一种基于大数据分析的道路施工智能监管方法及存储介质

技术领域

本发明涉及建筑工程技术领域，特别涉及一种基于大数据分析的道路施工智能监管方法及存储介质。

背景技术

在建筑工程中，道路施工涉及到公共交通系统和交通流量的干扰，因此需要采用一定的监管方法来最大限度地减少对交通的影响。道路是城市的重要交通通道，交通流量的维持对于保障市民出行、商业活动以及应急服务非常重要。在道路施工过程中，交通的中断或减速可能会导致交通拥堵，增加事故风险，甚至影响急救车辆的通行。交通拥堵和中断会对城市的经济活动产生负面影响。交通堵塞可能会导致人员和货物的延误，增加运输成本，影响商业活动和物流，从而降低城市的生产效率和经济增长。

道路连接了城市中不同的区域，使得公共设施如医院、学校、商业区等能够顺畅运作。因此，保持交通的连通性对于城市的正常运行至关重要。建筑工程涉及到对城市公共资源的使用，施工方在使用这些资源时应当承担相应的社会责任，努力最小化对市民的干扰，确保施工过程的合理性和可持续性。

基于以上理由，采用一定的监管方法以减少对交通的干扰是非常重要的。这可以包括规划合理的施工时间、交通引导措施、流量监测和预测、交通绕行方案等。通过科学的监管方法，可以在确保建筑工程进展的同时，最大程度地减少对交通运行的负面影响，促进城市的可持续发展。

为此，提出一种基于大数据分析的道路施工智能监管方法及存储介质。

发明内容

有鉴于此，本发明实施例希望提供一种基于大数据分析的道路施工智能监管方法及存储介质，以解决或缓解现有技术中存在的技术问题，即通过科学的监管方法，可以在确保建筑工程进展的同时，最大程度地减少对交通运行的负面影响，促进城市的可持续发展，并对此至少提供一种有益的选择；

本发明实施例的技术方案是这样实现的：

第一方面：一种基于大数据分析的道路施工智能监管方法：

（一）概述：

本方法基于元胞自动机模型，通过分析大数据中的交通流量信息，预测道路施工附近路段的交通情况，结合D-S证据理论进行比对和决策，进一步根据阈值判断调整物料运输频率，以降低施工对交通的干扰。

（二）内容：

（2.1）STEP-1：交通流量预测利用元胞自动机：

定义：每个元胞代表一个交通路段，具有交通流量属性。

属性：

状态更新：

（2.2）STEP-2：D-S证据理论比对和决策：

定义假设：H1表示“预测准确”，H2表示“预测不准确”。

计算信任度和不确定度：使用D-S证据理论的合并规则计算

判断决策：根据

（2.3）STEP-3：阈值判断和调整物料运输频率：

归一化：将实际交通流量

设定阈值：设置阈值Threshold，根据 

调整频率：如果

（三）参数设置与调整：

α和β的设置需基于数据分析和实验来确定，以适应交通流量的实际变化。

阈值Threshold可通过历史数据、交通运行标准和实际评估来调整，以确保适应不同交通状况。

（四）应用与优势：

适用于城市道路施工，可以减少交通阻塞、提升交通运行效率。通过大数据分析和智能决策，降低施工对交通的影响，维护交通流畅和市民生活质量。

（五）总结：

通过预测、比对和阈值判断，实现了在道路施工过程中最大限度地减少对交通的干扰。该方法可以应用于城市交通规划和管理，为城市交通运行提供了有效的支持和指导。

第二方面：

一种存储介质，所述存储介质内存储有用于执行如上述所述的道路施工智能监管方法的程序指令。

在存储介质内，存储有用于执行道路施工智能监管方法的程序指令。这些程序指令可以采用各种编程语言编写，例如Python、C++、Java等，以适应不同的计算机系统和平台。具体而言，这些程序指令包括以下内容：

（1）数据处理和分析模块： 这些指令用于处理大数据中的交通流量信息，进行预测和归一化等操作。它们可根据实际需求，对数据进行预处理和分析。

（2）D-S证据理论模块： 这些指令用于实现D-S证据理论中的比对和决策步骤。它们计算假设的信任度和不确定度，从而进行决策判断。

（3）阈值判断和调整模块： 这些指令用于根据归一化后的交通流量与阈值的比较，决定是否需要调整物料运输频率。它们实现了根据交通情况的自动化调整。

（4）参数设置模块：这些指令用于设置和调整模型中的参数，它们可以基于数据分析和实验结果，进行参数优化和调整。

（5）输出和反馈模块：这些指令用于生成监管结果和决策，以及提供必要的反馈。输出可以是交通流量预测、决策结果、建议的物料运输频率等信息。

（6）通过在存储介质中储存这些程序指令，计算机系统可以根据需要读取、执行和更新这些指令，从而实现道路施工智能监管方法的自动化操作。

总结性的，与现有技术相比，本发明所提供的一种基于大数据分析的道路施工智能监管方法及存储介质的有益效果如下：

一、交通流畅性的提升：这种方法通过预测交通流量，实现在道路施工期间的交通流畅性的提升。通过合理地安排施工计划和物料运输频率，避免了施工对交通流量的不必要干扰。这有助于减少交通拥堵，提高道路的通行效率。

二、城市交通效率的增加：道路施工智能监管方法通过预测交通流量，使施工方能更加准确地掌握交通变化趋势。这使得施工方能够调整施工策略，避免在高峰交通时段进行大规模的施工。因此，城市的交通效率得到提高，减少了因施工引起的交通延误。

三、减少交通事故风险：在道路施工期间，交通的混乱和不规律往往会增加交通事故的风险。该智能监管方法的应用可以避免因施工引起的交通堵塞，降低了交通事故的可能性，提高了道路交通的安全性。

四、改善市民出行体验：道路施工的时候，市民往往会受到交通拥堵、噪音和不便等问题的困扰。通过有效监管和调整，智能监管方法有助于减少这些不利因素，改善了市民的出行体验，提升了城市的居住环境。

五、资源的合理利用：智能监管方法可以根据实际情况调整物料运输频率，从而避免了过多的资源浪费。这包括减少不必要的物料运输、降低燃料消耗等，有助于环保和资源的合理利用。

六、城市可持续发展：通过减少道路施工对交通和环境的干扰，该方法有助于实现城市的可持续发展。交通流畅和高效将促进城市经济的发展，同时改善了市民的生活质量。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的实施例三、实施例四的对比示意图；

图2为本发明的实施例二的元胞自动机演化示意图；

图3为本发明的实施例八的控制程序示意图；

图4为本发明的实施例八的控制程序示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制；

实施例一：一种基于大数据分析的道路施工智能监管方法：

STEP-1：在这一步骤中，首先获取当前时间步的交通流量数据，该数据描绘了不同道路段的交通状况。随后，借助元胞自动机模型，本实施例可以对下一时间步的道路施工附近路段的交通流量进行预测。这个过程的核心思想是基于历史数据和特定因素（如时间、天气、道路类型等），在元胞（代表道路段）之间进行信息传递和交互，从而推测未来的交通流量。

STEP-2：在这一步骤中，本实施例将前一步所得的预测数值与大数据输出的交通流量数据结合，作为两个不同的证据。然后，本实施例将这两个证据引入D-S证据理论，进行比对并验证前一步元胞自动机模型所做的预测的精准度。具体过程包括以下几个关键点：

S2.1、假设构建：本实施例构建两个假设，即“预测准确”（H1）和“预测不准确”H2），代表了元胞自动机模型的预测情况。

S2.2、证据合并：本实施例使用D-S证据理论的合并规则，将预测数值作为一个证据（证据1），将大数据输出的交通流量数据作为另一个证据（证据2）。通过合并，本实施例得到这两个证据在各个假设上的信任度。

S2.3、决策判断：本实施例比较这两个证据在“预测准确”假设上的信任度。如果证据1在该假设上的信任度显著高于证据2，即表示预测较为准确，那么本实施例可以继续执行下一步。

STEP-3：如果在前一步验证中预测的精准度被证实，那么本实施例将进入下一步。在这一步骤中，本实施例将预测的数值与预先设定的阈值进行比较。这个阈值是一个阈值界限，用来判断交通流量是否超出了可接受的范围。如果预测数值超过了阈值，那么本实施例将执行以下操作：

S3.1、数值归一化：首先，本实施例将预测数值进行归一化，将其映射到区间 [0,1]，以便于比较和判断。

S3.2、阈值比对：接着，本实施例将归一化后的预测数值与预先设定的阈值进行比较。如果归一化后的数值超过了阈值，表示交通流量较大，需要进一步控制施工的影响。

S3.3、频率调整：在超出阈值的情况下，本实施例将采取措施来降低道路施工时的物料运输频率，以减少交通干扰。这可以通过减少运输次数、调整运输时间等方式实现。

通过这一系列步骤，基于大数据分析的道路施工智能监管方法能够预测交通流量、验证预测精准度，并在必要时调整物料运输频率，从而最大程度地减少施工对交通的干扰，提高城市交通的效率和质量。

实施例二：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

在STEP-1中：

元胞定义：本实施例将每个路段看作一个元胞，令Ci,j表示在时刻t时位于行i列j的元胞，表示道路施工附近的交通路段；

元胞邻居定义：令Ni,j表示位于行i列j的元胞的邻居集合，表示与当前元胞 Ci,j相邻且影响其状态更新的元胞集合：

这些邻居元胞与当前元胞Ci,j的状态更新相关；

元胞属性：每个元胞Ci,j具有一个属性Traffic(t)，表示在时刻t时通过该路段的交通流量；这个属性是一个实数，反映了当前时间步的交通状况：

具体的，属性 Traffic(t)(t)$ 在元胞自动机模型中起着关键的作用，它是模型中每个元胞的一个重要属性，用来表示在时刻 $t$ 通过该路段的交通流量。以下是属性Traffic(t)(t)$ 的进一步扩充，包括其影响因素和实际意义：

（1）影响因素的综合考虑：

（2）交通流量的实际意义：

（3）历史数据的利用：

进一步的，

在本实施例中，线性转换函数：

α和β为模型的参数，用于线性地转换当前时间步的交通流量为下一个时间步的预测值。

具体的，线性转换函数是元胞自动机模型中的关键部分，它用于预测下一个时间步的交通流量。下面将进一步扩充这个函数的含义和影响因素：

线性转换函数是一种数学表达，用于将当前时间步的交通流量

具体的：请参阅图2，α制了交通流量的增长或衰减趋势。如果α大于1，预测值将比当前值更大，暗示交通流量可能会增加。如果α在0和1之间，预测值将比当前值更小，表示交通流量可能会减少。α的值越大，交通流量的变化越剧烈，反之亦然。图中的白色区域即为预测的交通流量频率浮动。

具体的：β是一个常数项，代表了在没有其他影响因素时，下一个时间步的交通流量的基准值。它可以用来调整模型的整体预测水平。如果 β较大，预测值的基准值较高；如果β较小，预测值的基准值较低。

可以理解的是，线性转换函数在预测交通流量时仍然能够考虑历史数据和趋势。通过调整参数α和β，本实施例可以根据历史交通流量的变化趋势来做出预测。如果历史数据表明交通流量呈上升趋势，本实施例可以设置α大于1，以体现增长的特点。线性转换函数

实施例三：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

α和β为线性增长模型：交通流量的变化与当前流量成正比，即交通流量随着时间的推移而线性增长；

α为大于1的常数k，以表示交通流量的增长；β为小于1的正数b，表示基本交通流量：

如果α大于1且数值不断趋增高，那么当前状态会以趋增高的速度增长，从而使预测的交通流量变大；β给当前状态增加一个基准值，即使没有外部因素影响，状态也会保持在一个基本水平。

在本实施例中，α和β是线性增长模型，交通流量的变化与当前流量成正比，即交通流量随着时间的推移而线性增长。其中，α表示交通流量的增长因子，而β则表示基本交通流量，即在没有外部因素影响的情况下，交通流量的基准值。

（1）α作为增长因子：α是线性增长模型中的一个关键参数，它代表了交通流量的增长速度。如果α大于1，代表交通流量的增长速度更快，当前状态会以趋增高的速度增长。这意味着交通流量在未来时间步会呈现逐步增加的趋势。α的数值大小可以体现交通流量增长的程度。

（2）β作为基本交通流量：另一方面，β代表了基本交通流量，即在没有外部因素影响的情况下，交通流量的基准水平。即使没有特殊事件或影响因素，交通流量也会保持在这个基本水平。这可以理解为交通的常态水平，反映了道路的基本使用情况。

（3）α和β的联合作用：α和β共同作用，使得线性增长模型能够根据当前交通流量以及增长趋势，合理预测未来交通流量的变化。如果α大于1且数值不断增大，预测的交通流量会随着时间增加的速度而加快，反映了增长趋势。而β的存在则确保了即使没有外部因素的干扰，交通流量也会保持在一个相对稳定的基准值上。通过对α和β的合理设定，本实施例能够利用线性增长模型更加准确地预测未来交通流量的变化，为道路施工智能监管方法提供有力的交通流量预测支持。

示例性的，请参阅图1中的计算方式1：设本实施例考虑一段道路施工区域的交通流量，本实施例想要使用线性增长模型来预测未来几个时间步的交通流量变化。在这个例子中，本实施例将选择以下参数数值：

α（增长因子）：假设α=1.2，表示交通流量每个时间步增加20%。

β（基本交通流量）：假设β=100，表示在没有外部影响时，交通流量的基准值为100。

现在，本实施例将利用这些参数来预测未来三个时间步的交通流量变化。假设当前时间步的交通流量为：

时间步 t = 0：

时间步 t = 1：根据线性增长模型：

时间步 t = 2：

时间步 t = 3：

依此循环往复；

通过这个示例，本实施例可以看到根据选定的参数数值，交通流量随着时间的推移以线性增长的趋势逐步增加。增长因子 α 控制了增长速度，而基本交通流量 β 则给交通流量提供了一个基准值。这个推导演示了线性增长模型如何根据参数进行预测，以及如何在道路施工智能监管中应用。

实施例四：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

α和β为平滑模型：交通流量始终保持不变；

α为趋近于1的常数ϵ，以保持交通流量的平稳性，β为小于1的常数b，表示基本交通流量：

本实施例与实施例三不同之处在于，在平滑模型中，本实施例重新定义了α和β的含义。此时，α代表了一个趋近于1的常数ϵ，用于保持交通流量的平稳性，而β仍然表示基本交通流量。

在平滑模型中，ϵ是一个小于1但趋近于1的常数。它的作用是保持交通流量的平稳性，即使有外部因素的影响，交通流量变化也会相对缓慢。通过设置ϵ接近于1，本实施例确保交通流量的变化相对平缓，减少了交通流量剧烈波动带来的不稳定性。

具体的，β的作用：与之前的解释相同，β代表了基本交通流量，即在没有外部因素影响的情况下，交通流量的基准值。

具体的，α和β的协同作用：在平滑模型中，α和β共同作用，使得预测的交通流量相对稳定。通过将α设置为接近1的常数ϵ，本实施例保持了交通流量的平稳性，而通过β的存在，交通流量依然具有基本水平。这种协同作用确保了交通流量变化的平滑性和稳定性。

具体的，适用情景：平滑模型适用于那些需要保持交通流量平稳性的情况，比如在一些相对稳定的道路段落或没有明显变化的时间段。它可以帮助防止交通流量的剧烈波动，从而使道路施工智能监管更加可靠和有效。通过采用平滑模型中新定义的α和β，本实施例可以实现对交通流量的平稳预测，从而为道路施工智能监管提供更稳定的交通流量预测支持。

示例性的，请参阅图1的计算方法二的部分，设本实施例考虑一段相对稳定的道路区域的交通流量，本实施例希望使用平滑模型来预测未来几个时间步的交通流量变化。在这个例子中，本实施例将选择以下参数数值：

α（趋近于1的常数ϵ）：假设 α = 0.95，表示交通流量的平稳性，每个时间步流量变化不大。

β（基本交通流量）：假设 β = 80，表示在没有外部影响时，交通流量的基准值为80。

现在，本实施例将利用这些参数来预测未来三个时间步的交通流量变化。假设当前时间步的交通流量为：

时间步 t = 0：

时间步 t = 1：根据平滑模型：

时间步 t = 2：

时间步 t = 3：

实施例五：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

在STEP-2中：D-S证据理论：本实施例需要比对两个假设：H1 表示预测准确，H2 表示预测不准确。基于D-S证据理论，本实施例会根据信任度和不确定度的计算，判断哪个假设更为可信，以决定是否执行 STEP-3。

H1：预测准确；

H2：预测不准确；

Bel(H1)：H1的信任度；

Pl(H1)：H1的不确定度；

Bel(H2)：H2的信任度；

Pl(H2)：H2的不确定度；

其中，信任度和不确定度的计算通过交叉计算Bel和Pl来得到。具体计算如下：

在这个公式中，本实施例要计算的是对假设 H1 的信任度，即 Bel(H1)。这个信任度是基于两个证据的组合：一个是关于交通流量的证据 

信任度的计算是基于D-S证据理论中的Dempster合成规则，它考虑了两个证据的共识度和矛盾度。在这里，本实施例将两个证据进行组合，以计算对假设 H1 的信任度。公式中的分子部分表示两个证据的共识度，即

分母部分表示两个证据的共识度和矛盾度的综合，即：

如果两个证据之间有矛盾，这个值会较小。通过将共识度和矛盾度考虑在内，信任度的计算能够反映出对假设 H1 的相对置信程度。信任度的计算用于比对预测的准确性假设和不准确性假设。如果对假设 H1（预测准确）的信任度较大，那么本实施例可以相对确信预测是准确的，从而决定执行STEP-3。这个计算过程帮助本实施例在不确定性的情况下，基于数据和证据进行决策，从而提高道路施工智能监管的精确性和可靠性；

如果Bel(H1)大于Bel(H2)，则则本实施例认为H1更为可信，所以可以执行STEP-3，反之不执行。

具体的，在D-S证据理论中，除了信任度（Belief）之外，还有一个重要的概念是不确定度（Plausibility）。不确定度是用来表示不支持某一假设的程度，即假设的否定程度。因此，不确定度是对假设的否定程度的度量。在D-S证据理论中，一个假设的不确定度等于对其补集（即其反命题）的信任度。因此，$\text{Pl}(H_1)$ 是对假设 H1 的否定程度，即不相信 H1。

基于这一原理，本实施例可以得到如下计算关系：

对假设 H1 的不确定度等于不相信假设 H2 的程度。也就是说，如果本实施例不相信预测不准确的假设，那么就会不确定预测准确的假设；

对假设 H2 的信任度等于对假设 H1 的不确定度。也就是说，如果本实施例不确定预测准确的假设，那么就会相信预测不准确的假设；

对假设 H2 的不确定度等于不相信假设 H1 的程度。与第一个公式相同，这是一种不确定度的计算方式。

可以理解的是，通过比对两个假设的信任度和不确定度，来判断哪个假设更为可信。如果对假设 H1 的不确定度较大，那么本实施例会更相信预测不准确的假设 H2。这种比对和判断过程有助于在道路施工智能监管中评估预测的准确性，从而决定是否执行后续步骤，以提高监管的效能和准确性。

实施例六：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

在STEP-3中：

交通流量的范围可能会有很大变化，而在进行比较和阈值设定时，本实施例希望将交通流量映射到一个统一的区间。这就是归一化映射的作用。本实施例将交通流量通过归一化的方式将

MinTraffic和MaxTraffic分别是交通流量的最小值和最大值。这个映射使得交通流量在统一的区间内进行比较和判断。

在归一化后，本实施例可以根据预先设定的阈值来判断是否需要降低道路施工的物料运输频率，以减少对交通的干扰。阈值是一个可调整的参数，用于决定何时采取干预措施。通过将交通流量归一化映射到 [0, 1] 区间，并设置合适的阈值，本实施例能够更加精确地判断交通流量的变化，并在超过阈值时采取相应措施，从而最大限度地减少道路施工对交通的干扰。这个阈值的设定是根据实际需要和情况进行调整的，以确保道路施工和交通流量之间的协调和有效性。

实施例七：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

在STEP-3中：还包括阈值Threshold，通过比较

如果

阈值Threshold为大数据源输出的平均交通流量的一个固定百分比。

在本实施例中，阈值的设定是根据大数据源输出的平均交通流量的一个固定百分比。这意味着本实施例通过分析历史的交通流量数据，可以获得平均交通流量，并将这个平均流量的一定百分比作为阈值。这样做的目的是基于历史数据，设定一个相对合理的标准，用于判断交通流量是否异常或高于平均水平。

具体的，物料运输频率的调整原理：一旦交通流量经过归一化映射后超过阈值，就需要进一步降低物料运输频率，以减少对交通的干扰。这是因为超过阈值的交通流量可能会导致交通拥堵，影响正常通行。在这里，物料运输频率的调整是通过降低物料运输的频率和数量来实现的。这意味着在交通流量较大的情况下，本实施例会减少在道路施工区域的物料运输，从而减少对交通的干扰。这可以通过调整物料运输的计划和频率来实现，确保道路施工与交通的协调。

可以理解的是，在STEP-3中，通过比较归一化后的交通流量

实施例八：根据上述具体实施方式及实施例，本实施例进一步的提供如下技术方案：

请参阅图3~图4，本实施例进一步提供一种存储介质，该存储介质内存储有用于执行如实施例一至七所述的方法的程序指令，其采用C++伪代码的形式展示了逻辑，其原理如下：

STEP-1: Traffic Prediction using Cellular Automaton： 在每个时间步中，程序使用元胞自动机模型来预测下一个时间步的交通流量。元胞自动机模型根据当前时刻的交通流量以及周围路段的情况，预测下一个时间步的交通流量情况。

STEP-2: D-S Evidence Theory Comparison： 在这一步中，程序使用D-S证据理论比较两个假设（H1：预测准确，H2：预测不准确）。通过计算Belief和Plausibility，决定是否进一步执行STEP-3。如果预测准确的信任度高于预测不准确的信任度，则根据阈值判断是否需要调整物料运输频率。

STEP-3: Material Transport Adjustment based on Threshold： 如果通过D-S证据理论判断需要进一步执行本步骤，程序会根据阈值比较归一化后的交通流量和阈值。如果归一化后的交通流量超过阈值，就会执行调整物料运输频率的操作，以减少交通干扰。

关键函数：

PredictTraffic(Ci,j, t+1)： 该函数在每个时间步中，使用元胞自动机模型预测下一个时间步的交通流量情况。这个函数根据当前时刻的交通信息和周围路段的状态，估计未来交通流量。

CalculateBeliefAndPlausibility(Ci,j, t+1)： 该函数计算假设H1和H2的Belief和Plausibility，用于D-S证据理论的比较。根据预测准确和预测不准确的信任度，决定是否进一步执行STEP-3。

NormalizedTraffic(Ci,j, t)： 该函数用于将交通流量归一化映射到区间 [0,1]，使得交通流量在统一区间内进行比较。这个函数根据最小和最大交通流量来执行归一化。

ReduceMaterialTransportFrequency(Ci,j)： 该函数根据情况降低物料运输频率，以减少道路施工对交通的干扰。如果归一化后的交通流量超过阈值，就会调用这个函数来减少物料运输频率。