CN117894181A - 一种全域通行异常状况集成监测方法及*** - Google Patents
一种全域通行异常状况集成监测方法及*** Download PDFInfo
- Publication number
- CN117894181A CN117894181A CN202410288364.8A CN202410288364A CN117894181A CN 117894181 A CN117894181 A CN 117894181A CN 202410288364 A CN202410288364 A CN 202410288364A CN 117894181 A CN117894181 A CN 117894181A
- Authority
- CN
- China
- Prior art keywords
- channel
- influence
- identification
- real
- traffic
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000035945 sensitivity Effects 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 55
- 238000003780 insertion Methods 0.000 claims description 35
- 230000037431 insertion Effects 0.000 claims description 35
- 238000013507 mapping Methods 0.000 claims description 33
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 23
- 238000013475 authorization Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 14
- 238000012986 modification Methods 0.000 claims description 8
- 230000004048 modification Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000011269 treatment regimen Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 230000007613 environmental effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011282 treatment Methods 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
- G08G1/01—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/44—Event detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种全域通行异常状况集成监测方法及***,涉及交通控制相关领域,该方法包括:构建监测全域的环境敏感映射,以网络通信获取监测区域图像,以位置环境和环境敏感映射配置实时位置敏感值,建立监测区域的区域时序视频进行事件识别,生成事件识别结果,根据其与实时位置敏感值进行异常状况的影响分析,生成影响预测并执行影响标识,根据道路拓扑结构和影响标识进行影响标识反馈生成通行建议,解决了现有技术中在交通控制中缺乏异常集成监测,导致全域通行效率低下的技术问题,实现了对交通控制进行合理化精准的异常集成监测,提升全域通行效率的技术效果。
Description
技术领域
本申请涉及交通控制相关领域,尤其涉及一种全域通行异常状况集成监测方法及***。
背景技术
随着科学技术的发展,近几年,由于城市化程度的加深、人口密度的不断增加,城市交通问题变得越来越严重,特别是大城市,尤其是那些没有良好的基础设施的城市,交通堵塞问题更为突出,交通控制出现瓶颈,交通压力日益增加,如今现有技术中存在交通控制中缺乏异常集成监测,从而导致出现全域通行效率低下的技术问题。
发明内容
本申请通过提供一种全域通行异常状况集成监测方法及***,解决了现有技术中在交通控制中缺乏异常集成监测,导致全域通行效率低下的技术问题,实现了对交通控制进行合理化精准的异常集成监测,提升全域通行效率的技术效果。
本申请提供一种全域通行异常状况集成监测方法,所述方法应用于一种全域通行异常状况集成监测***,包括:构建监测全域的环境敏感映射,其中,所述环境敏感映射通过采集所述监测全域的区域道路特征和环境特征构建而成,所述环境敏感映射为对应环境下的通行异常值的映射关系,并以所述区域道路特征构建道路拓扑结构;以网络通信获取监测区域图像,并通过所述监测区域图像和实时天气数据构建位置环境,并以所述位置环境和所述环境敏感映射配置实时位置敏感值;建立监测区域的区域时序视频,并以自适应通道进行区域时序视频的事件识别,生成事件识别结果;通过所述事件识别结果和所述实时位置敏感值进行异常状况的影响分析,生成影响预测,并执行影响标识;根据所述道路拓扑结构和所述影响标识进行影响标识反馈,并生成通行建议。
在可能的实现方式中,执行以下处理:建立区间测速卡口,以所述区间测速卡口进行监测全域的区间测速,并生成实时测速记录;获取历史计速数据库,其中,所述历史计速数据库为常态运行时的区间测速卡口对应的计速均值,以所述位置环境对所述历史计速数据库进行计速匹配,建立标定计速值;通过所述实时测速记录和所述标定计速值进行速度异常认证,生成异常认证结果;以所述实时测速记录配置自适应通道,通过配置完成的自适应通道执行区域视频事件识别,并根据识别结果和异常认证结果生成事件识别结果。
在可能的实现方式中,执行以下处理:通过大数据配置通道数量约束数据库,以所述实时测速记录进行通道数量约束数据库内的约束匹配,根据约束匹配结果完成自适应通道的数量配置;建立慢速通道和快速通道,其中,所述慢速通道为依据大数据设定的基准慢速通道,所述快速通道以所述实时测速记录作为约束构建而成;以所述数量配置在所述慢速通道和所述快速通道间进行通道***,基于通道***结果完成自适应通道的配置。
在可能的实现方式中,执行以下处理:设置通道***的初始约束,以所述初始约束在所述快速通道和所述慢速通道进行初始通道***;根据***完成的自适应通道进行事件识别,并生成实时事件反馈;当所述实时事件反馈判断进入事件中期时,则生成反馈约束;以所述反馈约束进行通道***调整,根据调整结果重构自适应通道,以继续执行事件识别。
在可能的实现方式中,所述根据所述道路拓扑结构和所述影响标识进行影响标识反馈,执行以下处理:以所述影响标识进行车道占用标识,所述车道占用标识包括预测占用时间;根据所述道路拓扑结构进行关联车辆分流,建立路段内导流标识和路段外导流标识;基于所述路段内导流标识和所述路段外导流标识完成影响标识反馈。
在可能的实现方式中,执行以下处理:判断是否获取用户的路径信息授权;若用户同意路径信息授权,则以所述路径信息授权和所述车道占用标识进行路段外路径更改评价;若评价结果和路径信息授权中原路径满足预设阈值,则生成导流更改,以所述导流更改构建路段外导流标识。
在可能的实现方式中,执行以下处理:根据所述影响标识进行全局影响评价,并根据全局影响评价分布应急处理策略;根据所述应急处理策略进行全局异常事件顺序处理。
本申请还提供了一种全域通行异常状况集成监测***,包括:第一映射模块,所述第一映射模块用于构建监测全域的环境敏感映射,其中,所述环境敏感映射通过采集所述监测全域的区域道路特征和环境特征构建而成,所述环境敏感映射为对应环境下的通行异常值的映射关系,并以所述区域道路特征构建道路拓扑结构;第二映射模块,所述第二映射模块用于以网络通信获取监测区域图像,并通过所述监测区域图像和实时天气数据构建位置环境,并以所述位置环境和所述环境敏感映射配置实时位置敏感值;事件识别模块,所述事件识别模块用于建立监测区域的区域时序视频,并以自适应通道进行区域时序视频的事件识别,生成事件识别结果;影响分析模块,所述影响分析模块用于通过所述事件识别结果和所述实时位置敏感值进行异常状况的影响分析,生成影响预测,并执行影响标识;影响标识反馈模块,所述影响标识反馈模块用于根据所述道路拓扑结构和所述影响标识进行影响标识反馈,并生成通行建议。
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:
本申请提供的一种全域通行异常状况集成监测方法及***,涉及交通控制技术领域,解决了现有技术中在交通控制中缺乏异常集成监测,导致全域通行效率低下的技术问题,实现了对交通控制进行合理化精准的异常集成监测,提升全域通行效率的技术效果。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单的介绍,本申请中使用了流程图来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1为本申请实施例提供的一种全域通行异常状况集成监测方法的流程示意图;
图2为本申请实施例提供的一种全域通行异常状况集成监测***的结构示意图。
具体实施方式
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。
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步的详细描述,所描述的实施例不应视为对本申请的限制,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
在以下的描述中,涉及“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合,所涉及的术语“第一\第二”仅仅是区别类似的对象,不代表针对对象的特定排序。术语“包括”和“具有”以及他们的任何变形,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、***、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它步骤或模块,除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的。
本申请实施例提供了一种全域通行异常状况集成监测方法,所述方法应用于一种全域通行异常状况集成监测***,如图1所示,所述方法包括:
步骤A100,构建监测全域的环境敏感映射,其中,所述环境敏感映射通过采集所述监测全域的区域道路特征和环境特征构建而成,所述环境敏感映射为对应环境下的通行异常值的映射关系,并以所述区域道路特征构建道路拓扑结构;
为了更精准的对全域通行提供通信建议,因此首先需要对监测全域通行内的环境敏感映射进行构建,首先对监测全域内道路网络的数据进行特征采集,可以包含道路类型、宽度、交通流量、车道数、交叉口类型、交通信号控制等,同时对全域通行内影响交通流和通行状态的环境因素进行获取,可以包含天气条件(雨雪、雾霾、温度)、地形(坡度、弯道半径)、附近建筑物或自然障碍(桥梁、隧道、山体)等,进一步的分析每个道路和环境特征对通行状态的影响程度,并通过机器学习技术选择最具代表性的特征集合,同时利用地理信息***(GIS)或其他相关软件来创建监测全域的道路网络拓扑图,在拓扑图中存在道路之间的连接关系、交叉口、交通流向等信息,继而结合历史交通数据和对应的环境特征数据,分析通行异常值(如交通拥堵、事故多发点)与特定环境特征之间的相关性,进一步的可以通过回归分析、机器学习模型(如随机森林、神经网络)等方法来建立环境特征与通行异常值之间的映射关系,最终将建立的映射关系应用到道路拓扑结构上,为每个路段或交叉口分配一个环境敏感性得分或等级,从而完成道路拓扑结构的构建,为后期实现对全域通行异常状况进行集成监测作为重要参考依据。
执行步骤A200,以网络通信获取监测区域图像,并通过所述监测区域图像和实时天气数据构建位置环境,并以所述位置环境和所述环境敏感映射配置实时位置敏感值;首先可以通过网络通信协议(如HTTP、FTP、RTMP等)从监控摄像头、卫星图像服务等获取全域通行内监测区域的实时图像,所获取的实时图像可以是静态的,也可以是视频流,具体取决于应用需求和可用资源,通过API调用或直接从气象服务提供商处获取实时天气数据,所获实时天气数据可以包含温度、湿度、风速、风向、降水量等,同时还需要确保天气数据与监测区域的位置和时间戳相匹配,进一步的按照上述所获监测区域图像和实时天气数据对全域通行内的位置环境进行构建,是指将图像处理得到的信息与实时天气数据相结合,构建出一个综合的位置环境,该位置环境可以反映监测区域当前的可见条件(如能见度、光照条件)以及可能影响交通或活动的环境因素(如路面湿滑、风力影响等),并以位置环境与环境敏感映射进行实时位置敏感值的配置,用于表示当前位置环境下发生特定事件(如交通事故、拥堵)的概率或风险水平,进而为实现对全域通行异常状况进行集成监测做保障。
执行步骤A300,建立监测区域的区域时序视频,并以自适应通道进行区域时序视频的事件识别,生成事件识别结果;在一种可能的实现方式中,步骤A300进一步包括步骤A310,建立区间测速卡口,以所述区间测速卡口进行监测全域的区间测速,并生成实时测速记录;为了更好的对全域通行内的所发生的事件进行准确识别,因此需要根据监测全域的道路特点、交通流量和测速需求,选择合适的地点设置区间测速卡口,且所设置的区间测速卡口需要确保能够覆盖所需监测的车道,并避免对交通造成不必要的干扰,进一步的通过区间测速卡口对全域内进行区间测速的实时监测,即实时采集通过卡口的车辆速度数据,由此对实时测速记录进行生成,且在实时测速记录内包含通过卡口的时间、速度、车辆识别信息(如车牌号)等,进一步执行步骤A320,获取历史计速数据库,其中,所述历史计速数据库为常态运行时的区间测速卡口对应的计速均值,以所述位置环境对所述历史计速数据库进行计速匹配,建立标定计速值;
检索并下载与常态运行时的区间测速卡口对应的计速均值数据访问存储历史计速数据的数据库***,并获取历史计速数据库,进一步的分析当前的位置环境数据,包括道路特征、天气条件、交通状况等,确定对车辆速度产生明显影响的环境因素,同时通过匹配算法根据位置环境的相似性将当前位置环境数据与历史计速数据库中的记录进行匹配,由此完成以位置环境对历史计速数据库的计速匹配,根据匹配结果,选择或计算出与当前位置环境最相近的历史计速均值作为标定计速值进行输出。
执行步骤A330,通过所述实时测速记录和所述标定计速值进行速度异常认证,生成异常认证结果,是指将标定计速值作为在全域通行中的速度是否存在异常的参考标准,首先将实时测速记录中的每个速度值与对应的标定计速值进行比较,同时设定一个速度差异阈值,该阈值可以是固定的(如超出标定计速值10%以上)或根据具体情况动态调整,当时测速记录中的速度值超过标定计速值与速度差异阈值的和,或者低于标定计速值与速度差异阈值的差,则判断为速度异常,对判断为速度异常的记录作为异常认证结果进行生成,包括车辆信息(如车牌号、车辆类型)、异常发生的时间、地点、实时速度、标定计速值以及速度差异等信息。
进一步的执行步骤A340,以所述实时测速记录配置自适应通道,通过配置完成的自适应通道执行区域视频事件识别,并根据识别结果和异常认证结果生成事件识别结果。按照实时测速记录配置自适应通道的过程在一种可能的实现方式中,步骤A340进一步包括步骤A341,通过大数据配置通道数量约束数据库,以所述实时测速记录进行通道数量约束数据库内的约束匹配,根据约束匹配结果完成自适应通道的数量配置;通过大数据对通道数据约束数据库进行配置之前,需要建立一个大数据平台,其大数据平台用于存储、处理和分析大量的交通测速数据,在此基础上构建通道数量约束数据库,该通道数量约束数据库用于指导不同道路、交通流量和速度条件下的通道数量配置,进一步的,按照实时测速记录对通道数量约束数据库进行约束匹配,是指利用大数据分析工具对实时测速记录进行处理,提取关键指标,如平均速度、车流量等,将这些指标与通道数量约束数据库中的规则和约束条件进行匹配,从而获取当前交通状况下最合适的通道数量配置,生成约束匹配结果,该约束匹配结果是能够更快速的期望获取产生的异常事件,而不同速度的网络可以对道路事件进行更准确识别,如,一般的道路事件的处理为:快速网络,识别快速动作,如车辆躲避异常车辆车道,变道绕路,中速网络,用户/行人移动,慢速网络,对静态停止车辆的状态识别,最终进行自适应通道的数量配置,是根据约束匹配结果控制交通信号灯的相位、调整可变车道的方向、改变道路限速等,自动调整通道的数量配置,从而减少拥堵和延误,提高道路通行效率。
执行步骤A342,建立慢速通道和快速通道,其中,所述慢速通道为依据大数据设定的基准慢速通道,所述快速通道以所述实时测速记录作为约束构建而成;执行步骤A343,以所述数量配置在所述慢速通道和所述快速通道间进行通道***,基于通道***结果完成自适应通道的配置。慢速通道的建立过程可以是通过利用大数据平台分析历史交通数据,确定慢速通道的速度范围、流量特征和道路条件后,根据历史数据,设定慢速通道的基准速度限制和其他交通管理参数,并在道路上划分出慢速通道,并通过交通标志、标线等方式进行明确标识所建立,其中,慢速通道为依据大数据设定的基准慢速通道,快速通道的建立过程可以是通过将实时测速记录接入交通管理***,从而确保数据的准确性和实时性,并基于实时测速数据,动态构建快速通道的约束条件,如最高速度、最小安全距离等,同时根据实时交通状况,灵活调整快速通道的配置,如车道数量、限速等所建立,其中,快速通道以实时测速记录作为约束构建而成。
进一步的,以数量配置在慢速通道和快速通道间进行通道***,是指首先根据交通需求和道路条件,确定慢速通道和快速通道的数量配置比例,并在慢速通道和快速通道之间,根据实时交通流量和速度分布,动态***额外的通道,基于通道***结果,实时调整整个道路网络的通道配置,示例性的,在高峰时段,可以增加快速通道的数量以缓解拥堵;在低峰时段,则可以减少快速通道的数量以节约道路资源,从而获取通道***结果,并基于通道***结果完成自适应通道的配置,最终通过配置完成的自适应通道执行区域视频事件识别,并根据识别结果和异常认证结果生成事件识别结果。基于异常认证结果可以更好的反映出道路受影响的状态,从而达到更准确的对全域通行内的时间进行识别的效果。
在一种可能的实现方式中,步骤A343进一步包括步骤A3431,设置通道***的初始约束,以所述初始约束在所述快速通道和所述慢速通道进行初始通道***;由于通道开始分布***的通道是偏向慢速的,因为故障/异常事件发生初期,则需要更多的时间(即产生拥堵)来进行调整,此时为事件初期,当发展到事件中期时,速度会相对变快一点,此时***通道也需要进行自适应更新,来适配当前的状态,在此基础上完成通道***初始约束的范围设置,并以初始约束在快速通道和慢速通道进行初始通道***。
执行步骤A3432,根据***完成的自适应通道进行事件识别,并生成实时事件反馈;执行步骤A3433,当所述实时事件反馈判断进入事件中期时,则生成反馈约束;执行步骤A3434,以所述反馈约束进行通道***调整,根据调整结果重构自适应通道,以继续执行事件识别。根据***完成的自适应通道进行事件识别,可以通过交通监控摄像头对传感器等设备进行道路交通状况的实时监测,利用图像处理、模式识别等技术,自动识别交通事件,如交通事故、拥堵等,对识别到的事件进行分类,进一步的对与时间相关的数据,即车辆速度、流量变化等进行快速分析,根据分析结果,对应生成实时事件反馈,继而判断事件发生的阶段,是根据实时反馈和历史数据,判断事件所处的阶段(如初期、中期、后期),当判断事件进入中期时,则视为当前时间对交通流的影响较为明显,并根据中期事件的性质和影响,制定相应的反馈约束,如速度限制、车道关闭等,同时以所述反馈约束进行通道***调整,根据反馈约束在慢速通道和快速通道之间进行额外的通道***或调整,根据通道***调整的结果,重新构建自适应通道的配置,是指对道路上的交通标志、标线等进行更新,以反映新的通道配置,在自适应通道重构后,继续执行事件识别流程,以便及时发现和处理新的交通事件,为后续实现对全域通行异常状况进行集成监测夯实基础。
执行步骤A400,通过所述事件识别结果和所述实时位置敏感值进行异常状况的影响分析,生成影响预测,并执行影响标识;
为了更好的评估交通异常事件对道路网络的潜在影响,并为应急响应和交通控制提供决策支持,在事件识别结果中包含了事件的类型、位置、时间以及可能的严重程度,事件类型可以包括交通事故、道路施工、恶劣天气影响等,实时位置敏感值是指根据道路网络的不同位置,赋予不同的权重或敏感度,示例性的,由于交通枢纽、桥梁、隧道等关键位置的交通状况对整个道路网络的影响更大,因此通常具有更高的敏感值,进一步的结合事件识别结果和实时位置敏感值,可以进行拥堵范围、持续时间、对周边道路的影响等的影响分析,基于影响分析的结果对交通拥堵的扩散趋势、受影响区域的交通流量变化、预计恢复正常的时间等进行影响预测,并以可视化的方式,即在地图上标注受影响的区域、通过交通信息显示板发布拥堵预警、通过智能手机应用程序提供实时交通状况更新等将影响预测数据展示给交通管理部门和道路使用者,从而完成影响标识,以便为后期对全域通行异常状况进行集成监测时作为参照数据。
接下来执行步骤A500,根据所述道路拓扑结构和所述影响标识进行影响标识反馈,并生成通行建议。在一种可能的实现方式中,步骤A500进一步包括步骤A510,以所述影响标识进行车道占用标识,所述车道占用标识包括预测占用时间;以影响标识进行车道占用标识,是指基于预测的车道占用时间,生成车道占用标识。车道占用标识可以包括车道关闭标志、占用时间显示、可变信息标志等,进一步的执行步骤A520,根据所述道路拓扑结构进行关联车辆分流,建立路段内导流标识和路段外导流标识;是指在全域通行路段内的车辆,为已经在这个车道路段内,只能沿车道路段通行的车辆输出一个导流标识,而在全域通行路段外的,可能是中间还有其他路口的车辆,该车辆则可以选择其他路口通行,在一种可能的实现方式中,步骤A520进一步包括步骤A521,判断是否获取用户的路径信息授权;执行步骤A522,若用户同意路径信息授权,则以所述路径信息授权和所述车道占用标识进行路段外路径更改评价;执行步骤A523,若评价结果和路径信息授权中原路径满足预设阈值,则生成导流更改,以所述导流更改构建路段外导流标识。执行步骤A530,基于所述路段内导流标识和所述路段外导流标识完成影响标识反馈。
首先通过检查用户的隐私设置、授权记录或用户直接的输入确认是否已经获取了用户的路径信息授权,若用户未授权或拒绝提供路径信息,***应尊重用户的选择,并停止进一步的路径信息处理,若用户同意提供路径信息授权,***可以继续进行后续的路径分析和更改评价,在获得用户授权的前提下,***可以利用路径信息和车道占用标识来进行路段外路径更改评价,该评价可以是分析不同路径的通行效率、拥堵状况、安全性等因素,完成路径更改评价后,则需要将评价结果与用户原本规划的路径进行比较,若评价结果显示存在一条或多条路径在效率、安全性等方面显著优于原路径,并且满足***设定的预设阈值(如节省时间超过一定百分比),则可以考虑进行路径更改,若评价结果与原路径相差不大或不满足预设条件,则维持原路径不变,当确定需要进行路径更改时,则生成相应的导流更改指令,所生成的导流更改指令可以包含重新规划用户的行驶路线、提供替代路径的建议等,并构建路段外导流标识来引导全域内的车辆,最终按照路段内的导流标识以及路段外导流标识完成全域通行内的影响标识反馈,提高后期实现对全域通行异常状况进行集成监测的准确率。
在一种可能的实现方式中,步骤A500进一步包括步骤A540,根据所述影响标识进行全局影响评价,并根据全局影响评价分布应急处理策略;执行步骤A550,根据所述应急处理策略进行全局异常事件顺序处理。
首先基于上述所获的影响标识对全域通行内进行全局影响评价,全局影响评价是对整个道路网络或指定区域内异常事件的综合评估,即全域通行内发生的事件对全域内的影响,利用交通拥堵程度、事故严重性、道路关闭情况等影响标识在更大的时间和空间尺度上分析事件的影响,并将影响转化为可度量的指标,如拥堵延误时间、受影响的路段数量等,进一步的基于全局影响评价的结果分配应急资源处理异常事件,是指根据影响的严重性和紧急性,为不同的事件或区域设定处理优先级,并根据优先级分配救援车辆、警力、道路维修人员等资源,为每个优先级级别制定具体的应急处理策略,如疏导交通、设置绕行路线、实施交通管制等实施方式,在确定了应急处理策略后,则按照设定的优先级顺序处理异常事件,即根据上述所设定的优先级,对所有需要处理的事件进行排序,同时按照排序结果,逐步执行应急处理策略,如派遣救援队伍、发布交通信息、调整交通信号灯配时等,在处理过程中,***实时监控交通状况和处理效果,并根据需要调整处理策略,在此基础上实现更有效地响应交通异常事件,减少其对整个道路网络的影响,提高交通***的韧性和效率。
本申请实施例解决了现有技术中在交通控制中缺乏异常集成监测,导致全域通行效率低下的技术问题,实现了对交通控制进行合理化精准的异常集成监测,提升全域通行效率的技术效果。
在上文中,参照图1详细描述了根据本发明实施例的一种全域通行异常状况集成监测方法。接下来,将参照图2描述根据本发明实施例的一种全域通行异常状况集成监测***。
根据本发明实施例的一种全域通行异常状况集成监测***,用于解决了现有技术中在交通控制中缺乏异常集成监测,导致全域通行效率低下的技术问题,实现了对交通控制进行合理化精准的异常集成监测,提升全域通行效率的技术效果。一种全域通行异常状况集成监测***包括:第一映射模块10、第二映射模块20、事件识别模块30、影响分析模块40、影响标识反馈模块50。
第一映射模块10,所述第一映射模块10用于构建监测全域的环境敏感映射,其中,所述环境敏感映射通过采集所述监测全域的区域道路特征和环境特征构建而成,所述环境敏感映射为对应环境下的通行异常值的映射关系,并以所述区域道路特征构建道路拓扑结构;
第二映射模块20,所述第二映射模块20用于以网络通信获取监测区域图像,并通过所述监测区域图像和实时天气数据构建位置环境,并以所述位置环境和所述环境敏感映射配置实时位置敏感值;
事件识别模块30,所述事件识别模块30用于建立监测区域的区域时序视频,并以自适应通道进行区域时序视频的事件识别,生成事件识别结果;
影响分析模块40,所述影响分析模块40用于通过所述事件识别结果和所述实时位置敏感值进行异常状况的影响分析,生成影响预测,并执行影响标识;
影响标识反馈模块50,所述影响标识反馈模块50用于根据所述道路拓扑结构和所述影响标识进行影响标识反馈,并生成通行建议。
下面,将详细描述物品事件识别模块30的具体配置。如上文中所述,事件识别模块30可以进一步包括:区间测速单元用于建立区间测速卡口,以所述区间测速卡口进行监测全域的区间测速,并生成实时测速记录;数据库获取单元用于获取历史计速数据库,其中,所述历史计速数据库为常态运行时的区间测速卡口对应的计速均值,以所述位置环境对所述历史计速数据库进行计速匹配,建立标定计速值;异常认证单元用于通过所述实时测速记录和所述标定计速值进行速度异常认证,生成异常认证结果;区域视频事件识别单元用于以所述实时测速记录配置自适应通道,通过配置完成的自适应通道执行区域视频事件识别,并根据识别结果和异常认证结果生成事件识别结果。
下面,将详细描述区域视频事件识别单元的具体配置。如上文中所述,区域视频事件识别单元可以进一步包括:约束匹配单元用于通过大数据配置通道数量约束数据库,以所述实时测速记录进行通道数量约束数据库内的约束匹配,根据约束匹配结果完成自适应通道的数量配置;通道建立单元用于建立慢速通道和快速通道,其中,所述慢速通道为依据大数据设定的基准慢速通道,所述快速通道以所述实时测速记录作为约束构建而成;通道***单元用于以所述数量配置在所述慢速通道和所述快速通道间进行通道***,基于通道***结果完成自适应通道的配置。
下面,将详细描述通道***单元的具体配置。如上文中所述,通道***单元可以进一步包括:初始通道***单元设置通道***的初始约束,以所述初始约束在所述快速通道和所述慢速通道进行初始通道***;第一识别单元用于根据***完成的自适应通道进行事件识别,并生成实时事件反馈;反馈约束单元用于当所述实时事件反馈判断进入事件中期时,则生成反馈约束;第二识别单元用于以所述反馈约束进行通道***调整,根据调整结果重构自适应通道,以继续执行事件识别。
下面,将详细描述影响标识反馈模块50的具体配置。如上文中所述,所述根据所述道路拓扑结构和所述影响标识进行影响标识反馈,影响标识反馈模块50可以进一步包括:第一标识单元用于以所述影响标识进行车道占用标识,所述车道占用标识包括预测占用时间;第二标识单元用于根据所述道路拓扑结构进行关联车辆分流,建立路段内导流标识和路段外导流标识;反馈单元用于基于所述路段内导流标识和所述路段外导流标识完成影响标识反馈。
下面,将详细描述第二标识单元的具体配置。如上文中所述,第二标识单元可以进一步包括:第一判断单元用于判断是否获取用户的路径信息授权;第二判断单元用于若用户同意路径信息授权,则以所述路径信息授权和所述车道占用标识进行路段外路径更改评价;第三判断单元用于若评价结果和路径信息授权中原路径满足预设阈值,则生成导流更改,以所述导流更改构建路段外导流标识。
下面,将详细描述影响标识反馈模块50的具体配置。如上文中所述,影响标识反馈模块50可以进一步包括:评价单元用于根据所述影响标识进行全局影响评价,并根据全局影响评价分布应急处理策略;事件处理单元用于根据所述应急处理策略进行全局异常事件顺序处理。
本发明实施例所提供的一种全域通行异常状况集成监测***可执行本发明任意实施例所提供的一种全域通行异常状况集成监测方法,具备执行方法相应的功能模块和有益效果。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合和替代。任何在本申请的精神和原则之内所做的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (8)
1.一种全域通行异常状况集成监测方法,其特征在于,所述方法包括:
构建监测全域的环境敏感映射,其中,所述环境敏感映射通过采集所述监测全域的区域道路特征和环境特征构建而成,所述环境敏感映射为对应环境下的通行异常值的映射关系,并以所述区域道路特征构建道路拓扑结构;
以网络通信获取监测区域图像,并通过所述监测区域图像和实时天气数据构建位置环境,并以所述位置环境和所述环境敏感映射配置实时位置敏感值;
建立监测区域的区域时序视频,并以自适应通道进行区域时序视频的事件识别,生成事件识别结果;
通过所述事件识别结果和所述实时位置敏感值进行异常状况的影响分析,生成影响预测,并执行影响标识;
根据所述道路拓扑结构和所述影响标识进行影响标识反馈,并生成通行建议。
2.如权利要求1所述的一种全域通行异常状况集成监测方法,其特征在于,所述方法包括:
建立区间测速卡口,以所述区间测速卡口进行监测全域的区间测速,并生成实时测速记录;
获取历史计速数据库,其中,所述历史计速数据库为常态运行时的区间测速卡口对应的计速均值,以所述位置环境对所述历史计速数据库进行计速匹配,建立标定计速值;
通过所述实时测速记录和所述标定计速值进行速度异常认证,生成异常认证结果;
以所述实时测速记录配置自适应通道,通过配置完成的自适应通道执行区域视频事件识别,并根据识别结果和异常认证结果生成事件识别结果。
3.如权利要求2所述的一种全域通行异常状况集成监测方法,其特征在于,所述方法包括:
通过大数据配置通道数量约束数据库,以所述实时测速记录进行通道数量约束数据库内的约束匹配,根据约束匹配结果完成自适应通道的数量配置;
建立慢速通道和快速通道,其中,所述慢速通道为依据大数据设定的基准慢速通道,所述快速通道以所述实时测速记录作为约束构建而成;
以所述数量配置在所述慢速通道和所述快速通道间进行通道***,基于通道***结果完成自适应通道的配置。
4.如权利要求3所述的一种全域通行异常状况集成监测方法,其特征在于,所述方法包括:
设置通道***的初始约束,以所述初始约束在所述快速通道和所述慢速通道进行初始通道***;
根据***完成的自适应通道进行事件识别,并生成实时事件反馈;
当所述实时事件反馈判断进入事件中期时,则生成反馈约束;
以所述反馈约束进行通道***调整,根据调整结果重构自适应通道,以继续执行事件识别。
5.如权利要求1所述的一种全域通行异常状况集成监测方法,其特征在于,所述根据所述道路拓扑结构和所述影响标识进行影响标识反馈,包括:
以所述影响标识进行车道占用标识,所述车道占用标识包括预测占用时间;
根据所述道路拓扑结构进行关联车辆分流,建立路段内导流标识和路段外导流标识;
基于所述路段内导流标识和所述路段外导流标识完成影响标识反馈。
6.如权利要求5所述的一种全域通行异常状况集成监测方法,其特征在于,所述方法包括:
判断是否获取用户的路径信息授权;
若用户同意路径信息授权,则以所述路径信息授权和所述车道占用标识进行路段外路径更改评价;
若评价结果和路径信息授权中原路径满足预设阈值,则生成导流更改,以所述导流更改构建路段外导流标识。
7.如权利要求1所述的一种全域通行异常状况集成监测方法,其特征在于,所述方法包括:
根据所述影响标识进行全局影响评价,并根据全局影响评价分布应急处理策略;
根据所述应急处理策略进行全局异常事件顺序处理。
8.一种全域通行异常状况集成监测***,其特征在于,所述***用于实施权利要求1-7任一项所述的一种全域通行异常状况集成监测方法,所述***包括:
第一映射模块,所述第一映射模块用于构建监测全域的环境敏感映射,其中,所述环境敏感映射通过采集所述监测全域的区域道路特征和环境特征构建而成,所述环境敏感映射为对应环境下的通行异常值的映射关系,并以所述区域道路特征构建道路拓扑结构;
第二映射模块,所述第二映射模块用于以网络通信获取监测区域图像,并通过所述监测区域图像和实时天气数据构建位置环境,并以所述位置环境和所述环境敏感映射配置实时位置敏感值;
事件识别模块,所述事件识别模块用于建立监测区域的区域时序视频,并以自适应通道进行区域时序视频的事件识别,生成事件识别结果;
影响分析模块,所述影响分析模块用于通过所述事件识别结果和所述实时位置敏感值进行异常状况的影响分析,生成影响预测,并执行影响标识;
影响标识反馈模块,所述影响标识反馈模块用于根据所述道路拓扑结构和所述影响标识进行影响标识反馈,并生成通行建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288364.8A CN117894181B (zh) | 2024-03-14 | 2024-03-14 | 一种全域通行异常状况集成监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410288364.8A CN117894181B (zh) | 2024-03-14 | 2024-03-14 | 一种全域通行异常状况集成监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117894181A true CN117894181A (zh) | 2024-04-16 |
CN117894181B CN117894181B (zh) | 2024-05-07 |
Family
ID=90644365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410288364.8A Active CN117894181B (zh) | 2024-03-14 | 2024-03-14 | 一种全域通行异常状况集成监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117894181B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN110062871A (zh) * | 2016-12-09 | 2019-07-26 | 通腾全球信息公司 | 用于基于视频的定位及映射的方法及*** |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
CN110096981A (zh) * | 2019-04-22 | 2019-08-06 | 长沙千视通智能科技有限公司 | 一种基于深度学习的视频大数据交通场景分析方法 |
KR102189063B1 (ko) * | 2020-08-04 | 2020-12-09 | 렉스젠(주) | 이상 상황 판단을 위한 장치, 시스템 및 방법 |
CN112382122A (zh) * | 2020-11-17 | 2021-02-19 | 珠海大横琴科技发展有限公司 | 一种交通信息处理的方法和装置 |
US20220083531A1 (en) * | 2020-09-15 | 2022-03-17 | International Business Machines Corporation | Abnormal event analysis |
CN114613134A (zh) * | 2022-03-04 | 2022-06-10 | 重庆大学 | 基于视觉识别的区域交通流情况预测方法 |
CN115206087A (zh) * | 2022-05-25 | 2022-10-18 | 中国人民公安大学 | 一种高速公路关键路段交通风险动态预警***及研判方法 |
CN115662166A (zh) * | 2022-09-19 | 2023-01-31 | 长安大学 | 一种自动驾驶数据处理方法及自动驾驶交通*** |
-
2024
- 2024-03-14 CN CN202410288364.8A patent/CN117894181B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110062871A (zh) * | 2016-12-09 | 2019-07-26 | 通腾全球信息公司 | 用于基于视频的定位及映射的方法及*** |
WO2018122585A1 (zh) * | 2016-12-30 | 2018-07-05 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
CN109923595A (zh) * | 2016-12-30 | 2019-06-21 | 同济大学 | 一种基于浮动车数据的城市道路交通异常检测方法 |
WO2019145018A1 (en) * | 2018-01-23 | 2019-08-01 | Siemens Aktiengesellschaft | System, device and method for detecting abnormal traffic events in a geographical location |
CN110096981A (zh) * | 2019-04-22 | 2019-08-06 | 长沙千视通智能科技有限公司 | 一种基于深度学习的视频大数据交通场景分析方法 |
KR102189063B1 (ko) * | 2020-08-04 | 2020-12-09 | 렉스젠(주) | 이상 상황 판단을 위한 장치, 시스템 및 방법 |
US20220083531A1 (en) * | 2020-09-15 | 2022-03-17 | International Business Machines Corporation | Abnormal event analysis |
CN112382122A (zh) * | 2020-11-17 | 2021-02-19 | 珠海大横琴科技发展有限公司 | 一种交通信息处理的方法和装置 |
CN114613134A (zh) * | 2022-03-04 | 2022-06-10 | 重庆大学 | 基于视觉识别的区域交通流情况预测方法 |
CN115206087A (zh) * | 2022-05-25 | 2022-10-18 | 中国人民公安大学 | 一种高速公路关键路段交通风险动态预警***及研判方法 |
CN115662166A (zh) * | 2022-09-19 | 2023-01-31 | 长安大学 | 一种自动驾驶数据处理方法及自动驾驶交通*** |
Also Published As
Publication number | Publication date |
---|---|
CN117894181B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Demissie et al. | Intelligent road traffic status detection system through cellular networks handover information: An exploratory study | |
CN108765235A (zh) | 基于交通事故案例解构的自动驾驶车辆测试场景构建方法和测试方法 | |
KR100820467B1 (ko) | 도로 차선 종류를 고려한 구간 교통량 예측 시스템 및 그방법 | |
CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控*** | |
CN112530163B (zh) | 交通事故预测方法、装置、电子设备及存储介质 | |
KA et al. | Developing proximal safety indicators for assessment of un-signalized intersection–a case study in Surat city | |
CN113434619B (zh) | 一种4g的高速公路智能交通路况监控*** | |
CN113935441B (zh) | 汽车自动驾驶功能测试道路的选取方法、设备和存储介质 | |
CN113868492A (zh) | 一种基于电警、卡口数据的可视化od分析方法及应用 | |
Kim et al. | A comparative analysis of incident service time on urban freeways | |
Mitra et al. | Safety assessment of urban un-signalized intersections using conflict analysis technique | |
CN116434523A (zh) | 信息感知场景下基于约束度的车辆主动安全管控方法及装置 | |
Pawar et al. | Examining crossing conflicts by vehicle type at unsignalized T-intersections using accepted gaps: a perspective from emerging countries | |
CN109618298B (zh) | 流量控制方法、装置、设备及存储介质 | |
Abdur-Rouf et al. | A before-and-after traffic noise analysis of a roundabout converted to a signalized intersection | |
Bhattarai et al. | Crash frequency prediction based on extreme value theory using roadside lidar-based vehicle trajectory data | |
CN117894181B (zh) | 一种全域通行异常状况集成监测方法及*** | |
CN116863704A (zh) | 一种基于大数据的智能交通数字孪生处理方法及*** | |
CN109410565B (zh) | 一种动态交通事件预测方法及装置 | |
CN115640997A (zh) | 交通事故风险动态识别方法和识别模型构建方法 | |
CN116259173A (zh) | 一种基于d-s证据理论的多检测方式交通事件融合方法 | |
Huang | SVM‐Based Real‐Time Identification Model of Dangerous Traffic Stream State | |
Tang et al. | A PCI-based evaluation method for level of services for traffic operational systems | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
Xu et al. | Novel fast safety assessment method for the buffer section of maintenance work zone |
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 |