CN117854285B - 一种顾及城市水文和交通流特征的暴雨积水路段识别方法 - Google Patents
一种顾及城市水文和交通流特征的暴雨积水路段识别方法 Download PDFInfo
- Publication number
- CN117854285B CN117854285B CN202410262034.1A CN202410262034A CN117854285B CN 117854285 B CN117854285 B CN 117854285B CN 202410262034 A CN202410262034 A CN 202410262034A CN 117854285 B CN117854285 B CN 117854285B
- Authority
- CN
- China
- Prior art keywords
- data
- urban
- traffic
- road
- ponding
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000004044 response Effects 0.000 claims abstract description 140
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000013499 data model Methods 0.000 claims abstract description 43
- 238000009825 accumulation Methods 0.000 claims abstract description 40
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims description 50
- 230000032823 cell division Effects 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 23
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000005192 partition Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000004888 barrier function Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 9
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明提供一种顾及城市水文和交通流特征的暴雨积水路段识别方法,涉及积水道路检测技术领域,方法包括:通过目标城市的各项数据,确定积水时空数据集;根据地理和交通数据,确定汇水区并确定其为水文响应单元以及确定交通小区并确定其为交通响应单元;对路网数据提取路段对象,获得路段对象并进行标识属性赋值;根据各个响应单元和路段对象,构建层次化数据模型;根据层次化数据模型,对积水时空数据集进行属性筛选获得目标积水时空数据集;根据积水敏感路段评价模型,对目标积水时空数据集进行特征向量划分;将特征向量输入积水敏感路段动态检测器,确定积水敏感路段并绘制对应的积水敏感道路分布图。旨在提高积水敏感路段识别准确性和效率。
Description
技术领域
本发明涉及积水道路检测技术领域,尤其涉及一种顾及城市水文和交通流特征的暴雨积水路段识别方法。
背景技术
降雨对于城市道路交通的影响显著,特别是极端降雨常引发城市内涝,会造成城市交通中断、经济损失,甚至人员伤亡。当前,受全球气候变化影响,极端天气事件的频率和强度呈现上升趋势。另一方面,随着城市化快速发展,不透水面积逐步增大,进一步加大了短时强降雨中城市排水的压力。可以预见的是降雨及其引发的内涝对城市交通的危害将变得日益严重。因此,如何在降雨过程中捕捉道路交通异常并分析其演化过程,及时为应急部门提供辅助分析,对降低道路交通风险具有重要意义。
降雨对于城市道路影响的研究常见于降雨情景下道路交通暴露性研究。已有研究集中在降雨情景下城市整体道路交通流各项特征(如速度、通行能力等)的统计分析上,回答了降雨及其引发的内涝对整体路网造成了何种影响,而缺乏从空间差异性的角度对局部路段的研究。因此现有积水路段识别方法存在以下不足:(1)强调统计学方法,忽略地理学知识。现有方法常见于顾及轨迹、道路等数据情况,计算道路交通与天气的相关性,缺乏对地理学、水文学知识的综合运用。(2)时空数据模型较为简单。现有研究仅从道路几何形态出发,以路段交通为研究对象,未考虑城市交通和地理环境等复杂场景。从而使得最终获得的积水敏感路段识别结果的准确性偏低。
发明内容
有鉴于此,本发明提供一种顾及城市水文和交通流特征的暴雨积水路段识别方法。旨在提高积水敏感路段识别准确性和识别效率。
在本发明实施例的第一方面,提供了一种顾及城市水文和交通流特征的暴雨积水路段识别方法,所述方法包括:
通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集;
根据所述地理数据,确定各个城市汇水区,将所述各个城市汇水区确定为对应的各个城市水文响应单元,以及,根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元;
通过对所述交通数据中的路网数据进行城市路段对象提取,获得所述目标城市中的各个城市路段对象,并对所述各个城市路段对象进行标识属性赋值;
根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型;
根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集;
根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量;
将所述与城市路段对象对应的各个特征向量输入目标积水敏感路段动态检测器进行识别,输出所述目标城市中属于积水敏感路段的城市路段对象;
根据输出结果,绘制积水敏感道路空间分布图。
可选地,所述通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集,包括:
通过对所述交通数据中的浮动车轨迹数据进行数据清洗和空间过滤,获得目标浮动车轨迹数据;
通过对所述气象数据中的降雨数据进行数据清洗,获得第一降雨数据;
通过对所述第一降雨数据进行分组统计和空间插值,确定所述目标城市的目标降雨数据;
通过对所述地理数据中的土地利用数据进行独热编码,生成所述目标城市的土地利用类型特征值数据;
将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集。
可选地,所述将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集,包括:
将所述目标浮动车轨迹数据与所述交通数据中的路网数据进行匹配,获得具有交通特征的道路时序数据集,所述道路时序数据集中的数据为<speed,volume,time>三元组,所述speed表示平均行程速度,所述volume表示车流量,time表示统计时间段;
将所述目标降雨数据与所述交通数据中的路网数据进行匹配,获得所述目标城市中各个城市路段对象的降雨数据;
将所述土地利用类型特征值数据与所述交通数据中的路网数据进行匹配,获得所述目标城市中各个城市路段对象的土地利用类型特征值;
对所述地理数据中的DEM数据进行处理获得坡度数据,将所述坡度数据与所述交通数据中的所述路网数据进行匹配,获得所述目标城市中各个城市路段对象的坡度数据。
