CN112862240B - 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质 - Google Patents

一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质 Download PDF

Info

Publication number
CN112862240B
CN112862240B CN202011612210.8A CN202011612210A CN112862240B CN 112862240 B CN112862240 B CN 112862240B CN 202011612210 A CN202011612210 A CN 202011612210A CN 112862240 B CN112862240 B CN 112862240B
Authority
CN
China
Prior art keywords
road
road network
grid
data
obstacle
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.)
Active
Application number
CN202011612210.8A
Other languages
English (en)
Other versions
CN112862240A (zh
Inventor
陈龙彪
游建议
王程
范晓亮
谢天琦
黄靖淳
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202011612210.8A priority Critical patent/CN112862240B/zh
Publication of CN112862240A publication Critical patent/CN112862240A/zh
Application granted granted Critical
Publication of CN112862240B publication Critical patent/CN112862240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于城市大数据的道路障碍风险评估方法、装置和可存储介质，方法包括：城市路网提取：统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；路网特征提取：提取每个路网网格对应的时空和情境特征；道路障碍风险预测：通过社交网络数据，爬取特定字段，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，获取各个时段各个路网网格无发生道路障碍事件数据；基于Self‑training自训练模型的模型预测；本发明提供的方法，基于多源数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。

Description

一种基于城市大数据的道路障碍风险评估方法、装置及可读 存储介质
技术领域
本发明涉及人工智能、大数据、城市计算领域，特别是指一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质。
背景技术
道路障碍主要指妨碍道路正常通行通车的异常现象。无论是对于城市管理还是城市应急来说，道路障碍一直以来都困扰着各个城市。道路障碍给城市的正常运转带来许多不必要的麻烦，如交通问题、安全问题。同时，道路障碍也对群众造成困扰，影响群众的出行。
传统道路障碍检测主要依靠城市调查员的实地调查和摄像头查看的方式。该传统方法的缺陷在于调查过程造成大量时间成本和人力财力成本的消耗，且摄像头受限于天气和光线，更重要的是此类方法无法做到风险的预测。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于城市大数据的道路障碍风险评估方法，基于多源数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。
本发明采用如下技术方案：
本发明实施例一方面提供一种基于城市大数据的道路障碍风险评估方法，包括如下步骤：
城市路网提取：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；
路网特征提取：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；
道路障碍风险预测：通过社交网络数据，利用关键字，爬取特定字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测。
具体地，所述路网特征提取，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体为：
对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；
对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征。
具体地，所述通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据，具体包括：
将浮动车按各个时间映射到各个路网当中；
设置阈值，大于阈值则认为所述时间段、所述路网网格无发生道路障碍事件，作为无发生道路障碍事件数据。
具体地，所述根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测，具体包括：
根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件；
合并所提取的路网特征以及事件数据，得到三个数据集，一个为发生道路障碍事件数据集，一个为无发生道路障碍数据集，一个为未知数据集。
将发生道路障碍事件数据集和无发生道路障碍数据集进行训练，得到一个分类器后，对未知数据集进行预测，取置信度最高的N个数据加入训练集中训练，直到模型最优，N为整数。
本发明实施例另一方面提供一种基于城市大数据的道路障碍风险评估装置，包括：
城市路网提取单元：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；
路网特征提取单元：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；
道路障碍风险预测单元：通过微博等社交网络数据，利用关键字，爬取特定字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测。
具体地，所述路网特征提取单元中，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体包括：
对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；
对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征。
具体地，所述道路障碍风险预测单元中，通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据，具体包括：
将浮动车按各个时间映射到各个路网当中；
设置阈值，大于阈值则认为所述时间段、所述路网网格无发生道路障碍事件，作为无发生道路障碍事件数据。
具体地，所述道路障碍风险预测单元中，根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测，具体包括：
根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件；
合并所提取的路网特征以及事件数据，得到三个数据集，一个为发生道路障碍事件数据集，一个为无发生道路障碍数据集，一个为未知数据集。
将发生道路障碍事件数据集和无发生道路障碍数据集进行训练，得到一个分类器后，对未知数据集进行预测，取置信度最高的N个数据加入训练集中训练，直到模型最优，N为整数。
本发明实施例再一方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于执行上述基于城市大数据的道路障碍风险评估方法。
由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：
(1)本发明提供一种基于城市大数据的道路障碍风险评估方法，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；提取每个路网网格对应的时空和情境特征，以及所对应的发生道路障碍和没有发生道路障碍的事件，最后采用Self-training自训练神经网络模型对道路障碍风险进行预测，实现多源数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。
(2)由于道路随着城市发展而变化，且道路不时会进行维护，各大地图的更新相对没那么快，导致城市路网的差错性；本发明利用浮动车数据，运用聚类算法进行路网的提取，运用及时的、近期的浮动车数据对城市路网进行相应路网的提取，较好地避免了上述问题。
附图说明
图1本发明实施例技术方案的整体流程框架图；
图2本发明实施例厦门岛网格图；
图3本发明实施例厦门路网图；
图4本发明实施例数字高程模型(DEM)特征图；
图5本发明实施例的树木覆盖率图；
图6本发明实施例的群智感知获取事件数据图；其中图(a)为来自社交网络原始数据；图(b)为群智感知；图(c)为最终数据；
图7本发明实施例Self-training方法的原理图。
以下结合附图和具体实施例对本发明作进一步详述。
具体实施方式
如图1是本发明实施例技术方案的整体流程框架图，其共分为三个阶段，一是对城市路网进行提取，二是对路网特征进行提取，三是进行道路障碍风险预测。城市路网提取基于城市网格，按网格时间划分，提取浮动车数据，进行聚类，得到城市道路；路网特征提取涉及异构数据融合技术，从遥感卫星图像、DEM数据、城市天气、城市POI等异构数据中提取与道路障碍发生相关的特征信息；道路障碍风险评估基于群智感知技术提取相关事件，利用Self-training自训练神经网络模型实现道路障碍风险的预测；
详述具体实施步骤为：
S1：城市路网提取：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；
首先，从城市根据经纬度划分成同样大小的网格，如图2所示。接着，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量。最后，将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段。如图3所示，分别包括非路网块A，每个时段所对应的浮动车车辆数几乎都为0，如象屿保税区路段；主路网块B，在清晨只有少量的浮动车，在其他时间则有大量的浮动车，如仙岳路路段；深夜路网块C，午夜时分有很多浮动车，如嘉禾路靠近明发广场路段，日常路网块D，如环岛干道靠近厦门高崎机场路段，只有航班降落时才有浮动车，无航班时几乎没有浮动车；通勤路网块E，在通勤时间有很多浮动车，如环岛干道靠近软件园二期路段；休息路网块F，在休息时间段有很多浮动车，如文兴东路路段。
获取相应城市的经纬度，以及相应地图底图，这里具体为厦门岛。
将城市根据经度和纬度分为Nr(I×J)个网格块，这里具体采用了根据厦门岛经纬度([24.423250,118.064743]-[24.561485,118.198504])，将厦门岛分为154×136个网格块。
使用浮动车数据进行路网提取：
将浮动车数据按照时间段映射到各个网格块中，这里具体采用了厦门市出租车数据，将出租车数据根据24小时归类，映射到每一个网格块上，得到154×136个网格块都有24小时出租车数量数据。
采用python中Sklearn库对以上每个网格块，根据24小时出租车数量进行聚类，聚成6类，其中有一类为非路网。
路网特征提取：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；
特征的提取为模型的训练做好铺垫，本阶段主要提取每个路网网格对应的时空和情境特征。时空特征主要为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征。对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征。对于情境特征，首先通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，如图4所示，接着通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，如图5所示，最后将POI根据GPS映射到各个路网网格中，并统计其数量，作为其POI特征。
S3：道路障碍风险预测：通过社交网络数据，利用关键字，爬取特定字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测。
通过微博等社交网络数据，爬取特定字段微博，如“内涝”、“树木倒伏”等，由于获取到的数据有些并非我们所需要的数据，如“内涝应急演练”，且获取到的数据没有对应的路网网格信息，因此我们将获取到的原始数据通过群智感知系统，由群智感知者进行录入，获取到最终需要的数据，如图6所示。
将浮动车按各个时间映射到各个路网当中；设置阈值，大于阈值则认为所述时间段、所述路网网格无发生道路障碍事件，作为无发生道路障碍事件数据。
根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，如图7所示；首先利用已知发生道路障碍和没有发生道路障碍的事件，融合城市多源特征，训练一个模型，得到一个分类器，再运用这个分类器将未知发生与否的数据进行预测，取置信度高的打上标签后加入训练集中参与训练，直到准确率达到某个值，跳出循环，得到最终的分类模型，具体为：
合并所提取的路网特征以及事件数据，得到三个数据集，一个为发生道路障碍事件数据集，一个为无发生道路障碍数据集，一个为未知数据集。
将发生道路障碍事件数据集和无发生道路障碍数据集进行训练，得到一个分类器后，对未知数据集进行预测，取置信度最高的10个数据加入训练集中训练，直到模型最优。
本发明实施例另一方面提供一种基于城市大数据的道路障碍风险评估装置，包括：
城市路网提取单元：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；
路网特征提取单元：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；
道路障碍风险预测单元：通过微博等社交网络数据，利用关键字，爬取特定字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测。
具体地，所述路网特征提取单元中，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体包括：
对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；
对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征。
具体地，所述道路障碍风险预测单元中，通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据，具体包括：
将浮动车按各个时间映射到各个路网当中；
设置阈值，大于阈值则认为所述时间段、所述路网网格无发生道路障碍事件，作为无发生道路障碍事件数据。
具体地，所述道路障碍风险预测单元中，根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测，具体包括：
根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件；
合并所提取的路网特征以及事件数据，得到三个数据集，一个为发生道路障碍事件数据集，一个为无发生道路障碍数据集，一个为未知数据集。
将发生道路障碍事件数据集和无发生道路障碍数据集进行训练，得到一个分类器后，对未知数据集进行预测，取置信度最高的N个数据加入训练集中训练，直到模型最优，N为整数。
本发明实施例再一方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于执行上述基于城市大数据的道路障碍风险评估方法。
计算机指令(也称作程序、软件、软件应用或代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算机指令。术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。
上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。

Claims (5)

1.一种基于城市大数据的道路障碍风险评估方法，其特征在于，包括如下步骤：
城市路网提取：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；
路网特征提取：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；
道路障碍风险预测：通过社交网络数据，利用关键字，爬取字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测；
所述通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据，具体包括：
将浮动车按各个时间映射到各个路网当中；
设置阈值，大于阈值则认为所述时间段、所述路网网格无发生道路障碍事件，作为无发生道路障碍事件数据；
所述根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测，具体包括：
根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件；
合并所提取的路网特征以及事件数据，得到三个数据集，一个为发生道路障碍事件数据集，一个为无发生道路障碍数据集，一个为未知数据集；
将发生道路障碍事件数据集和无发生道路障碍数据集进行训练，得到一个分类器后，对未知数据集进行预测，取置信度最高的N个数据加入训练集中训练，直到模型最优，N为整数。
2.根据权利要求1所述的一种基于城市大数据的道路障碍风险评估方法，其特征在于，所述路网特征提取，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体为：
对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；
对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征。
3.一种基于城市大数据的道路障碍风险评估装置，其特征在于，包括：
城市路网提取单元：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；
路网特征提取单元：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；
道路障碍风险预测单元：通过社交网络数据，利用关键字，爬取字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测；
所述路网特征提取单元中，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体包括：
对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；
对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征；
所述道路障碍风险预测单元中，根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测，具体包括：
根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件；
合并所提取的路网特征以及事件数据，得到三个数据集，一个为发生道路障碍事件数据集，一个为无发生道路障碍数据集，一个为未知数据集；
将发生道路障碍事件数据集和无发生道路障碍数据集进行训练，得到一个分类器后，对未知数据集进行预测，取置信度最高的N个数据加入训练集中训练，直到模型最优，N为整数。
4.根据权利要求3中所述的基于城市大数据的道路障碍风险评估装置，其特征在于，所述路网特征提取单元中，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体包括：
对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；
对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征。
5.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于执行权利要求1-2中任一项所述的方法。
CN202011612210.8A 2020-12-30 2020-12-30 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质 Active CN112862240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011612210.8A CN112862240B (zh) 2020-12-30 2020-12-30 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011612210.8A CN112862240B (zh) 2020-12-30 2020-12-30 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN112862240A CN112862240A (zh) 2021-05-28
CN112862240B true CN112862240B (zh) 2022-05-17

Family

ID=75998557

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011612210.8A Active CN112862240B (zh) 2020-12-30 2020-12-30 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN112862240B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113283665B (zh) * 2021-06-10 2022-07-19 北京邮电大学 一种基于路网的城市交通事故风险预测方法
CN114492544B (zh) * 2022-04-15 2022-07-26 腾讯科技（深圳）有限公司 模型训练方法及装置、交通事件发生概率评估方法及装置
CN114925994A (zh) * 2022-05-07 2022-08-19 厦门大学 一种基于深度学习的城中村风险评估和风险因素定位方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009092468A (ja) * 2007-10-05 2009-04-30 Central Res Inst Of Electric Power Ind 災害被害想定装置、災害被害想定方法および災害被害想定プログラム
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN109117987A (zh) * 2018-07-18 2019-01-01 厦门大学 基于深度学习的个性化交通事故风险预测推荐方法
CN109828999A (zh) * 2019-01-24 2019-05-31 厦门大学 基于多源跨域城市大数据的灾后道路故障检测识别方法
CN111696369A (zh) * 2020-04-10 2020-09-22 北京数城未来科技有限公司 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009092468A (ja) * 2007-10-05 2009-04-30 Central Res Inst Of Electric Power Ind 災害被害想定装置、災害被害想定方法および災害被害想定プログラム
CN107103758A (zh) * 2017-06-08 2017-08-29 厦门大学 一种基于深度学习的城市区域交通流量预测方法
CN109117987A (zh) * 2018-07-18 2019-01-01 厦门大学 基于深度学习的个性化交通事故风险预测推荐方法
CN109828999A (zh) * 2019-01-24 2019-05-31 厦门大学 基于多源跨域城市大数据的灾后道路故障检测识别方法
CN111696369A (zh) * 2020-04-10 2020-09-22 北京数城未来科技有限公司 一种基于多源地理空间大数据的全市道路分时分车型交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
tacle Identification for Disaster Response Leveraging Cross-Domain Urban Data";LONGBIAO CHEN et al;《ACM》;20180131;全文 *

Also Published As

Publication number Publication date
CN112862240A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN112862240B (zh) 一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质
Moosavi et al. Accident risk prediction based on heterogeneous sparse data: New dataset and insights
US11554776B2 (en) System and method for predicting of absolute and relative risks for car accidents
CN110276950B (zh) 一种基于卡口视频数据的城市交通出行链重构方法
US7801842B2 (en) Method and system for spatial behavior modification based on geospatial modeling
WO2021082464A1 (zh) 预测车辆的目的地的方法和装置
US20110191284A1 (en) Temporal-Influenced Geospatial Modeling System and Method
US20080154829A1 (en) Temporal-influenced geospatial modeling system and method
CN112488185B (zh) 包含时空特性的车辆运行参数预测方法和系统
CN112447041A (zh) 识别车辆的营运行为的方法、装置及计算设备
Kuffer et al. Do we underestimate the global slum population?
Li et al. Defining the boundaries of urban built-up area based on taxi trajectories: a case study of Beijing
CN114372503A (zh) 一种集群车辆运动轨迹预测方法
Wan et al. Taxi origin-destination areas of interest discovering based on functional region division
CN112215059A (zh) 一种基于深度学习的城中村识别和人口估计方法、系统及计算机可读存储介质
CN115878689A (zh) 基于网格化管理的气象与城市运行体征关联规则挖掘方法
CN106558217A (zh) 一种获取路边停车场信息的方法、装置及服务器
Zheng et al. A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images
CN114913475B (zh) 基于gis和机器视觉的城市网格化管理方法及系统
Cerqueira et al. Integrative analysis of traffic and situational context data to support urban mobility planning
CN114925994A (zh) 一种基于深度学习的城中村风险评估和风险因素定位方法
Lian et al. Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency
CN112732446B (zh) 一种任务处理方法、装置及存储介质
CN114139984A (zh) 基于流量与事故协同感知的城市交通事故风险预测方法
CN114979204A (zh) 一种高速公路运营管理数字化管控平台

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
GR01 Patent grant
GR01 Patent grant