CN113240917B - 一种将深度神经网络应用于智慧交通的交通管理系统 - Google Patents

一种将深度神经网络应用于智慧交通的交通管理系统 Download PDF

Info

Publication number
CN113240917B
CN113240917B CN202110502513.2A CN202110502513A CN113240917B CN 113240917 B CN113240917 B CN 113240917B CN 202110502513 A CN202110502513 A CN 202110502513A CN 113240917 B CN113240917 B CN 113240917B
Authority
CN
China
Prior art keywords
vehicle
urban area
data
congestion
path
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
CN202110502513.2A
Other languages
English (en)
Other versions
CN113240917A (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.)
Guangzhou Tunhua Intelligent Transportation Technology Co ltd
Original Assignee
Guangzhou Tunhua Intelligent Transportation 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 Guangzhou Tunhua Intelligent Transportation Technology Co ltd filed Critical Guangzhou Tunhua Intelligent Transportation Technology Co ltd
Priority to CN202110502513.2A priority Critical patent/CN113240917B/zh
Publication of CN113240917A publication Critical patent/CN113240917A/zh
Application granted granted Critical
Publication of CN113240917B publication Critical patent/CN113240917B/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
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • 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
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map

Abstract

本发明涉及一种将深度神经网络应用于智慧交通的交通管理系统，其包括：数据分析处理系统和车辆终端，数据分析处理系统与车辆终端具有通信连接；所述数据分析处理系统包括：数据分析子系统、数据处理子系统和数据库，数据库分别与数据分析子系统和数据处理子系统具有通信连接；数据分析子系统与数据处理子系统间具有通信连接。数据分析子系统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。数据处理子系统为拥堵城市区域内的每个车辆初始化一条初始车辆疏导路径，并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

一种将深度神经网络应用于智慧交通的交通管理系统
技术领域
本发明涉及智慧交通和人工智能领域，尤其涉及一种将深度神经网络应用于智慧交通的交通管理系统。
背景技术
目前，我国道路交通管理中普遍存在交通拥堵、安全事故频发等问题，对居民的人身安全及财产安全造成了严重威胁，智能交通应运而生。智能交通在交通领域中充分运用物联网、云计算、互联网、人工智能、自动控制、移动互联网等技术，通过高新技术汇集交通信息对交通管理、交通运输、公众出行等交通领域全方面进行管控支撑，使交通系统在区域、城市甚至更大的时空范围具备感知、互联、分析、预测、控制等能力以充分保障交通安全、发挥交通基础设施效能、提升交通系统运行效率和管理水平。
城市拥堵已经成为多个城市在发展过程中的一大弊病，为了解决拥堵，各个城市采取了多种方法。现有的解决交通拥堵的方案主要是单方面的技术，比如红绿灯的调度设置或者摄像头自动检测拥堵，或者禁止左右行走，或者发展公交车道，或者减少车辆上路等等，这些方案都是基于车辆和道路的技术，而没有考虑多方面的互动过程。从拥堵的治理效果看，还远远不够。
发明内容
有鉴于此，本发明提供了一种将深度神经网络应用于智慧交通的交通管理系统，其包括：数据分析处理系统和车辆终端，数据分析处理系统与车辆终端具有通信连接；所述数据分析处理系统包括：数据分析子系统、数据处理子系统和数据库，数据库分别与数据分析子系统和数据处理子系统具有通信连接；数据分析子系统与数据处理子系统间具有通信连接；
数据分析子系统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，然后对车辆分布数据和从数据库获取的城市区域的道路分布数据进行数据融合以生成城市区域的拥堵分析数据；
数据分析子系统将所述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；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；
第二子模型的特征模型对拥堵分析数据进行特征提取以输出第二高维特征向量；第一子模型的反卷积层对随机生成的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判断相应城市区域是否拥堵，并通过交通拥堵预测模型的输出层输出判断结果；
数据处理子系统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；
数据处理子系统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；
数据处理子系统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更新以得到每个车辆的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，判别模型根据第一高维特征向量和第二高维特征向量判断相应城市区域是否拥堵包括：
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；
在所述拥堵判断值大于拥堵判断阈值时，判别模型判断相应城市区域拥堵；
在所述拥堵判断值小于或等于拥堵判断阈值时，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，特征模型对拥堵分析数据进行特征提取输出第二高维特征向量包括：
特征模型的卷积层对所述拥堵分析数据进行特征提取，特征模型的激励层对卷积层输出的数据进行非线性映射；
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，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。
根据一个优选实施方式，数据处理子系统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更新得到每个车辆的最优车辆疏导路径包括：
数据处理子系统根据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；
数据处理子系统根据第一城市区域内每个车辆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，数据处理子系统对第一车辆疏导路径进行优化更新并重复以上步骤；
在所述交通疏导时间小于预设交通疏导时间时，数据处理子系统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，数据处理子系统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；
数据处理子系统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；数据处理子系统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；
数据处理子系统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；数据处理子系统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；
数据处理子系统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，并根据所有的核心点序列生成核心点序列包；
数据处理子系统根据实时核心点集、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，数据处理子系统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；
数据处理子系统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；
数据处理子系统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，拥堵值的计算公式为：
Figure BDA0003056948920000051
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，数据处理子系统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；
数据处理子系统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；
数据处理子系统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，数据处理子系统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 BDA0003056948920000061
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。
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：本发明通过将拥堵分析数据输入预先训练好的交通拥堵预测模型从而判断各城市区域是否发生拥堵，并在城市区域发生拥堵时为城市区域内的每个车辆分配一条最优车辆疏导路径，科学有效的对拥堵区域进行及时疏导。此外，本发明通过人工智能判断城市区域的是否拥堵，极大程度提高了判断的准确性。
附图说明
图1为一示例性实施例提供的一种将深度神经网络应用于智慧交通的交通管理系统的结构框图。
具体实施方式
为使本发明的实施例、技术方案和优点更加明显，下面将结合附图对本发明的技术方案进行清楚、完整的描述，显然，所述的实施例是本发明的一部分实施例，而不是全部实施例。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
参见图1，数据分析处理系统和车辆终端，数据分析处理系统与车辆终端具有通信连接；所述数据分析处理系统包括：数据分析子系统、数据处理子系统和数据库，数据库分别与数据分析子系统和数据处理子系统具有通信连接；数据分析子系统与数据处理子系统间具有通信连接；
数据分析子系统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，然后对车辆分布数据和从数据库获取的城市区域的道路分布数据进行数据融合以生成城市区域的拥堵分析数据；
数据分析子系统将所述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；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；
第二子模型的特征模型对拥堵分析数据进行特征提取以输出第二高维特征向量；第一子模型的反卷积层对随机生成的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判断相应城市区域是否拥堵，并通过交通拥堵预测模型的输出层输出判断结果；
数据处理子系统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；
数据处理子系统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；
数据处理子系统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更新以得到每个车辆的最优车辆疏导路径并将其发送到相应的车辆终端。
为了便于理解，下面对本发明的工作方法和原理进行具体说明。
具体的，在一个实施例中，将深度神经网络应用于智慧交通的交通管理系统执行的工作流程可以包括以下步骤：
S1、数据分析子系统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；数据分析子系统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、数据分析子系统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，数据分析子系统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、数据处理子系统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、数据处理子系统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，数据处理子系统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 BDA0003056948920000111
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、数据处理子系统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、数据处理子系统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，数据处理子系统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；
数据处理子系统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；
数据处理子系统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；
数据处理子系统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；
数据处理子系统根据实时核心点集、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，数据处理子系统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；
数据处理子系统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；
数据处理子系统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。
本发明的技术效果，本发明通过将拥堵分析数据输入预先训练好的交通拥堵预测模型从而判断各城市区域是否发生拥堵，并在城市区域发生拥堵时为城市区域内的每个车辆分配一条最优车辆疏导路径，科学有效的对拥堵区域进行及时疏导。此外，本发明通过人工智能判断城市区域的是否拥堵，极大程度提高了判断的准确性。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (8)

1.一种将深度神经网络应用于智慧交通的交通管理系统，其特征在于，其包括：数据分析处理系统和车辆终端，数据分析处理系统与车辆终端具有通信连接；所述数据分析处理系统包括：数据分析子系统、数据处理子系统和数据库，数据库分别与数据分析子系统和数据处理子系统具有通信连接；数据分析子系统与数据处理子系统间具有通信连接；
数据分析子系统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，然后对车辆分布数据和从数据库获取的城市区域的道路分布数据进行数据融合以生成城市区域的拥堵分析数据；
数据分析子系统将所述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；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；
第二子模型的特征模型对拥堵分析数据进行特征提取以输出第二高维特征向量；第一子模型的反卷积层对随机生成的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判断相应城市区域是否拥堵，并通过交通拥堵预测模型的输出层输出判断结果；判别模型根据第一高维特征向量和第二高维特征向量判断相应城市区域是否拥堵包括：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；在所述拥堵判断值大于拥堵判断阈值时，判别模型判断相应城市区域拥堵；在所述拥堵判断值小于或等于拥堵判断阈值时，判别模型判断相应城市区域不拥堵；
数据处理子系统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；
数据处理子系统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；
数据处理子系统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更新以得到每个车辆的最优车辆疏导路径并将其发送到相应的车辆终端。
2.根据权利要求1所述的系统，其特征在于，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。
3.根据权利要求2所述的系统，其特征在于，特征模型对拥堵分析数据进行特征提取输出第二高维特征向量包括：
特征模型的卷积层对所述拥堵分析数据进行特征提取，特征模型的激励层对卷积层输出的数据进行非线性映射；
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，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。
4.根据权利要求3所述的系统，其特征在于，数据处理子系统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；
数据处理子系统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；数据处理子系统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；
数据处理子系统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；数据处理子系统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；
数据处理子系统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，并根据所有的核心点序列生成核心点序列包；
数据处理子系统根据实时核心点集、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所述的系统，其特征在于，数据处理子系统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更新得到每个车辆的最优车辆疏导路径包括：
数据处理子系统根据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；
数据处理子系统根据第一城市区域内每个车辆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，数据处理子系统对第一车辆疏导路径进行优化更新并重复以上步骤；
在所述交通疏导时间小于预设交通疏导时间时，数据处理子系统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。
6.根据权利要求5所述的系统，其特征在于，数据处理子系统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；
数据处理子系统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；
数据处理子系统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。
7.根据权利要求6所述的系统，其特征在于，拥堵值的计算公式为：
Figure FDA0003709295670000041
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。
8.根据权利要求7所述的系统，其特征在于，数据处理子系统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；
数据处理子系统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；
数据处理子系统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。
CN202110502513.2A 2021-05-08 2021-05-08 一种将深度神经网络应用于智慧交通的交通管理系统 Active CN113240917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110502513.2A CN113240917B (zh) 2021-05-08 2021-05-08 一种将深度神经网络应用于智慧交通的交通管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110502513.2A CN113240917B (zh) 2021-05-08 2021-05-08 一种将深度神经网络应用于智慧交通的交通管理系统

Publications (2)

Publication Number Publication Date
CN113240917A CN113240917A (zh) 2021-08-10
CN113240917B true CN113240917B (zh) 2022-11-08

Family

ID=77132794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110502513.2A Active CN113240917B (zh) 2021-05-08 2021-05-08 一种将深度神经网络应用于智慧交通的交通管理系统

Country Status (1)

Country Link
CN (1) CN113240917B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807345A (zh) * 2010-03-26 2010-08-18 重庆大学 一种基于视频检测技术的交通拥堵判别方法
CN103561185A (zh) * 2013-11-12 2014-02-05 沈阳工业大学 一种稀疏路径的回声消除方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
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
WO2018204917A1 (en) * 2017-05-05 2018-11-08 Ball Aerospace & Technologies Corp. Spectral sensing and allocation using deep machine learning
CN109426773A (zh) * 2017-08-24 2019-03-05 浙江宇视科技有限公司 一种道路识别方法和装置
CN109614941A (zh) * 2018-12-14 2019-04-12 中山大学 一种基于卷积神经网络模型的嵌入式人群密度估计方法
CN109740745A (zh) * 2018-12-14 2019-05-10 南京理工大学 一种用于构造高维卷积加速神经网络的方法
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
KR20200023697A (ko) * 2018-08-21 2020-03-06 한국과학기술정보연구원 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
CN111049770A (zh) * 2019-12-06 2020-04-21 西安电子科技大学 基于高阶累积量的调制信号识别方法
WO2020227435A1 (en) * 2019-05-07 2020-11-12 Intel Corporation V2x services for providing journey-specific qos predictions
CN111929718A (zh) * 2020-06-12 2020-11-13 东莞市普灵思智能电子有限公司 一种自动驾驶对象探测和定位系统及方法
WO2021044041A1 (en) * 2019-09-06 2021-03-11 Imec Vzw A neural network for identifying radio technologies

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807345A (zh) * 2010-03-26 2010-08-18 重庆大学 一种基于视频检测技术的交通拥堵判别方法
CN103561185A (zh) * 2013-11-12 2014-02-05 沈阳工业大学 一种稀疏路径的回声消除方法
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
WO2018204917A1 (en) * 2017-05-05 2018-11-08 Ball Aerospace & Technologies Corp. Spectral sensing and allocation using deep machine learning
CN109426773A (zh) * 2017-08-24 2019-03-05 浙江宇视科技有限公司 一种道路识别方法和装置
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
KR20200023697A (ko) * 2018-08-21 2020-03-06 한국과학기술정보연구원 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
CN109740745A (zh) * 2018-12-14 2019-05-10 南京理工大学 一种用于构造高维卷积加速神经网络的方法
CN109614941A (zh) * 2018-12-14 2019-04-12 中山大学 一种基于卷积神经网络模型的嵌入式人群密度估计方法
WO2020227435A1 (en) * 2019-05-07 2020-11-12 Intel Corporation V2x services for providing journey-specific qos predictions
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
WO2021044041A1 (en) * 2019-09-06 2021-03-11 Imec Vzw A neural network for identifying radio technologies
CN111049770A (zh) * 2019-12-06 2020-04-21 西安电子科技大学 基于高阶累积量的调制信号识别方法
CN111929718A (zh) * 2020-06-12 2020-11-13 东莞市普灵思智能电子有限公司 一种自动驾驶对象探测和定位系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于深度学习的短时交通流预测;王晓杰;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20180215(第02期);C034-897 *
基于深度学习的短时交通流预测研究;李彤伟;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20210115(第01期);C034-1139 *

Also Published As

Publication number Publication date
CN113240917A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
US11520331B2 (en) Methods and apparatus to update autonomous vehicle perspectives
CN108372857B (zh) 自主驾驶系统的通过事件发生和情节记忆回顾进行有效情景感知
CN113052405B (zh) 基于物联网和人工智能的交通拥堵预测与优化方法
CN111815948B (zh) 基于工况特征的车辆行驶工况预测方法
EP4303793A2 (en) Path segment risk regression system for on-demand transportation services
US20230057394A1 (en) Cooperative vehicle-infrastructure processing method and apparatus, electronic device, and storage medium
JP2021168174A (ja) 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品
CN111473789B (zh) 一种导航路线规划方法、装置及设备
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
CN113159403A (zh) 路口行人轨迹预测的方法及装置
CN112249009A (zh) 车速控制方法、装置、系统及电子设备
CN110189537B (zh) 基于时空特征的停车诱导方法、装置、设备及存储介质
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
CN116698075B (zh) 路网数据处理方法、装置、电子设备及存储介质
CN112233419A (zh) 一种数据处理方法、装置、设备及存储介质
US20230159052A1 (en) Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle
CN109166336B (zh) 一种基于区块链技术的实时路况信息采集推送方法
CN111754776A (zh) 一种基于加权分数阶灰色模型的交通流预测方法及系统
CN114419917B (zh) 一种基于单向图的交通拥堵疏导方法及系统
CN112258881B (zh) 基于智慧交通的车辆管理方法
Yang et al. Stochastic Parameter Identification Method for Driving Trajectory Simulation Processes Based on Mobile Edge Computing and Self-Organizing Feature Mapping
CN110361016B (zh) 一种建图方法和建图系统
CN112710316A (zh) 专注于构造和本地化技术领域的动态地图生成
CN111640316A (zh) 基于人工智能的提示时长的确定方法、装置及电子设备
CN112258880B (zh) 基于智慧交通的车辆管理系统

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
TA01 Transfer of patent application right

Effective date of registration: 20221014

Address after: No.883, North Baiyun Avenue, Baiyun District, Guangzhou, Guangdong 510080

Applicant after: Guangzhou Tunhua Intelligent Transportation Technology Co.,Ltd.

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

Applicant before: Lin Xingye

GR01 Patent grant
GR01 Patent grant