CN111814648A - 一种站口拥堵情况确定方法、装置、设备及存储介质 - Google Patents
一种站口拥堵情况确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111814648A CN111814648A CN202010624265.4A CN202010624265A CN111814648A CN 111814648 A CN111814648 A CN 111814648A CN 202010624265 A CN202010624265 A CN 202010624265A CN 111814648 A CN111814648 A CN 111814648A
- Authority
- CN
- China
- Prior art keywords
- passing
- station
- target
- determining
- 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
Images
Classifications
-
- 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
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种站口拥堵情况确定方法、装置、设备及存储介质,涉及电子地图、智能交通和人工智能技术中的深度学习领域。具体实现方案为:根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据;根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。本申请实施例通过轨迹数据中各通行目标的出现时刻和进站时刻,对通行站口的拥堵情况进行映射,从而实现了通行站口的拥堵情况的自动化确定,无需用户人为观察并对拥堵情况进行判定。另外,通过出现时刻和进站时刻对通行站口的拥堵情况进行映射,为拥堵情况的确定提供了有效的数据支撑,从而提高了拥堵情况确定结果的准确度。
Description
技术领域
本申请涉及智慧城市技术领域,尤其涉及电子地图、智能交通和人工智能技术中的深度学习领域,具体涉及一种站口拥堵情况确定方法、装置、设备及存储介质。
背景技术
随着人口数量的增加以及人类活动区域的不断扩大,用户通过乘坐地铁、火车或汽车等交通工具在城市内或城市间的流动越来越频繁,导致在诸如地铁站、火车站、汽车站或高速收费站等关键交通节点,时常会出现拥堵情况。
交通节点通常会设置有至少两个进站口和/或至少两个出站口,用于促进人员或车辆流动。用户通常会通过观察各站口的人员或车辆的密集情况,人为进行站口拥堵情况的确定。
发明内容
本申请提供了一种准确度更高,且能自动化实现的站口拥堵情况确定方法、装置、设备及存储介质。
根据本申请的一方面,提供了一种站口拥堵情况确定方法,包括:
根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据;
根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定所述通行站口的拥堵情况。
根据本申请的另一方面,提供了一种站口拥堵情况确定装置,包括:
轨迹数据确定模块,用于根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据;
拥堵情况确定模块,用于根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定所述通行站口的拥堵情况。
根据本申请的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本申请实施例提供的任意一种站口拥堵情况确定方法。
根据本申请的再一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本申请实施例提供的任意一种站口拥堵情况确定方法。
根据本申请的技术实现了对通行站口的拥堵情况的自动化确定,并提高了拥堵情况确定结果的准确度。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种站口拥堵情况确定方法的流程图;
图2是本申请实施例提供的另一种站口拥堵情况确定方法的流程图;
图3是本申请实施例提供的另一种站口拥堵情况确定方法的流程图;
图4A是本申请实施例提供的另一种站口拥堵情况确定方法的流程图;
图4B为向行程规划状态的监测用户进行最终规划路线反馈时的反馈结果示意图;
图4C为向导航状态的监测用户进行导航路线反馈时的切换指令生成结果示意图;
图5是本申请实施例提供的一种站口拥堵情况确定装置的结构图;
图6是用来实现本申请实施例的站口拥堵情况确定方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本申请实施例所提供的各站口拥堵情况确定方法和站口拥堵情况确定装置,适用于对交通节点中所包含的诸如进站口或出站口等通行站口的拥堵情况进行自动化确定的应用场景中。本申请实施例所提供的站口拥堵情况确定方法,由站口拥堵情况确定装置执行,该装置采用软件和/或硬件实现,并具体配置于电子设备中。
图1是本申请实施例提供的一种站口拥堵情况确定方法的流程图,该方法,包括:
S101、根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据。
其中,通行站口可以理解为交通节点中供通行目标通过的出入站口。示例性地,交通节点可以是火车站、汽车站、地铁站或高速收费站等。示例性地,通行目标可以是通行行人或通行车辆等。
可选的,通行站口的视频数据可以存储在电子设备本地或电子设备所关联的其他存储设备;相应的,在确定通行目标的轨迹数据时,根据通行站口的站口标识,从电子设备本地或与电子设备关联的存储设备中,进行视频数据的获取,进而根据获取的视频数据,确定视频数据中各通行目标的轨迹数据。
或者可选的,为了保证后续所确定的站口拥堵情况的时效性,还可以实时或定时从通行站口所设置的采集设备中进行视频数据的获取,进而根据获取的视频数据,确定视频数据中各通行目标的轨迹数据。
示例性地,可以根据通行站口的视频数据,确定视频中所包含的各通行目标,并追踪各通行目标的行动轨迹,作为轨迹数据。
S102、根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。
示例性地,针对每个通行目标的轨迹数据,确定该通行目标在视频数据中首次出现的时刻,并将该时刻作为出现时刻;以及,确定该通行目标位于通行站口附近时的时刻,并将该时刻作为进站时刻;根据各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。
可选的,确定该通行目标位于通行站口附近时的时刻,并将该时刻作为进站时刻,可以是:确定轨迹数据中各轨迹点与通行站口位置之间的距离差值;将距离差值小于设定距离阈值的时刻作为进站时刻。其中,设定距离阈值可以由技术人员根据需要或经验值进行确定,还可以通过大量试验反复确定。
由于视频数据中并不是所有通行目标都存在进站时刻,为了避免由于对大量未实际通过通行站口的通行目标的进站时刻和出现时刻的确定,带来的计算资源的浪费,在本申请实施例的一种可选实施方式中,还可以在根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况之前,根据视频数据,确定各通行目标的实际进站结果;根据轨迹数据和各通行目标的实际进站结果,确定各实际进站的通行目标的出现时刻和进站时刻。相应的,根据各实际进站的通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。
在本申请实施例的一种可选实施方式中,根据视频数据,确定各所述通行目标的实际进站结果,可以是:确定轨迹数据中各轨迹点与通行站口位置之间的距离差值;将距离差值小于设定距离阈值时在视频数据中的时刻作为进站时刻。
由于视频数据由二维的图片帧按照采集时刻组合生成,因此估计数据中各轨迹点的位置和通行站口位置均以二维坐标的形式存在,仅通过轨迹点与通行站口位置之间的距离,确定该通行用户是否位于通行站口的准确度较低,从而导致进站时刻的确定结果不准确的情况,进而影响了通行站口的拥堵情况确定结果的准确度。为了保证后续通行站口的拥堵情况确定结果的准确度,在本申请实施例的一种可选实施方式中,根据视频数据,确定各通行目标的实际进站结果,还可以通过深度学习模型加以确定。示例性地,抽取视频数据中的图片帧序列;将图片帧序列输入至预先训练好的行人进站判断模型,得到各帧图片中包含的各通行目标的实际进站类别;其中,实际进站类别包括进站和未进站。
可选的,行人进站模型可以采用以下方式训练得到:对样本视频进行抽帧处理,得到样本图片帧序列;将预先标注好样本行人进站结果的样本图片帧序列作为训练样本,输入至深度学习分类模型中,以对该模型的网络参数进行优化调整。示例性地,深度学习分类模型可以是ResNet(Deepresidual network,深度残差网络)模型。
需要说明的是,行人进站模型的训练过程和使用过程可以采用相同或不同的电子设备执行。
示例性地,将各通行目标的出现时刻和进站时刻作为通行站口的拥堵情况的参照依据,可以是:确定各通行目标的进站时刻和出现时刻之间的时间差,根据各通行目标的时间差,确定通行站口的拥堵情况。
示例性地,根据各通行目标的时间差,确定通行站口的拥堵情况,可以是:统计时间差大于设定时间差阈值的统计数量;根据该统计数量,确定通行站口的拥堵情况。其中,设定时间差阈值由技术人员根据需要或经验值进行确定。
可选的,根据该统计数量,确定通行站口的拥堵情况,可以是:若该统计数量大于设定数量阈值,则确定通行站口的拥堵等级,以实现对通行站口的拥堵情况的定性确定;或者可选的,直接将该统计数量作为通行站口的拥堵量化数据,从而实现对通行站口的拥堵情况进行定量确定;或者可选的,将统计数量与视频数据中包含的通行目标的总数量的比值,作为通行站口的拥堵量化数据,从而实现对通行站口的拥堵情况进行定量确定。其中,设定数量阈值可以由技术人员根据需要或经验值进行确定。
可选的,在实现对通行站口的拥堵情况的定性确定时,设定数量阈值可以设置为一个,从而实现对通行站口的拥堵和不拥堵两个等级的划分;或者可选的,设定数量阈值还可以设置为至少两个,从而实现对通行站口进行至少三个拥堵等级的划分。
需要说明的是,在确定通行站口的拥堵情况时,可以根据视频数据中所有通行目标的出现时刻和进站时刻进行确定;还可以根据设定时间长度,对视频数据进行截取,并根据所截取的时间段内的视频数据对应的轨迹数据中各通行目标的出现时刻和进站时刻,进行通信站口的拥堵情况的确定。其中,设定时间长度可以由技术人员根据需要或经验值进行确定,还可以通过大量试验反复确定。
本申请实施例通过根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据;根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。上述技术方案通过轨迹数据中各通行目标的出现时刻和进站时刻,表征通行目标进入通行站口的情况,并引入通行目标的出现时刻和进站时刻,对通行站口的拥堵情况进行映射,从而实现了通行站口的拥堵情况的自动化确定,无需用户人为观察并对拥堵情况进行判定。另外,通过出现时刻和进站时刻对通行站口的拥堵情况进行映射,为拥堵情况的确定提供了有效的数据支撑,从而提高了拥堵情况确定结果的准确度。
图2是本申请实施例提供的另一种站口拥堵情况确定方法的流程图,该方法在上述各技术方案的基础上,进行了优化改进。
进一步地,将操作“根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据”,细化为“根据通行站口的视频数据,确定视频数据中各通行目标的位置信息;根据视频数据和各通行目标的位置信息,确定各通行目标的轨迹数据”,以完善通行目标的轨迹数据确定机制。
如图2所示的一种站口拥堵情况确定方法,包括:
S201、根据通行站口的视频数据,确定视频数据中各通行目标的位置信息。
示例性地,可以对通行站口的视频数据进行抽帧处理,得到至少一个图片帧;针对各图片帧,提取该图片帧中通行目标所关联的感兴趣区域,并确定各感兴趣区域的位置信息,从而实现对视频数据中各通行目标的定位。其中,抽帧处理的抽帧频率可以由技术人员根据需要或经验值进行确定。
示例性地,针对各图片帧,提取该图片帧中通行目标所关联的感兴趣区域,可以是根据通行目标的通用特性,进行通行目标所关联的感兴趣区域的识别。示例性地,若通行目标为通行车辆,则通行目标的通用特性可以是车牌在车辆中的位置;若通行目标为通行行人,则通行目标的通用特性可以是人脸结构比例,或人体外形结构比例等。
为了提高通行目标的位置信息的确定结果准确度,可选的,还可以采用机器学习模型或深度学习模型,对通行站口的视频数据进行处理,确定视频数据中各通行目标的位置信息。示例性地,可以抽取视频数据中的图片帧序列;将图片帧序列输入至预先训练好的行人检测模型,得到各帧图片中包含的各通行目标的位置信息。
可选的,行人检测模型可以采用以下方式训练得到:对样本视频进行抽帧处理,得到样本图片帧序列;将预先标准好的样本行人位置信息的样本图片帧序列作为训练样本,输入至深度学习检测模型,以对该模型的网络参数进行优化调整。示例性地,深度学习检测模型可以是YOLO(Youonly look once,只看一次)模型。
需要说明的是,行人检测模型的训练过程和使用过程可以采用相同或不同的电子设备执行。
S202、根据视频数据和各通行目标的位置信息,确定各通行目标的轨迹数据。
示例性地,可以根据通行目标的位置信息,对视频数据中的各通行目标进行分类,将相同通行目标的位置信息划分为同一类,并基于同一类别的通行目标的位置信息,生成相应通行目标的轨迹数据。
为了提高轨迹数据的确定效率,在本申请实施例的一个可选实施方式中,还可以采用机器学习模型或深度学习模型,对视频数据和各通行目标的位置信息,确定各通行目标的轨迹数据。示例性地,抽取视频数据中的图片帧序列;将图片帧序列和各通行目标的位置信息,输入至预先训练好的多目标追踪模型,得到各通行目标的轨迹数据。
可选的,多目标追踪模型采用以下方式训练得到:对样本视频进行抽帧处理,得到样本图片帧序列;将预先标准好的各样本行人以及各样本行人的位置信息,以及样本图片帧序列所形成的训练样本,输入至深度学习追踪模型,以对该模型的网络参数进行优化调整。示例性地,深度学习追踪模型可以是Deep SORT(Simple Online and RealtimeTracking with a Deep Association Metric,基于深度关联度量的实时在线跟踪)模型。
需要说明的是,多目标追踪模型的训练过程和使用过程可以采用相同或不同的电子设备执行。
S203、根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。
本申请实施例通过将根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据,细化为根据通行站口的视频数据,确定视频数据中各通行目标的位置信息;根据视频数据和各通行目标的位置信息,确定各通行目标的轨迹数据,从而通过先定位再跟踪的方式,对视频数据中的通行目标的轨迹数据进行确定,完善了轨迹数据的确定机制,并提高了轨迹数据的确定效率和准确度。
图3是本申请实施例提供的另一种站口拥堵情况确定方法的流程图,该方法在上述各技术方案的基础上,进行了优化改进。
进一步地,将操作“根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况”,细化为“根据轨迹数据中各通行目标的出现时刻和进站时刻,确定各通行目标进入通行站口的进站耗时;根据各通行目标的进站耗时,确定通行站口的拥堵情况”,以完善通行站口的拥堵情况确定机制。
如图3所示的一种站口拥堵情况确定方法,包括:
S301、根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据。
S302、根据轨迹数据中各通行目标的出现时刻和进站时刻,确定各通行目标进入通行站口的进站耗时。
示例性地,针对每个通行目标,确定该通行目标的进站时刻和出现时刻的时间差值,并将该时间差值作为通行目标进入通行站口的进站耗时。
S303、根据各通行目标的进站耗时,确定通行站口的拥堵情况。
在本申请实施例的一种可选实施方式中,拥堵情况可以包括站口通行耗时,用于实现对通行站口拥堵情况的量化。示例性地,根据各通行目标的进站耗时,确定通行站口的站口通行耗时,可以是根据各通行目标的进站耗时,确定通行站口的站口通行耗时,从而通过站口通行耗时,对通行站口的拥堵情况进行数值量化,便于用户能够有效获知该通行站口的人员流动情况,从而为用户进行通行站口的选择提供有效可靠的数据支撑。
示例性地,可以采用以下公式进行站口通行耗时的确定:
其中,ta为当前时间当前站口的站口通行耗时;t0表示当前时间;n表示时间间隔,单位可以是分钟;N[t0-n,t0)表示[t0-n,t0)时间段内通行目标的个数;表示第i个时间单位(如分钟)通行目标u的进站耗时,其中,i∈[t0-n,t0),表示在[t0-n,t0)时间内所有通行目标的进站耗时之和。
可以理解的是,为了避免通行目标在通行站口长时间停留给最终通行站口的站口通行耗时的确定的准确度带来影响,还可以通过异常检测的方式对异常通行目标的通行耗时进行筛选,并将筛选到的异常通行目标的通行耗时进行剔除。示例性地,可以采用Z-score算法,对各通行目标的通行耗时进行异常检测。
在本申请实施例的另一可选实施方式中,拥堵情况还可以包括拥堵级别,用于实现对通行站口拥堵情况的进行定性描述。示例性地,根据通行站口的站口通行耗时和站口耗时阈值,确定通行站口的拥堵级别,便于用户能够有效获知通行站口的拥堵类型,从而为用户进行通行站口的选择提供依据。
可选的,站口耗时阈值可以由技术人员根据需要或经验值进行确定,或通过大量试验反复确定,为了实现对拥堵级别进行不同层次的划分,可以设置一个站口耗时阈值,或者至少两个不同的站口耗时阈值。
由于不同通行站口的人员流动情况不同,为了有针对性的进行各通行站口的站口耗时阈值的确定,从而提高所确定的站口耗时阈值的准确度,进而提高最终所确定的拥堵级别的准确度,可选的,站口耗时阈值还可以基于历史通行目标在历史通行时间段内通过该通行站口时的历史进站耗时确定。
示例性地,可以采用以下方式进行站口耗时阈值的确定:
其中,T为当前站口的站口耗时阈值;d0表示随机选取的工作日;k表示时间间隔,单位可以是天;N[d0-k,d0)表示[d0-k,d0)时间段内通行目标的个数;表示第j个时间单位(如天)通行目标u的进站耗时,其中,j∈[d0-k,d0),表示在[d0-k,d0)时间内所有通行目标的进站耗时之和。
示例性地,可以采用以下方式进行用于级别的确定:
其中,α、β为常数,0<α<β,α和β的数值可以由技术人员根据需要或经验值进行确定,还可以通过大量试验反复确定。可选的,α=1,β=2。
本申请实施例通过将轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况,细化为根据轨迹数据中通行目标的出现时刻和进站时刻,确定各通行目标进入通行站口的进站耗时;根据各通行目标的进站耗时,确定通行站口的拥堵情况,从而完善了拥堵情况的确定机制,提高了拥堵情况确定结果的准确度和可信度。
在上述各技术方案的基础上,为了实现拥堵情况确定机制过程中的人机交互,在本申请实施例的一种可选实施方式中,根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据,可以是:响应于监控用户的拥堵情况获取指令,根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据;相应的,向监测用户反馈通行站口的拥堵情况,从而通过监测用户进行拥堵情况确定的触发,进而向监测用户进行拥堵情况反馈,避免了在无需进行拥堵情况确定时进行拥堵情况确定带来的计算资源的浪费。
需要说明的是,为了便于用户能够及时掌握通行站口的拥堵情况,在进行响应于监测用户的拥堵情况获取指令进行拥堵情况反馈之后,还可以定时进行拥堵情况获取指令的自动生成,进而根据通行站口的拥堵情况的定时更新。其中,拥堵情况获取指令的自动生成频率可以由技术人员根据需要或经验值进行确定,还可以通过大量试验反复确定,或由监测用户自行设定。
在上述各实施例的技术方案的基础上,为了将拥堵情况确定机制嵌入导航类软件中,从而在用户使用导航类软件进行行程规划或导航过程中,实现对关联站口的拥堵情况的确定,进而指导行程规划路线或导航路线。
示例性地,若用户情况获取指令基于监测用户的行程规划操作生成,则向监测用户反馈通行站口的拥堵情况,可以是:根据与行程规划路线关联的各通行站口的拥堵情况,向监测用户反馈最终规划路线,并关联显示最终规划路线所关联通行站口的拥堵情况。
可选的,根据与行程规划路线关联的各通行站口的拥堵情况,向监测用户反馈最终规划路线,可以是:根据与行程规划路线关联的各通行站口的拥堵情况,确定拥堵级别较低和/或站口通行耗时较短的通行站口所关联的行程规划路线,作为最终规划路线,并将监测用户反馈该最终规划路线。
示例性地,若拥堵情况获取指令,基于监测用户的导航操作生成,则向监测用户反馈通行站口的拥堵情况,可以是:根据与导航路线关联的各通行站口的拥堵情况,选取目标站口;根据当前导航路线中的当前站口和目标站口生成切换指示,以指示监测用户进行站口切换;响应于监测用户的站口切换操作,向监测用户反馈包含目标站口的导航路线,并关联显示目标站口的拥堵情况;否则,继续显示包含有当前站口的当前导航路线,并关联显示当前站口的拥堵情况。
可选的,根据与导航路线关联的各通行站口的拥堵情况,选取目标站口,可以是:根据与导航路线关联的各通行站口的拥堵情况,确定拥堵级别较低和/或站口通行耗时较短的通行站口作为目标站口。
可以理解的是,通过对监测用户在导航类软件中进行行程规划或路线导航过程中,进行通行站口的拥堵情况在电子地图中的关联显示,便于用户远程进行站口拥堵情况的实时或定时获取,从而根据站口拥堵情况提前进行行程规划或路线导航,无需在通行站口根据现场情况进行通行站口的选择,提高了用户的出行体验,同时丰富了导航类软件的功能,为基于智能交通的智慧城市的构建奠定了基础。
图4A是本申请实施例提供的另一种站口拥堵情况确定方法的流程图,该方法在上述各实施例的技术方案的基础上,提供了一种优选实施方式,从而对地铁站或火车站等交通节点的进站口或出站口的拥堵情况进行确定。
如图4A所示的一种站口拥堵情况确定方法,包括:
S410、行人定位阶段;
S420、行人追踪阶段;
S430、进站判定阶段;
S440、拥堵情况确定阶段;以及,
S450、拥堵情况反馈阶段。
示例性地,行人定位阶段,包括:
S411、响应于监测用户的拥堵状态获取指令,抽取视频数据中的图片帧序列;
S412、将图片帧序列输入至预先训练好的行人检测模型,得到每帧图片中包含的各站口行人的位置信息。
其中,行人检测模型可以采用以下方式进行训练得到:对样本视频进行抽帧处理,得到样本图片帧序列;将样本图片帧序列和各图片中预先标注好的样本行人的位置信息,作为训练样本输入至深度学习检测模型(如YOLO模型),以对该模型的网络参数进行优化调整。
需要说明的是,行人检测模型的模型训练阶段和模型使用阶段所采用的电子设备可以相同或不同。
示例性地,行人追踪阶段,包括:
S421、将图片帧序列和每帧图片所包含的各站口行人的位置信息,输入至预先训练好的多目标跟踪模型,得到各站口行人的轨迹数据。
其中,多目标跟踪模型可以采用以下方式进行训练得到:对样本视频进行抽帧处理,得到样本图片帧序列;将样本图片帧序列中各帧图片中的样本行人的位置信息和样本图片帧序列,作为训练样本,输入至深度学习追踪模型(如Deep Sort模型),以对该模型的网络参数进行优化调整。
需要说明的是,多目标跟踪模型的模型训练阶段和模型使用阶段所采用的电子设备可以相同或不同。
示例性地,进站判定阶段,包括:
S431、抽取视频数据中的图片帧序列;
S432、将图片帧序列输入至预先训练好的行人进站判断模型,得到各帧图片中各站口行人的实际进站类别;其中实际进站类别包括进站和未进站。
其中,行人进站判断模型可以采用以下方式进行训练得到:对样本视频进行抽帧处理,得到样本图片帧序列;将样本图片帧序列中各帧图片作为训练样本,将样本图片帧序列中各帧图片预先标注好的样本行人进站结果作为标签值,对深度学习分类模型(如ResNet模型)进行训练,以对该模型的网络参数进行优化调整。
需要说明的是,行人进站判断模型的模型训练阶段和模型使用阶段所采用的电子设备可以相同或不同。
需要说明的是,S431~S432可以与S411~S421先后执行或同步执行,本申请对两者具体的执行顺序不做任何限定。
值得注意的是,不同阶段进行图片帧序列抽取时的抽帧频率可以相同或不同。
示例性地,拥堵情况确定阶段,包括:
S441、根据轨迹数据和实际进展结果,确定实际进站的站口行人的首次出现时间和最终进站时间;
S442、根据首次出现时间和最终进站时间,分别确定各实际进站的站口行人的行人进站耗时。
S443、剔除异常行人的行人进站耗时;
示例性地,可以采用Z-score,检测异常行人的行人进站耗时,并剔除。
S444、根据各行人进站耗时,确定待检测站口的站口耗时。
具体的,可以采用以下公式,确定待检测站口的站口耗时:
其中,ta为当前时间待检测站口的站口通行耗时;t0表示当前时间;n表示时间间隔,单位为分钟;N[t0-n,t0)表示[t0-n,t0)时间段内通行行人的个数;表示第i分钟通行行人u的行人进站耗时,其中,i∈[t0-n,t0),表示在[t0-n,t0)时间内所有通行行人的行人进站耗时之和。
S445、根据待检测站口的站口耗时和历史进站耗时阈值,确定待检测站口的站口拥堵级别。
具体的,可以采用以下方式进行拥堵级别的确定:
其中,level为拥堵级别,T为历史进站耗时阈值,可以采用以下方式进行确定:
其中,T为待检测站口的站口耗时阈值;d0表示随机选取的工作日;k表示时间间隔,单位为天;N[d0-k,d0)表示[d0-k,d0)时间段内通行行人的个数;表示第j天通行行人u的行人进站耗时,其中,j∈[d0-k,d0),表示在[d0-k,d0)时间内所有通行行人的行人进站耗时之和。
示例性地,拥堵情况反馈阶段,包括:
S451A、针对行程规划状态的监测用户,根据与行程规划路线相关联的各通行站口的拥堵情况,向监测用户反馈最终规划路线;
S452A、关联显示最终规划路线所关联通行站口的拥堵情况。
其中,拥堵情况包括站口进站耗时和站口拥堵级别。
图4B为向行程规划状态的监测用户进行最终规划路线反馈时的反馈结果示意图,其中,行程规划的起始地为“百度大厦”,目的地为“北京站-进站口”,反馈的最终规划路线为2条,并在反馈最终规划路线时,进行通行站口、站口进站耗时和站口拥堵级别的反馈。
S451B、针对导航状态的监测用户,根据与导航路线关联的各通行站口的拥堵情况,选取目标站口;
S452B、根据当前导航路线中的当前站口和目标站口生成切换指令,以指示监测用户进行站口切换;
图4C为向导航状态的监测用户进行导航路线反馈时的切换指令生成结果示意图。
其中,切换指令中的当前站口为“西二旗A1进站口”,目标站口为“西二旗B1进站口”,目标进站口的站口进站耗时为“2分钟”。
其中,切换指令可以通过弹窗或其他方式进行用户提醒。
S453B、响应于站口切换操作,向所述监测用户反馈包含目标站口的导航路线,并关联显示所述目标站口的拥堵情况;否则,继续显示包含有当前站口的当前导航路线,并关联显示所述当前站口的拥堵情况。
图5是本申请实施例提供的一种站口拥堵情况确定装置的结构图,该站口拥堵情况确定装置500,包括:轨迹数据确定模块501和拥堵情况确定模块502。其中,
轨迹数据确定模块501,用于根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据;
拥堵情况确定模块502,用于根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。
本申请实施例通过轨迹数据确定模块根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据;通过拥堵情况确定模块根据轨迹数据中各通行目标的出现时刻和进站时刻,确定通行站口的拥堵情况。上述技术方案通过轨迹数据中各通行目标的出现时刻和进站时刻,表征通行目标进入通行站口的情况,并引入通行目标的出现时刻和进站时刻,对通行站口的拥堵情况进行映射,从而实现了通行站口的拥堵情况的自动化确定,无需用户人为观察并对拥堵情况进行判定。另外,通过出现时刻和进站时刻对通行站口的拥堵情况进行映射,为拥堵情况的确定提供了有效的数据支撑,从而提高了拥堵情况确定结果的准确度。
进一步地,轨迹数据确定模块501,包括:
位置信息确定单元,用于根据通行站口的视频数据,确定视频数据中各通行目标的位置信息;
轨迹数据确定单元,用于根据视频数据和各通行目标的位置信息,确定各通行目标的轨迹数据。
进一步地,位置信息确定单元,包括:
图片帧序列抽取子单元,用于抽取视频数据中的图片帧序列;
位置信息得到子单元,用于将图片帧序列输入至预先训练好的行人检测模型,得到各帧图片中包含的各通行目标的位置信息。
进一步地,轨迹数据确定单元,包括:
图片帧序列抽取子单元,用于抽取视频数据中的图片帧序列;
轨迹数据得到子单元,用于将图片帧序列和各通行目标的位置信息,输入至预先训练好的多目标追踪模型,得到各通行目标的轨迹数据。
进一步地,还包括:
实际进站结果确定模块,用于根据视频数据,确定各通行目标的实际进站结果;
出现时刻进站时刻确定模块,用于根据轨迹数据和各通行目标的实际进站结果,确定各通行目标的出现时刻和进站时刻。
进一步地,实际进站结果确定模块,包括:
图片帧序列抽取单元,用于抽取视频数据中的图片帧序列;
实际进站类别得到单元,用于将图片帧序列输入至预先训练好的行人进站判断模型,得到各帧图片中包含的各通行目标的实际进站类别;其中,实际进站类别包括进站和未进站。
进一步地,拥堵情况确定模块502,包括:
进站耗时确定单元,用于根据轨迹数据中各通行目标的出现时刻和进站时刻,确定各通行目标进入通行站口的进站耗时;
拥堵情况确定单元,用于根据各通行目标的进站耗时,确定通行站口的拥堵情况。
进一步地,拥堵情况包括站口通行耗时;
相应的,拥堵情况确定单元,包括:
站口通行耗时确定单元,用于根据各通行目标的进站耗时,确定通行站口的站口通行耗时。
进一步地,拥堵情况还包括拥堵级别;
相应的,拥堵情况确定单元,还包括:
拥堵级别确定子单元,用于根据通行站口的站口通行耗时和站口耗时阈值,确定通行站口的拥堵级别;
其中,站口耗时阈值基于历史通行目标在历史通行时间段内通过通行站口时的历史进站耗时确定。
进一步地,轨迹数据确定模块501,包括:
拥堵情况获取指令响应单元,用于响应于监测用户的拥堵情况获取指令,根据通行站口的视频数据,确定视频数据中各通行目标的轨迹数据;
相应的,装置还包括:
拥堵情况反馈模块,用于向监测用户反馈通行站口的拥堵情况。
进一步地,若拥堵情况获取指令,基于监测用户的行程规划操作生成,则拥堵情况反馈模块,包括:
行程规划反馈单元,用于根据与行程规划路线关联的各通行站口的拥堵情况,向监测用户反馈最终规划路线,并关联显示最终规划路线所关联通行站口的拥堵情况;
若拥堵情况获取指令,基于监测用户的导航操作生成,则拥堵情况反馈模块,包括:
目标站口选取单元,用于根据与导航路线关联各通行站口的拥堵情况,选取目标站口;
切换指示生成单元,用于根据当前导航路线中的当前站口和目标站口生成切换指示,以指示监测用户进行站口切换;
导航路线显示单元,用于响应于站口切换操作,向监测用户反馈包含目标站口的导航路线,并关联显示目标站口的拥堵情况;否则,继续显示包含有当前站口的当前导航路线,并关联显示当前站口的拥堵情况。
进一步地,通行站口为交通节点的进站口或出站口;通行目标为通行行人或通行车辆。
上述站口拥堵情况确定装置可执行本申请任意实施例所提供的站口拥堵情况确定方法,具备执行站口拥堵情况确定方法相应的功能模块和有益效果。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图6所示,是实现本申请实施例的站口拥堵情况确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示,该电子设备包括:一个或多个处理器601、存储器602,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的站口拥堵情况确定方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的站口拥堵情况确定方法。
存储器602作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的站口拥堵情况确定方法对应的程序指令/模块(例如,附图5所示的轨迹数据确定模块501和拥堵情况确定模块502)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的站口拥堵情况确定方法。
存储器602可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储实现站口拥堵情况确定方法的电子设备的使用所创建的数据等。此外,存储器602可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器602可选包括相对于处理器601远程设置的存储器,这些远程存储器可以通过网络连接至实现站口拥堵情况确定方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现站口拥堵情况确定方法的电子设备还可以包括:输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接,图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息,以及产生与实现站口拥堵情况确定方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过轨迹数据中各通行目标的出现时刻和进站时刻,表征通行目标进入通行站口的情况,并引入通行目标的出现时刻和进站时刻,对通行站口的拥堵情况进行映射,从而实现了通行站口的拥堵情况的自动化确定,无需用户人为观察并对拥堵情况进行判定。另外,通过出现时刻和进站时刻对通行站口的拥堵情况进行映射,为拥堵情况的确定提供了有效的数据支撑,从而提高了拥堵情况确定结果的准确度。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
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、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (26)
1.一种站口拥堵情况确定方法,包括:
根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据;
根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定所述通行站口的拥堵情况。
2.根据权利要求1所述的方法,其中,根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据,包括:
根据所述通行站口的视频数据,确定所述视频数据中各所述通行目标的位置信息;
根据所述视频数据和各所述通行目标的位置信息,确定各所述通行目标的轨迹数据。
3.根据权利要求2所述的方法,其中,根据所述通行站口的视频数据,确定所述视频数据中各所述通行目标的位置信息,包括:
抽取所述视频数据中的图片帧序列;
将所述图片帧序列输入至预先训练好的行人检测模型,得到各帧图片中包含的各所述通行目标的位置信息。
4.根据权利要求2所述的方法,其中,根据所述视频数据和各所述通行目标的位置信息,确定各所述通行目标的轨迹数据,包括:
抽取所述视频数据中的图片帧序列;
将所述图片帧序列和各所述通行目标的位置信息,输入至预先训练好的多目标追踪模型,得到各所述通行目标的轨迹数据。
5.根据权利要求1所述的方法,还包括:
根据所述视频数据,确定各所述通行目标的实际进站结果;
根据所述轨迹数据和各所述通行目标的实际进站结果,确定各实际进站的通行目标的出现时刻和进站时刻。
6.根据权利要求5所述的方法,其中,根据所述视频数据,确定各所述通行目标的实际进站结果,包括:
抽取所述视频数据中的图片帧序列;
将所述图片帧序列输入至预先训练好的行人进站判断模型,得到各帧图片中包含的各所述通行目标的实际进站类别;其中,所述实际进站类别包括进站和未进站。
7.根据权利要求1所述的方法,其中,根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定所述通行站口的拥堵情况,包括:
根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定各所述通行目标进入所述通行站口的进站耗时;
根据各所述通行目标的进站耗时,确定所述通行站口的拥堵情况。
8.根据权利要求7所述的方法,其中,所述拥堵情况包括站口通行耗时;
相应的,根据各所述通行目标的进站耗时,确定所述通行站口的拥堵情况,包括:
根据各所述通行目标的进站耗时,确定所述通行站口的站口通行耗时。
9.根据权利要求8所述的方法,其中,所述拥堵情况还包括拥堵级别;
相应的,根据各所述通行目标的进站耗时,确定所述通行站口的拥堵情况,还包括:
根据所述通行站口的站口通行耗时和站口耗时阈值,确定所述通行站口的拥堵级别;
其中,所述站口耗时阈值基于历史通行目标在历史通行时间段内通过所述通行站口时的历史进站耗时确定。
10.根据权利要求1所述的方法,其中,根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据,包括:
响应于监测用户的拥堵情况获取指令,根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据;
相应的,所述方法还包括:
向所述监测用户反馈所述通行站口的拥堵情况。
11.根据权利要求10所述的方法,若所述拥堵情况获取指令,基于所述监测用户的行程规划操作生成,则向所述监测用户反馈所述通行站口的拥堵情况,包括:
根据与所述行程规划路线关联的各通行站口的拥堵情况,向所述监测用户反馈最终规划路线,并关联显示所述最终规划路线所关联通行站口的拥堵情况;
若所述拥堵情况获取指令,基于所述监测用户的导航操作生成,则向所述监测用户反馈所述通行站口的拥堵情况,包括:
根据与导航路线关联的各通行站口的拥堵情况,选取目标站口;
根据当前导航路线中的当前站口和所述目标站口生成切换指示,以指示所述监测用户进行站口切换;
响应于所述监测用户的站口切换操作,向所述监测用户反馈包含目标站口的导航路线,并关联显示所述目标站口的拥堵情况;否则,继续显示包含有当前站口的当前导航路线,并关联显示所述当前站口的拥堵情况。
12.根据权利要求1-11任一项所述的方法,其中,所述通行站口为交通节点的进站口或出站口;所述通行目标为通行行人或通行车辆。
13.一种站口拥堵情况确定装置,包括:
轨迹数据确定模块,用于根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据;
拥堵情况确定模块,用于根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定所述通行站口的拥堵情况。
14.根据权利要求13所述的装置,其中,所述轨迹数据确定模块,包括:
位置信息确定单元,用于根据所述通行站口的视频数据,确定所述视频数据中各所述通行目标的位置信息;
轨迹数据确定单元,用于根据所述视频数据和各所述通行目标的位置信息,确定各所述通行目标的轨迹数据。
15.根据权利要求14所述的装置,其中,所述位置信息确定单元,包括:
图片帧序列抽取子单元,用于抽取所述视频数据中的图片帧序列;
位置信息得到子单元,用于将所述图片帧序列输入至预先训练好的行人检测模型,得到各帧图片中包含的各所述通行目标的位置信息。
16.根据权利要求14所述的装置,其中,所述轨迹数据确定单元,包括:
图片帧序列抽取子单元,用于抽取所述视频数据中的图片帧序列;
轨迹数据得到子单元,用于将所述图片帧序列和各所述通行目标的位置信息,输入至预先训练好的多目标追踪模型,得到各所述通行目标的轨迹数据。
17.根据权利要求13所述的装置,还包括:
实际进站结果确定模块,用于根据所述视频数据,确定各所述通行目标的实际进站结果;
出现时刻进站时刻确定模块,用于根据所述轨迹数据和各所述通行目标的实际进站结果,确定各所述通行目标的出现时刻和进站时刻。
18.根据权利要求17所述的装置,其中,所述实际进站结果确定模块,包括:
图片帧序列抽取单元,用于抽取所述视频数据中的图片帧序列;
实际进站类别得到单元,用于将所述图片帧序列输入至预先训练好的行人进站判断模型,得到各帧图片中包含的各所述通行目标的实际进站类别;其中,所述实际进站类别包括进站和未进站。
19.根据权利要求13所述的装置,其中,所述拥堵情况确定模块,包括:
进站耗时确定单元,用于根据所述轨迹数据中各所述通行目标的出现时刻和进站时刻,确定各所述通行目标进入所述通行站口的进站耗时;
拥堵情况确定单元,用于根据各所述通行目标的进站耗时,确定所述通行站口的拥堵情况。
20.根据权利要求19所述的装置,其中,所述拥堵情况包括站口通行耗时;
相应的,所述拥堵情况确定单元,包括:
站口通行耗时确定单元,用于根据各所述通行目标的进站耗时,确定所述通行站口的站口通行耗时。
21.根据权利要求20所述的装置,其中,所述拥堵情况还包括拥堵级别;
相应的,所述拥堵情况确定单元,还包括:
拥堵级别确定子单元,用于根据所述通行站口的站口通行耗时和站口耗时阈值,确定所述通行站口的拥堵级别;
其中,所述站口耗时阈值基于历史通行目标在历史通行时间段内通过所述通行站口时的历史进站耗时确定。
22.根据权利要求13所述的装置,其中,所述轨迹数据确定模块,包括:
拥堵情况获取指令响应单元,用于响应于监测用户的拥堵情况获取指令,根据通行站口的视频数据,确定所述视频数据中各通行目标的轨迹数据;
相应的,所述装置还包括:
拥堵情况反馈模块,用于向所述监测用户反馈所述通行站口的拥堵情况。
23.根据权利要求22所述的装置,若所述拥堵情况获取指令,基于所述监测用户的行程规划操作生成,则所述拥堵情况反馈模块,包括:
行程规划反馈单元,用于根据与所述行程规划路线关联的各通行站口的拥堵情况,向所述监测用户反馈最终规划路线,并关联显示所述最终规划路线所关联通行站口的拥堵情况;
若所述拥堵情况获取指令,基于所述监测用户的导航操作生成,则所述拥堵情况反馈模块,包括:
目标站口选取单元,用于根据与导航路线关联各通行站口的拥堵情况,选取目标站口;
切换指示生成单元,用于根据当前导航路线中的当前站口和所述目标站口生成切换指示,以指示所述监测用户进行站口切换;
导航路线显示单元,用于响应于所述监测用户的站口切换操作,向所述监测用户反馈包含目标站口的导航路线,并关联显示所述目标站口的拥堵情况;否则,继续显示包含有当前站口的当前导航路线,并关联显示所述当前站口的拥堵情况。
24.根据权利要求13-23任一项所述的装置,其中,所述通行站口为交通节点的进站口或出站口;所述通行目标为通行行人或通行车辆。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的一种站口拥堵情况确定方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的一种站口拥堵情况确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624265.4A CN111814648A (zh) | 2020-06-30 | 2020-06-30 | 一种站口拥堵情况确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010624265.4A CN111814648A (zh) | 2020-06-30 | 2020-06-30 | 一种站口拥堵情况确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814648A true CN111814648A (zh) | 2020-10-23 |
Family
ID=72856187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010624265.4A Pending CN111814648A (zh) | 2020-06-30 | 2020-06-30 | 一种站口拥堵情况确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814648A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232257A (zh) * | 2020-10-26 | 2021-01-15 | 青岛海信网络科技股份有限公司 | 一种交通异常确定方法、装置、设备及介质 |
CN113111822A (zh) * | 2021-04-22 | 2021-07-13 | 深圳集智数字科技有限公司 | 用于拥堵识别的视频处理方法、装置与电子设备 |
CN117273285A (zh) * | 2023-11-21 | 2023-12-22 | 北京市运输事业发展中心 | 基于轨道交通大客流站的客运数据采集系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005071298A (ja) * | 2003-08-28 | 2005-03-17 | Alpine Electronics Inc | インターチェンジの渋滞情報提供システムおよびナビゲーション装置 |
JP2012171391A (ja) * | 2011-02-18 | 2012-09-10 | Hitachi Ltd | 利用者毎に列車の混雑情報を提供するシステム |
CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
CN104899948A (zh) * | 2015-06-05 | 2015-09-09 | 北京京东尚科信息技术有限公司 | 一种封闭空间拥堵监测方法和系统 |
CN105095611A (zh) * | 2015-09-25 | 2015-11-25 | 东南大学 | 一种高速公路电动汽车快速充电站排队算法 |
CN107360590A (zh) * | 2017-06-29 | 2017-11-17 | 上海工程技术大学 | 轨道车站局部拥堵点客流状态判定方法 |
CN108151756A (zh) * | 2017-12-21 | 2018-06-12 | 深圳市综合交通运行指挥中心 | 一种城市公共交通系统的行程时间计算方法和装置 |
CN108629451A (zh) * | 2018-04-27 | 2018-10-09 | 中国联合网络通信集团有限公司 | 地铁线路的规划方法及装置 |
CN109949571A (zh) * | 2019-03-19 | 2019-06-28 | 北京百度网讯科技有限公司 | 异常拥堵的判别方法及装置、设备及存储介质 |
US20190230320A1 (en) * | 2016-07-14 | 2019-07-25 | Mitsubishi Electric Corporation | Crowd monitoring device and crowd monitoring system |
CN110210652A (zh) * | 2019-05-15 | 2019-09-06 | 北京交通发展研究院 | 一种轨道交通站点客流控制方法及装置 |
CN110782095A (zh) * | 2019-10-29 | 2020-02-11 | 广东中科瑞泰智能科技有限公司 | 一种消防路线规划方法、装置、电子设备及存储介质 |
CN111091591A (zh) * | 2019-12-23 | 2020-05-01 | 百度国际科技(深圳)有限公司 | 一种碰撞检测方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-30 CN CN202010624265.4A patent/CN111814648A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005071298A (ja) * | 2003-08-28 | 2005-03-17 | Alpine Electronics Inc | インターチェンジの渋滞情報提供システムおよびナビゲーション装置 |
JP2012171391A (ja) * | 2011-02-18 | 2012-09-10 | Hitachi Ltd | 利用者毎に列車の混雑情報を提供するシステム |
CN104200657A (zh) * | 2014-07-22 | 2014-12-10 | 杭州智诚惠通科技有限公司 | 一种基于视频和传感器的交通流量参数采集方法 |
CN104899948A (zh) * | 2015-06-05 | 2015-09-09 | 北京京东尚科信息技术有限公司 | 一种封闭空间拥堵监测方法和系统 |
CN105095611A (zh) * | 2015-09-25 | 2015-11-25 | 东南大学 | 一种高速公路电动汽车快速充电站排队算法 |
US20190230320A1 (en) * | 2016-07-14 | 2019-07-25 | Mitsubishi Electric Corporation | Crowd monitoring device and crowd monitoring system |
CN107360590A (zh) * | 2017-06-29 | 2017-11-17 | 上海工程技术大学 | 轨道车站局部拥堵点客流状态判定方法 |
CN108151756A (zh) * | 2017-12-21 | 2018-06-12 | 深圳市综合交通运行指挥中心 | 一种城市公共交通系统的行程时间计算方法和装置 |
CN108629451A (zh) * | 2018-04-27 | 2018-10-09 | 中国联合网络通信集团有限公司 | 地铁线路的规划方法及装置 |
CN109949571A (zh) * | 2019-03-19 | 2019-06-28 | 北京百度网讯科技有限公司 | 异常拥堵的判别方法及装置、设备及存储介质 |
CN110210652A (zh) * | 2019-05-15 | 2019-09-06 | 北京交通发展研究院 | 一种轨道交通站点客流控制方法及装置 |
CN110782095A (zh) * | 2019-10-29 | 2020-02-11 | 广东中科瑞泰智能科技有限公司 | 一种消防路线规划方法、装置、电子设备及存储介质 |
CN111091591A (zh) * | 2019-12-23 | 2020-05-01 | 百度国际科技(深圳)有限公司 | 一种碰撞检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
张亚运;: "城市轨道交通客流量监测仪极限预警方法研究", 自动化与仪器仪表, no. 05, pages 127 - 131 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232257A (zh) * | 2020-10-26 | 2021-01-15 | 青岛海信网络科技股份有限公司 | 一种交通异常确定方法、装置、设备及介质 |
CN112232257B (zh) * | 2020-10-26 | 2023-08-11 | 青岛海信网络科技股份有限公司 | 一种交通异常确定方法、装置、设备及介质 |
CN113111822A (zh) * | 2021-04-22 | 2021-07-13 | 深圳集智数字科技有限公司 | 用于拥堵识别的视频处理方法、装置与电子设备 |
CN113111822B (zh) * | 2021-04-22 | 2024-02-09 | 深圳集智数字科技有限公司 | 用于拥堵识别的视频处理方法、装置与电子设备 |
CN117273285A (zh) * | 2023-11-21 | 2023-12-22 | 北京市运输事业发展中心 | 基于轨道交通大客流站的客运数据采集系统 |
CN117273285B (zh) * | 2023-11-21 | 2024-02-02 | 北京市运输事业发展中心 | 基于轨道交通大客流站的客运数据采集系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814648A (zh) | 一种站口拥堵情况确定方法、装置、设备及存储介质 | |
CN112634611B (zh) | 用于识别路况的方法、装置、设备以及存储介质 | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
CN110782667A (zh) | 信号灯分时段配时方法、装置、电子设备及存储介质 | |
US20200143566A1 (en) | Passenger travel route inferencing in a subway system | |
DE60206785D1 (de) | Verfahren und gerät zur verwaltung von flugzeugflüssen | |
CN110874668B (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
CN112129315B (zh) | 用于推荐停车场的方法、装置、电子设备和存储介质 | |
US20210042641A1 (en) | Method, apparatus and storage medium for stay point recognition and prediction model training | |
CN112101223A (zh) | 检测方法、装置、设备和计算机存储介质 | |
CN111275011A (zh) | 移动红绿灯检测方法、装置、电子设备和存储介质 | |
CN111985457A (zh) | 交通设施损坏识别方法、装置、设备和存储介质 | |
CN114925114A (zh) | 一种场景数据挖掘方法、装置、电子设备和存储介质 | |
US20220227388A1 (en) | Method and apparatus for determining green wave speed, and storage medium | |
CN112101527A (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
CN111080016A (zh) | 一种基于节点控制的地铁车站客流管控方法及装置 | |
CN112070288A (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
CN111757272A (zh) | 地铁拥堵程度的预测方法、模型训练方法和装置 | |
CN113733086A (zh) | 一种机器人的出行方法、装置、设备及存储介质 | |
CN114494843A (zh) | 通行口检测方法、装置、电子设备和存储介质 | |
CN111667701A (zh) | 信控设备调整方法和装置 | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN113538968B (zh) | 用于输出信息的方法和装置 | |
CN113609956B (zh) | 训练方法、识别方法、装置、电子设备以及存储介质 | |
CN111009135B (zh) | 车辆行驶速度的确定方法、装置以及计算机设备 |
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 |