CN104243900A - 车辆到站时间预报系统及方法 - Google Patents
车辆到站时间预报系统及方法 Download PDFInfo
- Publication number
- CN104243900A CN104243900A CN201310248167.5A CN201310248167A CN104243900A CN 104243900 A CN104243900 A CN 104243900A CN 201310248167 A CN201310248167 A CN 201310248167A CN 104243900 A CN104243900 A CN 104243900A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- station
- time
- arrival time
- 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.)
- Pending
Links
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆到站时间预报系统及方法。该系统包括:数据库,用于保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;智能分析模块,用于根据所述车辆监控规则信息控制一个或多个数据采集终端,从所述一个或多个数据采集终端获取视频码流并进行处理,根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据,根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将车辆实时运行数据写入数据库。借助于本发明的技术方案,能够对车辆到站时间进行准确预算。
Description
技术领域
本发明涉及计算机领域,特别是涉及一种车辆到站时间预报系统及方法。
背景技术
智能视频监控系统是视频监控系统功能的扩展。通过对监测到的视频码流进行智能分析,主要提供人脸识别、车牌识别、车速检测、静物监控、警戒区检测、涂鸦检测等功能。
预报公交车到站时间是智能交通系统领域的关键技术,对它的研究具有重要意义。现有的公交系统由于无法预知到站时间,给市民的出现时间带来很多未知性,从而市民对公交满意度不高,致使私家车增多,给交通带来更大的负担,同时,也消耗更多的能源,给环境带来很多不好的影响。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的车辆到站时间预报系统及方法。
本发明提供一种车辆到站时间预报系统,包括:
数据库,用于保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;
智能分析模块,用于根据所述车辆监控规则信息控制一个或多个数据采集终端,从所述一个或多个数据采集终端获取视频码流并进行处理,根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据,根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将车辆实时运行数据写入数据库。
优选地,上述系统还包括:
视频监控业务管理模块,用于将智能分析模块计算出的车辆到站信息写入数据库,并将车辆到站信息发送到智能显示终端;在接收到查询公交车到站时间请求后,将车辆到站信息发送到短信中心;
智能显示终端,设置于站点,用于显示车辆到站信息;
短信中心,用于将车辆到站信息通过短信发送到用户终端。
优选地,上述智能显示终端具体用于:对于同一线路的车辆,从接收到的车辆到站信息中,选择到站时间最小值作为到达该站点的时间。
优选地,上述系统还包括:
监控客户端,用于通过数据采集终端对车辆的运行进行实时监控。
优选地,上述车辆基本信息具体包括:车辆线路名称、车辆线路所经历的站点信息、站点间的路程信息、以及数据采集终端的位置信息;
车辆监控规则信息具体包括:车辆监控范围、以及监控时间;
车辆实时运行数据具体包括:车辆线路信息、各个相邻车辆站点之间路段上的车流量密度信息、以及车辆具体位置信息,其中,车辆线路信息包括:车辆线路名称、到站时间、出站时间、以及相应数据采集终端的标识信息,车流量密度信息包括:车辆行驶速度信息;
车辆到站信息具体包括:到站时间、以及车辆到站延误时间。
优选地,上述智能分析模块具体包括:
图像处理模块,用于根据车辆基本信息和车辆监控规则信息从相应的数据采集终端获取视频码流,将视频码流转化为图像帧,并对图像帧进行滤波和灰度处理;
车辆线路识别算法模块,用于从处理后的图像帧中识别车辆线路,获取车辆线路信息,并写入数据库;
车流量密度算法模块,用于从处理后的图像帧中计算各个相邻车辆站点之间路段上的车流量密度信息,并写入数据库;
到站时间预测模块,用于根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。
优选地,上述到站时间预测模块具体用于:
根据车辆线路识别算法模块识别出的车辆线路信息,从数据库中获取相应车辆线路所经历的站点信息、以及站点间的路程信息,并从车流量密度算法模块获取相应的车流量密度信息;
假设各个站点之间的路程为S,车流量密度为delta(P,T),其中,delta(P,T)=a/speed(P,T),P为站点函数,T是时间函数,a为常量,站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed;
确定行驶时间t与车流量密度的关系为:t=S delta(P,T)/a;
拟合出关于delta(P,T)和时间的一组曲线W[n],根据当前某个站点的某个时刻的delta(P,T),结合W[n]加权计算得到未来的车流量密度delta(P,T),根据t=S delta(P,T)/a计算得到到站时间;
根据数据库中相应时段的到站时间计算出车辆到站延误时间。
本发明还提供了一种车辆到站时间预报方法,包括:
在数据库中保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;
智能分析模块根据车辆监控规则信息控制数据采集终端,获取数据采集终端采集的视频码流并进行处理;根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据,根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型;根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将车辆实时运行数据写入数据库。
优选地,上述方法还包括:
视频监控业务管理模块将智能分析模块计算出的车辆到站信息写入数据库,并将车辆到站信息发送到智能显示终端,通过智能显示终端显示车辆到站信息;
视频监控业务管理模块在接收到查询公交车到站时间请求后,将车辆到站信息发送到短信中心,并通过短信中心将车辆到站信息通过短信发送到用户终端。
优选地,上述通过智能显示终端显示车辆到站信息具体包括:
对于同一线路的车辆,智能显示终端从接收到的车辆到站信息中,选择到站时间最小值作为到达该站点的时间并进行显示。
优选地,上述方法还包括:
监控客户端通过数据采集终端对车辆的运行进行实时监控。
优选地,上述车辆基本信息具体包括:车辆线路名称、车辆线路所经历的站点信息、站点间的路程信息、以及数据采集终端的位置信息;
车辆监控规则信息具体包括:车辆监控范围、以及监控时间;
车辆实时运行数据具体包括:车辆线路信息、各个相邻车辆站点之间路段上的车流量密度信息、以及车辆具体位置信息,其中,车辆线路信息包括:车辆线路名称、到站时间、出站时间、以及相应数据采集终端的标识信息,车流量密度信息包括:车辆行驶速度信息;
车辆到站信息具体包括:到站时间、以及车辆到站延误时间。
优选地,上述智能分析模块根据车辆监控规则信息控制数据采集终端,获取数据采集终端采集的视频码流并进行处理;根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据,根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型;根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将车辆实时运行数据写入数据库具体包括:
图像处理模块根据车辆基本信息和车辆监控规则信息从相应的数据采集终端获取视频码流,将视频码流转化为图像帧,并对图像帧进行滤波和灰度处理;
车辆线路识别算法模块从处理后的图像帧中识别车辆线路,获取车辆线路信息,并写入数据库;
车流量密度算法模块从处理后的图像帧中计算各个相邻车辆站点之间路段上的车流量密度信息,并写入数据库;
到站时间预测模块根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。
优选地,上述到站时间预测模块根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息具体包括:
根据车辆线路识别算法模块识别出的车辆线路信息,从数据库中获取相应车辆线路所经历的站点信息、以及站点间的路程信息,并从车流量密度算法模块获取相应的车流量密度信息;
假设各个站点之间的路程为S,车流量密度为delta(P,T),其中,delta(P,T)=a/speed(P,T),P为站点函数,T是时间函数,a为常量,站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed;
确定行驶时间t与车流量密度的关系为:t=S delta(P,T)/a;
拟合出关于delta(P,T)和时间的一组曲线W[n],根据当前某个站点的某个时刻的delta(P,T),结合W[n]加权计算得到未来的车流量密度delta(P,T),根据t=S delta(P,T)/a计算得到到站时间;
根据数据库中相应时段的到站时间计算出车辆到站延误时间。
本发明有益效果如下:
通过在智能视频监控系统的基础上,扩展其功能,使用车辆计数和识别车辆线路等方法从视频码流中提取车辆实时运行数据,从而预估出车辆到站时间的方法,能够对车辆到站时间进行准确预算。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例的车辆到站时间预报系统的结构示意图;
图2是本发明实施例的基于视频监控的公家车到站时间预报系统的示意图;
图3是本发明实施例的车辆到站时间预报方法的流程图;
图4是本发明实时的基于视频监控的公交车到站时间预报方法的详细流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中不能够准确的预算车辆到站时间的问题,本发明提供了一种车辆到站时间预报系统及方法,基于智能视频监控的预报车辆到站时间系统取代通过GPS定位系统、RFID识别等技术获得车辆实时运行数据,通过车辆计数算法、车辆路识别技术提取视频码流中的车辆实时运行数据,并作为数据源进行车辆到站时间的预算,从而对车辆到站时间进行实时更新,并可以以电子站牌的形式展现给市民,为市民的出行带来便捷。另外,可以帮助车辆公司根据反馈的实时公交到站信息,对车辆实现自适应调度。
本发明实施例的技术方案在用于公交车到站时间预报时,不仅可以方便市民出行,而且给现有的通信运营商增加了盈利方式,仅在现有的视频监控系统上增加软件模块即可实现,不需要大规模的硬件投入。同时,采取在智能显示终端招标广告等方式,可以创造收入,弥补前期投入。另外,与现有技术和应用场景相比,还可以直观地通过视频观察各个公交车到达站点是否有违规拒载行为。同时,也可以检测其在监控点处是否超速行驶。
以下结合附图以及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不限定本发明。
系统实施例
根据本发明的实施例,提供了一种车辆到站时间预报系统,图1是本发明实施例的车辆到站时间预报系统的结构示意图,如图1所示,根据本发明实施例的车辆到站时间预报系统包括:数据库10、以及智能分析模块12,以下对本发明实施例的各个模块进行详细的说明。
数据库10,用于保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;
