CN116959249A - 基于cim的城市信息管理平台及方法 - Google Patents

基于cim的城市信息管理平台及方法 Download PDF

Info

Publication number
CN116959249A
CN116959249A CN202310916848.8A CN202310916848A CN116959249A CN 116959249 A CN116959249 A CN 116959249A CN 202310916848 A CN202310916848 A CN 202310916848A CN 116959249 A CN116959249 A CN 116959249A
Authority
CN
China
Prior art keywords
road
training
traffic flow
traffic
time sequence
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.)
Pending
Application number
CN202310916848.8A
Other languages
English (en)
Inventor
霍春望
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.)
Shenzhen Yuanshijie Technology Co ltd
Original Assignee
Shenzhen Yuanshijie Technology 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 Shenzhen Yuanshijie Technology Co ltd filed Critical Shenzhen Yuanshijie Technology Co ltd
Priority to CN202310916848.8A priority Critical patent/CN116959249A/zh
Publication of CN116959249A publication Critical patent/CN116959249A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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
    • 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
    • G08G1/065—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y02A30/60—Planning or developing urban green infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

一种基于CIM的城市信息管理平台及方法，其提供一种基于CIM(城市信息模型)的城市信息管理方案，所述基于CIM的城市信息管理方案旨在利用CIM技术构建城市的三维数字模型，实现城市信息的集成、共享和可视化，提高城市规划、建设和管理的效率和水平。

Description

基于CIM的城市信息管理平台及方法
技术领域
本申请涉及智能化信息管理技术领域，并且更具体地，涉及一种基于CIM的城市信息管理平台及方法。
背景技术
传统的城市管理方式诸多局限，这些局限限制了城市管理的效率和准确性。传统方式中，城市管理由不同的部门和机构独立负责，导致信息孤岛的问题，各个部门之间缺乏有效的信息共享和协同工作机制。此外，传统方式依赖于人工经验和常规操作，决策过程滞后，无法及时应对城市发展和问题的变化。传统方式中的数据采集和处理依赖于人工操作，容易出现数据不准确、重复和滞后的情况。传统方式还缺乏综合性和系统性思考，各个部门和机构只关注自身的职责范围，缺乏对城市整体发展的综合性考虑。并且，传统方式缺乏智能化支持，依赖于人工的经验和判断，无法提供科学的、精确的决策支持。
因此，期待一种优化的城市信息管理方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于CIM的城市信息管理平台及方法，其提供一种基于CIM(城市信息模型)的城市信息管理方案，所述基于CIM的城市信息管理方案旨在利用CIM技术构建城市的三维数字模型，实现城市信息的集成、共享和可视化，提高城市规划、建设和管理的效率和水平。
第一方面，提供了一种基于CIM的城市信息管理平台，其包括：
模型构建模块，用于构建城市信息模型；以及
等级标签生成模块，用于基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。
第二方面，提供了一种基于CIM的城市信息管理方法，其包括：
构建城市信息模型；以及
基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的基于CIM的城市信息管理平台的框图。
图2为根据本申请实施例的基于CIM的城市信息管理平台中所述模型构建模块的框图。
图3为根据本申请实施例的基于CIM的城市信息管理平台中所述等级标签生成模块的框图。
图4为根据本申请实施例的基于CIM的城市信息管理方法的流程图。
图5为根据本申请实施例的基于CIM的城市信息管理方法架构的示意图。
图6为根据本申请实施例的基于CIM的城市信息管理平台的应用场景图。
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，显然，所描述的实施例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。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
应可以理解，城市信息模型(CIM)是一种用于描述和管理城市信息的建模框架，是基于建筑信息模型(BIM)的概念发展而来，旨在将BIM的概念扩展到整个城市范围。CIM提供了一个综合性的数据模型，用于表示城市的各个方面，包括地理、建筑、交通、环境、能源等。通过CIM，可以将城市的各个组成部分以及它们之间的关系进行统一的描述和管理。
CIM的主要目标是实现城市信息的集成、共享和可视化，通过将不同部门和机构的数据整合到CIM中，可以避免数据孤岛问题，提高数据的利用价值。同时，CIM还提供了可视化功能，可以将城市的信息以图形化的方式呈现出来，方便城市规划、建设和管理的决策者进行分析和决策。CIM还可以支持城市的规划、设计和运营过程，通过CIM，可以进行城市模拟和仿真，评估不同规划方案的效果。同时，CIM还可以用于城市的运营管理，包括设施管理、资源调度、应急响应等方面。
CIM是一种基于BIM概念的城市信息管理框架，旨在实现城市信息的集成、共享和可视化，提高城市规划、建设和管理的效率和水平。通过CIM，可以更好地理解和管理城市，促进城市的可持续发展。
进一步地，在本申请中，城市管理涉及多个部门和机构，每个部门和机构都有自己的数据和信息系统。然而，这些数据和信息系统往往存在孤立，难以进行有效的整合和共享。CIM提供了一个综合性的数据模型，可以将不同部门和机构的数据整合到一个平台中，实现数据的共享和交流，避免数据孤岛问题。
不同部门和机构使用不同的数据标准和格式，导致数据的互操作性较差。CIM提供了一套统一的数据标准和规范，可以帮助各个部门和机构在数据交换和共享时保持一致性，提高数据的互操作性和一致性。
CIM提供了可视化功能，可以将城市信息以三维模型的形式展示出来，使城市决策者更直观地了解城市的情况。同时，CIM还提供了分析功能，可以对城市数据进行分析和挖掘，帮助城市决策者做出更明智的决策，提高城市规划、建设和管理的效率和水平。
CIM可以帮助城市决策者更好地了解城市的情况和需求，从而制定更科学和可持续的发展战略。通过CIM，可以对城市的各个方面进行综合分析，包括土地利用、交通规划、环境保护等，从而实现城市的可持续发展。
因此，基于CIM的城市信息管理平台具有整合数据、统一标准、可视化分析和可持续发展等方面的必要性，可以提高城市管理的效率和水平，促进城市的可持续发展。
在本申请的一个实施例中，图1为根据本申请实施例的基于CIM的城市信息管理平台的框图。如图1所示，根据本申请实施例的基于CIM的城市信息管理平台100，包括：模型构建模块110，用于构建城市信息模型；以及，等级标签生成模块120，用于基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。
其中，在所述模型构建模块110中，模型构建模块需要收集各个部门和机构的城市数据，包括地理信息、建筑信息、交通信息等。确保数据的准确性和完整性是关键。模型构建模块需要将收集到的数据整合到一个统一的数据模型中，以确保各个数据之间的关联性和一致性。城市信息是动态变化的，模型构建模块需要考虑数据的更新机制，及时更新城市信息模型，以反映城市的最新状态。
通过模型构建模块，不同部门和机构的数据可以被整合到一个平台中，避免数据孤岛问题，提高数据的共享和交流效率。模型构建模块可以创建一个统一的数据模型，为城市的各个方面提供一个一致的描述和管理框架，促进城市信息的整合和分析。基于模型构建模块构建的城市信息模型可以为城市规划和决策提供支持，通过对城市数据的分析和挖掘，帮助城市决策者做出更明智的决策，推动城市的可持续发展。
在所述等级标签生成模块120中，等级标签生成模块需要获取城市的交通实时状态数据，包括道路的拥堵情况、交通流量等。确保数据的及时性和准确性是关键。等级标签生成模块对实时数据进行分析和处理，以生成道路的拥堵程度等级标签，考虑不同指标的权重和算法，以确保等级标签的准确性和可靠性。生成的等级标签以可视化的方式展示，使城市决策者和公众能够直观地了解道路的拥堵情况。
等级标签生成模块可以根据实时数据生成道路的拥堵程度等级标签，帮助城市决策者和交通管理部门监测交通状况，及时采取措施应对拥堵问题。通过等级标签生成模块生成的拥堵程度等级标签，城市决策者可以了解道路的拥堵情况，有针对性地进行交通规划和优化，提高交通效率和减少拥堵现象。通过将生成的等级标签以可视化的方式展示，公众可以更直观地了解道路的拥堵情况，提前规划出行路线，减少交通拥堵带来的不便。同时，公众也可以通过反馈等方式参与到交通管理中，推动城市交通的改善。
具体地，所述模型构建模块110，用于构建城市信息模型。图2为根据本申请实施例的基于CIM的城市信息管理平台中所述模型构建模块的框图，如图2所示，所述模型构建模块110，包括：数据采集单元111，用于采集城市的各类空间数据，其中，所述类空间数据，包括地形、地物、地下管线、建筑物、交通设施和道路，以及与之相关的属性数据，所述属性数据包括用地性质、建筑功能和管线材质；预处理单元112，用于利用CIM软件对所述各类空间数据进行预处理以得到预处理后各类空间数据；三维建模单元113，用于利用所述CIM软件对所述预处理后各类空间数据进行三维建模以得到所述城市信息模型；以及，动态更新单元114，用于利用所述CIM软件对所述城市信息模型进行动态更新。
在本申请中，首先，通过采集城市的各类空间数据，包括地形、地物、地下管线、建筑物、交通设施和道路等，可以获取全面的城市信息，有助于建立一个综合性的城市信息管理平台，避免数据孤岛问题。其次，利用CIM软件对采集到的各类空间数据进行预处理，可以对数据进行清洗、整合和标准化，以确保数据的质量和一致性。预处理后的数据更易于在后续的处理和分析中使用。再者，利用CIM软件对预处理后的各类空间数据进行三维建模，可以将城市的各个要素以三维形式呈现，包括建筑物、道路、管线等。这有助于更直观地理解城市的空间布局和结构。进一步地，利用CIM软件对城市信息模型进行动态更新，可以及时反映城市的变化和发展。例如，当有新的建筑物、道路或管线建设时，可以将其更新到城市信息模型中，保持模型的准确性和实时性。
模型构建模块的各个组成部分通过数据采集、预处理、三维建模和动态更新等步骤，为城市信息管理平台的建立和维护提供了必要的功能和效果。
针对上述技术需求，本申请的技术构思为提供一种基于CIM(城市信息模型)的城市信息管理方案，所述基于CIM的城市信息管理方案旨在利用CIM技术构建城市的三维数字模型，实现城市信息的集成、共享和可视化，提高城市规划、建设和管理的效率和水平。
具体地，在本申请的技术方案中，构建所述城市信息模型的过程包括如下步骤：首先采集城市的各类空间数据，其中，所述类空间数据，包括地形、地物、地下管线、建筑物、交通设施和道路，以及与之相关的属性数据，所述属性数据包括用地性质、建筑功能和管线材质；接着，利用CIM软件对所述各类空间数据进行预处理以得到预处理后各类空间数据(包括格式转换、坐标转换、数据清理等，使之符合CIM标准和规范)；进而，利用所述CIM软件对所述预处理后各类空间数据进行三维建模以得到所述城市信息模型(包括地形模型、地物模型、地下管线模型、建筑物模型、交通设施模型、道路模型等)；接着，利用所述CIM软件对所述城市信息模型进行动态更新。
在本申请的一些示例中，构建所述城市信息模型的过程还包括利用CIM软件对三维数字模型进行属性关联，将属性数据与空间数据进行匹配和绑定，实现城市信息的集成和共享。并且，利用CIM软件对三维数字模型进行可视化展示，支持多种视角和比例尺的浏览和查询，提供多种分析和评价功能，如空间分析、影响分析、能耗分析等。
在本申请的技术方案中，所述基于CIM(城市信息模型)的城市信息管理方案包括诸多功能模块。在上述诸多功能模块中一个功能模块为基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。也就是，基于所述城市信息模型提供的交通实时状态数据，来进行智能交通全局决策以从数据智能和道路全局宏观视野来确定更为精准的交通拥堵程度标签，以便于人们的出行。
具体地，所述等级标签生成模块120，用于基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。图3为根据本申请实施例的基于CIM的城市信息管理平台中所述等级标签生成模块的框图，如图3所示，所述等级标签生成模块120，包括：向量排列单元121，用于将所述各个道路段在预定时间段内多个预定时间点的车流量分别按照时间维度排列为输入向量以得到多个道路段车流量时序输入向量；特征提取单元122，用于从所述多个道路段车流量时序输入向量提取多个道路段车流量时序特征向量；以及，拥堵程度判断单元123，用于基于所述多个道路段车流量时序特征向量之间的关联特征，生成所述道路的拥堵程度等级标签。
其中，所述交通实时状态数据为多个道路段在预定时间段内多个预定时间点的车流量。
在本申请中，将各个道路段在预定时间段内多个预定时间点的车流量按照时间维度排列为输入向量，这样做可以将车流量数据与时间的关系进行整合，为后续的特征提取和拥堵程度判断提供准备；从多个道路段车流量时序输入向量中提取特征向量，通过对车流量数据进行特征提取，可以捕捉到不同道路段车流量的变化趋势、周期性和相关性等特征，有助于更准确地描述道路的交通情况；基于多个道路段车流量时序特征向量之间的关联特征，生成道路的拥堵程度等级标签。通过分析特征向量之间的关系，可以判断道路的拥堵程度，例如判断是否出现交通拥堵、拥堵的程度等，有助于实时监测交通状况和进行交通优化。
等级标签生成模块的各个组成部分通过向量排列、特征提取和拥堵程度判断等步骤，可以基于实时交通数据生成道路拥堵等级标签。这有助于实现实时交通监测、交通优化和公众参与等目标。
具体地，在本申请技术方案中，基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签的数据处理过程，包括：首先获取由所述城市信息模型提供的交通实时状态数据，所述交通实时状态数据为多个道路段在预定时间段内多个预定时间点的车流量。接着，将所述各个道路段在预定时间段内多个预定时间点的车流量分别按照时间维度排列为输入向量以得到多个道路段车流量时序输入向量。也就是，将所述各个道路段在预定时间段内多个预定时间点的车流量分别按照时间维度进行数据结构化规整以得到所述多个道路段车流量时序输入向量，其中，所述各个道路段车流量时序输入向量用于表示各个道路段的车流量时序波动信息和车辆量绝对量信息。
在本申请的一个实施例中，按照时间维度排列多个道路段车流量数据可以得到多个道路段车流量时序输入向量。首先，确定要分析的时间段，例如一天内的每小时数据或一周内的每天数据。然后，选择要分析的多个道路段，可以根据需求和关注的区域进行选择。接着，从交通监测设备、传感器或其他数据源中收集每个道路段在每个预定时间点的车流量数据，这些数据可以是实时数据或历史数据。然后，按照时间维度将车流量数据进行排列。创建一个二维矩阵，其中每行代表一个道路段，每列代表一个预定时间点。矩阵中的每个元素表示该道路段在该时间点的车流量。接着，根据需要，对车流量数据进行处理。可以进行平滑处理、缺失值处理或标准化处理，以确保数据的准确性和一致性。最后，根据排列好的车流量数据，可以构建多个道路段车流量时序输入向量。每个输入向量代表一个道路段在预定时间段内的车流量变化情况。向量的长度等于预定时间点的个数，每个元素表示该时间点的车流量。
通过按照时间维度排列和构建时序输入向量，可以将多个道路段在预定时间段内的车流量数据转化为适合进行时序分析和预测的输入形式。这样可以更好地理解和研究道路交通的时序变化，为交通管理和规划提供支持。
接着，从所述多个道路段车流量时序输入向量提取多个道路段车流量时序特征向量，并基于所述多个道路段车流量时序特征向量之间的关联特征，生成所述道路的拥堵程度等级标签。接着，从所述多个道路段车流量时序输入向量提取用于反应各个道路段的车辆量的时序波动特征的所述多个道路段车流量时序特征向量，并基于所述多个道路段车流量时序特征向量之间的关联特征，来确定道路拥堵程度标签。
在一个具体的示例中，从所述多个道路段车流量时序输入向量提取多个道路段车流量时序特征向量的过程，包括：将所述多个道路段车流量时序输入向量分别通过基于一维卷积层的车流量时序特征提取器以得到所述多个道路段车流量时序特征向量。也就是，使用所述基于一维卷积层的车流量时序特征提取器对所述各个道路段车流量时序输入向量进行一维卷积编码以捕捉各个道路段车流量时序输入向量中的局部时序邻域内的关联模式特征信息以得到所述多个道路段车流量时序特征向量。
也就是，所述特征提取单元122，用于：将所述多个道路段车流量时序输入向量分别通过基于一维卷积层的车流量时序特征提取器以得到所述多个道路段车流量时序特征向量。
通过基于一维卷积层的车流量时序特征提取器，可以从多个道路段车流量时序输入向量中提取出有用的时序特征向量，时序特征向量可以用于进一步的时序分析和预测。其中，一维卷积层可以有效地捕捉到车流量时序数据中的时序模式和趋势，通过对每个道路段的车流量时序输入向量进行卷积操作，可以提取出表示车流量变化的关键特征。提取的时序特征向量可以用于时序分析和预测，基于时序特征向量，可以应用各种机器学习或深度学习算法进行交通流量的预测，帮助城市管理者做出更准确的交通规划和决策。
一维卷积层可以将高维的车流量时序数据降低为更低维的特征向量，这样可以减少数据的复杂性，提高计算效率，并且可以更好地表示道路段的车流量变化情况。通过一维卷积层提取的时序特征向量可以更好地表示道路段的车流量情况，这些特征向量可以包含有关车流量的趋势、周期性、异常等信息，有助于更准确地理解和分析道路交通状况。
基于一维卷积层的车流量时序特征提取器可以从多个道路段车流量时序输入向量中提取有用的时序特征向量，为城市交通管理提供有益的效果。
进一步地，所述拥堵程度判断单元123，包括：时序关联特征提取子单元，用于将所述多个道路段车流量时序特征向量通过基于RNN模型的道路间车流量时序关联特征提取器以得到道路段车流量间关联特征向量；以及，分类结果子单元，用于将所述道路段车流量间关联特征向量通过分类器以得到分类结果，所述分类结果用于表示道路的拥堵程度等级标签。
在本申请一个具体的示例中，基于所述多个道路段车流量时序特征向量之间的关联特征，生成所述道路的拥堵程度等级标签的过程，包括：首先将所述多个道路段车流量时序特征向量通过基于RNN模型的道路间车流量时序关联特征提取器以得到道路段车流量间关联特征向量。也就是，使用所述基于RNN模型的道路间车流量时序关联特征提取器对所述多个道路段车流量时序特征向量进行上下文语义关联编码以得到所述道路段车流量间关联特征向量。这里，在该应用场景中，本领域普通技术人员应知晓，各个道路段的车辆量之间并非孤立的而是相互影响的，因此，需要捕捉各个道路段的车流量特征之间的关联才能更好地反应道路全局拥堵状态。最终，将所述道路段车流量间关联特征向量通过分类器以得到分类结果，所述分类结果用于表示道路的拥堵程度等级标签。也就是，使用所述分类器来进行基于道路段车流量特征的多标签分类判断。
应可以理解，基于RNN(循环神经网络)模型的道路间车流量时序关联特征提取器可以从多个道路段车流量时序特征向量中提取道路段之间的关联特征向量。RNN模型能够捕捉到道路段车流量时序数据之间的时序依赖性，通过将多个道路段车流量时序特征向量输入到RNN模型中，模型可以学习到不同道路段之间的时序关系，包括相互影响、延迟效应等。
RNN模型可以通过记忆单元(如LSTM或GRU)来维持和更新历史信息，这使得模型能够利用过去的车流量数据来预测未来的道路段车流量情况，从而更好地反映道路段之间的关联性。RNN模型可以处理变长的序列数据，适用于不同长度的道路段车流量时序特征向量，这使得模型能够灵活地处理不同道路段的车流量数据，而无需对其进行固定长度的填充或截断。
基于RNN模型的道路间车流量时序关联特征提取器可以提取出道路段之间的关联特征向量。这些特征向量可以包含有关道路段之间交通流量变化的相关信息，有助于更好地理解和分析道路网络中的交通状况。基于RNN模型的道路间车流量时序关联特征提取器可以从多个道路段车流量时序特征向量中提取道路段之间的关联特征向量，为城市交通管理提供有益的效果。
进一步地，在本申请中，所述基于CIM的城市信息管理平台，还包括训练模块，用于对所述基于一维卷积层的车流量时序特征提取器、所述基于RNN模型的道路间车流量时序关联特征提取器和所述分类器进行训练。进一步地，训练模块是城市信息管理方案中的重要组成部分，用于对基于一维卷积层的车流量时序特征提取器、基于RNN模型的道路间车流量时序关联特征提取器和分类器进行训练。
训练模块的目标是通过大量的训练数据和适当的算法选择和调整，使得特征提取器和分类器能够准确地从交通数据中学习和预测道路拥堵等级。通过不断的训练和调优，可以提高模型的性能和准确度，从而为城市交通管理决策提供更有效的支持。
所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括多个道路段在预定时间段内多个预定时间点的训练车流量，以及，道路的拥堵程度等级标签的真实值；训练时序特征提取单元，用于使用所述基于一维卷积层的车流量时序特征提取器对所述各个道路段在预定时间段内多个预定时间点的训练车流量进行处理以得到多个训练道路段车流量时序特征向量；训练关联特征提取单元，用于将所述多个训练道路段车流量时序特征向量通过所述基于RNN模型的道路间车流量时序关联特征提取器以得到训练道路段车流量间关联特征向量；训练分类单元，用于将所述训练道路段车流量间关联特征向量通过分类器以得到分类损失函数值；训练级联单元，用于将所述多个训练道路段车流量时序特征向量进行级联以得到级联训练道路段车流量时序关联特征向量；相似性因数计算单元，用于计算所述级联训练道路段车流量时序关联特征向量和所述训练道路段车流量间关联特征向量之间的共有流形隐式相似性因数；以及，训练单元，用于以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述基于一维卷积层的车流量时序特征提取器、所述基于RNN模型的道路间车流量时序关联特征提取器和所述分类器进行训练。
在本申请的技术方案中，由于各个道路段的车流量在预定时间段内多个预定时间点的时序分布存在不一致，导致在通过基于一维卷积层的车流量时序特征提取器进行局部时序关联特征提取后，所述多个道路段车流量时序特征向量之间会存在由于源时序分布模态的差异导致的特征分布差异，使得其特征表示的高维特征流形的几何单调性差，影响基于RNN模型的道路间车流量时序关联特征提取的效果。
这里，本申请的申请人考虑到在RNN模型可以对所述多个道路段车流量时序特征向量各自的特征分布进行上下文关联的情况下，引入反馈机制来约束所述多个道路段车流量时序特征向量的特征分布之间的几何单调性，即，针对所述多个道路段车流量时序特征向量的级联特征向量，例如记为V1和所述道路段车流量间关联特征向量，例如记为V2，引入共有流形隐式相似性因数作为损失函数，具体表示为：以如下优化公式计算所述级联训练道路段车流量时序关联特征向量和所述训练道路段车流量间关联特征向量之间的共有流形隐式相似性因数作为损失函数；其中，所述优化公式为：
其中，||·||2表示向量的二范数，且表示矩阵的Frobenius范数的平方根，V1为所述级联训练道路段车流量时序关联特征向量，V2为所述训练道路段车流量间关联特征向量，所述级联训练道路段车流量时序关联特征向量和所述训练道路段车流量间关联特征向量均为列向量形式，V2 T为所述训练道路段车流量间关联特征向量的转置向量，/>为共有流形隐式相似性因数损失函数值，w1、w2、w3和α为权重超参数，/>表示向量乘法，⊙表示按位置点乘，/>表示按位置差分。
这里，所述共有流形隐式相似性因数可以以所述级联特征向量V1和所述道路段车流量间关联特征向量V2间的结构化关联来表示各自特征流形在交叉维度下的共有流形，并以相同因数化权重来共享所述级联特征向量V1和所述道路段车流量间关联特征向量V2的差异性、对应性、关联性等流形结构性因素的共同约束，从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量，以实现跨时序分布模态特征间的局部时序关联特征间的非线性几何单调性，提升RNN模型对于所述多个道路段车流量时序特征向量的上下文关联特征提取的效果，也就提高了所述道路段车流量间关联特征向量通过分类器得到的分类结果的准确性。
综上，基于本申请实施例的基于CIM的城市信息管理平台100被阐明，所述基于CIM的城市信息管理方案旨在利用CIM技术构建城市的三维数字模型，实现城市信息的集成、共享和可视化，提高城市规划、建设和管理的效率和水平。
在本申请的一个实施例中，图4为根据本申请实施例的基于CIM的城市信息管理方法的流程图。图5为根据本申请实施例的基于CIM的城市信息管理方法架构的示意图。如图4和图5所示，所述基于CIM的城市信息管理方法，包括：210，构建城市信息模型；以及，220，基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。
本领域技术人员可以理解，上述基于CIM的城市信息管理方法中的各个步骤的具体操作已经在上面参考图1到图3的基于CIM的城市信息管理平台的描述中得到了详细介绍，并因此，将省略其重复描述。
图6为根据本申请实施例的基于CIM的城市信息管理平台的应用场景图。如图6所示，在该应用场景中，首先，构建城市信息模型(例如，如图6中所示意的C)；然后，将获取的城市信息模型输入至部署有基于CIM的城市信息管理算法的服务器(例如，如图6中所示意的S)中，其中所述服务器能够基于CIM的城市信息管理算法对所述城市信息模型进行处理，以生成道路的拥堵程度等级标签。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于CIM的城市信息管理平台，其特征在于，包括：
模型构建模块，用于构建城市信息模型；以及
等级标签生成模块，用于基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。
2.根据权利要求1所述的基于CIM的城市信息管理平台，其特征在于，所述模型构建模块，包括：
数据采集单元，用于采集城市的各类空间数据，其中，所述类空间数据，包括地形、地物、地下管线、建筑物、交通设施和道路，以及与之相关的属性数据，所述属性数据包括用地性质、建筑功能和管线材质；
预处理单元，用于利用CIM软件对所述各类空间数据进行预处理以得到预处理后各类空间数据；
三维建模单元，用于利用所述CIM软件对所述预处理后各类空间数据进行三维建模以得到所述城市信息模型；以及
动态更新单元，用于利用所述CIM软件对所述城市信息模型进行动态更新。
3.根据权利要求2所述的基于CIM的城市信息管理平台，其特征在于，所述交通实时状态数据为多个道路段在预定时间段内多个预定时间点的车流量。
4.根据权利要求3所述的基于CIM的城市信息管理平台，其特征在于，所述等级标签生成模块，包括：
向量排列单元，用于将所述各个道路段在预定时间段内多个预定时间点的车流量分别按照时间维度排列为输入向量以得到多个道路段车流量时序输入向量；
特征提取单元，用于从所述多个道路段车流量时序输入向量提取多个道路段车流量时序特征向量；以及
拥堵程度判断单元，用于基于所述多个道路段车流量时序特征向量之间的关联特征，生成所述道路的拥堵程度等级标签。
5.根据权利要求4所述的基于CIM的城市信息管理平台，其特征在于，所述特征提取单元，用于：将所述多个道路段车流量时序输入向量分别通过基于一维卷积层的车流量时序特征提取器以得到所述多个道路段车流量时序特征向量。
6.根据权利要求5所述的基于CIM的城市信息管理平台，其特征在于，所述拥堵程度判断单元，包括：
时序关联特征提取子单元，用于将所述多个道路段车流量时序特征向量通过基于RNN模型的道路间车流量时序关联特征提取器以得到道路段车流量间关联特征向量；以及
分类结果子单元，用于将所述道路段车流量间关联特征向量通过分类器以得到分类结果，所述分类结果用于表示道路的拥堵程度等级标签。
7.根据权利要求6所述的基于CIM的城市信息管理平台，其特征在于，还包括训练模块，用于对所述基于一维卷积层的车流量时序特征提取器、所述基于RNN模型的道路间车流量时序关联特征提取器和所述分类器进行训练。
8.根据权利要求7所述的基于CIM的城市信息管理平台，其特征在于，所述训练模块，包括：
训练数据获取单元，用于获取训练数据，所述训练数据包括多个道路段在预定时间段内多个预定时间点的训练车流量，以及，道路的拥堵程度等级标签的真实值；
训练时序特征提取单元，用于使用所述基于一维卷积层的车流量时序特征提取器对所述各个道路段在预定时间段内多个预定时间点的训练车流量进行处理以得到多个训练道路段车流量时序特征向量；
训练关联特征提取单元，用于将所述多个训练道路段车流量时序特征向量通过所述基于RNN模型的道路间车流量时序关联特征提取器以得到训练道路段车流量间关联特征向量；
训练分类单元，用于将所述训练道路段车流量间关联特征向量通过分类器以得到分类损失函数值；
训练级联单元，用于将所述多个训练道路段车流量时序特征向量进行级联以得到级联训练道路段车流量时序关联特征向量；
相似性因数计算单元，用于计算所述级联训练道路段车流量时序关联特征向量和所述训练道路段车流量间关联特征向量之间的共有流形隐式相似性因数；以及
训练单元，用于以所述分类损失函数值和所述共有流形隐式相似性因数的加权和作为损失函数值，对所述基于一维卷积层的车流量时序特征提取器、所述基于RNN模型的道路间车流量时序关联特征提取器和所述分类器进行训练。
9.根据权利要求8所述的基于CIM的城市信息管理平台，其特征在于，所述相似性因数计算单元，包括：以如下优化公式计算所述级联训练道路段车流量时序关联特征向量和所述训练道路段车流量间关联特征向量之间的共有流形隐式相似性因数作为损失函数；
其中，所述优化公式为：
其中，||·||2表示向量的二范数，且表示矩阵的Frobenius范数的平方根，V1为所述级联训练道路段车流量时序关联特征向量，V2为所述训练道路段车流量间关联特征向量，所述级联训练道路段车流量时序关联特征向量和所述训练道路段车流量间关联特征向量均为列向量形式，V2 T为所述训练道路段车流量间关联特征向量的转置向量，/>为共有流形隐式相似性因数损失函数值，w1、w2、w3和α为权重超参数，/>表示向量乘法，⊙表示按位置点乘，/>表示按位置差分。
10.一种基于CIM的城市信息管理方法，其特征在于，包括：
构建城市信息模型；以及
基于所述城市信息模型提供的交通实时状态数据，生成道路的拥堵程度等级标签。
CN202310916848.8A 2023-07-25 2023-07-25 基于cim的城市信息管理平台及方法 Pending CN116959249A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310916848.8A CN116959249A (zh) 2023-07-25 2023-07-25 基于cim的城市信息管理平台及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310916848.8A CN116959249A (zh) 2023-07-25 2023-07-25 基于cim的城市信息管理平台及方法

Publications (1)

Publication Number Publication Date
CN116959249A true CN116959249A (zh) 2023-10-27

Family

ID=88452436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310916848.8A Pending CN116959249A (zh) 2023-07-25 2023-07-25 基于cim的城市信息管理平台及方法

Country Status (1)

Country Link
CN (1) CN116959249A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726081A (zh) * 2024-02-07 2024-03-19 深圳原世界科技有限公司 基于多模态ai大模型的cim智能决策方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726081A (zh) * 2024-02-07 2024-03-19 深圳原世界科技有限公司 基于多模态ai大模型的cim智能决策方法及系统
CN117726081B (zh) * 2024-02-07 2024-05-14 深圳原世界科技有限公司 基于多模态ai大模型的cim智能决策方法及系统

Similar Documents

Publication Publication Date Title
CN106981198B (zh) 用于旅行时间预测的深度学习网络模型及其建立方法
CN110443314A (zh) 基于机器学习的景区客流量预测方法及装置
CN110570651A (zh) 一种基于深度学习的路网交通态势预测方法及系统
CN105549557A (zh) 电厂实时动态3d水平衡监测系统及其工作方法
Clarke Why simulate cities?
Liao et al. Applying crowdsourcing techniques in urban planning: A bibliometric analysis of research and practice prospects
CN107656987A (zh) 一种基于lda模型的地铁站点功能挖掘方法
Xu et al. Integrating the empirical models of benchmark land price and GIS technology for sustainability analysis of urban residential development
CN102646164A (zh) 一种结合空间滤波的土地利用变化建模方法及其系统
CN102750732A (zh) 基于gis系统的土地资源利用变化动态预测模型及其使用方法
Xia et al. Exploring the effects of partitioned transition rules upon urban growth simulation in a megacity region: A comparative study of cellular automata-based models in the Greater Wuhan Area
CN108416524A (zh) 基于一张图通用框架的产业规划精细化解读方法
CN116959249A (zh) 基于cim的城市信息管理平台及方法
CN104732087A (zh) 基于gis的神经网络元胞自动机传染病传播模拟分析方法
Su et al. Digital twin and its potential applications in construction industry: State-of-art review and a conceptual framework
CN104299114A (zh) 一种基于数据库的地产信息分析系统
Do Amaral et al. Energy digital twin applications: a review
Khan et al. Metis–a tool to harmonize and analyze multi-sectoral data and linkages at variable spatial scales
Li et al. Combining physical approaches with deep learning techniques for urban building energy modeling: A comprehensive review and future research prospects
Sun et al. The land-use evolution and impact assessment model: A comprehensive urban planning support system
CN104598614A (zh) 一种基于地理语义的数据多比例尺模态扩散更新方法
Bansal Application areas of GIS in construction projects and future research directions
Ye et al. MvTS-library: An open library for deep multivariate time series forecasting
Ramalho et al. Towards an architecture for smart garbage collection in urban settings
KR101545998B1 (ko) 유출-수리모형 데이터 통합 관리 방법 및 그 시스템

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