CN105976616A - 一种基于交通数据的交通事件监测模型的分析方法 - Google Patents
一种基于交通数据的交通事件监测模型的分析方法 Download PDFInfo
- Publication number
- CN105976616A CN105976616A CN201610605288.4A CN201610605288A CN105976616A CN 105976616 A CN105976616 A CN 105976616A CN 201610605288 A CN201610605288 A CN 201610605288A CN 105976616 A CN105976616 A CN 105976616A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- video
- analysis
- detection
- 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
Abstract
本发明一种基于交通数据的交通事件监测模型的分析方法,包括视频监控模块、交通流监控模块以及数据分析模块,所述的视频监控模块和交通流监控模块同时监控交通状况,由数据分析模块分别对检测结果分析配比确定交通事件是否发生,并计算事件的参数,调用合适监控点进行反馈。通过上述,本发明的基于交通数据的交通事件监测模型的分析方法,是针对视频检测的优化和发展,利用两种检测方式对同一类型参数进行交叉检测;分析交叉检测结果修正天气、故障影响和确定两种方法的占比;进行互相校准,形成当前时刻交通事件的模型,计算得出交通事件的类型、位置、发生时刻,并提出模型构架,为交通管理和控制提出可靠依据。
Description
技术领域
本发明涉及交通技术的领域,尤其涉及一种基于交通数据的交通事件监测模型的分析方法。
背景技术
传统的交通流检测器没能发挥功效;视频检测有自身的局限性受到天气的影响较大;无法解决多种检测方式并存时,如何互相校准。
发明内容
本发明主要解决的技术问题是提供一种基于交通数据的交通事件监测模型的分析方法,是针对视频检测的优化和发展,利用两种检测方式对同一类型参数进行交叉检测;分析交叉检测结果修正天气、故障影响和确定两种方法的占比;进行互相校准,形成当前时刻交通事件的模型,计算得出交通事件的类型、位置、发生时刻,并提出模型构架,为交通管理和控制提出可靠依据。
为解决上述技术问题,本发明采用的一个技术方案是:提供了一种基于交通数据的交通事件监测模型的分析方法,包括视频监控模块、交通流监控模块以及数据分析模块,所述的视频监控模块和交通流监控模块同时监控交通状况,由数据分析模块分别对检测结果分析配比确定交通事件是否发生,并计算事件的参数,调用合适监控点进行反馈。
在本发明一个较佳实施例中,所述的视频监控模块监控的交通状况包括单车道流量、单车道平均车速、视频和相片。
在本发明一个较佳实施例中,所述的交通流监控模块监控的交通状况包括车道占有率、平均车速和总流量。
在本发明一个较佳实施例中,所述的视频监控模块的视频检测技术是基于视频图像分析和计算机视觉技术对路面运动目标进行检测分析的视频处理技术,能实时采集和分析输入的交通图像,通过判断图像中特定的一个或者多个检测区域内的运动目标,获取所需的交通事件信息。
在本发明一个较佳实施例中,所述的交通流监控模块是以交通流模型,交通波传递模型为基础,输入交通流检测器采集的平均车速、车道占有率、车流量数据分析目标时间内交通流评价状况和交通波的传递情况综合判定是否发生异常事件。
本发明的有益效果是:本发明的一种基于交通数据的交通事件监测模型的分析方法,是针对视频检测的优化和发展,利用两种检测方式对同一类型参数进行交叉检测;分析交叉检测结果修正天气、故障影响和确定两种方法的占比;进行互相校准,形成当前时刻交通事件的模型,计算得出交通事件的类型、位置、发生时刻,并提出模型构架,为交通管理和控制提出可靠依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图,其中:
图1 是本发明基于交通数据的交通事件监测模型的分析方法的结构框图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明实施例包括:
一种基于交通数据的交通事件监测模型的分析方法,包括视频监控模块、交通流监控模块以及数据分析模块,所述的视频监控模块和交通流监控模块同时监控交通状况,由数据分析模块分别对检测结果分析配比确定交通事件是否发生,并计算事件的参数,调用合适监控点进行反馈。
视频监控模块用于路网内视频设备数据采集以及存储;交通流监控模块采用本发明的分析方法,对视频数据和交通流数据分别独立检测交通事件;利用两种检测方式对同一类型参数进行交叉检测;分析交叉检测结果修正天气、故障影响和确定两种方法的占比;进行互相校准,形成当前时刻交通事件的模型,计算得出交通事件的类型、位置、发生时刻。
上述中,所述的视频监控模块监控的交通状况包括单车道流量、单车道平均车速、视频和相片;所述的交通流监控模块监控的交通状况包括车道占有率、平均车速和总流量。
交通流的参数描述:以监控车速为状态变量,流量和占有率为控制变量来描述交通状况。当发生交通事件时,若该事件影响足以影响交通通行,则会引起交通流尺度的变化量,根据交通流模型,可以还原实际道路状况情况。
交通流变化:在不同的交通状况下,反映的交通流参数有特定的特征。在交通流占有率小于饱和交通流占有率时,交通流量q随占有率增加而增加;当占有率k达到时,随占有率k增加,车速u、流量q减少,表现为道路通行能力下降。交通占有率越小,车辆行驶时相互影响也就越小,车速也就越高,表现为线性关系。在未饱和交通流条件下,车速越快,流量就越大;在临界车速(最佳车速)时,通行能力最大;当交通流饱和后,行驶车速反而要下降。
交通事件影响的传递:交通事件的影响总是以波的形式向外扩散,不考虑车辆的差异性情况下,假定车队中车辆的加速度特性一致,即前车和后车的速度从变化到期间行驶的距离相同,为事故波传递给下一辆车所用距离,为事故波波速。
视频检测:视频检测技术是一种基于视频图像分析和计算机视觉技术对路面运动目标进行检测分析的视频处理技术。它能实时采集和分析输入的交通图像,通过判断图像中特定的一个或者多个检测区域内的运动目标,获取所需的交通事件信息。
视频检测原理:视频检测系统的工作原理是通过视频摄像机和计算机模拟人眼视觉功能, 通过分析摄像机拍摄的道路交通视频,在视频范围内划定虚拟区域,运动物体进入检测区域导致背景灰度发生变化,从而感知运动目标的存在,实现对车辆、行人等交通目标的运动进行跟踪、定位、识别和检测,并对跟踪和识别的交通目标的交通行为进行检测分析和判断,完成各类交通事件信息的分析和采集。
视频事件检测特点:对相机视野内的视频、照片数据进行精准分析。根据相应算法可以甄别包括行人事件、烟雾事件、抛洒物事件、低速事件、拥堵事件等不同类型的交通事件。从事件发生到设备反应需要的时间短,有效的事件分类有利于第一时间采取应对。但受限于硬件设备,视频检测对光源的要求较高,天气变化和时间变化均会对检测效果产生较大影响。由于天气因素变化快,影响大,单独采用视频检测方式的有效检测覆盖时间十分有限而且没有固定规律。
交通流检测:交通流检测是以交通流模型,交通波传递模型为基础,输入交通流检测器采集的平均车速、车道占有率、车流量数据分析目标时间内交通流评价状况和交通波的传递情况综合判定是否发生异常事件。
交通流检测原理:事故发生时, 交通流特征为交通流占有率k达到,随占有率k增加,车速u、流量q减少,表现为道路通行能力下降;道路拥堵时,交通流特征为车速小于(最佳车速),交通流占有率k达到。根据交通流模型可以判断当前交通流状况、是否存在交通事件影响。当交通事件发生时,由于交通车流在大尺度上具有连续性,事故的影响会以波的形式扩散,体现为交通流参数的突变,且突变发生符合交通波传递模型;由于车流具有单向流动性,事故上游下游的检测数据有明显差异。由此可以判定事故发生点的范围。由于交通波传递时具有固定的波速,根据检测器数据可倒推事故发生并产生影响的时刻、影响范围和持续时间。
交通流事件检测特点:总体水平上把握交通状况,可以准确反馈交通事件发生时,对整条路段的影响。反馈效果不受光线干扰。采集的数据具有全局特性,通过整个路网临近单元的校准可以消除故障设备的推送数据对模型的影响,因此准确度较高,可以认作近似还原实际交通状况,作为检测系统的校准基础。但由于采集的信息属于车流尺度的信息,无法精确辨识交通事件的类型也无法精确采集事故车辆信息,而且交通事件发生到检测器检测到需要反应时间。
相关性检验:由于视频检测分析随着外界条件变化检测效果差异很大,而且这种差异不容易量化,因此视频检测的结果不能直接使用,如果仅以视频检测和交通流检测等权重或者某一固定配比考虑,检测的效果将仅限于某一段适用范围而不能应对复杂的天气状况变化和设备误差带来的影响,因此需要进行事件检测准确度分析和权重的动态匹配。为此我们用交通流状况量化视频检测的精确程度,以视频检测的单车道交通流数据和交通流检测的总体交通流的数据做相关性分析得出动态加权配比,相联立得出交通事件的检测模型。
同一检测单元内的相关性检验:将量化后的不同检测方式采集的事件信息,利用统计学中方法做相关性分析,相关系数为变量建立函数计算事件检测中视频分析的占比。
例如:以Spearman系数方法做相关性分析,单车道的交通流(P),总体交通流(Q)
以为参数确定两种检验方法的权重,联立得检测区域的事件检测模型:
相邻检测单元的互相校准:由于检测设备的故障或者人为损坏会导致系统接收数据的不准确,本方法中采用数据分析方法对上下游检测单元的推送数据进行相关度分析,当数据与上游相关度和下游相关度不符合交通流传播模型,且离散程度超过一定程度即可判断设备故障,对该设备的推送数据平均化处理或弃用。
分析流程:视频数据和交通流数据分别独立检测交通事件;利用两种检测方式对共同采集的交通流数据进行效果检测;检测结果修正天气、设备故障影响和确定两种方法的占比;修正后关联两种来源的事件函数,形成当前时刻交通事件的模型;如果存在交通事件,计算得出交通事件的类型、位置、发生时刻;调用临近视频监控到指定事故地点并示警、记录;利用视频检测的事件分类功能判定事件类型,并选定相应的应对策略。
综上所述,本发明的一种基于交通数据的交通事件监测模型的分析方法,是针对视频检测的优化和发展,利用两种检测方式对同一类型参数进行交叉检测;分析交叉检测结果修正天气、故障影响和确定两种方法的占比;进行互相校准,形成当前时刻交通事件的模型,计算得出交通事件的类型、位置、发生时刻,并提出模型构架,为交通管理和控制提出可靠依据。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于交通数据的交通事件监测模型的分析方法,其特征在于,包括视频监控模块、交通流监控模块以及数据分析模块,所述的视频监控模块和交通流监控模块同时监控交通状况,由数据分析模块分别对检测结果分析配比确定交通事件是否发生,并计算事件的参数,调用合适监控点进行反馈。
2.根据权利要求1所述的基于交通数据的交通事件监测模型的分析方法,其特征在于,所述的视频监控模块监控的交通状况包括单车道流量、单车道平均车速、视频和相片。
3.根据权利要求1所述的基于交通数据的交通事件监测模型的分析方法,其特征在于,所述的交通流监控模块监控的交通状况包括车道占有率、平均车速和总流量。
4.根据权利要求1所述的基于交通数据的交通事件监测模型的分析方法,其特征在于,所述的视频监控模块的视频检测技术是基于视频图像分析和计算机视觉技术对路面运动目标进行检测分析的视频处理技术,能实时采集和分析输入的交通图像,通过判断图像中特定的一个或者多个检测区域内的运动目标,获取所需的交通事件信息。
5.根据权利要求1所述的基于交通数据的交通事件监测模型的分析方法,其特征在于,所述的交通流监控模块是以交通流模型,交通波传递模型为基础,输入交通流检测器采集的平均车速、车道占有率、车流量数据分析目标时间内交通流评价状况和交通波的传递情况综合判定是否发生异常事件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610605288.4A CN105976616A (zh) | 2016-07-29 | 2016-07-29 | 一种基于交通数据的交通事件监测模型的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610605288.4A CN105976616A (zh) | 2016-07-29 | 2016-07-29 | 一种基于交通数据的交通事件监测模型的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105976616A true CN105976616A (zh) | 2016-09-28 |
Family
ID=56951188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610605288.4A Pending CN105976616A (zh) | 2016-07-29 | 2016-07-29 | 一种基于交通数据的交通事件监测模型的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976616A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897948A (zh) * | 2017-01-04 | 2017-06-27 | 天津职业技术师范大学 | 一种骑推行交通事故鉴定方法 |
CN107764276A (zh) * | 2017-11-29 | 2018-03-06 | 四川九鼎智远知识产权运营有限公司 | 一种基于视频监控的导航规划系统 |
CN107860395A (zh) * | 2017-11-29 | 2018-03-30 | 四川九鼎智远知识产权运营有限公司 | 一种基于视频监控的导航规划方法 |
CN112991724A (zh) * | 2021-02-09 | 2021-06-18 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
EP3933802A3 (en) * | 2021-03-05 | 2022-03-30 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method, apparatus, and device for testing traffic flow monitoring system |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10244205A1 (de) * | 2002-09-23 | 2004-03-25 | Robert Bosch Gmbh | Verfahren und Einrichtung zur Verhinderung der Kollision von Fahrzeugen |
US20040117107A1 (en) * | 2002-12-13 | 2004-06-17 | Lee Bong Keun | Method for detecting accident |
CN101034406A (zh) * | 2007-04-04 | 2007-09-12 | 同济大学 | 基于分布式体系结构的多元数据源交通信息融合方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN102419905A (zh) * | 2011-08-12 | 2012-04-18 | 北京航空航天大学 | 基于交通波理论的高速公路事故的交通影响范围确定方法 |
US8466806B2 (en) * | 2001-07-31 | 2013-06-18 | Donnelly Corporation | Alert system for a vehicle |
-
2016
- 2016-07-29 CN CN201610605288.4A patent/CN105976616A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8466806B2 (en) * | 2001-07-31 | 2013-06-18 | Donnelly Corporation | Alert system for a vehicle |
DE10244205A1 (de) * | 2002-09-23 | 2004-03-25 | Robert Bosch Gmbh | Verfahren und Einrichtung zur Verhinderung der Kollision von Fahrzeugen |
US20040117107A1 (en) * | 2002-12-13 | 2004-06-17 | Lee Bong Keun | Method for detecting accident |
CN101034406A (zh) * | 2007-04-04 | 2007-09-12 | 同济大学 | 基于分布式体系结构的多元数据源交通信息融合方法 |
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN102419905A (zh) * | 2011-08-12 | 2012-04-18 | 北京航空航天大学 | 基于交通波理论的高速公路事故的交通影响范围确定方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897948A (zh) * | 2017-01-04 | 2017-06-27 | 天津职业技术师范大学 | 一种骑推行交通事故鉴定方法 |
CN106897948B (zh) * | 2017-01-04 | 2021-01-01 | 北京工业大学 | 一种骑推行交通事故鉴定方法 |
CN107764276A (zh) * | 2017-11-29 | 2018-03-06 | 四川九鼎智远知识产权运营有限公司 | 一种基于视频监控的导航规划系统 |
CN107860395A (zh) * | 2017-11-29 | 2018-03-30 | 四川九鼎智远知识产权运营有限公司 | 一种基于视频监控的导航规划方法 |
CN112991724A (zh) * | 2021-02-09 | 2021-06-18 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
EP3933802A3 (en) * | 2021-03-05 | 2022-03-30 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Method, apparatus, and device for testing traffic flow monitoring system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976616A (zh) | 一种基于交通数据的交通事件监测模型的分析方法 | |
Muñoz et al. | Methodological calibration of the cell transmission model | |
CN104408925B (zh) | 基于陈列雷达的交叉口运行状态评价方法 | |
CN104134349B (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
Li et al. | Estimating queue length under connected vehicle technology: Using probe vehicle, loop detector, and fused data | |
CN106652483B (zh) | 利用检测设备在区域公路网布设交通信息检测点的方法 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN103838772B (zh) | 一种多源交通数据融合方法 | |
Tian et al. | Variations in capacity and delay estimates from microscopic traffic simulation models | |
CN102881162B (zh) | 大规模交通信息的数据处理及融合方法 | |
CN105096615B (zh) | 基于信号机的自适应优化控制系统 | |
CN105608431A (zh) | 一种基于车辆数目与车流速度的高速公路拥堵检测方法 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN106710215B (zh) | 瓶颈上游车道级交通状态预测系统及实现方法 | |
CN104464307B (zh) | 一种基于视频的隧道交通拥堵事件自动检测方法 | |
CN106845768A (zh) | 基于生存分析参数分布的公交车旅行时间模型构建方法 | |
Lee et al. | Identifying and correcting pulse-breakup errors from freeway loop detectors | |
CN104952258B (zh) | 基于交通场面雷达的交通事件影响范围计算方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN108389421A (zh) | 基于图像再识别的停车场精确诱导系统及方法 | |
CN109754621A (zh) | 一种基于高速公路路况态势的视频分析方法 | |
CN106355884A (zh) | 一种基于车型分类的高速公路车辆引导系统及方法 | |
CN106355877B (zh) | 基于粒子滤波算法的高速公路交通事件影响范围仿真估计方法 | |
CN104952250B (zh) | 基于交通场面雷达的交通事件条件下的交通组织方法 | |
Takenouchi et al. | Traffic state estimation and its sensitivity utilizing measurements from the opposite lane |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |