一种基于人工智能技术的路网运行知识库构建方法与流程

本发明涉及一种路网运行知识库构建方法，具体为一种基于人工智能技术的路网运行知识库构建方法，属于人工智能技术领域。

背景技术

近年来，随着城市交通运输信息化水平不断提升，交通行业管理部门汇聚了海量的城市综合交通数据，如何利用汇聚的综合交通大数据进行深入分析与应用、提高交通行业管理的精细化水平、探索交通拥堵治理的智慧化成为交通主管部门面临的紧要问题。

当前阶段，虽然国内外许多研究者对公交数据、手机信令数据、路网状态数据等交通运输数据进行了挖掘分析与应用研究，但均局限在数据直接关联的运输领域内，其一，交通大数据目前还主要应用于交通状态判别等浅层次的应用，交通拥堵规律分析以及缓堵策略评估等大数据深层次应用还处于起步阶段，行业内还缺乏系统性解决方案，其二，未将人工智能技术与数据库结合，不能构建兼具人工智能技术的推理、搜索、聚类等自学习属性的知识库，其三，作为交通运行分析与交通管理决策的知识库，不能够为各类智能交通管理系统功能开发提供基本工具，使城市交通管理智慧化、科学化、精细化管理水平较低。

技术实现要素：

本发明的目的就在于为了解决上述问题而提供一种基于人工智能技术的路网运行知识库构建方法。

本发明通过以下技术方案来实现上述目的：一种基于人工智能技术的路网运行知识库构建方法，包括

数据采集层，数据来源为公安交管数据、交通运输数据、互联网数据、交通相关社会数据等海量多源异构大数据；

数据计算引擎层，负责将数据采集层采集到的不同来源、不同格式的综合交通大数据进行清洗、缓存重用、分布式存储，并面向基础支撑层提供基础的数据服务；

基础支撑层，针对处理过的交通大数据进行基础特征画像；

知识库应用层，针对交通需求侧特征画像和供给侧特征画像的结果，形成知识库。

其中，所述数据采集层由历史城市交通数据和交通相关历史社会数据组成，所述数据采集层的数据来源为公安交管数据、交通运输数据、互联网数据、交通相关社会数据等海量多源异构大数据，所述数据计算引擎层的输入端与数据采集层进行连接，所述数据计算引擎层的输出端与基础支撑层进行连接，所述基础支撑层基础特征画像包含需求侧特征画像和供给侧特征画像，所述知识库应用层包括交通运行事实库、交通运行规则库和交通运行规律库。

一种基于人工智能技术的路网运行知识库构建方法，其使用方法由以下几个步骤构成：

步骤a，建立统一数据接口，进行知识库构建所需的数据资源的提取，包括历史城市交通数据(如路网基础数据、路网运行数据、出租汽车运行数据等)和交通相关历史社会数据(如气象数据、交通事故数据、重大活动数据及重要基础设施数据等)；

步骤b，利用大数据画像技术，进行数据融合及交叉分析，形成对路网、公共交通工具、交通枢纽等交通供给侧基础画像以及交通出行者、货物等交通需求侧的基础画像，为后续交通运行知识库分层次构建提供支撑；

步骤c，通过挖掘历史交通运行数据规律，建立时间、季节、事件、节假日、气象、限行、单行、潮汐车道等多种数据或方案与路段运行状态的实际数据关联关系库；

步骤d，建立路网运行知识库的自我学习人工神经网络模型，通过人工智能数据挖掘技术，根据原有的事实或用户指令，对数据进行充分分析研究，对多维度、多种类的数据进行聚类和相关性分析，推导提炼出新的事实或规律；

步骤e，实现同一影响因素或多种影响因素共同作用的交通运行影响分析提取；

步骤f，基于路网运行规则库，构建路网运行分析通用规律，实现路网运行规则的深层应用。

优选的，为了提高数据质量和利用率，所述数据计算引擎层建立统一的数据接口，且对数据进行二次识别。

优选的，为了提升系统运行的稳定性和安全性，所述数据计算引擎层通过对接数据量的分析、接收数据与历史数据的对比分析实现数据服务监控。

优选的，为了对后续交通运行知识库分层次构建提供支撑，所述基础支撑层利用大数据画像技术，结合数据存储层的综合交通数据，进行数据融合及交叉分析，形成对路网、公共交通工具、交通枢纽等交通供给侧基础画像以及交通出行者、货物等交通需求侧的基础画像。

优选的，为了推导提炼出新的事实或规律，所述知识库应用层通过人工智能数据挖掘技术，根据原有的事实或用户指令，对数据进行充分分析研究。

优选的，为了形成路网运行事实库，所述知识库应用层建立与时间、季节、事件、节假日、气象、限行、单行、潮汐车道等多种数据或交通管理方案的关联关系。

优选的，为了形成路网运行规则库，所述知识库应用层应用自我学习人工神经网络模型，建立道路影响因素分析规则，对同一影响因素或多种影响因素共同作用的道路影响分析提取。

优选的，为了形成多层次、多维度的路网运行知识库，所述知识库应用层构建不同时间特征、不同季节特征、不同节假日特征，不同交通事件特征的道路拥堵变化规律及诱导路径选择规律，实现交通拥堵索引维度提升和分析。

本发明的有益效果是：该基于人工智能技术的路网运行知识库构建方法设计合理，数据计算引擎层建立统一的数据接口，且对数据进行二次识别，按照统一的数据标准进行数据格式转换，能够完成知识库所需的数据资源的提取，并提高数据，质量和利用率，数据计算引擎层通过对接数据量的分析、接收数据与历史数据的对比分析实现数据服务监控，可以根据用户设置对数据接收异常进行报警，提升系统运行的稳定性和安全性，基础支撑层利用大数据画像技术，结合数据存储层的综合交通数据，进行数据融合及交叉分析，形成对路网、公共交通工具、交通枢纽等交通供给侧基础画像以及交通出行者、货物等交通需求侧的基础画像，为后续交通运行知识库分层次构建提供支撑，知识库应用层通过人工智能数据挖掘技术，根据原有的事实或用户指令，对数据进行充分分析研究，对多维度、多种类的数据进行聚类和相关性分析，推导提炼出新的事实或规律，知识库应用层建立与时间、季节、事件、节假日、气象、限行、单行、潮汐车道等多种数据或交通管理方案的关联关系，形成路网运行事实库，知识库应用层应用自我学习人工神经网络模型，建立道路影响因素分析规则，对同一影响因素或多种影响因素共同作用的道路影响分析提取，形成路网运行规则库，知识库应用层构建不同时间特征、不同季节特征、不同节假日特征，不同交通事件特征的道路拥堵变化规律及诱导路径选择规律，实现交通拥堵索引维度提升和分析，形成多层次、多维度的路网运行知识库。

附图说明

图1为本发明结构总体框架示意图；

图2为本发明结构知识库构建流程示意图；

图3为本发明结构知识库人工智能学习流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1～3，一种基于人工智能技术的路网运行知识库构建方法，包括

数据采集层，数据来源为公安交管数据、交通运输数据、互联网数据、交通相关社会数据等海量多源异构大数据；

数据计算引擎层，负责将数据采集层采集到的不同来源、不同格式的综合交通大数据进行清洗、缓存重用、分布式存储，并面向基础支撑层提供基础的数据服务；

基础支撑层，针对处理过的交通大数据进行基础特征画像；

知识库应用层，针对交通需求侧特征画像和供给侧特征画像的结果，形成知识库。

其中，所述数据采集层由历史城市交通数据和交通相关历史社会数据组成，所述数据采集层的数据来源为公安交管数据、交通运输数据、互联网数据、交通相关社会数据等海量多源异构大数据，所述数据计算引擎层的输入端与数据采集层进行连接，所述数据计算引擎层的输出端与基础支撑层进行连接，所述基础支撑层基础特征画像包含需求侧特征画像和供给侧特征画像，所述知识库应用层包括交通运行事实库、交通运行规则库和交通运行规律库。

所述数据计算引擎层建立统一的数据接口，且对数据进行二次识别，按照统一的数据标准进行数据格式转换，能够完成知识库所需的数据资源的提取，并提高数据质量和利用率，所述数据计算引擎层通过对接数据量的分析、接收数据与历史数据的对比分析实现数据服务监控，可以根据用户设置对数据接收异常进行报警，提升系统运行的稳定性和安全性，所述基础支撑层利用大数据画像技术，结合数据存储层的综合交通数据，进行数据融合及交叉分析，形成对路网、公共交通工具、交通枢纽等交通供给侧基础画像以及交通出行者、货物等交通需求侧的基础画像，为后续交通运行知识库分层次构建提供支撑，所述知识库应用层通过人工智能数据挖掘技术，根据原有的事实或用户指令，对数据进行充分分析研究，对多维度、多种类的数据进行聚类和相关性分析，推导提炼出新的事实或规律，所述知识库应用层建立与时间、季节、事件、节假日、气象、限行、单行、潮汐车道等多种数据或交通管理方案的关联关系，形成路网运行事实库，所述知识库应用层应用自我学习人工神经网络模型，建立道路影响因素分析规则，对同一影响因素或多种影响因素共同作用的道路影响分析提取，形成路网运行规则库，所述知识库应用层构建不同时间特征、不同季节特征、不同节假日特征，不同交通事件特征的道路拥堵变化规律及诱导路径选择规律，实现交通拥堵索引维度提升和分析，形成多层次、多维度的路网运行知识库。

一种基于人工智能技术的路网运行知识库构建方法，其使用方法由以下几个步骤构成：

步骤a，建立统一数据接口，进行知识库构建所需的数据资源的提取，包括历史城市交通数据(如路网基础数据、路网运行数据、出租汽车运行数据等)和交通相关历史社会数据(如气象数据、交通事故数据、重大活动数据及重要基础设施数据等)；

步骤b，利用大数据画像技术，进行数据融合及交叉分析，形成对路网、公共交通工具、交通枢纽等交通供给侧基础画像以及交通出行者、货物等交通需求侧的基础画像，为后续交通运行知识库分层次构建提供支撑；

步骤c，通过挖掘历史交通运行数据规律，建立时间、季节、事件、节假日、气象、限行、单行、潮汐车道等多种数据或方案与路段运行状态的实际数据关联关系库；

步骤d，建立路网运行知识库的自我学习人工神经网络模型，通过人工智能数据挖掘技术，根据原有的事实或用户指令，对数据进行充分分析研究，对多维度、多种类的数据进行聚类和相关性分析，推导提炼出新的事实或规律；

步骤e，实现同一影响因素或多种影响因素共同作用的交通运行影响分析提取；

步骤f，基于路网运行规则库，构建路网运行分析通用规律，实现路网运行规则的深层应用。

工作原理：在使用该基于人工智能技术的路网运行知识库构建方法时，路网运行知识库在历史数据基础上，将人工智能技术与数据库结合，以数据库为核心，构建兼具人工智能技术的推理、搜索、聚类等自学习属性的知识库，作为交通运行分析与交通管理决策的智库，为各类智能交通管理系统功能开发提供基本工具，提升城市交通管理智慧化、科学化、精细化管理水平。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。