一种人工智能控制的社区的交通管理方法与流程

本发明涉及人工智能领域，具体为一种人工智能控制的社区的交通管理方法。

背景技术：

1、人工智能就是由智能感知、精确性及智能反馈，控制三个核心环节组成。目的是体现感知、思考、行动三个层层递进的特征。智能感知就是收集足够多的结构化数据表述具体应用场景，使计算机能听、会看。第二部分就是功能上，涉及到精确性计算，具备足够的计算能力，模拟人的逻辑思维过程和行为，并对分析搜集的数据信息进行判断，比如自我学习，信息检索，逻辑判断，高效决策等。智能反馈就是通过自身运动和媒介信息传输或外部设备，实现人、机、物的信息交流和物理互动，涉及到核心技术主要是机器学习，深度学习，人工神经网络等。

2、目前人工智能在城市交通管理中应用颇多，但是在社区小范围内的应用却甚少，而传统的社区的交通管理，面对的是比较有限的空间和人口，随着城市的扩张，超大型社区或者社区群不断出现，这给社区内部的交通管理带来了巨大的挑战。例如，空间的增大，人口和车辆的增多，导致社区中需要交通疏导的难度、路程距离和时间成本具有明显增加。因此，如何保证高效进行社区交通管理急需解决。

技术实现思路

1、为了解决现有技术存在的缺陷，本发明提供了种人工智能控制的社区的交通管理方法。

2、本发明采用技术方案是，一种人工智能控制的社区的交通管理方法，采集器采集社区内的数据，并上传至云端服务器；采集器包括交通流量采集器、人流量采集器；采集数据包括交通流量、人流量，采集器部署社区的不同位置，采集器包括摄像头、监测器、传感器；采集器设备将获取的交通流、人流量数据通过无线网络发送至云端的数据服务器，然后通过数据预处理系统对获取的脏数据处理，以获取标准的、符合模型需求的数据；接着，将获取的数据输入到交通流预测模型中，运算预测，最终通过无线网络传输到社区交通管理中心，并基于预测结果进行交通管理，交通管理中心基于预测结果得到的拥堵时间点及路段，以及提前获取的社区人员的服务配置参数；灵活派遣社区工作人员准时准点的参与疏通工作，同时根据预测状况，在社区交通出行app上发布关于社区交通道路通行状况的信息，提醒出行者择合适的线路出行，减少不必要的拥堵；其中，交通流预测模型的生成步骤如下：

3、步骤一、获取交通流、人流量数据，图数据，将数据标准化处理，并且划分训练集、验证集与测试集；

4、步骤二、初始化神经网络，初始化模型的结构参数；

5、 步骤三、训练集输入后进入嵌入层，嵌入层升高输入向量的维度，嵌入层输出的高维向量进入时序特征提取器，时序特征提取器主要就是通过lstm神经网络提取的特征融合，最后输出后通过线性变换，降低维度后输出；lstm网络将输出值作为输入值，不断重复，更新权值和偏置，直到完成所有训练、达到最大迭代次数k1； 最终完成各时间点的特征提取；

6、步骤四、训练gcn网络，gcn采用dropout进行结构化处理，然后将lstm网络的输出以及交通流、人流量数据的空间数据特征输入gcn，作为神经网络的节点特征，节点特征与边的特征结合通过图卷积神经网络并且融合时空特征，从特征提取器输出后降低维度，然后作为最终预测结果的输出，将输出值作为输入，不断训练、更新参数，直到达到最大迭代次数k2；

7、步骤五、计算损失函数，当根据损失函数结果符合预设值时，保存模型，损失函数计算公式为，xj代表真实值，yj表示测试值；否则，重新设置模型的结构参数，重新进行步骤三至步骤五；

8、优选的，gcn网络的激活函数选择relu函数。

9、本发明还提出一种人工智能控制的社区的交通管理系统，其特征在于，系统包括：采集器、云端服务器、数据服务器、移动终端，采集器、云端服务器、数据服务器、移动终端之间均可通过无线通信网络连接，系统用于执行前述的交通管理方法。

10、相应地，本发明提出一种计算机可读存储介质，其存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行上述方法。

11、与现有技术相比，本发明的有益效果如下：

12、经由上述的技术方案可知，本发明提出了一种人工智能控制的社区的交通管理方法，针对大型社区、社区群，能够准确进行交通流人流预测，基于预测进行出行调度和疏导，以此实现交通高效管理，降低了交通管理的成本和难度。

13、实施方式

14、本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

15、下面以具体的实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。

16、一种人工智能控制的社区的交通管理方法，采集器采集社区内的数据，并上传至云端服务器；采集器包括交通流量采集器、人流量采集器；采集数据包括交通流量、人流量，采集器部署社区的不同位置，采集器包括摄像头、监测器、传感器；采集器设备将获取的交通流、人流量数据通过无线网络发送至云端的数据服务器，然后通过数据预处理系统对获取的脏数据处理，以获取标准的、符合模型需求的数据；接着，将获取的数据输入到交通流预测模型中，运算预测，最终通过无线网络传输到社区交通管理中心，并基于预测结果进行交通管理，交通管理中心基于预测结果得到的拥堵时间点及路段，以及提前获取的社区人员的服务配置参数；灵活派遣社区工作人员准时准点的参与疏通工作，同时根据预测状况，在社区交通出行app上发布关于社区交通道路通行状况的信息，提醒出行者择合适的线路出行，减少不必要的拥堵。

17、其中，交通流预测模型的生成步骤如下：

18、步骤一、获取交通流、人流量数据，图数据，将数据标准化处理，并且划分训练集、验证集与测试集。

19、步骤二、初始化神经网络，初始化模型的结构参数。

20、步骤三、训练集输入后进入嵌入层，嵌入层升高输入向量的维度，嵌入层输出的高维向量进入时序特征提取器，时序特征提取器主要就是通过lstm神经网络提取的特征融合，最后输出后通过线性变换，降低维度后输出；lstm网络将输出值作为输入值，不断重复，更新权值和偏置，直到完成所有训练、达到最大迭代次数k1；最终完成各时间点的特征提取。

21、步骤四、训练gcn网络，gcn采用dropout进行结构化处理，然后将lstm网络的输出以及交通流、人流量数据的空间数据特征输入gcn，作为神经网络的节点特征，节点特征与边的特征结合通过图卷积神经网络并且融合时空特征，从特征提取器输出后降低维度，然后作为最终预测结果的输出，将输出值作为输入，不断训练、更新参数，直到达到最大迭代次数k2。

22、步骤五、计算损失函数，当根据损失函数结果符合预设值时，保存模型，损失函数计算公式为，xj代表真实值，yj表示测试值；否则，重新设置模型的结构参数，重新进行步骤三至步骤五。

23、优选的，gcn网络的激活函数选择relu函数。

24、本发明还提出一种人工智能控制的社区的交通管理系统，其特征在于，系统包括：采集器、云端服务器、数据服务器、移动终端，采集器、云端服务器、数据服务器、移动终端之间均可通过无线通信网络连接，系统用于执行前述的交通管理方法。

25、相应地，本发明提出一种计算机可读存储介质，其存储有可由处理器执行的计算机程序，当所述程序在所述处理器上运行时，使得所述处理器执行上述方法。

26、虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应当理解，上述较佳实施方式仅用来解释和说明本发明的技术方案，而并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所作的任何修饰、等效替换、变形、改进等，均应包含在本发明的权利要求保护范围之内。