基于大数据和人工智能的数据分析方法及云计算服务器与流程

本申请涉及大数据和人工智能技术领域，特别涉及一种基于大数据和人工智能的数据分析方法及云计算服务器。

背景技术：

伴随着科学技术的发展，人们生活水平不断提高。城市化进程的不断推进使得很多大城市的机动车和非机动车保有量呈逐年增长的趋势，这样会造成愈发严重的交通拥堵问题。城市街道的交通拥堵不仅对人们的日常出行产生了影响，还可能导致一系列的交通事故。近年来，如何治理大城市的交通拥堵是现目前需要重点考虑的。

技术实现要素：

本申请实施例之一提供一种基于大数据和人工智能的数据分析方法，包括：

获取待调度交通路段中的机动车交通流数据和非机动车交通流数据；

基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果；

将拥堵状态分析过程中存在拥堵标签的非机动车交通流数据确定为待调度非机动车交通流数据，根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略；

对与所述待调度非机动车交通流数据相对应的交通引导调度策略和所述待调度非机动车交通流数据进行拥堵状态分析，得到针对所述交通引导调度策略的目标拥堵状态分析结果；

根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息。

本申请实施例之一提供一种云计算服务器，包括基于大数据和人工智能的数据分析装置，所述数据分析装置中的功能模块在运行时实现上述的方法。

本申请实施例之一提供一种云计算服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行上述的方法。

本申请实施例之一提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序在运行是实现上述的方法。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

本申请将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据分析方法和/或过程的流程图；

图2是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据分析装置的框图；

图3是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据分析系统的框图，以及

图4是根据本发明的一些实施例所示的一种示例性云计算服务器中硬件和软件组成的示意图。

具体实施方式

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

发明人经研究和分析发现，常见的治理交通拥堵的方法通常难以快速地实现交通调度和疏通，这是由于在进行交通调度和疏通时，没有将机动车和非机动车区分开，这样会导致在进行交通调度时出现二次拥堵，例如对机动车进行调度时，非机动车进行加塞可能会引发进一步的交通拥挤或者交通事故。

针对上述问题，发明人针对性地提出了基于大数据和人工智能的数据分析方法及云计算服务器，通过对待调度交通路段中的机动车交通流数据和非机动车交通流数据分别进行分析，并考虑它们之间的路网干扰信息，能够快速、准确地确定出待调度交通路段中的机动车调度策略和机动车调度策略对应的调度执行指示信息，这样在指示机动车进行交通调度时，能够将非机动车的交通流数据考虑在内，避免在对机动车进行调度时非机动车的加塞现象，进而避免引发进一步的交通拥挤或者交通事故。

首先，对基于大数据和人工智能的数据分析方法进行示例性的说明，请参阅图1，是根据本发明的一些实施例所示的一种示例性基于大数据和人工智能的数据分析方法和/或过程的流程图，基于大数据和人工智能的数据分析方法可以包括以下步骤s11-步骤s15所描述的技术方案。

步骤s11，获取待调度交通路段中的机动车交通流数据和非机动车交通流数据。

例如，待调度交通路段可以是城市中的某个街区对应的交通路段，如市中心路段、购物广场路段、维修路段或者其他经常出现拥堵的交通路段。机动车交通流数据可以理解为私家车、公交车对应的交通流数据，非机动车交通流数据可以理解为二轮电瓶车、三轮电瓶车、自行车、踏板车对应的交通流数据。进一步地，交通流数据可以包括轨迹数据、经纬度数据、时间数据，此外，交通流数据还可以理解为时空数据，交通流数据可以用于进行交通情况（例如路况）分析。

步骤s12，基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果。

例如，路网干扰信息可以理解为不同交通工具在道路上行驶过程中互相之间的干扰，这种干扰可以是空间上干扰，例如互相之间产生空间拥挤和占用。路网干扰信息与交通道路的拥堵息息相关，因此，在进行拥堵状态分析时，将路网干扰信息考虑在内，能够区分机动车和非机动车在行驶过程中的状态区别，从而实现全局性的拥堵状态分析。

步骤s13，将拥堵状态分析过程中存在拥堵标签的非机动车交通流数据确定为待调度非机动车交通流数据，根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略。

例如，拥堵标签可以是预先根据历史拥堵记录进行分析和处理之后得到的，拥堵标签用于表征非机动车交通流数据可能会对待调度交通路段产生拥堵影响，间接或者直接地导致待调度交通路段的交通拥堵。交通线路轨迹则可以理解为不同交通工具在行驶时，对应于电子地图的线路轨迹，可以理解，电子地图可以是基于全球定位系统而生成的统一的数字地图。相关性信息可以用于表征不同交通线路轨迹之间的相似度。待调度非机动车交通流数据相对应的交通引导调度策略可以用于指示对应的非机动车进行行驶线路的调整。交通引导调度策略可以包括针对非机动车的线路调整指示，例如指示非机动车从机动车道变换到非机动车道，又例如指示非机动车进行减速等。

步骤s14，对与所述待调度非机动车交通流数据相对应的交通引导调度策略和所述待调度非机动车交通流数据进行拥堵状态分析，得到针对所述交通引导调度策略的目标拥堵状态分析结果。

例如，目标拥堵状态分析结果能够将非机动行驶过程中的随意性考虑在内，比如非机动车不按照对应的交通引导调度策略进行行驶线路的调整并进行随意的加塞、闯红灯等，如果对非机动车进行实时调度监控，会及大地增加调度成本，因此，通过对确定目标拥堵状态分析结果，能够反过来指示机动车的交通调度，从而尽可能提高交通调度的效率，同时避免非机动车的违章驾驶行为带来的二次拥堵和潜在的交通事故隐患。

步骤s15，根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息。

例如，机动车调度策略对应的调度执行指示信息可以包括针对机动车的多项行驶指示，包括但不限于行驶速度指示、变道时间指示以及行驶线路指示等。可以理解，通过对机动车进行交通调度的难度是低于对非机动车进行交通调度的难度的，因此，通过对机动车进行交通调度，不仅能够减少调度难度和不确定性，还能够将非机动车的交通流数据考虑在内，避免在对机动车进行调度时非机动车的加塞现象，进而避免引发进一步的交通拥挤或者交通事故。

综上所述，基于步骤s11-步骤s15，通过对待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，并考虑它们之间的路网干扰信息，能够得到交通拥堵状态分析结果，这样可以实现对待调度非机动车交通流数据相对应的交通引导调度策略的确定，进而进一步实现拥堵状态分析以确定针对交通引导调度策略的目标拥堵状态分析结果。如此，能够确定出待调度交通路段中的机动车调度策略和机动车调度策略对应的调度执行指示信息。由此，在基于调度执行指示信息指示机动车进行交通调度时，能够将非机动车的交通流数据考虑在内，避免在对机动车进行调度时非机动车的加塞现象，进而避免引发进一步的交通拥挤或者交通事故。

接下来将对一些可选实施例进行说明，这些实施例应当理解为示例，不应理解为实现本方案所必不可少的技术特征。

对于一些可能的实施例而言，步骤s11所描述的所述获取待调度交通路段中的机动车交通流数据和非机动车交通流数据，可以包括以下步骤s111-步骤s114所描述的内容。

步骤s111，获取所述待调度交通路段中的至少两组机动车行驶轨迹数据和至少两组非机动车行驶轨迹数据。

步骤s112，获取所述至少两组机动车行驶轨迹数据之间的机动车行驶轨迹数据的行驶轨迹变化信息和机动车行驶轨迹数据的道路错车数据，获取所述至少两组非机动车行驶轨迹数据之间的非机动车行驶轨迹数据的行驶轨迹变化信息和非机动车行驶轨迹数据的道路错车数据。例如，行驶轨迹变化信息可以根据不同时段下对应的交通工具在电子地图上的定位轨迹曲线计算得到。道路错车数据可以理解为相向行驶的机动车在进行错车时所对应的交通状态数据，例如基于错车时可能会进行的减速而产生的拥堵状态数据等。

