本发明涉及交通数据处理，特别是基于lstm网络的车路云一体化数据多源数据优化方法及其系统。
背景技术：
1、随着车路云计算技术的迅猛发展，车路联网也越来越普及，车路云通常指的是车联网(internet ofvehicles，iov)与路侧基础设施的智能化集成，实现车辆与道路之间的智能信息交换与共享。其利用先进的通信技术，如5g、lte-v2x、wi-fi等，实现车与车(v2v)、车与路(v2i)、车与人(v2p)以及车与网络(v2n)的互联互通。lstm(长短期记忆网络)是一种深度学习技术，常用于处理时间序列数据，它可能在车路云一体化系统中用于优化数据处理和预测交通模式；lstm可以用于分析交通流量、预测交通拥堵、优化车辆路径规划等场景，从而提高交通系统的效率和安全性。在现阶段的车路云相关多源数据的处理过程中，利用lstm网络对于车路云数据的层级分析过程还存在空白，难以面对多源目标车路云数据的层级优化，所以面对现阶段多源车路云数据处理过程中的难点，我们提出一种基于lstm网络的车路云一体化数据多源数据优化方法及其系统。
技术实现思路
1、鉴于上述现有的车路云数据处理中存在的问题，提出了本发明。
2、因此，本发明其中的一个目的是提供基于lstm网络的车路云一体化数据多源数据优化方法及其系统，其基于lstm网络构建车路云一体化数据的评估优化模型，能够构建区域层级框架并分析所属区域层级的相关信息，得到相应的匹配积分后进行配置，并根据车路云一体化数据增加了lstm模型的多层训练，提高了对车路云一体化数据处理的效果以及鲁棒性。
3、为解决上述技术问题，本发明提供如下技术方案：
4、一方面，本发明提供基于lstm网络的车路云一体化数据多源数据优化方法，其具体地如下：
5、获取多数据源的车路云数据后，通过数据标准化处理以及整合分析后形成车路云一体化数据；
6、基于lstm网络将所述车路云一体化数据划分训练集和测试集进行参数优化后，构建所述车路云一体化数据的评估优化模型；
7、响应所述车路云一体化数据的评估优化模型，分析所述车路云一体化数据中车路云多源数据对于所匹配区域层级框架信息的隶属度信息，同时根据车路云多源数据所获取的多目标数据类型信息，计算所属区域层级的影响度信息；
8、根据所述车路云多源数据的对应的隶属度和影响度信息，对当前不同车路云数据进行模糊评价得出相应的每个车路云数据评价得分，并确定当前不同车路云数据的区域层级框架，根据当前不同车路云数据评价得分以及所匹配区域层级框架信息，计算当前不同所述车路云数据所形成的区域层级框架的综合积分，根据区域层级框架的综合积分和每个所述车路云数据评价得分，并通过所述车路云一体化数据的评估优化模型更新每个所述车路云数据的积分；
9、将每个所述车路云数据的积分，进行区域层级框架的匹配和被配置。
10、作为本发明的一种优选方案，其中：所述构建所述车路云一体化数据的评估优化模型具体如下：
11、基于lstm网络将所述车路云一体化数据划分训练集和测试集进行参数优化，即对所获取的车路云多目标类型的数据，进行所属区域层级框架下的多层融合分析，具体地，通过添加新层级的lstm模型及目标函数重新对车路云一体化数据的评估优化模型进行训练，所述目标函数表示如下：
12、
13、其中，f(·)为系统函数，x为车路云一体化数据的评估优化模型的训练集样本数据，y为车路云一体化数据的评估优化模型的测试集样本数据，θ1为车路云一体化数据的评估优化模型浅层lstm模型的参数集合，θ2为车路云一体化数据的评估优化模型新层级的lstm模型网络中参数集合，为损失函数，r为实数域；表示在实数域r中寻找一组浅层lstm模型的参数集合θ1和新层级的lstm模型网络中参数集合θ2，使得损失函数最小。
14、作为本发明的一种优选方案，其中：进行所属区域层级框架下的多层融合分析还包括：通过所述车路云一体化数据的评估优化模型更新所属区域层级框架下的每层车路云数据，再将多层的车路云数据融合概率分值进行加权融合，根据所述融合概率分值，分析每层车路云数据中每个车路云数据并确定为结果数据后进行输出。
15、作为本发明的一种优选方案，其中：所述车路云一体化数据包括：分析域、车辆域、交通域、环境域、基础设施域、用户行为域、通信域、安全域、维护域、政策和法规域、地图和导航域以及事件和日志域的数据标准，形成具备数据整合和清洗的ods数据库。
16、作为本发明的一种优选方案，其中：所述分析域为存储经过初步分析的数据，为后续的数据分析和评估优化提供支持；
17、所述车辆域为存储车辆相关的数据，包括车辆标识、位置、速度和行驶状态；
18、所述交通域为存储交通相关的数据，包括交通流量、交通模式和交通事故记录；
19、所述环境域为记录环境因素数据，包括天气、温度、湿度和光照；
20、所述基础设施域为道路基础设施的状态和数据，包括交通信号灯、摄像头和传感器；
21、所述用户行为域为收集用户的行为数据，包括出行习惯和偏好；
22、所述通信域为记录车辆、基础设施、行人和网络之间的通信数据；
23、所述安全域为存储与交通安全相关的数据，包括事故报告和安全警告
24、所述维护域为目标车辆的维护和诊断数据；
25、所述政策和法规域为存储交通法规和道路使用政策数据；
26、所述地图和导航域包括地图数据、导航信息和实时交通状况数据；
27、所述事件和日志域为记录系统操作和事件日志数据。
28、作为本发明的一种优选方案，其中：所述分析所述车路云一体化数据中车路云多源数据对于所匹配区域层级框架信息的隶属度信息，如式(2)-式(4)所示：
29、
30、式(2)-式(4)中，将第n个车路云联网数据源标记为iovn；将第m个区域层级框架中的框架层次标记为v2im；为车路云多源数据对于所匹配区域层级框架信息的隶属度系数；表示车路云联网数据源的各个车路云数据在区域层级框架中层次排名列表的最大值；表示车路云联网数据源的各个车路云数据在区域层级框架中层次排名列表的最小值；en为第n个车路云数据的隶属度；k为基准值；wen为第n个车路云数据隶属的权重系数值；
31、根据第n个车路云数据的隶属度和所匹配的权重系数值，确定区域层级框架的总隶属度pen。
32、作为本发明的一种优选方案，其中：根据所述车路云多源数据的对应的隶属度和影响度信息，对当前不同车路云数据进行模糊评价得出相应的每个车路云数据评价得分，具体地：分析不同车路云数据在区域层级框架下的优化调整系数，具体如式(5)所示：
33、
34、式(5)中，αn为第n个车路云数据在区域层级框架下的优化调整系数，分别为αn的最高计算区间和最低计算区间；
35、确定当前不同车路云数据的区域层级框架，根据当前不同车路云数据评价得分以及所匹配区域层级框架信息，计算当前不同所述车路云数据所形成的区域层级框架的综合积分，即分析区域层级框架实际的综合积分，如式(6)所示：
36、
37、其中，qn为第n个车路云数据所属区域层级框架的综合积分，m为第n个车路云数据的项数，为第n个车路云数据的权重校正系数，表示第n个车路云数据位置是否固定，位置固定则为1，wn为第n个车路云数据所属区域层级框架的权重系数，qn为第n个车路云数据所属区域层级框架的积分；
38、根据区域层级框架的综合积分和每个所述车路云数据评价得分，即计算每个所述车路云数据评价得分，如式(7)所示：
39、sn＝dw[ηk(waxqn)k,(wbxqn)k]k (7)；
40、其中，sn为第n个车路云数据的评价得分，d为预设系数值，w为wa和wb的权重向量值，k为所属区域第k层级，ηk为所属区域第k层级的折扣因子，wa，wb分别为第n个车路云数据所属区域层级框架积分的权重向量值和综合积分的权重向量值，xqn，xqn分别为第n个车路云数据在所属区域第k层级下的得分值和综合分值。
41、作为本发明的一种优选方案，其中：将每个所述车路云数据的积分，进行区域层级框架的匹配和被配置，还包括匹配失败的车路云数据，将匹配失败的车路云数据确定为失败车路云数据，并对所述失败车路云数据计算得出每个失败车路云数据的积分后，根据当前失败车路云数据的积分，再次进行区域层级框架的匹配和被配置，如下：
42、
43、式(8)中，sμn为当前失败车路云数据的得分，p为匹配期望值。
44、一方面，本发明提供基于lstm网络的车路云一体化数据多源数据优化方法的系统，包括：
45、车路云数据一体化处理模块，用于获取多数据源的车路云数据后，通过数据标准化处理以及整合分析后形成车路云一体化数据；
46、区域层级框架构建模块，基于lstm网络将所述车路云一体化数据划分训练集和测试集进行参数优化后，构建所述车路云一体化数据的评估优化模型；
47、分析模块，用于响应所述车路云一体化数据的评估优化模型，分析所述车路云一体化数据中车路云多源数据对于所匹配区域层级框架信息的隶属度信息，同时根据车路云多源数据所获取的多目标数据类型信息，计算所属区域层级的影响度信息；
48、评估优化模块，用于响应并根据所述车路云多源数据的对应的隶属度和影响度信息，对当前不同车路云数据进行模糊评价得出相应的每个车路云数据评价得分，并确定当前不同车路云数据的区域层级框架，根据当前不同车路云数据评价得分以及所匹配区域层级框架信息，计算当前不同所述车路云数据所形成的区域层级框架的综合积分，根据区域层级框架的综合积分和每个所述车路云数据评价得分，并通过所述车路云一体化数据的评估优化模型更新每个所述车路云数据的积分；
49、车路云数据匹配模块，用于响应并根据每个所述车路云数据的积分，进行区域层级框架的匹配和被配置；
50、调整模块，用于响应匹配失败的车路云数据，将匹配失败的车路云数据确定为失败车路云数据，并对所述失败车路云数据计算得出每个失败车路云数据的积分后，根据当前失败车路云数据的积分，再次进行区域层级框架的匹配和被配置。
51、本发明的有益效果：本发明基于lstm网络构建车路云一体化数据的评估优化模型，能够构建区域层级框架并分析所属区域层级的相关信息，得到相应的匹配积分后进行对应框架层级的精准匹配和配置，并根据车路云一体化数据增加了lstm模型的多层训练，提高了对车路云一体化数据处理的效果以及鲁棒性。
1.基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，包括：
2.如权利要求1所述的基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，所述构建所述车路云一体化数据的评估优化模型具体如下：
3.如权利要求2所述的基于lstm网络的车路云一体化数据多源数据优化方法及其系统，其特征在于，进行所属区域层级框架下的多层融合分析还包括：通过所述车路云一体化数据的评估优化模型更新所属区域层级框架下的每层车路云数据，再将多层的车路云数据融合概率分值进行加权融合，根据所述融合概率分值，分析每层车路云数据中每个车路云数据并确定为结果数据后进行输出。
4.如权利要求3所述的基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，所述车路云一体化数据包括：分析域、车辆域、交通域、环境域、基础设施域、用户行为域、通信域、安全域、维护域、政策和法规域、地图和导航域以及事件和日志域的数据标准，形成具备数据整合和清洗的ods数据库。
5.如权利要求4所述的基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，所述分析域为存储经过初步分析的数据，为后续的数据分析和评估优化提供支持；
6.如权利要求1或4所述的基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，所述分析所述车路云一体化数据中车路云多源数据对于所匹配区域层级框架信息的隶属度信息，如式(2)-式(4)所示：
7.如权利要求6所述的基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，根据所述车路云多源数据的对应的隶属度和影响度信息，对当前不同车路云数据进行模糊评价得出相应的每个车路云数据评价得分，具体如式(5)所示：
8.如权利要求7所述的基于lstm网络的车路云一体化数据多源数据优化方法，其特征在于，将每个所述车路云数据的积分，进行区域层级框架的匹配和被配置，还包括匹配失败的车路云数据，将匹配失败的车路云数据确定为失败车路云数据，并对所述失败车路云数据计算得出每个失败车路云数据的积分后，根据当前失败车路云数据的积分，再次进行区域层级框架的匹配和被配置，如下：
9.应用于如权利要求7所述的基于lstm网络的车路云一体化数据多源数据优化方法的系统，其特征在于，包括：
