CN117058887A - 一种城市交通数据的采集方法、装置、设备和介质 - Google Patents
一种城市交通数据的采集方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN117058887A CN117058887A CN202311318007.3A CN202311318007A CN117058887A CN 117058887 A CN117058887 A CN 117058887A CN 202311318007 A CN202311318007 A CN 202311318007A CN 117058887 A CN117058887 A CN 117058887A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- road
- main
- traffic 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012795 verification Methods 0.000 claims abstract description 93
- 238000012544 monitoring process Methods 0.000 claims abstract description 91
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 42
- 230000033228 biological regulation Effects 0.000 claims description 41
- 206010039203 Road traffic accident Diseases 0.000 claims description 39
- 230000005856 abnormality Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000029305 taxis Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
- Y02A30/60—Planning or developing urban green infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及城市交通数据信息技术的技术领域,尤其是涉及一种城市交通数据的采集方法、装置、设备和介质,方法包括:利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,主干交通数据的准确度高。利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,基于非主干道路的定位设备的数据来源进行来源验证,并基于来源验证结果分别计算非主干主体交通数据和非主干辅助交通数据。最终,基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据,在准确度高的主干交通数据基础上,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
Description
技术领域
本申请涉及城市交通数据信息技术的技术领域,尤其是涉及一种城市交通数据的采集方法、装置、设备和介质。
背景技术
随着城市化进程的不断推进,城市交通问题日益凸显,并且交通拥堵已成为城市发展的瓶颈之一。解决交通问题的关键在于:及时掌握和精准分析城市实时交通数据,准确的交通数据不仅可以帮助公众规划出行路线,还可以支持交通调度和城市管理,缓解交通压力。
在采集城市交通数据方面,相关技术中常采用的方法包括:人工采集方法和交通控制设备采集方法,其中,人工采集方法为出行人员通过电话或调查问卷的形式向交通台汇报城市交通情况,以实现城市交通数据的采集;交通控制设备采集方法为通过主控交通路口的监控设备来采集车流速度和拥堵情况等数据,以实现城市交通数据的采集,但无法采集非主干道路的交通数据。然而,相关技术中,通过人工采集方法确定的交通数据实时性差,交通控制设备采集方法确定主干道路的交通数据全面性差,导致采集城市交通数据的效率低。
因而,如何提高城市交通数据的效率是本领域技术人员亟待解决的问题。
发明内容
本申请的目的是提供一种城市交通数据的采集方法、装置、设备和介质,用于解决以上至少一项技术问题。
本申请的上述发明目的是通过以下技术方案得以实现的:
第一方面,本申请提供一种城市交通数据的采集方法,采用如下的技术方案:
一种城市交通数据的采集方法,包括:
获取主干道路的交通监控视频,并利用计算机视觉对所述交通监控视频进行视频分析,确定所述主干道路对应的主干交通数据;
实时获取位于非主干道路的定位设备对应的数据来源和定位数据,并基于所述数据来源进行来源验证,得到来源验证结果,其中,所述数据来源和所述定位数据存在对应关系;
当所述来源验证结果为第一结果时,则基于所述定位数据进行第一数据计算,确定非主干主体交通数据;当所述来源验证结果为第二结果时,则基于所述定位数据进行第二数据计算,确定非主干辅助交通数据;
基于所述主干交通数据、所述非主干主体交通数据和所述非主干辅助交通数据进行数据融合,得到城市交通数据。
通过采用上述技术方案,利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,主干交通数据的准确度高。利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,基于非主干道路的定位设备的数据来源进行来源验证,得到来源验证结果。当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据。最终,基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据,在准确度高的主干交通数据基础上,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
本申请在一较佳示例中可以进一步配置为:所述基于所述主干交通数据、所述非主干主体交通数据和所述非主干辅助交通数据进行数据融合,得到城市交通数据之后,还包括:
基于所述城市交通数据进行特征提取,得到交通特征,其中,所述交通特征包括:地理空间信息和车辆通行信息;
基于所述交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图,其中,所述交通路况地图中针对不同的路况呈现不同的标记情况。
本申请在一较佳示例中可以进一步配置为:所述基于所述交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图之后,还包括:
基于预设周期内多个交通路况地图,得到常态路况地图;
基于所述常态路况地图进行路况分类,确定异常路段,其中,所述异常路段为交通路况存在异常的路段;
基于异常区域对应的多个交通特征进行异常原因分析,确定交通异常原因,其中,所述异常区域为与所述异常路段距离预设范围内的区域,所述交通异常原因包括:交通事故;
基于所述交通异常原因进行交通调控分析,确定交通调控信息,其中,所述交通调控信息便于用户针对异常路段的交通路况进行调控。
本申请在一较佳示例中可以进一步配置为:当所述交通异常原因为交通事故时,
所述基于所述交通异常原因进行交通调控分析,确定交通调控信息,包括:
获取所述异常路段对应的道路交通设施,其中,所述道路交通设施包括:路面信息、车道标线信息、交通照明信息;
基于所述道路交通设施进行交通事故原因分析,确定所述交通事故的根源因素,并基于根源因素与交通调控的对应关系、所述根源因素,确定交通调控信息。
本申请在一较佳示例中可以进一步配置为:所述基于所述定位数据进行第一数据计算,确定非主干主体交通数据,包括:
基于相邻两次的所述定位数据进行速度计算,确定非主干行驶速度;
基于所述非主干行驶速度、行驶速度与交通等级的对应关系,确定交通等级,其中,所述非主干主体交通数据包括:所述非主干行驶速度和所述交通等级。
本申请在一较佳示例中可以进一步配置为:所述基于所述定位数据进行第二数据计算,确定非主干辅助交通数据,包括:
获取上传定位数据的用户信息,并基于所述用户信息进行权限验证,得到权限验证结果,其中,所述权限验证用于判断用户是否具有上传定位数据的权限;
当所述权限验证结果为具备权限时,则基于所述定位数据进行第二数据计算,确定非主干辅助交通数据;当所述权限验证结果为无权限时,则删除所述定位数据,并将无权限的所述用户信息进行异常标记。
本申请在一较佳示例中可以进一步配置为:所述利用计算机视觉对所述交通监控视频进行视频分析,确定所述主干道路对应的主干交通数据,包括:
基于所述交通监控视频进行预处理,得到预处理后的交通监控视频;
基于所述预处理后的交通监控视频进行目标检测,得到多个监控目标,并针对每一所述监控目标进行目标追踪,得到每一所述监控目标对应的行驶轨迹和行驶速度;
综合监控目标的数量、每一所述监控目标对应的行驶轨迹和行驶速度,确定所述主干道路对应的主干交通数据。
第二方面,本申请提供一种城市交通数据的采集装置,采用如下的技术方案:
一种城市交通数据的采集装置,包括:
主干交通数据确定模块,用于获取主干道路的交通监控视频,并利用计算机视觉对所述交通监控视频进行视频分析,确定所述主干道路对应的主干交通数据;
来源验证模块,用于实时获取位于非主干道路的定位设备对应的数据来源和定位数据,并基于所述数据来源进行来源验证,得到来源验证结果,其中,所述数据来源和所述定位数据存在对应关系;
非主干交通数据确定模块,用于当所述来源验证结果为第一结果时,则基于所述定位数据进行第一数据计算,确定非主干主体交通数据;当所述来源验证结果为第二结果时,则基于所述定位数据进行第二数据计算,确定非主干辅助交通数据;
数据融合模块,用于基于所述主干交通数据、所述非主干主体交通数据和所述非主干辅助交通数据进行数据融合,得到城市交通数据。
第三方面,本申请提供一种电子设备,采用如下的技术方案:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行上述的城市交通数据的采集方法。
第四方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行上所述的城市交通数据的采集方法。
综上所述,本申请包括以下至少一种有益技术效果:
利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,主干交通数据的准确度高。利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,基于非主干道路的定位设备的数据来源进行来源验证,得到来源验证结果。当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据。最终,基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据,在准确度高的主干交通数据基础上,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
基于道路交通设施进行交通事故原因分析,确定交通事故的根源因素,并基于根源因素与交通调控的对应关系、根源因素,确定交通调控信息,及时发现引发交通事故的根源因素并及时处理,能够降低交通事故的发生率,进而,降低由于交通事故而引发的交通拥堵。
附图说明
图1是本申请其中一实施例的一种城市交通数据的采集系统的框架示意图;
图2是本申请其中一实施例的一种城市交通数据的采集方法的流程示意图;
图3是本申请其中一实施例的异常路段交通调控的流程示意图;
图4是本申请其中一实施例的一种城市交通数据的采集装置的结构示意图;
图5是本申请其中一实施例的一种电子设备的结构示意图。
具体实施方式
以下结合图1至图5对本申请作进一步详细说明。
本具体实施例仅仅是对本申请的解释,其并不是对本申请的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本申请的范围内都受到专利法的保护。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
相关技术采用人工采集方法和交通控制设备采集方法来采集城市交通数据,然而,通过人工采集方法确定的交通数据实时性差,交通控制设备采集方法确定主干道路的交通数据全面性差,由于相关技术中较差的实时性和全面性,使得采集城市交通数据的效率低。城市的道路包括:主干道路和非主干道路,其中,主干道路是城市道路网中连接主要地区、交通枢纽的道路,并作为道路网的骨架,主干道路上会设置交通监控设备;而非主干道路为次要的道路,通常用于连接一些不太重要的区域和住宅区,非主干道路一般不设置交通监控设备。为了解决现有技术中采集城市交通数据效率低的问题,本申请实施例提供了一种城市交通数据的采集方法,利用主干道路上的交通监控设备来采集主干交通数据,针对非主干道路而言,利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,进而,融合主干交通数据和非主干交通数据,确定城市交通数据,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
如图1所示,提供了一种城市交通数据的采集系统的结构图,即,利用交通监控设备采集交通监控视频,定位设备上传数据来源和定位数据,进而,利用中间网络的方式使得电子设备来获取交通监控视频、数据来源和定位数据。
本申请实施例提供了一种城市交通数据的采集方法,由电子设备执行,如图2所示,该方法包括步骤S101、步骤S102、步骤S103以及步骤S104,其中:
步骤S101:获取主干道路的交通监控视频,并利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据。
对于本申请实施例,主干道路上设置交通监控设备,交通监控设备不仅能够监控驾驶人员的驾驶行为,还能够基于交通监控视频确定道路的交通状况,因而,将电子设备和交通监控设备连接,并通过无线方式来获取交通监控设备拍摄的交通监控视频。进而,利用计算机视觉对交通监控视频进行视频分析,确定主干交通数据,其中,利用计算机视觉的目标检测,从交通监控视频中确定多个监测目标,并利用计算机视觉的目标追踪,确定每一监控目标对应的行驶轨迹和行驶速度,故主干交通数据至少包括:行驶轨迹、行驶速度、位置信息,当然还可以包括:交通量、车辆类型、公共交通信息等。
步骤S102:实时获取位于非主干道路的定位设备对应的数据来源和定位数据,并基于数据来源进行来源验证,得到来源验证结果,其中,数据来源和定位数据存在对应关系。
对于本申请实施例,相较于主干道路而言,非主干道路的交通量较低,由于安装并维护交通监控设备需要花费较高的费用,故非主干道路上并非所有位置均设置了交通监控设备,因而,无法通过交通监控设备采集的交通监控视频来计算非主干道路的交通数据。为了提升交通数据的全面性,本申请实施例利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,将非主干道路上的行驶车辆的定位装置作为非主干道路的定位设备,其中,非主干道路上的行驶车辆包括但不限于:公交车、客车、出租车、网约车等,定位装置可以为GPS、GPRS、雷达、监控设备等,优选的,定位装置选取GPS装置,故定位数据至少包括:位置信息(例如,经纬度)和上报时间,以能够较为精准地确定定位设备的位置。为了提升数据的准确性,采用多个定位设备的定位数据来计算非主干主体交通数据和非主干辅助交通数据,为了论述简单,本申请实施例以一个电子设备的执行过程为例进行详细论述。
在交通路况正常的情况下,沿着预设路线行驶的公交车或客车的行驶速度处于标准速度范围,即,控制行驶速度处于标准速度范围以保证公交车或客车能够按照计划时刻表行驶。然而,针对出租车、网约车而言,行驶速度是依据驾驶人员的驾驶习惯确定的,不具有标准速度范围的特点。故利用来源分类信息对数据来源进行来源验证,得到验证结果,其中,来源分类信息中预先规定了每一验证结果对应的目标数据来源,优选的,当数据来源为沿着预设路线行驶的公交车和客车中任一项时,则确定验证结果为第一结果,用于表征该数据来源对应的定位数据计算出的非主干交通数据准确度高;当数据来源为出租车、网约车中任一项时,则确定验证结果为第二结果,用于表征该数据来源对应的定位数据计算出的非主干交通数据个性化较高,但是能够覆盖全部非主干道路,保证了数据的全面性。
步骤S103:当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据。
对于本申请实施例,针对非主干道路进行分类,包括:非主干主体道路和非主干辅助道路,其中,一般而言,非主干主体道路比非主干辅助道路的车辆数量通行量更大、道路更宽阔。非主干主体道路为非主干道路中公交车或客车行驶路线覆盖的道路,非主干辅助道路为非主干道路中除去非主干主体道路之外的道路,然而,针对非主干辅助道路,由于市民存在出行需求,故,出租车或网约车的行驶路线一定会覆盖非主干辅助道路。其中,非主干主体道路对应的交通数据成为非主干主体交通数据、非主干辅助道路对应的交通数据成为非主干辅助交通数据。
当验证结果为第一结果时,表征该数据来源对应的定位数据由公交车或客车上传,故计算出的非主干交通数据准确度高,但是第一结果对应的定位设备可能并不会遍布所有非主干道路,使得非主干交通数据可能并不全面;当验证结果为第二结果时,表征该数据来源对应的定位数据由出租车或网约车上传,故计算出的非主干交通数据个性化较高,但是能够覆盖到非主干辅助道路。为了提升非主干交通数据的准确性和全面性,本申请实施例将不同来源验证结果计算的数据分别记为非主干主体交通数据和非主干辅助交通数据,将两者数据融合作为最终的非主干交通数据,以提升非主干交通数据的准确性和全面性。
步骤S104:基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据。
对于本申请实施例,城市道路包括:主干道路和非主干道路,故融合主干交通数据和非主干交通数据,得到城市交通数据,其中,城市交通数据包括但不限于:交通量、行驶轨迹、行驶速度、位置信息,以数据集合的形式呈现;非主干交通数据是融合非主干主体交通数据和非主干辅助交通数据得到的。融合得到非主干交通数据的过程具体为:基于非主干主体交通数据和非主干道路进行数据覆盖匹配,针对未匹配成功的目标路段,即,非主干主体交通数据中不包括目标路段相关的数据,故从非主干辅助交通数据中选取目标路段对应的目标交通数据,进而,综合非主干主体交通数据和目标交通数据,得到非主干交通数据。进而,融合主干交通数据和非主干交通数据,具体的,对主干交通数据和非主干交通数据进行预处理,预处理包括但不限于:数据清理、噪声降低、数据转化和特征提取,进而,利用数据融合模型进行主干交通数据和非主干交通数据的融合处理,即,将主干交通数据和非主干交通数据各自对应的特征输入至数据融合模型,得到城市交通数据。其中,数据融合模型是利用大量的训练集、验证集和测试集对神经网络进行训练得到的,训练集、验证集和测试集为数据特征集合的形式,神经网络可以采用图卷积神经网络、长短时记忆网络等。
可见,在本申请实施例中,利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,主干交通数据的准确度高。利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,基于非主干道路的定位设备的数据来源进行来源验证,得到来源验证结果。当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据。最终,基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据,在准确度高的主干交通数据基础上,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
进一步的,为了使得用户能够更加直观地了解城市路况情况,在本申请实施例中,基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据之后,还包括:
基于城市交通数据进行特征提取,得到交通特征,其中,交通特征包括:地理空间信息和车辆通行信息;
基于交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图,其中,交通路况地图中针对不同的路况呈现不同的标记情况。
对于本申请实施例,以数据形式呈现的城市交通数据不便于用户了解城市的交通状况,为了能够更加直观地了解城市路况情况,利用数据可视化技术将城市交通数据可视化呈现为交通路况地图,其中,针对交通路况地图的形式不进行限定,例如,交互式地图、热力图等。
为了能够便于用户实时获取交通状况,本申请实施例基于城市交通数据进行特征提取,得到地理空间信息和车辆通行信息,优选的,基于城市交通数据中位置信息,获取地理空间信息并自动生成道路地图,例如,利用地理信息系统数据、开放式地理数据、高分辨率遥感影像等方式获取地理空间信息,其中,地理空间信息是指与地理位置相关的各种信息数据,用于提供有关交通状况和车辆通行的地理背景和空间分布,地理空间信息包括但不限于:经纬度坐标、道路网络、街区和区域、地形和地貌、兴趣点,兴趣点是城市中的特定地点,如商店、餐馆、公园、医院等。进而,基于城市交通数据进行车辆通行特征提取,得到车辆通行信息,其中,车辆通行信息包括但不限于:交通量、行驶轨迹、行驶速度、车道设置、红绿灯调控规则。然后,基于地理空间信息自动生成地图,并基于交通路况分类规则、车辆通行信息和地理空间信息,确定路况状态,交通路况分类规则与路况状态存在对应关系,针对交通路况分类规则的具体内容不进行限定,只要能够准确地表征路况状态即可。例如,由于不同情况的道路所能够承载的交通量和行驶速度不同,故不能够用统一的标准对车辆通行信息进行评估,因而,针对不同的地理空间信息设定不同的通行评分标准,并利用与地理空间信息对应的通行评分标准对车辆通行信息中的交通量和行驶速度进行评分,得到交通量评分和行驶速度评分,即,与预期情况越为接近则评分越高,然后,基于交通量评分和行驶速度评分,确定路况状态,其中,路况状态包括:畅通、缓行、拥堵、严重拥堵。最终,基于道路地图和路况状态,得到交通路况地图,交通路况地图中针对不同的路况状态呈现不同的标记情况,例如,使用不同颜色标记不同的路况状态。
基于实时的城市交通数据,得到了反应实时交通路况状态的交通路况地图,可视化呈现的交通路况地图不仅能够将实时的车速、拥堵情况等信息反映在地图上,帮助用户及时获取最新的交通信息,选择最佳的路线、避开拥堵路段。为了能够挖掘出多个交通路况地图后的关联信息,基于预设周期内的多个交通路况地图进行融合,得到常态路况地图,其中,反应常态交通路况状态的交通路况地图能够为交通管理部门和城市规划者提供了重要的参考和依据。
可见,在本申请实施例中,基于城市交通数据进行特征提取,得到交通特征,并基于交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图,可视化的交通路况地图使得用户能够更加直观地了解城市路况情况,帮助用户及时获取最新的交通信息,选择最佳的路线、避开拥堵路段。
进一步的,为了便于交通管理部门和城市规划者针对异常的交通状况进行及时的调整,在本申请实施例中,如图3所示,基于交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图之后,还包括:步骤SA、步骤SB、步骤SC和步骤SD,其中:
步骤SA:基于预设周期内多个交通路况地图,得到常态路况地图。
对于本申请实施例,由于交通路况地图是由实时采集的城市交通数据进行可视化呈现的,用于反应实时交通路况状态,针对异常的路况状态无法准确地诊断出原因,故交通管理部门和城市规划者无法针对异常的交通状况进行及时的调整。因而,本申请实施例基于预设周期内的多个交通路况地图进行地图融合,得到常态路况地图,其中,在进行地图融合时需要依照时间因素,按照道路网络中的单位道路进行路况状态融合,单位道路的长短可自行进行定义,例如,两个路口之间道路记为单位道路;针对每一单位道路,若路况状态均相同为A状态,则将常态路况地图中该单位道路设置为A状态;若路况状态不相同,则将常态路况地图中该单位道路设置为数量多的状态,即,当路况状态为A状态、B状态、B状态、C状态,则将常态路况地图中该单位道路设置为B状态。
步骤SB:基于常态路况地图进行路况分类,确定异常路段,其中,异常路段为交通路况存在异常的路段;
步骤SC:基于异常区域对应的多个交通特征进行异常原因分析,确定交通异常原因,其中,异常区域为与异常路段距离预设范围内的区域,交通异常原因包括:交通事故。
对于本申请实施例,在常态路况地图中不同路况状态呈现不同的标记情况,基于标记情况和异常路况的对应关系,从常态路况地图中确定异常路段,针对异常路段的选取用户可根据实际情况自行确定,例如,将拥堵和严重拥堵的路段确定为异常路段;将严重拥堵的路段确定为异常路段。进而,获取与异常路段距离预设范围内的异常区域内的所有交通特征,并基于异常区域内的所有交通特征进行异常原因分析,确定交通异常原因,其中,交通异常原因包括但不限于:车道设置不合理、红绿灯调控不合理、交通事故、封路修路原因等,电子设备内针对每一交通异常原因均会设置对应的评判规则,例如,基于交通特征中交通路口每一车辆的行驶轨迹和每一行驶轨迹对应的车流量,确定预期车道设置,并将预期车道设置和交通特征中实际的车道设置进行匹配,当匹配失败时,则确定交通异常原因包括车道设置不合理;基于交通特征中交通路口每一车辆的行驶轨迹和每一行驶轨迹对应的车流量,确定预期红绿灯调控规则,并将预期红绿灯调控规则和交通特征中实际的红绿灯调控规则进行匹配,当匹配失败时,则确定交通异常原因包括红绿灯调控不合理。为了论述简洁,其他交通异常原因对应的评判规则的原理相同,本申请实施例不再进行重复论述。
步骤SD:基于交通异常原因进行交通调控分析,确定交通调控信息,其中,交通调控信息便于用户针对异常路段的交通路况进行调控。
对于本申请实施例,电子设备内预先存储了交通异常和调控的对应关系,因而,利用交通异常和调控的对应关系、交通异常原因,确定交通调控信息,交通调控信息用于为交通管理部门和城市规划者提供了重要的参考和依据,且,交通调控信息的具体内容本申请实施例不再进行限定。例如,当交通异常原因为红绿灯调控不合理时,交通调控信息包括:调控路口信息、交通异常原因和预期红绿灯调控规则等;当交通异常原因为交通事故时,交通调控信息包括:易发事故路段信息、交通事故的根源因素、调整建议等。
可见,在本申请实施例中,为了便于交通管理部门和城市规划者针对异常的交通状况进行及时的调整,基于预设周期内多个交通路况地图,得到常态路况地图,并基于常态路况地图进行路况分类,确定异常路段。进而,基于异常区域对应的多个交通特征进行异常原因分析,确定交通异常原因,并基于交通异常原因进行交通调控分析,确定交通调控信息,交通调控信息用于为交通管理部门和城市规划者提供了重要的参考和依据。
进一步的,为了降低由于交通事故而引发的交通拥堵,在本申请实施例中,当交通异常原因为交通事故时,
基于交通异常原因进行交通调控分析,确定交通调控信息,包括:
获取异常路段对应的道路交通设施,其中,道路交通设施包括:路面信息、车道标线信息、交通照明信息;
基于道路交通设施进行交通事故原因分析,确定交通事故的根源因素,并基于根源因素与交通调控的对应关系、根源因素,确定交通调控信息。
对于本申请实施例,城市道路上交通事故时常发生,不仅会给驾驶人员带来损失、伤害,同时还会影响其他车辆的正常通行,严重的会造成交通严重拥堵。且,引发交通事故的因素有很多,例如,驾驶人员个人原因、路面缺陷、车道标线不清楚、道路夜间照明不合格等,然而,引发交通事故的因素并非所有均无法避免,及时发现引发交通事故的根源因素并及时处理,能够降低交通事故的发生率,进而,降低由于交通事故而引发的交通拥堵。
具体的,获取异常路段对应的道路交通设施,其中,道路交通设施包括:路面信息(例如,路面平整度、路面湿滑度、路面缺陷情况)、车道标线信息(例如,车道标线清晰程度、车道标线连续性)、交通照明信息(例如,照明灯间距、照明灯亮度),进而,基于道路交通设施中每一方面信息进行初步交通事故原因分析,确定交通事故的至少一个异常因素,优选的,利用异常因素确定模型进行初步交通事故原因分析,并输出交通事故的异常因素,其中,异常因素确定模型是利用大量的训练数据对神经网络模型进行训练得到的。当然,还可以采取预设筛选异常因素的规则实现,即,在电子设备内预先存储了关于道路交通设施中每一方面信息的检验标准,进而,基于道路交通设施中每一方面信息与对应的检验标准进行信息检验,并将不符合标准的确定为异常因素。然后,获取每一交通事故的事故位置,基于多个事故位置和每一异常因素的异常位置进行位置范围匹配,从异常因素中确定根源因素,例如,将每一事故位置和异常因素的异常位置进行距离计算,选取最近距离的异常因素作为该交通事故的目标因素,并将匹配交通事故最多的异常因素确定为根源因素,对于确定根源因素的具体实现过程不进行限定。根源因素包括但不限于:路面缺陷、车道标线不清楚、道路夜间照明不合格,进而,基于根源因素与交通调控的对应关系、根源因素,确定交通调控信息,其中,交通事故对应的交通调控信息包括但不限于:路面修补、车道标线修复、照明设施巡查评估、故障维护。
可见,在本申请实施例中,基于道路交通设施进行交通事故原因分析,确定交通事故的根源因素,并基于根源因素与交通调控的对应关系、根源因素,确定交通调控信息,及时发现引发交通事故的根源因素并及时处理,能够降低交通事故的发生率,进而,降低由于交通事故而引发的交通拥堵。
进一步的,在本申请实施例中,基于定位数据进行第一数据计算,确定非主干主体交通数据,包括:
