CN111915887A - 一种基于多源异构交通数据的集成与处理系统及其方法 - Google Patents
一种基于多源异构交通数据的集成与处理系统及其方法 Download PDFInfo
- Publication number
- CN111915887A CN111915887A CN202010661258.1A CN202010661258A CN111915887A CN 111915887 A CN111915887 A CN 111915887A CN 202010661258 A CN202010661258 A CN 202010661258A CN 111915887 A CN111915887 A CN 111915887A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- module
- source heterogeneous
- processing
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000010354 integration Effects 0.000 title claims abstract description 25
- 230000006698 induction Effects 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 30
- 230000008676 import Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 description 32
- 238000007726 management method Methods 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000011664 signaling Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241001622623 Coeliadinae Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 244000273928 Zingiber officinale Species 0.000 description 1
- 235000006886 Zingiber officinale Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005206 flow analysis Methods 0.000 description 1
- 235000008397 ginger Nutrition 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- MJFJKKXQDNNUJF-UHFFFAOYSA-N metixene Chemical compound C1N(C)CCCC1CC1C2=CC=CC=C2SC2=CC=CC=C21 MJFJKKXQDNNUJF-UHFFFAOYSA-N 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000028838 turning behavior Effects 0.000 description 1
- 239000001841 zingiber officinale Substances 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源异构交通数据的集成与处理系统及其方法，其中系统包括系统管理模块、数据中心模块、数据处理模块、交通运行状态模块、路径诱导模块、诱导发布模块；系统管理模块，用于实现交通设施的管理，并通过交通设施设备获取多源异构交通流数据、GIS数据；数据中心模块，用于导入采集的多源异构交通流数据和GIS数据；数据处理模块，根据数据中心采集到的交通数据、GIS数据进行融合清洗处理；交通运行状态模块，计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示；路径诱导模块，基于交通运行状态模块，响应于驾驶员的请求，提供不同的路径诱导模式；所述的诱导发布模块，对路径诱导信息进行发布与显示。
Description
技术领域
本发明涉及交通协调控制技术领域，更具体的，涉及一种基于多源异构交通数据的集成与处理系统及其方法。
背景技术
随着信息化建设水平的不断提升，系统规模日益增大，包括综合应用平台、信号控制、指挥调度等在内的系统，每天都在产生大量的不同渠道、不同来源、不同结构的数据，并且各个业务系统之间的数据未实现自动共享、联动、分析，大部分需要手工录入、填报。总的来说，数据量巨大，但由于各方面数据应用单一、不够深化，不能够充分挖掘数据的价值，目前的数据分析平台已无法满足现代智能交通的要求。
随着应用的不断深化，数据种类越来越多，数据总量越来越大，应用需求越来越复杂，传统的技术架构和数据存储处理方式，已经成为制约海量数据集成整合、研判应用、挖掘分析的瓶颈，无法适应现代交通管理信息化建设要求。
如中国专利公开号：CN201741287U，公开日2011-02-09，其公开的一种交通诱导屏运行状态监控系统及交通信息诱导系统，存在的具体问题如下：
(1)数据基础支撑能力不足
各系统、各部门使用的日常业务数据量不断积累，新的系统建设需求不断显现，形成了大量图片、录像、文本等数据，随着交通卡口、电子警察、违法抓拍以及互联网数据、社会资源数据的不断引入，全面交通管理数据分析与挖掘的需求，带来前所未有的数据集成、存储、计算、管理要求。传统的基础平台架构已经无法适应和快速响应现阶段交通管理信息化的发展，迫切需要结合传统数据仓库技术研究引进集成化程度更高、更加节能环保、更易于升级扩展、更高性能的系统平台。
(2)数据整合不足，数据质量欠佳
通过近些年的业务系统的建设，已经积累了相当数量的信息资源，但可能存在数据关联不足、业务应用不方便等问题，制约了交通管理信息研判分析和战果共享。相关社会、互联网等优质资源尚未能得到有效获取、整合和接入，资源范围不够全面，信息面不够丰富，为管理业务数据的深入分析应用和落地带来了一定的影响。数据整合工作还相对单一，数据质量缺乏统一管控，不能满足业务支撑要求。
(3)数据研判分析深度有待提升
各类业务应用系统的设计、规划基本上是基于日常业务需要和各职能部门的需求进行的，经过多年应用积累产生了大量业务数据，但对数据的综合应用较少，缺乏面向全业务流程的数据综合分析和挖掘，无法为交管实战应用、综合管理和顶层决策提供进一步有价值的信息。
(4)数据综合治理与共享应用不到位
目前数据获取和数据存储方面由于存储分散、数据格式各异，未能对数据进行有效的整合治理。各数据存储之间无法互通，不便进行资源共享，难以实现业务串联分析，影响数据的关联查询、分析研判。各部门业务应用系统繁多，且系统间彼此孤立，形成信息孤岛。各业务系统之间缺乏统一的数据存储、交换与共享标准，难以进行现有资源的综合有效治理和应用共享。
发明内容
本发明为了解决以上现有技术中至少一个问题，提供了一种基于多源异构交通数据的集成与处理系统及其方法，其实现多源异构交通大数据的融合与处理，改善道路的通行效率，有效预测交通拥堵，缓解交通压力，驾驶员出行提供舒适、便捷的服务。
为实现上述本发明目的，采用的技术方案如下：一种基于多源异构交通数据的集成与处理系统，包括系统管理模块、数据中心模块、数据处理模块、交通运行状态模块、路径诱导模块、诱导发布模块；
所述的系统管理模块，用于实现交通设施设备的管理，并通过交通设施设备获取多源异构交通流数据、GIS数据；
所述的数据中心模块，用于导入采集的多源异构交通流数据和GIS数据；
所述的数据处理模块，根据数据中心采集到的交通数据、GIS数据进行融合清洗处理；
所述的交通运行状态模块，计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示；
所述的路径诱导模块，基于交通运行状态模块，响应于驾驶员的请求，提供不同的路径诱导模式；
所述的诱导发布模块，对路径诱导信息进行发布与显示。
优选地，所述的系统管理模块包括对路口基础信息、路段基础信息、区域信息、检测设备、诱导屏、电子警察几种基础设施进行管理。
优选地，所述的检测设备包括交通数据采集设备、车载终端设备，其中所述的交通数据采集设备包括设置在各类道路上方的摄像头、地磁传感器。
优选地，所述的数据中心提供在线交通数据采集和离线交通数据导入两种模式，采集的交通数据包括交通状态、交通指数、交通流量、平均速度、排队长度、停车次数、延误时间、饱和度、旅行时间、记录时间。
优选地，所述的数据处理模块根据选择分析的时段不同，分别以时、天、周、月、年的时间段对路口、路段、区域数据进行交通状态分析、指数分析、流量分析、速度分析、排队长度分析、停车次数分析、延误时间分析、饱和度分析、旅行时间分析，并生成分析统计图，以图形方式显示不同时期的交通状况。
优选地，所述的诱导模式包括最短时间诱导和最短路径诱导。
优选地，所述的系统还包括违法处理模块，用于管理车辆的违法信息，其功能包括违法信息的录入、处罚、统计几种操作。
本发明还提供了一种基于多源异构交通数据的集成与处理的方法，所述的方法包括以下步骤：
S1：利用系统管理模块，对交通设施设备进行管理，采用交通大数据检测方法获取多源异构交通流数据、GIS数据；
S2：所述的数据中心模块，用于接收交通流数据和GIS数据，
S3：所述的数据处理模块，对GIS数据进行拓扑分析匹配法处理，对多源异构交通流数据采用值型线性双层规划进行建模，运用MapReduce算法进行数据处理，将处理后的交通流数据和GIS数据经过数据融合得到路网动态交通流数据；
S4：通过交通运行状态模块计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示，从而得到交通运行状态；
S5：基于交通运行状态，响应于驾驶员的请求，通过路径诱导模块提供不同的路径诱导模式；
S6：通过诱导发布模块对路径诱导信息进行发布与显示。
优选地，所述的交通大数据检测方法包括视频检测、地磁检测、线圈检测、车载GPS检测、手机APP检测几种交通信息检测方法。
优选地，所述的诱导模式包括最短时间诱导和最短路径诱导，其中所述最短路径诱导采用基于MapReduce的最短路径算法。
本发明的有益效果如下：
1.本发明实现交通拥堵监测与个性化诱导，疏通瓶颈交叉口，保障城市畅通。基于此建立个性诱导与交通信息发布系统，提高路网高效畅通的能力，有效节省行驶时间，减少行车延误，最大限度的方便出行者驾车外出。
2.保障城市畅通，整合交通信息采集、交通拥堵监控与预测、交通多源视频监控以及违法取证等系统资源，构建多源异构交通大数据集成与处理平台，实现交通监、管、控一体化。
3.实时监控道路交通状态，根据实时交通流量需求做出相应的交通决策信息，为政府部门和交通管理者的科学决策提供支持。
附图说明
图1是实施例1所述的系统的框架图。
图2是实施例1路段组成图。
图3是实施例1行程时间估计算法的流程图。
图4是实施例1变时域动态模型的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明做详细描述。
实施例1
如图1所示，一种基于多源异构交通数据的集成与处理系统，包括系统管理模块、数据中心模块、数据处理模块、交通运行状态模块、路径诱导模块、诱导发布模块；
所述的系统管理模块，用于实现交通设施设备的管理，并通过交通设施设备获取多源异构交通流数据、GIS数据；
所述的数据中心模块，用于导入采集的多源异构交通流数据和GIS数据；
所述的数据处理模块，根据数据中心采集到的交通数据、GIS数据进行融合清洗处理；
所述的交通运行状态模块，计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示；
所述的路径诱导模块，基于交通运行状态模块，响应于驾驶员的请求，提供不同的路径诱导模式；
所述的诱导发布模块，对路径诱导信息进行发布与显示。
所述的基于多源异构交通数据的集成与处理系统的工作原理如下：
S1：利用系统管理模块，对交通设施设备进行管理，采用交通大数据检测方法获取多源异构交通流数据、GIS数据；
S2：所述的数据中心模块，用于接收交通流数据和GIS数据，
S3：所述的数据处理模块，对GIS数据进行拓扑分析匹配法处理，对多源异构交通流数据采用值型线性双层规划进行建模，运用MapReduce算法进行数据处理，将处理后的交通流数据和GIS数据经过数据融合得到路网动态交通流数据；
S4：通过交通运行状态模块计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示，从而得到交通运行状态；
S5：基于交通运行状态，响应于驾驶员的请求，通过路径诱导模块提供不同的路径诱导模式；
S6：通过诱导发布模块对路径诱导信息进行发布与显示。
在一个具体的实施例中，所述的系统管理模块包括对路口基础信息、路段基础信息、区域信息、检测设备、诱导屏、电子警察几种基础设施进行管理。
其中所述的检测设备包括交通数据采集设备、车载终端设备，其中所述的交通数据采集设备包括设置在各类道路上方的摄像头、地磁传感器、手机APP。其中所述的车载终端设备为车载GPS。采用设置在各类道路上方的摄像头实现视频检测，视频检测技术是指利用计算机技术、模式识别技术、视频图像处理技术以及人工智能技术。
基于视频的车辆检测方法的一般过程：首先通过各类道路上方所装摄像头完成对交通视频的采集，继而利用计算机视觉和图像处理技术对所获交通视频进行处理，得到一系列交通流信息，最终来达到控制交通或发布信息等目的。具体可以采用目标跟踪检测算法，该算法的整体思路是：根据交通视频中相邻的前后帧之间存在的强相关性，通过对当前顿图像中运动目标的特征包括大小、形状、位置等信息进行提取，再将该特征与相邻巾贞图像进行比对和匹配，从而对该目标进行识别和锁定，进而对后续的车辆跟踪提供保障，最终得到该车辆目标的运行轨迹。
所述的地磁传感器实现的地磁检测原理是将地磁传感器安装在路面上，通过低功率无线电技术连续不断的向附近的接入点发送检测数据，各向异性磁阻传感器利用阻值的差值对应偏置电流和磁场矢量之间的夹角存在函数关系产生的变化来判断有无车辆经过。
所述的手机APP检测方法具体采用移动信令采集子系统，该子系统主要完成两方面工作，一方面，汇聚各城市的信令数据并监测各城市信令数据的上传情况；另一方面，以FTP接口方式向基于移动网络的实时交通信息处理平台提供原始信令数据。
再应用实时交通信息处理平台进行数据解析，该平台由2大子系统组成：①基于移动网络的实时交通信息处理子系统。它可以有效过滤、分发接收到的手机信令数据，通过地图匹配和计算获得基于路网的实时交通信息。②基于移动网络的实时交通信息发布支撑子系统。该系统提供基于HTTP、Websevrice等多种标准接口，把标准的实时交通信息转换成需要的数据格式发布，向中央GIS平台、企业、行业应用和个人交通应用服务平台提供数据。
在一个具体的实施例中，所述的数据中心提供在线交通数据采集和离线交通数据导入两种模式，采集的交通数据包括交通状态、交通指数、交通流量、平均速度、排队长度、停车次数、延误时间、饱和度、旅行时间、记录时间。
在一个具体的实施例中，所述的数据处理模块根据选择分析的时段不同，分别以时、天、周、月、年的时间段对路口、路段、区域数据进行交通状态分析、指数分析、流量分析、速度分析、排队长度分析、停车次数分析、延误时间分析、饱和度分析、旅行时间分析，并生成分析统计图，以图形方式显示不同时期的交通状况。
在一个具体的实施例中，所述的系统还包括违法处理模块，用于管理车辆的违法信息，其功能包括违法信息的录入、处罚、统计几种操作。
在一个具体的实施例中，所述的诱导模式包括最短时间诱导和最短路径诱导，其中所述最短路径诱导采用基于MapReduce的最短路径算法。
在一个具体的实施例中，步骤S4：通过交通运行状态模块计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况。
本实施例对行程时间的定义是：车辆在交通路网的某条路线行驶的总时间，包括车辆行驶的时间，也包括车辆由于交叉口信号控制或其它原因的停车时间。
为了能对车辆的行程时间进行更为精确的计算，本实施例把路段分为“道路范围”与“交叉口范围”两个部分。如图2，“交叉口范围”为从下游交叉口停车线到上游Rc米距离处。“道路范围”指从上游停车线算起，到下游“交叉口范围”边界。Rc的大小与交叉口的信号周期长度以及拥堵程度有关。信号周期越长，拥堵程度越严重，Rc的值也越大。
本实施例对路段行程时间的估计方法，如图3所示：
(1)车辆停车行为判断
车辆在路段上行驶，可能会由于多种原因，出现停车现象。除了交叉口范围的交通信号原因外，行驶中遇到交通拥堵、交通事故或者驾驶者的个人原因，都会造成停车。
由于GPS数据存在误差，当车辆在停车状态下，定位数据会出现漂移。如果不对这些数据进行识别和处理，会影响后续行程时间的计算。根据对停车GPS 数据特征的研究，本文设计了对停车数据识别和处理方法。
①在GPS数据序列中，如果在tk时刻，第k个GPS定位数据的速度vk满足 vk≤Vmin，那么将第k个GPS定位数据的定位点Pk记为停车点，tk记为停车开始时间。
②如果第k+m个GPS定位数据的速度vk+m满足vk+m＞Vmin，那么将第k+m 个GPS定位数据的时间tk+m记为停车终止时间。
其中，0≤Vmin≤10-1m/s，m为满足vk+m＞Vmin的最小整数。此次停车的定位点为Pk，停车时间为[tk,tk+m]。经过处理以后的数据，消除了漂移误差，可以用于路段实时行程时间估算。
(2)车辆行驶方向判断
由于车辆在路段的行驶中，可能会调头并且可能多次调头，为了能够准确地获得车辆的行驶轨迹，本文把对车辆行驶方向的分析，分为：“车辆初始行驶方向判断”与“车辆调头行驶判断”。
1)车辆初始行驶方向判断
车辆初始行驶方向判断指是对首次(或者离开路段以后，再次)出现在某路段的车辆的行驶方向进行判断。设行驶方向判断的采样间隔为Δt0。在太短的采样周期下，GPS数据的误差很容易导致算法的方向判断失误。因此，Δt0的大小需要根据道路拓扑结构、路段限速等进行标定，正常情况下，本文设置Δt0∈[3,6] s。
获得刚刚进入路段范围的某辆车的两个采样定位点分别为P1和P2。P1的定位时间为t1，两个定位点间隔的时间为Δt0。如果定位时间为t1+Δt0的定位数据缺失，那么选择下一秒(即定位时间为t1+Δt0+1)的定位点为P2。P1，P2到路段起点的距离分别为d1，d2。
如果d1＜d2，那么车辆的前进方向为远离路段起点方向；如果d1＞d2，那么车辆的前进方向为驶向路段起点方向。如果d1＝d2，那么取定位时间t1+2Δt0(t1为P1的定位时间)的定位点P3取代P2进行计算，以此类推，直到满足判断要求。
2)车辆调头行驶判断
由于车速与道路结构的原因，车辆调头行为判断的采样周期Δt，小于初始行驶方向判断中的采样周期，本文设置Δt∈[2,5]s。
假设车辆的前进方向为远离路段起点的方向。在本阶段第一个采样定位点为 P3，第i个采样定位点为Pi。di为Pi到路段起点的距离，变量dmax为当前所有di中的最大值。
车辆调头行驶判断算法的具体内容如下：
①判断车辆是否调头。
获取当前所有di中的最大值dmax。设下一个采样定位点为Pn，如果dn>dmax，那么在Pn的定位时间，车辆依然保持远离路段起点的方向行驶，同时更新dmax，令dmax＝dn。如果dn<dmax，那么在Pn的定位时间，车辆很可能实施了调头。
当初步判断车辆调头以后，需要对调头行为进行进一步确认。由于GPS数据存在误差，特别是当车辆速度较低时，有可能会出现“假调头”，形成错误的车辆行驶轨迹。
变量dmin表示车辆调头以后，离路段起点的最短距离。如果dn<dmax令 dmin＝dn。计算dn+1，即下一个定位点到基准线的距离。如果dn+1＜dmin，那么可以确认车辆调头行驶，同时令dmin＝dn+1。如果dn+1＞dmax，认为车辆没有调头。如果dmin≤dn+1≤dmax，那么需要获得下一个采样定位点的数据，按照上面的确认方法进行计算。以此类推，直到能够满足确认条件。
②判断车辆是否再次调头。
判断车辆是否再次调头与首次调头判断方法基本一样，只是因为行驶方向的改变，使得判断标准发生了变化。
(3)路段行程时间估计算法
利用实时GPS数据进行路段行程时间估算的算法主要有两种，分别是时间插值法和速度积分法。姜桂艳等人认为从估算结果的误差大小角度来说，时间插值法的适用范围更加广泛，本文采用时间插值法。
时间插值法的原理是：获取车辆经过路段两侧边界的定位数据，利用插值法得到车辆经过路段边界的时刻，从而计算车辆在路段内的行驶时间。
假设车辆在经过路段边界时，为匀速行进。车辆经过路段边界点的时刻t可以表示为：
上式中，在路段边界两侧的两个定位点为P'和P”。L'和L”分别为P'和P”到路段边界点Q'的距离。t'、t”分别为P'和P”的定位时间。将车辆经过路段两端边界点的时间相减，就得到了车辆在路段的行程时间。
当车辆在路段行驶过程中，出现了折返、调头行为，那么，如果直接使用插值法进行计算，会出现较大误差。如果车辆在路段的行驶中，只是调头而没有折返，那么这辆车的GPS数据应该被标记为异常数据。如果车辆调头以后又再次折返，那么该车的GPS数据仍然可以用于此路段的行程时间估算。本文的处理方法是：在最终的行程时间估算结果里减去重叠部分路程的行驶时间，算法的具体内容如下：
