CN113034894A - 一种etc门架系统、高速公路路段封闭预警方法及装置 - Google Patents
一种etc门架系统、高速公路路段封闭预警方法及装置 Download PDFInfo
- Publication number
- CN113034894A CN113034894A CN202110157362.1A CN202110157362A CN113034894A CN 113034894 A CN113034894 A CN 113034894A CN 202110157362 A CN202110157362 A CN 202110157362A CN 113034894 A CN113034894 A CN 113034894A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- portal
- current vehicle
- neural network
- 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 26
- 210000004258 portal system Anatomy 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 37
- 238000004891 communication Methods 0.000 claims description 20
- 230000006698 induction Effects 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
-
- E—FIXED CONSTRUCTIONS
- E01—CONSTRUCTION OF ROADS, RAILWAYS, OR BRIDGES
- E01F—ADDITIONAL WORK, SUCH AS EQUIPPING ROADS OR THE CONSTRUCTION OF PLATFORMS, HELICOPTER LANDING STAGES, SIGNS, SNOW FENCES, OR THE LIKE
- E01F9/00—Arrangement of road signs or traffic signals; Arrangements for enforcing caution
- E01F9/60—Upright bodies, e.g. marker posts or bollards; Supports for road signs
- E01F9/696—Overhead structures, e.g. gantries; Foundation means specially adapted therefor
-
- 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
- G07—CHECKING-DEVICES
- G07B—TICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
- G07B15/00—Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
- G07B15/06—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems
- G07B15/063—Arrangements for road pricing or congestion charging of vehicles or vehicle users, e.g. automatic toll systems using wireless information transmission between the vehicle and a fixed station
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Abstract
本说明书一个或多个实施例提供一种ETC门架系统、高速公路路段封闭预警方法及装置,其中,预测方法通过获取高速公路路网中车辆的行驶轨迹历史信息;将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息,从而实现对高速公路的车辆信息和车辆行驶轨迹信息的采集,并利用采集到的数据对高速公路封闭路段进行提前预警,有利于驾驶人及早地采取应对措施,缓解交通拥堵,提高道路通行能力。
Description
技术领域
本说明书一个或多个实施例涉及高速公路路况预警技术领域,尤其涉及一种ETC门架系统、高速公路路段封闭预警方法及装置。
背景技术
目前,全国取消高速公路省界收费站,全国高速公路收费并网运行。在此背景下,高速公路路网中如果某个路段出现问题无法通行时,在拆掉省界收费站后,路段封闭的影响在路网层面可以超过2000公里。
因此,当高速公路部分区域发生异常情况导致封闭时,如何尽可能早的通知行驶中的车辆避让成为一个亟待解决的问题。
CPC卡(高速公路复合通行卡),是取消高速公路省界收费站试点工程的基础性、核心工作之一。没有办理ETC卡的车主,需要在高速公路入口领取CPC卡,出口交还CPC卡;已经办理ETC卡的车主,通过ETC装置即可实现与外界的数据通讯。ETC卡和CPC卡在车辆上的应用,实现了车辆与外界之间的无线数据通讯。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种ETC门架系统、高速公路路段封闭预警方法及装置,以解决现有技术中的技术问题。
基于上述目的,本说明书一个或多个实施例提供了一种ETC门架系统,包括:
门架,沿高速公路主干通行道的轴向设置多个,且在互通立交之间、出口与入口之间均需设置,其中,同向设置的两个门架间距为500m~1000m,逆向设置的两个门架间距为30~50m;
摄像机,安装于所述门架的横梁上,所述摄像机用于采集车辆的拍照信息;
GPS模块,安装于所述门架上,以获取门架的位置信息;
ETC感应装置,安装于所述门架上,与车辆中的ETC装置或CPC卡进行双向微波通信,以实现信息交互;
边缘服务器,安装于所述门架上,用于摄像机、ETC感应设备和GPS模块所采集到的数据进行处理;
云服务器,与所述边缘服务器通信连接,用于存储边缘服务器处理后的信息;
显示屏,安装于所述门架上,与所述边缘服务器和/或云服务器通信连接,用于向驾驶人提供交通信息。
作为一种可选的实施方式,每个所述门架上摄像机的安装数量等于车道数;每个摄像机安装在车道中心线的正上方,摄像机的传感器对高速公路车道线的位置信息进行采集。
作为一种可选的实施方式,还包括4G通讯模块,安装于所述门架上,用于边缘服务器与云服务器的通信连接。
作为本发明的第二个方面,提供了一种高速公路路段封闭预警方法,包括:
获取高速公路路网中车辆的行驶轨迹历史信息;
将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;
若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息。
作为一种可选的实施方式,所述车辆的行驶轨迹历史信息包括:
车辆牌照前两位信息、车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。
作为一种可选的实施方式,所述将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;若预测结果中包含封闭路段时,通过显示屏向当前车辆发送警示信息,包括:
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驶向各条路径的概率;
若当前车辆驶向包含封闭路段的路径的概率超过预设值时,云服务器向沿当前车辆行驶方向上且距当前车辆最近的门架系统发送警示信息,以使该门架的显示屏显示警示信息。
作为本发明的第三个方面,提供了一种高速公路路段封闭预警装置,包括:
获取模块,用于获取高速公路路网中车辆的行驶轨迹历史信息;
训练模块,用于将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
预测模块,用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;
警示模块,用于若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息。
作为一种可选的实施方式,所述车辆的行驶轨迹历史信息包括:
车辆牌照前两位信息、车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。
作为一种可选的实施方式,所述预测模块用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驶向各条路径的概率;所述警示模块用于若当前车辆驶向包含封闭路段的路径的概率超过预设值时,云服务器向沿当前车辆行驶方向上且距当前车辆最近的门架系统发送警示信息,以使该门架的显示屏显示警示信息。
从上面所述可以看出,本说明书一个或多个实施例提供的一种ETC门架系统、高速公路路段封闭预警方法及装置,对现有的ETC门架系统进行了优化调整,可以实现对高速公路的车辆信息和车辆行驶轨迹信息的采集,并利用采集到的数据对高速公路封闭路段进行提前预警,有利于驾驶人及早地采取应对措施,缓解交通拥堵,提高道路通行能力。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的ETC门架系统的工作原理图;
图2为本说明书一个或多个实施例的预警方法的示意图;
图3为本说明书一个或多个实施例的预警装置的示意图;
图4为本说明书一个或多个实施例的预警方法的一个应用场景的示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,对本公开进一步详细说明。
为了实现上述发明目的,作为本发明的第一个方面,本发明实施例提供了一种ETC门架系统,包括:门架、摄像机、GPS模块、ETC感应设备、ETC装置或CPC卡、边缘服务器、4G通讯模块、云服务器、LED电子显示屏;
所述门架安装在高速公路主干通行道沿线断面。为避免门架之间信号的干扰,同向设置的两个门架间距设置在500m以上,上行方向与下行方向之间门架间距为30~50m;为实现车辆轨迹信息的准确采集,同向设置的两个门架间距设置在500m~1000m之间,门架尽量安装在直线路段,在每个互通立交之间、出/入口之间均需设置;门架的设计规格与现有的高速公路ETC门架设计规格保持一致;门架前应设置实线不允许车辆变道;
所述ETC感应装置可以与车辆中的ETC装置或CPC卡进行双向的微波通信,来实现信息交互;
所述摄像机采用AI高清摄像机,通过神经网络进行强化学习能够准确识别车辆的牌照信息。摄像机安装在门架的横梁上,每个门架上摄像机的安装数量等于车道数;每个摄像机安装在车道中心线的正上方;
所述GPS模块在每个门架上均进行安装,用于准确获取门架的位置信息;
所述边缘服务器可以是ARM处理器、单片机或工控机,安装在每个门架上,用于对摄像机、ETC感应设备和GPS模块所采集到的数据,以及云服务器传送的数据进行处理;
所述4G通讯模块设置在各个门架上,用于实现边缘服务器与云服务器之间的信息交互;
所述云服务器用于云存储管理ETC门架系统采集到的数据信息,并与ETC门架系统的边缘服务器进行信息交互。
所述LED电子显示屏安装在ETC门架的横梁上,安装数量等同于车道数,一个显示屏对应一个车道,用于向驾驶人提供交通信息。
图1为本发明的ETC门架的工作流程图,门架上的ETC感应设备可与车辆上的ETC装置(或CPC卡)实现双向的微波通信;摄像机、GPS模块和ETC感应设备的输出端电连接边缘服务器的输入端;边缘服务器可通过4G通讯模块采取网络的形式与云服务器实现信息交互;边缘服务器通过I/O接口电连接LED电子显示屏。
作为本发明的第二个方面,本发明实施例提供了一种高速公路路段封闭预警方法,如图2所示,包括:
S100、获取高速公路路网中车辆的行驶轨迹历史信息。
可选的,所述车辆的行驶轨迹历史信息包括:
车辆牌照前两位信息、车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。
S200、将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型。
研究表明,相同地方牌照的车辆在长期运行过程中车辆轨迹数据具有一定的规律性。基于此,ETC门架系统对路网中的车辆进行预设时间段(例如3个月)的信息采集;采集的指标包括:车辆牌照前两位信息(采集时以车辆牌照的前两位信息来确定车辆所属的地区(例如“陕AXXXXX”前两位为陕A,即可确定出为西安牌照))、各个车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。通过以上四个指标即可确定出路网中相同地方各个车辆的行驶轨迹。而后,对所采集的各条行驶轨迹,处理为相应数据:汉字共34个(23个省、5个自治区、4个直辖市、2个特别行政区),分别用6位二进制表示;字母共24个(除去‘O’和‘I’),用5位二进制表示;收费站O和各个门架,每个对应一个二进制,‘1’表示经过了该收费站或门架,‘0’表示未经过。然后根据处理好的数据制成数据集,该数据集应包括,只驶入收费站、通过一个门架、通过两个门架等等各个情况。数据集训练样本和验证样本为4:1,采用全连接网络(BP网络),包含一个隐含层和一个输出层,隐含层包含16个神经元,激活函数为ReLU,输出层为三个,分别代表车辆驶出的三个收费站的概率,激活函数采用softmax函数,把采集到的的样本输入到各个网络模型中进行训练。
S300、将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径。
目标车辆通过某一门架或收费站时,获得目标车辆当前通过的所有收费站和门架信息,处理为模型输入数据,输入到网络模型当中,得到预测结果,即目标车辆驶出各个收费站的概率大小,从而得到该车辆的预测轨迹。
S400、若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息。
本发明对现有的ETC门架系统进行了优化调整,利用本发明的ETC门架系统,可以实现对高速公路的车辆信息和车辆行驶轨迹信息的采集,并利用采集到的数据对高速公路封闭路段进行提前预警,有利于驾驶人及早地采取应对措施,缓解交通拥堵,提高道路通行能力。
可选的,所述将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;若预测结果中包含封闭路段时,通过显示屏向当前车辆发送警示信息,包括:
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驶向各条路径的概率;
若当前车辆驶向包含封闭路段的路径的概率超过预设值时,云服务器向沿当前车辆行驶方向上且距当前车辆最近的门架系统发送警示信息,以使该门架的显示屏显示警示信息。
作为本发明的第三个方面,本发明实施例提供了一种高速公路路段封闭预警装置,如图3所示,包括:
获取模块10,用于获取高速公路路网中车辆的行驶轨迹历史信息;
可选的,所述车辆的行驶轨迹历史信息包括:
车辆牌照前两位信息、车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。
训练模块20,用于将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
预测模块30,用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;
警示模块40,用于若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息。
可选的,所述预测模块用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驶向各条路径的概率;所述警示模块用于若当前车辆驶向包含封闭路段的路径的概率超过预设值时,云服务器向沿当前车辆行驶方向上且距当前车辆最近的门架系统发送警示信息,以使该门架的显示屏显示警示信息。
实施例
请参考附图4,O为驶入收费站;A、B、C分别为三个驶出收费站;Y1、Y2、Y3、Z1、Z2、Z3、Z为路网中的7个ETC门架;P为一个高速公路的出口。假设Z门架附近出现路段封闭无法通行,目标车辆将要从A收费站驶出,则在进行路段封闭预警时,包含以下步骤:
当目标车辆驶入高速公路收费站O时,车辆的牌照信息和A收费站信息进行匹配后,数据上传到云服务器;云服务器以车辆牌照的前两位信息和驶入高速公路时的收费站A的信息作为筛选条件,即可确定出目标车辆接下来的可能行驶路径(即O-A,O-B、O-C三条路径),并可以确定出走各个路径的概率,分别记为POA、POB、POC;当目标车辆经过门架Y1时,走各个路径的概率不发生改变;
目标车辆经过ETC门架Y2时,ETC感应设备与车载ETC装置(或CPC卡)进行通讯获取车辆信息,摄像机识别出车辆的牌照信息;之后,将牌照信息传递给边缘服务器,边缘服务器通过4G通讯模块将车辆牌照信息和门架位置信息传递给云服务器;此时,云服务器以车辆牌照的前两位信息和Y2门架位置信息作为筛选条件,对目标车辆接下来的可能行驶路径(即Y2-A、Y2-B两条路径)进行确定,并对走两条路径的概率进行确定,记为PY2A、PY2B;
当PY2A大于阈值(例如95%)时,ETC门架系统判定驶向A收费口的路径为该目标车辆的行驶路径(即确定出车辆是从O-A);车辆牌照信息和最终确定的行驶路径信息O-A通过4G通讯模块上传到云服务器;
当目标车辆将会经过的某一门架Z附近的路段出现问题无法通行时,高速公路管理部门将Z门架的位置信息和Z门架之前的出口P的信息传递到云服务器;
云服务器以Z门架为筛选标准,对行驶路径经过Z门架的车辆牌照信息进行确定;之后,当目标车辆经过任一门架时(例如Z1门架),门架上的LED电子显示屏上显示目标车辆的牌照信息,并辅以提醒语“通往A收费站的Z门架处无法通行,请从P处驶出高速”;同时,高速公路管理部门通过网络可以实时地接收采集到的数据信息,在必要时采取相应的的管控措施。
可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是,本说明书一个或多个实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (9)
1.一种ETC门架系统,其特征在于,包括:
门架,沿高速公路主干通行道的轴向设置多个,且在互通立交之间、出口与入口之间均需设置,其中,同向设置的两个门架间距为500m~1000m,逆向设置的两个门架间距为30~50m;
摄像机,安装于所述门架的横梁上,所述摄像机用于采集车辆的拍照信息;
GPS模块,安装于所述门架上,以获取门架的位置信息;
ETC感应装置,安装于所述门架上,与车辆中的ETC装置或CPC卡进行双向微波通信,以实现信息交互;
边缘服务器,安装于所述门架上,用于摄像机、ETC感应设备和GPS模块所采集到的数据进行处理;
云服务器,与所述边缘服务器通信连接,用于存储边缘服务器处理后的信息;
显示屏,安装于所述门架上,与所述边缘服务器和/或云服务器通信连接,用于向驾驶人提供交通信息。
2.根据权利要求1所述的ETC门架系统,其特征在于,每个所述门架上摄像机的安装数量等于车道数;每个摄像机安装在车道中心线的正上方,摄像机的传感器对高速公路车道线的位置信息进行采集。
3.根据权利要求1所述的ETC门架系统,其特征在于,还包括4G通讯模块,安装于所述门架上,用于边缘服务器与云服务器的通信连接。
4.一种高速公路路段封闭预警方法,其特征在于,包括:
获取高速公路路网中车辆的行驶轨迹历史信息;
将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;
若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息。
5.根据权利要求4所述的高速公路路段封闭预警方法,其特征在于,所述车辆的行驶轨迹历史信息包括:
车辆牌照前两位信息、车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。
6.根据权利要求4所述的高速公路路段封闭预警方法,其特征在于,所述将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;若预测结果中包含封闭路段时,通过显示屏向当前车辆发送警示信息,包括:
将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驶向各条路径的概率;
若当前车辆驶向包含封闭路段的路径的概率超过预设值时,云服务器向沿当前车辆行驶方向上且距当前车辆最近的门架系统发送警示信息,以使该门架的显示屏显示警示信息。
7.一种高速公路路段封闭预警装置,其特征在于,包括:
获取模块,用于获取高速公路路网中车辆的行驶轨迹历史信息;
训练模块,用于将所述行驶轨迹历史信息输入原始神经网络模型,并对原始神经网络模型进行调整,获得收敛的神经网络模型;
预测模块,用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆行驶路径;
警示模块,用于若预测结果中包含封闭的高速公路路段时,通过显示屏向当前车辆发送警示信息。
8.根据权利要求7所述的高速公路路段封闭预警装置,其特征在于,所述车辆的行驶轨迹历史信息包括:
车辆牌照前两位信息、车辆驶入收费站的位置信息、车辆驶入高速到驶出高速途经的各个门架的位置信息、驶出收费站的位置信息。
9.根据权利要求7所述的高速公路路段封闭预警装置,其特征在于,所述预测模块用于将当前车辆的实时数据输入所述收敛的神经网络模型,预测当前车辆驶向各条路径的概率;所述警示模块用于若当前车辆驶向包含封闭路段的路径的概率超过预设值时,云服务器向沿当前车辆行驶方向上且距当前车辆最近的门架系统发送警示信息,以使该门架的显示屏显示警示信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157362.1A CN113034894A (zh) | 2021-02-04 | 2021-02-04 | 一种etc门架系统、高速公路路段封闭预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110157362.1A CN113034894A (zh) | 2021-02-04 | 2021-02-04 | 一种etc门架系统、高速公路路段封闭预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113034894A true CN113034894A (zh) | 2021-06-25 |
Family
ID=76459949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110157362.1A Pending CN113034894A (zh) | 2021-02-04 | 2021-02-04 | 一种etc门架系统、高速公路路段封闭预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034894A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936469A (zh) * | 2021-12-09 | 2022-01-14 | 安徽交控信息产业有限公司 | 基于高速公路车道感知设备的交通信息交互系统及方法 |
CN114333362A (zh) * | 2022-02-28 | 2022-04-12 | 四川北斗云联科技有限公司 | 一种高速公路车流检测装置及分流管理方法 |
CN114565982A (zh) * | 2022-02-28 | 2022-05-31 | 福建省高速公路信息科技有限公司 | 基于etc的车辆状态监测方法 |
CN114758493A (zh) * | 2022-03-21 | 2022-07-15 | 山东省交通规划设计院集团有限公司 | 一种基于数据融合的高速公路交通流量监测方法及系统 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115731713A (zh) * | 2022-11-30 | 2023-03-03 | 广东联合电子服务股份有限公司 | 一种预测异常车辆高速出口及时间的方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007140745A (ja) * | 2005-11-16 | 2007-06-07 | Sumitomo Electric Ind Ltd | 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111080812A (zh) * | 2019-12-09 | 2020-04-28 | 江苏金晓电子信息股份有限公司 | 面向自由流收费及车路协同的智慧门架系统及应用 |
CN210578663U (zh) * | 2019-12-13 | 2020-05-19 | 江苏金晓电子信息股份有限公司 | 一种用于智慧etc门架的边缘计算系统 |
CN111829538A (zh) * | 2019-04-16 | 2020-10-27 | 上海博泰悦臻电子设备制造有限公司 | 交通安全导航方法、存储介质及电子设备 |
CN112017424A (zh) * | 2019-05-31 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 封闭高速公路交通应急管控的方法及装置 |
CN112132315A (zh) * | 2020-08-18 | 2020-12-25 | 华为技术有限公司 | 目标对象的逃逸路线预测方法和布控平台 |
-
2021
- 2021-02-04 CN CN202110157362.1A patent/CN113034894A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007140745A (ja) * | 2005-11-16 | 2007-06-07 | Sumitomo Electric Ind Ltd | 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法 |
CN109870164A (zh) * | 2017-12-01 | 2019-06-11 | 上海博泰悦臻网络技术服务有限公司 | 导航终端及其路线偏好预测方法 |
CN111829538A (zh) * | 2019-04-16 | 2020-10-27 | 上海博泰悦臻电子设备制造有限公司 | 交通安全导航方法、存储介质及电子设备 |
CN112017424A (zh) * | 2019-05-31 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 封闭高速公路交通应急管控的方法及装置 |
CN110675629A (zh) * | 2019-10-08 | 2020-01-10 | 苏交科集团股份有限公司 | 一种基于大数据的高速公路拥堵预测与主动防控方法 |
CN111080812A (zh) * | 2019-12-09 | 2020-04-28 | 江苏金晓电子信息股份有限公司 | 面向自由流收费及车路协同的智慧门架系统及应用 |
CN210578663U (zh) * | 2019-12-13 | 2020-05-19 | 江苏金晓电子信息股份有限公司 | 一种用于智慧etc门架的边缘计算系统 |
CN112132315A (zh) * | 2020-08-18 | 2020-12-25 | 华为技术有限公司 | 目标对象的逃逸路线预测方法和布控平台 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113936469A (zh) * | 2021-12-09 | 2022-01-14 | 安徽交控信息产业有限公司 | 基于高速公路车道感知设备的交通信息交互系统及方法 |
CN114333362A (zh) * | 2022-02-28 | 2022-04-12 | 四川北斗云联科技有限公司 | 一种高速公路车流检测装置及分流管理方法 |
CN114565982A (zh) * | 2022-02-28 | 2022-05-31 | 福建省高速公路信息科技有限公司 | 基于etc的车辆状态监测方法 |
CN114758493A (zh) * | 2022-03-21 | 2022-07-15 | 山东省交通规划设计院集团有限公司 | 一种基于数据融合的高速公路交通流量监测方法及系统 |
CN114758493B (zh) * | 2022-03-21 | 2024-03-12 | 山东省交通规划设计院集团有限公司 | 一种基于数据融合的高速公路交通流量监测方法及系统 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115240431B (zh) * | 2022-09-20 | 2023-02-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115731713A (zh) * | 2022-11-30 | 2023-03-03 | 广东联合电子服务股份有限公司 | 一种预测异常车辆高速出口及时间的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034894A (zh) | 一种etc门架系统、高速公路路段封闭预警方法及装置 | |
CN112598182B (zh) | 一种轨道交通智能调度方法及系统 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN109584567A (zh) | 基于车路协同的交通管理方法 | |
CN108986527A (zh) | 一种停车位引导方法、装置、系统及电子设备 | |
CN111583639A (zh) | 一种道路交通拥堵预警方法及系统 | |
CN113053114B (zh) | 高速公路违规车辆出口站及出口时间的动态预测稽查方法 | |
CN109637137A (zh) | 基于车路协同的交通管理系统 | |
CN109979197B (zh) | 基于融合数据的高速公路交通时间地图构建方法、系统 | |
DE102019127035A1 (de) | Verfahren und einrichtung für verbesserte handhabung von fahrzeugen an mautstellen | |
CN107610282A (zh) | 一种公交客流统计系统 | |
DE112018005737T5 (de) | Fahrzeugflottenmanagement mit einer hiearachie von prioritätsfaktoren | |
CN114241762B (zh) | 一种基于物联网的智慧城市交通综合数据采集分析系统 | |
CN110395298A (zh) | 一种客流智能引导系统及方法 | |
CN112249009B (zh) | 车速控制方法、装置、系统及电子设备 | |
CN110705452A (zh) | 一种高速公路无人值守收费站设施智能管控方法及系统 | |
Sundaresan et al. | Artificial intelligence and machine learning approaches for smart transportation in smart cities using blockchain architecture | |
Eshmuradov et al. | GENERAL ISSUES OF IMPLEMENTATION OF INTELLECTUAL TRANSPORT SYSTEMS IN THE CITIES OF UZBEKISTAN | |
CN116631176B (zh) | 站点客流分布状态的控制方法及系统 | |
Elleuch et al. | Towards an efficient traffic congestion prediction method based on neural networks and big GPS data | |
CN113034895A (zh) | 一种etc门架系统、高速公路疲劳驾驶预警方法及装置 | |
Assbeihat et al. | Management of ARTIFICIAL intelligence traffic systems in SMART cities | |
CN111415527A (zh) | 一种基于物联网的智慧停车场交通管理系统及其实现方法 | |
CN114170804B (zh) | 一种基于车路协同的交叉口最优车速引导方法及系统 | |
Anagnostopoulos et al. | Application of Artificial Neural Network for Modelling and Predicting Roundabout Capacity |
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: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |