CN117151427A - 一种基于大数据的交通警务协同管理方法及系统 - Google Patents
一种基于大数据的交通警务协同管理方法及系统 Download PDFInfo
- Publication number
- CN117151427A CN117151427A CN202311401973.1A CN202311401973A CN117151427A CN 117151427 A CN117151427 A CN 117151427A CN 202311401973 A CN202311401973 A CN 202311401973A CN 117151427 A CN117151427 A CN 117151427A
- Authority
- CN
- China
- Prior art keywords
- road
- node
- value
- traffic police
- nodes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及交通警务人员管理领域,具体涉及一种基于大数据的交通警务协同管理方法及系统。该方法包括:获取不同时间段下每条道路的路况数据,根据天气状况对所有时间段下的路况数据进行聚类,并构建出道路结点和数量结点,根据聚类簇中不同道路的车流量、交警数量和执勤时长为每个道路结点赋予道路结点值,并初始化每个数量结点的数量结点值,进而获取道路结点和数量结点之间的边权值,结合道路结点值、数量结点值和边权值对道路结点和数量结点进行二分图匹配,获得每条道路的交警需要量,并根据交警需求量为道路分配交警。本发明能够根据道路的实际情况对交警的数量进行最优分配,提高对交通警务人员管理的效率。
Description
技术领域
本发明涉及交通警务人员管理领域,具体涉及一种基于大数据的交通警务协同管理方法及系统。
背景技术
当道路发生拥堵时通常需要分配交通警务人员对现场执勤,以保证道路能够保持正常通行,随着科技的发展和数据的爆炸性增长,大量的交通数据可以被收集、存储和分析,以改善交通警务人员管理的效率和准确性。
相关技术中通常根据道路上的车辆数量和事故车辆数量获取道路的拥堵程度,基于拥堵程度为每条道路分配一定数量的交通警务人员,但是由于不同交通警务人员的数量对道路疏通的效率不同,同时不同天气状况下道路所需要交通警务人员的数量也存在差异,通过现有技术无法根据道路的实际情况对交通警务人员数量进行最优分配,从而降低对交通警务人员管理的合理性和交通警务管理的效率。
发明内容
为了解决通过现有技术无法根据道路的实际情况对交通警务人员数量进行最优分配,从而降低对交通警务人员管理的合理性和交通警务管理的效率的技术问题,本发明的目的在于提供一种基于大数据的交通警务协同管理方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于大数据的交通警务协同管理方法,所述方法包括:
获取不同时间段下每条道路的路况数据,所述路况数据包括车流量、天气状况、交警数量和交警的执勤时长;
根据所述天气状况对所有时间段下的所述路况数据进行聚类,获得不同的聚类簇;将任意一个聚类簇作为目标聚类簇;根据目标聚类簇中所有时间段下相同道路的所述交警数量获得数量结点的数值,将每条道路作为道路结点;
根据目标聚类簇中相同时间段下不同道路之间所述车流量的差异、所述交警数量的差异和所述执勤时长的差异,获得每个道路结点的道路结点值;根据目标聚类簇中所有时间段下每条道路的所述车流量和所述数量结点的数值,获得道路结点和数量结点之间的边权值;
初始化每个所述数量结点的数量结点值,根据所述道路结点值、所述数量结点值和所述边权值对所述道路结点和所述数量结点进行二分图匹配,获得每条道路的交警需求量;根据所述交警需求量对交通警务进行协同管理。
进一步地,所述根据所述天气状况对所有时间段下的所述路况数据进行聚类,获得不同的聚类簇包括:
将所有时间段下所有道路的所述天气状况相同的路况数据归到一个聚类簇中。
进一步地,所述根据目标聚类簇中所有时间段下相同道路的所述交警数量获得数量结点的数值包括:
将所述目标聚类簇中所有时间段下相同道路的所述交警数量的平均值,作为数量结点的数值。
进一步地,所述根据目标聚类簇中相同时间段下不同道路之间所述车流量的差异、所述交警数量的差异和所述执勤时长的差异,获得每个道路结点的道路结点值包括:
将所述目标聚类簇中每个时间段下每条道路的所述车流量与所述交警数量的乘积值,作为每个时间段下每条道路的执勤任务量,将所述执勤任务量与对应时间段下对应道路的所述执勤时长的比值进行正相关映射,获得每个时间段下每条道路的执勤效率;
将与每条道路相互连通的道路作为每条道路的参考道路;
将每条所述参考道路的执勤效率与每条道路的执勤效率的差值,作为每条道路与对应的参考道路之间的执勤效率差异;对每条所述参考道路的交警数量与所述执勤效率差异的乘积值进行取整,获得每条道路与对应的每条参考道路之间的初始调整值;
将每条道路与对应的所有参考道路之间的所述初始调整值进行累加,获得每个时间段下每条道路的整体调整值;
将目标聚类簇中每个时间段下每条道路的所述交警数量与所述整体调整值的和值,作为每个时间段下每条道路的结点参数;
将所述目标聚类簇中所有时间段下相同道路的所述结点参数的最大值,作为对应道路结点的道路结点值。
进一步地,所述根据目标聚类簇中所有时间段下每条道路的所述车流量和所述数量结点的数值,获得道路结点和数量结点之间的边权值包括:
将所述目标聚类簇中所有时间段下相同道路的所述车流量的平均值,作为每个道路结点的整体车流量;
将任意一个所述道路结点的所述整体车流量和每一个所述数量结点的数值的乘积值进行归一化处理,获得道路结点和每一个数量结点之间的边权值。
进一步地,所述根据所述道路结点值、所述数量结点值和所述边权值对所述道路结点和所述数量结点进行二分图匹配,获得每条道路的交警需求量包括:
基于KM二分图匹配算法,根据所述道路结点值、所述数量结点值和所述边权值对所述道路结点和所述数量结点进行迭代匹配,获得相互匹配的道路结点和数量结点;
在每次迭代匹配的过程中若匹配失败,则根据已匹配的道路结点与对应数量结点之间的边权值,以及已匹配的道路结点与未匹配的数量结点之间的边权值,获得结点调整值;将每个已匹配的道路结点的所述道路结点值与所述结点调整值的差值,作为下一次迭代的道路结点值,将每个已匹配道路结点对应的所述数量结点的所述数量结点值与所述结点调整值的和值,作为下一次迭代的数量结点值,对所述道路结点和所述数量结点继续进行迭代匹配;
在每次迭代匹配的过程中若匹配成功,则继续进行迭代匹配,直至所有所述道路结点与所有所述数量结点之间完成相互匹配;
将每个所述数量结点的数值作为相互匹配的道路结点对应的道路的交警需求量。
进一步地,所述根据已匹配的道路结点与对应数量结点之间的边权值,以及已匹配的道路结点与未匹配的数量结点之间的边权值,获得结点调整值包括:
将已匹配的道路结点与对应数量结点之间的边权值,作为第一权值;
将已匹配的道路结点与每个未匹配的数量结点之间的边权值,作为第二权值;
将所述第一权值与每个所述第二权值的差值的绝对值作为权值差异,将所有所述权值差异的最小值,作为每个已匹配的道路结点的调整参数;
根据所有已匹配的道路结点的所述调整参数,获得结点调整值。
进一步地,所述根据所有已匹配的道路结点的所述调整参数,获得结点调整值包括:
将所有已匹配的道路结点的所述调整参数的最小值,作为结点调整值。
进一步地,所述根据所述交警需求量对交通警务进行协同管理包括:
根据所述交警需求量为每条道路分配对应数量的交警。
本发明还提出了一种基于大数据的交通警务协同管理系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项一种基于大数据的交通警务协同管理方法的步骤。
本发明具有如下有益效果:
本发明考虑到现有技术无法根据道路的实际情况为道路分配合理的交警数量,首先从数据库获取不同时间段内各道路的路况数据,为后续的分析提供数据支持,考虑到不同天气状况下道路实际所需要的交警数量不同,因此基于天气状况数据对各时间段的路况数据进行聚类,使得同一聚类簇中各道路的天气状况是相同的,并且在后续中针对同一聚类簇中的路况数据进行分析,便于能够根据天气状况对交警的数量进行合理分配;本发明为了对每条道路进行最优的警员分配,基于二分图匹配的思想,通过构建道路结点和数量结点,并综合不同道路之间的车流量、警员数量和执勤时长的差异计算道路结点的道路结点值,进一步通过获取的道路节点和数量结点之间的边权值,对道路节点和数量结点进行匹配,从而可实现在不同的天气状况下能够根据实际路况对每条道路进行交警数量的最优分配,提高了对交通警务人员管理的合理性和交通警务管理的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于大数据的交通警务协同管理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于大数据的交通警务协同管理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于大数据的交通警务协同管理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于大数据的交通警务协同管理方法流程图,该方法包括:
步骤S1:获取不同时间段下每条道路的路况数据,路况数据包括车流量、天气状况、交警数量和交警的执勤时长。
随着城市化进程的加快和人口数量的增长,导致道路交通拥堵的加剧,当道路发生拥堵时通常需要及时分配一定数量的交通警务人员到现场执勤,维持道路的交通秩序,以保证道路能够保持正常通行,随着科技的发展和数据的爆炸性增长,大量的交通数据可以被收集、存储和分析,实现交通警务人员的合理分配,以改善交通警务人员管理的效率和准确性。
本发明实施例首先从数据库中获取过去一年内各个道路在不同时间段的路况数据,其中的路况数据包括每个时间段内每条道路的车流量、天气状况、交警数量和交警的执勤时长,其中在本发明的一个实施例中时间段的可设置为一天,在本发明的其他实施例中也可根据具体实施场景将时间段设置为两天或三天等,在此不作限定。
获取到每条道路在不同时间段内的路况数据后,在后续中便可基于路况数据对道路的实际情况进行分析,进而为每条道路分配合理数量的交警人员。
步骤S2:根据天气状况对所有时间段下的路况数据进行聚类,获得不同的聚类簇;将任意一个聚类簇作为目标聚类簇;根据目标聚类簇中所有时间段下相同道路的交警数量获得数量结点的数值,将每条道路作为道路结点。
考虑到在不同的天气状况下同一道路对交警的需求数量不同,例如对于同一道路,在天气较为晴朗时,道路环境较好,不易发生交通拥挤的情况,因此需要为道路分配的交警数量较少,而对于雨天或雪天,道路环境较差,发生交通拥挤或交通事故较频繁,因此需要为道路分配更多数量的交警,并且雪天的道路环境最为复杂,所需分配的交警的数量也应该最多,因此可首先基于天气状况对所有时间段的路况数据进行聚类,获取不同的聚类簇,使得同一个聚类簇中不同时间段内所有道路的天气状况是相同的,在后续中可针对同一个聚类簇中的路况数据进行分析,便于能够根据天气状况对每条道路分配合理数量的交警人员。
优选地,在本发明的一个实施例中不同的聚类簇的获取方法具体包括:
基于k-means聚类算法,根据路况数据的天气状况对所有时间段下道路的路况数据进行聚类,获得不同的聚类簇,其中,同一个聚类簇中不同时间段下所有道路对应的路况数据中的天气状况相同,例如在过去一年内只有第一天和最后一天是雨天,则第一天和最后一天中所有道路的天气状况是相同的,在某个聚类簇中包括了第一天中所有道路的路况数据和最后一天中所有道路的路况数据。需要说明的是,k-means聚类算法是本领域技术人员熟知的技术手段,在此不做赘述,在本发明的其他实施例中也可使用例如DBSCAN算法等聚类算法进行聚类,在此不作限定。
为了能够根据天气状况对交警的数量进行合理分配,完成聚类后,便可对同一个聚类簇中的路况数据进行分析,在本发明实施例中将任意一个聚类簇作为目标聚类簇,对其他聚类簇的分析与对目标聚类簇的分析完全相同,由于目标聚类簇中存在不同时间段内所有道路的路况数据,为了能够实现对每条道路进行最优分配,本发明实施例基于二分图匹配的思想,首先将每条道路视为一个道路结点,并根据目标聚类簇中所有时间段下相同道路的交警数据获得数量结点,在后续中可对构建出的道路结点和数量结点进行二分图匹配,从而实现为每条道路进行交警数量的最优分配,其中,道路结点表示的是每条道路,而数量结点表示的是最终为道路所分配的交警的数量,需要说明的是,每条道路均可对应一个道路结点和数量结点,但在后续二分图匹配的结果中某个道路结点所匹配的数量结点可能是其他道路所对应的数量结点。
优选地,在本发明的一个实施例中数量结点的数值的获取方法具体包括:
将目标聚类簇中所有时间段下相同道路的交警数量的平均值,作为数量结点的数值,其中数量结点的数量等于道路的总数量,因此数量结点的数量也等于道路结点的数量。数量结点的构建公式具体可以例如为:
其中,表示第/>个数量结点,同时/>也可理解为该数量结点对应的数值;/>表示目标聚类簇中第/>个时间段的第/>条道路的交警数量;/>表示目标聚类簇中时间段的数量。
在目标聚类簇中构建完成道路结点和数量结点后,便可对目标聚类簇中的路况数据做出进一步的分析,从而对道路结点和数量结点进行最优匹配。
步骤S3:根据目标聚类簇中相同时间段下不同道路之间车流量的差异、交警数量的差异和执勤时长的差异,获得每个道路结点的道路结点值;根据目标聚类簇中所有时间段下每条道路的车流量和数量结点的数值,获得道路结点和数量结点之间的边权值。
为了便于后续对道路结点和数量结点进行二分图匹配,还需要为每个道路结点赋予一个结点值,考虑到目标聚类簇中相同时间段下不同道路之间的车流量、交警数量和交警的执勤时长都存在差异,而这三种数据决定了交警执勤的效率,因此可根据目标聚类簇中相同时间段下不同道路之间车流量的差异、交警数量的差异和执勤时长的差异,为每个道路结点赋予一个道路结点值,便于后续根据道路结点值对道路结点和数量结点进行二分图匹配。
优选地,在本发明的一个实施例中每个道路结点的道路结点值的获取方法具体包括:
将目标聚类簇中每个时间段下每条道路的车流量与交警数量的乘积值,作为每个时间段下每条道路的执勤任务量,将执勤任务量与对应时间段下对应道路的执勤时长的比值进行正相关映射,获得每个时间段下每条道路的执勤效率;将与每条道路相互连通的道路作为每条道路的参考道路;将每条参考道路的执勤效率与每条道路的执勤效率的差值,作为每条道路与对应的参考道路之间的执勤效率差异;对每条参考道路的交警数量与执勤效率差异的乘积值进行取整,获得每条道路与对应的每条参考道路之间的初始调整值;将每条道路与对应的所有参考道路之间的初始调整值进行累加,获得每个时间段下每条道路的整体调整值;将目标聚类簇中每个时间段下每条道路的交警数量与整体调整值的和值,作为每个时间段下每条道路的结点参数;将目标聚类簇中所有时间段下相同道路的结点参数的最大值,作为对应道路结点的道路结点值。其中,每个时间段下每条道路的结点参数的表达式具体可以例如为:
其中,表示目标聚类簇中第/>个时间段的第/>条道路的结点参数;/>表示目标聚类簇中第/>个时间段的第/>条道路的交警数量;/>表示目标聚类簇中第/>个时间段的第/>条道路的整体调整值;/>表示第/>条道路对应的参考道路的数量;/>表示目标聚类簇中第个时间段的第/>条道路对应的第/>条参考道路的交警数量;/>表示目标聚类簇中第/>个时间段的第/>条道路的执勤效率;/>表示目标聚类簇中第/>个时间段的第/>条道路对应的第/>条参考道路的执勤效率;/>表示目标聚类簇中第/>个时间段的第/>条道路的车流量;/>表示目标聚类簇中第/>个时间段的第/>条道路的交警数量;/>表示目标聚类簇中第/>个时间段的第/>条道路的执勤时长;/>表示取整函数;/>表示以自然常数/>为底的指数函数。
在每个时间段下每条道路的结点参数的获取过程中,由于在每个时间段下每条道路的车流量、交警数量/>以及交警的执勤时长/>决定了该道路上的交警在该时间段内执勤的效率,因此将车流量/>和交警数量/>的乘积值/>作为道路的执勤任务量,并将执勤任务量与执勤时长/>的比值进行指数函数的正相关映射,获得执勤效率/>,其中车流量/>越大,交警数量/>越大,说明交警完成的任务量越多,则交警在该道路的时间段内的执勤效率/>越大,执勤时长/>越小,说明交警完成任务所用时长越短,则执勤效率/>越大;同时本发明实施例考虑到道路之间的连通情况,通过执勤效率差异反映每条道路与对应的参考道路之间执勤效率的差别,若执勤效率差异小于0,说明该道路的执勤效率大于对应的某条参考道路的执勤效率,进而说明需要从该道路中调离一部分交警到该参考道路中记性协同执勤,若执勤效率差异大于0,则情况相反,若执勤效率差异等于0,则该道路与对应的某个参考道路之间不需要进行人员的调动,因此在本发明的一个实施例中通过初始调整值/>反映道路与对应的每个参考道路之间交警人员的变动情况,并综合每条道路与对应的所有参考道路之间的初始调整值,获得整体调整值/>,进而通过整体调整值/>对每条道路的交警人数进行调整,将调整后的结果/>作为每个时间段下每条道路的结点参数/>。
获取到每个道路结点的道路结点值后,还需要为任意一个道路结点和任意一个数量结点之间赋予一个边权值,在后续中可基于边权值为每个道路结点匹配到最优的数量结点。
优选地,在本发明的一个实施例中道路结点和数量结点之间的边权值的获取方法具体包括:
将目标聚类簇中所有时间段下相同道路的车流量的平均值,作为每个道路结点的整体车流量;将任意一个道路结点的整体车流量和每一个数量结点的数值的乘积值进行归一化处理,获得道路结点和每一个数量结点之间的边权值。边权值的表达式具体可以例如为:
其中,表示第/>个道路结点和第/>个数量结点之间的边权值;/>表示目标聚类簇中第/>个时间段的第/>条道路的车流量;/>表示第/>个数量结点的数值,即目标聚类簇中所有时间段下第/>个相同道路的交警数量的平均值;/>表示目标聚类簇中时间段的数量;表示归一化函数。
在道路结点和数量结点之间的边权值的获取过程中,通过将目标聚类簇中所有时间段下相同的道路的车流量的平均值,作为每个道路结点的整体车流量,其中每条道路在每个时间段下的车流量/>越大,说明道路在该时间段内实际所需要的交警的数量就越多,同时每个数量结点的数值/>越大,说明该数量结点能够分配的交警的数量就越多,而后续基于二分图匹配的思想是通过优先选择较大的边权值进行道路结点和数量结点的匹配,同时为了消除整体车流量和数量结点的数值之间量纲的不同,将整体车流量/>和数量结点的数值/>的乘积值进行归一化处理,作为道路结点和数量结点的边权值/>,在本发明的一个实施例中,归一化处理可以具体例如为最大最小值归一化处理,并且,后续步骤中的归一化均可以采用最大最小值归一化处理,在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法,对此不再赘述。
获取到每个道路结点的道路结点值,以及任意一个道路结点和任意一个数量结点之间的边权值后,便可在后续中基于二分图匹配的思想,对道路结点和数量结点进行最优匹配,为每条道路分配最优的交警人员的数量。
步骤S4:初始化每个数量结点的数量结点值,根据道路结点值、数量结点值和边权值对道路结点和数量结点进行二分图匹配,获得每条道路的交警需求量;根据交警需求量对交通警务进行协同管理。
在对道路结点和数量结点进行二分图匹配之前,还需要对每个数量结点的数量结点值进行初始化,将预设数值作为每个数量结点的数量结点值,在本发明的一个实施例中将预设数值的具体数值设置为0,即将数量结点的数量结点值初始化为0,并且数量结点的数量结点值仅仅用于后续对道路结点和数量结点进行二分图匹配。
至此,为每个道路结点和每个数量结点赋予了道路结点值和数量结点值,并获取了任意一个道路结点和任意一个数量结点的边权值,便可基于道路结点值、数量结点值和边权值对道路结点和数量结点进行二分图匹配,从而获得每条道路的交警需求量。
优选地,在本发明的一个实施例中每条道路的交警需求量的获取方法具体包括:
基于KM二分图匹配算法,根据道路结点值、数量结点值和边权值对道路结点和数量结点进行迭代匹配,获得相互匹配的道路结点和数量结点;由于KM二分图匹配算法的匹配是一个迭代过程,并且存在匹配冲突导致匹配失败的情况,因此需要建立一定的规则解决匹配冲突的情况,在每次迭代匹配的过程中若匹配失败,则根据已匹配的道路结点与对应数量结点之间的边权值,以及已匹配的道路结点与未匹配的数量结点之间的边权值,获得结点调整值;将每个已匹配的道路结点的道路结点值与结点调整值的差值,作为下一次迭代的道路结点值,将每个已匹配道路结点对应的数量结点的数量结点值与结点调整值的和值,作为下一次迭代的数量结点值,对道路结点和数量结点继续进行迭代匹配;在每次迭代匹配的过程中若匹配成功,则继续进行迭代匹配,直至所有道路结点与所有数量结点之间完成相互匹配,相互匹配的道路结点和数量结点之间一一对应;将每个数量结点的数值作为相互匹配的道路结点对应的道路的交警需求量。需要说明的是,KM二分图匹配算法是本领域技术人员熟知的技术手段,在此不做赘述。
优选地,在本发明的一个实施例中结点调整值的获取方法具体包括:
将已匹配的道路结点与对应数量结点之间的边权值,作为第一权值;将已匹配的道路结点与每个未匹配的数量结点之间的边权值,作为第二权值;将第一权值与每个第二权值的差值的绝对值作为权值差异,将所有权值差异的最小值,作为每个已匹配的道路结点的调整参数;为了在迭代匹配的过程中使得道路结点值和数量结点值变化最小,提高最终匹配结果的精确性,将所有已匹配的道路结点的调整参数的最小值,作为结点调整值。其中,调整参数的表达式具体可以例如为:
其中,表示第/>个已匹配的道路结点的调整参数;/>表示第/>个已匹配的道路结点与第/>个未匹配的数量结点之间的权值差异;/>表示第/>个已匹配的道路结点与对应的数量结点之间的边权值;/>表示第/>个已匹配的道路结点与第/>个未匹配的数量结点之间的边权值;/>表示未匹配的数量结点的数量。
经过二分图匹配后,每条道路都能获取到最优的交警需求量,便可根据每条道路的交警需求量对交通警务进行协同管理。
优选地,在本发明的一个实施例中对交通警务进行协同管理的方法具体包括:
根据交警需求量为每条道路分配对应数量的交警,其中每条道路所分配的交警的数量等于对应道路的交警需求量。
上述过程是针对目标聚类簇进行分析的,对其他聚类簇可使用完全相同的分析方法,从而可获取到不同天气状况下每条道路的交警需要量,进而可针对不同的天气状况为每条道路分配合理数量的交警人员,提高交通警务人员管理的效率。
本发明一个实施例提供了一种基于大数据的交通警务协同管理系统,该系统包括存储器、处理器和计算机程序,其中存储器用于存储相应的计算机程序,处理器用于运行相应的计算机程序,计算机程序在处理器中运行时能够实现步骤S1~S4所描述的方法。
综上所述,本发明实施例首先获取到不同时间段下每条道路的路况数据,根据天气状况对所有时间段下的路况数据进行聚类,并将任意一个聚类簇作为目标聚类簇,根据目标聚类簇中所有时间段下相同道路的交警数量构建数量结点,然后将每条道路作为道路结点,进而根据目标聚类簇中相同时间段下不同道路之间车流量的差异、交警数量的差异和执勤时长的差异,获得每个道路结点的道路结点值,并基于目标聚类簇中所有时间段下每条道路的车流量和数量结点的数值,获得道路结点和数量结点之间的边权值,将预设数值作为每个数量结点的数量结点值,并根据道路结点值、数量结点值和边权值对道路结点和数量结点进行二分图匹配,并在迭代匹配的过程中基于结点调整值解决匹配冲突,从而获得每条道路的交警需求量;根据交警需求量对交通警务进行协同管理。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于大数据的交通警务协同管理方法,其特征在于,所述方法包括:
获取不同时间段下每条道路的路况数据,所述路况数据包括车流量、天气状况、交警数量和交警的执勤时长;
根据所述天气状况对所有时间段下的所述路况数据进行聚类,获得不同的聚类簇;将任意一个聚类簇作为目标聚类簇;根据目标聚类簇中所有时间段下相同道路的所述交警数量获得数量结点的数值,将每条道路作为道路结点;
根据目标聚类簇中相同时间段下不同道路之间所述车流量的差异、所述交警数量的差异和所述执勤时长的差异,获得每个道路结点的道路结点值;根据目标聚类簇中所有时间段下每条道路的所述车流量和所述数量结点的数值,获得道路结点和数量结点之间的边权值;
初始化每个所述数量结点的数量结点值,根据所述道路结点值、所述数量结点值和所述边权值对所述道路结点和所述数量结点进行二分图匹配,获得每条道路的交警需求量;根据所述交警需求量对交通警务进行协同管理。
2.根据权利要求1所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据所述天气状况对所有时间段下的所述路况数据进行聚类,获得不同的聚类簇包括:
将所有时间段下所有道路的所述天气状况相同的路况数据归到一个聚类簇中。
3.根据权利要求1所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据目标聚类簇中所有时间段下相同道路的所述交警数量获得数量结点的数值包括:
将所述目标聚类簇中所有时间段下相同道路的所述交警数量的平均值,作为数量结点的数值。
4.根据权利要求1所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据目标聚类簇中相同时间段下不同道路之间所述车流量的差异、所述交警数量的差异和所述执勤时长的差异,获得每个道路结点的道路结点值包括:
