CN112542049A - 智慧交通综合管控平台 - Google Patents

Abstract

本发明涉及一种智慧交通综合管控平台，该平台由内网平台和外网平台两部分组成，内网平台与外网平台导通，外网平台用于提供相关大数据平台；内网平台由前端Web展示模块、Spring cloud应用服务模块、PostGis系统支撑库、地图服务模块、相关大数据平台、算法云控中心组成；算法云控中心根据PostGis系统支撑库和相关大数据平台提供的数据并结合算法模型进行交通预测、车流量拥堵评估和道路事故预测Spring cloud应用服务模块、地图服务模块结合交通预测、车流量拥堵评估和道路事故预测在前端Web展示模块展示各路段的交通管控信息，基于AI算法和大数据平台对交通车流进行预测以及事故预测，再结合地图服务为各路段提供交通管控策略，从而减轻了交通拥堵，能够降低交通事故的发生。

Description

智慧交通综合管控平台

技术领域

本发明涉及交通管控领域，具体涉及一种智慧交通综合管控平台。

背景技术

随着交通路网复杂程度的增加、通行压力与安全问题日趋严峻，在公路局部部署单个道路事件检测设备的方式已不能满足未来智慧交通管控的要求。当前大多数路侧传感设备仅支持单个事件检测分析、单点路况分析、孤立交通事件备案记录，前端硬件依赖性高、功能扩展成本高、无法形成交通事件处置闭环、无法实现交通态势管控全系统联动等瓶颈问题。目前的智慧交通基础设施布局方式，不能为智慧交通的建设提供有力支持，究其主要原因是缺乏一个能为道路管控提供统筹兼顾、全系统联动共享的智慧交通管控系统，无法实现“一个分析平台、全系统联动共享、大数据融合创新、全路网智能诱导”。车流动态变化性较强，通过人工经验无法有效提前预测道路拥堵，按照每百米一个监测装置，每个路段需要部署大量的监测装置。

目前工作人员需要通过视频巡检等路况监测手段时刻综合了解当前最新路况信息，并结合历史经验对特定时期的路段进行预警提示（如早晚高峰时期进行拥堵预警），这样的方式导致监控人员工作量过大，工作效率低，很难提前发现并及时响应道路拥堵。针对各个路段潜在的道路风险点，因为无法进行有效预测，各路段路巡交安人员的部署无法做到有的放矢。现有综合交通管控平台大多只能通过优化事故管控流程，发生道路状况再派出交安人员被动应对，无法对潜在的事故风险点进行预判和提前部署。大多数道路使用固定限速牌，无法实现路网通行能力的最大化。无法根据路网通行情况，实现车流量自动均衡和道路通行效率的最大化。如何通过道路综合管控系统感知路网态势，依据可靠的算法模型动态调整不同路段的限速值，同时实现路网利用率和通行效率的最大化。

采用传统手段处理交通事故的效率低下，出现交通事故如果不能及时处置，将导致道路长期拥堵，严重影响道路通行效率。

发明内容

本发明的目的在于克服现有技术的不足，提供一种智慧交通综合管控平台，采用公路智能AI 算法，接入互联网服务数据，提供典型的大数据可视化指挥服务能力，实现全自动的路网状况评估，最终达到提升道路通行效率、安全、管控水平、协同效率、公众感知等能力的目标。

本发明的目的是通过以下技术方案来实现的：

一种智慧交通综合管控平台，该平台由内网平台和外网平台两部分组成，所述内网平台与外网平台导通，外网平台用于提供相关大数据平台；

所述内网平台由前端Web展示模块、Spring cloud应用服务模块、系PostGis统支撑库、地图服务模块、相关大数据平台、算法云控中心组成；

所述算法云控中心根据PostGis系统支撑库和相关大数据平台提供的数据并结合算法模型进行交通预测、车流量拥堵评估和道路事故预测

所述Spring cloud应用服务模块、地图服务模块结合交通预测、车流量拥堵评估和道路事故预测在前端Web展示模块展示各路段的交通管控信息。

进一步的，所述算法模型包括基于神经网络的交通预测方法、道路车流量拥堵评估模型和基于XGBoost道路事故预测算法。

进一步的，所述基于神经网络的交通预测方法，其步骤如下：

S100：获取某时刻下交通流状态的特征数据，根据函数H ^(l) 构建特征数据集，H ^(l) 为图神经网络第l层的输出，原始数据集输入结果即可表示为{x(t _i ), i = 1,2, ... , n}；

S200：将S100中某时刻下所对应的时间序列数据作为输入，利用图卷积网络捕获城市路网拓扑结构，获得空间特征；

S300：将输出得到的具有空间特征的时间序列输入门控递归单元模型，通过单元间的信息传递获得动态变化，捕捉时间特征；

S400：以全连接层的方式得到T-GCN输出预测结果{y(t _i ), i = 1,2, ... , n}；得到的输出数据集经过卡尔曼滤波处理得到最终的输出预测结果。

进一步的，所述图卷积网络通过邻接矩阵和特征矩阵在傅里叶域中构造了一个滤波器，该滤波器应用于图的各个节点上，通过它的一阶邻域捕获节点之间的空间特征，然后通过叠加多个卷积层来构建图卷积网络模型：

其中，

，表示矩阵中引入了自联结即邻接矩阵，A代表邻接矩阵，I _N 表示单位矩阵；

表示度矩阵，即第j个隐藏层和第i个可见层的网络下的矩阵为

，

为第j个隐藏层和第i个可见层的网络下的邻接矩阵；H ^(l) 为l层的输出，θ ^(l) 包含了该层所涉及的各项参数；σ( )函数表示Sigmoid函数，用于构建非线性的模型。

进一步的，所述空间特征的获取步骤为：

在城市道路中设定某个节点为中心道路，GCN模型可以得到中心道路与其周围道路之间的拓扑关系，对路网拓扑结构和道路属性进行编码，采用两层GCN模型捕获空间依赖关系，则空间特征为：

其中，x代表特征矩阵，A代表邻接矩阵；w ₀ 为第一层GCN空间权重矩阵模型，w ₁ 为第二层GCN空间权重矩阵模型，Relu（）即线性整流函数。

进一步的，空间特征的获取过程中，对于整个T-GCN模型而言，GCN部分的某一时刻的输出进入特定的GRU模型中作为数据输入，经过GRU部分的更新门和重置门的数据处理最终产生输出结果。

进一步的，空间特征的获取过程中，对于一个给定的路段，我们定义其特征矩阵x，该矩阵由该路段的矩阵节点数n以及该节点属性特征p所构成，即历史时间序列的长度值，

即表示在t时刻下在该路段下的交通流速度；而对于邻接矩阵A而言，其反映的是道路之间的交通流联系参数，因为Relu函数的归一化处理，其计算结果范围在0到1之间，0表示两条道路之间没有任何联系，而1表示两条道路有联系，邻接矩阵A，即为不同道路节点数n所构成。

进一步的，在卡尔曼的滤波处理过程中，交通流初始预测值{y(t _i ), i = 1,2,... , n}可以转换成y(t + T)，而预测值在t时刻的交通流流量与该时刻前后的交通流流量相关，因此可得：

；

其中，

表示t前后的第

个时刻，∂₀，∂₁ 以及∂₂ 分别代表t前后的矩阵参数，V代表该时刻的交通流量，δ₀为人工引入的参数噪音，这里定义为协方差矩阵，而t前后的交通流量V( )做以下变换：

