CN117058888B - 一种交通大数据处理方法及其系统 - Google Patents
一种交通大数据处理方法及其系统 Download PDFInfo
- Publication number
- CN117058888B CN117058888B CN202311321865.3A CN202311321865A CN117058888B CN 117058888 B CN117058888 B CN 117058888B CN 202311321865 A CN202311321865 A CN 202311321865A CN 117058888 B CN117058888 B CN 117058888B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road section
- evaluation
- time sequence
- target road
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 181
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000002093 peripheral effect Effects 0.000 claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 87
- 238000012512 characterization method Methods 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 12
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013210 evaluation model Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
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
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种交通大数据处理方法及其系统，对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；根据预估交通流量、GIS数据和事故率，对目标路段进行评价；根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价。本申请不仅可以加强交通流量预测的精准性，并且完善处理方法，加强整体交通数据的预测和评价精度。
Description
技术领域
本申请涉及大数据技术领域，具体涉及一种交通大数据处理方法及其系统。
背景技术
随着城市化和机动化的快速发展，交通问题越来越突出，如交通拥堵，交通事故等。为了有效改善交通状况，需要一种能够实时获取、处理和预测交通流量的方法，以提高交通运营和管理效率。合适的处理方法可以更好缓解的交通问题，但由于交通的高度波动性，交通流量对管理部门来说仍然十分棘手。交通流量的时序数据通常被认为处理连续的随机过程，存在高不确定性，而且交通数据由于处理方法不够完善，只能通过叠加分析数据量来尽可能提升预测和评价精度，存在着显著弊端，不利于实现智慧化交通管理。
因此，本发明的目的在于提供一种交通大数据处理方法及其系统，以解决现有技术存在的问题。
发明内容
本申请的目的是提供一种交通大数据处理方法及其系统，不仅可以加强交通流量预测的精准性，并且完善处理方法，加强整体交通数据的预测和评价精度。
第一方面，本申请实施例提供了一种交通大数据处理方法，包括以下步骤：
获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；
对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；
交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；
获取目标路段上的车辆的实时速度、GIS数据和事故率；
根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；
根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；
根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；
根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号。
所述的方法按照以下方式预先训练所述交通流量预测模型：
获取目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本；
对历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本进行所述预处理后，将历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本分别转化为交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据；
将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型。
所述时间序列神经网络包括多向表示提取层、线性表示提取层和自适应表示合并层；将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型，包括：
分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入多向表示提取层，得到多向相关性表征，多向相关性表征包括：交通流量的周期相关性表征和临近时间点相关性表征，气象信息的周期相关性表征和临近时间点相关性表征，以及搜索信息的周期相关性表征、临近时间点相关性表征和变量间相关性表征；
分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入所述线性表示提取层，得到交通流量的线性模式；
基于自适应表示合并层融合线性模式和多向相关性表征，得到时间序列神经网络输出的目标路段的历史预测交通流量；
基于历史预测交通流量和历史交通流量时序数据样本中与历史预测交通流量对应的真实交通流量，对时间序列神经网络中的参数进行调节，直至达到预设条件后，得到交通流量预测模型。
所述根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果，包括；
构建评价指标体系，并基于预估交通流量、GIS数据和事故率，建立判断矩阵；
基于判断矩阵并通过层次分析法计算预估交通流量、GIS数据和事故率的初始权重；
对预估交通流量、GIS数据和事故率的初始权重进行主成分分析，得到预估交通流量、GIS数据和事故率的特征值及预估交通流量、GIS数据和事故率的对应的贡献率，基于特征值和贡献率选取主成分，得到预估交通流量、GIS数据和事故率的最终权重；
对预估交通流量、GIS数据和事故率进行归一化，基于归一化结果和最终权重得到第一评价分析结果。
所述根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果，包括：
根据目标路段与周边路段的连通性，预测周边路段上车辆的预测速度；
对目标路段上的车辆的实时速度进行统计，获得实时速度统计结果；
通过实时速度统计结果生成第一关联系数；
获得周围路段上车辆的预测速度，获得第二关联系数；
根据所述第一关联系数和第二关联系数生成关联值；
根据关联值生成第二评价分析结果，并向目标路段上的车辆发送第二预警信号。
所述根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号，包括：
设定评价目标信息；
根据评价目标信息，确定第一评价分析结果和第二评价分析结果的权重值；
利用第一评价分析结果和第二评价分析结果的权重值对权重层进行权重设置；
基于所述权重层设置的权重，通过处理层将第一评价分析结果和第二评价分析结果进行加权计算，输出综合评价。
所述的方法还包括：
将目标路段与周边路段的连通性输入至评估模型中进行评估；
评估模型包括信息输入层、能力评估层、评估加权层、信息输出层；
将目标路段与周边路段的连通性通过信息输入层输入至能力评估层，获得介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数；将介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数输入至评估加权层，获得连通系数；基于信息输出层将连通系数作为模型输出结果进行输出，并向周围路段上的车辆发送第三预警信号。
根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门。
所述根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门，包括：
初始化第一预警信号、第二预警信号和第三预警信号的权重，分别为w1、w2和w3；其中，w1+w2+w3=1；
获取第一预警信号、第二预警信号和第三预警信号的的等级值，分别为l1、l2和l3；
根据计算公式：l = math.exp(-w1 * l1 - w2 * l2 - w3 * l3) ，计算得到综合预警信号等级值l。
第二方面，本申请实施例提供了一种交通大数据处理系统，包括：
第一获取模块，用于获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；
预测模块，用于对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；
交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；
第二获取模块，用于获取目标路段上的车辆的实时速度、GIS数据和事故率；
第一评价模块，用于根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；
第三获取模块，用于根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；
第二评价模块，用于根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；
综合评价模块，用于根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号。
相较于现有技术，本申请提供的交通大数据处理方法及其系统，获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；获取目标路段上的车辆的实时速度；根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号。可见，本申请通过该方式，不仅能够降低交通流量的不稳定波动对预测精度的影响，从而提高交通流量预测的精准性，而且解决了现有技术中存在的由于交通数据处理方法不完善且需要大量的数据，使得处理效率较为低下，最终的预测和评价结果准确度不足的技术问题，通过进行多维度的处理方法，可有效提高整体预测结果和评价结果的准确度，尤其适用于智慧交通管理等领域。
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，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本申请所提供的一种交通大数据处理方法的流程图；
图2示出了本申请所提供的训练交通流量预测模型的流程图；
图3示出了本申请所提供的一种交通大数据处理系统的示意图；
图4示出了本申请所提供的一种电子设备的示意图。
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方式。虽然附图中显示了本公开的示例性实施方式，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方式所限制。相反，提供这些实施方式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。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。
另外，术语“第一”和“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参考图1，图1是本申请实施例提供的一种交通大数据处理方法，包括以下步骤：
S101、获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；
气象信息包括目标路段上的温度、降水量、风速等气象数据；
搜索信息是指在互联网媒体以及软件上用户进行搜索时产生的位置数据、出行数据等；
在历史时间段内，将上述交通流量、气象信息和搜索信息均统计为时序数据，分别构成交通流量时序数据、气象信息时序数据和搜索信息时序数据；
S102、对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；
优选地，预处理包括数据清洗，去除或修复错误、异常或不完整的数据。
交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；
S103、获取目标路段上的车辆的实时速度、GIS数据和事故率；其中，GIS数据包括目标路段的坡度、车道数、路灯数等特征以及目标路段上的地形数据、建筑物数据、道路网络数据、人口分布等，以上GIS数据可以由GIS地理信息平台上获取；事故率包括目标路段的历史事故率，可以由交通管理部门或民间数据采集平台采集得到；
S104、根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；
在本申请的一些实施例中，交通管理部门会部署交通监控设备，包括雷达测速仪、摄像头等设备可以监测目标路段上的车辆的实时速度，并把数据传输到交通管理中心或其他相关部门；
S105、根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；
S106、根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；
S107、根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号。
请参考图2，在上述步骤S102中，具体按照以下方式预先训练所述交通流量预测模型：
S1021、获取目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本；
S1022、对历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本进行所述预处理后，将历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本分别转化为交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据；
S1023、将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型。
在本实施例中，所述时间序列神经网络包括多向表示提取层、线性表示提取层和自适应表示合并层；将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型，具体包括以下步骤：
S1、分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入多向表示提取层，得到多向相关性表征，多向相关性表征包括：交通流量的周期相关性表征和临近时间点相关性表征，气象信息的周期相关性表征和临近时间点相关性表征，以及搜索信息的周期相关性表征、临近时间点相关性表征和变量间相关性表征；
S2、分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入所述线性表示提取层，得到交通流量的线性模式；
S3、基于自适应表示合并层融合线性模式和多向相关性表征，得到时间序列神经网络输出的目标路段的历史预测交通流量；
S4、基于历史预测交通流量和历史交通流量时序数据样本中与历史预测交通流量对应的真实交通流量，对时间序列神经网络中的参数进行调节，直至达到预设条件后，得到交通流量预测模型，从而有助于得到更加准确的交通流量。
在上述步骤S103中，所述根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果，包括；
S1030、对预估交通流量、GIS数据和事故率进行数据清洗和预处理，包括去除无效数据、填补缺失值、消除异常值等；
S1031、构建评价指标体系，并基于预估交通流量、GIS数据和事故率，建立判断矩阵；
S1032、基于判断矩阵并通过层次分析法计算预估交通流量、GIS数据和事故率的初始权重；
S1033、对预估交通流量、GIS数据和事故率的初始权重进行主成分分析，得到预估交通流量、GIS数据和事故率的特征值及预估交通流量、GIS数据和事故率的对应的贡献率，基于特征值和贡献率选取主成分，得到预估交通流量、GIS数据和事故率的最终权重；
S1034、对预估交通流量、GIS数据和事故率进行归一化，基于归一化结果和最终权重得到第一评价分析结果。
本申请通过以上步骤可以以少量具有代表性的数据描述实际情况，获取更加客观的权重，为后续的精准评价提供了基础。
在步骤S106中，所述根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果，包括：
根据目标路段与周边路段的连通性，预测周边路段上车辆的预测速度；
对目标路段上的车辆的实时速度进行统计，获得实时速度统计结果；
通过实时速度统计结果生成第一关联系数；
获得周围路段上车辆的预测速度，获得第二关联系数；
根据所述第一关联系数和第二关联系数生成关联值；
根据关联值生成第二评价分析结果，并向目标路段上的车辆发送第二预警信号。
在步骤S107中，所述根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号，包括：
设定评价目标信息；
根据评价目标信息，确定第一评价分析结果和第二评价分析结果的权重值；
利用第一评价分析结果和第二评价分析结果的权重值对权重层进行权重设置；
基于所述权重层设置的权重，通过处理层将第一评价分析结果和第二评价分析结果进行加权计算，输出综合评价。
在本申请一些实施例中，所述的方法还包括以下步骤：
将目标路段与周边路段的连通性输入至评估模型中进行评估；
上述评估模型包括信息输入层、能力评估层、评估加权层、信息输出层；
将目标路段与周边路段的连通性通过信息输入层输入至能力评估层，获得介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数；将介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数输入至评估加权层，获得连通系数；基于信息输出层将连通系数作为模型输出结果进行输出，并向周围路段上的车辆发送第三预警信号。
其中，介数中心性评估系数是一种衡量目标路段在区域中重要性的指标，它考虑的是目标路段在所有最短路径中出现的次数。如果目标路段在许多最短路径中都是必经之路，那么它的介数中心性评估系数就高，这表明该目标路段在交通网络中具有重要地位。
接近中心性评估系数考虑的是目标路段到其他所有路段的平均距离。如果平均距离短，那么它的接近中心性评估系数就高，这表明该目标路段在交通网络中可以快速到达周围路段。
拓补评估系数是指用于评估目标路段的拓扑结构或者拓扑关系的参数，如果目标路段的拓补评估系数高，则这个目标路段的连通性就很高。
聚类系数考虑的是区域上所有目标路段的实际邻居数与最大可能的邻居数之间的比值。如果一个区域的聚类系数高，那么它的聚类程度就高，这表明该区域上的结构紧密。
为了能够更好地起到预警作用，根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门，具体可以发送至交通管理部门的智能手机、平板电脑、膝上型便携计算机或台式计算机等平台上，从而实现智慧化管理。
在上述步骤中，所述根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门，具体包括：
初始化第一预警信号、第二预警信号和第三预警信号的权重，分别为w1、w2和w3；其中，w1+w2+w3=1；其中，w1+w2+w3=1；
获取第一预警信号、第二预警信号和第三预警信号的的等级值，分别为l1、l2和l3；
根据计算公式：l = math.exp(-w1 * l1 - w2 * l2 - w3 * l3) ，计算得到综合预警信号等级值l，若综合预警信号等级值超过预设的阈值，则启动交通管制，从而更好地反映综合预警信号的重要性和影响程度，为交通管理部门提供决策和依据。
相较于现有技术，本申请提供的交通大数据处理方法及其系统，获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；获取目标路段上的车辆的实时速度；根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号。可见，本申请通过该方式，不仅能够降低交通流量的不稳定波动对预测精度的影响，从而提高交通流量预测的精准性，而且解决了现有技术中存在的由于交通数据处理方法不完善且需要大量的数据，使得处理效率较为低下，最终的预测和评价结果准确度不足的技术问题，通过进行多维度的处理方法，可有效提高整体预测结果和评价结果的准确度，尤其适用于智慧交通管理等领域。
在上述的实施例中，提供了一种交通大数据处理方法，与之相对应的，本申请还提供一种交通大数据处理系统。本申请实施例提供的系统可以实施上述交通大数据处理方法，该交通大数据处理系统可以通过软件、硬件或软硬结合的方式来实现。例如，该交通大数据处理系统可以包括集成的或分开的功能模块或单元来执行上述各方法中的对应步骤。请参考图2，其示出了本申请的一些实施方式所提供的交通大数据处理系统的示意图。由于系统实施例基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。
本申请实施例提供的一种交通大数据处理系统，包括以下模块：
第一获取模块101，用于获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；
预测模块102，用于对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；
交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；
第二获取模块103，用于获取目标路段上的车辆的实时速度、GIS数据和事故率；
第一评价模块104，用于根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；
第三获取模块105，用于根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；
第二评价模块106，用于根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；
综合评价模块107，用于根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号。
所述的系统按照以下方式预先训练所述交通流量预测模型：
第四获取模块，用于获取目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本；
转化模块，用于对历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本进行所述预处理后，将历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本分别转化为交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据；
训练模块，用于将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型。
所述时间序列神经网络包括多向表示提取层、线性表示提取层和自适应表示合并层；将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型，包括：
分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入多向表示提取层，得到多向相关性表征，多向相关性表征包括：交通流量的周期相关性表征和临近时间点相关性表征，气象信息的周期相关性表征和临近时间点相关性表征，以及搜索信息的周期相关性表征、临近时间点相关性表征和变量间相关性表征；
分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入所述线性表示提取层，得到交通流量的线性模式；
基于自适应表示合并层融合线性模式和多向相关性表征，得到时间序列神经网络输出的目标路段的历史预测交通流量；
基于历史预测交通流量和历史交通流量时序数据样本中与历史预测交通流量对应的真实交通流量，对时间序列神经网络中的参数进行调节，直至达到预设条件后，得到交通流量预测模型。
在本实施例中，所述根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果，具体包括；
构建评价指标体系，并基于预估交通流量、GIS数据和事故率，建立判断矩阵；
基于判断矩阵并通过层次分析法计算预估交通流量、GIS数据和事故率的初始权重；
对预估交通流量、GIS数据和事故率的初始权重进行主成分分析，得到预估交通流量、GIS数据和事故率的特征值及预估交通流量、GIS数据和事故率的对应的贡献率，基于特征值和贡献率选取主成分，得到预估交通流量、GIS数据和事故率的最终权重；
对预估交通流量、GIS数据和事故率进行归一化，基于归一化结果和最终权重得到第一评价分析结果。
在本实施例中，所述根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果，包括：
根据目标路段与周边路段的连通性，预测周边路段上车辆的预测速度；
对目标路段上的车辆的实时速度进行统计，获得实时速度统计结果；
通过实时速度统计结果生成第一关联系数；
获得周围路段上车辆的预测速度，获得第二关联系数；
根据所述第一关联系数和第二关联系数生成关联值；
根据关联值生成第二评价分析结果，并向目标路段上的车辆发送第二预警信号。
在本实施例中，所述根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号，包括：
设定评价目标信息；
根据评价目标信息，确定第一评价分析结果和第二评价分析结果的权重值；
利用第一评价分析结果和第二评价分析结果的权重值对权重层进行权重设置；
基于所述权重层设置的权重，通过处理层将第一评价分析结果和第二评价分析结果进行加权计算，输出综合评价。
所述的系统还包括：
将目标路段与周边路段的连通性输入至评估模型中进行评估；
评估模型包括信息输入层、能力评估层、评估加权层、信息输出层；
将目标路段与周边路段的连通性通过信息输入层输入至能力评估层，获得介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数；将介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数输入至评估加权层，获得连通系数；基于信息输出层将连通系数作为模型输出结果进行输出，并向周围路段上的车辆发送第三预警信号。
在本实施例中，根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门。
所述根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门，包括：
初始化第一预警信号、第二预警信号和第三预警信号的权重，分别为w1、w2和w3；其中，w1+w2+w3=1；
获取第一预警信号、第二预警信号和第三预警信号的的等级值，分别为l1、l2和l3；
根据计算公式：l = math.exp(-w1 * l1 - w2 * l2 - w3 * l3) ，计算得到综合预警信号等级值l。
本申请实施例提供的系统与本申请实施例提供的交通大数据处理方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的方法对应的电子设备，所述电子设备可以是用于客户端的电子设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行上述预测方法。
请参考图4，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图4所示，所述电子设备20包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的钓鱼邮件溯源方法。
其中，存储器201可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口203（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述钓鱼邮件溯源方法可以应用于处理器200中，或者由处理器200实现。
处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的预测方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的预测方法对应的计算机可读存储介质，其上存储有计算机程序（即程序产品），所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的预测方法。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的预测方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。
Claims (9)
1.一种交通大数据处理方法，其特征在于，包括以下步骤：
获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；
对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；
交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；
获取目标路段上的车辆的实时速度、GIS数据和事故率；
根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；
根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；
根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；
根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号；
所述根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果，包括：
根据目标路段与周边路段的连通性，预测周边路段上车辆的预测速度；
对目标路段上的车辆的实时速度进行统计，获得实时速度统计结果；
通过实时速度统计结果生成第一关联系数；
获得周围路段上车辆的预测速度，获得第二关联系数；
根据所述第一关联系数和第二关联系数生成关联值；
根据关联值生成第二评价分析结果，并向目标路段上的车辆发送第二预警信号。
2.根据权利要求1所述的方法，其特征在于，按照以下方式预先训练所述交通流量预测模型：
获取目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本；
对历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本进行所述预处理后，将历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本分别转化为交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据；
将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型。
3.根据权利要求2所述的方法，其特征在于，所述时间序列神经网络包括多向表示提取层、线性表示提取层和自适应表示合并层；将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入时间序列神经网络进行训练，在达到预设训练截止条件后得到交通流量预测模型，包括：
分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入多向表示提取层，得到多向相关性表征，多向相关性表征包括：交通流量的周期相关性表征和临近时间点相关性表征，气象信息的周期相关性表征和临近时间点相关性表征，以及搜索信息的周期相关性表征、临近时间点相关性表征和变量间相关性表征；
分别将交通流量有监督数据、气象信息有监督数据和搜索信息有监督数据输入所述线性表示提取层，得到交通流量的线性模式；
基于自适应表示合并层融合线性模式和多向相关性表征，得到时间序列神经网络输出的目标路段的历史预测交通流量；
基于历史预测交通流量和历史交通流量时序数据样本中与历史预测交通流量对应的真实交通流量，对时间序列神经网络中的参数进行调节，直至达到预设条件后，得到交通流量预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果，包括；
构建评价指标体系，并基于预估交通流量、GIS数据和事故率，建立判断矩阵；
基于判断矩阵并通过层次分析法计算预估交通流量、GIS数据和事故率的初始权重；
对预估交通流量、GIS数据和事故率的初始权重进行主成分分析，得到预估交通流量、GIS数据和事故率的特征值及预估交通流量、GIS数据和事故率的对应的贡献率，基于特征值和贡献率选取主成分，得到预估交通流量、GIS数据和事故率的最终权重；
对预估交通流量、GIS数据和事故率进行归一化，基于归一化结果和最终权重得到第一评价分析结果。
5.根据权利要求1所述的方法，其特征在于，所述根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号，包括：
设定评价目标信息；
根据评价目标信息，确定第一评价分析结果和第二评价分析结果的权重值；
利用第一评价分析结果和第二评价分析结果的权重值对权重层进行权重设置；
基于所述权重层设置的权重，通过处理层将第一评价分析结果和第二评价分析结果进行加权计算，输出综合评价。
6.根据权利要求1所述的方法，其特征在于，还包括：
将目标路段与周边路段的连通性输入至评估模型中进行评估；
评估模型包括信息输入层、能力评估层、评估加权层、信息输出层；
将目标路段与周边路段的连通性通过信息输入层输入至能力评估层，获得介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数；将介数中心性评估系数、接近中心性评估系数、拓补评估系数和聚类系数输入至评估加权层，获得连通系数；基于信息输出层将连通系数作为模型输出结果进行输出，并向周围路段上的车辆发送第三预警信号。
7.根据权利要求1或6所述的方法，其特征在于，根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一预警信号、第二预警信号和第三预警信号，获取综合预警信号，并发送至交通管理部门，包括：
初始化第一预警信号、第二预警信号和第三预警信号的权重，分别为w1、w2和w3；其中，w1+w2+w3=1；
获取第一预警信号、第二预警信号和第三预警信号的等级值，分别为l1、l2和l3；
根据计算公式：l = math.exp(-w1 * l1 - w2 * l2 - w3 * l3) ，计算得到综合预警信号等级值l。
9.一种交通大数据处理系统，其特征在于，包括：
第一获取模块，用于获取目标路段在设定历史时间段内的交通流量时序数据、气象信息时序数据和搜索信息时序数据；
预测模块，用于对交通流量时序数据、气象信息时序数据和搜索信息时序数据进行预处理后，输入预先训练的交通流量预测模型，得到所述目标路段在未来设定时间段内的预估交通流量；
交通流量预测模型是通过目标路段的历史交通流量时序数据样本、历史气象信息时序数据样本和历史搜索信息时序数据样本对时间序列神经网络进行训练得到的；
第二获取模块，用于获取目标路段上的车辆的实时速度、GIS数据和事故率；
第一评价模块，用于根据预估交通流量、GIS数据和事故率，对目标路段进行评价，得到第一评价分析结果；
第三获取模块，用于根据预估交通流量、目标路段和周边路段的长度和类型、以及目标路段和周边路段的交叉口和交通控制设备的类型和数量获得目标路段与周边路段的连通性；
第二评价模块，用于根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果；
综合评价模块，用于根据第一评价分析结果和第二评价分析结果，获得综合评价，并向目标路段上的车辆发送第一预警信号；
所述根据目标路段上的车辆的实时速度以及目标路段与周边路段的连通性，对周围路段进行评价，得到第二评价分析结果，包括：
根据目标路段与周边路段的连通性，预测周边路段上车辆的预测速度；
对目标路段上的车辆的实时速度进行统计，获得实时速度统计结果；
通过实时速度统计结果生成第一关联系数；
获得周围路段上车辆的预测速度，获得第二关联系数；
根据所述第一关联系数和第二关联系数生成关联值；
根据关联值生成第二评价分析结果，并向目标路段上的车辆发送第二预警信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311321865.3A CN117058888B (zh) | 2023-10-13 | 2023-10-13 | 一种交通大数据处理方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311321865.3A CN117058888B (zh) | 2023-10-13 | 2023-10-13 | 一种交通大数据处理方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117058888A CN117058888A (zh) | 2023-11-14 |
| CN117058888B true CN117058888B (zh) | 2023-12-22 |
Family
ID=88664896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311321865.3A Active CN117058888B (zh) | 2023-10-13 | 2023-10-13 | 一种交通大数据处理方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117058888B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007103180A2 (en) * | 2006-03-03 | 2007-09-13 | Inrix, Inc. | Assessing road traffic conditions using data from mobile data sources |
| CN113065804A (zh) * | 2021-04-27 | 2021-07-02 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
| CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
| WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
| CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
| CN116259172A (zh) * | 2022-09-09 | 2023-06-13 | 浙江工业大学 | 考虑交通网络时空特征的城市道路速度预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7912628B2 (en) * | 2006-03-03 | 2011-03-22 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
| CN111583639B (zh) * | 2020-04-30 | 2021-05-14 | 山东交通学院 | 一种道路交通拥堵预警方法及系统 |
-
2023
- 2023-10-13 CN CN202311321865.3A patent/CN117058888B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007103180A2 (en) * | 2006-03-03 | 2007-09-13 | Inrix, Inc. | Assessing road traffic conditions using data from mobile data sources |
| CN113065804A (zh) * | 2021-04-27 | 2021-07-02 | 山东交通学院 | 一种危化品道路运输风险评估方法及系统 |
| WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和系统 |
| CN114664091A (zh) * | 2022-04-26 | 2022-06-24 | 中远海运科技股份有限公司 | 一种基于节假日流量预测算法的预警方法及系统 |
| CN116259172A (zh) * | 2022-09-09 | 2023-06-13 | 浙江工业大学 | 考虑交通网络时空特征的城市道路速度预测方法 |
| CN116050672A (zh) * | 2023-03-31 | 2023-05-02 | 山东银河建筑科技有限公司 | 基于人工智能的城市管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多特征融合的交通状态判别与预测研究;张硕;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117058888A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dou et al. | A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways | |
| CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
| CN113340353B (zh) | 一种输电线路的监测方法、设备及介质 | |
| CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| CN111242364A (zh) | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 | |
| CN113409167A (zh) | 一种水质异常分析方法及装置 | |
| CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
| CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
| CN114399321A (zh) | 一种业务系统稳定性分析方法、装置和设备 | |
| CN112434075A (zh) | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 | |
| Moghaddam et al. | Real-time prediction of arterial roadway travel times using data collected by bluetooth detectors | |
| CN116703004B (zh) | 一种基于预训练模型的水系流域智慧巡护方法和装置 | |
| CN114594532A (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
| CN116934558B (zh) | 一种无人机自动巡护监测方法及其系统 | |
| CN117058888B (zh) | 一种交通大数据处理方法及其系统 | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN116526670A (zh) | 面向电力大数据可视化的信息融合方法 | |
| CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
| Zhang et al. | Accident Detection and Flow Prediction for Connected and Automated Transport Systems | |
| Chen et al. | Improved Long Short-Term Memory-Based Periodic Traffic Volume Prediction Method | |
| CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
| CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
| CN113327452A (zh) | 停车场的数据处理方法、装置以及电子设备 | |
| Zhang et al. | Dynamic pricing strategy for high occupancy toll lanes based on random forest and nested model | |
| CN117892155B (zh) | 一种充电桩数据处理方法及其系统 |
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 |