一种基于ANN的路口交通警力资源调度系统的制作方法

本发明涉及智能资源调度技术领域，主要涉及一种基于ann的路口交通警力资源调度系统。

背景技术：

在交通运输业发展的同时，城市的建设也十分迅速，我国先后建成了大批现代城市，现代化的交通道路保障了城市的正常运转和人民的正常生活，却给交通管理部门带来了更多地压力。日益普及的机动车给城市交通安全带来了新的挑战，交通安全问题亟需解决。因此，保障城市交通的正常运转，才能对国民经济的发展提供持续安全的环境。然而，在拥堵情况下的交通疏导工作已成为了十分紧迫的任务，交警部门如何高效地管理通行状况，有效地调度路口交通警力，已经成为了交通部门急需解决的问题。但目前城市交通警力资源的调度工作主要依靠人工判断的方式完成，这不仅消耗了大量的人力资源，还无法保障警力资源的最优调动安排。因此交通管理部门亟需更加高效便捷的手段调度警力资源，实现警力资源的最优分配。

与此同时，随着计算机视觉和人工智能领域的不断发展和普及，以及人们对交通安全的重视，智能交通监测技术逐渐走进了各大城市的违章判别任务中，帮助交警部门解决简易违章行为的判定任务。目前，智能交通检测技术主要使用光流法和帧间差分法跟踪目标移动轨迹，结合opencv(图像处理库)通过图像处理手段实现对违章行为的精准判定。智能交通检测技术的成功应用，有效的缓解了交通安全的压力，还为警力资源调度系统提供了决策数据。通过智能化的交通监测技术，可以开发出更加智能化的警力资源调度系统，帮助指挥中心维护城市交通安全。

目前，已经实现的警力资源调度系统大多是针对区域性民事纠纷及刑事案件的系统，通过指挥中心接收各地案情信息及警力数据，进行数据分析和领导决策，形成下一步警力资源的调度安排。但现有的警力调度系统也有很大的局限性。首先，现有的警力资源调度系统并不适用于城市交通警力调度任务，因为交通纠纷及交通疏导任务具有很强的实时性，交警必须快速到达需要指挥的道路，此系统依靠多数据自动决策算法，可能会导致指挥效率下降；其次，现有的警力资源调度系统并不具备智能化的处理方式，主要决策过程依然依靠部门领导的思考，这就使警力分配出现了失误的可能，这不但会造成城市交通拥堵，还会消耗交通警察的精力，给城市交通指挥任务带来诸多不便；最后，现有的警力资源调度系统无法预测未来的警力分配状态，无法提前安排下一日的指挥任务，使得警力调度效率不高。

本发明是一种基于深度学习的交通警力资源调度系统，通过路口实时违章数据建立资源调度模型，实现实时分配警力及预测未来警力安排，给城市交通运转提供了保障。

技术实现要素：

发明目的：本发明提供了本发明提供了一种基于ann的路口交通警力资源调度系统，通过ann(人工神经网络)算法实现警力资源的智能调度，是一种运行在复杂交通环境下的智能警力资源调度系统。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于ann的路口交通警力资源调度系统，包括数据预处理模块、警力调度模块和远程控制模块；

所述数据预处理模块从监管部门实时获取包括“违章车辆数”、“违章类型”、“交通流量”、“遵章率”和“时间段”的输入数据和“警力调度量”的标签数据；对输入数据进行归一化处理，采用one-hot编码格式生成所述标签数据，并生成数据集，用于训练模型，实时生成警力调度方案；

所述警力调度模块包括基于ann的全连接神经网络，用于实现模型预训练和生成警力调度方案；所述模型预训练阶段，在接收到数据预处理模块生成的数据集后，以此为神经网络模型的训练数据；搭建好基于ann的警力调度模型，通过n次迭代训练模型，直至警力调度准确率符合标准；所述方案生成阶段，在获取数据预处理模块发送的实时数据，并调用基于ann的警力调度模型，生成警力调度方案，对比初始警力调度方案，调整部署策略；通过k邻近搜索算法，控制警力调动路径，并记录实时数据，回传至数据预处理模块，用于数据预处理模块更新和备份；

所述远程控制模块包括基于qt的可视化界面，用于对警力调度系统的监测和控制；所述可视化界面包括城市交通指挥地图、手动控制部分、数据存储部分和警力调度信息显示接口。

进一步地，所述数据预处理阶段包括：

(1)输入数据的处理方法

1)、对于“违章车辆数”、“交通流量”和“遵章率”三类数据，直接采用归一化处理，具体公式如下：

其中，xi为第i个数据，yi为归一化后数据，min(xi),max(xi)分别为此类数据的最大值和最小值；

2)、对于“违章类型”数据，需要先经过效益函数换算；

首先，根据违章行为消耗的时间，计算违章类型权重，如下：

wi＝ki*hi+b(2)

其中，wi表示违章类型权重，ki,hi和b分别表示为影响因子、消耗时间和偏置；统计单个时间段内总计违章车辆和对应的违章行为，计算违章类型数据，如下式所示：

其中，yi表示效益函数计算后的数据，wi表示违章类型权重，xi表示该违章类型发生的次数；

最后，按照公式(1)对效益函数计算数据进行归一化处理；

3)对于“时间段”类型数据，需要先对数据进行分级处理；

首先，统计30天内城市交通违章次数及其发生时间，以小时为单位，采用分级分类，将其划分到24个时间段中，即可得到30天内城市每小时交通违章次数的分布；

根据公式(1)将每小时违章次数归一化为违章时间权重，将数据按照发生时间归到对应小时类别中，用对应的违章时间权重代替“时间段”数据；

(2)标签数据处理方法

所述标签数据包括“警力调度量”，以最大警力调度量为峰值，将其分为10个等级，将未处理的标签数据放入10个等级中，最后采用one-hot编码格式，生成标签数据。

(3)处理完输入数据和标签数据后，将所有数据打包为数据集，并随机抽取20％的数据为测试集，80％为训练集，用于训练模型；数据预处理模块还负责将实时数据打包发送至警力调度模块，用于实时生成警力调度方案。

进一步地，所述基于ann的警力调度模型采用四层全连接神经网络，包括：输入层、2个隐藏层和输出层；所述神经网络包括n*k1*k2*m个神经元，其中输入层包含n个神经元，代表经过预处理的输入数据；所述警力调度模型通过数据学习分类原则；两个隐藏层包含k1*k2个神经元，用于学习输入数据的特征，分析重要性参数，并以权重参数连接各神经元；输出层由m个神经元组成，将隐藏层提取的特征压缩成更高级的输出特征，用于分类；最后经过softmax函数将特征转换为类别，实现分类功能，得到正确的警力调度量，如下所示：

其中，si是softmax函数得到的值，i和j为输出层输出的数据。

进一步地，所述城市交通指挥地图用于显示城市交通电子地图画面，供工作人员查看目前交通运转状况；所述手动控制部分用于当警力调度方案遇到复杂情况失效时，工作人员通过可视化界面上设定的按键手动制定，以便顺利完成工作；所述数据存储部分用于存储维护信息，并自动保存工作日志；所述警力调度信息显示接口用于显示文字版调度方案，并在电子地图上显示实时警力分布状态。

有益效果：本系统具备以下优点：

(1)本发明能完全代替人工实现警力资源调度任务，同时与远程可视化界面交互保障调度任务可靠；

(2)通过深度学习算法建立适用于交通警力资源调度的ann模型，以智能化的方式保障了交通的正常运行，实现交通指挥的无人化运转；

(3)本发明实现了对路口交通违章数据的合理融合，并将其融入进模型训练中，实现数据指导勤务功能；

本系统节约了大量人力资源，而且保障警力分配方案的合理性。采用基于ann的路口交通警力资源调度系统，加速了交管部门的自动化管理。使得人工智能技术融入到社会的更深层，不仅为城市交通的自动化管理提供思路，还对ai落地政策提供了更广泛的案例。

附图说明

图1是本发明提供的系统模块结构示意图；

图2是本发明提供的数据预处理模块示意图；

图3是本发明提供的警力调度模块示意图；

图4是本发明提供的基于ann的警力调度模型结构示意图；

图5是本发明提供的可视化界面示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示的基于ann的路口交通警力资源调度系统，包括数据预处理模块、警力调度模块和远程控制模块。其中数据预处理模块将交通违章数据打包为数据集供神经网络模型学习；警力调度模块负责训练警力调度模型并生成具体的调度方案；远程控制模块负责显示实时的警力调度方案及交通运转情况，并协助工作人员通过按键实现警力的远程控制。三个模块通过数据通信，数据预处理模块上传数据集给警力调度模块学习，警力调度模块发送调度方案及监控数据给远程控制模块，远程控制模块通过可视化界面发布控制命令更新方案并执行，各模块相互协作，实现系统的正常运转。

数据预处理模块如图2所示，从监管部门实时获取包括“违章车辆数”、“违章类型”、“交通流量”、“遵章率”和“时间段”的输入数据和“警力调度量”的标签数据；对输入数据进行归一化处理，采用one-hot编码格式生成所述标签数据，并生成数据集，用于训练模型，实时生成警力调度方案。

数据预处理阶段包括：

(1)输入数据的处理方法

1)、对于“违章车辆数”、“交通流量”和“遵章率”三类数据，直接采用归一化处理，具体公式如下：

其中，xi为第i个数据，yi为归一化后数据，min(xi),max(xi)分别为此类数据的最大值和最小值；

2)、对于“违章类型”数据，需要先经过效益函数换算；

首先，根据违章行为消耗的时间，计算违章类型权重，如下：

wi＝ki*hi+b(2)

其中，wi表示违章类型权重，ki,hi和b分别表示为影响因子、消耗时间和偏置；统计单个时间段内总计违章车辆和对应的违章行为，计算违章类型数据，如下式所示：

其中，yi表示效益函数计算后的数据，wi表示违章类型权重，xi表示该违章类型发生的次数；

最后，按照公式(1)对效益函数计算数据进行归一化处理；

3)对于“时间段”类型数据，需要先对数据进行分级处理；

首先，统计30天内城市交通违章次数及其发生时间，以小时为单位，采用分级分类，将其划分到24个时间段中，即可得到30天内城市每小时交通违章次数的分布；

根据公式(1)将每小时违章次数归一化为违章时间权重，将数据按照发生时间归到对应小时类别中，用对应的违章时间权重代替“时间段”数据；

(2)标签数据处理方法

所述标签数据包括“警力调度量”，以最大警力调度量为峰值，将其分为10个等级，将未处理的标签数据放入10个等级中，最后采用one-hot编码格式，生成标签数据。

(3)处理完输入数据和标签数据后，将所有数据打包为数据集，并随机抽取20％的数据为测试集，80％为训练集，用于训练模型；数据预处理模块还负责将实时数据打包发送至警力调度模块，用于实时生成警力调度方案。

警力调度模块如图3所示，包括基于ann的全连接神经网络，用于实现模型预训练和生成警力调度方案；所述模型预训练阶段，在接收到数据预处理模块生成的数据集后，以此为神经网络模型的训练数据；搭建好基于ann的警力调度模型，通过n次迭代训练模型，直至警力调度准确率符合标准；所述方案生成阶段，在获取数据预处理模块发送的实时数据，并调用基于ann的警力调度模型，生成警力调度方案，对比初始警力调度方案，调整部署策略；通过k邻近搜索算法，控制警力调动路径，并记录实时数据，回传至数据预处理模块，用于数据预处理模块更新和备份。

基于ann的警力调度模型采用四层全连接神经网络，如图4所示，包括：输入层、2个隐藏层和输出层；所述神经网络包括n*k1*k2*m个神经元，其中输入层包含n个神经元，代表经过预处理的输入数据；所述警力调度模型通过数据学习分类原则；两个隐藏层包含k1*k2个神经元，用于学习输入数据的特征，分析重要性参数，并以权重参数连接各神经元；输出层由m个神经元组成，将隐藏层提取的特征压缩成更高级的输出特征，用于分类；最后经过softmax函数将特征转换为类别，实现分类功能，得到正确的警力调度量，如下所示：

其中，si是softmax函数得到的值，i和j为输出层的输出数据。

远程控制模块包括基于qt的可视化界面，用于对警力调度系统的监测和控制；可视化界面包括城市交通指挥地图、手动控制部分、数据存储部分和警力调度信息显示接口。如图5所示，远程控制模块保障了实时交通情况与指挥人员的有效交互，是防止系统失效的必要手段。本发明所述交通警力资源调度系统的远程控制模块主要功能为：交通运转的实时监控，各交通警察出勤数据的实时上传以及手动制定警力调度方案选项。本模块通过qt开发工具，建立可视化界面，保障了远程控制的可靠性，可视化界面主要接口如下：

(1)城市交通电子地图接口：提供接口显示城市交通电子地图画面，供工作人员查看目前交通运转状况。

(2)警力调度信息显示接口：在警力调度信息栏显示文字版调度方案，并在电子地图上显示实时警力分布状态，方便工作人员判断调度方案是否合理。

(3)维护信息及日志接口：在可视化界面设立接口储存维护信息，并自动保存工作日志，包括工作时间、各街道交通状态、警力调度方案等。

(4)手动控制接口：当警力调度方案遇到复杂情况失效时，工作人员通过可视化界面上设定的按键手动制定，以便顺利完成工作。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。