可选地,所述根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量,包括:
根据所述预设基于数据特征的积水敏感路段评价模型,将所述道路时序数据集中的各个数据确定为各个城市路段对象的交通敏感特征向量;
根据所述预设基于数据特征的积水敏感路段评价模型,将所述各个城市路段对象的降雨数据确定为各个城市路段对象的气象敏感特征向量;
根据所述预设基于数据特征的积水敏感路段评价模型,将所述各个城市路段对象的坡度数据和土地利用类型特征值确定为各个城市路段对象的地理敏感特征向量。
可选地,所述根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元,包括:
通过所述交通数据中的浮动车轨迹数据,确定所述目标城市的出行OD矩阵;
根据所述出行OD矩阵和所述地理数据中的土地利用数据,通过K-medoids分区聚类方法进行空间聚类分析,获得所述目标城市的城市交通小区划分结果;
将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
可选地,在将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元之前,所述方法还包括:
确定所述城市交通小区划分结果中是否存在双向道路位于两个不同城市交通小区;
在存在双向道路位于两个不同城市交通小区的情况下,将所述两个不同城市交通小区进行合并;
确定所述城市交通小区划分结果中是否存在被屏障分割的城市交通小区;
在存在被屏障分割的城市交通小区的情况下,基于所述屏障将所述被屏障分割的城市交通小区划分为多个城市交通小区;
确定所述城市交通小区划分结果中是否存在包括多个交通站点的城市交通小区;
在存在包括多个交通站点的城市交通小区的情况下,通过K-medoids分区聚类方法对所述包括多个交通站点的城市交通小区进行空间聚类分析,获得多个城市交通小区;
确定所述城市交通小区划分结果中是否存在面积低于设定阈值的城市交通小区;
在存在面积低于设定阈值的城市交通小区的情况下,将所述面积低于设定阈值的城市交通小区与相邻城市交通小区进行合并;
所述将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元,包括:将经过修正处理后的所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
可选地,所述目标积水敏感路段动态检测器的训练,包括:
将所述与城市路段对象对应的各个特征向量按照设定比例划分为训练集和测试集;
根据调试目标,对初始积水敏感路段动态检测器的随机森林参数进行调试,获得第一积水敏感路段动态检测器;
通过所述训练集对所述第一积水敏感路段动态检测器进行训练;
通过所述测试集对经过训练的所述第一积水敏感路段动态检测器进行测试,获得测试结果;
在测试结果符合设定条件的情况下,将所述第一积水敏感路段动态检测器确定为目标积水敏感路段动态检测器。
可选地,根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型,包括:
将所述各个城市水文响应单元与地理数据中的行政区划数据进行空间叠加,获得各个第一响应单元数据;
将所述第一响应单元数据与所述各个城市交通响应单元进行空间叠加,获得各个城市水文交通响应单元;
根据所述各个城市水文交通响应单元和所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型。
可选地,所述根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集,包括:
根据所述城市敏感型积水监测的层次化数据模型中的城市水文交通响应单元,通过城市路段对象的降雨数据对所述多源道路积水时空数据集进行属性筛选,从所述城市水文交通响应单元中确定存在降雨的城市水文响应单元;
根据所述城市敏感型积水监测的层次化数据模型中的城市水文响应单元,通过所述道路时序数据集中的speed字段对所述存在降雨的城市水文响应单元进行属性筛选,从所述存在降雨的城市水文响应单元中确定存在通行异常的城市交通响应单元;
通过空间查询,获取到从所述存在降雨的城市水文响应单元中确定存在通行异常的城市交通响应单元对应的目标多源道路积水时空数据集。
针对在先技术,本发明具备如下优点:
本发明实施例提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法。通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集;根据所述地理数据,确定各个城市汇水区,将所述各个城市汇水区确定为对应的各个城市水文响应单元,以及,根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元;通过对所述交通数据中的路网数据进行城市路段对象提取,获得所述目标城市中的各个城市路段对象,并对所述各个城市路段对象进行标识属性赋值;根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型;根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集,也就是先过滤掉一部分可以确定不会存在积水敏感路段的数据,从而提高后续通过目标积水敏感路段动态检测器进行积水敏感路段的识别效率;根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量;将所述与城市路段对象对应的各个特征向量输入目标积水敏感路段动态检测器进行识别,输出所述目标城市中属于积水敏感路段的城市路段对象;根据输出结果,绘制积水敏感道路空间分布图。本发明面向城市暴雨场景,通过融合水文特征和交通特征,提出新型的城市敏感型积水监测的层次化数据模型,并综合多要素的目标积水敏感路段动态检测器实现积水敏感路段的发现,由此可有效提高积水敏感路段识别准确性和识别效率。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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。
图1为本发明实施例提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法的流程图;
图2为本发明实施例提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法中的城市敏感型积水监测的层次化数据模型的结构示意图;
图3为本发明实施例提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法中的基于数据特征的积水敏感路段评价模型的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。
图1为本发明实施例提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法的流程图,如图1所示,该方法包括:
步骤S101:通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集;
步骤S102:根据所述地理数据,确定各个城市汇水区,将所述各个城市汇水区确定为对应的各个城市水文响应单元,以及,根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元;
步骤S103:通过对所述交通数据中的路网数据进行城市路段对象提取,获得所述目标城市中的各个城市路段对象,并对所述各个城市路段对象进行标识属性赋值;
