本發(fā)明涉及交通管理領(lǐng)域，尤其涉及一種基于大數(shù)據(jù)的智慧城市交通管理方法。

背景技術(shù)：

1、城市交通擁堵問(wèn)題日益嚴(yán)重，導(dǎo)致出行時(shí)間延長(zhǎng)、能源消耗增加、環(huán)境污染加劇，嚴(yán)重影響居民生活質(zhì)量和城市可持續(xù)發(fā)展。傳統(tǒng)的交通管理方式依賴預(yù)設(shè)規(guī)則和人工干預(yù)，缺乏對(duì)實(shí)時(shí)交通狀況的感知和預(yù)測(cè)能力，難以適應(yīng)日益復(fù)雜的交通環(huán)境；因此，發(fā)明出一種基于大數(shù)據(jù)的智慧城市交通管理方法變得尤為重要。

2、經(jīng)檢索，中國(guó)專利號(hào)cn118736819a公開(kāi)了基于人工智能的智慧城市交通管理方法，該發(fā)明雖然根據(jù)風(fēng)險(xiǎn)因素和區(qū)域信息，預(yù)防交通事故的發(fā)生，降低了交通事故發(fā)生的概率，但是容易出現(xiàn)因短期策略導(dǎo)致長(zhǎng)期擁堵的問(wèn)題，降低規(guī)模路網(wǎng)信號(hào)協(xié)調(diào)能力，無(wú)法適應(yīng)多種交通模式，降低信號(hào)燈調(diào)控的精細(xì)化程度；此外，現(xiàn)有的智慧城市交通管理方法的路徑規(guī)劃的可行性和合理性較低，無(wú)法在有限時(shí)間內(nèi)提供高質(zhì)量路徑，降低動(dòng)態(tài)路徑規(guī)劃的準(zhǔn)確性；為此，我們提出一種基于大數(shù)據(jù)的智慧城市交通管理方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)中存在的缺陷，而提出的一種基于大數(shù)據(jù)的智慧城市交通管理方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、一種基于大數(shù)據(jù)的智慧城市交通管理方法，該管理方法具體步驟如下：

4、ⅰ、通過(guò)多種渠道獲取實(shí)時(shí)交通數(shù)據(jù)，并結(jié)合歷史交通數(shù)據(jù)，構(gòu)建交通數(shù)據(jù)關(guān)聯(lián)庫(kù)；

5、ⅱ、構(gòu)建城市交通網(wǎng)絡(luò)模型，并實(shí)時(shí)同步采集到的交通數(shù)據(jù)，同時(shí)對(duì)城市中各道路交通流進(jìn)行預(yù)測(cè)；

6、ⅲ、各道路交通流預(yù)測(cè)完成后，根據(jù)不同道路的車(chē)流情況，動(dòng)態(tài)調(diào)整信號(hào)燈配時(shí)策略；

7、ⅳ、根據(jù)監(jiān)測(cè)數(shù)據(jù)實(shí)時(shí)分析車(chē)道使用情況，對(duì)突發(fā)事件或高峰時(shí)段車(chē)流變化的車(chē)道分配策略進(jìn)行實(shí)時(shí)優(yōu)化調(diào)整；

8、ⅴ、結(jié)合交通預(yù)測(cè)結(jié)果，向駕駛員推送分流建議，并在突發(fā)擁堵情況下動(dòng)態(tài)調(diào)整行駛路線。

9、作為本發(fā)明的進(jìn)一步方案，步驟ⅰ中所述構(gòu)建交通數(shù)據(jù)關(guān)聯(lián)庫(kù)的具體步驟如下：

10、s1.1：通過(guò)城市傳感器、攝像頭、gps設(shè)備以及移動(dòng)終端各渠道獲取實(shí)時(shí)交通數(shù)據(jù)，通過(guò)z-score方法檢測(cè)各組交通數(shù)據(jù)中的異常數(shù)據(jù)點(diǎn)，并剔除，之后采用拉格朗日插值法填補(bǔ)缺失數(shù)據(jù)，采用時(shí)間插值方法對(duì)齊不同來(lái)源的交通數(shù)據(jù)的時(shí)間戳，再將各組交通數(shù)據(jù)的gps坐標(biāo)轉(zhuǎn)換為標(biāo)準(zhǔn)經(jīng)緯度格式；

