【技术实现步骤摘要】
本专利技术涉及城市管理，尤其涉及一种基于全息图的路网安全预警方法、装置及存储介质。
技术介绍
1、随着城市化进程的加快和机动车数量的激增，交通安全问题愈发突出，尤其在复杂的路网结构和高峰时段，交通事故频发，对城市交通管理带来了巨大的挑战。传统的交通安全预警系统主要依赖于单一数据源或人工监控方式，无法实时、全面地感知交通参与者的行为和路网的动态变化。此外，现有系统通常难以对大规模、多元化的交通数据进行有效处理和分析，导致无法准确预测潜在的交通事故或安全隐患。特别是在复杂的路网结构中，传统系统的预警机制滞后，无法快速响应突发事件，降低了交通管理的效率和安全性。
技术实现思路
1、本专利技术的主要目的在于解决现有的路网安全预警方法无法实时、全面地感知交通参与者的行为和路网的动态变化的技术问题；
2、本专利技术第一方面提供了一种基于全息图的路网安全预警方法，所述基于全息图的路网安全预警方法包括：
3、对目标路网的关键节点进行多元感知设备部署，通过所述多元感知设备对目标路网内的交通参与者进行多维度数据采集，得到原始交通数据流；
4、对所述原始交通数据流进行边缘计算处理和多源数据融合处理，并通过深度学习算法和雷视拟合技术对处理后的原始交通数据流进行建模分析，得到所述目标路网的数字孪生全息图；
5、通过预设的路网分析预测模型对所述原始交通数据流进行多维度时空分析和态势预测，得到分析预测结果，并结合所述分析预测结果和原始交通数据流生成所述目标路网的路
6、基于所述路网数字画像，对预设的交通控制策略库进行检索和匹配，得到交通管理方案和应急预案集，并在所述数字孪生全息图中根据所述路网数字画像、交通管理方案和应急预案集对所述目标路网进行安全预警。
7、可选的，在本专利技术第一方面的第一种实现方式中，所述对目标路网的关键节点进行多元感知设备部署，通过所述多元感知设备对目标路网内的交通参与者进行多维度数据采集，得到原始交通数据流包括：
8、通过图论算法和交通流理论对目标路网进行拓扑结构分析，得到所述目标路网的关键节点权重矩阵，并根据所述关键节点权重矩阵对多元感知设备进行优化配置，得到感知设备部署策略；
9、基于所述感知设备部署策略，对目标路网进行多元感知设备部署，并通过边缘计算单元和5g网络对部署的多元感知设备进行数据采集参数配置，得到分布式感知网络；
10、对所述分布式感知网络中的各多元感知设备进行协同调度，得到差异化的原始数据采集方案，并通过各多元感知设备根据所述原始数据采集方案对目标路网内的交通参与者进行多维度数据采集，得到原始交通数据流。
11、可选的，在本专利技术第一方面的第二种实现方式中，所述通过预设的雷视拟合模型对所述路网状态表征进行全息化处理，得到全息路网模型包括：
12、对所述原始交通数据流中的雷达数据和视觉数据进行提取和预处理，得到雷视数据集；
13、应用预设的雷视拟合模型对所述路网状态表征和所述雷视数据集进行特征融合，得到多模态融合特征表示；
14、通过目标检测算法和轨迹预测模型基于所述多模态融合特征表示，对路网环境中的静态目标和动态目标进行分类识别，并根据分类识别的结果生成时变路网场景描述；
15、通过图卷积网络和时序注意力机制对所述时变路网场景描述进行语义分割和结构化表示，得到全息路网模型。
16、可选的，在本专利技术第一方面的第三种实现方式中，所述通过预设的雷视拟合模型对所述路网状态表征进行全息化处理，得到全息路网模型包括：
17、对所述原始交通数据流中的雷达数据和视觉数据进行提取和预处理，得到雷视数据集；
18、应用预设的雷视拟合模型对所述路网状态表征和所述雷视数据集进行特征融合，得到多模态融合特征表示；
19、通过目标检测算法和轨迹预测模型基于所述多模态融合特征表示，对路网环境中的静态目标和动态目标进行分类识别，并根据分类识别的结果生成时变路网场景描述；
20、通过图卷积网络和时序注意力机制对所述时变路网场景描述进行语义分割和结构化表示，得到全息路网模型。
21、可选的，在本专利技术第一方面的第四种实现方式中，所述通过预设的路网分析预测模型对所述原始交通数据流进行多维度时空分析和态势预测，得到分析预测结果包括：
22、通过预设的不同大小的平均池化核对所述原始交通数据流进行多尺度时间分解，得到分离的周期性成分和趋势性成分；
23、通过门控一维局部-全局时间卷积模块根据所述周期性成分生成表征局部时间特征和全局时间特征的特征矩阵，并通过注意力机制对所述特征矩阵中不同时间尺度的特征进行加权聚合，得到多尺度时间特征向量；
24、通过多层线性回归和残差连接对所述趋势性成分中交通状态的长期演变特征进行提取和增强，得到趋势特征向量；
25、通过自适应融合网络对所述多尺度时间特征向量和趋势特征向量进行整合，得到综合时间特征表示；
26、基于所述综合时间特征表示，对路网空间依赖关系进行动态建模，生成时变图结构，并通过预设的多粒度图卷积网络基于所述时变图结构对所述目标路网中不同层次的道路连接关系和交通状态传播进行捕捉和聚合，得到分析预测结果。
