人工智能论文：基于云计算模型的城市智慧交通监控系统设计

　　人工智能论文：基于云计算模型的城市智慧交通监控系统设计

　　0引言

　　智慧交通监控系统负责收集城市道路各类信息，直观了解交通运行状况，包括路况及交通量等，在提高道路使用率的基础上，减少交通事故，为城市交通堵截违章行为提供辅助手段，对城市交通安全具有极其重要的现实意义[1]。国外对城市交通监控系统的研究起步较早，将自动化控制引入监控系统，通过分布式计算机网络处理方式，扩展了系统数据传送和通信等功能，从而智能化收集交通数据。国内对城市智慧交通监控系统研究起步较晚，在城市交通道路上设置摄像头，系统能够对摄像头进行遥控检测，采用光端机和模拟矩阵的方式，将采集数据传入监控中心，并配置情报板，发布少量文字信息和限速信息，从而实现城市智慧交通监控的区域化与网络化[2]。但传统系统交通信息采集频率较低，直接对原始数据进行分析处理，因此设计基于云计算模型的城市智慧交通监控系统。云计算模型具备很强的交通大数据高效处理能力，是利用计算机处理数据的一种商业计算模型，具备良好的动态负载均衡能力，其模型框架可以实现交通信息的发布处理，以及交通数据的组织挖掘等，且云计算模型与智慧交通系统契合度较高，能够满足智慧交通监控系统的核心服务[3]。

　　1基于云计算模型城市智慧交通监控系统的硬件设计

　　基于云计算模型设计监控系统应用框架，包括存储层、平台层以及应用层，按照分层设计理念，构建城市智慧交通大数据资源池，实现实况影像和录音等信息的传输和存储，提供大数据管理，实现对监控业务的统一调度。具体框架如下图所示：

　　图1 基于云计算模型的系统应用框架

　　存储层存储云计算模型提供的交通论文发表大数据，对系统设备接入进行控制，整合所有交通信息资源，通过平台层与用户应用层进行交互[4]。平台层采取分布式并行计算，实现本地网、交通软件运行和开发、网络资源管理等服务，由EMS、MSU以及MDU设备组成，将整个监控系统部署到一个服务器的终端和服务器端，通过业务管理单元服务器，使城市交通信息与SMU服务器进行交互，并对所有交通大数据进行记录。应用层建立监控信息传输通道，提供交通信息共享和出行选择引导等服务，其终端设备支持多种网络接入方式，使监控信息进入EMS服务器，作为系统外部部分完成相互连接，通过IP、LAN接入方式，实现交通大数据的采集通信。至此完成基于云计算模型城市智慧交通监控系统的硬件设计。

　　2设计系统监控流程

　　在系统硬件设计完毕的基础上，读取存储层提供的交通数据，识别数据异常值的车辆，进而设计系统监控流程。首先确定交通数据的大小范围，设道路通行能力为，修正系数为，根据城市交通车流量进行取值，为1.3~1.5，数据采集间隔为，则交通数据的车流量合理范围为：

　　（1）

　　将合理范围作为交通流数据的采集上限，按照一定周期进行采集，并挖掘高峰期交通数据，初始化数据采集的起始和终止时间，然后对高峰期采样间隔进行重点识别操作，并对交通数据进行查询归档，实现数据维护，由于高峰期交通流量大于道路通行能力，为此要对其进行速度识别[5]。设道路限制速度为，修正系数为，则交通数据的速度合理范围为：

　　（2）

　　交通数据的车辆占率取决于检测器时间与采集间隔的比值，其合理范围为0~100%。将车流量、车辆速度和占有率作为基本参数值，=1、2、3，代表参数内容，筛选交通流数据的基本限值。设系统采集时刻为，数据修正系数为，则交通数据均值为：

　　（3）

　　将均值的计算结果，作为允许误差的大小，使交通流数据服从正态分布，将不在合理范围内的交通数据进行标记，从而识别出错误的交通数据，即监控过程中的违规异常车辆[6]。具体监控流程如下图所示：

　　图2 系统实时监控流程

　　配置告警和巡航信息表，其监控设备管理选取云台控制，先给EMS发送云台请求，控制信号网关地址，从而对监控器发送控制指令，至此实现系统监控流程的设计。结合硬件设计和软件设计，完成基于云计算模型城市智慧交通监控系统的设计。

　　3实验论证分析

　　为验证设计系统提高车牌号识别准确率的有效性，与传统系统进行对比实验。验证环境建设双向11M车道，双向道宽度为11M，车道线清楚标准，并对通行情况及行驶情况进行高度模拟，使其贴合城市道路实际情况，其选型设备与环境建设条件如下表所示：

　　表1 实验设备和环境

　　在验证环境建设四个前端采集验证点，采用倒L杆，设置两个系统的前端距离路口停止线16M~17M，倾斜角度17~217，确保检测区域无遮挡物体。样本数量为6组，通过补光设备进行模拟，如下表所示：

　　表2 实验样本种类

　　使试验车辆按照指令通过两个系统的监控区域，在测试时间内频繁过车，分别挑选一个时间段作为分析对象，得出对比实验结果如下表所示：

　　表3测试结果对比

　　由上表可知，本文设计系统的平均车牌识别准确率为95.02%，传统系统识别准确率为90.85%，相比传统系统识别率提高了4.17%。由此可知，本文设计系统提高了车牌识别准确率，减少城市交通漏检。

　　4结束语

　　设计系统充分发挥出了云计算模型高效处理大数据的作用，提高了监控系统的识别精度。但此次研究对轨迹挖掘尚不完善，且车辆套牌分析功能还需改进，在今后的研究中，会提高系统智能化水平，促进城市智慧交通行业的发展。