CN117235656A - 一种基于大数据和云计算的城市交通管理系统及方法 - Google Patents
一种基于大数据和云计算的城市交通管理系统及方法 Download PDFInfo
- Publication number
- CN117235656A CN117235656A CN202311523556.4A CN202311523556A CN117235656A CN 117235656 A CN117235656 A CN 117235656A CN 202311523556 A CN202311523556 A CN 202311523556A CN 117235656 A CN117235656 A CN 117235656A
- Authority
- CN
- China
- Prior art keywords
- traffic data
- traffic
- data
- degree
- road section
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 75
- 230000005856 abnormality Effects 0.000 claims abstract description 48
- 238000007726 management method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
本发明涉及数据处理技术领域,具体涉及一种基于大数据和云计算的城市交通管理系统及方法,包括:采集城市交通中每个路段的交通数据序列;根据交通数据序列得到参考交通数据的参考范围交通数据;根据参考范围交通数据得到参考交通数据的局部交通离散程度;根据局部交通离散程度得到参考交通数据的局部异常权值;获取参考交通数据的路段交通比因子;根据路段交通比因子得到参考交通数据的路段异常因子;根据路段异常因子以及局部异常权值得到参考交通数据最终异常程度;根据最终异常程度进行异常处理。本发明使交通数据的变化趋势更加明显,提高了异常检测结果的准确性,提高了管理效率。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于大数据和云计算的城市交通管理系统及方法。
背景技术
为了解决城市化进程的加速以及交通数据量的快速增长导致的城市交通管理困难的问题,目标通常借助大数据以及云计算等先进技术实现更智能、更高效的城市交通管理;为了可以实时精准地对城市交通情况进行监测管理,会将存在明显变化趋势的城市交通数据作为异常的城市交通数据,需要将异常的城市交通数据进行异常预警,排除掉异常的城市交通数据对其他正常数据的干扰。
传统方法通过LOF算法对城市交通数据进行异常检测,但由于传统的LOF算法是根据数据周围的相对密度确定异常的数据,对于变化较为明显的数据序列,可以很好地确定其序列中存在异常的数据;而在城市交通数据中,交通数据的变化程度普遍都较为缓慢,直接通过数据的相对密度无法有效地将异常的交通数据检测出来。
发明内容
本发明提供一种基于大数据和云计算的城市交通管理系统及方法,以解决现有的问题:在城市交通数据中,交通数据的变化程度普遍都较为缓慢,利用传统的LOF算法直接根据数据的相对密度无法有效地将异常的交通数据检测出来。
本发明的一种基于大数据和云计算的城市交通管理系统及方法采用如下技术方案:
本发明一个实施例提供了一种基于大数据和云计算的城市交通管理方法,该方法包括以下步骤:
采集城市交通中每个路段的交通数据序列,所述交通数据序列包含多个综合交通数据;
将任意一个路段的交通数据序列内的第一个综合交通数据记为基准交通数据,将除基准交通数据以外的综合交通数据记为参考交通数据,获取每个参考交通数据的若干参考范围交通数据;根据基准交通数据以及参考交通数据的参考范围交通数据得到每个参考交通数据的局部交通离散程度,所述局部交通离散程度是指整体参考范围交通数据波动的程度;根据局部交通离散程度得到每个参考交通数据的局部异常权值,所述局部异常权值是指基于参考范围交通数据的权重值;
获取每个参考交通数据的路段交通比因子,所述路段交通比因子是指参考交通数据变化趋势的程度;根据路段交通比因子得到每个参考交通数据的路段异常因子,所述路段异常因子是指基于参考交通数据变化趋势的异常程度;根据路段异常因子以及局部异常权值得到每个参考交通数据的异常程度;根据异常程度得到每个参考交通数据的最终异常程度;
根据最终异常程度对每个路段的交通数据序列进行异常处理。
优选的,所述获取每个参考交通数据的若干参考范围交通数据,包括的具体方法为:
将预设的综合交通数据数量记为T1;将任意一个参考交通数据记为中心交通数据,将中心交通数据前T1个参考交通数据与中心交通数据后T1个参考交通数据均记为中心交通数据的参考范围交通数据。
优选的,所述根据基准交通数据以及参考交通数据的参考范围交通数据得到每个参考交通数据的局部交通离散程度,包括的具体方法为:
对于任意一个参考交通数据,式中,表示参考交通数据的局部交通离散程度;/>表示参考交通数据的所有参考范围交通数据的数量;/>表示参考交通数据的第/>个参考范围交通数据与基准交通数据的欧式距离;/>表示参考交通数据的第/>个参考范围交通数据与基准交通数据的欧式距离;/>表示取绝对值。
优选的,所述根据局部交通离散程度得到每个参考交通数据的局部异常权值,包括的具体方法为:
对于任意一个参考交通数据,式中,表示参考交通数据的局部异常权值;/>表示参考交通数据的局部交通离散程度。
优选的,所述获取每个参考交通数据的路段交通比因子,包括的具体方法为:
将所有路段的所有综合交通数据的均值记为平均综合交通数据;
对于任意一个路段,式中,表示路段上第/>个参考交通数据的路段交通比因子;表示路段上第/>个参考交通数据与平均综合交通数据的欧式距离;/>表示路段上第个参考交通数据与平均综合交通数据的欧式距离。
优选的,所述根据路段交通比因子得到每个参考交通数据的路段异常因子,包括的具体方法为:
将所有路段的第个参考交通数据的路段交通比因子输入孤立森林算法,获取每个路段的第/>个参考交通数据的异常得分,将所有路段的第/>个参考交通数据的异常得分进行线性归一化,将每个归一化后的异常得分记为路段异常因子。
优选的,所述根据路段异常因子以及局部异常权值得到每个参考交通数据的异常程度,包括的具体方法为:
对于任意一个路段的任意一个参考交通数据,利用LOF算法获取参考交通数据的局部可达密度;
式中,表示参考交通数据的异常程度;/>表示参考交通数据的局部异常权值;/>表示参考交通数据的路段异常因子;/>表示参考交通数据的局部可达密度;/>表示路段上所有参考交通数据的局部可达密度的均值。
优选的,所述根据异常程度得到每个参考交通数据的最终异常程度,包括的具体方法为:
对于任意一个路段,获取路段上所有参考交通数据的异常程度,将所有参考交通数据的异常程度进行线性归一化,将归一化后的异常程度记为最终异常程度。
优选的,所述根据最终异常程度对每个路段的交通数据序列进行异常处理,包括的具体方法为:
将预设的异常程度阈值以及参考交通数据数量分别记为T2、T3;对于任意一个路段,若路段的交通数据序列中连续存在T3个参考交通数据的异常程度均大于T2时,那么将这T3个参考交通数据记为异常的参考交通数据,并将这些异常的参考交通数据剔除。
本发明还提出了一种基于大数据和云计算的城市交通管理系统,包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序,以实现上述的一种基于大数据和云计算的城市交通管理方法的步骤。
本发明的技术方案的有益效果是:通过交通数据序列获取参考交通数据以及参考范围交通数据,根据参考交通数据以及参考范围交通数据得到局部交通离散程度,根据局部交通离散程度得到局部异常权值,获取路段异常因子,根据路段异常因子以及局部异常权值得到参考交通数据的最终异常程度,根据最终异常程度进行异常处理;相较于现有技术交通数据的变化程度普遍都较为缓慢,利用传统的LOF算法直接根据数据的相对密度无法有效地将异常的交通数据检测出来;本发明的局部交通离散程度反映了整体参考范围交通数据波动的程度,局部异常权值反映了基于参考范围交通数据的权重值,路段异常因子反映了基于参考交通数据变化趋势的异常程度;使交通数据的变化趋势更加明显,提高了异常检测结果的准确性,提高了管理效率。
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,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地介绍,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他的附图。
图1为本发明的一种基于大数据和云计算的城市交通管理方法的步骤流程图。
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和云计算的城市交通管理系统及方法,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和云计算的城市交通管理系统及方法的具体方案。
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和云计算的城市交通管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:采集城市交通中每个路段的交通数据序列。
需要说明的是,传统方法通过LOF算法对城市交通数据进行异常检测,但由于传统的LOF算法是根据数据周围的相对密度确定异常的数据,对于变化较为明显的数据序列,可以很好地确定其序列中存在异常的数据;而在城市交通数据中,交通数据的变化程度普遍都较为缓慢,直接通过数据的相对密度无法有效地将异常的交通数据检测出来。为此,本实施例提出了一种基于大数据和云计算的城市交通管理方法。
具体的,为了实现本实施例提出的一种基于大数据和云计算的城市交通管理方法,首先需要采集交通数据序列,具体过程为:每隔1分钟记录一次交通数据中心内若干路段的车辆数量、交通流量、平均车速这三种交通数据种类的初始交通数据,共记录1小时,获取每个路段的每个交通数据种类的若干初始交通数据;以任意一个路段的任意一个交通数据种类为例,将该路段该交通数据种类的所有初始交通数据进行线性归一化,将归一化后的初始交通数据记为交通数据;将该路段所有交通数据种类的交通数据按照记录时间从早到晚的顺序进行排列,并将每次记录的三种交通数据种类的交通数据整体记为综合交通数据,将排列后的序列记为交通数据序列;获取每个路段的交通数据序列。其中每个路段的交通数据序列包含多个综合交通数据,每个综合交通数据均包含三种交通数据种类的交通数据,且每种交通数据种类中交通数据的数量一致。
至此,通过上述方法得到所有路段的交通数据序列。
步骤S002:根据交通数据序列得到参考交通数据的参考范围交通数据;根据参考范围交通数据得到参考交通数据的局部交通离散程度;根据局部交通离散程度得到参考交通数据的局部异常权值。
需要说明的是,传统的LOF算法根据数据周围的局部可达密度获取LOF值,通过对LOF值进行阈值判定确定异常数据;但对于数据变化较缓慢的交通数据而言,最终获取的LOF值会普遍较低且数值差异并不明显,在对这些LOF值进行阈值判定后,可能会将原本正常的交通数据错误识别为异常的交通数据,也可能将原本异常的交通数据错误识别为正常的交通数据,从而无法有效地将交通数据中存在异常的交通数据检测识别出来。
进一步需要说明的是,对于任意一个路段而言,若该路段的交通数据序列总体呈缓慢上升趋势或者缓慢下降趋势时,该路段可能存在安全隐患;例如:当一个路段上所滞留的车辆数量逐渐变多时,由于车辆不断增多,加之驾驶员本身会存在一定的盲区,会增加与其他车辆或者行人相撞的概率;而当一个路段上所滞留的车辆数量逐渐变少时,常规情况下,驾驶员会一定程度地提升车速,若其他路段的车辆突然行驶到该路段上,对于该路段上后续行驶的车辆而言,需要降低车速规避隐患,但由于车辆刹车质量、驾驶员反应能力以及车辆重量的不同,会使部分车辆可能会与突然行驶到该路段的车辆存在相撞的安全隐患。
具体的,以任意一个路段为例,在该路段的交通数据序列中,将第一个综合交通数据记为基准交通数据,将除基准交通数据以外的综合交通数据记为参考交通数据;预设一个综合交通数据数量T1,其中本实施例以T1=4为例进行叙述,本实施例不进行具体限定,其中T1可根据具体实施情况而定;将任意一个参考交通数据记为中心交通数据,将该中心交通数据前T1个参考交通数据与该中心交通数据后T1个参考交通数据均记为该中心交通数据的参考范围交通数据。另外需要说明的是,若该中心交通数据前后不满足预设综合交通数据数量T1时,那么以该中心交通数据前后实际存在的综合交通数据数量为准,获取该中心交通数据的参考范围交通数据。
进一步的,根据基准交通数据以及该中心交通数据的参考交通数据得到该中心交通数据的局部交通离散程度。其中该中心交通数据的局部交通离散程度的计算方法为:
式中,表示该中心交通数据的局部交通离散程度;/>表示该中心交通数据的所有参考范围交通数据的数量;/>表示该中心交通数据的第/>个参考范围交通数据与基准交通数据的欧式距离;/>表示该中心交通数据的第/>个参考范围交通数据与基准交通数据的欧式距离;/>表示取绝对值;/>表示该中心交通数据的欧式距离趋势差,若欧式距离趋势差大于0,说明欧式距离在局部递增。其中该中心交通数据的局部交通离散程度越大,说明该中心交通数据的参考范围交通数据整体波动相对越大。另外欧式距离的获取即是将两个综合交通数据根据其中的交通数据视为坐标点,再计算欧式距离,为公知技术,本实施例不再赘述。
进一步的,根据该中心交通数据的局部交通离散程度得到该中心交通数据的局部异常权值。其中该中心交通数据的局部异常权值的计算方法为:
式中,表示该中心交通数据的局部异常权值;/>表示该中心交通数据的局部交通离散程度;/>用于保证/>的值恒大于/>,以便后续分析计算。其中该中心交通数据的局部异常权值越大,说明该中心交通数据的参考范围交通数据整体波动相对越大。获取该路段的所有参考交通数据的局部异常权值;获取所有路段的所有参考交通数据的局部异常权值。
至此,通过上述方法得到所有路段的所有参考交通数据的局部异常权值。
步骤S003:获取参考交通数据的路段交通比因子;根据路段交通比因子得到参考交通数据的路段异常因子;根据路段异常因子以及局部异常权值得到参考交通数据最终异常程度。
需要说明的是,在常规的上班时间段以及常规的下班时间段内,分布在科技园区以及商业园区的路段会出现大量的车流量,但由于人员选择上班或下班的路段存在极大的随机性,导致分布在科技园区以及商业园区的路段周围的其余路段的车流量等交通数据也会受到不同程度的影响,因此可以通过分析不同路段同一时刻的交通数据之间的关系,获取不同路段同一时刻的时间交通因子。
具体的,将所有路段的所有综合交通数据的均值记为平均综合交通数据,即是分别对每个交通数据种类的所有交通数据求均值,三个均值构成平均综合交通数据,以任意一个路段的第个参考交通数据为例,根据第/>个参考交通数据与平均综合交通数据得到该路段的第/>个参考交通数据的路段交通比因子。其中该路段的第/>个参考交通数据的路段交通比因子的计算方法为:
式中,表示该路段的第/>个参考交通数据的路段交通比因子;/>表示该路段的第个参考交通数据与平均综合交通数据的欧式距离;/>表示该路段的第/>个参考交通数据与平均综合交通数据的欧式距离;/>用于保证/>的值恒大于/>,以便后续分析计算;其中若该路段的第/>个参考交通数据的路段交通比因子越大,说明该路段的第/>个参考交通数据相对于之前的时间点而言,交通数据变化趋势越大。获取该路段所有参考交通数据的路段交通比因子;获取所有路段所有参考交通数据的路段交通比因子。另外需要说明的是,若该路段第/>个参考交通数据之前没有参考交通数据,那么将该路段的基准交通数据与平均综合交通数据的欧式距离作为分母,获取该路段的第/>个参考交通数据的路段交通比因子。
进一步的,将所有路段的第个参考交通数据的路段交通比因子输入孤立森林算法,获取每个路段的第/>个参考交通数据的异常得分,将所有路段的第/>个参考交通数据的异常得分进行线性归一化,将每个归一化后的异常得分记为路段异常因子;获取所有路段的所有参考交通数据的路段异常因子。其中孤立森林算法是公知技术,本实施例不再赘述。
进一步的,以任意一个路段的任意一个参考交通数据为例,利用LOF算法获取该参考交通数据的局部可达密度;根据该参考交通数据的局部异常权值、路段异常因子以及局部可达密度得到该参考交通数据的异常程度。其中获取单个数据的局部可达密度的过程是LOF算法公知内容,本实施例不再赘述。其中该参考交通数据的异常程度的计算方法为:
式中,表示该参考交通数据的异常程度;/>表示该参考交通数据的局部异常权值;/>表示该参考交通数据的路段异常因子;/>表示该参考交通数据的局部可达密度;/>表示该路段上所有参考交通数据的局部可达密度的均值。其中若该参考交通数据的异常程度越大,说明该参考交通数据越有可能存在异常,反映该参考交通数据变化趋势相对于其他参考交通数据而言,更加明显。获取该路段上所有参考交通数据的异常程度,将所有参考交通数据的异常程度进行线性归一化,将归一化后的异常程度记为最终异常程度;获取每个路段上所有参考交通数据的最终异常程度。
至此,通过上述方法得到每个路段上所有参考交通数据的最终异常程度。
步骤S004:根据最终异常程度进行异常处理。
具体的,预设一个异常程度阈值T2以及一个参考交通数据数量T3,其中本实施例以T2=0.6、T3=3为例进行叙述,本实施例不进行具体限定,其中T2、T3可根据具体实施情况而定;以任意一个路段为例,若该路段的交通数据序列中连续存在T3个参考交通数据的异常程度均大于T2时,那么将这T3个参考交通数据记为异常的参考交通数据,并将这些异常的参考交通数据剔除,实现了通过大数据和云计算对于城市交通的管理。
本发明的另一个实施例提供了一种基于大数据和云计算的城市交通管理系统,所述系统包括存储器和处理器,所述处理器执行所述存储器存储的计算机程序时,执行以下操作:
采集城市交通中每个路段的交通数据序列,所述交通数据序列包含多个综合交通数据;
将任意一个路段的交通数据序列内的第一个综合交通数据记为基准交通数据,将除基准交通数据以外的综合交通数据记为参考交通数据,获取每个参考交通数据的若干参考范围交通数据;根据基准交通数据以及参考交通数据的参考范围交通数据得到每个参考交通数据的局部交通离散程度,所述局部交通离散程度是指整体参考范围交通数据波动的程度;根据局部交通离散程度得到每个参考交通数据的局部异常权值,所述局部异常权值是指基于参考范围交通数据的权重值;
获取每个参考交通数据的路段交通比因子,所述路段交通比因子是指参考交通数据变化趋势的程度;根据路段交通比因子得到每个参考交通数据的路段异常因子,所述路段异常因子是指基于参考交通数据变化趋势的异常程度;根据路段异常因子以及局部异常权值得到每个参考交通数据的异常程度;根据异常程度得到每个参考交通数据的最终异常程度;
根据最终异常程度对每个路段的交通数据序列进行异常处理。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据和云计算的城市交通管理方法,其特征在于,该方法包括以下步骤:
采集城市交通中每个路段的交通数据序列,所述交通数据序列包含多个综合交通数据;
将任意一个路段的交通数据序列内的第一个综合交通数据记为基准交通数据,将除基准交通数据以外的综合交通数据记为参考交通数据,获取每个参考交通数据的若干参考范围交通数据;根据基准交通数据以及参考交通数据的参考范围交通数据得到每个参考交通数据的局部交通离散程度,所述局部交通离散程度是指整体参考范围交通数据波动的程度;根据局部交通离散程度得到每个参考交通数据的局部异常权值,所述局部异常权值是指基于参考范围交通数据的权重值;
获取每个参考交通数据的路段交通比因子,所述路段交通比因子是指参考交通数据变化趋势的程度;根据路段交通比因子得到每个参考交通数据的路段异常因子,所述路段异常因子是指基于参考交通数据变化趋势的异常程度;根据路段异常因子以及局部异常权值得到每个参考交通数据的异常程度;根据异常程度得到每个参考交通数据的最终异常程度;
根据最终异常程度对每个路段的交通数据序列进行异常处理。
2.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述获取每个参考交通数据的若干参考范围交通数据,包括的具体方法为:
将预设的综合交通数据数量记为T1;将任意一个参考交通数据记为中心交通数据,将中心交通数据前T1个参考交通数据与中心交通数据后T1个参考交通数据均记为中心交通数据的参考范围交通数据。
3.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述根据基准交通数据以及参考交通数据的参考范围交通数据得到每个参考交通数据的局部交通离散程度,包括的具体方法为:
对于任意一个参考交通数据,式中,表示参考交通数据的局部交通离散程度;/>表示参考交通数据的所有参考范围交通数据的数量;/>表示参考交通数据的第/>个参考范围交通数据与基准交通数据的欧式距离;/>表示参考交通数据的第/>个参考范围交通数据与基准交通数据的欧式距离;/>表示取绝对值。
4.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述根据局部交通离散程度得到每个参考交通数据的局部异常权值,包括的具体方法为:
对于任意一个参考交通数据,式中,表示参考交通数据的局部异常权值;/>表示参考交通数据的局部交通离散程度。
5.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述获取每个参考交通数据的路段交通比因子,包括的具体方法为:
将所有路段的所有综合交通数据的均值记为平均综合交通数据;
对于任意一个路段,式中,表示路段上第/>个参考交通数据的路段交通比因子;/>表示路段上第/>个参考交通数据与平均综合交通数据的欧式距离;/>表示路段上第/>个参考交通数据与平均综合交通数据的欧式距离。
6.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述根据路段交通比因子得到每个参考交通数据的路段异常因子,包括的具体方法为:
将所有路段的第个参考交通数据的路段交通比因子输入孤立森林算法,获取每个路段的第/>个参考交通数据的异常得分,将所有路段的第/>个参考交通数据的异常得分进行线性归一化,将每个归一化后的异常得分记为路段异常因子。
7.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述根据路段异常因子以及局部异常权值得到每个参考交通数据的异常程度,包括的具体方法为:
对于任意一个路段的任意一个参考交通数据,利用LOF算法获取参考交通数据的局部可达密度;
式中,表示参考交通数据的异常程度;/>表示参考交通数据的局部异常权值;/>表示参考交通数据的路段异常因子;/>表示参考交通数据的局部可达密度;/>表示路段上所有参考交通数据的局部可达密度的均值。
8.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述根据异常程度得到每个参考交通数据的最终异常程度,包括的具体方法为:
对于任意一个路段,获取路段上所有参考交通数据的异常程度,将所有参考交通数据的异常程度进行线性归一化,将归一化后的异常程度记为最终异常程度。
9.根据权利要求1所述一种基于大数据和云计算的城市交通管理方法,其特征在于,所述根据最终异常程度对每个路段的交通数据序列进行异常处理,包括的具体方法为:
将预设的异常程度阈值以及参考交通数据数量分别记为T2、T3;对于任意一个路段,若路段的交通数据序列中连续存在T3个参考交通数据的异常程度均大于T2时,那么将这T3个参考交通数据记为异常的参考交通数据,并将这些异常的参考交通数据剔除。
10.一种基于大数据和云计算的城市交通管理系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程度,其特征在于,所述计算机程度被处理器执行时实现如权利要求1-9任一项所述的一种基于大数据和云计算的城市交通管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523556.4A CN117235656B (zh) | 2023-11-16 | 2023-11-16 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523556.4A CN117235656B (zh) | 2023-11-16 | 2023-11-16 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235656A true CN117235656A (zh) | 2023-12-15 |
CN117235656B CN117235656B (zh) | 2024-02-27 |
Family
ID=89089797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523556.4A Active CN117235656B (zh) | 2023-11-16 | 2023-11-16 | 一种基于大数据和云计算的城市交通管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235656B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065871A1 (en) * | 2010-06-23 | 2012-03-15 | Massachusetts Institute Of Technology | System and method for providing road condition and congestion monitoring |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN105608895A (zh) * | 2016-03-04 | 2016-05-25 | 大连理工大学 | 一种基于局部异常因子的城市交通拥堵路段检测方法 |
CN112083371A (zh) * | 2020-08-07 | 2020-12-15 | 国网山东省电力公司济宁供电公司 | 一种基于lof的异常高压计量点筛查方法及系统 |
CN112927498A (zh) * | 2021-01-20 | 2021-06-08 | 蔡家斌 | 一种基于智慧交通监控的数据分析方法及装置 |
CN115171372A (zh) * | 2022-06-20 | 2022-10-11 | 青岛海信网络科技股份有限公司 | 一种交通异常检测方法、设备及装置 |
JP2023092971A (ja) * | 2021-12-22 | 2023-07-04 | 株式会社東芝 | 交通状況予測装置、および、交通状況予測方法 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
-
2023
- 2023-11-16 CN CN202311523556.4A patent/CN117235656B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120065871A1 (en) * | 2010-06-23 | 2012-03-15 | Massachusetts Institute Of Technology | System and method for providing road condition and congestion monitoring |
CN104504901A (zh) * | 2014-12-29 | 2015-04-08 | 浙江银江研究院有限公司 | 一种基于多维数据的交通异常点检测方法 |
CN105608895A (zh) * | 2016-03-04 | 2016-05-25 | 大连理工大学 | 一种基于局部异常因子的城市交通拥堵路段检测方法 |
CN112083371A (zh) * | 2020-08-07 | 2020-12-15 | 国网山东省电力公司济宁供电公司 | 一种基于lof的异常高压计量点筛查方法及系统 |
CN112927498A (zh) * | 2021-01-20 | 2021-06-08 | 蔡家斌 | 一种基于智慧交通监控的数据分析方法及装置 |
JP2023092971A (ja) * | 2021-12-22 | 2023-07-04 | 株式会社東芝 | 交通状況予測装置、および、交通状況予測方法 |
CN115171372A (zh) * | 2022-06-20 | 2022-10-11 | 青岛海信网络科技股份有限公司 | 一种交通异常检测方法、设备及装置 |
CN116659589A (zh) * | 2023-07-25 | 2023-08-29 | 澳润(山东)药业有限公司 | 基于数据分析的阿胶糕保存环境监测方法 |
CN116644373A (zh) * | 2023-07-27 | 2023-08-25 | 深圳恒邦新创科技有限公司 | 基于人工智能的汽车流量数据分析管理系统 |
Non-Patent Citations (1)
Title |
---|
张晓栋;董宝田;陈光伟: "基于BIRCH-LKD的在站车辆中时异常检测算法", 《北京理工大学学报》, vol. 37, no. 11, pages 1122 - 1128 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235656B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110949398B (zh) | 一种车辆编队行驶中头车驾驶员异常驾驶行为检测方法 | |
CN109542081B (zh) | 一种基于线下车辆减速度曲线的线上行车危险估计方法 | |
CN104951764A (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN103473540A (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN110562261B (zh) | 一种基于马尔可夫模型检测驾驶员风险等级的方法 | |
CN110473085B (zh) | 一种车辆风险判别方法和装置 | |
CN110858312A (zh) | 基于模糊c均值聚类算法的驾驶员驾驶风格分类方法 | |
CN110633729A (zh) | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 | |
CN116383685A (zh) | 一种基于时空交互图注意力网络的车辆变道检测方法 | |
CN114037015A (zh) | 基于驾驶模式原语的驾驶行为安全性分析方法 | |
JP2017071333A (ja) | 運転支援装置 | |
CN115588310A (zh) | 一种基于轨迹数据的车辆碰撞风险预测方法 | |
JP7051424B2 (ja) | 異常検出装置 | |
CN114511999A (zh) | 一种行人行为预测方法及装置 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
CN112927511A (zh) | 一种基于驾驶员年龄和性别识别的车辆预警方法 | |
CN111907523A (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
CN117235656B (zh) | 一种基于大数据和云计算的城市交通管理系统及方法 | |
Deng et al. | Classifying human behaviors: Improving training of conventional algorithms | |
CN107358678B (zh) | 一种驾驶事件检测和识别方法 | |
CN115985137B (zh) | 一种隧道交通运行的风险评估方法、电子设备及存储介质 | |
CN115192026B (zh) | 隧道驾驶负荷监测方法及终端 | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
CN105869412B (zh) | 一种基于车辆行驶数据的急加速行为识别方法 | |
Liu et al. | Identification of driver distraction based on SHRP2 naturalistic driving study |
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 |