CN113963539A - 高速公路交通事故识别方法、模块及系统 - Google Patents

高速公路交通事故识别方法、模块及系统 Download PDF

Info

Publication number
CN113963539A
CN113963539A CN202111218621.3A CN202111218621A CN113963539A CN 113963539 A CN113963539 A CN 113963539A CN 202111218621 A CN202111218621 A CN 202111218621A CN 113963539 A CN113963539 A CN 113963539A
Authority
CN
China
Prior art keywords
traffic
traffic accident
flow parameter
parameter information
accident
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.)
Granted
Application number
CN202111218621.3A
Other languages
English (en)
Other versions
CN113963539B (zh
Inventor
刘博�
岑晏青
宋向辉
高欢
刘宏本
刘楠
卢立阳
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.)
Research Institute of Highway Ministry of Transport
Original Assignee
Research Institute of Highway Ministry of Transport
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 Research Institute of Highway Ministry of Transport filed Critical Research Institute of Highway Ministry of Transport
Priority to CN202111218621.3A priority Critical patent/CN113963539B/zh
Publication of CN113963539A publication Critical patent/CN113963539A/zh
Application granted granted Critical
Publication of CN113963539B publication Critical patent/CN113963539B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G01S13/589—Velocity or trajectory determination systems; Sense-of-movement determination systems measuring the velocity vector
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B1/00—Systems for signalling characterised solely by the form of transmission of the signal
    • G08B1/08—Systems for signalling characterised solely by the form of transmission of the signal using electric transmission ; transformation of alarm signals to electrical signals from a different medium, e.g. transmission of an electric alarm signal upon detection of an audible alarm signal
    • 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
    • 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
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了高速公路交通事故识别方法、模块及系统；其中，该方法包括：获取历史交通流参数信息和当前交通流参数信息；并输入至预先训练好的交通事故识别模型，以使交通事故识别模型根据历史交通流参数信息和当前交通流参数信息输出当前路段的交通事故发生概率；分析交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果。上述识别方式，无需人工参与，即可自动得到交通事故识别结果，并对交通事故识别结果进行分类，提高了识别效率和精度，同时，上述方法面向智慧公路信息物理系统，可作为系统架构的一项支撑业务和应用示范，验证其系统逻辑和数据自流动机制，具有较好的实用价值。

Description

高速公路交通事故识别方法、模块及系统
技术领域
本发明涉及智慧公路信息物理系统，特别是高速公路应急管理技术领域，尤其是涉及高速公路交通事故识别方法、模块及系统。
背景技术
截止2019年12月，现有高速公路通车总里程达到约15万km，普通公路通车里程达到约480万km，机动车保有量约3亿辆。目前，高速公路建设正朝着信息化、数字化迈进，利用先进的传感、计算、通讯技术与信息化手段提高高速公路服务能力与自动化水平是亟待解决的关键问题。在探索实践中，智慧高速的概念被提出并不断丰富与细化。此外，相关政策如2019年印发的《交通强国建设纲要》和2018年发布的《关于加快推进新一代国家交通控制网和智慧公路试点的通知》等助推各省、市组织开展了大量智慧高速建设探索性工作，取得了一系列具有借鉴意义的成果。深度融合物联网技术、云计算、大数据等前沿技术的智慧高速已成为我国智慧交通建设的重要领域，对我国交通运输发展意义重大。
但交通事故一直以来都是高速公路运营管理的重点难点和痛点，制约其发展。据统计，2019年交通事故发生数量为24.8万起，直接财产损失13.46亿元，交通事故死亡人数62763人，受伤人数256101人。且由于高速公路专供机动车行驶，设计时速快，全部控制出入的特性，交通事故的检测识别是高速公路重点研究问题之一，高效、准确的交通事故识别技术可为后续应急管理和紧急救援提供决策支撑。
通常来说，目前高速公路运营管理中，现有的交通事故识别方案主要包括以下两种模式：
(1)交通事故信息上报模式：在交通事故发生后，由交通事故当事人或事故现场附近的其他人员(包括出行者和路巡人员)采用高速公路运营管理公司指定的通讯方式在线上报交通事故的相关信息。此种模式的优势在于可快速、准确完成交通事故的识别，在不考虑恶意上报的情况下，不存在交通事故识别错误的概率。但是不足之处也很明显，由于是在线上报信息，面向交通事故的应急救援流程的启动效率受高速公路运营管理公司接线员的录入信息至应急救援管理系统的效率限制。尤其是在严重型交通事故下，当事人无法进行有效的事故信息上报，上报信息由若干名事故现场附近的其他人员提供，接线员需进行信息梳理后才能在应急救援管理系统中录入信息。此外，存在交通事故覆盖范围不全面的风险，若交通事故当事人或事故现场附近的其他人员均未采取交通事故上报的行为，则此次事故无法接入应急救援管理系统。此外，该模式的运转伴随着人工资源的损耗，易受人工误操作的干扰。
(2)数据驱动的交通事故识别模式：当某一路段发生交通事故后，当前路段及上、下游路段的交通流参数将会产生明显的变化：交通流在事故区域上游排队或以较高的交通密度通行，同时上游路段车辆速度降低，与即将到达上游路段区域的车辆形成明显的速度差。此外，车辆通过事故区域后，通常将以较高的速度迅速前往事故区域下游路段。值得注意的是，事故区域下游单位时间内的交通密度要低于事故区域上游。就事故区域本身而言，事故发生后的交通流量、交通流平均运行速度大幅度下降，交通密度明显升高。综上所述，因为交通事故发生对交通流参数变化趋势的影响，可以基于交通参数信息采集设备，通过对交通流参数的变化分析间接完成交通事故的识别，即数据驱动的交通事故识别。
当前已有一些比较成熟的交通事件检测器，融合了图像处理、模板匹配及上述的数据驱动事故识别方法以完成交通事件检测。例如交通事件检测服务器DH-IVS-TB8000，基于大华视频云架构开发，融合了深度学习算法。该产品支持前端实时视频流接入，通过配置一定的智能分析规则，输出异常事件报警及交通相关参数。其支持检测的交通事件包括超速、拥堵、违停、火焰、抛撒物、区域入侵等，且检测到交通事件后可将抓拍时间、事件类型、车道号、车牌号等信息进行报警。类似还有交通事件检测系统，该系统可自动识别车辆行为，实现高速公路交通事件检测，包括停车检测、逆行检测、抛洒物检测、行人检测、拥堵检测、隧道烟雾检测等。
经过比较分析，上述两种事故识别模式和现有交通事件检测器(系统)虽各有适用场景，但仍存在一些问题：
(1)交通事故信息上报模式：上报效率低，上报信息不全面，耗费人力资源，容易存在漏报情况，存在人工录入失误等；
(2)数据驱动的交通事故识别模式：该方法主要以目标路段及其上下游路段的交通流参数变化为识别基础，但除交通事故外，还有其他因素可以造成类似变化，如交通需求的变化、临时布置的交通管制措施等，所以数据驱动的交通事故识别模式会受其他因素的干扰，导致误上报。该问题可通过学习历史事故数据交通流参数变化趋势,划分交通流正常波动范围得到解决；
(3)交通事件检测器(系统)：能够通过特定算法完成交通事故的检测识别和统一上报，但现有交通事件检测器(系统)无法评价交通事故对交通安全和通行效率的具体影响大小，完成交通事故的分级处理，事故信息传送至控制中心后，仍需要人工决策是否进行后续交通管控或应急救援，即无法实现数据驱动的自动化应急救援管理。在实际高速公路运营中，一些在交通系统弹性范围内的事故扰动可随交通流运行自行消散，无需人为管控，也无需上报，对于控制中心，此类事故信息数据只需上传至交通事件信息数据库即可。尤其是面向于新一代智能交通管理与控制系统，对于交通事故的分级上报与处理，是提高系统应急救援效率的重要基础。
综上所述，面向于建立新一代智能交通管理与控制系统的需求，如何得到一种基于数据驱动的交通事故分级识别技术是亟需解决的问题。
发明内容
有鉴于此，本发明的目的在于提供高速公路交通事故识别方法、模块及系统，以缓解上述问题，无需人工参与，即可自动得到交通事故识别结果，并对交通事故识别结果进行分类，提高了识别效率和精度，同时，上述方法面向智慧公路信息物理系统，可作为系统架构的一项支撑业务和应用示范，填补具体业务功能流程上的空白，实现了高速公路事故识别方法在智慧公路信息物理系统的嵌套，具有较好的实用价值。
第一方面，本发明实施例提供了一种高速公路交通事故识别方法，该方法包括：获取历史交通流参数信息和当前交通流参数信息；其中，当前交通流参数信息包括：当前路段以及当前路段的上游路段和下游路段分别对应的交通流量、交通密度和交通流速度；将历史交通流参数信息和当前交通流参数信息输入至预先训练好的交通事故识别模型，以使交通事故识别模型根据历史交通流参数信息和当前交通流参数信息输出当前路段的交通事故发生概率；分析交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果；其中，交通事故识别结果包括：无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动。
进一步，交通事故识别模型包括预测模块和识别模型；上述将历史交通流参数信息和当前交通流参数信息输入至预先训练好的交通事故识别模型，以使交通事故识别模型根据历史交通流参数信息和当前交通流参数信息输出当前路段的交通事故发生概率的步骤，包括：将历史交通流参数信息和当前交通流参数信息输入至预测模型，以使预测模型根据历史交通流参数信息和当前交通流参数信息进行粒计算，并输出当前交通流参数信息的变化区间；获取变化区间内的当前交通流参数信息，得到当前目标交通流参数信息；将当前目标交通流参数信息输入至识别模型，以使识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段的交通事故发生概率。
进一步，交通事故还配置有类别信息；其中，类别信息包括：无交通事故发生类别、系统弹性范围内的事故扰动类别和超出系统弹性范围的事故扰动类别；上述识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段的交通事故发生概率的步骤，包括：识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段对应的每种类别信息的交通事故发生概率。
进一步，上述分析交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果的步骤，包括：判断每种类别信息的交通事故发生概率是否大于对应的预设类别概率阈值；如果是，则确定发生类别信息的交通事故，并生成该类别信息的交通事故识别结果。
进一步，如果交通事故识别结果为超出系统弹性范围的事故扰动，该方法包括：生成交通事故识别结果对应的管控方案；对管控方案进行预演，并判断预演效果是否满足预设效果；如果是，则根据管控方案对当前路段进行管理。
进一步，该方法还包括：如果预演效果不满足预设效果，则对管控方案进行迭代优化处理，直至预演效果满足预设效果，得到目标管控方案；根据目标管控方案对当前路段进行管理。
进一步，该方法还包括：获取历史交通事故集合；其中，历史交通事故集合包括多个历史交通事故，以及每个历史交通事故对应的目标历史交通流参数信息；将每个历史交通事故对应的目标历史交通流参数信息输入至交通事故识别模型，以使交通事故识别模型输出每个历史交通事故对应的目标历史交通事故发生概率；计算多个历史交通事故对应的目标历史交通事故发生概率的数学期望值，并将数学期望值作为预设概率阈值。
第二方面，本发明实施例还提供一种高速公路交通事故识别模块，该模块包括：获取模块，用于获取历史交通流参数信息和当前交通流参数信息；其中，当前交通流参数信息包括：当前路段以及当前路段的上游路段和下游路段分别对应的交通流量、交通密度和交通流速度；计算模块，用于将历史交通流参数信息和当前交通流参数信息输入至预先训练好的交通事故识别模型，以使交通事故识别模型根据历史交通流参数信息和当前交通流参数信息输出当前路段的交通事故发生概率；分析模块，用于分析交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果；其中，交通事故识别结果包括：无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动。
第三方面，本发明实施例还提供一种高速公路交通事故识别系统，该系统用于执行上述第一方面的高速公路交通事故识别方法；其中，高速公路交通事故识别系统，作为智慧公路信息物理系统子系统，包括：物理空间、连接通道和信息空间；连接通道分别与物理空间和信息空间通信连接。
本发明实施例带来了以下有益效果：
本发明实施例提供了高速公路交通事故识别方法、模块及系统，根据历史交通流参数信息和当前交通流参数信息，自动计算得到当前交通流参数信息对应的交通事故发生概率，从而根据交通事故发生概率和预设概率阈值得到交通事故识别结果，并对交通事故识别结果进行分类，该识别方式中，无需人工参与，避免了交通信息上报后人工核查决策的过程，提高了交通事故识别效率和精度，从而还提高了交通事故的响应效率，进而提高了高速公路上的交通安全和通行效率，同时，上述方法面向智慧公路信息物理系统，可作为系统架构的一项支撑业务和应用示范，验证其系统逻辑和数据自流动机制，具有较好的实用价值。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1为本发明实施例提供的一种高速公路交通事故识别系统的功能架构示意图；
图2为本发明实施例提供的一种CPS单元节点控制器的功能结构图；
图3为本发明实施例提供的一种信息空间的架构图；
图4为本发明实施例提供的一种高速公路交通事故识别方法的流程图；
图5为本发明实施例提供的一种管控方案流程图；
图6为本发明实施例提供的一种高速公路交通事故识别方法的原理图；
图7为本发明实施例提供的一种高速公路交通事故识别模块的示意图。
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，下面将结合附图对本发明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一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
为便于对本实施例进行理解，下面首先对本发明实施例提供的一种高速公路交通事故识别系统进行详细介绍。如图1所示，高速公路交通事故识别系统包括：物理空间10、连接通道20和信息空间30；其中，连接通道20分别与物理空间10和信息空间30通信连接；此外，还包括物理空间-信息空间、信息空间-物理空间和信息空间-信息空间的反馈指令信息，因此，上述高速公路交通事故识别系统是一个完整稳定的闭环系统。
首先，交通事故识别始于物理空间10中布设在基础运输路网之上的各类路侧终端设备，如各类交通检测器、信息发布装置和交通管控装置等。其中，毫米波雷达检测器由于具备探测距离远、响应速度快、适应能力强的优点，可以提供车辆运行的速度信息。配合高精度地图提供的车辆定位信息和车辆轨迹信息，可用于辅助交通事件检测。激光雷达与毫米波雷达采集的交通信息相似，但是其具有精度高、成本高的特征。现有智慧公路信息物理系统中，一般仅选一种雷达进行布设。高清摄像头由于其采集信息种类丰富，可提供交通流量信息、交通事件信息和占有率信息等；微波检测器主要用于检测交通流量，可与高清摄像头融合检测，以弥补光照、不良天气等对检测精度的影响，车载OBU(On board Unit，车载单元)则集合了车辆类型信息、车辆牌照信息、驾驶员信息、车辆定位信息和车辆运行状态信息等。
