[发明专利]一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质

权利要求书

1.一种基于交通违法热点预测的巡逻路线规划方法，其特征在于，具体包括如下步骤：

S1：将离散的交通违法事件匹配到道路网络，得到交通违法热点候选区域；

S2：得出所述交通违法热点候选区域的交通违法时间序列，计算出交通违法时间序列下的交通违法热点候选区域的违法程度，并提取交通违法时间序列下的交通违法热点候选区域的时空情境特征，将交通违法热点候选区域以及其交通违法时间序列、违法程度、时空情境特征组成数据集；所述违法程度：将每个交通违法热点候选区域在每个小时的违法程度划分为三个等级，分别为轻度，中度，重度；

所述交通违法时间序列为其中，/表示r_i在第t个小时的交通违法事件数量；r_i表示第i个交通违法热点候选区域，i∈[1，N]，根据r_i在t小时的违法事件数量确定所述交通违法时间序列下r_i违法程度/

所述时空情境特征包括：基本时间特征、气候特征以及空间特征；

其中基本时间特征包括但不限于该小时是一天中的第几个小时，该小时属于一周中的第几天，该小时属于一年中的第几天，该小时属于一月中的第几天，该小时属于一年中的第几个月，该小时属于一年中第几个周，该小时属于一年中的第几个季度；以及气候特征，包括但不限于该小时该交通违法热点候选区域的温度，该小时该交通违法热点候选区域的湿度和该小时该交通违法热点候选区域的气压；空间特征包括其基本位置特征，基本位置特征包括但不限于该交通违法热点候选区域的经度、纬度，该交通违法热点候选区域的道路等级，该交通违法热点候选区域的道路限速；S3：采用拔靴抽样法从数据集中抽取三组训练数据集，分别用三组训练数据集通过协同训练与主动学习训练三组预测模型，所述预测模型采用树集成模型；

S4：利用所述三组预测模型，对无标签交通数据进行分类，预测未来交通违法热点的分布情况；

S5：根据预测的未来交通违法热点的分布情况，进行交警巡逻路线的建模和优化；

argmax_XL·X ①

D·X≤μ ⑤

其中，①式表示优化目标，X为邻接张量，L为增益张量，邻接张量X使得L·X即巡逻路线覆盖的交通违法热点增益最大；限制条件②中，表示了从起始点出发的路径数量，/表示最终回到起始点的路径数量，/表示所有路线都从起始点开始，/表示所有路线都到起始结束，且路径数量为k，t为第t个小时；限制条件③表示没有路径会在工作时间结束前回到起始点；②③两个限制条件共同保证了有向图的基本结构；限制条件④表示到达某个结点的路径数量等于离开该结点的数量，并且路径之间不会存在点交叉；限制条件⑤⑥表示总体的路径长度不超过阈值μ。

2.根据权利要求1所述的一种基于交通违法热点预测的巡逻路线规划方法，其特征在于，利用所述三组预测模型，对无标签交通数据进行分类，具体包括：

样本被三个预测模型同时分到同一类，则标记为可信实例标签，并加入三个训练集中；

样本被两个预测模型分到同一类，在第三个预测模型中分到不同的类别，则标记为较可信实例标签，并加入第三个预测模型相应的训练集中；

样本被三个预测模型分到了都不相同的类别，则标记为模糊实例标签，加入专家验证集。

3.根据权利要求1所述的一种基于交通违法热点预测的巡逻路线规划方法，其特征在于，所述预测模型定期采用在线更新机制，进行重新训练。

4.根据权利要求1所述的一种基于交通违法热点预测的巡逻路线规划方法，其特征在于，所述步骤S5中交警巡逻路线为一张有向图，图中的每个结点v(i，t)表示在第t个小时的交通违法热点候选区域r_i，属性值Level(i，t)表示r_i在第t个小时的交通违法程度，每条边x(i，j，t)表示交警是否在第t小时开始时从结点v(i，t-1)移动到结点v(j，t)，如果x(i，j，t)＝1则表示存在这样的移动，该式为0则表示不存在这样的移动。