一种积水路段的识别方法与流程

本发明涉及计算机技术，具体为一种基于神经网络算法的积水路段识别方法。

背景技术：

1、近年来，多个地区遭遇了大雨，导致大部分城市道路出现严重的积水问题。城市道路的积水不仅对道路交通有负面影响，还会导致交通事故增加，给居民的日常生活带来麻烦，从旅行不便和供水限制到疾病传播等一系列问题。利用技术手段检测持续降雨引起的道路积水风险，并识别已积水的道路，有助于政府制定有效的应对措施。这还可以为居民提供风险预警。

2、道路积水研究涉及几个方面：张明亮等人和石振武等人的研究对城市灾害韧性和道路网络脆弱性进行了定量研究和评估，以优化道路网络的结构和功能，并为降低道路积水风险提供指导；唐先马等人的研究基于交通流量基本图表识别道路积水，通过观察基本图表上的位移并计算积水概率，实现了积水点的实时智能识别，可以为道路积水提供预警；朱淑娴等人的研究提出了一种基于轨迹数据识别降雨敏感型城市道路的方法；倪旭等人的研究在大雨场景下对城市道路交通流量的变化进行了一系列综合实验和模拟研究，并根据模拟结果描述了交通量、速度和密度之间不同交通流模型的关系，这项研究有助于更深入地了解暴雨对交通流的影响，并提高交通管理部门对暴雨的应对能力；刘洋等人的研究利用水位传感器等硬件识别水深，可以捕捉水深的实时信息。随着人工智能的兴起，一些研究利用机器学习和深度学习方法识别道路积水图像。苟子豪等人和薛凤昌等人的研究使用svm算法对道路图像数据集和道路监控视频进行识别和分类；resnet、alexnet、注意力机制等深度网络相较于传统机器学习方法在图像识别领域大大提高了识别精度，使用resnet50提取图像特征，实现了城市道路积水的实时智能识别。

3、然而，一些现有研究需要大量的硬件设备，例如水深传感器，导致硬件支出过高。此外，其他研究需要对大量道路积水图像数据集进行手动标注，从而延长了数据集构建过程。为解决这两个问题，我们采用孤立森林算法识别交通数据中的异常，并根据中国国家标准化管理委员会发布的中国国家标准建立道路积水异常的假设。该方法通过未标记的交通数据快速创建道路积水数据集。在构建的具有积水道路的数据集上，利用基于循环神经网络(rnn)的算法识别积水路段，并基于积水数据的召回率评估模型性能，以适应实际应用场景。此外，这种方法无需大量使用水位传感器等硬件设备，大大降低了硬件成本。

技术实现思路

1、本发明的技术方案为：

2、一种积水路段的识别方法，包括以下步骤：

3、获取研究区域的原始数据；所述原始数据包括：交通数据、降雨数据和社会感知数据；

4、对原始数据进行预处理和特征提取；根据水深和降雨强度对交通流和交通速度的影响，通过计算交通流和交通速度作为道路特征反映道路积水情况；

5、检测异常数据，修正积水道路标签，生成积水道路数据集；

6、根据积水道路数据集的特点，选择模型并改进；

7、将积水道路数据集用于模型训练和预测。

8、所述交通数据通过道路交叉口摄像头获取，包含道路上的车辆信息，所述车辆信息包括：id、方向、上传时间、车牌号、车牌颜色、车辆速度、采集日期、地址名称、地址代码；所获取的多条道路24小时交通信息构成交通数据集；

9、所述降雨数据通过监测站收集，监测站提供的数据每小时采集一次，记录每小时的累积降雨量；

10、所述社会感知数据通过各种新闻平台获取，所述新闻平台包括：微博、搜狐、政府网站；通过关键词查询获取积水数据，用于验证和分析数据集中的积水标签。

11、所述对原始数据进行预处理包括：

12、删除所述交通数据集中无效、重复和空条目；

13、根据对应监测站的区域为每条道路打上标签，统一所述交通数据和降雨数据格式；

14、将交通数据与降雨数据匹配，对应于每个特定地址名称的唯一地址代码；

15、计算每12小时间隔内的累积降雨量，存入降雨数据字段中。

16、所述计算交通流和交通速度作为道路特征反映道路积水情况包括：

17、所述交通流指的是在指定时间内通过道路某一点的车辆数量，其计算公式为：

18、

19、其中，carnumber指通过某条道路的车辆总数，t指车辆通过的时长，单位为小时；

20、所述交通速度是指车辆在一段时间内通过道路的平均速度，其计算公式为：

21、

22、其中，通过某一特定时间段内通过道路段k的车辆速度观测序列为v{v_1，v_2，...v_n}，n等于carnumber；

23、将所述交通流和交通速度纳入交通数据字段，所述交通数据字段包括：date、hour、addresscode、trafficflow、trafficspeed、transregion、rainfall。

24、所述检测异常数据具体为：当交通速度减慢、交通流量减少，判断为交通数据异常，采用孤立森林模型检测异常数据。

25、制定4种假设修正积水道路标签：

26、假设1：在轻微降水的情况下，即在12小时内累计降水量小于5毫米，城市道路不会出现妨碍车辆通行的道路积水现象；

27、假设2：在车辆行驶速度高于或等于35公里/小时的情况下，城市道路不会出现妨碍车辆通行的积水堆积现象；

28、假设3：在12小时内的累计降水量达到或超过15毫米，并且车辆行驶速度低于20公里/小时的情况下，城市道路上的积水会妨碍交通流动；

29、假设4：在其他情况下，与社会感知数据和孤立森林异常检测的结果保持一致。

30、所述修正积水道路标签，生成积水道路数据集具体为：

31、除道路积水外，其他情况也会导致交通数据异常，所述其他情况包括：活动、高峰时间、道路施工和恶劣天气；

32、根据所述假设，修正积水道路标签，剔除其他情况产生的异常交通数据，生成积水道路数据集。

33、所述根据积水道路数据集的特点，选择模型并改进具体为：

34、选择基于rnn的深度学习模型进行训练和预测，增加网络的深度，扩展参数空间，为神经网络留出足够的参数来学习积水道路特征；所述模型包括四个循环层和三个全连接层，所述循环层和全连接层按顺序连接。

35、将积水道路数据集用于模型训练和预测，通过召回率来评估模型的性能，所述召回率表示在真正的阳性样本中正确预测阳性样本的概率。

36、本发明的有益效果为：

37、本发明采用孤立森林算法识别交通数据中的异常，并根据中国国家标准化管理委员会发布的中国国家标准建立道路积水异常的假设。该方法通过未标记的交通数据快速创建道路积水数据集。在构建的具有积水道路的数据集上，利用基于循环神经网络(rnn)的算法识别积水路段，并基于积水数据的召回率评估模型性能，以适应实际应用场景。此外，这种方法无需大量使用水位传感器等硬件设备，大大降低了硬件成本。

技术特征：

1.一种积水路段的识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述积水路段的识别方法，其特征在于：

3.根据权利要求1所述积水路段的识别方法，其特征在于，所述对原始数据进行预处理包括：

4.根据权利要求1所述积水路段的识别方法，其特征在于，所述计算交通流和交通速度作为道路特征反映道路积水情况包括：

5.根据权利要求4所述积水路段的识别方法，其特征在于，所述检测异常数据具体为：当交通速度减慢、交通流量减少，判断为交通数据异常，采用孤立森林模型检测异常数据。

6.根据权利要求1所述积水路段的识别方法，其特征在于，制定4种假设修正积水道路标签：

7.根据权利要求6所述积水路段的识别方法，其特征在于，所述修正积水道路标签，生成积水道路数据集具体为：

8.根据权利要求1所述积水路段的识别方法，其特征在于，所述根据积水道路数据集的特点，选择模型并改进具体为：

9.根据权利要求1所述积水路段的识别方法，其特征在于，将积水道路数据集用于模型训练和预测，通过召回率来评估模型的性能，所述召回率表示在真正的阳性样本中正确预测阳性样本的概率。

技术总结
本发明公开了一种积水路段的识别方法，包括以下步骤：获取研究区域的原始数据；对原始数据进行预处理和特征提取；根据水深和降雨强度对交通流和交通速度的影响，通过计算交通流和交通速度作为道路特征反映道路积水情况；检测异常数据，修正积水道路标签，生成积水道路数据集；根据积水道路数据集的特点，选择模型并改进；将积水道路数据集用于模型训练和预测。本方法在构建的具有积水道路的数据集上，利用基于循环神经网络的算法识别积水路段，并基于积水数据的召回率评估模型性能，以适应实际应用场景。此外，这种方法无需大量使用水位传感器等硬件设备，大大降低了硬件成本。

技术研发人员：吴小全,韩云杰,陈峰,刘旭璐,张建平
受保护的技术使用者：贵阳信息技术研究院
技术研发日：
技术公布日：2024/4/17