CN115762137A - 一种交通态势预测系统 - Google Patents
一种交通态势预测系统 Download PDFInfo
- Publication number
- CN115762137A CN115762137A CN202211317928.3A CN202211317928A CN115762137A CN 115762137 A CN115762137 A CN 115762137A CN 202211317928 A CN202211317928 A CN 202211317928A CN 115762137 A CN115762137 A CN 115762137A
- Authority
- CN
- China
- Prior art keywords
- module
- output end
- input end
- unit
- traffic
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能交通工程技术领域，具体为一种交通态势预测系统，包括数据采集单元和中央处理器，数据采集单元的输出端和无线通信模块的输入端连接，无线通信模块的输出端和中央处理器的输入端连接，中央处理器与数据信息调度单元的输入端连接。该交通态势预测系统，通过线性学习单元和交通态势预测单元的配合使用，学习预测模型对大量数据的验算训练及态势预测验算中心的向导规避模块，节省了部分人力操作的劳动量，克服了传统交通态势预测模型精度不足，难以多步预测的问题，构建具有双层注意力机制的深度学习预测模型，对路网交通对象的时空关联性进行学习，降低不必要数据信息重复计算的问题，使得交通态势多步预测结果更加准确。
Description
技术领域
本发明涉及智能交通工程技术领域，具体为一种交通态势预测系统。
背景技术
智能交通系统的主要目标是实现交通控制和交通诱导的智能化，而可靠的交通态势预测是两者能否有效实现的决定因素。即利用当前的交通数据和历史交通规律，构造可靠的预测模型，对下一时刻路网的交通流参数进行预测，预测的结果可作为交通管理部门调整交通控制方案的依据，保障交通系统稳定、高效运转；同时，可提醒车辆及时调整行驶路线，减少市民的出行延误。
中国专利公开号为CN110570651B公开了一种基于深度学习的路网交通态势预测系统，其特征在于，所述系统包括：数据获取及处理模块，用于获取交通态势预测相关数据，对数据进行预处理、静态关联处理、时间粒度统一处理，预测组团构建模块，用于识别与待预测路段拥堵具有一定相关性的相关路段，克服了传统交通态势预测模型可移植性差的问题。基于拥堵相关性分析的预测组团生成方法不依赖路网的拓扑结构，通过定位与预测对象具有强拥堵关联性的路段来构建预测模型。
但是该系统在使用中存在以下问题：
交通态势预测数据过多存在重复计算，导致不必要时间的浪费问题，及交通态势预测趋势方向的智能向导处理。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种交通态势预测系统，具备验算精准和智能向导等优点，解决了交通态势预测数据过多存在重复计算，导致不必要时间的浪费问题，及交通态势预测趋势方向的智能向导处理的问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种交通态势预测系统，包括数据采集单元和中央处理器，所述数据采集单元的输出端和无线通信模块的输入端连接，所述无线通信模块的输出端和中央处理器的输入端连接，所述中央处理器与数据信息调度单元的输入端连接，所述数据信息调度单元的输出端分别与线性学习单元和态势预测验算中心的输入端连接，所述线性学习单元的输出端和交通网格生成与储存单元的输入端连接，所述交通网格生成与储存单元的输出端和云服务的输入端连接，所述云服务的输出端和电子信息抗干扰单元的输入端连接，所述电子信息抗干扰单元的输出端和交通交汇信息终端的输入端连接，所述交通交汇信息终端包括管理端口、中心格网点和远程通讯设备，所述管理端口的输出端和中心格网点的输入端连接，所述中心格网点的输出端和远程通信设备的输入端连接。
优选的，所述数据采集单元包括数据采集模块、数据预处理模块、静态管理模块和时间粒度模块，所述数据采集模块的输出端和数据预处理模块的输入端连接，所述数据预处理模块的输出端和静态关联模块和时间粒度模块的输入端连接。
优选的，所述无线通信模块包括防屏蔽接收器、WAF防火墙、采集器和双以太网，所述防屏蔽接收器的输出端和WAF防火墙的输入端连接，所述WAF防火墙的输出端和采集器的输入端连接。
优选的，所述中央处理器的输入端和气象预警监测平台的输出端连接，所述气象预警监测平台包括区域气象监测站、微气象检测模块、实时气象色斑图模型和分析生成器。
优选的，所述数据信息调度单元包括IP移动定位器、路段分控模块、异常反馈模块和信息需求更新模块，所述IP移动定位器的输出端和路段分控模块的输入端连接，是路段分控模块的输出端和异常反馈模块的输入端连接，所述异常反馈模块的输出端和信息需求更新模块的输入端连接。
优选的，所述线性学习单元包括通信射频模块、线性分析建模模型、预测误差数据样本集、拥堵路段识别模块和预测参数阈值。
优选的，所述态势预测预算中心包括检测评定模块、横纵矩阵模块、向导规避模块和智能验算学习模块，所述检测评定模块的输出端和横纵矩阵模块的输入端连接，所述横纵矩阵模块的输出端和向导规避模块的输入端连接。
优选的，所述交通态势预测单元包括预测交通模块、并行预测模块、态势训练模型、误差验证模块和训练数据构造模块，所述预测交通模块的输出端和并行预测模块的输入端连接，所述并行预测模块的输出端和态势训练模型的输入端连接。
优选的，所述交通网格生成与储存单元包括网格分析单元和存储单元，所述网格分析单元的输出端通过MCU信息模块与存储单元的输入端连接，所述网格分析单元包括矢量图解法、图形分析模块和自主学习模块，所述存储单元包括数据储存模块、反馈储存数据模块、数据闪存模块和无线通信模块，所述数据储存模块的输出端和反馈储存数据模块的输入端连接，所述反馈储存数据模块的输出端和数据闪存模块的输入端连接。
优选的，所述电子信息抗干扰单元包括无线通信收发器、电磁屏蔽处理器和稳压器。
(三)有益效果
与现有技术相比，本发明提供了一种交通态势预测系统，具备以下有益效果：
该交通态势预测系统，通过线性学习单元和交通态势预测单元的配合使用，学习预测模型对大量数据的验算训练及态势预测验算中心的向导规避模块，节省了部分人力操作的劳动量，克服了传统交通态势预测模型精度不足，难以多步预测的问题，构建具有双层注意力机制的深度学习预测模型，对路网交通对象的时空关联性进行学习，降低不必要数据信息重复计算的问题，使得交通态势多步预测结果更加准确。
附图说明
图1为本发明提出的一种交通态势预测系统示意图；
图2为本发明提出的一种交通态势预测系统的数据采集单元示意图；
图3为本发明提出的一种交通态势预测系统的气象预警监测单元示意图。
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1-3，一种交通态势预测系统，包括数据采集单元和中央处理器，数据采集单元包括数据采集模块、数据预处理模块、静态管理模块和时间粒度模块，数据采集模块的输出端和数据预处理模块的输入端连接，数据预处理模块的输出端和静态关联模块和时间粒度模块的输入端连接，中央处理器的输入端和气象预警监测平台的输出端连接，气象预警监测平台包括区域气象监测站、微气象检测模块、实时气象色斑图模型和分析生成器，数据采集单元的输出端和无线通信模块的输入端连接，无线通信模块包括防屏蔽接收器、WAF防火墙、采集器和双以太网，防屏蔽接收器的输出端和WAF防火墙的输入端连接，WAF防火墙的输出端和采集器的输入端连接，无线通信模块的输出端和中央处理器的输入端连接，中央处理器与数据信息调度单元的输入端连接，数据信息调度单元包括IP移动定位器、路段分控模块、异常反馈模块和信息需求更新模块，IP移动定位器的输出端和路段分控模块的输入端连接，是路段分控模块的输出端和异常反馈模块的输入端连接，异常反馈模块的输出端和信息需求更新模块的输入端连接，数据信息调度单元的输出端分别与线性学习单元和态势预测验算中心的输入端连接，线性学习单元包括通信射频模块、线性分析建模模型、预测误差数据样本集、拥堵路段识别模块和预测参数阈值，态势预测预算中心包括检测评定模块、横纵矩阵模块、向导规避模块和智能验算学习模块，检测评定模块的输出端和横纵矩阵模块的输入端连接，横纵矩阵模块的输出端和向导规避模块的输入端连接，交通态势预测单元包括预测交通模块、并行预测模块、态势训练模型、误差验证模块和训练数据构造模块，预测交通模块的输出端和并行预测模块的输入端连接，并行预测模块的输出端和态势训练模型的输入端连接，线性学习单元的输出端和交通网格生成与储存单元的输入端连接，交通网格生成与储存单元的输出端和云服务的输入端连接，云服务的输出端和电子信息抗干扰单元的输入端连接，电子信息抗干扰单元包括无线通信收发器、电磁屏蔽处理器和稳压器，电子信息抗干扰单元的输出端和交通交汇信息终端的输入端连接，交通网格生成与储存单元包括网格分析单元和存储单元，网格分析单元的输出端通过MCU信息模块与存储单元的输入端连接，网格分析单元包括矢量图解法、图形分析模块和自主学习模块，存储单元包括数据储存模块、反馈储存数据模块、数据闪存模块和无线通信模块，数据储存模块的输出端和反馈储存数据模块的输入端连接，反馈储存数据模块的输出端和数据闪存模块的输入端连接，交通交汇信息终端包括管理端口、中心格网点和远程通讯设备，管理端口的输出端和中心格网点的输入端连接，中心格网点的输出端和远程通信设备的输入端连接。
综上所述，该交通态势预测系统，通过线性学习单元和交通态势预测单元的配合使用，学习预测模型对大量数据的验算训练及态势预测验算中心的向导规避模块，节省了部分人力操作的劳动量，克服了传统交通态势预测模型精度不足，难以多步预测的问题，构建具有双层注意力机制的深度学习预测模型，对路网交通对象的时空关联性进行学习，降低不必要数据信息重复计算的问题，使得交通态势多步预测结果更加准确。
