CN116758762A - 基于大数据的控制方法 - Google Patents
基于大数据的控制方法 Download PDFInfo
- Publication number
- CN116758762A CN116758762A CN202310493072.3A CN202310493072A CN116758762A CN 116758762 A CN116758762 A CN 116758762A CN 202310493072 A CN202310493072 A CN 202310493072A CN 116758762 A CN116758762 A CN 116758762A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- time
- sensor nodes
- prediction
- 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 48
- 238000007405 data analysis Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 17
- 238000011217 control strategy Methods 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 claims description 4
- 238000007418 data mining Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000007621 cluster analysis Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q50/10—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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/40—Transportation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
- G16Y40/35—Management of things, i.e. controlling in accordance with a policy or in order to achieve specified objectives
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
Abstract
本发明公开了基于大数据的控制方法,该方法包括以下步骤:步骤一:通过布置传感器采集道路车辆数据信息;步骤二:对采集到的数据进行处理;步骤三:针对提取的特征值进行分析和建模;步骤四:通过模型结果进行控制决策,所述数据采集模块,用于实时采集交通状态;所述数据分析模块,用于建模实现交通状态预测;所述交通控制决策模块,用于根据模型结果进行控制决策方案的生成;所述传感器部署与配置模块,用于部署传感器节点,实时采集车辆的速度、车流量、车型等信息;所述数据建模模块,用于负责基于机器学习和深度学习等算法对预处理后的数据进行分析和建模,本发明,具有数据采集全面和模型决策准确的特点。
Description
技术领域
本发明涉及智能交通技术领域,具体为基于大数据的控制方法。
背景技术
随着城市化进程的加快,城市交通拥堵问题日益突出,传统的交通控制系统存在着响应不灵活、效率较低等缺点,已经不能满足日益增长的交通需求。为了解决这一问题,目前已经有一些技术被应用于智能交通领域,例如传感器网络技术可以实时收集路面上的车辆流量、速度等信息,但是由于数据量庞大、复杂,难以进行有效的处理和分析。因此,基于大数据的智能交通控制方法应运而生。该方法通过收集、处理和分析大量实时数据,实现交通流量预测、交通事故预警、交通信号控制等功能,可以快速响应路况变化,提高交通效率和安全性。然而,该方法也存在一些问题,如何有效收集和处理大量的实时数据、如何准确预测路况和实现智能控制等。因此,设计提高交通的智能化和效率的基于大数据的控制方法是很有必要的。
发明内容
本发明的目的在于提供基于大数据的控制方法,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:基于大数据的控制方法,该方法包括以下步骤:
步骤一:通过布置传感器采集道路车辆数据信息;
步骤二:对采集到的数据进行处理;
步骤三:针对提取的特征值进行分析和建模;
步骤四:通过模型结果进行控制决策。
根据上述技术方案,所述通过布置传感器采集道路车辆数据信息的步骤,包括:
选择合适的传感器设备并进行路网规划和传感器节点布置方案的设计;
安装、调试和测试传感器节点,并进行校准和修正;
确保传感器节点正常运行,以保证采集到的数据准确可靠。
根据上述技术方案,所述选择合适的传感器设备并进行路网规划和传感器节点布置方案的设计的步骤,包括:
选择高精度的车辆检测器,通过其散布在道路上的多个检测点,对车辆进行精确的测速、计数和分类,同时能够自动识别车型等关键信息,选择高清晰度的摄像头或雷达设备,通过对车辆的影像、声波等信号进行处理,实现对车辆的识别和跟踪,安装传感器节点之前,进行路网规划和传感器节点布置方案的设计,根据交通路网的实际情况,选择合适的位置进行传感器节点的布置,如选择在交通流量较大的路口或路段安装传感器节点,以实现对交通流量的实时监测和预测,此外,在进行传感器节点的布置时,通过布置冗余传感器节点来提高数据的可靠性,通过优化数据传输协议和网络架构来提高数据的实时性,传感器节点的安装完成后,需要进行传感器节点的调试和测试,以验证传感器节点的性能和准确性,并进行校准和修正。
根据上述技术方案,所述对采集到的数据进行处理的步骤,包括:
进行数据预处理,如平滑、插值和去噪等,以去除噪声和异常数据;
进行数据清洗和特征提取。
根据上述技术方案,所述进行数据清洗和特征提取的步骤,包括:
在本发明实施例中,数据清洗主要包括去除重复数据、修正错误数据和剔除异常数据等,对于车速数据,可以通过设置合理的阈值进行异常值检测和过滤,保证数据的准确性;最后,对清洗后的数据进行特征提取,以便进行后续的数据分析和建模,本发明领域的特征包括车辆速度、车流量、车型、道路拥堵情况等,特征提取可以通过统计学方法或机器学习方法进行,例如,对于交通流量数据,可以通过统计方法计算平均流量、峰值流量和变异系数等特征,或者通过机器学习方法训练分类器进行交通流量的预测和分析,通过以上数据处理步骤,可以得到高质量、准确的数据,为后续的数据分析和控制决策提供支持。
根据上述技术方案,所述针对提取的特征值进行分析和建模的步骤,包括:
建立数据集用来训练和测试模型;
提高模型的准确性和稳定性。
根据上述技术方案,所述建立数据集用来训练和测试模型的步骤,包括:
建立相应的数据集,包括历史交通数据、实时采集的交通数据以及其他相关数据,例如天气、时间、节假日等信息,其次采用数据挖掘技术对数据进行分析,以发现数据中的潜在规律和趋势,并对其进行挖掘和利用,采用聚类分析、关联规则分析、时序分析等方法进行数据分析,以识别交通数据中的特征和模式,随后进行多模型建立,使用基于监督学习的随机森林算法建立交通流量预测模型时,使用基于聚类分析的K-means算法进行拥堵情况预测,通过对采集到的交通数据进行聚类分析,识别出不同区域和时间段的交通拥堵情况,使用基于深度学习的卷积神经网络算法进行事故风险预测。
根据上述技术方案,所述通过模型结果进行控制决策的步骤,包括:
基于实时数据,结合建立的交通预测模型进行决策制定;
利用这些实时数据,对实施的交通控制策略进行监测和调整。
根据上述技术方案,所述基于实时数据,结合建立的交通预测模型进行决策制定的步骤,包括:
交通管理中心基于实时数据数据,结合建立的交通预测模型,通过机器学习算法等方法,对当前和未来一段时间内的交通情况进行预测,预测结果反馈给交通管理部门,供其制定交通控制策略参考,在高峰期,交通管理部门可以根据预测结果,制定相应的调整信号灯的时长、改变车道使用方式、调整限速等控制策略,以实现交通流量的优化和拥堵疏导等目的,同时,针对不同的交通情况,交通管理部门还可以制定应急预案,以应对交通事故、突发事件等情况。
根据上述技术方案,所述该系统包括:
数据采集模块,用于实时采集交通状态;
数据分析模块,用于建模实现交通状态预测;
交通控制决策模块,用于根据模型结果进行控制决策方案的生成。
与现有技术相比,本发明所达到的有益效果是:本发明,通过设置有数据采集模块、数据分析模块、交通控制决策模块实现基于大数据的智能交通控制方法,首先选择合适的传感器设备并进行路网规划和传感器节点布置方案的设计,其次安装、调试和测试传感器节点,并进行校准和修正,确保传感器节点正常运行,随后对采集的交通数据进行数据预处理,如平滑、插值和去噪等,以去除噪声和异常数据,最后通过数据集建立模型,交管部门根据模型结果进行决策方案制定,以缓解早晚高峰的道路压力,本方法具有数据采集全面、交通状况预测准确的优点。
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为本发明实施例一提供的基于大数据的控制方法的流程图;
