CN113808384B - 交通状况侦测方法 - Google Patents
交通状况侦测方法 Download PDFInfo
- Publication number
- CN113808384B CN113808384B CN202010550091.1A CN202010550091A CN113808384B CN 113808384 B CN113808384 B CN 113808384B CN 202010550091 A CN202010550091 A CN 202010550091A CN 113808384 B CN113808384 B CN 113808384B
- Authority
- CN
- China
- Prior art keywords
- traffic
- normal
- parameters
- parameter
- parameter range
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims description 82
- 239000000872 buffer Substances 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000000926 separation method Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000003137 locomotive effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012545 processing 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种交通状况侦测方法,包含:取得关联于监控区域的多个交通参数,并基于该些交通参数取得常态参数范围,其中至少该些交通参数的一半落在常态参数范围内,以及对监控区域执行监控程序。监控程序包含:判断监控区域内的即时交通参数是否落在常态参数范围内,以及当即时交通参数不落在常态参数范围内时,输出关联于监控区域的交通异常通知。
Description
技术领域
本发明涉及一种交通状况侦测方法,特别涉及一种可以针对不同监控区域运用不同的监控标准的交通状况侦测方法。
背景技术
在交通场域愈加复杂的情况下,为了更加有效率地监控各个交通场域,厂商无不逐一开发各种监控交通场域的系统。举例而言,现有的监控方法包含先在监控画面上选取感兴趣区域(Region of Interest,ROI),并再针对感兴趣区域内的车辆、机车等物体进行追踪,以输出该些物体在感兴趣区域内的交通参数(例如,车速、行径方向、车流量等),交通监控中心的监控人员便可借由所述的交通参数判断是否有交通异常的状况。
然而,依据现有的监控方法,仍需仰赖监控人员判读交通参数以判断是否有交通异常的状况。此外,尽管可以设定基本的交通参数的标准值,以由系统基于标准值对较简单的交通参数进行判读,然而不同的路段的标准值也不相同,因此标准值仍需由人为设定,不仅使得监控系统在架设初期以及后续实际的监控过程仍需耗费人力以完成上述工作,且在架设初期及监控过程还可能因人为失误导致监控的结果不够准确。
发明内容
鉴于上述,本发明提供一种以满足上述需求的交通状况侦测方法。
依据本发明一实施例的交通状况侦测方法,包含:取得关联于监控区域的多个交通参数,并基于该些交通参数取得常态参数范围,其中至少该些交通参数的一半落在该常态参数范围内;以及对该监控区域执行监控程序,其中该监控程序包含:判断该监控区域内的即时交通参数是否落在该常态参数范围内;以及当该即时交通参数不落在该常态参数范围内时,输出关联于该监控区域的交通异常通知。
综上所述,依据本发明一个或多个实施例所示的交通状况侦测方法,可以对不同的监控区域建立适合的常态参数范围以针对不同的监控区域运用不同的监控标准,并且可以针对不同的时段(例如,尖峰时刻、离峰时刻)运用不同的监控标准。而当监控区域的环境改变时,还可以以适当的交通参数更新常态参数范围,以将常态参数范围维持在符合监控区域的当前状态。并且,当交通状况传感器在设置初期即可对监控区域执行监控程序。此外,当判断监控区域有异常状况时,还可以及时通知监控人员以执行应变措施,并同时可以避免借由人为判定交通参数是否异常而导致监控结果失准。
以上关于本公开内容的说明及以下实施方式的说明用以示范与解释本发明的精神与原理,并且提供本发明的专利申请范围更进一步的解释。
附图说明
图1是依据本发明一实施例所示出的交通状况侦测方法的流程图。
图2是依据本发明一实施例所示出的取得多个交通参数的方法的流程图。
图3A是依据本发明一实施例所示出的取得常态参数范围的方法的流程图。
图3B是依据图3A所示出的常态分布模型的示例图。
图4A是依据本发明另一实施例所示出的取得常态参数范围的方法的流程图。
图4B是依据图4A所示出的分布状态的示例图。
图5A及5B是依据本发明一个或多个实施例所示出的监控程序的流程图。
附图标记说明:
ND 常态分布模型
CI1、CI2、CI3 信赖区间
AVG 平均数
S 标准差
T1、T2 时段
具体实施方式
以下在实施方式中详细叙述本发明的详细特征以及优点,其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施,且根据本说明书所公开的内容、权利要求书及图式,任何本领域技术人员可轻易地理解本发明相关的目的及优点。以下实施例进一步详细说明本发明的观点,但非以任何观点限制本发明的范围。
本发明所示的交通状况侦测方法例如以交通监控中心的中央处理器、服务器等具有运算能力的装置执行。为便于理解,以下将以服务器作为执行交通状况侦测方法的装置进行说明,然而本发明不对此予以限制。
请参考图1,图1是依据本发明一实施例所示出的交通状况侦测方法的流程图。
步骤S10:取得关联于监控区域的多个交通参数。
所述的交通参数例如是基于交通状况传感器所测得的传感数据所取得,其中交通状况传感器例如为摄像机或测速仪等。举例而言,当交通状况传感器为摄像机时,则监控区域可以是该摄像机的拍摄范围内的整个区域,或是该摄像机的拍摄范围内的一部分区域(例如其中一条道路、停车位、人行道或是道路的一部分等),因此交通状况传感器测得的传感数据例如为摄像机所拍摄到的图像。
服务器通信连接于交通状况传感器以取得例如为图像的传感数据,服务器在取得图像后,即对图像中位于监控区域内的物体进行图像识别,并对识别出的物体进行追踪以判断物体的移动速度、移动方向、在监控区域内的停留时间、监控区域内物体数量对监控区域面积的比例及在一段时间内行经监控区域的物体数量等的参数,并且所述的该些参数即可作为所述的交通参数。
相似地,当交通状况传感器为测速仪时,则测速仪所感测到的物体移动速度也可作为所述的交通参数,本发明不对此予以限制。
步骤S20:基于该些交通参数取得常态参数范围。
服务器在取得该些交通参数后,即可将该些交通参数的至少一半集成为一参数范围,并以此参数范围作为常态参数范围。换言之,该些交通参数的至少一半会落在常态参数范围内,其中基于该些交通参数取得常态参数范围的详细实施方式将于图3A及4A的实施例详加说明。
步骤S30:对监控区域执行监控程序。
服务器在取得常态参数范围后,便可借由判断对应监控区域内的一个或多个物体的即时交通参数是否落在常态参数范围内,以对监控区域内的物体进行即时监控,并据以执行对应的措施,其中所述的监控程序将于图5的实施例详加说明。
请先参考图2,图2是依据本发明一实施例所示出的取得多个交通参数的方法的流程图。也即,图1的步骤S10的取得多个交通参数的方法除了如前述以交通状况传感器取得之外,还可以由图2所示的方法所取得,让一场域的交通状况传感器可以在架设初期便开始进行监控,以省去先行收集多笔传感数据再据以进行分析的时间。
步骤S101:计算第一监控区域中关联于第一交通物体的第一交通参数与第二监控区域中关联于第二交通物体的第二交通参数之间的差异度。
需先说明的是,第一监控区域与第二监控区域为不同的监控区域,第一监控区域例如为初始架设交通状况传感器的监控区域,而第二监控区域例如为服务器已基于从第二监控区域感测得的交通参数对其执行监控程序的监控区域。第一交通物体的类型与第二交通物体的类型相近,举例而言,第一交通物体及第二交通物体可以同为车子、机车或是行人,也可以是同为具有轮子的交通工具。也即,第一交通物体与第二交通物体较佳地是相同或相似类型的交通物体,然而本发明不对第一交通物体及第二交通物体的类型予以限制。
详言之,就服务器判断第一监控区域与第二监控区域的交通状况的差异度而言,其实施方式可以例如为:服务器在取得第一监控区域中第一交通物体的第一交通参数,以及第二监控区域中第二交通物体的第二交通参数后,计算出第一交通参数与第二交通参数之间的差异度,以作为前述的差异度。
举例而言,第一交通物体及第二交通物体例如皆为车子;第一交通参数例如为80km/h的车速,第二交通参数例如为85km/h的车速,则服务器可以将80km/h的第一交通参数及85km/h第二交通参数相减以取得5km/h的差异度,其中借由相减以取得差异度仅为示例,差异度也可以是将两交通参数的相减值除以第一或第二交通参数而取得,或甚至是以更为复杂的运算式取得差异度,本发明不对差异度的形式予以限制。
需特别注意的是,前述的车速以单笔的第一交通参数及单笔的第二交通参数作为示例,服务器取得的第二交通参数的数量较佳是大于第一交通参数的数量,因此所述的差异度较佳是基于第一交通参数的集合及第二交通参数的集合(例如多笔第一交通参数的平均值以及多笔第二交通参数的平均值)计算而得。
步骤S102:判断差异度是否不大于阀值。
在计算出差异度之后,服务器可以判断第一监控区域的第一交通参数及第二监控区域的第二交通参数之间的差异度是否不大于阀值,其中阀值用以代表两交通参数之间可接受的差异度。
步骤S103:以该些第一交通参数作为该些交通参数。
当差异度大于阀值时,则表示第一监控区域与第二监控区域的交通状况的差异度过高(相似度低),因此服务器不参考第二监控区域的交通参数,而是以设置在第一监控区域的交通状况传感器感测得的第一交通参数作为该些交通参数,并且在取得该些交通参数后执行如图1所示的步骤S20。
步骤S104:以对应第二监控区域的多个第二交通参数作为该些交通参数。
换言之,当判断差异度不大于阀值时,表示第二监控区域的交通状况与第一监控区域的交通状况相似,因此在第一监控区域的第一交通参数的数量仍不足的情况下,服务器即可将第二监控区域的该些第二交通参数作为该些交通参数,并且在取得该些交通参数后执行如图1所示的步骤S20。
综上所述,图2所示的取得多个交通参数的方法可以用于在交通状况传感器的架设初期的第一监控区域,因此尽管取得的第一交通参数的数量仍不足供后续步骤S20取得对应的常态参数范围,或是第一交通参数的数量仍不足以取得参考度较高的常态参数范围,仍能够以具有相似交通状况的第二监控区域的第二交通参数作为用以建立第一监控区域的常态参数范围的交通参数,以让服务器可以尽快对第一监控区域执行监控程序,进而降低从收集足够的第一交通参数到取得对应第一监控区的常态参数范围的时间。并且,借由先行比较第一交通参数及第二交通参数之间的差异量,还可以于将第二监控区域的第二交通参数或常态参数范围套用到第一监控区域时,有效地降低执行监控程序时的误差。
请先参考图3A,图3A是依据本发明一实施例所示出的取得常态参数范围的方法的流程图。也即,图3A为实现图1的步骤S20的方式之一。
步骤S201:依据时段分隔参数从该些交通参数中筛选出关联于时段分隔参数的多个时段交通参数。
所述的时段分隔参数用以分隔不同时段的参数,以筛选出对应不同时段的交通参数。举例而言,时段分隔参数例如为早上8点及早上10点两个时间点,则服务器即可以依据时段分隔参数从该些交通参数中筛选出在早上8点到10点之间感测而得的交通参数,并以落在早上8点到10点之间的该些交通参数作为多个时段交通参数。
步骤S202:以该些时段交通参数组成常态分布模型。
服务器可以将早上8点到10点之间的时段分割成多个子时段,并以该些时段交通参数对应该些子时段建立直方图,再以直线或曲线连接直方图中每一方块的顶边的中点以形成常态分布模型,则此常态分布模型即为由早上8点到10点的时段交通参数所组成的模型。
步骤S203:以常态分布模型的信赖区间作为常态参数范围。
请一并参考图3B,图3B是依据图3A所示出的常态分布模型ND的示例图,其中常态分布模型ND的横轴例如为时段交通参数在一时段的分布范围;常态分布模型ND的纵轴例如为每一区间的时段交通参数的物体累计数量。举例而言,当交通参数为车速时,则常态分布模型ND的横轴例如为早上8点到早上10点的车速的分布范围(例如,时速15公里到时速40公里);而常态分布模型ND的纵轴则例如为车速落在各个时速区间的车辆的累计数量(例如,时速落在15公里到20公里之间的车辆的累计数量、时速落在20公里到25公里之间的车辆的累计数量等,以此类推)。
在建立完如图3B所示的常态分布模型ND后,服务器可以将常态分布模型ND的信赖区间CI1到CI3作为常态参数范围,其中所述的信赖区间CI1到CI3例如为该些时段交通参数的平均数AVG加减一个或多个标准差S的时速区间(为便于理解平均数AVG是未加减标准差S的值,故图3B的平均数AVG以值“0”表示,本发明不对平均数AVG的实际值予以限制)。换言之,所述的常态参数范围例如为平均数AVG加减三个标准差(+3S及-3S)的68%信赖区间CI1、平均数AVG加减两个标准差(+2S及-2S)的95%信赖区间CI2或平均数AVG加减一个标准差(+1S及-1S)的99.7%信赖区间CI3,本发明不对信赖区间的数值予以限制。
请参考图4A,图4A是依据本发明另一实施例所示出的取得常态参数范围的方法的流程图。也即,图4A为实现图1的步骤S20的方式之一。
步骤S201’:依据该些交通参数对应该些时间参数的分布状态从该些交通参数中筛选出关联于时段的多个时段交通参数。
换言之,在取得该些交通参数的同时,服务器还会一并记录对应每一该些交通参数的时间参数(即感测得每一该些交通参数的时间)。因此,服务器可以先建立该些交通参数对应该些时间参数的分布状态。
请先一并参考图4B,图4B是依据图4A所示出的分布状态的示例图。以图4B为例,时间参数的单位为“时刻”,而交通参数是单位为“公里/时”的时速,也即分布状态的横轴的范围例如为早上6点到晚上20点;而纵轴的范围例如为时速25公里到时速55公里。
服务器可以依据如图4B所示的分布状态,借由每个时刻或时段的斜率变化判断出早上8点到10的交通状况不同于早上10点到下午17的交通状况,因此服务器便可进一步筛选出对应早上8点到10的时段T1的多个时段交通参数,以及筛选出对应早上10点到下午17的时段T2的多个时段交通参数。
请回到图4A并参考步骤S202’:以该些时段交通参数组成常态分布模型;以及步骤S203’:以常态分布模型的信赖区间作为常态参数范围。
在筛选出对应不同时段的时段交通参数后,服务器即可接着执行步骤S202’及S203’以取得常态参数范围,其中步骤S202’及S203’的实现方式与图3A的步骤S202及S203相同,故步骤S202’及S203’的实现方式不再于此赘述。
此外,与图2的实施例相似,当第一监控区域的交通状况传感器在架设初期而使第一交通参数的数量仍不足以建立具有参考度的常态参数范围时,服务器也可以执行如图2所示的步骤S101到S102,并且于判断差异度不大于阀值时,直接将第二监控区域的常态参数范围作为第一监控区域的常态参数范围。
请先参考图5A,图5A是依据本发明一实施例所示出的监控程序的流程图。也即,图5A为实现图1的步骤S30的方式之一。
步骤S301:判断监控区域内的即时交通参数是否落在常态参数范围内。
当服务器借由交通状况传感器对监控区域内的物体进行即时感测以取得即时交通参数后,服务器可以接着判断即时交通参数是否落在常态参数范围内。举例而言,监控区域例如为路口的红绿灯前,常态参数范围例如为车辆在该红绿灯呈现红灯信号时平均停留40秒到60秒的时间,而即时交通参数则为当红绿灯呈现红灯信号时被感测物体在红绿灯前的停留时间。
步骤S303:以即时交通参数更新常态参数范围。
当服务器判断即时交通参数落在常态参数范围内时,表示物体在监控区域内的状态符合监控区域的通常状态,服务器便可以即时交通参数更新常态参数范围。
以上述在红绿灯前的停留时间为例,当服务器于步骤S301判断55秒的即时交通参数落在40秒到60秒的常态参数范围内时,服务器便可进一步以55秒更新常态参数范围,此时常态参数范围的中间值和/或平均值便会以些许的幅度增加,并且当常态参数范围的信赖区间比例不变时,则常态参数范围的40秒的边界值也会在更新后增加,借此使常态参数范围持续维持在符合监控区域的当前交通状态。
此外,服务器可以是以贝氏推论法(Bayesian Inference)基于该即时交通参数更新该常态参数分布,以预测其范围。需特别说明的是,贝氏推论法可以用于对人工智能网络(Artificial Neural Network,ANN)进行训练,以使服务器预测出更准确的值;且此述的贝氏推论法仅为示例,服务器也可以其它推论方法如频率推论(Frequentist inference)、似然性推论(Likelihood-based inference)、赤池信息量(Akaike information criterion)等及其分枝方法预测常态参数范围,本发明不对预测得常态参数范围的方式予以限制。以交通参数为监控区域中车辆的占有率为例,预测对应占有率的常态参数范围的公式可以如下:
其中,x为侦测到监控区域中实际存在车辆的时间的总和;p为监控区域中假定的车辆的占有率,且p可以为如图2的实施例所示,依据其他相似的监控区域的占有率所假设得到的占有率。换言之,f(p|x)为给定x后p成立的机率;f(x|p)为p成立时观察到x的机率(即在假定p的情况下x成立的机率);fx(x)为监控区域中实际存在车辆的时间的总和(x)对应总侦测时间的值(也即,若总侦测时间为n,则fx(x)即为);π(p)为观察到x前,p成立的机率(即在不考虑x的情况下,x成立的机率)。
因此,服务器在取得x及p后,可以先据以计算出f(x|p)、fx(x),以及π(p),并接着如上述公式计算出f(p|x),而此述的f(p|x)即为服务器所预测得对应占有率的常态参数范围。因此,当服务器计算出f(p|x)后,服务器即可进一步判断f(p|x)是否大于一预设值,并且当f(p|x)大于该预设值时,则以p作为监控区域中的车辆的占有率;若f(p|x)小于该预设值时,则以另一假定p再次进行预测。
步骤S305:输出关联于监控区域的交通异常通知。
也即,当服务器于步骤S301判断即时交通参数落在常态参数范围外时,表示物体在监控区域内的交通状态不符合监控区域的通常状态,服务器便可以输出交通异常通知,其中交通异常通知较佳包含监控区域的位置信息。
以上述在红绿灯前的停留时间为例,当服务器于步骤S301判断70秒的即时交通参数落在40秒到60秒的常态参数范围外时,表示红绿灯前可能有车辆抛锚或是车祸等异常事件,因此服务器便可输出交通异常通知至交通监控中心的终端装置,其中交通异常通知较佳包含红绿灯(监控区域)的位置信息以及物体在红绿灯前的停留时间(即时交通参数)等,以提醒监控人员可能有异常的交通状况待排除。
此外,在判断即时交通参数落在常态参数范围内(步骤S301)后,并在以即时交通参数更新常态参数范围(步骤S305)之前,服务器还可以将落在常态参数范围内的即时交通参数乘上大于1的权重值,再以乘上权重值的即时交通参数更新常态参数范围,以使更新后的常态参数范围更符合监控区域的当前交通状况。
请参考图5B,图5B是依据本发明一实施例所示出的监控程序的流程图(步骤S30’),其中图5B的步骤S301’、S303’及S305’与图5A的步骤S301、S303及S305相同,故相同之处不再于此赘述。图5B与图5A的不同处在于,当于步骤S301’判断即时交通参数不落在常态参数范围内时,服务器执行步骤S304’。
步骤S304’:判断即时交通参数是否落在缓冲区间内。
常态参数范围外可以具有缓冲区间,且缓冲区间邻接常态参数范围的边界值。换言之,当服务器于步骤S301’判断即时交通参数不落在常态参数范围内时,服务器也可以执行步骤S304’以进一步判断即时交通参数是否落在缓冲区间内。
以上述在红绿灯前的停留时间为例,常态参数范围的边界值为40秒及60秒,而对应40秒边界值的缓冲区间例如为35秒到40秒;对应60秒边界值的缓冲区间例如为60秒到65秒,因此当服务器判断例如为63秒的即时交通参数落在60秒到65秒的缓冲区内时,则服务器可以执行步骤S303’;反之,当服务器判断例如为30秒的即时交通参数不落在35秒到40秒的缓冲区内时,则服务器可以执行步骤S305’。也即,服务器在判断即时交通参数不落在常态参数范围内时,便可进一步判断即时交通参数是否落在两个缓冲区的其中之一。
简言之,服务器在判断即时交通参数不落在常态参数范围内时,可以如图5A直接执行步骤S305以输出交通异常通知,也可以如图5B执行步骤S304’以先判断即时交通参数是否落在缓冲区内,再依据步骤S304’的判断结果选择执行步骤S303’或S305’,进而避免交通监控中心不断收到交通异常通知导致监控人员的工作量增加。
综上所述,依据本发明一个或多个实施例所示的交通状况侦测方法,可以对不同的监控区域建立适合的常态参数范围以针对不同的监控区域运用不同的监控标准,并且可以针对不同的时段(例如,尖峰时刻、离峰时刻)运用不同的监控标准。而当监控区域的环境改变时,还可以以适当的交通参数更新常态参数范围,以将常态参数范围维持在符合监控区域的当前状态。并且,当交通状况传感器在设置初期即可对监控区域执行监控程序。此外,当判断监控区域有异常状况时,还可以及时通知监控人员以执行应变措施,并同时可以避免借由人为判定交通参数是否异常而导致监控结果失准。
Claims (9)
1.一种交通状况侦测方法,其特征在于,包含:
取得关联于监控区域的多个交通参数,并基于该些交通参数取得常态参数范围,其中至少该些交通参数的一半落在该常态参数范围内;以及
对该监控区域执行监控程序,其中该监控程序包含:
判断该监控区域内的即时交通参数是否落在该常态参数范围内;以及
当该即时交通参数不落在该常态参数范围内时,输出关联于该监控区域的交通异常通知;
该监控区域是第一监控区域,取得关联于该监控区域的该些交通参数包含:
计算该第一监控区域中关联于第一交通物体的第一交通参数与第二监控区域中关联于第二交通物体的第二交通参数之间的差异度,其中该第一交通物体的类型与该第二交通物体的类型相近;
第一监控区域与第二监控区域为不同的监控区域;
判断该差异度是否不大于一阀值;以及
当判断该差异度不大于该阀值时,以对应该第二监控区域所累计的多个该第二交通参数作为该些交通参数。
2.根据权利要求1所述的侦测方法,其特征在于,当该即时交通参数落在该常态参数范围内时,该监控程序还包含:
以该即时交通参数更新该常态参数范围。
3.根据权利要求2所述的侦测方法,其特征在于,该常态参数范围外具有缓冲区间,且该缓冲区间邻接该常态参数范围的边界值,当该即时交通参数不落在该常态参数范围内时,该监控程序还包含:
判断该即时交通参数是否落在该缓冲区间内;以及
当判断该即时交通参数落在该缓冲区间时,以该即时交通参数更新该常态参数范围。
4.根据权利要求2所述的侦测方法,其特征在于,在判断该即时交通参数落在该常态参数范围内之后,并且以该即时交通参数更新该常态参数范围之前,该监控程序还包含:
将该即时交通参数乘上大于1的权重值。
5.根据权利要求1所述的侦测方法,其特征在于,基于该些交通参数取得该常态参数范围包含:
以该些交通参数组成常态分布模型;以及
以该常态分布模型的信赖区间作为该常态参数范围。
6.根据权利要求1所述的侦测方法,其特征在于,基于该些交通参数取得该常态参数范围包含:
依据时段分隔参数从该些交通参数中筛选出关联于该时段分隔参数的多个时段交通参数;
以该些时段交通参数组成常态分布模型;以及
以该常态分布模型的信赖区间作为该常态参数范围。
7.根据权利要求1所述的侦测方法,其特征在于,在取得该些交通参数时,该侦测方法还包含:记录对应每一该些交通参数的时间参数,基于该些交通参数取得该常态参数范围包含:
依据该些交通参数对应该些时间参数的分布状态从该些交通参数中筛选出关联于一时段的多个时段交通参数;
以该些时段交通参数组成常态分布模型;以及
以该常态分布模型的信赖区间作为该常态参数范围。
8.根据权利要求1所述的侦测方法,其特征在于,该交通异常通知包含该监控区域的位置信息。
9.根据权利要求1所述的侦测方法,其特征在于,以该即时交通参数更新该常态参数范围是:
以贝氏推论法基于该即时交通参数更新该常态参数范围。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550091.1A CN113808384B (zh) | 2020-06-16 | 2020-06-16 | 交通状况侦测方法 |
US17/014,141 US20210390850A1 (en) | 2020-06-16 | 2020-09-08 | Traffic condition detection method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010550091.1A CN113808384B (zh) | 2020-06-16 | 2020-06-16 | 交通状况侦测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113808384A CN113808384A (zh) | 2021-12-17 |
CN113808384B true CN113808384B (zh) | 2023-02-10 |
Family
ID=78825714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010550091.1A Active CN113808384B (zh) | 2020-06-16 | 2020-06-16 | 交通状况侦测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210390850A1 (zh) |
CN (1) | CN113808384B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822712A (en) * | 1992-11-19 | 1998-10-13 | Olsson; Kjell | Prediction method of traffic parameters |
CN101438335A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN103514743A (zh) * | 2013-09-28 | 2014-01-15 | 上海电科智能系统股份有限公司 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
CN104376712A (zh) * | 2013-08-16 | 2015-02-25 | 株式会社日立制作所 | 缺失交通信息补全装置及其方法 |
CN107369318A (zh) * | 2016-05-11 | 2017-11-21 | 杭州海康威视数字技术股份有限公司 | 一种速度预测方法及装置 |
CN109409713A (zh) * | 2018-10-15 | 2019-03-01 | 北京交通大学 | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3868939B2 (ja) * | 2003-08-20 | 2007-01-17 | 富士通株式会社 | 通信ネットワークの障害を検出する装置 |
US7912628B2 (en) * | 2006-03-03 | 2011-03-22 | Inrix, Inc. | Determining road traffic conditions using data from multiple data sources |
US7899611B2 (en) * | 2006-03-03 | 2011-03-01 | Inrix, Inc. | Detecting anomalous road traffic conditions |
JP4945222B2 (ja) * | 2006-11-28 | 2012-06-06 | 日立オートモティブシステムズ株式会社 | 突発事象解消判定システム |
JP4513905B2 (ja) * | 2008-06-27 | 2010-07-28 | ソニー株式会社 | 信号処理装置、信号処理方法、プログラム及び記録媒体 |
TWI430212B (zh) * | 2010-06-08 | 2014-03-11 | Gorilla Technology Inc | 利用多特徵自動集群法之異常行為偵測系統與方法 |
CN104933293A (zh) * | 2015-05-22 | 2015-09-23 | 小米科技有限责任公司 | 一种道路信息处理方法及装置 |
FR3044101B1 (fr) * | 2015-11-20 | 2020-04-24 | Thales | Procede d'acquisition d'images d'une scene, a partir d'un capteur a bord d'un porteur en deplacement, avec asservissement de sa ligne de visee |
US9704403B2 (en) * | 2015-12-03 | 2017-07-11 | Institute For Information Industry | System and method for collision avoidance for vehicle |
CN109785656B (zh) * | 2019-03-18 | 2021-03-02 | 南京大学 | 一种基于局部近似秩的交通规划及导航方法 |
-
2020
- 2020-06-16 CN CN202010550091.1A patent/CN113808384B/zh active Active
- 2020-09-08 US US17/014,141 patent/US20210390850A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5822712A (en) * | 1992-11-19 | 1998-10-13 | Olsson; Kjell | Prediction method of traffic parameters |
CN101438335A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 使用来自移动数据源的数据估算道路交通状况 |
CN104376712A (zh) * | 2013-08-16 | 2015-02-25 | 株式会社日立制作所 | 缺失交通信息补全装置及其方法 |
CN103514743A (zh) * | 2013-09-28 | 2014-01-15 | 上海电科智能系统股份有限公司 | 一种实时指数匹配记忆区间的异常交通状态特征识别方法 |
CN107369318A (zh) * | 2016-05-11 | 2017-11-21 | 杭州海康威视数字技术股份有限公司 | 一种速度预测方法及装置 |
CN109409713A (zh) * | 2018-10-15 | 2019-03-01 | 北京交通大学 | 基于贝叶斯模型和三倍标准差准则的道路网络评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113808384A (zh) | 2021-12-17 |
US20210390850A1 (en) | 2021-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101095528B1 (ko) | 연속류도로 사고 및 돌발 자동판별 검지시스템 및 그 방법 | |
US11380105B2 (en) | Identification and classification of traffic conflicts | |
KR100459476B1 (ko) | 차량의 대기 길이 측정 장치 및 방법 | |
CN110992693B (zh) | 一种基于深度学习的交通拥堵程度多维度分析方法 | |
CN106327880B (zh) | 一种基于监控视频的车速识别方法及其系统 | |
CN112769877A (zh) | 团雾预警方法、云端服务器及车辆和介质 | |
WO2018209470A1 (zh) | 一种车牌辨识方法和系统 | |
CN113808384B (zh) | 交通状况侦测方法 | |
KR102616571B1 (ko) | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 | |
CN116645831A (zh) | 一种交通盲区检测及预警系统 | |
CN115527364B (zh) | 一种基于雷视数据融合的交通事故溯源方法及系统 | |
CN110782671A (zh) | 道路拥堵状态实时更新方法及服务器 | |
CN114333331B (zh) | 一种多车道桥梁车辆通行信息与车重识别方法及系统 | |
CN112990117B (zh) | 基于智能驾驶系统的安装数据处理方法及装置 | |
CN113706889B (zh) | 基于目标检测分析的高速公路团雾测量系统及方法 | |
TWI761863B (zh) | 交通狀況偵測方法 | |
KR101815941B1 (ko) | 불안정 교통류 정보 제공 방법 | |
CN114627649A (zh) | 速度控制模型的生成方法、车辆控制方法及装置 | |
JPH0540896A (ja) | 交通渋滞度計測装置 | |
JP2000149181A (ja) | 交通流計測システム | |
Li et al. | A video-based algorithm for moving objects detection at signalized intersection | |
JPH10320686A (ja) | 異常事象検出装置および交通流計測装置 | |
KR101448696B1 (ko) | 프레임 변화량을 이용하여 연속 차량을 감지하는 방법 및 차량 인식 시스템 | |
CN113421421B (zh) | 一种基于5g网络的车载信息系统 | |
KR102477885B1 (ko) | 자율주행 도로의 주행 안전도를 평가하는 안전도 분석 관리 서버 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |