一种基于鸿蒙系统的隧道交通情况预测方法及系统技术方案

本发明专利技术涉及交通管理技术领域，具体涉及一种基于鸿蒙系统的隧道交通情况预测方法及系统，方法包括：将隧道内的不同位置和交通节点视为图的节点，并建立它们之间的连接关系；使用图卷积网络模型从节点和边的信息中学习节点表示，并捕捉节点之间的关系；使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。本发明专利技术中数据来源于鸿蒙系统，获得包括传感器数据获取、图像处理、数据预处理等工具，以及网络通信功能；实施过程中找到最佳的图卷积层数，该过程相当于逐步提供更多的抽象和复杂的节点关系表达能力，从而增强了模型对于隧道交通情况的建模能力；采用基于图结构的模型设计和图卷积网络，可以在隧道交通预测中提升预测结果的准确度。预测结果的准确度。预测结果的准确度。

【技术实现步骤摘要】
一种基于鸿蒙系统的隧道交通情况预测方法及系统


[0001]本专利技术涉及交通管理
，具体涉及一种基于鸿蒙系统的隧道交通情况预测方法及系统。

技术介绍

[0002]在隧道的交通管理中，为了有效避免交通问题的产生，往往会采用深度网络模型进行交通情况的预测，从而及早的对问题进行处理而保证交通的畅通，常规的方式包括：数据采集与存储，利用传感器、摄像头等设备采集交通数据，并将数据传输至中央数据库或云平台进行存储；数据预处理，对采集到的数据进行预处理，包括去噪、缺失值处理、数据清洗等步骤，确保数据质量；特征提取与选择，根据实际需求，从预处理后的数据中提取与交通情况预测相关的特征，如时间、天气等；模型训练与优化，利用历史数据进行模型训练与优化，选择合适的预测算法，并进行参数调优；预测结果生成与展示，利用训练好的模型对未来交通情况进行预测，并将预测结果进行展示，例如生成交通流量预测图表或提供实时交通状态。
[0003]但是，由于隧道交通会存在以下问题模式，因此往往会导致交通情况预测的不够准确的问题：隧道内的日常交通存在高峰和低谷，以及季节性的交通变化；隧道中车辆之间的相互影响、车辆密度与速度之间的关系与车辆在其他位置行驶时存在差异性；隧道中不同位置之间的拥堵情况具有较高的空间依赖性。

