CN117854279A - 一种基于边缘计算的道路状况预测方法及系统 - Google Patents

Abstract

本发明提供了一种基于边缘计算的道路状况预测方法及系统，包括：接收用户请求，根据用户请求确定目标道路；利用第一边缘设备，采集目标道路对应的目标道路数据；确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；利用第二边缘设备，采集关联道路对应的关联道路数据；对目标道路数据进行数据预处理，得到预处理目标道路数据；对关联道路数据进行数据预处理，得到预处理关联道路数据；基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。达到了保证道路预测结果的准确性，从而实现出行安全的技术效果。

Description

一种基于边缘计算的道路状况预测方法及系统

技术领域

本发明涉及道路状况预测技术领域，特别涉及一种基于边缘计算的道路状况预测方法及系统。

背景技术

随着国家的不断发展进步，社会人口不断增加的同时，人民的生活水平也在不断提高，出行成为了日常生活中必不可少的环节，所以当前道路中人流量和车流量都很庞大，这很容易导致出行事故的发生，因此，为了保证道路通行安全，需要进行道路状况预测，道路状况预测是指利用传感器、数据处理和分析技术，对道路的交通流量、拥堵程度、交通事故概率等信息进行实施预测，进行道路状况预测可以提前预警道路状况和可能发生的交通事故，有效地减少交通拥堵，进而提高交通安全。

现有技术，申请号：202210093295.6，公开了一种道路状态预测方法：包括：获取当前时段的输入车流数据；输入车流数据包括车流密度和车流密度对应的平均车速；输入车流数据包括第一道路的第一输入车流数据和第二道路的第二输入车流数据；第一道路与第二道路相连；基于输入车流数据，确定输入车流量；输入车流量包括第一道路对应的第一输入车流量和第二道路的对应的第二输入车流量；获取第三道路的当前时段的平均车速；第三道路为第一道路和第二道路的汇入道路；获取预先建立的道路状态预测模型；道路状态预测模型用于预测第三道路的道路状态。以上技术方案虽然实现了道路状态预测，但是采集数据运用的为固定安装的传感器，会出现采集的数据不完整的情况，从而导致预测结果错误。

因此，如何保证道路预测结果的准确性，从而实现出行安全，是道路状况预测技术领域亟待解决的问题之一。

发明内容

本发明旨在至少一定程度上解决上述技术中的技术问题。为此，本发明的目的在于提供一种基于边缘计算的道路状况预测方法及系统，通过边缘设备采集目标道路及其关联道路的道路数据，对道路数据进行预处理，基于预处理后的道路数据对目标道路进行道路状况预测，达到保证道路预测结果的准确性，从而实现出行安全的技术效果。

本发明提供一种基于边缘计算的道路状况预测方法，包括：

接收用户请求，根据用户请求确定目标道路；

利用第一边缘设备，采集目标道路对应的目标道路数据；

确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；

利用第二边缘设备，采集关联道路对应的关联道路数据；

对目标道路数据进行数据预处理，得到预处理目标道路数据；

对关联道路数据进行数据预处理，得到预处理关联道路数据；

基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。

优选的，基于边缘计算的道路状况预测方法，目标道路数据包括目标道路在不同时间的目标车辆数据和目标行人数据。

优选的，基于边缘计算的道路状况预测方法，确定目标道路的道路信息，根据道路信息确定目标道路的关联道路，包括：

确定目标道路的名称信息和位置信息；其中，位置信息包括目标道路起点位置信息和目标道路终点位置信息；

基于目标道路的名称信息和位置信息，通过预设地理信息系统确定目标道路的关联道路。

优选的，基于边缘计算的道路状况预测方法，对目标道路数据进行数据预处理，得到预处理目标道路数据，包括：

对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据；

对优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据。

优选的，基于边缘计算的道路状况预测方法，对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据，包括：

确定当前进行离群数据检测操作的为目标道路数据中的目标车辆数据；

选择任一目标车辆数据作为待处理车辆数据，根据待处理车辆数据所处的预设车辆数据范围，确定待处理车辆数据对应的第一影响系数；

基于第一影响系数，利用预设第二影响系数计算公式确定待处理车辆数据对应的第二影响系数；

将第一影响系数与第二影响系数相乘所得的乘积作为待处理车辆数据的离群影响系数；

对所有的目标车辆数据进行以上操作，得到每个目标车辆数据对应的离群影响系数；

将所有离群影响系数的均值作为平均离群影响系数，将所有目标车辆数据的数据均值作为平均车辆数据；

根据目标车辆数据和目标车辆数据对应的获取时间，建立以时间为横轴，目标车辆数据为纵轴的时间-车辆坐标系；

根据时间-车辆坐标系的横轴确定中间时间，在时间-车辆坐标系中，根据中间时间和平均车辆数据确定目标点；

在时间-车辆坐标系中确定以目标点为圆心，平均离群影响系数为半径的比较区域；

在时间-车辆坐标系中，以每个目标车辆数据所处位置为圆心，每个目标车辆数据对应的离群影响系数为半径，确定每个目标车辆数据对应的目标影响区域；

将每个目标车辆数据对应的目标影响区域与比较区域的比值作为目标区域重叠指数；

当目标区域重叠指数小于等于预设重叠阈值时，计算目标车辆数据所处位置到比较区域的最小距离；

当最小距离大于第一预设距离阈值时，确定目标车辆数据为第一离群数据；

计算第一离群数据与时间-车辆坐标系中除目标点之外的所有目标车辆数据之间的差值，将小于预设差值阈值的差值个数作为第一离群数据的局部密度；

确定局部密度最大的第一离群数据为标准离群数据；

计算除标准离群数据外的第一离群数据与标准离群数据之间的欧氏距离；

将除标准离群数据外的第一离群数据的局部密度与对应欧式距离的比值作为第一离群数据的离群度；

将离群度与预设离群度量值进行比较，当离群度小于预设离群度量值时，将对应的第一离群数据剔除，将完成数据剔除后的目标车辆数据作为优化目标车辆数据；

对目标道路的目标行人数据进行以上操作，得到优化目标行人数据；

优化目标车辆数据和优化目标行人数据组成优化目标道路数据。

优选的，基于边缘计算的道路状况预测方法，对优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据，包括：

确定当前进行缺失值填补操作的为优化目标车辆数据，按照采集时间的先后顺序对优化目标车辆数据进行排序操作，得到排序目标车辆数据；

基于排序目标车辆数据和采集时间确定数据时间轴；

根据数据时间轴确定缺失数据对应的时刻，作为待填充时刻；

确定待填充时刻的前一时刻对应的排序目标车辆数据，作为第一填充数据；

确定待填充时刻的后一时刻对应的排序目标车辆数据，作为第二填充数据；

计算第一填充数据和第二填充数据的均值，将均值作为待填充时刻对应的填充数据，将完成数据填充后的优化目标车辆数据作为预处理目标车辆数据；

对优化目标行人数据进行以上操作，得到预处理目标行人数据；

预处理目标车辆数据和预处理目标行人数据组成预处理目标道路数据。

优选的，基于边缘计算的道路状况预测方法，预处理关联道路数据包括预处理关联车辆数据和预处理关联行人数据。

优选的，基于边缘计算的道路状况预测方法，基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测，包括：

确定当前处理数据为预处理目标车辆数据；

计算预处理目标车辆数据的数据均值，将数据均值与预设划分系数的乘积作为数据划分阈值；

基于数据划分阈值，根据预设数据划分规则对预处理目标车辆数据进行数据划分，得到若干组子预处理目标车辆数据；

基于数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数；

对预处理关联车辆数据进行以上操作，得到预处理关联车辆数据对应的第二车辆指数；

计算第一车辆指数和第二车辆指数的均值，将均值作为车辆预测指数；

确定当前处理数据为预处理目标行人数据；

确定每一个预处理目标行人数据的采集时刻，确定每一个预处理目标行人数据与后一时刻的预处理目标行人数据之间的差值的绝对值，将所有的绝对值相加得到预处理目标行人数据对应的第一行人指数；

对预处理关联行人数据进行以上操作，得到预处理关联行人数据对应的第二行人指数；

计算第一行人指数和第二行人指数的均值，将均值作为行人预测指数；

获取历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果，基于历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果进行模型训练，得到道路状况预测模型；

将车辆预测指数和行人预测指数输入道路状况预测模型得到模型输出结果，将模型输出结果作为目标道路状况预测结果。

优选的，基于边缘计算的道路状况预测方法，基于数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数，包括：

基于以下公式确定预处理目标车辆数据对应的第一车辆指数：

其中，V1_risk为第一车辆指数，num为子预处理目标车辆数据的组数，A_i表示第i组的子预处理目标车辆数据的数据个数与相邻组的子预处理目标车辆数据的数据个数的均值，M_i表示第i组的子预处理目标车辆数据中的数据最大值，VA表示预处理目标车辆数据的数据均值。

