一种基于大数据的用于缓解拥堵的智能交通系统及其运行方法与流程

1.本发明涉及交通技术领域，特别是涉及一种基于大数据的用于缓解拥堵的智能交通系统及其运行方法。


背景技术：

2.汽车作为一种工业品，由于制造技术的进步，其制造难度也大幅降低。同时，随着人们收入的增加，汽车价格对于多数人而言，都是在承受范围内的。所以，越来越多的人选择购买汽车自行驾驶来替代公共出行。但是，随着越来越多的人开车出行，导致道路上行驶的车辆逐渐增多，超出了其原有设计的承载范围，从而逐步地导致道路出现拥堵。
3.而目前缓解拥堵的方式是拓宽或新筑道路，因为当汽车使用率增高时，就需要有更多的道路来容纳车流。但是，拓宽或新筑道路仅能增加道路面积，而无法根治交通堵塞，因为汽车数量并未随之减少。甚至有时，兴辟道路等于是在无形之中，鼓励更多的驾驶人开车上路。并且，由于路面空间有限，拓宽道路往往须征收土地，易产生有纷争。许多地方为避免这项纷争，往往通过取消人行道来增加车道数目，但此举往往会增加交通事故的频率，让行人纷纷转而使用私有汽机车，让车流量占用更多道路面积。
4.随着大数据、人工智能等技术的发展，目前多数地方都开始结合大数据、人工智能等技术来实现城市交通智能化管理，以便缓解交通拥堵，保障城市的交通畅通和安全。


技术实现要素：

5.鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于大数据的用于缓解拥堵的智能交通系统及其运行方法，用于解决目前交通拥堵的问题。
6.为实现上述目的及其他相关目的，本发明提供一种基于大数据的用于缓解拥堵的智能交通系统，包括有：
7.数据采集模块，用于实时采集目标道路的车辆数据，所述目标道路包括实时或预先确定的待进行交通缓解的道路；
8.路网模块，用于根据所述车辆数据建立路网模型；
9.车辆速度计算模块，用于根据所述路网模型计算路段的平均速度，作为车辆的行驶速度；
10.车辆位置模块，用于根据车辆行驶的距离确定未来不同时刻车辆位置；
11.车辆密度预测模块，用于根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度；
12.路径规划模块，用于根据所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划，以减少所述目标车辆在所述目标道路的通行时间；其中，所述目标车辆包括位于所述目标道路的车辆。
13.可选地，所述系统还包括有数据清洗模块，所述数据清洗模块分别与数据采集模
块、路网模块连接，用于对所述数据采集模块中的车辆数据进行清洗，并将清洗后的车辆数据传输给路网模块；
14.其中，所述数据清洗模块对所述车辆数据进行清洗的过程包括：
15.基于不同路段对车辆的行驶速度要求，以最大值作为限定值，设定以下范围：0＜v＜v
max
，式中，v代表车辆行驶的车速，v
max
代表规定车速范围最大车速值；
16.对拥堵路长进行定义，有：0＜ci＜xi ε，式中，ε代表测试误差， xi代表路段长度，ci代表压车、拥挤条件下车辆行驶的距离；
17.确定车辆行驶时间，有：式中，τ代表不可抗力原因影响下的等候时间，c代表路段通行能力，lq代表路段排队平均长度，l代表路段长度；其中，所述不可抗力原因包括：交通事故、红绿灯；
18.将车辆的行驶速度要求、拥堵路长和车辆行驶时间进行组合，形成数据清洗规则，并根据所述数据清洗规则对所述车辆数据进行清洗。
19.可选地，根据所述数据清洗规则对所述车辆数据进行清洗的过程包括：
20.如果车辆行驶数据为负数，或者车辆行驶数据的数值超出了对应的上限值，则直接清除该数据；和/或，
21.如果车辆地理位置变化数据在100m以上，且车辆行驶速度为0km/h时，认为该数据无价值，直接清除此数据；和/或，
22.如果采集到多条数据来自同一个车辆，并且该车辆行驶速度、位置数据没有发生变化，则只保留第一条数据，并删除其余数据；和/或，
23.如果采集到两条相邻数据所对应的车辆地理位置超过预设距离，则直接清除此数据；和/或，
24.如果相同车辆的数据采集出现异常或者数据丢失部分占比超过预设比例，则清除对应车辆的所有数据。
25.可选地，所述系统还包括有数据修复模块，所述数据修复模块分别与数据清洗模块、路网模块连接，用于对数据清洗模块清洗后的车辆数据进行修复，并将修复后的车辆数据传输给路网模块；
26.所述数据修复模块对数据清洗模块清洗后的车辆数据进行修复的过程包括：
27.根据车辆行驶过程中，时间与车辆运行速度之间形成的关系曲线存在光滑、连续变化特点，选取二次指数平滑方法建立修复模型，并利用所述修复模型来对被清洗掉的车辆数据进行修复，其中，所述修复模型如下：
28.x
t r
＝a
t
b
t
r；
29.式中，a
t
和b
t
代表中间变量，x
t r
代表预测出的数据，r代表被清洗掉的车辆数据；其中，
[0030][0031][0032]
[0033][0034]
式中，代表一次指数平滑值，代表二次指数平滑值，α代表平滑系数，α∈(0，1)。
[0035]
可选地，所述路网模块根据所述车辆数据建立的路网模型包括：
[0036]
g＝(a，b，w)；
[0037]
式中，g为道路网络；
[0038]
a为车辆数据中所有交叉口的集合，其中，a＝{1，2，3，
……
}；
[0039]
b为车辆数据中所有路段的集合，其中，b＝{(i，j)|i，j∈a，i≠j}；
[0040]
w为路段的权重集合，且在路网模型中权值与路段所处的时段有关，其中，w＝{w
ij
(n)|(i，j)∈b，n∈n}，n为自然数；
[0041]
i为路段的前继节点，j为路段的后继节点，(i，j)表示路段；
[0042]wij
(n)为路段(i，j)在时段n的权重。
[0043]
可选地，所述车辆速度计算模块根据所述路网模型计算路段的平均速度，作为车辆的行驶速度的过程包括：
[0044][0045]
式中，v
ij
(n)为路段(i，j)在第n个时段的速度；
[0046]kij
(n)为路段(i，j)在第n个时段的密度；
[0047]
vf为路段的畅行速度；
[0048]km
为路段的最佳密度；
[0049]
p为大于0的实数。
[0050]
可选地，所述车辆位置模块根据车辆行驶的距离确定未来不同时刻车辆位置的过程包括：
[0051][0052]
sn＝∑sn；
[0053]
式中，sn为车辆从出发时刻到第n个时段结束行驶过的距离；
[0054]
sn为车辆在第n个时段内行驶的距离；
[0055]
q为1个时段内车辆跨过的路段数量；
[0056]
δt
ij
为车辆通过路段(i，j)花费的时间；
[0057]
t为1个时段的长度，并且
[0058]
可选地，所述车辆密度预测模块根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度的过程包括：
[0059]
判断车辆在第n个时段是否经过路段(i，j)，
[0060]
若经过，则该路段在该时段的车辆数加1；此时，路段(i，j)内的车辆密度为：
[0061][0062]
式中，k
ij
(n)为路段(i，j)在第n个时段的车辆密度；
[0063]cij
(n)为在第n个时段经过路段(i，j)的所有车辆数；
[0064]
l
ij
为路段(i，j)的长度。
[0065]
可选地，所述路径规划模块根据所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划的过程包括：
[0066]
初始化路网和各个路段的路网模型；
[0067]
调用所述目标车辆的出行计划数据，获取所述目标车辆的出发时刻、出发路段和终点路段；
[0068]
获取计算出的未来时段路网密度，并利用路径搜索算法从所述未来时段路网密度中搜索出最短路径；
[0069]
将所述最短路径作为规划出的路径，并将所述路径反馈至所述目标车辆；
[0070]
判断所述目标车辆是否达到所述终点路段，如果所述目标车辆已经达到所述终点路段，则结束路径规划；如果所述目标车辆未达到所述终点路段，则将当前时刻所述车辆的路段作为出发路段，重新搜索最短路径，直至所述目标车辆达到所述终点路段。
[0071]
本技术还提供一种运行如上述中任一所述的基于大数据的用于缓解拥堵的智能交通系统的方法，所述方法包括以下步骤：
[0072]
实时采集目标道路的车辆数据，所述目标道路包括实时或预先确定的待进行交通缓解的道路；
[0073]
基于所述车辆数据建立路网模型，并按照所述路网模型计算路段的平均速度，作为车辆的行驶速度；
[0074]
通过车辆行驶的距离确定未来不同时刻车辆位置；
[0075]
根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度；
[0076]
基于所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划，以减少所述目标车辆在所述目标道路的通行时间；其中，所述目标车辆包括位于所述目标道路的车辆。
[0077]
如上所述，本发明提供一种基于大数据的用于缓解拥堵的智能交通系统及其运行方法，具有以下有益效果：
[0078]
本技术通过实时采集目标道路的车辆数据，然后再基于车辆数据建立路网模型，并按照路网模型计算路段的平均速度，作为车辆的行驶速度；同时通过车辆行驶的距离确定未来不同时刻车辆位置；以及根据车辆位置和车辆的行驶速度预计目标道路在未来各时段内的密度；最后基于目标道路在未来各时段内的密度，来对目标车辆进行路径规划，以减少目标车辆在目标道路的通行时间。由此可知，本技术围绕交通路况预测方法展开探究，能够准确计算不同路段的车辆行驶平均速度，根据计算结果进行分析，可以获取与实际路况相符的交通路况预测结果，同时根据交通路况预测结果进行路径规划，然后将规划后的路径反馈给目标车辆，不仅可以减少目标车辆在拥堵路段的通行时间，而且还可以减少拥堵路段的车辆数量，从而可以缓解拥堵路段的交通状态。并且，与现有技术相比，本技术通过大数据的方式来缓解拥堵路段的交通状态，不需要新建道路，只对现有道路进行充分利用，
从而节约了道路的建造成本。
附图说明
[0079]
图1为本技术中一实施例提供的基于大数据的用于缓解拥堵的智能交通系统的硬件结构示意图；
[0080]
图2为本技术中一实施例提供的道路路段示意图；
[0081]
图3为本技术中一实施例提供的路网模型示意图；
[0082]
图4为本技术中一实施例提供的车辆路线时空关系示意图；
[0083]
图5为本技术中一实施例提供的路径规划流程示意图；
[0084]
图6为本技术中一实施例提供的运行基于大数据的用于缓解拥堵的智能交通系统的方法流程示意图。
具体实施方式
[0085]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0086]
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
[0087]
请参阅图1所示，本发明提供一种基于大数据的用于缓解拥堵的智能交通系统，包括有：
[0088]
数据采集模块，用于实时采集目标道路的车辆数据，所述目标道路包括实时或预先确定的待进行交通缓解的道路；
[0089]
路网模块，用于根据所述车辆数据建立路网模型；
[0090]
车辆速度计算模块，用于根据所述路网模型计算路段的平均速度，作为车辆的行驶速度；
[0091]
车辆位置模块，用于根据车辆行驶的距离确定未来不同时刻车辆位置；
[0092]
车辆密度预测模块，用于根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度；
[0093]
路径规划模块，用于根据所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划，以减少所述目标车辆在所述目标道路的通行时间；其中，所述目标车辆包括位于所述目标道路的车辆。
[0094]
由此可知，本实施例围绕交通路况预测方法展开探究，能够准确计算不同路段的车辆行驶平均速度，根据计算结果进行分析，可以获取与实际路况相符的交通路况预测结果，同时根据交通路况预测结果进行路径规划，然后将规划后的路径反馈给目标车辆，不仅可以减少目标车辆在拥堵路段的通行时间，而且还可以减少拥堵路段的车辆数量，从而可
以缓解拥堵路段的交通状态。并且，与现有技术相比，本实施例通过大数据的方式来缓解拥堵路段的交通状态，不需要新建道路，只对现有道路进行充分利用，从而节约了道路的建造成本。
[0095]
在一示例性实施例中，所述系统还包括有数据清洗模块，所述数据清洗模块分别与数据采集模块、路网模块连接，用于对所述数据采集模块中的车辆数据进行清洗，并将清洗后的车辆数据传输给路网模块。其中，所述数据清洗模块对所述车辆数据进行清洗的过程包括：
[0096]
基于不同路段对车辆的行驶速度要求，以最大值作为限定值，设定以下范围：0＜v＜v
max
，式中，v代表车辆行驶的车速，v
max
代表规定车速范围最大车速值；
[0097]
对拥堵路长进行定义，有： 0＜ci＜xi ε，式中，ε代表测试误差，
[0098]
xi代表路段长度，ci代表压车、拥挤条件下车辆行驶的距离；
[0099]
确定车辆行驶时间，有：式中，τ代表不可抗力原因影响下的等候时间，c代表路段通行能力，lq代表路段排队平均长度，l代表路段长度；其中，所述不可抗力原因包括：交通事故、红绿灯；
[0100]
将车辆的行驶速度要求、拥堵路长和车辆行驶时间进行组合，形成数据清洗规则，并根据所述数据清洗规则对所述车辆数据进行清洗。
[0101]
由此可知，在本实施例中，数据清洗发生在数据预处理之后，以数据组中的异常数据作为处理对象，包括两种类型，其中一种为异常车辆行驶数据，另外一类为没有利用价值的干扰信息。关于异常数据的界定，是通过设定各个参数的标准范围，将标准范围作为界定工具，如果超出此范围，则认为本次收集到的交通数据异常。所以，本实施例将车辆的行驶速度要求、拥堵路长和车辆行驶时间进行组合，形成数据清洗规则，然后根据所述数据清洗规则对所述车辆数据进行清洗，得到清洗后的数据可以提高路径规划的准确率。
[0102]
根据上述记载，在一示例性实施例中，根据所述数据清洗规则对所述车辆数据进行清洗的过程包括：如果车辆行驶数据为负数，或者车辆行驶数据的数值超出了对应的上限值，则直接清除该数据。和/或，如果车辆地理位置变化数据在100m以上，且车辆行驶速度为0km/h时，认为该数据无价值，直接清除此数据。和/或，如果采集到多条数据来自同一个车辆，并且该车辆行驶速度、位置数据没有发生变化，则只保留第一条数据，并删除其余数据。和/或，如果采集到两条相邻数据所对应的车辆地理位置超过预设距离，则直接清除此数据。例如，如果采集到两条相邻数据所对应的车辆地理位置超过预设距离1km，则直接清除此数据。和/或，如果相同车辆的数据采集出现异常或者数据丢失部分占比超过预设比例，则清除对应车辆的所有数据。例如，如果相同车辆的数据丢失部分占比超过10％，则清除对应车辆的所有数据。
[0103]
在一示例性实施例中，为了提高数据预测精准度，本研究针对清洗过的数据采取补充处理，使得数据满足空间和时间连续性要求。以支持掉头双向道路为例，提出数据修复处理方法。如图2所示，本实施例提供一种为支持掉头双向道路路段。在图2中，数字代表各条路段的编码，黑色圆点代表路段交汇处，箭头代表车辆在本条路段行驶的方向。由于车辆行驶过程中，时间与车辆运行速度之间形成的关系曲线存在光滑、连续变化特点，所以考虑选取二次指数平滑方法作为研究工具，修复当前被清洗掉的数据。具体地，所述系统还包括
有数据修复模块，所述数据修复模块分别与数据清洗模块、路网模块连接，用于对数据清洗模块清洗后的车辆数据进行修复，并将修复后的车辆数据传输给路网模块。其中，所述数据修复模块对数据清洗模块清洗后的车辆数据进行修复的过程包括：根据车辆行驶过程中，时间与车辆运行速度之间形成的关系曲线存在光滑、连续变化特点，选取二次指数平滑方法建立修复模型，并利用所述修复模型来对被清洗掉的车辆数据进行修复，所述修复模型如下：
[0104]
x
t r
＝a
t
b
t
r；
[0105]
式中，a
t
和b
t
代表中间变量，x
t r
代表预测出的数据，r代表被清洗掉的车辆数据；其中，
[0106][0107][0108][0109][0110]
式中，代表一次指数平滑值，代表二次指数平滑值，α代表平滑系数，α∈(0，1)。
[0111]
在一示例性实施例中，如图3所示，路网模型是一个复杂结构，很难用一个具体的函数精确表征整个城市路网的交通状况。为了便于问题分析，本研究采用一种简洁但足以研究路径规划过程的路网模型，对时间进行离散化处理，将时间划分为一系列连续的时段，这样可以把某一路段在某一时段内的交通状况视作近似不变，并由相应的预测模型确定。所以，所述路网模块根据所述车辆数据建立的路网模型的数学表达式如下：
[0112]
g＝(a，b，w)；
[0113]
式中，g为道路网络；
[0114]
a为车辆数据中所有交叉口的集合，其中，a＝{1，2，3，......}；
[0115]
b为车辆数据中所有路段的集合，其中，b＝{(i，j)|i，j∈a，i≠j}；
[0116]
w为路段的权重集合，且在路网模型中权值与路段所处的时段有关，其中，w＝{w
ij
(n)|(i，j)∈b，n∈n}，n为自然数；
[0117]
i为路段的前继节点，j为路段的后继节点，(i，j)表示路段；
[0118]wij
(n)为路段(i，j)在时段n的权重。
[0119]
根据上述记载，在一示例性实施例中，本实施例将将1条出行计划路线投射到空间和时间2个维度：在空间上，将出行计划路线途径的路段按顺序排列，在时间上，将出行计划路线跨越的时段按顺序排列，从而可以得到车辆出行计划路线的时空关系，如图4所示，图中横轴代表连续的时段，每个时段长度为t；纵轴代表连续路段形成的车辆路线，不等分的间隔代表组成一条车辆路线的不同路段长度，每个路段长度为l
ij
。由于路段长度和拥堵程度不同，车辆在不同路段内行驶时可能会跨越多个时段，也可能不到一个时段。所以，本实施例根据路段的速度-密度模型计算路段的平均速度，作为车辆的行驶速度，这里用广义的速度-密度模型代表两者之间的拟合关系。由于在真实路网中，路段的速度-密度拟合关系
受道路属性、驾驶条件、交通流状态等因素影响，不同模型的适用条件与稳定性不同。因此，在实际应用时，所述车辆速度计算模块根据所述路网模型计算路段的平均速度，作为车辆的行驶速度的过程包括：
[0120][0121]
式中，v
ij
(n)为路段(i，j)在第n个时段的速度；
[0122]kij
(n)为路段(i，j)在第n个时段的密度；
[0123]
vf为路段的畅行速度；
[0124]km
为路段的最佳密度；
[0125]
p为大于0的实数。
[0126]
根据上述记载，在一示例性实施例中，假设车辆在进入某一路段时按照与路段密度对应的平均速度行驶，且1个时段内路段的平均速度视为不变，则车辆的行驶速度只和车辆所处的路段及时段有关.若车辆在1个时段内没有跨越路段，则车辆速度一直不变；若车辆在1个时段内跨越u个路段，则车辆的速度按照各路段在该时段对应的速度行驶。则所述车辆位置模块根据车辆行驶的距离确定未来不同时刻车辆位置的过程包括：
[0127][0128]
sn＝∑sn；
[0129]
式中，sn为车辆从出发时刻到第n个时段结束行驶过的距离；
[0130]
sn为车辆在第n个时段内行驶的距离；
[0131]
q为1个时段内车辆跨过的路段数量；
[0132]
δt
ij
为车辆通过路段(i，j)花费的时间；
[0133]
t为1个时段的长度，并且
[0134]
根据上述记载，在一示例性实施例中，车辆的平均密度，指的是某一时段内途经该路段的车辆数与路段长度的比值。根据上述实施例计算的车辆未来时刻位置，获取车辆离开每个路段的时刻。以此为依据，判断车辆在第n个时段是否经过路段(i，j)，若经过，则该路段在该时段的车辆数加1。此时，所述车辆密度预测模块根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度的过程包括：
[0135]
判断车辆在第n个时段是否经过路段(i，j)，
[0136]
若经过，则该路段在该时段的车辆数加1；此时，路段(i，j)内的车辆密度为：
[0137][0138]
式中，k
ij
(n)为路段(i，j)在第n个时段的车辆密度；
[0139]cij
(n)为在第n个时段经过路段(i，j)的所有车辆数；
[0140]
lij为路段(i，j)的长度。
[0141]
根据上述记载，在一示例性实施例中，所述路径规划模块根据所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划的过程包括：
[0142]
初始化路网和各个路段的路网模型；
[0143]
调用所述目标车辆的出行计划数据，获取所述目标车辆的出发时刻、出发路段和终点路段；
[0144]
获取计算出的未来时段路网密度，并利用路径搜索算法从所述未来时段路网密度中搜索出最短路径；
[0145]
将所述最短路径作为规划出的路径，并将所述路径反馈至所述目标车辆；
[0146]
判断所述目标车辆是否达到所述终点路段，如果所述目标车辆已经达到所述终点路段，则结束路径规划；如果所述目标车辆未达到所述终点路段，则将当前时刻所述车辆的路段作为出发路段，重新搜索最短路径，直至所述目标车辆达到所述终点路段。
[0147]
具体地，如图5所示，本实施例中的路径搜索算法为d*lite算法。所以，本实施例路径规划算法具体实施步骤如下。1)初始化路网模型，根据路网情况拟合各路段的速度-密度关系式；2)根据用户发出的出行计划数据确定车辆的出发时刻、出发路段和终点路段。3)查询各路段的速度-密度模型，利用上述实施例中路网密度计算模块，计算未来多个时段路网密度。4)将交通流密度计算结果和路段长度转化为路段权重，并获取d*lite算法的启发值，调用改进后的d*lite算法搜索当前最优行驶路线，确定车辆未来的途径路段。5)若是该车辆第1次搜索，将计划路线存储至出行计划路线数据库；若非第1次搜索，则覆盖原有出行计划路线。6)判断车辆是否已经到达终点路段，若未到达终点路段，则在个时段结束后更新车辆的出发路段，并转至步骤3)；若已到达终点路段，则结束搜索。
