[发明专利]基于深度学习的智能决策系统及方法

说明书

本发明涉及一种基于深度学习的智能决策系统，所述系统包括：参数解析模块，用于输入当天凌晨采集的城市固定路段周围最近的设定数量的多个停车场分别对应的多个停车数量以执行训练后的深度前馈神经网络，并获得预测通行总数以及预测违章总数；帧率映射模块，用于基于接收到的预测违章总数确定当天上班高峰时间段期间所述城市固定路段的信号灯附近的视觉采集终端的采集帧率。本发明还涉及一种基于深度学习的智能决策方法。通过本发明，能够建立城市内每一个固定路段其每天通行的车辆总数、违章车辆总数与预设范围内的周围停车场停车数量之间的智慧映射模型，从而完成停车场数据和路段车辆数据之间的关联和互动。

技术领域

本发明涉及智慧大脑领域，尤其涉及一种基于深度学习的智能决策系统及方法。

背景技术

建设智慧城市的目标要让老百姓有获得感和体验感，智慧大脑（又称作为城市智能运营中心）切实能够帮助城市管理者提高城市运营管理水平、建设文明和环境美好城市、提高政府服务水平。

智慧大脑是智慧城市中业务、数据的集散地，是智慧城市的感知中心、互联中心、管理中心和决策中心。各类业务、数据向运营中心汇聚，通过决策分析，以指令的形式向周边业务扩散，实现综合管理和联合指挥。

智慧大脑作为智慧城市的“神经中枢”，它将发挥参谋决策、指挥调度、数据分析等多重作用。通过汇聚政府数据和社会数据形成城市大数据，以跨域的数据融合分析实现对城市运行状态的全面感知、态势预测，实时掌握城市运行状态，对应急指挥提供信息支撑，作为重大突发事件的指挥场所，形成平战结合的新型智慧城市运行管理模式。

然而，由于智慧大脑毕竟是城市管理的新鲜事物，在各个具体应用领域方面尚未建立有效的智慧管理模式，例如，城市内每一个固定路段其每天通行的车辆总数以及违章车辆总数与预设范围内的周围停车场停车的数量存在密切关系，可以通过二者的联动需求在整个城市范围内的交通管理资源的划分和城市监控设备运行模式的修正，但是，如何将上述密切关系用模型进行表示，以及如何基于建立的模型执行整个城市范围内的交通管理资源的划分和城市监控设备运行模式的修正，目前仍然是智慧大脑应用的空白区域。

发明内容

为了解决上述问题，本发明提供了一种基于深度学习的智能决策系统及方法，能够引入基于深度学习的前馈神经网络建立城市固定路段在第二天上班高峰时间段内通行过的车辆总数、出现违章行为的车辆总数分别与所述城市固定路段周围最近的设定数量的多个停车场在凌晨分别对应的多个停车数量之间的智能映射关系，尤为关键的是，根据城市固定路段选择停车场的划定范围，从而实现城市停车数据与城市交通数据之间的数据协作和交流，填补了智慧大脑在城市细分领域应用的空白。

相比较于现有技术，本发明具备以下几处突出的实质性特点：

（1）引入基于深度学习的前馈神经网络实现城市停车数据与城市交通数据之间的数据协作和交流，丰富了当前智慧大脑的应用领域；

（2）采用先使用较新数据进行训练后使用较旧数据进行训练的模式，保证训练后的深度前馈神经网络的可靠性和有效性；

（3）深度前馈神经网络应用的城市固定路段路面越宽，选择的停车场的划定范围越广，从而完成不同城市固定路段的不同深度前馈神经网络的灵活定制。

根据本发明的第一方面，提供了一种基于深度学习的智能决策系统，所述系统包括：

网络建立模块，用于建立深度前馈神经网络，所述深度前馈神经网络包括一个输入层、一个输出层和多个隐含层，所述输入层具有预设输入数量的多个输入数据，所述多个输入数据为城市固定路段周围最近的设定数量的多个停车场在凌晨12点整分别对应的多个停车数量，所述输出层具有两个输出数据，第一输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内通行过的车辆总数，第二输出数据为所述城市固定路段在相对于凌晨12点整的第二天上班高峰时间段内出现违章行为的车辆总数；