城市路网关键区域识别与特征分析方法与流程

1.本发明涉及计算机辅助设计技术领域，特别涉及城市路网关键区域识别与特征分析方法。


背景技术：

2.城市路网是具有开放性的复杂巨系统，其低效运行问题涉及因素广泛，同时因路网交通随机事件干扰，交通管理者难以实时识别对路网运行效率有关键影响的区域，导致相关治理工作缺乏针对性，也严重限制了管理者对相关区域的特征分析工作。为应对城市路网的高度复杂性，交通领域学者积极引入人工智能领域的深度学习网络模型解决相关问题，但此类方案普遍存在以下不足：
3.1)依赖流量指标或事故数据，但对路网运行效率管理不具启发意义：现有模型的输入数据多为路网中路段的流量数据或事故数据或与之相关的二级指标，流量与事故数据分别度量了路网的负载能力与安全性能，而与路网运行效率相关性不强，因而无法为治理路网低效运行问题提供有效借鉴；
4.2)过度关注低效运行的少数路段或交叉口，易受偶发事件的严重干扰，忽视路网整体运行效率的变化及其影响因素：现有应用效率指标的研究较多关注单个微观路段或交叉口的运行效率下降问题，并将其作为路网低效治理的重点。但交通流的高度随机性决定了，偶发事件会导致少数元素效率短期内快速下降又快速恢复，但去本身并不意味着拥堵扩散或路网运行效率的下降。这类特别关注微观效率表现的方法会导致应急管理系统过度反应，浪费大量资源的同时并无法捕捉导致路网低效运行的关键致因，无益于解决路网低效运行问题；
5.3)对影响路网效率的关键区域不具识别能力而无法支持重点治理：现有面向城市区域路网的研究集中于基于图论的路网区域分割方法、基于路段或交叉口相似性聚类的区域识别等，前者未能考虑路网中交通流的动态性；而后者是典型的“自下而上”的聚类方法，其本质仍是考察微观路网元素及路段或交叉口的特征。两者都未涉及对区域影响路网效率的考虑；此外，两类研究的成果都是路网区域的集合，集合中所有区域的重要性没有差异。综上，现有方法体系无法体现区域的效率影响，且未能识别影响路网运行效率的关键区域，无法有效提升路网低效运行管理工作的针对性；
6.4)缺乏对关键区域迁移时序及其效率特征的研究：由于缺乏相应模型/算法可基于对路网运行效率的影响识别关键区域，因此，也无法进一步研究在路网运行效率水平变化，尤其是在水平下降的过程中关键区域的迁移时序规律及其效率特征的变化，从而帮助交通管理者跟踪、预测路网效率水平变化及引发这种变化的关键区域所在；
7.5)交通领域数据集规模难以适应深度学习网络模型训练要求，且无反馈回路解释模型缺陷，无法指导模型校准以增强其效能：即使现有深度学习网络模型对解决路网相关问题被初步验证有效，但现有模型存在两方面问题：首先，交通领域数据集规模较小，在训练深度学习网络模型时常见过拟合问题；其次，深度学习网络模型的“黑盒”特征导致其作
用机理无法得到解释，这一方面限制了交通管理者对路网特征的理解能力，另一方面也限制了深度学习网络所习得错误倾向的校准，导致其准确率不佳。
8.相对于路网流量承载与路网安全性，现有技术对路网运行效率管理关注不足；
9.在研究路网效率影响因素时，集中治理单个路段或交叉口，而缺乏面向路网中关键区域的识别与特征研究；
10.研究关键区域问题时，限于交通领域数据集规模，深度学习模型往往训练不足，训练过程中习得的错误倾向也无法得到及时校准。
11.以上缺陷严重限制了路网效率管理的主动性，降低相关工作的效率与智能化水平。
12.因此，如何解决现有技术存在的缺陷，提升路网效率管理工作的效率与智能化水平成为本领域技术人员亟需解决的技术问题。


技术实现要素：

13.有鉴于现有技术的上述缺陷，本发明提供城市路网关键区域识别与特征分析方法，实现的目的是提升路网效率管理工作的效率与智能化水平。
14.为实现上述目的，本发明公开了城市路网关键区域识别与特征分析方法，采用包括数据采集模块、数据运算模块和数据存储模块的装置运行相应的程序进行识别与分析。
15.其中，所述数据采集模块通过布设在城市路网中的数据采集设备不间断地收集所述城市路网的路网交通运行数据，然后按满足路网效率水平变化分析要求的时间间隔，将所述路网交通运行数据整理分割成多个时段的实时运行效率指标数据集，并将所有所述实时运行效率指标数据集均发送给所述数据存储模块进行存储；
16.所述数据采集模块收集所述城市路网的gis地图，以及所述gis地图中全量路段的坐标信息，并将所有所述gis地图及所有所述全量路段的坐标信息均发送给所述数据运算模块，供所述数据运算模块进行地图网格化；
17.所述数据运算模块用于完成对所述城市路网的所述地图网格化，时段效率地图生成以及核心cnn计算；
18.对所述城市路网的所述地图网格化是指对所述城市路网的所述gis地图进行裁剪后，通过网格划分、网格编号以及网格效率指标赋初始值的操作，得到效率地图模板；
