CN115083168B - 一种基于多源数据的多层次交通仿真网络搭建方法 - Google Patents
一种基于多源数据的多层次交通仿真网络搭建方法 Download PDFInfo
- Publication number
- CN115083168B CN115083168B CN202211009222.0A CN202211009222A CN115083168B CN 115083168 B CN115083168 B CN 115083168B CN 202211009222 A CN202211009222 A CN 202211009222A CN 115083168 B CN115083168 B CN 115083168B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- network
- simulation network
- equipment
- 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/38—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Library & Information Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供了一种基于多源数据的多层次交通仿真网络搭建方法,本申请涉及交通网络技术领域;本申请实施例中通过确定当前交通数据的数据源,并基于数据源配置仿真网络的拓扑结构和功能节点;设置交通仿真网络层级,并将不同的功能节点在对应的交通网络层级上进行认证;根据认证结果和拓扑结构,连接不同的功能节点,构成分布式交通仿真网络。实现了自动化的网络资源调度,更快的数据传输,在仿真网络中,出现交通事故,就会更快进行紧急救援和交通资源调度。
Description
技术领域
本发明涉及交通网络技术领域,特别涉及一种基于多源数据的多层次交通仿真网络搭建方法。
背景技术
目前,随着智能交通系统的发展,城市交通数据能够实现快速即时的消息融合,通过交通数据可以实现交通预测。它是先进交通管理系统的关键部分,是实现交通规划、交通管理和交通控制的重要组成部分。交通预测是分析城市道路交通状况(包括流量、速度和密度等)的过程,挖掘交通模式,预测道路交通趋势。交通预测不仅可以为交通管理者提前感知交通拥堵、限制车辆提供科学依据,还可以为城市出行者选择合适的出行路线、提高出行效率提供保障。
由于城市道路网络拓扑结构的约束和随时间动态变化的规律,即空间依赖性和时间依赖性,交通预测一直被认为是一项具有挑战性的任务。
现有技术中,是先行构建数据平台,在将交通数据接入的方式,这种方式虽然存在可以进行随时连接新的采集设备的优点。但是,平台的负载能力有限,而且不同的交通数据的采集设备是不同的,这也就导致了不同数据格式的数据难以进行恰到好处的兼容,也就会导致数据出现混乱,容易发生宕机。
发明内容
本发明提供一种基于多源数据的多层次交通仿真网络搭建方法,用以解决平台的负载能力有限,而且不同的交通数据的采集设备是不同的,这也就导致了不同数据格式的数据难以进行恰到好处的兼容,也就会导致数据出现混乱,容易发生宕机的情况。
本申请实施例提供了一种基于多源数据的多层次交通仿真网络搭建方法,包括:
确定当前交通数据的数据源,并基于数据源配置仿真网络的拓扑结构和功能节点;
设置交通仿真网络层级,并将不同的功能节点在对应的交通网络层级上进行认证;
根据认证结果和拓扑结构,连接不同的功能节点,构成分布式交通仿真网络。
作为一种可能的实施方式,所述方法还包括:
创建交通数据库,并初始化交通数据库的目标数据;其中,
所述交通数据库包括多个子数据库,每个子数据库对应一个交通数据的数据源;
在交通数据库的数据输入端设置数据缓冲区域;
在数据缓冲区域设置交通数据的识别采集编码程序;其中,
采集编码程序用于对不同数据源的交通数据进行识别,确定数据信息;其中,
数据信息包括数据类型、数据采集设备信息、数据采集位置信息和数据内容;
采集编码程序还用于根据数据信息,进行数据编码,并在编码后通过编码匹配确定不同交通数据对应的子数据库。
作为一种可能的实施方式,所述数据编码包括:
通过数据类型,在交通数据库进行类型匹配,获取第一编码;
通过数据内容,在交通数据库进行内容匹配,获取第二编码;
通过数据采集设备信息和数据采集位置信息,确定数据源特征;
通过数据源特征在预设的编码字节范围内进行特征聚类,并在聚类后生成聚类编码;
将第一编码作为编码头,将第二编码作为编码尾,并在编码头和编码尾中加入聚类编码,生成数据编码。
作为一种可能的实施方式,所述方法还包括:
根据交通数据的数据源,确定多个数据采集设备;
根据多个数据采集设备,确定其连接的网络设备,并确定其对应的第一拓扑结构;其中,
网络设备包括数据网关、路由设备和数据服务器;
判断多个数据采集设备的第一拓扑结构之间是否存在连接有相同的网络设备和路由设备;
当存在连接有相同的网络设备和路由设备时,根据不同网络设备和路由设备连接的数据采集设备的数量,进行交通数据分层,生成基于采集设备密集度的第一分层拓扑结构,并确定每层拓扑结构中连接的硬件设备的功能信息;
当没有连接相同的网络设备和路由设备时,计算不同数据源的数据权重,基于数据权重进行交通数据分层,生成基于采集设备权重的第二分层拓扑结构,并确定每层拓扑结构中连接的硬件设备的功能信息。
作为一种可能的实施方式,所述方法还包括:
确定仿真网络的拓扑结构不同数据采集设备连接的网络设备的设备数量、数据传输量和数据权重;
通过设备数量,确定第一分层向量参数;
通过数据传输量,确定第二分层向量参数;
通过数据权重,确定第三分层向量参数;
通过第一分层向量参数、第二分层向量参数和第三分层向量参数构建交通数据的自适应流程图谱;
预先设置图谱区间,并在自适应流程图谱进行区间标注;其中,
图谱区间按照不同分层向量的优先级确定;
根据区间标注,设置交通仿真网络层级。
作为一种可能的实施方式,所述方法还包括:
定义不同功能节点为一个功能集群,并设置功能集群的功能控制器;
通过功能控制器,设置不同功能的私有区块链;
通过私有区块链和功能控制器设置每个功能节点的功能公钥;
将功能公钥部署至对应的交通网络层级的公共区块;
在公共区块设置不同功能节点的功能权限认证,通过功能权限认证,进行功能节点控制和数据调取。
作为一种可能的实施方式,所述方法还包括:
设置第一仿真网络,采集识别交通数据中的场景特征;其中,
场景特征包括:路线分布特征、车辆分布特征和监控设备分布特征;
设置第二仿真网络,基于预先设置的交通网络功能配置方案,在第一仿真网络中设置功能节点;
设置第三仿真网络,在第三仿真网络上设置交通数据的更新接口和数据传输接口的中枢节点;
融合第一仿真网络、第二仿真网络和第三仿真网络,生成分布式交通仿真网络,并通过更新接口对分布式交通仿真网络的实时交通数据进行实时同步更新。
作为一种可能的实施方式,所述方法还包括:
在分布式交通仿真网络中构建分布式任务触发系统;
通过分布式任务触发系统识别交通数据中的目标事件;其中,
目标事件包括:堵车事件、车祸事件和道路紧急疏通事件;
通过目标事件和分布式交通仿真网络,设置基于交通资源调度的仿真任务;其中,
通过仿真任务,按照预先配置的任务事件处理算法将在仿真网络中生成处理策略调度流,并调用仿真网络进行策略预演;
通过策略预演,进行目标事件处理。
作为一种可能的实施方式,所述方法还包括:
对当前交通数据进行数据预处理;其中,
预处理包括:数据整合、数据清洗、数据统计、数据标注、数据替换和数据归一化;
通过历史交通数据对预处理后的交通数据进行数据增强;其中,
数据增强包括:数据缺失效验和数据补充;
通过预训练的遗传算法对增强过的数据进行细粒度分类;
在细粒度分类之后,对每一细粒度的交通数据采用数据补充的方式,融合当前交通数据和历史案例数据,生成交通数据的精确识别信息。
作为一种可能的实施方式,所述方法还包括:
预先设置云端交互服务器,并通过云端交互服务器连接分布式交通仿真网络;
在云端交互服务器中构建交通语音识别机制、图像同步识别机制、交通数据动态分析机制;
通过交通语音识别机制对交通数据进行处理,生成语音知识图谱;
通过图像同步识别机制对交通数据进行处理,生成视图知识图谱;
通过交通数据动态分析机制对交通数据进行处理,生成交通动态变动知识图谱;
配置基于语音知识图谱、视图知识图谱和交通动态变动知识图谱的任务快速检索引擎;其中,
任务快速检索引擎与语音知识图谱、视图知识图谱和交通动态变动知识图谱对接,并建立有独立数据传输通道;
语音知识图谱、视图知识图谱和交通动态变动知识图谱分别设置有数据相关性算法,并通过数据相关性算法对同一数据快速互通检索。
本发明有益效果在于:
本发明不会因为资源分配不均,导致一些数据采集的服务器产生宕机或者带宽不足问题。如果需要加入新的数据源,我们只要确定数据源的子拓扑结构,在其子拓扑结构中,确定有没有与原来的数据源连接的方式,进而进行子拓扑结构之间的融合连接。
本发明不会早晨不同功能调节延迟。在明确数据源之后直接确定功能节点,会提前设置对应功能的服务器或者边缘装置,从而调节更加快速。
不同层级数据在仿真网络中进行不同层级的认证,这种方式下,因为存在不同的层级,就会形成一种按需设置层级的系统,交通事故数据优先度高,设置更高的层级,设置更快的数据传输方式,这样在仿真网络中,就会更快进行紧急救援。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
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为本发明实施例中一种基于多源数据的多层次交通仿真网络搭建方法的交通仿真网络搭建框架图;
图2为本发明实施例中一种基于多源数据的多层次交通仿真网络搭建方法的方法流程图;
图3为本发明实施例中数据库设置流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本申请实施例提供了一种基于多源数据的多层次交通仿真网络搭建方法,包括:
确定当前交通数据的数据源,并基于数据源配置仿真网络的拓扑结构和功能节点;
设置交通仿真网络层级,并将不同的功能节点在对应的交通网络层级上进行认证;
根据认证结果和拓扑结构,连接不同的功能节点,构成分布式交通仿真网络。
如附图1和附图2所示,本发明主要的目的是搭建一个分布式交通仿真网络,交通数据的数据源是在城市交通中的各种交通监控设备,和车辆自身上传的数据,以及不同导航网站,这些交通数据通过不同的数据源进行数据传输,因此,每个数据源存在不同的拓扑结构,而在数据采集的时候还存在交通调度设备,这些设备具有不同的调度功能,每个功能都可以作为一个调度节点。因为在交通网络中数据的传输有些采集设备,也就是数据源,会连接多种道路监控设备,不同的数据源,其优先级不同,同本发明设置交通仿真网络的层级,不同的层级接收不同数据源的数据,进而搭建的网络传输数据更加安全。
本发明在执行的时候,存在如下有益效果:
首先,本发明是基于数据源去确定仿真网络的拓扑结构和功能节点;在数据源自身的子拓扑结构确定之后,就是进行不同子拓扑结构的融合。而在现有技术中,先确定拓扑结构再确定不同数据源之间的连接方式,会导致一些地方因为资源分配不均,导致一些数据采集的服务器产生宕机或者带宽不足问题,采用本发明的方式就不会存在这些问题;当然,如果需要加入新的数据源,我们只要确定数据源的子拓扑结构,在其子拓扑结构中,确定有没有与原来的数据源连接的方式,进而进行子拓扑结构之间的融合连接。而功能节点,现有技术中,如果在任意一个拥挤路口需要设置一个红绿灯调节机制,就会去设置对应的红绿灯具有这个功能,但是,这时候红绿灯作为一个数据采集装置进行调节的时候,主要基于的是云端大数据进行调节,其自身不会采集数据,这会造成调节延迟。而本发明在明确数据源之后直接确定功能节点,会提前设置对应功能的服务器或者边缘装置,从而调节更加快速。不同层级的仿真网络进行不同层级的认证,这种方式下,因为存在不同的层级,就会形成一种按需设置层级的系统,交通事故数据优先度高,设置更高的层级,设置更快的数据传输方式,这样在仿真网络中,就会更快进行紧急救援。进而最后构成整体的分布式仿真网络。
作为一种可能的实施方式,所述方法还包括:
创建交通数据库,并初始化交通数据库的目标数据;其中,
所述交通数据库包括多个子数据库,每个子数据库对应一个交通数据的数据源;
在交通数据库的数据输入端设置数据缓冲区域;
在数据缓冲区域设置交通数据的识别采集编码程序;其中,
识别采集编码程序用于对不同数据源的交通数据进行识别,确定数据信息;其中,
数据信息包括数据类型、数据采集设备信息、数据采集位置信息和数据内容;
采集编码程序还用于根据数据信息,进行数据编码,并在编码后通过编码匹配确定不同交通数据对应的子数据库。
如附图3所示,本发明创建的交通数据库会初始化交通数据,然后通过不同的子数据库存储不同数据源的数据,进而保证数据容易进行调度。而数据编码之后的存储,是的数据容易进行存储,而且是定点存储,能够和子数据库相对应。
本发明的数据库在进行数据存储的时候,当数据源的数据传输至交通数据库中时,会进行编码存储。例如:视频数据,一段交通事故的数据传输至交通数据库的时候,因为,交通数据库初始化了,所以没有其它的数据,属于一个空数据库,这个空数据库的数据缓冲区域存在识别采集编码程序,对交通数据进行预处理,这个预处理包括,场景识别,判断数据类型,通过数据源设备,判断数据的采集信息和采集位置,然后进行视频数据的文本化,文本化之后生成编码信息,在生成编码信息之后通过识别采集编码程序进行编码;因为编码过程中,数据类型、数据采集设备信息、数据采集位置信息和数据内容,除了数据类型,相同数据源,相同采集设备和相同数据类型的数据都可以进行匹配识别,便于更快的找到目标子数据库。
作为一种可能的实施方式,所述数据编码包括:
通过数据类型,在交通数据库进行类型匹配,获取第一编码;
通过数据内容,在交通数据库进行内容匹配,获取第二编码;
通过数据采集设备信息和数据采集位置信息,确定数据源特征;
通过数据源特征在预设的编码字节范围内进行特征聚类,并在聚类后生成聚类编码;
将第一编码作为编码头,将第二编码作为编码尾,并在编码头和编码尾中加入聚类编码,生成数据编码。
在编码的过程中,数据类型是第一编码,例如:我们将数据类型编码为0214,数据内容进行编码,编码为:0001、0002、0003......;当存在多个数据源,数据源特征需要进行特征聚类,便于在识别精准的情况下,能够保证数据的常规编码不会过长,便于进行快速匹配。相对于现有技术,本发明的可以实现快速找到不同类型,不同数据源的交通数据存储的子数据库,实现快速的数据存储,不与现有技术中需要云端辅助进行数据存储。
作为一种可能的实施方式,所述方法还包括:
根据交通数据的数据源,确定多个数据采集设备;
根据多个数据采集设备,确定其连接的网络设备,并确定其对应的第一拓扑结构;其中,
网络设备包括数据网关、路由设备和数据服务器;
判断多个数据采集设备的第一拓扑结构之间是否存在连接有相同的网络设备和路由设备;
当存在连接有相同的网络设备和路由设备时,根据不同网络设备和路由设备连接的数据采集设备的数量,进行交通数据分层,生成基于采集设备密集度的第一分层拓扑结构,并确定每层拓扑结构中连接的硬件设备的功能信息;
当没有连接相同的网络设备和路由设备时,计算不同数据源的数据权重,基于数据权重进行交通数据分层,生成基于采集设备权重的第二分层拓扑结构,并确定每层拓扑结构中连接的硬件设备的功能信息。
可选的,通过交通数据的数据源信息,能够判断每个数据源对应的数据采集设备,数据采集设备不限于视频采集设备、声音采集设备和导航设备等数据采集设备和网络设备连接,构成子拓扑结构,子拓扑结构中,每个数据采集设备可能连接多个网络设备,或者多种网络设备。可选的本发明会设置网络设备或路由设备连接的数据采集设备的数量,例如:数据采集设备连接的网络设备超过10个属于第一分层拓扑结构的高流量层,带宽和流量都比较充足,在充足的情况下会更少的出现网络资源分配不均、数据采集设备连接的网络设备在10个以下5个以上,属于中流量层,而低于5个网络设备时,就属于低流量层。可选的当没有连接相同的网络设备和路由设备时,也就是每个数据采集设备连接的都是单独的网络设备和路由设备,此时,因为数据采集设备都是单独连接网络设备和路由设备,其就具有单独的网络资源,此时,不可能以数量划分,因为数据采集设备连接的网络设备和路由设备都是唯一的,数量都是1,就不能以数量划分第一分层拓扑结构;可选的,就会以权重来生成第二分层拓扑网络,也就是数据的重要程度进行拓扑结构的分层,对于权重高的数据,就分配更多的网络资源。可选的,权重的计算方式是通过设备量化得到,在实施过程中,会对每个数据采集设备进行量化,建立量化矩阵,在这个量化矩阵中,每个数据采集设备,也就是数据源都具有对应的量化值,包括其本身设备采集的数据类型的量化值;其数据采集设备采集的数据量的量化值,以及数据源对应的数据采集设备的岗位贡献度,岗位贡献度和数据采集设备的位置,数据采集设备调用次数,数据采集设备连接的网络设备的数量等,通过数据类型的量化值、数据量的量化值和岗位贡献度,这三个值在量化矩阵都具有对应分数,通过每个数据源最终分数,来确定数据权重。在权重确定之后,相同权重的数据采集设备在第二分层拓扑结构属于同一层;基于权重值的大小分层,构成第二分层拓扑结构。
作为一种可能的实施方式,所述方法还包括:
确定仿真网络的拓扑结构不同数据采集设备连接的网络设备的设备数量、数据传输量和数据权重;
通过设备数量,确定第一分层向量参数;
通过数据传输量,确定第二分层向量参数;
通过数据权重,确定第三分层向量参数;
通过第一分层向量参数、第二分层向量参数和第三分层向量参数构建交通数据的自适应流程图谱;
预先设置图谱区间,并在自适应流程图谱进行区间标注;其中,
图谱区间按照不同分层向量的优先级确定;
根据区间标注,设置交通仿真网络层级。
可选的,划分仿真网络层级可以根据不同数据采集设备的优先级进行设备网络资源调度;第一分层向量参数是通过不同数据采集设备通过连接的网络设备的重要程度的权重确定,连接的网络设备越多,重要程度越高,权重越高;第二分层向量参数是通过传输的数据量和设备重要程度确定,传输的数据越多,而且设备越重要,权重越高;数据权重是不同数据采集设备本身采集的数据权重,例如:车祸视频数据的数据权重高于堵车视频数的数据权重。自适应流程图谱为分层图谱,按照交通数据传输的流程和交通网络的调度流程进行分层显示数据,图谱区间是按照不同的分层向量的最高权重和最低权重设置的区间,区间标注用于标注每个交通数据的重要程度,通过区间标注,设置的交通仿真网络,能够将紧急事件的快速传输至交通调度的智慧中心。例如:在一个实施案例中,因为暴雨天气导致出现多车连撞的重大交通事故,多车连撞的事故数据属于优先度较高的事故,其属于交通仿真网络的最高优先级。
作为一种可能的实施方式,所述方法还包括:
定义不同功能节点为一个功能集群,并设置功能集群的功能控制器;
通过功能控制器,设置不同功能的私有区块链;
通过私有区块链和功能控制器设置每个功能节点的功能公钥;
将功能公钥部署至对应的交通网络层级的公共区块;
在公共区块设置不同功能节点的功能权限认证,通过功能权限认证,进行功能节点控制和数据调取。
可选的,在一个实施案例中,对于交通网络需要交通的多点监控功能,例如:违章抓拍、事故信息采集、交通流量统计和红绿灯自动智能配时;这些功能会在功能集群之后通过一个功能控制器进行控制,不同功能具有私有区块链,其私有区块链是为了记录功能调度信息,功能公钥部署在公共区域,公钥的作用是为了修改和调取功能节点的执行指令和运行数据。公钥只能被有权限的部门或者管理员使用,所以需要进行不同功能节点的功能认证,也就是在取用公钥的时候,对应管理员或者平台是需要有权限。例如:交通规划局需要调度交通流量统计信息,其需要有调度交通流量统计的数据采集设备的功能权限,在其拥有权限后,才能取用公钥控制对应的数据采集设备。
作为一种可能的实施方式,所述方法还包括:
设置第一仿真网络,采集识别交通数据中的场景特征;其中,
场景特征包括:路线分布特征、车辆分布特征和监控设备分布特征;
设置第二仿真网络,基于预先设置的交通网络功能配置方案,在第一仿真网络中设置功能节点;
设置第三仿真网络,在第三仿真网络上设置交通数据的更新接口和数据传输接口的中枢节点;
融合第一仿真网络、第二仿真网络和第三仿真网络,生成分布式交通仿真网络,并通过更新接口对分布式交通仿真网络的实时交通数据进行实时同步更新。
可选的,本发明的交通仿真网络分为三个叠加网络,分别进行数据采集、功能控制和数据接口配置。第一仿真网络通过场景特征,实现交通数据的全景采集,实现交通路线的全面监督;能够进行导航,监测车辆和路线,确定路线现状;第二仿真网络通过第一仿真网络确定了交通全景信息,确定了不同数据采集设备和交通仿真设备的地点,进而通过预先设置的交通网络功能配置方案,预先设置的交通网络功能配置方案包括但不限于交通路口的违章抓拍配置方案,交通路线的实时车流量监控配置方案、交通事故的实时场景采集配置方案、公共交通路线的实时紧急事故接通功能配置方案等;融合第一仿真网络、第二仿真网络和第三仿真网络,可以进行数据的实时采集并能够。在需要增加新的功能时,通过设置对应的接口,或者更新接口的功能特性就可以实现不同数据的传输。
作为一种可能的实施方式,所述方法还包括:
在分布式交通仿真网络中构建分布式任务触发系统;
通过分布式任务触发系统识别交通数据中的目标事件;其中,
目标事件包括:堵车事件、车祸事件和道路紧急疏通事件;
通过目标事件和分布式交通仿真网络,设置基于交通资源调度的仿真任务;其中,
通过仿真任务,按照预先配置的任务事件处理算法将在仿真网络中生成处理策略调度流,并调用仿真网络进行策略预演;
通过策略预演,进行目标事件处理。
可选的,本发明还设置有分布式任务触发系统,用于确定识别交通数据中的目标事件,仿真任务为流量配置任务、带宽配置任务、数据调用任务和定位直播任务,即时通信任务。对于出现的目标事件,本发明能够实现预演,从而进行事件处理。任务事件处理算法时通过历史中的目标是事件作为模板生成的一种快速处理目标事件的策略出具算法,任务事件处理算法通过大数据和人工智能算法融合得出。
作为一种可能的实施方式,所述方法还包括:
对当前交通数据进行数据预处理;其中,
预处理包括:数据整合、数据清洗、数据统计、数据标注、数据替换和数据归一化;
通过历史交通数据对预处理后的交通数据进行数据增强;其中,
数据增强包括:数据缺失效验和数据补充;
通过预训练的遗传算法对增强过的数据进行细粒度分类;
在细粒度分类之后,对每一细粒度的交通数据采用数据补充的方式,融合当前交通数据和历史案例数据,生成交通数据的精确识别信息。
可选的本发明会对交通数据进行预先处理,预先处理包括数据整合、数据清洗、数据统计、数据标注、数据替换和数据归一化,预先处理时用于在交通数据调度时,消除数据中的无效数据,对重要数据进行标注等,遗传算法是一种通用算法,可以实现交通数据的高细粒度分类,用于实现交通数据的精确识别和精确分析。实现对交通数据的快速划分。
作为一种可能的实施方式,所述方法还包括:
预先设置云端交互服务器,并通过云端交互服务器连接分布式交通仿真网络;
在云端交互服务器中构建交通语音识别机制、图像同步识别机制、交通数据动态分析机制;
通过交通语音识别机制对交通数据进行处理,生成语音知识图谱;
通过图像同步识别机制对交通数据进行处理,生成视图知识图谱;
通过交通数据动态分析机制对交通数据进行处理,生成交通动态变动知识图谱;
配置基于语音知识图谱、视图知识图谱和交通动态变动知识图谱的任务快速检索引擎;其中,
任务快速检索引擎与语音知识图谱、视图知识图谱和交通动态变动知识图谱对接,并建立有独立数据传输通道;
语音知识图谱、视图知识图谱和交通动态变动知识图谱分别设置有数据相关性算法,并通过数据相关性算法对同一数据快速互通检索。
可选的,在交通数据的快速调度过程中,处理实现高细粒度的数据分类,还需要快速的进行检索调度出来,本发明将交通数据划分成为了高细粒度数据,也就导致交通数据的体量比较大,普通的检索引擎无法快速检索到。因此本发明设置了三位一体的知识图谱进行快速的高效的交通数据的知识图谱,在进行知识图谱中分别快速检索到;任务快速检索引擎可以输入语音信息的快速检索、图像信息快速检索和文字信息快速检索;并在输入任意快速检索信息时,通过数据相关性算法,三个知识图谱同步进行检索查询对应的交通数据,并通过独立数据传输通道进行数据调取传输。例如:发生交通事故时,可以通过文字、图像和语音进行查询对应的事故数据,当输入文字信息查询事故数据时,文字信息通过相关性算法转化为视图信息、语音信息进行快速检索,通过检索出来的信息通过相关性算法,查询对应的交通动态变动信息和视图信息语音信息进行同步输出。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,包括:
确定当前交通数据的数据源,并基于数据源配置仿真网络的拓扑结构和功能节点;
设置交通仿真网络层级,并将不同的功能节点在对应的交通网络层级上进行认证;
根据认证结果和拓扑结构,连接不同的功能节点,构成分布式交通仿真网络;
所述方法还包括:
根据交通数据的数据源,确定多个数据采集设备;
根据多个数据采集设备,确定其连接的网络设备,并确定其对应的第一拓扑结构;其中,
网络设备包括数据网关、路由设备和数据服务器;
判断多个数据采集设备的第一拓扑结构之间是否存在连接有相同的网络设备和路由设备;
当存在连接有相同的网络设备和路由设备时,根据不同网络设备和路由设备连接的数据采集设备的数量,进行交通数据分层,生成基于采集设备密集度的第一分层拓扑结构,并确定每层拓扑结构中连接的硬件设备的功能信息;
当没有连接相同的网络设备和路由设备时,计算不同数据源的数据权重,基于数据权重进行交通数据分层,生成基于采集设备权重的第二分层拓扑结构,并确定每层拓扑结构中连接的硬件设备的功能信息;
所述方法还包括:
确定分布式交通仿真网络的拓扑结构不同数据采集设备连接的网络设备的设备数量、数据传输量和数据权重;
通过设备数量,确定第一分层向量参数;
通过数据传输量,确定第二分层向量参数;
通过数据权重,确定第三分层向量参数;
通过第一分层向量参数、第二分层向量参数和第三分层向量参数构建交通数据的自适应流程图谱;
预先设置图谱区间,并在自适应流程图谱进行区间标注;其中,
图谱区间按照不同分层向量的优先级确定;
根据区间标注,设置分布式交通仿真网络层级。
2.如权利要求1所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述方法还包括:
创建交通数据库,并初始化交通数据库的目标数据;其中,
所述交通数据库包括多个子数据库,每个子数据库对应一个交通数据的数据源;
在交通数据库的数据输入端设置数据缓冲区域;
在数据缓冲区域设置交通数据的识别采集编码程序;其中,
采集编码程序用于对不同数据源的交通数据进行识别,确定数据信息;其中,
数据信息包括数据类型、数据采集设备信息、数据采集位置信息和数据内容;
采集编码程序还用于根据数据信息,进行数据编码,并在编码后通过编码匹配确定不同交通数据对应的子数据库。
3.如权利要求2所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述数据编码包括:
通过数据类型,在交通数据库进行类型匹配,获取第一编码;
通过数据内容,在交通数据库进行内容匹配,获取第二编码
通过数据采集设备信息和数据采集位置信息,确定数据源特征;
通过数据源特征在预设的编码字节范围内进行特征聚类,并在聚类后生成聚类编码;
将第一编码作为编码头,将第二编码作为编码尾,并在编码头和编码尾中加入聚类编码,生成数据编码。
4.如权利要求1所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述方法还包括:
定义不同功能节点为一个功能集群,并设置功能集群的功能控制器;
通过功能控制器,设置不同功能的私有区块链;
通过私有区块链和功能控制器设置每个功能节点的功能公钥;
将功能公钥部署至对应的交通网络层级的公共区块;
在公共区块设置不同功能节点的功能权限认证,通过功能权限认证,进行功能节点控制和数据调取。
5.如权利要求1所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述方法还包括:
设置第一仿真网络,采集识别交通数据中的场景特征;其中,
场景特征包括:路线分布特征、车辆分布特征和监控设备分布特征;
设置第二仿真网络,基于预先设置的交通网络功能配置方案,在第一仿真网络中设置功能节点;
设置第三仿真网络,在第三仿真网络上设置交通数据的更新接口和数据传输接口的中枢节点;
融合第一仿真网络、第二仿真网络和第三仿真网络,生成分布式交通仿真网络,并通过更新接口对分布式交通仿真网络的实时交通数据进行实时同步更新。
6.如权利要求1所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述方法还包括:
在分布式交通仿真网络中构建分布式任务触发系统;
通过分布式任务触发系统识别交通数据中的目标事件;其中,
目标事件包括:堵车事件、车祸事件和道路紧急疏通事件;
通过目标事件和分布式交通仿真网络,设置基于交通资源调度的仿真任务;其中,
通过仿真任务,按照预先配置的任务事件处理算法在分布式交通仿真网络中生成处理策略调度流,并调用分布式交通仿真网络进行策略预演;
通过策略预演,进行目标事件处理。
7.如权利要求1所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述方法还包括:
对当前交通数据进行数据预处理;其中,
预处理包括:数据整合、数据清洗、数据统计、数据标注、数据替换和数据归一化;
通过历史交通数据对预处理后的交通数据进行数据增强;其中,
数据增强包括:数据缺失效验和数据补充;
通过预训练的遗传算法对增强过的数据进行细粒度分类;
在细粒度分类之后,对每一细粒度的交通数据采用数据补充的方式,融合当前交通数据和历史案例数据,生成交通数据的精确识别信息。
8.如权利要求1所述的一种基于多源数据的多层次交通仿真网络搭建方法,其特征在于,所述方法还包括:
预先设置云端交互服务器,并通过云端交互服务器连接分布式交通仿真网络;
在云端交互服务器中构建交通语音识别机制、图像同步识别机制、交通数据动态分析机制;
通过交通语音识别机制对交通数据进行处理,生成语音知识图谱;
通过图像同步识别机制对交通数据进行处理,生成视图知识图谱;
通过交通数据动态分析机制对交通数据进行处理,生成交通动态变动知识图谱;
配置基于语音知识图谱、视图知识图谱和交通动态变动知识图谱的任务快速检索引擎;其中,
任务快速检索引擎与语音知识图谱、视图知识图谱和交通动态变动知识图谱对接,并建立有独立数据传输通道;
语音知识图谱、视图知识图谱和交通动态变动知识图谱分别设置有数据相关性算法,并通过数据相关性算法对同一数据快速互通检索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009222.0A CN115083168B (zh) | 2022-08-23 | 2022-08-23 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211009222.0A CN115083168B (zh) | 2022-08-23 | 2022-08-23 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115083168A CN115083168A (zh) | 2022-09-20 |
CN115083168B true CN115083168B (zh) | 2022-11-11 |
Family
ID=83244828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211009222.0A Active CN115083168B (zh) | 2022-08-23 | 2022-08-23 | 一种基于多源数据的多层次交通仿真网络搭建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115083168B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI820929B (zh) * | 2022-09-27 | 2023-11-01 | 中華電信股份有限公司 | 人工智慧交通資訊預測系統、方法及電腦可讀媒介 |
CN115688494B (zh) * | 2023-01-04 | 2023-04-25 | 北京云庐科技有限公司 | 数据处理方法、装置、电子设备及计算机可读取存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376149A (zh) * | 2014-10-27 | 2015-02-25 | 国家电网公司 | 一种基于配电台区实时在线拓扑仿真方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8024481B2 (en) * | 2000-04-17 | 2011-09-20 | Circadence Corporation | System and method for reducing traffic and congestion on distributed interactive simulation networks |
CN103412975B (zh) * | 2013-07-11 | 2016-10-05 | 吴建平 | 动态交通仿真平台及其仿真方法 |
CN105430707B (zh) * | 2015-11-03 | 2019-01-11 | 国网江西省电力科学研究院 | 一种基于遗传算法的无线传感网多目标优化路由方法 |
CN105606977B (zh) * | 2016-03-11 | 2019-04-19 | 华乘电气科技(上海)股份有限公司 | 基于分层规则推理的局部放电prps图谱识别方法及系统 |
CN108234169B (zh) * | 2016-12-15 | 2021-02-12 | 北京仿真中心 | 一种分布式仿真网络结构实时动态优化方法 |
DE102019111790A1 (de) * | 2019-05-07 | 2020-11-12 | Dspace Digital Signal Processing And Control Engineering Gmbh | Computerimplementiertes Verfahren zur Umstrukturierung eines vorgegebenen verteilten Echtzeit-Simulationsnetzwerks |
CN112037539B (zh) * | 2020-07-31 | 2021-11-16 | 银江技术股份有限公司 | 一种用于饱和城市交通网络的信控方案推荐方法及系统 |
US20220083027A1 (en) * | 2020-09-16 | 2022-03-17 | Rockwell Automation Technologies, Inc. | Industrial network emulation |
CN112818071A (zh) * | 2021-02-09 | 2021-05-18 | 青岛海信网络科技股份有限公司 | 一种基于统一路网的交管领域知识图谱构建方法及装置 |
CN113920739B (zh) * | 2021-10-29 | 2023-05-23 | 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 |
CN114125775A (zh) * | 2021-11-30 | 2022-03-01 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种基于区块链的路车节点可信网络搭建与共识方法 |
CN114238542A (zh) * | 2021-12-24 | 2022-03-25 | 魏存可 | 多源交通gis路网多层级实时融合更新方法 |
CN114443303A (zh) * | 2022-01-26 | 2022-05-06 | 深圳壹账通科技服务有限公司 | 资源分配方法、装置、设备及介质 |
-
2022
- 2022-08-23 CN CN202211009222.0A patent/CN115083168B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104376149A (zh) * | 2014-10-27 | 2015-02-25 | 国家电网公司 | 一种基于配电台区实时在线拓扑仿真方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115083168A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115083168B (zh) | 一种基于多源数据的多层次交通仿真网络搭建方法 | |
CN110378824B (zh) | 一种公安交管数据大脑及构建方法 | |
Nama et al. | Machine learning‐based traffic scheduling techniques for intelligent transportation system: Opportunities and challenges | |
CN107274667A (zh) | 城市交通智能管控系统联网联控框架及实施方法 | |
WO2018141403A1 (en) | System, device and method for managing traffic in a geographical location | |
Guangwei et al. | Optimization of adaptive transit signal priority using parallel genetic algorithm | |
CN116758744B (zh) | 基于人工智能的智慧城市运维管理方法、系统及存储介质 | |
CN113257016B (zh) | 一种交通信号控制方法、装置以及可读存储介质 | |
CN115050177A (zh) | 一种基于时空多头注意力机制的高速公路拥堵预测方法 | |
KR102101991B1 (ko) | 고속도로 교통 제어 시스템 | |
US11176816B2 (en) | Intelligent cloud traffic control system and traffic control method | |
CN113920739A (zh) | 基于信息物理融合系统的交通数据驱动框架及构建方法 | |
CN113763713A (zh) | 一种路网瓶颈路段发掘与管理方法及装置 | |
CN116543563A (zh) | 一种基于云计算和深度学习的数据分析方法 | |
CN105719313A (zh) | 一种基于智能实时视频云的运动目标跟踪方法 | |
CN115529351A (zh) | 一种基于区块链的智慧城市管理系统 | |
Garcia et al. | A smart peri-urban I2V architecture for dynamic rerouting | |
CN113963538A (zh) | 基于数据自流动的智慧公路信息物理系统 | |
Sankaranarayanan et al. | Partition tolerant collaborative gateway architecture for interoperable ITS applications | |
Kutlimuratov et al. | TRAFFIC MANAGEMENT WITH ARTIFICIAL INTELLIGENCE | |
Balamurugan et al. | The future of India creeping up in building a smart city: intelligent traffic analysis platform | |
CN101111862B (zh) | 用于智能交通事故管理的方法和系统 | |
Titouna et al. | Qualitative fusion-based traffic signal preemption | |
KR102594588B1 (ko) | 교통정보센터 상황실의 상황판을 통한 cctv 영상 표출 시스템 및 방법 | |
CN118015820A (zh) | 基于星地协同的交通管制方法及系统 |
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 |