CN116128169B - 一种用于智能交通的多系统联动控制方法及装置 - Google Patents
一种用于智能交通的多系统联动控制方法及装置 Download PDFInfo
- Publication number
- CN116128169B CN116128169B CN202310416243.2A CN202310416243A CN116128169B CN 116128169 B CN116128169 B CN 116128169B CN 202310416243 A CN202310416243 A CN 202310416243A CN 116128169 B CN116128169 B CN 116128169B
- Authority
- CN
- China
- Prior art keywords
- data
- parameter data
- traffic
- event
- sensing parameter
- 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 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000004378 air conditioning Methods 0.000 claims description 10
- 239000002341 toxic gas Substances 0.000 claims description 10
- 238000009423 ventilation Methods 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 206010039203 Road traffic accident Diseases 0.000 abstract description 29
- 230000006378 damage Effects 0.000 abstract description 14
- 208000027418 Wounds and injury Diseases 0.000 abstract description 12
- 208000014674 injury Diseases 0.000 abstract description 12
- 230000000875 corresponding effect Effects 0.000 description 113
- 230000001953 sensory effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Alarm Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种用于智能交通的多系统联动控制方法及装置,该方法包括:获取来自目标交通系统的多个功能系统的多个传感参数数据;将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件;根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统;根据所述交通危险事件和危险源系统,确定对应的逃生指令集合;将所述逃生指令集合中的多个指引指令发送至对应的所述功能系统,以指引乘客进行逃生。可见,本发明能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
Description
技术领域
本发明涉及系统控制技术领域,尤其涉及一种用于智能交通的多系统联动控制方法及装置。
背景技术
随着交通系统智能化水平的提高,交通系统的安全性开始逐渐得到更多公众的注意,尤其是在交通系统的功能越来越复杂的情况下,如何更加准确地进行交通事故预警,愈发成为智慧交通技术的重要议题。而现有技术中,即便已经存在着使用数据处理进行交通预警的做法,但其没有考虑到基于多个系统的传感数据进行预警,显然其预警效果较差。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种用于智能交通的多系统联动控制方法及装置,能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
为了解决上述技术问题,本发明第一方面公开了一种用于智能交通的多系统联动控制方法,所述方法包括:
获取来自目标交通系统的多个功能系统的多个传感参数数据;
将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件;
根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统;
根据所述交通危险事件和危险源系统,确定对应的逃生指令集合;
将所述逃生指令集合中的多个指引指令发送至对应的所述功能系统,以指引乘客进行逃生。
作为一种可选的实施方式,在本发明第一方面中,所述多个功能系统包括视频监视系统、广播系统、电子信息显示及乘客引导系统、通风空调系统、给排水及消防系统、动力及照明系统、火灾自动报警系统、环境与设备监控系统、智能卡系统、自动扶梯与电梯系统和卷帘门控制系统中的至少两种;和/或,所述多个传感参数数据包括视频监视图像数据、广播信道传输参数数据、电子信息显示及乘客引导反馈数据、通风空调参数数据、给排水及消防管道传感数据、动力及照明传感数据、火灾自动报警参数数据、环境与设备监控传感数据、智能卡记录数据、自动扶梯与电梯参数数据和卷帘门控制参数数据中的至少两种。
作为一种可选的实施方式,在本发明第一方面中,所述交通危险预测事件或所述交通危险事件包括火灾事件、水灾事件、毒气事故事件、设备故障事件中的一种或多种;和/或,所述逃生指令集合包括火灾引导逃生指令集合、水灾引导逃生指令集合、毒气事故引导逃生指令集合、设备故障引导逃生指令集合中的一种或多种。
作为一种可选的实施方式,在本发明第一方面中,所述将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件,包括:
基于预设的系统关联规则,从所有所述传感参数数据中筛选出至少两个数据集合;每一所述数据集合包括至少两个属于系统强关联的所述传感参数数据;
将每一所述数据集合输入至对应类型的预先训练好的神经网络预测模型,以得到每一所述数据集合对应的交通危险预测事件和预测概率;所述神经网络预测模型通过包括有多个对应的属于系统强关联的训练传感参数数据和交通危险预测事件标注的训练集训练得到。
作为一种可选的实施方式,在本发明第一方面中,所述系统关联规则包括:
对于任意两个所述传感参数数据或训练传感参数数据,判断两者分别对应的功能系统之间的系统数据连接接口数量是否大于预设的接口数量阈值,得到第一判断结果;
判断两者分别对应的功能系统在发生过交通危险事件的历史时间段的传感数据异常参数之间的参数相似度是否大于预设的相似度阈值,得到第二判断结果;所述传感数据异常参数为当时的传感参数数据值与参考的传感参数数据正常值之间的差值;
当所述第一判断结果和所述第二判断结果均为是时,确定该两个所述传感数据或训练传感数据为系统强关联。
作为一种可选的实施方式,在本发明第一方面中,所述根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统,包括:
统计所有所述数据集合对应的交通危险预测事件中出现次数最多的事件,确定为所述目标交通系统对应的交通危险事件;
对于每一所述数据集合,将该数据集合对应的所述预测概率赋值给该数据集合中的所有所述传感参数数据;
对于每一所述传感参数数据,计算该传感参数数据对应的所有所述预测概率的平均值,以及计算该传感参数数据与对应的功能系统对应的参考数据值之间的数据差值;
根据所述平均值,确定该传感参数数据对应的数据权重,并计算该传感参数数据对应的所述数据差值和所述数据权重的乘积值;
从所有所述传感参数数据中筛选出所述乘积值最高的数据,确定为危险源数据,确定所述危险源数据对应的所述功能系统为危险源系统。
作为一种可选的实施方式,在本发明第一方面中,所述逃生指令集合包括多个指引指令和对应的指令执行时间;所述根据所述交通危险事件和危险源系统,确定对应的逃生指令集合,包括:
根据所述交通危险事件,根据预设的事件-指令对应规则,确定出多个指引指令和对应的指令执行时间;
将所述多个指引指令中与所述危险源系统对应的指引指令的指令执行时间,提前预设时间量;
根据多个指引指令和对应的指令执行时间,生成逃生指令集合。
本发明第二方面公开了一种用于智能交通的多系统联动控制装置,所述装置包括:
获取模块,用于获取来自目标交通系统的多个功能系统的多个传感参数数据;
预测模块,用于将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件;
第一确定模块,用于根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统;
第二确定模块,用于根据所述交通危险事件和危险源系统,确定对应的逃生指令集合;
发送模块,用于将所述逃生指令集合中的多个指引指令发送至对应的所述功能系统,以指引乘客进行逃生。
作为一种可选的实施方式,在本发明第二方面中,所述多个功能系统包括视频监视系统、广播系统、电子信息显示及乘客引导系统、通风空调系统、给排水及消防系统、动力及照明系统、火灾自动报警系统、环境与设备监控系统、智能卡系统、自动扶梯与电梯系统和卷帘门控制系统中的至少两种;和/或,所述多个传感参数数据包括视频监视图像数据、广播信道传输参数数据、电子信息显示及乘客引导反馈数据、通风空调参数数据、给排水及消防管道传感数据、动力及照明传感数据、火灾自动报警参数数据、环境与设备监控传感数据、智能卡记录数据、自动扶梯与电梯参数数据和卷帘门控制参数数据中的至少两种。
作为一种可选的实施方式,在本发明第二方面中,所述交通危险预测事件或所述交通危险事件包括火灾事件、水灾事件、毒气事故事件、设备故障事件中的一种或多种;和/或,所述逃生指令集合包括火灾引导逃生指令集合、水灾引导逃生指令集合、毒气事故引导逃生指令集合、设备故障引导逃生指令集合中的一种或多种。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件的具体方式,包括:
基于预设的系统关联规则,从所有所述传感参数数据中筛选出至少两个数据集合;每一所述数据集合包括至少两个属于系统强关联的所述传感参数数据;
将每一所述数据集合输入至对应类型的预先训练好的神经网络预测模型,以得到每一所述数据集合对应的交通危险预测事件和预测概率;所述神经网络预测模型通过包括有多个对应的属于系统强关联的训练传感参数数据和交通危险预测事件标注的训练集训练得到。
作为一种可选的实施方式,在本发明第二方面中,所述系统关联规则包括:
对于任意两个所述传感参数数据或训练传感参数数据,判断两者分别对应的功能系统之间的系统数据连接接口数量是否大于预设的接口数量阈值,得到第一判断结果;
判断两者分别对应的功能系统在发生过交通危险事件的历史时间段的传感数据异常参数之间的参数相似度是否大于预设的相似度阈值,得到第二判断结果;所述传感数据异常参数为当时的传感参数数据值与参考的传感参数数据正常值之间的差值;
当所述第一判断结果和所述第二判断结果均为是时,确定该两个所述传感数据或训练传感数据为系统强关联。
作为一种可选的实施方式,在本发明第二方面中,所述第一确定模块根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统的具体方式,包括:
统计所有所述数据集合对应的交通危险预测事件中出现次数最多的事件,确定为所述目标交通系统对应的交通危险事件;
对于每一所述数据集合,将该数据集合对应的所述预测概率赋值给该数据集合中的所有所述传感参数数据;
对于每一所述传感参数数据,计算该传感参数数据对应的所有所述预测概率的平均值,以及计算该传感参数数据与对应的功能系统对应的参考数据值之间的数据差值;
根据所述平均值,确定该传感参数数据对应的数据权重,并计算该传感参数数据对应的所述数据差值和所述数据权重的乘积值;
从所有所述传感参数数据中筛选出所述乘积值最高的数据,确定为危险源数据,确定所述危险源数据对应的所述功能系统为危险源系统。
作为一种可选的实施方式,在本发明第二方面中,所述逃生指令集合包括多个指引指令和对应的指令执行时间;所述第二确定模块根据所述交通危险事件和危险源系统,确定对应的逃生指令集合的具体方式,包括:
根据所述交通危险事件,根据预设的事件-指令对应规则,确定出多个指引指令和对应的指令执行时间;
将所述多个指引指令中与所述危险源系统对应的指引指令的指令执行时间,提前预设时间量;
根据多个指引指令和对应的指令执行时间,生成逃生指令集合。
本发明第三方面公开了另一种用于智能交通的多系统联动控制装置,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的用于智能交通的多系统联动控制方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的用于智能交通的多系统联动控制方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够通过多个系统的传感数据来准确确定系统内的交通危险事件和危险源系统,从而能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是本发明实施例公开的一种用于智能交通的多系统联动控制方法的流程示意图;
图2是本发明实施例公开的一种用于智能交通的多系统联动控制装置的结构示意图;
图3是本发明实施例公开的另一种用于智能交通的多系统联动控制装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种用于智能交通的多系统联动控制方法及装置,能够通过多个系统的传感数据来准确确定系统内的交通危险事件和危险源系统,从而能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种用于智能交通的多系统联动控制方法的流程示意图。其中,图1所描述的方法可以应用于相应的控制设备、控制终端、控制服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该用于智能交通的多系统联动控制方法可以包括以下操作:
101、获取来自目标交通系统的多个功能系统的多个传感参数数据。
可选的,多个功能系统包括视频监视系统、广播系统、电子信息显示及乘客引导系统、通风空调系统、给排水及消防系统、动力及照明系统、火灾自动报警系统、环境与设备监控系统、智能卡系统、自动扶梯与电梯系统和卷帘门控制系统中的至少两种。
可选的,多个传感参数数据包括视频监视图像数据、广播信道传输参数数据、电子信息显示及乘客引导反馈数据、通风空调参数数据、给排水及消防管道传感数据、动力及照明传感数据、火灾自动报警参数数据、环境与设备监控传感数据、智能卡记录数据、自动扶梯与电梯参数数据和卷帘门控制参数数据中的至少两种。
可选的,传感参数数据可以通过设置在功能系统内的特定设备处的传感器进行获取,也可以直接和功能系统的控制器进行通信以获取。
102、将每一传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一传感参数数据对应的交通危险预测事件。
103、根据所有传感参数数据和交通危险预测事件,确定目标交通系统对应的交通危险事件和危险源系统。
可选的,交通危险预测事件或交通危险事件包括火灾事件、水灾事件、毒气事故事件、设备故障事件中的一种或多种。
104、根据交通危险事件和危险源系统,确定对应的逃生指令集合。
可选的,逃生指令集合包括火灾引导逃生指令集合、水灾引导逃生指令集合、毒气事故引导逃生指令集合、设备故障引导逃生指令集合中的一种或多种。
105、将逃生指令集合中的多个指引指令发送至对应的功能系统,以指引乘客进行逃生。
可见,实施本发明实施例能够通过多个系统的传感数据来准确确定系统内的交通危险事件和危险源系统,从而能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,上述步骤中的,将每一传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一传感参数数据对应的交通危险预测事件,包括:
基于预设的系统关联规则,从所有传感参数数据中筛选出至少两个数据集合;每一数据集合包括至少两个属于系统强关联的传感参数数据;
将每一数据集合输入至对应类型的预先训练好的神经网络预测模型,以得到每一数据集合对应的交通危险预测事件和预测概率;神经网络预测模型通过包括有多个对应的属于系统强关联的训练传感参数数据和交通危险预测事件标注的训练集训练得到。
可见,实施该可选的实施例可以筛选出属于系统强关联的传感参数数据,并根据神经网络预测模型预测得到对应的交通危险预测事件和预测概率,从而能够在后续实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,系统关联规则包括:
对于任意两个传感参数数据或训练传感参数数据,判断两者分别对应的功能系统之间的系统数据连接接口数量是否大于预设的接口数量阈值,得到第一判断结果;
判断两者分别对应的功能系统在发生过交通危险事件的历史时间段的传感数据异常参数之间的参数相似度是否大于预设的相似度阈值,得到第二判断结果;传感数据异常参数为当时的传感参数数据值与参考的传感参数数据正常值之间的差值;
当第一判断结果和第二判断结果均为是时,确定该两个传感数据或训练传感数据为系统强关联。
可见,实施该可选的实施例可以根据系统间的接口关联程度和异常情况发生时的系统关联程度,来确定数据间的关联性,从而能够在后续根据多系统之间的联动程度来实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,上述步骤中的,根据所有传感参数数据和交通危险预测事件,确定目标交通系统对应的交通危险事件和危险源系统,包括:
统计所有数据集合对应的交通危险预测事件中出现次数最多的事件,确定为目标交通系统对应的交通危险事件;
对于每一数据集合,将该数据集合对应的预测概率赋值给该数据集合中的所有传感参数数据;
对于每一传感参数数据,计算该传感参数数据对应的所有预测概率的平均值,以及计算该传感参数数据与对应的功能系统对应的参考数据值之间的数据差值;
根据平均值,确定该传感参数数据对应的数据权重,并计算该传感参数数据对应的数据差值和数据权重的乘积值;
从所有传感参数数据中筛选出乘积值最高的数据,确定为危险源数据,确定危险源数据对应的功能系统为危险源系统。
可见,实施该可选的实施例可以根据所有传感参数数据和交通危险预测事件来计算出现次数和权重乘积,以确定目标交通系统对应的交通危险事件和危险源系统,从而能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,逃生指令集合包括多个指引指令和对应的指令执行时间,该指令执行时间可以用于指示对应的功能系统执行该指引指令的时间。
上述步骤中的,根据交通危险事件和危险源系统,确定对应的逃生指令集合,包括:
根据交通危险事件,根据预设的事件-指令对应规则,确定出多个指引指令和对应的指令执行时间;
将多个指引指令中与危险源系统对应的指引指令的指令执行时间,提前预设时间量;
根据多个指引指令和对应的指令执行时间,生成逃生指令集合。
可见,实施该可选的实施例可以将危险源系统的指令提前执行,以使得乘客更快从危险源系统逃离,或是促使工作人员更快前往危险源系统进行维修或救助,从而能够实现更加智能和精准的交通事故应对,减少交通事故发生时的人员损伤和应对成本。
实施例二
请参阅图2,图2是本发明实施例公开的一种用于智能交通的多系统联动控制装置的结构示意图。其中,图2所描述的装置可以应用于相应的控制设备、控制终端、控制服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该装置可以包括:
获取模块201,用于获取来自目标交通系统的多个功能系统的多个传感参数数据。
可选的,多个功能系统包括视频监视系统、广播系统、电子信息显示及乘客引导系统、通风空调系统、给排水及消防系统、动力及照明系统、火灾自动报警系统、环境与设备监控系统、智能卡系统、自动扶梯与电梯系统和卷帘门控制系统中的至少两种。
可选的,多个传感参数数据包括视频监视图像数据、广播信道传输参数数据、电子信息显示及乘客引导反馈数据、通风空调参数数据、给排水及消防管道传感数据、动力及照明传感数据、火灾自动报警参数数据、环境与设备监控传感数据、智能卡记录数据、自动扶梯与电梯参数数据和卷帘门控制参数数据中的至少两种。
可选的,传感参数数据可以通过设置在功能系统内的特定设备处的传感器进行获取,也可以直接和功能系统的控制器进行通信以获取。
预测模块202,用于将每一传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一传感参数数据对应的交通危险预测事件。
第一确定模块203,用于根据所有传感参数数据和交通危险预测事件,确定目标交通系统对应的交通危险事件和危险源系统。
可选的,交通危险预测事件或交通危险事件包括火灾事件、水灾事件、毒气事故事件、设备故障事件中的一种或多种。
第二确定模块204,用于根据交通危险事件和危险源系统,确定对应的逃生指令集合。
可选的,逃生指令集合包括火灾引导逃生指令集合、水灾引导逃生指令集合、毒气事故引导逃生指令集合、设备故障引导逃生指令集合中的一种或多种。
发送模块205,用于将逃生指令集合中的多个指引指令发送至对应的功能系统,以指引乘客进行逃生。
可见,实施本发明实施例能够通过多个系统的传感数据来准确确定系统内的交通危险事件和危险源系统,从而能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,预测模块202将每一传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一传感参数数据对应的交通危险预测事件的具体方式,包括:
基于预设的系统关联规则,从所有传感参数数据中筛选出至少两个数据集合;每一数据集合包括至少两个属于系统强关联的传感参数数据;
将每一数据集合输入至对应类型的预先训练好的神经网络预测模型,以得到每一数据集合对应的交通危险预测事件和预测概率;神经网络预测模型通过包括有多个对应的属于系统强关联的训练传感参数数据和交通危险预测事件标注的训练集训练得到。
可见,实施该可选的实施例可以筛选出属于系统强关联的传感参数数据,并根据神经网络预测模型预测得到对应的交通危险预测事件和预测概率,从而能够在后续实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,系统关联规则包括:
对于任意两个传感参数数据或训练传感参数数据,判断两者分别对应的功能系统之间的系统数据连接接口数量是否大于预设的接口数量阈值,得到第一判断结果;
判断两者分别对应的功能系统在发生过交通危险事件的历史时间段的传感数据异常参数之间的参数相似度是否大于预设的相似度阈值,得到第二判断结果;传感数据异常参数为当时的传感参数数据值与参考的传感参数数据正常值之间的差值;
当第一判断结果和第二判断结果均为是时,确定该两个传感数据或训练传感数据为系统强关联。
可见,实施该可选的实施例可以根据系统间的接口关联程度和异常情况发生时的系统关联程度,来确定数据间的关联性,从而能够在后续根据多系统之间的联动程度来实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,第一确定模块203根据所有传感参数数据和交通危险预测事件,确定目标交通系统对应的交通危险事件和危险源系统的具体方式,包括:
统计所有数据集合对应的交通危险预测事件中出现次数最多的事件,确定为目标交通系统对应的交通危险事件;
对于每一数据集合,将该数据集合对应的预测概率赋值给该数据集合中的所有传感参数数据;
对于每一传感参数数据,计算该传感参数数据对应的所有预测概率的平均值,以及计算该传感参数数据与对应的功能系统对应的参考数据值之间的数据差值;
根据平均值,确定该传感参数数据对应的数据权重,并计算该传感参数数据对应的数据差值和数据权重的乘积值;
从所有传感参数数据中筛选出乘积值最高的数据,确定为危险源数据,确定危险源数据对应的功能系统为危险源系统。
可见,实施该可选的实施例可以根据所有传感参数数据和交通危险预测事件来计算出现次数和权重乘积,以确定目标交通系统对应的交通危险事件和危险源系统,从而能够实现更加智能和精准的交通事故预警,减少交通事故发生时的人员损伤和应对成本。
作为一种可选的实施例,逃生指令集合包括多个指引指令和对应的指令执行时间,该指令执行时间可以用于指示对应的功能系统执行该指引指令的时间。
第二确定模块204根据交通危险事件和危险源系统,确定对应的逃生指令集合的具体方式,包括:
根据交通危险事件,根据预设的事件-指令对应规则,确定出多个指引指令和对应的指令执行时间;
将多个指引指令中与危险源系统对应的指引指令的指令执行时间,提前预设时间量;
根据多个指引指令和对应的指令执行时间,生成逃生指令集合。
可见,实施该可选的实施例可以将危险源系统的指令提前执行,以使得乘客更快从危险源系统逃离,或是促使工作人员更快前往危险源系统进行维修或救助,从而能够实现更加智能和精准的交通事故应对,减少交通事故发生时的人员损伤和应对成本。
实施例三
请参阅图3,图3是本发明实施例公开的另一种用于智能交通的多系统联动控制装置的结构示意图。如图3所示,该装置可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的用于智能交通的多系统联动控制方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的用于智能交通的多系统联动控制方法中的部分或全部步骤。
以上所描述的装置实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种用于智能交通的多系统联动控制方法及装置所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种用于智能交通的多系统联动控制方法,其特征在于,所述方法包括:
获取来自目标交通系统的多个功能系统的多个传感参数数据;
基于预设的系统关联规则,从所有所述传感参数数据中筛选出至少两个数据集合;每一所述数据集合包括至少两个属于系统强关联的所述传感参数数据;
将每一所述数据集合输入至对应类型的预先训练好的神经网络预测模型,以得到每一所述数据集合对应的交通危险预测事件和预测概率;所述神经网络预测模型通过包括有多个对应的属于系统强关联的训练传感参数数据和交通危险预测事件标注的训练集训练得到;
根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统;
根据所述交通危险事件和危险源系统,确定对应的逃生指令集合;
将所述逃生指令集合中的多个指引指令发送至对应的所述功能系统,以指引乘客进行逃生。
2.根据权利要求1所述的用于智能交通的多系统联动控制方法,其特征在于,所述多个功能系统包括视频监视系统、广播系统、电子信息显示及乘客引导系统、通风空调系统、给排水及消防系统、动力及照明系统、火灾自动报警系统、环境与设备监控系统、智能卡系统、自动扶梯与电梯系统和卷帘门控制系统中的至少两种;和/或,所述多个传感参数数据包括视频监视图像数据、广播信道传输参数数据、电子信息显示及乘客引导反馈数据、通风空调参数数据、给排水及消防管道传感数据、动力及照明传感数据、火灾自动报警参数数据、环境与设备监控传感数据、智能卡记录数据、自动扶梯与电梯参数数据和卷帘门控制参数数据中的至少两种。
3.根据权利要求1所述的用于智能交通的多系统联动控制方法,其特征在于,所述交通危险预测事件或所述交通危险事件包括火灾事件、水灾事件、毒气事故事件、设备故障事件中的一种或多种;和/或,所述逃生指令集合包括火灾引导逃生指令集合、水灾引导逃生指令集合、毒气事故引导逃生指令集合、设备故障引导逃生指令集合中的一种或多种。
4.根据权利要求1所述的用于智能交通的多系统联动控制方法,其特征在于,所述系统关联规则包括:
对于任意两个所述传感参数数据或训练传感参数数据,判断两者分别对应的功能系统之间的系统数据连接接口数量是否大于预设的接口数量阈值,得到第一判断结果;
判断两者分别对应的功能系统在发生过交通危险事件的历史时间段的传感数据异常参数之间的参数相似度是否大于预设的相似度阈值,得到第二判断结果;所述传感数据异常参数为当时的传感参数数据值与参考的传感参数数据正常值之间的差值;
当所述第一判断结果和所述第二判断结果均为是时,确定该两个所述传感数据或训练传感数据为系统强关联。
5.根据权利要求1所述的用于智能交通的多系统联动控制方法,其特征在于,所述根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统,包括:
统计所有所述数据集合对应的交通危险预测事件中出现次数最多的事件,确定为所述目标交通系统对应的交通危险事件;
对于每一所述数据集合,将该数据集合对应的所述预测概率赋值给该数据集合中的所有所述传感参数数据;
对于每一所述传感参数数据,计算该传感参数数据对应的所有所述预测概率的平均值,以及计算该传感参数数据与对应的功能系统对应的参考数据值之间的数据差值;
根据所述平均值,确定该传感参数数据对应的数据权重,并计算该传感参数数据对应的所述数据差值和所述数据权重的乘积值;
从所有所述传感参数数据中筛选出所述乘积值最高的数据,确定为危险源数据,确定所述危险源数据对应的所述功能系统为危险源系统。
6.根据权利要求1所述的用于智能交通的多系统联动控制方法,其特征在于,所述逃生指令集合包括多个指引指令和对应的指令执行时间;所述根据所述交通危险事件和危险源系统,确定对应的逃生指令集合,包括:
根据所述交通危险事件,根据预设的事件-指令对应规则,确定出多个指引指令和对应的指令执行时间;
将所述多个指引指令中与所述危险源系统对应的指引指令的指令执行时间,提前预设时间量;
根据多个指引指令和对应的指令执行时间,生成逃生指令集合。
7.一种用于智能交通的多系统联动控制装置,其特征在于,所述装置包括:
获取模块,用于获取来自目标交通系统的多个功能系统的多个传感参数数据;
预测模块,用于将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件;所述预测模块将每一所述传感参数数据输入至预先训练好的神经网络预测模型中,以得到每一所述传感参数数据对应的交通危险预测事件的具体方式,包括:
基于预设的系统关联规则,从所有所述传感参数数据中筛选出至少两个数据集合;每一所述数据集合包括至少两个属于系统强关联的所述传感参数数据;
将每一所述数据集合输入至对应类型的预先训练好的神经网络预测模型,以得到每一所述数据集合对应的交通危险预测事件和预测概率;所述神经网络预测模型通过包括有多个对应的属于系统强关联的训练传感参数数据和交通危险预测事件标注的训练集训练得到;
第一确定模块,用于根据所有所述传感参数数据和所述交通危险预测事件,确定所述目标交通系统对应的交通危险事件和危险源系统;
第二确定模块,用于根据所述交通危险事件和危险源系统,确定对应的逃生指令集合;
发送模块,用于将所述逃生指令集合中的多个指引指令发送至对应的所述功能系统,以指引乘客进行逃生。
8.一种用于智能交通的多系统联动控制装置,其特征在于,所述装置包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的用于智能交通的多系统联动控制方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-6任一项所述的用于智能交通的多系统联动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416243.2A CN116128169B (zh) | 2023-04-19 | 2023-04-19 | 一种用于智能交通的多系统联动控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310416243.2A CN116128169B (zh) | 2023-04-19 | 2023-04-19 | 一种用于智能交通的多系统联动控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128169A CN116128169A (zh) | 2023-05-16 |
CN116128169B true CN116128169B (zh) | 2023-06-27 |
Family
ID=86301341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310416243.2A Active CN116128169B (zh) | 2023-04-19 | 2023-04-19 | 一种用于智能交通的多系统联动控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128169B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116885851A (zh) * | 2023-07-07 | 2023-10-13 | 广东电网有限责任公司 | 一种储能电站监控方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044148A (zh) * | 2010-12-30 | 2011-05-04 | 上海市城市建设设计研究院 | 基于多智能体的交通控制方法及其集成系统 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355885A (zh) * | 2016-11-24 | 2017-01-25 | 深圳市永达电子信息股份有限公司 | 基于大数据分析平台的交通信号动态控制方法及系统 |
CN112990545B (zh) * | 2021-02-08 | 2022-11-18 | 东南大学 | 一种高速公路交织区交通安全状态预测方法 |
CN115116257A (zh) * | 2022-05-24 | 2022-09-27 | 清华大学 | 基于边缘云服务的车辆调度方法、装置、设备及介质 |
-
2023
- 2023-04-19 CN CN202310416243.2A patent/CN116128169B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044148A (zh) * | 2010-12-30 | 2011-05-04 | 上海市城市建设设计研究院 | 基于多智能体的交通控制方法及其集成系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116128169A (zh) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108928700B (zh) | 医院电梯安全立体监测云平台、系统及其方法、电梯系统 | |
CN108750854B (zh) | 医院电梯安全立体监测云平台、系统及其方法、电梯系统 | |
CN116128169B (zh) | 一种用于智能交通的多系统联动控制方法及装置 | |
CN112623919B (zh) | 一种基于计算机视觉的自动扶梯智能监控管理系统 | |
CN111754715B (zh) | 一种消防应急响应方法、装置及系统 | |
CN112185050B (zh) | 安全等级确认方法、装置和消防系统 | |
CN113542690B (zh) | 一种建筑施工安全监控系统及方法 | |
CN112004067A (zh) | 视频监控方法、装置和存储介质 | |
CN116128674B (zh) | 一种基于智能交通的能源数据处理方法及装置 | |
CN114821968B (zh) | 动车司机疲劳驾驶干预方法、装置、设备及可读存储介质 | |
CN113479732B (zh) | 电梯控制方法、装置及存储介质 | |
CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
CN109742851B (zh) | 一种基于电力监控平台的数据处理系统及设备 | |
CN107140495A (zh) | 一种电梯安全管理系统和方法 | |
CN114701934B (zh) | 电梯的安防控制方法、装置、系统以及云平台、存储介质 | |
KR101879943B1 (ko) | 터널 교통안전방재 통합관리 장치 및 방법 | |
CN115320668A (zh) | 一种站台门状态检测系统及方法 | |
CN109686060B (zh) | 一种健身器材的监控方法及装置 | |
KR20180024565A (ko) | 공공 재난정보를 이용한 엘리베이터 비상제어 시스템 및 그 제어방법 | |
CN115206042B (zh) | 工控安全的智能化监测方法、装置、设备及介质 | |
CN114943884B (zh) | 基于深度学习的设备保护方法 | |
CN117831181B (zh) | 在线道闸控制方法、装置、计算机设备以及存储介质 | |
CN116281482A (zh) | 一种电梯困人停梯事件的检测及预测方法 | |
CN117875486A (zh) | 消防电气设备的故障检测方法及装置、可读存储介质 | |
CN117357833A (zh) | 一种基于物联网的变电站消防方法及系统 |
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 |