CN117116065A - 一种智慧道路车流管控方法及*** - Google Patents
一种智慧道路车流管控方法及*** Download PDFInfo
- Publication number
- CN117116065A CN117116065A CN202311373397.4A CN202311373397A CN117116065A CN 117116065 A CN117116065 A CN 117116065A CN 202311373397 A CN202311373397 A CN 202311373397A CN 117116065 A CN117116065 A CN 117116065A
- Authority
- CN
- China
- Prior art keywords
- road
- congestion level
- road congestion
- traffic
- vehicle
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims description 43
- 230000011218 segmentation Effects 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000003709 image segmentation Methods 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 238000005206 flow analysis Methods 0.000 claims description 21
- 238000007726 management method Methods 0.000 claims description 20
- 230000000903 blocking effect Effects 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 19
- 238000013507 mapping Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims 1
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种智慧道路车流管控方法及***,涉及交通管理技术领域,包括:采集道路图像,获得第一车型集合和第二车型集合,采集图像序列,进行车头时距识别,获得第一车头时距和第二车头时距,进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别,对照车型拥堵对照表,获得车流疏导阻碍系数,进行修正,获得修正道路拥堵级别,采集多个关联修正道路拥堵级别,结合修正道路拥堵级别,计算获得综合道路拥堵级别,进行管控方案决策,获得管控方案,对交通灯进行管控。本发明解决了传统交通管理无法根据实时道路拥堵情况做出及时的调整,导致交通灯与实际交通需求不匹配的技术问题。
Description
技术领域
本发明涉及车流管控技术领域,具体涉及一种智慧道路车流管控方法及***。
背景技术
现今常用的道路车流管控方法还存在着一定的弊端,传统交通管理方法往往依赖于静态的人工设定或定期更新的交通信号控制方案,无法及时获取并适应实际交通状况变化;传统的道路拥堵分析方法主要基于交通流量数据,不能全面考虑车辆类型、车头时距等因素对道路拥堵的影响,传统交通信号灯配时方案较为固定,无法根据实时道路拥堵情况做出及时的调整,导致交通灯与实际交通需求不匹配。
因此,对于道路车流管控还存在着一定的可提升空间。
发明内容
本申请通过提供了一种智慧道路车流管控方法及***,旨在解决传统交通管理方法存在无法及时获取并适应实际交通状况变化,并且道路拥堵分析方法不够全面,并且配时方案较为固定,无法根据实时道路拥堵情况做出及时的调整,导致交通灯与实际交通需求不匹配的技术问题。
鉴于上述问题,本申请提供了一种智慧道路车流管控方法及***。
本申请公开的第一个方面,提供了一种智慧道路车流管控方法,所述方法应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块,所述方法包括:将所述装置接入交通监测***,采集指定路口内相对直行车道的第一道路图像和第二道路图像,并传输至数据处理模块,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合;采集所述指定路口内相对直行车道在预设时间窗口内的第一道路图像序列和第二道路图像序列,传输至数据处理模块,对道路图像序列进行车头时距识别,获得第一车头时距和第二车头时距;通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别;根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数;根据所述车流疏导阻碍系数,对所述道路拥堵级别进行修正,获得修正道路拥堵级别;采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别;根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,所述管控方案内包括交通灯调整参数,通过所述管控模块对所述指定路口内的交通灯进行管控。
本申请公开的另一个方面,提供了一种智慧道路车流管控***,所述***应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块,所述***用于上述方法,所述***包括:道路图像采集单元,所述道路图像采集单元用于将所述装置接入交通监测***,采集指定路口内相对直行车道的第一道路图像和第二道路图像,并传输至数据处理模块,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合;图像序列采集单元,所述图像序列采集单元用于采集所述指定路口内相对直行车道在预设时间窗口内的第一道路图像序列和第二道路图像序列,传输至数据处理模块,对道路图像序列进行车头时距识别,获得第一车头时距和第二车头时距;道路拥堵分析单元,所述道路拥堵分析单元用于通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别;阻碍系获取单元,所述阻碍系获取单元用于根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数;拥堵级别修正单元,所述拥堵级别修正单元用于根据所述车流疏导阻碍系数,对所述道路拥堵级别进行修正,获得修正道路拥堵级别;拥堵级别获取单元,所述拥堵级别获取单元用于采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别;管控方案决策单元,所述管控方案决策单元用于根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,所述管控方案内包括交通灯调整参数,通过所述管控模块对所述指定路口内的交通灯进行管控。
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:
通过采集和处理多个数据源,如图像、车型、车头时距等,获得实时准确的道路交通状况以及综合道路拥堵级别;通过车型集合、车头时距等参数的分析和计算,综合考虑不同车型、车辆密度、流速等因素对道路拥堵的影响,提高拥堵评估的准确性和全面性;基于综合道路拥堵级别和车流疏导阻碍系数,制定相应的管控方案并将其嵌入管控模块,实现针对实时道路情况的动态交通信号灯调整,优化交通流畅度和缓解拥堵状况。通过上述智慧道路车流管控方法,可以更精确、实时地评估道路拥堵程度,提供具有针对性的管控方案,从而有效地改善交通拥堵情况,提高道路交通运行的效率和质量。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种智慧道路车流管控方法流程示意图;
图2为本申请实施例提供了一种智慧道路车流管控***结构示意图。
附图标记说明:道路图像采集单元10,图像序列采集单元20,道路拥堵分析单元30,阻碍系数获取单元40,拥堵级别修正单元50,拥堵级别获取单元60,管控方案决策单元70。
具体实施方式
本申请实施例通过提供一种智慧道路车流管控方法,解决了传统交通管理方法存在无法及时获取并适应实际交通状况变化,并且道路拥堵分析方法不够全面,并且配时方案较为固定,无法根据实时道路拥堵情况做出及时的调整,导致交通灯与实际交通需求不匹配的技术问题。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
如图1所示,本申请实施例提供了一种智慧道路车流管控方法,所述方法应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块,所述方法包括:
将所述装置接入交通监测***,采集指定路口内相对直行车道的第一道路图像和第二道路图像,并传输至数据处理模块,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合;
本申请实施例提供的一种智慧道路车流管控方法应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块。
将智慧道路车流管控装置通过相关网络协议与交通监测***建立连接,以获取实时的交通监测数据。在指定路口内的相对直行车道上安装摄像头,并通过交通监测***获取第一道路图像和第二道路图像,这些图像是在同一时间段内、同一视角下捕获的,将采集到的第一道路图像和第二道路图像通过网络传输至数据处理模块。在数据处理模块中,采用语义分割的方法对道路图像进行分割,为此,在训练过程中,使用历史道路图像集合进行道路语义分割路径的训练,通过道路语义分割路径,获得车辆图像的标识信息,获得第一车型集合和第二车型集合。
进一步而言,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合,包括:
在数据处理模块内,根据语义分割训练道路图像分割路径;将所述第一道路图像和第二道路图像输入所述道路图像分割路径内,进行图像语义分割,获得包括多个车辆图像的第一分割结果和第二分割结果;根据第一分割结果和第二分割结果内多个车辆图像的标识信息,获得所述第一车型集合和第二车型集合。
在数据处理模块内,通过使用历史道路图像集合,通过机器学习方法训练道路图像分割路径,这个路径主要用于将道路图像进行有效的分割,分辨出其中的车辆部分。
将第一道路图像和第二道路图像输入到已训练好的编码器部分,编码器逐步提取输入图像的特征表示,并捕捉图像中的语义信息,进行特征融合操作,将经过特征融合后的特征向量输入到解码器部分,解码器通过上采样操作逐步将特征映射回原始图像大小。根据解码器输出的分割结果,在图像上进行阈值化操作,以获取车辆图像的分割结果,这些结果即为第一分割结果和第二分割结果,包括多个车辆图像的区域。
对于第一分割结果和第二分割结果,遍历其中的每个车辆图像区域,对于每个车辆图像区域,提取与车辆相关的标识信息,包括车辆类型、品牌、颜色等,基于提取的车辆标识信息,进行车型识别操作,例如基于特征匹配的方法,将车辆标识信息与预训练的车型数据库进行匹配,获得车辆的具体车型。针对第一分割结果和第二分割结果,将每个车辆的车型信息添加到对应的车型集合中,这样可以形成第一车型集合和第二车型集合,其中每个集合包含了相应车道内的所有车辆的车型信息。
进一步而言,根据语义分割训练道路图像分割路径,包括:
根据交通监测***的监测记录数据,提取获得历史道路图像集合;对历史道路图像集合内的道路图像内的车辆图像进行划分和标识,获得历史分割结果集合;基于语义分割,构建道路图像分割路径内的编码器和解码器;采用所述历史道路图像集合和历史分割结果集合,对编码器和解码器进行训练,直到收敛,获得所述道路图像分割路径。
从交通监测***的监测记录数据中提取道路图像,形成历史道路图像集合,这些历史道路图像是从不同时间和场景下捕获的道路图像,包括不同的道路情况、交通密度和车辆类型。
使用目标检测算法对道路图像进行处理,该算法能够检测并定位图像中的物体,并输出其位置和边界框信息,以获取其中的车辆。根据目标检测的结果,在每张道路图像中将车辆划分为独立的区域,并为每个车辆图像添加相应的标识,标识信息包括车辆的位置、大小和其他关键属性。对于每个历史道路图像,将得到的车辆划分和标识信息进行整合,形成历史分割结果集合,这个集合包含了每个图像中的所有车辆区域及其对应的标识信息。
采用深度学习模型,如卷积神经网络(CNN),构建编码器和解码器,其中,编码器主要负责对输入的道路图像进行特征提取和编码操作,它由多个卷积层、池化层和激活函数组成,层层叠加的卷积操作逐渐提取图像的低级到高级特征信息,并将其表示为更抽象的特征向量;解码器负责将编码器输出的特征向量映射回原始图像空间,恢复图像的细节和边界信息,解码器的结构包括上采样、反卷积、融合层和激活函数,通过逐层上采样操作,解码器将特征向量扩展为与原始图像相同大小的特征图,以重建图像的细节和形状。
将历史道路图像集合和对应的历史分割结果集合作为训练数据,初始化编码器和解码器的网络参数,通过使用历史道路图像作为输入,将输出结果与真实分割结果进行比较,并通过损失函数计算损失值,然后使用反向传播算法来更新网络参数,以最小化损失函数,使用梯度下降等优化算法来调整网络参数,使其逐步优化。通过迭代训练,不断更新网络参数,观察损失值的变化,并在模型达到收敛状态时停止训练,最终获得的道路图像分割路径即可用于对新的道路图像进行分割,以识别出车辆和其他特定区域的信息。
采集所述指定路口内相对直行车道在预设时间窗口内的第一道路图像序列和第二道路图像序列,传输至数据处理模块,对道路图像序列进行车头时距识别,获得第一车头时距和第二车头时距;
通过摄像头捕获指定路口内相对直行车道的图像序列,根据预设时间窗口的设定,连续采集第一道路图像序列和第二道路图像序列,保证图像序列包含足够的帧数和时间间隔,以覆盖预设的时间窗口。将图像序列传输至数据处理模块,在数据处理模块中,对接收到的道路图像序列进行车头时距识别,车头时距是指车辆之间的时间距离,用于评估交通流的密度和安全性,通过分析道路图像序列中的车辆位置和时间戳信息,可以计算出车头时距。根据识别结果,获得第一车头时距和第二车头时距,车头时距是指道路图像序列中连续两辆相对直行车道上的车辆之间的时间距离。
进一步而言,对道路图像序列进行车头时距识别,包括:
根据所述第一车型集合和第二车型集合,对所述第一道路图像序列和第二道路图像序列内的车辆进行标记;根据车辆的标记信息,计算获取第一道路图像序列和第二道路图像序列内相邻两车辆的车头经过目标位置的时间差,获得第一车头时距集合第二车头时距集;计算所述第一车头时距集合第二车头时距集的均值,获得第一车头时距和第二车头时距。
通过目标检测算法,利用已获得的第一车型集合和第二车型集合的信息,在第一道路图像序列和第二道路图像序列中识别并标记出对应的车辆,确定每辆车头在图像中的位置。
确定目标位置,例如,设置为道路上的一个固定位置,如交通标志、交叉口等,根据车辆标记和目标位置,计算第一道路图像序列和第二道路图像序列内相邻两车辆的车头经过目标位置的时间差,获得第一车头时距和第二车头时距,遍历图形序列中所有车辆,获取第一车头时距集合第二车头时距集合。
将第一车头时距集合内的所有时距数值进行求和,将总和除以集合的大小,即车辆对数,得到第一车头时距的平均值,以同样的方法,获取第二车头时距的平均值,将这些平均时距值分别作为第一车头时距和第二车头时距,用于评估车辆之间的平均距离、交通流量特征以及道路拥堵状况。
通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别;
进一步而言,通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,包括:
调取交通检测***的历史监测数据,处理获取样本车头时距记录,并评估获取样本道路拥堵级别记录;采用样本车头时距记录和样本道路拥堵级别记录作为训练数据,基于机器学习,构建并训练道路拥堵分析路径,嵌入于所述车流分析模块内;将所述第一车头时距和第二车头时距输入所述车流分析模块进行特征分析,获取所述第一道路拥堵级别和第二道路拥堵级别。
访问交通检测***,调取所需的历史监测数据,计算相邻车辆之间经过目标位置的时间差,即可得到样本车头时距记录,根据样本车头时距记录,结合其他相关指标,如速度、流量等,设置阈值,评估并记录样本道路的拥堵程度。
采用样本车头时距记录和样本道路拥堵级别记录作为训练数据集,基于神经网络构建道路拥堵分析路径,使用训练数据集对道路拥堵分析路径进行训练,利用机器学习算法的训练过程,不断优化模型的参数和权重,以最小化预测结果与实际道路拥堵级别之间的差异,直至获取需要的道路拥堵分析路径,并将其嵌入到车流分析模块中。
准备所述第一车头时距和第二车头时距的数值作为输入数据,输入到车流分析模块,在车流分析模块中,根据预先构建的道路拥堵分析路径,将第一车头时距和第二车头时距转化为相应的第一道路拥堵级别和第二道路拥堵级别。
对所述第一道路拥堵级别和第二道路拥堵级别进行大小对比,将其中较大的作为道路拥堵级别。
根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数;
进一步而言,根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数,包括:
构建车型拥堵对照表,所述车型拥堵对照表内包括多种车型和多个拥堵系数的映射关系,小型轿车映射的拥堵系数为1;根据所述道路拥堵级别对应车道的车型集合,在所述车型拥堵对照表内进行映射匹配,获得拥堵系数集,并计算均值获得所述车流疏导阻碍系数。
创建一个车型拥堵对照表,记录不同类型车型与相应拥堵系数之间的映射关系,这个表包含多种车型以及对应拥堵系数的信息,例如,小型轿车可以映射为拥堵系数1,其他车型可能有不同的拥堵系数,越大的车的拥堵系数越大,比如大货车。
根据道路拥堵级别确定选定车道的车型集合,使用已构建好的车型拥堵对照表,将每辆车型从车型拥堵对照表中进行匹配,根据对照表中的映射关系,找到与每辆车型对应的拥堵系数。将所获取到的拥堵系数组成拥堵系数集,对于拥堵系数集中的各个拥堵系数,进行求和操作,然后除以集合大小,即车型数量,来计算平均值,将该平均值作为车流疏导阻碍系数。
根据所述车流疏导阻碍系数,对所述道路拥堵级别进行修正,获得修正道路拥堵级别;
使用车流疏导阻碍系数对原始的道路拥堵级别进行修正,例如,通过计算车流疏导阻碍系数与道路拥堵级别的乘积,将计算结果作为修正道路拥堵级别,这个级别反映了考虑车流疏导能力后的道路实际拥堵情况。
采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别;
进一步而言,采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别,包括:
采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别;根据多个车道与指定路口的距离,进行权重分配,获得多个权值,多个权值的和为0.5;采用所述多个权值,对所述多个关联修正道路拥堵级别和修正道路拥堵级别加权计算,获得综合道路拥堵级别,其中,修正道路拥堵级别的权重为0.5。
设置预设范围以涵盖与相对直行车道连接的多个车道,该范围包括了与相对直行车道有直接关联连通性的其他车道,在确定的预设范围内,在每个车道上部署相应的摄像头,采集获取多个关联修正道路拥堵级别。
通过测量确定每个车道与指定路口之间的距离,根据该距离,对多个车道进行权重分配,所有权重的总和为0.5,根据权重分配的结果,生成与多个车道对应的权值,每个车道都有一个相应的权值,表示该车道在综合道路拥堵级别中的重要性。
使用前述步骤得到的多个关联修正道路拥堵级别的所述多个权值(和为0.5),以及修正道路拥堵级别的权重(0.5),将修正道路拥堵级别和多个关联修正道路拥堵级别,根据相应的权值进行加权求和运算,得到综合道路拥堵级别,它提供了更全面和综合的描述路段拥堵情况的指标。
根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,所述管控方案内包括交通灯调整参数,通过所述管控模块对所述指定路口内的交通灯进行管控。
进一步而言,根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,包括:
根据指定路口的历史交通监测数据,处理获取样本综合道路拥堵级别集合;根据指定路口的历史交通监测数据,根据不同的样本综合道路拥堵级别,对交通信号灯的预设控制时间进行调整,获得样本交通灯调整参数集合;以样本综合道路拥堵级别为决策特征,采用样本综合道路拥堵级别集合和样本交通灯调整参数集合,构建管控方案决策路径,嵌入所述管控模块;将所述综合道路拥堵级别输入管控方案决策路径,进行决策,获得所述管控方案。
从指定路口的交通监测***收集历史交通监测数据,根据历史交通监测数据,将数据按照不同的综合道路拥堵级别进行分组,将类似的交通情况归为一个样本集合,每个样本集合代表一个特定的综合道路拥堵级别。对于每个样本综合道路拥堵级别,基于历史数据的分析结果,调整交通信号灯的预设控制时间,例如,根据不同综合道路拥堵级别的特征和需要,增加或减少特定阶段,如红灯、绿灯、黄灯的时长,以优化交通流畅度和减少拥堵,将每种综合道路拥堵级别对应的调整后的交通信号灯预设控制时间整理为一个集合,形成样本交通灯调整参数集合。
基于样本综合道路拥堵级别作为决策特征,采用这些特征和对应的交通灯调整参数,构建管控方案的决策路径,这个决策路径基于历史数据和对应的调整参数训练,可以根据实时的综合道路拥堵级别进行决策,指导交通信号灯的控制,从而优化交通流量和减少拥堵情况。
将构建的决策路径嵌入到管控模块中,使其成为管控方案的一部分,在管控模块内部,可以根据当前的综合道路拥堵级别,按照决策路径进行判断和选择,确定适当的交通信号灯调整参数。
将所获取的综合道路拥堵级别作为输入数据,输入管控方案决策路径,基于预先构建的决策路径,***会根据综合道路拥堵级别的不同情况,进行决策过程,经过决策后,获得所述管控方案,这个方案包括针对当前的综合道路拥堵级别所做出的交通管理和调控措施,包括交通灯调整参数。
将获得的管控方案通过管控模块下发给指定路口内的交通信号灯控制***,根据管控方案中的调控策略和参数,管控模块会对指定路口内的交通信号灯进行相应的调整,例如,调整红灯、绿灯的时长,改变不同车道的信号配时等。管控模块还会持续监测指定路口内的交通情况,并根据实时数据对交通信号灯进行动态调整,实现实时响应,从而确保交通流畅度和安全性。
综上所述,本申请实施例所提供的一种智慧道路车流管控方法及***具有如下技术效果:
1.通过采集和处理多个数据源,如图像、车型、车头时距等,获得实时准确的道路交通状况以及综合道路拥堵级别;
2.通过车型集合、车头时距等参数的分析和计算,综合考虑不同车型、车辆密度、流速等因素对道路拥堵的影响,提高拥堵评估的准确性和全面性;
3.基于综合道路拥堵级别和车流疏导阻碍系数,制定相应的管控方案并将其嵌入管控模块,实现针对实时道路情况的动态交通信号灯调整,优化交通流畅度和缓解拥堵状况。
综上所述,通过上述智慧道路车流管控方法,可以更精确、实时地评估道路拥堵程度,提供具有针对性的管控方案,从而有效地改善交通拥堵情况,提高道路交通运行的效率和质量。
基于与前述实施例中一种智慧道路车流管控方法相同的发明构思,如图2所示,本申请提供了一种智慧道路车流管控***,所述***应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块,所述***包括:
道路图像采集单元10,所述道路图像采集单元10用于将所述装置接入交通监测***,采集指定路口内相对直行车道的第一道路图像和第二道路图像,并传输至数据处理模块,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合;
图像序列采集单元20,所述图像序列采集单元20用于采集所述指定路口内相对直行车道在预设时间窗口内的第一道路图像序列和第二道路图像序列,传输至数据处理模块,对道路图像序列进行车头时距识别,获得第一车头时距和第二车头时距;
道路拥堵分析单元30,所述道路拥堵分析单元30用于通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别;
阻碍系数获取单元40,所述阻碍系数获取单元40用于根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数;
拥堵级别修正单元50,所述拥堵级别修正单元50用于根据所述车流疏导阻碍系数,对所述道路拥堵级别进行修正,获得修正道路拥堵级别;
拥堵级别获取单元60,所述拥堵级别获取单元60用于采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别;
管控方案决策单元70,所述管控方案决策单元70用于根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,所述管控方案内包括交通灯调整参数,通过所述管控模块对所述指定路口内的交通灯进行管控。
进一步而言,所述道路图像采集单元10还包括如下操作步骤:
在数据处理模块内,根据语义分割训练道路图像分割路径;
将所述第一道路图像和第二道路图像输入所述道路图像分割路径内,进行图像语义分割,获得包括多个车辆图像的第一分割结果和第二分割结果;
根据第一分割结果和第二分割结果内多个车辆图像的标识信息,获得所述第一车型集合和第二车型集合。
进一步而言,所述道路图像采集单元10还包括如下操作步骤:
根据交通监测***的监测记录数据,提取获得历史道路图像集合;
对历史道路图像集合内的道路图像内的车辆图像进行划分和标识,获得历史分割结果集合;
基于语义分割,构建道路图像分割路径内的编码器和解码器;
采用所述历史道路图像集合和历史分割结果集合,对编码器和解码器进行训练,直到收敛,获得所述道路图像分割路径。
进一步而言,所述图像序列采集单元20还包括如下操作步骤:
根据所述第一车型集合和第二车型集合,对所述第一道路图像序列和第二道路图像序列内的车辆进行标记;
根据车辆的标记信息,计算获取第一道路图像序列和第二道路图像序列内相邻两车辆的车头经过目标位置的时间差,获得第一车头时距集合第二车头时距集;
计算所述第一车头时距集合第二车头时距集的均值,获得第一车头时距和第二车头时距。
进一步而言,所述道路拥堵分析单元30还包括如下操作步骤:
调取交通检测***的历史监测数据,处理获取样本车头时距记录,并评估获取样本道路拥堵级别记录;
采用样本车头时距记录和样本道路拥堵级别记录作为训练数据,基于机器学习,构建并训练道路拥堵分析路径,嵌入于所述车流分析模块内;
将所述第一车头时距和第二车头时距输入所述车流分析模块进行特征分析,获取所述第一道路拥堵级别和第二道路拥堵级别。
进一步而言,所述阻碍系数获取单元40还包括如下操作步骤:
构建车型拥堵对照表,所述车型拥堵对照表内包括多种车型和多个拥堵系数的映射关系,小型轿车映射的拥堵系数为1;
根据所述道路拥堵级别对应车道的车型集合,在所述车型拥堵对照表内进行映射匹配,获得拥堵系数集,并计算均值获得所述车流疏导阻碍系数。
进一步而言,所述拥堵级别获取单元60还包括如下操作步骤:
采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别;
根据多个车道与指定路口的距离,进行权重分配,获得多个权值,多个权值的和为0.5;
采用所述多个权值,对所述多个关联修正道路拥堵级别和修正道路拥堵级别加权计算,获得综合道路拥堵级别,其中,修正道路拥堵级别的权重为0.5。
进一步而言,所述管控方案决策单元70还包括如下操作步骤:
根据指定路口的历史交通监测数据,处理获取样本综合道路拥堵级别集合;
根据指定路口的历史交通监测数据,根据不同的样本综合道路拥堵级别,对交通信号灯的预设控制时间进行调整,获得样本交通灯调整参数集合;
以样本综合道路拥堵级别为决策特征,采用样本综合道路拥堵级别集合和样本交通灯调整参数集合,构建管控方案决策路径,嵌入所述管控模块;
将所述综合道路拥堵级别输入管控方案决策路径,进行决策,获得所述管控方案。
本说明书通过前述对一种智慧道路车流管控方法的详细描述,本领域技术人员可以清楚得知道本实施例中一种智慧道路车流管控方法及***,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种智慧道路车流管控方法,其特征在于,所述方法应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块,所述方法包括:
将所述装置接入交通监测***,采集指定路口内相对直行车道的第一道路图像和第二道路图像,并传输至数据处理模块,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合;
采集所述指定路口内相对直行车道在预设时间窗口内的第一道路图像序列和第二道路图像序列,传输至数据处理模块,对道路图像序列进行车头时距识别,获得第一车头时距和第二车头时距;
通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别;
根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数;
根据所述车流疏导阻碍系数,对所述道路拥堵级别进行修正,获得修正道路拥堵级别;
采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别;
根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,所述管控方案内包括交通灯调整参数,通过所述管控模块对所述指定路口内的交通灯进行管控。
2.根据权利要求1所述的方法,其特征在于,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合,包括:
在数据处理模块内,根据语义分割训练道路图像分割路径;
将所述第一道路图像和第二道路图像输入所述道路图像分割路径内,进行图像语义分割,获得包括多个车辆图像的第一分割结果和第二分割结果;
根据第一分割结果和第二分割结果内多个车辆图像的标识信息,获得所述第一车型集合和第二车型集合。
3.根据权利要求2所述的方法,其特征在于,所述方法包括:
根据交通监测***的监测记录数据,提取获得历史道路图像集合;
对历史道路图像集合内的道路图像内的车辆图像进行划分和标识,获得历史分割结果集合;
基于语义分割,构建道路图像分割路径内的编码器和解码器;
采用所述历史道路图像集合和历史分割结果集合,对编码器和解码器进行训练,直到收敛,获得所述道路图像分割路径。
4.根据权利要求1所述的方法,其特征在于,对道路图像序列进行车头时距识别,包括:
根据所述第一车型集合和第二车型集合,对所述第一道路图像序列和第二道路图像序列内的车辆进行标记;
根据车辆的标记信息,计算获取第一道路图像序列和第二道路图像序列内相邻两车辆的车头经过目标位置的时间差,获得第一车头时距集合第二车头时距集;
计算所述第一车头时距集合第二车头时距集的均值,获得第一车头时距和第二车头时距。
5.根据权利要求1所述的方法,其特征在于,通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,包括:
调取交通检测***的历史监测数据,处理获取样本车头时距记录,并评估获取样本道路拥堵级别记录;
采用样本车头时距记录和样本道路拥堵级别记录作为训练数据,基于机器学习,构建并训练道路拥堵分析路径,嵌入于所述车流分析模块内;
将所述第一车头时距和第二车头时距输入所述车流分析模块进行特征分析,获取所述第一道路拥堵级别和第二道路拥堵级别。
6.根据权利要求1所述的方法,其特征在于,根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数,包括:
构建车型拥堵对照表,所述车型拥堵对照表内包括多种车型和多个拥堵系数的映射关系,小型轿车映射的拥堵系数为1;
根据所述道路拥堵级别对应车道的车型集合,在所述车型拥堵对照表内进行映射匹配,获得拥堵系数集,并计算均值获得所述车流疏导阻碍系数。
7.根据权利要求1所述的方法,其特征在于,采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别,包括:
采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别;
根据多个车道与指定路口的距离,进行权重分配,获得多个权值,多个权值的和为0.5;
采用所述多个权值,对所述多个关联修正道路拥堵级别和修正道路拥堵级别加权计算,获得综合道路拥堵级别,其中,修正道路拥堵级别的权重为0.5。
8.根据权利要求1所述的方法,其特征在于,根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,包括:
根据指定路口的历史交通监测数据,处理获取样本综合道路拥堵级别集合;
根据指定路口的历史交通监测数据,根据不同的样本综合道路拥堵级别,对交通信号灯的预设控制时间进行调整,获得样本交通灯调整参数集合;
以样本综合道路拥堵级别为决策特征,采用样本综合道路拥堵级别集合和样本交通灯调整参数集合,构建管控方案决策路径,嵌入所述管控模块;
将所述综合道路拥堵级别输入管控方案决策路径,进行决策,获得所述管控方案。
9.一种智慧道路车流管控***,其特征在于,所述***应用于一智慧道路车流管控装置,所述装置包括数据处理模块、车流分析模块和管控模块,用于实施权利要求1-8任一项所述的一种智慧道路车流管控方法,包括:
道路图像采集单元,所述道路图像采集单元用于将所述装置接入交通监测***,采集指定路口内相对直行车道的第一道路图像和第二道路图像,并传输至数据处理模块,对道路图像进行图像分割和车型识别处理,获得第一车型集合和第二车型集合;
图像序列采集单元,所述图像序列采集单元用于采集所述指定路口内相对直行车道在预设时间窗口内的第一道路图像序列和第二道路图像序列,传输至数据处理模块,对道路图像序列进行车头时距识别,获得第一车头时距和第二车头时距;
道路拥堵分析单元,所述道路拥堵分析单元用于通过车流分析模块,根据所述第一车头时距和第二车头时距进行道路拥堵分析,获取第一道路拥堵级别和第二道路拥堵级别,并将较大的作为道路拥堵级别;
阻碍系数获取单元,所述阻碍系数获取单元用于根据所述道路拥堵级别对应车道的车型集合对照车型拥堵对照表,统计计算获得车流疏导阻碍系数;
拥堵级别修正单元,所述拥堵级别修正单元用于根据所述车流疏导阻碍系数,对所述道路拥堵级别进行修正,获得修正道路拥堵级别;
拥堵级别获取单元,所述拥堵级别获取单元用于采集所述指定路口内相对直行车道连接的预设范围内的多个车道上的多个关联修正道路拥堵级别,结合所述修正道路拥堵级别,计算获得综合道路拥堵级别;
管控方案决策单元,所述管控方案决策单元用于根据所述综合道路拥堵级别,进行管控方案决策,获得管控方案,所述管控方案内包括交通灯调整参数,通过所述管控模块对所述指定路口内的交通灯进行管控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311373397.4A CN117116065B (zh) | 2023-10-23 | 2023-10-23 | 一种智慧道路车流管控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311373397.4A CN117116065B (zh) | 2023-10-23 | 2023-10-23 | 一种智慧道路车流管控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117116065A true CN117116065A (zh) | 2023-11-24 |
CN117116065B CN117116065B (zh) | 2024-02-02 |
Family
ID=88800533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311373397.4A Active CN117116065B (zh) | 2023-10-23 | 2023-10-23 | 一种智慧道路车流管控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117116065B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094250A1 (en) * | 2006-10-19 | 2008-04-24 | David Myr | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
CN111179615A (zh) * | 2019-12-31 | 2020-05-19 | 宁波宁工交通工程设计咨询有限公司 | 一种交通标志信息指示***及方法 |
CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN114639243A (zh) * | 2022-03-31 | 2022-06-17 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法、***及可读存储介质 |
CN114999161A (zh) * | 2022-07-29 | 2022-09-02 | 河北博士林科技开发有限公司 | 一种用于智能交通拥堵边缘治理*** |
CN115762195A (zh) * | 2022-11-09 | 2023-03-07 | 宁波宁工交通工程设计咨询有限公司 | 一种动态绿波信号控制方法、***、装置及存储介质 |
CN116229707A (zh) * | 2022-12-15 | 2023-06-06 | 智慧互通科技股份有限公司 | 一种基于拥堵回溯的控制方法及*** |
CN116704771A (zh) * | 2023-06-21 | 2023-09-05 | 中咨数据有限公司 | 基于拥堵路段交通信息实时定位指挥处理*** |
-
2023
- 2023-10-23 CN CN202311373397.4A patent/CN117116065B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080094250A1 (en) * | 2006-10-19 | 2008-04-24 | David Myr | Multi-objective optimization for real time traffic light control and navigation systems for urban saturated networks |
CN111179615A (zh) * | 2019-12-31 | 2020-05-19 | 宁波宁工交通工程设计咨询有限公司 | 一种交通标志信息指示***及方法 |
CN111462484A (zh) * | 2020-03-31 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 拥堵状态的确定方法、装置、设备及计算机可读存储介质 |
US20210209939A1 (en) * | 2020-12-08 | 2021-07-08 | Harbin Engineering University | Large-scale real-time traffic flow prediction method based on fuzzy logic and deep LSTM |
CN114639243A (zh) * | 2022-03-31 | 2022-06-17 | 四川九洲视讯科技有限责任公司 | 智能交通预测与决策方法、***及可读存储介质 |
CN114999161A (zh) * | 2022-07-29 | 2022-09-02 | 河北博士林科技开发有限公司 | 一种用于智能交通拥堵边缘治理*** |
CN115762195A (zh) * | 2022-11-09 | 2023-03-07 | 宁波宁工交通工程设计咨询有限公司 | 一种动态绿波信号控制方法、***、装置及存储介质 |
CN116229707A (zh) * | 2022-12-15 | 2023-06-06 | 智慧互通科技股份有限公司 | 一种基于拥堵回溯的控制方法及*** |
CN116704771A (zh) * | 2023-06-21 | 2023-09-05 | 中咨数据有限公司 | 基于拥堵路段交通信息实时定位指挥处理*** |
Also Published As
Publication number | Publication date |
---|---|
CN117116065B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6570731B2 (ja) | 乗客の混雑度の算出方法及びそのシステム | |
CN106599792B (zh) | 一种手部驾驶违规行为的检测方法 | |
CN110866430B (zh) | 一种车牌识别方法及装置 | |
CN115995063A (zh) | 作业车辆检测与跟踪方法和*** | |
CN117173913B (zh) | 基于不同时段车流量分析的交通控制方法及*** | |
CN109934108A (zh) | 一种多目标多种类的车辆检测和测距***及实现方法 | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN113313031B (zh) | 一种基于深度学习的车道线检测和车辆横向定位方法 | |
CN111461221A (zh) | 一种面向自动驾驶的多源传感器融合目标检测方法和*** | |
CN116030396B (zh) | 一种用于视频结构化提取的精确分割方法 | |
CN109034211A (zh) | 一种基于机器学习的车位状态检测方法 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN113408550B (zh) | 基于图像处理的智能称重管理*** | |
CN116901089B (zh) | 一种多角度视距的机器人控制方法及*** | |
CN117116065B (zh) | 一种智慧道路车流管控方法及*** | |
CN117197019A (zh) | 一种车辆三维点云图像融合方法及*** | |
CN114742975A (zh) | 一种车载图像铁轨曲线建模方法 | |
CN117593717B (zh) | 一种基于深度学习的车道追踪方法及*** | |
CN112395956A (zh) | 一种面向复杂环境的可通行区域检测方法及*** | |
CN110909670A (zh) | 一种非结构化道路识别方法 | |
CN109711455A (zh) | 一种基于无人驾驶汽车的交警手势识别方法 | |
CN118155434B (zh) | 一种远程可视化动态指示控制方法及装置 | |
CN113033352B (zh) | 一种基于结合改进目标语义分割和目标检测模型的实时移动交通违法检测方法 | |
CN113449663B (zh) | 基于多态拟合的协同智能安防方法及装置 | |
CN116229409A (zh) | 一种引入全局特征和多尺度特征的人行横道线检测方法 |
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 |