CN110930704A - 一种基于边缘计算的交通流状态统计分析方法 - Google Patents

Abstract

本发明提供一种基于边缘计算的交通流状态统计分析方法，该方法对道路中现有智能交通摄像机，启用卡口数据FTP上传；根据命名元素组装解析协议，解析卡口FTP的上传内容，辅以设备参数、路段参数、车道转向等静态交通参数，进行信息碰撞比对组合；然后将组合后信息，输入交通流参数边缘计算算法，得到前述3指标的计算结果；采用分布式边缘协同合作，利用多个边缘计算节点协同合作，创建一个虚拟的共享数据的视图，利用一个预定义的公共服务接口来将这些数据进行整合，通过这个数据接口，对外提供交通流参数查询服务。本发明方法利用现有设备改造、技术门槛低、技术成熟、方法易实现、效率高、可靠性高、成本低廉，便于在实际智能交通项目中批量应用推广。

Description

一种基于边缘计算的交通流状态统计分析方法

技术领域

本发明属于智能交通边缘计算领域，具体涉及一种基于边缘计算的交通流状态统计分析方法。

背景技术

边缘计算起源于传媒领域，是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，就近提供最近端服务。其应用程序在边缘侧发起，产生更快的网络服务响应，满足行业在实时业务、应用智能、安全与隐私保护等方面的基本需求。边缘计算处于物理实体和工业连接之间，或处于物理实体的顶端。而云端计算，仍然可以访问边缘计算的历史数据。

在智慧城市和智能交通行业中，边缘计算的设计初衷是为了让数据能够更接近数据源，边缘计算比云计算中心计算有以下优势：支持更加海量的数据处理，提升数据的处理能力；大幅降低网络传输负载，简化网络结构，降低网络延迟，请求响应快、用户体验好；数据本地化使用，提高数据隐私保护能力。

智能交通终端主机，通常与交通摄像机一样处于网络前端，具备实现边缘计算的良好条件。对智能交通终端主机进行边缘计算化改造，比传统数据传输和中心计算处理，具备更加强大的处理能力、更低的成本、更高效的请求响应，具有重要实用价值。

发明内容

本发明的目的是针对现有技术的不足，提出了一种基于边缘计算的交通流状态统计分析方法，该方法方法易实现、效率高、可靠性高、成本低廉，可以使用低成本方案改造和实现交通流参数边缘计算。

本发明所要解决的问题是通过以下的技术方案来实现的。本发明是一种基于边缘计算的交通流状态统计分析方法，其特点是，该方法采用：

解析FTP协议内部STOR命令的消息机制；

灵活组装协议支持999种自定义协议模型，默认模型元素支持3级目录和9个文件名元素顺序组合；

构建区间式、路段式、区域式的边缘计算节点集群，采用分布式边缘协同合作，创建虚拟的共享数据视图，利用公共服务接口对外提供交通流参数查询服务。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：

协议元素包括：协议版本号、分隔符、模型元素、备注；

模型元素中，路径模型元素至少包括3级：即设备IP、时间和记录类型；

文件名元素至少包括9个：即版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数和图片序号；文件名元素中使用的默认组合先后顺序，与所述9个文件名元素顺序完全一致；

灵活组装协议元素，最大支持999种自定义版本协议。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：其步骤如下：

(1)对道路中的智能交通摄像机，启用卡口数据FTP上传，至少开启以下12个上传参数：设备IP、时间、记录类型、版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号；

(2)灵活组装协议元素，解析卡口FTP上传的数据内容，辅以设备参数、路段参数，进行信息碰撞比对组合，生成组合交通流参数；设备参数包括IP、设备编号，路段参数包括区间代号、距离、出入口类型，车道转向包括车道编号、转向；

(3)根据交通流参数边缘计算算法，输入组合交通流参数，计算得到车辆平均速度、车辆平均旅行时间、车道转向流量3指标的计算结果；

(4)采用分布式边缘协同合作，利用多个边缘计算节点协同合作，创建一个虚拟的共享数据的视图，利用一个预定义的公共服务接口来将这些数据进行整合，通过这个数据接口，对外提供交通流参数查询服务。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：步骤(1)中：启用卡口数据FTP上传开启的上传参数还包括违法代码、车身颜色、车辆类型。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：步骤(2)中：协议组装是利用多种既定的元素，解析上传数据的一种动态匹配机制；所述的协议组装包括：协议版本号、分隔符、元素模型、备注；元素模型又分为路径和文件名称两部分，其中路径模型元素至少包括3级：设备IP、时间、记录类型；文件名模型元素至少包括9个：版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号；协议可支持最多999种自定义模型元素组合。

6、根据权利要求3所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(3)中：车辆平均旅行时间计算，设为I_i，O_j分别为本路段第i辆车的出口，入口过车时间，n为该段统计时间内过车总数；则该路段的车辆平均旅行时间

为：

式中，δ_i为清洗因子：

max(s)：当前统计时段内n辆车的最大时差，

min(s)：当前统计时段内n辆车的最小时差，

ω_low：下限致信值；

ω_high：上限致信值；

将组合交通流参数输入平均旅行时间算法，最终得到车辆平均旅行时间计算结果。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：步骤(3)中：车辆平均速度计算，设为D为本路段出入口距离长度，则该路段的车辆平均速度t为：

将组合交通流参数输入平均旅行时间算法，最终得到车辆平均旅行时间计算结果。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：步骤(3)中：车道转向流量计算，E时段内，R方向，U转向，车道C的转向流量统计F为：

式中，λ_i-计数器：

c-车道号，

u-转向编号，

r-行驶方向，

e-当前时段。

将组合交通流参数输入转向流量统计算法，最终得到车道转向流量数据。

本发明所述的基于边缘计算的交通流状态统计分析方法，其进一步优选的技术方案是：步骤(3)中：根据统计时段定义，自动遗忘过期的平均速度、旅行时间和转向流量交通数据，实现交通参数归零，归零清理的方式包括：定期清理和惰性清理，惰性清理为访问时才清理。

与现有技术相比，本发明方法的有益效果是：

1、本发明方法中使用的FTP技术门槛低、技术成熟、方法易实现、效率高、可靠性高，便于技术边缘计算技术改造升级。

2、本发明方法摈弃传统通过扫描FTP文件名称解析信息的方法，采用解析FTP协议内部STOR命令的消息机制，实时高效地提取上传信息。

3、本发明方法通过构建区间式、路段式、区域式的按需计算节点集群，采用分布式边缘协同合作，创建一个虚拟的共享数据的视图，利用公共服务接口对外提供交通流参数查询服务；成本低廉，便于在实际智能交通项目中批量应用推广。

4、本发明在智能交通前端设备侧发起边缘计算，能产生更快的网络服务响应，满足智能交通行业在实时流量、路径规划、交通信号控制等方面的基本需求。可以大幅提城市道路交通流的参数采集和计算效率，具有重要实用价值。

附图说明

图1为本发明的设计流程图；

图2和图3为实验路口示意图。

具体实施方式

下面结合附图对本发明的实施方式作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

实施例1，一种基于边缘计算的交通流状态统计分析方法，其步骤如下：

步骤1，对道路中现有智能交通摄像机，启用卡口数据FTP上传，至少开启以下12个上传参数：设备IP、时间、记录类型、版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号。

步骤2，灵活组装协议元素，解析卡口FTP上传的数据内容，辅以设备参数(IP、设备编号)、路段参数(区间代号、距离、出入口类型)、车道转向(车道编号、转向)等静态交通参数，进行信息碰撞比对组合，生成组合交通流参数。

步骤3，根据交通流参数边缘计算算法，输入组合交通流参数，计算得到车辆平均速度、车辆平均旅行时间、车道转向流量等指标的计算结果。

步骤4，采用分布式边缘协同合作，利用多个边缘计算节点协同合作，创建一个虚拟的共享数据的视图，利用一个预定义的公共服务接口来将这些数据进行整合，通过这个数据接口，对外提供交通流参数查询服务。

实施例2，一种基于边缘计算的交通流状态统计分析方法，其理论具体步骤如下：

步骤1，对道路中现有智能交通摄像机，启用卡口数据FTP上传，至少开启以下12个上传参数：设备IP、时间、记录类型、版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号。其余的上传参数，如：违法代码、车身颜色、车辆类型等，可以丰富参数采集的范围，但不是必须项。传统通过扫描文件名称解析信息的方法，受文件系统读写影响大，实时性和稳定性都较低。为解决这个问题，本方法采用从FTP协议内部解析STOR的消息机制，实时高效地提取上传信息。

步骤2，灵活组装协议元素，解析卡口FTP上传的数据内容，辅以设备参数(IP、设备编号)、路段参数(区间代号、距离、出入口类型)、车道转向(车道编号、转向)等静态交通参数，进行信息碰撞比对组合，生成组合交通流参数。协议组装是指利用多种既定的元素，解析上传数据的一种动态匹配机制。本方法设计的协议组装包括：协议版本号、分隔符、元素模型、备注。元素模型又分为路径和文件名称两部分，其中路径模型元素至少包括3级：设备IP、时间、记录类型；文件名模型元素至少包括9个：版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号。协议可支持最多999种自定义模型元素组合。

步骤3，车辆平均旅行时间计算，设为I_i，O_i分别为本路段第i辆车的出口，入口过车时间，n为该段统计时间内(一般为10分钟)过车总数。则该路段的车辆平均旅行时间

为：

式中，δ_i为清洗因子：

max(s)-当前统计时段内n辆车的最大时差，

min(s)-当前统计时段内n辆车的最小时差，

ω_low-下限致信值，一般取0.2，

ω_high-上限致信值，一般取0.8。

将组合交通流参数输入平均旅行时间算法，最终得到车辆平均旅行时间计算结果。

步骤4，车辆平均速度计算，设为D为本路段出入口距离长度，则该路段的车辆平均速度t为：

将组合交通流参数输入平均旅行时间算法，最终得到车辆平均旅行时间计算结果。

步骤5，车道转向流量计算，设流量统计周期一般为10分钟，则E时段内，R方向，U转向，车道C的转向流量统计F为：

式中，λ_i-计数器：

c-车道号，

u-转向编号，

r-行驶方向，

e-当前时段。

将组合交通流参数输入转向流量统计算法，最终得到车道转向流量数据。

步骤6，交通参数归零。根据统计时段定义，自动遗忘过期的平均速度，旅行时间，转向流量等交通数据，归零清理的方式包括：定期清理和惰性清理(访问时才清理)。

步骤7，分布式边缘协同合作，利用多个边缘计算节点协同合作，创建一个虚拟的共享数据的视图，利用一个预定义的公共服务接口来将这些数据进行整合，通过这个数据接口，对外提供交通流参数查询服务。

步骤8，结束。

实施例3，一种基于边缘计算的交通流状态统计分析方法，其实操具体步骤如下：

步骤1，当前计算节点NodeA，采集路口渠化信息，参照图2和图3，以某实验路口为例；

步骤2，开启出入口相机，配置识别参数：车道号、车道转向、区间长度、区间代号、区间长度，记录过车数据到内存，如下表：

区间代号	车道号	车牌号	进口时间	出口时间
					1	Null	苏G12345	2019-11-2512∶23∶43	Null
1	2	苏G12345	Null	2019-11-2512：24：56
					2	Null	苏G54321	2019-11-2512∶12∶33	Null
2	3	苏G54321	Null	2019-11-2512∶12：33
					...	...	...	...	...

步骤3，进行数据清洗，比如：未识别车牌、出入口时差过大、出入口时差过小、未识别车道等，过滤不合格的数据，匹配出入口车辆信息后，生成边缘计算缓存表：

步骤4，采用本发明所设计的算法公式，计算最终交通参数：

步骤5，针对对多个边缘计算节点，重复步骤1-步骤4，得到区域内所有的交通参数，创建一个虚拟的共享数据的视图，通过公共服务Restful接口，对外提供交通流参数发布查询服务。

Claims (9)

1.一种基于边缘计算的交通流状态统计分析方法，其特征在于，该方法采用：

解析FTP协议内部STOR命令的消息机制；

灵活组装协议支持999种自定义协议模型，默认模型元素支持3级目录和9个文件名元素顺序组合；

构建区间式、路段式、区域式的边缘计算节点集群，采用分布式边缘协同合作，创建虚拟的共享数据视图，利用公共服务接口对外提供交通流参数查询服务。

2.如权利要求1所述的基于边缘计算的交通流状态统计分析方法，其特征在于，

灵活组装协议包括：协议版本号、分隔符、模型元素、备注；

模型元素中，路径模型元素至少包括3级：即设备IP、时间和记录类型；

文件名元素至少包括9个：即版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数和图片序号；文件名元素中使用的默认组合先后顺序，与所述9个文件名元素顺序完全一致；

灵活组装协议元素，最大支持999种自定义版本协议。

3.根据权利要求1所述的基于边缘计算的交通流状态统计分析方法，其特征在于，其步骤如下：

(1)对道路中的智能交通摄像机，启用卡口数据FTP上传，至少开启以下12个上传参数：设备IP、时间、记录类型、版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号；

(2)灵活组装协议元素，解析卡口FTP上传的数据内容，辅以设备参数、路段参数，进行信息碰撞比对组合，生成组合交通流参数；设备参数包括IP、设备编号，路段参数包括区间代号、距离、出入口类型，车道转向包括车道编号、转向；

(3)根据交通流参数边缘计算算法，输入组合交通流参数，计算得到车辆平均速度、车辆平均旅行时间、车道转向流量3指标的计算结果；

(4)采用分布式边缘协同合作，利用多个边缘计算节点协同合作，创建一个虚拟的共享数据的视图，利用一个预定义的公共服务接口来将这些数据进行整合，通过这个数据接口，对外提供交通流参数查询服务。

4.根据权利要求3所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(1)中：启用卡口数据FTP上传开启的上传参数还包括违法代码、车身颜色、车辆类型。

5.根据权利要求3所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(2)中：协议组装是利用多种既定的元素，解析上传数据的一种动态匹配机制；所述的协议组装包括：协议版本号、分隔符、元素模型、备注；元素模型又分为路径和文件名称两部分，其中路径模型元素至少包括3级：设备IP、时间、记录类型；文件名模型元素至少包括9个：版本号、抓拍员、过车时间、车道号、车牌颜色、车牌号码、车速、图片张数、图片序号；协议可支持最多999种自定义模型元素组合。

6.根据权利要求3所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(3)中：车辆平均旅行时间计算，设为I_i，O_i分别为本路段第i辆车的出口，入口过车时间，n为该段统计时间内过车总数；则该路段的车辆平均旅行时间

为：

式中，δ_i为清洗因子：

max(s)：当前统计时段内n辆车的最大时差，

min(s)：当前统计时段内n辆车的最小时差，

ω_low：下限致信值；

ω_hig：上限致信值；

将组合交通流参数输入平均旅行时间算法，最终得到车辆平均旅行时间计算结果。

7.根据权利要求3或6所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(3)中：车辆平均速度计算，设为D为本路段出入口距离长度，则该路段的车辆平均速度t为：

将组合交通流参数输入平均旅行时间算法，最终得到车辆平均旅行时间计算结果。

8.根据权利要求3所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(3)中：车道转向流量计算，E时段内，R方向，U转向，车道C的转向流量统计F为：

式中，λ_i-计数器：

c-车道号，

u-转向编号，

r-行驶方向，

e-当前时段。

将组合交通流参数输入转向流量统计算法，最终得到车道转向流量数据。

9.根据权利要求3所述的基于边缘计算的交通流状态统计分析方法，其特征在于，步骤(3)中：根据统计时段定义，自动遗忘过期的平均速度、旅行时间和转向流量交通数据，实现交通参数归零，归零清理的方式包括：定期清理和惰性清理，惰性清理为访问时才清理。

Images