11、s1.2：根據(jù)預(yù)定義規(guī)則從交通數(shù)據(jù)庫(kù)中提取各交通事件文本，再使用命名實(shí)體識(shí)別技術(shù)從各組交通事件文本中抽取實(shí)體，包括道路、車(chē)輛、信號(hào)燈以及事件，之后利用nlp技術(shù)識(shí)別各抽取出的各實(shí)體之間的關(guān)系，并使用三元組的形式存儲(chǔ)各實(shí)體及其對(duì)應(yīng)的關(guān)系，通過(guò)neo4j庫(kù)存儲(chǔ)構(gòu)建的各三元組數(shù)據(jù)，以構(gòu)建完整交通數(shù)據(jù)關(guān)聯(lián)庫(kù)；

12、s1.3：基于隨機(jī)游走算法估計(jì)車(chē)輛從路段a到路段b的概率，并通過(guò)圖譜補(bǔ)全算法預(yù)測(cè)各實(shí)體之間的缺失關(guān)系，之后根據(jù)交通數(shù)據(jù)的不斷更新，將新增的交通事件或道路變更增加至交通數(shù)據(jù)關(guān)聯(lián)庫(kù)中，同時(shí)將各實(shí)體之間不再適用的關(guān)系移除。

13、作為本發(fā)明的進(jìn)一步方案，步驟ⅱ中所述對(duì)城市中各道路交通流進(jìn)行預(yù)測(cè)的具體步驟如下：

14、s2.1：收集歷史交通數(shù)據(jù)以及外部因素，并將歷史交通數(shù)據(jù)與對(duì)應(yīng)外部因素匹配，之后預(yù)處理匹配后的各組數(shù)據(jù)，再將處理后的各組數(shù)據(jù)劃分為訓(xùn)練集、測(cè)試集以及驗(yàn)證集，之后依據(jù)cnn與lstm網(wǎng)絡(luò)混合架構(gòu)，創(chuàng)建并初始化一組交通預(yù)測(cè)模型；

15、s2.2：將訓(xùn)練集輸入交通預(yù)測(cè)模型中，交通預(yù)測(cè)模型將訓(xùn)練集護(hù)進(jìn)行前向傳播，通過(guò)模型cnn層的一維卷積分支的多層1d卷積與池化，輸出全局平均池化特征向量，再通過(guò)多層轉(zhuǎn)置卷積提取不同道路之間的空間相關(guān)性，并分析各道路的擁堵情況受到周?chē)缆返挠绊懬闆r；

16、s2.3：交通預(yù)測(cè)模型再通過(guò)lstm層中的輸入門(mén)、遺忘門(mén)以及輸出門(mén)對(duì)訓(xùn)練集進(jìn)行傳播計(jì)算，同時(shí)輸出未來(lái)交通流量的變化趨勢(shì)，之后將cnn層輸出與lstm層輸出傳遞至全連接層，并通過(guò)softmax激活函數(shù)對(duì)兩組輸出結(jié)果進(jìn)行非線性處理，通過(guò)輸出層輸出預(yù)測(cè)道路交通流量數(shù)值以及道路擁堵情況；

17、s2.4：通過(guò)mse函數(shù)計(jì)算交通預(yù)測(cè)模型預(yù)測(cè)結(jié)果與實(shí)際交通情況的損失值，再將計(jì)算出的損失值從交通預(yù)測(cè)模型輸出層開(kāi)始進(jìn)行反向傳播，并計(jì)算損失值對(duì)模型參數(shù)的梯度，再使用adam優(yōu)化器更新參數(shù)，每輪訓(xùn)練結(jié)束后，將驗(yàn)證集輸入交通預(yù)測(cè)模型中，并計(jì)算其對(duì)應(yīng)損失值，若驗(yàn)證損失連續(xù)多次未下降，則停止訓(xùn)練，否則重新對(duì)交通預(yù)測(cè)模型進(jìn)行訓(xùn)練與驗(yàn)證；

