CN116311935B - 一种基于大数据的智慧城市交通管理方法 - Google Patents
一种基于大数据的智慧城市交通管理方法 Download PDFInfo
- Publication number
- CN116311935B CN116311935B CN202310273896.XA CN202310273896A CN116311935B CN 116311935 B CN116311935 B CN 116311935B CN 202310273896 A CN202310273896 A CN 202310273896A CN 116311935 B CN116311935 B CN 116311935B
- Authority
- CN
- China
- Prior art keywords
- model
- vehicle
- traffic management
- information
- city 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 79
- 230000005477 standard model Effects 0.000 claims abstract description 8
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 30
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005215 recombination Methods 0.000 description 2
- 230000006798 recombination Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Analytical Chemistry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种基于大数据的智慧城市交通管理方法,包括:步骤1、根据城市规划局提供的全市道路信息创建城市道路虚拟平台;步骤2、提取监控系统的视频信息和音频信息构建全市车辆基本模型;步骤3、将全市车辆在道路行驶实时状况在虚拟道路平台显示;步骤4、采用所述文心ERNIE‑ViLG模型根据交通管理法创建车辆规范行驶模型;步骤5、根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值判定车辆违规情况;步骤6、根据车载导航系统以及车辆的行驶情况预测未来车流情况,本发明大大提高了智慧城市交通管理能力。
Description
技术领域
本发明涉及大数据处理技术领域,且更具体地涉及一种基于大数据智慧城市交通管理方法。
背景技术
随着社会经济的发展和城市化进程加快,汽车保有量迅速增长,交通拥挤、交通事故、环境污染、能源短缺等问题已经成为世界各国面临的共同难题,无论是发达国家,还是发展中国家,都亳无例外地承受着不断加剧的交通问题的困扰。解决交通问题的传统方法是大规模修建道路。但目前大部分国家,可供修建道路的空间已经越来越小。另外,交通系统是个复杂的系统,仅仅单独从道路方面或者车辆方面考虑,都难以从根本上解决问题。
在此背景下,智慧交通是在智能交通基础上,融入物联网、云计算、大数据、移动互联等高新IT技术,通过高新技术汇集交通信息,提供实时交通数据下的交通信息服务。大量使用了数据模型、数据挖掘等数据处理技术,实现了智慧交通的系统性、实时性、信息交流的交互性以及服务的广泛性。
现有技术中,也有针对该技术进行相关技术研究,专利号CN202211077291.5公开了一种基于大数据的城市交通管理方法,通过对道路停车和道路车流量的预测,判断道路交通拥堵状况,并根据交通拥堵状况调度公交,解决由道路停车导致的交通拥堵问题。但是此方法仅通过道路停车以及车流量预测并不能判定车辆的具体违规问题,无法从根源上给予司机提醒。专利号CN202110092565.7公开了一种基于大数据的城市交通管理方法,包括:智慧交通云平台接收各停车辅助设备发送的车位实况信息和车辆终端发送的车辆停车请求。但是此方法仅对停车问题采用智能化管理,而无法对通过大数据与人工智能的方法实现车辆违规行为和车流拥堵情况进行判定和调度,大大降低智慧城市交通管理能力,造成城市交通管理能力滞后。
发明内容
针对上述技术的不足,本发明公开一种基于大数据的智慧城市交通管理方法,通过大数据与人工智能的方法实现车辆违规行为和车流拥堵情况进行判定和调度,大大提高智慧城市交通管理能力,提高城市交通管理能力。
分析有鉴于此,本发明提供了一种基于大数据的智慧城市交通管理方法,其包括如下步骤:
步骤1、根据城市规划局提供的全市道路信息创建城市道路虚拟平台;
在本步骤中,将全市道路基本信息通过虚拟现实系统在云平台构建,用于反映实时道路状况;
步骤2、提取监控系统的视频信息和音频信息构建全市车辆基本模型;
步骤3、将全市车辆在道路行驶实时状况在虚拟道路平台显示;
步骤4、采用所述文心ERNIE-ViLG模型根据交通管理法创建车辆规范行驶模型;
步骤5、根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值判定车辆违规情况;
步骤6、根据车载导航系统以及车辆的行驶情况预测未来车流情况。
作为本发明进一步的技术方案,所述虚拟现实系统包含效果产生器和实景仿真器;所述效果产生器通过计算机接口与实景仿真器连接;所述效果产生器用于输出智慧城市交通管理数据信息的效果,所述实景仿真器用于仿真智慧城市交通实景状况;其中所述实景仿真器由应用系统和几何构造系统组成;所述几何构造系统和应用系统连接;所述应用系统用于在应用智慧城市交通管理过程中产生实景数据信息,几何构造系统用于定义、描述、生成几何模型,能够通过交互编辑处理、将物体的形状及其各种属性存储在计算机内,以形成智慧城市交通管理的几何模型,实景仿真器包括自适应控制模块和所述目标模拟仿真器连接的信号模拟仿真器、目标模拟仿真器、三维模型生成模型和实景调整模块;。
作为本发明进一步的技术方案,所述文心ERNIE-ViLG模型使用编码器-解码器参数共享的转换器作为自回归生成的主干网络,同时学习文本生成图像、图像生成文本两个任务;基于图像向量量化技术,所述文心ERNIE-ViLG把图像表示成离散的序列,从而将文本和图像进行统一的序列自回归生成建模;在文本生成图像时,所述文心ERNIE-ViLG模型的输入是文本令牌序列,输出是图像令牌序列;图像生成文本时则根据输入的图像序列预测文本内容;两个方向的生成任务使用同一个转换器模型,视觉和语言两个模态在相同模型参数下进行相同模式的生成,促进了模型建立更好的跨模态语义对齐;已有基于图像离散表示的文本生成图像模型主要采用两阶段训练,文本生成视觉序列和根据视觉序列重建图像两个阶段独立训练,所述文心ERNIE-ViLG提出了端到端的训练方法,将序列生成过程中转换器模型输出的隐层图像表示连接到重建模型中进行图像还原;对于生成模型同时接收自身的抽象监督信号和来自重建模型的原始监督信号。
文心ERNIE-ViLG模型包括信息识别模块、图像处理器、模式转换模块、学习器和重构模块,其中所述信息识别模块的输出端与图像处理器的输入端连接,图像处理器的输出端与模式转换模块的输入端连接,所述模式转换模块的输出端与学习器的输入端连接,所述学习器的输出端与重构模块的输入端连接,其中所述信息识别模块用于将智慧城市交通管理数据信息转换为被文心ERNIE-ViLG模型识别的数据信息;图像处理器用于将智慧城市交通管理数据信息进行图像转换或者处理;模式转换模块用于将智慧城市交通管理数据信息转换为文心ERNIE-ViLG模型识别的数据格式,学习器用于将智慧城市交通管理数据信息通过训练,以提高学习能力,重构模块用于根据学习规则对输入的智慧城市交通管理数据信息重新组合,以提高不同状态下的智慧城市交通管理能力。
作为本发明进一步的技术方案,所述转换器模型是一种基于seq2seq结构的序列生成神经网络,包括编码器、解码器和多种注意力机制,其中:所述编码器由6个相同的层堆栈组成,每层有两个子层,第一个是一个多头注意力机制;第二个是一个简单的完全连接的前馈网络,两个子层的每一层均采用剩余连接,并且在这两个子层之间应用了层规范化,每个子层的输出是:
x+Sublayer(LayerNorm(x)) (1)
其中Sublayer(x)是子层本身的函数,x为输入信息;
所述解码器由6个相同的层堆栈组成,每层有三个子层,第一个是一个多头注意力机制;第二个是一个简单的完全连接的前馈网络,第三个子层在编码器堆栈的输出上执行多头注意力,每个子层遵循与编码器中相同的方式;
所述多种注意力机制包含缩放点积注意力机制和多头注意力机制,其中缩放点积注意力机制遵循下列方式计算:
其中Q、K、V分别是查询、键和值,dk是键的维度,T代表转置;
多头注意力机制遵循下列计算方式:
MultiHead(Q,K,V)=Concat(head1,.....,headh)WO (3)
headi=Attention(QWi Q,KWi K,VWi V) (4)
其中Q、K、V分别是查询、键和值,i代表维度;
位置信息由下列方式计算:
p代表时间,i代表维度,dk是键的维度。
应用系统包括城市交通元素数据库、操作工具数据库和交通元素更换数据库;
几何构造系统包括点元素、边元素、环元素、面元素或者体元素。作为本发明进一步的技术方案,根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值判定车辆违规情况,所述匹配度大于设定的阈值时,判定车辆未违规不予处罚,所述匹配度小于设定的阈值时,依法对违规车辆虚拟模型进行处罚,车辆导航系统将违规行为通过语音播报进行提示。
作为本发明进一步的技术方案,根据车载导航系统以及车辆的行驶情况预测未来车流情况,包括根据车辆行驶状况将未来一段时间内的车流预测情况在虚拟平台展示,将车辆进行统一调度分流,防止道路拥堵。
作为本发明进一步的技术方案,自适应控制模块包括FPGA模块和与所述FPGA单元连接的搜索模块、匹配模块和调整模块,其中所述搜索模块用于搜索智慧城市交通管理信息,所述匹配模块用于匹配智慧城市交通管理信息,所述调整模块用于调整当前出现的智慧城市交通管理数据信息。
本发明区别于现有技术的积极有益效果:
通过城市规划局提供的全市道路信息创建城市道路虚拟平台,提取监控系统的视频信息和音频信息构建全市车辆基本模型,将全市车辆在道路行驶实时状况在虚拟道路平台显示,采用所述文心ERNIE-ViLG模型根据交通管理法创建车辆规范行驶模型,获取车辆实时行驶模型与规范模型的匹配度,将所述匹配度与设定的阈值进行比较,所述匹配度大于设定的阈值时,判定车辆未违规不予处罚,所述匹配度小于设定的阈值时,依法对违规车辆虚拟模型进行处罚,车辆导航系统将违规行为通过语音播报进行提示,根据车辆行驶状况将未来一段时间内的车流预测情况在虚拟平台展示,将车辆进行统一调度分流,防止道路拥堵,本发明通过大数据与人工智能的方法实现车辆违规行为和车流拥堵情况进行判定和调度,从而减少了居民在道路上花费的时间,降低了车辆事故和拥堵的机率,大大提高了城市居民的道路法规分析意识和生活体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明一种基于大数据的智慧城市交通管理方法的整体架构示意图;
图2为本发明所采用的虚拟现实系统示意图;
图3为本发明所采用的文心ERNIE-ViLG模型原理图;
图4为转换器整体架构图。
具体实施方式
下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
如图1-图4所示,一种基于大数据的智慧城市交通管理方法,包括如下步骤:
步骤1、根据城市规划局提供的全市道路信息创建城市道路虚拟平台;
在本步骤中,将全市道路基本信息通过虚拟现实系统在云平台构建,用于反映实时道路状况。
步骤2、提取监控系统的视频信息和音频信息构建全市车辆基本模型;
步骤3、将全市车辆在道路行驶实时状况在虚拟道路平台显示;
步骤4、采用所述文心ERNIE-ViLG模型根据交通管理法创建车辆规范行驶模型;
步骤5、根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值判定车辆违规情况;
步骤6、根据车载导航系统以及车辆的行驶情况预测未来车流情况。
在具体实施例中,文心ERNIE-ViLG模型通过统一的跨模态双向生成模型,通过自回归生成模式对图像生成和文本生成任务进行统一建模,更好地捕捉模态间的语义对齐关系,从而同时提升图文双向生成任务的效果。应用这种思路,将这种方法应用到智慧城市交通管理中,能够提高智慧城市交通管理能力。
在进一步的实施例中,所述虚拟现实系统包含效果产生器和实景仿真器;所述效果产生器通过计算机接口与实景仿真器连接;所述效果产生器用于输出智慧城市交通管理数据信息的效果,所述实景仿真器用于仿真智慧城市交通实景状况;其中所述实景仿真器由应用系统和几何构造系统组成;所述几何构造系统和应用系统连接;所述应用系统用于在应用智慧城市交通管理过程中产生实景数据信息,几何构造系统用于定义、描述、生成几何模型,能够通过交互编辑处理、将物体的形状及其各种属性存储在计算机内,以形成智慧城市交通管理的几何模型,实景仿真器包括自适应控制模块和所述目标模拟仿真器连接的信号模拟仿真器、目标模拟仿真器、三维模型生成模型和实景调整模块;
再进一步的实施例中,所述虚拟现实系统工作方法为:所述几何构造系统将道路信息转化为道路模型,通过所述应用系统将道路模型三维化,再将三维化后的道路模型通过所述计算机接口传输到所述效果产生器在云平台显示并实体化。
在进一步的实施例中,通过DSP处理单元和FPGA单元融合自适应控制模块,以提高数据信息控制能力,自适应控制模块连接有通信接口单元、SRAM单元和双口RAM单元等,所述双口RAM单元连接有智慧城市交通管理数据信息系统接口、互感器、信息采集口、A/D转换单元、开关量输入接口和开关量输出接口,其中FPGA单元还连接有ARM9200模块,其中所述ARM9200模块连接有移动存储单元、SDRAM模块、RS485接口、以太网接口、RS232接口或者无线通信接口。比如A/D转换单元为基于ADS8364的采样电路。A/D转换单元将转换后的数字信息输入至DSP处理单元。在本发明中,所述文心ERNIE-ViLG模型使用编码器-解码器参数共享的转换器作为自回归生成的主干网络,同时学习文本生成图像、图像生成文本两个任务;基于图像向量量化技术,所述文心ERNIE-ViLG把图像表示成离散的序列,从而将文本和图像进行统一的序列自回归生成建模;在文本生成图像时,所述文心ERNIE-ViLG模型的输入是文本令牌序列,输出是图像令牌序列;图像生成文本时则根据输入的图像序列预测文本内容;两个方向的生成任务使用同一个转换器模型,视觉和语言两个模态在相同模型参数下进行相同模式的生成,促进了模型建立更好的跨模态语义对齐;已有基于图像离散表示的文本生成图像模型主要采用两阶段训练,文本生成视觉序列和根据视觉序列重建图像两个阶段独立训练,所述文心ERNIE-ViLG提出了端到端的训练方法,将序列生成过程中转换器模型输出的隐层图像表示连接到重建模型中进行图像还原;对于生成模型同时接收自身的抽象监督信号和来自重建模型的原始监督信号。
在具体实施例中,文心ERNIE-ViLG模型包括信息识别模块、图像处理器、模式转换模块、学习器和重构模块,其中所述信息识别模块的输出端与图像处理器的输入端连接,图像处理器的输出端与模式转换模块的输入端连接,所述模式转换模块的输出端与学习器的输入端连接,所述学习器的输出端与重构模块的输入端连接,其中所述信息识别模块用于将智慧城市交通管理数据信息转换为被文心ERNIE-ViLG模型识别的数据信息;图像处理器用于将智慧城市交通管理数据信息进行图像转换或者处理;模式转换模块用于将智慧城市交通管理数据信息转换为文心ERNIE-ViLG模型识别的数据格式,学习器用于将智慧城市交通管理数据信息通过训练,以提高学习能力,重构模块用于根据学习规则对输入的智慧城市交通管理数据信息重新组合,以提高不同状态下的智慧城市交通管理能力。
在具体实施例中,文心ERNIE-ViLG模型中,本发明具有与传统技术区别的技术要点,其中信息识别模块通过转换格式以提高智慧城市交通管理数据信息的识别与应用能力,比如识别模块对智慧城市交通管理数据信息进行分析、计算,得出智慧城市交通管理数据信息,比如通过设置LPC2292微控制器,通过设置AD转换口,LPC2292由锂电池经过聚流稳压的处理后进行智慧城市交通管理数据信息处理,该控制器与用户预设的数据库连接,将采样信息与标准值进行对比,之后再通过TLV5638进行数模转换后输出电压,并与阈值电压对比来判断是否发生故障,再将判断后的结果由AD9235进行D/A转换,并由XC95144XL芯片实现数据显示,进而提高智慧城市交通管理数据信息识别或者处理。
在具体实施例中,图像处理器采用CMOS图像传感器和镜头设备进行图像采集,通过并口与核心处理器建立通信。比如通过所述CMOS图像传感器获取智慧城市交通管理数据信息,由于刚处理的数据信息具有一定的图像不清楚或者其他不利于数据信息处理,将所述CMOS图像传感器的图像数据信号输出端与所述单片机核心处理器内DCMI模块的图像数据信号输入端相连;以提高所述单片机核心处理器的图像信号交互端,通过数据信息进行处理,以提高智慧城市交通管理数据信息处理。
模式转换模块用于实现源库对象在目标库上的转换,以及智慧城市交通管理数据信息在不同模式转换的方法以提高不同场景下的分析与转化。
学习器比如采用聚类算法模型实现智慧城市交通管理数据信息的分析与学习,在一种实施例中,比如:
(1)选择智慧城市交通管理数据异常信息分类指标,假设信息分类指标定义为p,影响信息分析的因素定义为道路交通拥堵指数X1、疏通及时指数X2和命令指挥及时指数X3;
(2)根据影响信息分析的因素指数X1、X2和X3的重要性程度确定类指标的权数,所述权数的值介于1-200之间;
(3)然后对待评估信息的原始数据进行标准化的处理,以满足多种场景的应用;所述标准化处理方法为标准极差化法,所述标准极差化法公式为:
表示指标平均数,Sk为指标标准差,然后得出标准化矩阵公式,有:
在本步骤中,对于每一个成对比较阵计算最大特征根及对应的特征向量,利用一致性指标,随机一致性指标和一致性比率做一致性检验,若通过检验,特征向量即为权向量;否则,重新构造。计算权重向量并做一致性检验,对判断矩阵进行数学计算,求其主特征值及其相应的主特征向量,所述向量即为层次权重向量;然后求出标准化矩阵Z的相关矩阵,用公式表示为:
式中:
所述标准化矩阵Z的相关矩阵中,rij∈[0,1],其中1表示完全相关,0表示完全不相关。所述判断矩阵A的秩为1,并且所述判断矩阵A的唯一非零特征根为n,n≥5,所述判断矩阵A的任一列向量都是对应于特征根n的特征向量,若所述判断矩阵A为一致阵,则对应于特征根n的归一化的特征向量表示各因素对上一层因素Z的权向量,各分量为各因素对于Z的权重。
计算组合权重向量并做组合一致性检验,通过归一化和层层加总,计算各层元素对系统目标的合成权重,完成综合判断,进行总排序,确立层次结构图中最底层各个元素在总目标中的重要程度,通过求解判断矩阵的最大特征根及其对应的特征向量,进行一致性检验;所述一致性指标为:
其中所述CI=0时,所述判断矩阵A一致,CI值越大,所述判断矩阵A的不一致性程度越严重。所述一致性指标中的随机一致性指标RI<1.6。
在该研究中,所述一致性指标或随机一致性指标的一致性比率为:
其中当CR<0.1时,所述判断矩阵A的不一致性程度合格,此时可用A的特征向量作为权向量,当CR>0.1时,所述判断矩阵A超标。其中j=1,2,3,...,p。这种方式被启动后可以重新换其他方式进行重新组合。
(4)然后计算出不同数据信息在多维空间之间的距离dij,采用距离公式为:
其中fk表示各指标权数,zik表示第i项信息集合的第k个指标值。
(5)根据距离dij的大小选择影响信息因素之间的远近程度,根据远近程度划分类别。通过上述方法实现数据信息的分类与计算。然后使用R中的智慧城市交通管理信息数据元素r体现不同样本之间的关联关系,当相似系数越趋近于1时,代表两样本差异越小,反之越接近0则差异越大。对相似系数的设定在该样本中可以通过夹角余弦法确定,由x总数与其特征总数p确定矩阵X为:
通过公式(8)可以输出智慧城市交通管理信息数据集合,然后将输入的数据信息矩阵按照以下公式进行模糊化处理,即可得到相似系数值:
公式(9)中,其中
其中:
将每种聚类的数据信息与平均数据信息进行比对,可以获悉其发生的风险与危害情况。先根据相似系数将电网中软、硬件故障与外来攻击类型进行分类,根据特征将其分为k类,随后根据聚类各类型离散点在平面坐标上所占数总量大小S来确认每种问题的风险大小,计算公式为:
公式(12)中x代表智慧城市交通管理信息数据总数据库中所采集到的任意一次风险信息,q(x)代表位于x点的风险信息到其所属类别边缘的距离,这一数值也表示了其在所属类型中的典型性与发生几率;p(x)则指这一点到不属于其所属类型的其他风险的最小距离,这一数值反应该风险在整个智慧城市交通管理信息数据数据库中的重要性。
上述仅仅为一种示例性实施例。
重构模块通过数据库信息的控制,将智慧城市交通管理数据信息重新组合,重新将数据库中的数据信息重新组合,以提高智慧城市交通管理数据信息在不同方式下进行重新组合,以提高数据库信息的重组、分析能力。在本发明中,所述转换器模型是一种基于seq2seq结构的序列生成神经网络,包括编码器、解码器和多种注意力机制,其中:
所述编码器由6个相同的层堆栈组成,每层有两个子层,第一个是一个多头注意力机制;第二个是一个简单的完全连接的前馈网络,两个子层的每一层均采用剩余连接,并且在这两个子层之间应用了层规范化,每个子层的输出是
x+Sublayer(LayerNorm(x)) (13)
其中Sublayer(x)是子层本身的函数,x为输入信息;
所述解码器由6个相同的层堆栈组成,每层有三个子层,第一个是一个多头注意力机制;第二个是一个简单的完全连接的前馈网络,第三个子层在编码器堆栈的输出上执行多头注意力,每个子层遵循与编码器中相同的方式;
所述多种注意力机制包含缩放点积注意力机制和多头注意力机制,其中缩放点积注意力机制遵循下列方式计算:
其中Q、K、V分别是查询、键和值,dk是键的维度;
多头注意力机制遵循下列计算方式:
MultiHead(Q,K,V)=Concat(head1,.....,headh)WO (15)
headi=Attention(QWi Q,KWi K,VWi V) (16)
其中Q、K、V分别是查询、键和值,i代表维度;
位置信息由下列方式计算:
p代表时间,i代表维度,dk是键的维度。
在本发明中,应用系统包括城市交通元素数据库、操作工具数据库和交通元素更换数据库;几何构造系统包括点元素、边元素、环元素、面元素或者体元素。
在本发明中,根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值判定车辆违规情况,所述匹配度大于设定的阈值时,判定车辆未违规不予处罚,所述匹配度小于设定的阈值时,依法对违规车辆虚拟模型进行处罚,车辆导航系统将违规行为通过语音播报进行提示。
在本发明中,根据车载导航系统以及车辆的行驶情况预测未来车流情况,包括根据车辆行驶状况将未来一段时间内的车流预测情况在虚拟平台展示,将车辆进行统一调度分流,防止道路拥堵。
本发明的具体实施过程为:将城市规划局提供的全市道路信息利用所述虚拟现实技术在云平台搭建全市虚拟道路,并根据全市监控系统在车辆行驶在道路上时创建相应的车辆行驶模型,当车辆停止在规定停车位或地下停车库时相应车辆模型消失,采用所述文心ERNIE-ViLG模型将交通法规转化为规范化车辆行驶动态模型,获取车辆行驶模型和规范化车辆行驶动态模型的匹配度,当所述匹配度大于设定的阈值时,判定车辆行驶规范不予处罚,否则判定车辆行驶违规并通过导航系统进行语音通报和处罚,根据车载导航系统对车的实时定位系统以及路径规划获取每辆车的目的地,按照目的地对每条虚拟道路进行车流量预测,及时将车辆分流,预防道路拥堵情况产生,对于发生严重交通事故的道路加大车辆分流力度,及时安排附近救援队进行救援。
自适应控制模块包括FPGA模块和与所述FPGA单元连接的搜索模块、匹配模块和调整模块,其中所述搜索模块用于搜索智慧城市交通管理信息,所述匹配模块用于匹配智慧城市交通管理信息,所述调整模块用于调整当前出现的智慧城市交通管理数据信息。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (6)
1.一种基于大数据的智慧城市交通管理方法,其特征在于:包括如下步骤:
步骤1、根据城市规划局提供的全市道路信息创建城市道路虚拟平台;
在本步骤中,将全市道路基本信息通过虚拟现实系统在云平台构建,用于反映实时道路状况;所述虚拟现实系统包含效果产生器和实景仿真器;
所述效果产生器通过计算机接口与实景仿真器连接;所述效果产生器用于输出智慧城市交通管理数据信息的效果,所述实景仿真器用于仿真智慧城市交通实景状况;其中所述实景仿真器由应用系统和几何构造系统组成;
所述几何构造系统和应用系统连接;
所述应用系统用于在应用智慧城市交通管理过程中产生实景数据信息,几何构造系统用于定义、描述、生成几何模型,能够通过交互编辑处理、将物体的形状及其各种属性存储在计算机内,以形成智慧城市交通管理的几何模型,实景仿真器包括自适应控制模块、目标模拟仿真器、三维模型生成模型、实景调整模块和与目标模拟仿真器连接的信号模拟仿真器;
步骤2、提取监控系统的视频信息和音频信息构建全市车辆基本模型;
步骤3、将全市车辆在道路行驶的实时状况在虚拟道路平台显示;
步骤4、采用ERNIE-ViLG模型根据交通管理法创建车辆规范行驶模型;所述ERNIE-ViLG模型使用编码器-解码器参数共享的转换器作为自回归生成的主干网络,同时学习文本生成图像、图像生成文本两个任务;
基于图像向量量化技术,所述ERNIE-ViLG模型把图像表示成离散的序列,从而将文本和图像进行统一的序列自回归生成建模;
在文本生成图像时,所述ERNIE-ViLG模型的输入是文本令牌序列,输出是图像令牌序列;图像生成文本时则根据输入的图像序列预测文本内容;两个方向的生成任务使用同一个转换器模型,视觉和语言两个模态在相同模型参数下进行相同模式的生成,用于增强模型建立跨模态语义对齐;
基于图像离散表示的文本生成图像模型主要采用两阶段训练,文本生成视觉序列和根据视觉序列重建图像两个阶段独立训练,所述ERNIE-ViLG模型采用端到端的训练方法,将序列生成过程中转换器模型输出的隐层图像表示连接到重建模型中进行图像还原;对于生成模型同时接收自身的抽象监督信号和来自重建模型的原始监督信号;
步骤5、根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值进行比较来判定车辆违规情况;
步骤6、根据车载导航系统以及车辆的行驶情况预测未来车流情况;
其中,所述ERNIE-ViLG模型包括信息识别模块、图像处理器、模式转换模块、学习器和重构模块,
其中,所述信息识别模块的输出端与图像处理器的输入端连接,图像处理器的输出端与模式转换模块的输入端连接,所述模式转换模块的输出端与学习器的输入端连接,
所述学习器的输出端与重构模块的输入端连接,其中所述信息识别模块用于将智慧城市交通管理数据信息转换为被ERNIE-ViLG模型识别的数据信息;
图像处理器用于将智慧城市交通管理数据信息进行图像转换或者处理;
模式转换模块用于将智慧城市交通管理数据信息转换为ERNIE-ViLG模型识别的数据格式,学习器用于将智慧城市交通管理数据信息通过训练,以提高学习能力,重构模块用于根据学习规则对输入的智慧城市交通管理数据信息重新组合,以提高不同状态下的智慧城市交通管理能力。
2.根据权利要求1所述的一种基于大数据的智慧城市交通管理方法,其特征在于:
应用系统包括城市交通元素数据库、操作工具数据库和交通元素更换数据库;几何构造系统包括点元素、边元素、环元素、面元素或者体元素。
3.根据权利要求2所述的一种基于大数据的智慧城市交通管理方法,其特征在于:所述转换器模型是一种基于seq2seq结构的序列生成神经网络,转换器模型包括编码器、解码器和多种注意力机制,其中:
所述编码器由6个相同的层堆栈组成,多头注意力两个子层的每一层均采用剩余连接,并且在这两个子层之间应用了层规范化,每个子层的输出是:
x+Sublayer(LayerNorm(x))(1)
其中Sublayer(x)是子层本身的函数,x为输入信息;
所述解码器由6个相同的层堆栈组成,多头注意力每个子层遵循与编码器中相同的方式;
所述多种注意力机制包含缩放点积注意力机制和多头注意力机制,其中缩放点积注意力机制遵循下列方式计算:
其中Q、K、V分别是查询、键和值,dk是键的维度,T代表转置;Attentio(n Q,K),表示注意力机制函数,
多头注意力机制遵循下列计算方式:
MultiHead(Q,K,V)=Concat(head1,.....,headh)WO (3)
headi=Attention(QWi Q,KWi K,VWi V) (4)
其中Q、K、V分别是查询、键和值,i代表维度;
位置信息由下列方式计算:
p代表时间,i代表维度,dk是键的维度。
4.根据权利要求1所述的一种基于大数据的智慧城市交通管理方法,其特征在于:根据获取车辆实时行驶模型与规范模型的匹配度与设定阈值判定车辆违规情况,所述匹配度大于设定阈值时,判定车辆未违规不予处罚,所述匹配度小于设定的阈值时,依法对违规车辆虚拟模型进行处罚,车辆导航系统将违规行为通过语音播报进行提示。
5.根据权利要求1所述的一种基于大数据的智慧城市交通管理方法,其特征在于:根据车载导航系统以及车辆的行驶情况预测未来车流情况,包括根据车辆行驶状况将未来一段时间内的车流预测情况在虚拟平台展示,将车辆进行统一调度分流,防止道路拥堵。
6.根据权利要求1所述的一种基于大数据的智慧城市交通管理方法,其特征在于:自适应控制模块包括FPGA模块和与所述FPGA单元连接的搜索模块、匹配模块和调整模块,其中所述搜索模块用于搜索智慧城市交通管理信息,所述匹配模块用于匹配智慧城市交通管理信息,所述调整模块用于调整当前出现的智慧城市交通管理数据信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273896.XA CN116311935B (zh) | 2023-03-20 | 2023-03-20 | 一种基于大数据的智慧城市交通管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310273896.XA CN116311935B (zh) | 2023-03-20 | 2023-03-20 | 一种基于大数据的智慧城市交通管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311935A CN116311935A (zh) | 2023-06-23 |
CN116311935B true CN116311935B (zh) | 2024-03-15 |
Family
ID=86818298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310273896.XA Active CN116311935B (zh) | 2023-03-20 | 2023-03-20 | 一种基于大数据的智慧城市交通管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311935B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 道路三维模型的建模方法和装置 |
CN110795813A (zh) * | 2019-08-14 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种交通仿真方法及装置 |
CN111737790A (zh) * | 2020-05-12 | 2020-10-02 | 中国兵器科学研究院 | 仿真城市模型的构建方法和设备 |
CN113260430A (zh) * | 2021-03-31 | 2021-08-13 | 华为技术有限公司 | 一种场景处理方法、装置、系统及相关设备 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
-
2023
- 2023-03-20 CN CN202310273896.XA patent/CN116311935B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069842A (zh) * | 2015-08-03 | 2015-11-18 | 百度在线网络技术(北京)有限公司 | 道路三维模型的建模方法和装置 |
CN110795813A (zh) * | 2019-08-14 | 2020-02-14 | 腾讯科技(深圳)有限公司 | 一种交通仿真方法及装置 |
CN111737790A (zh) * | 2020-05-12 | 2020-10-02 | 中国兵器科学研究院 | 仿真城市模型的构建方法和设备 |
CN113260430A (zh) * | 2021-03-31 | 2021-08-13 | 华为技术有限公司 | 一种场景处理方法、装置、系统及相关设备 |
WO2022205102A1 (zh) * | 2021-03-31 | 2022-10-06 | 华为技术有限公司 | 一种场景处理方法、装置、系统及相关设备 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116311935A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ping et al. | Impact of driver behavior on fuel consumption: Classification, evaluation and prediction using machine learning | |
CN109840612A (zh) | 用户驾驶行为分析方法及系统 | |
He et al. | Rail transit obstacle detection based on improved CNN | |
CN110298374B (zh) | 一种基于深度学习的驾驶轨迹能耗分析方法和装置 | |
CN114675742B (zh) | 一种面向高度自动驾驶的人机决策逻辑在线校验方法 | |
CN113762338A (zh) | 一种基于多重图注意力机制的交通流预测方法、设备及介质 | |
CN113870160A (zh) | 一种基于变换器神经网络的点云数据处理方法 | |
CN117011883A (zh) | 一种基于金字塔卷积和Transformer双分支的行人重识别方法 | |
CN115909092A (zh) | 轻量化输电通道隐患测距方法及隐患预警装置 | |
CN115205782A (zh) | 一种基于数字孪生技术的喂饭机器人集群监测管理方法 | |
CN114241458A (zh) | 一种基于姿态估计特征融合的驾驶员行为识别方法 | |
Chuanxia et al. | Machine learning and IoTs for forecasting prediction of smart road traffic flow | |
CN116311935B (zh) | 一种基于大数据的智慧城市交通管理方法 | |
CN117610734A (zh) | 基于深度学习的用户行为预测方法、系统和电子设备 | |
Sheng et al. | Deep spatial-temporal travel time prediction model based on trajectory feature | |
CN114926823B (zh) | 基于wgcn的车辆驾驶行为预测方法 | |
Miao et al. | A queue hybrid neural network with weather weighted factor for traffic flow prediction | |
CN115985132A (zh) | 一种基于图神经网络的路边停车可用性预测方法 | |
CN115965819A (zh) | 一种基于Transformer结构的轻量化害虫识别方法 | |
Feng et al. | Predicting vacant parking space availability zone-wisely: a densely connected ConvLSTM method | |
CN114970519A (zh) | 一种基于数据分词的车流量数据处理方法 | |
Liu et al. | Research on general model of intelligence level for smart home | |
Jiao et al. | Vehicle speed prediction using a combined neural network of convolution and gated recurrent unit with attention | |
CN114764754A (zh) | 一种基于几何感知先验引导的遮挡人脸修复方法 | |
Ding et al. | A novel deep learning framework for detecting seafarer’s unsafe behavior |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240206 Address after: 430000, No.47, Zhongnan 1st Road, Wuchang District, Wuhan City, Hubei Province Applicant after: Hubei Provincial Planning and Design Research Institute Co.,Ltd. Country or region after: China Address before: 401121 Floor 4, No. 198, East Section of Mount Huangshan Avenue, Yubei District, Chongqing Applicant before: Ran Linfu Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |