本發明涉及交通調度領域，具體涉及一種交通調度方法、裝置、設備、介質及程序產品。

背景技術：

1、隨著科技的進步和汽車工業的發展，大型城市、港口和交通樞紐等地的車流量越來越大，交通管理調度面臨著越來越復雜的挑戰。特別是在含有紅綠燈和可變車道等交通節點的復雜場景下，如何進行合理調度來緩解交通狀況是一大難題。

2、目前，相關技術中的交通調度方案通常依賴于規則驅動的算法，這種方式的數據處理能力較差，僅適用于簡單道路場景，難以應對日益復雜的交通狀況，導致交通擁堵、事故頻發等問題日益嚴重。

技術實現思路

1、本發明的目的之一在于提供一種交通調度方法、裝置、設備、介質及程序產品，以解決無法針對交通狀況進行合理調度的問題。

2、為了實現上述目的，本發明采用的技術方案如下：

3、一種交通調度方法，包括：

4、獲獲取目標區域的實時交通數據；

5、通過預訓練的深度學習模型對所述實時交通數據進行處理，得到交通預測結果，所述交通預測結果表征所述目標區域未來的交通狀況；

6、基于所述交通預測結果制定并執行交通調度策略，所述交通調度策略包括調度交通節點和/或展示通行指導信息，所述調度交通節點包括調整所述目標區域內的交通信號燈時長和/或調控所述目標區域內的道路。

7、進一步，基于所述交通預測結果制定并執行交通調度策略，包括：

8、基于遺傳算法初始化第一代個體，所述第一代個體的基因表征所述調度交通節點的行為；

9、根據所述交通預測結果確定適應度函數；

10、通過改變所述基因的數值對所述第一代個體進行迭代，并根據所述適應度函數計算每個個體的適應度值；

11、根據所述適應度值選擇目標個體，直至達到迭代的終止條件；

12、迭代終止后，根據選擇的目標個體的基因制定交通調度策略。

13、進一步，根據所述交通預測結果確定適應度函數，包括：

14、根據所述交通預測結果從交通流量、擁堵指數和事故風險中選取至少一項指標；

15、根據選取的指標構建適應度函數。

16、進一步，實時交通數據包括點云特征、圖像特征和所述目標區域內交通節點的指示信息，所述通過預訓練的深度學習模型對所述實時交通數據進行處理，包括：

17、將所述點云特征和所述圖像特征分別映射至所述目標區域對應的三維空間，并根據映射結果確定所述三維空間的語義信息；

18、將所述指示信息和所述語義信息輸入至預訓練的深度學習模型，獲取所述深度學習模型輸出的交通預測結果。

19、進一步，預訓練的深度學習模型通過以下方式得到：

20、獲取歷史交通數據；

21、根據所述歷史交通數據構建訓練集和驗證集；

22、基于所述訓練集中的數據對初始模型進行訓練，所述初始模型為基于鳥瞰融合架構的深度學習模型；

23、基于所述驗證集中的數據調整訓練后的初始模型的參數，以得到預訓練的深度學習模型。

24、進一步，展示通行指導信息，包括：

25、將所述通行指導信息顯示在所述目標區域內的顯示屏上；

26、和/或，

27、將所述通行指導信息推送至用戶使用的終端設備。

28、一種交通調度裝置，包括：

29、獲取模塊，用于獲取目標區域的實時交通數據；

30、模型處理模塊，用于通過預訓練的深度學習模型對所述實時交通數據進行處理，得到交通預測結果，所述交通預測結果表征所述目標區域未來的交通狀況；

31、調度模塊，用于基于所述交通預測結果制定并執行交通調度策略，所述交通調度策略包括調度交通節點和/或展示通行指導信息，所述調度交通節點包括調整所述目標區域內的交通信號燈時長和/或調控所述目標區域內的道路。

32、一種電子設備，包括：處理器，以及與所述處理器通信連接的存儲器；

33、所述存儲器存儲計算機執行指令；

34、所述處理器執行所述存儲器存儲的計算機執行指令，以實現如以上任一項所述的交通調度方法。

35、一種計算機可讀存儲介質，包括：所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現如以上任一項所述的交通調度方法。

36、一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現如以上任一項所述的交通調度方法。

37、本發明的有益效果：通過預先使用交通數據訓練深度學習模型，可以使深度學習模型自動學習交通模式和規律，并根據實時交通數據提供高精度和實時性的交通預測結果，降低交通調度的難度，從而可以借助交通預測結果進行有效調度，緩解交通擁堵，改善交通狀況。

技術特征：

1.一種交通調度方法，其特征在于，包括：

2.根據權利要求1所述的交通調度方法，其特征在于，所述基于所述交通預測結果制定并執行交通調度策略，包括：

3.根據權利要求2所述的交通調度方法，其特征在于，所述根據所述交通預測結果確定適應度函數，包括：

4.根據權利要求1至3任一項所述的交通調度方法，其特征在于，所述實時交通數據包括點云特征、圖像特征和所述目標區域內交通節點的指示信息，所述通過預訓練的深度學習模型對所述實時交通數據進行處理，包括：

5.根據權利要求1至3任一項所述的交通調度方法，其特征在于，所述預訓練的深度學習模型通過以下方式得到：

6.根據權利要求1至3任一項所述的交通調度方法，其特征在于，所述展示通行指導信息，包括：

7.一種交通調度裝置，其特征在于，包括：

8.一種電子設備，其特征在于，包括：處理器，以及與所述處理器通信連接的存儲器；

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有計算機執行指令，所述計算機執行指令被處理器執行時用于實現如權利要求1至6中任一項所述的方法。

10.一種計算機程序產品，其特征在于，包括計算機程序，該計算機程序被處理器執行時實現權利要求1至6中任一項所述的方法。

技術總結
本發明涉及一種交通調度方法、裝置、設備、介質及程序產品。該方法包括：獲取目標區域的實時交通數據，可以進一步通過預訓練的深度學習模型對實時交通數據進行處理，該交通預測結果可以表征所述目標區域未來的交通狀況，基于得到的交通預測結果制定并執行交通調度策略。通過預先使用交通數據訓練深度學習模型，可以使深度學習模型自動學習交通模式和規律，并根據實時交通數據提供高精度和實時性的交通預測結果，降低交通調度的難度，從而可以借助交通預測結果進行有效調度，緩解交通擁堵，改善交通狀況。

技術研發人員：張洋森,錢少華
受保護的技術使用者：重慶長安汽車股份有限公司
技術研發日：
技術公布日：2025/4/24