CN117057614B - 一种基于遥感技术的公路安全运行动态变化预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于遥感技术的公路安全运行动态变化预测方法及系统，涉及公路交通安全管理技术领域，该系统通过采用卫星图像获取多空间轴的实时遥感数据，实现对公路覆盖表面的全面监测。与传统方法相比，准确地捕捉道路表面特征，包括坑洼、湿滑、陡坡和断裂，从而提高对道路安全状况的全面评估；系统结合实时气象数据和历史数据，构建气象系数Qxy，通过相关性分析，确定气象、地形和修路等特征对车流量的影响程度；基于BP神经网络预测算法，将多源数据整合为输入，车流量系数Ydt作为输出，建立公路负荷预测模型。评估后能够实时识别运行风险，并根据不同风险等级匹配相应的应对方案，从而提高交通管制的精准性和效率。

Description

一种基于遥感技术的公路安全运行动态变化预测方法及系统

技术领域

本发明涉及路交通安全管理技术领域，具体为一种基于遥感技术的公路安全运行动态变化预测方法及系统。

背景技术

公路交通安全和运行状态监测是城市交通管理的重要组成部分。传统方法主要依赖于交通流量检测设备、气象站点等来获取数据，但这些方法存在局限性，无法全面考虑公路表面特征、气象因素和地形影响对交通安全的综合影响。遥感技术是一种通过无需接触物体的方式，获取地球表面信息的方法。它利用卫星、飞机、无人机等载具上搭载的传感器，通过捕捉地面反射、辐射或散射的电磁波，来获取关于地球表面物体的信息。遥感技术在各个领域都有广泛的应用。

例如，传统监测方法通常只依赖于单一数据源，如路面传感器或交通摄像头，而未能充分融合多源数据。而单一的遥感数据也可能导致对道路状况的理解不够全面，无法全面考虑气象、地形等因素对公路安全的影响，且例如道路的平整度、坡度、弯道、路面结冰等都会影响驾驶员的操作和车辆的稳定性。不良的道路条件可能导致车辆失控，造成事故。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于遥感技术的公路安全运行动态变化预测方法及系统，通过多源数据融合和综合特征分析，通过提取地形特征、修路特征和车流量特征，结合气象因素，系统能够全面评估公路安全状况，实时预测交通流量和运行风险。应用智能算法匹配应对方案，提高交通管控的精准性和及时性。最终，通过报告模块将预测结果以可视化形式呈现，为决策者提供科学依据，助力优化城市交通流畅与安全。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于遥感技术的公路安全运行动态变化预测方法，包括以下步骤，

采用卫星图像、航空影像技术采集获取目标公路覆盖表面的若干个多空间轴实时遥感数据；

对若干个多空间轴实时遥感数据进行预处理，包括图像校正、去噪和镶嵌；

采集获取目标公路所在城市的实时气象数据，所述实时气象数据包括降雨量、温度、降雪量和降雾天气值；将实时气象数据建立集成模型计算获得气象系数Qxy；

对处理后的若干个多空间轴实时遥感数据进行提取地形特征、修路特征和车流量特征，所述地形特征包括坑洼特征、湿滑特征、陡坡特征、断裂特征和曲线道路特征；建立公路综合特征相关数据集，进行计算获得：地形特征系数Dxt、修路特征系数Xtz和车流量系数Ydt；

构建相关性分析模型，确定气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz对车流量系数Ydt实际的变量影响程度；计算相关联影响系数R；

建立时空关联分析模型，融合若干个空间轴的车流量系数Ydt，识别不同时间轴的车流量系数Ydt，设置空间轴时间段为n个，获得车流量系数Ydt1、Ydt2、Ydt3、...、Ydtn；

将不同时间轴的车流量系数Ydt进行对比，当车流量系数Ydt持续达到峰值时，建立公路负荷集，并获取当前气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz和相关联影响系数R和预测车流量评估系数PG并基于依据BP神经网络预测算法构建公路负荷预测模型；

依据公路负荷预测模型，在公路运行周期内，当预测车流量评估系数PG超过阈值的时间节点，并预测该时间节点上存在的运行风险，依据运行风险匹配相应的应对方案并输出。

优选的，采用高分辨率卫星采集获取目标公路覆盖表面的若干个多空间轴实时遥感数据；

对若干个多空间轴实时遥感数据进行预处理，包括图像校正、去噪和镶嵌；

所述图像校正包括大气校正和几何校正；所述大气校正，使用大气校正模型，校正图像中的大气影响，以获得地表反射率信息；所述几何校正用于对图像进行几何校正，使其与地面坐标系统对齐，包括平移、旋转、和缩放操作；

去噪用于消除图像中的噪声，以提高图像质量；包括中值滤波、高斯滤波和小波降噪任意一种或多种；

所述镶嵌用于将不同时间或不同传感器获得的图像拼接成一个无缝的图像，以形成多时空轴的数据；首先，进行图像配准，使得不同图像在空间上对齐，使用特征匹配或控制点匹配；然后，进行图像融合或叠加，将配准后的图像拼接成一个完整的图像；融合方法包括简单平均、加权平均和多波段融合；

在对若干个多空间轴实时遥感数据进行预处理后进行检查验证，检查图像是否符合预期的几何和光谱特征，并对比原始遥感数据和预处理后的遥感数据，确保预处理过程没有引入新的误差。

优选的，通过气象传感器、气象局或气象站点采集获取气象数据，所述气象系数Qxy通过以下公式进行计算获得：

式中：JyL表示实时降雨量，wd表示实时温度值，JxL表示实时降雪量，Wz表示当前起雾导致的实时相对湿度值；A1、A2、A3和A4分别是实时降雨量JyL、实时温度值wd、实时降雪量JxL和实时相对湿度值Wz的权重系数，由用户调整设置；C₁表示修正系数。

优选的，所述坑洼特征采用图像处理技术，包括纹理分析或形态学操作，检测图像中的坑洼区域，并计算坑洼的密度、大小，获得坑洼特征；所述湿滑特征通过采集道路表面图像，根据气象数据中的降雨量和湿度，判断道路表面是否湿滑；所述陡坡特征采用图像处理技术，采用边缘检测方法检测图像中的陡坡区域，计算陡坡的面积和坡度；所述断裂特征采用图像分析，检测图像中存在的断裂或裂缝，计算其数量和长度特征；所述曲线道路特征通过图像处理和地理信息系统GIS技术，识别图像中的曲线道路区域，并计算曲率。

优选的，所述修路特征采用图像处理技术，提取道路的维护状况、施工区域和设备特征；所述车流量特征采用目标检测或跟踪算法，检测图像中的车辆，并统计车辆数量、密度和速度特征，参照交通流量检测设备获取实时的车流量数据。

优选的，所述地形特征系数Dxt、修路特征系数Xtz、车流量系数Ydt通过以下公式计算获得：

式中，kw表示为坑洼面积，sh表示为湿滑面积，dl表示为断裂面积，qx表示为曲线道路面积，dp表示为陡坡面积，dlmj表示为道路全面积；参数的意义及取值为：0.34≤α≤0.98，0.55≤β≤1.02，且α+β＝1，α、β为权重，其具体值由用户调整设置，C₂为常数修正系数；

kd表示为施工区域的实际行驶道路宽度值，sg表示为施工面积，b和c表示为权重，且b+c＝1，C₃为常数修正系数；

md表示为车辆密度，目标公路单位长度内的车辆数量，通过对车辆数量与道路长度的比值进行计算；csL表示为是指某一时刻或时间段内通过某路段的车辆总数，通过交通流量检测设备获取；sd表示为车辆在道路上行驶的平均速度，通过车辆跟踪或测速设备获得，d、e和f表示为权重，且d+e+f＝1，C₄为常数修正系数。

优选的，所述相关联影响系数R通过以下公式进行计算获得：

式中，w_q、w_d、w_x分别是气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz的权重系数，且w_q+w_d+w_x＝1，C₅为常数修正系数；当相关联影响系数R过大时，则采取对地形的坑洼、裂缝处及时填补，对气象系数Qxy中的地面结冰情况进行紧急处理，修路特征系数Xtz中的维护时间进行紧急调整，使相关联影响系数R持续在预设的阙值范围内，超过阙值则进行相对应的应急方案。

优选的，将若干个时间轴的车流量系数Ydt1、Ydt2、Ydt3、...、Ydtn进行融合；在融合后的车流量系数Ydt，识别出不同时间轴的车流量系数Ydt，找到持续达到峰值的情况；

当车流量系数Ydt持续达到峰值时，将当前气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz和相关联影响系数R作为公路负荷集的特征；

基于BP神经网络预测算法，使用公路负荷集特征作为输入，车流量系数Ydt作为输出，建立公路负荷预测模型，并获得预测车流量评估系数PG。

优选的，根据历史数据和实际情况，设置预测车流量评估系数PG的阈值，超过该值表示存在风险；

使用已建立的公路负荷预测模型，输入当前时间点的气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz、相关联影响系数R和车流量系数Ydt，获得预测车流量评估系数PG；

在公路运行周期内，使用公路负荷预测模型预测车流量评估系数PG，与阈值进行比较，判断是否存在运行风险，获得运行风险等级；

当车流量评估系数PG在安全范围内，未超过设定阈值时，输出为低风险，表示公路运行正常，无明显拥堵或不安全情况；

当车流量评估系数PG超过设定阈值但没有超过上5个浮动点，表示仍在接受范围内，输出为中风险，表示公路运行出现轻微拥堵，需要加强交通管制和引导；

当车流量评估系数PG超过设定阈值并超过上10个浮动点，存在潜在的不安全风险，输出为高风险，表示公路出现严重拥堵，存在交通事故风险，需要限制通行或采取紧急措施；

车流量评估系数PG超过设定阈值且超过上20个浮动点，表示公路运行极不稳定且存在严重安全隐患，输出为极高风险，公路已经发生交通事故，通行可能完全被限制，需要立即采取紧急措施。

一种基于遥感技术的公路安全运行动态变化预测系统，包括数据采集模块，预处理模块、特征提取模块、计算模块、相关联优化模块、车流量预测模块、风险评估模块、应对方案匹配模块和报告模块；

所述数据采集模块用于采用卫星图像技术，采集公路覆盖表面信息，获得实时遥感数据；收集实时气象数据，包括降雨量、温度和降雪量；且收集历史数据；所述预处理模块用于对采集的数据进行预处理；所述特征提取模块用于提取遥感数据中的地形特征、修路特征和车流量特征；所述计算模块用于计算获得气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz，根据相关性分析确定其对车流量系数影响程度，获得相关联影响系数R；所述相关联优化模块用于对相关联影响系数R进行应急方案优化，包括对地面结冰情况进行紧急处理，对公路地形中的坑洼、裂缝处及时填补，对修路维护时间进行紧急调整，确保相关联影响系数R持续在预设的阙值范围内；

所述车流量预测模块用于构建公路负荷预测模型，使用BP神经网络算法，输入气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz、相关联影响系数R和车流量系数Ydt，预测车流量评估系数PG；所述风险评估模块用于判断预测车流量评估系数PG是否超过阈值，识别运行风险等级；所述应对方案匹配模块用于根据运行风险等级，匹配相应的应对方案，包括交通管制和限速措施；报告模块用于将预测结果、运行风险等级和应对方案信息以报告、图表或可视化界面的形式展示给决策者和操作人员。

(三)有益效果

本发明提供了一种基于遥感技术的公路安全运行动态变化预测方法及系统。具备以下

有益效果：

(1)传统方法受限于单一数据源，难以全面考虑各种因素对公路安全的影响。而本方法充分融合卫星图像、气象数据和地形特征等多源信息，有效提升对公路运行状态和安全情况的全面性和准确性。过整合卫星图像、实时气象数据和历史数据，该方法在数据层面实现了多源信息的融合，从而更好地反映了公路运行的多维度特征。

(2)通过提取地形特征、修路特征和车流量特征，结合气象因素，系统能够更准确地分析影响公路安全的关键因素，为安全评估提供更全面的依据。通过相关性分析模型和相关联优化模块，系统能够准确评估不同因素对车流量的影响程度，并及时采取应急方案进行优化，以维护公路的安全运行。

(3)通过车流量预测模块，结合实时气象数据和地形特征，能够动态地预测未来的车流量情况，并通过风险评估模块识别潜在的运行风险，为决策者提供更及时的信息。根据风险等级，系统能够智能匹配相应的应对方案，包括交通管制和限速措施，有助于在风险情况下保障公路的安全运行。

(4)该一种基于遥感技术的公路安全运行动态变化预测方法及系统，通过多源数据融合、综合特征分析、动态预测与风险评估等多种手段，实现了对公路安全运行状态的全面监测和预测，为城市交通管理提供了更科学、高效的工具与方法。

附图说明

图1为本发明基于遥感技术的公路安全运行动态变化预测系统框图流程示意图；

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。

公路交通安全和运行状态监测是城市交通管理的重要组成部分。传统方法主要依赖于交通流量检测设备、气象站点等来获取数据，但这些方法存在局限性，无法全面考虑公路表面特征、气象因素和地形影响对交通安全的综合影响。

例如，传统监测方法通常只依赖于单一数据源，如路面传感器或交通摄像头，而未能充分融合多源数据。这可能导致对道路状况的理解不够全面，无法全面考虑气象、地形等因素对公路安全的影响，且例如道路的平整度、坡度、弯道、路面结冰等都会影响驾驶员的操作和车辆的稳定性。不良的道路条件可能导致车辆失控，造成事故。

实施例1

本发明提供一种基于遥感技术的公路安全运行动态变化预测方法，包括以下步骤，

采用卫星图像、航空影像技术采集获取目标公路覆盖表面的若干个多空间轴实时遥感数据；

对若干个多空间轴实时遥感数据进行预处理，包括图像校正、去噪和镶嵌；通过实时卫星图像和气象数据的获取，结合先进的预处理技术，可以实现对公路状况和气象变化的快速监测和预测。这有助于提前识别潜在的风险，使交通管理部门能够及时采取措施来应对可能的问题。

采集获取目标公路所在城市的实时气象数据，所述实时气象数据包括降雨量、温度、降雪量和降雾天气值；将实时气象数据建立集成模型计算获得气象系数Qxy；

对处理后的若干个多空间轴实时遥感数据进行提取地形特征、修路特征和车流量特征，所述地形特征包括坑洼特征、湿滑特征、陡坡特征、断裂特征和曲线道路特征；建立公路综合特征相关数据集，进行计算获得：地形特征系数Dxt、修路特征系数Xtz和车流量系数Ydt；该方法综合考虑了多个影响公路安全的因素，包括公路表面特征、气象因素和地形影响等。通过采集多源数据并进行综合分析，能够更全面地理解和评估公路的运行状况，从而更准确地预测潜在的安全风险。

构建相关性分析模型，确定气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz对车流量系数Ydt实际的变量影响程度；计算相关联影响系数R；

建立时空关联分析模型，融合若干个空间轴的车流量系数Ydt，识别不同时间轴的车流量系数Ydt，设置空间轴时间段为n个，获得车流量系数Ydt1、Ydt2、Ydt3、...、Ydtn；

将不同时间轴的车流量系数Ydt进行对比，当车流量系数Ydt持续达到峰值时，建立公路负荷集，并获取当前气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz和相关联影响系数R和预测车流量评估系数PG并基于依据BP神经网络预测算法构建公路负荷预测模型；

依据公路负荷预测模型，在公路运行周期内，当预测车流量评估系数PG超过阈值的时间节点，并预测该时间节点上存在的运行风险，依据运行风险匹配相应的应对方案并输出。

本实施例中，通过融合多个数据源，包括遥感数据、气象数据和交通流量数据等，可以提供更全面、准确的信息，从而更好地理解和分析公路的运行情况。这有助于制定更精准的决策和应对方案。通过建立公路负荷预测模型，结合神经网络等预测算法，可以预测未来车流量和运行状况，从而帮助决策者做出更科学的决策和安排。该方法不仅可以识别潜在的运行风险，还可以根据风险等级匹配相应的应对方案。这有助于交通管理部门在紧急情况下能够迅速采取适当的措施，保障公路的安全运行。

实施例2

本实施例是在实施例1中进行的解释说明，具体的，采用高分辨率卫星采集获取目标公路覆盖表面的若干个多空间轴实时遥感数据；通过多个时空轴的遥感数据融合，获得全面的公路覆盖表面信息；

对若干个多空间轴实时遥感数据进行预处理，包括图像校正、去噪和镶嵌；

所述图像校正包括大气校正和几何校正；所述大气校正，使用大气校正模型，校正图像中的大气影响，以获得地表反射率信息；所述几何校正用于对图像进行几何校正，使其与地面坐标系统对齐，包括平移、旋转、和缩放操作；

去噪用于消除图像中的噪声，以提高图像质量；包括中值滤波、高斯滤波和小波降噪任意一种或多种；

所述镶嵌用于将不同时间或不同传感器获得的图像拼接成一个无缝的图像，以形成多时空轴的数据；首先，进行图像配准，使得不同图像在空间上对齐，使用特征匹配或控制点匹配；然后，进行图像融合或叠加，将配准后的图像拼接成一个完整的图像；融合方法包括简单平均、加权平均和多波段融合；

在对若干个多空间轴实时遥感数据进行预处理后进行检查验证，检查图像是否符合预期的几何和光谱特征，并对比原始遥感数据和预处理后的遥感数据，确保预处理过程没有引入新的误差。

本实施例中，预处理步骤有助于提高数据质量、丰富数据信息、完善数据连续性，为后续的分析建模提供更可靠的基础，从而更好地支持公路交通安全和运行状态的监测与预测。

实施例3

本实施例是在实施例1中进行的解释说明，具体的，通过气象传感器、气象局或气象站点采集获取气象数据，所述气象系数Qxy通过以下公式进行计算获得：

式中：JyL表示实时降雨量，wd表示实时温度值，JxL表示实时降雪量，Wz表示当前起雾导致的实时相对湿度值；A1、A2、A3和A4分别是实时降雨量JyL、实时温度值wd、实时降雪量JxL和实时相对湿度值Wz的权重系数，由用户调整设置；C₁表示修正系数。

本实施例中，通过采集实时降雨量、温度、降雪量和相对湿度等气象数据，并综合考虑它们的影响，计算出气象系数Qxy，可以更全面地反映气象因素对公路安全和运行的影响。公式中的权重系数A1、A2、A3和A4可以由用户进行调整设置，这意味着可以根据实际情况对不同气象因素的影响程度进行定量分析，从而更准确地估计其对公路交通的影响。引入修正系数C₁，可以进一步调整计算结果，使得气象系数更加精准地反映实际情况。例如，可以通过C1对特定情况下的气象影响进行修正，提高预测的准确性。通过实时获取气象数据并计算气象系数Qxy，可以使预测模型更及时地响应气象变化，从而提高对突发气象事件对公路安全和运行的预测准确性。用户可以根据具体情况调整权重系数和修正系数，使预测模型更贴近实际情况，适应不同地区、不同季节和不同气象条件下的公路运行情况。

实施例4

本实施例是在实施例1中进行的解释说明，具体的，所述坑洼特征采用图像处理技术，包括纹理分析或形态学操作，检测图像中的坑洼区域，并计算坑洼的密度、大小，获得坑洼特征；提供关于道路表面坑洼状况的定量信息。这有助于及时发现和处理坑洼，从而减少车辆颠簸和驾驶不适，提高行驶安全性；

所述湿滑特征通过采集道路表面图像，根据气象数据中的降雨量和湿度，判断道路表面是否湿滑；以便采取相应的交通管制和提醒措施，降低湿滑路面导致的车辆打滑和交通事故风险；

所述陡坡特征采用图像处理技术，采用边缘检测方法检测图像中的陡坡区域，计算陡坡的面积和坡度；这有助于了解道路的坡度情况，为驾驶员提供更准确的路况信息，以便他们做出更合适的驾驶决策；

所述断裂特征采用图像分析，检测图像中存在的断裂或裂缝，计算其数量和长度特征；可以帮助及早发现并修复道路裂缝，防止其进一步扩展，从而保障道路的稳定性和安全性；

所述曲线道路特征通过图像处理和地理信息系统GIS技术，识别图像中的曲线道路区域，并计算曲率。有助于分析道路的曲线程度，为驾驶员提供更准确的道路形态信息，使其能够做出适应性驾驶策略。

本实施例中，采用图像处理技术对不同的道路表面特征进行分析和提取，可以为交通管理部门提供更准确、全面的道路状况信息，帮助他们更好地制定交通管理策略和保障公路交通安全。

实施例5

本实施例是在实施例1中进行的解释说明，具体的，所述修路特征采用图像处理技术，提取道路的维护状况、施工区域和设备特征；这有助于实时监测道路的维护情况，及时发现需要修复或维护的区域，以提高道路的使用安全性和舒适性。同时，监测施工区域可以帮助交通管理部门规划交通流量并做好交通引导，以减少交通拥堵；

所述车流量特征采用目标检测或跟踪算法，检测图像中的车辆，并统计车辆数量、密度和速度特征，参照交通流量检测设备获取实时的车流量数据。通过与交通流量检测设备获取的实时车流量数据进行对比，可以验证车流量分析的准确性，并进一步提供更丰富的车流量信息。这有助于交通管理部门更好地了解道路的交通状况，做出更精确的交通管理决策，以应对交通拥堵和安全问题。

本实施例中，采用图像处理技术提取修路特征和车流量特征，可以为交通管理部门提供更多元化、实时的道路信息，帮助他们更好地监测和管理交通流量，提高公路交通的安全性和效率。

实施例6，本实施例是在实施例1中进行的解释说明，具体的，所述地形特征系数Dxt、修路特征系数Xtz、车流量系数Ydt通过以下公式计算获得：

式中，kw表示为坑洼面积，sh表示为湿滑面积，dl表示为断裂面积，qx表示为曲线道路面积，dp表示为陡坡面积，dlmj表示为道路全面积；参数的意义及取值为：0.34≤α≤0.98，0.55≤β≤1.02，且α+β＝1，α、β为权重，其具体值由用户调整设置，C₂为常数修正系数；

kd表示为施工区域的实际行驶道路宽度值，sg表示为施工面积，b和c表示为权重，且b+c＝1，C₃为常数修正系数；

md表示为车辆密度，目标公路单位长度内的车辆数量，通过对车辆数量与道路长度的比值进行计算；csL表示为是指某一时刻或时间段内通过某路段的车辆总数，通过交通流量检测设备获取；sd表示为车辆在道路上行驶的平均速度，通过车辆跟踪或测速设备获得，d、e和f表示为权重，且d+e+f＝1，C₄为常数修正系数。

本实施例中，通过计算地形特征系数Dxt和修路特征系数Xtz，可以综合考虑坑洼、湿滑、断裂、曲线道路、陡坡等因素对公路安全的影响。这有助于及时发现和处理潜在的危险地点，提前采取必要的维护和修复措施，从而减少交通事故的发生。通过这些计算方法，可以更准确地分析公路的地形特征、修路状况和车流量等因素对交通安全的影响，从而有助于预测和评估公路的运行风险，为交通管理部门提供科学依据，采取相应的应对方案，确保公路的安全运行。

实施例7

本实施例是在实施例1中进行的解释说明，具体的，所述相关联影响系数R通过以下公式进行计算获得：

式中，w_q、w_d、w_x分别是气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz的权重系数，且w_q+w_d+w_x＝1，C₅为常数修正系数；当相关联影响系数R过大时，则采取对地形的坑洼、裂缝处及时填补，对气象系数Qxy中的地面结冰情况进行紧急处理，修路特征系数Xtz中的维护时间进行紧急调整，使相关联影响系数R持续在预设的阙值范围内，超过阙值则进行相对应的应急方案。在这种情况下，系统会自动采取紧急处理措施，如及时填补坑洼和裂缝、处理地面结冰情况、调整修路维护时间等，以降低公路的安全风险。

本实施例中，通过计算相关联影响系数R，可以更全面地评估不同因素对公路安全和运行状况的影响，实现对潜在风险的预测和应对，提高交通管理部门的决策支持能力，确保公路的安全和畅通。

实施例8

本实施例是在实施例1中进行的解释说明，具体的，将若干个时间轴的车流量系数Ydt1、Ydt2、Ydt3、...、Ydtn进行融合；在融合后的车流量系数Ydt，识别出不同时间轴的车流量系数Ydt，找到持续达到峰值的情况；

当车流量系数Ydt持续达到峰值时，将当前气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz和相关联影响系数R作为公路负荷集的特征；

基于BP神经网络预测算法，使用公路负荷集特征作为输入，车流量系数Ydt作为输出，建立公路负荷预测模型，并获得预测车流量评估系数PG。

具体的，根据历史数据和实际情况，设置预测车流量评估系数PG的阈值，超过该值表示存在风险；

使用已建立的公路负荷预测模型，输入当前时间点的气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz、相关联影响系数R和车流量系数Ydt，获得预测车流量评估系数PG；

在公路运行周期内，使用公路负荷预测模型预测车流量评估系数PG，与阈值进行比较，判断是否存在运行风险，获得运行风险等级；

当车流量评估系数PG在安全范围内，未超过设定阈值时，输出为低风险，表示公路运行正常，无明显拥堵或不安全情况；

当车流量评估系数PG超过设定阈值但没有超过上5个浮动点，表示仍在接受范围内，输出为中风险，表示公路运行出现轻微拥堵，需要加强交通管制和引导；

当车流量评估系数PG超过设定阈值并超过上10个浮动点，存在潜在的不安全风险，输出为高风险，表示公路出现严重拥堵，存在交通事故风险，需要限制通行或采取紧急措施；

车流量评估系数PG超过设定阈值且超过上20个浮动点，表示公路运行极不稳定且存在严重安全隐患，输出为极高风险，公路已经发生交通事故，通行可能完全被限制，需要立即采取紧急措施。

本实施例中，利用自动化的数据采集和处理技术，可以实时地获取、处理和分析多源数据，从而在最短的时间内识别出运行风险并进行相应的预测和响应。不仅可以预测潜在的运行风险，还能够根据不同风险级别采取相应的预警和应急响应措施，从而避免交通拥堵、事故等不良情况的发生，保障道路安全；使用BP神经网络作为公路负荷预测模型，可以通过历史数据不断优化和训练模型，使其能够更准确地预测车流量和运行风险，提高预测的可靠性。

一种基于遥感技术的公路安全运行动态变化预测系统，请参照图1，包括数据采集模块，预处理模块、特征提取模块、计算模块、相关联优化模块、车流量预测模块、风险评估模块、应对方案匹配模块和报告模块；

所述数据采集模块用于采用卫星图像技术，采集公路覆盖表面信息，获得实时遥感数据；收集实时气象数据，包括降雨量、温度和降雪量；且收集历史数据；所述预处理模块用于对采集的数据进行预处理；所述特征提取模块用于提取遥感数据中的地形特征、修路特征和车流量特征；所述计算模块用于计算获得气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz，根据相关性分析确定其对车流量系数影响程度，获得相关联影响系数R；所述相关联优化模块用于对相关联影响系数R进行应急方案优化，包括对地面结冰情况进行紧急处理，对公路地形中的坑洼、裂缝处及时填补，对修路维护时间进行紧急调整，确保相关联影响系数R持续在预设的阙值范围内；

所述车流量预测模块用于构建公路负荷预测模型，使用BP神经网络算法，输入气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz、相关联影响系数R和车流量系数Ydt，预测车流量评估系数PG；所述风险评估模块用于判断预测车流量评估系数PG是否超过阈值，识别运行风险等级；所述应对方案匹配模块用于根据运行风险等级，匹配相应的应对方案，包括交通管制和限速措施；报告模块用于将预测结果、运行风险等级和应对方案信息以报告、图表或可视化界面的形式展示给决策者和操作人员。

该基于遥感技术的公路安全运行动态变化预测系统能够综合考虑多种因素，准确预测车流量和运行风险，提供科学合理的应对方案，从而有效提升公路交通管理水平，确保公路交通的安全与流畅。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：包括以下步骤，

采用卫星图像、航空影像技术采集获取目标公路覆盖表面的若干个多空间轴实时遥感数据；

对若干个多空间轴实时遥感数据进行预处理，包括图像校正、去噪和镶嵌；

采集获取目标公路所在城市的实时气象数据，所述实时气象数据包括降雨量、温度、降雪量和降雾天气值；将实时气象数据建立集成模型计算获得气象系数Qxy；

对处理后的若干个多空间轴实时遥感数据进行提取地形特征、修路特征和车流量特征，所述地形特征包括坑洼特征、湿滑特征、陡坡特征、断裂特征和曲线道路特征；建立公路综合特征相关数据集，进行计算获得：地形特征系数Dxt、修路特征系数Xtz和车流量系数Ydt；

构建相关性分析模型，确定气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz对车流量系数Ydt实际的变量影响程度；计算相关联影响系数R；

建立时空关联分析模型，融合若干个空间轴的车流量系数Ydt，识别不同时间轴的车流量系数Ydt，设置空间轴时间段为n个，获得车流量系数Ydt1、Ydt2、Ydt3、...、Ydtn；

将不同时间轴的车流量系数Ydt进行对比，当车流量系数Ydt持续达到峰值时，建立公路负荷集，并获取当前气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz和相关联影响系数R和预测车流量评估系数PG并基于依据BP神经网络预测算法构建公路负荷预测模型；

依据公路负荷预测模型，在公路运行周期内，当预测车流量评估系数PG超过阈值的时间节点，并预测该时间节点上存在的运行风险，依据运行风险匹配相应的应对方案并输出。

2.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：采用高分辨率卫星采集获取目标公路覆盖表面的若干个多空间轴实时遥感数据；

对若干个多空间轴实时遥感数据进行预处理，包括图像校正、去噪和镶嵌；

所述图像校正包括大气校正和几何校正；所述大气校正，使用大气校正模型，校正图像中的大气影响，以获得地表反射率信息；所述几何校正用于对图像进行几何校正，使其与地面坐标系统对齐，包括平移、旋转、和缩放操作；

去噪用于消除图像中的噪声，以提高图像质量；包括中值滤波、高斯滤波和小波降噪任意一种或多种；

所述镶嵌用于将不同时间或不同传感器获得的图像拼接成一个无缝的图像，以形成多时空轴的数据；首先，进行图像配准，使得不同图像在空间上对齐，使用特征匹配或控制点匹配；然后，进行图像融合或叠加，将配准后的图像拼接成一个完整的图像；融合方法包括简单平均、加权平均和多波段融合；

在对若干个多空间轴实时遥感数据进行预处理后进行检查验证，检查图像是否符合预期的几何和光谱特征，并对比原始遥感数据和预处理后的遥感数据，确保预处理过程没有引入新的误差。

3.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：通过气象传感器、气象局或气象站点采集获取气象数据，所述气象系数Qxy通过以下公式进行计算获得：

式中：JyL表示实时降雨量，wd表示实时温度值，JxL表示实时降雪量，Wz表示当前起雾导致的实时相对湿度值；A1、A2、A3和A4分别是实时降雨量JyL、实时温度值wd、实时降雪量JxL和实时相对湿度值Wz的权重系数，由用户调整设置；C₁表示修正系数。

4.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：所述坑洼特征采用图像处理技术，包括纹理分析或形态学操作，检测图像中的坑洼区域，并计算坑洼的密度、大小，获得坑洼特征；所述湿滑特征通过采集道路表面图像，根据气象数据中的降雨量和湿度，判断道路表面是否湿滑；所述陡坡特征采用图像处理技术，采用边缘检测方法检测图像中的陡坡区域，计算陡坡的面积和坡度；所述断裂特征采用图像分析，检测图像中存在的断裂或裂缝，计算其数量和长度特征；所述曲线道路特征通过图像处理和地理信息系统GIS技术，识别图像中的曲线道路区域，并计算曲率。

5.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：所述修路特征采用图像处理技术，提取道路的维护状况、施工区域和设备特征；所述车流量特征采用目标检测或跟踪算法，检测图像中的车辆，并统计车辆数量、密度和速度特征，参照交通流量检测设备获取实时的车流量数据。

6.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：所述地形特征系数Dxt、修路特征系数Xtz、车流量系数Ydt通过以下公式计算获得：

式中，kw表示为坑洼面积，sh表示为湿滑面积，dl表示为断裂面积，qx表示为曲线道路面积，dp表示为陡坡面积，dlmj表示为道路全面积；参数的意义及取值为：0.34≤α≤0.98，0.55≤β≤1.02，且α+β＝1，α、β为权重，其具体值由用户调整设置，C₂为常数修正系数；

kd表示为施工区域的实际行驶道路宽度值，sg表示为施工面积，b和c表示为权重，且b+c＝1，C₃为常数修正系数；

md表示为车辆密度，目标公路单位长度内的车辆数量，通过对车辆数量与道路长度的比值进行计算；csL表示为是指某一时刻或时间段内通过某路段的车辆总数，通过交通流量检测设备获取；sd表示为车辆在道路上行驶的平均速度，通过车辆跟踪或测速设备获得，d、e和f表示为权重，且d+e+f＝1，C₄为常数修正系数。

7.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：所述相关联影响系数R通过以下公式进行计算获得：

式中，w_q、w_d、w_x分别是气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz的权重系数，且w_q+w_d+w_x＝1，C₅为常数修正系数；当相关联影响系数R过大时，则采取对地形的坑洼、裂缝处及时填补，对气象系数Qxy中的地面结冰情况进行紧急处理，修路特征系数Xtz中的维护时间进行紧急调整，使相关联影响系数R持续在预设的阙值范围内，超过阙值则进行相对应的应急方案。

8.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：将若干个时间轴的车流量系数Ydt1、Ydt2、Ydt3、...、Ydtn进行融合；在融合后的车流量系数Ydt，识别出不同时间轴的车流量系数Ydt，找到持续达到峰值的情况；

当车流量系数Ydt持续达到峰值时，将当前气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz和相关联影响系数R作为公路负荷集的特征；

基于BP神经网络预测算法，使用公路负荷集特征作为输入，车流量系数Ydt作为输出，建立公路负荷预测模型，并获得预测车流量评估系数PG。

9.根据权利要求1所述的一种基于遥感技术的公路安全运行动态变化预测方法，其特征在于：根据历史数据和实际情况，设置预测车流量评估系数PG的阈值，超过该值表示存在风险；

使用已建立的公路负荷预测模型，输入当前时间点的气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz、相关联影响系数R和车流量系数Ydt，获得预测车流量评估系数PG；

在公路运行周期内，使用公路负荷预测模型预测车流量评估系数PG，与阈值进行比较，判断是否存在运行风险，获得运行风险等级；

当车流量评估系数PG在安全范围内，未超过设定阈值时，输出为低风险，表示公路运行正常，无明显拥堵或不安全情况；

当车流量评估系数PG超过设定阈值但没有超过上5个浮动点，表示仍在接受范围内，输出为中风险，表示公路运行出现轻微拥堵，需要加强交通管制和引导；

当车流量评估系数PG超过设定阈值并超过上10个浮动点，存在潜在的不安全风险，输出为高风险，表示公路出现严重拥堵，存在交通事故风险，需要限制通行或采取紧急措施；

车流量评估系数PG超过设定阈值且超过上20个浮动点，表示公路运行极不稳定且存在严重安全隐患，输出为极高风险，公路已经发生交通事故，通行可能完全被限制，需要立即采取紧急措施。

10.一种基于遥感技术的公路安全运行动态变化预测系统，其特征在于：包括数据采集模块，预处理模块、特征提取模块、计算模块、相关联优化模块、车流量预测模块、风险评估模块、应对方案匹配模块和报告模块；

所述数据采集模块用于采用卫星图像技术，采集公路覆盖表面信息，获得实时遥感数据；收集实时气象数据，包括降雨量、温度和降雪量；且收集历史数据；所述预处理模块用于对采集的数据进行预处理；所述特征提取模块用于提取遥感数据中的地形特征、修路特征和车流量特征；所述计算模块用于计算获得气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz，根据相关性分析确定其对车流量系数影响程度，获得相关联影响系数R；所述相关联优化模块用于对相关联影响系数R进行应急方案优化，包括对地面结冰情况进行紧急处理，对公路地形中的坑洼、裂缝处及时填补，对修路维护时间进行紧急调整，确保相关联影响系数R持续在预设的阙值范围内；

所述车流量预测模块用于构建公路负荷预测模型，使用BP神经网络算法，输入气象系数Qxy、地形特征系数Dxt、修路特征系数Xtz、相关联影响系数R和车流量系数Ydt，预测车流量评估系数PG；所述风险评估模块用于判断预测车流量评估系数PG是否超过阈值，识别运行风险等级；所述应对方案匹配模块用于根据运行风险等级，匹配相应的应对方案，包括交通管制和限速措施；报告模块用于将预测结果、运行风险等级和应对方案信息以报告、图表或可视化界面的形式展示给决策者和操作人员。