图2为本发明实施例二提供的基于大数据的控制系统的模块组成示意图。
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。
实施例一:图1为本发明实施例一提供的基于大数据的控制方法的流程图,本实施例可应用智能交通的场景,该方法可以由本实施例提供的基于大数据的控制系统来执行,如图1所示,该方法具体包括以下步骤:
步骤一:通过布置传感器采集道路车辆数据信息;
在本发明实施例中,使用传感器采集车辆的速度、车流量、车型等信息,并将数据上传到交通管理中心;
示例性的,选择合适的传感器设备,例如,选择高精度的车辆检测器,通过其散布在道路上的多个检测点,对车辆进行精确的测速、计数和分类,同时能够自动识别车型等关键信息,选择高清晰度的摄像头或雷达设备,通过对车辆的影像、声波等信号进行处理,实现对车辆的识别和跟踪;
示例性的,在安装传感器节点之前,进行路网规划和传感器节点布置方案的设计,根据交通路网的实际情况,选择合适的位置进行传感器节点的布置,如选择在交通流量较大的路口或路段安装传感器节点,以实现对交通流量的实时监测和预测,此外,在进行传感器节点的布置时,通过布置冗余传感器节点来提高数据的可靠性,通过优化数据传输协议和网络架构来提高数据的实时性,传感器节点的安装完成后,需要进行传感器节点的调试和测试,以验证传感器节点的性能和准确性,并进行校准和修正,在数据采集阶段,需要确保传感器节点的正常运行,以确保采集到的数据的准确性和可靠性。
步骤二:对采集到的数据进行处理;
在本发明实施例中,采用数据预处理、数据清洗等方法对采集到的数据进行处理,过滤掉噪声数据,并提取交通流量、车速、拥堵程度等特征;
示例性的,对原始数据进行预处理,由于采集数据时存在噪声和异常数据,需要对数据进行预处理以去除这些干扰因素,常用的预处理方法包括平滑、插值和去噪等,其中,平滑是通过滤波器对数据进行平均或中位值滤波,以减少数据的噪声;插值是将缺失的数据点通过已有数据点的插值计算得出;去噪是利用信号处理方法对噪声进行抑制或消除,通过预处理,可以提高数据的质量和准确性;
示例性的,对预处理后的数据进行清洗,数据清洗是指通过数据挖掘方法对数据进行清洗、去重、统一格式等处理,以确保数据的一致性和准确性,在本发明实施例中,数据清洗主要包括去除重复数据、修正错误数据和剔除异常数据等,例如,对于车速数据,可以通过设置合理的阈值进行异常值检测和过滤,保证数据的准确性;最后,对清洗后的数据进行特征提取,以便进行后续的数据分析和建模,本发明领域的特征包括车辆速度、车流量、车型、道路拥堵情况等,特征提取可以通过统计学方法或机器学习方法进行,对于交通流量数据,可以通过统计方法计算平均流量、峰值流量和变异系数等特征,或者通过机器学习方法训练分类器进行交通流量的预测和分析,通过以上数据处理步骤,可以得到高质量、准确的数据,为后续的数据分析和控制决策提供支持。
步骤三:针对提取的特征值进行分析和建模;
在本发明实施例中,通过基于机器学习和深度学习等算法对处理后的交通数据进行分析和建模,以预测交通流量、拥堵情况、事故风险等;
示例性的,建立相应的数据集,包括历史交通数据、实时采集的交通数据以及其他相关数据,例如天气、时间、节假日等信息,其次采用数据挖掘技术对数据进行分析,以发现数据中的潜在规律和趋势,并对其进行挖掘和利用,采用聚类分析、关联规则分析、时序分析等方法进行数据分析,以识别交通数据中的特征和模式,随后进行多模型建立,使用基于监督学习的随机森林算法建立交通流量预测模型时,使用基于聚类分析的K-means算法进行拥堵情况预测,通过对采集到的交通数据进行聚类分析,识别出不同区域和时间段的交通拥堵情况,使用基于深度学习的卷积神经网络算法进行事故风险预测;
示例性的,为了提高模型的准确性和稳定性,因此使用Bagging模型集成技术,通过结合多个模型的预测结果,从而提高预测准确性和鲁棒性,同时需要对模型进行评估和优化,以提高其预测能力和可靠性通过以上步骤,可以利用大数据技术对交通数据进行深入分析和建模,为智能交通控制提供精准、可靠的预测和决策支持。
步骤四:通过模型结果进行控制决策。
在本发明实施例中,通过将数据分析结果与交通控制策略相结合,实现对交通流量、拥堵情况、事故风险等实时监测和调控;
示例性的,交通管理中心基于实时数据数据,结合建立的交通预测模型,通过机器学习算法等方法,对当前和未来一段时间内的交通情况进行预测,预测结果反馈给交通管理部门,供其制定交通控制策略参考,在高峰期,交通管理部门可以根据预测结果,制定相应的调整信号灯的时长、改变车道使用方式、调整限速等控制策略,以实现交通流量的优化和拥堵疏导等目的,同时,针对不同的交通情况,交通管理部门还可以制定应急预案,以应对交通事故、突发事件等情况;
