CN113807404B - 面向多源信息融合的智慧交通网络智能化监控与应急系统 - Google Patents

面向多源信息融合的智慧交通网络智能化监控与应急系统 Download PDF

Info

Publication number
CN113807404B
CN113807404B CN202110972662.5A CN202110972662A CN113807404B CN 113807404 B CN113807404 B CN 113807404B CN 202110972662 A CN202110972662 A CN 202110972662A CN 113807404 B CN113807404 B CN 113807404B
Authority
CN
China
Prior art keywords
data
node
road condition
point
network
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
CN202110972662.5A
Other languages
English (en)
Other versions
CN113807404A (zh
Inventor
祁昊颖
司文博
杨烨
张�诚
钟橙
于宗洁
何静
金雨曦
唐路
朱蓓
丁亮
胡冬顺
刘果
倪青
许文强
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.)
China Information Consulting and Designing Institute Co Ltd
Original Assignee
China Information Consulting and Designing Institute 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 China Information Consulting and Designing Institute Co Ltd filed Critical China Information Consulting and Designing Institute Co Ltd
Priority to CN202110972662.5A priority Critical patent/CN113807404B/zh
Publication of CN113807404A publication Critical patent/CN113807404A/zh
Application granted granted Critical
Publication of CN113807404B publication Critical patent/CN113807404B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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"

Abstract

本发明提供了面向多源信息融合的智慧交通网络智能化监控与应急系统，包括环境感知模块、数据传输与数据处理模块、路况监控模块以及应急处理模块。系统通过环境感知模块采集的多源异质数据，以高速公路底层原有的数据传输系统为基础设施构建传输链路将多源异质数据传输至服务器端；并根据应急类型预测和人工复检的结果进行应急策略的生成。

