CN108629980A - 一种通过控制交通流量改善空气质量的方法 - Google Patents
一种通过控制交通流量改善空气质量的方法 Download PDFInfo
- Publication number
- CN108629980A CN108629980A CN201810682006.XA CN201810682006A CN108629980A CN 108629980 A CN108629980 A CN 108629980A CN 201810682006 A CN201810682006 A CN 201810682006A CN 108629980 A CN108629980 A CN 108629980A
- Authority
- CN
- China
- Prior art keywords
- data
- flow
- pollutant concentration
- traffic
- air pollutant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种通过控制交通流量改善空气质量的方法,包括:获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据;对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集;根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果;根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。通过上述方法,有效提高了通过控制交通流量改善空气质量的方法的精确度。
Description
技术领域
本申请涉及大数据处理技术领域,尤其涉及一种通过控制交通流量改善空气质量的方法。
背景技术
近些年,随着我国城市化进程的不断加快,城市交通拥堵、空气污染问题日益严重。由机动车带来的尾气、扬尘等交通污染逐渐成为城市空气污染的重要来源。因此,分析城市道路交通流量与空气污染物浓度间的关联性,将为协同治理交通与空气质量问题提供重要的理论参考。
目前,通常采用采样、平均值等方法建立交通流量与空气污染物浓度间的关联度,得到的关联结果的准确性较低,进而无法精确地通过控制交通流量改善空气污染程度。
发明内容
有鉴于此,本申请实施例提供了一种通过控制交通流量改善空气质量的方法,以解决现有技术中通过控制交通流量改善空气质量的方法精确度较低的问题。
本申请实施例的第一方面提供了一种通过控制交通流量改善空气质量的方法,包括:
获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据;
对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集;
根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果;
根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
本申请实施例的第二方面提供了一种通过控制交通流量改善空气质量的装置,包括:
获取单元,用于获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据;
预处理单元,用于对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集;
结果单元,用于根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果;
控制单元,用于根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
本申请实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例通过监测历史交通流量和历史空气污染物浓度,找到交通流量对空气污染物浓度的影响结果,并利用该影响结果控制交通流量,有效提高了通过控制交通流量改善空气质量的方法的精确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的通过控制交通流量改善空气质量的方法的实现流程示意图;
图2是本申请实施例提供的对历史交通流量数据和历史空气污染物浓度分别进行预处理的实现流程示意图;
图3是本申请实施例提供的通过控制交通流量改善空气质量的装置的示意图;
图4是本申请实施例提供的终端设备的示意图;
图5是本申请实施例提供的交通流量对PM2.5/NO2的影响结果的示意图;
图6是本申请实施例提供的车辆折算系数表;
图7是本申请实施例提供的空气污染物浓度的分级表。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
图1是本申请实施例提供的通过控制交通流量改善空气质量的方法的实现流程示意图,如图所示,所述方法可以包括以下步骤:
步骤S101,获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据。