假设定位点Pn为已经确认的第一次调头的定位点，Pn的定位时间为tn。dmax表示车辆调头前，距离路段起点的最大距离。车辆再次调头以后的某个定位点Pi (i与n都为定位点序列编号，且i＞n)到路段起点的距离为di，Pi的定位时间为ti。如果di-1＜dmax且di＞dmax，那么车辆经过距离停车线dmax位置的时间tend为：
从tn到tend这段时间是车辆在重复的路段上行驶的时间。此外，当车辆折返，由于需要减速调头，那么总的行程时间也会因此而增加。用trest表示车辆每次由于减速调头而损失的时间。如果经过估算以后，折返车辆的总行程时间为Ttotal，那么路段的行程时间为Troad＝Ttotal-(tend-tn)-2*trest。
在短时交通流预测中，为了能够对交通预测的精度和计算效率达到动态交通诱导的需求，本实施例选择了三次指数平滑法作为基本模型。指数平滑是一种重要的时间序列分析方法，它通过对历史时间序列数据进行平滑统计，得到数据变化的规律和趋势，从而对未来数据进行预测。指数平滑法具有追踪能力强、建模简单、计算效率高且容易实现的特点，特别适合对大规模数据的处理。
所述的三次指数平滑法，指数平滑法分为一次指数平滑法、二次指数平滑法以及三次指数平滑法等。
一次指数平滑法的基本公式为：
式(4-22)中，
为周期t的一次指数的平滑值，yt为周期t的实测值，θ为平滑系数且θ∈[0,1]。一次指数平滑适用于数据的变化呈现出围绕一个固定值的随机波动、变动趋势不明显的情况。
二次指数平滑是对一次指数平滑后的结果，用相同的平滑系数再做一次指数平滑。二次指数平滑法的基本公式为：
式(4-23)中，
为周期t的二次指数的平滑值。二次指数平滑适用于数据有线性发展趋势的情况。
三次指数平滑顾名思义是对二次指数平滑的计算结果再一次平滑。三次指数平滑法的基本公式为：
式(4-24)中，
为周期t的三次指数的平滑值，其预测模型可以表示为：
式子(4-25)中，当前周期为周期t，
为周期t+m的预测值，at、bt、 ct为趋势曲线参数，其值分别为：
三次指数平滑法虽然其复杂程度提高了，但是它比一次、二次指数平滑具备更高的精确性，并且适用范围也扩展到了数据具有非线性变化趋势的情况，因此具备更高的优越性。
在指数平滑模型中，平滑系数θ的确定对于预测结果起着关键作用。θ的范围为0到1，体现了模型对新数据变化的敏感程度，也体现了模型对数据的修匀能力。为了追求能及时获取时间序列的波动特征，θ的取值应该大一些(大于 0.3)；如果数据的变化波动不大，那么为了能够含有更多的历史数据信息，θ的值应该小一些(小于等于0.3)。
对于初始值，当时间序列的数据较多时，可以把初期数据作为初始值。当时间序列的数据较少时，可以把前几期(例如，前三期)数据的平均数作为初始值。
基本的指数平滑模型虽然简单实用，但是也存在较大的缺陷，主要表现在对数据预测的滞后性以及对数据转折点的识别能力的缺乏。这主要由于模型的参数都是静态的。平滑系数θ是决定预测效果是否与实测值相符的关键。由于θ的值固定，因此很难根据初始数据得到一个是适合不断变化的预测趋势的平滑系数。
此外，计算中历史数据的期数也是一个重要参数。当观察期较长且数据量较大时，每次预测要选择哪些数据作为原始数据，是影响预测结果的一个重要因素。而固定的原始数据期数值，限制了模型的适应性和灵活性。针对指数平滑法的弱点，本实施例提出了适用于短时交通流预测的变时域动态模型。
本实施例建立的变时域动态模型(VTDDM,Variable Time Domain DynamicModel)以指数平滑法作为基础预测算法。由于交通流的数据序列往往具有非线性的特征，因此对于平滑次数本实施例选取三次。模型以最小误差平方和作为目标函数，以约束坐标轮换法作为优化算法。
定义xi为第i期的预测值，yi为第i期的实测值。当前期数为m，n为每次迭代搜索的实测数据的期数变量，定义n的最大值为N。定义当前已获取的实测数据为Q期。
算法每一次迭代，都会产生一组最优解，对应最优的U*即(θ*,n*)T。迭代完成后，更新当前期数，进行新一轮的最优解的迭代计算。定义变量d表示迭代次数，初始值为1。
算法流程，如图4所示：
①定义目标函数为：
②定义迭代步长为ε＝[γ,-1],(0＜γ≤0.001),其中γ对应平滑系数θ，-1 对应期数n。
③设置搜索方向为
ρ1＝[1,0]T
ρ2＝[0,1]T
④选取初始点：
⑤定义t为搜索方向，初值为1。k为一次迭代内的循环次数，初值为1。
⑥计算
⑦对
点进行检测，如果
且
则
k←k+1并转⑥。D表示目标函数的可行域。
表示第d次迭代的最优值，
的初始值为
如果
且
则k←k+1并转⑥。
如果
且t＜2且
则令t←t+1，k←k-1并转⑥，开始对n的最优解进行搜索。
如果
且t＞1且
则输出最优值
和最优解
并转⑧。
⑧d←d+1，Q←Q+1。令当前期数为m+d-1，并转④，开始新的一轮迭代。
所述的交通运行状态模块通过以上方法完成计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于多源异构交通数据的集成与处理系统，其特征在于：包括系统管理模块、数据中心模块、数据处理模块、交通运行状态模块、路径诱导模块、诱导发布模块；
所述的系统管理模块，用于实现交通设施的管理，并通过交通设施设备获取多源异构交通流数据、GIS数据；
