[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

说明书

本发明公开了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，首先将获取的实时路况图进行矢量化，并基于打断的离散点，构建对应的拓扑关系，然后将获取的多源交通大数据进行融合，并构建对应的数据集进行保存，接着，利用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，紧接着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；最后，基于所述拓扑关系获取多个突发数据输入所述拥堵判别模型，根据所述预测结果，建立对应的拓扑等级关系，并进行路况色素赋值，能够提高对突发性拥堵的处理效果。

技术领域

本发明涉及交通管理技术领域，尤其涉及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。

背景技术

相对于城市路网中的常发拥堵，突发拥堵的时间和地点随机性较强，在城市交通管理中往往依靠视频人工巡检、市民上报等途径获知突发拥堵事件的信息。通过城市道路网络中分布的电子警察、卡口监控等食品监控设备，通过人工观测的方式可以识别一部分突发拥堵事件，但是由于人员配备不足，视频人工巡检全是路网一次往往需要几个小时，造成事件的遗漏。此外，居民通过122报警、公众号等众包途径将事件上报，需要进一步校验审核，拥堵事件的时效性难以保证。而互联网企业通过浮动车采样数据进行拥堵识别，其道路平均采样率不足20％，随机性及偶然性对识别结果的准确度影响极大。综上所述，目前城市突发交通拥堵检测方法的准确率和时效性都无法保证，并且针对拥堵导致的路网的预测分析也较为片面，也很容易受人为因素的影响，导致对突发性拥堵的处理效果较差。

发明内容

本发明的目的在于提供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，提高对突发性拥堵的处理效果。

为实现上述目的，第一方面，本发明提供了一种基于多源交通大数据融合的突发拥堵判别方法，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。

其中，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。

其中，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。

其中，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。

其中，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。