一种拖拽式的面向交通领域的数据预测系统

技术领域

本发明涉及交通数据预测技术领域，特别是涉及一种拖拽式的面向交通领域的数据预测系统。

背景技术

随着深度学习技术在研究与应用中的不断深入优化，交通行业正向着智能化、智慧化的方向发展。但一般的深度学习平台学习门槛高，操作流程复杂，零基础的从业人员容易感觉难以使用，导致深度学习在交通领域内的广泛应用受到阻碍。

发明内容

本发明的目的是提供一种拖拽式的面向交通领域的数据预测系统，提高了交通领域的数据预测效率。

为实现上述目的，本发明提供了如下方案：

一种拖拽式的面向交通领域的数据预测系统，包括：

视图层，用于从设定多个交通场景中选择一个交通场景作为待预测交通场景；还用于基于所述待预测交通场景选择数据预处理算法和数据预测算法，获得选定的数据预处理算法和选定的数据预测算法；还用于从多个数据源地址中选择一个作为待预测数据源地址；还用于显示预测结果；所述数据预测算法为深度学习算法；所述视图层采用拖拽的方式选择交通场景、数据预处理算法、数据预测算法和数据源地址；

中心层，用于与所述视图层连接，接收待预测数据，将所述待预测数据输入所述选定的数据预测算法获得预测结果，并将所述预测结果反馈到所述视图层；

接入层，与所述中心层连接，用于根据所述待预测数据源地址获取数据源数据，采用所述选定的数据预处理算法对所述数据源数据进行预处理后获得待预测数据，并向所述中心层发送所述待预测数据。

可选地，所述交通场景包括设定部分路段的车辆流速和流量预测场景和收费站拥堵时长预测场景。

可选地，所述中心层用于根据所述选定的数据预处理算法、所述选定的数据预测算法和所述待预测数据源地址进行流程校验，所述流程校验包括校验所述数据源数据的数量类型是否符合所述选定的数据预测模型输入的数据类型，所述流程校验还包括校验所述选定的数据预处理算法与所述选定的数据预测算法的组合是否为预设组合库中组合；所述中心层还用于将流程校验结果反馈到所述视图层；

当所述数据源数据的数量类型符合所述选定的数据预测模型输入的数据类型，且所述选定的数据预处理算法与所述选定的数据预测算法的组合为预设组合库中组合时，所述中心层将所述待预测数据输入所述选定的数据预测算法获得预测结果。

可选地，所述视图层还用于分别为选定的数据预处理算法和选定的数据预测算法设置参数。

可选地，所述接入层包括数据接入单元、数据预处理单元和数据缓存单元；

所述数据接入单元用于根据所述待预测数据源地址将实时流式数据接入数据源数据；

所述数据预处理单元，用于根据所述选定的数据预处理算法对所述数据源数据进行预处理后获得待预测数据；

所述数据缓存单元，用于对所述数据预处理单元输出的待预测数据进行缓存。

可选地，所述数据预测算法包括YOLOv3、Faster RCNN和RetinaNet。

可选地，所述数据预处理算法中的数据处理包括数据噪声处理或数据缺失值填补处理。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种拖拽式的面向交通领域的数据预测系统，通过视图层选择交通场景、数据预处理算法、数据预测算法和数据源地址，并通过中心层进行选定的数据预处理算法、选定的数据预测算法和待预测数据源地址是否匹配的校验，当校验通过后，采用选定的数据预测算法对接入层根据待预测数据源地址获取的待预测数据进行预测，获得预测结果，降低了深度学习算法应用的难度，提高了交通领域的数据预测效率。

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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种拖拽式的面向交通领域的数据预测系统结构示意图；

图2为本发明一种拖拽式的面向交通领域的数据预测系统详细结构示意图；

图3为本发明视图层工作流程示意图；

图4为本发明中心层工作流程示意图；

图5为本发明接入层工作流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明的目的是提供一种拖拽式的面向交通领域的数据预测系统，提高了交通领域的数据预测效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种拖拽式的面向交通领域的数据预测系统结构示意图，图2为本发明一种拖拽式的面向交通领域的数据预测系统详细结构示意图，如图1-2所示，一种拖拽式的面向交通领域的数据预测系统，包括：

视图层，用于从设定多个交通场景中选择一个交通场景作为待预测交通场景；还用于基于待预测交通场景选择数据预处理算法和数据预测算法，获得选定的数据预处理算法和选定的数据预测算法；还用于从多个数据源地址中选择一个作为待预测数据源地址；还用于显示预测结果；数据预测算法为深度学习算法。

视图层采用拖拽的方式选择交通场景、数据预处理算法、数据预测算法和数据源地址。视图层还用于分别为选定的数据预处理算法和选定的数据预测算法设置参数。

交通场景包括设定部分路段的车辆流速和流量预测场景和收费站拥堵时长预测场景。

数据预测算法包括YOLOv3、Faster RCNN和RetinaNet。本发明数据预测算法为训练好的数据预测算法。

数据预处理算法中的数据处理包括数据噪声处理或数据缺失值填补处理。

数据源地址包括URL地址。

视图层为用户操作界面，主要用于选择交通场景、拖拽选择算法（数据预处理算法和数据预测算法）、设定参数、选取数据（待预测数据源地址）以及展示运行信息。视图层展示的运行信息包括校验结果和预测结果。比如当待预测交通场景为设定部分路段的车辆流速和流量预测场景时，预测结果为待预测数据源地址对应的部分路段的车辆流速和车辆流量，当待预测交通场景为收费站拥堵时长预测场景时，预测结果为待预测数据源地址对应的收费站的拥堵时长。视图层还用于查看系统当前状态信息。

视图层通过场景的选定有助于清晰的划分问题，提供对应场景下算法及使用数据模块化拖拽功能，用户可以将模块化的算法、数据拖拽至相应的场景流程图中以构建完整的选定场景问题处理过程，同时包括但不限于以Http或Https请求的方式向中心层传递相应各类参数并启动流程图的执行。

如图3所示，用户使用前端界面（视图层）拖拽选定场景、数据源、数据预处理算法、数据处理算法和设定算法参数等。

在图3中，视图层工作流程包括：1、普通用户需要在前端选定场景，场景被定义为需要解决的实际问题，包括但不限于如图3中所示：收费站拥堵预测、节假日流速流量预测和ETC长短时预测（高速的车辆流速流量的预测）等。通过选定场景，系统自动更新显示当前场景可以使用的数据预处理算法和AI算法（数据预测算法）；2、在选定场景确定解决问题的基础上，需要设定解决该问题使用的实时数据，该步骤通过在前端填写地址完成，该地址形式包括但不限于URL；3、本步骤拖拽选定针对填写地址接入的数据要使用的数据预处理算法，如数据噪声处理、数据缺失值填补等；4、本步骤设定解决场景问题需要使用的深度学习AI算法，该算法在预处理完的数据上进行工作；5、本步骤针对选定的算法设定参数，参数的功能及设定值范围，均会有具体的弹出说明及提示；6、以上1-5步骤形成一个完整的数据处理流程图，本步骤会校验所生成的流程图的有效性，通过则执行，不通过则显示详细的问题提示，以指导用户进行修正；7、点击启动执行该场景流程图并等待执行结果。

视图层的核心要点在于：1、通过拖拽式的流程图步骤提示建立流程图，同时对每步中的细节进行弹窗提示；2、拖拽的结果会以完整流程图的过程及结果样式展示给用户，由系统给出流程图中可能存在的错误并进行流程图完整性的校验。视图层的执行和显示，极大程度的降低了操作人员对深度学习算法的理解，只需要根据需求进行拖拽即可。算法、数据间的匹配性由系统自动选定并列出，同时算法的核心参数设定有详细的功能说明及默认值设定。

如图4所示，中心层接收前端的执行请求，执行流程图并实时反馈执行结果。在图4中，中心层以等待接收视图层下发的执行命令为起点，工作流程：1、中心层收到视图层下发的场景流程图执行命令后，对场景流程图进行检验，包括但不限于设定参数和算法匹配性等，若检验通过则执行该场景流程图，若不通过则向前端视图层反馈错误信息；2、在第1步校验通过的基础上，将本流程图与场景的映射关系放入后端数据库中，以便进行数据地址、场景、流程图所用算法的查找；3、通过第2步存入数据库后，本步对存入数据库的映射关系进行调度，如使用的数据地址、使用算法，设定参数等，自动组织代码进行匹配，以待运行；4、由中心层通知数据接入层开始按要求接入数据，并将数据放至在缓存中，同时由中心层启动算法线程以开始执行前端需求；5、由中心层将数据从缓存取回、执行、并将结果实时反馈至前端视图层。

中心层的核心要点有二，分别为：1、中心层会根据场景任务流程图，自动构建映射关系存在放数据库中，并由此映射自动组织、构建运行的全部代码。2、数据的接入、结果的处理是实时的，平台支持流式数据接入，即时处理实时接入的真实数据，而非提前预存数据，同时本平台采用边处理边反馈的形式，使得前端可以看到实时的处理结果。

中心层，用于与视图层连接，接收待预测数据，将待预测数据输入选定的数据预测算法获得预测结果，并将预测结果反馈到视图层。

中心层用于根据选定的数据预处理算法、选定的数据预测算法和待预测数据源地址进行流程校验，流程校验包括校验数据源数据的数量类型是否符合选定的数据预测模型输入的数据类型，流程校验还包括校验选定的数据预处理算法与选定的数据预测算法的组合是否为预设组合库中组合；中心层还用于将流程校验结果反馈到视图层。

预设组合库规定了多种数据预处理算法和多种数据预测算法之间的组合关系，即规定了哪个数据预测算法和哪个数据预处理算法可以组合。

当数据源数据的数量类型符合选定的数据预测模型输入的数据类型，且选定的数据预处理算法与选定的数据预测算法的组合为预设组合库中组合时，中心层将待预测数据输入选定的数据预测算法获得预测结果。

中心层对视图层和数据接入层提供数据处理服务。中心层包括的请求分发模块、数据处理模块、后端数据库管理模块和算法控制模块。

请求分发模块会接收来自视图层的执行请求，该请求可以同时包含启动流程图执行的各项参数，并指定相应进程进行响应；请求分发模块同时还将处理结果返回给视图层以显示。

数据处理模块和后端数据库管理模块进行配合以接入获取第三方流式数据，并将相应数据在预处理和标准化后提交给算法控制模块。

算法控制模块根据视图层提交的流程图和数据处理模块接入的实时数据自动组建算法服务，并将执行结果重新返回给请求分发模块。

接入层，与中心层连接，用于根据待预测数据源地址获取数据源数据，采用选定的数据预处理算法对数据源数据进行预处理后获得待预测数据，并向中心层发送待预测数据。

接入层包括数据接入单元、数据预处理单元和数据缓存单元。数据接入单元用于根据待预测数据源地址将实时流式数据接入数据源数据。数据预处理单元，用于根据选定的数据预处理算法对数据源数据进行预处理后获得待预测数据。

数据缓存单元，用于对数据预处理单元输出的待预测数据进行缓存。数据缓存单元包括但不限于使用redis等功能组件。

接入层实时流式数据接入及缓存功能，如图5所示，接入层的工作流程包括：接入层以等待中心层下发的数据接入命令为起点，首先对中心层的数据接入命令进行检验，如地址是否合法，格式是否正确等。若检验未通过，则将出错信息反馈给中心层；若通过则开始使用设定的地址进行流式数据接入，在接入的过程中，根据前端设定的数据预处理算法，需要对数据进行预处理，如数据噪声、数据格式调整、缺失值填补等，同时将处理完成的数据放入缓存中以等待中心层将实时数据取回。

本发明采用三层结构设计，最底层为接入层，负责在线流式数据的接入并对其进行缓存，流式数据接入方法包括但不限于使用POST请求等；第二层为中心层，主负责处理平台前端业务逻辑、平台后端业务逻辑以及与算法服务进程之间的交互，其主要包含的功能有请求分发、数据处理、数据库管理和数据预测算法控制；第三层顶层为视图层，为用户提供浏览器端拖拽操作界面，主要功能包括选定场景、拖拽数据及算法、请求分发和数据展示。本发明根据用户拖拽选择的算法与数据，自动构建完整的代码，运行得到预测结果，从而实现全自动化可定制的深度学习预测方法。

本发明提供一种拖拽式的面向交通领域的数据预测系统，其中提供了一种一站式的AI算法模型构建平台，以可拖拽的强操作性提供便捷直观的用户操作体验，选取并解决交通行业内典型的深度学习应用场景，结合交通实时大数据，为用户提供即时易用的交通行业数据预测方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。