CN116206440A - 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法 - Google Patents

Abstract

本发明公开了一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法，将当前时刻流量以及当前时刻车辆平均车速输入车速预测模型，得到预测车辆平均速度，利用预测车辆平均速度划分交通拥堵情况，基于拥堵情况和高速公路实时路况，制定协同管控策略；将行驶车辆目前所在高速公路的实时情况，与协同管控策略匹配，车辆终端根据协同管控策略对应的提示控制车辆行驶。本发明针对车辆信息为驾驶员提供定制化推送服务，从而缓解高速公路交通拥堵、提高城际间通行效率。

Description

一种基于智慧高速的交通流采集、预测、管控及信息化推送系 统及方法

技术领域

本发明属于智能交通技术领域，特别涉及一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法。

背景技术

由于社会经济稳步发展，我国高速公路需求随之扩大，管控难度也越来越大，高速公路拥堵时有发生，严重影响了居民出行需求，有甚者会造成严重的高速公路交通事故，阻碍城际协调发展。

现有技术在智能化、网联化、服务化、共享化水平等方面均存在不足。首先，目前高速公路在交通流数据采集、预测、管控及定制化推送各角度大多仅关注单一技术创新，未整合成一套完整的框架；其次，现有建成智慧公路仅注重单一场景实现，人、车、路协同程度不高，道路设施与路侧设施之间、各子系统之间彼此独立；再其次，出行信息发布手段较为单一，大多依赖广播播报或可变情报板，对移动网络、移动智能终端等工具缺乏利用。

发明内容

针对现有技术中存在不足，本发明提供了一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法。

本发明是通过以下技术手段实现上述技术目的的。

一种基于智慧高速的交通流采集、预测、管控及信息化推送方法：

将当前时刻流量以及当前时刻车辆平均车速输入车速预测模型，得到预测车辆平均速度；

利用所述预测车辆平均速度划分交通拥堵情况；

基于拥堵情况和高速公路实时路况，制定协同管控策略；

将行驶车辆目前所在高速公路的实时情况，与所述协同管控策略匹配，车辆终端根据协同管控策略对应的提示控制车辆行驶；

所述协同管控策略包括精细化动态速度管控、应急车道动态紧急扩容管控、施工类事件交通管控、交通事故类事件交通管控、大雾事件交通管控和强降雨事件交通管控。

进一步地，所述交通拥堵情况具体为：当预测车辆平均速度∈[90,+∞)，拥堵等级是畅通无阻；当预测车辆平均速度∈[65,90)，拥堵等级是较为畅通；当预测车辆平均速度∈[50,65)，拥堵等级是畅通；当预测车辆平均速度∈[40,50)，拥堵等级是比较拥堵；当预测车辆平均速度∈[20,40)，拥堵等级是拥堵；当预测车辆平均速度∈[0,20)，拥堵等级是严重拥堵。

更进一步地，所述精细化动态速度管控具体为：当拥堵等级低于畅通时，向车辆终端发送更新上游限速值的指令，使上、下游相邻1公里内限速值的差不大于10km/h。

更进一步地，所述应急车道动态紧急扩容管控具体为：当拥堵等级低于比较拥堵时，开放应急车道，若拥堵等级恢复至畅通则立刻关闭应急车道。

更进一步地，所述施工类事件交通管控具体为：当拥堵等级低于畅通时，且该路段存在施工类事件；关闭施工区域车道，并提醒该车道车辆汇入其余车道；将施工地前后300米的限速值设置为80km/h，并对施工路段封闭车道进行提示。

更进一步地，所述交通事故类事件交通管控具体为：当拥堵等级低于畅通时，且该路段存在交通事故类事件；关闭事故区域车道，并提醒该车道车辆汇入其余车道；在故障车上游600米处，向行驶车辆发送警告信息，限速设置80km/h；当预测点横截面拥堵等级低于比较拥堵时，开放应急车道，应急车道的限制车速设置为60km/h，若拥堵等级恢复至畅通则立刻关闭应急车道。

更进一步地，基于最小安全停车视距确定大雾场景、强降雨场景的限速值

其中S为最小安全停车视距，且/>

V为行车速度，t₁为驾驶员反应时间，t₂为制动系统的迟滞时间，L为制动系数，g为重力加速度，u为车轮与路面间滑动摩阻系数，i为路段的纵向坡度。

进一步地，所述车速预测模型由麻雀搜索算法优化长短时记忆网络获取，具体为：

将当前时刻流量及平均车速数据按照4：1的比例分为测试集与训练集；

初始化麻雀搜索算法的参数，包括麻雀种群位置和最大迭代次数；将长短时记忆网络的隐层节点数和学习率作为麻雀搜索算法的优化目标；

基于初始化的麻雀搜索算法的参数，计算初始麻雀种群的适应度值并进行排序，找出最优和最差的适应度值；

基于初次计算得出的最优和最差的适应度值，更新发现者、跟随者和警戒者的位置；重新计算当前最优值，如果优于上一次迭代的最优值，则再次进行更新操作，否则不更新；继续进行迭代直到满足条件为止，最终得到全局最佳的适应度值和全局最优解值；

将麻雀搜索算法得到的最优隐层节点数和学习率构建长短时记忆网络模型，并利用训练集进行训练，再利用测试集进行测试，得到车速预测模型。

更进一步地，所述当前时刻流量满足：

R_o＝R_MAIN+∑R_ENTi-∑R_EXITj

其中，R_o为预测点当前时刻流量，R_MAIN为当前时刻上游主路段流量，ΣR_ENTi为当前时刻所有上游入口匝道汇入流量，ΣR_EXITj为当前时刻所有上游出口匝道汇出流量，i为上游入口匝道数，j为上游出口匝道数。

一种基于智慧高速的通流采集、预测、管控及信息化推送系统，包括高速公路车辆信息感知模块、横断面交通流量预测模块和高速公路主动协同管控模块，所述高速公路车辆信息感知模块、横断面交通流量预测模块和高速公路主动协同管控模块均与智慧高速云端系统进行通信；

所述高速公路车辆信息感知模块用于采集高速公路上每一辆车的车辆画像特征，行驶车辆通过车载终端上传至智慧高速云端系统的信息，与所述车辆画像特征进行匹配；

横断面交通流量预测模块根据车速预测模型预测车辆平均速度；

高速公路主动协同管控模块根据具体的道路情况，制定管控策略。

本发明的有益效果为：本发明由SSA优化LSTM的车速预测模型预测车辆平均速度，判断预测点拥堵情况，基于拥堵情况和高速公路实时路况，制定协同管控策略；由行驶车辆所在高速公路的实时情况，与协同管控策略匹配，向车辆终端发出对应提示；本发明将定制化的管控措施发送至车辆终端，针对拥堵情况、施工类事、交通事故类事件、大雾事件和强降雨事件的各类交通场景，满足车辆行驶过程中的各种应对措施需求；本发明能同时实现交通流数据采集、预测、管控及定制化推送，也不是各功能的简单叠加。本发明较好地对大规模交通流量进行预测，帮助交管部门提供决策依据并给出决策建议，并针对车辆信息为驾驶员提供定制化推送服务，从而缓解高速公路交通拥堵、提高城际间通行效率。

附图说明

图1为本发明所述基于智慧高速的交通流采集、预测、管控及信息化推送流程图；

图2为发明所述基于智慧高速的交通流采集、预测、管控及信息化推送系统结构框图；

图3为高速公路预测流量及上游路段流量关系图。

具体实施方式

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做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。

本申请中所出现的模块的划分，是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式，例如多个模块可以结合成或集成在另一个系统中，或一些特征可以忽略，或不执行，另外，模块之间的间接耦合或通信连接可以使电性或其他类似的形式，本申请中不作限定。

如图2所示，本发明一种基于智慧高速的交通流采集、预测、管控及信息化推送系统，具体包括高速公路车辆信息感知模块、横断面交通流量预测模块和高速公路主动协同管控模块，且高速公路车辆信息感知模块、横断面交通流量预测模块和高速公路主动协同管控模块均与智慧高速云端系统进行通信。

高速公路车辆信息感知模块用于采集高速公路上每一辆车的车辆画像特征，高速公路车辆信息感知模块可以选用高清摄像头、雷达或其它感知设备，本实施例采用高清摄像头，设置在各匝道出入口处。

横断面交通流量预测模块用于对任意预测点横断面的拥堵情况进行预测。

高速公路主动协同管控模块包括精细化动态速度管控子模块、应急车道动态紧急扩容管控子模块、施工类事件交通管控子模块、交通事故类事件交通管控子模块、大雾事件交通管控子模块和强降雨事件交通管控子模块，各模块根据具体的道路情况，制定管控策略。

如图1所示，本发明一种基于智慧高速的交通流采集、预测、管控及信息化推送方法，具体包括如下步骤：

S1，高速公路车辆信息感知模块采集高速公路上每一辆车的车辆画像特征，并上传至智慧高速云端系统

S101，高速公路有两类车辆汇入方式，一为经过收费站时只能通过人工通道缴纳通行费，汽车在入口收费站领取通行卡；二为装有ETC车辆，车辆直接通过ETC通道进入高速公路；通过两类车辆汇入方式能够保证高速公路所有车辆数据均被收集。

S102，通过匝道口高清摄像头采集两类车辆的车牌号Car_number、车辆类型Car_type、车辆颜色Car_colour和车辆重量Car_weight，记车辆画像特征C＝{license:Car_number；type:Car_type；colour:Car_colour；weight:Car_weight}。

S2，横断面交通流量预测模块对任意预测点横断面的拥堵情况进行预测，并将预测状态存储至智慧高速云端系统

S201，如图3所示，通过匝道口和上游主路段的高精摄像头记录高速公路预测点上游来车流量，包括两类来源：上游匝道口流量和上游主路段流量，进而得到预测点当前时刻流量R_o为：

R_o＝R_MAIN+∑R_ENTi-∑R_EXITj(1)

其中，R_o为预测点当前时刻流量，R_MAIN为当前时刻上游主路段流量，ΣR_ENTi为当前时刻所有上游入口匝道汇入流量，ΣR_EXITj为当前时刻所有上游出口匝道汇出流量，i为上游入口匝道数，j为上游出口匝道数。

S202，通过毫米波雷达记录预测点当前时刻车辆平均车速，记为S₀；

表1为本实施例选用的某条高速公路某一时间段内预测点当前时刻的流量及平均车速：

表1预测点当前时刻的流量及平均车速(选取数据前十行)

S203，基于麻雀搜索(Sparrow Search Algorithm，SSA)算法优化长短时记忆网络(Long Short Term Memory，LSTM)的车速预测模型，输入当前时刻流量R_o以及当前时刻车辆平均车速S₀，对流量预测时刻(当前时刻的下一时刻)预测点的车辆平均车速进行预测，得到预测车辆平均速度S′₀；

SSA优化LSTM的车速预测模型，具体为：

(1)数据处理：将当前时刻流量及平均车速数据按照4：1的比例分为测试集与训练集；

(2)模型初始化：初始化SSA算法的参数，包括麻雀种群位置和最大迭代次数；将LSTM的隐层节点数和学习率作为SSA算法的优化目标；

(3)初次计算：基于初始化的SSA算法的参数，计算初始麻雀种群的适应度值并进行排序，找出最优和最差的适应度值；

(4)迭代计算：基于初次计算得出的最优和最差的适应度值，更新发现者、跟随者和警戒者的位置；重新计算当前最优值，如果优于上一次迭代的最优值，则再次进行更新操作，否则不更新；继续进行迭代直到满足条件为止，最终得到全局最佳的适应度值和全局最优解值；

(5)构建更新后的LSTM模型：将SSA算法得到的最优隐层节点数和学习率构建LSTM模型，并利用训练集进行训练，再利用测试集进行测试，得到车速预测模型；

(6)模型结果：车速预测模型输入当前时刻流量R_o以及当前时刻车辆平均车速S₀，得到预测车辆平均速度S′₀。

为验证SSA优化LSTM的车速预测模型对车速预测的精准度，采用均方根误差(RootMean-Square Error，RMSE)和平均绝对误差(Mean Absolute Error，MAE)两个指标来对SSA优化LSTM的车速预测模型预测结果进行评估，具体为：

RMSE指预测值与实际值偏差平方的平均值取平方根，用来衡量预测值和实际值之间的偏差：

其中，RMSE指预测值与实际值偏差平方的平均值取平方根，用来衡量预测值和实际值之间的偏差，MAE指各次预测值与实际值的绝对偏差的平均值，可以避免误差相互抵消的情况；m为训练集数据量，

为车速的预测数据，y_i为车速的真实数据。

将预测车辆平均速度、当前时刻平均车速(分别作为

y_i的值)代入公式(3)、(4)中，得到RMSE值为14.562、MAE值为7.324，结果显示模型预测精度良好。

S204，利用预测车辆平均速度S′₀判断预测点拥堵情况，结合高速公路基本服务水平分析指标与分级标准，划分交通拥堵状况如表2所示的6个等级：

表2高速公路交通拥堵状况及平均车速对应表

S205，横断面交通流量预测模块将预测点横断面的拥堵情况存储至智慧高速云端系统。

S3，基于拥堵情况和高速公路实时路况，制定协同管控策略

(1)精细化动态速度管控

当拥堵等级低于畅通(比较拥堵、拥堵或严重拥堵)时，智慧高速云端系统向车辆终端发送更新上游限速值的指令，使上、下游相邻1公里内限速值的差不大于10km/h。

(2)应急车道动态紧急扩容管控

当拥堵等级低于比较拥堵(拥堵或严重拥堵)时，智慧高速云端系统控制应急车道开放，若拥堵等级恢复至畅通则立刻关闭应急车道。

(3)施工类事件交通管控

当拥堵等级低于畅通(比较拥堵、拥堵或严重拥堵)，且该路段存在施工类事件；智慧高速云端系统将动态车道管控和可变限速策略管控指令发送给车载终端，动态车道管控具体为：关闭施工区域车道，并提醒该车道车辆汇入其余车道；可变限速策略具体为：将施工地前后300米的限速值设置为80km/h，并对施工路段封闭车道进行提示。

(4)交通事故类事件交通管控

当拥堵等级低于畅通(比较拥堵、拥堵或严重拥堵)，且该路段存在交通事故类事件；智慧高速云端系统将动态车道管控、可变限速策略和开放应急车道的管控指令发送给车载终端，采取动态车道管控具体为：关闭事故区域车道，并提醒该车道车辆汇入其余车道；可变限速策略具体为：在故障车上游600米处，向行驶车辆发送警告信息，限速设置80km/h；当预测点横截面拥堵等级低于比较拥堵(拥堵或严重拥堵)时，开放应急车道，应急车道的限制车速设置为60km/h，若预测点横截面拥堵等级恢复至畅通则立刻关闭应急车道。

(5)大雾事件交通管控，基于最小安全停车视距确定大雾场景限速值，具体计算方法如下：

最小安全停车视距：

S＝S₁+S₂+S₃(5)

式中：S为最小安全停车视距(m)；S₁为反应时间内行驶的距离(m)；S₂为制动距离(m)；S₃为安全距离(m)；

具体地：

式中：V为行车速度(km/h)，t₁为驾驶员反应时间(s)，t₂为制动系统的迟滞时间(s)，通常选取(t₁+t₂)为2.5s；L为制动系数，一般在1.2～1.4之间选用，本实施例选取1.3；g为重力加速度，取9.8m/s²；u为车轮与路面间滑动摩阻系数，路面为潮湿状态时，取值0.30～0.44；i为路段的纵向坡度(％)，上坡为正、下坡为负；为了安全起见，选取S₃＝5m。

通常情况下实际能见度的测量值作为衡量安全停车视距的重要指标，由能见度指标计算相应的天气状况下合理的行驶车速，从而规范高速公路上的最高行驶速度：

/>

式中，Vmax是在能见度为S、车轮与路面间滑动摩阻系数为u、路段的纵向坡度为i时的最大限制速度(S和i在计算时取最大值)。

取系数u＝0.4，结合所划分的雾天天气等级(体现在最小安全停车视距上)、路段的纵向坡度，取整整合后，可得到不同等级的雾天条件下高速公路安全行驶的车速限制标准，如下表所示：

表3高速公路雾天车速限制

(6)强降雨事件交通管控

强降雨天气场景的等级划分以及对应的能见度如下表所示：

表4降雨等级划分

根据大雾事件交通管控中的方法来计算雨天对应不同能见度(具体取值视为最小安全停车视距)及坡度的最大安全行驶速度，雨天时，取系数u＝0.35，取整整合后，可得到不同等级的雨天天气条件下满足高速公路安全行驶的车速限制标准，如下表所示：

表5高速公路雨天车速限制

S4，根据行驶车辆的所在高速公路的实时情况，给车辆发送定制化导航信息

在进口匝道经过高清摄像头之后，驾驶员通过车辆终端手动向智慧高速云端系统上传车辆车牌号，本车信息与采集的车辆画像特征信息匹配成功后，智慧高速云端系统根据行驶车辆的GPS信息，确定行驶车辆目前所在高速公路的实时情况，并与智慧高速云端系统中的协同管控策略匹配，然后向车辆终端发出对应提示：

本发明车辆终端为移动终端、车载终端两种设备，车辆终端与高速公路定制化信息发布模块进行提示；

当车辆行驶于正常路段时，车辆终端仅履行导航功能，并提示危险驾驶或疲劳驾驶；

当前方路段拥堵等级低于畅通(比较拥堵、拥堵或严重拥堵)时，车辆终端提示：“前方()公里拥堵，限制车速()km/h”；

当前方路段拥堵等级低于比较畅通(拥堵或严重拥堵)时，车辆终端提示：“前方()公里拥堵，在此路段开放应急车道，限制车速()km/h”；

当前方300米处于施工路段时，车辆终端提示：“前方300米处有施工，封闭()车道，车辆可汇入()车道，限制车速80km/h”；

当前方600米发生交通事故且拥堵等级低于畅通(比较拥堵、拥堵或严重拥堵)时，车辆终端提示：“前方600米处发生严重事故，封闭()车道，主路段限制车速80km/h”；当拥堵等级低于比较拥堵(拥堵或严重拥堵)时，车辆终端提示：“前方600米处发生严重事故，封闭()车道，应急车道可借道通行，主路段限制车速80km/h，应急车道限制车速60km/h”；

当高速公路处于大雾天气时，车辆终端提示：“今日为雾天，该路段限制车速()km/h，请小心行驶”；

当高速公路处于降雨天气时，车辆终端提示：“今日为雨天，该路段限制车速()km/h，请小心行驶”。

综上，通过理论分析及事例论证，本发明提供的一套完整的基于智慧高速的交通流采集、预测、管控及信息化推送系统，能有效采集高速公路车流信息，判断高速公路拥堵状态，提出智慧交通管控措施，并将定制化信息发送至移动终端，满足管控需求。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种基于智慧高速的交通流采集、预测、管控及信息化推送方法，其特征在于：

将当前时刻流量以及当前时刻车辆平均车速输入车速预测模型，得到预测车辆平均速度；

利用所述预测车辆平均速度划分交通拥堵情况；

基于拥堵情况和高速公路实时路况，制定协同管控策略；

将行驶车辆目前所在高速公路的实时情况，与所述协同管控策略匹配，车辆终端根据协同管控策略对应的提示控制车辆行驶；

所述协同管控策略包括精细化动态速度管控、应急车道动态紧急扩容管控、施工类事件交通管控、交通事故类事件交通管控、大雾事件交通管控和强降雨事件交通管控。

2.根据权利要求1所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述交通拥堵情况具体为：当预测车辆平均速度∈[90,+∞)，拥堵等级是畅通无阻；当预测车辆平均速度∈[65,90)，拥堵等级是较为畅通；当预测车辆平均速度∈[50,65)，拥堵等级是畅通；当预测车辆平均速度∈[40,50)，拥堵等级是比较拥堵；当预测车辆平均速度∈[20,40)，拥堵等级是拥堵；当预测车辆平均速度∈[0,20)，拥堵等级是严重拥堵。

3.根据权利要求2所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述精细化动态速度管控具体为：当拥堵等级低于畅通时，向车辆终端发送更新上游限速值的指令，使上、下游相邻1公里内限速值的差不大于10km/h。

4.根据权利要求2所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述应急车道动态紧急扩容管控具体为：当拥堵等级低于比较拥堵时，开放应急车道，若拥堵等级恢复至畅通则立刻关闭应急车道。

5.根据权利要求2所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述施工类事件交通管控具体为：当拥堵等级低于畅通时，且该路段存在施工类事件；关闭施工区域车道，并提醒该车道车辆汇入其余车道；将施工地前后300米的限速值设置为80km/h，并对施工路段封闭车道进行提示。

6.根据权利要求2所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述交通事故类事件交通管控具体为：当拥堵等级低于畅通时，且该路段存在交通事故类事件；关闭事故区域车道，并提醒该车道车辆汇入其余车道；在故障车上游600米处，向行驶车辆发送警告信息，限速设置80km/h；当预测点横截面拥堵等级低于比较拥堵时，开放应急车道，应急车道的限制车速设置为60km/h，若拥堵等级恢复至畅通则立刻关闭应急车道。

7.根据权利要求2所述的交通流采集、预测、管控及信息化推送方法，其特征在于：

基于最小安全停车视距确定大雾场景、强降雨场景的限速值

其中S为最小安全停车视距，且

V为行车速度，t₁为驾驶员反应时间，t₂为制动系统的迟滞时间，L为制动系数，g为重力加速度，u为车轮与路面间滑动摩阻系数，i为路段的纵向坡度。

8.根据权利要求1所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述车速预测模型由麻雀搜索算法优化长短时记忆网络获取，具体为：

将当前时刻流量及平均车速数据按照4：1的比例分为测试集与训练集；

初始化麻雀搜索算法的参数，包括麻雀种群位置和最大迭代次数；将长短时记忆网络的隐层节点数和学习率作为麻雀搜索算法的优化目标；

基于初始化的麻雀搜索算法的参数，计算初始麻雀种群的适应度值并进行排序，找出最优和最差的适应度值；

基于初次计算得出的最优和最差的适应度值，更新发现者、跟随者和警戒者的位置；重新计算当前最优值，如果优于上一次迭代的最优值，则再次进行更新操作，否则不更新；继续进行迭代直到满足条件为止，最终得到全局最佳的适应度值和全局最优解值；

将麻雀搜索算法得到的最优隐层节点数和学习率构建长短时记忆网络模型，并利用训练集进行训练，再利用测试集进行测试，得到车速预测模型。

9.根据权利要求8所述的交通流采集、预测、管控及信息化推送方法，其特征在于，所述当前时刻流量满足：

R_o＝R_MAIN+∑R_ENTi-∑R_EXITj

其中，R_o为预测点当前时刻流量，R_MAIN为当前时刻上游主路段流量，ΣR_ENTi为当前时刻所有上游入口匝道汇入流量，ΣR_EXITj为当前时刻所有上游出口匝道汇出流量，i为上游入口匝道数，j为上游出口匝道数。

10.一种实现权利要求1-9任一项所述的通流采集、预测、管控及信息化推送方法的系统，其特征在于，包括高速公路车辆信息感知模块、横断面交通流量预测模块和高速公路主动协同管控模块，所述高速公路车辆信息感知模块、横断面交通流量预测模块和高速公路主动协同管控模块均与智慧高速云端系统进行通信；

所述高速公路车辆信息感知模块用于采集高速公路上每一辆车的车辆画像特征，行驶车辆通过车载终端上传至智慧高速云端系统的信息，与所述车辆画像特征进行匹配；

横断面交通流量预测模块根据车速预测模型预测车辆平均速度；

高速公路主动协同管控模块根据具体的道路情况，制定管控策略。

Images