CN116798218A - 一种基于数字孪生的城市低碳交通大数据检测方法 - Google Patents

一种基于数字孪生的城市低碳交通大数据检测方法 Download PDF

Info

Publication number
CN116798218A
CN116798218A CN202211343478.5A CN202211343478A CN116798218A CN 116798218 A CN116798218 A CN 116798218A CN 202211343478 A CN202211343478 A CN 202211343478A CN 116798218 A CN116798218 A CN 116798218A
Authority
CN
China
Prior art keywords
bus
station
road
road section
time
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
Application number
CN202211343478.5A
Other languages
English (en)
Inventor
孙彩歌
杨健
李卫红
陈洁莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Normal University Weizhi Information Technology Co ltd
South China Normal University Qingyuan Institute of Science and Technology Innovation Co Ltd
Original Assignee
Guangdong Normal University Weizhi Information Technology Co ltd
South China Normal University Qingyuan Institute of Science and Technology Innovation Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Normal University Weizhi Information Technology Co ltd, South China Normal University Qingyuan Institute of Science and Technology Innovation Co Ltd filed Critical Guangdong Normal University Weizhi Information Technology Co ltd
Priority to CN202211343478.5A priority Critical patent/CN116798218A/zh
Publication of CN116798218A publication Critical patent/CN116798218A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
    • G08G1/0129—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种基于数字孪生的城市低碳交通大数据检测方法，包括：获取天气、公交车历史客流和行车数据并构建BP神经网络；统计公交车在每一站的上下车人数并预测站时是否满载；根据交通大数据推荐自行车与公交混合的绿色出行方案；获取路段的绿化情况并计算绿化阻力系数；构建元胞自动机模型模拟交通流并计算路段的阻塞指数；根据道路绿化情况和实时车流量推荐低碳且高效的出行计划；基于数字孪生技术评价低碳出行计划。

Description

一种基于数字孪生的城市低碳交通大数据检测方法
技术领域
本发明涉及信息技术领域，尤其涉及一种基于数字孪生的城市低碳交通大数据检测方法。
背景技术
公交车一直被称为绿色交通工具，以每立方米每小时通行人数为标准衡量道路的使用效率，公交车是小汽车的10至15倍。为促进道路交通低碳运输，应当鼓励市民尽量乘坐公交车出行。目前市面上的导航APP(高德、百度)仅能查看公交车的预计到达时间，经过一段时间的等待后，由于乘坐公交车的人数众多，可能会出现挤不上车的情况。这时就会白白浪费时间等待，由于下一班车需要更长时间等待且尚不清楚是否会出现同样的情况，乘客的计划可能因此被打乱。其实很多时候可以在公交车到达站点之前，使用共享单车骑行一段距离，到附近的站点乘坐其他线路的公交车，不仅能节省等待的时间，还能减少由于公交车绕行产生的无效行程。但大多数赶时间的乘客会选择直接打车，随着打车人数增多，无疑会增加道路的负荷，造成交通拥堵，有悖于绿色低碳出行的主题。而某些道路由于绿化程度较低，空气自净能力有限，若有大量汽车通行，汽车排放的尾气将会造成严重的环境污染。因此，如何获取公交车实时载客量并根据实时载客量和候车人数预测到站时是否满载；如何在预测出满载时根据道路绿化情况、车流量及天气合理安排并推荐其他出行方案，在不影响出行时间的情况下尽可能降低碳排放，是一个值得解决的问题。
发明内容
本发明提供了一种基于数字孪生的城市低碳交通大数据检测方法，主要包括：
获取天气、公交车历史客流和行车数据并构建BP神经网络，所述获取天气、公交车历史客流和行车数据并构建BP神经网络，具体包括：获取天气、公交车历史客流、行车数据和路况信息，根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型；统计公交车在每一站的上下车人数并预测站时是否满载，所述统计公交车在每一站的上下车人数并预测站时是否满载，具体包括：基于混合高斯背景模型统计公交车在每一站的上下车人数，根据BP神经网络预测公交车到站时是否满载；根据交通大数据推荐自行车与公交混合的绿色出行方案；获取路段的绿化情况并计算绿化阻力系数；构建元胞自动机模型模拟交通流并计算路段的阻塞指数，所述构建元胞自动机模型模拟交通流并计算路段的阻塞指数，具体包括：通过各路段的地磁感应线圈计算车流量和平均车速，根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时，根据通过路段的用时计算路段的阻塞指数；根据道路绿化情况和实时车流量推荐低碳且高效的出行计划，所述根据道路绿化情况和实时车流量推荐低碳且高效的出行计划，具体包括：根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图，根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线；基于数字孪生技术评价低碳出行计划。
进一步可选地，所述获取天气、公交车历史客流和行车数据并构建BP神经网络包括：
获取城市近1年的天气状况和公交车前后门摄像头的视频数据；获取公交车行驶路线上的路况信息；根据摄像头的视频数据统计公交车的行驶路线上每个站点的上下车人数和到达下一站点的用时；以时间信息、天气、站点的标识和路况信息作为输入层，站点对应的上车人数、下车人数和到达下一站点的用时作为输出层构建BP神经网络；包括：获取天气、公交车历史客流、行车数据和路况信息；根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型；
所述获取天气、公交车历史客流、行车数据和路况信息，具体包括：
获取城市近1年的天气状况；获取城市范围内所有路段的长度和车道数；获取公交车近1年的前后门摄像头的视频数据；获取公交车行驶路线上经过的所有站点，为每个站点设定一个唯一的标识；根据路段的长度、车道数和公交车的行驶路线，计算两个站点之间的行驶里程，记录两个站点之间的交通信号灯个数、通过的所有路段中最少车道的路段的车道数量和长度；根据公交车的行驶路线，统计两个站点之间经过的交通信号灯个数；根据前后门摄像头的视频数据统计在公交车的行驶路线上每个站点的上下车人数和到达下一站点的用时。
所述根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型，具体包括：
根据日期获取对应的星期并判断当天是否为工作日；以日期、星期、是否为工作日、时间、天气状况、站点的标识、到达下一站点的行驶里程、前往下一站点途中经过的交通信号灯个数、前往下一站点途中经过的所有路段中最少车道的路段的车道数量和长度作为输入层，站点对应的上车人数、下车人数和到达下一站点的用时作为输出层构建BP神经网络；根据输入层和输出层的节点数计算隐藏层的神经元个数；选择正向传递的激活函数；根据平台的需求确定预测结果的精度和最大训练次数；将数据集70％的数据作为训练集，30％的数据作为测试集，训练BP神经网络。
进一步可选地，所述统计公交车在每一站的上下车人数并预测站时是否满载包括：
获取公交车到达每一站点时从开门到关门这一段时间前后门摄像头的监控视频；根据前后门摄像头的监控视频，基于混合高斯背景模型统计公交车在每一站的上下车人数；根据BP神经网络预测公交车到站时是否满载；包括：基于混合高斯背景模型统计公交车在每一站的上下车人数；根据BP神经网络预测公交车到站时是否满载；
所述基于混合高斯背景模型统计公交车在每一站的上下车人数，具体包括：
对公交车前后门乘客上下车的各种姿态进行采样，建立乘客上下车样本库；截取公交车从开门到关门这一段时间前后门摄像头的监控视频；输入视频帧，对于每一帧视频图像，使用混合高斯背景建模的方法，结合形态学滤波，获得前景图像；根据乘客上下车的姿态，检测出每个视频帧里的乘客数目；根据前景图像提取乘客的特征和人群之间的遮挡程度，统计监控视频中的实际人数。
所述根据BP神经网络预测公交车到站时是否满载，具体包括：
获取当前天气状况；获取公交车的最大载客量；获取公交车当前位置和实时载客量；获取公交车途经的所有站点；将时间信息、天气状况、剩下的所有站点的标识和路况信息输入BP神经网络，根据输出结果预测每一站的上下车人数和到达剩余每个站点的时间。判断公交车到达乘客所在的站点时是否满载。若未满载，根据乘客所在站点和目的地站点，计算等待时长和搭乘时长并向乘客推送。
进一步可选地，所述根据交通大数据推荐自行车与公交混合的绿色出行方案包括：
若预测出公交车到达乘客所在的站点时将满载，判断当前天气状况是否适合骑行；判断乘客所在站点是否有共享单车停放；若当前天气适合骑行且乘客所在站点有共享单车停放，获取其它经过乘客的目的地站点的公交车信息；对其它经过乘客的目的地站点的每一路公交，获取公交经过的所有站点，计算其中离乘客所在站点最近的站点的距离；筛选离乘客所在站点最近且距离<预设的阈值的站点，获取对应的公交车信息；根据BP神经网络预测公交车到达距离乘客所在站点时是否满载；若未满载，计算公交车到达距离乘客最近的站点的用时；根据距离和骑行的平均速度，计算骑行到距离乘客所在站点最近的站点的用时，判断是否小于公交车到达距离乘客最近的站点的用时；若骑行用时小于公交车到站用时，则向乘客推送骑行路线、骑行距离和公交车的搭乘时长；若预测出公交车到达乘客所在的站点时将满载，乘客所在站点没有共享单车停放、乘客附近站点没有可达的公交车或公交车到达乘客附近站点时也将满载，则向乘客推荐打车或驾车出行方案。
进一步可选地，所述获取路段的绿化情况并计算绿化阻力系数包括：
获取路段和路段的绿化带的占地面积；计算绿化带的占地面积和路段的占地面积之比；根据绿化带的占地面积和路段的占地面积之比计算路段的绿化阻力系数。
进一步可选地，所述构建元胞自动机模型模拟交通流并计算路段的阻塞指数包括：
获取各个路段的地磁感应线圈的数据，计算车流量和平均车速；构建元胞自动机模型，模拟各个路段的交通流；根据元胞自动机模型模拟的交通流获取通过路段的用时，计算路段的阻塞指数；包括：通过各路段的地磁感应线圈计算车流量和平均车速；根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时；根据通过路段的用时计算路段的阻塞指数；
所述通过各路段的地磁感应线圈计算车流量和平均车速，具体包括：
调取各个路段的地磁感应线圈的数据；通过地磁感应线圈统计单位时间内通过路段的车辆数，计算车流量；根据两个地磁感应线圈的间距和车辆通过两个地磁感应线圈的时间，计算平均车速。
所述根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时，具体包括：
获取所有路段的长度和车道数；获取所有路段的限速和交通信号灯的时长；根据路段的车流量、平均车速、路段长度、车道数、限速和交通信号灯的时长，确定车辆的行进规则，构建元胞自动机模型；运行元胞自动机，记录元胞通过路段的用时。
所述根据通过路段的用时计算路段的阻塞指数，具体包括：
获取通过路段的用时；根据路段的限速、长度和通过路段的用时计算阻塞指数。
进一步可选地，所述根据道路绿化情况和实时车流量推荐低碳且高效的出行计划包括：
根据绿化阻力系数和阻塞指数计算路段关于新能源汽车和燃油汽车的广义长度；根据路段的广义长度构建新能源汽车和燃油汽车的广义地图；根据广义地图，采用Dijkstra算法求解汽车的最佳行驶路线；包括：根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图；根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线；
所述根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图，具体包括：
获取城市的地图；根据长度、绿化阻力系数和阻塞指数计算各个路段关于新能源汽车和燃油汽车的广义长度；根据路段的广义长度构建新能源汽车和燃油汽车的广义地图。
所述根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线，具体包括：
获取汽车的能源类型；根据汽车的能源类型选择对应的广义地图；确定出发点，在广义地图上执行Dijkstra算法，求解出发点到地图上每个顶点的最短距离及对应的路径；获取出发点到目的地对应顶点的最短路径，推荐行驶路线。
其中，所述基于数字孪生技术评价低碳出行计划，包括:
获取城市各个路段的监控视频数据；通过监控视频统计当天经过路段的车牌信息；根据每辆车经过各路段的时间顺序，判断车辆的出发点和目的地；根据车牌颜色，判断车辆的能源类型；对于地图上的所有顶点，根据车辆的出发点、目的地和能源类型统计不同时间从每个顶点出发前往其它顶点的不同能源类型的车辆数；在广义地图上采用Dijkstra算法实时规划汽车的出行计划；借助地图数据搭建城市交通的数字孪生体，根据从每个顶点出发前往其它顶点的不同能源类型的车辆数和实时出行计划在数字孪生体上模拟不同能源类型的汽车在各个路段的实时交通流；根据不同能源类型汽车的车流量，估计各个路段的碳排放量；结合路段的绿化情况和碳排放量，评价出行计划；若碳排放未达到预期目标，调整各个路段的绿化阻力系数，重新模拟；若碳排放已达到预期目标，将出行计划交付给各大导航软件公司执行。
本发明实施例提供的技术方案可以包括以下有益效果：
本发明，根据公交车历史客流和行车数据构建BP神经网络，能预测不同时间、天气状况下公交车在各个站点的上下车人数，并根据实时载客量预测公交车到达乘客所在站点时是否满载。若未满载，向乘客推送等待和搭乘时长；若将满载，则获取经过乘客目的地站点的其余线路的公交车，推荐乘客骑行到最近的站点搭乘公交车；根据路段的绿化程度计算绿化阻力系数，根据实时车流量建立元胞自动机模型模拟车辆通行，获取路段的通行时间，计算路段的阻塞指数，由此构建广义地图，采用Dijkstra算法求解最佳的行驶路线，在降低碳排放的同时，尽可能避免路段拥堵，提高出行效率。最后基于数字孪生仿真评价本方案提出的低碳出行计划，按照预期的碳排放目标调整模型。
附图说明
图1为本发明的一种基于数字孪生的城市低碳交通大数据检测方法的流程图。
图2为本发明的一种基于数字孪生的城市低碳交通大数据检测方法的示意图。
图3为本发明实施例提供的汽车行驶线路示意图。
图4为本发明实施例提供的新能源汽车的广义地图示意图。
图5为本发明实施例提供的燃油汽车的广义地图示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种基于数字孪生的城市低碳交通大数据检测方法流程图。如图1所示，本实施例一种基于数字孪生的城市低碳交通大数据检测方法具体可以包括：
步骤101，获取天气、公交车历史客流和行车数据并构建BP神经网络。
获取城市近1年的天气状况和公交车前后门摄像头的视频数据；获取公交车行驶路线上的路况信息；根据摄像头的视频数据统计公交车的行驶路线上每个站点的上下车人数和到达下一站点的用时；以时间信息、天气、站点的标识和路况信息作为输入层，站点对应的上车人数、下车人数和到达下一站点的用时作为输出层构建BP神经网络。路况信息包括：路段的长度、车道数、交通信号灯个数、两个站点之间的通过的所有路段中最少车道的路段的车道数量和长度。
获取天气、公交车历史客流、行车数据和路况信息。
获取城市近1年的天气状况；获取城市范围内所有路段的长度和车道数；获取公交车近1年的前后门摄像头的视频数据；获取公交车行驶路线上经过的所有站点，为每个站点设定一个唯一的标识；根据路段的长度、车道数和公交车的行驶路线，计算两个站点之间的行驶里程，记录两个站点之间的交通信号灯个数、通过的所有路段中最少车道的路段的车道数量和长度；根据公交车的行驶路线，统计两个站点之间经过的交通信号灯个数；根据前后门摄像头的视频数据统计在公交车的行驶路线上每个站点的上下车人数和到达下一站点的用时。天气状况一共14种，分别是阴、晴、晴转多云、雾、小雨、中雨、大雨、暴雨、雷阵雨、小雪、中雪、大雪、雨夹雪和冰雹；天气是影响客流量的关键因素，例如：暴雨、大雪等恶劣天气的出行人数会大幅减少，晴天的出行人数会有所增加。此外，当天是否为工作日、月份、星期和时间也会对客流造成不同程度的影响，例如：工作日人群主要前往工厂或写字楼，休息日人群主要前往景点或商业中心；1、2月春运期间出行的人数大幅增加，3月份春运后出行的人数大幅减少；周五、周日会有大批住校生回家和返校，客流量也会大幅增加；一天中的客流主要集中在上下班高峰期(上午7点到9点和下午5点到7点)。而影响公交车从一个站点到达下一个站点用时的主要因素是站点间的距离和路况，站点间距离越短，行驶的时间越短；站点间经过的交通信号灯越少，路段的车道数量越多，行驶的时间越短。
根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型。
根据日期获取对应的星期并判断当天是否为工作日；以日期、星期、是否为工作日、时间、天气状况、站点的标识、到达下一站点的行驶里程、前往下一站点途中经过的交通信号灯个数、前往下一站点途中经过的所有路段中最少车道的路段的车道数量和长度作为输入层，站点对应的上车人数、下车人数和到达下一站点的用时作为输出层构建BP神经网络；根据输入层和输出层的节点数计算隐藏层的神经元个数；选择正向传递的激活函数；根据平台的需求确定预测结果的精度和最大训练次数；将数据集70％的数据作为训练集，30％的数据作为测试集，训练BP神经网络。隐藏层神经元的个数计算可采用如下经验公式：
其中，N为每个隐藏层的节点数，Nx为输入层的节点数，Ny为输出层的节点数，Ns为样本的数量，c是一个常数，通常在1～9范围内选择。
；例如：本方案构建的神经网络模型的输入层共有10个节点，输出层有3个节点，假设数据集样本的数量为3650，常数c取为9，则隐藏层神经元的个数N＝3650/(9*(10+3))≈31；激活函数建议使用非线性变换函数——Sigmoid函数。
步骤102，统计公交车在每一站的上下车人数并预测站时是否满载。
获取公交车到达每一站点时从开门到关门这一段时间前后门摄像头的监控视频；根据前后门摄像头的监控视频，基于混合高斯背景模型统计公交车在每一站的上下车人数；根据BP神经网络预测公交车到站时是否满载。
基于混合高斯背景模型统计公交车在每一站的上下车人数。
对公交车前后门乘客上下车的各种姿态进行采样，建立乘客上下车样本库；截取公交车从开门到关门这一段时间前后门摄像头的监控视频；输入视频帧，对于每一帧视频图像，使用混合高斯背景建模的方法，结合形态学滤波，获得前景图像；根据乘客上下车的姿态，检测出每个视频帧里的乘客数目；根据前景图像提取乘客的特征和人群之间的遮挡程度，统计监控视频中的实际人数。通过计算前景图像中前景像素的数量，得到前景面积S1，并做归一化处理，得到归一化场景面积S2；对每一帧视频图像，以图像前景为模板，提取Harris角点信息和SURF特征点信息，分别计算每帧图像中这两种特征点的数量N1、N2，并通过单位面积中的有效特征点数量来表征乘客上下车时人群之间的遮挡程度，提取人群遮挡因子D1、D2；构建第一个BP网络模型，以归一化场景面积S2、人群遮挡因子D1、D2为输入向量，以场景中的统计人数为输出向量，训练BP网络完成回归模型T1的构建；提取乘客样本库的HOG特征，采用Adaboost级联分类器训练相应的乘客检测器T2；将待检测图片序列输入回归模型T1，初步得到人群数量的估计r1；利用乘客检测器T2检测出每个视频帧里的乘客数目r2；构建第二个BP神经网络T3作为组合分类器，将前两个基分类器的结果r1和r2作为组合分类器T2输入向量的一部分，并结合归一化前景面积和遮挡因子的特征，实现分类器融合时权重的自适应计算；获取组合分类器的输出结果，即为监控视频中的最终检测人数。关于本技术的原理及详细的实现方式，可以参考论文：李笑月.基于多视觉传感器的公交车乘客人数统计关键技术的研究【D】.吉林大学,2013.在此不再详细叙述。
根据BP神经网络预测公交车到站时是否满载。
获取当前天气状况；获取公交车的最大载客量；获取公交车当前位置和实时载客量；获取公交车途经的所有站点；将时间信息、天气状况、剩下的所有站点的标识和路况信息输入BP神经网络，根据输出结果预测每一站的上下车人数和到达剩余每个站点的时间。判断公交车到达乘客所在的站点时是否满载。若未满载，根据乘客所在站点和目的地站点，计算等待时长和搭乘时长并向乘客推送。实时载客量的计算公式为：实时载客量＝∑(上车人数)-∑(下车人数)，其中∑表示对起点站到最近经过的站点求和。乘客的等待时长即公交车从当前位置到乘客所在站点的行驶时间；乘客的搭乘时长即公交车从乘客所在站点到目的地站点的行驶时间。
步骤103，根据交通大数据推荐自行车与公交混合的绿色出行方案。
若预测出公交车到达乘客所在的站点时将满载，判断当前天气状况是否适合骑行；判断乘客所在站点是否有共享单车停放；若当前天气适合骑行且乘客所在站点有共享单车停放，获取其它经过乘客的目的地站点的公交车信息；对其它经过乘客的目的地站点的每一路公交，获取公交经过的所有站点，计算其中离乘客所在站点最近的站点的距离；筛选离乘客所在站点最近且距离<预设的阈值的站点，获取对应的公交车信息；根据BP神经网络预测公交车到达距离乘客所在站点时是否满载；若未满载，计算公交车到达距离乘客最近的站点的用时；根据距离和骑行的平均速度，计算骑行到距离乘客所在站点最近的站点的用时，判断是否小于公交车到达距离乘客最近的站点的用时；若骑行用时小于公交车到站用时，则向乘客推送骑行路线、骑行距离和公交车的搭乘时长；若预测出公交车到达乘客所在的站点时将满载，乘客所在站点没有共享单车停放、乘客附近站点没有可达的公交车或公交车到达乘客附近站点时也将满载，则向乘客推荐打车或驾车出行方案。暴雨、大雪等恶劣天气不适合骑行，遇到此类天气时系统不会推荐包含骑行的出行方案。主流的共享单车运营商有哈罗、美团和青桔，可通过运营商获取共享单车的分布状况从而判断乘客所在站点附近是否有共享单车停放；获取其它经过乘客的目的地站点的公交车信息时，应筛选目的地站点在乘客上车的站点之后，即乘客在上车时公交车还未经过目的地站点的公交车，避免给乘客推荐返程的车辆。自行车正常速度是五米每秒，骑行一公里的用时为3～4分钟，而公交一般都是10～15分钟一班车，因此建议筛选距离乘客2km范围内的站点。例如：某乘客搭乘的公交车10分钟后到达乘客所在站点，但经预测，公交车到达时将满载；与此同时，有一班可以抵达乘客目的地站点的公交车将在8分钟后到达距离该乘客所在站点1.5km的另外一个站点；目前天气晴朗，且附近有共享单车停放，则向乘客推荐自行车与公交混合的绿色出行方案；当乘客选择自行车与公交混合的出行方案时，推送骑行路线、骑行距离和公交车的搭乘时长。
步骤104，获取路段的绿化情况并计算绿化阻力系数。
获取路段和路段的绿化带的占地面积；计算绿化带的占地面积和路段的占地面积之比；根据绿化带的占地面积和路段的占地面积之比计算路段的绿化阻力系数。在规划车辆的行驶路线时，导航系统默认以行驶里程或行驶时间最短为目标向用户推荐行驶路线；若在此基础上，人为地在地图上增加绿化不达标的路段长度，减少绿化超标的路段长度，重新以最短路径为目标规划车辆的行驶路线，能一定程度上减少绿化不达标的路段的车流量，增加绿化超标的路段的车流量，让车辆尽可能地行驶在绿化程度高的路段上；新能源汽车行驶过程中的碳排放量可以忽略不计，因此在为新能源汽车规划出行路线时不应考虑道路绿化程度对车辆出行的限制，根据道路绿化程度修改地图上的路径长度主要针对燃油汽车；我国《城市道路绿化规划与设计规范》规定，城市干道绿化带面积不少于道路总用地面积的25％；参考《城市道路绿化规划与设计规范》的标准，将绿化阻力系数的计算公式定义为：路段绿化阻力系数＝0.25/x，其中x为绿化带的占地面积和路段的占地面积之比；绿化带的占地面积和路段的占地面积之比越小，路段绿化的程度越低，对应的绿化阻力系数越高。例如，某路段的绿化带的占地面积和路段的占地面积之比为10％，可以计算出对应的绿化阻力系数＝0.25/0.1＝2.5；因为该路段的绿化程度只达到了合格标准的40％，则在对燃油汽车规划行驶路线时，在地图上将该路段的长度增加为原来的2.5倍，再以最短路径为目标重新规划燃油汽车的行驶路线，以此限制燃油汽车在绿化不达标的路段的车流量。当某路段的绿化阻力系数<1，说明该路段的绿化超标，规划燃油汽车的行驶路线时可以在地图上减少该路段的长度以增加燃油汽车在该路段的车流量，缓解绿化不达标的路段的减碳压力。
步骤105，构建元胞自动机模型模拟交通流并计算路段的阻塞指数。
获取各个路段的地磁感应线圈的数据，计算车流量和平均车速；构建元胞自动机模型，模拟各个路段的交通流；根据元胞自动机模型模拟的交通流获取通过路段的用时，计算路段的阻塞指数。计算车流量和平均车速所需的各个路段地磁感应线圈的数据可从当地的交通运输部门获取。
通过各路段的地磁感应线圈计算车流量和平均车速。
调取各个路段的地磁感应线圈的数据；通过地磁感应线圈统计单位时间内通过路段的车辆数，计算车流量；根据两个地磁感应线圈的间距和车辆通过两个地磁感应线圈的时间，计算平均车速。车流量即单位时间内通过某路段的车辆数，车流量的计算公式：车流量＝通过车辆数/时间；车速的计算公式：车速＝两个地磁感应线圈的间距/通过两个地磁感应线圈的时间；获取3-5辆汽车的车速，求平均值，即得路段的平均车速。
根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时。
获取所有路段的长度和车道数；获取所有路段的限速和交通信号灯的时长；根据路段的车流量、平均车速、路段长度、车道数、限速和交通信号灯的时长，确定车辆的行进规则，构建元胞自动机模型；运行元胞自动机，记录元胞通过路段的用时。元胞自动机是一种时间、空间、状态都离散，空间相互作用和时间因果关系为局部的网格动力学模型，具有模拟复杂系统时空演化过程的能力。由于交通规则的限制，车辆行驶具有一定的规律性，因此可以根据车辆的行进规则构建元胞自动机模型模拟路段的交通流，将每辆车看成是独立的元胞来模拟可以较好地解决车流的随机性。车辆的行进规则包括：基本前进规则、换道规则、加速规则、减速规则。基本前进规则由车速确定；换道规则：当前方有车辆，司机会尝试换道，若处于中间车道，则向左和向右换的几率相等，若边缘车道，则换向中间车道；加速规则：当前方道路非常通畅，根据实际经验，司机倾向于加速，但峰值速度不会超过路段的限速；减速规则：当前方有车辆或信号灯变红时，司机会减速，司机常常也会因为非交通因素减速，但因非交通因素减速的可能性较小，对此可以设定司机因为非交通因素减速的概率为0.05。例如：模拟一段车流量为4辆/s，平均车速为36km/h，路段限速为40km/h，500m的单向双车道的交通流。城市内的汽车长度一般在4m左右，不会超过5m，因此可以设定2×100的网格，每个格子表示的长度为5m，恰好放置一辆车，可通过改变格子的颜色来模拟车流，当格子变为深色时，表示车辆经过；每个元胞代表一辆车(当元胞经过格子，格子变为深色)，根据车流量，每秒钟有4个元胞从各个车道进入网格，元胞进入的时刻和选择的车道可通过随机数来确定；根据平均车速可以计算出每经过0.2s，车辆前进5m，则深色的格子向前移动一个单位；一般在城市道路中跟车需要保持10到20米车距，因此当元胞所在位置的前4个单位格子为深色(表示前方有车辆)，且旁边前后4个单位格子范围内均为浅色(表示隔壁车道没有车辆)，元胞转移到旁边的格子(换道)；当元胞所在位置的前10个单位格子均为浅色(前方道路非常通畅)，则到达前方第2个格子时，元胞的速度加到40km/h；当元胞所在位置的前4个单位格子为深色(表示前方有车辆)，且旁边前后4个单位格子范围内存在深色格子(表示隔壁车道有车辆)，则元胞在到达前方第3个格子时速度变化到与前面的元胞一致(减速)；当信号灯变红时，元胞在到达前方第4个格子时速度减为0。追踪4个元胞，获取通过路段的用时，计算平均值，记录为通过路段的用时。
根据通过路段的用时计算路段的阻塞指数。
获取通过路段的用时；根据路段的限速、长度和通过路段的用时计算阻塞指数。路段阻塞指数的计算公式为：路段阻塞指数＝(通过路段的用时*路段限速)/路段长度。例如：路段的限速为40km/h，长度为500m，通过路段的用时为3min，则该路段的阻塞指数＝(3/60*40)/(500/1000)＝4；则在规划车辆的行驶路线时，认为汽车此时通过该路段的代价(时间)畅通时的2.625倍，以高效出行为总目标优化所有车辆的行驶路线，以此限制汽车在堵塞的路段的车流量。
步骤106，根据道路绿化情况和实时车流量推荐低碳且高效的出行计划。
根据绿化阻力系数和阻塞指数计算路段关于新能源汽车和燃油汽车的广义长度；根据路段的广义长度构建新能源汽车和燃油汽车的广义地图；根据广义地图，采用Dijkstra算法求解汽车的最佳行驶路线。若乘客出于各种原因未使用绿色出行方案，需要打车或驾车出行，则根据汽车的能源类型和道路的实时车流量和绿化情况推荐低碳且高效的出行计划。
根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图。
获取城市的地图；根据长度、绿化阻力系数和阻塞指数计算各个路段关于新能源汽车和燃油汽车的广义长度；根据路段的广义长度构建新能源汽车和燃油汽车的广义地图。路段的广义长度是采用路径规划算法规划车辆的行驶路线时使用的长度，并非路段的实际长度；新能源汽车行驶过程中的碳排放量可以忽略不计，因此新能源汽车的广义地图不考虑绿化阻力；路段关于新能源汽车的广义长度＝阻塞指数×路段长度；路段关于燃油汽车的广义长度＝绿化阻力系数×阻塞指数×路段长度。
根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线。
请参阅图2，获取汽车的能源类型；根据汽车的能源类型选择对应的广义地图；确定出发点，在广义地图上执行Dijkstra算法，求解出发点到地图上每个顶点的最短距离及对应的路径；获取出发点到目的地对应顶点的最短路径，推荐行驶路线。Dijkstra算法用来解决单源最短路径问题，即给定图G(V,E)和起点s，通过算法得到s到达其他每个顶点的最短路径；Dijkstra算法的基本思想是对图G(V,E)设置集合S，存放已被访问的顶点，然后每次从集合U＝V-S中选择与起点s的距离最小的一个顶点(记为u)，访问并加入集合S，之后，以顶点u为中间点，优化起点s与所有从u能到达的顶点之间的最短距离及对应的路径；这样的操作执行n次(n为顶点数)，直至集合S已包含所有顶点，即可得到s到达每个顶点的最短路径。由于本权利构造的广义地图综合考虑了路段的绿化情况和实时的车流量，并根据车辆的能源类型选择地图，由此求解的行驶路线不仅能降低碳排放，而且能有效避免路段拥堵，提高出行效率。例如：求解图3中点A到点D的行驶路线，
其中路段BC和BD的阻塞指数分别为2和5，其余路段的阻塞指数均为1，路段AB、AC和BD的绿化阻力系数分别为0.8、2.5和1.2，其余路段的绿化阻力系数均为1；
根据路段的阻塞指数，构建出新能源汽车的广义地图图4。
根据新能源汽车的广义地图执行Dijkstra算法。
第一步：在集合S中，选入A，此时S＝{A}，最短路径：A→A＝0，以A为中间点，从A开始找；在集合U中，U＝{B，C，D}，A→B＝600，A→C＝300，A→其它U中的顶点＝∞，发现A→C＝300距离最短；第二步：在集合S中，选入C，此时S＝{A，C}，最短路径：A→A＝0，A→C＝300，以C为中间点，从A→C＝300这条最短路径开始找；在集合U中，U＝{B，D}，A→C→B＝500(比上面第一步的A→B＝6要短)，此时到B的距离为A→C→B＝500，A→C→D＝600，发现A→C→B＝500距离最短；第三步：在集合S中，选入B，此时S＝{A，C，B}，此时最短路径：A→A＝0，A→C＝300，A→C→B＝500，以B为中间点，从A→C→B＝500这条最短路径开始找；在集合U中，U＝{D}，A→C→B→D＝1000(比上面第一步的A→C→D＝600要长)，此时到D的距离更改为A→C→D＝600；此时查找完毕，得到新能源汽车从点A到点D的行驶路线：A→C→D＝600。根据路段的绿化阻力系数和阻塞指数，构建出燃油汽车的广义地图图5；
按照同样的步骤对燃油汽车的广义地图执行Dijkstra算法，
得到燃油汽车从点A到点D的行驶路线：A→B→C→D＝980。
步骤107，基于数字孪生技术评价低碳出行计划。
获取城市各个路段的监控视频数据；通过监控视频统计当天经过路段的车牌信息；根据每辆车经过各路段的时间顺序，判断车辆的出发点和目的地；根据车牌颜色，判断车辆的能源类型；对于地图上的所有顶点，根据车辆的出发点、目的地和能源类型统计不同时间从每个顶点出发前往其它顶点的不同能源类型的车辆数；在广义地图上采用Dijkstra算法实时规划汽车的出行计划；借助地图数据搭建城市交通的数字孪生体，根据从每个顶点出发前往其它顶点的不同能源类型的车辆数和实时出行计划在数字孪生体上模拟不同能源类型的汽车在各个路段的实时交通流；根据不同能源类型汽车的车流量，估计各个路段的碳排放量；结合路段的绿化情况和碳排放量，评价出行计划；若碳排放未达到预期目标，调整各个路段的绿化阻力系数，重新模拟；若碳排放已达到预期目标，将出行计划交付给各大导航软件公司执行。搭建城市交通的数字孪生体主要借助高德或百度地图的高精度地图数据，对城市的主体要素如楼宇、道路和静态元素如树木绿化、公交站台、交通标记、交通标线进行三维重建；车辆在数字孪生体上按照构建元胞自动机模型时确定的行进规则运行；例如：通过数字孪生技术模拟出一段500m的双向四车道路段在一小时内有50辆燃油汽车通过；一辆普通燃油车每公里行驶里程平均碳排放量为250g，则在此时间内该路段的碳排放量约为250/2*50＝6250g。若该路段的绿化阻力系数为2.5，则绿化带的占地面积和路段的占地面积之比为0.25/2.5＝10％；双向四车道路段的标准宽度是2*7.5m,因此该路段的占地面积为500*2*7.5＝7500m2,绿化带的占地面积为7500*10％＝750m2；假设每平米绿化带平均每小时吸收8g碳排放量，则该路段的绿化带平均每小时吸收8*750＝6000g碳排放量，认为已达到预期目标；对于碳排放量过高的路段，应当增大路段的绿化阻力系数；减小碳排放量低的路段的绿化阻力系数，缓解其余路段的车流压力，提高出行的效率。
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (8)

1.一种基于数字孪生的城市低碳交通大数据检测方法，其特征在于，所述方法包括：
获取天气、公交车历史客流和行车数据并构建BP神经网络，所述获取天气、公交车历史客流和行车数据并构建BP神经网络，具体包括：获取天气、公交车历史客流、行车数据和路况信息，根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型；统计公交车在每一站的上下车人数并预测站时是否满载，所述统计公交车在每一站的上下车人数并预测站时是否满载，具体包括：基于混合高斯背景模型统计公交车在每一站的上下车人数，根据BP神经网络预测公交车到站时是否满载；根据交通大数据推荐自行车与公交混合的绿色出行方案；获取路段的绿化情况并计算绿化阻力系数；构建元胞自动机模型模拟交通流并计算路段的阻塞指数，所述构建元胞自动机模型模拟交通流并计算路段的阻塞指数，具体包括：通过各路段的地磁感应线圈计算车流量和平均车速，根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时，根据通过路段的用时计算路段的阻塞指数；根据道路绿化情况和实时车流量推荐低碳且高效的出行计划，所述根据道路绿化情况和实时车流量推荐低碳且高效的出行计划，具体包括：根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图，根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线；基于数字孪生技术评价低碳出行计划。
2.根据权利要求1所述的方法，其中，所述获取天气、公交车历史客流和行车数据并构建BP神经网络，包括:
获取城市近1年的天气状况和公交车前后门摄像头的视频数据；获取公交车行驶路线上的路况信息；根据摄像头的视频数据统计公交车的行驶路线上每个站点的上下车人数和到达下一站点的用时；以时间信息、天气、站点的标识和路况信息作为输入层，站点对应的上车人数、下车人数和到达下一站点的用时作为输出层构建BP神经网络；包括：获取天气、公交车历史客流、行车数据和路况信息；根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型；
所述获取天气、公交车历史客流、行车数据和路况信息，具体包括:
获取城市近1年的天气状况；获取城市范围内所有路段的长度和车道数；获取公交车近1年的前后门摄像头的视频数据；获取公交车行驶路线上经过的所有站点，为每个站点设定一个唯一的标识；根据路段的长度、车道数和公交车的行驶路线，计算两个站点之间的行驶里程，记录两个站点之间的交通信号灯个数、通过的所有路段中最少车道的路段的车道数量和长度；根据公交车的行驶路线，统计两个站点之间经过的交通信号灯个数；根据前后门摄像头的视频数据统计在公交车的行驶路线上每个站点的上下车人数和到达下一站点的用时；
所述根据时间信息、天气、历史客流、行车数据和路况信息构建BP神经网络模型，具体包括:
根据日期获取对应的星期并判断当天是否为工作日；以日期、星期、是否为工作日、时间、天气状况、站点的标识、到达下一站点的行驶里程、前往下一站点途中经过的交通信号灯个数、前往下一站点途中经过的所有路段中最少车道的路段的车道数量和长度作为输入层，站点对应的上车人数、下车人数和到达下一站点的用时作为输出层构建BP神经网络；根据输入层和输出层的节点数计算隐藏层的神经元个数；选择正向传递的激活函数；根据平台的需求确定预测结果的精度和最大训练次数；将数据集70％的数据作为训练集，30％的数据作为测试集，训练BP神经网络。
3.根据权利要求1所述的方法，其中，所述统计公交车在每一站的上下车人数并预测站时是否满载，包括:
获取公交车到达每一站点时从开门到关门这一段时间前后门摄像头的监控视频；根据前后门摄像头的监控视频，基于混合高斯背景模型统计公交车在每一站的上下车人数；根据BP神经网络预测公交车到站时是否满载；包括：基于混合高斯背景模型统计公交车在每一站的上下车人数；根据BP神经网络预测公交车到站时是否满载；
所述基于混合高斯背景模型统计公交车在每一站的上下车人数，具体包括:
对公交车前后门乘客上下车的各种姿态进行采样，建立乘客上下车样本库；截取公交车从开门到关门这一段时间前后门摄像头的监控视频；输入视频帧，对于每一帧视频图像，使用混合高斯背景建模的方法，结合形态学滤波，获得前景图像；根据乘客上下车的姿态，检测出每个视频帧里的乘客数目；根据前景图像提取乘客的特征和人群之间的遮挡程度，统计监控视频中的实际人数；
所述根据BP神经网络预测公交车到站时是否满载，具体包括:
获取当前天气状况；获取公交车的最大载客量；获取公交车当前位置和实时载客量；获取公交车途经的所有站点；将时间信息、天气状况、剩下的所有站点的标识和路况信息输入BP神经网络，根据输出结果预测每一站的上下车人数和到达剩余每个站点的时间；判断公交车到达乘客所在的站点时是否满载；若未满载，根据乘客所在站点和目的地站点，计算等待时长和搭乘时长并向乘客推送。
4.根据权利要求1所述的方法，其中，所述根据交通大数据推荐自行车与公交混合的绿色出行方案，包括:
若预测出公交车到达乘客所在的站点时将满载，判断当前天气状况是否适合骑行；判断乘客所在站点是否有共享单车停放；若当前天气适合骑行且乘客所在站点有共享单车停放，获取其它经过乘客的目的地站点的公交车信息；对其它经过乘客的目的地站点的每一路公交，获取公交经过的所有站点，计算其中离乘客所在站点最近的站点的距离；筛选离乘客所在站点最近且距离<预设的阈值的站点，获取对应的公交车信息；根据BP神经网络预测公交车到达距离乘客所在站点时是否满载；若未满载，计算公交车到达距离乘客最近的站点的用时；根据距离和骑行的平均速度，计算骑行到距离乘客所在站点最近的站点的用时，判断是否小于公交车到达距离乘客最近的站点的用时；若骑行用时小于公交车到站用时，则向乘客推送骑行路线、骑行距离和公交车的搭乘时长；若预测出公交车到达乘客所在的站点时将满载，乘客所在站点没有共享单车停放、乘客附近站点没有可达的公交车或公交车到达乘客附近站点时也将满载，则向乘客推荐打车或驾车出行方案。
5.根据权利要求1所述的方法，其中，所述获取路段的绿化情况并计算绿化阻力系数，包括:
获取路段和路段的绿化带的占地面积；计算绿化带的占地面积和路段的占地面积之比；根据绿化带的占地面积和路段的占地面积之比计算路段的绿化阻力系数。
6.根据权利要求1所述的方法，其中，所述构建元胞自动机模型模拟交通流并计算路段的阻塞指数，包括:
获取各个路段的地磁感应线圈的数据，计算车流量和平均车速；构建元胞自动机模型，模拟各个路段的交通流；根据元胞自动机模型模拟的交通流获取通过路段的用时，计算路段的阻塞指数；包括：通过各路段的地磁感应线圈计算车流量和平均车速；根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时；根据通过路段的用时计算路段的阻塞指数；
所述通过各路段的地磁感应线圈计算车流量和平均车速，具体包括:
调取各个路段的地磁感应线圈的数据；通过地磁感应线圈统计单位时间内通过路段的车辆数，计算车流量；根据两个地磁感应线圈的间距和车辆通过两个地磁感应线圈的时间，计算平均车速；
所述根据车流量和平均车速构建元胞自动机模型模拟通过路段的用时，具体包括:
获取所有路段的长度和车道数；获取所有路段的限速和交通信号灯的时长；根据路段的车流量、平均车速、路段长度、车道数、限速和交通信号灯的时长，确定车辆的行进规则，构建元胞自动机模型；运行元胞自动机，记录元胞通过路段的用时；
所述根据通过路段的用时计算路段的阻塞指数，具体包括:
获取通过路段的用时；根据路段的限速、长度和通过路段的用时计算阻塞指数。
7.根据权利要求1所述的方法，其中，所述根据道路绿化情况和实时车流量推荐低碳且高效的出行计划，包括:
根据绿化阻力系数和阻塞指数计算路段关于新能源汽车和燃油汽车的广义长度；根据路段的广义长度构建新能源汽车和燃油汽车的广义地图；根据广义地图，采用Dijkstra算法求解汽车的最佳行驶路线；包括：根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图；根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线；
所述根据道路绿化阻力系数和阻塞指数构建属于不同能源类型汽车的广义地图，具体包括:
获取城市的地图；根据长度、绿化阻力系数和阻塞指数计算各个路段关于新能源汽车和燃油汽车的广义长度；根据路段的广义长度构建新能源汽车和燃油汽车的广义地图；
所述根据汽车的能源类型采用Dijkstra算法求解低碳且高效的行驶路线，具体包括:
获取汽车的能源类型；根据汽车的能源类型选择对应的广义地图；确定出发点，在广义地图上执行Dijkstra算法，求解出发点到地图上每个顶点的最短距离及对应的路径；获取出发点到目的地对应顶点的最短路径，推荐行驶路线。
8.根据权利要求1所述的方法，其中，所述基于数字孪生技术评价低碳出行计划，包括:
获取城市各个路段的监控视频数据；通过监控视频统计当天经过路段的车牌信息；根据每辆车经过各路段的时间顺序，判断车辆的出发点和目的地；根据车牌颜色，判断车辆的能源类型；对于地图上的所有顶点，根据车辆的出发点、目的地和能源类型统计不同时间从每个顶点出发前往其它顶点的不同能源类型的车辆数；在广义地图上采用Dijkstra算法实时规划汽车的出行计划；借助地图数据搭建城市交通的数字孪生体，根据从每个顶点出发前往其它顶点的不同能源类型的车辆数和实时出行计划在数字孪生体上模拟不同能源类型的汽车在各个路段的实时交通流；根据不同能源类型汽车的车流量，估计各个路段的碳排放量；结合路段的绿化情况和碳排放量，评价出行计划；若碳排放未达到预期目标，调整各个路段的绿化阻力系数，重新模拟；若碳排放已达到预期目标，将出行计划交付给各大导航软件公司执行。
CN202211343478.5A 2022-10-31 2022-10-31 一种基于数字孪生的城市低碳交通大数据检测方法 Pending CN116798218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211343478.5A CN116798218A (zh) 2022-10-31 2022-10-31 一种基于数字孪生的城市低碳交通大数据检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211343478.5A CN116798218A (zh) 2022-10-31 2022-10-31 一种基于数字孪生的城市低碳交通大数据检测方法

Publications (1)

Publication Number Publication Date
CN116798218A true CN116798218A (zh) 2023-09-22

Family

ID=88044942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211343478.5A Pending CN116798218A (zh) 2022-10-31 2022-10-31 一种基于数字孪生的城市低碳交通大数据检测方法

Country Status (1)

Country Link
CN (1) CN116798218A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173894A (zh) * 2023-11-02 2023-12-05 深圳市城市交通规划设计研究中心股份有限公司 基于天气因素影响的高速公路节假日出行交通量预测方法
CN117172138A (zh) * 2023-11-02 2023-12-05 湖北省长投智慧停车有限公司 一种基于深度学习的城市交通碳排放预测方法及装置
CN117390378A (zh) * 2023-12-07 2024-01-12 北京中创慧谷数据科技有限公司 一种双碳平台数据智能管理方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173894A (zh) * 2023-11-02 2023-12-05 深圳市城市交通规划设计研究中心股份有限公司 基于天气因素影响的高速公路节假日出行交通量预测方法
CN117172138A (zh) * 2023-11-02 2023-12-05 湖北省长投智慧停车有限公司 一种基于深度学习的城市交通碳排放预测方法及装置
CN117172138B (zh) * 2023-11-02 2024-02-02 湖北省长投智慧停车有限公司 一种基于深度学习的城市交通碳排放预测方法及装置
CN117173894B (zh) * 2023-11-02 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 基于天气因素影响的高速公路节假日出行交通量预测方法
CN117390378A (zh) * 2023-12-07 2024-01-12 北京中创慧谷数据科技有限公司 一种双碳平台数据智能管理方法及系统
CN117390378B (zh) * 2023-12-07 2024-02-27 北京中创慧谷数据科技有限公司 一种双碳平台数据智能管理方法及系统

Similar Documents

Publication Publication Date Title
Mounce et al. On the potential for one-way electric vehicle car-sharing in future mobility systems
CN116798218A (zh) 一种基于数字孪生的城市低碳交通大数据检测方法
Iwan et al. Analysis of the environmental impacts of unloading bays based on cellular automata simulation
Amirgholy et al. Optimal design of sustainable transit systems in congested urban networks: A macroscopic approach
CN107919014B (zh) 面向多载客里程的出租车运行线路优化方法
CN104778834B (zh) 一种基于车辆gps数据的城市道路交通拥堵判别方法
CN108776852A (zh) 无桩车辆调度方法和系统
CN109034566B (zh) 一种基于公交站点上下客流的智能调度方法及装置
CN108133613A (zh) 一种实时发布路内停车服务指数方法及系统
Tang et al. A mixed path size logit-based taxi customer-search model considering spatio-temporal factors in route choice
CN107490384B (zh) 一种基于城市路网的最优静态路径选择方法
CN104200649A (zh) 基于预先申请的交通高峰期路线资源调度分配系统与方法
CN114418606B (zh) 基于时空卷积网络的网约车订单需求预测方法
CN107274665A (zh) 巴士运力资源规划方法及系统
CN110264706A (zh) 一种基于大数据挖掘的空载出租车辅助系统
CN113435777B (zh) 一种电动运营车辆充电站规划方法及系统
KR20210069954A (ko) 빅데이터를 활용한 인공지능 기반 통합 교통 신호 제어 시스템 및 방법
Bachechi et al. Implementing an urban dynamic traffic model
Miao et al. Highly Automated Electric Vehicle (HAEV)-based mobility-on-demand system modeling and optimization framework in restricted geographical areas
Sundaresan et al. Artificial intelligence and machine learning approaches for smart transportation in smart cities using blockchain architecture
Xiao et al. Exploring human mobility patterns and travel behavior: A focus on private cars
Dogaroglu et al. Investigation of car park preference by intelligent system guidance
CN109447352B (zh) 一种公交出行od矩阵反推的组合方法
CN112767686A (zh) 一种基于多源数据融合的公路网汽车排放估算方法
Sánchez et al. Simulation study on the fleet performance of shared autonomous bicycles

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