其中,车辆基本信息具体包括:车辆线路名称、车辆线路所经历的站点信息、站点间的路程信息、以及数据采集终端的位置信息;
车辆监控规则信息具体包括:车辆监控范围、以及监控时间;
车辆实时运行数据具体包括:车辆线路信息、各个相邻车辆站点之间路段上的车流量密度信息、以及车辆具体位置信息,其中,车辆线路信息包括:车辆线路名称、到站时间、出站时间、以及相应数据采集终端的标识信息,车流量密度信息包括:车辆行驶速度信息;
一个或多个数据采集终端,可以设置于车辆线路的各个站点,用于在智能分析模块12的控制下采集视频码流;
智能分析模块12,用于根据车辆监控规则信息控制一个或多个数据采集终端,从所述一个或多个数据采集终端获取视频码流并进行处理,根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据,根据车辆实时运行数据、以及数据库10中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将车辆实时运行数据写入数据库10。车辆到站信息具体包括:到站时间、以及车辆到站延误时间。
智能分析模块12具体包括:
图像处理模块,用于根据车辆基本信息和车辆监控规则信息从相应的数据采集终端获取视频码流,将视频码流转化为图像帧,并对图像帧进行滤波和灰度处理;
车辆线路识别算法模块,用于从处理后的图像帧中识别车辆线路,获取车辆线路信息,并写入数据库10;
车流量密度算法模块,用于从处理后的图像帧中计算各个相邻车辆站点之间路段上的车流量密度信息,并写入数据库10;
到站时间预测模块,用于根据车辆实时运行数据、以及数据库10中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。
其中,上述到站时间预测模块具体用于:
根据车辆线路识别算法模块识别出的车辆线路信息,从数据库10中获取相应车辆线路所经历的站点信息、以及站点间的路程信息,并从车流量密度算法模块获取相应的车流量密度信息;
假设各个站点之间的路程为S,车流量密度为delta(P,T),其中,delta(P,T)=a/speed(P,T),P为站点函数,T是时间函数,a为常量,站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed;
确定行驶时间t与车流量密度的关系为:t=S delta(P,T)/a;
拟合出关于delta(P,T)和时间的一组曲线W[n],根据当前某个站点的某个时刻的delta(P,T),结合W[n]加权计算得到未来的车流量密度delta(P,T),根据t=S delta(P,T)/a计算得到到站时间;
根据数据库10中相应时段的到站时间计算出车辆到站延误时间。
优选地,上述系统还可以包括:
视频监控业务管理模块,用于将智能分析模块12计算出的车辆到站信息写入数据库10,并将车辆到站信息发送到智能显示终端;在接收到查询公交车到站时间请求后,将车辆到站信息发送到短信中心;
智能显示终端,设置于站点,用于显示车辆到站信息;智能显示终端具体用于:对于同一线路的车辆,从接收到的车辆到站信息中,选择到站时间最小值作为到达该站点的时间。
短信中心,用于将车辆到站信息通过短信发送到用户终端。
监控客户端,用于通过数据采集终端对车辆的运行进行实时监控。
以下以公交车到站预报为例,对本发明实施例的上述技术方案进行详细说明。
图2是本发明实施例的基于视频监控的公家车到站时间预报系统的示意图,如图2所示,基于智能视频监控的公交车到站时间预报系统包括:数据库、数据采集终端、智能分析模块、视频监控业务管理模块、短信中心、智能显示终端、以及监控客户端。
其中,数据库用于保存录入的公交车的基本信息,如公交线路名称、公交所经历的站点及站点间的路程、监控点位置等信息;保存由平台上报的公交车监控的范围、监控时间等规则信息,以及公交车实时运行数据。
数据采集终端主要指摄像头和PU,通过它们采集视频码流,并将视频码流发送给智能分析模块。
智能分析模块包括图像处理模块、公交线路识别算法模块、车流量密度算法模块、到站时间预测模块。图像处理模块的作用将视频码流转化为一帧一帧的图像,并对进行图像进行滤波和灰度处理。公交线路识别算法模块和车流量密度算法模块主要用于获取公交车线路、进站出站时间、当前路况下车辆的行驶速度,为到站时间预测模块提供数据源。公交线路识别算法模块用于进行公交线路的识别,并将识别出的公交线路信息输出给到站时间预测模块。车流量密度算法模块用于检测单位时间内,经过车辆的数量;并将结果输出给到站时间预测模块。到站时间预测模块根据实时采集的车流量密度、公交车位置信息和公交车进站出站时间等信息,再结合该时段历史公交车运行数据,建立公交车到站时间预测模型,并根据建立的模型计算出公交车到达任意一站的时间,并将结果输出给视频监控业务管理模块。
视频监控业务管理模块的作用是将公交车信息:如到站时间、线路名称、当前站点等信息,写入数据库、发送给智能显示终端。
短信中心用于将公交车到站信息以短信的方式通知用户。
智能显示终端主要指电子站牌,用于接收视频监控业务管理模块发送的公交车到站信息,并显示。
监控客户端可以实时对公交车的实时运行进行监控,主要用于实时交通信息的观察,可以为公交调度室提供公交发车调度依据。同时,可以监控公交车到站是否有违规行为。
在实际应用中,上述各个模块具体进行如下处理:
第一步,启用公交到站时间任务。视频监控业务管理模块下发预测公交到站时间任务至智能分析模块。智能分析模块从各个监控点获取视频码流,并调用公交到站时间算法,进行公交车到站时间的预估。
第二步,从视频码流中提取公交车实时运行数据,主要包括公交车到站离站时间、各个相邻站点路段上车辆行驶速度和公交车具体位置信息。公交车到站时间算法任务启用后,启用车牌识别算法模块和车流量密度算法模块。车牌识别算法模块识别到站的公交车线路,如果有公交车到站,将识别出的公交车线路信息发送给到站时间预测模块。公交车线路信息包括公交车线路名称、到站时间、出站时间、数据采集终端的标识(PUID)信息。车流量密度算法模块用于检测公交车所行驶的实时路况信息,主要统计单位时间内通过的车辆总数。到站时间预测模块通过该模块获取的信息包括该监控点所属路段的平均车速、PUID信息。其中公交车具体位置信息可以通过PUID进行判断。每个监控点在注册的时候会向视频监控业务管理系统注册该监控点的位置信息。
第三步,建立公交到站时间预估模型。公交到站时间算法模块将从各个路段的平均车速、公交车进出站延误时间存入路况历史库。公交到站时间算法模块结合历史数据和公交线路识别模块和车流量算法模块上报的当前实时数据,预算未来各个路段车辆行驶时间以及各个站点延误时间。
第四步,公交车到站算法模块根据第三步计算的各个路段的车辆行驶时间、各个站点延误时间,计算到达该站的公交车到达后续各个站点的时间。对于同一线路的公交车,各个站点从接收到的到站时间中,取最小值作为该线路公交车到达该站的时间。最后,公交车到站算法模块将结果输出给视频监控业务管理模块。输出的信息包括PUID、公交线路名称、到达各个站点的时间、到达各个站点的站数等信息。
第五步,当视频监控业务管理模块接收到公交车到站时间算法模块输出的信息后,将信息经过处理发送给智能显示终端,并将信息存入数据库。
第六步,当视频监控业务管理模块收到查询公交车到站时间的请求后,通过短信中心将信息发送给用户;或者通过安装公交到站信息查询客户端,查询公交到站时间。私家车可以通过短信的方式从视频监控业务管理模块获取到达目的地的时间,也可以直接查询各个路段的车辆行驶速度。
本发明实施例的技术方案区别于通过GPS获取数据方式、RFID识别公交车等方式,而从视频监控系统中,通过智能算法提取公交运行过程中的实时数据,并结合历史数据预估公交车到站时间,以保证预估的到站时间及时准确。同时,通过客户端可以实时地监控各个站点,进而有效地防止公交车到站违规拒载等情况。
方法实施例
根据本发明的实施例,提供了一种车辆到站时间预报方法,图3是本发明实施例的车辆到站时间预报方法的流程图,如图3所示,根据本发明实施例的车辆到站时间预报方法包括如下处理:
步骤301,在数据库中保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;
其中,车辆基本信息具体包括:车辆线路名称、车辆线路所经历的站点信息、站点间的路程信息、以及数据采集终端的位置信息;
车辆监控规则信息具体包括:车辆监控范围、以及监控时间;
车辆实时运行数据具体包括:车辆线路信息、各个相邻车辆站点之间路段上的车流量密度信息、以及车辆具体位置信息,其中,车辆线路信息包括:车辆线路名称、到站时间、出站时间、以及相应数据采集终端的标识信息,车流量密度信息包括:车辆行驶速度信息;
步骤302,智能分析模块根据车辆监控规则信息控制数据采集终端,获取数据采集终端采集的视频码流并进行处理;根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据,根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型;根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将车辆实时运行数据写入数据库。
其中,车辆到站信息具体包括:到站时间、以及车辆到站延误时间。
步骤302具体包括如下处理:
图像处理模块根据车辆基本信息和车辆监控规则信息从相应的数据采集终端获取视频码流,将视频码流转化为图像帧,并对图像帧进行滤波和灰度处理;
车辆线路识别算法模块从处理后的图像帧中识别车辆线路,获取车辆线路信息,并写入数据库;
车流量密度算法模块从处理后的图像帧中计算各个相邻车辆站点之间路段上的车流量密度信息,并写入数据库;
到站时间预测模块根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。
具体地,根据车辆线路识别算法模块识别出的车辆线路信息,从数据库中获取相应车辆线路所经历的站点信息、以及站点间的路程信息,并从车流量密度算法模块获取相应的车流量密度信息;
假设各个站点之间的路程为S,车流量密度为delta(P,T),其中,delta(P,T)=a/speed(P,T),P为站点函数,T是时间函数,a为常量,站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed;
确定行驶时间t与车流量密度的关系为:t=S delta(P,T)/a;
拟合出关于delta(P,T)和时间的一组曲线W[n],根据当前某个站点的某个时刻的delta(P,T),结合W[n]加权计算得到未来的车流量密度delta(P,T),根据t=S delta(P,T)/a计算得到到站时间;
根据数据库中相应时段的到站时间计算出车辆到站延误时间。
优选地,上述方法还可以包括如下处理:
视频监控业务管理模块将智能分析模块计算出的车辆到站信息写入数据库,并将车辆到站信息发送到智能显示终端,通过智能显示终端显示车辆到站信息;其中,对于同一线路的车辆,智能显示终端从接收到的车辆到站信息中,选择到站时间最小值作为到达该站点的时间并进行显示。
视频监控业务管理模块在接收到查询公交车到站时间请求后,将车辆到站信息发送到短信中心,并通过短信中心将车辆到站信息通过短信发送到用户终端。
监控客户端通过数据采集终端对车辆的运行进行实时监控。
下面以公交车到站时间预报为例,对本发明实施例的上述技术方案进行详细说明。
图4是本发明实时的基于视频监控的公交车到站时间预报方法的详细流程图,如图4所示,具体包括入如下处理:
步骤401,用户向视频监控业务管理模块添加公交车跟踪规则,规则信息包括PUID、监控区域、执行时间、规则ID、规则类型等信息,规则信息由视频监控业务管理模块写入数据库。
步骤402,用户启用公交跟踪规则,视频监控业务管理模块往任务表中增加公交车跟踪任务并下发给智能分析模块。任务内容包括监控区域、执行时间、规则ID、PUID等信息。
步骤403,智能分析模块收到平台下发的公交跟踪任务后,根据任务中包含的监控点信息,向监控点获取视频码流。然后,图像处理模块将获取的码流进行预处理,包括图像滤波、灰度转换等,并将处理结果发送至公交车线路识别算法模块和车流量密度算法模块。
步骤404,车流量密度算法模块在收到图像处理模块上报的信息后,对图像进行分析,首先进行背景建模,然后通过对比监控区域画面与背景的差异,提取特征量;接着进行判决是否是车,进行车辆计数,从而获得车流量密度。
步骤405,公交线路识别算法模块在收到图像处理模块上报的信息后,对图像进行分析,首先进行背景建模,然后通过对比监控区域画面与背景的差异,提取特征量,辨别公交车线路牌,然后再对公交车的线路名称进行识别。同时,分别记录公交车首次出现在监控区域的时刻和消失在监控区域的时刻,这两个时刻即为该辆公交车进站时刻和出战时刻。最后,将识别出的公交车的线路名称、进站和出站时刻发送至到站时间预测模块。
步骤406,到站时间预测模块在收到公交线路识别模块和车流量算法模块上报的当前实时数据以及结合历史数据,预算未来各个路段车辆行驶时间以及各个站点延误时间。
到站时间预测模块根据公交线路向视频监控业务管理模块获取该条公交线路的站点信息及站点间的路程,同时向车流量密度模块查询当前各个监控点的车流量密度。如果视频业务管理模块返回无识别出的公交线路,则回到第五步。
已知各个站点之间的路程为S,各个站点的监控点估算出的站点车流量密度delta(P,T),其中,P是关于站点的函数P(px),T是关于day(每周的第几天)和每天的时间time的函数,即T(day,time)。车流量密度直接影响车辆行驶速度,它们的关系为delta(P,T)=a/speed(P,T),a为常量。站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed。
则推导出行驶时间t与车流量密度的关系:t=S delta(P,T)/a。
Delta可以由车流量密度算法模块得到。然后公交到站时间预估模块拟合出关于delta(P,T)和time的一组曲线W[n],并且这组曲线会一直学习更新。当某个站点的某个时刻delta(Px,Ty)被公交到站时间预估模块算出,再结合W[n]加权计算得到未来的车流量密度delta(Px(i),Ty(i))。根据公式t=S delta(P,T)/a计算得到到站时间。
各个站点的延误时间可以通过查询路况历史库中对应时段的数据得到。
步骤407,视频监控业务管理模块在收到到站时间预测模块上报的公交车到达各个公交站点时间、当前到达站点、各个监控点车流量密度、站点延误时间后,将所有上报信息作记录,并同步到数据库。
步骤408,视频监控业务管理模块将公交到站时间、当前站点发送至各个站点的智能显示终端。同时,智能显示终端将公交车到站时间,离站点最近的公交车当前位置信息显示给乘客。智能显示终端收到公交车当前位置及到站时间后,实时更新数据,向用户展示本站点的公交到站信息。用户可以订阅公交到站信息。通过在智能手机或者智能终端上安装监控客户端或者短信方式获取公交到站信息以及跟踪公交车运行路线。
在本发明上述实例中,用户向运营商开通了公交到站预测服务,通过短信就可以查询获知公交到站的大致时间。不仅方便了市民出行,而且给现有的通信运营商增加了盈利方式,仅在现有的视频监控系统上增加软件模块即可实现,不需要大规模的硬件投入。同时,采取在智能显示终端招标广告等方式,可以创造收入,弥补前期投入。另外,与现有技术和应用场景相比,还可以直观地通过视频观察各个公交车到达站点是否有违规拒载行为。同时,也可以检测其在监控点处是否超速行驶。
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 (14)
1.一种车辆到站时间预报系统,其特征在于,包括:
数据库,用于保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;
智能分析模块,用于根据所述车辆监控规则信息控制一个或多个数据采集终端,从所述一个或多个数据采集终端获取视频码流并进行处理,根据所述车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据,根据所述车辆实时运行数据、以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将所述车辆实时运行数据写入数据库。
2.如权利要求1所述的系统,其特征在于,所述系统还包括:
视频监控业务管理模块,用于将所述智能分析模块计算出的所述车辆到站信息写入所述数据库,并将所述车辆到站信息发送到智能显示终端;在接收到查询公交车到站时间请求后,将所述车辆到站信息发送到短信中心;
所述智能显示终端,设置于站点,用于显示所述车辆到站信息;
所述短信中心,用于将所述车辆到站信息通过短信发送到用户终端。
3.如权利要求2所述的系统,其特征在于,所述智能显示终端具体用于:对于同一线路的车辆,从接收到的车辆到站信息中,选择到站时间最小值作为到达该站点的时间。
4.如权利要求1或2或3所述的系统,其特征在于,所述系统还包括:
监控客户端,用于通过所述数据采集终端对车辆的运行进行实时监控。
5.如权利要求1所述的系统,其特征在于,
所述车辆基本信息具体包括:车辆线路名称、车辆线路所经历的站点信息、站点间的路程信息、以及数据采集终端的位置信息;
所述车辆监控规则信息具体包括:车辆监控范围、以及监控时间;
所述车辆实时运行数据具体包括:车辆线路信息、各个相邻车辆站点之间路段上的车流量密度信息、以及车辆具体位置信息,其中,所述车辆线路信息包括:车辆线路名称、到站时间、出站时间、以及相应数据采集终端的标识信息,所述车流量密度信息包括:车辆行驶速度信息;
所述车辆到站信息具体包括:到站时间、以及车辆到站延误时间。
6.如权利要求5所述的系统,其特征在于,所述智能分析模块具体包括:
图像处理模块,用于根据所述车辆基本信息和所述车辆监控规则信息从相应的数据采集终端获取视频码流,将所述视频码流转化为图像帧,并对所述图像帧进行滤波和灰度处理;
车辆线路识别算法模块,用于从处理后的所述图像帧中识别车辆线路,获取所述车辆线路信息,并写入数据库;
车流量密度算法模块,用于从处理后的所述图像帧中计算各个相邻车辆站点之间路段上的所述车流量密度信息,并写入数据库;
到站时间预测模块,用于根据所述车辆实时运行数据、以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。
7.如权利要求6所述的系统,其特征在于,所述到站时间预测模块具体用于:
根据所述车辆线路识别算法模块识别出的所述车辆线路信息,从数据库中获取相应车辆线路所经历的站点信息、以及站点间的路程信息,并从所述车流量密度算法模块获取相应的车流量密度信息;
假设各个站点之间的路程为S,车流量密度为delta(P,T),其中,delta(P,T)=a/speed(P,T),P为站点函数,T是时间函数,a为常量,站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed;
确定行驶时间t与车流量密度的关系为:t=S delta(P,T)/a;
拟合出关于delta(P,T)和时间的一组曲线W[n],根据当前某个站点的某个时刻的delta(P,T),结合W[n]加权计算得到未来的车流量密度delta(P,T),根据t=S delta(P,T)/a计算得到到站时间;
根据所述数据库中相应时段的到站时间计算出车辆到站延误时间。
8.一种车辆到站时间预报方法,其特征在于,所述方法包括:
在数据库中保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据;
智能分析模块根据所述车辆监控规则信息控制数据采集终端,获取所述数据采集终端采集的视频码流并进行处理;根据所述车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据,根据所述车辆实时运行数据、以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型;根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将所述车辆实时运行数据写入数据库。
9.如权利要求8所述的方法,其特征在于,所述方法还包括:
视频监控业务管理模块将所述智能分析模块计算出的所述车辆到站信息写入所述数据库,并将所述车辆到站信息发送到智能显示终端,通过所述智能显示终端显示所述车辆到站信息;
视频监控业务管理模块在接收到查询公交车到站时间请求后,将所述车辆到站信息发送到短信中心,并通过所述短信中心将所述车辆到站信息通过短信发送到用户终端。
10.如权利要求8所述的方法,其特征在于,通过所述智能显示终端显示所述车辆到站信息具体包括:
对于同一线路的车辆,所述智能显示终端从接收到的车辆到站信息中,选择到站时间最小值作为到达该站点的时间并进行显示。
11.如权利要求8或9或10所述的方法,其特征在于,所述方法还包括:
监控客户端通过所述数据采集终端对车辆的运行进行实时监控。
12.如权利要求8所述的方法,其特征在于,
所述车辆基本信息具体包括:车辆线路名称、车辆线路所经历的站点信息、站点间的路程信息、以及数据采集终端的位置信息;
所述车辆监控规则信息具体包括:车辆监控范围、以及监控时间;
所述车辆实时运行数据具体包括:车辆线路信息、各个相邻车辆站点之间路段上的车流量密度信息、以及车辆具体位置信息,其中,所述车辆线路信息包括:车辆线路名称、到站时间、出站时间、以及相应数据采集终端的标识信息,所述车流量密度信息包括:车辆行驶速度信息;
所述车辆到站信息具体包括:到站时间、以及车辆到站延误时间。
13.如权利要求12所述的方法,其特征在于,所述智能分析模块根据所述车辆监控规则信息控制数据采集终端,获取所述数据采集终端采集的视频码流并进行处理;根据所述车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据,根据所述车辆实时运行数据、以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型;根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息,并将所述车辆实时运行数据写入数据库具体包括:
图像处理模块根据所述车辆基本信息和所述车辆监控规则信息从相应的数据采集终端获取视频码流,将所述视频码流转化为图像帧,并对所述图像帧进行滤波和灰度处理;
车辆线路识别算法模块从处理后的所述图像帧中识别车辆线路,获取所述车辆线路信息,并写入数据库;
车流量密度算法模块从处理后的所述图像帧中计算各个相邻车辆站点之间路段上的所述车流量密度信息,并写入数据库;
到站时间预测模块根据所述车辆实时运行数据、以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。
14.如权利要求13所述的方法,其特征在于,到站时间预测模块根据所述车辆实时运行数据、以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型,并根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息具体包括:
根据所述车辆线路识别算法模块识别出的所述车辆线路信息,从数据库中获取相应车辆线路所经历的站点信息、以及站点间的路程信息,并从所述车流量密度算法模块获取相应的车流量密度信息;
假设各个站点之间的路程为S,车流量密度为delta(P,T),其中,delta(P,T)=a/speed(P,T),P为站点函数,T是时间函数,a为常量,站点间的路程S、车辆行驶速度speed和站点间行驶时间t的关系为t=S/speed;
确定行驶时间t与车流量密度的关系为:t=S delta(P,T)/a;
拟合出关于delta(P,T)和时间的一组曲线W[n],根据当前某个站点的某个时刻的delta(P,T),结合W[n]加权计算得到未来的车流量密度delta(P,T),根据t=S delta(P,T)/a计算得到到站时间;
根据所述数据库中相应时段的到站时间计算出车辆到站延误时间。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310248167.5A CN104243900A (zh) | 2013-06-21 | 2013-06-21 | 车辆到站时间预报系统及方法 |
PCT/CN2014/074838 WO2014201895A1 (zh) | 2013-06-21 | 2014-04-04 | 车辆到站时间预报系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310248167.5A CN104243900A (zh) | 2013-06-21 | 2013-06-21 | 车辆到站时间预报系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104243900A true CN104243900A (zh) | 2014-12-24 |
Family
ID=52103909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310248167.5A Pending CN104243900A (zh) | 2013-06-21 | 2013-06-21 | 车辆到站时间预报系统及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104243900A (zh) |
WO (1) | WO2014201895A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105025259A (zh) * | 2015-07-08 | 2015-11-04 | 国家电网公司 | 一种基于谷歌眼镜的智能变电站巡检视频直播系统及方法 |
CN106228830A (zh) * | 2016-07-27 | 2016-12-14 | 安徽聚润互联信息技术有限公司 | 一种公交车到站时间实时预测系统及方法 |
CN107533797A (zh) * | 2015-04-28 | 2018-01-02 | 株式会社日立制作所 | 到达时刻预测装置、到达时刻预测系统以及程序 |
CN108986508A (zh) * | 2018-07-25 | 2018-12-11 | 维沃移动通信有限公司 | 一种显示路线信息的方法及终端 |
CN109637178A (zh) * | 2018-11-29 | 2019-04-16 | 北京依途网络科技有限公司 | 车辆到站时间确定方法及设备 |
CN110046535A (zh) * | 2018-01-16 | 2019-07-23 | 国民技术股份有限公司 | 基于机器学习的智能出行时间预测系统、方法及存储介质 |
CN110634315A (zh) * | 2019-08-27 | 2019-12-31 | 云手指智能科技(江苏)股份有限公司 | 一种城市公交的智能管理系统 |
CN112036645A (zh) * | 2017-04-27 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106205176B (zh) * | 2015-05-06 | 2019-08-06 | 北京千方城市信息科技有限公司 | 一种车辆实时到站预测方法和系统 |
CN105096642B (zh) * | 2015-09-02 | 2017-11-21 | 重庆大学 | 考虑gps数据延迟影响的实时公交到站时间预测方法 |
CN105469602B (zh) * | 2015-12-31 | 2017-08-11 | 北京航空航天大学 | 一种基于ic卡数据的公交乘客候车时间范围的预测方法 |
US11113957B2 (en) * | 2017-03-31 | 2021-09-07 | Traffic Technology Services, Inc. | System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle |
CN111343726B (zh) * | 2020-02-27 | 2023-03-24 | 中国联合网络通信集团有限公司 | 用户调度方法及装置 |
CN112904775A (zh) * | 2021-01-20 | 2021-06-04 | 深圳市蓝泰源信息技术股份有限公司 | 一种公交车载智能终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2382709A (en) * | 2001-11-20 | 2003-06-04 | Hewlett Packard Co | Alerting users to impending events |
CN101123515B (zh) * | 2006-08-09 | 2010-06-02 | 新世界(中国)科技传媒有限公司 | 一种数字公交系统的车辆到站时间预报方法 |
CN101814237A (zh) * | 2009-12-04 | 2010-08-25 | 四川川大智胜软件股份有限公司 | 一种基于车牌识别技术的道路状态判别器及其判别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6317686B1 (en) * | 2000-07-21 | 2001-11-13 | Bin Ran | Method of providing travel time |
US8723690B2 (en) * | 2011-01-26 | 2014-05-13 | International Business Machines Corporation | Systems and methods for road acoustics and road video-feed based traffic estimation and prediction |
CN102930720A (zh) * | 2012-10-25 | 2013-02-13 | 北京交通大学 | 一种基于视频的交通信息检测装置与方法 |
-
2013
- 2013-06-21 CN CN201310248167.5A patent/CN104243900A/zh active Pending
-
2014
- 2014-04-04 WO PCT/CN2014/074838 patent/WO2014201895A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2382709A (en) * | 2001-11-20 | 2003-06-04 | Hewlett Packard Co | Alerting users to impending events |
CN101123515B (zh) * | 2006-08-09 | 2010-06-02 | 新世界(中国)科技传媒有限公司 | 一种数字公交系统的车辆到站时间预报方法 |
CN101814237A (zh) * | 2009-12-04 | 2010-08-25 | 四川川大智胜软件股份有限公司 | 一种基于车牌识别技术的道路状态判别器及其判别方法 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107533797A (zh) * | 2015-04-28 | 2018-01-02 | 株式会社日立制作所 | 到达时刻预测装置、到达时刻预测系统以及程序 |
CN107533797B (zh) * | 2015-04-28 | 2020-05-08 | 株式会社日立制作所 | 到达时刻预测装置、到达时刻预测系统以及方法 |
CN105025259A (zh) * | 2015-07-08 | 2015-11-04 | 国家电网公司 | 一种基于谷歌眼镜的智能变电站巡检视频直播系统及方法 |
CN106228830A (zh) * | 2016-07-27 | 2016-12-14 | 安徽聚润互联信息技术有限公司 | 一种公交车到站时间实时预测系统及方法 |
CN112036645A (zh) * | 2017-04-27 | 2020-12-04 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN112036645B (zh) * | 2017-04-27 | 2024-04-26 | 北京嘀嘀无限科技发展有限公司 | 用于确定预估到达时间的系统和方法 |
CN110046535A (zh) * | 2018-01-16 | 2019-07-23 | 国民技术股份有限公司 | 基于机器学习的智能出行时间预测系统、方法及存储介质 |
CN108986508A (zh) * | 2018-07-25 | 2018-12-11 | 维沃移动通信有限公司 | 一种显示路线信息的方法及终端 |
CN109637178A (zh) * | 2018-11-29 | 2019-04-16 | 北京依途网络科技有限公司 | 车辆到站时间确定方法及设备 |
CN110634315A (zh) * | 2019-08-27 | 2019-12-31 | 云手指智能科技(江苏)股份有限公司 | 一种城市公交的智能管理系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2014201895A1 (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104243900A (zh) | 车辆到站时间预报系统及方法 | |
CN110111575B (zh) | 一种基于复杂网络理论的城市交通流量网络分析方法 | |
TWI522974B (zh) | 到站時間預測系統與方法 | |
CA2884372C (en) | Public transportation navigator | |
CN104424812B (zh) | 一种公交到站时间预测系统和方法 | |
CN103680128A (zh) | 出租车智能调度系统 | |
CN204557612U (zh) | 一种基于机器视觉的公交客流统计系统 | |
CN105589939A (zh) | 识别群体运动轨迹方法和装置 | |
US20200201357A1 (en) | Systems and methods for vehicle scheduling and routing | |
US20200160708A1 (en) | Method and apparatus for adaptively managing a vehicle | |
CN111586586B (zh) | 一种追踪方法和系统 | |
US10257593B2 (en) | Cooperative task execution in instrumented roadway systems | |
CN112085953B (zh) | 一种交通指挥方法、装置及设备 | |
CN102663895A (zh) | 集装箱码头集卡交通阻塞提示系统及实现方法 | |
CN114140300A (zh) | 基于gps数据识别车辆停靠点方法、装置、存储介质及终端 | |
CN108924253A (zh) | 基于车联网的天气预告方法及车联网系统 | |
CN111091222A (zh) | 人流量预测方法、装置及系统 | |
US11614735B1 (en) | Systems and methods for remote status detection of autonomous vehicles | |
CN205408036U (zh) | 一种基于视觉跟踪的车辆监控系统 | |
CN103761879A (zh) | 一种车辆套牌识别方法及系统 | |
CN116307595A (zh) | 利用无人机与道路监控的环卫作业自动规划方法及系统 | |
CN112637783B (zh) | 基于可见光定位技术的轨道交通安全管理方法和装置 | |
CN112232723B (zh) | 异常行为的实时检测方法、装置、电子设备及存储介质 | |
CN113989787A (zh) | 一种危险驾驶行为的检测方法以及系统 | |
CN106355872A (zh) | 一种智能公交管理系统及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20141224 |
|
RJ01 | Rejection of invention patent application after publication |