CN115938122A - 隧道交通预测诱导系统、控制方法及终端 - Google Patents

Abstract

本发明提供一种隧道交通预测诱导系统、控制方法及终端，根据前端实时回馈的隧道内各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果控制诱导模块对隧道内行驶的车辆进行诱导指示。本发明不仅大大提高了隧道通行效率、减少隧道交通拥堵问题，还全面提升了隧道交通的安全性以及交通动态疏导与应变能力，并且辅助实现了数字化隧道交通系统运行管控实时性、可靠性、先进性的全面提升。

Description

隧道交通预测诱导系统、控制方法及终端

技术领域

本发明涉及隧道交通领域，特别是涉及一种隧道交通预测诱导系统、控制方法及终端。

背景技术

随着我国科技能力的进步和工程交通建设的提升，隧道桥梁等地面交通建设工程的数量和里程数不断增加。隧道通常分布于城市建筑物、江海湖泊的地下，以及崇山峻岭中，隧道因其建造环境空间的特殊性，例如进出隧道时光线的变化、隧道内部道路变化、路面状态，较一般路段更易发生事故，此外，由于隧道空间狭窄、条件受限，突发交通事故或异常状况时不利于疏散救援，隧道交通的管理难度和应急处理执行难度远大于一般道路交通。

如何面对上述的隧道交通问题，突破性地提升交通动态疏导与应变能力，构建更契合数字化隧道交通运维管控的创新性体系，已成为隧道交通系统建设中面临的又一个技术挑战。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种隧道交通预测诱导系统、控制方法及终端，用于解决以上现有技术问题。

为实现上述目的及其他相关目的，本发明提供一种隧道交通预测诱导系统，所述系统包括：隧道交通数据采集模块，用于实时采集隧道内一或多个车道的交通数据；历史信息查找模块，用于存储隧道内各车道的历史交通数据；隧道交通状态预测模块，连接所述隧道交通数据采集模块以及历史信息查找模块，用于根据实时输入的各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果生成对应的诱导控制指令；诱导模块，连接所述隧道交通状态预测模块，用于基于所述诱导控制指令生成对应的诱导信息以供在隧道内进行区域化显示。

于本发明的一实施例中，所述隧道交通数据采集模块包括：图像采集模块以及传感信息采集模块；其中，所述图像采集模块用于实时采集隧道内外的图像数据；所述传感信息采集模块用于实时采集隧道内的环境数据。

于本发明的一实施例中，所述隧道交通状态预测模块包括：交通状态预测单元，用于基于构建的隧道交通状态预测模型，根据输入的当前时间段的各车道的交通数据以及历史交通数据对各车道下一时间段的交通状态进行预测，以输出对应的各车道下一时间段的交通状态预测结果；其中，所述历史交通数据包括：当前时间段之前的多个连续历史时间段的交通数据；诱导控制单元，连接所述交通状态预测单元，用于基于各车道下一时间段的交通状态预测结果生成对应的诱导控制指令。

于本发明的一实施例中，所述隧道交通状态预测模型包括：输入模块，用于输入当前时间段的各车道的交通数据以及历史交通数据；ARIMA预测模块，连接所述输入模块，用于根据当前时间段的各车道的交通数据以及历史交通数据构建ARIMA时间序列预测模型，并基于该ARIMA时间序列预测模型获得各车道下一时间段的第一交通数据预测结果；其中，所述交通数据至少包括：流量数据、密度数据以及速度数据；所述第一交通数据预测结果包括：第一流量预测数据、第一密度预测数据以及第一速度预测数据；SVM预测模块，连接所述输入模块，用于根据当前时间段的各车道的交通数据以及历史交通数据构建支持向量机预测模型，并基于该支持向量机预测模型获得各车道下一时间段的第二交通数据预测结果；其中，所述第二交通数据预测结果包括：第二流量预测数据、第二密度预测数据以及第二速度预测数据；权重确定与融合模块，连接所述ARIMA预测模块以及SVM预测模块，用于确定所述ARIMA时间序列预测模型以及支持向量机预测模型的权重，并基于确定的权重对所述第一交通数据预测结果以及第二交通数据预测结果进行融合，获得各车道下一时间段的融合预测结果；其中，所述融合预测结果包括：流量预测数据、密度预测数据以及速度预测数据；结果生成模块，连接所述权重确定与融合模块，用于基于各车道下一时间段的融合预测结果判断各车道下一时间段的交通状态，以生成各车道下一时间段的交通状态预测结果；输出模块，连接所述结果生成模块，用于输出各车道下一时间段的交通状态预测结果。

于本发明的一实施例中，所述ARIMA预测模块还用于在构建ARIMA时间序列预测模型之前需对输入当前时间段的各车道的交通数据以及历史交通数据检验输入序列是否平稳；若是，则基于当前时间段的各车道的交通数据以及历史交通数据建立ARIMA时间序列预测模型；若否，则对当前时间段的各车道的交通数据以及历史交通数据进行差分处理，以供直至检测输入序列为平稳的情况下建立所述ARIMA时间序列预测模型。

于本发明的一实施例中，所述确定ARIMA时间序列预测模型以及支持向量机预测模型的权重包括：利用基于构建的ARIMA时间序列预测模型以及支持向量机预测模型获得的对应各车道的各历史时间段的下一时间段的第一交通数据预测结果与第二交通数据预测结果以及各车道各历史时间段的下一时间段的交通数据计算模型预测误差，并通过该模型预测误差确定ARIMA时间序列预测模型以及支持向量机预测模型的权重。

于本发明的一实施例中，所述诱导模块包括：灯组模块、显示模块以及投影模块中的一种或多种；其中，所述诱导模块基于所述诱导控制指令生成对应的诱导信息以在隧道内进行区域化显示；其中，所述诱导信息包括：诱导照明信息、诱导显示信息、诱导警示信息、诱导交通信息中的一种或多种。

于本发明的一实施例中，所述隧道交通状态预测模块还用于基于数字孪生技术，根据实时采集的各车道的交通数据构建隧道映射模型并进行显示。

为实现上述目的及其他相关目的，本发明提供一种隧道交通预测诱导控制方法，所述方法包括：根据实时输入的由隧道交通数据采集模块采集的各车道的隧道交通数据以及由历史信息查找模块储存的历史交通数据预测获得各车道下一时间段的交通状态预测结果；依据获得的各交通状态预测结果生成对应的诱导控制指令，以供控制诱导模块生成对应的诱导信息以供在隧道内进行区域化显示。

为实现上述目的及其他相关目的，本发明提供一种隧道交通预测诱导终端，包括：一或多个存储器及一或多个处理器；所述一或多个存储器，用于存储计算机程序；所述一或多个处理器，连接所述存储器，用于运行所述计算机程序以执行所述的方法。

如上所述，本发明是一种隧道交通预测诱导系统、控制方法及终端，具有以下有益效果：本发明根据前端实时回馈的隧道内各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果控制诱导模块对隧道内行驶的车辆进行诱导指示。本发明不仅大大提高了隧道通行效率、减少隧道交通拥堵问题，还全面提升了隧道交通的安全性以及交通动态疏导与应变能力，并且辅助实现了数字化隧道交通系统运行管控实时性、可靠性、先进性的全面提升。

附图说明

图1显示为本发明一实施例中的隧道交通预测诱导系统的结构示意图。

图2显示为本发明一实施例中的隧道交通预测诱导系统的结构示意图。

图3显示为本发明一实施例中的应用的隧道环境示意图。

图4显示为本发明一实施例中的隧道交通状态预测模型的结构示意图。

图5显示为本发明一实施例中的隧道交通状态预测的流程示意图。

图6显示为本发明一实施例中的隧道交通预测诱导控制方法的流程示意图。

图7显示为本发明一实施例中的隧道交通预测诱导控制终端的结构示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，在下述描述中，参考附图，附图描述了本发明的若干实施例。应当理解，还可使用其他实施例，并且可以在不背离本发明的精神和范围的情况下进行机械组成、结构、电气以及操作上的改变。下面的详细描述不应该被认为是限制性的，并且本发明的实施例的范围仅由公布的专利的权利要求书所限定。这里使用的术语仅是为了描述特定实施例，而并非旨在限制本发明。空间相关的术语，例如“上”、“下”、“左”、“右”、“下面”、“下方”、““下部”、“上方”、“上部”等，可在文中使用以便于说明图中所示的一个元件或特征与另一元件或特征的关系。

在通篇说明书中，当说某部分与另一部分“连接”时，这不仅包括“直接连接”的情形，也包括在其中间把其它元件置于其间而“间接连接”的情形。另外，当说某种部分“包括”某种构成要素时，只要没有特别相反的记载，则并非将其它构成要素，排除在外，而是意味着可以还包括其它构成要素。

其中提到的第一、第二及第三等术语是为了说明多样的部分、成分、区域、层及/或段而使用的，但并非限定于此。这些术语只用于把某部分、成分、区域、层或段区别于其它部分、成分、区域、层或段。因此，以下叙述的第一部分、成分、区域、层或段在不超出本发明范围的范围内，可以言及到第二部分、成分、区域、层或段。

再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。

本发明的一种隧道交通预测诱导系统，根据前端实时回馈的隧道内各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果控制诱导模块对隧道内行驶的车辆进行诱导指示。本发明不仅大大提高了隧道通行效率、减少隧道交通拥堵问题，还全面提升了隧道交通的安全性以及交通动态疏导与应变能力，并且辅助实现了数字化隧道交通系统运行管控实时性、可靠性、先进性的全面提升。

下面以附图为参考，针对本发明的实施例进行详细说明，以便本发明所述技术领域的技术人员能够容易地实施。本发明可以以多种不同形态体现，并不限于此处说明的实施例。

如图1展示本发明实施例中的一种隧道交通预测诱导系统的结构示意图。

本预测诱导系统应用于一隧道，该隧道具有一或多个车道，且具有隧道出入口处、隧道顶部以及隧道侧壁。

所述系统包括：

隧道交通数据采集模块1，用于实时采集隧道内一或多个车道的交通数据；该隧道交通数据采集模块1可以包括多个数据采集装置，可分别设于隧道出入口处、隧道顶部、隧道侧壁以及各车道的对应位置。该实时采集的交通数据可以作为当前时间段的数据进行后续预测。

历史信息查找模块2，用于存储上述隧道内各车道的历史交通数据，可作为隧道交通状态预测模块的参考信息。该历史交通数据可以对应之前的一或多个连续历史时间段的交通数据。

隧道交通状态预测模块3，连接所述隧道交通数据采集模块1以及历史信息查找模块2，用于根据实时输入的各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果生成对应的诱导控制指令。

诱导模块4，连接所述隧道交通状态预测模块3，用于基于所述诱导控制指令生成对应的诱导信息以供在隧道内进行区域化显示，以对进入隧道各车道的车辆进行诱导。

在一实施例中，如图2所示，隧道交通数据采集模块1包括：图像采集模块11以及传感信息采集模块12。

其中，所述图像采集模块11用于实时采集隧道内外的图像，采集的图像可分析隧道内外车辆、人员、异物、塌陷、洪水、裂缝和渗水情况。所述图像采集模块11可以包含一或多个图像采集装置，其可以为具有图像采集功能的任意装置，例如摄像头。所述传感信息采集模块12用于实时采集隧道内的环境信息；优选的，传感信息采集模块11可包括设于隧道对应位置的光照传感器、环境传感器(例如气体传感器、湿度传感器、温度传感器)、水深传感器、车道沉降传感器、测速传感器等装置中的一种或多种，用于采集隧道内的光照亮度、湿度、温度、水位、道路沉降、车辆行驶速度等参数。

需要说明的是，图像采集模块11以及传感信息采集模块12安装的隧道位置可以根据需求来设定。例如图3，该隧道具有三个车道，其中，路面沉降传感器121设于隧道侧壁底部两侧，测速传感器122设于隧道侧壁，环境传感器123(湿度、温度、有害气体等)设于隧道顶部，图像采集模块11设于隧道侧壁，光照传感器124设于隧道侧壁底部，车道占有传感器125设于各车道上。并且，图3的图像采集模块以及传感信息采集模块设置的位置仅用于图示举例说明本申请，具体以实际应用场景为准。

在一实施例中，如图2所示，所述诱导模块4包括：灯组模块41、显示模块42以及投影模块43中的一种或多种，图中仅以三个模块均设置为例；其可设置于隧道出入口处、隧道顶部、隧道侧壁、隧道的不同车道内；例如图3所示，诱导模块4布设于大范围隧道内壁。

诱导模块4基于所述诱导控制指令生成对应的诱导信息以在隧道内进行区域化显示；其中，诱导信息包括：诱导照明信息、诱导显示信息、诱导警示信息、诱导交通信息中的一种或多种。具体地，诱导照明信息是指通过变换不同亮度、不同色温、不同闪烁频率形成的照明灯光信息，诱导显示信息、诱导警示信息、诱导交通信息是指用图标、图形、图片、文字、交通指示标识等组成的显示信息。

具体的，所述灯组模块41包括可实现隧道照明、警示照明、景观照明的隧道灯、警示灯、照明灯带等。对警示照明灯组和隧道照明灯组的进行亮度、色温、闪烁频率、间距、渐变亮度控制，以适用不同预测交通状态，形成不同车道的区域化隧道交通诱导，确保能够真正实现为驾驶员提供隧道前方信息预警和视觉引导，全面提升隧道交通的通行效率与安全性的目的。例如，如图3，隧道顶部、隧道侧壁都设置有隧道灯，并在隧道内各区域设置警示灯，在出现交通事故时，灯组模块41可控制右侧两个出现交通事故的拥堵车道内的隧道灯调整为红色闪烁照明或黄色照明，分别代表车道拥堵和车道缓慢通行，同时，开启警示灯标识以警示过往车辆的前方出现交通事故，左侧畅通车道内的隧道灯则调整为绿色照明，代表车道畅通。

显示模块42可以为一或多个显示屏，可以分别显示不同的内容，也可以结合共同区域化显示一整体内容。所述显示模块42可以为LED显示屏，用于在隧道中营造出更为丰富绚丽的场景效果，进一步提升隧道交通环境中驾驶乐趣与舒适度。显示模块42还可为交通诱导屏、情报板显示屏，用于显示交通指示标识图标、文字等。

投影模块43可以为一或多个投影装置，用于在隧道内投影用于指示过往车辆的图标、图形、图片、文字、交通指示标识等，或者通过投影装置营造不同需求的现场氛围效果。

在设置所述灯组模块41的基础上，还可配合加入显示模块42或投影模块43等诱导模块营造出更真实直接的隧道内的区域化交通诱导。例如，隧道内顶部、侧部安装的显示屏可在预测下一时间段内交通状态时显示不同交通状态画面，以达到沉浸式交通诱导显示效果。例如显示隧道外相同画面，以模拟隧道外场景环境，或者用文字、交通指示标识组合显示前方道路故障信息，进一步，还可显示前方事故故障实时图片。

在一实施例中，所述隧道交通状态预测模块3包括：

交通状态预测单元，用于基于构建的隧道交通状态预测模型，根据输入的当前时间段的各车道的交通数据以及历史交通数据对各车道下一时间段的交通状态进行预测，以输出对应的各车道下一时间段的交通状态预测结果；其中，所述历史交通数据包括：当前时间段之前的多个连续历史时间段的交通数据；需要说明的是，所述时间段可以为一时刻也可以为具有一定时刻区间的时间段。

诱导控制单元，连接所述交通状态预测单元，用于基于各车道下一时间段的交通状态预测结果生成对应的诱导控制指令。具体的，若诱导模块为灯组模块、显示模块以及投影模块，则诱导控制指令的形式分别对应有灯组控制指令、显示控制指令以及投影控制指令，可以是单种形式的指令也可以是多种形式综合的指令。

在一实施例中，从交通流的特征来看，在同一位置的交通流参数具有长期趋势性，且通常认为预测的交通流量与历史的交通流量数据存在一定的线性关系，但又因其交通的随机波动性，导致交通流中亦存在非线性关系。因此我们采用ARIMA时间序列预测模型以及支持向量机预测模型来同时进行预测。

如图4所示，所述隧道交通状态预测模型包括：

输入模块411，用于输入当前时间段的各车道的交通数据以及历史交通数据；

ARIMA预测模块412，连接所述输入模块411，用于根据当前时间段的各车道的交通数据以及历史交通数据构建ARIMA时间序列预测模型，并基于该ARIMA时间序列预测模型获得各车道下一时间段的第一交通数据预测结果；

具体的，ARIMA预测模块412可以将数据中的连续两个时间段的交通数据作为训练数据训练ARIMA时间序列预测模型，其中上一时间段的数据作为输入，下一时间段的数据作为输出。并将当前时间段的各车道的交通数据输入构建的ARIMA时间序列预测模型，进而输出各车道下一时间段的第一交通数据预测结果。其中，所述交通数据至少包括：流量数据、密度数据以及速度数据；所述第一交通数据预测结果包括：第一流量预测数据、第一密度预测数据以及第一速度预测数据；

SVM预测模块413，连接所述输入模块411，用于根据当前时间段的各车道的交通数据以及历史交通数据构建支持向量机预测模型，并基于该支持向量机预测模型获得各车道下一时间段的第二交通数据预测结果；

具体的，SVM预测模块413可以将数据中的连续两个时间段的交通数据作为训练数据训练支持向量机预测模型，其中上一时间段的数据作为输入，下一时间段的数据作为输出。并将当前时间段的各车道的交通数据输入构建的支持向量机预测模型，进而输出各车道下一时间段的第二交通数据预测结果。其中，所述第二交通数据预测结果包括：第二流量预测数据、第二密度预测数据以及第二速度预测数据；

权重确定与融合模块414，连接所述ARIMA预测模块412以及SVM预测模块413，用于确定所述ARIMA时间序列预测模型以及支持向量机预测模型的权重，并基于确定的权重对所述第一交通数据预测结果以及第二交通数据预测结果进行融合，获得各车道下一时间段的融合预测结果；其中，所述融合预测结果包括：流量预测数据、密度预测数据以及速度预测数据；

结果生成模块415，连接所述权重确定与融合模块414，用于基于各车道下一时间段的融合预测结果判断各车道下一时间段的交通状态，以生成各车道下一时间段的交通状态预测结果；

输出模块416，连接所述结果生成模块415，用于输出各车道下一时间段的交通状态预测结果。

需要说明的是，所述ARIMA时间序列预测模型采用差分整合移动平均自回归模型(Autoregressive Integrated Moving Average Model，ARIMA)，适用于交通状态中的线性特征。所述支持向量机预测模型采用支持向量机模型(Support Vector Machines，SVM)，适用于交通状态中的非线性特征。

在一实施例中，所述ARIMA预测模块还用于在构建ARIMA时间序列预测模型之前需对输入当前时间段的各车道的交通数据以及历史交通数据检验输入序列是否平稳；其中，因为ARIMA模型有效的前提条件是序列平稳，需要先使用增广迪基-富勒检验(AugmentedDickey-Fully Test，ADF)序列的平稳性，如果非平稳序列，则通过差分运算直至使其平稳。ADF检验方式是检验序列中是否含有单位根，若含有单位根，则序列不平稳。

若是，则基于当前时间段的各车道的交通数据以及历史交通数据建立ARIMA时间序列预测模型；

若否，则对当前时间段的各车道的交通数据以及历史交通数据进行差分处理，以供直至检测输入序列为平稳的情况下建立所述ARIMA时间序列预测模型。

在一实施例中，所述确定ARIMA时间序列预测模型以及支持向量机预测模型的权重包括：利用基于构建的ARIMA时间序列预测模型以及支持向量机预测模型获得的对应各车道的各历史时间段的下一时间段的第一交通数据预测结果与第二交通数据预测结果以及各车道各历史时间段的下一时间段的交通数据计算模型预测误差，并通过该模型预测误差确定ARIMA时间序列预测模型以及支持向量机预测模型的权重。

优选的，为了得到更好的预测数据，将ARIMA时间序列预测模型输出的第一交通数据预测结果和支持向量机预测模型输出的第二交通数据预测结果按照误差大小确定权重，使得组合模型的预测误差最小，利用以下公式进行误差计算：

a+b＝1         (1)

其中，σ为组合模型误差，x_i为真实值(下一时间段的交通数据)，

为组合模型预测值(融合预测结果)，x_Ai为ARIMA模型预测值(第一交通数据预测结果)，x_Si为SVM模型预测值(第二交通数据预测结果)，a和b为权重。

为了更好的描述基于构建的隧道交通状态预测模型对各车道下一时间段的交通状态进行预测的方式，结合附图5进行说明。

在一具体实施例中，对交通状态进行预测的方式包括：

步骤1：输入当前时间段的各车道的交通数据以及历史交通数据；输入后同时执行步骤2以及步骤3；

步骤2包括：

步骤21：对当前时间段的各车道的交通数据以及历史交通数据检验输入序列是否平稳；若是，则执行步骤22；若否，则执行步骤23。

步骤22：利用平稳的当前时间段的各车道的交通数据以及历史交通数据构建ARIMA时间序列预测模型，并将当前时间段的各车道的交通数据输入所述ARIMA时间序列预测模型，输出对应的各车道下一时间段的第一交通数据预测结果，完毕后执行步骤4。

步骤23：则对平稳的当前时间段的各车道的交通数据以及历史交通数据进行差分处理，并再次回到步骤21，以供直至检测输入序列为平稳的情况下执行步骤22。

步骤3：利用输入的当前时间段的各车道的交通数据以及历史交通数据构建的支持向量机预测模型，并将当前时间段的各车道的交通数据输入所述支持向量机预测模型，并输出对应的各车道下一时间段的第二交通数据预测结果，完毕后执行步骤4。

步骤4：确定所述ARIMA时间序列预测模型以及支持向量机预测模型的权重，对各车道下一时段的第一交通数据预测结果以及第二交通数据预测结果进行融合。

步骤5：获得对应各车道下一时间段的融合预测结果。

步骤6：基于各车道下一时间段的融合预测结果判断各车道下一时间段的交通状态，以输出各车道下一时间段的交通状态预测结果。

在一实施例中，所述隧道交通状态预测模型的输入为流量数据q，密度数据R，速度数据v；输出为交通状态预测结果，其类型包括：畅通无阻、较为畅通、较为拥堵、严重拥堵状态预测结果。

其中，流量数据q，其反映某地单位时间内的行车数量。假设在T时长的检测时段内，总共行驶过n台车辆，则交通流量的计算方式为：

密度数据R，反映某地单位距离内的现有车辆个数。由于该参数属于瞬时值，受距离、时间干扰较大，故替换成由时间占有率R_t(交通流量状态)，与空间占有率R_s(交通密度)：

速度数据v，其反映单位时间里车辆的行驶长度。通常由区段均速

与时段均速

组成，两类速度均值分别指代固定路段内与固定检测位置的交通流量：

在一实施例中，采用ARIMA时间序列预测模型分别对下一时间段的流量q，密度R，速度v进行预测，公式统一表示为：

其中，y_t为下一时段的流量数据q，密度数据R，速度数据v的预测值(第一交通数据预测结果)，y_t-i是当前时间段的交通数据，μ是常数项，γ_i为自相关系数，θ_i是误差项系数，p为自回归阶数(由相关系数ACF计算获取)，q为移动平均阶数(由偏相关系数PACF计算获取)，ε_t为模型误差，ε_t-i是时间点i的偏差。

在一实施例中，所述隧道交通状态预测模块还用于基于数字孪生技术，根据实时采集的各车道的交通数据构建虚拟隧道映射模型并进行显示，即按照实际隧道场景镜像映射虚拟隧道内部场景和交通状况。

本申请隧道交通中的智能路侧信息设备、多功能照明设备、VMS设备等新型基础设施所承载的各种类型传感器设备，采集道路、交通、环境、人像和照明等类别数据信息，并基于数字孪生技术，结合数据挖掘、三维仿真、BIM、大数据可视化展示等技术，构建隧道交通数字孪生体系雏形。同时，以实际的隧道交通场景为出发点，构建虚拟交通场景，映射隧道交通中参与主体(路、车、非机动车、人等)的精准位置、速度、方向、交通事故、道路抛洒物、拥堵状况、路面积水等场景要素，为隧道交通数字孪生体系运维管控提供接近于镜像映射级的物理实体与虚拟世界交互，用于隧道交通数字双元系统的运维管理和控制。

在一实施例中，所述诱导控制单元基于各车道下一时间段的交通状态预测结果控制诱导模块进行区域化交通诱导。区域化交通诱导主要应对隧道临时维修养护与突发交通事故等状况时的预警和交通引导，其控制决策信号来自于诱导控制单元，但其并非单纯依据隧道中的交通状态做出这一控制决策，还根据隧道空间特有的光照模式，更引入对隧道洞口外光照影响与洞内路面光照反射特性分析。

针对隧道洞口外光照影响特性分析，从光度学及色度学出发，结合大气科学、颜色科学、遥感等理论，以典型洞外景物光谱反射率的实测数据为依据，建立隧道洞外景物的光谱辐射理论模型求解出相应的隧道洞外亮度及色温，为隧道洞外亮度及色温的合理取值提供理论依据，以进一步优化和完善洞口处隧道内路段区域的诱导光源设计。

针对隧道洞内路面光照反射特性分析，用双向反射分布函数来表征漫反射和镜面反射组成的混合反射特性。从路面材料简化亮度系数表和干路面反射系数测量系统切入分析隧道洞内干路面光照反射特性，着重关注漫反射分量和镜面反射光强度两个参数，构建对应的隧道洞内干路面反射率基本算法；对于隧道洞内湿路面光照反射特性分析，考虑到反射特性受表面湿度的影响大，拟通过湿路面简化亮度系数表测量系统和照明光源的亮度和尺寸，构建对应的隧道洞内湿路面反射率基本算法。

结合隧道洞口外光照影响与洞内路面光照反射特性分析，针对隧道中不同的交通状况及其对应的交通管控预案，产生相应的诱导控制指令以及生成对应的诱导信息，通过现场基础设施物联网，多点联动运作，动态控制隧道内对应区域的交通诱导。

与上述实施例原理相似的是，本发明提供一种隧道交通预测诱导系统。

以下结合附图提供具体实施例：

如图6展示本发明实施例中的一种隧道交通预测诱导控制方法的流程示意图。

所述方法包括：

步骤S61：根据实时输入的由隧道交通数据采集模块采集的各车道的隧道交通数据以及由历史信息查找模块储存的历史交通数据预测获得各车道下一时间段的交通状态预测结果。

步骤S62：依据获得的各交通状态预测结果生成对应的诱导控制指令，以供控制诱导模块生成对应的诱导信息以供在隧道内进行区域化显示。

由于该隧道交通预测诱导控制方法的实现原理已在前述实施例中进行了叙述，因此此处不作重复赘述。

在一实施例中，所述隧道交通数据采集模块包括：图像采集模块以及传感信息采集模块；其中，所述图像采集模块用于实时采集隧道内外的图像数据；所述传感信息采集模块用于实时采集隧道内的环境数据。

在一实施例中，基于构建的隧道交通状态预测模型，根据输入的当前时间段的各车道的交通数据以及历史交通数据对各车道下一时间段的交通状态进行预测，以输出对应的各车道下一时间段的交通状态预测结果；其中，所述历史交通数据包括：当前时间段之前的多个连续历史时间段的交通数据。

在一实施例中，所述隧道交通状态预测模型包括：输入模块，用于输入当前时间段的各车道的交通数据以及历史交通数据；ARIMA预测模块，连接所述输入模块，用于根据当前时间段的各车道的交通数据以及历史交通数据构建ARIMA时间序列预测模型，并基于该ARIMA时间序列预测模型获得各车道下一时间段的第一交通数据预测结果；其中，所述交通数据至少包括：流量数据、密度数据以及速度数据；所述第一交通数据预测结果包括：第一流量预测数据、第一密度预测数据以及第一速度预测数据；SVM预测模块，连接所述输入模块，用于根据当前时间段的各车道的交通数据以及历史交通数据构建支持向量机预测模型，并基于该支持向量机预测模型获得各车道下一时间段的第二交通数据预测结果；其中，所述第二交通数据预测结果包括：第二流量预测数据、第二密度预测数据以及第二速度预测数据；权重确定与融合模块，连接所述ARIMA预测模块以及SVM预测模块，用于确定所述ARIMA时间序列预测模型以及支持向量机预测模型的权重，并基于确定的权重对所述第一交通数据预测结果以及第二交通数据预测结果进行融合，获得各车道下一时间段的融合预测结果；其中，所述融合预测结果包括：流量预测数据、密度预测数据以及速度预测数据；结果生成模块，连接所述权重确定与融合模块，用于基于各车道下一时间段的融合预测结果判断各车道下一时间段的交通状态，以生成各车道下一时间段的交通状态预测结果；输出模块，连接所述结果生成模块，用于输出各车道下一时间段的交通状态预测结果。

在一实施例中，所述ARIMA预测模块还用于在构建ARIMA时间序列预测模型之前需对输入当前时间段的各车道的交通数据以及历史交通数据检验输入序列是否平稳；若是，则基于当前时间段的各车道的交通数据以及历史交通数据建立ARIMA时间序列预测模型；若否，则对当前时间段的各车道的交通数据以及历史交通数据进行差分处理，以供直至检测输入序列为平稳的情况下建立所述ARIMA时间序列预测模型。

在一实施例中，所述确定ARIMA时间序列预测模型以及支持向量机预测模型的权重包括：利用基于构建的ARIMA时间序列预测模型以及支持向量机预测模型获得的对应各车道的各历史时间段的下一时间段的第一交通数据预测结果与第二交通数据预测结果以及各车道各历史时间段的下一时间段的交通数据计算模型预测误差，并通过该模型预测误差确定ARIMA时间序列预测模型以及支持向量机预测模型的权重。

在一实施例中，所述诱导模块包括：灯组模块、显示模块以及投影模块中的一种或多种；其中，所述诱导模块基于所述诱导控制指令生成对应的诱导信息以在隧道内进行区域化显示；其中，所述诱导信息包括：诱导照明信息、诱导显示信息、诱导警示信息、诱导交通信息中的一种或多种。

在一实施例中，所述方法还包括：基于数字孪生技术，根据实时采集的各车道的交通数据构建隧道映射模型并进行显示。

如图7展示本发明实施例中的隧道交通预测诱导控制终端70的结构示意图。

所述隧道交通预测诱导控制终端70包括：存储器71及处理器72。所述存储器71用于存储计算机程序；所述处理器72运行计算机程序，实现如图5所述的隧道交通预测诱导控制方法。

可选的，所述存储器71的数量均可以是一或多个，所述处理器72的数量均可以是一或多个，而图7中均以一个为例。

可选的，所述隧道交通预测诱导控制终端70中的处理器72会按照如图5所述的步骤，将一个或多个以应用程序的进程对应的指令加载到存储器71中，并由处理器72来运行存储在第一存储器71中的应用程序，从而实现如图5所述隧道交通预测诱导控制方法中的各种功能。

可选的，所述存储器71，可能包括但不限于高速随机存取存储器、非易失性存储器。例如一个或多个磁盘存储设备、闪存设备或其他非易失性固态存储设备；所述处理器72，可能包括但不限于中央处理器(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(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。

可选的，所述处理器72可以是通用处理器，包括中央处理器(Central ProcessingUnit，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(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称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。

本发明还提供计算机可读存储介质，存储有计算机程序，所述计算机程序运行时实现如图5所示的隧道交通预测诱导控制方法。所述计算机可读存储介质可包括，但不限于，软盘、光盘、CD-ROM(只读光盘存储器)、磁光盘、ROM(只读存储器)、RAM(随机存取存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、磁卡或光卡、闪存、或适于存储机器可执行指令的其他类型的介质/机器可读介质。所述计算机可读存储介质可以是未接入计算机设备的产品，也可以是已接入计算机设备使用的部件。

综上所述，本发明的隧道交通预测诱导系统、控制方法及终端，根据前端实时回馈的隧道内各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果控制诱导模块对隧道内行驶的车辆进行诱导指示。本发明不仅大大提高了隧道通行效率、减少隧道交通拥堵问题，还全面提升了隧道交通的安全性以及交通动态疏导与应变能力，并且辅助实现了数字化隧道交通系统运行管控实时性、可靠性、先进性的全面提升。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅示例性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种隧道交通预测诱导系统，其特征在于，所述系统包括：

隧道交通数据采集模块，用于实时采集隧道内一或多个车道的交通数据；

历史信息查找模块，用于存储隧道内各车道的历史交通数据；

隧道交通状态预测模块，连接所述隧道交通数据采集模块以及历史信息查找模块，用于根据实时输入的各车道的交通数据以及历史交通数据预测获得各车道下一时间段的交通状态预测结果，并依据获得的各交通状态预测结果生成对应的诱导控制指令；

诱导模块，连接所述隧道交通状态预测模块，用于基于所述诱导控制指令生成对应的诱导信息以供在隧道内进行区域化显示。

2.根据权利要求1中所述的隧道交通预测诱导系统，其特征在于，所述隧道交通数据采集模块包括：图像采集模块以及传感信息采集模块；

其中，所述图像采集模块用于实时采集隧道内外的图像数据；所述传感信息采集模块用于实时采集隧道内的环境数据。

3.根据权利要求1中所述的隧道交通预测诱导系统，其特征在于，所述隧道交通状态预测模块包括：

交通状态预测单元，用于基于构建的隧道交通状态预测模型，根据输入的当前时间段的各车道的交通数据以及历史交通数据对各车道下一时间段的交通状态进行预测，以输出对应的各车道下一时间段的交通状态预测结果；其中，所述历史交通数据包括：当前时间段之前的多个连续历史时间段的交通数据；

诱导控制单元，连接所述交通状态预测单元，用于基于各车道下一时间段的交通状态预测结果生成对应的诱导控制指令。

4.根据权利要求3中所述的隧道交通预测诱导系统，其特征在于，所述隧道交通状态预测模型包括：

输入模块，用于输入当前时间段的各车道的交通数据以及历史交通数据；

ARIMA预测模块，连接所述输入模块，用于根据当前时间段的各车道的交通数据以及历史交通数据构建ARIMA时间序列预测模型，并基于该ARIMA时间序列预测模型获得各车道下一时间段的第一交通数据预测结果；其中，所述交通数据至少包括：流量数据、密度数据以及速度数据；所述第一交通数据预测结果包括：第一流量预测数据、第一密度预测数据以及第一速度预测数据；

SVM预测模块，连接所述输入模块，用于根据当前时间段的各车道的交通数据以及历史交通数据构建支持向量机预测模型，并基于该支持向量机预测模型获得各车道下一时间段的第二交通数据预测结果；其中，所述第二交通数据预测结果包括：第二流量预测数据、第二密度预测数据以及第二速度预测数据；

权重确定与融合模块，连接所述ARIMA预测模块以及SVM预测模块，用于确定所述ARIMA时间序列预测模型以及支持向量机预测模型的权重，并基于确定的权重对所述第一交通数据预测结果以及第二交通数据预测结果进行融合，获得各车道下一时间段的融合预测结果；其中，所述融合预测结果包括：流量预测数据、密度预测数据以及速度预测数据；

结果生成模块，连接所述权重确定与融合模块，用于基于各车道下一时间段的融合预测结果判断各车道下一时间段的交通状态，以生成各车道下一时间段的交通状态预测结果；输出模块，连接所述结果生成模块，用于输出各车道下一时间段的交通状态预测结果。

5.根据权利要求4中所述的隧道交通预测诱导系统，其特征在于，所述ARIMA预测模块还用于在构建ARIMA时间序列预测模型之前需对输入当前时间段的各车道的交通数据以及历史交通数据检验输入序列是否平稳；

若是，则基于当前时间段的各车道的交通数据以及历史交通数据建立ARIMA时间序列预测模型；

若否，则对当前时间段的各车道的交通数据以及历史交通数据进行差分处理，以供直至检测输入序列为平稳的情况下建立所述ARIMA时间序列预测模型。

6.根据权利要求4中所述的隧道交通预测诱导系统，其特征在于，所述确定ARIMA时间序列预测模型以及支持向量机预测模型的权重包括：

利用基于构建的ARIMA时间序列预测模型以及支持向量机预测模型获得的对应各车道的各历史时间段的下一时间段的第一交通数据预测结果与第二交通数据预测结果以及各车道各历史时间段的下一时间段的交通数据计算模型预测误差，并通过该模型预测误差确定所述ARIMA时间序列预测模型以及支持向量机预测模型的权重。

7.根据权利要求1中所述的隧道交通预测诱导系统，其特征在于，所述诱导模块包括：灯组模块、显示模块以及投影模块中的一种或多种；

所述诱导模块基于所述诱导控制指令生成对应的诱导信息以在隧道内进行区域化显示；其中，所述诱导信息包括：诱导照明信息、诱导显示信息、诱导警示信息、诱导交通信息中的一种或多种。

8.根据权利要求1中所述的隧道交通预测诱导系统，其特征在于，所述隧道交通状态预测模块还用于基于数字孪生技术，根据实时采集的各车道的交通数据构建隧道映射模型并进行显示。

9.一种隧道交通预测诱导控制方法，其特征在于，所述方法包括：

根据实时输入的由隧道交通数据采集模块采集的各车道的隧道交通数据以及由历史信息查找模块储存的历史交通数据预测获得各车道下一时间段的交通状态预测结果；

依据获得的各交通状态预测结果生成对应的诱导控制指令，以供控制诱导模块生成对应的诱导信息以供在隧道内进行区域化显示。

10.一种隧道交通预测诱导控制终端，其特征在于，包括：一或多个存储器及一或多个处理器；

所述一或多个存储器，用于存储计算机程序；

所述一或多个处理器，连接所述存储器，用于运行所述计算机程序以执行如权利要求9所述的方法。

Images