CN113744522A - 一种高速公路上的车辆引导方法、设备及介质 - Google Patents

Abstract

本申请公开了一种高速公路上的车辆引导方法、设备及介质，方法包括：获取监测区域中发生的交通事件信息；将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；根据所述车辆数量，确定所述影响区域所对应的引导方案。本申请实施例通过确定交通事件的影响区域，并预测影响区域将要到达的车辆数量，从而得到影响区域的引导方案，能够有效避免由于未来的车流量过多，加重拥堵状况，实现对影响区域中的车辆进行精细化引导，避免出现在交通事件发生时，提高了高速公路通行效率。

Description

一种高速公路上的车辆引导方法、设备及介质

技术领域

本申请涉及数据处理技术领域，尤其涉及一种高速公路上的车辆引导方法、设备及介质。

背景技术

随着城市人口和机动车保有量的增加，高速公路经常出现拥堵、缓行等情况，交通运行效率低，出行效率下降，比如，节假日的高速公路更是成为中国交通拥堵的难题。

对于高速公路通行效率的影响因素众多，例如，车辆数量、交通事故发生位置等等，但是，针对交通流的管理没有很好的解决方案，依然需要改进，导致在发生交通事件时，高速公路通行效率低。

发明内容

本申请实施例提供一种高速公路上的车辆引导方法、设备及介质，用于解决在发生交通事件时，高速公路通行效率低的问题。

本申请实施例采用下述技术方案：

一方面，本申请实施例提供了一种高速公路上的车辆引导方法，该方法包括：获取监测区域中发生的交通事件信息；将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；根据所述车辆数量，确定所述影响区域所对应的引导方案。

一个示例中，确定所述预设交通事件分析模型，具体包括：确定所述监测区域对应的路段中设置有多种感知设备；通过所述感知设备确定样本交通事件信息，得到交通事件主题库；通过所述交通事件主题库对初始交通事件分析模型进行训练，得到所述预设交通事件分析模型。

一个示例中，所述根据所述车辆数量，确定所述影响区域所对应的引导方案，具体包括：将所述影响区域等距离离散为多个划分单元，并通过所述车辆数量，确定所述划分单元的交通密度；根据所述划分单元的交通密度，将所述影响区域划分交通引导子区；根据所述交通引导子区对应的交通引导模型，确定所述交通引导子区的引导方案；根据所述引导方案，对所述监测区域中的车辆进行引导。

一个示例中，所述根据所述划分单元的交通密度，将所述影响区域划分交通引导子区，具体包括：判断当前时间是否为节假日；若是，则确定与所述节假日类型相同的最新的历史节假日，并在所述历史节假日内，获取与所述当前时间为同一天、同一时段的所述影响区域的第一历史路况信息；根据所述第一历史路况信息，确定所述影响区域的第一交通阈值；根据所述划分单元的交通密度与所述第一交通密度阈值之间的差值，将所述影响区域划分为中心区、扩散区、边界区。

一个示例中，所述根据所述划分单元的交通密度与所述第一交通密度阈值之间的差值，将所述影响区域划分为中心区、扩散区、边界区，具体包括：将所述差值不小于第一预设差值阈值的划分单元，确定为中心区；将所述差值不小于第二预设差值阈值且小于第一预设差值阈值的划分单元，确定为扩散区；将所述差值不小于第三预设差值阈值且小于第二预设差值阈值的划分单元，确定为边界区。

一个示例中，所述根据所述划分单元的交通密度，将所述影响区域划分交通引导子区，具体包括：判断当前时间是否为节假日；若否，则在预设时间段内，获取所述监测区域的第二历史路况信息；根据所述第二历史路况信息，确定所述监测区域的第二交通阈值；根据所述划分单元的交通密度与所述第二交通密度阈值之间的差值，将所述影响区域划分为中心区、扩散区、边界区。

一个示例中，所述获取监测区域中发生的交通事件信息，具体包括：通过监测区域中设置的感知设备，获取所述交通事件信息；其中，所述感知设备获取所述监测区域视频图像，并在所述视频图像中设置不同的检测区域；将所述视频图像输入至背景提取模型，提取所述视频图像中各图像帧的背景图像；基于所述背景图像，通过背景差法，提取所述各图像帧中的所述检测区域处的车辆运动前景信息；在所述各图像帧中，确定所述车辆运动前景信息中的前景点数量大于第一预设前景点数量阈值的第一检测区域；若包括所述第一检测区域的图像帧数量大于预设图像帧数量阈值，则确定所述监测区域存在所述交通事件。

一个示例中，所述若包括所述第一检测区域的图像帧的数量大于预设图像帧的数量阈值，则确定所述监测区域存在交通事件之后，所述方法还包括：在所述各图像帧中，确定所述车辆运动前景信息中的前景点数量小于第二预设前景点数量阈值的第二检测区域；所述第二检测区域不具有所述车辆运动前景信息；若相邻若干图像帧中均包括所述第二检测区域，则将在所述相邻若干图像帧中位置相同的所述第二检测区域，确定为第三检测区域，并确定在所述第三检测区域处发生交通事件。

另一方面，本申请实施例提供了一种高速公路上的车辆引导设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取监测区域中发生的交通事件信息；将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；根据所述车辆数量，确定所述影响区域所对应的引导方案。

另一方面，本申请实施例提供了一种高速公路上的车辆引导非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：获取监测区域中发生的交通事件信息；将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；根据所述车辆数量，确定所述影响区域所对应的引导方案。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

本申请实施例通过确定交通事件的影响区域，并预测影响区域将要到达的车辆数量，从而得到影响区域的引导方案，能够有效避免由于未来的车流量过多，加重影响区域的拥堵状况，实现对影响区域中的车辆进行精细化引导，避免出现在交通事件发生时，提高了高速公路通行效率。

附图说明

为了更清楚地说明本申请的技术方案，下面将结合附图来对本申请的部分实施例进行详细说明，附图中：

图1为本申请实施例提供的一种高速公路上的车辆引导方法的流程示意图；

图2为本申请实施例提供的确定车辆引导方案的流程示意图；

图3为本申请实施例提供的一种高速公路上的车辆引导设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请实施例提供的一种高速公路上的车辆引导方法的流程示意图。该方法的实现可以为终端设备，也可以为服务器，本申请对此不作特殊限制。为了方便理解和描述，以下实施例均以服务器为例进行详细描述。

需要说明的是，该服务器可以是单独的一台设备，可以是有多台设备组成的系统，即，分布式服务器，本申请对此不做具体限定。

交通事件指的是任何突发的或者有计划的，可能引起路网交通量变化、部分道路堵塞或封闭的非正常事件。其中，交通事件总体可分为已知交通事件和未知交通事件，已知交通事件也可分为提前知晓并做出充足应对决策的事件，以及临时知晓需要立刻做出决策的事件。而对于未知的交通事件，大概率无法做出决策，一般情况下只能接受事件带来的一系列影响，比如，拥堵在高速公路上无法掉头。

进一步地，针对于未知的交通事件导致的交通拥堵，交通流相关参数变化速度较快，将会对事件路段的上游路段产生较大影响。

拥堵时间指的是影响区域内路段拥堵状态的持续时间。其中，从路段内的交通流由畅通状态转变为拥堵状态的时刻开始，到由拥堵状态转变为畅通状态的时刻为止，整个过程所经历的时间，即为该路段的拥堵时间。

影响区域指的是由事件发生路段为中心，上游路段的交通流状态变为畅通为止，以及下游路段的交通流状态变为畅通为止，即统计追溯路段的总长度，即为此次影响区域。

交通密度指的是在单位长度车道上，某一瞬时所存在的车辆数量。

中心区指的是距离交通事件发生路段最近的路段，此区域包含事发路段或距离事发位置最近，受到的影响程度最为严重，一般在拥堵发生后的短时间内会达到重度拥堵甚至交通瘫痪状态，交通状况复杂，极易发生二次事故。

扩散区指的是与中心区相邻，并距离交通事件发生路段较远的路段。该区域受交通事件的影响程度相较于中心区较轻，且受到拥堵的影响时间具有一定滞后性，在一定时间内尚未能转变为拥堵状态，具有很大的可控性。

边界区指的是与扩散区相邻，并距离交通事件发生路段最远的路段，该区域内路段在拥堵时间内尚未能达到重度拥堵状态，一般会出现间歇性的轻度或中度拥堵状态；同时，该区域距离拥堵中心区距离较远，疏导效果的延展性较高，若采取相应的诱导措施，可以有效地提升路段的整体疏导效果。

图1中的流程可以包括以下步骤：

S101：获取监测区域中发生的交通事件信息。

具体地，在监测区域对应的路段中设置有多种感知设备，服务器通过各类感知设备获取车辆在进入高速公路后的视频图像。其中，各类感知设备的设置位置包括收费站、服务区、合流区、匝道出入口、一类交通站等等。

进一步，服务器对视频图像进行处理确定交通事件信息。其中，交通事件信息指的是与交通事件相关的信息，比如，交通事件发生位置、发生时间等等。

S102：将交通事件信息输入至预设交通事件分析模型，确定交通事件的影响区域。

其中，服务器在确定交通事件分析模型时，首先会获取监测区域的样本交通事件信息，得到交通事件主题库，然后通过交通事件主题库对初始交通事件分析模型进行训练，得到最终的交通事件分析模型。

S103：在预设时长内，根据预设短时交通预测模型，确定在影响区域中将要到达的车辆数量。

具体地，短时交通预测主要应用在实时的交通流量预测，可以在智能交通系统中起到实时调配作用，短期预测的影响因素比较多也比较复杂，比如，突然的交通事故以及天气影响因素。

S104：根据车辆数量，确定影响区域所对应的引导方案。

需要说明的是，虽然本申请实施例是参照图1来对步骤S101至步骤S104依次进行介绍说明的，但这并不代表步骤S101至步骤S104必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S101至步骤S104依次进行介绍说明，是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说，在本申请实施例中，步骤S101至步骤S104之间的先后顺序可以根据实际需要进行适当调整。

通过图1的方法，本申请实施例通过确定交通事件的影响区域，并预测影响区域将要到达的车辆数量，从而得到影响区域的引导方案，能够有效避免由于未来的车流量过多，加重影响区域的拥堵状况，实现对影响区域中的车辆进行精细化引导，避免出现在交通事件发生时，提高了高速公路通行效率。

基于图1的方法，本申请实施例还提供了该方法的一些具体实施方案和扩展方案，下面继续进行说明。

在本申请的一些实施例中，由于对车辆跟踪的交通事件检测在交通流量较大的情况下时，跟踪效果很不理想，因此服务器通过车辆前景信息进行交通事件检测。

具体地，服务器获取监测区域的视频图像，并在视频图像中设置不同的检测区域，然后将视频图像输入至背景提取模型，提取视频图像中各图像帧的背景图像，最后基于背景图像，通过背景差法，提取各图像帧中的检测区域处的车辆运动前景信息。

进一步，在提取各图像帧中的检测区域处的车辆运动前景信息时，服务器首先将背景图像与当前图像帧进行绝对值差分，确定差分图像，然后对差分图像进行阈值化处理，从而提取当前图像帧中检测区域处的车辆运动前景信息。

由上述方法得到的运动前景反映了高速公路上的车辆行驶情况，比如，当整体车辆比较少时，道路上的前景信息统计值也比较小，而在拥堵情况下，前景信息的统计值就比较大。

因此，服务器在各图像帧中，确定车辆运动前景信息中的前景点数量大于第一预设前景点数量阈值的第一检测区域，若包括第一检测区域的图像帧数量大于预设图像帧数量阈值，则确定监测区域存在交通事件。

也就是说，在第一检测区域存在的车辆数量较多。进一步，由于在多个图像帧中均包括第一检测区域，因此可知，第一检测区域的附近路段发生了交通事件，导致车辆均拥堵在第一检测区域。

进一步，服务器确定监测区域存在交通事件后，虽然根据车辆前景信息可以估计交通事件的拥堵情况，但是并不能准确获取到交通事件的位置。

进一步，由于某一检测区域发生交通事件导致车辆静止，经过背景提取后，此区域将成为背景而没有运动前景信息。

因此，服务器在各图像帧中，确定车辆运动前景信息中的前景点数量小于第二预设前景点数量阈值的第二检测区域，第二检测区域不具有车辆运动前景信息，若相邻若干图像帧中均包括第二检测区域，则将在相邻若干图像帧中位置相同的第二检测区域，确定为第三检测区域，并确定在第二检测区域处发生交通事件。

也就是说，当前图像帧中的第二检测区域不具有车辆运动前景信息时，即此时第二检测区域的没有行驶的车辆。由于车辆是运动的，因此，在相邻若干图像帧的相同位置处，将有车辆经过，因此，不会均不具有车辆运动前景信息。可知，如果在相邻若干图像帧中位置相同，且都不具有车辆运动前景信息，那么该检测区域发生了交通事件。比如，车辆碰撞事件。

本申请实施例采用背景提取模型，能够实时获取背景，然后通过背景差法得到运动前景，并选取一定的阈值二值化前景，能够能在拥挤的交通条件下获得整体道路的前景信息，从而在高速公路上交通密度较大的情况下，能够提高交通事件检测的准确率。

更直观地，图2为本申请实施例提供的确定车辆引导方案的流程示意图。

S201：将影响区域等距离离散为多个划分单元，并通过车辆数量，确定划分单元的交通密度。

具体地，服务器确定各划分单元对应的车辆数量，然后分别与划分单元的路段长度进行比值计算，从而得到各划分单元的交通密度。

其中，划分单元的路段长度可以根据实际需要进行设置，在此不作具体限定。

S202：根据划分单元的交通密度，将影响区域划分交通引导子区。

其中，服务器在划分交通引导子区时，一个交通引导子区可能包括多个划分单元。

在本申请的一些实施例中，由于高速公路上由于交通事件发生拥堵时，可能处于节假日，而节假日类型相同的时段内的交通流数据具有一定的规律性。

因此，服务器根据划分单元的交通密度将影响区域划分交通引导子区时，判断当前时间是否为节假日。

若是，则确定与节假日类型相同的最新的历史节假日，并在历史节假日内，获取与当前时间为同一天、同一时段的影响区域的第一历史路况信息。

然后，将第一历史路况信息输入至预先构建的交通运行态势分析模型，得到通行信息，并根据通行信息确定影响区域的第一交通阈值，最后计算各划分单元的交通密度与第一交通密度阈值之间的差值。

若否，则在预设时间段内，获取监测区域的第二历史路况信息。

然后，将第二历史路况信息输入至预先构建的交通运行态势分析模型，得到通行信息，并根据通行信息确定影响区域的第二交通阈值，最后计算各划分单元的交通密度与第二交通密度阈值之间的差值。

进一步，如果划分单元对应的差值不小于第一预设差值阈值，则将该划分单元划分至中心区，如果划分单元对应的差值不小于第二预设差值阈值且小于第一预设差值阈值，则将该划分单元划分至扩散区，如果划分单元对应的差值不小于第三预设差值阈值且小于第二预设差值阈值，则将该划分单元确定为边界区。

也就是说，中心区、扩散区、边界区中的交通流密度依次变小。

本申请实施例通过考虑到当前发生交通事件的时间，然后选取合适的时间段，并获取历史路况信息，能够动态地自动生成影响区域的交通阈值，避免了人为规定交通阈值，提高了划分交通引导子区的精确性。

S203：根据交通引导子区对应的交通引导模型，确定交通引导子区的引导方案。

具体地，服务器基于可变信息报板的交通疏导、可变限速控制、出入口匝道控制，确定交通引导子区的引导方案。

在本申请的一些实施例中，服务器根据交通引导子区对应的交通引导模型，确定交通引导子区的引导方案时，由于不同的交通引导子区具有不同的交通特点，因此，不同的交通引导子区对应不同的交通引导模型。

针对中心区，通过可变限速控制、入口匝道控制和可变信息报板对此区域内进行疏导与控制。

通过可变信息报板向驾驶人员告知距离事发路段的距离，前方道路的交通状态，预计拥堵时间。

对于入口匝道控制，若该区域存在多条入口匝道，首先需要关闭距离事发路段最近的入口匝道。

对于主路控制，关闭事件所占用车道，并通过可变限速控制。

针对扩散区，应以入口匝道控制、交通诱导为主，可变限速控制为辅，从而降低中心区交通需求，防止拥堵进一步扩散。

通过可变信息报板向驾驶人员告知建议分流出口匝道位置，周边路况实时路况，拥堵时间。

对于入口匝道控制，适当控制驶入车辆数量。

对于主路控制，通过可变限速控制。

针对边界区，在边界区采取以交通引导为主，入口匝道控制为辅的疏导策略。

通过可变信息报板发布前方路段拥堵信息，发布交通诱导信息，为驾驶人提供前方路段可驶离快速路的出口匝道位置和建议绕行路段；同时，可以在接近事发路段入口的周边道路进行交通引导，告知驾驶人该路段发生交通拥堵，建议从其他入口驶入或选择其他道路绕行，避开拥堵路段，辅助驾驶人及时调整驾驶路径，合理选择绕行路线。

对于入口匝道控制，通过道路入口的交通信号灯或相应交通管制设施对入口匝道进行限流措施，降低由入口匝道进入快速路主路的交通流率，从而减少下游路段拥堵的扩散速度。

S204：根据引导方案，对监测区域中的车辆进行引导。

需要说明的是，虽然本申请实施例是参照图2来对步骤S201至步骤S204依次进行介绍说明的，但这并不代表步骤S201至步骤S204必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S201至步骤S204依次进行介绍说明，是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说，在本申请实施例中，步骤S201至步骤S204之间的先后顺序可以根据实际需要进行适当调整。

通过图2的方法，本申请实施例针对于受交通事件影响的区域，通过将影响区域等距离离散为多个划分单元，并预测划分单元的交通密度，能够有效地获取影响区域中各路段的发展趋势。进一步，通过划分单元的交通密度，将影响区域划分交通引导子区，并定制交通引导子区对应的引导方案，能够结合各路段的交通流特点，实现对各路段进行个性化引导，在交通事件发生时，提高了高速公路通行效率。

基于同样的思路，本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。

图3为本申请实施例提供的一种高速公路上的车辆引导设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取监测区域中发生的交通事件信息；

将交通事件信息输入至预设交通事件分析模型，确定交通事件的影响区域；

在预设时长内，根据预设短时交通预测模型，确定在影响区域中将要到达的车辆数量；

根据车辆数量，确定影响区域所对应的引导方案。

本申请的一些实施例提供的对应于图1的一种高速公路上的车辆引导非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

获取监测区域中发生的交通事件信息；

将交通事件信息输入至预设交通事件分析模型，确定交通事件的影响区域；

在预设时长内，根据预设短时交通预测模型，确定在影响区域中将要到达的车辆数量；

根据车辆数量，确定影响区域所对应的引导方案。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、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、专用计算机、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。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读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。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等，均应落入本申请的保护范围之内。

Claims (10)

1.一种高速公路上的车辆引导方法，其特征在于，所述方法包括：

获取监测区域中发生的交通事件信息；

将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；

在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；

根据所述车辆数量，确定所述影响区域所对应的引导方案。

2.根据权利要求1所述的方法，其特征在于，确定所述预设交通事件分析模型，具体包括：

确定所述监测区域对应的路段中设置有多种感知设备；

通过所述感知设备确定样本交通事件信息，并根据所述样本交通事件信息得到交通事件主题库；

通过所述交通事件主题库对初始交通事件分析模型进行训练，得到所述预设交通事件分析模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述车辆数量，确定所述影响区域所对应的引导方案，具体包括：

将所述影响区域等距离离散为多个划分单元，并通过所述车辆数量，确定所述划分单元的交通密度；

根据所述划分单元的交通密度，将所述影响区域划分交通引导子区；

根据所述交通引导子区对应的交通引导模型，确定所述交通引导子区的引导方案；

根据所述引导方案，对所述监测区域中的车辆进行引导。

4.根据权利要求3所述的方法，其特征在于，所述根据所述划分单元的交通密度，将所述影响区域划分交通引导子区，具体包括：

判断当前时间是否为节假日；

若是，则确定与所述节假日类型相同的最新的历史节假日，并在所述历史节假日内，获取与所述当前时间为同一天、同一时段的所述影响区域的第一历史路况信息；

根据所述第一历史路况信息，确定所述影响区域的第一交通阈值；

根据所述划分单元的交通密度与所述第一交通密度阈值之间的差值，将所述影响区域划分为中心区、扩散区、边界区。

5.根据权利要求4所述的方法，其特征在于，所述根据所述划分单元的交通密度与所述第一交通密度阈值之间的差值，将所述影响区域划分为中心区、扩散区、边界区，具体包括：

将所述差值不小于第一预设差值阈值的划分单元，确定为中心区；

将所述差值不小于第二预设差值阈值且小于第一预设差值阈值的划分单元，确定为扩散区；

将所述差值不小于第三预设差值阈值且小于第二预设差值阈值的划分单元，确定为边界区。

6.根据权利要求3所述的方法，其特征在于，所述根据所述划分单元的交通密度，将所述影响区域划分交通引导子区，具体包括：

判断当前时间是否为节假日；

若否，则在预设时间段内，获取所述监测区域的第二历史路况信息；

根据所述第二历史路况信息，确定所述监测区域的第二交通阈值；

根据所述划分单元的交通密度与所述第二交通密度阈值之间的差值，将所述影响区域划分为中心区、扩散区、边界区。

7.根据权利要求1所述的方法，其特征在于，所述获取监测区域中发生的交通事件信息，具体包括：

通过感知设备获取所述监测区域的视频图像，并在所述视频图像中设置不同的检测区域；

将所述视频图像输入至背景提取模型，提取所述视频图像中各图像帧的背景图像；

基于所述背景图像，通过背景差法，提取所述各图像帧中的所述检测区域处的车辆运动前景信息；

在所述各图像帧中，确定所述车辆运动前景信息中的前景点数量大于第一预设前景点数量阈值的第一检测区域；

若包括所述第一检测区域的图像帧数量大于预设图像帧数量阈值，则确定所述监测区域存在所述交通事件。

8.根据权利要求7所述的方法，其特征在于，所述若包括所述第一检测区域的图像帧的数量大于预设图像帧的数量阈值，则确定所述监测区域存在交通事件之后，所述方法还包括：

在所述各图像帧中，确定所述车辆运动前景信息中的前景点数量小于第二预设前景点数量阈值的第二检测区域；所述第二检测区域不具有所述车辆运动前景信息；

若相邻若干图像帧中均包括所述第二检测区域，则将在所述相邻若干图像帧中位置相同的所述第二检测区域，确定为第三检测区域，并确定在所述第三检测区域处发生交通事件。

9.一种高速公路上的车辆引导设备，其特征在于，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

获取监测区域中发生的交通事件信息；

将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；

在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；

根据所述车辆数量，确定所述影响区域所对应的引导方案。

10.一种高速公路上的车辆引导非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：

获取监测区域中发生的交通事件信息；

将所述交通事件信息输入至预设交通事件分析模型，确定所述交通事件的影响区域；

在预设时长内，根据预设短时交通预测模型，确定在所述影响区域中将要到达的车辆数量；

根据所述车辆数量，确定所述影响区域所对应的引导方案。

Images