CN111540196A - 基于高点视频的车流量预警方法、设备、存储介质及装置 - Google Patents
基于高点视频的车流量预警方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN111540196A CN111540196A CN202010217500.6A CN202010217500A CN111540196A CN 111540196 A CN111540196 A CN 111540196A CN 202010217500 A CN202010217500 A CN 202010217500A CN 111540196 A CN111540196 A CN 111540196A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- information
- early warning
- point video
- sequence information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
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
-
- 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
-
- 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
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车流量预警技术领域，公开了一种基于高点视频的车流量预警方法、设备、存储介质及装置。本发明在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；提取所述当前车流量序列信息的时间基线信息；根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息，从而通过聚类和时间基线进行划分，减少当前车流量信息之间的差异，并通过预设车流量预测模型对所述分割后的车流量序列信息进行预测，提高预测的精度。
Description
技术领域
本发明涉及车流量预警技术领域，尤其涉及基于高点视频的车流量预警方法、设备、存储介质及装置。
背景技术
随着城市的发展，人类社会也随之进行高速发展，道路上通行的车辆也越来越多，为了适应社会的发展，在人们行驶在道路上时，需要实时提供当前的交通路况对驾驶者进行提醒；
目前，主要采用在道路上架设特定摄像机，监控路段的交通状况，采用特定摄像机的图像传感器采集道路上各个车道通行的车辆或者通过车流量传感器，从而得到当前道路的车流量信息；
但是，仅仅通过图像传感器或者车流量传感器只是初步估计当前路段的车流量信息，忽略了道路突发状况各个因素的影响，从而容易造成较大的误差。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供基于高点视频的车流量预警方法、设备、存储介质及装置，旨在解决如何提高基于高点视频的车流量预警的准确性。
为实现上述目的，本发明提供一种基于高点视频的车流量预警方法，所述基于高点视频的车流量预警方法包括以下步骤：
在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；
将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；
提取所述当前车流量序列信息的时间基线信息；
根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；
通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息。
优选地，所述将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息，包括：
从所述当前车流量信息中选择预设个当前车流量信息作为聚簇中心；
根据其他车流量信息与所述聚簇中心的距离将所述其他车流量信息进行划分，将所述其他车流量信息聚类至所述聚簇中心；
获取划分后的聚簇中心，判断所述划分后的聚簇中心是否改变，在所述划分后的聚簇中心未改变时，得到当前车流量序列信息。
优选地，所述提取所述当前车流量序列信息的时间基线信息，包括：
获取当前车流量序列信息的时间信息和簇集质量信息；
根据所述时间信息和簇集质量信息采用以下公式得到时间基线信息：
其中，
表示时间基线信息，tw表示当前车流量序列信息的时间信息，mw表示簇集质量信息，w表示当前簇集，k表示簇集的个数信息。
优选地，所述通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息，包括：
选取所述分割后的车流量序列信息中的第一训练集、第二训练集以及测试集；
根据所述第一训练集基于卷积神经网络训练得到所述预设车流量预测模型的隐含层输出矩阵；
根据所述第二训练集训练得到所述预设车流量预测模型的隐含层与输出层之间的连接权值；
根据所述隐含层输出矩阵与连接权值建立预设车流量预测模型；
通过所述预设车流量预测模型对所述测试集进行车流量预测，得到目标车流量信息。
优选地，所述根据所述第一训练集基于卷积神经网络训练得到所述预设车流量预测模型的隐含层输出矩阵，包括：
获取所述卷积神经网络的输入层到隐含层的基础连接权值以及隐含层神经元的阈值；
根据所述第二训练集对所述输入层到隐含层的基础连接权值以及隐含层神经元的基础阈值进行训练，得到所述输入层到隐含层的目标连接权值以及隐含层神经元的目标阈值；
根据所述第二训练集、输入层到隐含层的目标连接权值以及隐含层神经元的目标阈值计算得到隐含层输出矩阵。
优选地，所述根据所述第二训练集得到所述预设车流量预测模型的隐含层与输出层之间的连接权值，包括：
获取所述隐含层输出矩阵的广义逆以及所述第二训练集的转置；
根据所述隐含层输出矩阵的广义逆以及所述第二训练集的转置计算得到所述预设车流量预测模型的隐含层与输出层之间的连接权值。
优选地，所述通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息之后，所述方法还包括：
获取目标时间对应的车流量限制信息；
将所述车流量限制信息与所述目标车流量信息进行比较，在所述目标车流量信息超过所述车流量限制信息时，展示车流量拥堵的预警信息。
此外，为实现上述目的，本发明还提出一种基于高点视频的车流量预警设备，所述基于高点视频的车流量预警设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行基于高点视频的车流量预警程序，所述基于高点视频的车流量预警程序被所述处理器执行时实现如上文所述的基于高点视频的车流量预警方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有基于高点视频的车流量预警程序，所述基于高点视频的车流量预警程序被处理器执行时实现如上文所述的基于高点视频的车流量预警方法的步骤。
此外，为实现上述目的，本发明还提出一种基于高点视频的车流量预警装置，所述基于高点视频的车流量预警装置包括：
获取模块，用于在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；
聚类模块，用于将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；
提取模块，用于提取所述当前车流量序列信息的时间基线信息；
分割模块，用于根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；
预测模块，用于通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息。
本发明提供的技术方案，通过在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；提取所述当前车流量序列信息的时间基线信息；根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息，从而通过聚类和时间基线进行划分，减少当前车流量信息之间的差异，并通过预设车流量预测模型对所述分割后的车流量序列信息进行预测，提高预测的精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于高点视频的车流量预警设备结构示意图；
图2为本发明基于高点视频的车流量预警方法第一实施例的流程示意图；
图3为本发明基于高点视频的车流量预警方法第二实施例的流程示意图；
图4为本发明基于高点视频的车流量预警方法第三实施例的流程示意图；
图5为本发明基于高点视频的车流量预警装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于高点视频的车流量预警设备结构示意图。
如图1所示，该基于高点视频的车流量预警设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口以及无线接口，而用户接口1003的有线接口在本发明中可为通用串行总线(Universal Serial Bus，USB)接口。网络接口1004可选的可以包括标准的有线接口以及无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory，RAM)；也可以是稳定的存储器，比如，非易失存储器(Non-volatile Memory)，具体可为，磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于高点视频的车流量预警设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于高点视频的车流量预警程序。
在图1所示的基于高点视频的车流量预警设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接外设；所述基于高点视频的车流量预警设备通过处理器1001调用存储器1005中存储的基于高点视频的车流量预警程序，并执行本发明实施例提供的基于高点视频的车流量预警方法。
基于上述硬件结构，提出本发明基于高点视频的车流量预警方法的实施例。
