一种基于车联网的智慧交通监控系统

本发明涉及车联网，更具体地说，本发明涉及一种基于车联网的智慧交通监控系统。

背景技术：

1、随着城市化进程的加速和汽车普及率的提高，城市交通拥堵已成为影响城市居民生活质量的重要问题之一；交通拥堵不仅导致车辆通行速度缓慢，增加了通勤时间，也给环境带来了不良影响，如空气污染和能源消耗增加等；因此，如何有效解决交通拥堵成为城市交通管理的重要课题之一。

2、目前，现有智慧交通监控系统主要通过实时预报或事先交通拥堵预警的方式预防产生交通拥堵，但交通拥堵仍无法得到有效缓解；因此，出现了一些交通引流的方式，例如授权公告号cn113643534b的中国专利公开了一种交通管控的方法及设备；上述方式虽能实现对拥堵的交通流进行疏导，但对上述方法以及现有技术进行研究和实际应用发现，上述方法以及现有技术易受制于被引导车辆车主的积极性，可实现程度较低，难以有效缓解；此外，在现有的城市交通管控方式中，绝大程度是依赖于红绿灯控制系统实现的，但传统的红绿灯控制系统往往是基于固定的时序来调整交通信号灯的变换，而无法根据实时交通流量的变化进行灵活调整，这导致了在交通高峰期间信号灯的效率低下，车辆排队等待时间过长，进而加剧了交通拥堵。

3、鉴于此，本发明提供一种基于车联网的智慧交通监控系统，以实现降低拥堵路段车辆的滞留时长，缩短车主的行程时间，降低拥堵路段的拥堵程度。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于车联网的智慧交通监控系统。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于车联网的智慧交通监控系统，所述系统包括：

4、数据获取模块，用于在t-n到t的时段内，提取城市公路网中每个路段的路况数据，将每个路段的路况数据分别输入预设影响参数回归模型中，以获取在t+n到t+2n未来时段内每个路段的变化拥堵影响数据，t和n均为大于零的整数；

5、拥堵确定模块，用于调取每个路段的不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出在未来时段内每个路段的拥堵系数，根据拥堵系数确定出m个拥堵路段以及每个拥堵路段的未来拥堵时段，m为大于零的整数；

6、智能分析模块，用于将拥堵系数作为配时特征，得到每个拥堵路段的配时特征，将每个拥堵路段的配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；

7、智慧管控模块，用于根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态。

8、进一步地，所述路况数据包括天气数据和道路数据；所述天气数据包括在t-n到t的时段内，每一时刻下的温度、湿度、降雨量、降雪量和pm2.5浓度；所述道路数据包括在t-n到t时段内的实测交通流量、实测平均行驶速度、实测车辆密度和实测交叉口密度。

9、进一步地，所述预设影响参数回归模型的生成逻辑如下：

10、获取历史影响参数训练数据，将历史影响参数训练数据划分为影响参数训练集和影响参数测试集；所述历史影响参数训练数据包括路况数据及其对应的变化拥堵影响数据；

11、其中，所述变化拥堵影响数据包括预测交通流量、预测平均行驶速度、预测车辆密度和预测交叉口密度；

12、构建第一回归网络，将影响参数训练集中的路况数据作为第一回归网络的输入数据，以及将影响参数训练集中的变化拥堵影响数据作为第一回归网络的输出数据，对第一回归网络进行训练，得到初始影响参数回归网络；

13、利用影响参数测试集对初始影响参数回归网络进行模型验证，输入小于等于预设第一测试误差的初始影响参数回归网络作为预设影响参数回归模型。

14、进一步地，所述不变拥堵影响数据包含每个路段的道路容量和路段曲率；

15、所述计算出在未来时段内每个路段的拥堵系数，包括：

16、提取每个路段的变化拥堵影响数据和不变拥堵影响数据；

17、根据每个路段的变化拥堵影响数据和不变拥堵影响数据进行公式化计算，得到在未来时段内每个路段的拥堵系数；

18、其中，所述第i个路段的拥堵系数的计算公式如下：

19、；

20、式中：表示拥堵系数，为预测交通流量，是预测平均行驶速度，是道路容量，是预测车辆密度，是预测交叉口密度，是路段曲率，、和为大于零的修正因子，＞＞。

21、进一步地，所述根据拥堵系数确定出m个拥堵路段，包括：

22、a1：提取第i个路段的拥堵系数，i为大于零的整数；

23、a2：将第i个路段的拥堵系数与预设拥堵系数阈值进行比较，若第i个路段的拥堵系数大于等于预设拥堵系数阈值，则将第i个路段标记为拥堵路段；若第i个路段的拥堵系数小于预设拥堵系数阈值，则不将第i个路段标记为拥堵路段，并令i=i+1，并返回步骤a1；

24、a3：重复上述步骤a1～a2，直至i=m时，结束循环，得出m个拥堵路段。

25、进一步地，当第i个路段被标记为拥堵路段时，则将t+n到t+2n的未来时段作为第i个路段的未来拥堵时段。

26、进一步地，当拥堵路段的数量m小于等于预设的拥堵路段数量阈值时，则令t=t+k，并触发数据获取模块，k为大于零的整数。

27、进一步地，所述预设最佳配时回归模型的生成逻辑如下：

28、获取历史最佳配时训练数据，将历史最佳配时训练数据划分为最佳配时训练集和最佳配时测试集；所述历史最佳配时训练数据包括拥堵系数及其对应的最佳红绿灯配时；

29、构建第二回归网络，将最佳配时训练集中的拥堵系数作为第二回归网络的输入数据，以及将最佳配时训练集中的最佳红绿灯配时作为第二回归网络的输出数据，对第二回归网络进行模型训练，得到初始最佳配时回归网络；

30、利用最佳配时测试集对初始最佳配时回归网络进行模型验证，输出小于等于预设第二测试误差的初始最佳配时回归网络作为预设最佳配时回归模型。

31、进一步地，所述历史最佳配时训练数据中最佳红绿灯配时的生成逻辑如下：

32、b1：提取拥堵路段的拥堵系数，以及获取拥堵路段的固定配时q，并提取对应拥堵系数和固定配时q，将通行拥堵系数和固定配时q作为固定配时的通行时长特征数据，将固定配时的通行时长特征数据输入数字孪生模型中，得到固定配时q下的平均通行时长，将固定配时q下的平均通行时长作为第一通行时长，q为大于零的整数；

33、b2：限定配时变化区间[maxw，minw]，在配时变化区间内令q+u，或令q-u，得到变化配时，通过数字孪生模型模拟在变化配时q+u或q-u下拥堵路段的预估通行时长，将预估通行时长作为第二通行时长，u为大于零的整数；

34、b3：计算第一通行时长与第二通行时长的差值，将第一通行时长与第二通行时长的差值作为通行时长差，将通行时长差与预设通行时长差阈值进行比较，若通行时长差大于等于预设通行时长差阈值，则将对应变化配时q+u或q-u作为拥堵系数对应的最佳红绿灯配时；若通行时长差小于预设通行时长差阈值，则令u=u+z，并返回步骤b2，z为大于零的整数；

35、b4：重复上述步骤b2～b3，直至q+u=maxw，或q-u=minw时，结束循环，得出对应拥堵系数下的对应最佳红绿灯配时。

36、进一步地，所述通过数字孪生模型模拟在变化配时q+u或q-u下拥堵路段的预估通行时长，包括：

37、获取变化配时的通行时长特征数据，所述变化配时的通行时长特征数据包括拥堵系数以及变化配时q+u或q-u；

38、将变化配时的通行时长特征数据输入数字孪生模型中，得到变化配时q+u或q-u下拥堵路段的预估通行时长；

39、其中，所述数字孪生模型的生成逻辑如下：

40、获取历史通行时长训练数据，将历史通行时长训练数据划分为通行时长训练集和通行时长测试集；所述历史通行时长训练数据包括通行时长特征数据及其对应的预估通行时长；

41、构建第三回归网络，将通行时长训练集中的通行时长特征数据作为第三回归网络的输入数据，以及将通行时长训练集中预估通行时长作为第三回归网络的输出数据，对第三回归网络进行模型训练，得到初始数字孪生网络；

42、利用通行时长测试集对初始数字孪生网络进行模型验证，将小于等于预设第三测试误差的初始数字孪生网络作为数字孪生模型。

43、相比于现有技术，本发明的有益效果在于：

44、本技术公开了一种基于车联网的智慧交通监控系统，在t-n到t的时段内提取路况数据，将路况数据输入预设影响参数回归模型中，获取未来时段内变化拥堵影响数据；调取不变拥堵影响数据，根据变化拥堵影响数据和不变拥堵影响数据计算出拥堵系数，根据拥堵系数确定出m个拥堵路段；将拥堵系数作为配时特征，将配时特征分别输入预设最佳配时回归模型中，得到每个拥堵路段上交通信号红绿灯的最佳红绿灯配时；根据最佳红绿灯配时将对应拥堵路段上的交通信号红绿灯从固定配时状态转化为非固定配时状态；基于上述过程，本发明能够确定每个路段拥堵情况，进一步地，从而能够根据每个路段拥堵情况为各个拥堵路段的交通信号红绿灯提供最佳红绿灯配时，进而有利于降低拥堵路段车辆的滞留时长，缩短车主的行程时间，降低拥堵路段拥堵程度；相较于现有技术，本发明可实现程度高，不受外部因素约制。