本發(fā)明涉及深度學(xué)習(xí)領(lǐng)域，涉及但不限定于一種基于軌跡挖掘算法的交通擁堵檢測方法及系統(tǒng)。

背景技術(shù)：

1、目前已提出的交通擁堵預(yù)測方法包括基于時間序列分析的方法、基于機器學(xué)習(xí)的方法以及基于神經(jīng)網(wǎng)絡(luò)的方法，這些方法主要是用來對交通流量進行預(yù)測，預(yù)測完成之后基于交通流量預(yù)測結(jié)果就可以判斷道路是否有發(fā)生擁堵的風(fēng)險。若某條道路未來交通流量比較大，那么該道路發(fā)生交通擁堵的風(fēng)險就比較高；若某條道路未來交通流量比較小，那么道路發(fā)生交通擁堵的風(fēng)險就相對較低。

2、綜上，可以發(fā)現(xiàn)傳統(tǒng)的擁堵預(yù)測方法非常依賴于交通流量預(yù)測的結(jié)果，但是在現(xiàn)實環(huán)境當(dāng)中，交通擁堵情況的發(fā)生并不是完全取決于道路的交通流量，還可能受到天氣、環(huán)境、道路狀況變化等相關(guān)因素的影響。如果某條道路的一部分突然遭到了嚴(yán)重破壞，那么就可能使得該道路由三車道變?yōu)閱诬嚨?，在這種情況下，即使該條道路未來的交通流量非常小，它仍然有可能發(fā)生較為嚴(yán)重的交通擁堵。同樣，如果道路非常的寬闊，那么即使該條道路的交通流量非常大，它也仍然有可能不會發(fā)生交通擁堵。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明實施例提供一種基于軌跡挖掘算法的交通擁堵檢測方法，不用依賴交通流量預(yù)測的結(jié)果，能夠根據(jù)路網(wǎng)的實時狀況進行擁堵預(yù)測。

2、本發(fā)明實施例的技術(shù)方案是這樣實現(xiàn)的：

3、第一方面，本發(fā)明實施例提供一種基于軌跡挖掘算法的交通擁堵檢測方法，所述方法包括：

4、構(gòu)建預(yù)設(shè)道路上所有機動車在最近一段時間內(nèi)的軌跡數(shù)據(jù)集t；

5、從所述軌跡數(shù)據(jù)集t中篩選當(dāng)前時刻的軌跡信息并獲取對應(yīng)機動車的屬性信息存儲在機動車集合v中；

6、通過已訓(xùn)練的混合長短期記憶網(wǎng)絡(luò)模型為所述機動車集合v中每一機動車預(yù)測下一時刻的行駛路徑，并將所有預(yù)測結(jié)果存儲在預(yù)測位置集合p中；其中，所述混合長短期記憶網(wǎng)絡(luò)模型是基于所述軌跡數(shù)據(jù)集t訓(xùn)練得到的；

7、基于所述預(yù)測位置集合p中的元素統(tǒng)計下一時刻通過道路集合r中各條道路的機動車數(shù)量，并將統(tǒng)計結(jié)果存儲在流量集合n中；

8、將所述流量集合n中每一元素值與預(yù)設(shè)的道路閾值集合s中對應(yīng)元素值進行對比，得到擁堵道路集合。

9、在一些可能的實施例中，所述構(gòu)建預(yù)設(shè)道路上所有機動車在最近一段時間內(nèi)的軌跡數(shù)據(jù)集，包括：通過所述預(yù)設(shè)道路上安裝的一組攝像頭采集每一所述機動車的車牌圖像并進行車牌識別；針對每一所述機動車，基于每一所述攝像頭的位置、拍攝時間和車牌識別結(jié)果，確定相應(yīng)所述機動車的一個軌跡點；將在所述最近一段時間內(nèi)同一個車牌號的所有軌跡點存儲在同一個集合中；將每個集合中的所有軌跡點按照時間順序排列并刪除重復(fù)的軌跡點，得到相應(yīng)所述機動車的一條軌跡數(shù)據(jù)。

10、在一些可能的實施例中，所述基于所述預(yù)測位置集合p中的元素統(tǒng)計下一時刻通過道路集合r中各條道路的機動車數(shù)量，并將統(tǒng)計結(jié)果存儲在流量集合n中，包括：獲取包括城市路網(wǎng)中所有道路信息的道路集合r；構(gòu)造一個與所述道路集合r的長度相同的流量集合n并將各元素初始化為全0，用于存儲下一時刻經(jīng)過所述道路集合中各條道路的機動車數(shù)量；遍歷所述預(yù)測位置集合p中每一元素，匹配所述元素對應(yīng)的道路信息與所述道路集合r中各條道路的信息；將所述道路集合r中信息匹配一致的目標(biāo)道路在所述流量集合n中對應(yīng)元素的值加1。

11、在一些可能的實施例中，所述將所述流量集合n中每一元素值與預(yù)設(shè)的道路閾值集合s中對應(yīng)元素值進行對比，得到擁堵道路集合，包括：遍歷所述流量集合n中每一元素值，在所述流量集合n中任一道路上的機動車數(shù)量大于所述道路閾值集合中對應(yīng)的車輛閾值的情況下，將該道路作為擁堵道路；直到所述流量集合n中所有元素值對比完成，得到所述擁堵道路集合。

12、在一些可能的實施例中，所述機動車集合v中第i輛機動車的軌跡數(shù)據(jù)，包括當(dāng)前位置xi、當(dāng)前的時間值hi、當(dāng)前的日期是星期幾wi，以及從上一個位置到當(dāng)前位置所花費的時間間隔di；所述混合長短期記憶網(wǎng)絡(luò)模型的輸入為將xi、hi、wi、di連接形成的序列向量。

13、在一些可能的實施例中，所述混合長短期記憶網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)包括屏蔽層、長短期記憶網(wǎng)絡(luò)層、自注意力層、隨機丟棄層和全連接層；其中，所述屏蔽層用于通過一個特定的屏蔽值來對輸入的序列向量進行處理；所述長短期記憶網(wǎng)絡(luò)層用于從處理后的序列向量中提取特征，包括多個記憶塊，每一所述記憶塊包括輸入門、遺忘門和輸出門三個門；所述自注意力層用于基于所述輸出門產(chǎn)生的隱藏狀態(tài)提取所述序列向量中的長依賴關(guān)系；所述隨機丟棄層用于通過隨機丟棄一部分神經(jīng)元的輸出來減小模型對訓(xùn)練數(shù)據(jù)的依賴性；所述全連接層包括兩個子層，其中一個子層采用softmax函數(shù)作為激活函數(shù)，輸出表示模型預(yù)測機動車具體位置的概率，另一個子層采用relu函數(shù)作為激活函數(shù)，輸出值為對模型預(yù)測該機動車到達下一個位置所采用時間。

14、在一些可能的實施例中，在所述混合長短期記憶網(wǎng)絡(luò)模型的訓(xùn)練過程中，包括以下步驟：基于所述混合長短期記憶網(wǎng)絡(luò)模型輸出的位置序列預(yù)測結(jié)果，使用分類交叉熵來構(gòu)造第一損失函數(shù)；基于所述混合長短期記憶網(wǎng)絡(luò)模型輸出的到達時間序列預(yù)測結(jié)果，使用均方誤差構(gòu)造第二損失函數(shù)；將所述第一損失函數(shù)和所述第二損失函數(shù)加權(quán)求和，得到目標(biāo)損失函數(shù)；利用所述目標(biāo)損失函數(shù)，采用梯度下降法對所述混合長短期記憶網(wǎng)絡(luò)模型進行反向傳播訓(xùn)練，直到達到模型收斂。

15、在一些可能的實施例中，所述方法還包括：在每日特定時間更新所述軌跡數(shù)據(jù)集；基于更新后的軌跡數(shù)據(jù)集重新訓(xùn)練所述混合長短期記憶網(wǎng)絡(luò)模型。

16、第二方面，本發(fā)明實施例提供一種基于軌跡挖掘算法的交通擁堵檢測系統(tǒng)，包括包括設(shè)置于道路固定位置的一系列攝像頭、中心服務(wù)器和交通管理客戶端，其中：

17、所述攝像頭用于實時采集機動車的車牌圖像并進行車牌識別；

18、所述中心服務(wù)器用于獲取所述攝像頭的位置信息、采集信息以及拍攝時間，按照上述第一方面所述的交通擁堵檢測方法進行檢測；

19、所述交通管理客戶端與所述中心服務(wù)器網(wǎng)絡(luò)連接，用于實時顯示所述中心服務(wù)器的擁堵預(yù)測結(jié)果。

20、本發(fā)明實施例提供的技術(shù)方案帶來的有益效果至少包括：

21、在本發(fā)明實施例中，提出一種基于軌跡數(shù)據(jù)挖掘的交通擁堵預(yù)測方法，根據(jù)路網(wǎng)中所有機動車的當(dāng)前軌跡預(yù)測其未來將要行駛的路徑并基于路徑預(yù)測結(jié)果對未來可能經(jīng)過某條道路的機動車數(shù)量進行統(tǒng)計，根據(jù)統(tǒng)計結(jié)果就可以確定哪些道路可能發(fā)生擁堵。該方法能夠根據(jù)路網(wǎng)的實時狀況進行擁堵預(yù)測。

技術(shù)特征：

1.一種基于軌跡挖掘算法的交通擁堵檢測方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述構(gòu)建預(yù)設(shè)道路上所有機動車在最近一段時間內(nèi)的軌跡數(shù)據(jù)集，包括：

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于所述預(yù)測位置集合p中的元素統(tǒng)計下一時刻通過道路集合r中各條道路的機動車數(shù)量，并將統(tǒng)計結(jié)果存儲在流量集合n中，包括：

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述流量集合n中每一元素值與預(yù)設(shè)的道路閾值集合s中對應(yīng)元素值進行對比，得到擁堵道路集合，包括：

5.根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，

6.根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，所述混合長短期記憶網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)包括屏蔽層、長短期記憶網(wǎng)絡(luò)層、自注意力層、隨機丟棄層和全連接層；其中：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，在所述混合長短期記憶網(wǎng)絡(luò)模型的訓(xùn)練過程中，包括以下步驟：

8.根據(jù)權(quán)利要求1至4任一項所述的方法，其特征在于，所述方法還包括：

9.一種基于軌跡挖掘算法的交通擁堵檢測系統(tǒng)，其特征在于，包括設(shè)置于道路固定位置的一系列攝像頭、中心服務(wù)器和交通管理客戶端，其中：

技術(shù)總結(jié)
本發(fā)明公開了一種基于軌跡挖掘算法的交通擁堵檢測方法及系統(tǒng)，方法包括：構(gòu)建預(yù)設(shè)道路上所有機動車在最近一段時間內(nèi)的軌跡數(shù)據(jù)集；從軌跡數(shù)據(jù)集中篩選當(dāng)前時刻的軌跡信息并獲取對應(yīng)機動車的屬性信息存儲在機動車集合中；通過已訓(xùn)練的混合長短期記憶網(wǎng)絡(luò)模型為機動車集合中每一機動車預(yù)測下一時刻的行駛路徑，并將所有預(yù)測結(jié)果存儲在預(yù)測位置集合中；基于預(yù)測位置集合中的元素統(tǒng)計下一時刻通過道路集合中各條道路的機動車數(shù)量，并將統(tǒng)計結(jié)果存儲在流量集合中；將流量集合中每一元素值與預(yù)設(shè)的道路閾值集合中對應(yīng)元素值進行對比，得到擁堵道路集合。從而能夠根據(jù)路網(wǎng)的實時狀況進行擁堵預(yù)測，擁堵預(yù)測結(jié)果更加符合該條道路的真實情況。

技術(shù)研發(fā)人員：劉東江,李雷孝,車武武,吳凡
受保護的技術(shù)使用者：內(nèi)蒙古工業(yè)大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/9/26