本發(fā)明涉及智慧城市交通管理，特別是涉及一種城市交通擁堵智能預測與疏導系統(tǒng)及其方法。

背景技術：

1、隨著城市化進程的加速，城市交通擁堵問題日益嚴重，給城市居民的出行和城市經(jīng)濟發(fā)展帶來了巨大的負面影響。傳統(tǒng)的交通管理系統(tǒng)通常采用固定配時的信號燈控制方案，無法根據(jù)實時交通狀況進行動態(tài)調整，導致交通擁堵問題難以有效解決。

2、現(xiàn)有技術中的交通管理系統(tǒng)主要存在以下幾個方面的不足：首先，數(shù)據(jù)采集單一，主要依靠固定安裝的傳感器獲取交通數(shù)據(jù)，無法全面反映交通狀況；其次，交通流預測模型簡單，通常采用傳統(tǒng)的統(tǒng)計方法或簡單的機器學習算法，預測準確度不高；再次，缺乏對突發(fā)事件影響的評估和應對機制，當發(fā)生交通事故或惡劣天氣等突發(fā)情況時，系統(tǒng)無法有效應對；最后，信號燈控制方案缺乏智能性和自適應性，無法根據(jù)交通狀況進行動態(tài)優(yōu)化調整。

3、因此，亟需一種能夠全面采集交通數(shù)據(jù)、精準預測交通流量、有效評估突發(fā)事件影響并提供智能信號燈控制方案的城市交通擁堵智能預測與疏導系統(tǒng)及其方法，以解決城市交通擁堵問題。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種城市交通擁堵智能預測與疏導系統(tǒng)及其方法，旨在解決現(xiàn)有技術中數(shù)據(jù)采集單一、交通流預測準確度不高、缺乏突發(fā)事件影響評估機制以及信號燈控制方案缺乏智能性和自適應性等問題。

2、本發(fā)明提出了城市交通擁堵智能預測與疏導系統(tǒng)，包括：

3、數(shù)據(jù)采集模塊，用于實時采集和更新多種類型和來源的交通數(shù)據(jù)；

4、交通預測模塊，與所述數(shù)據(jù)采集模塊通信連接，用于接收所述數(shù)據(jù)采集模塊發(fā)送的交通數(shù)據(jù)，基于所述交通數(shù)據(jù)構建交通擁堵的預測模型，得到交通流量的預測結果；

5、事件影響評估模塊，與所述交通預測模塊通信連接，用于分析突發(fā)事件對交通狀態(tài)的影響；

6、基于深度強化學習的智能疏導模塊，與所述交通預測模塊和所述事件影響評估模塊通信連接，用于基于所述交通流量的預測結果和所述突發(fā)事件對交通狀態(tài)的影響，提供實時的交通信號燈控制方案。

7、作為優(yōu)選，所述數(shù)據(jù)采集模塊采集的交通數(shù)據(jù)包括：

8、基礎設施數(shù)據(jù)，包括車流量、行人流量、公交擁堵、道路施工擁堵、天氣影響和交通事故；

9、車載智能終端數(shù)據(jù)，包括車輛位置、車輛速度和車輛類型；

10、動態(tài)傳感器數(shù)據(jù)，包括交通信號燈狀態(tài)和行人信號燈狀態(tài)。

11、作為優(yōu)選，所述交通預測模塊包括：

12、圖神經(jīng)網(wǎng)絡，由多級卷積層堆疊而成，通過將歷史交通流數(shù)據(jù)存儲在圖結構中，并利用多個卷積層逐漸提取交通流的時間依賴關系，其中每一級卷積都由時空圖卷積和空間圖卷積兩個子操作組成；

13、時空注意力機制，用于對所述圖神經(jīng)網(wǎng)絡中的低級特征進行提取，獲得城市路網(wǎng)的全局動態(tài)特征，基于所述全局動態(tài)特征確定交通擁堵的預測結果。

14、作為優(yōu)選，所述圖神經(jīng)網(wǎng)絡中包含三個圖：

15、第一圖，基于路口和時間間隔構建的時間圖，包括歷史交通流量和擁堵狀態(tài)；

16、第二圖，表示城市路網(wǎng)的每一步空間交通流狀態(tài)；

17、第三圖，由歷史數(shù)據(jù)中的動態(tài)交通流形成，用于建模邊之間的相關性。

18、作為優(yōu)選，所述事件影響評估模塊包括：

19、事件分析子模塊，用于對歷史和實時事件進行收集和分類，根據(jù)事件屬性提取關鍵字，利用自然語言處理技術進行處理和分析，生成事件-交通狀態(tài)關系；

20、瞬時影響預測子模塊，用于基于事件與城市道路的關聯(lián)特征、城市道路的交通流量特征，構建事件影響評估模型，評估不同時刻不同事件對交通流量的影響。

21、作為優(yōu)選，所述基于深度強化學習的智能疏導模塊包括：

22、狀態(tài)評估子模塊，用于基于實時的交通流量數(shù)據(jù)和所述事件影響評估模塊的結果，確定城市路網(wǎng)的狀態(tài)；

23、深度強化學習算法子模塊，用于通過與智能疏導模塊進行交互，確定不同城市路網(wǎng)交叉路口的信號燈控制方案；

24、信號燈優(yōu)化子模塊，用于通過調整信號燈配時方案，以減少總體城市路網(wǎng)擁堵和行程時間。

25、作為優(yōu)選，所述深度強化學習算法子模塊包括：

26、狀態(tài)空間構建單元，用于將當前城市的交通流量與對應控制參數(shù)構成的集合記作狀態(tài)空間；

27、觀察空間構建單元，用于將每個時隙所有路徑交通流量觀測的集合記作觀察空間；

28、動作空間構建單元，用于將控制參數(shù)集合視為動作空間；

29、q值計算單元，用于構建圖卷積神經(jīng)網(wǎng)絡作為q函數(shù)，表征當前狀態(tài)下執(zhí)行當前動作前往下一狀態(tài)的q值。

30、作為優(yōu)選，所述信號燈優(yōu)化子模塊通過以下步驟執(zhí)行：

31、計算路口通過車輛密度，定義為路口預測的單位時間內的通過車輛數(shù)與路口單位時間內允許通過的最大車輛數(shù)的比值；

32、計算路段密度，定義為路口與路口組成路段對路段的密度；

33、計算路徑通行速度，定義為路口到路口的路徑通行速度；

34、確定最佳配時時長，并通過優(yōu)化目標函數(shù)得到路口的信號配時。

35、作為優(yōu)選，所述系統(tǒng)還包括路網(wǎng)精細化建模模塊，用于：

36、構建路段特征，包括提取路段起終點坐標、相交路口集合和路段集合等地圖特征信息；

37、構建路口特征，包括定義路口的道路集合、出入口集合和鄰接路口集合，構建路口狀態(tài)矩陣；

38、執(zhí)行多級擁堵評估，包括路口擁堵三級評估和路段擁堵四級評估。

39、城市交通擁堵智能預測與疏導方法，包括以下步驟：

40、通過數(shù)據(jù)采集模塊實時采集和更新多種類型和來源的交通數(shù)據(jù)；

41、通過交通預測模塊接收所述數(shù)據(jù)采集模塊發(fā)送的交通數(shù)據(jù)，基于所述交通數(shù)據(jù)構建交通擁堵的預測模型，得到交通流量的預測結果；

42、通過事件影響評估模塊分析突發(fā)事件對交通狀態(tài)的影響；

43、通過基于深度強化學習的智能疏導模塊，基于所述交通流量的預測結果和所述突發(fā)事件對交通狀態(tài)的影響，提供實時的交通信號燈控制方案。

44、本發(fā)明提供的城市交通擁堵智能預測與疏導系統(tǒng)及其方法具有以下有益效果：

45、1.通過多源異構數(shù)據(jù)融合，實現(xiàn)了對交通狀況的全面感知，為交通流預測提供了豐富的數(shù)據(jù)支持；

46、2.采用圖神經(jīng)網(wǎng)絡與時空注意力機制相結合的深度學習模型，顯著提高了交通流預測的準確度；

47、3.創(chuàng)新性地引入事件影響評估機制，能夠有效評估突發(fā)事件對交通狀態(tài)的影響，提高系統(tǒng)的應變能力；

48、4.基于深度強化學習的智能疏導機制，實現(xiàn)了信號燈控制方案的自適應優(yōu)化，有效緩解交通擁堵問題；

49、5.通過路網(wǎng)精細化建模，實現(xiàn)了對路口和路段的高精度表達和擁堵評估，為疏導決策提供了準確依據(jù)。

技術特征：

1.城市交通擁堵智能預測與疏導系統(tǒng)，其特征在于，包括：

2.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述數(shù)據(jù)采集模塊采集的交通數(shù)據(jù)包括：

3.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述交通預測模塊包括：

4.根據(jù)權利要求3所述的系統(tǒng)，其特征在于，所述圖神經(jīng)網(wǎng)絡中包含三個圖：

5.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述事件影響評估模塊包括：

6.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述基于深度強化學習的智能疏導模塊包括：

7.根據(jù)權利要求6所述的系統(tǒng)，其特征在于，所述深度強化學習算法子模塊包括：

8.根據(jù)權利要求6所述的系統(tǒng)，其特征在于，所述信號燈優(yōu)化子模塊通過以下步驟執(zhí)行：

9.根據(jù)權利要求1所述的系統(tǒng)，其特征在于，所述系統(tǒng)還包括路網(wǎng)精細化建模模塊，用于：

10.城市交通擁堵智能預測與疏導方法，采用權利要求1-9任一項所述的系統(tǒng)，其特征在于，包括以下步驟：

技術總結
本發(fā)明涉及智慧城市交通管理技術領域，特別是涉及一種城市交通擁堵智能預測與疏導系統(tǒng)及其方法，該系統(tǒng)融合數(shù)據(jù)采集、交通預測、事件影響評估和智能疏導四大模塊；數(shù)據(jù)采集模塊實時更新多源交通數(shù)據(jù)，為預測提供堅實基礎；交通預測模塊基于接收數(shù)據(jù)，運用圖神經(jīng)網(wǎng)絡與時空注意力機制相結合的深度學習模型，精準預測交通流量。事件影響評估模塊分析突發(fā)事件對交通的影響，確保疏導策略的針對性；智能疏導模塊結合預測結果和事件影響，利用深度強化學習，實時優(yōu)化交通信號燈控制方案；系統(tǒng)通過多源異構數(shù)據(jù)融合，全面感知交通狀況，顯著提升交通流預測準確度，實現(xiàn)智能、高效的交通管理。

技術研發(fā)人員：林炳漂,林楓
受保護的技術使用者：北京知達客信息技術有限公司
技術研發(fā)日：
技術公布日：2025/5/15