【技术实现步骤摘要】
本专利技术涉及交通信息，更具体地说，本专利技术涉及一种基于高精地图的综合交通运行特征时空关联度分析算法。
技术介绍
1、随着交通信息化的发展，大量的交通数据被采集并存储在各类系统中。然而，由于缺乏有效的数据分析工具和方法，这些数据往往难以得到充分利用。特别是跨行业、跨领域、跨时空维度的数据关联分析，对于提高交通行业监管效率和决策质量具有重要意义。
2、高精度地图在交通领域的应用日益广泛。高精度地图不仅提供了丰富的地理空间信息，还具备高精度的时间信息，为交通运行特征的时空分布和时空关联度分析提供了强有力的支撑。
3、高精度地图以厘米级精度和车道级语义信息表示道路环境，这种高精度和详细性为自动驾驶、交通监控、路径规划提供了重要支持。随着用户对出行体验的要求不断提高，高精地图的时空分布特征分析将更加注重满足用户的个性化需求，提供定制化的交通服务。通过高精地图的时空分布特征分析，可以实时监控道路交通状况，优化交通流量分配，提升道路通行能力和交通效率。通过分析高精地图的时空分布特征，揭示城市交通运行规律和发展趋势，为城市规划、交通政策制定等提供科学依据。
技术实现思路
1、本专利技术针对现有技术中存在的技术问题，提供一种基于高精地图的综合交通运行特征时空关联度分析算法，以解决上述
技术介绍
中提出的问题。
2、本专利技术解决上述技术问题的技术方案如下：一种基于高精地图的综合交通运行特征时空关联度分析算法，包括以下步骤：
3、s101.通过交通管理部
4、s102.将收集的数据进行空间定位、点对点映射以及标记时间戳，通过要素关联实现空间位置的匹配，结合时间戳标记整合形成综合交通时空数据，创建综合时空交通数据的运行知识库以及可视化界面展示综合交通时空数据；
5、s103.利用空间自相关分析计算地区与其周边地区属性的相关性，利用时空关联矩阵分析通过综合交通时空数据的协方差矩阵刻画时空关联度，利用k-最近邻算法通过测量不同的综合交通时空数据的特征值之间距离预测某地点在未来某个时间点的交通状态；
6、s104.总结空间自相关分析、时空关联矩阵分析以及k-最近邻算法并基于时空关联度分析结果，为下一步行业监管政策的制定、行业发展方向的规划提供依据，辅助决策支持；
7、在一个优选地实施方式中，所述s101中，通过交通管理部门收集客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据以及行业监管数据并记录当前的数据收集的时间戳，采用商业地图提供商的api接口收集高精地图数据并记录当前的数据收集的时间戳。
8、进一步地，检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据是否存在空值和缺失值，检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的取值范围是否在有效范围内，通过唯一性和一致性的约束条约检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据是否存在异常和重复记录。
9、进一步地，对于客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的空值和缺失值，则删除对应数据记录，并利用均值填充法对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据进行对应填充，对于客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的取值范围在无效范围以及存在异常和重复记录，则删除对应数据记录。
10、在一个优选地实施方式中，所述s102中，对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据以及行业监管数据进行空间定位，并与高精地图数据进行点对点映射，对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的时间戳进行标记，并记录当前的数据收集的具体时间。
11、进一步地，将经过空间定位及点对点映射的客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据进行融合，通过要素关联实现空间位置的匹配，结合时间戳标记整合形成综合交通时空数据。
12、进一步地，创建综合时空交通数据的运行知识库以及可视化界面展示综合交通时空数据，通过不同颜色表示不同的综合交通时空数据，通过颜色深浅展示综合交通时空数据的拥堵程度，通过热力图展示综合交通时空数据的热点区域，添加交互查询功能提供用户查看特定时间、空间的详细交通信息。
13、在一个优选地实施方式中，所述s103中，通过综合时空交通数据的运行知识库，面向综合交通时空数据的单一行业、领域、监管方向实现交通运行特征分析、交通运行趋势分析以及交通运行趋势预测，并进行跨行业、跨领域、跨时空维度关联，细分时空颗粒度，并在时间维度上展现时空维度关联发展趋势，在空间维度上侧重时空维度关联分布趋势、分析时空维度关联特征以及研判时空维度关联发展趋势。
14、进一步地，利用空间自相关分析通过moran's i指数计算某一地区与其周边地区某一属性的相关性并揭示该属性在空间上的分布特征，其具体公式为：
15、
16、其中，i表示衡量空间自相关的莫兰指标，n表示综合交通时空数据的总量，wi，j表示第i个综合交通时空数据与第j个综合交通时空数据之间的空间权重，zi表示第i个综合交通时空数据与其平均值的偏差，zj表示第j个综合交通时空数据与其平均值的偏差。
17、进一步地，利用k-最近邻算法通过测量不同的综合交通时空数据的特征值之间距离预测某地点在未来某个时间点的交通状态，其具体步骤为：将已知的交通状态相关的综合交通时空数据作为输入，并计算待预测地点与已知综合交通时空数据映射空间之间的距离，选择距离最近的k个点，根据k个点的状态预测待预测地点的交通状态。
18、在一个优选地实施方式中，所述s104中，总结空间自相关分析在空间上的集聚程度和相关性，揭示具有相似交通流量、速度和事故率的区域，并显示不同区域之间交通现象的相互影响程度，总结时空关联矩阵分析在时间和空间上的动态变化，揭示不同区域在不同时间戳综合交通时空数据的特征值的差异性，总结k-最近邻算法预测未来的交通现象，评估当前交通行业和领域的发展状况，基于规律性预测未来交通行业和领域的发展趋势，针对当前发展状况确定交通流量集中的地区、拥堵时段和高风险地点，识别交通基础设施的瓶颈，并结合k-最近邻算法考虑城市化对交通流量的影响以及新技术引入后对交通管理的变化，根据预测的高峰期和拥堵区域，调整交通信号灯、路线规划，根据交通流量预测，规划新的交通枢纽、道路扩建。
19、本专利技术的有益效果是：通过记录数据收集时间戳、检查本文档来自技高网...
【技术保护点】
1.一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S101中，通过交通管理部门收集客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据以及行业监管数据并记录当前的数据收集的时间戳，采用商业地图提供商的API接口收集高精地图数据并记录当前的数据收集的时间戳，检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据是否存在空值和缺失值，检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的取值范围是否在有效范围内，通过唯一性和一致性的约束条约检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据是否存在异常和重复记录。
3.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S102中，对收集的数据进行预处理的具体步骤为：对于客货运输动态数据
4.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S102中，对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据以及行业监管数据进行空间定位，并与高精地图数据进行点对点映射，对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的时间戳进行标记，并记录当前的数据收集的具体时间。
5.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S102中，所述综合时空交通数据的运行知识库以及可视化界面通过不同颜色表示不同的综合交通时空数据，通过颜色深浅展示综合交通时空数据的拥堵程度，通过热力图展示综合交通时空数据的热点区域，添加交互查询功能提供用户查看特定时间、空间的详细交通信息。
6.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S103中，利用空间自相关分析通过Moran's I指数计算某一地区与其周边地区某一属性的相关性并揭示该属性在空间上的分布特征，其具体公式为：
7.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S103中，利用K-最近邻算法通过测量不同的综合交通时空数据的特征值之间距离预测某地点在未来某个时间点的交通状态，其具体步骤为：将已知的交通状态相关的综合交通时空数据作为输入，并计算待预测地点与已知综合交通时空数据映射空间之间的距离，选择距离最近的K个点，根据K个点的状态预测待预测地点的交通状态。
8.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述S104中，总结空间自相关分析在空间上的集聚程度和相关性，揭示具有相似交通流量、速度和事故率的区域，并显示不同区域之间交通现象的相互影响程度，总结时空关联矩阵分析在时间和空间上的动态变化，揭示不同区域在不同时间戳综合交通时空数据的特征值的差异性，总结K-最近邻算法预测未来的交通现象，评估当前交通行业和领域的发展状况，基于规律性预测未来交通行业和领域的发展趋势，针对当前发展状况确定交通流量集中的地区、拥堵时段和高风险地点，识别交通基础设施的瓶颈，并结合K-最近邻算法考虑城市化对交通流量的影响以及新技术引入后对交通管理的变化，根据预测的高峰期和拥堵区域，调整交通信号灯、路线规划，根据交通流量预测，规划新的交通枢纽、道路扩建。
...【技术特征摘要】
1.一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述s101中，通过交通管理部门收集客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据以及行业监管数据并记录当前的数据收集的时间戳，采用商业地图提供商的api接口收集高精地图数据并记录当前的数据收集的时间戳，检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据是否存在空值和缺失值，检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的取值范围是否在有效范围内，通过唯一性和一致性的约束条约检查客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据是否存在异常和重复记录。
3.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述s102中，对收集的数据进行预处理的具体步骤为：对于客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的空值和缺失值，则删除对应数据记录，并利用均值填充法对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据进行对应填充，对于客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以及高精地图数据的取值范围在无效范围以及存在异常和重复记录，则删除对应数据记录，通过要素关联实现空间位置的匹配，结合时间戳标记整合形成综合交通时空数据。
4.根据权利要求1所述的一种基于高精地图的综合交通运行特征时空关联度分析算法，其特征在于：所述s102中，对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据以及行业监管数据进行空间定位，并与高精地图数据进行点对点映射，对客货运输动态数据、道路运行状态数据、行业运行数据、水路运输相关数据、行业监管数据以...
【专利技术属性】
技术研发人员：张筱，刘生龙，张亚军，刘聪，宋延，张琪，丁雅晴，
申请(专利权)人：北京华录高诚科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。