【技術實現步驟摘要】
本專利技術涉及智能交通，特別涉及一種動靜態交通治理方法、系統、電子設備及介質。
技術介紹
1、現有的城市交通治理系統在數據源單一、動態應對能力有限、多模態數據利用不充分和跨域學習能力缺乏等方面存在諸多不足，導致系統在復雜交通環境中的實時治理和優化能力大打折扣。
2、首先，現有方法或系統多依賴單一數據源，如視頻監控和交通流量傳感器。這些數據雖然能提供局部信息，但其局限性明顯。視頻監控受限于攝像頭的視角，難以全面覆蓋城市交通；交通傳感器則多局限于固定路段，無法動態捕捉全局變化。此外，多模態數據缺乏融合，導致視頻、傳感器和車輛gps等數據被割裂處理，無法形成協同決策，影響信息的完整性和準確性。
3、其次，現有方法或系統的動態應對能力不足，尤其是在交通流預測和突發事件處理上。大多數系統依賴簡單的歷史數據回歸，無法及時預測和應對實時交通變化。在高峰時段或突發事件（如交通事故）發生時，現有系統難以及時給出有效的調控措施。異常事件檢測也主要基于單一數據源，特別是視頻檢測在低光照、遮擋等復雜條件下識別精度下降，導致應急處理滯后。
4、此外，現有方法或系統缺乏跨域學習能力，不同城市的交通特征差異顯著，導致系統難以在不同區域間遷移應用。每次擴展到新區域時都需要重新訓練模型，耗費大量時間和人力，限制了系統的推廣。而且，多模態數據融合利用不足也是現有方法或系統的短板。交通治理涉及視頻、傳感器、地理信息等多模態數據，但由于結構和來源不同，缺乏有效的融合機制，導致系統難以充分挖掘信息間的關聯性，從而影響全局決策的準確性。
5、因此，現有城市交通治理方法或系統在數據處理、動態應對和跨域應用方面的不足，亟需一種新型的動靜態交通治理方法和系統來克服這些挑戰。
技術實現思路
1、為實現上述目的，本專利技術提出一種動靜態交通治理方法、系統、電子設備及介質，通過融合視頻監控、傳感器網絡、gps定位等多源數據，實現交通信息的全面采集與分析，并采用數據預處理與融合技術，結合動態和靜態交通特征提取，運用transformer、yolo和圖卷積神經網絡模型，對交通流量及道路特征進行深度學習與跨域學習，通過實時的交通預測和智能決策，能夠根據實際交通情況生成最優的交通信號控制策略，提供更好的交通治理解決方案，適用于多種交通場景，具備高適應性、靈活性和智能化的特點，有效提升交通管理的效率和準確性。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、第一方面，本專利技術提供了一種動靜態交通治理方法，包括以下步驟：
4、s1、多模態交通數據采集：通過視頻監控系統、傳感器網絡、gps定位系統，采集來自不同域的數據源，獲得車輛、行人的實時交通信息，即得到多模態交通數據；
5、s2、數據預處理與融合：對采集到多模態交通數據進行預處理，消除噪聲和冗余信息，并使用插值方法填補缺失值，通過箱線圖識別異常值，并使用統計量修正異常值；
6、s3、動靜態交通特征提?。夯趖ransformer對視頻數據和傳感器數據進行空間特征提取，對圖像數據中的車輛檢測和密度分析應用yolo算法，從中提取動態交通變化特征；同時，將gps數據與其他地理位置信息結合，通過基于圖卷積神經網絡提取城市靜態特征；
7、s4、動態交通治理決策：采用mlp模型生成實時交通預測結果，生成相應的交通信號控制策略和車輛調度方案，動態調整紅綠燈時間、車道分配交通管理措施。
8、作為本專利技術的進一步技術方案，步驟s2的具體過程為：
9、s21、對車輛速度和人群流動速度進行拼接，得到處理后的速度數據，其中、分別為傳感器網絡在時刻采集得到的車輛速度和人群流動速度，，，為路口數量；
10、s22、進行缺失值和異常值處理，先使用箱型圖技術對異常值進行有效識別，箱形圖使用四分位距來判斷異常值，四分位距為第三四分位數和第一四分位數之間的距離，即：，則異常值集合為：，使用非異常值計算時空數據的統計特征即均值和方差對異常值和缺失值進行修正。
11、作為本專利技術的進一步技術方案，步驟s3的具體過程為：
12、s31、使用yolo算法對頻監控系統在時刻得到的圖像進行目標識別，得到在時刻的車流量，人流量數據，則每天識別得到的數據維度為：，，其中、為圖像的高度和寬度；并將車流量、人流量數據與步驟s21處理后的速度數據進行拼接得到數據：；
13、s32、使用transformer進行時空特征提取，先將輸入transformer的數據通過一個線性變換映射到高維的特征空間，得到高維特征，其中，是transformer中表示的特征維度，并使用位置編碼來為輸入數據增加位置信息，對于每個時間步t，位置編碼通過以下公式計算：
14、，
15、；
16、然后使用多頭注意力機制捕捉跨時間依賴：，其中，，，，且是可學習的權重矩陣，再在自注意力機制后接一個前饋神經網絡，進一步對時空特征進行非線性變換：，其中是可學習的參數，在每個自注意力機制和前饋神經網絡后，使用殘差連接和層歸一化，公式如下：，經過多個transformer?層處理后，得到提取的動態時空特征，其中包含所有路口的車流量、人流量以及空間位置的時空特征表示；
17、s33、通過圖卷積網絡提取城市靜態特征，城市路口之間的空間關系由一個圖數據結構給出，其中是地鐵站點的集合，是各地鐵站之間的邊的集合，各點之間的空間相關關系由鄰接矩陣來度量，當且時，不為0；使用擴散圖卷積層對空間信息進行提取，擴散圖卷積層的表達式為：，其中，表示轉移矩陣的冪級數，在無向圖的情況下，；在有向圖的情況下，擴散過程有兩個方向，分別是正向和反向，正向轉移矩陣為，反向轉移矩陣為；是圖卷積的可學習參數矩陣。
18、作為本專利技術的進一步技術方案，步驟s4的具體過程為：通過一個mlp模型預測城市各個路口未來1個小時之內的車流量、人流量、車流速度與人群流動速度：，其中是可學習的參數，從而計算路口未來一段時間內的機動車道綠燈秒數和非機動車車道綠燈秒數：
19、，
20、，
21、其中分別路口的機動車和非機動車飽和流量。
22、第二方面，本專利技術提供一種動靜態交通治理系統，包括以下四個模塊：
23、多模態交通數據采集模塊，用于通過視頻監控系統、傳感器網絡、gps定位設備，采集來自不同域的數據源，實時獲取交通參與者的交通信息；
24、數據預處理與融合模塊，用于對采集到的多模態交通數據進行預處理，去除噪聲、消除冗余信息；
25、動靜態交通特征提取模塊，用于對不同的數據類型提取交通特征，通過transformer對視頻數據和傳感器數據進行空間特征提取，并應用yolo算法進行車輛檢測和交通流密度分析，識別動態交通變化；同時，gps數據與其他地理位置信息相結合，使用圖卷積神經網絡（gcn）提取城市靜態特征；
26、動態交通治理決策模塊，用于根本文檔來自技高網...
【技術保護點】
1.一種動靜態交通治理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述動靜態交通治理方法，其特征在于，步驟S2的具體過程為：
3.根據權利要求2所述動靜態交通治理方法，其特征在于，步驟S3的具體過程為：
4.根據權利要求3所述動靜態交通治理方法，其特征在于，步驟S4的具體過程為：通過一個MLP模型預測城市各個路口未來1個小時之內的車流量、人流量、車流速度與人群流動速度：，其中是可學習的參數，從而計算路口未來一段時間內的機動車道綠燈秒數和非機動車車道綠燈秒數：
5.一種動靜態交通治理系統，其特征在于，實現如權利要求1-4任一項所述方法，包括以下四個模塊：
6.一種電子設備，其特征在于，包括存儲器和處理器以及存儲在存儲器上并在處理器上運行的計算機指令，所述計算機指令被處理器運行時，完成如權利要求1-4任一項所述方法。
7.一種計算機可讀存儲介質，其特征在于，用于存儲計算機指令，所述計算機指令被處理器執行時，完成如權利要求1-4任一項所述方法。
【技術特征摘要】
1.一種動靜態交通治理方法，其特征在于，包括以下步驟：
2.根據權利要求1所述動靜態交通治理方法，其特征在于，步驟s2的具體過程為：
3.根據權利要求2所述動靜態交通治理方法，其特征在于，步驟s3的具體過程為：
4.根據權利要求3所述動靜態交通治理方法，其特征在于，步驟s4的具體過程為：通過一個mlp模型預測城市各個路口未來1個小時之內的車流量、人流量、車流速度與人群流動速度：，其中是可學習的參數，從而計算路口未來一段時間內的...
【專利技術屬性】
技術研發人員：劉寒松，尹義龍，王永，宮永順，張欣欣，王國強，劉瑞，李越，李萬寧，董玉超，焦安健，劉志強，
申請(專利權)人：松立控股集團股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。