CN116564077A - 基于通信网络和数据管理技术的交通状况检测方法、装置和介质 - Google Patents
基于通信网络和数据管理技术的交通状况检测方法、装置和介质 Download PDFInfo
- Publication number
- CN116564077A CN116564077A CN202310392165.7A CN202310392165A CN116564077A CN 116564077 A CN116564077 A CN 116564077A CN 202310392165 A CN202310392165 A CN 202310392165A CN 116564077 A CN116564077 A CN 116564077A
- Authority
- CN
- China
- Prior art keywords
- data
- target base
- base station
- traffic
- data management
- 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
Links
- 238000013523 data management Methods 0.000 title claims abstract description 65
- 238000004891 communication Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 title claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000007405 data analysis Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 20
- 230000009286 beneficial effect Effects 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000981 bystander Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本发明公开了一种基于通信网络和数据管理技术的交通状况检测方法、计算机装置和存储介质，包括根据用户终端，确定多个第一目标基站，收集各第一目标基站分别上传的交通传感数据，通过数据管理服务器对各交通传感数据进行预处理，获得预处理数据，通过网络数据分析功能单元对预处理数据进行分析等步骤。本发明利用通信网络中的第一目标基站收集用户终端所在位置附近的交通传感数据，由数据管理服务器进行预处理，再由核心网中的网络数据分析功能单元NWDAF进行分析，有利于用户终端获得实时精准的信息反馈，降低核心网的数据处理负荷，在同样的性能条件下，有利于核心网短时间内处理和分析大量的交通传感数据。本发明广泛应用于通信技术领域。
Description
技术领域
本发明涉及通信技术领域，尤其是一种基于通信网络和数据管理技术的交通状况检测方法、计算机装置和存储介质。
背景技术
在城市交通管理中，交通状况检测是一项重要的任务，它可以帮助城市管理者了解交通状况，优化交通流量，缓解交通拥堵，提高道路安全。现有技术是通过单独的基站来进行采集路口信息。单基站系统通常只能从一个位置收集有限的数据，意味着可能无法获取全面的环境信息，核心网需要处理原始的交通传感数据，造成核心网处理大量数据的压力，不利于用户获得实时精准的信息反馈。
术语解释：
UE：User Equipment，用户设备；
5GS：5G System，5G通信系统；
5GC：5G Core，5G核心网；
AF：Application Function，应用功能；
DM：Date Management，数据管理；
DMA：Date Management Applicaton，数据管理应用程序；
iSCSI：Internet Small Computer System Interface，基于IP网络的存储协议，可以通过网络连接远程存储设备，并实现数据传输和存储管理的接口；
NWDAF：Network Data Application Function，网络数据分析功能；
NSSF：Network Slice Selection Function，网络切片选择与管理；
NEF：Network Exposure Function，网络开放功能；
SMF：Session Management Function，会话管理功能；
UPF：User Plane Function，用户面功能。
发明内容
针对目前的交通状况检测技术存在的数据处理压力大、难以获得实时精准的信息反馈等技术问题，本发明的目的在于提供一种基于通信网络和数据管理技术的交通状况检测方法、计算机装置和存储介质。
一方面，本发明实施例包括一种基于通信网络和数据管理技术的交通状况检测方法，所述基于通信网络和数据管理技术的交通状况检测方法包括：
根据用户终端，确定多个第一目标基站；各所述第一目标基站分别连接相应的交通传感器；
