CN113781767A - 一种基于多源感知的交通数据融合方法及系统 - Google Patents
一种基于多源感知的交通数据融合方法及系统 Download PDFInfo
- Publication number
- CN113781767A CN113781767A CN202110898110.4A CN202110898110A CN113781767A CN 113781767 A CN113781767 A CN 113781767A CN 202110898110 A CN202110898110 A CN 202110898110A CN 113781767 A CN113781767 A CN 113781767A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- module
- road
- fusion
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 26
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000013500 data storage Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000007499 fusion processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000007704 transition Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于智能交通技术领域，公开了一种基于多源感知的交通数据融合方法及系统，所述基于多源感知的交通数据融合系统包括：交通道路划分模块、交通数据获取模块、数据预处理模块、数据传输模块、中央控制模块、模型构建模块、数据融合模块、数据存储模块、多维度数据显示模块。本发明利用了从多方面获取到的多源数据，提出交通状态弱信号感知研判方法，能够在交通状态过渡阶段及时准确地感知交通状态变化趋势，进而主动疏导管控，最大程度上避免交通拥堵的发生。采用本发明可以实时计算处理各种交通事件、交通流信息、车辆行人检测信息等，将所处理的信息用于路侧系统，可以及时的解决车辆与行人行驶过程中的安全与效率问题。
Description
技术领域
本发明属于智能交通技术领域，尤其涉及一种基于多源感知的交通数据融合方法及系统。
背景技术
交通状态的感知研判对道路交通的安全与效率具有重要影响。如何利用现有的技术资源及时、准确地监测和预测交通状态一直是一个热门的研究问题。
目前，对交通状态感知的研究多依赖于固定式车辆检测器数据，但由于受成本的限制，车检器的布设数量十分有限，则得到的车检器数据十分有限。少数的利用多源数据进行交通状态感知的方法也都一定程度上存在数据来源及类型单一，数据利用率低等问题，使得交通状态监测与预测的准确性和空间覆盖范围受到了严重的影响。
数据融合(data fusion)也称作信息融合，是一个信息综合与处理的过程，定义是利用计算机技术对按时序获得的若干传感器的观测信息在一定准则下加以自动分析、综合以完成所需的决策和估计任务而进行的信息处理过程。
因此，亟需一种将交通状态感知与交通数据融合的技术方案，以弥补现有技术缺陷。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有交通状态感知方案中，由于受成本的限制，车检器的布设数量十分有限，则得到的车检器数据十分有限。
(2)现有利用多源数据进行交通状态感知的方法也都一定程度上存在数据来源及类型单一，数据利用率低等问题，使得交通状态监测与预测的准确性和空间覆盖范围受到了严重的影响。
发明内容
针对现有技术存在的问题，本发明提供了一种基于多源感知的交通数据融合方法及系统。
本发明是这样实现的，一种基于多源感知的交通数据融合系统，所述基于多源感知的交通数据融合系统包括：
交通道路划分模块、交通数据获取模块、数据预处理模块、数据传输模块、中央控制模块、模型构建模块、数据融合模块、数据存储模块、多维度数据显示模块。
交通道路划分模块，与中央控制模块连接，用于通过交通道路划分程序根据道路属性和交通数据属性对交通道路进行网格化划分；
交通数据获取模块，与中央控制模块连接，用于通过多源数据获取设备根据交通道路网格划分结果获取网格关联的交通数据；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的交通数据进行归一化处理，并过滤时间序列中偏移量较大的位置数据；
其中，所述通过数据预处理模块利用数据预处理程序对获取的交通数据进行归一化处理，包括：
设有k个待识目标，构建m组神经网络，测试样本经由神经网络组得到m组k个[0,1]的数值，将每一个网络所得的输出数值aij进行归一化处理，得到该条交通道路数据对该命题的基本概率赋值：
归一化过程为：
Vi＝(aik...,ai2,ai1)T；
Vi′＝Vi/ε＝(a′ik...,a′i2,a′i1)T；
令mi(Oj)＝a′ij,i∈{1,2,...m},j∈{1,2,...k}表示交通道路数据Ei对目标Oj的基本信任程度，即基本概率赋值；
数据传输模块，与中央控制模块连接，用于通过数据传输装置将预处理后的交通数据信息发送至单片机和/或中央处理器。
进一步，所述基于多源感知的交通数据融合系统，还包括：
中央控制模块，与交通道路划分模块、交通数据获取模块、数据预处理模块、数据传输模块、模型构建模块、数据融合模块、数据存储模块、多维度数据显示模块连接用于通过单片机和/或中央处理器协调控制所述基于多源感知的交通数据融合系统各个模块的正常运行；
模型构建模块，与中央控制模块连接，用于通过模型构建程序根据预处理后的交通数据信息构建基于神经网络的数据融合模型；
数据融合模块，与中央控制模块连接，用于通过数据融合模型对所有交通数据进行融合处理，获取融合数据集；
数据存储模块，与中央控制模块连接，用于通过存储器存储交通道路网格化划分结果、交通数据、数据预处理结果、基于神经网络的数据融合模型以及融合数据集；
多维度数据显示模块，与中央控制模块连接，用于通过显示器实现以图表呈现已加载的数据集，并对数据集中的各类数据进行多维度呈现。
进一步，交通道路划分模块中，所述交通数据，包括车辆位置数据、手机信令数据、基站位置、终端切换时间、门架DSRC数据、车辆OBU终端和门架通信的时间及门架位置数据、视频数据，以及基于视频的断面流量、车辆数、停留时间数据。
进一步，交通道路划分模块中，所述道路属性和交通数据属性的确定方法，包括：
(1)利用多组传感器采集待识目标属性信息，并提取出道路和交通数据的特征属性；其中所述道路属性包括高速公路、主干路、次干路和支路；
(2)将所述具有特征属性的数据划分为训练数据和测试数据，训练数据用于融合模型的构建，测试数据用于获取交通道路数据的基本概率赋值；
(3)根据不同属性区域的预划分道路网格中的车辆位置数据，确定该区域的预划分交通道路的网格大小，车辆密度越大道路网格划分越小。
进一步，数据融合模块中，所述通过数据融合模型对所有交通数据进行融合处理，包括：
(1)获取多源交通数据的时空基准，进行数据的同步记录；
(2)给多源交通数据增加时空标签，并转化为统一格式；
(3)利用数据融合模型对格式统一的多源交通数据进行时空匹配，采用最小二乘原理对经时空匹配后的多源交通数据进行融合。
进一步，所述数据融合模型，包括：：
假设所有待检测的交通参数为β0,β1,…,βm，观测值为y1,y2,…,yn，则数据融合模型为：
其中，xij是可测量并可控制的非随机变量，为经验值，εi为随机误差，且E(εi)＝0，D(εi)＝σ2，E(εi)表示εi的期望值，D(εi)表示εi的方差，i＝1,2,...,n,j＝1,2,...,m。
进一步，所述对数据集中的各类数据进行多维度呈现的方法，包括：
(1)将数据集中的各交通数据特征进行多维度提取并形成新的数据特征；其中所述数据多维度提取包括数据的时间维度，空间维度和多元语义维度；
(2)针对提取后形成的数据特征进行数学计算项运算，将运算后的数据进行图形化呈现；其中所述数学计算项包括求和、平均、最大值和最小值；
(3)通过显示器对数据进行多维度呈现之后，根据呈现效果判断是否进行数据状态的保存。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用所述的基于多源感知的交通数据融合系统。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用所述的基于多源感知的交通数据融合系统。
本发明的另一目的在于提供一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现所述的基于多源感知的交通数据融合系统。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于多源感知的交通数据融合系统，利用了从多方面获取到的多源数据，提出交通状态弱信号感知研判方法，能够在交通状态过渡阶段及时准确地感知交通状态变化趋势，进而主动疏导管控，最大程度上避免交通拥堵的发生。采用本发明可以实时计算处理各种交通事件、交通流信息、车辆行人检测信息等，将所处理的信息用于路侧系统，可以及时的解决车辆与行人行驶过程中的安全与效率问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于多源感知的交通数据融合系统结构框图；
图中：1、交通道路划分模块；2、交通数据获取模块；3、数据预处理模块；4、数据传输模块；5、中央控制模块；6、模型构建模块；7、数据融合模块；8、数据存储模块；9、多维度数据显示模块。
图2是本发明实施例提供的基于多源感知的交通数据融合方法流程图。
图3是本发明实施例提供的道路属性和交通数据属性的确定方法流程图。
图4是本发明实施例提供的通过数据融合模块利用数据融合模型对所有交通数据进行融合处理的方法流程图。
图5是本发明实施例提供的对数据集中的各类数据进行多维度呈现的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于多源感知的交通数据融合方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于多源感知的交通数据融合系统包括：交通道路划分模块1、交通数据获取模块2、数据预处理模块3、数据传输模块4、中央控制模块5、模型构建模块6、数据融合模块7、数据存储模块8、多维度数据显示模块9。
交通道路划分模块，与中央控制模块连接，用于通过交通道路划分程序根据道路属性和交通数据属性对交通道路进行网格化划分；
交通数据获取模块，与中央控制模块连接，用于通过多源数据获取设备根据交通道路网格划分结果获取网格关联的交通数据；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的交通数据进行归一化处理，并过滤时间序列中偏移量较大的位置数据；
数据传输模块，与中央控制模块连接，用于通过数据传输装置将预处理后的交通数据信息发送至单片机和/或中央处理器；
中央控制模块，与交通道路划分模块、交通数据获取模块、数据预处理模块、数据传输模块、模型构建模块、数据融合模块、数据存储模块、多维度数据显示模块连接用于通过单片机和/或中央处理器协调控制所述基于多源感知的交通数据融合系统各个模块的正常运行；
模型构建模块，与中央控制模块连接，用于通过模型构建程序根据预处理后的交通数据信息构建基于神经网络的数据融合模型；
数据融合模块，与中央控制模块连接，用于通过数据融合模型对所有交通数据进行融合处理，获取融合数据集；
数据存储模块，与中央控制模块连接，用于通过存储器存储交通道路网格化划分结果、交通数据、数据预处理结果、基于神经网络的数据融合模型以及融合数据集；
多维度数据显示模块，与中央控制模块连接，用于通过显示器实现以图表呈现已加载的数据集，并对数据集中的各类数据进行多维度呈现。
如图2所示，本发明实施例提供的基于多源感知的交通数据融合方法包括以下步骤：
S101，通过交通道路划分模块利用交通道路划分程序根据道路属性和交通数据属性对交通道路进行网格化划分；
S102，通过交通数据获取模块利用多源数据获取设备根据交通道路网格划分结果获取网格关联的交通数据；
S103，通过数据预处理模块利用数据预处理程序对获取的交通数据进行归一化处理，并过滤时间序列中偏移量较大的位置数据；
S104，通过数据传输模块利用数据传输装置将预处理后的交通数据信息发送至单片机和/或中央处理器；通过中央控制模块利用单片机和/或中央处理器协调控制所述基于多源感知的交通数据融合系统各个模块的正常运行；
S105，通过模型构建模块利用模型构建程序根据预处理后的交通数据信息构建基于神经网络的数据融合模型；通过数据融合模块利用数据融合模型对所有交通数据进行融合处理，获取融合数据集；
S106，通过数据存储模块利用存储器存储交通道路网格化划分结果、交通数据、数据预处理结果、基于神经网络的数据融合模型以及融合数据集；
S107，通过多维度数据显示模块利用显示器实现以图表呈现已加载的数据集，并对数据集中的各类数据进行多维度呈现。
本发明实施例提供的步骤S101中，所述交通数据，包括车辆位置数据、手机信令数据、基站位置、终端切换时间、门架DSRC数据、车辆OBU终端和门架通信的时间及门架位置数据、视频数据，以及基于视频的断面流量、车辆数、停留时间数据。
如图3所示，本发明实施例提供的步骤S101中，所述道路属性和交通数据属性的确定方法，包括：
S201，利用多组传感器采集待识目标属性信息，并提取出道路和交通数据的特征属性；其中所述道路属性包括高速公路、主干路、次干路和支路；
S202，将所述具有特征属性的数据划分为训练数据和测试数据，训练数据用于融合模型的构建，测试数据用于获取交通道路数据的基本概率赋值；
S203，根据不同属性区域的预划分道路网格中的车辆位置数据，确定该区域的预划分交通道路的网格大小，车辆密度越大道路网格划分越小。
本发明实施例提供的步骤S103中，所述通过数据预处理模块利用数据预处理程序对获取的交通数据进行归一化处理，包括：
设有k个待识目标，构建m组神经网络，测试样本经由神经网络组得到m组k个[0,1]的数值，将每一个网络所得的输出数值aij进行归一化处理，得到该条交通道路数据对该命题的基本概率赋值：
归一化过程为：
Vi＝(aik...,ai2,ai1)T；
Vi′＝Vi/ε＝(a′ik...,a′i2,a′i1)T；
令mi(Oj)＝a′ij,i∈{1,2,...m},j∈{1,2,...k}表示交通道路数据Ei对目标Oj的基本信任程度，即基本概率赋值。
如图4所示，本发明实施例提供的步骤S105中，所述通过数据融合模块利用数据融合模型对所有交通数据进行融合处理，包括：
S301，获取多源交通数据的时空基准，进行数据的同步记录；
S302，给多源交通数据增加时空标签，并转化为统一格式；
S303，利用数据融合模型对格式统一的多源交通数据进行时空匹配，采用最小二乘原理对经时空匹配后的多源交通数据进行融合。
本发明实施例提供的数据融合模型，包括：：
假设所有待检测的交通参数为β0,β1,…,βm，观测值为y1,y2,…,yn，则数据融合模型为：
其中，xij是可测量并可控制的非随机变量，为经验值，εi为随机误差，且E(εi)＝0，D(εi)＝σ2，E(εi)表示εi的期望值，D(εi)表示εi的方差，i＝1,2,...,n,j＝1,2,...,m。
如图5所示，本发明实施例提供的步骤S107中，所述对数据集中的各类数据进行多维度呈现的方法，包括：
S401，将数据集中的各交通数据特征进行多维度提取并形成新的数据特征；其中所述数据多维度提取包括数据的时间维度，空间维度和多元语义维度；
S402，针对提取后形成的数据特征进行数学计算项运算，将运算后的数据进行图形化呈现；其中所述数学计算项包括求和、平均、最大值和最小值；
S403，通过显示器对数据进行多维度呈现之后，根据呈现效果判断是否进行数据状态的保存。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，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，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于多源感知的交通数据融合系统，其特征在于，所述基于多源感知的交通数据融合系统包括：
交通道路划分模块、交通数据获取模块、数据预处理模块、数据传输模块、中央控制模块、模型构建模块、数据融合模块、数据存储模块、多维度数据显示模块；
交通道路划分模块，与中央控制模块连接，用于通过交通道路划分程序根据道路属性和交通数据属性对交通道路进行网格化划分；
交通数据获取模块，与中央控制模块连接，用于通过多源数据获取设备根据交通道路网格划分结果获取网格关联的交通数据；
数据预处理模块，与中央控制模块连接，用于通过数据预处理程序对获取的交通数据进行归一化处理，并过滤时间序列中偏移量较大的位置数据；
其中，所述通过数据预处理模块利用数据预处理程序对获取的交通数据进行归一化处理，包括：
设有k个待识目标，构建m组神经网络，测试样本经由神经网络组得到m组k个[0,1]的数值，将每一个网络所得的输出数值aij进行归一化处理，得到该条交通道路数据对该命题的基本概率赋值：
归一化过程为：
Vi＝(aik...,ai2,ai1)T；
Vi′＝Vi/ε＝(a′ik...,a′i2,a′i1)T；
令mi(Oj)＝a′ij,i∈{1,2,...m},j∈{1,2,...k}表示交通道路数据Ei对目标Oj的基本信任程度，即基本概率赋值；
数据传输模块，与中央控制模块连接，用于通过数据传输装置将预处理后的交通数据信息发送至单片机和/或中央处理器。
2.如权利要求1所述的基于多源感知的交通数据融合系统，其特征在于，所述基于多源感知的交通数据融合系统，还包括：
中央控制模块，与交通道路划分模块、交通数据获取模块、数据预处理模块、数据传输模块、模型构建模块、数据融合模块、数据存储模块、多维度数据显示模块连接用于通过单片机和/或中央处理器协调控制所述基于多源感知的交通数据融合系统各个模块的正常运行；
模型构建模块，与中央控制模块连接，用于通过模型构建程序根据预处理后的交通数据信息构建基于神经网络的数据融合模型；
数据融合模块，与中央控制模块连接，用于通过数据融合模型对所有交通数据进行融合处理，获取融合数据集；
数据存储模块，与中央控制模块连接，用于通过存储器存储交通道路网格化划分结果、交通数据、数据预处理结果、基于神经网络的数据融合模型以及融合数据集；
多维度数据显示模块，与中央控制模块连接，用于通过显示器实现以图表呈现已加载的数据集，并对数据集中的各类数据进行多维度呈现。
3.如权利要求1所述的基于多源感知的交通数据融合系统，其特征在于，交通道路划分模块中，所述交通数据，包括车辆位置数据、手机信令数据、基站位置、终端切换时间、门架DSRC数据、车辆OBU终端和门架通信的时间及门架位置数据、视频数据，以及基于视频的断面流量、车辆数、停留时间数据。
4.如权利要求1所述的基于多源感知的交通数据融合系统，其特征在于，交通道路划分模块中，所述道路属性和交通数据属性的确定方法，包括：
(1)利用多组传感器采集待识目标属性信息，并提取出道路和交通数据的特征属性；其中所述道路属性包括高速公路、主干路、次干路和支路；
(2)将所述具有特征属性的数据划分为训练数据和测试数据，训练数据用于融合模型的构建，测试数据用于获取交通道路数据的基本概率赋值；
(3)根据不同属性区域的预划分道路网格中的车辆位置数据，确定该区域的预划分交通道路的网格大小，车辆密度越大道路网格划分越小。
5.如权利要求2所述的基于多源感知的交通数据融合系统，其特征在于，数据融合模块中，所述通过数据融合模型对所有交通数据进行融合处理，包括：
(1)获取多源交通数据的时空基准，进行数据的同步记录；
(2)给多源交通数据增加时空标签，并转化为统一格式；
(3)利用数据融合模型对格式统一的多源交通数据进行时空匹配，采用最小二乘原理对经时空匹配后的多源交通数据进行融合。
6.如权利要求5所述的基于多源感知的交通数据融合系统，其特征在于，所述数据融合模型，包括：：
假设所有待检测的交通参数为β0,β1,…,βm，观测值为y1,y2,…,yn，则数据融合模型为：
其中，xij是可测量并可控制的非随机变量，为经验值，εi为随机误差，且E(εi)＝0，D(εi)＝σ2，E(εi)表示εi的期望值，D(εi)表示εi的方差，i＝1,2,...,n,j＝1,2,...,m。
7.如权利要求2所述的基于多源感知的交通数据融合系统，其特征在于，所述对数据集中的各类数据进行多维度呈现的方法，包括：
(1)将数据集中的各交通数据特征进行多维度提取并形成新的数据特征；其中所述数据多维度提取包括数据的时间维度，空间维度和多元语义维度；
(2)针对提取后形成的数据特征进行数学计算项运算，将运算后的数据进行图形化呈现；其中所述数学计算项包括求和、平均、最大值和最小值；
(3)通过显示器对数据进行多维度呈现之后，根据呈现效果判断是否进行数据状态的保存。
