交通线路分配方法及装置制造方法及图纸

本公开提供的一种交通线路分配方法及装置，涉及交通技术领域，本公开提供的交通线路分配方法及装置，通过实时获取当下时间段内的交通数据，并将交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间，在得到预测行程时间后，根据预先构建的带时间维度的逻辑图网络以及预测行程时间，计算得到出行成本期望值，进而根据出行成本期望值计算得到推荐路线方案，由此，提高了交通通行的畅通性。

Method and Device of Traffic Line Distribution

【技术实现步骤摘要】
交通线路分配方法及装置
本公开涉及交通
，具体而言，涉及一种交通线路分配方法及装置。
技术介绍
现有的交通诱导方案通常是基于地理信息和历史道路通行时间给用户提供诱导建议。据研究表明，当大量用户接受相同的诱导信息时，就容易发生聚集和过激反应现象，从而使一条路段的拥堵转移至另一条路段，严重时甚至会产生一种道路使用的振荡现象，降低交通通行的整体效率。
技术实现思路
有鉴于此，本公开提供一种交通线路分配方法及装置。本公开提供一种交通线路分配方法，所述方法包括：实时获取当下时间段内的交通数据。将所述交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间。根据预先构建的带时间维度的逻辑图网络以及所述预测行程时间，计算得到出行成本期望值。根据所述出行成本期望值计算得到推荐路线方案。进一步的，所述交通预测模型通过以下步骤训练得到：从历史道路通行时间数据集中提取预设时间段内的行程时间矩阵、分配概率矩阵、天气特征矩阵以及事件特征矩阵。根据行程时间矩阵，得到长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵以及即时交通变化趋势的特征矩阵。将所述长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵、即时交通变化趋势的特征矩阵、分配概率矩阵、天气特征矩阵以及事件特征矩阵输入至深度卷积神经网络中，进行训练，得到预测输出数据。基于所述预测输出数据，构建损失函数，并根据所述损失函数对模型参数进行调整，以调整后的参数作为所述交通预测模型的参数。进一步的，所述根据行程时间矩阵，得到长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵以及即时交通变化趋势的特征矩阵的步骤包括：根据行程时间矩阵，通过以下公式得到长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵以及即时交通变化趋势的特征矩阵：其中，表示ti时刻的行程时间矩阵；表示长时交通变化趋势特征矩阵；表示同时间段交通特性特征矩阵；表示即时交通变化趋势的特征矩阵；rt表示时间窗口长度；wt表示一周时间长度；st，mt表示取样时间间隔长度，st<mt；ρ，θ表示更新权重比。进一步的，所述损失函数的公式为：其中，θ表示当前交通预测模型参数；J(θ)为参数为θ时交通预测模型的损失值；x为交通预测模型的输入值；n为样本数量；i为1到n的数；y(i)为第i个输入值对应的真实输出值；h(θ)(x(i))为训练后交通预测模型在参数为θ、输入为x时的预测输出数据。进一步的，所述带时间维度的逻辑图网络通过以下步骤得到：从地理信息中提取交通网络中道路间的逻辑关系，设置需求中心，以车流走向分歧点为结点，以车流行走路线为边构建逻辑图网络。将所述逻辑图网络在时间维度上展开，以得到带时间维度的逻辑图网络。进一步的，所述根据预先构建的带时间维度的逻辑图网络以及所述预测行程时间，计算得到出行成本期望值的步骤包括：根据预先构建的带时间维度的逻辑图网络以及所述预测行程时间，通过以下公式计算得到出行成本期望值：其中，表示在tn时间点从结点i出行开往终点d的出行成本期望值。i,j,k表示所述带时间维度的逻辑图网络中的结点。d表示终点，d∈D，D为所述带时间维度的逻辑图网络中的需求中心点的集合。表示在tn时刻，从结点i行驶到结点j的预测行程时间。A(j)表示所有以结点j为起点的边的终点的集合。表示在tn时刻到达终点d选择从结点j到结点k的概率。表示在tn时刻到达终点d选择从结点j到结点k所需要的期望行程时间。进一步的，所述根据所述出行成本期望值计算得到推荐路线方案的步骤包括：根据每条道路的出行成本期望值，计算得到每条道路的推荐流量配比。根据每条道路的推荐流量配比得到流量配比建议矩阵。根据所述流量配比建议矩阵，得到推荐路线方案。进一步的，所述根据每条道路的出行成本期望值，计算得到每条道路的推荐流量配比的步骤包括：根据每条道路的出行成本期望值，通过以下公式计算得到每条道路的推荐流量配比：其中，表示tn时间点从结点i出行开往终点d的过程中，结点i到结点j的推荐流量配比。i,j表示所述带时间维度的逻辑图网络中的结点。A(i)表示所有以结点i为起点的边的终点的集合。表示在tn时刻，边(i,j)的相关自适应参数；表示在tn时刻从结点i出行开往终点d的出行成本期望值。为在tn时刻，以结点i为起点的所有边开往d点的平均出行成本期望值。进一步的，所述根据每条道路的推荐流量配比得到流量配比建议矩阵的步骤包括：根据每条道路的推荐流量配比，通过以下公式得到流量配比建议矩阵：其中，表示tn时间点从结点i出行开往终点d的过程中，结点i到结点j的推荐流量配比。N为所述带时间维度的逻辑图网络中的边；D为所述带时间维度的逻辑图网络中的需求中心点的集合。本公开提供一种交通线路分配装置，包括获取模块、计算模块以及推荐模块。所述获取模块用于实时获取当下时间段内的交通数据。所述计算模块用于将所述交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间。所述计算模块还用于根据预先构建的带时间维度的逻辑图网络以及所述预测行程时间，计算得到出行成本期望值。所述推荐模块根据所述出行成本期望值计算得到推荐路线方案。本公开提供的一种交通线路分配方法及装置，通过实时获取当下时间段内的交通数据，并将交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间，在得到预测行程时间后，根据预先构建的带时间维度的逻辑图网络以及预测行程时间，计算得到出行成本期望值，进而根据出行成本期望值计算得到推荐路线方案，由此，提高了交通通行的畅通性。本公开提供的一种交通线路分配方法及装置，通过实时获取当下时间段内的交通数据，并将交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间，由此，在对流量过于集中的局部交通网络给出分流方案时，对该交通网络即将发生的变化以及控制策略所带来的影响作出了预判，在得到预判结果，即预测行程时间后，根据预先构建的带时间维度的逻辑图网络以及预测行程时间，计算得到出行成本期望值，并根据出行成本期望值计算得到推荐路线方案，由此，在预判的结果上选择下一步策略，提高了交通分流的准确性以及交通通行的畅通性。为使本公开的上述目的、特征和优点能更明显易懂，下文特举本公开较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本公开的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，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相关的附图。图1为本公开所提供的电子设备的一种方框示意图。图2为本公开所提供的交通线路分配方法的一种流程示意图。图3为本公开提供的交通线路分配方法的另一种流程示意图。图4为本公开提供的交通预测模型的训练过程原理示意图。图5为本公开提供的交通线路分配方法的又一种流程示意图。图6为本公开提供的逻辑图网络的一种基本结构示意图。图7为本公开提供的交通线路分配方法的又一种流程示意图。图8为本公开提供的交通线路分配装置的一种方框示意图。图标：100-电子设备；10-交通线路分配装置；11-获取模块；12-计算模块；13-推荐模块；20-存储器；30-处理器。具体实施方式下面将结合本公开中附图，对本公开中的技术方案进行清楚、本文档来自技高网...

【技术保护点】
1.一种交通线路分配方法，其特征在于，所述方法包括：实时获取当下时间段内的交通数据；将所述交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间；根据预先构建的带时间维度的逻辑图网络以及所述预测行程时间，计算得到出行成本期望值；根据所述出行成本期望值计算得到推荐路线方案。

【技术特征摘要】
1.一种交通线路分配方法，其特征在于，所述方法包括：实时获取当下时间段内的交通数据；将所述交通数据输入至预先训练得到的交通预测模型中，得到预测行程时间；根据预先构建的带时间维度的逻辑图网络以及所述预测行程时间，计算得到出行成本期望值；根据所述出行成本期望值计算得到推荐路线方案。2.根据权利要求1所述的交通线路分配方法，其特征在于，所述交通预测模型通过以下步骤训练得到：从历史道路通行时间数据集中提取预设时间段内的行程时间矩阵、分配概率矩阵、天气特征矩阵以及事件特征矩阵；根据行程时间矩阵，得到长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵以及即时交通变化趋势的特征矩阵；将所述长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵、即时交通变化趋势的特征矩阵、分配概率矩阵、天气特征矩阵以及事件特征矩阵输入至深度卷积神经网络中，进行训练，得到预测输出数据；基于所述预测输出数据，构建损失函数，并根据所述损失函数对模型参数进行调整，以调整后的参数作为所述交通预测模型的参数。3.根据权利要求2所述的交通线路分配方法，其特征在于，所述根据行程时间矩阵，得到长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵以及即时交通变化趋势的特征矩阵的步骤包括：根据行程时间矩阵，通过以下公式得到长时交通变化趋势特征矩阵、同时间段交通特性特征矩阵以及即时交通变化趋势的特征矩阵：其中，表示ti时刻的行程时间矩阵；表示长时交通变化趋势特征矩阵；表示同时间段交通特性特征矩阵；表示即时交通变化趋势的特征矩阵；rt表示时间窗口长度；wt表示一周时间长度；st，mt表示取样时间间隔长度，st<mt；ρ，θ表示更新权重比。4.根据权利要求3所述的交通线路分配方法，其特征在于，所述损失函数的公式为：其中，θ表示当前交通预测模型参数；J(θ)为参数为θ时交通预测模型的损失值；x为交通预测模型的输入值；n为样本数量；i为1到n的数；y(i)为第i个输入值对应的真实输出值；h(θ)(x(i))为训练后交通预测模型在参数为θ、输入为x时的预测输出数据。5.根据权利要求1所述的交通线路分配方法，其特征在于，所述带时间维度的逻辑图网络通过以下步骤得到：从地理信息中提取交通网络中道路间的逻辑关系，设置需求中心，以车流走向分歧点为结点，以车流行走路线为边构建逻辑图网络；将所述逻辑图网络在时间维度上展开，以得到带时间维度的逻辑图网络。6.根据权利要求1所述的交通线路分配方法，其特征在于，所述根据预先构建的带时间维度...

【专利技术属性】
技术研发人员：沈贝伦，常荣虎，陈玉琴，俞山青，李金飞，王要超，
申请(专利权)人：杭州中奥科技有限公司，
类型：发明
国别省市：浙江,33