基于人工智能的智慧交通管理系统及其方法技术方案

公开了一种基于人工智能的智慧交通管理系统及其方法

【技术实现步骤摘要】
基于人工智能的智慧交通管理系统及其方法


[0001]本申请涉及智慧交通管理领域，且更为具体地，涉及一种基于人工智能的智慧交通管理系统及其方法
。

技术介绍

[0002]交通管理是指对交通流量和交通行为进行组织和控制，以实现交通安全
、
顺畅和高效的目标
。
它包括规划道路网络
、
设置交通信号灯
、
指示标志和标线
、
管理交通流量等方面
。
[0003]分流诱导是交通管理中常用的一种策略，旨在减少交通拥堵和改善道路通行条件
。
通过将交通流量从拥堵的路段引导到其他道路或绕行路线上，分流诱导可以分散交通压力，减少拥堵情况
。
常见的分流诱导措施包括设置临时交通标志或交通管理人员进行交通疏导等
。
[0004]虽然分流诱导可以有效缓解交通拥堵，但它需要大量的人力来实施
。
此外，由于交通拥堵的发生往往是突发性的，分流诱导的响应时间有时会有一定的滞后，即在拥堵发生后才能及时进行分流诱导
。
因此，在实施分流诱导时判断何时需要进行分流是一个重要的技术问题
。
选择合适的分流时间点可以避免不必要的人力和物力浪费，同时能够预防和减少交通拥堵
。

技术实现思路

[0005]有鉴于此，本申请提出了一种基于人工智能的智慧交通管理系统及其方法，其可以利用交通管理区域内的车流量数据，并通过智能化算法来捕捉交通管理区域内各个路段之间的车流量关联关系，以实现对分流诱导的时间点的智能选择
。
[0006]根据本申请的一方面，提供了一种基于人工智能的智慧交通管理方法，其包括：获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据；基于所述车流量数据，提取所述交通管理区域内的车流量时序特征；提取所述交通管理区域内多个路段间的路段连通拓扑特征；融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征；以及基于所述连通拓扑路段车流量全局时序特征，确定是否生成分流诱导预警提示
。
[0007]根据本申请的另一方面，提供了一种基于人工智能的智慧交通管理系统，其包括：车流量数据获取模块，用于获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据；时序特征提取模块，用于基于所述车流量数据，提取所述交通管理区域内的车流量时序特征；拓扑特征提取模块，用于提取所述交通管理区域内多个路段间的路段连通拓扑特征；特征融合模块，用于融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征；以及分流诱导分析模块，用于基于所述连通拓扑路段车流量全局时序特征，确定是否生成分流诱导预警提示
。
[0008]根据本申请的实施例，其首先获取交通管理区域内多个路段在预定时间段内多个
预定时间点的车流量数据，接着，基于所述车流量数据，提取所述交通管理区域内的车流量时序特征，然后，提取所述交通管理区域内多个路段间的路段连通拓扑特征，接着，融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征，最后，基于所述连通拓扑路段车流量全局时序特征，确定是否生成分流诱导预警提示
。
这样，可以实现对分流诱导的时间点的智能选择
。
[0009]根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚
。
附图说明
[0010]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例
、
特征和方面，并且用于解释本申请的原理
。
[0011]图1示出根据本申请的实施例的基于人工智能的智慧交通管理方法的流程图
。
[0012]图2示出根据本申请的实施例的基于人工智能的智慧交通管理方法的架构示意图
。
[0013]图3示出根据本申请的实施例的基于人工智能的智慧交通管理方法的子步骤
S120
的流程图
。
[0014]图4示出根据本申请的实施例的基于人工智能的智慧交通管理方法的子步骤
S130
的流程图
。
[0015]图5示出根据本申请的实施例的基于人工智能的智慧交通管理方法的子步骤
S140
的流程图
。
[0016]图6示出根据本申请的实施例的基于人工智能的智慧交通管理系统的框图
。
[0017]图7示出根据本申请的实施例的基于人工智能的智慧交通管理方法的应用场景图
。
具体实施方式
[0018]下面将结合附图对本申请实施例中的技术方案进行清楚
、
完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例
。
基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围
。
[0019]如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和
/
或“该”等词并非特指单数，也可包括复数
。
一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素
。
[0020]以下将参考附图详细说明本申请的各种示例性实施例
、
特征和方面
。
附图中相同的附图标记表示功能相同或相似的元件
。
尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图
。
[0021]另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节
。
本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施
。
在一些实例中，对于本领域技术人员熟知的方法
、
手段
、
元件和电路未作详细描述，以便于凸显本申请的主旨
。
[0022]针对上述技术问题，本申请的技术构思是利用交通管理区域内的车流量数据，并通过智能化算法来捕捉交通管理区域内各个路段之间的车流量关联关系，以实现对分流诱导的时间点的智能选择
。
[0023]基于此，图1示出根据本申请的实施例的基于人工智能的智慧交通管理方法的流程图
。
图2示出根据本申请的实施例的基于人工智能的智慧交通管理方法的架构示意图
。
如图1和图2所示，根据本申请实施例的基于人工智能的智慧交通管理方法，包括步骤：
S110
，获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据；
S120
，基于所述车流量数据，提取所述交通管理区域内本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于人工智能的智慧交通管理方法，其特征在于，包括：获取交通管理区域内多个路段在预定时间段内多个预定时间点的车流量数据；基于所述车流量数据，提取所述交通管理区域内的车流量时序特征；提取所述交通管理区域内多个路段间的路段连通拓扑特征；融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征；以及基于所述连通拓扑路段车流量全局时序特征，确定是否生成分流诱导预警提示
。2.
根据权利要求1所述的基于人工智能的智慧交通管理方法，其特征在于，基于所述车流量数据，提取所述交通管理区域内的车流量时序特征，包括：将所述各个路段在预定时间段内多个预定时间点的车流量数据分别按照时间维度排列为输入向量以得到多个路段车流量时序输入向量；将所述多个路段车流量时序输入向量分别通过基于一维卷积层的车流量时序特征提取器以得到多个路段车流量时序特征向量；以及将所述多个路段车流量时序特征向量作为所述车流量时序特征
。3.
根据权利要求2所述的基于人工智能的智慧交通管理方法，其特征在于，提取所述交通管理区域内多个路段间的路段连通拓扑特征，包括：构造所述多个路段之间的连通拓扑矩阵；将所述连通拓扑矩阵通过基于卷积神经网络模型的拓扑特征提取器以得到路段连通拓扑特征矩阵；以及将所述路段连通拓扑特征矩阵作为所述路段连通拓扑特征
。4.
根据权利要求3所述的基于人工智能的智慧交通管理方法，其特征在于，融合所述车流量时序特征和所述路段连通拓扑特征以得到连通拓扑路段车流量全局时序特征，包括：将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵；以及将所述连通拓扑路段车流量全局时序特征矩阵作为所述连通拓扑路段车流量全局时序特征
。5.
根据权利要求4所述的基于人工智能的智慧交通管理方法，其特征在于，将所述多个路段车流量时序特征向量和所述路段连通拓扑特征矩阵通过图神经网络模型以得到连通拓扑路段车流量全局时序特征矩阵，包括：将所述多个路段车流量时序特征向量排列为路段车流量时序特征矩阵；以及使用所述图神经网络模型以可学习的神经网络参数对所述路段车流量时序特征矩阵和所述路段连通拓扑特征矩阵进行处理以得到包含车流量时序特征和不规则的空间拓扑特征的所述连通拓扑路段车流量全局时序特征矩阵
。6.
根据权利要求5所述的基于人工智能的智慧交通管理方法，其特征在于，基于所述连通拓扑路段车流量全局时序特征，确定是否生成分流诱导预警提示，包括：将所述连通拓扑路段车流量全局时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否生成分流诱导预警提示
。7.
根据权利要求6所述的基于人工智能的智慧交通管理方法，其特征在于，还包括训练步骤：对所述基于一维卷积层的车流量时序特征提取器
、
所述基于卷积神经网络模型的拓扑特征...

【专利技术属性】
技术研发人员：庄杰，胡斌，谢孟思，徐贵亮，方建勇，林培松，李源，李小勤，苏越，林彩虹，谢苏梅，
申请(专利权)人：深圳市交投科技有限公司，
类型：发明
国别省市：