【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。