CN114664060A - 一种交通事件的预警方法、装置、设备及存储介质 - Google Patents
一种交通事件的预警方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114664060A CN114664060A CN202210164746.0A CN202210164746A CN114664060A CN 114664060 A CN114664060 A CN 114664060A CN 202210164746 A CN202210164746 A CN 202210164746A CN 114664060 A CN114664060 A CN 114664060A
- Authority
- CN
- China
- Prior art keywords
- early warning
- characteristic
- event
- traffic
- characteristic parameters
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012544 monitoring process Methods 0.000 claims abstract description 75
- 230000003068 static effect Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 10
- 238000004220 aggregation Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000001133 acceleration Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010036086 Polymenorrhoea Diseases 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通事件的预警方法、装置、设备及存储介质,方法包括:根据预设的多维画像库确定目标交通事件的特征参数;获取实时监测的目标交通事件的各个特征参数的监测数据;获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界;当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示。根据该交通事件预警方法,通过采用预设多维画像库,将多维画像库与目标交通事件匹配,确定目标交通事件对应的特征参数,快速获取并判定监测数据是否超过预警模型计算的预警阈值边界,进行相应的预警提示,为道路分级管控提供科学依据,提高道路交通安全管控水平。
Description
技术领域
本发明涉及智能交通技术领域,特别涉及一种交通事件的预警方法、装置、设备及存储介质。
背景技术
交通事件高发态势严重威胁道路交通的安全,制约高速公路的快速发展。预防和减少交通事件,提高道路交通安全,是交通管理部门面临的重大问题。交通事件预警是在危险灾害发生前根据历史规律或观测到的前兆信息对危险和灾害作出预警提示,交通管理部门根据预警提示提前做好准备,制定应对措施,减少交通事件发生及产生的后果。
现有技术中,一般通过神经网络模型、机器学习模型等方法预测道路是否拥堵,或者仅基于地图数据预测危险路段,没有针对不同场景和监测对象的交通事件预警方法,无法为道路交通安全的整体管控提供科学依据。
发明内容
本申请实施例提供了一种交通事件的预警方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解,下面给出了简单的概括。该概括部分不是泛泛评述,也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念,以此作为后面的详细说明的序言。
第一方面,本申请实施例提供了一种交通事件的预警方法,包括:
根据预设的多维画像库确定目标交通事件的特征参数;
获取实时监测的目标交通事件的各个特征参数的监测数据;
获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界;
当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示。
在一个实施例中,根据预设的多维画像库确定目标交通事件的特征参数包括:
从多维画像库中查找与目标交通事件匹配的至少一类画像库;
将每类画像库对应的特征参数确定目标交通事件的特征参数。
在一个实施例中,包括:目标交通事件的预警模型的训练过程如下:
获取与目标交通事件类型对应的多个历史交通事件样本,其中,每个历史交通事件样本包括事件等级标签和影响该历史交通事件的特征参数;
根据事件等级将不同等级的交通事件的特征参数进行分类计算,得到不同等级的交通事件的特征参数的预警阈值,预警阈值为多特征参数组成的阈值边界。
在一个实施例中,预设的多维画像库的构建包括:
获取多源异构数据,多源异构数据包括事件数据、位置数据、路况数据、收费数据、气象数据、货运数据、地图数据以及视频数据;
提取多源异构数据中的特征参数,特征参数包括空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征、OD特征、静态属性特征、出行特征、路线特征、安全特征、拥堵特征以及效率特征;
根据空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征得到事件画像;
根据空间特征、流量特征、车型特征、速度特征、OD特征、气象特征、事件统计特征得到路段画像;
根据静态属性特征、出行特征、路线特征、OD特征、安全特征得到车辆画像;
根据空间特征、流量特征、拥堵特征、车型特征、效率特征得到收费站画像;
根据静态属性特征、效率特征得到人员画像。
在一个实施例中,还包括:
将得到的每个对象的画像对应的特征参数进行归一化,得到归一化后的参数值;
将归一化后的参数值在该对象的画像对应的雷达图中展示,并通过雷达图中心点的颜色表示该对象的融合特征。
在一个实施例中,当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示,包括:
当实时监测中的特征参数的监测数据超过最低预警等级的阈值边界中的任意一个预警阈值时;
根据监测数据所在预警阈值区域对应的等级发出对应等级的预警提示。
在一个实施例中,目标交通事件类型包括事故多发路段监测、车流量大多发路段监测、施工路段安全等级监测、收费站通行效率监测、重要车辆监测中的至少一种。
第二方面,本申请实施例提供了一种交通事件的预警装置,包括:
确定模块,用于根据预设的多维画像库确定目标交通事件的特征参数;
获取模块,用于获取实时监测的目标交通事件的各个特征参数的监测数据;
计算模块,用于获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界;
预警模块,用于当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示。
第三方面,本申请实施例提供了一种交通事件的预警设备,包括处理器和存储有程序指令的存储器,处理器被配置为在执行程序指令时,执行上述实施例提供的交通事件的预警方法。
第四方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机可读指令,计算机可读指令被处理器执行以实现上述实施例提供的一种交通事件的预警方法。
本申请实施例提供的技术方案可以包括以下有益效果:
根据本申请实施例提供的一种交通事件的预警方法,根据预设的多维画像库确定目标交通事件的特征参数,获取实时监测的目标交通事件的各个特征参数的监测数据,获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界,当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示,通过采用预设多维画像库,将多维画像库与目标交通事件匹配,从多维画像库中快速获取目标交通事件的特征参数,根据特征参数的实时监测数据判定监测数据是否超过预警模型计算的预警阈值边界,进行相应的预警提示。为道路分级管控提供科学依据,提高道路交通安全。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
图1是根据一示例性实施例示出的一种交通事件的预警方法的流程示意图;
图2是根据一示例性实施例示出的一种交通事件的预警方法的示意图;
图3是根据一示例性实施例示出的一种交通事件的预警方法的示意图;
图4是根据一示例性实施例示出的一种预警阈值的确定方法的示意图;
图5是根据一示例性实施例示出的一种预警阈值边界确定方法的示意图;
图6是根据一示例性实施例示出的一种画像雷达图的示意图;
图7是根据一示例性实施例示出的一种交通事件的预警装置的结构示意图;
图8是根据一示例性实施例示出的一种交通事件的预警设备的结构示意图;
图9是根据一示例性实施例示出的一种计算机存储介质的示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。
应当明确,所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。
本申请实施例提供的一种交通事件的预警方法,首先,基于预设的多维画像库确定目标交通事件的特征参数,并实时获取目标交通事件各个特征参数的监测数据,获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界,当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示。
下面将结合附图对本申请实施例提供的交通事件的预警方法进行详细介绍。参见图1,该方法具体包括以下步骤。
S101根据预设的多维画像库确定目标交通事件的特征参数。
在一个实施例中,根据预设的多维画像库确定目标交通事件的特征参数包括:从多维画像库中查找与目标交通事件匹配的至少一类画像库;将每类画像库对应的特征参数确定目标交通事件的特征参数。
可以理解地,在本申请的一个实施例中,多维画像库与目标交通事件按照第一预设规则匹配,按照第一预设规则,从多维画像库中查找与目标交通事件匹配的画像库,匹配出的画像库可以是一类,也可以是2类或多类,将匹配出的画像库的特征参数确定为目标交通事件的特征参数。
具体地,首先根据多源异构数据构建多维画像库。
获取多源异构数据,例如,获取事件数据、位置数据、路况数据、收费数据、视频数据、重载货运数据、气象数据、地图数据等。
进一步地,基于获取的多源异构数据提取不同对象的特征参数。包括提取多源异构数据中的空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征、OD特征、静态属性特征、出行特征、路线特征、安全特征、拥堵特征以及效率特征等。其中,静态属性特征包括用户姓名、用户ID、性别、部门ID、工号、用户名等,效率特征包括完成率、准时率、投诉次数、任务平均完成时长等。
进一步地,根据提取的特征参数形成多维画像库,在一种可能的实现方式中,根据空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征得到事件画像;根据空间特征、流量特征、车型特征、速度特征、OD特征、气象特征、事件统计特征得到路段画像;根据静态属性特征、出行特征、路线特征、OD特征、安全特征得到车辆画像;根据空间特征、流量特征、拥堵特征、车型特征、效率特征得到收费站画像;根据静态属性特征、效率特征得到人员画像。
根据该步骤,能够提供系统全面的多维画像库建立方法。根据目标交通事件,从多维画像库中选择与目标交通事件相匹配的多维画像,得到每个类型的交通事件的特征参数。常见的交通事件预警场景包括事故多发路段监测预警、车流量大多发路段监测预警、施工路段安全等级监测预警、收费站通行效率监测预警、重要车辆监测预警等。
例如,基于路段的历史事故数据,关联分析事故时段的流量、速度、气象、路段地理空间特征等多维数据,建立事故多发路段安全风险预警模型,实现事故多发路段的安全等级评估与预警。
例如,基于路段的历史车流量大事件数据,关联分析车流量大时段的流量、速度、气象、地理空间特征等多维度数据,建立车流量大多发路段的安全风险预警模型。实现车流量大多发路段的安全等级评估,对车流量大多发路段进行安全等级监测和预警。在监测系统界面端为指调人员提供可视化预警提示,为后续处置决策的选择和实施提供科学依据。
例如,以收费站的分车道车辆通过时间间隔为核心特征,关联分析收费站流量、拥堵、空间特征等数据,建立收费站车道级通行效率多维评价体系,实现收费站通行效率的监测预警。
例如,基于门架收费记录,以号牌为检索条件,对重点保障车辆和车队进行跟踪监测,支持车辆位置及通行情况的实时查询。
根据第一预设规则从多维画像库中各个目标交通事件对应的画像,将画像对应的特征参数确定为每个目标交通事件对应的特征参数,可得各个交通事件对应的特征参数。
在一个具体的实施方式中,根据交通事件类型从多维画像库中查找确定与其对应的至少一类画像,将查找确定的所有类别的画像对应的特征参数确定为目标交通事件对应的特征参数。
在一个具体的实施方式中,每一类画像对应存储至一个画像子库中,确定目标交通事件对应的特征参数时,确定至少一类画像子库,将所有类别的画像对应的特征参数确定为目标交通事件对应的特征参数。可以理解地,训练时,从画像库中查找出与目标类型事件对应的画像子库中的多个样本,作为训练样本。
具体地,将路段画像、事件画像中的特征参数作为事故多发路段监测事件的特征参数;将路段画像、事件画像中的特征参数作为车流量大多发路段监测事件的特征参数;将路段画像、事件画像中的特征参数作为施工路段安全等级监测事件的特征参数;将收费站画像、人员画像中的特征参数作为收费站通行效率监测事件的特征参数;将车辆画像中的特征参数作为重要车辆监测事件的特征参数。
根据该步骤,可得各个交通事件对应的特征参数。
在一个实施例中,还包括:将得到的每个对象的画像对应的特征参数进行归一化,得到归一化后的参数值;将归一化后的参数值在该对象的画像对应的雷达图中展示,并通过雷达图中心点的颜色表示该对象的融合特征。其中,对象是指事件、路段、车辆、收费站、人员等。
为了直观地展示分析对象不同特征参数的取值情况和影响程度,采用雷达图展示分析对象的特征值,由于每个维度的数值类型和取值范围差异很大,未经过处理的特征值不能直接在一个雷达图中表示。例如,空间特征可以是“桥梁数量”或“下坡路段”,流量取值可以是“2000veh/h”,气象特征可以是“暴雨”,事件统计特征可以是“事故多发路段”。为了能够在雷达图中同时展示每个维度的贡献程度,将特征参数归一化为0到1之间的数值。此外,通过雷达图中心点的颜色表示该对象的融合特征。
下面以事件画像为例,解释雷达图各维度的特征值R的取值方法。如图6所示,事件画像雷达图的维度包括空间特征、流量特征、速度特征、车型特征、气象特征、事件统计特征、事件聚合特征(中心点)。
(1)空间特征
事件所在路段的空间特征通过“桥/隧/互通立交/收费站/服务区数量”和“坡度(上坡/平坡/下坡)”来表示,雷达图的空间特征取值R=(桥梁数量R1+隧道数量R2+互通立交数量R3+收费站数量R4+服务区数量R5)*0.3+坡度分值R6。其中,坡度分值R6确定规则:如果坡度=“下坡”,则R6=0.3;否则R6=0。
当(桥梁数量R1+隧道数量R2+互通立交数量R3+收费站数量R4+服务区数量R5)*0.3+坡度分值R6>1时,R=1。
(2)流量特征
由于不同道路等级的道路通行能力存在差异,导致流量值对应的道路服务水平存在较大差异。为了消除道路等级对流量特征产生的影响,用饱和度来表示流量特征值(饱和度等于流量除以通行能力)。当饱和度≤1,雷达图的流量特征取值R=饱和度;当饱和度>1时,R=1。
根据饱和度描述流量特征,例如,当饱和度≤0.35时,描述“交通流处于自由流状态”;当0.35<饱和度≤0.55时,描述“交通流基本处于自由流状态”;当0.55<饱和度≤0.75时,描述“交通流处于稳定流的上半段”;当0.75<饱和度≤0.9时,描述“交通流处于稳定流的下半段”;当0.9<饱和度≤1时,描述“交通流处于拥挤流状态”;当饱和度>1时,描述“交通流处于拥堵状态”。
(3)车型特征
由于货车流量和货车占比对事件多发路段影响较大,用货车占比表示车型特征。以辽宁省为例,分析发现,辽宁省货车占比为80%时处于较高的水平,为了使雷达图的车型特征值在货车占比超过80%时取值为1,将货车占比乘以1.25。因此,雷达图的车型特征值R=货车占比*1.25;当货车占比*1.25大于1时,R=1。
根据货车占比描述路段的车型特征:当货车占比≤0.4时,描述“此路段客车较多”;当0.4<货车占比≤0.6时,描述“此路段客货流量均衡”;当货车占比>0.6时,描述“此路段货车较多”。
(4)速度特征
由于速度波动对交通事件有重要影响,用路段速度波动指数表示速度的波动特征。速度波动指数(Speed fluctuation index,SFI)定义为路段上所有车辆加速度绝对值之和的归一化结果(0~1之间)。用SFIi表示路段i的速度波动指数,计算公式如下所示:
式中,ai,k,j表示路段i在第k个时间周期第j辆车的加速度,m表示路段i的车辆数,n表示路段条数,K表示时间周期数。
根据上述公式,得到速度波动指数的计算公式如下所示:
雷达图的速度特征取值R=路段速度波动指数。当R≤0.2时,描述“速度平稳”;当0.2<R≤0.4时,描述“速度波动较小”;当0.4<R≤0.6时,描述“速度波动较大”;当0.6<R≤0.8时,描述“速度波动很大”;当R>0.8时,描述“速度波动剧烈”。
(5)气象特征
用气象等级表示气象特征,当气象等级是1级时,雷达图的气象特征取值R=0(气象条件正常);当气象等级是2级时,R=0.2(气象条件一般);当气象等级是3级时,R=0.4(气象条件较差);当气象等级是4级时,R=0.7(气象条件恶劣);当气象等级是5时,R=1(气象条件极端恶劣)。
根据不同的气象等级,气象特征描述为“此路段气象条件正常/一般/较差/恶劣/极端恶劣”。
(6)事件统计特征
事件统计特征是基于历史数据统计得到的事件多发类型(如事故多发路段、拥堵常发路段、车流量大多发路段)、事件多发时段、事件发生频次。雷达图的事件统计特征取值基于事件发生频次。例如,当事件类型为事故:事件发生频次≤θ时,R=事件发生频次/θ;事件发生频次>θ时,R=1。当事件类型为拥堵或车流量大时:R=事件发生频次/总天数。θ表示事故发生频次阈值,例如,对于辽宁省高速公路,根据2020年交通事件的发生频次统计分析结果,θ值可以取60。
基于R值,事件统计特征可以按照如下方式描述:当R=0时,描述“此路段为正常路段”;当0<R≤0.25时,描述“此路段为事故/拥堵/车流量大低发路段”;当0.25<R≤0.5时,描述“此路段为事故/拥堵/车流量大易发路段”;当0.5<R≤0.75时,描述“此路段为事故/拥堵/车流量大频发路段”;当0.75<R≤1时,描述“此路段为事故/拥堵/车流量大高发路段”。
(7)事件聚合特征(中心点)
事件聚合特征描述事件的详细信息,包括事件ID、事件类型、事件描述、事件等级、事件发生时间段、封闭车道数、持续时间、影响距离、事故车辆数、受伤人数、路损金额、损失描述、事故车牌ID、事故车型等。
用事件等级表示事件的综合严重程度,即雷达图的中心点颜色根据事件等级设定。如图6所示,当事件等级为轻微事故时,R=0.1(中线点绿色);当事件等级为一般事故时,R=0.4(中心点黄色);当事件等级为重大事故时,R=0.8(中心点橙色);当事件等级为特大事故时,R=1(中心点红色)。
S102获取实时监测的目标交通事件的各个特征参数的监测数据。根据S101确定的目标交通事件的特征参数类型,确定特征参数的数据接口,获取实时监测的目标交通事件的各个特征参数的监测数据。例如,目标交通事件为事故多发路段,则获取事故多发路段交通事件对应的特征参数的监测数据。
S103获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界。
在交通事件预警阈值设置方面,预警时间不恰当会降低驾驶员和公路管理人员对预警系统的信任,影响预警效果,因此需要设置合理的预警阈值。
具体地,获取与目标交通事件类型对应的多个历史交通事件样本,其中,每个历史交通事件样本包括事件等级标签和影响该历史交通事件的特征参数;采用分类算法对历史交通事件样本进行分类计算,得到目标类型交通事件的不同预警等级的特征参数的边界阈值。
在一种可能的实现方式中,可以获取每个类型的交通事件的历史数据;根据历史数据,将交通事件分为不同类型以及不同等级的交通事件;将不同类型以及不同等级的交通事件的特征参数进行聚类,得到不同类型以及不同等级的交通事件的特征参数的预警阈值,预警阈值为多特征参数组成的阈值边界。
图4是根据一示例性实施例示出的一种预警阈值的确定方法的示意图,如图4所示,首先,获取每个类型的交通事件的历史数据,例如,获取近三个月来各个类型的交通事件数据。然后,根据各个交通事件对应的多维画像,得到不同类型以及不同等级的交通事件的特征参数。
最后,利用分类算法,提取特征参数阈值,确定交通事件预警的阈值边界。特征参数阈值边界确定方法如图5所示,将交通事件按照类型和等级分类,将每种类型和等级的交通事件的特征参数进行聚类,提取每种类型和等级的交通事件对应的特征参数的阈值边界,阈值边界由多个特征参数的预警阈值组成。
其中,每种类型和等级的事件均需要进行训练,每种类型和等级的事件都有一个预警阈值,将交通事件按照类型和等级分类,将每种类型和等级的交通事件的特征参数进行聚类,提取每种类型和等级的交通事件对应的特征参数的阈值边界。
S104当实时监测的任意一个所述特征参数的监测数据超出最低预警等级的所述预警阈值边界时,发出对应预警等级的预警提示。
在一种实施方式中,当实时监测中的特征参数的监测数据超过最低预警等级的阈值边界中的任意一个预警阈值时;根据监测数据所在预警阈值区域对应的等级发出对应等级的预警提示。
以车流量大多发路段监测预警为例,预警等级从低到高可划分为1级,2级,3级,1级对应车流量较大,2级对应车流量大,3级对应车流量极大,通过预警等级划分为事故事件级别,当实时监测中的关于车流量大多发路段这一目标交通事件特征参数的任一类监测数据超过1级预警范围时,即进行预警,根据监测数据所在预警区域,发出对应等级的预警提示。
通过提供事故多发路段监测预警、车流量大多发路段监测预警、施工路段安全等级监测预警、收费站通行效率监测预警、重要车辆监测预警,在监测系统界面端为指调人员提供可视化预警提示,为后续处置决策的选择和实施提供科学依据。
本申请实施例提供的一种交通事件的预警方法,根据预设的多维画像库确定目标交通事件的特征参数,获取实时监测的目标交通事件的各个特征参数的监测数据,获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界,当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示,通过采用预设多维画像库,将多维画像库与目标交通事件匹配,从多维画像库中快速获取目标交通事件的特征参数,根据特征参数的实时监测数据判定监测数据是否超过预警模型计算的预警阈值边界,进行相应的预警提示通过采用预设多维画像库,将多维画像库与目标交通事件匹配,从多维画像库中快速获取目标交通事件的特征参数,根据特征参数的实时监测数据判定监测数据是否超过预警模型计算的预警阈值边界,进行相应的预警提示。
为了便于理解本申请实施例提供的交通事件的预警方法,下面结合附图2进行说明。如图2所示,该方法包括如下步骤。
首先,获取多源异构数据,多源异构数据包括事件数据、互联网位置数据、路况数据、收费数据、视频数据、重载货运数据、气象数据、地图数据等。
进一步地,提取多源异构数据中的特征参数,根据提取的特征参数构建多维画像,包括路段画像、车辆画像、事件画像、收费广场画像、车道画像、组织画像、人员画像等。
进一步地,根据不同类型不同等级的交通事件对应的特征参数,计算预警阈值,将每种类型和等级的交通事件的特征参数进行聚类,提取每种类型和等级的交通事件对应的特征参数的阈值边界。根据确定的不同类型事件的预警阈值进行事故多发路段监测预警、车流量大多发路段监测预警、施工路段安全等级监测预警、收费站通行效率监测预警、重要车辆监测预警。
为了便于理解本申请实施例提供的交通事件的预警方法,下面结合附图3进行说明。如图3所示,该方法包括如下步骤。
首先,获取多源异构数据,多源异构数据包括事件数据、互联网位置数据、路况数据、收费数据、视频数据、重载货运数据、气象数据、地图数据等。
进一步地,提取多源异构数据中的特征参数,根据提取的特征参数构建多维画像库,包括道路画像、车辆画像、事件画像等。其中,道路画像包括空间特征、流量特征、车型特征、速度特征、OD特征、气象特征、事件统计特征,车辆画像包括静态属性特征、出行特征、路线特征、OD特征、安全特征等,事件画像包括空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征等。
进一步地,根据目标交通事件类型从多维画像库中查找确定与其对应的至少一类画像,将查找确定的所有类别的画像对应的特征参数确定为目标交通事件对应的特征参数。
进一步地,获取实时监测的目标交通事件的各个特征参数的监测数据。
进一步地,获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界。在训练预警模型时,从画像库中查找出与目标类型事件对应的画像子库中的多个样本,作为训练样本。根据训练样本进行训练,将不同类型以及不同等级的交通事件的特征参数进行聚类,得到不同类型以及不同等级的交通事件的特征参数的预警阈值,预警阈值为多特征参数组成的阈值边界。
最后,当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示。
根据本申请实施例提供的一种交通事件的预警方法,能够针对事故多发路段、车流量大多发路段、施工路段、收费站、重要车辆等不同场景和监测对象的预警需求,建立交通事件预警系统;能够提取刻画道路、车辆、事件等不同对象的特征参数,建立多维画像库;能够提取反映指定交通事件类型的特征参数,并确定交通事件预警阈值。为道路分级管控提供科学依据,提高道路交通安全。
本申请实施例还提供一种交通事件的预警装置,该装置用于执行上述实施例的交通事件的预警方法,如图7所示,该装置包括:
确定模块701,用于根据预设的多维画像库确定目标交通事件的特征参数;
获取模块702,用于获取实时监测的目标交通事件的各个特征参数的监测数据;
计算模块703,用于获取目标交通事件的预警模型,根据预警模型计算不同预警等级的预警阈值边界;
预警模块704,用于当实时监测的任意一个特征参数的监测数据超出最低预警等级的预警阈值边界时,发出对应预警等级的预警提示。
需要说明的是,上述实施例提供的交通事件的预警装置在执行交通事件的预警方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的交通事件的预警装置与交通事件的预警方法实施例属于同一构思,其体现实现过程详见方法实施例,这里不再赘述。
本申请实施例还提供一种与前述实施例所提供的交通事件的预警方法对应的电子设备,以执行上述交通事件的预警方法。
请参考图8,其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图8所示,电子设备包括:处理器800,存储器801,总线802和通信接口803,处理器800、通信接口803和存储器801通过总线802连接;存储器801中存储有可在处理器800上运行的计算机程序,处理器800运行计算机程序时执行本申请前述任一实施例所提供的交通事件的预警方法。
其中,存储器801可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口803(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线802可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中,存储器801用于存储程序,处理器800在接收到执行指令后,执行程序,前述本申请实施例任一实施方式揭示的交通事件的预警方法可以应用于处理器800中,或者由处理器800实现。
处理器800可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器800中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器800可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801,处理器800读取存储器801中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的交通事件的预警方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施例还提供一种与前述实施例所提供的交通事件的预警方法对应的计算机可读存储介质,请参考图9,其示出的计算机可读存储介质为光盘900,其上存储有计算机程序(即程序产品),计算机程序在被处理器运行时,会执行前述任意实施例所提供的交通事件的预警方法。
需要说明的是,计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的交通事件的预警方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
以上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。
Claims (10)
1.一种交通事件的预警方法,其特征在于,包括:
根据预设的多维画像库确定目标交通事件的特征参数;
获取实时监测的目标交通事件的各个特征参数的监测数据;
获取所述目标交通事件的预警模型,根据所述预警模型计算不同预警等级的预警阈值边界;
当实时监测的任意一个所述特征参数的监测数据超出最低预警等级的所述预警阈值边界时,发出对应预警等级的预警提示。
2.根据权利要求1所述的方法,其特征在于,根据预设的多维画像库确定目标交通事件的特征参数包括:
从多维画像库中查找与目标交通事件匹配的至少一类画像库;
将每类画像库对应的特征参数确定目标交通事件的特征参数。
3.根据权利要求1所述的方法,其特征在于,包括:所述目标交通事件的预警模型的训练过程如下:
获取与所述目标交通事件类型对应的多个历史交通事件样本,其中,每个历史交通事件样本包括事件等级标签和影响该历史交通事件的特征参数;
根据事件等级将不同等级的交通事件的特征参数进行分类计算,得到不同等级的交通事件的特征参数的预警阈值,所述预警阈值为多特征参数组成的阈值边界。
4.根据权利要求1所述的方法,其特征在于,所述预设的多维画像库的构建包括:
获取多源异构数据,所述多源异构数据包括事件数据、位置数据、路况数据、收费数据、气象数据、货运数据、地图数据以及视频数据;
提取所述多源异构数据中的特征参数,所述特征参数包括空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征、OD特征、静态属性特征、出行特征、路线特征、安全特征、拥堵特征以及效率特征;
根据所述空间特征、流量特征、车型特征、速度特征、气象特征、事件聚合特征、事件统计特征得到事件画像;
根据所述空间特征、流量特征、车型特征、速度特征、OD特征、气象特征、事件统计特征得到路段画像;
根据所述静态属性特征、出行特征、路线特征、OD特征、安全特征得到车辆画像;
根据所述空间特征、流量特征、拥堵特征、车型特征、效率特征得到收费站画像;
根据所述静态属性特征、效率特征得到人员画像。
5.根据权利要求4所述的方法,其特征在于,还包括:
将得到的每个对象的画像对应的所述特征参数进行归一化,得到归一化后的参数值;
将所述归一化后的参数值在该对象的画像对应的雷达图中展示,并通过雷达图中心点的颜色表示该对象的融合特征。
6.根据权利要求1所述的方法,其特征在于,所述当实时监测的任意一个所述特征参数的监测数据超出最低预警等级的所述预警阈值边界时,发出对应预警等级的预警提示,包括:
当实时监测中的特征参数的监测数据超过最低预警等级的所述阈值边界中的任意一个预警阈值时;
根据所述监测数据所在预警阈值区域对应的等级发出对应等级的预警提示。
7.根据权利要求1所述的方法,其特征在于,目标交通事件类型包括事故多发路段监测、车流量大多发路段监测、施工路段安全等级监测、收费站通行效率监测、重要车辆监测中的至少一种。
8.一种交通事件的预警装置,其特征在于,包括:
确定模块,用于根据预设的多维画像库确定目标交通事件的特征参数;
获取模块,用于获取实时监测的目标交通事件的各个特征参数的监测数据;
计算模块,用于获取所述目标交通事件的预警模型,根据所述预警模型计算不同预警等级的预警阈值边界;
预警模块,用于当实时监测的任意一个所述特征参数的监测数据超出最低预警等级的所述预警阈值边界时,发出对应预警等级的预警提示。
9.一种交通事件的预警设备,其特征在于,包括处理器和存储有程序指令的存储器,所述处理器被配置为在执行所述程序指令时,执行如权利要求1至7任一项所述的交通事件的预警方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令被处理器执行以实现如权利要求1至7任一项所述的一种交通事件的预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164746.0A CN114664060A (zh) | 2022-02-22 | 2022-02-22 | 一种交通事件的预警方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210164746.0A CN114664060A (zh) | 2022-02-22 | 2022-02-22 | 一种交通事件的预警方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114664060A true CN114664060A (zh) | 2022-06-24 |
Family
ID=82027243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210164746.0A Pending CN114664060A (zh) | 2022-02-22 | 2022-02-22 | 一种交通事件的预警方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114664060A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875558A (zh) * | 2024-01-16 | 2024-04-12 | 青岛交通科技信息有限公司 | 基于大数据的多维度交通规划场景评估系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警系统及其方法 |
CN108960428A (zh) * | 2018-06-22 | 2018-12-07 | 北京易华录信息技术股份有限公司 | 一种基于人工智能技术的路网运行知识库构建方法 |
CN109657014A (zh) * | 2018-12-05 | 2019-04-19 | 上海电科智能系统股份有限公司 | 一种基于多维多源数据的交通事件还原画像方法 |
CN113592336A (zh) * | 2021-08-09 | 2021-11-02 | 安徽富煌科技股份有限公司 | 一种基于智能化集成系统全域运行态势分析办法 |
CN113870560A (zh) * | 2021-09-27 | 2021-12-31 | 公安部道路交通安全研究中心 | 基于多源数据的高速公路画像评价与安全风险研判系统 |
-
2022
- 2022-02-22 CN CN202210164746.0A patent/CN114664060A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231231A (zh) * | 2011-06-16 | 2011-11-02 | 同济大学 | 区域公路网交通安全态势预警系统及其方法 |
CN108960428A (zh) * | 2018-06-22 | 2018-12-07 | 北京易华录信息技术股份有限公司 | 一种基于人工智能技术的路网运行知识库构建方法 |
CN109657014A (zh) * | 2018-12-05 | 2019-04-19 | 上海电科智能系统股份有限公司 | 一种基于多维多源数据的交通事件还原画像方法 |
CN113592336A (zh) * | 2021-08-09 | 2021-11-02 | 安徽富煌科技股份有限公司 | 一种基于智能化集成系统全域运行态势分析办法 |
CN113870560A (zh) * | 2021-09-27 | 2021-12-31 | 公安部道路交通安全研究中心 | 基于多源数据的高速公路画像评价与安全风险研判系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117875558A (zh) * | 2024-01-16 | 2024-04-12 | 青岛交通科技信息有限公司 | 基于大数据的多维度交通规划场景评估系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110363985B (zh) | 一种交通数据分析方法、装置、存储介质及设备 | |
US20220383738A1 (en) | Method for short-term traffic risk prediction of road sections using roadside observation data | |
CN105225500A (zh) | 一种交通控制辅助决策方法及装置 | |
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 | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN110807917A (zh) | 一种基于云计算的高速公路智能安防系统 | |
Liao | Using truck GPS data for freight performance analysis in the Twin Cities metro area | |
CN112150046A (zh) | 一种道路交叉口安全风险指数计算方法 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN114664060A (zh) | 一种交通事件的预警方法、装置、设备及存储介质 | |
Sobreira et al. | Disaggregated traffic conditions and road crashes in urban signalized intersections | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN116307699A (zh) | 基于多源数据的道路隐患点段分级方法、装置及存储介质 | |
CN116935643A (zh) | 交通管理方法、装置、设备及存储介质 | |
CN115796584A (zh) | 一种城市道路运行风险排查方法、装置及电子设备 | |
CN109636250B (zh) | 一种危险货物卡车生存概率和危险概率的预测方法 | |
CN116596307A (zh) | 一种基于公交运营安全数据构建驾驶员安全画像模型的方法 | |
Mahendra et al. | Prediction of road accidents in the different states of India using machine learning algorithms | |
CN115497306A (zh) | 一种基于gis数据的速度区间权重计算方法 | |
CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
CN114693072A (zh) | 车队结构分析方法、系统及存储介质 | |
Kłos et al. | Effects of countdown timers on traffic safety at signalized intersections | |
CN112382087A (zh) | 交通堵塞预测方法 | |
CN114140985B (zh) | 基于知识图谱的车辆疲劳预警方法、装置、设备及介质 | |
Tian et al. | Understanding scenarios for cooperative V2P safety applications using connected vehicle datasets |
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 |