[发明专利]一种城市道路交通流量图生成方法、系统及设备

说明书

本发明公开了一种城市道路交通流量图生成方法、系统及设备。本发明通过将第一编码器生成交通路网特征图以及第二编码器生成的第二交通流量特征图输入到解码器中进行解码，生成第三交通流量特征图，并基于第一交通流量特征图以及第三交通流量特征图，生成细粒度交通流量图。本发明通过将第一编码器生成交通路网特征图作为生成细粒度交通流量图的先验知识，并在解码器中显式编码先验知识，充分发挥了先验知识在生成细粒度交通流量图中的指导作用，充分发掘了城市交通流量分布模式，在高清晰度的城市交通流量图生成任务上能取得优越的性能和准确度。

技术领域

本发明涉及交通领域，尤其涉及一种城市道路交通流量图生成方法、系统及设备。

背景技术

城市交通流量监控是智慧城市建设中的重要组成部分，可以为公共安全，城市规划和其他任务的预警提供重要的信息基础。在现代信息社会中，车辆和基础设施(例如交通监控，空气质量监测站)正在不断生成海量的异构格式的城市数据，例如GPS轨迹点，天气数据等。

深度学习和数据挖掘使得这些数据在探索城市动态模式和表现预测上具有重要意义。但是通常来说，细粒度的实际城市数据是很难收集的。例如，对城市交通流量的监测需要在整个城市中部署足够的传感器设备，必须在交通路段部署数千个探头，回路传感器，监视摄像机和其他监测设备，来实时监控交通流量并收集交通数据。实时道路交通监测系统高度依赖这些监测设备，长期稳定运行需要大量的电力资源和可靠的容灾能力，这将带来巨大的费用和较高的维护成本。

如今，全球范围内智慧城市的发展日新月异，而相应的交通流量监控成本也呈指数增长，这可能成为限制进一步发展的关键因素。为了解决这个问题并促进智能城市应用更好地发展，需要一种新的方法来降低监测成本，同时能确保交通流量数据的粒度和准确性。因此，如何从容易获取的粗粒度数据中推断出原始的细粒度流分布成为了问题的重点。

近年来，深度神经网络已广泛用于城市交通数据细化推理。现有研究主要将该问题建模为将信息熵低的数据映射到信息熵高的数据的映射问题。这些工作通常根据经度和纬度坐标将研究区域划分为网格地图，并将收集到的交通数据组织为张量，以便于将其直接输入到卷积网络中进行映射的自动表示学习。一些策略还提出在粗粒度流数据和细粒度流数据之间建立空间约束，以便于学习空间相关性的表示。

然而，现有的方法都忽略了先验知识对这个问题的重要性，例如城市道路网络，它在很长一段时间内几乎没有显著变化。道路是城市交通系统的重要组成部分，城市道路网络原本就是为车辆行驶而设计的，这意味着大部分交通流量将在道路上产生。例如，公共汽车等交通工具通常只在特定的道路上行驶，不会出现在居民区。现有技术中没有充分考虑先验知识在生成高细粒度城市交通流量图过程中的影响，导致生成的高细粒度城市交通流量图的准确度相对较差。

综上所述，现有技术中没有充分考虑先验知识在生成高细粒度的城市交通流量图过程中的影响，导致存在着生成的高细粒度城市交通流量图的准确度比较差的技术问题。

发明内容

本发明提供了一种城市道路交通流量图生成方法、系统及设备，本发明引入交通路网特征图作为生成细粒度交通流量图的先验知识，从而提高了细粒度交通流量图的准确度。

为了解决上述技术问题，本发明实施例提供了一种城市道路交通流量图生成方法，包括以下步骤：

获取目标区域的粗粒度交通流量图、目标区域的环境数据以及目标区域的交通地图；

将所述粗粒度交通流量图以及所述交通地图输入到第一编码器中进行编码，生成交通路网特征图；

基于所述交通路网特征图、所述环境数据以及粗粒度交通流量图，生成第一交通流量特征图；

将所述第一交通流量特征图输入到第二编码器中进行编码，生成第二交通流量特征图；

将所述第二交通流量特征图以及所述交通路网特征图输入到解码器中进行解码，生成第三交通流量特征图；