CN117336357A - 多角色实时数据交互及监督的交通运输安全系统 - Google Patents
多角色实时数据交互及监督的交通运输安全系统 Download PDFInfo
- Publication number
- CN117336357A CN117336357A CN202311310691.0A CN202311310691A CN117336357A CN 117336357 A CN117336357 A CN 117336357A CN 202311310691 A CN202311310691 A CN 202311310691A CN 117336357 A CN117336357 A CN 117336357A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic
- real
- time
- pedestrian
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 107
- 238000012545 processing Methods 0.000 claims abstract description 74
- 230000000007 visual effect Effects 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 206010039203 Road traffic accident Diseases 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 238000012502 risk assessment Methods 0.000 claims description 12
- 230000033001 locomotion Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000013481 data capture Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 16
- 230000007613 environmental effect Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及交通安全技术领域，具体涉及多角色实时数据交互及监督的交通运输安全系统，包括：中央处理单元：用于整合、分析和分发来自各模块的数据；多个传感器模块：与所述中央处理单元连接，实时捕获交通流量和环境信息；数据交互平台：与中央处理单元连接，实时处理和分析从传感器模块获取的数据；多角色接口：多种交通参与者通过该接口实时交互数据并获得系统监督；实时决策辅助模块：与中央处理单元连接，根据来自数据交互平台的处理后的数据，实时生成交通流动策略和安全建议。本发明，交通参与者都可以获得清晰、直观的实时交通信息和预警，适应各种交通情况，不仅为公众带来了极大的便利，也为城市的交通管理和规划提供了有力的工具。
Description
技术领域
本发明涉交通安全及技术领域，尤其涉及多角色实时数据交互及监督的交通运输安全系统。
背景技术
随着城市化的进程和汽车产业的发展，交通流量持续增加，导致交通拥堵、事故频发和行人安全问题日益突出。尽管现有的交通管理系统已经利用各种传感器和通信技术对交通状况进行了实时监测，但在数据处理、决策辅助和多角色交互方面仍存在不少挑战。
经检索，公开号为CN116611621A公开了多角色实时数据交互及监督的交通运输安全管理系统，涉及交通运输安全领域，包括车载端、云端服务器及管理端；车载端包括数据采集模块、行车日志模块、车载交互模块及事故上报模块；云端服务器包括数据处理模块、智能监测模块、心理测评模块、风险识别模块；管理端包括生产管理模块、应急管理模块、安全教育模块、培训考核模块、档案管理模块及管理交互模块。本发明从多角色协同管理、信息共享的角度设置安全管理系统，可以实现企业对驾驶员培训及考核情况、安全教育情况信息的实时更新，实现监管部门对企业进行评分，重点督查评分较低企业，为交通运输安全提供了实时监督保障，有效地降低交通事故的风险概率，上述专利重点对于运输车队进行管理，并没有对交通系统中的行人、车辆等多角色对象参与交通时的安全进行分析。
同时，现有传统的交通管理系统往往仅限于特定的交通参与者，例如驾驶员或行人，而缺乏对多种交通参与者的综合管理和服务。此外，大量的实时交通数据需要快速、准确的处理和分析，以便为交通参与者提供实时的决策建议。但多数现有系统在处理大规模、复杂的交通数据时，往往难以做到实时、准确。此外，对于交通参与者如何接收、理解和利用这些数据，也缺乏有效的多角色交互接口。
因此，为了更好地应对现代交通的挑战，需要一个集成了高效数据处理、先进的机器学习算法、实时决策辅助和多角色交互功能的综合交通管理系统，这将有助于提高交通的流畅性、减少交通事故，并为所有交通参与者提供更加安全、便捷的交通环境。
发明内容
基于上述目的，本发明提供了多角色实时数据交互及监督的交通运输安全系统。
多角色实时数据交互及监督的交通运输安全系统，包括：
中央处理单元：用于整合、分析和分发来自各模块的数据；
多个传感器模块：与所述中央处理单元连接，实时捕获交通流量和环境信息，且该传感器模块输出交通环境数据至中央处理单元；
数据交互平台：与中央处理单元连接，实时处理和分析从传感器模块获取的数据，基于该数据生成数据交互包，数据交互平台还将处理后的数据包转发至中央处理单元；
多角色接口：多种交通参与者通过该接口实时交互数据并获得系统监督，该接口从中央处理单元接收数据并呈现给相应的交通参与者；
实时决策辅助模块：与中央处理单元连接，根据来自数据交互平台的处理后的数据，实时生成交通流动策略和安全建议，该实时决策辅助模块将生成的策略和建议提供给中央处理单元，并基于接收到的反馈进行持续优化；
其中，所述数据交互平台在接收到传感器模块的交通环境数据后，转化为适合多角色接口展示的数据格式，并同时提供给实时决策辅助模块用于生成策略和建议，该决策辅助模块再将这些策略和建议返回至中央处理单元，从而使中央处理单元根据这些建议决定将哪些数据推送至多角色接口。
进一步的，所述传感器模块包括车载传感器、路侧传感器、空中无人机传感器及行人检测摄像头；其中，
初始化传感器模块：启动车载传感器、路侧传感器、空中无人机传感器及行人检测摄像头，并将其与中央处理单元建立数据连接；
车载传感器捕获：通过车载传感器，实时捕获车辆的运动状态、速度、位置，并将该数据以预定频率传输至中央处理单元；
路侧传感器监测：利用路侧传感器，实时监测道路的表面状况、交通流量、近距离交通事故，并将所得数据实时传送至中央处理单元；
空中无人机传感器监视：通过空中无人机传感器，从高空角度捕捉交通状况，包括交通堵塞、车流速度、交通事故，并提供高清视频流；
行人检测摄像头数据捕获：通过部署在关键交叉路口或人行横道上的行人检测摄像头，利用图像识别技术，实时监测行人的数量、移动速度、方向信息，并识别行人突发移动情况；
数据整合与分析：中央处理单元接收来自各传感器模块的数据，对数据进行整合、处理和分析，得到完整的交通流量和环境信息。
进一步的，所述行人突发移动情况的识别具体包括：
视频流输入：行人检测摄像头捕获的实时视频流输入至数据处理单元；
图像预处理：利用图像增强算法对输入的视频流进行亮度、对比度调整，确保在各种光照条件下能获得清晰的图像；
行人检测：应用目标检测算法，对视频帧进行实时分析，定位图像中的行人并对每个行人生成一个边界框；
行人跟踪：采用SORT算法，跟踪每个行人的动态位置，从而得到行人的移动轨迹；
速度和行为计算：基于连续帧之间行人位置的变化，计算行人的实时移动速度，结合行人移动轨迹，通过长短时记忆网络模型预测行人的后续动作；
突发情况判断：当系统检测到行人的移动速度突然增加至预定阈值，且该行人的方向指向马路或即将进入马路，将此判定为行人突发奔跑穿越马路的情况；
生成警报信号：确定行人的突发奔跑穿越马路情况，生成警报信号并传送至中央处理单元。
进一步的，所述目标检测算法基于YOLOV3，且YOLOV3基于网络输出的边界框、类概率和对象性分数；具体如下，
边界框预测为：
bx＝σ(tx)+cx；
by＝σ(ty)+cy；
其中，
(bx，by)是预测的边界框的中心坐标；
(bw，bh)是预测的边界框的宽度和高度；
(cx，cy)是前一个边界框的左上角坐标；
(pw，ph)是前一个边界框的宽度和高度；
(tx，ty，tw，th)是网络的输出。
进一步的，所述SORT基于卡尔曼滤波进行目标跟踪，公式如下：
xt+1|t＝Fxt；
Pt+1|t＝FPtFT+Q；
其中，
xt是目标在时间暏的状态；
F是状态转移模型；
Pt是协方差矩阵；
Q是噪声。
进一步的，所述数据交互平台生成数据交互包具体包括：
接收数据：数据交互平台从各传感器模块实时接收数据，该数据包括车辆的运动状态、位置、速度、道路的表面状况、交通流量、交通事故视频流以及行人数量和行为信息；
数据预处理：对接收到的数据进行清洗，去除噪声，填补数据缺失，并对原始数据进行归一化处理；
数据分析：基于聚类分析和决策树，对数据进行分类、识别与分析，确定交通流量的高峰时间段、交通拥堵区域、潜在的危险区域；
生成交互数据包：基于数据分析结果，将该结果信息转化为结构化的数据交互包，所述数据交互包包括：实时交通状况摘要；安全警告；特殊事件信息；行人信息摘要；
对生成的数据交互包进行加密和压缩处理，再将加密压缩后的数据交互包传输至中央处理单元，用于进一步的决策制定和信息展示。
进一步的，所述生成交互数据包具体如下：
定义交互数据结构：定义一个标准的JSON的数据模板作为数据交互包的结构和格式，所述JSON的数据模板包括交通摘要、流量、平均速度、拥堵等级、安全警报、特殊事件、行人信息、平均数量、平均速度、集结区域；
数据映射：将分析得到的数据结果映射到预定义的数据结构中；
处理特殊事件与安全警报：根据分析得到的特殊事件和安全警报，生成详细的描述或摘要，并添加到“安全警报”或“特殊事件”列表中；
填充行人信息：将分析得到的“行人信息”映射到行人信息部分；
数据验证：确保数据交互包中的所有数据都满足预定义的规范和格式，以确保其在传输和解析时的准确性；
序列化数据包：将填充好的数据结构转化为序列化格式，将JSON对象转化为字符串，以便于传输。
进一步的，所述多角色接口具体包括：
数据接收与发送：多角色接口持续监听来自交通参与者的数据输入，并实时将数据发送至数据交互平台进行处理和分析，同时，多角色接口从中央处理单元接收处理后的数据，并将该数据实时推送给相应的交通参与者；
实时监督展示：基于从中央处理单元接收到的数据，多角色接口为交通参与者提供实时的图形或文本监督信息；
交互功能：为交通参与者提供交互界面，允许在需要时提交请求、提供反馈或更改设置；
实时预警：当检测到对交通参与者产生危险的情况时，多角色接口会立即为相关交通参与者发出视觉和音频预警，确保及时反应。
进一步的，所述实时决策辅助模块具体包括：
接收交互数据包：实时决策辅助模块从多角色接口接收数据交互包，包括交通流量、交通事件、行人信息以及安全警报的实时数据；
数据解析：对接收到的数据交互包进行解析，将其转化为可供分析的数据结构，确保每个数据点的准确性和完整性；
交通流模型分析：利用深度学习建立交通流模型，根据历史数据和实时数据预测后续的交通流量和流向；
风险评估：对当前的交通状况和预测的未来状况进行风险评估，确定存在交通拥堵区域、事故风险区域或安全隐患区域；
生成决策建议：基于风险评估结果，为交通参与者生成针对性的决策建议；
决策推送：将生成的决策建议实时推送至多角色接口，确保交通参与者能够即时接收并按照建议行动。
进一步的，所述实时决策辅助模块采用高速的数据通信协议从多角色接口实时接收数据交互包，保证数据传输的实时性和准确性。
本发明的有益效果：
本发明，多角色接口的设计确保了交通参与者可以根据自己的需求和使用习惯，选择最合适的方式来实时接收和查看信息，无论是通过车载显示屏、智能交通信号、移动应用还是可穿戴设备，交通参与者都可以获得清晰、直观的实时交通信息和预警，从而更好地适应和应对各种交通情况，不仅为公众带来了极大的便利，也为城市的交通管理和规划提供了有力的工具。
本发明，结合了实时决策辅助模块的技术方案，能够为各类交通参与者提供精确、及时的决策建议，无论是驾驶员、行人还是城市交通管理者，都可以根据系统提供的建议做出更加明智和安全的决策，特别是在复杂、多变的交通环境中，该系统通过深度学习为用户展示了交通流模型分析、风险评估和最佳路线推荐，提高了交通的流畅性和安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的系统运行逻辑示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，多角色实时数据交互及监督的交通运输安全系统，包括：
中央处理单元：用于整合、分析和分发来自各模块的数据；
多个传感器模块：与中央处理单元连接，实时捕获交通流量和环境信息，且该传感器模块输出交通环境数据至中央处理单元；
数据交互平台：与中央处理单元连接，实时处理和分析从传感器模块获取的数据，基于该数据生成数据交互包，数据交互平台还将处理后的数据包转发至中央处理单元；
多角色接口：多种交通参与者通过该接口实时交互数据并获得系统监督，该接口从中央处理单元接收数据并呈现给相应的交通参与者；
实时决策辅助模块：与中央处理单元连接，根据来自数据交互平台的处理后的数据，实时生成交通流动策略和安全建议，该实时决策辅助模块将生成的策略和建议提供给中央处理单元，并基于接收到的反馈进行持续优化；
其中，数据交互平台在接收到传感器模块的交通环境数据后，转化为适合多角色接口展示的数据格式，并同时提供给实时决策辅助模块用于生成策略和建议，该决策辅助模块再将这些策略和建议返回至中央处理单元，从而使中央处理单元根据这些建议决定将哪些数据推送至多角色接口；
此外，中央处理单元根据实时决策辅助模块提供的策略，决定对某些突发或高风险的交通情况采取急切干预，如立即向相关交通参与者发送预警或提醒；
通过以上的技术方案，实现了数据的实时获取、处理、决策及反馈，使得交通参与者能够得到更为实时和精确的交通安全建议，从而有效提高了交通安全性。
传感器模块包括车载传感器、路侧传感器、空中无人机传感器及行人检测摄像头；其中，
初始化传感器模块：启动车载传感器、路侧传感器、空中无人机传感器及行人检测摄像头，并将其与中央处理单元建立数据连接；
车载传感器捕获：通过车载传感器，实时捕获车辆的运动状态、速度、位置，并将该数据以预定频率传输至中央处理单元；
路侧传感器监测：利用路侧传感器，实时监测道路的表面状况、交通流量、近距离交通事故，并将所得数据实时传送至中央处理单元；
空中无人机传感器监视：通过空中无人机传感器，从高空角度捕捉交通状况，包括交通堵塞、车流速度、交通事故，并提供高清视频流，此外，使用无人机上的特定传感器(如红外传感器、光学雷达)进一步分析道路上的交通密度、交通流动性等信息，将分析得到的数据连同视频流实时回传至中央处理单元；
行人检测摄像头数据捕获：通过部署在关键交叉路口或人行横道上的行人检测摄像头，利用图像识别技术，实时监测行人的数量、移动速度、方向信息，并识别行人突发移动情况，如行人突然奔跑穿越马路等，这些数据随后被实时传送至中央处理单元；
数据整合与分析：中央处理单元接收来自各传感器模块的数据，对数据进行整合、处理和分析，得到完整的交通流量和环境信息。
行人突发移动情况的识别具体包括：
视频流输入：行人检测摄像头捕获的实时视频流输入至数据处理单元；
图像预处理：利用图像增强算法对输入的视频流进行亮度、对比度调整，确保在各种光照条件下能获得清晰的图像；
行人检测：应用目标检测算法，对视频帧进行实时分析，定位图像中的行人并对每个行人生成一个边界框；
行人跟踪：采用SORT算法，跟踪每个行人的动态位置，从而得到行人的移动轨迹；
速度和行为计算：基于连续帧之间行人位置的变化，计算行人的实时移动速度，结合行人移动轨迹，通过长短时记忆网络(LSTM)模型预测行人的后续动作，如行走、奔跑或停止；
突发情况判断：当系统检测到行人的移动速度突然增加至预定阈值，且该行人的方向指向马路或即将进入马路，将此判定为行人突发奔跑穿越马路的情况；
生成警报信号：确定行人的突发奔跑穿越马路情况，生成警报信号并传送至中央处理单元，以便进行必要的交通管理或向相关交通参与者发出预警；
此技术方案结合了目标检测、跟踪技术和深度学习方法，能够实时、准确地识别行人的突发奔跑穿越马路情况，从而提高交通安全性。
目标检测算法基于YOLOV3，且YOLOV3基于网络输出的边界框、类概率和对象性分数；具体如下，
边界框预测为：
bx＝σ(tx)+cx；
by＝σ(ty)+cy；
其中，
(bx，by)是预测的边界框的中心坐标；
(bw,bh)是预测的边界框的宽度和高度；
(cx，cy)是前一个边界框的左上角坐标；
(pw，ph)是前一个边界框的宽度和高度；
(tx，ty'tw，th)是网络的输出。
SORT基于卡尔曼滤波进行目标跟踪，公式如下：
xt+1|t＝Fxt；
Pt+1|t＝FPtFT+Q；
其中，
xt是目标在时间暏的状态；
F是状态转移模型；
Pt是协方差矩阵；
Q是噪声。
数据交互平台生成数据交互包具体包括：
接收数据：数据交互平台从各传感器模块实时接收数据，该数据包括车辆的运动状态、位置、速度、道路的表面状况、交通流量、交通事故视频流以及行人数量和行为信息；
数据预处理：对接收到的数据进行清洗，去除噪声，填补数据缺失，并对原始数据进行归一化处理以确保后续分析的一致性和准确性；
数据分析：基于聚类分析和决策树，对数据进行分类、识别与分析，确定交通流量的高峰时间段、交通拥堵区域、潜在的危险区域；
生成交互数据包：基于数据分析结果，将该结果信息转化为结构化的数据交互包，数据交互包包括：实时交通状况摘要：如交通流量、平均速度、交通拥堵等级等；安全警告：识别的交通事故、潜在的危险区域或即将发生的风险事件；特殊事件信息：如施工、道路封闭、大型活动等导致的交通变动信息；行人信息摘要：如某一区域行人的平均数量、行人的平均速度、行人集结区域等；
对生成的数据交互包进行加密和压缩处理，再将加密压缩后的数据交互包传输至中央处理单元，用于进一步的决策制定和信息展示；
上述方案提供了一种高效且准确的方式，使数据交互平台能够从各种传感器模块接收的大量原始数据中提取关键信息，生成易于传输和理解的数据交互包，从而为后续的决策和多角色实时监督提供了重要依据。
生成交互数据包具体如下：
定义交互数据结构：定义一个标准的JSON的数据模板作为数据交互包的结构和格式，JSON的数据模板包括交通摘要、流量、平均速度、拥堵等级、安全警报、特殊事件、行人信息、平均数量、平均速度、集结区域；
数据映射：将分析得到的数据结果映射到预定义的数据结构中，例如，如果分析结果显示当前交通流量为每小时500辆、平均速度为40km/h，则将这些值分别映射到JSON模板中的“流量”和“平均速度”字段；
处理特殊事件与安全警报：根据分析得到的特殊事件和安全警报，生成详细的描述或摘要，并添加到“安全警报”或“特殊事件”列表中；
填充行人信息：将分析得到的“行人信息”映射到行人信息部分，如平均行人数量、平均速度等；
数据验证：确保数据交互包中的所有数据都满足预定义的规范和格式，以确保其在传输和解析时的准确性；
序列化数据包：将填充好的数据结构转化为序列化格式，将JSON对象转化为字符串，以便于传输；
通过上述转化方法，数据交互平台能够将复杂的分析结果高效地转化为结构化的数据交互包，使其在后续的决策制定和信息展示中易于理解和处理。
多角色接口具体包括：
数据接收与发送：多角色接口持续监听来自交通参与者的数据输入，并实时将数据发送至数据交互平台进行处理和分析，同时，多角色接口从中央处理单元接收处理后的数据，并将该数据实时推送给相应的交通参与者；
实时监督展示：基于从中央处理单元接收到的数据，多角色接口为交通参与者提供实时的图形或文本监督信息，例如，为驾驶员显示周围交通状况、即将到来的交通事件或推荐的行驶路线；为行人显示最安全的过马路时间和路线；
交互功能：为交通参与者提供交互界面，允许在需要时提交请求、提供反馈或更改设置；
实时预警：当检测到对交通参与者产生危险的情况时，多角色接口会立即为相关交通参与者发出视觉和音频预警，确保及时反应；
该方法确保了多种交通参与者可以通过多角色接口与系统进行高效、准确的双向交互，并在实时监督下进行行驶，从而大大提高了交通安全性。
在多角色实时数据交互及监督的交通运输安全系统中，多角色接口展示给交通参与者的信息的方法，该方法具体包括以下手段：
车载显示屏：对于驾驶员和车辆乘客，使用车载显示屏展示实时交通状况、即将到来的交通事件、推荐的行驶路线以及其他相关信息，这些显示屏集成在车辆的中控台或仪表盘上，并以图形界面形式为驾驶员提供清晰、直观的信息；
智能交通信号：对于行人和骑行者，通过智能交通信号系统展示最安全的过马路时间、等待时间以及其他相关信息，这些信号可以与多角色接口同步，根据实时交通状况为行人提供最佳的通行建议；
移动应用：为行人、骑行者和驾驶员提供专门的移动应用，该应用能实时接收并展示来自多角色接口的数据和警告，应用可以在用户的智能手机或平板电脑上显示，使用户能够随时查看和交互；
声音提示：当系统检测到紧急情况或需要用户的即时关注时，通过车载扬声器、智能交通信号或移动应用发出音频预警，确保交通参与者能够及时获得警告并作出反应；
可穿戴设备：与智能手表、眼镜或其他可穿戴设备集成，为交通参与者提供更为直观和便捷的信息获取途径。例如，当行人接近危险区域时，智能手表可以震动以发出预警。
实时决策辅助模块具体包括：
接收交互数据包：实时决策辅助模块从多角色接口接收数据交互包，包括交通流量、交通事件、行人信息以及安全警报的实时数据；
数据解析：对接收到的数据交互包进行解析，将其转化为可供分析的数据结构，确保每个数据点的准确性和完整性；
交通流模型分析：利用深度学习建立交通流模型，根据历史数据和实时数据预测后续的交通流量和流向；
风险评估：对当前的交通状况和预测的未来状况进行风险评估，确定存在交通拥堵区域、事故风险区域或安全隐患区域；
生成决策建议：基于风险评估结果，为交通参与者生成针对性的决策建议，例如，为驾驶员推荐避开拥堵或风险区域的最佳行驶路线，为行人指明最安全的过马路路线，或为城市交通管理者提供实时的交通指导建议；
决策推送：将生成的决策建议实时推送至多角色接口，确保交通参与者能够即时接收并按照建议行动。
实时决策辅助模块采用高速的数据通信协议从多角色接口实时接收数据交互包，保证数据传输的实时性和准确性。
数据解析与预处理：
使用JSON或XML解析器解析数据结构；
采用滑动窗口技术，对近期的数据进行平均处理，消除数据中的短暂波动和噪声；
交通流模型分析：
使用长短时记忆网络(LSTM)对历史交通流量数据进行学习，预测未来一段时间内的交通流向和流量；
利用混合高斯模型(GMM)对交通流速进行聚类，识别出交通拥堵和流畅的路段；
风险评估：
结合决策树或随机森林算法，对交通数据中的每个属性(如交通流量、速度、行人数量等)进行权重分配，计算每个区域的风险指数；
使用卷积神经网络(CNN)对从多角色接口获取的交通视频流进行分析，实时检测交通事故和异常行为，进一步提高风险评估的准确性；
生成决策建议：
使用A寻路算法或Dijkstra算法，基于当前的交通状况为驾驶员计算最佳行驶路线；
对于行人，使用密度估计算法预测行人密度，并为其推荐低密度或低风险的过马路点；
对于城市交通管理者，结合上述所有分析结果，生成交通指导建议和预警信息；
决策推送：
使用推送技术，确保交通参与者可以实时接收到决策建议，并结合地理信息系统(GIS)为其展示推荐的路线和风险区域。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.多角色实时数据交互及监督的交通运输安全系统，其特征在于，包括：
中央处理单元：用于整合、分析和分发来自各模块的数据；
多个传感器模块：与所述中央处理单元连接，实时捕获交通流量和环境信息，且该传感器模块输出交通环境数据至中央处理单元；
数据交互平台：与中央处理单元连接，实时处理和分析从传感器模块获取的数据，基于该数据生成数据交互包，数据交互平台还将处理后的数据包转发至中央处理单元；
多角色接口：多种交通参与者通过该接口实时交互数据并获得系统监督，该接口从中央处理单元接收数据并呈现给相应的交通参与者；
实时决策辅助模块：与中央处理单元连接，根据来自数据交互平台的处理后的数据，实时生成交通流动策略和安全建议，该实时决策辅助模块将生成的策略和建议提供给中央处理单元，并基于接收到的反馈进行持续优化；
其中，所述数据交互平台在接收到传感器模块的交通环境数据后，转化为适合多角色接口展示的数据格式，并同时提供给实时决策辅助模块用于生成策略和建议，该决策辅助模块再将这些策略和建议返回至中央处理单元，从而使中央处理单元根据这些建议决定将哪些数据推送至多角色接口。
2.根据权利要求1所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述传感器模块包括车载传感器、路侧传感器、空中无人机传感器及行人检测摄像头；其中，
初始化传感器模块：启动车载传感器、路侧传感器、空中无人机传感器及行人检测摄像头，并将其与中央处理单元建立数据连接；
车载传感器捕获：通过车载传感器，实时捕获车辆的运动状态、速度、位置，并将该数据以预定频率传输至中央处理单元；
路侧传感器监测：利用路侧传感器，实时监测道路的表面状况、交通流量、近距离交通事故，并将所得数据实时传送至中央处理单元；
空中无人机传感器监视：通过空中无人机传感器，从高空角度捕捉交通状况，包括交通堵塞、车流速度、交通事故，并提供高清视频流；
行人检测摄像头数据捕获：通过部署在关键交叉路口或人行横道上的行人检测摄像头，利用图像识别技术，实时监测行人的数量、移动速度、方向信息，并识别行人突发移动情况；
数据整合与分析：中央处理单元接收来自各传感器模块的数据，对数据进行整合、处理和分析，得到完整的交通流量和环境信息。
3.根据权利要求2所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述行人突发移动情况的识别具体包括：
视频流输入：行人检测摄像头捕获的实时视频流输入至数据处理单元；
图像预处理：利用图像增强算法对输入的视频流进行亮度、对比度调整，确保在各种光照条件下能获得清晰的图像；
行人检测：应用目标检测算法，对视频帧进行实时分析，定位图像中的行人并对每个行人生成一个边界框；
行人跟踪：采用SORT算法，跟踪每个行人的动态位置，从而得到行人的移动轨迹；
速度和行为计算：基于连续帧之间行人位置的变化，计算行人的实时移动速度，结合行人移动轨迹，通过长短时记忆网络模型预测行人的后续动作；
突发情况判断：当系统检测到行人的移动速度突然增加至预定阈值，且该行人的方向指向马路或即将进入马路，将此判定为行人突发奔跑穿越马路的情况；
生成警报信号：确定行人的突发奔跑穿越马路情况，生成警报信号并传送至中央处理单元。
4.根据权利要求3所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述目标检测算法基于YOLOV3，且YOLOV3基于网络输出的边界框、类概率和对象性分数；具体如下，
边界框预测为：
bx＝σ(tx)+cx；
by＝σ(ty)+cy；
其中，
(bx，by)是预测的边界框的中心坐标；
(bw,bh)是预测的边界框的宽度和高度；
(cx，cy)是前一个边界框的左上角坐标；
(pw，ph)是前一个边界框的宽度和高度；
(tx，ty，tw，th)是网络的输出。
5.根据权利要求4所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述SORT基于卡尔曼滤波进行目标跟踪，公式如下：
xt+1|t＝Fxt；
Pt+1|t＝FPtFT+Q；
其中，
xt是目标在时间睹的状态；
F是状态转移模型；
Pt是协方差矩阵；
Q是噪声。
6.根据权利要求5所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述数据交互平台生成数据交互包具体包括：
接收数据：数据交互平台从各传感器模块实时接收数据，该数据包括车辆的运动状态、位置、速度、道路的表面状况、交通流量、交通事故视频流以及行人数量和行为信息；
数据预处理：对接收到的数据进行清洗，去除噪声，填补数据缺失，并对原始数据进行归一化处理；
数据分析：基于聚类分析和决策树，对数据进行分类、识别与分析，确定交通流量的高峰时间段、交通拥堵区域、潜在的危险区域；
生成交互数据包：基于数据分析结果，将该结果信息转化为结构化的数据交互包，所述数据交互包包括：实时交通状况摘要；安全警告；特殊事件信息；行人信息摘要；
对生成的数据交互包进行加密和压缩处理，再将加密压缩后的数据交互包传输至中央处理单元，用于进一步的决策制定和信息展示。
7.根据权利要求6所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述生成交互数据包具体如下：
定义交互数据结构：定义一个标准的JSON的数据模板作为数据交互包的结构和格式，所述JSON的数据模板包括交通摘要、流量、平均速度、拥堵等级、安全警报、特殊事件、行人信息、平均数量、平均速度、集结区域；
数据映射：将分析得到的数据结果映射到预定义的数据结构中；
处理特殊事件与安全警报：根据分析得到的特殊事件和安全警报，生成详细的描述或摘要，并添加到“安全警报”或“特殊事件”列表中；
填充行人信息：将分析得到的“行人信息”映射到行人信息部分；
数据验证：确保数据交互包中的所有数据都满足预定义的规范和格式，以确保其在传输和解析时的准确性；
序列化数据包：将填充好的数据结构转化为序列化格式，将JSON对象转化为字符串，以便于传输。
8.根据权利要求7所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述多角色接口具体包括：
数据接收与发送：多角色接口持续监听来自交通参与者的数据输入，并实时将数据发送至数据交互平台进行处理和分析，同时，多角色接口从中央处理单元接收处理后的数据，并将该数据实时推送给相应的交通参与者；
实时监督展示：基于从中央处理单元接收到的数据，多角色接口为交通参与者提供实时的图形或文本监督信息；
交互功能：为交通参与者提供交互界面，允许在需要时提交请求、提供反馈或更改设置；
实时预警：当检测到对交通参与者产生危险的情况时，多角色接口会立即为相关交通参与者发出视觉和音频预警，确保及时反应。
9.根据权利要求8所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述实时决策辅助模块具体包括：
接收交互数据包：实时决策辅助模块从多角色接口接收数据交互包，包括交通流量、交通事件、行人信息以及安全警报的实时数据；
数据解析：对接收到的数据交互包进行解析，将其转化为可供分析的数据结构，确保每个数据点的准确性和完整性；
交通流模型分析：利用深度学习建立交通流模型，根据历史数据和实时数据预测后续的交通流量和流向；
风险评估：对当前的交通状况和预测的未来状况进行风险评估，确定存在交通拥堵区域、事故风险区域或安全隐患区域；
生成决策建议：基于风险评估结果，为交通参与者生成针对性的决策建议；
决策推送：将生成的决策建议实时推送至多角色接口，确保交通参与者能够即时接收并按照建议行动。
10.根据权利要求9所述的多角色实时数据交互及监督的交通运输安全系统，其特征在于，所述实时决策辅助模块采用高速的数据通信协议从多角色接口实时接收数据交互包，保证数据传输的实时性和准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310691.0A CN117336357A (zh) | 2023-10-11 | 2023-10-11 | 多角色实时数据交互及监督的交通运输安全系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310691.0A CN117336357A (zh) | 2023-10-11 | 2023-10-11 | 多角色实时数据交互及监督的交通运输安全系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117336357A true CN117336357A (zh) | 2024-01-02 |
Family
ID=89289965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311310691.0A Pending CN117336357A (zh) | 2023-10-11 | 2023-10-11 | 多角色实时数据交互及监督的交通运输安全系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117336357A (zh) |
-
2023
- 2023-10-11 CN CN202311310691.0A patent/CN117336357A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
| CN112634611B (zh) | 用于识别路况的方法、装置、设备以及存储介质 | |
| EP2876620A1 (en) | Driving assistance system and driving assistance method | |
| AU2020101738A4 (en) | Automated real-time driving behavioural modelling analysis and reporting in denser traffic using data mining | |
| Bouhsissin et al. | Driver behavior classification: a systematic literature review | |
| KR101498582B1 (ko) | 교통사고 데이터 제공 시스템 및 방법 | |
| CN117275235A (zh) | 一种车辆监控方法及系统 | |
| CN111985373A (zh) | 基于交通路口识别的安全预警方法、装置及电子设备 | |
| CN114648748A (zh) | 一种基于深度学习的机动车违停智能识别方法及系统 | |
| Staino et al. | Real-time detection and recognition of railway traffic signals using deep learning | |
| Paredes et al. | Intelligent collision risk detection in medium-sized cities of developing countries, using naturalistic driving: A review | |
| CN117274868A (zh) | 一种基于大模型对视频进行交通事件识别方法及系统 | |
| Deliali et al. | A framework for mode classification in multimodal environments using radar-based sensors | |
| Thevendran et al. | Deep Learning & Computer Vision for IoT based Intelligent Driver Assistant System | |
| CN116563801A (zh) | 交通事故检测方法、装置、电子设备和介质 | |
| CN117336357A (zh) | 多角色实时数据交互及监督的交通运输安全系统 | |
| CN113609956B (zh) | 训练方法、识别方法、装置、电子设备以及存储介质 | |
| CN110956072B (zh) | 一种基于大数据分析的驾驶技能培训方法 | |
| Dao et al. | MM-TrafficRisk: A Video-based Fleet Management Application for Traffic Risk Prediction, Prevention, and Querying | |
| Zong et al. | Using UAVs for vehicle tracking and collision risk assessment at intersections | |
| Das et al. | Vehicular Propagation Velocity Forecasting Using Open CV | |
| Kumar et al. | Aerial Imaging Rescue and Integrated System for Road Monitoring Based on AI/ML | |
| CN117591847B (zh) | 基于车况数据的模型指向评测方法和装置 | |
| Huang et al. | Driving safety prediction and safe route mapping using in-vehicle and roadside data | |
| Uchiyama et al. | Risky Traffic Situation Detection and Classification Using Smartphones |
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 |