基于相邻两次的定位数据进行速度计算,确定非主干行驶速度;
基于非主干行驶速度、行驶速度与交通等级的对应关系,确定交通等级,其中,所述非主干主体交通数据包括:所述非主干行驶速度和所述交通等级。
对于本申请实施例,针对来源验证结果为第一结果的情况,定位数据的数据来源为:沿着预设路线行驶的公交车或客车,公交车和客车的正常营运是需要向相关部门备案的,因而,提供的定位数据的可靠性和准确性高,故在确定非主干主体交通数据时,直接基于定位数据进行计算就能够确定非主干主体交通数据,与此同时,非主干主体交通数据的准确度高。
具体的,基于定位设备相邻两次上报的定位数据进行速度计算,即,获取相邻两次上报的时间间隔、第一次的位置信息和第二次的位置信息,以两次位置信息的差值除以时间间隔得到非主干行驶速度。需要说明的是,上述两次位置信息的差值不一定是两次位置信息的直线距离,此时的差值为在该两个位置信息之间所走的实际距离,需要考虑所在的位置的道路情况(例如,直路、岔口等)。进而,利用非主干行驶速度、行驶速度与交通等级的对应关系,确定交通等级,其中,行驶速度与交通等级的对应关系预先存储在电子设备内,用户可根据实际情况自行设定。例如,非主干行驶速度为0,交通等级为A等级;非主干行驶速度在 0至10 千米/小时的区间, 交通等级为B等级;非主干行驶速度在10至20千米/小时的区间内, 交通等级为C等级;非主干行驶速度在20 千米 / 小时以上,交通等级为D等级。最终,综合非主干行驶速度和交通等级,得到非主干主体交通数据。
当然,还可以基于交通等级进行车流量预估,确定非主干车流量,即,不同交通等级表征道路不同的路况状态,基于交通等级确定道路通行中所有车辆的平均速度,在基于车道数量、道路长度计算每小时通过的车辆数,作为非主干车流量。
可见,在本申请实施例中,针对来源验证结果为第一结果的情况,定位数据的数据来源为:沿着预设路线行驶的公交车或客车,故基于相邻两次的定位数据进行速度计算,以保证非主干主体交通数据的准确性。基于非主干行驶速度、行驶速度与交通等级的对应关系,确定交通等级,综合非主干行驶速度和交通等级,得到非主干主体交通数据。
进一步的,为了保证非主干辅助交通数据的安全性,在本申请实施例中,基于定位数据进行第二数据计算,确定非主干辅助交通数据,包括:
获取上传定位数据的用户信息,并基于用户信息进行权限验证,得到权限验证结果,其中,权限验证用于判断用户是否具有上传定位数据的权限;
当权限验证结果为具备权限时,则基于定位数据进行数据计算,确定非主干辅助交通数据;当权限验证结果为无权限时,则删除定位数据,并将无权限的用户信息进行异常标记。
对于本申请实施例,当来源验证结果为第二结果时,定位数据的数据来源一般为出租车、网约车等,由于数据来源的多样且复杂,可能会存在非法用户恶意提供不精准的定位数据以降低城市交通数据的精准度。因而,在确定非主干辅助交通数据前,对上传定位数据的用户信息进行权限验证,以判断用户是否具有上传定位数据的权限,即,具备权限的用户在上传定位数据前均进行了用户权限分配,其中,权限验证的方法包括但不限于:身份认证、授权检查、角色检查等。当权限验证结果为具备权限时,则表征该用户具有上传定位数据的权限,故基于定位数据进行第二数据计算,确定非主干辅助交通数据,其中,第二数据计算与第一数据计算的实现方式相同,在此不再进行重复论述;当权限验证结果为无权限时,则表征该用户存在越权行为,非法向电子设备提供定位数据,故删除该定位数据,以保证非主干辅助交通数据的准确性,并将无权限的用户信息进行异常标记,异常标记便于电子设备针对无权限用户的操作执行禁止操作,以保证非主干辅助交通数据的安全性。
可见,在本申请实施例中,基于用户信息进行权限验证,权限验证结果为具备权限时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据;当权限验证结果为无权限时,则删除定位数据,并将无权限的用户信息进行异常标记。异常标记便于电子设备针对无权限用户的操作执行禁止操作,以保证非主干辅助交通数据的安全性。
进一步的,在本申请实施例中,利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,包括:
基于交通监控视频进行预处理,得到预处理后的交通监控视频;
基于预处理后的交通监控视频进行目标检测,得到多个监控目标,并针对每一监控目标进行目标追踪,得到每一监控目标对应的行驶轨迹和行驶速度;
综合监控目标的数量、每一监控目标对应的行驶轨迹和行驶速度,确定主干道路对应的主干交通数据。
对于本申请实施例,基于交通监控视频进行预处理,其中,预处理包括但不限于:去除噪声、图像稳定处理,以保证目标检测和目标追踪的准确性和稳定性。进而,基于预处理后的交通监控视频进行目标检测,得到多个监控目标,即,利用计算机视觉中的目标检测技术,通过对车辆的颜色、外形等特征进行分析,得到预处理后的交通监控视频对应的多个监控目标。然后,利用计算机视觉中的目标跟踪技术对每一监控目标进行自动追踪和标识,确定每一监控目标对应的行驶轨迹和行驶速度。进而,基于监控目标的数量、每一监控目标对应的行驶轨迹和行驶速度进行分析和计算,确定主干道路对应的主干交通数据,例如,计算行驶车辆的平均速度、方向、流量等信息,并将平均数据确定为主干交通数据。
可见,在本申请实施例中,基于交通监控视频进行预处理,以保证目标检测和目标追踪的准确性和稳定性,基于预处理后的交通监控视频进行目标检测,得到多个监控目标,并针对每一监控目标进行目标追踪,得到每一监控目标对应的行驶轨迹和行驶速度,进而,综合监控目标的数量、每一监控目标对应的行驶轨迹和行驶速度,确定主干道路对应的主干交通数据。利用机器视觉的方式进行视频分析,提升了主干交通数据的精准度。
上述实施例从方法流程的角度介绍一种城市交通数据的采集方法,下述实施例从虚拟模块或者虚拟单元的角度介绍了一种城市交通数据的采集装置,具体详见下述实施例。
本申请实施例提供一种城市交通数据的采集装置,如图4所示,该城市交通数据的采集装置具体可以包括:
主干交通数据确定模块210,用于获取主干道路的交通监控视频,并利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据;
来源验证模块220,用于实时获取位于非主干道路的定位设备对应的数据来源和定位数据,并基于数据来源进行来源验证,得到来源验证结果,其中,数据来源和定位数据存在对应关系;
非主干交通数据确定模块230,用于当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据;
数据融合模块240,用于基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据。
对于本申请实施例,主干交通数据确定模块210利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,主干交通数据的准确度高。利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,来源验证模块220基于非主干道路的定位设备的数据来源进行来源验证,得到来源验证结果。非主干交通数据确定模块230能够当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据。最终,数据融合模块240基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据,在准确度高的主干交通数据基础上,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
本申请实施例的一种可能的实现方式,城市交通数据的采集装置,还包括:
可视化呈现模块,用于基于城市交通数据进行特征提取,得到交通特征,其中,交通特征包括:地理空间信息和车辆通行信息;
基于交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图,其中,交通路况地图中针对不同的路况呈现不同的标记情况。
本申请实施例的一种可能的实现方式,城市交通数据的采集装置,还包括:
异常调控模块,用于基于预设周期内多个交通路况地图,得到常态路况地图;
基于常态路况地图进行路况分类,确定异常路段,其中,异常路段为交通路况存在异常的路段;
基于异常区域对应的多个交通特征进行异常原因分析,确定交通异常原因,其中,异常区域为与异常路段距离预设范围内的区域,交通异常原因包括:交通事故;
基于交通异常原因进行交通调控分析,确定交通调控信息,其中,交通调控信息便于用户针对异常路段的交通路况进行调控。
本申请实施例的一种可能的实现方式,当交通异常原因为交通事故时,
异常调控模块在执行基于交通异常原因进行交通调控分析,确定交通调控信息时,用于:
获取异常路段对应的道路交通设施,其中,道路交通设施包括:路面信息、车道标线信息、交通照明信息;
基于道路交通设施进行交通事故原因分析,确定交通事故的根源因素,并基于根源因素与交通调控的对应关系、根源因素,确定交通调控信息。
本申请实施例的一种可能的实现方式,非主干交通数据确定模块230在执行基于定位数据进行第一数据计算,确定非主干主体交通数据时,用于:
基于相邻两次的定位数据进行速度计算,确定非主干行驶速度;
基于非主干行驶速度、行驶速度与交通等级的对应关系,确定交通等级,其中,所述非主干主体交通数据包括:所述非主干行驶速度和所述交通等级。
本申请实施例的一种可能的实现方式,非主干交通数据确定模块230在执行基于定位数据进行第二数据计算,确定非主干辅助交通数据时,用于:
获取上传定位数据的用户信息,并基于用户信息进行权限验证,得到权限验证结果,其中,权限验证用于判断用户是否具有上传定位数据的权限;
当权限验证结果为具备权限时,则基于定位数据进行数据计算,确定非主干辅助交通数据;当权限验证结果为无权限时,则删除定位数据,并将无权限的用户信息进行异常标记。
本申请实施例的一种可能的实现方式,主干交通数据确定模块210在执行利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据时,用于:
基于交通监控视频进行预处理,得到预处理后的交通监控视频;
基于预处理后的交通监控视频进行目标检测,得到多个监控目标,并针对每一监控目标进行目标追踪,得到每一监控目标对应的行驶轨迹和行驶速度;
综合监控目标的数量、每一监控目标对应的行驶轨迹和行驶速度,确定主干道路对应的主干交通数据。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的一种城市交通数据的采集装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例中提供了一种电子设备,如图5所示,图5所示的电子设备300包括:处理器301和存储器303。其中,处理器301和存储器303相连,如通过总线302相连。可选地,电子设备300还可以包括收发器304。需要说明的是,实际应用中收发器304不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器301可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器301也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线302可包括一通路,在上述组件之间传送信息。总线302可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线302可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一型的总线。
存储器303可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器303用于存储执行本申请方案的应用程序代码,并由处理器301来控制执行。处理器301用于执行存储器303中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图5示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与相关技术相比,本申请实施例,利用计算机视觉对交通监控视频进行视频分析,确定主干道路对应的主干交通数据,主干交通数据的准确度高。利用在非主干道路上的行驶车辆的定位数据来计算非主干交通数据,即,基于非主干道路的定位设备的数据来源进行来源验证,得到来源验证结果。当来源验证结果为第一结果时,则基于定位数据进行第一数据计算,确定非主干主体交通数据;当来源验证结果为第二结果时,则基于定位数据进行第二数据计算,确定非主干辅助交通数据。最终,基于主干交通数据、非主干主体交通数据和非主干辅助交通数据进行数据融合,得到城市交通数据,在准确度高的主干交通数据基础上,融合非主干交通数据提升了交通数据全面性,进而,提高了采集城市交通数据的效率。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种城市交通数据的采集方法,其特征在于,包括:
获取主干道路的交通监控视频,并利用计算机视觉对所述交通监控视频进行视频分析,确定所述主干道路对应的主干交通数据;
实时获取位于非主干道路的定位设备对应的数据来源和定位数据,并基于所述数据来源进行来源验证,得到来源验证结果,其中,所述数据来源和所述定位数据存在对应关系;
当所述来源验证结果为第一结果时,则基于所述定位数据进行第一数据计算,确定非主干主体交通数据;当所述来源验证结果为第二结果时,则基于所述定位数据进行第二数据计算,确定非主干辅助交通数据;
基于所述主干交通数据、所述非主干主体交通数据和所述非主干辅助交通数据进行数据融合,得到城市交通数据。
2.根据权利要求1所述的城市交通数据的采集方法,其特征在于,所述基于所述主干交通数据、所述非主干主体交通数据和所述非主干辅助交通数据进行数据融合,得到城市交通数据之后,还包括:
基于所述城市交通数据进行特征提取,得到交通特征,其中,所述交通特征包括:地理空间信息和车辆通行信息;
基于所述交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图,其中,所述交通路况地图中针对不同的路况呈现不同的标记情况。
3.根据权利要求2所述的城市交通数据的采集方法,其特征在于,所述基于所述交通特征进行交通路况分析并进行可视化呈现,得到交通路况地图之后,还包括:
基于预设周期内多个交通路况地图,得到常态路况地图;
基于所述常态路况地图进行路况分类,确定异常路段,其中,所述异常路段为交通路况存在异常的路段;
基于异常区域对应的多个交通特征进行异常原因分析,确定交通异常原因,其中,所述异常区域为与所述异常路段距离预设范围内的区域,所述交通异常原因包括:交通事故;
基于所述交通异常原因进行交通调控分析,确定交通调控信息,其中,所述交通调控信息便于用户针对异常路段的交通路况进行调控。
4.根据权利要求3所述的城市交通数据的采集方法,其特征在于,当所述交通异常原因为交通事故时,
所述基于所述交通异常原因进行交通调控分析,确定交通调控信息,包括:
获取所述异常路段对应的道路交通设施,其中,所述道路交通设施包括:路面信息、车道标线信息、交通照明信息;
基于所述道路交通设施进行交通事故原因分析,确定所述交通事故的根源因素,并基于根源因素与交通调控的对应关系、所述根源因素,确定交通调控信息。
5.根据权利要求1所述的城市交通数据的采集方法,其特征在于,所述基于所述定位数据进行第一数据计算,确定非主干主体交通数据,包括:
基于相邻两次的所述定位数据进行速度计算,确定非主干行驶速度;
基于所述非主干行驶速度、行驶速度与交通等级的对应关系,确定交通等级,其中,所述非主干主体交通数据包括:所述非主干行驶速度和所述交通等级。
6.根据权利要求1所述的城市交通数据的采集方法,其特征在于,所述基于所述定位数据进行第二数据计算,确定非主干辅助交通数据,包括:
获取上传定位数据的用户信息,并基于所述用户信息进行权限验证,得到权限验证结果,其中,所述权限验证用于判断用户是否具有上传定位数据的权限;
当所述权限验证结果为具备权限时,则基于所述定位数据进行第二数据计算,确定非主干辅助交通数据;当所述权限验证结果为无权限时,则删除所述定位数据,并将无权限的所述用户信息进行异常标记。
7.根据权利要求1所述的城市交通数据的采集方法,其特征在于,所述利用计算机视觉对所述交通监控视频进行视频分析,确定所述主干道路对应的主干交通数据,包括:
基于所述交通监控视频进行预处理,得到预处理后的交通监控视频;
基于所述预处理后的交通监控视频进行目标检测,得到多个监控目标,并针对每一所述监控目标进行目标追踪,得到每一所述监控目标对应的行驶轨迹和行驶速度;
综合监控目标的数量、每一所述监控目标对应的行驶轨迹和行驶速度,确定所述主干道路对应的主干交通数据。
8.一种城市交通数据的采集装置,其特征在于,包括:
主干交通数据确定模块,用于获取主干道路的交通监控视频,并利用计算机视觉对所述交通监控视频进行视频分析,确定所述主干道路对应的主干交通数据;
来源验证模块,用于实时获取位于非主干道路的定位设备对应的数据来源和定位数据,并基于所述数据来源进行来源验证,得到来源验证结果,其中,所述数据来源和所述定位数据存在对应关系;
非主干交通数据确定模块,用于当所述来源验证结果为第一结果时,则基于所述定位数据进行第一数据计算,确定非主干主体交通数据;当所述来源验证结果为第二结果时,则基于所述定位数据进行第二数据计算,确定非主干辅助交通数据;
数据融合模块,用于基于所述主干交通数据、所述非主干主体交通数据和所述非主干辅助交通数据进行数据融合,得到城市交通数据。
9.一种电子设备,其特征在于,包括:
至少一个处理器;
存储器;
至少一个应用程序,其中至少一个应用程序被存储在存储器中并被配置为由至少一个处理器执行,所述至少一个应用程序配置用于:执行权利要求1~7任一项所述的城市交通数据的采集方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令所述计算机执行权利要求1~7任一项所述的城市交通数据的采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311318007.3A CN117058887B (zh) | 2023-10-12 | 2023-10-12 | 一种城市交通数据的采集方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311318007.3A CN117058887B (zh) | 2023-10-12 | 2023-10-12 | 一种城市交通数据的采集方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058887A true CN117058887A (zh) | 2023-11-14 |
CN117058887B CN117058887B (zh) | 2023-12-22 |
Family
ID=88657631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311318007.3A Active CN117058887B (zh) | 2023-10-12 | 2023-10-12 | 一种城市交通数据的采集方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058887B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN106384504A (zh) * | 2016-09-06 | 2017-02-08 | 江苏智通交通科技有限公司 | 基于数据可视化的城市路网拥堵特性描述分析方法 |
JP2019105789A (ja) * | 2017-12-14 | 2019-06-27 | 株式会社豊田中央研究所 | 道路構造データ生成装置、道路構造データベース |
CN112382095A (zh) * | 2020-11-26 | 2021-02-19 | 长沙理工大学 | 一种多源数据融合的城市快速路交通状态估计方法 |
KR20210091074A (ko) * | 2020-10-26 | 2021-07-21 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 교통 모니터링 방법, 장치, 기기 및 저장매체 |
CN113380028A (zh) * | 2021-06-01 | 2021-09-10 | 公安部交通管理科学研究所 | 一种智慧出行交通数据融合方法及装置 |
US20220020267A1 (en) * | 2020-12-16 | 2022-01-20 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Traffic data analysis method, electronic device, vehicle and storage medium |
CN116227876A (zh) * | 2023-03-10 | 2023-06-06 | 北京红山信息科技研究院有限公司 | 一种应用于城市交通的数据分析系统 |
-
2023
- 2023-10-12 CN CN202311318007.3A patent/CN117058887B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
CN106384504A (zh) * | 2016-09-06 | 2017-02-08 | 江苏智通交通科技有限公司 | 基于数据可视化的城市路网拥堵特性描述分析方法 |
JP2019105789A (ja) * | 2017-12-14 | 2019-06-27 | 株式会社豊田中央研究所 | 道路構造データ生成装置、道路構造データベース |
KR20210091074A (ko) * | 2020-10-26 | 2021-07-21 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 교통 모니터링 방법, 장치, 기기 및 저장매체 |
CN112382095A (zh) * | 2020-11-26 | 2021-02-19 | 长沙理工大学 | 一种多源数据融合的城市快速路交通状态估计方法 |
US20220020267A1 (en) * | 2020-12-16 | 2022-01-20 | Apollo Intelligent Connectivity (Beijing) Technology Co., Ltd. | Traffic data analysis method, electronic device, vehicle and storage medium |
CN113380028A (zh) * | 2021-06-01 | 2021-09-10 | 公安部交通管理科学研究所 | 一种智慧出行交通数据融合方法及装置 |
CN116227876A (zh) * | 2023-03-10 | 2023-06-06 | 北京红山信息科技研究院有限公司 | 一种应用于城市交通的数据分析系统 |
Non-Patent Citations (1)
Title |
---|
贾献博: "基于GPS浮动车技术的大规模全覆盖城市道路交通状态获取方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, no. 09, pages 034 - 84 * |
Also Published As
Publication number | Publication date |
---|---|
CN117058887B (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10578442B2 (en) | Data mining to identify locations of potentially hazardous conditions for vehicle operation and use thereof | |
CN107782564B (zh) | 一种自动驾驶车辆测评系统及方法 | |
US10648818B2 (en) | Data mining in a digital map database to identify blind intersections along roads and enabling precautionary actions in a vehicle | |
US8134478B2 (en) | Data mining in a digital map database to identify community reported driving hazards along roads and enabling precautionary actions in a vehicle | |
CN110738842A (zh) | 事故责任划分及行为分析方法、装置、设备及存储介质 | |
JP5886634B2 (ja) | 移動体の運行管理方法 | |
WO2010011806A1 (en) | System and method for evaluating and improving driving performance based on statistical feedback | |
CN107430815A (zh) | 用于自动识别停车区的方法和系统 | |
CN104200659B (zh) | 一种重点车辆是否按规定线路行驶的判定方法 | |
US20170308625A1 (en) | Computer-readable recording medium, road construction planning method, and information processing apparatus | |
Tengilimoglu et al. | Infrastructure requirements for the safe operation of automated vehicles: Opinions from experts and stakeholders | |
Akpa et al. | A comparative evaluation of the impact of average speed enforcement (ASE) on passenger and minibus taxi vehicle drivers on the R61 in South Africa | |
CN115547084A (zh) | 道路通行状况预测方法、装置、电子设备及计算机程序产品 | |
Pappalardo et al. | Assessing the operational design domain of lane support system for automated vehicles in different weather and road conditions | |
KR102562757B1 (ko) | 노면표시 정보의 예측 및 인식방법 및 도로 유지관리 방법 | |
CN117058887B (zh) | 一种城市交通数据的采集方法、装置、设备和介质 | |
Farooq | The Effects of Inaccurate and Missing Highway-Rail Grade Crossing Inventory Data on Crash and Severity Model Estimation and Prediction | |
Shaaban et al. | Identifying optimal locations for speed enforcement cameras | |
Koloushani et al. | Introducing Automatic Control Method of Safety Standards in Horizontal Curves by Processing Images Taken by Mobile Mapping System. | |
Wolshon | Louisiana traffic sign inventory and management system. | |
Nye et al. | Demonstration of the United States Road Assessment (usRAP) as a Systematic Safety Tool for Two Lane Roadways and Highways in Kansas | |
JP7325861B1 (ja) | 交通安全管理システム | |
Zhang et al. | Traffic Incident Management Dashboard | |
Hu | New Approaches to Improving Highway Design, Safety, and Visual Presentation | |
Veber et al. | Anomaly Detection and Quality Indicators for Digital Maps Used in ADAS Applications |
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 |