一种基于云边协同的智能交通数据融合分析方法、设备及介质与流程

本发明属于智能交通数据融合分析，具体涉及一种基于云边协同的智能交通数据融合分析方法、设备及介质。

背景技术：

1、随着城市化进程加速和机动车保有量持续增长，交通拥堵、事故频发、通行效率低下等问题日益突出。在此背景下，智能交通系统（intelligenttransportationsystem,its）作为融合感知、通信、计算与控制技术的综合性解决方案，成为缓解交通压力、提升路网运行效率的关键手段。

2、一般通过预测模型，对交通情况进行预测和决策，相关技术多基于历史数据训练预测模型，由于交通流是动态变化，仅仅通过历史数据训练，缺乏与实际状态相匹配，导致预测偏差大，如早高峰流量预测值与实际值差距较大，容易使得决策方案中，信号调整后通行效率未提升。

3、对于预测模型要实现的原始交通数据，由于存在噪声、冗余信息，直接传输和处理会占用大量带宽与计算资源，导致分析延迟增加，难以满足实时交通管理需求。

技术实现思路

1、本发明提供一种基于云边协同的智能交通数据融合分析方法，方法提升交通管理效率、减少拥堵、增强安全性。

2、方法包括：

3、s101：在交通边缘侧，采集来自交通摄像头、雷达传感器和交通信号控制器的多源交通数据；

4、s102：对多源交通数据进行清洗和压缩，得到预处理交通数据；

5、s103：基于预处理交通数据进行本地交通分析，生成局部交通分析结果；

6、s104：将预处理交通数据和局部交通分析结果上传到交通云端平台；

7、s105：在交通云端平台，对上传的预处理交通数据和局部交通分析结果进行数据融合，得到全局交通态势数据；

8、s106：基于全局交通态势数据训练交通预测与决策模型，得到更新后的交通模型；

9、s107：根据交通数据处理复杂度和实时性要求，分配交通处理任务给交通边缘侧；

10、s108：交通云端平台向交通边缘侧下发交通控制指令，交通边缘侧执行交通控制指令并反馈指令执行效果数据。

11、优选地，s103具体包括如下方式：

12、对预处理交通数据进行交通流参数提取，计算交通流量、平均速度和密度；

13、基于提取的交通流参数，使用分类模型进行交通状态分类，识别交通拥堵状态和畅通状态；

14、对预处理交通数据中的视频数据进行运动目标检测和跟踪，识别车辆和行人轨迹；

15、基于运动目标检测和跟踪结果，进行交通事件检测；

16、整合交通状态分类结果和交通事件检测结果，通过数据融合方法生成局部交通分析结果。

17、优选地，s105具体包括如下方式：

18、对预处理交通数据及局部交通分析结果，基于统一时间戳和地理位置，进行对齐处理；

19、针对对齐后的重复数据，采用卡尔曼滤波算法融合，输出一致的车流量、平均车速指标；

20、提取yolov5s输出的目标轨迹特征与雷达数据中的车流量、占有率，计算特征权重，加权融合生成跨模态交通特征；

21、将s103生成的局部交通分析结果与云端历史交通态势模型输出，得到包含异常影响评估的全局初步态势；

22、将一致指标、跨模态特征、全局初步态势汇总，整合为全局交通态势数据。

23、优选地，s106具体包括如下方式：

24、s1061：对全局交通态势数据进行标准化和序列化处理，构建模型训练数据集；

25、s1062：构建基于注意力机制的时空图神经网络模型，作为交通预测与决策模型；

26、s1063：使用分布式计算框架对模型进行多轮迭代训练，优化模型参数；

27、s1064：使用验证数据集对训练后的模型进行性能评估，计算预测准确率指标；

28、s1065：当模型性能满足要求时，生成更新后的模型参数并准备下发。

29、优选地，s1062具体包括如下方式：

30、构建交通路网图结构，将道路路段或路口设为图节点，节点属性包含路段长度、车道数及历史平均车流量，将相邻节点间的连接设为图边，边权重基于节点间的实际距离和历史车流转移率计算；

31、采用双向lstm网络层，输入为节点的时序交通数据，通过前向和反向隐藏状态捕捉交通数据的短期和长期时间依赖关系；

32、采用图卷积层，基于构建的图结构，对节点特征进行邻域聚合，通过权重矩阵将相邻节点的特征信息融合到当前节点，捕捉路网的空间关联性；

33、分别设置空间注意力层和时间注意力层，通过空间注意力计算不同邻接节点对当前节点的影响权重，时间注意力计算不同时间步的特征对当前预测的贡献权重，通过softmax函数归一化权重后加权融合特征；

34、将输出的融合特征输入全连接层，通过线性变换和激活函数分别输出未来预设时段的交通状态预测值和对应的交通控制决策参数。

35、优选地，s107具体包括如下方式：

36、配置待处理交通任务的实时性指标与计算复杂度指标，生成任务特征向量；

37、根据任务特征向量将任务划分为边缘处理类别或云端处理类别；

38、根据任务类别标识，将任务数据路由至对应的交通边缘侧；

39、在任务执行过程中，持续监测交通边缘侧的资源利用状态和任务队列状态。

40、优选地，s108具体包括如下方式：

41、交通云端平台将控制指令传输至指定交通边缘侧；

42、交通边缘侧接收并解析控制指令，转换为设备可执行的操作命令，驱动交通信号控制器或信息发布设备执行；

43、交通边缘侧采集指令执行后的交通状态变化数据，与执行前状态对比生成执行效果评估指标；

44、交通边缘侧将执行效果评估指标与原始控制指令关联打包，回传至云端平台；

45、交通云端平台将执行效果数据与对应决策记录存储至经验回放缓冲区。

46、根据本技术的另一个实施例，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述基于云边协同的智能交通数据融合分析方法的步骤。

47、根据本技术的又一个实施例，还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述基于云边协同的智能交通数据融合分析方法的步骤。

48、从以上技术方案可以看出，本发明具有以下优点：

49、本发明提供的基于云边协同的智能交通数据融合分析方法通过对多源交通数据进行清洗和压缩，去除了传感器数据中的噪声、补全了缺失值，对视频和文本数据进行针对性处理，提高了数据的准确性和完整性。在云端进行数据融合，将不同来源、不同类型的数据进行整合，消除了数据之间的不一致性。在边缘侧进行本地交通分析，能够快速生成局部交通分析结果，实现对交通状况的实时监测和初步判断，如本地异常检测和简单趋势预测，为及时采取应对措施提供了依据。基于全局交通态势数据训练交通预测与决策模型，能够对交通情况进行更精准的预测和更科学的决策。根据交通数据处理复杂度和实时性要求，分配任务至边缘或云端，使不同类型的任务能够在合适的环境中处理，提高了任务处理效率。

50、实时性要求高的简单任务由边缘处理，保证了快速响应；复杂且非实时的任务由云端处理，能够进行更深入的分析和计算，实现了实时响应与复杂处理的兼顾。通过双向指令交互，根据指令执行效果数据优化交通预测与决策模型，使模型能够不断适应交通状况的变化，保持良好的性能和准确性。本发明的边缘侧负责数据采集、本地分析和简单任务处理，云端负责数据融合、模型训练和复杂任务处理，两者通过双向指令交互实现信息共享和协同工作，提升了整个交通管理系统的性能。