CN111784165A - 一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法 - Google Patents
一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法 Download PDFInfo
- Publication number
- CN111784165A CN111784165A CN202010628578.7A CN202010628578A CN111784165A CN 111784165 A CN111784165 A CN 111784165A CN 202010628578 A CN202010628578 A CN 202010628578A CN 111784165 A CN111784165 A CN 111784165A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- iot
- health
- calculating
- early warning
- 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 29
- 230000036541 health Effects 0.000 title claims abstract description 26
- 241000700605 Viruses Species 0.000 title claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000004659 sterilization and disinfection Methods 0.000 claims abstract description 15
- 230000002776 aggregation Effects 0.000 claims abstract description 8
- 238000004220 aggregation Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000004080 punching Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract 1
- 230000003749 cleanliness Effects 0.000 description 4
- 230000001954 sterilising effect Effects 0.000 description 3
- 241000711573 Coronaviridae Species 0.000 description 2
- 239000013618 particulate matter Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- 230000002009 allergenic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 235000011888 snacks Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于5G NB‑IoT的载运工具病毒健康智能预警系统与方法,包括选取计算时间和路段的人、车和路的数据、基于步骤1中的数据,计算路段人车路的等效聚集度损耗度与安全度,并计算最佳运维表;通过复数ARFIMA进行预测,预测结果与实际结果进行验证,采用复数ARFIMA进行预测,采用实时的客人、车辆和道路信息作为两级互动的预测关系,人在车上是第一级预测关系,人流量越大,消毒的力度需要越大,车在路上是第二级预测关系,路面状况越差,所有部件预先更换维护的力度需要越大,根据多层次维保需求与新部件供给调整发车前维护与消毒的级别,以更好地解决故障抛锚带来的人员扎堆,实现全绿色出行。
Description
技术领域
本发明涉及健出行智能预警技术领域,具体为一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法。
背景技术
目前,新冠病毒流行,如何实时的健康汽车,地铁,轮船,飞机等各种载运工具的消毒状态至关广大人民群众的生命安全问题,在健康出行中,载运工具是否已经消毒,是否携带新冠病毒,成为人们关注的焦点,现有的载运工具预警方法存在较大问题,在上班高峰期频繁发车,负责消毒的工作人员缺少,且容易造成路面堵塞;而在非高峰期减少班次,有大量空运消毒串车的出现,以及乘客在车站等待聚集扎堆时间变长的问题,乘车体验变差,而传统的路况统计预测方法是采用实数的ARFIMA预测算法,数据的量需要比较大,增加协调的难度,且不区分单双日,预测准确度差,所以急需一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法。
发明内容
本发明提供一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法,可以有效解决上述背景技术中提出现有预警方法数据大,处理难度高,且不区分单双日,降低预测准确度的问题。
为实现上述目的,本发明提供如下技术方案:一种基于5G NB-IoT的载运工具病毒健康智能预警方法,包括如下步骤:
步骤1、选取计算时间和路段的人、车和路的数据;
步骤2、基于步骤1中的数据,计算路段人车路的等效聚集度损耗度与安全度,并计算最佳运维表;
步骤3、判断是否为停运时间,若是则,整理数据库,若否则,进行步骤4;
步骤4、根据步骤2的计算的结果,通过复数ARFIMA进行预测,包括:
a、计算单日最小均方直线预测结果和计算双日预测结果;
b、基于a的计算结果,将两种结果进行混合计算;
c、对前述的三种计算结果计算亚方差,并绘制亚方差的预测图,其中,界定上下限,均值加亚方差实部绝对值为上限,均值减亚方差虚部绝对值为下限,如果出现负数,取零为下限;
d、基于c的预测图判断预测结果,并在预测结果超过预定的上下限时,采取消毒与维护行动;
步骤5、基于步骤4的预测结果与实际结果进行验证,判断误差是否大于5%,若是则,进行应急方案,若否则,回到步骤3。
优选的,在所述步骤1中,从总站获取数据,并采用5G NB-IoT进行数据传输,且在总站中,采用能够处理高并发和高实时的Hadoop的大数据架构记录并计算由此形成的大数据。
优选的,在所述步骤1中,采用混合时间地点的计量方法对选取的数据进行计算,即,从载运工具起步离开站点开始计时,到载运工具到站停车结束一个混合时空计量单元。
优选的,混合时空计量单元包括但不限于运行日期、载客人数、老人人数、小孩人数、天气情况、行驶里程、转向次数、变道次数、转向角度、油门次数、刹车次数,道路维修占道情况。
优选的,在所述步骤2中,根据服务对象的重要程度分配权重底数再相乘,然后把所有数值相乘以计算等效聚集度,分别的计算公式为:
人聚集度=(1-(1-wp1)^载客人数)*(1-(1-wp2)^上客人数)*(1-(1-wp3^下客人数)*(1-(1-wp4)^老人人数)*(1-(1-wp5)^小孩人数);
车损耗度=(1-(1-wb1)^转向次数)*(1-(1-wb2)^转向度数)*wb3^行驶里程)*(1-(1-wb4^累计载荷)*(1-(1-wb5)^累计能耗);
路危险度=(1-(1-wb1)^累计雨雪)*(1-(1-wb2)^超车次数)*(1-(1-wb3)^刹车次数)*(1-(1-wb4)^油门次数)*(1-(1-wb5)^变道次数);
其中,每个公式的所有权重都小于1。
优选的,在步骤2中,最佳运维表选择人与路都健康、但是车不健康的复数ARFIMA值作为最佳能效复数ARFIMA值维修决策值,且根据这个值保证在路堵人多的情况下的中车辆优异监控,而相对应的混合时空单元序列表即为最佳维修表。
优选的,在步骤4中,采用的计算方法包括:第一,把数据按一定的时段与路段进行单双日分割与组合,第二,计算相应时段与路段的复数ARFIMA值;
其中,根据工作日和休息日分割,且休息日包括周末和假期。
优选的,在步骤5中,应急方案包括允许清洁后的车超车,避免串车并平衡车辆清洁过程延误的时间。
一种基于5G NB-IoT的载运工具病毒健康智能预警系统,该预警系统包括:
一个或多个摄像头,用于监控载运工具内和载运工具外的画面;
收费机构,用于收费以及统计收费人数并且反馈给总站。
优选的,摄像头采用双目摄像头,且布设于载运工具前中后部位,用于路况识别、乘客数量监控,收费机构包括IC卡刷卡机、二维码刷卡机和投币箱,且收费机构布设于载运工具前中门。
与现有技术相比,本发明的有益效果:
1、本发明中,采用复数ARFIMA进行预测,采用实时的客人、车辆和道路信息作为两级互动的预测关系,其中,人在车上是第一级预测关系,人流量越大,消毒的力度需要越大,车在路上是第二级预测关系,路面状况越差,所有部件预先更换维护的力度需要越大,根据多层次维保需求与新部件供给调整发车前维护与消毒的级别,以更好地解决故障抛锚带来的人员扎堆,实现全绿色出行。
2、本发明中,复数ARFIMA利用日特征进行交叉预测,分为单双日,且包括工作日和休息日,针对不同日特征进行预测,确保预测的准确度,且不增加所需数据量的负担,只是对现有的数据做二次信息提取,分组重新计算,利用复数计算深度提取隐含的日特征信息,并在预测后并根据实际的结果进行验证,保证动态应急替换的准确度。
