一种基于人工智能的城市综合管理方法与流程

本发明涉及公共资源规划领域，更具体地说，它涉及一种基于人工智能的城市综合管理方法。

背景技术：

1、公共车位管理是城市管理中的重要组成部分，其现状通常受到城市规划、交通管理、土地利用和技术发展等多方面因素的影响，公共车位的数量往往不足以满足日益增长的汽车数量。这可能导致停车难、停车拥堵等问题，影响了城市交通的畅通和居民生活质量。

2、当居民需要在城市公共车场内停车时，车辆需要自行找寻空车位，车辆无法较为快捷的到达空车位，在对车辆到达空车位进行路线规划，当车场拥堵或者车位分布不均时，可能会导致部分车辆无法找到空车位的情况，在期间会出现有车辆驶出，同时部分车辆在停空车位时，会存在占用部分相邻车位的问题，造成后续车辆无法利用被部分占用的车位，车辆再继续规划至该被部分占用的车位，会造成公共资源浪费和车辆拥堵。

技术实现思路

1、本发明提供一种基于人工智能的城市综合管理方法，解决相关技术中不能快速规划车辆行驶至空车位，同时考虑受车辆驶出和车位被部分占用的因素影响的技术问题。

2、本发明提供了一种基于人工智能的城市综合管理方法，包括以下步骤：

3、s100：当车辆进入车场时，获取车辆信息和当前车场的快照信息，输入到训练好的模型中；

4、s200：模型预测出该车辆在未来时间步的最优路径和车位占用状态，并显示在显示设备上；

5、s300：根据预测结果，在显示设备上引导车辆按照最优路径行驶，并更新车位占用信息；

6、s400：同时实时获取车场中车辆的驾驶意图信息，在显示设备界面输出图形化的车辆的驾驶意图信息，根据驾驶意图信息重新优化车辆的路径和当前车场的快照信息；

7、s500：重复以上步骤s100-s400，直到车辆到达最优的目标车位；

8、在步骤s100-s200中，所提及的模型包括以下几个部分，图神经网络层、注意力层、序列建模层和输出层；

9、图神经网络层是使用门控图卷积网络（gated gcn）层，其中relu为整流线性单元激活函数：

10、；

11、其中是图的邻接矩阵，是门控卷积操作，包括以下步骤：

12、；

13、；

14、；

15、其中为标准图卷积，为门控信号，为hadamard积，为元素乘积，为sigmoid函数；

16、注意力层在节点特征上应用多头注意力机制，捕获车辆间影响，具体的：

17、；

18、；

19、；

20、；

21、其中、和分别表示查询、键和值，表示使用多少个不同的注意力“头”,即，，被分别分割为h份进行并行计算，其中表示注意力层的输出特征，其中，，分别是查询、键值的线性变换矩阵，为缩放因子，为时间步长；

22、序列建模层对车辆运动序通过lstm进行建模：

23、；

24、其中是时间步的隐藏状态向量；

25、输出层包括路径输出层和车位状态输出层，具体的：

26、路径输出层：；

27、状态输出层：；

28、其中和分别是路径和状态输出的线性变换矩阵。

29、进一步的，在步骤s100-s200中，所提及的模型的构建中还包括：

30、收集真实场景下的车辆轨迹数据，包括车辆信息、车辆的位置、时间和车场的快照信息，并将数据切分为训练集和验证集。

31、进一步的，训练集的构建包括从真实场景中收集大量的车辆轨迹数据，包括车辆的位置序列、时间戳和对应的车场快照信息，对这些数据进行预处理，提取所需的输入特征和监督标签；

32、输入特征：车辆位置、目标车位、周围车辆分布、车位进出状态和临时占用状态；

33、监督标签：车辆真实路径序列和每个时间步的车位占用状态；

34、将处理好的数据随机分割为训练集，用于模型的训练过程。

35、进一步的，验证集的构建包括从不同于训练数据的新场景中收集另一部分车辆轨迹数据；

36、对这些新数据进行与训练数据相同的特征提取和标签构建过程；

37、将处理好的新数据作为验证集，用于在训练过程中评估模型在未见数据上的泛化性能，防止过拟合。

38、进一步的，模型的构建还包括损失函数，包括：

39、路径损失：；

40、状态损失：；

41、总损失：；

42、其中：模型预测的车辆路径序列，大小为n×t×2，n为车辆数，t为时间步长；

43、：真实的车辆路径序列，大小相同；

44、：平方l2范数，用于计算预测路径与真实路径的距离；

45、其中：模型预测的车位状态，大小为n×t×c，c为车位状态类别数；

46、：真实的车位状态序列，大小相同；

47、负交叉熵损失用于度量预测状态与真实状态的差异；

48、其中和分别是状态损失和正则项的权重系数；

49、：模型的所有可训练参数，l1正则化有助于增强模型泛化能力；

50、：l1范数，对模型参数取绝对值再求和。

51、进一步的，在验证集上评估模型性能，包括路径规划指标和车位状态预测指标；

52、其中路径规划指标包括路径长度误差和成功率：

53、路径长度误差：

54、

55、其中为路径长度误差，和分别表示第i辆车的预测路径和真实路径，是验证集中车辆的总数，表示范数；

56、成功率：到达目标车位的车辆占总车辆数的比例；

57、其中车位状态预测指标包括车位占用精确率、车位占用召回率和车位占用f1值：

58、车位占用精确率：正确预测的占用/空闲车位数占总车位数的比例；

59、车位占用召回率：正确预测为占用的车位数占真实占用车位数的比例；

60、车位占用f1值：oacc和orec的调和平均；

61、进一步的，在验证集上评估模型性能后，选择在验证集上性能最优的模型进行部署，具体步骤包括：

62、在真实的车场环境下收集实时的车辆和车位信息，作为模型的输入特征；

63、将输入特征输送到训练好的模型中，模型输出包括：

64、车辆路径序列：；

65、车位状态序列：；

66、根据预测的车辆路径，结合当前车场状态，使用路径规划算法为每辆车辆生成具体的行驶路线；

67、根据预测的车位状态序列，动态调整车辆的引导策略和车位的分配方案；

68、在新的车流数据到来时，重复上述过程，持续优化路径规划和车场调度。

69、进一步的，模型可以持续输出每个时间步的最新车位分布，对车辆进行动态引导，具体包括：

70、输入特征构建：

71、假设在时间步t，获得了车场的快照信息，记为：

72、：表示当前车位状态的特征矩阵；

73、：表示当前车辆位置的矩阵，每行是坐标；

74、还需要获取新进入车场的车辆及其目标位置，将这些信息整合为时刻t的输入特征：

75、；

76、其中是一个特征编码函数，将各种输入拼接并进行编码，构造出节点级和图级特征。

77、模型推理：

78、将输入到训练好的gnn模型中进行推理：

79、；

80、其中是事先构造好的图结构，是模型输出的节点隐藏表示；

81、然后将通过训练好的rnn模型中序列层进行序列建模：

82、；

83、最后由输出层预测出未来t个时间步的车辆路径和车位状态：

84、；

85、；

86、其中和分别是预测的路径坐标序列和车位状态序列；

87、决策与引导：

88、对于新进入车场的车辆，从中提取出从当前位置到目标的最优路径的路径序列；

89、同时，根据更新下一时刻车场的车位占用信息；

90、然后将发送给诱导系统，引导车辆按照预测的路径行驶，同时将作为下一时刻的输入，重复以上步骤，直至车辆到达最优的目标车位。

91、一种基于人工智能的城市综合管理系统，包括：

92、数据采集模块：通过车场监控设备采集实时车辆轨迹数据；记录车辆的位置坐标、时间戳以及整个车场的快照信息，并将数据存储为适合训练的格式；

93、数据预处理模块：对采集的数据进行清洗、标注和增强；构建输入特征，如车辆位置、目标车位、车辆分布、进出状态等；生成监督标签，如路径序列标签、车位状态标签；将数据切分为训练集和验证集；

94、模型训练模块：基于图神经网络、rnn/transformer构建车辆引导模型，使用数据并行策略在训练集和验证集上分布式训练模型，定期评估模型在验证集上的性能，选择最优模型权重；

95、模型部署模块：将训练好的模型部署到车场管理的在线服务系统，对接实时车场监控数据作为模型输入，根据模型输出，规划并引导车辆行驶路径；

96、决策执行模块：将模型预测的最优路径规划方案转化为具体的指令，通过车场的显示屏、导航系统等设备向车辆驾驶员发布引导信息，监测并执行车辆的具体行驶动作；

97、在线学习模块：持续采集新的车场运行数据，周期性地使用新数据对既有模型进行增量训练，将新训练的模型权重回传给部署模块，实现模型在线更新；

98、智能调度模块：融合外部数据源；基于智能调度算法，制定车场的总体运营策略，通过模型部署模块优化车辆的整体调度和引导方案；

99、数据可视化模块：将车场的实时运行状况以可视化的方式呈现，包括车位地图、车辆轨迹动画、统计报表。

100、一种存储介质，存储有非暂时性计算机可读指令，用于执行如前述的基于人工智能的城市综合管理方法中的一个或多个步骤。

101、本发明的有益效果在于：

102、该模型架构融合了图神经网络的结构建模能力、rnn/transformer的序列建模能力，并通过注意力层捕捉车辆相互影响，能够学习车场的拓扑结构、车流模式等隐含信息，同时优化车辆行驶路径和车位利用效率。

103、监督学习方式使用真实数据，避免了设计启发式规则的复杂性。在推理时，该模型可以持续输出每个时间步的最新车位分布，从而对车辆进行动态引导。

104、通过将图神经网络、序列建模和注意力机制融合，该模型能够同时学习空间拓扑结构、时间动态过程和车辆相互影响，为复杂的车辆引导问题提供全面的建模和优化方案。

105、附图说明

106、图1是本发明提出的一种基于人工智能的城市综合管理方法流程图；

107、图2是本发明提出的一种基于人工智能的城市综合管理系统的结构框图。