CN114005282B - 一种基于群智感知的智慧城市交通管理系统及方法 - Google Patents
一种基于群智感知的智慧城市交通管理系统及方法 Download PDFInfo
- Publication number
- CN114005282B CN114005282B CN202111636489.8A CN202111636489A CN114005282B CN 114005282 B CN114005282 B CN 114005282B CN 202111636489 A CN202111636489 A CN 202111636489A CN 114005282 B CN114005282 B CN 114005282B
- Authority
- CN
- China
- Prior art keywords
- road
- data
- state
- congestion
- vehicle
- 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
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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种基于群智感知的智慧城市交通管理系统及方法,所述道路模型构建模块通过GIS技术构建城市道路的三维模型;所述道路拥挤情况预测模块通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况。本发明不仅能够根据道路各区段位置对应的导航设备的个数判断道路上的车辆拥挤情况,还能够结合历史数据进行分析,通过车辆的移动方向及采集数据相互之间的差异情况进行归一化处理,进一步识别出虚假拥挤的情况,实现对道路拥挤情况的校准,进而使得校准结果更加贴近实际情况,进而便于实现对城市道路的精准有效管理。
Description
技术领域
本发明涉及交通管理技术领域,具体为一种基于群智感知的智慧城市交通管理系统及方法。
背景技术
随着物联网技术的快速发展,人们对物联网技术的运用更加广泛,群智感知作为物联网技术的一种表现形式,近些年也被人们广泛运用,为人们的生产生活带来了巨大的便利。
当前基于群智感知的城市交通管理系统只是单纯的根据导航设备的个数进行判定的,但是判定结果存在较大的误差,不能有效识别出虚假拥挤的情况,使得监测结果与实际情况存在较大的差异,进而使得城市道路资源不能被民众合理运用。
针对上述情况,我们需要一种基于群智感知的智慧城市交通管理系统及方法。
发明内容
本发明的目的在于提供一种基于群智感知的智慧城市交通管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于群智感知的智慧城市交通管理系统,包括:
数据采集模块,所述数据采集模块通过传感器对城市内车辆中的导航设备位置进行获取;
道路模型构建模块,所述道路模型构建模块通过GIS技术构建城市道路的三维模型;
道路拥挤情况预测模块,所述道路拥挤情况预测模块通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况;
出警管理模块,所述出警管理模块根据预测的道路拥挤情况及能够出警的人员对应的位置,获取车辆拥挤的位置对应的出警优先级。
本发明通过各个模块的协同合作,通过GIS技术构建城市道路的三维模型,进而使得本发明对城市道路的监测更加直观、清楚,对城市道路的管理更加方便、有效;根据传感器预测道路的拥挤情况,并根据预测的数据进一步处理,通过归一化数据集合实现对拥挤道路的筛选,排除虚假拥挤对监测结果的影响,使得对城市道路的管理结果更加精准。
进一步的,所述道路模型构建模块构建城市道路的三维模型的方法包括以下步骤:
S1.1、随机选取城市中的一个标志性建筑中的点,并将该点作为中心参照点;
S1.2、以过中心参照点的从东至西的方向作为x轴正方向,以过中心参照点的从南至北的方向作为y轴正方向,以过中心参照点的从下至上的方向作为z轴正方向,获取城市道路位置数据,等比例构建城市道路的三维模型;
S1.3、将城市道路的三维模型中各道路位置对应的点记为(a1,a2,a3),
其中,a1表示城市道路的三维模型中各道路位置对应的点的x轴坐标,a2表示城市道路的三维模型中各道路位置对应的点的y轴坐标,a3表示城市道路的三维模型中各道路位置对应的点的z轴坐标。
本发明构建城市道路的三维模型时选取城市中标志性建筑上的点是因为标志性建筑具有特殊的标志性,能够被公众广泛认知,具有较强的参照价值,此处也可以随机设置一点作为中心参照点;等比例构建城市道路的三维模型是为了使得构建的城市道路三维模型更加真实,在进行坐标换算的时候,与实际位置的对应关系更加精准。
进一步的,所述数据采集模块每隔第一单位时间采集一次导航设备的地理位置,并根据采集的数据对应的导航设备的状态,对采集的数据进行不同形式的标记,所述地理位置指在城市道路的三维模型中对应的坐标点;
当导航设备的状态为导航开启状态时,对该导航设备对应的采集数据进行第一标记,得到第一标记数据;
当导航设备的状态为导航关闭状态时,对该导航设备对应的采集数据进行第二标记,得到第二标记数据。
本发明数据采集模块同时对多种状态下的导航设备数据进行采集,并根据采集的导航设备的状态不同进行不同形式的标记,便于后期对采集的数据进行区分及分析,同时考虑到车辆行驶过程中不开启导航的情况,使得分析结果更加准确、更加贴近实际数据。
进一步的,所述道路拥挤情况预测模块包括设备拥挤情况获取模块及道路拥挤情况处理模块,
所述设备拥挤情况获取模块根据数据采集模块得到的采集数据,根据同一导航设备不同时间对应的位置数据对车辆状态进行校验,并判断导航设备的拥挤情况;
所述道路拥挤情况处理模块根据设备拥挤情况获取模块得到的结果预测道路各个位置的车辆拥挤情况,并结合导航设备历史数据中的移动方向,通过对所得数据进行归一化处理,得到道路各个位置对应的归一化数据集合,对道路各个位置的车辆拥挤情况的预测结果进行校准。
本发明道路拥挤情况预测模块先从设备拥挤情况(车辆上的导航设备的集中情况)及道路拥挤校准情况(排除虚假拥挤的情况)这两方面进行考虑,两者存在递进关系,先通过导航设备的拥挤情况初步预测出道路的拥挤情况,然后再对预测的结果进一步分析,实现对预测结果的校准,使得最终获取的结果更加接近实际情况,进而对道路的管理效果会更加精准、有效,且对城市道路的利用率会更高。
进一步的,所述设备拥挤情况获取模块分别获取同一时间得到的第一标记数据及第二标记数据,
当得到的数据为第一标记数据时,将第一标记数据对应的车辆状态判定为行驶状态,
当得到的数据为第二标记数据时,获取第二标记数据对应的导航设备采集的相邻的n个位置数据,分别计算n个位置数据中任意两个位置数据在城市道路的三维模型中对应坐标之间的距离,得到个距离,进一步计算个距离的平均值,将所得平均值记为L,将L与第一预设值进行比较,
当L大于等于第一预设值时,判定该第二标记数据对应的车辆状态判定为行驶状态,
当L小于第一预设值时,判定该第二标记数据对应的车辆状态判定为停止状态;
所述设备拥挤情况获取模块判断导航设备的拥挤情况的方法包括以下步骤:
S2.1、分别将城市道路的三维模型中的道路划分成等长的不同区段,并分别为不同区段的道路赋予不同的编号;
S2.2、分别统计同一时间内每个编号对应道路区段中车辆状态为行驶状态的位置数据个数b1,分别统计同一时间内每个编号对应道路区段中车辆状态为停止状态的位置数据个数b2;
S2.3、对比数据库,分别匹配每个编号对应道路区段中,行驶状态车辆个数对应的拥挤影响系数c1,停止状态车辆个数对应的拥挤影响系数c2;
其中,c1i表示编号i对应道路区段中行驶状态车辆个数对应的拥挤影响系数,
c2i表示编号i对应道路区段中停止状态车辆个数对应的拥挤影响系数,
b1i表示编号i对应道路区段中车辆状态为行驶状态的位置数据个数,
b2i表示编号i对应道路区段中车辆状态为停止状态的位置数据个数;
S2.5、分别将同一时间内i为不同值时对应的d1i与第二预设值进行比较,判断导航设备的拥挤情况,
当d1i大于等于第二预设值时,判定编号i对应的道路区段的导航设备为拥挤状态,
当d1i小于第二预设值时,判定编号i对应的道路区段的导航设备为疏通状态。
本发明对车辆状态进行判定(判断是否为行驶状态)是为了对采集的数据进行筛选,提取行驶的车辆对应的数据(全部第一标记数据及部分第二标记数据);获取车辆状态的过程中计算平均值L是为了避免采集过程中个别数据出现异常对实际个结果造成影响,进而影响最终获取的车辆状态结果;计算每个编号对应的道路区段的导航设备拥挤系数d1的过程中,获取c1、c2是因为不同道路区段上行驶的车辆个数及停止的车辆个数对道路通畅情况的影响不相同,同时行驶的车辆个数及停止的车辆个数不变,但道路的地理位置不同或者道路的宽窄程度不同对道路的通畅情况的影响也不同;每个编号对应的道路区段的导航设备拥挤系数d1的大小能够较好的反映出道路区段内导航设备的密集程度,进而能够预测出道路区段内的车辆拥挤程度。
进一步的,所述道路拥挤情况处理模块获取城市道路的三维模型中导航设备为拥挤状态的道路区段对应的编号,判定所得编号对应的道路区段内车辆拥挤,城市道路的三维模型中其余编号对应的道路区段内车辆疏通,得到对道路各个位置的车辆拥挤情况的预测结果;
所述道路拥挤情况处理模块对道路各个位置的车辆拥挤情况进行校准的方法包括以下步骤:
S3.1、获取同一编号对应道路区段中同一时间内车辆状态为行驶状态的各个第一标记数据及各个第二标记数据,记为标记数据;
S3.2、分别计算每个标记数据对应导航设备采集的前m个位置数据,计算该m个位置数据在市道路的三维模型中对应坐标的平均值,并以该平均值对应的坐标点为起点,以该标记数据对应的坐标点为终点构建标记数据对应车辆的状态向量,状态向量的方向为车辆的移动方向,状态向量的模长对应车辆的移动快慢情况,状态向量的模长大的车辆移动的快;
S3.3、获取标记数据的个数,记为r,构建r×r矩阵Q1,用Qj1j2为矩阵中第j1行第j2列对应的值,所述Qj1j2表示第j1个标记数据对应的状态向量与第j2个标记数据对应的状态向量之间的差值;
S3.4、获取标记数据对应导航设备第二单位时间前对应的矩阵Q2;
S3.5、将矩阵Q1减去矩阵Q2,得到矩阵Q3,并将矩阵Q3中各元素对应的状态向量差的模长替换相同位置的状态向量差,得到矩阵Q4;
S3.6、计算矩阵Q4的行列式结果,并将所得行列式结果该编号对应道路区段对应的归一化数据;
S3.7、按照编号从小到大的顺序,逐个将各编号对应的道路区段对应的归一化数据录入到归一化数据集合中;
此处获取的编号指预测结果中为车辆拥挤情况的道路区段对应的编号,
S3.8、分别将归一化数据集合中各个元素对应的值与第三预设值进行比较,筛选出预测的车辆拥挤道路区段中存在虚假拥挤对应的道路区段,并将虚假拥挤对应的道路区段判定为该道路区段内车辆疏通,
当归一化数据集合中元素对应的值大于等于第三预设值时,判定该元素对应的道路区段为真实拥挤状态,
当归一化数据集合中元素对应的值小于第三预设值时,判定该元素对应的道路区段为虚假拥挤状态。
本发明获取标记数据是为了获取道路上行驶的车辆个数(包括全部第一标记数据及部分第二标记数据),计算车辆的状态向量的过程中,获取m个位置数据在市道路的三维模型中对应坐标的平均值,是为了使得获取的个别数据出现异常对实际个结果造成影响,进而使得获取的状态数据出现较大的偏差;构建矩阵Q1是为了得到标记数据对应的状态向量之间的差异值,构建的Q2也是r×r大小的(r为正整数),且Q2中的每个元素与Q1中相同位置的元素一一对应;获取矩阵Q3是为了得到Q1与历史数据中得到的矩阵Q2之间的差异情况,得到的矩阵Q3中的每个元素表示一个状态向量差,也是一个向量,由于向量都具有方向性,而如果直接计算矩阵Q3对应的行列式结果,得出的结果是不确定的(可能是向量,也可能是数值,取决于r为奇数还是偶数),因此,需要进一步获取矩阵Q4,进而根据矩阵Q4的行列式结果判断道路区段是否为虚假拥挤状态。
进一步的,所述道路拥挤情况处理模块将校准的结果在城市道路的三维模型上相应编号对应的道路区段上呈现出来,并根据车辆拥挤的道路区段对应的归一化数据的大小为车辆拥挤的道路区段划分优先级,归一化数据大的道路区段对应的优先级高。
本发明第一优先级比第二优先级对应的优先级级别更高。
进一步的,所述出警管理模块实时获取城市道路的三维模型呈现的数据,结合车辆拥挤的道路区段距离出警人员的距离,计算相应的出警优先级系数,进而得到相应的出警优先级,
所述出警优先级系数小的道路区段对应的出警优先级高。
一种基于群智感知的智慧城市交通管理方法,所述方法包括以下步骤:
S1、在数据采集模块中,通过传感器对城市内车辆中的导航设备位置进行获取;
S2、在道路模型构建模块中,通过GIS技术构建城市道路的三维模型;
S3、在道路拥挤情况预测模块中,通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况;
S4、在出警管理模块中,根据预测的道路拥挤情况及能够出警的人员对应的位置,获取车辆拥挤的位置对应的出警优先级。
与现有技术相比,本发明所达到的有益效果是:本发明不仅能够根据道路各区段位置对应的导航设备的个数判断道路上的车辆拥挤情况,还能够结合历史数据进行分析,通过车辆的移动方向及采集数据相互之间的差异情况进行归一化处理,进一步识别出虚假拥挤的情况,实现对道路拥挤情况的校准,进而使得校准结果更加贴近实际情况,进而便于实现对城市道路的精准有效管理。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于群智感知的智慧城市交通管理系统的结构示意图;
图2是本发明一种基于群智感知的智慧城市交通管理系统中设备拥挤情况获取模块判断导航设备的拥挤情况的方法的流程示意图;
图3是本发明一种基于群智感知的智慧城市交通管理系统中道路拥挤情况处理模块对道路各个位置的车辆拥挤情况进行校准的方法的流程示意图;
图4是本发明一种基于群智感知的智慧城市交通管理方法的流程示意图。
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。
请参阅图1-图4,本发明提供技术方案:一种基于群智感知的智慧城市交通管理系统,包括:
数据采集模块,所述数据采集模块通过传感器对城市内车辆中的导航设备位置进行获取;
道路模型构建模块,所述道路模型构建模块通过GIS技术构建城市道路的三维模型;
道路拥挤情况预测模块,所述道路拥挤情况预测模块通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况;
出警管理模块,所述出警管理模块根据预测的道路拥挤情况及能够出警的人员对应的位置,获取车辆拥挤的位置对应的出警优先级。
本发明通过各个模块的协同合作,通过GIS技术构建城市道路的三维模型,进而使得本发明对城市道路的监测更加直观、清楚,对城市道路的管理更加方便、有效;根据传感器预测道路的拥挤情况,并根据预测的数据进一步处理,通过归一化数据集合实现对拥挤道路的筛选,排除虚假拥挤对监测结果的影响,使得对城市道路的管理结果更加精准。
所述道路模型构建模块构建城市道路的三维模型的方法包括以下步骤:
S1.1、随机选取城市中的一个标志性建筑中的点,并将该点作为中心参照点;
S1.2、以过中心参照点的从东至西的方向作为x轴正方向,以过中心参照点的从南至北的方向作为y轴正方向,以过中心参照点的从下至上的方向作为z轴正方向,获取城市道路位置数据,等比例构建城市道路的三维模型;
S1.3、将城市道路的三维模型中各道路位置对应的点记为(a1,a2,a3),
其中,a1表示城市道路的三维模型中各道路位置对应的点的x轴坐标,a2表示城市道路的三维模型中各道路位置对应的点的y轴坐标,a3表示城市道路的三维模型中各道路位置对应的点的z轴坐标。
本发明构建城市道路的三维模型时选取城市中标志性建筑上的点是因为标志性建筑具有特殊的标志性,能够被公众广泛认知,具有较强的参照价值,此处也可以随机设置一点作为中心参照点;等比例构建城市道路的三维模型是为了使得构建的城市道路三维模型更加真实,在进行坐标换算的时候,与实际位置的对应关系更加精准。
所述数据采集模块每隔第一单位时间采集一次导航设备的地理位置,并根据采集的数据对应的导航设备的状态,对采集的数据进行不同形式的标记,所述地理位置指在城市道路的三维模型中对应的坐标点;
当导航设备的状态为导航开启状态时,对该导航设备对应的采集数据进行第一标记,得到第一标记数据;
当导航设备的状态为导航关闭状态时,对该导航设备对应的采集数据进行第二标记,得到第二标记数据。
本发明数据采集模块同时对多种状态下的导航设备数据进行采集,并根据采集的导航设备的状态不同进行不同形式的标记,便于后期对采集的数据进行区分及分析,同时考虑到车辆行驶过程中不开启导航的情况,使得分析结果更加准确、更加贴近实际数据。
所述道路拥挤情况预测模块包括设备拥挤情况获取模块及道路拥挤情况处理模块,
所述设备拥挤情况获取模块根据数据采集模块得到的采集数据,根据同一导航设备不同时间对应的位置数据对车辆状态进行校验,并判断导航设备的拥挤情况;
所述道路拥挤情况处理模块根据设备拥挤情况获取模块得到的结果预测道路各个位置的车辆拥挤情况,并结合导航设备历史数据中的移动方向,通过对所得数据进行归一化处理,得到道路各个位置对应的归一化数据集合,对道路各个位置的车辆拥挤情况的预测结果进行校准。
本发明道路拥挤情况预测模块先从设备拥挤情况(车辆上的导航设备的集中情况)及道路拥挤校准情况(排除虚假拥挤的情况)这两方面进行考虑,两者存在递进关系,先通过导航设备的拥挤情况初步预测出道路的拥挤情况,然后再对预测的结果进一步分析,实现对预测结果的校准,使得最终获取的结果更加接近实际情况,进而对道路的管理效果会更加精准、有效,且对城市道路的利用率会更高。
所述设备拥挤情况获取模块分别获取同一时间得到的第一标记数据及第二标记数据,
当得到的数据为第一标记数据时,将第一标记数据对应的车辆状态判定为行驶状态,
当得到的数据为第二标记数据时,获取第二标记数据对应的导航设备采集的相邻的n个位置数据,分别计算n个位置数据中任意两个位置数据在城市道路的三维模型中对应坐标之间的距离,得到个距离,进一步计算个距离的平均值,将所得平均值记为L,将L与第一预设值进行比较,
当L大于等于第一预设值时,判定该第二标记数据对应的车辆状态判定为行驶状态,
当L小于第一预设值时,判定该第二标记数据对应的车辆状态判定为停止状态;
本实施例中若获取某第二标记数据对应对应的导航设备采集的相邻的4个位置数据,将这4个位置数据在城市道路的三维模型中对应坐标分别记为p1、p2、p3及p4,
所述设备拥挤情况获取模块判断导航设备的拥挤情况的方法包括以下步骤:
S2.1、分别将城市道路的三维模型中的道路划分成等长的不同区段,并分别为不同区段的道路赋予不同的编号;
S2.2、分别统计同一时间内每个编号对应道路区段中车辆状态为行驶状态的位置数据个数b1,分别统计同一时间内每个编号对应道路区段中车辆状态为停止状态的位置数据个数b2;
S2.3、对比数据库,分别匹配每个编号对应道路区段中,行驶状态车辆个数对应的拥挤影响系数c1,停止状态车辆个数对应的拥挤影响系数c2;
其中,c1i表示编号i对应道路区段中行驶状态车辆个数对应的拥挤影响系数,
c2i表示编号i对应道路区段中停止状态车辆个数对应的拥挤影响系数,
b1i表示编号i对应道路区段中车辆状态为行驶状态的位置数据个数,
b2i表示编号i对应道路区段中车辆状态为停止状态的位置数据个数;
S2.5、分别将同一时间内i为不同值时对应的d1i与第二预设值进行比较,判断导航设备的拥挤情况,
当d1i大于等于第二预设值时,判定编号i对应的道路区段的导航设备为拥挤状态,
当d1i小于第二预设值时,判定编号i对应的道路区段的导航设备为疏通状态。
本发明对车辆状态进行判定(判断是否为行驶状态)是为了对采集的数据进行筛选,提取行驶的车辆对应的数据(全部第一标记数据及部分第二标记数据);获取车辆状态的过程中计算平均值L是为了避免采集过程中个别数据出现异常对实际个结果造成影响,进而影响最终获取的车辆状态结果;计算每个编号对应的道路区段的导航设备拥挤系数d1的过程中,获取c1、c2是因为不同道路区段上行驶的车辆个数及停止的车辆个数对道路通畅情况的影响不相同,同时行驶的车辆个数及停止的车辆个数不变,但道路的地理位置不同或者道路的宽窄程度不同对道路的通畅情况的影响也不同;每个编号对应的道路区段的导航设备拥挤系数d1的大小能够较好的反映出道路区段内导航设备的密集程度,进而能够预测出道路区段内的车辆拥挤程度。
所述道路拥挤情况处理模块获取城市道路的三维模型中导航设备为拥挤状态的道路区段对应的编号,判定所得编号对应的道路区段内车辆拥挤,城市道路的三维模型中其余编号对应的道路区段内车辆疏通,得到对道路各个位置的车辆拥挤情况的预测结果;
所述道路拥挤情况处理模块对道路各个位置的车辆拥挤情况进行校准的方法包括以下步骤:
S3.1、获取同一编号对应道路区段中同一时间内车辆状态为行驶状态的各个第一标记数据及各个第二标记数据,记为标记数据;
S3.2、分别计算每个标记数据对应导航设备采集的前m个位置数据,计算该m个位置数据在市道路的三维模型中对应坐标的平均值,并以该平均值对应的坐标点为起点,以该标记数据对应的坐标点为终点构建标记数据对应车辆的状态向量,状态向量的方向为车辆的移动方向,状态向量的模长对应车辆的移动快慢情况,状态向量的模长大的车辆移动的快;
本实施例中计算每个标记数据对应导航设备采集的前3个位置数据,若一标记数据对应的坐标点为(f1,f2,f3),该标记数据对应的导航设备采集的前三个位置数据在市道路的三维模型中对应坐标分别为(f11,f21,f31)、(f12,f22,f32)及(f13,f23,f33),
S3.3、获取标记数据的个数,记为r,构建r×r矩阵Q1,用Qj1j2为矩阵中第j1行第j2列对应的值,所述Qj1j2表示第j1个标记数据对应的状态向量与第j2个标记数据对应的状态向量之间的差值;
S3.4、获取标记数据对应导航设备第二单位时间前对应的矩阵Q2;
S3.5、将矩阵Q1减去矩阵Q2,得到矩阵Q3,并将矩阵Q3中各元素对应的状态向量差的模长替换相同位置的状态向量差,得到矩阵Q4;
S3.6、计算矩阵Q4的行列式结果,并将所得行列式结果该编号对应道路区段对应的归一化数据;
S3.7、按照编号从小到大的顺序,逐个将各编号对应的道路区段对应的归一化数据录入到归一化数据集合中;
S3.8、分别将归一化数据集合中各个元素对应的值与第三预设值进行比较,筛选出预测的车辆拥挤道路区段中存在虚假拥挤对应的道路区段,并将虚假拥挤对应的道路区段判定为该道路区段内车辆疏通,
当归一化数据集合中元素对应的值大于等于第三预设值时,判定该元素对应的道路区段为真实拥挤状态,
当归一化数据集合中元素对应的值小于第三预设值时,判定该元素对应的道路区段为虚假拥挤状态。
本发明获取标记数据是为了获取道路上行驶的车辆个数(包括全部第一标记数据及部分第二标记数据),计算车辆的状态向量的过程中,获取m个位置数据在市道路的三维模型中对应坐标的平均值,是为了使得获取的个别数据出现异常对实际个结果造成影响,进而使得获取的状态数据出现较大的偏差;构建矩阵Q1是为了得到标记数据对应的状态向量之间的差异值,构建的Q2也是r×r大小的(r为正整数),且Q2中的每个元素与Q1中相同位置的元素一一对应;获取矩阵Q3是为了得到Q1与历史数据中得到的矩阵Q2之间的差异情况,得到的矩阵Q3中的每个元素表示一个状态向量差,也是一个向量,由于向量都具有方向性,而如果直接计算矩阵Q3对应的行列式结果,得出的结果是不确定的(可能是向量,也可能是数值,取决于r为奇数还是偶数),因此,需要进一步获取矩阵Q4,进而根据矩阵Q4的行列式结果判断道路区段是否为虚假拥挤状态。
所述道路拥挤情况处理模块将校准的结果在城市道路的三维模型上相应编号对应的道路区段上呈现出来,并根据车辆拥挤的道路区段对应的归一化数据的大小为车辆拥挤的道路区段划分优先级,归一化数据大的道路区段对应的优先级高。
所述出警管理模块实时获取城市道路的三维模型呈现的数据,结合车辆拥挤的道路区段距离出警人员的距离,计算相应的出警优先级系数,进而得到相应的出警优先级,
所述出警优先级系数小的道路区段对应的出警优先级高。
一种基于群智感知的智慧城市交通管理方法,所述方法包括以下步骤:
S1、在数据采集模块中,通过传感器对城市内车辆中的导航设备位置进行获取;
S2、在道路模型构建模块中,通过GIS技术构建城市道路的三维模型;
S3、在道路拥挤情况预测模块中,通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况;
S4、在出警管理模块中,根据预测的道路拥挤情况及能够出警的人员对应的位置,获取车辆拥挤的位置对应的出警优先级。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于群智感知的智慧城市交通管理系统,其特征在于,包括:
数据采集模块,所述数据采集模块通过传感器对城市内车辆中的导航设备位置进行获取;
道路模型构建模块,所述道路模型构建模块通过GIS技术构建城市道路的三维模型;
道路拥挤情况预测模块,所述道路拥挤情况预测模块通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况;
出警管理模块,所述出警管理模块根据预测的道路拥挤情况及能够出警的人员对应的位置,获取车辆拥挤的位置对应的出警优先级;
所述道路模型构建模块构建城市道路的三维模型的方法包括以下步骤:
S1.1、随机选取城市中的一个标志性建筑中的点,并将该点作为中心参照点;
S1.2、以过中心参照点的从东至西的方向作为x轴正方向,以过中心参照点的从南至北的方向作为y轴正方向,以过中心参照点的从下至上的方向作为z轴正方向,获取城市道路位置数据,等比例构建城市道路的三维模型;
S1.3、将城市道路的三维模型中各道路位置对应的点记为(a1,a2,a3),
其中,a1表示城市道路的三维模型中各道路位置对应的点的x轴坐标,a2表示城市道路的三维模型中各道路位置对应的点的y轴坐标,a3表示城市道路的三维模型中各道路位置对应的点的z轴坐标;
所述数据采集模块每隔第一单位时间采集一次导航设备的地理位置,并根据采集的数据对应的导航设备的状态,对采集的数据进行不同形式的标记,所述地理位置指在城市道路的三维模型中对应的坐标点;
当导航设备的状态为导航开启状态时,对该导航设备对应的采集数据进行第一标记,得到第一标记数据;
当导航设备的状态为导航关闭状态时,对该导航设备对应的采集数据进行第二标记,得到第二标记数据;
所述道路拥挤情况预测模块包括设备拥挤情况获取模块及道路拥挤情况处理模块,
所述设备拥挤情况获取模块根据数据采集模块得到的采集数据,根据同一导航设备不同时间对应的位置数据对车辆状态进行校验,并判断导航设备的拥挤情况;
所述道路拥挤情况处理模块根据设备拥挤情况获取模块得到的结果预测道路各个位置的车辆拥挤情况,并结合导航设备历史数据中的移动方向,通过对所得数据进行归一化处理,得到道路各个位置对应的归一化数据集合,对道路各个位置的车辆拥挤情况的预测结果进行校准;
所述设备拥挤情况获取模块分别获取同一时间得到的第一标记数据及第二标记数据,
当得到的数据为第一标记数据时,将第一标记数据对应的车辆状态判定为行驶状态,
当得到的数据为第二标记数据时,获取第二标记数据对应的导航设备采集的相邻的n
个位置数据,分别计算n个位置数据中任意两个位置数据在城市道路的三维模型中对应坐
标之间的距离,得到个距离,进一步计算个距离的平均值,将所得平均值记为
L,将L与第一预设值进行比较,
当L大于等于第一预设值时,判定该第二标记数据对应的车辆状态判定为行驶状态,
当L小于第一预设值时,判定该第二标记数据对应的车辆状态判定为停止状态;
所述设备拥挤情况获取模块判断导航设备的拥挤情况的方法包括以下步骤:
S2.1、分别将城市道路的三维模型中的道路划分成等长的不同区段,并分别为不同区段的道路赋予不同的编号;
S2.2、分别统计同一时间内每个编号对应道路区段中车辆状态为行驶状态的位置数据个数b1,分别统计同一时间内每个编号对应道路区段中车辆状态为停止状态的位置数据个数b2;
S2.3、对比数据库,分别匹配每个编号对应道路区段中,行驶状态车辆个数对应的拥挤影响系数c1,停止状态车辆个数对应的拥挤影响系数c2;
其中,c1i表示编号i对应道路区段中行驶状态车辆个数对应的拥挤影响系数,
c2i表示编号i对应道路区段中停止状态车辆个数对应的拥挤影响系数,
b1i表示编号i对应道路区段中车辆状态为行驶状态的位置数据个数,
b2i表示编号i对应道路区段中车辆状态为停止状态的位置数据个数;
S2.5、分别将同一时间内i为不同值时对应的d1i与第二预设值进行比较,判断导航设备的拥挤情况,
当d1i大于等于第二预设值时,判定编号i对应的道路区段的导航设备为拥挤状态,
当d1i小于第二预设值时,判定编号i对应的道路区段的导航设备为疏通状态;
所述道路拥挤情况处理模块获取城市道路的三维模型中导航设备为拥挤状态的道路区段对应的编号,判定所得编号对应的道路区段内车辆拥挤,城市道路的三维模型中其余编号对应的道路区段内车辆疏通,得到对道路各个位置的车辆拥挤情况的预测结果;
所述道路拥挤情况处理模块对道路各个位置的车辆拥挤情况进行校准的方法包括以下步骤:
S3.1、获取同一编号对应道路区段中同一时间内车辆状态为行驶状态的各个第一标记数据及各个第二标记数据,记为标记数据;
S3.2、分别计算每个标记数据对应导航设备采集的前m个位置数据,计算该m个位置数据在市道路的三维模型中对应坐标的平均值,并以该平均值对应的坐标点为起点,以该标记数据对应的坐标点为终点构建标记数据对应车辆的状态向量,状态向量的方向为车辆的移动方向,状态向量的模长对应车辆的移动快慢情况,状态向量的模长大的车辆移动的快;
S3.3、获取标记数据的个数,记为r,构建r×r矩阵Q1,用Qj1j2为矩阵中第j1行第j2列对应的值,所述Qj1j2表示第j1个标记数据对应的状态向量与第j2个标记数据对应的状态向量之间的差值;
S3.4、获取标记数据对应导航设备第二单位时间前对应的矩阵Q2;
S3.5、将矩阵Q1减去矩阵Q2,得到矩阵Q3,并将矩阵Q3中各元素对应的状态向量差的模长替换相同位置的状态向量差,得到矩阵Q4;
S3.6、计算矩阵Q4的行列式结果,并将所得行列式结果该编号对应道路区段对应的归一化数据;
S3.7、按照编号从小到大的顺序,逐个将各编号对应的道路区段对应的归一化数据录入到归一化数据集合中;
S3.8、分别将归一化数据集合中各个元素对应的值与第三预设值进行比较,筛选出预测的车辆拥挤道路区段中存在虚假拥挤对应的道路区段,并将虚假拥挤对应的道路区段判定为该道路区段内车辆疏通,
当归一化数据集合中元素对应的值大于等于第三预设值时,判定该元素对应的道路区段为真实拥挤状态,
当归一化数据集合中元素对应的值小于第三预设值时,判定该元素对应的道路区段为虚假拥挤状态。
2.根据权利要求1所述的一种基于群智感知的智慧城市交通管理系统,其特征在于:所述道路拥挤情况处理模块将校准的结果在城市道路的三维模型上相应编号对应的道路区段上呈现出来,并根据车辆拥挤的道路区段对应的归一化数据的大小为车辆拥挤的道路区段划分优先级,归一化数据大的道路区段对应的优先级高。
4.应用权利要求1-3任意一项所述的一种基于群智感知的智慧城市交通管理系统的基于群智感知的智慧城市交通管理方法,其特征在于:所述方法包括以下步骤:
S1、在数据采集模块中,通过传感器对城市内车辆中的导航设备位置进行获取;
S2、在道路模型构建模块中,通过GIS技术构建城市道路的三维模型;
S3、在道路拥挤情况预测模块中,通过采集的传感器数据及对应导航设备的移动方向,预测道路的车辆拥挤情况,并构建归一化数据集合,排除虚假拥挤的情况;
S4、在出警管理模块中,根据预测的道路拥挤情况及能够出警的人员对应的位置,获取车辆拥挤的位置对应的出警优先级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111636489.8A CN114005282B (zh) | 2021-12-30 | 2021-12-30 | 一种基于群智感知的智慧城市交通管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111636489.8A CN114005282B (zh) | 2021-12-30 | 2021-12-30 | 一种基于群智感知的智慧城市交通管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114005282A CN114005282A (zh) | 2022-02-01 |
CN114005282B true CN114005282B (zh) | 2022-03-29 |
Family
ID=79932235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111636489.8A Active CN114005282B (zh) | 2021-12-30 | 2021-12-30 | 一种基于群智感知的智慧城市交通管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114005282B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114460890B (zh) * | 2022-02-08 | 2023-03-17 | 南京城建隧桥智慧管理有限公司 | 一种无人值守配电房的远程监控系统及方法 |
CN115472003B (zh) * | 2022-07-27 | 2024-04-05 | 山西西电信息技术研究院有限公司 | 一种基于多源信息的城市交通监管系统及方法 |
CN116206478B (zh) * | 2023-01-17 | 2023-08-29 | 青岛交通科技信息有限公司 | 一种基于大数据的交通运输云数据共享管理系统及方法 |
CN117475646B (zh) * | 2023-10-06 | 2024-03-29 | 纬创软件(武汉)有限公司 | 基于人工智能的行人检测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4652307B2 (ja) * | 2006-10-18 | 2011-03-16 | アイシン・エィ・ダブリュ株式会社 | 交通情報配信装置 |
CN102968909A (zh) * | 2011-08-30 | 2013-03-13 | 方文淋 | 一种道路车辆拥堵远程智能识别系统及方法 |
CN103295406A (zh) * | 2013-06-24 | 2013-09-11 | 广州万客达电子科技有限公司 | 智能交通防拥堵系统和装置 |
CN107195177B (zh) * | 2016-03-09 | 2020-06-16 | 中国科学院深圳先进技术研究院 | 基于分布式内存计算框架对城市交通路况的预测方法 |
CN109859479B (zh) * | 2019-04-03 | 2022-03-18 | 湖南科技学院 | 一种基于云计算的车辆道路引导疏散方法 |
CN112885086B (zh) * | 2021-01-18 | 2022-11-22 | 湖南省交通规划勘察设计院有限公司 | 一种基于多源交通大数据的突发拥堵判别系统 |
-
2021
- 2021-12-30 CN CN202111636489.8A patent/CN114005282B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114005282A (zh) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114005282B (zh) | 一种基于群智感知的智慧城市交通管理系统及方法 | |
EP2267676B1 (en) | Apparatus and method for generating statistic traffic information | |
CN103985250A (zh) | 轻量级的全息道路交通状态视觉检测装置 | |
Feng et al. | Topology density map for urban data visualization and analysis | |
CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
CN115472003B (zh) | 一种基于多源信息的城市交通监管系统及方法 | |
WO2021199915A1 (ja) | 劣化表示システム、劣化表示方法と記録媒体 | |
Guo et al. | Dynamic identification of urban traffic congestion warning communities in heterogeneous networks | |
CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN113139410B (zh) | 路面检测方法、装置、设备及存储介质 | |
Gloudemans et al. | Interstate-24 motion: Closing the loop on smart mobility | |
CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
CN117372969B (zh) | 一种面向监控场景的异常事件检测方法 | |
CN113257005A (zh) | 一种基于关联度量的车流量统计方法 | |
CN108847035B (zh) | 车流量评估方法及装置 | |
Mehajabin et al. | Real-time deep learning based road deterioration detection for smart cities | |
CN114023085B (zh) | 一种基于卡口检测数据的交叉口信号配时参数推断方法 | |
JP6892197B1 (ja) | 劣化表示システム、劣化表示方法、及び、プログラム | |
CN116259173A (zh) | 一种基于d-s证据理论的多检测方式交通事件融合方法 | |
Kim et al. | A study on travel time estimation of diverging traffic stream on highways based on timestamp data | |
CN113689705A (zh) | 车辆闯红灯检测方法、装置、计算机设备和存储介质 | |
CN111709357A (zh) | 识别目标区域的方法、装置、电子设备和路侧设备 | |
Nagaraj et al. | A practical approach for road quality estimation using smartphone based inertial data: Imu data processing pipeline to estimate road quality |
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 |