CN112069376A - 交通信息可视化的数据处理方法、系统和存储介质 - Google Patents
交通信息可视化的数据处理方法、系统和存储介质 Download PDFInfo
- Publication number
- CN112069376A CN112069376A CN202010875216.8A CN202010875216A CN112069376A CN 112069376 A CN112069376 A CN 112069376A CN 202010875216 A CN202010875216 A CN 202010875216A CN 112069376 A CN112069376 A CN 112069376A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- traffic
- flow
- processing method
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012800 visualization Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种交通信息可视化的数据处理方法、系统和存储介质,方法包括以下步骤:获取道路原始数据,所述原始数据包括气象数据、交通流数据和道路数据;对所述原始数据进行预处理,得到第一数据;根据所述第一数据进行道路流量预测,得到流量预测结果;对所述第一数据进行分类,得到带有状态标签的第二数据;根据所述第二数据进行道路状态预测,得到状态预测结果;将所述原始数据、所述流量预测结果和所述状态预测结果进行可视化显示。本发明能使驾驶人员在驾驶过程中能够方便、及时地了解道路上的交通状况。本发明可广泛应用于数据可视化技术领域。
Description
技术领域
本发明涉及数据可视化技术领域,尤其是一种交通信息可视化的数据处理方法、系统和存储介质。
背景技术
随着城市交通的发展,交通状况也越来越复杂。现有的交通状况研究过程中,主要专注于交通流量预测或者交通状态识别,且通常情况下,流量预测和状态识别结果均不面向公众开放,使得驾驶人员在驾驶过程中无法及时了解道路上的交通状况。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种交通信息可视化的数据处理方法、系统和存储介质,其能使驾驶员及时了解交通道路状况。
第一方面,本发明实施例提供了:
一种交通信息可视化的数据处理方法,包括以下步骤:
获取道路原始数据,所述原始数据包括气象数据、交通流数据和道路数据;
对所述原始数据进行预处理,得到第一数据;
根据所述第一数据进行道路流量预测,得到流量预测结果;
对所述第一数据进行分类,得到带有状态标签的第二数据;
根据所述第二数据进行道路状态预测,得到状态预测结果;
将所述原始数据、所述流量预测结果和所述状态预测结果进行可视化显示。
进一步地,所述对所述原始数据进行预处理,包括:
对所述原始数据进行异常数据识别;
在所述原始数据中通过K邻近算法对识别出的异常数据进行修复;
将修复后的原始数据按照预设时间间隔进行数据整合,得到第三数据;
通过数据平滑算法对第三数据进行降噪。
进一步地,所述对所述第一数据进行分类,得到带有状态标签的第二数据,包括:
根据所述第一数据计算道路评价指标;
通过聚类算法对所述道路评价指标进行聚类,得到带有状态标签的第四数据;
构建分类器;
通过所述道路评价指标和所述第四数据对所述分类器进行训练;
获取历史交通数据;
通过训练后的分类器对所述历史交通数据进行分类,得到带有状态标签的第五数据,所述第二数据包括述第四数据和所述第五数据。
进一步地,所述根据所述第二数据进行道路状态预测,其具体为:
通过状态预测模型根据所述第二数据进行道路状态预测;
所述状态预测模型的构建步骤为:
通过Seq2Seq结构和Attention机制构建状态预测模型。
进一步地,所述根据所述第一数据进行道路流量预测,包括:
对所述第一数据内的交通流数据发生的时刻进行三角函数编码;
对剩余的所述第一数据进行z-score标准化;
构建所述第一数据内道路数据对应的路网结构的路网邻接矩阵;
通过流量预测模型根据三角函数编码得到的数据、z-score标准化后的数据和所述路网邻接矩阵预测道路流量。
进一步地,所述流量预测模型为基于STGCN架构构建的模型,所述流量预测模型包括时空卷积块、LSTM网络和全连接网络,所述时空卷积块包括时序卷积块和空间卷积块。
进一步地,在所述流量预测模型预测道路流量前,还包括以下步骤:
通过历史交通数据对所述流量预测模型进行训练;
在所述训练过程中,通过余弦退火设定变化学习率;
获取变化学习率最低点对应的模型权重;
通过快照集成方式对所述预测模型进行集成。
进一步地,所述气象数据包括温度数据、天气状况和空气质量;所述交通流数据包括路段实时车流量、实时车速和大车比例;所述道路数据包括车道条数和路段长度。
第二方面,本发明实施例提供了:
一种交通信息可视化的数据处理系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行所述的交通信息可视化的数据处理方法。
第三方面,本发明实施例提供了:
一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于实现所述的交通信息可视化的数据处理方法。
本发明的有益效果是:本发明通过获取包括气象数据、交通流数据和道路数据的原始数据,并对原始数据预处理,接着通过预处理后的数据进行道路流量预测,得到流量预测结果,同时,对预处理后的数据进行分类,得到带有状态标签的第二数据,并通过第二数据进行道路状态预测,得到状态预测结果,然后,将原始数据、流量预测结果和状态预测结果进行可视化显示,以使驾驶人员在驾驶过程中能够方便、及时地了解道路上的交通状况。
附图说明
图1为本发明一种具体实施例的交通信息可视化的数据处理方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请出现的名词进行解释:
k-means聚类算法:也叫k均值聚类算法,是一种迭代求解的聚类分析算法,其处理过程为:预先将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。其中,聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类中心会根据聚类中现有的对象被重新计算,这个过程将不断重复直到满足某个终止条件。终止条件可以是没有对象被重新分配给不同的聚类,没有聚类中心再发生变化,误差平方和局部最小。
Seq2Seq结构是一个Encoder-Deocder结构的模型,其输入是一个序列,输出也是一个序列。
z-score标准化,其是将数据按照比例缩放,使数据落入一个特定去区间。
参照图1,本发明实施例提供了一种交通信息可视化的数据处理方法,本实施例可应用于服务端,所述服务端与各个终端设备交互。
本实施例包括以下步骤:
S11、获取道路原始数据,所述原始数据包括气象数据、交通流数据和道路数据;在一些实施例中,所述原始数据可使用摄像头、车载GPS、气象监测仪和微波雷达等传感器进行数据采集,所述气象数据包括温度数据、天气状况和空气质量等数据;所述交通流数据包括路段实时车流量、实时车速和大车比例等数据;所述道路数据包括车道条数和路段长度等数据。
S12、对所述原始数据进行预处理,得到第一数据;
在一些实施例中,所述对所述原始数据进行预处理这一步骤,可通过以下方式实现:
对所述原始数据进行异常数据识别;
在所述原始数据中通过K邻近算法对识别出的异常数据进行修复;
将修复后的原始数据按照预设时间间隔进行数据整合,得到第三数据;
通过数据平滑算法对第三数据进行降噪。在一些实施例中,在进行降噪处理过程时,构造与交通流量和变化态势相关的特征,比如,车流量、车速算术平均均值、车流量密度、大型车辆占比、天气、道路车道数、时刻和星期几等特征数据。
S13、根据所述第一数据进行道路流量预测,得到流量预测结果;
在一些实施例中,所述根据所述第一数据进行道路流量预测这一步骤,可通过以下方式实现:
对所述第一数据内的交通流数据发生的时刻进行三角函数编码;
对剩余的所述第一数据进行z-score标准化;
通过流量预测模型根据三角函数编码得到的数据、z-score标准化后的数据和所述路网邻接矩阵预测道路流量。
在本实施例中,所述流量预测模型为基于STGCN架构构建的模型,所述流量预测模型包括一个时空卷积块、两层LSTM网络和用于输出的全连接网络,其中,所述时空卷积块的结构为时序卷积块+空间卷积块+时序卷积块的结构,流量预测模型的输入数据在时序卷积块中在时间维度上进行一维卷积,同时卷积结果将使用门控线性单元GLU进行激活,空间卷积块将利用图卷积网络GCN对时序卷积的结果在空间维度上进行卷积,整个时空卷积块将充分挖掘原始数据中所隐藏的时空依赖性,时空卷积块的输出将进入到LSTM网络发掘时序上存在的关联关系,最后利用全连接网络得到预测的流量输出。
在一些实施例中,在所述流量预测模型预测道路流量前,还包括以下步骤:
通过历史交通数据对所述流量预测模型进行训练;在所述训练过程中,通过余弦退火设定变化学习率;同时,获取变化学习率最低点对应的多组模型权重;然后,通过快照集成方式对所述预测模型进行集成,以提高流量预测模型的预测精度。
S14、对所述第一数据进行分类,得到带有状态标签的第二数据;
在一些实施例中,所述对所述第一数据进行分类,得到带有状态标签的第二数据,可通过以下方式实现:
根据所述第一数据计算道路评价指标;所述道路评价指标包括时间平均车速、时间平均车速观测值的方差和大型车占比。所述时间平均车速作为道路拥堵层面的评价指标;所述时间平均车速观测值的方差作为道路安全层面的评价指标;所述大型车占比作为道路稳定层面的评价指标。
其中,时间平均车速通过公式1计算得到:
时间平均车速观测值的方差通过公式2计算得到:
大型车占比通过公式3计算得到:
NLarge为大型车数,表示通过道路的大型车车辆;NTotal为车辆总数,表示一定时间通过道路的车辆总数。
在计算得到上述道路评价指标后,通过聚类算法对所述道路评价指标进行聚类,得到带有状态标签的第四数据;本步骤中的聚类算法可采用K-Means聚类算法。
构建分类器;所述分类器为交通状态分类器。所述交通状态分类器可利用前馈式神经网络搭建。接着,通过所述道路评价指标和所述第四数据对所述分类器进行训练;即将所述道路评价指标作为分类器的输入数据,将第四数据作为分类器的输出数据对分类器进行训练。
获取历史交通数据;该历史交通数据为没有进行状态分类的数据,即不携带状态标签的数据。
通过训练后的分类器对所述历史交通数据进行分类,得到带有状态标签的第五数据,所述第二数据包括述第四数据和所述第五数据。
本实施例通过对数据进行分类,使数据携带状态标签,以提高后续道路预测结果的准确性。
S15、根据所述第二数据进行道路状态预测,得到状态预测结果;
在一些实时汇率中,所述根据所述第二数据进行道路状态预测,其具体为:
通过状态预测模型根据所述第二数据进行道路状态预测;
所述状态预测模型的构建步骤为:
通过Seq2Seq结构和Attention机制构建状态预测模型。
本实施例通过Seq2Seq结构和Attention机制进行状态预测模型的构建,以提高状态预测结果的准确性。
在完成上述数据的预测后,执行步骤S16。
S16、将所述原始数据、所述流量预测结果和所述状态预测结果进行可视化显示。
本步骤中,可通过计算机开发Web应用技术,不设置注册登录模块,以实现开放访问功能,数据来源为经过上述步骤S11-S15得到的脱敏交通数据,通过数据展示模块、信息查询模块和数据分析模块实现交通信息的开放共享。其中,数据展示模块可结合市场地图开放API构造可视化地图,并使用图表等形式展示上述步骤获取或者预测得到的信息;信息查询模块可为用户查询历史信息提供接口;据分析模块可完成对数据信息的统计、筛选和排行等功能。通过上述操作步骤,以使驾驶人员在驾驶过程中,能够及时、有效地了解道路上的交通状况。
本发明实施例提供了一种交通信息可视化的数据处理系统,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行所述的交通信息可视化的数据处理方法。
本发明方法实施例的内容均适用于本系统实施例,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法达到的有益效果也相同。
此外,本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于实现所述的交通信息可视化的数据处理方法。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种交通信息可视化的数据处理方法,其特征在于,包括以下步骤:
获取道路原始数据,所述原始数据包括气象数据、交通流数据和道路数据;
对所述原始数据进行预处理,得到第一数据;
根据所述第一数据进行道路流量预测,得到流量预测结果;
对所述第一数据进行分类,得到带有状态标签的第二数据;
根据所述第二数据进行道路状态预测,得到状态预测结果;
将所述原始数据、所述流量预测结果和所述状态预测结果进行可视化显示。
2.根据权利要求1所述的一种交通信息可视化的数据处理方法,其特征在于,所述对所述原始数据进行预处理,包括:
对所述原始数据进行异常数据识别;
在所述原始数据中通过K邻近算法对识别出的异常数据进行修复;
将修复后的原始数据按照预设时间间隔进行数据整合,得到第三数据;
通过数据平滑算法对第三数据进行降噪。
3.根据权利要求1所述的一种交通信息可视化的数据处理方法,其特征在于,所述对所述第一数据进行分类,得到带有状态标签的第二数据,包括:
根据所述第一数据计算道路评价指标;
通过聚类算法对所述道路评价指标进行聚类,得到带有状态标签的第四数据;
构建分类器;
通过所述道路评价指标和所述第四数据对所述分类器进行训练;
获取历史交通数据;
通过训练后的分类器对所述历史交通数据进行分类,得到带有状态标签的第五数据,所述第二数据包括述第四数据和所述第五数据。
4.根据权利要求1所述的一种交通信息可视化的数据处理方法,其特征在于,所述根据所述第二数据进行道路状态预测,其具体为:
通过状态预测模型根据所述第二数据进行道路状态预测;
所述状态预测模型的构建步骤为:
通过Seq2Seq结构和Attention机制构建状态预测模型。
5.根据权利要求3所述的一种交通信息可视化的数据处理方法,其特征在于,所述根据所述第一数据进行道路流量预测,包括:
对所述第一数据内的交通流数据发生的时刻进行三角函数编码;
对剩余的所述第一数据进行z-score标准化;
构建所述第一数据内道路数据对应的路网结构的路网邻接矩阵;
通过流量预测模型根据三角函数编码得到的数据、z-score标准化后的数据和所述路网邻接矩阵预测道路流量。
6.根据权利要求5所述的一种交通信息可视化的数据处理方法,其特征在于,所述流量预测模型为基于STGCN架构构建的模型,所述流量预测模型包括时空卷积块、LSTM网络和全连接网络,所述时空卷积块包括时序卷积块和空间卷积块。
7.根据权利要求5所述的一种交通信息可视化的数据处理方法,其特征在于,在所述流量预测模型预测道路流量前,还包括以下步骤:
通过历史交通数据对所述流量预测模型进行训练;
在所述训练过程中,通过余弦退火设定变化学习率;
获取变化学习率最低点对应的模型权重;
通过快照集成方式对所述预测模型进行集成。
8.根据权利要求1所述的一种交通信息可视化的数据处理方法,其特征在于,所述气象数据包括温度数据、天气状况和空气质量;所述交通流数据包括路段实时车流量、实时车速和大车比例;所述道路数据包括车道条数和路段长度。
9.一种交通信息可视化的数据处理系统,其特征在于,包括:
至少一个存储器,用于存储程序;
至少一个处理器,用于加载所述程序以执行如权利要求1-8任一项所述的交通信息可视化的数据处理方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于实现如权利要求1-8任一项所述的交通信息可视化的数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010875216.8A CN112069376A (zh) | 2020-08-27 | 2020-08-27 | 交通信息可视化的数据处理方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010875216.8A CN112069376A (zh) | 2020-08-27 | 2020-08-27 | 交通信息可视化的数据处理方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112069376A true CN112069376A (zh) | 2020-12-11 |
Family
ID=73660263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010875216.8A Pending CN112069376A (zh) | 2020-08-27 | 2020-08-27 | 交通信息可视化的数据处理方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069376A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033495A (zh) * | 2021-04-30 | 2021-06-25 | 重庆大学 | 一种基于k-means算法的弱监督行为识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050809A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
CN108648445A (zh) * | 2018-04-19 | 2018-10-12 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
-
2020
- 2020-08-27 CN CN202010875216.8A patent/CN112069376A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104050809A (zh) * | 2014-06-03 | 2014-09-17 | 北京航天福道高技术股份有限公司 | 交通状况自动分析预测方法 |
CN108648445A (zh) * | 2018-04-19 | 2018-10-12 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113033495A (zh) * | 2021-04-30 | 2021-06-25 | 重庆大学 | 一种基于k-means算法的弱监督行为识别方法 |
CN113033495B (zh) * | 2021-04-30 | 2022-08-02 | 重庆大学 | 一种基于k-means算法的弱监督行为识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200134735A1 (en) | Enhancement using analytics based on vehicle kinematic data | |
JP6961012B2 (ja) | 車両のためのカスタマイズされた安全速度の決定 | |
CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
DE102016210453A1 (de) | Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen | |
CN108492023A (zh) | 一种基于轨迹分析的车贷风控方法 | |
CN111429268A (zh) | 一种车辆信贷风险检测方法、终端设备和存储介质 | |
CN114999181B (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
Gao et al. | What can we learn from telematics car driving data: A survey | |
Bousonville et al. | Data driven analysis and forecasting of medium and heavy truck fuel consumption | |
Stankevich et al. | Usage-based vehicle insurance: Driving style factors of accident probability and severity | |
CN112069376A (zh) | 交通信息可视化的数据处理方法、系统和存储介质 | |
CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
Thakali et al. | Model-based versus data-driven approach for road safety analysis: Do more data help? | |
Labi | Measuring the benefits of civil systems connectivity and automation–a discussion in the context of highway transport | |
Karimpour et al. | Modeling red-light running behavior using high-resolution event-based data: a finite mixture modeling approach | |
Zhou et al. | Driving performance grading and analytics: learning internal indicators and external factors from multi-source data | |
CN116665342B (zh) | 新能源汽车驾驶行为分析方法、系统及设备 | |
Kang | Data and Algorithmic Modeling Approaches in Crash Analysis | |
Roh | A study on securing model usefulness through geographical scalability testing of winter weather model developed with big traffic data | |
Moosavi et al. | Context-aware driver risk prediction with telematics data | |
CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
CN116308763B (zh) | 基于卷积自编码器的车贷贷后风险预测方法及系统 | |
Rezaei Ghahroodi et al. | Traffic violation analysis using time series, clustering and panel zero-truncated one-inflated mixed model | |
Mankinen | Predicting short-term traffic speed: a model assessment using spatiotemporal variables | |
Jordon et al. | Estimating parking occupancy using smart meter transaction data |
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 |