本发明涉及数字化监测，具体为一种基于大数据的数字化安全监测预警系统及方法。
背景技术：
1、在大数据和数字化技术迅猛发展的今天，智能交通系统（its）成为交通管理和安全领域的关键发展方向。智能交通系统致力于通过先进的数据采集和分析技术，提高道路交通的安全性、效率和可持续性。作为智能交通系统的一部分，数字化安全监测预警系统在交通流量分析和实时预警中发挥着重要作用。特别是在交通道路的安全管理中，及时监测和预警可以有效减少交通事故，提高道路使用效率，保障行车安全。
2、尽管基于大数据的数字化安全监测预警方法在提升交通安全方面具有显著优势，但现有系统在实际应用中仍存在一定的不足之处。目前，传统的交通安全监测和预警方法往往依赖于静态数据和人工分析，存在反应滞后、数据处理能力不足以及预警准确性低等问题。其次，传统方法难以适应快速变化的交通环境，对突发交通事件的响应能力有限，难以及时的对当前的隐状态进行分析，特别是在快速变化的城市交通环境中，十分影响交通秩序的及时维护。
技术实现思路
1、针对现有技术的不足，本发明提供了一种基于大数据的数字化安全监测预警系统及方法，解决了上述背景技术中的问题。
2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于大数据的数字化安全监测预警方法，包括以下步骤，
3、s1、预先选取一段交通道路，并利用若干组监测仪器收集交通道路上的交通数据，并将交通数据进行数字格式转化，以获取观测集合，并经无量纲处理后，将观测集合上传至云平台；
4、s2、利用大数据技术，获取历史数据，基于历史数据总结出交通流量范围并划分三组交通状态，同时根据观测集合，构建各监测时段内的混乱指数hzs，若混乱指数hzs超过危险阈值q，则向外发出隐状态识别指令；
5、s3、在接收到隐状态识别指令后，根据观测集合的统计分析，并结合三组交通状态，分别获取变换概率矩阵bgz及实际概率矩阵sgz，并设定初始分析监测点，以统计获取初始概率分布矩阵cgz，基于初始概率分布矩阵cgz及实际概率矩阵sgz，构建前向变量，并分析出相应监测时段内不同交通状态下的较优路径概率；
6、s4、基于s3中的所获取的较优路径概率，经回溯，获取各监测时段的隐状态，并构建较优状态序列。
7、优选的，s1具体包括有：
8、s11、将预先选取的交通道路作为目标区域，并在目标区域周围部署若干组监测仪器，以实时监测并收集目标区域内的交通数据，其中，所述交通数据包括当前各个监测时段内的车辆抢跑数量、车道变更频率、交通密度及车辆的平均行驶速度；
9、s12、将s11中获取的所述交通数据从模拟形式转换为数字形式，以生成观测集合，并利用无量纲处理技术，对观测集合内的数据进行标准化处理，以消除不同数据源之间的量纲差异。
10、优选的，s2具体包括有：
11、s21、利用大数据技术，获取历史数据，所述历史数据包括历史时期各监测时段内的车辆抢跑数量、车道变更频率、交通密度及车辆的平均行驶速度；
12、s211、根据历史数据，构建历史时期各监测时段内的交通流量因子，具体通过以下公式获取：
13、；
14、式中，为交通道路上车辆密度的最大值；
15、s212、将历史时期各监测时段内的交通流量因子进行统计，总结出交通流量范围并按照数值大小进行排序，具体的排序方式为：将数值从小到大的顺序进行依次排序，以生成监测序列，并将监测序列平均划分成三等分，依次获取一号子监测序列、二号子监测序列及三号子监测序列，同时将一号子监测序列、二号子监测序列及三号子监测序列分别标记为“低流量”、“中等流量”及“高流量”，以获取三组交通状态。
16、优选的，s2还包括有：
17、s22、基于历史时期各监测时段内的交通流量因子的计算方式，获取当前各个监测时段内的交通流量因子，同时根据获取的观测集合，将车辆抢跑数量及车道变更频率均做无量纲处理，并将对应的数据值映射至区间内，以获取各监测时段内的混乱指数hzs，具体按照以下方式获取：
18、；
19、式中，、及分别表示为车辆抢跑数量、车道变更频率及交通流量因子的权重值，c表示为修正常数。
20、优选的，s2还包括有：
21、s23、预先设置危险阈值q，并将混乱指数hzs与危险阈值q进行比对分析，以判断出相应监测时段内的交通道路是否处于异常状态，具体判断内容如下：
22、s231、若混乱指数hzs超过危险阈值q时，此时将判断相应监测时段内的交通道路处于异常状态，并向外发出隐状态识别指令；
23、s232、若混乱指数hzs未超过危险阈值q时，此时将判断相应监测时段内的交通道路未处于异常状态，暂不向外发出隐状态识别指令。
24、优选的，s3具体包括有：
25、s31、预先设定一天中的初始分析监测点，并根据观测集合，分别统计出在初始分析监测点处不同交通状态下的概率，以获取初始概率分布矩阵cgz，具体内容如下：
26、；
27、其中，、及分别表示为初始监测点处于低流量的概率、中等流量的概率及高流量的概率；
28、s32、在接收到s23中下发的隐状态识别指令之后，根据观测集合的统计分析，并结合三组交通状态，分别获取变换概率矩阵bgz及实际概率矩阵sgz，具体内容如下：
29、；；
30、其中，表示为从“低流量”转移到“低流量”的变换概率，表示为从“低流量”转移到“中等流量”的变换概率；
31、表示为在“低流量”状态下第1监测时段内观测到交通流量因子的实际概率，表示为在“中等流量”状态下第1监测时段内观测到交通流量因子的实际概率。
32、优选的，s3还包括有：
33、s33、基于初始概率分布矩阵cgz及实际概率矩阵sgz，分析出在t=1时，每个交通状态的前向变量，具体内容如下：
34、；
35、式中，表示为在初始分析监测点处于状态i的概率，表示为在状态i情况下初始分析监测点处观测到交通流量因子的概率。
36、优选的，s3还包括有：
37、s34、根据当前各监测时段内的交通流量因子，分析出相应监测时段内每个交通状态下的较优路径概率，具体获取方式如下：
38、
39、式中，表示为在第t-1监测时段内处于状态j的较优路径的概率；为变换概率，表示从状态j变换到状态i的概率；为实际概率，表示在状态i下第t监测时段内观测到交通流量因子的实际概率。
40、优选的，s4具体包括有：
41、s41、根据s34中获取的相应监测时段内每个交通状态下的较优路径概率，比较出各个相同监测时段内每个交通状态下的较优路径概率，从中筛选出较优路径概率的最大值，并将较优路径概率的最大值所对应的交通状态作为相应监测时段的隐状态；
42、s42、依据s41中获取相应监测时段的隐状态的方式，分别获取不同监测时段的隐状态，以构建较优状态序列，并根据获取的较优状态序列，再利用折线图或柱状图来展示交通状态随时间的变化趋势。
43、一种基于大数据的数字化安全监测预警系统，包括数据模块、指令下发模块、隐状态分析模块及回溯模块；
44、所述数据模块用于预先选取一段交通道路，并利用若干组监测仪器收集交通道路上的交通数据，并将交通数据进行数字格式转化，以获取观测集合，并经无量纲处理后，将观测集合上传至云平台；
45、所述指令下发模块用于利用大数据技术，获取历史数据，基于历史数据总结出交通流量范围并划分三组交通状态，同时根据观测集合，构建各监测时段内的混乱指数hzs，若混乱指数hzs超过危险阈值q，则向外发出隐状态识别指令；
46、所述隐状态分析模块用于在接收到隐状态识别指令后，根据历史数据的统计分析，并结合三组交通状态，分别获取变换概率矩阵bgz及实际概率矩阵sgz，并设定初始监测点，以统计获取初始概率分布矩阵cgz，基于初始概率分布矩阵cgz及实际概率矩阵sgz，构建前向变量，根据各监测时段内的混乱指数hzs，分析出相应监测时段内不同交通状态下的较优路径概率；
47、所述回溯模块基于s3中的所获取的较优路径概率，经回溯，获取各监测时段的隐状态，并构建较优状态序列。
48、本发明提供了一种基于大数据的数字化安全监测预警系统及方法，具备以下有益效果：
49、（1）通过交通道路上实时收集到的交通数据，并将其上传至云平台进行处理，本方法能够迅速识别道路交通的实时状况，并且无量纲处理后的观测集合确保数据标准化处理，减少了不同数据类型带来的误差，提高了数据的可靠性和分析的精准度。利用大数据技术，获取历史交通数据并划分交通流量范围，将三组交通状态进行精确划分，有效结合了历史与当前的交通状况，为后续的状态识别和监测提供了更为可靠的参考标准，这种基于历史数据的分析方法可以更好地应对复杂的交通变化，提升预警的准确性。通过计算当前各个监测时段的混乱指数hzs，能够快速检测出交通流量中存在的异常波动，当混乱指数hzs超过设定的危险阈值q时，系统自动发出隐状态识别指令，该功能有助于在早期发现交通隐患和异常状况，能够及时采取措施，降低交通拥堵和事故风险。在接收到隐状态识别指令后，利用大数据技术和统计分析手段，分别获取变换概率矩阵bgz和实际概率矩阵sgz，并结合前向变量，能够分析出各个监测时段的较优路径概率，通过这种方法，可以进一步推断出相应监测周期内交通的较优状态序列，使得整个交通监测系统更加高效，能够合理分配交通资源，从而便于优化交通流量。基于前期所获取的较优路径概率，采用回溯方法能够准确推断出各监测时段的隐状态，从而形成较优状态序列，这一方法不仅提高了交通状况分析的精确度，还能够帮助交通管理部门预测未来的交通趋势，制定更为科学的交通管理计划，减少交通拥堵和事故。总体而言，该方法通过对交通数据的数字化和大数据分析，能够快速、精确地监测道路交通的实时状况，预测未来交通流量变化，提升交通管理系统的智能化水平和响应速度，有效预防交通事故并提高道路通行效率。
50、（2）通过利用大数据技术获取历史数据，系统能够从多维度、多时段对交通进行深入分析，涵盖了包括车辆抢跑数量、车道变更频率、交通密度及车辆平均行驶速度等重要交通参数，这种基于历史数据的大规模分析，能更准确地反映道路运行的长期趋势，从而为交通管理系统提供更加全面的基础信息。通过交通流量因子的计算公式，引入了交通道路车辆密度最大值这一关键参数，该参数能有效量化道路在达到最拥堵状态时的车辆密度，结合历史数据中的各个交通时段的流量表现，系统能够构建出符合实际情况的交通流量因子，为后续的流量分析和状态分类提供了可靠的数据依据。通过对历史数据的交通流量因子进行排序，并将排序后的监测序列划分为“低流量”、“中等流量”及“高流量”三组状态，系统可以更加精准地分类不同交通状况，这种分组方法不仅便于对不同交通流量下的道路运行情况进行管理与分析，还能为进一步的隐状态识别及预警提供明确的交通状态依据。通过引入量化的历史交通流量范围划分模型，该系统为交通管理中的决策过程提供了具体的数值指标。不同流量区间的划分使交通流量管理更加科学、规范，从而为日常交通调控、拥堵缓解及事故预警提供了坚实的数据支持。综上所述，s2通过应用大数据技术，利用历史数据进行交通流量因子的计算与流量状态的分类，使交通监测更加精确、高效。同时，构建的流量状态分级体系可以为交通管理提供更可靠的判断依据，帮助交通管理者更好地应对不同交通状况，提高道路交通的整体运行效率。
51、（3）通过对不同监测时段内的混乱指数hzs进行实时比对，快速判断交通道路是否处于异常状态，并自动发出隐状态识别指令，为交通管理人员提供预警，该功能可以有效应对突发事件或交通拥堵情况，及时采取措施避免交通异常状态恶化。
52、（4）通过变换概率矩阵和实际概率矩阵能够尽可能准确地描述不同交通状态之间的转移情况和实际观测到的交通流量因子的概率，通过这样的矩阵，系统能够有效地捕捉交通状态变化的动态规律，以便更好地预测未来的交通状态，进而为交通管理人员提供更为精准的交通流量预测信息，这有助于在实际操作中做出及时有效的决策，优化交通管理和调度策略。通过对初始概率分布矩阵、变换概率矩阵以及实际概率矩阵的综合使用，系统能够更好地适应不同交通状况的变化，这种方法确保了模型能够根据实际的交通数据动态调整参数，提高了交通流量预测的准确性和系统的适应性，减少了由于交通状态变化而可能产生的误差。
53、（5）通过比较各个监测时段内每个交通状态下的较优路径概率，能够有效筛选出每个时段的最优隐状态，这一过程保证了系统能够在每个监测时段内选择相对符合实际情况的交通状态，从而提高了对交通流量状态变化的准确识别和预测能力。
1.一种基于大数据的数字化安全监测预警方法，其特征在于：包括以下步骤，
2.根据权利要求1所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s1具体包括有：
3.根据权利要求1所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s2具体包括有：
4.根据权利要求3所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s2还包括有：
5.根据权利要求1所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s2还包括有：
6.根据权利要求5所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s3具体包括有：
7.根据权利要求6所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s3还包括有：
8.根据权利要求7所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s3还包括有：
9.根据权利要求8所述的一种基于大数据的数字化安全监测预警方法，其特征在于：s4具体包括有：
10.一种基于大数据的数字化安全监测预警系统，用于实现上述权利要求1~9任一项所述的一种基于大数据的数字化安全监测预警方法，其特征在于：包括数据模块、指令下发模块、隐状态分析模块及回溯模块；
