CN113192330B - 基于多智能体的车辆管理方法、管理系统、设备及介质 - Google Patents
基于多智能体的车辆管理方法、管理系统、设备及介质 Download PDFInfo
- Publication number
- CN113192330B CN113192330B CN202110450852.0A CN202110450852A CN113192330B CN 113192330 B CN113192330 B CN 113192330B CN 202110450852 A CN202110450852 A CN 202110450852A CN 113192330 B CN113192330 B CN 113192330B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- monitoring data
- traffic
- mark
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 567
- 230000004927 fusion Effects 0.000 claims abstract description 199
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 230000010354 integration Effects 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 239000003795 chemical substances by application Substances 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000004575 stone 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
-
- 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
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于多智能体的车辆管理方法、管理系统、设备及介质,交通警情监控数据和车辆监控数据的映射关系,对交通警情监控数据和车辆监控数据进行数据融合,得到数据集;车辆监控数据与待检测车辆监控数据之间的数据匹配度,确定车辆型号标志;车辆型号标志和待检测车辆监控数据进行整合,得到整合数据集;根据整合数据集和数据集,确定车辆型号标志。本申请提出的方法可以获取交通警情监控数据和车辆监控数据,通过该车辆监控数据可以获取到车辆流量,通过该交通警情监控数据可以获取到车辆型号标志,对于数据融合不匹配的车辆监控数据,也可以匹配到车辆型号标志,因此提高了所获取的监测路线段内的车辆流量和车辆型号标志的准确性。
Description
技术领域
本公开涉及车辆管理的技术领域,特别涉及基于多智能体的车辆管理方法、管理系统、设备及介质。
背景技术
早期出现了单向通行方式并有过限制马车进城总数量的规定。在街道上设有专用的人行道和行人过路用的跳石。这些都是交通管理的雏形。现代交通管理的基本内容是车辆检验,驾驶人员考核,交通违章及交通事故处理,交通秩序的维护,交通信号指挥与控制,交通警卫,人行道、车行道及停车场所(见停放车)的管理,交通标志、道路交通标线、隔离墩、安全岛和护栏等道路交通安全设施的布设,交通的合理组织,交通法规的制定与执行以及交通安全的宣传教育等。
智慧交通综合管控平台是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术及计算机处理技术等有效的集成运用于整个地面交通管理系统而建立的一种在大范围内、全方位发挥作用的、实时、准确、高效的综合交通运输管理系统。
因此,在智慧交通综合管控可能存在数据监控和识别不准确的情况,造成智慧交通综合管控存在无法对车辆流量进行监控导致交通拥堵情况和识别不到对应车辆型号标志导致不能及时的违规车辆进行处罚的情况。
发明内容
为改善相关技术中存在的上述背景技术存在的技术问题,本公开提供了基于多智能体的车辆管理方法、管理系统、设备及介质。
一种基于多智能体的车辆管理方法,所述方法包括:
获取监测路线段内的交通警情监控数据和车辆监控数据;
根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;
将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志;
对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;
基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志;
根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果。
进一步地,所述获取监测路线段内的交通警情监控数据和车辆监控数据,包括:
获取所述监测路线段内的至少四组交通警情监控数据组合和至少四组车辆监控数据组合;
获取所述至少四组交通警情监控数据组合之间的交通警情监控数据组合匹配度和组合关联度,获取所述至少四组车辆监控数据组合之间的组合匹配度和组合关联度;
基于所述交通警情监控数据组合匹配度和所述组合关联度,对所述至少四组交通警情监控数据组合进行组合,得到所述监测路线段内的交通警情监控数据;
一个交通警情监控数据中至少包括一组交通警情监控数据组合;通过所述组合匹配度和所述组合关联度,对所述至少四组车辆监控数据组合进行重新组合,得到所述监测路线段内对应的车辆监控数据;
一个车辆监控数据中至少包括一组车辆监控数据组合。
进一步地,所述基于所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集,包括:
将所述监测路线段内的车辆监控数据确定为区间内的车辆监控数据,将所述监测路线段内的交通警情监控数据确定为区间内的交通警情监控数据;
所述区间内的车辆监控数据中的车辆监控数据组合是从所述监测路线段内的目标实时监控数据中所截获的;获取所述目标实时监控数据中的交通警情监控数据组合;
将所述目标实时监控数据中的交通警情监控数据组合与所述区间内的交通警情监控数据中的交通警情监控数据组合之间的数据组合匹配度,确定为所述区间内的车辆监控数据与所述区间内的交通警情监控数据之间的所述映射关系;
当所述映射关系属于关联性路网交通流量变化对应的范围内时,对所述区间内的车辆监控数据和所述区间内的交通警情监控数据进行数据整合,得到所述交通融合业务数据集。
进一步地,所述待检测车辆监控数据包括所述监测路线段内的第一车辆监控数据组合;所述交通融合业务数据集的车辆流动数目为至少四组;每个交通融合业务数据集中的车辆监控数据分别包括所述监测路线段内的第二车辆监控数据组合;所述根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志,包括:
根据所述第一车辆监控数据组合,获取所述待检测车辆监控数据的第一车辆行驶型号数据;
根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,依次获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据;
获取所述第一车辆行驶型号数据分别与所述每个交通融合业务数据集对应的第二业务车辆车辆流动数目数据之间的数据对应关系;根据所述每个交通融合业务数据集对应的数据对应关系,确定所述每个交通融合业务数据集中的车辆监控数据分别与所述待检测车辆监控数据之间的数据匹配度;
当目标交通融合业务数据集的属于第一路网交通流量变化且在第二路网交通流量变化范围内时,将所述目标交通融合业务数据集中的交通警情监控数据所包括的车辆型号标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志;其中,所述目标交通融合业务数据集,指所属的数据匹配度属于数据匹配度路网交通流量变化的交通融合业务数据集。
进一步地,所述第一车辆监控数据组合的数据组合车辆流动数目为至少四组;所述根据所述第一车辆监控数据组合获取所述待检测车辆监控数据的第一车辆行驶型号数据,包括:
获取至少四组第一车辆监控数据组合中的各个第一车辆监控数据组合分别对应的车辆实时行驶数据;
根据所述各个第一车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第一车辆监控数据组合对应的目标车辆行驶型号数据;将所述目标车辆行驶型号数据,确定为所述第一车辆行驶型号数据。
进一步地,至少四组交通融合业务数据集包括交通融合业务数据集ma,a为小于或等于至少四组交通融合业务数据集的总车辆流动数目的正整数;所述交通融合业务数据集ma包括的第二车辆监控数据组合的数据组合车辆流动数目为至少四组;所述根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,分别获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据,包括:
获取所述交通融合业务数据集ma包括的至少四组第二车辆监控数据组合中的每个第二车辆监控数据组合分别对应的车辆实时行驶数据;
根据所述每个第二车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第二车辆监控数据组合对应的第二平均特征正弦量;
将所述第二平均特征正弦量,确定为所述交通融合业务数据集ma中的车辆监控数据的第二业务车辆车辆流动数目数据。
进一步地,所述待检测车辆监控数据的车辆流动数目为至少四组;所述方法还包括:
当所述目标交通融合业务数据集的车辆流动数目小于或等于所述第一路网交通流量变化时,将与每个待检测车辆监控数据之间的数据匹配度最大的车辆监控数据所在的交通融合业务数据集,分别确定为所述每个待检测车辆监控数据对应的待定数据融合组;
将所述每个待检测车辆监控数据对应的待定数据融合组中的交通警情监控数据所包含的车辆型号标志,分别确定为所述每个待检测车辆监控数据对应的待定车辆型号标志;
根据所述每个待检测车辆监控数据对应的待定车辆型号标志,确定待确定标志数据标志对应的至少四组标志数据标志值;获取所述至少四组标志数据标志值在至少四组交通融合业务数据集的交通警情监控数据所包含的车辆型号标志中的第一标志概率;
根据所述第一标志概率,确定所述每个待检测车辆监控数据针对所述待确定标志数据标志的第一目标标志数据标志值;
将分别具有所述每个待检测车辆监控数据对应的第一目标标志数据标志值的所述待确定标志数据标志,确定为与所述每个待检测车辆监控数据相一致的车辆型号标志;
所述至少四组标志数据标志值在与所述每个待检测车辆监控数据相一致的车辆型号标志中的第二标志概率,等于所述第一标志概率;
其中,所述方法还包括:
当所述目标交通融合业务数据集的所属所述第二路网交通流量变化时,统计待确定标志数据标志的至少四组标志数据标志值在所述目标交通融合业务数据集的交通警情监控数据组合所包含的车辆型号标志中的出现频率;所述至少四组标志数据标志值,是根据所述目标交通融合业务数据集中的交通警情监控数据所包含的车辆型号标志所确定的;
根据所述待检测车辆监控数据与所述目标交通融合业务数据集之间的数据匹配度、以及所述出现频率,从所述至少四组标志数据标志值中,确定所述待检测车辆监控数据针对所述待确定标志数据标志的第二目标标志数据标志值;
将具有所述第二目标标志数据标志值的所述待确定标志数据标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志。
一种基于多智能体的车辆管理模块系统,包括车辆信息采集端和终端设备,所述车辆信息采集端和所述终端设备通信连接,所述终端设备包括:
数据获取模块,用于获取监测路线段内的交通警情监控数据和车辆监控数据;
数据融合模块,用于根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;
数据匹配模块,用于将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志;
数据整合模块,用于对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;
数据确定模块,用于基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志;
业务检测模块,用于根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果。
一种终端设备,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现上述任意一项所述的方法。
一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序运行时执行上述任意一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果。
本申请通过获取监测路线段内的交通警情监控数据和车辆监控数据;基于监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据交通融合业务数据集中的车辆监控数据与待检测车辆监控数据之间的数据匹配度,确定与待检测车辆监控数据相一致的车辆型号标志;对与待检测车辆监控数据相一致的车辆型号标志和待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;根据车辆标志数据整合数据集和交通融合业务数据集,确定监测路线段内的车辆流量和车辆流量对应的车辆型号标志。由此可见,本申请提出的方法可以获取监测路线段内的交通警情监控数据和车辆监控数据,通过该车辆监控数据可以获取到监测路线段内的车辆流量,通过该交通警情监控数据可以获取到监测路线段内的车辆型号标志,并且,对于数据融合不匹配的车辆监控数据,也可以为其匹配到对应的车辆型号标志,因此提高了所获取的监测路线段内的车辆流量和车辆型号标志的准确性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1为本发明实施例所提供的基于多智能体的车辆管理系统的系统示意图;
图2为本发明实施例所提供的基于多智能体的车辆管理方法的流程图;
图3为本发明实施例所提供的基于多智能体的车辆管理装置的功能模块框图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于对上述的基于多智能体的车辆管理方法、装置及终端设备进行阐述,请结合参考图1,提供了本发明实施例所公开的基于多智能体的车辆管理系统100的通信系统示意图。其中,所述基于多智能体的车辆管理系统100可以包括终端设备300以及车辆信息采集端200,所述终端设备300与所述车辆信息采集端200通信连接。
在具体的实施方式中,终端设备300可以是台式电脑、平板电脑、笔记本电脑、手机或者其他能够实现数据处理以及数据通信的终端设备,在此不作过多限定。
在上述基础上,请结合参阅图2,为本发明实施例所提供的基于多智能体的车辆管理方法的流程示意图,所述基于多智能体的车辆管理方法可以应用于图1中的终端设备300,进一步地,所述基于多智能体的车辆管理方法具体可以包括以下步骤S21-步骤S26所描述的内容。
步骤S21,获取监测路线段内的交通警情监控数据和车辆监控数据。
在本实施例中,所述交通警情监控数据用于表征发生车祸情况、车辆故障情况等。所述车辆监控数据用于表征车辆通过监控区间的车辆数量。在所述获取监测路线段内的交通警情监控数据和车辆监控数据时,存在获取数据不准确的问题,从而难以精确的获得交通警情监控数据和车辆监控数据,为了改善上述技术问题,步骤S21所描述的所述获取监测路线段内的交通警情监控数据和车辆监控数据的步骤,具体可以包括以下步骤S211-步骤S215所描述的内容。
步骤S211,获取所述监测路线段内的至少四组交通警情监控数据组合和至少四组车辆监控数据组合。
示例性的,提供多组数据,这样能有效的避免数据采集错误的情况,导致后续步骤计算错误的问题,这样能有效提高数据的精确性。
步骤S212,获取所述至少四组交通警情监控数据组合之间的交通警情监控数据组合匹配度和组合关联度,获取所述至少四组车辆监控数据组合之间的组合匹配度和组合关联度。
示例性的,将每组交通警情监控数据数据进行进行初步的筛选,采用这样的处理方式能有效地增加数据的准确性。
步骤S213,基于所述交通警情监控数据组合匹配度和所述组合关联度,对所述至少四组交通警情监控数据组合进行组合,得到所述监测路线段内的交通警情监控数据。
示例性的,进一步地降低数据错误的情况错误的情况,使采集的数据和实时数据相匹配。
步骤S214,一个交通警情监控数据中至少包括一组交通警情监控数据组合;通过所述组合匹配度和所述组合关联度,对所述至少四组车辆监控数据组合进行重新组合,得到所述监测路线段内对应的车辆监控数据。
示例性的,对交通警情监控数据进行从新组合的方式,将错误的数据进行剔除,有效的对数据进行了优化。
步骤S215,一个车辆监控数据中至少包括一组车辆监控数据组合。
可以理解的,在执行上述步骤S211-步骤S215所描述的内容时,在所述获取监测路线段内的交通警情监控数据和车辆监控数据时,避免了获取数据不准确的问题,从而能够精确的获得交通警情监控数据和车辆监控数据。
步骤S22,根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集。
在本实施例中,所述基于所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合时,存在数据融合错误的问题,从而难以精确的得到对应的交通融合业务数据集,为了改善上述技术问题,步骤S22所描述的所述基于所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集的步骤,具体可以包括以下步骤S221-步骤S224所描述的内容。
步骤S221,将所述监测路线段内的车辆监控数据确定为区间内的车辆监控数据,将所述监测路线段内的交通警情监控数据确定为区间内的交通警情监控数据。
示例性的,能精确地对区间内的车辆监控数据,这样使采集到的数据更加的精确。
步骤S222,所述区间内的车辆监控数据中的车辆监控数据组合是从所述监测路线段内的目标实时监控数据中所截获的;获取所述目标实时监控数据中的交通警情监控数据组合。
示例性的,交通警情监控数据组合用于表征实时交通状况。
步骤S223,将所述目标实时监控数据中的交通警情监控数据组合与所述区间内的交通警情监控数据中的交通警情监控数据组合之间的数据组合匹配度,确定为所述区间内的车辆监控数据与所述区间内的交通警情监控数据之间的所述映射关系。
示例性的,通过交通警情监控数据组合之间的数据组合匹配度对交通警情监控数据组合进行进一步地筛选,这样能提高数据的可靠性。
步骤S224,当所述映射关系属于关联性路网交通流量变化对应的范围内时,对所述区间内的车辆监控数据和所述区间内的交通警情监控数据进行数据整合,得到所述交通融合业务数据集。
示例性的,所述映射关系属于关联性路网交通流量变化对应的范围内用于表征数据的误差范围(例如:在数据采集的过程中可能存在数据传输紊乱导致数据不精确的情况)。
可以理解的,在执行上述步骤S221-步骤S224所描述的内容时,述基于所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合时,避免了数据融合错误的问题,从而能够精确的得到对应的交通融合业务数据集。
步骤S23,将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志。
在本实施例中,所述待检测车辆监控数据包括所述监测路线段内的第一车辆监控数据组合;所述交通融合业务数据集的车辆流动数目为至少四组;每个交通融合业务数据集中的车辆监控数据分别包括所述监测路线段内的第二车辆监控数据组合;所述根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,存在匹配不精确的技术问题,从而难以精确的确定与所述待检测车辆监控数据相一致的车辆型号标志,为了改善上述技术问题,步骤S231-步骤S234所描述的内容。
步骤S231,根据所述第一车辆监控数据组合,获取所述待检测车辆监控数据的第一车辆行驶型号数据。
示例性的,所述第一车辆监控数据组合的数据组合车辆流动数目为至少四组;在所述根据所述第一车辆监控数据组合时,存在数据组合错误的技术问题,从而难以准确的获取所述待检测车辆监控数据的第一车辆行驶型号数据,为了改善上述技术问题,步骤S231所描述的所述第一车辆监控数据组合的数据组合车辆流动数目为至少四组;所述根据所述第一车辆监控数据组合获取所述待检测车辆监控数据的第一车辆行驶型号数据的步骤,具体可以包括以下步骤A1和步骤A2说描述的内容。
步骤A1,获取至少四组第一车辆监控数据组合中的各个第一车辆监控数据组合分别对应的车辆实时行驶数据。
步骤A2,根据所述各个第一车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第一车辆监控数据组合对应的目标车辆行驶型号数据;将所述目标车辆行驶型号数据,确定为所述第一车辆行驶型号数据。
可以理解的,在执行上述步骤A1和步骤A2所描述的内容时,所述第一车辆监控数据组合的数据组合车辆流动数目为至少四组;在所述根据所述第一车辆监控数据组合时,避免了数据组合错误的技术问题,从而能够准确的获取所述待检测车辆监控数据的第一车辆行驶型号数据。
步骤S232,根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,依次获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据。
示例性的,所述至少四组交通融合业务数据集包括交通融合业务数据集ma,a为小于或等于至少四组交通融合业务数据集的总车辆流动数目的正整数;所述交通融合业务数据集ma包括的第二车辆监控数据组合的数据组合车辆流动数目为至少四组;在所述根据所述每个交通融合业务数据集包括的第二车辆监控数据组合时,存在数据车辆错误的问题,从而难以准确的获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据,为了改善上述技术问题,步骤S232所描述的至少四组交通融合业务数据集包括交通融合业务数据集ma,a为小于或等于至少四组交通融合业务数据集的总车辆流动数目的正整数;所述交通融合业务数据集ma包括的第二车辆监控数据组合的数据组合车辆流动数目为至少四组;所述根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,分别获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据的步骤,具体可以包括以下步骤D1-步骤D3所描述的内容。
步骤D1,获取所述交通融合业务数据集ma包括的至少四组第二车辆监控数据组合中的每个第二车辆监控数据组合分别对应的车辆实时行驶数据。
步骤D2,根据所述每个第二车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第二车辆监控数据组合对应的第二平均特征正弦量。
步骤D3,将所述第二平均特征正弦量,确定为所述交通融合业务数据集ma中的车辆监控数据的第二业务车辆车辆流动数目数据。
可以理解的,在执行上述步骤D1-步骤D3所描述的内容时,所述至少四组交通融合业务数据集包括交通融合业务数据集ma,a为小于或等于至少四组交通融合业务数据集的总车辆流动数目的正整数;所述交通融合业务数据集ma包括的第二车辆监控数据组合的数据组合车辆流动数目为至少四组;在所述根据所述每个交通融合业务数据集包括的第二车辆监控数据组合时,避免了数据车辆错误的问题,从而能够准确的获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据。
步骤S233,获取所述第一车辆行驶型号数据分别与所述每个交通融合业务数据集对应的第二业务车辆车辆流动数目数据之间的数据对应关系;根据所述每个交通融合业务数据集对应的数据对应关系,确定所述每个交通融合业务数据集中的车辆监控数据分别与所述待检测车辆监控数据之间的数据匹配度。
步骤S234,当目标交通融合业务数据集的属于第一路网交通流量变化且在第二路网交通流量变化范围内时,将所述目标交通融合业务数据集中的交通警情监控数据所包括的车辆型号标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志。
示例性的,所述目标交通融合业务数据集,指所属的数据匹配度属于数据匹配度路网交通流量变化的交通融合业务数据集。
可以理解的,在执行上述步骤S231-步骤S234所描述的内容时,所述待检测车辆监控数据包括所述监测路线段内的第一车辆监控数据组合;所述交通融合业务数据集的车辆流动数目为至少四组;每个交通融合业务数据集中的车辆监控数据分别包括所述监测路线段内的第二车辆监控数据组合;所述根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,避免了匹配不精确的技术问题,从而能够精确的确定与所述待检测车辆监控数据相一致的车辆型号标志。
步骤S24,对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集。
在本实施例中,所述车辆标志数据整合数据集用于表征数量车牌信息、车辆车型信息以及车辆品牌信息等信息。
步骤S25,基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志。
在本实施例中,通过所述车辆标志数据整合数据集和所述交通融合业务数据集,能精准的对车辆流量和车辆型号标志进行识别。
步骤S26,根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果。
在本实施例中,所述实时交通业务检测结果用于表征对应的实时交通情况结果(例如:交通堵塞情况、交通事故情况等)
可以理解的,在执行上述步骤S21-步骤S26所描述的内容时,本申请通过获取监测路线段内的交通警情监控数据和车辆监控数据;基于监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据交通融合业务数据集中的车辆监控数据与待检测车辆监控数据之间的数据匹配度,确定与待检测车辆监控数据相一致的车辆型号标志;对与待检测车辆监控数据相一致的车辆型号标志和待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;根据车辆标志数据整合数据集和交通融合业务数据集,确定监测路线段内的车辆流量和车辆流量对应的车辆型号标志。由此可见,本申请提出的方法可以获取监测路线段内的交通警情监控数据和车辆监控数据,通过该车辆监控数据可以获取到监测路线段内的车辆流量,通过该交通警情监控数据可以获取到监测路线段内的车辆型号标志,并且,对于数据融合不匹配的车辆监控数据,也可以为其匹配到对应的车辆型号标志,因此提高了所获取的监测路线段内的车辆流量和车辆型号标志的准确性。
基于上述基础,所述待检测车辆监控数据的车辆流动数目为至少四组;所述方法还包括以下步骤O1-步骤O6所描述的内容。
步骤O1,当所述目标交通融合业务数据集的车辆流动数目小于或等于所述第一路网交通流量变化时,将与每个待检测车辆监控数据之间的数据匹配度最大的车辆监控数据所在的交通融合业务数据集,分别确定为所述每个待检测车辆监控数据对应的待定数据融合组。
示例性的,所述第一路网交通流量变化用于表征实时路段情况。
步骤O2,将所述每个待检测车辆监控数据对应的待定数据融合组中的交通警情监控数据所包含的车辆型号标志,分别确定为所述每个待检测车辆监控数据对应的待定车辆型号标志。
步骤O3,根据所述每个待检测车辆监控数据对应的待定车辆型号标志,确定待确定标志数据标志对应的至少四组标志数据标志值;获取所述至少四组标志数据标志值在至少四组交通融合业务数据集的交通警情监控数据所包含的车辆型号标志中的第一标志概率。
步骤O4,根据所述第一标志概率,确定所述每个待检测车辆监控数据针对所述待确定标志数据标志的第一目标标志数据标志值。
步骤O5,将分别具有所述每个待检测车辆监控数据对应的第一目标标志数据标志值的所述待确定标志数据标志,确定为与所述每个待检测车辆监控数据相一致的车辆型号标志。
步骤O6,所述至少四组标志数据标志值在与所述每个待检测车辆监控数据相一致的车辆型号标志中的第二标志概率,等于所述第一标志概率。
可以理解的,在执行上述步骤O1-步骤O6所描述的内容时,能精确地对标志概率进行确定,这样能准确的得到数据标志值,使对交通情况进行精确的确定。
基于上述基础,所述方法还包括以下步骤a1-步骤a3所描述的内容。
步骤a1,当所述目标交通融合业务数据集的所属所述第二路网交通流量变化时,统计待确定标志数据标志的至少四组标志数据标志值在所述目标交通融合业务数据集的交通警情监控数据组合所包含的车辆型号标志中的出现频率;所述至少四组标志数据标志值,是根据所述目标交通融合业务数据集中的交通警情监控数据所包含的车辆型号标志所确定的。
步骤a2,根据所述待检测车辆监控数据与所述目标交通融合业务数据集之间的数据匹配度、以及所述出现频率,从所述至少四组标志数据标志值中,确定所述待检测车辆监控数据针对所述待确定标志数据标志的第二目标标志数据标志值。
步骤a3,将具有所述第二目标标志数据标志值的所述待确定标志数据标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志。
可以理解的,在执行上述步骤a1-步骤a3所描述的内容时,通过获取多组数据的方式,对多组数据进行平均值取值,这样有效的最终的数据进行优化。有效的减低了输错错误的概率。
基于上述基础,所述方法还包括以下步骤z1-步骤z8所描述的内容。
步骤z1,将所述交通融合业务数据集中的交通警情监控数据所包含的车辆型号标志,确定为所述交通融合业务数据集所包含的车辆型号标志。
步骤z2,将所述交通融合业务数据集和所述车辆标志数据整合数据集,确定为所述监测路线段内的区间数据融合组。
步骤z3,将所述区间数据融合组所包含的车辆型号标志,确定为目标车辆型号标志。
步骤z4,为所述目标车辆型号标志与所在的所述区间数据融合组中的车辆监控数据添加相同的标识业务信息。
步骤z5,将具有所述标识业务信息的所述目标车辆型号标志,分别存储至优先顺序车辆型号标志队列、车辆信息数据库以及预设数据库。
步骤z6,从所述优先顺序车辆型号标志队列中获取所述目标车辆型号标志的型号,大于从所述车辆信息数据库中获取所述目标车辆型号标志的型号;从所述车辆信息数据库中获取所述目标车辆型号标志的型号,大于从所述预设数据库中获取所述目标车辆型号标志的型号。
步骤z7,所述优先顺序车辆型号标志队列针对所述目标车辆型号标志的数据容纳量,小于所述车辆信息数据库针对所述目标车辆型号标志的数据容纳量;所述车辆信息数据库针对所述目标车辆型号标志的数据容纳量,小于所述预设数据库针对所述目标车辆型号标志的数据容纳量。
步骤z8,所述根据所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,包括:根据所述区间数据融合组中的车辆监控数据,确定所述监测路线段内的所述车辆流量;根据所述区间数据融合组中的车辆监控数据所具有的所述标识业务信息,从所述优先顺序车辆型号标志队列、所述车辆信息数据库或所述预设数据库中,获取具有所述标识业务信息的所述目标车辆型号标志,将获取到的所述目标车辆型号标志确定为所述车辆流量对应的车辆型号标志。
示例性的,所述根据所述区间数据融合组中的车辆监控数据所具有的所述标识业务信息,从所述优先顺序车辆型号标志队列、所述车辆信息数据库或所述预设数据库中,获取具有所述标识业务信息的所述目标车辆型号标志
步骤z81,根据所述区间数据融合组中的车辆监控数据所具有的所述标识业务信息,生成用于在所述优先顺序车辆型号标志队列中获取所述目标车辆型号标志的第一标识业务数据申请,当根据所述第一标识业务数据申请未从所述优先顺序车辆型号标志队列中获取到所述目标车辆型号标志时,根据所述第一标识业务数据申请,生成用于在所述车辆信息数据库中获取所述目标车辆型号标志的第二标识业务数据申请。
步骤z82,当根据所述第二标识业务数据申请未从所述车辆信息数据库中获取到所述目标车辆型号标志时,根据所述第二标识业务数据申请,生成用于在所述预设数据库中获取所述目标车辆型号标志的第三标识业务数据申请。
步骤z83,根据所述第三标识业务数据申请,从所述预设数据库中获取所述目标车辆型号标志。
可以理解的,在执行上述步骤z81-步骤z83所描述的内容时,能可靠的对每一次申请进行识别,这样避免了数据识别错误的情况。
可以理解的,在执行上述步骤z1-步骤z8所描述的内容时,通过对交通警情监控数据进行拆分分析,这样更精确的数据的每个分支,有效的避免局部数据错误造成的整体数据错误,提高了工作效率。
基于同样的发明构思,还提供了基于多智能体的车辆管理系统,所述系统包括车辆信息采集端和终端设备,所述车辆信息采集端与所述终端设备通信连接,终端设备包括:
数据获取模块,用于获取监测路线段内的交通警情监控数据和车辆监控数据;
数据融合模块,用于根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;
数据匹配模块,用于将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志;
数据整合模块,用于对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;
数据确定模块,用于基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志;
业务检测模块,用于根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果。
进一步的,终端设备包括:
获取所述监测路线段内的至少四组交通警情监控数据组合和至少四组车辆监控数据组合;
获取所述至少四组交通警情监控数据组合之间的交通警情监控数据组合匹配度和组合关联度,获取所述至少四组车辆监控数据组合之间的组合匹配度和组合关联度;
基于所述交通警情监控数据组合匹配度和所述组合关联度,对所述至少四组交通警情监控数据组合进行组合,得到所述监测路线段内的交通警情监控数据;
一个交通警情监控数据中至少包括一组交通警情监控数据组合;通过所述组合匹配度和所述组合关联度,对所述至少四组车辆监控数据组合进行重新组合,得到所述监测路线段内对应的车辆监控数据;
一个车辆监控数据中至少包括一组车辆监控数据组合。
进一步的,终端设备包括:
将所述监测路线段内的车辆监控数据确定为区间内的车辆监控数据,将所述监测路线段内的交通警情监控数据确定为区间内的交通警情监控数据;
所述区间内的车辆监控数据中的车辆监控数据组合是从所述监测路线段内的目标实时监控数据中所截获的;获取所述目标实时监控数据中的交通警情监控数据组合;
将所述目标实时监控数据中的交通警情监控数据组合与所述区间内的交通警情监控数据中的交通警情监控数据组合之间的数据组合匹配度,确定为所述区间内的车辆监控数据与所述区间内的交通警情监控数据之间的所述映射关系;
当所述映射关系属于关联性路网交通流量变化对应的范围内时,对所述区间内的车辆监控数据和所述区间内的交通警情监控数据进行数据整合,得到所述交通融合业务数据集。
进一步的,终端设备包括:
根据所述第一车辆监控数据组合,获取所述待检测车辆监控数据的第一车辆行驶型号数据;
根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,依次获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据;
获取所述第一车辆行驶型号数据分别与所述每个交通融合业务数据集对应的第二业务车辆车辆流动数目数据之间的数据对应关系;根据所述每个交通融合业务数据集对应的数据对应关系,确定所述每个交通融合业务数据集中的车辆监控数据分别与所述待检测车辆监控数据之间的数据匹配度;
当目标交通融合业务数据集的属于第一路网交通流量变化且在第二路网交通流量变化范围内时,将所述目标交通融合业务数据集中的交通警情监控数据所包括的车辆型号标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志;其中,所述目标交通融合业务数据集,指所属的数据匹配度属于数据匹配度路网交通流量变化的交通融合业务数据集。
进一步的,终端设备包括:
获取至少四组第一车辆监控数据组合中的各个第一车辆监控数据组合分别对应的车辆实时行驶数据;
根据所述各个第一车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第一车辆监控数据组合对应的目标车辆行驶型号数据;将所述目标车辆行驶型号数据,确定为所述第一车辆行驶型号数据。
进一步的,终端设备包括:
获取所述交通融合业务数据集ma包括的至少四组第二车辆监控数据组合中的每个第二车辆监控数据组合分别对应的车辆实时行驶数据;
根据所述每个第二车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第二车辆监控数据组合对应的第二平均特征正弦量;
将所述第二平均特征正弦量,确定为所述交通融合业务数据集ma中的车辆监控数据的第二业务车辆车辆流动数目数据。
进一步的,终端设备包括:
当所述目标交通融合业务数据集的车辆流动数目小于或等于所述第一路网交通流量变化时,将与每个待检测车辆监控数据之间的数据匹配度最大的车辆监控数据所在的交通融合业务数据集,分别确定为所述每个待检测车辆监控数据对应的待定数据融合组;
将所述每个待检测车辆监控数据对应的待定数据融合组中的交通警情监控数据所包含的车辆型号标志,分别确定为所述每个待检测车辆监控数据对应的待定车辆型号标志;
根据所述每个待检测车辆监控数据对应的待定车辆型号标志,确定待确定标志数据标志对应的至少四组标志数据标志值;获取所述至少四组标志数据标志值在至少四组交通融合业务数据集的交通警情监控数据所包含的车辆型号标志中的第一标志概率;
根据所述第一标志概率,确定所述每个待检测车辆监控数据针对所述待确定标志数据标志的第一目标标志数据标志值;
将分别具有所述每个待检测车辆监控数据对应的第一目标标志数据标志值的所述待确定标志数据标志,确定为与所述每个待检测车辆监控数据相一致的车辆型号标志;
所述至少四组标志数据标志值在与所述每个待检测车辆监控数据相一致的车辆型号标志中的第二标志概率,等于所述第一标志概率。
其中,所述方法还包括:
当所述目标交通融合业务数据集的所属所述第二路网交通流量变化时,统计待确定标志数据标志的至少四组标志数据标志值在所述目标交通融合业务数据集的交通警情监控数据组合所包含的车辆型号标志中的出现频率;所述至少四组标志数据标志值,是根据所述目标交通融合业务数据集中的交通警情监控数据所包含的车辆型号标志所确定的;
根据所述待检测车辆监控数据与所述目标交通融合业务数据集之间的数据匹配度、以及所述出现频率,从所述至少四组标志数据标志值中,确定所述待检测车辆监控数据针对所述待确定标志数据标志的第二目标标志数据标志值;
将具有所述第二目标标志数据标志值的所述待确定标志数据标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志。
基于上述同样的发明构思,请结合参阅图3,还提供了基于多智能体的车辆管理装置500的功能模块框图,关于所述基于多智能体的车辆管理装置500的详细描述如下。
基于多智能体的车辆管理装置500,应用于车辆信息采集端,所述装置500包括:
数据获取模块510,用于获取监测路线段内的交通警情监控数据和车辆监控数据;
数据融合模块520,用于根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;
数据匹配模块530,用于将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志;
数据整合模块540,用于对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;
数据确定模块550,用于基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志;
业务检测模块560,用于根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果。
一种终端设备,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现上述任意一项所述的方法。
一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,该计算机程序运行时执行上述任意一项所述的方法。
综上基于多智能体的车辆管理方法、管理系统、设备及介质,通过该车辆监控数据可以获取到监测路线段内的车辆流量,通过该交通警情监控数据可以获取到监测路线段内的车辆型号标志,并且,对于数据融合不匹配的车辆监控数据,也可以为其匹配到对应的车辆型号标志,因此提高了所获取的监测路线段内的车辆流量和车辆型号标志的准确性。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围执行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种基于多智能体的车辆管理方法,其特征在于,所述方法包括:
获取监测路线段内的交通警情监控数据和车辆监控数据;
根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;
将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志;
对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;
基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志;
根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果;
其中,所述交通警情监控数据用于表征发生车祸情况和车辆故障情况;所述车辆监控数据用于表征车辆通过监控区间的车辆数量;
其中,所述实时交通业务检测结果用于表征对应的实时交通情况结果。
2.根据权利要求1所述的方法,其特征在于,所述获取监测路线段内的交通警情监控数据和车辆监控数据,包括:
获取所述监测路线段内的至少四组交通警情监控数据组合和至少四组车辆监控数据组合;
获取所述至少四组交通警情监控数据组合之间的交通警情监控数据组合匹配度和组合关联度,获取所述至少四组车辆监控数据组合之间的组合匹配度和组合关联度;
基于所述交通警情监控数据组合匹配度和所述组合关联度,对所述至少四组交通警情监控数据组合进行组合,得到所述监测路线段内的交通警情监控数据;
一个交通警情监控数据中至少包括一组交通警情监控数据组合;通过所述组合匹配度和所述组合关联度,对所述至少四组车辆监控数据组合进行重新组合,得到所述监测路线段内对应的车辆监控数据;
一个车辆监控数据中至少包括一组车辆监控数据组合。
3.根据权利要求2所述的方法,其特征在于,所述根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集,包括:
将所述监测路线段内的车辆监控数据确定为区间内的车辆监控数据,将所述监测路线段内的交通警情监控数据确定为区间内的交通警情监控数据;
所述区间内的车辆监控数据中的车辆监控数据组合是从所述监测路线段内的目标实时监控数据中所截获的;获取所述目标实时监控数据中的交通警情监控数据组合;
将所述目标实时监控数据中的交通警情监控数据组合与所述区间内的交通警情监控数据中的交通警情监控数据组合之间的数据组合匹配度,确定为所述区间内的车辆监控数据与所述区间内的交通警情监控数据之间的所述映射关系;
当所述映射关系属于关联性路网交通流量变化对应的范围内时,对所述区间内的车辆监控数据和所述区间内的交通警情监控数据进行数据整合,得到所述交通融合业务数据集。
4.根据权利要求1所述的方法,其特征在于,所述待检测车辆监控数据包括所述监测路线段内的第一车辆监控数据组合;所述交通融合业务数据集的车辆流动数目为至少四组;每个交通融合业务数据集中的车辆监控数据分别包括所述监测路线段内的第二车辆监控数据组合;所述根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志,包括:
根据所述第一车辆监控数据组合,获取所述待检测车辆监控数据的第一车辆行驶型号数据;
根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,依次获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据;
获取所述第一车辆行驶型号数据分别与所述每个交通融合业务数据集对应的第二业务车辆车辆流动数目数据之间的数据对应关系;根据所述每个交通融合业务数据集对应的数据对应关系,确定所述每个交通融合业务数据集中的车辆监控数据分别与所述待检测车辆监控数据之间的数据匹配度;
当目标交通融合业务数据集的属于第一路网交通流量变化且在第二路网交通流量变化范围内时,将所述目标交通融合业务数据集中的交通警情监控数据所包括的车辆型号标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志;其中,所述目标交通融合业务数据集,指所属的数据匹配度属于数据匹配度路网交通流量变化的交通融合业务数据集。
5.根据权利要求4所述的方法,其特征在于,所述第一车辆监控数据组合的数据组合车辆流动数目为至少四组;所述根据所述第一车辆监控数据组合获取所述待检测车辆监控数据的第一车辆行驶型号数据,包括:
获取至少四组第一车辆监控数据组合中的各个第一车辆监控数据组合分别对应的车辆实时行驶数据;
根据所述各个第一车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第一车辆监控数据组合对应的目标车辆行驶型号数据;将所述目标车辆行驶型号数据,确定为所述第一车辆行驶型号数据。
6.根据权利要求4所述的方法,其特征在于,至少四组交通融合业务数据集包括交通融合业务数据集ma,a为小于或等于至少四组交通融合业务数据集的总车辆流动数目的正整数;所述交通融合业务数据集ma包括的第二车辆监控数据组合的数据组合车辆流动数目为至少四组;所述根据所述每个交通融合业务数据集包括的第二车辆监控数据组合,分别获取所述每个交通融合业务数据集中的车辆监控数据的第二业务车辆车辆流动数目数据,包括:
获取所述交通融合业务数据集ma包括的至少四组第二车辆监控数据组合中的每个第二车辆监控数据组合分别对应的车辆实时行驶数据;
根据所述每个第二车辆监控数据组合分别对应的车辆实时行驶数据,获取所述至少四组第二车辆监控数据组合对应的第二平均特征正弦量;
将所述第二平均特征正弦量,确定为所述交通融合业务数据集ma中的车辆监控数据的第二业务车辆车辆流动数目数据。
7.根据权利要求4所述的方法,其特征在于,所述待检测车辆监控数据的车辆流动数目为至少四组;所述方法还包括:
当所述目标交通融合业务数据集的车辆流动数目小于或等于所述第一路网交通流量变化时,将与每个待检测车辆监控数据之间的数据匹配度最大的车辆监控数据所在的交通融合业务数据集,分别确定为所述每个待检测车辆监控数据对应的待定数据融合组;
将所述每个待检测车辆监控数据对应的待定数据融合组中的交通警情监控数据所包含的车辆型号标志,分别确定为所述每个待检测车辆监控数据对应的待定车辆型号标志;
根据所述每个待检测车辆监控数据对应的待定车辆型号标志,确定待确定标志数据标志对应的至少四组标志数据标志值;获取所述至少四组标志数据标志值在至少四组交通融合业务数据集的交通警情监控数据所包含的车辆型号标志中的第一标志概率;
根据所述第一标志概率,确定所述每个待检测车辆监控数据针对所述待确定标志数据标志的第一目标标志数据标志值;
将分别具有所述每个待检测车辆监控数据对应的第一目标标志数据标志值的所述待确定标志数据标志,确定为与所述每个待检测车辆监控数据相一致的车辆型号标志;
所述至少四组标志数据标志值在与所述每个待检测车辆监控数据相一致的车辆型号标志中的第二标志概率,等于所述第一标志概率;
其中,所述方法还包括:
当所述目标交通融合业务数据集的所属所述第二路网交通流量变化时,统计待确定标志数据标志的至少四组标志数据标志值在所述目标交通融合业务数据集的交通警情监控数据组合所包含的车辆型号标志中的出现频率;所述至少四组标志数据标志值,是根据所述目标交通融合业务数据集中的交通警情监控数据所包含的车辆型号标志所确定的;
根据所述待检测车辆监控数据与所述目标交通融合业务数据集之间的数据匹配度、以及所述出现频率,从所述至少四组标志数据标志值中,确定所述待检测车辆监控数据针对所述待确定标志数据标志的第二目标标志数据标志值;
将具有所述第二目标标志数据标志值的所述待确定标志数据标志,确定为与所述待检测车辆监控数据相一致的车辆型号标志。
8.一种基于多智能体的车辆管理模块系统,其特征在于,包括车辆信息采集端和终端设备,所述车辆信息采集端和所述终端设备通信连接,所述终端设备包括:
数据获取模块,用于获取监测路线段内的交通警情监控数据和车辆监控数据;
数据融合模块,用于根据所述监测路线段内的交通警情监控数据和车辆监控数据之间的映射关系,对所述监测路线段内的交通警情监控数据和车辆监控数据进行数据融合,得到对应的交通融合业务数据集;
数据匹配模块,用于将数据融合不匹配的车辆监控数据确定为待检测车辆监控数据,根据所述交通融合业务数据集中的车辆监控数据与所述待检测车辆监控数据之间的数据匹配度,确定与所述待检测车辆监控数据相一致的车辆型号标志;
数据整合模块,用于对与所述待检测车辆监控数据相一致的车辆型号标志和所述待检测车辆监控数据进行数据整合,得到对应的车辆标志数据整合数据集;
数据确定模块,用于基于所述车辆标志数据整合数据集和所述交通融合业务数据集,确定所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志;
业务检测模块,用于根据所述监测路线段内的车辆流量和所述车辆流量对应的车辆型号标志,确定监测路线段内的实时交通车辆流动数据对应的实时交通业务检测结果;
其中,所述交通警情监控数据用于表征发生车祸情况和车辆故障情况;所述车辆监控数据用于表征车辆通过监控区间的车辆数量;
其中,所述实时交通业务检测结果用于表征对应的实时交通情况结果。
9.一种终端设备,其特征在于,包括:
存储器,用于存储计算机程序;
与所述存储器连接的处理器,用于执行该存储器存储的计算机程序,以实现权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质中存储有计算机程序,该计算机程序运行时执行权利要求1-7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450852.0A CN113192330B (zh) | 2021-04-26 | 2021-04-26 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450852.0A CN113192330B (zh) | 2021-04-26 | 2021-04-26 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113192330A CN113192330A (zh) | 2021-07-30 |
CN113192330B true CN113192330B (zh) | 2022-05-31 |
Family
ID=76978817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450852.0A Active CN113192330B (zh) | 2021-04-26 | 2021-04-26 | 基于多智能体的车辆管理方法、管理系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113192330B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106899664A (zh) * | 2017-02-15 | 2017-06-27 | 东北大学 | 基于多智能体的输油管道分布式协同泄漏检测系统及方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7085692B2 (en) * | 2001-10-11 | 2006-08-01 | Xerox Corporation | Learning systems and methods for market-based control of smart matter |
US7756615B2 (en) * | 2005-07-26 | 2010-07-13 | Macdonald, Dettwiler & Associates Inc. | Traffic management system for a passageway environment |
CN100476900C (zh) * | 2007-04-17 | 2009-04-08 | 中国科学院计算技术研究所 | 一种交通流量的检测方法和装置 |
CN101515309B (zh) * | 2009-04-07 | 2010-08-04 | 华中科技大学 | 基于多智能体的城市应急疏散仿真系统 |
CN103593535B (zh) * | 2013-11-22 | 2017-02-22 | 南京洛普股份有限公司 | 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法 |
CN108766004B (zh) * | 2018-04-27 | 2021-08-20 | 榛硕(武汉)智能科技有限公司 | 无人驾驶车辆的超车控制系统和方法 |
CN108831161A (zh) * | 2018-06-27 | 2018-11-16 | 深圳大学 | 一种基于无人机的交通流量监测方法、智能系统及数据集 |
CA3060900A1 (en) * | 2018-11-05 | 2020-05-05 | Royal Bank Of Canada | System and method for deep reinforcement learning |
CN109615864A (zh) * | 2018-12-29 | 2019-04-12 | 深圳英飞拓科技股份有限公司 | 基于视频结构化的车辆拥堵分析方法、系统、终端及存储介质 |
CN110070465B (zh) * | 2019-03-20 | 2023-04-11 | 上海德衡数据科技有限公司 | 一种基于多智能体运维的数据中心增值化服务系统 |
CN110266515A (zh) * | 2019-05-16 | 2019-09-20 | 上海德衡数据科技有限公司 | 一种基于普适计算的运营信息系统 |
CN110796360A (zh) * | 2019-10-24 | 2020-02-14 | 吉林化工学院 | 一种固定型交通检测源多尺度数据融合方法 |
CN110958066B (zh) * | 2019-11-18 | 2022-09-09 | 腾讯科技(深圳)有限公司 | 增益网络的获取方法、装置、存储介质和计算机设备 |
CN111367900B (zh) * | 2020-02-26 | 2023-08-08 | 北京交通大学 | 基于afc数据的城市轨道交通网络常态限流强度的计算方法 |
CN111583693B (zh) * | 2020-05-07 | 2021-06-15 | 中国农业大学 | 一种城市道路智能交通协同运行系统及智能车辆控制方法 |
CN112085952B (zh) * | 2020-09-07 | 2022-06-03 | 平安科技(深圳)有限公司 | 监控车辆数据方法、装置、计算机设备及存储介质 |
CN112216130B (zh) * | 2020-09-30 | 2022-07-26 | 长沙理工大学 | 一种车路协同环境下的应急车辆诱导方法 |
CN112329248A (zh) * | 2020-11-11 | 2021-02-05 | 长安大学 | 一种基于多智能体系统的道路混合交通流仿真系统 |
-
2021
- 2021-04-26 CN CN202110450852.0A patent/CN113192330B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106899664A (zh) * | 2017-02-15 | 2017-06-27 | 东北大学 | 基于多智能体的输油管道分布式协同泄漏检测系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于多Agent技术的高速公路监视与控制仿真研究;孙宝等;《交通与运输(学术版)》;20090705(第01期);全文 * |
基于多智能体技术的城市交通控制系统的探讨;承向军等;《北方交通大学学报》;20021015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113192330A (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815986B (zh) | 一种交通事故预警方法、装置、终端设备及存储介质 | |
CN111325978B (zh) | 一种高速公路车辆异常行为的全程监测警示系统和方法 | |
CN103473929A (zh) | 车辆违规监控方法、装置及系统 | |
CN107918762B (zh) | 一种公路遗撒物快速检测系统及方法 | |
CN113870570B (zh) | 一种基于etc的路网运行状态方法、系统和存储介质 | |
US20140279587A1 (en) | System for tracking vehicle speed violations | |
CN113989715A (zh) | 车辆违停检测方法、装置、电子设备及存储介质 | |
CN113192330B (zh) | 基于多智能体的车辆管理方法、管理系统、设备及介质 | |
CN115995151B (zh) | 应用于城市管理的网约车异常行为检测方法 | |
CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
CN111833629A (zh) | 特殊车道提示方法、系统及车辆 | |
CN112863171B (zh) | 一种基于历史数据分析的智能稽查方法及系统 | |
CN114140270A (zh) | 基于车辆行驶数据判断车辆救援的方法、系统及存储介质 | |
CN113422829A (zh) | 客运车辆告警方法、告警装置、计算机存储介质及终端 | |
KR101035122B1 (ko) | 차종 시퀀스 패턴을 이용한 구간통행시간 계측방법 | |
CN112733675A (zh) | 车辆驾驶行为监测方法、系统、电子设备和存储介质 | |
CN116416780A (zh) | 一种路侧感知系统的测试方法、装置、测试设备和介质 | |
CN112861701A (zh) | 违章停车识别方法、装置、电子设备以及计算机可读介质 | |
CN117274929B (zh) | 一种基于视觉分析的交通管理方法及系统 | |
CN212809451U (zh) | 一种高速公路入口称重设备车型分类预判装置 | |
CN218825836U (zh) | 一种基于车牌识别技术的车辆实时定位核查系统 | |
CN116778434B (zh) | 一种基于计算机视觉的交通违章行为检测系统及方法 | |
WO2022233099A1 (zh) | 基于联网adas调查路域交通违法行为时空特征的方法 | |
CN115100861B (zh) | 一种酒驾车辆识别方法 | |
CN116229444A (zh) | 摄像机车牌识别正确率检测方法、系统、计算机设备及存储介质 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Multi agent based vehicle management methods, management systems, devices, and media Granted publication date: 20220531 Pledgee: China Construction Bank Corporation Shanghai Changning Branch Pledgor: SHANGHAI DATACENTER SCIENCE Co.,Ltd. Registration number: Y2024980022877 |