CN108764575A - 一种智能交通系统 - Google Patents
一种智能交通系统 Download PDFInfo
- Publication number
- CN108764575A CN108764575A CN201810542326.5A CN201810542326A CN108764575A CN 108764575 A CN108764575 A CN 108764575A CN 201810542326 A CN201810542326 A CN 201810542326A CN 108764575 A CN108764575 A CN 108764575A
- Authority
- CN
- China
- Prior art keywords
- data
- cluster
- result
- initial point
- point
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种智能交通系统,包括数据采集模块、第一通信模块、数据处理中心、第二通信模块和车辆终端,所述数据采集模块用于对交通数据进行采集,所述第一通信模块用于将采集的数据发送至数据处理中心,所述数据处理中心用于对数据进行聚类处理,所述第二通信模块用于将聚类数据发送给车辆终端,所述车辆终端用于接收所述聚类数据,根据数据对行驶路径进行规划。本发明的有益效果为:提供了一种智能交通系统,通过对数据进行采集和聚类处理,车辆终端能够及时根据数据做出最佳路径选择。
Description
技术领域
本发明涉及交通技术领域,具体涉及一种智能交通系统。
背景技术
随着计算机技术的全面普及和高速发展,各领域的数据信息量随之急速增长,获得数据信息的手段越来越丰富,人们对于处理数据的要求也越来越高。在数据挖掘中,聚类分析是最成熟且广泛用于处理信息的技术之一,也是人们能够快速从数据中发现有用信息的重要手段之一。
智能交通系统的发展依赖于强大的数据处理能力和通信能力,现有的智能交通系统不能满足城市建设的需求。
发明内容
针对上述问题,本发明旨在提供一种智能交通系统。
本发明的目的采用以下技术方案来实现:
提供了一种智能交通系统,包括数据采集模块、第一通信模块、数据处理中心、第二通信模块和车辆终端,所述数据采集模块用于对交通数据进行采集,所述第一通信模块用于将采集的数据发送至数据处理中心,所述数据处理中心用于对数据进行聚类处理,所述第二通信模块用于将聚类数据发送给车辆终端,所述车辆终端用于接收所述聚类数据,根据数据对行驶路径进行规划。
本发明的有益效果为:提供了一种智能交通系统,通过对数据进行采集和聚类处理,车辆终端能够及时根据数据做出最佳路径选择。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是本发明的结构示意图;
附图标记:
数据采集模块1、第一通信模块2、数据处理中心3、第二通信模块4、车辆终端5。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1,本实施例的一种智能交通系统,包括数据采集模块1、第一通信模块2、数据处理中心3、第二通信模块4和车辆终端5,所述数据采集模块1用于对交通数据进行采集,所述第一通信模块2用于将采集的数据发送至数据处理中心3,所述数据处理中心3用于对数据进行聚类处理,所述第二通信模块4用于将聚类数据发送给车辆终端5,所述车辆终端5用于接收所述聚类数据,根据数据对行驶路径进行规划。
本实施例提供了一种智能交通系统,通过对数据进行采集和聚类处理,车辆终端能够及时根据数据做出最佳路径选择。
优选的,所述数据处理中心3包括一次处理模块、二次处理模块和三次处理模块,所述一次处理模块用于对数据进行聚类,获取数据聚类结果,所述二次处理模块用于对根据数据聚类结果对所述一次处理模块的聚类效果进行评价,获取评价结果,所述三次处理模块用于将评价结果反馈给一次处理模块。
本优选实施例数据处理中心实现了数据的采集、聚类以及对聚类效果的评价,通过将评价结果反馈给一次处理模块,便于对一次处理模块进行改进。
优选的,所述一次处理模块包括一次聚类子模块、二次聚类子模块和三次聚类子模块,所述一次聚类子模块用于对数据进行一次聚类,获取一次聚类结果,所述二次聚类子模块用于对数据进行二次聚类,获取二次聚类结果,所述三次聚类子模块用于对所述一次聚类结果和二次聚类结果进行融合,获取数据聚类结果;
所述一次聚类子模块用于对数据进行一次聚类,获取一次聚类结果:
设采集的数据集合为RL={s1,s2,…,sN},N表示数据的个数,将数据划分为M个互不相交的簇Z1,Z2,…,ZM,选定M个初始点,使用下式确定聚类准则:
上述式子中,GP1(s1,s2,…,sM)表示第一聚类函数,表示簇中的各数据si到簇中心数据ck的欧式距离平方和,表示簇内误差,si为数据集中的元素,i=1,2,…,N,Zk表示第k个簇,k=1,2,…,M,
求取GP1(s1,s2,…,sM)的最小化结果,将GP1(s1,s2,…,sM)最小化结果作为一次聚类结果;
所述M个初始点采用以下方式选取:假定数据聚类数目为1,此时,M=1,将数据集合的中心作为初始点;假定数据聚类数目为2,此时,M=2,进行N次k-均值运算,每一次进行k-均值运算的初始点通过以下方式选择:第一个初始点总是M=1时数据集合的中心,在第i(i=1,2,…,N)次运行时第二个初始点为数据si(i=1,2,…,N),在进行N次k-均值运算后,选择使得簇中的各数据到簇中心数据的欧式距离平方和最小的数据点作为最终的第二个初始点;依此类推,得到最终的M个初始点;
所述二次聚类子模块用于对数据进行二次聚类,获取二次聚类结果:
设采集的数据集合为RL={s1,s2,…,sN},N表示数据的个数,将数据划分为M个互不相交的簇Z1,Z2,…,ZM,根据一次聚类结果对聚类的簇进行检测,若发现只包含一个数据的簇,则在数据集中删除此数据点,采用以下方式确定M个初始点:假定数据聚类数目为1,此时,M=1,将数据集合的中心作为初始点;假定数据聚类数目为2,此时,M=2,进行N-1次k-均值运算,每一次进行k-均值运算的初始点通过以下方式选择:第一个初始点总是M=1时数据集合的中心,在第i(i=1,2,…,N-1)次运行时第二个初始点为数据si(i=1,2,…,N-1),在进行N次k-均值运算后,选择使得簇中的各数据到簇中心数据的欧式距离平方和最小的数据点作为最终的第二个初始点;依此类推,得到最终的M个初始点;
使用下式确定聚类准则:
上述式子中,GP2(s1,s2,…,sM)表示第二聚类函数,表示簇中的各数据si到簇中心数据ck的欧式距离平方和,表示簇内误差,si为数据集中的元素,i=1,2,…,N,Zk表示第k个簇,k=1,2,…,M,
求取GP2(s1,s2,…,sM)的最小化结果,将GP2(s1,s2,…,sM)最小化结果作为二次聚类结果;
所述三次聚类子模块用于对所述一次聚类结果和二次聚类结果进行融合,获取数据聚类结果:
若一次聚类结果和二次聚类结果相同,则将一次聚类结果作为数据聚类结果,若一次聚类结果和二次聚类结果不同,则将二次聚类结果作为数据聚类结果。
本优选实施例一次处理模块实现了数据的准确聚类,获取了全局的最优聚类结果,在对数据进行一次聚类和二次聚类的基础上进行融合聚类,提高了准确性的同时提高了聚类效率。
优选的,所述二次处理模块用于对聚类效果进行评价:
依据簇内数据之间的接近程度和簇与簇之间距离的大小对聚类效果进行评价,所述簇内数据之间的接近程度用簇内数据的方差衡量,方差越小,簇内数据之间越接近,聚类效果越好;
所述簇与簇之间距离的大小用某一簇的平方和与整个数据集的平方和之比衡量,比值越大,簇与簇之间的距离越大,聚类效果越好。
本优选实施例二次处理模块采用簇内数据之间的接近程度和簇与簇之间距离的大小对聚类效果进行评价,简单易行,且评价准确。
采用本发明智能交通系统,选取5个城市进行实验,分别为城市1、城市2、城市3、城市4、城市5,对城市交通拥堵时间和车辆排放污染物减少进行统计,同现有智能交通系统相比,产生的有益效果如下表所示:
城市交通拥堵时间减少 | 车辆排放污染物减少 | |
城市1 | 29% | 27% |
城市2 | 27% | 26% |
城市3 | 26% | 26% |
城市4 | 25% | 24% |
城市5 | 24% | 22% |
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术城市应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种智能交通系统,其特征在于,包括数据采集模块、第一通信模块、数据处理中心、第二通信模块和车辆终端,所述数据采集模块用于对交通数据进行采集,所述第一通信模块用于将采集的数据发送至数据处理中心,所述数据处理中心用于对数据进行聚类处理,所述第二通信模块用于将聚类数据发送给车辆终端,所述车辆终端用于接收所述聚类数据,根据数据对行驶路径进行规划。
2.根据权利要求1所述的智能交通系统,其特征在于,所述数据处理中心包括一次处理模块、二次处理模块和三次处理模块,所述一次处理模块用于对数据进行聚类,获取数据聚类结果,所述二次处理模块用于对根据数据聚类结果对所述一次处理模块的聚类效果进行评价,获取评价结果,所述三次处理模块用于将评价结果反馈给一次处理模块。
3.根据权利要求2所述的智能交通系统,其特征在于,所述一次处理模块包括一次聚类子模块、二次聚类子模块和三次聚类子模块,所述一次聚类子模块用于对数据进行一次聚类,获取一次聚类结果,所述二次聚类子模块用于对数据进行二次聚类,获取二次聚类结果,所述三次聚类子模块用于对所述一次聚类结果和二次聚类结果进行融合,获取数据聚类结果。
4.根据权利要求3所述的智能交通系统,其特征在于,所述一次聚类子模块用于对数据进行一次聚类,获取一次聚类结果:
设采集的数据集合为RL={s1,s2,…,sN},N表示数据的个数,将数据划分为M个互不相交的簇Z1,Z2,…,ZM,选定M个初始点,使用下式确定聚类准则:
上述式子中,GP1(s1,s2,…,sM)表示第一聚类函数,表示簇中的各数据si到簇中心数据ck的欧式距离平方和,表示簇内误差,si为数据集中的元素,i=1,2,…,N,Zk表示第k个簇,k=1,2,…,M,
求取GP1(s1,s2,…,sM)的最小化结果,将GP1(s1,s2,…,sM)最小化结果作为一次聚类结果;
所述M个初始点采用以下方式选取:假定数据聚类数目为1,此时,M=1,将数据集合的中心作为初始点;假定数据聚类数目为2,此时,M=2,进行N次k-均值运算,每一次进行k-均值运算的初始点通过以下方式选择:第一个初始点总是M=1时数据集合的中心,在第i(i=1,2,…,N)次运行时第二个初始点为数据si(i=1,2,…,N),在进行N次k-均值运算后,选择使得簇中的各数据到簇中心数据的欧式距离平方和最小的数据点作为最终的第二个初始点;依此类推,得到最终的M个初始点;
所述二次聚类子模块用于对数据进行二次聚类,获取二次聚类结果:
设采集的数据集合为RL={s1,s2,…,sN},N表示数据的个数,将数据划分为M个互不相交的簇Z1,Z2,…,ZM,根据一次聚类结果对聚类的簇进行检测,若发现只包含一个数据的簇,则在数据集中删除此数据点,采用以下方式确定M个初始点:假定数据聚类数目为1,此时,M=1,将数据集合的中心作为初始点;假定数据聚类数目为2,此时,M=2,进行N-1次k-均值运算,每一次进行k-均值运算的初始点通过以下方式选择:第一个初始点总是M=1时数据集合的中心,在第i(i=1,2,…,N-1)次运行时第二个初始点为数据si(i=1,2,…,N-1),在进行N次k-均值运算后,选择使得簇中的各数据到簇中心数据的欧式距离平方和最小的数据点作为最终的第二个初始点;依此类推,得到最终的M个初始点;
使用下式确定聚类准则:
上述式子中,GP2(s1,s2,…,sM)表示第二聚类函数,表示簇中的各数据si到簇中心数据ck的欧式距离平方和,表示簇内误差,si为数据集中的元素,i=1,2,…,N,Zk表示第k个簇,k=1,2,…,M,
求取GP2(s1,s2,…,sM)的最小化结果,将GP2(s1,s2,…,sM)最小化结果作为二次聚类结果。
5.根据权利要求4所述的智能交通系统,其特征在于,所述三次聚类子模块用于对所述一次聚类结果和二次聚类结果进行融合,获取数据聚类结果:
若一次聚类结果和二次聚类结果相同,则将一次聚类结果作为数据聚类结果,若一次聚类结果和二次聚类结果不同,则将二次聚类结果作为数据聚类结果。
6.根据权利要求5所述的智能交通系统,其特征在于,所述二次处理模块用于对聚类效果进行评价:
依据簇内数据之间的接近程度和簇与簇之间距离的大小对聚类效果进行评价,所述簇内数据之间的接近程度用簇内数据的方差衡量,方差越小,簇内数据之间越接近,聚类效果越好;
所述簇与簇之间距离的大小用某一簇的平方和与整个数据集的平方和之比衡量,比值越大,簇与簇之间的距离越大,聚类效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542326.5A CN108764575A (zh) | 2018-05-30 | 2018-05-30 | 一种智能交通系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810542326.5A CN108764575A (zh) | 2018-05-30 | 2018-05-30 | 一种智能交通系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108764575A true CN108764575A (zh) | 2018-11-06 |
Family
ID=64004427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810542326.5A Withdrawn CN108764575A (zh) | 2018-05-30 | 2018-05-30 | 一种智能交通系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764575A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271626A (zh) * | 2008-04-02 | 2008-09-24 | 中山大学 | 智能交通调查器 |
CN105554762A (zh) * | 2015-12-10 | 2016-05-04 | 广东工业大学 | 基于rss的无线欺骗攻击定位方法 |
CN107367277A (zh) * | 2017-06-05 | 2017-11-21 | 南京邮电大学 | 基于二次K‑Means聚类的室内位置指纹定位方法 |
CN108062555A (zh) * | 2016-11-08 | 2018-05-22 | 南京理工大学 | 基于Spark流式聚类的监测数据预警系统 |
-
2018
- 2018-05-30 CN CN201810542326.5A patent/CN108764575A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271626A (zh) * | 2008-04-02 | 2008-09-24 | 中山大学 | 智能交通调查器 |
CN105554762A (zh) * | 2015-12-10 | 2016-05-04 | 广东工业大学 | 基于rss的无线欺骗攻击定位方法 |
CN108062555A (zh) * | 2016-11-08 | 2018-05-22 | 南京理工大学 | 基于Spark流式聚类的监测数据预警系统 |
CN107367277A (zh) * | 2017-06-05 | 2017-11-21 | 南京邮电大学 | 基于二次K‑Means聚类的室内位置指纹定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103149576B (zh) | 一种浮动车数据的地图匹配方法 | |
CN101466082B (zh) | 矢量地图数据的多级切片处理方法 | |
CN103200520B (zh) | 一种利用Wi-Fi的移动终端快速精确定位方法 | |
CN101441721B (zh) | 一种重叠类圆颗粒物的计数装置和方法 | |
US20140280037A1 (en) | Pushdown Of Sorting And Set Operations (Union, Intersection, Minus) To A Large Number Of Low-Power Cores In A Heterogeneous System | |
CN104766324B (zh) | 基于超像素和异常检测的彩色血细胞图像白细胞分割方法 | |
Smith | A system of world mammal faunal regions. I. Logical and statistical derivation of the regions | |
CN104035954A (zh) | 一种基于Hadoop的套牌车识别方法 | |
CN104424235A (zh) | 实现用户信息聚类的方法和装置 | |
CN102722553A (zh) | 基于用户日志分析的分布式倒排索引组织方法 | |
CN103634902A (zh) | 基于指纹聚类的新型室内定位方法 | |
CN103226584B (zh) | 形状描述符的构建方法及基于该描述符的图像检索方法 | |
CN110110902A (zh) | 一种共享单车接驳轨道交通站点的可达性测算方法 | |
CN110049549A (zh) | 基于WiFi指纹的多融合室内定位方法及其系统 | |
CN107682395A (zh) | 一种大数据云计算运行系统及方法 | |
CN106067034A (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
CN109753609B (zh) | 一种多意图查询方法、装置以及终端 | |
CN109121083A (zh) | 一种基于ap序列的指纹相似度的室内定位方法 | |
CN102262682B (zh) | 基于粗糙分类知识发现的快速属性约简方法 | |
CN107222925A (zh) | 一种基于聚类优化的节点定位方法 | |
CN108334353A (zh) | 技能开发系统及方法 | |
CN108764575A (zh) | 一种智能交通系统 | |
CN110389932A (zh) | 电力文件自动分类方法及装置 | |
CN110059149A (zh) | 电子地图空间关键字查询分布式索引系统和方法 | |
CN106922017A (zh) | 定位方法以及终端 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20181106 |