CN109272175A - 一种基于城市流动网络的数据采集系统及方法 - Google Patents
一种基于城市流动网络的数据采集系统及方法 Download PDFInfo
- Publication number
- CN109272175A CN109272175A CN201811362386.5A CN201811362386A CN109272175A CN 109272175 A CN109272175 A CN 109272175A CN 201811362386 A CN201811362386 A CN 201811362386A CN 109272175 A CN109272175 A CN 109272175A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- network
- road
- data
- urban
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013480 data collection Methods 0.000 title claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 74
- 238000012544 monitoring process Methods 0.000 claims abstract description 43
- 238000004458 analytical method Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000006855 networking Effects 0.000 claims description 7
- 230000008676 import Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000012800 visualization Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 210000000709 aorta Anatomy 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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"
-
- G06Q50/40—
Abstract
本发明公开了一种基于城市流动网络的数据采集系统及方法，包括：城市流动网络系统的公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统；将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图。将三者的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图，进而构建城市流动网络系统，对公共冲突时间进行相关预警。
Description
技术领域
本公开涉及计算机处理技术领域，特别是涉及一种基于城市流动网络的数据采集系统及方法。
背景技术
中国城市交通运输领域里传统出租车和基于互联网背景兴起的专车之间的矛盾正愈演愈烈，出租车业的突发事件已成为困扰地方政府管理部门的棘手问题，城市交通及相关公共事件的应急预警机制存在滞后的问题，某城市公共客运管理服务中心也成为全国首例被专车运营者告上法庭的中国出租车行业第一案，关键是极有可能诱发全社会更大的矛盾冲突，单纯的依赖传统经验型管理、简单罚没和事后应急预案已无法对相关群体性突发事件形成有效和及时的处置，因此若能够构建一个引发此类突发事件的预警信息模型，找到关键因素与突发事件之间的关联，同时如果能够从出行产生的大量时间序列数据中挖掘出可能存在的潜在突发事件，无疑将对冲突防范具有很高的理论价值和实践意义。
发明内容
为了解决现有技术的不足，本公开提供了一种基于城市流动网络的数据采集系统，实现对城市流动数据进行采集及预警。
为了实现上述目的，本申请采用以下技术方案：
一种基于城市流动网络的数据采集系统，包括：服务器，所述服务器被配置为包括公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统，将采集上述子系统数据进行传输的网络构成城市流动网络；
所述公交车实时及预测子系统将获得的公交车的位置信息、刷卡信息进行采集并处理，利用神经网络进行训练获得公交车到站预测数据；
所述出租车时态分布子系统用于将出租车的实时位置信息及速度进行处理并生成区域分布图；
所述非机动车辆监测子系统用于将城市道路口监控中的道路行人及非机动车辆，进行目标的分析获得城市路口行人及非机动车辆流量图；
所述城市流动网络系统将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图。
