一种智慧街区建设的车辆流量分析方法与流程

本发明涉及车流量分析，具体涉及一种智慧街区建设的车辆流量分析方法。

背景技术：

1、交通拥堵已经成为世界性问题而备受关注，许多国家都不同程度地受到这一问题的困扰。交通拥堵会造成交通延误增大，行车速度降低，甚至导致城市交通瘫痪。在拥塞期间，会增加汽车耗油量和尾气排放量，加剧能源短缺危机和环境恶化。通常来说，有两个办法可以缓解交通拥堵现象：一是限制汽车的数量和出行频率；二是改进道路基础设施，提高通行能力。但这两种方法都存在自身因素的局限性，不能有效解决拥塞问题。因此，选择合理的车辆调度运行机制，减少道路拥塞才是城市建设与发展的重中之重。

2、导致城市交通拥堵的主要原因是汽车使用率增加。由于汽车出行便利，导致城市市区车流量日益升高，每逢高峰时刻，上班的、旅游的、购物的车辆从四面八发涌向市区。汽车的最大缺点就是占用道路空间，加之道路容量不足、设计不妥、交汇处过多，致使市区交通拥堵现象经常发生。现有的车流量检测法主要是传统视频检测方法，它基于工控机，其算法成熟，且已形成相关产品。但其仍存在缺点：一是由于通用cpu没有专用的硬件乘法器，故很难实现图像的时实性处理。二是采用通用工控机，运行windows系统，成本高，要时刻关心机器有没死机，也无法得出每条道路在某个时间段内车辆的频率以及相应的车型统计，无法得出某个路段出现堵车现象的频度和时间规律，应用成效不佳。

技术实现思路

1、本公开的主要目的在于提供了一种智慧街区建设的车辆流量分析方法，以有效解决发明人在上述背景技术提出的问题。

2、为达成上述目的，本发明采用的技术方案如下：

3、一种智慧街区建设的车辆流量分析方法，包括以下步骤：

4、s1、交通道路中移动车辆与基站建立链接后，基站可以通过车载系统与车辆发生数据交互，进而采集行车数据信息，即多条行车数据信息构成车流量数据，基站服务器端后台进程会对行车数据进行预处理；

5、s2、从整个车流量数据集合中统计经过每个预监测点的行车数据量，spark将会全局扫描整个数据集合，计算车流量数据文件中每条行车数据的经纬度与预监测点位置的经纬度的实际距离；

6、s3、然后将该实际距离的值与预监测点的覆盖半径相比较，如果该实际距离的值小于预监测点的覆盖半径，统计值加一并循环，以得到某个预监测点位置的车流量总数；

7、s4、实时车轨追踪即某辆交通车辆在与基站建立信号连接时，基站会在接下来每隔一个时间批次持续向实时计算模块发生该行车数据，基站在这个时间段内接收到的所有包含该车辆的行车数据，实时计算模块在接收各个时间批次的车流量数据后，通过过滤找到用户追踪指定车牌号的行车数据，获取所在经纬的值；

8、s5、依据已知固定基站所在位置的经纬度信息，求出车辆与基站间的实际距离，借助导出的链路传输成功概率的表达式计算出成功概率值，并写入文件，具体为，假设移动车辆所在经纬为（jv，wv）和基站所在经纬度为（jb，wb），求出车与基站的实际水平距离，其公式为：

9、r=2rarcsin（sin2（wv-wb/2）+cos（wv）cos（wb）sin2（jv-jb/2））1/2

10、其中r为赤道半径；

11、s6、加入防抖抗干扰措施，对每一排信号在一定时间内进行多次采样，设置采样标志变量，将多次采样的标志变量进行综合匹配，匹配后结果在置信区间的，则认为采集数据真实，经试验，取两次采样间隔1ms，综合以上各步骤程序以及采集的数据，完成双向并排车流量的识别和分析；

12、具体的，利用车辆在驶入、通过、驶出以及驶离检测区时，会引起两个测量排所获取数据的不同变化，利用第一、第二步对各排状态位的分析结果，通过算法设计，能够将车辆的动作逐一提取，并将完成的这一套四个动作作为判断车真正通过测试区域的标准，作为记录依据，以实现对车行驶方向的判定；

13、一种智慧街区建设的车辆流量分析方法，包括车流量采集与分析系统，所述车流量采集与分析系统包括后台大数据采集模块、流量检测模块、存储模块、分析计算模块以及web端可视化操作模块，涉及了蜂窝网络、apache hadoop生态圈和apache spark框架理论和技术知识，所述蜂窝网络和铁路传输成功概率主要为系统数据采集模块中数据筛选部分提供理论依据，所述apeche hadoop生态圈和apache spark框架技术主要为本系统数据存储、分析技术模块提供技术支撑，所述蜂窝网络包含模拟蜂窝网络和数字蜂窝网络，为移动通信框架，由移动用户、基站子系统和网络子系统三部分组成，所述蜂窝网络使用正六边形表示，其用最少的节点覆盖最大区域；

14、优选的，所述蜂窝网络中，假设考虑的移动用户位于原点处，当用户距离其最近基站的sinr比大于某个阈值t时，规定移动用户与基站之间的链路传输是成功的，利用随机几何理论方法，结合sinr公式和链路传输成功概率公式，可以推算出原点处的典型移动用户与最近基站间链路传输的成功概率公式为：

15、ps=p（pbhr-a/σ2+ib＞t）

16、=p(h＞tra（σ2+ib）/pb

17、=eib[h＞tra（σ2+ib）/pb,ib]

18、=eib[exp（-utra（σ2+ib）/pb）]

19、=exp（-utraσ2/pb）lib（utra/pb）

20、其中，ib是除最近邻基站外其他所有基站对链路传输的随机干扰，lib是干扰信号的拉布拉斯变换；

21、优选的，所述流量检测模块采用红外线矩阵法，其为一种利用红外线矩阵检测设备检测道路上机动车流量的放大以及道路交通检测系统，在车辆经过路面上安装密度适当的几排红外线发射接收电路，组成红外线矩阵，红外线检测矩阵由两排嵌入路面内的接收其和安装在其上几米处的发射器组成，根据车驶入、通过以及驶出测试区域，其行车方向和车辆型号，并排行车数量等状态引起的矩阵内各点高低电平的复杂变化，通过硬件电路的设计和软件算法处理，以统计出经过该测量区域内双向并排经过的车流量测量。利用单片机并且采用模块化设计来设计车流量检测系统，只要有车辆经过就会挡住两个发射和接收红外线传感器之间的传感信号这样就能根据车量的流动情况对车流量进行检测，本系统模块采用红外线传感器组成的矩阵作为采集信号对车流量进行检测，红外线传感器采集到信号之后经电源电路和以及滤波放大电路之后再传送到单片机进行处理，单片机再将处理结果由外设显示器显示，而系统会通过出现低电平的次数来统计车流量；

22、优选的，所述蜂窝网络中移动用户与基站间的通信通常是一种双向通信模式，移动用户与基站间可以进行发射和接收待定信息，对于传输链路而言，接收端接收到发送端的信号功率为（s），与干扰信号（i）和噪声（n）的总功率之比，即信号与干扰加噪声比为：

23、sinr=s/i+n

24、当移动用户距离其最近基站的sinr大于某个阈值（t）时，规定移动用户与基站之间的链路传输是成功的，故成功概率的定义式为：

25、ps=p(sinr＞t）。

26、鉴于此，与现有技术相比，本发明的有益效果是：

27、（一）、本技术中，研究移动车辆与基站间链路传输成功概率，无需划分网格且降低了计算的复杂度，改善了蜂窝网络的性能，为系统数据筛选提供了理论基础，最大程度保障了数据来源的真实性、准确性和一致性；

28、（二）、本技术中，整合大数据生态圈的多项技术，提供了数据从采集到分布式存储，再到离线与实时计算，以及结果可视化的完整业务处理流程，每个功能模块可拆分为独立的子系统，应用到不同的应用系统中，体现良好的复用性和插拔性；

29、（三）、本技术中，基于蜂窝网络推导出链路传输成功概率和区域频谱面积的精确表达式，通过仿真模拟分析了各个系统参数对链路传输功概率的影响，在现有的基站上进行信息采集，降低了硬件成本损耗，为系统数据采集模块中的数据筛选提供了理论基础，最大程度保障了数据来源的真实性、准确性以及一致性。