CN116797055A - 一种基于物联网的城市道路规划方法及系统 - Google Patents
一种基于物联网的城市道路规划方法及系统 Download PDFInfo
- Publication number
- CN116797055A CN116797055A CN202311082505.2A CN202311082505A CN116797055A CN 116797055 A CN116797055 A CN 116797055A CN 202311082505 A CN202311082505 A CN 202311082505A CN 116797055 A CN116797055 A CN 116797055A
- Authority
- CN
- China
- Prior art keywords
- road
- groups
- congestion
- node
- information
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000002776 aggregation Effects 0.000 claims abstract description 41
- 238000004220 aggregation Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 230000008676 import Effects 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims description 64
- 206010039203 Road traffic accident Diseases 0.000 claims description 57
- 239000000203 mixture Substances 0.000 claims description 54
- 238000010276 construction Methods 0.000 claims description 39
- 238000013461 design Methods 0.000 claims description 27
- 238000012216 screening Methods 0.000 claims description 18
- 238000007726 management method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 230000002452 interceptive effect Effects 0.000 claims description 8
- 238000012098 association analyses Methods 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于物联网的城市道路规划方法及系统，属于城市规划领域，其中方法包括：获得历史区域道路信息；预设交通时段划分阈值，进行历史信息的数据拆分，获得K组区域时段道路信息；进行拥堵节点识别，获得K组道路拥堵节点集合；进行节点聚合，获得M个聚合交通拥堵节点；构建区域道路孪生模型，将M个聚合交通拥堵节点和历史区域道路信息进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；获得目标道路规划结果。本申请解决了现有城市道路规划方法无法针对交通拥堵节点进行差异化治理的技术问题，达到了通过拥堵节点频次分析实现交通信号精细化调节和道路动态拓宽，提高城市道路负载能力和车流效率的技术效果。
Description
技术领域
本发明涉及城市规划领域，具体涉及一种基于物联网的城市道路规划方法及系统。
背景技术
如何提高城市道路的负载能力和通过效率，缓解交通拥堵问题，是当下亟待解决的技术难题。而传统的城市道路规划和建设方式，依靠经验预判交通流量分布，进行道路大规模改造或新增道路，投入时间和资金成本高，且新增道路空间受城市用地限制，呈现难以快速推进的局面；因而，现有技术无法对交通拥堵点的精细化研究和治理，无法对症下药解决拥堵问题，无法在现有城市道路规划基础上，通过精细化手段有效治理和预防交通拥堵。
发明内容
本申请通过提供了一种基于物联网的城市道路规划方法及系统，旨在解决现有城市道路规划方法无法针对交通拥堵节点进行差异化治理的技术问题。
鉴于上述问题，本申请提供了一种基于物联网的城市道路规划方法及系统。
本申请公开的第一个方面，提供了一种基于物联网的城市道路规划方法，该方法包括：获得目标城市区域的历史区域道路信息，其中，历史区域道路信息通过以目标城市区域为基准，交互城市道路物联网管理平台获得；预设交通时段划分阈值，并基于交通时段划分阈值进行历史区域道路信息的数据拆分，获得K组区域时段道路信息；基于K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数；对K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数；构建区域道路孪生模型，其中，区域道路孪生模型通过交互目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成；将M个聚合交通拥堵节点和历史区域道路信息输入区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；获得目标道路规划结果，其中，目标道路规划结果包括M组道路规划参数，M组道路规划参数通过将M组历史道路负载极值同步至道路规划分析子网络获得。
本申请公开的另一个方面，提供了一种基于物联网的城市道路规划系统，该系统包括：历史信息获取模块，用于获得目标城市区域的历史区域道路信息，其中，历史区域道路信息通过以目标城市区域为基准，交互城市道路物联网管理平台获得；历史数据拆分模块，用于预设交通时段划分阈值，并基于交通时段划分阈值进行历史区域道路信息的数据拆分，获得K组区域时段道路信息；拥堵节点识别模块，用于基于K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数；拥堵节点聚合模块，用于对K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数；孪生模型构建模块，用于构建区域道路孪生模型，其中，区域道路孪生模型通过交互目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成；拥堵场景拟合模块，用于将M个聚合交通拥堵节点和历史区域道路信息输入区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；道路规划结果模块，用于获得目标道路规划结果，其中，目标道路规划结果包括M组道路规划参数，M组道路规划参数通过将M组历史道路负载极值同步至道路规划分析子网络获得。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得目标城市区域的历史区域道路信息，以全面了解区域道路的实际交通情况，为后续规划提供数据支撑；预设交通时段划分阈值，并根据阈值对历史道路信息进行划分，以识别道路在不同时段的交通状态；加深对区域交通拥堵的时间分布规律的理解；基于时段道路信息识别拥堵节点，获得不同时段的拥堵节点集合，找出区域交通拥堵的主要位置；对拥堵节点进行聚合处理，获得具有拥堵频次标识的聚合节点。区分出拥堵严重的高频次节点；构建区域道路数字孪生模型；将聚合节点和历史道路信息输入模型，运行多种拥堵场景，找出引发拥堵的关键因素，实现针对性分析；获得目标道路规划结果，实现交通流量与道路规划的精确匹配的技术方案，解决了现有城市道路规划方法无法针对交通拥堵节点进行差异化治理的技术问题，达到了通过拥堵节点频次分析实现交通信号精细化调节和道路动态拓宽，提高城市道路负载能力和车流效率的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种基于物联网的城市道路规划方法的一种流程示意图；
图2为本申请实施例提供了一种基于物联网的城市道路规划方法中获得M组道路规划参数的一种流程示意图；
图3为本申请实施例提供了一种基于物联网的城市道路规划系统的一种结构示意图。
附图标记说明：历史信息获取模块11，历史数据拆分模块12，拥堵节点识别模块13，拥堵节点聚合模块14，孪生模型构建模块15，拥堵场景拟合模块16，道路规划结果模块17。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了一种基于物联网的城市道路规划方法及系统，通过分析物联网平台采集的交通大数据，识别关键道路拥堵节点并进行差异化治理，实现交通流量与道路规划的精确匹配，提升城市道路的负载能力和车流效率。
首先，利用物联网设备获取目标城市区域的历史交通数据，以全面反映道路实际情况。然后，通过时段划分和拥堵节点识别，分析交通拥堵的时间分布规律。接着，采用节点聚合方法，确定高频次的主要拥堵点。同时，构建区域道路数字孪生模型。随后，基于仿真试验识别拥堵成因，从而获得目标道路规划结果，实现交通与城市道路系统的协同优化，在保持现有城市道路网基础上，通过差异化拓宽、信号优化等手段提升道路负载能力和车流效率，有效缓解城市区域的交通压力。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一：
如图1所示，本申请实施例提供了一种基于物联网的城市道路规划方法，该方法包括：
获得目标城市区域的历史区域道路信息，其中，所述历史区域道路信息通过以所述目标城市区域为基准，交互城市道路物联网管理平台获得；
在本申请实施例中，历史区域道路信息是指目标城市区域在过去一段时间内的道路交通状态数据，包括但不限于车流量、车速、拥堵情况等信息。
首先，确定研究的目标城市区域的范围，例如中心城区、某行政区等。然后，通过交互城市道路物联网管理平台获取该区域的历史区域道路信息。该城市道路物联网管理平台是指针对城市搭建好的，能够收集区域道路交通状态数据的物联网系统平台。将目标城市区域的范围信息输入该平台，平台即可查询到该区域在过去一段时间内的车流量监测数据、车速检测数据以及拥堵状态判定结果等历史区域道路信息。通过获得目标城市区域的历史区域道路信息，为后续道路规划提供数据基础。
预设交通时段划分阈值，并基于所述交通时段划分阈值进行所述历史区域道路信息的数据拆分，获得K组区域时段道路信息；
在本申请实施例中，交通时段划分阈值是指用于对历史区域道路信息进行交通时段划分的车流量阈值，以将历史区域道路信息按照交通流量高峰和低谷时段进行划分。
首先，根据实际情况预设合理的交通时段划分阈值，例如根据过去统计获得的该城市区域不同时段的平均车流量范围来确定阈值。然后，读取获得的历史区域道路信息，并逐条判断车流量是否高于预设阈值，车流量高于阈值的时段判定为高峰时段，车流量低于阈值的时段判定为低谷时段，并对道路信息进行事件标注。按照交通时段划分阈值将历史区域道路信息进行拆分，最终获得K组区域时段道路信息，这里K为正整数，表示划分的时段数。经过对历史区域道路信息的交通时段划分，降低数据分析量，为后续拥堵分析提供了必要的时段数据支持。
基于所述K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，所述K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数；
进一步的，本步骤具体包括：
预设拥堵剔除约束和城市交通拥堵阈值；
基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组优化区域道路信息；
基于所述城市交通拥堵阈值遍历所述K组优化区域道路信息，获得K组备选拥堵节点集合；
基于所述K组备选拥堵节点集合调用获得K组备选拥堵节点坐标信息；
根据所述K组备选拥堵节点坐标信息进行拥堵节点关联分析，获得所述K组道路拥堵节点集合。
在一种可行的实施方式中，拥堵节点是指道路网络中交通拥堵经常发生的路段位置，拥堵节点识别是为了找到道路网络中主要的易拥堵点，以辅助后续的道路规划。
为获取K组道路拥堵节点集合，首先，根据城市实际交通状况及数据分析，预设合理的拥堵剔除约束，如车速低于每小时20公里则判定为拥堵，又如由交通事故引起的拥堵不判定为道路拥堵；同时预设判定拥堵的城市交通拥堵阈值，如车速低于每小时10公里持续5分钟则确认拥堵。其次，读取预设拥堵剔除约束，并加载获得的K组区域时段道路信息，遍历分析每组区域时段道路信息，对如车祸的道路数据进行剔除不纳入，对普通交通数据，判断其车速、车流量变化指标是否满足拥堵剔除约束，不满足的继续剔除，保留下来的K组道路数据即为K组优化区域道路信息，以区分不同拥堵起因，使后续识别更加准确。再次，依次遍历获得的K组优化区域道路信息，对每组区域时段道路信息，逐条判断各道路数据中的车速或车流量指标是否低于预设的城市交通拥堵阈值，如果满足阈值条件，则判定该道路区段存在拥堵迹象，并将其对应的道路节点提取出来，加入备选拥堵节点集合。遍历完所有K组优化区域道路信息后，获得K组备选拥堵节点集合。
然后，依次取出获得的K组备选拥堵节点集合，对每一个备选拥堵节点，调用城市道路网络数字地图，在地图数据中找到与该节点对应的精确道路坐标位置，即节点的经纬度坐标，并与该节点绑定。重复该过程，直到所有K组备选节点都标注了对应坐标信息，形成K组备选拥堵节点坐标信息。随后，加载获得的K组带坐标的备选拥堵节点，对每个组内的节点，计算节点间距离，如果存在两个或多个节点间距离小于预设距离阈值，则确定这些邻近节点存在关联。将这些关联节点进行合并，作为一个确定的拥堵集群。最后通过遍历所有组的节点关联与合并分析，输出精简的K组道路拥堵节点集合，有效消除冗余，获得精准划分的拥堵路段分布和主要易拥堵地点信息，为交通治理提供准确基础。
对所述K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数；
进一步的，本步骤具体包括：
拆解所述K组交通拥堵节点集合，获得交通拥堵节点离散数据集；
基于节点位置标识，对所述交通拥堵节点离散数据集进行相同节点聚合，获得所述M个聚合交通拥堵节点；
采用所述M个聚合交通拥堵节点遍历所述交通拥堵节点离散数据集，获得M组节点拥堵频次；
基于所述M组节点拥堵频次进行所述M个聚合交通拥堵节点的拥堵频次标识处理。
在一种可行的实施方式中，首先，读取得到的K组道路拥堵节点集合，逐一拆解每个集合，提取集合中的各个拥堵节点，对所有提取出来的拥堵节点，重新组织成一个数据集，其中每条数据表示一个单独的拥堵节点记录，获得交通拥堵节点离散表示形式的交通拥堵节点离散数据集，为节点聚合处理提供数据支持。其次，遍历交通拥堵节点离散数据集中的每一个节点数据，读取其所包含的坐标位置标识信息，对于坐标重合的拥堵节点样本，将其聚合合并，转换为一个代表该区域的聚合拥堵节点，从而获得精简的M个聚合交通拥堵节点，代表主要的城市交通拥堵集中位置。
然后，依次对获得的M个聚合交通拥堵节点中的每个聚合节点，遍历原始的交通拥堵节点离散数据集，统计该聚合节点的坐标位置在数据集中出现的次数，即其对应的节点位置在不同时段出现的拥堵次数，获得M个聚合交通拥堵节点对应的M组节点拥堵频次，表示各聚合拥堵节点的发生频率。接着，将得到的M组节点拥堵频次中每一组频次值，与对应的聚合拥堵节点进行绑定，形成该节点的拥堵频次标识，例如节点A出现了80次拥堵，则其频次标识为80。实现对每个聚合拥堵节点进行频次值标注，以表示该节点的拥堵发生概率。
通过对拥堵节点进行聚合合并，去除冗余数据，突出主要的交通拥堵点，为后续区域道路孪生模型进行拥堵场景拟合提供数据支撑，同时给每个聚合节点添加频次标识，指导后续的交通改善措施制定。
构建区域道路孪生模型，其中，所述区域道路孪生模型通过交互所述目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成；
在一种可行的实施方式中，区域道路孪生模型是指通过城市数字孪生技术，建立起目标城市区域道路网络的虚拟数显映射的模型。
首先，通过接口调用获取目标城市区域的城市建设规划信息，包括道路规划布局、设计车道数、设计速度等规划参数。同时，收集目标城市区域现有道路基础数据，如道路走向、交叉点位置等。其次，使用三维建模软件，根据规划参数和基础数据构建三维道路网络模型，标记道路的属性，如车道数、限速、容积等。再次，收集道路历史交通流量数据和信号灯时间参数。随后，使用仿真引擎，加载道路网络模型与参数，加入交通流量、信号灯控制，进行动态交通模拟。接着，连接传感器接口，接收实时交通流量等数据，进行模型动态校准，形成具有高精度映射能力的区域道路孪生模型。在该模型中，可以模拟不同交通流量对道路网络的影响效果。
将所述M个聚合交通拥堵节点和所述历史区域道路信息输入所述区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；
进一步的，本申请实施例还包括：
基于所述K组区域时段道路信息进行道路负载极值调用，获得K组区域时段负载极值；
对所述K组区域时段负载极值进行负载极值序列化处理，获得区域道路负载数据集；
将所述M个聚合交通拥堵节点和所述区域道路负载数据集输入所述区域道路孪生模型进行拥堵场景拟合，获得区域道路拟合模型；
预设道路拥堵关联距离，并以所述道路拥堵关联距离和所述M个聚合交通拥堵节点为约束遍历所述区域道路拟合模型，获得所述M组进口道路和所述M组历史道路负载极值。
在一种优选的实施方式中，首选，依次读取获得的K组区域时段道路信息，对每组时段数据，分析其中的车流量参数，调出该时段内区域道路的交通流量峰值，即最大负载值，重复该调用过程，获得K组区域时段负载极值，反映在不同的交通时段内，区域道路所承载的最大交通流量值。然后，对K组区域时段负载极值按照时段进行排序、编号，组织成序列化数据集的形式，其中每个数据样本表示一个时段的区域负载特征，构建出覆盖不同时段的区域道路负载数据集。
接着，将得到的M个聚合交通拥堵节点，以及构建的区域道路负载数据集，输入到构建的区域道路网络数字孪生模型中，在该孪生模型内，加载拥堵节点使其发生交通堵塞，并依次输入不同时段的负载数据进行模拟，通过大量模拟迭代计算，获得能够匹配实际区域拥堵分布的区域道路拟合模型。随后，根据经验预设道路拥堵关联距离，加载区域道路拟合模型，以每个聚合拥堵节点为中心进行范围判断，提取位于道路拥堵关联距离内的道路及其历史负载数据，即为与该拥堵节点相关的进口道路集合。最终获得M组进口道路和所述M组历史道路负载极值。
获得目标道路规划结果，其中，所述目标道路规划结果包括M组道路规划参数，所述M组道路规划参数通过将所述M组历史道路负载极值同步至道路规划分析子网络获得。
进一步的，如图2所示，本步骤具体包括：
所述道路规划分析子网络包括负载偏差分析模块和负载偏差优化模块；
交互所述目标城建规划信息，获得所述M组进口道路的M组道路负载规划和M组进口横断面设计信息；
将所述M组历史道路负载极值和所述M组道路负载规划同步至所述负载偏差分析模块，获得M组负载偏差参数；
将所述M组负载偏差参数和所述M组进口横断面设计信息同步至所述负载偏差优化模块，获得所述M组道路规划参数。
在一种优选的实施方式中，道路规划分析子网络是集成负载偏差分析模块和负载偏差优化模块的智能网络。其中，负载偏差分析模块用于对比历史负载和规划目标，计算出负载偏差；负载偏差优化模块用于根据偏差结果计算出道路规划的参数。通过这两个模块的协同工作，可以进行道路规划条件下的交通负载优化。
首先，调用目标区域城建规划信息，从中提取出对应M组进口道路的相关设计参数，包括M组负载规划目标和M组进口横断面设计信息。其中，道路负载规划是指在城建规划中设置的该道路的容量目标值；横断面设计信息包括道路的设计车道数、车道宽度等参数，为后续的规划计算提供基础数据支持。然后，将获得的M组历史负载极值以及获取的M组道路负载规划，输入到道路规划子网络中的负载偏差分析模块，该模块逐一对比两组负载值，计算出当前道路实际负载与规划目标之间的数值偏差，输出M组表示负载过剩或不足的负载偏差参数，以准确反映各目标道路的负载调整需求。随后，将得到的M组负载偏差参数以及获得的M组进口道路横断面设计信息，输入到道路规划子网络的负载偏差优化模块，该模块综合考虑当前负载差距和道路本身状况，进行优化计算，输出M组道路规划参数结果，作为后续实施道路改造的技术依据，添加至目标道路规划结果中。
进一步的，本申请实施例还包括：
基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组剔除区域道路信息，其中，所述K组剔除区域道路信息和所述K组优化区域道路信息的并集构成所述K组区域时段道路信息；
基于所述K组剔除区域道路信息进行车祸拥堵节点提取，获得H个车祸拥堵节点，其中，每个车祸拥堵节点都具有节点位置标识和车祸频次标识，H为正整数；
预设车祸归因约束，并基于所述车祸归因约束遍历筛选所述H个车祸拥堵节点，获得N个车祸拥堵节点，其中，N为正整数；
获得N个道路节点规划信息，其中，所述N个道路节点规划信息通过交互所述区域道路孪生模型获得；
将所述N个道路节点规划信息同步至道路优化子网络，以获得N个车祸节点优化方案；
将所述N个车祸节点优化方案存储至所述目标道路规划结果。
其中，获得N个车祸节点优化方案，具体包括：
获得多组样本道路规划信息，其中，所述样本道路规划信息包括样本横断面设计信息、样本建筑组成信息、样本道路轮廓图像；
构建所述道路优化子网络，其中，所述道路优化子网络通过采用知识图谱进行多组所述样本道路规划信息的数据重组获得；
获取N个实际道路轮廓图像和N个实际建筑组成信息，其中，所述N个实际道路轮廓图像通过对所述N个道路节点规划信息进行道路轮廓图像提取获得，所述N个实际建筑组成信息通过对所述N个道路节点规划信息进行建筑组成信息提取获得；
基于所述N个实际道路轮廓图像和所述N个实际建筑组成信息调用获得第一实际道路轮廓图像和第一实际建筑组成信息；
预设道路轮廓相似阈值和建筑组成相似阈值；
将第一实际道路轮廓图像同步至所述道路优化子网络，在所述道路优化子网络中基于欧式距离进行道路轮廓相似度计算，获得多组样本-实际相似指数；
基于所述道路轮廓相似阈值遍历所述多组样本-实际相似指数，获得多组样本筛选建筑组成；
将所述第一实际建筑组成信息同步至所述道路优化子网络，在所述道路优化子网络进行所述多组样本筛选建筑组成和所述第一实际建筑组成信息的建筑组成相似分析，获得多组样本-实际相似度；
基于所述建筑组成相似阈值遍历所述多组样本-实际相似度，获得多组样本筛选横断面设计，所述多组样本筛选横断面设计构成第一车祸节点优化方案；
以此类推，获得所述N个车祸节点优化方案。
在一种优选的实施方式中，目标道路规划结果还包括N个车祸节点优化方案。首先，获取K组优化区域道路信息后，依次K组区域时段道路信息进行遍历，根据预设的拥堵剔除约束条件，将不满足的道路数据提取出来，形成K组剔除区域道路信息，将这部分数据与K组优化区域道路信息合并，组成获得经过区分的K组区域时段道路信息。其次，依次遍历K组剔除区域道路信息，从中提取出交通事件类型标注为车祸的拥堵节点数据，统计这些车祸拥堵节点的位置坐标，以及其在数据集中出现的频次，形成包含位置标识与车祸频次标识的H个车祸拥堵节点，为单独针对突发交通事件进行拥堵原因分析和交通优化提供基础。再次，预先设置车祸归因约束，例如一节点发生超过5次车祸则判定为道路设计缺陷导致；依次判断H个车祸节点的发生频次是否满足该约束，过滤出频次超标的N个车祸拥堵节点，作为需优化改善的关键路段。然后，针对每个N个车祸拥堵节点，以每个节点为圆心，预设半径范围，获取该范围内的道路区段规划信息，包括周边建筑、各类路标、车道数量、信号灯时间等参数，从而获得N个道路节点规划信息，作为车祸拥堵节点及其周边区域的详细道路现状参数。
接着，为获取车祸节点优化方案，首先，从道路规划数据库中提取大量高质量的样本道路规划信息，涵盖不同的道路类型、城市环境等场景，包括样本横断面设计信息、样本建筑组成信息、样本道路轮廓图像。其中，样本道路规划信息是指用来训练和优化道路子网络的规划样例数据集；横断面设计信息是指道路横截面参数，如车道数量、人行道宽度等；建筑组成信息是指道路周边建筑类型、高度等参数；轮廓图像是指道路地块的图像轮廓。其次，对多组样本道路规划信息进行预处理，分析样本之间的内在关联，如相似横断面参数、相近建筑类型等关联；再使用知识图谱框架，将每个样本规划信息抽象为实体节点，根据分析的关联，连接实体节点之间的关系，形成知识网络；对网络进行可视化，融合不同样本信息，构建知识体系；建立学习算法，训练知识图谱网络，获得规划知识；构建接口接入层，形成集成了多组样本规划知识的道路优化子网络。再次，针对获得的N个车祸道路节点的规划信息，识别规划信息中的道路地块范围，并调用该区域的卫星图像或街景图像，获取道路轮廓的实景视角；同时解析规划信息中包含的建筑数据，获取该路段周边建筑的具体组成参数，最终获得N个实际道路轮廓图像和N个实际建筑组成信息，为后续的规划方案优化提供重要参考依据。
然后，遍历N个实际道路轮廓图像和N个实际建筑组成信息，获取第一实际道路轮廓图像和第一实际建筑组成信息。随后，基于道路场景数据预先设定道路轮廓相似阈值和建筑组成相似阈值，例如参考不同道路环境的图像特征分布，选择轮廓相似判定阈值为0.8；同时根据不同建筑类型组合产生的道路运行影响，选择建筑组成相似判定的阈值，如0.75，为后续的样例匹配提供基准。接着，将第一实际道路轮廓图像输入到构建好的道路优化子网络，子网络逐一将该实际道路图像与数据库中的所有样例轮廓图像进行比较，计算出每组样例与实际道路轮廓的欧式距离，即各自的相似指数，获得多组样本-实际相似指数。随后，依次读取得到的多组样本-实际相似指数，从这些样本的建筑信息中提取它们的建筑组成参数，得到多组样本筛选建筑组成。继而，将获得的第一实际道路建筑组成输入到子网络，子网络根据筛选得到的多组样本筛选建筑组成，逐一与该第一实际建筑信息进行比对，计算出样例与实际在建筑组成上的具体相似度大小，获得多组样本-实际相似度。然后，读取得到的多组样本-实际相似度，根据预设阈值进行筛选，保留相似度最高的几组样例，从这些样例中提取它们的道路横断面设计参数，作为第一车祸节点优化方案，该方案同时经过了轮廓和建筑两个方面的匹配筛选，适配实际道路情况。按照上述方案，获取N个车祸节点优化方案。
之后，将N个车祸节点优化方案汇总组织，并存储到最终的目标道路规划结果中，使车祸节点的特定交通优化方案被纳入区域道路网络的整体规划中，成为该区域道路改造方案的组成部分，实现既考虑常规交通，也考虑突发事件的全面、可靠的目标道路规划结果。
综上所述，本申请实施例所提供的一种基于物联网的城市道路规划方法具有如下技术效果：
获得目标城市区域的历史区域道路信息，其中，历史区域道路信息通过以目标城市区域为基准，交互城市道路物联网管理平台获得，以全面了解区域道路的实际交通状况，提供足够的分析样本数据。预设交通时段划分阈值，并基于交通时段划分阈值进行历史区域道路信息的数据拆分，获得K组区域时段道路信息，以便更精细地分析拥堵规律。基于K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数，定位出区域交通拥堵的主要集中点。对K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数，通过统计节点拥堵频次，找出需要优先治理的高频次拥堵点。构建区域道路孪生模型，其中，区域道路孪生模型通过交互目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成，是后续仿真的基础。将M个聚合交通拥堵节点和历史区域道路信息输入区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值，针对性找到引发拥堵的关键因素。获得目标道路规划结果，其中，目标道路规划结果包括M组道路规划参数，M组道路规划参数通过将M组历史道路负载极值同步至道路规划分析子网络获得，实现交通流量与道路规划的精确匹配。通过数据采集、处理、分析、仿真和规划优化多个环节，实现针对交通拥堵点的差异化研究与治理，有效提升城市道路的负载能力。
实施例二：
基于与前述实施例中一种基于物联网的城市道路规划方法相同的发明构思，如图3所示，本申请实施例提供了一种基于物联网的城市道路规划系统，该系统包括：
历史信息获取模块11，用于获得目标城市区域的历史区域道路信息，其中，所述历史区域道路信息通过以所述目标城市区域为基准，交互城市道路物联网管理平台获得；
历史数据拆分模块12，用于预设交通时段划分阈值，并基于所述交通时段划分阈值进行所述历史区域道路信息的数据拆分，获得K组区域时段道路信息；
拥堵节点识别模块13，用于基于所述K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，所述K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数；
拥堵节点聚合模块14，用于对所述K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数；
孪生模型构建模块15，用于构建区域道路孪生模型，其中，所述区域道路孪生模型通过交互所述目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成；
拥堵场景拟合模块16，用于将所述M个聚合交通拥堵节点和所述历史区域道路信息输入所述区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；
道路规划结果模块17，用于获得目标道路规划结果，其中，所述目标道路规划结果包括M组道路规划参数，所述M组道路规划参数通过将所述M组历史道路负载极值同步至道路规划分析子网络获得。
进一步的，拥堵节点识别模块13包括以下执行步骤：
预设拥堵剔除约束和城市交通拥堵阈值；
基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组优化区域道路信息；
基于所述城市交通拥堵阈值遍历所述K组优化区域道路信息，获得K组备选拥堵节点集合；
基于所述K组备选拥堵节点集合调用获得K组备选拥堵节点坐标信息；
根据所述K组备选拥堵节点坐标信息进行拥堵节点关联分析，获得所述K组道路拥堵节点集合。
进一步的，拥堵节点识别模块13还包括以下执行步骤：
基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组剔除区域道路信息，其中，所述K组剔除区域道路信息和所述K组优化区域道路信息的并集构成所述K组区域时段道路信息；
基于所述K组剔除区域道路信息进行车祸拥堵节点提取，获得H个车祸拥堵节点，其中，每个车祸拥堵节点都具有节点位置标识和车祸频次标识，H为正整数；
预设车祸归因约束，并基于所述车祸归因约束遍历筛选所述H个车祸拥堵节点，获得N个车祸拥堵节点，其中，N为正整数；
获得N个道路节点规划信息，其中，所述N个道路节点规划信息通过交互所述区域道路孪生模型获得；
将所述N个道路节点规划信息同步至道路优化子网络，以获得N个车祸节点优化方案；
将所述N个车祸节点优化方案存储至所述目标道路规划结果。
进一步的，拥堵节点识别模块13还包括以下执行步骤：
获得多组样本道路规划信息，其中，所述样本道路规划信息包括样本横断面设计信息、样本建筑组成信息、样本道路轮廓图像；
构建所述道路优化子网络，其中，所述道路优化子网络通过采用知识图谱进行多组所述样本道路规划信息的数据重组获得；
获取N个实际道路轮廓图像和N个实际建筑组成信息，其中，所述N个实际道路轮廓图像通过对所述N个道路节点规划信息进行道路轮廓图像提取获得，所述N个实际建筑组成信息通过对所述N个道路节点规划信息进行建筑组成信息提取获得；
基于所述N个实际道路轮廓图像和所述N个实际建筑组成信息调用获得第一实际道路轮廓图像和第一实际建筑组成信息；
预设道路轮廓相似阈值和建筑组成相似阈值；
将第一实际道路轮廓图像同步至所述道路优化子网络，在所述道路优化子网络中基于欧式距离进行道路轮廓相似度计算，获得多组样本-实际相似指数；
基于所述道路轮廓相似阈值遍历所述多组样本-实际相似指数，获得多组样本筛选建筑组成；
将所述第一实际建筑组成信息同步至所述道路优化子网络，在所述道路优化子网络进行所述多组样本筛选建筑组成和所述第一实际建筑组成信息的建筑组成相似分析，获得多组样本-实际相似度；
基于所述建筑组成相似阈值遍历所述多组样本-实际相似度，获得多组样本筛选横断面设计，所述多组样本筛选横断面设计构成第一车祸节点优化方案；
以此类推，获得所述N个车祸节点优化方案。
进一步的，拥堵节点聚合模块14包括以下执行步骤：
拆解所述K组交通拥堵节点集合，获得交通拥堵节点离散数据集；
基于节点位置标识，对所述交通拥堵节点离散数据集进行相同节点聚合，获得所述M个聚合交通拥堵节点；
采用所述M个聚合交通拥堵节点遍历所述交通拥堵节点离散数据集，获得M组节点拥堵频次；
基于所述M组节点拥堵频次进行所述M个聚合交通拥堵节点的拥堵频次标识处理。
进一步的，拥堵场景拟合模块16包括以下执行步骤：
基于所述K组区域时段道路信息进行道路负载极值调用，获得K组区域时段负载极值；
对所述K组区域时段负载极值进行负载极值序列化处理，获得区域道路负载数据集；
将所述M个聚合交通拥堵节点和所述区域道路负载数据集输入所述区域道路孪生模型进行拥堵场景拟合，获得区域道路拟合模型；
预设道路拥堵关联距离，并以所述道路拥堵关联距离和所述M个聚合交通拥堵节点为约束遍历所述区域道路拟合模型，获得所述M组进口道路和所述M组历史道路负载极值。
进一步的，道路规划结果模块17包括以下执行步骤：
所述道路规划分析子网络包括负载偏差分析模块和负载偏差优化模块；
交互所述目标城建规划信息，获得所述M组进口道路的M组道路负载规划和M组进口横断面设计信息；
将所述M组历史道路负载极值和所述M组道路负载规划同步至所述负载偏差分析模块，获得M组负载偏差参数；
将所述M组负载偏差参数和所述M组进口横断面设计信息同步至所述负载偏差优化模块，获得所述M组道路规划参数。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种基于物联网的城市道路规划方法，其特征在于，所述方法包括：
获得目标城市区域的历史区域道路信息，其中，所述历史区域道路信息通过以所述目标城市区域为基准，交互城市道路物联网管理平台获得；
预设交通时段划分阈值，并基于所述交通时段划分阈值进行所述历史区域道路信息的数据拆分，获得K组区域时段道路信息；
基于所述K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，所述K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数；
对所述K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数；
构建区域道路孪生模型，其中，所述区域道路孪生模型通过交互所述目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成；
将所述M个聚合交通拥堵节点和所述历史区域道路信息输入所述区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；
获得目标道路规划结果，其中，所述目标道路规划结果包括M组道路规划参数，所述M组道路规划参数通过将所述M组历史道路负载极值同步至道路规划分析子网络获得。
2.如权利要求1所述的方法，其特征在于，基于所述K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，所述K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数，所述方法还包括：
预设拥堵剔除约束和城市交通拥堵阈值；
基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组优化区域道路信息；
基于所述城市交通拥堵阈值遍历所述K组优化区域道路信息，获得K组备选拥堵节点集合；
基于所述K组备选拥堵节点集合调用获得K组备选拥堵节点坐标信息；
根据所述K组备选拥堵节点坐标信息进行拥堵节点关联分析，获得所述K组道路拥堵节点集合。
3.如权利要求2所述的方法，其特征在于，基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组优化区域道路信息，之后，所述方法还包括：
基于所述预设拥堵剔除约束遍历所述K组区域时段道路信息，获得K组剔除区域道路信息，其中，所述K组剔除区域道路信息和所述K组优化区域道路信息的并集构成所述K组区域时段道路信息；
基于所述K组剔除区域道路信息进行车祸拥堵节点提取，获得H个车祸拥堵节点，其中，每个车祸拥堵节点都具有节点位置标识和车祸频次标识，H为正整数；
预设车祸归因约束，并基于所述车祸归因约束遍历筛选所述H个车祸拥堵节点，获得N个车祸拥堵节点，其中，N为正整数；
获得N个道路节点规划信息，其中，所述N个道路节点规划信息通过交互所述区域道路孪生模型获得；
将所述N个道路节点规划信息同步至道路优化子网络，以获得N个车祸节点优化方案；
将所述N个车祸节点优化方案存储至所述目标道路规划结果。
4.如权利要求3所述的方法，其特征在于，将所述N个道路节点规划信息同步至道路优化子网络，以获得N个车祸节点优化方案，所述方法还包括：
获得多组样本道路规划信息，其中，所述样本道路规划信息包括样本横断面设计信息、样本建筑组成信息、样本道路轮廓图像；
构建所述道路优化子网络，其中，所述道路优化子网络通过采用知识图谱进行多组所述样本道路规划信息的数据重组获得；
获取N个实际道路轮廓图像和N个实际建筑组成信息，其中，所述N个实际道路轮廓图像通过对所述N个道路节点规划信息进行道路轮廓图像提取获得，所述N个实际建筑组成信息通过对所述N个道路节点规划信息进行建筑组成信息提取获得；
基于所述N个实际道路轮廓图像和所述N个实际建筑组成信息调用获得第一实际道路轮廓图像和第一实际建筑组成信息；
预设道路轮廓相似阈值和建筑组成相似阈值；
将第一实际道路轮廓图像同步至所述道路优化子网络，在所述道路优化子网络中基于欧式距离进行道路轮廓相似度计算，获得多组样本-实际相似指数；
基于所述道路轮廓相似阈值遍历所述多组样本-实际相似指数，获得多组样本筛选建筑组成；
将所述第一实际建筑组成信息同步至所述道路优化子网络，在所述道路优化子网络进行所述多组样本筛选建筑组成和所述第一实际建筑组成信息的建筑组成相似分析，获得多组样本-实际相似度；
基于所述建筑组成相似阈值遍历所述多组样本-实际相似度，获得多组样本筛选横断面设计，所述多组样本筛选横断面设计构成第一车祸节点优化方案；
以此类推，获得所述N个车祸节点优化方案。
5.如权利要求1所述的方法，其特征在于，对所述K组交通拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数，所述方法还包括：
拆解所述K组交通拥堵节点集合，获得交通拥堵节点离散数据集；
基于节点位置标识，对所述交通拥堵节点离散数据集进行相同节点聚合，获得所述M个聚合交通拥堵节点；
采用所述M个聚合交通拥堵节点遍历所述交通拥堵节点离散数据集，获得M组节点拥堵频次；
基于所述M组节点拥堵频次进行所述M个聚合交通拥堵节点的拥堵频次标识处理。
6.如权利要求1所述的方法，其特征在于，将所述M个聚合交通拥堵节点和所述历史区域道路信息输入所述区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值，所述方法还包括：
基于所述K组区域时段道路信息进行道路负载极值调用，获得K组区域时段负载极值；
对所述K组区域时段负载极值进行负载极值序列化处理，获得区域道路负载数据集；
将所述M个聚合交通拥堵节点和所述区域道路负载数据集输入所述区域道路孪生模型进行拥堵场景拟合，获得区域道路拟合模型；
预设道路拥堵关联距离，并以所述道路拥堵关联距离和所述M个聚合交通拥堵节点为约束遍历所述区域道路拟合模型，获得所述M组进口道路和所述M组历史道路负载极值。
7.如权利要求6所述的方法，其特征在于，获得目标道路规划结果，其中，所述目标道路规划结果包括M组道路规划参数，所述M组道路规划参数通过将所述M组历史道路负载极值同步至道路规划分析子网络获得，所述方法还包括：
所述道路规划分析子网络包括负载偏差分析模块和负载偏差优化模块；
交互所述目标城建规划信息，获得所述M组进口道路的M组道路负载规划和M组进口横断面设计信息；
将所述M组历史道路负载极值和所述M组道路负载规划同步至所述负载偏差分析模块，获得M组负载偏差参数；
将所述M组负载偏差参数和所述M组进口横断面设计信息同步至所述负载偏差优化模块，获得所述M组道路规划参数。
8.一种基于物联网的城市道路规划系统，其特征在于，用于实施权利要求1-7任意一项所述的一种基于物联网的城市道路规划方法，所述系统包括：
历史信息获取模块，所述历史信息获取模块用于获得目标城市区域的历史区域道路信息，其中，所述历史区域道路信息通过以所述目标城市区域为基准，交互城市道路物联网管理平台获得；
历史数据拆分模块，所述历史数据拆分模块用于预设交通时段划分阈值，并基于所述交通时段划分阈值进行所述历史区域道路信息的数据拆分，获得K组区域时段道路信息；
拥堵节点识别模块，所述拥堵节点识别模块用于基于所述K组区域时段道路信息进行拥堵节点识别，获得K组道路拥堵节点集合，其中，所述K组道路拥堵节点集合中，每个道路拥堵节点都具有节点位置标识，K为正整数；
拥堵节点聚合模块，所述拥堵节点聚合模块用于对所述K组道路拥堵节点集合进行节点聚合，获得M个聚合交通拥堵节点，其中，每个聚合交通拥堵节点具有拥堵频次标识，M为小于K的正整数；
孪生模型构建模块，所述孪生模型构建模块用于构建区域道路孪生模型，其中，所述区域道路孪生模型通过交互所述目标城市区域进行城建规划信息调用，根据目标城建规划信息构建区域进行数字孪生模型构建生成；
拥堵场景拟合模块，所述拥堵场景拟合模块用于将所述M个聚合交通拥堵节点和所述历史区域道路信息输入所述区域道路孪生模型进行拥堵场景拟合，获得M组进口道路和M组历史道路负载极值；
道路规划结果模块，所述道路规划结果模块用于获得目标道路规划结果，其中，所述目标道路规划结果包括M组道路规划参数，所述M组道路规划参数通过将所述M组历史道路负载极值同步至道路规划分析子网络获得2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311082505.2A CN116797055B (zh) | 2023-08-28 | 2023-08-28 | 一种基于物联网的城市道路规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311082505.2A CN116797055B (zh) | 2023-08-28 | 2023-08-28 | 一种基于物联网的城市道路规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116797055A true CN116797055A (zh) | 2023-09-22 |
| CN116797055B CN116797055B (zh) | 2023-11-07 |
Family
ID=88040031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311082505.2A Active CN116797055B (zh) | 2023-08-28 | 2023-08-28 | 一种基于物联网的城市道路规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116797055B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131581A (zh) * | 2023-10-26 | 2023-11-28 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建系统及方法 |
| CN117171865A (zh) * | 2023-11-02 | 2023-12-05 | 江苏菲尔浦物联网有限公司 | 一种路基智能测斜方法及系统 |
| CN117371668A (zh) * | 2023-12-06 | 2024-01-09 | 北京晨豪科技有限公司 | 基于可视图和网络流的城市管路流量调配优化方法 |
| CN117576908A (zh) * | 2023-11-21 | 2024-02-20 | 青岛格仑特新能源车辆制造有限公司 | 一种基于物联网的智能警用车载控制系统及方法 |
| CN117854286A (zh) * | 2024-03-08 | 2024-04-09 | 山东金宇信息科技集团有限公司 | 一种基于数字孪生的城市交通规划方法、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663887A (zh) * | 2012-04-13 | 2012-09-12 | 浙江工业大学 | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 |
| CN104240495A (zh) * | 2013-06-17 | 2014-12-24 | 苏州欢乐时光信息技术有限公司 | 一套基于物联网技术的智能城市道路动态调节系统 |
| CN109285347A (zh) * | 2018-09-26 | 2019-01-29 | 东莞绿邦智能科技有限公司 | 一种基于云平台的城市道路拥堵分析系统 |
| WO2021208327A1 (zh) * | 2020-04-17 | 2021-10-21 | 平安科技（深圳）有限公司 | 道路优化方法、系统、终端及计算机可读存储介质 |
| CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策系统及方法 |
| CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 |
| WO2022047958A1 (zh) * | 2020-09-04 | 2022-03-10 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
| CN114758086A (zh) * | 2022-06-15 | 2022-07-15 | 盈嘉互联（北京）科技有限公司 | 一种城市道路信息模型的构建方法及装置 |
| CN116129648A (zh) * | 2023-02-28 | 2023-05-16 | 同济大学 | 一种路网拥堵关键节点识别方法、设备、介质 |
| CN116187779A (zh) * | 2022-12-30 | 2023-05-30 | 上海仪电物联技术股份有限公司 | 一种轨道交通新线规划方法 |
| CN116341926A (zh) * | 2023-03-02 | 2023-06-27 | 同济大学 | 基于多模式交通网络的都市圈或城市群实质边界识别方法 |
-
2023
- 2023-08-28 CN CN202311082505.2A patent/CN116797055B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663887A (zh) * | 2012-04-13 | 2012-09-12 | 浙江工业大学 | 基于物联网技术的道路交通信息云计算和云服务实现系统及方法 |
| CN104240495A (zh) * | 2013-06-17 | 2014-12-24 | 苏州欢乐时光信息技术有限公司 | 一套基于物联网技术的智能城市道路动态调节系统 |
