CN116824868B - 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 - Google Patents

Abstract

本公开的实施例提供了车辆非法停驻点识别及拥堵预测方法、装置、设备及介质，应用于大数据交通管理技术领域。所述方法包括获取目标时间段内的目标区域内所有的停驻点、停驻点坐标、停驻时间、POI信息和路网信息；根据预设停驻时长和停驻时间将停驻点分为长停驻点和短停驻点；根据长停驻点的坐标和POI数据，确定非法停驻点；基于路网数据，将目标区域内的路网与短停驻点绑定，得到路段停驻密度序列后，输入预先构建的Transformer模型，输出下一时间段的停驻点密度，得到对应路段的道路拥堵预测结果，生成交通管理策略。以此方式，能够有效区分不同停驻状态与不同停驻位置的数据，便于针对性处理，结合Transformer分析道路拥堵状况，提高城市道路拥堵状况的预测能力。

Description

车辆非法停驻点识别及拥堵预测方法、装置、设备及介质

技术领域

本公开涉及大数据交通管理技术领域，尤其涉及车辆非法停驻点识别及拥堵预测方法、装置、设备及介质。

背景技术

当前，城市交通监管主要使用台账统计等手段，监管、调度效率低下，同时原始GPS数据体量庞大，从数据中提取有效信息困难，提取方式可解释性弱，亟待引入一种可解释的数据提取手段，解决海量异构数据提取难压缩难的问题，为交通数字化监管提供数据支撑。同时，现有的交通拥堵状况主要依赖于交通流预测算法，未能考虑到车辆行驶的实际状况，难以挖掘道路具体通行能力随时间变化的特征。具体包括以下几点：

（1）传统车辆轨迹识别方式可解释性较弱

传统车辆轨迹识别方式主要以基于深度学习的车辆轨迹识别与预测为主，已有的长短期记忆网络LSTM、高斯混合模型与长短期记忆网络结合的GMM-LSTM模型等方法被应用于车辆行驶轨迹识别与行驶意图预测，但上述方法均以深度学习手段对序列数据进行分析，分析效果与人为设置的超参数直接挂钩，且可解释性较弱，削弱了所得结果的说服力。

（2）现有交通拥堵预测算法，难以处理海量的GPS轨迹数据，同时未能考虑车辆通行的具体动作

现有的交通拥堵预测算法主要有以下两种方式：一种是利用交调数据分析每个路口交通流量随时空变化的规律，再基于《城市道路工程设计规范CJJ37-2012》等行业规范中规定的服务水平等级转化为交通拥堵状态；另一种是使用已发布的交通拥堵状态，并在此基础上对其进行量化，最终结合时空关系直接对交通拥堵状态进行预测。上述两种方法都需要对原始车行数据进行大规模清洗，难以处理原始的GPS轨迹数据，同时，上述两种方法都以车辆通行量或者已发布的交通拥堵状况为标准，未能考虑路面宽度，车辆行驶状态等因素，难以为交通管理部门提供强有力的决策支撑。

（3）现有交通管理部门执法难，难以对车辆违法停车造成道路拥堵的情况进行动态监管

随着社会经济不断发展，车辆拥有率不断提升，车辆长时间靠边停车很可能造成道路变窄从而影响道路承载力，而传统的监管手段通常以定点定期巡查等手段为主，难以跟随时间与空间动态更新执法地点，缺乏对非法长期停驻点的动态识别与实时更新机制。

发明内容

本公开提供了一种车辆非法停驻点识别及拥堵预测方法、装置、设备及介质。

根据本公开的第一方面，提供了一种车辆非法停驻点识别及拥堵预测方法。该方法包括：

获取目标时间段内的车辆停驻点数据集、POI信息和路网信息；所述车辆停驻点数据集包括目标时间段内的目标区域内所有的停驻点、停驻点的坐标和对应的停驻时间；

根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点；其中，所述预设停驻时长是根据目标区域所属地区得到的；

根据长停驻点的坐标和POI数据，确定长停驻点的POI集合；其中，所述POI数据为目标区域内的POI信息；

根据所述POI集合确定所述目标区域内的非法停驻点；

基于路网数据，将所述目标区域内的路网与所述短停驻点绑定，得到路段停驻密度序列；其中，所述路网数据为所述目标区域内的路网信息；

将所述路段停驻密度序列输入预先构建的Transformer模型，输出下一时间段的停驻点密度；所述下一时间段的停驻点密度包括下一时间段内多个时间点对应的停驻点密度；

根据所述停驻点密度，得到对应路段的道路拥堵预测结果；

基于所述非法停驻点和所述道路拥堵预测结果，生成交通管理策略。

进一步地，所述车辆停驻点数据集的生成过程，包括：

获取车辆的GPS数据；所述GPS数据所述GPS数据还包括对应的车辆ID和时间标签；

基于所述时间标签对所述GPS数据进行排序，并划分为多个序列，得到GPS数据序列；

将所述GPS数据序列进行聚类，计算聚类中心点，生成停驻时间；

以所述聚类中心点代替GPS数据序列中属于同一个类的点，得到GPS点轨迹序列；

对所述GPS点轨迹序列进行遍历，并更新所述停驻时间；

基于所述GPS点轨迹序列和更新后的停驻时间，生成车辆停驻点数据集。

进一步地，在获取车辆的GPS数据时，还包括：

根据车辆ID对GPS数据进行分表存储，并基于预设时间正则表达式对GPS数据进行过滤处理，剔除时间不符合规范的GPS数据。

进一步地，所述根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点，包括：

将停驻时间大于等于预设停驻时长的停驻点，确定为长停驻点；

将停驻时间小于预设停驻时长的停驻点，确定为短停驻点。

进一步地，所述根据长停驻点的坐标和POI数据，确定长停驻点的POI集合，包括：

根据长停驻点的坐标和POI数据，基于范围优先搜索算法，确定所述长停驻点对应的POI集合。

进一步地，所述POI信息包括POI信息点的名称；

所述根据所述POI集合确定所述目标区域内的非法停驻点，包括：

根据POI信息点的名称，判断所述POI集合中是否含停车场、小区、餐厅、商场和车站；

若不含有停车场、小区、餐厅、商场和车站，则将对应的停驻点确定为非法停驻点；

若含有停车场、小区、餐厅、商场和车站中的任意一个，则将对应的停驻点确定为合法停驻点。

根据本公开的第二方面，提供了一种车辆非法停驻点识别及拥堵预测装置。该装置包括：

信息获取模块，用于获取目标时间段内的车辆停驻点数据集、POI信息和路网信息；所述车辆停驻点数据集包括目标时间段内的目标区域内所有的停驻点、停驻点的坐标和对应的停驻时间；

停驻点分类模块，用于根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点；其中，所述预设停驻时长是根据目标区域所属地区得到的；

POI集合确定模块，用于根据长停驻点的坐标和POI数据，确定长停驻点的POI集合；其中，所述POI数据为目标区域内的POI信息；

非法停驻点确定模块，用于根据所述POI集合确定所述目标区域内的非法停驻点；

序列生成模块，用于基于路网数据，将所述目标区域内的路网与所述短停驻点绑定，得到路段停驻密度序列；其中，所述路网数据为所述目标区域内的路网信息；

停驻点密度生成模块，用于将所述路段停驻密度序列输入预先构建的Transformer模型，输出下一时间段的停驻点密度；所述下一时间段的停驻点密度包括下一时间段内多个时间点对应的停驻点密度；

道路拥堵预测模块，用于根据所述停驻点密度，得到对应路段的道路拥堵预测结果；

策略生成模块，用于基于所述非法停驻点和所述道路拥堵预测结果，生成交通管理策略。

根据本公开的第三方面，提供了一种电子设备。该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本公开的第一方面所述的方法。

本公开的实施例提供了车辆非法停驻点识别及拥堵预测方法、装置、设备及介质，采用改进DBSCAN算法，可以将一定连续时间内，某一小范围内的数据聚类为一个点，并增加一个字段来表示停驻时间，大大降低了海量GPS数据的存储压力；并基于停驻时长、POI信息对车辆停驻点进行分类，能够有效区分不同停驻状态与不同停驻位置的数据，便于针对性处理；采用Transformer算法基于各路段在一定时间内停驻的车辆数对道路拥堵状况进行分析，提高城市道路拥堵状况的预测能力。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本公开的实施例的非法停驻点识别及拥堵预测架构示意图；

图2示出了根据本公开的实施例的车辆非法停驻点识别及拥堵预测的结构示意图；

图3示出了根据本公开的实施例的车辆非法停驻点识别及拥堵预测方法的流程图；

图4示出了根据本公开的实施例的车辆停驻点数据集的生成过程示意图；

图5示出了根据本公开的实施例的车辆非法停驻点识别及拥堵预测装置的框图；

图6示出了能够实施本公开的实施例的示例性电子设备的方框图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本公开保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本公开中，提出了基于Transformer与车辆行驶轨迹识别的非法停驻点识别及拥堵预测方法，如图1所示的非法停驻点识别及拥堵预测架构示意图，包括输入层、数据清洗层、数据分类层和数据应用层。数据应用层建立在其他三层基础之上。数据清洗层与数据分类层针对原始的GPS轨迹进行清洗，为后续的拥堵预测和违法监测提供数据支撑。数据清洗层主要包括各类车辆的GPS轨迹数据，分别按照车辆的行驶轨迹单独输入，再由DBSCAN算法与车辆行驶动作识别算法对数据进行清洗，生成车辆停驻信息数据集。数据分类层主要根据停驻的状态和位置进行分类，为后续处理提供基础。数据清洗层与数据分类层共同构建了数据应用层的数据基础，数据应用层根据分析结果对数据进行针对性运用，利用长期停驻的数据构建停驻台账，用于交通调度部门进行执法，基于短期停驻的数据，基于停驻点的密度和时段，生成停驻密集程度时间序列，基于Transformer算法对各路段的拥堵情况进行预测。

下面结合图2对本公开的车辆非法停驻点识别及拥堵预测方法进行整体说明。

如图2所示的车辆非法停驻点识别及拥堵预测的结构示意图，包括：部署数据采集终端、基础数据存储结构构建、DBSCAN聚类模型于车辆行驶动作识别模型建立、数据清洗与压缩、数据分类、违法停驻执法支撑模块构建和基于Transformer的拥堵预测模型构建等重要组成部分。首先，对采集的基础数据由车辆归属识别与分类模块和误差数据过滤器，进行数据的车辆归属识别、分类和过滤，将清洗后的GPS轨迹数据写入对应的车辆序列集中，然后基于DBSCAN聚类模型进行聚类处理，生成对应的车辆压缩集，并基于车辆停驻状态识别模块写入停驻点的GPS信息，然后基于停驻时长的停驻点分类模块和POI信息停驻点筛查模块进行处理后，得到长期停驻点和短期停驻点，识别长期停驻点的非法停驻，并为违法停驻执法提供数据支撑，而对于短期停驻点，则与路网进行关联，并生成停驻密度序列后输入Transformer的拥堵预测模型，对城市未来一段时间内各路段拥堵状况进行预测。

图3示出了根据本公开实施例的车辆非法停驻点识别及拥堵预测方法300的流程图。方法300包括：

步骤310，获取目标时间段内的车辆停驻点数据集、POI信息和路网信息；所述车辆停驻点数据集包括目标时间段内的目标区域内所有的停驻点、停驻点的坐标和对应的停驻时间。

在一些实施例中，如图4所示的车辆停驻点数据集的生成过程示意图，包括以下步骤：

步骤410，获取车辆的GPS数据；所述GPS数据还包括对应的车辆ID和时间标签。

步骤420，基于所述时间标签对所述GPS数据进行排序，并划分为多个序列，得到GPS数据序列。

步骤430，将所述GPS数据序列进行聚类，计算聚类中心点，生成停驻时间。

步骤440，以所述聚类中心点代替GPS数据序列中属于同一个类的点，得到GPS点轨迹序列。

步骤450，对所述GPS点轨迹序列进行遍历，并更新所述停驻时间。

步骤460，基于所述GPS点轨迹序列和更新后的停驻时间，生成车辆停驻点数据集。

在一些实施例中，在获取车辆的GPS数据时，还包括：根据车辆ID对GPS数据进行分表存储，并基于预设时间正则表达式对GPS数据进行过滤处理，剔除时间不符合规范的GPS数据。

城市交通的参与者包括客车货车及私家车等单元，多数机动车辆均装有GPS定位系统，可向终端实时传递车辆的行驶位置。在实际的应用过程中，车辆行驶的GPS数据（车辆轨迹是车辆运动数据的记载，包括位置、日期、时间、速度等。）通常以天为单位进行存储，同时各车辆行驶数据通常存储在同一数据库表中，以此降低数据库结构的复杂度。但其缺陷在于数据可用性差，使用数据时需要先按照车辆ID进行清洗，同时也未能剔除误差数据，对数据清洗造成困难，针对这一问题，本发明根据车辆ID的属地进行分库，以此来提剔除车辆ID不符合规范的数据，同时基于车辆ID在数据库中进行分表，在此基础上设置每个月进行一次数据迁移，实现原始数据分布式存储，同时在基础数据入库时设置数据过滤装置，剔除时间不符合规范的数据。以2023年5月的数据为例，假设车辆ID使用车牌代表，在获得数据后，首先对车辆ID进行判断，如果车牌中包含乱码则剔除，否则根据车牌进入对应的数据库，如果数据库中未能查到该车辆的行驶记录，则新建一个表，否则直接录入。具体而言，假设获得车辆“京A12345”的行驶记录，则将其存入北京地区对应的数据库，并查找是否存在该车辆对应的数据库表。为排除中文字符对数据库的影响，故数据库名称以省份代码命名，数据库表名以原始车辆ID将车牌中的简称如：“京”转化为省份代码如：“11”命名，由此车辆“京A12345”对应数据库名为11，对应的数据库表为11A2345。一个数据库包含多个数据库表，保证同一个省份在同一个数据库中，对应数据库中不同的表，每个车都有一个对应的表。此外，考虑到可能存在的误差数据，在数据入库之前设置了时间正则表达式对非法时间进行过滤，具体如下：

(\d{4}-\d{1,2}-\d{1,2}\s\d{1,2}:\d{1,2}:\d{1,2})，

形如："2023-6-6 5:00:00"这样的数据，即为规范的。针对车辆GPS数据写入规则等进行限制，建立以车辆归属地与车辆ID为基础的车辆GPS数据存储数据库结构，并设置了误差数据过滤器，实现了GPS数据的结构化存储。根据不同的车牌属地对数据进行存储，进一步提高了数据的可用性。这样的存储框架即为基于车辆归属地的车辆GPS数据存储和过滤框架。

在一些实施例中，经过步骤410整理的数据量往往很大，而车辆在停止时发射的GPS点由于天气，建筑等因素影响会造成飘移等问题，因此需要对数据进行整理，并将车辆可能停驻的点进行压缩。综合为：首先，对数据按照时间顺序进行排序，并划分为多个序列；其次，构建DBSCAN聚类模型，根据输入的时间序列进行聚类；最后，根据聚类的结果计算聚类中心点，并根据该类型的时间跨度增加停止时间字段并存储。对根据GPS轨迹序列对长期处于同一范围内的点进行聚类，将同类的点以一个点进行替代，进一步压缩了GPS轨迹的数据量，并增加一个字段来表示停驻时间，大大降低了数据量，根据车辆GPS点的移动状态计算测地距离，并对未移动的点进行记录由此获得停驻位置的清洗结果，为车辆GPS轨迹数据轻量化存储及车辆停驻特征识别提供了技术支撑。测地距离是机器学习中常用的距离计算方式之一，常用于三维网格中两点之间沿网格表面的最近距离，应用到地球表面两点间距离的计算时，单位为米。具体如下：

a）将原始的GPS数据进行排序并分割：

，

其中表示第i个输入的数据序列，t表示序列长度，/>表示的是第/>个GPS数据，以此类推，根据初始序列的总长度L可以将数据划分为L/t个序列作为输入，该方法与传统的DBSCAN聚类算法相比，更加注重数据时间上的特征，避免了将不同时间在同一位置停驻的数据识别为同一点位，同时使用分段输入，降低了并行计算时设备的运算压力，可用于序列数据的小范围聚类，无需一次输入全部需要聚类的数据。

b）构建DBSCAN聚类模型，对输入序列进行聚类，具体如下：

首先，对输入的序列进行完整扫描，并根据节点与其他节点之间的范围及预先设定的半径（通常根据人工经验设定一个半径距离，例如1米）形成临时簇，具体过程如下：

，

，

其中表示序列中第i个点与第j个点之间的距离，/>、/>、/>、/>分别表示第i个点和第j个点的坐标，每个点对应一个/>用于表示该点属于的类型，其中，对应的是/>属于的类型。通过聚类后可得到如下一个序列用于识别原始序列中数据对应的种类。具体如下：

，

c）基于聚类结果，计算聚类中心点，并生成停驻时间的字段

在聚类后，根据聚类结果将连续且log相同的数据认定为一个簇，随后计算一个簇内的到各个点距离的和最小的点作为聚类中心点，具体如下：

,

,

其中表示点i与同类其他点之间聚类的和，/>表示的就是第i个点与第p个点之间的距离，其中的p根据属于一个簇的数据量确定，/>表示求解得到的聚类中心点。此时使用sum对应点的坐标作为聚类中心坐标，代替原有序列中属于同一个类的点，同时需要生成停驻时间，具体如下：

,

其中表示停驻时间，/>和/>分别表示该类的第一个节点与最后一个节点。经过上述几个操作，可以将大量停驻不动的点使用一个点取代，即设定预设的时间阈值，例如2小时，将大于等于2小时的点视为停驻不动的点，进一步降低了需要存储的数据量。

d）基于聚类后的数据对车辆行驶动作进行识别，具体如下：

对车辆GPS点轨迹序列进行遍历，每移动一步计算一次测地距离，并更新状态变量，具体如下：

,

其中表示状态变量，/>表示测地距离计算函数，/>与分别表示点i与点j对应的坐标，例如SRID为4326，测地距离计算结果单位为m。

当遍历到为0的位置，则进入停驻点记录单元，在继续向前遍历的同时对停驻开始时间进行记录，当/>再次发生变化时则记录结束，并计算新的停驻时间，并更新停驻时间。

在一些实施例中，根据GPS点轨迹序列中各个GPS点及其坐标和对应的停驻时间，生成车辆停驻点数据集。

在一些实施例中，当交通管理人员需要对一段时间内的目标区域内的车辆的非法停驻进行识别和拥堵情况进行预测，例如对K这一时间段的H区域的车辆的非法停驻进行识别和拥堵情况进行预测，那么需要根据H区域所属的地区，确定对应的数据库，例如，H区域归属于北京，即名称为11的数据库中去获取对应的含K这一时间段的车辆停驻点数据。

步骤320，根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点。

其中，所述预设停驻时长是根据目标区域所属地区得到的。

在一些实施例中，通过步骤310获得的K这一时间段的H区域的所有的车辆停驻点数据，根据停驻时间和预设停驻时长，将停驻点分为长停驻点和短停驻点两大类。将停驻时间大于等于预设停驻时长的停驻点，确定为长停驻点；将停驻时间小于预设停驻时长的停驻点，确定为短停驻点。其中，预设停驻时长可以根据不同的地区及要求可以灵活设置。例如，设置省对应的预设停驻时长、市对应的预设停驻时长、区对应的预设停驻时长、镇对应的预设停驻时长和街道对应的预设停驻时长等等。即可以根据目标区域的范围大小确定对应的预设停驻时长，在具体实施过程中，还可以针对目标区域划定不同的大小区域确定不同的预设停驻时长，以及根据时间设定不同的预设停驻时长。例如，确定目标区域H为北京市某区某街道（含有学校），那么假设K这一时间段在接送孩子上学和放学的时间段内，那么确定预设停驻时长为30分钟，根据预设停驻时长为30分钟，将目标区域H内的所有停驻点的停驻时间大于等于30分钟的停驻点确定为长停驻点，也就是可能存在非法停驻的情况。

步骤330，根据长停驻点的坐标和POI数据，确定长停驻点的POI集合。

其中，所述POI数据为目标区域内的POI信息。

其中，每个POI包含四方面信息：名称、类别、经度纬度（坐标）、附近的酒店饭店商铺等信息。我们可以叫它为“导航地图信息”。

在一些实施例中，将通过步骤320确定出来的长停驻点，可能包含了目标区域H内的车辆在小区内部停驻、在停车场停驻、以及靠路边停驻等情况，此时需要依据POI数据对长期停驻点进行筛查，通过构建范围优先的搜索算法，对停驻点一定范围内的POI点进行检索，即根据长停驻点的坐标和POI数据，基于范围优先搜索算法，确定所述长停驻点对应的POI集合。具体如下：

，

其中表示停驻点i附近的POI集合，/>表示集合中的各个点，n表示范围内POI点的个数，这些点全部满足以下条件：

，

其中表示第i个POI点对应的坐标，/>表示以停驻点为中心进行POI点检索的范围，即当前停驻点含的所有车辆中的最远车辆到当前停驻点之间的距离。

步骤340，根据所述POI集合确定所述目标区域内的非法停驻点。

在一些实施例中，POI信息包括POI信息点的名称，即停车场、小区、餐厅、商场和车站等；根据POI信息点的名称，判断POI集合中是否含停车场、小区、餐厅、商场和车站；若均不含有停车场、小区、餐厅、商场和车站等，则将对应的停驻点确定为非法停驻点；若含有停车场、小区、餐厅、商场和车站中的任意一个，则将对应的停驻点确定为合法停驻点。以上关于POI信息点的名称的举例，不应当受上述举例的限制。

步骤350，基于路网数据，将所述目标区域内的路网与所述短停驻点绑定，得到路段停驻密度序列。

其中，所述路网数据为所述目标区域内的路网信息。

在一些实施例中，通过步骤320得到的短停驻点，基于提取的短期车辆停驻信息及对应的路网数据，可针对每一个路段构建车辆停驻密度序列。而车辆的短期停止，通常是由于交通拥堵或者等待红绿灯造成的，因此通过对同一路段车辆停驻密度的预测可以评估路段拥堵程度。具体如下：

根据路网数据将路网与短停驻点绑定，并形成路段停驻密度序列，该部分通过计算测地距离决定：

，

其中表示距离该停驻点最近的路段ID，/>表示路网的集合。由此可以将停驻点与路网进行绑定，随后对时间进行切片，每隔10min采集划分一个区间，根据停驻点的停止时间将点映射到区间内。假设5月3日17：00至18：00，有500辆车在路段A经停，将这一个小时划分为6个区间，可得17：00-17：10有50辆车停驻，17：10-17：20有80辆车停驻，到17：50-18：00有200台车停驻，此时可以发现路段上短期停驻的车逐渐增多，由此可以进一步挖掘路段拥堵的变化情况。并将切片后的车辆数目定义为/>，表示第i个路段，时间点t的停驻车辆数。

步骤360，将所述路段停驻密度序列输入预先构建的Transformer模型，输出下一时间段的停驻点密度。

其中，所述下一时间段的停驻点密度包括下一时间段内多个时间点对应的停驻点密度。

在一些实施例中，Transformer模型的构建主要包含构建输入向量及位置编码、构建编码器、构建解码器几个部分，首先是针对序列数据构建位置编码，由于自注意力机制无法捕捉序列位置之间的顺序关系，因此需要通过构建位置编码的方式融入输入序列的顺序特征，位置编码的具体构建方式如下：

，

，

其中pos表示的是数据在序列中的位置，表示编码器的输出维度，经过计算通常位置编码以0,1,0,1,…这种方式表现，获取位置编码后，直接与输入向量以相加的方式融合，构成最终的输入序列/>。融合方式具体如下：

，

其中表示路段i对应的输入序列，/>表示的是序列中第一个数据对应的位置编码，……，/>表示的就是序列最后一个值的位置编码。

获取输入序列后，将序列输入到编码器部分，编码器通常有多层，每层编码器的结构完全一致，包括一个自注意力层，前馈神经网络层、残差连接层和一个归一化操作。首先通过自注意力层提取信息，而自注意力机制先通过三个权重矩阵将原始序列映射到不同的维度，再最终根据重要程度融合为一个新的序列，具体计算方式如下：

，

其中、/>、/>分别表示查询向量，键向量和值向量，/>表示输入序列，/>、/>、/>分别表示自适应矩阵。由此可构建新的输入序列如下：

，

其中为新输入的序列，T表示转置运算，/>表示输入数据的维度，/>表示查询矩阵中的向量，/>表示键矩阵中的向量，/>表示值矩阵中的向量，softmax表示归一化指数函数随后基于自注意力机制提取的特征，输入全连接层并进行残差连接，可得到提取特征后的结果，并在此基础上施加一个归一化操作，从而降低计算量：

，

其中表示编码器输出的结果，/>表示归一化操作，/>与/>分别表示编码器全连接层的权重和偏执。

获得编码器的输出后，将结果输入到解码器中，解码器结构与编码器相似，但解码器包含两个不同的多头注意力机制，其中第一个使用了Mask掩码，也就是对序列进行了遮挡，在提取信息时只能提取当前节点之前的数据。而另一个多头注意力机制输入的Q、K、V有所不同，其中K、V基于提取得到，而Q基于第一个多头注意力机制输出的结果提取得到。具体如下：

，

，

其中表示第一个多头注意力机制的输出，/>表示第i个路段的Mask自注意力机制的输出，/>表示第一个多头注意力机制对应的参数，M表示多头注意力的个数，/>表示第M个多头注意力机制，Concat表示连接操作，Mask_Attention表示的是Mask自注意力机制。

，

，

其中表示第二个多头注意力机制的输出，/>表示第二层多头注意力机制中第i次注意力机制的结果，第二层的多头注意力机制由M个注意力机制共同构成，其中，第M个注意力机制的输出表示为/>，/>表示由解码器中第一个多头注意力机制的输出/>获取的查询向量，/>分别表示由/>提取的键向量与值向量，Attention表示注意力处理机制。

通过解码器对和/>进行处理后通过一个残差连接和全连接层对特征矩阵/>的维度进行压缩，得到最终的输出结果：

，

其中表示i路段未来/>到/>个时间点的停驻点密度，在进行残差连接之前，需要先对多头注意力机制的结果施加一个全连接操作，全连接层包含一个权重与偏置，使用/>与/>表示，而残差连接后还有一个全连接层，同样包含一个权重与偏置，使用W与b表示，停驻点越多说明道路拥堵状况更为严重。基于上述流程，可将一个城市多个路段的停驻密度序列同时输入，实现并行计算。

步骤370，根据所述停驻点密度，得到对应路段的道路拥堵预测结果。

在一些实施例中，预先存储有不同的停驻点密度对应的道路拥堵严重等级，根据步骤360得到的停驻点密度，确定i路段在2t+1到3t个时间点对应的道路拥堵严重等级，作为i路段在2t+1到3t时间段内的道路拥堵预测结果。

步骤380，基于所述非法停驻点和所述道路拥堵预测结果，生成交通管理策略。

在一些实施例中，基于筛选后的长期停驻点，即非法停驻点，构建违法停驻执法支撑体系，将非法停驻的车辆与对应的户主信息、停驻的路段信息相关联，形成可视化的车辆违停报表，和根据道路拥堵预测结果，为违停执法和交通疏导提供参考。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。

图5示出了根据本公开的实施例的车辆非法停驻点识别及拥堵预测装置500的方框图。如图5所示，装置500包括：

信息获取模块510，用于获取目标时间段内的车辆停驻点数据集、POI信息和路网信息；所述车辆停驻点数据集包括目标时间段内的目标区域内所有的停驻点、停驻点的坐标和对应的停驻时间；

停驻点分类模块520，用于根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点；其中，所述预设停驻时长是根据目标区域所属地区得到的；

POI集合确定模块530，用于根据长停驻点的坐标和POI数据，确定长停驻点的POI集合；其中，所述POI数据为目标区域内的POI信息；

非法停驻点确定模块540，用于根据所述POI集合确定所述目标区域内的非法停驻点；

序列生成模块550，用于基于路网数据，将所述目标区域内的路网与所述短停驻点绑定，得到路段停驻密度序列；其中，所述路网数据为所述目标区域内的路网信息；

停驻点密度生成模块560，用于将所述路段停驻密度序列输入预先构建的Transformer模型，输出下一时间段的停驻点密度；所述下一时间段的停驻点密度包括下一时间段内多个时间点对应的停驻点密度；

道路拥堵预测模块570，用于根据所述停驻点密度，得到对应路段的道路拥堵预测结果；

策略生成模块580，用于基于所述非法停驻点和所述道路拥堵预测结果，生成交通管理策略。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质。

图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

电子设备600包括计算单元601，其可以根据存储在ROM602中的计算机程序或者从存储单元608加载到RAM603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。I/O接口605也连接至总线604。

电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法300。例如，在一些实施例中，方法300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的方法300的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法300。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (8)

1.一种车辆非法停驻点识别及拥堵预测方法，其特征在于，包括：

获取目标时间段内的车辆停驻点数据集、POI信息和路网信息；所述车辆停驻点数据集包括目标时间段内的目标区域内所有的停驻点、停驻点的坐标和对应的停驻时间；

所述车辆停驻点数据集的生成过程，包括：获取车辆的GPS数据；所述GPS数据还包括对应的车辆ID和时间标签；基于所述时间标签对所述GPS数据进行排序，并划分为多个序列，得到GPS数据序列；将所述GPS数据序列进行聚类，计算聚类中心点，生成停驻时间；以所述聚类中心点代替GPS数据序列中属于同一个类的点，得到GPS点轨迹序列；对所述GPS点轨迹序列进行遍历，并更新所述停驻时间；基于所述GPS点轨迹序列和更新后的停驻时间，生成车辆停驻点数据集；

根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点；其中，所述预设停驻时长是根据目标区域所属地区得到的；

根据长停驻点的坐标和POI数据，确定长停驻点的POI集合；其中，所述POI数据为目标区域内的POI信息；

根据所述POI集合确定所述目标区域内的非法停驻点；

基于路网数据，将所述目标区域内的路网与所述短停驻点绑定，得到路段停驻密度序列；其中，所述路网数据为所述目标区域内的路网信息；根据路网数据将路网与短停驻点绑定，并形成路段停驻密度序列，通过计算测地距离确定停驻密度序列：，其中/>表示距离该停驻点最近的路段ID，/>表示路网的集合；

将所述路段停驻密度序列输入预先构建的Transformer模型，输出下一时间段的停驻点密度；所述下一时间段的停驻点密度包括下一时间段内多个时间点对应的停驻点密度；

根据所述停驻点密度，得到对应路段的道路拥堵预测结果；

基于所述非法停驻点和所述道路拥堵预测结果，生成交通管理策略。

2.根据权利要求1所述的方法，其特征在于，在获取车辆的GPS数据时，还包括：

根据车辆ID对GPS数据进行分表存储，并基于预设时间正则表达式对GPS数据进行过滤处理，剔除时间不符合规范的GPS数据。

3.根据权利要求1所述的方法，其特征在于，所述根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点，包括：

将停驻时间大于等于预设停驻时长的停驻点，确定为长停驻点；

将停驻时间小于预设停驻时长的停驻点，确定为短停驻点。

4.根据权利要求1所述的方法，其特征在于，所述根据长停驻点的坐标和POI数据，确定长停驻点的POI集合，包括：

根据长停驻点的坐标和POI数据，基于范围优先搜索算法，确定所述长停驻点对应的POI集合。

5.根据权利要求1所述的方法，其特征在于，

所述POI信息包括POI信息点的名称；

所述根据所述POI集合确定所述目标区域内的非法停驻点，包括：

根据POI信息点的名称，判断所述POI集合中是否含停车场、小区、餐厅、商场和车站；

若不含有停车场、小区、餐厅、商场和车站，则将对应的停驻点确定为非法停驻点；

若含有停车场、小区、餐厅、商场和车站中的任意一个，则将对应的停驻点确定为合法停驻点。

6.一种车辆非法停驻点识别及拥堵预测装置，其特征在于，包括：

信息获取模块，用于获取目标时间段内的车辆停驻点数据集、POI信息和路网信息；所述车辆停驻点数据集包括目标时间段内的目标区域内所有的停驻点、停驻点的坐标和对应的停驻时间；所述车辆停驻点数据集的生成过程，包括：获取车辆的GPS数据；所述GPS数据还包括对应的车辆ID和时间标签；基于所述时间标签对所述GPS数据进行排序，并划分为多个序列，得到GPS数据序列；将所述GPS数据序列进行聚类，计算聚类中心点，生成停驻时间；以所述聚类中心点代替GPS数据序列中属于同一个类的点，得到GPS点轨迹序列；对所述GPS点轨迹序列进行遍历，并更新所述停驻时间；基于所述GPS点轨迹序列和更新后的停驻时间，生成车辆停驻点数据集；

停驻点分类模块，用于根据预设停驻时长和所述停驻时间对所述停驻点进行分类，得到长停驻点和短停驻点；其中，所述预设停驻时长是根据目标区域所属地区得到的；

POI集合确定模块，用于根据长停驻点的坐标和POI数据，确定长停驻点的POI集合；其中，所述POI数据为目标区域内的POI信息；

非法停驻点确定模块，用于根据所述POI集合确定所述目标区域内的非法停驻点；

序列生成模块，用于基于路网数据，将所述目标区域内的路网与所述短停驻点绑定，得到路段停驻密度序列；其中，所述路网数据为所述目标区域内的路网信息；根据路网数据将路网与短停驻点绑定，并形成路段停驻密度序列，通过计算测地距离确定停驻密度序列：，其中/>表示距离该停驻点最近的路段ID，/>表示路网的集合；

停驻点密度生成模块，用于将所述路段停驻密度序列输入预先构建的Transformer模型，输出下一时间段的停驻点密度；所述下一时间段的停驻点密度包括下一时间段内多个时间点对应的停驻点密度；

道路拥堵预测模块，用于根据所述停驻点密度，得到对应路段的道路拥堵预测结果；

策略生成模块，用于基于所述非法停驻点和所述道路拥堵预测结果，生成交通管理策略。

7. 一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一权利要求所述的方法。

8.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-5中任一权利要求所述的方法。