CN115131961B - 智能交通感知方法及装置 - Google Patents
智能交通感知方法及装置 Download PDFInfo
- Publication number
- CN115131961B CN115131961B CN202210642506.7A CN202210642506A CN115131961B CN 115131961 B CN115131961 B CN 115131961B CN 202210642506 A CN202210642506 A CN 202210642506A CN 115131961 B CN115131961 B CN 115131961B
- Authority
- CN
- China
- Prior art keywords
- road network
- scale
- learning
- grid
- mapping relation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008447 perception Effects 0.000 title claims abstract description 40
- 238000010586 diagram Methods 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 abstract description 5
- 238000003379 elimination reaction Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种智能交通感知方法及装置，其中方法包括，获取路网的感知数据；将路网栅格化处理，并将感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；建立多尺度路网状态数据集，多尺度路网状态数据集由多对路网多尺度状态图构成；根据多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；使用多尺度映射关系模型求解所述路网的路网态势，实现智能交通感知。本发明可对感知数据不确定性进行一体化鲁棒消除，为实时交通管理与控制提供高可靠信息。
Description
技术领域
本发明属于智能交通领域。
背景技术
当前信息物理耦合的智能交通系统从多种视角对城市路网进行感知，主要分为拉格朗日观测(如车辆轨迹数据)与欧拉观测(如感应线圈、RFID等)两大类。然而，受限于采样率与空间覆盖范围、数据上传速度、数据实时解译能力等的限制，对城市路网的观测属于局部观测，且实时数据时常属于稀疏观测。多元、异构的感知数据也具有较强的不确定性，即感知数据存在随机缺失、噪声与错误。相对于精细化的路网状态获取，如何对感知数据的不确定进行鲁棒的一体化消除、获取准确度较高的大范围城市路网状态是智能交通系统进行各类实时的交通管理与控制决策的首要依据。
当前进行城市大范围路网感知的手段主要有，1)通信基站的手机信令数据，分析过滤掉行人后的群体移动速度信息估计实时的路况，通信基站功能失效或无法获取基站信息时，很难对路段状况进行估计；2)浮动车轨迹数据或网络平台上传的众包数据，浮动车采样比例极低时路况状态估计准确度较差或有偏性较强；3)感应线圈、RFID等固定位置观测，由于设置能力有限，很难直接获得大范围路网的状态感知。路网感知设备获取的多元异构数据的随机缺失、噪声与错误等一体化处理的难度较大，因而难以快速获得路网状态感知的结果。
城市交通的状态及其演化特征具有明显的空间关联关系，且从不同空间尺度观测路网可获得信息的不确定性、信息量有所不同。一般来说，宏观的路网状态不确定性较弱、而微观的路网状态不确定性较强；路网相同的宏观状态可能对应多种不同的微观状态，使得单纯依靠交通流参数对路网状态的描述或存在偏差。通过路网空间多尺度的关联关系学习实现多元异构数据的不确定性一体化消除具有较大的实际应用价值。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的第一个目的在于提出一种智能交通感知方法，用于鲁棒智能交通感知。
本发明的第二个目的在于提出一种智能交通感知装置。
本发明的第三个目的在于提出一种计算机设备。
本发明的第四个目的在于提出一种计算机可读存储介质。
为达上述目的，本发明第一方面实施例提出了一种智能交通感知方法，包括：
获取路网的感知数据；
将所述路网栅格化处理，并将所述感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；
建立多尺度路网状态数据集，所述多尺度路网状态数据集由多对所述路网多尺度状态图构成；
根据所述多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；
使用所述多尺度映射关系模型求解所述路网的路网态势，实现智能交通感知。
另外，根据本发明上述实施例的智能交通感知方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，将所述感知数据匹配到不同尺度的栅格中，其中匹配方法包括以下方法中的任一一种或几种：
直接匹配、加权平均匹配、自适应匹配；其中，所述自适应匹配包括：欧拉观测感知设备的路段匹配以及拉格朗日观测感知设备的路段匹配。
进一步地，在本发明的一个实施例中，所述建立多尺度路网状态数据集，还包括：
将所述建立多尺度路网状态数据集划分为训练集与测试集。
进一步地，在本发明的一个实施例中，所述根据所述多尺度路网状态数据集学习路网多尺度状态图的映射关系，其中学习包括以下任一一种或几种：
统计学习、传统机器学习、深度学习、空间多尺度学习。
进一步地，在本发明的一个实施例中，所述空间多尺度学习包括：
多尺度路网空间结构赋值，其中包括，对较小尺度的栅格中存在无城市路段的情形时，将该栅格赋值为0，反之为1，赋值为0的位置无需进行结果学习操作；
设计基于空间位置的栅格软注意力机制，其中包括，将不同尺度的路网状态图分别的输入到卷积块中，在不同尺度间进行交互的上采样与下采样，实现不同尺度间的信息传递；
设计基于空间位置的栅格软注意力机制，其中包括，在每个卷积块中设计软注意力机制，以自适应的方式对邻居信息进行加权，将加权后的获得的信息输入至下一个卷积块中，通过神经网络的梯度及前向传播与后向反馈学习得到注意力权重。
进一步地，在本发明的一个实施例中，所述使用所述多尺度映射关系模型求解所述路网的路网态势，其中求解方法包括以下任一一种或几种：
结合模糊逻辑、贝叶斯推理与所述多尺度映射关系模型，其中，基于模糊逻辑与路网多尺度状态图映射关系模型的方法包括：
路网服务水平划分；
路网状态隶属度函数构建；
结合宏观基本图的路网状态模糊判定。
进一步地，在本发明的一个实施例中，所述路网状态隶属度函数构建，包括：
将路网状态划分为不同的服务水平层级形成模糊集ai＝A(xi)，式中xi为所求解的路网状态，ai为服务水平，A为模糊集的隶属度函数。模糊隶属度函数的选取包括偏小型、中间型、偏大型，其中偏大型的隶属度函数表示为：
为达上述目的，本发明第二方面实施例提出了一种智能交通感知装置，包括以下模块：
获取模块，用于获取路网的感知数据；
分配模块，用于将所述路网栅格化处理，并将所述感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；
建立模块，用于建立多尺度路网状态数据集，所述多尺度路网状态数据集由多对所述路网多尺度状态图构成；
学习模块，用于根据所述多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；
感知模块，用于使用所述多尺度映射关系模型求解所述路网的路网态势，实现智能交通感知。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的智能交通感知方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的智能交通感知方法。
本发明实施例提出的智能交通感知方法及装置，针对现有方法逐一对局部观测的缺失、错误、噪声等不确定性处理的方式，通过路网空间多尺度的关联关系学习实现多元异构数据的不确定性一体化消除，为实时交通管理与控制提供高可靠信息。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例所提供的一种智能交通感知方法的流程示意图。
图2为本发明实施例所提供的实例的地理范围示意图。
图3为本发明实施例所提供的轨迹数据集的统计值示意图。
图4为本发明实施例所提供的栅格化结构赋值示意图。
图5为本发明实施例所提供的空间多尺度模式学习数据集中的一组示例图。
图6为本发明实施例所提供的空间多尺度学习框架示意图
图7为本发明实施例所提供的同一路段的两个观测时间序列示意图。
图8为本发明实施例所提供的一种智能交通感知装置的流程示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的智能交通感知方法和装置。
实施例1
图1为本发明实施例所提供的一种智能交通感知方法的流程示意图。
如图1所示，该智能交通感知方法包括以下步骤：
S101：获取路网的感知数据；
S102：将路网栅格化处理，并将感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；
进一步地，在本发明的一个实施例中，将感知数据匹配到不同尺度的栅格中，其中匹配方法包括以下方法中的任一一种或几种：
直接匹配、加权平均匹配、自适应匹配；其中，自适应匹配包括：欧拉观测感知设备的路段匹配以及拉格朗日观测感知设备的路段匹配。
具体地，欧拉观测感知设备的路段匹配：若一条路段中仅具有一个感知设备则直接匹配至路段。若一条路段包含多个感知设备，则在每个融合周期T中计算观测两两时间序列P：[p1,p2,…,pn]与Q:[q1,q2,…,qn]的差异diffP,Q。为了降低时间复杂度，采用分段线性表示,将时间序列表示为上升、下降与不变三种状态,即M＝{1,-1,0}。
于是，模式距离的计算可表示为，
其中，MP与MQ分别为进行分段线性表示后的时间序列P与Q。
对多观测的路段进行两两模式距离间的加权平均获得其对应的权值系数，实现多欧拉观测设备的数据自适应融合。
拉格朗日观测感知设备的路段匹配：主要是车辆轨迹数据，与发明内容A采用相同的时间与空间切分的方式进行，而后匹配至路段。由于轨迹数据等拉格朗日观测类型数据的处理具有一定的滞后性，其与欧拉观测间的融合采用固定权值比例，以实现多元异构数据的自适应融合。
S103：建立多尺度路网状态数据集，多尺度路网状态数据集由多对路网多尺度状态图构成；
进一步地，在本发明的一个实施例中，建立多尺度路网状态数据集，还包括：
将建立多尺度路网状态数据集划分为训练集与测试集。
具体地，该多尺度路网状态数据集包括但不局限于空间多尺度、时间多尺度及时空多尺度。路网状态图的表征指标包括但不局限于常见的交通流参数及自定义的各类表征指标。
下面以空间路网多尺度数据集构建为例进行说明：
1)路网栅格化处理与轨迹数据集选取：按照不同空间尺度l将大范围路网划分为栅格图，对w×w个栅格进行编号。确定拟研究的时段与空间位置，筛选出符合需求的轨迹数据集。计算轨迹数据集的出行时间、出行距离、平均速度等的分布情况，并依据分布选取合理的时间范围与空间范围。
2)轨迹数据按时间切分：按照时间范围tpre将轨迹数据划分为n条子轨迹。计算子轨迹的时间范围，若小于预设的tth，则删除该条子轨迹；反之，则保留。
3)轨迹数据按空间切分：在不同的栅格尺度下，对子轨迹进一步进行空间切分得到子轨迹数据集{traij|i→j,ti→tj}，即从空间点i至空间点j，时间由ti至tj的子轨迹所构成的数据集。
由下式判断是否保留子轨迹traij，
dis(i,j)/(ti-tj)≤λ·vfree，
其中，dis(,)为两点间的距离，λ为可接受比例系数(自定义正值)，vfree为平均自由流速度。即进行时间或空间切分后的轨迹数据若在平均自由流速度的可接受比例系数范围内则予以保留；反之，则予以舍弃。
由子轨迹数据集{traij|i→j,ti→tj}可提取下列信息：
栅格内的平均速度：遍历某时间与空间范围内的子轨迹数据集，由旅行距离除以旅行时间的平均获得该栅格内的平均速度；
栅格内的平均流量：遍历某时间与空间范围内的子轨迹数据集，加和得到某栅格内的平均流量。获得路网特征的状态图数据集。
4)数据集划分：将数据集划分为训练集与测试集，每个时间范围内有m(≥3)张多尺度时空图。对测试集做进一步处理，增加栅格数据缺失、异常或噪声等不确定性。以设定百分比α随机选择栅格进行处理，
数据缺失：生成α×w×w个栅格编码范围内的随机数，删除相应位置处的栅格数据；
数据异常：生成α×w×w个栅格编码范围内的随机数，将相应位置处的栅格数据乘以随机生成的异常值系数τ；
数据噪声：生成α×w×w个栅格编码范围内的随机数，将相应位置处的栅格数据加上一个随机生成的高斯白噪声项。
S104：根据多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；
进一步地，在本发明的一个实施例中，根据多尺度路网状态数据集学习路网多尺度状态图的映射关系，其中学习包括以下任一一种或几种：
统计学习、传统机器学习、深度学习、空间多尺度学习。
进一步地，在本发明的一个实施例中，空间多尺度学习包括：
多尺度路网空间结构赋值，其中包括，对较小尺度的栅格中存在无城市路段的情形时，将该栅格赋值为0，反之为1，赋值为0的位置无需进行结果学习操作；进行该操作的目的是降低训练过程的复杂度；
设计基于空间位置的栅格软注意力机制，其中包括，将不同尺度的路网状态图分别的输入到卷积块中，在不同尺度间进行交互的上采样与下采样，实现不同尺度间的信息传递；其中，上采样的方式是内插法，下采样的方式是依据尺度对栅格内的数据进行加权平均。
设计基于空间位置的栅格软注意力机制，其中包括，在每个卷积块中设计软注意力机制，以自适应的方式对邻居信息进行加权，学习[0,1]内连续分布的权值，以实现关注同一尺度路网中的重点区域，将加权后的获得的信息输入至下一个卷积块中，通过神经网络的梯度及前向传播与后向反馈学习得到注意力权重。
S105：使用多尺度映射关系模型求解路网的路网态势，实现智能交通感知。
进一步地，在本发明的一个实施例中，使用多尺度映射关系模型求解路网的路网态势，其中求解方法包括以下任一一种或几种：
结合模糊逻辑、贝叶斯推理与所述多尺度映射关系模型，其中，基于模糊逻辑与路网多尺度状态图映射关系模型的方法包括：
路网服务水平划分；
路网状态隶属度函数构建；
结合宏观基本图的路网状态模糊判定。
以基于模糊逻辑与路网多尺度状态图映射关系模型为例进行详细说明：
路网服务水平划分：依据路网状态表征的精细化需求将路网服务水平划分为若干类，该类别越多则表征的精细化程度越高，选取合适的参数计算路网服务水平。
路网状态隶属度函数构建：由于浮动车具有一定的采样比例，因此基于浮动车求解得到的路网状态具有有偏特性，对真实的路网状态需进行进一步的判定。同时，由于路网状态自身的复杂性，对路网状态的判定很难通过确定性模型进行，对其判定包括但不限于模糊数学方法。将路网状态划分为不同的服务水平层级形成模糊集ai＝A(xi)，式中xi为所求解的路网状态，ai为服务水平，A为模糊集的隶属度函数。模糊隶属度函数的选取包括但不限于偏小型、中间型、偏大型等，例如偏大型的隶属度函数可表示为：
结合宏观基本图的路网状态模糊判定：通过交通仿真获取城市大范围路网的宏观基本图，即大范围路网的平均流量、平均速度与平均密度间的函数关系。在相同的路网拓扑结构条件下，大范围路网的宏观基本图相同。将进行数据融合后的路网稀疏观测输入至多尺度模式的映射关系学习模型中，获得路网状态图，基于隶属度函数判定栅格所处的服务水平层级。
进一步地，在本发明的一个实施例中，路网状态隶属度函数构建，包括：
将路网状态划分为不同的服务水平层级形成模糊集ai＝A(xi)，式中xi为所求解的路网状态，ai为服务水平，A为模糊集的隶属度函数。模糊隶属度函数的选取包括偏小型、中间型、偏大型，其中偏大型的隶属度函数表示为：
实施例2
下述实施例针对空间多尺度状态进行智能感知。建立路网空间多尺度模式学习的数据集，学习路网空间多尺度模式的映射关系，获得多尺度映射关系模型。将多元异构感知数据自适应的匹配至路段或不同尺度的栅格，其自适应的方式是计算每个融合周期中时间序列数据间的差异作为其观测可靠程度的度量。通过空间大尺度到小尺度的映射过程，划分路网服务水平与构建模糊函数，结合路网宏观状态与多尺度映射关系模型进行模糊判定，实现一体化的消除大范围路网稀疏感知数据的错误、噪声、缺失等不确定性的鲁棒的大范围路网智能感知。
S201：选定研究范围与选取轨迹数据集。如图2所示，经度范围为104.04211至104.12907，纬度范围为30.65283至30.72649。所研究时间区域为无极端天气的工作日的早高峰(6:00-10:00)和晚高峰(16:00-20:00)。如图3所示，所提取的轨迹数据集，其分布的出行时间大多在30min内；出行距离大多在20km内；每公里旅行时间大多在7min/km内。
S202：选取时间范围为30min进行轨迹数据的时间划分。将研究范围划分为20×20，50×50及100×100的空间尺度，对栅格内无城市路段的栅格进行结构赋值为0，存在城市路段进行结构赋值为1，如图4所示。将数据集中的每条GPS轨迹首先分割为不同时间、空间尺度的子轨迹。设定时间阈值为5min，若子轨迹所覆盖的时长超过5min则予以舍弃。计算进行时空分割后的子轨迹的平均旅行速度是否与平均旅行速度的α倍(如2.0)，则认为该轨迹记录存在错误，予以舍弃。构建空间多尺度映射关系学习的数据集，示例如图5所示。将数据集划分为训练集与测试集，对测试集增加缺失、异常、噪声等不确定因素。
S203：建立路网空间多尺度映射关系的学习模型。对空间多尺度路网栅格图进行结构赋值，以降低学习的复杂度。将不同尺度的路网状态图输入至并行的卷积网络中，在并行网络间进行交互的上采样与下采样，学习不同尺度间的映射关系。基于空间位置的软注意力机制，通过多层计算求解栅格的注意力，学习同尺度间的空间关联关系。
例如附图6所示，将20×20，50×50及100×100的特征图，输入至不同尺度的卷积块中。每个卷积块中采用基于空间位置的软注意力机制，通过Linear，Soft-max等操作获取不同层的注意力系数更新，获得同一尺度下的空间关联关系。在不同尺度的特征图间进行上采样与下采样，各尺度下补0位置处不再进行特征学习。通过模型训练获取空间多尺度模式的映射关系。
S204：同一路段多元数据的自适应融合。对实测获得的多元异构感知数据，归属同一路段的感知数据，依据观测可靠性权重进行感知数据的加权平均，而后将数据匹配至路网栅格。其中，观测可靠性依据单条路段上的多元感知数据间的差异度计算获得。
例如，某路段具有两个观测时间序列P与Q，如图7左图所示，进行分段线性表示，即融合周期T内时间序列为上升则为1，下降则为-1，不变则为0，如图7右图所示。计算两序列间的差值diffP,Q与diffQ,P，通过平方和求取加权系数s，
在SQ与SP的基础上，对两观测值进行结果融合。更多的感知方式与前述方法类似。
S205：路段服务水平的模糊函数构建。通过大范围路网的宏观基本图，获取路网的平均速度、平均流量、平均占有率等交通流参数间的关系。将路网状态划分为不同的服务水平，设计模糊数学的隶属度函数，计算栅格所处的服务水平状态。
首先建立大范围城市路网的宏观基本图模型，如图7所示，结合平均速度估计平均流量与平均密度。将路网状态划分为服务水平的20％(I)、40％(II)、60％(III)、80％(IV)、100％(V)、120％(VI)。设计隶属度函数，如图5所示。依据图6中模型获得的有偏路网状态，结合路网服务水平的隶属度函数路网状态进行评价。
本发明实施例提出的智能交通感知方法，针对现有方法逐一对局部观测的缺失、错误、噪声等不确定性处理的方式，通过路网空间多尺度的关联关系学习实现多元异构数据的不确定性一体化消除，为实时交通管理与控制提供高可靠信息。
为了实现上述实施例，本发明还提出一种智能交通感知装置。
图8为本发明实施例提供的一种智能交通感知装置的结构示意图。
如图8所示，该智能交通感知装置包括：获取模块100，分配模块200，建立模块300，学习模块400，感知模块500，其中，
获取模块，用于获取路网的感知数据；
分配模块，用于将路网栅格化处理，并将感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；
建立模块，用于建立多尺度路网状态数据集，多尺度路网状态数据集由多对路网多尺度状态图构成；
学习模块，用于根据多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；
感知模块，用于使用多尺度映射关系模型求解所述路网的路网态势，实现智能交通感知。
为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上所述的智能交通感知方法。
为达上述目的，本发明第四方面实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述的智能交通感知方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例，可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种智能交通感知方法，其特征在于，包括以下步骤：
获取路网的感知数据；
将所述路网栅格化处理，并将所述感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；
建立多尺度路网状态数据集，所述多尺度路网状态数据集由多对所述路网多尺度状态图构成；
根据所述多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；
使用所述多尺度映射关系模型求解所述路网的路网态势，实现智能交通感知；
其中，所述学习包括空间多尺度学习，所述空间多尺度学习包括：多尺度路网空间结构赋值，其中包括，对较小尺度的栅格中存在无城市路段的情形时，将该栅格赋值为0，反之为1，赋值为0的位置无需进行结果学习操作；
设计基于空间位置的栅格软注意力机制，其中包括，将不同尺度的路网状态图分别的输入到卷积块中，在不同尺度间进行交互的上采样与下采样，实现不同尺度间的信息传递；
设计基于空间位置的栅格软注意力机制，其中包括，在每个卷积块中设计软注意力机制，以自适应的方式对邻居信息进行加权，将加权后的获得的信息输入至下一个卷积块中，通过神经网络的梯度及前向传播与后向反馈学习得到注意力权重。
2.根据权利要求1所述的方法，其特征在于，将所述感知数据匹配到不同尺度的栅格中，其中匹配方法包括以下方法中的任一一种或几种：
直接匹配、加权平均匹配、自适应匹配；其中，所述自适应匹配包括：欧拉观测感知设备的路段匹配以及拉格朗日观测感知设备的路段匹配。
3.根据权利要求1所述的方法，其特征在于，所述建立多尺度路网状态数据集，还包括：
将所述建立多尺度路网状态数据集划分为训练集与测试集。
4.根据权利要求1所述的方法，其特征在于，所述使用所述多尺度映射关系模型求解所述路网的路网态势，其中求解方法包括以下任一一种或几种：
结合模糊逻辑、贝叶斯推理与所述多尺度映射关系模型，其中，基于模糊逻辑与路网多尺度状态图映射关系模型的方法包括：
路网服务水平划分；
路网状态隶属度函数构建；
结合宏观基本图的路网状态模糊判定。
5.根据根据权利要求4所述的方法，其特征在于，所述路网状态隶属度函数构建，包括：
将路网态势划分为不同的服务水平层级形成模糊集ai＝A(xi)，式中xi为所求解的路网状态，ai为服务水平，A为模糊集的隶属度函数。模糊隶属度函数的选取包括偏小型、中间型、偏大型，其中偏大型的隶属度函数表示为：
6.一种智能交通感知装置，其特征在于，包括以下模块：
获取模块，用于获取路网的感知数据；
分配模块，用于将所述路网栅格化处理，并将所述感知数据匹配到不同尺度的栅格中，得到路网多尺度状态图；
建立模块，用于建立多尺度路网状态数据集，所述多尺度路网状态数据集由多对所述路网多尺度状态图构成；
学习模块，用于根据所述多尺度路网状态数据集学习路网多尺度状态图的映射关系，获得多尺度映射关系模型；
感知模块，用于使用所述多尺度映射关系模型求解所述路网的路网态势，实现智能交通感知；
其中，所述学习包括空间多尺度学习，所述空间多尺度学习包括：多尺度路网空间结构赋值，其中包括，对较小尺度的栅格中存在无城市路段的情形时，将该栅格赋值为0，反之为1，赋值为0的位置无需进行结果学习操作；
设计基于空间位置的栅格软注意力机制，其中包括，将不同尺度的路网状态图分别的输入到卷积块中，在不同尺度间进行交互的上采样与下采样，实现不同尺度间的信息传递；
设计基于空间位置的栅格软注意力机制，其中包括，在每个卷积块中设计软注意力机制，以自适应的方式对邻居信息进行加权，将加权后的获得的信息输入至下一个卷积块中，通过神经网络的梯度及前向传播与后向反馈学习得到注意力权重。
7.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5中任一所述的智能交通感知方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5任意一项所述的智能交通感知方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210642506.7A CN115131961B (zh) | 2022-06-08 | 2022-06-08 | 智能交通感知方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210642506.7A CN115131961B (zh) | 2022-06-08 | 2022-06-08 | 智能交通感知方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115131961A CN115131961A (zh) | 2022-09-30 |
| CN115131961B true CN115131961B (zh) | 2023-11-10 |
Family
ID=83378424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210642506.7A Active CN115131961B (zh) | 2022-06-08 | 2022-06-08 | 智能交通感知方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131961B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931684A (zh) * | 2020-08-26 | 2020-11-13 | 北京建筑大学 | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 |
| CN112613630A (zh) * | 2021-01-05 | 2021-04-06 | 大连理工大学 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
| CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
| WO2022001489A1 (zh) * | 2020-06-28 | 2022-01-06 | 北京交通大学 | 一种无监督域适应的目标重识别方法 |
| CN114218875A (zh) * | 2021-12-08 | 2022-03-22 | 南京航空航天大学 | 一种用于流场预测的加速方法及装置 |
-
2022
- 2022-06-08 CN CN202210642506.7A patent/CN115131961B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022001489A1 (zh) * | 2020-06-28 | 2022-01-06 | 北京交通大学 | 一种无监督域适应的目标重识别方法 |
| CN111931684A (zh) * | 2020-08-26 | 2020-11-13 | 北京建筑大学 | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 |
| CN112613630A (zh) * | 2021-01-05 | 2021-04-06 | 大连理工大学 | 一种融合多尺度时空统计信息的短时交通需求预测方法 |
| CN112907971A (zh) * | 2021-02-04 | 2021-06-04 | 南通大学 | 基于遗传算法优化时空残差模型的城市路网短时交通流预测方法 |
| CN114218875A (zh) * | 2021-12-08 | 2022-03-22 | 南京航空航天大学 | 一种用于流场预测的加速方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| A Multiscale-Grid-Based Stacked Bidirectional GRU Neural Network Model for Predicting Traffic Speeds of Urban Expressways;Deqi Chen 等;《IEEE Access》;第9卷;全文 * |
| 基于Voronoi图的多尺度道路网匹配方法研究;余梦娟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;2018年(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115131961A (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
| CN106205114B (zh) | 一种基于数据融合的高速公路路况信息实时获取方法 | |
| CN110969854A (zh) | 一种交通流量的预测方法、系统及终端设备 | |
| CN113313947B (zh) | 短期交通预测图卷积网络的路况评估方法 | |
| CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| CN107516417B (zh) | 一种挖掘时空关联关系的实时高速公路流量估计方法 | |
| Vajakas et al. | Trajectory reconstruction from mobile positioning data using cell-to-cell travel time information | |
| CN109214422A (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
| KR101588232B1 (ko) | 지리정보시스템 및 뉴로퍼지 기법에 기반한 산사태 예측 시스템 및 이를 이용한 산사태 예측 방법 | |
| CN116853272A (zh) | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 | |
| CN112560215B (zh) | 一种基于深度强化学习的电力选线方法 | |
| Shinkuma et al. | Data assessment and prioritization in mobile networks for real-time prediction of spatial information with machine learning | |
| He et al. | Mining channel water depth information from IoT-based big automated identification system data for safe waterway navigation | |
| CN115131961B (zh) | 智能交通感知方法及装置 | |
| CN114298270A (zh) | 融合领域知识的污染物浓度预测方法及其相关设备 | |
| CN111460866A (zh) | 车道线检测及驾驶控制方法、装置和电子设备 | |
| CN113839725B (zh) | 无线信号传播预测方法及装置 | |
| CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
| CN111008730B (zh) | 基于城市空间结构的人群聚集度预测模型构建方法及装置 | |
| Paramonov et al. | An efficient method for choosing digital cluster size in ultralow latency networks | |
| CN114999154B (zh) | 一种基于图卷积网络的道路服务水平预测方法 | |
| CN113947123B (zh) | 人员轨迹识别方法、系统、存储介质和设备 | |
| CN111369102B (zh) | 内涝风险点的提取方法及装置 | |
| CN113554221A (zh) | 一种“流空间”视角下的城镇开发边界模拟预测方法 | |
| CN112784423A (zh) | 基于复杂网络的城市区域特征分析方法 |
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 |