CN114822033A - 基于特征金字塔网络的路网交通流量数据修复方法及系统 - Google Patents

基于特征金字塔网络的路网交通流量数据修复方法及系统 Download PDF

Info

Publication number
CN114822033A
CN114822033A CN202210480165.8A CN202210480165A CN114822033A CN 114822033 A CN114822033 A CN 114822033A CN 202210480165 A CN202210480165 A CN 202210480165A CN 114822033 A CN114822033 A CN 114822033A
Authority
CN
China
Prior art keywords
road
scale
road network
feature
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210480165.8A
Other languages
English (en)
Other versions
CN114822033B (zh
Inventor
郭亚娟
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong 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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202210480165.8A priority Critical patent/CN114822033B/zh
Publication of CN114822033A publication Critical patent/CN114822033A/zh
Application granted granted Critical
Publication of CN114822033B publication Critical patent/CN114822033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于特征金字塔网络的路网交通流量数据修复方法及系统，获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；建立道路空间等粒度规则网络；基于等粒度规则网络和某个时段内待修复的路网交通流量数据，计算当前时段单位网格单车道平均交通量，并将当前时段单位网格内单车道平均交通量视为当前时段道路交通细尺度流量特征；基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；将细尺度流量特征和先验知识库，均输入到训练后的当前时段的多尺度特征金字塔模型，得到修复后的当前时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。

Description

基于特征金字塔网络的路网交通流量数据修复方法及系统
技术领域
本发明涉及智能交通技术领域，特别是涉及基于特征金字塔网络的路网交通流量数据修复方法及系统。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术，并不必然构成现有技术。
在现代自动检测技术日臻成熟的背景环境下，城市道路交通信息检测设备日益多样化，交通数据来源呈现多元特性，既有固定型路端检测数据(如线圈、地磁、视频、卡口等)，也有移动型车端检测数据(如浮动车、电子标签、公交卡、手机等)。多源多维交通数据往往都会受到多方因素干扰，导致原始数据出现时空维度缺失或稀疏分布问题，难以有效发挥交通数据价值。如何修复路网交通缺损数据，提升交通数据质量，赋能交通管理与控制决策，成为当前交通大数据分析与挖掘领域研究的热点问题之一。
目前关于路网交通数据修复的研究存在各类方法，有研究人员提供了一种基于自我注意力机制的对抗式自编码器交通流量缺失数据修复方法，该方法通过对抗性训练的方式生成接近真实数据分布的修复数据；有研究人员提供了一种基于生成对抗网络的路网交通数据修复方法，该方法能够有效提取道路交通数据时空特征，提高数据修复的准确性和鲁棒性；有研究人员提供了基于贝叶斯增强张量算法或迭代张量算法的缺失交通数据修复方法，该类方法能够有效修复数据缺失路段的交通参数值，实现数据质量增强。
发明人发现，现有的路网交通数据修复方法，存在修复速度慢，修复结果不够准确的缺陷。
发明内容
为了解决现有技术的不足，本发明提供了基于特征金字塔网络的路网交通流量数据修复方法及系统；考虑路网交通流时空多尺度数据耦合关系，充分发挥粗尺度交通先验知识与细尺度交通实时数据的融合价值，能够实现大范围路网交通流数据的全局时空优化和快速修复。
第一方面，本发明提供了基于特征金字塔网络的路网交通流量数据修复方法；
基于特征金字塔网络的路网交通流量数据修复方法，包括：
获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；其中，p为正整数；
建立第i个时段道路空间等粒度规则网络；基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；其中，i的取值范围是1到p；i为正整数；
基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；
将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。
第二方面，本发明提供了基于特征金字塔网络的路网交通流量数据修复系统；
基于特征金字塔网络的路网交通流量数据修复系统，包括：
获取模块，其被配置为：获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；其中，p为正整数；
细尺度流量特征提取模块，其被配置为：建立第i个时段道路空间等粒度规则网络；基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；其中，i的取值范围是1到p；i为正整数；
粗尺度先验知识库构建模块，其被配置为：基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；
输出模块，其被配置为：将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。
第三方面，本发明还提供了一种电子设备，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述第一方面所述的方法。
第四方面，本发明还提供了一种存储介质，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行第一方面所述方法的指令。
第五方面，本发明还提供了一种计算机程序产品，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一方面所述的方法。
与现有技术相比，本发明的有益效果是：
1、本公开建立以交叉口为单位的道路空间等粒度规则网格，通过多层卷积形成道路交通流特征金字塔网络，有效刻画路网交通运行状态的空间多尺度聚合关系，同时采用拉普拉斯算子进行卷积，也能提取到路网交通流横纵向梯度变化规律，为路网交通数据修复提供准确依据。
2、本公开基于道路土地利用属性和交通流历史同期相似性，充分挖掘路网交通粗尺度先验知识，通过考虑交通流量数据缺损率的多尺度特征融合算法和自上而下的多尺度特征融合路径，实现高语义信息的粗尺度交通特征与高分辨率的细尺度交通特征的深度融合，进而获取大范围路网全局优化的交通量数据修复结果。
3、本公开提出的大范围路网交通流量数据修复方法，采用特征金字塔网络结构，充分发挥路网交通多尺度分层感知信息，有效解决路网交通数据空间大范围缺损或时段连续缺损的快速修复问题，均衡兼顾了高质量的数据修复精度和良好的易用性。
