CN117496696A - 一种基于大数据的交通管理系统 - Google Patents
一种基于大数据的交通管理系统 Download PDFInfo
- Publication number
- CN117496696A CN117496696A CN202311352738.XA CN202311352738A CN117496696A CN 117496696 A CN117496696 A CN 117496696A CN 202311352738 A CN202311352738 A CN 202311352738A CN 117496696 A CN117496696 A CN 117496696A
- Authority
- CN
- China
- Prior art keywords
- classification
- value
- critical
- view
- accident
- 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
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 95
- 230000000007 visual effect Effects 0.000 claims description 50
- 230000035484 reaction time Effects 0.000 claims description 48
- 230000004044 response Effects 0.000 claims description 47
- 230000002159 abnormal effect Effects 0.000 claims description 30
- 238000007726 management method Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 14
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 206010039203 Road traffic accident Diseases 0.000 abstract description 12
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于大数据的交通管理系统，包括大数据训练子系统和动态执行子系统；通过引入视角框以及相对视角的变量增加模型的丰富程度，使交通事故预测的策略对基础数据的依赖减小，而同时通过大数据训练得到外部关于事故险情的其他参数相关性预测，实现碰撞预测模拟，通过碰撞预测模拟的结果预测交通险情，这样即使摄像头由于视角问题不能获取所有识别需要的图像，也可以进行险情的预测和识别。
Description
技术领域
本发明涉及交通管理系统，更具体地说，涉及一种基于大数据的交通管理系统。
背景技术
目前，随着数字化的普及，交通管理系统配置了越来越多的数字化功能，但是目前在交通管理领域，交通事故发生率仍然居高不下，因为随着物流系统的升级和优化，外送和配送行业的就业人数不断提高，一来数量的提高导致交通负荷较大，二来配送的效率要求导致可能部分骑手不遵守交通规则，或者骑速过快的情况，目前这一问题一直没有得到较好的解决，公开号为CN115587536A的专利公开了公开了一种交通事故严重程度预测方法、设备及存储介质该预测方法以交通事故案例为研究对象，综合分析与交通事故严重程度相关的主要因素，构建基于PSO优化BP神经网络的预测模型，实现交通事故严重程度的预测，预测方法具体为：整理分析交通事故案例，综合分析影响交通事故严重程度的因素；对各因素进行编码，并利用SPSS软件对各因素和交通事故严重程度进行相关性分析；构建基于PSO优化BP神经网络的交通事故严重程度预测模型；对预测模型进行效果评价，实施更精准地预测；通过交通事故严重程度的预测，为减少交通事故发生提供建设性的参考依据。这一方法虽然从数据层面可以较为准确的预测参数和事故结果之间的关系，但是由于该预测模型涉及的参数较多，例如年龄、驾乘习惯、是否酒驾等因素，是无法第一时间获取的，因为目前的摄像头的铺设是无法实现对每个人的身份识别，而且视角也容易出现遮挡，所以直接通过这个模型预测来实现预警以减小交通事故的发生，现有的硬件条件无法支持，所以需要一种能够实现预警目的的同时，现有的场景能够支持的交通管理系统。
发明内容
有鉴于此，本发明目的是提供一种基于大数据的交通管理系统。
为了解决上述技术问题，本发明的技术方案是：一种基于大数据的交通管理系统，包括大数据训练子系统和动态执行子系统；
所述大数据训练子系统包括有反应训练模块、刹停训练模块以及危重训练模块，所述大数据训练子系统将交通异常样本划分为刹停样本以及事故样本，所述反应训练模块用于根据交通异常样本训练反应时刻模型，所述反应时刻模型用于预测刹车反应时间，所述刹停训练模块用于根据刹停样本训练刹停距离模型，所述刹停距离模型用于预测刹停距离，所述危重训练模块根据事故样本训练事故危重模型，所述事故危重模型用于预测事故危重值；
所述动态执行子系统包括特征提取模块、模型配置模块、视野模拟模块、轨迹模拟模块、视点输出模块、碰撞模拟模块以及动态计算模块，所述模型配置模块用于根据交通摄像头反馈的现场背景图像生成对应的场景模型并在场景模型中的视野识别对象；特征提取模块提取视野识别对象的对象特征；所述视野模拟模块用于根据视野识别对象于对象特征中的姿态特征以确定对应时刻的视野方向，并根据视野方向为对应的视野识别对象配置视野框，所述轨迹模拟模块根据视野识别对象的对象特征以确定每一视野识别对象的预测行进速度，并根据预测行进速度模拟运动轨迹以确定在每一时刻下不同视野识别对象的相对位置；所述视点输出模块用于根据相对位置确定不同时刻下视野识别对象在该视野框的相对中心视点；所述响应计算模块用于根据相对中心视点计算视野识别对象的起始响应时刻；所述碰撞模拟模块用于将获得的对象特征带入大数据训练子系统以调取对应的刹车反应时间、刹停距离以及事故危重值，所述动态计算模块根据起始响应时刻、刹车反应时间和刹停距离进行模拟仿真以确定对象特征的碰撞轨迹，并根据碰撞轨迹的距离生成安全可靠值，并通过事故危重值减去安全响应值以计算得到综合响应值，并根据综合响应值查询预设的动态执行表以获取对应的动态执行策略。
进一步的，所述反应训练模块配置有反应训练子策略，所述反应训练子策略包括
步骤A1、将交通异常样本带入动态执行子系统以获得对应的起始响应时刻；
步骤A2、计算交通异常样本的刹停起始时刻和起始响应时刻之间的差值以生成样本反应时间；
步骤A3、获取交通异常样本中的对象信息并以预设的特征分类项为基准处理对象信息以获得对应的对象特征，所述对象特征包括若干不同的特征分类项；
步骤A4、通过预设的聚类分析算法处理每一特征分类项的分类内容以获得不同特征分类项下的若干分类簇，每一分类簇对应一分类内容，且每一分类簇具有分类反应时间，所述分类反应时间为该分类簇下的样本反应时间的均值；
步骤A5、统计每一分类簇的离散度以计算该分类簇的分类相关度；
步骤A6、通过分类相关度和分类反应时间以生成每一分类簇对应的扰动因子；
所述反应时刻模型被配置为通过对象特征中的特征分类项的内容确定对应的分类簇以调取扰动因子，通过扰动因子处理预设的基准反应时间以生成所述刹车反应时间。
进一步的，所述步骤A6中配置有，其中/>为第/>个特征分类项的第/>个分类簇的扰动因子，/>为第/>个特征分类项的第/>个分类簇对应的分类相关度，/>第/>个特征分类项的第/>个分类簇中符合时间分类条件的交通异常样本的个数，为所述的基准反映时间，/>为第/>个特征分类项的第/>个分类簇中分类反应时间，/>为第/>个特征分类项中符合时间分类条件的分类簇的分类相关度的均值，/>为其他特征分类项中符合时间分类条件的交通异常样本的个数，/>为其他特征分类项中符合时间分类条件的分类簇的均值，/>为其他特征分类项中符合重合分类条件的分类簇的个数，所述时间分类条件为与该分类簇的分类反应时间的差值小于预设的基准时间差值，所述重合分类条件为与该分类簇中具有同一交通异常样本的数量大于预设的基准数量差值，所述刹车反应时间为/>，其中，/>为刹车反应时间，/>为第/>个特征分类项的第/>个分类簇对应的分类相关度，/>为对象特征中的特征分类项的总数量。
进一步的，所述刹停训练模块包括刹停训练策略，所述刹停训练策略包括
步骤B1、获取刹停样本中的启动实际距离以及刹停实际距离以计算刹停减速比，有，其中，/>为启动实际距离，/>为刹停实际距离；
步骤B2、获取刹停样本中的对象特征的车辆参数特征；
步骤B3、将车辆参数特征和刹停减速比进行相关度分析以获得每类车辆参数特征的车参相关度；
步骤B4、筛除车参相关度低于预设的基准相关度的车辆参数特征；
步骤B5、根据不同的车辆参数特征建立刹停距离函数，有，其中，为刹停预测距离，/>为启动预测距离，/>为刹停调节因子；
步骤B6、将刹停距离函数和对应的车参相关度配置于所述刹停距离模型。
进一步的，所述的刹停调节因子通过如下公式计算：，其中，/>为预设的摩擦衰减权重，/>为摩擦衰减值，所述摩擦衰减值通过环境信息查询预先设置的摩擦衰减表获得，/>为预设加速度偏离权重，/>为加速度偏离值，所述加速度偏离值通过车辆类型信息查询预先设置的加速度偏离表获得，/>为预设的干扰事件权重，/>为该视野识别对象在其他场景模型中的异常行为值，通过异常行为信息查询预先设置的异常行为表获得，/>该视野识别对象在其他场景模型中的异常行为的总数量。
进一步的，所述危重训练模块包括危重训练策略，所述危重训练策略包括
步骤C1、获取事故样本中的事故结果特征，并通过事故结果特征查询对应的事故危重值；
步骤C2、解析事故样本获取减速时刻的相对中心视点、车辆车速以及事故距离以计算危重相关值，有，其中，/>为危重相关值，/>为预设的视点距离函数，所述视点距离函数反映相对中心视点和视点注意力影响值的关系，/>为相对中心视点，/>为预设的视域权重，/>为当前视野框内对应的视野识别对象的视域面积，/>为预设的动态视线权重，/>为视野识别对象在上一个预设的时间段在当前视野框内发生变化的视域面积，/>为预设的动量权重，/>为对象质量值，所述对象质量值通过对象特征查询预先构建的对象质量表获得，/>为车辆车速，/>为对象减速度，所述对象减速度通过对象特征查询预先构建的减速度表获得，/>为事故距离；
步骤C3、根据事故危重值和危重相关值的对应关系构建每一危重相关值对应的危重离散分布函数以生成所述事故危重模型。
进一步的，所述响应计算模块配置有视点启发算法计算对应的视点启发值，有，其中，/>为视点启发值，/>为预测起始时刻对应的相对中心视点，/>为预设的色值映射函数，反映像点坐标和色值之间的关系，/>为上一时刻的视野框内色值发生变化的像点的横坐标，/>为起始时刻的视野框内色值发生变化的像点的纵坐标，/>为预测起始时刻的视野框内色值发生变化的像点的横坐标，/>为预测起始时刻的视野框内色值发生变化的像点的纵坐标，/>预测起始时刻至初始时刻从视野框内获取的画面的总帧数，当视点启发值大于所述预设的启发阈值时，将此时的预测起始时刻作为对应的起始响应时刻。
进一步的，所述视点距离函数被配置为对应视野框内的每一像点配置有对应的关注影响权重，所述的视点注意力影响值为关注影响权重除以中心距离值，所述的中心距离值为相对中心视点距离视野框的中心的距离，所述危重训练模块还包括配置有危重相关阈值，当相对中心视点出现的次数大于危重相关阈值时，以相对中心视点生成视野剔除面域，所述视野剔除面域的半径正相关于对应的事故危重值，降低视点距离函数中视野剔除面域的对应关注影响权重。
进一步的，所述模型配置模块配置有轨迹跟踪策略，所述轨迹跟踪策略通过视野识别对象连续的运动轨迹判断视野识别对象于对应模型场景的位置。
进一步的，所述动态执行策略包括延长对应的信号灯时间、发出提示语音提示信息或发送交通管理请求。
本发明技术效果主要体现在以下方面：通过引入视角框以及相对视角的变量增加模型的丰富程度，使交通事故预测的策略对基础数据的依赖减小，而同时通过大数据训练得到外部关于事故险情的其他参数相关性预测，实现碰撞预测模拟，通过碰撞预测模拟的结果预测交通险情，这样即使摄像头由于视角问题不能获取所有识别需要的图像，也可以进行险情的预测和识别。
附图说明
图1：本发明系统架构原理图。
附图标记：110、反应训练模块；120、刹停训练模块；130、危重训练模块；210、特征提取模块；220、模型配置模块；230、视野模拟模块；240、视点输出模块；250、碰撞模拟模块；260、动态计算模块。
具体实施方式
以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。
参照图示，一种基于大数据的交通管理系统，包括大数据训练子系统和动态执行子系统；
所述大数据训练子系统包括有反应训练模块110、刹停训练模块120以及危重训练模块130，
所述大数据训练子系统将交通异常样本划分为刹停样本以及事故样本，交通异常样本是交通事故处理平台后台记录的数据，其包括发生事故的事故样本，也包括刹停成功对应的刹停样本，区别在于如果没有发生事故，可以通过大数据完整分析刹停距离，而如果发生事故，则刹停距离不易分析。
所述反应训练模块110用于根据交通异常样本训练反应时刻模型，所述反应时刻模型用于预测刹车反应时间，通过反应时刻模型建立与预测刹车反应时间对应的关系，首先通过输入变量就可以直接获得对应的刹车反应时间，通过这个模型进行分析，可以在识别或者基础数据不足时，也可以得到结果，同时，通过大数据计算刹车反应时间提高准确性，特定情境的刹车反应时间的数据训练更加具备针对性。
所述反应训练模块110配置有反应训练子策略，所述反应训练子策略包括
步骤A1、将交通异常样本带入动态执行子系统以获得对应的起始响应时刻；由于交通异常样本一般是图像信息以及事故处理信息、车辆信息以及受害者信息等，但是一般是没有记载司机是何时开始响应的，如果要通过中间参数，视角框去确定碰撞风险，在样本训练时就要获知反映时间，所以通过图像拼接就可以获得对应的响应时间。
步骤A2、计算交通异常样本的刹停起始时刻和起始响应时刻之间的差值以生成样本反应时间；而交通异常样本是实际发生的视频信息，所以可以从其中获得出对应的司机的刹车时间，而理论上，这里的差值就是司机反应的时间，而如果这样确定，不同司机反应时间应当有所不同，所以这里得出的是某一个司机的反应时间，记作样本反应时间，而对样本反应时间和对象信息进行关联，从而分析出对象对样本反应时间的影响，这个区别主要在于驾乘习惯和驾乘方式等等因素。
步骤A3、获取交通异常样本中的对象信息并以预设的特征分类项为基准处理对象信息以获得对应的对象特征，所述对象特征包括若干不同的特征分类项；也就是根据交通异常样本的特征先进行分类，例如车型、车辆大小、类别、视野类型等因素，就可以对样本进行分类，具体分类是通过图像识别进行，而分类完成后，每个特征分类项就会包括具体内容。
步骤A4、通过预设的聚类分析算法处理每一特征分类项的分类内容以获得不同特征分类项下的若干分类簇，每一分类簇对应一分类内容，且每一分类簇具有分类反应时间，所述分类反应时间为该分类簇下的样本反应时间的均值；通过聚类分析算法可以确定划定分类范围，这样将不同的对象特征分类为一个个簇。
步骤A5、统计每一分类簇的离散度以计算该分类簇的分类相关度；如果一个分类簇的离散程度大，则说明分类簇的相关度可能较低，不容易作为可信的分类依据。
步骤A6、通过分类相关度和分类反应时间以生成每一分类簇对应的扰动因子；所述步骤A6中配置有，其中/>为第/>个特征分类项的第/>个分类簇的扰动因子，/>为第/>个特征分类项的第/>个分类簇对应的分类相关度，/>第/>个特征分类项的第/>个分类簇中符合时间分类条件的交通异常样本的个数，/>为所述的基准反映时间，/>为第/>个特征分类项的第/>个分类簇中分类反应时间，/>为第/>个特征分类项中符合时间分类条件的分类簇的分类相关度的均值，/>为其他特征分类项中符合时间分类条件的交通异常样本的个数，/>为其他特征分类项中符合时间分类条件的分类簇的均值，/>为其他特征分类项中符合重合分类条件的分类簇的个数，所述时间分类条件为与该分类簇的分类反应时间的差值小于预设的基准时间差值，所述重合分类条件为与该分类簇中具有同一交通异常样本的数量大于预设的基准数量差值，所述刹车反应时间为/>，其中，/>为刹车反应时间，/>为第/>个特征分类项的第/>个分类簇对应的分类相关度，/>为对象特征中的特征分类项的总数量。通过以上公式可以计算扰动因子，然后通过叠加每个特征变量，从而就可以确定精确的反应时间，具体方式如下，实际预测时，图像摄像头获取对象信息，然后根据对象信息确定对应的特征分类项的内容，根据落入的范围带入对应的扰动因子，从而调节基准时间，从而得到刹车反应时间。刹车反应时间为司机视角认识到需要刹车到实际做出刹车动作的时间。
所述反应时刻模型被配置为通过对象特征中的特征分类项的内容确定对应的分类簇以调取扰动因子，通过扰动因子处理预设的基准反应时间以生成所述刹车反应时间。
所述刹停训练模块120用于根据刹停样本训练刹停距离模型，所述刹停距离模型用于预测刹停距离，所述刹停训练模块包括刹停训练策略，所述刹停训练策略包括
步骤B1、获取刹停样本中的启动实际距离以及刹停实际距离以计算刹停减速比，有，其中，/>为启动实际距离，/>为刹停实际距离；通过刹停减速比这一数据，快速构建刹停样本中车辆信息特征。启动实际距离为车辆在历史事件中从静止状态启动至车辆开始减速的时刻，车辆移动的距离，刹停实际距离指车辆在开始减速的时刻至车辆完全静止的时刻，车辆移动的距离。
步骤B2、获取刹停样本中的对象特征的车辆参数特征；车辆参数特征例如车量大小、车辆理论重量、车辆平均刹车系数、车辆平均加速系数等等。
步骤B3、将车辆参数特征和刹停减速比进行相关度分析以获得每类车辆参数特征的车参相关度；通过建立车辆参数特征和刹停减速比的相关度，从而构建对刹停距离的识别模型。
步骤B4、筛除车参相关度低于预设的基准相关度的车辆参数特征；如果相关度过低，则说明这两者没有相关性，就可以剔除。
步骤B5、根据不同的车辆参数特征建立刹停距离函数，有，其中，/>为刹停预测距离，/>为启动预测距离，/>为刹停调节因子；通过刹停调节因子得到对应的距离函数，所述的刹停调节因子通过如下公式计算：/>，其中，/>为预设的摩擦衰减权重，/>为摩擦衰减值，所述摩擦衰减值通过环境信息查询预先设置的摩擦衰减表获得，/>为预设加速度偏离权重，/>为加速度偏离值，所述加速度偏离值通过车辆类型信息查询预先设置的加速度偏离表获得，/>为预设的干扰事件权重，/>为该视野识别对象在其他场景模型中的异常行为值，通过异常行为信息查询预先设置的异常行为表获得，/>该视野识别对象在其他场景模型中的异常行为的总数量。这样后续样本中可以引入异常的行为，例如骑手在另一个路口车速过快、或者环境湿度较大不利于刹停，或者实际可能出现的加速过快的情况，导致实际速度较大，刹车距离增加，所以通过以上公式可以预测对应的刹停距离。
步骤B6、将刹停距离函数和对应的车参相关度配置于所述刹停距离模型。由于图像识别会存在一定误差，所以需要及时进行调整，刹停距离函数是通过建立模型获得的。
所述危重训练模块130根据事故样本训练事故危重模型，所述事故危重模型用于预测事故危重值；所述危重训练模块130包括危重训练策略，所述危重训练策略包括
步骤C1、获取事故样本中的事故结果特征，并通过事故结果特征查询对应的事故危重值；事故样本中可以获得对应的事故结果特征，然后根据事故结果特征构建对应的事故危重值，具体可以通过对应的事故危重值从而实现对分线的预测，其事故危重值可以根据对应的事故内容，例如车辆损毁情况，伤亡情况，每个内容不同赋值，最后求和获得。
步骤C2、解析事故样本获取减速时刻的相对中心视点、车辆车速以及事故距离以计算危重相关值，有，其中，/>为危重相关值，/>为预设的视点距离函数，所述视点距离函数反映相对中心视点和视点注意力影响值的关系，/>为相对中心视点，/>为预设的视域权重，/>为当前视野框内对应的视野识别对象的视域面积，/>为预设的动态视线权重，/>为视野识别对象在上一个预设的时间段在当前视野框内发生变化的视域面积，/>为预设的动量权重，/>为对象质量值，所述对象质量值通过对象特征查询预先构建的对象质量表获得，/>为车辆车速，/>为对象减速度，所述对象减速度通过对象特征查询预先构建的减速度表获得，/>为事故距离；通过危重相关值进行分析，考虑到当时的视线情况以及对应的移动的像素的面积，从而确定对应的注意力触发的时刻，另一方面计算碰撞时的动量，这样就可以构建对应的模型。
步骤C3、根据事故危重值和危重相关值的对应关系构建每一危重相关值对应的危重离散分布函数以生成所述事故危重模型。每一危重相关值构建一个对应的函数，调用时，如果危重相关值相同，则获取对应的危重离散分布函数，如果根据函数的分布，风险较小，则输出的预测的事故危重值较小。
所述动态执行子系统包括特征提取模块210、模型配置模块220、视野模拟模块230、视点输出模块240、碰撞模拟模块250以及动态计算模块260，
所述模型配置模块220用于根据交通摄像头反馈的现场背景图像生成对应的场景模型并在场景模型中的视野识别对象；所述模型配置模块220配置有轨迹跟踪策略，所述轨迹跟踪策略通过视野识别对象连续的运动轨迹判断视野识别对象于对应模型场景的位置。通过多个交通摄像头进行图像的拼接从而完成交通路口的模型场景构建技术已经成熟，再此不做赘述，但是需要说明的是，本发明的场景模型倾向于构建平面场景模型，对车辆和模型场景的位置都有益处。另一方面，通过视觉追踪算法，可以在停放位置出现遮挡时仍然可以确定对应的位置和特征。
特征提取模块210提取视野识别对象的对象特征；特征提取模块210通过图像识别技术提取对应的对象特征，一般可以获得车辆的信息，通过一个信息或者外观进行索引就可以获得车辆相关信息。
所述视野模拟模块230用于根据视野识别对象于对象特征中的姿态特征以确定对应时刻的视野方向，并根据视野方向为对应的视野识别对象配置视野框，所述轨迹模拟模块根据视野识别对象的对象特征以确定每一视野识别对象的预测行进速度，并根据预测行进速度模拟运动轨迹以确定在每一时刻下不同视野识别对象的相对位置；
所述视点输出模块240用于根据相对位置确定不同时刻下视野识别对象在该视野框的相对中心视点；
所述响应计算模块用于根据相对中心视点计算视野识别对象的起始响应时刻；所述响应计算模块配置有视点启发算法计算对应的视点启发值，有，其中，/>为视点启发值，/>为预测起始时刻对应的相对中心视点，/>为预设的色值映射函数，反映像点坐标和色值之间的关系，/>为上一时刻的视野框内色值发生变化的像点的横坐标，/>为起始时刻的视野框内色值发生变化的像点的纵坐标，/>为预测起始时刻的视野框内色值发生变化的像点的横坐标，/>为预测起始时刻的视野框内色值发生变化的像点的纵坐标，/>预测起始时刻至初始时刻从视野框内获取的画面的总帧数，当视点启发值大于所述预设的启发阈值时，将此时的预测起始时刻作为对应的起始响应时刻。所述视点距离函数被配置为对应视野框内的每一像点配置有对应的关注影响权重，所述的视点注意力影响值为关注影响权重除以中心距离值，所述的中心距离值为相对中心视点距离视野框的中心的距离，所述危重训练模块还包括配置有危重相关阈值，当相对中心视点出现的次数大于危重相关阈值时，以相对中心视点生成视野剔除面域，所述视野剔除面域的半径正相关于对应的事故危重值，降低视点距离函数中视野剔除面域的对应关注影响权重。通过响应计算模块配置对应的视点启发值，从而判断视野启发的事件，通过对注意力触发的计算以及判断，从而确定可能引起触发警觉的时间。
所述碰撞模拟模块250用于将获得的对象特征带入大数据训练子系统以调取对应的刹车反应时间、刹停距离以及事故危重值，所述动态计算模块260根据起始响应时刻、刹车反应时间和刹停距离进行模拟仿真以确定对象特征的碰撞轨迹，并根据碰撞轨迹的距离生成安全可靠值，并通过事故危重值减去安全响应值以计算得到综合响应值，这样就可以模拟对应的碰撞情况，提前对险情做出预判。并根据综合响应值查询预设的动态执行表以获取对应的动态执行策略。所述动态执行策略包括延长对应的信号灯时间、发出提示语音提示信息或发送交通管理请求。例如预测到可能出现碰撞，可以延长1到2秒交通信号等释放的时间，从而达到规避目的，或者是输出提示信息，提醒注意避让。
当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。
Claims (10)
1.一种基于大数据的交通管理系统，其特征在于：包括大数据训练子系统和动态执行子系统；
所述大数据训练子系统包括有反应训练模块、刹停训练模块以及危重训练模块，所述大数据训练子系统将交通异常样本划分为刹停样本以及事故样本，所述反应训练模块用于根据交通异常样本训练反应时刻模型，所述反应时刻模型用于预测刹车反应时间，所述刹停训练模块用于根据刹停样本训练刹停距离模型，所述刹停距离模型用于预测刹停距离，所述危重训练模块根据事故样本训练事故危重模型，所述事故危重模型用于预测事故危重值；
所述动态执行子系统包括特征提取模块、模型配置模块、视野模拟模块、轨迹模拟模块、视点输出模块、碰撞模拟模块以及动态计算模块，所述模型配置模块用于根据交通摄像头反馈的现场背景图像生成对应的场景模型并在场景模型中的视野识别对象；特征提取模块提取视野识别对象的对象特征；所述视野模拟模块用于根据视野识别对象于对象特征中的姿态特征以确定对应时刻的视野方向，并根据视野方向为对应的视野识别对象配置视野框，所述轨迹模拟模块根据视野识别对象的对象特征以确定每一视野识别对象的预测行进速度，并根据预测行进速度模拟运动轨迹以确定在每一时刻下不同视野识别对象的相对位置；所述视点输出模块用于根据相对位置确定不同时刻下视野识别对象在该视野框的相对中心视点；所述响应计算模块用于根据相对中心视点计算视野识别对象的起始响应时刻；所述碰撞模拟模块用于将获得的对象特征带入大数据训练子系统以调取对应的刹车反应时间、刹停距离以及事故危重值，所述动态计算模块根据起始响应时刻、刹车反应时间和刹停距离进行模拟仿真以确定对象特征的碰撞轨迹，并根据碰撞轨迹的距离生成安全可靠值，并通过事故危重值减去安全响应值以计算得到综合响应值，并根据综合响应值查询预设的动态执行表以获取对应的动态执行策略。
2.如权利要求1所述的一种基于大数据的交通管理系统，其特征在于：所述反应训练模块配置有反应训练子策略，所述反应训练子策略包括
步骤A1、将交通异常样本带入动态执行子系统以获得对应的起始响应时刻；
步骤A2、计算交通异常样本的刹停起始时刻和起始响应时刻之间的差值以生成样本反应时间；
步骤A3、获取交通异常样本中的对象信息并以预设的特征分类项为基准处理对象信息以获得对应的对象特征，所述对象特征包括若干不同的特征分类项；
步骤A4、通过预设的聚类分析算法处理每一特征分类项的分类内容以获得不同特征分类项下的若干分类簇，每一分类簇对应一分类内容，且每一分类簇具有分类反应时间，所述分类反应时间为该分类簇下的样本反应时间的均值；
步骤A5、统计每一分类簇的离散度以计算该分类簇的分类相关度；
步骤A6、通过分类相关度和分类反应时间以生成每一分类簇对应的扰动因子；
所述反应时刻模型被配置为通过对象特征中的特征分类项的内容确定对应的分类簇以调取扰动因子，通过扰动因子处理预设的基准反应时间以生成所述刹车反应时间。
3.如权利要求2所述的一种基于大数据的交通管理系统，其特征在于：所述步骤A6中配置有，其中/>为第/>个特征分类项的第/>个分类簇的扰动因子，/>为第/>个特征分类项的第/>个分类簇对应的分类相关度，/>第/>个特征分类项的第/>个分类簇中符合时间分类条件的交通异常样本的个数，/>为所述的基准反映时间，/>为第个特征分类项的第/>个分类簇中分类反应时间，/>为第/>个特征分类项中符合时间分类条件的分类簇的分类相关度的均值，/>为其他特征分类项中符合时间分类条件的交通异常样本的个数，/>为其他特征分类项中符合时间分类条件的分类簇的均值，/>为其他特征分类项中符合重合分类条件的分类簇的个数，所述时间分类条件为与该分类簇的分类反应时间的差值小于预设的基准时间差值，所述重合分类条件为与该分类簇中具有同一交通异常样本的数量大于预设的基准数量差值，所述刹车反应时间为/>，其中，/>为刹车反应时间，/>为第/>个特征分类项的第/>个分类簇对应的分类相关度，/>为对象特征中的特征分类项的总数量。
4.如权利要求1所述的一种基于大数据的交通管理系统，其特征在于：所述刹停训练模块包括刹停训练策略，所述刹停训练策略包括
步骤B1、获取刹停样本中的启动实际距离以及刹停实际距离以计算刹停减速比，有，其中，/>为启动实际距离，/>为刹停实际距离；
步骤B2、获取刹停样本中的对象特征的车辆参数特征；
步骤B3、将车辆参数特征和刹停减速比进行相关度分析以获得每类车辆参数特征的车参相关度；
步骤B4、筛除车参相关度低于预设的基准相关度的车辆参数特征；
步骤B5、根据不同的车辆参数特征建立刹停距离函数，有，其中，/>为刹停预测距离，/>为启动预测距离，/>为刹停调节因子；
步骤B6、将刹停距离函数和对应的车参相关度配置于所述刹停距离模型。
5.如权利要求4所述的一种基于大数据的交通管理系统，其特征在于：所述的刹停调节因子通过如下公式计算：，其中，/>为预设的摩擦衰减权重，/>为摩擦衰减值，所述摩擦衰减值通过环境信息查询预先设置的摩擦衰减表获得，/>为预设加速度偏离权重，/>为加速度偏离值，所述加速度偏离值通过车辆类型信息查询预先设置的加速度偏离表获得，/>为预设的干扰事件权重，/>为该视野识别对象在其他场景模型中的异常行为值，通过异常行为信息查询预先设置的异常行为表获得，/>该视野识别对象在其他场景模型中的异常行为的总数量。
6.如权利要求1所述的一种基于大数据的交通管理系统，其特征在于：所述危重训练模块包括危重训练策略，所述危重训练策略包括
步骤C1、获取事故样本中的事故结果特征，并通过事故结果特征查询对应的事故危重值；
步骤C2、解析事故样本获取减速时刻的相对中心视点、车辆车速以及事故距离以计算危重相关值，有，其中，/>为危重相关值，/>为预设的视点距离函数，所述视点距离函数反映相对中心视点和视点注意力影响值的关系，/>为相对中心视点，/>为预设的视域权重，/>为当前视野框内对应的视野识别对象的视域面积，/>为预设的动态视线权重，/>为视野识别对象在上一个预设的时间段在当前视野框内发生变化的视域面积，/>为预设的动量权重，/>为对象质量值，所述对象质量值通过对象特征查询预先构建的对象质量表获得，/>为车辆车速，/>为对象减速度，所述对象减速度通过对象特征查询预先构建的减速度表获得，/>为事故距离；
步骤C3、根据事故危重值和危重相关值的对应关系构建每一危重相关值对应的危重离散分布函数以生成所述事故危重模型。
7.如权利要求6所述的一种基于大数据的交通管理系统，其特征在于：
所述响应计算模块配置有视点启发算法计算对应的视点启发值，有，其中，/>为视点启发值，/>为预测起始时刻对应的相对中心视点，/>为预设的色值映射函数，反映像点坐标和色值之间的关系，/>为上一时刻的视野框内色值发生变化的像点的横坐标，/>为起始时刻的视野框内色值发生变化的像点的纵坐标，/>为预测起始时刻的视野框内色值发生变化的像点的横坐标，/>为预测起始时刻的视野框内色值发生变化的像点的纵坐标，/>预测起始时刻至初始时刻从视野框内获取的画面的总帧数，当视点启发值大于所述预设的启发阈值时，将此时的预测起始时刻作为对应的起始响应时刻。
8.如权利要求6或7所述的一种基于大数据的交通管理系统，其特征在于：所述视点距离函数被配置为对应视野框内的每一像点配置有对应的关注影响权重，所述的视点注意力影响值为关注影响权重除以中心距离值，所述的中心距离值为相对中心视点距离视野框的中心的距离，所述危重训练模块还包括配置有危重相关阈值，当相对中心视点出现的次数大于危重相关阈值时，以相对中心视点生成视野剔除面域，所述视野剔除面域的半径正相关于对应的事故危重值，降低视点距离函数中视野剔除面域的对应关注影响权重。
9.如权利要求1所述的一种基于大数据的交通管理系统，其特征在于：所述模型配置模块配置有轨迹跟踪策略，所述轨迹跟踪策略通过视野识别对象连续的运动轨迹判断视野识别对象于对应模型场景的位置。
10.如权利要求1所述的一种基于大数据的交通管理系统，其特征在于：所述动态执行策略包括延长对应的信号灯时间、发出提示语音提示信息或发送交通管理请求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352738.XA CN117496696A (zh) | 2023-10-19 | 2023-10-19 | 一种基于大数据的交通管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311352738.XA CN117496696A (zh) | 2023-10-19 | 2023-10-19 | 一种基于大数据的交通管理系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117496696A true CN117496696A (zh) | 2024-02-02 |
Family
ID=89679128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311352738.XA Pending CN117496696A (zh) | 2023-10-19 | 2023-10-19 | 一种基于大数据的交通管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117496696A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447303A (zh) * | 2018-03-20 | 2018-08-24 | 武汉理工大学 | 基于人眼视觉与机器视觉耦合的外周视野危险识别方法 |
| CN113370977A (zh) * | 2021-05-06 | 2021-09-10 | 上海大学 | 一种基于视觉的智能车辆前向碰撞预警方法及系统 |
| CN115100863A (zh) * | 2022-06-23 | 2022-09-23 | 中国人民公安大学 | 道路监控方法、装置、设备及存储介质 |
| CN115107767A (zh) * | 2022-07-21 | 2022-09-27 | 名商科技有限公司 | 基于人工智能的自动驾驶刹车与防碰撞的控制方法 |
| CN115618932A (zh) * | 2022-09-23 | 2023-01-17 | 清华大学 | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 |
| WO2023082850A1 (zh) * | 2021-11-11 | 2023-05-19 | 中国第一汽车股份有限公司 | 行人轨迹预测方法、装置及存储介质 |
| CN116720356A (zh) * | 2023-06-08 | 2023-09-08 | 中国汽车工程研究院股份有限公司 | 基于骑车人事故损伤预测的车辆主动安全模块设计方法 |
| CN116843890A (zh) * | 2023-06-30 | 2023-10-03 | 浙江零跑科技股份有限公司 | 一种目标位置预测方法、计算机设备、机可读存储介质及机动车 |
-
2023
- 2023-10-19 CN CN202311352738.XA patent/CN117496696A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108447303A (zh) * | 2018-03-20 | 2018-08-24 | 武汉理工大学 | 基于人眼视觉与机器视觉耦合的外周视野危险识别方法 |
| CN113370977A (zh) * | 2021-05-06 | 2021-09-10 | 上海大学 | 一种基于视觉的智能车辆前向碰撞预警方法及系统 |
| WO2023082850A1 (zh) * | 2021-11-11 | 2023-05-19 | 中国第一汽车股份有限公司 | 行人轨迹预测方法、装置及存储介质 |
| CN115100863A (zh) * | 2022-06-23 | 2022-09-23 | 中国人民公安大学 | 道路监控方法、装置、设备及存储介质 |
| CN115107767A (zh) * | 2022-07-21 | 2022-09-27 | 名商科技有限公司 | 基于人工智能的自动驾驶刹车与防碰撞的控制方法 |
| CN115618932A (zh) * | 2022-09-23 | 2023-01-17 | 清华大学 | 基于网联自动驾驶的交通事件预测方法、装置及电子设备 |
| CN116720356A (zh) * | 2023-06-08 | 2023-09-08 | 中国汽车工程研究院股份有限公司 | 基于骑车人事故损伤预测的车辆主动安全模块设计方法 |
| CN116843890A (zh) * | 2023-06-30 | 2023-10-03 | 浙江零跑科技股份有限公司 | 一种目标位置预测方法、计算机设备、机可读存储介质及机动车 |
Non-Patent Citations (1)
| Title |
|---|
| 蔡创新;高尚兵;周君;黄子赫;: "车路视觉协同的高速公路防碰撞预警算法", 中国图象图形学报, no. 08, 12 August 2020 (2020-08-12) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021004077A1 (zh) | 一种检测车辆的盲区的方法及装置 | |
| CN109789777B (zh) | 非预期脉冲变化碰撞检测器 | |
| CN111489588B (zh) | 车辆驾驶风险预警方法及装置、设备、存储介质 | |
| CN112487905B (zh) | 一种车辆周边行人危险等级预测方法及系统 | |
| Lv et al. | Automatic vehicle-pedestrian conflict identification with trajectories of road users extracted from roadside LiDAR sensors using a rule-based method | |
| US20200234578A1 (en) | Prioritized vehicle messaging | |
| US11167754B2 (en) | Systems and methods for trajectory based safekeeping of vehicles | |
| US20210316722A1 (en) | Systems and methods for trajectory based safekeeping of vehicles | |
| CN113674523A (zh) | 交通事故分析方法、装置及设备 | |
| CN116957345B (zh) | 用于无人驾驶系统中的数据处理方法 | |
| JP4814816B2 (ja) | 事故発生予測シミュレーション装置、方法及びプログラム並びに安全システム評価装置及び事故警報装置 | |
| CN111178286A (zh) | 姿态轨迹预测方法、装置及电子设备 | |
| CN111881952A (zh) | 基于预警大数据的驾驶员倾向性分析方法 | |
| CN117022323A (zh) | 一种智能驾驶车辆行为分析与预测系统及方法 | |
| CN110097571B (zh) | 快速高精度的车辆碰撞预测方法 | |
| CN110598980A (zh) | 交通场景的风险评估方法及装置 | |
| CN113352989A (zh) | 智能行车安全辅助方法、产品、设备和介质 | |
| CN117496696A (zh) | 一种基于大数据的交通管理系统 | |
| CN116597422A (zh) | 一种基于图像数据的道路预警方法、装置及电子设备 | |
| CN114872735B (zh) | 基于神经网络算法的自动驾驶物流车辆决策方法和装置 | |
| CN116580551A (zh) | 车辆驾驶行为评估方法、装置、设备及存储介质 | |
| CN114282776A (zh) | 车路协同评估自动驾驶安全性的方法、装置、设备和介质 | |
| CN113060158B (zh) | 基于多模态数据的驾驶预警方法、设备及介质 | |
| Ess et al. | Estimating the potential of a warning system preventing road accidents at pedestrian crossings | |
| CN117104255B (zh) | 一种智能驾驶车辆智能感知人车交互系统及方法 |
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 |