CN114999161B - 一种用于智能交通拥堵边缘治理*** - Google Patents
一种用于智能交通拥堵边缘治理*** Download PDFInfo
- Publication number
- CN114999161B CN114999161B CN202210902470.1A CN202210902470A CN114999161B CN 114999161 B CN114999161 B CN 114999161B CN 202210902470 A CN202210902470 A CN 202210902470A CN 114999161 B CN114999161 B CN 114999161B
- Authority
- CN
- China
- Prior art keywords
- information
- congestion
- scene
- traffic
- event
- 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
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 27
- 230000006855 networking Effects 0.000 claims description 37
- 230000014509 gene expression Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 230000007717 exclusion Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 230000003370 grooming effect Effects 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000007500 overflow downdraw method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 12
- 206010039203 Road traffic accident Diseases 0.000 abstract description 10
- 238000012806 monitoring device Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 239000006185 dispersion Substances 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及基于交通事故拥堵的拥堵处理领域,并提供了一种用于智能交通拥堵边缘治理***。包括安装于交通设备上的边缘装置,其特征在于,所述***包括:场景采集模块:用于在交通设备拥堵时,通过所述交通设备上的边缘装置采集周边的场景信息,判断是否存在拥堵事件;事故分析模块:用于在存在拥堵事件时,对所述场景信息进行场景分析,确定拥堵事故信息;边缘连接模块:用于通过所述边缘装置进行局部交通设备连接,组成局部交通网络;边缘处理模块:用于通过所述局部交通网络,进行事故报警,并生成不同交通设备的引流路径和引导提示信息。有益效果在于:本发明能够联合多个车辆进行局部的车辆引流和引导,缓解因为交通事故造成的拥堵。
Description
技术领域
本发明涉及交通管理技术领域,特别涉及一种用于智能交通拥堵边缘治理***。
背景技术
目前,随这汽车保有量的逐渐增加,用于汽车行驶道路的增量远远不及汽车保有量的增加速度,造成了城市道理的拥堵现象日益严重,现有技术中,提出了很多交通治理的方法,包括构建道路模型,监控道路拥堵的原因,进行规划路线或者安排交警进行治理,以此来缓解交通的拥堵,实现交通整体的控制,交通的疏导,交通运行的合理化越来越高,对于出现拥堵也能以最有效的手段进行整体的疏导。
但是,在交通的整体治理中,现有技术因为主要是基于路灯、车流量为参考项,判断拥堵,如果发生了非常规的拥堵事件,例如在道路中发生的拥堵事件导致的交通拥堵:道路中出现车祸,道路中出现临时管控、道路中忽然出现塌陷或者道路被水淹等非常规事件导致的拥堵现象,对于这些导致的拥堵现象,虽然可以通过调节红绿灯实现交通的疏导,但是只能缓解交通拥堵,无法从根本上解决临时拥堵问题。想要从根本上解决因为这些问题导致的交通拥堵问题,需要对这些拥堵事件的快速发现、快速明确事件成因,快速上报和快速处理。
发明内容
本发明提供一种用于智能交通拥堵边缘治理***,用以解决道路中出现车祸,道路中出现临时管控、道路中忽然出现塌陷或者道路被水淹等非常规事件导致的拥堵现象,对于这些导致的拥堵现象,虽然可以通过调节红绿灯实现交通的疏导,但是只能缓解交通拥堵,无法从根本上解决临时拥堵问题的情况。
一种用于智能交通拥堵边缘治理***,包括安装于交通设备上的边缘装置,所述***包括:
场景采集模块:用于在交通设备拥堵时,通过所述交通设备上的边缘装置采集周边的场景信息,判断是否存在拥堵事件;
事故分析模块:用于在存在拥堵事件时,对所述场景信息进行场景分析,确定拥堵事故信息;
边缘连接模块:用于通过所述边缘装置进行局部交通设备连接,组成局部交通网络;
边缘处理模块:用于通过所述局部交通网络,生成不同交通设备的引流路径和引导提示信息。
进一步的:所述场景采集模块包括:
车辆信息采集单元:用于通过边缘装置连接交通设备,获取交通设备的实时信息;其中,
所述实时信息包括:实时速度信息、平均速度信息、实时位置信息和行驶路径信息;
场景采集单元:用于获取交通设备周边的场景数据,确定交通设备的场景数据;其中,
所述场景数据包括:周边场景图像、周边车辆分布信息和周边车辆的移动数据;
拥堵判定单元:用于根据所述实时信息和场景数据,确定局部车辆数据,并基于拥堵判定模型,判断是否存在拥堵;其中,
所述局部车辆数据包括:局部车辆密度数据、局部车辆平均速度信息和局部车辆在预设时间内的行驶信息;
拥堵因素提取单元:用于在局部拥堵时,根据所述场景图像,进行事故因素筛选,判断是否存在道路事故;
拥堵事件判定单元:用于在存在道路事故时,确定道路事故的事故特征,根据所述事故特征,确定对应的拥堵事件。
进一步的:所述拥堵因素提取单元包括如下提取步骤:
根据所述场景数据,确定周边场景图像;
进行周边场景图像拼接,生成局部立体图像;
根据所述局部立体图像,通过网格划分的划分基准设定网格化划分条件,对所述局部立体图像进行分割,生成网格化图像,并构建对应当前网格化图像的元素数据集;
基于所述元素数据集,提取不同网格内的场景元素;
在预设的场景数据库中,筛选不同网格中符合特征匹配条件的场景元素;其中,
所述场景元素数据库包括所有的场景元素;
所述特征匹配条件包括色谱匹配、轮廓匹配和几何匹配;
对符合特征匹配条件的场景元素进行标记,生成标记编码;
根据所述标记编码,构建基于所述局部立体图像的拥堵判定模型;
根据所述拥堵判定模型,计算每个场景元素在拥堵状况中的权重值;其中,
所述权重值表示在拥堵环境中不同场景元素的拥堵权重;
根据所述权重值,提取拥堵因素。
进一步的:所述拥堵事件判定单元确定对应的拥堵事件包括如下步骤:
预先统计道路拥堵事件,构建道路拥堵事件的知识图谱;
在道路拥堵事件的知识图谱中确定不同道路拥堵事件的事件实体信息;
得到与所述道路拥堵事件的事件实体信息关联的拥堵身份实体;
根据所述拥堵身份实体,确定与所述拥堵身份实体关联的位置信息,为拥堵位置信息,与所述拥堵位置信息关联的时间信息,为拥堵时间信息;其中,
所述拥堵位置信息表示道路拥堵事件的事件实体的位置信息;
所述拥堵事件信息表示道路拥堵事件的拥堵时间;
根据与所述拥堵位置信息的车辆邻接度,定义N级拥堵位置信息,根据与所述拥堵时间信息的邻接度,定义M级拥堵时间信息,N、M为正整数;
根据所述道路拥堵事件的知识图谱,得到与所述拥堵身份实体关联的类型信息;其中,
所述道路拥堵事件的知识图谱包括拥堵身份实体和类型信息,所述拥堵身份实体至少为一个,所述类型信息至少包括身份信息、时间信息和位置信息,每个所述拥堵身份实体分别与一个所述身份信息、一个所述时间信息和一个所述位置信息关联,相邻的所述时间信息关联,相邻的所述位置信息关联;
根据所述身份信息、位置信息、类型信息和时间信息,确定对应的拥堵事件。
进一步的:所述事故分析模块包括:
模型生成单元:用于通过场景分析模型进行场景数据采集和场景分析,从而生成场景文档;
文档分解单元:用于使用基于道路事故库训练的神经训练模型对场景文档进行分析,从而得到若干个拥堵事件信息,所述神经训练模型为Word2Vec模型,用于对场景文档进行信息分解,从而获得场景文档对应的场景全局信息和n个元素;其中,
所述场景全局信息包括场景全局中不同元素的分布信息;
所述n个元素均为拥堵事件的元素;
信息向量生成单元:用于通过预设的循环神经网络对所述场景全局信息进行处理,生成场景全局信息的信息向量,并通过循环神经网络对所述信息向量对n个元素进行处理,生成元素信息向量;
事件信息提取单元:用于通过循环神经网络将对元素信息向量进行处理,生成拥堵事件内容概要,根据所述拥堵事件内容概要确定拥堵事件信息;
事故判定单元:用于将所述拥堵事件信息和预设的拥堵事件模板进行匹配,确定对应的拥堵事故信息。
进一步的:,所述事故判定单元将所述拥堵事件信息和预设的拥堵事件模板进行匹配,包括如下步骤:
将所述拥堵事件信息通过预设拥堵事件解析规则进行事件解析,确定正则表达式集合;其中,
所述拥堵事件解析规则至少包括:拥堵事件类型解析规则、拥堵事件特征解析规则、拥堵事件元素解析规则和模板匹配项的属性解析规则;
将所述拥堵事件信息与所述拥堵事件模板的正则表达式集合中的每个正则表达式进行逐一匹配,确定与所述事件信息匹配成功的目标正则表达式;其中,所述逐一匹配包括:
在所述拥堵事件模板的正则表达式集合中存在包括排除项的正则表达式的情况下,将所述拥堵事件信息与除去排除项的正则表达式进行匹配;其中,
所述排除项基于所述拥堵事件解析规则确定,所述排除项包括事件类型、事件特征、事件元素和模板匹配项的属性;
在拥堵事件信息和拥堵事件模板匹配成功的情况下,从所述包括排除项的正则表达式中确定与所述事件信息匹配成功的目标正则表达式;
基于所述目标正则表达式,获取所述拥堵事件信息对应的拥堵事故信息。
进一步的:所述边缘连接模块包括:
设备信息获取单元:用于根据当前交通设备的边缘装置的装置参数,获取所述当前交通设备的设备标识,并根据所述设备标识匹配对应的第一配置参数信息;其中,
所述第一配置参数信息为交通设备的通信配置信息;
边缘装置信息获取单元:获取所述边缘装置的第二配置参数信息;
所述第二配置参数信息为边缘装置的通信配置信息;
节点信息获取单元:用于根据所述第一配置参数信息和第二配置参数信息得到所述当前交通设备与边缘装置的连接配置信息,生成组合连接节点,确定节点特征,并生成节点的第一地址参数;
匹配单元:用于通过所述边缘装置匹配周边其它边缘装置,并确定其它边缘装置的第二地址参数;
组网单元:用于根据所述第一地址参数和第二地址参数,将当前交通设备的边缘装置和周边车辆的边缘装置进行联合组网,生成局部交通网络。
进一步的:所述组网单元包括::
信号方位子单元:用于根据所述地址参数,计算从当前交通设备到其它边缘装置的信号方位角;
距离计算子单元:用于根据所述地址参数,计算从当前交通设备到其它边缘装置的距离;
局部移动判定子单元:用于根据所述联合组网,确定当前交通设备和周边交通设备的移动信息,确定局部交通设备移动特性;
模型方程构建子单元:用于基于局部交通设备移动特性和所述联合组网定位建立运动模型和相对状态方程;其中,
所述相对状态方程为从当前交通设备到其它交通设备的边缘装置的距离和信号方位角建立的量测方程;
坐标滤波单元:用于采用卡尔曼滤波方法计算局部交通设备的位置坐标;
位置修正单元:用于根据所述位置坐标和联合组网定位融合方法对局部交通设备位置进行修正。
进一步的:所述边缘处理模块包括:
事故信息处理单元:用于根据所述拥堵事件信息,确定对应的事故处理策略;其中,
所述事故处理策略包括报警策略、疏导策略和引流策略;
路径模型搭建单元:用于根据所述局部交通网络和事故处理策略,判断局部交通状态,根据所述局部交通状态判断是否存在可疏导线路;
引导提示搭建单元:用于在存在可疏导线路时,通过所述联合组网进行统一疏导策略制定和引流路径规划,生成统一疏导策略和引流路径。
进一步的:所述引导提示搭建单元包括:
采集子单元:根据所述联合组网,确定局部交通设备中每个交通设备的运行路线,并采集目标场景的道路数据并进行预处理,得到目标数据集;其中,
所述目标道路数据包括:道路分叉信息、道路车辆信息和道路运行规则信息;
匹配子单元:将所述目标数据集导入匹配模型,生成匹配结果;其中,所述匹配结果为引流路径匹配和统一疏导策略匹配;
疏导单元:用于再所述匹配结果为稀疏类型时,根据对应目标数据进行路径规划并生成目标引流路径,并生成对应的疏导策略。
本发明有益效果在于:本发明能够对道路中的拥堵事件进行判断,判断是否存在事故,在存在事故的时候可以进行报警,还可以进行边缘组网,联合多个车辆进行局部的车辆引流和引导,缓解因为交通事故造成的拥堵。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种用于智能交通拥堵边缘治理***的组成图;
图2为本发明实施例中拥堵事件模板匹配流程图;
图3为本发明实施例中组网单元的组成图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
如附图1所示,本发明为一种用于智能交通拥堵边缘治理***,包括安装于交通设备上的边缘装置,所述***包括:
场景采集模块:用于在交通设备拥堵时,通过所述交通设备上的边缘装置采集周边的场景信息,判断是否存在拥堵事件;
事故分析模块:用于在存在拥堵事件时,对所述场景信息进行场景分析,确定拥堵事故信息;
边缘连接模块:用于通过所述边缘装置进行局部交通设备连接,组成局部交通网络;
边缘处理模块:用于通过所述局部交通网络,进行事故报警,并生成不同交通设备的引流路径和引导提示信息。
上述技术方案的原理在于:本发明是一种针对交通中可能出现的事故,进行交通拥堵处理的过程。因为本发明主要是对道路中事故的判断,当存在交通事故的时候,判断是什么拥堵事件导致了拥堵,也就是什么交通事故,可能是车祸,可能是道路中出现障碍物无人处理、也可能是道路维修。,然后通过链接附近的交通设备组成一个局域的引导网络,进行局部的路径引流和交通疏导,因为本发明是每个交通设备上安装边缘装置,所以,可以实现边缘事故处理,生成每个车辆的引导提示信息,提示车辆如何运行,存在那类拥堵事件导致拥堵,本发明的交通设备可以是所有类型的可以道路行驶的交通设备,包括小汽车、公交车、特种车辆和摩托车等等。本发明的边缘装置,包括安装在车顶的边缘装置,也可以是集成在导航***中的边缘设备。
上述技术方案的有益效果在于:本发明能够对道路中的拥堵事件进行判断,判断是否存在事故,在存在事故的时候可以进行报警,还可以进行边缘组网,联合多个车辆进行局部的车辆引流和引导,缓解因为交通事故造成的拥堵。
进一步的:所述场景采集模块包括:
车辆信息采集单元:用于通过边缘装置连接交通设备,获取交通设备的实时信息;其中,
所述实时信息包括:实时速度信息、平均速度信息、实时位置信息和行驶路径信息;
场景采集单元:用于获取交通设备周边的场景数据;其中,
所述场景数据的采集主要是基于交通设备上的传感设备和摄像装置;
所述场景数据包括:周边场景图像、周边车辆分布信息和周边车辆的移动数据;
拥堵判定单元:用于根据所述实时信息和场景数据,确定局部车辆数据,并基于拥堵判定模型,判断是否存在拥堵;其中,
所述局部车辆数据包括:局部车辆密度数据、局部车辆平均速度信息和局部车辆在预设时间内的行驶信息;
拥堵因素提取单元:用于在局部拥堵时,根据所述场景图像,进行事故因素筛选,判断是否存在道路事故;
拥堵事件判定单元:用于在存在道路事故时,确定道路事故的事故特征,根据所述事故特征,确定对应的拥堵事件。
上述技术方案的原理在于:
本发明会进行场景的采集,场景的采集包括行驶场景的采集和交通设备自身的状态采集,采集的数据都传输到边缘装置中,这个场景的采集是通过交通设备的摄像装置采集周边的场景图像,对车辆进行图像采集,判断是不是存在拥堵事件,通过图像和车辆的自身的移动状态就可以判断是不是存在拥堵。拥堵事件拥堵判定模型是通过预先设置的拥堵判定规则构成的判定机制,判断车辆的密度是不是超过预设的预设值,车辆的速度是不是低于预设的预设值等等,在实际实施时,根据具体情况设置,判断道路事故就是对一些事故因素筛选,根据事故特征判断是不是出现事故,这些事故特征不局限于碰撞特征、车辆损毁特征、道路存在维修牌或道路存在坑洞等现象特征。
上述技术方案的有益效果在于:本发明能够实现通过场景图像和车辆自身的状态的采集判断是不是出现了拥堵事故,并且能够判断拥堵事故因为什么原因发生拥堵事件。
进一步的:所述拥堵因素提取单元包括:
根据所述场景数据,确定周边场景图像;
进行周边场景图像拼接,生成局部立体图像;
根据所述局部立体图像,通过网格划分的划分基准设定网格化划分条件,对所述局部立体图像进行分割,生成网格化图像,并构建对应当前网格化图像的元素数据集;
基于所述元素数据集,提取不同网格内的场景元素;
在预设场景数据库中,在不同网格中筛选符合特征匹配条件的场景元素;其中,
所述场景元素数据库包括所有的场景元素;
所述特征匹配条件包括色谱匹配、轮廓匹配和几何匹配;
对符合特征匹配条件的场景元素进行标记,生成标记编码;
根据所述标记编码,构建基于所述局部立体图像的拥堵判定模型;
根据所述拥堵判定模型,计算每个场景元素在拥堵状况中的权重值;其中,
所述权重值表示在拥堵环境中不同场景元素的拥堵权重;
根据所述权重值,提取拥堵因素。
上述技术方案的原理在于:本发明因为存在对车辆四周的车辆分布进行判断,所以对周边场景图像进行采集,周边图像不是同一个摄像装置采集,所以需要进行图像拼接,生成一个基于局部立体图像。能够对场景网格化之后,生成对应的数据集,然后判断场景中出现的拥堵因子,通过拥堵因子判断拥堵因素,在这个过程中,场景数据库中的场景元素构建拥堵判定模型,主要是通过这个模型判断是因为那些因素导致的拥堵,那些元素在拥堵事故产生中占有巨大的权重,从而实现清楚的拥堵因素定位。
上述技术方案的有益效果在于:本发明能够判断是因为什么原因导致的拥堵,网格化之后,可以实现拥堵事故产生因素的快速定位。
进一步的:
所述拥堵事件判定单元确定对应的拥堵事件包括如下步骤:
预先统计道路拥堵事件,构建道路拥堵事件的知识图谱;
在道路拥堵事件的知识图谱中确定不同道路拥堵事件的事件实体信息;
得到与所述道路拥堵事件的事件实体信息关联的拥堵身份实体;
根据所述拥堵身份实体,确定与所述拥堵身份实体关联的位置信息,为拥堵位置信息,与所述拥堵位置信息关联的时间信息,为拥堵时间信息;其中,
所述拥堵位置信息表示道路拥堵事件的事件实体的位置信息;
所述拥堵事件信息表示道路拥堵事件的拥堵时间;
根据与所述拥堵位置信息的车辆邻接度,定义N级拥堵位置信息,根据与所述拥堵时间信息的邻接度,定义M级拥堵时间信息,N、M为正整数;
根据所述道路拥堵事件的知识图谱,得到与所述拥堵身份实体关联的类型信息;其中,
所述道路拥堵事件的知识图谱包括拥堵身份实体和类型信息,所述拥堵身份实体至少为一个,所述类型信息至少包括身份信息、时间信息和位置信息,每个所述拥堵身份实体分别与一个所述身份信息、一个所述时间信息和一个所述位置信息关联,相邻的所述时间信息关联,相邻的所述位置信息关联;
根据所述身份信息、位置信息、类型信息和时间信息,确定对应的拥堵事件。
上述技术方案的原理在于:本发明会预先统计道路拥堵事件,建立一个基于神经网络模型知识图谱,这个图谱会存在不同拥堵事件的实体信息,实体表示这个拥堵事件的产生原因,可能是因为车祸的车辆,可能是因为道路维护的维护地点。拥堵身份实体表示产生拥堵,或者导致拥堵的实体是身份信息。拥堵位置信息,就是拥堵的源头位置。拥堵时间信息就是拥堵产生的时间和影响他人车辆的时间,以及拥堵的持续时间,包括未来持续时间,具体根据事故信息确定时间。本发明存在N级别拥堵位置信息和M级拥堵时间信息,这是因为导致拥堵的时刻可能存在多个车辆的车祸有些车辆可能损坏不大,还能开走,有些可能直接报废,所以就存在不同的拥堵级别,而拥堵时间信息的级别,就是不同事故车辆产生拥堵的时间,报废的车辆导致的拥堵时间肯定是时间最长的。通过这些身份信息、位置信息、类型信息和时间信息,我们就可以清晰的确定产生了什么事故,事故中存在那些事故的参与者,事故的确切位置,从而就能为如何处理事故提供具体的信息。
上述技术方案的有益效果在于:本发明能够确定产生了什么拥堵事件,也能够对拥堵事件进行处理,确定具体的事故信息,让事故以一种精确的时间细粒度、精确的参与细粒度和类型细粒度下的事故具体内容。
进一步的:
所述事故分析模块包括:
模型生成单元:用于通过场景分析模型进行场景数据采集和场景分析,从而生成场景文档;
文档分解单元:用于使用基于道路事故库训练的神经训练模型对场景文档进行分析,从而得到若干个拥堵事件信息,所述神经训练模型为Word2Vec模型,用于对场景文档进行信息分解,从而获得场景文档对应的场景全局信息和n个元素;其中,
所述场景全局信息包括场景全局中不同元素的分布信息;
所述n个元素均为拥堵事件的元素;
信息向量生成单元:用于通过预设的循环神经网络对所述场景全局信息进行处理,生成场景全局信息的信息向量,并通过循环神经网络对所述信息向量对n个元素进行处理,生成元素信息向量;
事件信息提取单元:用于通过循环神经网络将对元素信息向量进行处理,生成拥堵事件内容概要,根据所述拥堵事件内容概要确定拥堵事件信息;
事故判定单元:用于将所述拥堵事件信息和预设的拥堵事件模板进行匹配,确定对应的拥堵事故信息。
上述技术方案的原理在于:本发明在进行事故的具体分析处理的时候,需要确定最好的方法就是以文字的形式精确确定事故的具体信息,图像只能确定表面信息,所以本发明生成了场景文档,然后通过神经训练模型分析,得到拥堵事件的具体信息,包括全局信息和场景中分布的不同元素,这些元素包括导致拥堵的元素和非拥堵元素,最后以向量的形式和事件模板的匹配确定具体的拥堵事故信息。
上述技术方案的有益效果在于:通过向量和模板的方式首先能够确定不同元素导致的拥堵的参与向量,也就是其在事故中的参与程度,而模板匹配能够确定具体的事故信息。
进一步的:
所述事故判定单元将所述拥堵事件信息和预设的拥堵事件模板进行匹配,包括如下步骤:
将所述拥堵事件信息通过预设拥堵事件解析规则进行事件解析,确定正则表达式集合;其中,
所述拥堵事件解析规则至少包括:拥堵事件类型解析规则、拥堵事件特征解析规则、拥堵事件元素解析规则和模板匹配项的属性解析规则;
将所述拥堵事件信息与所述拥堵事件模板的正则表达式集合中的每个正则表达式进行逐一匹配,确定与所述事件信息匹配成功的目标正则表达式;其中,
所述逐一匹配包括:
在所述拥堵事件模板的正则表达式集合中存在包括排除项的正则表达式的情况下,将所述拥堵事件信息与除去排除项的正则表达式进行匹配;其中,
所述排除项基于所述拥堵事件解析规则确定,所述排除项包括事件类型、事件特征、事件元素和模板匹配项的属性;
在拥堵事件信息和拥堵事件模板匹配成功的情况下,从所述包括排除项的正则表达式中确定与所述事件信息匹配成功的目标正则表达式;
基于所述目标正则表达式,获取所述拥堵事件信息对应的拥堵事故信息。
上述技术方案的原理在于:如附图2所示,本发明能够通过将事件信息和预设的事件模板进行匹配,从而判断出现了什么事件,确定具体的事件信息在这个具体的匹配过程中,正则表达式是不同解析规则的在进行事件解析的特征量构成的正则表达式,是一种事件参数化的形式,这是因为车辆的具体信息也是参数化,更容易进行事件处理,正则表达式集合是因为每一个规则都有一个对应的正则表达式。逐一匹配是因为能够精确的确定不同正则表达式的匹配参数,也能够实现拥堵事件的信息量化,判断拥堵的影响程度,是一种大事故还是小事故,间接的判断事故的影响时间。
上述技术方案的有益效果在于:本发明能够对事件进匹配判断,确定具体出现的事件信息。
进一步的:
所述边缘连接模块包括:
设备信息获取单元:用于根据当前交通设备的边缘装置的装置参数,获取所述当前交通设备的设备标识,并根据所述设备标识匹配对应的第一配置参数信息;其中,
所述第一配置参数信息为交通设备的通信配置信息;
边缘装置信息获取单元:获取所述边缘装置的第二配置参数信息;
所述第二配置参数信息为边缘装置的通信配置信息;
节点信息获取单元:用于根据所述第一配置参数信息和第二配置参数信息得到所述当前交通设备与边缘装置的连接配置信息,生成组合连接节点,确定节点特征,并生成节点的第一地址参数;
匹配单元:用于通过所述边缘装置匹配周边其它边缘装置,并确定其它边缘装置的第二地址参数;
组网单元:用于根据所述第一地址参数和第二地址参数,将当前交通设备的边缘装置和周边车辆的边缘装置进行联合组网,生成局部交通网络。
上述技术方案的原理在于:本发明能够通过边缘装置将不同的交通设备进行连接,然后再通过边缘装置连接周边不同的交通设备,配置参数信息是通信信息,也就是如何实现通信连接生成节点这是因为每一个交通设备都是一个节点,才能实现联合组网,实现不同交通设备的联合组网,在生成联合组网的时候,就能实现局部的交通信息共享,交通信息共享之后就能根据不同车辆采集的信息,实现一个道路的合理规划,让所有车辆更加快速的通过事故地点,减小拥堵,而且还能报警。
上述技术方案的有益效果在于:本发明能够生成局部交通网络,实现不同交通设备之间的通信连接,实现居于的路线规划。
进一步的:所述组网单元包括:
信号方位子单元:用于根据所述地址参数,计算从当前交通设备到其它边缘装置的信号方位角;
距离计算子单元:用于根据所述地址参数,计算从当前交通设备到其它边缘装置的距离;
局部移动判定子单元:用于根据所述联合组网,确定当前交通设备和周边交通设备的移动信息,确定局部交通设备移动特性;
模型方程构建子单元:用于基于局部交通设备移动特性和所述联合组网定位建立运动模型和相对状态方程;其中,
所述相对状态方程为从当前交通设备到其它交通设备的边缘装置的距离和信号方位角建立的量测方程;
坐标滤波单元:用于采用卡尔曼滤波方法计算局部交通设备的位置坐标;
位置修正单元:用于根据所述位置坐标和联合组网定位融合方法对局部交通设备位置进行修正。
上述技术方案的原理在于:如附图3所示,本发明在进行组网的过程,主要是基于地址参数,信号方位角能够确定不同车辆相对于当前车辆的方位方向,而距离和方位确定之后就能确定不同交通设备的方位,实现数据共享,局部交通设备移动特性,就是局部移动的倾向,而运动模型和相对状态方程时进行路径规划和交通疏导的基础,卡尔曼滤波方法是一种过程计算方法,能够实现最优故居,也就是最准确的位置坐标的标定,这是属于场景分析得到的坐标,位置修正联合组网定位融合方法是得到一个网络位置坐标,通过网络坐标和场景分析坐标,能够得到一个精确的位置坐标。
上述技术方案的有益效果在于:本发明能够实现进行不同边缘装置的联合组网,对不同交通设备进行位置标定,实现位置分析,从而可以进行更加精确的统一疏导和引流。
进一步的:
所述边缘处理模块包括:
事故信息处理单元:用于根据所述拥堵事件信息,确定对应的事故处理策略;其中,
所述事故处理策略包括报警策略、疏导策略和引流策略;
路径模型搭建单元:用于根据所述局部交通网络和事故处理策略,判断局部交通状态,根据所述局部交通状态判断是否存在可疏导线路;
引导提示搭建单元:用于在存在可疏导线路时,通过所述联合组网进行统一疏导策略制定和引流路径规划,生成统一疏导策略和引流路径。
上述技术方案的原理在于:本发明根据具体的事故信息确定对应的处理策略,在这个过程中,策略包括三种,报警策略、疏导策略和引流策略;因为发生事故之后,可能存在可疏导路线,也可能存在没有,所以本发明主要是在存在可疏导路线的时候生成统一疏导策略和引流路径。统一疏导策略和引流路径,是一种局部所有车辆的整体疏导策略和引流策略。
上述技术方案的有益效果在于:能够缓解因为交通事故产生的拥堵,对于能够引流疏导的进行引流疏导,不能引流疏导的进行报警,当然在现有技术中,大多数的交通拥堵都是能够实现引流疏导的,引流疏导也可以防止再次发生其它事故。
进一步的:所述引导提示搭建单元包括:
采集子单元:根据所述联合组网,确定局部交通设备中每个交通设备的运行路线,并采集目标场景的道路数据并进行预处理,得到目标数据集;其中,
所述目标道路数据包括:道路分叉信息、道路车辆信息和道路运行规则信息;
匹配子单元:将所述目标数据集导入匹配模型,生成匹配结果;其中,所述匹配结果为引流路径匹配和统一疏导策略匹配;
疏导单元:用于在所述匹配结果为稀疏类型时,根据对应目标数据进行路径规划并生成目标引流路径,并生成对应的疏导策略。
上述技术方案的原理在于:本发明在确定统一疏导策略和引流路径的过程中,通过道路路线进行目标数据的引导匹配,然后生成对应的引导策略和路径。预处理也就是目标数据的划分提取处理,匹配模型是引流路径和疏导策略的模型,这些模型通过神经网络模型处理得到。本发明的神经网络模型都是基于交通的神经网络模型。稀疏类型表示能够以最小的路径规划和引流策略达到最大的拥堵处理效果,也就是匹配结果匹配值更高时。
上述技术方案的有益效果在于:本发明能够生成不同设备引导路径,还能够实现路径引流。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种用于智能交通拥堵边缘治理***,包括安装于交通设备上的边缘装置,其特征在于,所述***包括:
场景采集模块:用于在交通设备拥堵时,通过所述交通设备上的边缘装置采集周边的场景信息,判断是否存在拥堵事件;
事故分析模块:用于在存在拥堵事件时,对所述场景信息进行场景分析,确定拥堵事故信息;
边缘连接模块:用于通过所述边缘装置进行局部交通设备连接,组成局部交通网络;
边缘处理模块:用于通过所述局部交通网络,进行事故报警,并生成不同交通设备的引流路径和引导提示信息;
所述事故分析模块包括:
模型生成单元:用于通过场景分析模型进行场景数据采集和场景分析,从而生成场景文档;
文档分解单元:用于使用基于道路事故库训练的神经训练模型对场景文档进行分析,从而得到若干个拥堵事件信息,所述神经训练模型为Word2Vec模型,用于对场景文档进行信息分解,从而获得场景文档对应的场景全局信息和n个元素;其中,
所述场景全局信息包括场景全局中不同元素的分布信息;
所述n个元素均为拥堵事件的元素;
信息向量生成单元:用于通过预设的循环神经网络对所述场景全局信息进行处理,生成场景全局信息的信息向量,并通过循环神经网络对所述信息向量对n个元素进行处理,生成元素信息向量;
事件信息提取单元:用于通过循环神经网络将对元素信息向量进行处理,生成拥堵事件内容概要,根据所述拥堵事件内容概要确定拥堵事件信息;
事故判定单元:用于将所述拥堵事件信息和预设的拥堵事件模板进行匹配,确定对应的拥堵事故信息;
所述场景采集模块包括:
车辆信息采集单元:用于通过边缘装置连接交通设备,获取交通设备的实时信息;其中,
所述实时信息包括:实时速度信息、平均速度信息、实时位置信息和行驶路径信息;
场景采集单元:用于获取交通设备周边的场景数据;其中,
所述场景数据包括:周边场景图像、周边车辆分布信息和周边车辆的移动数据;
拥堵判定单元:用于根据所述实时信息和场景数据,确定局部车辆数据,并基于拥堵判定模型,判断是否存在拥堵;其中,
所述局部车辆数据包括:局部车辆密度数据、局部车辆平均速度信息和局部车辆在预设时间内的行驶信息;
拥堵因素提取单元:用于在局部拥堵时,根据所述场景图像,进行事故因素筛选,判断是否存在道路事故;
拥堵事件判定单元:用于在存在道路事故时,确定道路事故的事故特征,根据所述事故特征,确定对应的拥堵事件。
2.如权利要求1所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述拥堵因素提取单元包括如下提取步骤:
根据所述场景数据,确定周边场景图像;
进行周边场景图像拼接,生成局部立体图像;
根据所述局部立体图像,通过网格划分的划分基准设定网格化划分条件,对所述局部立体图像进行分割,生成网格化图像,并构建对应当前网格化图像的元素数据集;
基于所述元素数据集,提取不同网格内的场景元素;
在预设的场景数据库中,筛选不同网格中符合特征匹配条件的场景元素;其中,
所述场景数据库包括所有的场景元素;
所述特征匹配条件包括色谱匹配、轮廓匹配和几何匹配;
对符合特征匹配条件的场景元素进行标记,生成标记编码;
根据所述标记编码,构建基于所述局部立体图像的拥堵判定模型;
根据所述拥堵判定模型,计算每个场景元素在拥堵状况中的权重值;其中,
所述权重值表示在拥堵环境中不同场景元素的拥堵权重;
根据所述权重值,提取拥堵因素。
3.如权利要求1所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述拥堵事件判定单元确定对应的拥堵事件包括如下步骤:
预先统计道路拥堵事件,构建道路拥堵事件的知识图谱;
在道路拥堵事件的知识图谱中确定不同道路拥堵事件的事件实体信息;得到与所述道路拥堵事件的事件实体信息关联的拥堵身份实体;
根据所述拥堵身份实体,确定与所述拥堵身份实体关联的位置信息,为拥堵位置信息,与所述拥堵位置信息关联的时间信息,为拥堵时间信息;其中,
所述拥堵位置信息表示道路拥堵事件的事件实体的位置信息;
所述拥堵时间信息表示道路拥堵事件的拥堵时间;
根据与所述拥堵位置信息的车辆邻接度,定义N级拥堵位置信息,根据与所述拥堵时间信息的邻接度,定义M级拥堵时间信息,N、M为正整数;
根据所述道路拥堵事件的知识图谱,得到与所述拥堵身份实体关联的类型信息;其中,
所述道路拥堵事件的知识图谱包括拥堵身份实体和类型信息,所述拥堵身份实体至少为一个,所述类型信息至少包括身份信息、时间信息和位置信息,每个所述拥堵身份实体分别与一个所述身份信息、一个所述时间信息和一个所述位置信息关联,相邻的所述时间信息关联,相邻的所述位置信息关联;
根据所述身份信息、位置信息、类型信息和时间信息,确定对应的拥堵事件。
4.如权利要求1所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述事故判定单元将所述拥堵事件信息和预设的拥堵事件模板进行匹配,包括如下步骤:
将所述拥堵事件信息通过预设拥堵事件解析规则进行事件解析,确定正则表达式集合;其中,
所述拥堵事件解析规则至少包括:拥堵事件类型解析规则、拥堵事件特征解析规则、拥堵事件元素解析规则和模板匹配项的属性解析规则;
将所述拥堵事件信息与所述拥堵事件模板的正则表达式集合中的每个正则表达式进行逐一匹配,确定与所述事件信息匹配成功的目标正则表达式;其中,
所述逐一匹配包括:
在所述拥堵事件模板的正则表达式集合中存在包括排除项的正则表达式的情况下,将所述拥堵事件信息与除去排除项的正则表达式进行匹配;其中,
所述排除项基于所述拥堵事件解析规则确定,所述排除项包括事件类型、事件特征、事件元素和模板匹配项的属性;
在拥堵事件信息和拥堵事件模板匹配成功的情况下,从所述包括排除项的正则表达式中确定与所述事件信息匹配成功的目标正则表达式;
基于所述目标正则表达式,获取所述拥堵事件信息对应的拥堵事故信息。
5.如权利要求1所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述边缘连接模块包括:
设备信息获取单元:用于根据当前交通设备的边缘装置的装置参数,获取所述当前交通设备的设备标识,并根据所述设备标识匹配对应的第一配置参数信息;其中,
所述第一配置参数信息为交通设备的通信配置信息;
边缘装置信息获取单元:获取所述边缘装置的第二配置参数信息;
所述第二配置参数信息为边缘装置的通信配置信息;
节点信息获取单元:用于根据所述第一配置参数信息和第二配置参数信息得到所述当前交通设备与边缘装置的连接配置信息,生成组合连接节点,确定节点特征,并生成节点的第一地址参数;
匹配单元:用于通过所述边缘装置匹配周边其它边缘装置,并确定其它边缘装置的第二地址参数;
组网单元:用于根据所述第一地址参数和第二地址参数,将当前交通设备的边缘装置和周边车辆的边缘装置进行联合组网,生成局部交通网络。
6.如权利要求5所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述组网单元包括:
信号方位子单元:用于根据所述地址参数,计算从当前交通设备到其它边缘装置的信号方位角;
距离计算子单元:用于根据所述地址参数,计算从当前交通设备到其它边缘装置的距离;
局部移动判定子单元:用于根据所述联合组网,确定当前交通设备和周边交通设备的移动信息,确定局部交通设备移动特性;
模型方程构建子单元:用于基于局部交通设备移动特性和所述联合组网定位建立运动模型和相对状态方程;其中,
所述相对状态方程为从当前交通设备到其它交通设备的边缘装置的距离和信号方位角建立的量测方程;
坐标滤波单元:用于采用卡尔曼滤波方法计算局部交通设备的位置坐标;
位置修正单元:用于根据所述位置坐标和联合组网定位融合方法对局部交通设备位置进行修正。
7.如权利要求6所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述边缘处理模块包括:
事故信息处理单元:用于根据所述拥堵事件信息,确定对应的事故处理策略;其中,
所述事故处理策略包括报警策略、疏导策略和引流策略;
路径模型搭建单元:用于根据所述局部交通网络和事故处理策略,判断局部交通状态,根据所述局部交通状态判断是否存在可疏导线路;
引导提示搭建单元:用于在存在可疏导线路时,通过所述联合组网进行统一疏导策略制定和引流路径规划,生成统一疏导策略和引流路径。
8.如权利要求7所述的一种用于智能交通拥堵边缘治理***,其特征在于,所述引导提示搭建单元包括:
采集子单元:根据所述联合组网,确定局部交通设备中每个交通设备的运行路线,并采集目标场景的道路数据并进行预处理,得到目标数据集;其中,
所述目标道路数据包括:道路分叉信息、道路车辆信息和道路运行规则信息;
匹配子单元:将所述目标数据集导入匹配模型,生成匹配结果;其中,所述匹配结果为引流路径匹配和统一疏导策略匹配;
疏导单元:用于在所述匹配结果为稀疏类型时,根据对应目标数据进行路径规划并生成目标引流路径,并生成对应的疏导策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902470.1A CN114999161B (zh) | 2022-07-29 | 2022-07-29 | 一种用于智能交通拥堵边缘治理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210902470.1A CN114999161B (zh) | 2022-07-29 | 2022-07-29 | 一种用于智能交通拥堵边缘治理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114999161A CN114999161A (zh) | 2022-09-02 |
CN114999161B true CN114999161B (zh) | 2022-10-28 |
Family
ID=83022548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210902470.1A Active CN114999161B (zh) | 2022-07-29 | 2022-07-29 | 一种用于智能交通拥堵边缘治理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114999161B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117116065B (zh) * | 2023-10-23 | 2024-02-02 | 宁波宁工交通工程设计咨询有限公司 | 一种智慧道路车流管控方法及*** |
CN117762577B (zh) * | 2023-11-21 | 2024-07-02 | 武汉昊阳科技有限公司 | 基于网格化实现的数字产品区域调度方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010134824A1 (en) * | 2009-05-20 | 2010-11-25 | Modulprodukter As | Driving assistance device and vehicle system |
CN110134963A (zh) * | 2019-05-20 | 2019-08-16 | 中南大学 | 一种文本挖掘应用于道路交通事故数据处理的方法 |
CN110290502A (zh) * | 2019-05-28 | 2019-09-27 | 浙江吉利控股集团有限公司 | 一种车辆视觉图像信息的融合方法及装置 |
CN111462497A (zh) * | 2020-05-18 | 2020-07-28 | 深圳博通机器人有限公司 | 一种交通数据下发方法、***、终端及存储介质 |
CN111915915A (zh) * | 2020-07-16 | 2020-11-10 | 华人运通(上海)自动驾驶科技有限公司 | 驾驶场景重构方法、装置、***、车辆、设备及存储介质 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11423775B2 (en) * | 2019-07-18 | 2022-08-23 | International Business Machines Corporation | Predictive route congestion management |
CN111028507B (zh) * | 2019-12-16 | 2022-05-13 | 阿波罗智联(北京)科技有限公司 | 交通拥堵致因确定方法及装置 |
CN113096397B (zh) * | 2021-03-31 | 2022-04-12 | 武汉大学 | 基于毫米波雷达与视频检测的交通拥堵分析方法 |
-
2022
- 2022-07-29 CN CN202210902470.1A patent/CN114999161B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010134824A1 (en) * | 2009-05-20 | 2010-11-25 | Modulprodukter As | Driving assistance device and vehicle system |
CN110134963A (zh) * | 2019-05-20 | 2019-08-16 | 中南大学 | 一种文本挖掘应用于道路交通事故数据处理的方法 |
CN110290502A (zh) * | 2019-05-28 | 2019-09-27 | 浙江吉利控股集团有限公司 | 一种车辆视觉图像信息的融合方法及装置 |
CN111462497A (zh) * | 2020-05-18 | 2020-07-28 | 深圳博通机器人有限公司 | 一种交通数据下发方法、***、终端及存储介质 |
CN111915915A (zh) * | 2020-07-16 | 2020-11-10 | 华人运通(上海)自动驾驶科技有限公司 | 驾驶场景重构方法、装置、***、车辆、设备及存储介质 |
CN113034913A (zh) * | 2021-03-22 | 2021-06-25 | 平安国际智慧城市科技股份有限公司 | 交通拥堵预测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于多图神经网络的城市交通流预测方法;洪照雄;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210215;全文 * |
基于大数据的道路拥堵对实时交通安全的影响研究;吕明新等;《山东交通科技》;20160425(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114999161A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114999161B (zh) | 一种用于智能交通拥堵边缘治理*** | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
CN102208013B (zh) | 风景匹配参考数据生成***和位置测量*** | |
CN113706737B (zh) | 基于自动驾驶车辆的路面巡检***及方法 | |
Zear et al. | Intelligent transport system: A progressive review | |
CN106571046B (zh) | 基于路面网格体系的车路协同辅助驾驶方法 | |
CN109544932A (zh) | 一种基于出租车gps数据与卡口数据融合的城市路网流量估计方法 | |
WO2021155685A1 (zh) | 一种更新地图的方法、装置和设备 | |
CN112462774A (zh) | 一种基于无人机航行跟随的城市道路监管方法、***及可读存储介质 | |
CN110942038A (zh) | 基于视觉的交通场景识别方法、装置、介质及电子设备 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其*** | |
CN111915883A (zh) | 一种基于车载摄像的道路交通状况检测方法 | |
CN112101223B (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN108229256A (zh) | 一种道路施工检测方法及装置 | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
CN112070756A (zh) | 一种基于无人机倾斜摄影的路面立体病害测量方法 | |
Kotha et al. | Potsense: Pothole detection on Indian roads using smartphone sensors | |
CN114913447B (zh) | 基于场景识别的警务智慧指挥室***及方法 | |
CN114248819A (zh) | 基于深度学习的铁路侵限异物无人机检测方法、装置及*** | |
CN116859413A (zh) | 一种用于露天矿车车辆的感知模型建立方法 | |
CN112017213B (zh) | 一种目标对象的位置更新方法及*** | |
CN117387647A (zh) | 融合车载传感器数据与道路传感器数据的道路规划方法 | |
CN114783181B (zh) | 一种基于路侧感知的交通流量统计方法和装置 | |
CN115668333A (zh) | 电子地图生成方法、装置、计算机设备和存储介质 | |
CN113240917A (zh) | 一种将深度神经网络应用于智慧交通的交通管理*** |
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 |