基于交通数据降维重构及多维分析的交通动态管控方法

技术领域：

本发明涉及交通数据处理技术领域，具体讲是一种能够对交通数据进行降维重构、高效精准可视化多维度指标分析、智能化输出管控决策，从而有效提升交通管控能力的基于交通数据降维重构及多维分析的交通动态管控方法。

背景技术：

随着机动车数量的增长，交通拥堵、交通事故等问题日渐增多，而由于交通数据处理技术较为落后，交通数据存储压力大、车辆通行效率低、高耗能、高污染、交通事故发现不及时等问题又日益突出，交管工作承受巨大压力。

现有保存交通数据的主要方法是多点位存储道路交通视频、图像数据，但存储费用颇高。现有缓解交管压力的方法主要包括道路交通扩建、控减交通总量(限号通行等)、鼓励公交和自行车出行、潮汐车道、错峰通行等，但成效并不明显。目前也有通过分析历史交通数据来提升管控经验和策略的技术，较为典型的有“绿波通行”技术，但实践证明，例如临时停车占道、交通事故等突发事件往往高频次引发交通拥堵，为此仅凭分析历史数据无法获得最优解的交管策略，而“绿波通行”也仅仅适用于特定的通行方向、通行速度，实用性较差。

目前也有少量采用人工智能算法技术，通过实时采集分析交通数据并优化红绿灯配时来提升交通管控能力，但实践证明，这些方法一是数据特征挖掘不全面、数据利用效率低、技术方法较为笼统，二是过于依赖人工智能的“黑盒子”操作，无法量化解释数据分析、运算的内容，无法避免“AI不确定性”问题，若将此类技术广泛应用于交通管控等公共安全领域，难免存在安全隐患。

发明内容：

本发明针对现有技术中存在的缺点和不足，提出一种能够对交通数据实时降维重构，然后将数据多维度转换为矩阵、坐标数据模型，并由人工智能算法进行分析处理，进而高效、精准输出管控策略，从而有效提升交通管控能力的基于交通数据降维重构及多维分析的交通动态管控方法。

本发明通过以下措施达到：

一种基于交通数据降维重构及多维分析的交通动态管控方法，其特征在于，包括以下步骤：

步骤1：构建交通路口区域模型，以停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；在各个监控区内将由监控区向管控区流出数据的区域设定为out区，将由管控区向监控区流入数据的区域设定为in区；

步骤2：规划区域模型的通行路径：以监控区的各个out区为起点，按左行、直行、右行三个方向与相应in区做联通，构建out区与in区的联通关系图；

步骤3：对各区域原始数据进行信息分层提取并利用矩阵、坐标进行降维重构，具体包括数据采集、路况降维重构、车况降维重构和降维信息存储；

步骤4：提取各区域的分层降维重构数据形成新的坐标曲线或矩阵数据模型，进行多维度特征分析，具体包括：

(1)建立OUT区待放行车辆监测数据模型：监测各OUT区内车况矩阵，实时计算并提取矩阵内某时刻待放行车辆数量并形成新的矩阵，然后以时间*数量建立坐标系，生成OUT区待放行车辆数监测曲线进行特征分析；

(2)建立OUT区在途车流监测数据模型：监测各OUT区内车况矩阵，实时计算在途车流的数量及位置并形成新的矩阵，然后以时间*数量建立坐标系，生成OUT区在途车流监测曲线进行特征分析；

(3)建立OUT区待放行车辆通过时间拟合数据模型：监测各OUT区内车况矩阵，计算矩阵内某批次待放行车辆数量及通过时间，然后以数量*时间建立坐标系，对多批次数据进行记录及拟合，获取OUT区待放行车辆通过时间的拟合数据曲线进行特征分析；

(4)建立OUT区车辆流出数据模型(模型原理可用于管控区车辆流入数据分析)：监测各OUT区内车况矩阵，设置统计时长t，以t为单位分时计算或者累计计算车辆流出数量并形成新的矩阵，然后以时间*数量建立坐标系，形成OUT区车辆流出数据曲线进行特征分析；

