CN116777703A - 一种基于大数据的智慧城市管理方法和系统 - Google Patents
一种基于大数据的智慧城市管理方法和系统 Download PDFInfo
- Publication number
- CN116777703A CN116777703A CN202310445960.8A CN202310445960A CN116777703A CN 116777703 A CN116777703 A CN 116777703A CN 202310445960 A CN202310445960 A CN 202310445960A CN 116777703 A CN116777703 A CN 116777703A
- Authority
- CN
- China
- Prior art keywords
- influence
- vehicles
- abnormal
- module
- rate
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 86
- 230000005856 abnormality Effects 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 21
- 239000000047 product Substances 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 239000013589 supplement Substances 0.000 claims description 9
- 238000007667 floating Methods 0.000 claims description 7
- 238000011161 development Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- 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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/083—Controlling the allocation of time between phases of a cycle
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智慧城市管理技术领域，具体地说，涉及一种基于大数据的智慧城市管理方法和系统。其包括确定变化异常率持续时间影响条件，对影响条件进行分类处理；结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重。本发明通过确定变化异常率持续时间影响条件，对影响条件进行分类处理，结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重，建立影响条件存储数据库，并标记各个影响条件对应的影响权重，为后期出现影响条件的道路规划适配的交通信号指示灯停留时间，避免交通信号指示灯停留时间与对应车道车流量不匹配，导致其对应车道出现拥堵，影响交通出行。
Description
技术领域
本发明涉及智慧城市管理技术领域，具体地说，涉及一种基于大数据的智慧城市管理方法和系统。
背景技术
城市化进程的加快，使城市被赋予了前所未有的经济、政治和技术的权利，城市被无可避免地推到了世界舞台的中心，发挥着主导作用，与此同时，城市也面临着环境污染、交通堵塞、能源紧缺、住房不足、失业、疾病等方面的挑战。在新环境下，如何解决城市发展所带来的诸多问题，实现可持续发展成为城市规划建设的重要命题；“智慧城市”作为一种战略被提出，将更多新技术用于构成城市的核心系统中，实现对其的感知和互联互通，进而实现更高层次的智能、促进更广泛的参与，努力推进面向知识社会的下一代创新，尝试构建创新2.0时代的城市新形态。
在此背景下，“智慧城市”成为解决城市问题的一条可行道路，也是未来城市发展的趋势。智慧城市建设的大提速将带动地方经济的快速发展，也将带动卫星导航、物联网、智能交通、智能电网、云计算、软件服务等多行业的快速发展，为相关行业带来新的发展契机。
智慧城市是运用信息和通信技术手段感测、分析、整合城市运行核心系统的各项关键信息，从而对包括民生、环保、公共安全、城市服务、工商业活动在内的各种需求做出智能响应，其实质是利用先进的信息技术，实现城市智慧式管理和运行，进而为城市中的人创造更美好的生活，促进城市的和谐、可持续成长。
但随着城市道路的不断发展，其道路规划不断更新，对应的车流量也会随之增加，由于在进行城市交通管理过程中，道路的交通信号指示灯并不适应其规定的变道车辆流动量，例如左拐指示灯持续时间过短，难以适应左拐车道车流量，导致左拐车道形成拥堵。
为了应对上述问题，现亟需一种基于大数据的智慧城市管理方法和系统。
发明内容
本发明的目的在于提供一种基于大数据的智慧城市管理方法和系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明目的之一在于，提供了一种基于大数据的智慧城市管理方法，包括以下步骤：
S1、捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间；
S2、制定单位监控计数时间，记录对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量；
S3、记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率；
S4、制定当天异常率持续时间阈值：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