步骤S104:根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型;
步骤S105:根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集;
步骤S106:根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量;
步骤S107:将所述与城市路段对象对应的各个特征向量输入目标积水敏感路段动态检测器进行识别,输出所述目标城市中属于积水敏感路段的城市路段对象;
步骤S108:根据输出结果,绘制积水敏感道路空间分布图。
在本发明中,所述通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集,包括:通过对所述交通数据中的浮动车轨迹数据进行数据清洗和空间过滤,获得目标浮动车轨迹数据;通过对所述气象数据中的降雨数据进行数据清洗,获得第一降雨数据;通过对所述第一降雨数据进行分组统计和空间插值,确定所述目标城市的目标降雨数据;通过对所述地理数据中的土地利用数据进行独热编码,生成所述目标城市的土地利用类型特征值数据;将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集。
在本发明的实施例中,目标城市表征的是需要进行积水敏感路段监测的城市,获取的目标城市的交通数据包括目标城市的路网数据和目标城市的浮动车轨迹数据,获取的目标城市的气象数据为目标城市的降雨数据,获取的目标城市的地理数据包括行政区划数据、土地利用数据、DEM(Digital Elevation Model)数据、水系数据和城市POI(Point ofInterest)数据。本发明中的步骤S101的一种实施方式为:由于浮动车轨迹数据受传感器噪声、GPS设备精度低、信号传输受阻等因素影响,浮动车轨迹数据中将包含大量噪声数据、重复数据和错误数据。因此,本发明先对目标城市的交通数据中的浮动车轨迹数据进行数据清洗和空间过滤,通过数据清洗,清洗掉该浮动车轨迹数据中的重复数据、无效数据和异常数据,并通过空间过滤去除该浮动车轨迹数据中不属于目标城市的数据,由此获得不存在重复数据、无效数据和异常数据,同时只涉及到目标城市的目标浮动车轨迹数据。由于城市的降雨数据中也涉及到一些异常数据,例如在降雨数据时间序列数据中,突然出现一个极大的异常值,或者对于某一个降雨监测站点,每天都存在一个大于或小于0的雨量值,可以确定这是由于仪器误差造成的。因此,本发明先对目标城市的降雨数据进行数据清洗,过滤掉其中的异常数据,由此获得目标城市的第一降雨数据。由于在对城市进行降雨监测时,只会在城市中分布的各个监测站检测到各个监测站的降雨数据,而本发明需要用到的为整个目标城市范围内的降雨数据。因此,本发明在获得目标城市的第一降雨数据后,对该第一降雨数据先进行分组统计,按照降雨监测站点和监测时间对降雨数据进行分组统计,统计获得各个降雨监测站点的小时降雨量平均值。然后在得到目标城市的各个降雨监测站点的小时降雨量平均值后,通过空间插值,确定到目标城市的整个范围内的降雨数据,也就是目标城市的目标降雨数据。例如,通过空间插值确定目标城市的整个范围内的降雨数据的过程中,越靠近一个降雨监测点的位置,该位置的小时降雨量越接近于该一个降雨监测点的对应小时降雨量平均值,如降雨监测点在时间段A内的小时降雨量平均值为100mm,通过空间插值确定到与该降雨监测点最接近的点a在时间段A内的小时降雨量为95mm。
在本发明的实施例中,在一次积水敏感路段识别过程中,所用到的与时间相关的各种数据为同一时间段内的数据。例如在一次积水敏感路段识别过程中所用到的浮动车轨迹数据为在时间段A内的数据,则在该一次积水敏感路段识别过程中,所用到的对应的降雨数据也为在时间段A内的数据。
在本发明的实施例中,通过对目标城市的地理数据中的土地利用数据进行独热编码(One-Hot 编码),获得目标城市的各个区域的土地利用类型特征值数据,如将土地利用类型为耕地编码为0,将土地利用类型为林地编码为1。由此,获得目标城市各个区域的土地类型特征值数据。
然后将获得的上述目标城市的目标浮动车轨迹数据、目标降雨数据、土地利用类型特征值数据和地理数据中的DEM数据与目标城市的交通数据中的路网数据进行匹配,获得与目标城市中的城市路段对象相对应的各种数据,该获得的与目标城市中的城市路段对象相对应的各种数据构成目标城市的多源道路积水时空数据集。
在本发明中,所述将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集,包括:将所述目标浮动车轨迹数据与所述交通数据中的路网数据进行匹配,获得具有交通特征的道路时序数据集,所述道路时序数据集中的数据为<speed,volume,time>三元组,所述speed表示平均行程速度,所述volume表示车流量,time表示统计时间段;将所述目标降雨数据与所述交通数据中的路网数据进行匹配,获得所述目标城市中各个城市路段对象的降雨数据;将所述土地利用类型特征值数据与所述交通数据中的路网数据进行匹配,获得所述目标城市中各个城市路段对象的土地利用类型特征值;对所述地理数据中的DEM数据进行处理获得坡度数据,将所述坡度数据与所述交通数据中的所述路网数据进行匹配,获得所述目标城市中各个城市路段对象的坡度数据。
在本发明的实施例中,所述将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集的一种实施方式为:将目标城市的目标浮动车轨迹数据与目标城市的交通数据中的路网数据进行地图匹配,获得具有交通特征的道路时序数据集,其中,道路时序数据集中的单个数据是具有交通特征的单个城市路段对象的数据,以三元组<speed,volume,time>表示,其中speed表示对应城市路段对象在time统计时间段内的平均行程速度,volume表示对应城市路段对象在time统计时间段内的车流量,time表示对应城市路段对象的统计时间段。
在本发明的实施例中,一个城市路段对象对应的一个三元组<speed,volume,time>中的speed的计算公式为:,其中,/>表示时段/>内路段/>的平均行程速度,也就是时段/>内路段/>的speed,时段k在三元组中以time表示;/>表示时段/>内第/>辆车在路段/>上行驶的距离;/>表示时段/>内第/>辆车通过路段/>的行程时间;/>表示观测时段k内通过路段j的车辆数。
在本发明的实施例中,一个城市路段对象对应的一个三元组<speed,volume,time>中的volume的计算公式为:,其中,/>表示对应时段道路的车流量,如时段t、时段k;/>表示对应时段道路的车辆总数,如时段t、时段k;/>表示观测时段k对应的时长,在同一个三元组内,m与k对应,此时m表示该同一个三元组中的观测时段k对应的时长,在三元组中k以time表示。
将得到的目标城市的目标降雨数据与目标城市的交通数据中的路网数据进行匹配,获得目标城市中各个城市路段对象各自对应的降雨量,也就是目标城市中各个城市路段对象的降雨数据。
将获得的目标城市的各个区域的土地利用类型特征值数据与目标城市的交通数据中的路网数据进行匹配,获得目标城市中各个城市路段对象各自对应的土地利用类型特征值。
将目标城市的土地利用类型特征值数据与目标城市的交通数据中的路网数据进行匹配,获得目标城市中各个城市路段对象各自的土地利用类型特征值;
对目标城市的地理数据中的DEM数据进行计算获得坡度数据,将获得的坡度数据与目标城市的交通数据中的路网数据进行匹配计算,以计算获得目标城市中各个城市路段对象各自的坡度数据。
在本发明的实施例中,坡度的计算公式为:,其中,/>表示城市路段对象i的坡度,/>表示城市路段对象/>在水平方向上的增量,/>代表表示/>在垂直方向上的增量。
在本发明的实施例中,目标城市的多元道路积水时空数据集中包括目标城市中具有交通特征的道路时序数据集,该道路时序数据集中的各个数据是与城市路段对象相关的在对应统计时间段内的城市路段对象的平均行程速度和车流量,以及包括目标城市中各个城市路段对象的降雨数据,以及包括目标城市中各个城市路段对象的土地利用类型特征值,以及包括目标城市中各个城市路段对象的坡度数据。在多元道路积水时空数据集中,一个城市路段对象将包括道路时序数据集中的三元组数据、降雨数据、土地利用类型特征值和坡度数据。
在本发明的实施例中,通过使用ArcGIS(Arc Geographic Information System)软件的水文分析工具对目标城市的地理数据中的DEM数据、行政区划数据和水系数据进行分析处理,获得目标城市的城市汇水区划分结果,将划分获得的各个城市汇水区确定为对应的各个城市水文响应单元,用于后续的积水敏感路段的识别,一个城市汇水区对应一个城市水文响应单元。其中,所述城市汇水区指地表径流或其他物质汇聚到一个共同的出水口的过程中所流经的地表区域,它是一个封闭的区域。简单来说就是城市中存在洼地,海拔比较低的地方,在这些地方的降雨容易导致区域性积水,且具有同一个出水口,这就叫做汇水区。
同时,通过对目标城市的地理数据中的行政区划数据、土地利用数据、POI数据和交通数据中的路网数据和浮动车轨迹数据进行分析处理,获得目标城市的城市交通小区划分结果,将划分获得的各个城市交通小区确定为对应的各个城市交通响应单元,用于后续的积水敏感路段的识别,一个城市交通小区对应一个城市交通响应单元。其中,所述城市交通小区是具有交通相似性和关联度的节点的集合,是结合交通分析和交通需求预测模型的需要将研究区域划分成的若干地理单元,是分析居民、车辆出行及分布的最小空间单元。其中,目标城市中的各个城市交通响应单元由目标城市中的各个城市路段对象构成,也就是一个城市交通响应单元的边界线为各个城市路段对象。
在本发明的实施例中,通过对目标城市的交通数据中的路网数据进行城市路段对象提取,获得目标城市中的各个城市路段对象,并对提取到的各个城市路段对象进行标识属性赋值。
示例地,提取到目标城市中的多个城市路段对象,包括第1大道a段,第1大道b段,第1大道c段,第2街a段,第2街b段。对第1大道a段赋值为01,以01表示第1大道a段;对第1大道b段赋值为02,以02表示第1大道b段;对第1大道c段赋值为03,以03表示第1大道c段;对第2街a段赋值为04,以04表示第2街a段;对第2街b段赋值为05,以05表示第2街b段。
根据获得的目标城市的各个城市水文响应单元、各个城市交通响应单元和各个城市路段对象,构建目标城市的城市敏感型积水监测的层次化数据模型,如图2所示,图2示出了城市敏感型积水监测的层次化数据模型的结构。目标城市的城市敏感型积水监测的层次化数据模型记录了目标城市的以城市水文响应单元划分的结果,以及更加细致化的记录了目标城市的以城市交通响应单元的划分结果,以及记录了目标城市的各个城市路段对象。
在本发明的实施例中,根据目标城市的城市敏感型积水监测的层次化数据模型,首先基于目标城市的多源道路积水时空数据集筛选出存在降雨的各个城市水文响应单元。然后更进一步地基于目标城市的多源道路积水时空数据集,在选出的各个城市水文响应单元中进一步筛选出存在通行异常的各个城市交通响应单元。最后基于筛选出的各个城市交通响应单元,确定该各个城市交通响应单元所涉及的各个城市路段对象,将目标城市的多源道路积水时空数据集中与该各个城市路段对象相关的数据提取出来,构成目标多源道路积水时空数据集。
在本发明的实施例中,本发明预先构建基于数据特征的积水敏感路段评价模型。基于预先构建的基于数据特征的积水敏感路段评价模型,将多源道路积水时空数据集中的数据划分为三种类型的指标数据,从该三个方面对积水敏感路段进行识别。该三种类型的指标数据包括气象敏感指标数据、交通敏感指标数据和地理敏感指标数据。其中,气象敏感指标数据包括降雨数据,该降雨数据表征的是城市路段对象的小时降雨量(mm/h);交通敏感指数据包括道路交通特征三元组<speed,volume,time>,其中speed表示对应城市路段对象的速度(km/h),volume表示对应城市路段对象的流量(辆/h),time表示对应三元组中的城市路段对象进行速度和流量计算的统计时间段;地理敏感指标数据包括坡度数据和土地利用类型数据,该坡度数据表征的是各个城市路段对象的坡度,该土地利用类型数据表征的是各个城市路段对象的土地利用类型特征值。将三种类型的指标数据划分为三种特征向量,由此对于一个城市路段对象的三种类型的指标数据将获得对应的三种特征向量。
在本发明中,所述根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量,包括:根据所述预设基于数据特征的积水敏感路段评价模型,将所述道路时序数据集中的各个数据确定为各个城市路段对象的交通敏感特征向量;根据所述预设基于数据特征的积水敏感路段评价模型,将所述各个城市路段对象的降雨数据确定为各个城市路段对象的气象敏感特征向量;根据所述预设基于数据特征的积水敏感路段评价模型,将所述各个城市路段对象的坡度数据和土地利用类型特征值确定为各个城市路段对象的地理敏感特征向量。
在本发明的实施例中,根据预设的基于数据特征的积水敏感路段评价模型中对目标多源道路积水时空数据集中的数据分类规则,对目标多源道路积水时空数据集中的数据进行特征向量的划分。具体地,根据预设的基于数据特征的积水敏感路段评价模型,将目标城市中的道路时序数据集中的各个数据确定为对应城市路段对象的交通敏感特征向量,也就是道路时序数据集中的任意一个三元组数据将被确定为该任意一个三元组数据所对应的城市路段对象在对应时间段的交通敏感特征向量。根据预设的基于数据特征的积水敏感路段评价模型,将各个城市路段对象的降雨数据中的任意一个城市路段的降雨数据确定为该任意一个城市路段对象在对应时间段的气象敏感特征向量。根据预设的基于数据特征的积水敏感路段评价模型,将各个城市路段对象的坡度数据和土地利用类型特征值中的任意一个城市路段对象的坡度数据和土地利用类型特征值确定为该任意一个城市路段对象的地理敏感特征向量。应当理解的是交通敏感特征向量和气象敏感特征向量是与时间相关的特征向量,而地理敏感特征向量与时间无关。由此,在进行目标多源道路积水时空数据集向特征向量的转化后,任意一个城市路段对象在一个特定时间段内将具有对应的三种类型的特征向量,分别为交通敏感特征向量、气象敏感特征向量和地理敏感特征向量。如图3所示,图3示出了基于数据特征的积水敏感路段评价模型的示意图,基于数据特征的积水敏感路段评价模型包括一级评价指标,分别为气象敏感指标、交通敏感指数据和地理敏感指标,一级评价指标下属的二级评价指标包括气象敏感指标下属的城市路段对象的小时降雨量、交通敏感指标下属的城市路段对象的道路交通特征三元组<speed,volume,time>,其中speed表示对应城市路段对象的速度(km/h),volume表示对应城市路段对象的流量(辆/h),time表示对应三元组中的城市路段对象进行速度和流量计算的统计时间段、地理敏感指标下属的城市路段对象的路段坡度和土地利用类型。
在本发明的实施例中,通过将基于目标多源道路积水时空数据集确定的各个城市路段对象的各个特征向量输入训练好的目标积水敏感路段动态检测器进行识别,将获得目标城市中属于积水敏感路段的城市路段对象。根据输出的目标城市中属于积水敏感路段的城市路段对象的结果,绘制出目标城市的积水敏感道路空间分布图。
