CN114418468A - 一种智慧城市交通调度策略控制方法和物联网系统 - Google Patents

一种智慧城市交通调度策略控制方法和物联网系统 Download PDF

Info

Publication number
CN114418468A
CN114418468A CN202210321872.2A CN202210321872A CN114418468A CN 114418468 A CN114418468 A CN 114418468A CN 202210321872 A CN202210321872 A CN 202210321872A CN 114418468 A CN114418468 A CN 114418468A
Authority
CN
China
Prior art keywords
traffic
time period
data information
traffic scheduling
platform
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.)
Granted
Application number
CN202210321872.2A
Other languages
English (en)
Other versions
CN114418468B (zh
Inventor
邵泽华
李勇
权亚强
刘彬
温志惠
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.)
Chengdu Qinchuan IoT Technology Co Ltd
Original Assignee
Chengdu Qinchuan IoT 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 Chengdu Qinchuan IoT Technology Co Ltd filed Critical Chengdu Qinchuan IoT Technology Co Ltd
Priority to CN202210321872.2A priority Critical patent/CN114418468B/zh
Priority to US17/660,024 priority patent/US11587436B1/en
Publication of CN114418468A publication Critical patent/CN114418468A/zh
Application granted granted Critical
Publication of CN114418468B publication Critical patent/CN114418468B/zh
Priority to US18/069,965 priority patent/US12131631B2/en
Priority to US18/145,026 priority patent/US12033501B2/en
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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/40—Transportation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/30—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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/081—Plural intersections under common control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G08G1/087—Override of traffic control, e.g. by signal transmitted by an emergency vehicle
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Toxicology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Accounting & Taxation (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本说明书实施例提供一种智慧城市交通调度策略控制方法和物联网系统。该方法由交通调度策略控制管理平台执行。该智慧城市交通调度策略控制方法包括：获取预设区域内当前时间段的交通数据信息；基于该交通数据信息，预测预设区域下一时间段可能发生交通拥堵的一个或多个目标区域；基于该目标区域在下一时间段的交通数据信息，判断是否切换交通调度策略；响应于需要切换交通调度策略，则将第一交通调度策略切换为第二交通调度策略。该物联网系统包括依次交互的用户平台、服务平台、交通调度策略控制管理平台、传感网络平台和对象平台。该方法通过智慧城市交通调度策略控制装置实现。该方法还通过计算机可读存储介质存储的计算机指令被读取后运行。

