CN120656331A - 多源数据融合的智能交通流量动态调控方法及系统 - Google Patents

Abstract

本发明公开了多源数据融合的智能交通流量动态调控方法及系统，涉及数据处理技术领域。所述方法包括：通过数据采集接口执行多源数据采集，得到多源交通数据集；对多源交通数据集进行空间融合，得到流量标记地图；基于流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图；基于交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。解决了现有技术中交通流量预测和调控不够精确的技术问题，达到了通过多源数据融合和时空分析实现智能交通流量动态调控，提高交通管理精度与响应速度的技术效果。

Description

多源数据融合的智能交通流量动态调控方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及多源数据融合的智能交通流量动态调控方法及系统。

背景技术

随着城市化进程的加速和汽车保有量的增加，城市交通拥堵问题日益严重。传统的交通流量管理方法主要依赖固定的交通信号灯或简单的流量分析，难以应对复杂和动态变化的交通状况。此外，现有的交通流量调控系统大多采用单一数据源进行流量监测和预测，无法有效整合来自多个来源的数据，如交通传感器、监控视频、道路历史数据等，这导致了调控策略的局限性和准确性不足。

发明内容

本申请提供了多源数据融合的智能交通流量动态调控方法及系统，解决了现有技术中交通流量预测和调控不够精确的技术问题。

本申请的第一个方面，提供了多源数据融合的智能交通流量动态调控方法，所述方法包括：

通过数据采集接口执行多源数据采集，得到多源交通数据集；对所述多源交通数据集进行空间融合，得到流量标记地图；基于所述流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图；基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。

本申请的第二个方面，提供了多源数据融合的智能交通流量动态调控系统，所述系统包括：

数据采集模块：通过数据采集接口执行多源数据采集，得到多源交通数据集；空间融合模块：对所述多源交通数据集进行空间融合，得到流量标记地图；分析模块：基于所述流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图；调控模块：基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

通过数据采集接口执行多源数据采集，得到多源交通数据集。接着，对多源交通数据集进行空间融合，得到流量标记地图。然后，基于流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图。最后，基于交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。解决了现有技术中交通流量预测和调控不够精确的技术问题，达到了通过多源数据融合和时空分析实现智能交通流量动态调控，提高交通管理精度与响应速度的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，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为本申请实施例提供的多源数据融合的智能交通流量动态调控方法流程示意图；

图2为本申请实施例提供的多源数据融合的智能交通流量动态调控系统结构示意图。

附图标记说明：数据采集模块11，空间融合模块12，分析模块13，调控模块14。

具体实施方式

本申请通过提供多源数据融合的智能交通流量动态调控方法及系统，解决了现有技术中交通流量预测和调控不够精确的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或模块。

实施例一，如图1所示，本申请提供了多源数据融合的智能交通流量动态调控方法，其中，方法包括：

通过数据采集接口执行多源数据采集，得到多源交通数据集。

在本申请实施例中，数据采集接口作为系统数据输入的关键部分，承担着从多类数据源统一接入并收集数据以形成多源交通数据集的重要任务；该数据采集接口是一个标准化平台，具备兼容和接入多种不同数据源的能力，涵盖各类道路感知设备(如摄像头、地磁传感器、雷达等)、车载系统(像GPS导航设备、车载诊断系统等)以及移动终端(例如智能手机、平板电脑等用户的导航应用数据)，同时拥有数据格式转换和协议解析功能，能把不同数据源提供的原始数据转换为统一格式，以便后续处理分析；数据采集接口通过有线或无线方式接入道路沿线部署的各类感知设备，实时获取交通流量、车速、车辆类型等基础数据，与车辆上的GPS导航设备、车载诊断系统等进行数据交互，收集车辆的实时位置、行驶状态、驾驶行为等信息，还通过API接口或数据推送方式获取用户导航应用中的出行意图、路径选择、实时位置等数据；经过数据采集接口处理后，来自不同数据源的数据整合成一个统一的多源交通数据集，其中包含道路流量、车速分布、拥堵状况、车辆轨迹、用户出行需求等丰富交通信息，为后续的空间融合、交通状态分析和流量预测提供坚实的数据基础。

进一步而言，所述数据采集接口用于统一接入多类数据源，所述多类数据源至少包括各类道路感知设备、车载系统和移动终端。

数据采集接口的作用是统一接入并采集来自多个不同数据源的数据，这些数据源包括各类道路感知设备、车载系统和移动终端。具体而言，道路感知设备如路面传感器、视频监控摄像头、雷达、激光雷达等，可实时获取路况、车流量、车速等数据。车载系统则包括汽车内置的GPS定位、车速传感器、加速度计等设备，能够提供关于单辆车的行驶状态及位置数据。移动终端则指通过智能手机等移动设备获取的用户定位、导航、交通信息等，尤其在城市交通中，这类信息能够提供实时的道路状况和交通反馈。通过这些多类数据源的整合，数据采集接口能够全面地收集来自不同维度的交通数据，为后续的交通流量分析和动态调控提供精确、全面的数据支持。

对所述多源交通数据集进行空间融合，得到流量标记地图。

通过将来自不同数据源的交通信息整合到一个统一的空间框架中，以便进行全面的交通分析。在此过程中，首先需要将各类交通数据按照相同的时间尺度进行对齐，确保不同来源的数据具有相同的时间标记。然后，构建道路网络模型，通过将对齐后的数据映射到具体的道路链和交叉口上，进行数据的空间化处理。在此基础上，对映射后的数据进行加权融合。每个数据点根据其来源的可靠性和精度被赋予一个权重，可通过预设的置信度标准来进行初始化和调整。最终，通过对多个数据源进行加权融合，提取交通流特征如车流量、平均车速、拥堵指数等，构建出流量标记地图。流量标记地图展示了不同路段和交叉口的交通流量、速度等信息，为后续的交通态势分析和流量调控策略制定提供了必要的空间信息支持。

进一步而言，对所述多源交通数据集进行空间融合，得到流量标记地图，包括：

将所述多源交通数据集对齐到同一时间尺度，生成对齐数据集；构建路网模型，将所述对齐数据集映射到道路链和交叉口，进行数据置信度加权融合，得到融合结果；以所述融合结果进行交通流特征提取并标记，包括车流量、平均车速、拥堵指数，生成所述流量标记地图。

具体而言，针对不同数据源因采集频率与时刻差异导致的时间异步性，采用插值、外推或时间窗口聚合等技术手段，对多源交通数据集进行时间尺度对齐，生成统一时间基准的对齐数据集，为后续空间融合奠定时间一致性基础。随后，构建反映实际道路网络拓扑结构的路网模型，该模型以图结构形式呈现，节点代表路口、交叉点及预设地标，有向边则对应道路段，通过精确刻画道路几何形状、方向及长度等属性，确保数据映射的准确性。在完成路网模型构建后，将对齐数据集依据空间位置信息(如GPS坐标)映射至模型中的道路链与交叉口，实现数据与实际道路的精准对应。同时，鉴于不同数据源在数据质量、覆盖范围及实时性方面存在差异，需对多类数据源进行可靠性权重初始化，为后续加权融合提供权重依据。基于初始化权重，对映射至道路链与交叉口的多源数据进行加权融合，综合不同数据源信息以提高数据准确性与可靠性，并针对GPS漂移等异常数据进行检测与处理，确保融合结果不受异常数据干扰。最终，从融合数据中提取车流量、平均车速、拥堵指数等关键交通流特征，并将这些特征标记至路网模型上，生成直观展示各道路段交通流量、速度及拥堵状况的流量标记地图。

进一步而言，所述路网模型为预设道路区域的图结构模型，其中，节点为路口、交叉点以及预设地标；边为有向边，表示道路。

路网模型是针对预设道路区域所构建的图结构模型，在这个模型中，节点表示交通网络中的关键位置，如路口、交叉点和预设地标。路口与交叉点作为道路网络的关键节点，是车辆行驶方向转换或汇聚的重要位置；预设地标则根据实际交通管理需求与道路特点进行选取。

路网模型中的边为有向边，用于表示道路的连接关系，即路口和交叉点之间的道路连接。这些有向边指示了车辆的行驶方向，确保了交通流的正确性和逻辑性。在路网模型中，每条道路的流量和运行状况通过这些有向边来传递信息。例如，边的方向指示车辆从某一节点流向另一个节点，边的权重可以代表道路的流量、车速、车流密度等交通流特征。

进一步而言，将所述对齐数据集映射到道路链和交叉口，进行数据置信度加权融合，得到融合结果，包括：

对所述数据采集接口接入的多类数据源进行可靠性权重初始化，生成初始化权重；对所述对齐数据集进行GPS漂移处理后，以所述初始化权重对映射到道路链和交叉口的多源数据进行加权融合，生成所述融合结果。

针对经数据采集接口接入的多类数据源开展可靠性权重初始化工作。可选的，构建多维度评估体系，涵盖数据质量、覆盖范围、实时性及历史表现等核心要素。数据质量方面，需考量数据的准确性、完整性及无误差率，通过数据校验、一致性检查等手段量化评估；覆盖范围则关注数据在空间与时间维度上的广度与连续性，利用地理信息分析、时间序列分析等方法进行度量；实时性评估聚焦于数据更新频率与传输延迟，采用时间戳对比、网络性能监测等技术手段实现；历史表现评估则综合考量数据源的历史稳定性、异常记录频率等，通过统计分析、机器学习预测模型等工具进行量化。基于上述多维度评估结果，运用层次分析法、熵权法等权重分配算法，为各数据源科学分配初始化权重，以客观反映其在整体数据体系中的可靠程度，为后续加权融合提供精确的量化依据。

对已完成时间对齐的数据集实施GPS漂移处理，可采用先进的异常检测与滤波技术进行动态修正。异常检测环节，可运用基于统计学的离群点检测算法(如Z-score、IQR方法)或基于机器学习的分类模型(如孤立森林、支持向量机)对GPS数据进行实时监测，识别并标记漂移数据点。滤波环节，则采用卡尔曼滤波、粒子滤波等动态估计方法，结合车辆运动学模型、地图匹配技术等先验知识，对漂移数据进行精确校正，确保位置信息真实反映实际交通状况。

在完成GPS漂移处理后，系统将依据初始化权重对映射至道路链和交叉口的多源数据进行加权融合。此过程中，系统根据各数据源的初始化权重，采用加权平均、加权投票或基于贝叶斯理论的融合算法，对来自不同数据源的数据进行综合计算。通过赋予可靠程度高的数据源更大权重，有效抑制低质量数据对整体结果的影响，从而生成一个更加准确、可靠的融合结果。

基于所述流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图。

通过对流量标记地图中标注的各个路段和交叉口的交通流特征进行解读，识别出局部和全局的交通拥堵状况。局部拥堵通常指的是某个单独路段或交叉口的交通流量超出正常范围，可能由于交通事故、施工或其他原因导致的交通瓶颈；而全局拥堵则涉及到更广泛的区域性交通流量问题，这可能是由于多个相邻路段或区域的交通拥堵互相影响所造成的。

基于识别出的局部和全局拥堵信息，构建交通态势图。交通态势图是通过对各路段、交叉口的交通状况进行综合分析，结合实时流量数据、历史数据、天气条件等多种因素，形成一个关于当前交通状态的可视化表示。图中的每个节点代表一个交通控制单元(如路段或交叉口)，边代表各个交通单元之间的流量传输关系。在交通态势图中，节点的颜色、大小或形态可以反映该地区的交通状况，例如：红色表示严重拥堵，橙色表示中度拥堵，绿色表示畅通。

基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。

在本申请实施例中，基于所构建的交通态势图，系统进一步执行预设未来时区内的交通流状态预测。具体来说，通过对交通态势图中各个节点(如路段或交叉口)的当前交通状况进行分析，并结合历史数据、天气预报、特殊事件等因素，使用机器学习模型(如随机森林、支持向量机)对未来某个时区内的交通流状态进行预测。将当前交通态势图中的实时数据以及相关外部因素(如天气预报、大型活动安排等)作为输入，代入训练好的预测模型，对预设未来时区(如未来1小时、3小时、6小时等)内各路段的交通流状态进行预测。通过对未来时区内交通流的预测，系统可以准确预测出潜在的交通拥堵或畅通情况。基于这些预测结果，系统将根据不同的交通流态势采取相应的调控决策。例如，在某些路段预测到将出现严重拥堵时，系统可以决定提前采取措施，如调整信号灯配时、设置临时交通管制，或者引导车辆到其他替代路线。最终，根据这些调控决策，系统生成交通流调控策略，并将其实时下发到交通管理系统，执行对应的交通流调控操作。调控策略包括信号灯配时优化(调整各相位绿灯时间、周期长度等)、诱导信息发布(通过可变情报板、手机应用等向驾驶员提供最佳行驶路线建议)、交通管制措施(如设置潮汐车道、实施单向交通等)以及公共交通优先策略(如增加公交班次、设置公交专用道等)。

进一步而言，基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略，包括：

根据预测结果定位目标调控路段，所述目标调控路段为拥堵程度大于预设拥堵阈值，且拥堵持续时间大于预设时间阈值的路段；采集所述目标调控路段的可调模式，包括信号灯配时优化模式、路线诱导模式和车道管控模式中的一种或多种；基于所述可调模式，以降低拥挤程度为目标，执行所述目标调控路段的流量调控分析，生成所述交通流调控策略。

在完成交通流状态预测后，系统依据预设的拥堵阈值和时间阈值对预测结果进行筛选分析。具体而言，设定拥堵阈值，如当预测的拥堵指数达到或超过0.8时，认定该路段处于拥堵状态；同时设定时间阈值，例如当路段连续拥堵时间达到或超过15分钟时，判定该路段为需要重点关注的目标调控路段。通过筛选，精准定位出在未来时区内可能出现严重拥堵且持续时间较长的路段，这些路段将成为后续调控策略制定的重点对象。

针对定位出的目标调控路段，系统进一步采集其可调模式。可调模式包括但不限于信号灯配时优化模式、路线诱导模式和车道管控模式。对于信号灯配时优化模式，系统通过与目标调控路段周边的交通信号控制设备进行通信，获取当前信号灯的配时方案，包括各相位的绿灯时间、红灯时间、周期长度等参数。同时，结合交通流预测结果以及目标调控路段的道路几何特征(如车道数量、路口布局等)，运用交通工程学原理和优化算法(如遗传算法、粒子群算法等)，对信号灯配时方案进行优化调整，生成新的配时方案，以实现交通流在交叉口的顺畅通行，减少车辆等待时间。

在路线诱导模式方面，系统通过与导航应用、可变情报板等交通信息发布平台进行集成，获取当前可用的诱导信息发布渠道和方式。基于交通流预测结果，系统分析目标调控路段周边的交通状况，为驾驶员规划出避开拥堵路段的最佳行驶路线，并将这些路线信息通过导航应用实时推送给驾驶员，同时在可变情报板上进行显示，引导驾驶员合理选择行驶路径，从而分散交通流量，缓解目标调控路段的交通压力。

对于车道管控模式，系统根据目标调控路段的交通流量和拥堵情况，评估实施潮汐车道、可变车道、公交专用道等管控措施的可行性和效果。例如，当预测到目标调控路段在特定时间段内某一方向的交通流量较大，而另一方向流量较小时，系统可建议设置潮汐车道，通过调整车道行驶方向来提高道路资源利用率；或者根据交通流预测结果，动态调整可变车道的用途，如将部分车道设置为左转专用道或直行专用道，以优化交通流组织；同时，在必要时可设置公交专用道，保障公共交通的优先通行权，提高公共交通的运行效率，吸引更多人选择公共交通出行，减少私家车流量。

在采集到目标调控路段的可调模式后，系统以降低拥挤程度为核心目标，对各种可调模式进行组合和优化分析。通过建立交通仿真模型，将不同的可调模式组合输入到仿真模型中，模拟未来时区内交通流在这些调控措施下的运行情况，包括车辆行驶速度、排队长度、通行时间等指标的变化。根据仿真结果，评估不同可调模式组合对降低目标调控路段拥挤程度的实际效果，并综合考虑实施成本(如设备改造费用、人力成本等)、对周边交通的影响(如是否会引发新的拥堵点)等因素，选择最优的可调模式组合作为交通流调控策略。

进一步而言，信号灯配时优化模式的调控优先级大于路线诱导模式的调控优先级大于车道管控模式的调控优先级；当所述可调模式包括多种模式，按照调控优先级先进行模式顺位优化，直至调控适应度满足预设目标。

优选的，信号灯配时优化模式的调控优先级大于路线诱导模式的调控优先级，路线诱导模式的调控优先级又大于车道管控模式的调控优先级。当目标调控路段的可调模式包括多种时，系统将根据上述优先级进行模式顺位优化。具体而言，首先，系统会对信号灯配时优化模式进行调节，在确保最大化信号灯配时效率的同时，减少拥堵和延误；然后，系统会优化路线诱导模式，以引导部分车辆流向替代路线，进一步减轻目标路段的负担；最后，如果依然存在拥堵，系统才会启动车道管控模式，调整车道的开放情况或对特定车辆类型进行限制。优化过程将持续执行，直至调控适应度满足预设目标，即当目标路段的交通流量得到有效控制，拥堵程度降低至预定阈值时，调控策略即被认为完成，系统停止进一步的调控操作。

综上所述，本申请实施例至少具有如下技术效果：

通过数据采集接口执行多源数据采集，得到多源交通数据集。接着，对多源交通数据集进行空间融合，得到流量标记地图。然后，基于流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图。最后，基于交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。解决了现有技术中交通流量预测和调控不够精确的技术问题，达到了通过多源数据融合和时空分析实现智能交通流量动态调控，提高交通管理精度与响应速度的技术效果。

实施例二，基于与前述实施例中多源数据融合的智能交通流量动态调控方法相同的发明构思，如图2所示，本申请提供了多源数据融合的智能交通流量动态调控系统，其中，系统包括：

数据采集模块11：通过数据采集接口执行多源数据采集，得到多源交通数据集；空间融合模块12：对所述多源交通数据集进行空间融合，得到流量标记地图；分析模块13：基于所述流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图；调控模块14：基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。

进一步的，所述数据采集模块11用于执行如下方法：

所述数据采集接口用于统一接入多类数据源，所述多类数据源至少包括各类道路感知设备、车载系统和移动终端。

进一步的，所述空间融合模块12用于执行如下方法：

将所述多源交通数据集对齐到同一时间尺度，生成对齐数据集；构建路网模型，将所述对齐数据集映射到道路链和交叉口，进行数据置信度加权融合，得到融合结果；以所述融合结果进行交通流特征提取并标记，包括车流量、平均车速、拥堵指数，生成所述流量标记地图。

进一步的，所述空间融合模块12用于执行如下方法：

所述路网模型为预设道路区域的图结构模型，其中，节点为路口、交叉点以及预设地标；边为有向边，表示道路。

进一步的，所述空间融合模块12用于执行如下方法：

对所述数据采集接口接入的多类数据源进行可靠性权重初始化，生成初始化权重；对所述对齐数据集进行GPS漂移处理后，以所述初始化权重对映射到道路链和交叉口的多源数据进行加权融合，生成所述融合结果。

进一步的，所述调控模块14用于执行如下方法：

根据预测结果定位目标调控路段，所述目标调控路段为拥堵程度大于预设拥堵阈值，且拥堵持续时间大于预设时间阈值的路段；采集所述目标调控路段的可调模式，包括信号灯配时优化模式、路线诱导模式和车道管控模式中的一种或多种；基于所述可调模式，以降低拥挤程度为目标，执行所述目标调控路段的流量调控分析，生成所述交通流调控策略。

进一步的，所述调控模块14用于执行如下方法：

信号灯配时优化模式的调控优先级大于路线诱导模式的调控优先级大于车道管控模式的调控优先级；当所述可调模式包括多种模式，按照调控优先级先进行模式顺位优化，直至调控适应度满足预设目标。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (8)

1.多源数据融合的智能交通流量动态调控方法，其特征在于，所述方法包括：

通过数据采集接口执行多源数据采集，得到多源交通数据集；

对所述多源交通数据集进行空间融合，得到流量标记地图；

基于所述流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图；

基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。

2.如权利要求1所述的多源数据融合的智能交通流量动态调控方法，其特征在于，所述数据采集接口用于统一接入多类数据源，所述多类数据源至少包括各类道路感知设备、车载系统和移动终端。

3.如权利要求1所述的多源数据融合的智能交通流量动态调控方法，其特征在于，对所述多源交通数据集进行空间融合，得到流量标记地图，包括：

将所述多源交通数据集对齐到同一时间尺度，生成对齐数据集；

构建路网模型，将所述对齐数据集映射到道路链和交叉口，进行数据置信度加权融合，得到融合结果；

以所述融合结果进行交通流特征提取并标记，包括车流量、平均车速、拥堵指数，生成所述流量标记地图。

4.如权利要求3所述的多源数据融合的智能交通流量动态调控方法，其特征在于，所述路网模型为预设道路区域的图结构模型，其中，节点为路口、交叉点以及预设地标；边为有向边，表示道路。

5.如权利要求4所述的多源数据融合的智能交通流量动态调控方法，其特征在于，将所述对齐数据集映射到道路链和交叉口，进行数据置信度加权融合，得到融合结果，包括：

对所述数据采集接口接入的多类数据源进行可靠性权重初始化，生成初始化权重；

对所述对齐数据集进行GPS漂移处理后，以所述初始化权重对映射到道路链和交叉口的多源数据进行加权融合，生成所述融合结果。

6.如权利要求1所述的多源数据融合的智能交通流量动态调控方法，其特征在于，基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略，包括：

根据预测结果定位目标调控路段，所述目标调控路段为拥堵程度大于预设拥堵阈值，且拥堵持续时间大于预设时间阈值的路段；

采集所述目标调控路段的可调模式，包括信号灯配时优化模式、路线诱导模式和车道管控模式中的一种或多种；

基于所述可调模式，以降低拥挤程度为目标，执行所述目标调控路段的流量调控分析，生成所述交通流调控策略。

7.如权利要求6所述的多源数据融合的智能交通流量动态调控方法，其特征在于，信号灯配时优化模式的调控优先级大于路线诱导模式的调控优先级大于车道管控模式的调控优先级；

当所述可调模式包括多种模式，按照调控优先级先进行模式顺位优化，直至调控适应度满足预设目标。

8.多源数据融合的智能交通流量动态调控系统，其特征在于，用于实施权利要求1-7任意一项所述的多源数据融合的智能交通流量动态调控方法，所述系统包括：

数据采集模块：通过数据采集接口执行多源数据采集，得到多源交通数据集；

空间融合模块：对所述多源交通数据集进行空间融合，得到流量标记地图；

分析模块：基于所述流量标记地图进行当前交通状态分析，识别局部与全局拥堵，构建交通态势图；

调控模块：基于所述交通态势图执行预设未来时区内的交通流状态预测，基于预测结果进行调控决策，生成交通流调控策略。