CN116758763B - 一种基于车联网的交通数据处理系统及方法 - Google Patents

Abstract

本发明公开了一种基于车联网的交通数据处理系统及方法，属于智慧交通技术领域，包括数据整理模块、数据分析模块和验证模块；数据整理模块用于进行汽车历史数据采集，并将各交通信号灯划分到不同的分析区域内；数据分析模块用于进行交通信号灯各信号时长分析，从分析区域内选择代表信号灯，获取代表信号灯在各时段的时段通行表，设置代表信号灯各信号的信号时长，根据各信号时长获得分析区域内各交通信号灯的各信号时长；验证模块用于进行各交通信号灯信号时长的验证，建立验证模型，通过验证模型对交通数据进行分析，在对应显示的交通信号灯处实时更新对应的优化值，在验证模型的持续运行过程中，进行对应交通信号灯各信号时长的相应调整。

Description

一种基于车联网的交通数据处理系统及方法

技术领域

本发明属于智慧交通技术领域，具体是一种基于车联网的交通数据处理系统及方法。

背景技术

随着新能源车技术的快速发展，车联网技术应用也越来越广泛，车联网能够实现智能化交通管理、智能动态信息服务和车辆控制的一体化网络，是物联网技术在交通系统领域的典型应用，是移动互联网、物联网向业务实质和纵深发展的必经之路，是未来信息通信、环保、节能、安全等发展的融合性技术。但是随着时间的推迟，产生了大量的车辆行驶数据，而这些车辆历史数据并未得到充分利用，大量的车辆历史数据能够对城市内的交通信号灯各信号时长起到优化作用，因此，为了提高汽车历史数据的使用率，本发明提供了一种基于车联网的交通数据处理系统及方法。

发明内容

本发明的目的可以通过以下技术方案实现：

一种基于车联网的交通数据处理系统，包括数据整理模块、数据分析模块和验证模块；

所述数据整理模块用于进行汽车历史数据采集，并将各交通信号灯划分到不同的分析区域内；

进一步地，数据整理模块的工作方法包括：

基于车联网采集汽车历史数据，提取汽车历史数据中与分析区域设置相关的车辆区域数据；获取辖区内的交通信息图，识别车辆区域数据中的车辆路线，根据各个车辆路线计算各路段的平均通行数，并生成对应的通行记录数据，将获得平均通行数标记在交通信息图中的对应路段上，建立区域模型，通过区域模型对当前的交通信息图进行分析，为各交通信号灯标记对应的区域标签；将属于同一区域标签的交通信号灯整合为一个分析区域。

进一步地，同一分析区域内的交通信号灯无位置限制。

进一步地，基于车联网采集汽车历史数据的方法包括：

设置数据模板，所述数据模板包括分析区域划分和信号灯控制相关的数据项标签，按照数据模板进行汽车历史数据的采集。

所述数据分析模块用于进行交通信号灯各信号时长分析，从每个分析区域内选择一个代表信号灯，获取代表信号灯在各时段的时段通行表，根据时段通行表设置代表信号灯各信号的信号时长，根据设置的各信号时长获得同分析区域内各交通信号灯的各信号时长；

进一步地，从每个分析区域内选择一个代表信号灯的方法包括：

将分析区域内的交通信号灯标记为待选信号灯，建立各待选信号灯的路段通行表，计算各路段通信表中各排序序号对应的平均通行量之间的差值，建立差值分析模型，通过差值分析模型对各差值形成的数据组进行分析，获得各差值对应的序列值以及各路段对应的修正系数，根据获得的序列值计算各交通信号灯对应的优先值，选择优先值最大的对应的交通信号灯为代表信号灯。

进一步地，根据获得的序列值计算各交通信号灯对应的优先值的方法包括：

根据排序中序号的数量为每个序号匹配对应的权重系数，将排序中各序号标记为i，其中i＝1、2、……、n，n为正整数；将获得的序列值标记为XLi；将获得的权重系数标记为qi，根据优先值公式计算对应的优先值。

进一步地，所述时段通行表包括各时段各路段的车辆通行数和各路段的修正系数。

所述验证模块用于进行各交通信号灯信号时长的验证，建立验证模型，实时获取辖区内各交通信号灯对应的交通数据，通过验证模型对获得的交通数据进行分析，在对应显示的交通信号灯处实时更新对应的优化值，在验证模型的持续运行过程中，进行对应交通信号灯各信号时长的相应调整。

进一步地，区域模型根据验证模型在验证过程中产生的验证数据进行再学习。

一种基于车联网的交通数据处理方法，包括：

步骤一：基于车联网采集汽车历史数据，并根据汽车历史数据将各交通信号灯划分到不同的分析区域内；

步骤二：从每个分析区域内选择一个代表信号灯，分析代表信号灯对应的各信号时长，并同步设置同一分析区域内全部交通信号灯的各信号时长；

步骤三：建立验证模型对设置各交通信号灯的各信号时长进行持续验证，根据验证数据进行交通信号灯的持续调整。

与现有技术相比，本发明的有益效果是：

通过数据整理模块、数据分析模块和验证模块之间的相互配合，实现对基于车辆网中产生的大量车辆历史数据进行利用，为城市交通信号灯各信号时长的设置提供数据支持，进而实现对现有交通信号灯各信号时长的修正，优化当前的城市交通管理，实现对交通信号灯的智能调控，极大的降低人员工作量；并通过设置验证模块对智能分析出的交通信号灯各信号时长进行持续验证，保障设置的交通信号灯各信号时长的合理性，便于相应的管理人员进行信号时长调整。

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他的附图。

图1为本发明基于车联网的交通数据处理系统的原理框图；

图2为本发明基于车联网的交通数据处理系统的数据整理模块的执行步骤图；

图3为本发明基于车联网的交通数据处理系统的选择一个代表信号灯的执行步骤图。

图4为本发明基于车联网的交通数据处理方法的流程图。

具体实施方式

下面将结合实施例对本发明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：

如图1所示，一种基于车联网的交通数据处理系统，包括数据整理模块11、数据分析模块12和验证模块13；

所述数据整理模块11用于进行汽车历史数据采集，并将各交通信号灯划分到不同的分析区域内，为后续的信号灯控制提供数据支撑。

所述数据分析模块12用于进行信号灯各信号时长分析，从每个分析区域内选择一个代表信号灯，通过分析该代表信号灯各信号时长，进而对该分析区域内的所有信号灯进行统一调整，可以极大的降低数据分析量，并可根据后续验证、应用数据形成相应的学习数据，通过学习数据对区域模型进行再学习，分析区域设置越精准，信号灯调整就越精准；获取代表信号灯在各时段的时段通行表，即根据各时段交通信号灯对应的各路段的车辆通行数以及代表信号灯对应的各路段修正系数进行建立的，根据时段通行表设置代表信号灯各信号的信号时长，如左转、红灯、直行等信号时长，利用现有设置信号灯信号时长的方式，根据时段通行表进行设置信号时长；根据设置的各信号时长获得同分析区域内各交通信号灯的各信号时长。

所述验证模块13用于进行各交通信号灯信号时长的验证，保障各交通信号灯信号时长在应用过程中信号时长合理，起到优化交通运行的作用，基于交通信息图和各交通信号灯信号时长建立验证模型，验证模型用于对输入进来的各交通数据进行分析，分析设置的各信号时长对当前交通指挥的影响，如该时段原左转信号时长为二十秒，调整后为十五秒，该时段的交通数据显示，该路口的车辆通行率提升，堵车率下降，则调整后的信号时长起到积极作用，并根据相应提升情况输出对应的优化值，无优化为零，不利影响为负；如实时交通数据为十四秒后车辆基本全部通过交通信号灯，另外道路等候了五秒左右的无效时长，进而评估对应的优化值，具体的通过专家组进行讨论的方式，可以结合相应的机器学习技术、三维可视化技术等现有技术建立验证模型；实时获取各交通信号灯对应的交通数据，通过验证模型对获得的交通数据进行分析，在对应显示的交通信号灯处实时更新对应的优化值，为一个较长时间内的验证过程，根据验证过程产生的数据生成区域模型的学习数据进行再学习，并对相应分析区域内的各信号时长进行调整，还可以采用人工调整的方式进行修正，经过前面的智能分析，已经极大的降低了人员工作量，只要根据验证模型的验证结果进行相应的调整即可。

参考图2，所述数据整理模块具体实现步骤为：

S21：基于车联网采集汽车历史数据，提取汽车历史数据中与分析区域设置相关的车辆区域数据。

获取划分区域和调整信号灯各信号时长的设置因素种类，如各车辆的行驶记录、出发点(此类数据车辆是否是运营车辆才有)、终点(此类数据车辆是否是运营车辆才有)、车辆种类、用途等，根据因素种类设置相应的汽车历史数据应该包括的数据项，整理为数据模板，数据模板内的各数据项标记有属于分析区域划分和信号灯控制的相应标签，便于后续进行相应的数据的提取；基于车联网按照数据模板获取相关交通部门辖区内的汽车历史数据，提取汽车历史数据中与分析区域设置有关的车辆区域数据；

S22：获取辖区内的交通信息图，识别车辆区域数据中的车辆路线，根据各个车辆路线计算各路段的平均通行数，并生成对应的通行记录数据，将获得平均通行数标记在交通信息图中的对应路段上，建立区域模型，通过区域模型对当前的交通信息图进行分析，为各交通信号灯标记对应的区域标签；

S23：将属于同一区域标签的交通信号灯整合为一个分析区域。获取辖区内的交通信息图，包括道路、信号灯位置、各信号时长等，将相邻两个信号灯之间的道路视为一个路段，识别车辆区域数据中的车辆路线，根据各个车辆路线统计一天内各时间各路段对应的车辆通行数，并生成各路段车辆的通行记录数据，各路段的通行记录数据用于后续信号控制分析，提供各路段不同时间内的车辆通信情况，具体的通信记录数据是按照专家组设置的统计标准进行统计的，如各时段的车流量等，其中各时段指的不仅仅是一小时，还可以是通过人工调整的自定义时长，如半小时等，或者一天中不同时期不同时间长度，如针对夜间、早高峰、晚高峰等；

根据各时间各路段的车辆通行数计算所有车辆区域数据在各路段一天的平均通行数，将获得的平均通行数标记在交通信息图对应的路段上，基于各路段的平均通行数和各路段对应的信号灯数据进行各信号灯的区域标记，主要根据平均通行数和信号灯原各信息时长、路段数量进行标记，如四岔路、三岔路、五岔路等，将可以统一信号灯信号调节的路段标记同一区域标记，同一区域标记的路段形成一个分析区域，具体的可以基于CNN网络或DNN网络建立对应的区域模型，通过人工的方式建立对应的训练集进行训练，因为神经网络为本领域现有技术，因此，具体的建立和训练过程在本发明中不进行详细叙述，通过训练成功后的区域模型对交通信息图进行分析，为各信号灯标记对应的区域标签；同一分析区域内的信号灯无位置限制。

参考图3，从每个分析区域内选择一个代表信号灯的方法具体实现为：

S31：将分析区域内的交通信号灯标记为待选信号灯，建立各待选信号灯的路段通行表，计算各路段通信表中各排序序号对应的平均通行量之间的差值，建立差值分析模型；

将分析区域内的交通信号灯标记为待选信号灯，识别待选信号灯对应的各路段平均通行量，按照平均通行量从高到低的顺序进行排序，获得路段通行表，计算各路段通信表中各排序序号对应的平均通行量之间的差值，以任意一个路段通行表为基准进行差值计算，基于CNN网络或DNN网络建立对应的差值分析模型，通过人工的方式建立对应的训练集进行训练，训练集是基于差值大小、分布，通过人工的方式设置对应组合内的序列值和修正系数，序列值越大，越优先，修正系数用于当该交通信号作为代表信号灯时，对各序号对应的通行量进行修正的系数，

S32：通过差值分析模型对各差值形成的数据组进行分析，获得各差值对应的序列值以及各路段对应的修正系数，根据获得的序列值计算各交通信号灯对应的优先值；

因为通行量对信号时长具有影响，尽可能选择最具有代表性的信号灯，并进行相应的修正，保证通过仅分析代表信号灯能够实现同分析区域内的同步应用，通过训练成功后的差值模型对各差值组进行分析，输出各差值对应的序列值，将排序中各序号标记为i，其中i＝l、2、……、n，n为正整数；将获得的序列值标记为XLi；

S33：选择优先值最大的对应的交通信号灯为代表信号灯。

根据排序中序号的数量为每个序号匹配对应的权重系数，根据在实际场景中一个交通信号灯可能对应的道路数量，通过人工的方式设置对应的比例系数表，后续根据对应n的大小，以及各序号的顺序匹配对应的比例系数，将获得的权重系数标记为qi，根据优先值公式计算对应的优先值，选择优先值(YZ)最大的对应的交通信号灯为代表信号灯。

参考图4，一种基于车联网的交通数据处理方法，包括：

S41：基于车联网采集汽车历史数据，并根据汽车历史数据将各交通信号灯划分到不同的分析区域内；

S42：从每个分析区域内选择一个代表信号灯，分析代表信号灯对应的各信号时长，并同步设置同一分析区域内全部交通信号灯的各信号时长；

S43：建立验证模型对设置各交通信号灯的各信号时长进行持续验证，根据验证数据进行交通信号灯的持续调整。

本方法中未详尽阐述的部分，参照上述系统中公开的原理。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种基于车联网的汽车历史数据分析系统，其特征在于，包括数据整理模块、数据分析模块和验证模块；

所述数据整理模块用于进行汽车历史数据采集，并将各交通信号灯划分到不同的分析区域内；

所述数据分析模块用于进行交通信号灯各信号时长分析，从每个分析区域内选择一个代表信号灯，获取代表信号灯在各时段的时段通行表，根据时段通行表设置代表信号灯各信号的信号时长，代表信号灯各信号的信号时长获得同分析区域内各交通信号灯的各信号时长；

所述验证模块用于进行各交通信号灯信号时长的验证，建立验证模型，实时获取辖区内各交通信号灯对应的交通数据，通过验证模型对获得的交通数据进行分析，在对应显示的交通信号灯处实时更新对应的优化值，在验证模型的持续运行过程中，进行对应交通信号灯各信号时长的相应调整；

数据整理模块的工作方法包括：

基于车联网采集汽车历史数据，提取汽车历史数据中与分析区域设置相关的车辆区域数据；获取辖区内的交通信息图，识别车辆区域数据中的车辆路线，根据各个车辆路线计算各路段的平均通行数，并生成对应的通行记录数据，将获得平均通行数标记在交通信息图中的对应路段上，建立区域模型，通过区域模型对当前的交通信息图进行分析，为各交通信号灯标记对应的区域标签；将属于同一区域标签的交通信号灯整合为一个分析区域；

从每个分析区域内选择一个代表信号灯的方法包括：

将分析区域内的交通信号灯标记为待选信号灯，建立各待选信号灯的路段通行表，计算各路段通信表中各排序序号对应的平均通行量之间的差值，建立差值分析模型，通过差值分析模型对各差值形成的数据组进行分析，获得各差值对应的序列值以及各路段对应的修正系数，根据获得的序列值计算各交通信号灯对应的优先值，选择优先值最大的对应的交通信号灯为代表信号灯；

根据获得的序列值计算各交通信号灯对应的优先值的方法包括：

根据排序中序号的数量为每个序号匹配对应的权重系数，将排序中各序号标记为i，其中i＝1、2、……、n，n为正整数；将获得的序列值标记为XLi；将获得的权重系数标记为qi，根据优先值公式计算对应的优先值。

2.根据权利要求1所述的一种基于车联网的汽车历史数据分析系统，其特征在于，同一分析区域内的交通信号灯无位置限制。

3.根据权利要求1所述的一种基于车联网的汽车历史数据分析系统，其特征在于，基于车联网采集汽车历史数据的方法包括：

设置数据模板，所述数据模板包括分析区域划分和信号灯控制相关的数据项标签，按照数据模板进行汽车历史数据的采集。

4.根据权利要求1所述的一种基于车联网的汽车历史数据分析系统，其特征在于，所述时段通行表包括各时段各路段的车辆通行数和各路段的修正系数。

5.根据权利要求1所述的一种基于车联网的汽车历史数据分析系统，其特征在于，区域模型根据验证模型在验证过程中产生的验证数据进行再学习。

6.一种基于车联网的汽车历史数据分析方法，其特征在于，应用于如权利要求1-5中任意一项所述的一种基于车联网的汽车历史数据分析系统，基于车联网的交通数据处理方法包括：

步骤一：基于车联网采集汽车历史数据，并根据汽车历史数据将各交通信号灯划分到不同的分析区域内；

步骤二：从每个分析区域内选择一个代表信号灯，分析代表信号灯对应的各信号时长，并同步设置同一分析区域内全部交通信号灯的各信号时长；

步骤三：建立验证模型对设置各交通信号灯的各信号时长进行持续验证，根据验证数据进行交通信号灯的持续调整。