CN116206451A - 一种智慧交通车流数据分析方法 - Google Patents
一种智慧交通车流数据分析方法 Download PDFInfo
- Publication number
- CN116206451A CN116206451A CN202310294185.0A CN202310294185A CN116206451A CN 116206451 A CN116206451 A CN 116206451A CN 202310294185 A CN202310294185 A CN 202310294185A CN 116206451 A CN116206451 A CN 116206451A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic flow
- video
- vehicle
- flow data
- 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
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
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种智慧交通车流数据分析方法,具体包括以下步骤:通过获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本;搭建车辆数据识别模型,将所述视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本;获取所述车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中;利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测;输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警;本发明能快速识别车流量,并对车流数据进行分析处理,预测未来车流量情况,为道路交通提供可参考的预警信息,便于城市智慧交通管理,提高通行效率。
Description
技术领域
本发明涉及智能交通相关技术领域,特别是一种智慧交通车流数据分析方法。
背景技术
随着城市交通量的迅猛增加,车流量统计已成为智能交通系统中一项关键技术和热门研究方向。高效而精确的车流量识别预测可以交通管理者和决策者,以及驾驶员提供数据支撑,从而为交通调度,降低拥堵情况的发生,提高道路利用率有非常重要的意义。
以往通过安装可接触式或不可接触式的传感器于路面进行车辆计数,但这类传感器的安装和维护费用很高,现在已不再大量铺设。不可接触式的包括超声,红外,雷达传感器等,这类容易受到恶劣天气的影响使检测精度降低,不能准确的记录车流量数据,更不能利用数据来较为准确的分析预测下一阶段的车流量,对超过拥堵阈值的车流量进行预警。
发明内容
本发明的目的是为了解决上述问题,设计了一种智慧交通车流数据分析方法。
实现上述目的本发明的技术方案为,进一步,在上述智慧交通车流数据分析方法中,该所述方法包括以下步骤:
获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本;
搭建车辆数据识别模型,将所述视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本;
获取所述车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中;
利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测;
输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警。
进一步,在上述智慧交通车流数据分析方法中,所述获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本,包括:
获取城市主要道路的早高峰车辆通行监控视频;
调整所述视频的亮度、对比度、饱和度来进行锐化,通过预处理增加视频的清晰度;
增加去噪滤镜,降低锐化后的噪声,采用Dfine2工具,自动对视频帧图片进行取样、分析、计算,应用自动生成的配置文件时降噪完成,将生成的帧传递给视频编写器,合成视频;
调整输出视频的分辨率和帧数,得到视频样本。
进一步,在上述智慧交通车流数据分析方法中,所述搭建车辆数据识别模型,将视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本,包括:
搭建MaskR-CNN网络模型,加载预先训练的权重;
安装并导入pixellib库及其依赖项,导入instance_segmentation类,使用预训练的权重训练所述MaskR-CNN模型,得到车流量识别模型;
将视频样本输入到所述车流量识别模型中进行目标检测识别,输出视频中出现的车辆类型及数量;
将所述车辆类型分为小型汽车、货车、大客车、挂车、摩托车,统计各类车辆出现的数量,得到车流数据样本。
进一步,在上述智慧交通车流数据分析方法中,所述获取所述车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中,包括:
将识别输出的车流数据样本,输入到数据库中,采用Hadoop MapReduce进行数据清洗;
定义输入集合存储所述车流量数据样本信息,定义临时可变数组存储每行车流量数据的每列值,定义结构体变量满足具体业务要求的数据结构,定义了一个输出集合用以存储清洗完的结果数据;
要求待清洗数据每行必须和目标数据结构拥有相同数量的列,要求待清洗数据必须和目标数据结构在对应的列上拥有相同的数据类型和取值范围,去除重复的车辆数据;
将清洗完的数据分区存储到HBase数据库中。
进一步,在上述一种智慧交通车流数据分析方法中,所述利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测,包括:
利用SparkStreaming的实时数据接收器实时接收每个时间批次的车流量数据;
将接收到的所述车流量数据输入到LSTM模型中,整个模型框架由一个输入层、一个隐藏层、一个输出层、网络训练和车流量预测5个模块组成,其中输入层对车流量数据进行数据预处理并提取时间序列值,然后构造数据集将其作为LSTM神经网络的输入,隐藏层由上节所述的LSTM单元构建的单层循环神经网络构成,预测结果从输出层模块得到,模型采用梯度下降算法算法训练,预测使用逐点预测的方法进行;
输出结果为预测车流量数据。
进一步,在上述智慧交通车流数据分析方法,所述输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警,包括:
对输出的预测车流量数据的进行分析,获取预测的同时段小型汽车、货车、大客车、挂车、摩托车数量;
设置城市主要道路车流量拥堵阈值,对道路短时间内能承载的车辆类型和数据进行规划,超过阈值数据,则判定为拥堵;
对超过阈值的预测车流量数据进行预警,提前发出道路拥堵通知,对未超过阈值的预测车流量数据则不进行通知。
其有益效果在于,通过获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本;搭建车辆数据识别模型,将所述视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本;获取所述车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中;利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测;输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警;本发明能快速识别车流量,并对车流数据进行分析处理,预测未来车流量情况,为道路交通提供可参考的预警信息,优化城市道路通行条件,便于城市智慧交通管理,提高通行效率。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。
图1为本发明实施例中智慧交通车流数据分析方法的第一个实施例示意图;
图2为本发明实施例中智慧交通车流数据分析方法的第二个实施例示意图;
图3为本发明实施例中智慧交通车流数据分析方法的第三个实施例示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
下面结合附图对本发明进行具体描述,如图1所示,一种智慧交通车流数据分析方法,该方法包括以下步骤:
获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本;
搭建车辆数据识别模型,将视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本;
获取车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中;
利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测;
输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警。
如图2所示,本实施例中,获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本,包括:
获取城市主要道路的早高峰车辆通行监控视频;
调整视频的亮度、对比度、饱和度来进行锐化,通过预处理增加视频的清晰度;
增加去噪滤镜,降低锐化后的噪声,采用Dfine2工具,自动对视频帧图片进行取样、分析、计算,应用自动生成的配置文件时降噪完成,将生成的帧传递给视频编写器,合成视频;
调整输出视频的分辨率和帧数,得到视频样本。
本实施例中,搭建车辆数据识别模型,将视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本,包括:
搭建MaskR-CNN网络模型,加载预先训练的权重;
MaskR-CNN是一个两阶段的框架,第一个阶段扫描图像并生成提议(proposals,即有可能包含一个目标的区域),第二阶段分类提议并生成边界框和掩码。MaskR-CNN扩展自FasterR-CNN。FasterR-CNN是一个流行的目标检测框架,MaskR-CNN将其扩展为实例分割框架。由于Mask-RCNN算法的特点,其在保持高速、高准确率的同时还可以做不同的调整修改(整个网络可以看成多种不同功能的网络拼接而成,可以按照需求添加修改不同的模块),以用到各种其他不同的任务中,比如目标检测、语义分割、关键点检测等等。
安装并导入pixellib库及其依赖项,导入instance_segmentation类,使用预训练的权重训练MaskR-CNN模型,得到车流量识别模型;
将视频样本输入到车流量识别模型中进行目标检测识别,输出视频中出现的车辆类型及数量;
将车辆类型分为小型汽车、货车、大客车、挂车、摩托车,统计各类车辆出现的数量,得到车流数据样本。
本实施例中,获取车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中,包括:
将识别输出的车流数据样本,输入到数据库中,采用Hadoop MapReduce进行数据清洗;
定义输入集合存储车流量数据样本信息,定义临时可变数组存储每行车流量数据的每列值,定义结构体变量满足具体业务要求的数据结构,定义了一个输出集合用以存储清洗完的结果数据;
要求待清洗数据每行必须和目标数据结构拥有相同数量的列,要求待清洗数据必须和目标数据结构在对应的列上拥有相同的数据类型和取值范围,去除重复的车辆数据;
将清洗完的数据分区存储到HBase数据库中。
本实施例中,利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测,包括:
利用SparkStreaming的实时数据接收器实时接收每个时间批次的车流量数据;
将接收到的车流量数据输入到LSTM模型中,整个模型框架由一个输入层、一个隐藏层、一个输出层、网络训练和车流量预测5个模块组成,其中输入层对车流量数据进行数据预处理并提取时间序列值,然后构造数据集将其作为LSTM神经网络的输入,隐藏层由上节的LSTM单元构建的单层循环神经网络构成,预测结果从输出层模块得到,模型采用梯度下降算法算法训练,预测使用逐点预测的方法进行;
输出结果为预测车流量数据。
如图3所示,本实施例中,输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警,包括:
对输出的预测车流量数据的进行分析,获取预测的同时段小型汽车、货车、大客车、挂车、摩托车数量;
设置城市主要道路车流量拥堵阈值,对道路短时间内能承载的车辆类型和数据进行规划,超过阈值数据,则判定为拥堵;
对超过阈值的预测车流量数据进行预警,提前发出道路拥堵通知,对未超过阈值的预测车流量数据则不进行通知。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.一种智慧交通车流数据分析方法,其特征在于,所述智慧交通车流数据分析方法,包括以下步骤:
获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本;
搭建车辆数据识别模型,将所述视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本;
获取所述车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中;
利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测;
输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警。
2.根据权利要求1所述的一种智慧交通车流数据分析方法,其特征在于,所述获取城市道路车辆通行监控视频,对视频进行预处理,得到视频样本,包括:
获取城市主要道路的早高峰车辆通行监控视频;
调整所述视频的亮度、对比度、饱和度来进行锐化,通过预处理增加视频的清晰度;
增加去噪滤镜,降低锐化后的噪声,采用Dfine2工具,自动对视频帧图片进行取样、分析、计算,应用自动生成的配置文件时降噪完成,将生成的帧传递给视频编写器,合成视频;
调整输出视频的分辨率和帧数,得到视频样本。
3.根据权利要求1所述的一种智慧交通车流数据分析方法,其特征在于,所述搭建车辆数据识别模型,将视频样本输入到车辆数据识别模型中进行识别,得到车辆类型及数量,进行汇总后得到车流数据样本,包括:
搭建MaskR-CNN网络模型,加载预先训练的权重;
安装并导入pixellib库及其依赖项,导入instance_segmentation类,使用预训练的权重训练所述MaskR-CNN模型,得到车流量识别模型;
将视频样本输入到所述车流量识别模型中进行目标检测识别,输出视频中出现的车辆类型及数量;
将所述车辆类型分为小型汽车、货车、大客车、挂车、摩托车,统计各类车辆出现的数量,得到车流数据样本。
4.根据权利要求1所述的一种智慧交通车流数据分析方法,其特征在于,所述获取所述车流数据样本,采用HadoopMapReduce进行数据清洗,将清洗完的数据分区存储到HBase数据库中,包括:
将识别输出的车流数据样本,输入到数据库中,采用Hadoop MapReduce进行数据清洗;
定义输入集合存储所述车流量数据样本信息,定义临时可变数组存储每行车流量数据的每列值,定义结构体变量满足具体业务要求的数据结构,定义了一个输出集合用以存储清洗完的结果数据;
要求待清洗数据每行必须和目标数据结构拥有相同数量的列,要求待清洗数据必须和目标数据结构在对应的列上拥有相同的数据类型和取值范围,去除重复的车辆数据;
将清洗完的数据分区存储到HBase数据库中。
5.根据权利要求1所述的一种智慧交通车流数据分析方法,其特征在于,所述利用Spark对数据进行计算,将输入LSTM神经网络模型中进行车流量预测,包括:
利用SparkStreaming的实时数据接收器实时接收每个时间批次的车流量数据;
将接收到的所述车流量数据输入到LSTM模型中,整个模型框架由一个输入层、一个隐藏层、一个输出层、网络训练和车流量预测5个模块组成,其中输入层对车流量数据进行数据预处理并提取时间序列值,然后构造数据集将其作为LSTM神经网络的输入,隐藏层由上节所述的LSTM单元构建的单层循环神经网络构成,预测结果从输出层模块得到,模型采用梯度下降算法算法训练,预测使用逐点预测的方法进行;
输出结果为预测车流量数据。
6.根据权利要求1所述的一种智慧交通车流数据分析方法,其特征在于,所述输出预测分析结果,得到同时段预估车流量及车辆类型,发出拥堵预警,包括:
对输出的预测车流量数据的进行分析,获取预测的同时段小型汽车、货车、大客车、挂车、摩托车数量;
设置城市主要道路车流量拥堵阈值,对道路短时间内能承载的车辆类型和数据进行规划,超过阈值数据,则判定为拥堵;
对超过阈值的预测车流量数据进行预警,提前发出道路拥堵通知,对未超过阈值的预测车流量数据则不进行通知。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294185.0A CN116206451A (zh) | 2023-03-24 | 2023-03-24 | 一种智慧交通车流数据分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310294185.0A CN116206451A (zh) | 2023-03-24 | 2023-03-24 | 一种智慧交通车流数据分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116206451A true CN116206451A (zh) | 2023-06-02 |
Family
ID=86511281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310294185.0A Pending CN116206451A (zh) | 2023-03-24 | 2023-03-24 | 一种智慧交通车流数据分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116206451A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843071A (zh) * | 2023-07-04 | 2023-10-03 | 交通运输部水运科学研究所 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
-
2023
- 2023-03-24 CN CN202310294185.0A patent/CN116206451A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843071A (zh) * | 2023-07-04 | 2023-10-03 | 交通运输部水运科学研究所 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
CN116843071B (zh) * | 2023-07-04 | 2024-03-22 | 交通运输部水运科学研究所 | 一种用于智慧港口的运输网络运行指数预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097755B (zh) | 基于深度神经网络的高速公路交通流量状态识别方法 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
Shepelev et al. | A Study of the Travel Time of Intersections by Vehicles using Computer Vision. | |
CN111462488B (zh) | 一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法 | |
Dou et al. | A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways | |
CN112883648B (zh) | 汽车油耗预测模型的训练方法、装置、计算机设备 | |
CN116504076A (zh) | 基于etc门架数据的高速公路车流量预测方法 | |
CN113255552B (zh) | 公交车载视频乘客od分析方法、装置及存储介质 | |
Hardjono et al. | Vehicle counting quantitative comparison using background subtraction, viola jones and deep learning methods | |
CN116206451A (zh) | 一种智慧交通车流数据分析方法 | |
CN115565369A (zh) | 一种基于超图的时空超图卷积交通流量预测方法及系统 | |
CN114267173A (zh) | 高速公路时空特征的多源数据融合方法、装置及设备 | |
CN114926825A (zh) | 一种基于时空特征融合的车辆驾驶行为检测方法 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN114879192A (zh) | 基于路侧毫米波雷达的决策树车型分类方法、电子设备 | |
Taghavi et al. | Identifying truck stops from a large stream of gps data via a hidden markov chain model | |
CN113379099A (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
CN116631186A (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN108053646B (zh) | 基于时间敏感特征的交通特征获取方法、预测方法及系统 | |
Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images | |
CN112101132B (zh) | 一种基于图嵌入模型和度量学习的交通状况预测方法 | |
CN110428617A (zh) | 一种基于5g便携式智能终端及mec的交通对象识别方法 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
CN110796301B (zh) | 一种基于ic卡数据的乘客流量预测方法及装置 |
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 |