CN114446052A - 基于多源数据多级融合的高速公路事件检测方法及装置 - Google Patents
基于多源数据多级融合的高速公路事件检测方法及装置 Download PDFInfo
- Publication number
- CN114446052A CN114446052A CN202210049374.7A CN202210049374A CN114446052A CN 114446052 A CN114446052 A CN 114446052A CN 202210049374 A CN202210049374 A CN 202210049374A CN 114446052 A CN114446052 A CN 114446052A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- event
- detector
- highway
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多源数据多级融合的高速公路事件检测方法及装置,利用高速公路现有的线圈、微波及视频检测器实时采集道路交通流数据,构建道路交通安全云平台;根据不同检测器的布设位置,将高速公路原有线圈/微波检测器布设间隔划分为若干个小区间;分别构建事件状态下基于线圈/微波数据的断面交通流特征变量集和基于视频数据的微观车辆行为特征变量集;为实现多源信息的统一表示,构建基于多级深度自动编码网络的交通事件检测模型;将小区间聚合数据作为输入,通过模型输出交通事件检测结果。本发明在不增加现有交通设施情况下,充分利用多源交通数据,提升交通事件检测率,改善道路运行安全,提高道路通行能力。
Description
技术领域
本发明涉及基于多源数据多级融合的高速公路事件检测方法及装置,属于道路交通安全技术领域。
背景技术
随着我国机动化发展速度的日益加快,道路交通需求迅猛增长,高速公路总里程的不断增加,随之产生的道路交通安全等问题日益突出。据统计,美国60%的城市快速路和超过一半的高速公路拥堵是由交通事件造成的。在我国,交通事件引起的高速公路交通拥堵占总拥堵的50%~75%。研究表明,二次事故造成的严重程度比初次事故大很多,危险相较于初次事故增加600%。事件的处理时间越长,造成二次事故的概率就越大。因此,如何在尽可能短的时间内,准确而高效地检测并识别道路交通事件是交通领域研究的重点。
针对基于多源数据的交通事件检测方法,目前仍存在许多不足有待改进。例如,在交通事件检测变量选择方面,通常将原始交通流参数作为输入变量,而忽略事件检测变量集的构建和重要变量的选择;针对多源信息的融合大多采用数据级别的融合,对多种类型的传感器数据进行简单的合成,没有充分发挥多传感器的优越性和互补性;部分交通事件检测模型仅仅采用多种模型结果的融合,融合层面过于简单,融合后的检测效果没有明显提高。
发明内容
本发明所要解决的技术问题是:提供基于多源数据多级融合的高速公路事件检测方法及装置,在不增加交通设施的情况下,充分利用多源交通数据,显著提升交通事件检测率,为道路应急救援争取时间,改善道路运行安全及提高道路的通行能力。
本发明为解决上述技术问题采用以下技术方案:
基于多源数据多级融合的高速公路事件检测方法,包括如下步骤:
步骤1,利用高速公路原有的线圈以及视频多源交通检测器,获取高速公路历史交通数据,搭建道路交通安全云平台,存储多源交通数据;
步骤2,根据不同检测器的布设位置,结合多源交通检测器数据互补的特点,将高速公路原有的线圈检测器布设间隔划分为若干个小区间;
步骤3,对交通事件状态下的交通流特性进行分析,利用车流波动理论,并结合线圈检测器的数据特点,建立基于交通流数据的事件检测特征变量集;
步骤4,查看发生交通事件的地点,结合该地点对应所在小区间对应的视频检测器获取该地点所在小区间内车辆行驶轨迹,建立基于视频检测器数据的微观车辆行为特征变量集;
步骤5,利用第一级深度自动编码网络和第二级深度自动编码网络对步骤3所述事件检测特征变量集和步骤4所述微观车辆行为特征变量集进行耦合,在统一的框架下实现多源数据的统一表示,以多源数据的统一表示为输入,通过第三级深度自动编码网络,构建基于多级深度自动编码网络的交通事件检测模型;
步骤6,实时采集高速公路交通数据,并对交通数据按照步骤3和步骤4相同步骤进行处理,利用步骤5构建的基于多级深度自动编码网络的交通事件检测模型进行交通事件检测。
作为本发明的一种优选方案,所述步骤2的具体过程如下:
步骤21,从高速公路事件检测起始端开始,每隔固定的布设间隔布设一线圈检测器,确定高速公路视频检测器的布设位置以及单个视频检测器能够覆盖的空间区域;
步骤22,采集单个视频检测器覆盖的空间区域的首尾端对应的微观车辆数据,并将所采集的微观车辆数据转化为道路断面交通流线圈数据;
步骤23,将原有高速公路上布设的相邻两个线圈检测器之间的间隔作为一个大区间,根据单个视频检测器能够覆盖的空间区域,将大区间划分为3个小区间,即根据车辆行驶方向,定义相邻两个线圈检测器中处于上游的为上游线圈检测器,处于下游的为下游线圈检测器,则上游线圈检测器到视频检测器之间的空间区域为第1个小区间,视频检测器能够覆盖的空间区域为第2个小区间,剩余空间区域为第3个小区间。
作为本发明的一种优选方案,所述步骤3的具体过程如下:
步骤31,分析交通事件状态下的交通流特性,查看发生交通事件的地点以及该地点对应所在区间的上、下游交通流参数变化;
步骤32,以步骤31所述上、下游交通流参数及其多角度组合的方式,构建基于交通流数据的交通事件检测初始特征变量集,包括:上游交通流量、速度、占有率,下游交通流量、速度、占有率,上游交通流量与占有率的比值、上游交通流量与速度的比值、上游速度与占有率的比值,下游交通流量与占有率的比值、下游交通流量与速度的比值、下游速度与占有率的比值,上游流量的变异系数、速度的变异系数、占有率的变异系数,下游流量的变异系数、速度的变异系数、占有率的变异系数,上下游流量差、速度差、占有率差;
步骤33,利用Boruta算法对上述初始特征变量集进行筛选,提取与交通事件紧密相关的变量组成基于交通流数据的事件检测特征变量集。
作为本发明的一种优选方案,所述步骤4的具体过程如下:
步骤41,将发生在视频检测器覆盖空间区域的交通事件所在小区间划分为若干个等间距的小单元,将小单元内的车辆换道总次数、换道车辆的平均速度、每个车道的换道次数作为变量;
步骤42,计算小单元固定时间间隔内的各个变量值构成基于视频数据的变量集,所述时间间隔根据实际的实时性需求决定。
作为本发明的一种优选方案,所述步骤5的具体过程如下:
步骤51,将步骤3所述事件检测特征变量集和步骤4所述微观车辆行为特征变量集分别视为单源数据,构建第一级深度自动编码网络,该网络由一个全连接神经网络构成,以各个单源数据为输入,并将网络输出数据与该单源输入数据之间的均方误差作为损失函数优化网络,在网络训练完成后,选择第一级深度自动编码网络的最后一层作为该单源数据的新表示;
步骤52,构建第二级深度自动编码网络,以两个单源数据第一级深度自动编码网络的新表示为输入,输出为分解得到的各单源数据的初始表示,将该级网络的输入数据与该级网络的输出数据之间均方差作为损失函数优化网络,在网络训练完成后,选择第二级深度自动编码网络的最后一层作为多源数据的统一表示,即多源事件数据的统一表示;
步骤53,构建第三级深度自动编码网络,对于发生交通事件的小区间获取其相同时间段未发生交通事件的交通数据,通过步骤51-52得到多源非事件数据的统一表示,以多源非事件数据的统一表示为输入,训练第三级深度自动编码网络,通过多源事件数据的统一表示测试训练好的基于多级深度自动编码网络的交通事件检测模型,所述模型包括第一至第三级深度自动编码网络,比较模型输出与测试数据的差异,判断交通状态是否发生异常,进而实现交通事件检测。
作为本发明的一种优选方案,所述步骤5还包括,通过计算基于多级深度自动编码网络的交通事件检测模型的事件检测率、事件误报率、平均检测时间和事件G-mean值,评价模型的检测性能;其中,
1)计算模型的事件检测率:
2)计算模型的事件误报率:
3)计算模型的平均检测时间:
4)计算模型的事件G-mean值:
式中,D为事件检测率,a1为检测到的道路交通事件数量,a2为道路交通事件发生总数,F为事件误报率,b1为误报的交通事件数,b2为时间段内的所有决策次数,M为交通事件的平均检测时间,T(i)为检测到第i个交通事件的时间,AT(i)为第i个交通事件实际发生的时间,n为交通事件数量,G-mean为检测率和误报率的调和平均值。
基于多源数据多级融合的高速公路事件检测装置,所述检测装置包括以下模块:
数据收集模块,用于利用高速公路原有的线圈以及视频多源交通检测器,采集高速公路交通数据,搭建道路交通安全云平台,存储多源交通数据;
区间划分模块,用于根据不同检测器的布设位置,结合多源交通检测器数据互补的特点,将高速公路原有的线圈检测器布设间隔划分为若干个小区间;
变量筛选模块,用于对交通事件状态下的交通流特性进行分析,利用车流波动理论,并结合线圈检测器的数据特点,建立基于交通流数据的事件检测特征变量集;
微观交通行为提取模块,用于查看发生交通事件的地点,结合该地点对应所在小区间对应的视频检测器获取该地点所在小区间内车辆行驶轨迹,建立基于视频检测器数据的微观车辆行为特征变量集;
交通事件检测模块,用于构建基于多级深度自动编码网络的交通事件检测模型,并利用上述模型进行高速公路交通事件检测;
模型性能评价模块,用于对所述基于多级深度自动编码网络的交通事件检测模型的检测性能进行评价。
一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的基于多源数据多级融合的高速公路事件检测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于多源数据多级融合的高速公路事件检测方法的步骤。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明通过分析道路交通检测器的上下游交通流参数变化特点和车辆微观驾驶行为特性,采用交通参数多组合方式、车辆换道总次数、各个车道的换道次数以及换道车辆的速度构建变量集,区别事件数据和非事故数据,便于后期交通事件检测,提高事件检测率。
2、本发明从多源数据融合原理出发,采用小间隔线圈或微波数据、视频数据融合的方式进行交通事件检测。与单源大间隔线圈或微波数据相比,该方法相当于加密了线圈或微波检测器的布设,可以得到较为精确的交通信息;与单源视频数据相比,考虑到单个视频检测器检测范围有限以及不能全段布设的情况,该方法通过小间隔线圈拼接部分视频数据,填补了道路部分路段视频数据缺失的交通信息,即在不增加投入的状况下,获得较为全面的道路交通运行数据。
3、本发明对数据集进行特征筛选,选择重要变量输入模型,可以减少模型的检测时间。
4、本发明采用基于多级深度自动编码网络的交通事件检测模型,通过耦合多级深度自动编码网络模型,将多源数据融合为统一框架下的特征表示,实现多源数据特征级的融合。
附图说明
图1是本发明检测方法的整体流程图;
图2是道路空间区间划分图;
图3是线圈数据的变量筛选流程图;
图4是基于多级深度自动编码网络的交通事件检测实施流程图;
图5是本发明检测装置的结构示意图;
图6是本发明检测设备的结构示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
利用高速公路现有的线圈、微波及视频检测器实时采集道路交通流数据,构建道路交通安全云平台存储多源数据;根据不同检测器的布设位置,结合多源设备检测器数据互补的特点,将高速公路原有的线圈或微波检测器布设间隔划分为若干个小区间;利用交通事件状态下的交通流特性,构建基于线圈或微波数据的断面交通流特征变量集;考虑到交通事件发生后道路车辆的微观行为变化,结合视频检测器可以获取有效道路范围内车辆轨迹的特点,构建基于视频数据的微观车辆行为特征变量集;为实现多源信息的统一表示,构建基于多级深度自动编码网络的交通事件检测模型;将小区间聚合数据作为输入,通过多级融合模型输出高速公路交通事件检测结果。图1为本发明方法的流程图,主要可以分为以下六个阶段:
(1)数据采集:利用高速公路现有的线圈、微波及视频多源交通检测器,实时采集道路交通数据,搭建道路交通安全云平台,存储多源交通数据;一般使用线圈和视频检测器即可,没有线圈检测器的地方可以用微波检测器替代;
(2)空间区间划分:根据不同检测器的布设位置,结合多源设备检测器数据互补的特点,将高速公路原有的线圈检测器布设间隔划分为若干个小区间;假设多源检测设备只有线圈检测设备和视频检测设备,从道路起始端开始每隔500米布设一个线圈检测器,即线圈检测器的布设间隔为500m,视频检测器的布设间隔为500m,视频检测器的布设位置距离线圈检测器250m,视频检测器的检测范围为100m,即从视频检测器的布设位置开始向下游100米的范围;
(21)根据步骤(2)中的假设,可以得到高速公路检测器空间布设情况,即若干个间隔500m的线圈检测器大区间和大区间内距离单个线圈检测器250m的视频检测器;
(22)由于视频检测器可以采集设备覆盖范围内的较为全面的交通微观行为,基于此,将视频检测器采集覆盖的单段空间首尾端微观车辆数据转化为道路断面交通流数据,即相当于在视频检测器的首尾端增加了虚拟线圈检测设备;
(23)根据线圈或微波检测器的布设位置以及视频检测器所覆盖的空间区域,将高速公路原有的线圈或微波布设间隔划分为若干个小区间如图2所示,间隔500m的线圈大区间被划分为3个小区间,间隔250m的线圈区间、间隔100m的视频区间和间隔150m的线圈区间,即加密了线圈检测器的布设。
(3)对事件状态下的交通流特性进行分析,利用车流波动理论,并结合线圈或微波检测器的数据特点,建立事件检测特征变量集,操作流程如图3所示;
(31)分析事件状态下交通流特性,查看事件点及上下游路段交通流参数(如流量、速度、占有率)的变化;
(32)以基本交通流参数及其多角度组合的方式,构建基于交通流数据的交通事件检测初始变量集,包括:上游交通流量、速度、占有率,下游交通流量、速度、占有率,上游交通流量与占有率的比值、交通流量与速度的比值、速度与占有率的比值,下游交通流量与占有率的比值、交通流量与速度的比值、速度与占有率的比值,上游流量的变异系数、速度的变异系数、占有率的变异系数,下游流量的变异系数、速度的变异系数、占有率的变异系数,上下游流量差、速度差、占有率差;
(33)由于Boruta算法可以选择出所有与因变量相关的特征集合,而不是针对特定模型选择出可以使得模型cost function最小的特征集合。利用Boruta算法对上述初始变量进行筛选,提取与交通事件紧密相关的变量组成基于线圈或微波数据的关键变量集。
(4)交通事件发生后,车辆微观行为会发生显著变化,结合视频检测器可以获取有效道路范围内车辆行驶轨迹的特点,构建基于视频数据的微观车辆行为特征变量集;
(41)将单个视频检测器的空间检测范围划分为若干个等间距的小单元,将小单元内的车辆换道总次数、换道车辆的速度、每个车道的换道次数作为变量;
(42)计算小单元固定时间间隔内的各个变量值构成基于视频数据的变量集,时间间隔可根据实际的实时性需求决定。
(5)利用第一级深度自动编码网络与第二级深度自动编码网络分别对单源数据进行耦合,在统一的框架下实现多源信息的统一表示;以多源信息的统一表示为输入,通过第三级深度自动编码网络,实现基于多源数据的交通事件检测功能,流程图如图4所示;
(51)构建第一级深度自动编码网络,该网络是由一个全连接神经网络构成,以各个单源数据为输入,并将神经网络输出数据与该单源输入数据之间的均方误差作为损失函数优化网络,在神经网络训练完成后,选择第一级网络编码部分的最后一层作为该单源数据的新表示;
(52)构建第二级深度自动编码网络,以多个单源数据第一级深度自动编码网络的新表示为输入,输出为分解得到的各单源数据的初始表示,将该级网络的输入数据与该级网络的输出数据之间均方差作为损失函数优化网络,在神经网络训练完成后,选择第二级网络编码部分的最后一层H为多源数据的统一表示;
(53)构建第三级深度自动编码网络,通过步骤(52)分别得到多源非事件数据的统一表示和多源事件数据的统一表示,以多源非事件数据的统一表示为输入,训练第三级深度自动编码网络,通过多源事件数据的统一表示测试训练好的模型,比较模型输出与测试数据的差异,判断交通状态是否发生异常,进而实现交通事件检测。
(6)通过计算基于多级深度自动编码网络的交通事件检测模型的检测率、误报率、平均检测时间和G-mean值,评价模型的检测性能;
(61)计算模型的事件检测率:
(62)计算模型的事件误报率:
(63)计算模型的平均检测时间:
(64)计算模型的事件G-mean值:
式中,D为事件检测率,a1为检测到的道路交通事件数量,a2为道路交通事件发生总数,F为事件误报率,b1为误报的交通事件数,b2为时间段内的所有决策次数,M为交通事件的平均检测时间,T(i)为检测到第i个交通事件的时间,AT(i)为第i个交通事件实际发生的时间,n为交通事件数量,G-mean为检测率和误报率的调和平均值。
本发明还提供了一种基于多源数据多级融合的高速公路事件检测装置,其结构示意图如图5所述,包括以下模块:
1)数据收集模块,用于利用高速公路原有的线圈以及视频多源交通检测器,采集高速公路交通数据,搭建道路交通安全云平台,存储多源交通数据;
2)区间划分模块,用于根据不同检测器的布设位置,结合多源交通检测器数据互补的特点,将高速公路原有的线圈检测器布设间隔划分为若干个小区间;
