CN113990069B - 一种基于卫星联动技术的城市交通管理方法及系统 - Google Patents

一种基于卫星联动技术的城市交通管理方法及系统 Download PDF

Info

Publication number
CN113990069B
CN113990069B CN202111261656.5A CN202111261656A CN113990069B CN 113990069 B CN113990069 B CN 113990069B CN 202111261656 A CN202111261656 A CN 202111261656A CN 113990069 B CN113990069 B CN 113990069B
Authority
CN
China
Prior art keywords
vehicle
vehicle terminal
time sequence
coordinate data
urban road
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
Application number
CN202111261656.5A
Other languages
English (en)
Other versions
CN113990069A (zh
Inventor
张凯元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Junkai Electronic Technology Co ltd
Original Assignee
Shaanxi Junkai Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Junkai Electronic Technology Co ltd filed Critical Shaanxi Junkai Electronic Technology Co ltd
Priority to CN202111261656.5A priority Critical patent/CN113990069B/zh
Publication of CN113990069A publication Critical patent/CN113990069A/zh
Application granted granted Critical
Publication of CN113990069B publication Critical patent/CN113990069B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于卫星联动技术的城市交通管理方法及系统，包括以下步骤：步骤S1、系统实时采集车辆终端的坐标数据，并基于所述车辆终端的坐标数据建立车辆状态预测模型，再基于所述轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；步骤S2、系统采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态。本发明对轨迹路径进行违章分析得到车辆终端模型在未来时序会产生的违章情况，并根据违章情况进行制定最佳的车辆行驶督导方案，以提供行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务。

Description

一种基于卫星联动技术的城市交通管理方法及系统
技术领域
本发明涉及交通管理技术领域，具体涉及一种基于卫星联动技术的城市交通管理方法及系统。
背景技术
在生活中，人们总会有感觉到交通不方便的地方，如飞机晚点、延误，超级大堵车等，如此这些，已经成为我们生活中习以为常的事情。交通永远不会有发展到最完美的时候，人类会不断提出新的要求以改善舒适度，对交通出行的大数据进行分析总结可以得出不同城市的相互联系强度、城市流动人口的来源，指导城市对外交通建设；能够分析出城市交通现象与重要事件之间的关系，有效预防下次突发事件造成的交通压力；大数据能够形象地反映居民的出行路径、偏好，总结出居民的出行习惯从而为第三方服务平台提供参考，加快推进交通运输由传统产业向现代服务业转型升级。
中国专利(CN106920392A)公开了一直智慧交通大数据系统，通过基于城市智慧交通的应用场景需求，结合深度的专业应用整合，创建智慧交通大数据模型，实现人、车、路三者的协调整合，提高城市交通运输效率、交通管理效率和质量、自动化智能化水平，但是当前技术以及上述技术中针对智慧交通大数据整合过程中，主要针对特定路况信息以及交管下的实时路况，对于未来时序上的车辆行驶状态产生违章事件、以及道路拥堵状态的预见性太低，难以进行事先引导，导致交通监管的智能化程度低。
发明内容
本发明的目的在于提供一种基于卫星联动技术的城市交通管理方法，以解决当前技术中对于未来时序上的车辆行驶状态产生违章事件、以及道路拥堵状态的预见性太低，难以进行事先引导，导致交通监管的智能化程度低的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种基于卫星联动技术的城市交通管理方法，包括以下步骤：
步骤S1、系统实时采集车辆终端的坐标数据，并基于所述车辆终端的坐标数据建立车辆状态预测模型，所述车辆状态预测模型用于预测车辆终端在未来时序段的轨迹状态，再基于所述轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；
步骤S2、系统采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，以实现对城市道路的宏观监控；
步骤S3、基于所述车流状态对城市道路的流通性进行宏观调控，以使得城市道路保持高通畅度，基于所述轨迹状态对车辆终端的安全性进行微观督导，以使得车辆终端保持高安全度。
作为本发明的一种优选方案，基于所述车辆终端的坐标数据建立车辆状态预测模型，包括：
将当前时序tn+1的n个前置时序作为一个训练时序段，获取训练时序段{ti|i∈[1,n]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000021
将每个时序的所述车辆终端模型的坐标数据量化为一个训练样本，同时将坐标数据的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本
Figure GDA0004152951220000022
其中，ti表征为训练时序段中第i个训练时序，
Figure GDA0004152951220000023
表征为车辆终端在训练时序段中第i个训练时序处的坐标数据；
基于所述时序样本
Figure GDA0004152951220000024
训练CNN-LSTM时序预测模型得到车辆状态预测模型，将当前时序和训练时序段的坐标数据构成组合项
Figure GDA0004152951220000025
作为车辆状态预测模型输入，在所述车辆状态预测模型输入组合项
Figure GDA0004152951220000026
输出在未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000027
其中，
Figure GDA0004152951220000028
分别表征为车辆终端在第n个训练时序tn、当前时序tn+1上的坐标数据；
基于所述未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000031
计算出车辆终端在未来时序段{tn+j|j∈[2,m]}内的车速数据，所述车速数据的计算公式为：
Figure GDA0004152951220000032
式中，
Figure GDA0004152951220000033
表征为车辆终端在未来时序段中第j个未来时序tn+j处的车速数据，
Figure GDA0004152951220000034
表征为车辆终端在未来时序段中第j、j-1个未来时序tn+j、tn+j-1处的坐标数据，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
将未来时序段上的坐标数据和车速数据组合成联合数据
Figure GDA0004152951220000035
所述联合数据
Figure GDA0004152951220000036
用于表征未来时序段上的车辆终端的轨迹状态。
作为本发明的一种优选方案，基于所述轨迹状态判定车辆终端的违章状态，包括：
系统在车辆终端在未来时序段内轨迹状态中提取出每个坐标数据作为轨迹点，并将轨迹点依时序链接构成轨迹路径，再在所述轨迹路径中进行交管规则标定得到监管路径，所述交管规则的标定是指在各个轨迹点处标记出违章数据阈值；
将所述轨迹路径中所有轨迹点处的坐标数据和车速数据与交管规则进行匹配，其中，
若坐标数据和车速数据未超出所述违章数据阈值，则判定车辆终端处于非违章状态的正常行驶；
若坐标数据和车速数据超出了所述违章数据阈值，则判定车辆终端处于违章状态的异常行驶。
作为本发明的一种优选方案，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，包括：
在未来时序段中的每个未来时序处依次比较车辆终端的坐标数据归属于城市道路坐标数据相同与否，以判定车辆终端是否行驶于城市道路上，其中，
若车辆终端的坐标数据
Figure GDA0004152951220000037
在城市道路的坐标数据Qk范围内，则表征为车辆终端在未来时序tn+j处行驶于条城市道路k上；
若车辆终端的坐标数据
Figure GDA0004152951220000041
不在城市道路的坐标数据Qk范围内，则表征为车辆终端在未来时序tn+j处不行驶于城市道路k上；
依次统计在未来时序段中行驶在每个城市道路上的车辆终端数量
Figure GDA0004152951220000042
以确定每个城市道路的拥堵状态，其中，
若城市道路k在未来时序段中车辆终端数量的平均值大于或等于数量阈值，则预测城市道路k在未来时序段上处于拥堵状态；
若城市道路k在未来时序段中车辆终端数量的平均值小于数量阈值，则预测城市道路k在未来时序段上处于非拥堵状态；
其中，数量阈值表征为造成城市道路处于拥堵状态的车辆终端数量，所述车辆终端数量的平均值的计算公式为：
Figure GDA0004152951220000043
式中，
Figure GDA0004152951220000044
表征为城市道路k的车辆终端数量的平均值，
Figure GDA0004152951220000045
表征为城市道路k在未来时序tn+j处的车辆终端数量，k为城市道路的区分编号，Qk表征为城市道路k的坐标数据的集合。
作为本发明的一种优选方案，基于所述拥堵状态对城市道路的流通性进行宏观调控，包括：
当城市道路k在未来时序段内处于拥堵状态，则基于城市道路k的车辆终端数量
Figure GDA0004152951220000046
设定城市道路k的交通灯时长的自适应调控参数，所述交通灯中通行灯时长的自适应调控参数
Figure GDA0004152951220000047
所述交通灯中禁行灯时长的自适应调控参数
Figure GDA0004152951220000048
基于所述自适应调控参数对城市道路k的交通灯时长进行自适应调控得到所述交通灯中通行灯时长调整为Tr,k ′＝Xk*Tr,k，所述交通灯中禁行灯时长调整为Tg,k ′＝Yk*Tg,k，以实现在车辆终端数量增加时延长通行灯时长以及缩短禁行灯时长增加了城市道路上允许车辆终端通行的时间，以及提高了城市道路的流通性；
当城市道路k在未来时序段内处于非拥堵状态，则所述交通灯中通行灯时长维持为Tr,k，所述交通灯中禁行灯时长维持为Tg,k；
其中，Xk表征为城市道路k的通行灯时长的自适应调控参数，Yk表征为城市道路k的禁行灯时长的自适应调控参数，Tr,k、Tg,k分别表征为城市道路k中原始的通行灯、禁行灯时长，Tr,k ′、Tg,k ′分别表征为城市道路k中调整后的通行灯时长、禁行灯时长。
作为本发明的一种优选方案，基于所述轨迹状态对车辆终端的安全性进行微观督导，包括：
系统对所述处于违章状态的车辆终端模型进行违章预警以提示车辆终端模型进行轨迹变更，其中，
对经违章预警且未进行轨迹变更的车辆终端模型在违章节点处进行违章抓拍，并在抓拍完成后下发违章处罚决定；
对经违章预警且进行轨迹变更的车辆终端模型返回步骤S1利用车辆状态预测模型进行重新预测未来时序的所述车辆终端模型的轨迹状态。
作为本发明的一种优选方案，本发明提供了一种根据所述的基于卫星联动技术的城市交通管理方法的管理系统，包括：
微观监控单元，用于实时采集车辆终端的坐标数据，并基于所述车辆终端的坐标数据建立车辆状态预测模型，所述车辆状态预测模型用于预测车辆终端在未来时序段的轨迹状态，再基于所述轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；
宏观监控单元，用于采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，以实现对城市道路的宏观监控；
微宏观调控单元，用于基于所述车流状态对城市道路的流通性进行宏观调控，以使得城市道路保持高通畅度，基于所述轨迹状态对车辆终端的安全性进行微观督导，以使得车辆终端保持高安全度。
作为本发明的一种优选方案，所述微观监控单元、宏观监控单元和微宏观调控单元通过网络通信协议IPV4/IPV6进行数据交互。
作为本发明的一种优选方案，所述车辆状态预测模型包括：
将当前时序tn+1的n个前置时序作为一个训练时序段，获取训练时序段{ti|i∈[1,n]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000061
将每个时序的所述车辆终端模型的坐标数据量化为一个训练样本，同时将坐标数据的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本
Figure GDA0004152951220000062
其中，ti表征为训练时序段中第i个训练时序，
Figure GDA0004152951220000063
表征为车辆终端在训练时序段中第i个训练时序处的坐标数据；
基于所述时序样本
Figure GDA0004152951220000064
训练CNN-LSTM时序预测模型得到车辆状态预测模型，将当前时序和训练时序段的坐标数据构成组合项
Figure GDA0004152951220000065
作为车辆状态预测模型输入，在所述车辆状态预测模型输入组合项
Figure GDA0004152951220000066
输出在未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000067
其中，
Figure GDA0004152951220000068
分别表征为车辆终端在第n个训练时序tn、当前时序tn+1上的坐标数据；
基于所述未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000069
计算出车辆终端在未来时序段{tn+j|j∈[2,m]}内的车速数据，所述车速数据的计算公式为：
Figure GDA00041529512200000610
式中，
Figure GDA00041529512200000611
表征为车辆终端在未来时序段中第j个未来时序tn+j处的车速数据，
Figure GDA00041529512200000612
表征为车辆终端在未来时序段中第j、j-1个未来时序tn+j、tn+j-1处的坐标数据，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
将未来时序段上的坐标数据和车速数据组合成联合数据
Figure GDA00041529512200000613
所述联合数据
Figure GDA00041529512200000614
用于表征未来时序段上的车辆终端的轨迹状态。
作为本发明的一种优选方案，所述违章状态的判断方法包括：
系统在车辆终端在未来时序段内轨迹状态中提取出每个坐标数据作为轨迹点，并将轨迹点依时序链接构成轨迹路径，再在所述轨迹路径中进行交管规则标定得到监管路径，所述交管规则的标定是指在各个轨迹点处标记出违章数据阈值；
将所述轨迹路径中所有轨迹点处的坐标数据和车速数据与交管规则进行匹配，其中，
若坐标数据和车速数据未超出所述违章数据阈值，则判定车辆终端处于非违章状态的正常行驶；
若坐标数据和车速数据超出了所述违章数据阈值，则判定车辆终端处于违章状态的异常行驶。
本发明与当前技术相比较具有如下有益效果：
本发明利用CNN-LSTM时序预测模型构建车辆行驶预测模型，实现通过车辆终端模型在当前时序的坐标数据对车辆终端模型在未来时序的坐标数据进行预测得到车辆终端模型在未来时序的轨迹路径，对轨迹路径进行违章分析得到车辆终端模型在未来时序会产生的违章情况，并根据违章情况进行制定最佳的车辆行驶督导方案，以提供行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务，以此来减少道路交通事故的发生，从而保证交通的顺畅，实现基于大数据的智慧交通。
附图说明
为了更清楚地说明本发明的实施方式或当前技术中的技术方案，下面将对实施方式或当前技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的城市交通管理方法流程图；
图2为本发明实施例提供的管理系统结构框图。
图中的标号分别表示如下：
1-所述微观监控单元；2-宏观监控单元；3-微宏观调控单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明提供了一种基于卫星联动技术的城市交通管理方法，包括以下步骤：
交管控制管理端采集城市地理信息和建筑信息模型的BIM数据，并根据地理信息和建筑信息模型的BIM数据构建城市交通空间信息模型；
交管控制管理端基于城市交通管理规则、交通临时管制体系、交通运行监控信息构建城市交通监管大数据模型；
车辆终端基于车辆装载的卫星接收器信息、车辆硬件信息构建车辆终端模型；车辆硬件信息包括车架号、发动机号、车牌号、车主姓名以及车主身份证号。
将车辆终端模型的位置信息通过数据传送模块传送至交管控制管理端，同时根据车辆终端模型的位置信息建立车辆行驶预测模型，预测出车辆终端模型在未来时序的轨迹路径；
车辆行驶预测模型的建立方法：
获取一个连续时序段内的车辆终端模型的位置信息，将每个时序的车辆终端模型的位置信息量化为一个训练样本，同时将位置信息的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本；
基于时序样本训练CNN-LSTM时序预测模型得到车辆行驶预测模型，车辆预测模型输入当前时序的车辆终端模型的位置信息，输出未来时序的车辆终端模型的位置信息，将未来时序的车辆终端模型的位置信息以时序链接获得未来时序的车辆终端模型的轨迹路径，轨迹路径是由车辆终端在未来时序中每个时序处形成的轨迹点构成。
车辆终端模型的位置信息通过GPS系统或者北斗卫星导航系统实时获得，并通过车联网5G移动通讯网络相结合进行定位精度提升，将车辆终端模型的位置信息通过与车辆装载的卫星接收器信息、车辆硬件信息进行唯一绑定从而实现对每辆车辆终端模型进行定位识别。
通过交管控制管理端对城市交通空间信息模型、城市交通监管大数据模型以及车辆行驶预测模型进行匹配关联分析得到车辆终端模型的违章数据，基于违章数据制定最佳的车辆行驶督导方案，以提供行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务。
违章数据的构建方法包括：
将未来时序的车辆终端模型的轨迹路径进行城市交通空间信息模型、城市交通监管大数据模型的路径监管匹配，其中，
在城市交通空间信息模型中提取出与轨迹路径相同的空间路径，并利用城市交通监管大数据模型在空间路径中进行交管规则标定得到监管路径；
将轨迹路径中所有轨迹点进行车辆状态标记，在监管路径中与轨迹点具有相同位置关系的路径节点处提取交管状态，将车辆状态与交管状态进行点对点比较判定出车辆终端模型在未来时序会产生违章数据。
车辆状态包括车速，车向，车牌等信息，交管状态包括限号通行、超速、违停、逆行等，将轨迹点处的车辆状态与与轨迹点具有相同位置关系的路径节点处的交管状态进行比对，从而可判断出车辆终端是否存在违章状况。
违章数据的构建方法还包括：
若车辆状态与交管状态相符，则车辆终端模型在未来时序会产生违章数据为未违章；
若车辆状态与交管状态不相符，则车辆终端模型在未来时序会产生违章数据为违章，并在监管路径上标记出违章产生的路径节点作为违章节点，其中，
车辆状态与交管状态相符程度低于轻度违章阈值，则车辆终端模型在未来时序会产生违章数据为轻度违章；
车辆状态与交管状态相符程度高于轻度违章阈值且低于重度违章阈值，则车辆终端模型在未来时序会产生违章数据为中度违章；
车辆状态与交管状态相符程度高于重度违章阈值，则车辆终端模型在未来时序会产生违章数据为重度违章。
车辆行驶督导方案的指定方法包括：
交管控制管理端对轻度违章、中度违章和重度违章的车辆终端模型进行违章预警以提示车辆终端模型进行轨迹变更，其中，
对经违章预警且未进行轨迹变更的车辆终端模型在违章节点处进行违章抓拍，并在抓拍完成后下发违章处罚决定；
对经违章预警且进行轨迹变更的车辆终端模型返回步骤S2利用车辆行驶预测模型进行重新预测未来时序的车辆终端模型的轨迹路径。
利用违章的预见性，对车辆终端进行预警提示，使得车辆终端进行路线变更，降低违章的发生率，预警提示可通过短信告知，电话告知或者其他形式的告知方法，保障道路通畅，而对预警且不改的车辆终端，进行违章抓拍，且直接处罚，可以实现违章地点的快速获取，并在违章地点进行违章抓拍，避免对车辆进行实时跟踪抓拍，提高处罚效率。
由于违章处理中存在一些不得不中途暂停车的事件，比如车主生理事件等，在车辆停在不干扰交通的区域内则对交通危害程度几乎为0，因此为了更人性化处理这类由于违停产生的轻度违章，本实施例还提供了一种违章数据中违停事件的处理方法，包括：车主通过手机关注微信公众号，点击“10分钟违停免罚”菜单，输入车牌号、手机号和发动机号后4位，提交车辆绑定信息。绑定成功就可以申请“10分钟违停免罚”业务了，而且绑定成功后可以及时收到“申请免罚”的结果信息推送，车主通过手机，打开“某某交警”微信公众号“10分钟违停免罚”菜单，进入免罚信息录入页面，该页面会自动加载已绑定车牌号列表(每台车可以绑定3个微信ID，每个微信ID可以绑定3台车)，选择车主所在某市，输入手机号码。点击“下一步”进入拍照页面，按要求拍照后，点“提交”按钮即可上报驶离信息。驶离信息上报页面参考下图，但最终以实际开发需求为准。
对于拍摄照片的要求，由于前面已经对车牌号和微信ID作了绑定和验证，所以拍照时，只要求证明确系驶离即可。而违停地址，在提交“驶离信息”时，自动获取手机GP S坐标地址，传回后台，在审核数据时，基本能判断违法地址和驶离上报地址的相似度，从而做出审核结果，完成10分钟违停免罚，可以更为人性化的进行交通管理。
基于该方法，提供一种的基于卫星联动技术的城市交通管理方法的管理系统，包括：
车辆终端1、交管控制管理端3以及数据传送模块2；
数据传送模块用于车辆终端与交管控制管理端之间的数据传输；
车辆终端包括车辆硬件信息采集模块、车辆装载的卫星接收器；
交管控制管理端包括城市交通空间信息模型建立模块、城市交通监管大数据模型建立模块和车辆行驶预测模型，以及违章分析模块；
数据传送模块包括设置在车辆终端处的数据传送模块和设置在交管控制管理端处的数据接收模块。
车辆信息采集模块用于采集车辆硬件信息并将车辆硬件信息传输到数据传送模块，车辆装载的卫星接收器用于采集车辆当前时序位置信息并将当前时序位置信息传输到数据传送模块，数据传送模块用于将车辆信息、当前时序位置信息传输到数据接收模块；
数据接收模块用于接收数据传送模块所传送的车辆信息、当前时序位置信息；
城市交通空间信息模型建立模块用于采集城市地理信息和建筑信息模型的BIM数据，并根据地理信息和建筑信息模型的BIM数据构建城市交通空间信息模型；
车辆行驶预测模型通过当前时序位置信息预测出车辆终端模型在未来时序的轨迹路径。
违章分析模块用于通过交管控制管理端对城市交通空间信息模型、城市交通监管大数据模型以及车辆行驶预测模型进行匹配关联分析得到车辆终端模型的违章数据，基于违章数据制定最佳的车辆行驶督导方案，以提供行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务。
违章分析模块还包括预警模块，预警模块用于对轻度违章、中度违章和重度违章的车辆终端模型进行违章预警以提示车辆终端模型进行轨迹变更对车辆终端模型实现行驶路线的引导优化避免违章产生。
本发明利用CNN-L步骤STM时序预测模型构建车辆行驶预测模型，实现通过车辆终端模型在当前时序的位置信息对车辆终端模型在未来时序的位置信息进行预测得到车辆终端模型在未来时序的轨迹路径，对轨迹路径进行违章分析得到车辆终端模型在未来时序会产生的违章情况，并根据违章情况进行制定最佳的车辆行驶督导方案，以提供行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务，以此来减少道路交通事故的发生，从而保证交通的顺畅，实现基于大数据的智慧交通。
实施例2
如图1所示，本发明还进一步提供了另一种基于卫星联动技术的城市交通管理方法，以单个车辆终端为监控主体对单个车辆终端进行安全督导，使得车辆终端保持安全的行驶状态，监控主体定位在单个车辆终端上，相当于从微观上对城市交通进行管理，而且以每个城市道路为监控主体对城市道路进行通畅调控，使得城市道路保持高通畅性供车辆终端通行，监控主体定位在有多个车辆终端行驶的城市道路上，相当于从宏观上对城市交通进行管理，整体上从宏观和微观角度对城市交通进行管理有效的提高管理的全面性。
一种基于卫星联动技术的城市交通管理方法，包括以下步骤：
步骤S1、系统实时采集车辆终端的坐标数据，并基于车辆终端的坐标数据建立车辆状态预测模型，车辆状态预测模型用于预测车辆终端在未来时序段的轨迹状态，再基于轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；
基于车辆终端的坐标数据建立车辆状态预测模型，包括：
将当前时序tn+1的n个前置时序作为一个训练时序段，获取训练时序段{ti|i∈[1,n]}内的车辆终端的坐标数据
Figure GDA0004152951220000121
将每个时序的车辆终端模型的坐标数据量化为一个训练样本，同时将坐标数据的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本
Figure GDA0004152951220000122
其中，ti表征为训练时序段中第i个训练时序，
Figure GDA0004152951220000123
表征为车辆终端在训练时序段中第i个训练时序处的坐标数据；
基于时序样本
Figure GDA0004152951220000131
训练CNN-LSTM时序预测模型得到车辆状态预测模型，将当前时序和训练时序段的坐标数据构成组合项
Figure GDA0004152951220000132
作为车辆状态预测模型输入，在车辆状态预测模型输入组合项
Figure GDA0004152951220000133
输出在未来时序段{tn+j|j∈[2,m]}内的车辆终端的坐标数据
Figure GDA0004152951220000134
其中，
Figure GDA0004152951220000135
分别表征为车辆终端在第n个训练时序tn、当前时序tn+1上的坐标数据；
基于未来时序段{tn+j|j∈[2,m]}内的车辆终端的坐标数据
Figure GDA0004152951220000136
Figure GDA0004152951220000137
计算出车辆终端在未来时序段{tn+j|j∈[2,m]}内的车速数据，车速数据的计算公式为：
Figure GDA0004152951220000138
式中，
Figure GDA0004152951220000139
表征为车辆终端在未来时序段中第j个未来时序tn+j处的车速数据，
Figure GDA00041529512200001310
表征为车辆终端在未来时序段中第j、j-1个未来时序tn+j、tn+j-1处的坐标数据，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
将未来时序段上的坐标数据和车速数据组合成联合数据
Figure GDA00041529512200001311
联合数据
Figure GDA00041529512200001312
用于表征未来时序段上的车辆终端的轨迹状态。
基于轨迹状态判定车辆终端的违章状态，包括：
系统在车辆终端在未来时序段内轨迹状态中提取出每个坐标数据作为轨迹点，并将轨迹点依时序链接构成轨迹路径，再在轨迹路径中进行交管规则标定得到监管路径，交管规则的标定是指在各个轨迹点处标记出违章数据阈值；
将轨迹路径中所有轨迹点处的坐标数据和车速数据与交管规则进行匹配，其中，
若坐标数据和车速数据未超出违章数据阈值，则判定车辆终端处于非违章状态的正常行驶；
若坐标数据和车速数据超出了违章数据阈值，则判定车辆终端处于违章状态的异常行驶。
上述步骤可预测出每个车辆终端在未来时序段上每个时序处的轨迹状态，即预测处每个车辆终端在未来时序段上每个时序处的坐标数据和车速数据，可通过坐标数据得到车辆终端在未来时序段上即将行驶到的城市道路，并通过调取该城市道路的交管规则(限速、限行等)，基于交管规则比对车辆终端的车速数据，判定出车辆终端在未来时序段上是否会产生违章，实现违章的预见性。
进一步，利用违章的预见性，对车辆终端进行预警提示，使得车辆终端进行路线变更，降低违章的发生率，预警提示可通过短信告知，电话告知或者其他形式的告知方法，保障道路通畅，而对预警且不改的车辆终端，进行违章抓拍，且直接处罚，可以实现违章地点的快速获取，并在违章地点进行违章抓拍，避免对车辆进行实时跟踪抓拍，提高处罚效率，使得整个交通管理效率大大提高。
步骤S2、系统采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，以实现对城市道路的宏观监控；
基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，包括：
在未来时序段中的每个未来时序处依次比较车辆终端的坐标数据归属于城市道路坐标数据相同与否，以判定车辆终端是否行驶于城市道路上，其中，
若车辆终端的坐标数据
Figure GDA0004152951220000141
在城市道路的坐标数据Qk范围内，则表征为车辆终端在未来时序tn+j处行驶于条城市道路k上；
若车辆终端的坐标数据
Figure GDA0004152951220000142
不在城市道路的坐标数据Qk范围内，则表征为车辆终端在未来时序tn+j处不行驶于城市道路k上；
依次统计在未来时序段中行驶在每个城市道路上的车辆终端数量
Figure GDA0004152951220000151
以确定每个城市道路的拥堵状态，其中，
若城市道路k在未来时序段中车辆终端数量的平均值大于或等于数量阈值，则预测城市道路k在未来时序段上处于拥堵状态；
若城市道路k在未来时序段中车辆终端数量的平均值小于数量阈值，则预测城市道路k在未来时序段上处于非拥堵状态；
其中，数量阈值表征为造成城市道路处于拥堵状态的车辆终端数量，车辆终端数量的平均值的计算公式为：
Figure GDA0004152951220000152
式中，
Figure GDA0004152951220000153
表征为城市道路k的车辆终端数量的平均值，
Figure GDA0004152951220000154
表征为城市道路k在未来时序tn+j处的车辆终端数量，k为城市道路的区分编号，Qk表征为城市道路k的坐标数据的集合。
上述步骤通过统计城市道路上在未来时序段上的车辆终端数量，判定城市道路是否会出现拥堵状况，从而实现道路拥堵的预见性，从而提前进行调控，避免拥堵的发生。
步骤S3、基于车流状态对城市道路的流通性进行宏观调控，以使得城市道路保持高通畅度，基于轨迹状态对车辆终端的安全性进行微观督导，以使得车辆终端保持高安全度。
基于拥堵状态对城市道路的流通性进行宏观调控，包括：
当城市道路k在未来时序段内处于拥堵状态，则基于城市道路k的车辆终端数量
Figure GDA0004152951220000155
设定城市道路k的交通灯时长的自适应调控参数，交通灯中通行灯时长的自适应调控参数
Figure GDA0004152951220000156
交通灯中禁行灯时长的自适应调控参数
Figure GDA0004152951220000157
基于自适应调控参数对城市道路k的交通灯时长进行自适应调控得到交通灯中通行灯时长调整为Tr,k ′＝Xk*Tr,k，交通灯中禁行灯时长调整为Tg,k ′＝Yk*Tg,k，以实现在车辆终端数量增加时延长通行灯时长以及缩短禁行灯时长增加了城市道路上允许车辆终端通行的时间，以及提高了城市道路的流通性；
其中
Figure GDA0004152951220000161
随车辆终端数量
Figure GDA0004152951220000162
的增加而增加，从而将Xk作为通行灯时长的自适应调控参数，可使得通行灯时长随车辆终端数量
Figure GDA0004152951220000163
的增加而延长，
Figure GDA0004152951220000164
随车辆终端数量
Figure GDA0004152951220000165
的增加而减少，从而将Yk作为禁行灯时长的自适应调控参数，可使得禁行灯时长随车辆终端数量
Figure GDA0004152951220000166
的增加而缩短，通行灯时长延长，禁行灯时长缩短，从而可提高车辆终端在城市道路上的通行时长，减少车辆终端在城市道路上的驻车时长，能够有效的疏通城市道路，保持城市道路的通畅性，避免拥堵的产生。
当城市道路k在未来时序段内处于非拥堵状态，则交通灯中通行灯时长维持为Tr,k，交通灯中禁行灯时长维持为Tg,k；
其中，Xk表征为城市道路k的通行灯时长的自适应调控参数，Yk表征为城市道路k的禁行灯时长的自适应调控参数，Tr,k、Tg,k分别表征为城市道路k中原始的通行灯、禁行灯时长，Tr,k ′、Tg,k ′分别表征为城市道路k中调整后的通行灯时长、禁行灯时长。
基于轨迹状态对车辆终端的安全性进行微观督导，包括：
系统对处于违章状态的车辆终端模型进行违章预警以提示车辆终端模型进行轨迹变更，其中，
对经违章预警且未进行轨迹变更的车辆终端模型在违章节点处进行违章抓拍，并在抓拍完成后下发违章处罚决定；
对经违章预警且进行轨迹变更的车辆终端模型返回步骤S1利用车辆状态预测模型进行重新预测未来时序的车辆终端模型的轨迹状态。
进行微观督导可有助于车辆终端在违章事件发生之前进行调整，最终避免违章事件的产生，实现城市交通管理中对车辆终端行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务。
基于上述基于卫星联动技术的城市交通管理方法，本发明提供了一种管理系统，包括：
微观监控单元，用于实时采集车辆终端的坐标数据，并基于车辆终端的坐标数据建立车辆状态预测模型，车辆状态预测模型用于预测车辆终端在未来时序段的轨迹状态，再基于轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；
宏观监控单元1，用于采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，以实现对城市道路的宏观监控；
微宏观调控单元2，用于基于车流状态对城市道路的流通性进行宏观调控，以使得城市道路保持高通畅度，基于轨迹状态对车辆终端的安全性进行微观督导，以使得车辆终端保持高安全度。
微观监控单元1、宏观监控单元2和微宏观调控单元3通过网络通信协议IPV4/IPV6进行数据交互。
作为本发明的一种优选方案，所述车辆状态预测模型包括：
将当前时序tn+1的n个前置时序作为一个训练时序段，获取训练时序段{ti|i∈[1,n]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000171
将每个时序的所述车辆终端模型的坐标数据量化为一个训练样本，同时将坐标数据的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本
Figure GDA0004152951220000172
其中，ti表征为训练时序段中第i个训练时序，
Figure GDA0004152951220000173
表征为车辆终端在训练时序段中第i个训练时序处的坐标数据；
基于所述时序样本
Figure GDA0004152951220000174
训练CNN-LSTM时序预测模型得到车辆状态预测模型，将当前时序和训练时序段的坐标数据构成组合项
Figure GDA0004152951220000175
作为车辆状态预测模型输入，在所述车辆状态预测模型输入组合项
Figure GDA0004152951220000176
输出在未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000177
其中，
Figure GDA0004152951220000178
分别表征为车辆终端在第n个训练时序tn、当前时序tn+1上的坐标数据；
基于所述未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure GDA0004152951220000181
计算出车辆终端在未来时序段{tn+j|j∈[2,m]}内的车速数据，所述车速数据的计算公式为：
Figure GDA0004152951220000182
式中，
Figure GDA0004152951220000183
表征为车辆终端在未来时序段中第j个未来时序tn+j处的车速数据，
Figure GDA0004152951220000184
表征为车辆终端在未来时序段中第j、j-1个未来时序tn+j、tn+j-1处的坐标数据，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
将未来时序段上的坐标数据和车速数据组合成联合数据
Figure GDA0004152951220000185
所述联合数据
Figure GDA0004152951220000186
用于表征未来时序段上的车辆终端的轨迹状态。
作为本发明的一种优选方案，所述违章状态的判断方法包括：
系统在车辆终端在未来时序段内轨迹状态中提取出每个坐标数据作为轨迹点，并将轨迹点依时序链接构成轨迹路径，再在所述轨迹路径中进行交管规则标定得到监管路径，所述交管规则的标定是指在各个轨迹点处标记出违章数据阈值；
将所述轨迹路径中所有轨迹点处的坐标数据和车速数据与交管规则进行匹配，其中，
若坐标数据和车速数据未超出所述违章数据阈值，则判定车辆终端处于非违章状态的正常行驶；
若坐标数据和车速数据超出了所述违章数据阈值，则判定车辆终端处于违章状态的异常行驶。
综上，本发明利用CNN-LSTM时序预测模型构建车辆行驶预测模型，实现通过车辆终端模型在当前时序的坐标数据对车辆终端模型在未来时序的坐标数据进行预测得到车辆终端模型在未来时序的轨迹路径，对轨迹路径进行违章分析得到车辆终端模型在未来时序会产生的违章情况，并根据违章情况进行制定最佳的车辆行驶督导方案，以提供行驶路线的引导优化，车辆违规行为的自动识别以及驾驶过程中的智慧服务，以此来减少道路交通事故的发生，从而保证交通的顺畅，实现基于大数据的智慧交通。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (8)

1.一种基于卫星联动技术的城市交通管理方法，其特征在于：包括以下步骤：
步骤S1、系统实时采集车辆终端的坐标数据，并基于所述车辆终端的坐标数据建立车辆状态预测模型，所述车辆状态预测模型用于预测车辆终端在未来时序段的轨迹状态，再基于所述轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；
步骤S2、系统采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，以实现对城市道路的宏观监控；
步骤S3、基于所述拥堵状态对城市道路的流通性进行宏观调控，以使得城市道路保持高通畅度，基于所述轨迹状态对车辆终端的安全性进行微观督导，以使得车辆终端保持高安全度；
基于拥堵状态对城市道路的流通性进行宏观调控，包括：
当城市道路k在未来时序段内处于拥堵状态，则基于城市道路k的车辆终端数量
Figure FDA0004155581990000011
设定城市道路k的交通灯时长的自适应调控参数，交通灯中通行灯时长的自适应调控参数
Figure FDA0004155581990000012
交通灯中禁行灯时长的自适应调控参数
Figure FDA0004155581990000013
基于自适应调控参数对城市道路k的交通灯时长进行自适应调控得到交通灯中通行灯时长调整为Tr,k ′＝Xk*Tr,k，交通灯中禁行灯时长调整为Tg,k ′＝Yk*Tg,k，以实现在车辆终端数量增加时延长通行灯时长以及缩短禁行灯时长增加了城市道路上允许车辆终端通行的时间，以及提高了城市道路的流通性；
当城市道路k在未来时序段内处于非拥堵状态，则交通灯中通行灯时长维持为Tr,k，交通灯中禁行灯时长维持为Tg,k；
其中，Xk表征为城市道路k的通行灯时长的自适应调控参数，Yk表征为城市道路k的禁行灯时长的自适应调控参数，Tr,k、Tg,k分别表征为城市道路k中原始的通行灯、禁行灯时长，Tr,k ′、Tg,k ′分别表征为城市道路k中调整后的通行灯时长、禁行灯时长，
Figure FDA0004155581990000021
表征为城市道路k在未来时序tn+j处的车辆终端数量，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
基于轨迹状态对车辆终端的安全性进行微观督导，包括：
系统对处于违章状态的车辆终端模型进行违章预警以提示车辆终端模型进行轨迹变更，其中，
对经违章预警且未进行轨迹变更的车辆终端模型在违章节点处进行违章抓拍，并在抓拍完成后下发违章处罚决定；
对经违章预警且进行轨迹变更的车辆终端模型返回步骤S1利用车辆状态预测模型进行重新预测未来时序的车辆终端模型的轨迹状态。
2.根据权利要求1所述的一种基于卫星联动技术的城市交通管理方法，其特征在于：基于所述车辆终端的坐标数据建立车辆状态预测模型，包括：
将当前时序tn+1的n个前置时序作为一个训练时序段，获取训练时序段{ti|i∈[1,n]}内的所述车辆终端的坐标数据
Figure FDA0004155581990000022
将每个时序的所述车辆终端模型的坐标数据量化为一个训练样本，同时将坐标数据的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本
Figure FDA0004155581990000023
其中，ti表征为训练时序段中第i个训练时序，
Figure FDA0004155581990000024
表征为车辆终端在训练时序段中第i个训练时序处的坐标数据；
基于所述时序样本
Figure FDA0004155581990000025
训练CNN-LSTM时序预测模型得到车辆状态预测模型，将当前时序和训练时序段的坐标数据构成组合项
Figure FDA0004155581990000026
作为车辆状态预测模型输入，在所述车辆状态预测模型输入组合项
Figure FDA0004155581990000027
输出在未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure FDA0004155581990000028
其中，
Figure FDA0004155581990000029
分别表征为车辆终端在第n个训练时序tn、当前时序tn+1上的坐标数据；
基于所述未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure FDA0004155581990000031
计算出车辆终端在未来时序段{tn+j|j∈[2,m]}内的车速数据，所述车速数据的计算公式为：
Figure FDA0004155581990000032
式中，
Figure FDA0004155581990000033
表征为车辆终端在未来时序段中第j个未来时序tn+j处的车速数据，
Figure FDA0004155581990000034
表征为车辆终端在未来时序段中第j、j-1个未来时序tn+j、tn+j-1处的坐标数据，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
将未来时序段上的坐标数据和车速数据组合成联合数据
Figure FDA0004155581990000035
所述联合数据
Figure FDA0004155581990000036
用于表征未来时序段上的车辆终端的轨迹状态。
3.根据权利要求2所述的一种基于卫星联动技术的城市交通管理方法，其特征在于，基于所述轨迹状态判定车辆终端的违章状态，包括：
系统在车辆终端在未来时序段内轨迹状态中提取出每个坐标数据作为轨迹点，并将轨迹点依时序链接构成轨迹路径，再在所述轨迹路径中进行交管规则标定得到监管路径，所述交管规则的标定是指在各个轨迹点处标记出违章数据阈值；
将所述轨迹路径中所有轨迹点处的坐标数据和车速数据与交管规则进行匹配，其中，
若坐标数据和车速数据未超出所述违章数据阈值，则判定车辆终端处于非违章状态的正常行驶；
若坐标数据和车速数据超出了所述违章数据阈值，则判定车辆终端处于违章状态的异常行驶。
4.根据权利要求3所述的一种基于卫星联动技术的城市交通管理方法，其特征在于，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，包括：
在未来时序段中的每个未来时序处依次比较车辆终端的坐标数据归属于城市道路坐标数据相同与否，以判定车辆终端是否行驶于城市道路上，其中，
若车辆终端的坐标数据
Figure FDA0004155581990000041
在城市道路的坐标数据Qk范围内，则表征为车辆终端在未来时序tn+j处行驶于条城市道路k上；
若车辆终端的坐标数据
Figure FDA0004155581990000042
不在城市道路的坐标数据Qk范围内，则表征为车辆终端在未来时序tn+j处不行驶于城市道路k上；
依次统计在未来时序段中行驶在每个城市道路上的车辆终端数量
Figure FDA0004155581990000043
以确定每个城市道路的拥堵状态，其中，
若城市道路k在未来时序段中车辆终端数量的平均值大于或等于数量阈值，则预测城市道路k在未来时序段上处于拥堵状态；
若城市道路k在未来时序段中车辆终端数量的平均值小于数量阈值，则预测城市道路k在未来时序段上处于非拥堵状态；
其中，数量阈值表征为造成城市道路处于拥堵状态的车辆终端数量，所述车辆终端数量的平均值的计算公式为：
Figure FDA0004155581990000044
式中，
Figure FDA0004155581990000045
表征为城市道路k的车辆终端数量的平均值，
Figure FDA0004155581990000046
表征为城市道路k在未来时序tn+j处的车辆终端数量，k为城市道路的区分编号，Qk表征为城市道路k的坐标数据的集合。
5.一种根据权利要求1-4任一项所述的基于卫星联动技术的城市交通管理方法的管理系统，其特征在于，包括：
微观监控单元(1)，用于实时采集车辆终端的坐标数据，并基于所述车辆终端的坐标数据建立车辆状态预测模型，所述车辆状态预测模型用于预测车辆终端在未来时序段的轨迹状态，再基于所述轨迹状态判定车辆终端的违章状态，以实现对车辆终端的微观监控；
宏观监控单元(2)，用于采集城市道路的坐标数据，基于车辆终端的坐标数据和城市道路的坐标数据预测城市道路在未来时序段的拥堵状态，以实现对城市道路的宏观监控；
微宏观调控单元(3)，用于基于所述拥堵状态对城市道路的流通性进行宏观调控，以使得城市道路保持高通畅度，基于所述轨迹状态对车辆终端的安全性进行微观督导，以使得车辆终端保持高安全度。
6.根据权利要求5所述的一种管理系统，其特征在于，所述微观监控单元(1)、宏观监控单元(2)和微宏观调控单元(3)通过网络通信协议IPV4/IPV6进行数据交互。
7.根据权利要求6所述的一种管理系统，其特征在于，所述车辆状态预测模型包括：
将当前时序tn+1的n个前置时序作为一个训练时序段，获取训练时序段{ti|i∈[1,n]}内的所述车辆终端的坐标数据
Figure FDA0004155581990000051
将每个时序的所述车辆终端模型的坐标数据量化为一个训练样本，同时将坐标数据的时序属性保留为训练样本的时序属性，并将所有训练样本以时序链接为时序样本
Figure FDA0004155581990000052
其中，ti表征为训练时序段中第i个训练时序，
Figure FDA0004155581990000053
表征为车辆终端在训练时序段中第i个训练时序处的坐标数据；
基于所述时序样本
Figure FDA0004155581990000054
训练CNN-LSTM时序预测模型得到车辆状态预测模型，将当前时序和训练时序段的坐标数据构成组合项
Figure FDA0004155581990000055
作为车辆状态预测模型输入，在所述车辆状态预测模型输入组合项
Figure FDA0004155581990000056
输出在未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure FDA0004155581990000057
其中，
Figure FDA0004155581990000058
分别表征为车辆终端在第n个训练时序tn、当前时序tn+1上的坐标数据；
基于所述未来时序段{tn+j|j∈[2,m]}内的所述车辆终端的坐标数据
Figure FDA0004155581990000059
计算出车辆终端在未来时序段{tn+j|j∈[2,m]}内的车速数据，所述车速数据的计算公式为：
Figure FDA0004155581990000061
式中，
Figure FDA0004155581990000062
表征为车辆终端在未来时序段中第j个未来时序tn+j处的车速数据，
Figure FDA0004155581990000063
表征为车辆终端在未来时序段中第j、j-1个未来时序tn+j、tn+j-1处的坐标数据，j为计量常数，无实质含义，m表征为未来时序段中时序数目终值；
将未来时序段上的坐标数据和车速数据组合成联合数据
Figure FDA0004155581990000064
所述联合数据
Figure FDA0004155581990000065
用于表征未来时序段上的车辆终端的轨迹状态。
8.根据权利要求7所述的一种管理系统，其特征在于，所述违章状态的判断方法包括：
系统在车辆终端在未来时序段内轨迹状态中提取出每个坐标数据作为轨迹点，并将轨迹点依时序链接构成轨迹路径，再在所述轨迹路径中进行交管规则标定得到监管路径，所述交管规则的标定是指在各个轨迹点处标记出违章数据阈值；
将所述轨迹路径中所有轨迹点处的坐标数据和车速数据与交管规则进行匹配，其中，
若坐标数据和车速数据未超出所述违章数据阈值，则判定车辆终端处于非违章状态的正常行驶；
若坐标数据和车速数据超出了所述违章数据阈值，则判定车辆终端处于违章状态的异常行驶。
CN202111261656.5A 2021-10-28 2021-10-28 一种基于卫星联动技术的城市交通管理方法及系统 Active CN113990069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111261656.5A CN113990069B (zh) 2021-10-28 2021-10-28 一种基于卫星联动技术的城市交通管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111261656.5A CN113990069B (zh) 2021-10-28 2021-10-28 一种基于卫星联动技术的城市交通管理方法及系统

Publications (2)

Publication Number Publication Date
CN113990069A CN113990069A (zh) 2022-01-28
CN113990069B true CN113990069B (zh) 2023-05-16

Family

ID=79743241

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111261656.5A Active CN113990069B (zh) 2021-10-28 2021-10-28 一种基于卫星联动技术的城市交通管理方法及系统

Country Status (1)

Country Link
CN (1) CN113990069B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700633A (zh) * 2015-03-12 2015-06-10 深圳市金迈高智能科技有限公司 智能交通控制方法及装置
CN106920392A (zh) * 2017-03-23 2017-07-04 陈树铭 智慧交通大数据方法及系统
CN112735143A (zh) * 2020-12-25 2021-04-30 高新兴智联科技有限公司 一种实时车辆布控实现方法、装置及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9076332B2 (en) * 2006-10-19 2015-07-07 Makor Issues And Rights Ltd. Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks
CN103473926B (zh) * 2013-09-11 2016-01-27 无锡加视诚智能科技有限公司 枪球联动道路交通参数采集及违章抓拍系统
CN110869990B (zh) * 2017-04-07 2024-03-08 密歇根大学董事会 使用车辆轨迹数据的交通信号控制
US11131993B2 (en) * 2019-05-29 2021-09-28 Argo AI, LLC Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout
JP7267874B2 (ja) * 2019-08-27 2023-05-02 本田技研工業株式会社 交通流推定装置、交通流推定方法、およびプログラム
CN110675625B (zh) * 2019-09-27 2020-11-13 合肥未来计算机技术开发有限公司 智慧交通大数据方法及系统
CN112037506B (zh) * 2020-07-29 2021-07-09 长安大学 车辆轨迹预测模型构建方法、车辆轨迹预测方法及系统
CN113487860A (zh) * 2021-06-28 2021-10-08 南京云创大数据科技股份有限公司 一种智能交通信号控制方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104700633A (zh) * 2015-03-12 2015-06-10 深圳市金迈高智能科技有限公司 智能交通控制方法及装置
CN106920392A (zh) * 2017-03-23 2017-07-04 陈树铭 智慧交通大数据方法及系统
CN112735143A (zh) * 2020-12-25 2021-04-30 高新兴智联科技有限公司 一种实时车辆布控实现方法、装置及存储介质

Also Published As

Publication number Publication date
CN113990069A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
US6708085B2 (en) Probe car control method and traffic control system
CN113724416B (zh) 基于车路协同系统的车载视频处理方法、装置及存储介质
CN112489433B (zh) 交通拥堵分析方法及装置
CN111462484A (zh) 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN106169243A (zh) 一种基于车联网的实时路况估计系统及方法
CN106530781A (zh) 基于车联网分享路况信息的方法及系统
CN110969845B (zh) 一种基于车路协同的智能车速控制方法及系统
CN111915896A (zh) 一种基于物联网的智能交通系统及方法
CN107564310A (zh) 一种基于道路交通信息云处理的车路互联系统及方法
KR20220144856A (ko) 교통 혼잡 감지 방법, 장치, 전자 장치 및 저장 매체
CN111951548B (zh) 一种车辆驾驶风险确定方法、装置、系统及介质
CN114492022A (zh) 路况传感数据处理方法、装置、设备、程序以及存储介质
CN113990069B (zh) 一种基于卫星联动技术的城市交通管理方法及系统
Hua et al. Optimizing phase compression for transit signal priority at isolated intersections
CN110364020A (zh) 智能停车诱导与信号控制的协同方法
JP2002260142A (ja) 走行時間予測方法
CN114495505A (zh) 拥堵路段通过时长的预测方法、装置、介质及服务器
CN110364010A (zh) 一种预测路况的导航方法及系统
CN109767627A (zh) 一种交通违章智能语音抓拍方法和系统
CN113963540B (zh) 一种基于车路协同的无信号交叉口车道级引导系统和方法
CN114944072B (zh) 引导提示语音生成方法、装置
CN114973655B (zh) 一种基于移动互联网的智能交通实时警报系统
CN211403493U (zh) 一种基于互联网盒子的高速公路收费系统
CN112887916B (zh) 一种定位方法、装置以及便携式定位器
CN113990072B (zh) 一种城市道路预约通行管理系统

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