CN116720634B - 一种园区运行数据处理方法及系统 - Google Patents

Abstract

本申请提供一种园区运行数据处理方法及系统，所述方法包括：将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；堵塞点预测模型的训练过程如下：对堵塞点预测模型进行初始训练；将候选样本作为训练样本对所述堵塞点预测模型进行增量训练，直至不存在符合条件的训练样本。本发明实施例提供的园区运行数据处理方法及系统，使得堵塞点预测模型能同时预测目标时间点的实际堵塞点和潜在堵塞点，从而使得用户能够在潜在堵塞点就对园区车辆进行提前疏导，从而大幅度提升园区车辆的疏导效果，避免园区交通堵塞。

Description

一种园区运行数据处理方法及系统

技术领域

本申请涉及人工智能领域，特别涉及一种园区运行数据处理方法及系统。

背景技术

随着物联网、人工智能、大数据等技术的快速发展，传统的办公园区逐渐向智慧园区方向发展。智慧园区从设置在园区中的各种传感器和设备中获取园区运行数据，进而对园区运行数据进行分析和挖掘可以帮助发现园区潜在问题，优化园区运营效率。

传统园区中存在一大难题是园区内的交通堵塞问题，尤其是早晚高峰时期。现有的智慧园区技术在解决该问题时，主要是基于设置在园区的传感器、摄像头、GPS等终端设备，在特定时间采集和分析出各关键位置的车流量数据，从而找到堵塞点，从而可以在特定时间在堵塞点通过内部道路信标或安排工作人员人工疏导车量，使车辆合理分流，从而减缓园区堵塞现象。

然而，上述方法虽然能一定程度上根据大数据规律找到堵塞点，但是在特定时间去疏导堵塞点时，园区堵塞现象往往已经形成，使得园区堵塞的缓解效果较差。

发明内容

本申请实施例的目的在于提供一种园区运行数据处理方法及系统。

第一方面，本申请实施例提供一种园区运行数据处理方法，所述方法包括：

将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；

其中，所述堵塞点预测模型的训练过程如下：

以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

可选地，所述如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练，具体包括：

获取所述候选样本中每一样本对应的训练标签，得到候选样本对应的历史堵塞点数据；

比较所述初始训练标签和所述候选样本对应的训练标签，如果所述候选样本对应的训练标签所指示的历史堵塞点数据包含所述初始训练标签所指示的历史堵塞点数据中的目标节点，或包含所述初始训练标签所指示的历史堵塞点数据中的目标节点的拓补相邻节点，则将该候选样本作为所述增量训练中的增量样本；

以所述增量样本为样本，以所述增量对应的人工统计出的历史堵塞点数据为标签，对所述堵塞点预测模型进行增量训练。

可选地，所述目标节点的拓补相邻节点是指，所述目标节点和其拓补相邻节点所对应的设置车流量采集设备处于园区地理位置中的相邻位置。

可选地，所述直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练，具体包括：

若当前查找到的时间的候选样本对应的训练标签所指示的任一历史堵塞点数据都不包含所述初始训练标签所指示的历史堵塞点数据中的目标节点，则终止所述堵塞点预测模型的训练。

可选地，所述在所述园区堵塞点集合中剔除孤立节点，具体包括：

若所述园区堵塞点集合中某一堵塞点与其他堵塞点均不是拓补相邻关系，则将该堵塞点从所述园区堵塞点集合中剔除。

可选地，所述拓补边缘节点在所述园区堵塞点集合中仅有一个拓补相邻的堵塞点。

可选地，所述园区疏导点为在所述目标时间点进行园区车辆疏导的园区位置。

可选地，所述园区内各采集节点分别设置于园区各路口位置。

可选地，每一天目标时间点园区内各采集节点的所述历史车流量数据由传感器、摄像头或GPS设备采集得到。

第二方面，本发明实施例提供一种园区运行数据处理系统，所述系统包括：

园区数据分析模块，用于将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

园区数据处理模块，用于在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；

其中，所述堵塞点预测模型的训练过程通过如下模块实现：

初始训练模块，用于以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

增量训练模块，用于获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

本发明实施例提供的园区运行数据处理方法及系统，通过迭代训练堵塞点预测模型的方式，使得堵塞点预测模型能同时预测目标时间点的实际堵塞点和潜在堵塞点，然后在使用堵塞点预测模型时根据园区采集节点的拓补关系找到潜在堵塞点，从而使得用户能够在潜在堵塞点就对园区车辆进行提前疏导，从而大幅度提升园区车辆的疏导效果，避免园区交通堵塞。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍。

图1为本发明实施例提供的园区运行数据处理方法的流程示意图；

图2为本发明实施例提供的园区堵塞点集合中不同类型的堵塞点的示意图；

图3为本发明实施例提供的候选样本的筛选方法的执行过程的流程示意图；

图4为本发明实施例提供的堵塞点预测模型多轮迭代训练过程中可检测出的堵塞点的示意图；

图5为本发明实施例提供的园区运行数据处理系统的结构示意图；

图6为本发明实施例提供的电子设备的结构示意图。

具体实施方式

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描述。

相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

本发明实施例提供了一种园区运行数据处理方法及系统。附图1示出了本发明实施例提供的园区运行数据处理方法的流程示意图。

步骤S110，将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合。

本发明实施例目中的采集节点，是指现有的智慧园区中进行数据采集的终端设备，该终端设备可以是传感器、摄像头、GPS设备等。现有的智慧园区技术可以有效地对园区内特定采集节点的温湿度、闸门开关状态、用水量、人和车流量、能耗等原始数据进行获取并进行基本的分析，从而判断园区运行的状态。本发明实施例中的车流量数据，可以是指采集节点处单位时间内通过目标采集节点的车辆数量，园区内各采集节点所采集的车流量数据共同构成了后续可以用于模型训练的原始数据，本发明实施例中所指的每一组训练样本，是指园区内各采集节点在某一天的目标时间内检测出车流量数据，例如园区内各采集节点在2020年3月1日8:30所采集的车流量数据的组合。每一组训练样本对应的训练标签是人工标注而成，每一组训练样本对应的训练标签的数据形式为各采集节点是否为拥堵点的标记，例如园区内各采集节点在2020年3月1日8:30的拥堵点状态按照采集节点的序号顺序，为00001101……。各采集节点的数据采集频率可以根据用户需要进行设置，例如每1分钟或者每5分钟采集一次。

园区内可以按照需要设置采集节点的位置，例如将采集车流量数据的设备分别设置于园区各路口位置，或者设置在园区利于疏导车辆至不同路线、不同出入口的交通位置。

本步骤基于人工智能的方法用上述训练数据来训练一个堵塞点预测模型，该模型可以使用LSTM、RNN等深度学习模型，也可以采用注意力机制进行模型优化，本发明实施例不做具体限定。模型根据训练数据中每天堵塞点出现的不同情况，对当天园区内的堵塞点进行预测。值得说明的是，本发明实施例中一个训练好的堵塞点预测模型仅用于预测单个时间点的园区堵塞情况。例如，想要预测目标园区内目标时间点为18:00的堵塞点情况，在本步骤进行初始训练时，所选取的训练样本为目标时间点对应的园区内各采集节点所采集的车流量数据，即各采集节点每天18:00所采集的车流量数据。也就是说，该模型训练好后是专门用于预测园区内18:00堵塞点的模型，模型输出的将是18:00的园区堵塞点所组成的集合，其中每一个堵塞点都是某个采集设备所放置的位置。本发明实施例中的堵塞点预测模型在初始训练后还需要进行后续的迭代训练，将在步骤S140中详细介绍。

可以理解的是，用户可以根据需要训练对应多个时间点的堵塞点预测模型，例如针对8:00、8:30、9:00、17:30、18:00、18:30各训练一个堵塞点预测模型。

步骤S120，在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合。

本发明实施例中以目标时间点的历史大数据为训练样本训练模型从而判断园区内堵塞点的方法与现有技术的思路是相似的，然而，这类方法训练出的模型所输出的园区堵塞点集合，往往是在目标时刻已经实际发生堵塞的位置，此时再在这样的堵塞点安排车辆疏导工作，难以达到好的疏导效果。

根据交通堵塞产生的原理，本发明实施例主要目的是找到造成实际堵塞点堵塞现场的其他多个潜在堵塞点提前进行疏导，例如某个路口A造成的堵塞是由于其他两个相邻路口B和C流入车辆较多而造成的，在目标时间点对潜在堵塞点B和C路口的车辆进行疏导，其效果远远好于对实际堵塞点A进行交通疏导。

因此，本步骤对于堵塞点预测模型输入的园区堵塞点集合，需要进一步筛选出其中的潜在堵塞点，即疏导点。根据拓补学的理论，将园区内所有的车流量采集位置视作连通图中的一个节点，实际堵塞点和其相关的潜在堵塞点是拓补相邻的，即它们在连通图中具有直接的连接关系，不会经过其他任何节点，代表着所述目标节点和其拓补相邻节点所对应的设置车流量采集设备处于园区地理位置中的相邻位置。

附图2示出了本发明实施例中园区堵塞点集合中不同类型的堵塞点的示意图。如果园区堵塞点集合中的一个节点具有多个拓补相邻的堵塞点，则认为该堵塞点为实际堵塞点；如果园区堵塞点集合中的一个节点仅有一个拓补相邻的堵塞点，即拓补边缘节点，则认为该堵塞点为潜在堵塞点，即疏导点；如果园区堵塞点集合中的一个节点没有拓补相邻的堵塞点，即为孤立节点，则认为该堵塞点不满足交通堵塞的原理，可能是堵塞点预测模型输出的噪声。

因此，本步骤对于堵塞点预测模型输出的园区堵塞点集合，首先需要剔除孤立节点，即堵塞点预测模型输出的噪声，即若所述园区堵塞点集合中某一堵塞点与其他堵塞点均不是拓补相邻关系，则将该堵塞点从所述园区堵塞点集合中剔除；然后筛选出拓补边缘节点，即潜在的堵塞点的位置，即园区疏导点为在所述目标时间点进行园区车辆疏导的园区位置，可以安排内部道路信标或安排工作人员人工对该位置的车量疏导，使车辆提前分流，从而减缓园区堵塞现象。

步骤S130，以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练。

本发明实施例S130~S140主要描述堵塞点预测模型的训练过程，其中S130为初始训练步骤，S140为迭代训练步骤。S130~S140的步骤执行通常在S110~S120之前。

本步骤S130所描述的初始训练的具体过程已于前文记载。本发明实施例中一个训练好的堵塞点预测模型仅用于预测单个时间点的园区堵塞情况。可以理解的是，用户可以根据需要训练对应多个时间点的堵塞点预测模型步骤S130中以目标时间点的历史大数据为训练样本训练模型从而判断园区内堵塞点的方法与现有技术的思路是相似的，然而，这类方法训练出的模型所输出的园区堵塞点集合，往往是在目标时刻已经实际发生堵塞的位置，此时再在这样的堵塞点安排车辆疏导工作，难以达到好的疏导效果。因此，需要进一步对模型进行迭代训练。

步骤S140，获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

本步骤中迭代训练的目的在于使得堵塞点预测模型不仅会预测目标时间点的实际堵塞点，更重要的是预测出目标时间点的潜在堵塞点。因此，训练样本的选择上需要引入目标时间点前的园区内各采集节点所采集的历史车流量数据。用户可以根据实际需要人工预设一个目标时间点前的预设间隔时间，例如3分钟或5分钟，作为迭代训练的迭代步长。

具体而言，在进行迭代训练时，首先获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，例如目标时间点为18:00对应的已完成初始训练的堵塞点预测模型，此时比如需要获取每一天17:55园区内各采集节点所采集的历史车流量数据作为候选样本。接着需要对候选样本进行筛选，筛选的主要标准是判断17:55标注的堵塞点是否与18:00标注出的堵塞点具有关联关系。具体地，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练。附图3示出了上述候选样本的筛选方法的执行过程的流程示意图，具体包括如下步骤。

步骤S310，获取所述候选样本中每一样本对应的训练标签，得到候选样本对应的历史堵塞点数据；

步骤S320，比较所述初始训练标签和所述候选样本对应的训练标签，如果所述候选样本对应的训练标签所指示的历史堵塞点数据包含所述初始训练标签所指示的历史堵塞点数据中的目标节点，或包含所述初始训练标签所指示的历史堵塞点数据中的目标节点的拓补相邻节点，则将该候选样本作为所述增量训练中的增量样本；

步骤S330，以所述增量样本为样本，以所述增量对应的人工统计出的历史堵塞点数据为标签，对所述堵塞点预测模型进行增量训练。

采用增量训练的方式相比于重新训练堵塞点预测模型，可以大大减少训练所需的时间，尤其是在大型园区采集设备较多的情况下。此外，增量训练的方式还可以有效避免过拟合现象从而最终提高模型性能，即同时具备检测“实际堵塞点”和“潜在堵塞点”的能力。需要说明的是，此处所指的每一组候选样本，也是指园区内各采集节点在某一天的目标时间内前预设间隔时间检测出车流量数据。

在完成上述一次迭代训练后，上一次检测出的“潜在堵塞点”可能仍有其对应的“潜在堵塞点”，即需要疏导的节点位置在园区采集节点连通图中距离某个实际堵塞步长更远。因此，继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练。例如，在筛选完17:55的候选样本后，继续筛选17:50的候选样本，采用和上一轮迭代训练中相同的候选样本筛选条件，即候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将新筛选出的作为本轮迭代训练的训练样本进行增量训练。

附图4示出了堵塞点预测模型多轮迭代训练过程中可检测出的堵塞点的示意图。随着迭代次数的增加，模型可检测出的堵塞点的累计数量逐渐变多，但每一轮被筛选出的候选样本最终会逐渐减少，直到某次迭代过程中所有候选样本对应的标签中的堵塞点数据与前面若干次迭代中对应的堵塞点数据均不相关，甚至是本轮迭代过程中没有堵塞点数据，此时堵塞点预测模型的增量训练步骤结束，堵塞点预测模型训练完毕。即代表着若当前查找到的时间的候选样本对应的训练标签所指示的任一历史堵塞点数据都不包含所述初始训练标签所指示的历史堵塞点数据中的目标节点，则终止所述堵塞点预测模型的训练。经过增量训练过程的堵塞点预测模型对于目标时间点而言，不仅能预测出该时间点的实际堵塞点，也能预测出该时间点的潜在堵塞点。

本发明实施例提供的园区运行数据处理方法，通过迭代训练堵塞点预测模型的方式，使得堵塞点预测模型能同时预测目标时间点的实际堵塞点和潜在堵塞点，然后在使用堵塞点预测模型时根据园区采集节点的拓补关系找到潜在堵塞点，从而使得用户能够在潜在堵塞点就对园区车辆进行提前疏导，从而大幅度提升园区车辆的疏导效果，避免园区交通堵塞。

基于上述任一实施例，附图5示出了本发明实施例提供的园区运行数据处理系统的结构示意图，具体内容如下：

园区数据分析模块501，用于将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

园区数据处理模块502，用于在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；

其中，所述堵塞点预测模型的训练过程通过如下模块实现：

初始训练模块503，用于以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

增量训练模块504，用于获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

基于上述任一实施例，附图6示出了本发明实施例提供的电子设备的实体结构示意图，该电子设备可以包括：处理器(processor)610、通信接口(CommunicationsInterface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行如下方法：

将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；

其中，所述堵塞点预测模型的训练过程如下：

以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：

将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；

其中，所述堵塞点预测模型的训练过程如下：

以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种园区运行数据处理方法，其特征在于，所述方法包括：

将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；所述堵塞点为园区内发生交通堵塞的位置，所述孤立节点为园区堵塞点集合中没有拓补相邻的堵塞点的节点，所述拓补边缘节点或疏导点为园区堵塞点集合中仅有一个拓补相邻的堵塞点的节点；

其中，所述堵塞点预测模型的训练过程如下：

以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。

2.根据权利要求1所述的园区运行数据处理方法，其特征在于，所述如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练，具体包括：

获取所述候选样本中每一样本对应的训练标签，得到候选样本对应的历史堵塞点数据；

比较所述初始训练标签和所述候选样本对应的训练标签，如果所述候选样本对应的训练标签所指示的历史堵塞点数据包含所述初始训练标签所指示的历史堵塞点数据中的目标节点，或包含所述初始训练标签所指示的历史堵塞点数据中的目标节点的拓补相邻节点，则将该候选样本作为所述增量训练中的增量样本；

以所述增量样本为样本，以所述增量对应的人工统计出的历史堵塞点数据为标签，对所述堵塞点预测模型进行增量训练。

3.根据权利要求1或2所述的园区运行数据处理方法，其特征在于，所述目标节点的拓补相邻节点是指，所述目标节点和其拓补相邻节点所对应的设置车流量采集设备处于园区地理位置中的相邻位置。

4.根据权利要求1所述的园区运行数据处理方法，其特征在于，所述直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练，具体包括：

若当前查找到的时间的候选样本对应的训练标签所指示的任一历史堵塞点数据都不包含所述初始训练标签所指示的历史堵塞点数据中的目标节点，则终止所述堵塞点预测模型的训练。

5.根据权利要求1所述的园区运行数据处理方法，其特征在于，所述在所述园区堵塞点集合中剔除孤立节点，具体包括：

若所述园区堵塞点集合中某一堵塞点与其他堵塞点均不是拓补相邻关系，则将该堵塞点从所述园区堵塞点集合中剔除。

6.根据权利要求1所述的园区运行数据处理方法，其特征在于，所述拓补边缘节点在所述园区堵塞点集合中仅有一个拓补相邻的堵塞点。

7.根据权利要求1所述的园区运行数据处理方法，其特征在于，所述园区疏导点为在所述目标时间点进行园区车辆疏导的园区位置。

8.根据权利要求1所述的园区运行数据处理方法，其特征在于，所述园区内各采集节点分别设置于园区各路口位置。

9.根据权利要求1所述的园区运行数据处理方法，其特征在于，每一天目标时间点园区内各采集节点的所述历史车流量数据由传感器、摄像头或GPS设备采集得到。

10.一种园区运行数据处理系统，其特征在于，所述系统包括：

园区数据分析模块，用于将目标时间点对应的园区内各采集节点所采集的车流量数据输入至堵塞点预测模型中，得到园区堵塞点集合；

园区数据处理模块，用于在所述园区堵塞点集合中剔除孤立节点后，筛选出拓补边缘节点，得到园区疏导点集合；所述堵塞点为园区内发生交通堵塞的位置，所述孤立节点为园区堵塞点集合中没有拓补相邻的堵塞点的节点，所述拓补边缘节点或疏导点为园区堵塞点集合中仅有一个拓补相邻的堵塞点的节点；

其中，所述堵塞点预测模型的训练过程通过如下模块实现：

初始训练模块，用于以每一天目标时间点园区内各采集节点所采集的历史车流量数据作为一组初始训练样本，以其对应的人工统计出的历史堵塞点数据为初始训练标签，对堵塞点预测模型进行初始训练；

增量训练模块，用于获取每一天目标时间点前预设间隔时间的园区内各采集节点所采集的历史车流量数据作为候选样本，如果所述候选样本对应的历史堵塞点数据中包含目标时间点对应的历史堵塞点数据中的目标节点或其拓补相邻的节点，将该候选样本作为训练样本对所述堵塞点预测模型进行增量训练；按照所述增量训练的方式继续向前预设间隔时间查找并筛选出对应时间用于对所述堵塞点预测模型进行增量训练的训练样本，重复所述增量训练，直至不存在符合条件的训练样本，终止所述堵塞点预测模型的训练。