所述的数据中心模块，用于导入采集的多源异构交通流数据和GIS数据；
所述的数据处理模块，根据数据中心采集到的交通数据、GIS数据进行融合清洗处理；
所述的交通运行状态模块，计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示；
所述的路径诱导模块，基于交通运行状态模块，响应于驾驶员的请求，提供不同的路径诱导模式；
所述的诱导发布模块，对路径诱导信息进行发布与显示。
2.根据权利要求要求1所述的基于多源异构交通数据的集成与处理系统，其特征在于：所述的系统管理模块包括对路口基础信息、路段基础信息、区域信息、检测设备、诱导屏、电子警察几种基础设施设置进行管理。
3.根据权利要求要求1所述的基于多源异构交通数据的集成与处理系统，其特征在于：所述的检测设备包括交通数据采集设备、车载终端设备，其中所述的交通数据采集设备包括设置在各类道路上方的摄像头、地磁传感器。
4.根据权利要求要求1所述的基于多源异构交通数据的集成与处理系统，其特征在于：所述的数据中心提供在线交通数据采集和离线交通数据导入两种模式，采集的交通数据包括交通状态、交通指数、交通流量、平均速度、排队长度、停车次数、延误时间、饱和度、旅行时间、记录时间。
5.根据权利要求要求1所述的基于多源异构交通数据的集成与处理系统，其特征在于：所述的数据处理模块根据选择分析的时段不同，分别以时、天、周、月、年的时间段对路口、路段、区域数据进行交通状态分析、指数分析、流量分析、速度分析、排队长度分析、停车次数分析、延误时间分析、饱和度分析、旅行时间分析，并生成分析统计图，以图形方式显示不同时期的交通状况。
6.根据权利要求要求1所述的基于多源异构交通数据的集成与处理系统，其特征在于：所述的诱导模式包括最短时间诱导和最短路径诱导。
7.根据权利要求要求1所述的基于多源异构交通数据的集成与处理系统，其特征在于：所述的系统还包括违法处理模块，用于管理车辆的违法信息，其功能包括违法信息的录入、处罚、统计几种操作。
8.一种基于权利要求1～7任一项所述的基于多源异构交通数据的集成与处理的系统的方法，其特征在于：所述的方法包括以下步骤：
S1：利用系统管理模块，对交通设施设备进行管理，采用交通大数据检测方法获取多源异构交通流数据、GIS数据；
S2：所述的数据中心模块，用于接收交通流数据和GIS数据，
S3：所述的数据处理模块，对GIS数据进行拓扑分析匹配法处理，对多源异构交通流数据采用值型线性双层规划进行建模，运用MapReduce算法进行数据处理，将处理后的交通流数据和GIS数据经过数据融合得到路网动态交通流数据；
S4：通过交通运行状态模块计算和预测路网各路段流量、平均车速、平均行程时间和通畅状况，并通过地理信息系统进行展示，从而得到交通运行状态；
S5：基于交通运行状态，响应于驾驶员的请求，通过路径诱导模块提供不同的路径诱导模式；
S6：通过诱导发布模块对路径诱导信息进行发布与显示。
9.根据权利要求8所述的基于多源异构交通数据的集成与处理的方法，其特征在于：所述的交通大数据检测方法包括视频检测、地磁检测、线圈检测、车载GPS检测、手机APP检测几种交通信息检测方法。
10.根据权利要求8所述的基于多源异构交通数据的集成与处理的方法，其特征在于：所述的诱导模式包括最短时间诱导和最短路径诱导，其中所述最短路径诱导采用基于MapReduce的最短路径算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010661258.1A CN111915887A (zh) | 2020-07-10 | 2020-07-10 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010661258.1A CN111915887A (zh) | 2020-07-10 | 2020-07-10 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111915887A true CN111915887A (zh) | 2020-11-10 |
Family
ID=73227738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010661258.1A Pending CN111915887A (zh) | 2020-07-10 | 2020-07-10 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111915887A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907958A (zh) * | 2021-01-29 | 2021-06-04 | 北京百度网讯科技有限公司 | 路况信息确定方法、装置、电子设备以及可读介质 |
| CN112990254A (zh) * | 2020-12-17 | 2021-06-18 | 北京以萨技术股份有限公司 | 基于多源异构数据的融合分析方法、系统、设备及介质 |
| CN113034898A (zh) * | 2021-03-01 | 2021-06-25 | 湖南汽车工程职业学院 | 一种基于云计算的道路畅通显示系统 |
| CN113111143A (zh) * | 2021-04-09 | 2021-07-13 | 河南交通发展研究院有限公司 | 公路多源异构数据重构整合及支撑共享成套方法及系统 |
| CN113127553A (zh) * | 2021-04-29 | 2021-07-16 | 湖南力唯中天科技发展有限公司 | 一种智能交通数据交互系统 |
| CN113409593A (zh) * | 2021-06-25 | 2021-09-17 | 阿波罗智联(北京)科技有限公司 | 交通信号灯的控制信号生成方法、装置、电子设备和介质 |
| CN113538907A (zh) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
| CN114446047A (zh) * | 2021-12-28 | 2022-05-06 | 阿波罗智联(北京)科技有限公司 | 一种交通指标数据处理方法、装置及电子设备 |
| CN115830851A (zh) * | 2022-11-03 | 2023-03-21 | 阿波罗智联(北京)科技有限公司 | 交通流量调节方法、装置、设备及介质 |
| CN117409569A (zh) * | 2023-08-21 | 2024-01-16 | 广东飞翔云计算有限公司 | 一种基于大数据的智慧交通系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035784A (zh) * | 2018-09-17 | 2018-12-18 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
| CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
| CN110264719A (zh) * | 2019-06-27 | 2019-09-20 | 武汉理工大学 | 一种基于多源数据的机动车动态od矩阵估计方法 |
-
2020
- 2020-07-10 CN CN202010661258.1A patent/CN111915887A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109035784A (zh) * | 2018-09-17 | 2018-12-18 | 江苏智通交通科技有限公司 | 基于多源异构数据的动态车流od估计方法 |
| CN109544929A (zh) * | 2018-12-14 | 2019-03-29 | 华南理工大学 | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 |
| CN110264719A (zh) * | 2019-06-27 | 2019-09-20 | 武汉理工大学 | 一种基于多源数据的机动车动态od矩阵估计方法 |
Non-Patent Citations (8)
| Title |
|---|
| 农昭光等: "基于自匹配数据融合模型的城市交通路况诱导系统", 《信息技术》 * |
| 吴开信等: "基于双层规划模型的车辆疏散策略研究", 《交通科技与经济》 * |
| 张红等: "基于大数据的智能交通体系架构", 《兰州理工大学学报》 * |
| 曹守华等: "交通流诱导条件下的路网随机平衡双层规划模型", 《交通运输系统工程与信息》 * |
| 李瑞敏等: "城市道路交通流预测系统研究", 《交通信息与安全》 * |
| 杜圣东等: "交通大数据:一种基于微服务的敏捷处理架构设计", 《大数据》 * |
| 熊刚等: "城市交通大数据技术及智能应用系统", 《大数据》 * |
| 王钰: "基于海量轨迹数据的动态交通诱导技术研究", 《中国优秀博硕士学位论文全文数据库（博士） 工程科技II辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112990254A (zh) * | 2020-12-17 | 2021-06-18 | 北京以萨技术股份有限公司 | 基于多源异构数据的融合分析方法、系统、设备及介质 |
| CN112907958A (zh) * | 2021-01-29 | 2021-06-04 | 北京百度网讯科技有限公司 | 路况信息确定方法、装置、电子设备以及可读介质 |
| CN113034898B (zh) * | 2021-03-01 | 2022-06-24 | 湖南汽车工程职业学院 | 一种基于云计算的道路畅通显示系统 |
| CN113034898A (zh) * | 2021-03-01 | 2021-06-25 | 湖南汽车工程职业学院 | 一种基于云计算的道路畅通显示系统 |
| CN113111143A (zh) * | 2021-04-09 | 2021-07-13 | 河南交通发展研究院有限公司 | 公路多源异构数据重构整合及支撑共享成套方法及系统 |
| CN113127553A (zh) * | 2021-04-29 | 2021-07-16 | 湖南力唯中天科技发展有限公司 | 一种智能交通数据交互系统 |
| CN113409593A (zh) * | 2021-06-25 | 2021-09-17 | 阿波罗智联(北京)科技有限公司 | 交通信号灯的控制信号生成方法、装置、电子设备和介质 |
| CN113538907A (zh) * | 2021-07-09 | 2021-10-22 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
| CN113538907B (zh) * | 2021-07-09 | 2022-05-03 | 大连海事大学 | 一种基于交通流分级的行车时间估计系统 |
| CN114446047A (zh) * | 2021-12-28 | 2022-05-06 | 阿波罗智联(北京)科技有限公司 | 一种交通指标数据处理方法、装置及电子设备 |
| CN115830851A (zh) * | 2022-11-03 | 2023-03-21 | 阿波罗智联(北京)科技有限公司 | 交通流量调节方法、装置、设备及介质 |
| CN115830851B (zh) * | 2022-11-03 | 2024-05-31 | 阿波罗智联(北京)科技有限公司 | 交通流量调节方法、装置、设备及介质 |
| CN117409569A (zh) * | 2023-08-21 | 2024-01-16 | 广东飞翔云计算有限公司 | 一种基于大数据的智慧交通系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111915887A (zh) | 一种基于多源异构交通数据的集成与处理系统及其方法 | |
| JP7351487B2 (ja) | トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム | |
| CN110709908B (zh) | 用于交通系统的状态预测的计算机系统和方法 | |
| US6879907B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN108734955A (zh) | 预测路况状态的方法及装置 | |
| Yang et al. | How fast you will drive? predicting speed of customized paths by deep neural network | |
| CN111145544B (zh) | 一种基于拥堵蔓延消散模型的行程时间及路径预测方法 | |
| CN112927513B (zh) | 一种实时在线交通仿真方法及系统 | |
| CN115311854B (zh) | 一种基于数据融合的车辆时空轨迹重构方法 | |
| CN103280110B (zh) | 高速公路旅行时间的预测方法及装置 | |
| CN114202917B (zh) | 基于动态交通流短时预测的施工区域交通控制与诱导方法 | |
| CN104875740B (zh) | 用于管理跟随空间的方法、主车辆以及跟随空间管理单元 | |
| Suhas et al. | A comprehensive review on traffic prediction for intelligent transport system | |
| CN117546218A (zh) | 用于交通预测的分布式多任务机器学习 | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| CN115798212A (zh) | 一种基于出租车轨迹的交通拥堵检测方法 | |
| Tin et al. | Measuring similarity between vehicle speed records using dynamic time warping | |
| Kyaw et al. | Estimating travel speed of yangon road network using gps data and machine learning techniques | |
| CN113128847A (zh) | 一种基于激光雷达的出入口匝道实时风险预警系统及方法 | |
| CN110428612A (zh) | 车辆管控方法、装置、计算机设备和存储介质 | |
| Zou et al. | Traffic flow video image recognition and analysis based on multi-target tracking algorithm and deep learning | |
| CN116698054B (zh) | 道路匹配方法、装置、电子设备及存储介质 | |
| Nagpal | Urban Computing: Key Challenges and Issues of Traffic Management System | |
| EP4328888A1 (en) | Method and processing system for processing probe data and probe |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201110 |
|
| RJ01 | Rejection of invention patent application after publication |