8.一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以应用如权利要求1～7任意一项所述的基于多源感知的交通数据融合系统。
9.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机应用如权利要求1～7任意一项所述的基于多源感知的交通数据融合系统。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求1～7任意一项所述的基于多源感知的交通数据融合系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898110.4A CN113781767A (zh) | 2021-08-05 | 2021-08-05 | 一种基于多源感知的交通数据融合方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110898110.4A CN113781767A (zh) | 2021-08-05 | 2021-08-05 | 一种基于多源感知的交通数据融合方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113781767A true CN113781767A (zh) | 2021-12-10 |
Family
ID=78836756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110898110.4A Pending CN113781767A (zh) | 2021-08-05 | 2021-08-05 | 一种基于多源感知的交通数据融合方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113781767A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114267173A (zh) * | 2021-12-13 | 2022-04-01 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
| CN114446052A (zh) * | 2022-01-17 | 2022-05-06 | 东南大学 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
| CN114663992A (zh) * | 2022-03-18 | 2022-06-24 | 福建工程学院 | 一种多源数据融合高速公路门架定位方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140277823A1 (en) * | 2013-03-12 | 2014-09-18 | Ford Global Technologies, Llc | Method and Apparatus for Determining Traffic Conditions |
| CN104134349A (zh) * | 2014-08-07 | 2014-11-05 | 北京航空航天大学 | 一种基于交通多源数据融合的公交路况处理系统及方法 |
| CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
| CN107742420A (zh) * | 2017-09-22 | 2018-02-27 | 北京交通大学 | 一种用于突发交通事件下道路交通流预测的方法 |
| CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
| CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN113012469A (zh) * | 2021-03-16 | 2021-06-22 | 浙江亚太机电股份有限公司 | 一种基于目标识别的智能交通预警系统 |
-
2021
- 2021-08-05 CN CN202110898110.4A patent/CN113781767A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140277823A1 (en) * | 2013-03-12 | 2014-09-18 | Ford Global Technologies, Llc | Method and Apparatus for Determining Traffic Conditions |
| CN104134349A (zh) * | 2014-08-07 | 2014-11-05 | 北京航空航天大学 | 一种基于交通多源数据融合的公交路况处理系统及方法 |
| CN107622275A (zh) * | 2017-08-21 | 2018-01-23 | 西安电子科技大学 | 一种基于证据合成的信息融合目标识别方法 |
| CN107742420A (zh) * | 2017-09-22 | 2018-02-27 | 北京交通大学 | 一种用于突发交通事件下道路交通流预测的方法 |
| CN111127888A (zh) * | 2019-12-23 | 2020-05-08 | 广东工业大学 | 一种基于多源数据融合的城市交通流预测方法 |
| CN112512020A (zh) * | 2020-11-20 | 2021-03-16 | 北京中交国通智能交通系统技术有限公司 | 一种基于多源数据融合的交通状态弱信号感知研判方法 |
| CN113012469A (zh) * | 2021-03-16 | 2021-06-22 | 浙江亚太机电股份有限公司 | 一种基于目标识别的智能交通预警系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈斌等: "神经网络和证据理论融合的管道泄漏诊断方法", 《北京邮电大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114267173A (zh) * | 2021-12-13 | 2022-04-01 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
| CN114267173B (zh) * | 2021-12-13 | 2023-08-18 | 河北雄安京德高速公路有限公司 | 高速公路时空特征的多源数据融合方法、装置及设备 |
| CN114446052A (zh) * | 2022-01-17 | 2022-05-06 | 东南大学 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
| CN114446052B (zh) * | 2022-01-17 | 2023-05-30 | 东南大学 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
| CN114663992A (zh) * | 2022-03-18 | 2022-06-24 | 福建工程学院 | 一种多源数据融合高速公路门架定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178456B (zh) | 异常指标检测方法、装置、计算机设备和存储介质 | |
| CN113781767A (zh) | 一种基于多源感知的交通数据融合方法及系统 | |
| CN112418117A (zh) | 一种基于无人机图像的小目标检测方法 | |
| CN113155173B (zh) | 感知性能评测方法、装置、电子装置和存储介质 | |
| CN113780902B (zh) | 一种基于云计算的灾害风险预警管理系统 | |
| US20210020036A1 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
| CN111291071B (zh) | 数据处理方法、装置及电子设备 | |
| CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
| CN115600513A (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判系统 | |
| CN115617784A (zh) | 一种信息化配电的数据处理系统及其处理方法 | |
| CN115797403A (zh) | 交通事故预测方法和装置、存储介质及电子设备 | |
| CN113869427A (zh) | 一种场景分析方法、装置、电子设备及存储介质 | |
| CN112748453B (zh) | 道路侧定位方法、装置、设备及存储介质 | |
| CN110674208A (zh) | 用于确定用户的职住地信息的方法和装置 | |
| CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
| CN115061386B (zh) | 智能驾驶的自动化仿真测试系统及相关设备 | |
| CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及系统 | |
| CN115576990A (zh) | 视觉真值数据与感知数据的评测方法、装置、设备及介质 | |
| CN114548376A (zh) | 一种面向智能交通系统的车辆快速检测网络及方法 | |
| CN115641470A (zh) | 分类模型及车辆图像分类模型的训练方法、装置及设备 | |
| CN115484721A (zh) | 基于路侧感知系统的路灯控制方法、装置、设备及介质 | |
| CN113869367A (zh) | 模型能力检测方法、装置、电子设备和计算机可读介质 | |
| CN110413662B (zh) | 一种多通道式经济数据输入系统、采集系统与方法 | |
| CN115378856B (zh) | 通讯检测方法、设备及存储介质 | |
| CN117835197B (zh) | 基于5g信息的气象信息服务系统和方法 |
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: 20211210 |
|
| RJ01 | Rejection of invention patent application after publication |