[发明专利]一种基于多源交通大数据融合的突发拥堵判别方法及系统

权利要求书

1.一种基于多源交通大数据融合的突发拥堵判别方法，其特征在于，包括以下步骤：

将实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系；

利用模糊融合的迭代算法将获取多源交通大数据进行融合，并构建数据集；

利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型；

将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；

基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果。

2.如权利要求1所述的基于多源交通大数据融合的突发拥堵判别方法，其特征在于，在得到所述预测结果后，所述方法还包括：

根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息。

3.如权利要求1所述的基于多源交通大数据融合的突发拥堵判别方法，其特征在于，将实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系，包括：

将获取的实时路况图导入地理信息系统创建金字塔，并新建附属文件将所述实时路况图进行矢量化，同时对相交点进行标注。

4.如权利要求3所述的基于多源交通大数据融合的突发拥堵判别方法，其特征在于，利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型，包括：

以弹性分布式数据集形式对所述数据集进行有放回抽取采样，得到训练数据集；利用集成学习算法将所述训练数据集输入神经网络模型中进行反向迭代训练。

5.如权利要求4所述的基于多源交通大数据融合的突发拥堵判别方法，其特征在于，利用神经网络模型对训练数据集进行训练，并利用误差平方和损失函数进行收敛，得到对应的判别模型，还包括：

利用误差平方和损失函数和第一阈值对所述训练数据集的训练值进行收敛判断，然后将除所述训练数据集外的数据作为测试数据集输入所述神经网络中进行验证，得到对应的输出值。

6.如权利要求1所述的基于多源交通大数据融合的突发拥堵判别方法，其特征在于，基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果，包括：

根据设定输出值与对应的所述输出值之间的误差函数进行反向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，直至所有所述输出值满足阈值范围，得到对应的判别模型。

7.一种基于多源交通大数据融合的突发拥堵判别系统，如权利要求1至权利要求6任一项所述的一种基于多源交通大数据融合的突发拥堵判别方法应用于一种基于多源交通大数据融合的突发拥堵判别系统，其特征在于，

所述基于多源交通大数据融合的突发拥堵判别系统包括数据获取模块、路网构建模块、数据融合模块、判别模型构建模块、拥堵判别模型构建模块和数据联动预测模块，所述数据获取模块与所述路网构建模块、所述数据融合模块和所述数据联动预测模块连接，所述数据融合模块、所述判别模型构建模块、所述拥堵判别模型构建模块和所述数据联动预测模块依次连接，所述数据联动预测模块还与所述路网构建模块连接；

所述数据获取模块，用于获取实时路况图和基于大数据平台获取的多源交通大数据；

所述路网构建模块，用于将所述实时路况图进行路网矢量化，并基于交通流向，构建离散点间的拓扑关系；

所述数据融合模块，用于利用利用模糊融合的迭代算法将获取多源交通大数据进行融合，并构建数据集；

所述判别模型构建模块，用于利用集成学习算法将构建的训练数据集输入神经网络模型中进行反向迭代训练，并将测试数据集输入收敛的所述神经网络中进行方向传播迭代，同时利用梯度下降法和批量更新法调节所述神经网络参数，得到对应的判别模型；

所述拥堵判别模型构建模块，用于将所述数据集中的任意多个所述多源交通大数据进行归零后输入验证后的所述判别模型进行训练，得到拥堵判别模型；

所述数据联动预测模块，用于基于所述拓扑关系获取多个突发数据，并利用所述拥堵判别模型输出对应的预测结果，同时根据所述预测结果，建立对应的拓扑等级关系，并触发对应的路况色素赋值预警信息。