Description

面向多源信息融合的智慧交通网络智能化监控与应急系统
技术领域
本发明涉及高速公路系统、数据挖掘、机器学习和统计机器学习等领域，具体涉及面向多源信息融合的智慧交通网络智能化监控与应急系统。
背景技术
目前，中国已建成了世界上最复杂的的高速公路网络，其总长度110222公里(公路总里程405万)。年均车流量逐年增加，交通事故也是逐年呈上升趋势。因此，一个可自动化的监控高速公路全网且能够做到分析和预报能力的系统非常重要。当下，我国高速公路网络基础设施已完成了丰富的配套架设；各类高速道路救援基础设施也日趋完善，如网格化的救援站以及流动监控等。然而，这些系统本身都相互独立，目前并没有一套系统能够完全的连接所有设施，形成一套统一的面相多源异质信息的高速公路交通状况监控及应急事件的自动化监控和方案生成方式。
发明内容
发明目的：为解决背景技术中存在的技术问题，本发明提出面向多源信息融合的智慧交通网络智能化监控与应急系统，包括环境感知模块、数据传输与数据处理模块、路况监控模块和应急处理模块；
所述环境感知模块用于获取多源异质数据；
所述数据传输与数据处理模块用于对多源异质数据进行预处理，得到带有知识的数据；
所述路况监控模块用于，基于带有知识的数据，进行高速公路路网路况的实时监控和分析；
所述应急处理模块基于路况监控模块实时监控和分析的信息，判断存在需应急处理的位置，得出最优抢险救援规划方法。
所述系统执行如下步骤：
步骤1，环境感知模块通过多源感知部件感知环境数据，得到多源异质数据；
步骤2，以高速公路底层原有的数据传输系统为基础设施构建传输链路，将多源异质数据传输至服务器端；
步骤3，通过数据传输与数据处理模块对传输至服务器的多源异质数据进行预处理，得到带有知识的数据；
步骤4，路况监控模块基于带有知识的数据进行高速公路路网路况的实时监控和分析；
步骤5，应急处理模块基于路况监控模块实时监控和分析的信息，判断存在需应急处理的位置，得出最优抢险救援规划方法。
步骤1中，所述多源异质数据包括通过龙门架上的摄像头和红外采集相应的车辆数据、车辆个体信息、高速交通网络基础环境数据和杂项类数据、以及龙门架坐标；
所述通过龙门架上的摄像头和红外采集相应的车辆数据，包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，以及通过红外传感器结合车辆ETC设备采集的车辆基本信息数据；
所述车辆个体信息包括车辆自身联网系统反馈的GPS和车辆状况诊断数据，要求提前介入高速交通网络路况监控与应急系统，诊断数据通常由OBD进行监控，将车辆各部件的信息传至车辆ECU后，通过ECU的标准接口访问得到；
所述高速交通网络基础环境数据包括通过架设在高速公路周边的气象设备检测的气象基础数据和高速全网图结构数据；所述气象基础数据包括温度、大气压强、湿度和风速，还包括来自气象台定期发布的气象预报和预警数据；
所述高速全网图结构数据为二维矩阵表示的图结构数据，以龙门架采集点为图节点，高速路网相邻两东门架的关系为边构成；
所述龙门架坐标为高速全网图结构的矩阵上的坐标；
所述杂项类数据包括龙门架摄像头设备状态、高速公路周边的气象设备的设备状态。这类数据主要用于监控设备运行状态；
步骤2中，所述高速公路底层原有的数据传输系统为基于无线和有线传输混合组网的传输网络系统。
步骤2中，所述以高速公路底层原有的数据传输系统为基础设施构建传输链路，包括：
通过分析底层传输系统的带宽情况，通过带权最短路径规划算法针对不同数据体量的图像、视频数据分别选择对应的时延最低、容错最高的传输路径；
所述带权最短路径规划算法规划使用Dijkstra算法、Flord-warshall算法，进行点对点或高速公路数据传输网络全节点的最短路径规划；
所述高速公路数据传输网络将传输网络中的龙门架当作图中的节点，任意两个节点如果有直接的传输链路，则当作图中的边；传输链路的延迟作为边上的权重；
所述时延最低指的是给定两个节点，以及传输网络中每条边的传输时延，找到一条两个节点之间的路径，使得路径上所有边的时延之和最小。
所述Dijkstra算法主要用于规划给定源点到其他节点的最短路径。计算方法利用贪心思路，以广度优先搜索的图遍历方法探查源点到邻居点的传输时延。包括：每当遍历到一个新的节点，通过下述公式进行源点到其他节点最小传输时延的更新：
temp＝dist[u]+weight[u][v]，
如果temp<dist[v]，
dist[v]＝temp，
prev[v]＝u，
其中，dist和prev为一维数组，weight为二维数组，dist[u]为给定源点到u的最小传输时延，prev[v]为给定源点到v的最小传输时延所经过的倒数第二个节点，weight[u][v]表示点u到点v的传输时延，即边uv上的权重。temp为从给定源点到节点u的最小传输时延开始，再经过一条uv的边到达节点v的传输时延，Dijkstra算法通过判断temp和原始存储与dist数组中给定源点到节点v的最小传输时延的大小，决定是否需更新最小传输时延；
所述Flord-warshall算法主要用于规划图中任意两点的最小传输时延，计算方法利用动态规划的思路，以参与任意两点传输时延的中间节点为主要遍历过程，不停更新所有点对在考虑给定中间节点情况下的最小传输时延，其核心操作包括：
从节点集合V中遍历所有节点，每当遍历一个节点时，用临时变量k标记该节点，该节点当作计算最小传输时延时最近能够被使用到的中间节点，该节点和之前遍历过的能够被使用的中间节点一起，共同用于新一次对所有点对最小传输时延的更新过程；
从节点集合V中遍历所有节点，每当遍历节点时，用临时变量u标记该节点，该节点为两两点对中计算传输时延的起始节点；
从节点集合V中遍历所有节点，每当遍历节点时，用临时变量v标记该节点，该节点为两两点对中计算传输时延的终止节点；
判断dist[u][v]中存储的最小传输时延与dist[u][k]和dist[k][v]两个最小传输时延之和的大小，如果dist[u][v]较大，则将dist[u][v]更新为dist[u][k]和dist[k][v]之和，即考虑中间节点1到k时，节点u到节点v的最小传输时延为dist[u][v]；
其中，k、u、v都是指图中的某一个节点，dist[u][v]表示点u到点v的最小传输时延，Flord-warshall算法通过上述循环的更新过程，逐步更新dist矩阵中的最小传输时延，当所有中间节点k都遍历完毕后，dist矩阵内存储的数值即为给定图的任意两点的最小传输时延。
步骤3包括：
步骤3-1，进行数据清洗、修复缺失值：通过人工或自动化的手段对多源异质数据进行数据预处理工作。针对多源异质数据中的图像和视频数据，通过人工或自动化的方式进行筛选，剔除不清晰、光照不足、采样主体不全的图像和视频数据；针对数值类数据，通过统计的手段进行数值校验，筛选其中存在异常的数值进行人工二次校验；针对缺失的数值，通过统计手段进行数值补全操作；
步骤3-2，通过深度学习模型和机器学习模型对多源异质数据中的非结构化数据进行特征提取；
所述非结构化数据包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，其中视频数据通过逐帧提取的方式将其转换为带时间的图像数据序列；
所述深度学习模型，对输入的图像数据进行特征提取，输出对应的表示特征，表示特征一般由一维向量或三维的矩阵组成，具体形式由自定的深度学习模型结构决定。输出的表示特征包含了对应图像的局部特征的综合，包含了局部特征信息以及其在图像上的对应的位置关系信息，构成了带有可被后续模块使用的带有知识的数据，即图像数据的表示特征；
所述机器学习模型，对输入的带时间的图像数据序列进行特征提取，输出对应的表示特征，表示特征一般由一维向量或三维的矩阵组成，具体形式由自定的深度学习模型结构决定。输出的表示特征包含了对应带时间的图像序列的局部特征的综合，包含了局部特征信息、其在图像上的空间位置关系信息、以及其在时间序列上的时间关系信息，构成了带有可被后续模块使用的带有知识的数据，即视频数据的表示特征；
步骤3-3，对数值类数据进行理解层面的处理，利用全连接深度神经网络的和SVM模型对数值类数据进行自动的特征表示学习，产出对应的带有知识的数据，以表示特征的形式体现；
所述数值类数据包括通过红外传感器结合车辆ETC设备采集的车辆基本信息数据、车辆自身联网系统反馈的GPS和来自车辆OBD反馈的车辆状况诊断数据，以及高速交通网络基础环境数据；
所述全连接深度神经网络和SVM模型为目前通用的模型。对数值类数据通过向量化的形式进行拼接，组成一维向量作为全连接深度神经网络和SVM模型的输入。在向量化过程中，通常需将连续型数值进行离散化操作转换成离散型数值后方可拼接，也可根据实际需要保留连续型数值直接拼接至作为输入的向量中；
所述理解层面的处理，即将数值类数据拼接后组成的向量作为输入，利用全连接深度神经网络的和SVM模型进行表示特征的提取，获得带有知识的数据，即数值类数据的表示特征。提取过程可根据实际情况采用无监督或监督训练的方式进行。
上述无监督学习的方式则需使用Variational Auto-Encoder(VAE)类的全连接深度神经网络进行特征提取。VAE整套流程包括根据给定输入1)通过神经网络的理解提取特征，2)再用提取得到的特征经过后续神经网络还原原始输入。VAE可在对输入数据无标签的情况下进行特征提取；
上述监督学习的方式则需使用传统全连接深度神经网络或SVM进行特征提取。其中，SVM为支持向量机模型。在使用之前，需对输入数据进行有目的的标注。标注可根据实际需求进行。如期望表示特征为后续路况异常检测的输入时，则需对数据标记是否为异常情况；如期望表示特征为后续抢险救援规划的输入时，则需对数据进行高速通行状况的标记；
步骤3-4，选择单一来源数据作为决策模型输入，得到初步判断结果；所述单一来源数据包括通过步骤3-2获得的带有知识的数据，即图像数据的表示特征、视频数据的表示特征、通过步骤3-3获得的带有知识的数据，即数值类数据的表示特征；
所述决策模型可使用但不限于经典决策树结构或梯度下降树(GBDT)。
步骤4包括：
步骤4-1，将具体单点位置结合对应位置的多源异质数据的表示特征组合构成一条供路况监控模块使用的数据，同时对数据进行路况标签的人工标注；
所述路况标签可根据路况情况设定三档路况情况，即良好、拥堵、异常。亦可进行更细致的分类标注；
步骤4-2，构建多阶段深度神经网络作为单点路况分析模型，以此分阶段输入图像、视频、数值类数据的表示特征、单点位置和高速全网图结构，输出人工标注的类别；
所述多阶段深度神经网络，因需接收多源异质数据的表示特征，且异质数据的表示特征形态多样，无法直接作为整体输入，因此考虑设计多阶段输入的方式，分批输入来自图像、视频和数值类数据的表示特征，供路况分析模型使用；所述人工标注的类别即步骤4-1完成的人工标注；
步骤4-3，利用现有的深度神经网络的训练方法(包括但不限于随机梯度下降法SGD，带动量和动态学习率的ADAM算法等。训练算法中的参数需根据实际情况调整)，对单点路况分析模型中的参数进行训练；
步骤4-4，测试训练完毕的单点路况分析模型对当前路况状态的预测水平；测试过程为预留一部分带标记的路况数据，供训练完毕的路况分析模型进行测试，测试指标可采用评估准确率的方式进行。
步骤5包括：
利用决策树、单点路况分析模型中倒数第二层表示层输出，以高斯混合模型构建应急级别类型的聚类模型，通过线性规划的方式针对单点路况分析模型的输出、高斯混合模型应急级别判断的输出(需对全网全部可采集到数据的位置进行一轮判断)以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法；
步骤5-1，针对同一批多源异质数据，将其中决策树输出和单点路况分析模型倒数第二层的输出(也是向量化输出)进行整合，形成新的表示特征；
所述整合，可通过但不限于VAE等手段将来自不同维度的特征数据进行无监督训练，通过提取VAE中encoder端的输出作为整合后的新的表示特征；
步骤5-2，利用高斯混合模型(GMM)对步骤5-1获得的新的表示特征进行聚类；因步骤5-1所用的多源异质数据来源于单点路况分析模型，因此其中表示特征已蕴含了不同路况级别的信息。通过GMM的聚类操作，以数据的方式完成不同类别的聚合；聚类的类型数量结合其表示特征的维度，多半会超过步骤4-1人工标注的类别数量，从而达到对路况情况更细粒度的判断。再结合已有需应急处理的数据样本，根据其实际的应急级别判断给定位置的应急级别；
所述高斯混合模型GMM用如下公式表示：
其中，x表示输入的表示特征，p(x)输出一组向量，表示输入的表示特征x属于某一个聚类可能性的分布，k为聚类的标记符号，从聚类1到聚类K，一共K个聚类；πk为每个聚类的权重，N(x|μk，Σk)表示每个聚类假设服从正态分布，μk为正态分布的均值，∑k为正态分布的方差；因此，为利用GMM获得表示特征的聚类结果，需事先对GMM模型的参数πk，μk，Σk进行学习。参数学习的方法可通过经典的变分推断(Varitional Inference)进行；
步骤5-3，通过线性规划的方式针对单点路况分析模型的输出、上述应急级别判断的输出(需对全网全部可采集到数据的位置进行一轮判断)以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法；
所述多目标优化即需同时考虑救援路径最短和根据应急级别不同所需派出救援资源最合适的两个目标；
上述救援资源最合适指的是在满足应急级别所需救援资源量的前提下所能派出的最小资源量；
所述受限条件指的是单点路况分析模型的输出和全网应急级别的输出均具有时效性，可能存在数据延迟，因此会存在在计算某次救援规划时部分数据因时效性导致的不可用情况，此为受限条件；
所述线性规划及其优化算法为经典的数值求解算法。
与现有技术方案相比，本发明具有以下优点：
1)通用性强，一种面向多源信息融合的智慧交通网络智能化监控与应急系统可适用于各种类高速公路路网，可针对可用数据情况进行简单的调配；
2)准确度高，从多源异质数据出发，以不同维度的融合模型给予更准确的预测和判断；
3)使用方便，可部署在目前主流高速公路系统之上，对特定硬件依赖较低。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是本发明系统架构图。
图2为面向图像数据的表示特征提取网络示意图。
图3为面向视频数据的表示特征提取网络示意图。
图4为多阶段深度神经网络示意图。
具体实施方式
本发明提供了面向多源信息融合的智慧交通网络智能化监控与应急系统，包括环境感知模块、数据传输与数据处理模块、路况监控模块和应急处理模块；
所述环境感知模块用于获取多源异质数据；
所述数据传输与数据处理模块用于对多源异质数据进行预处理，得到带有知识的数据；
所述路况监控模块用于，基于带有知识的数据，进行高速公路路网路况的实时监控和分析；
所述应急处理模块基于路况监控模块实时监控和分析的信息，判断存在需应急处理的位置，根据应急类型预测和人工复检的结果进行应急策略的生成。
所述系统执行如下步骤：
步骤1，环境感知模块通过多源感知部件感知环境数据，得到多源异质数据；
步骤2，以高速公路底层原有的数据传输系统为基础设施构建传输链路，将多源异质数据传输至服务器端；
步骤3，通过数据传输与数据处理模块对传输至服务器的多源异质数据进行预处理，得到带有知识的数据；
步骤4，路况监控模块基于带有知识的数据进行高速公路路网路况的实时监控和分析；
步骤5，应急处理模块基于路况监控模块实时监控和分析的信息，判断存在需应急处理的位置，得出最优抢险救援规划方法。
步骤1中，所述多源异质数据包括通过龙门架上的摄像头和红外采集相应的车辆数据、车辆个体信息、高速交通网络基础环境数据和杂项类数据、以及龙门架坐标；
所述通过龙门架上的摄像头和红外采集相应的车辆数据，包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，以及通过红外传感器结合车辆ETC设备采集的车辆基本信息数据；
所述车辆个体信息包括车辆自身联网系统反馈的GPS和车辆状况诊断数据；
所述高速交通网络基础环境数据包括通过架设在高速公路周边的气象设备检测的气象基础数据和高速全网图结构数据；所述气象基础数据包括温度、大气压强、湿度和风速，还包括来自气象台定期发布的气象预报和预警数据；
所述高速全网图结构数据为二维矩阵表示的图结构数据，以龙门架采集点为图节点，高速路网相邻两东门架的关系为边构成；
所述龙门架坐标为高速全网图结构的矩阵上的坐标；
所述杂项类数据包括龙门架摄像头设备状态、高速公路周边的气象设备的设备状态。
步骤2中，所述高速公路底层原有的数据传输系统为基于无线和有线传输混合组网的传输网络系统。
步骤2中，所述以高速公路底层原有的数据传输系统为基础设施构建传输链路，包括：
通过分析底层传输系统的带宽情况，通过带权最短路径规划算法针对不同数据体量的图像、视频数据分别选择对应的时延最低、容错最高的传输路径；
所述带权最短路径规划算法规划使用Dijkstra算法、Flord-warshall算法，进行点对点或高速公路数据传输网络全节点的最短路径规划；
所述高速公路数据传输网络将传输网络中的龙门架当作图中的节点，任意两个节点如果有直接的传输链路，则当作图中的边；传输链路的延迟作为边上的权重；
所述时延最低指的是给定两个节点，以及传输网络中每条边的传输时延，找到一条两个节点之间的路径，使得路径上所有边的时延之和最小；
所述Dijkstra算法包括：每当遍历到一个新的节点，通过下述公式进行源点到其他节点最小传输时延的更新：
temp＝dist[u]+weight[u][v]，
如果temp<dist[v]，
dist[v]＝temp，
prev[v]＝u，
其中，dist和prev为一维数组，weight为二维数组，dist[u]为给定源点到u的最小传输时延，prev[v]为给定源点到v的最小传输时延所经过的倒数第二个节点，weight[u][v]表示点u到点v的传输时延，即边uv上的权重；temp为从给定源点到节点u的最小传输时延开始，再经过一条uv的边到达节点v的传输时延；
所述Flord-warshall算法包括：
从节点集合V中遍历所有节点，每当遍历一个节点时，用临时变量k标记该节点，该节点当作计算最小传输时延时最近能够被使用到的中间节点，该节点和之前遍历过的能够被使用的中间节点一起，共同用于新一次对所有点对最小传输时延的更新过程；
从节点集合V中遍历所有节点，每当遍历节点时，用临时变量u标记该节点，该节点为两两点对中计算传输时延的起始节点；
从节点集合V中遍历所有节点，每当遍历节点时，用临时变量v标记该节点，该节点为两两点对中计算传输时延的终止节点；
判断dist[u][v]中存储的最小传输时延与dist[u][k]和dist[k][v]两个最小传输时延之和的大小，如果dist[u][v]较大，则将dist[u][v]更新为dist[u][k]和dist[k][v]之和，即考虑中间节点1到k时，节点u到节点v的最小传输时延为dist[u][v]；
其中，k、u、v都是指图中的一个节点，dist[u][v]表示点u到点v的最小传输时延，Flord-warshall算法通过上述循环的更新过程，逐步更新dist矩阵中的最小传输时延，当所有中间节点k都遍历完毕后，dist矩阵内存储的数值即为给定图的任意两点的最小传输时延。
步骤3包括：
步骤3-1，进行数据清洗、修复缺失值：针对多源异质数据中的图像和视频数据，通过人工或自动化的方式进行筛选，剔除不清晰、光照不足、采样主体不全的图像和视频数据；针对数值类数据，通过统计的手段进行数值校验，筛选其中存在异常的数值进行人工二次校验；针对缺失的数值，通过统计手段进行数值补全操作；
步骤3-2，通过深度学习模型和机器学习模型对多源异质数据中的非结构化数据进行特征提取；
所述非结构化数据包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，其中视频数据通过逐帧提取的方式将其转换为带时间的图像数据序列；
所述深度学习模型，对输入的图像数据进行特征提取，输出对应的表示特征，输出的表示特征包含了对应图像的局部特征的综合，包含了局部特征信息以及其在图像上的对应的位置关系信息，构成了带有知识的数据，即图像数据的表示特征；
所述机器学习模型，对输入的带时间的图像数据序列进行特征提取，输出对应的表示特征，输出的表示特征包含了对应带时间的图像序列的局部特征的综合，包含了局部特征信息、在图像上的空间位置关系信息、以及在时间序列上的时间关系信息，构成了带有知识的数据，即视频数据的表示特征；
步骤3-3，对数值类数据进行理解层面的处理，利用全连接深度神经网络和SVM模型对数值类数据进行自动的特征表示学习，产出对应的带有知识的数据，以表示特征的形式体现；
所述数值类数据包括通过红外传感器结合车辆ETC设备采集的车辆基本信息数据、车辆自身联网系统反馈的GPS和来自车辆OBD反馈的车辆状况诊断数据，以及高速交通网络基础环境数据；
对数值类数据通过向量化的形式进行拼接，组成一维向量作为全连接深度神经网络和SVM模型的输入；
所述理解层面的处理，即将数值类数据拼接后组成的向量作为输入，利用全连接深度神经网络和SVM模型进行表示特征的提取，获得带有知识的数据，即数值类数据的表示特征；
步骤3-4，选择单一来源数据作为决策模型输入，得到初步判断结果；所述单一来源数据包括通过步骤3-2获得的带有知识的数据，即图像数据的表示特征、视频数据的表示特征、通过步骤3-3获得的带有知识的数据，即数值类数据的表示特征。
步骤4包括：
步骤4-1，将具体单点位置结合对应位置的多源异质数据的表示特征组合构成一条供路况监控模块使用的数据，同时对数据进行路况标签的人工标注；
步骤4-2，构建多阶段深度神经网络作为单点路况分析模型，以此分阶段输入图像、视频、数值类数据的表示特征、单点位置和高速全网图结构，输出人工标注的类别；
步骤4-3，利用深度神经网络的训练方法，对单点路况分析模型中的参数进行训练；
步骤4-4，测试训练完毕的单点路况分析模型对当前路况状态的预测水平。
步骤5包括：
利用决策树、单点路况分析模型中倒数第二层表示层输出，以高斯混合模型构建应急级别类型的聚类模型，通过线性规划的方式针对单点路况分析模型的输出、高斯混合模型应急级别判断的输出以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法；
步骤5-1，针对同一批多源异质数据，将其中决策树输出和单点路况分析模型倒数第二层的输出进行整合，形成新的表示特征；
步骤5-2，利用高斯混合模型GMM对步骤5-1获得的新的表示特征进行聚类；
所述高斯混合模型GMM用如下公式表示：
其中，x表示输入的表示特征，p(x)表示输入的表示特征x属于一个聚类可能性的分布，k为聚类的标记符号，从聚类1到聚类K，一共K个聚类；πk为每个聚类的权重，N(k|μk，Σk)表示每个聚类假设服从正态分布，μk为正态分布的均值，∑k为正态分布的方差；
步骤5-3，通过线性规划的方式针对单点路况分析模型的输出、应急级别判断的输出以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法；
所述多目标优化即需同时考虑救援路径最短和根据应急级别不同所需派出救援资源最合适的两个目标；
所述救援资源最合适指的是在满足应急级别所需救援资源量的前提下所能派出的最小资源量。
实施例
图1描述了本发明系统的整体架构图，包含多源异质数据采集、数据传输、数据处理、实时监控和分析、以及和突发事件自动判断和决策规划五个步骤：
步骤一、通过环境感知模块的多源感知部件感知环境数据。
1a)所述通过龙门架上的摄像头和红外采集相应的车辆数据，包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，以及通过红外传感器结合车辆ETC设备采集的车辆基本信息数据；
1b)车辆个体信息包括车辆自身联网系统反馈的GPS和车辆状况诊断数据，要求提前介入高速交通网络路况监控与应急系统，诊断数据通常由OBD进行监控，将车辆各部件的信息传至车辆ECU后，通过ECU的标准接口访问得到。
1c)多源异质数据包括通过龙门架上的摄像头和红外采集相应的车辆数据、车辆个体信息、高速交通网络基础环境数据和杂项类数据。
1d)高速交通网络基础环境数据包括通过架设在高速公路周边的气象设备检测的气象基础数据；所述气象基础数据包括温度、大气压强、湿度和风速，还包括来自气象台定期发布的气象预报和预警数据；
1e)杂项类数据包括龙门架摄像头设备状态、高速公路周边的气象设备的设备状态。这类数据主要用于监控设备运行状态。步骤二、以高速公路底层原有的数据传输系统为基础设施构建传输链路将多源异质数据传输至服务器端，包括了一种高容错、低时延的传输链路，保障不同类型数据的及时且有效的传送至服务器端。
2a)针对现有高速公路底层原有的数据传输系统，如包括且不限于基于无线和有线传输混合组网的传输网络系统，设计高容错、低时延的传输链路，保障不同类型数据的及时且有效的传送至服务器端，指的是通过分析底层传输系统的带宽情况，通过带权最短路径规划算法针对不同数据体量的图像、视频等数据分别选择对应的时延最低、容错最高的传输路径。
2b)带权最短路径规划可使用经典的Dijkstra算法、Flord-warshall算法等方法进行点对点或高速公路数据传输网络全节点的最短路径规划。满足任意给定两个节点以及传输网络中每条边的传输时延，找到一条两个节点之间的路径，使得路径上所有边的时延之和最小。
步骤三、以通过数据处理模块对传输至服务器的多源异质数据进行数据预处理，产出的带有一定知识的数据。包括针对非结构化数据完成其向结构化数据的转换、对数据进行清洗、修复缺失值等操作，同时还负责对收集模块输出的预处理后数据进行理解层面的处理，包括利用神经网络提取数据中的表示特征、通过决策模型获取对原始数据的初步判断等。
3a)进行数据清洗、修复缺失值：通过人工或自动化的手段对多源异质数据进行数据预处理工作。针对多源异质数据中的图像和视频数据，通过人工或自动化的方式进行筛选，剔除不清晰、光照不足、采样主体不全的图像和视频数据；针对数值类数据，通过统计的手段进行数值校验，筛选其中存在异常的数值进行人工二次校验；针对缺失的数值，通过统计手段进行数值补全操作。
3b)通过深度学习模型和机器学习模型对多源异质数据中的非结构化数据进行特征提取。
非结构化数据通常指数据结构不规则或完整的数据，如文本、图像和视频数据等；通过深度学习模型和机器学习模型对多源异质数据中的非结构化数据进行特征提取；其中非结构化数据包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，其中视频数据通过逐帧提取的方式将其转换为带时间的图像数据序列。
处理单张图像的深度学习模型接受单张图像为输入，单张图像一般可通过三维矩阵表达，包括图像本身的长宽尺寸和RGB三色通道。假设图像的长宽分别为H和W，则矩阵尺寸为H*W*3。处理单张图像的深度学习模型一般由若干组卷积层组合构成中间主要结构。每一组卷积层组合包含若干个卷积层，拥有相同的通道数。相邻卷积层组合之间通常由一个下采样层进行连接，后一个卷积层组合的通道数一般为上一个卷积层组合的2倍从，每个卷积层采用但不限于3x3x64的卷积核尺寸。综上，处理单张图像的深度学习模型可通过如此且不限于图2中深度神经网络结构的深度学习模型对输入的图像数据进行特征提取，输出对应的表示特征，表示特征一般由一维向量或三维的矩阵组成，具体形式由自定的深度学习模型结构决定。输出的表示特征包含了对应图像的局部特征的综合，包含了局部特征信息以及其在图像上的对应的位置关系信息，构成了带有可被后续模块使用的带有知识的数据，以表示特征的形式体现。
针对图像序列数据的机器学习模型接受图像序列数据为输入，图像序列中的每一张图像分别作为模型的对应帧的输入。单张图像一般可通过三维矩阵表达，包括图像本身的长宽尺寸和RGB三色通道。假设图像的长宽分别为H和W，则矩阵尺寸为H*W*3。针对图像序列数据的机器学习模型主要由多个处理单张图像的深度学习模型和最后的特征表示整合层组成。其中，处理单张图像的深度学习模型类似图2的结构，一般由若干组卷积层组合构成中间主要结构。每一组卷积层组合包含若干个卷积层，拥有相同的通道数。相邻卷积层组合之间通常由一个下采样层进行连接，后一个卷积层组合的通道数一般为上一个卷积层组合的2倍，每个卷积层采用但不限于3x3x64的卷积核尺寸。不同的是，针对图像序列数据，需要获得每一帧图像的表示特征即可。随后，将每一帧图像的表示特征通过特征表示整合层处理，输出最终针对图像序列数据整体的表示特征。综上，处理图像序列数据的深度学习模型如图3所示，可通过如此且不限于图中深度神经网络结构的深度学习模型对输入的带时间的图像数据序列进行特征提取，输出对应的表示特征，表示特征一般由一维向量或三维的矩阵组成，具体形式由自定的深度学习模型结构决定。输出的表示特征包含了对应带时间的图像序列的局部特征的综合，包含了局部特征信息、其在图像上的空间位置关系信息、以及其在时间序列上的时间关系信息，构成了带有可被后续模块使用的带有知识的数据，以表示特征的形式体现。
3c)对数值类数据进行理解层面的处理，利用全连接深度神经网络的和SVM模型对数值类数据进行自动的特征表示学习，产出对应的带有知识数据，以表示特征的形式体现。
数值类数据通常指能够用数据或统一的结构表示的数据和信息，如数字和符号。在高速交通场景下如基于etc信息和GPS数据的车辆路径信息等。
对数值类数据进行理解层面的处理，利用全连接深度神经网络的和SVM模型对数值类数据进行自动的特征表示学习，产出对应的表示特征。数值类数据包括通过红外传感器结合车辆ETC设备采集的车辆基本信息数据、车辆自身联网系统反馈的GPS和来自车辆OBD反馈的车辆状况诊断数据，以及高速交通网络基础环境数据。
全连接深度神经网络和SVM模型为目前通用的模型。对数值类数据通过向量化的形式进行拼接，组成一维向量作为全连接深度神经网络和SVM模型的输入。在向量化过程中，通常需将连续型数值进行离散化操作转换成离散型数值后方可拼接，也可根据实际需要保留连续型数值直接拼接至作为输入的向量中。
所述理解层面的处理，即将数值类数据拼接后组成的向量作为输入，利用全连接深度神经网络的和SVM模型进行表示特征的提取。提取过程可根据实际情况采用无监督或监督训练的方式进行。
其中，无监督学习的方式则需使用Variational Auto-Encoder(VAE)类的全连接深度神经网络进行特征提取。VAE整套流程包括根据给定输入1)通过神经网络的理解提取特征，2)再用提取得到的特征经过后续神经网络还原原始输入。VAE可在对输入数据无标签的情况下进行特征提取。
监督学习的方式则需使用传统全连接深度神经网络或SVM进行特征提取。其中，SVM为支持向量机模型。在使用之前，需对输入数据进行有目的的标注。标注可根据实际需求进行。如期望表示特征为后续路况异常检测的输入时，则需对数据标记是否为异常情况；如期望表示特征为后续抢险救援规划的输入时，则需对数据进行高速通行状况的标记。
3d)选择单一来源数据作为决策模型输入，得到初步判断结果；所述单一来源数据包括通过步骤3b获得的图像数据表示特征、视频数据表示特征、通过步骤3c获得的数值类数据的表示特征。决策模型可使用但不限于经典决策树结构或梯度下降树(GBDT)。
步骤4、路况监控模块基于带有知识的数据进行高速公路路网路况的实时监控和分析。
4a)将具体单点位置结合对应位置的多源异质数据的带有知识的数据，组合构成一条供路况监控模块使用的数据，同时对数据进行路况标签的人工标注。路况标签可根据路况情况设定三档路况情况，即良好、拥堵、异常。亦可进行更细致的分类标注。
4b)构建多阶段深度神经网络作为单点路况分析模型，以此分阶段输入图像、视频、数值类数据的表示特征、单点位置和高速全网图结构，输出人工标注的类别。
多阶段深度神经网络如图4所示，以图像表示特征为模型输入，通过若干卷积层组合将图像表示特征处理成与视频表示特征尺寸维度相同的特征形式，处理过程可通过调节卷积层的输入输出尺寸数值达到目标。因两种特征的尺寸维度相同，故可将处理后的图像表示特征和视频表示特征进行合并，组合成一组新的特征。将这组新的特征再通过若干卷积层的转换后，将其扁平化，扁平化后的特征是一个一维的特征向量，便可与数值表示特征进行拼接。拼接后的特征通过两个或多个全连接层进行转换后输出路况类别的判断结果。总体而言，因需接收多源异质数据的表示特征，且异质数据的表示特征形态多样，无法直接作为整体输入，因此考虑设计多阶段输入的方式，分批输入来自图像、视频和数值类数据的表示特征，供路况分析模型使用；所述人工标注的类别即步骤4a完成的人工标注。
4c)利用现有的深度神经网络的训练方法(包括但不限于随机梯度下降法SGD，带动量和动态学习率的ADAM算法等。训练算法中的参数需根据实际情况调整)，对单点路况分析模型中的参数进行训练。
4d)测试训练完毕的单点路况分析模型对当前路况状态的预测水平；测试过程为预留一部分带标记的路况数据，供训练完毕的路况分析模型进行测试，测试指标可采用评估准确率的方式进行。
步骤五、利用决策树、单点路况分析模型中倒数第二层表示层输出，以高斯混合模型构建应急级别类型的聚类模型，通过线性规划的方式针对单点路况分析模型的输出、高斯混合模型应急级别判断的输出(需对全网全部可采集到数据的位置进行一轮判断)以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法。
5a)针对同一批多源异质数据，将其中决策树输出和单点路况分析模型倒数第二层的输出(也是向量化输出)进行整合，形成新的表示特征。该整合可通过但不限于VAE等手段将来自不同维度的特征数据进行无监督训练，通过提取VAE中encoder端的输出作为整合后的新的表示特征。
5b)利用高斯混合模型(GMM)对步骤5a中获得的新的表示特征进行聚类；因步骤5a中所用的多源异质数据部分来源于单点路况分析模型，因此其中表示特征已蕴含了不同路况级别的信息。通过GMM的聚类操作，以数据的方式完成不同类别的聚合；聚类的类型数量结合其表示特征的维度，多半会超过步骤4a中人工标注的类别数量，从而达到对路况情况更细粒度的判断。再结合已有需应急处理的数据样本，根据其实际的应急级别判断给定位置的应急级别。
5c)通过线性规划的方式针对单点路况分析模型的输出、上述应急级别判断的输出(需对全网全部可采集到数据的位置进行一轮判断)以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法。多目标优化即需同时考虑救援路径最短和根据应急级别不同所需派出救援资源最合适的两个目标。
上述救援资源最合适指的是在满足应急级别所需救援资源量的前提下所能派出的最小资源量。受限条件指的是单点路况分析模型的输出和全网应急级别的输出均具有时效性，可能存在数据延迟，因此会存在在计算某次救援规划时部分数据因时效性导致的不可用情况，此为受限条件。通常，线性规划及其优化算法为经典的数值求解算法。
本发明提供了面向多源信息融合的智慧交通网络智能化监控与应急系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (3)

1.面向多源信息融合的智慧交通网络智能化监控与应急系统，其特征在于，包括环境感知模块、数据传输与数据处理模块、路况监控模块和应急处理模块；
所述环境感知模块用于获取多源异质数据；
所述数据传输与数据处理模块用于对多源异质数据进行预处理，得到带有知识的数据；
所述路况监控模块用于，基于带有知识的数据，进行高速公路路网路况的实时监控和分析；
所述应急处理模块基于路况监控模块实时监控和分析的信息，判断存在需应急处理的位置，根据应急类型预测和人工复检的结果进行应急策略的生成；
所述系统执行如下步骤：
步骤1，环境感知模块通过多源感知部件感知环境数据，得到多源异质数据；
步骤2，以高速公路底层原有的数据传输系统为基础设施构建传输链路，将多源异质数据传输至服务器端；
步骤3，通过数据传输与数据处理模块对传输至服务器的多源异质数据进行预处理，得到带有知识的数据；
步骤4，路况监控模块基于带有知识的数据进行高速公路路网路况的实时监控和分析；
步骤5，应急处理模块基于路况监控模块实时监控和分析的信息，判断存在需应急处理的位置，得出最优抢险救援规划方法；
步骤1中，所述多源异质数据包括通过龙门架上的摄像头和红外采集相应的车辆数据、车辆个体信息、高速交通网络基础环境数据和杂项类数据、以及龙门架坐标；
所述通过龙门架上的摄像头和红外采集相应的车辆数据，包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，以及通过红外传感器结合车辆ETC设备采集的车辆基本信息数据；
所述车辆个体信息包括车辆自身联网系统反馈的GPS和车辆状况诊断数据；
所述高速交通网络基础环境数据包括通过架设在高速公路周边的气象设备检测的气象基础数据和高速全网图结构数据；所述气象基础数据包括温度、大气压强、湿度和风速，还包括来自气象台定期发布的气象预报和预警数据；
所述高速全网图结构数据为二维矩阵表示的图结构数据，以龙门架采集点为图节点，高速路网相邻两东门架的关系为边构成；
所述龙门架坐标为高速全网图结构的矩阵上的坐标；
所述杂项类数据包括龙门架摄像头设备状态、高速公路周边的气象设备的设备状态；
步骤2中，所述高速公路底层原有的数据传输系统为基于无线和有线传输混合组网的传输网络系统；
步骤2中，所述以高速公路底层原有的数据传输系统为基础设施构建传输链路，包括：
通过分析底层传输系统的带宽情况，通过带权最短路径规划算法针对不同数据体量的图像、视频数据分别选择对应的时延最低、容错最高的传输路径；
所述带权最短路径规划算法规划使用Dijkstra算法、Flord-warshall算法，进行点对点或高速公路数据传输网络全节点的最短路径规划；
所述高速公路数据传输网络将传输网络中的龙门架当作图中的节点，任意两个节点如果有直接的传输链路，则当作图中的边；传输链路的延迟作为边上的权重；
所述时延最低指的是给定两个节点，以及传输网络中每条边的传输时延，找到一条两个节点之间的路径，使得路径上所有边的时延之和最小；
所述Dijkstra算法包括：每当遍历到一个新的节点，通过下述公式进行源点到其他节点最小传输时延的更新：
temp＝dist[u]+weight[u][v]，
如果temp<dist[v]，
dist[v]＝temp，
prev[v]＝u，
其中，dist和prev为一维数组，weight为二维数组，dist[u]为给定源点到u的最小传输时延，prev[v]为给定源点到v的最小传输时延所经过的倒数第二个节点，weight[u][v]表示点u到点v的传输时延，即边uv上的权重；temp为从给定源点到节点u的最小传输时延开始，再经过一条uv的边到达节点v的传输时延；
所述Flord-warshall算法包括：
从节点集合V中遍历所有节点，每当遍历一个节点时，用临时变量k标记该节点，该节点当作计算最小传输时延时最近能够被使用到的中间节点，该节点和之前遍历过的能够被使用的中间节点一起，共同用于新一次对所有点对最小传输时延的更新过程；从节点集合V中遍历所有节点，每当遍历节点时，用临时变量u标记该节点，该节点为两两点对中计算传输时延的起始节点；
从节点集合V中遍历所有节点，每当遍历节点时，用临时变量v标记该节点，该节点为两两点对中计算传输时延的终止节点；
判断dist[u][v]中存储的最小传输时延与dist[u][k]和dist[k][v]两个最小传输时延之和的大小，如果dist[u][v]较大，则将dist[u][v]更新为dist[u][k]和dist[k][v]之和，即考虑中间节点1到k时，节点u到节点v的最小传输时延为dist[u][v]；
其中，k、u、v都是指图中的一个节点，dist[u][v]表示点u到点v的最小传输时延，Flord-warshall算法通过上述循环的更新过程，逐步更新dist矩阵中的最小传输时延，当所有中间节点k都遍历完毕后，dist矩阵内存储的数值即为给定图的任意两点的最小传输时延；
步骤3包括：
步骤3-1，进行数据清洗、修复缺失值：针对多源异质数据中的图像和视频数据，通过人工或自动化的方式进行筛选，剔除不清晰、光照不足、采样主体不全的图像和视频数据；针对数值类数据，通过统计的手段进行数值校验，筛选其中存在异常的数值进行人工二次校验；针对缺失的数值，通过统计手段进行数值补全操作；
步骤3-2，通过深度学习模型和机器学习模型对多源异质数据中的非结构化数据进行特征提取；
所述非结构化数据包括通过摄像头采集的当前位置高速公路路况图像数据、通过摄像头采集的视频数据，其中视频数据通过逐帧提取的方式将其转换为带时间的图像数据序列；
所述深度学习模型，对输入的图像数据进行特征提取，输出对应的表示特征，输出的表示特征包含了对应图像的局部特征的综合，包含了局部特征信息以及其在图像上的对应的位置关系信息，构成了带有知识的数据，即图像数据的表示特征；
所述机器学习模型，对输入的带时间的图像数据序列进行特征提取，输出对应的表示特征，输出的表示特征包含了对应带时间的图像序列的局部特征的综合，包含了局部特征信息、在图像上的空间位置关系信息、以及在时间序列上的时间关系信息，构成了带有知识的数据，即视频数据的表示特征；
步骤3-3，对数值类数据进行理解层面的处理，利用全连接深度神经网络和SVM模型对数值类数据进行自动的特征表示学习，产出对应的带有知识的数据，以表示特征的形式体现；
所述数值类数据包括通过红外传感器结合车辆ETC设备采集的车辆基本信息数据、车辆自身联网系统反馈的GPS和来自车辆OBD反馈的车辆状况诊断数据，以及高速交通网络基础环境数据；
对数值类数据通过向量化的形式进行拼接，组成一维向量作为全连接深度神经网络和SVM模型的输入；
所述理解层面的处理，即将数值类数据拼接后组成的向量作为输入，利用全连接深度神经网络和SVM模型进行表示特征的提取，获得带有知识的数据，即数值类数据的表示特征；
步骤3-4，选择单一来源数据作为决策模型输入，得到初步判断结果；所述单一来源数据包括通过步骤3-2获得的带有知识的数据，即图像数据的表示特征、视频数据的表示特征、通过步骤3-3获得的带有知识的数据，即数值类数据的表示特征。
2.如权利要求1所述的系统，其特征在于，步骤4包括：
步骤4-1，将具体单点位置结合对应位置的多源异质数据的表示特征组合构成一条供路况监控模块使用的数据，同时对数据进行路况标签的人工标注；
步骤4-2，构建多阶段深度神经网络作为单点路况分析模型，以此分阶段输入图像、视频、数值类数据的表示特征、单点位置和高速全网图结构，输出人工标注的类别；
步骤4-3，利用深度神经网络的训练方法，对单点路况分析模型中的参数进行训练；
步骤4-4，测试训练完毕的单点路况分析模型对当前路况状态的预测水平。
3.如权利要求2所述的系统，其特征在于，步骤5包括：
利用决策树、单点路况分析模型中倒数第二层表示层输出，以高斯混合模型构建应急级别类型的聚类模型，通过线性规划的方式针对单点路况分析模型的输出、高斯混合模型应急级别判断的输出以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法；
步骤5-1，针对同一批多源异质数据，将其中决策树输出和单点路况分析模型倒数第二层的输出进行整合，形成新的表示特征；
步骤5-2，利用高斯混合模型GMM对步骤5-1获得的新的表示特征进行聚类；
所述高斯混合模型GMM用如下公式表示：
其中，x表示输入的表示特征，p(x)表示输入的表示特征x属于一个聚类可能性的分布，k为聚类的标记符号，从聚类1到聚类K，一共K个聚类；πk为每个聚类的权重，N(x|μk,∑k)表示每个聚类假设服从正态分布，μk为正态分布的均值，Σk为正态分布的方差；
步骤5-3，通过线性规划的方式针对单点路况分析模型的输出、应急级别判断的输出以及高速公路路网基础信息，以多目标优化的方式构建受限条件下的优化目标，以线性规划的方式对优化目标进行求解，得出最优抢险救援规划方法；
所述多目标优化即需同时考虑救援路径最短和根据应急级别不同所需派出救援资源最合适的两个目标；
所述救援资源最合适指的是在满足应急级别所需救援资源量的前提下所能派出的最小资源量。
CN202110972662.5A 2021-08-24 2021-08-24 面向多源信息融合的智慧交通网络智能化监控与应急系统 Active CN113807404B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110972662.5A CN113807404B (zh) 2021-08-24 2021-08-24 面向多源信息融合的智慧交通网络智能化监控与应急系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110972662.5A CN113807404B (zh) 2021-08-24 2021-08-24 面向多源信息融合的智慧交通网络智能化监控与应急系统

