【技术实现步骤摘要】
本专利技术涉及车联网，尤其涉及一种全息路网与车联网融合方法、装置、设备及存储介质。
技术介绍
1、在智能交通系统领域，全息路网与车联网的融合是实现高效、安全和可持续交通管理的关键技术。全息路网提供了精确的道路基础设施信息，而车联网则实时捕获车辆动态数据。任何有效融合这两个系统，对于优化交通流、提高道路利用率和增强交通安全具有重要意义。
2、现今，通过尝试使用数据融合算法和机器学习技术来整合全息路网和车联网数据，或者应用边缘计算方法来处理大量实时信息。然而，这些方法仍然面临着数据异构性处理、实时性保障和动态环境适应等方面的挑战。此外，现有的融合方法往往忽视了交通系统的一些独特特征，如路网拓扑结构的复杂性、车辆行为的随机性、交通流模式的时空变化等，而这些因素可能对融合效果产生显著影响，即现有的全息路网与车联网融合方法未能充分考虑多源数据的特性和交通系统的独特属性，导致融合结果的准确性较低。
技术实现思路
1、本专利技术的主要目的在于解决全息路网与车联网融合方法未能充分考虑多源数据的特性和交通系统的独特属性，导致融合结果的准确性较低的问题。
2、本专利技术第一方面提供了一种全息路网与车联网融合方法，所述全息路网与车联网融合方法包括：获取目标传感器采集全系路网和车联网的多源异构数据，并对所述多源异构数据进行自适应多模态预处理，得到预处理后的多源异构数据；对所述预处理后的多源异构数据进行时空对齐，得到时空对齐的多源异构数据，并对所述时空对齐的多源异构数据进行层次化结构
3、可选的，在本专利技术第一方面的第一种实现方式中，所述对所述预处理后的多源异构数据进行时空对齐，得到时空对齐的多源异构数据，包括：对所述多源异构数据进行时间序列分析和频率域分解，得到多频段时间成分，并对所述多频段时间成分进行各频段的窗口计算和时间序列的合并整理，得到多分辨率的多源异构时间序列数据；对所述多源异构时间序列数据进行多目标传感器的空间配准和多源时钟同步，得到时空基准多源数据，并对所述时空基准多源数据进行动态坐标系转换，得到全局参考系的全局坐标多源数据；对所述全局坐标多源数据进行多目标传感器的数据流对齐，得到同步多源数据流，并构建出所述同步多源数据流对应的多维时空索引，得到时空对齐的多源异构数据。
4、可选的，在本专利技术第一方面的第二种实现方式中，所述对所述时空对齐的多源异构数据进行层次化结构重组，得到多源交通重组数据，包括：对所述时空对齐的多源异构数据进行多模态异常检测，得到多源异常标记数据，并对所述多源异常标记数据进行上下文感知的数据修复，得到初步修复的多源异构数据；对所述初步修复的多源异构数据进行自适应多尺度滤波，得到噪声抑制的多源异构数据，并对所述噪声抑制的多源异构数据进行多模态数据交通场景的分割与融合，得到语义分割的多源交通场景；对所述语义分割的多源交通场景进行交通关键要素提取与交通属性标注，得到多源交通结构化表示，并对所述多源交通结构化表示进行时空动态特性建模，得到多源交通重组数据。
5、可选的，在本专利技术第一方面的第三种实现方式中，所述提取所述多源交通重组数据中的多尺度时空特征，得到交通特征向量集和初步动态交通知识表示，包括：对所述多源交通重组数据进行路网拓扑特征和车辆轨迹特征提取，得到初始路网与车辆特征集，并对所述初始路网与车辆特征集进行时间序列分段与周期性分析，得到多尺度交通流量特征；对所述多尺度交通流量特征进行路段级和区域级空间聚合，得到多层次交通状态表示，并对所述多层次交通状态表示进行路网拓扑引导的长程依赖分析，得到全局交通关联特征；基于预设的交通场景事件，对所述全局交通关联特征进行动态特征筛选与融合，得到交通场景表征，并对所述交通场景表征进行交通知识图谱构建和规则推理，得到交通特征向量集和初步动态交通知识表示。
6、可选的，在本专利技术第一方面的第四种实现方式中，所述基于所述交通特征向量集和所述初步动态交通知识表示，对所述多源交通重组数据进行多层次语义关联，得到增强动态知识表示，包括：对所述交通特征向量集进行路网结构与车辆轨迹的多尺度匹配，得到路网与车辆关联映射，并对所述路网与车辆关联映射进行时空一致性约束和动态平滑处理，得到特征精细对齐的交通要素特征；对所述交通要素特征初步动态交通知识表示进行层次化交通场景图构建，得到多层次交通语义网络，并基于预设的交通行驶规范，对所述多层次交通语义网络进行交通规则的上下文推理和相关性分析，得到交通语义关联强度矩阵；基于预设的历史交通模式，对交通语义关联强度矩阵进行迭代推理和语义描述的检测，生成交通场景语义关系集合，并对所述交通场景语义关系集合进行交通异常检测和关系动态更新，得到时变交通知识图谱；对所述时变交通知识图谱和所述初步动态交通知识表示进行多源信息的融合和交通行驶知识的推理，得到增强动态知识表示。
7、可选的，在本专利技术第一方面的第五种实现方式中，所述基于所述增强动态知识表示，对所述多源交通重组数据进行深度概率融合和不确定性建模，得到交通感知概率分布，包括：对所述增强动态知识表示进行多层次交通网络概率图构建，得到层次化交通状态概率分布，并基于预设的历史交通数据，对所述层次化交通状态概率分布进行时空一致性对比和各层次对应初步动态交通知识表示的权重调整，得到各层次对应初步动态交通知识表示的数据置信度权重；对所述数据置信度权重和所述层次化交通状态概率分布进行贝叶斯融合，得到更新的交通状态后验概率，并对所述交通状态后验概率进行时空相关性分析和马尔可夫随机场建模，生成动态交通系统演化模型；对所述动态交通系统演化模型进行多目标交通优化求解，得到交通状态预测和交通控制策略集，并对所述交通状态预测和所述交通控制策略集进行实时交通数据验证和更新，得到交通感知概率分布。
8、可选的，在本专利技术第一方面的第六种实现方式中，所述基于所述交通感知概率分布构建高精度动态语义地图，得到融合后的多分辨率地图表示，包括：对所述交通感知概率分布进行多层次交通网络拓扑结构提取，得到初步交通语义骨架图，并对所述初步交通语义骨架图进行时空插值和动态特征补全，得到连续多维交通场景表示；基于所述交通感知概率分布，对所述连续多维交通场景表示进行概率评估和不确定性区域的识别，得到区域识别结果，并基于所述时变交通知识图谱，对所述不确定性区域进行语义补充，得到语义补充结果；基于所述语义补充结果，对所述连续多维交通场景表示进行一致性约束和地图整合，生成动态交通语义地图，并对所述动态交通语义地图进行交通流变化检测和局部更新，生成时变交通网络模型；对所述时变交通网络本文档来自技高网...
【技术保护点】
1.一种全息路网与车联网融合方法，其特征在于，所述全息路网与车联网融合方法包括：
2.根据权利要求1所述全息路网与车联网融合方法，其特征在于，所述对所述预处理后的多源异构数据进行时空对齐，得到时空对齐的多源异构数据，包括：
3.根据权利要求1所述全息路网与车联网融合方法，其特征在于，所述对所述时空对齐的多源异构数据进行层次化结构重组，得到多源交通重组数据，包括：
4.根据权利要求1所述全息路网与车联网融合方法，其特征在于，所述提取所述多源交通重组数据中的多尺度时空特征，得到交通特征向量集和初步动态交通知识表示，包括：
5.根据权利要求4所述全息路网与车联网融合方法，其特征在于，所述基于所述交通特征向量集和所述初步动态交通知识表示，对所述多源交通重组数据进行多层次语义关联，得到增强动态知识表示，包括：
6.根据权利要求5所述全息路网与车联网融合方法，其特征在于，所述基于所述增强动态知识表示，对所述多源交通重组数据进行深度概率融合和不确定性建模，得到交通感知概率分布，包括：
7.根据权利要求6所述全息路网与车联网
8.一种全息路网与车联网融合装置，其特征在于，所述全息路网与车联网融合装置包括：
9.一种全息路网与车联网融合设备，其特征在于，所述全息路网与车联网融合设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-7中任一项所述全息路网与车联网融合方法的各个步骤。
...【技术特征摘要】
1.一种全息路网与车联网融合方法，其特征在于，所述全息路网与车联网融合方法包括：
2.根据权利要求1所述全息路网与车联网融合方法，其特征在于，所述对所述预处理后的多源异构数据进行时空对齐，得到时空对齐的多源异构数据，包括：
3.根据权利要求1所述全息路网与车联网融合方法，其特征在于，所述对所述时空对齐的多源异构数据进行层次化结构重组，得到多源交通重组数据，包括：
4.根据权利要求1所述全息路网与车联网融合方法，其特征在于，所述提取所述多源交通重组数据中的多尺度时空特征，得到交通特征向量集和初步动态交通知识表示，包括：
5.根据权利要求4所述全息路网与车联网融合方法，其特征在于，所述基于所述交通特征向量集和所述初步动态交通知识表示，对所述多源交通重组数据进行多层次语义关联，得到增强动态知识表示，包括：
【专利技术属性】
技术研发人员：刘世才，魏波，
申请(专利权)人：深圳市拓必达科技有限公司，
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。