本發(fā)明涉及數(shù)據(jù)處理，具體涉及一種基于深度學習的交通地理信息數(shù)據(jù)處理方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的交通管理手段往往依賴于人工監(jiān)控和經(jīng)驗判斷，難以適應快速變化的交通狀況。

2、在此背景下，交通地理信息系統(tǒng)（gis）應運而生，成為解決交通問題的重要工具。gis能夠集成和分析多種地理空間數(shù)據(jù)，為交通管理提供科學依據(jù)。然而，隨著數(shù)據(jù)采集技術(shù)的進步，交通地理信息的數(shù)據(jù)量呈指數(shù)級增長，如何高效處理和分析這些海量數(shù)據(jù)成為亟待解決的問題。

3、目前，交通數(shù)據(jù)主要分為二維數(shù)據(jù)和三維數(shù)據(jù)。二維數(shù)據(jù)通常包括道路網(wǎng)絡(luò)、交通流量、速度等信息，而三維數(shù)據(jù)則提供了道路的高度、坡度、周圍建筑物的三維模型等更為豐富的空間信息。盡管現(xiàn)有技術(shù)在二維數(shù)據(jù)處理方面取得了一定進展，但在三維數(shù)據(jù)的采集、處理和分析上仍存在諸多挑戰(zhàn)。

4、此外，數(shù)據(jù)的多樣性和復雜性使得不同來源的數(shù)據(jù)難以進行有效整合，導致信息孤島現(xiàn)象的出現(xiàn)。這不僅影響了數(shù)據(jù)的準確性和一致性，也制約了交通管理的智能化和實時化。

5、因此，亟需一種新型的數(shù)據(jù)處理方法，能夠融合二維和三維數(shù)據(jù)，并實現(xiàn)高效的坐標匹配，以提升交通地理信息的處理效率和準確性。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明提供了一種基于深度學習的交通地理信息數(shù)據(jù)處理方法及系統(tǒng)，以解決背景技術(shù)中存在的問題。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、本發(fā)明第一個方面提供一種基于深度學習的交通地理信息數(shù)據(jù)處理方法，包括：

4、實時獲取目標區(qū)域的二維數(shù)據(jù)和三維數(shù)據(jù)，并對采集到的二維數(shù)據(jù)和三維數(shù)據(jù)進行預處理；

5、采用坐標轉(zhuǎn)換算法，將預處理后的二維數(shù)據(jù)和三維數(shù)據(jù)進行匹配并整合到統(tǒng)一的坐標系中；

6、利用深度學習算法從整合到統(tǒng)一坐標系中的二維數(shù)據(jù)和三維數(shù)據(jù)中提取特征，并通過融合算法將提取出的特征進行融合，得到融合后的交通地理信息；

7、基于深度學習網(wǎng)絡(luò)構(gòu)建交通模式分析模型，并使用融合后的交通地理信息對所述交通模式分析模型進行訓練；

8、利用訓練好的交通模式分析模型對當前獲取的交通地理信息進行分析，得到交通模式和交通信息數(shù)據(jù)。

9、進一步的，所述二維數(shù)據(jù)包括基于交通攝像頭、車輛gps系統(tǒng)和/或傳感器獲取的交通流量數(shù)據(jù)、車輛gps數(shù)據(jù)、交通信號狀態(tài)數(shù)據(jù)和/或事故數(shù)據(jù)，以及相應采集設(shè)備的坐標信息和采集時間信息；

10、所述三維數(shù)據(jù)包括基于激光雷達、無人機和/或地面測量采集得到的道路高度、坡度、曲率信息和/或道路周圍環(huán)境及建筑物三維數(shù)據(jù)，以及相應采集設(shè)備的坐標信息和采集時間信息。

11、進一步的，所述預處理步驟包括去除異常值、填補缺失數(shù)據(jù)和/或統(tǒng)一數(shù)據(jù)格式，其中：

12、去除異常值包括根據(jù)數(shù)據(jù)的分布情況設(shè)定閾值，根據(jù)閾值去除顯著偏離其他觀測值的數(shù)據(jù)點；

13、填補缺失數(shù)據(jù)包括對于數(shù)值型數(shù)據(jù)，采用均值或中位數(shù)填補缺失值；對于時間序列數(shù)據(jù)，用前一個或后一個有效值填補缺失值；

14、統(tǒng)一數(shù)據(jù)格式包括將所有數(shù)據(jù)字段的數(shù)據(jù)類型轉(zhuǎn)換為一致，對于不同單位的數(shù)據(jù)進行統(tǒng)一轉(zhuǎn)換。

15、進一步的，所述的采用坐標轉(zhuǎn)換算法，將預處理后的二維數(shù)據(jù)和三維數(shù)據(jù)進行匹配并整合到統(tǒng)一的坐標系中包括：

16、根據(jù)坐標系的轉(zhuǎn)換模型，確定待轉(zhuǎn)換坐標系和目標坐標系之間的坐標傳遞鏈；

17、確定所述坐標傳遞鏈中的動態(tài)坐標系，根據(jù)所述動態(tài)坐標系，獲取待轉(zhuǎn)換坐標系和目標坐標系共同父節(jié)點坐標系；

18、分別計算待轉(zhuǎn)換坐標系到父節(jié)點坐標系之間的變換關(guān)系，以及，所述待轉(zhuǎn)換坐標系的父節(jié)點坐標系到目標坐標系之間的變換關(guān)系；

19、根據(jù)所述待轉(zhuǎn)換坐標系到父節(jié)點坐標系之間的變換關(guān)系，以及，所述待轉(zhuǎn)換坐標系的父節(jié)點坐標系到目標坐標系之間的變換關(guān)系，獲取所述待轉(zhuǎn)換坐標系到目標坐標系的關(guān)系；

20、使用所述待轉(zhuǎn)換坐標系到目標坐標系的關(guān)系對采集的二維數(shù)據(jù)和三維數(shù)據(jù)進行轉(zhuǎn)換，將采集的二維數(shù)據(jù)和三維數(shù)據(jù)轉(zhuǎn)換到同一坐標系下。

21、進一步的，所述的利用深度學習算法從整合到統(tǒng)一坐標系中的二維數(shù)據(jù)和三維數(shù)據(jù)中提取特征，并通過融合算法將提取出的特征進行融合，得到融合后的交通地理信息包括：

22、利用卷積神經(jīng)網(wǎng)絡(luò)處理圖像數(shù)據(jù)，提取交通場景中的視覺特征；

23、分析雷達采集的點云數(shù)據(jù)，獲取交通元素的運動特征；

24、將獲取的視覺特征和運動特征輸入多層感知器進行特征融合，并根據(jù)各模態(tài)數(shù)據(jù)的特征權(quán)重，生成一個綜合特征向量即為融合后的交通地理信息。

25、進一步的，所述的基于深度學習網(wǎng)絡(luò)構(gòu)建交通模式分析模型包括：

26、采用基于棧式降噪自編碼器作為基礎(chǔ)網(wǎng)絡(luò)，在該自編碼器網(wǎng)絡(luò)頂層疊加一個回歸器，并選取relu函數(shù)作為激活函數(shù)，對網(wǎng)絡(luò)進行如下改造后作為所述交通模式分析模型：

27、正向傳播：；

28、反向傳播：；

29、其中；

30、其中；

31、式中： x i為第i個輸入值，為第 ly層的輸出值，為第 ly層中輸出 i對輸入 j的權(quán)值，為第 ly層中輸出 i對輸入 j的權(quán)值變化量， ly為總層數(shù)，為深度學習網(wǎng)絡(luò)中的損失函數(shù)。

32、進一步的，該方法還包括將得到的交通模式和交通信息數(shù)據(jù)通過線路圖以及表格圖形的形式在顯示屏幕上進行可視化顯示。

33、本發(fā)明第二個方面提供一種基于深度學習的交通地理信息數(shù)據(jù)處理系統(tǒng)，用于實現(xiàn)如上述第一個方面所述的基于深度學習的交通地理信息數(shù)據(jù)處理方法，包括：

34、數(shù)據(jù)采集模塊，用于實時獲取目標區(qū)域的二維數(shù)據(jù)和三維數(shù)據(jù)；

35、預處理模塊，用于對采集到的二維和三維數(shù)據(jù)進行預處理；

36、數(shù)據(jù)匹配模塊，用于采用坐標轉(zhuǎn)換算法，將預處理后的二維數(shù)據(jù)和三維數(shù)據(jù)進行匹配，并利用gis將匹配后的數(shù)據(jù)整合到統(tǒng)一的坐標系中；

37、數(shù)據(jù)融合模塊，用于利用深度學習算法從整合到統(tǒng)一坐標系中的二維數(shù)據(jù)和三維數(shù)據(jù)中提取特征，并通過融合算法將提取出的特征進行融合，得到融合后的交通地理信息；

38、模型建立模塊，用于基于深度學習網(wǎng)絡(luò)構(gòu)建交通模式分析模型，進行交通模式的判斷網(wǎng)絡(luò)訓練，得到交通模式分析模型參數(shù)；

39、結(jié)果輸出模塊，用于利用交通模式分析模型對融合后的交通地理信息進行分析，得到交通模式、預測交通流量和擁堵情況。

40、本發(fā)明的有益技術(shù)效果如下：

41、本發(fā)明通過實時獲取和預處理二維及三維數(shù)據(jù)，實現(xiàn)了數(shù)據(jù)的精準匹配和整合，進而融合來自不同來源的信息。這一過程不僅提高了交通數(shù)據(jù)的全面性和準確性，還通過構(gòu)建深度學習網(wǎng)絡(luò)進行交通模式分析，能夠有效判斷和預測交通流量及擁堵情況，從而為城市交通管理提供科學依據(jù)，提升了交通效率和安全性。