CN117912235A - 一种智慧城市的规划数据处理方法和*** - Google Patents
一种智慧城市的规划数据处理方法和*** Download PDFInfo
- Publication number
- CN117912235A CN117912235A CN202311765337.7A CN202311765337A CN117912235A CN 117912235 A CN117912235 A CN 117912235A CN 202311765337 A CN202311765337 A CN 202311765337A CN 117912235 A CN117912235 A CN 117912235A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- planning
- vehicle
- city
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 149
- 238000003672 processing method Methods 0.000 title claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000005540 biological transmission Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000013468 resource allocation Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000008901 benefit Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 21
- 238000009826 distribution Methods 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智慧城市的规划数据处理方法和***,属于数据处理技术领域,方法包括:获取历史城市规划数据;计算所有交通枢纽点的车辆吸引量,将车辆吸引量大于预设车辆吸引量的停靠站点作为新的交通枢纽点;预测车辆向不同路线的转移概率,对通行车流量进行修正;建立规划决策模型,对规划决策模型进行训练;获取实时城市基础数据和数据传输延迟速率;计算各个区域的数据处理优先级;建立网络资源分配模型,根据处理优先级对实时城市规划数据进行网络资源分配;利用规划决策模型对进行决策分析,得到新的交通枢纽点以及相应的通行车流量。科学设定规划数据,根据区域级别有序的进行网络资源调度,提升实时性,减少交通堵塞,提升交通流畅性。
Description
技术领域
本发明属于数据处理技术领域,具体涉及一种智慧城市的规划数据处理方法和***。
背景技术
交通枢纽点是城市或地区内的关键交通节点,通常是不同交通方式的交汇点,这些点在城市规划和交通优化中扮演着重要的角色,因为它们直接影响到城市交通***的流畅性和效率,交通枢纽点的位置选择和提前规划可以确保交通能够应付大流量场景。通行车流量是指某一段道路、街区、交叉口或交通枢纽点上经过的车辆数量,通常以单位时间内的车辆数来表示(例如,每小时通行的车辆数)。通行车流量是交通规划和交通管理的重要指标之一,它用于衡量交通拥堵程度、道路容量利用率、道路设计的合理性等。高通行车流量可能导致交通拥堵,降低交通效率,而低通行车流量可能表明一段道路或交叉口的资源利用不足。交通枢纽点的合理选择和通行车流量的合理规划有助于确保城市交通的高效运行,提升城市竞争力。
现有技术中,对于交通枢纽点的选择往往基于人为主观选择,主观性强,造成交通枢纽点载流量与预期不符,极易造成交通阻塞,影响市民出行,而且,对于多个车道的通行车流量分配往往是基于简单的经过车辆数量进行实时流量分配,准确率低,不能满足高峰车流量的合理控制。
发明内容
为了解决现有技术存在的对于交通枢纽点的选择往往基于人为主观选择,主观性强,造成交通枢纽点载流量与预期不符,极易造成交通阻塞,影响市民出行,而且,对于多个车道的通行车流量分配往往是基于简单的经过车辆数量进行实时流量分配,准确率低,不能满足高峰车流量的合理控制的技术问题,本发明提供一种智慧城市的规划数据处理方法和***。
第一方面
本发明提供了一种智慧城市的规划数据处理方法,包括:
S101:获取历史城市规划数据,其中,历史城市规划数据包括历史城市基础数据和相对应的历史规划方案,其中,历史城市基础数据包括各个区域的人口数量、车辆数量和不同时段的车流量,历史规划方案包括交通枢纽点和通行车流量;
S102:引入万有引力定律计算所有交通枢纽点的车辆吸引量,并将车辆吸引量大于预设车辆吸引量的停靠站点作为新的交通枢纽点,以对交通枢纽点进行修正;
S103:基于新的交通枢纽点,通过贝叶斯算法预测车辆向不同路线的转移概率,确定转移函数,以对通行车流量进行修正;
S104:建立基于随机森林的规划决策模型,并利用修正后的历史城市规划数据对规划决策模型进行训练;
S105:获取实时城市基础数据和数据传输延迟速率;
S106:根据实时城市规划数据的区域级别和区域车流量计算各个区域的数据处理优先级;
S107:以数据传输延迟速率最低为目标,建立网络资源分配模型,根据处理优先级对实时城市规划数据进行网络资源分配;
S108:基于分配的网络资源,利用训练后的规划决策模型对实时城市规划数据进行决策分析,得到新的交通枢纽点以及相应的通行车流量。
第二方面
本发明提供了一种智慧城市的规划数据处理***,用于执行第一方面中的智慧城市的规划数据处理方法。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,以现有交通枢纽点为基础,通过计算各个站点的车辆吸引量,科学设定新的交通枢纽点进行重点监控,为现有交通的提前规划提供重要基础吸引量数据。利用贝叶斯网络对路段车辆进行跟踪预测,实时描述各个路段的车辆通行状态,并根据车辆通行状态对各个路段进行通行车流量调整规划,避免交通拥堵,提升城市交通运行流畅性。此外,在进行规划据测模型训练之前进行历史规划方案的规划修正,使得训练出来的模型预测效果符合科学预期,提升模型预测准确率。另外,为了应对高并发通行车辆数据,通过结合区域级别和区域车流量计算数据处理优先级,基于优先级对采集数据进行分级处理,对于重要的区域分配较高的优先级进行优先处理,最大程度的保证重要交通点的正常运行,确保城市规划的合理性、有效性和及时性。科学设定新的交通枢纽点和相应的通行车流量,根据区域级别有序的进行网络资源调度,提升城市规划数据实时性,减少交通堵塞,提升城市交通运行流畅性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种智慧城市的规划数据处理方法的流程示意图;
图2是本发明提供的一种利用万有引力定律计算车辆吸引量的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中,参考说明书附图1,示出了本发明提供的智慧城市的规划数据处理方法的流程示意图。
本发明提供的一种智慧城市的规划数据处理方法,包括:
S101:获取历史城市规划数据。
其中,历史城市规划数据包括历史城市基础数据和相对应的历史规划方案。
其中,历史城市基础数据包括各个区域的人口数量、车辆数量和不同时段的车流量,历史规划方案包括交通枢纽点和通行车流量。
需要说明的是,历史城市基础数据包括城市的基本信息,如各个区域的人口数量、车辆数量以及在不同时段的车流量。这些信息对城市规划和交通管理非常重要,因为它们提供了关于城市居民数量、交通需求和车辆密度等方面的基本了解。历史规划方案包括过去的城市规划方案,特别是关于交通枢纽点和通行车流量的信息。通过建立智慧城市规划的数据基础,以便进行后续的数据处理和决策分析,从而实现更有效的城市规划和交通管理,可以帮助城市更好地实时地应对人口增长和交通需求的挑战。
参考说明书附图2,示出了本发明提供的一种利用万有引力定律计算车辆吸引量的结构示意图。
图2中给出了计算车辆吸引量用到的同心带模型,圆心代表的是现有的交通枢纽点Pi,每一个圆代表一层根据与交通枢纽点距离划分的取样范围,以现有线网客流调查结果为依据,车站对乘客的吸引范围为以车站为圆心,以R为半径的圆面,称之为车辆吸引圈,为了降低数据的调查难度,在多个同心带中,划分出了一个矩形取样范围,进而科学的获取每个交通枢纽点的车辆吸引量,为城市交通规划提供重要的基础数据。
S102:引入万有引力定律计算所有交通枢纽点的车辆吸引量,并将车辆吸引量大于预设车辆吸引量的停靠站点作为新的交通枢纽点,以对交通枢纽点进行修正。
需要说明的是,通过引入吸引力计算和选择最具吸引力的地点来优化城市的交通枢纽点,对历史规划出的交通枢纽点进行合理评估,确定出新的交通枢纽点,投入更多的规划资源,比如人力物力,以更好地满足城市的交通需求和改进城市规划,有助于提高城市的交通效率和便利性。
在一种可能的实施方式中,S102具体包括:
S1021:建立基于距离的交通枢纽点的多个同心带;
S1022:将人口数量和车辆数量均处于同心带中等水平的子同心带划分为数据源;
S1023:结合数据源的出行人员需求指数和交通枢纽点的吸引指数,引入万有引力定律,计算各交通枢纽点的车辆吸引量:
其中,Api表示车辆吸引量,qj表示调查区域内第j个出行人员的需求指数,通过调查获得,其中,j=1,2,···,J,硬需求为办公需求,软需求包括为其他需求,Qi表示交通枢纽点的吸引指数,特殊站包括换乘站、景区站、商业区站和区域中心站,普通站为其他站,rk为第k层子同心带的半径,其中,k=1,2,···,K;表示第k-1层至k层所对应的子同心带的半径,Sd表示数据源的来源面积,/>表示第i个交通枢纽点的k-1层至k层子同心带的面积,α表示调整系数,由现有交通枢纽点的数据源测试获得;
S1024:按车辆吸引量的大小,由大到小获取预设数量的交通枢纽点作为新的交通枢纽点,其中,新的交通枢纽点的车辆吸引量大于预设车辆吸引量。
具体地,首先,城市被划分成多个同心带,其中同心带是以交通枢纽点为中心的圆形区域,这些同心带具有不同的半径,可以根据城市的特定需求和结构进行设置。具体可以根据城市规模调整同心带的数量,对于大型城市,可以划分更多的同心带,因为它们可能需要更多的交通枢纽点来满足人们的交通需求,相反,小型城市可能只需要较少的同心带和交通枢纽点。也根据人口分布和密度进行划分,在人口密集的地区,可以增加同心带的数量以满足更高的交通需求。还可以根据交通需求和特殊区域来定制,有些城市可能有特殊的区域,如商业中心、工业区、景区等,这些区域的交通需求可能与其他地区不同。因此,同心带的划分可以根据这些特殊区域来定制,以确保它们得到适当的交通枢纽支持。根据不同城市的具体情况来进行个性化的调整和优化,以满足城市的特定需求和结构,有助于确保城市的规划更符合实际情况,提高城市的交通效率和生活质量。然后,选择人口数量和车辆数量都处于中等水平的子同心带,将其作为数据源,这些子同心带可能涵盖了城市的不同地区,这些地区是城市规划和交通管理的重要区域。结合了出行人员需求指数和交通枢纽点的吸引指数,计算每个交通枢纽点的车辆吸引量,这些指数和数据用于估算交通枢纽点对周围车辆的吸引力,包括硬需求(如办公需求)和软需求(其他需求),这一计算有助于确定哪些交通枢纽点吸引了更多的车辆。最后,在这一步骤,根据计算得到的车辆吸引量,从高到低按顺序选择预设数量的新交通枢纽点,只有那些车辆吸引量大于预设阈值的交通枢纽点才会被选中作为新的交通枢纽点,这样可以确保只有最具吸引力的地点被纳入交通规划中。
S103:基于新的交通枢纽点,通过贝叶斯算法预测车辆向不同路线的转移概率,确定转移函数,以对通行车流量进行修正。
需要说明的是,贝叶斯算法是一种统计学方法,用于估计事物的概率,尤其是在不确定性条件下。在城市规划和交通领域中,它可以用于估计车辆在不同道路或路径上的选择概率。由于城市交通涉及众多的随机变量和不确定性因素,例如交通拥堵、交通枢纽点的选择和车辆行为,贝叶斯算法是一种有效的方式来处理这些不确定性,允许基于现有数据来估计未来事件的概率。城市交通规划中,可以使用贝叶斯网络来描述不同因素之间的关系,如车辆行驶选择和道路拥堵之间的关系。这有助于建立更复杂的模型,以更好地理解城市交通。而且贝叶斯方法允许基于数据来进行决策。通过不断更新模型,可以根据实际观测数据来修正和改进车辆选择路径的概率分布,从而更好地反映实际情况。
城市交通是复杂的,交通模型可能无法完美地预测车辆的行为,贝叶斯算法可以在不断观测实际数据的基础上,不断更新概率分布,以更好地适应城市交通的动态性,从实际数据中学到更多信息,以更准确地预测车辆的路径选择,从而更好地规划城市的交通***,提高交通效率和解决交通问题。
在一种可能的实施方式中,S103具体包括:
S1031:以通行车的出行距离作为待预测路段的压力描述函数,并结合压力描述函数确定通行车流量的描述模型:
其中,Qa表示描述模型,λij表示交通枢纽点i至交通枢纽点j的通行车流量,表示通行车流量中经过路段a的车辆比例,m表示路段a中的子路段数量,n表示交通分区总数量,f(dij)表示压力描述函数,dij表示交通枢纽点i至交通枢纽点j的通行距离;
S1032:基于同行距离建立约束矩阵,推导描述模型的约束函数:
其中,μi和μj分别表示约束矩阵的行列约束函数,Yi表示交通枢纽点i的通行产生量,Xj表示交通枢纽点j的交通吸引量;
S1033:根据约束函数确定子路段通行量:
λij=μiμjYiXjf(dij);
S1034:将子路段通行量带入描述模型,得到具有压力描述函数的描述模型:
S1035:建立基于通行车辆基本属性的贝叶斯网络,其中,基本属性包括通行车辆的移动速度、位置、移动精度和观测精度;
S1036:基于贝叶斯网络推导虚拟分布函数和后验概率密度函数,进而确定虚拟分布函数和后验概率密度函数二者对称中心之间距离:
其中,dk[u||v]表示对称中心之间距离,θt表示代表基本属性的全局变量,u(θt)表示虚拟分布函数,表示后验概率密度函数,Pt表示在观测精度下的观测值后验概率,表示第c个全局变量,/>表示第c个全局变量的最佳逼近结果,u(xt)表示通行车辆位置,/>表示通行车辆的位置期望值,u(st)表示通行车辆的移动速度,u(εt)表示通行车辆的移动精度,u(ht)表示通行车辆的观测精度;
S1037:利用虚拟分布函数和后验概率密度函数二者对称中心之间距离,确定全局变量中的单变量的最佳变分近似值,以对后验概率密度函数进行优化:
其中,γ表示先验参数,u(γ)表示最佳变分近似值,h(γ)表示贝叶斯网络中的马尔科夫毯;
S1038:引入基于通行量密度的贝叶斯网络平衡系数,确定平衡系数的约束条件:
其中,K表示贝叶斯网络平衡系数,ta(ρ)表示通行流量密度为ρ的交通时长,t1>t0,表示(r,s)路径上贝叶斯网络节点g的最佳变分近似值,/>表示路径rs的平均通行距离,/>表示指示性变量;
S1039:利用拉格朗日方程验证平衡系数的约束方程与贝叶斯网络平衡系数的等价性指标:
其中,D(u,η)表示拉格朗日函数,表示路径rs的阻抗函数,η表示拉格朗日乘子;
S103X:结合等价性指标,确定转移条件,将贝叶斯网络平衡系数作为转移函数,对通行车流量进行修正,转移条件为:
其中,当转移条件值为0时,表示存在最佳变分近似值为0,以贝叶斯网络平衡系数最小化为目标,利用转移函数对通行流量密度和交通时长进行增流修正,当转移条件值大于0时,以贝叶斯网络平衡系数最小化为目标,利用转移函数对通行流量密度和交通时长进行减流修正。
具体地,首先,需要建立一个贝叶斯网络,该网络包括各种变量,如移动目标的位置、速度、加速度、观测数据等,这些变量之间的关系通过概率分布建模,用于描述移动目标的状态演变和观测之间的依赖关系,接下来使用变分贝叶斯推断方法来估计移动目标的状态,这种方法允许通过近似推断来估计未知变量的后验概率分布,因为通常这些后验分布无法精确计算。在变分贝叶斯推断的框架下,通常采用奇异距离准则来优化模型,奇异距离是一种用于比较两个概率分布之间的差异的方法。通过最小化虚拟分布函数和后验概率密度函数之间的奇异距离,可以调整虚拟分布函数以更好地拟合观测数据,从而提高跟踪的准确性。根据奇异距离最小化的结果,将全局变量的虚拟分布函数分解为单变量的最佳变分近似值,这意味着针对不同的属性,例如位置、速度等,可以估计最佳的变量值。通过贝叶斯网络,将观测数据与模型的估计结果进行数据融合,这有助于校正可能存在的位置偏差,从而更好地跟踪移动目标的实时位置。这个模型是实时的,可以不断更新和追踪移动目标的状态,随着新的观测数据的到来,模型可以在不断迭代中提供更准确的跟踪结果,以反映移动目标的实际状态。使用贝叶斯网络和变分贝叶斯推断,结合奇异距离最小化来动态估计和跟踪移动目标的状态,这个过程允许模型实时更新,以提供更准确的位置和属性信息,用于城市交通规划和决策支持。
S104A:对修正后的历史城市规划数据进行预处理,其中,预处理包括数据清洗、数据转换、特征提取、数据集划分和数据标签化。
需要说明的是,通常历史城市规划数据不可避免的包含错误、缺失或不一致的信息,数据清洗的目的是识别和修复这些问题,以确保数据的质量,这可能包括去除重复数据、处理缺失值、修正错误数据等。原始数据可能需要进行变换,以适应建模的需求,例如,将数据归一化,进行对数变换,或者将分类数据编码成数字,以便于机器学习算法的处理。在特征提取这一步,从原始数据中提取有用的特征,以用于模型的训练,特征可以是原始数据中的某些属性或者经过计算得到的属性,选择合适的特征对模型性能至关重要。之后将数据集划分成训练集和测试集,通常采用交叉验证的方法,训练集用于建立规划决策模型,而测试集用于评估模型的性能。在监督学习中,目标变量通常需要进行标签化,以指示预测的目标。这通常是在数据集中的一个列,对应于所要预测的规划决策或结果。
数据清洗和特征提取可以提高模型的性能,数据集的划分和标签化有助于监督学习中模型的训练和评估,这些步骤是为了确保修正后的历史城市规划数据能够有效地用于建立规划决策模型,提高决策的准确性和鲁棒性。
S104:建立基于随机森林的规划决策模型,并利用修正后的历史城市规划数据对规划决策模型进行训练。
其中,随机森林是一种强大的机器学习技术,它可以处理大规模数据和高维特征,具有较高的性能,它可以捕捉数据中的复杂关系,从而提供更好的决策支持。通过建立一个数据驱动的、性能良好的城市规划决策模型,学习修正后的数据规划特征,提高城市规划决策的准确性、适应性和客观性,使城市规划更具科学性和实用性。
在一种可能的实施方式中,S104具体包括:
S1041:将历史城市基础数据作为样本数据,以修正后的历史城市规划数据作为目标变量,生成多颗决策树:
其中,Ti表示节点拆分值,y1和y2分别表示历史城市基础数据对应的初始目标变量值,v1和v2表示拆分后形成的子节点目标变量值,x表示决策树数量;
S1042:将各个决策树进行拼接,得到规划决策模型:
其中,T表示规划决策模型的决策结果值;
S1043:利用修正后的历史城市规划数据对规划决策模型进行训练。
在一种可能的实施方式中,S104还包括:
S1044:设置模型训练周期,重复S1043,直至规划决策模型的预测准确率大于预设准确率。
需要说明的是,规划决策模型是数据驱动的,这意味着它基于实际观测数据进行训练,而不是依赖于人工规则或主观判断,这有助于提高决策的客观性和准确性。通过利用历史城市规划数据,模型可以适应城市的变化和不断更新的数据,使得决策***具有适应性,能够根据城市的实际情况做出决策。设置模型训练周期,允许多次训练模型并根据预测准确率的提高来优化模型,这确保了决策模型在持续学习和改进中,以适应城市规划领域的不断变化。
S105:获取实时城市基础数据和数据传输延迟速率。
其中,数据传输延迟速率是指数据从发送端传输到接收端所需的时间延迟,通常以毫秒(ms)为单位表示。这个延迟速率包括了多种因素,这些因素会影响数据从一个地方传输到另一个地方的速度。数据传输延迟速率是网络通信中一个关键的性能指标,特别在需要实时数据传输的交通流量分配应用中,以为进一步的城市实时规划决策提供可优化参量。
S106:根据实时城市规划数据的区域级别和区域车流量计算各个区域的数据处理优先级。
需要说明的是,通过为不同区域分配不同的数据处理优先级,城市规划者可以更好地分配资源,以满足各个区域的需求,这有助于优化城市的基础设施和资源利用,提高城市的整体效率,确保规划和决策是基于实际情况的。这有助于提高决策的准确性,避免了过时或不准确的数据对城市规划的不利影响。通过为不同区域分配不同的数据处理优先级,城市规划者可以更好地满足不同区域的需求,这种差异化的处理有助于更好地满足不同区域级别的需求,满足实时性要求较高的区域数据处理流畅度,以增加数据处理和反馈速度,及时有效的做出合理决策。
在一种可能的实施方式中,区域级别包括中心区、住宅区、商业区和工业区。
S106具体包括:
S1061:根据各个区域级别的外出活跃程度以及个人支出活跃度,确定各个区域级别的相对重要性权重:
其中,εi表示不同区域级别的相对重要性权重,o1和o2分别表示周期内的外出人员数量和外出人员支出次数,ta和tb分别表示周期内的人员外出间隔时长和支出间隔时长,m表示每次支出的成交金额;
S1062:结合周期内的区域车流量、通行期限和总金额支出,计算相对重要性权重的影响因子:
其中,ε'表示影响因子,ψ1,ψ2表示任务效益权重因子,m总表示周期内总金额支出,t0表示通行期限代表通行紧急程度,λ表示周期内区域车流量;
S1063:将相对重要性权重和影响因子相乘,得到各个区域的数据处理优先级:
Li=ε*ε′
其中,Li表示数据处理优先级。
具体地,这一步骤根据各个城市区域级别的外出活跃程度和个人支出活跃度来确定它们的相对重要性权重。相对重要性权重用于表示每个区域级别在城市规划中的相对重要性,外出活跃程度、个人支出活跃度、人员外出间隔时长和支出间隔时长等因素都会对权重产生影响,综合考虑周期内的区域车流量、通行期限和总金额支出等因素,以计算相对重要性权重的影响因子。影响因子表示每个区域级别的权重在城市规划中的实际影响程度,通行期限通常代表通行的紧急程度,而总金额支出表示了在该区域内的经济活动水平。这些因素对权重的影响会在这一步中计算。最后将前两步得到的相对重要性权重和影响因子相乘,以确定每个城市区域的数据处理优先级。数据处理优先级(Li)表示每个区域在城市规划中应该获得的重点关注程度,通过将权重与影响因子相乘,可以确定哪些区域在规划中具有更高的优先级,以确保资源和决策更加精细地分配。根据外出活跃程度、支出活跃度、车流量和其他因素,为城市中的不同区域确定数据处理的优先级,以便更好地规划和管理城市交通和资源,这有助于确保城市规划更加符合实际需求和重要性
S107:以数据传输延迟速率最低为目标,建立网络资源分配模型,根据处理优先级对实时城市规划数据进行网络资源分配。
可以理解的是,通过合理的网络资源分配,使数据传输的延迟速率降到最低水平,以确保实时城市规划数据能够高效传输和处理,有助于保持城市规划数据的准确性和实效性,以支持城市的决策制定和规划工作。
在一种可能的实施方式中,S107具体包括:
S1071:获取实时可用网络资源;
S1072:建立具有上限约束的网络资源分配模型:
其中,xij表示网络资源j分配至区域i的网络资源决策变量,表示实时可用网络资源Rj,Z表示数据传输延迟速率,φ表示延迟速率判定系数;
S1073:通过线性规划求解网络资源分配模型,得到分配至不同区域的网络资源。
具体地,获取实际可用的网络资源,可以包括网络带宽、服务器容量、存储资源等等,这些资源用于传输城市规划数据,但它们可能是有限的,因此需要进行有效的分配以确保最低的数据传输延迟。建立具有上限约束的网络资源分配模型,在这一步,一个数学模型被建立,用于描述如何将可用的网络资源分配给不同的城市规划数据区域,模型中包括决策变量,其中决策变量表示将多少网络资源分配给每个区域,同时,也包括了一个延迟速率判定系数Z,这是一个重要的变量,它用于衡量数据传输的延迟速率,上限约束是因为资源是有限的,不能无限分配,符合实际情况。使用线性规划方法,以优化决策变量,即如何分配网络资源,以实现最低数据传输延迟速率的目标,线性规划是一种优化技术,用于在满足各种约束条件的情况下,找到最佳的决策变量值,通过解决线性规划问题,可以找到最佳的网络资源分配方案,以确保数据传输延迟速率尽可能低,提升城市规划数据的通信延迟,在有限的网络资源下,最大程度的确保城市交通的实时性决策。
S108:基于分配的网络资源,利用训练后的规划决策模型对实时城市规划数据进行决策分析,得到新的交通枢纽点以及相应的通行车流量。
需要说明的是,在之前的步骤S107中,已经完成了网络资源的分配,即确定了各个城市规划数据区域应该分配多少网络资源,这些网络资源包括带宽、服务器容量、存储资源等。在步骤S104中,已经建立了一个规划决策模型,并且经过了训练,这个模型使用历史城市规划数据进行训练,以预测最佳的决策,例如确定哪些地点应该成为新的交通枢纽点。训练好的规划决策模型使用实时城市规划数据,这些实时数据可能包括人口流动、交通状况、城市规划变化等等,模型分析这些实时数据并进行决策分析,以确定在当前情况下哪些地点应该成为新的交通枢纽点,得到新的交通枢纽点和通行车流量。通过这种方式可以提升城市规划数据的决策自动化程度,高效有序的反馈并决策交通的实时状况。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,以现有交通枢纽点为基础,通过计算各个站点的车辆吸引量,科学设定新的交通枢纽点进行重点监控,为现有交通的提前规划提供重要基础吸引量数据。利用贝叶斯网络对路段车辆进行跟踪预测,实时描述各个路段的车辆通行状态,并根据车辆通行状态对各个路段进行通行车流量调整规划,避免交通拥堵,提升城市交通运行流畅性。此外,在进行规划据测模型训练之前进行历史规划方案的规划修正,使得训练出来的模型预测效果符合科学预期,提升模型预测准确率。另外,为了应对高并发通行车辆数据,通过结合区域级别和区域车流量计算数据处理优先级,基于优先级对采集数据进行分级处理,对于重要的区域分配较高的优先级进行优先处理,最大程度的保证重要交通点的正常运行,确保城市规划的合理性、有效性和及时性。科学设定新的交通枢纽点和相应的通行车流量,根据区域级别有序的进行网络资源调度,提升城市规划数据实时性,减少交通堵塞,提升城市交通运行流畅性。
实施例2
在一个实施例中,本发明提供的一种智慧城市的规划数据处理***,用于执行实施例1中的智慧城市的规划数据处理方法。
本发明提供的一种智慧城市的规划数据处理***可以实现上述实施例1中的智慧城市的规划数据处理方法的步骤和效果,为避免重复,本发明不再赘述。
与现有技术相比,本发明至少具有以下有益技术效果:
在本发明中,以现有交通枢纽点为基础,通过计算各个站点的车辆吸引量,科学设定新的交通枢纽点进行重点监控,为现有交通的提前规划提供重要基础吸引量数据。利用贝叶斯网络对路段车辆进行跟踪预测,实时描述各个路段的车辆通行状态,并根据车辆通行状态对各个路段进行通行车流量调整规划,避免交通拥堵,提升城市交通运行流畅性。此外,在进行规划据测模型训练之前进行历史规划方案的规划修正,使得训练出来的模型预测效果符合科学预期,提升模型预测准确率。另外,为了应对高并发通行车辆数据,通过结合区域级别和区域车流量计算数据处理优先级,基于优先级对采集数据进行分级处理,对于重要的区域分配较高的优先级进行优先处理,最大程度的保证重要交通点的正常运行,确保城市规划的合理性、有效性和及时性。科学设定新的交通枢纽点和相应的通行车流量,根据区域级别有序的进行网络资源调度,提升城市规划数据实时性,减少交通堵塞,提升城市交通运行流畅性。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种智慧城市的规划数据处理方法,其特征在于,包括:
S101:获取历史城市规划数据,其中,所述历史城市规划数据包括历史城市基础数据和相对应的历史规划方案,其中,所述历史城市基础数据包括各个区域的人口数量、车辆数量和不同时段的车流量,所述历史规划方案包括交通枢纽点和通行车流量;
S102:引入万有引力定律计算所有交通枢纽点的车辆吸引量,并将车辆吸引量大于预设车辆吸引量的停靠站点作为新的交通枢纽点,以对所述交通枢纽点进行修正;
S103:基于新的交通枢纽点,通过贝叶斯算法预测车辆向不同路线的转移概率,确定转移函数,以对所述通行车流量进行修正;
S104:建立基于随机森林的规划决策模型,并利用修正后的历史城市规划数据对所述规划决策模型进行训练;
S105:获取实时城市基础数据和数据传输延迟速率;
S106:根据所述实时城市规划数据的区域级别和区域车流量计算各个区域的数据处理优先级;
S107:以所述数据传输延迟速率最低为目标,建立网络资源分配模型,根据所述处理优先级对所述实时城市规划数据进行网络资源分配;
S108:基于分配的网络资源,利用训练后的规划决策模型对所述实时城市规划数据进行决策分析,得到新的交通枢纽点以及相应的通行车流量。
2.根据权利要求1所述的智慧城市的规划数据处理方法,其特征在于,所述S102具体包括:
S1021:建立基于距离的所述交通枢纽点的多个同心带;
S1022:将人口数量和车辆数量均处于所述同心带中等水平的子同心带划分为数据源;
S1023:结合所述数据源的出行人员需求指数和交通枢纽点的吸引指数,引入万有引力定律,计算各所述交通枢纽点的车辆吸引量:
其中,Api表示所述车辆吸引量,qj表示所述调查区域内第j个出行人员的需求指数,通过调查获得,其中,j=1,2,···,J,所述硬需求为办公需求,所述软需求包括为其他需求,Qi表示所述交通枢纽点的吸引指数,所述特殊站包括换乘站、景区站、商业区站和区域中心站,所述普通站为其他站,rk为第k层子同心带的半径,其中,k=1,2,···,K;表示第k-1层至k层所对应的子同心带的半径,Sd表示数据源的来源面积,表示第i个所述交通枢纽点的k-1层至k层所述子同心带的面积,α表示调整系数,由现有所述交通枢纽点的数据源测试获得;
S1024:按所述车辆吸引量的大小,由大到小获取预设数量的交通枢纽点作为新的交通枢纽点,其中,新的交通枢纽点的车辆吸引量大于预设车辆吸引量。
3.根据权利要求1所述的智慧城市的规划数据处理方法,其特征在于,所述S103具体包括:
S1031:以通行车的出行距离作为待预测路段的压力描述函数,并结合所述压力描述函数确定通行车流量的描述模型:
其中,Qa表示所述描述模型,λij表示交通枢纽点i至交通枢纽点j的通行车流量,表示通行车流量中经过路段a的车辆比例,m表示路段a中的子路段数量,n表示交通分区总数量,f(dij)表示所述压力描述函数,dij表示交通枢纽点i至交通枢纽点j的通行距离;
S1032:基于所述同行距离建立约束矩阵,推导所述描述模型的约束函数:
其中,μi和μj分别表示所述约束矩阵的行列约束函数,Yi表示交通枢纽点i的通行产生量,Xj表示交通枢纽点j的交通吸引量;
S1033:根据所述约束函数确定子路段通行量:
λij=μiμjYiXjf(dij);
S1034:将所述子路段通行量带入所述描述模型,得到具有压力描述函数的描述模型:
S1035:建立基于通行车辆基本属性的贝叶斯网络,其中,所述基本属性包括通行车辆的移动速度、位置、移动精度和观测精度;
S1036:基于所述贝叶斯网络推导虚拟分布函数和后验概率密度函数,进而确定所述虚拟分布函数和所述后验概率密度函数二者对称中心之间距离:
其中,dk[u||v]表示对称中心之间距离,θt表示代表所述基本属性的全局变量,u(θt)表示所述虚拟分布函数,表示所述后验概率密度函数,Pt表示在所述观测精度下的观测值后验概率,/>表示第c个全局变量,/>表示第c个全局变量的最佳逼近结果,u(xt)表示通行车辆位置,/>表示通行车辆的位置期望值,u(st)表示通行车辆的移动速度,u(εt)表示通行车辆的移动精度,u(ht)表示通行车辆的观测精度;
S1037:利用所述虚拟分布函数和所述后验概率密度函数二者对称中心之间距离,确定所述全局变量中的单变量的最佳变分近似值,以对所述后验概率密度函数进行优化:
其中,γ表示先验参数,u(γ)表示所述最佳变分近似值,h(γ)表示所述贝叶斯网络中的马尔科夫毯;
S1038:引入基于通行量密度的贝叶斯网络平衡系数,确定所述平衡系数的约束条件:
其中,K表示所述贝叶斯网络平衡系数,ta(ρ)表示通行流量密度为ρ的交通时长,t1>t0,表示(r,s)路径上贝叶斯网络节点g的最佳变分近似值,/>表示路径rs的平均通行距离,/>表示指示性变量;
S1039:利用拉格朗日方程验证平衡系数的约束方程与所述贝叶斯网络平衡系数的等价性指标:
其中,D(u,η)表示拉格朗日函数,表示路径rs的阻抗函数,η表示拉格朗日乘子;
S103X:结合所述等价性指标,确定转移条件,将所述贝叶斯网络平衡系数作为所述转移函数,对所述通行车流量进行修正,所述转移条件为:
其中,当转移条件值为0时,表示存在最佳变分近似值为0,以所述贝叶斯网络平衡系数最小化为目标,利用所述转移函数对所述通行流量密度和所述交通时长进行增流修正,当转移条件值大于0时,以所述贝叶斯网络平衡系数最小化为目标,利用所述转移函数对所述通行流量密度和所述交通时长进行减流修正。
4.根据权利要求1所述的智慧城市的规划数据处理方法,其特征在于,所述S104具体包括:
S1041:将所述历史城市基础数据作为样本数据,以修正后的历史城市规划数据作为目标变量,生成多颗决策树:
其中,Ti表示节点拆分值,y1和y2分别表示所述历史城市基础数据对应的初始目标变量值,v1和v2表示拆分后形成的子节点目标变量值,x表示决策树数量;
S1042:将各个决策树进行拼接,得到所述规划决策模型:
其中,T表示所述规划决策模型的决策结果值;
S1043:利用修正后的历史城市规划数据对所述规划决策模型进行训练。
5.根据权利要求4所述的智慧城市的规划数据处理方法,其特征在于,所述S104还包括:
S1044:设置模型训练周期,重复所述S1043,直至所述规划决策模型的预测准确率大于预设准确率。
6.根据权利要求1所述的智慧城市的规划数据处理方法,其特征在于,所述区域级别包括中心区、住宅区、商业区和工业区;
所述S106具体包括:
S1061:根据各个区域级别的外出活跃程度以及个人支出活跃度,确定各个区域级别的相对重要性权重:
其中,εi表示不同区域级别的相对重要性权重,o1和o2分别表示周期内的外出人员数量和外出人员支出次数,ta和tb分别表示周期内的人员外出间隔时长和支出间隔时长,m表示每次支出的成交金额;
S1062:结合周期内的区域车流量、通行期限和总金额支出,计算所述相对重要性权重的影响因子:
其中,ε'表示所述影响因子,ψ1,ψ2表示任务效益权重因子,m总表示周期内总金额支出,t0表示通行期限代表通行紧急程度,λ表示周期内区域车流量;
S1063:将所述相对重要性权重和所述影响因子相乘,得到各个区域的数据处理优先级:
Li=ε*ε′
其中,Li表示所述数据处理优先级。
7.根据权利要求1所述的智慧城市的规划数据处理方法,其特征在于,所述S107具体包括:
S1071:获取实时可用网络资源;
S1072:建立具有上限约束的网络资源分配模型:
其中,xij表示网络资源j分配至区域i的网络资源决策变量,表示所述实时可用网络资源Rj,Z表示所述数据传输延迟速率,φ表示延迟速率判定系数;
S1073:通过线性规划求解所述网络资源分配模型,得到分配至不同区域的网络资源。
8.根据权利要求1所述的智慧城市的规划数据处理方法,其特征在于,在所述S104之前还包括:
S104A:对修正后的历史城市规划数据进行预处理,其中,所述预处理包括数据清洗、数据转换、特征提取、数据集划分和数据标签化。
9.一种智慧城市的规划数据处理***,其特征在于,用于执行权利要求1至8任一项所述的智慧城市的规划数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311765337.7A CN117912235A (zh) | 2023-12-21 | 2023-12-21 | 一种智慧城市的规划数据处理方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311765337.7A CN117912235A (zh) | 2023-12-21 | 2023-12-21 | 一种智慧城市的规划数据处理方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117912235A true CN117912235A (zh) | 2024-04-19 |
Family
ID=90688780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311765337.7A Pending CN117912235A (zh) | 2023-12-21 | 2023-12-21 | 一种智慧城市的规划数据处理方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117912235A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106254273A (zh) * | 2016-08-09 | 2016-12-21 | 清华大学深圳研究生院 | 一种数据中心网络流的调度方法和*** |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN115018148A (zh) * | 2022-06-01 | 2022-09-06 | 北京交通大学 | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及*** |
CN116823578A (zh) * | 2023-07-17 | 2023-09-29 | 鲁友燕 | 基于大数据分析的智能城市规划***和方法 |
KR20230146418A (ko) * | 2022-04-12 | 2023-10-19 | 경기대학교 산학협력단 | 플렉스존 운영 시스템 및 운영 방법 |
CN117195484A (zh) * | 2023-08-08 | 2023-12-08 | 广东贝能达交通设备有限公司 | 一种轨道交通管理方法及*** |
-
2023
- 2023-12-21 CN CN202311765337.7A patent/CN117912235A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106254273A (zh) * | 2016-08-09 | 2016-12-21 | 清华大学深圳研究生院 | 一种数据中心网络流的调度方法和*** |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
KR20230146418A (ko) * | 2022-04-12 | 2023-10-19 | 경기대학교 산학협력단 | 플렉스존 운영 시스템 및 운영 방법 |
CN115018148A (zh) * | 2022-06-01 | 2022-09-06 | 北京交通大学 | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及*** |
CN116823578A (zh) * | 2023-07-17 | 2023-09-29 | 鲁友燕 | 基于大数据分析的智能城市规划***和方法 |
CN117195484A (zh) * | 2023-08-08 | 2023-12-08 | 广东贝能达交通设备有限公司 | 一种轨道交通管理方法及*** |
Non-Patent Citations (2)
Title |
---|
赵焜松: "软件众包任务发布优先级计算方法", 计算机应用, 3 April 2018 (2018-04-03) * |
赵芳琴: "基于贝叶斯网络的城市交通规划辅助决策模型", 山东交通学院学报, 27 July 2021 (2021-07-27) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782070B (zh) | 一种城市轨道交通突发事件客流时空分布预测方法 | |
CN111709566A (zh) | 一种银行网点业务预测及调度方法 | |
Khosravi et al. | Prediction intervals to account for uncertainties in travel time prediction | |
CN111768030B (zh) | 银行运输配送线路规划方法和装置、设备以及介质 | |
CN107610464A (zh) | 一种基于高斯混合时间序列模型的轨迹预测方法 | |
JP2019145087A (ja) | 交換可能エネルギー貯蔵装置に対する需要を予測するためのシステムおよび方法 | |
CN115018148A (zh) | 一种基于数字孪生模型的城市轨道交通线网客流分布预测方法及*** | |
KR102392054B1 (ko) | 쓰레기 운반 차량의 최적 경로 추천 방법 및 시스템 | |
CN116703093A (zh) | 一种配网物资储备管理和配送*** | |
Wilbur et al. | An online approach to solve the dynamic vehicle routing problem with stochastic trip requests for paratransit services | |
CN115269758A (zh) | 面向乘客诱导的路网客流状态推演方法及*** | |
CN111260161B (zh) | 一种众包任务下发的方法及设备 | |
CN116629413B (zh) | 基于随机森林及Dijkstra的移动充电装置全局最优自动部署方法 | |
CN117422274A (zh) | 综合能源***运行优化***及方法 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN112819228A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
CN117912235A (zh) | 一种智慧城市的规划数据处理方法和*** | |
CN111144611A (zh) | 一种基于聚类和非线性自回归的空间负荷预测方法 | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
Rasaizadi et al. | The ensemble learning process for short-term prediction of traffic state on rural roads | |
CN116957166B (zh) | 一种基于鸿蒙***的隧道交通情况预测方法及*** | |
Du et al. | Fuzzy bi-objective chance-constrained programming model for timetable optimization of a bus route | |
CN116703008B (zh) | 一种用于新建公路的交通出行量预测方法、设备及介质 | |
Dogan et al. | Comparison of different approaches in traffic forecasting models for the D-200 highway in Turkey | |
CN118134172A (zh) | 一种城市公共资源管理与调配*** |
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 |