CN112150814A - 基于智能交通的信息处理方法、装置及智能交通系统 - Google Patents

基于智能交通的信息处理方法、装置及智能交通系统 Download PDF

Info

Publication number
CN112150814A
CN112150814A CN202011053603.XA CN202011053603A CN112150814A CN 112150814 A CN112150814 A CN 112150814A CN 202011053603 A CN202011053603 A CN 202011053603A CN 112150814 A CN112150814 A CN 112150814A
Authority
CN
China
Prior art keywords
information
acquisition
abnormal
area
feature
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.)
Granted
Application number
CN202011053603.XA
Other languages
English (en)
Other versions
CN112150814B (zh
Inventor
周国霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Pinxuan Intelligent Image Technology Co ltd
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202011053603.XA priority Critical patent/CN112150814B/zh
Publication of CN112150814A publication Critical patent/CN112150814A/zh
Application granted granted Critical
Publication of CN112150814B publication Critical patent/CN112150814B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供一种基于智能交通的信息处理方法、装置及智能交通系统，通过在提取信息采集区域的区域特征信息后，首先计算信息采集区域的异常特征信息，然后结合区域特征信息的第一特征向量以及获取异常特征信息的第二特征向量来确定信息采集区域的区域画像日志信息，由此进行交通异常检测。由于每个信息采集区域为逻辑采集区域，且对应有交通标签，由此基于交通标签以充分考虑到不同交通运输类型产生的交通信息的特征差距，使得在进行交通异常检测时可以有效减少噪声数据，进而提高检测结果的精度。

Description

基于智能交通的信息处理方法、装置及智能交通系统
技术领域
本申请涉及智能信息检测技术领域，具体而言，涉及一种基于智能交通的信息处理方法、装置及智能交通系统。
背景技术
随着智能交通技术的快速发展，通过将先进的信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术等有效地综合运用于整个交通运输管理体系，从而可以建立起一种大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。
当前，在采集交通信息的过程中，通常是通过部署于各个交通区域的路段、卡口的交通信息采集设备（例如但不限于交通检测传感器、交通卡口相机等）来实时采集的，通过分析这些采集到的交通信息，可以针对一些异常事件提供有针对性地联动排查方案和后续解决方案。经本申请发明人研究发现，在传统检测交通异常情况的方案中，通常会引入诸多噪声数据，并未充分考虑到不同交通运输类型产生的交通信息的特征差距，从而导致检测结果的精度较差。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于智能交通的信息处理方法、装置及智能交通系统，能够充分考虑到不同交通运输类型产生的交通信息的特征差距，使得在进行交通异常检测时可以有效减少噪声数据，进而提高检测结果的精度。
第一方面，本申请提供一种一种基于智能交通的信息处理方法，应用于服务器，所述服务器与至少一个交通信息采集设备通信连接，所述服务器中预先配置有每个交通信息采集设备所对应的信息采集区域以及每个信息采集区域对应的交通标签，所述信息采集区域为连通区域或者非连通区域，所述交通标签用于表征所述信息采集区域的交通运输类型，所述方法包括：
对于目标交通区域中的每一个信息采集区域，对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息；
根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息，所述至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的；
获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量，根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息，所述第一特征向量根据所述至少一个第一异常检测模型的模型矩阵生成，所述第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，所述至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，所述模型矩阵是通过所述第一异常检测模型或者所述第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的；
基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果。
在第一方面的一种可能的设计中，所述对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息的步骤，包括：
针对所述信息采集区域所对应的交通信息采集设备所采集的交通信息的每个采集节点，获取所述采集节点对应的采集信息序列和采集备注信息，所述采集备注信息包括需要在采集信息中显示的备注内容，所述备注内容至少包括采集设备类型和采集过程信息，所述采集过程信息用于表示所述交通信息采集设备在采集交通信息过程中的控制信息；
根据所述采集备注信息获取所述信息采集区域所对应的区域分离位置，其中，所述区域分离位置为所述信息采集区域中当前动态采集区域与静态采集区域的区域分离位置，所述动态采集区域用于表示可进行多个方位切换采集的采集区域，所述静态采集区域用于表示可进行固定方位采集的采集区域；
将所述采集信息序列中每个目标采集记录的位置与所述区域分离位置进行比较，得到比较结果，并根据所述比较结果确定所述目标采集记录是位于所述动态采集区域还是位于所述静态采集区域内；
根据所述采集信息序列构建待聚类的目标采集信息序列，所述目标采集信息序列中采集记录的记录范围为预设记录范围；
根据所述采集信息序列从所述采集备注信息中选取相应的目标动态控制信息，并从所述目标采集信息序列中获取位于所述动态采集区域和静态采集区域内的目标采集记录；
当所述目标采集记录位于当前的动态采集区域内时，根据所述目标采集记录的位置在采集信息序列中确定相应的第一待聚类采集记录、以及在所述采集备注信息中确定相应的第三待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第三待聚类采集记录在所述采集备注信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
当所述目标采集记录位于当前的静态采集区域内时，根据所述目标采集记录的位置在所述采集信息序列中确定相应的第一待聚类采集记录、以及在所述目标动态控制信息中确定相应的第二待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第二待聚类采集记录在所述目标动态控制信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
按照所述目标采集记录所位于的采集区域，提取更新为聚类后记录范围的该目标采集记录的特征信息，并汇总后得到所述信息采集区域的区域特征信息。
在第一方面的一种可能的设计中，所述根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息的步骤，包括：
根据预先得到的与所述信息采集区域的交通标签对应的至少一个第一异常检测模型对所述区域特征信息进行异常检测，分别得到至少一个异常检测特征空间；
在所述至少一个异常检测特征空间上进行异常行为特征提取，得到所述区域特征信息的异常行为特征，所述异常行为特征用于描述所述信息采集区域的异常行为；
在所述至少一个异常检测特征空间上进行异常变化特征提取，得到所述区域特征信息的异常变化特征，所述异常变化特征用于描述信息采集区域的异常变化，所述异常变化用于表示所述信息采集区域中由正常行为切换为异常行为时的变化情况或者由异常行为切换为正常行为时的变化情况；
当所述区域特征信息包括一个区域特征向量时，基于所述区域特征信息的异常行为特征和异常变化特征，对所述区域特征向量的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到第一朴素贝叶斯计算结果，并基于所述第一朴素贝叶斯计算结果中与所述异常行为特征匹配的朴素贝叶斯计算结果，在异常特征数据库的朴素贝叶斯计算结果中进行查找，得到与所述异常行为特征匹配的第一异常特征查找结果，而后基于所述第一朴素贝叶斯计算结果中与所述异常变化特征匹配的朴素贝叶斯计算结果，在所述异常特征数据库的朴素贝叶斯计算结果中进行查找，得到与所述异常变化特征匹配的第二异常特征查找结果，并获取所述第一异常特征查找结果和所述第二异常特征查找结果中相同的异常特征查找结果，得到初步异常特征查找结果，对于所述初步异常特征查找结果中包括的每一项异常特征查找结果，获取所述异常特征查找结果与所述区域特征向量之间的相似度，并按照与所述每一项异常特征查找结果匹配的相似度，对所述初步异常特征查找结果中包括的异常特征查找结果进行合并处理，得到目标异常特征查找结果；
当所述区域特征信息包括至少两个区域特征向量时，对于所述区域特征信息中的每一个区域特征向量，对所述区域特征向量的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到第二朴素贝叶斯计算结果，并基于所述第二朴素贝叶斯计算结果，在所述异常特征数据库的朴素贝叶斯计算结果中进行查找，得到初步异常特征查找结果，并对与每一个区域特征向量匹配的初步异常特征查找结果进行合并处理，得到所述目标异常特征查找结果；
对于所述目标异常特征查找结果中的每一项异常特征查找结果，对所述异常特征查找结果进行分节点处理，获取所述异常特征查找结果的关键特征向量节点，并对获取到的每一个关键特征向量节点分别进行异常行为特征提取和异常变化特征提取，对于所述每一个关键特征向量节点，对所述关键特征向量节点的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到所述关键特征向量节点的朴素贝叶斯计算结果，而后获取所述关键特征向量节点在所述异常特征查找结果中的节点位置，并基于所述异常特征查找结果的标识信息以及所述关键特征向量节点的节点位置，关联所述关键特征向量节点的朴素贝叶斯计算结果，以得到所述信息采集区域的异常特征信息，其中，所述目标异常特征查找结果的朴素贝叶斯计算结果中包括所述每一项异常特征查找结果的关键特征向量节点的朴素贝叶斯计算结果。
在第一方面的一种可能的设计中，所述对与每一个区域特征向量匹配的初步异常特征查找结果进行合并处理的步骤，包括：
对于所述初步异常特征查找结果中包括的每一项异常特征查找结果，对于每一个区域特征向量，获取所述区域特征向量与所述异常特征查找结果之间的相似度；
将所述每一个区域特征向量分别与所述异常特征查找结果之间的相似度进行均值计算，得到所述区域特征信息中包括的区域特征向量与所述异常特征查找结果之间的平均相似度；
获取所述区域特征信息中包括的区域特征向量在所述异常特征查找结果中的出现频率；
基于与每一项异常特征查找结果匹配的平均相似度，对所述初步异常特征查找结果包括的每一项异常特征查找结果进行排序；
若任意两项异常特征查找结果之间的平均相似度的差值位于目标阈值范围内，则按照与所述两项异常特征查找结果匹配的出现频率，对所述两项异常特征查找结果进行合并处理。
在第一方面的一种可能的设计中，所述获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量的步骤，包括：
将所述区域特征信息输入到所述信息采集区域的交通标签对应的至少一个第一异常检测模型的模型矩阵中进行计算，得到所述区域特征信息的第一特征向量；
将所述异常特征信息输入到所述信息采集区域的交通标签对应的至少一个第二异常检测模型的模型矩阵进行计算，得到异常特征信息的第二特征向量。
在第一方面的一种可能的设计中，所述根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息的步骤，包括：
根据所述第二特征向量从所述第一特征向量中匹配出对应的第三特征向量，其中，所述第三特征向量为所述第二特征向量所述第一特征向量中所关联的采集标识区域的特征向量；
提取所述第三特征向量中携带的多个特征分量节点和所述特征分量节点中的异常分量；
对所述第三特征向量进行遍历分析，得到与所述异常分量相关的多个关联异常行为；
当所述多个关联异常行为均为用于表达所述异常分量的表达行为时，将所述多个关联异常行为确定为所述异常分量对应的可统计异常行为；
当所述多个关联异常行为不均为用于表达所述异常分量的表达行为时，将非表达行为确定为待检测关联异常行为，并将属于用于表达所述异常分量的表达行为的关联异常行为确定为所述异常分量对应的可统计异常行为；
提取所述待检测关联异常行为中的行为分量，并检测所述行为分量的变量类型，若所述变量类型为非异常关联类型，则对所述行为分量的分量参数值进行分析，并在所述分量参数值发生变动时，将所述待检测关联异常行为确定为所述异常分量对应的可统计异常行为；
若所述变量类型为异常关联类型，则查找所述行为分量对应的所有成员变量，并为所述成员变量分别设置对应的局部变量，并在所述成员变量分别对应的局部变量不均与对应的当前变量相等时，确定所述待检测关联异常行为是用于表达所述异常分量的表达行为，并将所述待检测关联异常行为确定为所述异常分量对应的可统计异常行为；
将所述特征分量节点分别与所述特征分量节点相关联的可统计异常行为进行组合，得到所述特征分量节点分别对应的目标区域画像模型，每个目标区域画像模型中包含一个特征分量节点；
对目标区域画像模型进行特征提取，并得到与所述目标区域画像模型对应的特征提取结果，以生成所述信息采集区域的区域画像日志信息。
在第一方面的一种可能的设计中，所述基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果的步骤，包括：
按照每一个信息采集区域的交通标签，获取每一个信息采集区域对应的区域画像排布模板；
对于所述每一个信息采集区域，在所述区域画像排布模板中查找与所述信息采集区域的区域画像日志信息中的各个区域画像日志下具有相同区域画像的区域画像日志信息的目标排布子模板；
按照预设的区域分类标识信息，对基于所述每一个信息采集区域查找到的目标排布子模板进行排布后的各个区域画像日志信息进行归类，以使具有相同预设的区域分类标识信息的区域画像日志信息规为一类；
若一个归类包含的区域画像日志信息的数量大于第一预设阈值，则将所述归类的预设的区域分类标识信息所指示的区域画像日志信息确定为候选区域画像日志信息；
对于所述至少一个候选区域画像日志信息中的每一个候选区域画像日志信息，获取所述候选区域画像日志信息与上一次检测到的区域画像日志信息之间的第一画像匹配信息，所述第一画像匹配信息记录了在所述上一次检测到的区域画像日志信息中与所述候选区域画像日志信息具有相同区域画像日志信息的画像节点；
对于所述第一画像匹配信息中包括的任意两个连续的画像节点，若所述两个连续的画像节点之间的时间差值小于第二预设阈值且大于第三预设阈值，则将所述两个连续的画像节点所界定的时间段确定为匹配时间段，并以所述至少一个匹配时间段为统计基准对所述每个归类包含的区域画像日志信息进行信息统计，生成所述目标交通区域的交通检测结果；或者
对于所述至少一个候选区域画像日志信息中的每一个候选区域画像日志信息，获取所述候选区域画像日志信息与所述上一次检测到的区域画像日志信息之间的第二画像匹配信息，所述第二画像匹配信息记录了在所述候选区域画像日志信息中与所述上一次检测到的区域画像日志信息具有相同区域画像日志信息的画像节点，而后根据所述第一画像匹配信息以及所述第二画像匹配信息，生成画像节点筛选条件，并按照所述画像节点筛选条件，在所述第一画像匹配信息中筛选出目标画像匹配信息后，根据所述目标画像匹配信息计算至少一个匹配时间段，并以所述至少一个匹配时间段为统计基准对所述每个归类包含的区域画像日志信息进行信息统计，生成所述目标交通区域的交通检测结果。
第二方面，本申请实施例还提供一种基于智能交通的信息处理装置，应用于服务器，所述服务器与至少一个交通信息采集设备通信连接，所述服务器中预先配置有每个交通信息采集设备所对应的信息采集区域以及每个信息采集区域对应的交通标签，所述信息采集区域为连通区域或者非连通区域，所述交通标签用于表征所述信息采集区域的交通运输类型，所述装置包括：
特征提取模块，用于对于目标交通区域中的每一个信息采集区域，对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息；
计算模块，用于根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息，所述至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的；
第一生成模块，用于获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量，根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息，所述第一特征向量根据所述至少一个第一异常检测模型的模型矩阵生成，所述第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，所述至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，所述模型矩阵是通过所述第一异常检测模型或者所述第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的；
第二生成模块，用于基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果。
第三方面，本申请实施例还提供一种智能交通系统，所述智能交通系统包括服务器以及与所述服务器通信连接的至少一个交通信息采集设备，所述服务器中预先配置有每个交通信息采集设备所对应的信息采集区域以及每个信息采集区域对应的交通标签，所述信息采集区域为连通区域或者非连通区域，所述交通标签用于表征所述信息采集区域的交通运输类型；
每个交通信息采集设备，用于向所述服务器发送采集的交通信息；
对于目标交通区域中的每一个信息采集区域，所述服务器，用于对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息；
所述服务器，用于根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息，所述至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的；
所述服务器，用于获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量，根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息，所述第一特征向量根据所述至少一个第一异常检测模型的模型矩阵生成，所述第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，所述至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，所述模型矩阵是通过所述第一异常检测模型或者所述第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的；
所述服务器，用于基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果。
第四方面，本申请实施例还提供一种服务器，所述服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个交通信息采集设备通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的设计中的基于智能交通的信息处理方法。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上检测时，使得计算机执行上述第一方面或者第一方面中任意一个可能的设计中的基于智能交通的信息处理方法。
基于上述任意一个方面，本申请通过在提取信息采集区域的区域特征信息后，首先计算信息采集区域的异常特征信息，然后结合区域特征信息的第一特征向量以及获取异常特征信息的第二特征向量来确定信息采集区域的区域画像日志信息，由此进行交通异常检测。由于每个信息采集区域为逻辑采集区域，且对应有交通标签，由此基于交通标签以充分考虑到不同交通运输类型产生的交通信息的特征差距，使得在进行交通异常检测时可以有效减少噪声数据，进而提高检测结果的精度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例提供的智能交通系统的应用场景示意图；
图2为本申请实施例提供的基于智能交通的信息处理方法的流程示意图；
图3为本申请实施例提供的基于智能交通的信息处理装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的基于智能交通的信息处理方法的服务器的结构示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。在本申请的描述中，除非另有说明，“至少一个”包括一个或多个。“多个”是指两个或两个以上。例如，A、B和C中的至少一个，包括：单独存在A、单独存在B、同时存在A和B、同时存在A和C、同时存在B和C，以及同时存在A、B和C。在本申请中，“/”表示或的意思，例如，A/B可以表示A或B；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
图1是本申请一种实施例提供的智能交通系统10的交互示意图。智能交通系统10可以包括服务器100以及与所述服务器100通信连接的交通信息采集设备200，服务器100中可以包括执行指令操作的处理器。图1所示的智能交通系统10仅为一种可行的示例，在其它可行的实施例中，该智能交通系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
在一些实施例中，服务器100可以是单个服务器，也可以是一个服务器组。运营服务器组可以是集中式的，也可以是分布式的（例如，服务器100可以是分布式系统）。在一些实施例中，服务器100相对于交通信息采集设备200，可以是本地的、也可以是远程的。例如，服务器100可以经由网络访问存储在交通信息采集设备200以及数据库、或其任意组合中的信息。作为另一示例，服务器100可以直接连接到交通信息采集设备200和数据库中的至少一个，以访问其中存储的信息和/或数据。在一些实施例中，服务器100可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云（inter-cloud）、多云(multi-cloud)等，或者它们的任意组合。
在一些实施例中，服务器100可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。处理器可以包括一个或多个处理核（例如，单核处理器（S）或多核处理器（S））。仅作为举例，处理器可以包括中央处理单元（Central Processing Unit, CPU）、专用集成电路（Application Specific IntegratedCircuit, ASIC）、专用指令集处理器（Application Specific Instruction-setProcessor, ASIP）、图形处理单元（Graphics Processing Unit, GPU）、物理处理单元（Physics Processing Unit, PPU）、数字信号处理器 (Digital Signal Processor,DSP)、现场可编程门阵列( Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device, PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing, RISC)、或微处理器等，或其任意组合。
网络可以用于信息和/或数据的交换。在一些实施例中，智能交通系统10中的一个或多个组件（例如，服务器100，交通信息采集设备200和数据库）可以向其他组件发送信息和/或数据。在一些实施例中，网络可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络130可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网（Local Area Network，LAN）、广域网（Wide Area Network，WAN）、无线局域网（Wireless Local Area Networks，WLAN）、城域网（Metropolitan Area Network，MAN）、广域网（Wide Area Network，WAN）、公共电话交换网（Public Switched TelephoneNetwork，PSTN）、蓝牙网络、ZigBee网络、或近场通信（Near Field Communication, NFC）网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，智能交通系统10的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
前述的数据库可以存储数据和/或指令。在一些实施例中，数据库可以存储向交通信息采集设备200分配的数据。在一些实施例中，数据库可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器（Read-Only Memory, ROM）等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器（Random AccessMemory, RAM）；RAM可以包括动态RAM（Dynamic Random Access Memory, DRAM），双倍数据速率同步动态RAM（Double Date-Rate Synchronous RAM, DDR SDRAM）；静态RAM（StaticRandom-Access Memory, SRAM），晶闸管RAM（Thyristor-Based Random Access Memory,T-RAM）和零电容器RAM（Zero-RAM）等。作为举例，ROM可以包括掩模ROM（Mask Read-OnlyMemory, MROM）、可编程ROM（ Programmable Read-Only Memory, PROM）、可擦除可编程ROM（Programmable Erasable Read-only Memory , PEROM）、电可擦除可编程ROM（Electrically Erasable Programmable read only memory, EEPROM）、光盘ROM（CD-ROM）、以及数字通用磁盘ROM等。在一些实施例中，数据库可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库可以连接到网络以与智能交通系统10（例如，服务器100，交通信息采集设备200等）中的一个或多个组件通信。智能交通系统10中的一个或多个组件可以经由网络访问存储在数据库中的数据或指令。在一些实施例中，数据库可以直接连接到智能交通系统10中的一个或多个组件（例如，服务器100，交通信息采集设备200等；或者，在一些实施例中，数据库也可以是服务器100的一部分。
在本实施例中，交通信息采集设备200可以是但不限于交通检测传感器、交通卡口相机等，在此不作具体限制。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的基于智能交通的信息处理方法的流程示意图，本实施例提供的基于智能交通的信息处理方法可以由图1中所示的服务器100执行，下面对该基于智能交通的信息处理方法进行详细介绍。
步骤S110，对于目标交通区域中的每一个信息采集区域，对信息采集区域所对应的交通信息采集设备200所采集的交通信息进行特征提取，得到信息采集区域的区域特征信息。
步骤S120，根据信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算信息采集区域的异常特征信息。
步骤S130，获取区域特征信息的第一特征向量以及获取异常特征信息的第二特征向量，根据第一特征向量和第二特征向量生成信息采集区域的区域画像日志信息。
步骤S140，基于每一个信息采集区域的区域画像日志信息，生成目标交通区域的交通检测结果。
本实施例中，服务器中预先配置有每个交通信息采集设备200所对应的信息采集区域以及每个信息采集区域对应的交通标签，信息采集区域为连通区域或者非连通区域，交通标签用于表征信息采集区域的交通运输类型。
例如，针对A城市的B行政区，可以包括若干个分区，例如机动车通道区、非机动车道区、绿化区、商务区等等，通常情况下，这些分区不一定是连通区域，可能是以分散的形式分布在B行政区的，这些分区可以理解为一个信息采集区域。在此基础上，每个信息采集区域可以根据交通检测需求的不同分别设置不同的交通标签，例如针对机动车通道区的主要交通类型为机动车类型，针对非机动车车道区的主要交通类型为非非机动车类型，针对商务区的主要交通类型为非非机动车类型等。或者，在其它可能的设计中，交通运输类型也可以是车辆排放情况，车辆载人数量等因素来个性化确定，本实施例对此不作具体限制。
本实施例中，至少一个第一异常检测模型可以是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的。其中，异常特征可以是指被标记为存在异常情况的特征，具体可以由用户来进行个性化确定，例如针对非机动车道，出现了超过预设数量的机动车，则可以将该次交通采集信息中针对这些机动车的采集信息的特征确定为异常特征。
本实施例中，第一特征向量可以根据至少一个第一异常检测模型的模型矩阵生成，第二特征向量可以根据预先得到的至少一个第二异常检测模型的模型矩阵生成，至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，模型矩阵是通过第一异常检测模型或者第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的。例如，交通检测参数可以理解为车辆速度、车辆大小等参数。
基于上述设计，本实施例通过在提取信息采集区域的区域特征信息后，首先计算信息采集区域的异常特征信息，然后结合区域特征信息的第一特征向量以及获取异常特征信息的第二特征向量来确定信息采集区域的区域画像日志信息，由此进行交通异常检测。由于每个信息采集区域为逻辑采集区域，且对应有交通标签，由此基于交通标签以充分考虑到不同交通运输类型产生的交通信息的特征差距，使得在进行交通异常检测时可以有效减少噪声数据，进而提高检测结果的精度。
在一种可能的设计中，针对步骤S110，本实施例在提取信息采集区域的区域特征信息时，为了进一步使得提取出的区域特征信息能够准确反映不同交通运输类型产生的交通信息的特征差距，具体可以针对信息采集区域所对应的交通信息采集设备200所采集的交通信息的每个采集节点，获取采集节点对应的采集信息序列和采集备注信息。其中，采集备注信息包括需要在采集信息中显示的备注内容，备注内容至少包括采集设备类型和采集过程信息，采集过程信息用于表示交通信息采集设备200在采集交通信息过程中的控制信息。
例如，控制信息可以是指交通信息采集设备200在采集过程中的方位转向信息、采集频率信息等，具体可以根据交通信息采集设备200的采集类型的不同进行确定，在此不作具体限定。
在以上基础上，本实施例可以根据采集备注信息获取信息采集区域所对应的区域分离位置。其中，区域分离位置为信息采集区域中当前动态采集区域与静态采集区域的区域分离位置，动态采集区域用于表示可进行多个方位切换采集的采集区域，静态采集区域用于表示可进行固定方位采集的采集区域。
例如，针对卡口相机等具有多方位信息采集功能的设备所对应的采集区域，可以理解为可进行多个方位切换采集的采集区域，针对交通流量监测设备等不具有多方位信息采集功能的设备所对应的采集区域，可以理解为可进行固定方位采集的采集区域。
由此，为了在特征提取过程中准确区分动态采集区域和静态采集区域，接下来可以将采集信息序列中每个目标采集记录的位置与区域分离位置进行比较，得到比较结果，并根据比较结果确定目标采集记录是位于动态采集区域还是位于静态采集区域内。
例如，以动态采集区域位于区域分离位置的正向，静态采集区域位于区域分离位置的负向为例，如果目标采集记录的位置与区域分离位置之间的位置向量为设定长度的正向量，则可以确定目标采集记录是位于动态采集区域，如果目标采集记录的位置与区域分离位置之间的位置向量为设定长度的负向量，则可以确定目标采集记录是位于静态采集区域。
又例如，以动态采集区域位于区域分离位置的负向，静态采集区域位于区域分离位置的正向为例，如果目标采集记录的位置与区域分离位置之间的位置向量为设定长度的负向量，则可以确定目标采集记录是位于动态采集区域，如果目标采集记录的位置与区域分离位置之间的位置向量为设定长度的正向量，则可以确定目标采集记录是位于静态采集区域。
与此同时，可以根据采集信息序列构建待聚类的目标采集信息序列，目标采集信息序列中采集记录的记录范围为预设记录范围。 接着，则可以根据采集信息序列从采集备注信息中选取相应的目标动态控制信息，并从目标采集信息序列中获取位于动态采集区域和静态采集区域内的目标采集记录。
由此，当目标采集记录位于当前的动态采集区域内时，根据目标采集记录的位置在采集信息序列中确定相应的第一待聚类采集记录、以及在采集备注信息中确定相应的第三待聚类采集记录，并将第一待聚类采集记录在采集信息序列中的记录范围、与第三待聚类采集记录在采集备注信息中的记录范围进行聚类，得到聚类后记录范围，而后将目标采集记录在目标采集信息序列中的记录范围更新为聚类后记录范围。
又例如，当目标采集记录位于当前的静态采集区域内时，根据目标采集记录的位置在采集信息序列中确定相应的第一待聚类采集记录、以及在目标动态控制信息中确定相应的第二待聚类采集记录，并将第一待聚类采集记录在采集信息序列中的记录范围、与第二待聚类采集记录在目标动态控制信息中的记录范围进行聚类，得到聚类后记录范围，而后将目标采集记录在目标采集信息序列中的记录范围更新为聚类后记录范围。
如此，可以按照目标采集记录所位于的采集区域，提取更新为聚类后记录范围的该目标采集记录的特征信息，并汇总后得到信息采集区域的区域特征信息。按照上述方案得到的区域特征信息，能够一步使得提取出的区域特征信息能够准确反映不同交通运输类型产生的交通信息的特征差距，并且通过准确区分动态采集区域和静态采集区域，使得提取出的区域特征信息更具有区分性，以便于提高后续异常特征提取的准确性。
在一种可能的设计中，接下来针对步骤S120，本实施例可以根据预先得到的与信息采集区域的交通标签对应的至少一个第一异常检测模型对区域特征信息进行异常检测，分别得到至少一个异常检测特征空间。
接着，在至少一个异常检测特征空间上进行异常行为特征提取，得到区域特征信息的异常行为特征，异常行为特征用于描述信息采集区域的异常行为。
而后，在至少一个异常检测特征空间上进行异常变化特征提取，得到区域特征信息的异常变化特征，异常变化特征用于描述信息采集区域的异常变化，异常变化用于表示信息采集区域中由正常行为切换为异常行为时的变化情况或者由异常行为切换为正常行为时的变化情况。
接下来，本实施例需要进一步考虑到区域特征信息包括的区域特征向量的情况，以进一步减少噪声数据。
例如，当区域特征信息包括一个区域特征向量时，基于区域特征信息的异常行为特征和异常变化特征，对区域特征向量的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到第一朴素贝叶斯计算结果，并基于第一朴素贝叶斯计算结果中与异常行为特征匹配的朴素贝叶斯计算结果，在异常特征数据库的朴素贝叶斯计算结果中进行查找，得到与异常行为特征匹配的第一异常特征查找结果，而后基于第一朴素贝叶斯计算结果中与异常变化特征匹配的朴素贝叶斯计算结果，在异常特征数据库的朴素贝叶斯计算结果中进行查找，得到与异常变化特征匹配的第二异常特征查找结果，并获取第一异常特征查找结果和第二异常特征查找结果中相同的异常特征查找结果，得到初步异常特征查找结果，对于初步异常特征查找结果中包括的每一项异常特征查找结果，获取异常特征查找结果与区域特征向量之间的相似度，并按照与每一项异常特征查找结果匹配的相似度，对初步异常特征查找结果中包括的异常特征查找结果进行合并处理，得到目标异常特征查找结果。
又例如，当区域特征信息包括至少两个区域特征向量时，对于区域特征信息中的每一个区域特征向量，对区域特征向量的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到第二朴素贝叶斯计算结果，并基于第二朴素贝叶斯计算结果，在异常特征数据库的朴素贝叶斯计算结果中进行查找，得到初步异常特征查找结果，并对与每一个区域特征向量匹配的初步异常特征查找结果进行合并处理，得到目标异常特征查找结果。
对于目标异常特征查找结果中的每一项异常特征查找结果，对异常特征查找结果进行分节点处理，获取异常特征查找结果的关键特征向量节点，并对获取到的每一个关键特征向量节点分别进行异常行为特征提取和异常变化特征提取，对于每一个关键特征向量节点，对关键特征向量节点的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到关键特征向量节点的朴素贝叶斯计算结果，而后获取关键特征向量节点在异常特征查找结果中的节点位置，并基于异常特征查找结果的标识信息以及关键特征向量节点的节点位置，关联关键特征向量节点的朴素贝叶斯计算结果，以得到信息采集区域的异常特征信息，其中，目标异常特征查找结果的朴素贝叶斯计算结果中包括每一项异常特征查找结果的关键特征向量节点的朴素贝叶斯计算结果。
在上述过程中，为了进一步减少噪声数据，对于初步异常特征查找结果中包括的每一项异常特征查找结果，对于每一个区域特征向量，获取区域特征向量与异常特征查找结果之间的相似度，并将每一个区域特征向量分别与异常特征查找结果之间的相似度进行均值计算，得到区域特征信息中包括的区域特征向量与异常特征查找结果之间的平均相似度。
而后，获取区域特征信息中包括的区域特征向量在异常特征查找结果中的出现频率，并基于与每一项异常特征查找结果匹配的平均相似度，对初步异常特征查找结果包括的每一项异常特征查找结果进行排序，若任意两项异常特征查找结果之间的平均相似度的差值位于目标阈值范围内，则按照与两项异常特征查找结果匹配的出现频率，对两项异常特征查找结果进行合并处理。
在一种可能的设计中，针对步骤S130，本实施例可以将区域特征信息输入到信息采集区域的交通标签对应的至少一个第一异常检测模型的模型矩阵中进行计算，得到区域特征信息的第一特征向量，并将异常特征信息输入到信息采集区域的交通标签对应的至少一个第二异常检测模型的模型矩阵进行计算，得到异常特征信息的第二特征向量。
在一种可能的设计中，针对步骤S130，为了进一步减少噪声数据，本实施例可以根据第二特征向量从第一特征向量中匹配出对应的第三特征向量，其中，第三特征向量为第二特征向量第一特征向量中所关联的采集标识区域的特征向量。
在此基础上，可以提取第三特征向量中携带的多个特征分量节点和特征分量节点中的异常分量，并对第三特征向量进行遍历分析，得到与异常分量相关的多个关联异常行为。
例如，当多个关联异常行为均为用于表达异常分量的表达行为时，将多个关联异常行为确定为异常分量对应的可统计异常行为。
又例如，当多个关联异常行为不均为用于表达异常分量的表达行为时，将非表达行为确定为待检测关联异常行为，并将属于用于表达异常分量的表达行为的关联异常行为确定为异常分量对应的可统计异常行为。
在此基础上，可以提取待检测关联异常行为中的行为分量，并检测行为分量的变量类型，若变量类型为非异常关联类型，则对行为分量的分量参数值进行分析，并在分量参数值发生变动时，将待检测关联异常行为确定为异常分量对应的可统计异常行为。
若变量类型为异常关联类型，则查找行为分量对应的所有成员变量，并为成员变量分别设置对应的局部变量，并在成员变量分别对应的局部变量不均与对应的当前变量相等时，确定待检测关联异常行为是用于表达异常分量的表达行为，并将待检测关联异常行为确定为异常分量对应的可统计异常行为。
由此，可以将特征分量节点分别与特征分量节点相关联的可统计异常行为进行组合，得到特征分量节点分别对应的目标区域画像模型，每个目标区域画像模型中包含一个特征分量节点。呈上，通过对目标区域画像模型进行特征提取，并得到与目标区域画像模型对应的特征提取结果，以生成信息采集区域的区域画像日志信息。
在一种可能的设计中，针对步骤S140，为了便于分类，提高目标交通区域的交通检测结果的可靠性，本实施例可以按照每一个信息采集区域的交通标签，获取每一个信息采集区域对应的区域画像排布模板。其中，该区域画像排布模板可包括多个区域画像的目标排布子模板，具体可以由用户来进行灵活配置，属于现有技术部分，本实施例不作具体描述。
接下来，对于每一个信息采集区域，在区域画像排布模板中查找与信息采集区域的区域画像日志信息中的各个区域画像日志下具有相同区域画像的区域画像日志信息的目标排布子模板。而后，按照预设的区域分类标识信息，对基于每一个信息采集区域查找到的目标排布子模板进行排布后的各个区域画像日志信息进行归类，以使具有相同预设的区域分类标识信息的区域画像日志信息规为一类。
若一个归类包含的区域画像日志信息的数量大于第一预设阈值，则将归类的预设的区域分类标识信息所指示的区域画像日志信息确定为候选区域画像日志信息。
对于至少一个候选区域画像日志信息中的每一个候选区域画像日志信息，获取候选区域画像日志信息与上一次检测到的区域画像日志信息之间的第一画像匹配信息，第一画像匹配信息记录了在上一次检测到的区域画像日志信息中与候选区域画像日志信息具有相同区域画像日志信息的画像节点。
作为一种可能的示例，对于第一画像匹配信息中包括的任意两个连续的画像节点，若两个连续的画像节点之间的时间差值小于第二预设阈值且大于第三预设阈值，则将两个连续的画像节点所界定的时间段确定为匹配时间段，并以至少一个匹配时间段为统计基准对每个归类包含的区域画像日志信息进行信息统计，生成目标交通区域的交通检测结果。
作为另一种可能的示例，对于至少一个候选区域画像日志信息中的每一个候选区域画像日志信息，获取候选区域画像日志信息与上一次检测到的区域画像日志信息之间的第二画像匹配信息，第二画像匹配信息记录了在候选区域画像日志信息中与上一次检测到的区域画像日志信息具有相同区域画像日志信息的画像节点，而后根据第一画像匹配信息以及第二画像匹配信息，生成画像节点筛选条件，并按照画像节点筛选条件，在第一画像匹配信息中筛选出目标画像匹配信息后，根据目标画像匹配信息计算至少一个匹配时间段，并以至少一个匹配时间段为统计基准对每个归类包含的区域画像日志信息进行信息统计，生成目标交通区域的交通检测结果。
图3为本申请实施例提供的基于智能交通的信息处理装置300的功能模块示意图，本实施例可以根据上述方法实施例对该基于智能交通的信息处理装置300进行功能模块的划分。例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。比如，在采用对应各个功能划分各个功能模块的情况下，图3示出的基于智能交通的信息处理装置300只是一种装置示意图。其中，基于智能交通的信息处理装置300可以包括特征提取模块310、计算模块320、第一生成模块330以及第二生成模块340，下面分别对该基于智能交通的信息处理装置300的各个功能模块的功能进行详细阐述。
特征提取模块310，用于对于目标交通区域中的每一个信息采集区域，对信息采集区域所对应的交通信息采集设备200所采集的交通信息进行特征提取，得到信息采集区域的区域特征信息。
计算模块320，用于根据信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算信息采集区域的异常特征信息，至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的。
第一生成模块330，用于获取区域特征信息的第一特征向量以及获取异常特征信息的第二特征向量，根据第一特征向量和第二特征向量生成信息采集区域的区域画像日志信息，第一特征向量根据至少一个第一异常检测模型的模型矩阵生成，第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，模型矩阵是通过第一异常检测模型或者第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的。
第二生成模块340，用于基于每一个信息采集区域的区域画像日志信息，生成目标交通区域的交通检测结果。
进一步地，图4为本申请实施例提供的用于执行上述基于智能交通的信息处理方法的服务器100的结构示意图。如图4所示，该服务器100可包括网络接口110、机器可读存储介质120、处理器130以及总线140。处理器130可以是一个或多个，图4中以一个处理器130为例。网络接口110、机器可读存储介质120以及处理器130可以通过总线140或其他方式连接，图4中以通过总线140连接为例。
机器可读存储介质120作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请实施例中的基于智能交通的信息处理方法对应的程序指令/模块（例如图3中所示的基于智能交通的信息处理装置300的特征提取模块310、计算模块320、第一生成模块330以及第二生成模块340）。处理器130通过检测存储在机器可读存储介质120中的软件程序、指令以及模块，从而执行终端设备的各种功能应用以及数据处理，即实现上述的基于智能交通的信息处理方法，在此不再赘述。
机器可读存储介质120可主要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、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，机器可读存储介质120可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合发布节点的存储器。在一些实例中，机器可读存储介质120可进一步包括相对于处理器130远程设置的存储器，这些远程存储器可以通过网络连接至服务器100。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。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。
服务器100可以通过网络接口110和其它设备（例如交通信息采集设备200）进行信息交互。网络接口110可以是电路、总线、收发器或者其它任意可以用于进行信息交互的装置。处理器130可以利用网络接口110收发信息。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
显然，本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例的这些表达和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (8)

1.一种基于智能交通的信息处理方法，其特征在于，应用于服务器，所述服务器与至少一个交通信息采集设备通信连接，所述服务器中预先配置有每个交通信息采集设备所对应的信息采集区域以及每个信息采集区域对应的交通标签，所述信息采集区域为连通区域或者非连通区域，所述交通标签用于表征所述信息采集区域的交通运输类型，交通信息采集设备包括交通检测传感器和交通卡口相机，所述方法包括：
对于目标交通区域中的每一个信息采集区域，对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息；
根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息，所述至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的，异常特征是指被标记为存在异常情况的特征；
获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量，根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息，所述第一特征向量根据所述至少一个第一异常检测模型的模型矩阵生成，所述第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，所述至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，所述模型矩阵是通过所述第一异常检测模型或者所述第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的；
基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果；
所述对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息的步骤，包括：
针对所述信息采集区域所对应的交通信息采集设备所采集的交通信息的每个采集节点，获取所述采集节点对应的采集信息序列和采集备注信息，所述采集备注信息包括需要在采集信息中显示的备注内容，所述备注内容至少包括采集设备类型和采集过程信息，所述采集过程信息用于表示所述交通信息采集设备在采集交通信息过程中的控制信息，控制信息指交通信息采集设备在采集过程中的方位转向信息和采集频率信息；
根据所述采集备注信息获取所述信息采集区域所对应的区域分离位置，其中，所述区域分离位置为所述信息采集区域中当前动态采集区域与静态采集区域的区域分离位置，所述动态采集区域用于表示可进行多个方位切换采集的采集区域，所述静态采集区域用于表示可进行固定方位采集的采集区域；
将所述采集信息序列中每个目标采集记录的位置与所述区域分离位置进行比较，得到比较结果，并根据所述比较结果确定所述目标采集记录是位于所述动态采集区域还是位于所述静态采集区域内；
根据所述采集信息序列构建待聚类的目标采集信息序列，所述目标采集信息序列中采集记录的记录范围为预设记录范围；
根据所述采集信息序列从所述采集备注信息中选取相应的目标动态控制信息，并从所述目标采集信息序列中获取位于所述动态采集区域和静态采集区域内的目标采集记录；
当所述目标采集记录位于当前的动态采集区域内时，根据所述目标采集记录的位置在采集信息序列中确定相应的第一待聚类采集记录、以及在所述采集备注信息中确定相应的第三待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第三待聚类采集记录在所述采集备注信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
当所述目标采集记录位于当前的静态采集区域内时，根据所述目标采集记录的位置在所述采集信息序列中确定相应的第一待聚类采集记录、以及在所述目标动态控制信息中确定相应的第二待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第二待聚类采集记录在所述目标动态控制信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
按照所述目标采集记录所位于的采集区域，提取更新为聚类后记录范围的该目标采集记录的特征信息，并汇总后得到所述信息采集区域的区域特征信息。
2.根据权利要求1所述的基于智能交通的信息处理方法，其特征在于，所述根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息的步骤，包括：
根据预先得到的与所述信息采集区域的交通标签对应的至少一个第一异常检测模型对所述区域特征信息进行异常检测，分别得到至少一个异常检测特征空间；
在所述至少一个异常检测特征空间上进行异常行为特征提取，得到所述区域特征信息的异常行为特征，所述异常行为特征用于描述所述信息采集区域的异常行为；
在所述至少一个异常检测特征空间上进行异常变化特征提取，得到所述区域特征信息的异常变化特征，所述异常变化特征用于描述信息采集区域的异常变化，所述异常变化用于表示所述信息采集区域中由正常行为切换为异常行为时的变化情况或者由异常行为切换为正常行为时的变化情况；
当所述区域特征信息包括一个区域特征向量时，基于所述区域特征信息的异常行为特征和异常变化特征，对所述区域特征向量的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到第一朴素贝叶斯计算结果，并基于所述第一朴素贝叶斯计算结果中与所述异常行为特征匹配的朴素贝叶斯计算结果，在异常特征数据库的朴素贝叶斯计算结果中进行查找，得到与所述异常行为特征匹配的第一异常特征查找结果，而后基于所述第一朴素贝叶斯计算结果中与所述异常变化特征匹配的朴素贝叶斯计算结果，在所述异常特征数据库的朴素贝叶斯计算结果中进行查找，得到与所述异常变化特征匹配的第二异常特征查找结果，并获取所述第一异常特征查找结果和所述第二异常特征查找结果中相同的异常特征查找结果，得到初步异常特征查找结果，对于所述初步异常特征查找结果中包括的每一项异常特征查找结果，获取所述异常特征查找结果与所述区域特征向量之间的相似度，并按照与所述每一项异常特征查找结果匹配的相似度，对所述初步异常特征查找结果中包括的异常特征查找结果进行合并处理，得到目标异常特征查找结果；
当所述区域特征信息包括至少两个区域特征向量时，对于所述区域特征信息中的每一个区域特征向量，对所述区域特征向量的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到第二朴素贝叶斯计算结果，并基于所述第二朴素贝叶斯计算结果，在所述异常特征数据库的朴素贝叶斯计算结果中进行查找，得到初步异常特征查找结果，并对与每一个区域特征向量匹配的初步异常特征查找结果进行合并处理，得到所述目标异常特征查找结果；
对于所述目标异常特征查找结果中的每一项异常特征查找结果，对所述异常特征查找结果进行分节点处理，获取所述异常特征查找结果的关键特征向量节点，并对获取到的每一个关键特征向量节点分别进行异常行为特征提取和异常变化特征提取，对于所述每一个关键特征向量节点，对所述关键特征向量节点的异常行为特征和异常变化特征分别进行朴素贝叶斯计算，得到所述关键特征向量节点的朴素贝叶斯计算结果，而后获取所述关键特征向量节点在所述异常特征查找结果中的节点位置，并基于所述异常特征查找结果的标识信息以及所述关键特征向量节点的节点位置，关联所述关键特征向量节点的朴素贝叶斯计算结果，以得到所述信息采集区域的异常特征信息，其中，所述目标异常特征查找结果的朴素贝叶斯计算结果中包括所述每一项异常特征查找结果的关键特征向量节点的朴素贝叶斯计算结果。
3.根据权利要求2所述的基于智能交通的信息处理方法，其特征在于，所述对与每一个区域特征向量匹配的初步异常特征查找结果进行合并处理的步骤，包括：
对于所述初步异常特征查找结果中包括的每一项异常特征查找结果，对于每一个区域特征向量，获取所述区域特征向量与所述异常特征查找结果之间的相似度；
将所述每一个区域特征向量分别与所述异常特征查找结果之间的相似度进行均值计算，得到所述区域特征信息中包括的区域特征向量与所述异常特征查找结果之间的平均相似度；
获取所述区域特征信息中包括的区域特征向量在所述异常特征查找结果中的出现频率；
基于与每一项异常特征查找结果匹配的平均相似度，对所述初步异常特征查找结果包括的每一项异常特征查找结果进行排序；
若任意两项异常特征查找结果之间的平均相似度的差值位于目标阈值范围内，则按照与所述两项异常特征查找结果匹配的出现频率，对所述两项异常特征查找结果进行合并处理。
4.根据权利要求1所述的基于智能交通的信息处理方法，其特征在于，所述获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量的步骤，包括：
将所述区域特征信息输入到所述信息采集区域的交通标签对应的至少一个第一异常检测模型的模型矩阵中进行计算，得到所述区域特征信息的第一特征向量；
将所述异常特征信息输入到所述信息采集区域的交通标签对应的至少一个第二异常检测模型的模型矩阵进行计算，得到异常特征信息的第二特征向量。
5.根据权利要求1-4中任意一项所述的基于智能交通的信息处理方法，其特征在于，所述根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息的步骤，包括：
根据所述第二特征向量从所述第一特征向量中匹配出对应的第三特征向量，其中，所述第三特征向量为所述第二特征向量所述第一特征向量中所关联的采集标识区域的特征向量；
提取所述第三特征向量中携带的多个特征分量节点和所述特征分量节点中的异常分量；
对所述第三特征向量进行遍历分析，得到与所述异常分量相关的多个关联异常行为；
当所述多个关联异常行为均为用于表达所述异常分量的表达行为时，将所述多个关联异常行为确定为所述异常分量对应的可统计异常行为；
当所述多个关联异常行为不均为用于表达所述异常分量的表达行为时，将非表达行为确定为待检测关联异常行为，并将属于用于表达所述异常分量的表达行为的关联异常行为确定为所述异常分量对应的可统计异常行为；
提取所述待检测关联异常行为中的行为分量，并检测所述行为分量的变量类型，若所述变量类型为非异常关联类型，则对所述行为分量的分量参数值进行分析，并在所述分量参数值发生变动时，将所述待检测关联异常行为确定为所述异常分量对应的可统计异常行为；
若所述变量类型为异常关联类型，则查找所述行为分量对应的所有成员变量，并为所述成员变量分别设置对应的局部变量，并在所述成员变量分别对应的局部变量不均与对应的当前变量相等时，确定所述待检测关联异常行为是用于表达所述异常分量的表达行为，并将所述待检测关联异常行为确定为所述异常分量对应的可统计异常行为；
将所述特征分量节点分别与所述特征分量节点相关联的可统计异常行为进行组合，得到所述特征分量节点分别对应的目标区域画像模型，每个目标区域画像模型中包含一个特征分量节点；
对目标区域画像模型进行特征提取，并得到与所述目标区域画像模型对应的特征提取结果，以生成所述信息采集区域的区域画像日志信息。
6.根据权利要求1-5中任意一项所述的基于智能交通的信息处理方法，其特征在于，所述基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果的步骤，包括：
按照每一个信息采集区域的交通标签，获取每一个信息采集区域对应的区域画像排布模板；
对于所述每一个信息采集区域，在所述区域画像排布模板中查找与所述信息采集区域的区域画像日志信息中的各个区域画像日志下具有相同区域画像的区域画像日志信息的目标排布子模板；
按照预设的区域分类标识信息，对基于所述每一个信息采集区域查找到的目标排布子模板进行排布后的各个区域画像日志信息进行归类，以使具有相同预设的区域分类标识信息的区域画像日志信息规为一类；
若一个归类包含的区域画像日志信息的数量大于第一预设阈值，则将归类的预设的区域分类标识信息所指示的区域画像日志信息确定为候选区域画像日志信息；
对于至少一个候选区域画像日志信息中的每一个候选区域画像日志信息，获取所述候选区域画像日志信息与上一次检测到的区域画像日志信息之间的第一画像匹配信息，所述第一画像匹配信息记录了在所述上一次检测到的区域画像日志信息中与所述候选区域画像日志信息具有相同区域画像日志信息的画像节点；
对于所述第一画像匹配信息中包括的任意两个连续的画像节点，若所述两个连续的画像节点之间的时间差值小于第二预设阈值且大于第三预设阈值，则将所述两个连续的画像节点所界定的时间段确定为匹配时间段，并以至少一个匹配时间段为统计基准对每个归类包含的区域画像日志信息进行信息统计，生成所述目标交通区域的交通检测结果；或者
对于所述至少一个候选区域画像日志信息中的每一个候选区域画像日志信息，获取所述候选区域画像日志信息与所述上一次检测到的区域画像日志信息之间的第二画像匹配信息，所述第二画像匹配信息记录了在所述候选区域画像日志信息中与所述上一次检测到的区域画像日志信息具有相同区域画像日志信息的画像节点，而后根据所述第一画像匹配信息以及所述第二画像匹配信息，生成画像节点筛选条件，并按照所述画像节点筛选条件，在所述第一画像匹配信息中筛选出目标画像匹配信息后，根据所述目标画像匹配信息计算至少一个匹配时间段，并以所述至少一个匹配时间段为统计基准对所述每个归类包含的区域画像日志信息进行信息统计，生成所述目标交通区域的交通检测结果。
7.一种基于智能交通的信息处理装置，其特征在于，应用于服务器，所述服务器与至少一个交通信息采集设备通信连接，所述服务器中预先配置有每个交通信息采集设备所对应的信息采集区域以及每个信息采集区域对应的交通标签，所述信息采集区域为连通区域或者非连通区域，所述交通标签用于表征所述信息采集区域的交通运输类型，交通信息采集设备包括交通检测传感器和交通卡口相机，所述装置包括：
特征提取模块，用于对于目标交通区域中的每一个信息采集区域，对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息；
计算模块，用于根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息，所述至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的，异常特征是指被标记为存在异常情况的特征；
第一生成模块，用于获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量，根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息，所述第一特征向量根据所述至少一个第一异常检测模型的模型矩阵生成，所述第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，所述至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，所述模型矩阵是通过所述第一异常检测模型或者所述第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的；
第二生成模块，用于基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果；
所述特征提取模块，具体用于：
针对所述信息采集区域所对应的交通信息采集设备所采集的交通信息的每个采集节点，获取所述采集节点对应的采集信息序列和采集备注信息，所述采集备注信息包括需要在采集信息中显示的备注内容，所述备注内容至少包括采集设备类型和采集过程信息，所述采集过程信息用于表示所述交通信息采集设备在采集交通信息过程中的控制信息，控制信息指交通信息采集设备在采集过程中的方位转向信息和采集频率信息；
根据所述采集备注信息获取所述信息采集区域所对应的区域分离位置，其中，所述区域分离位置为所述信息采集区域中当前动态采集区域与静态采集区域的区域分离位置，所述动态采集区域用于表示可进行多个方位切换采集的采集区域，所述静态采集区域用于表示可进行固定方位采集的采集区域；
将所述采集信息序列中每个目标采集记录的位置与所述区域分离位置进行比较，得到比较结果，并根据所述比较结果确定所述目标采集记录是位于所述动态采集区域还是位于所述静态采集区域内；
根据所述采集信息序列构建待聚类的目标采集信息序列，所述目标采集信息序列中采集记录的记录范围为预设记录范围；
根据所述采集信息序列从所述采集备注信息中选取相应的目标动态控制信息，并从所述目标采集信息序列中获取位于所述动态采集区域和静态采集区域内的目标采集记录；
当所述目标采集记录位于当前的动态采集区域内时，根据所述目标采集记录的位置在采集信息序列中确定相应的第一待聚类采集记录、以及在所述采集备注信息中确定相应的第三待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第三待聚类采集记录在所述采集备注信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
当所述目标采集记录位于当前的静态采集区域内时，根据所述目标采集记录的位置在所述采集信息序列中确定相应的第一待聚类采集记录、以及在所述目标动态控制信息中确定相应的第二待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第二待聚类采集记录在所述目标动态控制信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
按照所述目标采集记录所位于的采集区域，提取更新为聚类后记录范围的该目标采集记录的特征信息，并汇总后得到所述信息采集区域的区域特征信息。
8.一种智能交通系统，其特征在于，所述智能交通系统包括服务器以及与所述服务器通信连接的至少一个交通信息采集设备，所述服务器中预先配置有每个交通信息采集设备所对应的信息采集区域以及每个信息采集区域对应的交通标签，所述信息采集区域为连通区域或者非连通区域，所述交通标签用于表征所述信息采集区域的交通运输类型，交通信息采集设备包括交通检测传感器和交通卡口相机；
每个交通信息采集设备，用于向所述服务器发送采集的交通信息；
对于目标交通区域中的每一个信息采集区域，所述服务器，用于对所述信息采集区域所对应的交通信息采集设备所采集的交通信息进行特征提取，得到所述信息采集区域的区域特征信息；
所述服务器，用于根据所述信息采集区域的区域特征信息和预先得到的至少一个第一异常检测模型，计算所述信息采集区域的异常特征信息，所述至少一个第一异常检测模型是通过对标注异常特征的不同交通标签的信息采集区域的区域特征信息进行训练得到的，异常特征是指被标记为存在异常情况的特征；
所述服务器，用于获取所述区域特征信息的第一特征向量以及获取所述异常特征信息的第二特征向量，根据所述第一特征向量和所述第二特征向量生成所述信息采集区域的区域画像日志信息，所述第一特征向量根据所述至少一个第一异常检测模型的模型矩阵生成，所述第二特征向量根据预先得到的至少一个第二异常检测模型的模型矩阵生成，所述至少一个第二异常检测模型是通过对标注关键特征向量的不同交通标签的异常特征信息进行训练得到的，所述模型矩阵是通过所述第一异常检测模型或者所述第二异常检测模型完成训练时的各个不同类型的交通检测参数得到的；
所述服务器，用于基于所述每一个信息采集区域的区域画像日志信息，生成所述目标交通区域的交通检测结果；
所述服务器具体用于：
针对所述信息采集区域所对应的交通信息采集设备所采集的交通信息的每个采集节点，获取所述采集节点对应的采集信息序列和采集备注信息，所述采集备注信息包括需要在采集信息中显示的备注内容，所述备注内容至少包括采集设备类型和采集过程信息，所述采集过程信息用于表示所述交通信息采集设备在采集交通信息过程中的控制信息，控制信息指交通信息采集设备在采集过程中的方位转向信息和采集频率信息；
根据所述采集备注信息获取所述信息采集区域所对应的区域分离位置，其中，所述区域分离位置为所述信息采集区域中当前动态采集区域与静态采集区域的区域分离位置，所述动态采集区域用于表示可进行多个方位切换采集的采集区域，所述静态采集区域用于表示可进行固定方位采集的采集区域；
将所述采集信息序列中每个目标采集记录的位置与所述区域分离位置进行比较，得到比较结果，并根据所述比较结果确定所述目标采集记录是位于所述动态采集区域还是位于所述静态采集区域内；
根据所述采集信息序列构建待聚类的目标采集信息序列，所述目标采集信息序列中采集记录的记录范围为预设记录范围；
根据所述采集信息序列从所述采集备注信息中选取相应的目标动态控制信息，并从所述目标采集信息序列中获取位于所述动态采集区域和静态采集区域内的目标采集记录；
当所述目标采集记录位于当前的动态采集区域内时，根据所述目标采集记录的位置在采集信息序列中确定相应的第一待聚类采集记录、以及在所述采集备注信息中确定相应的第三待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第三待聚类采集记录在所述采集备注信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
当所述目标采集记录位于当前的静态采集区域内时，根据所述目标采集记录的位置在所述采集信息序列中确定相应的第一待聚类采集记录、以及在所述目标动态控制信息中确定相应的第二待聚类采集记录，并将所述第一待聚类采集记录在所述采集信息序列中的记录范围、与所述第二待聚类采集记录在所述目标动态控制信息中的记录范围进行聚类，得到聚类后记录范围，而后将所述目标采集记录在所述目标采集信息序列中的记录范围更新为所述聚类后记录范围；
按照所述目标采集记录所位于的采集区域，提取更新为聚类后记录范围的该目标采集记录的特征信息，并汇总后得到所述信息采集区域的区域特征信息。
CN202011053603.XA 2020-02-27 2020-02-27 基于智能交通的信息处理方法、装置及智能交通系统 Active CN112150814B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011053603.XA CN112150814B (zh) 2020-02-27 2020-02-27 基于智能交通的信息处理方法、装置及智能交通系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011053603.XA CN112150814B (zh) 2020-02-27 2020-02-27 基于智能交通的信息处理方法、装置及智能交通系统
CN202010122261.6A CN111210634B (zh) 2020-02-27 2020-02-27 智能交通信息处理方法、装置、智能交通系统及服务器

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN202010122261.6A Division CN111210634B (zh) 2020-02-27 2020-02-27 智能交通信息处理方法、装置、智能交通系统及服务器

Publications (2)

Publication Number Publication Date
CN112150814A true CN112150814A (zh) 2020-12-29
CN112150814B CN112150814B (zh) 2022-04-15

Family

ID=70786835

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202011050069.7A Active CN112164223B (zh) 2020-02-27 2020-02-27 基于云平台的智能交通信息处理方法及装置
CN202011053603.XA Active CN112150814B (zh) 2020-02-27 2020-02-27 基于智能交通的信息处理方法、装置及智能交通系统
CN202010122261.6A Active CN111210634B (zh) 2020-02-27 2020-02-27 智能交通信息处理方法、装置、智能交通系统及服务器

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202011050069.7A Active CN112164223B (zh) 2020-02-27 2020-02-27 基于云平台的智能交通信息处理方法及装置

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202010122261.6A Active CN111210634B (zh) 2020-02-27 2020-02-27 智能交通信息处理方法、装置、智能交通系统及服务器

Country Status (1)

Country Link
CN (3) CN112164223B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112417221A (zh) * 2020-06-06 2021-02-26 谢国柱 基于人工智能的互联网大数据处理方法、系统及服务平台
CN111831662B (zh) * 2020-07-24 2021-01-12 深圳市网通兴技术发展有限公司 一种医疗数据信息处理方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093619A (zh) * 2013-01-05 2013-05-08 北京世纪高通科技有限公司 基于智能交通系统的交通评价方法及装置
EP3051516A1 (en) * 2015-01-30 2016-08-03 Siemens Corporation Real-time monitoring and diagnostic processing of traffic control data
CN107832688A (zh) * 2017-10-27 2018-03-23 浙江农林大学 一种交通路口视频监控的交通模式和异常行为的检测方法
CN107925600A (zh) * 2015-12-16 2018-04-17 松下电器（美国）知识产权公司 安全处理方法以及服务器
CN108269398A (zh) * 2017-12-27 2018-07-10 深圳市元征软件开发有限公司 一种道路交通数据的记录方法及车载设备
CN109493604A (zh) * 2018-11-30 2019-03-19 平安科技（深圳）有限公司 利用大数据的交通调控方法、装置和计算机设备
CN109844832A (zh) * 2016-12-30 2019-06-04 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN109886209A (zh) * 2019-02-25 2019-06-14 成都旷视金智科技有限公司 异常行为检测方法及装置、车载设备
CN110050300A (zh) * 2017-11-13 2019-07-23 北京嘀嘀无限科技发展有限公司 交通拥堵监控系统和方法
US20190228649A1 (en) * 2018-01-23 2019-07-25 International Business Machines Corporation Detection of vehicle queueing events on a road
WO2019145018A1 (en) * 2018-01-23 2019-08-01 Siemens Aktiengesellschaft System, device and method for detecting abnormal traffic events in a geographical location
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统
CN110781711A (zh) * 2019-01-21 2020-02-11 北京嘀嘀无限科技发展有限公司 目标对象识别方法、装置、电子设备及存储介质

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101458871B (zh) * 2008-12-25 2014-03-26 北京中星微电子有限公司 一种智能交通分析系统及其应用系统
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
JP4728444B2 (ja) * 2010-08-23 2011-07-20 独立行政法人産業技術総合研究所 異常領域検出装置および異常領域検出方法
JP6655416B2 (ja) * 2016-02-17 2020-02-26 日立オートモティブシステムズ株式会社 車両制御装置
US20180007578A1 (en) * 2016-06-30 2018-01-04 Alcatel-Lucent Usa Inc. Machine-to-Machine Anomaly Detection
CN107644206A (zh) * 2017-09-20 2018-01-30 深圳市晟达机械设计有限公司 一种道路异常行为动作检测装置
CN109934075A (zh) * 2017-12-19 2019-06-25 杭州海康威视数字技术股份有限公司 异常事件检测方法、装置、系统及电子设备
CN108197261A (zh) * 2017-12-30 2018-06-22 北京通途永久科技有限公司 一种智慧交通操作系统
JP6795533B2 (ja) * 2018-02-27 2020-12-02 日本電信電話株式会社 トラフィック異常検知装置、トラフィック異常検知方法、及びトラフィック異常検知プログラム
CN109284705B (zh) * 2018-09-07 2021-10-26 电子科技大学 一种交通监控视频的异常检测方法
CN109740478B (zh) * 2018-12-26 2023-04-28 杨先明 车辆检测及识别方法、装置、计算机设备及可读存储介质
CN110399364B (zh) * 2019-07-11 2022-06-03 北京航空航天大学 一种基于多种公路检测器数据的数据融合方法
CN110557402A (zh) * 2019-09-25 2019-12-10 北京天融信网络安全技术有限公司 异常流量的检测方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093619A (zh) * 2013-01-05 2013-05-08 北京世纪高通科技有限公司 基于智能交通系统的交通评价方法及装置
EP3051516A1 (en) * 2015-01-30 2016-08-03 Siemens Corporation Real-time monitoring and diagnostic processing of traffic control data
CN107925600A (zh) * 2015-12-16 2018-04-17 松下电器（美国）知识产权公司 安全处理方法以及服务器
CN109844832A (zh) * 2016-12-30 2019-06-04 同济大学 一种基于行程时间分布的多模态交通异常检测方法
CN107832688A (zh) * 2017-10-27 2018-03-23 浙江农林大学 一种交通路口视频监控的交通模式和异常行为的检测方法
CN110050300A (zh) * 2017-11-13 2019-07-23 北京嘀嘀无限科技发展有限公司 交通拥堵监控系统和方法
CN108269398A (zh) * 2017-12-27 2018-07-10 深圳市元征软件开发有限公司 一种道路交通数据的记录方法及车载设备
US20190228649A1 (en) * 2018-01-23 2019-07-25 International Business Machines Corporation Detection of vehicle queueing events on a road
WO2019145018A1 (en) * 2018-01-23 2019-08-01 Siemens Aktiengesellschaft System, device and method for detecting abnormal traffic events in a geographical location
CN109493604A (zh) * 2018-11-30 2019-03-19 平安科技（深圳）有限公司 利用大数据的交通调控方法、装置和计算机设备
CN110781711A (zh) * 2019-01-21 2020-02-11 北京嘀嘀无限科技发展有限公司 目标对象识别方法、装置、电子设备及存储介质
CN109886209A (zh) * 2019-02-25 2019-06-14 成都旷视金智科技有限公司 异常行为检测方法及装置、车载设备
CN110570664A (zh) * 2019-09-23 2019-12-13 山东科技大学 一种高速公路交通事件自动检测系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李玺，查宇飞等: "深度学习的目标跟踪算法综述", 《中国图像图形学报》 *

Also Published As

Publication number Publication date
CN111210634A (zh) 2020-05-29
CN112150814B (zh) 2022-04-15
CN112164223A (zh) 2021-01-01
CN111210634B (zh) 2020-11-17
CN112164223B (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
CN112232293B (zh) 图像处理模型训练、图像处理方法及相关设备
CN111652912B (zh) 车辆计数方法和系统、数据处理设备及智能拍摄设备
CN109359690B (zh) 基于卡口数据的车辆出行轨迹识别方法
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN112150814B (zh) 基于智能交通的信息处理方法、装置及智能交通系统
CN112434566B (zh) 客流统计方法、装置、电子设备及存储介质
CN112309126B (zh) 车牌检测方法、装置、电子设备及计算机可读存储介质
CN112965960A (zh) 一种智慧警务数据融合清洗研判装置
CN111860383B (zh) 一种群体异常行为识别方法、装置、设备及存储介质
CN116467615A (zh) 车辆轨迹的聚类方法和装置、存储介质和电子装置
CN115830399A (zh) 分类模型训练方法、装置、设备、存储介质和程序产品
CN118230563A (zh) 基于车牌识别的车位锁管理方法及相关装置
CN117456482B (zh) 一种面向交通监控场景的异常事件识别方法及系统
CN115984634B (zh) 图像检测方法、装置、设备、存储介质和程序产品
CN110728229B (zh) 图像处理方法、装置、设备和存储介质
CN112418118A (zh) 一种无监督桥下行人入侵检测方法及装置
CN109344729B (zh) 一种识别道路中人员运动的方法
CN114119953A (zh) 快速车牌定位和矫正方法、存储介质及设备
KR102286250B1 (ko) Cctv를 이용한 차량 번호 인식 시스템
CN113762043A (zh) 异常轨迹识别方法及装置
CN113221982A (zh) 一种车辆识别方法、车辆识别模型创建方法及相关组件
CN106097751A (zh) 车辆行驶控制方法及装置
CN112085082A (zh) 一种污水排放实时监测方法、装置及服务器
CN111325242A (zh) 一种图像的分类方法、终端及计算机存储介质
CN118799639A (zh) 多策略融合的可疑样本筛选方法、系统、设备及介质

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
TA01 Transfer of patent application right

Effective date of registration: 20220322

Address after: 518000 room c8g-201, building C8, TCL Science Park, No. 1001, Zhongshan Park Road, Shuguang community, Xili street, Nanshan District, Shenzhen, Guangdong

Applicant after: Shenzhen Pinxuan Intelligent Image Technology Co.,Ltd.

Address before: Room 115-a, entrepreneurship center, Qingdao hi tech Industrial Development Zone, Shandong Province 266109

Applicant before: Zhou Guoxia

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant