CN110992685B - 一种基于高速公路交通流突变的交通安全预警方法 - Google Patents
一种基于高速公路交通流突变的交通安全预警方法 Download PDFInfo
- Publication number
- CN110992685B CN110992685B CN201911143542.3A CN201911143542A CN110992685B CN 110992685 B CN110992685 B CN 110992685B CN 201911143542 A CN201911143542 A CN 201911143542A CN 110992685 B CN110992685 B CN 110992685B
- Authority
- CN
- China
- Prior art keywords
- flow
- traffic
- time
- road
- highway
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于高速公路交通流突变的交通安全预警方法,通过判断流量突变可以发现交通异常情况,可以帮助交通管理部门提早发现交通异常事件,有效制定管理疏通措施;包括获取高速公路相邻节点之间的道路基础信息;根据所获取的基础信息,按道路、时间、道路流量、天气四个特征处理数据,应用长短记忆模型,预测下游路***通流量;获取下游路口实际流量与预测的流量进行对比分析,对交通状态进行判别;根据交通流突变的分析结果,判断两采集点之间是否存在异常情况,针对可能出现的交通事件进行及时预警。本发明通过对道路交通流状态进行分析研究,及时、准确地辨识当前和未来交通流状态,是制定正确诱导和控制措施的一个重要前提。
Description
技术领域
本发明涉及交通安全技术领域,具体涉及一种基于高速公路交通流突变的交通安全预警方法。
背景技术
交通流的突变,多与道路交通事件、交通事故等异常事件直接相关。通过对交通流突变现象的实时分析和判断,进而交通事件及时预警,能够有效提高发现交通异常的速度。
目前,关于交通流突变的检测方法,主要围绕车辆行驶速度和车头间距等因素来分析。但是,在当前实际的道路运行中,以及交通管理应用中,还没有能够对车辆行驶速度和车头间距进行较为完善的获取和分析,不能应用到实际生活生产中。
发明内容
本发明提出的一种基于高速公路交通流突变的交通安全预警方法,通过判断流量突变可以发现交通异常情况,可以帮助交通管理部门提早发现交通异常事件,有效制定管理疏通措施。
为实现上述目的,本发明采用了以下技术方案:
一种基于高速公路交通流突变的交通安全预警方法,包括:
获取高速公路相邻节点之间的道路基础信息,包括流量数据,天气数据;
根据所取数据,按道路、时间、道路流量、天气四个特征处理数据,运用长短记忆模型,预测下游路***通流量;
把下游路口实际流量与预测的流量进行对比分析,对交通状态进行判别;
根据交通流突变的分析结果,判断两采集点之间是否存在异常情况,针对可能出现的交通事件进行及时预警。
由上述技术方案可知,本发明的基于高速公路交通流突变的交通安全预警方法对道路交通流状态进行分析研究,及时、准确地辨识当前和未来交通流状态,是制定正确诱导和控制措施的一个重要前提。
本发明充分利用高速公路车流量、道路信息、时间与天气信息,预测在自由流状况下的从上游到下游的车流量;并通过研究预测的流量与实际流量的对比值,来对高速公路是否发生交通事件提供预警。该方法具有一定的有效性,并且易于应用和实施到实际的交通管理中;通过该方法可及时发现交通事件的发生,进而实施及时有效的诱导。
附图说明
图1是本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
如图1所示,本实施例所述的基于高速公路交通流突变的交通安全预警方法,包括:
S100、获取高速公路相邻节点之间的道路基础信息,所述相邻节点为上游路口和下游路口;
S200、根据所获取的基础信息,按道路、时间、道路流量、天气四个特征处理数据,应用长短记忆模型,预测下游路***通流量;
S300、获取下游路口实际流量与步骤S200预测的流量进行对比分析,对交通状态进行判别;
S400、根据步骤S300交通流突变的分析结果,判断两采集点之间是否存在异常情况,针对可能出现的交通事件进行及时预警。
以下针对上述步骤进行逐步说明:
其中,S100、获取高速公路相邻节点之间的道路基础信息,所述相邻节点为上游路口和下游路口;具体步骤如下:
(1)在一段高速公路,相邻的两个节点中,记进出口分别为Si和Se,设Si和Se之间存在j个流入匝道口、k个流出匝道口、x个服务区。
(2)设Si和Se之间的道路长度为L、车道路为n、最低限速为v0、最高限速为v1、流入匝道口距离Se的长度分别为Lj1、Lj2、...、Ljj、流出匝道口距离Se的长度分别为Lk1、Lk2、...、Lkk、服务区距离Se的长度分别为Lx1、Lx2、...、Lxx、
(3)记录的时间信息为T,时间T包含日期和具体时间点。提取时间的小时记为h、分钟记为m、是否为周末作为哑变量w、根据高速公路车流量的高峰和低谷时间端,以是否为高峰作为哑变量p。
(4)以t分钟为时间窗口,分别统计各时间段在Si的流量为Qi、Se处流量为Qe、j个流入匝道口的流量分别为Qj1、Qj2、...、Qjj、k个流出匝道口的流量分别为Qk1、Qk2、...、Qkk、x个服务区的流量分别为Qx1、Qx2、...、Qxx。
(5)天气信息包含温度H、气压P、降水R。
所述S200、根据所获取的基础信息,按道路、时间、道路流量、天气四个特征处理数据,应用长短记忆模型,预测下游路***通流量;具体步骤如下:
(1)根据高速路段进口、匝道进出口、服务区距离路段出口的长度,与高速公路最高限速v0和最低限速v1的比值,得到各点正常行驶到出口Se的时间范围(Ut是用时时长,A是高速入口、匝道入口、服务区出口三种不同车辆驶进高速道路的点)。
(4)在模型训练方法,选取深度学习模型,长短记忆模型(LSTM)进行训练。其中,对LSTM模型层的计算可表示如下:
输入节点:g(t)=σ(Wgx*x(t)+Wgh*h(t-1)+bg);
输入门:i(t)=σ(Wix*x(t)+Wih*h(t-1)+bi);
忘记门:f(t)=σ(Wfx*x(t)+Wfh*h(t-1)+bf);
输出门:o(t)=σ(Wox*x(t)+Wok*h(t-1)+bo);
它们之间关系:s(t)=g(t)*i(t)+s(t-1)*f(t),h(t)=s(t)*o(t);
其中,x(t)是循环层的输入,h(t)是循环层的输出,t是时间步骤的值,σ是Sigmoid函数,Wx是输入和输出之间的关系,Wh是输出的历史相关性,b为偏移;参数的初始值为随机值,h(t)的初始化为零。
所述S300、获取下游路口实际流量与步骤S200预测的流量进行对比分析,对交通状态进行判别;具体步骤如下:
交通流突变分析结果应用
对于发出预警的路段,进行人为干扰,疏解道路异常问题。
本发明实施例的基于高速公路交通流突变的交通安全预警方法,主要分为高速流量数据采集、通过道路上游流量预测下游流量、道路下游实时流量与预测流量对比分析三个步骤。具体地,首先在道路断面任意相邻交通流采集点,进行流量数据进行实时采集。然后,结合高速公路上游的流量数据,预测在没有交通事件状况,车辆能够正常自由行驶的状况下,高速下游的预计车流量。最后,通过预计车流量和实际流量的对比分析,对在路段中间是否发生交通事件做出决断。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于高速公路交通流突变的交通安全预警方法,其特征在于:
S100、获取高速公路相邻节点之间的道路基础信息,所述相邻节点为上游路口和下游路口;
S200、根据所获取的基础信息,按道路、时间、道路流量、天气四个特征处理数据,应用长短记忆模型,预测下游路***通流量;
S300、获取下游路口实际流量与步骤S200预测的流量进行对比分析,对交通状态进行判别;
S400、根据步骤S300交通流突变的分析结果,判断两采集点之间是否存在异常情况,针对将要出现的交通事件进行及时预警;
其中,所述步骤S100、获取高速公路相邻节点之间的道路基础信息,具体包括:
S101、在一段高速公路,相邻的两个节点中,记进出口分别为Si和Se,设Si和Se之间存在j个流入匝道口、k个流出匝道口、x个服务区;
S102、设Si和Se之间的道路长度为L、车道数为n、最低限速为v0、最高限速为v1、流入匝道口距离Se的长度分别为Lj1、Lj2、...、Ljj、流出匝道口距离Se的长度分别为Lk1、Lk2、...、Lkk、服务区距离Se的长度分别为Lx1、Lx2、...、Lxx;
S103、记录的时间信息为T,时间T包含日期和具体时间点;提取时间的小时记为h、分钟记为m、是否为周末作为哑变量w、根据高速公路车流量的高峰和低谷时间端,以是否为高峰作为哑变量p;
S104、以t分钟为时间窗口,分别统计各时间段在Si的流量为Qi、Se处流量为Qe、j个流入匝道口的流量分别为Qj1、Qj2、...、Qjj、k个流出匝道口的流量分别为Qk1、Qk2、...、Qkk、x个服务区的流量分别为Qx1、Qx2、...、Qxx;
S105、天气信息包含温度H、气压P、降水R;
所述步骤S200、根据所获取的基础信息,按道路、时间、道路流量、天气四个特征处理数据,应用长短记忆模型,预测下游路***通流量;具体包括:
S201、根据高速路段进口、匝道进出口、服务区距离路段出口的长度,与高速公路最高限速v0和最低限速v1的比值,得到各点正常行驶到出口Se的时间范围Ut是用时时长,A是高速入口、匝道入口、服务区出口三种不同驶进高速公路的点;
S204、选取深度学习模型,并对长短记忆模型进行训练;其中,对长短记忆模型的模型层的计算表示如下:
输入节点:g(t)=σ(Wgx*x(t)+Wgh*h(t-1)+bg);
输入门:i(t)=σ(Wix*x(t)+Wih*h(t-1)+bi);
忘记门:f(t)=σ(Wfx*x(t)+Wfh*h(t-1)+bf);
输出门:o(t)=σ(Wox*x(t)+Woh*h(t-1)+bo);
它们之间关系:s(t)=g(t)*i(t)+s(t-1)*f(t),h(t)=s(t)*o(t);
其中,x(t)是循环层的输入,h(t)是循环层的输出,t是时间步骤的值,σ是Sigmoid函数,Wx是输入和输出之间的关系,Wh是输出的历史相关性,b为偏移;参数的初始值为随机值,h(t)的初始化为零;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143542.3A CN110992685B (zh) | 2019-11-20 | 2019-11-20 | 一种基于高速公路交通流突变的交通安全预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911143542.3A CN110992685B (zh) | 2019-11-20 | 2019-11-20 | 一种基于高速公路交通流突变的交通安全预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110992685A CN110992685A (zh) | 2020-04-10 |
CN110992685B true CN110992685B (zh) | 2021-05-14 |
Family
ID=70085242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911143542.3A Active CN110992685B (zh) | 2019-11-20 | 2019-11-20 | 一种基于高速公路交通流突变的交通安全预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110992685B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112669600B (zh) * | 2020-12-15 | 2022-08-02 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种利用汽车电子标识信息预测路***通流的方法 |
CN113362598B (zh) * | 2021-06-04 | 2022-06-03 | 重庆高速公路路网管理有限公司 | 一种高速公路服务区车流量预测方法 |
CN113380052B (zh) * | 2021-06-08 | 2022-07-15 | 重庆大学 | 基于etc数据的驶入服务区车流量预测方法及装置 |
CN113643540B (zh) * | 2021-08-16 | 2022-06-14 | 李振宇 | 一种高速公路事故快速检测、预警***及方法 |
CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100789066B1 (ko) * | 2006-12-22 | 2007-12-26 | 한양대학교 산학협력단 | 자동 요금 징수 시스템을 활용한 교통량 예측 시스템 및 그방법 |
CN108922180A (zh) * | 2018-07-11 | 2018-11-30 | 宿州云宏建设安装有限公司 | 一种高速公路路面状况移动监测*** |
CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和*** |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19835979B4 (de) * | 1998-08-08 | 2005-01-05 | Daimlerchrysler Ag | Verfahren zur Verkehrszustandsüberwachung und Fahrzeugzuflußsteuerung in einem Straßenverkehrsnetz |
US7725250B2 (en) * | 2006-07-18 | 2010-05-25 | International Business Machines Corporation | Proactive mechanism for supporting the global management of vehicle traffic flow |
CN102129771B (zh) * | 2011-01-19 | 2013-09-18 | 东南大学 | 高速公路网的应急资源自动布局*** |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
CN108230698B (zh) * | 2016-12-21 | 2020-06-26 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
WO2018187632A1 (en) * | 2017-04-05 | 2018-10-11 | Carnegie Mellon University | Deep learning methods for estimating density and/or flow of objects, and related methods and software |
CN107993438A (zh) * | 2017-12-08 | 2018-05-04 | 上海云砥信息科技有限公司 | 一种高速公路瓶颈路段拥堵预警方法 |
CN108734961A (zh) * | 2018-05-28 | 2018-11-02 | 商丘师范学院 | 一种基于计算机三维场景的实时交通流检测预警*** |
CN110164128B (zh) * | 2019-04-23 | 2020-10-27 | 银江股份有限公司 | 一种城市级智能交通仿真*** |
CN110264709B (zh) * | 2019-05-06 | 2021-02-12 | 北京交通大学 | 基于图卷积网络的道路的交通流量的预测方法 |
CN110276949A (zh) * | 2019-06-20 | 2019-09-24 | 苏州大学 | 基于机器学习的交通流短时预测方法 |
CN110414719B (zh) * | 2019-07-05 | 2023-02-21 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
-
2019
- 2019-11-20 CN CN201911143542.3A patent/CN110992685B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100789066B1 (ko) * | 2006-12-22 | 2007-12-26 | 한양대학교 산학협력단 | 자동 요금 징수 시스템을 활용한 교통량 예측 시스템 및 그방법 |
CN108922180A (zh) * | 2018-07-11 | 2018-11-30 | 宿州云宏建设安装有限公司 | 一种高速公路路面状况移动监测*** |
CN109658694A (zh) * | 2018-12-28 | 2019-04-19 | 中交信息技术国家工程实验室有限公司 | 一种卷积神经网络高危车辆交通流预测方法和*** |
CN109871876A (zh) * | 2019-01-22 | 2019-06-11 | 东南大学 | 一种基于浮动车数据的高速公路路况识别与预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110992685A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992685B (zh) | 一种基于高速公路交通流突变的交通安全预警方法 | |
CN108269401B (zh) | 一种基于数据驱动的高架桥交通拥堵预测方法 | |
CN112085947B (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
Adeli et al. | Neuro-fuzzy logic model for freeway work zone capacity estimation | |
Jin et al. | Short-term traffic safety forecasting using Gaussian mixture model and Kalman filter | |
CN109191849B (zh) | 一种基于多源数据特征提取的交通拥堵持续时间预测方法 | |
Polson et al. | Bayesian particle tracking of traffic flows | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
CN111292534A (zh) | 一种基于聚类与深度序列学习的交通状态估计方法 | |
CN113033840B (zh) | 一种公路养护的判断方法和装置 | |
CN112990544B (zh) | 一种高速公路交织区交通事故预测方法 | |
CN114999181B (zh) | 一种基于etc***数据的高速公路车辆速度异常识别方法 | |
CN110675626A (zh) | 基于多维数据的交通事故黑点预测方法方法、装置及介质 | |
CN108681717B (zh) | 城市级交通视频检测设备质量检测方法 | |
Liu et al. | Traffic state spatial-temporal characteristic analysis and short-term forecasting based on manifold similarity | |
CN113159374A (zh) | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 | |
Ghosh et al. | Dynamic prediction of the incident duration using adaptive feature set | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
Zheng et al. | Incorporating multiple congestion levels into spatiotemporal analysis for the impact of a traffic incident | |
CN104268642B (zh) | 基于最小变异系数评价及推理模型的道路通堵预测方法 | |
Park et al. | Applying Clustered KNN Algorithm for Short‐Term Travel Speed Prediction and Reduced Speed Detection on Urban Arterial Road Work Zones | |
AYAR et al. | Long-term traffic flow estimation: a hybrid approach using location-basedtraffic characteristic | |
Qi | Probabilistic models for short term traffic conditions prediction | |
CN114627646B (zh) | 一种基于车牌识别数据的路段交通流模式识别方法及*** | |
CN113688687B (zh) | 一种基于电警数据的交通拥堵状态快速识别预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Patentee after: Anhui Baicheng Huitong Technology Co.,Ltd. Address before: Room 707-710, 7th floor, building B3, innovation industrial park, No. 800, Wangjiang West Road, hi tech Zone, Hefei City, Anhui Province Patentee before: ANHUI BAI CHENG HUI TONG TECHNOLOGY CO.,LTD. |