CN116384635A - 基于大数据的绿色生态城市信息化管理系统 - Google Patents

基于大数据的绿色生态城市信息化管理系统 Download PDF

Info

Publication number
CN116384635A
CN116384635A CN202310650725.4A CN202310650725A CN116384635A CN 116384635 A CN116384635 A CN 116384635A CN 202310650725 A CN202310650725 A CN 202310650725A CN 116384635 A CN116384635 A CN 116384635A
Authority
CN
China
Prior art keywords
weather
data
value
weather interference
time period
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.)
Granted
Application number
CN202310650725.4A
Other languages
English (en)
Other versions
CN116384635B (zh
Inventor
隋媛
孙兆洋
孙广芝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China National Institute of Standardization
Original Assignee
China National Institute of Standardization
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China National Institute of Standardization filed Critical China National Institute of Standardization
Priority to CN202310650725.4A priority Critical patent/CN116384635B/zh
Publication of CN116384635A publication Critical patent/CN116384635A/zh
Application granted granted Critical
Publication of CN116384635B publication Critical patent/CN116384635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Chemical & Material Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及城市信息管理技术领域，具体涉及基于大数据的绿色生态城市信息化管理系统。该系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：获取预设时间段内各采集时刻的通车速度和天气干扰度；根据所有采集时刻的通车速度之间的差异得到路况评估值；基于各采集时刻的天气干扰度与其他天气干扰度之间的差异，确定天气干扰度的相关数据；根据各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量得到基础权重值；基于路况评估值和基础权重值获得通车速度的权重系数，进而对所有采集时刻的通车速度进行拟合，获得趋势数据和周期数据。本发明提高了拟合结果的准确度。

Description

基于大数据的绿色生态城市信息化管理系统
技术领域
本发明涉及城市信息管理技术领域，具体涉及基于大数据的绿色生态城市信息化管理系统。
背景技术
在绿色生态城市信息化管理中，交通方面的管理一直都是重点，随着城市的发展，城市中的汽车数量越来越多，车辆拥堵情况也越来越严重，因此如何通过大数据技术对城市交通数据进行分析以达到较好的交通管理效果，提高出行效率，降低能源消耗和污染物排放是至关重要的。
现有的对于城市交通数据的分析是通过STL时间序列算法提取数据中的趋势信息和周期信息，辅助相关人员对容易出现堵车的时间点以及路段等进行分析，进而采取对应的管理措施。但是由于交通状况与天气、路段等因素之间并不是简单的线性关系，因此采用STL时间序列算法拟合时，会出现过拟合或欠拟合的情况，拟合结果不准确，使得城市交通数据的分析结果较差，进而导致城市交通管理的效果较差。
发明内容
为了解决现有方法存在的城市交通数据的拟合结果不准确的问题，本发明的目的在于提供一种基于大数据的绿色生态城市信息化管理系统，所采用的技术方案具体如下：
本发明提供了一种基于大数据的绿色生态城市信息化管理系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取待分析路段在预设时间段内各采集时刻的通车速度和气象指标，基于所述气象指标获得各采集时刻的天气干扰度；
根据预设时间段内所有采集时刻的通车速度之间的差异，得到预设时间段对应的路况评估值；基于预设时间段内各采集时刻的天气干扰度与其他天气干扰度之间的差异，确定各采集时刻的天气干扰度的相关数据；根据预设时间段内各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量，得到各天气干扰度的基础权重值；
基于所述路况评估值和所述基础权重值获得对应的通车速度的权重系数；基于所述权重系数对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据。
优选的，所述基于预设时间段内各采集时刻的天气干扰度与其他天气干扰度之间的差异，确定各采集时刻的天气干扰度的相关数据，包括：
基于预设时间段内所有采集时刻的通车速度，按照时间先后顺序构建通车速度序列；
对于所述通车速度序列中的任一天气干扰度：
以该天气干扰度为中心数据，选取预设数量个天气干扰度，将中心数据和选取的所有天气干扰度构成的序列作为子序列，获得子序列对应的波动指标，当子序列对应的波动指标满足预设判定条件时，将子序列中除中心数据外的其他所有天气干扰度作为该天气干扰度的相关数据；当子序列对应的波动指标不满足预设判定条件时，将预设数量按照固定步长增加，对应的更新子序列，直到更新后的子序列对应的波动指标满足预设判定条件，获得该天气干扰度的相关数据。
优选的，获得子序列对应的波动指标的方法为：
根据中心数据与子序列中其他各天气干扰度的大小关系，得到子序列中除中心数据外的其他各天气干扰度对应的参考权重；
将子序列中所有天气干扰度的均值记为第一平均值，根据子序列中除中心数据外的其他各天气干扰度与所述第一平均值的差异以及对应的参考权重，得到子序列对应的波动指标，所述其他各天气干扰度与所述第一平均值的差异、所述参考权重均与所述波动指标呈正相关关系。
优选的，根据中心数据与子序列中其他各天气干扰度的大小关系，得到子序列中除中心数据外的其他各天气干扰度对应的参考权重，包括：
若子序列中其他天气干扰度小于或等于中心数据，则将对应的其他天气干扰度对应的参考权重设置为预设数值；若子序列中其他天气干扰度大于中心数据，则计算其他天气干扰度与中心数据的差值，将所述差值与预设数值的和值作为对应的其他天气干扰度对应的参考权重。
优选的，所述根据预设时间段内各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量，得到各天气干扰度的基础权重值，包括：
对于预设时间段内任一采集时刻：
将预设时间段内与该采集时刻的通车速度相同的采集时刻的天气干扰度记为该采集时刻对应的参考天气干扰度；计算该采集时刻对应的所有参考天气干扰度的标准差；
统计各参考天气干扰度的相关数据的数量；对所述数量进行负相关归一化处理获得各参考天气干扰度对应的第一指标；基于所有参考天气干扰度的最大值和最小值获得目标取值范围，统计预设时间段内天气干扰度处于目标取值范围内的天气干扰度的个数，将所有第一指标的和值与所述个数之间的比值记为第一特征指标；
根据所述第一特征指标和所述标准差，得到该采集时刻的天气干扰度的基础权重值，所述第一特征指标与所述基础权重值呈正相关关系，所述标准差与所述基础权重值呈负相关关系。
优选的，所述根据预设时间段内所有采集时刻的通车速度之间的差异，得到预设时间段对应的路况评估值，包括：
将预设时间段内所有采集时刻的通车速度的均值记为第一均值，将预设时间段内小于或等于所述第一均值的通车速度记为特征速度，将所有特征速度的均值记为第二均值；
根据各特征速度与所述第一均值之间的差异以及各特征速度与所述第二均值之间的差异，得到预设时间段对应的路况评估值，所述各特征速度与所述第一均值之间的差异、所述各特征速度与所述第二均值之间的差异均与所述路况评估值呈正相关关系。
优选的，所述基于所述路况评估值和所述基础权重值获得对应的通车速度的权重系数，包括：
将各天气干扰度的基础权重值与预设调整参数的和值记为第二特征指标，将所述路况评估值与所述第二特征指标的比值作为对应的通车速度的权重系数。
优选的，所述基于所述权重系数对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据，包括：
对所述权重系数进行归一化处理获得预设时间段内各采集时刻对应的拟合权重值；
基于所述拟合权重值，采用STL时间序列算法对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据。
本发明至少具有如下有益效果：
本发明考虑到在对城市交通进行管理时，需要对通车速度数据进行分析，而在对通车速度数据进行分析时，主要需要对其进行分解进而分析其中存在的趋势特征以及周期特征，现有的交通数据分解算法并未考虑到交通数据会受到天气等因素的干扰，进而导致其用于趋势分析时并不具备线性特征，同时这类数据在参与其余数据拟合时还会影响拟合效果，本发明对预设时间段内每个采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量进行了分析，并结合预设时间段对应的路况评估值，确定了每个采集时刻的通车速度的权重系数，本发明结合实际交通情况对通车速度与天气干扰度之间的关系进行了分析，基于分析结果对每个通车速度进行拟合时对应的权重值进行调整，避免了非线性因素对拟合结果的干扰，同时结合实际情况增大了拟合时的局部细节，提高了拟合结果的准确度，进而能够提高城市交通管理的效果。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种基于大数据的绿色生态城市信息化管理系统所执行的方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于大数据的绿色生态城市信息化管理系统进行详细说明如下。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的绿色生态城市信息化管理系统的具体方案。
基于大数据的绿色生态城市信息化管理系统实施例：
本实施例提出了基于大数据的绿色生态城市信息化管理系统，该系统以实现如图1所示的步骤，具体步骤如下：
步骤S1，获取待分析路段在预设时间段内各采集时刻的通车速度和气象指标，基于所述气象指标获得各采集时刻的天气干扰度。
本实施例所针对的具体场景为：对城市中的交通情况进行STL时序分析时，需要分析交通数据中存在的趋势信息以及周期信息，现有的对于城市交通数据的分析是通过STL时间序列算法提取交通数据中的趋势信息和周期信息，但是由于交通状况与天气、路段等因素之间并不是简单的线性关系，因此采用STL时间序列算法拟合时会出现过拟合或欠拟合的情况，拟合结果不准确，本实施例基于通车速度对道路状况进行初步地评估，得到对应的路况评估值，再根据通车速度与对应天气干扰度的相关程度得到基础权重值，进而对通车速度数据进行拟合。
通过GPS系统获取待分析路段在历史时间段内每个采集时刻所有车辆的平均速度和每个采集时刻的气象指标，其中，气象指标包括温度、湿度、风向、风力、太阳照射强度等，本实施例中的历史时间段为与当前时刻的时间间隔小于或等于预设时长的历史时刻的集合，预设时长为半年，平均速度与气象指标的采集频率相同，均为每1秒采集一次，在具体应用中，实施者可根据具体情况进行设置。需要说明的是，平均速度与气象指标的采集时刻相同，也即每个采集时刻均对应一个平均速度和一个气象指标。为了便于后续处理，对获取的平均速度进行归一化处理，使得其取值范围为[0，1]，将平均速度归一化处理后的结果记为通车速度，也即获得了待分析路段在历史时间段内每个采集时刻的通车速度。气象指标种类繁多，但是其主要体现在民众出行时对于交通工具的选择、是否出门等意愿的影响以及对于交通情况的影响，直观的表征便是炎热的夏天或者暴雨天在不考虑上班等必要情况下，通常出行的意愿相对减少，通过现有的专业气象数据的标准，将每个采集时刻的气象指标中的所有数据合并成一个综合指数，用来表征对应采集时刻的天气的特征值，并对特征值进行归一化处理，使得特征值的归一化结果的取值范围为[0，1]，将特征值的归一化结果记为天气干扰度，也即获得了待分析路段在历史时间段内每个采集时刻的天气干扰度；天气干扰度越接近1，在本实施例的场景中认为通车量越多，出现堵车的可能性越高。根据气象指标获得对应的天气干扰度的方法为现有的气象学中的技术，此处不再过多赘述。
对城市中的交通情况进行STL时序分析时，主要需要分析其中存在的趋势数据以及周期数据，趋势数据主要表征对应时间段内车流情况是否稳定，周期数据主要表征数据的重复性变化情况，例如在一周或一天这种固定的时间范围内数据的重复性变化特征，而交通数据的周期特征往往由民众固定性较高的日常通勤情况决定，例如上班、上学、兴趣爱好等，这类行为通常可以认为在每周中都是具有较高的重复性的，为了能够使得一定的时间段内的交通数据能够准确的表征出周期特征，同时考虑到周六、周日等节假日特征，本实施例按照一周为划分时长对历史时间段进行分段，获得多个时间段，每个时间段中的交通数据能够反映对应一周内的交通情况的连续时序信息，大部分人的生活工作较为稳定后，对应的出行规律也较为稳定，因此每个时间段中的交通数据信息较为相近，接下来将对每个时间段内产生的数据进行分析，本实施例以一个时间段为例进行说明，将该时间段记为预设时间段，对于其他时间段均可采用本实施例提供的方法进行处理。
至此，获得了待分析路段在预设时间段内每个采集时刻的通车速度和天气干扰度。
步骤S2，根据预设时间段内所有采集时刻的通车速度之间的差异，得到预设时间段对应的路况评估值；基于预设时间段内各采集时刻的天气干扰度与其他天气干扰度之间的差异，确定各采集时刻的天气干扰度的相关数据；根据预设时间段内各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量，得到各天气干扰度的基础权重值。
采用STL时间序列算法对交通数据进行趋势拟合时，通常是基于窗口内的邻近数据进行拟合并输出对应的趋势数据，但是由于天气、堵车、道路障碍等特殊情况，会导致部分交通数据与道路情况之间并不符合线性关系，因此会使得交通数据在进行拟合时出现过拟合或欠拟合的情况，进而会导致后续相关人员基于这一特征进行分析判断的结果的可信度。本实施例将基于通车速度对道路状况进行初步评估，得到预设时间段对应的路况评估值，再根据通车速度与对应天气干扰度的相关程度得到基础权重值，并结合路况评估值和基础权重值得到拟合时的拟合权重值，进而完成通车速度数据的拟合。
考虑到交通数据在每周之间存在一定的相似性，在不考虑外界干扰的情况下，例如不下雨、不堵车等这类外界因素影响下，通常在短期内，每一天或一星期内的交通情况相似程度较高，例如固定时间的上下班高峰期等。考虑到并不仅仅是当前时刻天气发生了变化才会对人们的出行意愿产生影响，而是人们会提前天气状况进行判断，例如乌云或天气预报等方式进行超前的感知，来确定出行意愿，因此仅仅将相同时刻通车速度与天气干扰度之间的关系是不够的，还需根据其在自身局部范围内的表现程度来进行评价。本实施例接下来根据预设时间段内所有采集时刻的通车速度之间的差异，对待分析路段在预设时间段内的路况进行评估，获得路况评估值。
通车速度越高，对应的时刻下道路状况越好，拥堵情况越少。预设时间段内所有采集时刻的通车速度的均值表征了该时间段内的整体通车情况，而小于或等于预设时间段内所有采集时刻的通车速度的均值的数据则表征了道路状况较差的部分，这类通车速度与预设时间段内所有采集时刻的通车速度的均值之间的差异越大时，说明该通车速度越小，因此越趋近通车状况不佳的情况，给予其越大的权值，使得这部分数据整体数值越小，最终表征整体的道路状况越差。
具体的，将预设时间段内所有采集时刻的通车速度的均值记为第一均值，将预设时间段内小于或等于所述第一均值的通车速度记为特征速度，将所有特征速度的均值记为第二均值；根据各特征速度与所述第一均值之间的差异以及各特征速度与所述第二均值之间的差异，得到预设时间段对应的路况评估值，所述各特征速度与所述第一均值之间的差异、所述各特征速度与所述第二均值之间的差异均与所述路况评估值呈正相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定。作为一个具体实施方式，给出路况评估值的计算公式，预设时间段对应的路况评估值的具体计算公式为：
Figure SMS_1
其中，
Figure SMS_2
为预设时间段对应的路况评估值，
Figure SMS_3
为预设时间段内特征速度的数量，
Figure SMS_4
为预设时间段内所有采集时刻的通车速度的均值，
Figure SMS_5
为预设时间段内第
Figure SMS_6
个特征速度，
Figure SMS_7
为预设时间段内所有特征速度的均值，norm( )为归一化函数，| |为取绝对值符号。
Figure SMS_8
表征第一均值，
Figure SMS_11
表征第二均值，
Figure SMS_14
表征第
Figure SMS_9
个特征速度与预设时间段 内所有采集时刻的通车速度的均值之间的差异，
Figure SMS_12
表征第
Figure SMS_15
个特征速度与预 设时间段内所有采集时刻的通车速度的均值之间的差异的归一化结果，
Figure SMS_18
表征第
Figure SMS_10
个特征速度与预设时间段内所有特征速度的均值之间的差异。路况评估值的计算方法与标 准差的计算方法相似，只是在计算标准差的过程中加入了权值，每个特征速度均对应一个 权值，第
Figure SMS_13
个特征速度在参与路况评估值计算时对应的权值为
Figure SMS_16
，当第
Figure SMS_17
个特 征速度与预设时间段内所有采集时刻的通车速度的均值之间的差异越大时，说明该特征速 度越小，因此越趋近通车情况不佳的情况，给予其越大的权值，使得这部分数据整体数值越 小，最终表征整体的道路状况较差。当每个特征速度与预设时间段内所有采集时刻的通车 速度的均值之间的差异越大、每个特征速度与预设时间段内所有特征速度的均值之间的差 异越大时，说明预设时间段内的通车状况越好，即预设时间段对应的路况评估值越大。
至此，采用上述方法获得了预设时间段对应的路况评估值。路况评估值用来表征预设时间段内通车速度的整体差异，但是道路状况不佳等情况也是用于进行趋势信息或周期信息分析的特征，道路整体的通车状况较差可能是天气这类无法控制的干扰因素所导致的，也可能是待分析路段中路面破损所导致的。天气这类无法控制的干扰因素下采集到的通车速度是不具有线性特征的，用于参考的价值也较低，待分析路段中路面破损是具有参考价值的，所以需要对预设时间段内天气干扰度与通车速度进行相关性分析，从而确定每个天气干扰度的基础权重值，进而提高后续拟合结果的准确精度。
当某个天气干扰度在参与天气干扰度和通车速度的相关性分析时，该天气干扰度所对应的时刻的通车速度的干扰越是由这一时刻的天气干扰度所决定，则认为该天气干扰度的置信度越高。在该天气干扰度的局部范围内出现更高的天气干扰度，对于人们的出行意愿的影响相对来说是高于该天气干扰度的，因此根据该天气干扰度与局部范围内其他天气干扰度的大小差异，来获取局部范围内其他天气干扰度在参与波动指标计算时的贡献度调整值，当局部范围内除该天气干扰度外的天气干扰度小于或等于该天气干扰度时，判定其贡献度正常，当局部范围内除该天气干扰度外的天气干扰度越大于该天气干扰度时，贡献度调整值越大。贡献度调整值越大，在参与波动指标计算时对应的参考权重越大。因此本实施例将结合局部范围内各天气干扰度与中心数据的大小关系，来确定对应的参考权重，进而结合参考权重获得对应的波动指标。
具体的，基于预设时间段内所有采集时刻的通车速度，按照时间先后顺序构建通 车速度序列
Figure SMS_19
，其中，
Figure SMS_20
为通车速度序列，N为通车速度序列中通车速 度的数量，
Figure SMS_21
为通车速度序列中第1个通车速度，
Figure SMS_22
为通车速度序列中第2个通车速度，
Figure SMS_23
为 通车速度序列中第n个通车速度，
Figure SMS_24
为通车速度序列中第N个通车速度。
对于所述通车速度序列中的任一天气干扰度：
以该天气干扰度为中心数据，在中心数据的两侧共选取预设数量个天气干扰度，将中心数据和选取的所有天气干扰度构成的序列作为子序列，若子序列中其他天气干扰度小于或等于中心数据，则将对应的其他天气干扰度对应的参考权重设置为预设数值；若子序列中其他天气干扰度大于中心数据，则计算其他天气干扰度与中心数据的差值，将所述差值与预设数值的和值作为对应的其他天气干扰度对应的参考权重。将子序列中所有天气干扰度的均值记为第一平均值，根据子序列中除中心数据外的其他各天气干扰度与所述第一平均值的差异以及对应的参考权重，得到子序列对应的波动指标，所述各天气干扰度与所述第一平均值的差异、所述参考权重均与所述波动指标呈正相关关系。当子序列对应的波动指标满足预设判定条件时，将子序列中除中心数据外的其他所有天气干扰度作为该天气干扰度的相关数据；当子序列对应的波动指标不满足预设判定条件时，将预设数量按照固定步长增加，对应的更新子序列，直到更新后的子序列对应的波动指标满足预设判定条件，获得该天气干扰度的相关数据。本实施例中的预设判定条件为：子序列对应的波动指标大于预设第一阈值，本实施例中的预设第一阈值为0.4，预设数量为2，预设数值为1，步长为2。在具体应用中，实施者可根据具体情况进行设置。
本实施例以通车速度序列中的第n个天气干扰度
Figure SMS_41
为例进行说明，获取其对应的 相关数据，对于通车速度序列中的其他天气干扰度，均可采用本实施例提供的方法进行处 理。具体的，将通车速度序列中的第n个天气干扰度
Figure SMS_48
作为中心数据，在通车速度序列中，第 n个天气干扰度
Figure SMS_52
的左右两侧分别选取一个天气干扰度，即
Figure SMS_28
和
Figure SMS_30
，并构建子序列
Figure SMS_36
，其中，
Figure SMS_39
为通车速度序列中的第n-1个天气干扰度，
Figure SMS_50
为通车速度序列中 的第n个天气干扰度，
Figure SMS_54
为通车速度序列中的第n+1个天气干扰度；计算该子序列对应的 波动指标即
Figure SMS_57
，若
Figure SMS_59
，则说明满足预设判定条件，将
Figure SMS_55
和
Figure SMS_58
作为通车速度序列中 的第n个天气干扰度
Figure SMS_60
的相关数据，
Figure SMS_61
为预设第一阈值，若
Figure SMS_44
，则说明不满足预设判定 条件，继续选取下一组天气干扰度，即
Figure SMS_46
和
Figure SMS_49
，将
Figure SMS_53
和
Figure SMS_25
加入到子序列
Figure SMS_29
中，获得新的子序列
Figure SMS_34
，其中，
Figure SMS_40
为通车速度序列 中的第n-2个天气干扰度，
Figure SMS_27
为通车速度序列中的第n+2个天气干扰度；计算新的子序列 对应的波动指标即
Figure SMS_31
，若
Figure SMS_33
，则说明满足预设判定条件，将
Figure SMS_38
、
Figure SMS_42
、
Figure SMS_45
和
Figure SMS_51
作 为通车速度序列中的第n个天气干扰度
Figure SMS_56
的相关数据，若
Figure SMS_26
，则继续下一次判定，直至 第m次判定获得的子序列中的
Figure SMS_32
个数据的波动指标
Figure SMS_35
，则停止判定，并将第m次 判定获得的
Figure SMS_37
个数据构成的子序列中除中心数据
Figure SMS_43
外其他所有的数据作为通车速度 序列中的第n个天气干扰度
Figure SMS_47
的相关数据。其中，子序列对应的波动指标的具体计算公式 为：
Figure SMS_62
Figure SMS_63
其中，
Figure SMS_64
为通车速度序列中的第n个天气干扰度对应的子序列对应的波动指标，
Figure SMS_65
为通车速度序列中的第n个天气干扰度对应的子序列中除第n个天气干扰度外的其他天气 干扰度的数量，
Figure SMS_66
为通车速度序列中的第n个天气干扰度对应的子序列中除第n个天气干 扰度外的其他第k个天气干扰度，
Figure SMS_67
为通车速度序列中的第n个天气干扰度对应的子序列中 所有天气干扰度的均值，
Figure SMS_68
为通车速度序列中的第n个天气干扰度对应的子序列中除第n 个天气干扰度外的其他第k个天气干扰度对应的参考权重。
Figure SMS_69
表示第一平均值，
Figure SMS_70
表示通车速度序列中的第n个天气干扰度对应的子序 列中除第n个天气干扰度外的其他第k个天气干扰度与该子序列中所有天气干扰度的均值 之间的差异。
Figure SMS_71
表征通车速度序列中的第n个天气干扰度对应的子序列中除第n个天 气干扰度外的其他第k个天气干扰度的贡献度调整值。当第n个天气干扰度对应的子序列中 除第n个天气干扰度外的其他天气干扰度与该子序列中所有天气干扰度的均值之间的差异 越大、对应的参考权重也越大时，子序列对应的波动指标越大。当第n个天气干扰度对应的 子序列中除第n个天气干扰度外的其他天气干扰度与该子序列中所有天气干扰度的均值之 间的差异越小、对应的参考权重也越小时，子序列对应的波动指标越小。
采用上述方法，能够获得预设时间段内每个采集时刻的天气干扰度的相关数据。
当某个天气干扰度的相关数据量越少，其对应时刻的通车速度的影响越是由其自身的干扰因素对人的主观意愿的影响所决定的，在后续参与相关性判定时的置信度越高。预设时间段内某个采集时刻的通车速度相同的所有采集时刻的天气干扰度的标准差越小，说明这类天气干扰度的相关性越强，在后续参与相关性判定时的置信度越高。基于此，本实施例将根据预设时间段内各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量，确定每个采集时刻的天气干扰度的基础权重值。
对于预设时间段内任一采集时刻：将预设时间段内与该采集时刻的通车速度相同 的采集时刻的天气干扰度记为该采集时刻对应的参考天气干扰度；计算该采集时刻对应的 所有参考天气干扰度的标准差；统计各参考天气干扰度的相关数据的数量；对所述数量进 行负相关归一化处理获得各参考天气干扰度对应的第一指标；基于所有参考天气干扰度的 最大值和最小值获得目标取值范围，目标取值范围的下限为所有参考天气干扰度的最小 值，目标取值范围的上限为所有参考天气干扰度的最大值，假设所有参考天气干扰度的最 大值为
Figure SMS_72
，所有参考天气干扰度的最小值为
Figure SMS_73
，则目标取值范围为[
Figure SMS_74
]。统计预设时间 段内天气干扰度处于目标取值范围内的天气干扰度的个数，也即统计了预设时间段内天气 干扰度处于[
Figure SMS_75
]内的天气干扰度的个数；将所有第一指标的和值与所述个数之间的比 值记为第一特征指标；根据所述第一特征指标和所述标准差，得到该采集时刻的天气干扰 度的基础权重值，所述第一特征指标与所述基础权重值呈正相关关系，所述标准差与所述 基础权重值呈负相关关系。其中，正相关关系表示因变量会随着自变量的增大而增大，因变 量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由 实际应用进行确定。负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自 变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。作为一个具体实 施方式，给出基础权重值的计算公式，预设时间段内第n个采集时刻的天气干扰度的基础权 重值的具体计算公式为：
Figure SMS_76
其中，
Figure SMS_77
为预设时间段内第n个采集时刻的天气干扰度的基础权重值，
Figure SMS_78
为预设时 间段内第n个采集时刻对应的参考天气干扰度的数量，
Figure SMS_79
为预设时间段内第n个采集时刻 对应的第g个参考天气干扰度的相关数据的数量，
Figure SMS_80
为预设时间段内天气干扰度处于目标取 值范围内的天气干扰度的个数，
Figure SMS_81
为预设时间段内第n个采集时刻对应的所有参考天气干 扰度的标准差，
Figure SMS_82
为预设第一参数。
预设时间段内第n个采集时刻对应的所有参考天气干扰度的标准差越小，说明目 标取值范围内的天气干扰度分布越集中，目标取值范围内的天气干扰度的相关程度越高。 由于标准差可能为0，因此为了防止分母为0，在分母中引入了预设第一参数，本实施例中的 预设第一参数为1，在具体应用中，实施者可根据具体情况进行设置。
Figure SMS_83
表示 第n个采集时刻对应的第g个参考天气干扰度的相关数据的数量的负相关归一化结果，
Figure SMS_84
表示第一特征指标，第一特征指标越大，说明第n个采集时刻的天气干扰 度下对应的通车速度与目标取值范围内的天气干扰度越相关，预设时间段内通车速度的幅 值与第n个采集时刻的天气干扰度下对应的通车速度的幅值相同，几乎都是由对应的幅值 的天气干扰度所导致的，说明相关程度越大。当第一特征指标越大、第n个采集时刻对应的 所有参考天气干扰度的标准差越小时，说明目标取值范围内的天气干扰度的相关性越强， 因此第n个采集时刻的天气干扰度的基础权重值越大；当第一特征指标越小、第n个采集时 刻对应的所有参考天气干扰度的标准差越大时，说明目标取值范围内的天气干扰度的相关 性越弱，因此第n个采集时刻的天气干扰度的基础权重值越小。
采用上述方法，能够获得预设时间段内每个采集时刻的天气干扰度的基础权重值，预设时间段内每个采集时刻的天气干扰度均有一个基础权重值。
步骤S3，基于所述路况评估值和所述基础权重值获得对应的通车速度的权重系数；基于所述权重系数对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据。
本实施例已经获得了预设时间段对应的路况评估值，路况评估值越小，说明预设时间段内的交通状况越差，越需要基于交通情况的细节特征的变化做出优化调整，因此其在拟合时的拟合权重值应该越高；本实施例计算得到的基础权重值越高，越可能是受到天气干扰这类不可控因素的影响，此时通车速度较差的情况是不具备参考价值的，因此其在参与拟合时的拟合权重值是需要减小的，进而使得其对于拟合后的趋势特征的干扰降低。当第n个通车速度对应的基础相关度越高，认为当前这一通车速度在参与计算趋势拟合从而分析交通实际情况时的可信度越低，其本身数据幅值越主要受天气干扰度这一非线性因素所影响，因此将拟合权重值越低。基于此，本实施例结合路况评估值和基础权重值，获得预设时间段内每个采集时刻的通车速度的权重系数，进而确定拟合权重值，并对预设时间段内的通车速度数据进行拟合。
具体的，将各天气干扰度的基础权重值与预设调整参数的和值记为第二特征指标，将所述路况评估值与所述第二特征指标的比值作为对应的通车速度的权重系数，对所述权重系数进行归一化处理获得预设时间段内各采集时刻对应的拟合权重值；在计算权重系数时引入预设调整参数是为了防止分母为0，本实施例中的预设调整参数为1，在具体应用中，实施者可根据具体情况进行设置。基于所述拟合权重值，采用STL时间序列算法对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据，在参与局部加权回归时，每个通车速度均乘以其对应的拟合权重值，得到拟合后的趋势数据和周期数据。STL时间序列算法为现有技术，此处不再过多赘述。
现有的STL所用的局部加权回归算法中，由于没有考虑到部分交通信息数据是受到如天气因素这类非线性因素的影响，因此会导致最终拟合出来的趋势特征与周期特征的实际参考价值并不高。采用本实施例的基于大数据的绿色生态城市信息化管理系统，完成对通车速度的拟合，获得到了趋势数据和周期数据，从而辅助相关人员对待分析路段对长时间的交通情况进行分析判断，并找出频繁堵车的时段或车流量逐渐升高等信息，进而做出对应的优化和调整，例如修补路面或安排交警指挥交通等措施。
本实施例考虑到在对城市交通进行管理时，需要对通车速度数据进行分析，而在对通车速度数据进行分析时，主要需要对其进行分解进而分析其中存在的趋势特征以及周期特征，现有的交通数据分解算法并未考虑到交通数据会受到天气等因素的干扰，进而导致其用于趋势分析时并不具备线性特征，同时这类数据在参与其余数据拟合时还会影响拟合效果，本实施例对预设时间段内每个采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量进行了分析，并结合预设时间段对应的路况评估值，确定了每个采集时刻的通车速度的权重系数，本实施例结合实际交通情况对通车速度与天气干扰度之间的关系进行了分析，对每个通车速度进行拟合时的对应的权重值进行调整，避免了非线性因素对拟合结果的干扰，同时结合实际情况增大了拟合时的局部细节，提高了拟合结果的准确度，进而能够提高城市交通管理的效果。

Claims (8)

1.一种基于大数据的绿色生态城市信息化管理系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：
获取待分析路段在预设时间段内各采集时刻的通车速度和气象指标，基于所述气象指标获得各采集时刻的天气干扰度；
根据预设时间段内所有采集时刻的通车速度之间的差异，得到预设时间段对应的路况评估值；基于预设时间段内各采集时刻的天气干扰度与其他天气干扰度之间的差异，确定各采集时刻的天气干扰度的相关数据；根据预设时间段内各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量，得到各天气干扰度的基础权重值；
基于所述路况评估值和所述基础权重值获得对应的通车速度的权重系数；基于所述权重系数对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据。
2.根据权利要求1所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，所述基于预设时间段内各采集时刻的天气干扰度与其他天气干扰度之间的差异，确定各采集时刻的天气干扰度的相关数据，包括：
基于预设时间段内所有采集时刻的通车速度，按照时间先后顺序构建通车速度序列；
对于所述通车速度序列中的任一天气干扰度：
以该天气干扰度为中心数据，选取预设数量个天气干扰度，将中心数据和选取的所有天气干扰度构成的序列作为子序列，获得子序列对应的波动指标，当子序列对应的波动指标满足预设判定条件时，将子序列中除中心数据外的其他所有天气干扰度作为该天气干扰度的相关数据；当子序列对应的波动指标不满足预设判定条件时，将预设数量按照固定步长增加，对应的更新子序列，直到更新后的子序列对应的波动指标满足预设判定条件，获得该天气干扰度的相关数据。
3.根据权利要求2所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，获得子序列对应的波动指标的方法为：
根据中心数据与子序列中其他各天气干扰度的大小关系，得到子序列中除中心数据外的其他各天气干扰度对应的参考权重；
将子序列中所有天气干扰度的均值记为第一平均值，根据子序列中除中心数据外的其他各天气干扰度与所述第一平均值的差异以及对应的参考权重，得到子序列对应的波动指标，所述其他各天气干扰度与所述第一平均值的差异、所述参考权重均与所述波动指标呈正相关关系。
4.根据权利要求3所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，根据中心数据与子序列中其他各天气干扰度的大小关系，得到子序列中除中心数据外的其他各天气干扰度对应的参考权重，包括：
若子序列中其他天气干扰度小于或等于中心数据，则将对应的其他天气干扰度对应的参考权重设置为预设数值；若子序列中其他天气干扰度大于中心数据，则计算其他天气干扰度与中心数据的差值，将所述差值与预设数值的和值作为对应的其他天气干扰度对应的参考权重。
5.根据权利要求1所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，所述根据预设时间段内各采集时刻的天气干扰度对应的通车速度与其他通车速度之间的差异以及对应的相关数据的数量，得到各天气干扰度的基础权重值，包括：
对于预设时间段内任一采集时刻：
将预设时间段内与该采集时刻的通车速度相同的采集时刻的天气干扰度记为该采集时刻对应的参考天气干扰度；计算该采集时刻对应的所有参考天气干扰度的标准差；
统计各参考天气干扰度的相关数据的数量；对所述数量进行负相关归一化处理获得各参考天气干扰度对应的第一指标；基于所有参考天气干扰度的最大值和最小值获得目标取值范围，统计预设时间段内天气干扰度处于目标取值范围内的天气干扰度的个数，将所有第一指标的和值与所述个数之间的比值记为第一特征指标；
根据所述第一特征指标和所述标准差，得到该采集时刻的天气干扰度的基础权重值，所述第一特征指标与所述基础权重值呈正相关关系，所述标准差与所述基础权重值呈负相关关系。
6.根据权利要求1所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，所述根据预设时间段内所有采集时刻的通车速度之间的差异，得到预设时间段对应的路况评估值，包括：
将预设时间段内所有采集时刻的通车速度的均值记为第一均值，将预设时间段内小于或等于所述第一均值的通车速度记为特征速度，将所有特征速度的均值记为第二均值；
根据各特征速度与所述第一均值之间的差异以及各特征速度与所述第二均值之间的差异，得到预设时间段对应的路况评估值，所述各特征速度与所述第一均值之间的差异、所述各特征速度与所述第二均值之间的差异均与所述路况评估值呈正相关关系。
7.根据权利要求1所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，所述基于所述路况评估值和所述基础权重值获得对应的通车速度的权重系数，包括：
将各天气干扰度的基础权重值与预设调整参数的和值记为第二特征指标，将所述路况评估值与所述第二特征指标的比值作为对应的通车速度的权重系数。
8.根据权利要求1所述的基于大数据的绿色生态城市信息化管理系统，其特征在于，所述基于所述权重系数对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据，包括：
对所述权重系数进行归一化处理获得预设时间段内各采集时刻对应的拟合权重值；
基于所述拟合权重值，采用STL时间序列算法对预设时间段内所有采集时刻的通车速度进行拟合，获得对应的趋势数据和周期数据。
CN202310650725.4A 2023-06-05 2023-06-05 基于大数据的绿色生态城市信息化管理系统 Active CN116384635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310650725.4A CN116384635B (zh) 2023-06-05 2023-06-05 基于大数据的绿色生态城市信息化管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310650725.4A CN116384635B (zh) 2023-06-05 2023-06-05 基于大数据的绿色生态城市信息化管理系统

Publications (2)

Publication Number Publication Date
CN116384635A true CN116384635A (zh) 2023-07-04
CN116384635B CN116384635B (zh) 2023-09-01

Family

ID=86971477

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310650725.4A Active CN116384635B (zh) 2023-06-05 2023-06-05 基于大数据的绿色生态城市信息化管理系统

Country Status (1)

Country Link
CN (1) CN116384635B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975186A (zh) * 2023-09-22 2023-10-31 广东泰一高新技术发展有限公司 基于gis的数字村镇地图的加载管理方法及系统
CN117250133A (zh) * 2023-11-16 2023-12-19 国建大数据科技(辽宁)有限公司 一种智慧城市大规模数据采集方法及系统
CN118070683A (zh) * 2024-04-22 2024-05-24 山东师范大学 基于数字孪生的物流运输大数据采集方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107749165A (zh) * 2017-12-06 2018-03-02 四川九洲视讯科技有限责任公司 基于城市道路拥堵指数的计算方法
CN107967803A (zh) * 2017-11-17 2018-04-27 东南大学 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN113378458A (zh) * 2021-05-26 2021-09-10 广州华南路桥实业有限公司 一种基于大数据的拥堵预警方法、装置、介质及设备
US20220222556A1 (en) * 2020-04-30 2022-07-14 Shandong Jiaotong University Road traffic jam early warning method and system
US11620901B1 (en) * 2022-06-02 2023-04-04 Iteris, Inc. Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data
CN115909711A (zh) * 2021-08-05 2023-04-04 中移智行网络科技有限公司 交通拥堵指数预测方法、装置及相关设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967803A (zh) * 2017-11-17 2018-04-27 东南大学 基于多源数据及变权重组合预测模型的交通拥堵预测方法
CN107749165A (zh) * 2017-12-06 2018-03-02 四川九洲视讯科技有限责任公司 基于城市道路拥堵指数的计算方法
US20220222556A1 (en) * 2020-04-30 2022-07-14 Shandong Jiaotong University Road traffic jam early warning method and system
CN113378458A (zh) * 2021-05-26 2021-09-10 广州华南路桥实业有限公司 一种基于大数据的拥堵预警方法、装置、介质及设备
CN115909711A (zh) * 2021-08-05 2023-04-04 中移智行网络科技有限公司 交通拥堵指数预测方法、装置及相关设备
US11620901B1 (en) * 2022-06-02 2023-04-04 Iteris, Inc. Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116975186A (zh) * 2023-09-22 2023-10-31 广东泰一高新技术发展有限公司 基于gis的数字村镇地图的加载管理方法及系统
CN116975186B (zh) * 2023-09-22 2024-02-09 广东泰一高新技术发展有限公司 基于gis的数字村镇地图的加载管理方法及系统
CN117250133A (zh) * 2023-11-16 2023-12-19 国建大数据科技(辽宁)有限公司 一种智慧城市大规模数据采集方法及系统
CN117250133B (zh) * 2023-11-16 2024-02-20 国建大数据科技(辽宁)有限公司 一种智慧城市大规模数据采集方法及系统
CN118070683A (zh) * 2024-04-22 2024-05-24 山东师范大学 基于数字孪生的物流运输大数据采集方法及系统

Also Published As

Publication number Publication date
CN116384635B (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116384635B (zh) 基于大数据的绿色生态城市信息化管理系统
CN110223510B (zh) 一种基于神经网络lstm的多因素短期车流量预测方法
CN112001439B (zh) 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备
CN116013087B (zh) 一种基于城市运动车辆检测的车流量统计方法
CN106059492A (zh) 基于功率预测的光伏组件阴影故障类型判定方法
WO2021115320A1 (zh) 交通评估方法和系统
CN107292417B (zh) 基于重污染序列案例库的区域重污染判别预报方法及装置
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
CN115130741A (zh) 基于多模型融合的多因素电力需求中短期预测方法
CN111898820B (zh) 基于趋势聚类和集成树的pm2.5小时浓度组合预测方法及系统
CN113071497A (zh) 一种驾驶场景判断方法、装置、设备及存储介质
CN105678406A (zh) 一种基于云模型的短期负荷预测方法
CN112183625A (zh) 一种基于深度学习的pm2.5高精度时空预测方法
CN115237896A (zh) 一种基于深度学习预报空气质量的数据前处理方法及系统
CN116109011A (zh) 一种智慧园区的能耗管理方法及终端
CN116128168A (zh) 基于因果扩充卷积和Autoformer的气象预测法
CN115412857A (zh) 一种居民出行信息预测方法
CN111311302A (zh) 一种基于多源数据驱动的房产智能评估方法
CN112489422B (zh) 一种基于算法模型分析的车流量预测方法
CN108053646B (zh) 基于时间敏感特征的交通特征获取方法、预测方法及系统
CN117374917A (zh) 一种超短期电力负荷的多元回归预测方法及装置
CN117634678A (zh) 基于实际运行场景的低碳园区碳排放预测方法
Beitel et al. Quality measure of short-duration bicycle counts
CN116565850A (zh) 一种基于qr-blstm的风电功率超短期预测方法
CN114255596B (zh) 一种基于大数据的停车场车位推荐系统及方法

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
GR01 Patent grant
GR01 Patent grant