CN117671979A - 一种基于知识图谱的智慧城市数据管理***与方法 - Google Patents
一种基于知识图谱的智慧城市数据管理***与方法 Download PDFInfo
- Publication number
- CN117671979A CN117671979A CN202311798450.5A CN202311798450A CN117671979A CN 117671979 A CN117671979 A CN 117671979A CN 202311798450 A CN202311798450 A CN 202311798450A CN 117671979 A CN117671979 A CN 117671979A
- Authority
- CN
- China
- Prior art keywords
- data
- road
- period
- traffic
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013523 data management Methods 0.000 title claims abstract description 28
- 238000007726 management method Methods 0.000 claims abstract description 27
- 238000012216 screening Methods 0.000 claims description 75
- 238000012423 maintenance Methods 0.000 claims description 52
- 230000008859 change Effects 0.000 claims description 49
- 238000010276 construction Methods 0.000 claims description 34
- 238000003062 neural network model Methods 0.000 claims description 28
- 238000013135 deep learning Methods 0.000 claims description 27
- 230000036962 time dependent Effects 0.000 claims description 24
- 210000002569 neuron Anatomy 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000011217 control strategy Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于知识图谱的智慧城市数据管理***与方法，属于专门适用于管理目的的数据处理***领域，本发明构建需要管控的道路知识图谱模型，从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据，通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出，有效地提高了红绿灯通行时间预测的准确性，极大地方便了车辆的通行，有利于智慧城市的快速建设。
Description
技术领域
本发明属于专门适用于管理目的的数据处理***技术领域，具体的说是一种基于知识图谱的智慧城市数据管理***与方法。
背景技术
随着物联网和智慧城市等新一代信息技术的发展，当今信息时代已经进入了新的阶段，形成了信息空间和物理空间的交互融合。在智慧城市的建设中需要对海量的数据进行处理，文本数据、图像数据、音频数据和视频数据等大量数据同时被生成，如何对这些海量数据进行有效的组织、管理、处理和检索是一个非常困难的问题。此外，存储与检索也不能满足城市用户的需求，将这些信息与具体的应用场景结合起来，挖掘有益的语义信息并加以利用才能更好的提高其价值。
例如授权公告号为CN116721001B的中国专利中提出了基于数字孪生的智慧城市资源管理方法，包括：获取资源管理相关数据，根据链接路径上管理数据的相似程度获取路径相似度，根据路径相似度获取路径相似度矩阵及合并指数，根据合并指数获取归纳结点，根据归纳结点获取整合数据集，根据整合数据集对应的关联规则获取后向关联度，根据后向关联度及关联规则置信度的阈值获取筛选阈值，根据筛选阈值完成对FP-Tree中结点的更新，根据更新后的FP-Tree获取管理数据集中的强关联规则。本发明自适应获取结点的合并策略，减少FP-Tree的无用分支，解决了传统FP增长算法中频繁项集数量过多导致的递归效率低的问题，加快数据挖掘的效率，提高资源管理效率；
同时例如在授权公告号为CN116823580B的中国专利中公开一种基于云计算的智慧城市节能减排管理方法及***，具体涉及云计算节能减排管理领域，包括数据采集监管模块、数据存储管理模块、数据分析决策模块、节能策略调控模块、可视化参与模块和安全隐私保护模块，基于云计算的智慧城市节能减排管理方法及***以云计算技术为核心，通过集中管理和模型分析计算，实现对城市能源消耗和排放的智能监测、分析和优化，能够更加精准地了解能源的使用情况，利用云计算的弹性扩展和分布式处理技术，有助于快速处理庞大的数据量，提高数据分析的效率和准确性，通过云计算平台将大量的能源消耗和环境监测数据进行可视化展示，智慧城市***提供多层次的数据加密和隐私保护机制。
以上专利均存在本背景技术提出的问题：大量面向不同应用场景、不同数据源的知识图谱被建立。现有技术生成的知识图谱以结构化的方式对客观世界中的概念、实体及其之间的关系进行描述，将数据表达成人类认知更容易理解的形式，提供了一种更好地组织、管理和理解海量数据的能力。但是，由于每一个知识图谱都有着自己的实体表示方式、关系描述方法和概念叙述逻辑，不同的知识图谱之间也因此存在着较大的知识鸿沟：不同的知识图谱之间相互独立、无法共用。同样的，针对特定范围或主题的任务无法在多个知识图谱上同时高效执行，也难以同时对多个知识图谱进行成果的检索。现有技术不能发挥出知识图谱更大的效果，例如在进行道路管理时无法根据道路和车辆的具体情况对红绿灯通信时间进行准确控制，现有技术中均存在上述问题，为了解决这些问题，本申请设计了一种基于知识图谱的智慧城市数据管理***与方法。
发明内容
针对现有技术的不足，本发明提出了一种基于知识图谱的智慧城市数据管理***与方法，本发明从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型，从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据，通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出，有效地提高了红绿灯通行时间预测的准确性，极大地方便了车辆的通行，有利于智慧城市的快速建设。
为实现上述目的，本发明提供如下技术方案：
一种基于知识图谱的智慧城市数据管理方法，其包括以下具体步骤：
S1、从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型；
S2、从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据；
S3、通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型；
S4、将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测；
S5、将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出。
具体的，所述S1包括以下具体步骤：
S11、通过数据采集终端采集需要管控的道路的道路交通相关数据，实时传输至管理端，获取道路交通相关数据中的天气数据、日期数据、道路维护数据和道路流量数据，同时获取需要管控的道路历史交通相关数据；
S12、基于获取的实时天气数据、日期数据、道路维护数据和道路流量数据、历史天气数据、日期数据、道路维护数据和道路流量数据，得到对应的天气数据变化曲线、日期数据变化曲线、道路维护数据变化曲线和道路流量数据变化曲线，形成需要管控的道路知识图谱模型。
具体的，所述S2中筛选策略的具体内容如下：
S21、获取历史道路交通相关数据中的天气数据，其中，天气数据包括温度数据、湿度数据、降雨雪量数据，获取历史道路交通相关数据中的日期数据，其中，日期数据为与本工作日相同的日期，以星期代替，例如星期一和星期二，获取历史道路交通相关数据的道路维护数据，其中，道路维护数据为该段道路的维护占用路面的宽度数据，获取历史道路交通相关数据的道路流量数据；
S22、将对应管控阈值时间的相同长度时间段的天气数据、日期数据、道路维护数据与本周期的天气数据、日期数据、道路维护数据代入差异值计算公式中计算历史时间段与本周期的差异值，其中，差异值计算公式为：其中，ci为本周期的天气数据中第i项，/>为历史周期的天气数据中的第i项，ai为天气数据中第i项的占比系数，n为天气数据中参数的个数，z1为本周期的日期数据，z2为历史周期的日期数据，m1为本周期的道路维护数据，m2为历史周期的道路维护数据，λ1为天气占比系数，λ2为日期占比系数，λ3为道路维护数据占比系数，其中，/>λ1+λ2+λ3＝1；
S23、将计算得到的各历史时间段的差异值与设定的差异阈值进行对比，将差异值小于等于设定的差异阈值的对应历史时间段设为筛选时间段，将筛选时间段的相关数据设为筛选数据。
具体的，所述S3中的车流量预测模型构建策略的具体内容为：
S31、获取得到的筛选数据，获取筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线和道路流量数据随时间的变化曲线，构建输入为筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线，输出为道路流量数据随时间的变化曲线的深度学习神经网络模型，作为车流量预测模型；
S32、将获取的历筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线和道路流量数据随时间的变化曲线分为70％的参数训练集和30％的参数测试集；将70％的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30％的参数测试集对初始深度学习神经网络模型进行测试，输出满足预设道路流量数据预测准确度的最优初始深度学习神经网络模型作为深度学习神经网络模型，其中，深度学习神经网络模型中的公式为：
其中/>为m+1层s项神经元的输出，/>为第m层第j项神经元与m+1层s项神经元的连接权重，/>代表第m层第j项神经元的输入，/>代表第m层第j项神经元与m+1层s项神经元的线性关系的偏置，σ()代表Sigmoid激活函数，w为第n层深度学习神经网络模型中神经元的数量。
具体的，所述S4中包括以下具体步骤：
S41、获取本周期的天气数据、日期数据、道路维护数据，同时获取对应的车流量预测模型；
S42、将获取的本周期的天气数据、日期数据、道路维护数据导入车流量预测模型中导出对应的下周期车流量的预测值。
具体的，所述S5中车流量管控策略包括以下具体步骤：
S51、获取下周期各路口对应的车流量的值，将车流量的值代入绿灯占比计算公式中计算对应路口的绿灯时间，绿灯时间计算公式为：其中，Ta为a路口的绿灯时间，ra为a路口的下周期车流量的预测值，re为e路口的下周期车流量的预测值,S为路口总数，tzt为整体周期时间；
S52、红绿灯控制模块根据输出的各路口的绿灯时间输出值进行红绿灯的调节。
具体的，一种基于知识图谱的智慧城市数据管理***，其基于上述一种基于知识图谱的智慧城市数据管理方法实现，其具体包括：知识图谱模型构建模块、数据筛选模块、车流量预测模型构建模块、下周期车流量预测模块、红绿灯时间输出模块和控制模块，所述知识图谱模型构建模块用于从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型，所述数据筛选模块用于从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据。
具体的，所述车流量预测模型构建模块用于通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，所述下周期车流量预测模块用于将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，所述红绿灯时间输出模块用于将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出。
具体的，所述控制模块用于控制知识图谱模型构建模块、数据筛选模块、车流量预测模型构建模块、下周期车流量预测模块、红绿灯时间输出模块的运行。
具体的，一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种基于知识图谱的智慧城市数据管理方法。
具体的，一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如上述的一种基于知识图谱的智慧城市数据管理方法。
与现有技术相比，本发明的有益效果是：
本发明从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型，从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据，通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出，有效地提高了红绿灯通行时间预测的准确性，极大地方便了车辆的通行，有利于智慧城市的快速建设。
附图说明
图1为本发明一种基于知识图谱的智慧城市数据管理方法流程示意图；
图2为本发明一种基于知识图谱的智慧城市数据管理方法S1步具体流程示意图；
图3为本发明一种基于知识图谱的智慧城市数据管理方法S2步具体流程示意图；
图4为本发明一种基于知识图谱的智慧城市数据管理***构架示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。
实施例1
请参阅图1-图3，本发明提供的一种实施例：一种基于知识图谱的智慧城市数据管理方法，其包括以下具体步骤：
S1、从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型；
道路的车流量受到多种因素的影响，这些因素可以分为以下几类：
道路长度和宽度：较长或较宽的道路通常可以容纳更多的车辆，从而影响车流道路布局：道路交汇点、出入口、瓶颈路段等会影响车流的速度和流量。
地形和气候：地形起伏、气候条件(如雨雪、雾霾等)会影响车辆行驶速度和安全系数，进而影响车流量；
信号灯和交通标志：信号灯控制、合理的交通标志设置可以引导车辆有序行驶，提高道路通行能力；
公共交通：公共交通设施(如公交专用道、地铁站等)会影响私人车辆的使用，从而改变道路车流量；
停车场和停车设施：停车场的位置、数量和容量会影响车辆在路上行驶的时间和路线选择，进而影响车流量；
出行时间：上班族、学生等群体的上下班、上下学时间会导致道路车流量的波动；
出行方式：步行、骑行、公共交通、私家车等出行方式的选择会影响道路车流量；
综合考虑这些因素，交通部门和管理部门可以采取相应的措施，优化交通规划和管理，提高道路通行能力，降低拥堵程度，保障交通安全；
在此需要说明的是，S1包括以下具体步骤：
S11、通过数据采集终端采集需要管控的道路的道路交通相关数据，实时传输至管理端，获取道路交通相关数据中的天气数据、日期数据、道路维护数据和道路流量数据，同时获取需要管控的道路历史交通相关数据；
S12、基于获取的实时天气数据、日期数据、道路维护数据和道路流量数据、历史天气数据、日期数据、道路维护数据和道路流量数据，得到对应的天气数据变化曲线、日期数据变化曲线、道路维护数据变化曲线和道路流量数据变化曲线，形成需要管控的道路知识图谱模型；
以下是一个简单的示例代码，展示了如何基于获取的数据生成天气数据变化曲线、日期数据变化曲线、道路维护数据变化曲线和道路流量数据变化曲线的C语言代码：
这只是一个简单的示例代码，实际实现可能需要根据具体需求进行适当调整和扩展，另外，代码中的函数实现部分需要进一步开发来实现实际的计算逻辑；
S2、从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据；
在此需要说明的是，S2中筛选策略的具体内容如下：
S21、获取历史道路交通相关数据中的天气数据，其中，天气数据包括温度数据、湿度数据、降雨雪量数据，获取历史道路交通相关数据中的日期数据；
S22、将对应管控阈值时间的相同长度时间段的天气数据、日期数据、道路维护数据与本周期的天气数据、日期数据、道路维护数据代入差异值计算公式中计算历史时间段与本周期的差异值，其中，差异值计算公式为：其中，ci为本周期的天气数据中第i项，/>为历史周期的天气数据中的第i项，ai为天气数据中第i项的占比系数，n为天气数据中参数的个数，z1为本周期的日期数据，z2为历史周期的日期数据，m1为本周期的道路维护数据，m2为历史周期的道路维护数据，λ1为天气占比系数，λ2为日期占比系数，λ3为道路维护数据占比系数，其中，/>λ1+λ2+λ3＝1；
S23、将计算得到的各历史时间段的差异值与设定的差异阈值进行对比，将差异值小于等于设定的差异阈值的对应历史时间段设为筛选时间段，将筛选时间段的相关数据设为筛选数据；
S3、通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型；
在此需要说明的是，S3中的车流量预测模型构建策略的具体内容为：
S31、获取得到的筛选数据，获取筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线和道路流量数据随时间的变化曲线，构建输入为筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线，输出为道路流量数据随时间的变化曲线的深度学习神经网络模型，作为车流量预测模型；
以下是一个简单的代码，描述了如何使用Python和Tensorflow搭建简单的神经网络模型来预测道路流量数据随时间的变化曲线：
/>
/>
实际运行需要进行大量的调试和优化；同时，数据的质量和数量对于模型的准确性和可靠性也非常重要，需要进行充分的数据分析和预处理；
S32、将获取的历筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线和道路流量数据随时间的变化曲线分为70％的参数训练集和30％的参数测试集；将70％的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30％的参数测试集对初始深度学习神经网络模型进行测试，输出满足预设道路流量数据预测准确度的最优初始深度学习神经网络模型作为深度学习神经网络模型，其中，深度学习神经网络模型中的公式为：
其中/>为m+1层s项神经元的输出，/>为第m层第j项神经元与m+1层s项神经元的连接权重，/>代表第m层第j项神经元的输入，代表第m层第j项神经元与m+1层s项神经元的线性关系的偏置，σ()代表Sigmoid激活函数，w为第n层深度学习神经网络模型中神经元的数量；
S4、将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测；其具体为：S41、获取本周期的天气数据、日期数据、道路维护数据，同时获取对应的车流量预测模型；
S42、将获取的本周期的天气数据、日期数据、道路维护数据导入车流量预测模型中导出对应的下周期车流量的预测值；
S5、将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出；
在此需要说明的是，S5中车流量管控策略包括以下具体步骤：
S51、获取下周期各路口对应的车流量的值，将车流量的值代入绿灯占比计算公式中计算对应路口的绿灯时间，绿灯时间计算公式为：其中，Ta为a路口的绿灯时间，ra为a路口的下周期车流量的预测值，re为e路口的下周期车流量的预测值,S为路口总数，tzt为整体周期时间；
S52、红绿灯控制模块根据输出的各路口的绿灯时间输出值进行红绿灯的调节。
通过本实施例能够实现：从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型，从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据，通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出，有效地提高了红绿灯通行时间预测的准确性，极大地方便了车辆的通行，有利于智慧城市的快速建设。
实施例2
如图4所示，一种基于知识图谱的智慧城市数据管理***，其基于上述一种基于知识图谱的智慧城市数据管理方法实现，其具体包括：知识图谱模型构建模块、数据筛选模块、车流量预测模型构建模块、下周期车流量预测模块、红绿灯时间输出模块和控制模块，知识图谱模型构建模块用于从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型，数据筛选模块用于从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据；车流量预测模型构建模块用于通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，下周期车流量预测模块用于将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，红绿灯时间输出模块用于将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出；控制模块用于控制知识图谱模型构建模块、数据筛选模块、车流量预测模型构建模块、下周期车流量预测模块、红绿灯时间输出模块的运行。
实施例3
本实施例提供一种电子设备，包括：处理器和存储器，其中，存储器中存储有可供处理器调用的计算机程序；
处理器通过调用存储器中存储的计算机程序，执行上述的一种基于知识图谱的智慧城市数据管理方法。
该电子设备可因配置或性能不同而产生比较大的差异，能够包括一个或一个以上的处理器(Central Processing Units，CPU)和一个或一个以上的存储器，其中，该存储器中存储有至少一条计算机程序，该计算机程序由该处理器加载并执行以实现上述方法实施例提供的一种基于知识图谱的智慧城市数据管理方法。该电子设备还能够包括其他用于实现设备功能的部件，例如，该电子设备还能够具有有线或无线网络接口以及输入输出接口等部件，以便进行数据的输入输出。本实施例在此不做赘述。
实施例4
本实施例提出一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当计算机程序在计算机设备上运行时，使得计算机设备执行上述的一种基于知识图谱的智慧城市数据管理方法。
例如，计算机可读存储介质能够是只读存储器(Read-Only Memory，简称：ROM)、随机存取存储器(Random Access Memory，简称：RAM)、只读光盘(Compact Disc Read-OnlyMemory，简称：CD-ROM)、磁带、软盘和光数据存储设备等。
应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
应理解，根据A确定B并不意味着仅仅根据A确定B，还能够根据A和/或其它信息确定B。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行计算机指令或计算机程序时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或/和无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元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。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于知识图谱的智慧城市数据管理方法，其特征在于，其包括以下具体步骤：
S1、从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型；
S2、从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据；
S3、通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型；
S4、将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测；
S5、将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出。
2.如权利要求1所述的一种基于知识图谱的智慧城市数据管理方法，其特征在于，所述S1包括以下具体步骤：
S11、通过数据采集终端采集需要管控的道路的道路交通相关数据，实时传输至管理端，获取道路交通相关数据中的天气数据、日期数据、道路维护数据和道路流量数据，同时获取需要管控的道路历史交通相关数据；
S12、基于获取的实时天气数据、日期数据、道路维护数据和道路流量数据、历史天气数据、日期数据、道路维护数据和道路流量数据，得到对应的天气数据变化曲线、日期数据变化曲线、道路维护数据变化曲线和道路流量数据变化曲线，形成需要管控的道路知识图谱模型。
3.如权利要求2所述的一种基于知识图谱的智慧城市数据管理方法，其特征在于：所述S2中筛选策略的具体内容如下：
S21、获取历史道路交通相关数据中的天气数据，其中，天气数据包括温度数据、湿度数据、降雨雪量数据，获取历史道路交通相关数据中的日期数据；
S22、将对应管控阈值时间的相同长度时间段的天气数据、日期数据、道路维护数据与本周期的天气数据、日期数据、道路维护数据代入差异值计算公式中计算历史时间段与本周期的差异值，其中，差异值计算公式为：其中，ci为本周期的天气数据中第i项，/>为历史周期的天气数据中的第i项，ai为天气数据中第i项的占比系数，n为天气数据中参数的个数，z1为本周期的日期数据，z2为历史周期的日期数据，m1为本周期的道路维护数据，m2为历史周期的道路维护数据，λ1为天气占比系数，λ2为日期占比系数，λ3为道路维护数据占比系数，其中，/>λ1+λ2+λ3＝1；
S23、将计算得到的各历史时间段的差异值与设定的差异阈值进行对比，将差异值小于等于设定的差异阈值的对应历史时间段设为筛选时间段，将筛选时间段的相关数据设为筛选数据。
4.如权利要求3所述的一种基于知识图谱的智慧城市数据管理方法，其特征在于，所述S3中的车流量预测模型构建策略的具体内容为：
S31、获取得到的筛选数据，获取筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线和道路流量数据随时间的变化曲线，构建输入为筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线，输出为道路流量数据随时间的变化曲线的深度学习神经网络模型，作为车流量预测模型；
S32、将获取的历史筛选数据中天气数据随时间的变化曲线、筛选数据中道路维护数据随时间的变化曲线、日期变化曲线和道路流量数据随时间的变化曲线分为70％的参数训练集和30％的参数测试集；将70％的参数训练集输入深度学习神经网络模型进行训练，以得到初始深度学习神经网络模型；利用30％的参数测试集对初始深度学习神经网络模型进行测试，输出满足预设道路流量数据预测准确度的最优初始深度学习神经网络模型作为深度学习神经网络模型，其中，深度学习神经网络模型中的公式为：
其中/>为m+1层s项神经元的输出，/>为第m层第j项神经元与m+1层s项神经元的连接权重，/>代表第m层第j项神经元的输入，/>代表第m层第j项神经元与m+1层s项神经元的线性关系的偏置，σ()代表Sigmoid激活函数，w为第n层深度学习神经网络模型中神经元的数量。
5.如权利要求4所述的一种基于知识图谱的智慧城市数据管理方法，其特征在于，所述S4中包括以下具体步骤：
S41、获取本周期的天气数据、日期数据、道路维护数据，同时获取对应的车流量预测模型；
S42、将获取的本周期的天气数据、日期数据、道路维护数据导入车流量预测模型中导出对应的下周期车流量的预测值。
6.如权利要求5所述的一种基于知识图谱的智慧城市数据管理方法，其特征在于，所述S5中车流量管控策略包括以下具体步骤：
S51、获取下周期各路口对应的车流量的值，将车流量的值代入绿灯占比计算公式中计算对应路口的绿灯时间，绿灯时间计算公式为：其中，Ta为a路口的绿灯时间，ra为a路口的下周期车流量的预测值，re为e路口的下周期车流量的预测值,S为路口总数，tzt为整体周期时间；
S52、红绿灯控制模块根据输出的各路口的绿灯时间输出值进行红绿灯的调节。
7.一种基于知识图谱的智慧城市数据管理***，其基于如权利要求1-6任一项的所述一种基于知识图谱的智慧城市数据管理方法实现，其特征在于，其具体包括：知识图谱模型构建模块、数据筛选模块、车流量预测模型构建模块、下周期车流量预测模块、红绿灯时间输出模块和控制模块，所述知识图谱模型构建模块用于从采集数据源收集一条道路交通相关数据和该条道路的历史交通相关数据信息，其中相关数据包括天气数据、日期数据、道路维护数据和道路流量数据，构建需要管控的道路知识图谱模型，所述数据筛选模块用于从构建的知识图谱模型中获取历史时期的相关数据，将获取的历史时期与本时期的相关数据导入筛选策略中进行历史时期相关数据的筛选，得到筛选数据。
8.如权利要求7中所述的一种基于知识图谱的智慧城市数据管理***，其特征在于，所述车流量预测模型构建模块用于通过得到的筛选数据代入车流量预测模型构建策略中构建车流量预测模型，所述下周期车流量预测模块用于将获取的下周期相关数据导入车流量预测模型中，进行下周期车流量的预测，所述红绿灯时间输出模块用于将预估得到的下周期车流量导入车流量管控策略中进行红绿灯通行时间的输出，所述控制模块用于控制知识图谱模型构建模块、数据筛选模块、车流量预测模型构建模块、下周期车流量预测模块、红绿灯时间输出模块的运行。
9.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-6任一项所述的一种基于知识图谱的智慧城市数据管理方法。
10.一种计算机可读存储介质，其特征在于：储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的一种基于知识图谱的智慧城市数据管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798450.5A CN117671979B (zh) | 2023-12-25 | 一种基于知识图谱的智慧城市数据管理***与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311798450.5A CN117671979B (zh) | 2023-12-25 | 一种基于知识图谱的智慧城市数据管理***与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117671979A true CN117671979A (zh) | 2024-03-08 |
| CN117671979B CN117671979B (zh) | 2024-07-23 |
Family
ID=
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530157A (zh) * | 2020-10-16 | 2021-03-19 | 浙江工业大学 | 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法 |
| CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
| CN113112790A (zh) * | 2021-03-09 | 2021-07-13 | 华东师范大学 | 一种结合知识图谱的城市道路运行态势监测方法 |
| CN113886596A (zh) * | 2021-09-23 | 2022-01-04 | 同济大学 | 基于城市要素和多灾害融合的韧性城市知识图谱构建方法 |
| CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及*** |
| CN114708746A (zh) * | 2022-04-01 | 2022-07-05 | 河北金锁安防工程股份有限公司 | 智慧城市的交通信号提示方法及*** |
| WO2022217711A1 (zh) * | 2021-04-15 | 2022-10-20 | 平安科技（深圳）有限公司 | 基于多层关联知识图谱的信息预测方法、装置、设备及介质 |
| WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
| WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
| CN115620512A (zh) * | 2022-09-20 | 2023-01-17 | 鹏城实验室 | 基于知识图谱的交通量预测方法、装置、终端及存储介质 |
| CN115860179A (zh) * | 2022-11-01 | 2023-03-28 | 清华大学 | 轨迹预测方法、装置、设备、存储介质及程序产品 |
| CN115905551A (zh) * | 2021-09-29 | 2023-04-04 | 杭州海康威视数字技术股份有限公司 | 基于交通状态的知识图谱生成、交通状态预测方法和装置 |
| KR20230057558A (ko) * | 2021-10-22 | 2023-05-02 | 세종대학교산학협력단 | 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치 |
| WO2023115761A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京邮电大学 | 基于时序知识图谱的事件检测方法和装置 |
| CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及*** |
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112530157A (zh) * | 2020-10-16 | 2021-03-19 | 浙江工业大学 | 基于知识图谱和Conv1D-LSTM-D的道路交通拥堵传播预测方法 |
| CN113112790A (zh) * | 2021-03-09 | 2021-07-13 | 华东师范大学 | 一种结合知识图谱的城市道路运行态势监测方法 |
| CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
| WO2022217711A1 (zh) * | 2021-04-15 | 2022-10-20 | 平安科技（深圳）有限公司 | 基于多层关联知识图谱的信息预测方法、装置、设备及介质 |
| WO2022241802A1 (zh) * | 2021-05-19 | 2022-11-24 | 广州广电运通金融电子股份有限公司 | 复杂路网下的短时交通流量预测方法、存储介质和*** |
| WO2022247677A1 (zh) * | 2021-05-28 | 2022-12-01 | 南京师范大学 | 基于混合深度学习模型的城市区域路网过车流量预测方法及其*** |
| CN113886596A (zh) * | 2021-09-23 | 2022-01-04 | 同济大学 | 基于城市要素和多灾害融合的韧性城市知识图谱构建方法 |
| CN115905551A (zh) * | 2021-09-29 | 2023-04-04 | 杭州海康威视数字技术股份有限公司 | 基于交通状态的知识图谱生成、交通状态预测方法和装置 |
| KR20230057558A (ko) * | 2021-10-22 | 2023-05-02 | 세종대학교산학협력단 | 딥러닝을 이용한 단기 교통 흐름 예측 방법 및 그 장치 |
| CN114360239A (zh) * | 2021-12-03 | 2022-04-15 | 武汉工程大学 | 一种多层时空交通知识图谱重建的交通预测方法及*** |
| WO2023115761A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京邮电大学 | 基于时序知识图谱的事件检测方法和装置 |
| CN114708746A (zh) * | 2022-04-01 | 2022-07-05 | 河北金锁安防工程股份有限公司 | 智慧城市的交通信号提示方法及*** |
| CN115620512A (zh) * | 2022-09-20 | 2023-01-17 | 鹏城实验室 | 基于知识图谱的交通量预测方法、装置、终端及存储介质 |
| CN115860179A (zh) * | 2022-11-01 | 2023-03-28 | 清华大学 | 轨迹预测方法、装置、设备、存储介质及程序产品 |
| CN116935654A (zh) * | 2023-09-15 | 2023-10-24 | 北京安联通科技有限公司 | 一种基于数据分配值的智慧城市数据分析方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 蔡晓: "基于知识图谱的城市交通拥塞预测和时空传播模式挖掘研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, 15 January 2022 (2022-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670277B (zh) | 一种基于多模态数据融合与多模型集成的旅行时间预测方法 | |
| Essien et al. | Improving urban traffic speed prediction using data source fusion and deep learning | |
| WO2020034903A1 (zh) | 一种基于拓扑图的智能导航的方法和*** | |
| CN113704956A (zh) | 一种基于数字孪生技术的城市道路在线微观仿真方法及*** | |
| CN110836675B (zh) | 一种基于决策树的自动驾驶搜索决策方法 | |
| CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及*** | |
| CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及*** | |
| CN113159403A (zh) | 路口行人轨迹预测的方法及装置 | |
| CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
| Saha et al. | Deep learning approach for predictive analytics to support diversion during freeway incidents | |
| CN110490365B (zh) | 一种基于多源数据融合预测网约车订单量的方法 | |
| Shirke et al. | Modeling expressway lane utilization and lane choice behaviour: a case study on Delhi–Gurgaon Expressway | |
| KR102359902B1 (ko) | 빅데이터 및 인공지능 기반 교차로 서비스수준 예측방법, 그리고 이를 포함하는 저장매체 | |
| Lu et al. | A parking occupancy prediction approach based on spatial and temporal analysis | |
| CN117251722A (zh) | 一种基于大数据的智慧交通管理*** | |
| Wang et al. | Intelligent traffic analytics: From monitoring to controlling | |
| Del Ser et al. | Introduction to the special issue on online learning for big-data driven transportation and mobility | |
| CN117671979B (zh) | 一种基于知识图谱的智慧城市数据管理***与方法 | |
| CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
| Buijs et al. | Using neural nets to predict transportation mode choice: Amsterdam network change analysis | |
| CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
| CN117671979A (zh) | 一种基于知识图谱的智慧城市数据管理***与方法 | |
| Nguyen et al. | Real-time traffic congestion forecasting using prophet and spark streaming | |
| Sherafat et al. | Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads | |
| Subowo et al. | Ant Colony Algorithm for Determining Dynamic Travel Routes Based on Traffic Information from Twitter |
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 |