CN113052405B - 基于物联网和人工智能的交通拥堵预测与优化方法 - Google Patents

基于物联网和人工智能的交通拥堵预测与优化方法 Download PDF

Info

Publication number
CN113052405B
CN113052405B CN202110502153.6A CN202110502153A CN113052405B CN 113052405 B CN113052405 B CN 113052405B CN 202110502153 A CN202110502153 A CN 202110502153A CN 113052405 B CN113052405 B CN 113052405B
Authority
CN
China
Prior art keywords
vehicle
urban area
path
road
congestion
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
CN202110502153.6A
Other languages
English (en)
Other versions
CN113052405A (zh
Inventor
林兴叶
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.)
HUBEI XUNHUA TECHNOLOGY Co.,Ltd.
Original Assignee
Hubei Xunhua Technology 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 Hubei Xunhua Technology Co ltd filed Critical Hubei Xunhua Technology Co ltd
Priority to CN202110502153.6A priority Critical patent/CN113052405B/zh
Publication of CN113052405A publication Critical patent/CN113052405A/zh
Application granted granted Critical
Publication of CN113052405B publication Critical patent/CN113052405B/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
    • G06Q10/04—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
    • 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
    • G06N3/08—Learning methods
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于物联网和人工智能的交通拥堵预测与优化方法，其包括：获取城市区域的拥堵分析数据，并将拥堵分析数据输入交通拥堵预测模型以判断城市区域是否拥堵；将拥堵的城市区域作为第一城市区域，然后根据第一城市区域内各第一车辆终端发送的车辆疏导数据和第一城市区域的拥堵分析数据为第一城市区域内的每个车辆初始化一条初始车辆疏导路径。根据拥堵分析数据和车辆疏导数据获取第一参考系数和第二参考系数；根据所述第一参考系数、第二参考系数、第一调整系数和第二调整系数和第一路径优化函数建立第二路径优化函数。根据第二路径优化函数对每个车辆的初始车辆疏导路径进行优化以得到每个车辆的最优车辆疏导路径。

