CN116246463A - 一种基于实时大数据的交通拥堵预警方法及*** - Google Patents
一种基于实时大数据的交通拥堵预警方法及*** Download PDFInfo
- Publication number
- CN116246463A CN116246463A CN202310085832.7A CN202310085832A CN116246463A CN 116246463 A CN116246463 A CN 116246463A CN 202310085832 A CN202310085832 A CN 202310085832A CN 116246463 A CN116246463 A CN 116246463A
- Authority
- CN
- China
- Prior art keywords
- derivative
- real
- time
- traffic flow
- traffic
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000001595 flow curve Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013459 approach Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 208000027744 congestion Diseases 0.000 description 36
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于实时大数据的交通拥堵预警方法及***，该方法包括：获取实时交通流工况大数据，提取T时段内的实时交通流典型特征值；通过数据处理，得到实时交通流典型特征值‑时间序列的实时交通流曲线；基于该实时交通流曲线，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，综合二者数据信息，判断交通拥堵情况及趋势；基于判断结果，进行实时预警。本发明基于实时交通流工况大数据，获取交通流典型特征值‑时间序列的实时交通流曲线，综合该曲线的一阶导数和二阶导数所表示的数据特征，对交通拥堵情况进行判定，提高了交通预警的时效性和前瞻性。
Description
技术领域
本发明涉及交通工程技术领域，尤其涉及一种基于实时大数据的交通拥堵预警方法及***。
背景技术
近年来，随着经济社会的发展，国民人均小汽车保有量迅速增加，交通拥堵现象日益加剧。城市交通拥堵，不仅会造成通行时间延长、出行不便，还会导致更多汽车尾气等污染物的排放。对城市交通流的预测与管理，是长期以来的研究对象，也是各大城市环境保护、城市规划的着力点。
城市交通流变化所产生的表观信息的传播遵循一定的扩散规律，即遵从信息传播动力学原理和模型，尤其是高峰时段或者交通事故导致的特殊性情况下，交通拥堵产生的各类信息，尤其是以平均速度下降(或交通流上升)为代表的信息，是最直观的表征。这些以交通工况为代表的信息，其传播具有一定非及时性，即具有一定的滞后性，而这种滞后性会反过来会导致越来越拥堵，经过逐次传播传导，达到拥堵高峰。在到达拥堵高峰后，经过人为疏导或者自然缓解得到消退，城市交通行驶工况得到恢复。因此，为了减少交通拥堵对经济社会发展带来的不利影响，对交通拥堵情况进行实时预测，基于预测情况灵活主动地进行提前拥堵疏导，能够减缓交通拥堵时长，故，对交通拥堵情况进行预测是必要的。
现有的交通流预测方式，大多通过对以往数据的分析处理，根据历史交通大数据特征建立某种拟合函数，进而运用该函数对未来一段时间的趋势进行预测。目前的预测方法工具有很多，比如线性回归、神经网络、随机森林等。然而，各种拟合、机器学习等预测方法都是根据历史资料搜集数据，经过建模、自动识别、基于误差最小做预测，基本上无法实时反映交通状况；此外，通过交通视频观察、居民报告分析等进行预测，则需要加以人工识别，不仅费事费力，而且人为因素较多。
也就是说，现有的预测方法存在以下问题：
(1)历史数据样本的局限和缺失，导致样本中存在诸多的信息不足；而且并不是所有城市都具备收集和存储历史数据的能力。
(2)尽管特定日期如周一、周末、节假日等交通情况有一定的类比性，然而由于机动车逐日增加这一变数，导致历史数据与实时数据终究存在较大偏差；而且，现实中因为各种天气、突发事件等因素的叠加影响，很难找到最优的自变量和因变量直接的映射；
(3)某些预测方法如机器学习等，对特征的筛选存在一定的随机性，注重对过往数据的拟合优度，不能合理判断各个影响因素对模型的敏感度，而且过多的特征往往导致模型过拟合。
发明内容
为解决上述现有技术的不足，本发明提供了一种基于实时大数据的交通拥堵预警方法及***，通过对获取的实时交通流工况大数据，提取设定时间段内的交通流典型特征值，获得交通流典型特征值-时间序列的实时交通流曲线，进而以该曲线的一阶导数做交通拥堵的判定，以该曲线的二阶导数做交通拥堵趋势的判定，以此实现实时交通拥堵预测，并基于该预测结果进行预警，提高交通预警的时效性和前瞻性，避免现有基于历史数据分析处理预测交通流的方法中无法实时反映交通状况的问题。
第一方面，本公开提供了一种基于实时大数据的交通拥堵预警方法。
一种基于实时大数据的交通拥堵预警方法，包括：
获取实时交通流工况大数据，提取T时段内的实时交通流典型特征值；
对T时段内的实时交通流典型特征值进行时间序列的数据处理，得到实时交通流典型特征值-时间序列的实时交通流曲线；
基于实时交通流典型特征值-时间序列的实时交通流曲线，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，判断交通流的实时变化趋势走向；
基于判断结果，进行实时预警。
进一步的技术方案，所述交通流典型特征值为平均时速、拥堵指数、车辆密度、车辆间距、车流量所对应的具体数值。
进一步的技术方案，还包括：
对提取的实时交通流典型特征值进行数据预处理，包括：对T时段内的实时交通流典型特征值缺失或异常的数据进行数据补足及修正。
进一步的技术方案，当交通流典型特征值为平均时速时，根据平均时速-时间序列的实时交通流曲线，得到其在当前时刻的一阶导数和二阶导数，根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，综合两者数据信息，判断交通流的实时变化趋势走向，包括：
当一阶导数y′＜0时，表示逐步进入拥挤状态，提前进行预警，并根据具体情况调整预警级别；
当一阶导数y′＝0时，表示正处于拥堵尖峰；
当一阶导数y′＞0时，表示从拥堵尖峰逐步进入畅通状态，拥堵缓解，降至低预警级别或解除预警。
进一步的技术方案，当一阶导数y′＜0时，交通流平均时速逐步降低，表示逐步进入拥挤状态，提前进行预警，并根据具体情况调整预警级别，包括：
当一阶导数y′＜0且二阶导数y″＜0时，交通流平均时速逐步降低，拥堵程度存在加剧趋势，进行低级别预警；
当一阶导数y′＜0且二阶导数y″＝0时，交通流平均时速快速降低，拥堵程度加剧，提高预警级别至高一级别，进行预警；
当一阶导数y′＜0且二阶导数y″＞0时，交通流平均时速增速降低，即将达到拥堵尖峰，提高预警级别至最高级别，进行最高级别预警。
进一步的技术方案，当y′＞0时，交通流平均时速逐步提高，表示从拥堵尖峰逐步变为畅通，拥堵缓解，将预警级别逐步降低至次一级别，进行预警，直至解除拥堵预警，包括：
当一阶导数y′＞0且二阶导数y″＞0时，交通流平均速度逐步提高，拥堵程度存在缓解趋势，将预警级别从最高级别降低至次一级别；
当一阶导数y′＞0且二阶导数y″＝0时，交通流平均时速快速提高，拥堵程度得到极大缓解，即将进入通畅状态，再次降低预警级别；
当一阶导数y′＞0且二阶导数y″＜0时，交通流平均时速越来越高，趋近于正常状态的平均时速，拥堵情况基本消除，解除预警。
第二方面，本公开提供了一种基于实时大数据的交通拥堵预警***。
一种基于实时大数据的交通拥堵预警***，包括：
数据获取模块，用于获取实时交通流工况大数据；
数据处理模块，用于提取T时段内的实时交通流典型特征值，对T时段内的实时交通流典型特征值进行时间序列的数据处理，得到实时交通流典型特征值-时间序列的实时交通流曲线；
交通拥堵预判模块，用于基于实时交通流典型特征值-时间序列的实时交通流数据处理，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵程度判定，以二阶导数做交通拥堵趋势判定，判断交通流的实时变化趋势走向；
预警模块，用于基于判断结果，进行实时预警。
进一步的技术方案，当交通流典型特征值为平均时速时，根据平均时速-时间序列的实时交通流曲线，得到其在当前时刻的一阶导数和二阶导数，根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵程度判定，以二阶导数做交通拥堵趋势判定，综合二者数据信息，判断交通流的实时变化趋势走向，包括：
当一阶导数y′＜0时，表示逐步进入拥挤状态，可提前进行预警，并根据具体情况调整预警级别；
当一阶导数y′＝0时，表示正处于拥堵尖峰；
当一阶导数y′＞0时，表示从拥堵尖峰逐步进入畅通状态，拥堵缓解，降低预警级别或解除预警。
第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明提供了一种基于实时大数据的交通拥堵预警方法及***，通过获取实时交通流工况大数据，将实时交通工况情况典型特征转化为数据信息，提取设定时间段内的交通流典型特征值，获得实时交通流典型特征值-时间序列的实时交通流曲线，进而以该曲线的一阶导数做交通拥堵程度的判定，以该曲线的二阶导数做交通拥堵趋势的判定，综合两者数据信息，实现实时交通拥堵情况判定，并基于该判定情况进行适当级别的预警，以提高交通预警的时效性和前瞻性，避免现有基于历史数据分析处理预测交通流的方法中无法实时反映交通状况的问题。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例一所述基于实时大数据的交通拥堵预警方法的整体流程图；
图2为本发明实施例一中交通工况拥堵前期的均速-时间示意图；
图3为本发明实施例一中交通工况拥堵后期的均速-时间示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供了一种基于实时大数据的交通拥堵预警方法，如图1所示，包括以下步骤：
步骤S1、获取实时交通流工况大数据，提取T时段内的交通流典型特征值；
步骤S2、对T时段内的实时交通流典型特征值进行时间序列的数据处理，得到交通流典型特征值-时间序列的实时交通流曲线；
步骤S3、基于实时交通流典型特征值-时间序列的实时交通流曲线，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，判断交通流的实时变化趋势走向；
步骤S4、基于判断结果，进行实时预警。
现有管理设施中，城市或者交通管理部门将大量的监测设备安放在公共场所和交通设施中，该监测设备包括如微波雷达设备、交通电子警察、射频检测设备等交通***检测设备，以及各类公众交通智慧、手机交通类APP等更为现代的可视化数据平台。通过这些监测设备和/或公共交通智慧平台等，可以较好地获取海量的实时交通流工况大数据，为交通流量预测工作带来诸多便利。
上述步骤S1中，获取交通***监测设备、公众交通智慧平台等处的实时交通流工况大数据，所获取的大数据数量和类型较多，该大数据类型包括且不限于车辆密度、车辆间距、车流量、平均时速、拥堵指数等，提取T时段内该大数据中典型的实时交通流工况特征值，根据城市道路属性差异，选取交通流典型特征值。在本实施例中，以提取T时段内平均时速作为交通流典型特征值。此外，上述时间T一般以5分钟为宜(此处该时间T包括且不限于5分钟)，以便于后续对数据的即时处理。
在提取实时交通流典型特征值的基础上，对提取的交通流典型特征值进行数据预处理。具体的，依据相应的数学算法或数据处理方法，对T时段内的交通流典型特征值缺失或异常的数据进行优化处理或数据补足，以提高数据的完整性。
上述步骤S2中，对T时段内的交通流典型特征值进行时间序列的数据处理，拟合得到实时交通流典型特征值-时间序列的实时交通流曲线。在本实施例中，当交通流典型特征值为平均时速时，拟合得到平均时速-时间序列的实时交通流曲线，用于表述实时交通工况：(1)前期，交通流平均时速缓慢降低，如图2所示；(2)后期，交通流平均时速缓慢上升，直至恢复平常均速，如图3所示。典型大城市如北京等，正常情况下，自由均速约为70-80km/h，拥堵尖峰时刻均速约为10km/h，交通事故等极端情况下，均速有可能趋近于0，之后再由低到高，恢复常态。
本实施例仅以平均时速为例，并不限定仅依据平均时速-时间序列的实时交通流曲线来判断交通流的实时变化趋势走向。
作为另一种实施方式，也可选取车辆密度等交通流典型特征值，拟合得到车辆密度-时间序列的实时交通流曲线，即前期交通流车辆密度缓慢升高，后期交通流车辆密度缓慢降低，基于该曲线判断交通流的实时变化趋势走向。
之后，上述步骤S3和步骤S4中，首先，将平均时速的变化划分为两种典型情况，然后，基于拟合得到平均时速-时间序列的实时交通流曲线(函数y)，计算并获取函数y的一阶导数y′及其二阶导数y″数据信息。具体的，首先，基于实时交通流典型特征值-时间序列的实时交通流曲线，计算得到其在当前时刻的一阶导数和二阶导数，然后，根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，综合二者数据信息，判断交通流的实时变化方向是变为拥堵还是变为畅通，以及相应的变动程度，并基于该判断结果的分析，进行实时预警。
在本实施例中，判定和预警方法包括：
(1)当y′＜0时，即：
时，此时交通流平均时速越来越低，表示逐步进入拥挤状态，提前进行预警，并根据具体情况调整预警级别，包括：
当y′＜0且y″＜0时，即：
且/>
时，预示着此时交通流平均时速越来越低，且拥堵程度存在加剧趋势，此时，可提前做初步低级别预警；
当y′＜0且y″＝0时，即：
且/>
时，此时交通流平均时速快速降低，且拥堵程度加剧，预示着在t时间后达到拥堵高峰，可提高预警级别至高一级乃至更高级别。在本实施例中，上述时间t依据各典型城市或典型道路交通工况的不同而不同；
当y′＜0且y″＞0时，即：
且/>
时，此时交通流平均时速增速降低，表示拥堵即将达到拥堵尖峰。举例来说，在某一时段内，y′＜0，同时y″＞0，且y″基本恒定，此时，可提高预警级别至最高级别，进行最高级别预警。
(2)当y′＝0时，即：
时，此时交通流平均时速为最低值，表示此时正处于拥堵尖峰；
(3)当y′＞0时，即：
时，此时交通流平均时速逐步提高，表示从拥堵尖峰逐步变为畅通，拥堵缓解，可将预警逐步降低至次一级别，进行预警，直至解除拥堵预警，包括：
当y′＞0且y″＞0时，即：
且/>
时，此时平均速度逐步提高，拥堵正在向好缓解，拥堵程度存在缓解趋势，此时，可将预警级别降低至次一级别；
当y′＞0且y″＝0时，即：
且/>
时，此时交通流平均时速进一步提高，拥堵情况得到极大缓解，表示即将进入畅通状态，可以预计在t时间后恢复至正常状态；此时，可再次降低预警级别；
当y′＞0且y″＜0时，即：
且/>
时，此时交通流平均时速越来越高，趋近于正常状态的平均时速，拥堵情况得到基本消除，此时可进一步降低预警级别或解除预警。
在本实施例中，基于判断结果进行实时预警，该预警信息通过数字、图示、音视频等形式进行预警，并采取相应管理措施，具体的，该预警及管理措施方法包括通过信号灯自动调节通行时间及流量、利用可变车道或匝道控制疏导车流、提醒指挥部门机动警力进行现场管理与引导、在相关范围内交通信息屏上发布诱导信息、交通广播和地图导航发布绕行信息等，根据预警级别进行相应的预警及管理方案。
本实施例通过对获取的实时交通流工况大数据，提取设定时间段内的交通流典型特征值，获得实时交通流典型特征值-时间序列的实时交通流曲线，进而以该曲线的一阶导数做交通拥堵程度的判定，以该曲线的二阶导数做交通拥堵趋势的判定，综合两者信息数据，以此实现实时交通拥堵预测，并基于该预测结果进行预警，提高交通预警的时效性和前瞻性，避免现有基于历史数据分析处理预测交通流的方法中无法实时反映交通状况的问题。
实施例二
本实施例提供了一种基于实时大数据的交通拥堵预警***，包括：
数据获取模块，用于获取实时交通流工况大数据；
数据处理模块，用于提取T时段内的交通流典型特征值，对T时段内的交通流典型特征值进行时间序列的数据处理，拟合得到交通流典型特征值-时间序列的实时交通流曲线；
交通拥堵预判模块，用于基于交通流典型特征值-时间序列的实时交通流曲线，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，判断交通流的实时变化趋势走向；
预警模块，用于基于判断结果，进行实时预警。
实施例三
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上所述的基于实时大数据的交通拥堵预警方法中的步骤。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上所述的基于实时大数据的交通拥堵预警方法中的步骤。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够完成存储、编码或承载由处理器执行的指令集并能够使处理器执行本发明中上述任一方法。
本领域技术人员应该明白，上述本发明的各步骤或各模块可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于实时大数据的交通拥堵预警方法，其特征是，包括：
获取实时交通流工况大数据，提取T时段内的实时交通流典型特征值；
对T时段内的实时交通流典型特征值进行时间序列的数据处理，得到实时交通流典型特征值-时间序列的实时交通流曲线；
基于实时交通流典型特征值-时间序列的实时交通流曲线，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，判断交通流的实时变化趋势走向；
基于判断结果，进行实时预警。
2.如权利要求1所述的一种基于实时大数据的交通拥堵预警方法，其特征是，所述交通流典型特征值为平均时速、拥堵指数、车辆密度、车辆间距、车流量所对应的具体数值。
3.如权利要求1所述的一种基于实时大数据的交通拥堵预警方法，其特征是，还包括：
对提取的实时交通流典型特征值进行数据预处理，包括：对T时段内的实时交通流典型特征值缺失或异常的数据进行数据补足及修正。
4.如权利要求1所述的一种基于实时大数据的交通拥堵预警方法，其特征是，当交通流典型特征值为平均时速时，根据平均时速-时间序列的实时交通流曲线，得到其在当前时刻的一阶导数和二阶导数，根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵判定，以二阶导数做交通拥堵趋势判定，综合两者数据信息，判断交通流的实时变化趋势走向，包括：
当一阶导数y′＜0时，表示逐步进入拥挤状态，提前进行预警，并根据具体情况调整预警级别；
当一阶导数y′＝0时，表示正处于拥堵尖峰；
当一阶导数y′＞0时，表示从拥堵尖峰逐步进入畅通状态，拥堵缓解，降至低预警级别或解除预警。
5.如权利要求4所述的一种基于实时大数据的交通拥堵预警方法，其特征是，当一阶导数y′＜0时，交通流平均时速逐步降低，表示逐步进入拥挤状态，提前进行预警，并根据具体情况调整预警级别，包括：
当一阶导数y′＜0且二阶导数y″＜0时，交通流平均时速逐步降低，拥堵程度存在加剧趋势，进行低级别预警；
当一阶导数y′＜0且二阶导数y″＝0时，交通流平均时速快速降低，拥堵程度加剧，提高预警级别至高一级别，进行预警；
当一阶导数y′＜0且二阶导数y″＞0时，交通流平均时速增速降低，即将达到拥堵尖峰，提高预警级别至最高级别，进行最高级别预警。
6.如权利要求4所述的一种基于实时大数据的交通拥堵预警方法，其特征是，当y′＞0时，交通流平均时速逐步提高，表示从拥堵尖峰逐步变为畅通，拥堵缓解，将预警级别逐步降低至次一级别，进行预警，直至解除拥堵预警，包括：
当一阶导数y′＞0且二阶导数y″＞0时，交通流平均速度逐步提高，拥堵程度存在缓解趋势，将预警级别从最高级别降低至次一级别；
当一阶导数y′＞0且二阶导数y″＝0时，交通流平均时速快速提高，拥堵程度得到极大缓解，即将进入通畅状态，再次降低预警级别；
当一阶导数y′＞0且二阶导数y″＜0时，交通流平均时速越来越高，趋近于正常状态的平均时速，拥堵情况基本消除，解除预警。
7.一种基于实时大数据的交通拥堵预警***，其特征是，包括：
数据获取模块，用于获取实时交通流工况大数据；
数据处理模块，用于提取T时段内的实时交通流典型特征值，对T时段内的实时交通流典型特征值进行时间序列的数据处理，得到实时交通流典型特征值-时间序列的实时交通流曲线；
交通拥堵预判模块，用于基于实时交通流典型特征值-时间序列的实时交通流数据处理，得到当前时刻的一阶导数和二阶导数；根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵程度判定，以二阶导数做交通拥堵趋势判定，判断交通流的实时变化趋势走向；
预警模块，用于基于判断结果，进行实时预警。
8.如权利要求7所述的一种基于实时大数据的交通拥堵预警***，其特征是，当交通流典型特征值为平均时速时，根据平均时速-时间序列的实时交通流曲线，得到其在当前时刻的一阶导数和二阶导数，根据一阶导数和二阶导数的变动趋势，以一阶导数做交通拥堵程度判定，以二阶导数做交通拥堵趋势判定，综合二者数据信息，判断交通流的实时变化趋势走向，包括：
当一阶导数y′＜0时，表示逐步进入拥挤状态，可提前进行预警，并根据具体情况调整预警级别；
当一阶导数y′＝0时，表示正处于拥堵尖峰；
当一阶导数y′＞0时，表示从拥堵尖峰逐步进入畅通状态，拥堵缓解，降低预警级别或解除预警。
9.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于实时大数据的交通拥堵预警方法的步骤。
10.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于实时大数据的交通拥堵预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310085832.7A CN116246463A (zh) | 2023-01-31 | 2023-01-31 | 一种基于实时大数据的交通拥堵预警方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310085832.7A CN116246463A (zh) | 2023-01-31 | 2023-01-31 | 一种基于实时大数据的交通拥堵预警方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116246463A true CN116246463A (zh) | 2023-06-09 |
Family
ID=86625518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310085832.7A Pending CN116246463A (zh) | 2023-01-31 | 2023-01-31 | 一种基于实时大数据的交通拥堵预警方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116246463A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875558A (zh) * | 2024-01-16 | 2024-04-12 | 青岛交通科技信息有限公司 | 基于大数据的多维度交通规划场景评估***及方法 |
-
2023
- 2023-01-31 CN CN202310085832.7A patent/CN116246463A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117875558A (zh) * | 2024-01-16 | 2024-04-12 | 青岛交通科技信息有限公司 | 基于大数据的多维度交通规划场景评估***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
| CN115578015B (zh) | 基于物联网的污水处理全过程监管方法、***及存储介质 | |
| CN111275333B (zh) | 污染数据处理方法和装置 | |
| CN110718057B (zh) | 路网运行状态评价方法、装置、电子设备及介质 | |
| CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的***和方法 | |
| CN112598192B (zh) | 一种车辆进入物流园区的预测方法、装置、存储介质及终端 | |
| CN112684133A (zh) | 基于大数据平台的水质监测预警方法、***及存储介质 | |
| CN116246463A (zh) | 一种基于实时大数据的交通拥堵预警方法及*** | |
| CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| CN113806370A (zh) | 基于大数据的环境数据监管方法、装置、设备及存储介质 | |
| CN113190653A (zh) | 一种基于区块链的交通数据监测*** | |
| CN116596402A (zh) | 空气质量研判、污染溯源及应急管控建议生成方法及*** | |
| CN117935561A (zh) | 一种基于北斗数据的智能交通流分析方法 | |
| CN117093943A (zh) | 一种用电量监测预警方法及装置 | |
| CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
| CN114708728B (zh) | 一种识别交通高峰期的方法、电子设备及存储介质 | |
| CN115983524A (zh) | 智慧环保平台水环境管理***的黑臭水管理模块及方法 | |
| CN113254733B (zh) | 基于大数据平台的信息分析方法、***及存储介质 | |
| CN114419894A (zh) | 一种路内停车泊位设置与使用监测的方法与*** | |
| CN114066038A (zh) | 一种地铁客流的预测方法及*** | |
| CN111741042A (zh) | 一种油耗、行车轨迹与安全驾驶一体式远程监控*** | |
| CN117227551B (zh) | 新能源设备安全监控方法、装置、设备及可读存储介质 | |
| CN117079460A (zh) | 一种面向时间序列的arima模型对城市短时交通流预测的方法 | |
| CN116579677B (zh) | 一种高速铁路电务车载设备全生命周期管理方法及*** | |
| CN117894181B (zh) | 一种全域通行异常状况集成监测方法及*** |
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 |