本发明提供一种基于边缘计算的道路状况预测系统，包括：

目标道路确定模块，用于接收用户请求，根据用户请求确定目标道路；

第一数据采集模块，用于利用第一边缘设备，采集目标道路对应的目标道路数据；

关联道路确定模块，用于确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；

第二数据采集模块，用于利用第二边缘设备，采集关联道路对应的关联道路数据；

第一数据预处理模块，用于对目标道路数据进行数据预处理，得到预处理目标道路数据；

第二数据预处理模块，用于对关联道路数据进行数据预处理，得到预处理关联道路数据；

道路状况预测模块，用于基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。

本发明通过提供一种基于边缘计算的道路状况预测方法及系统，包括：接收用户请求，根据用户请求确定目标道路；利用第一边缘设备，采集目标道路对应的目标道路数据；确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；利用第二边缘设备，采集关联道路对应的关联道路数据；对目标道路数据进行数据预处理，得到预处理目标道路数据；对关联道路数据进行数据预处理，得到预处理关联道路数据；基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。达到了保证道路预测结果的准确性，从而实现出行安全的技术效果。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在本申请文件中所写的特别指出的结构来实现和获得。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明实施例中一种基于边缘计算的道路状况预测方法的流程图；

图2为本发明实施例中一种可选的进行缺失数据填补的流程图；

图3为本发明实施例中一种基于边缘计算的道路状况预测系统的框图。

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。

参照图1，本发明实施例提供一种基于边缘计算的道路状况预测方法，包括：

步骤S1，接收用户请求，根据用户请求确定目标道路；

步骤S2，利用第一边缘设备，采集目标道路对应的目标道路数据；

步骤S3，确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；

步骤S4，利用第二边缘设备，采集关联道路对应的关联道路数据；

步骤S5，对目标道路数据进行数据预处理，得到预处理目标道路数据；

步骤S6，对关联道路数据进行数据预处理，得到预处理关联道路数据；

步骤S7，基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。

上述技术方案的技术原理和技术效果是：接收用户请求，根据用户请求确定目标道路；利用第一边缘设备，采集目标道路对应的目标道路数据；确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；利用第二边缘设备，采集关联道路对应的关联道路数据；对目标道路数据进行数据预处理，得到预处理目标道路数据；对关联道路数据进行数据预处理，得到预处理关联道路数据；基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。达到了保证道路预测结果的准确性，从而实现出行安全的技术效果。

本发明实施例提供基于边缘计算的道路状况预测方法，目标道路数据包括目标道路在不同时间的目标车辆数据和目标行人数据。

本发明实施例提供基于边缘计算的道路状况预测方法，确定目标道路的道路信息，根据道路信息确定目标道路的关联道路，包括：

确定目标道路的名称信息和位置信息；其中，位置信息包括目标道路起点位置信息和目标道路终点位置信息；

基于目标道路的名称信息和位置信息，通过预设地理信息系统确定目标道路的关联道路。

上述技术方案的技术原理和技术效果是：确定目标道路的名称信息和位置信息；其中，位置信息包括目标道路起点位置信息和目标道路终点位置信息；基于目标道路的名称信息和位置信息，通过预设地理信息系统确定目标道路的关联道路。实现了基于目标道路信息确定关联道路，进而基于目标道路和关联道路进行综合分析，确保道路状况预测结果准确性的技术效果。

本发明实施例提供基于边缘计算的道路状况预测方法，对目标道路数据进行数据预处理，得到预处理目标道路数据，包括：

对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据；

对优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据。

上述技术方案的技术原理和技术效果是：对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据；对优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据。实现了改善数据质量，提高数据处理时的效率，进而保证道路状况预测结果准确性的技术效果。

本发明实施例提供基于边缘计算的道路状况预测方法，对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据，包括：

确定当前进行离群数据检测操作的为目标道路数据中的目标车辆数据；

选择任一目标车辆数据作为待处理车辆数据，根据待处理车辆数据所处的预设车辆数据范围，确定待处理车辆数据对应的第一影响系数；

基于第一影响系数，利用预设第二影响系数计算公式确定待处理车辆数据对应的第二影响系数；

将第一影响系数与第二影响系数相乘所得的乘积作为待处理车辆数据的离群影响系数；

对所有的目标车辆数据进行以上操作，得到每个目标车辆数据对应的离群影响系数；

将所有离群影响系数的均值作为平均离群影响系数，将所有目标车辆数据的数据均值作为平均车辆数据；

根据目标车辆数据和目标车辆数据对应的获取时间，建立以时间为横轴，目标车辆数据为纵轴的时间-车辆坐标系；

根据时间-车辆坐标系的横轴确定中间时间，在时间-车辆坐标系中，根据中间时间和平均车辆数据确定目标点；

在时间-车辆坐标系中确定以目标点为圆心，平均离群影响系数为半径的比较区域；

在时间-车辆坐标系中，以每个目标车辆数据所处位置为圆心，每个目标车辆数据对应的离群影响系数为半径，确定每个目标车辆数据对应的目标影响区域；

将每个目标车辆数据对应的目标影响区域与比较区域的比值作为目标区域重叠指数；

当目标区域重叠指数小于等于预设重叠阈值时，计算目标车辆数据所处位置到比较区域的最小距离；

当最小距离大于第一预设距离阈值时，确定目标车辆数据为第一离群数据；

计算第一离群数据与时间-车辆坐标系中除目标点之外的所有目标车辆数据之间的差值，将小于预设差值阈值的差值个数作为第一离群数据的局部密度；

确定局部密度最大的第一离群数据为标准离群数据；

计算除标准离群数据外的第一离群数据与标准离群数据之间的欧氏距离；

将除标准离群数据外的第一离群数据的局部密度与对应欧式距离的比值作为第一离群数据的离群度；

将离群度与预设离群度量值进行比较，当离群度小于预设离群度量值时，将对应的第一离群数据剔除，将完成数据剔除后的目标车辆数据作为优化目标车辆数据；

对目标道路的目标行人数据进行以上操作，得到优化目标行人数据；

优化目标车辆数据和优化目标行人数据组成优化目标道路数据。

该实施例中，根据待处理车辆数据所处的预设车辆数据范围，确定待处理车辆数据对应的第一影响系数的具体实现方式可以是：根据待处理车辆数据所处的预设车辆数据范围，查询预设第一影响系数表，将表中待处理车辆数据所处的预设车辆数据范围对应的第一影响系数作为待处理车辆数据的第一影响系数。例如：当预设第一影响系数表如下所示时，表明，当待处理车辆数据处于的预设车辆数据范围为1-10时，对应的第一影响系数为1等。

车辆数据范围	第一影响系数
		(1,10)	1
(10,20)	2
		…	…

该实施例中，预设第二影响系数计算公式为S_cofficient＝π×F_cofficient，其中，S_cofficient为待处理车辆数据对应的第二影响系数，π取3.14，F_cofficient为待处理车辆数据对应的第一影响系数。

该实施例中，将每个目标车辆数据对应的目标影响区域与比较区域的比值作为目标区域重叠指数的具体实施方式是，确定比较区域的面积为其中，S₁为比较区域的面积，R₁为平均离群影响系数，确定目标车辆数据对应的目标影响区域的计算方式为其中，S₂为目标车辆数据对应的目标影响区域的面积，R₂为目标车辆数据对应的离群影响系数，则目标车辆数据对应的目标区域重叠指数为/>

该实施例中，确定每个目标车辆数据对应的区域重叠指数，将所有区域重叠指数的平均值作为预设重叠阈值。

该实施例中，确定时间-车辆坐标系中所有目标车辆数据到比较区域的最小距离，将所有最小距离的均值作为第一预设距离阈值。

该实施例中，预设差值阈值的确定方式可以是：确定所有目标车辆数据组成的数据集为C，则C＝{c₁,c₂,...,c_n}，其中，n为目标车辆数据的个数，基于数据集C确定差值数据集D，确定差值数据集D中位于2％位置的差值作为预设差值阈值。

该实施例中，计算除标准离群数据外的第一离群数据与标准离群数据之间的欧氏距离的具体实施方式可以是：确定第一离群数据在时间-车辆坐标系中的坐标为(x₁,y₁)，确定标注离群数据在时间-车辆坐标系中的坐标为(x₀,y₀)，则第一离群数据与标准离群数据之间的欧氏距离

该实施例中，离群度其中，ρ为第一离群数据的局部密度，d为第一离群数据的对应欧式距离。

该实施例中，预设离群度量值为1。

上述技术方案的技术原理和技术效果是：确定当前进行离群数据检测操作的为目标道路数据中的目标车辆数据；选择任一目标车辆数据作为待处理车辆数据，根据待处理车辆数据所处的预设车辆数据范围，确定待处理车辆数据对应的第一影响系数；基于第一影响系数，利用预设第二影响系数计算公式确定待处理车辆数据对应的第二影响系数；将第一影响系数与第二影响系数相乘所得的乘积作为待处理车辆数据的离群影响系数；对所有的目标车辆数据进行以上操作，得到每个目标车辆数据对应的离群影响系数；将所有离群影响系数的均值作为平均离群影响系数，将所有目标车辆数据的数据均值作为平均车辆数据；根据目标车辆数据和目标车辆数据对应的获取时间，建立以时间为横轴，目标车辆数据为纵轴的时间-车辆坐标系；根据时间-车辆坐标系的横轴确定中间时间，在时间-车辆坐标系中，根据中间时间和平均车辆数据确定目标点；在时间-车辆坐标系中确定以目标点为圆心，平均离群影响系数为半径的比较区域；在时间-车辆坐标系中，以每个目标车辆数据所处位置为圆心，每个目标车辆数据对应的离群影响系数为半径，确定每个目标车辆数据对应的目标影响区域；将每个目标车辆数据对应的目标影响区域与比较区域的比值作为目标区域重叠指数；当目标区域重叠指数小于等于预设重叠阈值时，计算目标车辆数据所处位置到比较区域的最小距离；当最小距离大于第一预设距离阈值时，确定目标车辆数据为第一离群数据；计算第一离群数据与时间-车辆坐标系中除目标点之外的所有目标车辆数据之间的差值，将小于预设差值阈值的差值个数作为第一离群数据的局部密度；确定局部密度最大的第一离群数据为标准离群数据；计算除标准离群数据外的第一离群数据与标准离群数据之间的欧氏距离；将除标准离群数据外的第一离群数据的局部密度与对应欧式距离的比值作为第一离群数据的离群度；将离群度与预设离群度量值进行比较，当离群度小于预设离群度量值时，将对应的第一离群数据剔除，将完成数据剔除后的目标车辆数据作为优化目标车辆数据；对目标道路的目标行人数据进行以上操作，得到优化目标行人数据；优化目标车辆数据和优化目标行人数据组成优化目标道路数据。实现了去除离群数据，提高了数据质量，从而提高数据处理效率，进而保证道路状况预测结果准确性的技术效果。

参照图2，本发明实施例提供基于边缘计算的道路状况预测方法，对优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据，包括：

步骤S521，确定当前进行缺失值填补操作的为优化目标车辆数据，按照采集时间的先后顺序对优化目标车辆数据进行排序操作，得到排序目标车辆数据；

步骤S522，基于排序目标车辆数据和采集时间确定数据时间轴；

步骤S523，根据数据时间轴确定缺失数据对应的时刻，作为待填充时刻；

步骤S524，确定待填充时刻的前一时刻对应的排序目标车辆数据，作为第一填充数据；

步骤S525，确定待填充时刻的后一时刻对应的排序目标车辆数据，作为第二填充数据；

步骤S526，计算第一填充数据和第二填充数据的均值，将均值作为待填充时刻对应的填充数据，将完成数据填充后的优化目标车辆数据作为预处理目标车辆数据；

步骤S527，对优化目标行人数据进行以上操作，得到预处理目标行人数据；

步骤S528，预处理目标车辆数据和预处理目标行人数据组成预处理目标道路数据。

该实施例中，根据数据时间轴确定缺失数据对应的时刻，作为待填充时刻的具体实施方式可以是：根据数据时间轴确定采集两个相邻车辆数据的平均时间间隔，当相邻两个数据的采集时间的时间间隔大于平均时间间隔时，确定这两个相邻数据之间需要进行缺失值填补，确定此时的时间间隔为ΔT，确定平均时间间隔为将/>的商向下取整得到结果int，将int确定为需要进行缺失值填充的时刻个数，确定获取前一个车辆数据的时刻为T₁，则需要进行缺失值填补的时刻为/>

上述技术方案的技术原理和技术效果是：确定当前进行缺失值填补操作的为优化目标车辆数据，按照采集时间的先后顺序对优化目标车辆数据进行排序操作，得到排序目标车辆数据；基于排序目标车辆数据和采集时间确定数据时间轴；根据数据时间轴确定缺失数据对应的时刻，作为待填充时刻；确定待填充时刻的前一时刻对应的排序目标车辆数据，作为第一填充数据；确定待填充时刻的后一时刻对应的排序目标车辆数据，作为第二填充数据；计算第一填充数据和第二填充数据的均值，将均值作为待填充时刻对应的填充数据，将完成数据填充后的优化目标车辆数据作为预处理目标车辆数据；对优化目标行人数据进行以上操作，得到预处理目标行人数据；预处理目标车辆数据和预处理目标行人数据组成预处理目标道路数据。实现了缺失值填补，提高了数据质量，从而提高数据处理效率，进而保证道路状况预测结果准确性的技术效果。

本发明实施例提供基于边缘计算的道路状况预测方法，预处理关联道路数据包括预处理关联车辆数据和预处理关联行人数据。

该实施例中，需要说明的是，获取预处理关联道路数据的方式与以上获取预处理目标道路数据的方法一致。

本发明实施例提供基于边缘计算的道路状况预测方法，基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测，包括：

确定当前处理数据为预处理目标车辆数据；

计算预处理目标车辆数据的数据均值，将数据均值与预设划分系数的乘积作为数据划分阈值；

基于数据划分阈值，根据预设数据划分规则对预处理目标车辆数据进行数据划分，得到若干组子预处理目标车辆数据；

基于数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数；

对预处理关联车辆数据进行以上操作，得到预处理关联车辆数据对应的第二车辆指数；

计算第一车辆指数和第二车辆指数的均值，将均值作为车辆预测指数；

确定当前处理数据为预处理目标行人数据；

确定每一个预处理目标行人数据的采集时刻，确定每一个预处理目标行人数据与后一时刻的预处理目标行人数据之间的差值的绝对值，将所有的绝对值相加得到预处理目标行人数据对应的第一行人指数；

对预处理关联行人数据进行以上操作，得到预处理关联行人数据对应的第二行人指数；

计算第一行人指数和第二行人指数的均值，将均值作为行人预测指数；

获取历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果，基于历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果进行模型训练，得到道路状况预测模型；

将车辆预测指数和行人预测指数输入道路状况预测模型得到模型输出结果，将模型输出结果作为目标道路状况预测结果。

该实施例中，预设划分系数为1.2。

该实施例中，确定数据划分阈值为divide，则预设数据划分规则可以根据实际情况确定，例如：预设数据划分规则可以是，将大于等于divide的预处理目标车辆数据分为一组，将小于divide的预处理目标车辆数据分为一组，或将小于等于divide/2的预处理目标车辆数据分为一组，将大于divide/2但小于等于divide的预处理目标车辆数据分为一组，将大于divide但小于等于的预处理目标车辆数据分为一组，将大于/>的预处理目标车辆数据分为一组等。

该实施例中，将所有的绝对值相加得到预处理目标行人数据对应的第一行人指数的具体实施方式可以是：P1_risk＝|p₁-p₂|+|p₂-p₃|+...+|p_m-1-p_m|，其中，P1_risk表示第一行人指数，m表示第m个时刻，p_m表示第m个时刻的预处理目标行人数据。

该实施例中，目标道路状况预测结果包括非常拥堵，一般拥堵，一般通畅和非常通畅。

上述技术方案的技术原理和技术效果是：确定当前处理数据为预处理目标车辆数据；计算预处理目标车辆数据的数据均值，将数据均值与预设划分系数的乘积作为数据划分阈值；基于数据划分阈值，根据预设数据划分规则对预处理目标车辆数据进行数据划分，得到若干组子预处理目标车辆数据；基于数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数；对预处理关联车辆数据进行以上操作，得到预处理关联车辆数据对应的第二车辆指数；计算第一车辆指数和第二车辆指数的均值，将均值作为车辆预测指数；确定当前处理数据为预处理目标行人数据；确定每一个预处理目标行人数据的采集时刻，确定每一个预处理目标行人数据与后一时刻的预处理目标行人数据之间的差值的绝对值，将所有的绝对值相加得到预处理目标行人数据对应的第一行人指数；对预处理关联行人数据进行以上操作，得到预处理关联行人数据对应的第二行人指数；计算第一行人指数和第二行人指数的均值，将均值作为行人预测指数；获取历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果，基于历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果进行模型训练，得到道路状况预测模型；将车辆预测指数和行人预测指数输入道路状况预测模型得到模型输出结果，将模型输出结果作为目标道路状况预测结果。根据车辆预测指数和行人预测指数得到了道路状况预测结果，实现了保证道路预测结果的准确性，从而实现出行安全的技术效果。

本发明实施例提供基于边缘计算的道路状况预测方法，基于数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数，包括：

基于以下公式确定预处理目标车辆数据对应的第一车辆指数：

其中，V1_risk为第一车辆指数，num为子预处理目标车辆数据的组数，A_i表示第i组的子预处理目标车辆数据的数据个数与相邻组的子预处理目标车辆数据的数据个数的均值，M_i表示第i组的子预处理目标车辆数据中的数据最大值，VA表示预处理目标车辆数据的数据均值。

上述技术方案的技术原理和技术效果是：基于多个参数确定了第一车辆指数，实现了确保第一车辆指数的正确性，进而保证目标道路状况预测结果准确性的技术效果。

参照图3，本发明实施例提供一种基于边缘计算的道路状况预测系统，包括：

目标道路确定模块10，用于接收用户请求，根据用户请求确定目标道路；

第一数据采集模块20，用于利用第一边缘设备，采集目标道路对应的目标道路数据；

关联道路确定模块30，用于确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；

第二数据采集模块40，用于利用第二边缘设备，采集关联道路对应的关联道路数据；

第一数据预处理模块50，用于对目标道路数据进行数据预处理，得到预处理目标道路数据；

第二数据预处理模块60，用于对关联道路数据进行数据预处理，得到预处理关联道路数据；

道路状况预测模块70，用于基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。

上述技术方案的技术原理和技术效果是：接收用户请求，根据用户请求确定目标道路；利用第一边缘设备，采集目标道路对应的目标道路数据；确定目标道路的道路信息，根据道路信息确定目标道路的关联道路；利用第二边缘设备，采集关联道路对应的关联道路数据；对目标道路数据进行数据预处理，得到预处理目标道路数据；对关联道路数据进行数据预处理，得到预处理关联道路数据；基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。达到了保证道路预测结果的准确性，从而实现出行安全的技术效果。

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)

1.一种基于边缘计算的道路状况预测方法，其特征在于，包括：

接收用户请求，根据用户请求确定目标道路；

利用第一边缘设备，采集目标道路对应的目标道路数据；

确定所述目标道路的道路信息，根据所述道路信息确定目标道路的关联道路；

利用第二边缘设备，采集关联道路对应的关联道路数据；

对所述目标道路数据进行数据预处理，得到预处理目标道路数据；

对所述关联道路数据进行数据预处理，得到预处理关联道路数据；

基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。

2.如权利要求1所述的基于边缘计算的道路状况预测方法，其特征在于，所述目标道路数据包括目标道路在不同时间的目标车辆数据和目标行人数据。

3.如权利要求1所述的基于边缘计算的道路状况预测方法，其特征在于，确定所述目标道路的道路信息，根据所述道路信息确定目标道路的关联道路，包括：

确定目标道路的名称信息和位置信息；其中，位置信息包括目标道路起点位置信息和目标道路终点位置信息；

基于所述目标道路的名称信息和位置信息，通过预设地理信息系统确定目标道路的关联道路。

4.如权利要求2所述的基于边缘计算的道路状况预测方法，其特征在于，对所述目标道路数据进行数据预处理，得到预处理目标道路数据，包括：

对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据；

对所述优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据。

5.如权利要求4所述的基于边缘计算的道路状况预测方法，其特征在于，对目标道路数据进行离群数据检测操作，根据检测结果剔除目标道路数据中的离群数据，得到优化目标道路数据，包括：

确定当前进行离群数据检测操作的为目标道路数据中的目标车辆数据；

选择任一目标车辆数据作为待处理车辆数据，根据待处理车辆数据所处的预设车辆数据范围，确定待处理车辆数据对应的第一影响系数；

基于所述第一影响系数，利用预设第二影响系数计算公式确定待处理车辆数据对应的第二影响系数；

将所述第一影响系数与第二影响系数相乘所得的乘积作为待处理车辆数据的离群影响系数；

对所有的目标车辆数据进行以上操作，得到每个目标车辆数据对应的离群影响系数；

将所有离群影响系数的均值作为平均离群影响系数，将所有目标车辆数据的数据均值作为平均车辆数据；

根据目标车辆数据和目标车辆数据对应的获取时间，建立以时间为横轴，目标车辆数据为纵轴的时间-车辆坐标系；

根据时间-车辆坐标系的横轴确定中间时间，在时间-车辆坐标系中，根据中间时间和平均车辆数据确定目标点；

在时间-车辆坐标系中确定以目标点为圆心，平均离群影响系数为半径的比较区域；

在时间-车辆坐标系中，以每个目标车辆数据所处位置为圆心，每个目标车辆数据对应的离群影响系数为半径，确定每个目标车辆数据对应的目标影响区域；

将每个目标车辆数据对应的目标影响区域与比较区域的比值作为目标区域重叠指数；

当所述目标区域重叠指数小于等于预设重叠阈值时，计算目标车辆数据所处位置到比较区域的最小距离；

当所述最小距离大于第一预设距离阈值时，确定所述目标车辆数据为第一离群数据；

计算第一离群数据与时间-车辆坐标系中除目标点之外的所有目标车辆数据之间的差值，将小于预设差值阈值的差值个数作为第一离群数据的局部密度；

确定局部密度最大的第一离群数据为标准离群数据；

计算除标准离群数据外的第一离群数据与标准离群数据之间的欧氏距离；

将除标准离群数据外的第一离群数据的局部密度与对应欧式距离的比值作为所述第一离群数据的离群度；

将所述离群度与预设离群度量值进行比较，当离群度小于预设离群度量值时，将对应的第一离群数据剔除，将完成数据剔除后的目标车辆数据作为优化目标车辆数据；

对目标道路的目标行人数据进行以上操作，得到优化目标行人数据；

所述优化目标车辆数据和优化目标行人数据组成优化目标道路数据。

6.如权利要求5所述的基于边缘计算的道路状况预测方法，其特征在于，对所述优化目标道路数据进行缺失数据填补操作，将完成缺失数据填补的优化目标道路数据作为预处理目标道路数据，包括：

确定当前进行缺失值填补操作的为优化目标车辆数据，按照采集时间的先后顺序对所述优化目标车辆数据进行排序操作，得到排序目标车辆数据；

基于所述排序目标车辆数据和采集时间确定数据时间轴；

根据所述数据时间轴确定缺失数据对应的时刻，作为待填充时刻；

确定所述待填充时刻的前一时刻对应的排序目标车辆数据，作为第一填充数据；

确定所述待填充时刻的后一时刻对应的排序目标车辆数据，作为第二填充数据；

计算所述第一填充数据和第二填充数据的均值，将所述均值作为待填充时刻对应的填充数据，将完成数据填充后的优化目标车辆数据作为预处理目标车辆数据；

对优化目标行人数据进行以上操作，得到预处理目标行人数据；

所述预处理目标车辆数据和预处理目标行人数据组成预处理目标道路数据。

7.如权利要求6所述的基于边缘计算的道路状况预测方法，其特征在于，所述预处理关联道路数据包括预处理关联车辆数据和预处理关联行人数据。

8.如权利要求7所述的基于边缘计算的道路状况预测方法，其特征在于，基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测，包括：

确定当前处理数据为预处理目标车辆数据；

计算预处理目标车辆数据的数据均值，将所述数据均值与预设划分系数的乘积作为数据划分阈值；

基于所述数据划分阈值，根据预设数据划分规则对所述预处理目标车辆数据进行数据划分，得到若干组子预处理目标车辆数据；

基于所述数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数；

对预处理关联车辆数据进行以上操作，得到预处理关联车辆数据对应的第二车辆指数；

计算所述第一车辆指数和第二车辆指数的均值，将所述均值作为车辆预测指数；

确定当前处理数据为预处理目标行人数据；

确定每一个预处理目标行人数据的采集时刻，确定每一个预处理目标行人数据与后一时刻的预处理目标行人数据之间的差值的绝对值，将所有的绝对值相加得到预处理目标行人数据对应的第一行人指数；

对预处理关联行人数据进行以上操作，得到预处理关联行人数据对应的第二行人指数；

计算所述第一行人指数和第二行人指数的均值，将所述均值作为行人预测指数；

获取历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果，基于历史车辆预测指数、历史行人预测指数以及对应的历史道路预测结果进行模型训练，得到道路状况预测模型；

将所述车辆预测指数和行人预测指数输入所述道路状况预测模型得到模型输出结果，将所述模型输出结果作为目标道路状况预测结果。

9.如权利要求8所述的基于边缘计算的道路状况预测方法，其特征在于，基于所述数据均值和若干组子预处理目标车辆数据确定预处理目标车辆数据对应的第一车辆指数，包括：

基于以下公式确定预处理目标车辆数据对应的第一车辆指数：

其中，V1_risk为第一车辆指数，num为子预处理目标车辆数据的组数，A_i表示第i组的子预处理目标车辆数据的数据个数与相邻组的子预处理目标车辆数据的数据个数的均值，M_i表示第i组的子预处理目标车辆数据中的数据最大值，VA表示预处理目标车辆数据的数据均值。

10.一种基于边缘计算的道路状况预测系统，其特征在于，包括：

目标道路确定模块，用于接收用户请求，根据用户请求确定目标道路；

第一数据采集模块，用于利用第一边缘设备，采集目标道路对应的目标道路数据；

关联道路确定模块，用于确定所述目标道路的道路信息，根据所述道路信息确定目标道路的关联道路；

第二数据采集模块，用于利用第二边缘设备，采集关联道路对应的关联道路数据；

第一数据预处理模块，用于对所述目标道路数据进行数据预处理，得到预处理目标道路数据；

第二数据预处理模块，用于对所述关联道路数据进行数据预处理，得到预处理关联道路数据；

道路状况预测模块，用于基于预处理目标道路数据和预处理关联道路数据对目标道路进行道路状况预测。