[发明专利]基于物联网和人工智能的交通拥堵预测与优化方法

权利要求书

1.一种基于物联网和人工智能的交通拥堵预测与优化方法，其特征在于，S1、根据预设的城市区域划分规则将整个城市划分为若干个互不重合的城市区域，周期性地获取城市区域的城市区域图像和车辆出入数据，并对所述城市区域图像和车辆出入数据进行数据分析得到城市区域的车辆分布数据；

从数据库获取城市区域的道路分布数据，并对所述道路分布数据和车辆分布数据进行数据融合生成城市区域的拥堵分析数据；

S2、将所述拥堵分析数据输入交通拥堵预测模型的第二子模型以输出第二高维特征向量，并将随机生成的高斯白噪声输入交通拥堵预测模型的第一子模型以输出与第二高维特征向量的维度相同的第一高维特征向量，然后交通拥堵预测模型的第二子模型根据第一高维特征向量和第二高维特征向量判断城市区域是否拥堵；

将拥堵分析数据通过交通拥堵预测模型的输入层输入交通拥堵预测模型；

第二子模型的特征模型的卷积层对所述拥堵分析数据进行特征提取，第二子模型的特征模型的激励层对卷积层输出的数据进行非线性映射，第二子模型的特征模型的归一化层对激励层输出的数据进行归一化处理，第二子模型的特征模型的池化层对归一化层输出的数据进行池化处理输出第二高维特征向量；

随机生成一个高斯白噪声，第一子模型的反卷积层对所述高斯白噪声进行上采样以将所述高斯白噪声映射到低维空间从而生成第一低维特征向量；第一子模型的激励层将所述第一低维特征向量转化为与所述第二高维特征向量维度相同的向量以输出第一高维特征向量；

第二子模型的判别模型根据第一高维特征向量和第二高维特征向量计算相应城市区域的拥堵判断值，并将所述拥堵判断值与拥堵判断阈值进行比较，在拥堵判断值大于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域拥堵；在拥堵判断值小于或等于拥堵判断阈值时，第二子模型的判别模型判断相应城市区域不拥堵；

S3、将拥堵的城市区域作为第一城市区域，并根据第一城市区域内各第一车辆终端发送的车辆疏导数据和第一城市区域的拥堵分析数据为第一城市区域内的每个车辆初始化一条初始车辆疏导路径；

S4、根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端发送的车辆疏导数据计算第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度，并分别将第一城市区域内每条道路的拥堵值和第一城市区域内每条初始车辆疏导路径的路径长度进行归一化处理得到第一参考系数和第二参考系数；

S5、从数据库获取第一调整系数、第二调整系数和第一路径优化函数，并根据第一参考系数、第二参考系数、第一调整系数和第二调整系数和第一路径优化函数建立第二路径优化函数，然后根据所述第二路径优化函数对第一城市区域内每个车辆的初始车辆疏导路径进行优化更新以得到第一城市区域内每个车辆的第一车辆疏导路径；

S6、根据第一城市区域内每个车辆对应的第一车辆疏导路径和第一城市区域内每条道路的拥堵值得到第一城市区域的交通疏导时间，并判断所述交通疏导时间是否小于预设交通疏导时间；在所述交通疏导时间不小于预设交通疏导时间时，对第一车辆疏导路径进行优化更新并重复步骤S6；

在所述交通疏导时间小于预设交通疏导时间时，将相应的第一车辆疏导路径作为最优车辆疏导路径并将其发送到相应的车辆终端，驾驶员根据车辆终端接收到的最优车辆疏导路径行驶。

2.根据权利要求1所述的方法，其特征在于，所述交通拥堵预测模型包括：输入层、第一子模型、第二子模型和输出层；所述第一子模型包括：反卷积层和激励层；所述第二子模型包括：特征模型和判别模型；所述特征模型包括：卷积层、激励层、归一化层和池化层。

3.根据权利要求2所述的方法，其特征在于，根据第一城市区域的车辆分布数据获取第一城市区域内所有车辆的车辆基本信息以得到第一城市区域内所有车辆的车辆终端标识符；所述车辆基本信息包括车牌号、车辆型号和与车辆对应的车辆终端的车辆终端标识符；

根据所述车辆终端标识符向第一城市区域内所有的第一车辆终端发送车辆疏导提示；所述第一车辆终端为在第一城市区域内行驶的车辆对应的车辆终端；所述车辆终端标识符用于对车辆终端进行唯一标识，每个车辆对应唯一的车辆终端；

根据第一城市区域的拥堵分析数据和第一城市区域内各第一车辆终端根据接收到的车辆疏导提示发送的车辆疏导数据为第一城市区域内的每个车辆分配一条初始车辆疏导路径；所述车辆疏导数据包括：车辆实时位置、车辆终端标识符和车辆目标位置。