CN110008528A - 一种数据处理方法、装置及电子设备 - Google Patents
一种数据处理方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110008528A CN110008528A CN201910193513.1A CN201910193513A CN110008528A CN 110008528 A CN110008528 A CN 110008528A CN 201910193513 A CN201910193513 A CN 201910193513A CN 110008528 A CN110008528 A CN 110008528A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle flowrate
- matrix
- kalman filtering
- filtering algorithm
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种数据处理方法、装置及电子设备,其中,该方法包括:获取目标路段的车流量数据;基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据;通过卡尔曼滤波算法对目标状态数据进行计算,得到校正后的车流量数据;利用所述校正后的车流量数据确定起讫点OD矩阵。本申请通过卡尔曼滤波算法,对目标路段的车流量数据进行校正,并根据校正后的车流量数据反推出OD矩阵,减小了数据采集的工作量,提高了OD矩阵的准确性及有效性,进而提升了OD进行全路段车流量数据推演的准确性。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种数据处理方法、装置及电子设备。
背景技术
随着城市快速发展、机动车保有量逐年增加,交通拥堵导致的尾气排放问题日益严重,随之,交通量对于尾气排放影响相关研究也不断涌现,基于机动车比功率(VehicleSpecific Power,VSP)的尾气排放测算方法由于与污染物排放具有较好的一致性,且具有获得、计算相对便捷及物理可解释性等特点,广泛被学者研究使用。
其中,基于VSP的尾气排放测算方法是以部分路段的交通量数据反推区域的交通起讫点(Origin-Destination,OD)需求矩阵,得到区域道路交通量数据与机动车工况来进行尾气测算的。现有技术中,调研人员选择代表性的道路采集在目标路段内机动车的车流量,根据该车流量确定OD矩阵,进而利用OD矩阵进行尾气测算。
但是,通过调研或人工采集法只可获取静态车流量数据,工作量大,并且利用该采集的车流量数据,反推出的OD矩阵准确性及有效性均较差。
发明内容
有鉴于此,本申请实施例的目的在于提供一种数据处理方法、装置及电子设备,能够减小数据采集的工作量,并且提高OD矩阵的准确性及有效性。
第一方面,本申请实施例提供了一种数据处理方法,其中,包括:
获取目标路段的车流量数据;
基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据;
通过所述卡尔曼滤波算法对所述目标状态数据进行计算,得到校正后的车流量数据;
利用所述校正后的车流量数据确定起讫点OD矩阵。
结合第一方面,本申请实施例提供了第一方面的第一种可能的实施方式,其中,还包括:
利用预先训练好的校正模型,对所述OD矩阵进行校正,得到校正后的OD矩阵;其中,所述校正模型包括卡尔曼滤波算法。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第二种可能的实施方式,其中,还包括:
将所述校正后的OD矩阵进行网络交通分配后与预先标定的交通排放模型中,得到尾气预测排放量。
结合第一方面,本申请实施例提供了第一方面的第三种可能的实施方式,其中,在基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据之前,包括:
根据所述车流量数据对应的采集时间长度确定计算的预定计算次数;
所述基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据,包括:
基于所述初始状态数据和所述车流量数据,利用所述卡尔曼滤波算法计算得到循环状态数据,并记录基于所述初始状态数据和所述车流量数据,利用所述卡尔曼滤波算法进行计算的当前计算次数;
判断所述当前计算次数与所述预定计算次数是否相等;
在所述当前计算次数与所述预定计算次数相等时,将所述循环状态数据作为所述目标状态数据。
结合第一方面的第三种可能的实施方式,本申请实施例提供了第一方面的第四种可能的实施方式,其中,在所述当前计算次数与所述预定计算次数不相等时,还包括:
将下一次计算次数对应的初始状态数据更新为所述当前计算次数对应的循环状态数据;
基于下一个计算次数的初始状态数据和所述车流量数据,利用卡尔曼滤波算法计算得到下一个计算次数对应的循环状态数据,直至下一个计算次数与所述预定计算次数相等。
