【技术实现步骤摘要】
本专利技术涉及智慧交通，更具体地说，本专利技术涉及多源数据融合的智能网联交通状态监测方法及系统。
技术介绍
1、传统的交通监测手段主要依赖于单一的数据源，例如交通摄像头、地面传感器或gps设备。这些手段在数据采集精度、实时性和覆盖范围方面存在一定的局限性，无法全面反映交通状态。
2、现有技术中，例如，公开号为cn103838772a的中国专利申请公开了一种多源交通数据融合方法，该方法包括：从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据；对所述的交通信息数据进行像素级融合，将所述交通信息数据中的不合格信息剔除；对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息；对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息；输出路段的交通状态描述信息。上述方法虽然从多种数据源获取交通信息数据，进行三级融合，生成了路段的最终交通状态，能够更准确地确定路面的交通状况，但对上述方法以及现有技术进行研究和应用发现，上述方法以及现有技术至少存在以下部分缺陷：
3、1.未使用数据标准化和时间对齐算法，难以确保不同源数据的格式统一和时序一致；
4、2.像素级融合适用于同源或高度相关的视觉数据(如多帧连续图像)，因为其基于逐像素的信息叠加与分析。然而，对于异构数据(如可见光图像与热成像图像或不同传感器采集的数据)，直接进行像素级融合可能导致信息失真或冗余处理，进而降低数据融合的有效性和可靠性。在监测复杂交通状态时，这种失真可能会影响系统的实时性和
5、为此，本专利技术提供了多源数据融合的智能网联交通状态监测方法及系统。
技术实现思路
1、为了克服现有技术的上述缺陷，本专利技术提供了多源数据融合的智能网联交通状态监测方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、第一方面，本专利技术提供了多源数据融合的智能网联交通状态监测方法，包括：
4、在t时间段内，获取第n条拓扑路段中m条数据源的速度数据，对速度数据进行预处理，以获得第n条拓扑路段的数据质量系数；
5、对第n条拓扑路段的数据质量系数进行分析，判断m条数据源是否符合要求，若不符合，则生成数据优化指令，若符合，则生成状态分析指令；
6、接收数据优化指令，对第n条拓扑路段的数据质量系数进行优化，以获得速度优化系数，并将数据优化指令转化为状态分析指令；
7、接收状态分析指令，获取第n条拓扑路段的道路特征数据，根据道路特征数据生成t时间段内的道路满载系数，将生成的道路满载系数输入至预生成的状态预测模型，以获得t+a时间段内的道路满载系数；
8、提取第n条拓扑路段在t+a时间段内的道路满载系数，根据道路满载系数将第n条拓扑路段与交通状态预警信息进行匹配，获得对应的状态预警信息。
9、进一步地，对速度数据进行预处理，以获得第n条拓扑路段的数据质量系数的方法包括：
10、步骤a1：将m条数据源的速度数据同步到同一时间段t内，以获得速度校准数据；
11、步骤a2：对速度校准数据进行标准化计算，以获得速度标准数据；
12、所述速度标准数据的计算公式为：
13、
14、式中，vbm表示第m条数据源的速度标准数据；vm表示第m条数据源的速度，表示m条数据源的速度均值；
15、步骤a3：融合m条速度标准数据，计算出第n条拓扑路段的数据质量系数，其计算公式为：
16、
17、式中，vxn表示第n条拓扑路段的数据质量系数，βm为对应的权重因子。
18、进一步地，预设质量系数阈值，所述质量系数阈值包括zx1和zx2，其中zx1＞zx2；将数据质量系数与预设质量系数阈值进行对比；
19、若vxn＞zx1或vxn＜zx2，则生成数据优化指令；
20、若zx1≥vxn≥zx2，则生成状态分析指令。
21、进一步地，对第n条拓扑路段的数据质量系数进行优化，以获得速度优化系数的方法包括：
22、步骤b1：获取第n条拓扑路段的数据质量系数vl，以时间为横轴，以数据质量系数为纵轴，构建系数时域图；
23、步骤b2：根据时间段对系数时域图进行等份划分，以获取实时波动系数集合，所述实时波动系数集合中包括r个实时系数波动图，r为大于零的整数；
24、步骤b3：提取实时波动系数集合中第r个实时系数波动图，r为大于零的正整数，r的初始值为1；
25、步骤b4：提取相同时间段的标准系数波动图集合，计算实时系数波动图与标准系数波动图的相似度，若实时系数波动图与标准系数波动图的相似度大于或等于预设相似阈值，则将实时系数波动图标记为正常系数波形，并跳到步骤b5；若实时系数波动图与标准系数波动图的相似度小于预设相似阈值，则直接跳到步骤b5；
26、步骤b5：令r＝r+1，并跳转回步骤b3；
27、步骤b6：重复上述步骤b3～步骤b5，直至r＝r时，结束循环，得到多个正常系数波形；
28、步骤b7：提取每个正常系数波形对应的相似度，将相似度最大的正常系数波形对应的数据质量系数作为速度优化系数。
29、进一步地，所述道路特征数据包括路段长度、车道总宽度、实际车辆总数和车辆最大密度；
30、根据道路特征数据生成t时间段内的道路满载系数的方法包括：
31、对道路特征数据中的路段长度、车道总宽度、实际车辆总数和车辆最大密度分别标记为ldn、wzn、cmn和csn；
32、对路段长度、车道总宽度、实际车辆总数和车辆最大密度进行公式化处理，并计算获得道路满载系数，其计算公式为：
33、
34、式中，dlmn表示第n条拓扑路段的道路满载系数，ldn表示第n条拓扑路段的路段长度，wzn表示第n条拓扑路段的车道总宽度，cmn表示第n条拓扑路段的车辆最大密度，csn表示第n条拓扑路段的实际车辆数量，ln(·)表示以e为底的对数函数。
35、进一步地，所述状态预测模型的生成方法包括：
36、步骤c1：获取第n条拓扑路段的道路满载系数时间序列集合；
37、步骤c2：预设时间步长b、滑动步长k以及滑动窗口长度c；将道路满载系数时间序列集合中的历史道路满载系数使用滑动窗口方法将其转化为多个训练样本，将训练样本作为状态预测模型的输入，预测时间步长b后的道路满载系数作为输出，每个训练样本的道路满载系数作为预测目标，以预测准确率作为训练目标，对状态预测模型进行训练；生成根据道路满载系数时间序列集合中的历史道路满载系数预测t+a时间段道路满载系数的状态预测模型；其中，所述状态预测模型为rnn神经网络模型。
38、进一步地，获得道路满载系数时间序列集合的方法包括：
39、提取第n条拓本文档来自技高网...
【技术保护点】
1.多源数据融合的智能网联交通状态监测方法，其特征在于，包括：
2.根据权利要求1所述的多源数据融合的智能网联交通状态监测方法，其特征在于，对速度数据进行预处理，以获得第n条拓扑路段的数据质量系数的方法包括：
3.根据权利要求2所述的多源数据融合的智能网联交通状态监测方法，其特征在于，预设质量系数阈值，所述质量系数阈值包括Zx1和Zx2，其中Zx1>Zx2；将数据质量系数与预设质量系数阈值进行对比；
4.根据权利要求3所述的多源数据融合的智能网联交通状态监测方法，其特征在于，对第n条拓扑路段的数据质量系数进行优化，以获得速度优化系数的方法包括：
5.根据权利要求4所述的多源数据融合的智能网联交通状态监测方法，其特征在于，所述道路特征数据包括路段长度、车道总宽度、实际车辆总数和车辆最大密度；
6.根据权利要求5所述的多源数据融合的智能网联交通状态监测方法，其特征在于，所述状态预测模型的生成方法包括：
7.根据权利要求6所述的多源数据融合的智能网联交通状态监测方法，其特征在于，获得道路满载系数时间序列集合的
8.根据权利要求7所述的多源数据融合的智能网联交通状态监测方法，其特征在于，交通状态预警信息的获得方法包括：
9.根据权利要求8所述的多源数据融合的智能网联交通状态监测方法，其特征在于，所述交通预警模型根据预警训练数据获得，所述预警训练数据包括预警特征数据及其对应的交通状态预警信息；所述预警特征数据包括道路满载系数和速度数据；
10.多源数据融合的智能网联交通状态监测系统，用于实施权利要求1-9中任一项所述的多源数据融合的智能网联交通状态监测方法，其特征在于，包括：
...【技术特征摘要】
1.多源数据融合的智能网联交通状态监测方法，其特征在于，包括：
2.根据权利要求1所述的多源数据融合的智能网联交通状态监测方法，其特征在于，对速度数据进行预处理，以获得第n条拓扑路段的数据质量系数的方法包括：
3.根据权利要求2所述的多源数据融合的智能网联交通状态监测方法，其特征在于，预设质量系数阈值，所述质量系数阈值包括zx1和zx2，其中zx1>zx2；将数据质量系数与预设质量系数阈值进行对比；
4.根据权利要求3所述的多源数据融合的智能网联交通状态监测方法，其特征在于，对第n条拓扑路段的数据质量系数进行优化，以获得速度优化系数的方法包括：
5.根据权利要求4所述的多源数据融合的智能网联交通状态监测方法，其特征在于，所述道路特征数据包括路段长度、车道总宽度、实际车辆总数和车辆最大密度；
【专利技术属性】
技术研发人员：赵杰，陆泉，刘鑫，
申请(专利权)人：青岛开锐数据科技有限公司，
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。