(5)建立IN区车辆流入数据模型(模型原理可用于管控区车辆流出数据分析)：监测各IN区车况矩阵，设置统计时长t，以t为单位分时计算或者累计计算车辆流入数量并形成新的矩阵，然后以时间*数量建立坐标系，形成IN区车辆流入数据曲线进行特征分析；

(6)建立各区域车辆速度跟踪数据模型：监测各区域内车况矩阵，提取各个车辆的速度数据、计算车辆平均速度，并形成新的矩阵，然后以时间*速度建立坐标系，实时生成车辆速度数据曲线进行特征分析；

(7)建立各区域车辆密度分布数据模型：监测各区域车况矩阵，实时计算矩阵内车辆覆盖率并形成新的矩阵，然后以时间*覆盖率建立坐标系，实时生成车辆密度分布曲线进行特征分析；

步骤5：多维度特征数据混合计算：包括OUT区在途车辆和待放行车辆的计算获取、各区域事故监测、IN区和管控区的拥堵状态监测，计算和预测结果将为交通动态管控提供信息数据支持：

步骤5-1：利用步骤4中(1)、(2)数据模型，实时获取或预测OUT区内待放行车辆数量和在途大车流数量：

计算得到车道待放行车辆数量为N

计算得到车道在途大车流车辆数为N

步骤5-2：利用步骤4中(6)、(7)数据模型，获取区域内随时间变化的车辆速度特征和车辆密度信息，设置密度阈值为D，持续时间阈值为P，通过监测车速陡降至0及车辆密度大于D的持续时间是否超过P，进行监控区、管控区的事故监测。当区域内密度超过D且持续时间超过P、或区域内车速陡降至0的车辆数≥1，则认定为发生交通意外，否则为未发生交通意外。交通意外状态AD如下：

步骤5-3：利用步骤4中(4)、(5)、(6)、(7)数据模型，获取IN区和管控区内车辆流入和流出量、车辆速度、车辆密度随时间变化的特征信息，使用机器学习算法，对IN区和管控区拥堵状态进行计算，管控区具体用到步骤4中(4)、(5)、(6)、(7)数据模型，IN区具体用到步骤4中(5)、(6)、(7)数据模型，管控区与IN区拥堵状态计算方法相同；

步骤6：交通动态管控，其中包括信号灯管控：

步骤6-1-1：设置初始状态：设置信号灯初始状态全部亮红灯(红灯＝1)；

步骤6-1-2：确定可通行路径：根据步骤2确定可同时放行的直行和左转车道组合(红灯＝0)，右转车道根据前述组合的通行数据然后再确定是否可以通行；

步骤6-1-3：单车道放行指标计算：根据步骤5-1、5-2、5-3中的数值或状态输出，计算单车道放行指标，根据单车道放行指标数值决定是否放行以及放行的优先级，单车道放行指标计算公式如下：

设x

x

设x

设x

设x

设x

设单车道放行指标为y，则对y求值的表达式为：

y＝f(x

＝C

+(1-x

其中,C

本发明步骤3具体通过以下步骤实现：

步骤3-1：数据采集：在监控区域和管控区域内，利用地图、道路工程图纸及摄像头，分路段采集路况信息，包括车道长度和宽度、车道线位置、人行道位置、路侧出入口、岔路口、路间障碍物、道路弯曲程度以及坡度信息；分路段采集车辆特征、车流量、车辆运动状态的视频、图片、雷达信号信息；

步骤3-2：路况降维重构：(1)首先建立直角坐标系并设定比例尺，使真实路况与坐标系之间形成确切的对应关系；(2)在坐标系中设定一条线段与交通路口的停车线相对应，然后以这条线段为起点将out区的路况长、宽尺寸以及车道线位置、人行道位置、路侧出入口、岔路口、路间障碍物、道路弯曲程度、坡度信息在坐标系内予以标注重构；(3)对坐标系中所标注重构的道路分K个区域进行m

步骤3-3：车况降维重构：(1)按K个区域实时采集车况的视频、图片、雷达信号信息，然后利用图像识别、信号识别人工智能算法，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，然后按m

