CN117351702A - 一种基于车流量进行调节的智慧交通管理方法 - Google Patents
一种基于车流量进行调节的智慧交通管理方法 Download PDFInfo
- Publication number
- CN117351702A CN117351702A CN202311191792.0A CN202311191792A CN117351702A CN 117351702 A CN117351702 A CN 117351702A CN 202311191792 A CN202311191792 A CN 202311191792A CN 117351702 A CN117351702 A CN 117351702A
- Authority
- CN
- China
- Prior art keywords
- traffic
- data
- traffic flow
- model
- loss
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 25
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 238000005311 autocorrelation function Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000013112 stability test Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000006399 behavior Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 230000008520 organization Effects 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 3
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G08G1/0137—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
- G08G1/0104—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
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于车流量进行调节的智慧交通管理方法,涉及交通管理技术领域,本发明采用YOLOv3目标检测和MaskR‑CNN图像分割对交通图像中的行人、自行车和非机动车多种交通参与者进行精确检测和分割,为综合交通系统提供多模式交通信息,同时基于ARIMA模型的时间序列分析方法根据历史交通流量数据,预测未来交通流量的变化趋势,通过预测交通流量方便提前做好交通组织和调度安排,避免交通拥堵和资源浪费,在交通流量上做出优化,利用支持向量机SVM机器学习算法,结合历史交通流量数据和其他相关因素,更准确地预测未来的交通流量,更好地协调不同交通模式之间的互动,优化交通组织和资源分配,从而减少交通拥堵,改善交通流动性。
Description
技术领域
本发明涉及交通管理技术领域,具体为一种基于车流量进行调节的智慧交通管理方法。
背景技术
交通管理是对交通流量和交通行为进行规划、组织和监督的过程,旨在确保交通安全、提高交通效率,并促进城市发展和社会稳定。
目前较多采用的是基于车流量进行调节的交通管理方法,其主要侧重点在于根据实时的车辆流量情况来采取相应的措施,以优化交通流动性、减少拥堵、提高交通效率,交通管理方法一般包括:交通信号灯优化,根据不同时间段的车流量情况,调整交通信号灯的定时周期,使交叉口的交通流动更加顺畅;动态车道控制:在高峰时段通过动态调整车道数量来适应车流量的变化,可以在高峰时刻增加车道数,而在低峰时刻减少车道数;动态导向标志:根据交通流量情况,在路口或高速公路上设置动态导向标志,引导车辆选择最佳路线,避免拥堵;车流量监测系统:部署车流量监测系统,实时监测交通流量,帮助交通管理人员及时了解道路拥堵情况,做出相应调整;动态车道交通管制:在高峰时段采用动态车道交通管制措施,例如快慢车道交替开放,以优化车流分布;交通管理应急响应:在突发事件或交通事故发生时,及时采取交通管制措施,疏导交通,避免交通阻塞进一步加重。
然而传统交通管理方法缺乏多模式交通一体化的监控分析,导致交通系统效率较低且缺乏灵活性,同时无法有效协调不同交通模式的运行,交通流动性较差,交通拥堵现象普遍,因此亟需一种够可以将多种交通流量同时进行参考的智慧交通管理方法来解决此类问题。
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车流量进行调节的智慧交通管理方法,解决现有技术中存在的缺乏多模式交通一体化的监控分析,导致交通系统效率较低且缺乏灵活性,无法有效协调不同交通模式的运行的问题。
(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,本发明提供了一种基于车流量进行调节的智慧交通管理方法,其特征在于,包括以下步骤:
交通数据采集设施的完善,在城市道路和交通枢纽设置交通数据采集设施,交通数据采集设施包括传感器、摄像头和智能监测系统,交通数据采集设施实时监测车辆、自行车、非机动车和行人交通参与者的数量、速度和行为,并将采集到的数据传输到数据处理中心;
数据识别与分类,设置数据处理中心,通过数据处理中心利用计算机视觉和图像处理技术,对采集到的交通监测数据进行识别和分类,通过目标检测算法,将行人、自行车和非机动车目标从图像中提取出来,并对其进行分类;
特征提取,对数据识别与分类步骤中提取出来的交通参与者图像区域进行特征提取;
目标分类,采用卷积神经网络将YOLOv3目标检测步骤中每个被标注的像素按照行人、自行车、非机动车进行分类,并将MaskR-CNN图像分割提取后的特征进行目标分类;
数据整合与分析,将目标分类后的不同交通模式的数据进行整合,形成全面的交通数据集,利用数据分析和人工智能技术,对这些数据进行实时处理和分析,获取交通拥堵点、高峰时段、流量瓶颈信息;
交通流量预测,使用基于ARIMA模型的时间序列分析方法根据历史数据来预测未来交通流量的变化趋势,并利用支持向量机SVM的机器学习算法根据历史数据和其他相关因素来预测交通流量。
本发明进一步地设置为:所述数据识别与分类步骤采用YOLOv3目标检测来检测图像中的交通参与者;
采用MaskR-CNN图像分割法将目标从图像中提取出来;
本发明进一步地设置为:所述YOLOv3目标检测步骤包括:
准备图像训练集,并将交通数据采集设施所采集的交通图像数据集进行像素级标注,同时标注每个目标的位置框和类别标签;
设每个网格单元有n个预测框,每个框包含5个定位参数(tx,ty,tw,th),使用均方差损失MSE计算实际位置和预测位置之间的误差;
设有m个类别,每个预测框的类别概率由一个长度为m的向量(mi)表示,使用交叉熵损失计算实际类别标签和预测类别概率之间的误差;
损失函数:
L=λco*Lco+λno*Lno+Lcl+λob*Lob,其中Lco是定位损失,Lno是无目标性损失,Lcl是分类损失,Lob是目标性损失,λco、λno、λob是调整不同损失项权重的超参数;
使用准备好的图像训练集对模型进行训练,通过最小化损失函数,优化模型参数;
对新的交通图像进行目标检测,通过模型的检测结果得到交通参与者的位置和类别信息;
本发明进一步地设置为:所述MaskR-CNN图像分割步骤包括:
采用ResNet-FPN作为主干网络;
设图像中有L个目标实例,每个目标实例由一个二值掩模表示,掩模分割损失使用二进制交叉熵损失来计算实际掩模和预测掩模之间的误差;
损失函数:
Lm=-∑i log(pi),其中pi是生成掩模的像素预测概率,计算为每个像素的前景-背景交叉熵损失;
本发明进一步地设置为:所述交通流量预测步骤中,ARIMA模型建立步骤包括:
采用ADF检验法对历史交通流量数据进行平稳性检验,当所检测数据不平稳时,进行差分运算,直到得到平稳时间序列;
对差分后的平稳时间序列绘制自相关函数ACF和偏自相关函数PAC图;
观察ACF和PACF图的截尾点,确定ARIMA模型的p自回归阶数和q移动平均阶数;
根据确定的p和q,建立ARIMA模型,ARIMA(p,d,q)模型中,p为自回归阶数,d为差分阶数,q为移动平均阶数;
使用历史交通流量数据,拟合ARIMA模型,得到模型的系数和误差项;
基于平稳性检验中进行的差分运算,对预测结果进行逆差分还原,得到未来交通流量的预测值;
本发明进一步地设置为:所述ARIMA模型公式:
θqBq)Zt,其中Xt为差分后的平稳时间序列,B为滞后算子即BXt=Xt-1,Zt为白噪声,和θ1,θ2,...θq是ARIMA模型系数;
本发明进一步地设置为:所述采用SVM建立交通流量与其他相关因素之间的回归模型具体步骤为:
回归建模步骤中的其他相关因素包括时间、天气、节假日,收集历史交通流量数据和其他相关因素的数据;
将数据划分为训练集和测试集,通常采用80%的数据作为训练集,20%的数据作为测试集;
将时间和节假日分别拆分成小时和天数进行编码,将天气因素,按照温度、降水量进行编码;
采用Z-scoreScaling标准化缩放法对特征进行缩放;
建立基于SVM的交通流量回归模型,通过寻找最优的超平面,将特征空间中的数据点划分成两类,用于回归问题时,目标是最小化预测值与真实值之间的误差;
使用训练集数据对SVM模型进行训练,学习模型的权重和偏置;
采用RMSE均方根误差测量法使用测试集数据对训练好的SVM模型进行评估;
利用训练好的SVM模型,输入未来的其他相关因素数据,进行未来交通流量的预测;
得到预测值后,根据需要进行逆缩放处理,得到最终的交通流量预测结果;
SVM模型的回归形式表示:
其中,f(x)是预测的交通流量,xi是特征向量中的第i个特征,wi是对应的权重,b是偏置项。
(三)有益效果
本发明提供了一种基于车流量进行调节的智慧交通管理方法。具备以下有益效果:
本发明所提供的基于车流量进行调节的智慧交通管理方法将公共交通、自行车、步行多种交通流量有机地融合在一起,形成高效的综合交通系统时,采用YOLOv3目标检测和Mask R-CNN图像分割以及基于ARIMA模型和支持向量机SVM的数据分析方法将发挥重要作用,具体的:
采用YOLOv3目标检测和Mask R-CNN图像分割对交通图像中的行人、自行车和非机动车多种交通参与者进行精确检测和分割,为综合交通系统提供多模式交通信息,更好地了解不同交通方式的分布和流量,同时基于ARIMA模型的时间序列分析方法根据历史交通流量数据,预测未来交通流量的变化趋势,通过预测交通流量方便提前做好交通组织和调度安排,避免交通拥堵和资源浪费。
此外在交通流量上做出优化,利用支持向量机SVM机器学习算法,结合历史交通流量数据和其他相关因素,更准确地预测未来的交通流量,更好地协调不同交通模式之间的互动,优化交通组织和资源分配,从而减少交通拥堵,改善交通流动性。
解决了现有技术中存在的缺乏多模式交通一体化的监控分析,导致交通系统效率较低且缺乏灵活性,无法有效协调不同交通模式的运行的问题。
附图说明
图1为本发明的基于车流量进行调节的智慧交通管理方法流程图。
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、完整的描述,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。
实施例
请参阅图1,本发明提供一种基于车流量进行调节的智慧交通管理方法,包括如下步骤:
S1、交通数据采集设施的完善,在城市道路和交通枢纽设置交通数据采集设施,交通数据采集设施包括传感器、摄像头和智能监测系统,交通数据采集设施实时监测车辆、自行车、非机动车和行人交通参与者的数量、速度和行为,并将采集到的数据传输到数据处理中心,以获取全面的交通流量数据;
S2、数据识别与分类,设置数据处理中心,通过数据处理中心利用计算机视觉和图像处理技术,对采集到的交通监测数据进行识别和分类,通过目标检测算法,将行人、自行车和非机动车目标从图像中提取出来,并对其进行分类;
数据识别与分类步骤采用YOLOv3目标检测来检测图像中的交通参与者;
采用Mask R-CNN图像分割法将目标从图像中提取出来;
YOLOv3目标检测步骤包括:
准备图像训练集,并将交通数据采集设施所采集的交通图像数据集进行像素级标注,同时标注每个目标的位置框和类别标签;
采用Darknet-53作为主干网络,从输入图像中提取特征,检测头负责生成预测框和预测类别;
设每个网格单元有n个预测框,每个框包含5个定位参数(tx,ty,tw,th),使用均方差损失MSE计算实际位置和预测位置之间的误差;
设有m个类别,每个预测框的类别概率由一个长度为m的向量(mi)表示,使用交叉熵损失计算实际类别标签和预测类别概率之间的误差;
损失函数:
L=λco*Lco+λno*Lno+Lcl+λob*Lob,其中Lco是定位损失,Lno是无目标性损失,Lcl是分类损失,Lob是目标性损失,λco、λno、λob是调整不同损失项权重的超参数;
使用准备好的图像训练集对模型进行训练,通过最小化损失函数,优化模型参数;
对新的交通图像进行目标检测,通过模型的检测结果得到交通参与者的位置和类别信息;
Mask R-CNN图像分割步骤包括:
采用ResNet-FPN作为主干网络,该主干网络在检测头的基础上增加了一个分割分支,该分支由卷积层和上采样层组成,用于生成目标实例的像素级掩模;
设图像中有L个目标实例,每个目标实例由一个二值掩模表示,掩模分割损失使用二进制交叉熵损失来计算实际掩模和预测掩模之间的误差;
损失函数:
Lm=-∑i log(pi),其中pi是生成掩模的像素预测概率,计算为每个像素的前景-背景交叉熵损失;
从而实现对新的交通图像进行图像分割,通过模型的预测结果将交通参与者从背景中分离出来,并提取其区域;
S3、特征提取,对数据识别与分类步骤中提取出来的交通参与者图像区域进行特征提取,选用传统图像处理方法提取色彩、纹理、形状特征、卷积神经网络CNN自动学习特征;
S4、目标分类,采用卷积神经网络将YOLOv3目标检测步骤中每个被标注的像素按照行人、自行车、非机动车进行分类,并将Mask R-CNN图像分割提取后的特征进行目标分类;从而对行人、自行车和非机动车参与者进行分类,并标识其类别;
S5、数据整合与分析,将目标分类后的不同交通模式的数据进行整合,形成全面的交通数据集,利用数据分析和人工智能技术,对这些数据进行实时处理和分析,获取交通拥堵点、高峰时段、流量瓶颈信息;
S6、交通流量预测,使用基于ARIMA模型的时间序列分析方法根据历史数据来预测未来交通流量的变化趋势,并利用支持向量机SVM的机器学习算法根据历史数据和其他相关因素来预测交通流量;
ARIMA适用于具有自回归和移动平均特性的数据,故此处选择ARIMA模型;
ARIMA模型建立步骤包括:
采用ADF检验法对历史交通流量数据进行平稳性检验,当所检测数据不平稳时,进行差分运算,直到得到平稳时间序列;
对差分后的平稳时间序列绘制自相关函数ACF和偏自相关函数PAC图;
观察ACF和PACF图的截尾点,确定ARIMA模型的p自回归阶数和q移动平均阶数;
根据确定的p和q,建立ARIMA模型,ARIMA(p,d,q)模型中,p为自回归阶数,d为差分阶数,q为移动平均阶数;
使用历史交通流量数据,拟合ARIMA模型,得到模型的系数和误差项;
基于平稳性检验中进行的差分运算,对预测结果进行逆差分还原,得到未来交通流量的预测值;
预测结果包含一个预测值和其置信区间,可以使用预测误差来计算置信区间,使用ARIMA模型的拟合残差进行估计,以此来根据拟合好的ARIMA模型和置信区间,进行未来交通流量的预测;
ARIMA模型公式:
其中Xt为差分后的平稳时间序列,B为滞后算子即BXt=Xt-1,Zt为白噪声,和θ1,θ2,...θq是ARIMA模型系数;
采用SVM建立交通流量与其他相关因素之间的回归模型具体步骤为:
回归建模步骤中的其他相关因素包括时间、天气、节假日,收集历史交通流量数据和其他相关因素的数据;
将数据划分为训练集和测试集,通常采用80%的数据作为训练集,20%的数据作为测试集;
将时间和节假日分别拆分成小时和天数进行编码,将天气因素,按照温度、降水量进行编码;
采用Z-score Scaling标准化缩放法对特征进行缩放;
建立基于SVM的交通流量回归模型,通过寻找最优的超平面,将特征空间中的数据点划分成两类,用于回归问题时,目标是最小化预测值与真实值之间的误差;
使用训练集数据对SVM模型进行训练,学习模型的权重和偏置;
采用RMSE均方根误差测量法使用测试集数据对训练好的SVM模型进行评估;
利用训练好的SVM模型,输入未来的其他相关因素数据,进行未来交通流量的预测;
得到预测值后,根据需要进行逆缩放处理,得到最终的交通流量预测结果;
SVM模型的回归形式表示:
其中,f(x)是预测的交通流量,xi是特征向量中的第i个特征,wi是对应的权重,b是偏置项;在训练过程中,SVM算法寻找最优的wi和b,使得预测值与真实值之间的误差最小化。
综合以上内容,在本申请中:
本发明所提供的基于车流量进行调节的智慧交通管理方法将公共交通、自行车、步行多种交通流量有机地融合在一起,形成高效的综合交通系统时,采用YOLOv3目标检测和Mask R-CNN图像分割以及基于ARIMA模型和支持向量机SVM的数据分析方法将发挥重要作用,具体的:
采用YOLOv3目标检测和Mask R-CNN图像分割对交通图像中的行人、自行车和非机动车多种交通参与者进行精确检测和分割,为综合交通系统提供多模式交通信息,更好地了解不同交通方式的分布和流量,同时基于ARIMA模型的时间序列分析方法根据历史交通流量数据,预测未来交通流量的变化趋势,通过预测交通流量方便提前做好交通组织和调度安排,避免交通拥堵和资源浪费。
此外在交通流量上做出优化,利用支持向量机SVM机器学习算法,结合历史交通流量数据和其他相关因素,更准确地预测未来的交通流量,更好地协调不同交通模式之间的互动,优化交通组织和资源分配,从而减少交通拥堵,改善交通流动性。
在本发明的实施例的描述中,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 (7)
1.一种基于车流量进行调节的智慧交通管理方法,其特征在于,包括以下步骤:
交通数据采集设施的完善,在城市道路和交通枢纽设置交通数据采集设施,交通数据采集设施包括传感器、摄像头和智能监测系统,交通数据采集设施实时监测车辆、自行车、非机动车和行人交通参与者的数量、速度和行为,并将采集到的数据传输到数据处理中心;
数据识别与分类,设置数据处理中心,通过数据处理中心利用计算机视觉和图像处理技术,对采集到的交通监测数据进行识别和分类,通过目标检测算法,将行人、自行车和非机动车目标从图像中提取出来,并对其进行分类;
特征提取,对数据识别与分类步骤中提取出来的交通参与者图像区域进行特征提取;
目标分类,采用卷积神经网络将YOLOv3目标检测步骤中每个被标注的像素按照行人、自行车、非机动车进行分类,并将MaskR-CNN图像分割提取后的特征进行目标分类;
数据整合与分析,将目标分类后的不同交通模式的数据进行整合,形成全面的交通数据集,利用数据分析和人工智能技术,对这些数据进行实时处理和分析,获取交通拥堵点、高峰时段、流量瓶颈信息;
交通流量预测,使用基于ARIMA模型的时间序列分析方法根据历史数据来预测未来交通流量的变化趋势,并利用支持向量机SVM的机器学习算法根据历史数据和其他相关因素来预测交通流量。
2.根据权利要求1所述的一种基于车流量进行调节的智慧交通管理方法,其特征在于,
所述数据识别与分类步骤采用YOLOv3目标检测来检测图像中的交通参与者;
采用MaskR-CNN图像分割法将目标从图像中提取出来。
3.根据权利要求2所述的一种基于车流量进行调节的智慧交通管理方法,其特征在于,所述YOLOv3目标检测步骤包括:
准备图像训练集,并将交通数据采集设施所采集的交通图像数据集进行像素级标注,同时标注每个目标的位置框和类别标签;
设每个网格单元有n个预测框,每个框包含5个定位参数(tx,ty,tw,th),使用均方差损失MSE计算实际位置和预测位置之间的误差;
设有m个类别,每个预测框的类别概率由一个长度为m的向量(mi)表示,使用交叉熵损失计算实际类别标签和预测类别概率之间的误差;
损失函数:
L=λco*Lco+λno*Lno+Lcl+λob*Lob,其中Lco是定位损失,Lno是无目标性损失,Lcl是分类损失,Lob是目标性损失,λco、λno、λob是调整不同损失项权重的超参数;
使用准备好的图像训练集对模型进行训练,通过最小化损失函数,优化模型参数;
对新的交通图像进行目标检测,通过模型的检测结果得到交通参与者的位置和类别信息。
4.根据权利要求2所述的一种基于车流量进行调节的智慧交通管理方法,其特征在于,所述MaskR-CNN图像分割步骤包括:
采用ResNet-FPN作为主干网络;
设图像中有L个目标实例,每个目标实例由一个二值掩模表示,掩模分割损失使用二进制交叉熵损失来计算实际掩模和预测掩模之间的误差;
损失函数:
Lm=-∑i log(pi),其中pi是生成掩模的像素预测概率,计算为每个像素的前景-背景交叉熵损失。
5.根据权利要求1所述的一种基于车流量进行调节的智慧交通管理方法,其特征在于,所述交通流量预测步骤中,ARIMA模型建立步骤包括:
采用ADF检验法对历史交通流量数据进行平稳性检验,当所检测数据不平稳时,进行差分运算,直到得到平稳时间序列;
对差分后的平稳时间序列绘制自相关函数ACF和偏自相关函数PAC图;
观察ACF和PACF图的截尾点,确定ARIMA模型的p自回归阶数和q移动平均阶数;
根据确定的p和q,建立ARIMA模型,ARIMA(p,d,q)模型中,p为自回归阶数,d为差分阶数,q为移动平均阶数;
使用历史交通流量数据,拟合ARIMA模型,得到模型的系数和误差项;
基于平稳性检验中进行的差分运算,对预测结果进行逆差分还原,得到未来交通流量的预测值。
6.根据权利要求5所述的一种基于车流量进行调节的智慧交通管理方法,其特征在于,所述ARIMA模型公式:
其中Xt为差分后的平稳时间序列,B为滞后算子即BXt=Xt-1,Zt为白噪声,和θ1,θ2,...θq是ARIMA模型系数。
7.根据权利要求1所述的一种基于车流量进行调节的智慧交通管理方法,其特征在于,所述采用SVM建立交通流量与其他相关因素之间的回归模型具体步骤为:
回归建模步骤中的其他相关因素包括时间、天气、节假日,收集历史交通流量数据和其他相关因素的数据;
将数据划分为训练集和测试集,通常采用80%的数据作为训练集,20%的数据作为测试集;
将时间和节假日分别拆分成小时和天数进行编码,将天气因素,按照温度、降水量进行编码;
采用Z-scoreScaling标准化缩放法对特征进行缩放;
建立基于SVM的交通流量回归模型,通过寻找最优的超平面,将特征空间中的数据点划分成两类,用于回归问题时,目标是最小化预测值与真实值之间的误差;
使用训练集数据对SVM模型进行训练,学习模型的权重和偏置;
采用RMSE均方根误差测量法使用测试集数据对训练好的SVM模型进行评估;
利用训练好的SVM模型,输入未来的其他相关因素数据,进行未来交通流量的预测;
得到预测值后,根据需要进行逆缩放处理,得到最终的交通流量预测结果;
SVM模型的回归形式表示:
其中,f(x)是预测的交通流量,xi是特征向量中的第i个特征,wi是对应的权重,b是偏置项。/>
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191792.0A CN117351702A (zh) | 2023-09-15 | 2023-09-15 | 一种基于车流量进行调节的智慧交通管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311191792.0A CN117351702A (zh) | 2023-09-15 | 2023-09-15 | 一种基于车流量进行调节的智慧交通管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117351702A true CN117351702A (zh) | 2024-01-05 |
Family
ID=89364063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311191792.0A Pending CN117351702A (zh) | 2023-09-15 | 2023-09-15 | 一种基于车流量进行调节的智慧交通管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117351702A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
CN117666462B (zh) * | 2024-01-31 | 2024-05-17 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
-
2023
- 2023-09-15 CN CN202311191792.0A patent/CN117351702A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
CN117666462B (zh) * | 2024-01-31 | 2024-05-17 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109147331B (zh) | 一种基于计算机视觉的道路拥堵状态检测方法 | |
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN111368687B (zh) | 一种基于目标检测和语义分割的人行道车辆违停检测方法 | |
CN111027430B (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
CN106228808B (zh) | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 | |
CN104156734A (zh) | 一种基于随机蕨分类器的全自主在线学习方法 | |
CN110400462B (zh) | 基于模糊理论的轨道交通客流监测预警方法及其系统 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
CN113780200A (zh) | 基于计算机视觉的路面多种病害面积检测及定位方法 | |
CN113903008A (zh) | 基于深度学习和轨迹跟踪的匝道出口车辆违法识别方法 | |
CN116434159A (zh) | 一种基于改进YOLO V7和Deep-Sort的交通流量统计方法 | |
CN112818935B (zh) | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 | |
CN103605960A (zh) | 一种基于不同焦距视频图像融合的交通状态识别方法 | |
CN116167625B (zh) | 一种基于深度学习的踩踏风险评估方法 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN113392817A (zh) | 一种基于多列卷积神经网络的车辆密度估计的方法及装置 | |
CN105719313B (zh) | 一种基于智能实时视频云的运动目标跟踪方法 | |
CN110765900A (zh) | 一种基于dssd的自动检测违章建筑方法及系统 | |
CN117351702A (zh) | 一种基于车流量进行调节的智慧交通管理方法 | |
CN114782915B (zh) | 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
CN115565388A (zh) | 基于多通道车辆检测与立体特征标注的交通灯控制方法 | |
CN115063684A (zh) | 一种基于遥感影像场景划分的农机轨迹识别方法及其应用方法 | |
Robinet et al. | Leveraging privileged information to limit distraction in end-to-end lane following | |
CN110909670A (zh) | 一种非结构化道路识别方法 |
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 |