18、s2.6：訓(xùn)練結(jié)束后，通過(guò)測(cè)試集評(píng)估交通預(yù)測(cè)模型的性能，并將通過(guò)訓(xùn)練的交通預(yù)測(cè)模型部署至監(jiān)測(cè)平臺(tái)，將采集的實(shí)時(shí)交通數(shù)據(jù)輸入訓(xùn)練完成的交通預(yù)測(cè)模型中，并通過(guò)交通預(yù)測(cè)模型的前向傳播獲取預(yù)測(cè)獲取的各道路交通流量數(shù)值以及道路擁堵情況。

19、作為本發(fā)明的進(jìn)一步方案，步驟ⅲ中所述動(dòng)態(tài)調(diào)整信號(hào)燈配時(shí)策略的具體步驟如下：

20、s3.1：收集當(dāng)前道路交叉口的交通狀況，包括各方向車(chē)道的排隊(duì)長(zhǎng)度、當(dāng)前信號(hào)燈狀態(tài)、歷史車(chē)流趨勢(shì)以及道路預(yù)測(cè)結(jié)果，并根據(jù)收集的各組數(shù)據(jù)設(shè)置當(dāng)前道路的狀態(tài)向量，之后根據(jù)延長(zhǎng)當(dāng)前綠燈時(shí)間、縮短當(dāng)前綠燈時(shí)間以及切換信號(hào)燈相位構(gòu)建動(dòng)作集合；

21、s3.2：根據(jù)動(dòng)作集合中信號(hào)燈調(diào)控以及隨機(jī)道路因素，計(jì)算各道路交叉口的交通狀況轉(zhuǎn)移至下一隨機(jī)交通狀況的轉(zhuǎn)移概率，基于最小化車(chē)輛等待時(shí)間以及最大化道路通行率設(shè)置獎(jiǎng)勵(lì)函數(shù)，并計(jì)算各信號(hào)燈調(diào)控動(dòng)作選擇后，各道路交叉口的交通狀況變化的獎(jiǎng)勵(lì)值；

22、s3.3：計(jì)算在道路交叉口當(dāng)前的交通狀況下，采取動(dòng)作集合中任一信號(hào)燈調(diào)控動(dòng)作的長(zhǎng)期收益，并選取使長(zhǎng)期累積獎(jiǎng)勵(lì)最大的一系列信號(hào)燈調(diào)控動(dòng)作，再利用q-learning更新規(guī)則，不斷模擬以及選擇長(zhǎng)期累積獎(jiǎng)勵(lì)最大的信號(hào)燈調(diào)控策略，直至策略獎(jiǎng)勵(lì)值提升數(shù)值收斂至預(yù)設(shè)范圍，之后輸出使長(zhǎng)期累積獎(jiǎng)勵(lì)最大的一系列信號(hào)燈調(diào)控動(dòng)作，并將其作為信號(hào)燈配時(shí)策略，以進(jìn)行信號(hào)燈控制。

23、作為本發(fā)明的進(jìn)一步方案，步驟ⅳ中所述對(duì)突發(fā)事件或高峰時(shí)段車(chē)流變化的車(chē)道分配策略進(jìn)行實(shí)時(shí)優(yōu)化調(diào)整：

24、s4.1：實(shí)時(shí)獲取各車(chē)道的交通數(shù)據(jù)，包括流量、平均速度、占用率以及變道需求，并設(shè)置各車(chē)道狀態(tài)集合，之后依據(jù)最小化總車(chē)道擁堵指數(shù)構(gòu)建車(chē)道優(yōu)化目標(biāo)函數(shù)，隨機(jī)初始化一組包含多個(gè)車(chē)道分配方案的種群，并通過(guò)車(chē)道優(yōu)化目標(biāo)函數(shù)計(jì)算各車(chē)道分配方案的適應(yīng)度，選取當(dāng)前適應(yīng)度最低的分配方案作為最優(yōu)解；

25、s4.2：設(shè)置一組系數(shù)向量，同時(shí)在每輪迭代時(shí)，生成一個(gè)0到1之間的隨機(jī)數(shù)，若生成的隨機(jī)數(shù)大于預(yù)設(shè)的概率參數(shù)，則依據(jù)系數(shù)向量計(jì)算控制位置更新的系數(shù)a和步長(zhǎng)l，根據(jù)方向的大小判斷其余個(gè)體是否圍繞最優(yōu)解進(jìn)行收縮包圍；

