一种面向交通状态评估的实时数据深度处理方法和系统与流程
本技术涉及物联网领域,尤其涉及一种面向交通状态评估的实时数据深度处理方法和系统。
背景技术:
1、目前,智能交通管控系统已成为提升城市交通运行效率和保障道路安全的关键基础设施。随着物联网与智能传感技术的快速发展,交通管理部门部署了海量的摄像头、毫米波雷达等检测设备来实时采集路网运行情况。
2、在相关技术中,通常使用多传感器集中式融合网络或固定权重算法来进行交通状态评估。将前端各类传感器采集到的全量原始视频流和雷达点云数据集中回传至中心服务器;随后,在云端利用预先训练好的深度学习模型或静态的卡尔曼滤波算法,对各个传感器节点上传的特征数据进行统一的静态权重分配与联合计算,从而得出当前路段的车速、流量等交通运行指标,并输出常态化的路况评估结果。
3、然而,在遭遇早晚高峰激增车流时,海量全量数据的并发传输易导致网络带宽拥塞与系统处理延迟;在突发暴雨大雾或交通事故等环境下,不同物理原理的传感器易受干扰而输出相互矛盾的底层检测数据,难以识别并剥离这些底层证据的冲突,进而导致在复杂特殊场景下交通状态评估的精准度下降,易引发误判。
技术实现思路
1、本技术提供了一种面向交通状态评估的实时数据深度处理方法和系统,用于提高复杂特殊场景下交通状态评估的精准度。
2、在本技术的第一方面提供了一种面向交通状态评估的实时数据深度处理方法,该方法包括:
3、接收边缘预处理数据;其中,所述边缘预处理数据是边缘节点获取多源交通数据并映射至统一时空基准下,再基于特征属性计算数据重要性评分,分级执行差异化数据传输策略后发送的;提取所述边缘预处理数据中的连续数值指标数据,结合各数据源对应的动态可信度进行特征层面的滤波状态估计,输出特征层融合状态估计值;提取所述边缘预处理数据中表征交通状态的异质独立指标数据,基于各独立指标数据之间的冲突系数构建冲突修正因子,并采用带有所述冲突修正因子的证据合成规则进行计算,输出决策层融合结果;结合实时获取的环境特征数据与事件特征数据,计算当前交通场景的场景修正因子;基于所述特征层融合状态估计值与所述决策层融合结果获取初步评估数值,并利用所述场景修正因子对所述初步评估数值进行动态修正,输出最终交通状态评估结果;根据所述最终交通状态评估结果生成并输出相应的设备控制指令与交通诱导信息。
4、在上述实施例中,通过对多源交通数据进行统一时空映射与边缘侧分级过滤,降低了通信带宽的无效损耗。结合特征层自适应滤波降噪与决策层冲突修正证据合成,消除了单一传感器固有的数据跳变与多源异构传感器间的决策分歧。最后引入多维环境特征动态修正评估数值,提升了复杂交通场景下路网状态评估的准确性与鲁棒性。
5、结合第一方面的一些实施例,在一些实施例中,所述基于时空基准下的所述多源交通数据的特征属性,计算数据重要性评分,并根据所述数据重要性评分分级执行差异化数据传输策略,输出边缘预处理数据,具体包括:
6、提取所述多源交通数据对应的路段风险等级、实时交通状态以及时间特征;为所述路段风险等级、所述实时交通状态以及所述时间特征分别赋予对应的权重系数并进行加权求和,得出所述数据重要性评分;将所述数据重要性评分与预设的评分区间进行比对,根据比对结果确定的区间等级,分别执行全量传输策略或降维抽样比例传输策略,输出所述边缘预处理数据。
7、在上述实施例中,通过综合考量路段风险、实时状态与时间特征对数据价值进行动态量化评分,使得边缘节点能够根据数据的重要程度自适应切换全量或降维抽样传输策略。该机制在保障高危拥堵时段核心交通状态数据完整透传的同时,削减了常态平峰期冗余数据的无效传输量,缓解了边云协同架构下的通信信道拥塞压力。
8、结合第一方面的一些实施例,在一些实施例中,所述提取所述边缘预处理数据中的连续数值指标数据,结合各数据源对应的动态可信度进行特征层面的滤波状态估计,输出特征层融合状态估计值,具体包括:
9、提取所述边缘预处理数据中的连续数值指标数据,并根据各个数据源的历史检测偏差值与预设的环境影响系数,计算出各数据源对应的所述动态可信度;将所述动态可信度作为权重因子,替换卡尔曼滤波算法中原始的观测噪声协方差矩阵并进行滤波增益迭代,输出所述特征层融合状态估计值。
10、在上述实施例中,通过深度融合历史偏差统计与外部环境扰动因素,动态量化评估各数据源在当前时空下的可信度。将该可信度作为自适应权重因子直接干预滤波增益矩阵的迭代过程,使得状态估计算法能够敏锐感知并抑制因环境恶化或设备老化引发的数据失真,提高了连续数值参量在特征层融合阶段的数值稳定性。
11、结合第一方面的一些实施例,在一些实施例中,所述提取所述边缘预处理数据中表征交通状态的异质独立指标数据,基于各独立指标数据之间的冲突系数构建冲突修正因子,并采用带有所述冲突修正因子的证据合成规则进行计算,输出决策层融合结果,具体包括:
12、提取所述边缘预处理数据中表征交通状态的异质独立指标数据,并根据所述异质独立指标数据计算对各个交通状态类别的基本概率分配值;对各所述基本概率分配值进行交叉累加计算,提取出所述冲突系数;构建与所述冲突系数呈反比关系的所述冲突修正因子,并利用所述冲突修正因子对所述基本概率分配值进行加权调整;采用证据合成规则对加权调整后的所述基本概率分配值进行概率合成,选取最大合成概率对应的类别输出为所述决策层融合结果。
13、在上述实施例中,通过量化异质独立指标在概率分配空间的交叉冲突程度,动态构建反比映射的修正因子。在执行证据合成前自适应削弱高冲突证据向量的决策权重,增强了决策层在应对多源数据矛盾时的容错研判能力。
14、结合第一方面的一些实施例,在一些实施例中,在所述提取所述边缘预处理数据中的连续数值指标数据,结合各数据源对应的动态可信度进行特征层面的滤波状态估计,输出特征层融合状态估计值后,还包括:
15、当监测到所述特征层融合状态估计值在预设的时间窗口内出现并发性的高频瞬态跳变,且环境特征数据表征为降水或路面附着物叠加低能见度的异常场景时,判定进入多源传感器并发共振干扰模式;同步提取此时序内主动探测设备回波信号中的微观运动频域分布特征,以及对应的视频特征数据在目标区域内的局部形态动态扰动特征;将所述微观运动频域分布特征与所述局部形态动态扰动特征进行跨模态的时空关联分析,构建表征真实目标运动激发路面介质飞溅或扰动这一物理特性的微观物理耦合矩阵;将引起高频瞬态跳变的目标数据输入所述微观物理耦合矩阵进行交叉比对甄别,将不具备特定时空耦合关联关系的目标数据判定为由物理环境畸变与多径反射杂波诱发的假目标异构数据并予以剥离剔除;针对剥离剔除假目标异构数据后的剩余真实目标数据,引入具备抗差调节与自适应衰减特性的滤波算法重新进行状态增益迭代,输出重构后的特征层融合状态估计值。
16、在上述实施例中,通过在气象环境下引入主动回波频域与被动视频形态的跨模态联合时空校验,构建了反映路面介质物理扰动的耦合矩阵。能够识别并剥离多径效应激发的虚假目标杂波。结合抗差算法的二次重构,切断了环境噪声向高层状态机传导的链路,保障了交通状态感知系统在恶劣场景下的抗环境干扰韧性。
17、结合第一方面的一些实施例,在一些实施例中,在所述针对剥离剔除假目标异构数据后的剩余真实目标数据,引入具备抗差调节与自适应衰减特性的滤波算法重新进行状态增益迭代,输出重构后的特征层融合状态估计值之后,还包括:
18、当监测到所述重构后的特征层融合状态估计值在连续空间区段内出现目标群体性突发消失,且前置时序内的状态估计值表征为持续减速趋势时,判定当前路段进入异常场景叠加拥堵滞留的次生静止场景;提取当前时序内对应空间区段的视频特征数据中的环境背景静态遮挡特征,并同步提取所述主动探测设备回波信号在目标后方形成的探测信号遮蔽阴影特征;将所述静态遮挡特征与所述探测信号遮蔽阴影特征进行空间拓扑映射,构建表征真实目标物理停滞体积的静态空间占据矩阵;将发生目标群体性突发消失的空间坐标回溯导入所述静态空间占据矩阵进行二次校验,提取落在所述静态空间占据矩阵有效区域内的空间坐标;将提取出的所述空间坐标标记为被误剔除的真实滞留目标数据,并为其赋予趋近于零的静止状态向量;将所述真实滞留目标数据强制汇入所述具备抗差调节与自适应衰减特性的滤波算法中进行状态更新,输出修正后的特征层融合状态估计值。
19、在上述实施例中针对重度拥堵引发目标长期停滞而被雷达类传感器误作背景滤除的问题,融合视频静态遮挡与雷达后向阴影构建空间占据矩阵。恢复被误剔除的滞留目标数据并重置静止矢量,弥补了微波探测体制的低速感知盲区,确保了拥堵次生场景下车流态势还原的物理连贯性。
20、结合第一方面的一些实施例,在一些实施例中,所述提取所述边缘预处理数据中表征交通状态的异质独立指标数据,基于各独立指标数据之间的冲突系数构建冲突修正因子,并采用带有所述冲突修正因子的证据合成规则进行计算,输出决策层融合结果,具体包括:
21、提取所述边缘预处理数据中表征交通状态的异质独立指标数据,计算对各个交通状态类别的基本概率分配值,并提取出所述异质独立指标数据之间的冲突系数;当所述冲突系数超过预设的极值冲突阈值,且对应的异质独立指标数据在道路空间纵向拓扑上呈现出显著差异的运动状态阶跃分布时,判定触发交通激波异常冲突模式,并暂停常规证据合成规则;沿所述道路空间纵向拓扑计算所述异质独立指标数据之间的动态状态梯度差,将所述动态状态梯度差超越临界安全阈值的空间节点坐标确认为状态突变激波锋面;针对所述状态突变激波锋面及其来车方向关联区段,跳过基于所述冲突修正因子的概率合成,将其决策类别锚定为最高预警级别类别,并输出为所述决策层融合结果。
22、在上述实施例中,通过实时捕捉纵向路权拓扑上相悖的运动状态阶跃梯度,识别出可能诱发连环追尾的交通激波锋面。在探知高危激波模式时切断常规证据合成的平滑收敛逻辑,提升激波上游影响区域的风险响应定级。消除了常规统计算法在应对突发恶性事件时的时序滞后效应,为交通诱导拦截抢占了预警提前量。
23、第二方面,本技术实施例提供了一种面向交通状态评估的实时数据深度处理系统,该面向交通状态评估的实时数据深度处理系统包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该面向交通状态评估的实时数据深度处理系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
24、第三方面,本技术实施例提供一种包含指令的计算机程序产品,当上述计算机程序产品在面向交通状态评估的实时数据深度处理系统上运行时,使得上述面向交通状态评估的实时数据深度处理系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
25、第四方面,本技术实施例提供一种计算机可读存储介质,包括指令,当上述指令在面向交通状态评估的实时数据深度处理系统上运行时,使得上述面向交通状态评估的实时数据深度处理系统执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
26、可以理解地,上述第二方面提供的面向交通状态评估的实时数据深度处理系统、第三方面提供的计算机程序产品和第四方面提供的计算机存储介质均用于执行本技术实施例所提供的面向交通状态评估的实时数据深度处理方法。因此,其所能达到的有益效果可参考对应方法中的有益效果,此处不再赘述。
27、本技术实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
28、1、本技术通过对多源交通数据进行统一时空映射与边缘侧分级过滤,降低了通信带宽的无效损耗。结合特征层自适应滤波降噪与决策层冲突修正证据合成,消除了单一传感器固有的数据跳变与多源异构传感器间的决策分歧。最后引入多维环境特征动态修正评估数值,提升了复杂交通场景下路网状态评估的准确性与鲁棒性。
29、2、本技术通过综合考量路段风险、实时状态与时间特征对数据价值进行动态量化评分,使得边缘节点能够根据数据的重要程度自适应切换全量或降维抽样传输策略。该机制在保障高危拥堵时段核心交通状态数据完整透传的同时,削减了常态平峰期冗余数据的无效传输量,缓解了边云协同架构下的通信信道拥塞压力。
30、3、本技术通过深度融合历史偏差统计与外部环境扰动因素,动态量化评估各数据源在当前时空下的可信度。将该可信度作为自适应权重因子直接干预滤波增益矩阵的迭代过程,使得状态估计算法能够敏锐感知并抑制因环境恶化或设备老化引发的数据失真,提高了连续数值参量在特征层融合阶段的数值稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com