在实际应用中,预设区域可以是人为预先设定的,例如:预设区域可以是石家庄市桥西区、裕华区等行政区域,还可以是裕华东路翟营大街至体育大街路段等某一路段,在此不做具体限定。其中,历史交通流量数据可以为经过预设区域内的汽车的数量。历史空气污染物浓度可以包括如PM2.5、PM10、SO2、CO、O3、NO2、CO2等空气污染物的浓度。需要说明的是,获取的预设区域内的历史交通流量数据和历史空气污染物浓度为相同时间段内的监测数据,换句话说,历史交通流量数据和历史空气污染物浓度具有时间相关性。示例性的,获取到的2018年1月1日09:00-10:00交通流量数据为1000辆,相应的,在该时间段内的空气污染物浓度的平均值为PM2.5为98μg/m3。
步骤S102,对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集。
在实际应用中,构建数据集,实际是根据历史交通流量数据和历史空气污染物浓度之间的时间关联性,将某一时间段内的交通流量数据和空气污染物浓度进行绑定,并将绑定后的一组一组的数据构建成数据的集合。数据集中的数据越多,越有利于找到交通流量与空气污染物浓度之间的关联性,所以需要尽可能多的获取历史交通流量数据和历史空气污染物浓度。构建数据集的过程实质上可以看作是收集大数据的过程,而后边的根据数据集获取交通流量对空气污染物浓度的影响结果,其实质上可以看作是大数据分析的过程。
步骤S103,根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
在本申请实施例中,所述根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果,包括:
根据所述数据集,并基于Apriori算法获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
其中,Apriori算法是一种挖掘关联规则的频繁项集算法,该关联规则在分类上属于单维、单层、布尔关联规则。所有支持度大于最小支持度的项集称为频繁项集,简称频集。该算法的基本思想是:首先找出所有的频集,这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则,这些规则必须满足最小支持度和最小可信度。然后使用已找到的频集产生期望的规则,产生只包含集合的项的所有规则,其中每一条规则的右部只有一项,这里采用的是中规则的定义。一旦这些规则被生成,那么只有那些大于用户给定的最小可信度的规则才被留下来。
步骤S104,根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
在实际应用中,可以根据历史交通流量对历史空气污染物浓度的影响结果,以及当前预设区域内的空气污染物浓度,对当前的交通流量进行控制,以改善当前预设区域内的空气质量。
本申请实施例通过监测历史交通流量和历史空气污染物浓度,找到交通流量对空气污染物浓度的影响结果,并利用该影响结果控制交通流量,有效提高了通过控制交通流量改善空气质量的方法的精确度。
图2是本申请实施例提供的对历史交通流量数据和历史空气污染物浓度分别进行预处理的实现流程示意图,如图2所示,图1所对应的实施例中步骤S102中的对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,可以包括以下步骤:
步骤S201,对所述历史交通流量数据进行数据清洗得到第一清洗数据,对所述历史空气污染物浓度进行数据清洗得到第二清洗数据。
在本申请实施例中,步骤S201包括:
计算所述历史交通流量数据的平均值得到第一平均值,计算所述历史空气污染物浓度的平均值得到第二平均值。
若所述历史交通流量数据中存在大于或等于所述第一平均值的数据,则将该数据作为第一清洗数据。
若所述历史空气污染物浓度数据中存在大于或等于所述第二平均值的数据,则将该数据作为第二清洗数据。
步骤S202,对所述第一清洗数据进行数据转换得到标准流量数据。
在本申请实施例中,所述历史交通流量数据包括:
车型、所述车型的数量。
在本申请实施例中,步骤S202包括:
基于所述车型、所述车型的数量以及预设的车辆折算系数,将所述车型的数量转换成标准流量数据。
示例性的,参见图6,图6是本申请实施例提供的车辆折算系数表。如图所示,小客车的折算系数为1,中型客车的折算系数为1.5,大客车的折算系数为2。假设预设区域内某一时间段内小客车10辆,中型客车10辆,大客车10量,则根据车辆折算系数,得到小客车对应的标准流量数据为10辆,中型客车对应的标准流量数据为15辆,大客车对应的标准流量数据为20辆,所以总共的标准流量数据为45辆。需要说明的是,此处只是如何对交通流量数据进行转换得到标准流量数据的一个示例,并不对车辆折算系数做具体限定。
在本申请实施例中,在对所述第一清洗数据进行数据转换得到标准流量数据之后,还包括:
挖掘所述第二清洗数据和所述标准流量数据之间的关联性,得到关联结果。
相应的,所述根据所述数据集,并基于Apriori算法获得所述预设区域内的交通流量对空气污染物浓度的影响结果,包括:
根据所述关联结果确定所述Apriori算法的参数,所述参数包括:支持度、置信度、提升度。
将所述数据集作为所述Apriori算法的输入,并根据所述参数输出影响结果。
在实际应用中,可以先利用现有的关联性分析方法、回归性分析方法等,挖掘交通流量数据与空气污染物浓度数据之间的关联性,得到关联结果;再根据关联结果确定Apriori算法的参数,最后再利用Apriori算法得到交通流量对空气污染物浓度的影响结果。
参见图5,图5是本申请实施例提供的交通流量对PM2.5/NO2的影响结果的示意图。如图所示,表中第一列表示离散后的交通流量数据,表中第二列表示离散后的空气污染浓度,表中第三列表示支持度,表中第四列表示置信度,表中第五列表示提升度,表中第六列表示当前行的数据是否有意义。
从图中可知,在交通流量对PM2.5浓度的影响结果中的提升度都小于1,即这些影响结果均为无效的;第5、8行这两条交通流量对NO2浓度的影响结果的提升度大于1,即这些影响结果为有效、实用的。由此可见,当前预设区域内交通流量对NO2浓度的影响性比对PM2.5的影响性强。
进一步的,第5行的影响结果表面,有30%的可能性当交通流量达到3级及以上时,NO2浓度达到3级及以上,该影响结果的普遍性达到40%且为有效。第8行的影响结果表面,有83.3%的可能性当交通流量降低达到2级及以下时,NO2浓度降低到2级及以下,这说明交通流量的减少,对缓解NO2浓度有一定的作用。
步骤S203,对所述标准流量数据进行离散化得到第一离散数据,对所述第二清洗数据进行离散化得到第二离散数据。
在本申请实施例中,步骤S203包括:
将所述标准流量数据按照第一预设分类标准进行分类,并对分类后的标准流量数据进行类别标记,得到第一离散数据。
将所述第二清洗数据按照第二预设分类标准进行分类,并对分类后的第二清洗数据进行类别标记,得到第二离散数据。
其中,第一预设分类标准、第二预设分类标准可以是人为预先设定的。示例性的,假设第一预设分类标准为,标准流量数据小于或等于100辆时为第一类,标准流量数据大于100辆、小于或等于500辆时为第二类,标准流量数据小于500辆、小于或等于100辆时为第三类。在此不做具体限定。第二预设分类标准可参见图7,图7是本申请实施例提供的空气污染物浓度的分级表。在实际应用中,可根据如图7中所示的分级表,将空气污染物浓度进行级别分类(即表中的级别),进而得到空气污染物浓度的离散数据。图7中只是一个示例,并不对如何划分级别做具体限定。
本申请实施例通过对历史交通流量数据和历史空气污染物分别进行数据清洗,使得能够从获取的大量数据中挑选出有效数据;通过数据转换,将获取到的数据标准化为统一的数据;通过数据离散化处理,将连续的、实时变化的数据离散成数据集。通过上述预处理方法,为获取交通流量对空气污染物浓度的影响结果提供了更为可靠的数据。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
图3是本申请实施例提供的通过控制交通流量改善空气质量的装置的示意图,为了便于说明,仅示出与本申请实施例相关的部分。
图3所示的通过控制交通流量改善空气质量的装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中,还可以作为独立的终端设备存在。
如图所示,所述通过控制交通流量改善空气质量的装置4包括:
获取单元31,用于获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据。
预处理单元32,用于对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集。
结果单元33,用于根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
控制单元34,用于根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
可选的,所述预处理单元32包括:
清洗模块,用于对所述历史交通流量数据进行数据清洗得到第一清洗数据,对所述历史空气污染物浓度进行数据清洗得到第二清洗数据。
转换模块,用于对所述第一清洗数据进行数据转换得到标准流量数据。
离散模块,用于对所述标准流量数据进行离散化得到第一离散数据,对所述第二清洗数据进行离散化得到第二离散数据。
可选的,所述清洗模块包括:
计算子模块,用于计算所述历史交通流量数据的平均值得到第一平均值,计算所述历史空气污染物浓度的平均值得到第二平均值。
第一判断子模块,用于若所述历史交通流量数据中存在大于或等于所述第一平均值的数据,则将该数据作为第一清洗数据。
第二判断子模块,用于若所述历史空气污染物浓度数据中存在大于或等于所述第二平均值的数据,则将该数据作为第二清洗数据。
可选的,所述历史交通流量数据包括:
车型、所述车型的数量。
进一步的,所述转换模块包括:
转换子模块,用于基于所述车型、所述车型的数量、以及预设的车辆折算系数,将所述车型的数量转换成标准流量数据。
可选的,所述离散模块包括:
第一离散子模块,用于将所述标准流量数据按照第一预设分类标准进行分类,并对分类后的标准流量数据进行类别标记,得到第一离散数据。
第二离散子模块,用于将所述第二清洗数据按照第二预设分类标准进行分类,并对分类后的第二清洗数据进行类别标记,得到第二离散数据。
可选的,所述预处理单元32还包括:
挖掘模块,用于在对所述第一清洗数据进行数据转换得到标准流量数据之后,挖掘所述第二清洗数据和所述标准流量数据之间的关联性,得到关联结果。
可选的,所述结果单元33包括:
结果模块,用于根据所述数据集,并基于Apriori算法获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
进一步的,所述结果模块包括:
确定子模块,用于根据所述关联结果确定所述Apriori算法的参数,所述参数包括:支持度、置信度、提升度。
输入子模块,用于将所述数据集作为所述Apriori算法的输入,并根据所述参数输出影响结果。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图4是本申请实施例提供的终端设备的示意图。如图4所示,该实施例的终端设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个通过控制交通流量改善空气质量的方法实施例中的步骤,例如图1所示的步骤S101至S104。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块31至34的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如,所述计算机程序42可以被分割成获取单元、预处理单元、结果单元、控制单元,各单元具体功能如下:
获取单元,用于获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据。
预处理单元,用于对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集。
结果单元,用于根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
控制单元,用于根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
可选的,所述预处理单元包括:
清洗模块,用于对所述历史交通流量数据进行数据清洗得到第一清洗数据,对所述历史空气污染物浓度进行数据清洗得到第二清洗数据。
转换模块,用于对所述第一清洗数据进行数据转换得到标准流量数据。
离散模块,用于对所述标准流量数据进行离散化得到第一离散数据,对所述第二清洗数据进行离散化得到第二离散数据。
可选的,所述清洗模块包括:
计算子模块,用于计算所述历史交通流量数据的平均值得到第一平均值,计算所述历史空气污染物浓度的平均值得到第二平均值。
第一判断子模块,用于若所述历史交通流量数据中存在大于或等于所述第一平均值的数据,则将该数据作为第一清洗数据。
第二判断子模块,用于若所述历史空气污染物浓度数据中存在大于或等于所述第二平均值的数据,则将该数据作为第二清洗数据。
可选的,所述历史交通流量数据包括:
车型、所述车型的数量。
进一步的,所述转换模块包括:
转换子模块,用于基于所述车型、所述车型的数量、以及预设的车辆折算系数,将所述车型的数量转换成标准流量数据。
可选的,所述离散模块包括:
第一离散子模块,用于将所述标准流量数据按照第一预设分类标准进行分类,并对分类后的标准流量数据进行类别标记,得到第一离散数据。
第二离散子模块,用于将所述第二清洗数据按照第二预设分类标准进行分类,并对分类后的第二清洗数据进行类别标记,得到第二离散数据。
可选的,所述预处理单元32还包括:
挖掘模块,用于在对所述第一清洗数据进行数据转换得到标准流量数据之后,挖掘所述第二清洗数据和所述标准流量数据之间的关联性,得到关联结果。
可选的,所述结果单元包括:
结果模块,用于根据所述数据集,并基于Apriori算法获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
进一步的,所述结果模块包括:
确定子模块,用于根据所述关联结果确定所述Apriori算法的参数,所述参数包括:支持度、置信度、提升度。
输入子模块,用于将所述数据集作为所述Apriori算法的输入,并根据所述参数输出影响结果。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端设备4的示例,并不构成对终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种通过控制交通流量改善空气质量的方法,其特征在于,包括:
获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据;
对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集;
根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果;
根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
2.如权利要求1所述的通过控制交通流量改善空气质量的方法,其特征在于,所述对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,包括:
对所述历史交通流量数据进行数据清洗得到第一清洗数据,对所述历史空气污染物浓度进行数据清洗得到第二清洗数据;
对所述第一清洗数据进行数据转换得到标准流量数据;
对所述标准流量数据进行离散化得到第一离散数据,对所述第二清洗数据进行离散化得到第二离散数据。
3.如权利要求2所述的通过控制交通流量改善空气质量的方法,其特征在于,所述对所述历史交通流量数据进行数据清洗得到第一清洗数据,对所述历史空气污染物浓度进行数据清洗得到第二清洗数据,包括:
计算所述历史交通流量数据的平均值得到第一平均值,计算所述历史空气污染物浓度的平均值得到第二平均值;
若所述历史交通流量数据中存在大于或等于所述第一平均值的数据,则将该数据作为第一清洗数据;
若所述历史空气污染物浓度数据中存在大于或等于所述第二平均值的数据,则将该数据作为第二清洗数据。
4.如权利要求2所述的通过控制交通流量改善空气质量的方法,其特征在于,所述历史交通流量数据包括:
车型、所述车型的数量;
所述对所述第一清洗数据进行数据转换得到标准流量数据,包括:
基于所述车型、所述车型的数量、以及预设的车辆折算系数,将所述车型的数量转换成标准流量数据。
5.如权利要求2所述的通过控制交通流量改善空气质量的方法,其特征在于,所述对所述标准流量数据进行离散化得到第一离散数据,对所述第二清洗数据进行离散化得到第二离散数据,包括:
将所述标准流量数据按照第一预设分类标准进行分类,并对分类后的标准流量数据进行类别标记,得到第一离散数据;
将所述第二清洗数据按照第二预设分类标准进行分类,并对分类后的第二清洗数据进行类别标记,得到第二离散数据。
6.如权利要求2所述的通过控制交通流量改善空气质量的方法,其特征在于,在对所述第一清洗数据进行数据转换得到标准流量数据之后,还包括:
挖掘所述第二清洗数据和所述标准流量数据之间的关联性,得到关联结果;
所述根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果,包括:
根据所述数据集,并基于Apriori算法获得所述预设区域内的交通流量对空气污染物浓度的影响结果。
7.如权利要求6所述的通过控制交通流量改善空气质量的方法,其特征在于,所述根据所述数据集,并基于Apriori算法获得所述预设区域内的交通流量对空气污染物浓度的影响结果,包括:
根据所述关联结果确定所述Apriori算法的参数,所述参数包括:支持度、置信度、提升度;
将所述数据集作为所述Apriori算法的输入,并根据所述参数输出影响结果。
8.一种通过控制交通流量改善空气质量的装置,其特征在于,包括:
获取单元,用于获取预设区域内的历史交通流量数据和历史空气污染物浓度,所述历史交通流量数据和所述历史空气污染物浓度为相同时间段内的监测数据;
预处理单元,用于对所述历史交通流量数据和所述历史空气污染物浓度分别进行预处理,并利用预处理后的历史交通流量数据和预处理后的历史空气污染物浓度构建数据集;
结果单元,用于根据所述数据集,获得所述预设区域内的交通流量对空气污染物浓度的影响结果;
控制单元,用于根据所述预设区域内的交通流量对空气污染物浓度的影响结果,控制所述预设区域内的交通流量。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682006.XA CN108629980B (zh) | 2018-06-27 | 2018-06-27 | 一种通过控制交通流量改善空气质量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810682006.XA CN108629980B (zh) | 2018-06-27 | 2018-06-27 | 一种通过控制交通流量改善空气质量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629980A true CN108629980A (zh) | 2018-10-09 |
CN108629980B CN108629980B (zh) | 2020-04-07 |
Family
ID=63689264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810682006.XA Active CN108629980B (zh) | 2018-06-27 | 2018-06-27 | 一种通过控制交通流量改善空气质量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629980B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784553A (zh) * | 2018-12-29 | 2019-05-21 | 沈阳建筑大学 | 一种室内pm2.5浓度预估方法 |
CN113077089A (zh) * | 2021-04-08 | 2021-07-06 | 中山大学 | 一种多因素对空气质量影响的评价方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289656A (zh) * | 2011-05-11 | 2011-12-21 | 苏州两江科技有限公司 | 一种测算交通流对于城市污染影响的方法 |
CN102682605A (zh) * | 2012-06-13 | 2012-09-19 | 长安大学 | 基于汽车排放的高速公路环境交通容量确定系统及方法 |
KR20140126493A (ko) * | 2013-04-23 | 2014-10-31 | 남서울대학교 산학협력단 | 대기환경을 고려한 교통류 제어 시스템 및 그 제어 방법 |
CN105426441A (zh) * | 2015-11-05 | 2016-03-23 | 华中科技大学 | 一种时间序列自动预处理方法 |
CN106781543A (zh) * | 2016-11-29 | 2017-05-31 | 银江股份有限公司 | 一种城市道路交叉口信号控制多目标优化方法 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
-
2018
- 2018-06-27 CN CN201810682006.XA patent/CN108629980B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102289656A (zh) * | 2011-05-11 | 2011-12-21 | 苏州两江科技有限公司 | 一种测算交通流对于城市污染影响的方法 |
CN102682605A (zh) * | 2012-06-13 | 2012-09-19 | 长安大学 | 基于汽车排放的高速公路环境交通容量确定系统及方法 |
KR20140126493A (ko) * | 2013-04-23 | 2014-10-31 | 남서울대학교 산학협력단 | 대기환경을 고려한 교통류 제어 시스템 및 그 제어 방법 |
CN105426441A (zh) * | 2015-11-05 | 2016-03-23 | 华中科技大学 | 一种时间序列自动预处理方法 |
CN106781543A (zh) * | 2016-11-29 | 2017-05-31 | 银江股份有限公司 | 一种城市道路交叉口信号控制多目标优化方法 |
CN108053071A (zh) * | 2017-12-21 | 2018-05-18 | 宇星科技发展(深圳)有限公司 | 区域空气污染物浓度预测方法、终端及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
徐成伟: "武汉市机动车尾气排放管理决策支持系统", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
徐晨雨 等: "北京市城市道路交通与大气污染关系探究", 《商业经济》 * |
林运天 等: "Apriori 算法在城市交通流预测中的应用", 《测绘通报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109784553A (zh) * | 2018-12-29 | 2019-05-21 | 沈阳建筑大学 | 一种室内pm2.5浓度预估方法 |
CN109784553B (zh) * | 2018-12-29 | 2022-12-02 | 沈阳建筑大学 | 一种室内pm2.5浓度预估方法 |
CN113077089A (zh) * | 2021-04-08 | 2021-07-06 | 中山大学 | 一种多因素对空气质量影响的评价方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108629980B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
CN102779281B (zh) | 一种在地磁感应器上基于支持向量机的车型识别方法 | |
CN104750861B (zh) | 一种储能电站海量数据清洗方法及系统 | |
CN106951925A (zh) | 数据处理方法、装置、服务器及系统 | |
CN107038168A (zh) | 一种用户通勤轨迹管理方法、装置及系统 | |
CN105868787A (zh) | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 | |
CN102629305B (zh) | 一种面向snp数据的特征选择方法 | |
US20120041979A1 (en) | Method for generating context hierarchy and system for generating context hierarchy | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN106202335A (zh) | 一种基于云计算框架的交通大数据清洗方法 | |
CN108629980A (zh) | 一种通过控制交通流量改善空气质量的方法 | |
CN103516912A (zh) | 一种移动终端定位省电方法 | |
CN103336771A (zh) | 基于滑动窗口的数据相似检测方法 | |
CN106934417A (zh) | 一种面向混合属性的数据流自适应聚类方法 | |
CN105005584A (zh) | 一种多子空间Skyline查询计算方法 | |
CN109446243A (zh) | 一种基于大数据分析检测光伏电站发电异常的方法 | |
CN106709666A (zh) | 一种指标阈值确定方法及系统 | |
CN103699653A (zh) | 数据聚类方法和装置 | |
CN110837136B (zh) | 台风影响范围评估方法、装置、终端设备及存储介质 | |
CN113420197A (zh) | 光伏组件清洗检测方法、装置、终端设备及存储介质 | |
Luthfiani et al. | Waste management service in Indonesia based on stochastic frontier analysis | |
CN103927560B (zh) | 一种特征选择方法及装置 | |
CN112462752A (zh) | 智能小车的数据采集方法、设备、存储介质及装置 | |
CN106126739A (zh) | 一种处理业务关联数据的装置 | |
CN112529311B (zh) | 一种基于图卷积分析的道路流量预测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |