CN115359657A - 一种交通管理方法、装置、设备及介质 - Google Patents
一种交通管理方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115359657A CN115359657A CN202210979663.7A CN202210979663A CN115359657A CN 115359657 A CN115359657 A CN 115359657A CN 202210979663 A CN202210979663 A CN 202210979663A CN 115359657 A CN115359657 A CN 115359657A
- Authority
- CN
- China
- Prior art keywords
- traffic
- scene
- candidate
- flow
- value
- 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
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
-
- 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
- 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
- G08G1/01—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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
-
- 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
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通管理方法、装置、设备及介质,涉及交通管理技术领域。该方法包括:通过预先建立表征不同交通场景中交通事件发生时间、地点信息的交通事件图谱,以基于交通事件图谱确定各交通场景下发生的交通事件数据。进而通过对交通事件数据的分析确定至少一个满足预设触发条件的候选交通场景。此外,本申请实施例针对每一候选交通场景预设有根据各交通场景预设的重点关注区,由此通过将上述候选交通场景推荐给指挥人员以从中确定目前交通管控对应的目标交通场景,进而显示出该目标交通场景下的重点关注区,以便指挥人员基于重点关注区的交通事件数据快速下达指挥决策。
Description
技术领域
本申请实施例涉及交通管理技术领域,具体涉及一种交通管理方法、装置、设备及介质。
背景技术
智慧城市的建设是通过智能传感设备将城市公共设施物联成网,物联网与互联网系统完全对接融合,使管理部门、企业在智慧基础设施之上进行科技和业务的创新应用。交通管理是目前智慧城市建设的一大难题,交管领域指挥模式众多,实际应用中需基于指挥人员对实际环境因素判断来确认对应的指挥模式,进而通过向交管人员下达对应交管指示以实现在不同指挥模式下对城市交通的高效管控。
指挥人员除日常指挥外还需在早晚高峰时段重点监测通勤干道、节假日期间重点监测进出城口、恶劣天气时重点监控易积水点和易滑路段等。上述早高峰、节假日等场景即为不同的指挥模式,目前这些场景的判断目前多基于预先下达的通告、新闻等辅助信息以及指挥人员的经验,存在对人力要求较高、指挥效率较低的问题。
发明内容
本申请实施例提供一种交通管理方法、装置、设备及介质,用于对不同交通场景下的交通事件数据进行分析来确定候选交通场景,进而在指挥人员从中选定目标交通场景后向指挥人员展示该场景的重点关注区,以便指挥人员基于重点关注区的交通事件数据快速下达指挥决策。
第一方面,本申请实施例提供一种交通管理方法、装置、设备及介质,所述方法包括:
根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
本申请实施例通过预先建立表征不同交通场景中交通事件发生时间、地点信息的交通事件图谱,以基于交通事件图谱确定各交通场景下发生的交通事件数据。进而通过对交通事件数据的分析确定至少一个满足预设触发条件的候选交通场景。此外,本申请实施例针对每一候选交通场景预设有根据各交通场景预设的重点关注区,由此通过将上述候选交通场景推荐给指挥人员以从中确定目前交通管控对应的目标交通场景,进而显示出该目标交通场景下的重点关注区,以便指挥人员基于重点关注区的交通事件数据快速下达指挥决策。
根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
在一些可能的实施例中,所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,包括:
根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景。
在一些可能的实施例中,所述根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,包括:
根据预先建立的具备关联关系的至少两个交通场景之间的主次影响关系,以及所述交通事件数据中包括的具备关联关系的至少两个交通场景对应的交通事件数据,确定次要交通场景和所述次要交通场景对应的综合交通事件数据;
若所述综合交通事件数据满足预先设定的触发条件,则将所述次要交通场景作为所述候选交通场景。
在一些可能的实施例中,所述交通场景至少包括高峰出行场景、高速出行场景、恶劣天气场景、节假日场景、管制任务场景以及大型活动场景;
所述高峰出行场景的交通事件数据为所述设定区域内各指定路段的路况数据;所述高速出行场景的交通事件数据为表征所述设定区域中高速路段当前车流量的高速交通流量;所述恶劣天气场景的交通事件数据为天气预测结果;所述节假日场景、管制任务场景以及大型活动场景的交通事件数据为对应场景的起始时间。
在一些可能的实施例中,所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,包括:
若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景;
若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景;所述预测交通流量是根据所述高速交通流量确定的;
若当前天气的天气预测结果满足第四触发条件,则将所述恶劣天气场景作为所述候选交通场景;
