CN116206478B - 一种基于大数据的交通运输云数据共享管理系统及方法 - Google Patents
一种基于大数据的交通运输云数据共享管理系统及方法 Download PDFInfo
- Publication number
- CN116206478B CN116206478B CN202310063210.4A CN202310063210A CN116206478B CN 116206478 B CN116206478 B CN 116206478B CN 202310063210 A CN202310063210 A CN 202310063210A CN 116206478 B CN116206478 B CN 116206478B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- time
- information
- path
- 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
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
- G08G1/096811—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard
-
- 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
- G08G1/01—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
- 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
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通运输共享管理技术领域,具体为一种基于大数据的交通运输云数据共享管理系统及方法,所述系统包括路况状态变化分析模块,所述路况状态变化分析模块结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享。本发明结合不同时间共享数据的变化情况,分析不同路径方案的路况通行难度,筛选最佳通行路径方案,确保车辆的快速通行;同时,提醒用户在原有路径方案中存在路况通行情况异常的各个路段,警醒用户提前进行规避,避免路况通行情况异常的各个路段对用户车辆通行造成干扰。
Description
技术领域
本发明涉及交通运输共享管理技术领域,具体为一种基于大数据的交通运输云数据共享管理系统及方法。
背景技术
随着生活水平的提高,越来越多的人拥有私家车,这些车辆在为人们提供出行便利的同时,也对交通管理造成了压力,尤其是一天中的早晚高峰,交通压力较大,道路堵塞的状况频频发生,同时,相同时间的不同路段对应的道路堵塞程度也是存在较大差异的,进而,人们出行时对应的导航路线如何有效规划(选择)是当前人们亟待解决的问题。
现有的基于大数据的交通运输云数据共享管理系统中,通常采用地图导航软件对人们的出行路线进行规划的,同时路段的路况状态是通过地图导航软件用户主动上传共享的路段画面信息及同一路段中地图导航软件用户的总个数来分析的,但是该现有技术存在较大的缺陷,首先,路段的通行难度不仅受到路段的堵塞程度影响,还受到路段本身的平整程度影响,但是用户主动上传的通常是路段的堵塞情况,即使上传路段的平整程度,由于上传内容需要用户主动获取,进而用户上传的也仅仅是路段中一小部分的平整情况,不能反映相应路段整体的平整程度;其次,分析同一路段中地图导航软件用户的总个数时,由于不同路段的宽度不同(或在路段部分存在整修情况时,路段可通行车辆的宽度受到影响),进而通过该方式反映的道路拥堵程度也存在较大的偏差(在道路堵塞程度相同的情况下,较宽的道路可能比较窄的道路对应的地图软件用户多),进而现有技术中交通运输云数据对应的共享数据不能为导航路线规划提供精准有效的参考作用。
发明内容
本发明的目的在于提供一种基于大数据的交通运输云数据共享管理系统及方法,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:一种基于大数据的交通运输云数据共享管理方法,所述方法包括以下步骤:
S1、获取监控区域内的所有注册用户编号,并通过云端每隔第一单位时间T采集一次每个注册用户编号对应车辆的车辆信息,所述车辆信息包括定位信息、油耗信息、车型及车辆状况信息;
S2、结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享;
S3、获取注册用户编号对应的导航路径信息,对导航路径信息中与监控区域重合的路径进行标记,并将标记路径的起点记为第一标记点,将标记路径的终点记为第二标记点,获取监控区域内从第一标记点至第二标记点的所有路径方案,并对获取的各个路径方案进行编号;
S4、预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点,记为第一时间节点,根据基于第一时间节点之前一天内的监控区域内更新共享的地图路况状态变化情况,分析各个路径方案对应的路况通行难度,筛选最佳通行路径方案;
S5、分析除最佳通行路径方案之外的各个路径方案中路况中,各个路段编号的路况通行情况,获取路况通行情况异常的各个路段编号与标记路径的重合区域,并将所得重合区域的路段编号发送给相应的注册用户进行预警。
进一步的,所述S1中车辆信息中的定位信息包括监控区域内车辆卫星定位坐标所属的路段编号及定位时间,所述定位时间包括第一组成时间及第二组成时间,所述第一组成时间包括年、月及日,所述第二组成时间包括时、分及秒,
当车辆卫星定位坐标不属于监控区域时,则判定相应注册用户编号相应时间上传的车辆信息为空,
油耗信息包括从上一次采集车辆信息后车辆的油耗量,
车辆状况信息包括车辆使用年限、车辆载重量及从上一次采集车辆信息后车辆的平均车速。
进一步的,所述S2中结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理的方法包括以下步骤:
S21、获取注册用户编号上传的车辆信息中的车型、车辆状况信息及油耗信息,并通过第一预置数据表单查询相应车型对应的车型油耗系数,记为A1,所述第一预置数据表单中每个车型对应一个车型油耗系数;
S22、根据车辆状况信息计算车辆的车况信息综合对,记为(B1,B2),所述B1表示车辆状况信息中的车辆使用年限,所述B2表示车辆载重偏差率,所述车辆载重偏差率等于车辆状况信息中车辆载重量与相应车辆空车载重的差值除以相应车辆载最大载重与车辆空车载重的差后所得的商,
通过第二预置数据表单查询车况信息综合对(B1,B2)对应的车况油耗系数A2,第二预置数据表单中车况信息综合对内的B1及B2值不同时,则对应的车况油耗系数A2也不相同;
S23、得到注册用户编号上传的车辆信息中相应油耗信息的归一化处理结果,记为C1,所述C1=A1·A2·C,所述C表示注册用户编号上传的车辆信息中相应油耗信息对应的油耗量;
本发明结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,是考虑到不同车型及车辆状况信息时车辆在同一路段上行驶对应的耗油量时存在差异的,进而在排除车型及车辆状况信息的影响时,对车辆的耗油量进行归一化处理,便于后续过程中对监测区域地图内的路况状态进行更新共享;
所述S2中根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况的方法包括以下步骤:
S211、获取历史数据中各个车辆信息及每个车辆信息中相应油耗信息的归一化处理结果;
S212、将t1记为参照时间,获取历史数据中定位时间小于等于t1且大于等于t1-T*N的所有车辆信息,所述N为数据库中预置的常数;
S213、将获取S1中获取的定位信息中监控区域内车辆卫星定位坐标所属的路段编号相同的各个车辆信息划分为一组,将路段编号为i的车辆信息组别记为Ei,
获取Ei中各个车辆信息中相应油耗信息的归一化处理结果对应的取值范围,记为[min{Ei},max{Ei}],所述min{Ei}表示Ei中各个车辆信息中相应油耗信息的归一化处理结果中的最小值,所述max{Ei}表示Ei中各个车辆信息中相应油耗信息的归一化处理结果中的最大值;
S214、将[min{Ei},max{Ei}]均匀划分成M个等长区间,并统计第j个划分的等长区间对应的油耗信息归一化处理结果个数占组别Ei内元素总个数的占比,及第j个划分的等长区间对应的各个油耗信息归一化处理结果的中位数,所述M为数据库中预置的常数,1≤j≤M;
S215、得到参照时间t1时路段编号为i的路况状态值Qit1及路面平整通行状态值QPit1,
其中,PjEi表示[min{Ei},max{Ei}]中第j个划分的等长区间对应的油耗信息归一化处理结果个数占组别Ei内元素总个数的占比,ZjEi表示[min{Ei},max{Ei}]中第j个划分的等长区间对应的各个油耗信息归一化处理结果的中位数,
所述QPit1为基于t1的前m天内编号为i的路段在各个时间点分别对应的路况状态值的最小值,所述m为数据库中预置的常数;
S216、计算基于t1的前m天内第二组成时间与t1对应的第二组成时间相同且路段编号为i的车辆数据中,每个车辆分别对应的路况状态值与路面平整通行状态值之间差值的平均值,记为路段拥堵状态值Qdit1,
得到参照时间t1时路段编号为i的路况状态值的校准结果,所述校准结果等于min{Qit1,Qdit1+QPit1},所述min{Qit1,Qdit1+QPit1}表示Qit1与Qdit1+QPit1中的最小值;
本发明得到参照时间t1时路段编号为i的路况状态值的校准结果,是为了避免不同时间点获取的路面凭证通行状态值是可能存在差异的,用QPit1反映时间t1时的路面平整状态(路面情况),路面平整状态是实时变换的(在一定程度上能够实现对相应路段的路面平整情况进行监测,为管理员判断相应路段是否需要进行修整提供数据参照),而相应路段的路段拥堵状态值反映的是相应路段的交通堵塞情况,将一天作为一个周期,通常同一路段的交通堵塞情况呈现周期性(一天内一般存在早、晚高峰的交通堵塞状态高于其余时间的交通堵塞状态的情况),根据路段拥堵状态值Qdit1和路面平整通行状态值QPit1,也可以实现对参照时间t1时路段编号为i的路况状态值的预测,进而比较Qit1和Qdit1+QPit1,可以实现对参照时间t1时路段编号为i的路况状态值的校准,且校准结果能够准确的反映出相应时间相应路段在监控区域地图内的路况状态;
所述S2中对监控区域地图内的路况状态进行更新共享时,在参照时间t1时将路段编号为i的路况状态值的校准结果上传到云端,并替换监控区域地图内路段编号为i的路段对应的路况状态值,
将定位时间小于等于t1且大于等于t1-T*N且路段编号为i的所有车辆信息的车况状态信息中对应的各个车速的平均值上传到云端,并替换监控区域地图内路段编号为i的路段对应的车辆通行速度,
当参照时间t1时上传的路段编号为i的路况状态值的校准结果为空时,则不替换监控区域地图内路段编号为i的路段对应的路况状态值,
当参照时间t1时上传的车速为空时,则不替换监控区域地图内相应路段对应的车辆通行速度,
所述监控区域地图内的路况状态在相邻两次更新共享的间隔时间内,监控区域地图内的路况状态保持不变且与前一次更新共享结果相同,所述监控区域地图内的路况状态每隔第一单位时间更新共享一次。
进一步的,所述S3中获取监控区域内从第一标记点至第二标记点的所有路径方案的方法包括以下步骤:
S31、获取监控区域内的第一标记点所属的路段编号及第二标记点所属的路段编号;
S32、获取监控区域内包含的所有路段编号构成的集合,记为第一集合,获取包含第一标记点所属的路段编号及第二标记点所属的路段编号的第一集合的所有子集;
S33、分析获取的所有子集中,每个子集对应的各个路段编号之间的连续性,对获取的子集进行筛选,
当获取的一个子集对应的各个路段编号无法构成一条连续的路线,则判定相应子集不具有连续性,将相应子集删除,
当获取的一个子集对应的各个路段编号能够构成一条连续的路线,则判定相应子集具有连续性,不对该子集进行处理;
S34、获取S33中筛选后的结果,筛选后的每个子集对应一种路径方案,得到监控区域内从第一标记点至第二标记点的所有路径方案,将监控区域内从第一标记点至第二标记点的所有路径方案中第k个路径方案对应的编号记为Dk。
进一步的,所述S4中预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点的方法包括以下步骤:
S41、获取按注册用户编号对应的导航路径信息行驶至第一标记点时行驶的距离,记为第一行驶距离,获取按注册用户编号对应的导航路径信息开始行驶的时间点,记为第一起始时间;
S42、获取注册用户编号对应的用户历史上传的各个车辆信息中相应车速的平均值,记为第一车速;
S43、得到按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点的预测值,记为第一时间节点,所述第一时间节点等于第一行驶距离除以第一车速的商与第一起始时间的和;
所述S4中分析各个路径方案对应的路况通行难度的方法包括以下步骤:
S401、获取监控区域内从第一标记点至第二标记点的所有路径方案中的所有路径方案及各个路径方案相应的编号,获取第一时间节点及第一时间节点分别对应的第一组成时间与第二组成时间;
S402、获取第二时间节点之后的监控区域内更新共享的地图路况状态变化情况,所述第二时间节点对应的第一组成时间比第一时间节点对应的第一组成时间小一天,且第二时间节点对应的第二组成时间与第一时间节点对应的第二组成时间相同,将第二时间节点记为TB;
S403、得到编号Dk的路径方案对应的路况通行难度WDk,
其中,uDk表示编号Dk的路径方案中包含的路段编号总个数,
H(Dkr)表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的路况通行难度,1≤r≤uDk,
Dkr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号,
tzr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最大时间点,
tz(r-1)表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最小时间点,当r=1时,tz(r-1)表示第二时间节点,
Gt4Dkr表示t4∈[tz(r-1),tzr]时,监控区域内更新共享的地图在t4时路段编号Dkr对应的路况状态值,