技术实现思路

[0004]本专利技术中提供了一种基于鸿蒙系统的隧道交通情况预测方法及系统，从而有效解决
技术介绍
中所指出的问题。
[0005]为了达到上述目的，本专利技术所采用的技术方案是：一种基于鸿蒙系统的隧道交通情况预测方法，包括：将隧道内的不同位置和交通节点视为图的节点，并建立它们之间的连接关系；使用图卷积网络模型从节点和边的信息中学习节点表示，并捕捉节点之间的关系，包括；设计初始图卷积网络模型，包括输入层、图卷积层和输出层，所述图卷积层的数量不超过2个；通过训练集对所述初始图卷积网络模型进行训练，且训练完成后进行性能评估，并逐一增加所述图卷积层的数量，且每增加一层后，均重新进行训练及性能评估，每次评估均采用相同的指标；将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较，判断性能的提升效果是否达到预设值，若低于所述预设值，则停止增加图卷积层，确定最终的图卷积层层数；使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
和节点 nj 之间的连接强度或权重；对于每个节点 ni，定义属性和特征向量 F(ni) = [f1, f2, ..., fm]，其中 fi 表示节点 ni 的第 i 个属性或特征；整理和准备相关数据，包括节点的位置坐标 P = {p1, p2, ..., pk}，其中 pi 表示节点 ni 的位置坐标，以及连接关系的邻接矩阵 A 和节点的属性和特征向量 F。
[0012]进一步地，还包括对所述邻接矩阵A进行修订，包括：通过收集天气状况的相关数据，确定一个基于天气状况的新权重序列，所述新权重序列与所述节点和连接关系对应；通过所述新权重序列所修订的邻接矩阵 A如下：A'[i, j] = A[i, j]* W[i, j]其中，A'[i, j]表示修订后的连接强度或权重， W[i, j] 表示新的权重序列中与 A[i, j]对应的新权重值。
[0013]一种鸿蒙系统的隧道交通情况预测系统，包括：图卷积网络模型单元，从所述节点和边的信息中学习节点表示，并捕捉节点之间的关系，包括；初始图卷积网络模型设计模块，设计初始图卷积网络模型，包括输入层、图卷积层和输出层，所述图卷积层的数量不超过2个；训练和性能评估模块，通过训练集对所述初始图卷积网络模型进行训练，且训练完成后进行性能评估；图卷积层优化模块，逐一增加所述图卷积层的数量，且每增加一层后，均由所述训练和性能评估模块重新进行训练及性能评估，每次评估均采用相同的指标；图卷积层确定模块，将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较，判断性能的提升效果是否达到预设值，若低于所述预设值，则停止增加图卷积层，确定最终的图卷积层层数；交通情况预测单元，使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。
[0014]进一步地，所述初始图卷积网络模型还包括残差连接，所述残差连接在相邻的所述图卷积层之间添加。
[0015]通过本专利技术的技术方案，可实现以下技术效果：本专利技术采用基于图结构的模型设计和图卷积网络，可以在隧道交通预测中提升预测结果的准确度，通过充分利用节点之间的关系和空间依赖性，图卷积网络能够更好地捕捉交通数据的特征，并提供更准确的预测能力，帮助交通管理部门有效避免交通问题的发生，保证交通的畅通性。
附图说明
[0016]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，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的附图。
[0017]图1为基于鸿蒙系统的隧道交通情况预测方法的流程图；图2为α、β、γ1和γ2的确定步骤流程图；图3为训练集通过鸿蒙系统获取的流程图；图4为将隧道内的不同位置和交通节点视为图的节点，并建立它们之间的连接关系的流程图；图5为对邻接矩阵A进行修订的流程图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。
[0019]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
[0020]实施例一如图1所示，一种基于鸿蒙系统的隧道交通情况预测方法，包括：S100：将隧道内的不同位置和交通节点视为图的节点，并建立它们之间的连接关系；其中的节点可以表示隧道中的特定区域或具体的交通节点，例如交叉口或出入口，连接关系可以通过道路拓扑结构、节点之间的距离关系或交通流量的关联来确定；通过此种建模方式，可以将隧道交通看作是一个图，其中节点表示不同位置或交通节点，边表示节点之间的关系，从而有效捕捉到隧道交通中不同位置之间的空间依赖性和交通关联性；S200：使用图卷积网络模型从节点和边的信息中学习节点表示，并捕捉节点之间的关系，包括；S210：设计初始图卷积网络模型，包括输入层、图卷积层和输出层，图卷积层的数量不超过2个；S220：通过训练集对初始图卷积网络模型进行训练，且训练完成后进行性能评估，并逐一增加图卷积层的数量，且每增加一层后，均重新进行训练及性能评估，每次评估均采用相同的指标；在实施过程中，使用已有的交通数据进行模型训练，并使用验证数据或交叉验证方法对模型进行性能评估，评估指标可以包括预测准确率、均方误差等；S230：将每次增加图卷积层后的性能评估结果均与上一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于鸿蒙系统的隧道交通情况预测方法，其特征在于，包括：将隧道内的不同位置和交通节点视为图的节点，并建立它们之间的连接关系；使用图卷积网络模型从节点和边的信息中学习节点表示，并捕捉节点之间的关系，包括；设计初始图卷积网络模型，包括输入层、图卷积层和输出层，所述图卷积层的数量不超过2个；通过训练集对所述初始图卷积网络模型进行训练，且训练完成后进行性能评估，并逐一增加所述图卷积层的数量，且每增加一层后，均重新进行训练及性能评估，每次评估均采用相同的指标；将每次增加所述图卷积层后的性能评估结果均与上一次的所述性能评估结果进行比较，判断性能的提升效果是否达到预设值，若低于所述预设值，则停止增加图卷积层，确定最终的图卷积层层数；使用最终确定的图卷积网络模型对未来的隧道交通情况进行预测。2.根据权利要求1所述的基于鸿蒙系统的隧道交通情况预测方法，其特征在于，确定最终的图卷积层层数后，还包括在相邻的所述图卷积层之间添加残差连接，所述残差连接的输出Residual_Output如下：Residual_Output=H+XH为图卷积层的输出，表示经过图卷积层后的特征表示；X为图卷积层的输入，为所述输入层的输出或上一层的残差连接的输出。3.根据权利要求1所述的基于鸿蒙系统的隧道交通情况预测方法，其特征在于，确定最终的图卷积层层数后，还包括在相邻的所述图卷积层之间添加残差连接，所述残差连接的输出Residual_Output如下：Residual_Output=α*H+β*X+γ1*T+γ2*WH为图卷积层的输出，表示经过图卷积层后的特征表示；X为图卷积层的输入，为所述输入层的输出或上一层的残差连接的输出；T表示时间特征的输入；W表示天气特征的输入；α、β、γ1和γ2分别为相应参数的权重，用于调节不同输入的影响程度。4.根据权利要求3所述的鸿蒙系统的隧道交通情况预测方法，其特征在于，α、β、γ1和γ2的确定步骤如下：针对α、β、γ1和γ2分别定义每个权重的可能取值范围；对于各个权重生成所有可能的组合；将所述训练集划分为k个折叠，其中，k为预先定义的数值，对于每个所述折叠使用其他折叠的数据进行训练，并在当前折叠上进行评估，得到性能度量的结果；重复k次，每次将不同的折叠作为验证集，而其他折叠作为训练集，以获得每个所述参数组合在不同验证集上的性能度量结果；计算每个所述参数组合在所有验证集上的性能度量的平均值，作为所述参数组合的最终性能度量，根据所述最终性能度量，选择表现最优的参数组合作为最终的α、β、γ1和γ2。5.根据权利要求3所述的鸿蒙系统的隧道交通情况预测方法，其特征在于，所述图卷积
网络模型还包括长短期记忆网络层，所述长短期记忆网络层处理后的输出LSTM_Output如下：LSTM_Output = LSTM(Residual_Output)其中，Residual_Output表示之前残差连接的输出。6.根据权利要求1所述的鸿蒙系统的隧道交通情况预测方法，其特征...

【专利技术属性】
技术研发人员：花帅，朱押红，徐一岗，奚加荣，杨阳，
申请(专利权)人：华设设计集团股份有限公司江苏中路信息科技有限公司，
类型：发明
国别省市：