19.所述时段效率地图生成是指根据从所述数据存储模块获得的实时更新的当前时段的所述实时运行效率指标数据集，以及所述效率地图模板，经过对所述效率地图模板中各个网格所包含的路段运行效率指标进行统计计算，得到可呈现当前时段全路网运行效率全况的效率地图；
20.每一个所述效率地图均按照相应的时段作为核心cnn模型计算的输入；
21.所述核心cnn模型计算包括路网效率评价模型，以及关键区域识别算法；
22.所述路网效率评价模型是一个cnn模型；
23.所述cnn模型通过历史数据集训练得到，基于相应所述效率地图，实时输出相应的路网效率水平等级评价结果，并将所述路网效率水平等级评价结果与相应的所述效率地图对应；
24.所述关键区域识别算法是基于对路网水平评价模型的可视化结果，用于识别关键
区域，以及分析所述关键区域的效率指标特征。
25.优选的，所述数据采集设备是包括浮动车设备、车牌识别数据采集设备和雷达测速设备的能够大范围采集路段运行效率的设备。
26.优选的，所述数据采集模块在所述城市路网的路网结构发生变化时，重新收集所述城市路网的gis地图，以及所述gis地图中全量路段的坐标信息，并将新收集的所有所述gis地图及所有所述中全量路段的坐标信息均发送给所述数据运算模块，对所述数据运算模块原有的所述城市路网的gis地图，以及所述gis地图中全量路段的坐标信息进行更新。
27.优选的，当所述数据运算模块对所述城市路网的所述地图网格化得到所述效率地图模板后，将所述效率地图模板发送并存储到所述数据存储模块中；
28.每一所述路网效率水平等级评价结果均存储在所述数据存储模块中；
29.每一所述关键区域的识别结果，以及相应的所述效率指标特征均存储在所述数据存储模块中。
30.优选的，所述基于对路网效率影响实时识别关键区域的cnn可视化算法同时用于关键区域的效率指标特征分析以及模型缺陷指示与优化。
31.优选的，所述数据存储模块用于存储所述数据采集模块和所述数据运算模块产生的中间结果与最终结果数据，并按照要求保留历史数据。
32.优选的，所述数据运算模块对所述城市路网进行所述地图网格化的过程如下：
33.步骤a1、裁剪所述城市路网的所述gis地图，具体为：令区域路网密度小于城市路网平均密度0.5倍的区域为路网稀疏区域，将路网稀疏区域从gis地图中切除，规整所述gis地图的尺寸；
34.步骤a2、地图网格化，具体为：将完成步骤a1处理后的所述gis地图以单位距离δl进行水平方向和垂直方向分别进行切分，转化为由多个边长为δl的正方形格子矩形阵列形成的平面组合图，实现网格化效果；
35.步骤a3、网格编号，具体为：对每一个边长为δl的所述正方形格子均编号为网格g
r,c
，其中g为相应所述正方形格子所属的所述gis地图，r为所在行，c为所在列；
36.步骤a4、网格效率指标值初始化，具体为：对每个所述网格g
r,c
的网格效率指标赋初始值，即
37.步骤a5、组合所有完成赋初始值的所述正方形格子及相应的所述网格g
r,c
得到效率地图模板。
38.更优选的，所述数据运算模块进行时段效率地图生成的过程如下：
39.步骤b1、路段切分，具体为：根据δl确定路段的长度d，令d为小于δl的正整数，将所述gis地图中原有的道路切分成多个所述路段，生成路段集合l
all
；
40.l
all
中的每一所述路段的长度均小于或等于d；
41.相对所述gis地图中原有的道路，l
all
中的每一所述路段的长度发生改变，对应相应的所述实时运行效率指标数据集中的值不发生改变；
42.步骤b2、将每一所述路段均划分至相应的所述网格g
r,c
，具体为：将l
all
中的每一所述路段均按照其中点坐标位置划分至相应的所述网格g
r,c
，得到每一所述网格g
r,c
内的n个
所述路段的结合其中n为网格g
r,c
中包括的路段总数；
43.步骤b3、计算每一所述时段内每一所述路段的归一化运行效率指标，具体为：对于l
r,c
中任意所述路段计算任意所述时段t的归一化效率指标值其中i为路段编号，为1以上的自然数；
44.对于行程速度类指标，任意所述路段在任意所述时段t的归一化效率指标值
45.其中，为相应所述路段在相应所述时段t的行程速度指标真实值；
46.为相应所述路段的限制速度；
47.对于行程时间类指标，任意所述路段在任意所述时段t的归一化效率指标值
48.其中，为相应所述路段在相应所述时段t的行程时间指标真实值；
49.为历史数据中的最大值；
50.步骤b4、集计计算每一所述时段内每一所述网格g
r,c
的效率指标，具体为：
51.对所述效率地图模板中每个所述网格g
r,c
，集合相应的l
r,c
中包含所有所述路段的数值，集计计算每一所述网格g
r,c
在时段t的效率指标公式如下：
[0052][0053]
其中，为l
r,c
中任意所述路段的效率指标的权重；
[0054]
步骤b5、根据每一所述网格g
r,c
的所述效率指标的数值作为灰度值或者热力值对相应的所述效率地图模板中的所述正方形格子进行着色，具体为：将时段t内所有的值作为g
r,c
对应的灰度值或热力值，为所述效率地图模板中的各所述正方形格子着色，生成时段t的效率地图；
[0055]
步骤b1和步骤b2仅在所述城市路网的路网结构发生改变时执行；
[0056]
步骤b3至步骤b5根据所述实时运行效率指标数据集持续重复执行。
[0057]
更优选的，所述的取值为影响相应的所述路段的效率指标重要性的参数，通常取值为相应的所述路段的长度，简易计算时取值为1。
[0058]
优选的，所述核心cnn模型计算过程如下：
[0059]
s1训练所述路网效率评价模型：将所述城市路网的效率水平等级评价问题视为一个多分类问题，训练一个二维cnn模型作为所述路网效率评价模型，令其能够将各所述时段的所述效率地图作为输入，实时对所述效率地图进行等级分类，即判定所述效率地图对应
时段的所述城市路网的效率水平等级；
[0060]
其中，训练所述二维cnn模型用到的历史数据包括多个所述效率地图，及每一所述效率地图对应的路网效率水平等级；
[0061]
在所述二维cnn模型未经过足够训练时，所述历史数据中的每一效率地图对应的路网效率水平等级均采用要素效率指标加权平均法或者宏观基本图比较法计算得到，用于快速积累训练集数据；
[0062]
在所述二维cnn模型的分类精确率达到60％后，采用模糊综合评价法和层次分析法分别计算所述历史数据中的每一效率地图对应的路网效率水平等级，再结合所述模糊综合评价法和所述层次分析法求得结果的投票情况，给出考虑更多判定因素的等级评价结果，并将所述等级评价结果更新到训练数据集，用于训练所述二维cnn模型，以增加其内涵；
[0063]
在所述训练数据集因规模较小导致训练过程中所述二维cnn模型出现明显过拟合时，采用预训练网络技术，综合特征提取与网络微调手段，有效提升训练过程效用，避免过拟合问题；
[0064]
采用所述预训练网络技术具体为：
[0065]
分别对应使用预训练网络技术前、后，以同样规模的所述数据集训练所述二维cnn模型，得到的训练集/测试集准确率曲线，若训练集准确率和测试集准确率趋势不呈现明显差异，则表明避免了免过拟合问题；
[0066]
s2以关键区域识别算法识别影响路网效率的关键区域：对于训练完毕的路网效率评价模型，以梯度加权类激活映射的所述二维cnn模型的可视化方法解释所述的路网效率评价模型作用机理，理解其在对路网进行效率水平等级评价时，重点关注了效率地图中的哪一部分网格，量化模型对不同网格的关注强度并以热力图形式呈现，实现关键网格的可视化；
[0067]
其中，关键网格即为路网效率评价模型决策时，受到高强度关注的网格，其在效率地图上所覆盖的路网区域对当前路网效率水平影响最为强烈，从而被识别为关键区域；
[0068]
s3所述关键区域识别算法的进一步应用，包括：
[0069]
当所述路网效率评价模型决策错误时，所述关键区域识别算法能够分别针对正确、错误的评价结果分别呈现模型应当关注以及错误关注的关键网格，揭示模型经过训练所习得的错误倾向；
[0070]
对应关键区域所在位置分析时段的效率地图，可跟踪观测在不同的路网运行效率水平下，关键区域中每个网格、网格所包含路段的运行效率指标变化情况，理解关键区域的效率特征；
[0071]
结合关键区域的时序结果，可理解在路网运行效率水平变化，尤其是在水平下降期间，路网中关键区域的迁移规律；
[0072]
结合所述关键区域识别算法所发现的所述路网效率评价模型存在的错误倾向，加入纠偏模块，纠正模型错误倾向，构成模型效用反馈回路，自动完成模型优化与性能增强。
[0073]
本发明的有益效果：
[0074]
本发明集成路网全量效率信息并将其实时转化，与现有技术相比能够更好的适应深度卷积神经网络输入模式要求的图像。
[0075]
本发明通过在不同的历史数据集基础、算力条件下，结合不同复杂程度的算法与
预训练网络模型，满足深度学习网络模型的训练要求。
[0076]
本发明基于可解释人工智能领域的深度学习模型可视化方法，解释cnn模型的决策机理，以此揭示影响路网运行效率的关键区域位置并进行可视化呈现。结合关键区域位置时序观察区域相关网格的效率指标特征，以提升城市交通低效治理的针对性和有效性。
[0077]
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
[0078]
图1示出本发明一实施例的流程图。
[0079]
图2示出本发明一实施例中形成效率地图模板的流程图。
[0080]
图3示出本发明一实施例中地图网格化的示意图。
[0081]
图4示出本发明一实施例中进行时段效率地图生成的流程图。
[0082]
图5示出本发明一实施例中效率地图完成着色后的示意图。
[0083]
图6示出本发明另一实施例中效率地图完成着色后的示意图。
[0084]
图7示出本发明另一实施例中核心cnn模型计算过程的流程图。
[0085]
图8示出本发明另一实施例中使用预训练网络前，以同样规模的数据集训练二维cnn模型，得到的训练集/测试集准确率曲线。
[0086]
图9示出本发明另一实施例中使用预训练网络后，以同样规模的数据集训练二维cnn模型，得到的训练集/测试集准确率曲线。
[0087]
图10示出本发明另一实施例中显示模型的关注强度热力图图例。
[0088]
图11示出本发明另一实施例中第一种强度关注各个网格的效果实例图。
[0089]
图12示出本发明另一实施例中第二种强度关注各个网格的效果实例图。
[0090]
图13示出本发明另一实施例中第三种强度关注各个网格的效果实例图。
[0091]
图14示出本发明另一实施例中第四种强度关注各个网格的效果实例图。
[0092]
图15示出本发明另一实施例中第五种强度关注各个网格的效果实例图。
[0093]
图16示出本发明另一实施例中同一时刻的效率地图进行效率水平等级评价时，模型所关注的正确、错误的网格图。
具体实施方式
[0094]
实施例
[0095]
如图1所示，城市路网关键区域识别与特征分析方法，采用包括数据采集模块、数据运算模块和数据存储模块的装置运行相应的程序进行识别与分析。
[0096]
其中，数据采集模块通过布设在城市路网中的数据采集设备不间断地收集城市路网的路网交通运行数据，然后按满足路网效率水平变化分析要求的时间间隔，将路网交通运行数据整理分割成多个时段的实时运行效率指标数据集，并将所有实时运行效率指标数据集均发送给数据存储模块进行存储；
[0097]
数据采集模块收集城市路网的gis地图，以及gis地图中全量路段的坐标信息，并将所有gis地图及所有全量路段的坐标信息均发送给数据运算模块，供数据运算模块进行地图网格化；
[0098]
数据运算模块用于完成对城市路网的地图网格化，时段效率地图生成以及核心cnn计算；
[0099]
对城市路网的地图网格化是指对城市路网的gis地图进行裁剪后，通过网格划分、网格编号以及网格效率指标赋初始值的操作，得到效率地图模板；
[0100]
时段效率地图生成是指根据从数据存储模块获得的实时更新的当前时段的实时运行效率指标数据集，以及效率地图模板，经过对效率地图模板中各个网格所包含的路段运行效率指标进行统计计算，得到可呈现当前时段全路网运行效率全况的效率地图；
[0101]
每一个效率地图均按照相应的时段作为核心cnn模型计算的输入；
[0102]
核心cnn模型计算包括路网效率评价模型，以及关键区域识别算法；
[0103]
路网效率评价模型是一个cnn模型；
[0104]
cnn模型通过历史数据集训练得到，基于相应效率地图，实时输出相应的路网效率水平等级评价结果，并将路网效率水平等级评价结果与相应的效率地图对应；
[0105]
关键区域识别算法是基于对路网水平评价模型的可视化结果，用于识别关键区域，以及分析关键区域的效率指标特征。
[0106]
本发明的实现技术效果的原理如下：
[0107]
1、本发明服务于路网运行效率管理，将路网中的路段与交叉口视为相互关联的要素，从路网系统层次研究路网效率的影响因素，利用深度学习模型及深度学习模型可视化技术，识别路网中的关键区域并研究关键区域的效率指标特征与迁移规律；面向交通领域数据集规模较小不足以训练深度学习模型、深度学习模型错误倾向难以发现的问题，提供了通用性的解决方案，以此提升路网效率管理工作的效率与智能化水平。
[0108]
2、发明所涉装置与方法均以交通宏微观效率指标作为评价、分析依据，面向路网问题提出解决方案，显著区别于现有技术在研究路网问题时特别强调流量指标的特性；发明所提方法可实时识别对路网运行效率有关键影响的区域，并结合识别结果进一步分析关键区域的迁移特征与效率指标时序特性，为交通管理者指出当前宏观路网低效运行的症结所在并提供效率水平量化指标，相比于现有技术对路网区域的重要性不做区分、无法指示出效率管理重点，更有利于提升城市低效问题治理的针对性，因此能够更有效地服务于路网低效问题治理。
[0109]
3、本发明以深度学习网络模型作为装置主要模块的核心模型，其具有挖掘不同要素的线性关联的强大能力，相对于现有评价路网运行效率的方法，可以挖掘更多有关路网中要素时空间关联。深度学习网络模型一经离线训练完毕就可存储在服务器中供在线分析适用，包括实时评价路网运行效率水平以及呈现其中的关键区域位置及特性，因此可集成复杂因素考虑实现路网在线分析。
[0110]
4、本发明提出了面向不同数据基础，尤其是仅具备小规模历史数据集条件的模型训练方案；用于训练模型的历史数据集，其路网运行效率水平评价也存在多种计算方法，可适应不同算力条件约束，因此能够对不同计算条件有更好的适应性。
[0111]
5、本发明设置了基于可视化方法解释深度学习网络模型习得错误倾向并对其进行校准的关键回路，通过对比模型在评价决策时应当关注以及错误关注的网格位置发现了模型的缺陷，并可自动对错误倾向进行校准。设定周期运行这一机制，可实现模型的自我进化，不断提升模型的智慧化水平，更新对路网最新运行特征的认识能力，使其更适应当前路
网的运行特征，产生更可靠的评价和关键区域分析结果，因此能够模型自动化智慧化水平更高。
[0112]
在某些实施例中，数据采集设备是包括浮动车设备、车牌识别数据采集设备和雷达测速设备的能够大范围采集路段运行效率的设备。
[0113]
在某些实施例中，数据采集模块在城市路网的路网结构发生变化时，重新收集城市路网的gis地图，以及gis地图中全量路段的坐标信息，并将新收集的所有gis地图及所有中全量路段的坐标信息均发送给数据运算模块，对数据运算模块原有的城市路网的gis地图，以及gis地图中全量路段的坐标信息进行更新。
[0114]
在某些实施例中，当数据运算模块对城市路网的地图网格化得到效率地图模板后，将效率地图模板发送并存储到数据存储模块中；
[0115]
每一路网效率水平等级评价结果均存储在数据存储模块中；
[0116]
每一关键区域的识别结果，以及相应的效率指标特征均存储在数据存储模块中。
[0117]
在某些实施例中，基于对路网效率影响实时识别关键区域的cnn可视化算法同时用于关键区域的效率指标特征分析以及模型缺陷指示与优化。
[0118]
在某些实施例中，数据存储模块用于存储数据采集模块和数据运算模块产生的中间结果与最终结果数据，并按照要求保留历史数据。
[0119]
如图2和图3所示，在某些实施例中，数据运算模块对城市路网进行地图网格化的过程如下：
[0120]
步骤a1、裁剪城市路网的gis地图，具体为：令区域路网密度小于城市路网平均密度0.5倍的区域为路网稀疏区域，将路网稀疏区域从gis地图中切除，规整gis地图的尺寸；
[0121]
步骤a2、地图网格化，具体为：将完成步骤a1处理后的gis地图以单位距离δl进行水平方向和垂直方向分别进行切分，转化为由多个边长为δl的正方形格子矩形阵列形成的平面组合图，实现网格化效果；
[0122]
步骤a3、网格编号，具体为：对每一个边长为δl的正方形格子均编号为网格g
r,c
，其中g为相应正方形格子所属的gis地图，r为所在行，c为所在列；
[0123]
步骤a4、网格效率指标值初始化，具体为：对每个网格g
r,c
的网格效率指标赋初始值，即
[0124]
步骤a5、组合所有完成赋初始值的正方形格子及相应的网格g
r,c
得到效率地图模板。
[0125]
如图4所示，在某些实施例中，数据运算模块进行时段效率地图生成的过程如下：
[0126]
步骤b1、路段切分，具体为：根据δl确定路段的长度d，令d为小于δl的正整数，将gis地图中原有的道路切分成多个路段，生成路段集合l
all
；
[0127]
l
all
中的每一路段的长度均小于或等于d；
[0128]
相对gis地图中原有的道路，l
all
中的每一路段的长度发生改变，对应相应的实时运行效率指标数据集中的值不发生改变；
[0129]
步骤b2、将每一路段均划分至相应的网格g
r,c
，具体为：将l
all
中的每一路段均按照其中点坐标位置划分至相应的网格g
r,c
，得到每一网格g
r,c
内的n个路段的结合
其中n为网格g
r,c
中包括的路段总数；
[0130]
步骤b3、计算每一时段内每一路段的归一化运行效率指标，具体为：对于l
r,c
中任意路段计算任意时段t的归一化效率指标值其中i为路段编号，为1以上的自然数；
[0131]
对于行程速度类指标，任意路段在任意时段t的归一化效率指标值
[0132][0133]
其中，为相应路段在相应时段t的行程速度指标真实值；
[0134]
为相应路段的限制速度；
[0135]
对于行程时间类指标，任意路段在任意时段t的归一化效率指标值
[0136][0137]
其中，为相应路段在相应时段t的行程时间指标真实值；
[0138]
为历史数据中的最大值；
[0139]
步骤b4、集计计算每一时段内每一网格g
r,c
的效率指标，具体为：
[0140]
对效率地图模板中每个网格g
r,c
，集合相应的l
r,c
中包含所有路段的数值，集计计算每一网格g
r,c
在时段t的效率指标公式如下：
[0141][0142]
其中，为l
r,c
中任意路段的效率指标的权重；
[0143]
步骤b5、根据每一网格g
r,c
的效率指标的数值作为灰度值或者热力值对相应的效率地图模板中的正方形格子进行着色，具体为：将时段t内所有的值作为g
r,c
对应的灰度值或热力值，为效率地图模板中的各正方形格子着色，生成时段t的效率地图；
[0144]
步骤b1和步骤b2仅在城市路网的路网结构发生改变时执行；
[0145]
步骤b3至步骤b5根据实时运行效率指标数据集持续重复执行。
[0146]
在某些实施例中，的取值为影响相应的路段的效率指标重要性的参数，通常取值为相应的路段的长度，简易计算时取值为1。
[0147]
如图5和图6所示。
[0148]
如图7所示，在某些实施例中，核心cnn模型计算过程如下：
[0149]
s1训练路网效率评价模型：将城市路网的效率水平等级评价问题视为一个多分类问题，训练一个二维cnn模型作为路网效率评价模型，令其能够将各时段的效率地图作为输入，实时对效率地图进行等级分类，即判定效率地图对应时段的城市路网的效率水平等级；
[0150]
其中，训练二维cnn模型用到的历史数据包括多个效率地图，及每一效率地图对应的路网效率水平等级；
[0151]
在二维cnn模型未经过足够训练时，历史数据中的每一效率地图对应的路网效率水平等级均采用要素效率指标加权平均法或者宏观基本图比较法计算得到，用于快速积累训练集数据；
[0152]
在二维cnn模型的分类精确率达到60％后，采用模糊综合评价法和层次分析法分别计算历史数据中的每一效率地图对应的路网效率水平等级，再结合模糊综合评价法和层次分析法求得结果的投票情况，给出考虑更多判定因素的等级评价结果，并将等级评价结果更新到训练数据集，用于训练二维cnn模型，以增加其内涵；
[0153]
在训练数据集因规模较小导致训练过程中二维cnn模型出现明显过拟合时，采用预训练网络技术，综合特征提取与网络微调手段，有效提升训练过程效用，避免过拟合问题；
[0154]
如图8和图9所示，分别对应使用预训练网络技术前、后，以同样规模的数据集训练二维cnn模型，得到的训练集/测试集准确率曲线，若训练集准确率和测试集准确率趋势不呈现明显差异，则表明避免了免过拟合问题；
[0155]
s2以关键区域识别算法识别影响路网效率的关键区域：对于训练完毕的路网效率评价模型，以梯度加权类激活映射的二维cnn模型的可视化方法解释的路网效率评价模型作用机理，理解其在对路网进行效率水平等级评价时，重点关注了效率地图中的哪一部分网格，量化模型对不同网格的关注强度并以热力图形式呈现，实现关键网格的可视化；
[0156]
其中，关键网格即为路网效率评价模型决策时，受到高强度关注的网格，其在效率地图上所覆盖的路网区域对当前路网效率水平影响最为强烈，从而被识别为关键区域；
[0157]
图10为显示模型的关注强度热力图图例；图11至图15为基于grad-cam方法所解释的，模型在5个时段的路网效率水平等级评价过程中以不同强度关注各个网格的效果实例。
[0158]
s3关键区域识别算法的进一步应用，包括：
[0159]
当路网效率评价模型决策错误时，关键区域识别算法能够分别针对正确、错误的评价结果分别呈现模型应当关注以及错误关注的关键网格，揭示模型经过训练所习得的错误倾向；
[0160]
图16为对同一时刻的效率地图进行效率水平等级评价时，模型所关注的正确、错误的网格，3个分图分别为该时刻的效率地图、模型应当关注的重点网格及关注强度、模型错误关注的重点网格及关注强度。
[0161]
对应关键区域所在位置分析时段的效率地图，可跟踪观测在不同的路网运行效率水平下，关键区域中每个网格、网格所包含路段的运行效率指标变化情况，理解关键区域的效率特征；
[0162]
结合关键区域的时序结果，可理解在路网运行效率水平变化，尤其是在水平下降期间，路网中关键区域的迁移规律。可见，可视化结果可支持区域乃至路网运行效率水平预测；
[0163]
结合关键区域识别算法所发现的路网效率评价模型存在的错误倾向，加入纠偏模块，纠正模型错误倾向，构成模型效用反馈回路，自动完成模型优化与性能增强。
[0164]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无
需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.城市路网关键区域识别与特征分析方法，采用包括数据采集模块、数据运算模块和数据存储模块的装置运行相应的程序进行识别与分析；其特征在于：所述数据采集模块通过布设在城市路网中的数据采集设备不间断地收集所述城市路网的路网交通运行数据，然后按满足路网效率水平变化分析要求的时间间隔，将所述路网交通运行数据整理分割成多个时段的实时运行效率指标数据集，并将所有所述实时运行效率指标数据集均发送给所述数据存储模块进行存储；所述数据采集模块收集所述城市路网的gis地图，以及所述gis地图中全量路段的坐标信息，并将所有所述gis地图及所有所述全量路段的坐标信息均发送给所述数据运算模块，供所述数据运算模块进行地图网格化；所述数据运算模块用于完成对所述城市路网的所述地图网格化，时段效率地图生成以及核心cnn计算；对所述城市路网的所述地图网格化是指对所述城市路网的所述gis地图进行裁剪后，通过网格划分、网格编号以及网格效率指标赋初始值的操作，得到效率地图模板；所述时段效率地图生成是指根据从所述数据存储模块获得的实时更新的当前时段的所述实时运行效率指标数据集，以及所述效率地图模板，经过对所述效率地图模板中各个网格所包含的路段运行效率指标进行统计计算，得到可呈现当前时段全路网运行效率全况的效率地图；每一个所述效率地图均按照相应的时段作为核心cnn模型计算的输入；所述核心cnn模型计算包括路网效率评价模型，以及关键区域识别算法；所述路网效率评价模型是一个cnn模型；所述cnn模型通过历史数据集训练得到，基于相应所述效率地图，实时输出相应的路网效率水平等级评价结果，并将所述路网效率水平等级评价结果与相应的所述效率地图对应；所述关键区域识别算法是基于对路网水平评价模型的可视化结果，用于识别关键区域，以及分析所述关键区域的效率指标特征。2.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，所述数据采集设备是包括浮动车设备、车牌识别数据采集设备和雷达测速设备的能够大范围采集路段运行效率的设备。3.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，所述数据采集模块在所述城市路网的路网结构发生变化时，重新收集所述城市路网的gis地图，以及所述gis地图中全量路段的坐标信息，并将新收集的所有所述gis地图及所有所述中全量路段的坐标信息均发送给所述数据运算模块，对所述数据运算模块原有的所述城市路网的gis地图，以及所述gis地图中全量路段的坐标信息进行更新。4.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，当所述数据运算模块对所述城市路网的所述地图网格化得到所述效率地图模板后，将所述效率地图模板发送并存储到所述数据存储模块中；每一所述路网效率水平等级评价结果均存储在所述数据存储模块中；每一所述关键区域的识别结果，以及相应的所述效率指标特征均存储在所述数据存储模块中。
5.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，所述基于对路网效率影响实时识别关键区域的cnn可视化算法同时用于关键区域的效率指标特征分析以及模型缺陷指示与优化。6.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，所述数据存储模块用于存储所述数据采集模块和所述数据运算模块产生的中间结果与最终结果数据，并按照要求保留历史数据。7.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，所述数据运算模块对所述城市路网进行所述地图网格化的过程如下：步骤a1、裁剪所述城市路网的所述gis地图，具体为：令区域路网密度小于城市路网平均密度0.5倍的区域为路网稀疏区域，将路网稀疏区域从gis地图中切除，规整所述gis地图的尺寸；步骤a2、地图网格化，具体为：将完成步骤a1处理后的所述gis地图以单位距离δl进行水平方向和垂直方向分别进行切分，转化为由多个边长为δl的正方形格子矩形阵列形成的平面组合图，实现网格化效果；步骤a3、网格编号，具体为：对每一个边长为δl的所述正方形格子均编号为网格g
r,c
，其中g为相应所述正方形格子所属的所述gis地图，r为所在行，c为所在列；步骤a4、网格效率指标值初始化，具体为：对每个所述网格g
r,c
的网格效率指标赋初始值，即步骤a5、组合所有完成赋初始值的所述正方形格子及相应的所述网格g
r,c
得到效率地图模板。8.根据权利要求7所述的城市路网关键区域识别与特征分析方法，其特征在于，所述数据运算模块进行时段效率地图生成的过程如下：步骤b1、路段切分，具体为：根据δl确定路段的长度d，令d为小于δl的正整数，将所述gis地图中原有的道路切分成多个所述路段，生成路段集合l
all
；l
all
中的每一所述路段的长度均小于或等于d；相对所述gis地图中原有的道路，l
all
中的每一所述路段的长度发生改变，对应相应的所述实时运行效率指标数据集中的值不发生改变；步骤b2、将每一所述路段均划分至相应的所述网格g
r,c
，具体为：将l
all
中的每一所述路段均按照其中点坐标位置划分至相应的所述网格g
r,c
，得到每一所述网格g
r,c
内的n个所述路段的结合其中n为网格g
r,c
中包括的路段总数；步骤b3、计算每一所述时段内每一所述路段的归一化运行效率指标，具体为：对于l
r,c
中任意所述路段计算任意所述时段t的归一化效率指标值其中i为路段编号，为1以上的自然数；对于行程速度类指标，任意所述路段在任意所述时段t的归一化效率指标值
其中，为相应所述路段在相应所述时段t的行程速度指标真实值；为相应所述路段的限制速度；对于行程时间类指标，任意所述路段在任意所述时段t的归一化效率指标值其中，为相应所述路段在相应所述时段t的行程时间指标真实值；为历史数据中的最大值；步骤b4、集计计算每一所述时段内每一所述网格g
r,c
的效率指标，具体为：对所述效率地图模板中每个所述网格g
r,c
，集合相应的l
r,c
中包含所有所述路段的数值，集计计算每一所述网格g
r,c
在时段t的效率指标公式如下：其中，为l
r,c
中任意所述路段的效率指标的权重；步骤b5、根据每一所述网格g
r,c
的所述效率指标的数值作为灰度值或者热力值对相应的所述效率地图模板中的所述正方形格子进行着色，具体为：将时段t内所有的值作为g
r,c
对应的灰度值或热力值，为所述效率地图模板中的各所述正方形格子着色，生成时段t的效率地图；步骤b1和步骤b2仅在所述城市路网的路网结构发生改变时执行；步骤b3至步骤b5根据所述实时运行效率指标数据集持续重复执行。9.根据权利要求8所述的城市路网关键区域识别与特征分析方法，其特征在于，所述的取值为影响相应的所述路段的效率指标重要性的参数，通常取值为相应的所述路段的长度，简易计算时取值为1。10.根据权利要求1所述的城市路网关键区域识别与特征分析方法，其特征在于，所述核心cnn模型计算过程如下：s1训练所述路网效率评价模型：将所述城市路网的效率水平等级评价问题视为一个多分类问题，训练一个二维cnn模型作为所述路网效率评价模型，令其能够将各所述时段的所述效率地图作为输入，实时对所述效率地图进行等级分类，即判定所述效率地图对应时段的所述城市路网的效率水平等级；其中，训练所述二维cnn模型用到的历史数据包括多个所述效率地图，及每一所述效率地图对应的路网效率水平等级；在所述二维cnn模型未经过足够训练时，所述历史数据中的每一效率地图对应的路网效率水平等级均采用要素效率指标加权平均法或者宏观基本图比较法计算得到，用于快速积累训练集数据；
在所述二维cnn模型的分类精确率达到60％后，采用模糊综合评价法和层次分析法分别计算所述历史数据中的每一效率地图对应的路网效率水平等级，再结合所述模糊综合评价法和所述层次分析法求得结果的投票情况，给出考虑更多判定因素的等级评价结果，并将所述等级评价结果更新到训练数据集，用于训练所述二维cnn模型，以增加其内涵；在所述训练数据集因规模较小导致训练过程中所述二维cnn模型出现明显过拟合时，采用预训练网络技术，综合特征提取与网络微调手段，有效提升训练过程效用，避免过拟合问题；采用所述预训练网络技术具体为：分别对应使用预训练网络技术前、后，以同样规模的所述数据集训练所述二维cnn模型，得到的训练集/测试集准确率曲线，若训练集准确率和测试集准确率趋势不呈现明显差异，则表明避免了免过拟合问题；s2以关键区域识别算法识别影响路网效率的关键区域：对于训练完毕的路网效率评价模型，以梯度加权类激活映射的所述二维cnn模型的可视化方法解释所述的路网效率评价模型作用机理，理解其在对路网进行效率水平等级评价时，重点关注了效率地图中的哪一部分网格，量化模型对不同网格的关注强度并以热力图形式呈现，实现关键网格的可视化；其中，关键网格即为路网效率评价模型决策时，受到高强度关注的网格，其在效率地图上所覆盖的路网区域对当前路网效率水平影响最为强烈，从而被识别为关键区域；s3所述关键区域识别算法的进一步应用，包括：当所述路网效率评价模型决策错误时，所述关键区域识别算法能够分别针对正确、错误的评价结果分别呈现模型应当关注以及错误关注的关键网格，揭示模型经过训练所习得的错误倾向；对应关键区域所在位置分析时段的效率地图，可跟踪观测在不同的路网运行效率水平下，关键区域中每个网格、网格所包含路段的运行效率指标变化情况，理解关键区域的效率特征；结合关键区域的时序结果，可理解在路网运行效率水平变化，尤其是在水平下降期间，路网中关键区域的迁移规律；结合所述关键区域识别算法所发现的所述路网效率评价模型存在的错误倾向，加入纠偏模块，纠正模型错误倾向，构成模型效用反馈回路，自动完成模型优化与性能增强。

技术总结
本发明公开了城市路网关键区域识别与特征分析方法，采用包括数据采集模块、数据运算模块和数据存储模块的装置运行相应的程序进行识别与分析；数据采集模块收集城市路网的GIS地图，将所有GIS地图及所有全量路段的坐标信息均发送给数据运算模块，供数据运算模块进行地图网格化；数据运算模块用于完成对城市路网的地图网格化，时段效率地图生成以及核心CNN计算。本发明集成路网全量效率信息并将其实时转化，与现有技术相比能够更好的适应深度卷积神经网络输入模式要求的图像。卷积神经网络输入模式要求的图像。卷积神经网络输入模式要求的图像。


技术研发人员：沈宙彪 李君羡 保丽霞 彭凌枫 童文聪 王杉
受保护的技术使用者：上海策客交通科技发展有限公司
技术研发日：2023.04.07
技术公布日：2023/7/12