Description

基于物联网和人工智能的交通拥堵预测与优化方法
技术领域
本发明涉及交通分析管理和人工智能领域，尤其涉及一种基于物联网和人工智能的交通拥堵预测与优化方法。
背景技术
物联网是在计算机互联网的基础上，把任何物品与互联网相连接，进行信息交换和通信，以实现对物品的智能化识别、定位、跟踪、监控和管理的一种网络。交通是城市经济活动的命脉，对城市经济发展、人民生活水平的提高起着十分重要的作用。随着社会经济的不断发展，汽车已成为人们出行不可缺少的交通工具，但随着汽车的拥有量不断增加，城市交通拥堵现象日益严重，给人们的出行带来了很大的影响。道路的扩建速度远远满足不了机动车的正常行驶需要，造成机动车拥堵成为了新常态，特别是在突发事件时，城市交通和突发事件应对策略显得非常薄弱。
我国大中型城市的突发事件、重大灾难事故、日常交通事件等都急需一套有效地应急系统进行管理。当前传统的城市交通应急系统，其结构复杂、成本高、应急能力不强，信息的交换与通信能力有限，不能对突发事件制定出合理而快捷地应急措施，不能很好地保证交通的畅通性，更没同时考虑兼顾交通信号灯、工作人员和驾驶员之间的统一协调。
发明内容
为了解决现有技术的不足，本发明提供了一种基于物联网和人工智能的交通拥堵预测与优化方法，其包括：
周期性地获取城市区域的城市区域图像和车辆出入数据，并对所述城市区域图像和车辆出入数据进行数据分析得到城市区域的车辆分布数据；
从数据库获取城市区域的道路分布数据，并对所述道路分布数据和车辆分布数据进行数据融合生成城市区域的拥堵分析数据；
将所述拥堵分析数据输入交通拥堵预测模型的第二子模型以输出第二高维特征向量，并将随机生成的高斯白噪声输入交通拥堵预测模型的第一子模型以输出与第二高维特征向量的维度相同的第一高维特征向量，然后交通拥堵预测模型的第二子模型根据第一高维特征向量和第二高维特征向量判断城市区域是否拥堵；
将拥堵的城市区域作为第一城市区域，并根据第一城市区域内各第一车辆终端发送的车辆疏导数据和第一城市区域的拥堵分析数据为第一城市区域内的每个车辆初始化一条初始车辆疏导路径；
根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端发送的车辆疏导数据计算第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度，并分别将第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度进行归一化处理得到第一参考系数和第二参考系数；
从数据库获取第一调整系数、第二调整系数和第一路径优化函数，并根据第一参考系数、第二参考系数、第一调整系数和第二调整系数和第一路径优化函数建立第二路径优化函数，然后根据所述第二路径优化函数对第一城市区域内每个车辆的初始车辆疏导路径进行优化更新以得到第一城市区域内每个车辆的第一车辆疏导路径；
根据第一城市区域内每个车辆对应的第一车辆疏导路径和第一城市区域内每条道路的拥堵值得到第一城市区域的交通疏导时间，并判断所述交通疏导时间是否小于预设交通疏导时间；在所述交通疏导时间不小于预设交通疏导时间时，对第一车辆疏导路径进行优化更新并重复该步骤；
在所述交通疏导时间小于预设交通疏导时间时，将相应的第一车辆疏导路径作为最优车辆疏导路径并将其发送到相应的车辆终端。
根据一个优选实施方式，所述交通拥堵预测模型包括：输入层、第一子模型、第二子模型和输出层；所述第一子模型包括：反卷积层和激励层；所述第二子模型包括：特征模型和判别模型；所述特征模型包括：卷积层、激励层、归一化层和池化层。
根据一个优选实施方式，将拥堵分析数据通过交通拥堵预测模型的输入层输入交通拥堵预测模型；
第二子模型的特征模型的卷积层对所述拥堵分析数据进行特征提取，第二子模型的特征模型的激励层对卷积层输出的数据进行非线性映射，第二子模型的特征模型的归一化层对激励层输出的数据进行归一化处理，第二子模型的特征模型的池化层对归一化层输出的数据进行池化处理输出第二高维特征向量；
随机生成一个高斯白噪声，第一子模型的反卷积层对所述高斯白噪声进行上采样以将所述高斯白噪声映射到低维空间从而生成第一低维特征向量；第一子模型的激励层将所述第一低维特征向量转化为与所述第二高维特征向量维度相同的向量以输出第一高维特征向量；
第二子模型的判别模型根据第一高维特征向量和第二高维特征向量计算相应城市区域的拥堵判断值，并将所述拥堵判断值与拥堵判断阈值进行比较，在拥堵判断值大于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域拥堵；在拥堵判断值小于或等于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域不拥堵。
根据一个优选实施方式，根据第一城市区域的车辆分布数据获取第一城市区域内所有车辆的车辆基本信息以得到第一城市区域内所有车辆的车辆终端标识符；所述车辆基本信息包括车牌号、车辆型号和与车辆对应的车辆终端的车辆终端标识符；
根据所述车辆终端标识符向第一城市区域内所有的第一车辆终端发送车辆疏导提示；所述第一车辆终端为在第一城市区域内行驶的车辆对应的车辆终端；所述车辆终端标识符用于对车辆终端进行唯一标识，每个车辆对应唯一的车辆终端；
根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端根据接收到的车辆疏导提示发送的车辆疏导数据为第一城市区域内的每个车辆分配一条初始车辆疏导路径；所述车辆疏导数据包括：车辆实时位置、车辆终端标识符和车辆目标位置。
根据一个优选实施方式，根据第一城市区域内所有的车辆疏导数据获取第一城市区域内所有车辆的车辆实时位置和车辆目标位置，并根据第一城市区域的拥堵分析数据获取第一城市区域内每条道路的车辆容纳数量；
将第一城市区域内的所有车辆的车辆实时位置映射到标准坐标系以得到若干个车辆实时核心点，并根据所有的车辆实时核心点生成实时核心点集；将第一城市区域内的所有车辆的车辆目标位置映射到标准坐标系以得到若干个车辆目标核心点，并根据所有的车辆目标核心点生成目标核心点集；
根据第一城市区域内每条道路的车辆容纳数量生成道路容量集；获取第一城市区域内所有的交叉路口的位置，并将其映射到标准坐标系以得到若干个道路交叉核心点，然后根据所有的道路交叉核心点生成交叉核心点集；
根据所述实时核心点集、目标核心点集和交叉核心点集将第一城市区域内所有车辆的车辆疏导路径进行离散化以得到每个车辆疏导路径对应的核心点序列，根据所有的核心点序列生成核心点序列包；
根据实时核心点集、目标核心点集、交叉核心点集、道路容量集和核心点序列包生成交通疏导路网；所述核心点序列包括一个车辆实时核心点、一个车辆目标核心点和若干个道路交叉核心点；所述核心点序列用于表示车辆实时位置点、交叉路口位置和车辆目标位置之间的有向路径。
根据一个优选实施方式，获取第一城市区域内每条道路的第一行驶速度，并根据第一城市区域的拥堵分析数据和车辆疏导数据得到第一城市区域内每条道路的拥堵值，然后根据第一城市区域内每条道路的第一行驶速度和拥堵值得到第一城市区域内每条道路的第二行驶速度；
根据第一城市区域的拥堵分析数据得到第一城市区域内每个车辆疏导路径与第一城市区域内每条道路的关联值，并根据第一城市区域内每个车辆疏导路径与第一城市区域内每条道路的关联值、第一城市区域内每个车辆疏导路径对应的核心点序列的核心点的数量、第一城市区域内每条道路的第二行驶速度和第一城市区域内每个车辆疏导路径的路径长度计算每个车辆的车辆疏导时间；所述核心点包括：车辆实时核心点、道路交叉核心点和车辆目标核心点；
根据第一城市区域内每个车辆的车辆疏导时间得到交通疏导时间；所述车辆疏导时间为从车辆实时位置到车辆目标位置所需花费的时间；所述交通疏导时间为将第一城市区域从拥堵状态疏导为正常状态所花费的时间。
根据一个优选实施方式，根据第一城市区域的拥堵分析数据获取第一城市区域内每条道路的车辆进路数量和车辆出路数量，并根据第一城市区域的车流量变化函数、第一城市区域内每条道路的车辆进路数量和第一城市区域内每条道路的车辆出路数量得到第一城市区域内每条道路的车辆总量，然后根据第一城市区域内每条道路的道路容量和第一城市区域内每条道路的车辆总量得到每条道路的拥堵值。
根据一个优选实施方式，拥堵值的计算公式为：
Figure BDA0003056826040000051
其中，Sk为第一城市区域内第k条道路的拥堵值，Qk为第k条道路的车辆容纳数量，rk为当前交通拥堵监测周期的车辆进路数量，ck为当前交通拥堵监测周期的车辆出路数量，t为一个交通拥堵监测周期的时间长度。
根据一个优选实施方式，道路的第一行驶速度为相应道路的最大行驶速度，即，最大限速；道路的第二行驶速度为根据道路的车况，车辆在相应道路上的实际行驶速度。车辆疏导路径与道路的关联值用于判断车辆疏导路径是否与相应道路存在重叠路径；在所述关联值为一时表示车辆疏导路径与相应道路存在重叠路径，在所述关联值为零时表示车辆疏导路径与相应道路不存在重叠路径。
根据一个优选实施方式，所述车辆终端为驾驶员使用的具有通信功能和数据传输功能的设备，其包括：智能手机、车载导航、平板电脑和智能手表。所述车辆终端标识符用于对车辆终端进行唯一标识，每个车辆对应唯一的车辆终端。所述车辆出入数据指示在一个交通监测周期内进出城市区域的车辆数量和车辆基本信息；所述城市区域图像用于指示城市区域内的车辆分布信息。
根据一个优选实施方式，所述车辆基本信息包括车牌号、车辆型号和与车辆对应的车辆终端的车辆终端标识符。所述车辆疏导提示用于提示驾驶员当前区域已出现拥堵请按照提示发送车辆疏导数据。所述车辆疏导数据包括：车辆实时位置、车辆终端标识符和车辆目标位置。所述车辆分布数据用于指示城市区域内所有车辆的分布情况。所述拥堵分析数据用于指示城市区域的道路分布信息和城市区域内所有车辆的车辆基本信息和车辆分布信息。
本发明具有以下有益效果：本发明将城市划分为互不重合的城市区域，并判断各城市区域是否拥堵，在城市区域拥堵时根据车辆实时位置和车辆目标位置进行交通疏导，以实现在城市出现小面积拥堵时及时进行交通疏导，避免了在城市出现小面积拥堵时没有及时进行交通疏导导致整个城市出现大范围拥堵的情况。此外，本发明在极大程度上节约了人力物力资源，提高了交通疏导的科学性和效率。
附图说明
图1为基于物联网和人工智能的交通拥堵预测与优化方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。
如图1所示，在一个实施例中，基于物联网和人工智能的交通拥堵预测与优化方法具体可以包括：
S1、根据预设的城市区域划分规则将整个城市划分为若干个互不重合的城市区域，周期性地获取城市区域的城市区域图像和车辆出入数据，并对所述城市区域图像和车辆出入数据进行数据分析得到城市区域的车辆分布数据；从数据库获取城市区域的道路分布数据，并对所述道路分布数据和车辆分布数据进行数据融合生成城市区域的拥堵分析数据。
车辆终端为驾驶员使用的具有通信功能和数据传输功能的设备，其包括：智能手机、车载导航、平板电脑和智能手表。车辆终端标识符用于对车辆终端进行唯一标识，每个车辆对应唯一的车辆终端。车辆出入数据用于指示在一个交通监测周期内进出城市区域的车辆数量和车辆基本信息；城市区域图像用于指示城市区域内的车辆分布信息。
车辆基本信息包括车牌号、车辆型号和与车辆对应的车辆终端的车辆终端标识符。拥堵分析数据用于指示城市区域的道路分布信息和城市区域内所有车辆的车辆基本信息和车辆分布信息。
交通拥堵监测周期为根据实际情况预设的，每经过一个交通拥堵监测周期，获取各城市区域在该交通拥堵监测周期的城市区域图像和车辆出入数据。城市区域划分规则根据实际情况预先设置，用于将整个城市进行区域划分，以便更好的进行交通疏导。城市区域图像用于指示城市区域内的车辆分布情况。车辆分布数据用于指示城市区域内所有车辆的分布情况。
S2、将所述拥堵分析数据输入交通拥堵预测模型的第二子模型以输出第二高维特征向量，并将随机生成的高斯白噪声输入交通拥堵预测模型的第一子模型以输出与第二高维特征向量的维度相同的第一高维特征向量，然后交通拥堵预测模型的第二子模型根据第一高维特征向量和第二高维特征向量判断城市区域是否拥堵。
在一个实施例中，交通拥堵预测模型包括：输入层、第一子模型、第二子模型和输出层；第一子模型包括：反卷积层和激励层；第二子模型包括：特征模型和判别模型；特征模型包括：卷积层、激励层、归一化层和池化层。
在一个实施例中，将拥堵分析数据通过交通拥堵预测模型的输入层输入交通拥堵预测模型；
第二子模型的特征模型的卷积层对所述拥堵分析数据进行特征提取，第二子模型的特征模型的激励层对卷积层输出的数据进行非线性映射，第二子模型的特征模型的归一化层对激励层输出的数据进行归一化处理，第二子模型的特征模型的池化层对归一化层输出的数据进行池化处理输出第二高维特征向量；
随机生成一个高斯白噪声，第一子模型的反卷积层对所述高斯白噪声进行上采样以将所述高斯白噪声映射到低维空间从而生成第一低维特征向量；第一子模型的激励层将所述第一低维特征向量转化为与所述第二高维特征向量维度相同的向量以输出第一高维特征向量；
第二子模型的判别模型根据第一高维特征向量和第二高维特征向量计算相应城市区域的拥堵判断值，并将所述拥堵判断值与拥堵判断阈值进行比较，在拥堵判断值大于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域拥堵；在拥堵判断值小于或等于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域不拥堵。拥堵判断阈值为判断城市区域是否拥堵的临界值。
S3、将拥堵的城市区域作为第一城市区域，并根据第一城市区域内各第一车辆终端发送的车辆疏导数据和第一城市区域的拥堵分析数据为第一城市区域内的每个车辆初始化一条初始车辆疏导路径。
在一个实施例中，根据第一城市区域的车辆分布数据获取第一城市区域内所有车辆的车辆基本信息以得到第一城市区域内所有车辆的车辆终端标识符；所述车辆基本信息包括车牌号、车辆型号和与车辆对应的车辆终端的车辆终端标识符；
根据所述车辆终端标识符向第一城市区域内所有的第一车辆终端发送车辆疏导提示；所述第一车辆终端为在第一城市区域内行驶的车辆对应的车辆终端；所述车辆终端标识符用于对车辆终端进行唯一标识，每个车辆对应唯一的车辆终端；
根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端根据接收到的车辆疏导提示发送的车辆疏导数据为第一城市区域内的每个车辆分配一条初始车辆疏导路径；所述车辆疏导数据包括：车辆实时位置、车辆终端标识符和车辆目标位置。
车辆疏导提示用于提示驾驶员当前区域已出现拥堵请按照提示发送车辆疏导数据。所述车辆疏导数据包括：车辆实时位置、车辆终端标识符和车辆目标位置。所述车辆分布数据用于指示城市区域内所有车辆的分布情况。
S4、根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端发送的车辆疏导数据计算第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度，并分别将第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度进行归一化处理得到第一参考系数和第二参考系数。
在一个实施例中，根据第一城市区域的拥堵分析数据获取第一城市区域内每条道路的车辆进路数量和车辆出路数量，并根据第一城市区域的车流量变化函数、第一城市区域内每条道路的车辆进路数量和第一城市区域内每条道路的车辆出路数量得到第一城市区域内每条道路的车辆总量，然后根据第一城市区域内每条道路的道路容量和第一城市区域内每条道路的车辆总量得到每条道路的拥堵值。
在一个实施例中，拥堵值的计算公式为：
Figure BDA0003056826040000091
其中，Sk为第一城市区域内第k条道路的拥堵值，Qk为第k条道路的车辆容纳数量，rk为当前交通拥堵监测周期的车辆进路数量，ck为当前交通拥堵监测周期的车辆出路数量，t为一个交通拥堵监测周期的时间长度。
S5、从数据库获取第一调整系数、第二调整系数和第一路径优化函数，并根据第一参考系数、第二参考系数、第一调整系数和第二调整系数和第一路径优化函数建立第二路径优化函数，然后根据所述第二路径优化函数对第一城市区域内每个车辆的初始车辆疏导路径进行优化更新以得到第一城市区域内每个车辆的第一车辆疏导路径。
S6、根据第一城市区域内每个车辆对应的第一车辆疏导路径和第一城市区域内每条道路的拥堵值得到第一城市区域的交通疏导时间，并判断所述交通疏导时间是否小于预设交通疏导时间；在所述交通疏导时间不小于预设交通疏导时间时，对第一车辆疏导路径进行优化更新并重复该步骤；在所述交通疏导时间小于预设交通疏导时间时，将相应的第一车辆疏导路径作为最优车辆疏导路径并将其发送到相应的车辆终端，驾驶员根据车辆终端接收到的最优车辆疏导路径行驶。
预设交通疏导时间为根据实际情况预先设置的最小交通疏导时间。
在一个实施例中，根据第一城市区域内所有的车辆疏导数据获取第一城市区域内所有车辆的车辆实时位置和车辆目标位置，并根据第一城市区域的拥堵分析数据获取第一城市区域内每条道路的车辆容纳数量；
将第一城市区域内的所有车辆的车辆实时位置映射到标准坐标系以得到若干个车辆实时核心点，并根据所有的车辆实时核心点生成实时核心点集；将第一城市区域内的所有车辆的车辆目标位置映射到标准坐标系以得到若干个车辆目标核心点，并根据所有的车辆目标核心点生成目标核心点集；标准坐标系是作为参考坐标系的大地坐标系；
根据第一城市区域内每条道路的车辆容纳数量生成道路容量集；获取第一城市区域内所有的交叉路口的位置，并将其映射到标准坐标系以得到若干个道路交叉核心点，然后根据所有的道路交叉核心点生成交叉核心点集；
根据所述实时核心点集、目标核心点集和交叉核心点集将第一城市区域内所有车辆的车辆疏导路径进行离散化以得到每个车辆疏导路径对应的核心点序列，根据所有的核心点序列生成核心点序列包；
根据实时核心点集、目标核心点集、交叉核心点集、道路容量集和核心点序列包生成交通疏导路网；所述核心点序列包括一个车辆实时核心点、一个车辆目标核心点和若干个道路交叉核心点；所述核心点序列用于表示车辆实时位置点、交叉路口位置和车辆目标位置之间的有向路径。
在一个实施例中，获取第一城市区域内每条道路的第一行驶速度，并根据第一城市区域的拥堵分析数据和车辆疏导数据得到第一城市区域内每条道路的拥堵值，然后根据第一城市区域内每条道路的第一行驶速度和拥堵值得到第一城市区域内每条道路的第二行驶速度；
根据第一城市区域的拥堵分析数据得到第一城市区域内每个车辆疏导路径与第一城市区域内每条道路的关联值，并根据第一城市区域内每个车辆疏导路径与第一城市区域内每条道路的关联值、第一城市区域内每个车辆疏导路径对应的核心点序列的核心点的数量、第一城市区域内每条道路的第二行驶速度和第一城市区域内每个车辆疏导路径的路径长度计算每个车辆的车辆疏导时间；所述核心点包括：车辆实时核心点、道路交叉核心点和车辆目标核心点；
根据第一城市区域内每个车辆的车辆疏导时间得到交通疏导时间；所述车辆疏导时间为从车辆实时位置到车辆目标位置所需花费的时间；所述交通疏导时间为将第一城市区域从拥堵状态疏导为正常状态所花费的时间。
道路的第一行驶速度为相应道路的最大行驶速度，即，最大限速；道路的第二行驶速度为根据道路的车况，车辆在相应道路上的实际行驶速度。车辆疏导路径与道路的关联值用于判断车辆疏导路径是否与相应道路存在重叠路径；在所述关联值为一时表示车辆疏导路径与相应道路存在重叠路径，在所述关联值为零时表示车辆疏导路径与相应道路不存在重叠路径。
第一调整系数为道路的拥堵值占比系数，第二调整系数为车辆疏导路径的路径长度占比系数。
本发明将城市划分为互不重合的城市区域，并判断各城市区域是否拥堵，在城市区域拥堵时根据第一城市区域的车辆实时位置和车辆目标位置进行交通疏导，以实现在城市出现小面积拥堵时及时进行交通疏导，避免了在城市出现小面积拥堵时没有及时进行交通疏导导致整个城市出现大范围拥堵的情况，此外本发明在极大程度上节约了人力物力资源，提高了交通疏导的科学性和效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (8)