示例性的,交通管理部门实施控制策略后,交通数据采集设备会再次收集实时交通数据,并上传到交通管理中心,交通管理中心利用这些实时数据,对实施的交通控制策略进行监测和调整,以实现对交通流量、拥堵情况、事故风险等实时监测和调控,同时,交通管理部门可以利用智能交通系统对车辆进行动态导航和指示,提醒司机注意交通安全,在控制决策的过程中,本方法还可以利用智能交通技术,例如车联网、智能交通系统等,实现多源数据的融合和交互,提高交通控制的精度和实效性,如通过车联网技术,可以实时获取车辆的位置、速度、行驶方向等信息,并将其与路口信号灯控制策略相结合,实现智能交通信号优化;
示例性的,根据交通控制策略的实施和交通流量、拥堵情况、事故风险等指标的反馈数据,交通管理部门对预测模型进行优化和改进,通过反馈控制理论的方法,对反馈数据进行分析和处理,对交通控制策略进行优化和改进,以提高交通控制系统的稳定性和准确性,在实际交通管理中,交通管理部门可以更加高效、准确地控制交通流量、优化道路使用率,从而提高城市交通的效率和安全性。
实施例二:本发明实施例二提供了基于大数据的控制系统,图2为本发明实施例二提供的基于大数据的控制系统的模块组成示意图,如图2所示,该系统包括:
数据采集模块,用于实时采集交通状态;
数据分析模块,用于建模实现交通状态预测;
交通控制决策模块,用于根据模型结果进行控制决策方案的生成;
在本发明的一些实施例中,数据采集模块包括:
传感器部署与配置模块,用于部署传感器节点,实时采集车辆的速度、车流量、车型等信息;
数据预处理模块,用于对采集到的数据进行预处理和清洗;
数据传输模块,用于将经过预处理的数据传输到数据分析模块;
在本发明的一些实施例中,数据分析模块包括:
数据建模模块,用于负责基于机器学习和深度学习等算法对预处理后的数据进行分析和建模;
数据可视化模块,用于将分析结果可视化,以直观地展示交通状况;
实时监测模块,用于实时监测交通状况,及时发现异常情况;
在本发明的一些实施例中,交通控制决策模块包括:
决策制定模块,用于根据数据分析结果和交通控制策略制定交通控制决策方案;
实时调度模块,用于根据实时路况情况自动或半自动调节交通信号、路网优化等;
调度优化模块,用于对模型以及控制决策进行优化。
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 (10)
1.基于大数据的控制方法,其特征在于:该方法包括以下步骤:
步骤一:通过布置传感器采集道路车辆数据信息;
步骤二:对采集到的数据进行处理;
步骤三:针对提取的特征值进行分析和建模;
步骤四:通过模型结果进行控制决策。
2.根据权利要求1所述的基于大数据的控制方法,其特征在于:所述通过布置传感器采集道路车辆数据信息的步骤,包括:
选择合适的传感器设备并进行路网规划和传感器节点布置方案的设计;
安装、调试和测试传感器节点,并进行校准和修正;
确保传感器节点正常运行,以保证采集到的数据准确可靠。
3.根据权利要求2所述的基于大数据的控制方法,其特征在于:所述选择合适的传感器设备并进行路网规划和传感器节点布置方案的设计的步骤,包括:
选择高精度的车辆检测器,通过其散布在道路上的多个检测点,对车辆进行精确的测速、计数和分类,同时能够自动识别车型信息,选择高清晰度的摄像头或雷达设备,通过对车辆的影像、声波信号进行处理,实现对车辆的识别和跟踪,安装传感器节点之前,进行路网规划和传感器节点布置方案的设计,根据交通路网的实际情况,选择合适的位置进行传感器节点的布置,如选择在交通流量较大的路口或路段安装传感器节点,以实现对交通流量的实时监测和预测,此外,在进行传感器节点的布置时,通过布置冗余传感器节点来提高数据的可靠性,通过优化数据传输协议和网络架构来提高数据的实时性,传感器节点的安装完成后,需要进行传感器节点的调试和测试,以验证传感器节点的性能和准确性,并进行校准和修正。
4.根据权利要求1所述的基于大数据的控制方法,其特征在于:所述对采集到的数据进行处理的步骤,包括:
进行数据预处理,如平滑、插值和去噪,以去除噪声和异常数据;
进行数据清洗和特征提取。
5.根据权利要求4所述的基于大数据的控制方法,其特征在于:所述进行数据清洗和特征提取的步骤,包括:
在本发明实施例中,数据清洗主要包括去除重复数据、修正错误数据和剔除异常数据,对于车速数据,可以通过设置合理的阈值进行异常值检测和过滤,保证数据的准确性;最后,对清洗后的数据进行特征提取,以便进行后续的数据分析和建模,本发明领域的特征包括车辆速度、车流量、车型、道路拥堵情况,特征提取可以通过统计学方法或机器学习方法进行,对于交通流量数据,可以通过统计方法计算平均流量、峰值流量和变异系数特征,或者通过机器学习方法训练分类器进行交通流量的预测和分析,通过以上数据处理步骤,可以得到高质量、准确的数据,为后续的数据分析和控制决策提供支持。
6.根据权利要求1所述的基于大数据的控制方法,其特征在于:所述针对提取的特征值进行分析和建模的步骤,包括:
建立数据集用来训练和测试模型;
提高模型的准确性和稳定性。
7.根据权利要求6所述的基于大数据的控制方法,其特征在于:所述建立数据集用来训练和测试模型的步骤,包括:
建立相应的数据集,包括历史交通数据、实时采集的交通数据以及天气、时间、节假日信息,其次采用数据挖掘技术对数据进行分析,以发现数据中的潜在规律和趋势,并对其进行挖掘和利用,采用聚类分析、关联规则分析、时序分析方法进行数据分析,以识别交通数据中的特征和模式,随后进行多模型建立,使用基于监督学习的随机森林算法建立交通流量预测模型时,使用基于聚类分析的K-means算法进行拥堵情况预测,通过对采集到的交通数据进行聚类分析,识别出不同区域和时间段的交通拥堵情况,使用基于深度学习的卷积神经网络算法进行事故风险预测。
8.根据权利要求1所述的基于大数据的控制方法,其特征在于:所述通过模型结果进行控制决策的步骤,包括:
基于实时数据,结合建立的交通预测模型进行决策制定;
利用这些实时数据,对实施的交通控制策略进行监测和调整。
9.根据权利要求8所述的基于大数据的控制方法,其特征在于:所述基于实时数据,结合建立的交通预测模型进行决策制定的步骤,包括:
交通管理中心基于实时数据数据,结合建立的交通预测模型,通过机器学习算法方法,对当前和未来一段时间内的交通情况进行预测,预测结果反馈给交通管理部门,供其制定交通控制策略参考,在高峰期,交通管理部门可以根据预测结果,制定相应的调整信号灯的时长、改变车道使用方式、调整限速控制策略,以实现交通流量的优化和拥堵疏导目的,同时,针对不同的交通情况,交通管理部门还可以制定应急预案,以应对交通事故、突发事件。
10.基于大数据的控制系统,其特征在于:所述该系统包括:
数据采集模块,用于实时采集交通状态;
数据分析模块,用于建模实现交通状态预测;
交通控制决策模块,用于根据模型结果进行控制决策方案的生成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310493072.3A CN116758762A (zh) | 2023-05-05 | 2023-05-05 | 基于大数据的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310493072.3A CN116758762A (zh) | 2023-05-05 | 2023-05-05 | 基于大数据的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116758762A true CN116758762A (zh) | 2023-09-15 |
Family
ID=87956079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310493072.3A Pending CN116758762A (zh) | 2023-05-05 | 2023-05-05 | 基于大数据的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758762A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275239A (zh) * | 2023-11-21 | 2023-12-22 | 天津轻工职业技术学院 | 一种交通大数据信息处理方法、装置及存储介质 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789182A (zh) * | 2010-02-05 | 2010-07-28 | 北京工业大学 | 一种基于平行仿真技术的交通信号控制系统及方法 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
CN110211383A (zh) * | 2019-06-12 | 2019-09-06 | 国鸿科技股份有限公司 | 智能交通数据处理系统 |
US20200334979A1 (en) * | 2017-09-15 | 2020-10-22 | Velsis Sistemas E Tecnologia Viaria S/A | Predictive, integrated and intelligent system for control of times in traffic lights |
-
2023
- 2023-05-05 CN CN202310493072.3A patent/CN116758762A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789182A (zh) * | 2010-02-05 | 2010-07-28 | 北京工业大学 | 一种基于平行仿真技术的交通信号控制系统及方法 |
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
US20200334979A1 (en) * | 2017-09-15 | 2020-10-22 | Velsis Sistemas E Tecnologia Viaria S/A | Predictive, integrated and intelligent system for control of times in traffic lights |
CN110211383A (zh) * | 2019-06-12 | 2019-09-06 | 国鸿科技股份有限公司 | 智能交通数据处理系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117275239A (zh) * | 2023-11-21 | 2023-12-22 | 天津轻工职业技术学院 | 一种交通大数据信息处理方法、装置及存储介质 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
CN116758762A (zh) | 基于大数据的控制方法 | |
CN102087788B (zh) | 基于浮动车车速置信度的交通状态参数估计方法 | |
GB2582531A (en) | Method for detecting traffic anomally of urban road with equidistant spatial-temporal division | |
CN100573618C (zh) | 一种交通路口四相位车流量检测方法 | |
CN113963539B (zh) | 高速公路交通事故识别方法、模块及系统 | |
CN113761728B (zh) | 基于车联网平台的机场电动特种车辆故障预警方法 | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
US10706720B2 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
CN108681717B (zh) | 城市级交通视频检测设备质量检测方法 | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室系统及方法 | |
CN114283590B (zh) | 车流量高峰预测方法及装置、电子设备 | |
CN117975713A (zh) | 工业上楼智慧交通疏导管理系统 | |
CN117238145A (zh) | 一种基于大数据的智慧交通管理方法及系统 | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 | |
CN113064940A (zh) | 一种基于大数据的高速公路智能实时收费分析系统 | |
CN114582083A (zh) | 一种隧道监控多传感器数据融合火灾预警方法 | |
CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
CN118071040B (zh) | 一种公路施工的安全检查评价方法及系统 | |
Patelli et al. | Traffic modelling and prediction via symbolic regression on road sensor data | |
CN117392857B (zh) | 一种基于蓝牙网络的货车车型识别系统及识别方法 | |
TWI761863B (zh) | 交通狀況偵測方法 | |
Paz et al. | Mining and visualizing traffic sensor data: A joint analysis of clustering and transitions probabilities | |
CN117558127A (zh) | 一种5g边缘计算环境下计算任务智能系统 |
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 |