CN112820105A - 路网异常区域处理的方法及系统 - Google Patents

路网异常区域处理的方法及系统 Download PDF

Info

Publication number
CN112820105A
CN112820105A CN202011645168.XA CN202011645168A CN112820105A CN 112820105 A CN112820105 A CN 112820105A CN 202011645168 A CN202011645168 A CN 202011645168A CN 112820105 A CN112820105 A CN 112820105A
Authority
CN
China
Prior art keywords
congestion
abnormal
road network
key
abnormal area
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
Application number
CN202011645168.XA
Other languages
English (en)
Other versions
CN112820105B (zh
Inventor
邹开荣
沈晓宇
邓晓磊
何尚秋
林文霞
吴占宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Enjoyor Co Ltd
Original Assignee
Enjoyor Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Enjoyor Co Ltd filed Critical Enjoyor Co Ltd
Priority to CN202011645168.XA priority Critical patent/CN112820105B/zh
Publication of CN112820105A publication Critical patent/CN112820105A/zh
Application granted granted Critical
Publication of CN112820105B publication Critical patent/CN112820105B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种路网异常区域处理的方法及系统，其中，该路网异常区域处理的方法包括：基于历史路网时序特征数据，生成对抗网络，依据生成模型生成样本数据，同时依据判别模型及定期的数据反馈更新生成真实样本和生成模型的网络参数，最终达到生成的时序特征数据满足异常区域的检测与预测的作用，并对生成的路网异常区域进行分析处理，对规模较小的异常进行直接治理，对规模较大的异常区域进行综合拓扑及异常传递的分割处理并治理的方式，最终达到治理路网异常区域的效果。通过本申请，解决了现有技术中存在的模型应用实时性和实用性差，以及异常区域划分不明确的问题，提高了对路网异常区域的识别预测和治理效果。

Description

路网异常区域处理的方法及系统
技术领域
本申请涉及计算机领域，特别是涉及路网异常区域处理的方法及系统。
背景技术
随着交通技术的发展，各种算法在交通控制中的使用变的愈加广泛，也使交通控制在很大程度上变得越来越智能和自动化，然而，现在较多的算法仍无法大范围的应用于实时更新的数据场景中，例如卷积神经网络(Convolutional Neural Networks，简称CNN)，深度神经网络(Deep Neural Networks，简称DNN)，长短期记忆网络(Long Short-TermMemory，简称LSTM)等神经网络算法，由于这些算法本身的庞大性及参数的多样性，使其无法实时的更新参数，常用做法是通过样例数据计算得出模型后，直接运用得到的模型进行结果的计算，这就限制了算法在实际场景中的应用，使计算结果往往与现实情况相差过大。
此外，随着汽车保有量的增加，人们对路网服务能力的要求也随之提高。然而，由于人们对路网服务能力要求的不断提升与城市建设速度的不平衡之间的矛盾，以及自然灾害等重大事件的影响，使路网服务能力大幅度的下降，给城市的交通状况造成了巨大的影响。因此，如何提高对道路异常区域的识别、预测和治理对城市的交通建设和路网服务有着重要的作用。
在相关技术中，一方面，由于更加着眼于重量级的算法，因而忽略了算法的计算时间与算法的实时性对于实时数据场景的重要性；另一方面，在对异常区域检测时，传统计算方法计算的结果，往往需要通过人工方式进行实时对比，不仅费时费力，还容易造成错误。此外，对于确定的异常区域的处理往往也是以某个异常区域整体为背景进行调控，最后达到的收效不明显。
目前针对相关技术中，在对实时数据场景下的交通异常区域进行识别、预测与治理时，存在的模型应用实时性和实用性差，以及异常区域划分不明确的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了路网异常区域处理的方法及系统，至少解决相关技术中在对实时数据场景下的交通异常区域进行识别、预测与治理时，存在的模型应用实时性和实用性差，以及异常区域划分不明确的问题。
第一方面，本申请实施例提供了一种路网异常区域处理的方法，所述方法包括：
识别路网异常区域；
对所述路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对所述重点异常区域进行关键路口识别和分割，得到动态拥堵组团；
将所述非重点异常区域和所述动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
第二方面，本申请实施例提供了一种路网异常区域处理的系统，所述系统包括：
路网异常区域识别模块，用于识别路网异常区域；
异常区域治理模块，用于对所述路网异常区域的规模进行分析，得到非重点异常区域和重点异常区域，并通过拥堵传递模型对所述重点异常区域进行关键路口识别和分割，得到动态拥堵组团，
将所述非重点异常区域和所述动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
相比于相关技术，本申请实施例提供的一种路网异常区域处理的方法，识别路网异常区域；对路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对重点异常区域进行关键路口识别和分割，得到动态拥堵组团；将非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案，解决了在对实时数据场景下的交通异常区域进行识别、预测与治理时，存在的模型应用实时性和实用性差，以及异常区域划分不明确的问题，有效提高了对实时路网异常区域的识别与预测，并按照现实场景将异常区域进行一定程度的划分并提供相应治理策略，为交通治理提供了有效的数据支持及推荐，提高了异常区域的治理效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种路网异常区域处理的方法的应用环境示意图；
图2是根据本申请实施例的路网异常区域处理方法的流程图；
图3是根据本申请实施例的报警拥堵组团形成流程示意图；
图4是根据本申请实施例的某路段切片时间每日的流量速度变化示意图；
图5是根据本申请实施例的生成模型计算流程示意图；
图6是根据本申请实施例的判别模型计算流程示意图；
图7是根据本申请实施例的基本拥堵模块示意图；
图8是根据本申请实施例的初始拥堵路口识别流程示意图；
图9是根据本申请实施例的拓扑重要路口识别流程示意图；
图10是根据本申请实施例的节点介数计算流程示意图；
图11是根据本申请实施例的14号实验拥堵组团模型示意图；
图12是根据本申请实施例的14号实验拥堵组团模型分割示意图；
图13是根据本申请实施例的基于对抗网络预测确定异常区域的流程示意图；
图14是根据本申请实施例的时间尺度划分示意图；
图15是根据本申请实施例的LSTM计算流程示意图；
图16是根据本申请实施例的双向循环神经网络构建示意图；
图17是根据本申请实施例的步长选择示意图；
图18是根据本申请实施例的路网异常区域处理系统的结构框图；
图19是根据本申请实施例的基于对抗网络的路网异常区域处理的总体方案流程示意图；
图20是根据本申请实施例的电子设备的内部结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请提供的路网异常区域处理的方法，可以应用于如图1所示的应用环境中，图1是根据本申请实施例的一种路网异常区域处理的方法的应用环境示意图，如图1所示，其中，该应用环境的系统包括服务器10和智能终端设备11，具体实现过程为：在服务器10上识别路网异常区域；对路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对重点异常区域进行关键路口识别和分割，得到动态拥堵组团；将非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案，输出到智能终端设备11上，解决了在对实时数据场景下的交通异常区域进行识别、预测与治理时，存在的模型应用实时性和实用性差，以及异常区域划分不明确的问题，有效提高了对实时路网异常区域的识别与预测能力，并按照现实场景将异常区域进行一定程度的划分并提供相应治理策略，为交通治理提供了有效的数据支持及推荐，提高了异常区域的治理效率。
本实施例提供了一种路网异常区域处理的方法，图2是根据本申请实施例的路网异常区域处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，识别路网异常区域。
优选的，在其中一些实施例中路网异常区域识别方法包括：获取路网路口连续拥堵报警数据，选取任意存在连续拥堵报警的路口，查询其相邻路口是否存在间隔一定时间差的连续拥堵报警，若存在则将所述相邻路口本身持续报警间隔时间按照对应预设积分累加，将累加结果满足预设阈值条件的路口首尾相连，构建拥堵组团；遍历路网所有路口，输出路网异常区域。
拥堵报警数据基于拥堵报警设备获取，可以是任意的交通状态达到预设拥堵状态触发报警，本实施例中以两分钟时间间隔的效率指数数据为例，将拥堵路口按照拥堵持续时间进行加分阈值的判定，将超过阈值判定的路口首尾相连，构建报警拥堵组团模型。其中效率指数是以路段/路口为对象以两分钟时间间隔生产的路口/路段状态数据，包含效率数据与是否报警的参数。在生成报警拥堵组团后，结合工作日，非工作，节假日等时间信息数据效率指数关键字段说明如下表1所示，图3是根据本申请实施例的报警拥堵组团形成流程示意图，如图3所示，其中，具体的报警拥堵组团生成流程如下：
步骤一、选取任意路口及其相邻路口某时间段内的全部效率指数报警数据；
步骤二、遍历当前路口的相邻路口是否存在与当前路口间隔一定时间差的连续效率指数报警数据，如果存在，则记录积分，其中，积分规则为：若间隔时间为2min，则积分为10分，若间隔时间为4min，则积分为8分，以此类推，直至间隔为10min，积分为2分；
步骤三、对于连续报警相邻路口所得积分，若积分大于设定阈值，则将满足相应积分选项的路口通过路网拓扑信息进行连接，形成组团信息；反之，跳过；
步骤四、若未遍历完所有路网效率指数数据，则返回步骤一继续执行，若已完成对所有数据的遍历，则输出路网异常区域，拥堵组团数据生成结束。
表1
Figure BDA0002879712630000041
Figure BDA0002879712630000051
优选的，在其中一些实施例中路网异常区域识别方法包括：获取历史拥堵组团交通数据，按照不同时间尺度对所述历史拥堵组团交通数据进行划分，输入条件生成对抗网络进行训练，通过损失函数、梯度下降法对所述条件生成对抗网络进行迭代优化，生成路网异常区域识别模型；
获取当前路网交通数据，输入所述路网异常区域识别模型，识别路网异常区域。
本实施例中的历史拥堵组团交通数据，所述历史拥堵组团的划分，可以采用前述拥堵组团构建方法，也可以采用其他拥堵组团构建方法，如拥堵聚类、拥堵蔓延关联性，拓扑势网络计算模型等任意方法，不影响后续步骤的实施。
优选的，在其中一些实施例中条件信息的确定是由于在现实生活中正常的道路交通网络中的各个对象或其数据情况，例如路口，路段，路线或路网上的流量信息，速度信息，效率信息等交通数据，都是通过一个或多个关联关系组合在一起，进而形成一个完整的道路交通网络体系和交通数据集的，因此，对于道路系统中存在的交通状况异常区域，必定会和该路网中的对象和数据集存在相应的对应关系和相互限制的情况，例如，以杭州路网速度信息为例，选取某实验路段切片，研究其一天的速度情况，图4是根据本申请实施例的某路段切片时间每日的流量速度变化示意图，如图4所示，由图4可知在每日的早高峰开始阶段和晚高峰开始阶段，都会有一个明显的下降趋势，意味着此时路网整体速度变慢，交通流量变大，此时容易出现交通状况异常区域，因此，本实施例以路网基础地理分布信息及动态路网时序数据为依据，作为条件信息，对生成模型及判别模型的结果进行限制与校验，有利于输出结果的最终收敛，对路网异常区域的确定有着积极作用。
优选的，生成模型生成样本数据的计算过程为：通过构建不同时间尺度的数据模型，对拥堵组团交通数据进行划分，得到不同时间尺度下的拥堵组团数据集；接着对于同一时间尺度下的数据集，采用长短期记忆神经网络(LSTM)计算得到各个时间切片下的拥堵组团数据集的时间关联性后；采用图神经网络(GNN)提取数据特征，获取数据的空间关联性；然后采用双向循环神经网络(RNN)对每个时间切片的数据进行前向与后向的状态学习与更新，并最终通过全连接层对各个时间尺度的数据进行融合输出，图5是根据本申请实施例的生成模型计算流程示意图，如图5所示。
优选的，在生成模型生产完成样本数据后，以路网基础地理分布信息及动态路网时序数据为条件信息，对该样本数据进行限制与检验，其中，检验包括空间信息检验和数据变化基本规律检验。空间信息检验是通过路网中路口与路段的客观连接规律，对生成模型产生的样本数据进行校验，将那些没有直接相连，但仍归纳为同一组团的路口进行分析，若该组团包含较多没有相连的零散路口，则根据该零散路口相邻是否包含其他组团，判断是否将该路口归纳至相邻组团下；如果该零散路口相邻不包含其他组团，则将该路口删去；数据变化基本规律检验是通过对路网中某处异常区域的路口在多个时间段内的时序数据进行分析，若该路口在该时间段内时序数据良好，但生成模型生成数据中表现为该路口处于报警状态，则判定生成模型数据生成错误，将该路口状态更改至非报警。本实例中，采用路口实时速度与流量数据判定路口状态，若该路口速度与流量均处于较高数值，但生成模型判定路口为异常区域，则认定数据生成有误，更改路口状态。
至此，基于生成模型计算得到的拥堵组团样本数据完成。
本实施例通过条件信息对生成模型生成的样本数据进行一定程度的限制，使其满足相应限制条件，使生成模型的结果既满足路网对象在路网中的拓扑链接，也满足路网状态在相应时间内的变化规律，有利于输出的样本数据结果的最终收敛，确定得到最终的路网异常区域。
优选的，判别模型的计算过程为：按照地理信息范围的记录及包含的路口进行自增序号的编号记录，对于某一时间范围内获取的异常区域数据，则可用
Figure BDA0002879712630000061
表示某一异常范围数据，其中a为异常区域编号，Ga表示第a号异常区域地理信息，包含路口地理信息，路网拓扑连接信息，ia为该区域包含路口数据集，T为时间信息，代表某个时间切片数据；则可用
Figure BDA0002879712630000062
n∈N表示某个时间切片下全部路网异常区域分布信息；进而，可用
Figure BDA0002879712630000063
n∈N表示全部的时间切片下，道路交通网络异常区域属性数据集，这样数据整合初步完成；
完成上述数据整理后，通过如图6所示的判别模型计算流程对判别模型样本数据进行生成，计算过程为：输入不同时间切片下的时序数据，分别通过长短期记忆神经网络(LSTM)对于同一时间尺度下的数据集进行计算，得到各个路口状态之间的时间关联性；接着采用卷积神经网络(CNN)对路口局部特征进行提取，计算得到路口时序数据的局部空间关联；在计算得到路口时序数据的时间关联与局部空间关联后，构建双向循环神经网络(RNN),对每个时间切片的数据序列进行前向与后向的状态学习与更新；最终通过全连接层对各个时间尺度的数据进行融合输出，图6是根据本申请实施例的判别模型计算流程示意图，如图6所示。
优选的，在判别模型生产完成样本数据后，与真实性检验之前，以路网基础地理分布信息及动态路网时序数据为条件信息，对该样本数据进行限制与检验，其中，检验包括空间信息检验和数据变化基本规律检验。空间信息检验是通过路网中路口与路段的客观连接规律，对判别模型生产的样本数据进行校验，将那些没有直接相连，但仍归纳为同一组团的路口进行分析，若该组团包含较多没有相连的零散路口，则根据该零散路口相邻是否包含其他组团，判断是否将该路口归纳至相邻组团下；如果该零散路口相邻不包含其他组团，则将该路口删去；数据变化基本规律检验是通过对路网中某处异常区域的路口在多个时间段内的时序数据进行分析，若该路口在该时间段内时序数据良好，但判别模型生成数据中表现为该路口处于报警状态，则判定判别模型数据生成错误，将该路口状态更改至非报警。
至此，基于判别模型计算得到的拥堵组团样本数据完成。
优选的，在计算得到判别模型生成的拥堵组团样本数据后，通过贝叶斯概率模型对数据的真实性进行检验，计算过程如下式1至3所示：
Figure BDA0002879712630000064
Figure BDA0002879712630000071
pi＝P(xi|yi)*α+P(yi|xi)*β (α<β) (3)
记事件x为路口i在生成模型样本数据中属于异常区域，事件y为路口i在判别模型样本数据中属于异常区域，对于已经输出的生成模型与判别模型的生产的时序样本数据，记P(xi)为路口i在生成模型样本数据中属于异常区域的概率，P(yi)为路口i在判别模型样本数据中属于异常区域的概率，则P(xiyi)为路口i在生成模型样本数据与判别模型样本数据中均属于异常区域的概率，P(xi|yi)则表示路口i在判别模型样本数据中属于异常区域的前提下，该路口在生成模型样本数据中属于异常区域的概率；同理，P(yi|xi)表示路口i在生成模型样本数据中属于异常区域的前提下，该路口在判别模型样本数据中属于异常区域的概率。
记pi是路口i属于异常区域的概率，α,β分别为P(xi|yi)和P(yi|xi)所占的权重，本实例中，由于图网络(GNN)所得到的路网拓扑关系理论上更为准确，因此，在经过多次实验后，将α定为0.3，将β定义为0.7。
在网络过程训练中，将不满足预设阈值的路口数据通过更改生成模型与判别模型的训练参数，重新计算；在实际识别过程中，将概率大于预设阈值的路口通过拓扑关系重新连接为组团，输出路网异常区域。
本实施例通过条件信息对判别模型生成的样本数据进行一定程度的限制，使其满足相应限制条件，使判别模型的结果既满足路网对象在路网中的拓扑链接，也满足路网状态在相应时间内的变化规律，有利于输出的样本数据结果的最终收敛，确定最终的路网异常区域。
通过损失函数对生成模型和判别模型进行迭代优化，更新计算生成新的样本数据，并通过该新的样本数据与预设阈值的比较得到确定的异常区域数据。优选的，本实施例采用S型函数作为全连接层的激活函数，并采用线性分类器与梯度下降法进行损失函数的计算，对生成模型和判别模型的参数进行迭代优化，更新计算得到新的样本数据，直至最终损失函数计算结果满足允许误差的预设阈值，计算模型迭代更新结束，得到最终确定的异常区域数据。本实施例通过损失函数对网络模型进行迭代优化，实时更新生成网络的参数，得到实时更新生成的样本数据，应用于实时路网数据场景中，能实现异常区域检测的自动更新，提高了模型的实时性和实用性，有利于后续对异常区域的治理。
