一种基于大数据的智能交通数字孪生处理方法及系统技术方案

本发明专利技术属于智能交通技术领域，公开了一种基于大数据的智能交通数字孪生处理方法及系统，包括：获取车辆的动态感知信息及所处的具体位置；提取车辆所处位置路段的历史交通数据，获取所需路段的基础地理信息数据，进行位置匹配和数据关联；进行数据融合，获得多源、异构、多时态的融合数据；在虚拟环境中实现基于融合数据的实时仿真；将数字孪生数据、仿真计算结果和决策信息融合呈现，并搭建信号控制系统，对现实空间的交通设施进行实时控制。本发明专利技术通过采用数字孪生处理方式，将采集到的信息对应到虚拟环境中，实现虚实结合，进一步提高基于复杂数据预测交通状态的综合性和准确性，能够更好的对道路交通状态预测和拥堵路段进行优化控制。行优化控制。行优化控制。

【技术实现步骤摘要】
一种基于大数据的智能交通数字孪生处理方法及系统


[0001]本专利技术属于智能交通
，尤其涉及一种基于大数据的智能交通数字孪生处理方法及系统。

技术介绍

[0002]近年来智能交通系统引发了大量的关注，智能交通系统作为一项综合应用产品，其涉及技术包括了信息技术、通信技术、控制技术、计算机技术、感知技术等等。另一方面，科技进步带来的是交通数据种类的增加，城市道路中出现的交通流检测设备也日趋多样。然而，数据驱动的智能交通系统受限于已有城市道路交通数据的数据质量，质量参差不齐的多源交通数据可能将会对后期交通信号管控产生灾难性的影响。
[0003]在涌现海量多源交通数据的现代城市路网中，同一交通流特征参数可由大量不同的检测器设备检测、提取得到(如指定时间段内平均车速可由微波检测器、路段卡口、当前路段经过车辆的GPS检测器等等检测得到)，同时将多源数据直接进行应用是非常困难的，因为表示同一含义的多源交通数据的质量参差不齐，而直接断章取义地选用置信度最高的某一数据仍受当前检测器自身因素的影响。因此需要将多源数据进行数据融合操作，数据融合方法根据各数据源的置信程度自适应选用最优数据组合方式进行融合，即在交通大数据分析处理时需要进行数据融合。然而各个领域之间产生的大量数据难以实现共通，导致数据的利用率差，而且单一领域的数据维度由于领域间的不同维度也受限，进而导致解决方案的制定在数据全面性考量上存在缺陷，导致解决方案制定的可靠性不足。
[0004]现有技术中为了解决上述问题，采用了数字孪生技术进行智能交通数据的处理。数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程。数字孪生是一种超越现实的概念，可以被视为一个或多个重要的、彼此依赖的装备系统的数字映射系统。数字孪生交通是通过采集实时交通数据，实现对交通的模拟、监控、诊断、预测和控制，帮助解决交通规划—设计—建设—管理—服务闭环过程中的复杂性和不确定性问题，提高交通资源有效配置和运转状态的安全，实现智慧交通内在发展动力。
[0005]已有中国专利CN114419896A，专利技术名称：基于数字孪生的交通信号灯控制方法、装置、设备及介质，公开日：2022年04月29日，公开了根据数字孪生技术构建环境建模，并识别位于环境建模中的动态元素，环境建模包括目标路口、目标路口的上游或下游路口、目标路口和上游或下游路口之间的道路，动态元素包括机动车、非机动车、行人中的至少之一；根据环境建模和动态元素，预测下一时刻到达目标路口的目标动态元素的个数和运动方向；根据目标动态元素的个数和运动方向，判断下一时刻目标路口的交通信号灯的原始控制方案是否合理；若不合理，则生成目标控制方案，并在下一时刻根据目标控制方案控制目标路口的交通信号灯。该方案能够智能调控交通信号灯，提高路口的通行效率。已有中国专利CN112700639A，公开了一种基于联邦学习与数字孪生的智能交通路径规划方法，公开日：2021年04月23日，包括以下步骤：S1：在车辆系统进行车辆注册，并验证车辆身份信息；S2：
根据车辆的本地历史数据，参与联邦学习，训练本地模型；S3：聚合所有车辆的本地模型，得到聚合模型；
[0006]S4：判断聚合模型是否收敛至预定精度或超过时间限制，若是进入步骤S5，否则返回步骤S2；S5：建立车联网全局数字孪生模型；S6：周期性更新车联网全局数字孪生模型；S7：向路旁单元发起寻路请求，并实时更新最佳路径及本地预测模型。该规划方法能够解决当前道路交通系统中流量预测和路径规划准确率低、时延高且存在隐私泄露风险的问题。
[0007]但是随着我国城市化建设步伐的加快，城市道路数量也逐渐增加，而机动车数量的增加远远超过城市道路建设的速度，造成我国各地城市频繁出现交通拥堵现象。交通拥堵现象逐渐向大范围趋势扩散，在上述基于数字孪生的智能交通数据处理方法中容易出现物理空间的实际物体设计情况与虚拟空间的理论仿真不一致，导致对于复杂数据的预测不准确的问题，无法更好的对道路交通状态预测和拥堵路段进行优化控制。

技术实现思路

[0008]为克服相关技术中存在的问题，本专利技术公开实施例提供了一种基于大数据的智能交通数字孪生处理方法及系统。
[0009]所述技术方案如下：基于大数据的智能交通数字孪生处理方法包括以下步骤：
[0010]S1，基于多源感知设备和快速通信对车辆信息、监测信息和天气信息进行实时获取，确定车辆的动态感知信息及所处的具体位置；
[0011]S2，接入城市交通管理系统，提取车辆所处位置路段的历史交通数据，包括道路长度、车辆数量、车辆体积、道路承受的压力以及每辆车辆之间的距离，获得历史时间段的交通拥堵系数；
[0012]S3，获取所需路段的基础地理信息数据，通过北斗交通信息服务平台将基础地理信息数据、交通实时大数据与交通运输网络数据进行位置匹配和数据关联；
[0013]S4，将获取的车辆的动态感知信息、车辆所处位置历史时间段的交通拥堵系数以及交通实时大数据、交通运输网络数据进行数据融合，获得多源、异构、多时态的融合数据；
[0014]S5，根据数字孪生技术构建数字孪生交通分层模型，在虚拟环境中利用数字孪生交通分层模型实现基于融合数据的实时仿真，并得到实验结果对其进行分析与实时决策反馈；
[0015]S6，将数字孪生数据、仿真计算结果和决策信息融合呈现，并搭建信号控制系统，对现实空间的交通设施进行实时控制。
[0016]步骤S1中，确定车辆的动态感知信息包括：
[0017]通过图像识别实现对交通事件自动检测功能，快速识别异常拥堵、交通事故的事件画面信息；
[0018]通过GPS获取车辆实时移动速度信息，所在路段的车辆速度信息以及单位时间内的车辆通过数量。
[0019]在一个实施例中，确定车辆的动态感知信息还包括：车辆的不合格信息，车辆的不合格信息包括车辆瞬时速度大于合理值的交通数据信息、视频采样时间和存储时间不同的交通数据信息以及GPS定位中车辆经纬度超过合理范围的交通数据信息。
[0020]步骤S2中，历史时间段的交通拥堵系数利用下式计算得出：
[0021][0022]式中，Y
di
为交通拥堵系数，α为长度影响因子，L
i
为前后路口间的道路长度，L0为平均道路长度，S
q
为每辆车辆之间的距离，S0为标准车辆间距，c为车数量影响系数，β为车辆出行影响因子，A
i
为道路上的车辆数量，A0为标准车辆数量，γ为车辆体积影响系数，W
i
为道路上的车辆体积，W0为车辆平均体积，b为压力影响系数，F
i
为所处道路承受的压力，F0为道路平均承受压力。
[0023]步骤S3中，将基础地理信息数据、交通实时大数据与交通运输网络数据进行位置匹配和数据关联的具体步骤包括：
[0024](本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的智能交通数字孪生处理方法，其特征在于，该方法包括以下步骤：S1，基于多源感知设备和快速通信对车辆信息、监测信息和天气信息进行实时获取，确定车辆的动态感知信息及所处的具体位置；S2，接入城市交通管理系统，提取车辆所处位置路段的历史交通数据，包括道路长度、车辆数量、车辆体积、道路承受的压力以及每辆车辆之间的距离，获得历史时间段的交通拥堵系数；S3，获取所需路段的基础地理信息数据，通过北斗交通信息服务平台将基础地理信息数据、交通实时大数据与交通运输网络数据进行位置匹配和数据关联；S4，将获取的车辆的动态感知信息、车辆所处位置历史时间段的交通拥堵系数以及交通实时大数据、交通运输网络数据进行数据融合，获得多源、异构、多时态的融合数据；S5，根据数字孪生技术构建数字孪生交通分层模型，在虚拟环境中利用数字孪生交通分层模型实现基于融合数据的实时仿真，并得到实验结果对其进行分析与实时决策反馈；S6，将数字孪生数据、仿真计算结果和决策信息融合呈现，并搭建信号控制系统，对现实空间的交通设施进行实时控制。2.根据权利要求1所述的基于大数据的智能交通数字孪生处理方法，其特征在于，步骤S1中，确定车辆的动态感知信息包括：通过图像识别实现对交通事件自动检测功能，识别异常拥堵、交通事故的事件画面信息；通过GPS获取车辆实时移动速度信息，所在路段的车辆速度信息以及单位时间内的车辆通过数量。3.根据权利要求2所述的基于大数据的智能交通数字孪生处理方法，其特征在于，确定车辆的动态感知信息还包括：车辆的不合格信息，车辆的不合格信息包括车辆瞬时速度大于合理值的交通数据信息、视频采样时间和存储时间不同的交通数据信息以及GPS定位中车辆经纬度超过合理范围的交通数据信息。4.根据权利要求1所述的基于大数据的智能交通数字孪生处理方法，其特征在于，步骤S2中，历史时间段的交通拥堵系数利用下式计算得出：式中，Y
di
为交通拥堵系数，α为长度影响因子，L
i
为前后路口间的道路长度，L0为平均道路长度，S
q
为每辆车辆之间的距离，S0为标准车辆间距，c为车数量影响系数，β为车辆出行影响因子，A
i
为道路上的车辆数量，A0为标准车辆数量，γ为车辆体积影响系数，W
i
为道路上的车辆体积，W0为车辆平均体积，b为压力影响系数，F
i
为所处道路承受的压力，F0为道路平均承受压力。5.根据权利要求1所述的基于大数据的智能交通数字孪生处理方法，其特征在于，步骤S3中，将基础地理信息数据、交通实时大数据与交通运输网络数据进行位置匹配和数据关联，具体包括以下步骤：(1)获取并整理基础地理信息数据与交通实时大数据；
(2)以基础地理信息数据为框架基础，为交通运输网络数据中所有点位信息采用属性匹配方式自动化匹配空间位置坐标；(3)使用路网匹配算法进行路线拟合，将交通实时大数据拟合生成交通运输网络线路图，并与基础地理信息数据进行位置匹配；(4)位置匹配后进行几何校正和数据优化，通过数据匹配融合获得与空间位置信息进行关联的交通运输网络数据。6.根据权利要求1所述的基于大数据的智能交通数字孪生处理方法，其特征在于，步骤S5中，数字孪生交通分层模型包括：交通数据融合模型，将不同交通传感器感知的数据进行融合，形...

【专利技术属性】
技术研发人员：赵晓峰，张新来，谭小刚，张伟，
申请(专利权)人：中咨数据有限公司中咨泰克交通工程集团有限公司，
类型：发明
国别省市：