步骤s113，根据所述机动车行驶轨迹数据的行驶轨迹变化信息和所述机动车行驶轨迹数据的道路错车数据，对所述至少两组机动车行驶轨迹数据进行融合，得到所述待调度交通路段中的机动车交通流数据；一组机动车交通流数据包括至少一组机动车行驶轨迹数据。例如，行驶轨迹数据融合可以将行驶轨迹曲线进行拼接或者融合，从而得到对应的交通流数据。

步骤s114，根据所述非机动车行驶轨迹数据的行驶轨迹变化信息和所述非机动车行驶轨迹数据的道路错车数据，对所述至少两组非机动车行驶轨迹数据进行融合，得到所述待调度交通路段中的非机动车交通流数据；一组非机动车交通流数据包括至少一组非机动车行驶轨迹数据。

这样一来，通过实施上述步骤s111-步骤s114所描述的内容时，能够将行驶轨迹变化信息和道路错车数据考虑在内，从而确保机动车交通流数据和非机动车交通流数据能够完整地反映待调度交通路段的实际交通状况。

在一些实施例中，步骤s12所描述的基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果，可以包括以下步骤s121-步骤s123所描述的内容。

步骤s121，将所述待调度交通路段中的非机动车交通流数据确定为针对拥堵状态分析的非机动车交通流数据，将所述待调度交通路段中的机动车交通流数据确定为针对拥堵状态分析的机动车交通流数据；所述针对拥堵状态分析的非机动车交通流数据中的非机动车行驶轨迹数据是从针对所述待调度交通路段的监控视频对应的行驶轨迹数据中所确定的。例如，监控视频可以是对应的电子摄像头拍摄到的图像视频，行驶轨迹数据可以基于监控视频进行图像分析得到，由于图像分析的相关技术为常规技术手段，在此不作赘述。

步骤s122，获取所述监控视频对应的行驶轨迹数据中的机动车行驶轨迹数据；将所述监控视频对应的行驶轨迹数据中的机动车行驶轨迹数据与所述针对拥堵状态分析的机动车交通流数据中的机动车行驶轨迹数据之间的行驶轨迹数据的行驶轨迹变化信息，确定为所述针对拥堵状态分析的非机动车交通流数据与所述针对拥堵状态分析的机动车交通流数据之间的所述交通流数据的路网干扰信息。

步骤s123，当所述交通流数据的路网干扰信息的路网干扰指数大于或等于路网干扰指数阈值时，对所述针对拥堵状态分析的非机动车交通流数据和所述针对拥堵状态分析的机动车交通流数据进行拥堵状态分析，得到所述交通拥堵状态分析结果。例如，路网干扰指数用于表征机动车和非机动车互相之间的干扰程度，路网干扰指数越大，机动车和非机动车之间的干扰程度越大。路网干扰指数阈值可以根据实际情况进行调整，在此不作限定。

如此，在应用上述步骤s121-步骤s123所描述的内容时，可以基于监控视频实现对针对拥堵状态分析的交通流数据的确定，从而通过行驶轨迹变化信息准确确定不同交通工具的交通流数据之间的路网干扰信息，并结合路网干扰指数精准实时地实现拥堵状态分析，从而确保交通拥堵状态分析结果将机动车和非机动车在道路上的互相干扰考虑在内，为后续的调度策略生成提供可靠的决策依据。

在一些实施例中，所述待调度非机动车交通流数据包括所述待调度交通路段中的违章的非机动车行驶轨迹数据；所述交通拥堵状态分析结果的数量为至少两个；每个交通拥堵状态分析结果中的非机动车交通流数据分别包括所述待调度交通路段中的未违章的非机动车行驶轨迹数据，在上述内容的基础上，步骤s13所描述的所述根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略，可以包括以下步骤s131-步骤s135。

步骤s131，根据所述违章的非机动车行驶轨迹数据，获取所述待调度非机动车交通流数据的第一交通流数据拥堵标签。

步骤s132，根据所述每个交通拥堵状态分析结果包括的未违章的非机动车行驶轨迹数据，分别获取所述每个交通拥堵状态分析结果中的非机动车交通流数据的第二交通流数据拥堵标签。

步骤s133，获取所述第一交通流数据拥堵标签分别与所述每个交通拥堵状态分析结果对应的第二交通流数据拥堵标签之间的标签相似度。例如，标签相似度可以根据不同的交通流数据拥堵标签之间的标签属性值进行计算得到，标签属性值可以用于区分不同的交通流数据拥堵标签，标签相似度的取值可以为0~1，也即，标签相似度取值越高，不同的交通流数据拥堵标签之间的相关性越高，或者说不同的交通流数据拥堵标签之间的影响程度越高，比如违章的行驶轨迹可能影响未违章的行驶轨迹。

步骤s134，根据所述每个交通拥堵状态分析结果对应的标签相似度，确定所述每个交通拥堵状态分析结果中的非机动车交通流数据分别与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息。

步骤s135，当目标交通拥堵状态分析结果的数量大于第一预设数量阈值且小于或等于第二预设数量阈值时，将所述目标交通拥堵状态分析结果中的机动车交通流数据所对应的交通引导调度策略，确定为与所述待调度非机动车交通流数据相对应的交通引导调度策略；所述目标交通拥堵状态分析结果，是指对应的交通线路轨迹的相关性信息的相关性系数大于或等于交通线路轨迹的相关性系数阈值的交通拥堵状态分析结果。例如，相关性系数的取值同样可以是0~1。

这样，通过实施上述步骤s131-步骤s135，在确定待调度非机动车交通流数据相对应的交通引导调度策略时，能够考虑非机动车的违章行为对机动车的行驶状态的影响，从而确保待调度非机动车交通流数据相对应的交通引导调度策略能够综合考虑机动车的行驶状态和非机动车的行驶状态。

对于一些可能的实施例而言，所述违章的非机动车行驶轨迹数据的行驶轨迹变化类型的数量为至少两个，基于此，步骤s131所描述的所述根据所述违章的非机动车行驶轨迹数据，获取所述待调度非机动车交通流数据的第一交通流数据拥堵标签，包括：获取至少两个违章的非机动车行驶轨迹数据中的每个违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签；根据所述每个违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签，获取所述至少两个违章的非机动车行驶轨迹数据对应的第一关联拥堵标签；将所述第一关联拥堵标签，确定为所述第一交通流数据拥堵标签。

在一些可能的实施例中，所述至少两个交通拥堵状态分析结果包括第i个交通拥堵状态分析结果，i为小于或等于所述至少两个交通拥堵状态分析结果的总数量的正整数；所述第i个交通拥堵状态分析结果包括的未违章的非机动车行驶轨迹数据的行驶轨迹变化类型的数量为至少两个，基于此，步骤s132所描述的根据所述每个交通拥堵状态分析结果包括的未违章的非机动车行驶轨迹数据，分别获取所述每个交通拥堵状态分析结果中的非机动车交通流数据的第二交通流数据拥堵标签，可以包括：获取所述第i个交通拥堵状态分析结果包括的至少两个未违章的非机动车行驶轨迹数据中的每个未违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签；根据所述每个未违章的非机动车行驶轨迹数据分别对应的行驶轨迹数据拥堵标签，获取所述至少两个未违章的非机动车行驶轨迹数据对应的第二关联拥堵标签；将所述第二关联拥堵标签，确定为所述第i个交通拥堵状态分析结果中的非机动车交通流数据的第二交通流数据拥堵标签。

对于一些可能的实施例而言，所述待调度非机动车交通流数据的数量为至少两个，进一步地，所述方法还可以包括以下步骤s21-步骤s24所描述的内容。

步骤s21，当所述目标交通拥堵状态分析结果的数量小于或等于所述第一预设数量阈值时，将与每个待调度非机动车交通流数据之间的交通线路轨迹的相关性信息对应的相关性系数最大的非机动车交通流数据所在的交通拥堵状态分析结果，分别确定为所述每个待调度非机动车交通流数据对应的待定拥堵状态分析结果组合。

步骤s22，将所述每个待调度非机动车交通流数据对应的待定拥堵状态分析结果组合中的机动车交通流数据所对应的交通引导调度策略，分别确定为所述每个待调度非机动车交通流数据对应的待定交通引导调度策略。

步骤s23，根据所述每个待调度非机动车交通流数据对应的待定交通引导调度策略，确定待确定调度策略对应的至少两个调度策略的累计使用次数；获取所述至少两个调度策略的累计使用次数在至少两个交通拥堵状态分析结果的机动车交通流数据所对应的交通引导调度策略中的第一使用统计信息；根据所述第一使用统计信息，确定所述每个待调度非机动车交通流数据针对所述待确定调度策略的第一目标调度策略的累计使用次数。

步骤s24，将分别具有所述每个待调度非机动车交通流数据对应的第一目标调度策略的累计使用次数的所述待确定调度策略，确定为与所述每个待调度非机动车交通流数据相对应的交通引导调度策略；所述至少两个调度策略的累计使用次数在与所述每个待调度非机动车交通流数据相对应的交通引导调度策略中的第二使用统计信息，与所述第一使用统计信息相匹配。

这样一来，通过实施上述步骤s21-步骤s24，能够从调度策略的累计使用次数层面进行交通引导调度策略的确定，从而确保每个待调度非机动车交通流数据相对应的交通引导调度策略是与实际道路交通情况相匹配的。

在上述内容的基础上，还可以包括以下步骤s25-步骤s27所描述的内容。

步骤s25，当所述目标交通拥堵状态分析结果的数量大于所述第二预设数量阈值时，统计待确定调度策略的至少两个调度策略的累计使用次数在所述目标交通拥堵状态分析结果的机动车行驶轨迹数据所对应的交通引导调度策略中的调度策略匹配信息；所述至少两个调度策略的累计使用次数，是根据所述目标交通拥堵状态分析结果中的机动车交通流数据所对应的交通引导调度策略所确定的。

步骤s26，根据所述待调度非机动车交通流数据与所述目标交通拥堵状态分析结果之间的交通线路轨迹的相关性信息、以及所述调度策略匹配信息，从所述至少两个调度策略的累计使用次数中，确定所述待调度非机动车交通流数据针对所述待确定调度策略的第二目标调度策略的累计使用次数。

步骤s27，将具有所述第二目标调度策略的累计使用次数的所述待确定调度策略，确定为与所述待调度非机动车交通流数据相对应的交通引导调度策略。

在实际实施过程中，交通状况是实时变化的，为了尽可能实现对后续的交通状况的精准预测以确定对应的调度策略，需要对调度策略进行迭代更新，为实现这一目的，本方案还可以包括以下内容：将所述交通拥堵状态分析结果中的机动车交通流数据所对应的交通引导调度策略，确定为所述交通拥堵状态分析结果所对应的交通引导调度策略；将所述交通拥堵状态分析结果和所述针对所述交通引导调度策略的目标拥堵状态分析结果，确定为所述待调度交通路段中的拥堵状态分析结果组合；将所述拥堵状态分析结果组合所对应的交通引导调度策略，确定为目标交通引导调度策略；为所述目标交通引导调度策略与所在的所述拥堵状态分析结果组合中的非机动车交通流数据添加相同的非机动车路网标签；将具有所述非机动车路网标签的所述目标交通引导调度策略，分别映射至基于遗传算法的神经网络模型、基于时空图的卷积神经网络模型以及基于前向反馈的神经网络模型。

在实际实施过程中，通过所述基于遗传算法的神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数，大于通过所述基于时空图的卷积神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数；通过所述基于时空图的卷积神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数，大于通过所述基于前向反馈的神经网络模型对所述目标交通引导调度策略进行策略迭代更新的迭代次数。

进一步地，所述基于遗传算法的神经网络模型针对所述目标交通引导调度策略的数据映射缺损比，小于所述基于时空图的卷积神经网络模型针对所述目标交通引导调度策略的数据映射缺损比；所述基于时空图的卷积神经网络模型针对所述目标交通引导调度策略的数据映射缺损比，小于所述基于前向反馈的神经网络模型针对所述目标交通引导调度策略的数据映射缺损比。

可以理解，上述不同类型的神经网络模型的训练过程和调参过程为现有技术，在此不作更多说明。

在上述内容的基础上，步骤s15所描述的根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息，可以包括以下步骤s151和步骤s152。

步骤s151，根据所述拥堵状态分析结果组合中的非机动车交通流数据，确定所述待调度交通路段中的所述机动车调度策略。

步骤s152，根据所述拥堵状态分析结果组合中的非机动车交通流数据所具有的所述非机动车路网标签，从所述基于遗传算法的神经网络模型、所述基于时空图的卷积神经网络模型或所述基于前向反馈的神经网络模型中，获取具有所述非机动车路网标签的所述目标交通引导调度策略，将获取到的所述目标交通引导调度策略确定为所述机动车调度策略对应的调度执行指示信息。

这样一来，可以基于不同类型的神经网络确定具有非机动车路网标签的所述目标交通引导调度策略，从而实现对交通引导调度策略的迭代更新，以便尽可能地实现对后续的交通状况的精准预测以确定对应的调度策略。

在一种可替换的实施例中，步骤s152所描述的所述根据所述拥堵状态分析结果组合中的非机动车交通流数据所具有的所述非机动车路网标签，从所述基于遗传算法的神经网络模型、所述基于时空图的卷积神经网络模型或所述基于前向反馈的神经网络模型中，获取具有所述非机动车路网标签的所述目标交通引导调度策略，可以包括以下步骤s1521-步骤s1523所描述的内容。

步骤s1521，根据所述拥堵状态分析结果组合中的非机动车交通流数据所具有的所述非机动车路网标签，生成用于在所述基于遗传算法的神经网络模型中对所述目标交通引导调度策略进行策略迭代更新的第一策略迭代指示信息，当根据所述第一策略迭代指示信息未从所述基于遗传算法的神经网络模型中实现所述目标交通引导调度策略的迭代收敛时，根据所述第一策略迭代指示信息，生成用于在所述基于时空图的卷积神经网络模型中对所述目标交通引导调度策略进行策略迭代更新的第二策略迭代指示信息。

步骤s1522，当根据所述第二策略迭代指示信息未从所述基于时空图的卷积神经网络模型中实现所述目标交通引导调度策略的迭代收敛时，根据所述第二策略迭代指示信息，生成用于在所述基于前向反馈的神经网络模型中对所述目标交通引导调度策略进行策略迭代更新的第三策略迭代指示信息。

步骤s1523，根据所述第三策略迭代指示信息，从所述基于前向反馈的神经网络模型中对所述目标交通引导调度策略进行策略迭代更新，并得到所述前向反馈的神经网络模型输出的满足设定收敛条件的所述目标交通引导调度策略。例如，满足设定收敛条件可以是目标交通引导调度策略对应的调度耗时小于设定耗时，或者是目标交通引导调度策略对应的交通流量变化率（道路通畅程度）小于设定变化率。

这样一来，可以通过不同的神经网络模型进行调度策略的迭代，从而确保得到的目标交通引导调度策略是满足设定收敛条件的，这样可以确保目标交通引导调度策略能够尽可能地与待调度交通路段相适配，以快速、可靠地实现交通拥挤疏通。

在一个可替换的实施例中，在上述步骤s1521-步骤s1523的基础上，所述基于时空图的卷积神经网络模型所映射的所述目标交通引导调度策略包括局部引导调度策略和全局引导调度策略，基于此，所述方法还包括：为所述局部引导调度策略配置局部调度时效指标，为所述全局引导调度策略配置全局调度时效指标；所述局部调度时效指标与所述全局调度时效指标不相同；当所述局部引导调度策略对应的局部交通调度时刻不满足所述局部调度时效指标时，在所述局部引导调度策略对应的局部交通调度时刻从所述基于时空图的卷积神经网络模型中清除所述局部引导调度策略，当所述全局引导调度策略对应的全局交通调度时刻不满足所述全局调度时效指标时，在所述全局引导调度策略对应的全局交通调度时刻从所述基于时空图的卷积神经网络模型中清除所述全局引导调度策略。

在一个可替换的实施例中，在步骤s15所描述的确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息的步骤之后，该方法还可以包括以下步骤s16所描述的内容。步骤s16，基于所述机动车调度策略以及所述调度执行指示信息，生成针对所述待调度交通路段中的目标机动车的线路引导提示，将所述线路引导提示下发至所述目标机动车。如此设计，通过对待调度交通路段中的目标机动车进行线路引导，能够尽可能快速地实现对待调度交通路段的交通拥挤的疏通，从而减少交通拥堵疏通的耗时，避免疏通过程中出现机动车和非机动车的擦挂或者其他交通事故。

其次，针对上述基于大数据和人工智能的数据分析方法，本发明实施例还提出了一种示例性的基于大数据和人工智能的数据分析装置，如图2所示，基于大数据和人工智能的数据分析装置200可以包括以下的功能模块。

数据获取模块210，用于获取待调度交通路段中的机动车交通流数据和非机动车交通流数据。

状态分析模块220，用于基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果。

策略确定模块230，用于将拥堵状态分析过程中存在拥堵标签的非机动车交通流数据确定为待调度非机动车交通流数据，根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略。

拥堵分析模块240，用于对与所述待调度非机动车交通流数据相对应的交通引导调度策略和所述待调度非机动车交通流数据进行拥堵状态分析，得到针对所述交通引导调度策略的目标拥堵状态分析结果。

调度指示模块250，用于根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息。

然后，基于上述的方法实施例和装置实施例，本发明实施例还提出了一种系统实施例，也即基于大数据和人工智能的数据分析系统，请结合参阅图3，基于大数据和人工智能的数据分析系统30可以包括云计算服务器10和车载控制设备20。其中，云计算服务器10和车载控制设备20通信用以实施上述方法，进一步地，基于大数据和人工智能的数据分析系统30的功能性描述如下。

示例性地，一种基于大数据和人工智能的数据分析系统，包括互相之间通信的云计算服务器和车载控制设备，其中，所述车载控制设备设置于位于待调度交通路段中的机动车内，所述车载控制设备与所述机动车一一对应，进一步地，所述云计算服务器用于：

获取待调度交通路段中的机动车交通流数据和非机动车交通流数据；

基于所述待调度交通路段中的机动车交通流数据和非机动车交通流数据之间的交通流数据的路网干扰信息，对所述待调度交通路段中的机动车交通流数据和非机动车交通流数据进行拥堵状态分析，得到交通拥堵状态分析结果；

将拥堵状态分析过程中存在拥堵标签的非机动车交通流数据确定为待调度非机动车交通流数据，根据所述交通拥堵状态分析结果中的非机动车交通流数据与所述待调度非机动车交通流数据之间的交通线路轨迹的相关性信息，确定与所述待调度非机动车交通流数据相对应的交通引导调度策略；

对与所述待调度非机动车交通流数据相对应的交通引导调度策略和所述待调度非机动车交通流数据进行拥堵状态分析，得到针对所述交通引导调度策略的目标拥堵状态分析结果；

根据所述针对所述交通引导调度策略的目标拥堵状态分析结果和所述交通拥堵状态分析结果，确定所述待调度交通路段中的机动车调度策略和所述机动车调度策略对应的调度执行指示信息；

基于所述机动车调度策略以及所述调度执行指示信息，生成针对所述待调度交通路段中的目标机动车的线路引导提示，将所述线路引导提示下发至所述目标机动车对应的车载控制器。

进一步地，请结合参阅图4，云计算服务器10可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。

处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(centralprocessingunit，cpu)、专用集成电路(application-specificintegratedcircuit，asic)、专用指令集处理器(application-specificinstruction-setprocessor，asip)、图形处理单元(graphicsprocessingunit，gpu)、物理处理单元(physicsprocessingunit，ppu)、数字信号处理器(digitalsignalprocessor，dsp)、现场可编程门阵列(fieldprogrammablegatearray，fpga)、可编程逻辑器件(programmablelogicdevice，pld)、控制器、微控制器单元、精简指令集计算机(reducedinstruction-setcomputer，risc)、微处理器等或其任意组合。

网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(localareanetwork，lan)、广域网(wideareanetwork，wan)、无线局域网络(wirelesslocalareanetwork，wlan)、城域网(metropolitanareanetwork，man)、公用电话交换网(publictelephoneswitchednetwork，pstn)、蓝牙网络、无线个域网络、近场通讯(nearfieldcommunication，nfc)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网络模块120可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器130可以是，但不限于，随机存取存储器（randomaccessmemory，ram），只读存储器（readonlymemory，rom），可编程只读存储器（programmableread-onlymemory，prom），可擦除只读存储器（erasableprogrammableread-onlymemory，eprom），电可擦除只读存储器（electricerasableprogrammableread-onlymemory，eeprom）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。

可以理解，图4所示的结构仅为示意，云计算服务器10还可包括比图2中所示更多或者更少的组件，或者具有与图4所示不同的配置。图4中所示的各组件可以采用硬件、软件或其组合实现。

需要理解的是，针对上述内容，本领域技术人员可以根据上述所公开的内容进行前后推导毫无疑义地确定相关技术术语所指代的含义，例如针对一些值、系数、权重、指数、因子等术语，本领域技术人员可以根据前后的逻辑关系进行推导和确定，这些数值的取值范围可以根据实际情况进行选取，例如0~1，又例如1~10，再例如50~100，在此均不作限定。

本领域技术人员可以根据上述已公开的内容毫无疑义对一些预设的、基准的、预定的、设定的以及目标的技术特征/技术术语进行确定，例如阈值、阈值区间、阈值范围等。对于一些未作解释的技术特征术语，本领域技术人员完全能够基于前后文的逻辑关系进行合理地、毫无疑义地推导，从而清楚、完整地实施上述技术方案。未作解释的技术特征术语的前缀，例如“第一”、“第二”、“上一个”、“下一个”、“前一个”、“后一个”、“当前”、“历史”、“最新”、“最佳”、“目标”、“指定”和“实时”等，可以根据前后文进行毫无疑义地推导和确定。未作解释的技术特征术语的后缀，例如“列表”、“特征”、“序列”、“集合”、“矩阵”、“单元”、“元素”、“轨迹”和“清单”等，也可以根据前后文进行毫无疑义地推导和确定。

本发明实施例公开的上述内容对于本领域技术人员而言是清楚完整的。应当理解，本领域技术人员基于上述公开的内容对未作解释的技术术语进行推导和分析的过程是基于本申请所记载的内容进行的，因此上述内容并不是对整体方案的创造性的评判。

应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd-rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

本申请实施例可能带来的有益效果包括但不限于：（1）在进行拥堵状态分析时，将路网干扰信息考虑在内，能够区分机动车和非机动车在行驶过程中的状态区别，从而实现全局性的拥堵状态分析，（2）通过对确定目标拥堵状态分析结果，能够反过来指示机动车的交通调度，从而尽可能提高交通调度的效率，同时避免非机动车的违章驾驶行为带来的二次拥堵和潜在的交通事故隐患，（3）通过对机动车进行交通调度的难度是低于对非机动车进行交通调度的难度的，因此，通过对机动车进行交通调度，不仅能够减少调度难度和不确定性，还能够将非机动车的交通流数据考虑在内，避免在对机动车进行调度时非机动车的加塞现象，进而避免引发进一步的交通拥挤或者交通事故。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、rf、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如java、scala、smalltalk、eiffel、jade、emerald、c++、c#、vb.net、python等，常规程序化编程语言如c语言、visualbasic、fortran2003、perl、cobol2002、php、abap，动态编程语言如python、ruby和groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（lan）或广域网（wan），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（saas）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。