结合第一方面的第一种可能的实施方式,本申请实施例提供了第一方面的第五种可能的实施方式,其中,还包括:
通过交通分配获取所述校正后的OD矩阵对应的实际车流量数据,并根据所述实际车流量数据确定实际OD矩阵;
利用所述校正后的OD矩阵与所述实际OD矩阵,对所述校正模型的参数进行调整。
第二方面,本申请实施例还提供了一种数据处理装置,其中,包括:
获取模块,用于获取目标路段的车流量数据;
目标状态数据确定模块,用于基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据;
车流量数据校正模块,用于通过所述卡尔曼滤波算法对所述目标状态数据进行计算,得到校正后的车流量数据;
OD矩阵确定模块,用于利用所述校正后的车流量数据确定起讫点OD矩阵。
结合第二方面,本申请实施例提供了第二方面的第一种可能的实施方式,其中,还包括:
OD矩阵校正模块,用于利用预先训练好的校正模型,对所述OD矩阵进行校正,得到校正后的OD矩阵;其中,所述校正模型包括卡尔曼滤波算法。
结合第二方面的第一种可能的实施方式,本申请实施例提供了第二方面的第二种可能的实施方式,其中,还包括:
预测模块,用于将所述校正后的OD矩阵进行网络交通分配后与预先标定的交通排放模型中,得到尾气预测排放量。
第三方面,本申请实施例还提供了一种电子设备,其中,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如第一方面至第一方面的第五种可能的实施方式任一所述的数据处理方法的步骤。
本申请提供了一种数据处理方法、装置及电子设备,其中,该方法包括:获取目标路段的车流量数据;基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据;通过卡尔曼滤波算法对目标状态数据进行计算,得到校正后的车流量数据;利用所述校正后的车流量数据确定起讫点OD矩阵。本申请实施例通过卡尔曼滤波算法,对目标路段的车流量数据进行校正,并根据校正后的车流量数据反推出OD矩阵,避免了现有技术中通过调研或人工采集法只可获取静态车流量数据,工作量大,并且利用该采集的车流量数据,反推出的OD矩阵有效性及滞后性差问题,达到减小数据采集的工作量,提高OD矩阵的准确性及有效性的目的,进而提升了OD进行全路段车流量数据推演的准确性。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请实施例所提供的一种数据处理方法的流程图;
图2示出了本申请实施例所提供的另一种数据处理方法的流程图;
图3示出了本申请实施例所提供的另一种数据处理方法的流程图;
图4示出了本申请实施例所提供的一种数据处理装置的结构示意图;
图5示出了本申请实施例所提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
目前,为了达到基于OD矩阵来预测交通尾气排放的目的,通常采用调研或人工采集法来获取静态车流量数据,工作量大,并且利用该采集的车流量数据,反推出的OD矩阵准确性及有效性均较差。针对上述问题,本申请实施例提供的一种数据处理方法、装置及电子设备,能够减小数据采集的工作量,并且提高OD矩阵的准确性及有效性。
为便于对本申请实施例进行理解,首先对本申请实施例所公开的一种数据处理方法进行详细介绍。
如图1所示,为本申请实施例以服务器为执行主体时数据处理方法的流程图,具体步骤如下:
S101、获取目标路段的车流量数据。
在具体实施中,利用雷达检测器对目标路段的车辆进行测数计算,得到该目标路段的车流量数据。具体的,雷达检测器利用多普勒原理进行测数,影响雷达发射及返回波长频率的因素包括雷达检测器距交叉口位置、检测点临近单方向车道数、行人干扰程度(单位时间通过目标路段的行人流量)、雷达与道路方向夹角。
其中,雷达检测器距交叉口位置、检测点临近单方向车道数、雷达与道路方向夹角均为常数,而数据采集的时间不同行人干扰程度会产生变化,并且由于交通拥堵,车辆的行驶速度在雷达检测器的判断阈值以下时,也会影响雷达检测器对目标路段的车辆进行测数计算的结果。本申请实施例提供的数据处理方法可以解决因行人干扰导致车流量数据不准确的问题。
S102、基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据;
S103、通过卡尔曼滤波算法对目标状态数据进行计算,得到校正后的车流量数据。
这里,初始状态数据初始协方差矩阵、初始状态转移矩阵、初始过程噪声矩阵、系统状态向量初值。在实际测量过程中很难确定系统状态向量初值,但由于卡尔曼滤波在迭代中不断根据实际车流量数据和校正得到的车流量数据对初始状态数据进行调整,所以初始状态数据的选取对系统最终结果影响也会衰减。故可将系统状态向量初值与观测向量初值设置相等,将初始协方差矩阵设置为零矩阵;初始状态转移矩阵设置为单位矩阵,初始过程噪声矩阵设置为随机噪声矩阵。
其中,观测向量初值由车流量数据确定的。
在确定初始状态数据和观测向量初值(即车流量数据)之后,利用卡尔曼滤波算法将上述初始状态数据和观测向量初值进行计算,得到目标状态数据。
具体的,目标状态数据包括状态估计向量、协方差矩阵、卡尔曼滤波增益、估计值、协方差更新矩阵。
利用卡尔曼滤波算法对目标状态数据进行计算,得到校正后的车流量数据。该车流量数据相对于利用雷达检测器得到的车流量数据更为准确。
S104、利用校正后的车流量数据确定起讫点OD矩阵。
在具体实施中,利用校正后的车流量数据进行反推,可以得到OD矩阵,并且该OD矩阵相比于利用雷达检测器采集的车流量数据进行反推得到的OD矩阵,更为准确。
综上,本申请实施例通过卡尔曼滤波算法,对目标路段的车流量数据进行校正,并根据校正后的车流量数据反推出OD矩阵,避免了现有技术中通过调研或人工采集法只可获取静态数据,其覆盖道路少,准确度低、数据量小,并且反推出的OD矩阵有效性及滞后性差问题,达到减小数据采集的工作量,提高OD矩阵的准确性及有效性的目的,进而提升了OD进行全路段车流量数据推演的准确性。
同样的,还可以再次利用卡尔曼滤波算法对反推得到的OD矩阵进行校正。本申请实施例中,基于卡尔曼滤波算法建立了校正模型,并且利用大量的样本数据(包括反推得到的OD矩阵和根据实际采集的实际车流量数据确定的OD矩阵)预先对该校正模型进行多次训练。
在具体实施中,可以将OD矩阵输入至校正模型中,经过校正模型包括的卡尔曼滤波算法对OD矩阵进行计算,得到校正后的OD矩阵,该校正后的OD矩阵与实际车流量数据确定的OD矩阵之间的误差,远小于反推得到的OD矩阵与实际车流量数据确定的OD矩阵之间的误差,提高了OD矩阵的准确性。
其中,可以定期的对校正模型的参数进行调整,具体可以参照图2的调整方法对校正模型的参数进行调整,具体步骤如下:
S201、通过交通分配获取校正后的OD矩阵对应的实际车流量数据,并根据实际车流量数据确定实际OD矩阵;
S202、利用校正后的OD矩阵与实际OD矩阵,对校正模型的参数进行调整。
这里,在利用本申请实施例得到校正后的OD矩阵之后,还可以采集该校正后的OD矩阵对应的实际车流量数据,可以根据实际车流量数据计算得到实际OD矩阵。
将校正后的OD矩阵与实际OD矩阵同时输入至校正模型中,校正模型可以根据校正后的OD矩阵与实际OD矩阵再次进行训练,并根据训练结果调整该校正模型的参数,使得该校正模型更加准确。
在实际应用中,可以利用OD矩阵进行交通规划管理,还可以利用OD矩阵对交通尾气的排放进行预测,以便于可以更好的进行交通规划管理。具体的,将利用本申请实施例的方法得到的校正后的OD矩阵输入至预先训练好的交通排放模型中,便可以得到预测排放量。由于校正后的OD矩阵是经过两次卡尔曼滤波算法进行校正得到的,因此,该预测排放量也较为准确,为交通规划管理奠定了基础。
在具体实施中,基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据的计算过程不止一次。其中,在基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据之前,根据车流量数据对应的采集时间长度确定计算的预定计算次数。
例如,利用雷达检测器在目标路段采集了10分钟的车流量,得到了车流量数据,则可以将预定计算次数设置为10次,以确保利用本申请实施例的方法得到的OD矩阵为10分钟对应的车流量数据,本申请实施例对此不作具体限定。
在确定计算的预定计算次数之后,可以根据如图3所示的方法来确定目标状态数据,其中,具体步骤如下:
S301、基于初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到循环状态数据,并记录基于初始状态数据和车流量数据,利用卡尔曼滤波算法进行计算的当前计算次数;
S302、判断当前计算次数与预定计算次数是否相等;
S303、在当前计算次数与预定计算次数相等时,将循环状态数据作为目标状态数据;
S304、在当前计算次数与预定计算次数不相等时,将下一次计算次数对应的初始状态数据更新为当前计算次数对应的循环状态数据;
S305、基于下一个计算次数的初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到下一个计算次数对应的循环状态数据,直至下一个计算次数与预定计算次数相等。
在具体实施中,每次基于初始状态数据和车流量数据,利用卡尔曼滤波算法进行计算之后,均会记录当前计算次数。例如,第一次基于初始状态数据和车流量数据,利用卡尔曼滤波算法进行计算时,记录当前计算次数为1,以此类推。
在记录当前计算次数之后,将该当前计算次数与预先确定的预定计算次数进行对比,即判断当前计算次数与预定计算次数是否相等。
若当前计算次数与预定计算次数相等,则将当前计算次数对应的利用卡尔曼滤波算法计算初始状态数据和车流量数据得到的循环状态数据作为目标状态数据。
若当前计算次数与预定计算次数不相等,则将当前计算次数对应的利用卡尔曼滤波算法计算初始状态数据和车流量数据得到的循环状态数据作为下一次计算次数对应的初始状态数据,再根据下一次计算次数对应的初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到下一个计算次数对应的循环状态数据。
在得到下一个计算次数对应的循环状态数据之后,记录下一个计算次数,即在当前计算次数对应的数值上进行加1计算。进而判断下一个计算次数与预定计算次数是否相等,如此循环,直至下一个计算次数与预定计算次数相等,则停止该计算步骤。
利用本申请实施例提供的方法,通过卡尔曼滤波算法,对目标路段的车流量数据进行校正,并且,在进行计算时根据车流量数据对应的采集时间长度确定计算的预定计算次数,以此,可以减小采集时间长度较大的车流量数据的偏差。进而根据校正后的车流量数据反推出OD矩阵,减小了数据采集的工作量,且有效的提高车流量数据的准确性。
基于同一发明构思,本申请实施例还提供了与数据处理方法对应的数据处理装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述数据处理方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
参见图4所示,本申请又一实施例所提供的数据处理装置包括:
获取模块401,用于获取目标路段的车流量数据;
目标状态数据确定模块402,用于基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据;
车流量数据校正模块403,用于通过卡尔曼滤波算法对目标状态数据进行计算,得到校正后的车流量数据;
OD矩阵确定模块404,用于利用校正后的车流量数据确定起讫点OD矩阵。
在一种实施方式中,上述数据处理装置还包括:
OD矩阵校正模块405,用于利用预先训练好的校正模型,对OD矩阵进行校正,得到校正后的OD矩阵;其中,校正模型包括卡尔曼滤波算法。
在另一种实施方式中,上述数据处理装置还包括:
预测模块406,用于将校正后的OD矩阵进行网络交通分配后与预先标定的交通排放模型中,得到尾气预测排放量。
在又一种实施方式中,上述数据处理装置还包括:
预定计算次数模块407,用于根据车流量数据对应的采集时间长度确定计算的预定计算次数;
目标状态数据确定模块402,具体用于基于初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到循环状态数据,并记录基于初始状态数据和车流量数据,利用卡尔曼滤波算法进行计算的当前计算次数;
判断当前计算次数与预定计算次数是否相等;
在当前计算次数与预定计算次数相等时,将循环状态数据作为目标状态数据。
在再一种实施方式中,目标状态数据确定模块402还具体用于:
在当前计算次数与预定计算次数不相等时,将下一次计算次数对应的初始状态数据更新为当前计算次数对应的循环状态数据;
基于下一个计算次数的初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到下一个计算次数对应的循环状态数据,直至下一个计算次数与预定计算次数相等。
在再一种实施方式中,上述数据处理装置还包括参数调整模块408,用于:
通过交通分配获取校正后的OD矩阵对应的实际车流量数据,并根据实际车流量数据确定实际OD矩阵;
利用校正后的OD矩阵与实际OD矩阵,对校正模型的参数进行调整。
图5描述了本申请实施例提供的一种电子设备500的结构,该电子设备500包括:至少一个处理器501,至少一个网络接口504或者其他用户接口503,存储器505,至少一个通信总线502。通信总线502用于实现这些组件之间的连接通信。该电子设备500可选的包含用户接口503,包括显示器(例如,触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等),键盘或者点击设备(例如,鼠标,轨迹球(trackball),触感板或者触摸屏等)。
存储器505可以包括只读存储器和随机存取存储器,并向处理器501提供指令和数据。存储器505的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中,存储器505存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统5051,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
应用程序模块5052,包含各种应用程序,例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。
在本申请实施例中,通过调用存储器505存储的程序或指令,处理器501用于:
获取目标路段的车流量数据;
基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据;
通过卡尔曼滤波算法对目标状态数据进行计算,得到校正后的车流量数据;
利用校正后的车流量数据确定起讫点OD矩阵。
可选地,处理器501执行的方法中,还包括:
利用预先训练好的校正模型,对OD矩阵进行校正,得到校正后的OD矩阵;其中,校正模型包括卡尔曼滤波算法。
可选地,处理器501执行的方法中,还包括:
将校正后的OD矩阵进行网络交通分配后与预先标定的交通排放模型中,得到尾气预测排放量。
可选地,处理器501执行的方法中,在基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据之前,包括:
根据车流量数据对应的采集时间长度确定计算的预定计算次数;
基于初始状态数据和车流量数据,利用卡尔曼滤波算法确定目标状态数据,包括:
基于初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到循环状态数据,并记录基于初始状态数据和车流量数据,利用卡尔曼滤波算法进行计算的当前计算次数;
判断当前计算次数与预定计算次数是否相等;
在当前计算次数与预定计算次数相等时,将循环状态数据作为目标状态数据。
可选地,处理器501执行的方法中,在当前计算次数与预定计算次数不相等时,还包括:
将下一次计算次数对应的初始状态数据更新为当前计算次数对应的循环状态数据;
基于下一个计算次数的初始状态数据和车流量数据,利用卡尔曼滤波算法计算得到下一个计算次数对应的循环状态数据,直至下一个计算次数与预定计算次数相等。
可选地,处理器501执行的方法中,还包括:
通过交通分配获取校正后的OD矩阵对应的实际车流量数据,并根据实际车流量数据确定实际OD矩阵;
利用校正后的OD矩阵与实际OD矩阵,对校正模型的参数进行调整。
本申请实施例所提供的数据处理方法及装置的计算机程序产品,包括存储了程序代码的计算机可读存储介质,程序代码包括的指令可用于执行前面方法实施例中的方法,具体实现可参见方法实施例,在此不再赘述。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述数据处理方法,从而能够减小数据采集的工作量,并且提高OD矩阵的准确性及有效性。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种数据处理方法,其特征在于,包括:
获取目标路段的车流量数据;
基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据;
通过所述卡尔曼滤波算法对所述目标状态数据进行计算,得到校正后的车流量数据;
利用所述校正后的车流量数据确定起讫点OD矩阵。
2.根据权利要求1所述的方法,其特征在于,还包括:
利用预先训练好的校正模型,对所述OD矩阵进行校正,得到校正后的OD矩阵;其中,所述校正模型包括卡尔曼滤波算法。
3.根据权利要求2所述的方法,其特征在于,还包括:
将所述校正后的OD矩阵进行网络交通分配后与预先标定的交通排放模型中,得到尾气预测排放量。
4.根据权利要求1所述的方法,其特征在于,在基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据之前,包括:
根据所述车流量数据对应的采集时间长度确定计算的预定计算次数;
所述基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据,包括:
基于所述初始状态数据和所述车流量数据,利用所述卡尔曼滤波算法计算得到循环状态数据,并记录基于所述初始状态数据和所述车流量数据,利用所述卡尔曼滤波算法进行计算的当前计算次数;
判断所述当前计算次数与所述预定计算次数是否相等;
在所述当前计算次数与所述预定计算次数相等时,将所述循环状态数据作为所述目标状态数据。
5.根据权利要求4所述的方法,其特征在于,在所述当前计算次数与所述预定计算次数不相等时,还包括:
将下一次计算次数对应的初始状态数据更新为所述当前计算次数对应的循环状态数据;
基于下一个计算次数的初始状态数据和所述车流量数据,利用卡尔曼滤波算法计算得到下一个计算次数对应的循环状态数据,直至下一个计算次数与所述预定计算次数相等。
6.根据权利要求2所述的方法,其特征在于,还包括:
通过交通分配获取所述校正后的OD矩阵对应的实际车流量数据,并根据所述实际车流量数据确定实际OD矩阵;
利用所述校正后的OD矩阵与所述实际OD矩阵,对所述校正模型的参数进行调整。
7.一种数据处理装置,其特征在于,包括:
获取模块,用于获取目标路段的车流量数据;
目标状态数据确定模块,用于基于初始状态数据和所述车流量数据,利用卡尔曼滤波算法确定目标状态数据;
车流量数据校正模块,用于通过所述卡尔曼滤波算法对所述目标状态数据进行计算,得到校正后的车流量数据;
OD矩阵确定模块,用于利用所述校正后的车流量数据确定起讫点OD矩阵。
8.根据权利要求7所述的装置,其特征在于,还包括:
OD矩阵校正模块,用于利用预先训练好的校正模型,对所述OD矩阵进行校正,得到校正后的OD矩阵;其中,所述校正模型包括卡尔曼滤波算法。
9.根据权利要求8所述的装置,其特征在于,还包括:
预测模块,用于将所述校正后的OD矩阵进行网络交通分配后与预先标定的交通排放模型中,得到尾气预测排放量。
10.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至6任一所述的数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193513.1A CN110008528B (zh) | 2019-03-14 | 2019-03-14 | 一种数据处理方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910193513.1A CN110008528B (zh) | 2019-03-14 | 2019-03-14 | 一种数据处理方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110008528A true CN110008528A (zh) | 2019-07-12 |
CN110008528B CN110008528B (zh) | 2023-04-18 |
Family
ID=67167081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910193513.1A Active CN110008528B (zh) | 2019-03-14 | 2019-03-14 | 一种数据处理方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110008528B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008729A (zh) * | 2019-11-06 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN114417614A (zh) * | 2022-01-20 | 2022-04-29 | 悉地(苏州)勘察设计顾问有限公司 | 一种中心城区机动车空间管控措施下碳排放减排测算方法 |
CN114937366A (zh) * | 2022-07-22 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多尺度交通需求与供给转化的交通流推算方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004118735A (ja) * | 2002-09-27 | 2004-04-15 | Toyota Central Res & Dev Lab Inc | 交通状況推定装置及びod交通量修正装置 |
CN103116608A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路交通流再现的方法 |
CN105046350A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 基于afc数据的公交客流od实时估计方法 |
CN107977914A (zh) * | 2017-11-14 | 2018-05-01 | 东南大学 | 一种城市交通管理与控制策略可视量化测试方法 |
CN108320504A (zh) * | 2018-01-22 | 2018-07-24 | 北京工业大学 | 基于监测数据的动态od矩阵估计方法 |
-
2019
- 2019-03-14 CN CN201910193513.1A patent/CN110008528B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004118735A (ja) * | 2002-09-27 | 2004-04-15 | Toyota Central Res & Dev Lab Inc | 交通状況推定装置及びod交通量修正装置 |
CN103116608A (zh) * | 2013-01-18 | 2013-05-22 | 同济大学 | 一种快速路交通流再现的方法 |
CN105046350A (zh) * | 2015-06-30 | 2015-11-11 | 东南大学 | 基于afc数据的公交客流od实时估计方法 |
CN107977914A (zh) * | 2017-11-14 | 2018-05-01 | 东南大学 | 一种城市交通管理与控制策略可视量化测试方法 |
CN108320504A (zh) * | 2018-01-22 | 2018-07-24 | 北京工业大学 | 基于监测数据的动态od矩阵估计方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111008729A (zh) * | 2019-11-06 | 2020-04-14 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN111008729B (zh) * | 2019-11-06 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 一种迁移预测的方法和装置 |
CN114417614A (zh) * | 2022-01-20 | 2022-04-29 | 悉地(苏州)勘察设计顾问有限公司 | 一种中心城区机动车空间管控措施下碳排放减排测算方法 |
CN114417614B (zh) * | 2022-01-20 | 2023-10-27 | 悉地(苏州)勘察设计顾问有限公司 | 一种中心城区机动车空间管控措施下碳排放减排测算方法 |
CN114937366A (zh) * | 2022-07-22 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多尺度交通需求与供给转化的交通流推算方法 |
CN114937366B (zh) * | 2022-07-22 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种基于多尺度交通需求与供给转化的交通流推算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110008528B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110008528A (zh) | 一种数据处理方法、装置及电子设备 | |
CN111652952B (zh) | 车道线生成方法、装置、计算机设备和存储介质 | |
US7848981B2 (en) | Computer system and method for determining an earthquake damage index | |
KR101773911B1 (ko) | 실거래가 및 공시지가를 이용한 부동산 시세추정장치 및 방법 | |
US8612195B2 (en) | Gradient-based workflows for conditioning of process-based geologic models | |
CN109377752A (zh) | 短时交通流变化预测方法、装置、计算机设备及存储介质 | |
US6337657B1 (en) | Methods and apparatuses for reducing errors in the measurement of the coordinates and time offset in satellite positioning system receivers | |
CN109946701A (zh) | 一种点云坐标转换方法及装置 | |
CN111191696B (zh) | 一种基于深度学习算法的钢筋分层方法及系统 | |
US12014536B2 (en) | Target detection method and device for high-resolution remote sensing image | |
CN114760585B (zh) | 车辆群智感知激励方法、系统及设备 | |
CN110888142A (zh) | 基于mems激光雷达测量技术的航天器隐藏目标点测量方法 | |
CN113902457B (zh) | 房源信息可靠性的评估方法、装置、电子设备及存储介质 | |
Schulze-Riegert et al. | Data assimilation coupled to evolutionary algorithms—A case example in history matching | |
CN110019608A (zh) | 一种信息采集方法、装置和系统及存储设备 | |
CN111767357A (zh) | 区域采全评估方法和设备、电子设备和存储介质 | |
US9785904B2 (en) | Methods and systems for demonstrating and applying productivity gains | |
JP2003155776A (ja) | 地震リスクを指標とした耐震設計処理方法,耐震設計処理装置およびそのプログラム | |
CN110517063A (zh) | 进店消费人次确定方法、装置及服务器 | |
Sun et al. | Surrogate Neural Networks to Estimate Parametric Sensitivity of Ocean Models | |
US20230199060A1 (en) | Correlations between workload characteristics and elapsed times | |
CN116069646B (zh) | 一种多目标测试性优化的测试集确定方法及系统 | |
CN117529668B (zh) | 用于提供训练数据以使得神经网络能够分析nmr测量中的信号的系统和方法 | |
Nordevall | Method development of automotive ultrasound simulations | |
Conze et al. | The forward Kolmogorov equation for two dimensional options |
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 |