Publications (2)

Publication Number Publication Date
CN113807404A CN113807404A (zh) 2021-12-17
CN113807404B true CN113807404B (zh) 2024-02-27

Family

ID=78893978

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110972662.5A Active CN113807404B (zh) 2021-08-24 2021-08-24 面向多源信息融合的智慧交通网络智能化监控与应急系统

Country Status (1)

Country Link
CN (1) CN113807404B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117455268B (zh) * 2023-12-20 2024-02-27 北京赛德车门制造有限公司 基于物联网的客车一键式应急逃生数据分析系统及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102231231A (zh) * 2011-06-16 2011-11-02 同济大学 区域公路网交通安全态势预警系统及其方法
CN108961790A (zh) * 2018-07-24 2018-12-07 河北德冠隆电子科技有限公司 基于四维实景交通仿真的恶劣天气预警管理系统及方法
CN109671272A (zh) * 2018-12-29 2019-04-23 广东工业大学 一种高速公路交通流预测方法
CN110210509A (zh) * 2019-03-04 2019-09-06 广东交通职业技术学院 一种基于mfd+谱聚类+svm的路网交通状态判别方法
CN110807917A (zh) * 2019-10-16 2020-02-18 丽水学院 一种基于云计算的高速公路智能安防系统
WO2020220439A1 (zh) * 2019-04-29 2020-11-05 东北大学 基于深度神经网络的高速公路交通流量状态识别方法
CN112017424A (zh) * 2019-05-31 2020-12-01 阿里巴巴集团控股有限公司 封闭高速公路交通应急管控的方法及装置
CN112216130A (zh) * 2020-09-30 2021-01-12 长沙理工大学 一种车路协同环境下的应急车辆诱导方法
CN112491950A (zh) * 2020-10-14 2021-03-12 杭州未名信科科技有限公司 基于智慧城市的多源信息感知与应急联动方法、定位联动系统和电子设备
CN113065984A (zh) * 2021-02-22 2021-07-02 中铁信(北京)网络技术研究院有限公司 轨道交通车站应急演练信息智能检测评估系统及方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR102017019865A2 (pt) * 2017-09-15 2019-04-16 Velsis Sistemas E Tecnologia Viaria S/A Sistema preditivo, integrado e inteligente para controle de tempos em semáforos de trânsito
US20200005633A1 (en) * 2018-06-28 2020-01-02 Cavh Llc Cloud-based technology for connected and automated vehicle highway systems

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102231231A (zh) * 2011-06-16 2011-11-02 同济大学 区域公路网交通安全态势预警系统及其方法
CN108961790A (zh) * 2018-07-24 2018-12-07 河北德冠隆电子科技有限公司 基于四维实景交通仿真的恶劣天气预警管理系统及方法
CN109671272A (zh) * 2018-12-29 2019-04-23 广东工业大学 一种高速公路交通流预测方法
CN110210509A (zh) * 2019-03-04 2019-09-06 广东交通职业技术学院 一种基于mfd+谱聚类+svm的路网交通状态判别方法
WO2020220439A1 (zh) * 2019-04-29 2020-11-05 东北大学 基于深度神经网络的高速公路交通流量状态识别方法
CN112017424A (zh) * 2019-05-31 2020-12-01 阿里巴巴集团控股有限公司 封闭高速公路交通应急管控的方法及装置
CN110807917A (zh) * 2019-10-16 2020-02-18 丽水学院 一种基于云计算的高速公路智能安防系统
CN112216130A (zh) * 2020-09-30 2021-01-12 长沙理工大学 一种车路协同环境下的应急车辆诱导方法
CN112491950A (zh) * 2020-10-14 2021-03-12 杭州未名信科科技有限公司 基于智慧城市的多源信息感知与应急联动方法、定位联动系统和电子设备
CN113065984A (zh) * 2021-02-22 2021-07-02 中铁信(北京)网络技术研究院有限公司 轨道交通车站应急演练信息智能检测评估系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
rael-time traffic management in emergency using artificial intelligence;Mahima Jaiswal, etal;2020 8th international conference on reliability，Infocom technologies and optimization (trends and future directions)(ICRITO);全文 *
基于图卷积网络的路网短时交通流预测研究;陈喜群;周凌霄;曹震;;交通运输系统工程与信息(04);全文 *
李永忠主编.《计算机网络理论与应用》.国防工业出版社,2011,全文. *
考虑震后道路抢修的多目标应急调度模型;田晓勇;冯延超;陈亮;李奇男;王京京;崔洪军;;防灾减灾工程学报(04);全文 *

Also Published As

Publication number Publication date
CN113807404A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN108037770B (zh) 基于人工智能的无人机输电线路巡检系统和方法
CN111540198B (zh) 基于有向图卷积神经网络的城市交通态势识别方法
CN110164128B (zh) 一种城市级智能交通仿真系统
CN110943857B (zh) 基于卷积神经网络的电力通信网故障分析及定位方法
CN108765404B (zh) 一种基于深度学习图像分类的道路破损检测方法及装置
CN111209434B (zh) 一种基于多源异构数据融合的变电站设备巡检系统及方法
CN111832814A (zh) 一种基于图注意力机制的空气污染物浓度预测方法
CN110288001B (zh) 基于目标数据特征训练学习的目标识别方法
CN107305636A (zh) 目标识别方法、目标识别装置、终端设备和目标识别系统
CN111342997A (zh) 一种深度神经网络模型的构建方法、故障诊断方法及系统
CN109214308A (zh) 一种基于焦点损失函数的交通异常图片识别方法
CN112367303B (zh) 分布式自学习异常流量协同检测方法及系统
CN113807404B (zh) 面向多源信息融合的智慧交通网络智能化监控与应急系统
CN111967675A (zh) 光伏发电量的预测方法以及预测装置
CN110119790A (zh) 基于计算机视觉的共享单车数量统计和密度估计的方法
CN107180534A (zh) 支持向量回归机融合的高速公路路段平均速度估计方法
CN113570862A (zh) 一种基于XGboost算法的大型交通拥堵预警方法
CN116229380A (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN111582069A (zh) 一种空基监视平台的轨道障碍物零样本分类方法及装置
Liu et al. Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm
CN111753653B (zh) 基于注意力机制的高铁接触网紧固件识别与定位方法
CN117610734A (zh) 基于深度学习的用户行为预测方法、系统和电子设备
CN114613144B (zh) 一种基于Embedding-CNN的混合车群运动演化规律的刻画方法
CN113515890A (zh) 一种基于联邦学习的可再生能源日前场景生成方法
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法

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
GR01 Patent grant
GR01 Patent grant