| CN109285347A (zh) * | 2018-09-26 | 2019-01-29 | 东莞绿邦智能科技有限公司 | 一种基于云平台的城市道路拥堵分析系统 |
| WO2021208327A1 (zh) * | 2020-04-17 | 2021-10-21 | 平安科技（深圳）有限公司 | 道路优化方法、系统、终端及计算机可读存储介质 |
| WO2022047958A1 (zh) * | 2020-09-04 | 2022-03-10 | 东南大学 | 一种基于人工智能的城市道路网络自动生成方法 |
| CN113704956A (zh) * | 2021-06-15 | 2021-11-26 | 深圳市综合交通设计研究院有限公司 | 一种基于数字孪生技术的城市道路在线微观仿真方法及系统 |
| CN113609656A (zh) * | 2021-07-19 | 2021-11-05 | 航天科工智能运筹与信息安全研究院(武汉)有限公司 | 基于数字孪生的智慧城市决策系统及方法 |
| CN114758086A (zh) * | 2022-06-15 | 2022-07-15 | 盈嘉互联（北京）科技有限公司 | 一种城市道路信息模型的构建方法及装置 |
| CN116187779A (zh) * | 2022-12-30 | 2023-05-30 | 上海仪电物联技术股份有限公司 | 一种轨道交通新线规划方法 |
| CN116129648A (zh) * | 2023-02-28 | 2023-05-16 | 同济大学 | 一种路网拥堵关键节点识别方法、设备、介质 |
| CN116341926A (zh) * | 2023-03-02 | 2023-06-27 | 同济大学 | 基于多模式交通网络的都市圈或城市群实质边界识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龙绍海;宋程;艾冠韬;黄晓虹;陈先龙;: "大数据技术在道路建设规划中的应用实践", 交通工程, no. 02 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131581A (zh) * | 2023-10-26 | 2023-11-28 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建系统及方法 |
| CN117131581B (zh) * | 2023-10-26 | 2024-02-13 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建系统及方法 |
| CN117171865A (zh) * | 2023-11-02 | 2023-12-05 | 江苏菲尔浦物联网有限公司 | 一种路基智能测斜方法及系统 |
| CN117171865B (zh) * | 2023-11-02 | 2024-01-26 | 江苏菲尔浦物联网有限公司 | 一种路基智能测斜方法及系统 |
| CN117576908A (zh) * | 2023-11-21 | 2024-02-20 | 青岛格仑特新能源车辆制造有限公司 | 一种基于物联网的智能警用车载控制系统及方法 |
| CN117576908B (zh) * | 2023-11-21 | 2024-04-26 | 青岛格仑特新能源车辆制造有限公司 | 一种基于物联网的智能警用车载控制系统及方法 |
| CN117371668A (zh) * | 2023-12-06 | 2024-01-09 | 北京晨豪科技有限公司 | 基于可视图和网络流的城市管路流量调配优化方法 |
| CN117371668B (zh) * | 2023-12-06 | 2024-02-09 | 北京晨豪科技有限公司 | 基于可视图和网络流的城市管路流量调配优化方法 |
| CN117854286A (zh) * | 2024-03-08 | 2024-04-09 | 山东金宇信息科技集团有限公司 | 一种基于数字孪生的城市交通规划方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116797055B (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116797055B (zh) | 一种基于物联网的城市道路规划方法及系统 | |
| CN109448370B (zh) | 一种基于车辆轨迹数据的交通控制子区划分方法 | |
| CN110135351B (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
| CN106323301B (zh) | 一种道路情报的获取方法及装置 | |
| CN111210612B (zh) | 基于公交gps数据与站点信息提取公交线路轨迹的方法 | |
| CN110909788B (zh) | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
| CN110807919A (zh) | 基于过车数据的城市路网交通运行态势评价方法 | |
| CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
| CN112053558A (zh) | 一种交通拥堵状态识别方法及装置和设备 | |
| CN112927513B (zh) | 一种实时在线交通仿真方法及系统 | |
| CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| CN111047860B (zh) | 一种车辆运行轨迹提取方法 | |
| CN111179592A (zh) | 基于时空数据流融合分析的城市交通预测方法和系统 | |
| CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN116597649A (zh) | 一种基于高速公路收费系统的路网交通流量推演方法 | |
| CN111462490A (zh) | 一种基于多级子区划分的路网可视化方法及装置 | |
| CN114066288B (zh) | 一种基于智慧数据中心的营运道路应急检测方法及系统 | |
| CN114565031A (zh) | 基于经纬度的车队识别方法、装置及计算机设备 | |
| CN111710157B (zh) | 一种出租车热点区域的提取方法 | |
| CN109472766B (zh) | 桥梁螺栓区域定位方法及终端设备 | |
| CN112686089B (zh) | 道路信息智能化自动提取方法 |
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 |