一种新能源汽车大数据路况预测系统的制作方法

1.本发明涉及路况预测领域，特别涉及一种新能源汽车大数据路况预测系统。


背景技术：

2.由于汽车数量的急剧增高，不少城市的道路基础设施趋于饱和，无法满足人们的出行需求。对于城市发展而言，交通拥堵更会阻碍经济的发展，同时造成能源浪费和环境污染为解决交通拥堵，提高人们的出行体验。
3.为解决城市交通拥堵问题，给人们提供优质的出行体验，提出了基于车联网大数据分析的实时路况检测系统。使用gps技术对行驶的车辆进行数据采集，通过数据清洗和数据修复得到样本集合，利用改进模糊c均值聚类算法对样本数据进行分析，得出各路段的平均车速，进而得到相应路段的交通状态。该系统能够准确得获取道路上行驶车辆的交通数据，识别出当前路段的交通状态。


技术实现要素：

4.本发明的目的是设计一种新能源汽车大数据路况预测系统，在使用的时候得到相应路段的交通状态。
5.为了达到上述发明目的，本发明采用的技术方案为：一种新能源汽车大数据路况预测系统，其特征在于，包括数据来源、数据预处理、数据存储以及交通状态的识别，所述数据来源包括车载终端、手机app、电脑软件以及摄像头，所述数据预处理，采集到数据后，需要对数据进行预处理，所述数据存储包括分布式数据存储与关系型数据库，所述交通状态的识别通过数据挖掘算法，将这些隐藏的信息显示出来并供用户使用。
6.作为改进，所述预处理操作主要有数据清洗和数据修复，在进行数据清洗前，对gps模块采集到的数据进行标准化处理。
7.作为改进，所述数据清洗将数据标准化处理，需要对采集到的数据进行数据清洗，对采集到数据中的异常数据进行甄别并处理，对“异常数据”的识别。
8.作为改进，所述数据修复是指进行数据清洗后，根据数据“异常”的类型，进行相应的预测，并进行数据补充。
9.作为改进，所述异常数据主要分为异常车辆行驶数据和无用的干扰信息两类，异常数据的判断采用阈值判断法，阈值判断法是根据某个系统或属性的最值，来判断数据是否异常。
10.作为改进，所述分布式数据存储面向海量数据的存储访问与共享需求，实现分布式存储节点上多用户的访问共享。
11.作为改进，所述关系型数据库是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据。
12.作为改进，所述交通状态的识别的数据挖掘算法为基于改进模糊c均值聚类算法，提取行驶车辆的瞬时车速。
13.作为改进，所述改进模糊c均值聚类算法的操作过程如下：
14.(1)利用canopy算法得出聚类中心v
(0)
和聚类个数c；
15.(2)合理设定模糊加权指数m和迭代终止阈值ε，并将常数k与迭代次数r设成0；
16.(3)计算隶属度矩阵u
(r)
和聚类中心v
(r l)
；
17.(4)比较‖v
(r 1)-v
(r)
‖与迭代终止阈值ε的大小，若‖v
(r 1)-v
(r)
‖小于迭代终止阈值e，则输出隶属度矩阵uk和聚类中心vk，否则，将r数值增1，重新从步骤(3)开始计算；
18.(5)计算u
xrk
的数值，若u
xrk
≥u
xrk-1
，则达到了迭代精度，输出隶属度矩阵u
k-1
和聚类中心u
k-1
，否则，将k的数值加1，重新设定模糊加权指数m
k，
返回步骤(2)重新计算，得到路段上车辆的平均速度；
19.(6)通过得到的道路平均速度可以作为判断道路交通状态的依据之一，道路交通状态可以分为：畅通缓行、拥堵和严重拥堵，这几种状态具有不同的道路平均数据区间，当计算得到的平均速度位于某种状态的速度区间时，得出当前某段路的交通状态。
20.本发明的有益效果是：在使用的时候得到相应路段的交通状态，利用gps技术和改进模糊c均值聚类算法，设计了基于车联网大数据分析的实时路况检测系统，从测试结果可以看出，本系统能够准确得获取道路上行驶车辆的交通数据，识别出当前路段的交通状态。地提高了道路通行以及交通疏导能力，缓解交通拥堵问题。
附图说明
21.图1为本发明一种新能源汽车大数据路况预测系统系统图。
具体实施方式
22.下面用具体实施例说明本发明，并不是对本发明的限制。
23.实施例一
24.一种新能源汽车大数据路况预测系统，包括数据来源、数据预处理、数据存储以及交通状态的识别，数据来源包括车载终端、手机app、电脑软件以及摄像头。
25.数据预处理，无论是采用gps技术、rfid技术，还是传感器来采集车辆行驶数据，均不可避免地会发生因高楼遮挡、雨雪天气、网络信号不稳定等原因造成的采集数据丢失.重复和错误等情况，从而导致对实时路况的解析发生偏差。采集到数据后，需要对数据进行预处理，预处理操作主要有数据清洗和数据修复。在进行数据清洗前，对gps模块采集到的数据进行标准化处理，使之拥有统一的格式，方便后续的清洗与修复操作。
26.数据清洗将数据标准化处理，需要对采集到的数据进行数据清洗。是指对采集到数据中的异常数据进行甄别并处理，对“异常数据”的识别，异常数据的识别情况将直接影响到数据质量，其不仅浪费存储空间，更会影响对实时路况信息的判断，从而影响用户体验。数据修复是指进行数据清洗后，根据数据“异常”的类型，进行相应的预测，并进行数据补充。
27.异常数据主要分为异常车辆行驶数据和无用的干扰信息两类，异常数据的判断采用阈值判断法。阈值判断法是根据某个系统或属性的最值，来判断数据是否异常，由于每条道路均有其限定的最高车速，因而该极值便可作为判断行驶车辆车速数据是否异常的标准。
28.数据存储包括分布式数据存储与关系型数据库，交通状态的识别通过数据挖掘算法，将这些隐藏的信息显示出来并供用户使用。分布式数据存储面向海量数据的存储访问与共享需求，提供基于多存储节点的高性能，高可靠和可伸缩性的数据存储和访问能力，实现分布式存储节点上多用户的访问共享，关系型数据库是建立在关系模型基础上的数据库，借助于集合代数等数学概念和方法来处理数据库中的数据。
29.交通状态的识别的数据挖掘算法为基于改进模糊c均值聚类算法，提取行驶车辆的瞬时车速。改进模糊c均值聚类算法的操作过程如下：
30.利用canopy算法得出聚类中心v
(0)
和聚类个数c；合理设定模糊加权指数m和迭代终止阈值ε，并将常数k与迭代次数r设成0；计算隶属度矩阵u
(r)
和聚类中心v
(r l)
；比较‖v
(r 1)-v
(r)
‖与迭代终止阈值ε的大小，若‖v
(r 1)-v
(r)
‖小于迭代终止阈值e，则输出隶属度矩阵uk和聚类中心vk，否则，将r数值增1，重新从计算隶属度矩阵u
(r)
和聚类中心v
(r l)
开始计算。
31.计算u
xrk
的数值，若u
xrk
≥u
xrk-1
，则达到了迭代精度，输出隶属度矩阵u
k-1
和聚类中心u
k-1
，否则，将k的数值加1，重新设定模糊加权指数m
k，
返回合理设定模糊加权指数m和迭代终止阈值ε，并将常数k与迭代次数r设成0重新计算，得到路段上车辆的平均速度。
32.通过得到的道路平均速度可以作为判断道路交通状态的依据之一，道路交通状态可以分为：畅通缓行、拥堵和严重拥堵，这几种状态具有不同的道路平均数据区间，当计算得到的平均速度位于某种状态的速度区间时，得出当前某段路的交通状态。
33.以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。