CN117975745B - 一种基于车联网的智慧交通监控系统 - Google Patents

Abstract

本发明涉及车联网技术领域，本发明公开了一种基于车联网的智慧交通监控系统，包括：在T‑N到T的时段内提取路况数据，将路况数据输入预设影响参数回归模型中，获取未来时段内变化拥堵影响数据；调取不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出拥堵系数，根据拥堵系数确定出M个拥堵路段；将拥堵系数作为配时特征，将配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态；本发明有利于降低拥堵路段车辆的滞留时长，缩短车主的行程时间，降低拥堵路段拥堵程度。

Description

一种基于车联网的智慧交通监控系统

技术领域

本发明涉及车联网技术领域，更具体地说，本发明涉及一种基于车联网的智慧交通监控系统。

背景技术

随着城市化进程的加速和汽车普及率的提高，城市交通拥堵已成为影响城市居民生活质量的重要问题之一；交通拥堵不仅导致车辆通行速度缓慢，增加了通勤时间，也给环境带来了不良影响，如空气污染和能源消耗增加等；因此，如何有效解决交通拥堵成为城市交通管理的重要课题之一。

目前，现有智慧交通监控系统主要通过实时预报或事先交通拥堵预警的方式预防产生交通拥堵，但交通拥堵仍无法得到有效缓解；因此，出现了一些交通引流的方式，例如授权公告号CN113643534B的中国专利公开了一种交通管控的方法及设备；上述方式虽能实现对拥堵的交通流进行疏导，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术易受制于被引导车辆车主的积极性，可实现程度较低，难以有效缓解；此外，在现有的城市交通管控方式中，绝大程度是依赖于红绿灯控制系统实现的，但传统的红绿灯控制系统往往是基于固定的时序来调整交通信号灯的变换，而无法根据实时交通流量的变化进行灵活调整，这导致了在交通高峰期间信号灯的效率低下，车辆排队等待时间过长，进而加剧了交通拥堵。

鉴于此，本发明提供一种基于车联网的智慧交通监控系统，以实现降低拥堵路段车辆的滞留时长，缩短车主的行程时间，降低拥堵路段的拥堵程度。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于车联网的智慧交通监控系统。

为实现上述目的，本发明提供如下技术方案：

一种基于车联网的智慧交通监控系统，所述系统包括：

数据获取模块，用于在T-N到T的时段内，提取城市公路网中每个路段的路况数据，将每个路段的路况数据分别输入预设影响参数回归模型中，以获取在T+N到T+2N未来时段内每个路段的变化拥堵影响数据，T和N均为大于零的整数；

拥堵确定模块，用于调取每个路段的不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出在未来时段内每个路段的拥堵系数，根据拥堵系数确定出M个拥堵路段以及每个拥堵路段的未来拥堵时段，M为大于零的整数；

智能分析模块，用于将拥堵系数作为配时特征，得到每个拥堵路段的配时特征，将每个拥堵路段的配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；

智慧管控模块，用于根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态。

进一步地，所述路况数据包括天气数据和道路数据；所述天气数据包括在T-N到T的时段内，每一时刻下的温度、湿度、降雨量、降雪量和PM2.5浓度；所述道路数据包括在T-N到T时段内的实测交通流量、实测平均行驶速度、实测车辆密度和实测交叉口密度。

进一步地，所述预设影响参数回归模型的生成逻辑如下：

获取历史影响参数训练数据，将历史影响参数训练数据划分为影响参数训练集和影响参数测试集；所述历史影响参数训练数据包括路况数据及其对应的变化拥堵影响数据；

其中，所述变化拥堵影响数据包括预测交通流量、预测平均行驶速度、预测车辆密度和预测交叉口密度；

构建第一回归网络，将影响参数训练集中的路况数据作为第一回归网络的输入数据，以及将影响参数训练集中的变化拥堵影响数据作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始影响参数回归网络；

利用影响参数测试集对初始影响参数回归网络进行模型验证，输入小于等于预设第一测试误差的初始影响参数回归网络作为预设影响参数回归模型。

进一步地，所述不变拥堵影响数据包含每个路段的道路容量和路段曲率；

所述计算出在未来时段内每个路段的拥堵系数，包括：

提取每个路段的变化拥堵影响数据和不变拥堵影响数据；

根据每个路段的变化拥堵影响数据和不变拥堵影响数据进行公式化计算，得到在未来时段内每个路段的拥堵系数；

其中，所述第i个路段的拥堵系数的计算公式如下：

；

式中：表示拥堵系数，/>为预测交通流量，/>是预测平均行驶速度，/>是道路容量，/>是预测车辆密度，/>是预测交叉口密度，/>是路段曲率，/>、/>和/>为大于零的修正因子，/>＞/>＞/>。

进一步地，所述根据拥堵系数确定出M个拥堵路段，包括：

a1：提取第i个路段的拥堵系数，i为大于零的整数；

a2：将第i个路段的拥堵系数与预设拥堵系数阈值进行比较，若第i个路段的拥堵系数大于等于预设拥堵系数阈值，则将第i个路段标记为拥堵路段；若第i个路段的拥堵系数小于预设拥堵系数阈值，则不将第i个路段标记为拥堵路段，并令i=i+1，并返回步骤a1；

a3：重复上述步骤a1～a2，直至i=M时，结束循环，得出M个拥堵路段。

进一步地，当第i个路段被标记为拥堵路段时，则将T+N到T+2N的未来时段作为第i个路段的未来拥堵时段。

进一步地，当拥堵路段的数量M小于等于预设的拥堵路段数量阈值时，则令T=T+K，并触发数据获取模块，K为大于零的整数。

进一步地，所述预设最佳配时回归模型的生成逻辑如下：

获取历史最佳配时训练数据，将历史最佳配时训练数据划分为最佳配时训练集和最佳配时测试集；所述历史最佳配时训练数据包括拥堵系数及其对应的最佳红绿灯配时；

构建第二回归网络，将最佳配时训练集中的拥堵系数作为第二回归网络的输入数据，以及将最佳配时训练集中的最佳红绿灯配时作为第二回归网络的输出数据，对第二回归网络进行模型训练，得到初始最佳配时回归网络；

利用最佳配时测试集对初始最佳配时回归网络进行模型验证，输出小于等于预设第二测试误差的初始最佳配时回归网络作为预设最佳配时回归模型。

进一步地，所述历史最佳配时训练数据中最佳红绿灯配时的生成逻辑如下：

b1：提取拥堵路段的拥堵系数，以及获取拥堵路段的固定配时Q，并提取对应拥堵系数和固定配时Q，将通行拥堵系数和固定配时Q作为固定配时的通行时长特征数据，将固定配时的通行时长特征数据输入数字孪生模型中，得到固定配时Q下的平均通行时长，将固定配时Q下的平均通行时长作为第一通行时长，Q为大于零的整数；

b2：限定配时变化区间[MaxW，MinW]，在配时变化区间内令Q+U，或令Q-U，得到变化配时，通过数字孪生模型模拟在变化配时Q+U或Q-U下拥堵路段的预估通行时长，将预估通行时长作为第二通行时长，U为大于零的整数；

b3：计算第一通行时长与第二通行时长的差值，将第一通行时长与第二通行时长的差值作为通行时长差，将通行时长差与预设通行时长差阈值进行比较，若通行时长差大于等于预设通行时长差阈值，则将对应变化配时Q+U或Q-U作为拥堵系数对应的最佳红绿灯配时；若通行时长差小于预设通行时长差阈值，则令U=U+Z，并返回步骤b2，Z为大于零的整数；

b4：重复上述步骤b2～b3，直至Q+U=MaxW，或Q-U=MinW时，结束循环，得出对应拥堵系数下的对应最佳红绿灯配时。

进一步地，所述通过数字孪生模型模拟在变化配时Q+U或Q-U下拥堵路段的预估通行时长，包括：

获取变化配时的通行时长特征数据，所述变化配时的通行时长特征数据包括拥堵系数以及变化配时Q+U或Q-U；

将变化配时的通行时长特征数据输入数字孪生模型中，得到变化配时Q+U或Q-U下拥堵路段的预估通行时长；

其中，所述数字孪生模型的生成逻辑如下：

获取历史通行时长训练数据，将历史通行时长训练数据划分为通行时长训练集和通行时长测试集；所述历史通行时长训练数据包括通行时长特征数据及其对应的预估通行时长；

构建第三回归网络，将通行时长训练集中的通行时长特征数据作为第三回归网络的输入数据，以及将通行时长训练集中预估通行时长作为第三回归网络的输出数据，对第三回归网络进行模型训练，得到初始数字孪生网络；

利用通行时长测试集对初始数字孪生网络进行模型验证，将小于等于预设第三测试误差的初始数字孪生网络作为数字孪生模型。

相比于现有技术，本发明的有益效果在于：

本申请公开了一种基于车联网的智慧交通监控系统，在T-N到T的时段内提取路况数据，将路况数据输入预设影响参数回归模型中，获取未来时段内变化拥堵影响数据；调取不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出拥堵系数，根据拥堵系数确定出M个拥堵路段；将拥堵系数作为配时特征，将配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态；基于上述过程，本发明能够确定每个路段拥堵情况，进一步地，从而能够根据每个路段拥堵情况为各个拥堵路段的交通信号红绿灯提供最佳红绿灯配时，进而有利于降低拥堵路段车辆的滞留时长，缩短车主的行程时间，降低拥堵路段拥堵程度；相较于现有技术，本发明可实现程度高，不受外部因素约制。

附图说明

图1为本发明提供的一种基于车联网的智慧交通监控系统的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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。

实施例1

请参阅图1所示，本实施例公开提供了一种基于车联网的智慧交通监控系统，所述系统包括：

数据获取模块110，用于在T-N到T的时段内，提取城市公路网中每个路段的路况数据，将每个路段的路况数据分别输入预设影响参数回归模型中，以获取在T+N到T+2N未来时段内每个路段的变化拥堵影响数据，T和N均为大于零的整数；

具体的，所述路况数据包括天气数据和道路数据；所述天气数据包括在T-N到T的时段内，每一时刻下的温度、湿度、降雨量、降雪量和PM2.5浓度；所述道路数据包括在T-N到T时段内的实测交通流量、实测平均行驶速度、实测车辆密度和实测交叉口密度；

需要说明的是：所述天气数据通过各类传感器实时采集并上传获得，各类所述传感器包括但不限于温度传感器、湿度传感器、降雨量传感器、降雪量传感器和PM2.5浓度传感器；所述道路数据通过车联网技术采集得到；

车联网（Vehicular Ad-Hoc Network，VANET）是一种基于车辆之间和车辆与基础设施之间通信的技术，可以提供实时的交通数据；以下是如何通过车联网数据获取上述参数的方法：

交通流量（F）：

交通流量是指通过某一路段的车辆数量，通常以每小时车辆数表示；在车联网中，通过统计某一路段上车辆通过的数量来获取交通流量；其计算公式为：F=车辆通过某一路段的车辆数量/时间段；

平均行驶速度（V）：

平均行驶速度是指车辆在某一路段上的平均速度；在车联网中，通过车辆发送的位置和时间信息来计算车辆在该路段上的行驶速度，然后求取所有车辆的平均速度；其计算公式为：；其中，路段上的车辆数量可通过路段上的监控探头采集得到；

车辆密度（D）：

车辆密度是指在某一路段上单位面积内的车辆数量；通过交通流量和平均车辆行驶速度来计算车辆密度；其计算公式为：D=F/V；

交叉口密度（I）：

交叉口密度是指某一路段上交叉口的数量或密度；通过统计某一路段上的交叉口数量或交叉口与道路长度的比值来计算；其计算公式为：I=交叉口数量/道路长度；其中，所述交叉口数量和道路长度预存于系统数据库中；

可以理解的是，通过获取天气数据以及通过车联网技术获取上述参数，可为对交通拥堵情况的实时监测和评估提供数据支撑，进一步地，为交通管理部门提供重要的决策支持；

在实施中，所述预设影响参数回归模型的生成逻辑如下：

获取历史影响参数训练数据，将历史影响参数训练数据划分为影响参数训练集和影响参数测试集；所述历史影响参数训练数据包括路况数据及其对应的变化拥堵影响数据；

其中，所述变化拥堵影响数据包括预测交通流量、预测平均行驶速度、预测车辆密度和预测交叉口密度；

应当了解的是：所述历史影响参数训练数据中的路况数据同上述介绍，通过各类传感器和车联网技术采集得到；所述历史影响参数训练数据中的变化拥堵影响数据通过技术人员计算和记录得到，即在历史影响参数训练数据中将与当前时段路况数据对应下一时段的实测交通流量作为未来时段的预测交通流量，同理，预测平均行驶速度、预测车辆密度和预测交叉口密度的确定逻辑也是如此，对此不做过多赘述；

构建第一回归网络，将影响参数训练集中的路况数据作为第一回归网络的输入数据，以及将影响参数训练集中的变化拥堵影响数据作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始影响参数回归网络；

利用影响参数测试集对初始影响参数回归网络进行模型验证，输入小于等于预设第一测试误差的初始影响参数回归网络作为预设影响参数回归模型；

需要说明的是：所述第一回归网络具体为多元线性回归、随机森林回归、支持向量机回归、岭回归、深度神经网络（DNN）、卷积神经网络（CNN）或循环神经网络（RNN）等模型中的具体一种。

拥堵确定模块120，用于调取每个路段的不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出在未来时段内每个路段的拥堵系数，根据拥堵系数确定出M个拥堵路段以及每个拥堵路段的未来拥堵时段，M为大于零的整数；

具体的，所述不变拥堵影响数据包含每个路段的道路容量和路段曲率；其中，路段曲率是指道路沿着长度方向上的曲线程度或弯曲程度；可以理解的是，同上述预测交通流量、预测平均行驶速度、预测车辆密度和预测交叉口密度，路段曲率被视为又一个影响因素，因为在曲率较大的路段上，车辆需要减速或转弯，从而影响交通流量和行驶速度；

应当了解的是：系统数据库中预存有每个路段的不变拥堵影响数据，进一步说明就是，每个路段的道路容量和路段曲率通过技术人员事先实地测量得到，并预存于系统数据库中；

在实施中，所述计算出在未来时段内每个路段的拥堵系数，包括：

提取每个路段的变化拥堵影响数据和不变拥堵影响数据；

根据每个路段的变化拥堵影响数据和不变拥堵影响数据进行公式化计算，得到在未来时段内每个路段的拥堵系数；

其中，所述第i个路段的拥堵系数的计算公式如下：

；

式中：表示拥堵系数，/>为预测交通流量，/>是预测平均行驶速度，/>是道路容量，/>是预测车辆密度，/>是预测交叉口密度，/>是路段曲率，/>、/>和/>为大于零的修正因子，/>＞/>＞/>；

在实施中，所述根据拥堵系数确定出M个拥堵路段，包括：

a1：提取第i个路段的拥堵系数，i为大于零的整数；

a2：将第i个路段的拥堵系数与预设拥堵系数阈值进行比较，若第i个路段的拥堵系数大于等于预设拥堵系数阈值，则将第i个路段标记为拥堵路段；若第i个路段的拥堵系数小于预设拥堵系数阈值，则不将第i个路段标记为拥堵路段，并令i=i+1，并返回步骤a1；

a3：重复上述步骤a1～a2，直至i=M时，结束循环，得出M个拥堵路段；

具体的，当第i个路段被标记为拥堵路段时，则将T+N到T+2N的未来时段作为第i个路段的未来拥堵时段；

示例性，假设A1、A2和A3三个路段，当根据拥堵系数判断出A1和A2为拥堵路段时，则将T+N到T+2N的未来时段作为未来拥堵时段；

可以理解的是，由于A3不为拥堵路段，因此后续无需对其进行交通调控，而当确定出A1和A2的拥堵路段和未来拥堵时段时，即可根据拥堵路段和未来拥堵时段进行有针对性的交通调控，其具体交通调控过程参见后续描述；

在一个具体实施例中，当拥堵路段的数量M小于等于预设的拥堵路段数量阈值时，则令T=T+K，并触发数据获取模块110，K为大于零的整数；

需要说明的是：所述预设的拥堵路段数量阈值一般取值为零，因此，可以理解的是，当拥堵路段的数量M小于等于预设的拥堵路段数量阈值时，则无需在T+N到T+2N的未来时段对任一路段进行交通调控，因此，则返回数据获取模块110，执行下一未来时段的拥堵系数计算和拥堵路段判定，以实现对城市公路网的全天候监控和自动交通管控。

智能分析模块130，用于将拥堵系数作为配时特征，得到每个拥堵路段的配时特征，将每个拥堵路段的配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；

在实施中，所述预设最佳配时回归模型的生成逻辑如下：

获取历史最佳配时训练数据，将历史最佳配时训练数据划分为最佳配时训练集和最佳配时测试集；所述历史最佳配时训练数据包括拥堵系数及其对应的最佳红绿灯配时；

其中，所述历史最佳配时训练数据中最佳红绿灯配时的生成逻辑如下：

b1：提取拥堵路段的拥堵系数，以及获取拥堵路段的固定配时Q，并提取对应拥堵系数和固定配时Q，将通行拥堵系数和固定配时Q作为固定配时的通行时长特征数据，将固定配时的通行时长特征数据输入数字孪生模型中，得到固定配时Q下的平均通行时长，将固定配时Q下的平均通行时长作为第一通行时长，Q为大于零的整数；

应当明白的是：固定配时Q是指路段上交通信号红绿灯的原始配时，例如：交通信号红绿灯的红绿灯配时存在30秒、60秒或90秒等原始配时情况；

b2：限定配时变化区间[MaxW，MinW]，在配时变化区间内令Q+U，或令Q-U，得到变化配时，通过数字孪生模型模拟在变化配时Q+U或Q-U下拥堵路段的预估通行时长，将预估通行时长作为第二通行时长，U为大于零的整数；

需要说明的是：限定配时变化区间[MaxW，MinW]根据技术人员事先设定得到，MaxW表示限定配时的最大值，MinW表示限定配时的最小值，可以理解的是，交通信号红绿灯的红绿灯配时不会超过该限定配时变化区间；通俗说明就是，若将红绿灯配时设置为1秒，或将红绿灯配时设置1000秒，这都是不现实的，因此，限定配时变化区间根据技术人员事先确定；

在实施中，所述通过数字孪生模型模拟在变化配时Q+U或Q-U下拥堵路段的预估通行时长，包括：

获取变化配时的通行时长特征数据，所述变化配时的通行时长特征数据包括拥堵系数以及变化配时Q+U或Q-U；

将变化配时的通行时长特征数据输入数字孪生模型中，得到变化配时Q+U或Q-U下拥堵路段的预估通行时长；

具体的，所述数字孪生模型的生成逻辑如下：

获取历史通行时长训练数据，将历史通行时长训练数据划分为通行时长训练集和通行时长测试集；所述历史通行时长训练数据包括通行时长特征数据及其对应的预估通行时长；

其中，所述通行时长特征数据包含拥堵系数以及固定配时或变化配时；所述历史通行时长训练数据中的预估通行时长通过技术人员实际记录得到；进一步说明就是，假设在某一拥堵系数以及某一变化配时Q+U或Q-U下，记录到车辆在变化配时下的平均通行时长，则将该车辆在变化配时下的平均通行时长标记为预估通行时长；

构建第三回归网络，将通行时长训练集中的通行时长特征数据作为第三回归网络的输入数据，以及将通行时长训练集中预估通行时长作为第三回归网络的输出数据，对第三回归网络进行模型训练，得到初始数字孪生网络；

利用通行时长测试集对初始数字孪生网络进行模型验证，将小于等于预设第三测试误差的初始数字孪生网络作为数字孪生模型；

需要说明的是：所述第三回归网络具体为决策树回归、随机森林回归、支持向量机回归、多项式回归、深度神经网络（DNN）、卷积神经网络（CNN）或循环神经网络（RNN）等模型中的具体一种；

b3：计算第一通行时长与第二通行时长的差值，将第一通行时长与第二通行时长的差值作为通行时长差，将通行时长差与预设通行时长差阈值进行比较，若通行时长差大于等于预设通行时长差阈值，则将对应变化配时Q+U或Q-U作为拥堵系数对应的最佳红绿灯配时；若通行时长差小于预设通行时长差阈值，则令U=U+Z，并返回步骤b2，Z为大于零的整数；

b4：重复上述步骤b2～b3，直至Q+U=MaxW，或Q-U=MinW时，结束循环，得出对应拥堵系数下的对应最佳红绿灯配时；

构建第二回归网络，将最佳配时训练集中的拥堵系数作为第二回归网络的输入数据，以及将最佳配时训练集中的最佳红绿灯配时作为第二回归网络的输出数据，对第二回归网络进行模型训练，得到初始最佳配时回归网络；

利用最佳配时测试集对初始最佳配时回归网络进行模型验证，输出小于等于预设第二测试误差的初始最佳配时回归网络作为预设最佳配时回归模型；

需要说明的是：同上述第三回归网络，所述第二回归网络为第三回归网络所限定模型类型中的具体一种，详情参见上文。

智慧管控模块140，用于根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态；

应当明白的是：常规的交通信号红绿灯为固定配时状态，即事先设定一个固定红绿灯时间，让交通信号红绿灯进行规律的红绿灯变化，例如：将红绿灯设置为30秒、60秒或90秒一变化；而固定配时状态的交通信号红绿灯不具有缓解拥堵情况的效果，有时反而是加剧拥堵情况的另一诱因；而非固定配时状态则是指交通信号红绿灯的红绿灯变化时长根据每个拥堵路段的具体情况实时变化，从而辅助缓解在拥堵时间拥堵路段的道路通行压力；

通过确定每个路段拥堵情况，进一步地，根据每个路段拥堵情况为各个拥堵路段的交通信号红绿灯提供最佳红绿灯配时，进而有利于降低拥堵路段车辆的滞留时长，缩短车主的行程时间，降低拥堵路段拥堵程度。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。

本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

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、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元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，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于车联网的智慧交通监控系统，其特征在于，所述系统包括：

数据获取模块，用于在T-N到T的时段内，提取城市公路网中每个路段的路况数据，将每个路段的路况数据分别输入预设影响参数回归模型中，以获取在T+N到T+2N未来时段内每个路段的变化拥堵影响数据，T和N均为大于零的整数；

拥堵确定模块，用于调取每个路段的不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出在未来时段内每个路段的拥堵系数，根据拥堵系数确定出M个拥堵路段以及每个拥堵路段的未来拥堵时段，M为大于零的整数；

智能分析模块，用于将拥堵系数作为配时特征，得到每个拥堵路段的配时特征，将每个拥堵路段的配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；

智慧管控模块，用于根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态；

所述预设影响参数回归模型的生成逻辑如下：

获取历史影响参数训练数据，将历史影响参数训练数据划分为影响参数训练集和影响参数测试集；所述历史影响参数训练数据包括路况数据及其对应的变化拥堵影响数据；

其中，所述变化拥堵影响数据包括预测交通流量、预测平均行驶速度、预测车辆密度和预测交叉口密度；

构建第一回归网络，将影响参数训练集中的路况数据作为第一回归网络的输入数据，以及将影响参数训练集中的变化拥堵影响数据作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始影响参数回归网络；

利用影响参数测试集对初始影响参数回归网络进行模型验证，输入小于等于预设第一测试误差的初始影响参数回归网络作为预设影响参数回归模型；

所述预设最佳配时回归模型的生成逻辑如下：

获取历史最佳配时训练数据，将历史最佳配时训练数据划分为最佳配时训练集和最佳配时测试集；所述历史最佳配时训练数据包括拥堵系数及其对应的最佳红绿灯配时；

构建第二回归网络，将最佳配时训练集中的拥堵系数作为第二回归网络的输入数据，以及将最佳配时训练集中的最佳红绿灯配时作为第二回归网络的输出数据，对第二回归网络进行模型训练，得到初始最佳配时回归网络；

利用最佳配时测试集对初始最佳配时回归网络进行模型验证，输出小于等于预设第二测试误差的初始最佳配时回归网络作为预设最佳配时回归模型；

所述历史最佳配时训练数据中最佳红绿灯配时的生成逻辑如下：

b1：提取拥堵路段的拥堵系数，以及获取拥堵路段的固定配时Q，并提取对应拥堵系数和固定配时Q，将通行拥堵系数和固定配时Q作为固定配时的通行时长特征数据，将固定配时的通行时长特征数据输入数字孪生模型中，得到固定配时Q下的平均通行时长，将固定配时Q下的平均通行时长作为第一通行时长，Q为大于零的整数；

b2：限定配时变化区间[MaxW，MinW]，在配时变化区间内令Q+U，或令Q-U，得到变化配时，通过数字孪生模型模拟在变化配时Q+U或Q-U下拥堵路段的预估通行时长，将预估通行时长作为第二通行时长，U为大于零的整数；

b3：计算第一通行时长与第二通行时长的差值，将第一通行时长与第二通行时长的差值作为通行时长差，将通行时长差与预设通行时长差阈值进行比较，若通行时长差大于等于预设通行时长差阈值，则将对应变化配时Q+U或Q-U作为拥堵系数对应的最佳红绿灯配时；若通行时长差小于预设通行时长差阈值，则令U=U+Z，并返回步骤b2，Z为大于零的整数；

b4：重复上述步骤b2～b3，直至Q+U=MaxW，或Q-U=MinW时，结束循环，得出对应拥堵系数下的对应最佳红绿灯配时。

2.根据权利要求1所述的基于车联网的智慧交通监控系统，其特征在于，所述路况数据包括天气数据和道路数据；所述天气数据包括在T-N到T的时段内，每一时刻下的温度、湿度、降雨量、降雪量和PM2.5浓度；所述道路数据包括在T-N到T时段内的实测交通流量、实测平均行驶速度、实测车辆密度和实测交叉口密度。

3.根据权利要求2所述的基于车联网的智慧交通监控系统，其特征在于，所述不变拥堵影响数据包含每个路段的道路容量和路段曲率；

所述计算出在未来时段内每个路段的拥堵系数，包括：

提取每个路段的变化拥堵影响数据和不变拥堵影响数据；

根据每个路段的变化拥堵影响数据和不变拥堵影响数据进行公式化计算，得到在未来时段内每个路段的拥堵系数；

其中，第i个路段的拥堵系数的计算公式如下：

；

式中：表示拥堵系数，/>为预测交通流量，/>是预测平均行驶速度，/>是道路容量，/>是预测车辆密度，/>是预测交叉口密度，/>是路段曲率，/>、/>和/>为大于零的修正因子，/>。

4.根据权利要求3所述的基于车联网的智慧交通监控系统，其特征在于，所述根据拥堵系数确定出M个拥堵路段，包括：

a1：提取第i个路段的拥堵系数，i为大于零的整数；

a2：将第i个路段的拥堵系数与预设拥堵系数阈值进行比较，若第i个路段的拥堵系数大于等于预设拥堵系数阈值，则将第i个路段标记为拥堵路段；若第i个路段的拥堵系数小于预设拥堵系数阈值，则不将第i个路段标记为拥堵路段，并令i=i+1，并返回步骤a1；

a3：重复上述步骤a1～a2，直至i=M时，结束循环，得出M个拥堵路段。

5.根据权利要求4所述的基于车联网的智慧交通监控系统，其特征在于，当第i个路段被标记为拥堵路段时，则将T+N到T+2N的未来时段作为第i个路段的未来拥堵时段。

6.根据权利要求5所述的基于车联网的智慧交通监控系统，其特征在于，当拥堵路段的数量M小于等于预设的拥堵路段数量阈值时，则令T=T+K，并触发数据获取模块，K为大于零的整数。

7.根据权利要求6所述的基于车联网的智慧交通监控系统，其特征在于，所述通过数字孪生模型模拟在变化配时Q+U或Q-U下拥堵路段的预估通行时长，包括：

获取变化配时的通行时长特征数据，所述变化配时的通行时长特征数据包括拥堵系数以及变化配时Q+U或Q-U；

将变化配时的通行时长特征数据输入数字孪生模型中，得到变化配时Q+U或Q-U下拥堵路段的预估通行时长；

其中，所述数字孪生模型的生成逻辑如下：

获取历史通行时长训练数据，将历史通行时长训练数据划分为通行时长训练集和通行时长测试集；所述历史通行时长训练数据包括通行时长特征数据及其对应的预估通行时长；

构建第三回归网络，将通行时长训练集中的通行时长特征数据作为第三回归网络的输入数据，以及将通行时长训练集中预估通行时长作为第三回归网络的输出数据，对第三回归网络进行模型训练，得到初始数字孪生网络；

利用通行时长测试集对初始数字孪生网络进行模型验证，将小于等于预设第三测试误差的初始数字孪生网络作为数字孪生模型。