本发明实施例提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法。通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集;根据所述地理数据,确定各个城市汇水区,将所述各个城市汇水区确定为对应的各个城市水文响应单元,以及,根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元;通过对所述交通数据中的路网数据进行城市路段对象提取,获得所述目标城市中的各个城市路段对象,并对所述各个城市路段对象进行标识属性赋值;根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型;根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集,也就是先过滤掉一部分可以确定不会存在积水敏感路段的数据,从而提高后续通过目标积水敏感路段动态检测器进行积水敏感路段的识别效率;根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量;将所述与城市路段对象对应的各个特征向量输入目标积水敏感路段动态检测器进行识别,输出所述目标城市中属于积水敏感路段的城市路段对象;根据输出结果,绘制积水敏感道路空间分布图。本发明面向城市暴雨场景,通过融合水文特征和交通特征,提出新型的城市敏感型积水监测的层次化数据模型,并综合多要素的目标积水敏感路段动态检测器实现积水敏感路段的发现,由此可有效提高积水敏感路段识别准确性和识别效率。
在本发明中,所述根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元,包括:通过所述交通数据中的浮动车轨迹数据,确定所述目标城市的出行OD矩阵;根据所述出行OD矩阵和所述地理数据中的土地利用数据,通过K-medoids分区聚类方法进行空间聚类分析,获得所述目标城市的城市交通小区划分结果;将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
在本发明的实施例中,根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元的一种实施方式为:通过目标城市中的浮动车轨迹数据获取到目标城市中的出行OD矩阵。根据获得的目标城市的出行OD矩阵和目标城市的土地利用数据,通过K-medoids分区聚类方法对目标城市进行空间聚类分析,获得目标城市的城市交通小区划分结果。将获得的目标城市的城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
在本发明的实施例中,K-Medoids聚类算法的代价函数为:,其中,/>表示空间中的点,是具有OD信息和土地利用类型信息的点,即为给定对象,/>代表簇/>的中心点,/>则表示第/>次迭代时多源道路积水时空数据集中的土地利用数据和由浮动车轨迹数据提取的出行OD矩阵所构成的数据对象的离差平方和。首先通过浮动车轨迹数据获取到目标城市的出行OD矩阵,OD就是出行的起点和终点,是带有空间坐标的点位,将出行OD矩阵数据与土地利用数据进行叠加,可得到各个OD点位对应的土地利用类型信息,也就是p。
在本发明的实施例中,在将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元之前,所述方法还包括:确定所述城市交通小区划分结果中是否存在双向道路位于两个不同城市交通小区;在存在双向道路位于两个不同城市交通小区的情况下,将所述两个不同城市交通小区进行合并;确定所述城市交通小区划分结果中是否存在被屏障分割的城市交通小区;在存在被屏障分割的城市交通小区的情况下,基于所述屏障将所述被屏障分割的城市交通小区划分为多个城市交通小区;确定所述城市交通小区划分结果中是否存在包括多个交通站点的城市交通小区;在存在包括多个交通站点的城市交通小区的情况下,通过K-medoids分区聚类方法对所述包括多个交通站点的城市交通小区进行空间聚类分析,获得多个城市交通小区;确定所述城市交通小区划分结果中是否存在面积低于设定阈值的城市交通小区;在存在面积低于设定阈值的城市交通小区的情况下,将所述面积低于设定阈值的城市交通小区与相邻城市交通小区进行合并;所述将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元,包括:将经过修正处理后的所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
在本发明中,在将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元之前,所述方法还包括:确定所述城市交通小区划分结果中是否存在双向道路位于两个不同城市交通小区;在存在双向道路位于两个不同城市交通小区的情况下,将所述两个不同城市交通小区进行合并;确定所述城市交通小区划分结果中是否存在被屏障分割的城市交通小区;在存在被屏障分割的城市交通小区的情况下,基于所述屏障将所述被屏障分割的城市交通小区划分为多个城市交通小区;确定所述城市交通小区划分结果中是否存在包括多个交通站点的城市交通小区;在存在包括多个交通站点的城市交通小区的情况下,通过K-medoids分区聚类方法对所述包括多个交通站点的城市交通小区进行空间聚类分析,获得多个城市交通小区;确定所述城市交通小区划分结果中是否存在面积低于设定阈值的城市交通小区;在存在面积低于设定阈值的城市交通小区的情况下,将所述面积低于设定阈值的城市交通小区与相邻城市交通小区进行合并;所述将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元,包括:将经过修正处理后的所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
在本发明的实施例中,为避免通过K-medoids分区聚类方法进行聚类分析获得目标城市的城市交通小区划分结果不够准确,本发明在通过K-medoids分区聚类方法进行聚类分析获得目标城市的城市交通小区划分结果后,进一步对划分结果进行修正。具体地:确定获得的目标城市的城市交通小区划分结果中是否存在双向道路位于两个不同城市交通小区,在该城市交通小区划分结果中存在双向道路位于两个不同城市交通小区的情况下,将该两个不同城市交通小区合并为一个城市交通小区。同时,确定获得的目标城市的城市交通小区划分结果中是否存在被屏障分割的城市交通小区,在该城市交通小区划分结果中存在被屏障分割的城市交通小区的情况下,以该屏障为分界线将被该屏障分割的城市交通小区划分为多个城市交通小区,其中,所述屏障至少包括河道、铁路、山林、城墙和道路。同时,确定获得的目标城市的城市交通小区划分结果中是否存在包括多个交通站点的城市交通小区,在该城市交通小区划分结果中存在包括多个交通站点的城市交通小区的情况下,针对该包括多个交通站点的城市交通小区,通过K-medoids分区聚类方法对该包括多个交通站点的城市交通小区进一步进行空间聚类分析,获得多个城市交通小区划分结果,其中,所述交通站点至少包括客运站点、轨道站点、高速公路出入口。同时,确定获得的目标城市的城市交通小区划分结果中是否存在面积低于设定阈值的城市交通小区,在该城市交通小区划分结果中存在面积低于设定阈值的城市交通小区的情况下,将该面积低于设定阈值的城市交通小区与相邻的城市交通小区进行合并,其中,所述设定阈值优选为1平方千米。
在对获得的城市交通小区划分结果进行上述的修正,直至最终获得的城市交通小区划分结果中不再存在上述需要进行修正的情况时,将最终获得的城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
在本发明中,所述目标积水敏感路段动态检测器的训练,包括:将所述与城市路段对象对应的各个特征向量按照设定比例划分为训练集和测试集;根据调试目标,对初始积水敏感路段动态检测器的随机森林参数进行调试,获得第一积水敏感路段动态检测器;通过所述训练集对所述第一积水敏感路段动态检测器进行训练;通过所述测试集对经过训练的所述第一积水敏感路段动态检测器进行测试,获得测试结果;在测试结果符合设定条件的情况下,将所述第一积水敏感路段动态检测器确定为目标积水敏感路段动态检测器。
在本发明的实施例中,将基于目标多源道路积水时空数据集确定的各个城市路段对象的各个特征向量按照预设比例划分为训练集和测试集。在进行训练集和测试集的划分时,对于一个城市路段对象在同一时间段的三种特征向量将划分到同一个训练集或同一个测试集。其中,所述预设比例优选为训练集占比为70%,测试集占比为30%。将十折交叉验证精度结果最优作为调试目标,对初始积水敏感路段动态检测器的随机森林参数n_estimators、max_depth、min_sample_split、max_features和class_weight进行调试,获得第一积水敏感路段动态检测器。通过确定的训练集对该第一积水敏感路段动态检测器进行训练,在训练后通过测试集对经过训练的第一积水敏感路段动态检测器进行测试获得测试结果,在测试结果不符合设定条件的情况下,继续以确定的训练集再次对第一积水敏感路段动态检测器进行训练,并通过测试集再次对经过训练的第一积水敏感路段动态检测器进行测试获得测试结果,直至测试结果符合设定条件为止,此时将测试结果符合设定条件对应的第一积水敏感路段动态检测器确定为目标积水敏感路段动态检测器,用于对目标城市进行积水敏感路段的识别。
在本发明的实施例中,表1示出了本发明基于一个特定城市的多源道路积水时空数据集训练获得的目标积水敏感路段动态检测器的各项特征向量的权重。
表1
在本发明中,根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型,包括:将所述各个城市水文响应单元与地理数据中的行政区划数据进行空间叠加,获得各个第一响应单元数据;将所述第一响应单元数据与所述各个城市交通响应单元进行空间叠加,获得各个城市水文交通响应单元;根据所述各个城市水文交通响应单元和所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型。
在本发明的实施例中,城市敏感型积水监测的层次化数据模型是将划分获得的城市水文响应单元和城市交通响应单元在空间上进行重叠,得到最终的城市水文交通响应单元,也就是一个城市水文交通响应单元中包括一个与该城市水文交通响应单元重叠的城市水文响应单元,同时包括多个城市交通响应单元,该多个城市交通响应单元组成的区域与该一个城市水文交通响应单元对应的区域相同。具体地,将获得的各个城市水文响应单元与地理数据中的行政区划数据进行空间叠加,获得各个第一响应单元数据,也就是与行政区划数据重叠的各个城市水文响应单元;将获得的各个第一响应单元数据再与获得的各个城市交通响应单元进行空间叠加,获得各个城市水文交通响应单元;根据获得的各个城市水文交通响应单元和各个城市路段对象,构建目标城市的城市敏感型积水监测的层次化数据模型。
在本发明中,所述根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集,包括:根据所述城市敏感型积水监测的层次化数据模型中的城市水文交通响应单元,通过城市路段对象的降雨数据对所述多源道路积水时空数据集进行属性筛选,从所述城市水文交通响应单元中确定存在降雨的城市水文响应单元;根据所述城市敏感型积水监测的层次化数据模型中的城市水文响应单元,通过所述道路时序数据集中的speed字段对所述存在降雨的城市水文响应单元进行属性筛选,从所述存在降雨的城市水文响应单元中确定存在通行异常的城市交通响应单元;通过空间查询,获取到从所述存在降雨的城市水文响应单元中确定存在通行异常的城市交通响应单元对应的目标多源道路积水时空数据集。
在本发明的实施例中,所述根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集的一种实施方式为:通过城市路段对象的降雨数据对目标城市的多源道路积水时空数据集进行属性筛选,从目标城市的城市敏感型积水监测的层次化数据模型中的城市水文交通响应单元中确定存在降雨的各个城市水文响应单元。在获得存在降雨的各个城市水文响应单后,通过目标城市的道路时序数据集中的speed字段对上述筛选出来的存在降雨的城市水文响应单元做进一步属性筛选,确定到上述存在降雨的各个城市水文响应单元中存在通行异常的各个城市交通响应单元。在确定到上述存在降雨的各个城市水文响应单元中存在通行异常的各个城市交通响应单元后,基于筛选出的存在降雨的各个城市水文响应单元中存在通行异常的各个城市交通响应单元,进行空间查询,确定到上述存在降雨的各个城市水文响应单元中存在通行异常的各个城市交通响应单元对应的目标多源道路积水时空数据集。
本发明提供的一种顾及城市水文和交通流特征的暴雨积水路段识别方法主要包括以下有益效果:
本发明针对城市暴雨内涝灾害场景,从轨迹数据动态统计分析角度出发,同时考虑城市的复杂地理环境、水文条件和气象因素,实现城市积水路段的动态识别。
本发明充分考虑地理因素和城市交通状况,通过构建城市敏感型积水监测的城市敏感型积水监测的层次化数据模型,划分城市水文响应单元和城市交通响应单元,逐级向下识别出城市积水路段对象,大大提高城市暴雨内涝灾害场景下积水路段检测效率。
本发明同时考虑气象、交通及地理环境的影响,构建基于数据特征的基于数据特征的积水敏感路段评价模型,以气象敏感指数、交通敏感指数和地理敏感指数作为基于数据特征的基于数据特征的积水敏感路段评价模型一级指标。根据城市敏感型积水检测的城市敏感型积水监测的层次化数据模型逐级向下进行检测,同时通过使用随机森林算法训练得到的目标积水敏感路段动态检测器实现积水路段识别,使得城市积水路段识别的准确性有效提高。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (6)
1.一种顾及城市水文和交通流特征的暴雨积水路段识别方法,其特征在于,所述方法包括:
通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集,所述多源道路积水时空数据集包括:通过将目标浮动车轨迹数据与交通数据中的路网数据进行匹配获得的道路时序数据集、通过将目标降雨数据与交通数据中的路网数据进行匹配获得的各个城市路段对象的降雨数据、通过将土地利用类型特征值数据与交通数据中的路网数据进行匹配获得的各个城市路段对象的土地利用类型特征值、通过将坡度数据与交通数据中的路网数据进行匹配获得的各个城市路段对象的坡度数据;所述地理数据包括行政区划数据、土地利用数据、DEM数据、水系数据和城市POI数据;
根据所述地理数据,确定各个城市汇水区,将所述各个城市汇水区确定为对应的各个城市水文响应单元,以及,根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元;
通过对所述交通数据中的路网数据进行城市路段对象提取,获得所述目标城市中的各个城市路段对象,并对所述各个城市路段对象进行标识属性赋值;
根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型;
根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集;
根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量;
将所述与城市路段对象对应的各个特征向量输入训练好的目标积水敏感路段动态检测器进行识别,输出所述目标城市中属于积水敏感路段的城市路段对象;
根据输出结果,绘制积水敏感道路空间分布图;
所述根据预设基于数据特征的积水敏感路段评价模型,将所述目标多源道路积水时空数据集中的各个数据进行特征向量划分,获得与城市路段对象对应的各个特征向量,包括:根据所述预设基于数据特征的积水敏感路段评价模型,将所述道路时序数据集中的各个数据确定为各个城市路段对象的交通敏感特征向量,以及将所述各个城市路段对象的降雨数据确定为各个城市路段对象的气象敏感特征向量,以及将所述各个城市路段对象的坡度数据和土地利用类型特征值确定为各个城市路段对象的地理敏感特征向量;
所述根据所述各个城市水文响应单元、所述各个城市交通响应单元、所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型,包括:将所述各个城市水文响应单元与地理数据中的行政区划数据进行空间叠加,获得各个第一响应单元数据;将所述第一响应单元数据与所述各个城市交通响应单元进行空间叠加,获得各个城市水文交通响应单元;根据所述各个城市水文交通响应单元和所述各个城市路段对象,构建所述目标城市的城市敏感型积水监测的层次化数据模型;
所述根据所述城市敏感型积水监测的层次化数据模型,对所述多源道路积水时空数据集进行属性筛选,确定存在降雨和存在通行异常的目标多源道路积水时空数据集,包括:根据所述城市敏感型积水监测的层次化数据模型中的城市水文交通响应单元,通过城市路段对象的降雨数据对所述多源道路积水时空数据集进行属性筛选,从所述城市水文交通响应单元中确定存在降雨的城市水文响应单元;根据所述城市敏感型积水监测的层次化数据模型中的城市水文响应单元,通过所述道路时序数据集中的speed字段对所述存在降雨的城市水文响应单元进行属性筛选,从所述存在降雨的城市水文响应单元中确定存在通行异常的城市交通响应单元;通过空间查询,获取到从所述存在降雨的城市水文响应单元中确定存在通行异常的城市交通响应单元对应的目标多源道路积水时空数据集。
2.根据权利要求1所述的一种顾及城市水文和交通流特征的暴雨积水路段识别方法,其特征在于,所述通过获取的目标城市的交通数据、气象数据和地理数据,确定所述目标城市的多源道路积水时空数据集,包括:
通过对所述交通数据中的浮动车轨迹数据进行数据清洗和空间过滤,获得目标浮动车轨迹数据;
通过对所述气象数据中的降雨数据进行数据清洗,获得第一降雨数据;
通过对所述第一降雨数据进行分组统计和空间插值,确定所述目标城市的目标降雨数据;
通过对所述地理数据中的土地利用数据进行独热编码,生成所述目标城市的土地利用类型特征值数据;
将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集。
3.根据权利要求2所述的一种顾及城市水文和交通流特征的暴雨积水路段识别方法,其特征在于,所述将所述目标浮动车轨迹数据、所述目标降雨数据、所述土地利用类型特征值数据和所述地理数据中的DEM数据均与所述路网数据进行匹配,获得所述目标城市的多源道路积水时空数据集,包括:
将所述目标浮动车轨迹数据与所述交通数据中的路网数据进行匹配,获得具有交通特征的道路时序数据集,所述道路时序数据集中的数据为<speed,volume,time>三元组,所述speed表示平均行程速度,所述volume表示车流量,time表示统计时间段;
将所述目标降雨数据与所述交通数据中的路网数据进行匹配,获得所述目标城市中各个城市路段对象的降雨数据;
将所述土地利用类型特征值数据与所述交通数据中的路网数据进行匹配,获得所述目标城市中各个城市路段对象的土地利用类型特征值;
对所述地理数据中的DEM数据进行处理获得坡度数据,将所述坡度数据与所述交通数据中的所述路网数据进行匹配,获得所述目标城市中各个城市路段对象的坡度数据。
4.根据权利要求1所述的一种顾及城市水文和交通流特征的暴雨积水路段识别方法,其特征在于,所述根据所述地理数据和所述交通数据,确定各个城市交通小区,将所述各个城市交通小区确定为对应的各个城市交通响应单元,包括:
通过所述交通数据中的浮动车轨迹数据,确定所述目标城市的出行OD矩阵;
根据所述出行OD矩阵和所述地理数据中的土地利用数据,通过K-medoids分区聚类方法进行空间聚类分析,获得所述目标城市的城市交通小区划分结果;
将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
5.根据权利要求4所述的一种顾及城市水文和交通流特征的暴雨积水路段识别方法,其特征在于,在将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元之前,所述方法还包括:
确定所述城市交通小区划分结果中是否存在双向道路位于两个不同城市交通小区;
在存在双向道路位于两个不同城市交通小区的情况下,将所述两个不同城市交通小区进行合并;
确定所述城市交通小区划分结果中是否存在被屏障分割的城市交通小区;
在存在被屏障分割的城市交通小区的情况下,基于所述屏障将所述被屏障分割的城市交通小区划分为多个城市交通小区;
确定所述城市交通小区划分结果中是否存在包括多个交通站点的城市交通小区;
在存在包括多个交通站点的城市交通小区的情况下,通过K-medoids分区聚类方法对所述包括多个交通站点的城市交通小区进行空间聚类分析,获得多个城市交通小区;
确定所述城市交通小区划分结果中是否存在面积低于设定阈值的城市交通小区;
在存在面积低于设定阈值的城市交通小区的情况下,将所述面积低于设定阈值的城市交通小区与相邻城市交通小区进行合并;
所述将所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元,包括:将经过修正处理后的所述城市交通小区划分结果中的各个城市交通小区确定为对应的各个城市交通响应单元。
6.根据权利要求1所述的一种顾及城市水文和交通流特征的暴雨积水路段识别方法,其特征在于,所述目标积水敏感路段动态检测器的训练,包括:
将所述与城市路段对象对应的各个特征向量按照设定比例划分为训练集和测试集;
根据调试目标,对初始积水敏感路段动态检测器的随机森林参数进行调试,获得第一积水敏感路段动态检测器;
通过所述训练集对所述第一积水敏感路段动态检测器进行训练;
通过所述测试集对经过训练的所述第一积水敏感路段动态检测器进行测试,获得测试结果;
在测试结果符合设定条件的情况下,将所述第一积水敏感路段动态检测器确定为目标积水敏感路段动态检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410262034.1A CN117854285B (zh) | 2024-03-07 | 一种顾及城市水文和交通流特征的暴雨积水路段识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410262034.1A CN117854285B (zh) | 2024-03-07 | 一种顾及城市水文和交通流特征的暴雨积水路段识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117854285A CN117854285A (zh) | 2024-04-09 |
CN117854285B true CN117854285B (zh) | 2024-06-07 |
Family
ID=
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852577A (zh) * | 2019-10-25 | 2020-02-28 | 镇江德威乐普能源环保科技有限公司 | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN114877933A (zh) * | 2022-04-22 | 2022-08-09 | 浪潮软件科技有限公司 | 一种城市道路积水监测预警方法及系统 |
CN117332909A (zh) * | 2023-12-01 | 2024-01-02 | 南京师范大学 | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 |
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852577A (zh) * | 2019-10-25 | 2020-02-28 | 镇江德威乐普能源环保科技有限公司 | 基于城市韧性与城市流域水文模型的城市洪涝评估方法 |
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN114877933A (zh) * | 2022-04-22 | 2022-08-09 | 浪潮软件科技有限公司 | 一种城市道路积水监测预警方法及系统 |
CN117332909A (zh) * | 2023-12-01 | 2024-01-02 | 南京师范大学 | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 |
Non-Patent Citations (5)
Title |
---|
"基于城市雨洪模型的内涝交通影响研究;李鹏程;李昊洋;;水电能源科学;20170525(第05期);全文 * |
基于XGBoost 的长三角核心城市内涝风险评估及影响因素分析;佟金萍等;水利水电技术(中英文);20211231;第第52卷卷(第第10期期);全文 * |
基于土地利用的城市内涝交通风险评价;王茜;杨小柳;徐超伟;刘占衍;;自然灾害学报;20181015(第05期);全文 * |
基于轨迹数据的暴雨情景下城市积水道路发现;李猛;中国优秀硕士学位论文全文数据库;20220415(第第04期期);全文 * |
石家庄市暴雨内涝精细化水动力模型应用;苑希民;秦旭东;张晓鹏;封桂敏;;水利水运工程学报;20171231(第03期);全文 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109544932B (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
Anand et al. | Traffic density estimation under heterogeneous traffic conditions using data fusion | |
Wang et al. | Potential of machine learning for prediction of traffic related air pollution | |
Su et al. | Predicting traffic-related air pollution in Los Angeles using a distance decay regression selection strategy | |
He et al. | Network-wide identification of turn-level intersection congestion using only low-frequency probe vehicle data | |
Xie et al. | Spatial analysis of highway incident durations in the context of Hurricane Sandy | |
Yi et al. | Inferencing hourly traffic volume using data-driven machine learning and graph theory | |
CN101673369A (zh) | 基于投影寻踪的排水管网洪涝风险评价方法 | |
CN106023592A (zh) | 一种基于gps数据的交通拥堵检测方法 | |
Pascale et al. | Motorway speed pattern identification from floating vehicle data for freight applications | |
Deng et al. | Unraveling the association between the built environment and air pollution from a geospatial perspective | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Ou et al. | A data‐driven approach to determining freeway incident impact areas with fuzzy and graph theory‐based clustering | |
Zhang et al. | Predicting highly dynamic traffic noise using rotating mobile monitoring and machine learning method | |
Alrassy et al. | Driver behavior indices from large-scale fleet telematics data as surrogate safety measures | |
CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及系统 | |
Tang et al. | A novel method for road intersection construction from vehicle trajectory data | |
CN117854285B (zh) | 一种顾及城市水文和交通流特征的暴雨积水路段识别方法 | |
Niu et al. | Road extraction using smart phones GPS | |
CN117854285A (zh) | 一种顾及城市水文和交通流特征的暴雨积水路段识别方法 | |
Habtie et al. | Cellular network based real-time urban road traffic state estimation framework using neural network model estimation | |
Chen et al. | Research on the influencing factors of elderly pedestrian traffic accidents considering the built environment | |
KR20150072470A (ko) | 도심 및 고속도로에서의 교통흐름의 시간 및 공간 도메인 의존성 분석 시스템 | |
Exner et al. | Monitoring Street Infrastructures with Artificial Intelligence | |
Boitor et al. | A new tool for the evaluation of co2 emissions from road traffic: a case study in cluj-napoca, romania |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |