CN116863704A - 一种基于大数据的智能交通数字孪生处理方法及*** - Google Patents
一种基于大数据的智能交通数字孪生处理方法及*** Download PDFInfo
- Publication number
- CN116863704A CN116863704A CN202310990250.3A CN202310990250A CN116863704A CN 116863704 A CN116863704 A CN 116863704A CN 202310990250 A CN202310990250 A CN 202310990250A CN 116863704 A CN116863704 A CN 116863704A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- information
- vehicle
- real
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000008447 perception Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 20
- 238000005516 engineering process Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000013439 planning Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 206010039203 Road traffic accident Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 3
- 238000004387 environmental modeling Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000379 polymerizing effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明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***,包括:获取车辆的动态感知信息及所处的具***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***,对现实空间的交通设施进行实时控制。本发明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。
Description
技术领域
本发明属于智能交通技术领域,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***。
背景技术
近年来智能交通***引发了大量的关注,智能交通***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***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。
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。
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***的数字映射***。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。
已有中国专利CN114419896A,发明名称: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***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;
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***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。
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。
发明内容
为克服相关技术中存在的问题,本发明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***。
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:
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***置;
S2,接入城市交通管理***,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***,对现实空间的交通设施进行实时控制。
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,快速识别异常拥堵、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。
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。
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,Ydi为交通拥堵系数,α为长度影响因子,Li为前后路口间的道路长度,L0为平均道路长度,Sq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,Ai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,Wi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,Fi为所处道路承受的压力,F0为道路平均承受压力。
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:
(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。
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,形成统一的交通流数据;
交通态势分析模型,根据历史数据和实时感知交通数据,对交通进行分析和预测;
信号控制模型,根据实时交通流数据,以及对交通流的预测,对交叉口信号配时进行优化;
交通规划模型,以交通规划的四阶段法为基础,结合交通出行移动互联网大数据,对路网交通量进行预测;
公交优先模型,以公交线为基础,对公交出行进行预测;
停车诱导模型,根据区域停车位占用状态和停车需求预测,提供区域停车优化诱导信息;
智能道路模型,根据智能道路实时感知数据,形成道路高清动态地图,辅助网联车辆安全行驶;
交通流仿真模型,结合车辆动力学特征对实时运行的交通流进行仿真模拟;
事故分析模型,结合事故发生的主要因素,对交通事故进行分析,对道路安全性进行评价。
步骤S6中,对现实空间的交通设施进行实时控制中,通过包括手机APP、车联网的网络通信方式直接发送提示信息和控制参数给司机和智能网联车,实现对交通流的诱导管控。
本发明的另一目的在于提供一种基于大数据的智能交通数字孪生处理***,实施所述的基于大数据的智能交通数字孪生处理方法,该***包括:
动态感知模块,用于利用多源感知设备对车辆的动态感知信息进行采集;
大数据平台,用于收集城市的交通大数据并对交通大数据进行管理,交通大数据包括城市道路信息数据、城市汽车管理信息数据、城市气象数据、城市汽车实时定位数据以及城市交通监控视频数据;
数据预处理模块,用于对所述各类交通运输实时数据进行数据预处理,实现负载均衡、资源虚拟化和分布式数据存储管理;
数据融合及关联模块,用于使用融合模型对数据进行聚类与融合处理,并对数据进行关联验证,获取交通实时路况数据;
气象数据模块,用于接入气象数据以补充天气要素信息;
数据处理模块,用于对交通数据进行处理,得出交通拥堵系数,并且数据处理模块将计算得出的交通拥堵系数发送至数据分析模块进行分析;
数据分析模块,用于在接收到数据处理模块得出的交通拥堵系数后,将交通拥堵系数与设定的交通标准拥堵系数进行比较,若交通拥堵系数大于交通标准拥堵系数,则数据分析模块发送交通拥堵信号至数字孪生模块,数字孪生模块报警提示工作人员,并且发送执行信号至车辆终端;
数字孪生模块,用于对物理模型、虚拟模型、孪生数据以及服务***之间进行高效的数字映射,实现基于数据驱动的实时仿真,并得到实验结果对其进行分析与实时反馈;
数据展示模块,用于通过数据可视化平台展示交通实时大数据。
在一个实施例中,所述动态感知信息分为动态信息和静态信息,所述动态信息包括北斗导航数据、车辆定点监测数据、信号控制数据和事件事故数据,所述静态信息包括北斗地图路网数据、交通管理和管理对象数据。
在一个实施例中,所述数据融合及关联模块包括:
信息获取单元,用于获取基础地理信息数据与交通实时大数据;
数据转换单元,用于通过北斗交通信息服务平台进行数据格式转换;
坐标匹配单元,用于以基础地理信息数据为框架基础,为交通运输网络数据和交通实时大数据自动化匹配空间位置坐标;
融合处理单元,用于将矢量数据进行数据融合接边处理;
数据关联单元,用于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
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明通过采用数字孪生处理方式,在交通拥堵状态数据的基础上,一方面基于交通***检测拥堵状态,另一方面根据虚实空间信息之间的关联性,实时获取相应的拥堵评估数据等状态信息。将采集到的信息对应到虚拟环境中,实现虚实结合。通过对虚实交通拥堵状态预测与控制信息的映射,实现虚拟交通空间对实际物理空间的等价表达,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,从而更好的对道路交通状态预测和拥堵路段进行优化控制。
本发明通过采集不同的数据源中的交通数据信息,在通过处理后进行提取不同交通信息的特征,从而形成不同数据源的交通特征数据,然后通过对不同的交通特征数据进行融合,生成交通融合数据,通过评估即可得到城市的交通状况分析等数据;通过多种数据源的交通数据信息的融合,可以显著的提高城市交通大数据处理中多源数据最终的融合的精度,避免了单一的数据融合被设备环境因素等影响不可避免地出现异常情况造成的数据误差过大的问题。
本发明通过数据融合的方式对获取到的检测数据进行处理,能够有效甄别错误的检测数据,从而降低传感器精度、测量误差以及环境噪声导致检测数据出现误差的情况。
本发明在数字孪生技术、信息技术的支持下,能够使得城市服务的辐射范围更大,破除了实践和空间的限制,其服务的受众更加多元、基数更大,以营造城市交通新场景,为公众提供个性化、优质、智慧化的交通服务。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理;
图1是本发明实施例提供的基于大数据的智能交通数字孪生处理方法流程图;
图2是本发明实施例提供的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方法流程图;
图3是本发明实施例提供的数字孪生交通分层模型的结构原理图;
图4是本发明实施例提供的基于大数据的智能交通数字孪生处理***的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
实施例1,如图1所示,本发明实施例提供的基于大数据的智能交通数字孪生处理方法包括:
S101,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***置;
S102,接入城市交通管理***,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;
S103,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;
S104,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;
S105,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;
S106,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***,对现实空间的交通设施进行实时控制。
本发明实施例中的步骤S101中的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,快速识别异常拥堵、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;
还包括有车辆的不合格信息,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。
本发明实施例中的步骤S102中的历史时间段的交通拥堵系数利用下式计算得出:
式中,Ydi为交通拥堵系数,α为长度影响因子,Li为前后路口间的道路长度,L0为平均道路长度,Sq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,Ai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,Wi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,Fi为所处道路承受的压力,F0为道路平均承受压力。
如图2所示,本发明实施例中的步骤S103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:
S201,获取并整理基础地理信息数据与交通实时大数据;
S202,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;
S203,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;
S204,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。
如图3所示,本发明实施例中的步骤S105中的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,形成统一的交通流数据;
交通态势分析模型,根据历史数据和实时感知交通数据,对交通进行分析和预测;
信号控制模型,根据实时交通流数据,以及对交通流的预测,对交叉口信号配时进行优化;
交通规划模型,以交通规划的四阶段法为基础,结合交通出行移动互联网大数据,对路网交通量进行预测;
公交优先模型,以公交线为基础,对公交出行进行预测;
停车诱导模型,根据区域停车位占用状态和停车需求预测,提供区域停车优化诱导信息;
智能道路模型,根据智能道路实时感知数据,形成道路高清动态地图,辅助网联车辆安全行驶;
交通流仿真模型,结合车辆动力学特征对实时运行的交通流进行仿真模拟;
事故分析模型,结合事故发生的主要因素,对交通事故进行分析,对道路安全性进行评价。
本发明实施例中的步骤S106对现实空间的交通设施进行实时控制中,通过包括手机APP、车联网的网络通信方式直接发送提示信息和控制参数给司机和智能网联车,实现对交通流的诱导管控。
实施例2,如图4所示,本发明实施例提供的基于大数据的智能交通数字孪生处理***包括:
动态感知模块,用于利用多源感知设备对车辆的动态感知信息进行采集;
大数据平台,用于收集城市的交通大数据并对交通大数据进行管理,交通大数据包括城市道路信息数据、城市汽车管理信息数据、城市气象数据、城市汽车实时定位数据以及城市交通监控视频数据;
数据预处理模块,用于对所述各类交通运输实时数据进行数据预处理,实现负载均衡、资源虚拟化和分布式数据存储管理;
数据融合及关联模块,用于使用融合模型对数据进行聚类与融合处理,并对数据进行关联验证,获取交通实时路况数据;
气象数据模块,用于接入气象数据以补充天气要素信息;
数据处理模块,用于对交通数据进行处理,得出交通拥堵系数,并且数据处理模块将计算得出的交通拥堵系数发送至数据分析模块进行分析;
数据分析模块,用于在接收到数据处理模块得出的交通拥堵系数后,将交通拥堵系数与设定的交通标准拥堵系数进行比较,若交通拥堵系数大于交通标准拥堵系数,则数据分析模块发送交通拥堵信号至数字孪生模块,数字孪生模块报警提示工作人员,并且发送执行信号至车辆终端;
数字孪生模块,用于对物理模型、虚拟模型、孪生数据以及服务***之间进行高效的数字映射,实现基于数据驱动的实时仿真,并得到实验结果对其进行分析与实时反馈;
数据展示模块,用于通过数据可视化平台展示交通实时大数据。
本发明实施例中的动态感知信息分为动态信息和静态信息,所述动态信息包括北斗导航数据、车辆定点监测数据、信号控制数据和事件事故数据,所述静态信息包括北斗地图路网数据、交通管理和管理对象数据。
本发明实施例中的数据融合及关联模块包括:
信息获取单元,用于获取基础地理信息数据与交通实时大数据;
数据转换单元,用于通过北斗交通信息服务平台进行数据格式转换;
坐标匹配单元,用于以基础地理信息数据为框架基础,为交通运输网络数据和交通实时大数据自动化匹配空间位置坐标;
融合处理单元,用于将矢量数据进行数据融合接边处理;
数据关联单元,用于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。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程。
基于上述本发明实施例记载的技术方案,进一步的可提出以下应用例。
根据本申请的实施例,本发明还提供了一种计算机设备,该计算机设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端,所述信息数据处理终端用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤,所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器,所述服务器用于实现于电子装置上执行时,提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例还提供了一种计算机程序产品,当计算机程序产品在电子设备上运行时,使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(RandomAccessMemory,RAM)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述,仅为本发明较优的具体的实施方式,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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
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***置;
S2,接入城市交通管理***,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***,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,Ydi为交通拥堵系数,α为长度影响因子,Li为前后路口间的道路长度,L0为平均道路长度,Sq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,Ai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,Wi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,Fi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,形成统一的交通流数据;
交通态势分析模型,根据历史数据和实时感知交通数据,对交通进行分析和预测;
信号控制模型,根据实时交通流数据,以及对交通流的预测,对交叉口信号配时进行优化;
交通规划模型,以交通规划的四阶段法为基础,结合交通出行移动互联网大数据,对路网交通量进行预测;
公交优先模型,以公交线为基础,对公交出行进行预测;
停车诱导模型,根据区域停车位占用状态和停车需求预测,提供区域停车优化诱导信息;
智能道路模型,根据智能道路实时感知数据,形成道路高清动态地图,辅助网联车辆安全行驶;
交通流仿真模型,结合车辆动力学特征对实时运行的交通流进行仿真模拟;
事故分析模型,结合事故发生的主要因素,对交通事故进行分析,对道路安全性进行评价。
7.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S6中,对现实空间的交通设施进行实时控制中,通过包括手机APP、车联网的网络通信方式直接发送提示信息和控制参数给司机和智能网联车,实现对交通流的诱导管控。
8.一种基于大数据的智能交通数字孪生处理***,其特征在于,实施权利要求1-7任意一项所述的基于大数据的智能交通数字孪生处理方法,该***包括:
动态感知模块,用于利用多源感知设备对车辆的动态感知信息进行采集;
大数据平台,用于收集城市的交通大数据并对交通大数据进行管理,交通大数据包括城市道路信息数据、城市汽车管理信息数据、城市气象数据、城市汽车实时定位数据以及城市交通监控视频数据;
数据预处理模块,用于对所述各类交通运输实时数据进行数据预处理,实现负载均衡、资源虚拟化和分布式数据存储管理;
数据融合及关联模块,用于使用融合模型对数据进行聚类与融合处理,并对数据进行关联验证,获取交通实时路况数据;
气象数据模块,用于接入气象数据以补充天气要素信息;
数据处理模块,用于对交通数据进行处理,得出交通拥堵系数,并且数据处理模块将计算得出的交通拥堵系数发送至数据分析模块进行分析;
数据分析模块,用于在接收到数据处理模块得出的交通拥堵系数后,将交通拥堵系数与设定的交通标准拥堵系数进行比较,若交通拥堵系数大于交通标准拥堵系数,则数据分析模块发送交通拥堵信号至数字孪生模块,数字孪生模块报警提示工作人员,并且发送执行信号至车辆终端;
数字孪生模块,用于对物理模型、虚拟模型、孪生数据以及服务***之间进行高效的数字映射,实现基于数据驱动的实时仿真,并得到实验结果对其进行分析与实时反馈;
数据展示模块,用于通过数据可视化平台展示交通实时大数据。
9.根据权利要求8所述的基于大数据的智能交通数字孪生处理***,其特征在于,所述动态感知信息分为动态信息和静态信息,所述动态信息包括北斗导航数据、车辆定点监测数据、信号控制数据和事件事故数据,所述静态信息包括北斗地图路网数据、交通管理和管理对象数据。
10.根据权利要求8所述的基于大数据的智能交通数字孪生处理***,其特征在于,所述数据融合及关联模块包括:
信息获取单元,用于获取基础地理信息数据与交通实时大数据;
数据转换单元,用于通过北斗交通信息服务平台进行数据格式转换;
坐标匹配单元,用于以基础地理信息数据为框架基础,为交通运输网络数据和交通实时大数据自动化匹配空间位置坐标;
融合处理单元,用于将矢量数据进行数据融合接边处理;
数据关联单元,用于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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310990250.3A CN116863704A (zh) | 2023-08-08 | 2023-08-08 | 一种基于大数据的智能交通数字孪生处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310990250.3A CN116863704A (zh) | 2023-08-08 | 2023-08-08 | 一种基于大数据的智能交通数字孪生处理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863704A true CN116863704A (zh) | 2023-10-10 |
Family
ID=88226923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310990250.3A Pending CN116863704A (zh) | 2023-08-08 | 2023-08-08 | 一种基于大数据的智能交通数字孪生处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863704A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131581A (zh) * | 2023-10-26 | 2023-11-28 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建***及方法 |
-
2023
- 2023-08-08 CN CN202310990250.3A patent/CN116863704A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131581A (zh) * | 2023-10-26 | 2023-11-28 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建***及方法 |
CN117131581B (zh) * | 2023-10-26 | 2024-02-13 | 乘木科技(珠海)有限公司 | 一种数字孪生城市道路的构建***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112818497B (zh) | 交通仿真方法、装置、计算机设备和存储介质 | |
US12008896B2 (en) | System and method for detection and quantification of irregular traffic congestion | |
WO2019085807A1 (zh) | 一种路况信息获取方法及其设备、存储介质 | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN105246033A (zh) | 一种基于终端定位的人群状态监测方法和监测装置 | |
CN112434260B (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
CN112598169B (zh) | 交通运行态势评估方法、***及装置 | |
CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及*** | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
US11829959B1 (en) | System and methods for fully autonomous potholes detection and road repair determination | |
CN113276874A (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
CN113781767A (zh) | 一种基于多源感知的交通数据融合方法及*** | |
CN108447257B (zh) | 一种基于Web的交通数据分析方法及*** | |
CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
US20230342520A1 (en) | Traffic simulation conversion method and apparatus, and computer device and storage medium | |
CN117238145A (zh) | 一种基于大数据的智慧交通管理方法及*** | |
CN116385690A (zh) | 一种基于bim模型的三维运维管控平台及其管控方法 | |
US20230153742A1 (en) | Methods for shared bicycle delivery and operation area planning in smart cities and internet of things (iot) systems thereof | |
CN116205370A (zh) | 一种基于地区大数据的电动汽车续航里程预测方法及装置 | |
US20150348407A1 (en) | Recommendation Engine Based on a Representation of the Local Environment Augmented by Citizen Sensor Reports | |
CN112633518B (zh) | 基于多主体互学习的自动驾驶模型训练方法及*** | |
CN114139984A (zh) | 基于流量与事故协同感知的城市交通事故风险预测方法 | |
CN117894181B (zh) | 一种全域通行异常状况集成监测方法及*** | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 |
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 |