因此，各类交通检测器可以提供不同时间、不同空间的交通流参数信息，但是信息存在冗余情况，需要进行信息融合处理。为充分利用计算资源，缓解信息空间30的计算压力，这里信息空间30也可称为CPS(Cyber-Physical Systems，信息物理系统)信息空间，提高处理效率，路侧终端设备实时检测的交通流参数信息需先经过连接通道20完成初步信息融合处理，然后再上传至信息空间30。
连接通道20是高速公路交通事故识别系统中物理空间10与信息空间30的过渡环节，包含构成通信网络的基础设施，如网桥、交换机、调制解调器、LTE-V/5G基站、同步授时服务器，以及具备计算分析和通信功能的多个CPS单元节点控制器。需要说明的是，连接通道20的设施虽是全部存在于物理空间10中的实体设备，但由于其负责物理空间10与信息空间30的信息交互，功能特殊，因此单独作为高速公路交通事故识别系统中的一个功能模块。
任意路段的各类交通流参数信息首先经连接通道20中通信网络上传至所属的CPS单元节点控制器中，如图2所示，CPS单元节点控制器获取交通流参数信息(如包括但不仅限于车辆速度信息、车辆定位信息、车辆轨迹信息、交通流量信息、交通事件信息、占有率信息、车辆类型信息、车辆牌照信息、驾驶员信息、车辆定位信息和车辆几何信息)，并对交通流参数信息进行信息融合处理、路段实时状态感知和计算分析，例如CPS单元节点控制器配置有融合感知和数据挖掘算法库等，可以对管辖范围内的毫米波雷达串口数据进行缓存和拼接，通过解析TLV数据(T：数据类型；L：数据长度；V：数据内容)获取目标车辆位置和速度信息；对激光雷达点云数据进行滤波、关键点提取、特征描述、点云配准等处理以便获取车辆位置，检测车辆行驶轨迹；对高清摄像头数据的处理，主要基于各类视频图像处理方法完成交通流量、占有率检测，基于视频图像的事件识别算法可用于交通事件检测；对微波检测器数据的主要处理为数据拼接，完成车辆识别和匹配，结果可与高清摄像头视频图像进行融合以实现更精确可信的交通流量信息检测；对车载OBU上传的信息进行分类、编码、存储、上传等操作，用于辅助流量统计、车辆实时定位等。
同时，在对检测器显性数据预处理的基础上，为减轻信息空间的计算压力，CPS单元节点控制器还能进行初步的数据挖掘，如节点级到路段级的交通流参数信息的统计计算、当前路段交通流参数信息的变化趋势分析等，具体可以参考后述方法实施例，本发明实施例在此不再详细赘述。
综上所述，CPS单元节点控制器是高速公路交通事故识别系统中完成分布式并发计算的基础，对高速公路交通事故识别系统处理大规模路网内的交通管理与控制需求至关重要。经过CPS单元节点控制器完成冗余数据筛选、交通流参数信息的统计计算和变化趋势分析后，相关计算结果(数据)被上传至CPS智能控制总线。需要说明的是，在多传感器上传数据至CPS单元节点控制器和CPS单元节点控制器上传数据至CPS智能总线的过程中，考虑到各设备间的时钟差，为确保时间同步，需要同步授时服务器同步网络中的计算机、控制器等设备，以便于后续信息存储、查询等操作。
数据被上传至CPS智能控制总线后即进入信息空间。如图3所示，信息空间30的总体布局为“1总线1信息层5图层”，其中，1线为CPS智能控制总线，1信息层为数据信息层，5图层包括：交互映射图层、历史状态图层、后台计算图层、方案预演图层和知识积累图层。
具体地，CPS智能控制总线除通信功能外，还可实现数据的分类存储。例如可按照道路交互关系，将本路段与上下游路段交通流参数信息存储至数据信息层的交互关系数据库中。数据信息层用于各类信息的存储，主要包括交互关系数据库、交通流信息数据库、交通事故信息数据库、基础设施数据库、车辆信息数据库等；其中，交互关系数据库存储物理空间中物理实体间的交互关系，如道路和路段所属关系、路侧终端设备和路段所属关系、交通流参数和路段所属关系等；交通事故信息库存储交通事故相关信息，如发生区域名(桩号区间段)、事故编号、事故发生时间、发生地点、事故类别(系统弹性范围内的事故扰动、超出弹性范围内的事故扰动)、事故影响恢复预计时间、交通管控方案等；基础设施数据库主要分为基础运输路网信息和设备信息两类，基础运输路网信息主要包括道路名、道路编号、道路长度、路段名、路段编号、路段长度等，设备信息包括设备名称、型号、布设位置等；车辆信息数据库则记录车辆车牌信息、车型信息、驾驶人信息、车辆几何信息、速度信息、定位信息等。面向于交通事故识别，车辆信息数据库中最关键的就是路巡车辆的相关信息，方案预演图层可利用该信息，结合交通事故的相关信息，从而高效、合理的制定应急救援服务方案。
数据信息层数据库中的数据保持实时更新，支持后续后台计算图层中模型的实时计算。后台计算图层包括车辆动力学模型，用于预测车辆运行状态，同时结合交通事故识别模型，以实现交通流状态的判别和预演。其中，交通事故识别模型为核心计算模型，主要包括基于贝叶斯推断的识别模型和基于粒计算的交通流参数变化趋势的预测模型。在实际应用中，基于贝叶斯推断的识别模型的工作过程如下：基于由历史事故数据分析得来的事故发生先验概率，并根据交通流参数变化趋势进行概率值的实时修正，该模型输入为存储在基础设施信息数据库中的检测器的检测区域长度、存储在车辆信息数据库的车身长度、车辆行驶速度、区间平均车速、以及来自交通流信息数据库的车头时距，输出为数据所属路段和时间段内某类型事故的发生概率。
基于粒计算的交通流参数变化趋势的预测模型的过程如下：根据历史交通事故信息读出事故发生前的交通流参数变化趋势，以进行交通流参数趋势推导；该模型输入为当前时刻与历史时刻，当前路段与上、下游路段的交通流量、交通密度、交通平均运行速度信息，输出为交通流参数合理的变化区间。在本发明实施例中，后台计算图层主要用于计算贝叶斯推断所需的先验概率并提供交通流参数变化趋势，便于贝叶斯推断进行事故概率修正。
此外，结合图1-3所示，后台计算图层还可根据自身计算分析的数据需求，向CPS智能控制总线下发数据需求指令，CPS智能控制总线再下发至目标路网范围内的CPS单元节点控制器，以使CPS单元节点控制器控制路侧终端设备采集有关数据并进行相应处理。方案预演图层则用于进行事故管控方案的决策和预演，若预演效果不好，则由知识积累图层分析原因，积累交通状态预测偏差分析经验，对原方案进行迭代优化直至预演方案控制效果达到控制效果要求。此时，将管控方案通过CPS智能控制总线发送至CPS单元节点控制器，以使CPS单元节点控制器将指令下发至设备布设层，由路侧终端设备完成方案的精准执行。
交互映射图层用于交通事故信息可视化界面的展示，其可视化界面展示建立在上述信息空间各图层的数据基础上。其中，数据信息层提供基础设施信息(包括设备信息和路网信息)，以及交通流信息和车辆信息(尤其是路巡车辆)，交互映射图层以地图的形式表现当前交通运行情况，完成车辆信息、基础设施信息和交通流信息加载；后台计算图层提供事故推算信息，以便在底图上展示事故后预计交通运行情况；此外，方案预演图层提供管控方案信息，交互映射图层根据模型计算结果展示管控方案执行后的交通运行效果等。
历史状态图层为展示特定历史时段交通运行状态的交互映射图层，与注重实时性的交互映射图层不同，历史状态图层建立在历史交通运行数据的基础上，主要提供事故回查功能，以便于认定事故责任，积累事故管控经验。
进一步的，现有一些交通事件检测器系统，融合了图像处理、模板匹配及数据驱动事故识别方法以完成交通事件检测，如支持前端实时视频流接入，通过配置一定的智能分析规则如特定算法实现交通事故的检测识别和统一上报，并输出异常事件报警信息及交通相关参数。其中，交通事件包括超速、拥堵、违停、火焰、抛撒物、区域入侵等，且检测到交通事件后可将抓拍时间、事件类型、车道号、车牌号等信息进行报警。但是，这种交通事件检测器系统无法评价交通事故对交通安全和通行效率的具体影响大小，即实现交通事故的分级处理，当事故信息传送至控制中心后，仍需要人工决策是否进行后续交通管控或应急救援，从而无法实现数据驱动的自动化应急救援管理。在实际高速公路运营中，一些在交通系统弹性范围内的事故扰动可随交通流运行自行消散，无需人为管控，也无需上报，对于控制中心，此类事故信息数据只需上传至交通事件信息数据库即可。因此，对于交通事故的分级上报与处理，是提高系统应急救援效率的重要基础。
基于此，本发明实施例提供的高速公路交通事故识别系统，首先，由高速公路物理空间中的基础运输路网提供道路拓扑结构信息，布设其上的路侧终端设备采集各类交通信息，CPS单元节点控制器进行实时状态感知和计算分析，后经由物理空间-信息空间的连接通道，将海量交通信息融合感知结果和数据挖掘后获得的交通流参数信息上传至CPS智能控制总线进行集聚分析，归类至相应数据库并加载至信息空间，最后在信息空间内进行后台计算分析、控制方案预演、知识累积等，从而提供应援管理相关的交通管控服务，保障交通参与者的出行安全性和高速公路网的运行效率。
