CN117116051B - 基于人工智能的智慧交通管理系统及其方法 - Google Patents
基于人工智能的智慧交通管理系统及其方法 Download PDFInfo
- Publication number
- CN117116051B CN117116051B CN202311385922.4A CN202311385922A CN117116051B CN 117116051 B CN117116051 B CN 117116051B CN 202311385922 A CN202311385922 A CN 202311385922A CN 117116051 B CN117116051 B CN 117116051B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time sequence
- road section
- training
- feature
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 159
- 230000006698 induction Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 121
- 238000012549 training Methods 0.000 claims description 111
- 238000007726 management method Methods 0.000 claims description 86
- 239000013598 vector Substances 0.000 claims description 86
- 238000003062 neural network model Methods 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 239000000284 extract Substances 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000000547 structure data Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002075 inversion recovery Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/045—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
- 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
- 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
- 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
- G08G1/065—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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
公开了一种基于人工智能的智慧交通管理系统及其方法。其首先获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据,接着,基于所述车流量数据,提取所述交通管理区域内的车流量时序特征,然后,提取所述交通管理区域内多个路段间的路段连通拓扑特征,接着,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征,最后,基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示。这样,可以实现对分流诱导的时间点的智能选择。
Description
技术领域
本申请涉及智慧交通管理领域,且更为具体地,涉及一种基于人工智能的智慧交通管理系统及其方法。
背景技术
交通管理是指对交通流量和交通行为进行组织和控制,以实现交通安全、顺畅和高效的目标。它包括规划道路网络、设置交通信号灯、指示标志和标线、管理交通流量等方面。
分流诱导是交通管理中常用的一种策略,旨在减少交通拥堵和改善道路通行条件。通过将交通流量从拥堵的路段引导到其他道路或绕行路线上,分流诱导可以分散交通压力,减少拥堵情况。常见的分流诱导措施包括设置临时交通标志或交通管理人员进行交通疏导等。
虽然分流诱导可以有效缓解交通拥堵,但它需要大量的人力来实施。此外,由于交通拥堵的发生往往是突发性的,分流诱导的响应时间有时会有一定的滞后,即在拥堵发生后才能及时进行分流诱导。因此,在实施分流诱导时判断何时需要进行分流是一个重要的技术问题。选择合适的分流时间点可以避免不必要的人力和物力浪费,同时能够预防和减少交通拥堵。
发明内容
有鉴于此,本申请提出了一种基于人工智能的智慧交通管理系统及其方法,其可以利用交通管理区域内的车流量数据,并通过智能化算法来捕捉交通管理区域内各个路段之间的车流量关联关系,以实现对分流诱导的时间点的智能选择。
根据本申请的一方面,提供了一种基于人工智能的智慧交通管理方法,其包括:获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据;基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;提取所述交通管理区域内多个路段间的路段连通拓扑特征;融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征;以及基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示。
根据本申请的另一方面,提供了一种基于人工智能的智慧交通管理系统,其包括:车流量数据获取模块,用于获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据;时序特征提取模块,用于基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;拓扑特征提取模块,用于提取所述交通管理区域内多个路段间的路段连通拓扑特征;特征融合模块,用于融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征;以及分流诱导分析模块,用于基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示。
根据本申请的实施例,其首先获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据,接着,基于所述车流量数据,提取所述交通管理区域内的车流量时序特征,然后,提取所述交通管理区域内多个路段间的路段连通拓扑特征,接着,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征,最后,基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示。这样,可以实现对分流诱导的时间点的智能选择。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的基于人工智能的智慧交通管理方法的流程图。
图2示出根据本申请的实施例的基于人工智能的智慧交通管理方法的架构示意图。
图3示出根据本申请的实施例的基于人工智能的智慧交通管理方法的子步骤S120的流程图。
图4示出根据本申请的实施例的基于人工智能的智慧交通管理方法的子步骤S130的流程图。
图5示出根据本申请的实施例的基于人工智能的智慧交通管理方法的子步骤S140的流程图。
图6示出根据本申请的实施例的基于人工智能的智慧交通管理系统的框图。
图7示出根据本申请的实施例的基于人工智能的智慧交通管理方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思是利用交通管理区域内的车流量数据,并通过智能化算法来捕捉交通管理区域内各个路段之间的车流量关联关系,以实现对分流诱导的时间点的智能选择。
基于此,图1示出根据本申请的实施例的基于人工智能的智慧交通管理方法的流程图。图2示出根据本申请的实施例的基于人工智能的智慧交通管理方法的架构示意图。如图1和图2所示,根据本申请实施例的基于人工智能的智慧交通管理方法,包括步骤:S110,获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据;S120,基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;S130,提取所述交通管理区域内多个路段间的路段连通拓扑特征;S140,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征;以及,S150,基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示。
具体地,在本申请的技术方案中,首先获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据。考虑到在交通管理中,道路网络往往可以被表示为图结构,其中路段之间的关系和连接性对交通流动具有重要影响。传统的机器学习方法难以捕捉到图结构中节点之间的复杂关联关系,而图神经网络模型能够有效地处理这种图结构数据。因此,在本申请的技术方案中,期待利用图神经网络模型来捕捉路段之间的车流量关联关系和流通拓扑关系。
具体地,在本申请的技术方案中,首先基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;然后,提取所述交通管理区域内多个路段间的路段连通拓扑特征;接着,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征。
在本申请的一个具体示例中,基于所述车流量数据,提取所述交通管理区域内的车流量时序特征的编码过程,包括:先将所述各个路段在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为输入向量以得到多个路段车流量时序输入向量;再将所述多个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多个路段车流量时序特征向量。也就是,通过一维卷积编码来捕捉车流量时序特征分布。
相应地,如图3所示,基于所述车流量数据,提取所述交通管理区域内的车流量时序特征,包括:S121,将所述各个路段在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为输入向量以得到多个路段车流量时序输入向量;S122,将所述多个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多个路段车流量时序特征向量;以及,S123,将所述多个路段车流量时序特征向量作为所述车流量时序特征。应可以理解,在步骤S121中,首先需要确定预定时间段和预定时间点的范围,然后,对于每个路段,将该路段在每个预定时间点的车流量数据按照时间顺序排列,形成一个车流量时序输入向量。例如,如果预定时间段是一天,预定时间点是每小时,那么对于每个路段,将该路段每小时的车流量数据按照时间顺序排列,形成一个车流量时序输入向量。在步骤S122中,针对每个路段的车流量时序输入向量,使用基于一维卷积层的车流量时序特征提取器对其进行处理,一维卷积层可以捕捉到时序数据中的局部模式和趋势,通过对每个路段的车流量时序输入向量进行一维卷积操作,得到该路段的车流量时序特征向量。在步骤S123中,将每个路段的车流量时序特征向量作为整个交通管理区域内的车流量时序特征,这些特征向量可以包含了不同路段在预定时间段内多个预定时间点的车流量变化趋势和模式,用于进一步的分析和应用,例如交通流预测、拥堵检测等。
值得一提的是,一维卷积层是深度学习中常用的一种卷积神经网络(CNN)层,用于处理一维序列数据,它可以有效地捕捉到序列数据中的局部模式和趋势。一维卷积层的输入是一个一维的特征序列,例如时间序列、文本序列等。它通过滑动一个可学习的滤波器(也称为卷积核)来提取特征。滤波器的大小通常是固定的,它会在输入序列上进行滑动操作,并与序列中的每个位置进行点乘操作,然后将点乘结果相加,得到一个新的特征值。一维卷积层中的滤波器可以学习到不同位置的局部模式,因此能够捕捉到序列数据中的局部特征。通过在不同位置上滑动滤波器,一维卷积层可以提取出整个序列中的特征表示。同时,一维卷积层可以通过堆叠多个滤波器来提取不同的特征,从而增加网络的表达能力。在一维卷积层之后,通常可以使用激活函数(如ReLU)进行非线性变换,并可以通过池化层(如最大池化或平均池化)来减小特征的维度和空间大小,从而进一步提取更高级的特征表示。一维卷积层在许多序列数据相关的任务中都有广泛的应用,它能够从序列数据中提取有用的特征,并为后续的任务提供更好的输入表示。
在本申请的一个具体示例中,提取所述交通管理区域内多个路段间的路段连通拓扑特征的编码过程,包括:先构造所述多个路段之间的连通拓扑矩阵;再将所述连通拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到路段连通拓扑特征矩阵。也就是,通过卷积神经网络模型来构建拓扑特征提取器,来捕捉空间隐含连通拓扑特征分布。
相应地,如图4所示,提取所述交通管理区域内多个路段间的路段连通拓扑特征,包括:S131,构造所述多个路段之间的连通拓扑矩阵;S132,将所述连通拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到路段连通拓扑特征矩阵;以及,S133,将所述路段连通拓扑特征矩阵作为所述路段连通拓扑特征。应可以理解,在步骤S131中,需要根据交通管理区域内多个路段之间的连接关系构造一个连通拓扑矩阵,连通拓扑矩阵是一个表示路段之间连接关系的二维矩阵,其中的元素表示路段之间是否相连或具有某种连接权重,通过分析交通网络中的道路结构和路段之间的连接关系,可以构建出连通拓扑矩阵。在步骤S132中,将构造好的连通拓扑矩阵作为输入,使用基于卷积神经网络模型的拓扑特征提取器对其进行处理,拓扑特征提取器可以学习到路段之间的拓扑关系和连接模式,通过卷积神经网络的卷积操作和其他层的组合,可以从连通拓扑矩阵中提取出路段之间的拓扑特征。在步骤S133中,将经过拓扑特征提取器处理后得到的路段连通拓扑特征矩阵作为最终的路段连通拓扑特征,这个特征矩阵包含了路段之间的拓扑关系和连接模式的表示,可以用于进一步的分析和应用,如交通流预测、路径规划等。总体来说,这三个步骤的目的是构建和提取交通管理区域内多个路段之间的连通拓扑特征。通过这些特征,可以更好地理解路段之间的关系和连接模式,为交通管理和分析提供更全面的信息。
在本申请的一个具体示例中,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征的实现方式是将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵。其中,图神经网络模型能够考虑节点之间的连接关系,通过从相邻节点获取信息来更新当前节点的特征表示。在交通管理中,路段之间的连接性对于交通拥堵和分流诱导非常重要,使用图神经网络模型可以更好地捕捉到路段之间的相互作用和影响。此外,交通网络是动态变化的,交通流量和路况会随着时间和事件的变化而产生变化。图神经网络模型能够适应动态图结构,通过动态地更新节点的特征表示来反映实时的交通状态。
相应地,如图5所示,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征,包括:S141,将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵;以及,S142,将所述连通拓扑路段车流量全局时序特征矩阵作为所述连通拓扑路段车流量全局时序特征。应可以理解,在步骤S141中,将之前提取得到的多个路段车流量时序特征向量和路段连通拓扑特征矩阵作为输入,使用图神经网络模型对它们进行融合和处理,图神经网络是一种专门用于处理图结构数据的神经网络模型,它能够考虑节点之间的连接关系和拓扑结构,从而更好地捕捉到图数据中的特征。通过图神经网络模型的运算和学习,可以将路段车流量时序特征和路段连通拓扑特征进行有效的融合,得到连通拓扑路段车流量全局时序特征矩阵。这个特征矩阵包含了车流量时序特征和路段连通拓扑特征的综合表示,能够更全面地描述交通网络中路段之间的车流量变化和拓扑关系。在步骤S142中,将经过图神经网络模型处理后得到的连通拓扑路段车流量全局时序特征矩阵作为最终的连通拓扑路段车流量全局时序特征,这个特征矩阵综合考虑了车流量时序特征和路段连通拓扑特征的信息,能够更好地表示整个交通网络中路段之间的车流量变化和拓扑关系。通过这两个步骤,可以将车流量时序特征和路段连通拓扑特征进行融合,得到更全局、更综合的连通拓扑路段车流量全局时序特征,为后续的交通分析和应用提供更丰富的信息。
其中,在步骤S141中,将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵,包括:将所述多个路段车流量时序特征向量排列为路段车流量时序特征矩阵;以及,使用所述图神经网络模型以可学习的神经网络参数对所述路段车流量时序特征矩阵和所述路段连通拓扑特征矩阵进行处理以得到包含车流量时序特征和不规则的空间拓扑特征的所述连通拓扑路段车流量全局时序特征矩阵。
继而,将所述连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否生成分流诱导预警提示。相应地,基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示,包括:将所述连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否生成分流诱导预警提示。
也就是,在本申请的技术方案中,所述分类器的标签包括生成分流诱导预警提示(第一标签),以及,不生成分流诱导预警提示(第二标签),其中,所述分类器通过软最大值函数来确定所述连通拓扑路段车流量全局时序特征矩阵属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否生成分流诱导预警提示”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否生成分流诱导预警提示的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否生成分流诱导预警提示”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
相应地,在一种可能的实现方式中,将所述连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否生成分流诱导预警提示,包括:将所述连通拓扑路段车流量全局时序特征矩阵按照行向量或者列向量展开为分类特征向量;使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
进一步地,在本申请的技术方案中,所述的基于人工智能的智慧交通管理方法,其还包括训练步骤:对所述基于一维卷积层的车流量时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。应可以理解,训练步骤在基于人工智能的智慧交通管理方法中起着关键作用,它们的目的是通过数据的学习和模型的优化来提高系统的性能和准确度。在训练基于一维卷积层的车流量时序特征提取器的步骤中,使用训练数据集来训练一维卷积层的车流量时序特征提取器。通过输入车流量时序数据和对应的标签(例如交通状态),模型可以学习到车流量时序数据中的特征和模式。训练过程中,模型会根据损失函数的反馈逐步调整权重和参数,使得模型能够更准确地提取车流量时序特征。在训练基于卷积神经网络模型的拓扑特征提取器的步骤中,使用训练数据集来训练基于卷积神经网络模型的拓扑特征提取器。通过输入连通拓扑矩阵和对应的标签(例如路段属性),模型可以学习到路段之间的拓扑关系和连接模式。通过卷积神经网络的运算和学习,模型可以提取出路段之间的拓扑特征。训练过程中,模型会根据损失函数的反馈逐步调整权重和参数,使得模型能够更准确地提取拓扑特征。在训练图神经网络模型的步骤中,使用训练数据集来训练图神经网络模型。通过输入车流量时序特征和拓扑特征,模型可以学习到路段之间的交互关系和全局特征。图神经网络模型能够在图结构数据上进行有效的学习和推理。训练过程中,模型会根据损失函数的反馈逐步调整权重和参数,使得模型能够更准确地融合车流量时序特征和拓扑特征。在训练分类器的步骤中,使用训练数据集来训练分类器。分类器的作用是根据输入的特征向量或特征矩阵,将其分类到不同的类别或进行预测。在智慧交通管理中,分类器可以用于交通状态的分类、拥堵检测等任务。通过输入特征和对应的标签,模型可以学习到特征与标签之间的关系。训练过程中,模型会根据损失函数的反馈逐步调整权重和参数,使得模型能够更准确地进行分类和预测。通过训练步骤,模型可以从大量的数据中学习到特征和模式,并优化模型的参数和权重,从而提高系统的性能和准确度。训练是基于人工智能的智慧交通管理方法的关键环节之一,它能够使系统具备更好的分析和决策能力。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括交通管理区域内多个路段在预定时间段内多个预定时间点的训练车流量数据,以及,是否生成分流诱导预警提示的真实值;将所述各个路段在预定时间段内多个预定时间点的训练车流量数据分别按照时间维度排列为输入向量以得到多个训练路段车流量时序输入向量;将所述多个训练路段车流量时序输入向量分别通过所述基于一维卷积层的车流量时序特征提取器以得到多个训练路段车流量时序特征向量;构造所述多个路段之间的训练连通拓扑矩阵;将所述训练连通拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练路段连通拓扑特征矩阵;将所述多个训练路段车流量时序特征向量和所述训练路段连通拓扑特征矩阵通过所述图神经网络模型以得到训练连通拓扑路段车流量全局时序特征矩阵;对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到优化连通拓扑路段车流量全局时序特征矩阵;将所述优化连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于一维卷积层的车流量时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。
在本申请的技术方案中,每个训练路段车流量时序特征向量用于表达相应路段的训练车流量数据的时序关联特征,而将所述多个训练路段车流量时序特征向量和所述训练路段连通拓扑特征矩阵通过图神经网络模型后,就可以将各个路段的训练车流量数据的时序关联特征基于路段连通拓扑特征进行拓扑关联表示,从而使得所述训练连通拓扑路段车流量全局时序特征矩阵具有单样本空间内的时序参数特征表示在全样本空间内的局部空间-全局空间拓扑关联表示。
由此,将所述训练连通拓扑路段车流量全局时序特征矩阵通过分类器进行分类回归时,所述训练连通拓扑路段车流量全局时序特征矩阵的跨样本空间的多空间尺度时序关联特征表示也会由于的时序关联特征的空间拓扑关联表示的关联精度差异,影响所述训练连通拓扑路段车流量全局时序特征矩阵通过分类器训练时的训练效果,由此,本申请的申请人在训练过程中,对所述训练连通拓扑路段车流量全局时序特征矩阵展开后得到的训练连通拓扑路段车流量全局时序特征向量,例如记为进行基于维度表征和反演式恢复的特征精度对齐。
相应地,在一个具体示例中,对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到优化连通拓扑路段车流量全局时序特征矩阵,包括:以如下优化公式对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到所述优化连通拓扑路段车流量全局时序特征矩阵;其中,所述优化公式为:其中,/>是所述训练连通拓扑路段车流量全局时序特征矩阵展开后得到的训练连通拓扑路段车流量全局时序特征向量,/>是所述训练连通拓扑路段车流量全局时序特征向量/>的第/>个位置的特征值,/>表示所述训练连通拓扑路段车流量全局时序特征向量/>的零范数,/>是所述训练连通拓扑路段车流量全局时序特征向量/>的长度,且/>是权重超参数,/>是所述优化连通拓扑路段车流量全局时序特征矩阵展开后得到的优化连通拓扑路段车流量全局时序特征向量。
这里,针对基于空间拓扑维度的对于时序参数特征的高维特征空间编码与多空间尺度时序特征关联编辑之间的精度矛盾,所述基于维度表征和反演式恢复的特征精度对齐通过将多空间尺度时序特征关联编辑视为以时序参数特征分布的高维特征空间编码的反演式嵌入生成,来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡,并基于向量计数来进行关联细节的反演式恢复,以实现精度差异在训练过程中的自适应对齐,提升所述训练连通拓扑路段车流量全局时序特征矩阵通过分类器进行分类回归训练时的训练效果。
综上,基于本申请实施例的基于人工智能的智慧交通管理方法,其可以利用交通管理区域内的车流量数据,并通过智能化算法来捕捉交通管理区域内各个路段之间的车流量关联关系,以实现对分流诱导的时间点的智能选择。
图6示出根据本申请的实施例的基于人工智能的智慧交通管理系统100的框图。如图6所示,根据本申请实施例的基于人工智能的智慧交通管理系统100,包括:车流量数据获取模块110,用于获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据;时序特征提取模块120,用于基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;拓扑特征提取模块130,用于提取所述交通管理区域内多个路段间的路段连通拓扑特征;特征融合模块140,用于融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征;以及,分流诱导分析模块150,用于基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示。
在一种可能的实现方式中,所述时序特征提取模块120,包括:向量化单元,用于将所述各个路段在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为输入向量以得到多个路段车流量时序输入向量;一维卷积编码单元,用于将所述多个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多个路段车流量时序特征向量;以及,时序特征获取单元,用于将所述多个路段车流量时序特征向量作为所述车流量时序特征。
在一种可能的实现方式中,所述拓扑特征提取模块130,包括:拓扑矩阵构造单元,用于构造所述多个路段之间的连通拓扑矩阵;卷积编码单元,用于将所述连通拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到路段连通拓扑特征矩阵;以及,拓扑特征获取单元,用于将所述路段连通拓扑特征矩阵作为所述路段连通拓扑特征。
这里,本领域技术人员可以理解,上述基于人工智能的智慧交通管理系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的基于人工智能的智慧交通管理方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的基于人工智能的智慧交通管理系统100可以实现在各种无线终端中,例如具有基于人工智能的智慧交通管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于人工智能的智慧交通管理系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于人工智能的智慧交通管理系统100可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于人工智能的智慧交通管理系统100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于人工智能的智慧交通管理系统100与该无线终端也可以是分立的设备,并且该基于人工智能的智慧交通管理系统100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7示出根据本申请的实施例的基于人工智能的智慧交通管理方法的应用场景图。如图7所示,在该应用场景中,首先,获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据(例如,图7中所示意的D1),以及,所述交通管理区域内多个路段间的路段连通数据(例如,图7中所示意的D2),然后,将所述车流量数据和所述路段连通数据输入至部署有基于人工智能的智慧交通管理算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述基于人工智能的智慧交通管理算法对所述车流量数据和所述路段连通数据进行处理以得到用于表示是否生成分流诱导预警提示的分类结果。
附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (2)
1.一种基于人工智能的智慧交通管理方法,其特征在于,包括:
获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据;
基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;
提取所述交通管理区域内多个路段间的路段连通拓扑特征;
融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征;以及
基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示;
其中,基于所述车流量数据,提取所述交通管理区域内的车流量时序特征,包括:
将各个路段在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为输入向量以得到多个路段车流量时序输入向量;
将所述多个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多个路段车流量时序特征向量;以及
将所述多个路段车流量时序特征向量作为所述车流量时序特征;
其中,提取所述交通管理区域内多个路段间的路段连通拓扑特征,包括:
构造所述多个路段之间的连通拓扑矩阵;
将所述连通拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到路段连通拓扑特征矩阵;以及
将所述路段连通拓扑特征矩阵作为所述路段连通拓扑特征;
其中,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征,包括:
将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵;以及
将所述连通拓扑路段车流量全局时序特征矩阵作为所述连通拓扑路段车流量全局时序特征;
其中,将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵,包括:
将所述多个路段车流量时序特征向量排列为路段车流量时序特征矩阵;以及
使用所述图神经网络模型以可学习的神经网络参数对所述路段车流量时序特征矩阵和所述路段连通拓扑特征矩阵进行处理以得到包含车流量时序特征和不规则的空间拓扑特征的所述连通拓扑路段车流量全局时序特征矩阵;
其中,基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示,包括:
将所述连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否生成分流诱导预警提示;
其中,还包括训练步骤:对所述基于一维卷积层的车流量时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括交通管理区域内多个路段在预定时间段内多个预定时间点的训练车流量数据,以及,是否生成分流诱导预警提示的真实值;
将所述各个路段在预定时间段内多个预定时间点的训练车流量数据分别按照时间维度排列为输入向量以得到多个训练路段车流量时序输入向量;
将所述多个训练路段车流量时序输入向量分别通过所述基于一维卷积层的车流量时序特征提取器以得到多个训练路段车流量时序特征向量;
构造所述多个路段之间的训练连通拓扑矩阵;
将所述训练连通拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练路段连通拓扑特征矩阵;
将所述多个训练路段车流量时序特征向量和所述训练路段连通拓扑特征矩阵通过所述图神经网络模型以得到训练连通拓扑路段车流量全局时序特征矩阵;
对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到优化连通拓扑路段车流量全局时序特征矩阵;
将所述优化连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于一维卷积层的车流量时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
其中,对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到优化连通拓扑路段车流量全局时序特征矩阵,包括:以如下优化公式对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到所述优化连通拓扑路段车流量全局时序特征矩阵;其中,所述优化公式为:
其中,/>是所述训练连通拓扑路段车流量全局时序特征矩阵展开后得到的训练连通拓扑路段车流量全局时序特征向量,/>是所述训练连通拓扑路段车流量全局时序特征向量/>的第/>个位置的特征值,/>表示所述训练连通拓扑路段车流量全局时序特征向量/>的零范数,/>是所述训练连通拓扑路段车流量全局时序特征向量/>的长度,且/>是权重超参数,/>是所述优化连通拓扑路段车流量全局时序特征矩阵展开后得到的优化连通拓扑路段车流量全局时序特征向量。
2.一种基于人工智能的智慧交通管理系统,其特征在于,包括:
车流量数据获取模块,用于获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据;
时序特征提取模块,用于基于所述车流量数据,提取所述交通管理区域内的车流量时序特征;
拓扑特征提取模块,用于提取所述交通管理区域内多个路段间的路段连通拓扑特征;
特征融合模块,用于融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征;以及
分流诱导分析模块,用于基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示;
其中,所述时序特征提取模块,包括:
向量化单元,用于将各个路段在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为输入向量以得到多个路段车流量时序输入向量;
一维卷积编码单元,用于将所述多个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多个路段车流量时序特征向量;以及
时序特征获取单元,用于将所述多个路段车流量时序特征向量作为所述车流量时序特征;
其中,所述拓扑特征提取模块,包括:
拓扑矩阵构造单元,用于构造所述多个路段之间的连通拓扑矩阵;
卷积编码单元,用于将所述连通拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到路段连通拓扑特征矩阵;以及
拓扑特征获取单元,用于将所述路段连通拓扑特征矩阵作为所述路段连通拓扑特征;
其中,融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征,包括:
将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵;以及
将所述连通拓扑路段车流量全局时序特征矩阵作为所述连通拓扑路段车流量全局时序特征;
其中,将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵,包括:
将所述多个路段车流量时序特征向量排列为路段车流量时序特征矩阵;以及
使用所述图神经网络模型以可学习的神经网络参数对所述路段车流量时序特征矩阵和所述路段连通拓扑特征矩阵进行处理以得到包含车流量时序特征和不规则的空间拓扑特征的所述连通拓扑路段车流量全局时序特征矩阵;
其中,基于所述连通拓扑路段车流量全局时序特征,确定是否生成分流诱导预警提示,包括:
将所述连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否生成分流诱导预警提示;
其中,还包括训练步骤:对所述基于一维卷积层的车流量时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
其中,所述训练步骤,包括:
获取训练数据,所述训练数据包括交通管理区域内多个路段在预定时间段内多个预定时间点的训练车流量数据,以及,是否生成分流诱导预警提示的真实值;
将所述各个路段在预定时间段内多个预定时间点的训练车流量数据分别按照时间维度排列为输入向量以得到多个训练路段车流量时序输入向量;
将所述多个训练路段车流量时序输入向量分别通过所述基于一维卷积层的车流量时序特征提取器以得到多个训练路段车流量时序特征向量;
构造所述多个路段之间的训练连通拓扑矩阵;
将所述训练连通拓扑矩阵通过所述基于卷积神经网络模型的拓扑特征提取器以得到训练路段连通拓扑特征矩阵;
将所述多个训练路段车流量时序特征向量和所述训练路段连通拓扑特征矩阵通过所述图神经网络模型以得到训练连通拓扑路段车流量全局时序特征矩阵;对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到优化连通拓扑路段车流量全局时序特征矩阵;
将所述优化连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于一维卷积层的车流量时序特征提取器、所述基于卷积神经网络模型的拓扑特征提取器、所述图神经网络模型和所述分类器进行训练;
其中,对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到优化连通拓扑路段车流量全局时序特征矩阵,包括:以如下优化公式对所述训练连通拓扑路段车流量全局时序特征矩阵进行特征分布优化以得到所述优化连通拓扑路段车流量全局时序特征矩阵;其中,所述优化公式为:
其中,/>是所述训练连通拓扑路段车流量全局时序特征矩阵展开后得到的训练连通拓扑路段车流量全局时序特征向量,/>是所述训练连通拓扑路段车流量全局时序特征向量/>的第/>个位置的特征值,/>表示所述训练连通拓扑路段车流量全局时序特征向量/>的零范数,/>是所述训练连通拓扑路段车流量全局时序特征向量/>的长度,且/>是权重超参数,/>是所述优化连通拓扑路段车流量全局时序特征矩阵展开后得到的优化连通拓扑路段车流量全局时序特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385922.4A CN117116051B (zh) | 2023-10-25 | 2023-10-25 | 基于人工智能的智慧交通管理系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311385922.4A CN117116051B (zh) | 2023-10-25 | 2023-10-25 | 基于人工智能的智慧交通管理系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117116051A CN117116051A (zh) | 2023-11-24 |
CN117116051B true CN117116051B (zh) | 2023-12-22 |
Family
ID=88798813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311385922.4A Active CN117116051B (zh) | 2023-10-25 | 2023-10-25 | 基于人工智能的智慧交通管理系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117116051B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557967B (zh) * | 2024-01-11 | 2024-03-29 | 陕西开来机电设备制造有限公司 | 带式输送机安全保护智能管理系统 |
CN117892252A (zh) * | 2024-03-18 | 2024-04-16 | 浙江威星电子系统软件股份有限公司 | 基于大数据的智慧园区运营管理平台 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
WO2021058100A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multisensory learning system for traffic prediction |
CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
CN116029459A (zh) * | 2023-02-28 | 2023-04-28 | 速度时空信息科技股份有限公司 | 结合图傅里叶变换tmgcn交通流预测模型的提取方法 |
CN116258258A (zh) * | 2023-02-20 | 2023-06-13 | 内蒙古工业大学 | 一种多信息融合的时空图卷积交通流量预测方法 |
CN116311880A (zh) * | 2022-11-22 | 2023-06-23 | 湖北工业大学 | 基于局部-全局时空特征融合的交通流量预测方法及设备 |
CN116486622A (zh) * | 2023-04-19 | 2023-07-25 | 上海市政工程设计研究总院(集团)有限公司 | 基于道路数据的交通智能规划系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103700255B (zh) * | 2013-12-30 | 2015-10-07 | 复旦大学 | 一种基于时空关联数据挖掘的交通流预测方法 |
-
2023
- 2023-10-25 CN CN202311385922.4A patent/CN117116051B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020010717A1 (zh) * | 2018-07-13 | 2020-01-16 | 南京理工大学 | 一种基于时空相关性的短时交通流预测方法 |
WO2021058100A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multisensory learning system for traffic prediction |
CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
CN114724386A (zh) * | 2022-03-31 | 2022-07-08 | 温州大学 | 智慧交通下的短时交通流量预测方法、系统和电子设备 |
CN115376317A (zh) * | 2022-08-22 | 2022-11-22 | 重庆邮电大学 | 一种基于动态图卷积和时序卷积网络的交通流预测方法 |
CN116311880A (zh) * | 2022-11-22 | 2023-06-23 | 湖北工业大学 | 基于局部-全局时空特征融合的交通流量预测方法及设备 |
CN116258258A (zh) * | 2023-02-20 | 2023-06-13 | 内蒙古工业大学 | 一种多信息融合的时空图卷积交通流量预测方法 |
CN116029459A (zh) * | 2023-02-28 | 2023-04-28 | 速度时空信息科技股份有限公司 | 结合图傅里叶变换tmgcn交通流预测模型的提取方法 |
CN116486622A (zh) * | 2023-04-19 | 2023-07-25 | 上海市政工程设计研究总院(集团)有限公司 | 基于道路数据的交通智能规划系统及其方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络时空交通流预测的研究与应用;苏蓓;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(第02期);C034-1725 * |
Also Published As
Publication number | Publication date |
---|---|
CN117116051A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117116051B (zh) | 基于人工智能的智慧交通管理系统及其方法 | |
CN108229474B (zh) | 车牌识别方法、装置及电子设备 | |
CN107636691A (zh) | 用于识别图像中的文本的方法和设备 | |
CN104217216A (zh) | 生成检测模型的方法和设备、用于检测目标的方法和设备 | |
CN113362491A (zh) | 一种车辆轨迹预测及驾驶行为分析方法 | |
CN110619059A (zh) | 一种基于迁移学习的建筑物标定方法 | |
CN111626357B (zh) | 一种基于神经网络模型的图像识别方法 | |
CN112685504A (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
CN112990282B (zh) | 一种细粒度小样本图像的分类方法及装置 | |
CN113010683B (zh) | 基于改进图注意力网络的实体关系识别方法及系统 | |
CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
Rusek | The point nuisance method as a decision-support system based on Bayesian inference approach | |
CN117061322A (zh) | 物联网流量池管理方法及系统 | |
CN117237559A (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN116311880A (zh) | 基于局部-全局时空特征融合的交通流量预测方法及设备 | |
CN104598898A (zh) | 一种基于多任务拓扑学习的航拍图像快速识别系统及其快速识别方法 | |
CN117236520B (zh) | 一种分布式多无人机集群协同调度系统及其方法 | |
Patil | Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review | |
CN117765480A (zh) | 一种道路沿线野生动物迁徙预警方法及系统 | |
CN116767204B (zh) | 基于车辆载荷的车速控制方法及其系统 | |
CN109934352B (zh) | 智能模型的自动进化方法 | |
CN116257751A (zh) | 基于在线协作与特征融合的蒸馏方法与装置 | |
KR20190134380A (ko) | 합성곱 신경망에 대한 도메인 불변 사람 분류기를 위한 연관성 학습 시스템 및 방법 | |
Patel et al. | Machine learning based structure recognition in analog schematics for constraints generation | |
Priyono et al. | Application of LVQ neural network in real-time adaptive traffic signal control |
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 |