System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智慧交通,具体是一种基于大数据的智慧交通系统及方法。
技术介绍
1、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。
2、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。
技术实现思路
1、为解决上述
技术介绍
中存在的问题,本专利技术采用以下技术方案:
2、一种基于大数据的智慧交通方法,包括步骤:
3、使用地理信息系统技术构建路网模型;
4、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;
5、将经过预处理的车辆数据与路网模型进行匹配;
6、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;
7、根据路网模型分别评估区域、路段和路口的交通健康指数;
8、其中,所述缺失值处理表示为:
>9、z(u)=μ+∑λi*(zi-μ),
10、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。
11、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。
12、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:
13、确定一个半方差函数,用于描述已知点之间的空间相关性;
14、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;
15、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;
16、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;
17、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。
18、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。
19、
20、作为优选方案,半方差值具体表示为:
21、γ(h)=c(0)-c(h),
22、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。
23、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:
24、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。
25、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;
26、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。
27、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:
28、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;
29、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。
30、作为优选方案,所述空间索引算法具体为:
31、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;
32、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;
33、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。
34、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;
35、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;
36、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;
37、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。
38、本专利技术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。
39、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;
40、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;
41、数据存储模块用于存储基础数据、车辆数据和路网模型;
42、指数分析模块用于评估区域、路段和路口的交通健康指数;
43、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。
44、与现有技术相比,本专利技术具有如下有益效果:
45、本专利技术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;
46、本专利技术通过缺失值处理、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;
47、本专利技术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;
48、本专利技术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。
本文档来自技高网...【技术保护点】
1.一种基于大数据的智慧交通方法,其特征在于:包括步骤:
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:
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:
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:
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;
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:
8.根据权利要求7所述的基于大数据的
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;
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;
...【技术特征摘要】
1.一种基于大数据的智慧交通方法,其特征在于:包括步骤:
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:
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:
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:
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...
【专利技术属性】
技术研发人员:刘榆厚,刘湘明,姜亚伟,吴丹,
申请(专利权)人:广东飞翔云计算有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。