因此，上述高速公路交通事故识别系统，集成了计算系统和物理系统，融合先进的感知、通信、计算和控制技术，并通过关联反馈机制，构建了可以实时且如实反映物理空间状态的信息空间，使得物理空间的物理实体和信息空间的数字模型实时交互，互相映射，在信息空间内实现对现实世界物理实体的状态预演，动态优化，可实现数据自流动，无需人工决策干预，改进了现有高速公路交通事故检测统一上报后仍需人工调查决策的现状，并排除无交通事故下可引发交通流参数明显变化等因素的干扰，弥补当前数据驱动的事故识别模式及交通事件检测器系统的不足。同时，立足于智慧公路信息物理系统，上述高速公路交通事故识别系统还填补了具体业务功能流程上的空白，且，丰富了其架构内涵，细化了其系统功能，并支持车路协同和自动驾驶融合发展的相关落地应用，具有较好的实用价值。
基于上述高速公路交通事故识别系统，本发明实施例提供了一种高速公路交通事故识别方法，执行主体为信息空间，如图4所示，该方法包括以下步骤：
步骤S402，获取历史交通流参数信息和当前交通流参数信息；
具体地，在实际应用中，通过物理空间中的各类路侧终端设备采集交通流参数数据，包括但不仅限于车辆速度信息、车辆定位信息、车辆轨迹信息、交通流量信息、交通事件信息、占有率信息、车辆类型信息、车辆牌照信息、驾驶员信息、车辆定位信息和车辆几何信息等，并通过连接通道发送至信息空间中，在信息空间中，通过CPS智能控制总线对交通流参数数据分类后，分别存储在数据信息层对应的数据库中，具体可以参考上述高速公路交通事故识别系统。
对于各个时刻和各个路段的交通流参数数据，还可以计算得到交通流参数信息。其中，一种可能的计算方式为：首先假设检测器的检测区域长度为d，任意车辆i的车身长度为li，行驶速度为vi，根基下式计算区间平均车速
Figure BDA0003311230910000142
和路段e上的时间占有率Oe：
Figure BDA0003311230910000141
其中，E表示路段的区间总长度，ti表示车辆i的通过路段所用的时间，n表示路段中的所有车辆总数。
Figure BDA0003311230910000151
其中，Oe表示路段e的时间占有率，T表示所有车辆间车头时距的总和，q表示交通流量，li表示车辆i的车身长度，n表示路段中的所有车辆总数，d表示检测器的检测区域长度，vi表示车辆i的行驶速度，
Figure BDA0003311230910000155
表示区间平均车速。需要说明的是，时间占有率是指车流占据道路的时间比率，即在一定的观测时间内，车辆通过检测器时所占用的时间与观测总时间的比值，与交通密度可进行推导换算。
在非特殊情况下(无拥堵排队车流)，路段上基本的交通流量、速度、交通密度公式满足
Figure BDA0003311230910000152
并代入公式(2)可以得到：
Figure BDA0003311230910000153
其中，Oe表示路段e的时间占有率，T表示所有车辆间车头时距的总和，li表示车辆i的车身长度，n表示路段中的所有车辆总数，d表示检测器的检测区域长度，vi表示车辆i的行驶速度，k表示交通密度。
因此，上述公式(3)进行转换，可以得到：
Figure BDA0003311230910000154
其中，Oe表示路段e的时间占有率，T表示所有车辆间车头时距的总和，li表示车辆i的车身长度，n表示路段中的所有车辆总数，d表示检测器的检测区域长度，vi表示车辆i的行驶速度，k表示交通密度，hi表示任意车辆i与车辆i-1的车头时距，
Figure BDA0003311230910000156
表示平均车头时距。
假设任意车辆的车身长度为统一定值l，则根据上述公式(4)可以得到：
Figure BDA0003311230910000161
其中，Oe表示路段e的时间占有率，l表示车辆的车身长度，n表示路段中的所有车辆总数，d表示检测器的检测区域长度，vi表示车辆i的行驶速度，k表示交通密度，
Figure BDA0003311230910000163
表示平均车头时距。
由于交通事故的存在，出现拥堵排队车流的可能性较高，因此，不能简单地认为交通流量、车流运行速度、交通密度等三者间基于公式以任意两者推断另一项的数值。设置交通检测设备采集的交通流参数信息为集合X，则，集合X的数据结构如下公式所示：
Figure BDA0003311230910000162
其中，e表示路段，e-1表示路段e的上游路段，e+1表示路段e的下游路段，t表示时间，qe表示路段e的交通流量，ke表示路段e的交通密度，ve表示路段e的交通流速度。
上述交通流参数信息X包含了时间和空间双重因素的影响，对于判断路段e上的交通事故，需要掌握其t1-tk时段的历史信息数据，其中，tk为当前时段。即需要获取tk的当前交通流参数信息，以及t1-tk-1时段的历史交通流参数信息。因此，当前交通流参数信息包括：当前路段以及当前路段的上游路段和下游路段分别对应的交通流量、交通密度和交通流速度。
综上，通过采集不同时间和空间的交通流参数信息，将其与交通事故发生建立关联机制，从而依据关联机制，基于检测到的当前交通流参数信息，判断路段是否有交通事故发生。
步骤S404，将历史交通流参数信息和当前交通流参数信息输入至预先训练好的交通事故识别模型，以使交通事故识别模型根据历史交通流参数信息和当前交通流参数信息输出当前路段的交通事故发生概率；
其中，交通事故识别模型包括基于粒计算的预测模块和基于贝叶斯判断的识别模型；具体地，包括以下步骤：(I)首先将历史交通流参数信息和当前交通流参数信息输入至预测模型，以使预测模型根据历史交通流参数信息和当前交通流参数信息进行粒计算，并输出当前交通流参数信息的变化区间；(II)获取变化区间内的当前交通流参数信息，得到当前目标交通流参数信息；(III)将当前目标交通流参数信息输入至识别模型，以使识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段的交通事故发生概率。需要说明的是，这里计算当前路段的交通事故发生概率，也可以理解为根据当前目标交通流参数信息，对预存的历史交通流参数信息对应的历史交通事故发生概率进行修正，并将修正后的概率值作为当前路段的交通事故发生概率。
在实际应用中，粒计算是信息处理的一种新的概念和计算范式，主要用于对不确定、不完整的海量数据进行智能处理，从中提取出能够为人类所认知的知识或信息。将信息颗粒记作Ω，单一信息颗粒由数据集M＝{xk|k＝1,2,...,n}构成，例如给定的颗粒Ω＝[a,b]，L(Ω)为颗粒的区间长度，计算长度的函数可以设定为F1，则信息颗粒的特征表达可以定义为F1(L(Ω))，颗粒还需描述的是颗粒所含的数据个数，记为Card{xk|xk∈Ω}，可以用函数F2(Card{xk|xk∈Ω})表示，在此基础上，将a和b可以看作数据集M＝{xk|k＝1,2,...,n}的界限，结合数据集M的中间值，可以构造信息颗粒。此外，确定信息颗粒的区间长度，从而可以构建得到基于粒计算的交通流参数预测模型，具体构建过程可以参考现有技术，本发明实施例在此不再详细赘述。
因此，上述步骤(I)中，首先根据历史交通流参数信息和当前交通流参数信息构造信息颗粒，并计算信息颗粒间的逻辑关系，以便基于粒计算完成当前交通流参数信息变化趋势预测，在此基础上，考虑常规条件下可能引起交通流参数突变的干扰因素，计算得到常规条件下当前交通流参数信息合理的变化范围即变化区间。
此外，确定上述当前交通流参数信息的变化区间后，在步骤(II)中，可以从数据库中获取该变化区间内的当前交通流参数信息，得到当前目标交通流参数信息，以便识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断。
其中，贝叶斯推断是一种基于贝叶斯定理，考虑特征概率来预测或推断分类的方法。对于两种存在交集或交互逻辑的事件A和事件B，在确定事件B发生的情况下，根据如下公式计算事件A发生的概率：
Figure BDA0003311230910000181
经过转换后，上述公式(7)可以表述为：P(A∩B)＝P(B)P(A|B)，不失一般性，同理可得：P(A∩B)＝P(A)P(B|A)。因此，P(B)P(A|B)＝P(A)P(B|A)，即：
Figure BDA0003311230910000182
其中，P(A)称为先验概率(prior probability)，即在事件B发生之前，客观地对事件A概率的一个判断。
需要说明的是，事件B可以定义为与交通事故直接相关的可观测统计量，一般选择交通流量、车流运行速度、交通密度或时间占有率。从贝叶斯定理可以看出，面向于交通事故，可以将事件A定义为：A＝{A1,A2,A3}，共计三个类别，其中，A1表示无交通事故发生，A2表示系统弹性范围内的事故扰动，A3表示超出系统弹性范围内的事故扰动，事件B为系列交通流参数信息样本的特征向量，但是标准数据结构的X(t)虽然现实意义明确，但是在实际交通环境中，需要转变一种形式才可以获取事件B的发生概率P(B)。
在本发明实施例中，将事件B转化为交通流参数信息变化幅度的一种衡量：X(t)＝(x1,x2,...,xm)；每一项特征属性代表一项数列，如可以分为5项特征属性数列。这种特征属性的设置主要是依据上述分析的交通事故对交通流的影响机理。需要注意的是，各项特征属性均包含三个维度的交通流参数(交通流量、交通流速度、交通密度)，由于与交通事故发生位置的距离差异，特征属性中某一维度的交通流参数可能在事故发生初期并未体现明显的变化，但是延长至事故发生的中后期，会陆续体现出与常规演变趋势不同的变化。
综上所述，面向于具有多项特征属性的事件B，可以基于朴素贝叶斯方法，完成事件B发生的情况下，事件A的判别：
Figure BDA0003311230910000191
其中，事件A是具有多种类别的集合A＝{A1,A2,A3}，可以依据统计数据依次完成P(x1|Ai),P(x2|Ai),...,P(xm|Ai)，例如P(x1|Ai)代表的是在发生Ai型交通事故下，路段表现出x1属性状态的概率。因此，上述公式(9)可以转变为：
Figure BDA0003311230910000192
因为对于给定的数据集，P(x1,x2,...,xm)面向所有交通事故类别均为常数，而上式分子可以写成联合概率的形式：
Figure BDA0003311230910000201
综上所述，在给定路段的交通流参数信息变化幅度后，判断是否有Ai类别的事故发生，实际上是在寻求当前参数信息变化幅度下，出现Ai类别的事故的最大概率，从而完成贝叶斯推断：
Figure BDA0003311230910000202
因此，参考上式贝叶斯判断过程，识别模型可以根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段的交通事故发生概率，即在历史交通事故发生的情形下，确定当前的交通事故发生概率。
综上，根据基于贝叶斯判断的识别模型，可以计算分析区域路网内任意地点任意时段发生某一类型交通事故的概率，并作为判别交通事故是否发生的依据。且，在高速公路交通事故识别系统中，交通流参数数据体量积累越大，统计范围越广，计算得到的交通事故的先验概率越接近客观先验概率，从而保证交通事故识别精度。因此，上述基于贝叶斯判断的识别模型适用于信息技术不断发展和交通基础设施建设逐步完善的智慧公路系统。
此外，上述交通事故还配置有类别信息；其中，类别信息包括：无交通事故发生类别、系统弹性范围内的事故扰动类别和超出系统弹性范围的事故扰动类别；具体地，识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段对应的每种类别信息的交通事故发生概率，如上述事件A分为三类，其中，A1表示无交通事故发生类别，A2表示系统弹性范围内的事故扰动类别，A3表示超出系统弹性范围内的事故扰动类别，从而通过对交通事故的分类(或分级)，实现交通事故识别结果的分类，避免了上报信息后，人工核实并决策交通事故，进而提高了交通事故的识别效率。
其中，在确定类别信息时，还需对面向事故扰动的系统弹性度量进行计算。这里区域路网系统的弹性度量，主要是利用历史数据和计算分析获取。面向事故扰动的系统弹性可根据如下公式计算：
Figure BDA0003311230910000211
其中，I表示系统弹性，由于表示路网系统在受到事故扰动时抵御事故影响和恢复状态的能力，故0≤I≤1，在t0时刻，路网系统出现事故扰动从而产生路网性能下降，Q(t)表示路网性能，是指t时刻的路网系统归一化后的性能。
可以根据如下公式进行路网性能的归一化处理：
Figure BDA0003311230910000212
其中，Q(t)表示路网性能，P(qe)表示区域路网系统中移动的交通流与其移动距离乘积的集计结果(路网运营产出量)，
Figure BDA0003311230910000213
qe表示区域路网中任意路段e的交通流量，le表示区域路网中任意路段e的路段长度，E(P(qe))表示路网在无任何事故扰动条件下，期望实现的运营产出量。需要注意的是，P(qe)实际上代表路网系统的产出性能，当交通事故发生后，会影响事故所在路段和上、下游多个路段的交通流通行，从而直接影响路网运营产出量，因此选用该指标衡量路网性能。
考虑到区域路网系统内的事故扰动是随机发生的，以及在事故扰动作用下产生的路网性能下降和恢复时间的随机性，判断路网系统内各个结构部件(路段或节点)面向事故扰动的弹性度量是较为困难的问题。本发明实施例采用基于实际数据频率统计的弹性评估方法解决路段节点的弹性度量，该方法本质上是基于真实交通环境运行数据的统计分析方法。事故扰动的影响程度和事故恢复时间的概率密度函数均通过长时间数据统计获取。通常来讲，数据积累时间越长，该类分析的方法越准确，只需直接依据真实发生的交通事故，根据上述方法计算分析每次事故的系统弹性，最后求出期望值即可。
因此，交通事故识别模型不能仅仅提供事故有无的判别结果，而是应该充分利用新一代智能交通系统中多源、海量的交通信息数据，尽可能提供交通事故的描述，刻画事故的属性特征，以便系统计算最优的管控策略，故在区域路网弹性度量的基础上，将交通事故的类别信息分为：无交通事故发生类别、系统弹性范围内的事故扰动类别和超出系统弹性范围的事故扰动类别。
步骤S406，分析交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果；其中，交通事故识别结果包括：无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动。
具体地，由于交通事故分为多个类别，因此，需判断每种类别信息的交通事故发生概率是否大于对应的预设类别概率阈值；如果是，则确定发生类别信息的交通事故，并生成该类别信息的交通事故识别结果；反之，如果某种类别信息的交通事故发生概率小于对应的预设类别概率阈值，则判定该类别信息的交通事故没有发生。与现有方式中仅能判断是否发生交通事故相比，不仅可以判定是否发生交通事故，还可以确定发生何种类型的交通事故，以便根据类别信息快速的对交通事故进行处理，保证了高速公路中交通安全和通行效率。
本发明实施例提供了高速公路交通事故识别方法，根据历史交通流参数信息和当前交通流参数信息，自动计算得到当前交通流参数信息对应的交通事故发生概率，从而根据交通事故发生概率和预设概率阈值得到交通事故识别结果，并对交通事故识别结果进行分类，该识别方式中，无需人工参与，避免了交通信息上报后人工核查决策的过程，提高了交通事故识别效率和精度，从而还提高了交通事故的响应效率，进而提高了高速公路上的交通安全和通行效率，具有较好的实用价值。
进一步，该方法还包括：获取历史交通事故集合；其中，历史交通事故集合包括多个历史交通事故，以及每个历史交通事故对应的目标历史交通流参数信息；将每个历史交通事故对应的目标历史交通流参数信息输入至交通事故识别模型，以使交通事故识别模型输出每个历史交通事故对应的目标历史交通事故发生概率；计算多个历史交通事故对应的目标历史交通事故发生概率的数学期望值，并将数学期望值作为预设概率阈值。例如，预设概率阈值确定方法如下：基于交通流信息数据库和交通事件信息数据库，调取历史事故信息，利用交通事故识别模型中基于粒计算的交通流参数变化趋势预测方法读出历史事故交通流参数变化趋势，通过基于贝叶斯推断的交通事故识别方法分别计算其发生交通事故的概率值，最后求得所有历史事故概率值分布的数学期望，即可确定为上报概率阈值。需要说明的是，由于每个历史交通事故可以分为三个类别，因此，计算得到的预设概率阈值包括每个类别对应的预设类别概率阈值。
进一步，如果交通事故识别结果为超出系统弹性范围的事故扰动，该方法还包括：生成交通事故识别结果对应的管控方案；对管控方案进行预演，并判断预演效果是否满足预设效果；如果是，则根据管控方案对当前路段进行管理；如果预演效果不满足预设效果，则对管控方案进行迭代优化处理，直至预演效果满足预设效果，得到目标管控方案；根据目标管控方案对当前路段进行管理。
具体地，信息空间中后台计算图层计算得出某路段某时间发生某种类型的事故概率后，要经过判别，只有概率值超过预设概率阈值时，并且类别为超出弹性范围内的事故扰动类别的事故才会上报至方案预演图层内进行管控方案决策和预演。当交通事故识别结果为超出系统弹性范围的事故扰动时，如图5所示，信息空间中后台计算图层上报超出系统弹性范围的事故扰动，方案预演图层进行管控方案决策和预演，即生成交通事故识别结果对应的管控方案，并对管控方案进行预演；以及，评估管控方案控制效果，并判断控制效果是否达到要求，即判断预演效果是否满足预设效果，如果不满足，则知识积累图层分析原因，并积累交通状态预测偏差分析经验，然后对管控方案进行迭代优化处理，直至预演效果满足预设效果。如果预演效果满足预设效果，则信息空间将管控方案下发至CPS智能控制总线，以使CPS智能控制总线将管控方案下发至CPS单元节点控制器，从而CPS单元节点控制器控制路侧终端设备精准执行管控方案。
在执行过程中，路侧终端设备还实时检测控制效果，并通过CPS单元节点控制器和CPS智能控制总线将控制效果反馈至知识积累图层，以便知识积累图层评估控制效果，并判断控制效果是否达到预设控制效果，如果否，则知识积累图层分析原因，并积累方案效果反馈经验，然后重新对管控方案进行迭代优化处理，直至控制效果满足预设控制效果；如果控制效果达到预设控制效果，则持续按照管控方案进行控制，并判断事故影响是否降至可接收程度，如根据发生交通事故的路段及上下游路段的交通流量、交通密度和交通流速度，确定是否达到预设接收阈值等；如果是，则将事故信息记录至交通事故信息数据库，作为后续交通事故识别的历史交通事故信息，以及知识积累图层积累交通事故管控经验，并结束交通事故的处理，如果否，则继续按照管控方案进行控制，直至事故影响降至可接收程度。
需要说明的是，对于无交通事故发生的交通事故识别结果，则无需生成管控方案；对于系统弹性范围内的事故扰动的交通事故识别结果，则无需上报，但应持续检测，并将检测结果记录至数据信息层中的交通事件信息数据库中，从而通过对交通事故识别结果分类，避免了人工根据上报信息进行决策的过程，以及人工决策出现的问题，提高了交通事故识别结果的识别效率和精度，便于对交通事故进行快速处理，保证了高速公路上的交通安全。
此外，如图6所示，本发明实施例提供的高速公路交通事故识别方法的原理具体包括如下过程：
(1)获取历史交通流参数信息数据集和当前交通流参数信息数据集；具体地，在基于高速公路交通事故识别系统，物理空间中的各类路侧终端设备即设备端采集交通流参数信息，并通过连接通道上传至信息空间中，并存储在交通流信息数据库中，从而在进行交通事故识别时，直接从交通流信息数据库调取历史交通流参数信息数据集和当前交通流参数信息数据集；
(2)根据历史交通流参数信息数据集和当前交通流参数信息数据集构造信息颗粒，并计算信息颗粒间的逻辑关系，以便基于粒计算完成当前交通流参数信息变化趋势预测，在此基础上，考虑常规条件下可能引起交通流参数突变的干扰因素，计算得到常规条件下当前交通流参数信息合理的变化范围；同时，还根据历史交通流参数信息数据集和当前交通流参数信息数据集计算各个时段多种属性层面的交通流参数变化幅度，从而根据常规条件下当前交通流参数信息合理的变化范围和交通流参数变化幅度，计算各个属性层面的相对变化幅度即变化区间，这里属性层面即变化区间内的交通流参数信息数据的属性，包括离散属性和连续属性；
(3)根据各个属性层面的相对变化幅度构建贝叶斯推断训练集，并计算各个交通事故类别的先验概率，以及各个交通事故类别出现某种属性状态的条件概率，并以条件概率最大项作为当前交通流状态的输出类别对应的先验概率；
具体地，在数据充足的情况下，基于贝叶斯推断的流程如下：①选定样本数据集；具体地，从交通流信息数据库中调取指定时间段内部分空间范围的数据作为样本数据集，完成贝叶斯过程中必要参数的计算。需要注意的是，样本数据集并不是越大越好，以免造成计算资源的浪费。因此，需要计算最小样本量，实际样本数据集的数据总数应适当大于最小样本量。通常采用样本数据集去替代总体数据时，会有一个关于可靠性的要求(置信度)，一般取置信区间为95％。假设，总体数据的标准差σ和容许误差z，其中，容许误差一般取置信区间的1/2，在实际应用中是调查误差，也可人为设置，则抽取样本数量应为：
Figure BDA0003311230910000261
其中，Zα/2为可靠性系数，置信度为95％时，Zα/2＝1.96，z＝5％。由于
总体数据的标准差σ很难确定，可以选适当的样本数，单独统计分析获取标准差。
②将样本数据集作为样本训练集D；其中，Ai类样本组成的集合为DAi，由于样本充足且保持了独立同分布特性，可以根据如下公式直接计算该类别的先验概率：
Figure BDA0003311230910000262
其中，
Figure BDA0003311230910000263
表示样本训练集D中Ai类样本的数量，|D|表示样本训练集D中所有样本的数量。
③
Figure BDA0003311230910000264
表示训练集中属于Ai类样本且表现出xj属性状态的集合，若xj属性状态具备离散属性，则可以根据如下公式估计条件概率P(xj|Ai)：
Figure BDA0003311230910000265
其中，
Figure BDA0003311230910000271
表示样本训练集D中Ai类样本的数量，
Figure BDA0003311230910000272
表示样本训练集D中表现出xj属性状态的Ai类样本的数量。
若xj属性状态具备连续属性，则假定
Figure BDA0003311230910000273
计算条件概率P(xj|Ai)如下：
Figure BDA0003311230910000274
其中，
Figure BDA0003311230910000275
和
Figure BDA0003311230910000276
分别表示训练集中Ai类样本在xj属性项上所取值的平均值和标准差。
④对于待确定类别的样本，计算每一个样本属性组合下Ai类别的概率(仅计算联合概率即可)，然后选取概率值最大的并输出，为该类别交通事故的概率。
需要注意的是，实际应用中，交通数据会不断的积累，系统中的数据库更新频繁，对于较好的训练集，可将朴素贝叶斯分类器涉及的所有概率估值存储起来，如此操作则无需频繁构建训练集。当数据增加了一定规模后，则可在现有估值的基础上，仅对新增样本的属性值所涉及的概率估值进行计数修正即可实现增量学习。
(4)判断是否存在交通数据；具体地，根据每个类别对应的先验概率以及对应的预设概率阈值，得到交通事故识别结果；如果交通事故识别结果为无交通事故发生或者系统弹性范围内的事故扰动，则判定不存在交通事故，并继续进行检测；如果交通事故识别结果为超出系统弹性范围的事故扰动，则判定发生交通事故，并将事故信息如事故发生地点、判别时间以及事故类别判别概率等进行存储，以便作为历史交通事故，为后续交通事故判别提供历史交通流参数信息。
综上，本发明实施例提供的高速公路交通事故识别方法，具有以下优点：(1)交通参数干扰因素排除；面向智慧公路信息物理系统，基于数据驱动的高速公路交通事故识别方法可通过学习历史数据，分析实时交通检测器数据，从而预测当前交通运行趋势，便于计算不同类型事故发生的概率。这其中包含对历史交通数据变化趋势的学习，可掌握无交通事故下交通流参数的变化，划分交通运行正常波动范围，用以排除交通流参数干扰因素的影响；(2)交通事故识别结果分级；面向智慧公路信息物理系统，上述高速公路交通事故识别方法，可根据实时交通流参数信息变化趋势和数据库中的历史事故信息分析各路段在不同时间下，发生不同类别交通事故的概率，并不断修正先验概率值。此外，还将交通事故的检测识别结果划分为无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动三类；当事故发生概率超过设定阈值时，系统将事故识别为超出弹性范围内的事故扰动，完成上报并自发进行后续方案决策、预演、下发管控方案、物理设备层反馈调优等操作，从而实现交通事故判别结果的分级和筛选，避免交通事故统一上报和上报后人工调查决策造成的时间、人力资源浪费；即不仅能够实现高速公路交通事故分级精准上报，如只对超出系统弹性范围的影响较大的事故扰动进行快速有效的管控，节约了计算资源，更适用于宏观路网的应急管理，体现了智慧公路信息物理系统数据自流动运行逻辑的优越性和实用性；还避免了人因可能对事故判断带来的干扰；同时，做到了事故快速响应，大大节省了事故响应时间，(3)由于利用了CPS单元节点控制器进行了分布式计算，节约了信息空间后台计算资源，提高了处理效率，适用于宏观路网的事故识别，具有较好的实用价值。
对应于上述方法实施例，本发明实施例还提供了一种高速公路交通事故识别模块，如图7所示，该模块包括：获取模块71、计算模块72和分析模块73；其中，各个模块的功能如下：
获取模块71，用于获取历史交通流参数信息和当前交通流参数信息；其中，当前交通流参数信息包括：当前路段以及当前路段的上游路段和下游路段分别对应的交通流量、交通密度和交通流速度；
计算模块72，用于将历史交通流参数信息和当前交通流参数信息输入至预先训练好的交通事故识别模型，以使交通事故识别模型根据历史交通流参数信息和当前交通流参数信息输出当前路段的交通事故发生概率；
分析模块73，用于分析交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果；其中，交通事故识别结果包括：无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动。
本发明实施例提供了高速公路交通事故识别模块，根据历史交通流参数信息和当前交通流参数信息，自动计算得到当前交通流参数信息对应的交通事故发生概率，从而根据交通事故发生概率和预设概率阈值得到交通事故识别结果，并对交通事故识别结果进行分类，该识别方式中，无需人工参与，避免了交通信息上报后人工核查决策的过程，提高了交通事故识别效率和精度，从而还提高了交通事故的响应效率，进而提高了高速公路上的交通安全和通行效率，具有较好的实用价值。
进一步，交通事故识别模型包括预测模块和识别模型；上述计算模块72还用于：将历史交通流参数信息和当前交通流参数信息输入至预测模型，以使预测模型根据历史交通流参数信息和当前交通流参数信息进行粒计算，并输出当前交通流参数信息的变化区间；获取变化区间内的当前交通流参数信息，得到当前目标交通流参数信息；将当前目标交通流参数信息输入至识别模型，以使识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段的交通事故发生概率。
进一步，交通事故还配置有类别信息；其中，类别信息包括：无交通事故发生类别、系统弹性范围内的事故扰动类别和超出系统弹性范围的事故扰动类别；上述识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段的交通事故发生概率，包括：识别模型根据当前目标交通流参数信息，以及预存的历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出当前路段对应的每种类别信息的交通事故发生概率。
进一步，上述分析模块73还用于：判断每种类别信息的交通事故发生概率是否大于对应的预设类别概率阈值；如果是，则确定发生类别信息的交通事故，并生成该类别信息的交通事故识别结果。
进一步，如果交通事故识别结果为超出系统弹性范围的事故扰动，该模块还包括：生成交通事故识别结果对应的管控方案；对管控方案进行预演，并判断预演效果是否满足预设效果；如果是，则根据管控方案对当前路段进行管理。
进一步，该模块还包括：如果预演效果不满足预设效果，则对管控方案进行迭代优化处理，直至预演效果满足预设效果，得到目标管控方案；根据目标管控方案对当前路段进行管理。
进一步，该模块还包括：获取历史交通事故集合；其中，历史交通事故集合包括多个历史交通事故，以及每个历史交通事故对应的目标历史交通流参数信息；将每个历史交通事故对应的目标历史交通流参数信息输入至交通事故识别模型，以使交通事故识别模型输出每个历史交通事故对应的目标历史交通事故发生概率；计算多个历史交通事故对应的目标历史交通事故发生概率的数学期望值，并将数学期望值作为预设概率阈值。
本发明实施例提供的高速公路交通事故识别模块，与上述实施例提供的高速公路交通事故识别方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种高速公路交通事故识别方法，其特征在于，所述方法包括：
获取历史交通流参数信息和当前交通流参数信息；其中，所述当前交通流参数信息包括：当前路段以及所述当前路段的上游路段和下游路段分别对应的交通流量、交通密度和交通流速度；
将所述历史交通流参数信息和所述当前交通流参数信息输入至预先训练好的交通事故识别模型，以使所述交通事故识别模型根据所述历史交通流参数信息和所述当前交通流参数信息输出所述当前路段的交通事故发生概率；
分析所述交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果；其中，所述交通事故识别结果包括：无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动。
2.根据权利要求1所述的方法，其特征在于，所述交通事故识别模型包括预测模块和识别模型；所述将所述历史交通流参数信息和所述当前交通流参数信息输入至预先训练好的交通事故识别模型，以使所述交通事故识别模型根据所述历史交通流参数信息和所述当前交通流参数信息输出所述当前路段的交通事故发生概率的步骤，包括：
将所述历史交通流参数信息和所述当前交通流参数信息输入至所述预测模型，以使所述预测模型根据所述历史交通流参数信息和所述当前交通流参数信息进行粒计算，并输出所述当前交通流参数信息的变化区间；
获取所述变化区间内的当前交通流参数信息，得到当前目标交通流参数信息；
将所述当前目标交通流参数信息输入至所述识别模型，以使所述识别模型根据所述当前目标交通流参数信息，以及预存的所述历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出所述当前路段的交通事故发生概率。
3.根据权利要求2所述的方法，其特征在于，所述交通事故还配置有类别信息；其中，所述类别信息包括：无交通事故发生类别、系统弹性范围内的事故扰动类别和超出系统弹性范围的事故扰动类别；所述识别模型根据所述当前目标交通流参数信息，以及预存的所述历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出所述当前路段的交通事故发生概率的步骤，包括：
所述识别模型根据所述当前目标交通流参数信息，以及预存的所述历史交通流参数信息对应的历史交通事故发生概率，进行贝叶斯判断，输出所述当前路段对应的每种类别信息的交通事故发生概率。
4.根据权利要求3所述的方法，其特征在于，所述分析所述交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果的步骤，包括：
判断每种所述类别信息的交通事故发生概率是否大于对应的预设类别概率阈值；
如果是，则确定发生所述类别信息的交通事故，并生成该类别信息的交通事故识别结果。
5.根据权利要求1所述的方法，其特征在于，如果所述交通事故识别结果为所述超出系统弹性范围的事故扰动，所述方法包括：
生成所述交通事故识别结果对应的管控方案；
对所述管控方案进行预演，并判断预演效果是否满足预设效果；
如果是，则根据所述管控方案对所述当前路段进行管理。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
如果所述预演效果不满足所述预设效果，则对所述管控方案进行迭代优化处理，直至所述预演效果满足所述预设效果，得到目标管控方案；
根据所述目标管控方案对所述当前路段进行管理。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取历史交通事故集合；其中，所述历史交通事故集合包括多个历史交通事故，以及每个所述历史交通事故对应的目标历史交通流参数信息；
将每个所述历史交通事故对应的目标历史交通流参数信息输入至所述交通事故识别模型，以使所述交通事故识别模型输出每个所述历史交通事故对应的目标历史交通事故发生概率；
计算多个所述历史交通事故对应的目标历史交通事故发生概率的数学期望值，并将所述数学期望值作为所述预设概率阈值。
8.一种高速公路交通事故识别模块，其特征在于，所述模块包括：
获取模块，用于获取历史交通流参数信息和当前交通流参数信息；其中，所述当前交通流参数信息包括：当前路段以及所述当前路段的上游路段和下游路段分别对应的交通流量、交通密度和交通流速度；
计算模块，用于将所述历史交通流参数信息和所述当前交通流参数信息输入至预先训练好的交通事故识别模型，以使所述交通事故识别模型根据所述历史交通流参数信息和所述当前交通流参数信息输出所述当前路段的交通事故发生概率；
分析模块，用于分析所述交通事故发生概率和预设概率阈值，并根据分析结果得到交通事故识别结果；其中，所述交通事故识别结果包括：无交通事故发生、系统弹性范围内的事故扰动和超出系统弹性范围的事故扰动。
9.一种高速公路交通事故识别系统，其特征在于，所述系统用于执行上述权利要求1-7任一项所述的高速公路交通事故识别方法；其中，所述高速公路交通事故识别系统，作为智慧公路信息物理系统的子系统，包括：物理空间、连接通道和信息空间；所述连接通道分别与所述物理空间和所述信息空间通信连接。
CN202111218621.3A 2021-10-19 2021-10-19 高速公路交通事故识别方法、模块及系统 Active CN113963539B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111218621.3A CN113963539B (zh) 2021-10-19 2021-10-19 高速公路交通事故识别方法、模块及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111218621.3A CN113963539B (zh) 2021-10-19 2021-10-19 高速公路交通事故识别方法、模块及系统

Publications (2)

Publication Number Publication Date
CN113963539A true CN113963539A (zh) 2022-01-21
CN113963539B CN113963539B (zh) 2022-06-10

Family

ID=79464802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111218621.3A Active CN113963539B (zh) 2021-10-19 2021-10-19 高速公路交通事故识别方法、模块及系统

Country Status (1)

Country Link
CN (1) CN113963539B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548284A (zh) * 2022-02-23 2022-05-27 北京中交兴路车联网科技有限公司 一种货运车辆事故判断系统、方法、设备及介质
CN114973659A (zh) * 2022-05-12 2022-08-30 山东高速集团有限公司创新研究院 一种高速公路的间接事件检测的方法、装置及系统
WO2023151034A1 (zh) * 2022-02-11 2023-08-17 华为技术有限公司 路况检测方法、可读介质以及电子设备
CN117319490A (zh) * 2023-10-31 2023-12-29 广东利通科技投资有限公司 一种面向智慧公路的人工智能应用协同控制系统及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020082806A1 (en) * 1995-01-13 2002-06-27 Kaub Alan R. Traffic safety prediction model
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN105185106A (zh) * 2015-07-13 2015-12-23 丁宏飞 一种基于粒计算的道路交通流参数预测方法
CN106530714A (zh) * 2016-12-21 2017-03-22 东南大学 一种基于交通流数据的二次交通事故时间预测方法
CN108417033A (zh) * 2018-03-23 2018-08-17 四川高路交通信息工程有限公司 基于多维因素的高速路交通事故分析预测方法
CN111797768A (zh) * 2020-07-06 2020-10-20 华侨大学 一种城市道路交通拥堵多原因自动实时识别方法及系统
CN112949999A (zh) * 2021-02-04 2021-06-11 浙江工业大学 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN113066287A (zh) * 2021-03-24 2021-07-02 公安部交通管理科学研究所 一种高速公路交通事故现场风险主动防控方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020082806A1 (en) * 1995-01-13 2002-06-27 Kaub Alan R. Traffic safety prediction model
CN102360525A (zh) * 2011-09-28 2012-02-22 东南大学 基于判别分析的快速道路实时交通事故风险预测方法
CN105185106A (zh) * 2015-07-13 2015-12-23 丁宏飞 一种基于粒计算的道路交通流参数预测方法
CN106530714A (zh) * 2016-12-21 2017-03-22 东南大学 一种基于交通流数据的二次交通事故时间预测方法
CN108417033A (zh) * 2018-03-23 2018-08-17 四川高路交通信息工程有限公司 基于多维因素的高速路交通事故分析预测方法
CN111797768A (zh) * 2020-07-06 2020-10-20 华侨大学 一种城市道路交通拥堵多原因自动实时识别方法及系统
CN112949999A (zh) * 2021-02-04 2021-06-11 浙江工业大学 一种基于贝叶斯深度学习的高速交通事故风险预警方法
CN113066287A (zh) * 2021-03-24 2021-07-02 公安部交通管理科学研究所 一种高速公路交通事故现场风险主动防控方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023151034A1 (zh) * 2022-02-11 2023-08-17 华为技术有限公司 路况检测方法、可读介质以及电子设备
CN114548284A (zh) * 2022-02-23 2022-05-27 北京中交兴路车联网科技有限公司 一种货运车辆事故判断系统、方法、设备及介质
CN114973659A (zh) * 2022-05-12 2022-08-30 山东高速集团有限公司创新研究院 一种高速公路的间接事件检测的方法、装置及系统
CN117319490A (zh) * 2023-10-31 2023-12-29 广东利通科技投资有限公司 一种面向智慧公路的人工智能应用协同控制系统及其方法
CN117319490B (zh) * 2023-10-31 2024-04-16 广东利通科技投资有限公司 一种面向智慧公路的人工智能应用协同控制系统及其方法

Also Published As

Publication number Publication date
CN113963539B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN113963539B (zh) 高速公路交通事故识别方法、模块及系统
CN103839409B (zh) 基于多断面视觉传感聚类分析的交通流状态判别方法
US9111442B2 (en) Estimating incident duration
CN113538898A (zh) 一种基于多源数据的高速公路拥堵管控系统
Sun et al. Spatio-temporal segmented traffic flow prediction with ANPRS data based on improved XGBoost
CN113327418A (zh) 一种快速路拥堵风险分级实时预测方法
CN114267173B (zh) 高速公路时空特征的多源数据融合方法、装置及设备
CN114999181A (zh) 一种基于etc系统数据的高速公路车辆速度异常识别方法
Evans et al. Evolution and future of urban road incident detection algorithms
Ding et al. Traffic flow clustering framework using drone video trajectories to identify surrogate safety measures
CN116758762A (zh) 基于大数据的控制方法
CN113963538B (zh) 基于数据自流动的智慧公路信息物理系统
CN116434361A (zh) 一种基于etc交易数据的高速公路拥堵识别方法
CN116259173A (zh) 一种基于d-s证据理论的多检测方式交通事件融合方法
CN115830855A (zh) 一种基于双状态划分的高速公路路段通行时间预测方法
Huang Svm-based real-time identification model of dangerous traffic stream state
Silva et al. Interpreting traffic congestion using fundamental diagrams and probabilistic graphical modeling
Finogeev et al. Proactive big data analysis for traffic accident prediction
Pietrobon et al. An algorithm for road closure detection from vehicle probe data
Kim Simultaneous calibration of a microscopic traffic simulation model and OD matrix
CN113064940A (zh) 一种基于大数据的高速公路智能实时收费分析系统
Abdel-Aty et al. Real-time traffic safety and operation
CN111914138A (zh) 基于车联网大数据的工况分析方法、装置和系统
Kamal et al. Early detection of a traffic flow breakdown in the freeway based on dynamical network markers
TASHEV et al. Detection and elimination of discrepancies in big data at transport applying statistical methods

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