收集各所述第一目标基站分别上传的交通传感数据；所述交通传感数据由相应的所述第一目标基站通过所连接的所述交通传感器检测得到；
通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据；
通过网络数据分析功能单元对所述预处理数据进行分析。
进一步地，所述根据用户终端，确定多个第一目标基站，包括：
检测所述用户终端所在的用户位置；
在所述用户位置搜索全频段的所有频点，获得小区位置信息；
根据所述小区位置信息中的小区参数和邻区列表，确定多个所述第一目标基站。
进一步地，所述通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据，包括：
获取所述用户终端所在的交通工具的驾驶参数；
根据所述驾驶参数，对所述交通传感数据进行整合归约，获得所述预处理数据。
进一步地，所述通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据，包括：
根据所述驾驶参数，确定预测驾驶路线；
根据所述预测驾驶路线，从全部所述第一目标基站中确定若干个第二目标基站；所述第二目标基站与所述预测驾驶路线之间的距离小于距离阈值；
根据各所述第二目标基站上传的所述交通传感数据，生成所述预处理数据。
进一步地，所述通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据，包括：
根据所述驾驶参数，确定驾驶风格类型；
根据所述驾驶风格类型，从全部所述第一目标基站中确定若干个第三目标基站；
根据各所述第三目标基站上传的所述交通传感数据，生成所述预处理数据。
进一步地，所述根据所述驾驶风格类型，从全部所述第一目标基站中确定若干个第三目标基站，包括：
确定多个目标基站组合；各所述目标基站组合分别由部分或全部所述第一目标基站组成，不同的所述目标基站组合中，各所述第一目标基站的分布密度不相同；
对于任一所述目标基站组合，根据所述目标基站组合中各所述第一目标基站上传的所述交通传感数据，确定所述目标基站组合对应的交通秩序类型；
根据所述驾驶风格类型，选择具有相匹配的所述交通秩序类型的所述目标基站组合，作为所述若干个第三目标基站。
进一步地，所述通过网络数据分析功能单元对所述预处理数据进行分析，包括：
通过网络数据分析功能单元运行预测模型；
将所述预处理数据输入至所述预测模型进行处理，获取预测结果。
进一步地，所述通过网络数据分析功能单元对所述预处理数据进行分析，还包括：
根据所述预测结果，生成自动驾驶指令。
另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的基于通信网络和数据管理技术的交通状况检测方法。
另一方面，本发明实施例还包括一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行实施例中的基于通信网络和数据管理技术的交通状况检测方法。
本发明的有益效果是：实施例中的基于通信网络和数据管理技术的交通状况检测方法，利用通信网络中的第一目标基站收集用户终端所在位置附近的交通传感数据，并由数据管理服务器进行预处理后，再由核心网中的网络数据分析功能单元NWDAF进行分析，由于移动通信网络尤其是5G或者更先进的移动通信网络具有高带宽和低时延的特点，因此能够实时获取交通传感数据并进行分析，有利于用户终端获得实时精准的信息反馈，而且核心网所处理的数据不是原始的交通传感数据本身，而是经过数据管理服务器使用数据管理技术DMA预处理之后的数据，从而降低核心网的数据处理负荷，在同样的性能条件下，有利于核心网在短时间内处理和分析大量的交通传感数据。
附图说明
图1为实施例中基于通信网络和数据管理技术的交通状况检测方法的步骤图；
图2为实施例中可以应用基于通信网络和数据管理技术的交通状况检测方法的通信系统示意图；
图3为实施例中基于通信网络和数据管理技术的交通状况检测方法的流程图；
图4为实施例中从全部第一目标基站中确定第三目标基站的原理示意图。
具体实施方式
5G核心网络在交通检测中的应用是基于5G网络的高带宽和低时延的特点，以及5G核心网络的灵活性和可编程性。5G网络的高速和低时延可以根据基站收集的测量数据提供给用户应用实时的数据传输和处理，从而支持交通检测的实时性需求；而5G核心网络的灵活性和可编程性可以支持多种交通检测应用的需求。
DMA数据管理技术是指一系列用于管理、组织、存储、处理、访问和保护数据的技术和方法。随着数据的快速增长和数据应用的广泛应用，数据管理技术越来越重要。其中的大数据技术是一种用于管理、处理和分析海量数据的技术。它包括分布式存储、分布式计算、数据处理和分析等技术，可以配合核心网在短时间内处理和分析大量数据。
本实施例中，根据5G网络的特点、5GS的处理流程和DMA数据管理技术的特点，提出了通过处理、分析来自多个基站的传感测量数据，为用户提供更准确的交叉路口交通状况信息的处理办法，即基于通信网络和数据管理技术的交通状况检测方法。
参照图1，基于通信网络和数据管理技术的交通状况检测方法包括以下步骤：