Description

一种智慧城市交通调度策略控制方法和物联网系统
技术领域
本说明书涉及物联网与云平台领域，特别涉及一种智慧城市交通调度策略控制方法和物联网系统。
背景技术
交通事故、占到施工、特种车辆通行、特种运输等均会造成交通拥堵的现象。为了缓解交通拥堵的情况，往往需要交通管理人员制定不同的交通调度策略。制定交通调度策略的过程通常需要依赖人为的经验，从而容易造成判断方法不科学、准确性差、未及时响应等问题。
因此，有必要提供一种智慧城市交通调度策略控制方法和物联网系统，以保证科学的制定交通调度计划，从而提高交通治理的效率与质量。
发明内容
发明内容包括一种智慧城市交通调度策略控制方法。所述方法由交通调度策略控制管理平台执行。所述方法包括：获取预设区域内当前时间段的交通数据信息，所述交通数据信息至少包括车辆在至少一条道路上的通行速度；基于所述预设区域内当前时间段的交通数据信息，预测所述预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域；基于所述一个或多个目标区域在下一时间段内的交通数据信息，判断是否需要切换交通调度策略；响应于需要切换交通调度策略，则将第一交通调度策略切换为第二交通调度策略。
发明内容包括一种智慧城市交通调度策略控制物联网系统。所述系统包括依次交互的用户平台、服务平台、交通调度策略控制管理平台、传感网络平台和对象平台。所述交通调度策略控制管理平台被配置为执行以下操作：获取预设区域内当前时间段的交通数据信息，所述交通数据信息至少包括车辆在至少一条道路上的通行速度；基于当前时间段的所述交通数据信息，预测所述预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域；基于所述一个或多个目标区域在下一时间段内的交通数据信息，判断是否需要切换交通调度策略；响应于需要切换交通调度策略，则将第一交通调度策略切换为第二交通调度策略。
发明内容包括一种智慧城市交通调度策略控制装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如上述任一实施例所述的智慧城市交通调度策略控制方法。
发明内容包括一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行智慧城市交通调度策略控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的智慧城市交通调度策略控制物联网系统的应用场景示意图；
图2是根据本说明书一些实施例所示的智慧城市交通调度策略控制物联网系统的示例性示意图；
图3是根据本说明书一些实施例所示的智慧城市交通调度策略控制的示例性流程图；
图4是根据本说明书一些实施例所示的交通状态预测模型结构的示意图；
图5是根据本说明书一些实施例所示的交通调度策略预测模型结构的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的智慧城市交通调度策略控制物联网系统的应用场景示意图。在一些实施例中，应用场景100可以包括服务器110、存储设备120、用户终端130、传感设备140、物联网关150、网络160。
在一些实施例中，服务器110可以是单个服务器或者服务器组。服务器组可以是集中式的或分布式的。例如，服务器110可以是分布式系统。在一些实施例中，服务器110可以是本地的或远程的。在一些实施例中，服务器110可以在云平台上实现。在一些实施例中，服务器110或服务器110的一部分可以集成到传感设备140中。
在一些实施例中，服务器110可以包括处理设备112。处理设备112可以用于获取信息，并对收集的信息进行分析加工，以执行本申请中描述的一个或以上功能。例如，处理设备112可以获取传感设备140所监控的交通数据，并确定交通拥堵的区域。又如，处理设备112可以基于交通拥堵的区域，生成调度策略并下发控制指令至交通调度中心170，并控制交通调度中心170按照交通调度策略进行交通管理。
在一些实施例中，处理设备112可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为范例，处理设备112可以包括中央处理单元(CPU)、特定应用集成电路(ASIC)等或其任意组合。
存储设备120可以用于存储数据和/或指令，例如，存储设备120可以用于存储传感设备140所监控的交通数据。存储设备120可以从例如服务器110、用户终端130等获得数据和/或指令。在一些实施例中，存储设备120可以储存处理设备112用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。
用户终端130可以是指用户用来输入交通数据信息、查询交通信息、查询交通调度策略等信息的终端。例如，用户终端130可以包含但不限于智能电话130-1、平板电脑130-2、膝上型计算机130-3、处理器130-4等其他具有输入和/或输出功能的设备中的一种或其任意组合。在一些实施例中，用户终端130可以与服务器110相关联。例如，用户终端130也可以反馈交通拥堵信息。在一些实施例中，使用用户终端130可以是一个或多个用户，可以包括直接使用服务的用户，也可以包括其他相关用户。
传感设备140可以是指用于获取交通数据信息的设备。例如，传感设备140可以包括但不限于道路监控设备140-1和无人机拍摄设备140-2。在一些实施例中，道路监控设备140-1可以是红外摄像机、高清数码相机。在一些实施例中，无人机拍摄设备140-2可以是利用无线电遥控装置操纵的不载人飞行机。例如，无人机拍摄设备140-2可以包括多旋翼无人机、无人直升机、太阳能无人机等。在一些实施例中，传感设备140可以被配置为物联网的一个或多个对象分平台。其道路监控设备140-1为道路监控设备分平台，无人机拍摄设备140-2为无人机拍摄设备分平台。
物联网关150可以是指用户终端130和/或传感设备140上传监控数据的数据通道和网关。例如，物联网关150可以包括但不限于道路监控设备物联网关150-1、无人机拍摄设备物联网关150-2和用户终端物联网关150-3。在一些实施例中，道路监控设备140-1可以通过道路监控设备物联网关150-1上传道路监控数据。无人机拍摄设备140-2可以通过无人机拍摄设备物联网关150-2上传道路监控数据。用户终端130可以通过用户终端物联网关150-3上传道路监控数据。在一些实施例中，服务器110可以通过道路监控设备物联网关150-1下发控制指令并控制道路监控设备140-1的运行。在一些实施例中，服务器110可以通过无人机拍摄设备物联网关150-2下发控制指令并控制无人机拍摄设备140-2的运行。
网络160可以提供信息和/或数据交换的渠道。在一些实施例中，服务器110、存储设备120、用户终端130、传感设备140、物联网关150、交通调度中心170之间可以通过网络160交换信息。例如，服务器110可以通过网络160接收用户终端130发送的查询交通数据请求。又例如，服务器110可以通过网络160获取用户终端130和/或传感设备140上传的交通监控数据并储存于存储设备120。再例如，服务器110通过网络160获取交通调度中心170的信息反馈。
交通调度中心170可以是指用于执行交通调度策略的中心。例如，交通调度中心170可以执行包括但不限于临时交通管制170-1、交警调度170-2、红绿灯信号调整170-3。在一些实施例中，交通调度中心170可以获得服务器110的下发的交通调度策略，执行红绿灯信号调整170-3。在一些实施例中，交通调度中心170可以获得服务器110的下发的交通调度策略，执行交警调度170-2。在一些实施例中，交通调度中心170可以获得服务器110的下发的交通调度策略，执行临时交通管制170-1。
应当注意应用场景仅仅是为了说明的目的而提供，并不意图限制本说明书的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，应用场景还可以包括数据库。又例如，应用场景可以在其他设备上实现以实现类似或不同的功能。然而，变化和修改不会背离本说明书的范围。
物联网系统是一种包括对象平台、传感网络平台、管理平台、服务平台、用户平台中部分或全部平台的信息处理系统。管理平台可以实现统筹、协调各功能平台（如传感网络平台、对象平台）之间的联系和协作，汇聚着物联网运行体系的信息，可以为物联网运行体系提供感知管理和控制管理功能。传感网络平台可以实现连接管理平台和对象平台，起着感知信息传感通信和控制信息传感通信的功能。对象平台是对感知信息生成和控制信息进行执行的功能平台。服务平台是指为用户提供输入和输出服务的平台。用户平台是指以用户为主导的平台，包括获取用户的需求以及将信息反馈给用户的平台。
物联网系统中信息的处理可以分为感知信息的处理流程及控制信息的处理流程，控制信息可以是基于感知信息而生成的信息。其中，感知信息的处理是由对象平台获取感知信息，并通过传感网络平台传递至管理平台。控制信息则是由管理平台通过传感网络平台下发至对象平台，进而实现对相应对象的控制。
在一些实施例中，将物联网系统应用于城市管理时，可以将其称之为智慧城市物联网系统。
图2是根据本说明书一些实施例所示的智慧城市交通调度策略控制物联网系统的示例性示意图。
用户平台是指以用户为主导的平台，包括获取用户的需求以及将信息反馈给用户的平台。例如，用户平台可以通过用户终端（例如，用户终端130），获取用户的输入指令，查询交通数据信息。又例如，用户平台可以通过用户终端，获取用户的控制指令，进而对道路监控设备（例如，道路监控设备140-1）和/或无人机拍摄设备（例如，无人机拍摄设备140-2）进行控制。又例如，用户平台可以将交通调度的结果反馈给用户。
服务平台是指为用户提供输入和输出服务的平台。例如，服务平台可以获取用户通过用户平台下发的查询指令，查询交通数据信息，并将交通数据信息反馈给用户。
交通调度策略控制管理平台是统筹、协调各功能平台之间的联系和协作，汇聚着物联网全部的信息，为物联网运行体系提供感知管理和控制管理功能的平台。例如，交通调度策略控制管理平台可以获取预设区域内当前时间段的交通数据信息，并基于预设区域内当前时间段的交通数据信息，预测预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域。又例如，交通调度策略控制管理平台可以基于一个或多个目标区域在下一时间段内的交通数据信息，判断是否需要切换交通调度策略。如果需要，则将第一交通调度策略切换为第二交通调度策略。
在一些实施例中，交通调度策略控制管理平台可以包括管理信息综合管理平台及多个管理分平台。
在一些实施例中，交通调度策略控制管理平台可以包括路况上报管理平台、特种车辆管理平台、特种运输管理平台以及占道施工管理平台中的一种或多种管理分平台。不同的管理分平台可以通过不同的管理平台分数据库为管理信息综合管理平台独立的提供信息。例如，路况上报管理平台可以通过路况上报数据库为管理信息综合管理平台提供路况信息。特种车辆管理平台可以通过特种车辆数据库为管理信息综合管理平台提供特种车辆信息（如数量、执勤状态等）。特种运输管理平台可以通过特种运输数据库为管理信息综合管理平台提供特种运输信息（如数量、出行时间、位置等）。占道施工管理平台可以通过占道施工数据库为管理信息综合管理平台提供占道施工信息（如占道施工地点、预计占道时间等）。管理信息综合管理平台对接收的信息进行综合管理，并根据用户需求发送至服务平台。
传感网络平台是指实现连接交通调度策略控制管理平台和对象平台，起着感知信息传感通信和控制信息传感通信的功能平台。在一些实施例中，传感网络平台可以被配置为物联网关（例如，物联网关150）。其可用于建立用户终端（例如，用户终端130）和/或传感设备（例如，传感设备140）与交通调度策略控制管理平台的感知信息上传、控制信息下发的通道。在一些实施例中，传感网络平台可以包括多个传感网络分平台，传感网络分平台可以为不同的对象平台所对应的传感网络分平台。在一些实施例中，传感网络分平台被配置为不同通信网络中的物联网关（例如，道路监控设备物联网关150-1、无人机拍摄设备物联网关150-2和用户终端物联网关150-3）。其可对道路监控设备、无人机拍摄设备和用户终端上传的监控数据处理并存储至传感网络平台数据库，进而分配到不同的传感网络平台分数据库进行处理和存储。处理后的监控数据经传感网络平台数据库汇总存储后传输至传感信息综合管理平台，并由传感信息管理综合管理平台统一传输至交通调度策略控制管理平台，由管理平台数据库储存。
对象平台是指感知信息生成和控制信息最终执行的功能平台。在一些实施例中，对象平台可以被配置为道路监控设备、无人机拍摄设备和用户终端。在一些实施例中，对象平台可以基于不同的感知设备的类型，分类为多个对象分平台。例如，对象平台可以基于道路监控设备，分为道路监控设备平台，包括一个或多个道路监控设备；对象平台可以基于无人机拍摄设备，分为无人机拍摄设备平台，包括一个或多个无人机拍摄设备；对象平台可以基于用户终端，分为用户终端平台，包括一个或多个用户终端。
分平台是指平台根据任务类型分出的部分平台。在一些实施例中，服务平台、交通调度策略控制管理平台、传感网络平台、对象平台均可以根据需要设置多个分平台。分平台可以协助平台更高效率的完成信息的处理，并解决平台计算能力的不足的问题。
数据库是指存储数据的集合。例如，管理平台数据库可以存储路况上报、特种车辆、特种运输、占到施工等数据信息。
分数据库是指数据库根据数据类型分出的部分数据集合。在一些实施例中，服务平台数据库、管理平台数据库、传感网络平台数据库均可以根据需要设置多个分数据库。
在一些实施例中，管理平台数据库可以基于对象平台获取交通数据信息，管理分平台数据库可以基于管理平台数据库获取交通数据信息。
在一些实施例中，管理平台数据库可以通过传感信息综合管理平台与传感网络平台数据库基于对象平台获取交通数据信息。
在一些实施例中，管理平台数据库可以通过传感信息综合管理平台与传感网络平台数据库从道路监控设备获取特种车辆行驶路线信息，并将特种车辆行驶路线信息上传至特种车辆管理平台对应的特种车辆数据库。
通过五种平台的物联网功能体系结构实施智慧城市交通调度策略控制，完成了信息流程的闭环，使物联网信息处理更加流畅高效。
图3是根据本说明书一些实施例所示的智慧城市交通调度策略控制的示例性流程图。如图3所示，流程300包括下述步骤。在一些实施例中，流程300可以由处理设备112执行。
步骤310，获取预设区域内当前时间段的交通数据信息，交通数据信息至少包括车辆在至少一条道路上的通行速度。
预设区域是指预先设定的区域。在一些实施例中，预设区域可以包括城市、片区、街道等。例如，预设区域可以是北京市。又例如，预设区域可以是北京市朝阳区。又例如，预设区域可以是北京市朝阳区朝阳北路。
当前时间段是获取交通数据信息的时间段。例如，当前时间段可以是2032年1月1日18点0分至2032年1月1日18点10分。
当前时间段的交通数据信息是反映当前时间段的交通情况的数据信息。在一些实施例中，当前时间段的交通数据信息可以包括用户上报的当前时间段的路况信息、特种车辆信息、特种运输信息、占道施工信息等。在一些实施例中，当前时间段的交通数据信息可以包括通过道路监控设备或无人机拍摄设备获取的车辆特征（例如，车辆数量、车辆类型等）。在一些实施例中，当前时间段的交通数据信息可以至少包括通过道路监控设备获得的当前时间段的车辆在至少一条道路上的通行速度。车辆的通行速度是指车辆在道路上的平均通行速度。
在一些实施例中，处理设备可以基于对象平台（例如，传感设备140）提供的视频或图像信息获取交通数据信息。在一些实施例中，处理设备可以基于对象平台（例如，用户终端130）上报的路况、特种车辆、特种运输以及占道施工等信息获取交通数据信息。
在一些实施例中，管理平台数据库可以基于对象平台获取交通数据信息，管理分平台数据库可以基于管理平台数据库获取交通数据信息。关于获取预设区域内当前时间段的交通数据信息的更多内容可以参见本说明书其他部分（例如，图2及其相关描述），在此不再赘述。
步骤320，基于预设区域内当前时间段的交通数据信息，预测预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域。
下一时间段是当前时间段之后的时间段（例如，之后的5分钟、10分钟、30分钟等）。例如，假设当前时间段可以是2032年1月1日18点0分至2032年1月1日18点10分，下一时间段可以是2032年1月1日18点10分至2032年1月1日18点20分。
交通拥堵是指一种车多拥挤且车速缓慢的现象。例如，高速入口对应的道路出现交通事故，造成了交通拥堵，则可能会有更多的车辆涌入该高速入口的其他相邻入口。当大量车辆涌入其他路口时，可能就会造成其他道路或路口的拥堵。又例如，某个地方出现了交通事故、占道施工、特种车辆通行、特种运输等，都会造成车辆绕道通行。在该情况下，车辆会通过其他道路（例如，相邻道路）通行，势必会对其他道路的交通状况产生影响。
目标区域是指预设区域下一时间段内可能发生交通拥堵的区域。在一些实施例中，预设区域可以包括某个地点、路口等。例如，目标区域可以是北京市朝阳区朝阳北路与滨河路交叉口。又例如，目标区域可以是清华大学西门。由于道路相连的节点被预测为目标区域时，该道路即可认为会发生拥堵，因此，通过预测目标区域即可反映出道路的拥堵情况。
在一些实施例中，处理设备可以通过多种方式预测目标区域。
在一些实施例中，处理设备可以将当前时间段的交通数据信息输入交通状态预测模型后，由交通状态预测模型输出预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域。
交通状态预测模型可以是深度学习模型，例如，图神经网络（Graph NeuralNetwork, GNN）等。关于交通状态预测模型的更多内容可以参见本说明书其他部分（例如，图4及其相关描述），在此不再赘述。
步骤330，基于一个或多个目标区域在下一时间段内的交通数据信息，判断是否需要切换交通调度策略。
下一时间段内的交通数据信息是反映下一时间段的交通情况的数据信息。在一些实施例中，下一时间段的交通数据信息可以至少包括下一时间段的车辆在至少一条道路上的通行速度。
在一些实施例中，处理设备可以使用第一模型处理当前时间段的交通数据信息，以得到一个或多个目标区域在下一时间段内的交通数据信息。例如，处理设备可以将当前时间段的交通数据信息输入第一模型，由第一模型输出一个或多个目标区域在下一时间段内的交通数据信息。所述第一模型可以是深度神经网络(Deep Neural Networks, DNN)、循环神经网络（Recurrent Neural Network, RNN）、卷积神经网络（Convolutional NeuralNetworks, CNN）等。处理设备可以利用历史当前时间段的交通数据信息作为训练数据训练第一模型，使得第一模型能够基于当前时间段的交通数据信息输出历史一个或多个目标区域在下一时间段内的交通数据信息。训练数据对应的标签可以由历史数据来确定。
交通调度策略是指预设区域内为了维持交通秩序而实施的策略。在一些实施例中，交通调度策略可以包括：交警调度数量、红绿灯信号时长、临时交通管制的措施中的一种或多种。
交警调度数量是指调度的交警数量。例如，假设某条道路由于发生事故产生严重的交通拥堵，则需要调度5名交警进行现场管理。
红绿灯信号时长是指红灯、绿灯和/或黄灯的信号时长。例如，当特种车辆通过某路口时，为保证特种车辆的通行，会延长该方向的绿灯时长，同时延长另一方向的红灯时长。
临时交通管制的措施是指违反日常通行规则的禁止通行、限制通行等措施。例如，由于前方道路占道施工，处理设备可以对该道路实施禁止双向通行的临时交通管制。
在一些实施例中，当下一时间段的车辆在某个目标区域的通行速度相对于当前时间段的车辆在该目标区域的通行速度的减少值或增加值，大于等于预设阈值时，判断该目标区域需要切换交通调度策略。通行速度的减小值或增加值是基于下一时间段的车辆在某个目标区域的通行速度减去当前时间段的车辆在该目标区域的通行速度获得的。其中，下一时间段的车辆在某个目标区域的通行速度可以基于下一时间段内的交通数据信息获得，当前时间段的车辆在某个目标区域的通行速度可以基于当前时间段内的交通数据信息获得。例如，假设前时间段的车辆在某个目标区域的通行速度为40km/h，预设阈值为10km/h。当下一时间段的车辆在某个目标区域的通行速度为25km/h（减少值为15km/h，大于预设阈值），则判断该目标区域需要切换交通调度策略；当下一时间段的车辆在某个目标区域的通行速度为45km/h（增加值为5km/h，小于预设阈值），则判断该目标区域不需要切换交通调度策略。
步骤340，响应于需要切换交通调度策略，则将第一交通调度策略切换为第二交通调度策略。
第一交通调度策略是指当前时间段的预设区域的交通调度策略。例如，某预设区域的第一交通调度策略可以是第一目标区域的交警调度数量为0人，红灯和绿灯时长均为30秒，不进行临时交通管制；第二目标区域的交警调度数量为2人，红灯和绿灯时长均为30秒，不进行临时交通管制。
第二交通调度策略是指下一时间段的预设区域的交通调度策略。例如，假设某预设区域的第一交通调度策略可以是第一目标区域的交警调度数量为0人，红灯和绿灯时长均为30秒，不进行临时交通管制；第二目标区域的交警调度数量为2人，红灯和绿灯时长均为30秒，不进行临时交通管制。通过判断第一目标区域和第二目标区域均需要切换交通调度策略。如果检测到第一目标区域占道施工，第二目标区域发生了事故，则该预设区域的第二交通调度策略可以是第一目标区域的交警调度数量为3人，进行禁止通行的临时交通管制；第二目标区域的交警调度数量为5人，预测到的拥堵方向红灯时长调整为60秒、绿灯时长调整为15秒，不进行临时交通管制。
在一些实施例中，处理设备可以通过多种方式将第一交通调度策略切换为第二交通调度策略。
在一些实施例中，处理设备可以通过确定当前时间段与下一时间段的车辆在目标区域的交通数据信息（例如，车辆在目标区域的通行速度），将第一交通调度策略切换为第二交通调度策略。例如，每个目标区域可以包括若干个通行速度区间（例如，某个目标区域限速为60km/h，0km/h-5km/h为第一速度区间；5km/h-10km/h为第二速度区间；10km/h-15km/h为第三速度区间；15km/h-20km/h为第四速度区间；20km/h-25km/h为第五速度区间；25km/h-30km/h为第六速度区间；30km/h-35km/h为第七速度区间；35km/h-40km/h为第八速度区间；40km/h-45km/h为第九速度区间；45km/h-60km/h为第十速度区间。对应的交通调度策略存在一个数据库中。对应的交通调度策略包括，例如，第十速度区间为通畅，不拥堵，不需要延长红灯信号灯时长，不调度交警，不进行临时交通管制；第八速度区间为轻微拥堵，需要延长红灯信号灯时长到40秒，不调度交警，不进行临时交通管制；第五速度区间为一般拥堵，需要延长信号灯时长到60s，调度1个交警，不进行临时交通管制；第一速度区间为非常拥堵，不需要延长红灯信号灯时长，调度5个交警，实施禁止通行的交通管制等。处理设备可以基于一个或多个目标区域在当前时间段和下一时间段内的交通数据信息，通过数据库将第一交通调度策略切换为第二交通调度策略。例如，若某路口在当前时间段为一般拥堵，第一交通调度策略中该路口的调度策略为：需要延长信号灯时长到60s，调度1个交警，不进行临时交通管制。通过预测得出下一时间段该路口为通畅，则第二交通调度策略中该路口的调度策略切换为：不需要延长红灯信号灯时长，不调度交警，不进行临时交通管制。又例如，若某路口在当前时间段为一般拥堵，第一交通调度策略中该路口的调度策略为：需要延长信号灯时长到60s，调度1个交警，不进行临时交通管制。通过预测得出下一时间段该路口为非常拥堵，则第二交通调度策略中该路口的调度策略切换为：不需要延长红灯信号灯时长，调度5个交警，实施禁止通行的交通管制。
在一些实施例中，处理设备可以将第一交通调度策略以及一个或多个目标区域在当前时间段和下一时间段内的交通数据信息输入交通调度策略预测模型后，由交通调度策略预测模型输出第二交通调度策略。
交通调度策略预测模型可以是深度学习模型，例如，DNN、RNN、CNN等。关于交通状态预测模型的更多内容可以参见本说明书其他部分（例如，图5及其相关描述），在此不再赘述。
通过将第一交通调度策略切换为第二交通调度策略，能够减少交通管理人员制定交通调度策略的盲目性和对经验的依赖性，能够一定程度提高交通策略判断方法的科学性、准确性、及时性，从而提高交通治理的效率与质量。
应当注意的是，上述有关流程智慧城市交通调度策略控制方法的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程智慧城市交通调度策略控制方法进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图4是根据本说明书一些实施例所示的交通状态预测模型结构400的示意图。
在一些实施例中，如图4所示，交通状态预测模型420的输入可以包括当前时间段的交通数据信息410-1，输出为一个或多个目标区域430。
在一些实施例中，GNN模型可以对基于各个道路的路口的关系构建的图数据进行处理，确定一个或多个目标区域430。在一些实施例中，图可以包括多个节点和多个边，节点对应各个道路的路口，边对应的道路连接之间的关系。在一些实施例中，边对应道路之间的空间位置关系，空间位置关系可以是相对位置关系、距离关系等。在一些实施例中，节点和边分别包含有各自的特征。在一些实施例中，节点的特征可以包括各个道路的路口是否有红绿灯以及红绿灯时长。边的特征可以包括道路对应的车道类型、车道数量、是否有下穿隧道。
在一些实施例中，如图4所示，交通状态预测模型420的参数可以通过多个有标签的第一训练样本440训练得到。在一些实施例中，处理设备可以获得多组第一训练样本440，每组第一训练样本440可以包括多个训练数据及训练数据对应的标签。训练数据可以包括历史交通数据信息。历史交通数据信息是历史时间段内的交通数据信息。训练数据的标签可以是根据历史数据确定的预设区域历史下一时间段内可能发生交通拥堵的一个或多个目标区域。
通过多组第一训练样本440可以更新初始交通状态预测模型450的参数，得到训练好的交通状态预测模型420。
在一些实施例中，处理设备可以基于多个第一训练样本迭代更新初始交通状态预测模型450的参数，以使模型的损失函数满足预设条件。例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的初始交通状态预测模型450。其中，交通状态预测模型420和训练好的初始交通状态预测模型450具备相同的模型结构。
在一些实施例中，交通状态预测模型420的节点特征还可以包括第一策略调整特征410-2或第二策略调整特征410-3中的至少一个。
第一策略调整特征410-2是指基于目标区域内的车辆的行驶速度调整一个或多个目标区域430。
在一些实施例中，处理设备可以获取目标区域内的车辆的行驶速度，并基于目标区域的车辆的行驶速度，对目标区域进行调整。
在一些实施例中，处理器可以基于道路监控视频，获取目标区域内的车辆的行驶速度。
在一些实施例中，处理器可以基于目标区域的车辆的行驶速度，对目标区域进行调整。例如，假如判断是由于某几个车辆行驶缓慢而导致预测出某一目标区域，那几个车辆驶离后，交通就会恢复正常。这种情况下，就可以认为该区域在下一时间段内并不会发生交通拥堵，因此将此区域不预测为目标区域。
在一些实施例中，处理设备可以基于当前时刻之前目标区域的道路监控视频，确定与目标区域相连通的道路上的当前时刻之前的多个车辆的第一平均行驶速度；接着，处理设备可以确定第一平均行驶速度小于第一预设阈值的第一车辆数量；当第一车辆数量大于第二预设阈值时，处理设备可以获取当前时刻目标区域的道路监控视频，基于当前时刻的道路监控视频获取当前时刻的多个车辆的第二平均行驶速度，处理设备可以确定第二平均行驶速度小于第一预设阈值的第二车辆数量；最后，处理设备可以比较第一车辆数量与第二车辆数量的大小，基于比较结果，对目标区域进行调整。例如，若第二车辆数量较第一车辆数量的减少量大于第三预设阈值，则认为该目标区域的拥堵是由于个别车辆行驶缓慢造成的。随着个别车辆的驶离，交通将不再拥堵，因此将此区域不预测为目标区域。
第二策略调整特征410-3是指基于目标区域内的车流量变化率调整一个或多个目标区域430。
车流量变化率是反映车流量变化快慢的数值，也可以称为车流量加速度。例如，车流量变化率可以反映车流量增加或减少的变化速度。
在一些实施例中，处理设备可以基于传感设备采集的连续多帧的图像，通过第二模型确定连续多帧的图像上的车辆的数量，并基于多帧的车辆数量进行线性拟合，拟合曲线的斜率即为车流量变化率。其中，拟合曲线的自变量可以包括多帧的时间，拟合曲线的因变量可以包括多帧的时间对应的车辆数量。
在一些实施例中，处理设备可以使用第二模型处理传感设备采集的图像，以得到图像上的车辆的数量。例如，处理设备可以将传感设备采集的图像输入第二模型，由第二模型输出图像上的车辆的数量。所述第二模型可以是DNN、RNN、CNN等。处理设备可以利用历史图像作为训练数据训练第二模型，使得第二模型能够基于历史图像输出历史图像上的车辆的数量。训练数据对应的标签可以由人工确定。
在一些实施例中，处理器可以基于道路监控视频，获取目标区域的车流量变化率。
在一些实施例中，处理设备可以获取目标区域的车流量变化率，并基于目标区域的车流量变化率，对目标区域进行调整。例如，假设某区域未被预测为目标区域，但其车流量的增加速度很快，说明可能在短时间内会有大量的车辆涌入，这种情况下很有可能会造成交通拥堵，因此将此区域预测为目标区域。
在一些实施例中，处理设备可以预设时间区间阈值（例如，5分钟、10分钟）以及预设车流量的变化率阈值。如果该时间区间内车流量的变化率大于变化率阈值，则调整所述目标区域（例如，将非目标区域的区域预测为目标区域）。
通过交通状态预测模型对目标区域预测，可以将当前时间段的交通数据信息作为交通状态预测模型的输入，并结合第一策略调整特征或第二策略调整特征的相互关联的预测结果，使交通状态预测模型预测目标区域更加准确。
图5是根据本说明书一些实施例所示的交通调度策略预测模型结构500的示意图。
在一些实施例中，如图5所示，交通调度策略预测模型520的输入可以是第一交通调度策略510-1、一个或多个目标区域当前时间段交通数据信息510-2和一个或多个目标区域下一时间段交通数据信息510-3。在一些实施例中，交通调度策略预测模型520的输出为第二交通调度策略530。
在一些实施例中，如图5所示，交通调度策略预测模型520的模型参数可以通过多个有标签的第二训练样本540训练得到。在一些实施例中，处理设备可以基于大量的历史数据获得多组第二训练样本540。每组第二训练样本540可以包括多个训练数据及训练数据对应的标签。训练数据可以包括历史第一交通调度策略、一个或多个目标区域历史时间段交通数据信息和一个或多个目标区域历史下一时间段交通数据信息。训练数据的标签可以是基于实际数据人工确定的历史第二交通调度策略。
通过多组第二训练样本540可以更新初始交通调度策略预测模型550的参数，得到训练好的初始交通调度策略预测模型550。交通调度策略预测模型520的参数来自于训练好的初始交通调度策略预测模型550。
在一些实施例中，处理设备可以基于多个第二训练样本迭代更新初始交通调度策略预测模型550的参数，以使模型的损失函数满足预设条件。例如，损失函数收敛，或损失函数值小于预设值。当损失函数满足预设条件时模型训练完成，得到训练好的初始交通调度策略预测模型550。其中，交通调度策略预测模型520和训练好的初始交通调度策略预测模型550具备相同的模型结构。
通过交通调度策略预测模型将第一交通调度策略切换为第二交通调度策略，将第一交通调度策略以及目标区域在当前时间段和下一时间段内的交通数据信息输入交通调度策略预测模型，以得到第二交通调度策略，显著提升了第二交通调度策略的准确度，从而可以有效的减少交通拥堵的情况。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件（当前或之后附加于本说明书中的）也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种智慧城市交通调度策略控制方法，其特征在于，所述方法由交通调度策略控制管理平台执行，所述方法包括：
获取预设区域内当前时间段的交通数据信息，所述交通数据信息至少包括车辆在至少一条道路上的通行速度；
基于所述预设区域内当前时间段的交通数据信息，预测所述预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域；
基于所述一个或多个目标区域在下一时间段内的交通数据信息，判断是否需要切换交通调度策略；以及
响应于需要切换交通调度策略，则将第一交通调度策略切换为第二交通调度策略。
2.如权利要求1所述的方法，其特征在于，所述获取预设区域内当前时间段的交通数据信息包括：
管理平台数据库基于对象平台获取所述交通数据信息，管理分平台数据库基于所述管理平台数据库获取所述交通数据信息。
3.如权利要求2所述的方法，其特征在于，所述管理平台数据库基于对象平台获取所述交通数据信息包括：所述管理平台数据库通过传感信息综合管理平台与传感网络平台数据库基于所述对象平台获取所述交通数据信息；其中，所述对象平台被配置为道路监控设备、无人机拍摄设备以及用户终端。
4.如权利要求1所述的方法，其特征在于，所述交通调度策略包括：交警调度数量、红绿灯信号时长、临时交通管制的措施中的一种或多种。
5.如权利要求1所述的方法，其特征在于，所述将第一交通调度策略切换为第二交通调度策略包括：基于所述第一交通调度策略以及所述一个或多个目标区域在当前时间段和下一时间段内的交通数据信息，通过交通调度策略预测模型，确定第二交通调度策略。
6.如权利要求1所述的方法，其特征在于，所述基于所述预设区域内当前时间段的交通数据信息，预测所述预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域包括：
将所述当前时间段的交通数据信息输入训练后的交通状态预测模型，预测所述预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域；以及
所述交通状态预测模型为GNN模型，所述交通状态预测模型的节点为各个所述道路的路口，边为连接所述路口的路径；节点特征为各个所述道路的路口是否有红绿灯以及红绿灯时长，边的特征为所述道路对应的车道类型、车道数量、是否有下穿隧道，由所述交通状态预测模型的节点输出预测结果。
7.如权利要求6所述的方法，其特征在于，所述节点特征还包括第一策略调整特征或第二策略调整特征中的至少一个。
8.一种智慧城市交通调度策略控制物联网系统，其特征在于，所述系统包括依次交互的用户平台、服务平台、交通调度策略控制管理平台、传感网络平台和对象平台，所述交通调度策略控制管理平台被配置为执行以下操作：
获取预设区域内当前时间段的交通数据信息，所述交通数据信息至少包括车辆在至少一条道路上的通行速度；
基于当前时间段的所述交通数据信息，预测所述预设区域下一时间段内可能发生交通拥堵的一个或多个目标区域；
基于所述一个或多个目标区域在下一时间段内的交通数据信息，判断是否需要切换交通调度策略；以及
响应于需要切换交通调度策略，则将第一交通调度策略切换为第二交通调度策略。
9.一种智慧城市交通调度策略控制装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~7中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，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1~7任一项所述的智慧城市交通调度策略控制方法。
CN202210321872.2A 2022-03-29 2022-03-29 一种智慧城市交通调度策略控制方法和物联网系统 Active CN114418468B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202210321872.2A CN114418468B (zh) 2022-03-29 2022-03-29 一种智慧城市交通调度策略控制方法和物联网系统
US17/660,024 US11587436B1 (en) 2022-03-29 2022-04-21 Methods for controlling traffic scheduling strategies in smart cities and Internet of Things (IoT) systems thereof
US18/069,965 US12131631B2 (en) 2022-03-29 2022-12-21 Methods for managing traffic congestion in smart cities and internet of things (IoT) systems thereof
US18/145,026 US12033501B2 (en) 2022-03-29 2022-12-22 Methods for traffic scheduling at intersections in smart cities and Internet of Things (IoT) systems thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210321872.2A CN114418468B (zh) 2022-03-29 2022-03-29 一种智慧城市交通调度策略控制方法和物联网系统

Publications (2)

Publication Number Publication Date
CN114418468A true CN114418468A (zh) 2022-04-29
CN114418468B CN114418468B (zh) 2022-07-05

Family

ID=81262747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210321872.2A Active CN114418468B (zh) 2022-03-29 2022-03-29 一种智慧城市交通调度策略控制方法和物联网系统

Country Status (2)

Country Link
US (2) US11587436B1 (zh)
CN (1) CN114418468B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114861091A (zh) * 2022-07-11 2022-08-05 成都秦川物联网科技股份有限公司 智慧城市交通路径确定方法、物联网系统、装置及介质
CN115271543A (zh) * 2022-09-09 2022-11-01 成都秦川物联网科技股份有限公司 一种智慧城市交通导流管理方法、系统、装置以及介质
CN115297595A (zh) * 2022-09-29 2022-11-04 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市路灯智能控制方法和系统
CN116631211A (zh) * 2023-05-24 2023-08-22 重庆邮电大学 一种基于车联网的紧急车辆道路拥堵疏散系统
CN116894649A (zh) * 2023-09-11 2023-10-17 成都秦川物联网科技股份有限公司 一种工业物联网主服务平台数据分发系统、方法和介质
CN117037501A (zh) * 2023-10-10 2023-11-10 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统
CN117079466A (zh) * 2023-09-15 2023-11-17 淮阴工学院 一种基于ai智能技术的交通区域通行的优化系统及方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114912717B (zh) * 2022-07-13 2022-10-25 成都秦川物联网科技股份有限公司 基于物联网的智慧城市保障住房申请风险评估方法和系统
CN116739258B (zh) * 2023-06-08 2023-11-07 南京小微网络软件有限责任公司 一种基于大数据的一网统管指挥调度系统及方法
CN116455961B (zh) * 2023-06-20 2023-08-15 贵州交投高新科技有限公司 一种智慧锥桶管理平台
CN116847515B (zh) * 2023-09-01 2023-11-07 深圳市朝阳辉电气设备有限公司 一种智能路灯节能控制系统及方法
CN117475628B (zh) * 2023-11-01 2024-05-03 中交资产管理有限公司 一种基于风险理论的高速公路运营方法及信息系统
CN117351723B (zh) * 2023-11-06 2024-10-15 广东省电信规划设计院有限公司 基于云原生的交通调度控制方法及装置
CN118015838B (zh) * 2024-04-08 2024-07-30 中铁三局集团有限公司 结合物联网的隧道车辆流动控制方法及系统
CN118338502B (zh) * 2024-06-17 2024-09-03 中节能晶和科技有限公司 一种复杂场景下道路照明策略的配置下发方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971565A (zh) * 2017-04-22 2017-07-21 高新兴科技集团股份有限公司 一种基于物联网的区域交通边界控制与诱导协同方法及系统
CN109035808A (zh) * 2018-07-20 2018-12-18 上海斐讯数据通信技术有限公司 一种基于深度学习的红绿灯切换方法及系统
CN111127877A (zh) * 2019-11-19 2020-05-08 华为技术有限公司 一种路况信息的监测方法及装置
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法
WO2020259074A1 (zh) * 2019-06-28 2020-12-30 佛山科学技术学院 一种基于大数据的交通拥堵预测系统、方法及存储介质
CN113256980A (zh) * 2021-05-28 2021-08-13 佳都科技集团股份有限公司 一种路网状态的确定方法、装置、设备及存储介质
US20210312799A1 (en) * 2020-11-18 2021-10-07 Baidu (China) Co., Ltd. Detecting traffic anomaly event
CN113643528A (zh) * 2021-07-01 2021-11-12 腾讯科技（深圳）有限公司 信号灯控制方法、模型训练方法、系统、装置及存储介质
WO2021243585A1 (en) * 2020-06-03 2021-12-09 Huawei Technologies Co., Ltd. Method and system for generating network configurations using graph neural network
CN113920739A (zh) * 2021-10-29 2022-01-11 复旦大学 基于信息物理融合系统的交通数据驱动框架及构建方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10529230B2 (en) * 2015-09-08 2020-01-07 Ofer Hofman Method for traffic control
US9633560B1 (en) * 2016-03-30 2017-04-25 Jason Hao Gao Traffic prediction and control system for vehicle traffic flows at traffic intersections
WO2019187291A1 (ja) * 2018-03-29 2019-10-03 日本電気株式会社 情報処理装置、道路分析方法、及びプログラムが格納された非一時的なコンピュータ可読媒体
CA3131843A1 (en) * 2020-09-25 2022-03-25 Royal Bank Of Canada System and method for structure learning for graph neural networks
CN113409593A (zh) * 2021-06-25 2021-09-17 阿波罗智联(北京)科技有限公司 交通信号灯的控制信号生成方法、装置、电子设备和介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971565A (zh) * 2017-04-22 2017-07-21 高新兴科技集团股份有限公司 一种基于物联网的区域交通边界控制与诱导协同方法及系统
CN109035808A (zh) * 2018-07-20 2018-12-18 上海斐讯数据通信技术有限公司 一种基于深度学习的红绿灯切换方法及系统
WO2020259074A1 (zh) * 2019-06-28 2020-12-30 佛山科学技术学院 一种基于大数据的交通拥堵预测系统、方法及存储介质
CN111127877A (zh) * 2019-11-19 2020-05-08 华为技术有限公司 一种路况信息的监测方法及装置
WO2021243585A1 (en) * 2020-06-03 2021-12-09 Huawei Technologies Co., Ltd. Method and system for generating network configurations using graph neural network
CN111768618A (zh) * 2020-06-04 2020-10-13 北京航空航天大学 基于城市画像的交通拥堵状态传播预测和预警系统及方法
US20210312799A1 (en) * 2020-11-18 2021-10-07 Baidu (China) Co., Ltd. Detecting traffic anomaly event
CN113256980A (zh) * 2021-05-28 2021-08-13 佳都科技集团股份有限公司 一种路网状态的确定方法、装置、设备及存储介质
CN113643528A (zh) * 2021-07-01 2021-11-12 腾讯科技（深圳）有限公司 信号灯控制方法、模型训练方法、系统、装置及存储介质
CN113920739A (zh) * 2021-10-29 2022-01-11 复旦大学 基于信息物理融合系统的交通数据驱动框架及构建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
何劲松: "关于学习空间及分类风险评价的非单调一致性", 《计算机学报》 *
周毅等: "图神经网络驱动的交通预测技术：探索与挑战", 《物联网学报》 *
李娜等: "基于视频的交通信息检测算法研究", 《电脑知识与技术》 *
秦伟刚等: "遗传算法和人工神经网络在ITS中的应用", 《仪器仪表学报》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11754410B1 (en) 2022-07-11 2023-09-12 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and internet of things systems for determining government traffic routes in smart cities
CN114861091A (zh) * 2022-07-11 2022-08-05 成都秦川物联网科技股份有限公司 智慧城市交通路径确定方法、物联网系统、装置及介质
US11837086B2 (en) 2022-09-09 2023-12-05 Chengdu Qinchuan Iot Technology Co., Ltd. Methods and Internet of Things systems for traffic diversion management in smart city
CN115271543A (zh) * 2022-09-09 2022-11-01 成都秦川物联网科技股份有限公司 一种智慧城市交通导流管理方法、系统、装置以及介质
US12118882B2 (en) 2022-09-09 2024-10-15 Chengdu Qinchuan Iot Technology Co., Ltd. Method and Internet of Things system for tidal lane opening management in smart city
CN115297595A (zh) * 2022-09-29 2022-11-04 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市路灯智能控制方法和系统
CN115297595B (zh) * 2022-09-29 2023-02-28 成都秦川物联网科技股份有限公司 一种基于物联网的智慧城市路灯智能控制方法和系统
US11800621B2 (en) 2022-09-29 2023-10-24 Chengdu Qinchuan Iot Technology Co., Ltd. Method and system for controlling intelligent street lamps in a smart city based on internet of things
CN116631211A (zh) * 2023-05-24 2023-08-22 重庆邮电大学 一种基于车联网的紧急车辆道路拥堵疏散系统
CN116894649A (zh) * 2023-09-11 2023-10-17 成都秦川物联网科技股份有限公司 一种工业物联网主服务平台数据分发系统、方法和介质
CN116894649B (zh) * 2023-09-11 2023-11-17 成都秦川物联网科技股份有限公司 一种工业物联网主服务平台数据分发系统、方法和介质
CN117079466A (zh) * 2023-09-15 2023-11-17 淮阴工学院 一种基于ai智能技术的交通区域通行的优化系统及方法
CN117037501B (zh) * 2023-10-10 2023-12-12 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统
CN117037501A (zh) * 2023-10-10 2023-11-10 成都创一博通科技有限公司 基于人工智能的城市停车管理方法和管理系统

Also Published As

Publication number Publication date
US20230124522A1 (en) 2023-04-20
US12033501B2 (en) 2024-07-09
US20230131858A1 (en) 2023-04-27
CN114418468B (zh) 2022-07-05
US11587436B1 (en) 2023-02-21

Similar Documents

Publication Publication Date Title
CN114418468B (zh) 一种智慧城市交通调度策略控制方法和物联网系统
CN109118758B (zh) 一种面向移动共享的智能网联交通管理系统
Ouallane et al. Overview of road traffic management solutions based on IoT and AI
CN108806283B (zh) 一种交通信号灯的控制方法及车联网平台
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
Ouallane et al. Fusion of engineering insights and emerging trends: Intelligent urban traffic management system
CN107507430B (zh) 一种城市路口交通控制方法及系统
CN110494902A (zh) 用于管理地理位置中的交通的系统、设备和方法
US20220414450A1 (en) Distributed Multi-Task Machine Learning for Traffic Prediction
CN113362605B (zh) 基于潜在同质区域分析的分布式高速路优化系统及方法
US20240202616A1 (en) Methods and internet of things systems for optimizing metro operation scheduling in smart city
CN109581928A (zh) 一种面向高速公路场景的智能车端到端决策方法及系统
Hudson et al. Smart edge-enabled traffic light control: Improving reward-communication trade-offs with federated reinforcement learning
CN108334079A (zh) 无人驾驶汽车路况信息实时获取方法
CN113140108B (zh) 一种网联智能交通系统中的云端交通态势预测方法
CN112686609B (zh) 基于优化效率评价算法的智能无人物流运输方法和系统
CN110879862B (zh) 基于物联网的车辆信息查询系统
Tan et al. PALM: platoons based adaptive traffic light control system for mixed vehicular traffic
US12131631B2 (en) Methods for managing traffic congestion in smart cities and internet of things (IoT) systems thereof
CN114861091B (zh) 智慧城市交通路径确定方法、物联网系统、装置及介质
Lewandowski et al. Self-organizing traffic signal control with prioritization strategy aided by vehicular sensor network
Vijayaraman et al. Prediction and Automation of Road Traffic using Internet of Things
Guo et al. Research on optimization model of multisource traffic information collection combination based on genetic algorithm
CN116612636B (zh) 基于多智能体强化学习的信号灯协同控制方法
Gupta et al. IOT based traffic light control based on traffic density

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