基于在线地图图像数据的道路拥堵演化识别方法

本发明属于交通拥堵监控领域，具体涉及一种基于在线地图图像数据的道路拥堵演化识别方法。

背景技术：

1、随着经济的发展和城市规模的不断扩大，交通拥堵现象在世界各国大中城市普遍存在。交通拥堵演化识别能够帮助相关交通管理部门制定合理有效的交通拥堵疏导策略，最大程度降低交通拥堵所带来的负面影响，大幅度提高整个城市道路交通系统的运行水平；还能够从本质上剖析造成拥堵的内在原因，为制定改善和治理方案等工作提供定量化的分析手段和依据。

2、传统交通拥堵演化识别的方法主要有基于实验观察的方法、基于解析的方法、基于仿真的方法等。基于实验观察的方法所研究分析的对象主要为高速公路走廊，通常借助速度轮廓图等可视化工具对交通拥堵在时间和空间上的传播行为进行定性分析和量化提取，该方法简单直观，能够较好地捕捉高速公路拥堵的传播特征，但严重依赖于人工经验，不利于自动化部署，而且对交通特性复杂的城市道路并不适用。基于解析的方法依赖于严格的假设条件，通过大量简化实际道路的交通情况来解析推导交通拥堵在路网上的传播规律，但现实情况与假设条件有很大的出入，该方法在揭示真实路网中的交通拥堵传播规律和模式具有很大的局限性。随着信息技术的发展，基于仿真的方法成为目前研究交通拥堵传播的主流手段。但该类方法的有效性在很大程度上取决于仿真所使用的交通流模型，而这些模型在通常情形下需要基于一定的假设加以复杂的推导和求解才能获得令人满意方案，这在一定程度上影响了此类方法的普遍通用性。

3、综上所述，传统交通拥堵演化识别方法缺乏针对路网宏观层面的全局拥堵控制的考量，对于揭示城市道路的交通拥堵传播规模和模式上具有较大的局限性。而当前研究主要采用的交通仿真方法，由于其模型的复杂性、对人工经验的依赖性以及仿真工作在模型标定和校验的额外工作量使其在实际路网中的适用性不强。

技术实现思路

1、基于现有技术存在的问题，本发明提出了一种基于在线地图图像数据的道路拥堵演化识别方法，所述方法包括：

2、获取在线地图在各个时刻的路网图像，所述路网图像包括由一条或者多条道路构成的通行状态图像；所述通行状态图像具有一种或多种不同颜色，每种颜色指示一种通行状态；

3、将所述在线地图的路网图像输入到基于深度学习的图像分割网络中，输出得到各条路段的拥堵识别结果；所述拥堵识别结果包括拥堵分割图像和通行状态标签；

4、将所述各条路段的拥堵识别结果按照图像像素比例转换为时空属性的交通数据，并根据所述时空属性得到每条路段在各个时刻的平均速度、交通拥堵指数和通行状态特征图；

5、将每条路段在各个时刻的交通拥堵指数、平均速度以及通行状态特征图输入到时空交替的图神经网络中，输出得到目标时隙内所有道路的交通拥堵指数。

6、本发明的有益效果：

7、本发明采用基于深度学习的图像分割网络对在线地图的路网图像进行处理，能够准确识别出各条路段的拥堵识别结果；本发明将各条路段的拥堵识别结果按照图像像素比例转换为时空属性的交通数据，按照图像像素就可以对路网图像中的道路对象进行分割和提取，结合道路拥堵的时空属性就可以得到各个时刻的平均速度、交通拥堵指数和通行状态特征图；由于道路拥堵具有强烈的时空相关性，本发明通过平均速度和通信状态特征图充分挖掘出时间信息和空间信息，再结合相应的交通拥堵指数即可对后续的交通拥堵指数进行预测；本发明提出的时空交替的图神经网络采用了时空交替和空时交替技术，能够充分提取出交通拥堵信息的空间相关性、空间异质性、时间相关性和时间异质性；使用残差连接方式能够加速收敛过程，提高了道路拥堵演化识别的效率。

技术特征：

1.一种基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，将所述在线地图的路网图像输入到基于深度学习的图像分割网络之前包括对所述路网图像进行预处理；将预处理的路网图像裁剪到指定尺寸；将指定尺寸的路网图像进行序列化。

3.根据权利要求1所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，将所述在线地图的路网图像输入到基于深度学习的图像分割网络中，输出得到各条路段的拥堵识别结果包括将采用不同尺寸的u型网络的编码层对所述在线地图的路网图像进行编码，提取出不同尺度的特征信息；采用对应尺寸的u型网络的解码层对不同尺度的特征信息进行解码，提取出相应尺度的特征信息；将最后一层解码层输出的特征信息通过softmax层进行分类，得到相应路段的拥堵识别结果；其中，前两层编码层与后两层解码层通过残差路径进行连接，后两层编码层与前两层解码层通过复制路径进行连接，最后一层编码层与最初一层解码层之间通过编解码层连接。

4.根据权利要求1所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，根据所述时空属性得到每条路段在各个时刻的平均速度、交通拥堵指数和通行状态特征图包括根据在当前时刻与目标时刻时同一路段的拥堵分割图像的拥堵长度以及图像比例系数，得到在当前时刻当前路段的估算平均速度；根据估算平均速度，得到平均速度；根据平均速度，得到交通拥堵指数；根据每条路段在各个时刻的平均速度构建每条路段平均速度的折线图；根据每条路段在各个时刻的通行状态标签构建通行状态特征图。

5.根据权利要求4所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，所述估算平均速度的计算公式表示为：

6.根据权利要求5所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，所述交通拥堵指数的计算公式表示为：

7.根据权利要求1所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，在根据所述时空属性得到每条路段在各个时刻的平均速度、交通拥堵指数和通行状态特征图之后还包括根据同一天内同一路段在每个时刻的交通拥堵指数，确定出该路段在每一天的拥堵指数变化起始地点以及拥堵指数起始跨度时长。

8.根据权利要求1所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，将每条路段在各个时刻的交通拥堵指数、平均速度以及通行状态特征图输入到时空交替的图神经网络中，输出得到目标时隙内所有道路的交通拥堵指数包括将每条路段在多粒度周期交通拥堵指数、平均速度以及通行状态特征图分别输入到各自对应的全连接层中，输出多粒度周期相应的交通拥堵特征以及时间特征和空间特征；将多粒度周期相应的交通拥堵特征以及时间特征输入到空间-时间交替模块，按照残差连接的方式提取出每个时刻跨路段之间的空间相关性特征和空间异质性特征；将多粒度周期相应的空间相关性特征和空间异质性特征以及空间特征输入到时间-空间交替模块，按照残差连接的方式提取出多粒度周期相应的每条路段跨时刻之间的时间相关性特征和时间异质性特征；将多粒度周期相应的每条路段跨时刻之间的时间相关性特征和时间异质性特征输入到平均池化层后经过全连接层，输出得到目标时隙内所有道路的交通拥堵指数；其中，所述多粒度周期包括每时刻、每天、每周、每月、每季、每年中任意多个不同粒度的周期。

9.根据权利要求8所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，所述空间-时间交替模块由多头gat模块构成，每个粒度周期对应两个串联的多头gat模块，第一个gat模块的输入与第二个gat模块的输出通过残差连接；所述时间-空间交替模块由多头mat模块构成，每个粒度周期对应两个串联的多头mat模块，第一个mat模块的输入与第二个mat模块的输出通过残差连接。

10.根据权利要求8所述的基于在线地图图像数据的道路拥堵演化识别方法，其特征在于，所述空间相关性特征为相邻路段在同一时刻的空间关联性；所述空间异质性特征为相邻路段在不同时刻的空间关联性；所述时间相关性特征为同一路段在同一时刻的时间关联性；所述时间异质性特征为同一路段在不同时刻的时间关联性。

技术总结本发明属于交通拥堵监控领域，具体涉及一种基于在线地图图像数据的道路拥堵演化识别方法；所述方法包括获取在线地图在各个时刻的路网图像；将路网图像输入到基于深度学习的图像分割网络中，输出得到各条路段的拥堵识别结果；将所述各条路段的拥堵识别结果按照图像像素比例转换为时空属性的交通数据，并根据所述时空属性得到每条路段在各个时刻的平均速度、交通拥堵指数和通行状态特征图；将每条路段在各个时刻的交通拥堵指数、平均速度以及通行状态特征图输入到时空交替的图神经网络中，输出得到目标时隙内所有道路的交通拥堵指数。本发明能够预测出目标时隙内道路的交通拥堵指数，从而发现交通拥堵起源地，减少交通拥堵的发生。技术研发人员：葛显龙,王博,许木顺受保护的技术使用者：重庆交通大学技术研发日：技术公布日：2024/7/23