S1.根据用户终端，确定多个第一目标基站；
S2.收集各第一目标基站分别上传的交通传感数据；交通传感数据由相应的第一目标基站通过所连接的交通传感器检测得到；
S3.通过数据管理服务器对各交通传感数据进行预处理，获得预处理数据；
S4.通过网络数据分析功能单元对预处理数据进行分析。
本实施例中，基于通信网络和数据管理技术的交通状况检测方法可以应用在图2所示的通信系统中。
图2中，用户终端可以是手机或者平板电脑等终端，用户终端可以与多个基站连接，通过基站接入核心网。这些基站可以设置在公路路侧或者路口等位置，每个基站附近分别设有交通传感器。本实施例中，交通传感器的类型可以是：(1)紫外系统传感器，如光学机械扫描仪、移像正析摄像机、紫外照相机；(2)可见光系统传感器，如电视摄像机、激光扫描仪；(3)红外系统传感器，如红外扫描仪、红外辐射计、红外散射计、红外照相机；(4)光谱系统传感器，如多光谱照相机、多光谱激光扫描仪、多通道电视摄像机；(5)微波系统传感器。如侧视雷达、微波全息雷达、微波辐射计等。
参照图2，交通传感器检测得到交通传感数据，将交通传感数据发送至所连接的基站，再汇聚到核心网中。核心网设有应用功能AF、网络数据分析功能NWDAF、网络开放功能NEF和用户面功能UPF等网元。核心网与数据管理服务器DM连接，核心网可以在对交通传感数据进行处理时，请求数据管理服务器DM协助处理。
本实施例中，用户终端可以由驾驶或者乘坐汽车等交通工具的人员携带，或者作为车载设备安装在交通工具上，用户终端随交通工具一起移动。在执行步骤S1-S4时，图2所示的通信系统中，各模块所执行的流程如图3所示，包括以下流程：
1.用户终端UE在移动到新的位置之后，对全频段的所有频点进行搜索，获取并记录所有小区的位置信息，其中小区的广播信道中的小区参数就可以通过CGI和LAI(Location Area Identity)，邻区列表等信息来确认附近多个基站的位置，被确认位置的基站为第一目标基站；
2.基站通过传感器收集路口实时交通状况，主要包括机动车/行人的活动因素；
3.AF通过对应的应用程序接口(API)向NEF来进行应用程序请求的分发；
4.NEF使用Nnef_EventsSubscription_Subscribe向NWDAF来对应用程序处理请求事件订阅，并使用Nnef_EventsSubscription_Notify来通知NEF订阅事件；
5.NWDAF通过收集NSSF分配给处理应用程序处理请求的网络切片的资源使用、处理量、用户业务体验等信息，利用可靠的分析和预测模型，实现对应用程序请求对应网络切片的资源需求进行统计和预测；
6.UPF在接收到已获得网络切片信息的SMF后，将向基站收集交通传感数据；
7.UPF收集的数据通过ISCSI接口传递至DM服务器，DM服务器通过DMA数据管理技术中对UPF收集的交通传感数据进行存储和预处理，主要包括对交通传感数据的整合、归约和数据转换，部分交通传感数据容易收到环境影响导致数据值的丢失、数据冲突等问题干扰，在传至核心网NWDAF网元处理时，要确保数据的完整性和一致性；
8.DM服务器通过ISCSI接口将处理好的数据传回UPF；
9.UPF将交通传感数据通过SMF返回至AF；
10.NWDAF向AF获取处理之后的交通传感数据，包括UE位置、车辆移动方向、人车数量和速度等处理信息；
11.NWDAF利用可靠分析和预测模型，对不同应用请求的处理事件进行评估和分析，从而确认不同应用程序请求的处理返回数据，主要是为了优化用户请求处理资源和无线资源等等；
12.NWDAF将应用程序处理返回的数据响应给NEF；
13.NEF将应用程序处理返回的数据转发给AF，并通过应用程序接口返回给用户终端的应用程序。
通过执行步骤S1-S4(即流程1-13)，利用通信网络中的第一目标基站收集用户终端所在位置附近的交通传感数据，并由数据管理服务器进行预处理后，再由核心网中的网络数据分析功能单元NWDAF进行分析，由于移动通信网络尤其是5G或者更先进的移动通信网络具有高带宽和低时延的特点，因此能够实时获取交通传感数据并进行分析，有利于用户终端获得实时精准的信息反馈，而且核心网所处理的数据不是原始的交通传感数据本身，而是经过数据管理服务器使用数据管理技术DMA预处理之后的数据，从而降低核心网的数据处理负荷，在同样的性能条件下，有利于核心网在短时间内处理和分析大量的交通传感数据。
本实施例中，步骤S3对应图3中的流程7和8。在执行步骤S3，也就是通过数据管理服务器对各交通传感数据进行预处理，获得预处理数据这一步骤时，具体可以执行以下步骤：
S301.获取用户终端所在的交通工具的驾驶参数；
S302.根据驾驶参数，对交通传感数据进行整合归约，获得预处理数据。
步骤S301中，用户终端通过卫星定位技术对自身进行定位，可以采集到其所在的交通工具的移动轨迹点，移动轨迹点本身可以反映出交通工具的位置以及位置与时间的关系，可以作为驾驶参数；根据移动轨迹点可以计算出交通工具的速度和加速度等驾驶参数；用户终端与交通工具的车载电脑连接，可以通过车载电脑获取交通工具的油门深度等驾驶参数。
用户终端在获取到驾驶参数之后，将驾驶参数通过基站发送至核心网，核心网将驾驶参数发送至数据管理服务器DM。
步骤S302中，数据管理服务器DM根据驾驶参数，对交通传感数据进行整合归约，获得预处理数据。
数据管理服务器DM在执行步骤S302，也就是通过数据管理服务器对各交通传感数据进行预处理，获得预处理数据这一步骤时，具体可以执行以下步骤：
S30201A.根据驾驶参数，确定预测驾驶路线；
S30202A.根据预测驾驶路线，从全部第一目标基站中确定若干个第二目标基站；
S30203A.根据各第二目标基站上传的交通传感数据，生成预处理数据。
步骤S30201A-S30203A是步骤S302的一种具体执行方式。
步骤S30201A中，由于移动轨迹点为时间序列，数据管理服务器DM可以执行长短期记忆人工神经网络等预测算法对移动轨迹点进行处理，获得预测驾驶路线。预测驾驶路线可以表示在未来一段时间内，预计用户终端所在的交通工具驾驶所经过的路线。
在执行步骤S30202A时，数据管理服务器DM可以设定一个距离阈值，从预测驾驶路线中的每个点出发，检测其距离阈值内是否存在第一目标基站，当存在这样的第一目标基站，将这样的第一目标基站确定为第二目标基站。即通过执行步骤S30202A，所选择出的第二目标基站与移动轨迹点之间的距离均小于距离阈值。
步骤S30203A中，根据各第二目标基站上传的交通传感数据，生成预处理数据，具体地，可以将各第二目标基站上传的交通传感数据直接组合，得到预处理数据，对于未被设定为第二目标基站的第一目标基站，其上传的交通传感数据则不被包含在预处理数据中。
通过执行步骤S30201A-S30203A，可以根据预测驾驶路线，即交通工具有可能驶过的路线寻找最接近的第一目标基站，从而确定第二目标基站，将不属于第二目标基站的第一目标基站上传的交通传感数据筛除出去，从而得到数据量比原始数据小的预处理数据，有利于降低核心网的数据处理量。
数据管理服务器DM在执行步骤S302，也就是通过数据管理服务器对各交通传感数据进行预处理，获得预处理数据这一步骤时，具体可以执行以下步骤：
S30201B.根据驾驶参数，确定驾驶风格类型；
S30202B.根据驾驶风格类型，从全部第一目标基站中确定若干个第三目标基站；
S30203B.根据各第三目标基站上传的交通传感数据，生成预处理数据。
步骤S30201B-S30203B是步骤S302的另一种具体执行方式。
步骤S30201B中，驾驶参数可以为驾驶速度等单一参数，或者包括驾驶速度、驾驶加速度、油门深度在内的多参数。数据管理服务器DM可以执行聚类算法，确定用户终端所在的交通工具的驾驶参数所属的类型，即驾驶风格类型。例如，使用合适的经过训练的聚类算法，可能根据驾驶参数，将用户终端所在的交通工具分类为过于谨慎、谨慎、安全、运动、危险等驾驶风格类型。
在执行步骤S30202B时，可以参照图4。图4中，目标基站组合1是第一种部分第一目标基站的组合方式，目标基站组合2是第二种部分第一目标基站的组合方式，目标基站组合3是第三种部分第一目标基站的组合方式。
这三种目标基站组合中，每个第一目标基站的位置都没有改变，目标基站组合1中保留了最多的第一目标基站，目标基站组合2中保留了中等的第一目标基站，目标基站组合3中保留了最少的第一目标基站，因此目标基站组合1中第一目标基站的分布密度最大，目标基站组合2中第一目标基站的分布密度中等，目标基站组合3中第一目标基站的分布密度最小。
在确定各个目标基站组合之后，分别根据每个目标基站组合中各第一目标基站上传的交通传感数据，确定目标基站组合对应的交通秩序类型。例如，图4中，对于目标基站组合1，根据目标基站组合1中的全部第一目标基站上传的交通传感数据，执行分类算法，确定目标基站组合对应的交通秩序类型。例如，使用合适的经过训练的聚类算法，可能根据目标基站组合1中的全部第一目标基站上传的交通传感数据，将其分类为畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵等交通秩序类型。
以图4为例，由于目标基站组合1、目标基站组合2和目标基站组合3等各自所包括的第一目标基站的数量和位置不完全相同，因此根据各自的第一目标基站所上传的交通传感数据，所判断的交通秩序类型也可能不完全相同。在执行步骤S30202B时，在确定了用户终端所在的交通工具的驾驶风格类型，以及每个目标基站组合的交通秩序类型之后，可以在各个目标基站组合中，选择出对应的交通秩序类型与用户终端所在的交通工具的驾驶风格类型最匹配的那个目标基站组合，以其中的各个第一目标基站作为第三目标基站。
例如，如果确定了图4中根据目标基站组合1上传的交通传感数据确定的交通秩序类型为“畅通”，根据目标基站组合2确定的交通秩序类型为“轻度拥堵”，根据目标基站组合3确定的交通秩序类型为“严重拥堵”，确定了用户终端所在的交通工具的驾驶风格类型为“危险”，那么可以选择目标基站组合3作为各个第三目标基站，这样交通秩序类型为“严重拥堵”有利于缓解驾驶风格类型为“危险”的交通工具的激进行驶，有利于维护交通安全；如果确定了用户终端所在的交通工具的驾驶风格类型为“过于谨慎”，那么可以选择目标基站组合1作为各个第三目标基站，这样交通秩序类型为“畅通”有利于降低驾驶风格类型为“过于谨慎”的交通工具的行驶拘束，有利于使得交通工具的驾驶风格更加果断，维护交通畅顺。
本实施例中，如果存在两个目标基站组合，它们所对应的交通秩序类型相同，且都是与交通工具的驾驶风格类型匹配的交通秩序类型，那么可以从这两个目标基站组合中选择出所包含的第一目标基站最少的那个目标基站组合，作为各个第三目标基站。
通过图4所示的方式执行步骤S30202B的原理在于：在将全部第一目标基站中选择出部分组成目标基站组合的过程中，第一目标基站的数量减少，从而降低核心网所要处理的数据量，有利于降低核心网的负荷，提高通信效率；无论是组成何种分布密度的目标基站组合，目标基站组合中的第一目标基站都在其原始位置内，因此未对第一目标基站的位置及其上传的交通传感数据进行主观修改，保护了交通传感数据的原始性；通过根据交通工具的驾驶风格类型与目标基站组合的交通秩序类型，匹配得到相应的目标基站组合作为各个第三目标基站，从而在步骤S30203B中根据各第三目标基站上传的交通传感数据，生成预处理数据，有利于在根据预处理数据进行预测等处理时，避免交通工具的驾驶人主观上驾驶过激或者过于保守，从而有利于维护交通安全和畅顺。
在执行完步骤S1-S3之后，数据管理服务器DM完成了对交通传感数据的整合、归约和数据转换，将原始的交通传感数据转换成预处理数据供核心网进行处理，核心网所要处理的预处理数据相比交通传感数据具有更小的数据量，有利于核心网对大规模采集得到的交通传感数据进行处理。
核心网中的网络数据分析功能单元NWDAF在执行步骤S4对交通传感数据进行分析处理时，可以执行以下步骤：
S401.通过网络数据分析功能单元运行预测模型；
S402.将预处理数据输入至预测模型进行处理，获取预测结果；
S403.根据预测结果，生成自动驾驶指令。
步骤S401中，网络数据分析功能单元NWDAF可以运行基于遗传算法、神经网络、支持向量机等算法的预测模型。
步骤S402中，网络数据分析功能单元NWDAF将数据管理服务器DM处理得到的预处理数据输入至预测模型进行处理，获得预测结果。根据预测模型的训练参数设定，预测结果可以表示未来一段时间内，旁车、行人和障碍物的位置和速度等信息。
步骤S403中，网络数据分析功能单元NWDAF可以执行自动驾驶算法，根据旁车、行人和障碍物的位置和速度等预测结果，生成自动驾驶指令。自动驾驶指令可以用来控制汽车的动力系统、传动系统、转向系统和方向系统等系统，从而实现自动避让旁车、行人和障碍物等自动驾驶操作。
可以通过编写执行本实施例中的一种基于通信网络和数据管理技术的交通状况检测方法的计算机程序，将该计算机程序写入至存储介质或者计算机装置中，当计算机程序被读取出来运行时，执行本实施例中的一种基于通信网络和数据管理技术的交通状况检测方法，从而实现与实施例中的一种基于通信网络和数据管理技术的交通状况检测方法相同的技术效果。
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述基于通信网络和数据管理技术的交通状况检测方法包括：
根据用户终端，确定多个第一目标基站；各所述第一目标基站分别连接相应的交通传感器；
收集各所述第一目标基站分别上传的交通传感数据；所述交通传感数据由相应的所述第一目标基站通过所连接的所述交通传感器检测得到；
通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据；
通过网络数据分析功能单元对所述预处理数据进行分析。
2.根据权利要求1所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述根据用户终端，确定多个第一目标基站，包括：
检测所述用户终端所在的用户位置；
在所述用户位置搜索全频段的所有频点，获得小区位置信息；
根据所述小区位置信息中的小区参数和邻区列表，确定多个所述第一目标基站。
3.根据权利要求1所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据，包括：
获取所述用户终端所在的交通工具的驾驶参数；
根据所述驾驶参数，对所述交通传感数据进行整合归约，获得所述预处理数据。
4.根据权利要求3所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据，包括：
根据所述驾驶参数，确定预测驾驶路线；
根据所述预测驾驶路线，从全部所述第一目标基站中确定若干个第二目标基站；所述第二目标基站与所述预测驾驶路线之间的距离小于距离阈值；
根据各所述第二目标基站上传的所述交通传感数据，生成所述预处理数据。
5.根据权利要求3所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述通过数据管理服务器对各所述交通传感数据进行预处理，获得预处理数据，包括：
根据所述驾驶参数，确定驾驶风格类型；
根据所述驾驶风格类型，从全部所述第一目标基站中确定若干个第三目标基站；
根据各所述第三目标基站上传的所述交通传感数据，生成所述预处理数据。
6.根据权利要求5所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述根据所述驾驶风格类型，从全部所述第一目标基站中确定若干个第三目标基站，包括：
确定多个目标基站组合；各所述目标基站组合分别由部分或全部所述第一目标基站组成，不同的所述目标基站组合中，各所述第一目标基站的分布密度不相同；
对于任一所述目标基站组合，根据所述目标基站组合中各所述第一目标基站上传的所述交通传感数据，确定所述目标基站组合对应的交通秩序类型；
根据所述驾驶风格类型，选择具有相匹配的所述交通秩序类型的所述目标基站组合，作为所述若干个第三目标基站。
7.根据权利要求5或6所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述通过网络数据分析功能单元对所述预处理数据进行分析，包括：
通过网络数据分析功能单元运行预测模型；
将所述预处理数据输入至所述预测模型进行处理，获取预测结果。
8.根据权利要求7所述的基于通信网络和数据管理技术的交通状况检测方法，其特征在于，所述通过网络数据分析功能单元对所述预处理数据进行分析，还包括：
根据所述预测结果，生成自动驾驶指令。
9.一种计算机装置，其特征在于，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行权利要求1-8任一项所述的基于通信网络和数据管理技术的交通状况检测方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行权利要求1-8任一项所述的基于通信网络和数据管理技术的交通状况检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310392165.7A CN116564077B (zh) | 2023-04-12 | 2023-04-12 | 基于通信网络和数据管理技术的交通状况检测方法、装置和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310392165.7A CN116564077B (zh) | 2023-04-12 | 2023-04-12 | 基于通信网络和数据管理技术的交通状况检测方法、装置和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116564077A true CN116564077A (zh) | 2023-08-08 |
| CN116564077B CN116564077B (zh) | 2024-03-15 |
Family
ID=87500919
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310392165.7A Active CN116564077B (zh) | 2023-04-12 | 2023-04-12 | 基于通信网络和数据管理技术的交通状况检测方法、装置和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116564077B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067556A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 环境感知方法、装置、服务器和可读存储介质 |
| CN114067555A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 多基站数据的配准方法、装置、服务器和可读存储介质 |
| CN114286409A (zh) * | 2021-12-29 | 2022-04-05 | 广州爱浦路网络技术有限公司 | 用户终端附着基站的方法、系统、装置和存储介质 |
| CN114449533A (zh) * | 2020-10-30 | 2022-05-06 | 北京万集科技股份有限公司 | 基站部署方法、环境感知方法、装置、计算机设备和存储介质 |
| CN115714988A (zh) * | 2022-11-15 | 2023-02-24 | 长城汽车股份有限公司 | 网络控制方法、装置、车辆、电子设备及可读存储介质 |
| CN115884131A (zh) * | 2023-01-29 | 2023-03-31 | 深圳开鸿数字产业发展有限公司 | 分布式路侧基站系统、路侧信息处理方法及存储介质 |
-
2023
- 2023-04-12 CN CN202310392165.7A patent/CN116564077B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114067556A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 环境感知方法、装置、服务器和可读存储介质 |
| CN114067555A (zh) * | 2020-08-05 | 2022-02-18 | 北京万集科技股份有限公司 | 多基站数据的配准方法、装置、服务器和可读存储介质 |
| CN114449533A (zh) * | 2020-10-30 | 2022-05-06 | 北京万集科技股份有限公司 | 基站部署方法、环境感知方法、装置、计算机设备和存储介质 |
| CN114286409A (zh) * | 2021-12-29 | 2022-04-05 | 广州爱浦路网络技术有限公司 | 用户终端附着基站的方法、系统、装置和存储介质 |
| CN115714988A (zh) * | 2022-11-15 | 2023-02-24 | 长城汽车股份有限公司 | 网络控制方法、装置、车辆、电子设备及可读存储介质 |
| CN115884131A (zh) * | 2023-01-29 | 2023-03-31 | 深圳开鸿数字产业发展有限公司 | 分布式路侧基站系统、路侧信息处理方法及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116564077B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Machine-learning-enabled cooperative perception for connected autonomous vehicles: Challenges and opportunities | |
| US20190370581A1 (en) | Method and apparatus for providing automatic mirror setting via inward facing cameras | |
| CN106652515B (zh) | 车辆自动控制方法、装置和系统 | |
| CN108628301A (zh) | 用于操作自动驾驶车辆的时间数据关联 | |
| US10783360B1 (en) | Apparatuses, systems and methods for vehicle operator gesture recognition and transmission of related gesture data | |
| CN108372856A (zh) | 来自自主驾驶系统中的感知流的有效情景意识 | |
| CN113734203B (zh) | 一种智能驾驶的控制方法、装置、系统及存储介质 | |
| CN114153220B (zh) | 基于人工智能物联网平台用于自动驾驶的远程控制方法 | |
| JPWO2020100922A1 (ja) | データ配信システム、センサデバイス及びサーバ | |
| CN113189989B (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
| US20230204779A1 (en) | Obstacle detection method and apparatus and storage medium | |
| CN108156406A (zh) | 行车记录仪的信息处理方法和装置 | |
| CN115691183A (zh) | 一种基于端边云协同计算的车路协同驾驶方法及系统 | |
| CN115239548A (zh) | 目标检测方法、装置、电子设备及介质 | |
| CN115222941A (zh) | 目标检测方法、装置、车辆、存储介质、芯片及电子设备 | |
| CN116564077B (zh) | 基于通信网络和数据管理技术的交通状况检测方法、装置和介质 | |
| CN112509321A (zh) | 一种基于无人机的城市复杂交通情景的驾驶控制方法、系统及可读存储介质 | |
| US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
| CN115203457B (zh) | 图像检索方法、装置、车辆、存储介质及芯片 | |
| US20210383213A1 (en) | Prediction device, prediction method, computer program product, and vehicle control system | |
| CN115100630A (zh) | 障碍物检测方法、装置、车辆、介质及芯片 | |
| CN115063639B (zh) | 生成模型的方法、图像语义分割方法、装置、车辆及介质 | |
| CN114694375B (zh) | 交通监视系统、交通监视方法及存储介质 | |
| CN115257628B (zh) | 车辆控制方法、装置、存储介质、车辆及芯片 | |
| WO2021229707A1 (ja) | 情報処理装置、プログラム、システム及び情報処理方法 |
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 |