步骤S202，对路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对重点异常区域进行关键路口识别和分割，得到动态拥堵组团。
优选的，对确定异常区域数据的规模进行分析，按照其包含拥堵路口和路段的个数及拥堵组团规模大小，可将其分为非重点异常区域和重点异常区域。其中，异常区域拥堵组团根据结构可分为四种基本拥堵模块，图7是根据本申请实施例的基本拥堵模块示意图，如图7所示，其中，若某个确定的异常拥堵区域，包含上述若干个基本拥堵模块且路口数大于相应的阈值，则认定其为重点异常拥堵区域，反之，则认定为非重点异常拥堵区域，例如，重点异常拥堵区域应包含至少两种基本拥堵模块，且路口数量大于10。
得到非重点异常区域和重点异常区域之后，对于非重点异常拥堵区域，可直接将其作为最小异常区域单位结果输出。对于重点异常拥堵区域，一般包含较多的拥堵路口与拥堵路段，若直接对其进行调控，难度较大且效果一般，因此，需要通过拥堵传递模型将重点异常拥堵区域分割为各个较小规模的动态拥堵组团，减小对异常区域调控的难度，增加调控效率，提升调控效果。其中，对于重点异常拥堵区域的最终分割形态，应保持四种基本拥堵模块类型，且在各个基本拥堵模块类型中，应至少包含一个关键路口。
本实施例按照现实场景将确定异常区域进行划分处理，并将规模较大的拥堵组团分割为规模较小的动态组团后，各个小组团的拥堵传播行为分别由各个动态组团关键路口开始自上而下传播，将大规模拥堵组团调控复杂、收效甚微的问题转化为对各个动态组团的微观调控，从局部对各个大规模拥堵组团进行调控，最后达到整体治理的效果，能有效提高后续对异常拥堵区域的治理效果。
步骤S203，将非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
优选的，将步骤S202得到的非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，依据非重点异常区域和动态拥堵组团的具体组成形态对其进行推荐治理方案的输出。由图7中的基本拥堵模块可知，每个动态组团都可以将其划分为四种基本拥堵模块与单路口的组合，因此，从基本拥堵模块着手，对动态组团和非重点异常拥堵区域进行推荐调控治理方案的输出：
其中，十字形拥堵模块：
对于十字形拥堵模块，若关键路口处于中心位置，则对应其出口道方向路段，可以增加相应同放相位，增加放行；对应其进口道位置，应减少相应相位绿信比百分比，减少其流量的增加；若关键路口处于边缘位置，则对于中心位置路口，使其与关键节点路口对应路段减少绿信比百分比，较少放行，对应其余三个边缘路口，应增加相应出口道同放相位开放与绿信比百分比，增加放行，自上而下，对拥堵进行疏导。
T形拥堵模块：
对于T形拥堵模块，若关键路口处于中心位置，则其对应其余三个路口的出口道方向应开放同放相位，增加相应绿信比百分比与周期值，增加放行，对应其进口道方向，减少相应绿信比百分比，较少放行；若关键路口处于边缘位置，则对于中心位置路口，使其与关键节点路口对应路段减少绿信比百分比，较少放行，对应其余三个边缘路口，应增加相应出口道同放相位开放与绿信比百分比，增加放行，自上而下，对拥堵进行疏导。
竖形拥堵模块与L形拥堵模块：
对于竖形拥堵模块与L形拥堵模块，不论关键路口处于中间位置还是边缘位置，对于相应进口道方向，减少放行，减少周期值与绿信比；对于相应出口道方向，增加放行，增加周期值与绿信比。
单路口推荐方案制定：
对于单路口，在基于对上述四种基本拥堵模块调控策略的基础上，增加相应协调方式，基于拥堵传递规则，使各个直接相连的路口对应相位之间实现协调控制，控制流量之间的有序疏导，直至拥堵的消失。
本实施例针对现实场景中不同的异常拥堵区域提供相应的推荐治理方案，为道路交通治理提供了针对性的有效数据支持及推荐，有利于提高道路治理的效果。
通过上述步骤S201至步骤S203，相对于现有技术中，计算模型实时性差，对异常区域的识别检测慢，且对于确定的异常区域的处理往往也是以某个异常区域整体为背景进行调控，最后达到的收效不明显的问题。本实施例基于生成对抗网络的方法，在服务器10上识别路网异常区域，对路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对重点异常区域进行关键路口识别和分割，得到动态拥堵组团；将非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案，输出到智能终端设备11上，解决了在对实时数据场景下的交通异常区域进行识别、预测与治理时，存在的模型应用实时性和实用性差，以及异常区域划分不明确的问题，有效提高了对实时路网异常区域的识别与预测能力，并按照现实场景将异常区域进行一定程度的划分并提供相应治理策略，为交通治理提供了有效的数据支持及推荐，提高了异常区域的治理效率。
在其中一些实施例中，通过拥堵传递模型对重点异常区域进行识别和分割，得到动态拥堵组团包括：对重点异常区域进行关键路口识别，以该关键路口为分割节点，对重点异常区域进行分割，得到动态拥堵组团。
在分割重点异常区域之前，需要对其中较为关键的路口进行确定，优选的，首先对重点异常区域进行路口时序检测，根据时序规则得到初始拥堵关键路口集合，接着对重点异常区域进行拓扑重要路口识别，根据拓扑规则得到拓扑重要路口集合，最后通过初始拥堵关键路口和拓扑重要路口进行计算排序，按照实际使用情况选取最终的关键路口:
其中，在现实路网中，拥堵并不是立即产生的，由于部分蓄车能力较差路段流量超过其通行能力造成流量溢出，导致该路段在某段时间内表现为路网中较为脆弱部分，由于交通流在路网中的传播，使得流量溢出现象迅速扩散，从而形成了更多脆弱路段，这些脆弱路段相互连接形成连续性的路网脆弱部分，最终形成组团。因此，组团的形成必然存在某个初始拥堵路口，因此，对当前组团进行路口拥堵时序检测，检验其拥堵时序变化，图8是根据本申请实施例的初始拥堵路口识别流程示意图，如图8所示，初始拥堵路口识别具体流程为：
一、对于确定的拥堵组团数据及效率指数报警数据，对其组团组成路网对象进行遍历；
二、对于某个组团中的任意路口对象，判定其相邻路口是否同样存在报警数据；
三、若相邻路口不存在报警数据，则直接将该路口记录至组团优先报警数据集中，选取该组团其他路口继续计算；若相邻路口存在报警数据，则判定两个路口之间的报警传递联系，通过效率指数报警数据，确定是由当前路口提前进入报警状态，导致相邻路口进入报警状态还是相邻路口提前进入报警状态，进而导致当前路口进入报警状态；
四、将最先进入报警状态的路口作为根节点，返回步骤二继续计算，直至确定组团中最先进入报警状态的路口，记录至组团优先报警数据集中；
五、若未对全部组团数据集完成遍历计算，则返回步骤二继续计算，直至将所有的组团数据优先报警路口计算完成；反之，输出组团优先报警路口数据集。
接着，通过用户最优模型可知，当固定两地之间某条路段行驶时间变长时，用户会自动选择该两地之间的其他行驶时间较小的路段，直至所有的路段行驶时间相等，即达到用户最优的状态，因此，在路网拓扑规则上，关键路口一定处于较多最短路径经过频繁的区域。优选的，本实施例基于图论的方法，对重点异常区域进行拓扑重要路口检验与识别，图9是根据本申请实施例的拓扑重要路口识别流程示意图，如图9所示，其中，拓扑重要路口识别具体流程为：
一、对于确定输入的某个拥堵组团数据，对其包含的每个路口进行节点介数计算，图10是根据本申请实施例的节点介数计算流程示意图，如图10所示；
二、对当前组团包含路口进行介数计算后，通过介数大小对组团路口进行排序，并按照组团规模对各个组团的拓扑重要候选路口进行选取。本实例中，将组团中包含路口总个数为10的倍数作为拓扑重要候选路口的参考；
三、对于各个组团及其确定的拓扑重要候选路口数据集，对于拓扑重要候选路口数据集中包含的路口，若删除该路口，会使原组团由连通图变为非连通图，则认定该路口为当前组团拓扑重要路口，将该路口进行记录；若删除该路口后，原先组团仍为连通图，则认定该路口为非拓扑重要路口，跳过；
四、若已完成对所有组团的重要路口计算，则输出组团拓扑重要路口数据集；反之，返回步骤一继续计算；
其中，如图10所示节点介数计算具体流程为：
一、对于组团包含的各个路口，建立路口之间连接关系的邻接矩阵；
二、对于当前组团任意两个路口，判断其是否直接相连：若两路口直接相连，则将上述两路口之间路段直接作为最短路径，跳至步骤六，反之，进入步骤三；
三、将上述两任意路口，定义任意一路口为开始路口，另一路口为结束路口；
四、寻找当前路口直接相连节点，将全部直接相连节点作为根节点集合；
五、对于任意根节点，根据邻接矩阵搜寻其直接相连路口，判断是否包含结束路口：若包含结束路口，则记录当前连接路径；反之，记录当前路口，返回步骤四；
六、获得两两路口全部连接路径，根据每个路径长度，获得最短路径；
七、对于获得的全部两两路口之间的最短路径集合，计算每个节点在最短路径中占有的比例，计算介数并输出；
在根据时序规则得到的初始拥堵路口集合以及拓扑规则得到的拓扑重要路口集合后，依据组团的实际使用场景，采用贝叶斯概率模型对各路口为关键路口的概率进行计算排序，选取最终的关键路口，其中，计算过程如上式1至3所示；
其中，pi表示路口i为关键路口的概率，记P(xi)为路口i为拥堵初始路口的概率，P(yi)为路口i为拓扑重要路口的概率，则P(xiyi)表示路口i既为拥堵初始路口，同时也为拓扑重要路口的概率，P(xi|yi)表示路口是拓扑重要路口的前提下它是拥堵初始路口的概率，P(yi|xi)表示路口是拥堵初始路口的前提下它是拓扑重要路口的概率，且α,β分别为上述两个事件的权重占比，结合本实例的场景，由于需要对路口实现调控推荐，并最终达到拥堵治理的效果，因此，将时序规则得到的初始拥堵路口作为基础数据集，并赋予较大权重，所以β＞α，并对最终计算结果进行路口排序，并按照实际情况对关键路口数量进行选取。本实例中，将β定义为0.7，α定义为0.3作为上述两个事件的权重，且将组团包含路口数比上10的倍数作为选取关键路口的个数，具体复杂的组团按照实际情况增加相应关键路口数量；
在获取上述得到的关键路口后，以关键路口为分割节点，对重点异常区域进行分割，得到动态拥堵组团，优选的，具体分割流程如下：
一、对得到的关键路口数据集，确定其在组团中的位置；
二、对某一关键路口，通过上述时序规则中得到的路口之间拥堵传播关系，将由于该路口拥堵，进而造成的周边拥堵路口均划分至同一最小异常区域单位；
其中，时序规则为：对于某个组团中的任意路口对象，判定其相邻路口是否同样存在报警数据；若相邻路口不存在报警数据，则直接将该路口记录至组团优先报警数据集中，选取该组团其他路口继续计算；若相邻路口存在报警数据，则判定两个路口之间的报警传递联系，通过报警数据，确定是由当前路口提前进入报警状态，导致相邻路口进入报警状态，还是相邻路口提前进入报警状态，进而导致当前路口进入报警状态；
三、完成对所有路口的遍历之后，则输出由该组团分割后的全部最小异常区域单位；反之，返回步骤二继续计算。
图11是根据本申请实施例的14号实验拥堵组团模型示意图，如图11所示，本实施例对14号实验拥堵组团进行分割，由上述拓扑规则与时序规则计算可知，关键路口节点分别为534，162，387，388，385，794，接着根据上述动态组团分割计算规则进行分组，分组结果如12所示，图12是根据本申请实施例的14号实验拥堵组团模型分割示意图。
在其中一些实施例中，在输入拥堵组团样例数据到生成模型之前，构建对抗网络的生成模型、判别模型和损失函数，并训练对抗网络模型。其中，对抗网络(GAN)的确定可以将其归结于“二元极小极大的博弈模型”，生成模型对于数据的模拟分布无线接近真实数据的分布，实现某种意义上的极大取值，判别模型识别该数据为假的概率达到最小值，然后综合实现二者的最优化取值，最终实现无监督学习的模式，本实施例基于上述确定的条件信息，采用条件生成对抗网络实现整个异常区域的确定，图13是根据本申请实施例的基于对抗网络预测确定异常区域的流程示意图，如图13所示；
其中，优选的，本实施例的生成模型由不同时间尺度的数据计算模型、长短期神经网络模型(LSTM)、图神经网络模型(GNN)和双向循环神经网络(RNN)构成，并引入渗漏单元解决不同时间尺度数据独立计算问题，其中，具体的实现步骤为：
1、不同时间尺度的计算
将确定的工作日，非工日，节假日的拥堵组团样例数据结合条件信息输入生成模型，按照不用的时间尺度对组团输入数据进行划分，本实例中，对于时间尺度的切分总体包含以下三个尺度：一周、一日和一小时，图14是根据本申请实施例的时间尺度划分示意图，如图14所示；
对于不同时间尺度，数据构造为：对于一个确定的路网系统G＝(V，E，A)，其中，V表示路网中全部的路口集合，E表示路网中全部的边缘集合，A表示路网中全部路口的邻接矩阵。对于拥堵组团数据，使用
Figure BDA0002879712630000111
表示某一拥堵组团数据，其中a为拥堵组团自增编号，Ga表示第a号拥堵组团地理信息，包含路口地理信息，路网拓扑连接信息，ia为该区域包含的路口数据集，T为时间信息，代表某个时间切片数据；则可用
Figure BDA0002879712630000112
Figure BDA0002879712630000121
n∈N表示某个时间切片下全部拥堵组团数据集；采用
Figure BDA0002879712630000122
Figure BDA0002879712630000123
n∈N表示全部时间切片下，路网拥堵组团数据集，通过定义不同尺度的ΔT构建不同时间尺度下路网拥堵组团数据集，数据整合初步完成；
接着，对于同一时间尺度下的数据集，采用长短期记忆的方式，运用前向传播的方式，对LSTM细胞进行神经元输入特征计算，并将当前状态进行输出，图15是根据本申请实施例的LSTM计算流程示意图，如图15所示，在LSTM计算流程中，每一时刻状态h(t)的更新权重由遗忘门fi (t)控制，其中，计算公式如下式4所示：
Figure BDA0002879712630000124
其中，x(t)为输入向量，h(t)为隐藏层向量输出，bf为偏置向量，Uf为输入权重，Wf为循环权重，σ为sigmoid单元，用于将权重设置于0到1之间；
因此，LSTM内部细胞更新状态形式如下式5和6所示：
Figure BDA0002879712630000125
Figure BDA0002879712630000126
其中，
Figure BDA0002879712630000127
为细胞i在t时刻的状态，外部输入门单元
Figure BDA0002879712630000128
中的b,U,W参数与上述遗忘门的权重相互独立。
2.时间序列数据切片空间联系计算
在计算得到同一时间尺度下各个时间切片数据的时间关联性后，需要基于实际的路网模型，确定各个路网组成对象空间层面上的数据关联性，在本实例中，采用图神经网络(GNN)对路网空间数据特征进行提取计算；
由于路网状态的连续性，可以将路网N时刻的状态hN认为是路网N-1时刻的状态hN -1更新迭代而来，因此，需要根据路网组成对象及交通时序数据构造的计算数据集。对于路网中不同的时序数据，例如速度，流量，饱和度，效率指数等，可以通过构建不同路网对象向量的方式进行计算；对于确定的路网系统，路口与路口之间的拓扑关系，是影响某个时间切片数据的重要组成部分。在空间维度上，路口与路口之间的相互作用，对动态交通时序特征数据的生成有着着十分重要的影响；
因此，对于某个特定时间尺度下的数据集合的特征提取和学习，采用空间注意力机制，如下式7和8所示：
Figure BDA0002879712630000129
Figure BDA00028797126300001210
其中
Figure BDA00028797126300001211
表示在Tk的采样频率下第r个采样周期的数据输入。Vs，bs∈RN×N,
Figure BDA00028797126300001212
表示空间注意力机制中的学习参数；Cr-1表示输入数据的数据通道中的第r个数据通道，即第r个向量数据；σ为sigmoid单元，用于将权重设置于0到1之间；S表示对于各个数据通道数据学习后，路口之间联系状态数据集；S′i,j与Si,j分别为图卷积网络学习后与学习前路口i与路口j之间的联系。
在此基础上，进行空间维度卷积：基于图谱理论的思想，图上的每个点都可以看成是一个数据的输入，在此基础上，将图谱的计算转化为代数上的计算，从而对图谱的属性进行计算和分析，如下式9和10所示：
k＝D-A (9)
L＝IN-D-1/2AD-1/2 (10)
其中L为该路网所对应的图的拉普拉斯矩阵；D为该路网图的度矩阵；A为该路网图的邻接矩阵；IN为单位矩阵。
通过线性代数的知识，将拉普拉斯矩阵分解为如下式11所示：
L＝UΛUT (11)
其中U为傅里叶变换矩阵，Λ为L矩阵的特征值；
且某时刻t时该图上全部路口数据输入xt的傅里叶转化如下式12和13所示：
Figure BDA0002879712630000131
Figure BDA0002879712630000132
因此，在图G上xt的数据输入便可被卷积算子过滤，如下式14所示：
gθ*Gxt＝gθ(L)xt＝gθ(UΛUT)xt＝Ugθ(Λ)UTxt (14)
gθ*Gx提供了一个卷积运算内核用于计算t-1时刻结果的迭代，上述可以理解为将图上的信号输入数据直接转化为频域进行计算，在节点关联性上，将此理解为每个路口在的数据是由其路网中k-1个路口的数据更新而来，满足实际路网系统的状态变化规律。
3.双向循环神经网络(RNN)构建
计算得到上述不同路口之间的时间和空间关联性后，采用双向循环神经网络的方式对每个时间切片的数据序列进行前向与后向的状态学习与更新，其中，基于现实道路交通网络的实际变化规律，路网状态的变化为非突变性的，每一个状态的更新都可以看做是前一时刻的状态更新而来，但由于路网状态之间的联系是相互的，不仅是存在正向的时间序列的相互影响，也存在逆向时间序列的相互影响，因此，采用双向循环神经网络的方式对两种时间序列状态之间的关系进行计算输出，图16是根据本申请实施例的双向循环神经网络构建示意图，如图16所示，其中，主要的计算如下式15至18所示：
h(t)＝α(t)(x(t),x(t-1)，……，x(2),x(1)) (15)
g(t)＝β(t)(x(t+1),x(t+2)，……) (16)
o(t)＝C1+Vh(t)+Wg(t) (17)
L(t)＝C2+Uo(t)+Ty(t) (18)
对于上述计算公式，x为每个时间序列的数据输入，C1,C2为偏置矩阵，o为输出矩阵，L为损失，y为目标期望，h为双向神经网络的前向学习状态，g为双向神经网络的后向学习状态，α,β分别为输出层与隐藏层之间的转移计算举证，V、W为隐藏层到输出层的转移计算矩阵，U,T为损失计算矩阵；
最后通过全连接层对各个时间尺度的数据进行融合输出，得到生成模型生产完成的样本数据。
优选的，本实施例的判别模型由不同时间尺度的数据计算模型、长短期神经网络模型(LSTM)、卷积神经网络(CNN)和双向循环神经网络(RNN)构成，并引入渗漏单元解决不同时间尺度数据独立计算问题，其中，具体的实现步骤为：
输入不同时间切片下的时序数据，分别通过长短期记忆神经网络(LSTM)对于同一时间尺度下的数据集进行计算，其中，LSTM具体的计算过程如上式4至6所示，得到各个路口状态之间的时间关联性；
接着采用卷积神经网络(CNN)对路口局部特征进行提取，计算路口时序数据的局部空间关联，重点关注路口及其周边区域的异常信息，减少判别模型的计算量，卷积神经网络计算过程如下：
通过同一时间尺度下的时序数据构建输入矩阵，计算相邻时间间隔数据矩阵之间的数据变化矩阵，得到每个对象的局部特征，对于连续时间间隔上的t时刻与t-1时刻，计算公式如下式19所示：
Figure BDA0002879712630000141
其中，ReLU为传统的激励函数，用于将卷积计算结果做成非线性映射；Φ为时间维度卷积核；gθ*Gx提供一个卷积运算内核用于计算t-1时刻结果的迭代，
Figure BDA0002879712630000142
分别表示第r个路口于第r-1个路口在时间Tk时的状态。通过上述计算，得到每个路口与其周边路口的局部特征。
在计算得到路口时序数据的时间关联与局部空间关联后，构建如图16所示的双向循环神经网络(RNN),对每个时间切片的数据序列进行前向与后向的状态学习与更新，其中，RNN的具体计算如上式15至18所示；
最终通过全连接层对各个时间尺度的数据进行融合输出，得到判别模型生产完成的样本数据。
优选的，本实施例的损失函数是采用S型函数作为全连接层的激活函数，采用线性分类器与梯度下降法进行损失函数的计算，其中，对于全连接层，S型函数表达式与最终的输出表达式如下式20和21所示：
Figure BDA0002879712630000143
Figure BDA0002879712630000144
其中，Ok为输出值，n为全连接层网络层数，wj,k,wi,j分别表示节点j、k与节点i、j之间的权重；
接着，采用梯度下降法进行模型的参数更新，其中，对于迭代步长的选择尤为重要，图17是根据本申请实施例的步长选择示意图，如图17所示，在选择步长时，迭代步长过小，会由于局部极小值的影响产生错误的结果以及迭代次数的过多；迭代步长过大，可能会造成无法取到全局最小值，同样造成结果的不准确。因此，本实施例采用最快速下降法进行最小值的计算，具体计算公式如下式22至24所示：
x(k+1)＝x(k)+λkdk (22)
Figure BDA0002879712630000145
Figure BDA0002879712630000151
其中，x(k+1),x(k)分别表示在k+1与k时的取值，dk为搜索方向，λk为搜索步长。
其中具体的最小值计算操作如下：
一、记初始开始节点xk以及允许误差ε，k＝1；
二、获取搜索方向dk；
三、若‖dk‖<＝ε，则停止；反之，则计算；
四、计算x(k+1)；
五、通过x(k+1)与x(k)的变化大小与变化方向，更新生成模型与判别模型全连接层权重分配，并返回步骤2；
直至最终损失函数计算结果满足允许误差的阈值，计算模型迭代更新结束，输出最终确定的异常区域数据。
本实施例通过条件生成对抗网络中的生成模型生成样本数据，接着通过判别模型对拥堵组团样本数据进行判别，并利用损失函数反馈更新生成新的样本数据和优化模型的网络参数，最终达到生成的时序特征样本数据满足异常区域的检测与预测的作用，应用与实时路网场景中，能实时自动更新异常区域。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种路网异常区域处理的系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图18是根据本申请实施例的路网异常区域处理系统的结构框图，如图18所示，该系统包括路网异常区域识别模块181和异常区域治理模块182：
路网异常区域识别模块181，用于识别路网异常区域；异常区域治理模块182，用于对路网异常区域的规模进行处理，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对重点异常区域进行识别和分割，得到动态拥堵组团，最后将非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
通过上述系统，路网异常区域识别模块181通过获取路网路口连续拥堵报警数据，选取任意存在连续拥堵报警的路口，查询其相邻路口是否存在与其间隔一定时间差的连续拥堵报警，若存在则将相邻路口本身持续报警间隔时间按照对应预设积分累加，将累加结果满足预设阈值条件的路口首尾相连，构建拥堵组团，然后遍历路网所有路口，输出路网异常区域；此外，路网异常区域识别模块181还可以通过条件生成对抗网络中的生成模型生成样本数据，接着通过判别模型对拥堵组团样本数据进行判别，并利用损失函数反馈更新生成新的样本数据和优化模型的网络参数，最终达到生成的时序特征样本数据满足异常区域的检测与预测的作用，应用与实时路网场景中，能实时自动更新异常区域，提高模型的实时性和实用性；异常区域治理模块182按照现实场景将确定异常区域进行划分处理，并将规模较大的拥堵组团分割为规模较小的动态组团后，各个小组团的拥堵传播行为分别由各个动态组团关键路口开始自上而下传播，将大规模拥堵组团调控复杂、收效甚微的问题转化为对各个动态组团的微观调控，从局部对各个大规模拥堵组团进行调控，最后达到整体治理的效果，并针对现实场景中不同的异常拥堵区域提供相应的推荐治理方案，为道路交通治理提供了针对性的有效数据支持及推荐，提高了道路治理的效果。
下面结合应用场景对本发明进行详细的说明。
为了综合实现异常区域的实时识别，预测，校验与更新的轻量级算法，本发明提供一种路网异常区域处理的方法和系统，图19是根据本申请实施例的基于对抗网络的路网异常区域处理的总体方案流程示意图，如图19所示，本实施例中的路网异常区域处理的技术方案的流程步骤包括：
S1，将历史拥堵组团交通数据输入基于对抗网络的路网异常区域识别模型进行训练；
S2，对抗网络的生成模型确定，并通过生成模型生成样本数据，得到该样本数据后，通过条件信息对样本数据进行限制和检验；
S3，对抗网络的判别模型确定，通过判别模型对生成模型生成的样本数据进行生产，在得到判别模型生产的样本数据后，通过条件信息对该样本数据进行限制和检验，接着通过贝叶斯概率模型对路口属于异常区域的概率进行检验；
S4，对抗网络的损失函数的确定，通过损失函数对生成模型和判别模型进行迭代优化，完成路网异常区域识别模型训练；获取当前路网拥堵路口交通数据，输入训练好的路网异常区域识别模型，，将属于异常区域的概率大于预设阈值的路口通过拓扑关系重新连接为组团，输出路网异常区域；
S5，异常区域规模分析，对确定异常区域数据的规模进行分析处理，得到非重点异常区域和重点异常区域，并通过拥堵传递模型对重点异常区域进行识别和分割，得到动态拥堵组团。其中，确定拥堵传递模型包括：对重点异常区域进行路口时序检测，根据时序规则得到初始拥堵关键路口集合；对重点异常区域进行拓扑重要路口识别，根据拓扑规则得到拓扑重要路口集合；通过初始拥堵关键路口和所述拓扑重要路口进行计算排序，按照实际情况选取最终的关键路口，得到关键路口后，以关键路口为分割节点，对重点异常区域进行分割，得到动态拥堵组团；
S6，最小异常区域单位治理模型确定，将非重点异常区域和动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
另外，结合上述实施例中的路网异常区域处理的方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种路网异常区域处理的方法。
在一个实施例中，图20是根据本申请实施例的电子设备的内部结构示意图，如图20所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图20所示。该电子设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储数据。该电子设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路网异常区域处理的方法。
本领域技术人员可以理解，图20中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种路网异常区域处理的方法，其特征在于，所述方法包括：
识别路网异常区域；
对所述路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对所述重点异常区域进行关键路口识别和分割，得到动态拥堵组团；
将所述非重点异常区域和所述动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
2.根据权利要求1所述的方法，其特征在于，所述通过拥堵传递模型对所述重点异常区域进行关键路口识别包括：
对所述重点异常区域进行路口拥堵时序检测，根据拥堵时序规则确定路口间拥堵传播关系，识别所述重点异常区域内优先进入拥堵状态的路口，得到初始拥堵关键路口集合；
对所述重点异常区域进行拓扑重要路口识别，基于图论根据介数和连通性识别拓扑重要路口，得到拓扑重要路口集合；
基于所述初始拥堵关键路口集合和所述拓扑重要路口集合，依据组团实际使用场景，通过贝叶斯概率模型计算各路口为关键路口的概率并排序，按照实际情况选取最终的关键路口数量，得到关键路口集合。
3.根据权利要求2所述的方法，其特征在于，所述对所述重点异常区域进行分割包括：
以所述关键路口为分割节点，基于所述路口间拥堵传播关系，对所述重点异常区域进行分割，将所述关键路口及其引起的周边拥堵路口划分至同一最小异常区域单位，得到所述动态拥堵组团。
4.根据权利要求1所述的方法，其特征在于，所述路网异常区域识别方法包括：
获取路网路口连续拥堵报警数据，选取任意存在连续拥堵报警的路口，查询其相邻路口是否存在与其间隔一定时间差的连续拥堵报警，若存在则将所述相邻路口本身持续报警间隔时间按照对应预设积分累加，将累加结果满足预设阈值条件的路口首尾相连，构建拥堵组团；
遍历路网所有路口，输出路网异常区域。
5.根据权利要求1所述的方法，其特征在于，所述路网异常区域识别方法还包括：
获取历史拥堵组团交通数据，按照不同时间尺度对所述历史拥堵组团交通数据进行划分，输入条件生成对抗网络进行训练，生成路网异常区域识别模型；
获取当前路网拥堵路口交通数据，输入所述路网异常区域识别模型，识别路网异常区域。
6.根据权利要求5所述的方法，其特征在于，所述条件生成对抗网络包括生成模型和判别模型；
所述生成模型，包括多时间尺度的长短期神经网络、图神经网络和双向循环神经网络，并引入渗漏单元解决不同时间尺度数据独立计算问题；所述长短期神经网络提取所述历史拥堵组团交通数据的各时间尺度下各时间切片数据的时间关联特征；所述图神经网络提取所述历史拥堵组团交通数据的空间关联特征；所述双向循环神经网络对各时间切片数据进行前向与后向的状态学习与更新，最终通过全连接层对各时间尺度的数据进行融合输出；
所述判别模型，包括长短期神经网络、卷积神经网络和双向循环神经网络；并引入渗漏单元解决不同时间尺度数据独立计算问题；所述长短期神经网络提取所述历史拥堵组团交通数据的各时间尺度下各时间切片数据的时间关联特征；所述卷积神经网络提取所述历史拥堵组团每个路口与其周边路口的局部空间关联特征；所述双向循环神经网络对各时间切片数据进行前向与后向的状态学习与更新，最终通过全连接层对各时间尺度的数据进行融合输出。
7.根据权利要求6所述的方法，其特征在于，所述条件生成对抗网络以路网空间连接关系和状态时序数据基本规律作为条件信息，对所述生成模型和所述判别模型输出的数据进行检验。
8.根据权利要求7所述的方法，其特征在于，所述条件生成对抗网络，基于所述生成模型和所述判别模型输出的数据，采用贝叶斯概率模型计算路口在生成模型和判别模型输出数据中均属于异常区域的概率，并依据该方法使用场景，赋予上述两种概率不同的权重，综合计算路口属于异常区域的概率，并将所述路口属于异常区域的概率大于预设阈值的路口通过拓扑关系重新连接为组团，输出路网异常区域。
9.根据权利要求1所述的方法，其特征在于，将所述非重点异常区域和所述动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案，包括：所述最小异常区域单位包括十字形拥堵模块、T形拥堵模块、竖形拥堵模块、L形拥堵模块和单路口等形态，所述非重点异常区域和所述动态拥堵组团均可划分为最小异常区域单位任意形态或其任意组合，基于划分得到的各最小异常区域单位对应的治理方法，推荐异常区域治理方案。
10.一种路网异常区域处理的系统，其特征在于，所述系统包括：
路网异常区域识别模块，用于识别路网异常区域；
异常区域治理模块，用于对所述路网异常区域的规模进行分析，区分为非重点异常区域和重点异常区域，并通过拥堵传递模型对所述重点异常区域进行关键路口识别和分割，得到动态拥堵组团，
将所述非重点异常区域和所述动态拥堵组团输入最小异常区域单位治理模型中，得到异常区域治理的推荐方案。
CN202011645168.XA 2020-12-31 2020-12-31 路网异常区域处理的方法及系统 Active CN112820105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011645168.XA CN112820105B (zh) 2020-12-31 2020-12-31 路网异常区域处理的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011645168.XA CN112820105B (zh) 2020-12-31 2020-12-31 路网异常区域处理的方法及系统

Publications (2)

Publication Number Publication Date
CN112820105A true CN112820105A (zh) 2021-05-18
CN112820105B CN112820105B (zh) 2022-08-26

Family

ID=75856637

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011645168.XA Active CN112820105B (zh) 2020-12-31 2020-12-31 路网异常区域处理的方法及系统

Country Status (1)

Country Link
CN (1) CN112820105B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411549A (zh) * 2021-06-11 2021-09-17 上海兴容信息技术有限公司 一种判断目标门店的业务是否正常的方法
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
CN114626169A (zh) * 2022-03-03 2022-06-14 北京百度网讯科技有限公司 交通路网优化方法、装置、设备、可读存储介质及产品
CN114783183A (zh) * 2022-04-15 2022-07-22 中远海运科技股份有限公司 一种基于交通态势算法的监控方法与系统
CN115376318A (zh) * 2022-08-22 2022-11-22 重庆邮电大学 一种基于多属性融合神经网络的交通数据补偿方法
EP4109431A1 (en) * 2021-06-30 2022-12-28 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method, apparatus and storage medium of determining state of intersection
CN116071929A (zh) * 2023-03-06 2023-05-05 深圳市城市交通规划设计研究中心股份有限公司 基于卡口车牌识别数据的实时路况监测系统及其方法
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150199904A1 (en) * 2014-01-13 2015-07-16 Electronics And Telecommunications Research Institute System and method for controlling vehicle at intersection
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN109754598A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种拥堵组团识别方法及系统
CN109829543A (zh) * 2019-01-31 2019-05-31 中国科学院空间应用工程与技术中心 一种基于集成学习的数据流在线异常检测方法
CN110648526A (zh) * 2018-09-30 2020-01-03 北京奇虎科技有限公司 一种基于关键路口的路况预警方法及装置
CN111145548A (zh) * 2019-12-27 2020-05-12 银江股份有限公司 一种基于数据场和节点压缩的重点路口识别及子区划分方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150199904A1 (en) * 2014-01-13 2015-07-16 Electronics And Telecommunications Research Institute System and method for controlling vehicle at intersection
CN109754597A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种城市道路区域拥堵调控策略推荐系统及方法
CN109754598A (zh) * 2018-08-02 2019-05-14 银江股份有限公司 一种拥堵组团识别方法及系统
CN110648526A (zh) * 2018-09-30 2020-01-03 北京奇虎科技有限公司 一种基于关键路口的路况预警方法及装置
CN109829543A (zh) * 2019-01-31 2019-05-31 中国科学院空间应用工程与技术中心 一种基于集成学习的数据流在线异常检测方法
CN111145548A (zh) * 2019-12-27 2020-05-12 银江股份有限公司 一种基于数据场和节点压缩的重点路口识别及子区划分方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411549A (zh) * 2021-06-11 2021-09-17 上海兴容信息技术有限公司 一种判断目标门店的业务是否正常的方法
CN113411549B (zh) * 2021-06-11 2022-09-06 上海兴容信息技术有限公司 一种判断目标门店的业务是否正常的方法
EP4109431A1 (en) * 2021-06-30 2022-12-28 Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. Method, apparatus and storage medium of determining state of intersection
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
CN114626169A (zh) * 2022-03-03 2022-06-14 北京百度网讯科技有限公司 交通路网优化方法、装置、设备、可读存储介质及产品
CN114783183A (zh) * 2022-04-15 2022-07-22 中远海运科技股份有限公司 一种基于交通态势算法的监控方法与系统
CN114783183B (zh) * 2022-04-15 2024-05-24 中远海运科技股份有限公司 一种基于交通态势算法的监控方法与系统
CN115376318A (zh) * 2022-08-22 2022-11-22 重庆邮电大学 一种基于多属性融合神经网络的交通数据补偿方法
CN115376318B (zh) * 2022-08-22 2023-12-29 中交投资(湖北)运营管理有限公司 一种基于多属性融合神经网络的交通数据补偿方法
CN116071929A (zh) * 2023-03-06 2023-05-05 深圳市城市交通规划设计研究中心股份有限公司 基于卡口车牌识别数据的实时路况监测系统及其方法
CN117688505A (zh) * 2024-02-04 2024-03-12 河海大学 一种植被大范围区域化负异常的预测方法及系统
CN117688505B (zh) * 2024-02-04 2024-04-19 河海大学 一种植被大范围区域化负异常的预测方法及系统

Also Published As

Publication number Publication date
CN112820105B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN112820105B (zh) 路网异常区域处理的方法及系统
CN110647900B (zh) 基于深度神经网络的安全态势智能预测方法、装置及系统
CN108399748B (zh) 一种基于随机森林与聚类算法的道路旅行时间预测方法
CN109992479A (zh) 一种多维度kpi数据异常定位方法、装置及计算机设备
CN111309824A (zh) 实体关系图谱显示方法及系统
Jin et al. A GAN-based short-term link traffic prediction approach for urban road networks under a parallel learning framework
Meng et al. A two-stage short-term traffic flow prediction method based on AVL and AKNN techniques
CN110164129B (zh) 基于gernn的单交叉口多车道交通流量预测方法
CN114120652A (zh) 一种基于动态图神经网络的交通流量预测方法
CN114118507A (zh) 一种基于多维信息融合的风险评估预警方法和装置
CN115206092A (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115269247A (zh) 基于深度森林的闪存坏块预测方法、系统、介质及设备
WO2022142026A1 (zh) 分类网络构建方法以及基于分类网络的分类方法
Zanchettin et al. Design of experiments in neuro-fuzzy systems
Chen et al. A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification
CN116822360A (zh) 电力系统频率轨迹预测方法、装置、介质和设备
Maghrebi et al. Exploring experts decisions in concrete delivery dispatching systems using Bayesian network learning techniques
Tamura et al. Recurrent type ANFIS using local search technique for time series prediction
CN113537607B (zh) 停电预测方法
Li et al. Hydropower generation forecasting via deep neural network
Ting et al. Revisiting random forests in a comparative evaluation of graph convolutional neural network variants for traffic prediction
Voznika et al. Data mining classification
CN114117903A (zh) 一种基于bp神经网络的轨道交通短时客流预测方法
Lawlor et al. Time-varying mixtures of Markov chains: an application to road traffic modeling
Agafonov et al. Short-term traffic flow forecasting using a distributed spatialtemporal model

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
CB02 Change of applicant information

Address after: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Applicant after: Yinjiang Technology Co.,Ltd.

Address before: 310012 1st floor, building 1, 223 Yile Road, Hangzhou City, Zhejiang Province

Applicant before: ENJOYOR Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210518

Assignee: ZHEJIANG YINJIANG TRAFFIC TECHNOLOGY Co.,Ltd.

Assignor: Yinjiang Technology Co.,Ltd.

Contract record no.: X2023980042517

Denomination of invention: Method and System for Handling Abnormal Areas in Road Networks

Granted publication date: 20220826

License type: Common License

Record date: 20230925

EE01 Entry into force of recordation of patent licensing contract