若所述节假日场景的起始时间与当前时间差值满足第三触发条件,则将所述节假日场景作为所述候选交通场景;
若所述管制任务场景的起始时间与当前时间的差值满足第五触发条件,则将所述管制任务场景作为所述候选交通场景;
若所述大型活动场景的起始时间与当前时间的差值满足第六触发条件,则将所述大型活动场景作为所述候选交通场景。
在一些可能的实施例中,所述若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景,包括:
从所述路况数据中获取过车数据,并将所述过车数据进行划分,得到每个子区域的过车数据;
对所述每个子区域的过车数据进行统计,将所述过车数据按照设定时段进行分割,确定所述每个子区域中各个设定时段的过车流量值;
基于预设识别时段确定识别时段中第i个设定时段的过车流量值;若所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景;所述识别时段用于识别子区域是否进入高峰时段。
在一些可能的实施例中,所述若确定所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景,包括:
针对任一子区域,确定预设时段的过车流量均值;所述预设时段是基于所述第i个设定时段确定的;
根据所述任一子区域中第i个设定时段的过车流量值、第i-1个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第一梯度值;
根据所述任一子区域中第i个设定时段的过车流量值、第i-2个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第二梯度值;
若所述任一子区域中第i个设定时段的过车流量值大于或者等于所述过车流量均值、第i个设定时段的第一梯度值大于或等于第一设定阈值且第i个设定时段的第一梯度值大于或等于第二设定阈值,则确定所述过车流量值满足所述第一触发条件,将所述高峰出行场景作为所述候选交通场景。
在一些可能的实施例中,所述若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景,包括:
对所述高速交通流量进行归一化处理,得到归一化流量数据;
通过小波变换对所述归一化流量数据进行L层级分解,得到一个高频子序列和L-1个低频子序列;
将各子序列输入已训练的递归循环网络模型中,提取各所述子序列对应的隐含特征向量,并对所述隐含特征向量进行特征重构,得到L个交通流量预测值;所述子序列包括所述高频子序列和所述低频子序列;
对所述L个交通流量预测值进行线性叠加,得到所述预测交通流量;
若所述预测交通流量大于所述第三设定阈值,则确定所述预测交通流量满足所述第二触发条件,将所述高速出行场景作为所述候选交通场景。
在一些可能的实施例中,所述递归循环网络模型包括特征提取层、特征重构层和全连接层;所述递归循环网络模型通过下述方式确定各所述子序列对应的交通流量预测值:
针对任一子序列,将所述子序列输入所述特征提取层,得到所述隐含特征向量;
将所述隐含特征向量输入所述特征重构层中,分别对隐含特征向量中的每个特征进行特征重构,得到多个深度时序特征;
将所述多个深度时序特征分别输入所述全连接层中进行加权处理,得到所述子序列对应的交通流量预测值。
第二方面,本申请实施例提供了一种交通管理装置,所述装置包括:
数据获取模块,被配置为执行根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
场景候选模块,被配置为执行根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
场景展示模块,被配置为执行将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
在一些可能的实施例中,执行所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,所述场景候选模块被配置为:
根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景。
在一些可能的实施例中,执行所述根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,所述场景候选模块被配置为:
根据预先建立的具备关联关系的至少两个交通场景之间的主次影响关系,以及所述交通事件数据中包括的具备关联关系的至少两个交通场景对应的交通事件数据,确定次要交通场景和所述次要交通场景对应的综合交通事件数据;
若所述综合交通事件数据满足预先设定的触发条件,则将所述次要交通场景作为所述候选交通场景。
在一些可能的实施例中,所述交通场景至少包括高峰出行场景、高速出行场景、恶劣天气场景、节假日场景、管制任务场景以及大型活动场景;
所述高峰出行场景的交通事件数据为所述设定区域内各指定路段的路况数据;所述高速出行场景的交通事件数据为表征所述设定区域中高速路段当前车流量的高速交通流量;所述恶劣天气场景的交通事件数据为天气预测结果;所述节假日场景、管制任务场景以及大型活动场景的交通事件数据为对应场景的起始时间。
在一些可能的实施例中,执行所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,所述场景候选模块被配置为:
若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景;
若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景;所述预测交通流量是根据所述高速交通流量确定的;
若当前天气的天气预测结果满足第四触发条件,则将所述恶劣天气场景作为所述候选交通场景;
若所述节假日场景的起始时间与当前时间差值满足第三触发条件,则将所述节假日场景作为所述候选交通场景;
若所述管制任务场景的起始时间与当前时间的差值满足第五触发条件,则将所述管制任务场景作为所述候选交通场景;
若所述大型活动场景的起始时间与当前时间的差值满足第六触发条件,则将所述大型活动场景作为所述候选交通场景。
在一些可能的实施例中,执行所述若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景,所述场景候选模块被配置为:
从所述路况数据中获取过车数据,并将所述过车数据进行划分,得到每个子区域的过车数据;
对所述每个子区域的过车数据进行统计,将所述过车数据按照设定时段进行分割,确定所述每个子区域中各个设定时段的过车流量值;
基于预设识别时段确定识别时段中第i个设定时段的过车流量值;若所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景;所述识别时段用于识别子区域是否进入高峰时段。
在一些可能的实施例中,执行所述若确定所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景,所述场景候选模块被配置为:
针对任一子区域,确定预设时段的过车流量均值;所述预设时段是基于所述第i个设定时段确定的;
根据所述任一子区域中第i个设定时段的过车流量值、第i-1个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第一梯度值;
根据所述任一子区域中第i个设定时段的过车流量值、第i-2个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第二梯度值;
若所述任一子区域中第i个设定时段的过车流量值大于或者等于所述过车流量均值、第i个设定时段的第一梯度值大于或等于第一设定阈值且第i个设定时段的第一梯度值大于或等于第二设定阈值,则确定所述过车流量值满足所述第一触发条件,将所述高峰出行场景作为所述候选交通场景。
在一些可能的实施例中,执行所述若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景,所述场景候选模块被配置为:
对所述高速交通流量进行归一化处理,得到归一化流量数据;
通过小波变换对所述归一化流量数据进行L层级分解,得到一个高频子序列和L-1个低频子序列;
将各子序列输入已训练的递归循环网络模型中,提取各所述子序列对应的隐含特征向量,并对所述隐含特征向量进行特征重构,得到L个交通流量预测值;所述子序列包括所述高频子序列和所述低频子序列;
对所述L个交通流量预测值进行线性叠加,得到所述预测交通流量;
若所述预测交通流量大于所述第三设定阈值,则确定所述预测交通流量满足所述第二触发条件,将所述高速出行场景作为所述候选交通场景。
在一些可能的实施例中,所述递归循环网络模型包括特征提取层、特征重构层和全连接层;所述递归循环网络模型通过下述方式确定各所述子序列对应的交通流量预测值:
针对任一子序列,将所述子序列输入所述特征提取层,得到所述隐含特征向量;
将所述隐含特征向量输入所述特征重构层中,分别对隐含特征向量中的每个特征进行特征重构,得到多个深度时序特征;
将所述多个深度时序特征分别输入所述全连接层中进行加权处理,得到所述子序列对应的交通流量预测值。
第三方面,本申请实施例提供一种电子设备,包括:
存储器,用于存储程序指令;
处理器,用于调用所述存储器中存储的程序指令,按照获得的程序指令执行第一方面中任一项所述的方法包括的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被计算机执行时,使所述计算机执行第一方面中任一项所述的方法。
第五方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括:计算机程序代码,当所述计算机程序代码在计算机上运行时,使得计算机执行第一方面任一项所述的方法。
附图说明
图1为本申请实施例示出的多种预设交通场景的示意图;
图2为本申请实施例示出的交通事件图谱示意图;
图3为本申请实施例提供的一种交通管理方法的整体流程图;
图4为本申请实施例示出的各交通场景间主次影响关系示意图;
图5为本申请实施例提供的如何选定候选交通场景的流程图;
图6为本申请实施例提供的如何确定预测交通流量的流程图;
图7为本申请实施例提供的基于网络模型确定预测交通流量的示意图;
图8为本申请实施例提供的基于网络模型确定预测交通流量的流程图;
图9为本申请实施例提供的输入矩阵Xin示意图;
图10为本申请实施例提供的输出矩阵Yout示意图;
图11为本申请实施例提示出的各交通场景对应重点关注区示意图;
图12为本申请实施例提供的一种交通管理装置1200的结构图;
图13为本申请实施例提供的电子设备示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以按不同于此处的顺序执行所示出或描述的步骤。
本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象,而非用于描述特定顺序。此外,术语“包括”以及它们任何变形,意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个,例如可以是两个、三个或者更多,本申请实施例不做限制。
前文已阐明,指挥人员除日常指挥外还需在早晚高峰时段重点监测通勤干道、节假日期间重点监测进出城口、恶劣天气时重点监控易积水点和易滑路段等。上述早高峰、节假日等场景即为不同的指挥模式,目前这些场景的判断目前多基于预先下达的通告、新闻等辅助信息以及指挥人员的经验,存在对人力要求较高、指挥效率较低的问题。
为解决上述问题,本申请的发明构思为:通过预先建立表征不同交通场景中交通事件发生时间、地点信息的交通事件图谱,以基于交通事件图谱确定各交通场景下发生的交通事件数据。进而通过对交通事件数据的分析确定至少一个满足预设触发条件的候选交通场景。此外,本申请实施例针对每一候选交通场景预设有根据各交通场景预设的重点关注区,由此通过将上述候选交通场景推荐给指挥人员以从中确定目前交通管控对应的目标交通场景,进而显示出该目标交通场景下的重点关注区,以便指挥人员基于重点关注区的交通事件数据快速下达指挥决策。
接下来为便于理解本申请实施例提供的技术方案,在介绍本申请提供的一种交通管理方法之前,首先对本申请实施例中的交通事件图谱进行具体说明。
本申请实施例通过对实际应用中可能出现的交通事件进行汇总分析,总结出如图1所示的多种交通场景,具体包括高峰出行场景、高速出行场景、节假日场景、恶劣天气场景、管制任务场景以及大型活动场景等。每种交通场景对应有指定的交通事件,当这些交通事件触发数量、时间等因素满足预设触发条件后,即表征当前城市交通处于该交通场景下,需基于该交通场景对城市交通进行管控。例如图1示出的高峰出行场景中,即表征当前城市交通处于早高峰或晚高峰状态,此时指挥人员需对各大通勤干道、主干道的交通进行限流、增派交管人员,对瓶颈路段进行阻断等以实现对城市交通的高效管控。
另需说明的是,上述交通场景仅为便于理解本申请技术方案举出的示例,而非限定预设的交通场景仅为图1中示出的六种,具体可根据实际管控需求进行设置多种自定义交通场景,本申请对此不作限定。
本申请实施例以行人、车辆、路况、设备等父节点,以及与各父节点关联的多个子节点。由此构建出包含多个父节点以及各父节点对应子节点组成的交通事件关系网,即交通事件图谱。如图2所示,图2示出的交通事件图谱中每一节点均为指定时间段内已发生的交通事件。不同节点间预设有对应的关联关系,例如图2示出的子节点“医院”和“临时施工”指向子节点“主干道”,而子节点“主干道”指向父节点“路网”即表征医院附近的主干道目前处于临时施工状态,进而对当前路网交通存在影响。通过上述交通事件图谱即可获得指定时间段内,不同交通场景下的发生的交通事件数据。进而分析出当前城市交通可能处于的交通场景。
需要说明的是,不同交通场景对应的交通事件数据可能不同。上述图2中示出的交通事件仅为便于对本申请实施例的交通事件图谱进行解释说明,而非限定具体交通事件的名称、种类等,实际应用中可根据交通管控需求设定每种交通场景下对应的交通事件数据,本申请对此不作限定。
介绍了本申请实施例预先构建的交通事件图谱后,下面对本申请实施例提供的一种交通管理方法进行解释说明,具体如图3所示,包括下述步骤:
步骤301:根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
前文已提及,本申请实施例通过对预先设立的设定区域构建如上述图2示出的交通事件图谱,该交通事件图谱中包括该设定区域在指定时间段内发生的交通事件,且每一交通事件至少对应一种预设的交通场景。在执行上述步骤301时,可根据交通事件图谱中至少两个交通场景之间的关联关系和多个交通场景对应的交通事件数据,从各预设的交通场景中确定至少一个满足预先设定的触发条件的候选交通场景。
考虑到不同交通场景之间存在一定的关联关系,例如节假日出行会影响高速出行,而恶劣天气会影响节假日出行和高速出行,由此可得到不同交通场景间的主次影响关系,以上述示例来说即可得到图4示出的主次关系图。因此,可预先建立各交通场景间的主次影响关系,进而基于各交通场景之间的主次影响关系,以及交通事件数据中包括的具备关联关系的至少两个交通场景对应的交通事件数据,确定次要交通场景和次要交通场景对应的综合交通事件数据。
以上述图4示出的主次关系为例,高速出行场景对应的次要交通场景即为节假日出行和恶劣天气。基于交通事件图谱得到高峰出行场景和恶劣天气场景的交通事件数据即为上述综合交通事件数据。由此可通过对上述综合交通事件数据进行判定,若综合交通事件数据满足预先设定的触发条件,则将该次要交通场景作为候选交通场景。
步骤302:根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
根据上述图1可知,本申请实施例的交通场景至少包括高峰出行场景、高速出行场景、恶劣天气场景、节假日场景、管制任务场景以及大型活动场景。
下面,分别针对上述各交通场景进行详细说明。
1、高峰出行场景
高峰出行场景指代的是早晚高峰时段交通路况较为拥堵的场景。高峰出行场景对应的交通事件数据为设定区域内各指定路段的路况数据。各指定路段可基于实际路况设定,例如选取通勤干道、主干道等易于主要路段,本申请对此不作限定。执行上述步骤302时,若监测到高峰出行场景对应的路况数据满足第一触发条件,则将高峰出行场景作为候选交通场景。实施时,可如图5所示,包括下述步骤:
步骤501:从路况数据中获取过车数据,并将过车数据进行划分,得到每个子区域的过车数据;
实施时,可根据设定区域内指定路段处的电子警察相机获取过车数据,并基于各路段对应电子警察相机的编号对过车数据进行划分,得到每一子区域的车数据。
步骤502:对每个子区域的过车数据进行统计,将过车数据按照设定时段进行分割,确定每个子区域中各个设定时段的过车流量值;
应理解的是,此处的子区域可根据实际需求设定,例如图6示出的指定路段A中包含3段车道,每一车道卡口处设有对应的电子警察相机。本申请实施例中的每一子区域的过车数据可为每一电子警察相机对应卡口处的过车数据。此外,还可基于交通流量的关联度,将多个卡口处设为一个子区域,本申请对此不作限定。
为便于说明本申请实施例的技术方案,下面以每一电子警察相机对应卡口处的过车数据作为每一子区域的过车数据进行说明。
实施时,针对上述任一子区域,确定预设时段的过车流量均值;该预设时段是基于第i个设定时段确定的,例如可设置为第i个时段之前的最近一天。具体可通过对设定区域内的各电子警察相机对应卡口处的过车数据进行收集,最少收集1周的历史数据,进而获得所有卡口点位在各个设定时段的过车流量值。例如将设定时段设置为15分钟,则可得到卡口点位在历史一周的每天内,每隔15分钟的过车流量值。
步骤503:基于预设识别时段确定识别时段中第i个设定时段的过车流量值;若第i个设定时段的过车流量值满足第一触发条件,则将高峰出行场景作为候选交通场景;识别时段用于识别子区域是否进入高峰时段。
针对上述任一卡口点位I(I1,I2,……In),可获得该点位在上述历史时间段内的任一自然日d的流量向量。以每天为单位进行换算可知,每个流量向量包含96个即96个设定时段(i=96),即通过换算可得点位I中第i个设定时段的过车流量值第i-1个设定时段的过车流量值和点位I在自然日d当天的过车流量均值。进而基于上述参数可通过下述公式(1)确定点位I在第i个设定时段的第一梯度值
实际应用中,早高峰通常从6:00~6:15时段开始,晚高峰从16:00~16:15时段开始。即上述早、晚高峰时段即为步骤503中的识别时段。执行上述步骤503时,可依次判断点位I在第i个设定时段对应的第一梯度值第二梯度值以及过车流量值Qi的情况。
具体的,若任一子区域中第i个设定时段的过车流量值大于或者等于过车流量均值、第i个设定时段的第一梯度值大于或者等于第一设定阈值且第i个设定时段的第二梯度值大于或者等于第二设定阈值,则将高峰出行场景作为候选交通场景。即,同时满足如下条件时可判定点位I处的早/晚高峰即将开始,此时需将高峰出行场景作为候选交通场景。
2、高速出行场景
高速出行场景指代的是高速路段拥堵可能影响交通的场景。高速出行场景的交通事件数据为表征设定区域中高速路段当前车流量的高速交通流量。执行上述步骤302时,需预先基于高速交通流量确定对应的预测交通流量,进而对预测交通流量进行判定。若预测交通流量满足第二触发条件,则将高速出行场景作为候选交通场景。
具体如图6所示,图6示出的基于高速交通流量确定预测交通流量的整体流程,包括下述步骤:
步骤601:对高速交通流量进行归一化处理,得到归一化流量数据;
实施时,需对采集的交通流量数据进行数据预处理,清洗数据缺失和异常值,得到补完整的高速交通流量数据x。
具体的,可采用均值平滑法将数据缺失部分的数据补充完整,均值平滑法是利用缺失数据左右相邻两处的数据,取平均值来代替缺失数据,具体如下述公式(3)所示:
其中,xt为高速交通流量x在t时刻的缺失数据,xt-1为高速交通流量x在t-1时刻的正常数据,xt+1为高速交通流量x在t+1时刻的正常数据。然后,针对补充完整后高速交通流量进行归一化处理,将数值变化范围限定在[0,1]之间,具体可采用最大最小归一化方法通过下述(4)确定高速交通流量对应的归一化流量数据:
步骤602:通过小波变换对归一化流量数据进行L层级分解,得到一个高频子序列和L-1个低频子序列;
获取归一化流量数据后,通过对归一化流量数据进行小波变换以求得用于表征归一化流量数据时序变化的多尺度特征。实施时,需通过多尺度小波分解获得该归一化流量数据的近似系数和各尺度细节系数,然后对这些分解系数分别进行单支重构,获得单条能够近似描述归一化数据中序列变化趋势的低频子序列和多条保留不同细粒度信息的高频子序列。
即,在给定经过数据预处理后的归一化流量数据后对其进行L层级分解,每一级分解得到一条高频子序列和L-1条低频子序列,即得到高/低频子序列集合{aL,dL,…,di,…,d1},其中aL表示经过L层分解得到的低频子序列,di(0<i<=L)表示第i级分解得到的高频子序列。
步骤603:将各子序列输入已训练的递归循环网络模型中,提取各子序列对应的隐含特征向量,并对隐含特征向量进行特征重构,得到L个交通流量预测值;其中,上述各子序列包括步骤602中获取的高频子序列和低频子序列。
步骤604:对L个交通流量预测值进行线性叠加,得到预测交通流量。
本申请实施例中的递归循环网络模型包括特征提取层、特征重构层和全连接层;具体如图7所示,在执行上述步骤603时,需预先通过步骤601~602对采集的交通流量数据进行数据预处理,以得到其对应的高/低频子序列。接下来通过将上述高/低频子序列输入网络模型中,得到L个高/低频子序列对应的交通流量预测值,接下来,对上述高/低频子序列集合经过Attention-GRU模型求得的深度时序特征传递到全连接层,通过加权映射输出各高/低频子序列对应的交通流量预测值(L个),然后通过线性叠加L个交通流量预测值得到最终的预测交通流量。
上述通过网络模型确定预测交通流量的流程如图8所示,包括下述步骤:
步骤801:针对一个高频子序列和L-1个低频子序列中的任一子序列,将任一子序列输入特征提取层,得到隐含特征向量。
步骤802:将隐含特征向量输入特征重构层中,分别对隐含特征向量中的每个特征进行特征重构,得到多个深度时序特征。
通过特征提取层对高/低频子序列进行特征提取后,得到高/低频子序列对应的隐含特征向量集合{xi},i=1,…,n。然后对{xi}进行相空间重构,将其转换为输入-输出的矩阵。输入矩阵Xin和输出矩阵Yout分别如图9和图10所示,图示中的k表征输入到GRU中的数据维度,nin为输入到网络模型中的样本数量,其值为n-k。由此,可得到高/低频子序列对应的多个深度时序特征。
步骤803:将多个深度时序特征分别输入全连接层中进行加权处理,得到任一子序列对应的交通流量预测值。
通过对上述高/低频子序列集合经过Attention-GRU模型求得的深度时序特征传递到全连接层,通过加权映射输出各高/低频子序列对应的交通流量预测值(L个),然后通过线性叠加L个交通流量预测值得到最终的预测交通流量。
3、恶劣天气场景
恶劣天气场景指代的是恶劣天气可能影响交通路的场景。恶劣天气场景对应的交通事件数据为天气预测结果。执行上述步骤302时,若监测当前天气的天气预测结果满足第四触发条件,则将恶劣天气场景作为候选交通场景。具体的,可实时查询气象天气预警,当存在天气预警时若存在恶劣天气则确定满足上述第四触发条件。
4、节假日场景
节假日场景指代的是节假日期间人流量激增可能导致交通拥堵的场景。节假日场景对应的交通事件数据为节假日的起始时间。执行上述步骤302时,若节假日场景的起始时间与当前时间差值满足第三触发条件,则将节假日场景作为候选交通场景。具体的,当执行上述步骤302时反馈到的交通事件数据表征当前时间与最近节假日的起始时间小于设定阈值时,可确定满足上述第三触发条件。
5、管制任务场景
管制任务场景指代的是相关部门执行如对重要会议、活动场景等进行安全布控时可能对交通造成影响的场景。管制任务场景对应的交通事件为任务的起始时间。执行上述步骤302时,若管制任务的起始时间与当前时间差值满足第五触发条件,则将管制任务场景作为候选交通场景。具体的,当执行上述步骤302时反馈到的交通事件数据表征当前时间与任务的起始时间小于设定阈值时,可确定满足上述第五触发条件。
6、大型活动场景
大型活动场景指代的是因活动对场地的占用、吸引的人流等因素可能对交通造成影响的场景。大型活动场景对应的交通事件为活动的起始时间。执行上述步骤302时,若大型活动的起始时间与当前时间差值满足第六触发条件,则将大型活动场景作为候选交通场景。具体的,当执行上述步骤302时反馈到的交通事件数据表征当前时间与活动的起始时间小于设定阈值时,可确定满足上述第五触发条件。
步骤303:将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
通过上述流程确定的候选交通场景推荐给指挥人员后,根据指挥人员反馈的目标交通场景,将该目标交通场景的重点关注区输出给指挥人员展示,以便于指挥人员基于重点关注区的交通事件数据快速下达指挥决策。本申请实施例中对于各交通场景设有对应的关注区域,用于在确定目标交通场景后重点展示易于发生交通事件的区域,以便于指挥人员对该区域进行交通管控及部署。
具体可如图11所示,本申请实施例中重点关注交通事件图谱对应预设区域内的各个通勤干道。考虑到预设区域过大(例如全市为预设区域)时,城市内至少包含几十条通勤干道,展示全部不容易帮助指挥人员抓住重点,基于此,本申请实施例中将周边100米内发生过交通事故以及历史交通事故发生率较大的干道作为每一交通场景的关注区。
此外,在高峰出行场景下应将学校、医院这类人流量密集的区域作为关注区。高速出行场景下则应对高速路段的服务区进行关注,例如重点关注车泊位率大于90%的服务器。节假日场景则应重点关注景区、交通枢纽以及大型购物区,此外还应关注收费站以及进出城卡口,例如重点关注5分钟车辆流量超过阈值的收费站,以及重点关注5分钟卡口流量大于阈值的进出城口。在恶劣天气场景下应重点关注事故高发的易积水点和易滑路段,大型活动及管制任务场景则应重点关注场景执行场地及附近主要交通要道。
基于相同的发明构思,本申请实施例提供了一种交通管理装置1200,具体如图12所示,包括:
数据获取模块1201,被配置为执行根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
场景候选模块1202,被配置为执行根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
场景展示模块1203,被配置为执行将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
在一些可能的实施例中,执行所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,所述场景候选模块1202被配置为:
根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景。
在一些可能的实施例中,执行所述根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,所述场景候选模块1202被配置为:
根据预先建立的具备关联关系的至少两个交通场景之间的主次影响关系,以及所述交通事件数据中包括的具备关联关系的至少两个交通场景对应的交通事件数据,确定次要交通场景和所述次要交通场景对应的综合交通事件数据;
若所述综合交通事件数据满足预先设定的触发条件,则将所述次要交通场景作为所述候选交通场景。
在一些可能的实施例中,所述交通场景至少包括高峰出行场景、高速出行场景、恶劣天气场景、节假日场景、管制任务场景以及大型活动场景;
所述高峰出行场景的交通事件数据为所述设定区域内各指定路段的路况数据;所述高速出行场景的交通事件数据为表征所述设定区域中高速路段当前车流量的高速交通流量;所述恶劣天气场景的交通事件数据为天气预测结果;所述节假日场景、管制任务场景以及大型活动场景的交通事件数据为对应场景的起始时间。
在一些可能的实施例中,执行所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,所述场景候选模块1202被配置为:
若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景;
若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景;所述预测交通流量是根据所述高速交通流量确定的;
若当前天气的天气预测结果满足第四触发条件,则将所述恶劣天气场景作为所述候选交通场景;
若所述节假日场景的起始时间与当前时间差值满足第三触发条件,则将所述节假日场景作为所述候选交通场景;
若所述管制任务场景的起始时间与当前时间的差值满足第五触发条件,则将所述管制任务场景作为所述候选交通场景;
若所述大型活动场景的起始时间与当前时间的差值满足第六触发条件,则将所述大型活动场景作为所述候选交通场景。
在一些可能的实施例中,执行所述若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景,所述场景候选模块1202被配置为:
从所述路况数据中获取过车数据,并将所述过车数据进行划分,得到每个子区域的过车数据;
对所述每个子区域的过车数据进行统计,将所述过车数据按照设定时段进行分割,确定所述每个子区域中各个设定时段的过车流量值;
基于预设识别时段确定识别时段中第i个设定时段的过车流量值;若所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景;所述识别时段用于识别子区域是否进入高峰时段。
在一些可能的实施例中,执行所述若确定所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景,所述场景候选模块1202被配置为:
针对任一子区域,确定预设时段的过车流量均值;所述预设时段是基于所述第i个设定时段确定的;
根据所述任一子区域中第i个设定时段的过车流量值、第i-1个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第一梯度值;
根据所述任一子区域中第i个设定时段的过车流量值、第i-2个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第二梯度值;
若所述任一子区域中第i个设定时段的过车流量值大于或者等于所述过车流量均值、第i个设定时段的第一梯度值大于或等于第一设定阈值且第i个设定时段的第一梯度值大于或等于第二设定阈值,则确定所述过车流量值满足所述第一触发条件,将所述高峰出行场景作为所述候选交通场景。
在一些可能的实施例中,执行所述若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景,所述场景候选模块1202被配置为:
对所述高速交通流量进行归一化处理,得到归一化流量数据;
通过小波变换对所述归一化流量数据进行L层级分解,得到一个高频子序列和L-1个低频子序列;
将各子序列输入已训练的递归循环网络模型中,提取各所述子序列对应的隐含特征向量,并对所述隐含特征向量进行特征重构,得到L个交通流量预测值;所述子序列包括所述高频子序列和所述低频子序列;
对所述L个交通流量预测值进行线性叠加,得到所述预测交通流量;
若所述预测交通流量大于所述第三设定阈值,则确定所述预测交通流量满足所述第二触发条件,将所述高速出行场景作为所述候选交通场景。
在一些可能的实施例中,所述递归循环网络模型包括特征提取层、特征重构层和全连接层;所述递归循环网络模型通过下述方式确定各所述子序列对应的交通流量预测值:
针对任一子序列,将所述子序列输入所述特征提取层,得到所述隐含特征向量;
将所述隐含特征向量输入所述特征重构层中,分别对隐含特征向量中的每个特征进行特征重构,得到多个深度时序特征;
将所述多个深度时序特征分别输入所述全连接层中进行加权处理,得到所述子序列对应的交通流量预测值。
下面参照图13来描述根据本申请的这种实施方式的电子设备130。图13显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器132,上述指令可由上述装置的处理器131执行以完成上述方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器131执行时实现如本申请提供的一种交通管理方法中的任一方法。
在示例性实施例中,本申请提供的一种交通管理方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种交通管理方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于执行交通管理的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器,使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种交通管理方法,其特征在于,所述方法包括:
根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,包括:
根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景。
3.根据权利要求2所述的方法,其特征在于,所述根据所述交通事件图谱中至少两个交通场景之间的关联关系和所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,包括:
根据预先建立的具备关联关系的至少两个交通场景之间的主次影响关系,以及所述交通事件数据中包括的具备关联关系的至少两个交通场景对应的交通事件数据,确定次要交通场景和所述次要交通场景对应的综合交通事件数据;
若所述综合交通事件数据满足预先设定的触发条件,则将所述次要交通场景作为所述候选交通场景。
4.根据权利要求1所述的方法,其特征在于,所述交通场景至少包括高峰出行场景、高速出行场景、恶劣天气场景、节假日场景、管制任务场景以及大型活动场景;
所述高峰出行场景的交通事件数据为所述设定区域内各指定路段的路况数据;所述高速出行场景的交通事件数据为表征所述设定区域中高速路段当前车流量的高速交通流量;所述恶劣天气场景的交通事件数据为天气预测结果;所述节假日场景、管制任务场景以及大型活动场景的交通事件数据为对应场景的起始时间。
5.根据权利要求4所述的方法,其特征在于,所述根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景,包括:
若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景;
若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景;所述预测交通流量是根据所述高速交通流量确定的;
若当前天气的天气预测结果满足第四触发条件,则将所述恶劣天气场景作为所述候选交通场景;
若所述节假日场景的起始时间与当前时间差值满足第三触发条件,则将所述节假日场景作为所述候选交通场景;
若所述管制任务场景的起始时间与当前时间的差值满足第五触发条件,则将所述管制任务场景作为所述候选交通场景;
若所述大型活动场景的起始时间与当前时间的差值满足第六触发条件,则将所述大型活动场景作为所述候选交通场景。
6.根据权利要求5所述的方法,其特征在于,所述若所述高峰出行场景对应的路况数据满足第一触发条件,则将所述高峰出行场景作为所述候选交通场景,包括:
从所述路况数据中获取过车数据,并将所述过车数据进行划分,得到每个子区域的过车数据;
对所述每个子区域的过车数据进行统计,将所述过车数据按照设定时段进行分割,确定所述每个子区域中各个设定时段的过车流量值;
基于预设识别时段确定识别时段中第i个设定时段的过车流量值;若所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景;所述识别时段用于识别子区域是否进入高峰时段。
7.根据权利要求6所述的方法,其特征在于,所述若确定所述第i个设定时段的过车流量值满足所述第一触发条件,则将所述高峰出行场景作为所述候选交通场景,包括:
针对任一子区域,确定预设时段的过车流量均值;所述预设时段是基于所述第i个设定时段确定的;
根据所述任一子区域中第i个设定时段的过车流量值、第i-1个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第一梯度值;
根据所述任一子区域中第i个设定时段的过车流量值、第i-2个设定时段的过车流量值和所述任一子区域的过车流量均值,确定第i个设定时段的第二梯度值;
若所述任一子区域中第i个设定时段的过车流量值大于或者等于所述过车流量均值、第i个设定时段的第一梯度值大于或等于第一设定阈值且第i个设定时段的第一梯度值大于或等于第二设定阈值,则确定所述过车流量值满足所述第一触发条件,将所述高峰出行场景作为所述候选交通场景。
8.根据权利要求5所述的方法,其特征在于,所述若所述预测交通流量满足第二触发条件,则将所述高速出行场景作为所述候选交通场景,包括:
对所述高速交通流量进行归一化处理,得到归一化流量数据;
通过小波变换对所述归一化流量数据进行L层级分解,得到一个高频子序列和L-1个低频子序列;
将各子序列输入已训练的递归循环网络模型中,提取各所述子序列对应的隐含特征向量,并对所述隐含特征向量进行特征重构,得到L个交通流量预测值;所述子序列包括所述高频子序列和所述低频子序列;
对所述L个交通流量预测值进行线性叠加,得到所述预测交通流量;
若所述预测交通流量大于所述第三设定阈值,则确定所述预测交通流量满足所述第二触发条件,将所述高速出行场景作为所述候选交通场景。
9.根据权利要求8所述的方法,其特征在于,所述递归循环网络模型包括特征提取层、特征重构层和全连接层;所述递归循环网络模型通过下述方式确定各所述子序列对应的交通流量预测值:
针对任一子序列,将所述子序列输入所述特征提取层,得到所述隐含特征向量;
将所述隐含特征向量输入所述特征重构层中,分别对隐含特征向量中的每个特征进行特征重构,得到多个深度时序特征;
将所述多个深度时序特征分别输入所述全连接层中进行加权处理,得到所述子序列对应的交通流量预测值。
10.一种交通管理装置,其特征在于,所述装置包括:
数据获取模块,被配置为执行根据预先设立的设定区域中的交通事件图谱,获取多个交通场景对应的交通事件数据;所述交通事件图谱包括所述多个交通场景中交通事件的发生时间和发生地点;
场景候选模块,被配置为执行根据所述多个交通场景对应的交通事件数据,确定至少一个满足所述预先设定的触发条件的候选交通场景;
场景展示模块,被配置为执行将所述至少一个候选交通场景推荐给指挥人员,并响应于所述指挥人员从所述至少一个候选交通场景选择的至少一个目标交通场景的操作,显示所述目标交通场景对应的重点关注区域;所述重点关注区域为根据所述多个交通场景预先确定的关注区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979663.7A CN115359657B (zh) | 2022-08-16 | 2022-08-16 | 一种交通管理方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210979663.7A CN115359657B (zh) | 2022-08-16 | 2022-08-16 | 一种交通管理方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359657A true CN115359657A (zh) | 2022-11-18 |
CN115359657B CN115359657B (zh) | 2023-10-13 |
Family
ID=84033423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210979663.7A Active CN115359657B (zh) | 2022-08-16 | 2022-08-16 | 一种交通管理方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359657B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
CN108305459A (zh) * | 2018-02-05 | 2018-07-20 | 北京交通大学 | 一种基于数据驱动的路网运行指数预测方法 |
CN113326449A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
WO2022105243A1 (zh) * | 2020-11-23 | 2022-05-27 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-16 CN CN202210979663.7A patent/CN115359657B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992557A (zh) * | 2015-05-13 | 2015-10-21 | 浙江银江研究院有限公司 | 一种城市交通警情等级预测方法 |
CN108305459A (zh) * | 2018-02-05 | 2018-07-20 | 北京交通大学 | 一种基于数据驱动的路网运行指数预测方法 |
WO2022105243A1 (zh) * | 2020-11-23 | 2022-05-27 | 北京旷视科技有限公司 | 事件检测方法、装置、电子设备及存储介质 |
CN113326449A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115359657B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Deeptravel: a neural network based travel time estimation model with auxiliary supervision | |
Lee et al. | A visual analytics system for exploring, monitoring, and forecasting road traffic congestion | |
Etienne et al. | Model-based count series clustering for bike sharing system usage mining: a case study with the Vélib’system of Paris | |
Li et al. | Studying the benefits of carpooling in an urban area using automatic vehicle identification data | |
CN114390079B (zh) | 一种智慧城市公共场所管理方法和物联网系统 | |
CN110866649A (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
CN110570678B (zh) | 一种公交车辆从起点到终点总行驶时间预测方法及装置 | |
Bandaragoda et al. | Artificial intelligence based commuter behaviour profiling framework using Internet of things for real-time decision-making | |
CN111210094A (zh) | 一种基于实时客流预测的机场出租车自动调度方法及装置 | |
Ziat et al. | Joint prediction of road-traffic and parking occupancy over a city with representation learning | |
EP4264500A1 (en) | Traffic prediction | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
Das et al. | Level of service for on-street parking | |
CN113657299A (zh) | 交通事故确定方法及电子设备 | |
CN115620208A (zh) | 电网安全预警方法、装置、计算机设备和存储介质 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN113409194A (zh) | 泊车信息获取方法及装置、泊车方法及装置 | |
CN115359657B (zh) | 一种交通管理方法、装置、设备及介质 | |
CN111209979A (zh) | 监控车辆电压的方法、装置及电子设备 | |
CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
CN115660156A (zh) | 一种用于交通站点客流拥堵延误预测的方法及系统 | |
Majumder | An Approach to Counting Vehicles from Pre-Recorded Video Using Computer Algorithms | |
CN107025447A (zh) | 一种智能匹配的租房管理系统 | |
CN114446039B (zh) | 客流分析方法及相关设备 | |
CN117612140B (zh) | 道路场景的识别方法、装置和存储介质及电子设备 |
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 |