3)变量筛选模块,用于对交通事件状态下的交通流特性进行分析,利用车流波动理论,并结合线圈检测器的数据特点,建立基于交通流数据的事件检测特征变量集;
4)微观交通行为提取模块,用于查看发生交通事件的地点,结合该地点对应所在小区间对应的视频检测器获取该地点所在小区间内车辆行驶轨迹,建立基于视频检测器数据的微观车辆行为特征变量集;
5)交通事件检测模块,用于构建基于多级深度自动编码网络的交通事件检测模型,并利用上述模型进行高速公路交通事件检测;
6)模型性能评价模块,用于对所述基于多级深度自动编码网络的交通事件检测模型的检测性能进行评价。
本发明的实施例还提供一种计算机设备,结构示意图如图6所示,包括存储器、处理器,以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述的基于多源数据多级融合的高速公路事件检测方法的步骤。
本发明的实施例还提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的基于多源数据多级融合的高速公路事件检测方法的步骤。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (9)
1.基于多源数据多级融合的高速公路事件检测方法,其特征在于,包括如下步骤:
步骤1,利用高速公路原有的线圈以及视频多源交通检测器,获取高速公路历史交通数据,搭建道路交通安全云平台,存储多源交通数据;
步骤2,根据不同检测器的布设位置,结合多源交通检测器数据互补的特点,将高速公路原有的线圈检测器布设间隔划分为若干个小区间;
步骤3,对交通事件状态下的交通流特性进行分析,利用车流波动理论,并结合线圈检测器的数据特点,建立基于交通流数据的事件检测特征变量集;
步骤4,查看发生交通事件的地点,结合该地点对应所在小区间对应的视频检测器获取该地点所在小区间内车辆行驶轨迹,建立基于视频检测器数据的微观车辆行为特征变量集;
步骤5,利用第一级深度自动编码网络和第二级深度自动编码网络对步骤3所述事件检测特征变量集和步骤4所述微观车辆行为特征变量集进行耦合,在统一的框架下实现多源数据的统一表示,以多源数据的统一表示为输入,通过第三级深度自动编码网络,构建基于多级深度自动编码网络的交通事件检测模型;
步骤6,实时采集高速公路交通数据,并对交通数据按照步骤3和步骤4相同步骤进行处理,利用步骤5构建的基于多级深度自动编码网络的交通事件检测模型进行交通事件检测。
2.根据权利要求1所述的基于多源数据多级融合的高速公路事件检测方法,其特征在于,所述步骤2的具体过程如下:
步骤21,从高速公路事件检测起始端开始,每隔固定的布设间隔布设一线圈检测器,确定高速公路视频检测器的布设位置以及单个视频检测器能够覆盖的空间区域;
步骤22,采集单个视频检测器覆盖的空间区域的首尾端对应的微观车辆数据,并将所采集的微观车辆数据转化为道路断面交通流线圈数据;
步骤23,将原有高速公路上布设的相邻两个线圈检测器之间的间隔作为一个大区间,根据单个视频检测器能够覆盖的空间区域,将大区间划分为3个小区间,即根据车辆行驶方向,定义相邻两个线圈检测器中处于上游的为上游线圈检测器,处于下游的为下游线圈检测器,则上游线圈检测器到视频检测器之间的空间区域为第1个小区间,视频检测器能够覆盖的空间区域为第2个小区间,剩余空间区域为第3个小区间。
3.根据权利要求2所述的基于多源数据多级融合的高速公路事件检测方法,其特征在于,所述步骤3的具体过程如下:
步骤31,分析交通事件状态下的交通流特性,查看发生交通事件的地点以及该地点对应所在区间的上、下游交通流参数变化;
步骤32,以步骤31所述上、下游交通流参数及其多角度组合的方式,构建基于交通流数据的交通事件检测初始特征变量集,包括:上游交通流量、速度、占有率,下游交通流量、速度、占有率,上游交通流量与占有率的比值、上游交通流量与速度的比值、上游速度与占有率的比值,下游交通流量与占有率的比值、下游交通流量与速度的比值、下游速度与占有率的比值,上游流量的变异系数、速度的变异系数、占有率的变异系数,下游流量的变异系数、速度的变异系数、占有率的变异系数,上下游流量差、速度差、占有率差;
步骤33,利用Boruta算法对上述初始特征变量集进行筛选,提取与交通事件紧密相关的变量组成基于交通流数据的事件检测特征变量集。
4.根据权利要求1所述的基于多源数据多级融合的高速公路事件检测方法,其特征在于,所述步骤4的具体过程如下:
步骤41,将发生在视频检测器覆盖空间区域的交通事件所在小区间划分为若干个等间距的小单元,将小单元内的车辆换道总次数、换道车辆的平均速度、每个车道的换道次数作为变量;
步骤42,计算小单元固定时间间隔内的各个变量值构成基于视频数据的变量集,所述时间间隔根据实际的实时性需求决定。
5.根据权利要求1所述的基于多源数据多级融合的高速公路事件检测方法,其特征在于,所述步骤5的具体过程如下:
步骤51,将步骤3所述事件检测特征变量集和步骤4所述微观车辆行为特征变量集分别视为单源数据,构建第一级深度自动编码网络,该网络由一个全连接神经网络构成,以各个单源数据为输入,并将网络输出数据与该单源输入数据之间的均方误差作为损失函数优化网络,在网络训练完成后,选择第一级深度自动编码网络的最后一层作为该单源数据的新表示;
步骤52,构建第二级深度自动编码网络,以两个单源数据第一级深度自动编码网络的新表示为输入,输出为分解得到的各单源数据的初始表示,将该级网络的输入数据与该级网络的输出数据之间均方差作为损失函数优化网络,在网络训练完成后,选择第二级深度自动编码网络的最后一层作为多源数据的统一表示,即多源事件数据的统一表示;
步骤53,构建第三级深度自动编码网络,对于发生交通事件的小区间获取其相同时间段未发生交通事件的交通数据,通过步骤51-52得到多源非事件数据的统一表示,以多源非事件数据的统一表示为输入,训练第三级深度自动编码网络,通过多源事件数据的统一表示测试训练好的基于多级深度自动编码网络的交通事件检测模型,所述模型包括第一至第三级深度自动编码网络,比较模型输出与测试数据的差异,判断交通状态是否发生异常,进而实现交通事件检测。
6.根据权利要求1所述的基于多源数据多级融合的高速公路事件检测方法,其特征在于,所述步骤5还包括,通过计算基于多级深度自动编码网络的交通事件检测模型的事件检测率、事件误报率、平均检测时间和事件G-mean值,评价模型的检测性能;其中,
1)计算模型的事件检测率:
2)计算模型的事件误报率:
3)计算模型的平均检测时间:
4)计算模型的事件G-mean值:
式中,D为事件检测率,a1为检测到的道路交通事件数量,a2为道路交通事件发生总数,F为事件误报率,b1为误报的交通事件数,b2为时间段内的所有决策次数,M为交通事件的平均检测时间,T(i)为检测到第i个交通事件的时间,AT(i)为第i个交通事件实际发生的时间,n为交通事件数量,G-mean为检测率和误报率的调和平均值。
7.基于多源数据多级融合的高速公路事件检测装置,其特征在于,所述检测装置包括以下模块:
数据收集模块,用于利用高速公路原有的线圈以及视频多源交通检测器,采集高速公路交通数据,搭建道路交通安全云平台,存储多源交通数据;
区间划分模块,用于根据不同检测器的布设位置,结合多源交通检测器数据互补的特点,将高速公路原有的线圈检测器布设间隔划分为若干个小区间;
变量筛选模块,用于对交通事件状态下的交通流特性进行分析,利用车流波动理论,并结合线圈检测器的数据特点,建立基于交通流数据的事件检测特征变量集;
微观交通行为提取模块,用于查看发生交通事件的地点,结合该地点对应所在小区间对应的视频检测器获取该地点所在小区间内车辆行驶轨迹,建立基于视频检测器数据的微观车辆行为特征变量集;
交通事件检测模块,用于构建基于多级深度自动编码网络的交通事件检测模型,并利用上述模型进行高速公路交通事件检测;
模型性能评价模块,用于对所述基于多级深度自动编码网络的交通事件检测模型的检测性能进行评价。
8.一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于多源数据多级融合的高速公路事件检测方法的步骤。
9.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于多源数据多级融合的高速公路事件检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049374.7A CN114446052B (zh) | 2022-01-17 | 2022-01-17 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210049374.7A CN114446052B (zh) | 2022-01-17 | 2022-01-17 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114446052A true CN114446052A (zh) | 2022-05-06 |
CN114446052B CN114446052B (zh) | 2023-05-30 |
Family
ID=81368579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210049374.7A Active CN114446052B (zh) | 2022-01-17 | 2022-01-17 | 基于多源数据多级融合的高速公路事件检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114446052B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776014A (zh) * | 2023-07-10 | 2023-09-19 | 和智信(山东)大数据科技有限公司 | 多源轨迹数据表示方法及装置 |
CN117912253A (zh) * | 2024-01-31 | 2024-04-19 | 广州云玥科技有限公司 | 一种城市交通数据库信息采集方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
CN102592451A (zh) * | 2012-02-23 | 2012-07-18 | 浙江大学 | 一种基于双截面环形线圈检测器的道路交通事件检测方法 |
CN102819956A (zh) * | 2012-06-05 | 2012-12-12 | 浙江大学 | 一种基于单截面环形线圈检测器的道路交通事件检测方法 |
US20190244521A1 (en) * | 2018-02-06 | 2019-08-08 | Cavh Llc | Intelligent road infrastructure system (iris): systems and methods |
CN113313145A (zh) * | 2021-05-10 | 2021-08-27 | 东南大学 | 一种基于混合核相关向量机的快速道路交通事件检测方法 |
CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及系统 |
CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警系统及方法 |
-
2022
- 2022-01-17 CN CN202210049374.7A patent/CN114446052B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101751782A (zh) * | 2009-12-30 | 2010-06-23 | 北京大学深圳研究生院 | 一种基于多源信息融合的十字路口交通事件自动检测系统 |
CN102436740A (zh) * | 2011-09-29 | 2012-05-02 | 东南大学 | 一种高速公路交通事件自动检测方法 |
CN102592451A (zh) * | 2012-02-23 | 2012-07-18 | 浙江大学 | 一种基于双截面环形线圈检测器的道路交通事件检测方法 |
CN102819956A (zh) * | 2012-06-05 | 2012-12-12 | 浙江大学 | 一种基于单截面环形线圈检测器的道路交通事件检测方法 |
US20190244521A1 (en) * | 2018-02-06 | 2019-08-08 | Cavh Llc | Intelligent road infrastructure system (iris): systems and methods |
CN113313145A (zh) * | 2021-05-10 | 2021-08-27 | 东南大学 | 一种基于混合核相关向量机的快速道路交通事件检测方法 |
CN113538898A (zh) * | 2021-06-04 | 2021-10-22 | 南京美慧软件有限公司 | 一种基于多源数据的高速公路拥堵管控系统 |
CN113781767A (zh) * | 2021-08-05 | 2021-12-10 | 浙江省机电设计研究院有限公司 | 一种基于多源感知的交通数据融合方法及系统 |
CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警系统及方法 |
Non-Patent Citations (2)
Title |
---|
徐涛;徐爱功;胡超魁;张明月;: "基于多源数据的城市道路交通事件检测", 测绘科学 * |
陈圆媛;潘珍亮;武奇生;刘阳子;: "基于多数据融合的交通事件检测系统研究", 公路交通科技(应用技术版) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776014A (zh) * | 2023-07-10 | 2023-09-19 | 和智信(山东)大数据科技有限公司 | 多源轨迹数据表示方法及装置 |
CN116776014B (zh) * | 2023-07-10 | 2024-01-16 | 和智信(山东)大数据科技有限公司 | 多源轨迹数据表示方法及装置 |
CN117912253A (zh) * | 2024-01-31 | 2024-04-19 | 广州云玥科技有限公司 | 一种城市交通数据库信息采集方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114446052B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114446052B (zh) | 基于多源数据多级融合的高速公路事件检测方法及装置 | |
CN110164128B (zh) | 一种城市级智能交通仿真系统 | |
CN109448369B (zh) | 高速公路实时运行风险计算方法 | |
CN111310786B (zh) | 基于随机森林分类器的交通检测器异常诊断方法及装置 | |
CN104298881B (zh) | 一种基于贝叶斯网络模型的公交环境动态变化预报方法 | |
CN101718634B (zh) | 基于多元概率模型的设备状态综合动态报警方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN102436740A (zh) | 一种高速公路交通事件自动检测方法 | |
CN106355883A (zh) | 基于风险评估模型的交通事故发生概率获取方法及系统 | |
CN102592451B (zh) | 一种基于双截面环形线圈检测器的道路交通事件检测方法 | |
CN114267173B (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN110910641A (zh) | 一种基于神经网络的高速公路交通运行实时风险评估方法 | |
CN115148019A (zh) | 一种基于节假日拥堵预测算法的预警方法及系统 | |
CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN109543874A (zh) | 一种结合气象条件影响的机场空气质量预测方法 | |
CN111126868A (zh) | 一种道路交通事故发生风险确定方法及系统 | |
CN110580492A (zh) | 一种基于小幅波动检测的轨道电路故障前兆发现方法 | |
CN101551940A (zh) | 城市快速道路交通状态判别与发布系统及其方法 | |
CN102819956B (zh) | 一种基于单截面环形线圈检测器的道路交通事件检测方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及系统 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN113538971A (zh) | 一种基于多源异构数据融合的风险船舶检测方法 | |
CN101075377A (zh) | 基于偏最小二乘原理的高速公路交通事件自动检测方法 | |
CN111430040A (zh) | 基于病例、气象和病原监测数据的手足口病疫情预测方法 |
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 |