CN116720053A - 一种基于数字孪生的收费公路系统的数据预测方法及系统 - Google Patents
一种基于数字孪生的收费公路系统的数据预测方法及系统 Download PDFInfo
- Publication number
- CN116720053A CN116720053A CN202310839239.7A CN202310839239A CN116720053A CN 116720053 A CN116720053 A CN 116720053A CN 202310839239 A CN202310839239 A CN 202310839239A CN 116720053 A CN116720053 A CN 116720053A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- events
- road
- service
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012423 maintenance Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 32
- 238000007726 management method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012911 target assessment Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本发明属于收费业务数据处理技术领域,公开了一种基于数字孪生的收费公路系统的数据预测方法及系统。该方法基于搭建的数字孪生公路系统的全数字模型,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照FSN分析法进行目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分;每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力按照需求预测算法,得到事件重要性的排序;利用最优调度策略对排序后的事件重要性数据进行预测。本发明预测核心业务发展趋势,从而帮助管理部门及时调整业务服务,提高公路运行服务水平。
Description
技术领域
本发明属于收费业务数据处理技术领域,尤其涉及一种基于数字孪生的收费公路系统的数据预测方法及系统。
背景技术
高速公路日常业务工作中主要关注的数据有收费业务数据、车辆通行数据、道路路况与天气数据等,这些数据与高速公路的正常日常运行息息相关。但是现阶段所有的数据处于离散型、预估值的状态。比如收费业务数据中的收费额,一般只是按照月完成额度是否完成来比较,并未对数据进行预测处理,自然也无法根据预测调整收费服务策略和资源调配,不能够做到公路通行服务最优解。同时收费业务数据实际与道路路况与天气数据、车辆通行数据等息息相关,数据之间的联动性并未打通,使得智能化、服务化的收费公路业务运行体系并未建立。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术对公路通行业务相关数据分析中,对目标数据无法完成准确分析与判断,不能对公路通行业务相关数据提前预判。
(2)现有技术对公路运行模型数据库的处理中,不能对目标的关键性进行打分的方式进行排序,对重要度高、优先需要解决的公路通行业务不能提供准确建议。
(3)现有技术没有结合道路业务数据、路况与天气数据、管理目标数据等综合现实环境中的实际组成部分,进行仿真输入与输出,使得智能化、服务化的收费公路业务运行体系不具备运行基础。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种基于数字孪生的收费公路系统的数据预测方法及系统。
所述技术方案如下:基于数字孪生的收费公路系统的数据预测方法,包括以下步骤:
S1,基于搭建的数字孪生公路系统的全数字模型,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照FSN分析法进行目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分;
S2,按照需求预测算法对每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力进行评价,得到事件重要性的排序;
S3,利用最优调度策略对排序后的事件重要性数据进行预测。
在步骤S1中,FSN分析法采用随机森林算法与梯度提升回归树算法。
在步骤S1中,重要度包括特征向量与约束层;特征向量采用收费业务数据、车辆通行数据、道路路况、天气数据四个模型输入参数;
特征向量采用下列公式得到:
W(0)=(W1,W2,W3,W4,W5)T
式中,W(0)为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重,Wn为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一个模型输入的特征向量权重,n=1,2,3,4,5,T为阶数。
约束层采用通过对特征向量的关键性因素进行两两打分后得到约束层的判断矩阵,表达式为:
式中,Wi为约束层的判断矩阵,aij为关键性因素的权重,wi为特征向量权重。
在步骤S2中,需求预测算法采用Python中机器学习包sklearn。
在步骤S2中,按照约束层的判断矩阵和特征向量公式得到约束层参数,根据约束层参数得到事件重要性的排序的权重为:
W=W(0)×W(1)
式中,W为约束层参数权重,W(0)为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重,W(1)为1阶下收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重;
将排序前10%的备件设为Ⅰ类事件;
排序10%-30%的事件设为Ⅱ类事件,允许偶尔出现;
排序前30%-60%的事件设为Ⅲ类事件,允许在一定数量范围内出现,此类事件对营运的影响较小;
剩余40%的事件设为Ⅳ类事件,对收费营运影响较小,或有其余事件可顶替,允许出现。
在一个实施例中,Ⅰ类事件为最高优先级的事件,在高速公路营运过程中关键性的事件,严重影响业务预测目标的实现;
Ⅱ类事件为较高优先级的事件,在高速公路营运过程中基础性的事件,事件的出现对系统影响较大;
Ⅲ类事件为中等优先级的事件,在高速公路营运过程中较为重要的事件,事件的出现在一定范围内对机电系统产生不良影响,在高速公路营运企业确定的服务水平范围之内允许出现;
Ⅳ类事件为较低优先级的事件,在高速公路营运过程中常见,在管理中允许出现。
本发明的另一目的在于提供一种基于数字孪生的收费公路系统的数据预测,实施所述基于数字孪生的收费公路系统的数据预测方法,该系统包括:
公路运行模型数据库,用于存储高速公路收费业务数据、车辆通行数据、道路路况与天气数据的大型仓库,包括目标数据和业务数据存储;
数字孪生公路模拟运行场景系统,用于通过数字孪生系统的理念,通过搭建数字孪生公路系统的全数字模型,将道路相关数据按照业务的需求,进行模拟运行;
分析与处理模块,以AI需求预测算法为核心,采用特征向量与约束层进行描述,将收费业务数据、车辆通行数据、道路路况与天气数据高速公路业务数据整合。
在一个实施例中,所述目标数据根据每年的业务要求填报目标要求,以及根据实际要求分配至年、月、日,作为整个模型的目标考核要求;
所述业务数据存储根据每时每刻车辆通行数量、收费额变化额度、路况、道路维护信息、车辆事故突发状况时刻变化,呈现按照日期逐渐增长的状态。
在一个实施例中,所述数字孪生公路系统的全数字模型包括:业务类模型,运行状态模型,虚拟动态显示模型,用于模拟收费工作在运行状态下,从收费服务中心、业务分中心、收费车道的业务,并辅助对各个业务运行状态的集中管理。
在一个实施例中,所述分析与处理模块还用于按照数字孪生公路系统的全数字模型的目标考核要求,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分,之后按照每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力按照需求预测算法,得到事件重要性的排序。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明依靠数字孪生收费公路系统模型,以AI需求预测算法为核心,将收费业务数据、车辆通行数据、道路路况与天气数据等等高速公路业务数据整合,预测核心业务发展趋势,从而帮助管理部门及时调整业务服务,提高公路运行服务水平。
本发明通过对公路通行业务相关的因素进行整合,综合各种造成业务目标无法完成的可能性进行排序,通过数字孪生模型进行试运行,从而得到可能对目标无法完成因素的准确分析与判断,并输出重要因素,帮助管理单位提前预判,从而及时提出解决方案完成既定的目标。模型采用AI需求预测算法,不对模型进行简单的相加比较,准确度高。
本发明对公路运行模型数据库的处理,采用约束层的判断矩阵对目标的关键性进行打分的方式进行排序,从而突出对系统目标无法实现的关键因素,并通过权重的方式对其进行分级。对重要度高、优先需要解决的问题重点提出,从而从关键的部分解决问题。
本发明采用数字孪生建立的收费公路系统数据模型,融合了道路业务数据、路况与天气数据、管理目标数据等,综合了现实环境中的实际组成部分,模型具备仿真输入与输出能力,打通了数据之间的联动性,使得智能化、服务化的收费公路业务运行体系具备较好的运行基础。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于数字孪生的收费站系统示意图;
图2是本发明实施例提供的基于数字孪生的收费站数据预测方法流程图;
图3是本发明实施例提供的
图中:1、公路运行模型数据库;2、数字孪生公路模拟运行场景系统;3、分析与处理模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
实施例1,如图1所示,本发明实施例提供一种基于数字孪生的收费公路系统的数据预测系统,该系统由公路运行模型数据库1、数字孪生公路模拟运行场景系统2、分析与处理模块3组成。
所述公路运行模型数据库1用于存储高速公路收费业务数据、车辆通行数据、道路路况与天气数据等的大型仓库,主要分为2种数据。首先是目标数据,即根据每年的业务要求,所填报的目标要求。比如在收费业务数据中,每年要求完成的收费额、绿通车辆、节假日减免的目标数据,车辆通行数据中的目标车流量、大型车辆通行数等,可根据实际要求分配至年、月、日,作为整个模型的目标考核要求。其次是业务数据存储,该数据是根据每时每刻车辆通行数量、收费额变化额度、路况、道路维护信息、车辆事故等突发状况时刻变化,呈现按照日期逐渐增长的状态,是对业务处理的基础信息。
所述数字孪生公路模拟运行场景系统2通过数字孪生系统的理念,通过搭建数字孪生公路系统的全数字模型,将道路相关数据按照业务的需求,进行模拟运行的系统。主要分为业务类模型,运行状态模型,虚拟动态显示模型三大块。主要是收费类业务、监控类业务,主要模拟收费工作在运行状态下,从收费服务中心、业务分中心、收费车道的业务,并辅助对各个业务运行状态的集中管理。
所述分析与处理模块3以AI需求预测算法为核心,采用特征向量与约束层进行描述,将收费业务数据、车辆通行数据、道路路况与天气数据等等高速公路业务数据整合。即首先按照模型的目标考核要求,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分,之后按照每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力等方面按照需求预测算法,得到事件重要性的排序。
实施例2,作为本发明的一种实施方式,如图2所示,本发明实施例提供一种基于数字孪生的收费公路系统的数据预测方法,包括以下步骤:
S1,基于搭建的数字孪生公路系统的全数字模型,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照FSN分析法(随机森林算法与梯度提升回归树算法)进行目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分;
S2,每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力等方面按照需求预测算法(Python中机器学习包sklearn),得到事件重要性的排序;
S3,利用最优调度策略对步骤S2排序后的事件重要性数据进行预测。
示例性的,基于数字孪生的收费公路系统的数据预测方法模型逻辑关系如下表1。
表1模型逻辑关系
示例性的,在步骤S1中,重要度采用特征向量与约束层进行描述。
特征向量采用收费业务数据、车辆通行数据、道路路况、天气数据四个模型输入参数。
收费业务数据:是指收费额在不同站点的重要程度,某些主线收费站收费额高车流量大,需要重点关注。某些收费站地理位置较偏,车流量和收费额均很少,见表2。
表2收费业务数据
车辆通行数据:是指历史数据每日通过的数量,通行数据与收费业务数据指标呈正相关。见表3。
表3车辆通行数据
等级 | 标准 | 权重 |
1 | >1万辆 | 1 |
2 | 5000辆<C≤1万辆 | 0.492 |
3 | 1500辆<C≤5000辆 | 0.300 |
4 | 500辆<C≤1500辆 | 0.106 |
5 | ≤500辆 | 0.066 |
道路路况:是指道路在时间维度上的一个通行能力指标。见表4。
表4道路路况
等级 | 标准 | 权重 |
1 | 存在施工 | 1 |
2 | 路况安全降低 | 0.472 |
3 | 容易拥堵 | 0.286 |
4 | 较正常 | 0.165 |
5 | 正常 | 0.088 |
天气数据:是天气在每年影响交通的数据,如出现下雨、下雪等情况累计时间超过2个月。见表5。
表5天气数据
特征向量则采用下列公式得到:
W(0)=(W1,W2,W3,W4,W5)T;
式中,W(0)为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量集合权重,Wn为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一个模型输入的特征向量全总,n=1,2,3,4,5,T为阶数;
约束层采用如下通过运维部相关机电管理人员及外邀专家对特征向量的关键性因素进行两两打分后得到约束层的判断矩阵:
式中,Wi为约束层的判断矩阵,aij为关键性因素的权重,wi为特征向量权重。
在步骤S2中,之后按照约束层的判断矩阵和特征向量公式得到约束层参数;最终此产品的权重为:
W=W(0)×W(1)
式中,W为约束层参数权重,W(0)为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重,W(1)为1阶下收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重;
将排序前10%的备件设为Ⅰ类事件,最高优先级;排序10%-30%的事件设为Ⅱ类事件,即较高优先级,允许偶尔出现;排序前30%-60%的事件设为Ⅲ类事件,中等优先级,允许在一定数量范围内出现,此类事件对营运的影响较小;剩余40%的事件设为Ⅳ类事件,较低优先级,对收费营运影响较小,或有其余事件可顶替,允许出现。
其中,Ⅰ类事件:即最高优先级的事件,指的是在高速公路营运过程中关键性的事件,会严重影响业务预测目标的实现。
Ⅱ类事件:即较高优先级的事件,指的是在高速公路营运过程中基础性的事件,事件的出现对系统影响较大,但运行一定的缺失。
Ⅲ类事件:即中等优先级的事件,指的是在高速公路营运过程中较为重要的事件,事件的出现在一定范围内对机电系统会产生不良影响,在高速公路营运企业确定的服务水平范围之内允许出现。
Ⅳ类事件:即较低优先级的事件,指的是在高速公路营运过程中较为常见,在管理中允许出现。
通过对事件的处理,从而帮助管理者对事件的处理,从而有效提高对高速公路收费系统预定管理目标的实现,见表6。
表6公路收费系统预定管理目标
量化值 | 含义 |
1 | 同等重要 |
3 | 稍微重要 |
5 | 较强重要 |
7 | 强烈重要 |
9 | 极端重要 |
2,4,6,8 | 相邻重要等级 |
示例性的,在步骤S1中,业务调整采用FSN分析法,也叫快慢速分类法,主要是通过条件的重要度变化对事件进行重要级输出。主要分析工具采用随机森林算法与梯度提升回归树算法,流程如图3所示。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案,进一步的可提出以下应用例。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
以上所述,仅为本发明较优的具体的实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于数字孪生的收费公路系统的数据预测方法,其特征在于,该方法包括以下步骤:
S1,基于搭建的数字孪生公路系统的全数字模型,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照FSN分析法进行目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分;
S2,按照需求预测算法对每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力进行评价,得到事件重要性的排序;
S3,利用最优调度策略对排序后的事件重要性数据进行预测。
2.根据权利要求1所述的基于数字孪生的收费公路系统的数据预测方法,其特征在于,在步骤S1中,FSN分析法采用随机森林算法与梯度提升回归树算法。
3.根据权利要求1所述的基于数字孪生的收费公路系统的数据预测方法,其特征在于,在步骤S1中,重要度包括特征向量与约束层;特征向量采用收费业务数据、车辆通行数据、道路路况、天气数据四个模型输入参数;
特征向量采用下列公式得到:
W(0)=(W1,W2,W3,W4,W5)T
式中,W(0)为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重,Wn为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一个模型输入的特征向量权重,n=1,2,3,4,5,T为阶数;
约束层采用通过对特征向量的关键性因素进行两两打分后得到约束层的判断矩阵,表达式为:
式中,Wi为约束层的判断矩阵,aij为关键性因素的权重,wi为特征向量权重。
4.根据权利要求1所述的基于数字孪生的收费公路系统的数据预测方法,其特征在于,在步骤S2中,需求预测算法采用Python中机器学习包sklearn。
5.根据权利要求1所述的基于数字孪生的收费公路系统的数据预测方法,其特征在于,在步骤S2中,按照约束层的判断矩阵和特征向量公式得到约束层参数,根据约束层参数得到事件重要性的排序的权重为:
W=W(0)×W(1)
式中,W为约束层参数权重,W(0)为收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重,W(1)为1阶下收费业务数据、车辆通行数据、道路路况、天气数据四个模型中某一模型某输入参数的特征向量权重;
将排序前10%的备件设为Ⅰ类事件;
排序10%-30%的事件设为Ⅱ类事件,允许偶尔出现;
排序前30%-60%的事件设为Ⅲ类事件,允许在一定数量范围内出现,此类事件对营运的影响较小;
剩余40%的事件设为Ⅳ类事件,对收费营运影响较小,或有其余事件可顶替,允许出现。
6.根据权利要求5所述的基于数字孪生的收费公路系统的数据预测方法,其特征在于,Ⅰ类事件为最高优先级的事件,在高速公路营运过程中关键性的事件,严重影响业务预测目标的实现;
Ⅱ类事件为较高优先级的事件,在高速公路营运过程中基础性的事件,事件的出现对系统影响较大;
Ⅲ类事件为中等优先级的事件,在高速公路营运过程中较为重要的事件,事件的出现在一定范围内对机电系统产生不良影响,在高速公路营运企业确定的服务水平范围之内允许出现;
Ⅳ类事件为较低优先级的事件,在高速公路营运过程中常见,在管理中允许出现。
7.一种基于数字孪生的收费公路系统的数据预测系统,其特征在于,实施权利要求1-6任意一项所述基于数字孪生的收费公路系统的数据预测方法,该系统包括:
公路运行模型数据库(1),用于存储高速公路收费业务数据、车辆通行数据、道路路况与天气数据的大型仓库,包括目标数据和业务数据存储;
数字孪生公路模拟运行场景系统(2),用于通过数字孪生系统的理念,通过搭建数字孪生公路系统的全数字模型,将道路相关数据按照业务的需求,进行模拟运行;
分析与处理模块(3),以AI需求预测算法为核心,采用特征向量与约束层进行描述,将收费业务数据、车辆通行数据、道路路况与天气数据高速公路业务数据整合。
8.根据权利要求7所述的基于数字孪生的收费公路系统的数据预测系统,其特征在于,所述目标数据根据每年的业务要求填报目标要求,以及根据实际要求分配至年、月、日,作为整个模型的目标考核要求;
所述业务数据存储根据每时每刻车辆通行数量、收费额变化额度、路况、道路维护信息、车辆事故突发状况时刻变化,呈现按照日期逐渐增长的状态。
9.根据权利要求7所述的基于数字孪生的收费公路系统的数据预测系统,其特征在于,所述数字孪生公路系统的全数字模型包括:业务类模型,运行状态模型,虚拟动态显示模型,用于模拟收费工作在运行状态下,从收费服务中心、业务分中心、收费车道的业务,并辅助对各个业务运行状态的集中管理。
10.根据权利要求7所述的基于数字孪生的收费公路系统的数据预测系统,其特征在于,所述分析与处理模块(3)还用于按照数字孪生公路系统的全数字模型的目标考核要求,将收费金额目标、通行效率目标、道路维护状态目标、道路事故目标、服务水平目标按照目标重要度排序,按照约束层的判断矩阵对目标的关键性分值进行打分,之后按照每日收费额、通行车辆数量、车辆种类、天气类型、特殊事件对通行的影响、服务能力按照需求预测算法,得到事件重要性的排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310839239.7A CN116720053A (zh) | 2023-07-10 | 2023-07-10 | 一种基于数字孪生的收费公路系统的数据预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310839239.7A CN116720053A (zh) | 2023-07-10 | 2023-07-10 | 一种基于数字孪生的收费公路系统的数据预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116720053A true CN116720053A (zh) | 2023-09-08 |
Family
ID=87869861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310839239.7A Pending CN116720053A (zh) | 2023-07-10 | 2023-07-10 | 一种基于数字孪生的收费公路系统的数据预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720053A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675499A (zh) * | 2024-01-31 | 2024-03-08 | 山东高速集团有限公司创新研究院 | 一种多网融合的高速公路通信系统的业务测算方法及系统 |
-
2023
- 2023-07-10 CN CN202310839239.7A patent/CN116720053A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117675499A (zh) * | 2024-01-31 | 2024-03-08 | 山东高速集团有限公司创新研究院 | 一种多网融合的高速公路通信系统的业务测算方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105847598B (zh) | 呼叫中心多因子话务预测方法 | |
CN107424070A (zh) | 一种基于机器学习的贷款用户信用评级方法及系统 | |
CN109360084A (zh) | 征信违约风险的评估方法及装置、存储介质、计算机设备 | |
US20100063851A1 (en) | Systems and methods for rating and pricing insurance policies | |
CN116720053A (zh) | 一种基于数字孪生的收费公路系统的数据预测方法及系统 | |
CN113537807B (zh) | 一种企业智慧风控方法及设备 | |
CN107545038A (zh) | 一种文本分类方法与设备 | |
CN112200375B (zh) | 预测模型生成方法、预测模型生成装置和计算机可读介质 | |
CN112907305A (zh) | 基于大数据分析的客户全周期管理系统 | |
CN113641828A (zh) | 一种基于知识图谱的电网供应商画像成像方法和存储设备 | |
CN106095939A (zh) | 账户权限的获取方法和装置 | |
CN115131131A (zh) | 面向不平衡数据集多阶段集成模型的信用风险评估方法 | |
CN110610415B (zh) | 一种模型更新的方法和装置 | |
CN114841788A (zh) | 一种工程项目建设管理竣工决算全过程管理系统 | |
CN112232606B (zh) | 业务数据的预测方法、装置、设备及存储介质 | |
CN111667151B (zh) | 一种电力市场风险全景识别方法及系统 | |
CN113450004A (zh) | 电力信用报告生成方法、装置、电子设备及可读存储介质 | |
CN106570176A (zh) | 发电企业电量统计报送的方法及电量管理系统 | |
CN112767126A (zh) | 基于大数据的抵押物评级方法和装置 | |
CN112508689A (zh) | 一种基于多维度实现决策评估的方法 | |
CN115907719A (zh) | 充电站分级运维管理方法及装置 | |
CN111091460B (zh) | 一种数据处理方法及装置 | |
CN117709908B (zh) | 一种电网工程人、材、机分配合理性智慧审计方法与系统 | |
CN112634023B (zh) | 一种用于群体性风险监测的早期预警系统及方法 | |
CN112052162B (zh) | 回归测试案例的选定方法、装置 |
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 |