CN115359655A - 一种基于层次聚类算法的高速公路监测系统 - Google Patents
一种基于层次聚类算法的高速公路监测系统 Download PDFInfo
- Publication number
- CN115359655A CN115359655A CN202210928417.9A CN202210928417A CN115359655A CN 115359655 A CN115359655 A CN 115359655A CN 202210928417 A CN202210928417 A CN 202210928417A CN 115359655 A CN115359655 A CN 115359655A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- layer
- highway
- hierarchical clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000007726 management method Methods 0.000 claims abstract description 24
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000007499 fusion processing Methods 0.000 claims description 2
- 208000027744 congestion Diseases 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 238000010276 construction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于层次聚类算法的高速公路监测系统，依次包括数据源层、数据采集层、数据融合层、数据存储层、数据分析层和数据应用层，数据分析层用于计算交通数据中处于同一种路况状态下多个数据样本中每个数据样本不同属性的权重系数，基于权重系数并采用基于加权欧式距离的层次聚类算法对各个数据样本进行计算分析，得到实时交通拥堵路段和交通事故多发路段的聚类结果，数据应用层基于聚类结果发布交通路况信息以实现高速公路智能化监测。本发明能够为高速公路管理部门提供高速运行工作的辅助决策支持，实现高速路况的实时精确掌握。
Description
技术领域
本发明涉及智慧高速公路技术领域，具体涉及一种基于层次聚类算法的高速公路监测系统。
背景技术
随着我国经济社会的全面发展，我国汽车保有量不断提高，随之而来的是高速公路拥堵问题愈发严重，不仅对公众日常出行造成了不便，同时也会导致发生交通事故的概率提升，影响道路交通安全，威胁人民群众生命财产安全。
为了保障高速公路运行的安全稳定和高效，高速公路管理单位需要实现对高速公路的运行状态的全时、全域、全方位监测工作，针对事故多发路段、交通拥堵路段等安全风险较高的地点进行实时监控，进行信息发布、事故处理预案、交易疏导等工作。
目前高速公路管理部门主要通过视频监控手段辅以车辆流量检测器进行高速公路道路监控。但是一个视频监控设备的监控区域最多延伸2公里，对于动辄管辖上千公里路段的高速公路管理单位来说，监控区域局限性较大，不能实现全面性监控。同时，相邻两个汽车流量检测器的一般间距在十几公里、几十公路甚至更远，数据采集的频次和时效性、采集密度均不能达到实时监控的要求。
而以高德、百度为代表的互联网厂家，基于大量手机客户端用户进行GPS浮点数据采集，根据用户手机信号基站定位数据推算同一路段内的汽车流量，初步实现了高速公路的拥堵情况分析，为管理单位提供了一定帮助。但是浮点数据采集需要广泛用户做支撑，任意一家厂商难以做到全面覆盖所有用户，同时如果一辆车上多位用户同时打开多个客户端，会对数据采集的精度造成影响，容易导致对实际路况的误判。
上述情况意味着目前高速公路管理单位的监控手段无法抓住重点，以及实现不了路网情况的动态实时掌握，而随着高速公路管理工作信息化建设的不断推进，在高速公路运营过程中源源不断地产生了大量反映高速公路路网运行状态的数据，包括机电设备采集数据、业务数据、视频图像等等，这些数据初步形成了高速公路管理运营大数据的基础。但是这些数据分散于不同的应用系统，同时由于这些应用系统的建设时间、建设目标的不同，导致数据从结构、形态以及质量上都存在着一定的割裂性。
因此，为了将高速公路运营数据进行大数据生态整合，充分挖掘和分析，并以可视化、可理解的形式实现高速公路监测应用，迫切需要建立一种高速公路监测系统。
发明内容
本发明针对现有高速公路监控过程中存在的数据采集的频次、时效性和采集密度不能达到实时监控的要求，对实际路况的误判，以及不能实现全面性监控等问题，提供一种基于层次聚类算法的高速公路监测系统，通过将存在于不同类型的交通信息化系统中的交通数据进行融合及处理，并采用改进的基于加权欧式距离的层次聚类算法进行高速公路多发事故区域的交通态势计算，根据计算结果得到高速路网安全隐患路段和拥堵易发路段的位置，并通过信息发布、视频监控等手段实现高速公路智能化管理，能够为高速公路管理部门提供高速运行工作的辅助决策支持。
本发明的技术方案如下：
一种基于层次聚类算法的高速公路监测系统，其特征在于，所述系统依次包括数据源层、数据采集层、数据融合层、数据存储层、数据分析层和数据应用层；
所述数据源层从不同类型的交通信息化系统中提取出用于反应高速公路路网运行状态的交通数据，所述数据采集层针对不同类型的交通信息化系统分别采用不同的接入策略和采集方式将数据源层中的交通数据采集到数据融合层，所述数据融合层通过数据处理技术对采集的交通数据中的异常数据进行融合及处理，所述数据存储层用于将融合及处理后的交通数据存储到数据库中进行保存，所述数据分析层用于计算交通数据中处于同一种路况状态下多个数据样本中每个数据样本不同属性的权重系数，基于权重系数并采用基于加权欧式距离的层次聚类算法对各个数据样本进行分析计算，得到实时交通拥堵路段和交通事故多发路段的聚类结果，所述数据应用层基于聚类结果发布交通路况信息以实现高速公路智能化监测。
优选地，所述数据分析层中，所述权重系数的计算包括：
计算交通数据中多个数据样本的标准差和样本均值，根据标准差和样本均值计算出每个数据样本在同一种路况状态下的占比系数，根据占比系数计算出各个数据样本不同属性的权重系数。
优选地，所述数据分析层中，还对融合及处理后的交通数据进行实时统计分析，得到高速公路常发性拥堵与偶发性拥堵的规律。
优选地，所述交通信息化系统包括高速公路联网收费系统、高速公路视频监控系统、高速公路治超系统、高速公路收费稽查系统、高速公路养护管理系统和高德地图路况系统。
优选地，所述数据融合层中，所述数据处理技术包括数据预处理、数据属性处理、数据态势处理、数据预测处理和数据优化处理；
所述数据预处理包括数据过滤、数据修正和数据平滑；所述数据属性处理是对各类不同来源的交通数据进行相互关联以获得相似属性；所述数据态势处理是对交通数据在各时间段内的不同表现事件进行相关性分析，评估交通数据在相同工作环境下的前后关系；所述数据预测处理是通过对当前形势预测来进行事件预测；所述数据优化处理是对正在进行的融合过程进行评估并对下一步处理过程提供优化建议。
优选地，所述交通数据包括实时交通数据和历史交通数据。
优选地，所述数据存储层采用Tdengine时序数据库存储时序空间数据，采用Hadoop分布式数据库存储业务数据，并使用Kafka集群实现消息队列。
优选地，所述数据采集层中，所述接入策略包括实时接入、全量同步和增量抽取。
优选地，所述数据采集层中，所述采集方式包括API接口、文件传输和中间库。
本发明的技术效果如下：
本发明提供一种基于层次聚类算法的高速公路监测系统，依次包括数据源层、数据采集层、数据融合层、数据存储层、数据分析层和数据应用层，各层设置特定结构，通过提取各类高速公路交通信息化系统中的交通数据，并对其进行综合处理及融合分析，生成更加贴近路网实际运行状态的路况信息，将高速公路路网常态管理和服务与应急条件下的特殊需求有机融合在一起，实现了高速公路重点区域的可视化管理，有效提高了高速公路运行状态的动态监测效能，且提高了数据的准确率和平滑度。并采用改进后的基于加权欧式距离的层次聚类算法进行高速公路多发事故区域的交通态势计算，以融合及处理之后的数据流串联业务线，实现高速路况的实时精确掌握(拥堵等级、拥堵长度和拥堵时长的分析)，根据计算结果得到高速公路事故多发区域和交通拥堵路段的位置，汇总形成道路安全高风险路段，自动调用附近道路摄像机进行实时监控，并通过系统对公众发布相关出行安全信息。该系统将高速公路交通数据进行大数据生态整合，充分挖掘和分析，并以可视化、可理解的形式实现高速公路监测应用，具有重要的现实意义。本发明使用的数据融合方法和改进的基于加权欧式距离的层次聚类算法在高速公路监控领域属于大数据分析拓展应用，具有一定先进性，且使用方便，部署方式简单快捷，支持跨平台部署，无需安装客户端，使用浏览器就可以进行系统访问，操作简单，对用户友好，同时支持对接多种高路公路视频监控系统、机电系统。本系统针对高速公路实时运行状态进行分析研判，准确性高，根据数据比对发现，实时路况数据准确率提升了30％，重点区域的事故发现及时率提高了20％，达到了系统为管理部门提供高速公路管理决策的科学手段，满足高速公路管理部门的日常监控需求，实现了为公众提供安全、畅通、便捷、舒适的高速公路出行服务的目标。
附图说明
图1是本发明基于层次聚类算法的高速公路监测系统的流程图。
图2是本发明基于层次聚类算法的高速公路监测系统的结构框图。
图3是本发明数据融合层中数据处理技术的优选结构框图。
图4是本发明层次聚类算法的流程图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及一种基于层次聚类算法的高速公路监测系统，该系统的流程如图1所示，依次包括数据源层、数据采集层、数据融合层、数据存储层、数据分析层和数据应用层，各层相互协同工作实现高速公路风险识别及道路监控。
高速公路各类交通数据存储在不同的高速公路交通信息化系统之中，需要将这些交通数据通过系统API接口实现自动抽取，实时汇聚到本发明系统之中，如图2所示，本发明系统的基础数据源层通过统一的数据采集平台从不同类型的交通信息化系统中提取出用于反应高速公路路网运行状态的交通数据。优选地，交通信息化系统包括高速公路联网收费系统、高速公路视频监控系统、高速公路治超系统、高速公路收费稽查系统、高速公路养护管理系统和高德地图路况系统等，从各系统中提取相应的结构化、半结构化、非结构化的交通数据。
本发明系统的数据采集层将不同类型、不同结构、不同来源的交通数据，做分化个性处理，针对不同类型的交通信息化系统分别采用不同的接入策略和采集方式将数据源层中的交通数据采集到数据融合层。具体地，采集组件利用kafka集群的方式将交通数据保存至消息队列中，从各个交通信息化系统中拉取数据。优选地，接入策略包括实时接入、全量同步和增量抽取，采集方式包括API接口、文件传输和中间库。
数据在采集过程中由于受到随机性或突发性因素影响，不可避免地会出现数据质量问题。如果对这些问题数据不加以过滤、修正和平滑处理，势必会引起后续更多的数据质量问题。
本发明系统的数据融合层通过数据处理技术对采集的交通数据中的异常数据进行融合及处理，优选地，数据处理技术包括数据预处理、数据属性处理、数据态势处理、数据预测处理和数据优化处理，具体地，
如图3所示，Level 1数据预处理包括数据过滤、数据修正和数据平滑，其中，数据过滤：对历史交通数据进行分析和判断，对于严重失真的交通数据采用过滤的方式进行处理；数据修正：对缺失的交通数据，采用对应时间段的历史交通数据进行相似性计算之后补全。数据平滑：对于异常的交通数据，直接采用删除异常值的方法进行平滑处理。
Level 2数据属性处理：对各类不同来源的交通数据进行相互关联以获得相似的属性，可以获得数据用途区分(主要有实时路况分析、多发事故区域分析两个方向)和数据趋势区分两种结果。
Level 3数据态势处理：对交通数据在各个时间段内的不同表现事件进行相关性分析，评估交通数据在相同工作环境下的前后关系，排除态势明显不同的错误数据。
Level 4数据预测处理：对当前形势进行预测来进行事件预测，比如在高速公路领域内，假定没有突发交通事件的发生，一个地点的交通状况变化与其过去是具有连续性的，依据这个可以对数据进行预测修正。
Level 5数据优化处理：对正在进行的融合及处理过程进行评估并给下一步处理过程提供建议，比如数据处理的优先度，数据修正的权重比例等。
高速公路中不同类型的交通信息化系统中的交通数据按照表1所示高速各类数据模型治理规则进行数据治理。
表1
本发明系统的数据存储层用于将融合及处理后得到的标准化、精细化的各类反应路网运行状况的交通数据存储到数据库中进行保存，并建立不同的专题库，相同内容的数据根据不同的处理要求会用不同的数据库进行存储。如图2所示，包括数据仓库、分布式数据库和时序数据库，通过采用TDengine时序数据库存储时序空间数据，采用Hadoop分布式数据库存储海量业务数据，采用HDFS存储各类非结构化数据。此外，部分业务数据采用MySql存储，使用Kafka集群将交通数据保存到消息队列中，提供服务的各组件以IOC方式粘合，基于高速路网收费、路政、养护、服务区、交调、气象等多源异构数据的清洗、抽取、挖掘，分析处理形成数据仓库。
本发明系统的数据分析层按照高速交通路网监测的分析要求对融合及处理后得到的标准化、精细化的各类反应路网运行状况的交通数据进行实时统计分析，根据分析结果发现，高速公路的常发性拥堵与偶发性拥堵相比，具有规律性的特点。其中，规律性指的是交通拥堵的发生时间和地点具备可预测性，具有一定的线性关系，可以通过一定的规律进行提前预测。例如通常在高速公路入口匝道等瓶颈路段处和车流高峰期容易出现交通拥堵情况。可以理解的是，这类常发性事件可以通过一些机器学习算法进行分析。
数据分析层，也可称为是算法分析层，采用层次聚类算法(或称为层次聚类分析算法)作为模型基础，并根据交通行业的数据特征对模型进行改进。将历史交通数据中的交通拥堵数据、交通事故数据、气象灾害数据、交通管制数据等作为交通参数作为算法的输入，期望输出交通路况状态和多发事故区域来为高速管理者提供决策意见。
具体地，如图4所示，改进后的基于加权欧式距离的层次聚类算法的高速公路交通状态的判别流程由数据准备模块、聚类模块和决策模块三个模块实现，其中，
数据准备模块：将融合及处理后的交通数据作为数据分析的交通参数进行输入，数据融合及处理不仅仅是对初始数据进行平滑、修正、预测等处理，也将系统内各类数据的属性进行数字化表达以及标准化处理，为下一步通过层次聚类算法进行数据分析打下了基础。具体地，交通数据主要有交通流量、交通事件等，对其进行分析前的预处理，最终将预处理后的数据作为算法变量的输入；
聚类模块：层次聚类算法的基础是先将每一个样本各自分到一个类中，然后将相聚最近的两类合并，建立一个新的类，重复次操作，直到满足停止条件，得到层次化的类别。
在传统的层次聚类算法应用之中，计算样本间欧式距离的时候，数据样本的各个属性的权重相同，而在交通领域中，不同的数据属性在做数据分析的时候，权重有所区别。比如在进行路况分析的时候，道路车流量、车速、占有率等数据的重要性要大于异常气象、突发交通事件等交通属性。为了解决这一问题，本发明系统采用了基于加权欧式距离的层次聚类算法。
具体地，首先对交通数据中每个数据样本在同一种路况状态下的占比系数进行计算。选取若干处于同一种路况状态下的高速运行数据样本，计算每个数据样本的标准差和样本均值，其中，n个数据样本[x1,x2,x3,…xn]的样本均值X按照下式进行计算：
上式中，n为数据样本数量，x为样本数据值，i为数据样本序号。
每个数据样本的标准差S按照下式进行计算：
上式中，n为数据样本数量，x为样本数据值，i为数据样本序号。
然后，根据标准差和样本均值计算出每个数据样本在同一种路况状态下的占比系数D，占比系数D按照下式进行计算：
对于每个数据样本xi，均有[y1,y2,y3,…ym]个不同的属性，那么每个属性的权重系数Q为：
上式中，j为数据样本的属性序号，m为数据样本的属性数量。
其中，Qj的值越大，则该属性yj在数据样本xi中的重要性就越高。
在得到每个数据属性的权重系数Q后，使用基于加权(即权重系数)欧式距离的层次聚类算法对各个数据样本进行分析计算：
输入：n个数据样本组成的高速运行数据集；
输出：对数据样本的5个层次化聚类结果。
算法步骤：
1)计算n个样本之间两两之间的加权欧式距离；
2)构造n个类，每个类只包含一个样本；
3)合并不同类间加权欧式距离最小的两个类，构建一个新的类；
4)计算新的类与当前各类的距离，若类的个数为5，终止计算，否则回到上一步。
本发明系统参考交通部对于路网运行状态的定义，按照高速公路管理部门日常监控业务需求，将高速公路路况划分为畅通、缓行、轻度风险、中度风险和严重风险五个等级，因此上述层次聚类算法输出5个层次聚类结果。对路网各类交通数据按照表2高速公路风险等级定级的状态标准进行分析处理。
表2
在数据融合之后，本发明系统使用改进的层次聚类算法进行数据分析，根据算法预期输出五种不同的交通路况状态，选取k值为5，并结合数据融合结果确定5个初始数据簇中心，在进行多次迭代计算之后，得到高速路网实时运行风险指数等级数据。
其中，路网运行风险指数k越低意味着该路段车辆较少、历史事故率较低，当前发生交通事故和拥堵概率非常低，可以采用抽检或者巡检的方式对高速公路进行视频监控；路网运行风险指数越高意味着该路段车流量较大、历史事故率较高，当前发生交通事故和拥堵概率较高，需要进行重点关注，进行全天候的实时道路监控方式进行监测。同时，高速公路管理单位基于计算结果发布交通路况信息，提醒社会公众合理安排出行，避开安全风险较高路段，并针对安全指数较低路段提前制定交通疏导和管制预案。
决策模块：高速公路交通状态的判别是根据样本数据属于不同类别的隶属度数据来进行的，最终形成高速公路道路安全风险识别结果。
本发明系统数据应用层通过开发web端和手机APP端软件为用户提供相应服务，将数据分析层中分析得出的数据聚类结果应用到具体的业务领域之中，主要通过GIS、ECharts和I-VUE等客户端技术实现交通路况信息的发布以实现高速公路智能化监测。
具体地，用户通过终端浏览器和安装手机APP的方式访问本发明所述系统，主要提供的业务应用包括实时路况展示、拥堵风险识别提醒、多发事故区域监控、道路风险指数、信息发布等多个路网运行监测应用，为高速公路管理者提供多样化数据服务，为用户提供了多个业务功能应用。
本发明提供了客观、科学的基于层次聚类算法的高速公路监测系统，通过将存在于不同类型的交通信息化系统中的交通数据进行融合及处理，并采用改进的基于加权欧式距离的层次聚类算法进行高速公路多发事故区域的交通态势计算，根据计算结果得到高速路网安全隐患路段和拥堵易发路段的位置等，并通过信息发布、视频监控等手段实现高速公路智能化管理，能够为高速公路管理部门提供高速运行工作的辅助决策支持。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。
Claims (9)
1.一种基于层次聚类算法的高速公路监测系统，其特征在于，所述系统依次包括数据源层、数据采集层、数据融合层、数据存储层、数据分析层和数据应用层；
所述数据源层从不同类型的交通信息化系统中提取出用于反应高速公路路网运行状态的交通数据，所述数据采集层针对不同类型的交通信息化系统分别采用不同的接入策略和采集方式将数据源层中的交通数据采集到数据融合层，所述数据融合层通过数据处理技术对采集的交通数据中的异常数据进行融合及处理，所述数据存储层用于将融合及处理后的交通数据存储到数据库中进行保存，所述数据分析层用于计算交通数据中处于同一种路况状态下多个数据样本中每个数据样本不同属性的权重系数，基于权重系数并采用基于加权欧式距离的层次聚类算法对各个数据样本进行分析计算，得到实时交通拥堵路段和交通事故多发路段的聚类结果，所述数据应用层基于聚类结果发布交通路况信息以实现高速公路智能化监测。
2.根据权利要求1所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述数据分析层中，所述权重系数的计算包括：
计算交通数据中多个数据样本的标准差和样本均值，根据标准差和样本均值计算出每个数据样本在同一种路况状态下的占比系数，根据占比系数计算出各个数据样本不同属性的权重系数。
3.根据权利要求1所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述数据分析层中，还对融合及处理后的交通数据进行实时统计分析，得到高速公路常发性拥堵与偶发性拥堵的规律。
4.根据权利要求1至3之一所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述交通信息化系统包括高速公路联网收费系统、高速公路视频监控系统、高速公路治超系统、高速公路收费稽查系统、高速公路养护管理系统和高德地图路况系统。
5.根据权利要求1至3之一所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述数据融合层中，所述数据处理技术包括数据预处理、数据属性处理、数据态势处理、数据预测处理和数据优化处理；
所述数据预处理包括数据过滤、数据修正和数据平滑；所述数据属性处理是对各类不同来源的交通数据进行相互关联以获得相似属性；所述数据态势处理是对交通数据在各时间段内的不同表现事件进行相关性分析，评估交通数据在相同工作环境下的前后关系；所述数据预测处理是通过对当前形势预测来进行事件预测；所述数据优化处理是对正在进行的融合过程进行评估并对下一步处理过程提供优化建议。
6.根据权利要求1至3之一所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述交通数据包括实时交通数据和历史交通数据。
7.根据权利要求1至3之一所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述数据存储层采用Tdengine时序数据库存储时序空间数据，采用Hadoop分布式数据库存储业务数据，并使用Kafka集群实现消息队列。
8.根据权利要求1至3之一所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述数据采集层中，所述接入策略包括实时接入、全量同步和增量抽取。
9.根据权利要求1至3之一所述的基于层次聚类算法的高速公路监测系统，其特征在于，所述数据采集层中，所述采集方式包括API接口、文件传输和中间库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210928417.9A CN115359655A (zh) | 2022-08-03 | 2022-08-03 | 一种基于层次聚类算法的高速公路监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210928417.9A CN115359655A (zh) | 2022-08-03 | 2022-08-03 | 一种基于层次聚类算法的高速公路监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115359655A true CN115359655A (zh) | 2022-11-18 |
Family
ID=84033303
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210928417.9A Pending CN115359655A (zh) | 2022-08-03 | 2022-08-03 | 一种基于层次聚类算法的高速公路监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115359655A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010012031A (ko) * | 1999-11-02 | 2001-02-15 | 최완경 | 고속도로 주행 차량 주행 속도 체크 시스템 |
| CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
| WO2019102481A1 (en) * | 2017-11-27 | 2019-05-31 | Valerann Ltd. | Depressible road marker |
| CN110197584A (zh) * | 2019-04-03 | 2019-09-03 | 中国公路工程咨询集团有限公司 | 基于区域检测器的高速公路交通状态评价方法 |
| CN110211380A (zh) * | 2019-06-04 | 2019-09-06 | 武汉大学 | 一种多源交通数据融合的高速公路拥堵区间探测方法 |
| CN112785849A (zh) * | 2021-02-24 | 2021-05-11 | 山东科技大学 | 一种高速公路拥堵状态判别和交通流管控系统及方法 |
| CN113658428A (zh) * | 2021-08-09 | 2021-11-16 | 南京美慧软件有限公司 | 一种高速公路智慧化主动管控平台 |
| CN114005276A (zh) * | 2021-10-25 | 2022-02-01 | 浙江综合交通大数据开发有限公司 | 一种基于多数据源融合的高速公路拥堵预警方法 |
-
2022
- 2022-08-03 CN CN202210928417.9A patent/CN115359655A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010012031A (ko) * | 1999-11-02 | 2001-02-15 | 최완경 | 고속도로 주행 차량 주행 속도 체크 시스템 |
| CN103646534A (zh) * | 2013-11-22 | 2014-03-19 | 江苏大学 | 一种道路实时交通事故风险控制方法 |
| WO2019102481A1 (en) * | 2017-11-27 | 2019-05-31 | Valerann Ltd. | Depressible road marker |
| CN110197584A (zh) * | 2019-04-03 | 2019-09-03 | 中国公路工程咨询集团有限公司 | 基于区域检测器的高速公路交通状态评价方法 |
| CN110211380A (zh) * | 2019-06-04 | 2019-09-06 | 武汉大学 | 一种多源交通数据融合的高速公路拥堵区间探测方法 |
| CN112785849A (zh) * | 2021-02-24 | 2021-05-11 | 山东科技大学 | 一种高速公路拥堵状态判别和交通流管控系统及方法 |
| CN113658428A (zh) * | 2021-08-09 | 2021-11-16 | 南京美慧软件有限公司 | 一种高速公路智慧化主动管控平台 |
| CN114005276A (zh) * | 2021-10-25 | 2022-02-01 | 浙江综合交通大数据开发有限公司 | 一种基于多数据源融合的高速公路拥堵预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张忠林等: "基于加权欧式距离的k-means算法研究", 《郑州大学学报(工学版)》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106297291B (zh) | 城市快速路交通信息采集系统 | |
| Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
| CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
| CN114093168B (zh) | 一种基于韧性视角下的城市道路交通运行状态评价方法 | |
| CN109242170B (zh) | 一种基于数据挖掘技术的城市道路管理系统及方法 | |
| CN106447584A (zh) | 一种面向高速公路网络运营的决策支持系统及其使用方法 | |
| CN113658428A (zh) | 一种高速公路智慧化主动管控平台 | |
| CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
| CN112668841A (zh) | 一种基于数据融合的综合交通监测系统及方法 | |
| CN111539864A (zh) | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 | |
| CN109739912A (zh) | 数据分析方法及系统 | |
| CN116503027B (zh) | 一种公路资产智能化管理系统 | |
| CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
| CN111311038A (zh) | 交通管理与控制服务指数的评价方法 | |
| Anastasiou et al. | Admsv2: A modern architecture for transportation data management and analysis | |
| CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
| CN108447257B (zh) | 一种基于Web的交通数据分析方法及系统 | |
| CN114298493A (zh) | 一种公路运行监测系统、方法、终端及存储介质 | |
| CN111353085A (zh) | 一种基于特征模型的云挖掘分析网络舆情方法 | |
| Liu et al. | An intelligent urban traffic data fusion analysis method based on improved artificial neural network | |
| CN112188478A (zh) | 基于大数据分析的常驻人口数据采集方法 | |
| CN115359655A (zh) | 一种基于层次聚类算法的高速公路监测系统 | |
| Wang et al. | Congestion prediction for urban areas by spatiotemporal data mining | |
| Sun et al. | [Retracted] Design and Analysis of Bridge Inspection System Based on Wireless Communication and Internet of Things Technology | |
| Lhouss et al. | Traffic Monitoring Using IoT And Lambda Architecture |
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 |