基于城市画像的交通拥堵状态传播预测和预警系统及方法技术方案

本发明专利技术公开了一种基于城市画像的交通拥堵状态预测和预警系统及方法，包含下列模块：数据收集和处理模块、深度学习模块、历史记录模块和前端展示模块；利用交通摄像头提供的数据，实时记录每条街道和路口的路况信息；将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到动态图的深度学习模型中，构建实时城市画像，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息。

【技术实现步骤摘要】
基于城市画像的交通拥堵状态传播预测和预警系统及方法
本专利技术涉及一种基于城市画像的交通拥堵状态传播预测和预警系统及方法，属于信息

技术介绍
随着城市化的发展，到2050年，研究估计将有60亿人居住在城市，而城市中的交通和民生、经济、教育、住房等社会痛点问题息息相关，密切关系到一个城市的发展和繁荣，只有一个安全、高效的交通环境才能对城市的发展起到正向的助推作用。当下，城市的主要街道上都装有交通监管摄像头，能够清晰地记录经过街道的车辆和行人等信息，这些数据为城市交通监管的进一步发展提供了条件。拥堵是影响城市交通效率最严重的问题之一，拥堵的起因一般是一个路口承受了高于预期的交通流量或者某个交通密集的区域发生了交通事故，而且交通拥堵会呈现从一个点、一个路口进行传播扩散的趋势。本专利技术设计的方法，在构建城市画像的同时，能够准确的对这种传播趋势进行预测，并将预测和预警结果直观地反馈给交通管理部门，也可以向民众提供出行规划的依据，提高城市交通的效率。一个无向图由结点集合和边集合构成，动态图是指多个图按照一定的顺序排列所组成的图的序列，这个顺序一般情况下是真实世界的时间顺序。现实世界中，很多物体或者关系都可以抽象成无向图，而动态图则能更好的表现这些个体在一定时间段内的变化和发展，是我们研究其中可能存在的潜在规律的数据工具。交通拥堵的检测和预测问题本质上是图上的异常检测问题，常见的异常检测问题包含异常结点检测、异常边检测、异常子图检测和异常事件检测，本专利技术所针对的问题具体是要预测拥堵的交通路口，进而车辆可以借助预测信息进行合理的路线规划，属于异常结点检测问题。而在交通问题中，路口和道路的连接状况不会轻易发生改变，也就是每时每刻，图的拓扑结构是相同的，变化只是点和边上的特征变量，也就是实时的交通状况。对于序列数据的处理和预测，常用的深度学习方法是循环神经网络，一般用来解决自然语言处理问题。循环神经网络是一类建立在时序序列之上、结点之间存在有向连接的神经网络，能够发现动态行为中的规律。然而，传统的循环神经网络存在长期依赖问题，随着时刻的推移，循环神经网络逐渐丢失了早期输入的记忆，做出的预测仅仅参考最近的输入数据，当数据越多，数据所横跨的时间越长，长期依赖就凸显得越明显。为解决这个问题，长短期记忆网络(LongShortTermNetwork，LSTM)应运而生。LSTM在循环神经网络得基础上做改进，每个LSTM神经元内部设计了两条信息流：长时记忆和短时记忆，来兼顾不同时刻得输入信息。平台以网站的方式实现，采用的网络框架是Django，全部使用python语言。Django功能丰富，提供一站式的解决方案，路由设计使用集中处理的方式，采用正则法进行匹配，模块化集成在命令里，支持模块的复用，可扩展性好，即使未来网站的体量变得庞大也能够有效应对。
技术实现思路
本专利技术技术解决问题：针对城市化发展中的痛点和城市交通拥堵问题，克服现有技术的不足，设计一个基于城市画像的交通拥堵状态传播预测和预警系统及方法，对于解决交通问题中对未来时段的预测，并对拥堵区域汇报预警信息。本专利技术技术解决方案：一种基于城市画像的交通拥堵状态预测和预警系统，所述系统在展示城市现有交通状况、构建城市画像的同时，能够以设定的时间，例如10分钟为一个时段，对下个时段城市交通的拥堵情况进行预测，预测值为每个路口在下个时段发生拥堵的概率，模拟城市交通拥堵状态的传播，对路口的拥堵概率进行离散的阈值，具体数值由用户根据实际的交通预测需求进行调整，系统的实现为网站形式，拥堵状态传播的预测结果会反馈到前端展示界面，给用户最直观的观感；所述系统包括：数据收集和处理模块、深度学习算法模块、历史记录模块、前端展示模块和网站后端模块；数据收集和处理模块：负责城市交通数据的收集和处理；城市交通数据包括城市基础数据和城市实时数据；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度。数据收集和处理的过程利用城市基础数据和城市实时数据，构建城市画像，城市画像是基于城市数据的可视化系统，城市画像能将城市的交通状况可视化，同时利用城市基础数据和城市实时数据能够直观地呈现城市交通基础信息和动态实时信息；此外，数据收集和处理模块还负责将城市基础数据输送给网站后端模块，将城市基础数据和城市实时数据以序列的形式输送给训练好的深度学习算法模块并根据深度学习算法模块的拥堵状态预测结果补充实时的城市画像；深度学习算法模块：以动态图神经网络为算法核心，在城市画像构建的基础上，使用循环神经网络接收序列形式的城市基础数据和城市实时数据，对城市拥堵状态的传播进行预测；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度；在对城市基础数据和实时数据进行整理的过程中，将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到动态图的深度学习模型中，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息，最后输出的是下一时刻各个路口发生拥堵的概率值；历史记录模块：负责对城市交通的历史数据、拥堵情况预测历史和查询历史进行存储，其中城市交通的历史数据来自数据收集和处理模块在之前时间所处理过的城市基础和实时数据，拥堵状况预测历史来自深度学习算法模块在之前时间所预测过的城市交通拥堵状况，查询历史来自前端展示模块的用户查询记录；在用户查询城市过往交通情况的需求下，能够对城市画像进行复现；城市交通的历史数据包括数据收集和处理模块得到的城市基础数据和实时数据，既有直接通过网站前端展示的数据，也有输入给深度学习算法模块的数据；拥堵情况预测历史包括深度学习算法模块每次对城市交通拥堵情况预测的结果；查询历史包括使用者对城市交通预测情况的查询信息，即查询时间、重点查询路口和重点查询道路；城市交通历史数据和拥堵情况预测历史数据存储周期是7天，查询历史数据存储周期是1个月；前端展示模块：对数据收集和处理模块得到的城市画像和深度学习算法模块得到的交通拥堵状态传播预测结果进行展示；该模块展示的具体内容包括城市的拓扑结构、每条道路的名字、交通拥堵传播预测结果；前端展示模块能够展示城市的基础交通信息，并能够承载拥堵状态传播预测结果的绘制和呈现；网站后端模块：实现城市基础数据、城市实时数据、深度学习算法模块预测结果的整合、处理、深度学习算法模型的调用功能，负责接收数据收集和处理模块输出的城市基础数据和实时数据、深度学习算法模块输出的是下一时刻各个路口发生拥堵的概率本文档来自技高网...