参照图2，图2为本发明基于高点视频的车流量预警方法第一实施例的流程示意图。
在第一实施例中，所述基于高点视频的车流量预警方法包括以下步骤：
步骤S10：在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息。
需要说明的是，本实施例的执行主体为基于高点视频的车流量预警设备，还可为其他可实现相同或相似功能的设备，例如基于高点视频的车流量预警服务器等，本实施例对此不作限制，在本实施例中，以基于高点视频的车流量预警服务器为例进行说明。
在具体实现中，主要采用在高层建筑物、桥梁以及铁塔等位置的特定摄像机，监控道路、桥梁以及立交等路段，采用特定摄像机的图像传感器和嵌入式多媒体处理机以及集成软件，从高而下的对区域道路与单位时间内通过的车辆进行视频采集，采集道路上各个车道通行的车辆，并由中心系统进行统计与分析处理，得出单位时间内当前道路车辆通过的数量、通行速度以及道路拥堵的状态，并通过中心系统中的基于高点视频的车流量预警服务器进行预测，得到未来预设时间内的目标车流量信息，其中，所述预设时间段可为24小时，还可为其他参数信息，本实施例对此并不限制。
步骤S20：将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息。
可以理解的是，由于当前车流量信息之间具有差异性，通过将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息，根据当前车流量序列信息可得到一组时间基线，可通过时间基线对所述当前车流量序列信息进行划分，保证了划分后的当前车流量序列之间的相似性，减小差异性带来的高误差，可将当前车流量序列信息表示为t1，t2，...，tk。
在具体实现中，可通过K-means聚类算法进行聚类，得到当前车流量序列信息，还可其他算法进行聚类，本实施例对此不作限制，在本实施例中，以K-means聚类算法进行聚类为例进行说明。
步骤S30：提取所述当前车流量序列信息的时间基线信息。
由于所述当前车流量序列信息为按照时间顺序排列的数据，通过时间基线信息可将所述当前车流量序列信息分割为k段，从而实现对所述当前车流量序列信息的精确分析。
步骤S40：根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息。
需要说明的是，所述分割后的车流量序列信息记为D1，D2，...，Dk，即利用时间基线信息对所述当前车流量序列信息进行分割，得到各个分割后的车流量序列信息，例如所述当前车流量信息为S(n)时，得到时间基线为
通过时间基线对所述当前车流量信息进行划分，得到当前车流量序列信息D1，D2，...，Dk。
步骤S50：通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息。
在本实施例中，所述预设车流量预测模型为通过极限学习机神经网络模型训练得到的，还可通过其他可实现相同或相似功能的模型进行训练得到的，本实施例对此不作限制，本实施例中以极限学习机神经网络模型为例进行说明。
本实施例通过上述方案，通过在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；提取所述当前车流量序列信息的时间基线信息；根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息，从而通过聚类和时间基线进行划分，减少当前车流量信息之间的差异，并通过预设车流量预测模型对所述分割后的车流量序列信息进行预测，提高预测的精度。
参照图3，图3为本发明基于高点视频的车流量预警方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明基于高点视频的车流量预警方法的第二实施例。
第二实施例中，所述步骤S20，包括：
步骤S201，从所述当前车流量信息中选择预设个当前车流量信息作为聚簇中心。
需要说明的是，所述预设个当前车流量信息可为选取k个当前车流量信息作为聚簇中心，然后聚类后再获取聚类后的聚簇中心，通过不断计算聚类中心得到最佳的聚簇中心，从而实现对当前车流量信息的聚类。
步骤S202，根据其他车流量信息与所述聚簇中心的距离将所述其他车流量信息进行划分，将所述其他车流量信息聚类至所述聚簇中心。
在本实施例中，为不断循环寻找新的聚簇中心，根据其他车流量信息与所述聚簇中心的距离将所述其他车流量信息进行划分，将所述其他车流量信息聚类至所述聚簇中心。
步骤S203，获取划分后的聚簇中心，判断所述划分后的聚簇中心是否改变，在所述划分后的聚簇中心未改变时，得到当前车流量序列信息。
在本实施例中，所述判断所述划分后的聚簇中心是否改变为判断划分后的聚簇中心与上一次划分的聚簇中心距离是否发生变化，如果不发生变化，则表示划分后的聚簇中心为最佳的聚簇中心，不需要再进行划分，在这个时刻划分后聚簇中心为最终的聚簇中心，得到当前车流量序列信息，从而提高车流量信息处理的效率。
进一步地，提取所述当前车流量序列信息的时间基线信息，包括：
获取当前车流量序列信息的时间信息和簇集质量信息；根据所述时间信息和簇集质量信息采用以下公式得到时间基线信息：
其中，
表示时间基线信息，tw表示当前车流量序列信息的时间信息，mw表示簇集质量信息，w表示当前簇集，k表示簇集的个数信息。
本实施例通过上述方案，通过将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息，根据当前车流量序列信息可得到一组时间基线，可通过时间基线对所述当前车流量序列信息进行划分，保证了划分后的当前车流量序列之间的相似性，减小差异性带来的高误差。
参照图4，图4为本发明基于高点视频的车流量预警方法第三实施例的流程示意图，基于第一实施例或第二实施例提出本发明基于高点视频的车流量预警方法的第三实施例，在本实施例中，基于第一实施例进行说明。
第三实施例中，所述步骤S50，包括：
步骤S501，选取所述分割后的车流量序列信息中的第一训练集、第二训练集以及测试集。
需要说明的是，所述第一训练集和第二训练集作为训练集进行模型训练，从而更符合当前车流量的实际行驶状态，其中，可将所述分割后的车流量序列信息中的前5个时间单位的车流量序列信息作为第一训练集，将所述分割后的车流量序列信息中的第6个时间单位的车流量序列信息作为第二训练集以及将所述分割后的车流量序列信息中剩下的分割后的车流量序列信息作为测试集，从而实现对分割后的车流量序列信息的处理。
步骤S502，根据所述第一训练集基于卷积神经网络训练得到所述预设车流量预测模型的隐含层输出矩阵。
为了建立符合当前车流量的实际行驶状态的预设车流量预测模型，首先需要得到隐含层输出矩阵以及隐含层与输出层之间的连接权值，通过隐含层输出矩阵以及隐含层与输出层之间的连接权值从而实现对预设车流量预测模型的建立，在本实施例中，所述隐含层输出矩阵用H表示。
步骤S503，根据所述第二训练集训练得到所述预设车流量预测模型的隐含层与输出层之间的连接权值。
同理，为了建立符合当前车流量的实际行驶状态的预设车流量预测模型，根据所述第二训练集训练得到所述预设车流量预测模型的隐含层与输出层之间的连接权值，从而实现对预设车流量预测模型的建立，在本实施例中，所述预设车流量预测模型的隐含层与输出层之间的连接权值用K表示。
步骤S504，根据所述隐含层输出矩阵与连接权值建立预设车流量预测模型。
步骤S505，通过所述预设车流量预测模型对所述测试集进行车流量预测，得到目标车流量信息。
进一步地，所述步骤S502，包括：
获取所述卷积神经网络的输入层到隐含层的基础连接权值以及隐含层神经元的阈值，根据所述第二训练集对所述输入层到隐含层的基础连接权值以及隐含层神经元的基础阈值进行训练，得到所述输入层到隐含层的目标连接权值以及隐含层神经元的目标阈值，根据所述第二训练集、输入层到隐含层的目标连接权值以及隐含层神经元的目标阈值计算得到隐含层输出矩阵。
在本实施例中，所述输入层到隐含层的目标连接权值表示为w，以及隐含层神经元的目标阈值表示为b，其中，所述目标阈值还可根据实际需求进行灵活调整，本实施例对此并不限制。
进一步地，所述步骤S503，包括：
获取所述隐含层输出矩阵的广义逆以及所述第二训练集的转置；根据所述隐含层输出矩阵的广义逆以及所述第二训练集的转置计算得到所述预设车流量预测模型的隐含层与输出层之间的连接权值。
进一步地，所述步骤S502之后，所述方法还包括：
获取目标时间对应的车流量限制信息；将所述车流量限制信息与所述目标车流量信息进行比较，在所述目标车流量信息超过所述车流量限制信息时，展示车流量拥堵的预警信息。
在本实施例中，通过将所述车流量限制信息与所述目标车流量限制信息进行比较，在所述目标车流量信息超过所述车流量限制信息时，展示车流量拥堵的预警信息，从而实现车流量监测设备的智能化，例如所述目标时间为早上7:00-8:00的车流量限制信息为A，所述目标车流量信息为B时，在所述目标车流量信息超过所述车流量限制信息时，则进行相应的预警。
本实施例通过上述方案，通过得到隐含层输出矩阵以及隐含层与输出层之间的连接权值，以及通过隐含层输出矩阵以及隐含层与输出层之间的连接权值从而实现对预设车流量预测模型的建立，使预设车流量预测模型更符合当前车流量的实际行驶状态，从而提高预设车流量预测模型预测的精度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有基于高点视频的车流量预警程序，所述基于高点视频的车流量预警程序被处理器执行时实现如上文所述的基于高点视频的车流量预警方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图5，本发明实施例还提出一种基于高点视频的车流量预警装置，所述基于高点视频的车流量预警装置包括：
获取模块10，用于在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息。
在具体实现中，主要采用在高层建筑物、桥梁以及铁塔等位置的特定摄像机，监控道路、桥梁以及立交等路段，采用特定摄像机的图像传感器和嵌入式多媒体处理机以及集成软件，从高而下的对区域道路与单位时间内通过的车辆进行视频采集，采集道路上各个车道通行的车辆，并由中心系统进行统计与分析处理，得出单位时间内当前道路车辆通过的数量、通行速度以及道路拥堵的状态，并通过中心系统中的基于高点视频的车流量预警服务器进行预测，得到未来预设时间内的目标车流量信息，其中，所述预设时间段可为24小时，还可为其他参数信息，本实施例对此并不限制。
聚类模块20，用于将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息。
可以理解的是，由于当前车流量信息之间具有差异性，通过将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息，根据当前车流量序列信息可得到一组时间基线，可通过时间基线对所述当前车流量序列信息进行划分，保证了划分后的当前车流量序列之间的相似性，减小差异性带来的高误差，可将当前车流量序列信息表示为t1，t2，...，tk。
在具体实现中，可通过K-means聚类算法进行聚类，得到当前车流量序列信息，还可其他算法进行聚类，本实施例对此不作限制，在本实施例中，以K-means聚类算法进行聚类为例进行说明。
提取模块30，用于提取所述当前车流量序列信息的时间基线信息。
由于所述当前车流量序列信息为按照时间顺序排列的数据，通过时间基线信息可将所述当前车流量序列信息分割为k段，从而实现对所述当前车流量序列信息的精确分析。
分割模块40，用于根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息。
需要说明的是，所述分割后的车流量序列信息记为D1，D2，...，Dk，即利用时间基线信息对所述当前车流量序列信息进行分割，得到各个分割后的车流量序列信息，例如所述当前车流量信息为S(n)时，得到时间基线为
通过时间基线对所述当前车流量信息进行划分，得到当前车流量序列信息D1，D2，...，Dk。
预测模块50，用于通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息。
在本实施例中，所述预设车流量预测模型为通过极限学习机神经网络模型训练得到的，还可通过其他可实现相同或相似功能的模型进行训练得到的，本实施例对此不作限制，本实施例中以极限学习机神经网络模型为例进行说明。
本实施例通过上述方案，通过在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；提取所述当前车流量序列信息的时间基线信息；根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息，从而通过聚类和时间基线进行划分，减少当前车流量信息之间的差异，并通过预设车流量预测模型对所述分割后的车流量序列信息进行预测，提高预测的精度。
本发明所述基于高点视频的车流量预警装置采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图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他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于高点视频的车流量预警方法，其特征在于，所述基于高点视频的车流量预警方法包括以下步骤：
在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；
将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；
提取所述当前车流量序列信息的时间基线信息；
根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；
通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息。
2.如权利要求1所述的基于高点视频的车流量预警方法，其特征在于，所述将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息，包括：
从所述当前车流量信息中选择预设个当前车流量信息作为聚簇中心；
根据其他车流量信息与所述聚簇中心的距离将所述其他车流量信息进行划分，将所述其他车流量信息聚类至所述聚簇中心；
获取划分后的聚簇中心，判断所述划分后的聚簇中心是否改变，在所述划分后的聚簇中心未改变时，得到当前车流量序列信息。
3.如权利要求1所述的基于高点视频的车流量预警方法，其特征在于，所述提取所述当前车流量序列信息的时间基线信息，包括：
获取当前车流量序列信息的时间信息和簇集质量信息；
根据所述时间信息和簇集质量信息采用以下公式得到时间基线信息：
其中，
表示时间基线信息，tw表示当前车流量序列信息的时间信息，mw表示簇集质量信息，w表示当前簇集，k表示簇集的个数信息。
4.如权利要求1至3中任一项所述的基于高点视频的车流量预警方法，其特征在于，所述通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息，包括：
选取所述分割后的车流量序列信息中的第一训练集、第二训练集以及测试集；
根据所述第一训练集基于卷积神经网络训练得到所述预设车流量预测模型的隐含层输出矩阵；
根据所述第二训练集训练得到所述预设车流量预测模型的隐含层与输出层之间的连接权值；
根据所述隐含层输出矩阵与连接权值建立预设车流量预测模型；
通过所述预设车流量预测模型对所述测试集进行车流量预测，得到目标车流量信息。
5.如权利要求4所述的基于高点视频的车流量预警方法，其特征在于，所述根据所述第一训练集基于卷积神经网络训练得到所述预设车流量预测模型的隐含层输出矩阵，包括：
获取所述卷积神经网络的输入层到隐含层的基础连接权值以及隐含层神经元的阈值；
根据所述第二训练集对所述输入层到隐含层的基础连接权值以及隐含层神经元的基础阈值进行训练，得到所述输入层到隐含层的目标连接权值以及隐含层神经元的目标阈值；
根据所述第二训练集、输入层到隐含层的目标连接权值以及隐含层神经元的目标阈值计算得到隐含层输出矩阵。
6.如权利要求5所述的基于高点视频的车流量预警方法，其特征在于，所述根据所述第二训练集得到所述预设车流量预测模型的隐含层与输出层之间的连接权值，包括：
获取所述隐含层输出矩阵的广义逆以及所述第二训练集的转置；
根据所述隐含层输出矩阵的广义逆以及所述第二训练集的转置计算得到所述预设车流量预测模型的隐含层与输出层之间的连接权值。
7.如权利要求1至3中任一项所述的基于高点视频的车流量预警方法，其特征在于，所述通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息之后，所述方法还包括：
获取目标时间对应的车流量限制信息；
将所述车流量限制信息与所述目标车流量信息进行比较，在所述目标车流量信息超过所述车流量限制信息时，展示车流量拥堵的预警信息。
8.一种基于高点视频的车流量预警设备，其特征在于，所述基于高点视频的车流量预警设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行基于高点视频的车流量预警程序，所述基于高点视频的车流量预警程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于高点视频的车流量预警方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有基于高点视频的车流量预警程序，所述基于高点视频的车流量预警程序被处理器执行时实现如权利要求1至7中任一项所述的基于高点视频的车流量预警方法的步骤。
10.一种基于高点视频的车流量预警装置，其特征在于，所述基于高点视频的车流量预警装置包括：
获取模块，用于在接收到车流量预警指令时，从高点视频中获取预设时间段内的当前车流量信息；
聚类模块，用于将所述当前车流量信息按照时间顺序进行聚类，得到当前车流量序列信息；
提取模块，用于提取所述当前车流量序列信息的时间基线信息；
分割模块，用于根据所述时间基线信息对所述当前车流量序列信息进行分割，得到多个分割后的车流量序列信息；
预测模块，用于通过预设车流量预测模型对所述分割后的车流量序列信息进行车流量预测，得到目标车流量信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010217500.6A CN111540196A (zh) | 2020-03-25 | 2020-03-25 | 基于高点视频的车流量预警方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010217500.6A CN111540196A (zh) | 2020-03-25 | 2020-03-25 | 基于高点视频的车流量预警方法、设备、存储介质及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111540196A true CN111540196A (zh) | 2020-08-14 |
Family
ID=71978761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010217500.6A Pending CN111540196A (zh) | 2020-03-25 | 2020-03-25 | 基于高点视频的车流量预警方法、设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111540196A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705726A (zh) * | 2021-09-15 | 2021-11-26 | 北京沃东天骏信息技术有限公司 | 流量的分类方法、装置、电子设备及计算机可读介质 |
| CN115578861A (zh) * | 2022-10-14 | 2023-01-06 | 东南大学 | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
| EP3611710A1 (de) * | 2018-08-15 | 2020-02-19 | Aurelius Bernet | Verkehrsflusssimulator |
-
2020
- 2020-03-25 CN CN202010217500.6A patent/CN111540196A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310474A (zh) * | 2018-05-14 | 2019-10-08 | 桂林远望智能通信科技有限公司 | 一种基于时空残差网络的车流量预测方法及装置 |
| EP3611710A1 (de) * | 2018-08-15 | 2020-02-19 | Aurelius Bernet | Verkehrsflusssimulator |
Non-Patent Citations (3)
| Title |
|---|
| 李莎等: "《基于TFPCM与随机模型的交通滞留量预测》", 《计算机工程》 * |
| 李钦铭: "《面向智能交通的交叉路口车流量预测技术研究》", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 芮兰兰等: "《基于组合模型的短时交通流量预测算法》", 《电子与信息学报》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113705726A (zh) * | 2021-09-15 | 2021-11-26 | 北京沃东天骏信息技术有限公司 | 流量的分类方法、装置、电子设备及计算机可读介质 |
| CN115578861A (zh) * | 2022-10-14 | 2023-01-06 | 东南大学 | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 |
| CN115578861B (zh) * | 2022-10-14 | 2023-10-10 | 东南大学 | 一种基于嵌入式特征选择策略的高速公路交通流预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110364008B (zh) | 路况确定方法、装置、计算机设备和存储介质 | |
| WO2020248386A1 (zh) | 视频分析方法、装置、计算机设备及存储介质 | |
| CN110874362A (zh) | 一种数据关联分析方法及装置 | |
| JP2021179971A (ja) | 小目標を検出するための方法及び装置、電子デバイス、コンピュータ可読記憶媒体及びコンピュータプログラム | |
| US20180124319A1 (en) | Method and apparatus for real-time traffic information provision | |
| EP3367062B1 (en) | System and method for driver profiling corresponding to an automobile trip | |
| CN105493502A (zh) | 视频监控方法、视频监控系统以及计算机程序产品 | |
| CN103517042A (zh) | 一种养老院老人危险行为监测方法 | |
| CN111540196A (zh) | 基于高点视频的车流量预警方法、设备、存储介质及装置 | |
| CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| CN110838230B (zh) | 一种移动视频监控方法、监控中心及系统 | |
| WO2021169174A1 (zh) | 道路拥堵程度预测方法、装置、计算机设备及可读存储介质 | |
| CN111723835A (zh) | 车辆移动轨迹区分方法、装置和电子设备 | |
| CN110738169B (zh) | 车流量监测方法、装置、设备及计算机可读存储介质 | |
| CN105678268B (zh) | 一种基于双区域学习的地铁站场景行人计数实现方法 | |
| CN112132037A (zh) | 基于人工智能的人行道检测方法、装置、设备及介质 | |
| CN113255440B (zh) | 一种基于机器学习的农作物叶片异常检测方法及系统 | |
| CN113869269B (zh) | 活动现场拥挤度检测方法、装置、电子设备及存储介质 | |
| CN116091964A (zh) | 高位视频场景解析方法以及系统 | |
| CN109543610A (zh) | 车辆检测跟踪方法、装置、设备及存储介质 | |
| CN112434601B (zh) | 基于行车视频的车辆违法检测方法、装置、设备及介质 | |
| CN114882115A (zh) | 车辆位姿的预测方法和装置、电子设备和存储介质 | |
| CN114219788A (zh) | 一种基于视频的积水检测方法 | |
| CN111860661A (zh) | 基于用户行为的数据分析方法、装置、电子设备及介质 | |
| CN118155424B (zh) | 基于数据交互实现高速公路的道路安全管理方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200814 |
|
| RJ01 | Rejection of invention patent application after publication |