CN113920739B - 基于信息物理融合***的交通数据驱动框架及构建方法 - Google Patents

基于信息物理融合***的交通数据驱动框架及构建方法 Download PDF

Info

Publication number
CN113920739B
CN113920739B CN202111269011.6A CN202111269011A CN113920739B CN 113920739 B CN113920739 B CN 113920739B CN 202111269011 A CN202111269011 A CN 202111269011A CN 113920739 B CN113920739 B CN 113920739B
Authority
CN
China
Prior art keywords
data
traffic
vehicle
road
server
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.)
Active
Application number
CN202111269011.6A
Other languages
English (en)
Other versions
CN113920739A (zh
Inventor
韩定定
杨正壮
陈卓然
张希厚
支慧雨
杨超
赵凯迪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202111269011.6A priority Critical patent/CN113920739B/zh
Publication of CN113920739A publication Critical patent/CN113920739A/zh
Application granted granted Critical
Publication of CN113920739B publication Critical patent/CN113920739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于信息物理融合***的交通数据驱动框架及构建方法，包括市级范围内的城市道路车载定位设备位置采集、无人机视频计算、微观仿真器模拟融合、开源路网获取方法；时空数据存储方法；数据共享及管控方案输出方法；通过利用http协议、物联网MQTT协议通过网络请求的方式获取到传感器数据，使用GraphML文件协议获取到路网资源文件、使用视频流接入的方式获取到无人机实时数据，对采集到的数据按照格式化进行初步分类；对“车—路”数据之间的多维多层关系进行统一建模；使用分布式部署的数据库进行存储；利用智能交通出行算法通过数据共享，利用数据驱动的方法来输出优化当前交通出行状况的管控方案，提高交通运行效率。

Description

基于信息物理融合***的交通数据驱动框架及构建方法
技术领域
本发明属于交通数据采集分析及存储共享技术领域，具体而言，涉及一种基于信息物理融合***的交通数据驱动框架及构建方法。
背景技术
随着新基建的发展和数字化城市建设的日益完善，智慧城市的建设已经成为新的研究热点。而在城市基础设施日渐完备的过程中，交通对于优化城市管控及实现设施数据互联起着至关重要的作用。
然而目前的研究中，对于现有布局的基础设施产生的海量原始数据在解决智能交通***构建问题中不能有效使用。随着碎片化数据的不断产生，数据的结构化存储也遭遇了极大的挑战，在数据存储过程中对于冗余数据需要重复清洗滤除噪声数据，造成了不必要的数据处理成本。没有统一的标准对解决智能交通中的管控决策及事故预警等常见问题需要的数据进行分类，各***之间相互独立，数据融合效率较低。另一方面，缺少一种独有的数据引擎***对信息物理融合***中智能交通问题，所需数据进行低时延高可用的计算并且调用数据进行可靠的推演，实现数据计算到数据共享的整个服务流。
目前解决交通数据碎片问题是通过单独建立每种数据类型的关系型数据库方法进行存储；通过单独采集并处理数据为本地历史数据表格，调用本地历史数据表格来运行一些智能交通算法来对结果进行仿真。
发明内容
本发明的目的是提供一种基于信息物理融合***的交通数据驱动框架及构建方法，采用数据驱动的思想，实时采集处理存储交通碎片数据，并提供解决拥堵疏导的交通管控方案和三维场景可视化推演。
实现本发明目的的具体技术方案是：
一种基于信息物理融合***的交通数据驱动框架的构建方法，该方法包括以下具体步骤：
S1：获取开源地图数据库中的道路数据，将路口作为节点，路口之间的道路作为连边构建路网模型，对路口进行编号处理，分别以source-target的键值对建立关系；
S2：市级范围内运营商车辆GPS信号接收，通过车载终端服务商的脱敏处理，从GPS信号中提取到车辆的活动数据，数据内容包括脱敏后的车辆唯一标识、每条数据的采集时间、每辆车的经纬度位置信息以及方向角；将提取到的数据中的车辆标识与时间关系按照时间序列与S1中的路网关系进行多维多层交通数据统一建模；将提取到的数据中的车辆标识作为key，时间字符串作为filed，经过GPS纠偏处理后的经纬度拼接成字符串作为value，以hash结构存储在分布式部署的非关系型数据库集群中的服务器Redis1中；
S3：无人机路口监测模块：采用数架无人机在市级范围内多个交通路口同时进行数据采集，通过将无人机传回的视频流利用图像多目标识别和多目标追踪算法提取每时刻各交通路口的车流量与S2中得到的多维多层交通数据进行多源异构数据统一建模；
S4：将S3的每时刻各交通路口的车流量存储在分布式非关系型数据库集群中的服务器Redis2中；
S5：将S3建立的多源异构数据模型在存储介质MySql中进行保存；
S6：读取S5中存储介质MySql中的时间序列，利用时间和车辆标识在S1的服务器Redis1缓存中定位到相邻时刻的经纬度数据，计算得到精准的速度数据添加在S5中的存储介质MySql中，实现车辆速度的分布式并行计算与存储；
S7：读取S5中的存储介质MySql中存储的道路车辆数据与S4中存储在服务器Redis2中的交通路口的车流量，使用微观仿真器来模拟真实路口车流量和从GPS信号中提取到车辆的活动数据，实现数据融合；
S8：对S7的结果进行数据共享；
S9：进行拥堵热点路口的查询；
S10：在微观仿真器中将S9查询到的拥堵路口利用智能交通算法进行拥堵疏导，将疏导后的车辆运行轨迹数据和计算出的网格流量数据存储在分布式非关系型数据库集群中的服务器Redis3中；
S11：调用非关系型数据库集群中的服务器Redis3中的网格流量数据，使用流量预测算法预测当前模式未来通行时是否会发生拥堵；
S12：如果预测出的结果中总体等待时长指标比目前的总体等待时长指标差，数据驱动的方法对智能交通算法进行调参，返回S11，否则进入S13；
S13：将S12中的仿真数据在三维场景中进行可视化推演。
步骤S1所述构建路网模型：以城市的交叉路口为网络中的节点，路口之间的道路为网络的连边；将道路上的车流量信息作为权重附在节点和连边上。
步骤S2所述GPS纠偏处理，具体如下：采集运营商车辆GPS信号，提取每时刻的经纬度位置，计算定位的轨迹点与路网中对应位置的相似度，然后将所有匹配到的路段的相似度进行计算，取结果最大的待匹配路段作为目标路段，修改该位置点的经纬度到目标路段上，使之匹配到WGS84标准的地图道路上。
步骤S2所述多维多层交通数据统一建模，具体为：
将所构建的路网模型分为公交驾驶层和地铁层，以公交停靠点最近的路口作为公交层节点，以地铁站最近的路口作为地铁层节点，不同节点处存储当前位置附近的车辆数目及车辆速度，不同层的相同节点通过索引进行关联，并标有层级编号，由此构建多层网络；不同层之间通过该层的节点进行连接，通过时间和GPS信号中车辆位置确认车辆所在层的节点信息，通过节点进而查询到其他层中对应节点处的车辆信息。
步骤S7所述使用微观仿真器来模拟真实路口车流量和从GPS信号中提取到车辆的活动数据，实现数据融合，具体为：采用微观仿真器SUMO，将真实道路上GPS信号中提取到的车辆数目和速度作为参数输入SUMO中，SUMO根据输入的车辆数目来自动生成道路上的驾驶行为，将真实路口车流量作为仿真器中路口的排队队列参数输入，融合路口车流量和道路车流量数据在仿真器中产生交通控制模型。
步骤S11所述调用非关系型数据库集群中的服务器Redis3中的网格流量数据，使用流量预测算法进行预测，具体为：对采集的车辆位置数据进行32*32的网格化精细处理；对于每一个(i,j)，定义其为地图中从上往下第i行，从左向右第j列对应的网格，那么在时间间隔t时，流入该网格的车流和流出该网格的车流分别定义为：
Figure BDA0003327463930000031
Figure BDA0003327463930000032
Tr为P中的车流轨迹，gk代表地理空间经纬度坐标，gk∈(i,j)表示该经纬度位于网格(i，j)内；以此形成网格流量数据；然后采用图卷积时空注意力机制模型以及时空相似注意图神经网络算法对城市道路进行网格流量预测，得到每个网格未来时刻的进出车流状况。
步骤S3所述多源异构数据统一建模，具体为：
利用网络的形式表示每种数据表之间的查询关系，对于GPS信号中提取到车辆的活动数据，抽取“设备—时间—位置”之间的哈希结构，利用服务器Redis1对采集时间、车辆唯一标识、当前位置经度、当前位置维度数据进行表示；无人机传回的视频流利用图像多目标识别和多目标追踪算法提取每时刻各交通路口的车流量，建立“路口-车辆数目-时间”的关系数据表；在存储介质MySql创建每种数据之间的外连接，形成多源异构数据模型。
所述服务器Redis1、服务器Redis2、服务器Redis3及存储介质MySql为分布式布置；采用存储介质MySql作为关系型数据库与服务器Redis1、服务器Redis2、服务器Redis3作为非关系型数据库，分别启动不同端口的方式进行分布，实现分布式数据一致性的过程为：实时数据先存储在各服务器Redis中，查询完后同步在存储介质MySql中，利用先删缓存再更新数据库的原则来保证分布式下数据库的双写一致性；利用存储介质、服务器设计分布式锁来保证在并发场景下数据存储介质及服务器中的读写不一致异常发生；通过读取存储介质MySql中的时间顺序，快速查询服务器Reids1中哈希表中的车辆位置，然后计算相邻时间的速度同步到存储介质MySql中来解决车辆的速度数据上传不准确问题。
步骤S8所述数据共享，具体为：对于微观仿真器中进行数据融合后产生的道路车辆模拟行为，采用http协议的方式针对用户的Get/Post网络请求方式，发送给拥堵热点路口查询的程序调用。
步骤S10所述利用智能交通算法进行拥堵疏导，具体为：所述智能交通算法为webster算法，通过查询路口的拥堵车辆数据，采用webster算法进行拥堵疏导减少总体等待时延，得到疏导后车辆的运行轨迹数据并且进行网格流量数据处理，得到仿真车辆运行数据和网格流量数据。
一种上述方法构建的基于信息物理融合***的交通数据驱动框架。
本发明的有益效果至少包括：
(1)本发明设计了基于数据融合的交通数据***，并基于该数据***提出了交通出行痛点问题的解决框架。以私有化部署的车辆定位设备和无人机监测设备为基础，配合开源路网；然后对采集***返回的多源异构数据进行建模；利用关系型和非关系型数据库在服务器中搭建分布式数据存储介质；数据调用过程中融合数据处理算法生成网格化流量数据。提供了在交通数据库***构建过程中对于数据来源的分类和所需处理方法的思路。
(2)本发明基于数据驱动的思想解决交通拥堵问题，得到拥堵疏导方案。利用复杂网络理论分析了交通路网的节点中心性、介数中心、社团结构等多尺度属性，针对出现交通拥堵的区域采用管控算法来进行拥堵疏导，使用图卷积时空注意力机制来对疏导后的城市流量进行预测，得到的整体等待时延指标变化来保障交通出行的效率。
附图说明
图1是本发明构建方法流程图；
图2是本发明的数据存储示意图；
图3是本发明的多维多层数据统一建模示意图；
图4是本发明的多源异构数据统一建模示意图；
图5是本发明实施例车辆统计数目查询结果示意图；
图6是本发明实施例无人机视频数据计算结果示意图；
图7是本发明实施例交通仿真器数据推演示意图；
图8是本发明实施例三维场景交通管控推演示意图；
图9是本发明实施例交通疏导总体等待时长优化结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及实施例对本发明进行详细描述。
参阅图1，本发明开源路网获取方法为：在所述数据***中引入开源路网库，配置自动处理路网信息的脚本，当用户输入城市名称时，便可通过脚本自动生成该城市的道路拓扑数据，将路口作为节点，路口之间的道路作为连边构建路网模型，对路口进行编号处理，分别以source-target的键值对建立关系。
本发明运营商车辆GPS信号数据处理方法为：通过车载终端服务商的脱敏处理，从GPS信号中提取到车辆的活动数据，数据内容包括脱敏后的车辆唯一标识、每条数据的采集时间、每辆车的经纬度位置信息以及方向角。
本发明无人机实时监测数据采集方法为：采用数架无人机在市级范围内多个交通路口同时进行数据采集，通过将无人机传回的视频流利用图像多目标识别和多目标追踪算法提取每时刻各交通路口的车流量。
参阅图3，本发明的多维多层数据统一建模方法为：将所构建的路网模型分为公交驾驶层和地铁层，以公交停靠点最近的路口作为公交层节点，以地铁站最近的路口作为地铁层节点，不同节点处存储当前位置附近的车辆数目及车辆速度，不同层的相同节点通过索引进行关联，并标有层级编号，由此构建多层网络；不同层之间通过该层的节点进行连接，通过时间和GPS信号中车辆位置确认该车所在层的节点信息，通过该节点进而查询到其他层中对应节点处的车辆信息。
参阅图4，本发明的多源异构数据统一建模方法为：利用网络的形式表示每种数据表之间的查询关系，对于GPS信号中提取到车辆的活动数据，抽取“设备—时间—位置”之间的哈希结构，利用服务器Redis1对采集时间、车辆唯一标识、当前位置经度、当前位置维度数据进行表示；无人机传回的视频流利用图像多目标识别和多目标追踪算法提取每时刻各交通路口的车流量，建立“路口-车辆数目-时间”的关系数据表；在存储介质MySql创建每种数据之间的外连接，形成多源异构数据模型。
本发明微观仿真器数据融合方法为：采用SUMO作为微观仿真器；将真实道路上GPS信号中提取到的车辆数目和速度作为参数输入微观仿真器SUMO中，微观仿真器SUMO根据输入的车辆数目来自动生成道路上的驾驶行为，将真实路口车流量作为仿真器中路口的排队队列参数输入，融合路口车流量和道路车流量数据在仿真器中产生交通控制模型。
本发明数据网格化处理方法为：对采集的车辆位置数据进行32*32的网格化精细处理。对于每一个(i,j)，定义其为地图中从上往下第i行，从左向右第j列对应的网格，那么在时间间隔t时，流入该网格的车流和流出该网格的车流分别定义为：
Figure BDA0003327463930000061
Figure BDA0003327463930000062
Tr为P中的车流轨迹，gk代表地理空间经纬度坐标，gk∈(i,j)表示该经纬度位于网格(i，j)内。
参阅图2，本发明服务器及存储介质分布式部署方法为：服务器Redis1、服务器Redis2、服务器Redis3及存储介质MySql为分布式布置；采用存储介质MySql作为关系型数据库与存储介质服务器Redis1、存储介质服务器Redis2、存储介质服务器Redis3作为非关系型数据库，分别启动不同端口的方式进行分布，实现分布式数据一致性的过程为：实时数据先存储在各Redis中，查询完后同步在MySql中，利用先删缓存再更新数据库的原则来保证分布式下数据库的双写一致性；利用存储介质服务器设计分布式锁来保证在并发场景下数据存储介质中的读写不一致异常发生；通过读取MySql中的时间顺序，快速查询Reids1中哈希表中的车辆位置，然后计算相邻时间的速度同步到存储介质MySql中来解决车辆的速度数据上传不准确问题。
本发明数据共享方法为：对于微观仿真器中进行数据融合后产生的道路车辆模拟行为，采用http协议的方式针对用户的Get/Post网络请求方式，发送给拥堵热点路口查询的程序调用。
本发明用拥堵疏导方法为：webster算法作为智能交通算法，通过查询路口的拥堵车辆数据，采用智能交通算法webster进行拥堵疏导减少总体等待时延，得到疏导后车辆的运行轨迹数据并且进行网格流量数据处理，得到仿真车辆运行数据和网格流量数据。
实施例
下面通过中国江苏省无锡市的真实城市交通场景推演说明本实施例的一种基于信息物理融合***的交通数据驱动框架及构建方法在优化交通出行中的有效性。
传入无锡市一天内的所有车辆轨迹数据，本发明的驱动框架会根据经纬度数据快速计算出所有时刻车辆的平均速度，统计出道路的平均速度和辖区内的车辆数目并存储在数据库***，利用本发明驱动框架快速查询得到每个辖区的拥堵情况并可视化呈现，如图5所示。图5a-图5d分别为8:30,9:00,18:00,18:30时无锡各区的车辆分布情况颜色深度表示辖区内的车辆数目，颜色越深表示该辖区内车辆数目越多。
通过观察发现，在梁溪区每天早晚高峰时拥堵变化情况比较明显，因此聚焦于该区域内的拥堵模式及对拥堵情况进行疏导。通过共享该区域内的无人机视频数据进行分析。根据无人机返回的视频帧速率，使用视频切割算法将拥堵时间段内的视频按帧进行切割，图6所示。图6b为图6a中切割到的某帧图片，图6c为本发明所设计的城市交通数据***通过使用高空车辆检测算法得到每帧图片中的不同类型车辆数目，以及所有类型车辆总数，统计所有帧中的车辆数目并进行去重后得到高峰时刻该路口的拥堵车辆数据。
图7a所示为无锡的拓扑结构，图7b为微观仿真器SUMO中的映射场景，图7c所示为本发明将实际的拥堵车辆数据传入到微观仿真器SUMO中的某个路口的数据融合结果。
本发明利用三维建模技术，将不使用智能交通算法和使用了智能交通算法后的车辆行驶行为进行了仿真推演，如图8所示。图8a为本发明的城市—道路—车辆驾驶行为三维模型俯瞰图，图8b为拉近镜头后的局部区域，可以看出该路口的拥堵模式(左右)有着较大差别，图8c为该路口的微观仿真，左图为仿真开始时刻不采用拥堵疏导策略的道路拥堵情况，可以看出在车辆汇聚较多的路口，传统的交通模式会逐渐发生路口车辆等待的情况。右图为采用了智能交通算法webster后的交通模式，即在拥堵还未完全发生时尽可能安排车辆远离该汇聚路口。图8d为随着迭代次数的逐渐增加，未使用任何策略时路口拥堵程度增加(左)，而使用了拥堵疏导策略后的道路较为畅通(右)。
本发明提出的一种基于信息物理融合***的交通数据驱动框架及构建方法采用了智能交通算法webster进行路口配时方案调整，利用数据驱动的思想来优化该模型的配时方案参数去不断迭代调整。图9a和图9b分别为早晚高峰时期不使用智能交通算法webster(方形)和使用了本发明中的智能交通算法webster(星形)之后的道路整体等待时长结果。在利用数据驱动来优化智能交通算法webster配时方案参数的迭代过程中，道路的整体等待时长始终低于不使用任何策略的整体等待时长。
本实施例通过对具体城市中的交通问题采用本发明提出的一种基于信息物理融合***的交通数据驱动框架进行了管控推演，可以有效改善交通出行中的等待时长。
以上内容仅仅是对本发明所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (11)

1.一种基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，该方法包括以下具体步骤：
S1：获取开源地图数据库中的道路数据，将路口作为节点，路口之间的道路作为连边构建路网模型，对路口进行编号处理，分别以source-target的键值对建立关系；
S2：市级范围内运营商车辆GPS信号接收，通过车载终端服务商的脱敏处理，从GPS信号中提取到车辆的活动数据，数据内容包括脱敏后的车辆唯一标识、每条数据的采集时间、每辆车的经纬度位置信息以及方向角；将提取到的数据中的车辆标识与时间关系按照时间序列与S1中的路网关系进行多维多层交通数据统一建模；将提取到的数据中的车辆标识作为key，时间字符串作为filed，经过GPS纠偏处理后的经纬度拼接成字符串作为value，以hash结构存储在分布式部署的非关系型数据库集群中的服务器Redis1中；
S3：无人机路口监测模块：采用数架无人机在市级范围内多个交通路口同时进行数据采集，通过将无人机传回的视频流利用图像多目标识别和多目标追踪算法提取每时刻各交通路口的车流量与S2中得到的多维多层交通数据进行多源异构数据统一建模；
S4：将S3的每时刻各交通路口的车流量存储在分布式非关系型数据库集群中的服务器Redis2中；
S5：将S3建立的多源异构数据模型在存储介质MySql中进行保存；
S6：读取S5中存储介质MySql中的时间序列，利用时间和车辆标识在S2的服务器Redis1缓存中定位到相邻时刻的经纬度数据，计算得到精准的速度数据添加在S5中的存储介质MySql中，实现车辆速度的分布式并行计算与存储；
S7：读取S5中的存储介质MySql中存储的道路车辆数据与S4中存储在服务器Redis2中的交通路口的车流量，使用微观仿真器来模拟真实路口车流量和从GPS信号中提取到车辆的活动数据，实现数据融合；
S8：对S7的结果进行数据共享；
S9：进行拥堵热点路口的查询；
S10：在微观仿真器中将S9查询到的拥堵热点路口利用智能交通算法进行拥堵疏导，将疏导后的车辆运行轨迹数据和计算出的网格流量数据存储在分布式非关系型数据库集群中的服务器Redis3中；
S11：调用非关系型数据库集群中的服务器Redis3中的网格流量数据，使用流量预测算法预测当前模式未来通行时是否会发生拥堵；
S12：如果预测出的结果中总体等待时长指标比目前的总体等待时长指标差，数据驱动的方法对智能交通算法进行调参，返回S11，否则进入S13；
S13：将S12中的预测结果数据在三维场景中进行可视化推演。
2.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S1所述构建路网模型：以城市的交叉路口为网络中的节点，路口之间的道路为网络的连边；将道路上的车流量信息作为权重附在节点和连边上。
3.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S2所述GPS纠偏处理，具体如下：采集运营商车辆GPS信号，提取每时刻的经纬度位置，计算定位的轨迹点与路网中对应位置的相似度，然后将所有匹配到的路段的相似度进行计算，取结果最大的待匹配路段作为目标路段，修改定位的轨迹点的经纬度到目标路段上，使之匹配到WGS84标准的地图道路上。
4.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S2所述多维多层交通数据统一建模，具体为：
将所构建的路网模型分为公交驾驶层和地铁层，以公交停靠点最近的路口作为公交层节点，以地铁站最近的路口作为地铁层节点，不同节点处存储当前位置附近的车辆数目及车辆速度，不同层的相同节点通过索引进行关联，并标有层级编号，由此构建多层网络；不同层之间通过该层的节点进行连接，通过时间和GPS信号中车辆位置确认车辆所在层的节点信息，通过节点进而查询到其他层中对应节点处的车辆信息。
5.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S7所述使用微观仿真器来模拟真实路口车流量和从GPS信号中提取到车辆的活动数据，实现数据融合，具体为：采用微观仿真器SUMO，将真实道路上GPS信号中提取到的车辆数目和速度作为参数输入SUMO中，SUMO根据输入的车辆数目来自动生成道路上的驾驶行为，将真实路口车流量作为仿真器中路口的排队队列参数输入，融合路口车流量和道路车流量数据在仿真器中产生交通控制模型。
6.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S11所述调用非关系型数据库集群中的服务器Redis3中的网格流量数据，使用流量预测算法进行预测，具体为：对采集的车辆位置数据进行32*32的网格化精细处理；对于每一个(i,j)，定义其为地图中从上往下第i行，从左向右第j列对应的网格，那么在时间间隔t时，流出该网格的车流和流入该网格的车流分别定义为：
Figure FDA0004166943640000021
Figure FDA0004166943640000022
Tr为P中的车流轨迹，gk代表地理空间经纬度坐标，gk∈(i,j)表示该经纬度位于网格(i，j)内；以此形成网格流量数据；然后采用图卷积时空注意力机制模型以及时空相似注意图神经网络算法对城市道路进行网格流量预测，得到每个网格未来时刻的进出车流状况。
7.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S3所述多源异构数据统一建模，具体为：
利用网络的形式表示每种数据表之间的查询关系，对于GPS信号中提取到车辆的活动数据，抽取“设备—时间—位置”之间的哈希结构，利用服务器Redis1对采集时间、车辆唯一标识、当前位置经度、当前位置维度数据进行表示；无人机传回的视频流利用图像多目标识别和多目标追踪算法提取每时刻各交通路口的车流量，建立“路口-车辆数目-时间”的关系数据表；在存储介质MySql创建每种数据之间的外连接，形成多源异构数据模型。
8.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，所述服务器Redis1、服务器Redis2、服务器Redis3及存储介质MySql为分布式布置；采用存储介质MySql作为关系型数据库与服务器Redis1、服务器Redis2、服务器Redis3作为非关系型数据库，分别启动不同端口的方式进行分布，实现分布式数据一致性的过程为：实时数据先存储在各服务器Redis中，查询完后同步在存储介质MySql中，利用先删缓存再更新数据库的原则来保证分布式下数据库的双写一致性；利用存储介质、服务器设计分布式锁来保证在并发场景下数据存储介质及服务器中的读写不一致异常发生；通过读取存储介质MySql中的时间顺序，快速查询服务器Reids1中哈希表中的车辆位置，然后计算相邻时间的速度同步到存储介质MySql中来解决车辆的速度数据上传不准确问题。
9.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S8所述数据共享，具体为：对于微观仿真器中进行数据融合后产生的道路车辆模拟行为，采用http协议的方式针对用户的Get/Post网络请求方式，发送给拥堵热点路口查询的程序调用。
10.根据权利要求1所述的基于信息物理融合***的交通数据驱动框架的构建方法，其特征在于，步骤S10所述利用智能交通算法进行拥堵疏导，具体为：所述智能交通算法为webster算法，通过查询路口的拥堵车辆数据，采用webster算法进行拥堵疏导减少总体等待时延，得到疏导后车辆的运行轨迹数据并且进行网格流量数据处理，得到仿真车辆运行数据和网格流量数据。
11.一种基于权利要求1所述方法构建的基于信息物理融合***的交通数据驱动框架。
CN202111269011.6A 2021-10-29 2021-10-29 基于信息物理融合***的交通数据驱动框架及构建方法 Active CN113920739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111269011.6A CN113920739B (zh) 2021-10-29 2021-10-29 基于信息物理融合***的交通数据驱动框架及构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111269011.6A CN113920739B (zh) 2021-10-29 2021-10-29 基于信息物理融合***的交通数据驱动框架及构建方法

Publications (2)

Publication Number Publication Date
CN113920739A CN113920739A (zh) 2022-01-11
CN113920739B true CN113920739B (zh) 2023-05-23

Family

ID=79243353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111269011.6A Active CN113920739B (zh) 2021-10-29 2021-10-29 基于信息物理融合***的交通数据驱动框架及构建方法

Country Status (1)

Country Link
CN (1) CN113920739B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114093171B (zh) * 2022-01-21 2022-05-06 杭州海康威视数字技术股份有限公司 基于多源数据融合的交通运行状态监测方法及装置
CN114418468B (zh) 2022-03-29 2022-07-05 成都秦川物联网科技股份有限公司 一种智慧城市交通调度策略控制方法和物联网***
CN114627650B (zh) * 2022-05-11 2022-08-23 深圳市城市交通规划设计研究中心股份有限公司 城市公交优先仿真推演***、方法、电子设备及存储介质
CN115083168B (zh) * 2022-08-23 2022-11-11 河北博士林科技开发有限公司 一种基于多源数据的多层次交通仿真网络搭建方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102110364B (zh) * 2009-12-28 2013-12-11 日电（中国）有限公司 基于路口和路段的交通信息处理方法和装置
GB201711408D0 (en) * 2016-12-30 2017-08-30 Maxu Tech Inc Early entry
CN108335482A (zh) * 2017-01-20 2018-07-27 亚信蓝涛（江苏）数据科技有限公司 一种城市交通态势感知方法及可视化方法
CN106897417B (zh) * 2017-02-22 2019-04-09 东南大学 一种基于多源大数据融合的城市空间全息地图的构建方法
CN109410576A (zh) * 2018-11-08 2019-03-01 深圳北斗应用技术研究院有限公司 多源数据融合的路况分析方法、装置、存储介质及***
CN110570651B (zh) * 2019-07-15 2020-10-30 浙江工业大学 一种基于深度学习的路网交通态势预测方法及***
CN110874391B (zh) * 2019-09-29 2022-12-30 北京旋极伏羲科技有限公司 一种基于城市空间立体网格模型的数据融合与展示方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
城市交通大数据智能计算平台与应用;贾琳;;数字通信世界(08);全文 *
城市快速路网本体交通数据集成及其应用;李文雄;王建伟;;长安大学学报(自然科学版)(05);全文 *
城市路网中浮动车数据和线圈数据的融合;曹晶;李清泉;;交通与计算机(04);全文 *
城市道路网络演变模型;杨超;《同济大学学报（自然科学版）》;第39卷(第4期);534-539 *

Also Published As

Publication number Publication date
CN113920739A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
CN113920739B (zh) 基于信息物理融合***的交通数据驱动框架及构建方法
CN106297291B (zh) 城市快速路交通信息采集***
CN106781592B (zh) 一种基于大数据的交通导航***及方法
CN109410577B (zh) 基于空间数据挖掘的自适应交通控制子区划分方法
CN112700639B (zh) 一种基于联邦学习与数字孪生的智能交通路径规划方法
JP2021531462A (ja) トポロジーマップに基づくインテリジェントナビゲーションの方法及びシステム
CN110555544B (zh) 一种基于gps导航数据的交通需求估计方法
CN113283581B (zh) 多融合图网络协同多通道注意力模型及其应用和应用方法
CN110111592A (zh) 基于交通信号控制机动态匹配最优信号配时方案的方法
CN114202917B (zh) 基于动态交通流短时预测的施工区域交通控制与诱导方法
CN112785162B (zh) 基于智能车语义的高精地图众包数据质量评估方法与***
CN114495500B (zh) 一种基于对偶动态时空图卷积的交通预测方法
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
CN112163446A (zh) 一种障碍物检测方法、装置、电子设备及存储介质
CN113868492A (zh) 一种基于电警、卡口数据的可视化od分析方法及应用
CN111460064B (zh) 二三维gis服务平台
CN116469249A (zh) HDMap与5G车路协的智慧交通云管理平台
CN114694382A (zh) 一种基于车联网环境的动态单向交通控制***
CN114267191A (zh) 缓解交通拥堵驾驶员控制***、方法、介质、设备及应用
CN104778355B (zh) 基于广域分布交通***的异常轨迹检测方法
CN113159371B (zh) 基于跨模态数据融合的未知目标特征建模与需求预测方法
CN116863652A (zh) 一种基于互联网加技术的地质灾害预警方法
CN114780864B (zh) 一种基于知识图谱的人-物-空间交互模型构建方法
CN116311945A (zh) 一种基于多源信息融合的全息交通状态数据集构建方法
CN118197062B (zh) 基于边缘计算的智能交通多模态信息融合***

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