CN117409576B - 基于神经网络的公路沿线灾害天空地一体化监测系统 - Google Patents
基于神经网络的公路沿线灾害天空地一体化监测系统 Download PDFInfo
- Publication number
- CN117409576B CN117409576B CN202311271446.3A CN202311271446A CN117409576B CN 117409576 B CN117409576 B CN 117409576B CN 202311271446 A CN202311271446 A CN 202311271446A CN 117409576 B CN117409576 B CN 117409576B
- Authority
- CN
- China
- Prior art keywords
- traffic
- highway
- road
- data
- module
- 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.)
- Active
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 239000000126 substance Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000008033 biological extinction Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000007726 management method Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000000034 method Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了基于神经网络的公路沿线灾害天空地一体化监测系统，涉及公路监测技术领域，监测模块实时监测公路区域的天气数据、交通数据以及环境数据，公路评估模块综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量，决策模块依据评估结果判断公路是否支持通行，并通过判断结果制定相应决策，决策信息发送至显示模块以及用户端。该监测系统能够综合分析与公路通行质量相关的天空地多源数据，从而评估公路的通行质量，并进行决策支持，不仅分析更为全面，便于公路管理员对公路进行管理，而且有效提高公路通行的稳定性和安全性。
Description
技术领域
本发明涉及公路监测技术领域，具体涉及基于神经网络的公路沿线灾害天空地一体化监测系统。
背景技术
公路是人们生活和经济活动的重要组成部分，它们用于运输货物、通勤、旅行和紧急救援等多种目的，因此，保持公路网络的畅通和安全对社会经济至关重要，气候变化导致了更频繁和更严重的自然灾害，如极端降雨、洪水、风暴等，这些灾害可能对公路网络造成严重破坏，影响人们的生活和商业活动，因此，监测这些灾害的发生和发展对及时采取措施至关重要，公路沿线灾害监测系统是一种关键的基础设施，旨在监测和管理公路网络上发生的各种灾害。
现有技术存在以下不足：
现有的监测系统通常仅是在公路上出现灾害时进行监测和警示，然而，在实际情况中，公路的通行质量受各种因素影响，监测系统无法综合评估公路的通信质量并进行预警，使得公路管理人员无法提前做出决策和管理，使得公路通行的安全性和稳定性得不到保障。
发明内容
本发明的目的是提供基于神经网络的公路沿线灾害天空地一体化监测系统，以解决背景技术中不足。
为了实现上述目的，本发明提供如下技术方案：基于神经网络的公路沿线灾害天空地一体化监测系统，包括监测模块、公路评估模块、决策模块、神经网络模块、预警模块以及显示模块：
监测模块：用于实时监测公路区域的天气数据、交通数据以及环境数据，并对天气数据、交通数据以及环境数据进行预处理；
公路评估模块：综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量；
决策模块：依据评估结果判断公路是否支持通行，并通过判断结果制定相应决策；
神经网络模块：基于神经网络技术分析天气数据和环境数据后，对公路进行灾害预测：
预警模块：当预测公路未来会发生灾害时，预警模块向公路管理人员以及显示模块发出预警信号；
显示模块：用于显示决策信息以及预警信号。
优选的，所述公路评估模块综合分析天气数据、交通数据以及环境数据，天气数据包括能见度系数，环境数据包括通行妨碍离散指数，交通数据包括交通拥堵系数。
优选的，所述公路评估模块将能见度系数、通行妨碍离散指数、交通拥堵系数综合计算获取公路系数glx，表达式为：
式中，Vgl为能见度系数，tfz为通行妨碍离散指数，γ为交通拥堵系数，α、β、γ分别为能见度系数、通行妨碍离散指数、交通拥堵系数的比例系数，且α、β、γ均大于0。
优选的，所述公路评估模块将公路系数glx值与通行阈值进行对比，若公路系数glx值≥通行阈值，评估公路的通行质量好，若公路系数glx值＜通行阈值，评估公路的通行质量差。
优选的，当评估公路的通行质量好时，所述决策模块判断公路支持通行，评估公路的通行质量差时，所述决策模块判断公路不支持通行。
优选的，所述能见度系数Vgl的计算表达式为：
式中，0～R为物质的半径范围，r是物质的半径，ρ为物质的浓度，Qext(r)是物质的消光截面，表示物质吸收和散射光线的强度。
优选的，所述通行妨碍离散指数tfz的计算逻辑为：
计算通行妨碍标准差faz和平均异常所占面积
若平均异常所占面积≤面积阈值，且通行妨碍标准差≤标准差阈值，tfz＝3.2；
若平均异常所占面积≤面积阈值，且通行妨碍标准差＞标准差阈值，tfz＝2.5；
若平均异常所占面积＞面积阈值，且通行妨碍标准差＞标准差阈值，tfz＝1.8；
若平均异常所占面积＞面积阈值，且通行妨碍标准差≤标准差阈值，tfz＝1.5。
优选的，所述通行妨碍标准差faz的计算表达式为：
式中，i＝{1、2、3、...、n}，n表示公路上监测点的数量，n为正整数，Fi表示第i个监测点处的异常所占面积，表示平均异常所占面积，。
优选的，所述交通拥堵系数ydz的计算表达式为：
式中，sj为公路上车辆的实际速度，zy为公路上车辆的自由流速度。
在上述技术方案中，本发明提供的技术效果和优点：
1、本发明通过监测模块实时监测公路区域的天气数据、交通数据以及环境数据，公路评估模块综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量，决策模块依据评估结果判断公路是否支持通行，并通过判断结果制定相应决策，决策信息发送至显示模块以及用户端。该监测系统能够综合分析与公路通行质量相关的天空地多源数据，从而评估公路的通行质量，并进行决策支持，不仅分析更为全面，便于公路管理员对公路进行管理，而且有效提高公路通行的稳定性和安全性；
2、本发明通过神经网络模块基于神经网络技术分析天气数据和环境数据后，对公路进行灾害预测，当预测公路未来会发生灾害时，预警模块向公路管理人员以及显示模块发出预警信号，公路管理人员收到预警信号后需要及时做出管理，进一步提高公路通行安全性，且便于公路管理人员提前制定管理策略。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明的系统模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，都属于本发明保护的范围。
实施例1：请参阅图1所示，本实施例所述基于神经网络的公路沿线灾害天空地一体化监测系统，包括监测模块、公路评估模块、决策模块、神经网络模块、预警模块以及显示模块：
监测模块：用于实时监测公路区域的天气数据、交通数据以及环境数据，并对天气数据、交通数据以及环境数据进行预处理后，将天气数据、交通数据以及环境数据发送至公路评估模块，天气数据和环境数据发送至神经网络模块；
数据采集：通过天气传感器、交通监测设备、环境传感器等设备实时采集数据；天气数据采集包括温度、湿度、风速、风向、降水量、能见度等气象参数；交通数据采集可以包括车辆数量、车速、交通拥堵情况、交通事故等信息；环境数据采集可能包括空气质量、噪音水平、土壤湿度等环境参数；
数据传输：将采集到的数据传输到监测系统的数据中心或服务器，以进行进一步处理和分析；数据传输可以通过有线或无线网络完成，确保数据的实时性和可及性；
数据清洗：对原始数据进行清洗和去噪处理，以去除可能的异常值、噪音或不一致性；这有助于确保数据的准确性；例如，可以排除传感器故障或异常测量所导致的错误数据点；
数据整合：整合来自不同传感器和监测设备的数据，以创建一个全面的数据集；这有助于综合分析不同数据源之间的关系；例如，将气象数据与交通数据结合，可以帮助理解气象条件对交通状况的影响；
数据时间戳和同步：确保数据具有正确的时间戳，以便分析人员可以追踪事件的发生和演变；数据时间戳的同步非常重要，特别是在多个监测设备之间，以确保数据的一致性和可比性；
数据存储：存储清洗和整合后的数据，以备后续分析和查询；通常使用数据库或大数据存储系统来管理数据；数据存储需要具备足够的容量和性能，以应对大规模的数据生成；
数据可视化和报告：创建实时的数据可视化界面，使监测人员和决策者可以实时查看数据；这可以包括仪表盘、图表、地图等；生成定期报告，总结数据趋势、异常情况和预警信息，以便公路管理人员做出决策。
公路评估模块：综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量，评估结果发送至决策模块。
决策模块：依据评估结果判断公路是否支持通行，并通过判断结果制定相应决策，决策信息发送至显示模块以及用户端，用户端为车辆上的导航软件，即将决策信息发送至导航软件向将要进入该公路的驾驶员反馈，相应决策包括推荐车辆绕路行驶或推荐车辆通行公路时谨慎驾驶。
神经网络模块：基于神经网络技术分析天气数据和环境数据后，对公路进行灾害预测，预测结果发送至预警模块；
数据准备：从监测模块获取天气数据和环境数据；这些数据可能包括温度、湿度、降雨量、风速、风向、空气质量、土壤湿度等；对数据进行标准化和归一化，以确保不同数据之间的比较是可行的，并且数据处于神经网络可以处理的范围内；
数据分割：将数据集分为训练集、验证集和测试集；训练集用于训练神经网络，验证集用于调整模型的超参数和防止过拟合，测试集用于最终模型评估；
神经网络架构设计：设计神经网络的架构，包括选择层数、神经元数量、激活函数和连接方式；网络的架构通常包括输入层、隐藏层(可以有多个)、输出层，其中输入层接受天气和环境数据，输出层用于进行灾害预测；
模型训练：使用训练集的数据训练神经网络模型；这包括前向传播、计算损失函数、反向传播和权重更新；通过优化算法(如梯度下降)最小化损失函数，以使模型能够对数据进行拟合，并学习数据中的模式和关联；
模型验证和调整：使用验证集评估模型的性能，并根据性能指标(如准确性、召回率、F1分数等)来调整模型的超参数，以提高模型的泛化性能；
模型测试：使用测试集来评估最终训练好的模型的性能；这可以帮助确定模型的实际效果如何，是否足够可靠来进行灾害预测；
预测和警报生成：当有新的天气和环境数据输入时，将这些数据输入训练好的神经网络模型中；模型将生成相应的预测结果，例如，预测是否可能发生洪水、滑坡、交通事故等；基于模型的预测结果，生成相应的警报或预警，以通知相关的公路管理人员或紧急响应团队；
模型更新和维护：定期更新模型，以反映新的数据和改进的算法；神经网络模型需要不断迭代和优化，以适应不断变化的天气和环境条件。
具体的，为了更好的说明神经网络模块，我们设计以下方案：
通过神经网络模块对公路洪水风险进行预测，具体为：
输入数据：
温度(Temperature)：以摄氏度为单位的温度；
降雨量(Precipitation)：降雨量，以毫米为单位；
土壤湿度(Soil-Moisture)：土壤湿度百分比；
河流水位(River-Level)：相邻河流的水位，以米为单位。
输出数据：
洪水概率(Flood-Probability)：表示公路上可能发生洪水的概率，范围在0到1之间，其中0表示无洪水风险，1表示高洪水风险；
神经网络模型：
设计一个深度神经网络，包括输入层、多个隐藏层和一个输出层，模型的输入是上述天气数据和环境数据，输出是洪水概率，每个隐藏层使用激活函数来引入非线性性；
其中，神经网络的前向传播过程用以下公式表示：
对于第一个隐藏层：
z(1)＝W(1)X+b(1)；
a(1)＝σ(z(1))；
对于后续隐藏层(假设有M层)：
z(L)＝W(L)a(L-1)+b(L)；
a(L)＝σ(z(L))；
最后，输出层的概率通过以下公式计算：
z(L+1)＝W(L+1)a(L)+b(L+1)；
a(L+1)＝σ(z(L+1))；
式中，W(L)、b(L)是第L层的权重矩阵和偏置向量，X是输入数据，σ(z)是激活函数，通常使用Sigmoid、ReLU等。
训练过程：
训练过程涉及使用标记的数据集，包括历史的天气数据、环境数据和相应的洪水发生情况，使用交叉熵损失函数来衡量模型的预测与实际洪水发生情况之间的差距表达式为：
式中，m是样本数量，是实际洪水发生情况的标签，yi表示样本i是否发生洪水(0表示无洪水，1表示有洪水)，是模型的预测概率，/>表示第i个样本的预测概率，通过梯度下降等优化算法来最小化损失函数，调整神经网络的权重和偏置，使得模型能够更准确地预测洪水概率。
预警模块：当预测公路未来会发生灾害时，预警模块向公路管理人员以及显示模块发出预警信号，公路管理人员收到预警信号后需要及时做出管理；
接收和确认预警：公路管理人员首先需要确保他们已经收到了来自预警模块的预警信号；确认预警的重要性和可信度，以确保采取适当的措施；
调度紧急响应团队：如果灾害预警是严重的，例如洪水、山体滑坡或交通事故，公路管理人员应立即调度紧急响应团队；确保紧急响应团队接收到相关信息，包括预警细节和事件的位置；
路段封锁和交通重定向：根据灾害的性质和位置，公路管理人员可能需要封锁受影响的公路路段，以确保公众的安全；同时，考虑交通重定向，以使交通流畅，并避免交通拥堵；
通信和信息传递：确保与紧急服务、警察、消防部门和医疗服务之间的紧密协调和通信，以便共享关键信息和资源；提供及时的信息更新给公众，包括交通情况、道路封锁、紧急联系信息等；
资源调配：根据灾害的性质，调配必要的资源，例如重型机械、救援人员、医疗设备等，以应对紧急情况；确保这些资源能够及时到达现场；
监测和评估：持续监测灾害的进展和影响，以便根据情况采取进一步的行动；进行现场评估，以确定损害程度，并采取措施来减轻进一步的风险；
应急通信：确保通信网络的可用性，包括备用通信方案，以便保持与紧急响应团队的联系；配置紧急通信设备，以便在通信中断时仍能够进行必要的协调和通信；
紧急救援和医疗服务：协调紧急救援工作，确保伤员得到及时的医疗服务和救援；确保医疗设施和医疗服务能够快速响应紧急情况；
灾后恢复和清理：一旦灾害得到控制，公路管理人员需要开始清理受损的公路，以便尽早恢复正常交通；同时，进行灾后评估，以了解教训并采取措施以提高未来的应对能力。
显示模块：设置在公路进口处，用于显示决策信息以及预警信号，需要注意的是，显示模块显示的决策信息可能为推荐绕行，或显示公路未来会发生灾害，因此，显示模块需要设置在公路与其他道路连接口处前方500m左右的位置，从而在公路不利于通行时，便于车辆从其他道路绕行；
安装显示设备：安装合适的显示设备，如电子信息牌、LED屏幕或路标，以确保它们在公路进口处可见；设备应根据交通规则和安全要求进行正确的布置和安装；
连接到预警模块：连接显示设备与预警模块，以确保它们能够接收到来自预警模块的预警信号；使用适当的通信和网络技术来保障信号传输的可靠性；
设置和配置：配置显示设备以显示不同类型的信息，包括决策信息和预警信号；确保设备的亮度、字体、颜色和显示内容符合道路用户易于理解和遵循的标准；
接收和解析预警信号：显示模块必须能够接收和解析来自预警模块的预警信号；预警信号可能包括文本信息、图标、颜色编码或声音警报，以便向驾驶员传达不同类型的信息；
显示决策信息：在需要时，显示模块可以用于传达决策信息，例如路段封锁、交通重定向或速限更改；决策信息应该明确、简洁，并采用易于理解的语言和符号；
显示预警信号：当预测到灾害或紧急情况时，显示模块应立即显示相应的预警信号，以提醒驾驶员和道路用户注意潜在的危险；预警信号可以根据不同类型的事件采用不同的标志和颜色，以区分其紧急程度；
定期维护：定期维护显示设备，以确保其正常运行；这包括清洁、维修和更换损坏的部件；确保显示设备的电源供应稳定，以避免意外中断；
监控和控制：建立监控系统，以监测显示设备的状态和性能；这有助于及时检测和解决故障；远程控制显示设备，以随时更新显示内容或响应紧急情况；
培训和教育：培训道路管理人员，以确保他们知道如何正确操作和维护显示模块；教育道路用户，以提醒他们注意显示模块上的信息并遵守相关的交通指示。
本申请通过监测模块实时监测公路区域的天气数据、交通数据以及环境数据，公路评估模块综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量，决策模块依据评估结果判断公路是否支持通行，并通过判断结果制定相应决策，决策信息发送至显示模块以及用户端。该监测系统能够综合分析与公路通行质量相关的天空地多源数据，从而评估公路的通行质量，并进行决策支持，不仅分析更为全面，便于公路管理员对公路进行管理，而且有效提高公路通行的稳定性和安全性。
本申请通过神经网络模块基于神经网络技术分析天气数据和环境数据后，对公路进行灾害预测，当预测公路未来会发生灾害时，预警模块向公路管理人员以及显示模块发出预警信号，公路管理人员收到预警信号后需要及时做出管理，进一步提高公路通行安全性，且便于公路管理人员提前制定管理策略。
实施例2：公路评估模块综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量。
公路评估模块综合分析天气数据、交通数据以及环境数据，天气数据包括能见度系数，环境数据包括通行妨碍离散指数，交通数据包括交通拥堵系数。
能见度系数Vgl的计算表达式为：
式中，0～R为物质(雨、雪、雾、烟雾或降水)的半径范围，r是物质的半径，ρ为物质的浓度，通常以每立方米内的物质数量来表示，Qext(r)是物质的消光截面，表示物质吸收和散射光线的强度；
能见度系数Vgl越大，通常表示公路的通行质量越好，因为能见度反映了在特定天气条件下驾驶的可视性和安全性，通常情况下，高能见度意味着驾驶员能够更清晰地看到前方的道路、其他车辆和障碍物，从而减少交通事故的风险，这对于公路的通行质量和安全性非常重要；
高能见度：当能见度很高时，驾驶员能够清晰地看到道路情况，包括远处的车辆、路标和道路条件，这有助于提高驾驶员的反应时间，减少事故的发生，并支持更高的行车速度；
低能见度：当能见度降低时，驾驶条件变得更加危险，低能见度可能是由雨、雪、雾、烟雾或降水等气象条件引起的，在这种情况下，驾驶员的视野受到限制，可能需要减速、保持安全距离，或者甚至停车等应急措施来避免事故。
通行妨碍离散指数tfz的计算逻辑为：
计算通行妨碍标准差faz，表达式为：
式中，i＝{1、2、3、...、n}，n表示公路上监测点的数量，n为正整数，Fi表示第i个监测点处的异常所占面积，表示平均异常所占面积，具体的，异常所占面积中，这里的异常包括但不限于路面异物(如石块、掉落的货物等等)，路面凸起或路面凹陷，通过设置在监测点处的摄像头拍摄公路监测点处的图像后，基于网格法获取异常所占面积；
若平均异常所占面积≤面积阈值，且通行妨碍标准差≤标准差阈值，表明监测公路路段的路面无影响车辆通行的异常状况，tfz＝3.2；
若平均异常所占面积≤面积阈值，且通行妨碍标准差＞标准差阈值，表明监测公路路段的路面存在轻量影响车辆通行的异常状况，tfz＝2.5；
若平均异常所占面积＞面积阈值，且通行妨碍标准差＞标准差阈值，表明监测公路路段的路面存在多量影响车辆通行的异常状况，tfz＝1.8；
若平均异常所占面积＞面积阈值，且通行妨碍标准差≤标准差阈值，表明监测公路路段的路面存在大量影响车辆通行的异常状况，tfz＝1.5；
通行妨碍离散指数tfz的值越大，表明公路的通行质量越高。
交通拥堵系数ydz的计算表达式为：
式中，sj为公路上车辆的实际速度，zy为公路上车辆的自由流速度，交通拥堵系数ydz值越大，表示交通拥堵越严重，通行质量越差，这是因为交通拥堵系数是通过比较实际车速与自由流车速之间的差异来计算的，当交通拥堵严重时，车辆的速度降低，与自由流车速相比，实际车速减小，从而导致拥堵系数增加。
公路评估模块将能见度系数、通行妨碍离散指数、交通拥堵系数综合计算获取公路系数glx，表达式为：
式中，Vgl为能见度系数，tfz为通行妨碍离散指数，γ为交通拥堵系数，α、β、γ分别为能见度系数、通行妨碍离散指数、交通拥堵系数的比例系数，且α、β、γ均大于0；
由公路系数glx值的计算公式可知，公路系数glx值越大，表明公路的通行质量越好，获取公路系数glx值后，将公路系数glx值与通行阈值进行对比，若公路系数glx值≥通行阈值，评估公路的通行质量好，若公路系数glx值＜通行阈值，评估公路的通行质量差。
决策模块依据评估结果判断公路是否支持通行包括以下步骤：
当评估公路的通行质量好时，判断公路支持通行，评估公路的通行质量差时，判断公路不支持通行；
判断公路不支持通行时，制定相应决策，决策包括：
1)交通警告和路标：放置交通警告标志，警告驾驶员公路前方有问题或交通情况不正常；使用可变信息标志(VMS)向驾驶员提供实时交通信息和建议；放置路障、交通锥、警告灯等设备，引导交通并确保驾驶员按照指示行驶；
2)交通重定向：通过交通管理中心引导交通，将交通重定向到可行驶的替代路线，以绕过拥堵或问题区域；使用交通信号和警察指挥交通，确保交通流畅和有序；
3)公路封闭：如果情况需要，可以暂时关闭公路以确保安全，防止进一步的交通拥堵和事故；提供明确的公告和路标，指示驾驶员采取替代路线；
4)信息传达：向驾驶员提供准确的交通信息，包括预计的延误时间、路况更新和建议的行驶路径；使用电子信息板、交通广播、手机应用程序等途径传达信息；
5)协调与合作：公路管理部门、交通警察、紧急救援团队和其他相关机构之间需要密切合作和协调，以有效应对交通问题；制定应急计划，确保各方在应对交通紧急情况时知道自己的职责和任务。
决策信息发送至显示模块以及用户端，用户端为车辆上的导航软件，即将决策信息发送至导航软件向将要进入该公路的驾驶员反馈，相应决策包括推荐车辆绕路行驶或推荐车辆通行公路时谨慎驾驶。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (3)
1.基于神经网络的公路沿线灾害天空地一体化监测系统，其特征在于：包括监测模块、公路评估模块、决策模块、神经网络模块、预警模块以及显示模块：
监测模块：用于实时监测公路区域的天气数据、交通数据以及环境数据，并对天气数据、交通数据以及环境数据进行预处理；
公路评估模块：综合分析天气数据、交通数据以及环境数据后，为公路建立公路系数，并依据公路系数与通行阈值的对比结果评估公路的通行质量；
决策模块：依据评估结果判断公路是否支持通行，并通过判断结果制定相应决策；
神经网络模块：基于神经网络技术分析天气数据和环境数据后，对公路进行灾害预测：
预警模块：当预测公路未来会发生灾害时，预警模块向公路管理人员以及显示模块发出预警信号；
显示模块：用于显示决策信息以及预警信号；
所述公路评估模块综合分析天气数据、交通数据以及环境数据，天气数据包括能见度系数，环境数据包括通行妨碍离散指数，交通数据包括交通拥堵系数；
所述公路评估模块将能见度系数、通行妨碍离散指数、交通拥堵系数综合计算获取公路系数glx，表达式为：
式中，Vgl为能见度系数，tfz为通行妨碍离散指数，γ为交通拥堵系数，α、β、γ分别为能见度系数、通行妨碍离散指数、交通拥堵系数的比例系数，且α、β、γ均大于0；
所述能见度系数Vgl的计算表达式为：
式中，0～R为物质的半径范围，r是物质的半径，ρ为物质的浓度，Qext(r)是物质的消光截面，表示物质吸收和散射光线的强度；
所述通行妨碍离散指数tfz的计算逻辑为：
计算通行妨碍标准差faz和平均异常所占面积
若平均异常所占面积≤面积阈值，且通行妨碍标准差≤标准差阈值，tfz＝3.2；
若平均异常所占面积≤面积阈值，且通行妨碍标准差＞标准差阈值，tfz＝2.5；
若平均异常所占面积＞面积阈值，且通行妨碍标准差＞标准差阈值，tfz＝1.8；
若平均异常所占面积＞面积阈值，且通行妨碍标准差≤标准差阈值，tfz＝1.5；
所述通行妨碍标准差faz的计算表达式为：
式中，i＝{1、2、3、...、n}，n表示公路上监测点的数量，n为正整数，Fi表示第i个监测点处的异常所占面积，表示平均异常所占面积；
所述交通拥堵系数ydz的计算表达式为：
式中，sj为公路上车辆的实际速度，zy为公路上车辆的自由流速度。
2.根据权利要求1所述的基于神经网络的公路沿线灾害天空地一体化监测系统，其特征在于：所述公路评估模块将公路系数glx值与通行阈值进行对比，若公路系数glx值≥通行阈值，评估公路的通行质量好，若公路系数glx值＜通行阈值，评估公路的通行质量差。
3.根据权利要求2所述的基于神经网络的公路沿线灾害天空地一体化监测系统，其特征在于：当评估公路的通行质量好时，所述决策模块判断公路支持通行，评估公路的通行质量差时，所述决策模块判断公路不支持通行。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311271446.3A CN117409576B (zh) | 2023-09-28 | 2023-09-28 | 基于神经网络的公路沿线灾害天空地一体化监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311271446.3A CN117409576B (zh) | 2023-09-28 | 2023-09-28 | 基于神经网络的公路沿线灾害天空地一体化监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409576A CN117409576A (zh) | 2024-01-16 |
| CN117409576B true CN117409576B (zh) | 2024-04-19 |
Family
ID=89491696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311271446.3A Active CN117409576B (zh) | 2023-09-28 | 2023-09-28 | 基于神经网络的公路沿线灾害天空地一体化监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409576B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118168578B (zh) * | 2024-04-01 | 2024-09-13 | 大满贯智能科技有限公司 | 一种基于传感器融合的骑行轨迹实时定位方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
| CN101995394A (zh) * | 2009-08-11 | 2011-03-30 | 中国科学院西安光学精密机械研究所 | 雾区能见度检测方法及其设备 |
| CN102253013A (zh) * | 2011-04-29 | 2011-11-23 | 陈伟 | 一种应用于交通领域的透射法能见度检测装置及其检测方法 |
| CN109523780A (zh) * | 2018-07-19 | 2019-03-26 | 郭忠印 | 一种山区高速公路降雪环境预警系统及方法 |
| CN112052822A (zh) * | 2020-09-16 | 2020-12-08 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
-
2023
- 2023-09-28 CN CN202311271446.3A patent/CN117409576B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101382497A (zh) * | 2008-10-06 | 2009-03-11 | 南京大学 | 基于路况监控视频的能见度检测方法 |
| CN101995394A (zh) * | 2009-08-11 | 2011-03-30 | 中国科学院西安光学精密机械研究所 | 雾区能见度检测方法及其设备 |
| CN102253013A (zh) * | 2011-04-29 | 2011-11-23 | 陈伟 | 一种应用于交通领域的透射法能见度检测装置及其检测方法 |
| CN109523780A (zh) * | 2018-07-19 | 2019-03-26 | 郭忠印 | 一种山区高速公路降雪环境预警系统及方法 |
| CN112052822A (zh) * | 2020-09-16 | 2020-12-08 | 西安交通大学 | 基于图像多特征融合的公路能见度检测方法、系统及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409576A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113065804B (zh) | 一种危化品道路运输风险评估方法及系统 | |
| Yang et al. | Methodological evolution and frontiers of identifying, modeling and preventing secondary crashes on highways | |
| CN117409576B (zh) | 基于神经网络的公路沿线灾害天空地一体化监测系统 | |
| US11908317B2 (en) | Real-time traffic safety management system | |
| Chen | Freeway performance measurement system (PeMS) | |
| CN109243176A (zh) | 一种城市交通管理系统 | |
| Cao et al. | Quantification of the impact of traffic incidents on speed reduction: A causal inference based approach | |
| Zheng et al. | Incorporating multiple congestion levels into spatiotemporal analysis for the impact of a traffic incident | |
| CN117933701B (zh) | 轨道交通工程建设安全风险监控方法及系统 | |
| US20240127385A1 (en) | Systems and methods for analyzing and mitigating community-associated risks | |
| Liu et al. | Developments and applications of simulation-based online travel time prediction system: traveling to Ocean City, Maryland | |
| Song et al. | Data‐driven approach for identifying spatiotemporally recurrent bottlenecks | |
| Liu et al. | A fuzzy-logic-based system for freeway bottleneck severity diagnosis in a sensor network | |
| CN109960203A (zh) | 一种基于人工智能的单体结构户外标识物监测系统 | |
| Finogeev et al. | Proactive big data analysis for traffic accident prediction | |
| CN113628461B (zh) | 交通监管设备及方法 | |
| Evans | Improving road incident detection algorithm performance with contextual data | |
| Pande | Estimation of hybrid models for real-time crash risk assessment on freeways | |
| Ji et al. | Real-time Vulnerability Analysis of Urban Expressway | |
| Hassan | Improving Traffic Safety And Drivers' behavior In Reduced Visibility Conditions | |
| Khetwal et al. | Sensitivity analysis of road tunnel resilience through data-driven stochastic simulation | |
| Hadi et al. | Decision support systems for transportation system management and operations (TSM&O). | |
| CN118366312B (zh) | 一种交通检测系统及方法 | |
| Grumert et al. | Effects of incidents on motorways: a proposed methodology for estimating and predicting demand, duration and capacity for incident management | |
| Razavi | Development of a new automatic incident detection system for freeways using a bi-classifier approach |
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 |