CN107705551A - 交通路况的评估方法以及装置 - Google Patents
交通路况的评估方法以及装置 Download PDFInfo
- Publication number
- CN107705551A CN107705551A CN201610645412.XA CN201610645412A CN107705551A CN 107705551 A CN107705551 A CN 107705551A CN 201610645412 A CN201610645412 A CN 201610645412A CN 107705551 A CN107705551 A CN 107705551A
- Authority
- CN
- China
- Prior art keywords
- information
- section
- region
- assessed
- 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.)
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开一种交通路况的评估方法,包括:根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。所述交通路况的评估方法,利用所述待评估区域局部的精准的视频路况信息,对全局的区域路况信息中局部的各视频采集路段的路况信息进行修正,提升了所述区域路况信息的准确性,使其准确性更高。
Description
技术领域
本申请涉及智能交通领域,具体涉及一种交通路况的评估方法。本申请同时涉及一种交通路况的评估装置,另一种交通路况的评估方法以及装置,以及两种电子设备。
背景技术
随着经济的高速发展和生活水平的不断提高,汽车的保有量迅速增加,随着汽车不断涌入有限的城市交通路网,给城市交通路网带来了巨大的压力,使困扰各大城市的交通拥堵问题日益严峻。交通拥堵不仅会使道路通行能力降低、交通延误增大,甚至还会造成经济损失,因此如何及时并且准确地获取道路交通的实时路况信息对用户来说显得至关重要。实时路况信息能够反应当前道路交通状况的信息,用户可根据实时路况信息选择没有拥堵或者拥堵程度较低的路线出行,提高出行效率,降低出行成本,从城市交通路网整体来看,均衡了城市交通路网的交通流量,一定程度缓解了道路交通拥堵。
目前针对城市交通路网的路况预测方法,通过获取城市交通路网当中浮动车的GPS数据,一般是获取城市交通路网中安装了车载GPS定位装置并在城市交通路网中行驶的公交汽车和出租车的GPS数据,根据获取到的GPS数据计算城市交通路网中各个路段的平均行驶速度,作为各个路段的实时路况信息,并以此来反应城市交通路网中各个路段的交通状况。
现有技术提供的城市交通路网的路况预测方法,基于浮动车的GPS数据进行路段的实时路况信息的计算,在实际当中,往往很难采集到某一路段所有车辆的GPS数据,因此,采集到的GPS数据并不一定覆盖路段当中所有车辆,只能够代表路段的部分车辆,因此获取到的GPS数据的精确度较低,基于此,根据所述GPS数据计算获得的实时路况信息存在一定的偏差,准确度较低。
发明内容
本申请提供一种交通路况的评估方法,以解决现有技术存在的精确度低的问题。
本申请同时涉及一种交通路况的评估装置,另一种交通路况的评估方法以及装置,以及两种电子设备。
本申请提供一种交通路况的评估方法,包括:
根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;
对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;
根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;
利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
可选的,所述定位信息包括:
所述定位点的位置信息和对应的时间信息。
可选的,所述根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,采用如下方式实现:
针对所述待评估区域内每个路段,根据该路段范围内各定位点的位置信息和时间信息,计算所述浮动车通过该路段的平均行驶速度;
对计算生成的所述待评估区域内每个路段的平均行驶速度按照路段进行聚合,获得所述待评估区域内各路段的平均行驶速度,作为所述区域路况信息。
可选的,所述车流信息包括:
车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
可选的,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,采用如下方式实现:
根据所述待评估区域内各视频采集路段的车流信息,分别计算车辆通过各视频采集路段的平均行驶速度。
可选的,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,采用如下方式实现:
针对所述待评估区域内的每个视频采集路段,执行如下操作:
采用卷积神经网络对该视频采集路段的路段视频数据中包含的图像帧进行检测,获得该视频采集路段的车辆数目以及各车辆的车型信息;
采用车牌识别算法结合该视频采集路段的路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在该视频采集路段的路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得该视频采集路段的车流信息。
可选的,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息步骤执行之后,执行下述步骤:
在所述视频采集路段车辆的车牌信息中查找所述浮动车的车牌信息;
根据查找到的车牌信息,判断该车牌信息对应的定位信息中的时间信息,与该车牌信息对应的路段视频数据中的时间信息之间的时间差是否大于或者等于预设时间阈值;
若是,以所述定位信息中的时间信息为准对所述路段视频数据中的时间信息进行修正。
可选的,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息步骤执行之后,执行下述步骤:
计算所述视频采集路段的车流量在特定时间段内的车流量变化趋势参数;
计算所述视频采集路段在所述待评估区域内对应路段浮动车的车流量,以及在所述特定时间段内的车流量变化趋势参数;
判断所述视频采集路段的车流量变化趋势参数与所述路段的车流量变化趋势参数是否一致,若否,从所述路段视频数据中剔除所述特定时间段内的路段视频数据。
可选的,所述利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正步骤执行后,执行下述步骤:
将修正后所述待评估区域内各路段的平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述待评估区域内各路段的拥堵状态信息;
将所述待评估区域内各路段的拥堵状态信息加入所述区域路况信息中各路段的路况信息中;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
可选的,所述根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述待评估区域以往的定位信息。
可选的,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,基于所述路况评估计算模型进行计算。
可选的,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息步骤执行之后,执行下述步骤:
利用所述视频路况信息进行回归分析计算,根据计算结果对所述路况评估计算模型的评估计算参数进行修正。
可选的,所述利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正步骤执行后,执行下述步骤:
将修正后的所述区域路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
本申请还提供一种交通路况的评估装置,包括:
区域路况信息计算单元,用于根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;
车流信息计算单元,用于对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;
视频路况信息计算单元,用于根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;
区域路况信息修正单元,用于利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
本申请还提供另一种交通路况的评估方法,包括:
获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;
对所述路段视频数据进行检测,获得所述路段的车流信息;
根据所述定位信息和所述车流信息计算所述路段的路况信息。
本申请还提供另一种交通路况的评估装置,包括:
数据获取单元,用于获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;
车流信息计算单元,用于对所述路段视频数据进行检测,获得所述路段的车流信息;
路况信息计算单元,用于根据所述定位信息和所述车流信息计算所述路段的路况信息。
本申请还提供一种电子设备,包括:
处理器和存储器;
其中,所述处理器,用于根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正;
所述存储器,用于存储所述区域路况信息、所述车流信息和所述视频路况信息。
本申请还提供另一种电子设备,包括:
处理器和存储器;
其中,所述处理器,用于获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;对所述路段视频数据进行检测,获得所述路段的车流信息;根据所述定位信息和所述车流信息计算所述路段的路况信息;
所述存储器,用于存储获取的所述定位信息、所述路段视频数据以及所述车流信息。
与现有技术相比,本申请具有以下优点:
本申请提供的交通路况的评估方法,包括:根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
本申请提供的所述交通路况的评估方法,根据浮动车在待评估区域当中各定位点的定位信息计算所述待评估区域的区域路况信息,并根据对所述待评估区域内各视频采集路段的路段视频数据进行检测获得的各视频采集路段的车流信息,计算各视频采集路段的视频路况信息,最后利用视频路况信息对所述区域路况信息中各视频采集路段对应的路况信息进行修正,使所述区域路况信息更加准确。所述交通路况的评估方法,利用所述待评估区域局部的各视频采集路段的精准的视频路况信息,对全局的所述待评估区域的区域路况信息中局部的各视频采集路段的路况信息进行修正,从而来提升所述待评估区域的区域路况信息的准确性,使所述区域路况信息的准确性更高。
附图说明
附图1是本申请提供的一种交通路况的评估方法实施例的处理流程图;
附图2是本申请提供的一种交通路况的评估方法实施系统的示意图;
附图3是本申请提供的一种交通路况的评估装置实施例的示意图;
附图4是本申请提供的另一种交通路况的评估方法实施例的处理流程图;
附图5是本申请提供的另一种交通路况的评估装置实施例的示意图;
附图6是本申请提供的一种电子设备实施例的示意图;
附图7是本申请提供的另一种电子设备实施例的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其他方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似推广,因此本申请不受下面公开的具体实施的限制。
本申请提供一种交通路况的评估方法,本申请还提供一种交通路况的评估装置,以及一种电子设备。以下分别结合本申请提供的实施例的附图逐一进行详细说明,并且对方法的各个步骤进行说明。
本申请提供的一种交通路况的评估方法实施例如下:
参照附图1,其示出了本申请提供的一种交通路况的评估方法实施例的处理流程图,参照附图2,其示出了本申请提供的一种交通路况的评估方法实施系统的处理流程图。
步骤S101,根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息。
本申请实施例所述浮动车,一般是指安装了车载定位装置,并行驶在城市交通道路(路段)上的公交汽车和出租车。例如,安装了GPS装置的公交汽车,或者安装了北斗定位终端的出租车。
所述待评估区域是指地理区域,所述地理区域的覆盖范围大小可根据实际使用时的具体需求来确定,比如,所述待评估区域可以是城市当中包含若干路段的区域;此外,所述待评估区域还可以是包含城市若干区域的区域,此时,所述待评估区域包含城市若干区域内的所有路段。
所述浮动车在所述待评估区域内的路段行驶的过程中,所述车载定位装置周期性地采集自身所处位置的位置信息,例如,基于GPS装置采集的GPS位置信息,或者基于北斗定位终端采集的北斗位置信息。所述浮动车采集位置信息时所处的位置为所述定位点,每一个定位点都有一个对应的时间信息,即所述浮动车采集位置信息时的时间点;所述定位点的定位信息由所述位置信息和所述时间信息组成。
所述区域路况信息中包含所述待评估区域内所有路段的路况信息。其中,所述路段的路况信息,用于表征所述路段的实际交通状况。本实施例中,采用车辆通过所述路段时的平均行驶速度来表征所述路段的路况信息,如果车辆在通过所述路段时的行驶速度较快,则表明所述路段较为畅通;如果车辆在通过所述路段时的行驶速度较慢,则表明所述路段可能存在拥堵。
在具体实施时,根据所述浮动车在所述待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,采用如下方式实现:
1)针对所述待评估区域内每个路段,根据该路段范围内各定位点的位置信息和时间信息,计算所述浮动车通过该路段的平均行驶速度;
2)对计算生成的所述待评估区域内每个路段的平均行驶速度按照路段进行聚合,获得所述待评估区域内各路段的平均行驶速度,作为所述区域路况信息。
需要说明的是,由于所述浮动车只是所述待评估区域内各路段上行驶的部分车辆,并不能代表各路段上行驶的全部车辆,因此,根据所述浮动车的在定位点的定位信息计算获得所述待评估区域的区域路况信息,与所述待评估区域内各路段实际的路况信息相比,可能会存在一定偏差,准确性较低。
此外,在具体实施时,所述根据所述浮动车在所述待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,还可以基于预先训练的路况评估计算模型进行计算,如附图2所示。其中,所述路况评估计算模型的训练样本为所述待评估区域内各路段以往的定位信息。例如,将待评估区域各路段以往1个月内所有浮动车的定位信息作为训练样本,利用深度学习中的模型训练方法训练获得路况评估计算模型。训练获得的所述路况评估计算模型,可用于根据所述定位信息实时评估计算所述待评估区域内各路段的路况信息。
步骤S102,对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息。
在实际当中,所述待评估区域内的路段,只有一部分路段安装有视频监控装置,相当大一部分路段并没有安装视频监控装置,比如,道路交叉口各方向安装有摄像头,或者住宅区路口、收费站等重要路段安装有摄像头。所述视频采集路段,是指所述待评估区域内安装有视频监控装置、并且在视频监控装置的视野范围内的路段。所述路段视频数据,是指所述视频监控装置采集到的所述视频采集路段的视频数据信息,所述路段视频数据用于表征所述视频采集路段的车辆以及车流相关信息。
本申请实施例所述车流信息,包括车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。具体的,对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息,采用如下方式实现:
针对所述待评估区域内的每个视频采集路段,执行如下操作:
1)采用卷积神经网络对该视频采集路段的路段视频数据中包含的图像帧进行检测,获得该视频采集路段的车辆数目以及各车辆的车型信息;
2)采用车牌识别算法结合该视频采集路段的路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
3)结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在该视频采集路段的路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
4)采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得该视频采集路段的车流信息。
在实际应用中,所述车辆数目、车型信息、车牌信息、车辆行驶轨迹以及所述车流信息的计算,并不限于上述采用的算法,还可以采用其他算法对所述路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息。
在具体实施时,在上述步骤S101获得所述定位信息之后,以及本步骤执行后获得所述车流信息之后,还可以执行信息校正操作,如附图2所示,利用所述定位信息对所述车流信息进行校正,针对所述信息校正操作,本实施例提供下述两种实现方式:
实现方式一:
在所述视频采集路段车辆的车牌信息中查找所述浮动车的车牌信息;
根据查找到的车牌信息,判断该车牌信息对应的定位信息中的时间信息,与该车牌信息对应的路段视频数据中的时间信息之间的时间差是否大于或者等于预设时间阈值;
若是,以所述定位信息中的时间信息为准对所述路段视频数据中的时间信息进行修正;
若否,则表明所述路段视频数据与所述定位信息相比是相对准确的,不作处理即可。
例如,根据视频采集路段的路段视频数据中车辆的车牌信息,以及浮动车提前上传的车牌信息,利用车牌信息在路段视频数据和定位信息中定位同一辆出租车,则该出租车对应的路段视频数据和定位信息当中的时间信息应当是一致的,在此,以定位信息中的时间信息为准,比较出租车对应的路段视频数据和定位信息中的时间信息,如果二者时间信息的差值大于或者等于预设时间阈值,则对路段视频数据中的时间信息进行修正,使其与定位信息中的时间信息一致,提升路段视频数据的准确性。
在实际当中,在当前所述视频监控装置的硬件设备条件下,所述视频监控装置采集到的所述视频采集路段的路段视频数据往往是有一定的延时,根据所述视频监控装置所采用设备的硬件配置,以及所述路段视频数据的传输介质和传输距离的差别,所述路段视频数据的延时也存在一定的差别,因此,可针对不同的路段设定各自对应的预设时间阈值,对所述路段视频数据中的时间信息进行修正,进一步提升所述路段视频数据的准确性。
实现方式二:
计算所述视频采集路段的车流量在特定时间段内的车流量变化趋势参数;
计算所述待评估区域内所述视频采集路段对应路段的浮动车的车流量,以及在所述特定时间段内的车流量变化趋势参数;
判断所述视频采集路段的车流量变化趋势参数与所述路段的车流量变化趋势参数是否一致;
若是,表明所述路段视频数据与所述定位信息相比是相对准确的,不作处理即可;
若否,从所述路段视频数据中剔除所述特定时间段内的路段视频数据。
例如,经计算获得视频采集路段的车流量在某时间段的车流量变化趋势参数为下降趋势,如果经计算获得待评估区域内同一路段在相同时间段的车流量变化趋势参数为上升趋势,则表明摄像头采集到的路段视频数据可能有误,实际中的情况可能是摄像头由于外部环境因素视野范围发生变化,导致其采集到的路段视频数据相对定位信息存在偏差;如果经计算得出待评估区域内同一路段在相同时间段的车流量变化趋势参数也为下降趋势,则表明该路段的摄像头工作正常。
在实际当中,所述视频监控装置实际部署环境中的不可控因素可能会使所述视频监控装置的视野范围发生变化,导致其视野范围偏离甚至离开正常工作状态下覆盖的路段区域,从而导致所述视频监控装置采集到所述视频采集路段的路段视频数据,与所述视频采集路段的实际情况并不符合,因此,通过所述信息校正操作实现方式二对所述路段视频数据进行校正,将所述路段视频数据当中存在的无效数据剔除,从而来提升所述路段视频数据的准确性。除此之外,还可以通过计算其他参数来提升所述路段视频数据的准确性。
在具体实施时,可针对所述信息校正操作设定相应的校正周期,例如,以天为校正周期,在每天早上交通路况的评估方法实施系统启动之后,执行信息校正操作。除此之外,还可以根据实际应用场景来设定所述信息校正操的校正周期,对此不作限定。
此外,在具体实施时,还可以根据实际需求选取所述信息校正操作的上述任意一种实现方式,利用所述定位信息对所述车流信息进行校正,提升所述车流信息的准确性;或者,同时采用所述信息校正操作的上述两种实现方式,最大程度的提升所述车流信息的准确性。
除上述提供的所述信息校正操作的实现方式,利用所述定位信息对所述车流信息进行校正之外,还可以利用所述车流信息对所述定位信息进行校正,来提升所述定位信息的准确性;或者,将利用所述定位信息对所述车流信息进行校正,和利用所述车流信息对所述定位信息的校正相结合,针对所述定位信息和所述车流信息之间进行相互校对,同时提升所述定位信息和所述车流信息的准确性。
步骤S103,根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息。
根据上述步骤S102获得的所述待评估区域内各视频采集路段的车流信息,本步骤根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,具体采用如下方式实现:
根据所述待评估区域内各视频采集路段的车流信息,分别计算车辆通过各视频采集路段的平均行驶速度。
在具体实施时,本步骤根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息的过程,还可以基于所述路况评估计算模型进行计算,如上所述,所述路况评估计算模型支持根据输入的所述定位信息,计算并输出所述待评估区域的区域路况信息,在此,所述路况评估计算模型还支持根据输入的所述车流信息,计算并输出相应的路况信息。具体的,将上述步骤S102获得的所述待评估区域内各视频采集路段的车流信息输入所述路况评估计算模型,经所述路况评估计算模型计算后输出所述待评估区域内各视频采集路段的视频路况信息,即所述待评估区域内各视频采集路段的平均行驶速度。
此外,在具体实施时,在步骤根据所述车流信息计算获得所述待评估区域内各视频采集路段的视频路况信息之后,还可以执行回归计算操作,如附图2所示,利用本步骤获得各视频采集路段的视频路况信息,通过机器学习算法进行回归计算,从而来修正所述路况评估计算模型,即:利用局部精确信息(视频采集路段的视频路况信息),在局部(视频采集路段)通过机器学习算法进行回归计算,来修正整体(待评估区域)的所述路况评估计算模型,从而来提升所述路况评估计算模型评估计算获得的路况信息的准确性。所述回归分析计算操作具体实现如下:
利用所述视频路况信息进行回归分析计算,根据计算结果对所述路况评估计算模型的评估计算参数进行修正。
步骤S104,利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
根据上述步骤S101计算获得的所述待评估区域的区域路况信息,以及上述步骤S103计算获得的所述待评估区域内各视频采集路段的视频路况信息,本步骤中,如附图2所示,利用所述视频路况信息对所述区域路况信息中的相应路况信息进行修正,比如将所述区域路况信息中各视频采集路段的路况信息,更新为各视频采集路段的视频路况信息。即:利用局部的精确信息(视频采集路段的视频路况信息),对全局整体区域信息(待评估区域的区域路况信息)当中的对应的局部区域信息(区域路况信息中视频采集路段对应路段的路况信息)进行修正,从而提升所述区域路况信息的准确性。
在具体实施时,在本步骤利用所述视频路况信息对所述区域路况信息中各视频采集路段对应的路况信息进行修正之后,可根据所述区域路况信息中各路段的平均行驶速度确定各路段的拥堵状态,具体实现如下:
将修正后所述待评估区域内各路段的平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述待评估区域内各路段的拥堵状态信息;
将所述待评估区域内各路段的拥堵状态信息加入所述区域路况信息中各路段的路况信息中;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
例如,平均行驶速度大于40km/s为无拥堵状态,平均行驶速度在20-40km/s为低拥堵状态,平均行驶速度小于20km/s为高拥堵状态。
除此之外,根据所述待评估区域内各路段的实际情况来设定拥堵状态信息,比如设为畅通状态、正常状态、低拥堵状态和高拥堵状态,或者针对不同路段分别设定不同的拥堵状态信息。
此外,在具体实施时,在本步骤利用所述视频路况信息对所述区域路况信息中各视频采集路段对应的路况信息进行修正之后,还可以针对修正后的所述区域路况信息进行发布操作,例如,将修正后的区域路况信息发布到用户使用的终端设备,或者,将修正后的区域路况信息发布到用户可访问的路况信息平台,或者,将修正后的区域路况信息同时发布到用户使用的终端设备以及用户可访问的路况信息平台。
综上所述,本申请提供的所述交通路况的评估方法,根据浮动车在待评估区域当中各定位点的定位信息计算所述待评估区域的区域路况信息,并根据对所述待评估区域内各视频采集路段的路段视频数据进行检测获得的各视频采集路段的车流信息,计算各视频采集路段的视频路况信息,最后利用视频路况信息对所述区域路况信息中各视频采集路段对应的路况信息进行修正,使所述区域路况信息更加准确。所述交通路况的评估方法,利用所述待评估区域局部的各视频采集路段的精准的视频路况信息,对全局的所述待评估区域的区域路况信息中局部的各视频采集路段的路况信息进行修正,从而来提升所述待评估区域的区域路况信息的准确性,使所述区域路况信息的准确性更高。
本申请提供的交通路况的评估装置实施例如下:
在上述的实施例中,提供了一种交通路况的评估方法,与之相对应的,本申请还提供了一种交通路况的评估装置,下面结合附图进行说明。
参照附图3,其示出了本申请提供的一种交通路况的评估装置实施例的示意图。
由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供一种交通路况的评估装置,包括:
区域路况信息计算单元301,用于根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;
车流信息计算单元302,用于对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;
视频路况信息计算单元303,用于根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;
区域路况信息修正单元304,用于利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
可选的,所述定位信息包括:
所述定位点的位置信息和对应的时间信息。
可选的,所述区域路况信息计算单元301,包括:
第一平均行驶速度计算子单元,用于针对所述待评估区域内每个路段,根据该路段范围内各定位点的位置信息和时间信息,计算所述浮动车通过该路段的平均行驶速度;
聚合子单元,用于对计算生成的所述待评估区域内每个路段的平均行驶速度按照路段进行聚合,获得所述待评估区域内各路段的平均行驶速度,作为所述区域路况信息。
可选的,所述车流信息包括:
车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
可选的,所述车流信息计算单元302,包括:
第二平均行驶速度计算子单元,用于根据所述待评估区域内各视频采集路段的车流信息,分别计算车辆通过各视频采集路段的平均行驶速度。
可选的,所述车流信息计算单元302,包括:
针对所述待评估区域内的每个视频采集路段,运行车辆数目检测计算子单元、车牌信息检测计算子单元、车辆行驶轨迹检测计算子单元以及车流信息计算子单元;
所述车辆数目检测计算子单元,用于采用卷积神经网络对该视频采集路段的路段视频数据中包含的图像帧进行检测,获得该视频采集路段的车辆数目以及各车辆的车型信息;
所述车牌信息检测计算子单元,用于采用车牌识别算法结合该视频采集路段的路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
所述车辆行驶轨迹检测计算子单元,用于结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在该视频采集路段的路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
所述车流信息计算子单元,用于采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得该视频采集路段的车流信息。
可选的,所述交通路况的评估装置,包括:
车牌信息查找单元,用于在所述视频采集路段车辆的车牌信息中查找所述浮动车的车牌信息;
时间信息判断单元,用于根据查找到的车牌信息,判断该车牌信息对应的定位信息中的时间信息,与该车牌信息对应的路段视频数据中的时间信息之间的时间差是否大于或者等于预设时间阈值,若是,运行时间信息修正单元;
所述时间信息修正单元,用于以所述定位信息中的时间信息为准对所述路段视频数据中的时间信息进行修正。
可选的,所述交通路况的评估装置,包括:
第一车流量变化趋势参数计算单元,用于计算所述视频采集路段的车流量在特定时间段内的车流量变化趋势参数;
第二车流量变化趋势参数计算单元,用于计算所述视频采集路段在所述待评估区域内对应路段浮动车的车流量,以及在所述特定时间段内的车流量变化趋势参数;
车流量变化趋势参数比较单元,用于判断所述视频采集路段的车流量变化趋势参数与所述路段的车流量变化趋势参数是否一致,若否,运行路段视频数据剔除单元;
所述路段视频数据剔除单元,用于从所述路段视频数据中剔除所述特定时间段内的路段视频数据。
可选的,所述交通路况的评估装置,包括:
拥堵状态信息确定单元,用于将修正后所述待评估区域内各路段的平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述待评估区域内各路段的拥堵状态信息;
加入路况信息单元,用于将所述待评估区域内各路段的拥堵状态信息加入所述区域路况信息中各路段的路况信息中;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
可选的,所述区域路况信息计算单元301,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述待评估区域以往的定位信息。
可选的,所述视频路况信息计算单元303,基于所述路况评估计算模型进行计算。
可选的,所述交通路况的评估装置,包括:
回归分析计算单元,用于利用所述视频路况信息进行回归分析计算,根据计算结果对所述路况评估计算模型的评估计算参数进行修正。
可选的,所述交通路况的评估装置,包括:
区域路况信息发布单元,用于将修正后的所述区域路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
本申请提供的另一种交通路况的评估方法实施例如下:
在上述的实施例中,提供了一种交通路况的评估方法,此外,本申请还提供了另一种交通路况的评估方法,下面结合附图进行说明。
参照附图4,其示出了本申请提供的另一种交通路况的评估方法实施例的处理流程图。
由于本实施例与在上述交通路况的评估方法实施例较为相似,所以描述得比较简单,相关的部分请参见本申请提供的上述交通路况的评估方法实施例的对应说明即可。下述描述的方法实施例仅仅是示意性的。
本申请提供的另一种交通路况的评估方法,包括:
步骤S401,获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;
步骤S402,对所述路段视频数据进行检测,获得所述路段的车流信息;
步骤S403,根据所述定位信息和所述车流信息计算所述路段的路况信息。
可选的,所述定位信息包括:定位点的位置信息和对应的时间信息。
可选的,所述车流信息包括:车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
可选的,所述对所述路段视频数据进行检测,采用如下方式实现:
采用卷积神经网络对所述路段视频数据中包含的图像帧进行检测,获得所述路段的车辆数目以及各车辆的车型信息;
采用车牌识别算法结合所述路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在所述路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得所述路段的车流信息。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息,采用如下方式实现:
根据所述路段范围内各定位点的位置信息和时间信息,以及所述车流信息,计算车辆通过所述路段的平均行驶速度。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息步骤执行后,执行下述步骤:
将所述平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述路段的拥堵状态信息;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述路段以往的定位信息。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息步骤执行后,执行下述步骤:
将所述路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
本申请提供的另一种交通路况的评估装置实施例如下:
在上述的实施例中,提供了另一种交通路况的评估方法,与之相对应的,本申请还提供另一种交通路况的评估装置,下面结合附图进行说明。
参照附图5,其示出了本申请提供的另一种交通路况的评估装置实施例的示意图。
由于装置实施例基本相似于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的。
本申请提供的另一种交通路况的评估装置,包括:
数据获取单元501,用于获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;
车流信息计算单元502,用于对所述路段视频数据进行检测,获得所述路段的车流信息;
路况信息计算单元503,用于根据所述定位信息和所述车流信息计算所述路段的路况信息。
可选的,所述定位信息包括:定位点的位置信息和对应的时间信息。
可选的,所述车流信息包括:车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
可选的,所述车流信息计算单元502,包括:
车辆数目检测计算子单元,用于采用卷积神经网络对所述路段视频数据中包含的图像帧进行检测,获得所述路段的车辆数目以及各车辆的车型信息;
车牌信息检测计算子单元,用于采用车牌识别算法结合所述路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
车辆行驶轨迹检测计算子单元,用于结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在所述路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
车流信息计算子单元,用于采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得所述路段的车流信息。
可选的,所述路况信息计算单元503,具体用于根据所述路段范围内各定位点的位置信息和时间信息,以及所述车流信息,计算车辆通过所述路段的平均行驶速度。
可选的,所述交通路况的评估装置,包括:
拥堵状态信息确定单元,用于将所述平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述路段的拥堵状态信息;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
可选的,所述路况信息计算单元503,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述路段以往的定位信息。
可选的,所述交通路况的评估装置,包括:
路况信息发布单元,用于将所述路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
本申请提供的一种电子设备装置实施例如下:
在上述的实施例中,提供了一种交通路况的评估方法,此外,本申请还提供了一种用于实施所述交通路况的评估方法的电子设备,下面结合附图进行说明。
参照附图6,其示出了本申请提供的一种电子设备的示意图。
由于所述交通路况的评估方法基于所述电子设备实现,因此所述电子设备的实施例基本相似于方法实施例,所以描述得比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的所述电子设备实施例仅仅是示意性的。
本申请提供的一种电子设备,包括:
处理器601和存储器602;
其中,所述处理器601,用于根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正;
所述存储器602,用于存储所述区域路况信息、所述车流信息和所述视频路况信息。
可选的,所述定位信息包括:
所述定位点的位置信息和对应的时间信息。
可选的,所述根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,采用如下方式实现:
针对所述待评估区域内每个路段,根据该路段范围内各定位点的位置信息和时间信息,计算所述浮动车通过该路段的平均行驶速度;
对计算生成的所述待评估区域内每个路段的平均行驶速度按照路段进行聚合,获得所述待评估区域内各路段的平均行驶速度,作为所述区域路况信息。
可选的,所述车流信息包括:
车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
可选的,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,采用如下方式实现:
根据所述待评估区域内各视频采集路段的车流信息,分别计算车辆通过各视频采集路段的平均行驶速度。
可选的,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,采用如下方式实现:
针对所述待评估区域内的每个视频采集路段,执行如下操作:
采用卷积神经网络对该视频采集路段的路段视频数据中包含的图像帧进行检测,获得该视频采集路段的车辆数目以及各车辆的车型信息;
采用车牌识别算法结合该视频采集路段的路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在该视频采集路段的路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得该视频采集路段的车流信息。
可选的,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息步骤执行之后,执行下述步骤:
在所述视频采集路段车辆的车牌信息中查找所述浮动车的车牌信息;
根据查找到的车牌信息,判断该车牌信息对应的定位信息中的时间信息,与该车牌信息对应的路段视频数据中的时间信息之间的时间差是否大于或者等于预设时间阈值;
若是,以所述定位信息中的时间信息为准对所述路段视频数据中的时间信息进行修正。
可选的,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息步骤执行之后,执行下述步骤:
计算所述视频采集路段的车流量在特定时间段内的车流量变化趋势参数;
计算所述视频采集路段在所述待评估区域内对应路段浮动车的车流量,以及在所述特定时间段内的车流量变化趋势参数;
判断所述视频采集路段的车流量变化趋势参数与所述路段的车流量变化趋势参数是否一致,若否,从所述路段视频数据中剔除所述特定时间段内的路段视频数据。
可选的,所述利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正步骤执行后,执行下述步骤:
将修正后所述待评估区域内各路段的平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述待评估区域内各路段的拥堵状态信息;
将所述待评估区域内各路段的拥堵状态信息加入所述区域路况信息中各路段的路况信息中;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
可选的,所述根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述待评估区域以往的定位信息。
可选的,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,基于所述路况评估计算模型进行计算。
可选的,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息步骤执行之后,执行下述步骤:
利用所述视频路况信息进行回归分析计算,根据计算结果对所述路况评估计算模型的评估计算参数进行修正。
可选的,所述利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正步骤执行后,执行下述步骤:
将修正后的所述区域路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
本申请提供的另一种电子设备实施例如下:
在上述的实施例中,提供了另一种交通路况的评估方法,此外,本申请还提供另一种电子设备,用于实施上述另一种交通路况的评估方法,下面结合附图进行说明。
参照附图7,其示出了本申请提供的另一种电子设备的示意图。
由于上述另一种交通路况的评估方法基于所述电子设备实现,因此所述电子设备的实施例基本相似于方法实施例,描述的比较简单,相关的部分请参见上述提供的方法实施例的对应说明即可。下述描述的所述电子设备实施例仅仅是示意性的。
本申请提供的另一种电子设备,包括:
处理器701和存储器702;
其中,所述处理器701,用于获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;对所述路段视频数据进行检测,获得所述路段的车流信息;
根据所述定位信息和所述车流信息计算所述路段的路况信息;
所述存储器702,用于存储获取的所述定位信息、所述路段视频数据以及所述车流信息。
可选的,所述定位信息包括:定位点的位置信息和对应的时间信息。
可选的,所述车流信息包括:车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
可选的,所述对所述路段视频数据进行检测,采用如下方式实现:
采用卷积神经网络对所述路段视频数据中包含的图像帧进行检测,获得所述路段的车辆数目以及各车辆的车型信息;
采用车牌识别算法结合所述路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在所述路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得所述路段的车流信息。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息,采用如下方式实现:
根据所述路段范围内各定位点的位置信息和时间信息,以及所述车流信息,计算车辆通过所述路段的平均行驶速度。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息步骤执行后,执行下述步骤:
将所述平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述路段的拥堵状态信息;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述路段以往的定位信息。
可选的,所述根据所述定位信息和所述车流信息计算所述路段的路况信息步骤执行后,执行下述步骤:
将所述路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
本申请虽然以较佳实施例公开如上,但其并不是用来限定本申请,任何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动和修改,因此本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
2、本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
Claims (18)
1.一种交通路况的评估方法,其特征在于,包括:
根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;
对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;
根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;
利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
2.根据权利要求1所述的交通路况的评估方法,其特征在于,所述定位信息包括:
所述定位点的位置信息和对应的时间信息。
3.根据权利要求2所述的交通路况的评估方法,其特征在于,所述根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,采用如下方式实现:
针对所述待评估区域内每个路段,根据该路段范围内各定位点的位置信息和时间信息,计算所述浮动车通过该路段的平均行驶速度;
对计算生成的所述待评估区域内每个路段的平均行驶速度按照路段进行聚合,获得所述待评估区域内各路段的平均行驶速度,作为所述区域路况信息。
4.根据权利要求3所述的交通路况的评估方法,其特征在于,所述车流信息包括:
车流量、车辆行驶轨迹、车辆数目、车型信息和车牌信息。
5.根据权利要求4所述的交通路况的评估方法,其特征在于,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,采用如下方式实现:
根据所述待评估区域内各视频采集路段的车流信息,分别计算车辆通过各视频采集路段的平均行驶速度。
6.根据权利要求4所述的交通路况的评估方法,其特征在于,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,采用如下方式实现:
针对所述待评估区域内的每个视频采集路段,执行如下操作:
采用卷积神经网络对该视频采集路段的路段视频数据中包含的图像帧进行检测,获得该视频采集路段的车辆数目以及各车辆的车型信息;
采用车牌识别算法结合该视频采集路段的路段视频数据中包含的图像帧进行检测计算,获得所述车辆的车牌信息;
结合所述车型信息或者所述车牌信息,采用跟踪算法对各车辆在该视频采集路段的路段视频数据的图像帧当中的位置进行跟踪计算,获得各车辆的车辆行驶轨迹;
采用聚类算法结合所述车辆数目和所述车辆行驶轨迹进行分析计算,获得该视频采集路段的车流信息。
7.根据权利要求5所述的交通路况的评估方法,其特征在于,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息步骤执行之后,执行下述步骤:
在所述视频采集路段车辆的车牌信息中查找所述浮动车的车牌信息;
根据查找到的车牌信息,判断该车牌信息对应的定位信息中的时间信息,与该车牌信息对应的路段视频数据中的时间信息之间的时间差是否大于或者等于预设时间阈值;
若是,以所述定位信息中的时间信息为准对所述路段视频数据中的时间信息进行修正。
8.根据权利要求5所述的交通路况的评估方法,其特征在于,所述对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息步骤执行之后,执行下述步骤:
计算所述视频采集路段的车流量在特定时间段内的车流量变化趋势参数;
计算所述视频采集路段在所述待评估区域内对应路段浮动车的车流量,以及在所述特定时间段内的车流量变化趋势参数;
判断所述视频采集路段的车流量变化趋势参数与所述路段的车流量变化趋势参数是否一致,若否,从所述路段视频数据中剔除所述特定时间段内的路段视频数据。
9.根据权利要求5所述的交通路况的评估方法,其特征在于,所述利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正步骤执行后,执行下述步骤:
将修正后所述待评估区域内各路段的平均行驶速度与预设的平均行驶速度-拥堵状态信息对应关系进行比对,确定所述待评估区域内各路段的拥堵状态信息;
将所述待评估区域内各路段的拥堵状态信息加入所述区域路况信息中各路段的路况信息中;
其中,所述拥堵状态信息包括:无拥堵状态、低拥堵状态和高拥堵状态。
10.根据权利要求1所述的交通路况的评估方法,其特征在于,所述根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息,基于预先训练的路况评估计算模型进行计算;
其中,所述路况评估计算模型的训练样本,包括所述待评估区域以往的定位信息。
11.根据权利要求10所述的交通路况的评估方法,其特征在于,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息,基于所述路况评估计算模型进行计算。
12.根据权利要求11所述的交通路况的评估方法,其特征在于,所述根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息步骤执行之后,执行下述步骤:
利用所述视频路况信息进行回归分析计算,根据计算结果对所述路况评估计算模型的评估计算参数进行修正。
13.根据权利要求1所述的交通路况的评估方法,其特征在于,所述利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正步骤执行后,执行下述步骤:
将修正后的所述区域路况信息发布到用户使用的终端设备和/或用户可访问的路况信息平台。
14.一种交通路况的评估装置,其特征在于,包括:
区域路况信息计算单元,用于根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;
车流信息计算单元,用于对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;
视频路况信息计算单元,用于根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;
区域路况信息修正单元,用于利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正。
15.一种交通路况的评估方法,其特征在于,包括:
获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;
对所述路段视频数据进行检测,获得所述路段的车流信息;
根据所述定位信息和所述车流信息计算所述路段的路况信息。
16.一种交通路况的评估装置,其特征在于,包括:
数据获取单元,用于获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;
车流信息计算单元,用于对所述路段视频数据进行检测,获得所述路段的车流信息;
路况信息计算单元,用于根据所述定位信息和所述车流信息计算所述路段的路况信息。
17.一种电子设备,其特征在于,包括:
处理器和存储器;
其中,所述处理器,用于根据浮动车在待评估区域行驶过程中上报的各定位点的定位信息,计算所述待评估区域的区域路况信息;对所述待评估区域内各视频采集路段的路段视频数据进行检测,获得所述待评估区域内各视频采集路段的车流信息;根据所述车流信息计算所述待评估区域内各视频采集路段的视频路况信息;利用所述视频路况信息,对所述区域路况信息中各视频采集路段对应的路况信息进行修正;
所述存储器,用于存储所述区域路况信息、所述车流信息和所述视频路况信息。
18.一种电子设备,其特征在于,包括:
处理器和存储器;
其中,所述处理器,用于获取车辆的定位信息,以及所述车辆行驶路段的路段视频数据;对所述路段视频数据进行检测,获得所述路段的车流信息;根据所述定位信息和所述车流信息计算所述路段的路况信息;
所述存储器,用于存储获取的所述定位信息、所述路段视频数据以及所述车流信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610645412.XA CN107705551A (zh) | 2016-08-08 | 2016-08-08 | 交通路况的评估方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610645412.XA CN107705551A (zh) | 2016-08-08 | 2016-08-08 | 交通路况的评估方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107705551A true CN107705551A (zh) | 2018-02-16 |
Family
ID=61169401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610645412.XA Pending CN107705551A (zh) | 2016-08-08 | 2016-08-08 | 交通路况的评估方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705551A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108513676A (zh) * | 2018-04-25 | 2018-09-07 | 深圳市锐明技术股份有限公司 | 一种路况识别方法、装置及设备 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN109035776A (zh) * | 2018-08-23 | 2018-12-18 | 深圳大学 | 一种交通异常检测方法及系统 |
CN109615877A (zh) * | 2018-12-24 | 2019-04-12 | 中国船舶重工集团公司第七0研究所 | 一种红绿灯路口车辆检测器失效的补偿方法 |
CN110363320A (zh) * | 2018-03-26 | 2019-10-22 | 腾讯大地通途(北京)科技有限公司 | 一种预测估计到达时间的方法、装置和计算设备 |
CN111613049A (zh) * | 2019-02-26 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
CN111613045A (zh) * | 2019-02-25 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 道路通行情况的验证方法及装置 |
CN111739322A (zh) * | 2019-05-09 | 2020-10-02 | 腾讯大地通途(北京)科技有限公司 | 数据处理方法及其装置 |
CN111737526A (zh) * | 2020-06-08 | 2020-10-02 | 北京奇虎科技有限公司 | 交通路况的查询方法、装置、设备及存储介质 |
CN111815944A (zh) * | 2019-04-11 | 2020-10-23 | 阿里巴巴集团控股有限公司 | 数据有效性检测方法、装置、电子设备及计算机存储介质 |
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
CN113393676A (zh) * | 2021-06-09 | 2021-09-14 | 东北林业大学 | 一种基于无人机视觉和毫米波雷达的交通检测方法及装置 |
CN113470359A (zh) * | 2021-07-13 | 2021-10-01 | 合肥工业大学 | 基于5g-v2x的道路大规模拥堵告警方法及系统 |
CN113610059A (zh) * | 2021-09-13 | 2021-11-05 | 北京百度网讯科技有限公司 | 基于区域评估的车辆控制方法、装置和智能交管系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1976296A (zh) * | 2006-12-25 | 2007-06-06 | 北京世纪高通科技有限公司 | 一种实时动态交通信息采集处理发布的方法和系统 |
JP2011138486A (ja) * | 2009-12-28 | 2011-07-14 | Nec (China) Co Ltd | 交差点とセクションに基づくトラフィック情報の処理方法と装置 |
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN103426309A (zh) * | 2013-07-29 | 2013-12-04 | 吉林大学 | 一种基于出租车行驶状态信息判别交通拥堵程度的方法 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
-
2016
- 2016-08-08 CN CN201610645412.XA patent/CN107705551A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1976296A (zh) * | 2006-12-25 | 2007-06-06 | 北京世纪高通科技有限公司 | 一种实时动态交通信息采集处理发布的方法和系统 |
JP2011138486A (ja) * | 2009-12-28 | 2011-07-14 | Nec (China) Co Ltd | 交差点とセクションに基づくトラフィック情報の処理方法と装置 |
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN103426309A (zh) * | 2013-07-29 | 2013-12-04 | 吉林大学 | 一种基于出租车行驶状态信息判别交通拥堵程度的方法 |
CN104484996A (zh) * | 2014-12-18 | 2015-04-01 | 江苏省交通规划设计院股份有限公司 | 一种基于多源数据的路段交通状态判别方法 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110363320A (zh) * | 2018-03-26 | 2019-10-22 | 腾讯大地通途(北京)科技有限公司 | 一种预测估计到达时间的方法、装置和计算设备 |
CN110363320B (zh) * | 2018-03-26 | 2022-06-07 | 腾讯大地通途(北京)科技有限公司 | 一种预测估计到达时间的方法、装置和计算设备 |
CN108550259A (zh) * | 2018-04-19 | 2018-09-18 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108550259B (zh) * | 2018-04-19 | 2020-05-12 | 何澜 | 道路拥堵判断方法、终端设备及计算机可读存储介质 |
CN108513676B (zh) * | 2018-04-25 | 2022-04-22 | 深圳市锐明技术股份有限公司 | 一种路况识别方法、装置及设备 |
CN108513676A (zh) * | 2018-04-25 | 2018-09-07 | 深圳市锐明技术股份有限公司 | 一种路况识别方法、装置及设备 |
CN108682153B (zh) * | 2018-05-31 | 2020-12-29 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN108682153A (zh) * | 2018-05-31 | 2018-10-19 | 重庆大学 | 一种基于rfid电子车牌数据的城市道路交通拥堵状态判别方法 |
CN109035776A (zh) * | 2018-08-23 | 2018-12-18 | 深圳大学 | 一种交通异常检测方法及系统 |
CN109615877A (zh) * | 2018-12-24 | 2019-04-12 | 中国船舶重工集团公司第七0研究所 | 一种红绿灯路口车辆检测器失效的补偿方法 |
CN111613045A (zh) * | 2019-02-25 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 道路通行情况的验证方法及装置 |
CN111613049A (zh) * | 2019-02-26 | 2020-09-01 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
CN111613049B (zh) * | 2019-02-26 | 2022-07-12 | 北京嘀嘀无限科技发展有限公司 | 一种道路状态监测方法以及装置 |
CN111815944B (zh) * | 2019-04-11 | 2022-08-02 | 阿里巴巴集团控股有限公司 | 数据有效性检测方法、装置、电子设备及计算机存储介质 |
CN111815944A (zh) * | 2019-04-11 | 2020-10-23 | 阿里巴巴集团控股有限公司 | 数据有效性检测方法、装置、电子设备及计算机存储介质 |
CN111739322B (zh) * | 2019-05-09 | 2021-11-05 | 腾讯大地通途(北京)科技有限公司 | 数据处理方法及其装置 |
CN111739322A (zh) * | 2019-05-09 | 2020-10-02 | 腾讯大地通途(北京)科技有限公司 | 数据处理方法及其装置 |
CN111737526A (zh) * | 2020-06-08 | 2020-10-02 | 北京奇虎科技有限公司 | 交通路况的查询方法、装置、设备及存储介质 |
CN112990108A (zh) * | 2021-04-19 | 2021-06-18 | 四川省水利科学研究院 | 一种基于卷积神经网络实现堤坝护坡的系统 |
CN113393676A (zh) * | 2021-06-09 | 2021-09-14 | 东北林业大学 | 一种基于无人机视觉和毫米波雷达的交通检测方法及装置 |
CN113470359A (zh) * | 2021-07-13 | 2021-10-01 | 合肥工业大学 | 基于5g-v2x的道路大规模拥堵告警方法及系统 |
CN113470359B (zh) * | 2021-07-13 | 2022-05-10 | 合肥工业大学 | 基于5g-v2x的道路大规模拥堵告警方法及系统 |
CN113610059A (zh) * | 2021-09-13 | 2021-11-05 | 北京百度网讯科技有限公司 | 基于区域评估的车辆控制方法、装置和智能交管系统 |
CN113610059B (zh) * | 2021-09-13 | 2023-12-05 | 北京百度网讯科技有限公司 | 基于区域评估的车辆控制方法、装置和智能交管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705551A (zh) | 交通路况的评估方法以及装置 | |
US20200211374A1 (en) | System, method, and apparatus for analyzing a traffic road condition | |
CN107657637B (zh) | 一种农机作业面积获取方法 | |
CN110287276A (zh) | 高精地图更新方法、装置及存储介质 | |
CN105184852B (zh) | 一种基于激光点云的城市道路识别方法及装置 | |
CN104537841B (zh) | 无牌车辆违章检测方法及其检测系统 | |
CN106781479B (zh) | 一种基于手机信令数据实时获取高速公路运行状态的方法 | |
CN107563566B (zh) | 一种基于支持向量机的公交站间运行时间区间预测方法 | |
CN102102992B (zh) | 基于多级网络划分的匹配道路初筛方法及地图匹配系统 | |
CN107036572A (zh) | 一种农机作业面积获取方法及装置 | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
CN102779410B (zh) | 一种多源异类海量交通数据融合的并行实现方法 | |
CN104143194A (zh) | 一种点云分割方法及装置 | |
CN106846806A (zh) | 基于Isolation Forest的城市道路交通异常检测方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN104881996A (zh) | 基于蓝牙技术的实时交通数据采集分析系统 | |
CN107631733A (zh) | 基于浮动车轨迹发现新增道路的方法、装置以及服务器 | |
CN110136442A (zh) | 基于共享单车gps轨迹数据的行人侵占道路行为识别方法 | |
Thiruppathiraj et al. | Automatic pothole classification and segmentation using android smartphone sensors and camera images with machine learning techniques | |
CN111160132B (zh) | 障碍物所在车道的确定方法、装置、电子设备和存储介质 | |
Kandoi et al. | Pothole detection using accelerometer and computer vision with automated complaint redressal | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
Choudhry et al. | Inferring truck activities using privacy-preserving truck trajectories data | |
CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
CN111709357B (zh) | 识别目标区域的方法、装置、电子设备和路侧设备 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 1250832 Country of ref document: HK |
|
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |