本發明涉及氣象檢測，尤其涉及一種基于人工智能的交通氣象信息系統。

背景技術：

1、氣象檢測技術領域旨在通過對各種氣象參數的監測和數據采集，實現對氣象條件的全面了解和精準預測，通過實時、準確的氣象數據獲取與分析，為天氣預報、災害預警、農業生產、交通管理等提供科學依據和決策支持，確保安全性和效率的提升。

2、基于人工智能的交通氣象信息系統主要目的在于通過對天氣變化、道路狀況及交通流量的實時監控和數據分析，為交通管理部門和出行人員提供實時信息和預警服務，從而優化交通流量，提升道路安全性并降低交通事故發生率，實現對未來交通和氣象狀態的精準預測與智能調控。

3、現有技術在對氣象參數和交通數據的監測與分析中，缺少對特定路段及交叉口的氣象風險分層級、細致化的動態評估，氣象參數的空間關聯存在割裂性，難以建立連續的風險梯度，影響評估的細化效果，對風險節點的偏差值缺乏逐層的深度篩選，導致異常情況的檢測精度欠缺，且無法實現數據的動態實時更新時，使高風險節點的評估結果滯后，無法及時作出預警響應，增加潛在的安全風險。

技術實現思路

1、本發明的目的是解決現有技術中存在的缺點，而提出的一種基于人工智能的交通氣象信息系統。

2、為了實現上述目的，本發明采用了如下技術方案：一種基于人工智能的交通氣象信息系統包括：

3、節點結構建模模塊：基于交通區域內的關鍵路段、交叉口和監控點，通過設定節點的空間位置和氣象參數，歸類生成各節點的關聯道路類型、氣象特征，并通過節點間相鄰關系的參數整合形成結構模型，建立交通節點結構模型；

4、氣象關聯圖生成模塊：基于所述交通節點結構模型，提取節點間的氣象特征，設定各節點間的關聯強度，通過加權運算逐層增加相鄰節點影響，獲得氣象關聯加權圖；

5、區域風險指數計算模塊：基于所述氣象關聯加權圖，采用圖卷積網絡，提取高風險節點的氣象參數偏差值，通過逐層計算與對比參數偏差，建立風險等級篩選，再次調用加權參數獲得各節點風險等級指數圖；

6、氣象風險評估模塊：基于所述區域風險指數圖，采用密度聚類算法，調用節點氣象參數，通過高斯分布對偏差值進行判定，同時通過動態遞進比較確定高風險節點的風險標記和參數超出等級，生成高風險節點等級標記表；

7、動態模型調整模塊：基于所述高風險節點等級標記表，調用最新觀測數據，比較并調整最新數據與標記節點參數的關聯強度，重新配置節點間的權重影響，生成實時更新的風險加權模型；

8、可信預警篩選模塊：基于所述實時更新的風險加權模型，按置信度閾值標記高置信度節點，將篩選后的節點等級依序記錄形成可信預警事件列表。

9、作為本發明的進一步方案，所述節點結構建模模塊包括節點位置設定子模塊、關聯道路分類子模塊、節點結構整合子模塊，其中：

10、節點位置設定子模塊：基于交通區域內的關鍵路段、交叉口和監控點，提取每個位置的空間坐標信息和氣象參數，進行坐標系統標準化，確認各監控點的精確位置，并調整數據中的誤差偏移，生成節點位置特征；

11、關聯道路分類子模塊：基于所述節點位置特征，分析各節點所在道路的物理連接關系，劃分道路等級與功能類型，歸類并標記各節點的道路類型和氣象特征，確認道路間的關聯屬性，生成道路氣象分類特征；

12、節點結構整合子模塊：基于所述道路氣象分類特征，提取每個節點與相鄰節點之間的空間距離參數，確認節點之間的直接連接關系，整合所有節點的相鄰關系，建立完整的節點結構模型，形成交通節點結構模型；

13、其中，所述交通節點結構模型包括節點位置坐標、關聯道路類型、氣象特征參數集。

14、作為本發明的進一步方案，所述氣象關聯圖生成模塊包括氣象特征提取子模塊、節點關聯強度設定子模塊、氣象加權圖生成子模塊，其中：

15、氣象特征提取子模塊：基于所述交通節點結構模型，提取節點間的氣象特征數據，分析各節點對應的氣象因素，整理氣象特征對道路狀態的影響，形成每個節點的氣象特征集合，生成節點間氣象特征；

16、節點關聯強度設定子模塊：基于所述節點間氣象特征，計算各節點之間的相互影響強度，分析每對節點的關聯性，生成量化的關聯強度值，整理成關聯強度的矩陣數據，生成節點關聯強度參數；

17、氣象加權圖生成子模塊：基于所述節點關聯強度參數，逐層遞進地進行相鄰節點的氣象特征加權計算，疊加節點影響，生成氣象關聯的網絡結構，獲取所有節點的加權關系圖，生成氣象關聯加權圖；

18、其中，所述氣象關聯加權圖包括風速加權值、溫度關聯值、濕度影響因子。

19、作為本發明的進一步方案，所述區域風險指數計算模塊包括高風險節點提取子模塊、風險等級篩選子模塊、節點風險指數生成子模塊，其中：

20、高風險節點提取子模塊：基于所述氣象關聯加權圖，采用圖卷積網絡，提取氣象參數波動明顯的節點，通過分析各節點的氣象參數變化范圍，篩選氣象參數偏差值較大的節點，確認參數偏差的閾值范圍，識別高偏差節點的數據特征，形成高風險節點偏差集；

21、風險等級篩選子模塊：基于所述高風險節點偏差集，逐層比較節點的氣象參數偏差值，按照風險等級標準對各節點的偏差數據分層歸類，劃分并標記各節點的風險等級，生成風險等級標記集；

22、節點風險指數生成子模塊：基于所述風險等級標記集，結合氣象關聯加權圖的權重參數，對標記的風險等級進行數值計算，合成各節點的風險指數數值，建立節點風險的量化表達，得到節點風險等級指數圖；

23、其中，所述區域風險指數圖包括風險偏差累積值、節點風險等級、區域風險權重分布。

24、作為本發明的進一步方案，所述圖卷積網絡，按照公式：

25、

26、其中：h(l+1)為節點i在第l+1層的特征表示，σ為激活函數，為鄰居節點j在第l層的特征表示，w(l)為第l層的權重矩陣，α表示與氣象參數波動偏差相關的權重系數，δpi表示節點i的氣象參數偏差值，β表示鄰居節點影響的權重系數，cj表示鄰居節點j的氣象參數波動特征，γ表示節點氣象環境復雜度的權重系數，mi表示節點i所處的氣象環境復雜度因子。

27、作為本發明的進一步方案，所述參數偏差的閾值范圍包括溫度偏差上限、濕度偏差上限和風速偏差下限，用于識別氣象參數異常波動的節點，所述風險等級標準具體包括低風險偏差范圍、中風險偏差范圍和高風險偏差范圍，用于分層歸類各節點的氣象參數偏差數據。

28、作為本發明的進一步方案，所述氣象風險評估模塊包括氣象參數調用子模塊、風險偏差判斷子模塊、高風險節點標記子模塊，其中：

29、氣象參數調用子模塊：基于所述節點風險等級指數圖，采用密度聚類算法，提取各節點的實時氣象參數數據，通過與基準范圍數據對比，確定各節點的當前偏差值，計算各節點的偏差數值集合，形成節點氣象偏差值集；

30、風險偏差判斷子模塊：基于所述節點氣象偏差值集，對比每個節點的偏差值范圍，計算并確定偏差超出基準的程度，劃分偏差等級并標記風險級別，生成偏差等級判定集；

31、高風險節點標記子模塊：基于所述偏差等級判定集，識別各節點的高風險標記，記錄風險等級及參數超出等級，將節點分類為高風險，形成包含風險標記和等級的高風險節點等級標記表；

32、其中，所述高風險節點等級標記表包括風險節點標記、風險級別標簽、參數超出范圍類別。

33、作為本發明的進一步方案，所述密度聚類算法，按照公式：

34、

35、其中：表示節點i的調整后的偏差距離，k表示所選取的鄰近節點數量，pi表示節點i的實時氣象參數值向量，pj表示與節點i鄰近的節點j的氣象參數值向量，∥pi-pj∥表示節點i和節點j之間的氣象參數差異的歐幾里得距離，ti節點i的當前溫度值，ri為節點i的降雨量數據，vi為節點i的風速值，bi為節點i的氣壓值，w1、w2、w3、w4為各氣象參數的權重系數。

36、作為本發明的進一步方案，所述動態模型調整模塊包括數據關聯調整子模塊、節點權重配置子模塊、風險模型更新子模塊，其中：

37、數據關聯調整子模塊：基于所述高風險節點等級標記表，調用最新觀測數據，提取標記節點的最新觀測參數，計算最新數據與歷史標記的偏差值，通過逐項比較確認偏差范圍內的變化，并調整標記節點與其他節點的關聯強度，生成更新后的關聯強度集；

38、節點權重配置子模塊：基于所述更新后的關聯強度集，對節點間的權重分配進行調整，提取每個節點的最新關聯強度值，分析關聯強度在網絡中的分布比例，并重新配置節點間的權重影響力，確保權重符合最新數據關系，得到節點權重配置表；

39、風險模型更新子模塊：基于所述節點權重配置表，整合最新的節點權重和關聯關系，進行節點權重的加權計算，將節點間的最新加權信息融入整體網絡模型，生成當前節點間的加權影響模型，得到實時風險加權模型；

40、其中，所述實時更新的風險加權模型包括節點權重調整值、更新后的風險強度、節點間修正系數。

41、作為本發明的進一步方案，所述可信預警篩選模塊包括置信度篩選子模塊、節點等級排序子模塊、預警事件記錄子模塊，其中：

42、置信度篩選子模塊：基于所述實時風險加權模型，設定置信度篩選閾值，對比各節點的置信度值，篩選出符合高置信度條件的節點，標記高置信度節點，并生成高置信度節點集；

43、節點等級排序子模塊：基于所述高置信度節點集，依節點的風險等級進行排序，提取高置信度節點的風險等級數值，按降序排列節點，構建節點的等級排序列表，得到節點等級排序表；

44、預警事件記錄子模塊：基于所述節點等級排序表，逐條記錄排序后的高置信度節點，將各節點的風險等級和標記信息整理為預警事件記錄，形成包含節點風險等級的可信預警事件列表；

45、其中，所述可信預警事件列表包括可信預警節點編號、預警等級標識、置信度閾值分類。

46、與現有技術相比，本發明的優點和積極效果在于：

47、1.本發明中，通過圖卷積網絡對氣象關聯圖進行深入解析，逐層提取高風險節點的氣象參數偏差值，結合偏差對比生成風險等級，使氣象參數的偏差逐層篩選與評估，確保風險檢測精確且具有層次性；

48、2.本發明中，通過密度聚類算法進一步細化高風險節點的判定，并通過高斯分布實現動態遞進的風險級別判定，形成對偏差值的精準分析，并標記節點的風險等級，提升風險評估的精細度與適應性；

49、3.本發明中，通過置信度閾值篩選出高置信度節點并生成可信預警列表，提高了氣象風險評估的精確性與實時性，使得預測更具實用性和可靠性。