【技术保护点】
1.一种基于城市画像的交通拥堵状态预测和预警系统，其特征在于：所述系统包括：数据收集和处理模块、深度学习算法模块、历史记录模块、前端展示模块和网站后端模块；/n数据收集和处理模块：负责城市交通数据的收集和处理；城市交通数据包括城市基础数据和城市实时数据；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度。数据收集和处理的过程利用城市基础数据和城市实时数据，构建城市画像，城市画像是基于城市数据的可视化系统，城市画像能将城市的交通状况可视化，同时利用城市基础数据和城市实时数据能够直观地呈现城市交通基础信息和动态实时信息；数据收集和处理模块还负责将城市基础数据输送给网站后端模块，将城市基础数据和城市实时数据以序列的形式输送给训练好的深度学习算法模块并根据深度学习算法模块的拥堵状态预测结果补充实时的城市画像；/n深度学习算法模块：以动态图神经网络为算法核心，在城市画像构建的基础上，使用循环神经网络接收序列形式的城市基础数据和城市实时数据，对城市拥堵状态的传播进行预测；城市基础数据包括城市的拓扑结构、每条道路的长度、每条道路的车道数量、每天道路的平均限速、每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度；在对城市基础数据和实时数据进行整理的过程中，将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到深度学习算法模型中，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息，最后输出的是下一时刻各个路口发生拥堵的概率值；/n历史记录模块：负责对城市交通的历史数据、拥堵情况预测历史和查询历史进行存储，其中城市交通的历史数据来自数据收集和处理模块在之前时间所处理过的城市基础和实时数据，拥堵状况预测历史来自深度学习算法模块在之前时间所预测过的城市交通拥堵状况，查询历史来自前端展示模块的用户查询记录；在用户查询城市过往交通情况的需求下，能够对城市画像进行复现；城市交通的历史数据包括数据收集和处理模块得到的城市基础数据和实时数据，既有直接通过网站前端展示的数据，也有输入给深度学习算法模块的数据；拥堵情况预测历史包括深度学习算法模块每次对城市交通拥堵情况预测的结果；查询历史包括使用者对城市交通预测情况的查询信息，即查询时间、重点查询路口和重点查询道路；城市交通历史数据和拥堵情况预测历史数据存储周期是7天，查询历史数据存储周期是1个月；/n前端展示模块：对数据收集和处理模块得到的城市画像和深度学习算法模块得到的交通拥堵状态传播预测结果进行展示；该模块展示的具体内容包括城市的拓扑结构、每条道路的名字、交通拥堵传播预测结果；前端展示模块能够展示城市的基础交通信息，并能够承载拥堵状态传播预测结果的绘制和呈现；/n网站后端模块：实现城市基础数据、城市实时数据、深度学习算法模块预测结果的整合、处理、深度学习算法模型的调用功能，负责接收数据收集和处理模块输出的城市基础数据和实时数据、深度学习算法模块输出的是下一时刻各个路口发生拥堵的概率值和历史记录模块输出的城市交通的历史数据，这些数据在经过网站后端模块的整合后将输送给前端模块；此外，网站后端模块还具有网站的基础功能，所述基础功能包括用户注册和登录功能、安全性保障、数据备份和恢复功能；对于城市交通状况的每次预测，网站后端模块还设有连接历史记录模块的接口，能够快速的读写历史记录模块中的数据库，更好的备份数据。/n...

