CN117409584A - 基于碳中和的新型智慧城市交通管理方法和系统 - Google Patents
基于碳中和的新型智慧城市交通管理方法和系统 Download PDFInfo
- Publication number
- CN117409584A CN117409584A CN202311425997.0A CN202311425997A CN117409584A CN 117409584 A CN117409584 A CN 117409584A CN 202311425997 A CN202311425997 A CN 202311425997A CN 117409584 A CN117409584 A CN 117409584A
- Authority
- CN
- China
- Prior art keywords
- traffic
- time
- trend
- time period
- flow
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 44
- 238000007726 management method Methods 0.000 title claims abstract description 42
- 238000006386 neutralization reaction Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 48
- WPPDXAHGCGPUPK-UHFFFAOYSA-N red 2 Chemical compound C1=CC=CC=C1C(C1=CC=CC=C11)=C(C=2C=3C4=CC=C5C6=CC=C7C8=C(C=9C=CC=CC=9)C9=CC=CC=C9C(C=9C=CC=CC=9)=C8C8=CC=C(C6=C87)C(C=35)=CC=2)C4=C1C1=CC=CC=C1 WPPDXAHGCGPUPK-UHFFFAOYSA-N 0.000 claims description 12
- 230000001105 regulatory effect Effects 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 206010021033 Hypomenorrhoea Diseases 0.000 description 4
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013479 data entry Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000002035 prolonged effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/083—Controlling the allocation of time between phases of a cycle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了基于碳中和的新型智慧城市交通管理方法和系统。所述基于碳中和的新型智慧城市交通管理方法包括：实时收集针对指定车辆类型在交通路段的交通数据；对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。所述系统包括与所述方法步骤对应的模块。
Description
技术领域
本发明提出了基于碳中和的新型智慧城市交通管理方法和系统，属于智慧城市交通管理技术领域。
背景技术
传统城市交通系统主要基于燃油驱动的交通工具，交通信号灯和静态交通管理方法，如交通标志和路况监测。传统城市交通系统存在如下缺陷：
碳排放高：燃油驱动交通工具导致高碳排放，加剧了城市空气质量和温室气体排放问题。
交通拥堵：静态的交通管理方法无法应对交通拥堵问题，导致通勤时间延长。
资源浪费：传统系统资源使用效率低下，如停车位管理不合理，浪费了城市资源。
环境污染：高碳排放和噪音污染对城市环境造成了负面影响。
安全问题：交通事故率相对较高，威胁了道路安全。
发明内容
本发明提供了基于碳中和的新型智慧城市交通管理方法和系统，用以解决现有技术中的上述问题，所采取的技术方案如下：
基于碳中和的新型智慧城市交通管理方法，所述基于碳中和的新型智慧城市交通管理方法包括：
实时收集针对指定车辆类型在交通路段的交通数据；
对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；
根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。
进一步地，实时收集针对指定车辆类型在交通路段的交通数据，包括：
确定指定车辆类型，其中，所述指定车辆类型包括电动汽车、电动自行车和自动驾驶车辆；
通过交通路段布设的数据采集设备实时采集所述指定车辆类型的交通数据；
其中，所述交通数据包括指定车辆类型对应的车辆流量和速度信息；
所述数据采集设备包括摄像头和测速传感器。
进一步地，对交通数据进行分析，获得指定车辆类型的交通使用趋势，包括：
从数据库中调取用于进行交通使用趋势识别的卷积神经网络；
对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
将所述交通数据输入至训练后的卷积神经网络，通过所述训练后的卷积神经网络获取指定车辆类型的交通使用趋势。
进一步地，根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整，包括：
提取指定车辆类型的交通使用趋势；
当所述指定车辆类型的交通使用趋势表示车辆流量的变化为车流量趋势增加时，则利用第一时间模型调整红绿灯的时间周期；
当所述指定车辆类型的交通使用趋势表示车辆流量的变化趋势为车流量减少时，则利用第二时间模型调整红绿灯的时间周期。
进一步地，所述第一时间模型如下：
Tred1＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen1＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tgreen0
其中，Tred1和Tgreen1分别表示第一时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示当前时刻检测获取的当前车流量；R0表示初始时刻检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期；
所述第二时间模型如下：
Tred2＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen2＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
其中，Tred2和Tgreen2分别表示第二时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示检测获取的当前车流量；R0表示检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期。
基于碳中和的新型智慧城市交通管理系统，所述基于碳中和的新型智慧城市交通管理系统包括：
交通数据实时收集模块，用于实时收集针对指定车辆类型在交通路段的交通数据；
交通使用趋势获取模块，用于对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；
红绿灯时间周期调整模块，用于根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。
进一步地，所述交通数据实时收集模块包括：
指定车辆类型确定模块，用于确定指定车辆类型，其中，所述指定车辆类型包括电动汽车、电动自行车和自动驾驶车辆；
交通数据采集执行模块，用于通过交通路段布设的数据采集设备实时采集所述指定车辆类型的交通数据；
其中，所述交通数据包括指定车辆类型对应的车辆流量和速度信息；
所述数据采集设备包括摄像头和测速传感器。
进一步地，所述交通使用趋势获取模块包括：
卷积神经网络调取模块，用于从数据库中调取用于进行交通使用趋势识别的卷积神经网络；
卷积神经网络训练模块，用于对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
交通使用趋势获取执行模块，用于将所述交通数据输入至训练后的卷积神经网络，通过所述训练后的卷积神经网络获取指定车辆类型的交通使用趋势。
进一步地，所述红绿灯时间周期调整模块包括：
交通使用趋势信息提取模块，用于提取指定车辆类型的交通使用趋势；
第一时间周期获取模块，用于当所述指定车辆类型的交通使用趋势表示车辆流量的变化为车流量趋势增加时，则利用第一时间模型调整红绿灯的时间周期；
第二时间周期获取模块，用于当所述指定车辆类型的交通使用趋势表示车辆流量的变化趋势为车流量减少时，则利用第二时间模型调整红绿灯的时间周期。
进一步地，所述第一时间模型如下：
Tred1＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen1＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tgreen0
其中，Tred1和Tgreen1分别表示第一时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示当前时刻检测获取的当前车流量；R0表示初始时刻检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期；
所述第二时间模型如下：
Tred2＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen2＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
其中，Tred2和Tgreen2分别表示第二时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示检测获取的当前车流量；R0表示检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期。
本发明有益效果：
本发明提出的基于碳中和的新型智慧城市交通管理方法和系统具备如下技术效果：
