CN115662145B - 一种基于大数据的事故路段车辆应急分流方法 - Google Patents
一种基于大数据的事故路段车辆应急分流方法 Download PDFInfo
- Publication number
- CN115662145B CN115662145B CN202211672930.2A CN202211672930A CN115662145B CN 115662145 B CN115662145 B CN 115662145B CN 202211672930 A CN202211672930 A CN 202211672930A CN 115662145 B CN115662145 B CN 115662145B
- Authority
- CN
- China
- Prior art keywords
- road
- accident
- road section
- lane
- vehicle
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 229920006395 saturated elastomer Polymers 0.000 claims description 17
- 230000000903 blocking effect Effects 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 10
- 206010039203 Road traffic accident Diseases 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004308 accommodation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种基于大数据的事故路段车辆应急分流方法,其方法包括:确定当前事故路段所处位置,获取以事故路段为中心的路网;获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测;基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整;当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶,可以根据事故路段的具体情况获取最佳的车辆分流方式,达到最优的道路疏通效果。
Description
技术领域
本发明涉及大数据技术领域,特别涉及一种基于大数据的事故路段车辆应急分流方法。
背景技术
目前,车辆普及率越来越高,对于城市道路的负担也越来越重,一旦某条道路发生交通事故,往往会造成很长时间的拥堵,影响人们的出现体验。
目前,在出现交通事故后,往往需要通过人力进行疏导,人为疏导带有很强的主观意愿,对进行对向借道或者导引车辆进入其他路段,都很难达到最佳的疏通效果。
因此,本发明提供一种基于大数据的事故路段车辆应急分流方法。
发明内容
本发明提供一种基于大数据的事故路段车辆应急分流方法,用以通过确定事故路段的位置和路网,获取事故路段的源头参数和路网的车辆情况,对事故路段交通参数进行预测,从而确定事故路段车道的调整情况,当调整结果不足以缓解行驶压力时,进一步选取可分流道路进行分流,可以根据事故路段的具体情况获取最佳的车辆分流方式,达到最优的道路疏通效果。
本发明提供一种基于大数据的事故路段车辆应急分流方法,包括:
步骤1:确定当前事故路段所处位置,获取以事故路段为中心的路网;
步骤2:获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测;
步骤3:基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整;
步骤4:当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶。
优选的,确定当前事故路段所处位置,获取以事故路段为中心的路网,包括:
以安装在城市道路的摄像头进行固定时间间隔拍摄,获取道路图像;
通过人工智能识别技术识别道路图像,筛选出具有交通事故特征的道路图像,以筛选出的道路图像所对应摄像头的所在位置,确定事故路段位置;
基于电子地图,获取以事故路段为中心的路网。
优选的,获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测,包括:
提取事故路段图像中影响交通正常运行的阻碍对象;
分析所述阻碍对象的对象类型以及对象轮廓,并得到所述阻碍对象的源头参数;
根据事故路段图像,并基于所述源头参数,获取事故方向当前可通行的行车道数量和对向车道的行车道数量;
