一种基于大数据交通动态调节方法、系统、设备及介质与流程

1.本发明涉及大数据交通的技术领域，具体而言，涉及一种基于大数据交通动态调节方法、系统、设备及介质。


背景技术：

2.城市交通建设是一项系统工程，既要研究交通需求和供应的平衡，还要考虑土地和财力的可能，是一项决策性很强的工作。当前出现的城市交通问题中，其中一个重要原因是，缺乏科学的整体交通战略和规划，治理工作往往顾此失彼，前后失调，投入不小，而收益不大。有一些大城市热衷于建设高标准的大型交通工程，出现了许多立交桥、高架路和城市环路，以为只有高标准的大型交通工程，才能一劳永逸地解决交通问题，实际上这种办法只能缓和暂时矛盾，拥挤问题不但没有解决，甚至诱发聚集更多的交通量，引起结构性的“负效应”。由此需要一种基于大数据交通动态调节方法。


技术实现要素：

3.本发明的目的在于提供一种基于大数据交通动态调节方法，其能够为整体交通线路规划作数据支撑；提高了便捷性。
4.本发明的实施例是这样实现的：
5.第一方面，本技术实施例提供一种基于大数据交通动态调节方法，其包括通过红绿灯上的监控摄像头对道路信息进行实时采集；对监控摄像头监控区域内无车时道路状态进行不同时段的数据采集，并将采集的数据作为对照模板；利用卷积神经网络对不同图片上汽车的特征进行特征提取，同时进行循环深度学习，得到参照样本；当监控摄像头获取的实时道路图片根据参照样本在卷积神经网络的识别下，识别出汽车的数量大于预设数量时；将对照模板与实时道路图片重叠对比，若在预设区域内汽车数量超过预设数量，则定义为第一级堵车；对预设区域外进行道路图片采集；将预设区域外道路图片与对照模板进行对比，当预设区域外车辆未完全覆盖对照模板时，在车辆与未覆盖的对照模板直接绘制分界线，利用三角函数计算分界线与监控摄像头距离，得到堵车距离；当堵车距离大于或等于预设距离时，控制红绿灯对当前道路进行放行，对其余道路进行禁止通行；将多个红绿灯路口的拥堵数据上传至后台终端，并根据拥堵数据对红绿灯进行时间调节。
6.在本发明的一些实施例中，利用三角函数计算分界线与监控摄像头距离的步骤包括：测量监控摄像头离地面的高度，对监控摄像头的监控区域内设置水平基准面；取分界线的中点为参考点，将参考点与摄像头中心参考点连接，并根据水平基准面形成夹角，利用高度和夹角根据正切函数得到摄像头与分界线的距离。
7.在本发明的一些实施例中，利用高度和夹角根据正切函数得到摄像头与分界线的距离后的步骤还包括：当道路中有货车遮挡监控摄像头的视线时，设置多个监控摄像头在支撑架上均匀分布；利用高度和夹角根据正切函数得到监控摄像头与分界线的距离后，再根据多个监控摄像头的间距，由正弦函数得到最终距离。
8.在本发明的一些实施例中，对监控摄像头的监控区域内设置水平基准面的步骤包括：在道路信息中道路区域随机选取多组节点组，任一节点组包括两个连接的节点，将处于共面的最多的节点组所在的平面作为水平基准面。
9.在本发明的一些实施例中，在车辆与未覆盖的对照模板直接绘制分界线中的步骤包括：设置离预设区域最远的车辆尾端在图片上的基准线为分界线。
10.在本发明的一些实施例中，对其余道路进行禁止通行后的步骤还包括：延长通行时间。
11.在本发明的一些实施例中，拥堵数据包括拥堵路段地址、拥堵路段时间点以及拥堵路段时长。
12.第二方面，本技术实施例提供一种基于大数据交通动态调节系统，包括预设模块，用于通过红绿灯上的监控摄像头对道路信息进行实时采集；对监控摄像头监控区域内无车时道路状态进行不同时段的数据采集，并将采集的数据作为对照模板；学习模块，用于利用卷积神经网络对不同图片上汽车的特征进行特征提取，同时进行循环深度学习，得到参照样本；初级识别模块，用于当监控摄像头获取的实时道路图片根据参照样本在卷积神经网络的识别下，识别出汽车的数量大于预设数量时；将对照模板与实时道路图片重叠对比，若在预设区域内汽车数量超过预设数量，则定义为第一级堵车；对预设区域外进行道路图片采集；最终识别模块，用于将预设区域外道路图片与对照模板进行对比，当预设区域外车辆未完全覆盖对照模板时，在车辆与未覆盖的对照模板直接绘制分界线，利用三角函数计算分界线与监控摄像头距离，得到堵车距离；执行模块，用于当堵车距离大于或等于预设距离时，控制红绿灯对当前道路进行放行，对其余道路进行禁止通行；大数据综合模块，用于将多个红绿灯路口的拥堵数据上传至后台终端，并根据拥堵数据对红绿灯进行时间调节。
13.第三方面，本技术实施例提供一种电子设备，包括至少一个处理器、至少一个存储器和数据总线；其中：处理器与存储器通过数据总线完成相互间的通信；存储器存储有可被处理器执行的程序指令，处理器调用程序指令以执行一种基于大数据交通动态调节方法。
14.第四方面，本技术实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现一种基于大数据交通动态调节方法。
15.相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
16.对于交通拥堵的问题，本设计利用监控摄像头进行信息采集，其主要由于交通监控摄像头的分布较广，数据采集更为便捷，由此利用其对路段的图像进行采集，从而在图像上利用深度学习模型进行汽车特征识别，并上传至后台终端，从而为整体交通线路规划作数据支撑；提高了便捷性。
附图说明
17.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
18.图1为本发明中一种基于大数据交通动态调节方法的流程示意图；
19.图2为本发明中一种基于大数据交通动态调节方法的部分流程示意图；
20.图3为本发明中距离计算的示意图；
21.图4为本发明中一种基于大数据交通动态调节系统的结构示意图；
22.图5为本发明中一种电子设备的结构示意图。
23.图标：1、预设模块；2、学习模块；3、初级识别模块；4、最终识别模块；5、执行模块；6、大数据综合模块；7、处理器；8、存储器；9、数据总线；10、监控摄像头；11、汽车。
具体实施方式
24.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
25.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
26.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
27.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
28.在本技术的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本技术的限制。
29.在本技术的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
30.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
31.实施例1
32.请参阅图1，为本技术实施例提供的一种基于大数据交通动态调节方法，对于交通拥堵的问题，本设计利用监控摄像头10进行信息采集，其主要由于交通监控摄像头10的分布较广，数据采集更为便捷，由此利用其对路段的图像进行采集，从而在图像上利用深度学习模型进行汽车11特征识别，并上传至后台终端，从而为整体交通线路规划作数据支撑；提高了便捷性。
33.s1：通过红绿灯上的监控摄像头10对道路信息进行实时采集；
34.由于红绿灯上的监控摄像头10已经大面积的进行安装，为了尽可能地节约资源，直接采用红绿灯上的监控摄像头10进行数据采集可以有效节约资源的使用。
35.s2：对监控摄像头10监控区域内无车时道路状态进行不同时段的数据采集，并将采集的数据作为对照模板；
36.而对于如何进行堵车的判断则是依靠路面上车辆的数量，由此需要采用无车时的道路情况对道路上车辆进行对比。
37.s3：利用卷积神经网络对不同图片上汽车11的特征进行特征提取，同时进行循环深度学习，得到参照样本；
38.而对于图片采集后，需要对堵车进行记录，其中汽车11的识别则成为较为关键的技术，利用卷积神经网络模型，可以随着数据的增多逐步提高准确性。
39.s4：当监控摄像头10获取的实时道路图片根据参照样本在卷积神经网络的识别下，识别出汽车11的数量大于预设数量时；将对照模板与实时道路图片重叠对比，若在预设区域内汽车11数量超过预设数量，则定义为第一级堵车；对预设区域外进行道路图片采集；
40.而由于堵车后需要快速反应，由此采用重叠比较，并同时设置预设区域，以此先进行小面积检测，从而提高数据梳理速度。
41.s5：将预设区域外道路图片与对照模板进行对比，当预设区域外车辆未完全覆盖对照模板时，在车辆与未覆盖的对照模板直接绘制分界线，利用三角函数计算分界线与监控摄像头10距离，得到堵车距离；
42.一旦判断堵车超出预设区域后，则表明有大规模堵车的情况发生，此时需要对堵车的距离进行预估，从而方便后续疏通。
43.s6：当堵车距离大于或等于预设距离时，控制红绿灯对当前道路进行放行，对其余道路进行禁止通行；
44.而对于堵车的疏通，则直接对当前拥堵的路段进行放行，对未拥堵的堵路可暂停放行，从而减轻拥堵压力。
45.s7：将多个红绿灯路口的拥堵数据上传至后台终端，并根据拥堵数据对红绿灯进行时间调节。
46.上传至后台终端后，可以根据长时间的数据判断任一路段拥堵情况，对拥堵路段进行首先放行，从而进行疏通，提高了便捷性。
47.请参阅图2，在本发明的一些实施例中，利用三角函数计算分界线与监控摄像头10距离的步骤包括：
48.s51：测量监控摄像头10离地面的高度，对监控摄像头10的监控区域内设置水平基准面；
49.而对于距离测算，需要利用三角函数进行计算，而计算时为了方便夹角的获取，建立水平基准面。
50.s52：取分界线的中点为参考点，将参考点与摄像头中心参考点连接，并根据水平基准面形成夹角，利用高度和夹角根据正切函数得到摄像头与分界线的距离。
51.而后利用预先测量的高度d，以及夹角θ带入正切函数得距离l，如图3所示。
52.请参阅图2，在本发明的一些实施例中，利用高度和夹角根据正切函数得到摄像头
与分界线的距离后的步骤还包括：
53.s53：当道路中有货车遮挡监控摄像头10的视线时，设置多个监控摄像头10在支撑架上均匀分布；
54.而由于货车载货后高度较高，很可能直接将后续车辆遮挡，为了避免这一情况，本设计采用多个摄像头从不同的角度进行图片获取。
55.s54：利用高度和夹角根据正切函数得到监控摄像头10与分界线的距离后，再根据多个监控摄像头10的间距，由正弦函数得到最终距离。
56.而对于不同角度图片获取后，不同角度的监控摄像头10所计算的结果会出现偏差，由此利用正弦函数进行修正，得到结果。
57.在本发明的一些实施例中，对监控摄像头10的监控区域内设置水平基准面的步骤包括：在道路信息中道路区域随机选取多组节点组，任一节点组包括两个连接的节点，将处于共面的最多的节点组所在的平面作为水平基准面。
58.在本发明的一些实施例中，对于水平基准面的设置，为了尽可能与地面齐平，在不完全水平的路面，采用共面的最多的节点组所在的平面作为水平基准面，能够尽可能减小误差。
59.在本发明的一些实施例中，在车辆与未覆盖的对照模板直接绘制分界线中的步骤包括：设置离预设区域最远的车辆尾端在图片上的基准线为分界线。
60.在本发明的一些实施例中，已车尾的线条为分界线可以更为直观的显示堵车距离，且能够提高准确性。
61.在本发明的一些实施例中，对其余道路进行禁止通行后的步骤还包括：延长通行时间。
62.在本发明的一些实施例中，拥堵数据包括拥堵路段地址、拥堵路段时间点以及拥堵路段时长。
63.实施例2
64.请参阅图4，为本发明提供的一种基于大数据交通动态调节系统，包括预设模块1，用于通过红绿灯上的监控摄像头10对道路信息进行实时采集；对监控摄像头10监控区域内无车时道路状态进行不同时段的数据采集，并将采集的数据作为对照模板；学习模块2，用于利用卷积神经网络对不同图片上汽车11的特征进行特征提取，同时进行循环深度学习，得到参照样本；初级识别模块3，用于当监控摄像头10获取的实时道路图片根据参照样本在卷积神经网络的识别下，识别出汽车11的数量大于预设数量时；将对照模板与实时道路图片重叠对比，若在预设区域内汽车11数量超过预设数量，则定义为第一级堵车；对预设区域外进行道路图片采集；最终识别模块4，用于将预设区域外道路图片与对照模板进行对比，当预设区域外车辆未完全覆盖对照模板时，在车辆与未覆盖的对照模板直接绘制分界线，利用三角函数计算分界线与监控摄像头10距离，得到堵车距离；执行模块5，用于当堵车距离大于或等于预设距离时，控制红绿灯对当前道路进行放行，对其余道路进行禁止通行；大数据综合模块6，用于将多个红绿灯路口的拥堵数据上传至后台终端，并根据拥堵数据对红绿灯进行时间调节。
65.实施例3
66.请参阅图5，为本发明提供的一种电子设备，包括至少一个处理器7、至少一个存储
器8和数据总线9；其中：处理器7与存储器8通过数据总线9完成相互间的通信；存储器8存储有可被处理器7执行的程序指令，处理器7调用程序指令以执行一种基于大数据交通动态调节方法。例如实现：
67.通过红绿灯上的监控摄像头10对道路信息进行实时采集；对监控摄像头10监控区域内无车时道路状态进行不同时段的数据采集，并将采集的数据作为对照模板；利用卷积神经网络对不同图片上汽车11的特征进行特征提取，同时进行循环深度学习，得到参照样本；当监控摄像头10获取的实时道路图片根据参照样本在卷积神经网络的识别下，识别出汽车11的数量大于预设数量时；将对照模板与实时道路图片重叠对比，若在预设区域内汽车11数量超过预设数量，则定义为第一级堵车；对预设区域外进行道路图片采集；将预设区域外道路图片与对照模板进行对比，当预设区域外车辆未完全覆盖对照模板时，在车辆与未覆盖的对照模板直接绘制分界线，利用三角函数计算分界线与监控摄像头10距离，得到堵车距离；当堵车距离大于或等于预设距离时，控制红绿灯对当前道路进行放行，对其余道路进行禁止通行；将多个红绿灯路口的拥堵数据上传至后台终端，并根据拥堵数据对红绿灯进行时间调节。
68.实施例4
69.本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器7执行时实现一种基于大数据交通动态调节方法。例如实现：
70.通过红绿灯上的监控摄像头10对道路信息进行实时采集；对监控摄像头10监控区域内无车时道路状态进行不同时段的数据采集，并将采集的数据作为对照模板；利用卷积神经网络对不同图片上汽车11的特征进行特征提取，同时进行循环深度学习，得到参照样本；当监控摄像头10获取的实时道路图片根据参照样本在卷积神经网络的识别下，识别出汽车11的数量大于预设数量时；将对照模板与实时道路图片重叠对比，若在预设区域内汽车11数量超过预设数量，则定义为第一级堵车；对预设区域外进行道路图片采集；将预设区域外道路图片与对照模板进行对比，当预设区域外车辆未完全覆盖对照模板时，在车辆与未覆盖的对照模板直接绘制分界线，利用三角函数计算分界线与监控摄像头10距离，得到堵车距离；当堵车距离大于或等于预设距离时，控制红绿灯对当前道路进行放行，对其余道路进行禁止通行；将多个红绿灯路口的拥堵数据上传至后台终端，并根据拥堵数据对红绿灯进行时间调节。
71.其中，存储器8可以是但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
72.处理器7可以是一种集成电路芯片，具有信号处理能力。该处理器7可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field－programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
73.在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它
的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
74.所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
75.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
76.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。