【技术特征摘要】
1.一种基于城市画像的交通拥堵状态预测和预警系统，其特征在于：所述系统包括：数据收集和处理模块、深度学习算法模块、历史记录模块、前端展示模块和网站后端模块；
数据收集和处理模块：负责城市交通数据的收集和处理；城市交通数据包括城市基础数据和城市实时数据；城市基础数据包括城市的拓扑结构、每条道路的长度，每条道路的车道数量，每天道路的平均限速，每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度。数据收集和处理的过程利用城市基础数据和城市实时数据，构建城市画像，城市画像是基于城市数据的可视化系统，城市画像能将城市的交通状况可视化，同时利用城市基础数据和城市实时数据能够直观地呈现城市交通基础信息和动态实时信息；数据收集和处理模块还负责将城市基础数据输送给网站后端模块，将城市基础数据和城市实时数据以序列的形式输送给训练好的深度学习算法模块并根据深度学习算法模块的拥堵状态预测结果补充实时的城市画像；
深度学习算法模块：以动态图神经网络为算法核心，在城市画像构建的基础上，使用循环神经网络接收序列形式的城市基础数据和城市实时数据，对城市拥堵状态的传播进行预测；城市基础数据包括城市的拓扑结构、每条道路的长度、每条道路的车道数量、每天道路的平均限速、每条道路是否有机动车道-自行车道隔离带信息；城市实时数据包括单位时间内每个路口通过的车辆数量、每个路口通过车辆的平均速度、每个路口的车辆平均等待时间、每条道路单位时间内通过的车辆数量和每条道路的通过车辆的平均速度；在对城市基础数据和实时数据进行整理的过程中，将街道抽象为无向图中的边，将路口抽象为无向图中的点，将街道和路口的路况信息分别整理成边权和点权，输入到深度学习算法模型中，对下一时刻城市交通拥堵状态传播进行预测，并对拥堵区域汇报预警信息，最后输出的是下一时刻各个路口发生拥堵的概率值；
历史记录模块：负责对城市交通的历史数据、拥堵情况预测历史和查询历史进行存储，其中城市交通的历史数据来自数据收集和处理模块在之前时间所处理过的城市基础和实时数据，拥堵状况预测历史来自深度学习算法模块在之前时间所预测过的城市交通拥堵状况，查询历史来自前端展示模块的用户查询记录；在用户查询城市过往交通情况的需求下，能够对城市画像进行复现；城市交通的历史数据包括数据收集和处理模块得到的城市基础数据和实时数据，既有直接通过网站前端展示的数据，也有输入给深度学习算法模块的数据；拥堵情况预测历史包括深度学习算法模块每次对城市交通拥堵情况预测的结果；查询历史包括使用者对城市交通预测情况的查询信息，即查询时间、重点查询路口和重点查询道路；城市交通历史数据和拥堵情况预测历史数据存储周期是7天，查询历史数据存储周期是1个月；
前端展示模块：对数据收集和处理模块得到的城市画像和深度学习算法模块得到的交通拥堵状态传播预测结果进行展示；该模块展示的具体内容包括城市的拓扑结构、每条道路的名字、交通拥堵传播预测结果；前端展示模块能够展示城市的基础交通信息，并能够承载拥堵状态传播预测结果的绘制和呈现；
网站后端模块：实现城市基础数据、城市实时数据、深度学习算法模块预测结果的整合、处理、深度学习算法模型的调用功能，负责接收数据收集和处理模块输出的城市基础数据和实时数据、深度学习算法模块输出的是下一时刻各个路口发生拥堵的概率值和历史记录模块输出的城市交通的历史数据，这些数据在经过网站后端模块的整合后将输送给前端模块；此外，网站后端模块还具有网站的基础功能，所述基础功能包括用户注册和登录功能、安全性保障、数据备份和...

【专利技术属性】
技术研发人员：盛浩，窦鑫泽，吕凯，张洋，吴玉彬，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11