将所述目标聚类簇中每个时间段下每条道路的所述车流量与所述交警数量的乘积值,作为每个时间段下每条道路的执勤任务量,将所述执勤任务量与对应时间段下对应道路的所述执勤时长的比值进行正相关映射,获得每个时间段下每条道路的执勤效率;
将与每条道路相互连通的道路作为每条道路的参考道路;
将每条所述参考道路的执勤效率与每条道路的执勤效率的差值,作为每条道路与对应的参考道路之间的执勤效率差异;对每条所述参考道路的交警数量与所述执勤效率差异的乘积值进行取整,获得每条道路与对应的每条参考道路之间的初始调整值;
将每条道路与对应的所有参考道路之间的所述初始调整值进行累加,获得每个时间段下每条道路的整体调整值;
将目标聚类簇中每个时间段下每条道路的所述交警数量与所述整体调整值的和值,作为每个时间段下每条道路的结点参数;
将所述目标聚类簇中所有时间段下相同道路的所述结点参数的最大值,作为对应道路结点的道路结点值。
5.根据权利要求1所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据目标聚类簇中所有时间段下每条道路的所述车流量和所述数量结点的数值,获得道路结点和数量结点之间的边权值包括:
将所述目标聚类簇中所有时间段下相同道路的所述车流量的平均值,作为每个道路结点的整体车流量;
将任意一个所述道路结点的所述整体车流量和每一个所述数量结点的数值的乘积值进行归一化处理,获得道路结点和每一个数量结点之间的边权值。
6.根据权利要求1所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据所述道路结点值、所述数量结点值和所述边权值对所述道路结点和所述数量结点进行二分图匹配,获得每条道路的交警需求量包括:
基于KM二分图匹配算法,根据所述道路结点值、所述数量结点值和所述边权值对所述道路结点和所述数量结点进行迭代匹配,获得相互匹配的道路结点和数量结点;
在每次迭代匹配的过程中若匹配失败,则根据已匹配的道路结点与对应数量结点之间的边权值,以及已匹配的道路结点与未匹配的数量结点之间的边权值,获得结点调整值;将每个已匹配的道路结点的所述道路结点值与所述结点调整值的差值,作为下一次迭代的道路结点值,将每个已匹配道路结点对应的所述数量结点的所述数量结点值与所述结点调整值的和值,作为下一次迭代的数量结点值,对所述道路结点和所述数量结点继续进行迭代匹配;
在每次迭代匹配的过程中若匹配成功,则继续进行迭代匹配,直至所有所述道路结点与所有所述数量结点之间完成相互匹配;
将每个所述数量结点的数值作为相互匹配的道路结点对应的道路的交警需求量。
7.根据权利要求6所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据已匹配的道路结点与对应数量结点之间的边权值,以及已匹配的道路结点与未匹配的数量结点之间的边权值,获得结点调整值包括:
将已匹配的道路结点与对应数量结点之间的边权值,作为第一权值;
将已匹配的道路结点与每个未匹配的数量结点之间的边权值,作为第二权值;
将所述第一权值与每个所述第二权值的差值的绝对值作为权值差异,将所有所述权值差异的最小值,作为每个已匹配的道路结点的调整参数;
根据所有已匹配的道路结点的所述调整参数,获得结点调整值。
8.根据权利要求7所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据所有已匹配的道路结点的所述调整参数,获得结点调整值包括:
将所有已匹配的道路结点的所述调整参数的最小值,作为结点调整值。
9.根据权利要求1所述的一种基于大数据的交通警务协同管理方法,其特征在于,所述根据所述交警需求量对交通警务进行协同管理包括:
根据所述交警需求量为每条道路分配对应数量的交警。
10.一种基于大数据的交通警务协同管理系统,所述系统包括存储器、处理器以及存储在所述存储器中并可在所述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1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401973.1A CN117151427B (zh) | 2023-10-27 | 2023-10-27 | 一种基于大数据的交通警务协同管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311401973.1A CN117151427B (zh) | 2023-10-27 | 2023-10-27 | 一种基于大数据的交通警务协同管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151427A true CN117151427A (zh) | 2023-12-01 |
CN117151427B CN117151427B (zh) | 2024-01-30 |
Family
ID=88912322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311401973.1A Active CN117151427B (zh) | 2023-10-27 | 2023-10-27 | 一种基于大数据的交通警务协同管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151427B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932310A (zh) * | 2024-03-21 | 2024-04-26 | 临沂润恒信息科技有限公司 | 一种科技成果交易转化集成信息智能管理方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010058058A1 (en) * | 2008-11-18 | 2010-05-27 | 4Destia Oy | Arrangement and related method for analysing and controlling traffic conditions at borders |
CN106991818A (zh) * | 2017-05-23 | 2017-07-28 | 安徽科力信息产业有限责任公司 | 一种有效缓解城市交通拥堵的方法、存储介质和系统 |
CN109359880A (zh) * | 2018-10-26 | 2019-02-19 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
CN110807929A (zh) * | 2019-11-07 | 2020-02-18 | 上海三吉电子工程有限公司 | 一种交通警用辅助指挥信息分析研判系统 |
US20200151841A1 (en) * | 2018-11-14 | 2020-05-14 | Motorola Solutions, Inc. | System, device, and method for recommending public safety resource allocation |
US20210348928A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University Of Science And Technology | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network |
US11270581B1 (en) * | 2021-08-24 | 2022-03-08 | Iteris, Inc. | Vehicle queue length and traffic delay measurement using sensor data for traffic management in a transportation network |
CN114170795A (zh) * | 2021-11-20 | 2022-03-11 | 武汉鑫弘凯交通科技有限公司 | 一种智能交通系统中的物联网交通监测系统及其使用方法 |
CN114220268A (zh) * | 2021-12-16 | 2022-03-22 | 济南市公安局交通警察支队 | 一种基于道路安全指数进行最优派警的方法及系统 |
CN116704770A (zh) * | 2023-06-20 | 2023-09-05 | 吕锋锋 | 基于大数据的区域交通智能管理系统 |
-
2023
- 2023-10-27 CN CN202311401973.1A patent/CN117151427B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010058058A1 (en) * | 2008-11-18 | 2010-05-27 | 4Destia Oy | Arrangement and related method for analysing and controlling traffic conditions at borders |
CN106991818A (zh) * | 2017-05-23 | 2017-07-28 | 安徽科力信息产业有限责任公司 | 一种有效缓解城市交通拥堵的方法、存储介质和系统 |
CN109359880A (zh) * | 2018-10-26 | 2019-02-19 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
WO2020083402A1 (zh) * | 2018-10-26 | 2020-04-30 | 江苏智通交通科技有限公司 | 城市道路交通执勤警力部署方法 |
US20200151841A1 (en) * | 2018-11-14 | 2020-05-14 | Motorola Solutions, Inc. | System, device, and method for recommending public safety resource allocation |
CN110807929A (zh) * | 2019-11-07 | 2020-02-18 | 上海三吉电子工程有限公司 | 一种交通警用辅助指挥信息分析研判系统 |
US20210348928A1 (en) * | 2020-05-06 | 2021-11-11 | Wuhan University Of Science And Technology | Multi-police-officer collaborative round-up task allocation and path planning method under constraint of road network |
US11270581B1 (en) * | 2021-08-24 | 2022-03-08 | Iteris, Inc. | Vehicle queue length and traffic delay measurement using sensor data for traffic management in a transportation network |
CN114170795A (zh) * | 2021-11-20 | 2022-03-11 | 武汉鑫弘凯交通科技有限公司 | 一种智能交通系统中的物联网交通监测系统及其使用方法 |
CN114220268A (zh) * | 2021-12-16 | 2022-03-22 | 济南市公安局交通警察支队 | 一种基于道路安全指数进行最优派警的方法及系统 |
CN116704770A (zh) * | 2023-06-20 | 2023-09-05 | 吕锋锋 | 基于大数据的区域交通智能管理系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117932310A (zh) * | 2024-03-21 | 2024-04-26 | 临沂润恒信息科技有限公司 | 一种科技成果交易转化集成信息智能管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117151427B (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117151427B (zh) | 一种基于大数据的交通警务协同管理方法及系统 | |
CN108981739B (zh) | 一种路径规划方法、装置、服务器及存储介质 | |
US9424745B1 (en) | Predicting traffic patterns | |
EP3928473B1 (en) | Systems and methods for communications node upgrade and selection | |
CN109583665B (zh) | 一种无线传感器网络中的无人机充电任务调度方法 | |
CN109598936B (zh) | 一种基于动态stknn模型的短时交通预测方法 | |
WO2022227303A1 (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
CN111462489B (zh) | 交通拥堵区域预测方法及装置 | |
CN114564544B (zh) | 一种面向地图综合的道路网相似度计算方法 | |
CN104240507A (zh) | 一种基于多视角融合的交通小区划分方法 | |
CN109189876A (zh) | 一种数据处理方法及装置 | |
CN109872001A (zh) | 基于K-means和离散粒子群算法的无人车任务分配方法 | |
CN105447595A (zh) | 一种基于谱聚类算法的景点路线推荐方法 | |
CN111739285A (zh) | 交通流量的预测方法、装置、设备及计算机存储介质 | |
CN116866931A (zh) | 一种城市移动边缘服务器部署方法 | |
CN114386536A (zh) | 区域确定方法、装置、计算设备以及存储介质 | |
CN105956816A (zh) | 物资运输信息智能处理方法 | |
CN112887943B (zh) | 一种基于中心度的缓存资源分配方法及系统 | |
CN111915078B (zh) | 一种基于数据驱动的柔性化卷烟配送线路规划方法及系统 | |
CN108984723A (zh) | 创建索引、数据查询方法、装置及计算机设备 | |
CN110555037B (zh) | 智慧城市数据共享系统 | |
RU2663712C2 (ru) | Бортовой блок и способ обновления геоданных в нем | |
CN106850777A (zh) | 推送信息的方法和装置 | |
CN112905912B (zh) | 配时方案确定方法及装置 | |
CN108829694A (zh) | 路网上的弹性聚合最近邻查询g树的优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |