CN116913097A - 一种交通状态预测方法及系统 - Google Patents

一种交通状态预测方法及系统 Download PDF

Info

Publication number
CN116913097A
CN116913097A CN202311182252.6A CN202311182252A CN116913097A CN 116913097 A CN116913097 A CN 116913097A CN 202311182252 A CN202311182252 A CN 202311182252A CN 116913097 A CN116913097 A CN 116913097A
Authority
CN
China
Prior art keywords
area
current
data
traffic state
sensed
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.)
Granted
Application number
CN202311182252.6A
Other languages
English (en)
Other versions
CN116913097B (zh
Inventor
陈广辉
李欣
罗江
黄敏
高林
喻恺
陈昭彰
吴传洁
杨端建
李雪晋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Fangxing Technology Co ltd
Original Assignee
Jiangxi Fangxing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi Fangxing Technology Co ltd filed Critical Jiangxi Fangxing Technology Co ltd
Priority to CN202311182252.6A priority Critical patent/CN116913097B/zh
Publication of CN116913097A publication Critical patent/CN116913097A/zh
Application granted granted Critical
Publication of CN116913097B publication Critical patent/CN116913097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

Abstract

本发明提供一种交通状态预测方法及系统，该方法包括：分别采集多个连续的预设时间段内待感知区域的视频数据；根据当前视频数据和当前时间段计算出待感知区域在当前时间段内的当前交通状态数据；基于当前交通状态数据计算出待感知区域的区域容纳度和密集度；构建交通状态感知模型，并将区域容纳度以及密集度输入至交通状态感知模型，以得到待感知区域的状态感知结果；根据预设的状态预测系数、状态感知结果以及历史视频数据构建状态预测模型，并利用状态预测模型对待感知区域进行交通状态预测，以得到对应的状态预测结果。本发明通过视频数据计算出待感知区域的区域容纳度和密集度，分析多交通状态的特征变化实现交通状态的预测。

Description

一种交通状态预测方法及系统
技术领域
本发明涉及智能交通技术领域，特别涉及一种交通状态预测方法及系统。
背景技术
随着道路交通的发展以及城市路网的不断完善，交通基础设施建设已经得到很大的进步，伴随着人们生活水平的提高，汽车也逐渐成为一些家庭出行的必备品。
随着机动车数量的增加，交通状态预测在路线规划、交通控制、车辆调度等实际应用中显得尤为重要。交通状态预测的目的是通过预测未来的交通状态以降低出行时存在道路拥堵、道路占用等情况的发生，然而，现有的交通状态预测方法通常是统计历史数据的平均值对交通数据进行统计假设，由于交通数据存在不确定性和变化性，单纯通过历史数据对交通状态预测可能会导致结果不精准，并且，该方法只能适用于数据量较小的集合，无法针对复杂的数据。
发明内容
基于此，本发明的目的是提供一种交通状态预测方法及系统，以至少解决上述技术中的不足。
本发明提出一种交通状态预测方法，包括：
分别采集多个连续的预设时间段内待感知区域的视频数据，其中，所述视频数据包括当前时间段下所采集的当前视频数据以及各历史时间段的历史视频数据；
根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据；
基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度；
构建交通状态感知模型，并将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果；
根据预设的状态预测系数、所述状态感知结果以及所述历史视频数据构建状态预测模型，并利用所述状态预测模型对所述待感知区域进行交通状态预测，以得到对应的状态预测结果。
进一步的，根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据的步骤包括：
根据所述当前视频数据获取所述待感知区域的交通流量，并根据所述交通流量和所述当前时间段计算出所述待感知区域的当前交通流量；
根据所述当前视频数据获取所述待感知区域在所述当前时间段下的车辆行驶数量，并根据所述车辆行驶数量和所述待感知区域的区域范围计算出所述待感知区域的当前行驶速度。
进一步的，所述待感知区域的当前交通流量的计算公式为：
；
式中，表示第/>个时间段的交通流量，/>表示时间段个数，/>表示时间段的长度，其中，每个时间段的长度相同；
所述待感知区域的当前行驶速度的计算公式为：
；
式中，表示待感知区域的区域范围，/>表示车辆/>通过待感知区域的时间，/>表示车辆行驶数量。
进一步的，基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度的步骤包括：
获取区域容纳度阈值，并根据所述区域容纳度阈值和所述当前交通状态数据计算出所述待感知区域的区域容纳度；
根据所述当前交通状态数据计算出所述待感知区域内的车辆最小安全距离，并获取所述待感知区域内所有车辆的位置信息，根据所述位置信息和所述车辆最小安全距离计算出所述待感知区域的密集度。
进一步的，所述待感知区域的区域容纳度的计算公式为：
；
式中，表示待感知区域的当前交通流量，/>表示区域容纳度阈值；
所述待感知区域的密集度的计算公式为：
；
；
；
式中，表示车辆/>和车辆/>之间的空间相对距离，/>、/>分别表示车辆/>和车辆/>的空间位置向量，/>、/>分别表示待感知区域内的车辆横向最小安全距离和车辆纵向最小安全距离，/>表示车辆/>的空间坐标，/>表示车辆/>的空间坐标，/>表示待感知区域的密集率，/>表示车辆的数量，/>表示待感知区域的密集度。
进一步的，构建交通状态感知模型的步骤包括：
获取样本数据序列以及所述样本数据序列的聚类中心，并计算所述样本数据序列中所有样本数据与所述聚类中心的距离；
依次比较各所述样本数据与所述聚类中心的距离，并将各所述样本数据分配至距离最近的聚类中心的类簇中，以得到多个优化数据集；
利用各所述优化数据集构建交通状态感知算法，并利用所述交通状态感知算法对所述样本数据序列进行分类，根据分类结果构建交通状态感知模型。
进一步的，将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果的步骤包括：
利用所述交通状态感知模型构建感知评价指标，并将所述感知评价指标与所述区域容纳度和所述密集度进行数据对比；
将所述数据对比结果转换成所述待感知区域的状态感知结果。
本发明还提出一种交通状态预测系统，包括：
数据采集模块，用于分别采集多个连续的预设时间段内待感知区域的视频数据，其中，所述视频数据包括当前时间段下所采集的当前视频数据以及各历史时间段的历史视频数据；
数据计算模块，用于根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据；
数据处理模块，用于基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度；
状态感知模块，用于构建交通状态感知模型，并将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果；
状态预测模块，用于根据预设的状态预测系数、所述状态感知结果以及所述历史视频数据构建状态预测模型，并利用所述状态预测模型对所述待感知区域进行交通状态预测，以得到对应的状态预测结果。
进一步的，所述数据计算模块包括：
流量计算单元，用于根据所述当前视频数据获取所述待感知区域的交通流量，并根据所述交通流量和所述当前时间段计算出所述待感知区域的当前交通流量；
速度计算单元，用于根据所述当前视频数据获取所述待感知区域在所述当前时间段下的车辆行驶数量，并根据所述车辆行驶数量和所述待感知区域的区域范围计算出所述待感知区域的当前行驶速度。
进一步的，所述数据处理模块包括：
容纳度计算单元，用于获取区域容纳度阈值，并根据所述区域容纳度阈值和所述当前交通状态数据计算出所述待感知区域的区域容纳度；
密集度计算单元，用于根据所述当前交通状态数据计算出所述待感知区域内的车辆最小安全距离，并获取所述待感知区域内所有车辆的位置信息，根据所述位置信息和所述车辆最小安全距离计算出所述待感知区域的密集度。
进一步的，所述状态感知模块包括：
距离计算单元，用于获取样本数据序列以及所述样本数据序列的聚类中心，并计算所述样本数据序列中所有样本数据与所述聚类中心的距离；
数据分配单元，用于依次比较各所述样本数据与所述聚类中心的距离，并将各所述样本数据分配至距离最近的聚类中心的类簇中，以得到多个优化数据集；
模型构建单元，用于利用各所述优化数据集构建交通状态感知算法，并利用所述交通状态感知算法对所述样本数据序列进行分类，根据分类结果构建交通状态感知模型。
进一步的，所述状态感知模块包括：
数据对比单元，用于利用所述交通状态感知模型构建感知评价指标，并将所述感知评价指标与所述区域容纳度和所述密集度进行数据对比；
状态感知单元，用于将所述数据对比结果转换成所述待感知区域的状态感知结果。
本发明当中的交通状态预测方法及系统，通过采集多个连续的预设时间段内待感知区域的视频数据，并根据视频数据计算出待感知区域的当前交通状态数据，利用当前交通状态数据计算出待感知区域的区域容纳度和密集度；根据区域容纳度和密集度对待感知区域进行交通状态感知，结合交通状态感知结果和视频数据中的历史视频数据相结合实现待感知区域的交通状态预测，通过视频数据计算出待感知区域的区域容纳度和密集度，分析多交通状态的特征变化，以实现交通状态的预测。
附图说明
图1为本发明第一实施例中的交通状态预测方法的流程图；
图2为图1中步骤S102的详细流程图；
图3为图1中步骤S103的详细流程图；
图4为图1中步骤S104的详细流程图；
图5为本发明第二实施例中的交通状态预测系统的结构框图；
图6为本发明第三实施例中的计算机设备的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的交通状态预测方法，所述方法具体包括步骤S101至S105：
S101，分别采集多个连续的预设时间段内待感知区域的视频数据，其中，所述视频数据包括当前时间段下所采集的当前视频数据以及各历史时间段的历史视频数据；
在具体实施时，通过安装在待感知区域内的视频采集设备对该待感知区域进行视频采集，以得到多个连续、且相等的预设时间段的视频数据，该视频数据中包含有当前时间段的当前视频数据以及在当前时间段之前的各历史时间段的历史视频数据。
S102，根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据；
进一步的，请参阅图2，所述步骤S102具体包括步骤S1021~S1022：
S1021，根据所述当前视频数据获取所述待感知区域的交通流量，并根据所述交通流量和所述当前时间段计算出所述待感知区域的当前交通流量；
S1022，根据所述当前视频数据获取所述待感知区域在所述当前时间段下的车辆行驶数量，并根据所述车辆行驶数量和所述待感知区域的区域范围计算出所述待感知区域的当前行驶速度。
在具体实施时，对当前视频数据进行逐帧处理，从而得到该当前视频数据的逐帧数据，并通过预设的对象识别算法对逐帧数据进行对象识别，从而得到该当前视频数据中所有对象的移动轨迹，即为该待感知区域的交通流量；
进一步的，将上述的交通流量与当前时间段计算出该待感知区域的当前交通流量，其中，待感知区域的当前交通流量的计算公式为：
；
式中，表示第/>个时间段的交通流量，/>表示时间段个数，/>表示时间段的长度；
具体的，通过上述得到的当前视频数据中所有对象的移动轨迹获取对应的车辆行驶数量，并将该车辆行驶数量与整个待感知区域的区域范围大小计算出对应的当前行驶速度，其中，待感知区域的当前行驶速度的计算公式为：
；
式中，表示待感知区域的区域范围，/>表示车辆/>通过待感知区域的时间，/>表示车辆行驶数量。
S103，基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度；
进一步的，请参阅图3，所述步骤S103具体包括步骤S1031~S1032：
S1031，获取区域容纳度阈值，并根据所述区域容纳度阈值和所述当前交通状态数据计算出所述待感知区域的区域容纳度；
S1032，根据所述当前交通状态数据计算出所述待感知区域内的车辆最小安全距离，并获取所述待感知区域内所有车辆的位置信息，根据所述位置信息和所述车辆最小安全距离计算出所述待感知区域的密集度。
在具体实施时，待感知区域中某一时间段内经过的车辆数量表示该区域的交通流量大小，当单位时间内车辆数量越大，意味着该区域的畅通率越低，其中，获取该待感知区域的区域容纳度阈值（在本实施例中，该区域容纳度阈值为每个时间段内该区域所能容纳的车辆的数量），根据当前视频数据中的当前交通流量与该区域容纳度阈值进行对比，从而得到该待感知区域的区域容纳度，其中，待感知区域的区域容纳度的计算公式为：
；
式中，表示待感知区域的当前交通流量，/>表示区域容纳度阈值；
进一步的，利用上述的当前交通状态数据计算出该待感知区域内的车辆最小安全距离，其中，车辆最小安全距离为两相邻的车辆之间的最小安全距离，从当前交通状态数据中获取该区域内所有车辆的位置信息，根据位置信息和车辆最小安全距离计算出待感知区域的密集度，密集度越高，意味着该区域内的车辆越密集，意味着该区域的畅通率越低，待感知区域的密集度的计算公式为：
；
；
；
式中，表示车辆/>和车辆/>之间的空间相对距离，/>、/>分别表示车辆/>和车辆/>的空间位置向量，/>、/>分别表示待感知区域内的车辆横向最小安全距离和车辆纵向最小安全距离，/>表示车辆/>的空间坐标，/>表示车辆/>的空间坐标，/>表示待感知区域的密集率，/>表示车辆的数量，/>表示待感知区域的密集度。
S104，构建交通状态感知模型，并将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果；
进一步的，请参阅图4，所述步骤S104具体包括步骤S1041~S1043：
S1041，获取样本数据序列以及所述样本数据序列的聚类中心，并计算所述样本数据序列中所有样本数据与所述聚类中心的距离；
S1042，依次比较各所述样本数据与所述聚类中心的距离，并将各所述样本数据分配至距离最近的聚类中心的类簇中，以得到多个优化数据集；
S1043，利用各所述优化数据集构建交通状态感知算法，并利用所述交通状态感知算法对所述样本数据序列进行分类，根据分类结果构建交通状态感知模型。
在具体实施时，给定样本数据序列，并初始化该样本数据序列的多个聚类中心，并计算出该样本数据序列中每个样本数据与每个聚类中心的欧式距离，并依次比较每个样本数据所得到的欧氏距离，将每个样本数据分配至距离最近的聚类中心的类簇中，以得到多个优化数据集，计算优化数据的聚类中心，并循环上述步骤直至聚类中心的变化趋于平稳或达到预设的迭代次数，将所得到的数据构建出交通状态感知算法，利用交通状态感知算法对上述的样本数据序列进行分类，其中，在该交通状态感知算法中存在样本数据序列中所有样本数据的分类标准，利用该分类标准将所有样本数据进行分类，将分类结果与预设的交通站状态感知学习器进行融合构建交通状态感知模型，并将其作为评价交通状态的评价指标。
在一些可选实施例中，所述步骤S104还包括步骤S1141~S1142：
S1141，利用所述交通状态感知模型构建感知评价指标，并将所述感知评价指标与所述区域容纳度和所述密集度进行数据对比；
S1142，将所述数据对比结果转换成所述待感知区域的状态感知结果。
在具体实施时，通过交通状态感知模型创建出感知评价指标，其中，该感知评价指标包括不同的交通状态所对应的指标数据，不同的交通状态包括：畅通、一级拥堵、二级拥堵以及三级拥堵，其中，拥堵的级别越高，意味着该区域的畅通率越低，将区域容纳度和密集度与指标数据进行对比，即可得到不同的区域容纳度和不同的密集度在指标数据中所对应的数据范围，并根据该数据范围确对应的交通状态，即该待感知区域的状态感知结果，其中，该状态感知结果包括交通状态及其对应的交通流量-时间段序列。
S105，根据预设的状态预测系数、所述状态感知结果以及所述历史视频数据构建状态预测模型，并利用所述状态预测模型对所述待感知区域进行交通状态预测，以得到对应的状态预测结果。
在具体实施时，将该待感知区域作为预测区域，并构建状态预测系数，并将该状态预测系数、状态感知结果以及上述的历史视频数据和预设的状态预测学习器进行组合构建状态预测模型，其中，该状态预测系数利用状态感知结果和历史视频数据中当前时间段和前/>个历史时间段的历史交通数据来预测当前时间段的下一时间段/>的交通状态参数/>，具体的，构建神经网络预测子模型，并将上述得到的交通状态参数/>及其对应的决策值作为该神经网络预测子模型的训练集和测试集，并对该神经网络预测子模型进行训练，当预测的误差达到预设要求后，输出神经网络预测优化子模型；
进一步的，构建径向基神经网络模型，将上述得到交通状态参数及其对应的决策值作为该径向基神经网络模型的训练集和测试集，并对该径向基神经网络模型进行训练，直至预测结果达到预设要求后，输出径向基神经网络优化模型；
具体的，利用神经网络预测优化子模型和径向基神经网络优化模型对该待感知区域的当前交通数据的下一时间段进行预测，以得到对应的预测结果，并将该预测结果输入至预设的交通状态预测表中进行对比，以得到该预测结果所对应的交通状态。
综上，本发明上述实施例当中的交通状态预测方法，通过采集多个连续的预设时间段内待感知区域的视频数据，并根据视频数据计算出待感知区域的当前交通状态数据，利用当前交通状态数据计算出待感知区域的区域容纳度和密集度；根据区域容纳度和密集度对待感知区域进行交通状态感知，结合交通状态感知结果和视频数据中的历史视频数据相结合实现待感知区域的交通状态预测，通过视频数据计算出待感知区域的区域容纳度和密集度，分析多交通状态的特征变化，以实现交通状态的预测。
实施例二
本发明另一方面还提出一种交通状态预测系统，请查阅图5，所示为本发明第二实施例中的交通状态预测系统，所述系统包括：
数据采集模块11，用于分别采集多个连续的预设时间段内待感知区域的视频数据，其中，所述视频数据包括当前时间段下所采集的当前视频数据以及各历史时间段的历史视频数据；
数据计算模块12，用于根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据；
进一步的，所述数据计算模块12包括：
流量计算单元，用于根据所述当前视频数据获取所述待感知区域的交通流量，并根据所述交通流量和所述当前时间段计算出所述待感知区域的当前交通流量；
速度计算单元，用于根据所述当前视频数据获取所述待感知区域在所述当前时间段下的车辆行驶数量，并根据所述车辆行驶数量和所述待感知区域的区域范围计算出所述待感知区域的当前行驶速度。
数据处理模块13，用于基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度；
进一步的，所述数据处理模块13包括：
容纳度计算单元，用于获取区域容纳度阈值，并根据所述区域容纳度阈值和所述当前交通状态数据计算出所述待感知区域的区域容纳度；
密集度计算单元，用于根据所述当前交通状态数据计算出所述待感知区域内的车辆最小安全距离，并获取所述待感知区域内所有车辆的位置信息，根据所述位置信息和所述车辆最小安全距离计算出所述待感知区域的密集度。
状态感知模块14，用于构建交通状态感知模型，并将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果；
进一步的，所述状态感知模块14包括：
距离计算单元，用于获取样本数据序列以及所述样本数据序列的聚类中心，并计算所述样本数据序列中所有样本数据与所述聚类中心的距离；
数据分配单元，用于依次比较各所述样本数据与所述聚类中心的距离，并将各所述样本数据分配至距离最近的聚类中心的类簇中，以得到多个优化数据集；
模型构建单元，用于利用各所述优化数据集构建交通状态感知算法，并利用所述交通状态感知算法对所述样本数据序列进行分类，根据分类结果构建交通状态感知模型。
在一些可选实施例中，所述状态感知模块14包括：
数据对比单元，用于利用所述交通状态感知模型构建感知评价指标，并将所述感知评价指标与所述区域容纳度和所述密集度进行数据对比；
状态感知单元，用于将所述数据对比结果转换成所述待感知区域的状态感知结果。
状态预测模块15，用于根据预设的状态预测系数、所述状态感知结果以及所述历史视频数据构建状态预测模型，并利用所述状态预测模型对所述待感知区域进行交通状态预测，以得到对应的状态预测结果。
上述各模块、单元被执行时所实现的功能或操作步骤与上述方法实施例大体相同，在此不再赘述。
本发明实施例所提供的交通状态预测系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
实施例三
本发明还提出一种计算机设备，请参阅图6，所示为本发明第三实施例中的计算机设备，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的交通状态预测方法。
其中，存储器10至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机设备的内部存储单元，例如该计算机设备的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart MediaCard, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机设备的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机设备的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图6示出的结构并不构成对计算机设备的限定，在其它实施例当中，该计算机设备可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的交通状态预测方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机设备可读介质中，以供指令执行系统、装置或设备（如基于计算机设备的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机设备可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机设备可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机设备盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机设备可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机设备存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种交通状态预测方法，其特征在于，包括：
分别采集多个连续的预设时间段内待感知区域的视频数据，其中，所述视频数据包括当前时间段下所采集的当前视频数据以及各历史时间段的历史视频数据；
根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据；
基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度；
构建交通状态感知模型，并将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果；
根据预设的状态预测系数、所述状态感知结果以及所述历史视频数据构建状态预测模型，并利用所述状态预测模型对所述待感知区域进行交通状态预测，以得到对应的状态预测结果。
2.根据权利要求1所述的交通状态预测方法，其特征在于，根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据的步骤包括：
根据所述当前视频数据获取所述待感知区域的交通流量，并根据所述交通流量和所述当前时间段计算出所述待感知区域的当前交通流量；
根据所述当前视频数据获取所述待感知区域在所述当前时间段下的车辆行驶数量，并根据所述车辆行驶数量和所述待感知区域的区域范围计算出所述待感知区域的当前行驶速度。
3.根据权利要求2所述的交通状态预测方法，其特征在于，所述待感知区域的当前交通流量的计算公式为：
；
式中，表示第/>个时间段的交通流量，/>表示时间段个数，/>表示时间段的长度，其中，每个时间段的长度相同；
所述待感知区域的当前行驶速度的计算公式为：
；
式中，表示待感知区域的区域范围，/>表示车辆/>通过待感知区域的时间，/>表示车辆行驶数量。
4.根据权利要求1所述的交通状态预测方法，其特征在于，基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度的步骤包括：
获取区域容纳度阈值，并根据所述区域容纳度阈值和所述当前交通状态数据计算出所述待感知区域的区域容纳度；
根据所述当前交通状态数据计算出所述待感知区域内的车辆最小安全距离，并获取所述待感知区域内所有车辆的位置信息，根据所述位置信息和所述车辆最小安全距离计算出所述待感知区域的密集度。
5.根据权利要求4所述的交通状态预测方法，其特征在于，所述待感知区域的区域容纳度的计算公式为：
；
式中，表示待感知区域的当前交通流量，/>表示区域容纳度阈值；
所述待感知区域的密集度的计算公式为：
；
；
；
式中，表示车辆/>和车辆/>之间的空间相对距离，/>、/>分别表示车辆/>和车辆/>的空间位置向量，/>、/>分别表示待感知区域内的车辆横向最小安全距离和车辆纵向最小安全距离，/>表示车辆/>的空间坐标，/>表示车辆/>的空间坐标，/>表示待感知区域的密集率，/>表示车辆的数量，/>表示待感知区域的密集度。
6.根据权利要求1所述的交通状态预测方法，其特征在于，构建交通状态感知模型的步骤包括：
获取样本数据序列以及所述样本数据序列的聚类中心，并计算所述样本数据序列中所有样本数据与所述聚类中心的距离；
依次比较各所述样本数据与所述聚类中心的距离，并将各所述样本数据分配至距离最近的聚类中心的类簇中，以得到多个优化数据集；
利用各所述优化数据集构建交通状态感知算法，并利用所述交通状态感知算法对所述样本数据序列进行分类，根据分类结果构建交通状态感知模型。
7.根据权利要求1所述的交通状态预测方法，其特征在于，将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果的步骤包括：
利用所述交通状态感知模型构建感知评价指标，并将所述感知评价指标与所述区域容纳度和所述密集度进行数据对比；
将所述数据对比结果转换成所述待感知区域的状态感知结果。
8.一种交通状态预测系统，其特征在于，包括：
数据采集模块，用于分别采集多个连续的预设时间段内待感知区域的视频数据，其中，所述视频数据包括当前时间段下所采集的当前视频数据以及各历史时间段的历史视频数据；
数据计算模块，用于根据所述当前视频数据和所述当前时间段计算出所述待感知区域在所述当前时间段内的当前交通状态数据；
数据处理模块，用于基于所述当前交通状态数据计算出所述待感知区域的区域容纳度和密集度；
状态感知模块，用于构建交通状态感知模型，并将所述区域容纳度以及所述密集度输入至所述交通状态感知模型，以得到所述待感知区域的状态感知结果；
状态预测模块，用于根据预设的状态预测系数、所述状态感知结果以及所述历史视频数据构建状态预测模型，并利用所述状态预测模型对所述待感知区域进行交通状态预测，以得到对应的状态预测结果。
9.根据权利要求8所述的交通状态预测系统，其特征在于，所述数据计算模块包括：
流量计算单元，用于根据所述当前视频数据获取所述待感知区域的交通流量，并根据所述交通流量和所述当前时间段计算出所述待感知区域的当前交通流量；
速度计算单元，用于根据所述当前视频数据获取所述待感知区域在所述当前时间段下的车辆行驶数量，并根据所述车辆行驶数量和所述待感知区域的区域范围计算出所述待感知区域的当前行驶速度。
10.根据权利要求8所述的交通状态预测系统，其特征在于，所述数据处理模块包括：
容纳度计算单元，用于获取区域容纳度阈值，并根据所述区域容纳度阈值和所述当前交通状态数据计算出所述待感知区域的区域容纳度；
密集度计算单元，用于根据所述当前交通状态数据计算出所述待感知区域内的车辆最小安全距离，并获取所述待感知区域内所有车辆的位置信息，根据所述位置信息和所述车辆最小安全距离计算出所述待感知区域的密集度。
CN202311182252.6A 2023-09-14 2023-09-14 一种交通状态预测方法及系统 Active CN116913097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311182252.6A CN116913097B (zh) 2023-09-14 2023-09-14 一种交通状态预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311182252.6A CN116913097B (zh) 2023-09-14 2023-09-14 一种交通状态预测方法及系统

Publications (2)

Publication Number Publication Date
CN116913097A true CN116913097A (zh) 2023-10-20
CN116913097B CN116913097B (zh) 2024-01-19

Family

ID=88367386

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311182252.6A Active CN116913097B (zh) 2023-09-14 2023-09-14 一种交通状态预测方法及系统

Country Status (1)

Country Link
CN (1) CN116913097B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6366219B1 (en) * 1997-05-20 2002-04-02 Bouchaib Hoummady Method and device for managing road traffic using a video camera as data source
CN102289936A (zh) * 2006-03-03 2011-12-21 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN102819954A (zh) * 2012-08-28 2012-12-12 南京大学 交通区域动态地图监控预测系统
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
WO2016022108A1 (en) * 2014-08-06 2016-02-11 Robinson Kurt B Systems and methods involving features of adaptive and/or autonomous traffic control
CN109448366A (zh) * 2018-10-18 2019-03-08 南京航空航天大学 一种基于随机森林的空域扇区拥挤程度预测方法
CN111754771A (zh) * 2020-06-22 2020-10-09 中山大学 一种基于交通信号和密度延误的个体行程时间预测方法
WO2021036278A1 (zh) * 2019-08-26 2021-03-04 上海电科智能系统股份有限公司 一种基于边缘计算的城市交通状态精细化判别方法
CN112946628A (zh) * 2021-02-08 2021-06-11 江苏中路工程技术研究院有限公司 一种基于雷达与视频融合的道路运行状态检测方法及系统
CN114299723A (zh) * 2022-02-15 2022-04-08 北京科技大学 一种交通流量预测方法
WO2022104504A1 (zh) * 2020-11-17 2022-05-27 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、系统、终端以及存储介质

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6366219B1 (en) * 1997-05-20 2002-04-02 Bouchaib Hoummady Method and device for managing road traffic using a video camera as data source
CN102289936A (zh) * 2006-03-03 2011-12-21 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN102819954A (zh) * 2012-08-28 2012-12-12 南京大学 交通区域动态地图监控预测系统
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
WO2016022108A1 (en) * 2014-08-06 2016-02-11 Robinson Kurt B Systems and methods involving features of adaptive and/or autonomous traffic control
CN109448366A (zh) * 2018-10-18 2019-03-08 南京航空航天大学 一种基于随机森林的空域扇区拥挤程度预测方法
WO2021036278A1 (zh) * 2019-08-26 2021-03-04 上海电科智能系统股份有限公司 一种基于边缘计算的城市交通状态精细化判别方法
CN111754771A (zh) * 2020-06-22 2020-10-09 中山大学 一种基于交通信号和密度延误的个体行程时间预测方法
WO2022104504A1 (zh) * 2020-11-17 2022-05-27 中国科学院深圳先进技术研究院 一种公路交通状态预测方法、系统、终端以及存储介质
CN112946628A (zh) * 2021-02-08 2021-06-11 江苏中路工程技术研究院有限公司 一种基于雷达与视频融合的道路运行状态检测方法及系统
CN114299723A (zh) * 2022-02-15 2022-04-08 北京科技大学 一种交通流量预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIANKAI SUN: "Self-Supervised Traffic Advisors: Distributed, Multi-view Traffic Prediction for Smart Cities", 2022 IEEE 25TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC), pages 917 - 922 *
吴梅;邵峰晶;孙仁诚;: "一种基于加权道路网络的拥堵区域划分方法", 青岛大学学报(工程技术版), no. 04, pages 13 - 19 *
宫晓燕, 汤淑明: "基于非参数回归的短时交通流量预测与事件检测综合算法", 中国公路学报, no. 01, pages 83 - 87 *
朱琳;宋国华;于雷;温慧敏;孙建平;: "基于公众出行感知调研与测算的交通状态实时评价指标", 北京工业大学学报, no. 10, pages 92 - 97 *

Also Published As

Publication number Publication date
CN116913097B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
Wu et al. A fast trajectory outlier detection approach via driving behavior modeling
CN108256506B (zh) 一种视频中物体检测方法及装置、计算机存储介质
CN111178380B (zh) 数据分类方法、装置及电子设备
US20210192586A1 (en) Systems and Methods for Detecting and Responding to Anomalous Traffic Conditions
CN110472999B (zh) 基于地铁和共享单车数据的客流模式分析方法及装置
US11195412B2 (en) Predicting short-term traffic flow congestion on urban motorway networks
Luo et al. Grouped travel time estimation in signalized arterials using point-to-point detectors
Mehdi et al. Entropy-based traffic flow labeling for CNN-based traffic congestion prediction from meta-parameters
KR101598343B1 (ko) 정체 시공간 패턴 자동인식 시스템 및 그 방법
CN114446064A (zh) 一种分析高速公路服务区流量的方法、装置、存储介质及终端
CN110021161B (zh) 一种交通流向的预测方法及系统
CN111881243A (zh) 一种出租车轨迹热点区域分析方法及系统
CN115909224A (zh) 轨迹检测方法及轨迹检测系统
CN116913097B (zh) 一种交通状态预测方法及系统
CN114547749A (zh) 户型预测方法、装置以及存储介质
US20200365017A1 (en) System and method for single-loop vehicle speed estimation using inductive loop signature data
CN116245183B (zh) 基于图神经网络的交通场景泛化理解方法及装置
CN111462490A (zh) 一种基于多级子区划分的路网可视化方法及装置
CN111341096A (zh) 一种基于gps数据的公交运行状态评估方法
CN116206451A (zh) 一种智慧交通车流数据分析方法
CN110264725A (zh) 路段流量的确定方法及装置
CN110796129A (zh) 一种文本行区域检测方法及装置
CN115563522A (zh) 交通数据的聚类方法、装置、设备及介质
CN107316313A (zh) 场景分割方法及设备
CN109615187B (zh) 一种od矩阵的评估方法、公交负载模拟方法及装置

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
GR01 Patent grant
GR01 Patent grant