而根据卡尔曼滤波，因此上式可以整合成：

其中，

为观察向量，S(t )为状态向量，ϕ(t)为

对应的状态转移矩阵，n(t)为人工设计的噪音处理函数，其协方差矩阵定义即为δ ₀ (t)；

因此经过卡尔曼滤波处理的交通流量预测公式如下所示，其中β(t)即为ϕ(t)对应的观测矩阵：

。

进一步的，所述道路车流量拥堵评估模型的建模方法为：

S101：对于道路上当前行道上的一辆车辆来说，有

，其中，

为该车辆在当前行道上所行驶的总时长，n为当前行道上的车辆总数；

S102：则有，

，其中，

为当前行道上正在行驶的车辆或者剩余车辆，

为仿真时间段内离开该行道的车辆，随着仿真的进行，

值会逐渐增加，当所有车辆离开行道时

为0，该仿真是忽略了道路空间对车辆的影响；

S103：道路车流量拥堵评估模型则为

，其中M代表车辆在道路上行驶所需的最短时间，其对应的N为产生拥堵的临界车辆数；

当实际车辆数大于N值后，时间会逐渐增加，A代表道路上当前行道上每增加一辆车，对于当前车辆其总时间所增加的时长。

本发明的有益效果是：和传统的交通管控相比，本发明基于AI算法和大数据平台对交通车流进行预测以及事故预测，再结合地图服务为各路段提供交通管控策略，从而减轻了交通拥堵，并在一定程度上能够降低交通事故的发生。

附图说明

图1为本发明顶层架构设计示意图；

图2为 TK-GCN模型流程图；

图3为两种模型的交通流车速预测数据与真实交通流车速观测数据的对比；

图4为道路车流量拥堵评估模型示意图；

图5为道路车流量拥堵评估模型仿真示意图。

具体实施方式

下面结合具体实施例进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

参考图1所示，一种智慧交通综合管控平台，该平台由内网平台和外网平台两部分组成，所述内网平台与外网平台通过内外网安全设备导通，外网平台用于提供相关服务商行业平台；

所述内网平台由前端Web展示模块、Spring cloud应用服务模块、PostGis系统支撑库、地图服务模块、相关大数据平台、算法云控中心组成；

所述算法云控中心根据PostGis系统支撑库和相关大数据平台提供的数据并结合算法模型进行交通预测、车流量拥堵评估和道路事故预测

所述Spring cloud应用服务模块、地图服务模块结合交通预测、车流量拥堵评估和道路事故预测在前端Web展示模块展示各路段的交通管控信息。

可选的，一种智慧交通综合管控平台，所述算法模型包括基于神经网络的交通预测方法、道路车流量拥堵评估模型和基于XGBoost道路事故预测算法。

可选的，一种智慧交通综合管控平台，本平台中的基于神经网络的交通预测方法实现如下：

传统的卷积神经网络（CNN）无法胜任由图策略构建城市道路的能力，因为城市道路图并不是二维空间网格，传统的CNN无法表现道路网络复杂的拓扑结构以及捕捉空间内部各个参数的依赖关系。因此针对传统CNN在表达城市道路交通流上的不足，中南大学的李海峰团队于2019年提出了时间图卷积网络（T-GCN）模型，该模型同时集成了图卷积网络（GCN）和门控递归单元（GRU），其中图卷积网络通过学习复杂的拓扑结构来捕获交通流图节点间的空间依赖关系，而门控递归单元通过学习交通数据的动态变化来捕获时间依赖关系。

在描述空间依赖关系中，GCN模型的构建通过邻接矩阵和特征矩阵在傅里叶域中构造了一个滤波器，该滤波器应用于图的各个节点上，通过它的一阶邻域捕获节点之间的空间特征，然后通过叠加多个卷积层来构建GCN模型：

其中

，表示矩阵中引入了自联结即邻接矩阵，A代表邻接矩阵，I _N 表示单位矩阵；

表示度矩阵，即第j个隐藏层和第i个可见层的网络下，

，

为第j个隐藏层和第i个可见层的网络下的邻接矩阵；；H ^(l) 为l层的输出，θ ^(l) 包含了该层所涉及的各项参数；σ( )函数表示Sigmoid函数，用于构建非线性的模型。因此在城市道路中设定某个节点为中心道路，GCN模型可以得到中心道路与其周围道路之间的拓扑关系，对路网拓扑结构和道路属性进行编码，得到空间依赖关系。

在这里采用两层GCN模型捕获空间依赖关系，则空间特征为：

其中，x代表特征矩阵，A代表邻接矩阵；w ₀ 为第一层GCN空间权重矩阵模型，w ₁ 为第二层GCN空间权重矩阵模型，Relu即线性整流函数。

而在时间依赖关系的描述中，由于长短期记忆网络（LSTM）对于数据要求较为漫长的训练时间，因此选用结构相对简单，整体训练速度相对较快的GRU模型从交通数据中获取时间相关性。因此对于整个T-GCN模型而言，GCN部分的某一时刻的输出进入特定的GRU模型中作为数据输入，经过GRU部分的更新门和重置门的数据处理最终产生输出结果。

由于实际场景交通流的时空演化具有非线性和不稳定的特质，且不同的深度置信网络所构建的混合模型内部的算法之间，并不能在复杂的场景条件和多参数的引用下实现很好的兼容和互补，基于T-GCN模型，在T-GCN输出的结果输出过程中引入卡尔曼滤波对原有的模型进行改进，得到TK-GCN模型，旨在模拟降低因多参数的引入而产生的偏差。

对于一个给定的路段Road，我们定义其特征矩阵x，该矩阵由该路段的矩阵节点数n以及该节点属性特征p所构成，即历史时间序列的长度值，

即表示在t时刻下在该路段下的交通流速度；而对于邻接矩阵A而言，其反映的是道路之间的交通流联系参数，因为Relu函数的归一化处理，其计算结果范围在0到1之间，0表示两条道路之间没有任何联系，而1表示两条道路有联系。邻接矩阵A，即为不同道路节点数n所构成。

因此整个交通流预测算法具体的流程如下所示：

1. 获取某时刻下交通流状态的特征数据，根据函数H ^(l) 构建特征数据集，H ^(l) 为图神经网络第l层的输出，原始数据集输入结果即可表示为{x(t _i ), i = 1,2, ... , n}；

2. 将S100中某时刻下所对应的时间序列数据作为输入，利用图卷积网络捕获城市路网拓扑结构，获得空间特征；

3. 将输出得到的具有空间特征的时间序列输入门控递归单元模型，通过单元间的信息传递获得动态变化，捕捉时间特征；

4. 以全连接层的方式得到T-GCN输出预测结果{y(t _i ), i = 1,2, ... , n}；得到的输出数据集经过卡尔曼滤波处理得到最终的输出预测结果，整个过程如图2所示。

在卡尔曼的滤波处理过程中，交通流初始预测值{y(t _i ), i = 1,2, ... , n}可以转换成y(t + T)，而预测值在t时刻的交通流流量与该时刻前后的交通流流量相关，因此可得：

其中，

表示t前后的第

个时刻，∂ ₀ ，∂ ₁ 以及∂ ₂ 分别代表t前后的矩阵参数，V代表该时刻的交通流量，δ ₀ 为人工引入的参数噪音，这里定义为协方差矩阵。而t前后的交通流量V( )做以下变换：

而根据卡尔曼滤波，因此上式可以整合成：

其中，

为观察向量，S( t)为状态向量，ϕ(t)为

对应的状态转移矩阵，n(t)为人工设计的噪音处理函数，其协方差矩阵定义即为δ ₀ (t)；

因此经过卡尔曼滤波处理的交通流量预测公式如下所示，其中β(t)即为ϕ(t)对应的观测矩阵：

该研究的实验数据、模型的仿真和验证工作基于川高系统视频智能分析平台实时记录的2019年5月1号到10月30号成都绕城高速公路绕东路段，实时速度每间隔5分钟采集一次，整个数据采集路段共397个采样点。由于交通流数据具有一定的规律性，且双休日和工作日分别呈现出不同的数据特性，为了充分利用数据之间的规律性，本方案针对高速公路交通流预测的训练数据将排除双休日以及国家法定节假日的数据，并用实际数据进行验证工作。该数据由一个邻接矩阵和一个特征矩阵所构成，通过智慧眼平台的摄像头位点之间的距离计算邻接矩阵。实验中，输入数据统一通过激活函数归一化进区间[0,1]。另外，80%的数据作为训练集，剩下的20%作为测试集，以此作为模型的输入。我们预测未来10分钟、20分钟、30分钟、40分钟，50分钟和60分钟的交通速度。

本文模型基于TK-GCN，模型训练过程中涉及的超参数包括：学习率、训练集容量以及隐藏层数。研究中，我们将学习率设置为0.001，选择32个训练集，训练迭代次数为6000。在深度学习的架构中，不同的隐藏层数值的大小对预测精度有较大的影响，隐藏层层数需要大量的测试来选定。因此为了选择最优的隐藏层数值，针对不同的隐藏层数进行了尝试，通过比较预测结果来选择最优值。在反复验证的过程中发现，当隐藏层数的取值大于60时，均方误差的值不再发生显著的变化，所以将隐藏层数的上限值设置为60，最后输出层的节点数为{5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60}，设计隐藏层数的值为40。整个模型通过自适应矩估计(Adaptive Moment Estimation，Adam)优化器对模型进行训练。

为了能够更好地分析和评价预测结果，本文采用了绝对平均误差（MAE），相对平均误差（MRE）以及决定系数（R²），三个指标定义如下所示：

绝对平均误差(MAE)

相对平均误差(MRE)

决定系数(R²)

其中Y_P表示交通流量的预测值，Y _R 表示交通流量的真实观测值，Y _A 为统计区间内的平均值。MAE和MRE的值越小，代表预测值误差越小；R ² 计算相关系数，数值越大，预测结果越接近真实水平。本文所提出的改进后的TK-GCN模型与T-GCN模型、CRBM-DBN模型、LGCN-NGCN模型以及FL-GCN-CNN模型进行比较，由表1可知，我们针对每种算法使用相同的数据集进行验证后发现，本文提出的预测模型的误差性能明显优于同样基于深度置信网络的T-GCN、CRBM-DBN、LGCN-NGCN以及FL-GCN-CNN这些混合模型，表明了改进后的深度学习策略在交通流预测中的有效性。

Claims (9)

1.一种智慧交通综合管控平台，其特征在于，该平台由内网平台和外网平台两部分组成，所述内网平台与外网平台导通，外网平台用于提供相关大数据平台；

所述内网平台由前端Web展示模块、Spring cloud应用服务模块、PostGis系统支撑库、地图服务模块、相关大数据平台、算法云控中心组成；

所述算法云控中心根据PostGis系统支撑库和相关大数据平台提供的数据并结合算法模型进行交通预测、车流量拥堵评估和道路事故预测；

所述Spring cloud应用服务模块、地图服务模块结合交通预测、车流量拥堵评估和道路事故预测在前端Web展示模块展示各路段的交通管控信息。

2.根据权利要求1所述的智慧交通综合管控平台，其特征在于，所述算法模型包括基于神经网络的交通预测方法、道路车流量拥堵评估模型和基于XGBoost道路事故预测算法。

3.根据权利要求2所述的智慧交通综合管控平台，其特征在于，所述基于神经网络的交通预测方法，其步骤如下：

S100：获取某时刻下交通流状态的特征数据，根据函数H ^(l) 构建特征数据集，H ^(l) 为图神经网络第l层的输出，原始数据集输入结果即可表示为{x(t _i ), i = 1,2, ... , n}；

S200：将S100中某时刻下所对应的时间序列数据作为输入，利用图卷积网络捕获城市路网拓扑结构，获得空间特征；

S300：将输出得到的具有空间特征的时间序列输入门控递归单元模型，通过单元间的信息传递获得动态变化，捕捉时间特征；

S400：以全连接层的方式得到T-GCN输出预测结果{y(t _i ), i = 1,2, ... , n}；得到的输出数据集经过卡尔曼滤波处理得到最终的输出预测结果。

4.根据权利要求3所述的智慧交通综合管控平台，其特征在于，所述图卷积网络通过邻接矩阵和特征矩阵在傅里叶域中构造了一个滤波器，该滤波器应用于图的各个节点上，通过它的一阶邻域捕获节点之间的空间特征，然后通过叠加多个卷积层来构建图卷积网络模型：

其中，

，表示矩阵中引入了自联结即邻接矩阵，A代表邻接矩阵，I _N 表示单位矩阵；

表示度矩阵，即第j个隐藏层和第i个可见层的网络下的矩阵为

，

为第j个隐藏层和第i个可见层的网络下的邻接矩阵；H ^(l) 为l层的输出，θ ^(l) 包含了该层所涉及的各项参数；σ( )函数表示Sigmoid函数，用于构建非线性的模型。

5.根据权利要求4所述的智慧交通综合管控平台，其特征在于，所述空间特征的获取步骤为：

在城市道路中设定某个节点为中心道路，GCN模型可以得到中心道路与其周围道路之间的拓扑关系，对路网拓扑结构和道路属性进行编码，采用两层GCN模型捕获空间依赖关系，则空间特征为：

其中，x代表特征矩阵，A代表邻接矩阵；w ₀ 为第一层GCN空间权重矩阵模型，w ₁ 为第二层GCN空间权重矩阵模型，Relu（）即线性整流函数。

6.根据权利要求5所述的智慧交通综合管控平台，其特征在于，空间特征的获取过程中，对于整个T-GCN模型而言，GCN部分的某一时刻的输出进入GRU模型中作为数据输入，经过GRU部分的更新门和重置门的数据处理最终产生输出结果。

7.根据权利要求6所述的智慧交通综合管控平台，其特征在于，空间特征的获取过程中，对于一个给定的路段，我们定义其特征矩阵x，即历史时间序列的长度值，该矩阵由该路段的矩阵节点数n以及该节点属性特征p所构成，

即表示在t时刻下在该路段下的交通流速度；而对于邻接矩阵A而言，其反映的是道路之间的交通流联系参数，因为Relu函数的归一化处理，其计算结果范围在0到1之间，0表示两条道路之间没有任何联系，而1表示两条道路有联系，邻接矩阵A，即为不同道路节点数n所构成。

8.根据权利要求7所述的智慧交通综合管控平台，其特征在于，在卡尔曼的滤波处理过程中，交通流初始预测值{y(t _i ), i = 1,2, ... , n}可以转换成y(t + T)，而预测值在t时刻的交通流流量与该时刻前后的交通流流量相关，因此可得：

；

其中，

表示t前后的第

个时刻，∂₀，∂₁ 以及∂₂ 分别代表t前后的矩阵参数，V代表该时刻的交通流量，δ₀为人工引入的参数噪音，这里定义为协方差矩阵，而t前后的交通流量V( )做以下变换：

而根据卡尔曼滤波，因此上式可以整合成：

其中，

为观察向量，S( t)为状态向量，ϕ(t)为

对应的状态转移矩阵，n(t)为人工设计的噪音处理函数，其协方差矩阵定义即为δ ₀ (t)；

因此经过卡尔曼滤波处理的交通流量预测公式如下所示，其中β(t)即为ϕ(t)对应的观测矩阵：

。

9.根据权利要求8所述的智慧交通综合管控平台，其特征在于，所述道路车流量拥堵评估模型的建模方法为：

S101：对于道路上当前行道上的一辆车辆来说，有

，其中，

为该车辆在当前行道上所行驶的总时长，n为当前行道上的车辆总数；

S102：则有，

，其中，

为当前行道上正在行驶的车辆或者剩余车辆，

为仿真时间段内离开该行道的车辆，随着仿真的进行，

值会逐渐增加，当所有车辆离开行道时

为0，该仿真是忽略了道路空间对车辆的影响；

S103：道路车流量拥堵评估模型则为

，其中M代表车辆在道路上行驶所需的最短时间，其对应的N为产生拥堵的临界车辆数；

当实际车辆数大于N值后，时间会逐渐增加，A代表道路上当前行道上每增加一辆车，对于当前车辆其总时间所增加的时长。

Images