CN114495519B - 一种高速公路智慧可视化展示系统 - Google Patents

一种高速公路智慧可视化展示系统 Download PDF

Info

Publication number
CN114495519B
CN114495519B CN202210123214.2A CN202210123214A CN114495519B CN 114495519 B CN114495519 B CN 114495519B CN 202210123214 A CN202210123214 A CN 202210123214A CN 114495519 B CN114495519 B CN 114495519B
Authority
CN
China
Prior art keywords
speed
module
point
neural network
data
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
Application number
CN202210123214.2A
Other languages
English (en)
Other versions
CN114495519A (zh
Inventor
邱玮
刘海峰
晁豪杰
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.)
Zhengzhou Sunway Optoelectronics Co ltd
Original Assignee
Zhengzhou Sunway Optoelectronics 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 Zhengzhou Sunway Optoelectronics Co ltd filed Critical Zhengzhou Sunway Optoelectronics Co ltd
Priority to CN202210123214.2A priority Critical patent/CN114495519B/zh
Publication of CN114495519A publication Critical patent/CN114495519A/zh
Application granted granted Critical
Publication of CN114495519B publication Critical patent/CN114495519B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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

Abstract

本发明属于高速公路技术领域，公开一种高速公路智慧可视化展示系统，包括数据采集模块，训练数据生成模块，模型训练模块，模型预测模块，以及超速展示模块，数据采集模块对汽车经过路段起点和终点的速度进行检测，还检测汽车经过起点和终点之间的特定位置的速度，训练数据生成模块接收数据采集模块在一段时间内采集到的数据并构建训练数据集，模型训练模块基于训练数据集来完成对于神经网络模型的训练，模型预测模块将汽车经过路段起点和终点的速度作为输入，输出汽车经过起点和终点之间的特定位置的速度，超速展示模块针对汽车在路段起点和终点之间的超速行驶的位置以可视化的方式进行标注，本发明提高了区间测速中汽车超速行驶的检测精度。

Description

一种高速公路智慧可视化展示系统
技术领域
本发明属于高速公路技术领域，具体涉及一种高速公路智慧可视化展示系统。
背景技术
随着高速公路建设的不断发展，高速公路因为其路况好，通行时间短等优点，使越来越多的人们更喜欢选择通过高速公路出行，尤其的，关于高速公路出行，人们最关注的就是出行安全，近年来由于在高速公路上的超速行驶而造成的交通事故屡见不鲜，为避免汽车在高速公路上的超速行驶，通常会在高速公路的不同位置上设置测速点来对汽车的行驶速度进行检测，按照测速方式的不同，主要分为区间测速、单点测速，及流动测速，其中，区间测速通过记录汽车从区间起点到达区间终点的通行时间，并使用区间的路程长度除以通行时间，来得到汽车通过区间的平均速度，以此来检测汽车是否进行了超速行驶，然而，在实际的情况下，由于区间测速最终获得的是汽车通过区间的平均速度，无法获取汽车在区间内特定位置处的行驶速度，则存在汽车超速行驶检测精度不高的问题。
发明内容
针对上述提出的技术问题，本发明提供一种高速公路智慧可视化展示系统，通过构建训练数据集，并且使用该训练数据集训练用来对汽车经过高速公路路段起点和终点之间的特定位置的行驶速度进行预测的神经网络模型，最终本发明能够实现针对汽车在高速公路路段的起点和终点之间的超速行驶的位置以可视化的方式进行标注。
为了达到上述的发明目的，给出如下所述的一种高速公路智慧可视化展示系统，具体包括数据采集模块，训练数据生成模块，模型训练模块，模型预测模块，以及超速展示模块；
所述数据采集模块包括固定式测速设备，分别设置于高速公路上任意路段的起点和终点，来对汽车经过所述起点和所述终点的行驶速度进行检测，所述数据采集模块还包括移动式测速器，设置于所述起点和所述终点之间的特定位置，来检测汽车经过所述特定位置的行驶速度，所述训练数据生成模块用于接收所述数据采集模块在一段时间内采集到的数据，并且以此构建训练数据集，所述模型训练模块构建用来对汽车经过所述起点和所述终点之间的特定位置的行驶速度进行预测的神经网络模型，并且基于所述训练数据集，完成对于所述神经网络模型的训练，所述模型预测模块将汽车经过所述起点和所述终点的行驶速度作为输入数据，输出汽车经过所述起点和所述终点之间的特定位置的行驶速度，所述超速展示模块用于在高速公路的可视化GIS模型上，针对汽车在高速公路上任意路段的起点和终点之间的超速行驶的位置以可视化的方式进行标注；
其中，所述超速展示模块通过如下公式所表达的计算过程来获取汽车经过高速公路路段的起点和终点之间的特定位置的行驶速度Vx：
其中，oi为训练好的神经网络模型输出的汽车以第i个速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值，i∈[1,n]，n为速度等级的总个数，di为第i个速度等级的具体数值。
与现有技术相比，本发明的有益效果至少如下所述：
1、本发明的一种高速公路智慧可视化展示系统，包括数据采集模块，训练数据生成模块，模型训练模块，模型预测模块，以及超速展示模块，数据采集模块对汽车经过路段起点和终点的速度进行检测，还检测汽车经过起点和终点之间的特定位置的速度，训练数据生成模块接收数据采集模块在一段时间内采集到的数据并构建训练数据集，模型训练模块基于训练数据集来完成对于神经网络模型的训练，模型预测模块将汽车经过路段起点和终点的速度作为输入，输出汽车经过起点和终点之间的特定位置的速度，超速展示模块针对汽车在路段起点和终点之间的超速行驶的位置以可视化的方式进行标注；
2、本发明解决了区间测速由于最终获得的是汽车通过区间的平均速度，却无法获取汽车在区间内特定位置的行驶速度，而导致的汽车超速行驶检测精度不高的问题，通过本发明能够实现对汽车经过高速公路任意路段上的任意位置的行驶速度的准确预测，以此能够更精确的检测出汽车在高速公路上的超速行驶，进而确保高速公路出行的安全。
附图说明
图1为本发明的一种高速公路智慧可视化展示系统的组成结构图；
图2为本发明的初步构建训练数据集的步骤流程图；
图3为本发明的进一步构建训练数据集的步骤流程图；
图4为本发明的对神经网络模型进行训练的步骤流程。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
参考如图1所示，本发明提供一种高速公路智慧可视化展示系统，具体包括数据采集模块，训练数据生成模块，模型训练模块，模型预测模块，以及超速展示模块；
上述的数据采集模块包括固定式测速设备，分别设置于高速公路上任意路段的起点和终点，来对汽车经过上述的起点和上述的终点的行驶速度进行检测，上述的数据采集模块还包括移动式测速器，设置于上述的起点和上述的终点之间的特定位置，来检测汽车经过上述的特定位置的行驶速度，上述的训练数据生成模块用于接收上述的数据采集模块在一段时间内采集到的数据，并且以此构建训练数据集，上述的模型训练模块构建用来对汽车经过上述的起点和上述的终点之间的特定位置的行驶速度进行预测的神经网络模型，并且基于上述的训练数据集，完成对于上述的神经网络模型的训练，上述的模型预测模块将汽车经过上述的起点和上述的终点的行驶速度作为输入数据，输出汽车经过上述的起点和上述的终点之间的特定位置的行驶速度，上述的超速展示模块用于在高速公路的可视化GIS模型上，针对汽车在高速公路上任意路段的起点和终点之间的超速行驶的位置以可视化的方式进行标注。
进一步的，上述的数据采集模块采集数据的过程包括：在一段时间内每经过一个相同的时间间隔，获取经过高速公路路段的起点和终点的汽车的行驶速度，以及获取经过高速公路路段的起点和终点之间的特定位置的汽车的行驶速度；
具体的，上述的高速公路路段可以是高速公路上的任意路段，上述的特定位置也可以是高速公路路段的起点和终点之间的任意位置，本实施例不具体限定上述的高速公路路段和上述的特定位置，举例如选定高速公路上的某一个转弯路段，检测汽车经过转弯路段起点和终点的行驶速度，并且检测汽车在转弯路段上每相隔10米的特定位置的行驶速度，除此之外，上述的一段时间和上述的时间间隔也均根据具体的应用需求来设定，举例如数据采集模块一共要进行7天的数据采集，且每隔2分钟采集一次数据。
进一步的，参考如图2所示，上述的训练数据生成模块基于上述的数据采集模块在一段时间内采集到的数据构建训练数据集，包括如下的步骤：
步骤一、对于上述的一段时间内的第t分钟，训练数据生成模块从数据采集模块获取样例数据C＝(va(t),vb(t),va(t-Δt),vb(t-Δt),)，其中，va(t)和vb(t)分别为在第t分钟经过高速公路路段的起点和终点的汽车的行驶速度，va(t-Δt)和vb(t-Δt)分别为在第t-Δt分钟经过高速公路路段的起点和终点的汽车的行驶速度，Δt为数据采集模块获取汽车行驶速度数据的时间间隔；
步骤二、获取汽车在高速公路上的行驶速度范围，并按照相同的行驶速度间隔将上述的行驶速度范围划分为若干个小的行驶速度范围，每个上述的小的行驶速度范围作为一个速度等级，上述的速度等级使用上述的小的行驶速度范围内的中间值来表示；
步骤三、针对上述的样例数据C，分别将va(t)，vb(t)，va(t-Δt)，及vb(t-Δt)划分到四个上述的速度等级中，四个上述的速度等级共同构成上述的样例数据C的类别；
步骤四、统计在所述一段时间内，相同的样例数据C的类别的出现次数，并选取所述出现次数大于系统预先设定的次数阈值的样例数据C的类别中的样例数据来构建所述训练数据集。
进一步的，参考如图3所示，上述的训练数据生成模块构建上述的训练数据集，还包括如下的步骤：
步骤一、对于属于相同上述的类别的多个样例数据C，分别获取与样例数据C在对应相同的时间点下经过高速公路路段的起点和终点之间的特定位置的汽车的行驶速度vx(t)，其中，t代表上述的一段时间内的第t分钟；
步骤二、针对相同的样例数据C的类别下的多个上述的行驶速度vx(t)，以上述的行驶速度vx(t)所属的上述的速度等级为横轴，以上述的行驶速度vx(t)所属的上述的速度等级出现的频率值为纵轴来建立频率分布直方图；
步骤三、将上述的频率分布直方图上的与样例数据C相对应的行驶速度vx(t)的速度等级出现的频率值和上述的样例数据C一起用来构建完整的上述的训练数据集。
具体的，在构建训练数据集的整个过程中，首先从数据采集模块获取数据并组成用来构建训练数据集的样例数据C，为了提高神经网络模型的训练精度，每条样例数据C均由两组分别经过高速公路路段的起点和终点的汽车的行驶速度组成，接着根据样例数据C中的行驶速度的不同，将行驶速度划分到不同的速度等级，并且由样例数据C中的行驶速度的速度等级共同组成样例数据C所属的类别，为了便于理解，举例如汽车在高速公路上的行驶速度范围为0km/h到130km/h，行驶速度间隔为10km/h，若样例数据C＝(52km/h，35km/h，40km/h，57km/h)，则样例数据C所属的类别即为(55，35，45，55)，其次对于全部样例数据C所属的类别，选取部分类别中的样例数据C来初步构建神经网络模型，因为出现次数小于等于系统预先设定的次数阈值的样例数据C的类别中的样例数据不具有很好的代表意义，最后对于相同类别的多个样例数据C对应的汽车的行驶速度vx(t)，生成上述的频率分布直方图，其中，行驶速度vx(t)的速度等级出现的频率值等于其出现的次数除以相同的样例数据C的类别下的行驶速度vx(t)的速度等级的总个数，并且进一步构建了完整的训练数据集。
进一步的，参考如图4所示，上述的模型训练模块基于上述的训练数据集对上述的神经网络模型进行训练，包括如下的步骤：
步骤一、初始化神经网络模型上的连接权值，并将上述的训练数据集中的样例数据C提供给神经网络模型的输入层神经元；
步骤二、神经网络模型的隐藏层神经元将样例数据C进行逐层前传，直到神经网络模型的输出层神经元输出汽车以不同的上述的速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值；
步骤三、根据神经网络模型的输出值计算误差，而后将上述的误差逆向传播到神经网络模型的隐藏层神经元，又根据隐藏层神经元计算得到的误差来调整神经网络模型上的连接权值；
步骤四、循环执行以上的三个步骤，直到上述的误差小于系统预先设定的误差阈值时，结束对于神经网络模型的训练过程。
具体的，以上步骤过程描述了对神经网络模型进行训练的整体过程，由于训练神经网络模型的技术已经发展的比较成熟，在此不再做详细的赘述，训练好的神经网络模型已经学习到了汽车经过高速公路路段的起点和终点的行驶速度与汽车以不同速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值之间的内在联系。
进一步的，上述的模型预测模块将汽车经过高速公路路段的起点和终点的行驶速度输入到经上述的模型训练模块训练好的神经网络模型中，神经网络模型输出汽车以不同的上述的速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值。
进一步的，上述的超速展示模块在高速公路的可视化GIS模型上，针对汽车在高速公路路段的起点和终点之间的超速行驶的位置以可视化的方式进行标注，该过程包括获取汽车经过高速公路路段的起点和终点之间的特定位置的行驶速度，并将行驶速度划分到上述的速度等级中，当行驶速度超过系统预先设定的速度等级阈值时，系统通过使用可视化的方式对进行了超速行驶的汽车进行标注，具体的，举例如可以使用不同的颜色对不同的速度等级的汽车超速行驶的速度进行标注；
其中，上述的超速展示模块通过如下公式所表达的计算过程来获取汽车经过高速公路路段的起点和终点之间的特定位置的行驶速度Vx：
其中，oi为训练好的神经网络模型输出的汽车以第i个上述的速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值，i∈[1,n]，n为上述的速度等级的总个数，di为第i个上述的速度等级的具体数值。
综上所述，本发明公开了一种高速公路智慧可视化展示系统，包括数据采集模块，训练数据生成模块，模型训练模块，模型预测模块，以及超速展示模块，数据采集模块对汽车经过路段起点和终点的速度进行检测，还检测汽车经过起点和终点之间的特定位置的速度，训练数据生成模块接收数据采集模块在一段时间内采集到的数据并构建训练数据集，模型训练模块基于训练数据集来完成对于神经网络模型的训练，模型预测模块将汽车经过路段起点和终点的速度作为输入，输出汽车经过起点和终点之间的特定位置的速度，超速展示模块针对汽车在路段起点和终点之间的超速行驶的位置以可视化的方式进行标注，本发明提高了区间测速中汽车超速行驶的检测精度，从而能够更好的保证高速出行的安全。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一个非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上上述的仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种高速公路智慧可视化展示系统，其特征在于：
所述系统包括数据采集模块，训练数据生成模块，模型训练模块，模型预测模块，以及超速展示模块，所述数据采集模块包括固定式测速设备，分别设置于高速公路上任意路段的起点和终点，来对汽车经过所述起点和所述终点的行驶速度进行检测，所述数据采集模块还包括移动式测速器，设置于所述起点和所述终点之间的特定位置，来检测汽车经过所述特定位置的行驶速度，所述训练数据生成模块用于接收所述数据采集模块在一段时间内采集到的数据，并且以此构建训练数据集，所述模型训练模块构建用来对汽车经过所述起点和所述终点之间的特定位置的行驶速度进行预测的神经网络模型，并且基于所述训练数据集，完成对于所述神经网络模型的训练，所述模型预测模块将汽车经过高速公路路段的起点和终点的行驶速度输入到经所述模型训练模块训练好的神经网络模型中，神经网络模型输出汽车以不同的速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值，所述超速展示模块用于在高速公路的可视化GIS模型上，针对汽车在高速公路上任意路段的起点和终点之间的超速行驶的位置以可视化的方式进行标注；
其中，所述超速展示模块通过如下公式所表达的计算过程来获取汽车经过高速公路路段的起点和终点之间的特定位置的行驶速度Vx：
其中，oi为训练好的神经网络模型输出的汽车以第i个速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值，i∈[1,n]，n为速度等级的总个数，di为第i个速度等级的具体数值；
所述训练数据生成模块基于所述数据采集模块在一段时间内采集到的数据构建训练数据集，包括如下的步骤：
步骤一、对于所述一段时间内的第t分钟，训练数据生成模块从数据采集模块获取样例数据C＝(va(t),vb(t),va(t-Δt),vb(t-Δt),)，其中，va(t)和vb(t)分别为在第t分钟经过高速公路路段的起点和终点的汽车的行驶速度，va(t-Δt)和vb(t-Δt)分别为在第t-Δt分钟经过高速公路路段的起点和终点的汽车的行驶速度，Δt为数据采集模块获取汽车行驶速度数据的时间间隔；
步骤二、获取汽车在高速公路上的行驶速度范围，并按照相同的行驶速度间隔将所述行驶速度范围划分为若干个小的行驶速度范围，每个所述小的行驶速度范围作为一个速度等级，所述速度等级使用所述小的行驶速度范围内的中间值来表示；
步骤三、针对所述样例数据C，分别将va(t)，vb(t)，va(t-Δt)，及vb(t-Δt)划分到四个所述速度等级中，四个所述速度等级共同构成所述样例数据C的类别；
步骤四、统计在所述一段时间内，相同的样例数据C的类别的出现次数，并选取所述出现次数大于系统预先设定的次数阈值的样例数据C的类别中的样例数据来构建所述训练数据集；
所述训练数据生成模块构建所述训练数据集，还包括如下的步骤：
步骤一、对于属于相同所述类别的多个样例数据C，分别获取与样例数据C在对应相同的时间点下经过高速公路路段的起点和终点之间的特定位置的汽车的行驶速度vx(t)，其中，t代表所述一段时间内的第t分钟；
步骤二、针对相同的样例数据C的类别下的多个所述行驶速度vx(t)，以所述行驶速度vx(t)所属的所述速度等级为横轴，以所述行驶速度vx(t)所属的所述速度等级出现的频率值为纵轴来建立频率分布直方图；
步骤三、将所述频率分布直方图上的与样例数据C相对应的行驶速度vx(t)的速度等级出现的频率值和所述样例数据C一起用来构建完整的所述训练数据集。
2.根据权利要求1所述的一种高速公路智慧可视化展示系统，其特征在于，所述数据采集模块采集数据的过程包括：在一段时间内每经过一个相同的时间间隔，获取经过高速公路路段的起点和终点的汽车的行驶速度，以及获取经过高速公路路段的起点和终点之间的特定位置的汽车的行驶速度。
3.根据权利要求1所述的一种高速公路智慧可视化展示系统，其特征在于，所述模型训练模块基于所述训练数据集对所述神经网络模型进行训练，包括如下的步骤：
步骤一、初始化神经网络模型上的连接权值，并将所述训练数据集中的样例数据C提供给神经网络模型的输入层神经元；
步骤二、神经网络模型的隐藏层神经元将样例数据C进行逐层前传，直到神经网络模型的输出层神经元输出汽车以不同的所述速度等级的行驶速度经过高速公路路段的起点和终点之间的特定位置的概率值；
步骤三、根据神经网络模型的输出值计算误差，而后将所述误差逆向传播到神经网络模型的隐藏层神经元，又根据隐藏层神经元计算得到的误差来调整神经网络模型上的连接权值；
步骤四、循环执行以上的三个步骤，直到所述误差小于系统预先设定的误差阈值时，结束对于神经网络模型的训练过程。
4.根据权利要求1所述的一种高速公路智慧可视化展示系统，其特征在于，所述超速展示模块在高速公路的可视化GIS模型上，针对汽车在高速公路路段的起点和终点之间的超速行驶的位置以可视化的方式进行标注，该过程包括获取汽车经过高速公路路段的起点和终点之间的特定位置的行驶速度，并将行驶速度划分到所述速度等级中，当行驶速度超过系统预先设定的速度等级阈值时，系统通过使用可视化的方式对进行了超速行驶的汽车进行标注。
CN202210123214.2A 2022-02-09 2022-02-09 一种高速公路智慧可视化展示系统 Active CN114495519B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210123214.2A CN114495519B (zh) 2022-02-09 2022-02-09 一种高速公路智慧可视化展示系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210123214.2A CN114495519B (zh) 2022-02-09 2022-02-09 一种高速公路智慧可视化展示系统

Publications (2)

Publication Number Publication Date
CN114495519A CN114495519A (zh) 2022-05-13
CN114495519B true CN114495519B (zh) 2023-10-13

Family

ID=81478398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210123214.2A Active CN114495519B (zh) 2022-02-09 2022-02-09 一种高速公路智慧可视化展示系统

Country Status (1)

Country Link
CN (1) CN114495519B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116612446B (zh) * 2023-07-20 2023-09-22 山东方正公路工程监理咨询有限公司 基于计算机视觉的高速公路路面状况检测系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008282263A (ja) * 2007-05-11 2008-11-20 Denso Corp 車両情報予測装置及びプログラム
CN102610114A (zh) * 2012-03-09 2012-07-25 西安费斯达自动化工程有限公司 一种基于离散模型的公路信息显示牌的设置方法
CN102741656A (zh) * 2010-02-24 2012-10-17 歌乐株式会社 带隧道内位置估计功能的导航装置
CN208280044U (zh) * 2017-12-14 2018-12-25 郑州汉威光电股份有限公司 一种专用于高速公路的光带式交通诱导屏
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN109816994A (zh) * 2019-01-14 2019-05-28 国家电网有限公司 基于全区间测速的公路车辆全自动超速监测系统
CN111063204A (zh) * 2019-12-19 2020-04-24 浙江省交通规划设计研究院有限公司 一种基于收费站流量的高速公路车速预测模型训练方法
KR20200084750A (ko) * 2018-12-27 2020-07-13 한국전자통신연구원 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치
CN111882102A (zh) * 2020-06-05 2020-11-03 百度在线网络技术（北京）有限公司 轨迹中的中断区间信息的补偿方法、设备及存储介质
CN112265546A (zh) * 2020-10-26 2021-01-26 吉林大学 基于时空序列信息的网联汽车车速预测方法
CN113095558A (zh) * 2021-04-01 2021-07-09 天津大学 一种智能网联汽车的迭代优化多尺度融合车速预测算法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10814881B2 (en) * 2018-10-16 2020-10-27 Toyota Motor Engineering & Manufacturing North America, Inc. Vehicle velocity predictor using neural networks based on V2X data augmentation to enable predictive optimal control of connected and automated vehicles

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008282263A (ja) * 2007-05-11 2008-11-20 Denso Corp 車両情報予測装置及びプログラム
CN102741656A (zh) * 2010-02-24 2012-10-17 歌乐株式会社 带隧道内位置估计功能的导航装置
CN102610114A (zh) * 2012-03-09 2012-07-25 西安费斯达自动化工程有限公司 一种基于离散模型的公路信息显示牌的设置方法
CN208280044U (zh) * 2017-12-14 2018-12-25 郑州汉威光电股份有限公司 一种专用于高速公路的光带式交通诱导屏
KR20200084750A (ko) * 2018-12-27 2020-07-13 한국전자통신연구원 심층 신경망을 이용한 도로망 통행속도 예측 방법 및 장치
CN109740811A (zh) * 2018-12-28 2019-05-10 斑马网络技术有限公司 通行速度预测方法、装置和存储介质
CN109816994A (zh) * 2019-01-14 2019-05-28 国家电网有限公司 基于全区间测速的公路车辆全自动超速监测系统
CN111063204A (zh) * 2019-12-19 2020-04-24 浙江省交通规划设计研究院有限公司 一种基于收费站流量的高速公路车速预测模型训练方法
CN111882102A (zh) * 2020-06-05 2020-11-03 百度在线网络技术（北京）有限公司 轨迹中的中断区间信息的补偿方法、设备及存储介质
CN112265546A (zh) * 2020-10-26 2021-01-26 吉林大学 基于时空序列信息的网联汽车车速预测方法
CN113095558A (zh) * 2021-04-01 2021-07-09 天津大学 一种智能网联汽车的迭代优化多尺度融合车速预测算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁志兵.山区公路弯坡组合路段运行速度预测及其应用研究.中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑).2021,B026-51. *

Also Published As

Publication number Publication date
CN114495519A (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
Wang et al. Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data
Chen et al. Analysis of factors affecting the severity of automated vehicle crashes using XGBoost model combining POI data
CN111539454B (zh) 一种基于元学习的车辆轨迹聚类方法及系统
CN111008505B (zh) 城市坡道行驶工况构建方法及应用
CN106846806A (zh) 基于Isolation Forest的城市道路交通异常检测方法
CN104318757B (zh) 一种公交专用道上的公交车车路段运行时间预测方法
CN105469602A (zh) 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN104900057A (zh) 一种城市快速路主辅道的浮动车地图匹配方法
CN110427993A (zh) 基于气象参数的高速列车导航盲区定位方法
CN114495519B (zh) 一种高速公路智慧可视化展示系统
Wang et al. Vehicle reidentification with self-adaptive time windows for real-time travel time estimation
Ge et al. Construction and simulation of rear-end conflicts recognition model based on improved TTC algorithm
Yuan et al. A roadway safety sustainable approach: modeling for real-time traffic crash with limited data and its reliability verification
Malaghan et al. Modeling acceleration and deceleration rates for two-lane rural highways using global positioning system data
Gkountouna et al. Traffic flow estimation using probe vehicle data
CN114926984A (zh) 一种实时交通冲突收集与道路安全评价方法
CN113362600B (zh) 一种交通状态估计方法及系统
CN116092037B (zh) 融合轨迹空间-语义特征的车辆类型识别方法
CN116434523A (zh) 信息感知场景下基于约束度的车辆主动安全管控方法及装置
Topić et al. Analysis of City Bus Driving Cycle Features for the Purpose of Multidimensional Driving Cycle Synthesis
CN107886192A (zh) 基于固定式与移动式车辆检测数据的数据与信息融合方法
CN116416780A (zh) 一种路侧感知系统的测试方法、装置、测试设备和介质
Nieto et al. Using Hidden Markov Models for Profiling Driver Behavior Patterns.
CN117273964B (zh) 一种自适应行驶数据的智能车险策略生成系统及方法
Rosas et al. Neural network delay estimation with inclusion of heavy goods vehicular data

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