步骤3-4：降维信息存储：将获取的路况、车况多维矩阵数据进行存储，若矩阵中有效信息较少，则可对此类稀疏矩阵进行压缩存储，进一步节省存储空间。

本发明步骤5-3中管控区、IN区拥堵状态的计算步骤如下：

步骤5-3-1：构建原始输入数据集：利用步骤4中(4)、(5)、(6)、(7)数据模型，获取车辆位置特征矩阵、车辆流入流出量特征曲线和车辆速度特征矩阵，然后定义特征所对应的拥堵状态作为标签；

步骤5-3-2：特征预处理：将车辆位置特征矩阵按时间顺序排列，组成一组序列化的矩阵块，后将每个矩阵块进行序列化平铺得到线性特征；将车辆流入流出量特征曲线进行归一化处理；预处理后的三部分特征作为模型的输入特征。

步骤5-3-3：搭建深度学习模型：(1)搭建自注意力机制网络，将预处理后的车辆位置特征矩阵输入进此网络，输出线性特征层结果；(2)搭建残差结构的卷积神经网络，最后输出线性层，将车速特征矩阵输入进此网络，输出线性特征层结果；(3)将归一化处理后的车辆流入流出量特征曲线与两个线性层特征进行拼接合并，输入全连接网络并激活，进行拥堵状态的预测；

步骤5-3-4：模型训练：将数据集送入步骤5-3-3中的深度学习模型训练，运用交叉熵损失函数计算网络模型的损失，训练过程中，若前n(n≥1)个Epoch和后n个Epoch的损失下降差值小于固定值时(固定值＞0)，则模型训练结束，保存模型内的计算参数；

步骤5-3-5：拥堵状态计算：实时获取车辆位置特征矩阵、车辆流入流出量特征曲线和车辆速度特征矩阵，经过步骤5-3-2预处理后，输入网络得到计算结果PC，计算结果表示拥堵概率，设置阈值PC

本发明步骤6中还包括预防溢出管控，即控制in区车辆流入，其中通过步骤6-1中的计算，获取in区的指标，当存在x

本发明步骤6中还包括事故监测管控，通过步骤6-1中的计算，当某车道存在x

本发明步骤6中还包括疏通拥堵管控，通过步骤6-1中的计算，获取管控区的指标，当存在x

本发明步骤6中还包括低效率禁行管控，通过步骤6-1计算，获取out区的指标，绿灯状态下，当某车道放行指标为0时，则切换红灯，重新选择放行其他车道。

本发明与现有技术相比，(1)通过对视频、图片、雷达信号等实时交通数据进行降维重构，一是大幅度缩减了交通数据的存储容量、存储成本，提升了数据的处理效率，二是通过降维重构获取了一系列可量化的技术指标，交通数据处理变得更加精准、规范，三是将一系列可量化的技术指标与数字孪生、虚拟引擎等技术相结合，可以虚拟还原真实的历史交通数据；(2)通过使用坐标曲线、矩阵数据模型对技术指标数据进行多维度特征分析，可以更加精准地获取数据规律、发现数据异常值、实现交通数据处理可视化，从而可以解决人工智能的“黑盒子”操作、“AI不确定”等问题，为人工智能技术广泛应用于交通管控等公共安全领域拓宽了道路；(3)本发明所创新推出的坐标曲线、矩阵数据模型以及算法，可以与人工智能技术、产品深度融合，经过不断地积累、优化，可以为智能交通管控、车路协同、自动驾驶提供可靠的技术支撑。

附图说明：

附图1是本发明的系统流程图。

附图2是本发明实施例1中十字型交通路口的区域图。

附图3是本发明实施例1中路口通行路径图。

附图4是本发明实施例1中监控区路况示意图。

附图5是本发明实施例1中全路况信息矩阵图。

附图6是本发明实施例1中监控区车况示意图。

附图7是本发明实施例1中管控区车况示意图。

附图8是本发明实施例1中监控区车辆位置信息矩阵图。

附图9是本发明实施例1中管控区车辆位置信息矩阵图。

附图10是本发明实施例1中管控区车辆流入数据曲线示意图。

附图11是本发明实施例1中管控区车辆流入数据序列图。

附图12是本发明实施例1中管控区车辆流出数据曲线示意图。

附图13是本发明实施例1中管控区车辆速度跟踪数据示意图。

附图14是本发明实施例1中管控区车辆速度跟踪数据矩阵图。

附图15是本发明实施例1中管控区车辆密度分布数据曲线示意图。

附图16是本发明实施例2中车道线路况矩阵图。

附图17是本发明实施例2中车道宽度路况矩阵图。

附图18是本发明实施例2中IN区车辆流入数据曲线示意图。

附图19是本发明实施例2中IN区车辆速度跟踪数据曲线示意图。

附图20是本发明实施例2中IN区车辆平均速度跟踪数据曲线示意图。

附图21是本发明实施例2中IN区车辆速度跟踪数据矩阵图。

附图22是本发明实施例2中IN区车辆密度分布数据曲线示意图。

附图23是本发明实施例3中OUT区待放行车辆监测数据曲线示意图。

附图24是本发明实施例3中OUT区在途车流监测数据曲线示意图。

附图25是本发明实施例3中OUT区待放行车辆通过时间拟合数据曲线示意图。

具体实施方式：

下面结合附图和实施例，对本发明做进一步的说明。

实施例1：

本例通过对交通路况设置分区、构建通行路径联通图，通过对路况等交通信息进行降维重构、多维度特征分析，利用算法实时掌控管控区拥堵状态并实时对管控区拥堵进行初始化管控。具体过程如下：

步骤1：(如图2所示)构建某一十字型交通路口的区域模型，以停车线和停车线的延伸线为界，将交通路口中心交叉区域设定为管控区，将多个方向的道路延伸区域设定为监控区；然后在各个监控区内将由监控区向管控区流出数据的区域设定为OUT区，将由管控区向监控区流入数据的区域设定为IN区；在本实施例中，对东、南、西、北分别用字母E、S、W、N表示，例如：OUTE代表自西向东向管控区流出数据的OUT区，INE代表自西向东由管控区向监控区注入数据的IN区。

步骤2：(如图3所示)规划该路口的通行路径模型：以监控区的各个OUT区为起点，按左行、直行、右行三个方向与相应IN区做联通，构建OUT区与IN区的联通关系图。

步骤3：对原始数据降维重构：分为数据采集、路况降维重构、车况降维重构和降维信息存储四个步骤：

步骤3-1：数据采集：在监控区域和管控区域内，利用地图、道路工程图纸及摄像头，分路段采集路况信息，包括道路本身的车道长度和宽度、车道线位置、人行道位置、路侧出入口、岔路口、路间障碍物、道路弯曲程度以及坡度信息；分路段采集车辆特征、车流量、车辆运动状态的视频、图片、雷达信号信息；

步骤3-2：路况降维重构(如图4、图5所示)：(1)首先建立直角坐标系并设定比例尺，使真实路况与坐标系之间形成确切的对应关系，在本例中，如图4所示设某一路段out区的真实路况长度L为1400米、路况最大宽度W为20米，设坐标系x轴的每个刻度映射50米的真实路况长度，y轴的每个刻度映射2米的真实路况宽度，则如图4所示，在x轴上取28个刻度、在y轴上取10个刻度便可以完整映射真实路况，图5是对于该段路况边界尺寸和停车线位置用矩阵存储的示意图，在图5中0代表行车道信息，1代表路侧信息，2代表停车线信息；(2)在坐标系中设定一条线段与交通路口的停车线相对应，然后以这条线段为起点将out区的路况长、宽尺寸以及车道线位置、人行道位置、路侧出入口、岔路口、路间障碍物、道路弯曲程度、坡度信息在坐标系内予以标注重构，在本例中，在坐标x＝0、y＝10的位置设定一条线段与交通路口的停车线相对应，然后以这条线段为起点将out区的长宽尺寸、车道线位置、上下坡度等路况信息在坐标系内予以标注重构；(3)对坐标系中所标注重构的道路分K个区域进行m

步骤3-3：车况降维重构(如图6和图8所示)(1)按K个区域实时采集车况的视频、图片、雷达信号信息，然后利用图像识别、信号识别人工智能算法，对车辆特征、车辆位置、车辆运动状况进行检测、追踪并提取特征信息指标，然后按m

步骤3-4：降维信息存储：(如图5、图8、图9、图11、图14、图16、图17、图21所示)将获取的路况、车况多维矩阵数据进行存储，通过将矩阵数据与视频、图像数据进行对比可以发现，矩阵数据所需的存储空间大幅度减少；

步骤4：提取管控区的降维重构数据形成新的坐标曲线或矩阵数据模型，进行多维度特征分析，具体包括：

(1)建立管控区车辆流入数据模型：(如图10所示)监测区域内车况矩阵，设置统计时长t，以t为单位分时计算车辆流入数量，(例如本例中t＝1秒)将每一时刻的流入量进行加和，形成新的序列，然后以时间*数量建立坐标系，形成车辆流入数据曲线进行特征分析(序列见图11)；

(2)建立管控区车辆流出数据模型：(如图12所示)监测区域内车况矩阵，设置统计时长t(例如本例中t＝1秒)，以t为单位分时计算或者累计计算车辆流出数量形成新的矩阵，然后以时间*数量建立坐标系，形成车辆流出数据曲线进行特征分析；

(3)建立管控区车辆速度跟踪数据模型：(如图13所示)监测各区域内车况矩阵，提取各个车辆的速度数据，并且计算多车辆连续速度形成新的矩阵，然后以时间*速度建立坐标系，实时生成车辆速度数据曲线进行特征分析。其中，形成的新矩阵定义为u*v(例如本例中u＝11，v＝16)，它是由多个随时间变化的车辆速度序列组成的，u代表车辆速度时间序列长度，v代表车辆个数(见图14，矩阵中-1数值代表该时刻下车辆未存在)；

(4)建立管控区车辆密度分布数据模型：(如图15所示)监测区域内车况矩阵，实时计算矩阵内车辆覆盖率形成新的矩阵，然后以时间*覆盖率比值建立坐标系，实时生成车辆密度分布曲线进行特征分析；

步骤5：多维度特征数据混合计算：对管控区的拥堵状态进行监测，此部分的计算和预测结果将作为交通动态管控的先提条件。

步骤5-1：利用步骤4中(3)、(4)数据模型，获取管控区内随时间变化的车辆速度特征(具体可见图13，特征包括速度陡降至0持续时间、速度为0车辆数量等)和车辆密度信息(具体可见图15)，设置密度阈值为D＝0.8，持续时间阈值为P＝4，监测到车速陡降至0的多个车辆且车辆密度大于D的持续时间超过P，管控区可能发生事故，事故状态AD＝1。

步骤5-2：利用步骤4中(1)、(2)、(3)、(4)数据模型，获取管控区内车辆流入和流出量、车辆速度、车辆密度随时间变化的特征信息，使用机器学习算法，对管控区拥堵状态进行计算，步骤如下：1、从步骤4(1)、(2)数据模型中获取管控区一段时间的车流量特征，包括流入管控区的车流量信息和流出管控区的车流量信息(具体可见图10和图12，序列见图11)；2、从步骤4(3)数据模型中获取管控区内的车速曲线(或矩阵)(具体可见图13，示意矩阵见图14)，然后从曲线中提取出10秒的速度变化特征；3、从步骤4(4)数据模型中获取管控区某时刻区域内的车辆密度(具体可见图15)及车辆位置矩阵(车况图见图7，位置矩阵见图9)，结合以上三部分信息，设置管控区拥堵阈值PC

步骤6：疏通拥堵(初始化红灯、清空数据)：

设x

实施例2：

本例针对于IN区拥堵，预防溢出执行以下操作：

通过对路况分区、构建通行路径联通图，通过对路况等交通信息进行降维重构、多维度特征分析，利用算法实时掌控IN区拥堵状态并进行动态交通管控。

具体如下：

步骤1：同实施例1中步骤1。

步骤2：同实施例1中步骤2。

步骤3：该实施例与实施例1中步骤3基本相同，但不同点是，该实施例在记录路况信息特征时没有采用图5所示的矩阵(将路侧信息、车道线、行车道信息集中于同一矩阵)，而是如图16和图17所示，分别以不同的矩阵记录车道线、行车道信息，在图16的矩阵中，2代表车道线的信息，0代表车道线以外的信息，在图17的矩阵中，1代表路侧信息，0代表行车道的信息。

步骤4：提取IN区的降维重构数据形成新的坐标曲线或矩阵数据模型，进行多维度特征分析，具体包括：

(1)建立IN区车辆流入数据模型：(如图18所示)监测区域内车况矩阵，设置统计时长t(本例中t＝1秒)，以t为单位分时计算车辆流入数量，将每一时刻的流入量进行加和，形成新的序列，然后以时间*数量建立坐标系，形成车辆流入数据曲线进行特征分析；

(2)建立IN区车辆速度跟踪数据模型：(如图19和图20所示)监测各区域内车况矩阵，提取各个车辆的速度数据，并且计算多车辆连续速度形成新的矩阵，然后以时间*速度建立坐标系，实时生成车辆速度数据曲线进行特征分析。其中，形成的新矩阵定义为u*v(例如本例中u＝11，v＝32)，它是由多个随时间变化的车辆速度序列组成的，u代表车辆速度时间序列长度，v代表车辆个数(见图21，图21中仅展示前16列数值矩阵，矩阵中-1数值代表该时刻下车辆未存在)；

(3)建立IN区车辆密度分布数据模型：(如图22所示)监测区域内车况矩阵，实时计算矩阵内车辆覆盖率形成新的矩阵，然后以时间*覆盖率比值建立坐标系，实时生成车辆密度分布曲线进行特征分析；

步骤5：利用步骤4中(1)、(2)、(3)数据模型，获取IN区内车辆流入和流出量、车辆速度、车辆密度随时间变化的特征信息，使用机器学习算法，对IN区拥堵状态进行计算，步骤如下：1、从步骤4(1)数据模型中获取IN区一段时间的车流入量特征(具体可见图18)；2、从步骤4(2)数据模型中获取IN区内的车速曲线(或矩阵)(具体可见图19，矩阵见图21)，然后从曲线中提取出10秒的速度变化特征；3、从步骤4(3)数据模型中获取管控区某时刻区域内的车辆密度(具体可见图22)及车辆位置矩阵(矩阵见图8)，结合以上三部分信息，设置IN区拥堵阈值PI

步骤6：预防溢出(控制in区车辆流入)：

设x

实施例3：

本例针对OUT区无车，低效率禁行的路况，执行以下操作：

通过对路况分区、构建通行路径联通图，通过对路况等交通信息进行降维重构、多维度特征分析，利用算法实时捕捉OUT区车道闲置状态并进行动态交通管控。具体如下：

步骤1：同实施例1中步骤1。

步骤2：同实施例1中步骤2。

步骤3：同实施例1中步骤3。

步骤4：提取OUT区降维重构数据形成新的坐标曲线或矩阵数据模型，进行多维度特征分析，具体包括：

(1)建立OUT区待放行车辆监测数据模型：(如图23所示)监测区域内车况矩阵，实时计算并提取矩阵内某时刻待放行车辆数量形成新的矩阵，然后以时间*数量建立坐标系，生成待放行车辆数监测曲线进行特征分析；

(2)建立OUT区在途车流监测数据模型：(如图24所示)监测区域内车况矩阵，实时计算在途车流的数量及位置形成新的矩阵，然后以时间*数量建立坐标系，生成在途车流监测曲线进行特征分析；

(3)建立OUT区待放行车辆通过时间拟合数据模型：(如图25所示)监测区域内车况矩阵，计算矩阵内某批次待放行车辆数量及通过时间，然后以数量*时间建立坐标系，对多批次数据进行记录及拟合，获取待放行车辆通过时间的拟合数据曲线进行特征分析；

步骤5：利用步骤4中(1)、(2)数据模型，实时获取或预测OUT区内待放行车辆数量和在途大车流数量。具体为：从数据模型(1)中得到东西南北四方向上左转右转直行等车道的待放行车数量N

步骤6：低效率禁行(解决绿灯空放)：

设置初始状态：设置信号灯初始状态全部亮红灯(红灯＝1)，并设置初始放行的车辆阈值为N

x

，绿灯状态下，确定车道x

实施例4：

通过对路况分区、构建通行路径联通图，通过对路况等交通信息进行降维重构、多维度特征分析，利用算法实时掌控管控区拥堵状态并进行动态交通管控。本例采用与实施例1相同的步骤，其中步骤5-3中关于机器学习算法部分具体如下：

利用机器学习算法进行拥堵预测的步骤如下：

步骤1：构建原始输入数据集：从数据处理模型中分别获取用于描述管控区拥堵状态的三部分特征，包括车辆位置特征矩阵、车辆流入流出量特征曲线和车辆速度特征矩阵或特征图矩阵，及定义特征所对应的拥堵状态，作为标签；其中，车辆流入量、流出量特征通过流入流出曲线获取，获取长度为历史10秒；车辆速度特征为车辆速度图或原始数据降维重构后的特征矩阵，其中包含本区域内多辆车的速度纪录，获取长度为历史10秒；通过设定与阈值的方式定义标签，车辆位置矩阵散点覆盖率大于70％、历史记录的车辆流入流出量差值大于4超过5秒、车辆速度图中平均车速降为10公里每小时以下，则定义为拥堵，否则为通畅；

步骤2：特征预处理：首先，对车辆位置特征矩阵进行预处理，按时间顺序组成一组序列化的矩阵块，然后将矩阵展平后得到一个序列，这样，每个时刻均有一个线性序列来表示，其次，对车辆流入流出量特征曲线进行归一化处理，最后，将预处理后的特征，作为模型的输入特征；

步骤3：搭建深度学习模型：1)首先，搭建全注意力机制网络，将预处理后的车辆位置特征矩阵输入进全连接注意力机制网络，过程中经过2个编码器层，第一个子层连接结构包括一个多头自注意力子层、规范化层和一个残差连接，第二个子层连接结构包括一个前馈全连接子层、规范化层和一个残差连接，然后令编码器中输出的矩阵经过线性层，输出线性特征层结果；2)其次，搭建残差结构的卷积神经网络，将车速特征矩阵或车速特征图输入进残差结构的卷积神经网络，首先令数据均进入相同的二维卷积层，滤波器个数为32，步长为2，卷积核大小为7*7，后接一层最大池化层，步长为2，卷积核大小为3*3，然后，进入两个残差模块，每个残差模块共包含两层卷积，参数相同，滤波器个数为32，卷积核大小为3*3，每个残差模块处理后，连接处理前的信息，一起进入下一个残差模块，最后连接一层平均池化层，经过全连接层，输出线性特征层结果；3)最后，将归一化处理后的车辆流入流出量特征曲线与两个线性层特征进行拼接合并，输入全连接网络，最后接入Softmax层，进行拥堵状态的预测；

步骤4：模型训练：将数据集送入步骤3中的网络进行模型训练，运用交叉熵损失函数计算网络模型的损失，直至模型损失小于既定阈值L，则模型训练结束，保存模型内的计算参数，其中，运用交叉熵损失函数计算网络模型的损失，设预测结果为

训练过程中，若前10个Epoch和后10个Epoch的损失下降差值小于0.1时，则模型训练结束，保存模型内的计算参数，用于进行实时预测；

步骤5：拥堵状态预测：实时从数据处理模型中分别获取用于描述管控区拥堵状态的三部分特征，包括车辆位置特征矩阵、车辆流入流出量特征曲线和车辆速度特征矩阵，经过步骤2的预处理后，输入网络得到预测结果PC，结果为拥堵概率，然后，设置阈值PC

本发明与现有技术相比，(1)通过对视频、图片、雷达信号等实时交通数据进行降维重构，一方面大幅度缩减了交通数据的存储容量、存储成本，提升了数据的处理效率，另一方面通过降维重构获取了一系列可量化的技术指标，交通数据处理变得更加精准、规范；(2)通过使用坐标曲线、矩阵数据模型对技术指标数据进行多维度特征分析，可以更加精准地获取数据规律、发现数据异常值、实现交通数据处理可视化，从而可以解决人工智能的“黑盒子”操作、“AI不确定”等问题，为人工智能技术广泛应用于交通管控等公共安全领域拓宽了道路；(3)本发明所创新推出的坐标曲线、矩阵数据模型以及算法，可以与人工智能技术、产品深度融合，经过不断地积累、优化，可以为智能交通管控、车路协同、自动驾驶提供可靠的技术支撑。