基于拥堵路段交通信息实时定位指挥处理系统的制作方法

1.本技术涉及智能化指挥技术领域，并且更具体地，涉及一种基于拥堵路段交通信息实时定位指挥处理系统。


背景技术：

2.随着城市化进程的加快，城市交通拥堵问题日益严重，给城市管理和居民出行带来了巨大的困扰。如何有效地监测、预测和缓解拥堵路段的交通状况，提高道路通行效率，是智能交通系统的重要研究内容。
3.目前，传统的拥堵路段监测方法主要依赖于固定的传感器设备，如雷达、道路摄像头等，这些设备的覆盖范围有限，数据更新频率低，无法满足实时动态的交通管理需求。
4.因此，期待一种解决方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于拥堵路段交通信息实时定位指挥处理系统，其利用深度学习和人工智能技术，并基于被监控拥堵路段的监控图像来判断当前拥堵情况，并基于与所述被监控路段连通的路段的车流量特征来预测拥堵路段的车辆通过时间。这样，可以有效地监测、预测拥堵路段的交通状况，从而提高道路通行效率，为城市交通管理和居民出行带来更好的服务。
6.第一方面，提供了一种基于拥堵路段交通信息实时定位指挥处理系统，其包括：
7.路段监控模块，用于获取由无人机采集的被监控拥堵路段的路段监控图像；
8.车流量监控模块，用于获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值；
9.图像块切分模块，用于将所述被监控拥堵路段的路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个路段子图像；
10.路段语义理解模块，用于将所述多个路段子图像通过包含嵌入层的vit模型以得到路段全局语义特征向量；
11.数据结构化模块，用于将所述多个路段在预定时间段内多个预定时间点的车流量值按照时间维度和路段样本维度排列为车流量全局输入矩阵；
12.多尺度感知模块，用于将所述车流量全局输入矩阵通过包含第一卷积层和第二卷积层的多尺度感知器以得到多尺度车流量关联特征向量；
13.关联编码模块，用于对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵；以及
14.解码回归模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值。
附图说明
15.为了更清楚地说明本技术实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统的框图。
17.图2为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述路段语义理解模块的框图。
18.图3为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述转换编码单元的框图。
19.图4为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述多尺度感知模块的框图。
20.图5为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述训练模块的框图。
21.图6为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理方法的流程图。
22.图7为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理方法的系统架构的示意图。
23.图8为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统的应用场景图。
具体实施方式
24.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
25.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
26.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
27.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
28.在本技术的一个实施例中，图1为根据本技术实施例的基于拥堵路段交通信息实
时定位指挥处理系统的框图。如图1所示，根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统100，包括：路段监控模块110，用于获取由无人机采集的被监控拥堵路段的路段监控图像；车流量监控模块120，用于获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值；图像块切分模块130，用于将所述被监控拥堵路段的路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个路段子图像；路段语义理解模块140，用于将所述多个路段子图像通过包含嵌入层的vit模型以得到路段全局语义特征向量；数据结构化模块150，用于将所述多个路段在预定时间段内多个预定时间点的车流量值按照时间维度和路段样本维度排列为车流量全局输入矩阵；多尺度感知模块160，用于将所述车流量全局输入矩阵通过包含第一卷积层和第二卷积层的多尺度感知器以得到多尺度车流量关联特征向量；关联编码模块170，用于对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵；以及，解码回归模块180，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值。
29.具体地，在本技术实施例中，所述路段监控模块110和所述车流量监控模块120，用于获取由无人机采集的被监控拥堵路段的路段监控图像；以及，用于获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值。
30.针对上述技术问题，本技术的技术构思是利用深度学习和人工智能技术，并基于被监控拥堵路段的监控图像来判断当前拥堵情况，并基于与所述被监控路段连通的路段的车流量特征来预测拥堵路段的车辆通过时间。与传统的固定传感器设备相比，该方案具有监测范围广、数据更新频率高等优点，能够更好地适应城市交通管理的实时动态需求。这样，可以有效地监测、预测拥堵路段的交通状况，从而提高道路通行效率，为城市交通管理和居民出行带来更好的服务。
31.具体地，在本技术的技术方案中，首先，获取由无人机采集的被监控拥堵路段的路段监控图像。相比传统的固定传感器设备，无人机可以更灵活地飞行和拍摄，能够获取到更广泛的监测范围，能够更好地反映路段的交通状况。同时，获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值。这里，车流量是一个重要的指标，能够反映出道路的通行能力和交通状况。通过获取与被监控拥堵路段连通的多个路段的车流量值，可以了解到这些路段的实时交通状况。
32.在本技术的一个实施例中，确定被监控的拥堵路段的位置和范围；调用无人机的采集程序，设置采集参数，包括拍摄角度、分辨率、帧率等；启动无人机，让其飞行至被监控的拥堵路段上空，并开始采集图像。这样，以获取由无人机采集的被监控拥堵路段的路段监控图像。
33.进一步地，确定被监控拥堵路段的相邻路段，并安装车流量检测器；设置车流量检测器的参数，包括检测时间段、检测时间点、车流量计算方法等；在预定时间段的多个时间点，启动车流量检测器，记录车流量数据。这样，以获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值
34.具体地，在本技术实施例中，所述图像块切分模块130，用于将所述被监控拥堵路段的路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个路段子图像。在实际情况中，被监控的拥堵路段可能是一条较长的路段，而这条路段上的交通状况可能是不均
匀的，例如，会存在局部拥堵的情况。为了更好地反映出路段的交通状况，在本技术的技术方案中，将所述被监控拥堵路段的路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个路段子图像。这样，经图像分块后得到的各个路段子图像对应着路段上的一个局部区域，可以在一定程度上凸显局部区域的交通情况。
35.图像块切分是将一张大图像按照一定的规则切分成多个小图像，以便于对每个小图像进行分析和处理。在本技术的一个实施例中，对所述被监控拥堵路段的路段监控图像进行均分切分，将被监控拥堵路段的路段监控图像沿着路段延伸方向均分为多个大小相等的图像块，每个图像块对应一个路段子图像。
36.在本技术的另一个实施例中，对所述被监控拥堵路段的路段监控图像进行基于路段分割的切分，先对被监控拥堵路段进行路段分割，将其分成多个小路段，然后将路段分割的结果映射到路段监控图像上，得到多个小路段在图像上的位置和范围，最后将图像按照小路段的位置和范围进行切分，得到多个路段子图像。
37.具体地，在本技术实施例中，所述路段语义理解模块140，用于将所述多个路段子图像通过包含嵌入层的vit模型以得到路段全局语义特征向量。接着，将所述多个路段子图像通过包含嵌入层的vit模型以得到路段全局语义特征向量。应可以理解，由于所述多个路段子图像并非一种结构化的数据，在本技术的技术方案中，采用包含嵌入层的vit模型对其进行分析与处理。其中，嵌入层能够将图像信息转化为特征向量。而vit模型是一种基于transformer的图像处理模型，能够对各个多个路段子图像对应的特征向量进行全局语义理解，从而得到所述路段全局语义特征向量。
38.图2为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述路段语义理解模块的框图，如图2所示，所述路段语义理解模块140，包括：嵌入化单元141，用于使用所述包含嵌入层的vit模型的嵌入层对所述多个路段子图像中的各个路段子图像进行向量嵌入化以得到图像嵌入向量的序列；以及，转换编码单元142，用于将所述图像嵌入向量的序列输入所述包含嵌入层的vit模型的转换器以得到所述路段全局语义特征向量。
39.图3为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述转换编码单元的框图，如图3所示，所述转换编码单元142，包括：向量构造子单元1421，用于将所述图像嵌入向量的序列进行一维排列以得到全局图像特征向量；自注意子单元1422，用于计算所述全局图像特征向量与所述图像嵌入向量的序列中各个图像嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1423，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1424，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及，注意力施加子单元1425，用于分别以所述多个概率值中各个概率值作为权重对所述图像嵌入向量的序列中各个图像嵌入向量进行加权以得到所述路段全局语义特征向量。
40.应可以理解，自2017年google提出的transformer结构以来，迅速引发一波热潮，针对于nlp领域的，通过自注意力机制代替传统处理序列数据时采用的循环神经网络结构，不仅实现了并行训练，提升了训练的效率，同时也在应用中取得很好的结果。在nlp中，输入transformer中的是一个序列，而在视觉领域，需要考虑如何将一个2d图片转化为一个1d的
序列，最直观的想法就是将图片中的像素点输入到transformer中，但是复杂度太高的问题。
41.而vit模型对输入的改进可以降低复杂度，先将图片切分成一个个图像块，然后每一个图像块投影为固定长度的向量送入transformer中，后续编码器的操作和原始transformer中完全相同。但是因为对图片分类，因此在输入序列中加入一个特殊的标记，该标记对应的输出即为最后的类别预测。vit在很多视觉任务上都展现了相当优秀的性能，但是和cnn(convolutional neural network，卷积神经网络)相比，缺少归纳偏置让vit应用于小数据集时非常依赖模型正则化(model regularization)和数据增广(data augmentation)。
42.具体地，在本技术实施例中，所述数据结构化模块150，用于将所述多个路段在预定时间段内多个预定时间点的车流量值按照时间维度和路段样本维度排列为车流量全局输入矩阵。考虑到在交通管理中，车流量数据中的不同路段之间存在复杂的关联性，如某路段的车流量变化会影响到相邻路段的车流量变化。并且，同一路段的车流量也在时序上具有动态变化特性。在本技术的技术方案中，为挖掘上述隐含的关联关系，首先，将所述多个路段在预定时间段内多个预定时间点的车流量值按照时间维度和路段样本维度排列为车流量全局输入矩阵以将车流量数据转化为可计算的矩阵形式，方便后续的数据处理和分析。
43.其中，按时间维度排列，包括：将预定时间段内的多个预定时间点按照时间顺序排列，作为车流量全局输入矩阵的列，即将每个时间点对应的车流量值作为一列数据。
44.进一步地，按路段样本维度排列，包括：将被监控拥堵路段和与其连通的多个路段按照一定的顺序排列，作为车流量全局输入矩阵的行，即将每个路段对应的车流量值作为一行数据。
45.按照上述方式排列车流量值，得到的车流量全局输入矩阵可以作为后续车流量分析和预测模型的输入。其中，每个元素表示某个路段在某个时间点的车流量值，可以用于分析车流量的变化趋势、预测未来的车流量等。
46.具体地，在本技术实施例中，所述多尺度感知模块160，用于将所述车流量全局输入矩阵通过包含第一卷积层和第二卷积层的多尺度感知器以得到多尺度车流量关联特征向量。接着，将所述车流量全局输入矩阵通过包含第一卷积层和第二卷积层的多尺度感知器以得到多尺度车流量关联特征向量。其中，所述多尺度感知器的所述第一卷积层和所述第二卷积层具有不同尺度的卷积核，可以有效地提取车流量数据在不同时间跨度下的关联特征。
47.图4为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述多尺度感知模块的框图，如图4所示，所述多尺度感知模块160，包括：第一卷积单元161，用于将所述车流量全局输入矩阵输入所述多尺度感知器的第一卷积层以得到第一尺度车流量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二卷积单元162，用于将所述车流量全局输入矩阵输入所述多尺度感知器的第二卷积层以得到第二尺度车流量特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及，融合单元163，用于将所述第一尺度车流量特征向量和所述第二尺度车流量特征向量进行级联以得到所述多尺度车流量关联特征向量。
48.值得一提的是，相较于传统的特征工程，所述多尺度感知器本质上是一个基于深度学习的深度神经网络模型，其能够通过预定训练策略来拟合任何函数功能，且具有更高的特征提取泛化能力。
49.所述多尺度感知器包含多个并行的一维卷积层，其中，在所述多尺度感知器进行特征提取的过程中，所述多个并行的一维卷积层分别以具有不同尺度的一维卷积核对输入数据进行一维卷积编码以捕捉序列局部隐含特征。
50.其中，所述第一卷积单元161，用于：使用所述多尺度感知器的第一卷积层对所述车流量全局输入矩阵进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度车流量特征向量。
51.第二卷积单元162，用于：使用所述多尺度感知器的第二卷积层对所述车流量全局输入矩阵进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为所述第二尺度车流量特征向量。
52.其中，卷积神经网络是一种深度学习模型，通常用于图像识别、语音识别和自然语言处理等领域。在车流量数据分析中，卷积神经网络可以用于提取车流量数据的特征，例如车流量密度、车速和拥堵程度等。多尺度感知器是卷积神经网络中的一种常见结构，可以通过在不同尺度上应用不同大小的卷积核来提取不同尺度下的特征，从而提高模型的性能。
53.在车流量数据分析中，多尺度感知器可以用于处理不同时间跨度下的车流量数据，例如小时、半小时和五分钟等。通过使用具有不同尺度的卷积核，多尺度感知器可以有效地提取车流量数据在不同时间跨度下的关联特征，从而提高模型的准确性和鲁棒性。
54.具体地，在本技术实施例中，所述关联编码模块170，用于对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵。应可以理解，在交通管理中，路段的特征信息对车流量的变化有很大的影响，例如路段的宽度、道路类型、周围环境等都会影响车流量的变化。因此，在本技术的技术方案中，对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以将车流量数据和路段特征信息进行融合，从而得到解码特征矩阵。这样，提高拥堵预测的准确性。
55.其中，所述关联编码模块170，用于：以如下编码公式对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵；其中，所述编码公式为：
[0056][0057]
其中，va表示所述多尺度车流量关联特征向量，表示所述多尺度车流量关联特征向量的转置向量，vc表示所述路段全局语义特征向量，m1表示所述解码特征矩阵，表示矩阵相乘。
[0058]
具体地，在本技术实施例中，所述解码回归模块180，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值。然后，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值。其中，所述解码器可以根据输入的特征矩阵生成输出的数值。也就是说，在本技术的技术方案中，所述解码器的作用是将经关联编码得到的所述解码特征矩阵还原为表示通过所述拥挤路段的时间值的预测值，为交通管理和出行提供实际的参考，例如可以用于优
化交通信号灯的控制、调整公交车的发车时间等，提高道路通行效率，减少出行时间。
[0059]
其中，所述解码回归模块180，用于：以如下解码公式将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值；其中，所述解码公式为：其中，md表示所述解码特征矩阵，y表示所述解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。
[0060]
在卷积神经网络中，解码器是一个用于将高级抽象特征映射回原始输入空间的模块。通常与编码器一起构成一个完整的自编码器或者卷积神经网络。解码器的主要作用是将编码器生成的高级特征重新映射回原始输入空间，从而重构原始输入数据。
[0061]
解码器通常由反卷积层或上采样层组成。反卷积层是一种卷积神经网络中的层，将低维的特征映射扩展到高维空间中，从而实现图像的上采样。上采样层则是一种将图像尺寸扩大的层，通常使用插值等技术实现。在图像处理中，解码器可以用于图像重建、图像去噪、图像超分辨率等任务。在车流量数据分析中，解码器可以用于将编码器生成的车流量特征映射回原始车流量数据空间，从而重构原始车流量数据。进一步地，所述基于拥堵路段交通信息实时定位指挥处理系统，还包括用于对所述通过包含嵌入层的vit模型、所述包含第一卷积层和第二卷积层的多尺度感知器和所述解码器进行训练的训练模块；图5为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统中所述训练模块的框图，如图5所示，训练模块190，包括：训练数据获取模块191，用于获取训练数据，所述训练数据包括由无人机采集的被监控拥堵路段的训练路段监控图像、与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的训练车流量值，以及，通过所述拥挤路段的时间值的真实值；训练图像块切分模块192，用于将所述被监控拥堵路段的训练路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个训练路段子图像；训练路段语义理解模块193，用于将所述多个训练路段子图像通过所述包含嵌入层的vit模型以得到训练路段全局语义特征向量；训练数据结构化模块194，用于将所述多个路段在预定时间段内多个预定时间点的训练车流量值按照时间维度和路段样本维度排列为训练车流量全局输入矩阵；训练多尺度感知模块195，用于将所述训练车流量全局输入矩阵通过所述包含第一卷积层和第二卷积层的多尺度感知器以得到训练多尺度车流量关联特征向量；训练关联编码模块196，用于对所述训练多尺度车流量关联特征向量和所述训练路段全局语义特征向量进行关联编码以得到训练解码特征矩阵；真值差异损失模块197，用于将所述训练解码特征矩阵通过所述解码器以得到真值差异损失函数值；伪循环差异模块198，用于计算所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量的伪循环差异惩罚因数；以及，训练模块199，用于以所述真值差异损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值，并基于梯度下降的方向传播来对所述通过包含嵌入层的vit模型、所述包含第一卷积层和第二卷积层的多尺度感知器和所述解码器进行训练。
[0062]
在本技术的技术方案中，所述路段全局语义特征向量表达各个路段子图像的图像特征语义的上下文关联编码特征，而所述多尺度车流量关联特征向量表达时间-样本维度下的不同尺度的交叉维度关联特征，因此，所述多尺度车流量关联特征向量和所述路段全局语义特征向量在特征维度和特征语义上的差异导致了其整体特征分布相对于逐位置关联编码的分布不平衡，从而影响模型的训练效果和从关联编码得到的所述解码特征矩阵的解码值的准确性。
[0063]
基于此，本技术的申请人在针对所述解码值的真值(ground-truth)差异损失函数之外，进一步引入针对所述路段全局语义特征向量，例如记为v1和所述多尺度车流量关联特征向量，例如记为v2的伪循环差异惩罚因数作为损失函数，具体表示为：以如下优化公式计算所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量的伪循环差异惩罚因数；其中，所述优化公式为：
[0064][0065]
其中，v1是所述训练路段全局语义特征向量，v2是所述训练多尺度车流量关联特征向量，d(v1，v2)为所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量之间的距离矩阵，‖
·
‖f表示矩阵的frobenius范数，l是特征向量的长度，d(v1，v2)是所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量之间的欧式距离，‖
·
‖2是向量的二范数，log表示以2为底的对数函数，且α和β为加权超参数，是所述伪循环差异惩罚因数，和分别表示按位置减法和加法。
[0066]
这里，考虑到所述路段全局语义特征向量v1和所述多尺度车流量关联特征向量v2之间的不平衡分布会在基于梯度下降的反向传播的模型训练过程当中导致梯度传播异常，从而形成模型参数更新的伪循环，所述伪循环差异惩罚因数通过引入用于表达特征值的密切关联数值对的空间关系和数值关系两者的惩罚因数，来在最小化损失函数的模型训练过程中，将模型参数更新的伪循环视为真实循环，以通过梯度传播的模拟激活的方式来实现所述路段全局语义特征向量v1和所述多尺度车流量关联特征向量v2各自的特征分布的渐进耦合，从而提高模型的训练效果和所述解码特征矩阵的解码值的准确性。
[0067]
如上所述，根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统100可以实现在各种终端设备中，例如用于基于拥堵路段交通信息实时定位指挥处理的服务器等。在一个示例中，根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于拥堵路段交通信息实时定位指挥处理系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于拥堵路段交通信息实时定位指挥处理系统100同样可以是该终端设备的众多硬件模块之一。
[0068]
替换地，在另一示例中，该基于拥堵路段交通信息实时定位指挥处理系统100与该终端设备也可以是分立的设备，并且该基于拥堵路段交通信息实时定位指挥处理系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0069]
在本技术的一个实施例中，图6为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理方法的流程图。图7为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理方法的系统架构的示意图。如图6和图7所示，根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理方法，其包括：210，获取由无人机采集的被监控拥堵路段的路段监控图像；220，获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值；230，将所述被监控拥堵路段的路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个路段子图像；240，将所述多个路段子图像通过包含嵌入层的vit模型以得到路段全局语义特征向量；250，将所述多个路段在预定时间段内多个预定时间点
