一种基于多源交通大数据融合的突发拥堵判别方法及系统

技术领域

本发明涉及交通管理技术领域，尤其涉及一种基于多源交通大数据融合的突发拥堵判别方法及系统。

背景技术

相对于城市路网中的常发拥堵，突发拥堵的时间和地点随机性较强，在城市交通管理中往往依靠视频人工巡检、市民上报等途径获知突发拥堵事件的信息。通过城市道路网络中分布的电子警察、卡口监控等食品监控设备，通过人工观测的方式可以识别一部分突发拥堵事件，但是由于人员配备不足，视频人工巡检全是路网一次往往需要几个小时，造成事件的遗漏。此外，居民通过122报警、公众号等众包途径将事件上报，需要进一步校验审核，拥堵事件的时效性难以保证。而互联网企业通过浮动车采样数据进行拥堵识别，其道路平均采样率不足20％，随机性及偶然性对识别结果的准确度影响极大。综上所述，目前城市突发交通拥堵检测方法的准确率和时效性都无法保证，并且针对拥堵导致的路网的预测分析也较为片面，也很容易受人为因素的影响，导致对突发性拥堵的处理效果较差。

发明内容

本发明的目的在于提供一种基于多源交通大数据融合的突发拥堵判别方法及系统，提高对突发性拥堵的处理效果。

为实现上述目的，第一方面，本发明提供了一种基于多源交通大数据融合的突发拥堵判别方法，包括以下步骤：

将实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系；

利用模糊融合的迭代算法将获取多源交通大数据进行融合，并构建数据集；

利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型；

将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；

基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果。

其中，在得到所述预测结果后，所述方法还包括：

根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息。

其中，将实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系，包括：

将获取的实时路况图导入地理信息系统创建金字塔，并新建附属文件将所述实时路况图进行矢量化，同时对相交点进行标注。

其中，利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型，包括：

以弹性分布式数据集形式对所述数据集进行有放回抽取采样，得到训练数据集；利用集成学习算法将所述训练数据集输入神经网络模型中进行反向迭代训练。

其中，利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型，还包括：

利用误差平方和损失函数和第一阈值对所述训练数据集的训练值进行收敛判断，然后将除所述训练数据集外的数据作为测试数据集输入所述神经网络中进行验证，得到对应的输出值。

其中，基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果，包括：

根据设定输出值与对应的所述输出值之间的误差函数进行反向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，直至所有所述输出值满足阈值范围，得到对应的判别模型。

第二方面，本发明提供一种基于多源交通大数据融合的突发拥堵判别系统，如第一方面所述的一种基于多源交通大数据融合的突发拥堵判别方法应用于一种基于多源交通大数据融合的突发拥堵判别系统，

所述基于多源交通大数据融合的突发拥堵判别系统包括数据获取模块、路网构建模块、数据融合模块、判别模型构建模块、拥堵判别模型构建模块和数据联动预测模块，所述数据获取模块与所述路网构建模块、所述数据融合模块和所述数据联动预测模块连接，所述数据融合模块、所述判别模型构建模块、所述拥堵判别模型构建模块和所述数据联动预测模块依次连接，所述数据联动预测模块还与所述路网构建模块连接；

所述数据获取模块，用于获取实时路况图和基于大数据平台获取的多源交通大数据；

所述路网构建模块，用于将所述实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系；

所述数据融合模块，用于利用利用模糊融合的迭代算法将获取多源交通大数据进行融合，并构建数据集；

所述判别模型构建模块，用于利用集成学习算法将构建的训练数据集输入神经网络模型中进行反向迭代训练，并将测试数据集输入收敛的所述神经网络中进行方向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，得到对应的判别模型；

所述拥堵判别模型构建模块，用于将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；

所述数据联动预测模块，用于基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果，同时根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息。

本发明的一种基于多源交通大数据融合的突发拥堵判别方法及系统，首先将获取的实时路况图导入地理信息系统进行矢量化，并基于打断的离散点，构建对应的拓扑关系，然后利用模糊融合的迭代算法将获取的多源交通大数据进行融合，并构建对应的数据集进行保存，接着，利用集成学习算法将训练数据集输入神经网络模型中进行反向迭代训练，然后将测试数据集输入收敛的所述神经网络中，基于阈值之间的误差函数进行反向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，得到对应的判别模型，紧接着将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；最后，基于所述拓扑关系获取多个突发数据输入所述拥堵判别模型，根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息，能够提高对突发性拥堵的处理效果。

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，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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于多源交通大数据融合的突发拥堵判别方法的步骤示意图。

图2是本发明提供的一种基于多源交通大数据融合的突发拥堵判别系统的结构示意图。

1-数据获取模块、2-路网构建模块、3-数据融合模块、4-判别模型构建模块、5-拥堵判别模型构建模块、6-数据联动预测模块。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1，本发明提供一种基于多源交通大数据融合的突发拥堵判别方法，包括以下步骤：

S101、将实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系。

具体的，将实时路况图导入地理信息系统创建金字塔，随后新建shapefile文件，将实时路况矢量化，将带有路况信息的部分进行矢量化，在矢量化的过程中，在路段相交的部分矢量线进行相交，应当将矢量线完全在路况信息的范围内，保证后面色素识别的准确性。然后，将矢量化好的路网利用转点工具按同等的间隔均匀打断成点，打断间隔为40m-70m，保证每一段只包含一种路况信息，间隔过小会造成数据量过大，间隔过大会导致不同路况的两段连接在一起，导致拥堵判别误差。

然后根据所述地理信息系统，将相交点的离散点进行标注，表示这里存在路口等信息，并且根据所述地理信息系统上的路径信息和交通流向，构建由多个射线组成的对应的交通拓扑关系网络，便于后续根据所述拓扑关系进行拥堵分析。

S102、利用模糊融合的迭代算法将获取多源交通大数据进行融合，并构建数据集。

具体的，多源交通数据包括交通参数类特征数据、时段类特征数据和环境类特征数据；所述交通参数类特征数据为与交通拥堵相关的交通数据，所述交通参数类特征数据包括电子警察、微波设备、多目标雷达、感应线圈和浮动车检测的交通数据，所述时段类特征数据为与交通拥堵相关的时段数据，所述时段类特征数据包括日类型数据和时段类型数据；所述环境类特征数据为与交通拥堵相关的环境数据，所述环境类特征数据包括路段长度、车道数量和路段所属道路等级。

由于采集数据类型各不相同，各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间的水平相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，需要对原始指标数据进行标准化处理。数据标准化处理主要包括数据同趋化处理和无量纲化处理两个方面。数据同趋化处理主要解决不同性质数据问题，对不同性质指标直接加总不能正确反映不同作用力的综合结果，须先考虑改变逆指标数据性质，使所有指标对测评方案的作用力同趋化，再加总才能得出正确结果。数据无量纲化处理主要解决数据的可比性。经过上述标准化处理，原始数据均转换为无量纲化指标测评值，即各指标值都处于同一个数量级别上，可以进行综合测评分析。

根据不同应用环境，依据专家系统构造相应的隶属函数，将各个指标对评价级别的测量值进行模糊化。假设有m个指标，n个评价级别，可得不同的隶属函数r

将各个测得数据X

计算各证据的权重：

计算权重修改后的模糊矩阵：

RF＝R×W

运用迭代融合算法对模糊数据进行融合，得到最终融合结果。例如，可以根据相同的时间值，将对应的交通参数类特征数据、时段类特征数据和环境类特征数据根据计算出的权重和模糊矩阵进行排列组合，然后构建对应的数据集来将组合后的数据进行存储，便于后续的数据提取。

S103、利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型。

具体的，基于Spark大数据处理技术创建并执行任务，以弹性分布式数据集(RDD)形式对数据集进行有放回抽取采样，得到训练数据集，其中，弹性分布式数据集的数量为多个，可以得到多个对应的训练数据集，利用集成学习算法将所述训练数据集输入神经网络模型中进行反向迭代训练，得到对应的多个预测值，为了对所述神经网络模型进行收敛，利用所述误差平方和损失函数计算出多个所述预测值对应的函数损失值，将所述函数损失值与第一阈值进行比较，判断是否大于所述第一阈值，若小于所述第一阈值，则继续对所述神经网络模型进行训练迭代，若大于所述第一阈值，则判断所述神经网络模型收敛。收敛的目的是为了避免后续的拥堵判断出现较大的误差。

然后将除所述训练数据集外的数据作为测试数据集输入所述神经网络中进行验证，得到对应的输出值，根据设定输出值与对应的所述输出值之间的误差函数进行反向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，直至所有所述输出值满足阈值范围，得到对应的判别模型，这里可以采用BP神经网络，其作为目前应用最广泛的神经网络，包括函数逼近、模式识别、分类和数据压缩等方面。BP神经网络又称逆向误差神经网络，实际也是多层感知机的一种，由一个隐藏层，一个输入层和一个输出层组成，BPNN模型的输入层将数据信号传输给隐藏层，隐藏层将处理后的数据信号传输给输出层。如果输出的结果与期望的输出值相反，便将误差反向传播给隐藏层，隐藏层采用链式法则将其权值和阈值进行修正，重复此过程，直到输出结果与期望的输出值基本一致为止，停止对网络训练，并保存网络的相关参数。为达到训练的目的，同时利用梯度下降法调节每个隐层神经元的权重参数，尽可能保证神经网络的实际输出接近期望输出，尽可能保证输出的数据的准确性。

S104、将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型。

具体的，为了增加所述判别模型的使用场景和范围，避免当数据出现遗漏或者缺失等情况，影响模型的正常使用判别，在所述判别模型的基础上，增加对缺失数据的训练。

将多源交通数据数据集中电子警察、微波设备、多目标雷达、感应线圈和浮动车中的一个或多个检设备检测的交通数据设置为0，然后将对应的其他的时段类特征数据和环境类特征数据输入所述判别模型中进行训练，得到对应的输出结果，若输出结果与正常的完整的数据的训练结果不在设定的误差范围内，则继续采用下一个所述归0的交通参数类特征数据进行训练，直至所述判别模型与正常数据的结果在误差范围内，然后将所述环境类特征数据归0，其他两类数据正常的异常数据输入所述判别模型中，同样的将输出结果与正常的数据结果进行对比分析，直至异常类的数据训练的判别模型与正常数据训练的判别模型的结果在正常范围内，将对应的所述判别模型作为最终的拥堵判别模型。可以避免在获取的多源交通数据存在部分数据缺失的条件下，影响判别结果，避免出现误判。

S105、基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果。

具体的，当获取到当前的拥堵数据后，根据建立的所述拓扑关系，获取对应相交点处的所有拓扑线上的当前的突发数据，即与当前突发拥堵路段存在交通连接的所有路径上的交通数据，然后将所述突发数据输入所述拥堵判别模型中，能够得到对应的预测结果，然后根据所述拓扑关系上的连接关系，将相应拓扑线上的所有的预测结果进行连接，建立对应的拓扑等级关系，然后根据采集的数据的实时变化情况，对下一阶段上的交通情况进行预警，通常使用绿、黄和红三种颜色代表畅通、拥挤和堵塞三种路径情况，并实时上传和显示，便于了解拥堵蔓延情况，能及时的发现和采取对应的解决措施，使在精确的判别条件下，提高对拥堵的处理效果。

请参阅图2，本发明提供一种基于多源交通大数据融合的突发拥堵判别系统，所述的一种基于多源交通大数据融合的突发拥堵判别方法应用于一种基于多源交通大数据融合的突发拥堵判别系统，

所述基于多源交通大数据融合的突发拥堵判别系统包括数据获取模块1、路网构建模块2、数据融合模块3、判别模型构建模块4、拥堵判别模型构建模块5和数据联动预测模块6，所述数据获取模块1与所述路网构建模块2、所述数据融合模块3和所述数据联动预测模块6连接，所述数据融合模块3、所述判别模型构建模块4、所述拥堵判别模型构建模块5和所述数据联动预测模块6依次连接，所述数据联动预测模块6还与所述路网构建模块2连接；

所述数据获取模块1，用于获取实时路况图和基于大数据平台获取的多源交通大数据；

所述路网构建模块2，用于将所述实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系；

所述数据融合模块3，用于利用利用模糊融合的迭代算法将获取多源交通大数据进行融合，并构建数据集；

所述判别模型构建模块4，用于利用集成学习算法将构建的训练数据集输入神经网络模型中进行反向迭代训练，并将测试数据集输入收敛的所述神经网络中进行方向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，得到对应的判别模型；

所述拥堵判别模型构建模块5，用于将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；

所述数据联动预测模块6，用于基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果，同时根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息。

在本实施方式中，关于一种基于多源交通大数据融合的突发拥堵判别系统的具体限定可以参见上文中对于一种基于多源交通大数据融合的突发拥堵判别方法的限定，在此不再赘述。上述一种基于多源交通大数据融合的突发拥堵判别系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本发明的一种基于多源交通大数据融合的突发拥堵判别方法及系统，首先将获取的实时路况图导入地理信息系统进行矢量化，并基于打断的离散点，构建对应的拓扑关系，然后利用模糊融合的迭代算法将获取的多源交通大数据进行融合，并构建对应的数据集进行保存，接着，利用集成学习算法将训练数据集输入神经网络模型中进行反向迭代训练，然后将测试数据集输入收敛的所述神经网络中，基于阈值之间的误差函数进行反向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，得到对应的判别模型，紧接着将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；最后，基于所述拓扑关系获取多个突发数据输入所述拥堵判别模型，根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息，能够提高对突发性拥堵的处理效果。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。