S5、确定变化异常率持续时间影响条件，对影响条件进行分类处理；
S6、结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重；
S7、建立影响条件存储数据库，并标记各个影响条件对应的影响权重。
作为本技术方案的进一步改进，所述S1中当前待停车辆数量确定方法包括如下步骤：
S1.1、定位车道初始端与驶离端位置；
S1.2、捕捉车牌信息，按照车牌信息计数初始端到驶离端之间的车辆；
S1.3、记录变向车辆，确定待检车道最终待停车辆数目。
作为本技术方案的进一步改进，所述S2中对应指示灯转向经过车辆数量记录方法包括如下步骤：
S2.1、结合所述S1.2中的车牌信息，确定指示灯停留时间内通过的车辆数量；
S2.2、剔除无关车辆影响，测定最终车辆数量。
作为本技术方案的进一步改进，所述S2中正常车辆数量标记采用阈值规划算法，其算法公式如下：
Wμ＝a1，a2，…，an；
其中Wμ为各个单位监控计数时间统计的经过车辆数量集合，a1至an为各个单位监控计数时间统计的经过车辆数量，n为统计单位监控计数时间总次数，为指示灯转向经过车辆数量正常范围阈值。
作为本技术方案的进一步改进，所述S5中变化异常率持续时间影响条件包括目标道路规划以及相关道路施工。
作为本技术方案的进一步改进，所述S6中各个影响条件影响权重的计算方法包括如下步骤：
S6.1、确定当天异常率持续时间与异常车辆数量之间乘积，生成异常乘积率，绑定对应的影响条件；
S6.2、计算当天异常率持续时间阈值与持续时间阈值对应的车辆数量之间乘积，生成阈值乘积率；
S6.3、计算异常乘积率与阈值乘积率之间的比值，得出各个影响条件对应的影响权重。
作为本技术方案的进一步改进，所述S6影响权重的计算采用权重规划算法，其算法公式如下：
其中Qweight为影响条件对应的影响权重，Texception为当天异常率持续时间，C1为异常车辆数量，Tthreshold为当天异常率持续时间阈值，C2为持续时间阈值对应的车辆数量，λ为影响条件权重因素，与影响地人流量成正比。
作为本技术方案的进一步改进，所述S7中影响条件存储数据库建立方法包括如下步骤：
S7.1、确定正常状态下车道转向指示灯停留时间，生成正常停留时间信息；
S7.2、按照正常停留时间信息为各个影响条件规划对应的时间差补；
S7.3、绑定各个影响条件对应的时间差补，并进行存储。
本发明目的之二在于，提供了一种应用于基于大数据的智慧城市管理方法的系统，包括如下方法步骤：包括车道信息捕捉模块、车道流通车辆统计模块、流经车辆范围划分模块、异常率持续时间划分模块、影响条件分类模块、影响条件权重计算模块以及数据库存储模块；
所述车道信息捕捉模块用于捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间；
所述车道信息捕捉模块输出端与所述车道流通车辆统计模块输入端连接，所述车道流通车辆统计模块用于制定单位监控计数时间，记录对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量，记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率；
所述车道流通车辆统计模块输出端与所述异常率持续时间划分模块输入端连接，所述异常率持续时间划分模块用于制定当天异常率持续时间阈值：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
所述异常率持续时间划分模块输出端与所述影响条件分类模块输入端连接，所述影响条件分类模块用于确定变化异常率持续时间影响条件，对影响条件进行分类处理；
所述影响条件分类模块输出端与所述影响条件权重计算模块输入端连接，所述影响条件权重计算模块结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重；
所述影响条件权重计算模块输出端与所述数据库存储模块输入端连接，所述数据库存储模块建立影响条件存储数据库，并标记各个影响条件对应的影响权重。
与现有技术相比，本发明的有益效果：
该基于大数据的智慧城市管理方法和系统中，通过确定变化异常率持续时间影响条件，对影响条件进行分类处理，结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重，建立影响条件存储数据库，并标记各个影响条件对应的影响权重，为后期出现影响条件的道路规划适配的交通信号指示灯停留时间，避免交通信号指示灯停留时间与对应车道车流量不匹配，导致其对应车道出现拥堵，影响交通出行。
附图说明
图1为本发明实施例1的整体流程图；
图2为本发明实施例1的当前待停车辆数量确定方法流程图；
图3为本发明实施例1的对应指示灯转向经过车辆数量记录方法流程图；
图4为本发明实施例1的各个影响条件影响权重的计算方法流程图；
图5为本发明实施例1的影响条件存储数据库建立方法流程图；
图6为本发明实施例1的系统结构示意图。
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1
请参阅图1-图6所示，本实施例目的之一在于，提供了一种基于大数据的智慧城市管理方法，包括以下步骤：
S1、捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间；
S2、制定单位监控计数时间，记录对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量；
S3、记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率；
S4、制定当天异常率持续时间阈值：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
S5、确定变化异常率持续时间影响条件，对影响条件进行分类处理；
S6、结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重；
S7、建立影响条件存储数据库，并标记各个影响条件对应的影响权重。
具体使用时，由于在进行城市交通管理过程中，道路的交通信号指示灯并不适应其规定的变道车辆流动量，例如左拐指示灯持续时间过短，难以适应左拐车道车流量，导致左拐车道形成拥堵；
为了应对上述问题，首先捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间，即交通信号指示灯停留时间以及对应车道车流量，随后制定单位监控计数时间，每隔单位监控计数时间记录一次对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量，即当前交通信号指示灯停留时间能够适配对应车道车流量，不会形成拥堵，记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率，即出现异常车辆数量情况的时间占当天总监控时间的比例，紧接着，制定当天异常率持续时间阈值(连续出现异常车辆数量情况的时间)：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
随后确定变化异常率持续时间影响条件，对影响条件进行分类处理，结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重，即每个影响条件对当天异常率持续时间影响的严重程度，建立影响条件存储数据库，并标记各个影响条件对应的影响权重，为后期出现影响条件的道路规划适配的交通信号指示灯停留时间，避免交通信号指示灯停留时间与对应车道车流量不匹配，导致其对应车道出现拥堵，影响交通出行。
进一步的，S1中当前待停车辆数量确定方法包括如下步骤：
S1.1、定位车道初始端与驶离端位置；
S1.2、捕捉车牌信息，按照车牌信息计数初始端到驶离端之间的车辆；
S1.3、记录变向车辆，确定待检车道最终待停车辆数目。
具体使用时，在进行待停车辆数量确定过程中，首先定位车道初始端与驶离端位置，初始端即车道两端实线初始端，驶离端即车道两端实线末端(左转车道为左拐待转车道末端)，随后捕捉车牌信息，按照车牌信息计数初始端到驶离端之间的车辆，分辨各个车辆，由于在进行统计过程中经常会出现车辆车道选择错误，需要进行变道处理，此时记录向车辆，根据变道车辆最终变道位置，确定待检车道最终待停车辆数目，完成对各个待停车辆数量确定工作，为后期进行车道堵塞判断提供参考。
再进一步的，S2中对应指示灯转向经过车辆数量记录方法包括如下步骤：
S2.1、结合S1.2中的车牌信息，确定指示灯停留时间内通过的车辆数量；
S2.2、剔除无关车辆影响，测定最终车辆数量。
在进行车辆数量统计过程中，首先结合S1.2中的车牌信息，确定指示灯停留时间内通过的车辆数量，由于在进行统计时，其余车道也会有车辆通过，例如左拐时，对面车道的右拐畅通，统计时，很容易统计了右拐车辆，此时剔除无关车辆影响，测定最终车辆数量。
具体的，S2中正常车辆数量标记采用阈值规划算法，其算法公式如下：
Wμ＝[a1，a2，…，an]；
其中Wμ为各个单位监控计数时间统计的经过车辆数量集合，a1至an为各个单位监控计数时间统计的经过车辆数量，n为统计单位监控计数时间总次数，为指示灯转向经过车辆数量正常范围阈值。
此外，S5中变化异常率持续时间影响条件包括目标道路规划以及相关道路施工。
目标道路规划：即车辆经过指示灯指向方向行驶的目标道路，该目标道路出现的项目规划包括建立商品区、开发区以及娱乐场所等，导致目标人群相较于之前提高，经过对应的车道车辆数目随之增加；
相关道路施工：即原本车辆想要到达的目的地道路处于扩建、修建以及改造等道路施工，导致目的地道路处于封禁状态，此时车辆需要借道行驶，导致该借道的道路车辆数目激增。
除此之外，S6中各个影响条件影响权重的计算方法包括如下步骤：
S6.1、确定当天异常率持续时间与异常车辆数量之间乘积，生成异常乘积率，绑定对应的影响条件；
S6.2、计算当天异常率持续时间阈值与持续时间阈值对应的车辆数量之间乘积，生成阈值乘积率；
S6.3、计算异常乘积率与阈值乘积率之间的比值，得出各个影响条件对应的影响权重。
进一步的，S6影响权重的计算采用权重规划算法，其算法公式如下：
其中Qweight为影响条件对应的影响权重，Texception为当天异常率持续时间，C1为异常车辆数量，Tthreshold为当天异常率持续时间阈值，C2为持续时间阈值对应的车辆数量，λ为影响条件权重因素，与影响地人流量成正比。
再进一步的，S7中影响条件存储数据库建立方法包括如下步骤：
S7.1、确定正常状态下车道转向指示灯停留时间，生成正常停留时间信息；
S7.2、按照正常停留时间信息为各个影响条件规划对应的时间差补；
S7.3、绑定各个影响条件对应的时间差补，并进行存储。
在进行影响条件存储数据库建立过程中，首先确定正常状态下车道转向指示灯停留时间，生成正常停留时间信息，即不造成车道堵塞的情况下，车道转向灯停留时间，按照正常停留时间信息为各个影响条件规划对应的时间差补，随后绑定各个影响条件对应的时间差补，并进行存储，当后期出现上述影响条件时，及时按照时间差补进行对应车道转向灯停留时间规划，避免因目标道路规划以及相关道路施工出现，导致车道转向灯难以适应，很容易出现车道堵塞情况。
本实施例目的之二在于，提供了一种应用于基于大数据的智慧城市管理方法的系统，包括如下方法步骤：包括车道信息捕捉模块、车道流通车辆统计模块、流经车辆范围划分模块、异常率持续时间划分模块、影响条件分类模块、影响条件权重计算模块以及数据库存储模块；
车道信息捕捉模块用于捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间；
车道信息捕捉模块输出端与车道流通车辆统计模块输入端连接，车道流通车辆统计模块用于制定单位监控计数时间，记录对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量，记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率；
车道流通车辆统计模块输出端与异常率持续时间划分模块输入端连接，异常率持续时间划分模块用于制定当天异常率持续时间阈值：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
异常率持续时间划分模块输出端与影响条件分类模块输入端连接，影响条件分类模块用于确定变化异常率持续时间影响条件，对影响条件进行分类处理；
影响条件分类模块输出端与影响条件权重计算模块输入端连接，影响条件权重计算模块结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重；
影响条件权重计算模块输出端与数据库存储模块输入端连接，数据库存储模块建立影响条件存储数据库，并标记各个影响条件对应的影响权重。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.一种基于大数据的智慧城市管理方法，其特征在于，包括以下步骤：
S1、捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间；
S2、制定单位监控计数时间，记录对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量；
S3、记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率；
S4、制定当天异常率持续时间阈值：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
S5、确定变化异常率持续时间影响条件，对影响条件进行分类处理；
S6、结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重；
S7、建立影响条件存储数据库，并标记各个影响条件对应的影响权重。
2.根据权利要求1所述的基于大数据的智慧城市管理方法，其特征在于：所述S1中当前待停车辆数量确定方法包括如下步骤：
S1.1、定位车道初始端与驶离端位置；
S1.2、捕捉车牌信息，按照车牌信息计数初始端到驶离端之间的车辆；
S1.3、记录变向车辆，确定待检车道最终待停车辆数目。
3.根据权利要求2所述的基于大数据的智慧城市管理方法，其特征在于：所述S2中对应指示灯转向经过车辆数量记录方法包括如下步骤：
S2.1、结合所述S1.2中的车牌信息，确定指示灯停留时间内通过的车辆数量；
S2.2、剔除无关车辆影响，测定最终车辆数量。
4.根据权利要求3所述的基于大数据的智慧城市管理方法，其特征在于：所述S2中正常车辆数量标记采用阈值规划算法，其算法公式如下：
Wμ＝[a1，a2，…，an]；
其中Wμ为各个单位监控计数时间统计的经过车辆数量集合，a1至an为各个单位监控计数时间统计的经过车辆数量，n为统计单位监控计数时间总次数，为指示灯转向经过车辆数量正常范围阈值。
5.根据权利要求1所述的基于大数据的智慧城市管理方法，其特征在于：所述S5中变化异常率持续时间影响条件包括目标道路规划以及相关道路施工。
6.根据权利要求1所述的基于大数据的智慧城市管理方法，其特征在于：所述S6中各个影响条件影响权重的计算方法包括如下步骤：
S6.1、确定当天异常率持续时间与异常车辆数量之间乘积，生成异常乘积率，绑定对应的影响条件；
S6.2、计算当天异常率持续时间阈值与持续时间阈值对应的车辆数量之间乘积，生成阈值乘积率；
S6.3、计算异常乘积率与阈值乘积率之间的比值，得出各个影响条件对应的影响权重。
7.根据权利要求6所述的基于大数据的智慧城市管理方法，其特征在于：所述S6影响权重的计算采用权重规划算法，其算法公式如下：
其中Qweight为影响条件对应的影响权重，Texception为当天异常率持续时间，C1为异常车辆数量，Tthreshold为当天异常率持续时间阈值，C2为持续时间阈值对应的车辆数量，λ为影响条件权重因素，与影响地人流量成正比。
8.根据权利要求1所述的基于大数据的智慧城市管理方法，其特征在于：所述S7中影响条件存储数据库建立方法包括如下步骤：
S7.1、确定正常状态下车道转向指示灯停留时间，生成正常停留时间信息；
S7.2、按照正常停留时间信息为各个影响条件规划对应的时间差补；
S7.3、绑定各个影响条件对应的时间差补，并进行存储。
9.一种应用于包括权利要求1-8中任意一项所述的基于大数据的智慧城市管理方法的系统，其特征在于：包括车道信息捕捉模块、车道流通车辆统计模块、流经车辆范围划分模块、异常率持续时间划分模块、影响条件分类模块、影响条件权重计算模块以及数据库存储模块；
所述车道信息捕捉模块用于捕捉待检区域交通信号指示灯提示信息，确定当前待停车辆数量与对应指示灯转向预留时间；
所述车道信息捕捉模块输出端与所述车道流通车辆统计模块输入端连接，所述车道流通车辆统计模块用于制定单位监控计数时间，记录对应指示灯转向经过车辆数量，确定指示灯转向经过车辆数量正常范围阈值，处于正常范围阈值的车辆数量标记为正常车辆数量，记录超过正常范围阈值的对应指示灯转向经过车辆数量，标记为异常车辆数量，确定当天异常率；
所述车道流通车辆统计模块输出端与所述异常率持续时间划分模块输入端连接，所述异常率持续时间划分模块用于制定当天异常率持续时间阈值：
未超过当天异常率持续时间阈值，标记为浮动当天异常率持续时间；
超过当天异常率持续时间阈值，标记为变化异常率持续时间；
所述异常率持续时间划分模块输出端与所述影响条件分类模块输入端连接，所述影响条件分类模块用于确定变化异常率持续时间影响条件，对影响条件进行分类处理；
所述影响条件分类模块输出端与所述影响条件权重计算模块输入端连接，所述影响条件权重计算模块结合当天异常率持续时间以及异常车辆数量，计算出各个影响条件影响权重；
所述影响条件权重计算模块输出端与所述数据库存储模块输入端连接，所述数据库存储模块建立影响条件存储数据库，并标记各个影响条件对应的影响权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310445960.8A CN116777703B (zh) | 2023-04-24 | 2023-04-24 | 一种基于大数据的智慧城市管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310445960.8A CN116777703B (zh) | 2023-04-24 | 2023-04-24 | 一种基于大数据的智慧城市管理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116777703A true CN116777703A (zh) | 2023-09-19 |
| CN116777703B CN116777703B (zh) | 2024-02-02 |
Family
ID=88008871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310445960.8A Active CN116777703B (zh) | 2023-04-24 | 2023-04-24 | 一种基于大数据的智慧城市管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777703B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002083394A (ja) * | 2000-06-30 | 2002-03-22 | Sumitomo Electric Ind Ltd | 交通流の異常検知装置及び方法 |
| CN105608914A (zh) * | 2016-03-17 | 2016-05-25 | 佛山市高明区云大机械科技有限公司 | 一种基于车流量的交通控制系统 |
| US20190051163A1 (en) * | 2017-08-14 | 2019-02-14 | Gridsmart Technologies, Inc. | Systems and methods of adaptive traffic optimization using unmanned aerial vehicles |
| CN109615894A (zh) * | 2018-12-29 | 2019-04-12 | 南京奥杰智能科技有限公司 | 用于交通信息智能管理的路段交通路况检测系统 |
| CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110751311A (zh) * | 2019-09-05 | 2020-02-04 | 北京交通大学 | 偶发性交通拥堵持续时间的数据提取与实时预测方法 |
| US20200134325A1 (en) * | 2018-10-25 | 2020-04-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for determining whether there is target road facility at intersection |
| 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 |
| WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| US20220108607A1 (en) * | 2020-12-21 | 2022-04-07 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method of controlling traffic, electronic device, roadside device, cloud control platform, and storage medium |
| WO2022227766A1 (zh) * | 2021-04-28 | 2022-11-03 | 北京百度网讯科技有限公司 | 交通异常检测的方法和装置 |
-
2023
- 2023-04-24 CN CN202310445960.8A patent/CN116777703B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002083394A (ja) * | 2000-06-30 | 2002-03-22 | Sumitomo Electric Ind Ltd | 交通流の異常検知装置及び方法 |
| CN105608914A (zh) * | 2016-03-17 | 2016-05-25 | 佛山市高明区云大机械科技有限公司 | 一种基于车流量的交通控制系统 |
| US20190051163A1 (en) * | 2017-08-14 | 2019-02-14 | Gridsmart Technologies, Inc. | Systems and methods of adaptive traffic optimization using unmanned aerial vehicles |
| 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 |
| US20200134325A1 (en) * | 2018-10-25 | 2020-04-30 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for determining whether there is target road facility at intersection |
| CN109615894A (zh) * | 2018-12-29 | 2019-04-12 | 南京奥杰智能科技有限公司 | 用于交通信息智能管理的路段交通路况检测系统 |
| CN110164128A (zh) * | 2019-04-23 | 2019-08-23 | 银江股份有限公司 | 一种城市级智能交通仿真系统 |
| CN110751311A (zh) * | 2019-09-05 | 2020-02-04 | 北京交通大学 | 偶发性交通拥堵持续时间的数据提取与实时预测方法 |
| WO2021232387A1 (zh) * | 2020-05-22 | 2021-11-25 | 南京云创大数据科技股份有限公司 | 一种多功能的智能信号控制系统 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| US20220108607A1 (en) * | 2020-12-21 | 2022-04-07 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method of controlling traffic, electronic device, roadside device, cloud control platform, and storage medium |
| WO2022227766A1 (zh) * | 2021-04-28 | 2022-11-03 | 北京百度网讯科技有限公司 | 交通异常检测的方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116777703B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108550262B (zh) | 基于毫米波雷达的城市交通感知系统 | |
| CN104778834A (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| Akin et al. | A neural network (NN) model to predict intersection crashes based upon driver, vehicle and roadway surface characteristics | |
| CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
| CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
| CN108871357B (zh) | 一种在电子地图上显示拥堵路段的事故车道的方法 | |
| EP3822945B1 (en) | Driving environment information generation method, driving control method, driving environment information generation device | |
| CN100470603C (zh) | 城市道路交通拥堵检测报警系统及其运行方法 | |
| CN112258830B (zh) | 车辆编队行驶的可靠性评估方法及其应用 | |
| CN102855760A (zh) | 基于浮动车数据的在线排队长度检测方法 | |
| CN201673603U (zh) | 路口交通控制系统 | |
| CN102024330A (zh) | 基于高清视频技术的智能交通信号控制系统、方法及设备 | |
| CN110415522A (zh) | 一种基于多目标雷达的可变车道的控制方法及装置 | |
| CN105575120B (zh) | 面向道路实时速度计算的浮动车数据停车行为模式清洗方法 | |
| CN111081030B (zh) | 一种高速路堵车的判断方法和系统 | |
| CN114419924B (zh) | 一种基于智慧城市的ai应用控制管理系统 | |
| CN114023065A (zh) | 一种利用视频解析数据智能诊断路口服务等级的算法 | |
| CN113724497A (zh) | 一种目标道路实时交通流量预测方法和装置 | |
| CN112785840B (zh) | 一种城市智能交通计算机控制系统及方法 | |
| CN116777703B (zh) | 一种基于大数据的智慧城市管理方法和系统 | |
| CN116013101B (zh) | 一种基于网联环境的无信号路口速度建议系统和方法 | |
| CN107886726A (zh) | 占道/停车行为检测方法与装置 | |
| Fazekas et al. | Road-type detection based on traffic sign and lane data | |
| Shan et al. | Vehicle collision risk estimation based on RGB-D camera for urban road | |
| Anandakumar et al. | Intelligent vehicle system problems and future impacts for transport guidelines |
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 |