对事故路段图像进行双向的车辆分析;
确定路网中车辆流向事故路段事故方向的分叉路段为第一路段、流向事故路段对向方向的分叉路段为第二路段;
基于路网获取第一路段的分叉口与事故路段中末尾位置的第一距离以及与事故路段中初始拥堵位置的第二距离;
基于路网获取第二路段的分叉口与事故路段中末尾位置的第三距离以及与事故路段中初始拥堵位置的第四距离;
基于第一路段和第二路段的道路图像,获取第一路段和第二路段的车辆情况;
基于第一路段和第二路段的车辆情况、第一路段对应的第一距离以及第二距离、第二路段对应的第三距离以及第四距离、事故路段当前可通行的行车道数量和对向车道的行车道数量以及双向的车辆分析结果,对事故路段交通参数进行预测。
优选的,基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整,包括:
获取所述事故路段的事故方向的第一预测交通参数和事故对向的第二预测交通参数;
基于所述第一预测交通参数,确定所述事故方向中每个同向车道中每个单位道路区域基于事故源头的第一车流量,并对所述第一车流量小于预设车流量的区域进行锁定,并构建得到所述事故方向中每个同向车道的第一流量序列;
基于所述第二预测交通参数,确定所述事故路段中事故对向中每个对向车道的第二流量序列;
基于所有第一流量序列、阻碍对象所占据的事故车道以及所有第二流量序列,确定车道调整方式进行车道调整。
优选的,基于所有第一流量序列、阻碍对象所占据的事故车道以及所有第二流量序列,确定车道调整方式进行车道调整,包括:
计算阻碍对象所占据的事故车道对应的第一流量序列的第一拥堵值Y1;
计算每个剩余第一流量序列的第二拥堵值;
计算每个第二流量序列的第三拥堵值;
确定所述阻碍对象所占据的事故车道的车道当下位置;
当所述车道当下位置为平面路段时,从路段-影响数据库中调取第一影响因子;
当所述车道当下位置为坡面路段时,从路段-影响数据库中调取第二影响因子;
当所述车道当下位置为红绿灯路段时,从路段-影响数据库中调取第三影响因子;
基于调取的影响因子、计算的第一拥堵值、第二拥堵值以及第三拥堵值,分别输入到车道调整模型中,输出得到车道调整方式;
按照所述车道调整方式进行车道调整。
优选的,当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶,包括:
当调整后的行驶车道的第一车辆密度小于预设车辆密度时,则判定调整后的行驶车道足以缓解当下行驶压力;
否则,判定调整后的行驶车道不足以缓解当下行驶压力,此时,基于路网信息获取事故影响范围内与事故路段的相连接路段;
判断所述相连接路段的拥堵情况,以道路畅通的路段作为可分流道路;
基于可分流道路的道路情况计算可分流道路的饱和交通参数;
获取可分流道路目前的第三交通参数,结合所述饱和交通参数,确定可分流道路的可分流车辆数;
基于可分流车辆数和路程最近原则,对待分流路段的司机进行分流提醒行驶。
优选的,判断所述相连接路段的拥堵情况,以道路畅通的路段作为可分流道路,包括:
获取所述相连接路段在预设时间内的等时间间隔的多张道路图像;
基于车辆识别模型,对道路图像进行车辆识别;
基于同一车辆的车辆识别结果计算所述同一车辆的平均速度,进而获取所述相连接路段的车辆总体平均速度v;
获取所述相连接路段的道路占有率n;
基于车辆总体平均速度和道路占有率对所述相连接路段进行拥堵判定,确定道路拥堵等级,选取道路拥堵等级小于预设等级的路段作为可分流道路。
优选的,基于车辆总体平均速度和道路占有率对所述相连接路段进行拥堵判定,包括:
其中,预设等级为第三等级,拥堵情况第五等级>第四等级>第三等级>第二等级>第一等级;
优选的,获取可分流道路目前的第三交通参数,结合所述饱和交通参数,确定可分流道路的可分流车辆数,包括:
基于可分流道路的车辆总体平均速度和道路占有率,确定可分流道路目前的第三交通参数;
基于可分流道路的第三交通参数和饱和交通参数,确定未饱和交通参数;
基于未饱和交通参数反向解析出可分流道路的车辆剩余容纳量,进而确定可分流道路的可分流车辆。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于大数据的事故路段车辆应急分流方法的流程图;
图2为本发明实施例中实施例3的流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1
本发明实施例提供一种基于大数据的事故路段车辆应急分流方法,如图1所示,包括:
步骤1:确定当前事故路段所处位置,获取以事故路段为中心的路网;
步骤2:获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测;
