CN113743654A - 自动化码头闸口车流量预警方法 - Google Patents

自动化码头闸口车流量预警方法 Download PDF

Info

Publication number
CN113743654A
CN113743654A CN202110920447.0A CN202110920447A CN113743654A CN 113743654 A CN113743654 A CN 113743654A CN 202110920447 A CN202110920447 A CN 202110920447A CN 113743654 A CN113743654 A CN 113743654A
Authority
CN
China
Prior art keywords
traffic flow
layer
convolution kernel
traffic
gate
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
Application number
CN202110920447.0A
Other languages
English (en)
Inventor
李永翠
范光鹏
刘玉
陈强
殷健
徐永宁
吴艳丽
李波
管廷敬
马慧娟
张传军
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.)
Qingdao New Qianwan Container Terminal Co ltd
Qingdao Port International Co Ltd
Original Assignee
Qingdao New Qianwan Container Terminal Co ltd
Qingdao Port International Co Ltd
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 Qingdao New Qianwan Container Terminal Co ltd, Qingdao Port International Co Ltd filed Critical Qingdao New Qianwan Container Terminal Co ltd
Priority to CN202110920447.0A priority Critical patent/CN113743654A/zh
Publication of CN113743654A publication Critical patent/CN113743654A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Abstract

本发明公开了一种自动化码头闸口车流量预警方法，采集闸口相关路口的车流图像，采用卷积神经网络对车流图像进行分类预测，将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测，最后采用B/S架构对闸口车流量分类预测进行可视化展示，使码头工作人员提前获知闸口车流情况。

Description

自动化码头闸口车流量预警方法
技术领域
本发明属于自动化码头技术领域，具体地说，是涉及一种自动化码头闸口车流量预警方法。
背景技术
随着全自动化码头作业吞吐量的不断提升，闸口车流量也不断加大，码头入闸口车流是否顺畅，对马路交通及港内作业有着重要影响。
现有的车流量预测都是针对城市交通而言的，但对于码头、港口等不同于一般城市交通的区域，大多数车辆集中在进出港的闸口、堆场和码头，具有特定的规律性，采用现行的城市交通流量预测方法并不合适。
发明内容
本发明的目的在于提供一种自动化码头闸口车流量预测方法，基于闸口相关路口的车流图像，结合当前车流数据和历史车流数据对闸口车流量进行分类预测，提前为自动化码头提供车流预警信息。
本发明采用以下技术方案予以实现：
提出一种自动化码头闸口车流量预测方法，包括：获取预测时段前设定时间段内的闸口相关路口的车流图像；采用卷积神经网络对所述车流图像进行分类预测；将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测；其中，所述车流量模型采用支持向量机模型。
进一步的，所述卷积神经网络包括：第一层：卷积层，卷积核为11x11，卷积核数量为60，卷积核窗口移动步长为4，激活函数为：
Figure BDA0003207258320000021
第二层：卷积层，卷积核为11x11，卷积核数量为128，卷积核窗口移动步长为4，激活函数为ReLU；第三层：池化层，池化方法为最大池化；第四层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；第五层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；第六层：池化层，池化方法为最大池化；第七层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；第八层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；第九层：池化层，池化方法为最大池化；第十层、第十一层和第十二层，均为全连接层，最终输出的节点有两个，代表交通情况分类二进制编码。
进一步的于，所述方法还包括：对所述车流图像做如下处理：转化为灰度图并基于
Figure BDA0003207258320000022
对灰度值做归一化：其中，Max(G)为所述车流图像的最大灰度值，Min(G)为所述车流图像的最小灰度值，vi为所述车流图像中的每一个灰度值，n为所述车流图像的像素个数。
进一步的，所述方法还包括：根据以下步骤处理所述分类预测结果：用二进制编码表示采用神经网络对车流图像进行分类预测的输出；将对所有闸口相关路口的车流图像采用卷积神经网络进行分类预测的输出合并成一个二进制编码向量。
进一步的，所述方法还包括：将所述卷积神经网络根据预测时段前设定时间段内的闸口相关路口的n张车流图像的识别向量采用
Figure BDA0003207258320000023
取均值，得到用二进制编码表示的分类预测的输出；其中，TRAi为路口交通向量第i个元素的均值；traj，i为第j张图预测向量第i元素的值。
进一步的，所述方法还包括：采用
Figure BDA0003207258320000031
对所述连续两个单位时间段平均车流量的差值进行归一化处理；其中，Max(V)为历史平均流量最大值，Min(V)为历史平均流量最小值，Vi表示i时段历史平均流量。
进一步的，所述方法还包括：采用B/S架构将闸口车流量分类预测进行可视化展示，并对高流量预测值做告警表示。
与现有技术相比，本发明的优点和积极效果是：本发明提出的自动化码头闸口车流量预测方法中，采集闸口相关路口的车流图像，采用卷积神经网络对车流图像进行分类预测，将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测，最后采用B/S架构对闸口车流量分类预测进行可视化展示，使码头工作人员提前获知闸口车流情况。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
附图说明
图1为本发明提出的自动化码头闸口车流量预警方法的流程图；
图2为本发明提出的自动化码头闸口车流量预警的模型结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明提出的自动化码头闸口车流量预警方法，包括如下步骤：
步骤S11：获取预测时间段前设定时间段内的闸口相关路口的车流图像。
例如要预测t+T时间的车流量情况，则获取t时间的车流图像。
闸口相关路口为闸口周围、影响闸口车流量的若干路口，下面本发明实施例中以闸口周围的3个路口为例，预测模型结构参考图2所示。
在本发明一些实施例中，当获取了车流图像后，先将彩色图像转化为灰度图像，然后对其边缘做灰度补偿，基于
Figure BDA0003207258320000041
对灰度图像做归一化处理，其中，Max(G)为所述车流图像的最大灰度值，Min(G)为所述车流图像的最小灰度值，vi为所述车流图像中的每一个灰度值，n为所述车流图像的像素个数。
步骤S12：采用卷积神经网络对车流图像进行分类预测。
在本发明一些实施例中，卷积神经网络包括：
第一层：卷积层，卷积核为11x11，卷积核数量为60，卷积核窗口移动步长为4，激活函数为：
Figure BDA0003207258320000042
第二层：卷积层，卷积核为11x11，卷积核数量为128，卷积核窗口移动步长为4，激活函数为ReLU；
第三层：池化层，池化方法为最大池化；
第四层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；
第五层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；
第六层：池化层，池化方法为最大池化；
第七层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；
第八层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；
第九层：池化层，池化方法为最大池化；
第十层、第十一层和第十二层，均为全连接层，最终输出的节点有两个，代表交通情况分类二进制编码。
首先，使用历史数据对上述卷积神经网络进行模型训练，当模型收敛后，可使用步骤S11处理后的车流图像进行分类预测。
在如图2所示的实施例中，三个卷积神经网络分别预测闸口周围三个路口的车流情况，输出用二进制编码表示，编码如下：
1)[1,0]表示路口拥挤，[0,1]表示路口畅通。
在本发明一些实施例中，将对所有闸口相关路口的车流图像采用卷积神经网络进行分类预测的输出合并成一个二进制编码的向量，例如，第一路口的分类预测输出为[1,0]，第二路口的分类预测输出为[1,0]，第三路口的分类预测输出为[0,1]，则合并后的二进制编码向量为[1,0，1,0，0,1]，表示第一、第二路口拥挤，第三路口畅通。
在对一个路口的车流图像进行卷积神经网络的分类预测中，卷积神经网络户根据预测时间段前设定时间端内的n张车流图像进行识别分类，采用
Figure BDA0003207258320000051
对n张车流图像的识别向量取均值，得到二进制编码表示的分类预测的输出；其中，TRAi为路口交通向量第i个元素的均值；traj，i为第j张图预测向量第i元素的值。
步骤S13：将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测；其中，所述车流量模型采用支持向量机模型。
从步骤S12中可知，分类预测结果为一个二进制编码的向量。
在本发明实施例中，单位时间内平均车流量分类包括高、中、低三类，其中一小时内平均车流量超过450辆为高流量，300-450辆为中等流量，300辆一下为低流量，将此三类状态用二进制码表示得到单位时间平均车流量分类向量：
高流量：[1,0,0]；
中流量：[0,1,0]；
低流量：[0,0,1]。
在本发明实施例中，根据历史数据计算连续两个单位时间段平均车流量的差值，并对其进行归一化处理，假设当前时间为t时，若要预测t+T时的闸口车流量，则输入流量预测模型的值为t+T时段的历史平均流量值与t时段历史平均流量值的归一化差值，采用
Figure BDA0003207258320000061
计算，其中，Max(V)为历史平均流量最大值，Min(V)为历史平均流量最小值，Vi表示i时段历史平均流量。
当前装箱数量、提箱计划数量和当前查验申请数量记录了计划入闸作业车辆的信息，可以间接反映未来入闸作业的车辆的量级，在本发明实施例中，将其逐一进行归一化处理。
将按照上述处理方式得到的分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入采用支持向量机构建的流量预测模型，通过支持向量机模型对未来入闸流量进行预测，其中预测的标签分为两类，大于等于预设值为告警流量，小于预设值的为正常流量，分别用[1,0]和[0,1]两种向量表示。支持向量机的核函数采用径向基函数。
步骤S14：采用B/S架构将闸口车流量分类预测进行可视化展示。
流量预测模型可每隔设定时间，对当前时间后的T时间的闸口车流量进行预测，并将分类预测信息写入数据库，经B/S架构可视化程序对流量告警进行可视化展示，便于现场工作人员及时疏导交通。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.自动化码头闸口车流量预警方法，其特征在于，包括：
获取预测时段前设定时间段内的闸口相关路口的车流图像；
采用卷积神经网络对所述车流图像进行分类预测；
将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测；其中，所述车流量模型采用支持向量机模型。
2.根据权利要求1所述的自动化码头闸口车流量预警方法，其特征在于，所述卷积神经网络包括：
第一层：卷积层，卷积核为11x11，卷积核数量为60，卷积核窗口移动步长为4，激活函数为：
Figure FDA0003207258310000011
第二层：卷积层，卷积核为11x11，卷积核数量为128，卷积核窗口移动步长为4，激活函数为ReLU；
第三层：池化层，池化方法为最大池化；
第四层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；
第五层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；
第六层：池化层，池化方法为最大池化；
第七层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；
第八层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；
第九层：池化层，池化方法为最大池化；
第十层、第十一层和第十二层，均为全连接层，最终输出的节点有两个，代表交通情况分类二进制编码。
3.根据权利要求1所述的自动化码头闸口车流量预警方法，其特征在于，所述方法还包括：
对所述车流图像做如下处理：转化为灰度图并基于
Figure FDA0003207258310000021
对灰度值做归一化：
其中，Max(G)为所述车流图像的最大灰度值，Min(G)为所述车流图像的最小灰度值，vi为所述车流图像中的每一个灰度值，n为所述车流图像的像素个数。
4.根据权利要求1所述的自动化码头闸口车流量预警方法，其特征在于，所述方法还包括：
根据以下步骤处理所述分类预测结果：
用二进制编码表示卷积神经网络对车流图像进行分类预测的输出；
将对所有闸口相关路口的车流图像采用卷积神经网络进行分类预测的输出合并成一个二进制编码向量。
5.根据权利要求4所述的自动化码头闸口车流量预警方法，其特征在于，所述方法还包括：
将所述卷积神经网络根据预测时段前设定时间段内的闸口相关路口的n张车流图像的识别向量采用
Figure FDA0003207258310000022
Figure FDA0003207258310000023
取均值，得到
用二进制编码表示的分类预测的输出；
其中，TRAi为路口交通向量第i个元素的均值；traj，i为第j张图预测向量第i元素的值。
6.根据权利要求1所述的自动化码头闸口车流量预警方法，其特征在于，所述方法还包括：
采用
Figure FDA0003207258310000031
对所述连续两个单位时间段平均车流量的差值进行归一化处理；
其中，Max(V)为历史平均流量最大值，Min(V)为历史平均流量最小值，Vi表示i时段历史平均流量。
7.根据权利要求1所述的自动化码头闸口车流量预警方法，其特征在于，所述方法还包括：
采用B/S架构将闸口车流量分类预测进行可视化展示，并对高流量预测值做告警。
CN202110920447.0A 2021-08-11 2021-08-11 自动化码头闸口车流量预警方法 Pending CN113743654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110920447.0A CN113743654A (zh) 2021-08-11 2021-08-11 自动化码头闸口车流量预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110920447.0A CN113743654A (zh) 2021-08-11 2021-08-11 自动化码头闸口车流量预警方法

Publications (1)

Publication Number Publication Date
CN113743654A true CN113743654A (zh) 2021-12-03

Family

ID=78730760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110920447.0A Pending CN113743654A (zh) 2021-08-11 2021-08-11 自动化码头闸口车流量预警方法

Country Status (1)

Country Link
CN (1) CN113743654A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313219A (zh) * 2023-11-24 2023-12-29 交通运输部天津水运工程科学研究所 适用调水工程的船闸通闸通过能力计算方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663579A (zh) * 2012-04-27 2012-09-12 同济大学 基于货运流程的港口道路交通需求od估计方法
CN106295851A (zh) * 2016-07-27 2017-01-04 大连海事大学 一种集卡信息服务与调度系统及其工作方法
CN106874956A (zh) * 2017-02-27 2017-06-20 陕西师范大学 图像分类卷积神经网络结构的构建方法
CN108502552A (zh) * 2018-05-16 2018-09-07 青岛港国际股份有限公司 一种集装箱码头自动化堆场
KR20180116934A (ko) * 2017-04-18 2018-10-26 한국기술교육대학교 산학협력단 Cnn을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류시스템
CN111222491A (zh) * 2020-01-16 2020-06-02 上海海事大学 基于深度学习的车流量的评估方法
CN111507884A (zh) * 2020-04-19 2020-08-07 衡阳师范学院 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统
CN111553438A (zh) * 2020-05-07 2020-08-18 广州鹄志信息咨询有限公司 一种基于卷积神经网络的图像识别方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field
WO2021141339A1 (ko) * 2020-01-09 2021-07-15 씨드로닉스 주식회사 해수면을 고려한 항만 및 선박 모니터링 방법 및 장치

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102663579A (zh) * 2012-04-27 2012-09-12 同济大学 基于货运流程的港口道路交通需求od估计方法
CN106295851A (zh) * 2016-07-27 2017-01-04 大连海事大学 一种集卡信息服务与调度系统及其工作方法
CN106874956A (zh) * 2017-02-27 2017-06-20 陕西师范大学 图像分类卷积神经网络结构的构建方法
KR20180116934A (ko) * 2017-04-18 2018-10-26 한국기술교육대학교 산학협력단 Cnn을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류시스템
CN108502552A (zh) * 2018-05-16 2018-09-07 青岛港国际股份有限公司 一种集装箱码头自动化堆场
WO2021141339A1 (ko) * 2020-01-09 2021-07-15 씨드로닉스 주식회사 해수면을 고려한 항만 및 선박 모니터링 방법 및 장치
CN111222491A (zh) * 2020-01-16 2020-06-02 上海海事大学 基于深度学习的车流量的评估方法
CN111507884A (zh) * 2020-04-19 2020-08-07 衡阳师范学院 一种基于深层卷积神经网络的自适应图像隐写分析方法及系统
CN111553438A (zh) * 2020-05-07 2020-08-18 广州鹄志信息咨询有限公司 一种基于卷积神经网络的图像识别方法
AU2020103901A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Image Semantic Segmentation Method Based on Deep Full Convolutional Network and Conditional Random Field

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周强, 肖矫矫, 陶德馨: "集装箱码头前沿交通流模型研究", 武汉理工大学学报(交通科学与工程版), no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313219A (zh) * 2023-11-24 2023-12-29 交通运输部天津水运工程科学研究所 适用调水工程的船闸通闸通过能力计算方法
CN117313219B (zh) * 2023-11-24 2024-02-23 交通运输部天津水运工程科学研究所 适用调水工程的船闸通闸通过能力计算方法

Similar Documents

Publication Publication Date Title
Majidifard et al. Deep machine learning approach to develop a new asphalt pavement condition index
Lu et al. A combined method for short-term traffic flow prediction based on recurrent neural network
CN103258427A (zh) 基于信息物理网络的城市快速路交通实时监控系统与方法
CN109544926B (zh) 一种基于路口相关性的交通流量修复方法
CN111582559A (zh) 一种到达时间的预估方法及装置
US20210217307A1 (en) Real-time traffic safety management system
WO2021076573A1 (en) Systems and methods for assessing infrastructure
CN112232591A (zh) 基于气象因素的覆冰厚度智能预警方法
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN113743654A (zh) 自动化码头闸口车流量预警方法
CN113379099A (zh) 一种基于机器学习与copula模型的高速公路交通流自适应预测方法
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
Chen et al. Ship imaging trajectory extraction via an aggregated you only look once (YOLO) model
Saeed et al. Gravel road classification based on loose gravel using transfer learning
WO2022203593A1 (en) System and method for predicting road traffic speed
CN109583741A (zh) 行驶轨迹风险评估方法和系统
Yadhunath et al. Detecting surface cracks on buildings using computer vision: an experimental comparison of digital image processing and deep learning
CN116882755A (zh) 一种基于车载Tbox数据预测货车运输路线偷油风险的方法
CN111091061B (zh) 一种基于视频分析的车辆刮蹭检测方法
Karimpour et al. Modeling red-light running behavior using high-resolution event-based data: a finite mixture modeling approach
CN113011338A (zh) 一种车道线检测方法及系统
EP3805986A1 (en) Method for measuring the boundary performance of a semantic segmentation network
CN115345247B (zh) 模型训练和公路轴载确定方法、装置、设备及介质
CN116861286B (zh) 一种基于模糊计算的多模态滑坡位移智能预测方法
CN117058888B (zh) 一种交通大数据处理方法及其系统

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