本發明涉及交通環境與交通監測自動化裝備的，具體涉及物聯網的交通智能化監測方法及裝置。
背景技術：
1、交通信號控制裝置是應用最為廣泛的車流疏導方式，路口的信號信號控制裝置采用固定信號時間的方式進行控制會導致車流量大的方向等待時間長積壓車輛多，車流量小的方向無車通行的問題，如何更智能地控制交通信號和更準確預測車流量，這一問題引起了許多學者的關注。
2、物聯網與智能技術的有效聯合，將為智能交通管理系統的有效構建產生積極的影響。如何利用傳感技術、通信技術、網絡技術、信息處理技術以及智能控制技術等進行有效結合設計一種能夠實時、自動獲得監測區域內的交通環境信息、車流量信息和車輛信息是本領域需要解決的技術問題。
技術實現思路
1、發明目的：針對背景技術中的問題，本發明公開了一種物聯網的交通智能化監測方法及裝置，實時、自動獲得監測區域內的交通環境信息、車流量信息和車輛信息信息，可以為交通管理部門實時、準確地獲得各路段的交通流量情況提供可靠保障，并可以將獲得各路段的交通流量情況通過物聯網為更多的用戶提供實時、可靠的出行服務，可有效調節路段車輛流量，使各路段的交通更為順暢。
2、技術方案：本發明公開了一種物聯網的交通智能化監測方法，包括如下步驟：
3、步驟1：通過在交通道路上設置的多個車量檢測器獲取車流量信息，車流量信息通過車流量檢測模塊輸出車流量的區間直覺模糊數，車流量的區間直覺模糊數包括區間模糊數、區間模糊數的可信度以及車流量的區間模糊數的不可信度；
4、步驟2：在交通道路上設置多組環境參數傳感器，檢測溫度、能見度、雨量、粉塵和風速的環境參量，將車流量檢測模塊輸出值、環境參量作為輸入，通過路段交通智能監測模塊確定受環境參數影響下的被檢測路段交通流量值；
5、步驟3：以多個路段交通智能監測模塊輸出的被檢測路段交通流量值為輸入，通過區域交通智能監測子系統輸出16個參數分別構成東、南、西和北共4個方向的車流量的4個區間直覺模糊數預測值，其中一個方向的車流量的區間直覺模糊數預測值為[<s,t>；m；r]，s和t構成該方向車流量的區間模糊數預測值為<s,t>,m為該方向車流量的區間模糊數預測值的可信度，r為該方向車流量的區間模糊數預測值的不可信度，m和r的和小于等于1。
6、進一步地，所述步驟1中，車流量檢測模塊包括foa的narx神經網模型-新陳代謝灰色gm(1,1)模型1、foa的narx神經網模型-新陳代謝灰色gm(1,1)模型2、降噪自編碼器-新陳代謝灰色gm(1,1)模型、foa的narx神經網模型1、foa的narx神經網模型2、foa的narx神經網模型3、foa的grnn神經網絡模型a、區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型1、tdl按拍延時器1、tdl按拍延時器2；
7、多個車量檢測器輸出分別作為foa的grnn神經網絡模型a、foa的narx神經網模型2和降噪自編碼器-新陳代謝灰色gm(1,1)模型的輸入，foa的narx神經網模型2輸出與降噪自編碼器-新陳代謝灰色gm(1,1)模型輸出的時間序列差作為foa的narx神經網模型3的對應輸入，降噪自編碼器-新陳代謝灰色gm(1,1)模型輸出作為foa的narx神經網模型-新陳代謝灰色gm(1,1)模型2的對應輸入，tdl按拍延時器1的輸出分別作為foa的narx神經網模型3和foa的narx神經網模型-新陳代謝灰色gm(1,1)模型2的對應輸入，tdl按拍延時器2輸出作為foa的narx神經網模型1的輸入，foa的grnn神經網絡模型a輸出與foa的narx神經網模型1輸出的時間序列差作為foa的narx神經網模型-新陳代謝灰色gm(1,1)模型1的輸入，foa的narx神經網模型-新陳代謝灰色gm(1,1)模型1輸出作為foa的narx神經網模型-新陳代謝灰色gm(1,1)模型2的對應輸入，foa的grnn神經網絡模型a輸出與foa的narx神經網模型1輸出的差值減去foa的narx神經網模型-新陳代謝灰色gm(1,1)模型1輸出值的時間序列差作為foa的narx神經網模型3的對應輸入，foa的narx神經網模型3和foa的narx神經網模型-新陳代謝灰色gm(1,1)模型2的輸出分別作為區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型1的對應輸入，區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型1輸出分別作為tdl按拍延時器1的輸入和tdl按拍延時器2的對應輸入，區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型1輸出的4個參數a、b、u和v構成車流量的區間直覺模糊數為[<a,b>；u；v]，a和b構成車流量的區間模糊數為<a,b>,u為車流量的區間模糊數的可信度，v為車流量的區間模糊數的不可信度，u和v的和小于等于1。
8、進一步地，所述路段交通智能監測模塊包括foa的grnn神經網絡模型1-n、foa的esn神經網絡模型1-c、環境等級減法聚類分類器、區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型2、tdl按拍延時器3和車流量檢測模塊；
9、多組環境參數傳感器輸出分別作為對應的foa的grnn神經網絡模型1-n輸入，foa的grnn神經網絡模型1-n輸出作為環境等級減法聚類分類器的輸入，環境等級減法聚類分類器輸出多個不同類型的foa的grnn神經網絡模型值分別作為對應的foa的esn神經網絡模型1-c的對應輸入，多個車輛檢測器輸出作為車輛檢測模塊輸入，多個foa的esn神經網絡模型輸出和車輛檢測模塊輸出分別作為區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型2的對應輸入，區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型2輸出作為tdl按拍延時器3輸入，tdl按拍延時器3輸出作為區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型2的對應輸入，區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型2輸出作為被檢測的路段交通流量值，路段交通智能監測模塊參見圖2。
10、進一步地，所述區域交通智能監測子系統包括多個路段交通智能監測模塊、tdl按拍延時器4和區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型；多個路段交通智能監測模塊輸出分別作為區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型的對應輸入，區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型輸出作為tdl按拍延時器4的輸入，tdl按拍延時器4輸出作為區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型的對應輸入，區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型輸出16個參數分別構成東、南、西和北共4個方向的車流量的4個區間直覺模糊數預測值，其中一個方向的車流量的區間直覺模糊數預測值為[<s,t>；m；r]，s和t構成該方向車流量的區間模糊數預測值為<s,t>,m為該方向車流量的區間模糊數預測值的可信度，r為該方向車流量的區間模糊數預測值的不可信度，m和r的和小于等于1，區域交通智能監測子系統結構見圖3所示。
11、進一步地，所述降噪自編碼器-新陳代謝灰色gm(1,1)模型為降噪自編碼器與新陳代謝灰色gm(1,1)模型串聯，降噪自編碼器輸出作為新陳代謝灰色gm(1,1)模型輸入；
12、foa的narx神經網模型-新陳代謝灰色gm(1,1)模型1與foa的narx神經網模型-新陳代謝灰色gm(1,1)模型2結構相同，均為foa的narx神經網模型與新陳代謝灰色gm(1,1)模型串聯，foa的narx神經網模型輸出作為新陳代謝灰色gm(1,1)模型輸入；
13、foa的grnn神經網絡模型a為foa優化grnn神經網絡模型；
14、區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型1為foa的narx神經網模型與foa的遞歸模糊神經網絡模型串聯，foa的遞歸模糊神經網絡模型為foa優化遞歸模糊神經網絡模型；
15、foa的narx神經網模型1、foa的narx神經網模型2、foa的narx神經網模型3結構與foa的narx神經網模型結構相同，均為foa優化narx神經網模型。
16、進一步地，foa的esn神經網絡模型1-c均為foa優化esn神經網絡模型；foa的grnn神經網絡模型1-n均為foa優化grnn神經網絡模型；環境等級減法聚類分類器將每一個交通環境參數的歷史數據點作為一個潛在的聚類中心，使聚類的結果與問題的維數無關；區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型2為foa的narx神經網模型與foa的遞歸模糊神經網絡模型串聯，foa的narx神經網模型為foa優化narx神經網模型，foa的遞歸模糊神經網絡模型為foa優化遞歸模糊神經網絡模型。
17、進一步地，區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型為foa的esn神經網模型與foa的遞歸模糊神經網絡模型串聯，foa的esn神經網模型輸出作為foa的遞歸模糊神經網絡模型輸入，foa的esn神經網模型為foa優化esn神經網模型，foa的遞歸模糊神經網絡模型為foa優化遞歸模糊神經網絡模型。
18、本發明還公開一種基于上述物聯網的交通智能化監測方法的交通智能化監測裝置，包括環境參數檢測終端、交通信號測控終端、交通現場監控端、交通監測網關節點、交通監測云平臺、交通管理監控端和交通監測手機app，環境參數檢測終端負責采集被檢測交通路段環境參數信息，交通信號測控終端負責測量交通路口車流量和控制路口交通信號控制裝置，多個環境參數檢測終端通過交通監測網關節點與交通現場監控端、交通監測云平臺、交通管理監控端以及交通監測手機app之間的信息相互交互；交通現場監控端中設有路段交通智能監測模塊實現被檢測路段交通智能監測獲取被檢測路段受環境參數影響下的交通流量值，交通管理監控端設有區域交通智能監測子系統，以多個路段交通智能監測模塊檢測的被檢測路段交通流量值為輸入，實現被檢測區域交通智能監測，輸出16個參數分別構成東、南、西和北共4個方向的車流量的4個區間直覺模糊數預測值；交通監測手機app和交通管理監控端通過5g網絡訪問交通監測云平臺實現對交通參數進行采集與監視，物聯網的交通智能化監測裝置結構見圖4所示。
19、進一步地，環境參數檢測終端包括采集交通道路環境參數的溫濕度、能見度、風速、風向、雨量、粉塵和有害氣體傳感器和對應的信號調理電路、stm32單片機和5g模塊。
20、本發明與現有技術相比，具有以下明顯優點：
21、一、本發明esn神經網絡模型使用大規模隨機稀疏網絡(儲備池)作為信息處理媒介，將輸入從低維的輸入空間映射到高維的狀態空間，在高維的狀態空間采用線性回歸方法對esn神經網絡模型的輸出連接權進行訓練，而其他連接權隨機產生，并在esn神經網絡模型訓練過程中保持不變。esn神經網絡模型的輸出連接權改變迅速，而內部連接權則只以高度耦合的方式緩慢改變。即如果esn神經網絡模型的內部連接權選擇合適，在對esn神經網絡模型進行訓練時可以忽略內部連接權的改變。esn神經網絡模型作為近年新興的遞歸神經網絡，穩定性、全局最優性和收斂速度相對傳統神經網絡有較大改進，esn神經網絡模型激勵儲備池，使儲備池產生連續的輸出狀態變量信號，最后通過儲備池狀態變量與目標輸出信號的線性回歸算法確定esn網絡輸出權值。esn神經網絡突出優點是訓練速度快、簡單，且輸入連接權值和儲備池內部連接權值在訓練和使用過程中基本不變，因此esn神經網絡模型的權值和閾值只需要簡單的線性回歸即可計算得到，這樣能確保其解為全局最優解。
22、二、本發明grnn神經網絡模型對輸入信息具有很強的非線性映射能力和柔性網絡結構以及高度的容錯性和魯棒性，grnn神經網絡模型最后收斂于樣本量積聚較多的優化回歸面并且在輸入樣本數據較少時和不穩定的輸入數據預測效果也較好。grnn神經網絡模型對輸入信息泛化能力強，預測精度高，算法穩定，grnn神經網絡模型還具有收斂速度快、調整參數少和不易陷入局部極小值等優點，grnn神經網絡模型運算速度快，對輸入信息的預測具有良好的應用前景。
23、三、本發明根據交通環境參數樣本差異的特點,構建環境等級減法聚類分類器對交通環境參數多點歷史樣本參數進行分類，每類數據輸入對應的foa的esn神經網絡模型，對應的foa的esn神經網絡模型的輸出作為交通環境對應類型的預測值，在交通環境參數連續預報過程當中,充分考慮交通環境參數在時空間的特性,把成因相近的,相對均質的交通環境數據從海量級的數據中抽取出來,以建立針對性更強、更能反應任意時間階段交通環境參數等級的預測模型，提高預測精度。
24、四、本發明采用遞歸模糊神經網絡模型通過在模糊規則層引入內部變量，使靜態網絡具有動態特性；網絡在k時刻每條規則的激活度不僅包括由當前輸入計算得出的激活度值，而且包括前一時刻所有規則激活度值的貢獻，因此提高了網絡辨識的準確性，可以較好地完成輸入信息參數的動態辨識。遞歸模糊神經網絡模型是一種典型的動態遞歸神經網絡,其反饋連接由一組“結構”單元組成,用于記憶隱層過去的狀態,并且在下一時刻連同網絡輸入一起作為隱層單元的輸入,這一性質使得部分遞歸模糊神經網絡具有動態記憶功能,從而適合用來建立時間序列車流量預測模型，仿真實驗表明該模型動態性能好，預測車流量精度高，預測性能穩定。
25、五、本發明由于交通環境參數具有復雜的非線性特性，不同的工況交通環境參數變化很大，很難建立精確的數學模型，利用區間直覺模糊數的foa的esn神經網模型-foa的遞歸模糊神經網絡模型和區間直覺模糊數的foa的narx神經網模型-foa的遞歸模糊神經網絡模型對區域和路段的車流量進行科學的量化，既包括區間模糊數，也包括區間模糊的可信度，提高了量化路段和區域車流量的科學性與精確性。