步骤3:基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整;
步骤4:当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶。
该实施例中,确定当前事故路段所处位置是基于拍摄到事故路段的摄像头的所处位置确定的。
该实施例中,源头参数是指事故路段影响交通正常运行的阻碍对象的参数,比如,在车道1中的位置A处两辆车相撞,车辆情况是指路网中流向事故路段的道路的车辆数和车辆速度以及相应的道路距离,交通参数是指车辆速度、车辆流量和车辆密度。
该实施例中,对事故路段行车道数量和对向车道行车道数量调整是基于预测的交通参数通过车道调整模型得到的。
该实施例中,相连接路段的拥堵情况是通过对相连接路段的道路图像进行分析得到的,也就是与发生交通事故的路段连接的分叉路段。
上述技术方案的有益效果是:通过确定事故路段的位置和路网,获取事故路段的源头参数和路网的车辆情况,对事故路段交通参数进行预测,从而确定事故路段车道的调整情况,当调整结果不足以缓解行驶压力时,进一步选取可分流道路进行分流,可以根据事故路段的具体情况获取最佳的车辆分流方式,达到最优的道路疏通效果。
实施例2
基于实施例1,确定当前事故路段所处位置,获取以事故路段为中心的路网,包括:
以安装在城市道路的摄像头进行固定时间间隔拍摄,获取道路图像;
通过人工智能识别技术识别道路图像,筛选出具有交通事故特征的道路图像,以筛选出的道路图像所对应摄像头的所在位置,确定事故路段位置;
基于电子地图,获取以事故路段为中心的路网。
该实施例中,固定时间间隔是预先设置好的,可以根据不同时间段进行时间间隔的调整,比如,早高峰和晚高峰车流量较大的时间段拍摄时间间隔可以短一些,其他时间拍摄时间间隔可以长一些,比如,高峰每隔10秒拍摄一次,其他时段每隔40秒拍摄一次。
该实施例中,比如:摄像头的所在位置在道路中间,则事故路段位置就在摄像头的所在位置;摄像头的所在位置在道路交叉口,则基于道路图像特征进行对摄像头的所在位置附近进行检索,确定事故路段位置。
该实施例中,路网是以事故路段为中心10公里以内的路网。
上述技术方案的有益效果是:通过道路摄像头进行固定时间间隔拍摄,获取道路图像,基于人工智能识别技术,筛选出具有交通事故特征的图像,进而确定事故路段位置以及路网,可以对交通事故快速识别从而进行后续的快速反应,为道路疏通节约了时间。
实施例3
基于实施例1,获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测,如图2所示,包括:
步骤01:提取事故路段图像中影响交通正常运行的阻碍对象;
步骤02:分析所述阻碍对象的对象类型以及对象轮廓,并得到所述阻碍对象的源头参数;
步骤03:根据事故路段图像,并基于所述源头参数,获取事故方向当前可通行的行车道数量和对向车道的行车道数量;
步骤04:对事故路段图像进行双向的车辆分析;
步骤05:确定路网中车辆流向事故路段事故方向的分叉路段为第一路段、流向事故路段对向方向的分叉路段为第二路段;
步骤06:基于路网获取第一路段的分叉口与事故路段中末尾位置的第一距离以及与事故路段中初始拥堵位置的第二距离;
步骤07:基于路网获取第二路段的分叉口与事故路段中末尾位置的第三距离以及与事故路段中初始拥堵位置的第四距离;
步骤08:基于第一路段和第二路段的道路图像,获取第一路段和第二路段的车辆情况;
步骤09:基于第一路段和第二路段的车辆情况、第一路段对应的第一距离以及第二距离、第二路段对应的第三距离以及第四距离、事故路段当前可通行的行车道数量和对向车道的行车道数量以及双向的车辆分析结果,对事故路段交通参数进行预测。
该实施例中,阻碍对象是指道路中的事故车辆。
该实施例中,对象类型是指车辆的类型,比如:小汽车、摩托车、大卡车等,对象轮廓是指车辆的轮廓,源头参数是指阻碍对象对道路的车道占用情况。
该实施例中,事故方向当前可通行的行车道数量是根据事故路段图像确定本来的行车道数量减去因阻碍对象无法通行的行车道数量得到的,对象车道的数量根据事故路段图像直接得出。
该实施例中,车辆分析是指对车辆轮廓标定识别,进而获取双向车辆的车速、车辆流量等数据。
该实施例中,事故路段指的是以源头为初始拥堵位置,且该源头导致事故路段的发生造成事故拥堵段,进而该拥堵段中距离源头最远的位置为末尾位置。
该实施例中,车辆情况是指车辆类型、车辆速度、车辆数量等。
该实施例中,对事故路段交通参数是基于交通参数预测模型得到的,交通参数预测模型是基于当前车道数量和车辆分析结果以及流向当前车道的路段的车辆情况提前训练好的。
上述技术方案的有益效果是:通过获取事故路段阻碍对象的源头参数,进而确定当前双向行车道数量,对双向车辆进行分析,确定流向事故路段的第一路段和第二路段的车辆情况以及第一路段和第二路段距离初始拥堵位置和末尾位置的距离,进而对事故路段的交通参数进行预测,为后续事故路段行车道数量调整奠定了基础。
实施例4
基于实施例1,基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整,包括:
获取所述事故路段的事故方向的第一预测交通参数和事故对向的第二预测交通参数;
基于所述第一预测交通参数,确定所述事故方向中每个同向车道中每个单位道路区域基于事故源头的第一车流量,并对所述第一车流量小于预设车流量的区域进行锁定,并构建得到所述事故方向中每个同向车道的第一流量序列;
基于所述第二预测交通参数,确定所述事故路段中事故对向中每个对向车道的第二流量序列;
基于所有第一流量序列、阻碍对象所占据的事故车道以及所有第二流量序列,确定车道调整方式进行车道调整。
该实施例中,第一车流量是从事故源头开始每个车道的每个50m道路区域的车流量,预设车流量是预先设定好的,可以是基于事故路段道路信息得到的最佳车流量,第一流量序列是第一车流量按位置顺序排列的序列,第二流量序列和第一流量序列类似。
该实施例中,对车道进行调整是通过以第一流量序列和第二流量序列计算拥堵值,并结合事故车道的影响因子,基于车道调整模型得到的。
该实施例中,流量序列指的是该事故路段中每个单位道路区域的车流量构成的,当以1km为单位区域时,该事故道路有1km,此时,该序列中存在20个流量值。
上述技术方案的有益效果是:通过双向车道的预测交通参数,获取每个车道的车流量,以小于预设车流量的车流量构建流量序列,基于流量序列确定车道调整方式进行车道调整,可以确定最佳的车道调整方式,以更好的缓解事故路段的行驶压力。
实施例5
基于实施例4,基于所有第一流量序列、阻碍对象所占据的事故车道以及所有第二流量序列,确定车道调整方式进行车道调整,包括:
计算阻碍对象所占据的事故车道对应的第一流量序列的第一拥堵值Y1;
计算每个剩余第一流量序列的第二拥堵值;
计算每个第二流量序列的第三拥堵值;
确定所述阻碍对象所占据的事故车道的车道当下位置;
当所述车道当下位置为平面路段时,从路段-影响数据库中调取第一影响因子;
当所述车道当下位置为坡面路段时,从路段-影响数据库中调取第二影响因子;
当所述车道当下位置为红绿灯路段时,从路段-影响数据库中调取第三影响因子;
基于调取的影响因子、计算的第一拥堵值、第二拥堵值以及第三拥堵值,分别输入到车道调整模型中,输出得到车道调整方式;
按照所述车道调整方式进行车道调整。
该实施例中,路段-影响数据库是提前设置好的,且不同路段对应的影响因子是不一样的,比如,红绿灯路段的影响因子>坡面路段的影响因子>平面路段的影响因子。
该实施例中,车道调整模型是基于影响因子、拥堵值和车道数量改变情况提前训练好的。
上述技术方案的有益效果是:通过计算得到第一拥堵值、第二拥堵值和第三拥堵值,并结合事故车道的影响因子,基于车道调整模型,确定车道调整方式,进行最优的车道调整,更好的缓解事故路段的交通压力。
实施例6
基于实施例1,当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶,包括:
当调整后的行驶车道的第一车辆密度小于预设车辆密度时,则判定调整后的行驶车道足以缓解当下行驶压力;
否则,判定调整后的行驶车道不足以缓解当下行驶压力,此时,基于路网信息获取事故影响范围内与事故路段的相连接路段;
判断所述相连接路段的拥堵情况,以道路畅通的路段作为可分流道路;
基于可分流道路的道路情况计算可分流道路的饱和交通参数;
获取可分流道路目前的第三交通参数,结合所述饱和交通参数,确定可分流道路的可分流车辆数;
基于可分流车辆数和路程最近原则,对待分流路段的司机进行分流提醒行驶。
该实施例中,第一车辆密度是基于车道调整后的事故路段的交通参数得到的,预设车辆密度是预先设置好的,可以是车道在最大车辆流量下的车辆密度。
该实施例中,饱和交通参数是最大车辆流量和对应的车辆速度、车辆密度。
该实施例中,路程最近原则是以待分流路段的车辆距离最近的可分流道路进行分流,若在最近的可分流道路的分流车辆饱和后再选择第二近的可分流道路进行分流,依次类推。
上述技术方案的有益效果是:通过对第一车辆密度进行判断,确定调整后的车道是否足以缓解行驶压力,在不足以缓解的情况下,通过选择与事故路段的相连接路段中道路畅通的路段进行分流,同时确定可分流道路的可分流车辆,以路程最近原则对司机进行提醒行驶,在缓解事故路段的行驶压力的同时,保证了其他道路的顺畅通行。
实施例7
基于实施例6,判断所述相连接路段的拥堵情况,以道路畅通的路段作为可分流道路,包括:
获取所述相连接路段在预设时间内的等时间间隔的多张道路图像;
基于车辆识别模型,对道路图像进行车辆识别;
基于同一车辆的车辆识别结果计算所述同一车辆的平均速度,进而获取所述相连接路段的车辆总体平均速度v;
获取所述相连接路段的道路占有率n;
基于车辆总体平均速度和道路占有率对所述相连接路段进行拥堵判定,确定道路拥堵等级,选取道路拥堵等级小于预设等级的路段作为可分流道路。
该实施例中,车辆识别模型是基于道路图像提前训练好的。
该实施例中,拥堵判定是通过对车辆总体平均速度和道路占有率与预设数值进行比较得到的,拥堵等级分为五个等级,等级越大表示越拥堵。
上述技术方案的有益效果是:通过获取道路图像,确定车辆总体平均速度和道路占有率,进而对道路拥堵等级进行判定,选取道路拥堵等级小于预设等级的路段作为可分流道路,可以更准确的得到可分流道路,起到更好的分流效果。
实施例8
基于实施7,基于车辆总体平均速度和道路占有率对所述相连接路段进行拥堵判定,包括:
,则判断道路拥堵等级为第一等级;
其中,预设等级为第三等级,拥堵情况第五等级>第四等级>第三等级>第二等级>第一等级;
该实施例中,若某道路
上述技术方案的有益效果是:通过分别对车辆总体平均速度和道路占有率与预设数值比对,确定道路拥堵等级,通过两个指标的判定结果确定道路拥堵等级更加精确,为确定可分流道路奠定了基础。
实施例9
基于实施例6,获取可分流道路目前的第三交通参数,结合所述饱和交通参数,确定可分流道路的可分流车辆数,包括:
基于可分流道路的车辆总体平均速度和道路占有率,确定可分流道路目前的第三交通参数;
基于可分流道路的第三交通参数和饱和交通参数,确定未饱和交通参数;
基于未饱和交通参数反向解析出可分流道路的车辆剩余容纳量,进而确定可分流道路的可分流车辆。
该实施例中,第三交通参数指车辆流量、车辆密度、车辆速度。
该实施例中,未饱和交通参数是饱和交通参数与第三交通参数的的差值。
该实施例中,对未饱和交通参数进行反向解析是根据交通参数之间的关系进行
的,车辆流量=车辆速度车辆密度,以未饱和交通参数对应的车辆流量和饱和交通参数
对应的车辆速度,得到车辆密度,结合可分流道路的道路信息便可得到车辆剩余容纳量。
上述技术方案的有益效果是:通过确定可分流道路的第三交通参数,并基于饱和交通参数,确定未饱和参数,以未饱和参数反向解析出车辆剩余容纳量,确定出可分流道路的可分流车辆,可以更好的对待分流车辆进行分流,保证可分流道路的畅通性。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于大数据的事故路段车辆应急分流方法,其特征在于,包括:
步骤1:确定当前事故路段所处位置,获取以事故路段为中心的路网;
步骤2:获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测;
步骤3:基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整;
步骤4:当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶;
其中,基于预测的交通参数对事故路段行车道数量和对向车道行车道数量进行调整,包括:
获取所述事故路段的事故方向的第一预测交通参数和事故对向的第二预测交通参数;
基于所述第一预测交通参数,确定所述事故方向中每个同向车道中每个单位道路区域基于事故源头的第一车流量,并对所述第一车流量小于预设车流量的区域进行锁定,并构建得到所述事故方向中每个同向车道的第一流量序列;
基于所述第二预测交通参数,确定所述事故路段中事故对向中每个对向车道的第二流量序列;
基于所有第一流量序列、阻碍对象所占据的事故车道以及所有第二流量序列,确定车道调整方式进行车道调整;
其中,基于所有第一流量序列、阻碍对象所占据的事故车道以及所有第二流量序列,确定车道调整方式进行车道调整,包括:
计算每个剩余第一流量序列的第二拥堵值;
计算每个第二流量序列的第三拥堵值;
确定所述阻碍对象所占据的事故车道的车道当下位置;
当所述车道当下位置为平面路段时,从路段-影响数据库中调取第一影响因子;
当所述车道当下位置为坡面路段时,从路段-影响数据库中调取第二影响因子;
当所述车道当下位置为红绿灯路段时,从路段-影响数据库中调取第三影响因子;
基于调取的影响因子、计算的第一拥堵值、第二拥堵值以及第三拥堵值,分别输入到车道调整模型中,输出得到车道调整方式;
按照所述车道调整方式进行车道调整。
2.如权利要求1所述的一种基于大数据的事故路段车辆应急分流方法,其特征在于,确定当前事故路段所处位置,获取以事故路段为中心的路网,包括:
以安装在城市道路的摄像头进行固定时间间隔拍摄,获取道路图像;
通过人工智能识别技术识别道路图像,筛选出具有交通事故特征的道路图像,以筛选出的道路图像所对应摄像头的所在位置,确定事故路段位置;
基于电子地图,获取以事故路段为中心的路网。
3.如权利要求1所述的一种基于大数据的事故路段车辆应急分流方法,其特征在于,获取事故路段的源头参数和所述路网对应范围内的车辆情况,对事故路段交通参数进行预测,包括:
提取事故路段图像中影响交通正常运行的阻碍对象;
分析所述阻碍对象的对象类型以及对象轮廓,并得到所述阻碍对象的源头参数;
根据事故路段图像,并基于所述源头参数,获取事故方向当前可通行的行车道数量和对向车道的行车道数量;
对事故路段图像进行双向的车辆分析;
确定路网中车辆流向事故路段事故方向的分叉路段为第一路段、流向事故路段对向方向的分叉路段为第二路段;
基于路网获取第一路段的分叉口与事故路段中末尾位置的第一距离以及与事故路段中初始拥堵位置的第二距离;
基于路网获取第二路段的分叉口与事故路段中末尾位置的第三距离以及与事故路段中初始拥堵位置的第四距离;
基于第一路段和第二路段的道路图像,获取第一路段和第二路段的车辆情况;
基于第一路段和第二路段的车辆情况、第一路段对应的第一距离以及第二距离、第二路段对应的第三距离以及第四距离、事故路段当前可通行的行车道数量和对向车道的行车道数量以及双向的车辆分析结果,对事故路段交通参数进行预测。
4.如权利要求1所述的一种基于大数据的事故路段车辆应急分流方法,其特征在于,当调整结果不足以缓解当下行驶压力时,获取事故影响范围内与事故路段的相连接路段,并判断所述相连接路段的拥堵情况,选取可分流道路进行提醒行驶,包括:
当调整后的行驶车道的第一车辆密度小于预设车辆密度时,则判定调整后的行驶车道足以缓解当下行驶压力;
否则,判定调整后的行驶车道不足以缓解当下行驶压力,此时,基于路网信息获取事故影响范围内与事故路段的相连接路段;
判断所述相连接路段的拥堵情况,以道路畅通的路段作为可分流道路;
基于可分流道路的道路情况计算可分流道路的饱和交通参数;
获取可分流道路目前的第三交通参数,结合所述饱和交通参数,确定可分流道路的可分流车辆数;
基于可分流车辆数和路程最近原则,对待分流路段的司机进行分流提醒行驶。
5.如权利要求4所述的一种基于大数据的事故路段车辆应急分流方法,其特征在于,判断所述相连接路段的拥堵情况,以道路畅通的路段作为可分流道路,包括:
获取所述相连接路段在预设时间内的等时间间隔的多张道路图像;
基于车辆识别模型,对道路图像进行车辆识别;
基于同一车辆的车辆识别结果计算所述同一车辆的平均速度,进而获取所述相连接路段的车辆总体平均速度v;
获取所述相连接路段的道路占有率n;
基于车辆总体平均速度和道路占有率对所述相连接路段进行拥堵判定,确定道路拥堵等级,选取道路拥堵等级小于预设等级的路段作为可分流道路。
7.如权利要求4所述的一种基于大数据的事故路段车辆应急分流方法,其特征在于,获取可分流道路目前的第三交通参数,结合所述饱和交通参数,确定可分流道路的可分流车辆数,包括:
基于可分流道路的车辆总体平均速度和道路占有率,确定可分流道路目前的第三交通参数;
基于可分流道路的第三交通参数和饱和交通参数,确定未饱和交通参数;
基于未饱和交通参数反向解析出可分流道路的车辆剩余容纳量,进而确定可分流道路的可分流车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672930.2A CN115662145B (zh) | 2022-12-26 | 2022-12-26 | 一种基于大数据的事故路段车辆应急分流方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211672930.2A CN115662145B (zh) | 2022-12-26 | 2022-12-26 | 一种基于大数据的事故路段车辆应急分流方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115662145A CN115662145A (zh) | 2023-01-31 |
CN115662145B true CN115662145B (zh) | 2023-03-10 |
Family
ID=85022424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211672930.2A Active CN115662145B (zh) | 2022-12-26 | 2022-12-26 | 一种基于大数据的事故路段车辆应急分流方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115662145B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116631192B (zh) * | 2023-06-12 | 2024-03-29 | 上海优景智能科技股份有限公司 | 智慧城市的综合管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063794A (zh) * | 2011-01-14 | 2011-05-18 | 隋亚刚 | 基于占有率数据的城市快速路自动事件检测和协同指挥调度系统 |
CN106408956A (zh) * | 2016-11-01 | 2017-02-15 | 长安大学 | 一种隧道交通拥堵快速疏散方法及控制系统 |
CN109559509A (zh) * | 2018-11-16 | 2019-04-02 | 浩鲸云计算科技股份有限公司 | 一种基于突发事件下信控诱导分流方法 |
CN112542047A (zh) * | 2020-12-07 | 2021-03-23 | 东南大学 | 一种快速道路交通事故应急诱导分流判别方法 |
CN113077626A (zh) * | 2021-03-26 | 2021-07-06 | 星觅(上海)科技有限公司 | 一种车道选择的引导方法、装置、系统、设备及存储介质 |
CN114141030A (zh) * | 2021-12-27 | 2022-03-04 | 吉林大学 | 一种异质行驶需求下的事故后高速公路车流诱导方法 |
CN115331454A (zh) * | 2022-09-01 | 2022-11-11 | 华路易云科技有限公司 | 一种基于互联网的路口分流车路协同控制系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3455841A4 (en) * | 2017-06-12 | 2019-07-17 | Beijing Didi Infinity Technology And Development Co., Ltd. | SYSTEM AND METHOD FOR ANALYSIS AND ADAPTATION OF ROAD CONDITIONS |
US11232705B2 (en) * | 2018-11-28 | 2022-01-25 | Toyota Jidosha Kabushiki Kaisha | Mitigation of traffic oscillation on roadway |
CN110503823B (zh) * | 2019-07-11 | 2021-06-22 | 江苏大学 | 一种自动驾驶车辆专用车道控制系统与方法 |
CN113034914B (zh) * | 2021-03-23 | 2022-07-19 | 同济大学建筑设计研究院(集团)有限公司 | 一种高速公路硬路肩动态调整系统及其方法 |
CN115424432B (zh) * | 2022-07-22 | 2024-05-28 | 重庆大学 | 一种基于多源数据的高速公路异常事件下的上游分流方法 |
-
2022
- 2022-12-26 CN CN202211672930.2A patent/CN115662145B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063794A (zh) * | 2011-01-14 | 2011-05-18 | 隋亚刚 | 基于占有率数据的城市快速路自动事件检测和协同指挥调度系统 |
CN106408956A (zh) * | 2016-11-01 | 2017-02-15 | 长安大学 | 一种隧道交通拥堵快速疏散方法及控制系统 |
CN109559509A (zh) * | 2018-11-16 | 2019-04-02 | 浩鲸云计算科技股份有限公司 | 一种基于突发事件下信控诱导分流方法 |
CN112542047A (zh) * | 2020-12-07 | 2021-03-23 | 东南大学 | 一种快速道路交通事故应急诱导分流判别方法 |
CN113077626A (zh) * | 2021-03-26 | 2021-07-06 | 星觅(上海)科技有限公司 | 一种车道选择的引导方法、装置、系统、设备及存储介质 |
CN114141030A (zh) * | 2021-12-27 | 2022-03-04 | 吉林大学 | 一种异质行驶需求下的事故后高速公路车流诱导方法 |
CN115331454A (zh) * | 2022-09-01 | 2022-11-11 | 华路易云科技有限公司 | 一种基于互联网的路口分流车路协同控制系统 |
Non-Patent Citations (1)
Title |
---|
林启华.基于VISSIM仿真的高速公路隧道拥堵优化方案分析.2022,(第4期),第54-57页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115662145A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11074813B2 (en) | Driver behavior monitoring | |
US11836985B2 (en) | Identifying suspicious entities using autonomous vehicles | |
Abdel-Aty et al. | Dynamic variable speed limit strategies for real-time crash risk reduction on freeways | |
CN108986546B (zh) | 一种车辆事故预警方法及其服务器 | |
CN111325978B (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 | |
KR101696881B1 (ko) | 교통 정보 분석 방법 및 장치 | |
CN109272746B (zh) | 一种基于bp神经网络数据融合的mfd估测方法 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
CN109272744B (zh) | 一种基于排队长度的城市快速路入口匝道控制方法 | |
CN113257024B (zh) | 一种基于v2i的高速公路雨雾环境防追尾预警方法及系统 | |
CN115662145B (zh) | 一种基于大数据的事故路段车辆应急分流方法 | |
CN106781558A (zh) | 车联网下基于宏观基本图的主通道交通流快速疏导方法 | |
CN113744533B (zh) | 一种基于5g的车辆疏导方法及系统 | |
CN114898578B (zh) | 一种高速公路的车辆引导方法、装置及系统 | |
CN110660270A (zh) | 车辆碰撞风险评价模型的建立方法和碰撞风险评价方法 | |
CN112435473A (zh) | 一种结合历史数据的快速路交通流溯源及匝道调控方法 | |
Odeh | Management of an intelligent traffic light system by using genetic algorithm | |
CN111899514A (zh) | 一种人工智能的拥堵检测系统 | |
Louah et al. | Traffic operations at an entrance ramp of a suburban freeway first results | |
US20090287403A1 (en) | Method and device for fusion of traffic data when information is incomplete | |
JP2006323876A (ja) | 運転者将来状況予測装置 | |
CN113963540A (zh) | 一种基于车路协同的无信号交叉口车道级引导系统和方法 | |
CN109035756A (zh) | 路况分析方法、装置、服务器和计算机可读存储介质 | |
CN113345238A (zh) | 一种基于城市公交网络感知的交通拥堵分析系统 | |
CN110428612A (zh) | 车辆管控方法、装置、计算机设备和存储介质 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230418 Address after: One of the fifth floors of Building 1, Industrial Building, No. 20 Ganglong South Road, West District, Zhongshan City, Guangdong Province, 528400 Patentee after: Shengda Technology Development (Zhongshan City) Co.,Ltd. Address before: 528400 No. 20 Ganglong South Road, West District, Zhongshan City, Guangdong Province Patentee before: Guangdong Huitong Information Technology Co.,Ltd. |
|
TR01 | Transfer of patent right |