[0148]
综上所述，本发明提供一种基于大数据的用于缓解拥堵的智能交通系统，通过实时采集目标道路的车辆数据，然后再基于车辆数据建立路网模型，并按照路网模型计算路段的平均速度，作为车辆的行驶速度；同时通过车辆行驶的距离确定未来不同时刻车辆位置；以及根据车辆位置和车辆的行驶速度预计目标道路在未来各时段内的密度；最后基于目标道路在未来各时段内的密度，来对目标车辆进行路径规划，以减少目标车辆在目标道路的通行时间。本系统围绕交通路况预测系统展开探究，能够准确计算不同路段的车辆行驶平均速度，根据计算结果进行分析，可以获取与实际路况相符的交通路况预测结果，同时根据交通路况预测结果进行路径规划，然后将规划后的路径反馈给目标车辆，不仅可以减少目标车辆在拥堵路段的通行时间，而且还可以减少拥堵路段的车辆数量，从而可以缓解拥堵路段的交通状态。并且，与现有技术相比，本系统通过大数据的方式来缓解拥堵路段的交通状态，不需要新建道路，只对现有道路进行充分利用，从而节约了道路的建造成本。
[0149]
如图6所示，本技术还提供一种运行如上述中任一所述的基于大数据的用于缓解拥堵的智能交通系统的方法，所述方法包括以下步骤：
[0150]
实时采集目标道路的车辆数据，所述目标道路包括实时或预先确定的待进行交通缓解的道路；
[0151]
基于所述车辆数据建立路网模型，并按照所述路网模型计算路段的平均速度，作为车辆的行驶速度；
[0152]
通过车辆行驶的距离确定未来不同时刻车辆位置；
[0153]
根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度；
[0154]
基于所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划，以减少所述目标车辆在所述目标道路的通行时间；其中，所述目标车辆包括位于所述目标道
路的车辆。
[0155]
由此可知，本实施例围绕交通路况预测方法展开探究，能够准确计算不同路段的车辆行驶平均速度，根据计算结果进行分析，可以获取与实际路况相符的交通路况预测结果，同时根据交通路况预测结果进行路径规划，然后将规划后的路径反馈给目标车辆，不仅可以减少目标车辆在拥堵路段的通行时间，而且还可以减少拥堵路段的车辆数量，从而可以缓解拥堵路段的交通状态。并且，与现有技术相比，本实施例通过大数据的方式来缓解拥堵路段的交通状态，不需要新建道路，只对现有道路进行充分利用，从而节约了道路的建造成本。
[0156]
在一示例性实施例中，对所述车辆数据进行清洗的过程包括：
[0157]
基于不同路段对车辆的行驶速度要求，以最大值作为限定值，设定以下范围：0＜v＜v
max
，式中，v代表车辆行驶的车速，v
max
代表规定车速范围最大车速值；
[0158]
对拥堵路长进行定义，有：0＜ci＜xi ε，式中，ε代表测试误差， xi代表路段长度，ci代表压车、拥挤条件下车辆行驶的距离；
[0159]
确定车辆行驶时间，有：式中，τ代表不可抗力原因影响下的等候时间，c代表路段通行能力，lq代表路段排队平均长度，l代表路段长度；其中，所述不可抗力原因包括：交通事故、红绿灯；
[0160]
将车辆的行驶速度要求、拥堵路长和车辆行驶时间进行组合，形成数据清洗规则，并根据所述数据清洗规则对所述车辆数据进行清洗。
[0161]
由此可知，在本实施例中，数据清洗发生在数据预处理之后，以数据组中的异常数据作为处理对象，包括两种类型，其中一种为异常车辆行驶数据，另外一类为没有利用价值的干扰信息。关于异常数据的界定，是通过设定各个参数的标准范围，将标准范围作为界定工具，如果超出此范围，则认为本次收集到的交通数据异常。所以，本实施例将车辆的行驶速度要求、拥堵路长和车辆行驶时间进行组合，形成数据清洗规则，然后根据所述数据清洗规则对所述车辆数据进行清洗，得到清洗后的数据可以提高路径规划的准确率。
[0162]
根据上述记载，在一示例性实施例中，根据所述数据清洗规则对所述车辆数据进行清洗的过程包括：如果车辆行驶数据为负数，或者车辆行驶数据的数值超出了对应的上限值，则直接清除该数据。和/或，如果车辆地理位置变化数据在100m以上，且车辆行驶速度为0km/h时，认为该数据无价值，直接清除此数据。和/或，如果采集到多条数据来自同一个车辆，并且该车辆行驶速度、位置数据没有发生变化，则只保留第一条数据，并删除其余数据。和/或，如果采集到两条相邻数据所对应的车辆地理位置超过预设距离，则直接清除此数据。例如，如果采集到两条相邻数据所对应的车辆地理位置超过预设距离1km，则直接清除此数据。和/或，如果相同车辆的数据采集出现异常或者数据丢失部分占比超过预设比例，则清除对应车辆的所有数据。例如，如果相同车辆的数据丢失部分占比超过10％，则清除对应车辆的所有数据。
[0163]
在一示例性实施例中，为了提高数据预测精准度，本研究针对清洗过的数据采取补充处理，使得数据满足空间和时间连续性要求。以支持掉头双向道路为例，提出数据修复处理方法。如图2所示，本实施例提供一种为支持掉头双向道路路段。在图2中，数字代表各条路段的编码，黑色圆点代表路段交汇处，箭头代表车辆在本条路段行驶的方向。由于车辆
行驶过程中，时间与车辆运行速度之间形成的关系曲线存在光滑、连续变化特点，所以考虑选取二次指数平滑方法作为研究工具，修复当前被清洗掉的数据。具体地，对清洗后的车辆数据进行修复的过程包括：根据车辆行驶过程中，时间与车辆运行速度之间形成的关系曲线存在光滑、连续变化特点，选取二次指数平滑方法建立修复模型，并利用所述修复模型来对被清洗掉的车辆数据进行修复，所述修复模型如下：
[0164]
x
t r
＝a
t
b
t
r；
[0165]
式中，a
t
和b
t
代表中间变量，x
t r
代表预测出的数据，r代表被清洗掉的车辆数据；其中，
[0166][0167][0168][0169][0170]
式中，代表一次指数平滑值，代表二次指数平滑值，α代表平滑系数，α∈(0，1)。
[0171]
在一示例性实施例中，如图3所示，路网模型是一个复杂结构，很难用一个具体的函数精确表征整个城市路网的交通状况。为了便于问题分析，本研究采用一种简洁但足以研究路径规划过程的路网模型，对时间进行离散化处理，将时间划分为一系列连续的时段，这样可以把某一路段在某一时段内的交通状况视作近似不变，并由相应的预测模型确定。所以，根据所述车辆数据建立的路网模型的数学表达式如下：
[0172]
g＝(a，b，w)；
[0173]
式中，g为道路网络；
[0174]
a为车辆数据中所有交叉口的集合，其中，a＝{1，2，3，......}；
[0175]
b为车辆数据中所有路段的集合，其中，b＝{(i，j)|i，j∈a，i≠j}；
[0176]
w为路段的权重集合，且在路网模型中权值与路段所处的时段有关，其中，w＝{w
ij
(n)|(i，j)∈b，n∈n}，n为自然数；
[0177]
i为路段的前继节点，j为路段的后继节点，(i，j)表示路段；
[0178]wij
(n)为路段(i，j)在时段n的权重。
[0179]
根据上述记载，在一示例性实施例中，本实施例将将1条出行计划路线投射到空间和时间2个维度：在空间上，将出行计划路线途径的路段按顺序排列，在时间上，将出行计划路线跨越的时段按顺序排列，从而可以得到车辆出行计划路线的时空关系，如图4所示，图中横轴代表连续的时段，每个时段长度为t；纵轴代表连续路段形成的车辆路线，不等分的间隔代表组成一条车辆路线的不同路段长度，每个路段长度为l
ij
。由于路段长度和拥堵程度不同，车辆在不同路段内行驶时可能会跨越多个时段，也可能不到一个时段。所以，本实施例根据路段的速度-密度模型计算路段的平均速度，作为车辆的行驶速度，这里用广义的速度-密度模型代表两者之间的拟合关系。由于在真实路网中，路段的速度-密度拟合关系受道路属性、驾驶条件、交通流状态等因素影响，不同模型的适用条件与稳定性不同。因此，
在实际应用时，根据所述路网模型计算路段的平均速度，作为车辆的行驶速度的过程包括：
[0180][0181]
式中，v
ij
(n)为路段(i，j)在第n个时段的速度；
[0182]kij
(n)为路段(i，j)在第n个时段的密度；
[0183]
vf为路段的畅行速度；
[0184]km
为路段的最佳密度；
[0185]
p为大于0的实数。
[0186]
根据上述记载，在一示例性实施例中，假设车辆在进入某一路段时按照与路段密度对应的平均速度行驶，且1个时段内路段的平均速度视为不变，则车辆的行驶速度只和车辆所处的路段及时段有关.若车辆在1个时段内没有跨越路段，则车辆速度一直不变；若车辆在1个时段内跨越u个路段，则车辆的速度按照各路段在该时段对应的速度行驶。则根据车辆行驶的距离确定未来不同时刻车辆位置的过程包括：
[0187][0188]
sn＝∑sn；
[0189]
式中，sn为车辆从出发时刻到第n个时段结束行驶过的距离；
[0190]
sn为车辆在第n个时段内行驶的距离；
[0191]
q为1个时段内车辆跨过的路段数量；
[0192]
δt
ij
为车辆通过路段(i，j)花费的时间；
[0193]
t为1个时段的长度，并且
[0194]
根据上述记载，在一示例性实施例中，车辆的平均密度，指的是某一时段内途经该路段的车辆数与路段长度的比值。根据上述实施例计算的车辆未来时刻位置，获取车辆离开每个路段的时刻。以此为依据，判断车辆在第n个时段是否经过路段(i，j)，若经过，则该路段在该时段的车辆数加1。此时，根据车辆位置和车辆的行驶速度预计所述目标道路在未来各时段内的密度的过程包括：
[0195]
判断车辆在第n个时段是否经过路段(i，j)，
[0196]
若经过，则该路段在该时段的车辆数加1；此时，路段(i，j)内的车辆密度为：
[0197][0198]
式中，k
ij
(n)为路段(i，j)在第n个时段的车辆密度；
[0199]gij
(n)为在第n个时段经过路段(i，j)的所有车辆数；
[0200]
l
ij
为路段(i，j)的长度。
[0201]
根据上述记载，在一示例性实施例中，根据所述目标道路在未来各时段内的密度，来对所述目标车辆进行路径规划的过程包括：
[0202]
初始化路网和各个路段的路网模型；
[0203]
调用所述目标车辆的出行计划数据，获取所述目标车辆的出发时刻、出发路段和
终点路段；
[0204]
获取计算出的未来时段路网密度，并利用路径搜索算法从所述未来时段路网密度中搜索出最短路径；
[0205]
将所述最短路径作为规划出的路径，并将所述路径反馈至所述目标车辆；
[0206]
判断所述目标车辆是否达到所述终点路段，如果所述目标车辆已经达到所述终点路段，则结束路径规划；如果所述目标车辆未达到所述终点路段，则将当前时刻所述车辆的路段作为出发路段，重新搜索最短路径，直至所述目标车辆达到所述终点路段。
[0207]
具体地，如图5所示，本实施例中的路径搜索算法为d*lite算法。所以，本实施例路径规划算法具体实施步骤如下。1)初始化路网模型，根据路网情况拟合各路段的速度-密度关系式；2)根据用户发出的出行计划数据确定车辆的出发时刻、出发路段和终点路段。3)查询各路段的速度-密度模型，利用上述实施例中路网密度计算方式，计算未来多个时段路网密度。4)将交通流密度计算结果和路段长度转化为路段权重，并获取d*lite算法的启发值，调用改进后的 d*lite算法搜索当前最优行驶路线，确定车辆未来的途径路段。5)若是该车辆第1次搜索，将计划路线存储至出行计划路线数据库；若非第1次搜索，则覆盖原有出行计划路线。6)判断车辆是否已经到达终点路段，若未到达终点路段，则在个时段结束后更新车辆的出发路段，并转至步骤3)；若已到达终点路段，则结束搜索。
[0208]
综上所述，本发明提供一种基于大数据的用于缓解拥堵的智能交通方法，通过实时采集目标道路的车辆数据，然后再基于车辆数据建立路网模型，并按照路网模型计算路段的平均速度，作为车辆的行驶速度；同时通过车辆行驶的距离确定未来不同时刻车辆位置；以及根据车辆位置和车辆的行驶速度预计目标道路在未来各时段内的密度；最后基于目标道路在未来各时段内的密度，来对目标车辆进行路径规划，以减少目标车辆在目标道路的通行时间。本方法围绕交通路况预测方法展开探究，能够准确计算不同路段的车辆行驶平均速度，根据计算结果进行分析，可以获取与实际路况相符的交通路况预测结果，同时根据交通路况预测结果进行路径规划，然后将规划后的路径反馈给目标车辆，不仅可以减少目标车辆在拥堵路段的通行时间，而且还可以减少拥堵路段的车辆数量，从而可以缓解拥堵路段的交通状态。并且，与现有技术相比，本方法通过大数据的方式来缓解拥堵路段的交通状态，不需要新建道路，只对现有道路进行充分利用，从而节约了道路的建造成本。
[0209]
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。