[发明专利]一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质

说明书

本发明提供一种基于城市大数据的道路障碍风险评估方法、装置和可存储介质，方法包括：城市路网提取：统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；路网特征提取：提取每个路网网格对应的时空和情境特征；道路障碍风险预测：通过社交网络数据，爬取特定字段，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，获取各个时段各个路网网格无发生道路障碍事件数据；基于Self‑training自训练模型的模型预测；本发明提供的方法，基于多源数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。

技术领域

本发明涉及人工智能、大数据、城市计算领域，特别是指一种基于城市大数据的道路障碍风险评估方法、装置及可读存储介质。

背景技术

道路障碍主要指妨碍道路正常通行通车的异常现象。无论是对于城市管理还是城市应急来说，道路障碍一直以来都困扰着各个城市。道路障碍给城市的正常运转带来许多不必要的麻烦，如交通问题、安全问题。同时，道路障碍也对群众造成困扰，影响群众的出行。

传统道路障碍检测主要依靠城市调查员的实地调查和摄像头查看的方式。该传统方法的缺陷在于调查过程造成大量时间成本和人力财力成本的消耗，且摄像头受限于天气和光线，更重要的是此类方法无法做到风险的预测。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于城市大数据的道路障碍风险评估方法，基于多源数据融合，具有高效、低耗的优点，同时也达到了较高的准确率。

本发明采用如下技术方案：

本发明实施例一方面提供一种基于城市大数据的道路障碍风险评估方法，包括如下步骤：

城市路网提取：根据经纬度划分成同样大小的网格，根据每个浮动车的GPS坐标映射到对应的网格内，统计每个时间段各个网格浮动车的数量；将每个网格每个小时对应的浮动车数量进行聚类，提取出路网并且将路网分成相应路段；

路网特征提取：提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征；

道路障碍风险预测：通过社交网络数据，利用关键字，爬取特定字段，通过群智感知系统，由群智感知者进行录入，获取到最终发生道路障碍数据；通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据；根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测。

具体地，所述路网特征提取，提取每个路网网格对应的时空和情境特征；时空特征为相应时间相应位置的天气特征，情境特征主要包括DEM、树木覆盖率和POI特征，具体为：

对于时空特征，通过UndergroundWeatherAPI获取相应的天气特征；

对于情境特征，通过数字高程模型(DEM)映射到每个路网网格，获取到DEM特征，再通过每个路网网格城市遥感卫星图像，进行AlexNet训练并分类，得到路网网格的树木覆盖率，最后将POI根据GPS映射到各个路网网格中，并统计数量，作为POI特征。

具体地，所述通过统计各个时段浮动车的数量，设置阈值，获取各个时段各个路网网格无发生道路障碍事件数据，具体包括：

将浮动车按各个时间映射到各个路网当中；

设置阈值，大于阈值则认为所述时间段、所述路网网格无发生道路障碍事件，作为无发生道路障碍事件数据。

具体地，所述根据提取到的路网特征以及所对应的发生道路障碍和没有发生道路障碍的事件，基于Self-training自训练模型的模型预测，具体包括：