CN117041290B - 一种智能交通数据交互方法、平台及系统 - Google Patents
一种智能交通数据交互方法、平台及系统 Download PDFInfo
- Publication number
- CN117041290B CN117041290B CN202310995998.2A CN202310995998A CN117041290B CN 117041290 B CN117041290 B CN 117041290B CN 202310995998 A CN202310995998 A CN 202310995998A CN 117041290 B CN117041290 B CN 117041290B
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- node
- edge
- module
- 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.)
- Active
Links
- 230000003993 interaction Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims description 72
- 238000005457 optimization Methods 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000002776 aggregation Effects 0.000 claims description 19
- 238000004220 aggregation Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000007726 management method Methods 0.000 claims description 10
- 238000013480 data collection Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000012800 visualization Methods 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/10—Network architectures or network communication protocols for network security for controlling access to devices or network resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/40—Network security protocols
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通数据交互方法技术领域，具体为一种智能交通数据交互方法、平台及系统，包括以下步骤：创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限。本发明中，采用分布式计算和边缘人工智能技术，将计算和决策推向边缘节点，减少了对中心服务器的依赖，利用大数据和人工智能技术处理交通数据，提取更准确的信息，提供更准确和智能化的决策支持，通过边缘计算和物联网技术，实现直接在边缘节点上处理交通数据，减少数据传输延迟和带宽消耗，提高数据处理和交互的效率，跨领域数据整合能够将其他领域的数据与交通数据融合，提供更全面、综合和多维度的交通信息，为决策提供更为全面的基础。
Description
技术领域
本发明涉及交通数据交互方法技术领域，尤其涉及一种智能交通数据交互方法、平台及系统。
背景技术
交通数据交互方法是指不同实体之间进行交通数据的传输、请求和共享的方式，包括使用API、开放数据平台、数据集成平台和数据共享协议，这些交互方法可以以不同的形式存在，符合标准化的数据格式和协议，以确保数据的有效传递和使用。交通数据的交互方法提供了多种途径，以便数据提供商和应用程序之间能够有效地传输、请求和共享交通数据，从而支持交通管理、分析和创新应用的发展。
在现有交通数据交互方法的实际使用过程中，由于数据需要传输到中心服务器进行处理和分析，导致实时性受限。其次，传统方法在处理大规模交通数据时可能面临数据的噪声和不完整性问题，无法准确识别和处理噪声数据，影响结果的准确性。第三，传统方法的处理效率较低，涉及大量的数据预处理和清洗工作，耗费计算资源和时间。此外，传统方法中的交通数据通常孤立存在，缺乏与其他领域数据的整合和关联，限制了综合决策的能力。最后，随着交通数据规模的增加，传统方法的可扩展性受到限制，无法有效应对大规模数据的存储和处理需求。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种智能交通数据交互方法、平台及系统。
为了实现上述目的，本发明采用了如下技术方案：一种智能交通数据交互方法，包括以下步骤：
创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限；
在所述边缘节点上部署机器学习模型和算法，通过传感器和摄像头实时采集交通数据，并进行本地处理和初步分析；
所述边缘节点将本地处理的交通数据聚合到中心节点，在所述中心节点使用分布式机器学习算法，训练全局模型，将训练后的模型参数传回所述边缘节点；
所述边缘节点接收模型参数，更新本地机器学习模型，利用更新后的所述本地机器学习模型进行实时的交通数据推断，生成推断结果，包括交通流量预测、拥堵检测；
所述边缘节点将推断结果反馈给中心节点，基于所述推断结果进行实时决策和调整，优化交通流动性和提升出行体验；
进行循环迭代和模型优化，根据所述实时交通数据和反馈结果更新本地机器学习模型参数和算法，借助在线学习和变化检测算法，实时适应交通系统的变化和演化。
作为本发明的进一步方案，所述边缘节点包括交通数据提供商、智能交通设备和车辆；
所述创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限的步骤具体为：
使用分布式哈希表进行节点发现和数据定位，确立所述边缘节点位置；
使用LibP2P网络协议进行所述边缘节点之间的通信，创建数据交易；
采用以太坊区块链平台，设置和配置区块链节点，为网络中的所述数据交易构建智能合约，使用Solidity合约编程语言编写智能合约代码；
在所述区块链平台中，定义数据共享规则包括访问权限、加密保护，基于所述智能合约来管理数据共享和访问权限；
使用Merkle树数据结构来验证和保护数据的完整性，防止数据被篡改。
作为本发明的进一步方案，在所述边缘节点上部署机器学习模型和算法，通过传感器和摄像头实时采集交通数据，并进行本地处理和初步分析的步骤具体为：
在所述边缘节点上部署具体为MobileNet的机器学习模型和算法；
选择具体为MQTT的IoT协议，用于所述传感器和摄像头的数据收集和传输，在所述边缘设备上设置和配置MQTT客户端，确保所述交通数据能够通过IoT协议进行传输和接收；
将所述传感器和摄像头连接到边缘设备，用于实时采集交通数据；
对所述交通数据使用包括图像旋转、裁剪、缩放的数据增强技术，提高数据多样性，基于所述交通数据对机器学习模型进行训练；
在所述边缘节点上安装和配置边缘计算引擎，选择具体为Apache Flink的边缘计算技术，实现实时数据流处理；
应用所述机器学习模型和算法对采集到的交通数据进行本地处理和初步分析，实现实时预测和分类功能。
作为本发明的进一步方案，所述边缘节点将本地处理的交通数据聚合到中心节点，在所述中心节点使用分布式机器学习算法，训练全局模型，将训练后的模型参数传回所述边缘节点的步骤具体为：
所述边缘节点采用累积和压缩策略，定期将处理后的所述交通数据聚合，形成数据批次；
所述边缘节点使用分布式消息队列将数据批次高效传输到中心节点；
所述中心节点应用分布式机器学习算法，使用所述数据批次进行全局模型的训练，使用Horovod架构作为训练框架，实现模型的训练和优化过程；
在模型的训练和优化过程中，所述中心节点通过分布式消息队列将最新的模型参数广播给所有边缘节点。
作为本发明的进一步方案，所述边缘节点接收模型参数，更新本地机器学习模型，利用更新后的所述本地机器学习模型进行实时的交通数据推断，包括交通流量预测、拥堵检测的步骤具体为：
所述边缘节点及时接收更新的模型参数，并基于所述模型参数，更新本地的机器学习模型，确保与中心节点保持一致；
所述边缘节点输入实时的交通数据，利用所述机器学习模型和Kalman滤波器，进行交通流量预测，包括道路或区域的车流量估计；
所述边缘节点将实时采集到的交通图像作为输入，使用卷积神经网络进行图像分析，用于交通拥堵检测，以识别和判断交通是否处于拥堵状态；
综合流量预测和交通拥堵检测结果，所述边缘节点进行实时交通数据推断，生成推断结果。
作为本发明的进一步方案，所述边缘节点将推断结果反馈给中心节点，基于所述推断结果进行实时决策和调整，优化交通流动性和提升出行体验的步骤具体为：
所述边缘节点将推断结果反馈给中心节点；
通过结合GIS地理信息系统，将所述推断结果与地理信息相结合，为中心节点提供交通状态的可视化界面，展示交通状态、拥堵情况、道路状况；
利用所述推断结果，动态调整交通信号灯的时序和优先级，根据路径规划算法计划最佳路线，以减少拥堵并提高交通效率；
将推断结果结合流量预测，中心节点及时更新路段通行策略，包括车道分配、限行措施。
作为本发明的进一步方案，所述进行循环迭代和模型优化，根据所述实时交通数据和反馈结果更新本地机器学习模型参数和算法，借助在线学习和变化检测算法，实时适应交通系统的变化和演化的步骤具体为：
根据边缘节点收集到的实时交通数据和反馈结果，进行循环迭代和模型优化；
在所述循环迭代和模型优化过程中，根据新的数据和反馈，持续改进本地机器学习模型参数和算法；
利用具体为OLBoost的在线学习算法，根据传入的实时交通数据，动态调整模型参数；
借助CUSUM变化检测算法，监控交通模式的变化，并决定是否需要进行模型重训练。
一种智能交通数据交互系统是由数据采集节点、边缘节点、中心节点、数据交互节点组成；
所述数据采集节点实时采集交通数据，包括传感器和摄像头数据，使用通信协议将所述交通数据传输到边缘节点；
所述边缘节点部署机器学习模型和算法，接收来自数据采集模块的数据，并进行本地处理和初步分析，将本地处理的数据聚合，并将聚合结果发送到中心节点；
所述中心节点接收聚合结果，并进行全局模型的训练和优化，使用分布式机器学习算法和训练框架对聚合结果进行训练，训练完全局模型后，所述中心节点将训练后的模型参数传回边缘节点；
所述数据交互节点使用分布式数据协作网络和区块链技术建立数据交换和共享机制，边缘节点通过网络发送数据到中心节点，中心节点使用分布式数据交互算法接收和处理边缘节点的数据，并返回训练后的模型参数。
一种智能交通数据交互系统是由数据采集模块、边缘节点模块、中心节点模块、数据交互模块、循环迭代和优化模块组成；
所述数据采集模块负责实时采集交通数据，并将所述交通数据传输至边缘节点模块；
所述边缘节点模块与中心节点模块之间通过数据交互模块进行数据传输和共享，所述中心节点模块与边缘节点模块之间存在模型参数的双向传输关系；
所述循环迭代和优化模块与数据采集模块、边缘节点模块、中心节点模块、数据交互模块协同工作，不断调整和优化模型参数。
作为本发明的进一步方案，所述数据采集模块包括传感器子模块、摄像头子模块；
所述边缘节点模块的功能项包括数据处理、数据分析、数据聚合；
所述中心节点模块的功能项包括分布式学习、决策调整、交通可视化；
所述数据交互模块包括边缘节点通信子模块、智能合约子模块、数据安全子模块；
所述循环迭代和优化模块的功能项包括在线学习、变化检测。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，采用分布式计算和边缘人工智能技术，将计算和决策推向边缘节点，减少了对中心服务器的依赖，大大提高了交通数据交互的实时性。利用大数据和人工智能技术处理交通数据，能够提取更准确和有价值的信息，提供更准确和智能化的决策支持。通过边缘计算和物联网技术，实现直接在边缘节点上处理交通数据，减少数据传输延迟和带宽消耗，提高数据处理和交互的效率。跨领域数据整合能够将其他领域的数据与交通数据融合，提供更全面、综合和多维度的交通信息，为决策提供更为全面的基础。
附图说明
图1为本发明提出一种智能交通数据交互方法、平台及系统的工作流程示意图；
图2为本发明提出一种智能交通数据交互方法、平台及系统的步骤1细化流程图；
图3为本发明提出一种智能交通数据交互方法、平台及系统的步骤2细化流程图；
图4为本发明提出一种智能交通数据交互方法、平台及系统的步骤3细化流程图；
图5为本发明提出一种智能交通数据交互方法、平台及系统的步骤4细化流程图；
图6为本发明提出一种智能交通数据交互方法、平台及系统的步骤5细化流程图；
图7为本发明提出一种智能交通数据交互方法、平台及系统的步骤6细化流程图；
图8为本发明提出一种智能交通数据交互方法、平台及系统的平台示意图；
图9为本发明提出一种智能交通数据交互方法、平台及系统的系统框架示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：一种智能交通数据交互方法，包括以下步骤：
创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限；
在边缘节点上部署机器学习模型和算法，通过传感器和摄像头实时采集交通数据，并进行本地处理和初步分析；
边缘节点将本地处理的交通数据聚合到中心节点，在中心节点使用分布式机器学习算法，训练全局模型，将训练后的模型参数传回边缘节点；
边缘节点接收模型参数，更新本地机器学习模型，利用更新后的本地机器学习模型进行实时的交通数据推断，生成推断结果，包括交通流量预测、拥堵检测；
边缘节点将推断结果反馈给中心节点，基于推断结果进行实时决策和调整，优化交通流动性和提升出行体验；
进行循环迭代和模型优化，根据实时交通数据和反馈结果更新本地机器学习模型参数和算法，借助在线学习和变化检测算法，实时适应交通系统的变化和演化。
采用分布式数据协作网络的方案能够实现对交通数据的实时采集、处理和分析。通过部署边缘节点和传感器设备，在边缘节点上进行本地数据处理和初步分析，提高数据的可用性和精确性。同时，利用区块链技术和智能合约实现数据共享和访问权限管理，确保数据的安全性和隐私性。边缘节点将本地处理的交通数据聚合到中心节点，在中心节点利用分布式机器学习算法训练全局模型，并将训练后的模型参数传回边缘节点。边缘节点接收模型参数，更新本地机器学习模型，利用更新后的模型进行实时的交通数据推断，生成推断结果，如交通流量预测和拥堵检测。推断结果反馈给中心节点，支持实时的交通决策和调整，优化交通流动性和提升出行体验。通过循环迭代和模型优化，根据实时交通数据和反馈结果更新本地机器学习模型参数和算法，实时适应交通系统的变化和演化。整合上述方案能够提高交通数据的可用性、加强共享和访问权限管理、实现实时的交通数据推断和预测，优化交通流动性，提升出行体验，并持续优化模型和算法，以适应交通系统的变化和演化。
请参阅图2，边缘节点包括交通数据提供商、智能交通设备和车辆；
创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限的步骤具体为：
使用分布式哈希表进行节点发现和数据定位，确立边缘节点位置；
使用LibP2P网络协议进行边缘节点之间的通信，创建数据交易；
采用以太坊区块链平台，设置和配置区块链节点，为网络中的数据交易构建智能合约，使用Solidity合约编程语言编写智能合约代码；
在区块链平台中，定义数据共享规则包括访问权限、加密保护，基于智能合约来管理数据共享和访问权限；
使用Merkle树数据结构来验证和保护数据的完整性，防止数据被篡改。
边缘节点包括交通数据提供商、智能交通设备和车辆，它们能够实时采集、处理和分析交通数据。通过建立分布式数据协作网络，边缘节点之间能够进行数据共享和交换，从而获取更多的数据来源，提高数据的可用性和精确性。采用区块链技术和智能合约，可以实现数据共享和访问权限的安全管理。智能合约定义了数据共享规则，包括访问权限和加密保护，只有经过授权的节点才能访问和使用特定的数据，确保数据的安全性和隐私保护。通过分布式哈希表进行节点发现和数据定位，边缘节点的位置可以被确定，并且网络中的数据交易使用LibP2P网络协议进行通信，不依赖于中心化的服务器，实现去中心化的数据交换。同时，采用区块链技术能够提高网络的抗攻击性，数据的完整性得到验证和保护，防止数据被篡改。边缘节点通过实时的数据处理和分析，能够生成交通数据推断结果，如交通流量预测和拥堵检测。这些推断结果可以反馈给中心节点，支持实时的交通决策和调整，优化交通流动性和提升出行体验。
请参阅图3，在边缘节点上部署机器学习模型和算法，通过传感器和摄像头实时采集交通数据，并进行本地处理和初步分析的步骤具体为：
在边缘节点上部署具体为MobileNet的机器学习模型和算法；
选择具体为MQTT的IoT协议，用于传感器和摄像头的数据收集和传输，在边缘设备上设置和配置MQTT客户端，确保交通数据能够通过IoT协议进行传输和接收；
将传感器和摄像头连接到边缘设备，用于实时采集交通数据；
对交通数据使用包括图像旋转、裁剪、缩放的数据增强技术，提高数据多样性，基于交通数据对机器学习模型进行训练；
在边缘节点上安装和配置边缘计算引擎，选择具体为Apache Flink的边缘计算技术，实现实时数据流处理；
应用机器学习模型和算法对采集到的交通数据进行本地处理和初步分析，实现实时预测和分类功能。
通过选择适当的IoT协议(如MQTT)进行传感器和摄像头的数据收集和传输，边缘设备能够实时采集交通数据。边缘节点上的机器学习模型和算法能够对采集到的数据进行本地处理和初步分析，实现实时的数据处理能力。在边缘节点上安装和配置边缘计算引擎(如Apache Flink)，可以实现实时的数据流处理。这使得边缘节点能够快速处理和分析交通数据，减少数据传输延迟和网络拥堵问题，提高数据处理效率。通过对采集到的交通数据应用数据增强技术(如图像旋转、裁剪、缩放等)，可以提高数据的多样性和丰富性。采用这些增强后的数据，边缘节点上的机器学习模型能够进行训练，提高模型的准确性和泛化能力。边缘节点上部署的机器学习模型和算法能够对交通数据进行实时的预测和分类。这可以用于交通流量预测、拥堵检测等应用，支持交通决策和调整的实时性。
请参阅图4，边缘节点将本地处理的交通数据聚合到中心节点，在中心节点使用分布式机器学习算法，训练全局模型，将训练后的模型参数传回边缘节点的步骤具体为：
边缘节点采用累积和压缩策略，定期将处理后的交通数据聚合，形成数据批次；
边缘节点使用分布式消息队列将数据批次高效传输到中心节点；
中心节点应用分布式机器学习算法，使用数据批次进行全局模型的训练，使用Horovod架构作为训练框架，实现模型的训练和优化过程；
在模型的训练和优化过程中，中心节点通过分布式消息队列将最新的模型参数广播给所有边缘节点。
边缘节点采用累积和压缩策略，将处理后的交通数据定期聚合成数据批次。这种策略可以提高数据聚合的效率，并减少数据传输的负载。通过边缘节点的聚合，中心节点可以获得更全面和丰富的数据，提高模型的训练效果和准确性。边缘节点使用分布式消息队列将数据批次高效传输到中心节点。这种方式可以降低数据传输延迟和网络负载，并实现可靠的数据传输。分布式消息队列能够保证数据的顺序性和一致性，确保数据在传输过程中不丢失或错误。中心节点应用分布式机器学习算法，使用数据批次进行全局模型的训练。使用Horovod作为训练框架，可以实现分布式训练和优化过程，将训练任务划分为多个小任务，并在多个节点上并行执行，加快模型的训练速度和效率。在模型的训练和优化过程中，中心节点通过分布式消息队列将最新的模型参数广播给所有边缘节点。这种实时的模型参数更新机制能够确保边缘节点始终使用最新的模型参数进行实时的交通数据推断和预测，提高模型的时效性和准确性。
请参阅图5，边缘节点接收模型参数，更新本地机器学习模型，利用更新后的本地机器学习模型进行实时的交通数据推断，包括交通流量预测、拥堵检测的步骤具体为：
边缘节点及时接收更新的模型参数，并基于模型参数，更新本地的机器学习模型，确保与中心节点保持一致；
边缘节点输入实时的交通数据，利用机器学习模型和Kalman滤波器，进行交通流量预测，包括道路或区域的车流量估计；
边缘节点将实时采集到的交通图像作为输入，使用卷积神经网络进行图像分析，用于交通拥堵检测，以识别和判断交通是否处于拥堵状态；
综合流量预测和交通拥堵检测结果，边缘节点进行实时交通数据推断，生成推断结果。
边缘节点利用机器学习模型和Kalman滤波器对实时的交通数据进行流量预测，包括道路或区域的车流量估计。通过更新后的本地模型，边缘节点能够更准确地预测交通流量，提供精确的车辆数量估计和流量信息。边缘节点将实时采集到的交通图像作为输入，并使用卷积神经网络进行图像分析，用于交通拥堵检测。由于本地机器学习模型已经通过更新参数进行了优化，边缘节点能够准确地识别和判断交通是否处于拥堵状态，提供及时的拥堵检测结果。通过综合流量预测和交通拥堵检测的结果，边缘节点能够进行实时的交通数据推断，生成推断结果。这使得边缘节点能够快速、准确地分析和推断交通状况，为交通决策和调整提供及时参考。
请参阅图6，边缘节点将推断结果反馈给中心节点，基于推断结果进行实时决策和调整，优化交通流动性和提升出行体验的步骤具体为：
边缘节点将推断结果反馈给中心节点；
通过结合GIS地理信息系统，将推断结果与地理信息相结合，为中心节点提供交通状态的可视化界面，展示交通状态、拥堵情况、道路状况；
利用推断结果，动态调整交通信号灯的时序和优先级，根据路径规划算法计划最佳路线，以减少拥堵并提高交通效率；
将推断结果结合流量预测，中心节点及时更新路段通行策略，包括车道分配、限行措施。
边缘节点将推断结果反馈给中心节点。中心节点结合GIS地理信息系统，将推断结果与地理信息相结合，为中心节点提供交通状态的可视化界面。这样，中心节点可以直观地了解交通状态、拥堵情况和道路状况，有助于进行实时决策和调整。基于推断结果，中心节点可以动态调整交通信号灯的时序和优先级。通过分析边缘节点提供的推断结果，中心节点可以确定哪些路段面临拥堵、需要优化，并相应地调整信号灯的控制策略，以减少拥堵并提高交通效率。此外，中心节点还可以使用路径规划算法，根据推断结果规划最佳路线，以优化整个交通网络的流动性。中心节点可以根据推断结果结合流量预测，及时更新路段通行策略。根据推断结果，中心节点可以调整车道分配、限行措施等，以适应实际交通情况的变化。这样，中心节点能够根据边缘节点提供的实时推断结果做出及时的路段通行策略更新，提高交通效率和出行体验。
请参阅图7，进行循环迭代和模型优化，根据实时交通数据和反馈结果更新本地机器学习模型参数和算法，借助在线学习和变化检测算法，实时适应交通系统的变化和演化的步骤具体为：
根据边缘节点收集到的实时交通数据和反馈结果，进行循环迭代和模型优化；
在循环迭代和模型优化过程中，根据新的数据和反馈，持续改进本地机器学习模型参数和算法；
利用具体为OLBoost的在线学习算法，根据传入的实时交通数据，动态调整模型参数；
借助CUSUM变化检测算法，监控交通模式的变化，并决定是否需要进行模型重训练。
根据边缘节点收集到的实时交通数据和反馈结果，进行循环迭代和模型优化。
通过不断迭代和优化模型，边缘节点可以不断改进本地机器学习模型参数和算法，提高模型的准确性和性能。在循环迭代和模型优化过程中，根据新的数据和反馈，边缘节点可以持续改进本地机器学习模型参数和算法。这样，边缘节点能够实时更新模型，使其能够适应交通系统的变化和演化，提高模型的时效性和适应性。利用具体为OLBoost的在线学习算法，边缘节点可以根据传入的实时交通数据，动态调整模型参数。在线学习算法可以实时地对新数据进行学习和调整，使模型能够及时适应交通系统的变化，并提供更准确的预测和推断结果。借助CUSUM变化检测算法，边缘节点可以监控交通模式的变化，并决定是否需要进行模型重训练。通过及时检测交通模式的变化，边缘节点可以识别出模型需要更新的时机，以保持模型的准确性和适应性。
请参阅图8，一种智能交通数据交互系统是由数据采集节点、边缘节点、中心节点、数据交互节点组成；
数据采集节点实时采集交通数据，包括传感器和摄像头数据，使用通信协议将交通数据传输到边缘节点；
边缘节点部署机器学习模型和算法，接收来自数据采集模块的数据，并进行本地处理和初步分析，将本地处理的数据聚合，并将聚合结果发送到中心节点；
中心节点接收聚合结果，并进行全局模型的训练和优化，使用分布式机器学习算法和训练框架对聚合结果进行训练，训练完全局模型后，中心节点将训练后的模型参数传回边缘节点；
数据交互节点使用分布式数据协作网络和区块链技术建立数据交换和共享机制，边缘节点通过网络发送数据到中心节点，中心节点使用分布式数据交互算法接收和处理边缘节点的数据，并返回训练后的模型参数。
数据采集节点实时采集交通数据，包括传感器和摄像头数据，并使用通信协议将数据传输到边缘节点。这种实时数据采集和传输机制能够确保交通数据的及时性和准确性，为后续的处理和分析提供实时的数据基础。边缘节点部署机器学习模型和算法，接收来自数据采集模块的数据，并进行本地处理和初步分析。边缘节点将本地处理的数据进行聚合，并将聚合结果发送到中心节点。通过在边缘节点进行本地处理和聚合，可以降低对中心节点的传输负载，提高数据处理效率。中心节点接收边缘节点发送的聚合结果，并进行全局模型的训练和优化。利用分布式机器学习算法和训练框架，中心节点对聚合结果进行训练，从而得到更准确和可靠的全局模型。将训练后的模型参数传回边缘节点，确保边缘节点具有最新的模型参数。数据交互节点使用分布式数据协作网络和区块链技术建立数据交换和共享机制。边缘节点通过网络发送数据到中心节点，中心节点使用分布式数据交互算法接收和处理边缘节点的数据，并返回训练后的模型参数。这种数据交互和共享机制能够确保数据的安全性、一致性和可靠性。
请参阅图9，一种智能交通数据交互系统是由数据采集模块、边缘节点模块、中心节点模块、数据交互模块、循环迭代和优化模块组成；
数据采集模块负责实时采集交通数据，并将交通数据传输至边缘节点模块；
边缘节点模块与中心节点模块之间通过数据交互模块进行数据传输和共享，中心节点模块与边缘节点模块之间存在模型参数的双向传输关系；
循环迭代和优化模块与数据采集模块、边缘节点模块、中心节点模块、数据交互模块协同工作，不断调整和优化模型参数。
数据采集模块包括传感器子模块、摄像头子模块；
边缘节点模块的功能项包括数据处理、数据分析、数据聚合；
中心节点模块的功能项包括分布式学习、决策调整、交通可视化；
数据交互模块包括边缘节点通信子模块、智能合约子模块、数据安全子模块；
循环迭代和优化模块的功能项包括在线学习、变化检测。
数据采集模块负责实时采集交通数据，并将数据传输至边缘节点模块。通过实时采集和传输机制，系统能够及时获取最新的交通数据，为后续的处理和决策提供实时的基础。边缘节点模块具备数据处理、数据分析和数据聚合的功能。在边缘节点进行数据处理和分析可以分担中心节点的负载，并且减少数据传输的延迟。此外，边缘节点还可以进行局部的决策和优化，提高响应速度和数据处理效率。中心节点模块负责分布式学习和决策调整。通过分布式学习算法，中心节点能够利用来自不同边缘节点的数据进行模型的全局训练和优化，从而提高模型的准确性和泛化能力。中心节点还可以根据全局模型进行决策调整，以优化交通流动性和提供更好的交通可视化结果。数据交互模块包括边缘节点通信子模块、智能合约子模块和数据安全子模块。这种机制能够确保数据的安全性和一致性，并且提供可靠的数据交换和共享机制。边缘节点和中心节点之间可以通过数据交互模块进行数据传输和共享，使得各个节点可以及时获取所需的数据和模型参数，实现协同工作和优化。循环迭代和优化模块在系统中起着重要的作用。通过在线学习和变化检测，系统能够不断调整和优化模型参数，以适应交通状况的变化和需求的变化。这种循环迭代和优化的过程可以使系统具备动态调整的能力，提高系统的鲁棒性和适应性。
工作原理：通过数据采集节点实时采集交通数据，包括传感器和摄像头数据，并使用通信协议将数据传输到边缘节点。边缘节点部署机器学习模型和算法，在接收到数据采集节点的数据后，进行本地处理和初步分析。边缘节点将本地处理的数据聚合，并将聚合结果发送到中心节点。中心节点接收来自边缘节点的聚合结果，并进行全局模型的训练和优化。利用分布式机器学习算法和训练框架，中心节点对聚合结果进行训练，从而得到更准确和可靠的全局模型。训练完全局模型后，中心节点将训练后的模型参数传回边缘节点。数据交互节点使用分布式数据协作网络和区块链技术建立数据交换和共享机制。边缘节点通过网络发送数据到中心节点，中心节点使用分布式数据交互算法接收和处理边缘节点的数据，并返回训练后的模型参数。这种数据交互和共享机制能够确保数据的安全性、一致性和可靠性。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种智能交通数据交互方法，其特征在于，包括以下步骤：
创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限；
在所述边缘节点上部署机器学习模型和算法，通过传感器和摄像头实时采集交通数据，并进行本地处理和初步分析；
所述边缘节点将本地处理的交通数据聚合到中心节点，在所述中心节点使 用分布式机器学习算法，训练全局模型，将训练后的模型参数传回所述边缘节点；
所述边缘节点接收模型参数，更新本地机器学习模型，利用更新后的所述本地机器学习模型进行实时交通数据推断，生成推断结果，包括交通流量预测、拥堵检测；
所述边缘节点将推断结果反馈给中心节点，基于所述推断结果进行实时决策和调整，优化交通流动性和提升出行体验；
进行循环迭代和模型优化，根据所述实时交通数据和反馈结果更新本地机 器学习模型参数和算法，借助在线学习和变化检测算法，实时适应交通系统的变化和演化；
在所述边缘节点上部署机器学习模型和算法，通过传感器和摄像头实时采集交通数据，并进行本地处理和初步分析的步骤具体为：
在所述边缘节点上部署具体为 MobileNet 的机器学习模型和算法；选择具体为 MQTT的 IoT 协议，用于所述传感器和摄像头的数据收集和传输， 在所述边缘节点上设置和配置 MQTT 客户端，确保所述交通数据能够通过 IoT 协议进行传输和接收；
将所述传感器和摄像头连接到边缘设备，用于实时采集交通数据；
对所述交通数据使用包括图像旋转、裁剪、缩放的数据增强技术，提高数据多样性，基于所述交通数据对机器学习模型进行训练；
在所述边缘节点上安装和配置边缘计算引擎，选择具体为 Apache Flink 的边缘计算技术，实现实时数据流处理；
应用所述机器学习模型和算法对采集到的交通数据进行本地处理和初步分析，实现实时预测和分类功能；
所述边缘节点接收模型参数，更新本地机器学习模型，利用更新后的所述 本地机器学习模型进行实时的交通数据推断，包括交通流量预测、拥堵检测的
步骤具体为：
所述边缘节点及时接收更新的模型参数，并基于所述模型参数，更新本地的机器学习模型，确保与中心节点保持一致；
所述边缘节点输入实时的交通数据，利用所述机器学习模型和 Kalman 滤波器，进行交通流量预测，包括道路或区域的车流量估计；
所述边缘节点将实时采集到的交通图像作为输入，使用卷积神经网络进行图像分析，用于交通拥堵检测，以识别和判断交通是否处于拥堵状态；综合流量预测和交通拥堵检测结果，所述边缘节点进行实时交通数据推断，生成推断结果；
所述进行循环迭代和模型优化，根据所述实时交通数据和反馈结果更新本 地机器学习模型参数和算法，借助在线学习和变化检测算法，实时适应交通系统的变化和演化的步骤具体为：根据边缘节点收集到的实时交通数据和反馈结果，进行循环迭代和模型优化；
在所述循环迭代和模型优化过程中，根据新的数据和反馈，持续改进本地机器学习模型参数和算法；利用具体为 OLBoost 的在线学习算法，根据传入的实时交通数据，动态调整模型参数；借助 CUSUM 变化检测算法，监控交通模式的变化，并决定是否需要进行模型重训练。
2.根据权利要求 1 所述的智能交通数据交互方法，其特征在于，所述边缘节点包括交通数据提供商、智能交通设备和车辆；
所述创建分布式数据协作网络，连接边缘节点，并采用区块链技术，建立智能合约管理数据共享和访问权限的步骤具体为：使用分布式哈希表进行节点发现和数据定位，确立所述边缘节点位置；使用 LibP2P 网络协议进行所述边缘节点之间的通信，创建数据交易；采用以太坊区块链平台，设置和配置区块链节点，为网络中的所述数据交易构建智能合约，使用 Solidity 合约编程语言编写智能合约代码；
在所述区块链平台中，定义数据共享规则包括访问权限、加密保护，基于所述智能合约来管理数据共享和访问权限；使用 Merkle 树数据结构来验证和保护数据的完整性，防止数据被篡改。
3.根据权利要求 1 所述的智能交通数据交互方法，其特征在于，所述边缘 节点将本地处理的交通数据聚合到中心节点，在所述中心节点使用分布式机器 学习算法，训练全局模型，将训练后的模型参数传回所述边缘节点的步骤具体为：
所述边缘节点采用累积和压缩策略，定期将处理后的所述交通数据聚合，形成数据批次；
所述边缘节点使用分布式消息队列将数据批次高效传输到中心节点；
所述中心节点应用分布式机器学习算法，使用所述数据批次进行全局模型的训练，使用 Horovod 架构作为训练框架，实现模型的训练和优化过程；在模型的训练和优化过程中，所述中心节点通过分布式消息队列将最新的模型参数广播给所有边缘节点。
4.根据权利要求 1 所述的智能交通数据交互方法，其特征在于，所述边缘 节点将推断结果反馈给中心节点，基于所述推断结果进行实时决策和调整，优化交通流动性和提升出行体验的步骤具体为：
所述边缘节点将推断结果反馈给中心节点；
通过结合 GIS 地理信息系统，将所述推断结果与地理信息相结合，为中心节点提供交通状态的可视化界面，展示交通状态、拥堵情况、道路状况；利用所述推断结果，动态调整交通信号灯的时序和优先级，根据路径规划算法计划最佳路线，以减少拥堵并提高交通效率；将推断结果结合流量预测，中心节点及时更新路段通行策略，包括车道分配、限行措施。
5.一种应用如权利要求 1-4 任意一项所述智能交通数据交互方法的智能交 通数据交互系统，其特征在于，所述智能交通数据交互系统是由数据采集节点、边缘节点、中心节点、数据交互节点组成；
所述数据采集节点实时采集交通数据，包括传感器和摄像头数据，使用通信协议将所述交通数据传输到边缘节点；
所述边缘节点部署机器学习模型和算法，接收来自数据采集模块的数据， 并进行本地处理和初步分析，将本地处理的数据聚合，并将聚合结果发送到中心节点；
所述中心节点接收聚合结果，并进行全局模型的训练和优化，使用分布式机器学习算法和训练框架对聚合结果进行训练，训练完全局模型后，所述中心节点将训练后的模型参数传回边缘节点；
所述数据交互节点使用分布式数据协作网络和区块链技术建立数据交换和 共享机制，边缘节点通过网络发送数据到中心节点，中心节点使用分布式数据交互算法接收和处理边缘节点的数据，并返回训练后的模型参数。
6.一种应用如权利要求 1-4 任意一项所述智能交通数据交互方法的智能交 通数据交互系统，其特征在于，所述智能交通数据交互系统是由数据采集模块、边缘节点模块、中心节点模块、数据交互模块、循环迭代和优化模块组成；
所述数据采集模块负责实时采集交通数据，并将所述交通数据传输至边缘节点模块；
所述边缘节点模块与中心节点模块之间通过数据交互模块进行数据传输和共享，所述中心节点模块与边缘节点模块之间存在模型参数的双向传输关系；
所述循环迭代和优化模块与数据采集模块、边缘节点模块、中心节点模块、数据交互模块协同工作，不断调整和优化模型参数。
7.根据权利要求 6 所述的智能交通数据交互系统，其特征在于，所述数据采集模块包括传感器子模块、摄像头子模块；
所述边缘节点模块的功能项包括数据处理、数据分析、数据聚合；
所述中心节点模块的功能项包括分布式学习、决策调整、交通可视化；
所述数据交互模块包括边缘节点通信子模块、智能合约子模块、数据安全子模块；
所述循环迭代和优化模块的功能项包括在线学习、变化检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310995998.2A CN117041290B (zh) | 2023-08-08 | 2023-08-08 | 一种智能交通数据交互方法、平台及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310995998.2A CN117041290B (zh) | 2023-08-08 | 2023-08-08 | 一种智能交通数据交互方法、平台及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117041290A CN117041290A (zh) | 2023-11-10 |
| CN117041290B true CN117041290B (zh) | 2024-04-09 |
Family
ID=88623918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310995998.2A Active CN117041290B (zh) | 2023-08-08 | 2023-08-08 | 一种智能交通数据交互方法、平台及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117041290B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117295199B (zh) * | 2023-11-14 | 2024-06-25 | 深圳市铭灏天智能照明设备有限公司 | 运用边缘侧计算的物联网车库照明系统 |
| CN117395166B (zh) * | 2023-12-11 | 2024-02-13 | 四海良田(天津)智能科技有限公司 | 基于物联网的智能农业管理平台 |
| CN117614992B (zh) * | 2023-12-21 | 2024-06-25 | 天津建设发展集团股份公司 | 一种工程远程监控的边缘决策方法及系统 |
| CN117558131A (zh) * | 2023-12-21 | 2024-02-13 | 山东交通学院 | 一种在线交通影响评价系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
| CN112785849A (zh) * | 2021-02-24 | 2021-05-11 | 山东科技大学 | 一种高速公路拥堵状态判别和交通流管控系统及方法 |
| CN112990365A (zh) * | 2021-04-22 | 2021-06-18 | 宝略科技(浙江)有限公司 | 一种面向遥感图像语义分割的深度学习模型的训练方法 |
| CN113656824A (zh) * | 2021-10-21 | 2021-11-16 | 成都理工大学 | 基于区块链和ipfs技术的物联网智能终端信息安全交互方法 |
| CN114816468A (zh) * | 2022-03-07 | 2022-07-29 | 珠高智能科技(深圳)有限公司 | 云边协同系统、数据处理方法、电子设备及存储介质 |
| CN115392373A (zh) * | 2022-08-25 | 2022-11-25 | 浙江英集动力科技有限公司 | 基于深度强化学习的多区域综合能源系统能量管理方法 |
| CN116319272A (zh) * | 2022-12-02 | 2023-06-23 | 浪潮云信息技术股份公司 | 一种云边协同系统在智慧农业的应用方法及装置 |
| CN116543563A (zh) * | 2023-07-07 | 2023-08-04 | 深圳市国硕宏电子有限公司 | 一种基于云计算和深度学习的数据分析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150113700A (ko) * | 2014-03-31 | 2015-10-08 | 삼성전자주식회사 | 진단 시스템 및 방법 |
| US11526610B2 (en) * | 2019-05-21 | 2022-12-13 | Veracode, Inc. | Peer-to-peer network for blockchain security |
-
2023
- 2023-08-08 CN CN202310995998.2A patent/CN117041290B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107766889A (zh) * | 2017-10-26 | 2018-03-06 | 济南浪潮高新科技投资发展有限公司 | 一种云端边缘计算融合的深度学习计算系统和方法 |
| CN112785849A (zh) * | 2021-02-24 | 2021-05-11 | 山东科技大学 | 一种高速公路拥堵状态判别和交通流管控系统及方法 |
| CN112990365A (zh) * | 2021-04-22 | 2021-06-18 | 宝略科技(浙江)有限公司 | 一种面向遥感图像语义分割的深度学习模型的训练方法 |
| CN113656824A (zh) * | 2021-10-21 | 2021-11-16 | 成都理工大学 | 基于区块链和ipfs技术的物联网智能终端信息安全交互方法 |
| CN114816468A (zh) * | 2022-03-07 | 2022-07-29 | 珠高智能科技(深圳)有限公司 | 云边协同系统、数据处理方法、电子设备及存储介质 |
| CN115392373A (zh) * | 2022-08-25 | 2022-11-25 | 浙江英集动力科技有限公司 | 基于深度强化学习的多区域综合能源系统能量管理方法 |
| CN116319272A (zh) * | 2022-12-02 | 2023-06-23 | 浪潮云信息技术股份公司 | 一种云边协同系统在智慧农业的应用方法及装置 |
| CN116543563A (zh) * | 2023-07-07 | 2023-08-04 | 深圳市国硕宏电子有限公司 | 一种基于云计算和深度学习的数据分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 涂铭 等.深度学习与目标检测工具、原理与算法.2021,第49-50页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117041290A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117041290B (zh) | 一种智能交通数据交互方法、平台及系统 | |
| Munir et al. | IFCIoT: Integrated Fog Cloud IoT: A novel architectural paradigm for the future Internet of Things | |
| CN112700639B (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
| Castiglione et al. | Cooperative intersection crossing over 5G | |
| CN109377778B (zh) | 一种基于多路rdma和v2x的协同自动驾驶系统及方法 | |
| EP3981106A1 (en) | Allocation of fog node resources | |
| Sangaiah et al. | Hierarchical clustering based on dendrogram in sustainable transportation systems | |
| Liu et al. | A region-based collaborative management scheme for dynamic clustering in green vanet | |
| Messous et al. | Edge computing for visual navigation and mapping in a UAV network | |
| Ali et al. | Big data analysis and cloud computing for smart transportation system integration | |
| Suh et al. | Dynamic data driven transportation systems | |
| Liu et al. | Multiple UAVs collaborative traffic monitoring with intention-based communication | |
| Sanchez-Iborra et al. | Proactive intelligent system for optimizing traffic signaling | |
| Vial et al. | AMSense: How mobile sensing platforms capture pedestrian/cyclist spatiotemporal properties in cities | |
| Nie et al. | Vehdoop: A scalable analytical processing framework for vehicular sensor networks | |
| Mishra et al. | Adaptive traffic light cycle time controller using microcontrollers and crowdsource data of google apis for developing countries | |
| Wu | Research on a Traffic Signal Control Method Based on Deep Reinforcement Learning | |
| Sharon et al. | Design study on actuated traffic control system using Internet of vehicles for smart cities | |
| Pavlović | Development of models of smart intersections in urban areas based on IoT technologies | |
| Prasad | AI Based Wireless Sensor Networks in Real Time Traffic Monitoring using Spherical Grid Routing Protocol | |
| Ferfers et al. | Investigation in IoT and 5G architectures for deployment of Artificial Intelligence into urban mobility and production | |
| CN116866631B (zh) | 一种综合交通视频集成管理方法及系统 | |
| Jiang et al. | Traffic Event Augmentation via Vehicular Edge Computing: A Vehicle ReID based Solution | |
| Quadri et al. | Application of Streaming Data with Azure Data Factory in Vehicle Service Application | |
| Xue et al. | Intelligent Park Organism Based on 5G Edge-Cloud Collaboration |
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 |