4、从大范围区域交通路网多尺度时段划分和空间分割规律入手，分析同一时段内宏微观道路交通网络之间的交通流量映射关系，建立大范围路网交通流量特征金字塔网络结构，结合粗细尺度交通信息耦合机理，实现大范围路网交通流量的快速精准修复。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本公开实施例一提供的基于特征金字塔网络的路网交通流量数据修复方法的实现流程示意图。
图2为本公开实施例一提供的基于特征金字塔网络的路网交通流量数据修复方法中的特征金字塔网络结构示意图(以三层金字塔网络为例)。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上，对数据的合法应用。
实施例一
本实施例提供了基于特征金字塔网络的路网交通流量数据修复方法；
如图1所示，基于特征金字塔网络的路网交通流量数据修复方法，包括：
S101：获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；其中，p为正整数；
S102：建立第i个时段道路空间等粒度规则网络；基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；其中，i的取值范围是1到p；i为正整数；
S103：基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；
S104：将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。
进一步地，所述S101：获取待修复的路网交通流量数据，将待修复的路网交通流量数据划分为p个时段；具体包括：
S1011：以设定时间范围为单位，绘制城市路网日交通量变化曲线；
S1012：计算路网交通负荷度；
S1013：计算设定时间范围内流量变化率；
S1014：根据路网交通负荷度，划分不同交通状态等级；结合设定时间范围内流量变化率，确定日交通量变化曲线中时段划分的分界点，获取过饱和、高峰、平峰、谷峰的多尺度时段范围。
进一步地，所述路网交通负荷度，是路网交通总量与承载能力的比值。
进一步地，所述承载能力采用所有路段通行能力之和进行测算。
进一步地，所述设定时间范围为15分钟。
进一步地，所述计算设定时间范围内流量变化率；具体为：
Figure BDA0003620091180000071
其中，qt+1为第t+1个15min路网交通总量；qt为第t个15min路网交通总量。
进一步地，所述S1014：根据路网交通负荷度，划分不同交通状态等级；具体划分原则是指：
根据路网交通负荷度取值范围进行划分：
路网交通负荷度小于等于0.35为自由流；
路网交通负荷度大于0.35且小于等于0.75为稳定流；
路网交通负荷度大于0.75且小于等于0.9为不稳定流；
路网交通负荷度大于等于0.9为强制流。
进一步地，所述S1014：结合设定时间范围内流量变化率，确定日交通量变化曲线中时段划分的分界点，获取过饱和、高峰、平峰、谷峰的多尺度时段范围；具体确定原则是指：
根据不同的路网交通负荷度取值范围获得时段划分结果，然后取时段边界处流量变化率最大的时刻点为时段划分分界点，得到过饱和(对应强制流)、高峰(对应不稳定流)、平峰(对应稳定流)、谷峰(对应自由流)的时段范围。
进一步地，所述S102：建立第i个时段道路空间等粒度规则网络；具体包括：
以路段平均长度为单位对城市路网进行横向分割和纵向分割，获取若干个单位网格，每个单位网格均覆盖一个交叉口，路段长度超过设定阈值的长路段部分的单位网格仅覆盖单位长度的路段，路段长度小于设定阈值的短路段部分的单位网格覆盖多个相邻交叉口，进而得到道路空间等粒度规则网络。
其中，等粒度是指单位网格所覆盖的空间范围大小一致，其长度和宽度均为路网平均路段长度；规则网格是指构成行数为e、列数为g的网格结构。
进一步地，所述S102：基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；具体包括：
单车道平均交通量的定义为：路段某一方向交通量与车道数的比值。
对于单位网格内覆盖一个交叉口的情况，网格单车道平均交通量为一个交叉口所有进口道单车道平均交通量之间的最大值；
对于单位网格内覆盖一个单位长度路段的情况，网格单车道平均交通量为路段上行或下行单车道平均交通量中的最大值；
对于单位网格内覆盖多个交叉口的情况，网格单车道平均交通量为多个交叉口进口道最大单车道平均交通量的均值。
进一步地，所述S103：基于道路土地利用属性道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；具体包括：
基于道路土地利用属性，得到行数为v、列数为w的道路粗尺度网格结构；
根据行数为v、列数为w的道路粗尺度网格结构，构建矩阵；
利用交通流历史同期相似性，为矩阵里面的元素赋值，得到工作日粗尺度先验知识矩阵、休息日粗尺度先验知识矩阵以及节假日粗尺度先验知识矩阵；将三个矩阵作为路网交通粗尺度先验知识库。
道路土地利用属性，指商业圈、医院圈、学校圈、居民居住圈等交通流集散区域。
交通流历史同期相似性，是指同一区域路网在每周同一天工作日、每周休息日或每次节假日均具有相似的交通流量变化规律。
路网交通粗尺度先验知识库，包含工作日粗尺度先验知识矩阵
Figure BDA0003620091180000091
休息日粗尺度先验知识矩阵
Figure BDA0003620091180000092
以及节假日粗尺度先验知识矩阵
Figure BDA0003620091180000093
示例性地，三种粗尺度先验知识矩阵简记为Kv×w，其中K(i,j)为Kv×w中第i行j列的元素且0<K(i,j)≤1；将粗尺度交通状态分为四个等级，K(i,j)取值范围分别为(0,0.3],(0.3,0.6],(0.6,0.85],(0.85,1]，如具有商圈、景区等土地利用属性的道路交通呈现节假日流量高峰，可根据交通管理经验在(0.6,0.85]或(0.85,1]的范围进行人工取值。
进一步地，所述S104：将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；其中，不同时段的多尺度特征金字塔模型的网络结构层是一样的，只是每个卷积层中所设置的卷积参数不一样。
进一步地，所述多尺度特征金字塔模型，网络结构包括：
自下而上依次连接卷积层c1、卷积层c2、……卷积层cn；
自上而下依次连接的特征融合模块r1、插值重构模块g1、特征融合模块r2、插值重构模块g2……特征融合模块rn、插值重构模块gn和特征融合模块rn+1；
自下而上支路中的每一个特征均通过对应的卷积层与对应特征融合模块的输入端进行横向连接。
进一步地，所述多尺度特征金字塔模型，工作原理包括：
将第i个时段道路交通细尺度流量特征，作为底层特征A0，输入到卷积层c1中，卷积层c1对底层特征A0进行处理得到特征A1；
特征A1输入到卷积层c2中，卷积层c2对特征A1进行处理得到特征A2；以此类推，特征Ak-1输入到卷积层ck中，卷积层ck对特征Ak-1进行处理得到特征Ak；k大于等于1；
卷积层d1对特征A0进行处理得到特征A′0；卷积层d2对特征A1进行处理得到特征A′1；卷积层d3对特征A2进行处理得到特征A′2；以此类推，卷积层dk对特征Ak-1进行处理得到特征A′k-1；
特征融合模块r1，将不同模式下的路网交通粗尺度先验知识矩阵与特征A′n进行特征融合得到融合特征Fn；插值重构模块g1对融合特征Fn采用最近邻插值法进行插值处理；
特征融合模块r2将插值处理后的融合特征Fn与特征A′n-1进行特征融合得到融合特征Fn-1；插值重构模块g2对融合特征Fn-1采用最近邻插值法进行插值处理；
以此类推，特征融合模块rk将插值处理后的融合特征Fn+2-k进行特征融合得到融合特征Fn+1-k；插值重构模块gk对融合特征Fn+1-k采用最近邻插值法进行插值处理；
特征融合模块rn+1将插值处理后的融合特征F1与特征A′0进行特征融合得到融合特征F0，融合特征F0即为修复后的某个时段路网交通流量数据。
示例性地，如图2所示，所述多尺度特征金字塔模型，n＝2，则其工作原理包括：
(11)基于道路空间等粒度规则网格，计算单位网格内单车道平均交通量，建立道路交通流特征金字塔网络的底层特征矩阵A0；
(12)对应底层特征矩阵A0，建立表征原始数据缺损情况的二进制矩阵L0，即原始数据缺失记为0，原始数据存在记为1，A0与L0的哈达玛积为底层原始的缺损数据；
(13)采用拉普拉斯算子对底层特征矩阵A0进行卷积，提取路网交通流量的局部空间依赖关系，输出下一层特征矩阵A1；
(14)根据A1与A0的元素映射关系，结合L0，计算A1矩阵中每个元素对应的交通量数据缺损率，即相对应的L0中0值占比，得到A1的缺损矩阵L1；
(15)自下而上形成多层卷积，构建道路交通流粗细尺度相耦合的特征金字塔网络，记为{A0,A1,…,An}，n+1为金字塔的层数，使最终得到的表征全局路网相关性的An与粗尺度先验知识矩阵所对应的空间尺度相适配，同时得到{L0,L1,…,Ln}；
(16)对{A0,A1,…,An}分别进行1×1卷积后，再做归一化处理，输出{A′0,A′1,…,A′n}；
(17)将A′n与Kv×w进行特征融合运算，得到最高层的特征融合矩阵Fn；
Figure BDA0003620091180000111
其中，Fn(i,j)为Fn中第i行j列的融合特征值；A′n(i,j)为A′n中第i行j列的流量特征值；K(i,j)为Kv×w中第i行j列的粗尺度先验知识值；Ln(i,j)为Ln中第i行j列的交通流量数据缺损率。
(18)采用最近邻插值法，将Fn重构为A′n-1的尺寸大小，与(17)同理，基于交通流量数据缺损率对A′n-1与重构后的Fn进行特征融合运算，得到下一层特征融合矩阵Fn-1；
(19)重复(18)，设计自上而下的多尺度特征融合路径，得到{Fn,Fn-1,…,F0}。
进一步地，所述训练后的第i个时段的多尺度特征金字塔模型；训练过程包括：
构建训练集；所述训练集为已知修复后的第i个时段路网交通流量数据的第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库；
将训练集输入到多尺度特征金字塔模型中，对模型进行训练确定最优卷积核和金字塔层数，当模型的损失函数值不再下降时，或者当迭代次数达到设定次数时，停止训练，得到训练后的第i个时段的多尺度特征金字塔模型。
进一步地，所述损失函数的计算公式如下：
Figure BDA0003620091180000121
其中，Dloss为路网底层特征数据修复的损失值；Fo(i,j)为第i行j列单位网格内的单车道平均交通量修复值；lane(i,j)为第i行j列单位网格内的车道总数；T0(i,j)为第i行j列单位网格内交通总量真实值，i的取值范围是1到e，j的取值范围是1到g，i和j均为正整数。
实施例二
本实施例提供了基于特征金字塔网络的路网交通流量数据修复系统；
基于特征金字塔网络的路网交通流量数据修复系统，包括：
获取模块，其被配置为：获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；其中，p为正整数；
细尺度流量特征提取模块，其被配置为：建立第i个时段道路空间等粒度规则网络；基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；其中，i的取值范围是1到p；i为正整数；
粗尺度先验知识库构建模块，其被配置为：基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；
输出模块，其被配置为：将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。
此处需要说明的是，上述获取模块、细尺度流量特征提取模块、粗尺度先验知识库构建模块和输出模块对应于实施例一中的步骤S101至S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于特征金字塔网络的路网交通流量数据修复方法，其特征是，包括：
获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；其中，p为正整数；
建立第i个时段道路空间等粒度规则网络；基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；其中，i的取值范围是1到p；i为正整数；
基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；
将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。
2.如权利要求1所述的基于特征金字塔网络的路网交通流量数据修复方法，其特征是，获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；具体包括：
以设定时间范围为单位，绘制城市路网日交通量变化曲线；
计算路网交通负荷度；
计算设定时间范围内流量变化率；
根据路网交通负荷度，划分不同交通状态等级；结合设定时间范围内流量变化率，确定日交通量变化曲线中时段划分的分界点，获取过饱和、高峰、平峰、谷峰的多尺度时段范围。
3.如权利要求1所述的基于特征金字塔网络的路网交通流量数据修复方法，其特征是，建立第i个时段道路空间等粒度规则网络；具体包括：
以路段平均长度为单位对城市路网进行横向分割和纵向分割，获取若干个单位网格，每个单位网格均覆盖一个交叉口，路段长度超过设定阈值的长路段部分的单位网格仅覆盖单位长度的路段，路段长度小于设定阈值的短路段部分的单位网格覆盖多个相邻交叉口，进而得到道路空间等粒度规则网络。
4.如权利要求1所述的基于特征金字塔网络的路网交通流量数据修复方法，其特征是，基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；具体包括：
单车道平均交通量的定义为：路段某一方向交通量与车道数的比值；
对于单位网格内覆盖一个交叉口的情况，网格单车道平均交通量为一个交叉口所有进口道单车道平均交通量之间的最大值；
对于单位网格内覆盖一个单位长度路段的情况，网格单车道平均交通量为路段上行或下行单车道平均交通量中的最大值；
对于单位网格内覆盖多个交叉口的情况，网格单车道平均交通量为多个交叉口进口道最大单车道平均交通量的均值。
5.如权利要求1所述的基于特征金字塔网络的路网交通流量数据修复方法，其特征是，基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；具体包括：
基于道路土地利用属性，得到行数为v、列数为w的道路粗尺度网格结构；
根据行数为v、列数为w的道路粗尺度网格结构，构建矩阵；
利用交通流历史同期相似性，为矩阵里面的元素赋值，得到工作日粗尺度先验知识矩阵、休息日粗尺度先验知识矩阵以及节假日粗尺度先验知识矩阵；将三个矩阵作为路网交通粗尺度先验知识库。
6.如权利要求1所述的基于特征金字塔网络的路网交通流量数据修复方法，其特征是，所述多尺度特征金字塔模型，网络结构包括：
自下而上依次连接卷积层c1、卷积层c2、……卷积层cn；
自上而下依次连接的特征融合模块r1、插值重构模块g1、特征融合模块r2、插值重构模块g2……特征融合模块rn、插值重构模块gn和特征融合模块rn+1；
自下而上支路中的每一个特征均通过对应的卷积层与对应特征融合模块的输入端进行横向连接；
或者，
所述多尺度特征金字塔模型，工作原理包括：
将第i个时段道路交通细尺度流量特征，作为底层特征A0，输入到卷积层c1中，卷积层c1对底层特征A0进行处理得到特征A1；
特征A1输入到卷积层c2中，卷积层c2对特征A1进行处理得到特征A2；以此类推，特征Ak-1输入到卷积层ck中，卷积层ck对特征Ak-1进行处理得到特征Ak；k大于等于1；
卷积层d1对特征A0进行处理得到特征A′0；卷积层d2对特征A1进行处理得到特征A′1；卷积层d3对特征A2进行处理得到特征A′2；以此类推，卷积层dk对特征Ak-1进行处理得到特征A′k-1；
特征融合模块r1，将不同模式下的路网交通粗尺度先验知识矩阵与特征A′n进行特征融合得到融合特征Fn；插值重构模块g1对融合特征Fn采用最近邻插值法进行插值处理；
特征融合模块r2将插值处理后的融合特征Fn与特征A′n-1进行特征融合得到融合特征Fn-1；插值重构模块g2对融合特征Fn-1采用最近邻插值法进行插值处理；
以此类推，特征融合模块rk将插值处理后的融合特征Fn+2-k进行特征融合得到融合特征Fn+1-k；插值重构模块gk对融合特征Fn+1-k采用最近邻插值法进行插值处理；
特征融合模块rn+1将插值处理后的融合特征F1与特征A′0进行特征融合得到融合特征F0，融合特征F0即为修复后的某个时段路网交通流量数据。
7.如权利要求1所述的基于特征金字塔网络的路网交通流量数据修复方法，其特征是，所述训练后的第i个时段的多尺度特征金字塔模型；训练过程包括：
构建训练集；所述训练集为已知修复后的第i个时段路网交通流量数据的第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库；
将训练集输入到多尺度特征金字塔模型中，对模型进行训练确定最优卷积核和金字塔层数，当模型的损失函数值不再下降时，或者当迭代次数达到设定次数时，停止训练，得到训练后的第i个时段的多尺度特征金字塔模型；
所述损失函数的计算公式如下：
Figure FDA0003620091170000041
其中，Dloss为路网底层特征数据修复的损失值；Fo(i,j)为第i行j列单位网格内的单车道平均交通量修复值；lane(i,j)为第i行j列单位网格内的车道总数；T0(i,j)为第i行j列单位网格内交通总量真实值，i的取值范围是1到e，j的取值范围是1到g，i和j均为正整数。
8.基于特征金字塔网络的路网交通流量数据修复系统，其特征是，包括：
获取模块，其被配置为：获取待修复的路网交通流量数据；将待修复的路网交通流量数据划分为p个时段；其中，p为正整数；
细尺度流量特征提取模块，其被配置为：建立第i个时段道路空间等粒度规则网络；基于第i个时段道路空间等粒度规则网络和第i个时段内待修复的路网交通流量数据，计算第i个时段单位网格单车道平均交通量，并将第i个时段单位网格内单车道平均交通量视为第i个时段道路交通细尺度流量特征；其中，i的取值范围是1到p；i为正整数；
粗尺度先验知识库构建模块，其被配置为：基于道路土地利用属性得到道路粗尺度网格结构，利用交通流历史同期相似性，建立路网交通粗尺度先验知识库；
输出模块，其被配置为：将第i个时段道路交通细尺度流量特征和路网交通粗尺度先验知识库，均输入到训练后的第i个时段的多尺度特征金字塔模型，得到修复后的第i个时段路网交通流量数据；同理，得到修复后的所有时段路网交通流量数据。
9.一种电子设备，其特征是，包括：
存储器，用于非暂时性存储计算机可读指令；以及
处理器，用于运行所述计算机可读指令，
其中，所述计算机可读指令被所述处理器运行时，执行上述权利要求1-7任一项所述的方法。
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述非暂时性计算机可读指令由计算机执行时，执行权利要求1-7任一项所述方法的指令。
CN202210480165.8A 2022-04-24 2022-04-24 基于特征金字塔网络的路网交通流量数据修复方法及系统 Active CN114822033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210480165.8A CN114822033B (zh) 2022-04-24 2022-04-24 基于特征金字塔网络的路网交通流量数据修复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210480165.8A CN114822033B (zh) 2022-04-24 2022-04-24 基于特征金字塔网络的路网交通流量数据修复方法及系统

Publications (2)

Publication Number Publication Date
CN114822033A true CN114822033A (zh) 2022-07-29
CN114822033B CN114822033B (zh) 2023-07-14

Family

ID=82511454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210480165.8A Active CN114822033B (zh) 2022-04-24 2022-04-24 基于特征金字塔网络的路网交通流量数据修复方法及系统

Country Status (1)

Country Link
CN (1) CN114822033B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376315A (zh) * 2022-08-09 2022-11-22 北京交通发展研究院 一种面向路网排放核算的多层级卡口质量控制方法
CN116153069A (zh) * 2023-02-09 2023-05-23 东南大学 交通流模型与数据融合驱动的交通状态估计方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112509001A (zh) * 2020-11-24 2021-03-16 河南工业大学 一种多尺度和多特征融合的特征金字塔网络盲复原方法
CN112767682A (zh) * 2020-12-18 2021-05-07 南京航空航天大学 一种基于图卷积神经网络的多尺度交通流量预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112509001A (zh) * 2020-11-24 2021-03-16 河南工业大学 一种多尺度和多特征融合的特征金字塔网络盲复原方法
CN112767682A (zh) * 2020-12-18 2021-05-07 南京航空航天大学 一种基于图卷积神经网络的多尺度交通流量预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
KUNPENG ZHANG等: "TSR-GAN：Generative Adversarial Networks for Traffic State Reconstruction with Time Space Diagrams", 《PHYSICAL A: STATISTICAL MECHANICS AND ITS APPLICATIONS》 *
代亮等: "基于对称残差U型网络的路网交通流量数据修复", 《交通运输系统工程与信息》 *
郭启帆等: "基于特征金字塔的多尺度特征融合网络", 《工程数学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115376315A (zh) * 2022-08-09 2022-11-22 北京交通发展研究院 一种面向路网排放核算的多层级卡口质量控制方法
CN115376315B (zh) * 2022-08-09 2023-10-24 北京交通发展研究院 一种面向路网排放核算的多层级卡口质量控制方法
CN116153069A (zh) * 2023-02-09 2023-05-23 东南大学 交通流模型与数据融合驱动的交通状态估计方法及装置
CN116153069B (zh) * 2023-02-09 2024-01-30 东南大学 交通流模型与数据融合驱动的交通状态估计方法及装置

Also Published As

Publication number Publication date
CN114822033B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN114822033A (zh) 基于特征金字塔网络的路网交通流量数据修复方法及系统
CN110674987A (zh) 一种交通流量预测系统、方法及模型训练方法
Peterson et al. STARS: An ArcGIS toolset used to calculate the spatial information needed to fit spatial statistical models to stream network data
CN110019568B (zh) 基于空间聚类的选址方法、装置、计算机设备及存储介质
CN110399441B (zh) 一种海量点数据聚合渲染方法、装置、设备及存储介质
CN112419710A (zh) 交通拥堵数据预测方法、装置、计算机设备及存储介质
CN114943963A (zh) 一种基于双分支融合网络的遥感图像云和云影分割方法
CN111310674B (zh) 基于网格划分技术的河流生态缓冲带遥感监测方法和装置
Rey Spatial dynamics and space-time data analysis
CN110569580B (zh) 城市街道空间活力模拟方法、系统、计算机设备及介质
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN111611664A (zh) 一种输电线路路径选择方法及系统
Lindsay et al. Measuring the significance of a divide to local drainage patterns
Zhang et al. Establishment of channel networks in a digital elevation model of the prairie region through hydrological correction and geomorphological assessment
Palacios-Rodríguez et al. Generalized Pareto processes for simulating space-time extreme events: an application to precipitation reanalyses
CN112215864B (zh) 电子地图的轮廓处理方法、装置及电子设备
CN116703132B (zh) 共享车辆动态调度的管理方法、装置及计算机设备
CN113240219A (zh) 一种土地利用模拟及预测方法
CN113191310B (zh) 矢量pdf图纸实体填充的边界识别方法、装置及设备
CN115659165A (zh) 园区负荷数据样本的构建方法、装置、设备及存储介质
CN115936762A (zh) 景区人流量的预测方法、装置、设备及存储介质
CN112579983B (zh) 一种出行调查抽样的方法及装置
WO2022148026A1 (zh) 人流转移预测方法、装置、设备及存储介质
CN105426626B (zh) 基于相似数据样式聚类的多点地质统计学建模方法
CN109615187B (zh) 一种od矩阵的评估方法、公交负载模拟方法及装置

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