26、s4.3：若|a|＜1，則表示其余種群個(gè)體在最優(yōu)解周?chē)M(jìn)行包圍，并根據(jù)最優(yōu)解對(duì)其余種群個(gè)體進(jìn)行位置更新，即對(duì)各個(gè)體對(duì)應(yīng)的車(chē)道分配方案進(jìn)行調(diào)整，若|a|≥1，則表示其余種群個(gè)體遠(yuǎn)離最優(yōu)解，通過(guò)隨機(jī)搜索，在種群空間中選擇隨機(jī)位置，對(duì)其余種群個(gè)體進(jìn)行位置更新，并在每次迭代結(jié)束后，基于線性遞減的規(guī)則更新系數(shù)向量；

27、s4.4：若生成的隨機(jī)數(shù)小于等于預(yù)設(shè)的概率參數(shù)，則計(jì)算種群中其余種群個(gè)體位置與最優(yōu)解位置的距離，并通過(guò)螺旋形運(yùn)動(dòng)公式，模擬各種群個(gè)體沿螺旋軌跡靠近最優(yōu)解的運(yùn)動(dòng)規(guī)律，更新種群個(gè)體位置；

28、s4.5：反復(fù)進(jìn)行最優(yōu)解選擇以及位置的迭代更新，直至適應(yīng)度值收斂至預(yù)設(shè)閾值范圍內(nèi)，之后對(duì)比各組種群個(gè)體中的適應(yīng)度值，并輸出適應(yīng)度值最高的車(chē)道分配方案，并基于該車(chē)道分配方案調(diào)整當(dāng)前車(chē)道使用情況。

29、作為本發(fā)明的進(jìn)一步方案，步驟ⅴ中所述動(dòng)態(tài)調(diào)整行駛路線的具體步驟如下：

30、s5.1：建立路網(wǎng)圖，且路網(wǎng)圖中節(jié)點(diǎn)表示交叉口，邊代表道路，根據(jù)當(dāng)前車(chē)輛所在節(jié)點(diǎn)、目標(biāo)節(jié)點(diǎn)、當(dāng)前時(shí)間以及預(yù)測(cè)交通狀況，建立車(chē)輛路徑規(guī)劃狀態(tài)集合，之后基于車(chē)輛從當(dāng)前交叉口選擇下一個(gè)交叉口，形成對(duì)應(yīng)路徑；

31、s5.2：將路網(wǎng)圖中車(chē)輛當(dāng)前所在節(jié)點(diǎn)作為根節(jié)點(diǎn)，并計(jì)算與該節(jié)點(diǎn)相連的個(gè)節(jié)點(diǎn)的ucb值，基于上置信區(qū)間選擇策略，逐步選擇ucb值最大的節(jié)點(diǎn)，直至搜索到一個(gè)未完全探索的節(jié)點(diǎn)，之后選取當(dāng)前交叉口的鄰接交叉口，并將其加入搜索樹(shù)，作為新的候選路徑，以擴(kuò)展新路徑；

32、s5.4：從新擴(kuò)展的節(jié)點(diǎn)開(kāi)始，隨機(jī)模擬一條完整路徑直至目標(biāo)節(jié)點(diǎn)，并計(jì)算總通行時(shí)間，之后將模擬結(jié)果回溯至根節(jié)點(diǎn)，并更新同一路徑中各節(jié)點(diǎn)的的訪問(wèn)次數(shù)以及平均通行時(shí)間；

33、s5.5：重復(fù)選擇、擴(kuò)展、模擬以及回溯過(guò)程，直至路徑通行時(shí)間在多輪迭代過(guò)程中變化值收斂至預(yù)設(shè)范圍，之后遍歷路網(wǎng)圖中構(gòu)建的各組路徑，并選取最小通行時(shí)間路徑作為車(chē)輛的最優(yōu)路徑，同時(shí)發(fā)送新的路徑規(guī)劃指令至導(dǎo)航系統(tǒng)。

34、相比于現(xiàn)有技術(shù)，本發(fā)明的有益效果在于：

35、1、該基于大數(shù)據(jù)的智慧城市交通管理方法收集當(dāng)前道路交叉口的交通狀況，包括各方向車(chē)道的排隊(duì)長(zhǎng)度、當(dāng)前信號(hào)燈狀態(tài)、歷史車(chē)流趨勢(shì)以及道路預(yù)測(cè)結(jié)果，并根據(jù)收集的各組數(shù)據(jù)設(shè)置當(dāng)前道路的狀態(tài)向量，之后根據(jù)延長(zhǎng)當(dāng)前綠燈時(shí)間、縮短當(dāng)前綠燈時(shí)間以及切換信號(hào)燈相位構(gòu)建動(dòng)作集合，根據(jù)動(dòng)作集合中信號(hào)燈調(diào)控以及隨機(jī)道路因素，計(jì)算各道路交叉口的交通狀況轉(zhuǎn)移至下一隨機(jī)交通狀況的轉(zhuǎn)移概率，基于最小化車(chē)輛等待時(shí)間以及最大化道路通行率設(shè)置獎(jiǎng)勵(lì)函數(shù)，并計(jì)算各信號(hào)燈調(diào)控動(dòng)作選擇后，各道路交叉口的交通狀況變化的獎(jiǎng)勵(lì)值，計(jì)算在道路交叉口當(dāng)前的交通狀況下，采取動(dòng)作集合中任一信號(hào)燈調(diào)控動(dòng)作的長(zhǎng)期收益，并選取使長(zhǎng)期累積獎(jiǎng)勵(lì)最大的一系列信號(hào)燈調(diào)控動(dòng)作，再利用q-learning更新規(guī)則，不斷模擬以及選擇長(zhǎng)期累積獎(jiǎng)勵(lì)最大的信號(hào)燈調(diào)控策略，直至策略獎(jiǎng)勵(lì)值提升數(shù)值收斂至預(yù)設(shè)范圍，之后輸出使長(zhǎng)期累積獎(jiǎng)勵(lì)最大的一系列信號(hào)燈調(diào)控動(dòng)作，并將其作為信號(hào)燈配時(shí)策略，以進(jìn)行信號(hào)燈控制，能夠避免短期策略導(dǎo)致長(zhǎng)期擁堵，提升大規(guī)模路網(wǎng)信號(hào)協(xié)調(diào)能力，適應(yīng)多種交通模式，提升信號(hào)燈調(diào)控的精細(xì)化程度。

36、2、該基于大數(shù)據(jù)的智慧城市交通管理方法建立路網(wǎng)圖以及車(chē)輛路徑規(guī)劃狀態(tài)集合，之后基于車(chē)輛從當(dāng)前交叉口選擇下一個(gè)交叉口，形成對(duì)應(yīng)路徑，將路網(wǎng)圖中車(chē)輛當(dāng)前所在節(jié)點(diǎn)作為根節(jié)點(diǎn)，并計(jì)算與該節(jié)點(diǎn)相連的個(gè)節(jié)點(diǎn)的ucb值，基于上置信區(qū)間選擇策略，逐步選擇ucb值最大的節(jié)點(diǎn)，直至搜索到一個(gè)未完全探索的節(jié)點(diǎn)，之后選取當(dāng)前交叉口的鄰接交叉口，并將其加入搜索樹(shù)，作為新的候選路徑，以擴(kuò)展新路徑，從新擴(kuò)展的節(jié)點(diǎn)開(kāi)始，隨機(jī)模擬一條完整路徑直至目標(biāo)節(jié)點(diǎn)，并計(jì)算總通行時(shí)間，之后將模擬結(jié)果回溯至根節(jié)點(diǎn)，并更新同一路徑中各節(jié)點(diǎn)的的訪問(wèn)次數(shù)以及平均通行時(shí)間，重復(fù)選擇、擴(kuò)展、模擬以及回溯過(guò)程，直至路徑通行時(shí)間在多輪迭代過(guò)程中變化值收斂至預(yù)設(shè)范圍，之后遍歷路網(wǎng)圖中構(gòu)建的各組路徑，并選取最小通行時(shí)間路徑作為車(chē)輛的最優(yōu)路徑，同時(shí)發(fā)送新的路徑規(guī)劃指令至導(dǎo)航系統(tǒng)，能夠提高路徑規(guī)劃的可行性和合理性，在有限時(shí)間內(nèi)能夠提供高質(zhì)量路徑，提高動(dòng)態(tài)路徑規(guī)劃的準(zhǔn)確性，優(yōu)化整體通行效率，減少城市平均擁堵時(shí)間。