【技术实现步骤摘要】
本专利技术涉及交通管理和信息，尤其是利用人工智能技术实现的个性化出行方案的推送方法及系统。
技术介绍
1、目前，城市交通监控主要依赖于监控摄像头、交通流量探测器等硬件设备，这些设备虽然能够提供实时的交通流量数据，但数据孤岛的问题严重，不同系统之间缺乏有效的数据共享和交流机制。此外，现有的交通管理解决方案大多数集中在对交通流量的监控和控制上，很少涉及到对个体出行需求的预测和满足，无法提供个性化的出行建议，导致交通资源的配置和利用效率低下。
2、随着智能手机和移动互联网的普及，人们对于出行服务的需求日益多样化和个性化。打车软件、共享单车、公共交通app等出行工具应运而生，为市民提供了便捷的出行选择。然而，这些独立运行的应用程序之间缺乏有效的协调和数据共享，对于缓解交通压力和优化交通资源配置的作用有限。例如，打车软件可能在某一时段内集中推荐某条路线，而不考虑这条路线的实际交通状况，进而加剧了特定路段的交通拥堵。
3、此外，现有技术在处理突发交通事件时反应迟缓，缺乏有效的预测和应对机制。如何根据历史数据和实时情况，预测交通流量变化，提前采取措施，成为了一个亟待解决的问题。
4、综上，现需要设计一种基于人工智能的个性化出行方案的推送系统及方法来解决现有技术中上述问题。
技术实现思路
1、本专利技术提供了一种基于人工智能的个性化出行方案的推送系统及方法，解决了现有技术中交通资源的配置和利用效率低下的问题。
2、为达到解决上述技术问题的目的，本专利
3、一种基于人工智能的个性化出行方案的推送方法，包括以下步骤：
4、s1、采集原始数据，并对原始数据进行清洗和分类得到整合数据；
5、s2、利用深度学习模型分析所述整合数据得到交通状况预测和用户需求预测；
6、s3、对所述步骤s2中的交通状况预测和用户需求预测进行优化生成个性化出行方案并进行实时推送；
7、所述步骤s3中对预测进行优化包括：
8、定义目标函数：所述目标函数包括主要目标和次要目标；
9、设定约束条件：所述约束条件至少包括交通容量限制、环境影响因素、安全规范；
10、选择优化算法后进行迭代计算，根据优化后的目标函数值确定个性化出行方案。
11、在本专利技术的一些实施例中，步骤s2还包括利用所述整合数据对所述深度学习模型进行训练，所述深度学习模型采用卷积神经网络，其包括输入层、多个卷积层和池化层、全连接层和输出层。
12、在本专利技术的一些实施例中，在所述深度学习模型训练过程中还包括采用动态学习率调整机制，参数初始化以及优化神经网络训练过程中的参数。
13、在本专利技术的一些实施例中，所述交通状况预测至少包括交通流量预测、拥堵点分析和车辆分布预测；所述用户需求预测是基于用户出行记录、当前位置和社交媒体信息数据进行预测。
14、在本专利技术的一些实施例中，所述采集原始数据包括：
15、利用城市监控系统、传感器和物联网设备实时收集交通数据和用户位置信息。
16、在本专利技术的一些实施例中，所述步骤s1还包括对所述原始数据进行整合：
17、先将所述原始数据进行数据同步，再将不同来源的原始数据进行格式统一；
18、对格式统一后的数据进行融合并对异常数据进行删除得到改进数据；
19、最后保存所述改进数据至数据库并所述改进数据的关键属性和字段建立索引。
20、在本专利技术的一些实施例中，所述步骤s1中对原始数据进行清洗包括：
21、识别并删除数据库中的重复条目；
22、检查数据中的错误或不合逻辑的值并进行修正，对于缺失的数据，根据上下文填补或使用统计方法；
23、格式标准化和移除与分析目标无关的数据字段；
24、所述步骤s1中对原始数据进行分类包括：
25、根据分析目标确定分类依据；
26、将数据按照定义的分类标准进行分组，对每组数据进行聚合；
27、对分类后的数据进行标记并对类别进行编码。
28、在本专利技术的一些实施例中，一种基于人工智能的个性化出行方案的推送系统，包括：
29、数据采集模块，其用于采集交通数据和用户位置数据；
30、数据处理模块，其与所述数据采集模块通信连接，用于对数据进行清洗和分类得到整合数据；
31、智能分析模块，其用于根据深度学习模型分析所述整合数据得到交通状况预测和用户需求预测；
32、决策支持模块，其用于将交通状况预测和用户需求预测优化后输出个性化出行方案；
33、通信模块，用于与外部设备通信实现个性化出行方案的推送。
34、在本专利技术的一些实施例中，提供了一种电子设备，包括：
35、处理器，以及与所述处理器通信连接的存储器及收发器；
36、所述存储器存储计算机执行指令；所述收发器用于收发数据；
37、所述处理器执行所述存储器存储的计算机执行指令，以实现上述计算方法。
38、在本专利技术的一些实施例中，提供了一种计算机可读存储介质，其特征在于，
39、所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现上述的计算方法。
40、本专利技术的技术方案相对现有技术具有如下技术效果：
41、本专利技术通过深度学习模型生成的交通状况预测和用户需求预测，进行优化后得到个性化出行方案，既考虑了整体的交通状况，也关注于满足个人的出行需求，确保了用户能够接收到最优的出行建议，有效减轻交通压力，确保了交通资源的高效分配和利用；增强城市交通系统的智能化和自适应能力。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的个性化出行方案的推送方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的推送方法，其特征在于，步骤S2还包括利用所述整合数据对所述深度学习模型进行训练，所述深度学习模型采用卷积神经网络，其包括输入层、多个卷积层和池化层、全连接层和输出层。
3.根据权利要求1所述的推送方法，其特征在于，在所述深度学习模型训练过程中还包括采用动态学习率调整机制，参数初始化以及优化神经网络训练过程中的参数。
4.根据权利要求1所述的推送方法，其特征在于，所述交通状况预测至少包括交通流量预测、拥堵点分析和车辆分布预测；所述用户需求预测是基于用户出行记录、当前位置和社交媒体信息数据进行预测。
5.根据权利要求1所述的推送方法，其特征在于，所述采集原始数据包括：
6.根据权利要求1所述的推送方法，其特征在于，所述步骤S1还包括对所述原始数据进行整合：
7.根据权利要求1所述的推送方法，其特征在于，述步骤S1中对原始数据进行清洗包括：
8.一种基于人工智能的个性化出行方案的推送系统，其特征在于，包括
9.一种电子设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，
...【技术特征摘要】
1.一种基于人工智能的个性化出行方案的推送方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的推送方法，其特征在于，步骤s2还包括利用所述整合数据对所述深度学习模型进行训练，所述深度学习模型采用卷积神经网络，其包括输入层、多个卷积层和池化层、全连接层和输出层。
3.根据权利要求1所述的推送方法，其特征在于，在所述深度学习模型训练过程中还包括采用动态学习率调整机制，参数初始化以及优化神经网络训练过程中的参数。
4.根据权利要求1所述的推送方法，其特征在于，所述交通状况预测至少包括交通流量预测、拥堵点分析和车...
【专利技术属性】
技术研发人员：王启讯，龚哲，胡亚辉，徐文浩，段彬彬，张云凯，肖斐，夏永金，顾林，
申请(专利权)人：华高数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。