27、可选的，在本专利技术第一方面的第五种实现方式中，所述基于所述综合时间特征表示，对路网空间依赖关系进行动态建模，生成时变图结构，并通过预设的多粒度图卷积网络基于所述时变图结构对所述目标路网中不同层次的道路连接关系和交通状态传播进行捕捉和聚合，得到分析预测结果包括：
28、通过自适应邻接矩阵生成算法基于所述综合时间特征表示，对路网空间依赖关系进行动态建模，计算所述目标路网中关键节点间的时变关联强度，得到表征路网动态拓扑结构的时变图结构；
29、通过多层次图卷积网络根据所述时变图结构，对路网中不同层次的节点关系进行特征提取，得到包含局部和全局空间依赖信息的多尺度空间特征；
30、通过时空注意力机制对所述多尺度空间特征和综合时间特征表示进行融合，得到各个关键节点的时空特征，并对所述时空特征进行权重分配，得到关键节点时空特征表示；
31、通过预设的多维度安全阈值基于所述关键节点时空特征表示，对各关键节点的未来状态进行评估和分类，得到分析预测结果。
32、可选的，在本专利技术第一方面的第六种实现方式中，所述基于所述路网数字画像，对预设的交通控制策略库进行检索和匹配，得到交通管理方案和应急预案集，并在所述数字孪生全息图中根据所述路网数字画像、交通管理方案和应急预案集对所述目标路网进行安全预警包括：
33、根据所述路网数字画像生成所述目标路网的路网状态描述，并将所述路网状态描述，对预设的交通控制策略库进行匹配，得到交通管理方案和应急预案集；
34、将所述交通管理方案和应急预案集映射至所述数字孪生全息图中进行虚拟仿真和评估，识别所述本文档来自技高网...
【技术保护点】
1.一种基于全息图的路网安全预警方法，其特征在于，所述基于全息图的路网安全预警方法包括：
2.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述对目标路网的关键节点进行多元感知设备部署，通过所述多元感知设备对目标路网内的交通参与者进行多维度数据采集，得到原始交通数据流包括：
3.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述对所述原始交通数据流进行边缘计算处理和多源数据融合处理，并通过深度学习算法和雷视拟合技术对处理后的原始交通数据流进行建模分析，得到所述目标路网的数字孪生全息图包括：
4.根据权利要求3所述的基于全息图的路网安全预警方法，其特征在于，所述通过预设的雷视拟合模型对所述路网状态表征进行全息化处理，得到全息路网模型包括：
5.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述通过预设的路网分析预测模型对所述原始交通数据流进行多维度时空分析和态势预测，得到分析预测结果包括：
6.根据权利要求5所述的基于全息图的路网安全预警方法，其特征在于，所述基于所述综合时间
7.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述基于所述路网数字画像，对预设的交通控制策略库进行检索和匹配，得到交通管理方案和应急预案集，并在所述数字孪生全息图中根据所述路网数字画像、交通管理方案和应急预案集对所述目标路网进行安全预警包括：
8.一种基于全息图的路网安全预警装置，其特征在于，所述基于全息图的路网安全预警装置包括：
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任意一项所述基于全息图的路网安全预警方法的步骤。
...【技术特征摘要】
1.一种基于全息图的路网安全预警方法，其特征在于，所述基于全息图的路网安全预警方法包括：
2.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述对目标路网的关键节点进行多元感知设备部署，通过所述多元感知设备对目标路网内的交通参与者进行多维度数据采集，得到原始交通数据流包括：
3.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述对所述原始交通数据流进行边缘计算处理和多源数据融合处理，并通过深度学习算法和雷视拟合技术对处理后的原始交通数据流进行建模分析，得到所述目标路网的数字孪生全息图包括：
4.根据权利要求3所述的基于全息图的路网安全预警方法，其特征在于，所述通过预设的雷视拟合模型对所述路网状态表征进行全息化处理，得到全息路网模型包括：
5.根据权利要求1所述的基于全息图的路网安全预警方法，其特征在于，所述通过预设的路网分析预测模型对所述原始交通数据流进行多维度时空分析和态势预测，得...
【专利技术属性】
技术研发人员：刘世才，魏波，
申请(专利权)人：深圳市拓必达科技有限公司，
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。