CN117409569A - 一种基于大数据的智慧交通系统及方法 - Google Patents
一种基于大数据的智慧交通系统及方法 Download PDFInfo
- Publication number
- CN117409569A CN117409569A CN202311051852.9A CN202311051852A CN117409569A CN 117409569 A CN117409569 A CN 117409569A CN 202311051852 A CN202311051852 A CN 202311051852A CN 117409569 A CN117409569 A CN 117409569A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle data
- vehicle
- traffic
- road network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000036541 health Effects 0.000 claims abstract description 28
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 238000012805 post-processing Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000009499 grossing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims description 38
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000000007 visual effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 206010039203 Road traffic accident Diseases 0.000 claims description 6
- 238000013480 data collection Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013138 pruning 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于大数据的智慧交通方法，属于智慧交通技术领域。方法包括步骤：使用地理信息系统技术构建路网模型；获取规划区域内的车辆数据，并结合路网模型对车辆数据进行数据预处理；将经过预处理的车辆数据与路网模型进行匹配；对车辆数据与路网模型进行匹配后处理，匹配后处理包括轨迹平滑、异常点检测和轨迹分割；根据路网模型分别评估区域、路段和路口的交通健康指数。本发明通过收集车辆数据并构建路网模型，并通过对数据的预处理和后处理，提高数据的可用性和精确度，实现对交通状态的数据分析和决策支持，有助于优化交通流量，减少交通拥堵，提高交通安全性和服务质量。
Description
技术领域
本发明涉及智慧交通技术领域，具体是一种基于大数据的智慧交通系统及方法。
背景技术
传统的交通管理方式主要依赖人工观测和经验判断，但在面对庞大的交通流量和复杂的道路情况时，这种方式往往无法高效地发现和解决交通问题，对交通管理的效率和效果都造成了限制。
同时，在大数据时代，车辆数据和路网数据的应用潜力正在逐步被发掘。现有的数据处理和分析方法存在多个问题。首先，车辆数据的收集和整理过程中，往往会存在数据缺失、异常值等情况，如果不能有效处理，就会影响数据质量，导致分析和决策的不准确。其次，即使收集到的数据质量较高，但由于大量数据的噪声和异常，也往往需要复杂的后处理才能用于分析和决策。此外，而传统的分析方法缺乏分层级的路网交通状况的技术方案，难以实现交通拥堵预测和交通管理的精细化。
发明内容
为解决上述背景技术中存在的问题，本发明采用以下技术方案：
一种基于大数据的智慧交通方法，包括步骤：
使用地理信息系统技术构建路网模型；
获取规划区域内的车辆数据，并结合路网模型对车辆数据进行数据预处理；所述预处理包括缺失值处理、异常值处理和重复值处理；
将经过预处理的车辆数据与路网模型进行匹配；
对车辆数据与路网模型进行匹配后处理，匹配后处理包括轨迹平滑、异常点检测和轨迹分割；
根据路网模型分别评估区域、路段和路口的交通健康指数；
其中，所述缺失值处理表示为：
Z(u)＝μ+∑λi*(Zi-μ)，
其中，Z(u)是车辆数据缺失值位置u处的预估值，μ是全部车辆数据的平均值，λi是与每个已知车辆数据点Zi关联的权重，i＝0,1,...,n，i为已知车辆数据点的编号，n为车辆数据的总数。
作为优选方案，所述车辆数据通过多个数据源获取，数据源包括若干数据供应商、车载设备和图像采集装置。
作为优选方案，所述已知车辆数据点Zi关联的权重通过半方差函数进行估计，估计步骤如下：
确定一个半方差函数，用于描述已知点之间的空间相关性；
计算已知点之间的空间距离，并通过半方差函数计算出相应的半方差值；
根据半方差值计算已知点与未知点之间的协方差向量，协方差向量中的每个元素表示已知点和未知点之间的协方差值；
根据半方差值构建插值协方差矩阵，插值协方差矩阵包括已知点之间的协方差矩阵和已知点与未知点之间的协方差向量；
使用最小二乘法求解线性方程组，根据插值协方差矩阵计算所述权重。
使用最小二乘法求解线性方程组，根据插值协方差矩阵计算所述权重。
作为优选方案，半方差值具体表示为：
γ(h)＝C(0)-C(h)，
其中，C(0)是车辆数据点i的方差；C(h)是车辆数据点i与其距离为h的车辆数据点的协方差。
作为优选方案，所述异常值处理具体为：通过路网模型的节点和关系信息，识别和处理异常值；所述识别异常值的条件表示为：
对于车辆数据点Zi，当|Zi-m|>T*σ时，将车辆数据点Zi标记为异常值；其中，σ为车辆数据点Zi的标准差，T为设定的异常值判定阈值，m为车辆数据点均值，i＝0,1,...,n。
作为优选方案，所述重复值处理具体为：判断数据中是否存在重复的车辆唯一标识，若存在重复的车辆唯一标识则将车辆数据合并；
若存在无车辆唯一标识的数据，若选定的字段类型集合中的若干字段数据重合，则将车辆数据合并。
作为优选方案，所述将经过预处理的车辆数据与路网模型进行匹配，具体包括步骤：
通过车辆数据中的位置信息和图数据库，通过空间索引算法查询对应的节点和关系；
将车辆数据中的属性信息与路网模型中的道路属性进行集成。
作为优选方案，所述空间索引算法具体为：
根据查询的数据特点划分查询方式；所述查询方式包括范围查询和最近邻查询；
若查询方式为范围查询，选择使用R树结合分支定界算法进行查询；
若查询方式为最近邻查询，选择使用k-d树结合最近邻搜索算法进行查询。
作为优选方案，所述交通健康指数分别通过交通流量、车辆平均速度、通勤方式数据、平均行程时间和交通事故频率评估；
其中，区域的交通健康指数还通过区域饱和指数、路段流量分担率和路网拓扑结构评估；
路段的交通健康指数还通过路段饱和指数和长时间停车数量与路段容量的比值评估；
路口的交通健康指数还通过信号灯失衡指数、车辆转向延误时间和路口排队长度评估。
本发明还提供一种基于大数据的智慧交通系统,所述系统应用于如上所述的基于大数据的智慧交通方法，包括数据收集模块、数据处理模块、数据存储模块、指数分析模块和可视化展示模块。
数据收集模块用于收集构建路网的基础数据和规划区域内的车辆数据；
数据处理模块用于对基础数据进行路网拓扑分析、对车辆数据进行数据预处理、将车辆数据与路网模型进行匹配以及匹配后处理；
数据存储模块用于存储基础数据、车辆数据和路网模型；
指数分析模块用于评估区域、路段和路口的交通健康指数；
可视化展示模块用于将路网模型和交通健康指数进行可视化展示。
与现有技术相比，本发明具有如下有益效果：
本发明通过收集车辆数据并构建路网模型，实现对交通状态的数据分析和决策支持，有助于优化交通流量，减少交通拥堵，提高交通安全性和服务质量；
本发明通过缺失值处理、异常值处理和重复值处理，提高数据的可用性和精确度，为数据分析和决策支持提供更准确、可靠的基础；
本发明通过对匹配后的车辆数据和路网模型进行后处理，包括轨迹平滑、异常点检测和轨迹分割，进一步消除数据噪声和异常，提高数据的准确性和可用性；
本发明通过路网模型和车辆数据，综合分析不同层级的路网交通状况，发现问题区域、路段、路口，并为制定交通优化策略提供决策依据。进一步地，可以实现交通拥堵预测和交通管理的精细化，改善交通运行和提升城市交通的效率和便利性。
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为本发明一实施例的基于大数据的智慧交通方法的流程框图；
图2为本发明一实施例的权重的估计步骤示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
请参阅图1，本发明提供了一种基于大数据的智慧交通方法，包括步骤：
步骤S1、使用地理信息系统技术构建路网模型。该步骤具体为：
步骤S11、收集地理数据、道路图像和航拍影像数据作为构建路网的基础数据。这些数据可以来自于第三方服务提供商、地理信息系统数据库或地理信息拍摄团队。
步骤S12、使用GIS(地理信息系统)技术对基础数据进行路网拓扑分析。路网拓扑分析将道路数据转换成网络数据结构，在该结构中，道路之间的关系和连接得到明确定义。在此过程中，使用网络分析工具来计算道路的长度、方向、交叉口位置等属性，并构建道路连接关系。
步骤S13、根据路网拓扑分析的结果，将数据建模生成路网模型。路网模型中的节点表示道路交叉口，边表示道路段。路网模型通过图数据库或关系数据库来存储和管理路网模型。在一实施例中，路网模型通过图数据库Neo4j存储和管理。具体的，Neo4j使用图结构来存储路网模型的数据，将数据表示为节点(Node)和关系(Relationship)。其中节点表示实体，关系表示实体之间的连接或关联。节点和关系可以具有属性，用于描述和存储额外的数据。Neo4j具有优秀的节点和关系的连接性能，并可通过图查询语言Cypher进行复杂的查询操作。Neo4j还支持动态的图模式，可以实时添加、修改、删除节点和关系。在路网编辑和更新过程中，可以通过Neo4j进行快速的节点和关系更新，以确保路网的准确性和一致性。
步骤S2、获取规划区域内的车辆数据，并结合路网模型对车辆数据进行数据预处理。其中，车辆数据通过多个数据源获取，数据源包括若干数据供应商、车载设备和图像采集装置。本申请以规划区域为分析单位，因此数据采集具体为采集规划区域内的车辆数据。车辆数据包括车辆实时位置、数据采集时间点、车辆速度、加速度、行驶轨迹、车辆类型、车辆型号、车牌号等数据。
具体的，对于数据供应商，根据数据供应商的接口文档和规范，构建请求参数。通过网络请求接入数据供应商的API，获取车辆数据。
对于车载设备和图像采集装置，通过车载设备和路面采集装置，在规划区域内进行数据采集。车载设备通过车载传感器、GPS等设备实时采集车辆的位置、速度、加速度等信息。路面采集装置可以通过设置在路段上的无线传感器、交通摄像头等设备获取车辆数据。
进一步地，由于数据源不同，本申请通过ETL(Extract-Transform-Load)工具结合路网模型进行预处理。预处理包括缺失值处理、异常值处理和重复值处理。
其中，缺失值处理具体为：通过路网模型的节点和关系信息，通过推测填充缺失值。在道路交通数据中，如果某个时间段缺少某个路段的车流量数据，可以结合路网模型计算得到该路段的预估车流量。
在一实施例中缺失值处理表示为：
Z(u)＝μ+∑λi*(Zi-μ)，
其中，Z(u)是车辆数据缺失值位置u处的预估值，μ是全部车辆数据的平均值，λi是与每个已知车辆数据点Zi关联的权重，i＝0,1,...,n，i为已知车辆数据点的编号，n为车辆数据的总数。
进一步地，请参阅图2，权重λi通过半方差函数进行估计，估计步骤如下：
S2a、确定一个半方差函数，用于描述已知点之间的空间相关性；
S2b、计算已知点之间的空间距离，并通过半方差函数计算出相应的半方差值；
S2c、根据半方差值计算已知点与未知点之间的协方差向量，协方差向量中的每个元素表示已知点和未知点之间的协方差值；
S2d、根据半方差值构建插值协方差矩阵，插值协方差矩阵包括已知点之间的协方差矩阵和已知点与未知点之间的协方差向量；
S2e、使用最小二乘法求解线性方程组，根据插值协方差矩阵计算所述权重。
其中，半方差值具体表示为：
γ(h)＝C(0)-C(h)，
其中，C(0)是车辆数据点i与自身的协方差，即车辆数据点i的方差；C(h)是车辆数据点i与其距离为h的车辆数据点的协方差。
基于前述内容，本申请缺失值处理可以利用已知车辆数据点之间的空间相关性，通过计算每个已知车辆数据点与目标位置之间的权重，进行加权平均来填充车辆数据的缺失值。
异常值处理具体为：通过路网模型的节点和关系信息，识别和处理异常值。例如，通过观察车流量数据在路网上的分布，可以筛选出极端异常值，并根据路网模型规则进行手动或自动修正。比如，在交通速度数据中，如果某个路段的平均速度远低于其他相似的路段，可以将其标记为异常值，并进行进一步的调查和处理。
作为优选实施例，本申请通过均值和标准差判断异常值，具体表示为：
m＝∑Zi/n,
其中，m为车辆数据点均值，σ为车辆数据点Zi的标准差，i＝0,1,...,n，i为车辆数据点的编号，n为车辆数据的总数，Zi为车辆数据。
识别异常值的条件表示为：对于车辆数据点Zi，当|Zi-m|>T*σ时，将车辆数据点Zi标记为异常值。
其中，T为设定的异常值判定阈值，在一实施例中，T＝3。
重复值处理具体为：首先判断数据中是否存在重复的车辆唯一标识，若存在重复的车辆唯一标识则合并为一条车辆数据；
若存在无车辆唯一标识的数据，则通过根据选定的字段类型集合的重合程度，判断是否为同一车辆的数据，若选定的字段类型集合中的若干字段数据重合，则将车辆数据合并。
步骤S3、将经过预处理的车辆数据与路网模型进行匹配。
具体的，步骤S3包括：
S31、通过车辆数据中的位置信息和图数据库，查询对应的道路节点和道路关系；其中，位置信息为经纬度坐标或道路标识符；
S32、将车辆数据中的属性信息与路网模型中的道路属性进行集成。
具体的，步骤S31中的查询对应的节点和关系，通过空间索引算法加速位置查询，以加速搜索过程。
作为优选实施例，空间索引算法具体为：
根据查询的数据特点划分查询方式；查询方式包括范围查询和最近邻查询。范围查询是指在多维空间中查找满足特定空间范围条件的数据对象。通常通过定义一个矩形区域或者一个几何形状，来指定查询的范围。查询结果是符合查询范围条件的所有数据对象；最近邻查询是指在多维空间中查找与给定查询点最接近的一个或多个数据对象。通常可以通过计算欧氏距离、曼哈顿距离或其他距离度量来确定距离。
若查询方式为范围查询，选择使用R树结合分支定界算法进行查询；其中，分支定界算法为通过搜索索引R树的节点和子树，根据查询条件对每个节点的包围盒进行检查，将不满足条件的子树进行剪枝，只保留可能包含符合条件的数据的子树进行搜索。
若查询方式为最近邻查询，选择使用k-d树结合最近邻搜索算法进行查询。最近邻搜索算法为通过搜索k-d树结构，在查询点出发，按照与查询点距离的递增顺序访问节点和子树，逐步逼近最接近的数据对象。在搜索过程中，通过计算查询点与节点包围盒的距离，可以确定哪些子树可能包含最近邻的数据对象，并优先搜索这些子树，同时进行剪枝操作，排除不可能包含最近邻的子树。
步骤S4、对车辆数据与路网模型进行匹配后处理，匹配后处理包括轨迹平滑、异常点检测和轨迹分割。
由于匹配过程中可能会存在误匹配或者噪声的问题，而后处理可以帮助剔除这些错误的匹配结果。通过应用轨迹平滑、异常点检测和轨迹分割等技术，可以减少误差和噪声，从而提高匹配结果的准确性。
作为优选实施例，轨迹平滑采用卡尔曼滤波算法去除轨迹中的噪声和抖动，以获得更平滑的轨迹线。
异常点检测采用k近邻算法，对匹配结果进行异常点检测可以帮助识别和剔除可能由于误匹配或异常数据引起的不准确点。
轨迹分割采用K-means聚类算法识别车辆行为和轨迹段落并进行轨迹分割，以更好地分析和理解移动行为。
基于前述内容，本申请匹配结果后处理的作用在于通过剔除错误、辅助分析等方式，进一步提高匹配结果的准确性。
步骤S5、根据路网模型分别评估区域、路段和路口的交通健康指数。
具体的，步骤S5包括：
S51、评估区域的交通健康指数：通过区域内的交通流量、区域饱和指数、车辆平均速度、通勤方式数据、路段流量分担率、平均行程时间、路网拓扑结构、交通事故频率评估区域交通健康指数。
S52、评估路段的交通健康指数：通过路段的交通流量、长时间停车数量与路段容量的比值、路段饱和指数、通勤方式数据、车辆平均速度、平均行程时间、交通事故频率评估路段交通健康指数。
S53、评估路口的交通健康指数：通过路口的交通流量车辆平均速度、路口排队长度、路口停车时间、信号灯失衡指数、通勤方式数据、车辆转向延误时间、交通事故频率等评估路口交通健康指数。
在评估区域、路段和路口的交通健康指数的过程中，均涉及交通流量、车辆平均速度、通勤方式数据、平均行程时间、交通事故频率等评估参数。但对于评估对象的不同，评估参数中也包括各对象独有的参数。部分评估参数的具体解释如下：
路段流量分担率：路段流量分担率是指在一个交通网络中，某个路段承载的交通流量占整个路网交通流量的比例。
区域饱和指数：用于衡量交通流量对区域容量的占用情况，即区域是否达到或接近其最大容量。区域饱和指数是通过将交通流量除以区域的最大通行能力得到的比值。当交通流量接近或超过区域容量时，该比值会增大，表示交通需求过大，道路容量不足，可能出现拥堵和行车延误。
路网拓扑结构：路网拓扑结构是指区域中各路段和路口之间的连接关系和组织方式。路网拓扑结构可以表示区域中路段的连通性、路径选择的多样化指标。
路段饱和指数：用于衡量交通流量对道路容量的占用情况，即道路是否达到或接近其最大容量。路段饱和指数是通过将交通流量除以道路的最大通行能力得到的比值。当路段饱和指数大于1时，表示道路交通流量超出了设计容量，将会导致交通拥堵和行车延误。
长时间停车数量与路段容量的比值：用于描述在一个特定的路段上，长时间停车的车辆数量与该路段的容量之间的关系。长时间停车数量是指在一个路段上停留时间超过一定阈值(例如5分钟)的车辆数量。这个比值可以用于评估道路拥堵和停车需求之间的关系。当长时间停车数量与路段容量的比值较大时，可能意味着停车需求超过了道路的容量，可能导致停车拥堵和交通流量不畅。
信号灯失衡指数：用于评估交叉口信号灯控制的平衡程度，即各个进口道的交通流量是否得到适当的分配和控制。失衡指数是通过比较各个进口道的交通流量与路口通行时间得到的。如果一个进口道的交通流量与路口通行时间的比值与各个进口道的交通流量与路口通行时间的比值的平均值差值较大，就会增加信号灯失衡指数。
车辆转向延误时间：转向延误时间是指车辆在路口等待信号灯转向时所经历的平均延误时间。当交通流量较大时，车辆可能需要等待较长时间才能完成转向操作。转向延误时间是评估路口交通拥堵程度和运行效率的重要指标之一。车辆转向延误时间的增加可能意味着交通流量超过了信号灯的容量或信号配时不合理，影响了路口的交通畅通性。
路口排队长度：路口排队长度是指路口各个进口道上车辆排队等候的长度。在高峰时段或交通流量较大的情况下，车辆可能会在路口形成排队等候的情况。
以上评估都可以根据其重要性赋予一个权重，然后通过加权平均的方法计算出区域、路段或路口的交通健康指数。此外，这些评估指数还可以结合实地调查、交通规划方案和公众满意度调查等信息进一步细化和优化。
作为优选实施例，本申请方法还包括：
步骤S6、使用可视化工具将路网模型和交通健康指数进行可视化展示。
具体的，可视化展示为一个持续的流程，可视化工具将根据路网模型和交通健康指数实时更新可视化展示效果。
具体的，可视化展示通过用户界面(U I)和用户体验(UX)设计，提供交互式的可视化展示。用户可通过界面与数据进行实时交互，选择特定的数据维度、过滤条件和时间范围等，以便于用户理解和分析数据。
本发明还提供了一种基于大数据的智慧交通系统，包括数据收集模块、数据处理模块、数据存储模块、指数分析模块和可视化展示模块。数据收集模块、数据处理模块、指数分析模块和可视化展示模块依次通信连接，数据存储模块分别与数据处理模块、指数分析模块和可视化展示模块通信连接。
数据收集模块用于收集构建路网的基础数据和规划区域内的车辆数据；基础数据包括地理数据、道路图像和航拍影像等数据。车辆数据包括车辆实时位置、数据采集时间点、车辆速度、加速度、行驶轨迹、车辆类型、车辆型号、车牌号等数据。
数据处理模块用于对基础数据进行路网拓扑分析、对车辆数据进行数据预处理、将车辆数据与路网模型进行匹配以及匹配后处理。
数据存储模块用于存储基础数据、车辆数据和路网模型。数据存储模块包括图数据库Neo4j。
指数分析模块用于评估区域、路段和路口的交通健康指数。
可视化展示模块用于将路网模型和交通健康指数进行可视化展示。
其中，数据处理模块、数据存储模块和指数分析模块可通过云服务器实现。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，read-onlymemory)、随机存取存储器(RAM，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种基于大数据的智慧交通方法，其特征在于：包括步骤：
使用地理信息系统技术构建路网模型；
获取规划区域内的车辆数据，并结合路网模型对车辆数据进行数据预处理；所述预处理包括缺失值处理、异常值处理和重复值处理；
将经过预处理的车辆数据与路网模型进行匹配；
对车辆数据与路网模型进行匹配后处理，匹配后处理包括轨迹平滑、异常点检测和轨迹分割；
根据路网模型分别评估区域、路段和路口的交通健康指数；
其中，所述缺失值处理表示为：
Z(u)＝μ+∑λi*(Zi-μ)，
其中，Z(u)是车辆数据缺失值位置u处的预估值，μ是全部车辆数据的平均值，λi是与每个已知车辆数据点Zi关联的权重，i＝0,1,...,n，i为已知车辆数据点的编号，n为车辆数据的总数。
2.根据权利要求1所述的基于大数据的智慧交通方法，其特征在于：所述车辆数据通过多个数据源获取，数据源包括若干数据供应商、车载设备和图像采集装置。
3.根据权利要求1所述的基于大数据的智慧交通方法，其特征在于：所述已知车辆数据点Zi关联的权重通过半方差函数进行估计，估计步骤如下：
确定一个半方差函数，用于描述已知点之间的空间相关性；
计算已知点之间的空间距离，并通过半方差函数计算出相应的半方差值；
根据半方差值计算已知点与未知点之间的协方差向量，协方差向量中的每个元素表示已知点和未知点之间的协方差值；
根据半方差值构建插值协方差矩阵，插值协方差矩阵包括已知点之间的协方差矩阵和已知点与未知点之间的协方差向量；
使用最小二乘法求解线性方程组，根据插值协方差矩阵计算所述权重。
4.根据权利要求3所述的基于大数据的智慧交通方法，其特征在于：半方差值具体表示为：
γ(h)＝C(0)-C(h)，
其中，C(0)是车辆数据点i的方差；C(h)是车辆数据点i与其距离为h的车辆数据点的协方差。
5.根据权利要求1所述的基于大数据的智慧交通方法，其特征在于：所述异常值处理具体为：通过路网模型的节点和关系信息，识别和处理异常值；所述识别异常值的条件表示为：
对于车辆数据点Zi，当|Zi-m|>T*σ时，将车辆数据点Zi标记为异常值；其中，σ为车辆数据点Zi的标准差，T为设定的异常值判定阈值，m为车辆数据点均值，i＝0,1,...,n。
6.根据权利要求1所述的基于大数据的智慧交通方法，其特征在于：所述重复值处理具体为：判断数据中是否存在重复的车辆唯一标识，若存在重复的车辆唯一标识则将车辆数据合并；
若存在无车辆唯一标识的数据，若选定的字段类型集合中的若干字段数据重合，则将车辆数据合并。
7.根据权利要求1所述的基于大数据的智慧交通方法，其特征在于：所述将经过预处理的车辆数据与路网模型进行匹配，具体包括步骤：
通过车辆数据中的位置信息和图数据库，通过空间索引算法查询对应的节点和关系；
将车辆数据中的属性信息与路网模型中的道路属性进行集成。
8.根据权利要求7所述的基于大数据的智慧交通方法，其特征在于：所述空间索引算法具体为：
根据查询的数据特点划分查询方式；所述查询方式包括范围查询和最近邻查询；
若查询方式为范围查询，选择使用R树结合分支定界算法进行查询；
若查询方式为最近邻查询，选择使用k-d树结合最近邻搜索算法进行查询。
9.根据权利要求1所述的基于大数据的智慧交通方法，其特征在于：所述交通健康指数分别通过交通流量、车辆平均速度、通勤方式数据、平均行程时间和交通事故频率评估；
其中，区域的交通健康指数还通过区域饱和指数、路段流量分担率和路网拓扑结构评估；
路段的交通健康指数还通过路段饱和指数和长时间停车数量与路段容量的比值评估；
路口的交通健康指数还通过信号灯失衡指数、车辆转向延误时间和路口排队长度评估。
10.一种基于大数据的智慧交通系统,其特征在于：所述系统应用于如权利要求1-9任一项所述的基于大数据的智慧交通方法，包括数据收集模块、数据处理模块、数据存储模块、指数分析模块和可视化展示模块；
数据收集模块用于收集构建路网的基础数据和规划区域内的车辆数据；
数据处理模块用于对基础数据进行路网拓扑分析、对车辆数据进行数据预处理、将车辆数据与路网模型进行匹配以及匹配后处理；
数据存储模块用于存储基础数据、车辆数据和路网模型；
指数分析模块用于评估区域、路段和路口的交通健康指数；
可视化展示模块用于将路网模型和交通健康指数进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311051852.9A CN117409569A (zh) | 2023-08-21 | 2023-08-21 | 一种基于大数据的智慧交通系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311051852.9A CN117409569A (zh) | 2023-08-21 | 2023-08-21 | 一种基于大数据的智慧交通系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117409569A true CN117409569A (zh) | 2024-01-16 |
Family
ID=89498932
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311051852.9A Pending CN117409569A (zh) | 2023-08-21 | 2023-08-21 | 一种基于大数据的智慧交通系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409569A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135792A (zh) * | 2024-03-05 | 2024-06-04 | 江苏欧玫亚智能制造有限公司 | 一种停车场库位优化方法及系统 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140350970A1 (en) * | 2009-12-31 | 2014-11-27 | Douglas D. Schumann, JR. | Computer system for determining geographic-location associated conditions |
| CN109101649A (zh) * | 2018-08-23 | 2018-12-28 | 广东方纬科技有限公司 | 一种可计算路网建立方法和装置 |
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111753424A (zh) * | 2020-06-26 | 2020-10-09 | 北京百度网讯科技有限公司 | 仿真方法、装置、电子设备及存储介质 |
| CN111915887A (zh) * | 2020-07-10 | 2020-11-10 | 广州运星科技有限公司 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
| CN112785077A (zh) * | 2021-02-01 | 2021-05-11 | 南京航空航天大学 | 基于时空数据的出行需求预测方法及系统 |
| CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
| CN114265833A (zh) * | 2021-12-24 | 2022-04-01 | 刘心亮 | 车辆轨迹引导地理时空特征可视化分析平台 |
| CN114898013A (zh) * | 2022-07-15 | 2022-08-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通等时圈生成方法、电子设备及存储介质 |
| CN115204073A (zh) * | 2022-08-02 | 2022-10-18 | 大连理工大学 | 一种基于克里金插值的潮汐预测方法 |
-
2023
- 2023-08-21 CN CN202311051852.9A patent/CN117409569A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140350970A1 (en) * | 2009-12-31 | 2014-11-27 | Douglas D. Schumann, JR. | Computer system for determining geographic-location associated conditions |
| CN109101649A (zh) * | 2018-08-23 | 2018-12-28 | 广东方纬科技有限公司 | 一种可计算路网建立方法和装置 |
| CN111145546A (zh) * | 2019-12-27 | 2020-05-12 | 银江股份有限公司 | 一种城市全域交通态势分析方法 |
| CN111753424A (zh) * | 2020-06-26 | 2020-10-09 | 北京百度网讯科技有限公司 | 仿真方法、装置、电子设备及存储介质 |
| CN111915887A (zh) * | 2020-07-10 | 2020-11-10 | 广州运星科技有限公司 | 一种基于多源异构交通数据的集成与处理系统及其方法 |
| CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
| CN112785077A (zh) * | 2021-02-01 | 2021-05-11 | 南京航空航天大学 | 基于时空数据的出行需求预测方法及系统 |
| CN114265833A (zh) * | 2021-12-24 | 2022-04-01 | 刘心亮 | 车辆轨迹引导地理时空特征可视化分析平台 |
| CN114898013A (zh) * | 2022-07-15 | 2022-08-12 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通等时圈生成方法、电子设备及存储介质 |
| CN115204073A (zh) * | 2022-08-02 | 2022-10-18 | 大连理工大学 | 一种基于克里金插值的潮汐预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈刚，张笑，薛梦姣等: "《数字地形建模与地学分析》", 31 January 2019, 东南大学出版社, pages: 102 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118135792A (zh) * | 2024-03-05 | 2024-06-04 | 江苏欧玫亚智能制造有限公司 | 一种停车场库位优化方法及系统 |
| CN118135792B (zh) * | 2024-03-05 | 2024-09-03 | 江苏欧玫亚智能制造有限公司 | 一种停车场库位优化方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
| US10558898B2 (en) | System and method for generating a map from activity data | |
| Mazimpaka et al. | Trajectory data mining: A review of methods and applications | |
| CN106323301B (zh) | 一种道路情报的获取方法及装置 | |
| CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
| CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
| CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
| CN108961758B (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
| WO2019007111A1 (zh) | 一种公路异常事件的判断方法 | |
| CN110836675A (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| US20040064450A1 (en) | Method for preparing data to be analyzed, data analysis method, data analysis device, data preparation program, data analysis program, data prediction device, data prediction method, data prediction program and computer | |
| Aziz et al. | Identifying and characterizing truck stops from GPS data | |
| CN117409569A (zh) | 一种基于大数据的智慧交通系统及方法 | |
| CN114450557A (zh) | 路线偏差量化及基于此的车辆路线学习 | |
| Taran et al. | Impact of ground truth annotation quality on performance of semantic image segmentation of traffic conditions | |
| Barmpounakis et al. | Lane detection and lane-changing identification with high-resolution data from a swarm of drones | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、系统、设备及介质 | |
| Raj et al. | Evaluation of perception and nonperception based approaches for modeling urban road level of service | |
| CN112015937B (zh) | 一种图片地理定位方法及系统 | |
| Das et al. | Hardcl method for defining LOS criteria of urban streets | |
| CN110264725B (zh) | 路段流量的确定方法及装置 | |
| Salinas et al. | Cityhub: A library for urban data integration | |
| CN113688274B (zh) | 骑行路线生成方法、装置、设备及存储介质 | |
| Arman et al. | Road centreline and lane reconstruction from pervasive GPS tracking on motorways |
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 |