3、本发明中,信息传输则利用现有的5G NB-IoT,其广覆盖、低功耗、支撑连接能力强、低成本,可以借助公用网的稳定性,同时避免专用网的维护成本,能够一次接入大量终端的网络,利用日益完善的车站设施,把等车人数,路面状况,车身健康等关键数据全部定时定点的回传给总站。
4、本发明中,采用能够处理高并发和高实时的Hadoop的大数据架构记录并计算由此形成的大数据,是一个Apache开放源代码框架,允许使用简单的编程模型进行跨大型计算机的大型数据集分布式处理,其框架的核心HDFS和MapReduce,分别提供了用于存储海量数据的存储空间以及处理海量数据所需要的计算。
5、本发明中,通过设置应急方案,允许清洁后的车超车,可以有效避免串车并平衡车辆清洁过程延误的时间,避免乘客在车站等待聚集扎堆时间变长的问题。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
在附图中:
图1是本发明复数ARFIMA预测动态监控清洁维修站点布局流程图;
图2是本发明复数ARFIMA安全度预测的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例:如图1-2所示,一种基于5G NB-IoT的载运工具病毒健康智能预警方法,包括如下步骤:
步骤1、选取计算时间和路段的人、车和路的数据;
具体的,从总站获取数据,并采用5G NB-IoT进行数据传输,其广覆盖、低功耗、支撑连接能力强、低成本,可以借助公用网的稳定性,同时避免专用网的维护成本,利用日益完善的车站设施,把等车人数,路面状况,车身健康的关键数据全部定时定点的回传给总站;
在总站中,采用能够处理高并发和高实时的Hadoop的大数据架构记录并计算由此形成的大数据,其中,Hadoop是一个Apache开放源代码框架,它允许使用简单的编程模型进行跨大型计算机的大型数据集分布式处理,其框架的核心HDFS和MapReduce,分别提供了用于存储海量数据的存储空间以及处理海量数据所需要的计算。
进一步的,在步骤1中,采用混合时间地点的计量方法对选取的数据进行计算,即,从载运工具起步离开站点开始计时,到载运工具到站停车结束一个混合时空计量单元,其中,按时间的计算可以更好地捕捉高峰的发生时间,按地点的计算可以更好地捕捉高峰的发生地点;
混合时空计量单元包括但不限于运行日期、载客人数、老人人数、小孩人数、天气情况、行驶里程、转向次数、变道次数、转向角度、油门次数、刹车次数,道路维修占道情况。
优选的,可对混合时空计量单元进行细分,如,运行日期可以分为假期与工作日,假期可以进一步分为国庆、春节;天气情况可以细分为晴天、雨天、下雪。
步骤2、基于步骤1中的数据,计算路段人车路的等效聚集度损耗度与安全度,并计算最佳运维表;
具体的,在步骤2中,计算路段人车路的等效聚集度损耗度与安全度时,根据服务对象的重要程度分配权重底数再相乘,然后把所有数值相乘以计算等效聚集度,分别的计算公式为:
人聚集度=(1-(1-wp1)^载客人数)*(1-(1-wp2)^上客人数)*(1-(1-wp3^下客人数)*(1-(1-wp4)^老人人数)*(1-(1-wp5)^小孩人数);
车损耗度=(1-(1-wb1)^转向次数)*(1-(1-wb2)^转向度数)*wb3^行驶里程)*(1-(1-wb4^累计载荷)*(1-(1-wb5)^累计能耗);
路危险度=(1-(1-wb1)^累计雨雪)*(1-(1-wb2)^超车次数)*(1-(1-wb3)^刹车次数)*(1-(1-wb4)^油门次数)*(1-(1-wb5)^变道次数);
其中,每个公式的所有权重都小于1,且在计算中选取的因素可以根据需要增加减少或者更改。
在计算最佳运维表时,最佳运维表选择人与路都健康、但是车不健康的复数ARFIMA值作为最佳能效复数ARFIMA值维修决策值,且根据这个值保证在路堵人多的情况下的中车辆优异监控,而相对应的混合时空单元序列表即为最佳维修表。
步骤3、判断是否为停运时间,若是则,整理数据库,若否则,进行步骤4;
步骤4、根据步骤2的计算的结果,通过复数ARFIMA进行预测,包括:
a、计算单日最小均方直线预测结果和计算双日预测结果;
b、基于a的计算结果,将两种结果进行混合计算;
c、对前述的三种计算结果计算亚方差,并绘制亚方差的预测图,其中,界定上下限,均值加亚方差实部绝对值为上限,均值减亚方差虚部绝对值为下限,如果出现负数,取零为下限;
其中,标准方差是每个样本值与全体样本值的平均数之差的平方值的平均数,亚方差是每个样本值与全体样本值的平均数之差的1.5次方值的平均数,最小均方大于亚方差,亚方差的公式为:当数值越大时,外出乘车人员越多,将出乘车人少的路段与时段的复数ARFIMA的平均数值作为最佳安全值。
d、基于c的预测图判断预测结果,并在预测结果超过预定的上下限时,采取消毒与维护行动。
在一载运工具健康指数案例中,车内挥发性有机物VOC、车内气味强度VOI、车内颗粒物PM、车内致敏物质VAR,一条线路的健康程度如表格所示:
由上表可知计算上限与下限的站点方差的时,早晚都是0.69没有任何区别,而通过计算亚方差,数值发生变化,利用计算亚方差可以给出更精确的用户画像。
具体的,在步骤4中,采用的计算方法包括:第一,把数据按一定的时段与路段进行单双日分割与组合,第二,计算相应时段与路段的复数ARFIMA值;
其中,根据工作日和休息日分割,且休息日包括周末和假期。
在工作日情况下,
工作日的出行集中在上下班时段前后,上班时段的出行主要集中在上班前一两个小时,是工作日最为人群出行最为集中的时段,由于公司考勤制度的关系,需求载运工具能够非常准时并且不抛锚,此时段最需要关注车辆零件的损坏度;下班时段出行相对分散,但最集中依然是在下班后一个小时到两个小时内,之后根据加班时间不同,加班公司聚集地不同,会有不同的出行时间;与上班不同,大部分人下班并不赶时间,相对零件损坏检测可以放松一些,而消毒应该更加注意。
在周末情况下,
在中午前后会是人群出行的一个高峰,对于小区到商场、市中心、小吃街的区域为重点关注消毒,而零件损坏可以相对放松一些,且对于短距离市内或城间旅行的人群,主要是以家庭为单位出行的,所以对居民区到风景区和车站区域的消毒和车辆零件检查提高;
针对假日,由于人流流动较大,此时提高消毒工作的执行,零件检查其次。
根据上述情况,采取的措施为,车辆消毒需要集中紧挨在高峰前后,小修可以安排在白天空闲期,大修尽量安排在晚上。
步骤5、基于步骤4的预测结果与实际结果进行验证,判断误差是否大于5%,若是则,进行应急方案,若否则,回到步骤3。
在步骤5中,应急方案包括允许清洁后的车超车,避免串车并平衡车辆清洁过程延误的时间;
其中,相同清洁度的车则不允许超车,由于临时清洁的目的在于根据人流聚集需求调整车辆清洁度,如果相同清洁度车出现了需要超车的情况,则代表动态调整清洁站点没有达到预期的效果,串车就会同时影响到路和人,以及他们的安全需求。
一种基于5G NB-IoT的载运工具病毒健康智能预警系统,该预警系统包括:
一个或多个摄像头,用于监控载运工具内和载运工具外的画面;
收费机构,用于收费以及统计收费人数并且反馈给总站。
具体的,摄像头采用双目摄像头,且布设于载运工具前中后部位,用于路况识别、乘客数量监控,收费机构包括IC卡刷卡机、二维码刷卡机和投币箱,且收费机构布设于载运工具前中门。
在一具体案例中,一条从居民区到科技园区的公共交通线路和一条从居民区到商场的公共交通线路,通过总站的历史库中,选取的人、车、路的数据,并使用Hadoop系统进行人、车、路的健康度计算,再根据健康度分别计算出复数ARFIMA预测,早晨时段,从简单消毒开始,逐渐加大强度,用以匹配逐渐增多的客流量与扶手的病毒污染程度,而下午时段,不同于较为统一的上班时间,下班时间差别比较大,所以与早高峰不同,人流量相对分散,可以安排部分车辆的换车维修,或重点消毒,以匹配逐渐降低的客流量与逐渐通畅的道路,客流量以各站点刷卡人数为准,路况拥堵状况由智能行车记录仪摄像统计。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于,包括如下步骤:
步骤1、选取计算时间和路段的人、车和路的数据;
步骤2、基于步骤1中的数据,计算路段人车路的等效聚集度损耗度与安全度,并计算最佳运维表;
步骤3、判断是否为停运时间,若是,则整理数据库,若否,则进行步骤4;
步骤4、根据步骤2的计算的结果,通过复数ARFIMA进行预测,包括:
a、计算单日最小均方直线预测结果和计算双日预测结果;
b、基于a的计算结果,将两种结果进行混合计算;
c、对前述的三种计算结果计算亚方差,并绘制亚方差的预测图,其中,界定上下限,均值加亚方差实部绝对值为上限,均值减亚方差虚部绝对值为下限,如果出现负数,取零为下限;
d、基于c的预测图判断预测结果,并在预测结果超过预定的上下限时,采取消毒与维护行动;
步骤5、基于步骤4的预测结果与实际结果进行验证,判断误差是否大于5%,若是则,进行应急方案,若否则,回到步骤3。
2.根据权利要求1所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:在所述步骤1中,从总站获取数据,并采用5G NB-IoT进行数据传输,且在总站中,采用能够处理高并发和高实时的Hadoop的大数据架构记录并计算由此形成的大数据。
3.根据权利要求1所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:在所述步骤1中,采用混合时间地点的计量方法对选取的数据进行计算,即,从载运工具起步离开站点开始计时,到载运工具到站停车结束一个混合时空计量单元。
4.根据权利要求3所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:混合时空计量单元包括但不限于运行日期、载客人数、老人人数、小孩人数、天气情况、行驶里程、转向次数、变道次数、转向角度、油门次数、刹车次数,道路维修占道情况。
5.根据权利要求3所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:在所述步骤2中,根据服务对象的重要程度分配权重底数再相乘,然后把所有数值相乘以计算等效聚集度,分别的计算公式为:
人聚集度=(1-(1-wp1)^载客人数)*(1-(1-wp2)^上客人数)*(1-(1-wp3^下客人数)*(1-(1-wp4)^老人人数)*(1-(1-wp5)^小孩人数);
车损耗度=(1-(1-wb1)^转向次数)*(1-(1-wb2)^转向度数)*wb3^行驶里程)*(1-(1-wb4^累计载荷)*(1-(1-wb5)^累计能耗);
路危险度=(1-(1-wb1)^累计雨雪)*(1-(1-wb2)^超车次数)*(1-(1-wb3)^刹车次数)*(1-(1-wb4)^油门次数)*(1-(1-wb5)^变道次数);
其中,每个公式的所有权重都小于1。
6.根据权利要求5所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:在步骤2中,最佳运维表选择人与路都健康、但是车不健康的复数ARFIMA值作为最佳能效复数ARFIMA值维修决策值,且根据这个值保证在路堵人多的情况下的中车辆优异监控,而相对应的混合时空单元序列表即为最佳维修表。
7.根据权利要求1所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:在步骤4中,采用的计算方法包括:第一,把数据按一定的时段与路段进行单双日分割与组合,第二,计算相应时段与路段的复数ARFIMA值;
其中,根据工作日和休息日分割,且休息日包括周末和假期。
8.根据权利要求1所述的一种基于5G NB-IoT的载运工具病毒健康智能预警方法,其特征在于:在步骤5中,应急方案包括允许清洁后的车超车,避免串车并平衡车辆清洁过程延误的时间。
9.一种基于5G NB-IoT的载运工具病毒健康智能预警系统,其特征在于,该预警系统包括:
一个或多个摄像头,用于监控载运工具内和载运工具外的画面;
收费机构,用于收费以及统计收费人数并且反馈给总站。
10.根据权利要求9所述的一种基于5G NB-IoT的载运工具病毒健康智能预警系统,其特征在于:摄像头采用双目摄像头,且布设于载运工具前中后部位,用于路况识别、乘客数量监控,收费机构包括IC卡刷卡机、二维码刷卡机和投币箱,且收费机构布设于载运工具前中门。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628578.7A CN111784165A (zh) | 2020-07-01 | 2020-07-01 | 一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010628578.7A CN111784165A (zh) | 2020-07-01 | 2020-07-01 | 一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784165A true CN111784165A (zh) | 2020-10-16 |
Family
ID=72759132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010628578.7A Pending CN111784165A (zh) | 2020-07-01 | 2020-07-01 | 一种基于5G NB-IoT的载运工具病毒健康智能预警系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784165A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
CN109558985A (zh) * | 2018-12-10 | 2019-04-02 | 南通科技职业学院 | 一种基于bp神经网络的公交客流量预测方法 |
CN110147419A (zh) * | 2019-04-25 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 基于地铁空间的传染病扩散分析方法及系统 |
-
2020
- 2020-07-01 CN CN202010628578.7A patent/CN111784165A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093106A (zh) * | 2013-01-25 | 2013-05-08 | 上海市浦东新区疾病预防控制中心 | 大型活动中多源数据的传染病症状监测与预警方法 |
CN109558985A (zh) * | 2018-12-10 | 2019-04-02 | 南通科技职业学院 | 一种基于bp神经网络的公交客流量预测方法 |
CN110147419A (zh) * | 2019-04-25 | 2019-08-20 | 中国科学院深圳先进技术研究院 | 基于地铁空间的传染病扩散分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766969B (zh) | 一种基于地铁服务能力瓶颈区段识别的大站快线布设方法 | |
CN111452669B (zh) | 公交智能充电的系统和方法及介质 | |
CN110942411B (zh) | 基于区域联动的地铁车站客流分级报警方法 | |
CN108776852A (zh) | 无桩车辆调度方法和系统 | |
Wegener | The IRPUD model | |
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
Ryan et al. | Comparison of perceived and measured accessibility between different age groups and travel modes at Greenwood Station, Perth, Australia | |
CN109034566A (zh) | 一种基于公交站点上下客流的智能调度方法及装置 | |
Li et al. | Public bus arrival time prediction based on traffic information management system | |
CN107170283A (zh) | 一种停车位决策方法及系统 | |
CN107749165A (zh) | 基于城市道路拥堵指数的计算方法 | |
CN108563717A (zh) | 一种基于信息融合的共享单车故障识别与应用系统 | |
CN109816978B (zh) | 考虑驾驶员动态响应行为的区域群体交通诱导系统及方法 | |
CN111986337A (zh) | 基于机器人的路侧停车收费管理系统及方法 | |
CN112735183A (zh) | 一种基于大数据的智慧停车管理系统及方法 | |
CN110148297A (zh) | 一种使用班车接驳的停车换乘系统及优化方法 | |
CN103208179A (zh) | 一种建成智能公共交通网络的方法和设备 | |
CN106295868A (zh) | 交通出行数据处理方法及装置 | |
CN109785627A (zh) | 一种十字路口交通流量监控系统 | |
CN115860594A (zh) | 一种应用于智能公交排班调度的仿真系统及方法 | |
Akbardin et al. | The characteristics study of parking user behavior toward location accessibility of non-commercial activities center | |
Das et al. | On-street parking demand estimation in urban CBD using FI and CF model: a case study–Kolkata, India | |
He et al. | Analysis of urban traffic accidents features and correlation with traffic congestion in large-scale construction district | |
CN113592272A (zh) | 一种公交及巡游小巴的调度方法 | |
Zhou et al. | A data‐driven urban metro management approach for crowd density control |
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 |