基于人工智能的高速路况预测方法及系统与流程

摘要: 本发明涉及高速路况预测相关,具体地说,是涉及一种基于人工智能的高速路况预测方法及系统。背景技术:1、随着高速公路通行需求持续增长,部分路段在节假日、早晚高峰、恶...
基于人工智能的高速路况预测方法及系统与流程

本发明涉及高速路况预测相关,具体地说,是涉及一种基于人工智能的高速路况预测方法及系统。

背景技术:

1、随着高速公路通行需求持续增长,部分路段在节假日、早晚高峰、恶劣天气及突发事故等场景下容易出现交通拥堵、通行效率下降及事故风险升高等问题。若路况异常无法被及时预测、预警和处置,易引发车辆滞留、二次事故及道路资源浪费,造成较大的经济损失和安全隐患。因此,如何对高速公路运行状态进行准确预测,并通过可视化方式向管理人员和出行用户提供直观、及时、可解释的路况信息,已成为提升高速公路运行监测、交通调度、应急处置和出行服务能力的重要技术方向。

2、现有高速路况预测及信息展示系统通常通过采集车流量、收费站状态、道路事件、气象信息、服务区信息等数据,并结合统计模型、机器学习模型或人工智能模型对路况进行预测和展示。由于上述数据通常来源于不同业务系统,数据结构、时间粒度和空间表达方式不一致,现有系统多采用分散采集、单项分析或简单汇总展示的方式,难以形成统一的全局路网认知,导致路况信息碎片化、数据关联分析效率较低。同时,现有预测方法对历史事故多发路段、历史拥堵规律、气象变化、施工事件等先验知识的利用不足,难以对突发拥堵、异常天气和交通事故等复杂场景进行因果溯源和解释说明,导致预警结果针对性和可信度不足。

技术实现思路

1、本发明为了解决上述问题,提出了一种基于人工智能的高速路况预测方法及系统,将多源异构交通数据、轻量级预测模型、历史路况知识图谱和大语言模型可解释推理统一到同一预测流程中,能够在保证预测效率的同时提升复杂路况场景下预测结果的稳定性、可信度和可解释性。

2、为了实现上述目的,本发明采用如下技术方案:

3、一个或多个实施例提供了基于人工智能的高速路况预测方法,包括如下步骤:

4、获取待预测路段在当前时间的多源异构高速交通数据;

5、通过 vlm 模型和标准化模板将多源异构高速交通数据转换为模块化自然语言文本;

6、基于预设的提示词模板,将模块化自然语言文本输入经强化学习优化的大语言模型,由大语言模型提取交通场景关键参数并转换为结构化特征向量;将结构化特征向量输入lightgbm 判别模型,获得初步路况预测结果;

7、将模块化自然语言文本和初步路况预测结果输入至强化学习后的大语言模型,判断是否需要进行可解释性预测,当需要进行可解释性预测,基于待预测路段的当前时间、天气和事件信息从构建的高速路况知识图谱中检索历史相似路况数据;

8、将待预测路段的模块化自然语言文本和历史相似路况数据输入大语言模型;通过大语言模型的思维链推理生成候选路况预测结果。

9、进一步的技术方案,通过 vlm 模型和标准化模板将多源异构高速交通数据转换为模块化自然语言文本,包括如下步骤:

10、识别多源异构高速交通数据的数据形态,将多源异构高速交通数据划分为可直接解析数据和需模型解析数据;

11、对多源异构高速交通数据进行预处理;

12、对可直接解析数据进行字段解析,得到初始结构化字段;

13、通过 vlm 模型解析图像数据、视频数据或图表化时序数据,得到视觉语义识别结果;

14、将得到的初始结构化字段和 vlm 识别结果进行融合,生成交通结构化特征;

15、根据交通结构化特征,调用预设的标准化语言模板,生成模块化自然语言文本。

16、进一步的技术方案, 对于可直接解析数据,基于字段映射规则、接口协议、数据库表结构或文本抽取规则,直接解析得到初始结构化字段;

17、可直接解析数据包括结构化数值数据、结构化状态数据、结构化时序数据、半结构化事件记录数据、文本型描述数据、静态路网属性数据和配置类日历数据中的至少一种。

18、进一步的技术方案,基于预设的提示词模板,将模块化自然语言文本输入经强化学习优化的大语言模型,由大语言模型提取交通场景关键参数并转换为结构化特征向量;将结构化特征向量输入lightgbm 判别模型,获得初步路况预测结果,包括:

19、强化学习后的大语言模型根据提示词模板,从模块化自然语言文本中提取关键参数,并进行交通结构化特征编码,得到输入至lightgbm 判别模型的结构化特征向量;

20、将结构化特征向量输入至训练好的lightgbm 模型,得到初步路况预测结果。

21、进一步的技术方案,lightgbm 模型为回归模型或分类模型,或者同时包括回归模型和分类模型,回归模型用于预测未来时段的交通流量、平均车速或拥堵指数;分类模型用于预测未来时段的拥堵等级。

22、进一步的技术方案,高速路况知识图谱的构建过程,包括如下步骤:

23、构建覆盖时间、空间、交通流、事件、气象五个维度的高速路况知识图谱本体框架;

24、根据高速路况知识图谱本体框架定义知识图谱中的实体类型、关系类型和属性字段,将添加字段的高速路况知识图谱本体框架固化为 json 格式;

25、获取历史高速路况数据,并对历史高速路况数据进行处理,得到历史交通结构化特征和历史模块化自然语言文本;

26、对于历史样本对象中的交通结构化特征,按照高速路况知识图谱本体框架直接生成确定性三元组;

27、对于历史样本对象中的模块化自然语言文本,将高速路况知识图谱本体框架、模块化自然语言文本和三元组抽取提示输入大语言模型,使大语言模型按照预设实体类型和关系类型抽取补充三元组;

28、对得到的三元组进行校验、融合和实体对齐,将处理后的三元组写入高速路况知识图谱。

29、进一步的技术方案,将待预测路段的模块化自然语言文本和历史相似路况数据输入大语言模型;通过大语言模型的思维链推理生成候选路况预测结果,包括如下步骤:

30、根据模块化自然语言文本和few-shot示例模板构建大语言模型提示词;

31、设置大语言模型的采样温度参数和生成次数,使大语言模型针对不同提示词执行多次独立生成;每次生成一条推理路径和对应的候选路况预测结果;

32、在每次生成过程中记录预测结果相关 token 的输出概率,并根据输出概率计算对应推理路径的 token 级置信度;

33、对多个候选路况预测结果进行标准化归一处理,得到候选答案集合;根据各候选答案的出现次数和支持该候选答案的推理路径 token 级置信度,计算各候选答案的加权置信度得分;将加权置信度得分最高的候选答案确定为最终路况预测结果。

34、一个或多个实施例提供了基于人工智能的高速路况预测系统,包括:

35、获取模块,被配置为获取待预测路段在当前时间的多源异构高速交通数据;

36、获取模块,被配置为获取待预测路段在当前时间的多源异构高速交通数据;

37、数据特征提取模块,被配置为通过 vlm 模型和标准化模板将多源异构高速交通数据转换为模块化自然语言文本;

38、初步预测模块,被配置为基于预设的提示词模板,将模块化自然语言文本输入经强化学习优化的大语言模型,由大语言模型提取交通场景关键参数并转换为结构化特征向量;将结构化特征向量输入lightgbm 判别模型,获得初步路况预测结果;

39、判定及融合模块,被配置为将模块化自然语言文本和初步路况预测结果输入至强化学习后的大语言模型,判断是否需要进行可解释性预测,当需要进行可解释性预测,基于待预测路段的当前时间、天气和事件信息从构建的高速路况知识图谱中检索历史相似路况数据;

40、可解释性预测模块,被配置为将待预测路段的模块化自然语言文本和历史相似路况数据输入大语言模型;通过大语言模型的思维链推理生成候选路况预测结果。

41、一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述的基于人工智能的高速路况预测方法中的步骤。

42、一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述的基于人工智能的高速路况预测方法中的步骤。

43、与现有技术相比,本发明的有益效果为:

44、本发明通过对多源异构高速交通数据进行统一结构化和语言化处理,使来自不同业务系统、不同时间粒度和不同空间表达方式的数据能够被整合到同一预测流程中,并在此基础上通过lightgbm 判别模型先行完成快速初判,再依据强化学习后的大模型自动决定是否进行深度可解释推理。当当前路况存在预测不确定性或复杂风险因素时,系统进一步利用五维高速路况知识图谱检索历史相似路况数据,使大语言模型能够结合当前交通状态和历史相似案例进行多路径推理,并通过 token 级置信度融合确定最终预测结果。由此,本实施例能够在保证预测效率的同时,提高复杂交通场景下路况预测结果的稳定性、可信度和可解释性,

45、本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。