路和路口抽象而成，边权向量和点权向量分别表示这一时刻道路和路口的交通特征信息；

(2)利用图卷积神经网络来提取每一时刻的交通特征，I_N为维度为N的单位矩阵，A表示无向图的邻接矩阵，A_ij等于1表示无向图中第i个节点和第j个节点之间有边连接，令

令

表示图的度数矩阵，设l表示层数，提取每个时刻交通特征的图卷积网络公式为

式中，W^l表示第l层的权重参数，H^l表示第l层的隐藏层变量，第0层的值等于初始的点权信息，Z表示图的边权信息，σ表示ReLU函数，即小于0的数置为0，大于等于0的数值不变，φ()表示对边权和点权特征提取的函数；每一时刻都有这样一个图卷积网络，用来提取这一时刻的无向图的特征，输入到处理无向图图序列的循环神经网络网络中；

(3)利用循环神经网络来处理多个无向图组成的时序序列，使用的循环神经网络为长短期记忆网络，经过图卷积神经网络处理后，每一时刻的交通信息都转化为了一个特征矩阵，为每一时刻建立一个神经元，用来接收该时刻交通信息的输入，多个神经元能够接收多个时刻的交通时序特征序列，并最后输出下一时刻各个路口发生拥堵的概率值。

本发明的一种基于城市画像的交通拥堵状态预测和预警方法，包括以下步骤：

(1)统计城市的整体交通数据信息作为原始数据，包括固定的交通数据和实时的交通数据；整体交通数据信息包括固定的交通数据和实时的交通数据；固定的交通数据包括道路和路口名称、道路拓扑、限速；实时的交通数据包括各个时段内通过某一路口车辆的数量、速度、道路有没有发生拥堵；

(2)对数据进行整理，从原始数据中进行交通特征抽取，抽取后的数据以向量的形式来表示某一路口和道路的固定或实时信息，划分供深度学习算法模型学习的训练集，同时将全部数据整理成深度学习算法模型可读取进行测试的形式存储在服务器中；

(3)利用基于图卷积神经网络的深度学习模型，以城市基础数据和城市实时数据为基础，将城市交通中的道路抽象为无向图中的边，将路口抽象为无向图中的点，将道路和路口的路况信息分别整理成边权和点权，输入到动态图的深度学习模型中；深度学习算法模型用循环神经网络处理多个时刻的时序信息，在每一时刻使用图的卷积神经网络来进一步提取这一时刻的城市交通特征；深度学习算法模型经过对多个时刻交通信息的卷积后，能够对下一时刻城市交通拥堵状态传播进行预测，输出下一时刻各个路口发生拥堵的概率值，并对拥堵区域汇报预警信息；深度学习模型在训练集上进行训练，同时为了降低在训练集上过拟合的影响，设计验证集进行测试；

(4)将训练好的深度学习模型部署到网站后端，并提供数据传输接口、调用接口和测试数据保存接口；

(5)网站后端接到前端的请求后，解析出需要预测的是哪一时段的交通状况，向前读取设定的时间段，例如3个小时内的交通情况，将这些数据作为测试数据，输入到训练好的深度学习模型中进行预测；

(6)预测结果是交通网络中各个路口的拥堵概率，将结果以字符串的形式发送给前端；

(7)前端根据用户给定的阈值，将预测可能拥堵的路口渲染到前端展示的城市交通地图中，交通管理部门借此制定交通疏通措施，普通用户也能够根据预测结果调整个人出行计划。

本发明与现有技术相比的优点在于：

(1)本发明专注于交通拥堵状态传播的预测和预警，而非检测，预测得到的交通状况还未发生，能够更好的帮助交通部门采取针对性举措，也可以让车辆和行人借助此预测信息进行合理的路线规划，避开可能会发生拥堵的地方，提高交通运输的效率。

(2)本发明并没有采用传统的机器学习方法，而是使用深度学习网络中的图神经网络，将路口抽象为结点，将道路抽象为边，整个城市抽象为一个无向图，通过点和边上的特征向量、图的邻接矩阵向深度学习模型注入交通信息，并在已有的数据上做训练，对于交通拥堵状况可以快速准确的做出预测。

(3)本发明给用户的最终预测结果不是某些路口或者道路名称，而是直接显示在交通地图上，展示效果更加直观，用户不需要做多余操作。每个路口的拥堵预测结果是一个概率，用户根据当前需求的情况来调整阈值，控制拥堵的可接受范围。

附图说明

图1为本发明城市交通拥堵状态传播预测和预警系统总体结构图；

图2为本发明城市交通拥堵状态传播预测和预警方法流程图；

图3为本发明数据收集和处理模块流程图；

图4为本发明基于城市画像的深度学习模型结构图；

图5为本发明城市交通拥堵状态传播预测及预警系统后端模块图；

图6为本发明前端展示界面演示图。

具体实施方式

下面结合附图对本发明的具体架构和预测方式作进一步说明：

如图1所示，本发明的一种基于城市画像的交通拥堵状态预测和预警系统，包括：数据收集和处理模块、深度学习模块、历史记录模块、前端展示模块和网站后端模块；

数据收集和处理模块：负责城市交通基础数据的收集和整理，并利用城市交通的摄像头实时对来往车辆进行实时检测，统计相应的实时数据，并进行整理；城市基础数据(包括城市地图、道路车道数量、道路限速等信息)输送给网站后端模块，将各个时刻的道路动态数据以序列的形式输送给训练好的深度学习算法模块，构建实时的城市画像；

深度学习算法模块：以动态图神经网络为算法核心，在城市画像构建的基础上，接收序列形式的道路动态数据，包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量、每条道路的通过车辆的平均速度等，在结合城市交通的基础数据，包括每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带等信息；此外还有城市的拓扑结构，即各条道路的连接关系；对这些数据进行整理，对每个时刻都得到一个描述城市交通的无向图，以邻接矩阵的形式存储拓扑结构，同时还有对于每个时刻，表示路口的每个点上有属性向量，表示道路的每条边上也有属性向量；所有数据构成了深度学习算法的动态图数据，输入到深度学习算法中，对下一时刻的城市交通拥堵情况进行预测；

历史记录模块：负责对城市交通的历史数据、拥堵情况预测历史和查询历史进行存储，能够存储历史城市画像信息，在必要情况下能够对城市画像进行复现；城市交通的历史数据包括数据收集和处理模块整理的所有数据，既有直接通过网站前端展示的数据，也有输入给深度学习算法模块的数据；拥堵情况预测历史包括每次对城市交通拥堵情况预测的结果；查询历史包括使用者对城市交通预测情况的查询信息，即查询时间、重点查询路口和重点查询道路；城市交通历史数据和拥堵情况预测历史数据存储周期是7天，查询历史数据存储周期是1个月；

前端展示模块：负责对城市画像和交通拥堵状态传播预测结果进行展示；城市的基本情况包括城市的拓扑结构，每条道路的名字；拥堵传播预测结果的落脚点为具体的路口。城市画像能够展示城市的基础交通信息，并能够承载拥堵状态传播预测结果的绘制和呈现。

网站后端模块：以python语言的Django网络框架为基础，实现数据的整合、处理、深度学习算法模型的调用等功能，将展示给用户的数据以一定格式输送给前端模块。此外，网站后端模块还具有网站的基础功能，如用户注册和登录功能、安全性保障、数据备份和恢复、高可用性等功能。因为虽然数据量很大，但网站的用户群体很单一，所以并不需要保证网站的高并发性。对于城市交通状况的每次预测，后端还设有连接历史记录模块的接口，能够快速的读写历史记录数据库，更好的备份数据。

如图2所示，本发明设计一种具体的城市交通拥堵状态传播预测及预警方法，步骤如下：

(1)统计城市的整体交通数据信息，包括固定的交通数据(如道路和路口名称、道路拓扑、限速等)和实时的交通数据(如各个时段内通过某一路口车辆的数量、速度、道路有没有发生拥堵等)。

(2)对数据进行整理，从原始数据中进行特征抽取，抽取后的数据以向量的形式来表示某一路口和道路的固定或实时信息，划分供模型学习的训练集，同时将全部数据整理成模型可读取进行测试的形式存储在服务器中。

(3)利用基于动态图神经网络的深度学习算法模型，在训练集上进行训练。同时为了降低在训练集上过拟合的影响，设计验证集进行测试。

(4)将训练好的深度学习模型部署到网站后端，并提供数据传输接口、调用接口和测试数据保存接口。

(5)网站后端接到前端的请求后，解析出需要预测的是哪一时段的交通状况，向前读取3个小时内的交通情况，将这些数据作为测试数据，输入到训练好的深度学习模型中进行预测。

(6)预测结果是交通网络中各个路口的拥堵概率，将结果以json字符串的形式发送给前端。

(7)前端根据用户给定的阈值，将预测可能拥堵的路口渲染到前端展示的城市交通地图中，交通管理部门可以借此制定交通疏通措施，普通用户也可以根据预测结果调整个人出行计划。

下面更详细说明本发明。

(1)本发明城市交通拥堵状态传播预测及预警系统总体结构图如图1、2所示：

从底向上，获取交通数据，包含两个部分：城市基础交通数据和实时交通数据。基础交通数据指不会轻易改变的交通数据，如城市道路的连接情况、道路和路口的名称、道路的车道数量和限速等。而实时交通数据是时时刻刻发生变化的数据，通过分析交通监控摄像头的摄像获得，包含时段内通过的车辆数量、车辆的平均限速、当前时段是否发生交通拥堵等信息。这些数据共同构成了城市画像，输送到网站的底层架构里，作为城市交通状况的一部分展示。同时，经过整理输送给深度学习的卷积神经网络算法，来进行下一时段交通拥堵情况的预测。本发明以网站为载体，实现交通数据到可视化信息的转换媒介。在网站的前端显示里，用户可以观察到城市基本的交通信息，也能对下一时段的交通拥堵状况做出预测。此外，为了能够储存城市的交通状况信息和预测结果，增加一个历史查询数据库。

(2)数据收集和处理流程图如图3所示：

数据收集和处理模块根据基础的城市交通数据和交通摄像头的实时监控信息，整理数据构建城市画像，对于拥堵状态传播预测算法，计算需要的数据，输送给深度学习算法模块和网站后端模块。基础的城市交通数据包括：城市各个街道的名称，以路口为点以街道为边的城市拓扑结构，每条路的平均限速，每条路的长度，每条路的车道数量，每条路与自行车道是否有隔离带(有为1，没有为0)，每条路的历史发生交通事故数量(以月为单位)。对“路”的定义是两个设有红绿灯路口之间的道路定义为一条“路”。对于多条路可能沿用同一个街道名称，但在数据存储底层，每条路都有唯一的识别的ID，ID的生成方式为在读入过程中从0逐渐累加，以保证ID的唯一性。每条路以字典的形式存储信息，包括的关键字有：ID、中文名称、长度、平均限速、车道数量、是否有隔离带、每月发生的交通事故数量。拓扑结构以邻接矩阵的形式存储。此外，道路中间利用交通摄像头来计算道路的实时数据，有车辆的平均速度、10分钟内通过的车辆数量等。

摄像头使用安装在每个路口的交通违章监控摄像头，可以监控得到的数据有每10分钟内通过这个路口的车辆数量、10分钟内通过这个路口车辆的平均速度、10分钟内车辆在这个路口的平均等待时间、是否有交警指挥、当前时段是否发生堵塞等信息。

(3)基于城市画像的深度学习算法模块结构图如图4所示：

在城市画像的基础上，利用动态图神经网络，构建深度学习模型，对城市交通拥堵状态传播进行预测。图3中，横向上为数据的时序序列方向，纵向上是对某一时段对图的特征提取过程。箭头表示数据的流动，圆角矩形表示数据的存储或者计算，第一层为经典的LSTM神经元，第二层是设计的卷积层，第三层是每个时段实时的交通数据，X、Y分别表示结点和连接边上的特征矩阵。下面会详细的介绍每一层结构。

深度学习模型分为两个阶段：训练和测试。训练阶段，使用标注数据对模型进行训练，得到最优情况下的网络参数。测试阶段，向模型输入实时的城市交通数据，对下一时刻的城市拥堵状况进行预测。

深度学习模模型数据定义：设共有T个时刻，每个时刻都有一个动态图<V，E>来抽象城市这一时刻的交通状况，V表示结点的集合，E表示无向边的结合。对每个结点，都有一个特征向量x，表示路口的相关信息，长度为5维，分别表示该结点所表示路口的实时信息：每10分钟内通过这个路口的车辆数量(单位：辆)、10分钟内通过这个路口车辆的平均速度(单位：千米/时)、10分钟内车辆在这个路口的平均等待时间(单位：秒)、是否有交警指挥(1或0)、当前时段是否发生堵塞(1或0，若堵塞时间超过三分钟则该时段发生堵塞)等。对每条边，也有一个边的特征向量e，表示边的相关信息，长度为7维，分别表示道路的基础信息和实时信息：长度(单位：米)、平均限速(单位：千米/时)、车道数量(单位：个)、是否有隔离带(1或0)、每月发生的交通事故数量(单位：件)、车辆的平均速度(单位：千米/时)、10分钟内通过的车辆数量(单位：辆)等。在使用这些数据对模型进行训练和测试之前，因为这些数据的单位不同，数量级不同，不能直接使用，需要对这些数据进行归一化处理，即将各个维度的数据全部映射到0到1之间：

式中，min()和max()分别表示取最小值和最大值的函数，x_i表示向量初始第i维的值，x_i'表示归一化处理后的向量第i维的值。

设有N个结点，则得到了一个N*5的矩阵X表示各个结点的特征，有M条边，则得到一个M*7的矩阵Y表示每条边的特征。此外，根据图的拓扑结构，能够得到当前时段图的邻接矩阵A，A_ij＝1表示第i个结点和第j个结点所代表的两个路口在实际交通状况中是相邻的，A_ij＝0表示这两个路口并不相邻。为将边权矩阵添加到卷积模型之中，增设连接层来对边的特征值矩阵做维度修改。共有两层，Z₁＝YW₁+b₁，Z₂＝Z₁W₂+b₂，其中W₁的维度是M*7，b₁的维度是M*1，W₂的维度是M*1，b₂的维度是1*1。通过添加的两层神经网络，边权矩阵的维度变为M*1，即使用一个数值来代替一个特征向量表示边的特征。利用python处理网络结构的库networkx，因为M条边共有N个结点，所以将大小为M*1的矩阵Z₂转换为N*N的矩阵φ(Z₂)，φ(Z₂)_ij表示第i个结点和第j个结点所连接边的特征值。

卷积公式：设I_N为维度为N的单位矩阵，令

来抵消每个结点自身在邻接矩阵中对卷积计算的影响。令

表示图的度数矩阵。设l表示层数，卷积公式为

H表示隐藏层权重参数，H^l表示第l层的隐藏层变量，H⁰等于点权特征，W表示当前层的权重，D表示度数矩阵。

在本发明的卷积模型中，只设计两层，即H²为最终的输出。σ表示一个激活函数，在本发明中使用ReLU函数，即小于0的数置为0，大于等于0的数值不变。每一时刻都有这样一个卷积网络，用来提取这一时段的网络特征，输入到汇聚动态图序列的LSTM网络中。

LSTM网络结构：LSTM由循环神经网络改进而来，能够有效地解决传统循环网络的依赖问题，在文本处理、音频分析等问题中已经取得了显著的效果。本发明并不对LSTM结构做特别的改动，只将其用来做处理时序数据的工具。每一个时段是10分钟，LSTM共设置18个时段，时间跨度是3个小时。训练时，需要3个小时内18个时段的交通数据和3个小时后的十分钟时段交通是否拥堵的信息。测试时，若想预测下一个十分钟是否会发生拥堵，则需要前3个小时的交通数据。为了储存信息和控制信息的流动，经典的LSTM神经元内部共有三个门控制器：遗忘门、输入门和输出门。具体的函数分别为f_t＝σ(W_f·[h_t-1,x_t]+b_f)、i_t＝σ(W_i·[h_t-1,x_t]+b_i)和o_t＝σ(W_o·[h_t-1,x_t]+b_o)。W表示各个门控制器的权重参数，h表示当前神经元的输出，b表示各个门函数的偏置，t表示第t个时刻，f表示控制门，i表示输入门，o表示输出门，x表示门控制器里输入的向量，σ表示激活函数。中括号表示张量之间的拼接，参数和拼接后的矩阵使用点乘，结果再累加上偏置变量。

损失函数：LSTM最后一个神经元输出的向量是一个N*1的向量，表示N个路口的拥堵状况，1表示预测接下来的10分钟内这个路口会发生拥堵，0表示不会发生拥堵。注意到在计算路口实时数据时，有统计到这个路口当前时段是否发生堵塞，在训练时，可以用此项数据来做真实值计算损失函数。设真实值为y，预测值为

则损失函数为

(4)系统后端模块结构图如图5所示：

文件manage.py是Django框架自带的管理文件，是一个功能丰富的命令行工具，能够以各种方式与Django项目进行交互。下面每一个圆角矩形框表示一个功能应用，在文件目录下是一个文件夹，聚合了一类相似的功能。

templates：存储了前端的模板文件，包括html文件、css文件、javascript文件等，负责绘制前端页面和设置交互方式等；

register：实现用户注册功能，并将新注册的用户存储到用户数据库中，添加一个用户所需的数据有：用户名、密码、邮箱、电话号码、部门、工号等。用户名可以重复，但邮箱和电话不能重复，注册时会对邮箱和电话其中一个进行验证码验证，由用户来决定选择哪一种方式。

login：实现用户登录功能，用户需要输入邮箱(或电话号码、用户名)和密码进行登录，后台获取数据后与存储的用户数据库进行比对，反馈给用户登录是否成功。用户的所有重要信息，包括用户名、邮箱、电话号码、密码等，在前后端传输和后台存储过程中全部使用密文形式，保证了用户数据的隐私性。

data_read：实现数据读取功能，数据包含城市的基础数据和交通实时数据。基础数据包括道路基础数据和城市拓扑结构。道路基础数据存储为csv文件，一行表示一条道路。每一行分别为：ID(数字字符串)、中文名称(中文字符串)、长度(正整数)、平均限速(实数)、车道数量(正整数)、是否有隔离带(0或1)、每月发生的交通事故数量(非负整数)。城市拓扑结构也存储为csv文件，每一行有三个数据，分别是道路的ID(数字字符串)和两个连接的路口ID(数字字符串)。这些数据不会随着交通状况的变化而变化。此外，data_read还负责读取实时数据，实时数据包含两部分：道路和路口。道路的实时数据存储为csv文件里，文件命名格式为年份、月份、日期、小时、分钟，具体为YYYYMMDDHHMM，其中MM的可取值为“00”、“10”、“20”、“30”、“40”和“50”。数据文件表示的含义是从MM开始的10分钟时段的动态数据。每个csv文件的行数等于城市的道路数量，每一行有三个数据，分别为：道路的ID(数字字符串)、10分钟内车辆的平均速度(实数)和10分钟内通过的车辆数量(非负整数)。路口的实时数据也存储在csv文件里，文件命名格式有道路的实时数据相同，但存储在不同的文件下，避免重名。csv文件的行数等于路口的数量，每一行共有6个数据，分别数：路口的ID(数字字符串)、10分钟内通过的车辆数量(非负整数)、车辆的平均速度(实数)、车辆的平均等待时间(实数)、当前10分钟内是否有交警指挥(0或1)和当前10分钟内是否发生拥堵(0或1)。读取的数据存储在全局变量，供其他模块调取使用。在data_read功能下，只读取原始的数值，并不对数字做处理。

preprocess：负责预处理深度学习算法模块所需的数据。从data_read功能里获取所需的全部数据，包括表示路口特征的5维向量和表示道路特征的7维向量(具体见基于动态图卷积网络的深度学习算法模块)。此外，还负责对数据做归一化操作，并将处理后的数据利用python的科学计算库numpy整理成矩阵形式，用于后续的算法当中。

model：负责定义深度学习算法模型，并读取提前训练收敛的参数。模型使用python语言的pytorch库实现。pytorch是目前最通用的深度学习工具库之一，因其简洁、易学等特点被广泛适用于学术和工业领域，内置丰富的算法接口，可以快速的实现一个网络模型。模型总体框架是利用LSTM处理时序信息，神经元数量是18个，时间跨度是3个小时。每个时段下，有一个两层的卷积块来提取动态图这个时刻的特征信息，其输入是这一时段的城市交通信息。最后一个神经元的输出后接一个全连接层，将预测向量变换成1*N的一维向量，表示N个路口的预测结果，并利用sigmoid函数做数值处理。最后的预测向量，若某一维的数值大于等于0.5，则表示该路口预测为拥堵；若数值小于0.5，表示该路口预测为畅通。0.5为系统默认的阈值，在预测阶段该阈值可以由用户根据当前需求进行调整，并由前端用户输入具体数值后发送给后端。训练时将预测时刻各个路口是否拥堵的实时信息作为模型的标记信息回归训练。以此训练数据是3个小时，每个batch的大小设置为16。

predict：负责对某一具体时段的城市交通拥堵状况预测。用户输入的信息包括：具体预测的时段(形式为YYYYMMDDHHMM，其中MM的可取值为“00”、“10”、“20”、“30”、“40”和“50”，表示一个小时的六个时段)、阈值(0到1的实数)。后端接收到预测时段信息后，从preprocess模块的数据处理结果中找到需要预测的时段向前18个时段的城市交通数据，将这些信息作为测试数据，供模型进行预测。预测结果是一个向量，长度等于城市中路口的数量，每个数值是一个0到1的实数，表示拥堵的概率。利用阈值，将预测结果的每一维数值离散到0和1：概率大于阈值为1，概率小于阈值为0。离散后的向量就是最终的预测结果，再将结果转化为json字符串的形式：{路口名：0或1表示路口是否拥堵}，发送给前端。

history：历史记录数据库，利用MySql关系型数据库来实现对城市交通历史信息和用户操作历史记录的记录，共分为两大部分。①城市交通历史信息：本发明只考虑一个软件版本应用在一个城市的情况，跨城市的交通需求极少存在拥堵状况，所以城市的路口名称、道路名称和拓扑结构不会轻易发生改变，这些基础信息以文件的形式存储在服务器中，history数据库不做单独的备份存储。城市交通历史信息的索引是“YYYYMMDDHHMM”型的字符串，表示某一具体时段，其对应的键值是两个字典的集合：路口特征矩阵和道路特征矩阵。因为用户的查询需要可能并不是为了模型的预测复现，也有可能仅仅是城市交通情况的一个查阅，所以存储的数据是原始数据，并没有进行过预处理。因为城市的道路和路口往往数量众多，关系复杂，如果全部存储在数据库中会增添很多表项，所以具体某个时段的路口信息矩阵和道路信息矩阵都单独存储在文件中，数据库中的表项只存放文件的目录。为了保证数据的安全性，为数据库所索引的文件添加读写权限，只允许最高权限的账户能够对文件执行写操作，其他账户只有读权限。城市交通历史信息的存储有效期为7天，7天内用户可以进行预测结果的复现和城市交通情况的查询。②用户操作历史记录：存储用户使用系统的记录，为后续平台的更新和维护保留信息。用户预测历史记录的表中，每一个元组以账户ID和查询时间为索引，因为正常情况下不会存在同一个用户在一个时刻进行两次查询操作的情况。每一个元组包含的表项有：账户ID(字符串)、查询时间(YYYYMMDDHHMMSS字符串，时间具体到秒)、查询操作(1表示进行了城市信息的更新，2表示进行交通拥堵的预测查询)、用户所关心的某一个路口(字符串，用户不能输入，只能在系统预设的路口名称里选择)、用户关心的某一个道路(字符串，用户不能输入，只能在系统预设的道路名称里选择)。用户操作历史记录存储信息的有效期为一个月，可以获取到用户频繁查询和预测拥堵的城市区域，便于后续深度学习模型的改善以为用户提供定制化服务。

(5)前端展示界面演示图如图6所示：

图6中，展示了基于城市画像的交通拥堵状态传播预测及预警结果，地图图片截图自百度地图北京五环某地区。前端展示界面为左右两个区域：左边为导航栏，右边为具体每一项的内容。导航栏最上面显示系统的标题：城市交通拥堵预警平台。下方导航栏共有5个导航项：个人中心，显示账户具体信息，如上次登录时间、账户ID、注册邮箱、历史查询记录等信息，具体内容可根据用户实际需要确定；城市基础信息，包含城市原始地图、每条道路的限速数据、距离当前时间最近的拥堵发生地点和拥堵程度，这些信息不会实时地发生变化；城市实时信息，以列表的形式显示每条道路、每个路口当前时段(10分钟)内的通过车辆数量和通过车辆的平均速度，这些数据每隔十分钟会更新以此；拥堵预警，为用户提供城市交通拥堵预警的接口，并实时显示结果预测；退出登录，用户退出当前账户的登录。右侧是每一个导航项的具体内容，图6展示了本发明最核心的功能拥堵预警中的前端展示内容。最上面显示城市名称和用户的账户名称，下面进入了具体的预警内容。时间选择框允许用户选择预测的时间段，只允许用户选择当前时刻到3小时后时刻的时间段作为预测时段，缺失的数据由后台系统计算近10天内的平均数据获得。选择了具体的时段并点击开始预测按钮后，地图框会更新，在基础的城市地图上显示了拥堵道路和路口的标记(图6中的深色线段)。地图框右侧是四个控制按钮，从上到下分别是分享、截图、放大和缩小功能。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (2)

1.一种基于城市画像的交通拥堵状态预测和预警系统，其特征在于：所述系统包括：数据收集和处理模块、深度学习算法模块、历史记录模块、前端展示模块和网站后端模块；

数据收集和处理模块：负责城市交通数据的收集和处理；城市交通数据包括城市基础数据和城市实时数据；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度，数据收集和处理的过程利用城市基础数据和城市实时数据，构建城市画像，城市画像是基于城市数据的可视化系统，城市画像能将城市的交通状况可视化，同时利用城市基础数据和城市实时数据能够直观地呈现城市交通基础信息和动态实时信息；数据收集和处理模块还负责将城市基础数据输送给网站后端模块，将城市基础数据和城市实时数据以序列的形式输送给训练好的深度学习算法模块并根据深度学习算法模块的拥堵状态预测结果补充实时的城市画像；

深度学习算法模块：以动态图神经网络为算法核心，在城市画像构建的基础上，使用循环神经网络接收序列形式的城市基础数据和城市实时数据，对城市拥堵状态的传播进行预测；在对城市基础数据和实时数据进行整理的过程中，将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到深度学习模型中，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息，最后输出的是下一时刻各个路口发生拥堵的概率值；

历史记录模块：负责对城市交通的历史数据、拥堵情况预测历史和查询历史进行存储，其中城市交通的历史数据来自数据收集和处理模块在之前时间所处理过的城市基础和实时数据，拥堵状况预测历史来自深度学习算法模块在之前时间所预测过的城市交通拥堵状况，查询历史来自前端展示模块的用户查询记录；在用户查询城市过往交通情况的需求下，能够对城市画像进行复现；城市交通的历史数据包括数据收集和处理模块得到的城市基础数据和实时数据，既有直接通过网站前端展示的数据，也有输入给深度学习算法模块的数据；拥堵情况预测历史包括深度学习算法模块每次对城市交通拥堵情况预测的结果；查询历史包括使用者对城市交通预测情况的查询信息，即查询时间、重点查询路口和重点查询道路；城市交通历史数据和拥堵情况预测历史数据存储周期是7天，查询历史数据存储周期是1个月；

前端展示模块：对数据收集和处理模块得到的城市画像和深度学习算法模块得到的交通拥堵状态传播预测结果进行展示；该前端展示模块展示的具体内容包括城市的拓扑结构、每条道路的名字、交通拥堵传播预测结果；前端展示模块能够展示城市的基础交通信息，并能够承载拥堵状态传播预测结果的绘制和呈现；

网站后端模块：实现城市基础数据、城市实时数据、深度学习算法模块预测结果的整合、处理、深度学习模型的调用功能，负责接收数据收集和处理模块输出的城市基础数据和实时数据、深度学习算法模块输出的是下一时刻各个路口发生拥堵的概率值和历史记录模块输出的城市交通的历史数据，这些数据在经过网站后端模块的整合后将输送给前端模块；此外，网站后端模块还具有网站的基础功能，所述基础功能包括用户注册和登录功能、安全性保障、数据备份和恢复功能；对于城市交通状况的每次预测，网站后端模块还设有连接历史记录模块的接口，能够快速的读写历史记录模块中的数据库，更好的备份数据；

所述深度学习算法模块的具体结构及实现如下：

(1)深度学习算法模块的输入是动态图，即一组带有边权和点权的无向图，每个无向图表示每个时刻的城市交通信息，按照时间顺序组织成一个序列，无向图中的边和点分别由城市中的道路和路口抽象而成，边权向量和点权向量分别表示这一时刻道路和路口的交通特征信息；

(2)利用图卷积网络来提取每一时刻的交通特征，I_N为维度为N的单位矩阵，A表示无向图的邻接矩阵，A_ij等于1表示无向图中第i个节点和第j个节点之间有边连接，令

令

表示图的度数矩阵，设l表示层数，提取每个时刻交通特征的图卷积网络公式为

式中，W^l表示第l层的权重参数，H^l表示第l层的隐藏层变量，第0层的值等于初始的点权信息，Z表示图的边权信息，σ表示ReLU函数，即小于0的数置为0，大于等于0的数值不变，

表示对边权和点权特征提取的函数；每一时刻都有这样一个图卷积网络，用来提取这一时刻的无向图的特征，输入到处理无向图图序列的循环神经网络中；

(3)利用循环神经网络处理多个无向图组成的时序序列，所述的循环神经网络为长短期记忆网络，经过图卷积网络处理后，每一时刻的交通信息都转化为了一个特征矩阵，为每一时刻建立一个神经元，以接收交通信息的输入；多个神经元能够接收之前多个时刻的交通时序特征序列，并最后输出下一时刻各个路口发生拥堵的概率值。

2.一种基于权利要求1所述的基于城市画像的交通拥堵状态预测和预警系统的方法，其特征在于，包括以下步骤：

(1)统计城市的整体交通数据信息作为原始数据，包括固定的交通数据和实时的交通数据；整体交通数据信息包括固定的交通数据和实时的交通数据；固定的交通数据包括道路和路口名称、道路拓扑、限速；实时的交通数据包括各个时段内通过某一路口车辆的数量、速度、道路有没有发生拥堵；

(2)对数据进行整理，从原始数据中进行交通特征抽取，抽取后的数据以向量的形式来表示某一路口和道路的固定或实时信息，划分供深度学习模型学习的训练集，同时将全部数据整理成深度学习模型可读取进行测试的形式存储在服务器中；

(3)利用基于图卷积网络的深度学习模型，以城市基础数据和城市实时数据为基础，将城市交通中的道路抽象为无向图中的边，将路口抽象为无向图中的点，将道路和路口的路况信息分别整理成边权和点权，输入到动态图的深度学习模型中；深度学习模型用循环神经网络处理多个时刻的时序信息，在每一时刻使用图的卷积神经网络来进一步提取这一时刻的城市交通特征；深度学习模型经过对多个时刻交通信息的卷积后，能够对下一时刻城市交通拥堵状态传播进行预测，输出下一时刻各个路口发生拥堵的概率值，并对拥堵区域汇报预警信息；深度学习模型在训练集上进行训练，同时为了降低在训练集上过拟合的影响，设计验证集进行测试；

(4)将训练好的深度学习模型部署到网站后端，并提供数据传输接口、调用接口和测试数据保存接口；

(5)网站后端接到前端的请求后，解析出需要预测的是哪一时段的交通状况，向前读取设定的时间段内的交通情况，将这些数据作为测试数据，输入到训练好的深度学习模型中进行预测；

(6)预测结果是交通网络中各个路口的拥堵概率，将结果以字符串的形式发送给前端；

(7)前端根据用户给定的阈值，将预测可能拥堵的路口渲染到前端展示的城市交通地图中，交通管理部门借此制定交通疏通措施，普通用户也能够根据预测结果调整个人出行计划。

Images