CN113516850A - 基于空间句法分析的管道沿线交通流量数据采集方法 - Google Patents

Abstract

本发明基于空间句法分析的管道沿线交通流量数据采集方法，包括步骤：获取管道沿线数据，基于管道沿线数据进行缓冲区分析，形成管网带状区域；获取管道沿线所在的道路数据，基于道路数据进行空间句法分析，获得道路交通布局的空间句法特征；基于空间句法特征进行车流采集备选点的选取；利用形成的管网带状区域对选取的车流采集备选点进行过滤，得到管网交通密度采集点；基于得到的管网交通密度采集点，获取管网交通密度采集点的车流视频，形成管网交通密度车流初始数据，从而统计出各个管网交通密度采集点的交通流量数据。本发明的目的在于提出一种在较低工作量、低成本的交通流量数据获取方法，从而对管线事故后果程度有强硬的监管依据。

Description

基于空间句法分析的管道沿线交通流量数据采集方法

技术领域

本发明涉及燃气安全技术领域，特别涉及一种基于空间句法分析的管道沿线交通流量数据采集方法。

背景技术

天然气作为一种清洁能源为现代城市生活生产带来了极大的便利，同时由于燃气泄漏导致的安全事故也给社会生活带来了不利的影响。为了提升燃气输配的安全性，提倡实施燃气管道的完整性管理，通过对管道周边的环境数据进行收集，实施管道管网的安全风险监管，实现风险预控管理。根据目前现有文献对燃气企业运行的经验，管网沿线上的交通流量对管网频发的第三方破坏泄漏的评价具备重要作用，越是车流量大的重要路段，管线发生事故后对社会的影响程度就越高，相比于车流量小的路段，发生了管线事故后，对社会的影响可能就没有那么严重。因此管道沿线上的交通流量就成了判定管线事故后果程度的重要依据。

目前燃气企业在实施诸如人口密度、交通流量的数据采集时，面临着诸多问题。首先，该类数据需要以管网地理位置为参考，采用购买第三方数据的方式，只能用到管线附近的部分数据，数据的整体利用率不高，潜在提升了数据采集成本。其次，实行专项采集独立收集数据的情况下，由于没有一套合理的采集机制设计，数据获取过程的介入会影响现有的生产运营模式和工作量分配，短期内难以推行落地。因此，针对管网沿线上的交通流量的数据采集问题，亟需一种在较低工作量、低成本的交通流量数据获取方法，从而对管线事故后果程度有强硬的监管依据。

发明内容

本发明的目的在于提出一种在较低工作量、低成本的交通流量数据获取方法，从而对管线事故后果程度有强硬的监管依据，提供一种基于空间句法分析的管道沿线交通流量数据采集方法。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：包括以下步骤：

步骤S1：获取管道沿线数据，基于管道沿线数据进行缓冲区分析，形成管网带状区域；

步骤S2：获取管道沿线所在的道路数据，基于道路数据进行空间句法分析，获得道路交通布局的空间句法特征；

步骤S3：基于空间句法特征进行车流采集备选点的选取，利用形成的管网带状区域对选取的车流采集备选点进行过滤，得到管网交通密度采集点；

步骤S4：基于得到的管网交通密度采集点，获取管网交通密度采集点的车流视频，形成管网交通密度车流初始数据，从而统计出各个管网交通密度采集点的交通流量数据。

在上述方案中，关键在于采集点的选取和车流视频识别方法，采集点选取基于地理空间分析和空间句法分析，即选取车流采集地点，以较少的采集点获取较好的数据采集效果。车流视频识别方法则提供了单点采集数据的车辆特征的自动提取，其中涉及到对车流视频的分帧目标检测与识别，实现对相应时段的车流密度计算。

所述获取管道沿线数据，基于管道沿线数据进行缓冲区分析，形成管网带状区域的步骤，包括：

根据测绘点位，将测绘点位按序号连接起来，确立管网中心线，形成管道沿线数据；设置缓冲区分析的扩散半径，将管网中心线上每个点位以扩散半径为基础扩散为圆，管网中心线上所有扩散的圆的交集形成的面，为管网带状区域。

所述获取管道沿线所在的道路数据，基于道路数据进行空间句法分析，获得道路交通布局的空间句法特征的步骤，包括：

所述空间句法分析采用轴线法，依次获得的道路交通布局的空间句法特征包括连接度P、控制度T、深度值S、局部集成度R；

将道路数据的轴线图中某条轴线作为中心轴线，计算与该条中心轴线相连的其他轴线的连接度p，构成该条中心轴线的连接度集合P={p₁,p₂,...p_x,...p_N}，p_x表示与该中心轴线相连的第x条轴线的连接度；

根据某条中心轴线的连接度集合P，计算该中心轴线相对于与其相连的其他轴线的控制度T，

，控制度T越大的轴线相对于整个轴线图的空间分布越重要；

以轴线x为中心轴线，该中心轴线到达任一其他轴线y经过的不同路径所包含的轴线数量集合为s_x={s_x1,s_x2,…,s_xm}，m表示轴线x到达轴线y有m条路径，取s_xy=min{s_x}，轴线总数为n，计算轴线x的深度值

；

局部集成度反应一条轴线与其他轴线的集聚或离散程度，根据已经计算得到的轴线深度值S_x，计算轴线x的局部集成度R_x=2(S_x-1)/(n-2)，其中n为轴线图中轴线的总数。

局部集成度R_x的值越小表示轴线x在所研究的空间分布中处于越便捷的位置。

所述基于空间句法特征进行车流采集备选点的选取，利用形成的管网带状区域对选取的车流采集备选点进行过滤，得到管网交通密度采集点的步骤，包括：

基于道路数据的轴线图和形成的所述管网带状区域进行空间关联分析，将在空间位置上与管网带状区域重合的轴线提取出来作为车流采集备选点；

根据提取出来的轴线的控制度T和局部集成度R的倒数1/R，对轴线进行降序排序，并按照排序结果计算提取出来的轴线的控制度T和局部集成度R的倒数1/R的逐条累加值；按照所有提取出来的轴线的总累加值分别对T和1/R进行归一化处理，将归一化处理后的T的累加值和1/R的累加值作为参考值；选取参考值小于设定阈值的轴线作为车流采集备选点经过滤后得到的管网交通密度采集点。

所述基于得到的管网交通密度采集点，获取管网交通密度采集点的车流视频，形成管网交通密度车流初始数据，从而统计出各个管网交通密度采集点的交通流量数据的步骤，包括：

对获取的管网交通密度采集点的车流视频进行图像预处理，对原始图像进行灰度校正、图形噪声过滤；使用目标检测与跟踪算法，结合视频帧差分析和形态学处理实现车辆定位、车辆位置变化、车辆运动监测，进而对管网交通密度采集点的车流密度进行统计，获得交通流量数据。

所述目标检测与跟踪算法为基于背景建模的目标检测算法，通过CNN深度学习对预处理后的车流视频的图像进行特征提取，预测图像位置和类别概率值，获得车辆位置信息，并使用标记框将车辆位置框起来；对每帧图像中识别到的车辆对象，判定其中的各车辆与上一帧图像中识别出的车辆是否为同一目标车辆，如果是，则利用标记框中点跟踪算法对车辆进行跟踪，判断车辆位置变化与预设检测线位置关系，当同一车辆越过预设检测线，则车辆数目加1，从而对车辆数目进行计数；

通过车辆数目、车辆位置、位移距离，分析车流视频中一段时间内的车辆计数和该段时间的时长比值，即获得交通流量数据。

还包括步骤S5：根据统计出来的各个管网交通密度采集点的交通流量数据，对交通流量数据高的管网交通密度采集点加大管道沿线的巡查。

本发明的有益效果：

本发明通过采集点的优化选取，和对采集点车流密度的统计两个方面实现管道沿线交通密度数据采集统计，通过对以上两个环节的优化，可以极大地降低管道沿线交通密度数据采集的难度和工作量。在燃气企业现有工作开展模式下，对人力、物力的稍加调配即可满足需求，不会因为与现有工作模式变化太大而限制其落地可行性。

附图说明

为了更清楚地说明本发明实施例的技术方案，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发明的某些实施例，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为本发明流程图；

图2为本发明目标检测与跟踪算法流程图；

图3为本发明实施例管道沿线数据的测绘点位示意图；

图4为本发明实施例管道沿线数据所在的道路数据轴线图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

实施例：

本发明通过下述技术方案实现，如图1所示，基于空间句法分析的管道沿线交通流量数据采集方法，包括以下步骤：

步骤S1：获取管道沿线数据，基于管道沿线数据进行缓冲区分析，形成管网带状区域。

根据测绘点位，将测绘点位的序号连接起来，确立管网中心线，形成管道沿线数据。比如如图3所示的测绘点位的序号包括A、B、C、D、E、F、G、H、I、J，将测绘点位的序号连接起来，可以形成管道沿线数据。

然后设置缓冲区分析的扩散半径，将管网中心线上每个点位以扩散半径为基础扩散为圆，管网中心线上所有扩散的圆的交集形成的面，为如图4所示的管网带状区域。

步骤S2：获取管道沿线所在的道路数据，基于道路数据进行空间句法分析，获得道路交通布局的空间句法特征。

空间句法分析是指空间的道路拓扑结构在很大程度上决定着人在空间范围内的行为，从而影响人群活动区域、交通流量等（即是指本文所称的交通密度）。空间句法理论可应用在城市规划和建筑设计领域，包括空间分布关系、城市交通中的可达性评价、空间句法与城市规划方案涉及。空间句法分析通过视域分析法、线段角度法、轴线法和凸空间发来再现空间，提取空间节点，构建相应模型，进而处理获得空间组织结构的特征。考虑到本方案的空间分析目标是提取交通流量采集点（即管网交通密度采集点），故采取轴线法较为合适。

所述空间句法分析采用轴线法，需要明确以下几个关键指标，获得的空间句法特征包括连接度P、控制度T、深度值S、局部集成度R。作为举例，请参见图4为道路数据的轴线图，其中包括轴线a、轴线b、轴线c、轴线d、轴线e、轴线f、轴线g、轴线h、轴线i、轴线j这十根轴线。

将道路数据的轴线图中某条轴线作为中心轴线，计算与该条中心轴线相连的其他轴线的连接度p，构成该条中心轴线的连接度集合P={p₁,p₂,...p_x,...p_N}，p_x表示与该中心轴线相连的第x条轴线的连接度。

每条轴线的连接度p即为该与条轴线相连的其他轴线数量，从图4中可以看出，轴线a的连接度p_a=2，轴线b的连接度p_b=2，轴线c的连接度p_c=5，轴线d的连接度p_d=4，轴线e的连接度p_e=2，轴线f的连接度p_f=3，轴线g的连接度p_g=6，轴线h的连接度p_h=3，轴线i的连接度p_i=3，轴线j的连接度p_j=4。

假设以轴线g作为中线轴线，与轴线g连接的轴线有c、d、f、h、i、j，那么轴线g的连接度集合为P_g={p_c，p_d，p_f，p_h，p_i，p_j}={5，4，3，3，3，4}。通过此方法，可以分别得到十根轴线各自的连接度集合P_a、P_b、...P_j。

根据某条中心轴线的连接度集合P，计算该中心轴线相对于与其相连的其他轴线的控制度T，

，控制度T越大的轴线相对于整个轴线图的空间分布越重要。

比如中心轴线g的控制度T_g=1/5+1/4+1/3+1/3+1/3+1/4=1.7。通过此方法，可以分别计算出十根轴线各自的控制度T_a、T_b、...T_j，控制度T越大的轴线，说明该轴线在这个轴线图中的空间分布越重要。

以某轴线x为中心轴线，该中心轴线到达任一其他轴线y经过的不同路径所包含的轴线数量集合为s_x={s_x1,s_x2,…,s_xm}，m表示轴线x到达轴线y有m条路径，取s_xy=min{s_x}，轴线总数为n，计算轴线x的深度值

。

比如请参见图4，举例以轴线i为中心轴线，以轴线e为目的轴线，那么轴线i到达轴线e可以经过路线igde，也可以经过路线ije，那么轴线i到达轴线e可以有2条路径，即m=2，经过的不同路径所包含的轴线数量集合为s_i={3,2}，选取s_i中的最小值作为s_ie=2。通过该方式计算出s_ia=3，s_ib=3，s_ic=2，s_id=2，s_ie=2，s_if=2，s_ig=1，s_ih=1，s_ij=1。已知轴线的总数n=10，计算轴线i的深度值

，S_i=1/9*(3+3+2+2+2+2+1+1+1)=1.88。通过此方法，可以计算出十根轴线的深度值S_a、S_b、...S_j。

局部集成度反应一条轴线与其他轴线的集聚或离散程度，根据已经计算得到的轴线深度值S_x，计算局部集成度R_x=2(S_x-1)/(n-2)，其中n为轴线图中轴线的总数。

通过上述计算出轴线i的深度值S_i=1.88后，已知轴线的总数n=10，可计算轴线i的局部集成度R_i=2(1.88-1)/(10-2)=0.22。通过此方法，可以计算出十根轴线的局部集成度R_a、R_b、...R_j。

通过对上述关键指标的计算，可以衡量道路数据中关键交通交汇点与关键路线，进而选择对区域交通状况影响最大，且具备交通统计代表性的地点作为采集点，有效提高后续采集的车流视频数据成果质量，另一方面降低了采集工作量。

步骤S3：基于空间句法特征进行车流采集备选点的选取，利用形成的管网带状区域对选取的车流采集备选点进行过滤，得到管网交通密度采集点。

基于道路数据的轴线图和形成的所述管网带状区域进行空间关联分析，将在空间位置上与管网带状区域重合的轴线提取出来作为车流采集备选点。可以认为如图4所示的十根轴线即为车流采集备选点。

根据提取出来的轴线的控制度T和局部集成度R的倒数1/R，对轴线进行降序排序，并按照排序结果计算提取出来的轴线的控制度T和局部集成度的倒数1/R的逐条累加值；按照所有提取出来的轴线的总累加值分别对T和1/R进行归一化处理，将归一化处理后的T的累加值和1/R的累加值作为参考值；选取参考值小于设定阈值的轴线作为车流采集备选点经过滤后得到的管网交通密度采集点。

比如根据十根轴线的控制度T和局部集成度倒数1/R进行排序时，本实施过程以1/R作为一级排序参考，T作为二级排序参考，可得到如表1所示的结果：

表1

解释说明：表1中{s_x}表示当前轴线依次到达其他轴线的最短路径轴线数量集合，比如轴线g对应的集合{s_x}（即x代表轴线g时）则表示轴线g依次到达轴线a、轴线b、轴线c、轴线d、轴线e、轴线f、轴线h、轴线i、轴线j的最短路径轴线数量；再比如轴线b对应的集合{s_x}（即x代表轴线b时）依次到达轴线a、轴线c、轴线d、轴线e、轴线f、轴线g、轴线h、轴线i、轴线j的最短路径轴线数量；以此类推。

按照所有提取出来的轴线的总累加值分别对控制度T和局部集成度倒数1/R进行归一化处理，将归一化处理后的控制度T的累加值和局部集成度倒数1/R的累加值相加作为参考值。经过相应的数据处理，得到如表2所示结果：

表2

选取参考值小于设定阈值的轴线作为车流采集备选点经过滤后得到的管网交通密度采集点。

若将设定阈值设置为80%，则选取的“T累加归一化列”和“1/R累加归一化列”均小于0.8的轴线作为过滤后的交通密度采集点，结果为{g,c,d,f,j,h}。

步骤S4：基于得到的管网交通密度采集点，获取管网交通密度采集点的车流视频，形成管网交通密度车流初始数据，从而统计出各个管网交通密度采集点的交通流量数据。

由于管网交通流量检测的用途是大致估计管线影响范围内的交通峰值密度，同时统计基于离线车流视频信号处理实现，相比现有的全天候交通流量实施监控而言，具备更好的实现条件。其一，可以选择车流视频采集时间，比如选择在晴天，可见度较好的时候实行采集，采集变得灵活；其二，在进行密度统计时，在实时性方面的需求降低，可以考虑更多的图像识别技术与算法。随着计算机视觉技术的发展，交通车流密度统计解决方案也具备了较为完善的技术支撑体系，形成了以图像预处理、车辆检测、车流量统计为关键环节的车流量采集流程。

对获取的管网交通密度采集点的车流视频进行图像预处理，对原始图像进行灰度校正、图形噪声过滤，以提升图片质量，便于提高后续基于图像处理进行车流统计的准确性。运动车辆检测技术主要运用目标检核与跟踪算法，结合视频帧差分析和形态学处理实现车辆定位、车辆位置变化、车辆运动监测，进而对管网交通密度采集点的车流密度进行统计，获得交通流量数据。

车流量目标检测与跟踪有两种较为常见的实现方法，包括基于背景建模的目标检测算法和基于目标建模的目标检测算法的分析与选择。基于背景建模的目标检测算法中比较典型的由cookbook、ViBe和GMM 法，此类算法在道路顺畅、环境稳定时检测速度快、检测精度高、但是难以处理拥堵环境下的车流量检测。而基于目标建模的方法则利用被检测物体的特征，包括 HOG 、Haar-Like、LBP、SIFT、SUFT 传统特征以及深度学习方法CNN自动提取的特征，并基于使用 SVM、Adaboost 分类器进行目标识别定位与跟踪，此类方法特点是精度高，但图像处理速度相对较慢。

YOLOV3算法是基于CNN特征提取，经过了改造逐步解决了小目标识别精度问题，使用了更好的分类网络提升了模型的速度、精度与泛化能力。考虑到本方案车流量离线统计的特点，采用YOLOV3作为基础搭建车辆目标检测与跟踪算法是完全可行的。

请参见图2，通过CNN深度学习对预处理后的车流视频的图像进行特征提取，预测图像位置和类别概率值，获得车辆位置信息，并使用标记框将车辆位置框起来，这是在确定车辆；对每帧图像中识别到的车辆对象，判定其中的各车辆与上一帧图像中识别出的车辆是否为同一目标车辆，如果是，则利用标记框中点跟踪算法对车辆进行跟踪，判断车辆位置变化与预设检测线位置关系，当同一车辆越过预设检测线，则车辆数目加1，这是在对车辆进行计数。

通过车辆数目、车辆位置、位移距离，分析车流视频中一段时间内的车辆计数和该段时间的时长比值，即获得交通流量数据。

步骤S5：根据统计出来的各个管网交通密度采集点的交通流量数据，对交通流量数据高的管网交通密度采集点加大管道沿线的巡查。

至此，本领域技术人员认识到，虽然本文已详尽展示和描述了本发明的实施例，但是，在不脱离本发明精神和范围的情况下，仍可根据本发明公开的内容直接确定或推导符合本发明原理的许多其他变形或修改。因此，本发明的范围应被理解和认定为覆盖了所有这些其他变形或修改。

Claims (7)

1.基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：包括以下步骤：

步骤S1：获取管道沿线数据，基于管道沿线数据进行缓冲区分析，形成管网带状区域；

步骤S2：获取管道沿线所在的道路数据，基于道路数据进行空间句法分析，获得道路交通布局的空间句法特征；

步骤S3：基于空间句法特征进行车流采集备选点的选取，利用形成的管网带状区域对选取的车流采集备选点进行过滤，得到管网交通密度采集点；

步骤S4：基于得到的管网交通密度采集点，获取管网交通密度采集点的车流视频，形成管网交通密度车流初始数据，从而统计出各个管网交通密度采集点的交通流量数据。

2.根据权利要求1所述的基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：所述获取管道沿线数据，基于管道沿线数据进行缓冲区分析，形成管网带状区域的步骤，包括：

根据测绘点位，将测绘点位按序号连接起来，确立管网中心线，形成管道沿线数据；设置缓冲区分析的扩散半径，将管网中心线上每个点位以扩散半径为基础扩散为圆，管网中心线上所有扩散的圆的交集形成的面，为管网带状区域。

3.根据权利要求1所述的基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：所述获取管道沿线所在的道路数据，基于道路数据进行空间句法分析，获得道路交通布局的空间句法特征的步骤，包括：

所述空间句法分析采用轴线法，依次获得的道路交通布局的空间句法特征包括连接度P、控制度T、深度值S、局部集成度R；

将道路数据的轴线图中某条轴线作为中心轴线，计算与该条中心轴线相连的其他轴线的连接度p，构成该条中心轴线的连接度集合P={p₁,p₂,...p_x,...p_N}，p_x表示与该中心轴线相连的第x条轴线的连接度；

根据某条中心轴线的连接度集合P，计算该中心轴线相对于与其相连的其他轴线的控制度T，

，控制度T越大的轴线相对于整个轴线图的空间分布越重要；

以轴线x为中心轴线，该中心轴线到达任一其他轴线y经过的不同路径所包含的轴线数量集合为s_x={s_x1,s_x2,…,s_xm}，m表示轴线x到达轴线y有m条路径，取s_xy=min{s_x}，轴线总数为n，计算轴线x的深度值

；

局部集成度反应一条轴线与其他轴线的集聚或离散程度，根据已经计算得到的轴线深度值S_x，计算轴线x的局部集成度R_x=2(S_x-1)/(n-2)，其中n为轴线图中轴线的总数。

4.根据权利要求3所述的基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：所述基于空间句法特征进行车流采集备选点的选取，利用形成的管网带状区域对选取的车流采集备选点进行过滤，得到管网交通密度采集点的步骤，包括：

基于道路数据的轴线图和形成的所述管网带状区域进行空间关联分析，将在空间位置上与管网带状区域重合的轴线提取出来作为车流采集备选点；

根据提取出来的轴线的控制度T和局部集成度R的倒数1/R，对轴线进行降序排序，并按照排序结果计算提取出来的轴线的控制度T和局部集成度R的倒数1/R的逐条累加值；按照所有提取出来的轴线的总累加值分别对T和1/R进行归一化处理，将归一化处理后的T的累加值和1/R的累加值作为参考值；选取参考值小于设定阈值的轴线作为车流采集备选点经过滤后得到的管网交通密度采集点。

5.根据权利要求1所述的基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：所述基于得到的管网交通密度采集点，获取管网交通密度采集点的车流视频，形成管网交通密度车流初始数据，从而统计出各个管网交通密度采集点的交通流量数据的步骤，包括：

对获取的管网交通密度采集点的车流视频进行图像预处理，对原始图像进行灰度校正、图形噪声过滤；使用目标检测与跟踪算法，结合视频帧差分析和形态学处理实现车辆定位、车辆位置变化、车辆运动监测，进而对管网交通密度采集点的车流密度进行统计，获得交通流量数据。

6.根据权利要求5所述的基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：所述目标检测与跟踪算法为基于背景建模的目标检测算法，通过CNN深度学习对预处理后的车流视频的图像进行特征提取，预测图像位置和类别概率值，获得车辆位置信息，并使用标记框将车辆位置框起来；对每帧图像中识别到的车辆对象，判定其中的各车辆与上一帧图像中识别出的车辆是否为同一目标车辆，如果是，则利用标记框中点跟踪算法对车辆进行跟踪，判断车辆位置变化与预设检测线位置关系，当同一车辆越过预设检测线，则车辆数目加1，从而对车辆数目进行计数；

通过车辆数目、车辆位置、位移距离，分析车流视频中一段时间内的车辆计数和该段时间的时长比值，即获得交通流量数据。

7.根据权利要求1所述的基于空间句法分析的管道沿线交通流量数据采集方法，其特征在于：还包括步骤S5：根据统计出来的各个管网交通密度采集点的交通流量数据，对交通流量数据高的管网交通密度采集点加大管道沿线的巡查。

Images