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。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种交通态势预测系统，包括数据采集单元和中央处理器，其特征在于：所述数据采集单元的输出端和无线通信模块的输入端连接，所述无线通信模块的输出端和中央处理器的输入端连接，所述中央处理器与数据信息调度单元的输入端连接，所述数据信息调度单元的输出端分别与线性学习单元和态势预测验算中心的输入端连接，所述线性学习单元的输出端和交通网格生成与储存单元的输入端连接，所述交通网格生成与储存单元的输出端和云服务的输入端连接，所述云服务的输出端和电子信息抗干扰单元的输入端连接，所述电子信息抗干扰单元的输出端和交通交汇信息终端的输入端连接，所述交通交汇信息终端包括管理端口、中心格网点和远程通讯设备，所述管理端口的输出端和中心格网点的输入端连接，所述中心格网点的输出端和远程通信设备的输入端连接。
2.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述数据采集单元包括数据采集模块、数据预处理模块、静态管理模块和时间粒度模块，所述数据采集模块的输出端和数据预处理模块的输入端连接，所述数据预处理模块的输出端和静态关联模块和时间粒度模块的输入端连接。
3.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述无线通信模块包括防屏蔽接收器、WAF防火墙、采集器和双以太网，所述防屏蔽接收器的输出端和WAF防火墙的输入端连接，所述WAF防火墙的输出端和采集器的输入端连接。
4.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述中央处理器的输入端和气象预警监测平台的输出端连接，所述气象预警监测平台包括区域气象监测站、微气象检测模块、实时气象色斑图模型和分析生成器。
5.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述数据信息调度单元包括IP移动定位器、路段分控模块、异常反馈模块和信息需求更新模块，所述IP移动定位器的输出端和路段分控模块的输入端连接，是路段分控模块的输出端和异常反馈模块的输入端连接，所述异常反馈模块的输出端和信息需求更新模块的输入端连接。
6.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述线性学习单元包括通信射频模块、线性分析建模模型、预测误差数据样本集、拥堵路段识别模块和预测参数阈值。
7.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述态势预测预算中心包括检测评定模块、横纵矩阵模块、向导规避模块和智能验算学习模块，所述检测评定模块的输出端和横纵矩阵模块的输入端连接，所述横纵矩阵模块的输出端和向导规避模块的输入端连接。
8.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述交通态势预测单元包括预测交通模块、并行预测模块、态势训练模型、误差验证模块和训练数据构造模块，所述预测交通模块的输出端和并行预测模块的输入端连接，所述并行预测模块的输出端和态势训练模型的输入端连接。
9.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述交通网格生成与储存单元包括网格分析单元和存储单元，所述网格分析单元的输出端通过MCU信息模块与存储单元的输入端连接，所述网格分析单元包括矢量图解法、图形分析模块和自主学习模块，所述存储单元包括数据储存模块、反馈储存数据模块、数据闪存模块和无线通信模块，所述数据储存模块的输出端和反馈储存数据模块的输入端连接，所述反馈储存数据模块的输出端和数据闪存模块的输入端连接。
10.根据权利要求1所述的一种交通态势预测系统，其特征在于：所述电子信息抗干扰单元包括无线通信收发器、电磁屏蔽处理器和稳压器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211317928.3A CN115762137A (zh) | 2022-10-26 | 2022-10-26 | 一种交通态势预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211317928.3A CN115762137A (zh) | 2022-10-26 | 2022-10-26 | 一种交通态势预测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115762137A true CN115762137A (zh) | 2023-03-07 |
Family
ID=85353385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211317928.3A Pending CN115762137A (zh) | 2022-10-26 | 2022-10-26 | 一种交通态势预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115762137A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292551A (zh) * | 2023-11-27 | 2023-12-26 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
-
2022
- 2022-10-26 CN CN202211317928.3A patent/CN115762137A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117292551A (zh) * | 2023-11-27 | 2023-12-26 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
| CN117292551B (zh) * | 2023-11-27 | 2024-02-23 | 辽宁邮电规划设计院有限公司 | 基于物联网的城市交通态势调节系统与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561191B (zh) | 预测模型的训练、预测方法、装置、设备、程序和介质 | |
| GB2572717A (en) | Method for detecting traffic anomaly of urban road | |
| CN112070286A (zh) | 复杂地形流域的降水预报预警系统 | |
| CN106017496A (zh) | 一种基于路况的实时导航方法 | |
| CN115759488B (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN112489426A (zh) | 一种基于图卷积神经网络的城市交通流量时空预测方案 | |
| US20230004903A1 (en) | Methods of greening management in smart cities, system, and storage mediums thereof | |
| Li | Predicting short-term traffic flow in urban based on multivariate linear regression model | |
| CN117824695A (zh) | 多维智能驾驶路径规划系统 | |
| CN114170797B (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
| CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
| CN115762137A (zh) | 一种交通态势预测系统 | |
| US20240086870A1 (en) | Method, internet of things (iot) system, and medium for disposing emergency gas supply of smart gas | |
| CN114021766A (zh) | 一种基于物联网和大数据的城市水安全预测方法 | |
| US20240318790A1 (en) | Systems and methods for safety monitoring of durability of gas pipeline corridors based on monitoring internet of things systems | |
| CN115915364A (zh) | 通信基站的节能方法、装置、计算机可读介质及设备 | |
| Fahs et al. | Traffic congestion prediction based on multivariate modelling and neural networks regressions | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN115294770B (zh) | 一种雨天交通拥堵指数的预测方法和装置 | |
| CN115810266A (zh) | 一种交通拥堵预测系统 | |
| Liu et al. | Research on ship abnormal behavior detection method based on graph neural network | |
| Yao et al. | Subway short-term passenger flow prediction based on improved LSTM | |
| CN117528551B (zh) | 一种港口运营网络的构建与数据感知方法及系统 | |
| CN117726959B (zh) | 基于智能图像识别的无人机电力线路安全巡检系统及方法 |
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 |