CN111815098A - 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 - Google Patents
基于极端天气的交通信息处理方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN111815098A CN111815098A CN201911267745.3A CN201911267745A CN111815098A CN 111815098 A CN111815098 A CN 111815098A CN 201911267745 A CN201911267745 A CN 201911267745A CN 111815098 A CN111815098 A CN 111815098A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- traffic flow
- data set
- flow data
- 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.)
- Pending
Links
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000010365 information processing Effects 0.000 title claims abstract description 13
- 238000011084 recovery Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000010801 machine learning Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 8
- 238000002360 preparation method Methods 0.000 abstract description 6
- 238000001556 precipitation Methods 0.000 description 27
- 238000005516 engineering process Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000011160 research Methods 0.000 description 11
- 241000282414 Homo sapiens Species 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004043 responsiveness Effects 0.000 description 3
- 238000013179 statistical model Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003442 weekly effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
Abstract
本公开实施例公开一种基于极端天气的交通信息处理方法、装置、存储介质和电子设备,该方法包括获取预定区域的气象数据集合和交通流数据集合;将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;基于所述预定时间的交通流数据确定交通恢复能力。本公开能够有效利用海量的气象数据、出行数据、交通数据等对深度序列模型进行优化,并通过该深度序列模型模拟和预测发生极端天气后的交通网络状况以及交通网络的恢复性能,为城市交通管理部门在极端天气导致的灾害发生前、发生中和发生后掌握城市交通网络的具体状况和变化趋势,并能够建立更为有效地应急准备、响应和处理的预案。
Description
技术领域
本公开涉及交通信息处理的技术领域,特别涉及一种基于极端天气的交通信息处理方法、装置、存储介质和电子设备。
背景技术
城市交通管理部门和例如共享车辆的运营部门希望能够提前了解所在城市在极端天气导致的灾前、灾中和灾后的城市道路交通运行情况,继而在极端天气来临前做出更为合适的车辆、人员、路口信号灯调配方案。现有技术中的相关技术多采用基于网络拓扑结构和仿真的方法进行,数学复杂度较高,在工程实际中存在困难。近年来,逐渐开始出现基于数据驱动方法对交通网络在极端天气下的性能表现进行评估和预测的技术,但方法主要集中在常规统计模型方面,如logistics regression等,基于现实数据和机器学习模型对该方向进行研究的技术还较少。
在某地区发生极端天气的过程中,很多研究基于网络和优化的方法对城市道路交通网络的恢复能力进行了建模分析,但这类研究一般都包含研究者主观的建模侧重和针对某些确定网络节点攻击的假设,存在一些建模上的人为判断和对系统影响类型上(如恐怖袭击等)的限制。极端天气对于城市道路交通网络的干扰较为随机而且影响因素很多,网络和优化的方法对于这类研究问题并不是特别适用。
针对这种情况,近些年来一些研究尝试使用大数据的方法来评估城市道路交通网络遇到极端天气的恢复能力,从而能覆盖更多对系统的影响类型,例如可以针对不同的极端天气种类,同时也减少了研究结论中一些人择要素的影响,更为全面和客观。这一类研究使用交通大数据(例如公交出行数据和出租车轨迹数据等)的统计建模方法来估计某个城市在某个极端天气事件下的交通恢复能力的时空变化情况,获取了关于恢复能力的一些定量的时空分布规律。但是,这类研究依旧存在一些局限,例如由于极端天气参数和交通参数间并非直接相关,这种复杂非线性关系的建模如果采用一般统计模型的平滑曲线拟合往往效果较差,这导致基于常规统计模型(如Logistics Regression)的恢复能力研究往往仅能对单一城市和单一极端天气事件下交通恢复能力进行案例分析,研究方法和结论的通用性较为局限。
因此,基于现有的网络和统计的研究视角,往往难以对不同的影响类型和大样本恢复能力事件进行分析,也难以对不同类型极端天气下的城市道路交通网络恢复能力特性得到一般性的和规律性的结论,造成准确率低下。
发明内容
有鉴于此,本公开实施例提出了一种基于极端天气的交通信息处理方法、装置、存储介质和电子设备,用以解决现有技术中现在的上述无法针对不同类型极端天气下的城市道路交通网络恢复性能获得规律性结果的问题。
一方面,本公开实施例提出一种基于极端天气的交通信息处理方法,包括以下步骤获取预定区域的气象数据集合和交通流数据集合;将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;基于所述预定时间的交通流数据确定交通恢复能力。
在一些实施例中,所述获取预定区域的气象数据集合和交通流数据集合,包括:获取所述预定区域的气象历史数据和交通流历史数据;对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
在一些实施例中,所述机器学习模型为基于注意力机制的深度序列模型,所述将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据,包括:确定基于所述路段的模型数据格式;通过所述基于注意力机制的深度序列模型,确定预定时间的交通流数据。
在一些实施例中,所述基于所述预定时间的交通流数据确定交通恢复能力,包括:确定基准交通性能和交通恢复指标;基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
在一些实施例中,所述基于所述预定时间的交通流数据确定交通恢复能力,还包括以下其中之一:基于所述交通恢复指标的计算结果为每个路段生成等级标签;通过评价指标对所述交通恢复性能指标的准确度进行判断;通过地理信息系统软件对所述交通恢复性能指标在时间和空间上的预测表现进行评估。
另一方面,本公开实施例提出一种基于极端天气的交通信息处理装置,包括:获取模块,其用于获取预定区域的气象数据集合和交通流数据集合;第一确定模块,其用于将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;第二确定模块,其用于基于所述预定时间的交通流数据确定交通恢复能力。
在一些实施例中,所述获取模块包括:第一获取单元,其用于获取所述预定区域的气象历史数据和交通流历史数据;第二获取单元,其用于对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
在一些实施例中,所述机器学习模型为基于注意力机制的深度序列模型,所述第一确定模块包括:第一确定单元,其用于确定基于所述路段的模型数据格式;第二确定单元,其用于通过所述基于注意力机制的深度序列模型,确定预定时间的交通流数据。
在一些实施例中,所述第二确定模块包括:第三确定单元,其用于确定基准交通性能和交通恢复指标;第三获取单元,其用于基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
在一些实施例中,所述第二确定模块还包括以下其中之一:生成单元,其用于基于所述交通恢复指标的计算结果为每个路段生成等级标签;判断单元,其用于通过评价指标对所述交通恢复性能指标的准确度进行判断;评估单元,其用于通过地理信息系统软件对交通恢复性能指标在时间和空间上的预测表现进行评估。
另一方面,本公开实施例提出一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
另一方面,本公开实施例提出一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述方法的步骤。
本公开能够为预定区域内的每个路段匹配气象数据和交通流数据,通过构造深度序列模型对预定区域的交通网络中所有路段的交通流速度进行整体预测,同时构造基于交通性能损失的交通恢复性能指标的捕捉算法,在交通流速度的预测中通过交通恢复性能指标的捕捉算法,获得交通恢复性能的预测结果,还能针对交通恢复性能指标在不同极端天气下以及不同地理位置的预测精准度进行评价。本公开能够有效利用海量的气象数据、出行数据、交通数据等对深度序列模型进行优化,并通过该深度序列模型模拟和预测发生极端天气后的交通网络状况以及交通网络的恢复性能,为城市交通管理部门在极端天气或者灾害发生前、发生中和发生后掌握城市交通网络的具体状况和变化趋势,并能够简历更为有效地应急准备、响应和处理的预案。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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公开中记载的一些实施例,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为本公开第一实施例提供的处理方法的流程图;
图2为本公开第一实施例提供的处理方法的流程图;
图3为本公开第一实施例提供的处理方法的流程图;
图4为本公开第一实施例提供的处理方法的流程图;
图5为本公开第二实施例提供的处理装置的结构框图;
图6为本公开第四实施例提供的电子设备的结构框图。
附图标记:
10-获取模块;20-第一确定模块;30-第二确定模块。
具体实施方式
为了使得本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外定义,本公开使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
为了保持本公开实施例的以下说明清楚且简明,本公开省略了已知功能和已知部件的详细说明。
本公开的第一方面提供一种极端天气的交通信息处理方法,该方法是基于极端天气的交通性能的信息处理,能够基于大数据的对极端天气发生后的交通性能的恢复能力进行预测,为城市在面对极端天气时的应急疏散、救援、调度提供有力的定量决策辅助依据,如图1所示,具体包括以下步骤:
S101,获取预定区域的气象数据集合和交通流数据集合。
在本步骤中,为了能够对未来预定时间范围内的预定区域发生极端天气的交通网络情况以及交通性能的恢复能力进行准确地预测,首先,需要通过关于获取气象情况和交通网络情况的大数据的方式获取该预定区域在过去一定时间范围内的历史数据,这里的预定区域可以根据实际的需求划定,这里的历史数据至少包括与气象等有关的历史数据以及与道路交通网络有关的历史数据,这里的过去一定时间可以根据需求确定,例如可以是过去12个月的气象数据和交通流数据,如图2所示,在一些实施例中,具体包括以下步骤:
S201,获取所述预定区域的气象历史数据和交通流历史数据。
在本步骤中,当需要基于气象因素针对该预定区域进行交通网络情况的判断和预测时,首先,需要获取该预定区域的气象历史数据和交通流历史数据,例如,可以是获取该预定区域在一定时间范围内的气象网格数据以及一定时间范围内的交通流历史数据。
具体地,在获取气象历史数据的过程中,可以基于气象局的WRF模型(WeatherResearch and Forcasting Model)获取相应的气象数据,气象数据可以是温度、气压、降水等各种表示气象条件的数据,通过采用该模型仅需要根据该预定地区的位置参数和对于气象参数的使用需求生成指定的地理范围并基于该地理范围确定具有预定网格密度的气象网格数据,例如可以在Linux环境下将气象监测站的历史数据结合气象物理化学模型生成气象网格数据,当然通过这个模型也可以进行对未来6-72小时的未来气象网格数据的预测。
在获取交通流历史数据的过程中,首先,确定该预定区域范围内的实际道路信息,该道路信息可以基于路段的形式表示,以便于准确确定预定区域或者预定区域的交通网络覆盖的范围,从而通过路段的交通流信息反映预定区域的交通网络状况,具体地,将预定区域按照路段进行划分,其中,可以将两个信号灯之间的道路(link)确定为一个路段,并基于该路段的实际情况确定路段的编码或者ID以及道路级别,这里的路段可以包括各种不同道路级别的道路,例如高速路、都市高速路、国道、省道等。例如针对某地区获取1379个不同级别的道路,其中,包含34个高速路(Level 00),8个都市高速路(Level 01),116个国道(Level 02),521个省道(Level 03),700个县道(Level 04)。进一步地,基于每个路段的ID和道路级别,获取每个路段ID的按照日期记录的平均交通流速度hourly speed(m/s)。
S202,对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
通过步骤S201获取大量的气象历史数据和交通流历史数据后,在本步骤中,对这些历史的基础性数据进行初步整理和分析,对所述气象历史数据和交通流历史数据进行特征提取。首先,为了准确获取预定区域的气象和交通流信息,首先提取每项数据中的路段ID特征,将预定区域的道路交通网络中的所有路段ID按照ID或者道路等级排序,得到基于路段ID的数据集合。
进一步地,可以将表征为气象因素或者天气状况的温度、气压等作为气象特征参数,可以将表征为道路交通网络状况的交通流速度作为交通流特征参数进行提取,例如,在一个实施方式中,确定温度(Temperature),气压(Pressure),降水(Precipitation),湿度(Humidity),风向(Wind_direction),风速(Wind_speed),交通流速度(Traffic_speed)为特征参数对气象历史数据和交通流历史数据进行特征提取,并按照温度、气压、降水、湿度、风向、风速以及交通流速度等特征输入字段进行分日期甚至分小时的数据分类以及整理。
最后,将基于路段ID的数据集中的数据与经过提取的气象和交通流数据进行分别匹配,例如,针对交通流历史数据,按照每周或者每天的形式整理成单独的基于路段ID的交通流数据集合;针对气象历史数据,按就近原则将气象数据赋值到交通路网的路段上,将通过WRF模型获取的气象历史数据中确定的气象特征参数,例如,将气象历史数据基于周一、周二、……、周日等整理成单独的基于路段的气象数据集合,从而最终获取预定区域的基于路段ID的气象数据集合和交通流数据集合。
S102,将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据。
通过步骤S101,获取预定区域的气象数据集合和交通流数据集合,为了便于通过机器学习模型对未来的交通流数据进行模拟和预测,需要将这些数据集合中的数据按照一定格式作为机器学习模型的输入数据,并将例如未来预定时间范围的交通流数据作为输出数据,这里的机器学习模型是深度序列模型,从而通过深度序列模型以实现对发生极端天气后的道路交通网络情况进行模拟和预测,具体地,在一些实施例中,所述机器学习模型为基于注意力机制的深度序列模型,如图3所示,包括以下步骤:
S301,确定基于所述路段的模型数据格式。
在本步骤中,基于获取的气象数据集合和交通流数据集合,根据深度序列模型的预先设定的输入数据形式构造模型输入数据格式。具体地,将交通流数据集合中的交通流速度数据、气象数据集合中的气象特征数据和等按照一定顺序构造为基于路段ID的输入数据格式即Input Sequence,形式为(Days*ID,Steps*Features);将需要预测的未来n小时的交通流速度作为基于路段ID的输出数据格式即Output Sequence,形式为(Days*ID,Steps);最后将输入数据格式Input Sequence和输出数据格式Output Sequence拼接起来,形式为(Days*ID,Steps*(Input Features+Output Features))。
进一步地,在步骤301之前,还可以将气象数据集合和交通流数据集合中的气象数据和交通流数据进行归一化处理,具体地,例如将输入数据的(Days*ID,Steps*Features)数据变为(Days,Steps,ID*Features),从而对数据进行归一化处理(Normalization),以便于深度序列模型更好地对数据进行处理。
S302,通过基于注意力机制的深度序列模型,确定预定时间的交通流数据。
在本步骤中,采用基于注意力机制的深度序列模型Attention-based Seq2SeqModel对未来预定时间的交通网络速度进行预测。注意力机制从字面意思来看和人类的注意力机制类似。人类通过快速扫描全局文本,获得需要重点关注的区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。这一机制的存在,极大提高了人类从大量的信息中筛选出高价值信息的手段,是人类在长期进化中形成的一种生存机制。深度学习中的注意力机制从本质上讲和人类的选择性机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息。目前注意力机制已经被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中,是深度学习技术中最值得关注与深入了解的核心技术之一。当今主流的序列变换模型都是基于编码器和解码器架构,编解器架构的背后又是依赖于复杂的递归神经网络(RNN)或者卷积神经网络(CNN)。为了获得更好的表现,在编解码器架构的基础上,进一步添加注意力机制。
具体地,这里采用的基于注意力机制的深度序列模型采用深度BidirectionalLSTM(BiLSTM)作为编码器,采用深度Gated Recurrent Units(GRU)作为解码器,构建注意力向量(attention vector)。从模型的结构上,编码器和解码器分别包含3层神经网络,每层神经网络包含1379个隐藏节点,采用Soft Sign作为激活函数,通过采用01.5比率的Dropout技术降低过拟合情况。
进一步地,在对注意力机制的深度序列模型的训练中,采用Mean Squared Error作为损失函数,采用RMSprop作为优化器,其中训练Batch Size为64,Epoch为400,并在训练过程中采用Early Stopping技术以获取最佳训练效果。结构示意图如图2所示。通过采用基于注意力机制的深度序列模型,确定预定时间的交通流数据,从而对未来预定时间的交通网络情况进行精确度评估。
S103,基于所述预定时间的交通流数据确定交通恢复能力。
通过步骤S102,通过深度序列模型确定预定时间的交通流数据后,需要对发生极端天气后的交通网络恢复性能进行预测和评估。如图4所示,在一些实施例中,通过以下步骤实现:
S401,确定基准交通性能和交通恢复指标。
在本步骤中,首先,需要确定基准交通性能,例如在气象数据集合和交通流数据集合中查找没有任何极端天气,例如没有降水的日期,同时获取在这些日期预定区域内每个道路ID在没有降水的日期的车辆速度数据,还可以计算每星期的车辆均值速度,例如周一,周二,周三,周四,周五,周六,周日的车辆均值速度,还可以使用当日的车辆均值速度作为每星期的均值速度,从而作为基准交通性能,例如定义m′0,m′2为t′0,t′2时刻的基准交通流速度,具体通过以下方式实现:
在本步骤中,交通恢复性能通过交通恢复指标进行表示,在本实施例中确定5个用于评价交通恢复性能的交通恢复指标,包括交通网络性能损失Loss of Resilience(LoR)指标、响应时间Response Time(RST)指标、恢复时间Recovery Time(RCT)指标、响应速率Response Rate(RSR)指标以及恢复速率Recovery Rate(RCR)指标。
具体地,性能损失Loss of Resilience(LoR)是指交通网络性能损失,表示为当出现极端天气,例如强降水的天气后一定时间范围内的速度的围成面积与日常速度的围成面积的差,单位为米(m);响应时间Response Time(RST)/恢复时间Recovery Time(RCT)是指交通网络面对极端天气时,交通网络性能从正常值衰减到最低值的时间和从最低值恢复为正常值的时间,单位为小时(hour);响应速率Response Rate(RSR)/恢复速率RecoveryRate(RCR)是指交通网络面对极端天气时,交通网络性能从正常值衰减到最低值的速率和从最低值恢复为正常值的速率,单位为每二次方秒每米(m/s2)。
具体地,上述交通恢复指标的确定或者计算方式如下:
RST=t′1-t′0 (2)
RCT=t′2-t′1 (4)
以极端天气为降水为例,上述的公式中的参数释义如下:
第一类参数是关于极端天气时间的时间点,以降水事件的关键时间点为例,其中t0是降水开始时间;t1是峰值降水的时间;t2是降水结束时间;T是t0和t2之间的降水事件观察窗口期。
第二类参数是关于交通速度曲线的关键点,其中,m0是t0时刻的速度值;t′0与t0相同;m1是观察窗口期T内的交通网络的最低速度值;t′1是捕获m1的时间;m2通过以下方式确定,在时段(t′1,t′1+3)内,恢复的交通网络的速度值应该等于m0,如果在该时段内的交通网络的最高速度值仍然小于m0,则选择该最高速度作为m2的值;t′2是捕获并确认m2的时间。
在计算交通恢复指标的过程通过以下方式实现:
S402,基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
当通过步骤S301,确定基准交通性能、交通恢复指标以及交通恢复指标的计算方式后,就能够将与气象和交通流相关的数据代入到计算方式中,从而获取基于路段的所述预定区域的交通恢复性能。
在基于所述交通恢复指标,获取所述预定区域的交通恢复性能之后,还可以基于交通恢复指标的计算结果为每个路段ID生成等级标签,例如恢复时间Recovery Time(RCT)指标低于第一阈值的,可以被认为是能够快速恢复交通状况的路段,恢复时间RecoveryTime(RCT)指标高于第二阈值的,可以被认为是需要缓慢恢复交通状况的路段,这样,从而为不同的路段生成不同恢复时间的等级标签,当然还可以通过换算形成降水等级标签、降水量标签等级标签等,本实施例在此不做限定。
此外,在基于所述交通恢复指标,获取所述预定区域的交通恢复性能之后,还可以按照日期和路段ID对于交通恢复性能指标的准确度进行判断,具体通过MSE,RMSE,MAE、R-Squared等评价指标对于深度序列模型中的回归算法进行评价。
最后,在基于所述交通恢复指标,获取所述预定区域的交通恢复性能之后,还可以结合现有技术中ESRI,Intergraph和MapInfo等开发的地理信息系统软件(GIS)对交通恢复性能指标在时间和空间上的预测表现进行评估。
本公开能够为预定区域内的每个路段匹配气象数据和交通流数据,通过构造深度序列模型对预定区域的交通网络中所有路段的交通流速度进行整体预测,同时构造基于交通性能损失的交通恢复性能指标的捕捉算法,在交通流速度的预测中通过交通恢复性能指标的捕捉算法,获得交通恢复性能的预测结果,还能针对交通恢复性能指标在不同极端天气下以及不同地理位置的预测精准度进行评价。本公开能够有效利用海量的气象数据、出行数据、交通数据等对深度序列模型进行优化,并通过该深度序列模型模拟和预测发生极端天气后的交通网络状况以及交通网络的恢复性能,为城市交通管理部门在极端天气或者灾害发生前、发生中和发生后掌握城市交通网络的具体状况和变化趋势,并能够简历更为有效地应急准备、响应和处理的预案。
本公开第二方面提供一种极端天气的交通信息处理装置,参见图5所示,包括获取模块10、第一确定模块20以及第二确定模块30,上述模块相互耦合,其中:
获取模块10,其用于获取预定区域的气象数据集合和交通流数据集合。
通过获取模块10,为了能够对未来预定时间范围内的预定区域发生极端天气的交通网络情况以及交通性能的恢复能力进行准确地预测,首先,需要通过关于获取气象情况和交通网络情况的大数据的方式获取该预定区域在过去一定时间范围内的历史数据,这里的预定区域可以根据实际的需求划定,这里的历史数据至少包括与气象等有关的历史数据以及与道路交通网络有关的历史数据,这里的过去一定时间可以根据需求确定,例如可以是过去12个月的气象数据和交通流数据,如图2所示,在一些实施例中,具体包括以下部分:
第一获取单元,其用于获取所述预定区域的气象历史数据和交通流历史数据。
通过第一获取单元,当需要基于气象因素针对该预定区域进行交通网络情况的判断和预测时,首先,需要获取该预定区域的气象历史数据和交通流历史数据,例如,可以是获取该预定区域在一定时间范围内的气象网格数据以及一定时间范围内的交通流历史数据。
具体地,在获取气象历史数据的过程中,可以基于气象局的WRF模型(WeatherResearch and Forcasting Model)获取相应的气象数据,气象数据可以是温度、气压、降水等各种表示气象条件的数据,通过采用该模型仅需要根据该预定地区的位置参数和对于气象参数的使用需求生成指定的地理范围并基于该地理范围确定具有预定网格密度的气象网格数据,例如可以在Linux环境下将气象监测站的历史数据结合气象物理化学模型生成气象网格数据,当然通过这个模型也可以进行对未来6-72小时的未来气象网格数据的预测。
在获取交通流历史数据的过程中,首先,确定该预定区域范围内的实际道路信息,该道路信息可以基于路段的形式表示,以便于准确确定预定区域或者预定区域的交通网络覆盖的范围,从而通过路段的交通流信息反映预定区域的交通网络状况,具体地,将预定区域按照路段进行划分,其中,可以将两个信号灯之间的道路(link)确定为一个路段,并基于该路段的实际情况确定路段的编码或者ID以及道路级别,这里的路段可以包括各种不同道路级别的道路,例如高速路、都市高速路、国道、省道等。例如针对某地区获取1379个不同级别的道路,其中,包含34个高速路(Level 00),8个都市高速路(Level 01),116个国道(Level 02),521个省道(Level 03),700个县道(Level 04)。进一步地,基于每个路段的ID和道路级别,获取每个路段ID的按照日期记录的平均交通流速度hourly speed(m/s)。
第二获取单元,其用于对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
通过第一获取单元获取大量的气象历史数据和交通流历史数据后,通过第二获取单元,对这些历史的基础性数据进行初步整理和分析,对所述气象历史数据和交通流历史数据进行特征提取。首先,为了准确获取预定区域的气象和交通流信息,首先提取每项数据中的路段ID特征,将预定区域的道路交通网络中的所有路段ID按照ID或者道路等级排序,得到基于路段ID的数据集合。
进一步地,可以将表征为气象因素或者天气状况的温度、气压等作为气象特征参数,可以将表征为道路交通网络状况的交通流速度作为交通流特征参数进行提取,例如,在一个实施方式中,确定温度(Temperature),气压(Pressure),降水(Precipitation),湿度(Humidity),风向(Wind_direction),风速(Wind_speed),交通流速度(Traffic_speed)为特征参数对气象历史数据和交通流历史数据进行特征提取,并按照温度、气压、降水、湿度、风向、风速以及交通流速度等特征输入字段进行分日期甚至分小时的数据分类以及整理。
最后,将基于路段ID的数据集中的数据与经过提取的气象和交通流数据进行分别匹配,例如,针对交通流历史数据,按照每周或者每天的形式整理成单独的基于路段ID的交通流数据集合;针对气象历史数据,按就近原则将气象数据赋值到交通路网的路段上,将通过WRF模型获取的气象历史数据中确定的气象特征参数,例如,将气象历史数据基于周一、周二、……、周日等整理成单独的基于路段的气象数据集合,从而最终获取预定区域的基于路段ID的气象数据集合和交通流数据集合。
第一确定模块20,其用于将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据。
通过获取模块10,获取预定区域的气象数据集合和交通流数据集合,为了便于通过机器学习模型对未来的交通流数据进行模拟和预测,需要将这些数据集合中的数据按照一定格式作为机器学习模型的输入数据,并将例如未来预定时间范围的交通流数据作为输出数据,这里的机器学习模型是深度序列模型,从而通过深度序列模型以实现对发生极端天气后的道路交通网络情况进行模拟和预测,具体地,在一些实施例中,所述机器学习模型为基于注意力机制的深度序列模型,包括以下部分:
第一确定单元,其用于确定基于所述路段的模型数据格式。
通过第一确定单元,基于获取的气象数据集合和交通流数据集合,根据深度序列模型的预先设定的输入数据形式构造模型输入数据格式。具体地,将交通流数据集合中的交通流速度数据、气象数据集合中的气象特征数据和等按照一定顺序构造为基于路段ID的输入数据格式即Input Sequence,形式为(Days*ID,Steps*Features);将需要预测的未来n小时的交通流速度作为基于路段ID的输出数据格式即Output Sequence,形式为(Days*ID,Steps);最后将输入数据格式Input Sequence和输出数据格式Output Sequence拼接起来,形式为(Days*ID,Steps*(Input Features+Output Features))。
进一步地,第一确定单元还能用于将气象数据集合和交通流数据集合中的气象数据和交通流数据进行归一化处理,具体地,例如将输入数据的(Days*ID,Steps*Features)数据变为(Days,Steps,ID*Features),从而对数据进行归一化处理(Normalization),以便于深度序列模型更好地对数据进行处理。
第二确定单元,其用于通过基于注意力机制的深度序列模型,确定预定时间的交通流数据。
通过第二确定单元,采用基于注意力机制的深度序列模型Attention-basedSeq2Seq Model对未来预定时间的交通网络速度进行预测。注意力机制从字面意思来看和人类的注意力机制类似。人类通过快速扫描全局文本,获得需要重点关注的区域,也就是一般所说的注意力焦点,而后对这一区域投入更多注意力资源,以获取更多所需要关注目标的细节信息,而抑制其他无用信息。这一机制的存在,极大提高了人类从大量的信息中筛选出高价值信息的手段,是人类在长期进化中形成的一种生存机制。深度学习中的注意力机制从本质上讲和人类的选择性机制类似,核心目标也是从众多信息中选择出对当前任务目标更关键的信息。目前注意力机制已经被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中,是深度学习技术中最值得关注与深入了解的核心技术之一。当今主流的序列变换模型都是基于编码器和解码器架构,编解器架构的背后又是依赖于复杂的递归神经网络(RNN)或者卷积神经网络(CNN)。为了获得更好的表现,在编解码器架构的基础上,进一步添加注意力机制。
具体地,这里采用的基于注意力机制的深度序列模型采用深度BidirectionalLSTM(BiLSTM)作为编码器,采用深度Gated Recurrent Units(GRU)作为解码器,构建注意力向量(attention vector)。从模型的结构上,编码器和解码器分别包含3层神经网络,每层神经网络包含1379个隐藏节点,采用Soft Sign作为激活函数,通过采用01.5比率的Dropout技术降低过拟合情况。
进一步地,在对注意力机制的深度序列模型的训练中,采用Mean Squared Error作为损失函数,采用RMSprop作为优化器,其中训练Batch Size为64,Epoch为400,并在训练过程中采用Early Stopping技术以获取最佳训练效果。结构示意图如图2所示。通过采用基于注意力机制的深度序列模型,确定预定时间的交通流数据,从而对未来预定时间的交通网络情况进行精确度评估。
第二确定模块30,其用于基于所述预定时间的交通流数据确定交通恢复能力。
通过第一确定单元30,通过深度序列模型确定预定时间的交通流数据后,需要对发生极端天气后的交通网络恢复性能进行预测和评估。如图所示,在一些实施例中,包括以下部分:
第三确定单元,其用于确定基准交通性能和交通恢复指标。
通过第三确定单元,首先,需要确定基准交通性能,例如在气象数据集合和交通流数据集合中查找没有任何极端天气,例如没有降水的日期,同时获取在这些日期预定区域内每个道路ID在没有降水的日期的车辆速度数据,还可以计算每星期的车辆均值速度,例如周一,周二,周三,周四,周五,周六,周日的车辆均值速度,还可以使用当日的车辆均值速度作为每星期的均值速度,从而作为基准交通性能,例如定义m′0,m′2为t′0,t′2时刻的基准交通流速度,具体通过以下方式实现:
通过第三确定单元,交通恢复性能通过交通恢复指标进行表示,在本实施例中确定5个用于评价交通恢复性能的交通恢复指标,包括交通网络性能损失Loss ofResilience(LoR)指标、响应时间Response Time(RST)指标、恢复时间Recovery Time(RCT)指标、响应速率Response Rate(RSR)指标以及恢复速率Recovery Rate(RCR)指标。
具体地,性能损失Loss of Resilience(LoR)是指交通网络性能损失,表示为当出现极端天气,例如强降水的天气后一定时间范围内的速度的围成面积与日常速度的围成面积的差,单位为米(m);响应时间Response Time(RST)/恢复时间Recovery Time(RCT)是指交通网络面对极端天气时,交通网络性能从正常值衰减到最低值的时间和从最低值恢复为正常值的时间,单位为小时(hour);响应速率Response Rate(RSR)/恢复速率RecoveryRate(RCR)是指交通网络面对极端天气时,交通网络性能从正常值衰减到最低值的速率和从最低值恢复为正常值的速率,单位为每二次方秒每米(m/s2)。
具体地,上述交通恢复指标的确定或者计算方式如下:
RST=t′1-t′0 (2)
RCT=t′2-t′1 (4)
以极端天气为降水为例,上述的公式中的参数释义如下:
第一类参数是关于极端天气时间的时间点,以降水事件的关键时间点为例,其中t0是降水开始时间;t1是峰值降水的时间;t2是降水结束时间;T是t0和t2之间的降水事件观察窗口期。
第二类参数是关于交通速度曲线的关键点,其中,m0是t0时刻的速度值;t′0与t0相同;m1是观察窗口期T内的交通网络的最低速度值;t′1是捕获m1的时间;m2通过以下方式确定,在时段(t′1,t′1+3)内,恢复的交通网络的速度值应该等于m0,如果在该时段内的交通网络的最高速度值仍然小于m0,则选择该最高速度作为m2的值;t′2是捕获并确认m2的时间。
在计算交通恢复指标的过程通过以下方式实现:
第三获取单元,其用于基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
当通过第三确定单元,确定基准交通性能和交通恢复指标后,就能够获取基于路段的所述预定区域的交通恢复性能
此外,第二确定模块30还包括生成单元,其用于基于交通恢复指标的计算结果为每个路段ID生成等级标签,例如恢复时间Recovery Time(RCT)指标低于第一阈值的,可以被认为是能够快速恢复交通状况的路段,恢复时间Recovery Time(RCT)指标高于第二阈值的,可以被认为是需要缓慢恢复交通状况的路段,这样,从而为不同的路段生成不同恢复时间的等级标签,当然还可以通过换算形成降水等级标签、降水量标签等级标签等,本实施例在此不做限定。
此外,还可以包括判断单元,其用于按照日期和路段ID对于交通恢复性能指标的准确度进行判断,具体通过MSE,RMSE,MAE、R-Squared等评价指标对于深度序列模型中的回归算法进行评价。
最后,还包括评估单元,其用于结合现有技术中ESRI,Intergraph和MapInfo等开发的地理信息系统软件(GIS)对交通恢复性能指标在时间和空间上的预测表现进行评估。
本公开能够为预定区域内的每个路段匹配气象数据和交通流数据,通过构造深度序列模型对预定区域的交通网络中所有路段的交通流速度进行整体预测,同时构造基于交通性能损失的交通恢复性能指标的捕捉算法,在交通流速度的预测中通过交通恢复性能指标的捕捉算法,获得交通恢复性能的预测结果,还能针对交通恢复性能指标在不同极端天气下以及不同地理位置的预测精准度进行评价。本公开能够有效利用海量的气象数据、出行数据、交通数据等对深度序列模型进行优化,并通过该深度序列模型模拟和预测发生极端天气后的交通网络状况以及交通网络的恢复性能,为城市交通管理部门在极端天气或者灾害发生前、发生中和发生后掌握城市交通网络的具体状况和变化趋势,并能够简历更为有效地应急准备、响应和处理的预案。
本公开第三方面提供了一种存储介质,该存储介质为计算机可读介质,存储有计算机程序,该计算机程序被处理器执行时实现本公开任意实施例提供的方法,包括如下步骤S11至S13:
S11,获取预定区域的气象数据集合和交通流数据集合;
S12,将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;
S13,基于所述预定时间的交通流数据确定交通恢复能力。
计算机程序被处理器执行获取预定区域的气象数据集合和交通流数据集合时,具体被处理器执行如下步骤:获取所述预定区域的气象历史数据和交通流历史数据;对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
计算机程序被处理器执行通过深度序列模型,确定预定时间的交通流数据时,所述机器学习模型为基于注意力机制的深度序列模型,具体被处理器执行如下步骤:确定基于所述路段的模型数据格式;通过基于注意力机制的深度序列模型,确定预定时间的交通流数据。
计算机程序被处理器执行基于所述预定时间的交通流数据确定交通恢复能力时,具体被处理器执行如下步骤:确定基准交通性能和交通恢复指标;基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
本公开能够为预定区域内的每个路段匹配气象数据和交通流数据,通过构造深度序列模型对预定区域的交通网络中所有路段的交通流速度进行整体预测,同时构造基于交通性能损失的交通恢复性能指标的捕捉算法,在交通流速度的预测中通过交通恢复性能指标的捕捉算法,获得交通恢复性能的预测结果,还能针对交通恢复性能指标在不同极端天气下以及不同地理位置的预测精准度进行评价。本公开能够有效利用海量的气象数据、出行数据、交通数据等对深度序列模型进行优化,并通过该深度序列模型模拟和预测发生极端天气后的交通网络状况以及交通网络的恢复性能,为城市交通管理部门在极端天气或者灾害发生前、发生中和发生后掌握城市交通网络的具体状况和变化趋势,并能够简历更为有效地应急准备、响应和处理的预案。
本公开第四方面提供了一种电子设备,该电子设备的结构示意图可以如图6所示,至少包括存储器901和处理器902,存储器901上存储有计算机程序,处理器902在执行存储器901上的计算机程序时实现本公开任意实施例提供的方法。示例性的,电子设备计算机程序步骤如下S21至S23:
S21,获取预定区域的气象数据集合和交通流数据集合;
S22,将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;
S23,基于所述预定时间的交通流数据确定交通恢复能力。
处理器在执行存储器上存储的获取预定区域的气象数据集合和交通流数据集合时,具体执行如下计算机程序:获取所述预定区域的气象历史数据和交通流历史数据;对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
处理器在执行存储器上存储的通过深度序列模型,确定预定时间的交通流数据时,所述机器学习模型为基于注意力机制的深度序列模型,具体执行如下计算机程序:确定基于所述路段的模型数据格式;通过基于注意力机制的深度序列模型,确定预定时间的交通流数据。
处理器在执行存储器上存储的基于所述预定时间的交通流数据确定交通恢复能力时,具体执行如下计算机程序:确定基准交通性能和交通恢复指标;基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
本公开能够为预定区域内的每个路段匹配气象数据和交通流数据,通过构造深度序列模型对预定区域的交通网络中所有路段的交通流速度进行整体预测,同时构造基于交通性能损失的交通恢复性能指标的捕捉算法,在交通流速度的预测中通过交通恢复性能指标的捕捉算法,获得交通恢复性能的预测结果,还能针对交通恢复性能指标在不同极端天气下以及不同地理位置的预测精准度进行评价。本公开能够有效利用海量的气象数据、出行数据、交通数据等对深度序列模型进行优化,并通过该深度序列模型模拟和预测发生极端天气后的交通网络状况以及交通网络的恢复性能,为城市交通管理部门在极端天气或者灾害发生前、发生中和发生后掌握城市交通网络的具体状况和变化趋势,并能够简历更为有效地应急准备、响应和处理的预案。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(LAN)、广域网(WAN)、网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述存储介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括至少两个网际协议地址的节点评价请求,其中,节点评价设备从至少两个网际协议地址中,选取网际协议地址并返回;接收节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是,本公开上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何存储介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
以上对本公开多个实施例进行了详细说明,但本公开不限于这些具体的实施例,本领域技术人员在本公开构思的基础上,能够做出多种变型和修改实施例,这些变型和修改都应落入本公开所要求保护的范围之内。
Claims (12)
1.一种基于极端天气的交通信息处理方法,其特征在于,包括以下步骤获取预定区域的气象数据集合和交通流数据集合;
将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;
基于所述预定时间的交通流数据确定交通恢复能力。
2.根据权利要求1所述的处理方法,其特征在于:所述获取预定区域的气象数据集合和交通流数据集合,包括:
获取所述预定区域的气象历史数据和交通流历史数据;
对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
3.根据权利要求1所述的处理方法,其特征在于:所述机器学习模型为基于注意力机制的深度序列模型,所述将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据,包括:
确定基于所述路段的模型数据格式;
通过所述基于注意力机制的深度序列模型,确定预定时间的交通流数据。
4.根据权利要求1所述的处理方法,其特征在于:所述基于所述预定时间的交通流数据确定交通恢复能力,包括:
确定基准交通性能和交通恢复指标;
基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
5.根据权利要求4所述的处理方法,其特征在于:所述基于所述预定时间的交通流数据确定交通恢复能力,还包括以下其中之一:
基于所述交通恢复指标的计算结果为每个路段生成等级标签;通过评价指标对所述交通恢复性能指标的准确度进行判断;通过地理信息系统软件对所述交通恢复性能指标在时间和空间上的预测表现进行评估。
6.一种基于极端天气的交通信息处理装置,其特征在于,包括:
获取模块,其用于获取预定区域的气象数据集合和交通流数据集合;
第一确定模块,其用于将所述气象数据集合和所述交通流数据集合中的数据输入机器学习模型,从而确定预定时间的交通流数据;
第二确定模块,其用于基于所述预定时间的交通流数据确定交通恢复能力。
7.根据权利要求6所述的处理装置,其特征在于:所述获取模块包括:
第一获取单元,其用于获取所述预定区域的气象历史数据和交通流历史数据;
第二获取单元,其用于对所述气象历史数据和交通流历史数据进行特征提取,获取基于路段的气象数据集合和交通流数据集合。
8.根据权利要求6所述的处理装置,其特征在于:所述机器学习模型为基于注意力机制的深度序列模型,所述第一确定模块包括:
第一确定单元,其用于确定基于所述路段的模型数据格式;
第二确定单元,其用于通过所述基于注意力机制的深度序列模型,确定预定时间的交通流数据。
9.根据权利要求6所述的处理装置,其特征在于:所述第二确定模块包括:
第三确定单元,其用于确定基准交通性能和交通恢复指标;
第三获取单元,其用于基于所述交通恢复指标,获取所述预定区域的交通恢复性能。
10.根据权利要求9所述的处理装置,其特征在于:所述第二确定模块还包括以下其中之一:
生成单元,其用于基于所述交通恢复指标的计算结果为每个路段生成等级标签;
判断单元,其用于通过评价指标对所述交通恢复性能指标的准确度进行判断;
评估单元,其用于通过地理信息系统软件对交通恢复性能指标在时间和空间上的预测表现进行评估。
11.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
12.一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器在执行所述存储器上的计算机程序时实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911267745.3A CN111815098A (zh) | 2019-12-11 | 2019-12-11 | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 |
PCT/CN2020/134868 WO2021115320A1 (zh) | 2019-12-11 | 2020-12-09 | 交通评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911267745.3A CN111815098A (zh) | 2019-12-11 | 2019-12-11 | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815098A true CN111815098A (zh) | 2020-10-23 |
Family
ID=72844086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911267745.3A Pending CN111815098A (zh) | 2019-12-11 | 2019-12-11 | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111815098A (zh) |
WO (1) | WO2021115320A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883636A (zh) * | 2021-01-28 | 2021-06-01 | 上海眼控科技股份有限公司 | 一种用于数值模式的参数模型的加速方法及设备 |
WO2021115320A1 (zh) * | 2019-12-11 | 2021-06-17 | 北京嘀嘀无限科技发展有限公司 | 交通评估方法和系统 |
CN116415928A (zh) * | 2023-03-06 | 2023-07-11 | 武汉理工大学 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111708663A (zh) * | 2020-05-21 | 2020-09-25 | 国家海洋环境预报中心 | 一种基于人工智能的云计算安全监控系统 |
CN114155703B (zh) * | 2021-09-18 | 2023-10-20 | 阿里云计算有限公司 | 交通管控方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651025A (zh) * | 2016-12-20 | 2017-05-10 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 交通情况预测方法及装置 |
US20180240026A1 (en) * | 2017-02-22 | 2018-08-23 | Here Global B.V. | Method and apparatus for providing semantic-free traffic prediction |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109559506A (zh) * | 2018-11-07 | 2019-04-02 | 北京城市系统工程研究中心 | 一种降雨天气下城市道路间断交通流延误时间预测方法 |
CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872535B (zh) * | 2019-03-27 | 2020-09-18 | 深圳市中电数通智慧安全科技股份有限公司 | 一种智慧交通通行预测方法、装置及服务器 |
CN111815098A (zh) * | 2019-12-11 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 |
-
2019
- 2019-12-11 CN CN201911267745.3A patent/CN111815098A/zh active Pending
-
2020
- 2020-12-09 WO PCT/CN2020/134868 patent/WO2021115320A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651025A (zh) * | 2016-12-20 | 2017-05-10 | 中国人民解放军空军装备研究院雷达与电子对抗研究所 | 交通情况预测方法及装置 |
US20180240026A1 (en) * | 2017-02-22 | 2018-08-23 | Here Global B.V. | Method and apparatus for providing semantic-free traffic prediction |
CN109559506A (zh) * | 2018-11-07 | 2019-04-02 | 北京城市系统工程研究中心 | 一种降雨天气下城市道路间断交通流延误时间预测方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109887272A (zh) * | 2018-12-26 | 2019-06-14 | 阿里巴巴集团控股有限公司 | 一种交通人流量的预测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021115320A1 (zh) * | 2019-12-11 | 2021-06-17 | 北京嘀嘀无限科技发展有限公司 | 交通评估方法和系统 |
CN112883636A (zh) * | 2021-01-28 | 2021-06-01 | 上海眼控科技股份有限公司 | 一种用于数值模式的参数模型的加速方法及设备 |
CN116415928A (zh) * | 2023-03-06 | 2023-07-11 | 武汉理工大学 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
CN116415928B (zh) * | 2023-03-06 | 2023-11-17 | 武汉理工大学 | 基于深度学习的城市内涝交通路网快速修复方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021115320A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Balbin et al. | Predictive analytics on open big data for supporting smart transportation services | |
Shaygan et al. | Traffic prediction using artificial intelligence: Review of recent advances and emerging opportunities | |
Ali et al. | Leveraging spatio-temporal patterns for predicting citywide traffic crowd flows using deep hybrid neural networks | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
Sun et al. | DxNAT—Deep neural networks for explaining non-recurring traffic congestion | |
Zheng et al. | Parking availability prediction for sensor-enabled car parks in smart cities | |
Provoost et al. | Predicting parking occupancy via machine learning in the web of things | |
Rahman et al. | Short-term traffic speed prediction for freeways during hurricane evacuation: a deep learning approach | |
Song et al. | A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling | |
US11544584B2 (en) | Commute distance optimization | |
Yang et al. | Airport arrival flow prediction considering meteorological factors based on deep‐learning methods | |
Qiao et al. | Freeway path travel time prediction based on heterogeneous traffic data through nonparametric model | |
Weng et al. | Cluster-based lognormal distribution model for accident duration | |
Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
Arsov et al. | Short-term air pollution forecasting based on environmental factors and deep learning models | |
Cesario | Big data analytics and smart cities: applications, challenges, and opportunities | |
Dhal et al. | Forecasting weather-impacted airport capacities for flow contingency management: Advanced methods and integration | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
Pramanik et al. | Modeling traffic congestion in developing countries using google maps data | |
US20200364635A1 (en) | Risk failure prediction for line assets | |
GS et al. | Prediction of bus passenger traffic using Gaussian process regression | |
Ramhormozi et al. | Multi-task graph neural network for truck speed prediction under extreme weather conditions | |
Treboux et al. | A predictive data-driven model for traffic-jams forecasting in smart santader city-scale testbed | |
Buroni et al. | A tutorial on network-wide multi-horizon traffic forecasting with deep learning. | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 |
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 |