的车流量值按照时间维度和路段样本维度排列为车流量全局输入矩阵；260，将所述车流量全局输入矩阵通过包含第一卷积层和第二卷积层的多尺度感知器以得到多尺度车流量关联特征向量；270，对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵；以及，280，将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值。
[0070]
本领域技术人员可以理解，上述基于拥堵路段交通信息实时定位指挥处理方法中的各个步骤的具体操作已经在上面参考图1到图5的基于拥堵路段交通信息实时定位指挥处理系统的描述中得到了详细介绍，并因此，将省略其重复描述。
[0071]
图8为根据本技术实施例的基于拥堵路段交通信息实时定位指挥处理系统的应用场景图。如图8所示，在该应用场景中，首先，获取由无人机(例如，如图8中所示意的d)采集的被监控拥堵路段的路段监控图像(例如，如图8中所示意的c1)，以及，获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值(例如，如图8中所示意的c2)；然后，将获取的路段监控图像输入至部署有基于拥堵路段交通信息实时定位指挥处理算法的服务器(例如，如图8中所示意的s)中，其中所述服务器能够基于拥堵路段交通信息实时定位指挥处理算法对所述路段监控图像进行处理，以生成用于表示预测通过所述拥挤路段的时间值的解码值。
[0072]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0073]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0074]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
[0075]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，包括：路段监控模块，用于获取由无人机采集的被监控拥堵路段的路段监控图像；车流量监控模块，用于获取与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的车流量值；图像块切分模块，用于将所述被监控拥堵路段的路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个路段子图像；路段语义理解模块，用于将所述多个路段子图像通过包含嵌入层的vit模型以得到路段全局语义特征向量；数据结构化模块，用于将所述多个路段在预定时间段内多个预定时间点的车流量值按照时间维度和路段样本维度排列为车流量全局输入矩阵；多尺度感知模块，用于将所述车流量全局输入矩阵通过包含第一卷积层和第二卷积层的多尺度感知器以得到多尺度车流量关联特征向量；关联编码模块，用于对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵；以及解码回归模块，用于将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值。2.根据权利要求1所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述路段语义理解模块，包括：嵌入化单元，用于使用所述包含嵌入层的vit模型的嵌入层对所述多个路段子图像中的各个路段子图像进行向量嵌入化以得到图像嵌入向量的序列；以及转换编码单元，用于将所述图像嵌入向量的序列输入所述包含嵌入层的vit模型的转换器以得到所述路段全局语义特征向量。3.根据权利要求2所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述转换编码单元，包括：向量构造子单元，用于将所述图像嵌入向量的序列进行一维排列以得到全局图像特征向量；自注意子单元，用于计算所述全局图像特征向量与所述图像嵌入向量的序列中各个图像嵌入向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过softmax分类函数以得到多个概率值；以及注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述图像嵌入向量的序列中各个图像嵌入向量进行加权以得到所述路段全局语义特征向量。4.根据权利要求3所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述多尺度感知模块，包括：第一卷积单元，用于将所述车流量全局输入矩阵输入所述多尺度感知器的第一卷积层以得到第一尺度车流量特征向量，其中，所述第一卷积层具有第一尺度的卷积核；第二卷积单元，用于将所述车流量全局输入矩阵输入所述多尺度感知器的第二卷积层
以得到第二尺度车流量特征向量，其中，所述第二卷积层层具有第二尺度的卷积核，所述第一尺度不同于所述第二尺度；以及融合单元，用于将所述第一尺度车流量特征向量和所述第二尺度车流量特征向量进行级联以得到所述多尺度车流量关联特征向量。5.根据权利要求4所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述第一卷积单元，用于：使用所述多尺度感知器的第一卷积层对所述车流量全局输入矩阵进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为所述第一尺度车流量特征向量。6.根据权利要求5所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述关联编码模块，用于：以如下编码公式对所述多尺度车流量关联特征向量和所述路段全局语义特征向量进行关联编码以得到解码特征矩阵；其中，所述编码公式为：其中，v
a
表示所述多尺度车流量关联特征向量，表示所述多尺度车流量关联特征向量的转置向量，v
c
表示所述路段全局语义特征向量，m1表示所述解码特征矩阵，表示矩阵相乘。7.根据权利要求6所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述解码回归模块，用于：以如下解码公式将所述解码特征矩阵通过解码器以得到解码值，所述解码值用于表示预测通过所述拥挤路段的时间值；其中，所述解码公式为：其中，m
d
表示所述解码特征矩阵，y表示所述解码值，w表示权重矩阵，b表示偏置向量，表示矩阵乘。8.根据权利要求7所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，还包括用于对所述通过包含嵌入层的vit模型、所述包含第一卷积层和第二卷积层的多尺度感知器和所述解码器进行训练的训练模块；其中，训练模块，包括：训练数据获取模块，用于获取训练数据，所述训练数据包括由无人机采集的被监控拥堵路段的训练路段监控图像、与所述被监控拥堵路段连通的多个路段在预定时间段内多个预定时间点的训练车流量值，以及，通过所述拥挤路段的时间值的真实值；训练图像块切分模块，用于将所述被监控拥堵路段的训练路段监控图像进行沿着路段延伸方向进行图像块切分以得到多个训练路段子图像；训练路段语义理解模块，用于将所述多个训练路段子图像通过所述包含嵌入层的vit模型以得到训练路段全局语义特征向量；训练数据结构化模块，用于将所述多个路段在预定时间段内多个预定时间点的训练车流量值按照时间维度和路段样本维度排列为训练车流量全局输入矩阵；训练多尺度感知模块，用于将所述训练车流量全局输入矩阵通过所述包含第一卷积层和第二卷积层的多尺度感知器以得到训练多尺度车流量关联特征向量；训练关联编码模块，用于对所述训练多尺度车流量关联特征向量和所述训练路段全局语义特征向量进行关联编码以得到训练解码特征矩阵；
真值差异损失模块，用于将所述训练解码特征矩阵通过所述解码器以得到真值差异损失函数值；伪循环差异模块，用于计算所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量的伪循环差异惩罚因数；以及训练模块，用于以所述真值差异损失函数值和所述伪循环差异惩罚因数的加权和作为损失函数值，并基于梯度下降的方向传播来对所述通过包含嵌入层的vit模型、所述包含第一卷积层和第二卷积层的多尺度感知器和所述解码器进行训练。9.根据权利要求8所述的基于拥堵路段交通信息实时定位指挥处理系统，其特征在于，所述伪循环差异模块，用于：以如下优化公式计算所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量的伪循环差异惩罚因数；其中，所述优化公式为：其中，v1是所述训练路段全局语义特征向量，v2是所述训练多尺度车流量关联特征向量，d(v1，v2)为所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量之间的距离矩阵，‖
·
‖
f
表示矩阵的frobenius范数，l是特征向量的长度，d(v1，v2)是所述训练路段全局语义特征向量和所述训练多尺度车流量关联特征向量之间的欧式距离，‖
·
‖2是向量的二范数，log表示以2为底的对数函数，且α和β为加权超参数，是所述伪循环差异惩罚因数，和分别表示按位置减法和加法。

技术总结
一种基于拥堵路段交通信息实时定位指挥处理系统，其利用深度学习和人工智能技术，并基于被监控拥堵路段的监控图像来判断当前拥堵情况，并基于与所述被监控路段连通的路段的车流量特征来预测拥堵路段的车辆通过时间。这样，可以有效地监测、预测拥堵路段的交通状况，从而提高道路通行效率，为城市交通管理和居民出行带来更好的服务。出行带来更好的服务。出行带来更好的服务。


技术研发人员：黎江丽 吕燕武 李兵
受保护的技术使用者：黎江丽
技术研发日：2023.06.21
技术公布日：2023/8/31