进一步的技术方案，所述公交车实时及预测子系统包括公交车服务器，所述公交车服务器包括：
位置信息采集模块用于实现对公交车的经纬度位置信息数据的采集与监测、刷卡信息采集模块用于实现对上车刷卡信息数据的采集与监测；
神经网络预测模块将位置信息采集模块及刷卡信息采集模块采集的数据通过LSTM神经网络进行训练，然后对工作时间运行的公交车辆进行多站点、多线路、多变量的到站预测，以此来获得精确的到站时间。
进一步的技术方案，所述出租车时态分布子系统包括出租车服务器；
出租车车联网智能设备包括与车载终端相连的转接盒、计价器、服务评价器、倒车摄像头，车载终端通过转接盒连接至智能顶灯屏和调度信息屏，车载终端将智能顶灯屏、调度信息屏、计价器、服务评价器、倒车摄像头的采集的数据传输至出租车服务器，同时车载终端内置的GPS定位设备和测速设备，将出租车的实时位置信息及速度数据发送至出租车服务器，出租车服务器通过道路交通时态分析模块，进行相关计算，生成区域分布图。
进一步的技术方案，所述道路交通时态分析模块用于基于大数据下的交通态势分析，包括组建路网元素、构建交通实时网络、路况采集和发布；
实现出行区域划分：按照城市市民出行的密集程度与社区分布情况，将城市分割成若干块区域，将市区域网格化；
实现热点区域出行规律分析：计算一个时间段内，车辆的发策划书亮区域分布图；
区域分布图包括：发车区域分布图、目的区域分布图、热点发车区域O-D图、热点目的区域O-D图及出行O-D趋势统计图。
进一步的技术方案，所述非机动车辆监测子系统包括非机动车辆服务器；
分布在城市道路口的道路口实时监测模块将监控到的数据通过数据发送模块发送到非机动车辆服务器；
目标检测识别模块，通过YOLO神经网络检测实时监控中的道路行人及非机动车辆，进行目标的分析，通过城市路口流量图模块将所检测到的目标信息，生成城市路口行人及非机动车辆流量图并传输至非机动车辆服务器。
本申请还公开了一种基于城市流动网络的数据采集方法，包括：
将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统构成城市流动网络；
利用公交车实时及预测子系统将获得的公交车的位置信息、刷卡信息进行采集并处理，利用神经网络进行训练获得公交车到站预测数据；
利用出租车时态分布子系统用于将出租车的实时位置信息及速度进行处理并生成区域分布图；
利用非机动车辆监测子系统用于将城市道路口监控中的道路行人及非机动车辆，进行目标的分析获得城市路口行人及非机动车辆流量图；
将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据进行组合建模，构建城市流动网络的动态模型,每个子系统叠加相应的环境影响因素指标，将每个子系统的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图，以此来实现基于城市流动网络的冲突预警。
进一步的技术方案，将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据进行组合建模：公交车实时及预测子系统的数据和出租车时态分布子系统的数据并行导入地图模型，地图模型为高德或者百度SDK，体现出道路的车辆行驶状态，道路行人及非机动车辆监测子系统的道路行人及非机动车辆数据导入地图模型。
进一步的技术方案，构建城市流动网络的动态模型：为使用时间序列来可视化时空城市流动网络的动态模型，即使用环境影响因素与时间序列构建的拟合序列，可视化使用kepler.gl技术及开源地理空间工具包，以细粒度建立城市的时态空间分布图，使得公交车、出租车、道路口行人及非机动车辆会按照颗粒一样，在地图上动态显示并移动。
进一步的技术方案，环境影响因素指标主要为温度高低、是否有降雨或降雪、风力大小与城市流动网络系统中时间所对应生成的时间序列；
每个子系统叠加相应的环境影响因素指标，具体为，使用环境影响因素指标中的三个影响因素与时间段进行一个非线性回归的拟合，与每一天的数据进行匹配。
本公开还提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于城市流动网络的公共冲突预警方法。
本公开还提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于城市流动网络的公共冲突预警方法。
与现有技术相比，本公开的有益效果是：
本公开的三个子系统中，公共交通体现了城市中最平稳的车辆运作方式，也是城市交通的“主动脉”；而出租车系统是城市车辆的动态追踪，可以体现整个城市的相关车辆动态，包括区域分布，平均速度，热点区域等；道路行人及非机动车则体现了路口的相关交通流量。三个子系统相互综合，功能互补，相辅相成，将三者的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图，进而构建城市流动网络系统，对公共冲突时间进行相关预警。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是本申请实施例子的系统示意图；
图2是本申请实施例子的公交车实时及预测子系统的架构图；
图3是本申请实施例子的出租车时态分布子系统的架构图；
图4是本申请实施例子的道路行人及非机动车辆子系统的架构图；
图5是本申请实施例子的城市流动网络动态分布图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本申请的一种典型的实施方式中，如图1所示，提供了一种基于城市流动网络的数据采集系统，包括均连接至城市流动网络系统的公交车实时及预测子系统4、出租车时态分布子系统5、道路行人及非机动车辆监测子系统6。
城市流动网络由公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆子系统三个系统组合而成，在地理上是内嵌互补的。可以在一定程度上复原复杂的道路状况，进行建模。三个子系统内嵌互补，公交车提供城市客流量，出租车可以体现实时私家车的交通信息，道路行人及非机动车辆可以将路口的情况进行反映。三个子系统组网城市流动网络，相互补足，相互完善城市道路的流动性。
其中，公交车实时及预测子系统4包括位置信息采集模块7、刷卡信息采集模块8及神经网络预测模块9及到站信息采集模块，位置信息采集模块用于实现对公交车的经纬度位置信息数据的采集与监测、刷卡信息采集模块用于实现对上车刷卡信息数据的采集与监测。到站信息采集模块，用来将车辆到站点的时间信息采集，方便进行实时到站的预测。
如图2中所示，位置信息采集模块中的GPS定位设备9-1在公交车行驶的时候，实时的采集经纬度信息并将数据信息通过数据发送设备9-2发送至公交服务器进行数据处理，主要有结构归一化、数据缺失值插值等，当公交车到达站点时，数据发送设备9-2将到站时间、离站时间等信息发送至公交服务器。当公交车到站时，乘客上车可通过RFID刷卡8-1或者二维码扫码8-2进行乘车，而这些信息同样通过数据发送设备9-2发送至公交服务器进行数据进行处理。
神经网络预测模块，对所有处理过的结构化历史数据，将通过LSTM神经网络7-1进行训练，然后对工作时间运行的公交车辆进行多站点、多线路、多变量的到站预测。以此来获得精确的到站时间，首先是缓解了交通流动精确时间值的问题，同时公交车辆的调度及到站的预测值对公共冲突的预警起到辅助作用。
这样使得公交到站的时间精确到分钟，一旦某个公交车出现异常信号或者未按时到站，超过其对应的延时阈值时间点，可以认为发生了公共冲突事件或者紧急情况。
通过公交车实时及预测子系统，还可以反向对公交线路的反向调度，缓解交通压力，从缓解人流量的方面降低了公共冲突事件的发生。
具体的，公交车位置信息采集模块是GPS实时定位设备。刷卡信息采集模块是HMXF-A2-CZ型号的二维码与RFID刷卡一体化模块，其具有两个电源输入端，两个数字信号输出端，通过无线基站将数据发送至公交公司数据结算中心，进行相关的信息处理。到站信息采集模块为无线433基站，通过采集公交车的距离信息，确定公交车是否到站。信息采集模块具有两个电源输入端，四路数字信号输入端，一路数字信号输出端。
出租车时态分布子系统5，包括出租车车联网智能设备10及基于大数据下的交通时空态势分析模块11。
出租车车联网智能设备，用来采集出租车车辆位置、运行状态等信息；道路交通时空态势分析模块，主要对出租车在城市里的分布态势进行相关分析。
出租车车联网智能设备为TGR20车载终端及YGL60转接盒、计价器、广告屏、智能顶灯屏、调度信息屏、服务评价器、倒车摄像头等装载在出租车上的设备。
图3中所示，使用出租车来体现城市的车流量的基本情况，出租车在道路上接单的时候，TGR20车载终端11-1会将智能顶灯屏11-3、调度信息屏11-4、计价器11-5、服务评价器11-6、倒车摄像头11-7等设备的信息传到出租车服务器，YGL60转接盒连接智能顶灯屏11-3和调度信息屏11-4并将数据汇总转接到TGR20车载终端。车载终端11-1内置的GPS定位设备和测速设备将会把出租车的实时位置信息及速度等相关自身数据发送至出租车时态分布子系统5。所有的数据通过分析处理后，通过道路交通时态分析模块11，进行相关计算，生成区域分布图10-1，其中会体现出租车的区域划分，以及济南市民的出行规律与出行路径。
出租车服务器由通信网关、通信中心、数据库、WEB应用服务器、地图服务器、监控调度坐席及网络设备(路由器、防火墙、交换机)等设备组成。
出租车上进行采集出租车数据的为智能车载终端，也是硬件设备的集成，包括智能顶灯屏、TGR20车载终端、GPS定位设备、测速设备等。
道路交通时态分析模块：具体实现的功能有：
基于大数据下的交通态势分析：包括组建路网元素，构建交通实时网络；
路况采集和发布等。
出行区域划分：按照城市市民出行的密集程度与社区分布情况，将城市分割成607块区域，将济南市区域网格化。
热点区域出行规律分析：计算一个时间段内，车辆的发策划书亮区域分布图，目的是判断哪些区域发车数量多，哪些区域发车数量少。
区域分布图：包含五个分布图：
发车区域分布图：研究每一个时间点上，发车区域数量分布图。发车区域分布图能够充分表明哪一个区域发车数量多，哪一个区域发车数量少。数量多的区域说明该区域说明该区域的用车需求就多，数量少的区域说明该区域的用车需求就少。
目的区域分布图：研究每一个时间点上，区域目的地到达数量分布图。目的区域分布图能够充分表明哪一个区域到的人数多，哪一个区域到达的人数少。对比不同时间段的目的区域分布图，可以研究人去流向集中的区域，可以分析人流的流向与集中程度，为出行站点设置提供数据支持。
热点发车区域O-D图(Origin和Destination的缩写)：统计出来发车数量最多的区域，选取前20个，然后按照目的地画出O-D图。通过研究热点发车区域的目的地分布，可以研究热点发车区域发出的人员到达的目的地是哪里，根据不同时间点分布，可以详细研究从热点发车区域的人群的出行目的地特征。
热点目的区域O-D图：统计出来目的地数量最多的区域，选取前20个，然后按照出发地画出O-D图。通过研究热点目的区域的出发地分布，可以研究从热点发车区域的人群的出行目的地的特征。
出行O-D趋势统计图：统计从一个区域到另外一个区域的出租汽车数量的O-D图。通过分析不同时间段中，一个区域到另外的区域的出行数量的分布，可以全面了解出行的O-D流量趋势。
具体的，道路交通时空态势分析即在GIS上建立城市路网和交通实时网，再通过对于出租车车联网智能设备的信息采集，将出租车的数据信息进行分析，其中包括出租车区域划分，来计算出租汽车出行的区域分布；出行规律分析，对济南市民的出行规律与出行路径进行分析研究。鉴于出租车业的突发事件已成为困扰地方政府管理部门的棘手问题，而本公开的城市流动网络系统可以通过出租车时态分布子系统监测以及预警相关公共冲突，对诱发社会的矛盾冲突的因素进行提前预警，快速响应。
道路行人及非机动车辆监测子系统6，包括道路口的实时监控设备12及目标检测识别模块13。道路口的实时监控设备用来进行路口的行人及非机动车的车辆信息；目标检测识别模块，用来将路口的行人和非机动车等实时目标进行检测，计算路口流量。
如图4中所示，分布在城市道路口的道路口实时监测模块12，其中高清摄像头12-1将监控到的数据通过数据发送模块12-2发送到非机动车的服务器，其中的目标检测识别模块13，通过YOLO神经网络13-1检测实时监控中的道路行人及非机动车辆，进行目标的分析。通过城市路口流量图模块13-2将所检测到的目标信息，生成城市路口行人及非机动车辆流量图。
目标检测识别模块的硬件具体可以为摄像头，将数据传至非机动车的服务器，使用服务器进行目标检测识别。
城市路口流量图模块是基于非机动车的服务器所生成的软件模型，城市路口流量图，即是指通过摄像头的检测，服务器进行目标检测后，所体现的城市路口的道路行人及非机动车辆数量的检测。
路口实时检测模块，用来进行路口的行人及非机动车的车辆信息；目标检测识别模块，用来将路口的行人和非机动车等实时目标进行检测，计算路口流量。其中道路口实时监测模块为500万POE星光级高清摄像头及其相关配件，行人及非机动车分析模块使用基于YOLO3的端到端目标检测算法对行人非机动车目标数量进行检测，以此来检测路口的流量信息。
道路交通时空态势分析模块为道路流动车辆搭建的数据分析平台，包括路网元素分析、实时交通的构建、热点区域图等相关子模块。道路口实时监测模块为海康威视500万POE星光级高清摄像头及其相关配件。行人及非机动车分析模块为基于YOLO3的端到端目标检测算法，对行人数量及非机动车目标数量进行检测。
当公交车实时及预测子系统4监测到异常信息、出租车时空分布子系统5监测到异常信息、道路行人及非机动车辆子系统6监测到异常信息，通过这个总的城市流动网络系统1平台进行分析，叠加环境影响因素指标2，通过公共冲突预警执行机制3，按照规定流程，相关部门接收到公共冲突预警信号后就能及时到现场采取相关措施。
环境影响因素指标主要为温度高低、是否有降雨(降雪)、风力大小与城市流动网络系统中时间所对应生成的时间序列。
使用这三个影响因素与时间段进行一个非线性回归的拟合，与每一天的数据进行匹配。
本公开的具体实施例子采用了将公共交通、出租车、道路行人及非机动车辆进行组合建模，构建城市流动网络的动态模型，其中包括公交车实时及预测子系统、出租车时态分布子系统和道路行人及非机动车监测子系统，然后叠加相应的环境影响因素指标，以此来实现基于城市流动网络的冲突预警。图5是本申请实施例子的城市流动网络动态分布图。
将公共交通、出租车、道路行人及非机动车辆进行组合建模：公共交通和出租车数据并行导入地图模型(高德或者百度SDK)，体现出道路的车辆行驶状态。道路行人及非机动车辆数据导入地图模型。体现出路口的行人与非机动车辆数据。
关于动态模型：使用时间序列来可视化时空城市流动网络的动态模型。即使用环境影响因素与时间序列构建的拟合序列，而城市流动网络的动态模型，就如同视频中一样，公交车、出租车、道路口行人及非机动车辆会按照颗粒一样，在地图上动态显示并移动。可视化使用kepler.gl技术，开源地理空间工具包。
三个子系统中，公共交通体现了城市中最平稳的车辆运作方式，也是城市交通的“主动脉”；而出租车系统是城市车辆的动态追踪，可以体现整个城市的相关车辆动态，包括区域分布，平均速度，热点区域等；道路行人及非机动车则体现了路口的相关交通流量。三个子系统相互综合，功能互补，相辅相成，将三者的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图，进而构建城市流动网络系统，对公共冲突时间进行相关预警。
公共交通体现了城市中最平稳的车辆运作方式，而出租车系统是城市车辆的动态追踪，可以提现城市的车辆动态，道路行人状态可通过路口的监控目标行人检测获得。三者互补，相辅相成，将三者的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图，构建城市流动网络系统，对公共冲突时间进行相关预警。
通过时间序列和环境影响因素的拟合数据序列，将上述三者(公交车、出租车、路口行人及非机动车)在三维地图上的分布状态，即构建城市流动网络系统。
本公开的技术方案中当公交车实时及预测子系统监测到异常信息、出租车时空分布子系统监测到异常信息、道路行人及非机动车辆监测子系统监测到异常信息，三个子系统将异常信息通过总的城市流动网络系统进行建模分析，以便预警发生的公共冲突，使得相关部门接收到冲突预警信号后就能及时到现场采取措施，防止人民群众和公共财产受到伤害和损失。
本公开的实施例子还提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于城市流动网络的公共冲突预警方法。
本公开的实施例子还提供了一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于城市流动网络的公共冲突预警方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于城市流动网络的数据采集系统，其特征是，包括：服务器，所述服务器被配置为包括公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统，将采集上述子系统数据进行传输的网络构成城市流动网络；
所述公交车实时及预测子系统将获得的公交车的位置信息、刷卡信息进行采集并处理，利用神经网络进行训练获得公交车到站预测数据；
所述出租车时态分布子系统用于将出租车的实时位置信息及速度进行处理并生成区域分布图；
所述非机动车辆监测子系统用于将城市道路口监控中的道路行人及非机动车辆，进行目标的分析获得城市路口行人及非机动车辆流量图；
所述城市流动网络系统将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图。
2.如权利要求1所述的一种基于城市流动网络的数据采集系统，其特征是，所述公交车实时及预测子系统包括公交车服务器，所述公交车服务器包括：
位置信息采集模块用于实现对公交车的经纬度位置信息数据的采集与监测、刷卡信息采集模块用于实现对上车刷卡信息数据的采集与监测；
神经网络预测模块将位置信息采集模块及刷卡信息采集模块采集的数据通过LSTM神经网络进行训练，然后对工作时间运行的公交车辆进行多站点、多线路、多变量的到站预测，以此来获得精确的到站时间。
3.如权利要求1所述的一种基于城市流动网络的数据采集系统，其特征是，所述出租车时态分布子系统包括出租车服务器；
出租车车联网智能设备包括与车载终端相连的转接盒、计价器、服务评价器、倒车摄像头，车载终端通过转接盒连接至智能顶灯屏和调度信息屏，车载终端将智能顶灯屏、调度信息屏、计价器、服务评价器、倒车摄像头的采集的数据传输至出租车服务器，同时车载终端内置的GPS定位设备和测速设备，将出租车的实时位置信息及速度数据发送至出租车服务器，出租车服务器通过道路交通时态分析模块，进行相关计算，生成区域分布图。
4.如权利要求1所述的一种基于城市流动网络的数据采集系统，其特征是，所述道路交通时态分析模块用于基于大数据下的交通态势分析，包括组建路网元素、构建交通实时网络、路况采集和发布；
实现出行区域划分：按照城市市民出行的密集程度与社区分布情况，将城市分割成若干块区域，将市区域网格化；
实现热点区域出行规律分析：计算一个时间段内，车辆的发策划书亮区域分布图；
区域分布图包括：发车区域分布图、目的区域分布图、热点发车区域O-D图、热点目的区域O-D图及出行O-D趋势统计图。
5.如权利要求1所述的一种基于城市流动网络的数据采集系统，其特征是，所述非机动车辆监测子系统包括非机动车辆服务器；
分布在城市道路口的道路口实时监测模块将监控到的数据通过数据发送模块发送到非机动车辆服务器；
目标检测识别模块，通过YOLO神经网络检测实时监控中的道路行人及非机动车辆，进行目标的分析，通过城市路口流量图模块将所检测到的目标信息，生成城市路口行人及非机动车辆流量图并传输至非机动车辆服务器。
6.一种基于城市流动网络的数据采集方法，其特征是，包括：
将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统构成城市流动网络；
利用公交车实时及预测子系统将获得的公交车的位置信息、刷卡信息进行采集并处理，利用神经网络进行训练获得公交车到站预测数据；
利用出租车时态分布子系统用于将出租车的实时位置信息及速度进行处理并生成区域分布图；
利用非机动车辆监测子系统用于将城市道路口监控中的道路行人及非机动车辆，进行目标的分析获得城市路口行人及非机动车辆流量图；
将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据进行组合建模，构建城市流动网络的动态模型,每个子系统叠加相应的环境影响因素指标，将每个子系统的数据在空间、时间上拟合，以细粒度建立城市的时态空间分布图，以此来实现基于城市流动网络的冲突预警。
7.如权利要求6所述的一种基于城市流动网络的数据采集方法，其特征是，将公交车实时及预测子系统、出租车时态分布子系统、道路行人及非机动车辆监测子系统获得的数据进行组合建模：公交车实时及预测子系统的数据和出租车时态分布子系统的数据并行导入地图模型，地图模型为高德或者百度SDK，体现出道路的车辆行驶状态，道路行人及非机动车辆监测子系统的道路行人及非机动车辆数据导入地图模型。
8.如权利要求6所述的一种基于城市流动网络的数据采集方法，其特征是，构建城市流动网络的动态模型：为使用时间序列来可视化时空城市流动网络的动态模型，即使用环境影响因素与时间序列构建的拟合序列，可视化使用kepler.gl技术及开源地理空间工具包，以细粒度建立城市的时态空间分布图，使得公交车、出租车、道路口行人及非机动车辆会按照颗粒一样，在地图上动态显示并移动。
9.如权利要求6所述的一种基于城市流动网络的数据采集方法，其特征是，环境影响因素指标主要为温度高低、是否有降雨或降雪、风力大小与城市流动网络系统中时间所对应生成的时间序列；
每个子系统叠加相应的环境影响因素指标，具体为，使用环境影响因素指标中的三个影响因素与时间段进行一个非线性回归的拟合，与每一天的数据进行匹配。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行权利要求6-9任一所述的一种基于城市流动网络的公共冲突预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811362386.5A CN109272175A (zh) | 2018-11-15 | 2018-11-15 | 一种基于城市流动网络的数据采集系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811362386.5A CN109272175A (zh) | 2018-11-15 | 2018-11-15 | 一种基于城市流动网络的数据采集系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109272175A true CN109272175A (zh) | 2019-01-25 |
Family
ID=65189484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811362386.5A Pending CN109272175A (zh) | 2018-11-15 | 2018-11-15 | 一种基于城市流动网络的数据采集系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109272175A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109862537A (zh) * | 2019-03-07 | 2019-06-07 | 同济大学 | 车联网社区内通达性方法 |
| CN109859516A (zh) * | 2019-03-13 | 2019-06-07 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
| CN109933915A (zh) * | 2019-03-15 | 2019-06-25 | 艾特城信息科技有限公司 | 时空模型建立系统、方法、运动样本监测系统及计算机可读存储介质 |
| CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
| CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| CN110751369A (zh) * | 2019-09-19 | 2020-02-04 | 金陵科技学院 | 一种区域间“城市流”空间流动态势测度方法 |
| CN111954204A (zh) * | 2020-08-25 | 2020-11-17 | 山东合天智汇信息技术有限公司 | 基于前端感知设备的城市人员漫入漫出监测方法及系统 |
| CN113112828A (zh) * | 2021-04-15 | 2021-07-13 | 北京航迹科技有限公司 | 路口监控的方法、装置、设备、存储介质和程序产品 |
| CN114241762A (zh) * | 2021-12-14 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 一种基于物联网的智慧城市交通综合数据采集分析系统 |
| WO2022186768A1 (en) * | 2021-03-02 | 2022-09-09 | Grabtaxi Holdings Pte. Ltd. | Method and device for controlling a transport system |
-
2018
- 2018-11-15 CN CN201811362386.5A patent/CN109272175A/zh active Pending
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109862537B (zh) * | 2019-03-07 | 2020-08-25 | 同济大学 | 车联网社区内通达性方法 |
| CN109862537A (zh) * | 2019-03-07 | 2019-06-07 | 同济大学 | 车联网社区内通达性方法 |
| CN109859516A (zh) * | 2019-03-13 | 2019-06-07 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
| CN109859516B (zh) * | 2019-03-13 | 2021-06-15 | 重庆皓石金科技有限公司 | 一种出租汽车异常聚集识别方法及装置 |
| CN109933915A (zh) * | 2019-03-15 | 2019-06-25 | 艾特城信息科技有限公司 | 时空模型建立系统、方法、运动样本监测系统及计算机可读存储介质 |
| CN110147731A (zh) * | 2019-04-16 | 2019-08-20 | 深圳云天励飞技术有限公司 | 车辆类型识别方法及相关产品 |
| CN110298500A (zh) * | 2019-06-19 | 2019-10-01 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| CN110298500B (zh) * | 2019-06-19 | 2022-11-08 | 大连理工大学 | 一种基于出租车数据和城市路网的城市交通轨迹数据集生成方法 |
| CN110751369A (zh) * | 2019-09-19 | 2020-02-04 | 金陵科技学院 | 一种区域间“城市流”空间流动态势测度方法 |
| CN110751369B (zh) * | 2019-09-19 | 2024-02-27 | 金陵科技学院 | 一种区域间“城市流”空间流动态势测度方法 |
| CN111954204A (zh) * | 2020-08-25 | 2020-11-17 | 山东合天智汇信息技术有限公司 | 基于前端感知设备的城市人员漫入漫出监测方法及系统 |
| CN111954204B (zh) * | 2020-08-25 | 2023-01-31 | 山东合天智汇信息技术有限公司 | 基于前端感知设备的城市人员漫入漫出监测方法及系统 |
| WO2022186768A1 (en) * | 2021-03-02 | 2022-09-09 | Grabtaxi Holdings Pte. Ltd. | Method and device for controlling a transport system |
| CN113112828A (zh) * | 2021-04-15 | 2021-07-13 | 北京航迹科技有限公司 | 路口监控的方法、装置、设备、存储介质和程序产品 |
| CN114241762A (zh) * | 2021-12-14 | 2022-03-25 | 深圳市鹏城交通网络股份有限公司 | 一种基于物联网的智慧城市交通综合数据采集分析系统 |
| CN114241762B (zh) * | 2021-12-14 | 2022-11-15 | 深圳市鹏城交通网络股份有限公司 | 一种基于物联网的智慧城市交通综合数据采集分析系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109272175A (zh) | 一种基于城市流动网络的数据采集系统及方法 | |
| CN102521965B (zh) | 基于车牌识别数据的交通需求管理措施效果评价方法 | |
| Wang et al. | Estimating dynamic origin-destination data and travel demand using cell phone network data | |
| CN106779408A (zh) | 公交系统服务质量的评估方法和装置 | |
| CN104809112B (zh) | 一种基于多源数据的城市公交发展水平综合评价方法 | |
| CN108198416A (zh) | 一种手机信令与路网大数据的融合方法及其应用与系统 | |
| Lu et al. | A review of big data applications in urban transit systems | |
| CN106297291A (zh) | 城市快速路交通信息采集系统 | |
| CN107491883A (zh) | 一种旅游信息管理系统 | |
| Wilson et al. | The potential impact of automated data collection systems on urban public transport planning. | |
| CN109887283A (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
| Kianfar et al. | Placement of roadside equipment in connected vehicle environment for travel time estimation | |
| Saputra et al. | Accessibility model of BRT stop locations using Geographically Weighted regression (GWR): A case study in Banjarmasin, Indonesia | |
| Celes et al. | From mobility traces to knowledge: Design guidance for intelligent vehicular networks | |
| Salih et al. | Measuring transit accessibility: A dispersion factor to recognise the spatial distribution of accessible opportunities | |
| Růžička et al. | Big data application for urban transport solutions | |
| CN114419897A (zh) | 一种基于v2x技术的城市交通cim系统及其展示方法 | |
| CN109544005A (zh) | 基于大数据框架的比较区域内公交客流和出租客流差异的系统 | |
| Izadi et al. | Evaluation of the performance of bus special lines according to indicators of quality and transport and its performance improvement using ultra-innovative intelligent models (Case study: Rasht city) | |
| Salanova et al. | Use of probe data generated by taxis | |
| Yang et al. | A dynamic method to monitor public transport based on smart card and GPS Data | |
| Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
| Agyemang | A cost-effective Geographic Information Systems for Transportation (GIS-T) application for traffic congestion analyses in the Developing World | |
| CN211604175U (zh) | 一种基于城市流动网络的数据采集系统 | |
| Yu et al. | Multi-cycle optimal taxi routing with e-hailing |
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 |