1.一种基于物联网和人工智能的交通拥堵预测与优化方法，其特征在于，S1、根据预设的城市区域划分规则将整个城市划分为若干个互不重合的城市区域，周期性地获取城市区域的城市区域图像和车辆出入数据，并对所述城市区域图像和车辆出入数据进行数据分析得到城市区域的车辆分布数据；
从数据库获取城市区域的道路分布数据，并对所述道路分布数据和车辆分布数据进行数据融合生成城市区域的拥堵分析数据；
S2、将所述拥堵分析数据输入交通拥堵预测模型的第二子模型以输出第二高维特征向量，并将随机生成的高斯白噪声输入交通拥堵预测模型的第一子模型以输出与第二高维特征向量的维度相同的第一高维特征向量，然后交通拥堵预测模型的第二子模型根据第一高维特征向量和第二高维特征向量判断城市区域是否拥堵；
将拥堵分析数据通过交通拥堵预测模型的输入层输入交通拥堵预测模型；
第二子模型的特征模型的卷积层对所述拥堵分析数据进行特征提取，第二子模型的特征模型的激励层对卷积层输出的数据进行非线性映射，第二子模型的特征模型的归一化层对激励层输出的数据进行归一化处理，第二子模型的特征模型的池化层对归一化层输出的数据进行池化处理输出第二高维特征向量；
随机生成一个高斯白噪声，第一子模型的反卷积层对所述高斯白噪声进行上采样以将所述高斯白噪声映射到低维空间从而生成第一低维特征向量；第一子模型的激励层将所述第一低维特征向量转化为与所述第二高维特征向量维度相同的向量以输出第一高维特征向量；
第二子模型的判别模型根据第一高维特征向量和第二高维特征向量计算相应城市区域的拥堵判断值，并将所述拥堵判断值与拥堵判断阈值进行比较，在拥堵判断值大于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域拥堵；在拥堵判断值小于或等于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域不拥堵；
S3、将拥堵的城市区域作为第一城市区域，并根据第一城市区域内各第一车辆终端发送的车辆疏导数据和第一城市区域的拥堵分析数据为第一城市区域内的每个车辆初始化一条初始车辆疏导路径；
S4、根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端发送的车辆疏导数据计算第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度，并分别将第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度进行归一化处理得到第一参考系数和第二参考系数；
S5、从数据库获取第一调整系数、第二调整系数和第一路径优化函数，并根据第一参考系数、第二参考系数、第一调整系数和第二调整系数和第一路径优化函数建立第二路径优化函数，然后根据所述第二路径优化函数对第一城市区域内每个车辆的初始车辆疏导路径进行优化更新以得到第一城市区域内每个车辆的第一车辆疏导路径；
S6、根据第一城市区域内每个车辆对应的第一车辆疏导路径和第一城市区域内每条道路的拥堵值得到第一城市区域的交通疏导时间，并判断所述交通疏导时间是否小于预设交通疏导时间；在所述交通疏导时间不小于预设交通疏导时间时，对第一车辆疏导路径进行优化更新并重复步骤S6；
在所述交通疏导时间小于预设交通疏导时间时，将相应的第一车辆疏导路径作为最优车辆疏导路径并将其发送到相应的车辆终端，驾驶员根据车辆终端接收到的最优车辆疏导路径行驶。
2.根据权利要求1所述的方法，其特征在于，所述交通拥堵预测模型包括：输入层、第一子模型、第二子模型和输出层；所述第一子模型包括：反卷积层和激励层；所述第二子模型包括：特征模型和判别模型；所述特征模型包括：卷积层、激励层、归一化层和池化层。
3.根据权利要求2所述的方法，其特征在于，根据第一城市区域的车辆分布数据获取第一城市区域内所有车辆的车辆基本信息以得到第一城市区域内所有车辆的车辆终端标识符；所述车辆基本信息包括车牌号、车辆型号和与车辆对应的车辆终端的车辆终端标识符；
根据所述车辆终端标识符向第一城市区域内所有的第一车辆终端发送车辆疏导提示；所述第一车辆终端为在第一城市区域内行驶的车辆对应的车辆终端；所述车辆终端标识符用于对车辆终端进行唯一标识，每个车辆对应唯一的车辆终端；
根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端根据接收到的车辆疏导提示发送的车辆疏导数据为第一城市区域内的每个车辆分配一条初始车辆疏导路径；所述车辆疏导数据包括：车辆实时位置、车辆终端标识符和车辆目标位置。
4.根据权利要求3所述的方法，其特征在于，根据第一城市区域内所有的车辆疏导数据获取第一城市区域内所有车辆的车辆实时位置和车辆目标位置，并根据第一城市区域的拥堵分析数据获取第一城市区域内每条道路的车辆容纳数量；
将第一城市区域内的所有车辆的车辆实时位置映射到标准坐标系以得到若干个车辆实时核心点，并根据所有的车辆实时核心点生成实时核心点集；将第一城市区域内的所有车辆的车辆目标位置映射到标准坐标系以得到若干个车辆目标核心点，并根据所有的车辆目标核心点生成目标核心点集；
根据第一城市区域内每条道路的车辆容纳数量生成道路容量集；获取第一城市区域内所有的交叉路口的位置，并将其映射到标准坐标系以得到若干个道路交叉核心点，然后根据所有的道路交叉核心点生成交叉核心点集；
根据所述实时核心点集、目标核心点集和交叉核心点集将第一城市区域内所有车辆的车辆疏导路径进行离散化以得到每个车辆疏导路径对应的核心点序列，根据所有的核心点序列生成核心点序列包；
根据实时核心点集、目标核心点集、交叉核心点集、道路容量集和核心点序列包生成交通疏导路网；所述核心点序列包括一个车辆实时核心点、一个车辆目标核心点和若干个道路交叉核心点；所述核心点序列用于表示车辆实时位置点、交叉路口位置和车辆目标位置之间的有向路径。
5.根据权利要求4所述的方法，其特征在于，获取第一城市区域内每条道路的第一行驶速度，并根据第一城市区域的拥堵分析数据和车辆疏导数据得到第一城市区域内每条道路的拥堵值，然后根据第一城市区域内每条道路的第一行驶速度和拥堵值得到第一城市区域内每条道路的第二行驶速度；
根据第一城市区域的拥堵分析数据得到第一城市区域内每个车辆疏导路径与第一城市区域内每条道路的关联值，并根据第一城市区域内每个车辆疏导路径与第一城市区域内每条道路的关联值、第一城市区域内每个车辆疏导路径对应的核心点序列的核心点的数量、第一城市区域内每条道路的第二行驶速度和第一城市区域内每个车辆疏导路径的路径长度计算每个车辆的车辆疏导时间；所述核心点包括：车辆实时核心点、道路交叉核心点和车辆目标核心点；
根据第一城市区域内每个车辆的车辆疏导时间得到交通疏导时间；所述车辆疏导时间为从车辆实时位置到车辆目标位置所需花费的时间；所述交通疏导时间为将第一城市区域从拥堵状态疏导为正常状态所花费的时间。
6.根据权利要求5所述的方法，其特征在于，拥堵值的计算公式为：
Figure FDA0003316505590000041
其中，Sk为第一城市区域内第k条道路的拥堵值，Qk为第k条道路的车辆容纳数量，rk为当前交通拥堵监测周期的车辆进路数量，ck为当前交通拥堵监测周期的车辆出路数量，t为一个交通拥堵监测周期的时间长度。
7.根据权利要求1至6之一所述的方法，其特征在于，所述车辆出入数据用于指示在一个交通监测周期内进出城市区域的车辆数量和车辆基本信息；所述城市区域图像用于指示城市区域内的车辆分布信息。
8.根据权利要求7所述的方法，其特征在于，车辆疏导路径与道路的关联值用于判断车辆疏导路径是否与相应道路存在重叠路径；在所述关联值为一时表示车辆疏导路径与相应道路存在重叠路径，在所述关联值为零时表示车辆疏导路径与相应道路不存在重叠路径。
CN202110502153.6A 2021-05-08 2021-05-08 基于物联网和人工智能的交通拥堵预测与优化方法 Active CN113052405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110502153.6A CN113052405B (zh) 2021-05-08 2021-05-08 基于物联网和人工智能的交通拥堵预测与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110502153.6A CN113052405B (zh) 2021-05-08 2021-05-08 基于物联网和人工智能的交通拥堵预测与优化方法

Publications (2)

Publication Number Publication Date
CN113052405A CN113052405A (zh) 2021-06-29
CN113052405B true CN113052405B (zh) 2021-12-17

Family

ID=76518329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110502153.6A Active CN113052405B (zh) 2021-05-08 2021-05-08 基于物联网和人工智能的交通拥堵预测与优化方法

Country Status (1)

Country Link
CN (1) CN113052405B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113570867B (zh) * 2021-09-26 2021-12-07 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN117058877B (zh) * 2023-08-30 2024-02-27 佳泽睿安集团有限公司 一种城市交通智能监控方法及系统
CN117177178B (zh) * 2023-11-03 2024-05-17 四川川西数据产业有限公司 一种基于物联网的城市道路分流系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470447A (zh) * 2018-03-30 2018-08-31 特斯联（北京）科技有限公司 一种自主路径规划的交通疏导系统和方法
CN110398254A (zh) * 2019-08-23 2019-11-01 福建工程学院 一种减缓交通拥挤的方法及系统
WO2020192120A1 (zh) * 2019-03-27 2020-10-01 江苏智通交通科技有限公司 一种基于出行结构的城市路网诱导方案发布方法和系统
CN112348152A (zh) * 2020-11-05 2021-02-09 襄阳易捷达隆物联科技有限公司 基于改进层次分析法的交通拥堵疏导方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11189171B2 (en) * 2018-03-13 2021-11-30 Nec Corporation Traffic prediction with reparameterized pushforward policy for autonomous vehicles
US11100793B2 (en) * 2019-01-15 2021-08-24 Waycare Technologies Ltd. System and method for detection and quantification of irregular traffic congestion
CN111754778A (zh) * 2020-07-15 2020-10-09 石盼成 一种具有车辆感知的交通拥堵指数评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108470447A (zh) * 2018-03-30 2018-08-31 特斯联（北京）科技有限公司 一种自主路径规划的交通疏导系统和方法
WO2020192120A1 (zh) * 2019-03-27 2020-10-01 江苏智通交通科技有限公司 一种基于出行结构的城市路网诱导方案发布方法和系统
CN110398254A (zh) * 2019-08-23 2019-11-01 福建工程学院 一种减缓交通拥挤的方法及系统
CN112348152A (zh) * 2020-11-05 2021-02-09 襄阳易捷达隆物联科技有限公司 基于改进层次分析法的交通拥堵疏导方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的短时交通流预测研究;李彤伟;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20210115;第11-17,33-60页 *

Also Published As

Publication number Publication date
CN113052405A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN113052405B (zh) 基于物联网和人工智能的交通拥堵预测与优化方法
CN109927709B (zh) 一种车辆行驶路线工况确定方法、能量管理方法及系统
CN111815948B (zh) 基于工况特征的车辆行驶工况预测方法
CN110222786B (zh) 基于出行信息的动态拼车方法及系统
CN113808401B (zh) 交通拥堵预测方法、装置、设备及存储介质
CN103295120B (zh) 物流公司运力分析系统及其运力分析的方法
CN109872533A (zh) 一种基于空间数据的车道级实时交通情报处理方法
CN109859516B (zh) 一种出租汽车异常聚集识别方法及装置
CN108573600B (zh) 一种驾驶员行为诱导与局部交通流优化方法
CN113781831A (zh) 一种基于区块链技术的智慧云平台
CN110379198B (zh) 一种城市智能停车引导系统及其停车引导方法
CN112805762B (zh) 提高交通状况可视化的系统和方法
CN112734242A (zh) 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端
CN110610153A (zh) 一种用于自动驾驶的车道识别方法及系统
CN115164922A (zh) 一种路径规划方法、系统、设备及存储介质
CN109166336B (zh) 一种基于区块链技术的实时路况信息采集推送方法
CN114419924A (zh) 一种基于智慧城市的ai应用控制管理系统
CN109584549A (zh) 一种基于大规模浮动车数据的道路交通运行指数检测方法
CN112435485A (zh) 一种用于车路信息协同的系统
CN111445715A (zh) 基于物联网通信的智慧城市交通调度方法及调度设备
CN115273468B (zh) 一种交通拥堵控制策略生成方法及装置
CN114419917B (zh) 一种基于单向图的交通拥堵疏导方法及系统
CN113506012A (zh) 一种基于手机车联网数据的驾驶行为风险指数判定方法
CN113240917B (zh) 一种将深度神经网络应用于智慧交通的交通管理系统
CN112258881B (zh) 基于智慧交通的车辆管理方法

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
TA01 Transfer of patent application right

Effective date of registration: 20211130

Address after: 430074 No. 1, floor 7, building B7, phase II, financial background service center base construction project, No. 77, Guanggu Avenue, Dongyi Industrial Park, Donghu New Technology Development Zone, Wuhan, Hubei Province

Applicant after: HUBEI XUNHUA TECHNOLOGY Co.,Ltd.

Address before: 610041 Xinchuan innovation and Technology Park, South Tianfu Avenue, high tech Zone, Chengdu, Sichuan

Applicant before: Lin Xingye

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant