CN113096393A - 一种路况预警方法、装置及边缘云设备 - Google Patents
一种路况预警方法、装置及边缘云设备 Download PDFInfo
- Publication number
- CN113096393A CN113096393A CN202110336601.XA CN202110336601A CN113096393A CN 113096393 A CN113096393 A CN 113096393A CN 202110336601 A CN202110336601 A CN 202110336601A CN 113096393 A CN113096393 A CN 113096393A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- road condition
- road
- early warning
- data
- 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 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 76
- 238000001914 filtration Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 239000006185 dispersion Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000007499 fusion processing Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 abstract description 9
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007619 statistical method 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
-
- 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
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Abstract
本发明提供一种路况预警方法、装置及边缘云设备,属于信息处理技术领域,其中应用于边缘云设备的路况预警方法包括:接收所述边缘云设备覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;根据路况异常指标,生成路况预警事件。本发明通过利用边缘云的边缘计算能力就近处理采集到的路况信息,免去了路况信息的长距离传输,同时可以提高对路况信息处理的准确度,使得经过计算生成的路况预警事件准确、可靠。
Description
技术领域
本发明涉及信息处理技术领域,尤其涉及一种路况预警方法、装置及边缘云设备。
背景技术
伴随着城市车辆的普及和道路里程的增长,道路使用者对道路情况准确掌握的需求日益增长。而近年来,智慧交通、云计算、车联网和5G网络技术的日渐成熟和应用,为实时和高效、更低成本地解决这个问题提供了很多新的方法。
当前的路况预警技术从原始数据采集来角度来看,主要可以分为路侧设备采用和车辆内部数据采集两个技术路线。无论是路侧依据设备采集的数据技术路线,还是从车辆内部异常数据处理技术路线,都存一些不足或者有待改进地方。
例如,在当前的路侧设备采集原始数据技术路线中,视频处理模块是不可或缺的部分,一般可以分为两种处理方法,第一种是将视频在本地进行图像识别等处理,然后将图像识别计算结果发送给中枢服务器,这种方案成本花费会比较高,需要在每一个摄像头处都部署一个进行图像识别等处理的计算单元或者服务器;第二种是将摄像头采集的视频数据通过网络发送给车联网服务器进行统一的处理,但是考虑到视频数据较大,统一的中心处理,视频数据在网络传输上路径会变长,传输的时延也会变大。如果将应用场景扩大到城市路况预警的层面,服务器的处理计算和存储负荷也会变得过大,这种方案的实时性和高效性就稍显不足。
又如,车辆内部异常数据处理技术路线中,通过判断车辆故障来进行道路拥堵的预警。这种方案通用性不高,因为道路上的汽车类型繁多,而每个车厂都很重视汽车内部数据的安全性,采用的数据格式、数据传输协议、加密方式各有不同,所以该方案在应用在道路上不同类型车辆上时困难较大。此外,这种技术方案一般只能应用于道路拥堵预警一种场景,难以涵盖到其他道路危险事件的预警。
发明内容
有鉴于此,本发明提供一种路况预警方法、装置及边缘云设备,用于解决目前道路数据的传输和处理不方便、处理成本高,无法实时、高效地实现道路预警的问题。
为解决上述技术问题,第一方面,本发明提供一种路况预警方法,应用于边缘云设备,包括:
接收所述边缘云设备覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;
对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;
对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;
根据路况异常指标,生成路况预警事件。
可选的,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
可选的,所述根据短期环比算法以及历史数据,对所述传感器数据进行第一次异常数据过滤包括:
取预设历史时间段内的传感器数据,采用短期环比算法计算所述预设历史时间段内的传感器数据的平均值;
剔除接收到的传感器数据中与所述平均值不满足预设条件的传感器数据。
可选的,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
采用分位图法,剔除所述传感器数据中的异常数据。
可选的,所述采用分位图法,剔除所述传感器数据中的异常数据包括:
计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
上限四分位数Fu为区间[M,YN]的中位数;
下限四分位数Fl为区间[Y1,M]的中位数;
四分位离散度dF=Fu-Fl;
可选的,所述根据路况异常指标,生成路况预警事件之后,还包括:
将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
可选的,所述初始路况信息还包括视频图像,所述路况预警事件包括道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件中的至少一者。
第二方面,本发明还提供一种路况预警装置,应用于边缘云设备,包括:
接收模块,用于接收所述边缘云覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;
过滤模块,用于对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;
处理模块,用于对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;
预警模块,用于根据路况异常指标,生成路况预警事件。
可选的,所述过滤模块包括:
第一过滤单元,用于根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
可选的,所述第一过滤单元包括:
第一计算子单元,用于取预设历史时间段内的传感器数据,采用短期环比算法计算所述预设历史时间段内的传感器数据的平均值;
第一剔除子单元,用于剔除接收到的传感器数据中与所述平均值不满足预设条件的传感器数据。
可选的,所述过滤模块包括:
第二过滤单元,用于采用分位图法,剔除所述传感器数据中的异常数据。
可选的,所述第二过滤单元包括:
第二计算子单元,用于计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
确定子单元,用于根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
第二剔除子单元,用于将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
上限四分位数Fu为区间[M,YN]的中位数;
下限四分位数Fl为区间[Y1,M]的中位数;
四分位离散度dF=Fu-Fl;
可选的,还包括:
发送模块,用于将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
可选的,所述初始路况信息还包括视频图像,所述路况预警事件包括道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件中的至少一者。
第三方面,本发明还提供一种边缘云设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述处理器执行所述计算机程序时实现上述任一种路况预警方法。
第九方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种路况预警方法中的步骤。
本发明的上述技术方案的有益效果如下:
本发明通过利用边缘云的边缘计算能力就近处理采集到的路况信息,免去了路况信息的长距离传输,同时可以提高对路况信息处理的准确度,使得经过计算生成的路况预警事件准确、可靠。
附图说明
图1为本发明实施例一中的一种路况预警方法的流程示意图;
图2为本发明实施例一中的一种城市边缘云部署模型图;
图3为本发明实施例二中的一种路况预警装置的结构示意图;
图4为本发明实施例三中的一种边缘云设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种路况预警方法的流程示意图,该方法应用于边缘云设备,包括以下步骤:
步骤11:接收所述边缘云设备覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据。
本发明实施例中,边缘云设备可以覆盖一定区域,所述边缘云设备的覆盖区域内,具有分布于不同路段的路侧设备,这些路侧设备用于采集相应道路的初始路况信息,对于某一路段而言,所述路侧设备可以包括视频摄像头以及各类传感器,例如风速传感器、结冰传感器等等,路侧设备采集的数据可以通过有线网络实时发送给相应的边缘云设备。可选的,边缘云设备部署于靠近路侧设备的基站附近,从而可以就近处理区域内各路侧设备采集的初始路况信息,避免由于初始路况信息的长距离传输而导致的路况预警不及时。
本发明实施例中,所述初始路况信息包括传感器数据。可选的,所述初始路况信息还可以包括视频图像等,以为边缘云设备的路况预警提供更多的判断依据。由于边缘云设备具备强大的计算能力,可以及时高效处理视频图像这种包含大量数据信息的路况信息,识别出各个路段的路况场景,从而利用边缘云设备的软件图像识别处理,可以计算出车辆速度、道路积水、道路落石等场景,省去了一些专用的传感器,例如雷达传感器、积水传感器、落石传感器等,降低了传感器的硬件投入成本。
步骤12:对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据。
本发明实施例中,由于部署在各个路段的路侧设备的数量众多,难以保证每一传感器的测量数据的准确性,不可避免的,会出现部分传感器的检测出现异常,即上传的传感器数据中可能会存在异常数据,如果在出现异常数据时不对其进行处理,将会直接影响后续边缘云设备对初始路况信息进行融合处理得到的路况预警事件的准确性。因此,在对初始路况信息进行融合处理之前,需要对初始路况信息中的传感器数据进行过滤处理,剔除掉接收到的传感器数据中的异常数据,从而使生成的路况预警事件准确、可靠。
本发明的一些实施例中,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
由于风速传感器、结冰传感器一类的传感器的测量值从时间顺序上看存在着很强的关联性,例如,结冰传感器测量路面结冰的厚度时,存在着测得的冰层厚度随时间的推移而逐渐变厚的渐变过程,不会突然出现一个远大于前值的冰层厚度测量值,若出现这类情况,则可以认为该测量值为一个异常值。由此,本发明实施例中,根据传感器的测量值的特点,边缘云设备采用短期环比(SS)算法,对接收到的传感器数据进行初次过滤,以剔除其中的一些异常数据。
具体的,从边缘云设备的数据库中取过去一段时间T内存储的传感器数据,例如T=10分钟(每分钟存储一次),则过去10分钟内的传感器数据的平均值:ti为每次存储的传感器数据,从而将某一传感器数据与该平均值进行比较,若满足预设条件,则认为是正常的测量值,可以保留下来,若不满足预设条件,则认为是异常值,则应将其剔除。可选的,可以采用如下公式进行判断:
|nowvalue-tavg|>threshold*k,
其中,k为常数系数,threshold为动态阈值,nowvalue为传感器数据,即传感器的当前测量值。也就是说,若某一传感器数据减去该平均值之后的绝对值大于某一预设阈值,则可以认为该传感器数据为异常数据,予以剔除。可选的,threshold=max(tmax-tavg,tavg-tmin),也即从传感器数据中的最大值与平均值的差值、传感器数据中的最小值与平均值的差值中选较大的一个,使得上述判断公式更宽松,以允许更多的传感器数据可以通过初次过滤,尽量避免漏报的情况。
本发明的另一些实施例中,可选的,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
采用分位图法,剔除所述传感器数据中的异常数据。
本发明实施例中,还可以采用统计学的方法,即利用分位图法来对传感器数据进行过滤处理,通过中位数、四分位数、四分位离散值度、淘汰点等统计量来反应传感器数据的分布情况,从而快速找出传感器数据中的异常数据,从而将这些异常数据剔除。
可选的,所述采用分位图法,剔除所述传感器数据中的异常数据包括:
计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
例如,假设存在N个传感器数据{X1X2,...,Xn},令Xi为维度m的向量,则其范数Yi可以表示为:
将Yi进行升序排列为{Y1,Y2,...,YN},其中Y1和YN分别为下限和上限,则中位数M可以表示为:
对应的上限四分位数Fu则为区间[M,YN]的中位数,下限四分位数Fl则为区间[Y1,M]的中位数;
四分位离散度则可以表示为:
dF=Fu-Fl;
假设某一传感器数据和中位数之差大于βdF为离异值,则认为|Yl-M|>βdF时,Yi为无效值,其中,β为常数。据此可以推导出淘汰点为:
也即,在区间[p1,p2]内的传感器数据才被认定为有效传感器数据(即有效测量数据),而未在该区间内的传感器数据则被认定为异常数据,予以剔除,最终,边缘云设备只对剩下的有效传感器数据进行融合处理。
需要说明的是,本发明实施例中,可以先采用短期环比算法以及历史数据,初步过滤所述传感器数据中的部分异常数据,然后再采用分位图法,从经初次过滤后的传感器数据中进一步过滤异常数据。也可以只采用短期环比算法以及历史数据,过滤所述传感器数据中的异常数据,或者,只采用分位图法过滤所述传感器数据中的异常数据。可以知道,经过两次过滤处理的传感器数据的可靠度更高,最终分析得到的路况预警时间更准确。
步骤13:对过滤处理后的初始路况信息进行融合处理,获取路况异常指标。
在对接收到的传感器数据进行过滤处理后,边缘云设备对过滤处理后的初始路况信息进行本地化的融合处理,在初始路况信息只包括传感器数据时,则只对传感器数据进行融合处理,在初始路况数据包括传感器数据和视频图像时,则同时对传感器数据和视频图像进行融合处理,也即充分利用边缘云设备强大的计算能力,通过软件图像识别各个路段的路况场景。边缘云设备进行融合处理时包括视频图像识别处理和传感器数据处理,通过视频图像识别处理可以实现车辆速度监测、道路积水监测、道路障碍物监测、道路拥堵程度监测等,而通过传感器数据处理可以实现道路结冰监测、道路风速监测等,从而获取相应路段上的路况异常指标,例如某一路段的积水深度超过阈值、某一路段的结冰厚度超过阈值、某一路段的障碍物数量、体积超过阈值、某一路段的风速超过阈值等等。
步骤14:根据路况异常指标,生成路况预警事件。
在边缘云设备检测出路况异常指标后,将根据处理得到的路况异常指标生成相应的路况预警事件。其中,路况预警事件具体可以包括路段号、路段所处的边缘云设备号、事件号、事件级别等等信息。可选的,所述路况预警事件可以包括以下几类:道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件。
示例性的,各类路况预警事件的等级可以设置如下:
(1)道路拥堵事件:分为4个等级(严重拥堵、拥堵、轻微拥堵,畅通);
(2)道路积水事件:分为3个等级(严重积水、轻微积水,无积水);
(3)道路大风事件:分为3个等级(狂风、大风,小风);
(4)道路结冰事件:分为3个等级(严重结冰、轻微结冰,无结冰);
(5)道路障碍物事件:分为3个级别(多道路障碍物、单道路障碍物,无障碍物)。
本发明的一些实施例中,所述根据路况异常指标,生成路况预警事件之后,还包括:
将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
也就是说,在生成路况预警事件后,边缘云设备可以将所述路况预警事件发送至个人移动设备、车辆内的车载单元、相应道路的路况显示设备、与边缘云设备连接的核心云等等,以通知受影响的各车辆用户。其中,所述个人移动设备可以各种终端,例如手机、平板电脑、笔记本电脑、掌上电脑、可穿戴设备、超级移动个人计算机(ultra-mobile personalcomputer,UMPC)、上网本等,例如,个人移动设备会连续上报自己的位置信息给边缘运设备,而边缘云设备则会通过无线网络将生成的路况预警事件发送至位于指定路段上的用户的个人移动设备。又如,边缘云设备将路况预警事件推送至相应路段的路况显示设备(例如LED路牌等)进行显示,以及时提醒用户注意该路段发生的预警事件。再如,边缘云设备还可以将生成的路况预警事件同步发送给核心云,由于一个边缘云设备通常只能覆盖部分道路,实现大面积的路况预警时,需要用到一定数量的边缘云设备,因此,边缘云设备将生成的路况预警事件发送给核心云,可以供核心云做综合决策。也就是说,核心云收集各个边缘云设备的路况预警事件后,经过综合决策处理,得到如城市级的整体道路情况,提供给用户实时查询,并作出行驶路线规划;同时,核心云还可以将路况预警事件发送至与上报路况预警事件的边缘云邻近的边缘云,这些邻近的边缘云会根据移动终端上报的位置信息,将接收到的路况预警事件发送至各自覆盖区域内往路况预警事件发生的道路方向行驶的终端,以及时提醒相应车辆做好准备。
请参阅图2,图2为本发明实施例一提供的一种城市边缘云部署模型图。如图2所示,在城市中部署了若干边缘云(边缘云设备),每一边缘云负责一个区域内采集的所有路段的数据的计算。边缘云在部署时,各个边缘云之间的相对关系是确定的,核心云可以用一张静态配置表来存储这一关系信息,如表达式Mec{M0,M1,...,Mn};每一个在静态配置表中的边缘云中,存储了所有与其邻近的边缘云的相关信息,例如邻近边缘云和本边缘云的相对位置关系;另外,可以给两个相邻边缘云之间的每一条联通的道路进行编号,例如边缘云M6中存储的邻近边缘云信息可以表示为:NR{M1,M2,M3,M5,M7,M9,M10,M11},边缘云M6与边缘云M7之间互相的连通的所有道路的编号信息可以表示为Road_id{r1,r2,r3,...,rm}。由此,当某一边缘云覆盖区域内的某一道路出现路况预警事件时,该边缘云将向核心云上传该路况预警事件,然后核心云在静态配置表中检索该边缘云的邻近边缘云中的相关道路,确定邻近边缘云是否存在与该道路存在交集的道路,进而判断是否存在行驶方向是前往路况预警事件上报路段方向的道路,如果存在,核心云就会把路况预警事件同步发送至该邻近边缘云。邻近边缘云接收到路况预警事件后,会确定是哪一条道路有路况预警事件,然后根据移动终端上报的位置信息,将路况预警事件发送给往此方向行驶的车辆和行人等;如果用户正在使用导航服务时,而路况预警事件是道路积水事件或者道路拥堵事件等,边缘云还会通知核心云,重新帮用户规划行驶路线,从而保障用户安全,提高出行效率。
本发明实施例提供的路况预警方法,通过利用边缘云的边缘计算能力就近处理采集到的路况信息,免去了路况信息的长距离传输,同时可以提高对路况信息处理的准确度,使得经过计算生成的路况预警事件准确、可靠。
请参阅图3,图3是本发明实施例二提供的一种路况预警装置的结构示意图,应用于边缘云设备,该路况预警装置30包括:
接收模块31,用于接收所述边缘云覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;
过滤模块32,用于对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;
处理模块33,用于对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;
预警模块34,用于根据路况异常指标,生成路况预警事件。
可选的,所述过滤模块包括:
第一过滤单元,用于根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
可选的,所述第一过滤单元包括:
第一计算子单元,用于取预设历史时间段内的传感器数据,采用短期环比算法计算所述预设历史时间段内的传感器数据的平均值;
第一剔除子单元,用于剔除接收到的传感器数据中与所述平均值不满足预设条件的传感器数据。
可选的,所述过滤模块包括:
第二过滤单元,用于采用分位图法,剔除所述传感器数据中的异常数据。
可选的,所述第二过滤单元包括:
第二计算子单元,用于计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
确定子单元,用于根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
第二剔除子单元,用于将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
上限四分位数Fu为区间[M,YN]的中位数;
下限四分位数Fl为区间[Y1,M]的中位数;
四分位离散度dF=Fu-Fl;
可选的,还包括:
发送模块,用于将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
可选的,所述初始路况信息还包括视频图像,所述路况预警事件包括道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件中的至少一者。
本发明实施例是与上述方法实施例一对应的产品实施例,故在此不再赘述,详细请参阅上述实施例一。
请参阅图4,图4是本发明实施例三提供的一种边缘云设备的结构示意图,该边缘云设备40包括处理器41、存储器42及存储在所述存储器42上并可在所述处理器41上运行的计算机程序;所述处理器41执行所述计算机程序时实现如下步骤:
接收所述边缘云设备覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;
对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;
对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;
根据路况异常指标,生成路况预警事件。
本发明实施例中,可选的,所述处理器41执行所述计算机程序时还可实现如下步骤:
所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
可选的,所述根据短期环比算法以及历史数据,对所述传感器数据进行第一次异常数据过滤包括:
取预设历史时间段内的传感器数据,采用短期环比算法计算所述预设历史时间段内的传感器数据的平均值;
剔除接收到的传感器数据中与所述平均值不满足预设条件的传感器数据。
可选的,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
采用分位图法,剔除所述传感器数据中的异常数据。
可选的,所述采用分位图法,剔除所述传感器数据中的异常数据包括:
计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
上限四分位数Fu为区间[M,YN]的中位数;
下限四分位数Fl为区间[Y1,M]的中位数;
四分位离散度dF=Fu-Fl;
可选的,所述根据路况异常指标,生成路况预警事件之后,还包括:
将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
可选的,所述初始路况信息还包括视频图像,所述路况预警事件包括道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件中的至少一者。
本发明实施例的具体工作过程与上述方法实施例一中的一致,故在此不再赘述,详细请参阅上述实施例一中方法步骤的说明。
本发明实施例四提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例一中任一种路况预警方法中的步骤。详细请参阅以上对应实施例中方法步骤的说明。
本发明实施例中的终端可以是无线终端也可以是有线终端,无线终端可以是指向用户提供语音和/或其他业务数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。无线终端可以经无线接入网(Radio Access Network,简称RAN)与一个或多个核心网进行通信,无线终端可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置,它们与无线接入网交换语言和/或数据。例如,个人通信业务(Personal Communication Service,简称PCS)电话、无绳电话、会话发起协议(SessionInitiation Protocol,简称SIP)话机、无线本地环路(Wireless Local Loop,简称WLL)站、个人数字助理(Personal Digital Assistant,简称PDA)等设备。无线终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station),移动站(MobileStation)、移动台(Mobile)、远程站(Remote Station)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、终端(UserDevice or User Equipment),在此不作限定。
上述计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (18)
1.一种路况预警方法,应用于边缘云设备,其特征在于,包括:
接收所述边缘云设备覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;
对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;
对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;
根据路况异常指标,生成路况预警事件。
2.根据权利要求1所述的路况预警方法,其特征在于,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
3.根据权利要求2所述的路况预警方法,其特征在于,所述根据短期环比算法以及历史数据,对所述传感器数据进行第一次异常数据过滤包括:
取预设历史时间段内的传感器数据,采用短期环比算法计算所述预设历史时间段内的传感器数据的平均值;
剔除接收到的传感器数据中与所述平均值不满足预设条件的传感器数据。
4.根据权利要求1或2所述的路况预警方法,其特征在于,所述对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据包括:
采用分位图法,剔除所述传感器数据中的异常数据。
5.根据权利要求4所述的路况预警方法,其特征在于,所述采用分位图法,剔除所述传感器数据中的异常数据包括:
计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
7.根据权利要求1所述的路况预警方法,其特征在于,所述根据路况异常指标,生成路况预警事件之后,还包括:
将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
8.根据权利要求1所述的路况预警方法,其特征在于,所述初始路况信息还包括视频图像,所述路况预警事件包括道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件中的至少一者。
9.一种路况预警装置,应用于边缘云设备,其特征在于,包括:
接收模块,用于接收所述边缘云覆盖区域内的各个路侧设备采集的初始路况信息,所述初始路况信息包括传感器数据;
过滤模块,用于对所述初始路况信息中的传感器数据进行过滤处理,剔除所述传感器数据中的异常数据;
处理模块,用于对过滤处理后的初始路况信息进行融合处理,获取路况异常指标;
预警模块,用于根据路况异常指标,生成路况预警事件。
10.根据权利要求9所述的路况预警装置,其特征在于,所述过滤模块包括:
第一过滤单元,用于根据短期环比算法以及历史数据,剔除所述传感器数据中的异常数据。
11.根据权利要求10所述的路况预警装置,其特征在于,所述第一过滤单元包括:
第一计算子单元,用于取预设历史时间段内的传感器数据,采用短期环比算法计算所述预设历史时间段内的传感器数据的平均值;
第一剔除子单元,用于剔除接收到的传感器数据中与所述平均值不满足预设条件的传感器数据。
12.根据权利要求9或10所述的路况预警装置,其特征在于,所述过滤模块包括:
第二过滤单元,用于采用分位图法,剔除所述传感器数据中的异常数据。
13.根据权利要求12所述的路况预警装置,其特征在于,所述第二过滤单元包括:
第二计算子单元,用于计算接收到的传感器数据的中位数、四分位数和四分位离散值度;
确定子单元,用于根据所述中位数、四分位数和四分位离散度,确定有效传感器数据的区间范围;
第二剔除子单元,用于将未处于所述有效传感器数据的区间范围内的传感器数据剔除。
15.根据权利要求9所述的路况预警装置,其特征在于,还包括:
发送模块,用于将所述路况预警事件发送至个人移动设备、车载单元、路况显示设备、核心云中的至少一者。
16.根据权利要求9所述的路况预警装置,其特征在于,所述初始路况信息还包括视频图像,所述路况预警事件包括道路拥堵事件、道路积水事件、道路大风事件、道路结冰事件、道路障碍物事件中的至少一者。
17.一种边缘云设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的路况预警方法。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至8中任一项所述的路况预警方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336601.XA CN113096393A (zh) | 2021-03-29 | 2021-03-29 | 一种路况预警方法、装置及边缘云设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110336601.XA CN113096393A (zh) | 2021-03-29 | 2021-03-29 | 一种路况预警方法、装置及边缘云设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113096393A true CN113096393A (zh) | 2021-07-09 |
Family
ID=76671081
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110336601.XA Pending CN113096393A (zh) | 2021-03-29 | 2021-03-29 | 一种路况预警方法、装置及边缘云设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096393A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114679476A (zh) * | 2022-02-15 | 2022-06-28 | 浙江大华技术股份有限公司 | 信息采集方法、系统、路侧系统及存储介质 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
CN106932337A (zh) * | 2017-05-04 | 2017-07-07 | 中交天津港湾工程研究院有限公司 | 多光纤光栅钢筋腐蚀传感器系统的数据处理方法 |
CN107392886A (zh) * | 2017-06-14 | 2017-11-24 | 国网山东省电力公司菏泽供电公司 | 一种电力设备图像处理方法 |
JP2018041315A (ja) * | 2016-09-08 | 2018-03-15 | 株式会社デンソー | 道路端検出装置 |
CN108171392A (zh) * | 2017-05-19 | 2018-06-15 | 国网甘肃省电力公司电力科学研究院 | 一种公共建筑综合能耗评估方法 |
FR3067998A1 (fr) * | 2017-06-23 | 2018-12-28 | Renault S.A.S. | Systeme pour la certification de troncons de route adaptes a la conduite autonome |
CN110704284A (zh) * | 2019-09-27 | 2020-01-17 | 高新兴科技集团股份有限公司 | 视频监控场景下的告警处理方法、系统及电子设备 |
CN110751371A (zh) * | 2019-09-20 | 2020-02-04 | 苏宁云计算有限公司 | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 |
CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
CN111506625A (zh) * | 2020-04-20 | 2020-08-07 | 中国建设银行股份有限公司 | 一种告警阈值确定方法及装置 |
CN111524362A (zh) * | 2020-05-19 | 2020-08-11 | 河北德冠隆电子科技有限公司 | 基于多数据融合的车辆安全行驶保障系统与方法 |
CN111696344A (zh) * | 2020-04-21 | 2020-09-22 | 交通运输部公路科学研究院 | 一种智能云交通控制系统及交通控制方法 |
CN111798665A (zh) * | 2020-09-10 | 2020-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路系统 |
CN111965479A (zh) * | 2020-07-02 | 2020-11-20 | 国网上海市电力公司 | 一种基于数据精细化量测比对的线损异常定位方法 |
CN112216135A (zh) * | 2020-12-09 | 2021-01-12 | 交通运输部公路科学研究所 | 一种基于路侧融合感知的自动驾驶可行域控制方法及系统 |
CN112258835A (zh) * | 2020-09-29 | 2021-01-22 | 航天科工广信智能技术有限公司 | 一种基于云边端融合技术的智慧交通系统 |
CN112309122A (zh) * | 2020-11-19 | 2021-02-02 | 北京清研宏达信息科技有限公司 | 一种基于多系统协同的智慧公交分级决策系统 |
CN112382085A (zh) * | 2020-10-20 | 2021-02-19 | 华南理工大学 | 适用于智能车辆交通场景理解与超视距感知系统及方法 |
CN112435487A (zh) * | 2020-11-11 | 2021-03-02 | 浪潮商用机器有限公司 | 基于边缘计算的信号灯控制方法、装置、设备及存储介质 |
CN112489419A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN112532929A (zh) * | 2020-11-18 | 2021-03-19 | 联通智网科技有限公司 | 路况信息确定方法及装置、服务器、存储介质 |
CN112530156A (zh) * | 2019-09-18 | 2021-03-19 | 中移智行网络科技有限公司 | 基于边缘计算的智能网联汽车开放道路系统和建设方法 |
CN112565301A (zh) * | 2019-12-26 | 2021-03-26 | 北京航空航天大学 | 基于小样本学习的服务器运行网络流量异常数据检测方法 |
-
2021
- 2021-03-29 CN CN202110336601.XA patent/CN113096393A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225509A (zh) * | 2015-10-28 | 2016-01-06 | 努比亚技术有限公司 | 一种道路车辆智能预警方法、装置和移动终端 |
JP2018041315A (ja) * | 2016-09-08 | 2018-03-15 | 株式会社デンソー | 道路端検出装置 |
CN106932337A (zh) * | 2017-05-04 | 2017-07-07 | 中交天津港湾工程研究院有限公司 | 多光纤光栅钢筋腐蚀传感器系统的数据处理方法 |
CN108171392A (zh) * | 2017-05-19 | 2018-06-15 | 国网甘肃省电力公司电力科学研究院 | 一种公共建筑综合能耗评估方法 |
CN107392886A (zh) * | 2017-06-14 | 2017-11-24 | 国网山东省电力公司菏泽供电公司 | 一种电力设备图像处理方法 |
FR3067998A1 (fr) * | 2017-06-23 | 2018-12-28 | Renault S.A.S. | Systeme pour la certification de troncons de route adaptes a la conduite autonome |
CN111402612A (zh) * | 2019-01-03 | 2020-07-10 | 北京嘀嘀无限科技发展有限公司 | 一种交通事件通知方法及装置 |
CN112530156A (zh) * | 2019-09-18 | 2021-03-19 | 中移智行网络科技有限公司 | 基于边缘计算的智能网联汽车开放道路系统和建设方法 |
CN110751371A (zh) * | 2019-09-20 | 2020-02-04 | 苏宁云计算有限公司 | 基于统计四分位距的商品库存风险预警方法、系统及计算机可读存储介质 |
CN110704284A (zh) * | 2019-09-27 | 2020-01-17 | 高新兴科技集团股份有限公司 | 视频监控场景下的告警处理方法、系统及电子设备 |
CN112565301A (zh) * | 2019-12-26 | 2021-03-26 | 北京航空航天大学 | 基于小样本学习的服务器运行网络流量异常数据检测方法 |
CN111506625A (zh) * | 2020-04-20 | 2020-08-07 | 中国建设银行股份有限公司 | 一种告警阈值确定方法及装置 |
CN111696344A (zh) * | 2020-04-21 | 2020-09-22 | 交通运输部公路科学研究院 | 一种智能云交通控制系统及交通控制方法 |
CN111524362A (zh) * | 2020-05-19 | 2020-08-11 | 河北德冠隆电子科技有限公司 | 基于多数据融合的车辆安全行驶保障系统与方法 |
CN111965479A (zh) * | 2020-07-02 | 2020-11-20 | 国网上海市电力公司 | 一种基于数据精细化量测比对的线损异常定位方法 |
CN111798665A (zh) * | 2020-09-10 | 2020-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路系统 |
CN112258835A (zh) * | 2020-09-29 | 2021-01-22 | 航天科工广信智能技术有限公司 | 一种基于云边端融合技术的智慧交通系统 |
CN112382085A (zh) * | 2020-10-20 | 2021-02-19 | 华南理工大学 | 适用于智能车辆交通场景理解与超视距感知系统及方法 |
CN112489419A (zh) * | 2020-10-28 | 2021-03-12 | 华为技术有限公司 | 道路容量的确定方法、装置及存储介质 |
CN112435487A (zh) * | 2020-11-11 | 2021-03-02 | 浪潮商用机器有限公司 | 基于边缘计算的信号灯控制方法、装置、设备及存储介质 |
CN112532929A (zh) * | 2020-11-18 | 2021-03-19 | 联通智网科技有限公司 | 路况信息确定方法及装置、服务器、存储介质 |
CN112309122A (zh) * | 2020-11-19 | 2021-02-02 | 北京清研宏达信息科技有限公司 | 一种基于多系统协同的智慧公交分级决策系统 |
CN112216135A (zh) * | 2020-12-09 | 2021-01-12 | 交通运输部公路科学研究所 | 一种基于路侧融合感知的自动驾驶可行域控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
顾国庆: "基于箱线图异常检测的指数加权平滑预测模型", 《计算机与现代化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114679476A (zh) * | 2022-02-15 | 2022-06-28 | 浙江大华技术股份有限公司 | 信息采集方法、系统、路侧系统及存储介质 |
CN114679476B (zh) * | 2022-02-15 | 2023-10-24 | 浙江大华技术股份有限公司 | 信息采集方法、系统、路侧系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107888877B (zh) | 车辆追踪及道路交通信息采集的方法及其系统 | |
Madli et al. | Automatic detection and notification of potholes and humps on roads to aid drivers | |
CN107103775B (zh) | 一种基于群智计算的道路质量检测方法 | |
US10854076B2 (en) | Method and system for computing parking occupancy | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
KR101803891B1 (ko) | 셀영역별 교통인수와 객체추적 모듈로 이루어진 하이브리드형 셀영역 기반 교통상황 실시간 통보장치 및 방법 | |
CN107316454B (zh) | 一种共享单车防盗方法和装置 | |
CN108764042A (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
US8788185B2 (en) | Method and system for estimating traffic information by using integration of location update events and call events | |
CN107705551A (zh) | 交通路况的评估方法以及装置 | |
CN112669596B (zh) | 一种基于大数据的交通安全态势判别系统及方法 | |
CN110599791A (zh) | 信息监控方法、装置和设备 | |
CN113096393A (zh) | 一种路况预警方法、装置及边缘云设备 | |
CN112434075A (zh) | 一种基于etc门架的交通异常检测方法、装置、存储介质及终端 | |
CN112433539A (zh) | 一种处理高速交通事故的无人机调度方法、系统及可读存储介质 | |
CN114141057B (zh) | 一种交叉路口车辆碰撞预警测评方法、装置及系统 | |
JP5058176B2 (ja) | 道路交通監視システム及び関連方法 | |
CN113822487A (zh) | 运营车辆的风险预警方法、装置、存储介质及计算机设备 | |
CN116153095B (zh) | 一种基于边缘计算的高速公路团雾预警方法 | |
CN115909752B (zh) | 一种基于车辆用户历史数据的急转弯识别及统计方法 | |
CN108765954B (zh) | 基于snn密度st-optics改进聚类算法的道路交通安全状况监测方法 | |
Struţu et al. | Accelerometer based road defects identification system | |
CN106427834B (zh) | 车辆保养提醒方法以及装置 | |
CN114724356A (zh) | 基于气象数据整合的gis高速公路事故预警的方法及系统 | |
CN114913398A (zh) | 一种客运驾驶员实时行车风险辨识及风险等级判定的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210709 |