一种基于大数据的混合作业流双向并行计算检测方法与流程

1.本发明涉及自动识智能交通系统技术领域，具体涉及一种基于大数据的混合作业流双向并行计算检测方法。


背景技术：

2.随着人民生活水平不断提高，以及城市化进程的推进。作为人们出行的主要交通工具之一的私家车，其保有量也急剧增加。以中国为例，据统计，截至2019年底，私家车保有量突破2亿辆，全国66个城市汽车保有量超过百万辆，30个城市超过200万辆。各种车辆保有量的迅猛增长与有限城市空间资源之间的矛盾日益加剧，城市道路交通带来了巨大压力，也造成了拥堵、事故和停车难等问题。
3.城市区域交通流量预测作为智能交通领域的研究热点，旨在利用历史城市区域交通流量预测未来交通流量，具体可应用到交通资源合理配置、风险预警、城市规划和出行规划等方面。随着全球定位系统(gps,global positioning system)等基于位置技术等服务在各种设备平台上普及，为实时收集海量的车辆轨迹数据提供了便捷方法。车辆的轨迹特征在一定程度上反映了驾驶人的出行偏好，其轨迹数据记录了驾驶人的出行规律隐含着城市车流量转移的时空特征，展现了城市各区域对人们不同的吸引力。
4.大数据指的是人类生产与生活中所产生的大量数据信息，该技术呈现出来源复杂、数量巨大的特点。当前城市交通车流数据巨大且路况复杂多样。大数据通过对车流数据的整合处理，并可深入挖掘数据中的价值信息，进而服务于城市交通指导。
5.相对于传统解决方式，大数据分析具有及时性、高吞吐量、高并发、高可用、可预测等特性，能在有效时间内处理海量数据。


技术实现要素：

6.有鉴于此，本发明的目的在于提出一种基于大数据的混合作业流双向并行计算检测方法，其能够基于大数据，对城市区域进行流量统计与预测。
7.所采用的技术方案为：
8.一种基于大数据的混合作业流双向并行计算检测方法，包括如下步骤：
9.s1.车辆卡口相机对混合作业流双向并行往来车辆采集车流图像数据,并将车流图像数据发送给图像处理模块；
10.s2.图像处理模块接收车辆卡口相机发送的车流图像数据，将车流图像数据转为结构化车辆数据，并将结构化车辆数据发送给具有大数据的后台计算机中心；
11.s3.后台计算机中心接收结构化车辆数据，并通过深度学习识别算法进行样本训练，对混合作业流双向的车流量进行去重后自动做出计算检测，并对车流量进行预测。
12.进一步地，s1中，采集车流图像数据是采集一个时间段内的车辆卡口相机的往来车辆图像数据。
13.进一步地，s2中，所述结构化车辆数据包括：机动车id、机动车类别、车身颜色、卡
口设备id、出现时间、通过时间、车牌号码、图片地址、行驶速度中的多种。
14.进一步地，s3中，基于结构化车辆数据自动进行去重。
15.进一步地，s3中基于大数据学习结构化车辆数据的统计及权重，并以此预测该区域内流入流出的车流量。
16.进一步地，s3中,以机动车id和卡口设备id作为较大的权重进行识别计算。
17.进一步地，s3中,在采集一个时间段内，以更细分的时间段作为统计区间，计算检测该更细分的时间段的车流量。
18.本发明的有益效果在于：
19.由于后台计算机中心接收结构化车辆数据，并通过深度学习识别算法进行样本训练，对混合作业流双向的车流量进行去重后自动做出计算检测，并对车流量进行预测，从而能够实现能够基于大数据，对城市区域进行流量统计与预测，能够长时间准确的进行城市区域流量统计与预测。
附图说明
20.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为一种基于大数据的混合作业流双向并行计算检测方法的流程示意图。
22.图2为一种基于大数据的混合作业流双向并行计算检测方法流程步骤图。
具体实施方式
23.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明优选的实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
24.参见图1和图2所示，一种基于大数据的混合作业流双向并行计算检测方法，包括如下步骤：
25.s1.车辆卡口相机对混合作业流双向并行往来车辆采集车流图像数据,并将车流图像数据发送给图像处理模块；作为一种具体实施方式，可以采集车流图像数据是采集一个时间段内的车辆卡口相机的往来车辆图像数据。例如一天24小时之内的车辆卡口相机的往来车辆图像数据。混合作业流双向并行往来车辆是指在该区域内的车辆可以双向混合并行往来。车辆卡口相机可以不止1个，可以同时有多个在工作。
26.s2.图像处理模块接收车辆卡口相机发送的车流图像数据，将车流图像数据转为结构化车辆数据，并将结构化车辆数据发送给具有大数据的后台计算机中心；结构化车辆数据包括：机动车id、机动车类别、车身颜色、卡口设备id、出现时间、通过时间、车牌号码、图片地址、行驶速度中的多种。优选全部。其中以卡口设备id与机动车id为较大权重，例如0.8-0.9；即卡口设备id可以确定区域范围；机动车id可以确定具体车辆。其他的结构化车辆数据可以辅助这两个id数据，并给予较小权重，例如0.1-0.2。
27.s3.后台计算机中心接收结构化车辆数据，并通过深度学习识别算法进行样本训练，对混合作业流双向的车流量进行去重后自动做出计算检测，并对车流量进行预测，可以基于结构化车辆数据自动进行去重。可以以机动车id和卡口设备id作为较大的权重进行识别计算，也可以以机动车id和卡口设备id作为较大的权重进行去重。以避免同一车量在极短时间内来回打转重复计算车流量。
28.可以在采集一个时间段内，以更细分的时间段作为统计区间，计算检测该更细分的时间段的车流量。例如30-60min内作为统计区间，计算检测该更细分的时间段的车流量。
29.参见图2所示，在一种具体实施例下，基于大数据的混合作业流双向并行计算检测方法，在计算机程序上，可以为：先采集车流图像数据，然后将车流图像数据转为结构化车辆数据，最后通过深度学习识别算法进行样本训练，是否去重？若是，则对混合作业流双向的车流量进行去重后自动做出计算检测，并对车流量进行预测。
30.后台计算机中心，包括存储器及处理器，存储器中储存有计算机程序，计算机程序被处理器执行时，使得处理器执行上述的基于大数据的混合作业流双向并行计算检测方法步骤。
31.后台计算机中心也包括大屏幕的显示器，用于显示计算检测结果及预测结果，实时动态监测流量。
32.通过通过深度学习识别算法对实时结构化数据进行计算处理，能够对海量车辆数据进行分析处理及存储。
33.一个或多个存储有计算机可读指令的非易失性可读存储介质，计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述的基于大数据的混合作业流双向并行计算检测方法步骤。
34.综上，本发明由于后台计算机中心接收结构化车辆数据，并通过深度学习识别算法进行样本训练，对混合作业流双向的车流量进行去重后自动做出计算检测，并对车流量进行预测，从而能够实现能够基于大数据，对城市区域进行流量统计与预测，能够长时间准确的进行城市区域流量统计与预测。
35.上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。