Vt4Dkr表示t4∈[tz(r-1),tzr]时,监控区域内更新共享的地图在t4时路段编号Dkr对应的车辆通行速度,
LDkr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的长度,且LDkr是通过查询预制的数据库获取的;
本发明分析各个路径方案对应的路况通行难度的过程中,先通过公式 预测编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最大时间点tzr,然后结合[tz(r-1),tzr]内不同时间点对应的Gt4Dkr及公式/>能够计算得到编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的路况通行难度H(Dkr),进而结合/>得到编号Dk的路径方案对应的路况通行难度WDk;
获取监控区域内从第一标记点至第二标记点的所有路径方案分别对应的路况通行难度,并将路况通行难度最小的路径方案作为最佳通行路径方案。
进一步的,所述S5中获取路况通行情况异常的各个路段编号与标记路径的重合区域的方法包括以下步骤:
S51、获取编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的通行时间区间[tz(r-1),tzr],
获取通行时间区间[tz(r-1),tzr]内第r个路段通行过程中,监控区域内更新共享的地图对应的各个路况状态值的最大值和各个路面平整通行状态值的最小值;
S52、对除最佳通行路径方案的各个路径方案中的各个路段通行情况进行异常判断,得到路况通行情况异常的各个路段编号,并汇总到一个空白集合中,得到第一异常集合F1,
当路段编号在通行时间区间内,监控区域内更新共享的地图对应的各个路况状态值的最大值与各个路面平整通行状态值的最小值的差值大于等于第一阈值时,则判定该路段编号的路况通行情况异常,反之,则判定该路段编号的路况通行情况正常,所述第一阈值为数据库中预置的常数;
本发明获取路况通行情况异常的各个路段编号与标记路径的重合区域的过程中,对除最佳通行路径方案的各个路径方案中的各个路段通行情况进行异常判断时,计算监控区域内更新共享的地图对应的各个路况状态值的最大值与各个路面平整通行状态值的最小值的差值,考虑到:监控区域内更新共享的地图对应的各个路况状态值的最大值,反映的是相应时间区间内监控区域中车辆在各个路段通行时受路面平整状态及道路堵塞状态这两个因素影响后的最大通行难度;而监控区域内更新共享的地图对应的各个路面平整通行状态值的最小值,反映的是相应时间区间内监控区域中车辆在各个路段通行时受路面平整状态这个因素影响后的最大通行难度,路面平整通行状态值越小,则表示路面越平整,且路面平整状态在短时间内不会发生较大变化,进而在考虑到监测偏差(误差)的情况下各个路面平整通行状态值的最小值表示路面平整状态更加准确;计算两者的差值,是考虑到车辆无论是按照标记路径行驶,还是按照规划的其余路径方案行驶,路面平整状态均会对车辆的通行产生的干扰是一样的,进而通过计算两者的差值对路段通行情况进行异常判断后,得到的预警内容更加准确,对注册用户的参照价值更大;
S53、获取标记路径中包含的各个路段编号,并汇总到一个空白集合中,得到第二路径编号集合F2;
S54、得到路况通行情况异常的各个路段编号与标记路径的重合区域,所述重合区域为F1∩F2对应的各个路段。
一种基于大数据的交通运输云数据共享管理系统,所述系统包括以下模块:
车辆信息获取模块,所述车辆信息获取模块获取监控区域内的所有注册用户编号,并通过云端每隔第一单位时间T采集一次每个注册用户编号对应车辆的车辆信息,所述车辆信息包括定位信息、油耗信息、车型及车辆状况信息;
路况状态变化分析模块,所述路况状态变化分析模块结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享;
路径方案规划模块,所述路径方案规划模块获取注册用户编号对应的导航路径信息,对导航路径信息中与监控区域重合的路径进行标记,并将标记路径的起点记为第一标记点,将标记路径的终点记为第二标记点,获取监控区域内从第一标记点至第二标记点的所有路径方案,并对获取的各个路径方案进行编号;
最佳通行路径方案筛选模块,所述最佳通行路径方案筛选模块预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点,记为第一时间节点,根据基于第一时间节点之前一天内的监控区域内更新共享的地图路况状态变化情况,分析各个路径方案对应的路况通行难度,筛选最佳通行路径方案;
预警管理模块,所述预警管理模块分析除最佳通行路径方案之外的各个路径方案中路况中,各个路段编号的路况通行情况,获取路况通行情况异常的各个路段编号与标记路径的重合区域,并将所得重合区域的路段编号发送给相应的注册用户进行预警。
进一步的,所述车辆信息获取模块中车辆信息中的定位信息包括监控区域内车辆卫星定位坐标所属的路段编号及定位时间,所述定位时间包括第一组成时间及第二组成时间,所述第一组成时间包括年、月及日,所述第二组成时间包括时、分及秒,当车辆卫星定位坐标不属于监控区域时,则判定相应注册用户编号相应时间上传的车辆信息为空;所述油耗信息包括从上一次采集车辆信息后车辆的油耗量;所述车辆状况信息包括车辆使用年限、车辆载重量及从上一次采集车辆信息后车辆的平均车速。
与现有技术相比,本发明所达到的有益效果是:本发明从定位信息、油耗信息、车型及车辆状况信息这四个方面对车辆信息进行考虑,通过归一化处理的方式将不同车型及不同车辆状况信息对应的油耗信息进行转化,用车辆不同时间在路段通行时的油耗情况来反馈相应的路段平整程度及路段在不同时间的拥堵情况,实现对路段信息的有效监控,确保共享数据的准确性,并根据规划车辆的各个路径方案,并结合不同时间共享数据的变化情况,分析不同路径方案的路况通行难度,筛选最佳通行路径方案,确保车辆的快速通行;同时,还能够提前对用户进行预警,提醒用户在原有路径方案中存在路况通行情况异常的各个路段,警醒用户提前进行规避,避免路况通行情况异常的各个路段对用户车辆通行造成干扰。
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是本发明一种基于大数据的交通运输云数据共享管理方法的流程示意图;
图2是本发明一种基于大数据的交通运输云数据共享管理系统的结构示意图。
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,本发明提供技术方案:一种基于大数据的交通运输云数据共享管理方法,所述方法包括以下步骤:
S1、获取监控区域内的所有注册用户编号,并通过云端每隔第一单位时间T采集一次每个注册用户编号对应车辆的车辆信息,所述车辆信息包括定位信息、油耗信息、车型及车辆状况信息;
所述S1中车辆信息中的定位信息包括监控区域内车辆卫星定位坐标所属的路段编号及定位时间,所述定位时间包括第一组成时间及第二组成时间,所述第一组成时间包括年、月及日,所述第二组成时间包括时、分及秒,
当车辆卫星定位坐标不属于监控区域时,则判定相应注册用户编号相应时间上传的车辆信息为空,
油耗信息包括从上一次采集车辆信息后车辆的油耗量,
车辆状况信息包括车辆使用年限、车辆载重量及从上一次采集车辆信息后车辆的平均车速。
本实施例中车辆信息内的定位时间对应的是一个字符串,该字符串是通过第一组成时间及第二组成时间分别对应的字符串拼接而成,第一组成时间及第二组成时间分别对应的字符串长度均是固定的,
若第一组成时间为2023年1月1日,则第一组成时间对应的字符串为“20230101”,
若第二组成时间为13时29分6秒,则第二组成时间对应的字符串为“132906”,则定位时间对应的字符串为“20230101”与“132906”的拼接结果,即“20230101132906”;
S2、结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享;
所述S2中结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理的方法包括以下步骤:
S21、获取注册用户编号上传的车辆信息中的车型、车辆状况信息及油耗信息,并通过第一预置数据表单查询相应车型对应的车型油耗系数,记为A1,所述第一预置数据表单中每个车型对应一个车型油耗系数;
S22、根据车辆状况信息计算车辆的车况信息综合对,记为(B1,B2),所述B1表示车辆状况信息中的车辆使用年限,所述B2表示车辆载重偏差率,所述车辆载重偏差率等于车辆状况信息中车辆载重量与相应车辆空车载重的差值除以相应车辆载最大载重与车辆空车载重的差后所得的商,
通过第二预置数据表单查询车况信息综合对(B1,B2)对应的车况油耗系数A2,第二预置数据表单中车况信息综合对内的B1及B2值不同时,则对应的车况油耗系数A2也不相同;
S23、得到注册用户编号上传的车辆信息中相应油耗信息的归一化处理结果,记为C1,所述C1=A1·A2·C,所述C表示注册用户编号上传的车辆信息中相应油耗信息对应的油耗量;
所述S2中根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况的方法包括以下步骤:
S211、获取历史数据中各个车辆信息及每个车辆信息中相应油耗信息的归一化处理结果;
S212、将t1记为参照时间,获取历史数据中定位时间小于等于t1且大于等于t1-T*N的所有车辆信息,所述N为数据库中预置的常数;
本实施例中N为6,T为10秒,
当参照时间t1对应的字符串为“20230101132906”时,
由于T*N=6*10=60秒,则t1-T*N对应时间点相应的字符串为“20230101132806”;
S213、将获取S1中获取的定位信息中监控区域内车辆卫星定位坐标所属的路段编号相同的各个车辆信息划分为一组,将路段编号为i的车辆信息组别记为Ei,
获取Ei中各个车辆信息中相应油耗信息的归一化处理结果对应的取值范围,记为[min{Ei},max{Ei}],所述min{Ei}表示Ei中各个车辆信息中相应油耗信息的归一化处理结果中的最小值,所述max{Ei}表示Ei中各个车辆信息中相应油耗信息的归一化处理结果中的最大值;
S214、将[min{Ei},max{Ei}]均匀划分成M个等长区间,并统计第j个划分的等长区间对应的油耗信息归一化处理结果个数占组别Ei内元素总个数的占比,及第j个划分的等长区间对应的各个油耗信息归一化处理结果的中位数,所述M为数据库中预置的常数,1≤j≤M;
S215、得到参照时间t1时路段编号为i的路况状态值Qit1及路面平整通行状态值QPit1,
其中,PjEi表示[min{Ei},max{Ei}]中第j个划分的等长区间对应的油耗信息归一化处理结果个数占组别Ei内元素总个数的占比,ZjEi表示[min{Ei},max{Ei}]中第j个划分的等长区间对应的各个油耗信息归一化处理结果的中位数,
所述QPit1为基于t1的前m天内编号为i的路段在各个时间点分别对应的路况状态值的最小值,所述m为数据库中预置的常数;
S216、计算基于t1的前m天内第二组成时间与t1对应的第二组成时间相同且路段编号为i的车辆数据中,每个车辆分别对应的路况状态值与路面平整通行状态值之间差值的平均值,记为路段拥堵状态值Qdit1,
得到参照时间t1时路段编号为i的路况状态值的校准结果,所述校准结果等于min{Qit1,Qdit1+QPit1},所述min{Qit1,Qdit1+QPit1}表示Qit1与Qdit1+QPit1中的最小值;
所述S2中对监控区域地图内的路况状态进行更新共享时,在参照时间t1时将路段编号为i的路况状态值的校准结果上传到云端,并替换监控区域地图内路段编号为i的路段对应的路况状态值,
将定位时间小于等于t1且大于等于t1-T*N且路段编号为i的所有车辆信息的车况状态信息中对应的各个车速的平均值上传到云端,并替换监控区域地图内路段编号为i的路段对应的车辆通行速度,
当参照时间t1时上传的路段编号为i的路况状态值的校准结果为空时,则不替换监控区域地图内路段编号为i的路段对应的路况状态值,
当参照时间t1时上传的车速为空时,则不替换监控区域地图内相应路段对应的车辆通行速度,
所述监控区域地图内的路况状态在相邻两次更新共享的间隔时间内,监控区域地图内的路况状态保持不变且与前一次更新共享结果相同,所述监控区域地图内的路况状态每隔第一单位时间更新共享一次。
S3、获取注册用户编号对应的导航路径信息,对导航路径信息中与监控区域重合的路径进行标记,并将标记路径的起点记为第一标记点,将标记路径的终点记为第二标记点,获取监控区域内从第一标记点至第二标记点的所有路径方案,并对获取的各个路径方案进行编号;
所述S3中获取监控区域内从第一标记点至第二标记点的所有路径方案的方法包括以下步骤:
S31、获取监控区域内的第一标记点所属的路段编号及第二标记点所属的路段编号;
S32、获取监控区域内包含的所有路段编号构成的集合,记为第一集合,获取包含第一标记点所属的路段编号及第二标记点所属的路段编号的第一集合的所有子集;
S33、分析获取的所有子集中,每个子集对应的各个路段编号之间的连续性,对获取的子集进行筛选,
当获取的一个子集对应的各个路段编号无法构成一条连续的路线,则判定相应子集不具有连续性,将相应子集删除,
当获取的一个子集对应的各个路段编号能够构成一条连续的路线,则判定相应子集具有连续性,不对该子集进行处理;
S34、获取S33中筛选后的结果,筛选后的每个子集对应一种路径方案,得到监控区域内从第一标记点至第二标记点的所有路径方案,将监控区域内从第一标记点至第二标记点的所有路径方案中第k个路径方案对应的编号记为Dk。
S4、预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点,记为第一时间节点,根据基于第一时间节点之前一天内的监控区域内更新共享的地图路况状态变化情况,分析各个路径方案对应的路况通行难度,筛选最佳通行路径方案;
所述S4中预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点的方法包括以下步骤:
S41、获取按注册用户编号对应的导航路径信息行驶至第一标记点时行驶的距离,记为第一行驶距离,获取按注册用户编号对应的导航路径信息开始行驶的时间点,记为第一起始时间;
S42、获取注册用户编号对应的用户历史上传的各个车辆信息中相应车速的平均值,记为第一车速;
S43、得到按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点的预测值,记为第一时间节点,所述第一时间节点等于第一行驶距离除以第一车速的商与第一起始时间的和;
所述S4中分析各个路径方案对应的路况通行难度的方法包括以下步骤:
S401、获取监控区域内从第一标记点至第二标记点的所有路径方案中的所有路径方案及各个路径方案相应的编号,获取第一时间节点及第一时间节点分别对应的第一组成时间与第二组成时间;
S402、获取第二时间节点之后的监控区域内更新共享的地图路况状态变化情况,所述第二时间节点对应的第一组成时间比第一时间节点对应的第一组成时间小一天,且第二时间节点对应的第二组成时间与第一时间节点对应的第二组成时间相同,将第二时间节点记为TB;
S403、得到编号Dk的路径方案对应的路况通行难度WDk,
其中,uDk表示编号Dk的路径方案中包含的路段编号总个数,
H(Dkr)表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的路况通行难度,1≤r≤uDk,
Dkr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号,
tzr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最大时间点,
tz(r-1)表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最小时间点,当r=1时,tz(r-1)表示第二时间节点,
Gt4Dkr表示t4∈[tz(r-1),tzr]时,监控区域内更新共享的地图在t4时路段编号Dkr对应的路况状态值,
Vt4Dkr表示t4∈[tz(r-1),tzr]时,监控区域内更新共享的地图在t4时路段编号Dkr对应的车辆通行速度,
LDkr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的长度,且LDkr是通过查询预制的数据库获取的;
获取监控区域内从第一标记点至第二标记点的所有路径方案分别对应的路况通行难度,并将路况通行难度最小的路径方案作为最佳通行路径方案。
S5、分析除最佳通行路径方案之外的各个路径方案中路况中,各个路段编号的路况通行情况,获取路况通行情况异常的各个路段编号与标记路径的重合区域,并将所得重合区域的路段编号发送给相应的注册用户进行预警;
所述S5中获取路况通行情况异常的各个路段编号与标记路径的重合区域的方法包括以下步骤:
S51、获取编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的通行时间区间[tz(r-1),tzr],
获取通行时间区间[tz(r-1),tzr]内第r个路段通行过程中,监控区域内更新共享的地图对应的各个路况状态值的最大值和各个路面平整通行状态值的最小值;
S52、对除最佳通行路径方案的各个路径方案中的各个路段通行情况进行异常判断,得到路况通行情况异常的各个路段编号,并汇总到一个空白集合中,得到第一异常集合F1,
当路段编号在通行时间区间内,监控区域内更新共享的地图对应的各个路况状态值的最大值与各个路面平整通行状态值的最小值的差值大于等于第一阈值时,则判定该路段编号的路况通行情况异常,反之,则判定该路段编号的路况通行情况正常,所述第一阈值为数据库中预置的常数;
S53、获取标记路径中包含的各个路段编号,并汇总到一个空白集合中,得到第二路径编号集合F2;
S54、得到路况通行情况异常的各个路段编号与标记路径的重合区域,所述重合区域为F1∩F2对应的各个路段。
如图2所示,一种基于大数据的交通运输云数据共享管理系统,所述系统包括以下模块:
车辆信息获取模块,所述车辆信息获取模块获取监控区域内的所有注册用户编号,并通过云端每隔第一单位时间T采集一次每个注册用户编号对应车辆的车辆信息,所述车辆信息包括定位信息、油耗信息、车型及车辆状况信息;
路况状态变化分析模块,所述路况状态变化分析模块结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享;
路径方案规划模块,所述路径方案规划模块获取注册用户编号对应的导航路径信息,对导航路径信息中与监控区域重合的路径进行标记,并将标记路径的起点记为第一标记点,将标记路径的终点记为第二标记点,获取监控区域内从第一标记点至第二标记点的所有路径方案,并对获取的各个路径方案进行编号;
最佳通行路径方案筛选模块,所述最佳通行路径方案筛选模块预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点,记为第一时间节点,根据基于第一时间节点之前一天内的监控区域内更新共享的地图路况状态变化情况,分析各个路径方案对应的路况通行难度,筛选最佳通行路径方案;
预警管理模块,所述预警管理模块分析除最佳通行路径方案之外的各个路径方案中路况中,各个路段编号的路况通行情况,获取路况通行情况异常的各个路段编号与标记路径的重合区域,并将所得重合区域的路段编号发送给相应的注册用户进行预警。
所述车辆信息获取模块中车辆信息中的定位信息包括监控区域内车辆卫星定位坐标所属的路段编号及定位时间,所述定位时间包括第一组成时间及第二组成时间,所述第一组成时间包括年、月及日,所述第二组成时间包括时、分及秒,当车辆卫星定位坐标不属于监控区域时,则判定相应注册用户编号相应时间上传的车辆信息为空;所述油耗信息包括从上一次采集车辆信息后车辆的油耗量;所述车辆状况信息包括车辆使用年限、车辆载重量及从上一次采集车辆信息后车辆的平均车速。
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)
1.一种基于大数据的交通运输云数据共享管理方法,其特征在于,所述方法包括以下步骤:
S1、获取监控区域内的所有注册用户编号,并通过云端每隔第一单位时间T采集一次每个注册用户编号对应车辆的车辆信息,所述车辆信息包括定位信息、油耗信息、车型及车辆状况信息;
S2、结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享;
S3、获取注册用户编号对应的导航路径信息,对导航路径信息中与监控区域重合的路径进行标记,并将标记路径的起点记为第一标记点,将标记路径的终点记为第二标记点,获取监控区域内从第一标记点至第二标记点的所有路径方案,并对获取的各个路径方案进行编号;
S4、预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点,记为第一时间节点,根据基于第一时间节点之前一天内的监控区域内更新共享的地图路况状态变化情况,分析各个路径方案对应的路况通行难度,筛选最佳通行路径方案;
S5、分析除最佳通行路径方案之外的各个路径方案中路况中,各个路段编号的路况通行情况,获取路况通行情况异常的各个路段编号与标记路径的重合区域,并将所得重合区域的路段编号发送给相应的注册用户进行预警;
所述S1中车辆信息中的定位信息包括监控区域内车辆卫星定位坐标所属的路段编号及定位时间,所述定位时间包括第一组成时间及第二组成时间,所述第一组成时间包括年、月及日,所述第二组成时间包括时、分及秒,
当车辆卫星定位坐标不属于监控区域时,则判定相应注册用户编号相应时间上传的车辆信息为空,
油耗信息包括从上一次采集车辆信息后车辆的油耗量,
车辆状况信息包括车辆使用年限、车辆载重量及从上一次采集车辆信息后车辆的平均车速;
所述S2中结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理的方法包括以下步骤:
S21、获取注册用户编号上传的车辆信息中的车型、车辆状况信息及油耗信息,并通过第一预置数据表单查询相应车型对应的车型油耗系数,记为A1,所述第一预置数据表单中每个车型对应一个车型油耗系数;
S22、根据车辆状况信息计算车辆的车况信息综合对,记为(B1,B2),所述B1表示车辆状况信息中的车辆使用年限,所述B2表示车辆载重偏差率,所述车辆载重偏差率等于车辆状况信息中车辆载重量与相应车辆空车载重的差值除以相应车辆载最大载重与车辆空车载重的差后所得的商,
通过第二预置数据表单查询车况信息综合对(B1,B2)对应的车况油耗系数A2,第二预置数据表单中车况信息综合对内的B1及B2值不同时,则对应的车况油耗系数A2也不相同;
S23、得到注册用户编号上传的车辆信息中相应油耗信息的归一化处理结果,记为C1,所述C1=A1·A2·C,所述C表示注册用户编号上传的车辆信息中相应油耗信息对应的油耗量;
所述S2中根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况的方法包括以下步骤:
S211、获取历史数据中各个车辆信息及每个车辆信息中相应油耗信息的归一化处理结果;
S212、将t1记为参照时间,获取历史数据中定位时间小于等于t1且大于等于t1-T*N的所有车辆信息,所述N为数据库中预置的常数;
S213、将获取S1中获取的定位信息中监控区域内车辆卫星定位坐标所属的路段编号相同的各个车辆信息划分为一组,将路段编号为i的车辆信息组别记为Ei,
获取Ei中各个车辆信息中相应油耗信息的归一化处理结果对应的取值范围,记为[min{Ei},max{Ei}],所述min{Ei}表示Ei中各个车辆信息中相应油耗信息的归一化处理结果中的最小值,所述max{Ei}表示Ei中各个车辆信息中相应油耗信息的归一化处理结果中的最大值;
S214、将[min{Ei},max{Ei}]均匀划分成M个等长区间,并统计第j个划分的等长区间对应的油耗信息归一化处理结果个数占组别Ei内元素总个数的占比,及第j个划分的等长区间对应的各个油耗信息归一化处理结果的中位数,所述M为数据库中预置的常数,1≤j≤M;
S215、得到参照时间t1时路段编号为i的路况状态值Qit1及路面平整通行状态值QPit1,
其中,PjEi表示[min{Ei},max{Ei}]中第j个划分的等长区间对应的油耗信息归一化处理结果个数占组别Ei内元素总个数的占比,ZjEi表示[min{Ei},max{Ei}]中第j个划分的等长区间对应的各个油耗信息归一化处理结果的中位数,
所述QPit1为基于t1的前m天内编号为i的路段在各个时间点分别对应的路况状态值的最小值,所述m为数据库中预置的常数;
S216、计算基于t1的前m天内第二组成时间与t1对应的第二组成时间相同且路段编号为i的车辆数据中,每个车辆分别对应的路况状态值与路面平整通行状态值之间差值的平均值,记为路段拥堵状态值Qdit1,
得到参照时间t1时路段编号为i的路况状态值的校准结果,所述校准结果等于min{Qit1,Qdit1+QPit1},所述min{Qit1,Qdit1+QPit1}表示Qit1与Qdit1+QPit1中的最小值;
所述S2中对监控区域地图内的路况状态进行更新共享时,在参照时间t1时将路段编号为i的路况状态值的校准结果上传到云端,并替换监控区域地图内路段编号为i的路段对应的路况状态值,
将定位时间小于等于t1且大于等于t1-T*N且路段编号为i的所有车辆信息的车况状态信息中对应的各个车速的平均值上传到云端,并替换监控区域地图内路段编号为i的路段对应的车辆通行速度,
当参照时间t1时上传的路段编号为i的路况状态值的校准结果为空时,则不替换监控区域地图内路段编号为i的路段对应的路况状态值,
当参照时间t1时上传的车速为空时,则不替换监控区域地图内相应路段对应的车辆通行速度,
所述监控区域地图内的路况状态在相邻两次更新共享的间隔时间内,监控区域地图内的路况状态保持不变且与前一次更新共享结果相同,所述监控区域地图内的路况状态每隔第一单位时间更新共享一次;
所述S3中获取监控区域内从第一标记点至第二标记点的所有路径方案的方法包括以下步骤:
S31、获取监控区域内的第一标记点所属的路段编号及第二标记点所属的路段编号;
S32、获取监控区域内包含的所有路段编号构成的集合,记为第一集合,获取包含第一标记点所属的路段编号及第二标记点所属的路段编号的第一集合的所有子集;
S33、分析获取的所有子集中,每个子集对应的各个路段编号之间的连续性,对获取的子集进行筛选,
当获取的一个子集对应的各个路段编号无法构成一条连续的路线,则判定相应子集不具有连续性,将相应子集删除,
当获取的一个子集对应的各个路段编号能够构成一条连续的路线,则判定相应子集具有连续性,不对该子集进行处理;
S34、获取S33中筛选后的结果,筛选后的每个子集对应一种路径方案,得到监控区域内从第一标记点至第二标记点的所有路径方案,将监控区域内从第一标记点至第二标记点的所有路径方案中第k个路径方案对应的编号记为Dk;
所述S4中预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点的方法包括以下步骤:
S41、获取按注册用户编号对应的导航路径信息行驶至第一标记点时行驶的距离,记为第一行驶距离,获取按注册用户编号对应的导航路径信息开始行驶的时间点,记为第一起始时间;
S42、获取注册用户编号对应的用户历史上传的各个车辆信息中相应车速的平均值,记为第一车速;
S43、得到按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点的预测值,记为第一时间节点,所述第一时间节点等于第一行驶距离除以第一车速的商与第一起始时间的和;
所述S4中分析各个路径方案对应的路况通行难度的方法包括以下步骤:
S401、获取监控区域内从第一标记点至第二标记点的所有路径方案中的所有路径方案及各个路径方案相应的编号,获取第一时间节点及第一时间节点分别对应的第一组成时间与第二组成时间;
S402、获取第二时间节点之后的监控区域内更新共享的地图路况状态变化情况,所述第二时间节点对应的第一组成时间比第一时间节点对应的第一组成时间小一天,且第二时间节点对应的第二组成时间与第一时间节点对应的第二组成时间相同,将第二时间节点记为TB;
S403、得到编号Dk的路径方案对应的路况通行难度WDk,
其中,uDk表示编号Dk的路径方案中包含的路段编号总个数,
H(Dkr)表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的路况通行难度,1≤r≤uDk,
Dkr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号,
tzr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最大时间点,
tz(r-1)表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,在第r个路段通行的最小时间点,当r=1时,tz(r-1)表示第二时间节点,
Gt4Dkr表示t4∈[tz(r-1),tzr]时,监控区域内更新共享的地图在t4时路段编号Dkr对应的路况状态值,
Vt4Dkr表示t4∈[tz(r-1),tzr]时,监控区域内更新共享的地图在t4时路段编号Dkr对应的车辆通行速度,
LDkr表示编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的长度,且LDkr是通过查询预制的数据库获取的;
获取监控区域内从第一标记点至第二标记点的所有路径方案分别对应的路况通行难度,并将路况通行难度最小的路径方案作为最佳通行路径方案。
2.根据权利要求1所述的一种基于大数据的交通运输云数据共享管理方法,其特征在于:所述S5中获取路况通行情况异常的各个路段编号与标记路径的重合区域的方法包括以下步骤:
S51、获取编号Dk的路径方案从第一标记点至第二标记点构成的连续路径中,第r个路段对应的路段编号相应的通行时间区间[tz(r-1),tzr],
获取通行时间区间[tz(r-1),tzr]内第r个路段通行过程中,监控区域内更新共享的地图对应的各个路况状态值的最大值和各个路面平整通行状态值的最小值;
S52、对除最佳通行路径方案的各个路径方案中的各个路段通行情况进行异常判断,得到路况通行情况异常的各个路段编号,并汇总到一个空白集合中,得到第一异常集合F1,
当路段编号在通行时间区间内,监控区域内更新共享的地图对应的各个路况状态值的最大值与各个路面平整通行状态值的最小值的差值大于等于第一阈值时,则判定该路段编号的路况通行情况异常,反之,则判定该路段编号的路况通行情况正常,所述第一阈值为数据库中预置的常数;
S53、获取标记路径中包含的各个路段编号,并汇总到一个空白集合中,得到第二路径编号集合F2;
S54、得到路况通行情况异常的各个路段编号与标记路径的重合区域,所述重合区域为F1∩F2对应的各个路段。
3.一种基于大数据的交通运输云数据共享管理系统,所述系统基于权利要求1-2中任意一项所述的一种基于大数据的交通运输云数据共享管理方法实现,其特征在于,所述系统包括以下模块:
车辆信息获取模块,所述车辆信息获取模块获取监控区域内的所有注册用户编号,并通过云端每隔第一单位时间T采集一次每个注册用户编号对应车辆的车辆信息,所述车辆信息包括定位信息、油耗信息、车型及车辆状况信息;
路况状态变化分析模块,所述路况状态变化分析模块结合车型及车辆状况信息对不同注册用户编号的油耗信息进行归一化处理,并根据历史数据中的归一化处理结果分析不同路段编号的路况状态变化情况,并对监控区域内地图的路况状态进行更新共享;
路径方案规划模块,所述路径方案规划模块获取注册用户编号对应的导航路径信息,对导航路径信息中与监控区域重合的路径进行标记,并将标记路径的起点记为第一标记点,将标记路径的终点记为第二标记点,获取监控区域内从第一标记点至第二标记点的所有路径方案,并对获取的各个路径方案进行编号;
最佳通行路径方案筛选模块,所述最佳通行路径方案筛选模块预测按注册用户编号对应的导航路径信息行驶至第一标记点时相应的时间点,记为第一时间节点,根据基于第一时间节点之前一天内的监控区域内更新共享的地图路况状态变化情况,分析各个路径方案对应的路况通行难度,筛选最佳通行路径方案;
预警管理模块,所述预警管理模块分析除最佳通行路径方案之外的各个路径方案中路况中,各个路段编号的路况通行情况,获取路况通行情况异常的各个路段编号与标记路径的重合区域,并将所得重合区域的路段编号发送给相应的注册用户进行预警。
4.根据权利要求3所述的一种基于大数据的交通运输云数据共享管理系统,其特征在于:所述车辆信息获取模块中车辆信息中的定位信息包括监控区域内车辆卫星定位坐标所属的路段编号及定位时间,所述定位时间包括第一组成时间及第二组成时间,所述第一组成时间包括年、月及日,所述第二组成时间包括时、分及秒,当车辆卫星定位坐标不属于监控区域时,则判定相应注册用户编号相应时间上传的车辆信息为空;所述油耗信息包括从上一次采集车辆信息后车辆的油耗量;所述车辆状况信息包括车辆使用年限、车辆载重量及从上一次采集车辆信息后车辆的平均车速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063210.4A CN116206478B (zh) | 2023-01-17 | 2023-01-17 | 一种基于大数据的交通运输云数据共享管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310063210.4A CN116206478B (zh) | 2023-01-17 | 2023-01-17 | 一种基于大数据的交通运输云数据共享管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116206478A CN116206478A (zh) | 2023-06-02 |
CN116206478B true CN116206478B (zh) | 2023-08-29 |
Family
ID=86507113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310063210.4A Active CN116206478B (zh) | 2023-01-17 | 2023-01-17 | 一种基于大数据的交通运输云数据共享管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206478B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116546431B (zh) * | 2023-07-04 | 2023-09-19 | 北京江云智能科技有限公司 | 一种基于北斗全网通多网融合数据采集通信系统及方法 |
CN117037480A (zh) * | 2023-08-08 | 2023-11-10 | 深圳源谷科技有限公司 | 一种基于北斗定位的车辆监管分析系统及方法 |
CN117218851B (zh) * | 2023-09-26 | 2024-05-03 | 深圳市纵停科技有限公司 | 一种基于物联网的车辆安全智慧监管系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865472A (zh) * | 2016-04-06 | 2016-08-17 | 重庆邮电大学 | 一种基于最佳油耗的车载导航方法 |
CN109300312A (zh) * | 2018-12-06 | 2019-02-01 | 深圳市泰比特科技有限公司 | 一种基于车辆大数据的路况分析方法及系统 |
JP2019185232A (ja) * | 2018-04-05 | 2019-10-24 | アイシン・エィ・ダブリュ株式会社 | 交通情報案内システム及び交通情報配信装置 |
CN114005282A (zh) * | 2021-12-30 | 2022-02-01 | 南京城建隧桥智慧管理有限公司 | 一种基于群智感知的智慧城市交通管理系统及方法 |
CN115472003A (zh) * | 2022-07-27 | 2022-12-13 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762050B2 (en) * | 2011-09-07 | 2014-06-24 | National Tsing Hua University | Fuel-saving path planning navigation system and fuel-saving path planning method thereof |
-
2023
- 2023-01-17 CN CN202310063210.4A patent/CN116206478B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105865472A (zh) * | 2016-04-06 | 2016-08-17 | 重庆邮电大学 | 一种基于最佳油耗的车载导航方法 |
JP2019185232A (ja) * | 2018-04-05 | 2019-10-24 | アイシン・エィ・ダブリュ株式会社 | 交通情報案内システム及び交通情報配信装置 |
CN109300312A (zh) * | 2018-12-06 | 2019-02-01 | 深圳市泰比特科技有限公司 | 一种基于车辆大数据的路况分析方法及系统 |
CN114005282A (zh) * | 2021-12-30 | 2022-02-01 | 南京城建隧桥智慧管理有限公司 | 一种基于群智感知的智慧城市交通管理系统及方法 |
CN115472003A (zh) * | 2022-07-27 | 2022-12-13 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN116206478A (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116206478B (zh) | 一种基于大数据的交通运输云数据共享管理系统及方法 | |
Turner et al. | Probe vehicle sample sizes for real-time information: The Houston experience | |
AU2003259357B2 (en) | Apparatus and method for providing traffic information | |
Chen et al. | Data analytics approach for travel time reliability pattern analysis and prediction | |
CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
Turner et al. | Measuring and estimating congestion using travel time–based procedures | |
CN111260933B (zh) | 用于高分辨率机动车动态排放清单的小时交通量测算方法 | |
Abdel-Aty et al. | Assessing crash occurrence on urban freeways by applying a system of interrelated equations | |
Lobo et al. | Modelling the Operating Speed in Segments of Two‐Lane Highways from Probe Vehicle Data: A Stochastic Frontier Approach | |
Shen | Freeway travel time estimation and prediction using dynamic neural networks | |
Zhang et al. | Methods to Analyze and Predict Interstate Travel Time Reliability | |
Kwon et al. | Evaluation of PeMS to improve the congestion monitoring program | |
Jain et al. | Evaluation of travel speed of conventional buses and bus rapid transit service in Ahmedabad city, India using geo-informatics | |
Chen et al. | Measuring Congestion for Strategic Highway Investment for Tomorrow (SHIFT) Implementation (PL-32) | |
Ahn et al. | Data quality white paper. | |
Gudishala et al. | Diverted traffic measurement | |
Mathew et al. | Systemic evaluation of spatio-temporal variations in travel time reliability due to a toll road over time | |
CN115326180B (zh) | 一种基于通信技术的大规模车辆动态定位方法 | |
Zhang | Analyzing Freight Congestion and Transportation Performance Measures Using the National Performance Management Research Data Set (NPMRDS) | |
Guide | Traffic Monitoring Guide | |
Miller et al. | An Investigation Of The Costs Of Roadway Traffic Congestion: A Preparatory Step For IVHSBenefit's Evaluation | |
Asqool | Evaluation of Outlier Filtering Algorithms for Accurate Measurement of Travel Time Reliability Incorporating Lane-Splitting Situations | |
Hadi et al. | Integrated Environment for Performance Measurements and Assessment of Intelligent Transportation Systems Operations | |
Koilada | Exploring Relationships Between Travel Time Based Performance Measures | |
Chen | Use of Multisensor Data in Modeling Freeway Travel Time: Variability Analysis and Prediction |
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 |