CN114973659A - 一种高速公路的间接事件检测的方法、装置及系统 - Google Patents

一种高速公路的间接事件检测的方法、装置及系统 Download PDF

Info

Publication number
CN114973659A
CN114973659A CN202210518798.3A CN202210518798A CN114973659A CN 114973659 A CN114973659 A CN 114973659A CN 202210518798 A CN202210518798 A CN 202210518798A CN 114973659 A CN114973659 A CN 114973659A
Authority
CN
China
Prior art keywords
traffic
data
scene
vehicle
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.)
Pending
Application number
CN202210518798.3A
Other languages
English (en)
Inventor
王孜健
么新鹏
张涵
刘梦菲
李安然
李小松
陈彬
赵洹琪
赵玉娟
于鹏程
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.)
Road Traffic Safety Research Center Ministry Of Public Security Of People's Republic Of China
Innovation Research Institute Of Shandong Expressway Group Co ltd
Original Assignee
Road Traffic Safety Research Center Ministry Of Public Security Of People's Republic Of China
Innovation Research Institute Of Shandong Expressway Group 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 Road Traffic Safety Research Center Ministry Of Public Security Of People's Republic Of China, Innovation Research Institute Of Shandong Expressway Group Co ltd filed Critical Road Traffic Safety Research Center Ministry Of Public Security Of People's Republic Of China
Priority to CN202210518798.3A priority Critical patent/CN114973659A/zh
Publication of CN114973659A publication Critical patent/CN114973659A/zh
Pending legal-status Critical Current

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
    • G06F18/21—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
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • 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
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通技术领域，具体涉及一种高速公路的间接事件检测的方法、装置及系统，通过获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；对所述高速公路交通流数据进行数据预处理，得到交通数据集，将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。通过本申请提供的技术方案达到高效、精确检测高速公路事件场景的效果。

Description

一种高速公路的间接事件检测的方法、装置及系统
技术领域
本发明属于交通技术领域，具体涉及一种高速公路的间接时间检测的方法、装置及系统。
背景技术
高速公路中的事故往往由交通事件引起，交通事件可分为偶发性事件和常发性事件，偶发性事件包括交通事故、拥堵、逆行、车辆故障等，常发性事件包括车道限速、道路施工、道路湿滑等。根据交通事故白皮书，高速公路上由碰撞静止车辆、行人引起的事故比例高达 28％，再叠加其他事件信息，由事件引起的高速公路事故占比将会更高。在高速公路上一旦发生交通事件，就易诱发二次事故，据统计二次事故造成的人员伤亡和财产损失较一次交通事件更为严重。只有快速发现交通事件并迅速采取有效措施才能有效的避免二次事故的发生。
现有技术主要有以下两种检测方法，第一种是基于浮动车信息采集系统，采集浮动车的速度数据，通过其异常的速度性能来判断事故的发生；其缺点是由于浮动车数据不能覆盖所有路段，且行车路径是随机的，往往存在很多缺失值，因此稳定性和可靠性受到一定程度的限制。
第二种是通过一些系统基于线圈、雷达等传感器来检测速度、流量、车道占用信息，然后训练分类模型的使用。其缺点是由于道路间系统参数的差异，模型训练需要收集大量的事件数据，而我国检测所需的传感器覆盖率较低，因此在目前条件下无法用于我国高速公路路段的检测。
发明内容
为了解决现有技术存在的问题，本发明实施例提供以下技术方案：
第一方面，本申请提供一种高速公路的间接事件检测的方法，包括：
获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；
对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集；
将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；
根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。
进一步地，根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签，包括：
根据所述交通影响事件的特征参数以及场景标签，构建训练数据集、验证数据集和测试数据集；
将所述训练数据集及验证数据集输入至分类算法LightGBM进行训练，根据交通场景的不同标签得出特征参数范围；
将所述测试数据集输入至分类算法LightGBM进行训练，得到影响交通事件的特征参数值；
判断所述影响交通事件的特征参数是否在所述特征参数范围内；
若所述影响交通事件的特征参数值在所述特征参数范围内，则判断交通场景为正常场景，标签为0；
若所述影响交通事件的特征参数值不在所述特征参数范围内，则判断交通场景为事件场景，标签为1。
进一步地，所述数据预处理包括数据清洗和数据融合。
进一步地，所述数据清洗为剔除卡口原始数据中重复的过车数据，包括以下步骤：
根据所述不停车收费系统的通行标识判断过车数据所经过的交易系统，所述交易系统包括ETC门架或收费站；
根据所述交易系统的平均延时将所述过车数据的交易时间字段校正为过车准确的通行时间；
根据所述过车的准确通行时间，计算车辆在任意两个相邻卡口之间的时间记录差；
对计算出的时间记录差进行排序，得到最小时间记录差；
根据最小时间记录差，判断车辆在任意两个相邻卡口之间的时间记录差是否满足预设时间差阈值，若是，则剔除车辆的信息；
反之，则不做处理。
进一步地，所述数据融合包括：
对检测设备先后顺序进行排序，将连续两检测设备及其中间路段作为待检测路段单元；
在所述待检测路段单元中搜索具有相同车辆ID的过车信息；
根据所述相同车辆ID的过车信息，在所述不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据中提取具有所述相同车辆ID的过车信息的公共字段，并将所述公共字段存储为统一的预设的存储格式，得到具有相同车辆ID的过车关联信息；
根据所述具有相同车辆ID的过车关联信息，得到通过所述检测路段单元的车辆及其通过所述检测路段单元端点的检测设备的时刻。
进一步地，所述对检测设备先后顺序进行排序包括：
根据不停车收费系统的安装桩号和高速公路车辆智能监控记录系统检测器检测范围，按照先后顺序进行排序。
进一步地，所述根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签，包括：
根据饱和度的变化判断不同交通流量条件下事件对交通特征的影响强度，
饱和度的计算公式为：
Figure RE-GDA0003764800330000041
根据平均速度判断当前交通流量条件下的交通运行状态，平均速度的计算公式为：
Figure RE-GDA0003764800330000051
根据速度变化率判断交通流的运行状态是否在短时间内产生了突变，速度变化率的计算公式为：
Figure RE-GDA0003764800330000052
其中p为交通占用率，F为一个采集周期的交通流量，f为大型车辆比例，C为高速公路的通行能力，
Figure RE-GDA0003764800330000053
是一个采集周期的间隔平均速度，vi是车辆i在一个采集周期内的区间速度，n是采集周期内通过的车辆数量，SR为速度变化率，
Figure RE-GDA0003764800330000054
为采集周期a内的区间速度，
Figure RE-GDA0003764800330000055
为采集周期a-j内的区间速度。
第二方面，本申请提供一种高速公路的间接事件检测的装置，包括：
获取模块，用于获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；
数据预处理模块，用于对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集，
特征参数模块，用于将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；
判断模块，用于根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。
第三方面，本申请提供一种高速公路的间接事件检测的系统，包括：
处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现第一方面任一项所述的高速公路的间接事件检测的方法。
本发明具有以下有益效果：
本发明实施例提供的一种高速公路的间接事件检测的方法，包括：通过获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集，将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。通过本申请提供的技术方案达到高效、精确检测高速公路事件场景的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明一个实施例中一种高速公路的间接事件检测的方法流程示意图。
图2是本发明另一个实施例中一种高速公路的间接事件检测的方法流程示意图。
图3是本发明一个实施例中LightGBM中应用的直方图算法的基本原理示意图。
图4是本发明一个实施例中直方图差分加速度的示意图。
图5是本发明一个实施例中逐叶决策树的示意图。
图6是本发明一个实施例中混淆矩阵检测原理示意图。
图7是本发明一个实施例中LightGBM算法训练结果示意图。
图8本发明一个实施例中基于LightGBM的检测结果的混淆矩阵示意图。
图9本发明一个实施例中数据清洗步骤图流程图。
图10发明一个实施例中所提供的数据融合步骤流程图
图11是本申请一个实施例中一种高速公路的间接事件检测的装置结构示意图
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。显然，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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
针对相关技术中存在的由于浮动车数据不能覆盖所有路段，且行车路径是随机的，往往存在很多缺失值，因此稳定性和可靠性受到一定程度的限制。以及由于道路间系统参数的差异，模型训练需要收集大量的事件数据，而我国检测所需的传感器覆盖率较低，因此在目前条件下无法用于我国高速公路路段的检测的问题，本发明提供一种高速公路的间接事件检测的方法，图1为本申请一个实施例提供的一种高速公路的间接事件检测的方法的流程示意图，如图1所示，该方法包括如下步骤：包括：
步骤S101、获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；
其中，不停车收费系统的过车数据来源于不停车收费系统，不停车收费系统也常被称作电子收费系统ETC，使用车辆自动识别AVI技术进行车辆、收费站间无线数据通讯，获得车辆自动识别、收费数据交换的效果。ETC即为借助计算机网络的作用，完成收费数据处理工作，实现不停车自动收费全电子收费的系统。如图所示，不停车收费系统的微波读写天线RSU安装于车道上方，通过微波天线、读写控制器构成，微波天线作为微波收发模块，主要施行信号、数据接受/ 发送、调制、编码、加密等方面工作，读写器能够对发射、接收相关数据，以及技术处理车道计算机收发信号加以控制。电子标签OBU，安装在车辆挡风玻璃位置，为和路侧安装RSU通讯微波的设备，电子标签内存在ETC缴费卡有储值功能、储存车辆信息功能。
通过读取通过车辆的ETC缴费卡，不停车收费系统可以获取的交易数据主要包括入口站时间、途径上一门架时间、当前门架id、交易时间等通行轨迹数据以及车辆牌号、车型等车辆基本信息，如表 1所示。
表1不停车收费系统交易数据主要字段
Figure RE-GDA0003764800330000091
Figure RE-GDA0003764800330000101
不停车收费系统从车辆上接收到的GPS数据可以通过GSM通信模块利用信息等方式直接发送到相应的移动通信网络中。在对短信息进行处理时，可以直接定位车辆需要通过的收费站，保证处理的自动化和效率。通过合理利用GPS软件和快速投影匹配方法，可以实现车辆轨迹与数据中心现有数据的同步、准确匹配。不停车收费系统可以为本发明提供的现有信息在表2中。
表2不停车收费系统的数据实例
Figure RE-GDA0003764800330000111
高速公路车辆智能监控记录系统的抓拍数据来源于高速公路车辆智能监控记录系统，高速公路车辆智能监控记录系统是一种依托道路上特定场所的卡口，如收费站、交通或公安检查站、城市出入口等的道路交通现场监控系统。高速公路车辆智能监控记录系统的功能包括抓拍功能、车辆抢拍和数据存储功能、车辆识别功能、车辆识别和实时报警功能、信息上传和下载功能、网校功能、图像记录防篡改功能、路口控制机的管理功能、交通统计、信息查询功能。
高速公路车辆智能监控记录系统通过监视和控制，确保高速公路车辆能够安全的行驶。高速公路车辆智能监控记录系统的监控系统就是采集、收集系统，它包括对于车辆的录像，对于每一部车的信息、速度以及整体车流量情况进行记录，它能够及时的将这些信息向监控中心反馈。而所谓的记录系统就是对交通规则、事件进行分析。
高速公路车辆智能监控记录系统抓拍数据主要包括卡口桩号、方向、车速、号牌号码、采集时间、车牌颜色、车辆颜色等，其具体格式如表3所示。
表3高速公路车辆智能监控记录系统数据主要字段
Figure RE-GDA0003764800330000121
通过拍照，智能监控记录系统可以记录和处理所有通过卡口点的机动车，实时监控道路上的车辆状况，同时测量过往车辆的速度，对过往车辆逐一进行实时拍照后实时识别车牌，并将拍摄的图片和识别结果保存在后台数据库。智能监控记录系统可以为本发明提供的可用信息在表4中。
表4智能监控和记录系统的数据实例
Figure RE-GDA0003764800330000122
基于车辆ID，可以统一识别和获取每辆车的行驶信息，相当于使得检测器更加密集。这可以整合多源数据，从频率信息采集中准确推断出车辆的行驶过程。表5为事件历史数据，该记录包括详细的事件信息，可以搜索已确定的事件特征。
表5历史事件实例
日期 时间 桩号 方向 分类
2020-11-11 16:53:00 K15+500 东西向 汽车
步骤S102、对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集；
其中，所述数据预处理包括数据清洗和数据融合。
由于，不停车收费系统数据存在过车数据不一致，交易延迟不统一等问题，难以与视频卡口车辆通行时间进行匹配；而视频卡口检测存在重复检测、车牌字段缺失等问题。因此原始数据不能直接用于行程时间预测，需要对数据进行预处理，校正时间并剔除异常数据。因此，本发明对不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理。
众所周知，车牌作为唯一可识别车辆的特征，可以将不同系统间的车辆检测信息结合在一起。本申请通过车牌关联车辆信息，融合不停车收费系统的数据和高速公路车辆智能监控记录系统的数据，提取不同检测系统数据的公共字段，最终获取精细的车辆通过数据。
步骤S103、将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；
具体地，使用VISSIM交通模拟仿真，将交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到仿真结果。
步骤S104、根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。
具体地，根据步骤S103的仿真结果，不难发现交通事件对交通特征存在影响，且该影响的强度与交通流量呈现正相关。事件发生后，由于事件占道，交通流运行状态相对于正常状态会产生变化。具体而言，交通事件会影响交通和过往车辆的平均速度。因此，可以构造能够反映短时间内交通运行变化的参数。本发明构造三个参数作为事件检测的识别特征，分别为饱和度、平均速度、速度变化率。其中，饱和度指标的构造目标是通过饱和度的变化判断不同交通流量条件下事件对交通特征的影响强度；平均速度指标的构造目标是实时的反映当前交通流量条件下的交通运行状态；速度变化率的构造目标是判断交通流的运行状态是否在短时间内产生了突变。饱和度、平均速度、速度变化率的计算方式如下：
Figure RE-GDA0003764800330000141
Figure RE-GDA0003764800330000151
Figure RE-GDA0003764800330000152
其中，p为饱和度，F为驶出交通流量，f为大型车辆比例，
Figure RE-GDA0003764800330000153
为平均速度，νi为第i辆车的行程速度，SR为速度变化率，
Figure RE-GDA0003764800330000154
为第a检测周期的车辆平均速度。
在高饱和度情况下，异常事件对于交通流影响显著，可根据相邻 ETC、卡口断面的实时检测数据，统计计算得到经过断面以及路段区间的交通流量、密度、速度等交通参数，与历史常态交通流参数阈值进行对比，当交通流参数出现异常时，识别为异常事件。
交通流量：是指在特定时间内，通过道路上特定区域的交通实体数(一般而言就是指车辆数)，以q表示，单位是辆/日或者是辆/小时。
q＝N/T
式中：q—交通流量；
T—观测时间；
N—T时间记录的交通实体数目。
可以理解为，本发明实施例提供的一种高速公路的间接事件检测的方法，包括：通过获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集，将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。本发明以不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据为基础，通过数据清洗，数据融合等步骤将原始数据字段转化为以车辆ID为键值的可用于研究事故间接检测的数据字段，同时，对研究范围内最小路段单元的交通参数进行提取，用于探索事故与交通流特征的关系。通过本申请提供的技术方案达到高效、精确检测高速公路事件场景的效果。
作为上述方法的进一步改进，一些实施例中，请参阅图2，图2 是本发明一个实施例中一种高速公路的间接事件检测的方法步骤流程图，如图2所示，
根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签，包括以下步骤：
步骤S201、根据所述交通影响事件的特征参数以及场景标签，构建训练数据集、验证数据集和测试数据集；
步骤S202、将所述训练数据集及验证数据集输入至分类算法 LightGBM进行训练，根据交通场景的不同标签得出特征参数范围；
步骤S203、将所述测试数据集输入至分类算法LightGBM进行训练，得到影响交通事件的特征参数值；
与传统的提升决策树相比，LightGBM优化了三个方面的算法，包括直方图算法、基于梯度的单边采样算法和绑定互斥特征。如图3 所示，图3是LightGBM中应用的直方图算法的基本原理。首先将连续的浮点特征值离散成几个整数，即bin的概念。例如，[0,0.1]离散为0，[0.1,0.3]离散为1。然后，用离散的值代替原来的浮点值进行计算，统计每个bin中的样本数，根据离散的值找到最佳分割点。被切割的仓数等于被切割的仓数减1，而被切割的XG-boost点的数量等于不同样本值的数量减1。需要计算样本的特征值，即样本的一阶和二阶导数。随后对样本的一阶和二阶导数之和的计算也将大大减少。LightGBM只存储离散值，其内存占用更小。
如图4所示，图4是直方图差分加速度的示意图，LightGBM的另一个优势是使用直方图进行差异化加速。当节点被分割成两个时，右边的子节点的直方图可以通过从左边的兄弟姐妹节点的直方图中减去上面的父节点的直方图来获得。这种差异方法可以使计算速度提高一倍。在建立一个叶子节点的直方图后，LightGBM可以计算直方图中较小的叶子节点，然后用直方图进行差分，得到较大的叶子节点，从而以较小的代价产生其同胞叶的直方图。例如，如果一个特征的值被分为四个桶，每个桶的样本数分别为4、4、5、3，左边的子节点的直方图每个桶的样本数分别为1、1、2、1，那么右边的子节点的直方图的样本数分别为3、3、3、2。
在直方图算法的基础上，LightGBM被进一步优化。LightGBM放弃了大多数GBDT工具使用的Level-wise决策树增长策略，而采用了有深度约束的Leaf-wise算法。Level-wise在同一层的所有节点都需要被分割，然后在分割后根据需要进行修剪。因为它对同一层的叶子没有任何区别对待，有太多的节点需要拆分和计算，所以 Level-WISE的效率相对较低，带来了很多不必要的开销。同一层中的许多其他叶子节点根本不需要分割。Leaf-wise是一种更有效的策略，旨在减少模型损失最大化。与按层生长的决策树相比，按叶生长的决策树只需要在分裂收益最大的节点上进行分裂，而不需要在其他节点上进行分裂，因此可以得到较小的误差，在图5中显示，图5是逐叶决策树的示意图。但同时，拆分的次数会增加，生长的决策树过大，容易产生过拟合。为了解决这个缺点，LightGBM可以设置决策树的最大深度。
步骤S204、判断所述影响交通事件的特征参数是否在所述特征参数范围内；
将训练数据集及验证数据集用于本申请的LightGBM算法的训练过程，使该LightGBM算法根据场景标签生成事件识别特征的正常参数范围，以此作为判别场景类型的标准。然后导入测试集数据集里的数据，利用LightGBM算法判断测试数据的参数是不是在正常的范围内。
步骤S205、若所述影响交通事件的特征参数值在所述特征参数范围内，则判断交通场景为正常场景，标签为0；
步骤S206、若所述影响交通事件的特征参数值不在所述特征参数范围内，则判断交通场景为事件场景，标签为1。
具体地，在一个实施例中，数据集分为训练集、验证集和测试集，比例为6:2:2，其中训练集中的场景标签为0的是正常场景，标签为 1的是事件场景。
1、将训练集数和验证数据集据导入LightGBM算法中，根据不同标签得出特征参数范围。
2、将测试集数据(无标签)导入LightGBM算法，得出场景的特征参数值，如果在上述正常参数范围，判断该场景标签为0，故为正常场景，如果不在正常范围内，判断场景标签为1，故为事件场景。
在一个实施例中，在发明中通过研究事件占道影响仿真及事件持续时间影响仿真得出事件检测的识别特征，具体过程如下：第一，在模拟交通事件路段前，需要确定VISSIM交通模拟的相关参数，选择的相关参数如表6所示。
表6模拟仿真的相关参数
Figure RE-GDA0003764800330000191
第二，在VISSIM中设置了研究高速公路的部分路段，并输入该路段的基本道路信息，建立道路和仿真参数等相关数据。基本数据如表7所示。
表7事件记录示例
Figure RE-GDA0003764800330000201
第三，通过基于python的二次开发，构建了事件区域的场景，通过VISSIM导入目标路段地图，根据地图绘制仿真路网，根据实际数据导入OD矩阵，通过基于python的二次开发设置碰撞车辆模拟交通事件，控制事件持续时间和占道数目。在事件持续时间结束后，现有路段上车速为0的车辆开始正常行驶，疏散事件交通流。
第四，参照实际情况，将虚拟事件设置在灵甸立交和华山立交枢纽的中间位置，其桩号为K17+385。在此基础上，找到最近的检测器，其桩号分别为K16+365和K19+203。因此，在仿真实验中，虚拟数据采集点和队列计数器在相应的位置。根据仿真实验中的交通流量和平均速度，得出在10分钟的事件处理时间和交通恢复时间内，事件对交通的影响越来越大。此外，如果交通流量较大或事件占用车道多，这种现象将很严重。当事件发生时，会立即影响到交通和过往车辆的平均速度。
因此构建出了可以反映短时间内交通运行突变的参数。
本申请还提供了基于混淆矩阵对本发明的检测结果进行判断，通过准确率、精确率、召回率、F1值对结果进行判定，判别标准如图6 所示，图6为混淆矩阵检测原理。
具体地，
1、对数据集(已有正确答案)的场景进行分类，得出结果；
2、将所述结果导入混淆矩阵，得出相应的TP、FP、TN、TN，从而求得准确率、精确率等判别指标。
准确率：
Figure RE-GDA0003764800330000211
精确率：
Figure RE-GDA0003764800330000212
召回率：
Figure RE-GDA0003764800330000213
F1值：
Figure RE-GDA0003764800330000214
表8示出了不同机器学习模型的间接事件检测结果。不难看出， LightGBM算法的间接事件检测结果与测试数据最为接近。尽管RF、 KNN和SVM算法的结果与实际数据较为一致，但在查全率和准确率方面略低于LightGBM。因此，LightGBM可以被认为是最精确的模型，这体现了本发明所建立的间接检测方法的优势。
表8各算法检测效果对比表
Figure RE-GDA0003764800330000221
通过充分的培训，LightGBM可以尝试将测试集分为两组，正常场景组和事件场景组。LightGBM的ACU和对数损失如图7所示，图7 是LightGBM算法训练结果示意图，图8是基于LightGBM的检测结果的混淆矩阵示意图，如图7和图8所示，这验证了LightGBM是连续训练的，既没有发散也没有过度拟合。
可以理解为，本申请基于LightGBM分类算法搭建训练及检测模型，对该算法训练、验证及测试，证明本高速公路的间接事件检测的方法有效提高了检测效果。
作为上述实施例的进一步改进，在一个实施例中，如图9所示，图9是本申请一个实施例中数据清洗步骤图，所述数据清洗为剔除卡口原始数据中重复的过车数据，包括以下步骤：
步骤S901、根据所述不停车收费系统的通行标识判断过车数据所经过的交易系统，所述交易系统包括ETC门架或收费站；
步骤S902、根据所述交易系统的平均延时将所述过车数据的交易时间字段校正为过车准确的通行时间；
步骤S903、根据所述过车的准确通行时间，计算车辆在任意两个相邻卡口之间的时间记录差；
步骤S904、对计算出的时间记录差进行排序，得到最小时间记录差；
步骤S905、根据最小时间记录差，判断车辆在任意两个相邻卡口之间的时间记录差是否满足预设时间差阈值，若是，则剔除车辆的信息；
步骤S906、反之，则不做处理。
作为上述实施例的进一步改进，一些实施例中，如图10所示，图10是本申请一个实施例所提供的数据融合步骤流程图，所述数据融合包括：
步骤S1001、对检测设备先后顺序进行排序，将连续两检测设备及其中间路段作为待检测路段单元；
所述对检测设备先后顺序进行排序包括：
根据不停车收费系统的安装桩号和高速公路车辆智能监控记录系统检测器检测范围，按照先后顺序进行排序。
步骤S1002、在所述待检测路段单元中搜索具有相同车辆ID的过车信息；
步骤S1003、根据所述相同车辆ID的过车信息，在所述不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据中提取具有所述相同车辆ID的过车信息的公共字段，并将所述公共字段存储为统一的预设的存储格式，得到具有相同车辆ID的过车关联信息；
步骤S1004、根据所述具有相同车辆ID的过车关联信息，得到通过所述检测路段单元的车辆及其通过所述检测路段单元端点的检测设备的时刻。
在一个实施例中，本申请最终获取精细的车辆通过数据，如表9 所示。
表9车辆ID关联数据样例
Figure RE-GDA0003764800330000241
6 一些实施例中，所述根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签，包括：
根据饱和度的变化判断不同交通流量条件下事件对交通特征的影响强度，
饱和度的计算公式为：
Figure RE-GDA0003764800330000251
根据平均速度判断当前交通流量条件下的交通运行状态，平均速度的计算公式为：
Figure RE-GDA0003764800330000252
根据速度变化率判断交通流的运行状态是否在短时间内产生了突变，速度变化率的计算公式为：
Figure RE-GDA0003764800330000253
其中p为交通占用率，F为一个采集周期的交通流量，f为大型车辆比例，C为高速公路的通行能力，
Figure RE-GDA0003764800330000254
是一个采集周期的间隔平均速度，vi是车辆i在一个采集周期内的区间速度，n是采集周期内通过的车辆数量，SR为速度变化率，
Figure RE-GDA0003764800330000255
为采集周期a内的区间速度，
Figure RE-GDA0003764800330000256
为采集周期a-j内的区间速度。
请参阅图11，图11是本申请一个实施例中一种高速公路的间接事件检测的装置结构示意图，该高速公路的间接事件检测的装置11 包括：
获取模块1101，用于获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；
数据预处理模块1102，用于对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集；
特征参数模块1103，用于将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；
判断模块1104，用于根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的高速公路的间接事件检测的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明所提供的一种高速公路的间接事件检测的装置，通过获取模块获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；通过数据预处理模块对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集；通过特征参数模块将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；通过判断模块根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。通过本申请提供的技术方案达到高效、精确检测高速公路事件场景的效果。
一些实施例中，本申请还提供了一种高速公路的间接事件检测的系统，包括：
处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现上任一项所述的高速公路的间接事件检测的方法。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种高速公路的间接事件检测的方法，其特征在于，包括：
获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；
对所述不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集；
将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；
根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。
2.根据权利要求1所述的方法，其特征在于，根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签，包括：
根据所述交通影响事件的特征参数以及场景标签，构建训练数据集、验证数据集和测试数据集；
将所述训练数据集及验证数据集输入至分类算法LightGBM进行训练，根据交通场景的不同标签得出特征参数范围；
将所述测试数据集输入至分类算法LightGBM进行训练，得到影响交通事件的特征参数值；
判断所述影响交通事件的特征参数是否在所述特征参数范围内；
若所述影响交通事件的特征参数值在所述特征参数范围内，则判断交通场景为正常场景，标签为0；
若所述影响交通事件的特征参数值不在所述特征参数范围内，则判断交通场景为事件场景，标签为1。
3.根据权利要求1所述的方法，其特征在于，所述数据预处理包括数据清洗和数据融合。
4.根据权利要求3所述的方法，其特征在于，所述数据清洗为剔除卡口原始数据中重复的过车数据，包括以下步骤：
根据所述不停车收费系统的通行标识判断过车数据所经过的交易系统，所述交易系统包括ETC门架或收费站；
根据所述交易系统的平均延时将所述过车数据的交易时间字段校正为过车准确的通行时间；
根据所述过车的准确通行时间，计算车辆在任意两个相邻卡口之间的时间记录差；
对计算出的时间记录差进行排序，得到最小时间记录差；
根据最小时间记录差，判断车辆在任意两个相邻卡口之间的时间记录差是否满足预设时间差阈值，若是，则剔除车辆的信息；
反之，则不做处理。
5.根据权利要求1或3所述的方法，其特征在于，所述数据融合包括：
对检测设备先后顺序进行排序，将连续两检测设备及其中间路段作为待检测路段单元；
在所述待检测路段单元中搜索具有相同车辆ID的过车信息；
根据所述相同车辆ID的过车信息，在所述不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据中提取具有所述相同车辆ID的过车信息的公共字段，并将所述公共字段存储为统一的预设的存储格式，得到具有相同车辆ID的过车关联信息；
根据所述具有相同车辆ID的过车关联信息，得到通过所述检测路段单元的车辆及其通过所述检测路段单元端点的检测设备的时刻。
6.根据权利要求5所述的方法，其特征在于，所述对检测设备先后顺序进行排序包括：
根据不停车收费系统的安装桩号和高速公路车辆智能监控记录系统检测器检测范围，按照先后顺序进行排序。
7.根据权利要求1所述的方法，其特征在于，根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签，包括：
根据饱和度的变化判断不同交通流量条件下事件对交通特征的影响强度，
饱和度的计算公式为：
Figure FDA0003640844890000031
根据平均速度判断当前交通流量条件下的交通运行状态，平均速度的计算公式为：
Figure FDA0003640844890000032
根据速度变化率判断交通流的运行状态是否在短时间内产生了突变，速度变化率的计算公式为：
Figure FDA0003640844890000033
其中p为交通占用率，F为一个采集周期的交通流量，f为大型车辆比例，C为高速公路的通行能力，
Figure FDA0003640844890000034
是一个采集周期的间隔平均速度，vi是车辆i在一个采集周期内的区间速度，n是采集周期内通过的车辆数量，SR为速度变化率，
Figure FDA0003640844890000035
为采集周期a内的区间速度，
Figure FDA0003640844890000036
为采集周期a-j内的区间速度。
8.一种高速公路的间接事件检测的装置，其特征在于，包括：
获取模块，用于获取高速公路交通流数据，所述高速路交通流数据包括不停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据；
数据预处理模块，用于对所述停车收费系统的过车数据和高速公路车辆智能监控记录系统的抓拍数据进行数据预处理，得到交通数据集，
特征参数模块，用于将所述交通数据集输入至预设的特征提取模型并进行事件占道及事件持续时间的仿真实验，得到影响交通事件的特征参数；
判断模块，用于根据所述影响交通事件的特征参数，对场景类型进行判断，并对所述场景类型进行标记标签，得到场景判断结果以及场景标签。
9.一种高速公路的间接事件检测的系统，其特征在于，包括：
处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的高速公路的间接事件检测的方法。
CN202210518798.3A 2022-05-12 2022-05-12 一种高速公路的间接事件检测的方法、装置及系统 Pending CN114973659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210518798.3A CN114973659A (zh) 2022-05-12 2022-05-12 一种高速公路的间接事件检测的方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210518798.3A CN114973659A (zh) 2022-05-12 2022-05-12 一种高速公路的间接事件检测的方法、装置及系统

Publications (1)

Publication Number Publication Date
CN114973659A true CN114973659A (zh) 2022-08-30

Family

ID=82982537

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210518798.3A Pending CN114973659A (zh) 2022-05-12 2022-05-12 一种高速公路的间接事件检测的方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114973659A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512546A (zh) * 2022-10-08 2022-12-23 河南博汇智能科技有限公司 一种智慧高速交通流主动管理方法、装置及电子设备
CN115631472A (zh) * 2022-12-19 2023-01-20 山东高速股份有限公司 一种高速公路行人闯入智能检测方法
CN116645818A (zh) * 2023-07-27 2023-08-25 山东高速集团有限公司创新研究院 一种基于多维特征提取的车型识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035772A (zh) * 2018-08-08 2018-12-18 上海工程技术大学 基于收费数据的高速公路交通运行态势识别方法和装置
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法
CN110197586A (zh) * 2019-05-20 2019-09-03 重庆大学 一种基于多源数据的高速公路路段拥堵检测方法
CN110853347A (zh) * 2019-10-14 2020-02-28 深圳市综合交通运行指挥中心 一种短时交通路况预测方法、装置及终端设备
CN111754786A (zh) * 2020-07-15 2020-10-09 遵义同望智能科技有限公司 一种识别高速公路交通工具通行事件的系统
WO2020224445A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
CN112785849A (zh) * 2021-02-24 2021-05-11 山东科技大学 一种高速公路拥堵状态判别和交通流管控系统及方法
CN113963539A (zh) * 2021-10-19 2022-01-21 交通运输部公路科学研究所 高速公路交通事故识别方法、模块及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109035772A (zh) * 2018-08-08 2018-12-18 上海工程技术大学 基于收费数据的高速公路交通运行态势识别方法和装置
CN109658695A (zh) * 2019-01-02 2019-04-19 华南理工大学 一种多因素的短时交通流预测方法
WO2020224445A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
CN110197586A (zh) * 2019-05-20 2019-09-03 重庆大学 一种基于多源数据的高速公路路段拥堵检测方法
CN110853347A (zh) * 2019-10-14 2020-02-28 深圳市综合交通运行指挥中心 一种短时交通路况预测方法、装置及终端设备
CN111754786A (zh) * 2020-07-15 2020-10-09 遵义同望智能科技有限公司 一种识别高速公路交通工具通行事件的系统
CN112785849A (zh) * 2021-02-24 2021-05-11 山东科技大学 一种高速公路拥堵状态判别和交通流管控系统及方法
CN113963539A (zh) * 2021-10-19 2022-01-21 交通运输部公路科学研究所 高速公路交通事故识别方法、模块及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹波 等: "高速公路路网运行指数评估模型应用研究", 《公路》, no. 2, pages 224 - 228 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115512546A (zh) * 2022-10-08 2022-12-23 河南博汇智能科技有限公司 一种智慧高速交通流主动管理方法、装置及电子设备
CN115631472A (zh) * 2022-12-19 2023-01-20 山东高速股份有限公司 一种高速公路行人闯入智能检测方法
CN115631472B (zh) * 2022-12-19 2023-03-21 山东高速股份有限公司 一种高速公路行人闯入智能检测方法
CN116645818A (zh) * 2023-07-27 2023-08-25 山东高速集团有限公司创新研究院 一种基于多维特征提取的车型识别方法
CN116645818B (zh) * 2023-07-27 2023-10-10 山东高速集团有限公司创新研究院 一种基于多维特征提取的车型识别方法

Similar Documents

Publication Publication Date Title
CN114973659A (zh) 一种高速公路的间接事件检测的方法、装置及系统
CN101965601B (zh) 驾驶辅助装置及驾驶辅助方法
CN110222131A (zh) 起讫信息提取方法及装置
CN113155173B (zh) 感知性能评测方法、装置、电子装置和存储介质
CN111325978A (zh) 一种高速公路车辆异常行为的全程监测警示系统和方法
CN110322687B (zh) 确定目标交叉口运行状态信息的方法和装置
CN112447041A (zh) 识别车辆的营运行为的方法、装置及计算设备
EP4020428A1 (en) Method and apparatus for recognizing lane, and computing device
CN113470206B (zh) 一种基于车辆匹配的高速公路稽查方法、设备及介质
CN112883936A (zh) 一种对车辆违规行为的检测方法及其系统
CN115761920A (zh) 一种基于etc门架数据的车辆轨迹可信提取方法及系统
CN114495520B (zh) 一种车辆的计数方法、装置、终端和存储介质
CN114694060B (zh) 一种道路抛洒物检测方法、电子设备及存储介质
CN116128360A (zh) 道路交通拥堵等级评估方法、装置、电子设备及存储介质
US20220234588A1 (en) Data Recording for Advanced Driving Assistance System Testing and Validation
CN114091581A (zh) 一种基于稀疏轨迹的车辆运营行为类型识别方法
CN110610118A (zh) 交通参数采集方法及装置
CN115440071B (zh) 一种自动驾驶违规停车检测方法
KR102616571B1 (ko) 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템
CN113192340B (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
CN115394089A (zh) 一种车辆信息融合展示的方法、无感通行系统及存储介质
CN114707567A (zh) 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品
CN116416780A (zh) 一种路侧感知系统的测试方法、装置、测试设备和介质
CN113963550A (zh) 一种多义路径识别方法、装置及电子设备
CN115546704B (zh) 一种车辆抛洒物识别方法、装置及应用

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