碳中和：使用电动和智能交通工具以及绿色基础设施有助于减少碳排放，推动碳中和目标。
交通效率提高：智能信号灯和数据分析可减少交通拥堵，缩短通勤时间。
资源可持续利用：共享经济模式减少了资源浪费，提高了资源的可持续利用率。
环境改善减少了交通污染和噪音，改善了城市环境。
附图说明
图1为本发明所述方法的流程图；
图2为本发明所述系统的系统框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提出了基于碳中和的新型智慧城市交通管理方法，如图1所示，所述基于碳中和的新型智慧城市交通管理方法包括：
S1、实时收集针对指定车辆类型在交通路段的交通数据；
S2、对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；
S3、根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。
上述技术方案的工作原理为：实时数据收集(S1)：首先，实时收集关于指定车辆类型在交通路段的交通数据。这些数据可以包括车辆数量、车速、拥堵程度等，具体取决于可用的交通传感器和数据源。
数据分析(S2)：接下来，对收集到的交通数据进行分析，目的是了解指定车辆类型的交通使用趋势。这些趋势可以包括车辆流量的变化趋势，例如不同时间段内车辆数量的增加或减少。
红绿灯时间周期调整(S3)：根据分析得到的交通使用趋势，系统会相应地调整路段中红绿灯的时间周期。例如，如果数据分析表明指定车辆类型的流量在某个时间段增加，系统可以缩短红灯时间以减少交通拥堵。
上述技术方案的效果为：交通优化：本实施例的上述技术方案允许城市交通管理部门根据实时交通数据来调整红绿灯的时间周期，以更好地适应交通需求。这可以减少拥堵、改善通行流畅性，提高交通效率。
减少碳排放：通过优化交通流量，减少交通拥堵，车辆可以更加平稳地行驶，减少急刹车和急加速，从而减少碳排放，有助于城市的碳中和和可持续性目标。
智慧城市：本实施例的上述技术方案采用了智能交通管理的原则，利用实时数据分析和调整来提高城市的整体可持续性和智慧性。
适应性调整：通过不断分析数据并调整红绿灯时间周期，系统可以适应交通变化，以确保城市交通系统的高效运行。
本发明的一个实施例，实时收集针对指定车辆类型在交通路段的交通数据，包括：
S101、确定指定车辆类型，其中，所述指定车辆类型包括电动汽车、电动自行车和自动驾驶车辆；
S102、通过交通路段布设的数据采集设备实时采集所述指定车辆类型的交通数据；
其中，所述交通数据包括指定车辆类型对应的车辆流量和速度信息；
所述数据采集设备包括摄像头和测速传感器。
上述技术方案的工作原理为：确定指定车辆类型(S101)：首先，确定要监测和收集数据的指定车辆类型。这可以包括各种车辆类型，如电动汽车、电动自行车和自动驾驶车辆。
数据采集设备布设(S102)：在交通路段布设各种数据采集设备，如摄像头和测速传感器。这些设备用于实时监测和采集指定车辆类型的交通数据。数据采集设备可以捕获车辆流量和速度信息，以及其他相关的数据，如车辆类型和车辆位置。
上述技术方案的效果为：实时数据采集：通过布设数据采集设备，可以实时监测和采集指定车辆类型的交通数据。这使交通管理部门能够了解交通路段上不同类型车辆的行为和流量。
精确监测：使用摄像头和测速传感器等设备，可以精确监测车辆的速度和流量，提供高质量的数据，以更好地了解路段上的交通情况。
交通规划：获得的数据可用于交通规划，包括道路改进、红绿灯调整和路段扩建等。这有助于提高城市的整体交通效率和通行流畅性。
可持续性和碳中和：监测电动汽车等环保车辆的流量和速度有助于支持城市的可持续性目标，如减少碳排放。此信息可用于优化充电站的位置和电动车辆的智能充电。
交通安全：数据采集设备还可以用于监测交通安全问题，如车速超过限制速度的情况，有助于减少交通事故。
本发明的一个实施例，对交通数据进行分析，获得指定车辆类型的交通使用趋势，包括：
S201、从数据库中调取用于进行交通使用趋势识别的卷积神经网络；
S202、对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
S203、将所述交通数据输入至训练后的卷积神经网络，通过所述训练后的卷积神经网络获取指定车辆类型的交通使用趋势。
上述技术方案的工作原理为：卷积神经网络的获取(S201和S202)：首先，从数据库中调取用于进行交通使用趋势识别的卷积神经网络模型。然后，对这个卷积神经网络进行训练，以使其能够识别指定车辆类型的交通使用趋势。
数据输入和趋势分析(S203)：将实时收集的交通数据输入到经过训练的卷积神经网络中。网络会分析这些数据并生成指定车辆类型的交通使用趋势信息。这可能包括车辆流量的变化趋势，速度的趋势，或者其他与指定车辆类型相关的趋势信息。
上述技术方案的效果为：趋势分析：通过卷积神经网络，系统能够自动识别和分析指定车辆类型的交通使用趋势。这提供了城市交通管理部门洞察交通情况的工具，使其能够更好地规划和调整交通控制策略。
数据驱动的决策：趋势信息可用于调整红绿灯的时间周期，以适应不同时间段指定车辆类型的交通流量变化。这有助于提高交通效率和减少拥堵。
智能交通管理：基于趋势数据的分析，交通管理部门可以实施智能化的交通控制，更好地适应城市的交通需求，提高通行效率，减少能源浪费，从而推动碳中和和可持续性目标。
本发明的一个实施例，根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整，包括：
S301、提取指定车辆类型的交通使用趋势；
S302、当所述指定车辆类型的交通使用趋势表示车辆流量的变化为车流量趋势增加时，则利用第一时间模型调整红绿灯的时间周期；
S303、当所述指定车辆类型的交通使用趋势表示车辆流量的变化趋势为车流量减少时，则利用第二时间模型调整红绿灯的时间周期。
其中，所述第一时间模型如下：
Tred1＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen1＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tgreen0
其中，Tred1和Tgreen1分别表示第一时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示当前时刻检测获取的当前车流量；R0表示初始时刻检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期；
所述第二时间模型如下：
Tred2＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen2＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
其中，Tred2和Tgreen2分别表示第二时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示检测获取的当前车流量；R0表示检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期。
上述技术方案的工作原理为：提取交通使用趋势(S301)：首先，从卷积神经网络模型中提取指定车辆类型的交通使用趋势。这趋势信息包括车辆流量的变化趋势。
基于车流量趋势的红绿灯周期调整：根据车流量趋势的不同，采用不同的时间模型进行红绿灯周期的调整。
第一时间模型(S302)：当车流量趋势为增加时，即车流量逐渐增加，红绿灯的时间周期会按照第一时间模型进行调整。这会使红灯时间周期增加，以更好地应对车辆流量的上升。
第二时间模型(S303)：当车流量趋势为减少时，即车流量逐渐减少，红绿灯的时间周期会按照第二时间模型进行调整。这会使红灯时间周期减少，以适应车辆流量的下降。
上述技术方案的效果为：智能红绿灯控制：通过根据实时车流量趋势自动调整红绿灯的时间周期，本实施例的上述技术方案能够实现更智能的交通信号控制。这有助于减少拥堵、提高通行效率，并最终减少交通拥堵带来的碳排放。
适应性交通管理：本实施例的上述技术方案可以更好地适应城市交通的不断变化，确保交通信号系统与车流量的波动相匹配。这有助于改善交通流畅度，减少能源浪费，从而支持碳中和和可持续的城市交通管理目标。
本发明实施例提出了基于碳中和的新型智慧城市交通管理系统，如图2所示，所述基于碳中和的新型智慧城市交通管理系统包括：
交通数据实时收集模块，用于实时收集针对指定车辆类型在交通路段的交通数据；
交通使用趋势获取模块，用于对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；
红绿灯时间周期调整模块，用于根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。
上述技术方案的工作原理为：实时数据收集：首先，实时收集关于指定车辆类型在交通路段的交通数据。这些数据可以包括车辆数量、车速、拥堵程度等，具体取决于可用的交通传感器和数据源。
数据分析：接下来，对收集到的交通数据进行分析，目的是了解指定车辆类型的交通使用趋势。这些趋势可以包括车辆流量的变化趋势，例如不同时间段内车辆数量的增加或减少。
红绿灯时间周期调整：根据分析得到的交通使用趋势，系统会相应地调整路段中红绿灯的时间周期。例如，如果数据分析表明指定车辆类型的流量在某个时间段增加，系统可以缩短红灯时间以减少交通拥堵。
上述技术方案的效果为：交通优化：本实施例的上述技术方案允许城市交通管理部门根据实时交通数据来调整红绿灯的时间周期，以更好地适应交通需求。这可以减少拥堵、改善通行流畅性，提高交通效率。
减少碳排放：通过优化交通流量，减少交通拥堵，车辆可以更加平稳地行驶，减少急刹车和急加速，从而减少碳排放，有助于城市的碳中和和可持续性目标。
智慧城市：本实施例的上述技术方案采用了智能交通管理的原则，利用实时数据分析和调整来提高城市的整体可持续性和智慧性。
适应性调整：通过不断分析数据并调整红绿灯时间周期，系统可以适应交通变化，以确保城市交通系统的高效运行。
本发明的一个实施例，所述交通数据实时收集模块包括：
指定车辆类型确定模块，用于确定指定车辆类型，其中，所述指定车辆类型包括电动汽车、电动自行车和自动驾驶车辆；
交通数据采集执行模块，用于通过交通路段布设的数据采集设备实时采集所述指定车辆类型的交通数据；
其中，所述交通数据包括指定车辆类型对应的车辆流量和速度信息；
所述数据采集设备包括摄像头和测速传感器。
上述技术方案的工作原理为：确定指定车辆类型：首先，确定要监测和收集数据的指定车辆类型。这可以包括各种车辆类型，如电动汽车、电动自行车和自动驾驶车辆。
数据采集设备布设：在交通路段布设各种数据采集设备，如摄像头和测速传感器。这些设备用于实时监测和采集指定车辆类型的交通数据。数据采集设备可以捕获车辆流量和速度信息，以及其他相关的数据，如车辆类型和车辆位置。
上述技术方案的效果为：实时数据采集：通过布设数据采集设备，可以实时监测和采集指定车辆类型的交通数据。这使交通管理部门能够了解交通路段上不同类型车辆的行为和流量。
精确监测：使用摄像头和测速传感器等设备，可以精确监测车辆的速度和流量，提供高质量的数据，以更好地了解路段上的交通情况。
交通规划：获得的数据可用于交通规划，包括道路改进、红绿灯调整和路段扩建等。这有助于提高城市的整体交通效率和通行流畅性。
可持续性和碳中和：监测电动汽车等环保车辆的流量和速度有助于支持城市的可持续性目标，如减少碳排放。此信息可用于优化充电站的位置和电动车辆的智能充电。
交通安全：数据采集设备还可以用于监测交通安全问题，如车速超过限制速度的情况，有助于减少交通事故。
本发明的一个实施例，所述交通使用趋势获取模块包括：
卷积神经网络调取模块，用于从数据库中调取用于进行交通使用趋势识别的卷积神经网络；
卷积神经网络训练模块，用于对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
交通使用趋势获取执行模块，用于将所述交通数据输入至训练后的卷积神经网络，通过所述训练后的卷积神经网络获取指定车辆类型的交通使用趋势。
上述技术方案的工作原理为：卷积神经网络的获取：首先，从数据库中调取用于进行交通使用趋势识别的卷积神经网络模型。然后，对这个卷积神经网络进行训练，以使其能够识别指定车辆类型的交通使用趋势。
数据输入和趋势分析：将实时收集的交通数据输入到经过训练的卷积神经网络中。网络会分析这些数据并生成指定车辆类型的交通使用趋势信息。这可能包括车辆流量的变化趋势，速度的趋势，或者其他与指定车辆类型相关的趋势信息。
上述技术方案的效果为：趋势分析：通过卷积神经网络，系统能够自动识别和分析指定车辆类型的交通使用趋势。这提供了城市交通管理部门洞察交通情况的工具，使其能够更好地规划和调整交通控制策略。
数据驱动的决策：趋势信息可用于调整红绿灯的时间周期，以适应不同时间段指定车辆类型的交通流量变化。这有助于提高交通效率和减少拥堵。
智能交通管理：基于趋势数据的分析，交通管理部门可以实施智能化的交通控制，更好地适应城市的交通需求，提高通行效率，减少能源浪费，从而推动碳中和和可持续性目标。
本发明的一个实施例，所述红绿灯时间周期调整模块包括：
交通使用趋势信息提取模块，用于提取指定车辆类型的交通使用趋势；
第一时间周期获取模块，用于当所述指定车辆类型的交通使用趋势表示车辆流量的变化为车流量趋势增加时，则利用第一时间模型调整红绿灯的时间周期；
第二时间周期获取模块，用于当所述指定车辆类型的交通使用趋势表示车辆流量的变化趋势为车流量减少时，则利用第二时间模型调整红绿灯的时间周期。
其中，所述第一时间模型如下：
Tred1＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen1＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tgreen0
其中，Tred1和Tgreen1分别表示第一时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示当前时刻检测获取的当前车流量；R0表示初始时刻检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期；
所述第二时间模型如下：
Tred2＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen2＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
其中，Tred2和Tgreen2分别表示第二时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示检测获取的当前车流量；R0表示检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期。
上述技术方案的工作原理为：提取交通使用趋势：首先，从卷积神经网络模型中提取指定车辆类型的交通使用趋势。这趋势信息包括车辆流量的变化趋势。
基于车流量趋势的红绿灯周期调整：根据车流量趋势的不同，采用不同的时间模型进行红绿灯周期的调整。
第一时间模型：当车流量趋势为增加时，即车流量逐渐增加，红绿灯的时间周期会按照第一时间模型进行调整。这会使红灯时间周期增加，以更好地应对车辆流量的上升。
第二时间模型：当车流量趋势为减少时，即车流量逐渐减少，红绿灯的时间周期会按照第二时间模型进行调整。这会使红灯时间周期减少，以适应车辆流量的下降。
上述技术方案的效果为：智能红绿灯控制：通过根据实时车流量趋势自动调整红绿灯的时间周期，本实施例的上述技术方案能够实现更智能的交通信号控制。这有助于减少拥堵、提高通行效率，并最终减少交通拥堵带来的碳排放。
适应性交通管理：本实施例的上述技术方案可以更好地适应城市交通的不断变化，确保交通信号系统与车流量的波动相匹配。这有助于改善交通流畅度，减少能源浪费，从而支持碳中和和可持续的城市交通管理目标。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于碳中和的新型智慧城市交通管理方法，其特征在于，所述基于碳中和的新型智慧城市交通管理方法包括：
实时收集针对指定车辆类型在交通路段的交通数据；
对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；
根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。
2.根据权利要求1所述基于碳中和的新型智慧城市交通管理方法，其特征在于，实时收集针对指定车辆类型在交通路段的交通数据，包括：
确定指定车辆类型，其中，所述指定车辆类型包括电动汽车、电动自行车和自动驾驶车辆；
通过交通路段布设的数据采集设备实时采集所述指定车辆类型的交通数据；
其中，所述交通数据包括指定车辆类型对应的车辆流量和速度信息；
所述数据采集设备包括摄像头和测速传感器。
3.根据权利要求1所述基于碳中和的新型智慧城市交通管理方法，其特征在于，对交通数据进行分析，获得指定车辆类型的交通使用趋势，包括：
从数据库中调取用于进行交通使用趋势识别的卷积神经网络；
对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
将所述交通数据输入至训练后的卷积神经网络，通过所述训练后的卷积神经网络获取指定车辆类型的交通使用趋势。
4.根据权利要求1所述基于碳中和的新型智慧城市交通管理方法，其特征在于，根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整，包括：
提取指定车辆类型的交通使用趋势；
当所述指定车辆类型的交通使用趋势表示车辆流量的变化为车流量趋势增加时，则利用第一时间模型调整红绿灯的时间周期；
当所述指定车辆类型的交通使用趋势表示车辆流量的变化趋势为车流量减少时，则利用第二时间模型调整红绿灯的时间周期。
5.根据权利要求4所述基于碳中和的新型智慧城市交通管理方法，其特征在于，所述第一时间模型如下：
Tred1＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen1＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tgreen0
其中，Tred1和Tgreen1分别表示第一时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示当前时刻检测获取的当前车流量；R0表示初始时刻检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期；
所述第二时间模型如下：
Tred2＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen2＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
其中，Tred2和Tgreen2分别表示第二时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示检测获取的当前车流量；R0表示检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期。
6.基于碳中和的新型智慧城市交通管理系统，其特征在于，所述基于碳中和的新型智慧城市交通管理系统包括：
交通数据实时收集模块，用于实时收集针对指定车辆类型在交通路段的交通数据；
交通使用趋势获取模块，用于对交通数据进行分析，获得指定车辆类型的交通使用趋势，其中，所述交通使用趋势包括指定车辆类型的车辆流量的变化趋势；
红绿灯时间周期调整模块，用于根据所述交通使用趋势对路段中的红绿灯的时间周期进行调整。
7.根据权利要求6所述基于碳中和的新型智慧城市交通管理系统，其特征在于，所述交通数据实时收集模块包括：
指定车辆类型确定模块，用于确定指定车辆类型，其中，所述指定车辆类型包括电动汽车、电动自行车和自动驾驶车辆；
交通数据采集执行模块，用于通过交通路段布设的数据采集设备实时采集所述指定车辆类型的交通数据；
其中，所述交通数据包括指定车辆类型对应的车辆流量和速度信息；
所述数据采集设备包括摄像头和测速传感器。
8.根据权利要求6所述基于碳中和的新型智慧城市交通管理系统，其特征在于，所述交通使用趋势获取模块包括：
卷积神经网络调取模块，用于从数据库中调取用于进行交通使用趋势识别的卷积神经网络；
卷积神经网络训练模块，用于对所述卷积神经网络进行训练，获得训练后的卷积神经网络；
交通使用趋势获取执行模块，用于将所述交通数据输入至训练后的卷积神经网络，通过所述训练后的卷积神经网络获取指定车辆类型的交通使用趋势。
9.根据权利要求6所述基于碳中和的新型智慧城市交通管理系统，其特征在于，所述红绿灯时间周期调整模块包括：
交通使用趋势信息提取模块，用于提取指定车辆类型的交通使用趋势；
第一时间周期获取模块，用于当所述指定车辆类型的交通使用趋势表示车辆流量的变化为车流量趋势增加时，则利用第一时间模型调整红绿灯的时间周期；
第二时间周期获取模块，用于当所述指定车辆类型的交通使用趋势表示车辆流量的变化趋势为车流量减少时，则利用第二时间模型调整红绿灯的时间周期。
10.根据权利要求9所述基于碳中和的新型智慧城市交通管理系统，其特征在于，所述第一时间模型如下：
Tred1＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen1＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tgreen0
其中，Tred1和Tgreen1分别表示第一时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示当前时刻检测获取的当前车流量；R0表示初始时刻检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期；
所述第二时间模型如下：
Tred2＝[1-K×ln[1+exp(-(R-R0)/R0)]]×Tred0
Tgreen2＝[1+(1-K)×ln[1+exp(-(R-R0)/R0)]]×Tred0
其中，Tred2和Tgreen2分别表示第二时间模型获取的调整后的红灯的时间周期和绿灯的时间周期；R表示检测获取的当前车流量；R0表示检测到的初始车流量；K表示调节系数，K取值范围为0.38-0.45；Tred0和Tgreen0分别表示初始时刻对应的红灯和绿灯的初始时间周期。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425997.0A CN117409584B (zh) | 2023-10-31 | 2023-10-31 | 基于碳中和的新型智慧城市交通管理方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311425997.0A CN117409584B (zh) | 2023-10-31 | 2023-10-31 | 基于碳中和的新型智慧城市交通管理方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409584A true CN117409584A (zh) | 2024-01-16 |
| CN117409584B CN117409584B (zh) | 2024-06-21 |
Family
ID=89488693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311425997.0A Active CN117409584B (zh) | 2023-10-31 | 2023-10-31 | 基于碳中和的新型智慧城市交通管理方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409584B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854283A (zh) * | 2024-03-05 | 2024-04-09 | 南通装配式建筑与智能结构研究院 | 一种城市道路碳中和估算分析方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187701A1 (en) * | 2004-02-23 | 2005-08-25 | Baney Douglas M. | Traffic communication system |
| CN102810250A (zh) * | 2012-07-31 | 2012-12-05 | 长安大学 | 基于视频的多车型交通信息检测方法 |
| CN110728844A (zh) * | 2019-09-11 | 2020-01-24 | 平安科技（深圳）有限公司 | 红绿灯自适应控制方法、装置、交通控制设备及存储介质 |
| CN111739284A (zh) * | 2020-05-06 | 2020-10-02 | 东华大学 | 基于遗传算法优化模糊控制的交通信号灯智能配时方法 |
| CN111862632A (zh) * | 2020-04-29 | 2020-10-30 | 南阳师范学院 | 一种智能交通信号灯防拥堵的方法及装置 |
| CN116913093A (zh) * | 2023-07-28 | 2023-10-20 | 华设设计集团股份有限公司 | 一种基于反馈控制的智慧高速公路协同管控方法 |
| CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及系统 |
-
2023
- 2023-10-31 CN CN202311425997.0A patent/CN117409584B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050187701A1 (en) * | 2004-02-23 | 2005-08-25 | Baney Douglas M. | Traffic communication system |
| CN102810250A (zh) * | 2012-07-31 | 2012-12-05 | 长安大学 | 基于视频的多车型交通信息检测方法 |
| CN110728844A (zh) * | 2019-09-11 | 2020-01-24 | 平安科技（深圳）有限公司 | 红绿灯自适应控制方法、装置、交通控制设备及存储介质 |
| CN111862632A (zh) * | 2020-04-29 | 2020-10-30 | 南阳师范学院 | 一种智能交通信号灯防拥堵的方法及装置 |
| CN111739284A (zh) * | 2020-05-06 | 2020-10-02 | 东华大学 | 基于遗传算法优化模糊控制的交通信号灯智能配时方法 |
| CN116913093A (zh) * | 2023-07-28 | 2023-10-20 | 华设设计集团股份有限公司 | 一种基于反馈控制的智慧高速公路协同管控方法 |
| CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| AN, HYO-IN ET.AL.: "Design and Implementation of Response type of Flickering Green Signal System using Beacon Message", JOURNAL OF DIGITAL CONVERGENCE, vol. 14, no. 11, 31 December 2016 (2016-12-31) * |
| 解小平: "基于Elman神经网络的短时交通流预测及应用研究", 中国优秀硕士学位论文电子全文数据库工程科技Ⅱ辑, no. 2, 15 February 2018 (2018-02-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854283A (zh) * | 2024-03-05 | 2024-04-09 | 南通装配式建筑与智能结构研究院 | 一种城市道路碳中和估算分析方法 |
| CN117854283B (zh) * | 2024-03-05 | 2024-05-10 | 南通装配式建筑与智能结构研究院 | 一种城市道路碳中和估算分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409584B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102622798B (zh) | 一种客流统计分析系统 | |
| CN117409584B (zh) | 基于碳中和的新型智慧城市交通管理方法和系统 | |
| WO2022126492A1 (zh) | 一种基于云服务的城市智慧交通管理系统 | |
| CN105185115A (zh) | 一种交通预测方法和预测系统 | |
| CN110349427B (zh) | 一种基于大数据的智慧交通管理系统 | |
| CN103247092A (zh) | 一种基于场景的驾驶行为评价方法 | |
| US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
| CN111833598A (zh) | 一种高速公路无人机交通事件自动监测方法及系统 | |
| CN116029411A (zh) | 一种基于物联网的智慧城市区域管理方法和系统 | |
| CN111882924A (zh) | 车辆测试系统、驾驶行为判断控制方法及事故预警方法 | |
| CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
| CN113487877A (zh) | 一种道路车辆违规停车监控方法 | |
| US10930145B2 (en) | Traffic system for predicting and providing traffic signal switching timing | |
| CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
| CN112907955A (zh) | 一种基于信息融合的车路协同系统的评价方法 | |
| CN111063042A (zh) | 一种基于大数据的高速公路自由流收费路径拟合系统 | |
| CN111127882A (zh) | 一种基于大数据的旅游景区停车场来车数量预测方法 | |
| CN112435485B (zh) | 一种用于车路信息协同的系统 | |
| CN117037088A (zh) | 基于边缘计算的热电厂煤灰运输车辆的定位方法及系统 | |
| CN116580523A (zh) | 交通能耗监测与管理方法、系统、电子装置和存储介质 | |
| CN110545322A (zh) | 车联网系统及其胎压信息的处理方法、装置 | |
| CN116071935A (zh) | 一种基于机器学习的交通信号自控制方法 | |
| CN214704951U (zh) | 基于vmd-lstm自动调节时长的智慧信号灯 | |
| CN114708546A (zh) | 一种基于智慧灯杆边缘计算网关的道路监测系统及监测方法 | |
| CN111627226A (zh) | 一种车辆逆行监测网络、方法、装置、介质及电子设备 |
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 |