CN116824860A - 一种城市智能交通的可视化显示方法、装置、设备及介质 - Google Patents
一种城市智能交通的可视化显示方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116824860A CN116824860A CN202311056948.4A CN202311056948A CN116824860A CN 116824860 A CN116824860 A CN 116824860A CN 202311056948 A CN202311056948 A CN 202311056948A CN 116824860 A CN116824860 A CN 116824860A
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- road
- condition data
- road condition
- 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 44
- 230000000007 visual effect Effects 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及智慧交通技术领域,尤其涉及一种城市智能交通的可视化显示方法、装置、设备及介质,该方法包括:基于卫星定位或者巡逻车采集常规路段的第一路况数据;在新建路段设置采集设备,以采集新建路段的第二路况数据;将第一、第二路况数据采用消息队列方式异步数据,存入数据库备份;对城市路段的预设区域构建网格模型;基于第一、第二路况数据和网格模型,确定每个网格的交通拥堵情况;基于每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;将预测结果进行可视化显示,根据当前的道路拥堵情况,对未来时间段内的拥堵情况预测,为用户提供充足的时间有效避免交通拥堵情况,为用户提供更优的交通线路。
Description
技术领域
本发明涉及智慧交通技术领域,尤其涉及一种城市智能交通的可视化显示方法、装置、设备及介质。
背景技术
随着城市化进程的加速,现代交通问题愈发严峻,交通问题影响人们的日常生活、生产、环境等多方面,成为制约城市可持续发展的瓶颈之一,在交通管控和应急处置能力方面,智能化管控和处置手段覆盖率较低,进而容易造成人力成本提高;在交通拥堵方面,城市高峰期、道路交通常常处于滞塞状态,成为影响大城市居民出行的首要问题;在道路安全问题方面;交通事故数量呈上升趋势,且没有有效控制手段,这些交通问题对经济发展造成了巨大的损失。
因此,如何有效避免交通拥堵所带来的困扰是目前亟待解决的技术问题。
发明内容
鉴于上述问题,本发明提供了一种克服上述问题或者至少部分地解决上述问题的城市智能交通的可视化显示方法、装置、设备及介质。
第一方面,本发明提供了一种城市智能交通的可视化显示方法,包括:
基于卫星定位或者巡逻车采集常规路段的第一路况数据;
在新建路段设置采集设备,以采集新建路段的第二路况数据;
将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并存入数据库备份;
对城市路段的预设区域构建网格模型,所述网格模型包括各个网格的编号以及坐标;
基于所述第一路况数据、第二路况数据和所述网格模型,确定每个网格的交通拥堵情况;
基于每个所述网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;
将所述预测结果进行可视化显示。
进一步地,所述将所述第一路况数据和所述第二路况数据采消息队列方式异步数据,并存入数据库备份,包括:
将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并将所述第一路况数据和所述第二路况数据经过分析并转换为明文数据;
将所述明文数据备份,其中,一份明文数据存储在数据库中,另一份明文数据实时传输至可视化页面进行展示,所述数据库采用热备的方式搭建。
进一步地,所述对城市路段的预设区域构建网格模型,所述网格模型包括各个网格的编号以及坐标,包括:
基于城市路段的预设区域的道路属性,确定网格的尺寸,以使得每个网格包含预设数量的道路,以构建网格模型;
对网格模型中的每个网格标注编号以及坐标。
进一步地,所述基于所述第一路况数据、第二路况数据和所述网格模型,确定网格的交通拥堵情况,包括:
基于所述第一路况数据、所述第二路况数据,确定每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度;
基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况。
进一步地,所述基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况,包括:
基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,按照如下公式,确定每个网格的交通拥堵情况:,其中,为交通拥堵情况,/>为每个网格在预设时间内车辆轨迹的平均运行速度,,/>为在预设时间内车辆轨迹速度的任一数据,/>为每个网格内车辆轨迹的自由流平均速度,/>为预先设置数据,i为网格的编号,j为数据序号,s为预设时间内的车辆轨迹速度的总数据量,m为网格数量。
进一步地,所述基于所述每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果,包括:
基于所述每个网格的交通拥堵情况,采用聚类方法对所有网格进行聚类,得到M个聚类结果;
基于M个聚类结果,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果。
进一步地,基于M个聚类结果,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果,包括:
采用K近邻算法对M个聚类结果进行训练,得到预测模型;
将当前时间的交通拥堵情况输入所述预测模型,得到对未来预设时间段内的交通拥堵情况进行预测的预测结果。
第二方面,本发明还提供了一种城市智能交通的可视化显示装置,包括:
第一采集模块,用于基于卫星定位或者巡逻车采集常规路段的第一路况数据;
第二采集模块,用于基于新建路段设置采集设备,采集新建路段的第二路况数据;
备份模块,用于将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并存入数据库备份;
构建模块,用于构建网格模型,所述网格模型包括各个网格的编号以及坐标;
确定模块,用于基于所述第一路况数据、第二路况数据和所述网格模型,确定每个网格的交通拥堵情况;
预测模块,用于基于所述每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;
显示模块,用于将所述预测结果进行可视化显示。
第三方面,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面中所述的方法。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面中所述的方法。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供了一种城市智能交通的可视化显示方法,包括:基于卫星定位或者巡逻车采集常规路段的第一路况数据;在新建路段设置采集设备,以采集新建路段的第二路况数据;将第一路况数据和第二路况数据采用消息队列方式异步数据,并存入数据库备份;对城市路段的预设区域构建网格模型,该网格模型包括各个网格的编号以及坐标;基于第一路况数据、第二路况数据和网格模型,确定每个网格的交通拥堵情况;基于每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;将预测结果进行可视化显示,进而能够根据当前的道路拥堵情况,对未来时间段内的拥堵情况预测,以为用户提供充足的时间有效避免交通拥堵情况,避免交通事故等多发情况的发生,以为用户提供更优的交通线路。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考图形表示相同的部件。在附图中:
图1示出了本发明实施例中城市智能交通的可视化显示方法的步骤流程示意图;
图2示出了本发明实施例中对第一路况数据和第二路况数据进行处理的示意图;
图3示出了本发明实施例中对预设区域构建的网格模型的示意图;
图4示出了本发明实施例中城市智能交通的可视化显示装置的结构示意图;
图5示出了本发明实施例中实现城市智能交通的可视化显示方法的计算机设备的结构示意图。
附图标记:401-第一采集模块,402-第二采集模块,403-备份模块,404-构建模块,405-确定模块,406-预测模块,407-显示模块;
501-接收器,502-处理器,503-发送器,504-存储器,506-总线接口,500-总线。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例1
本发明的实施例提供了一种城市智能交通的可视化显示方法,如图1所示,包括:
S101,基于卫星定位或者巡逻车采集常规路段的第一路况数据;
S102,在新建路段设置采集设备,以采集新建路段的第二路况数据;
S103,将第一路况数据和第二路况数据采用消息队列方式异步数据,并存入数据库备份;
S104,对城市路段的预设区域构建网格模型,该网格模型包括各个网格的编号以及坐标;
S105,基于第一路况数据、第二路况数据和网格模型,确定每个网格的交通拥堵情况;
S106,基于每个网格交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;
S107,将预测结果进行可视化显示。
该城市智能交通的可视化显示方法应用于城市智能交通集成可视化系统中,该系统包括有感知层、服务层以及应用层。
其中,感知层包括两种,一种是卫星定位的感知或者巡逻车巡逻的感知,另一种是新建路段设置采集设备,该采集设备具体为高清摄像头、监控器、诱导屏、流量检测器等。这两种互补,能够采集所有路段的路况信息。
因此,S101和S102中,常规路段,基于卫星定位或者巡逻车采集常规路段的第一路况数据,借助卫星定位和巡逻车可以有效节约成本。在新建路段,由于该路段是新建设路段,还没有车辆或者巡逻车巡逻,因此可以基于采集设备,即在这些路段上设置高清摄像头、监控器、诱导屏流量检测器等等,能够快速采集到新建路段的第二路况数据。
第一路况数据和第二路况数据虽然采集方式不同,但是,数据类型大体相同,包括过车、车流量、互联网路况等数据。还可以实时分析城市道路过车和通行能力、实时道路拥堵情况,高发拥堵地点分析,拥堵时段分析。为后续交通拥堵指数的计算做准备。
其中,过车、在途车辆的分析中,基于大数据分析,能够对卡口的实时过车数据进行分析(前提是获取电警卡口实时过车数据对接方式)展示各类车辆数量与占比,在途车辆数、在途车辆类型、进出城车流量等。
根据这些数据,可以计算出车流密度,即单位长度的路段上,一个(或者多个)车道上某一瞬间存在的车辆数量,其单位为辆/km。或者容车数等。
接下来,S103,将第一路况数据和第二路况数据采用消息队列方式异步数据,并存入数据库备份。
具体地,如图2所示,将第一路况数据和第二路况数据经过分析并转换为明文数据;
将该明文数据备份,其中,一份明文数据存储在数据库中,另一份明文数据实时传输至可视化页面进行展示,数据库采用热备的方式搭建。
上述是将硬件设备数据(第一路况数据和第二路况数据)依次上传,在传输过程中需要保证平台不崩溃,具体是在平台设置消息队列,消息队列将存储的数据分条消费,以此减小平台接收数据的压力以及避免造成数据丢失。
将该第一路况数据和第二路况数据经过分析转换为明文数据,存入数据库备份,具体是通过websockt或者Netty通信框架传输,数据库作为备份数据,当可视化页面因为网络或者其他问题无法实时刷新展示时,立即调用数据库备用数据进行刷新展示。
因此,采用备份的方式确保系统的稳定性。
这些数据可以在可视化页面进行展示,具体可以通过前端的GIS地图进行展示。
接下来,为了避免交通拥堵情况,可以采用预测的方式,对未来一段时间内的交通拥堵情况进行预测,进而展示给用户,及时避免拥堵。
S104,对城市路段的预设区域构建网格模型,网格模型包括各个网格的编号以及坐标。具体地,将城市路段的平面地图切分为规则的矩形区域,形成网格模型,如图3所示。该网格模型可以大大简化车辆运行轨迹的过程,从而提高计算效率。
其中,在形成网格模型时,基于城市路段的预设区域的道路属性,确定网格的尺寸,以使得每个网格包含预设数量的道路,以构建网格模型。对网格模型中的每个网格标注编号以及坐标。
道路属性具体包括主干路、次干路,或者支路等等,对于一个网格来说,不宜包含太多道路信息,以免混淆。若将网格划分过小,对于一定的采样率下车辆运行数据会出现连续轨迹的偏移和跳跃问题,在预设时间段内采集到的数据会严重不足。因此,根据实际情况确定网格的尺寸大小。最后将每个网格的中心位置的坐标进行标注,编号可以按照预设规律来定义。
在确定网格模型之后,执行S105,基于第一路况数据、第二路况数据和网格模型,确定网格的交通拥堵情况。
具体地,基于第一路况数据、第二路况数据,确定每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度;
基于每个网格内车辆轨迹的自有流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况。
其中,基于每个网格内车辆轨迹的自有流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况,包括:,其中,为交通拥堵情况,/>为每个网格在预设时间内车辆轨迹的平均运行速度,,其中,/>为在预设时间内车辆轨迹速度的任一数据,/>为每个网格内车辆轨迹的自由流平均速度,/>为预先设置数据,i为网格的编号,j为数据序号,s为预设时间内的车辆轨迹速度的总数据量,m为网格数量。
为了确定每个网格的交通拥堵情况,需要了解如下变量:
将编号为i的网格定义为:;
任意车辆轨迹的数据记录为:p;
任意车辆轨迹的记录时刻定义为:t;
任意车辆轨迹的车辆速度定义为:v;
任意网格r_i内经过的车辆形成的轨迹记为:;
所有网格集合:;
所有时间切片集合:;
任意网格在时间/>内经过的所有车辆形成的轨迹记为轨迹速度数据集合/>;,s表示预设时间内的车辆轨迹速度的总数据量。
由此,得到任意网格在时间切片/>内平均运行速度为:/>
任意网格的所有车辆轨迹的自由流平均速度定义为,这里是选择网格中所有车辆轨迹数据的速度分布的95%分位对应的数值作为自由流速度。
将每个时间切片内网格的所有车辆轨迹的自由流平均速度与平均运行速度的比值进行叠加作为网格的交通拥堵情况。在该交通拥堵情况较大时,说明该网格内存在多个时间切片平均运行速度低于自由流速度,该网格的拥堵状况较严重;在该交通拥堵情况/>靠近阈值时,说明每个事件切片内的车辆平均运行速度与自由流速度较为接近,即对应的网格内交通运行处于畅通状态。
为了计算方便,可以将所有交通拥堵情况的值进行标准化,即从中选取最大值c(max),最小值c(min)。接着按照如下公式进行计算,得到每个网格的标准化的交通拥堵情况:
为标准化的交通拥堵情况。
接下来,执行S106,基于每个网格交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果。
具体地,基于每个网格的交通拥堵情况,采用聚类方法对所有网格进行聚类,得到M个聚类结果;
基于M个聚类结果,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果。
其中,根据交通拥堵情况,先得到M个初始聚类中心,将最接近M个聚类中心的交通拥堵情况进行归类,每聚类一次,对该聚类中心进行更新,通过不断迭代,最终得到最好的M个聚类结果。
接下来,确定预测模型。
具体地,基于K近邻算法(KNN算法)对M个聚类结果进行训练,得到预测模型;
将当前时间的交通拥堵情况输入预测模型,得到对未来预设时间段内的交通拥堵情况进行预测的预测结果。
在实际情况中,由于道路行程时间的变化往往会随着时间延长,道路的变化状态不再与当前的状态和上下游的状态有较大的联系,例如,在当前路段发生较为严重的交通事故时,会造成当前事故路段与上下游路段发生拥堵,而随着时间的推移,事故得到清理,路段的通行能力得到恢复,则经过该路段的平均行程时间会逐步向历史平均行程时间靠拢,即当以节点对的未来长时间的行程时间预测为目的时,更倾向于通过非参数回归的方式,因此,本发明中采用邻近算法KNN(K-Nearest-Neighbors),即K近邻算法,直接计算过程中是指要预测的数据可以通过最为临近的K个数据进行表征,在实际生活中是指一个物体往往与跟他处于同一类型的物体较为接近。
该KNN算法的前提是将样本(M个聚类结果)进行学习训练,从而将样本中的数据分为合适的几类,这里样本已经通过聚类划分为M个聚类结果,这是初始分类,由于划分在同一类的数据很难再找到明确的属性进行进一步区分,因此,将算法中的几个训练样本均作为独立的类进行判断,该KNN算法中的K值实际上对应了与预测目标最为接近的节点对行程时间的数量,因此不对最终提取出的K个样本进行类别判断,而是直接将K个样本时间切片对应的行程时间的均值作为最终的预测结果。
最后,在得到预测结果之后,S107,将预测结果进行可视化显示。用户能够根据显示的内容,确定出自己在未来预设时间内经过的路段是否会有拥堵发生,能够根据该预测结果,及时避开拥堵;或者及时确定出未来的不拥堵路段,选择最优线路。
本发明实施例中的一个或多个技术方案,至少具有如下技术效果或优点:
本发明提供了一种城市智能交通的可视化显示方法,包括:基于卫星定位或者巡逻车采集常规路段的第一路况数据;在新建路段设置采样设备,以采集新建路段的第二路况数据;将第一路况数据和第二路况数据采用消息队列方式异步数据,并存入数据库备份;对城市路段的预设区域构建网格模型,该网格模型包括各个网格的编号及坐标;基于第一路况数据、第二路况数据和网格模型,确定每个网格的交通拥堵情况;基于每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;将预测结果进行可视化显示,进而能够根据当前的道路拥堵情况,对未来时间段内的拥堵情况预测,以为用户提供充足的时间有效避免交通拥堵情况,避免交通事故等多发情况的发生,以为用户提供更优的交通线路。
实施例二
基于相同的发明构思,本发明实施例还提供了一种城市智能交通的可视化显示装置,如图4所示,包括:
第一采集模块401,用于基于卫星定位或者巡逻车采集常规路段的第一路况数据;
第二采集模块402,用于基于新建路段设置采集设备,采集新建路段的第二路况数据;
备份模块403,用于将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并存入数据库备份;
构建模块404,用于对城市路段的预设区域构建网格模型,所述网格模型包括各个网格的编号以及坐标;
确定模块405,用于基于所述第一路况数据、第二路况数据和所述网格模型,确定每个网格的交通拥堵情况;
预测模块406,用于基于所述每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;
显示模块407,用于将所述预测结果进行可视化显示。
在一种可选的实施方式中,备份模块403,用于:
将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并将所述第一路况数据和所述第二路况数据经过分析并转换为明文数据;
将所述明文数据备份,其中,一份明文数据存储在数据库中,另一份明文数据实时传输至可视化页面进行展示,所述数据库采用热备的方式搭建。
在一种可选的实施方式中,构建模块404,用于:
基于城市路段的预设区域的道路属性,确定网格的尺寸,以使得每个网格包含预设数量的道路,以构建网格模型;
对网格模型中的每个网格标注编号以及坐标。
在一种可选的实施方式中,预测模块406,包括:
第一确定单元,用于基于所述第一路况数据、所述第二路况数据,确定每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度;
第二确定单元,用于基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况。
在一种可选的实施方式中,第二确定单元,用于:
基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,按照如下公式,确定每个网格的交通拥堵情况:,其中,为交通拥堵情况,/>为每个网格在预设时间内车辆轨迹的平均运行速度,,/>为在预设时间内车辆轨迹速度的任一数据,/>为每个网格内车辆轨迹的自由流平均速度,/>为预先设置数据,i为网格的编号,j为数据序号,s为预设时间内的车辆轨迹速度的总数据量,m为网格数量。
在一种可选的实施方式中,预测模块406,包括:
第一得到单元,用于基于所述每个网格的交通拥堵情况,采用聚类方法对所有网格进行聚类,得到M个聚类结果;
第二得到单元,用于基于M个聚类结果,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果。
在一种可选的实施方式中,第二得到单元,用于:
采用K近邻算法对M个聚类结果进行训练,得到预测模型;
将当前时间的交通拥堵情况输入所述预测模型,得到对未来预设时间段内的交通拥堵情况进行预测的预测结果。
实施例三
基于相同的发明构思,本发明实施例提供了一种计算机设备,如图5所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现上述城市智能交通的可视化显示方法的步骤。
其中,在图5中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口506在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
实施例四
基于相同的发明构思,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述城市智能交通的可视化显示方法的步骤。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个实施例中所明确记载的特征更多的特征。更确切地说,如每个实施例所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在具体实施方式中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的城市智能交通的可视化显示装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种城市智能交通的可视化显示方法,其特征在于,包括:
基于卫星定位或者巡逻车采集常规路段的第一路况数据;
在新建路段设置采集设备,以采集新建路段的第二路况数据;
将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并存入数据库备份;
对城市路段的预设区域构建网格模型,所述网格模型包括各个网格的编号以及坐标;
基于所述第一路况数据、第二路况数据和所述网格模型,确定每个网格的交通拥堵情况;
基于每个所述网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;
将所述预测结果进行可视化显示。
2.如权利要求1所述的方法,其特征在于,所述将所述第一路况数据和所述第二路况数据采消息队列方式异步数据,并存入数据库备份,包括:
将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并将所述第一路况数据和所述第二路况数据经过分析并转换为明文数据;
将所述明文数据备份,其中,一份明文数据存储在数据库中,另一份明文数据实时传输至可视化页面进行展示,所述数据库采用热备的方式搭建。
3.如权利要求1所述的方法,其特征在于,所述对城市路段的预设区域构建网格模型,所述网格模型包括各个网格的编号以及坐标,包括:
基于城市路段的预设区域的道路属性,确定网格的尺寸,以使得每个网格包含预设数量的道路,以构建网格模型;
对网格模型中的每个网格标注编号以及坐标。
4.如权利要求1所述的方法,其特征在于,所述基于所述第一路况数据、第二路况数据和所述网格模型,确定网格的交通拥堵情况,包括:
基于所述第一路况数据、所述第二路况数据,确定每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度;
基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况。
5.如权利要求4所述的方法,其特征在于,所述基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,确定每个网格的交通拥堵情况,包括:
基于每个网格内车辆轨迹的自由流平均速度和在预设时间内车辆轨迹的平均运行速度,按照如下公式,确定每个网格的交通拥堵情况:,其中,/>为交通拥堵情况,/>为每个网格在预设时间内车辆轨迹的平均运行速度,/>,为在预设时间内车辆轨迹速度的任一数据,/>为每个网格内车辆轨迹的自由流平均速度,/>为预先设置数据,/>为网格的编号,/>为数据序号,/>为预设时间内的车辆轨迹速度的总数据量,/>为网格数量。
6.如权利要求1所述的方法,其特征在于,所述基于所述每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果,包括:
基于所述每个网格的交通拥堵情况,采用聚类方法对所有网格进行聚类,得到M个聚类结果;
基于M个聚类结果,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果。
7.如权利要求6所述的方法,其特征在于,基于M个聚类结果,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果,包括:
采用K近邻算法对M个聚类结果进行训练,得到预测模型;
将当前时间的交通拥堵情况输入所述预测模型,得到对未来预设时间段内的交通拥堵情况进行预测的预测结果。
8.一种城市智能交通的可视化显示装置,其特征在于,包括:
第一采集模块,用于基于卫星定位或者巡逻车采集常规路段的第一路况数据;
第二采集模块,用于基于新建路段设置的采集设备,采集新建路段的第二路况数据;
备份模块,用于将所述第一路况数据和所述第二路况数据采用消息队列方式异步数据,并存入数据库备份;
构建模块,用于构建网格模型,所述网格模型包括各个网格的编号以及坐标;
确定模块,用于基于所述第一路况数据、第二路况数据和所述网格模型,确定每个网格的交通拥堵情况;
预测模块,用于基于所述每个网格的交通拥堵情况,对未来预设时间段内的交通拥堵情况进行预测,得到预测结果;
显示模块,用于将所述预测结果进行可视化显示。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~7中任一权利要求所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1~7中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311056948.4A CN116824860A (zh) | 2023-08-22 | 2023-08-22 | 一种城市智能交通的可视化显示方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311056948.4A CN116824860A (zh) | 2023-08-22 | 2023-08-22 | 一种城市智能交通的可视化显示方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116824860A true CN116824860A (zh) | 2023-09-29 |
Family
ID=88118767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311056948.4A Pending CN116824860A (zh) | 2023-08-22 | 2023-08-22 | 一种城市智能交通的可视化显示方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116824860A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN106530710A (zh) * | 2016-12-16 | 2017-03-22 | 东南大学 | 一种面向管理者的高速公路交通指数预测方法和系统 |
CN108242149A (zh) * | 2018-03-16 | 2018-07-03 | 成都智达万应科技有限公司 | 一种基于交通数据的大数据分析方法 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN114818337A (zh) * | 2022-04-30 | 2022-07-29 | 北京工业大学 | 一种提高交通时空图分辨率的方法 |
CN115563761A (zh) * | 2022-09-27 | 2023-01-03 | 卡斯柯信号有限公司 | 基于时刻表的地铁枢纽站周围道路拥堵预测方法 |
CN116524712A (zh) * | 2023-03-24 | 2023-08-01 | 广东联合电子服务股份有限公司 | 融合时空关联数据的高速公路拥堵预测方法、系统及装置 |
-
2023
- 2023-08-22 CN CN202311056948.4A patent/CN116824860A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
CN106530710A (zh) * | 2016-12-16 | 2017-03-22 | 东南大学 | 一种面向管理者的高速公路交通指数预测方法和系统 |
CN108242149A (zh) * | 2018-03-16 | 2018-07-03 | 成都智达万应科技有限公司 | 一种基于交通数据的大数据分析方法 |
CN111815948A (zh) * | 2020-06-12 | 2020-10-23 | 南京航空航天大学 | 基于工况特征的车辆行驶工况预测方法 |
CN114818337A (zh) * | 2022-04-30 | 2022-07-29 | 北京工业大学 | 一种提高交通时空图分辨率的方法 |
CN115563761A (zh) * | 2022-09-27 | 2023-01-03 | 卡斯柯信号有限公司 | 基于时刻表的地铁枢纽站周围道路拥堵预测方法 |
CN116524712A (zh) * | 2023-03-24 | 2023-08-01 | 广东联合电子服务股份有限公司 | 融合时空关联数据的高速公路拥堵预测方法、系统及装置 |
Non-Patent Citations (3)
Title |
---|
刘洋;马寿峰;: "基于聚类分析的非参数回归短时交通流预测方法", 交通信息与安全, no. 02, pages 27 - 31 * |
刘炀: "基于网格模型的城市交通运行状态识别和行程时间预测方法研究", 中国博士学位论文全文数据库 (工程科技Ⅱ辑), pages 034 - 48 * |
张晓利;贺国光;陆化普;: "基于K-邻域非参数回归短时交通流预测方法", 系统工程学报, no. 02, pages 179 - 183 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Utilizing UAV video data for in-depth analysis of drivers’ crash risk at interchange merging areas | |
CN109255955B (zh) | 一种基于地基和空基协同感知的高速公路事故监测方法及系统 | |
US9111442B2 (en) | Estimating incident duration | |
CN102136190B (zh) | 城市公交客运事件应急响应调度管理系统及方法 | |
CN111833598B (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
CN113870570B (zh) | 一种基于etc的路网运行状态方法、系统和存储介质 | |
Karmakar et al. | A smart priority-based traffic control system for emergency vehicles | |
CN106887137A (zh) | 拥堵事件提示方法及装置 | |
CN110807917A (zh) | 一种基于云计算的高速公路智能安防系统 | |
CN109979197B (zh) | 基于融合数据的高速公路交通时间地图构建方法、系统 | |
CN114078327A (zh) | 道路拥堵状态检测方法、装置、设备和存储介质 | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN113963539B (zh) | 高速公路交通事故识别方法、模块及系统 | |
CN114241762B (zh) | 一种基于物联网的智慧城市交通综合数据采集分析系统 | |
CN114999181A (zh) | 一种基于etc系统数据的高速公路车辆速度异常识别方法 | |
CN113276874A (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN113643539A (zh) | 一种基于大数据的智慧交通管控系统 | |
CN111932899A (zh) | 一种基于交通仿真的交通突发事件控制方法及装置 | |
Kinoshita et al. | Traffic Incident Detection Using Probabilistic Topic Model. | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及系统 | |
JP4313457B2 (ja) | 移動時間予測システム、プログラム記録媒体、移動時間予測方法、情報提供装置、および情報入手装置 | |
CN116824860A (zh) | 一种城市智能交通的可视化显示方法、装置、设备及介质 | |
JP6926644B2 (ja) | 異常推定装置および表示装置 | |
KR102302486B1 (ko) | 도시 도로의 운행 속도 처리 방법, 도시 도로의 운행 속도 처리 장치, 기기 및 비휘발성 컴퓨터 저장 매체 |
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 |