本發(fā)明涉及智能交通，特別涉及一種動(dòng)靜態(tài)交通治理方法、系統(tǒng)、電子設(shè)備及介質(zhì)。

背景技術(shù)：

1、現(xiàn)有的城市交通治理系統(tǒng)在數(shù)據(jù)源單一、動(dòng)態(tài)應(yīng)對(duì)能力有限、多模態(tài)數(shù)據(jù)利用不充分和跨域?qū)W習(xí)能力缺乏等方面存在諸多不足，導(dǎo)致系統(tǒng)在復(fù)雜交通環(huán)境中的實(shí)時(shí)治理和優(yōu)化能力大打折扣。

2、首先，現(xiàn)有方法或系統(tǒng)多依賴單一數(shù)據(jù)源，如視頻監(jiān)控和交通流量傳感器。這些數(shù)據(jù)雖然能提供局部信息，但其局限性明顯。視頻監(jiān)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(dòng)態(tài)捕捉全局變化。此外，多模態(tài)數(shù)據(jù)缺乏融合，導(dǎo)致視頻、傳感器和車輛gps等數(shù)據(jù)被割裂處理，無法形成協(xié)同決策，影響信息的完整性和準(zhǔn)確性。

3、其次，現(xiàn)有方法或系統(tǒng)的動(dòng)態(tài)應(yīng)對(duì)能力不足，尤其是在交通流預(yù)測和突發(fā)事件處理上。大多數(shù)系統(tǒng)依賴簡單的歷史數(shù)據(jù)回歸，無法及時(shí)預(yù)測和應(yīng)對(duì)實(shí)時(shí)交通變化。在高峰時(shí)段或突發(fā)事件（如交通事故）發(fā)生時(shí)，現(xiàn)有系統(tǒng)難以及時(shí)給出有效的調(diào)控措施。異常事件檢測也主要基于單一數(shù)據(jù)源，特別是視頻檢測在低光照、遮擋等復(fù)雜條件下識(shí)別精度下降，導(dǎo)致應(yīng)急處理滯后。

4、此外，現(xiàn)有方法或系統(tǒng)缺乏跨域?qū)W習(xí)能力，不同城市的交通特征差異顯著，導(dǎo)致系統(tǒng)難以在不同區(qū)域間遷移應(yīng)用。每次擴(kuò)展到新區(qū)域時(shí)都需要重新訓(xùn)練模型，耗費(fèi)大量時(shí)間和人力，限制了系統(tǒng)的推廣。而且，多模態(tài)數(shù)據(jù)融合利用不足也是現(xiàn)有方法或系統(tǒng)的短板。交通治理涉及視頻、傳感器、地理信息等多模態(tài)數(shù)據(jù)，但由于結(jié)構(gòu)和來源不同，缺乏有效的融合機(jī)制，導(dǎo)致系統(tǒng)難以充分挖掘信息間的關(guān)聯(lián)性，從而影響全局決策的準(zhǔn)確性。

5、因此，現(xiàn)有城市交通治理方法或系統(tǒng)在數(shù)據(jù)處理、動(dòng)態(tài)應(yīng)對(duì)和跨域應(yīng)用方面的不足，亟需一種新型的動(dòng)靜態(tài)交通治理方法和系統(tǒng)來克服這些挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、為實(shí)現(xiàn)上述目的，本發(fā)明提出一種動(dòng)靜態(tài)交通治理方法、系統(tǒng)、電子設(shè)備及介質(zhì)，通過融合視頻監(jiān)控、傳感器網(wǎng)絡(luò)、gps定位等多源數(shù)據(jù)，實(shí)現(xiàn)交通信息的全面采集與分析，并采用數(shù)據(jù)預(yù)處理與融合技術(shù)，結(jié)合動(dòng)態(tài)和靜態(tài)交通特征提取，運(yùn)用transformer、yolo和圖卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)交通流量及道路特征進(jìn)行深度學(xué)習(xí)與跨域?qū)W習(xí)，通過實(shí)時(shí)的交通預(yù)測和智能決策，能夠根據(jù)實(shí)際交通情況生成最優(yōu)的交通信號(hào)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(yīng)性、靈活性和智能化的特點(diǎn)，有效提升交通管理的效率和準(zhǔn)確性。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、第一方面，本發(fā)明提供了一種動(dòng)靜態(tài)交通治理方法，包括以下步驟：

4、s1、多模態(tài)交通數(shù)據(jù)采集：通過視頻監(jiān)控系統(tǒng)、傳感器網(wǎng)絡(luò)、gps定位系統(tǒng)，采集來自不同域的數(shù)據(jù)源，獲得車輛、行人的實(shí)時(shí)交通信息，即得到多模態(tài)交通數(shù)據(jù)；

5、s2、數(shù)據(jù)預(yù)處理與融合：對(duì)采集到多模態(tài)交通數(shù)據(jù)進(jìn)行預(yù)處理，消除噪聲和冗余信息，并使用插值方法填補(bǔ)缺失值，通過箱線圖識(shí)別異常值，并使用統(tǒng)計(jì)量修正異常值；

6、s3、動(dòng)靜態(tài)交通特征提?。夯趖ransformer對(duì)視頻數(shù)據(jù)和傳感器數(shù)據(jù)進(jìn)行空間特征提取，對(duì)圖像數(shù)據(jù)中的車輛檢測和密度分析應(yīng)用yolo算法，從中提取動(dòng)態(tài)交通變化特征；同時(shí)，將gps數(shù)據(jù)與其他地理位置信息結(jié)合，通過基于圖卷積神經(jīng)網(wǎng)絡(luò)提取城市靜態(tài)特征；

7、s4、動(dòng)態(tài)交通治理決策：采用mlp模型生成實(shí)時(shí)交通預(yù)測結(jié)果，生成相應(yīng)的交通信號(hào)控制策略和車輛調(diào)度方案，動(dòng)態(tài)調(diào)整紅綠燈時(shí)間、車道分配交通管理措施。

8、作為本發(fā)明的進(jìn)一步技術(shù)方案，步驟s2的具體過程為：

9、s21、對(duì)車輛速度和人群流動(dòng)速度進(jìn)行拼接，得到處理后的速度數(shù)據(jù)，其中、分別為傳感器網(wǎng)絡(luò)在時(shí)刻采集得到的車輛速度和人群流動(dòng)速度，，，為路口數(shù)量；

10、s22、進(jìn)行缺失值和異常值處理，先使用箱型圖技術(shù)對(duì)異常值進(jìn)行有效識(shí)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(shù)和第一四分位數(shù)之間的距離，即：，則異常值集合為：，使用非異常值計(jì)算時(shí)空數(shù)據(jù)的統(tǒng)計(jì)特征即均值和方差對(duì)異常值和缺失值進(jìn)行修正。

11、作為本發(fā)明的進(jìn)一步技術(shù)方案，步驟s3的具體過程為：

12、s31、使用yolo算法對(duì)頻監(jiān)控系統(tǒng)在時(shí)刻得到的圖像進(jìn)行目標(biāo)識(shí)別，得到在時(shí)刻的車流量，人流量數(shù)據(jù)，則每天識(shí)別得到的數(shù)據(jù)維度為：，，其中、為圖像的高度和寬度；并將車流量、人流量數(shù)據(jù)與步驟s21處理后的速度數(shù)據(jù)進(jìn)行拼接得到數(shù)據(jù)：；

13、s32、使用transformer進(jìn)行時(shí)空特征提取，先將輸入transformer的數(shù)據(jù)通過一個(gè)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(shù)據(jù)增加位置信息，對(duì)于每個(gè)時(shí)間步t，位置編碼通過以下公式計(jì)算：

14、，

15、；

16、然后使用多頭注意力機(jī)制捕捉跨時(shí)間依賴：，其中，，，，且是可學(xué)習(xí)的權(quán)重矩陣，再在自注意力機(jī)制后接一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，進(jìn)一步對(duì)時(shí)空特征進(jìn)行非線性變換：，其中是可學(xué)習(xí)的參數(shù)，在每個(gè)自注意力機(jī)制和前饋神經(jīng)網(wǎng)絡(luò)后，使用殘差連接和層歸一化，公式如下：，經(jīng)過多個(gè)transformer?層處理后，得到提取的動(dòng)態(tài)時(shí)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(shí)空特征表示；

17、s33、通過圖卷積網(wǎng)絡(luò)提取城市靜態(tài)特征，城市路口之間的空間關(guān)系由一個(gè)圖數(shù)據(jù)結(jié)構(gòu)給出，其中是地鐵站點(diǎn)的集合，是各地鐵站之間的邊的集合，各點(diǎn)之間的空間相關(guān)關(guān)系由鄰接矩陣來度量，當(dāng)且時(shí)，不為0；使用擴(kuò)散圖卷積層對(duì)空間信息進(jìn)行提取，擴(kuò)散圖卷積層的表達(dá)式為：，其中，表示轉(zhuǎn)移矩陣的冪級(jí)數(shù)，在無向圖的情況下，；在有向圖的情況下，擴(kuò)散過程有兩個(gè)方向，分別是正向和反向，正向轉(zhuǎn)移矩陣為，反向轉(zhuǎn)移矩陣為；是圖卷積的可學(xué)習(xí)參數(shù)矩陣。

18、作為本發(fā)明的進(jìn)一步技術(shù)方案，步驟s4的具體過程為：通過一個(gè)mlp模型預(yù)測城市各個(gè)路口未來1個(gè)小時(shí)之內(nèi)的車流量、人流量、車流速度與人群流動(dòng)速度：，其中是可學(xué)習(xí)的參數(shù)，從而計(jì)算路口未來一段時(shí)間內(nèi)的機(jī)動(dòng)車道綠燈秒數(shù)和非機(jī)動(dòng)車車道綠燈秒數(shù)：

19、，

20、，

21、其中分別路口的機(jī)動(dòng)車和非機(jī)動(dòng)車飽和流量。

22、第二方面，本發(fā)明提供一種動(dòng)靜態(tài)交通治理系統(tǒng)，包括以下四個(gè)模塊：

23、多模態(tài)交通數(shù)據(jù)采集模塊，用于通過視頻監(jiān)控系統(tǒng)、傳感器網(wǎng)絡(luò)、gps定位設(shè)備，采集來自不同域的數(shù)據(jù)源，實(shí)時(shí)獲取交通參與者的交通信息；

24、數(shù)據(jù)預(yù)處理與融合模塊，用于對(duì)采集到的多模態(tài)交通數(shù)據(jù)進(jìn)行預(yù)處理，去除噪聲、消除冗余信息；

25、動(dòng)靜態(tài)交通特征提取模塊，用于對(duì)不同的數(shù)據(jù)類型提取交通特征，通過transformer對(duì)視頻數(shù)據(jù)和傳感器數(shù)據(jù)進(jìn)行空間特征提取，并應(yīng)用yolo算法進(jìn)行車輛檢測和交通流密度分析，識(shí)別動(dòng)態(tài)交通變化；同時(shí)，gps數(shù)據(jù)與其他地理位置信息相結(jié)合，使用圖卷積神經(jīng)網(wǎng)絡(luò)（gcn）提取城市靜態(tài)特征；

26、動(dòng)態(tài)交通治理決策模塊，用于根據(jù)mlp模型的實(shí)時(shí)交通預(yù)測結(jié)果，生成智能交通信號(hào)控制策略和車輛調(diào)度方案。

27、第三方面，本發(fā)明提供一種電子設(shè)備，包括存儲(chǔ)器和處理器以及存儲(chǔ)在存儲(chǔ)器上并在處理器上運(yùn)行的計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器運(yùn)行時(shí)，完成第一方面所述的方法。

28、第四方面，本發(fā)明提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，用于存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，完成第一方面所述的方法。

29、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

30、本發(fā)明通過融合視頻監(jiān)控、傳感器網(wǎng)絡(luò)、gps等多模態(tài)數(shù)據(jù)，獲取更全面的交通信息，并結(jié)合動(dòng)態(tài)交通流量與靜態(tài)道路結(jié)構(gòu)特征，利用深度學(xué)習(xí)模型進(jìn)行綜合分析，提供精準(zhǔn)的交通治理方案，該方法和系統(tǒng)具備跨域?qū)W習(xí)能力，能夠適應(yīng)不同城市和交通條件，應(yīng)用范圍廣泛，能基于實(shí)時(shí)交通預(yù)測，自動(dòng)生成交通信號(hào)控制，優(yōu)化紅綠燈時(shí)間，顯著提升交通管理效率，同時(shí)，通過高效的數(shù)據(jù)預(yù)處理和異常值修正，確保數(shù)據(jù)質(zhì)量，為智能化決策提供可靠依據(jù)，整體提升交通治理的精度與適應(yīng)性。