CN118172935A - 基于数字孪生的智慧高速管理系统及方法 - Google Patents
基于数字孪生的智慧高速管理系统及方法 Download PDFInfo
- Publication number
- CN118172935A CN118172935A CN202410581895.6A CN202410581895A CN118172935A CN 118172935 A CN118172935 A CN 118172935A CN 202410581895 A CN202410581895 A CN 202410581895A CN 118172935 A CN118172935 A CN 118172935A
- Authority
- CN
- China
- Prior art keywords
- road state
- road
- vector
- state feature
- sequence
- 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
- 238000000034 method Methods 0.000 title description 19
- 238000007726 management method Methods 0.000 claims abstract description 101
- 239000013598 vector Substances 0.000 claims description 148
- 238000012549 training Methods 0.000 claims description 67
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 238000012512 characterization method Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 14
- 230000009022 nonlinear effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 23
- 230000003993 interaction Effects 0.000 description 15
- 238000009826 distribution Methods 0.000 description 14
- 230000009021 linear effect Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000013604 expression vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000023077 detection of light stimulus Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种基于数字孪生的智慧高速管理系统及方法,其通过利用数字孪生技术和智能化算法,对待分析高速区域的各个道路图像进行动态地联合分析,综合考虑各个局部道路状态之间的差异性波动信息,并利用这种差异性波动信息来表征道路状态,实现对道路是否产生拥挤的判断与预测,为管理部门提供重要决策参考。最后,将所述待分析高速区域的各个道路图像和道路是否出现拥挤的高速管理结果显示高速管理公示屏上,实现管理信息的直观呈现和实时更新,以提升管理效率。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种基于数字孪生的智慧高速管理系统及方法。
背景技术
随着城市化进程的加速和交通运输需求的不断增长,高速公路系统作为城市交通的重要组成部分,扮演着连接城市和地区的重要角色。
然而,随着车辆数量的增加和交通流量的变化,高速公路上的交通管理和安全问题日益突出。传统的高速公路管理方法往往依赖于人工巡查和经验判断,效率低下且容易出现盲区,无法实时准确地捕捉道路状况的变化,限制了管理的科学性和精准性。
因此,期待一种优化的智慧高速管理系统及方法。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种基于数字孪生的智慧高速管理系统及方法,其通过利用数字孪生技术和智能化算法,对待分析高速区域的各个道路图像进行动态地联合分析,综合考虑各个局部道路状态之间的差异性波动信息,并利用这种差异性波动信息来表征道路状态,实现对道路是否产生拥挤的判断与预测,为管理部门提供重要决策参考。最后,将所述待分析高速区域的各个道路图像和道路是否出现拥挤的高速管理结果显示高速管理公示屏上,实现管理信息的直观呈现和实时更新,以提升管理效率。
根据本申请的一个方面,提供了一种基于数字孪生的智慧高速管理方法,其包括:
获取待分析高速区域的各个道路图像以得到道路图像的集合;
对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列;
对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量;
基于所述全局道路状态异常表征向量,确定高速管理结果;
将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。
根据本申请的另一个方面,提供了一种基于数字孪生的智慧高速管理系统,其包括:
图像获取模块,用于获取待分析高速区域的各个道路图像以得到道路图像的集合;
道路状态特征提取模块,用于对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列;
变异度量模块,用于对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量;
高速管理结果确定模块,用于基于所述全局道路状态异常表征向量,确定高速管理结果;
结果可视化模块,用于将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。
与现有技术相比,本申请提供的一种基于数字孪生的智慧高速管理系统及方法,其通过利用数字孪生技术和智能化算法,对待分析高速区域的各个道路图像进行动态地联合分析,综合考虑各个局部道路状态之间的差异性波动信息,并利用这种差异性波动信息来表征道路状态,实现对道路是否产生拥挤的判断与预测,为管理部门提供重要决策参考。最后,将所述待分析高速区域的各个道路图像和道路是否出现拥挤的高速管理结果显示高速管理公示屏上,实现管理信息的直观呈现和实时更新,以提升管理效率。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于数字孪生的智慧高速管理方法的流程图;
图2为根据本申请实施例的基于数字孪生的智慧高速管理方法的系统架构图;
图3为根据本申请实施例的基于数字孪生的智慧高速管理方法的训练阶段的流程图;
图4为根据本申请实施例的基于数字孪生的智慧高速管理方法的子步骤S3的流程图;
图5为根据本申请实施例的基于数字孪生的智慧高速管理系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
传统的高速公路管理方法往往依赖于人工巡查和经验判断,效率低下且容易出现盲区,无法实时准确地捕捉道路状况的变化,限制了管理的科学性和精准性。因此,期待一种优化的智慧高速管理系统及方法。
数字孪生是一种基于物理系统的数字表示,旨在通过实时、虚拟的模型与实际系统进行同步,以实现对实际系统状态和行为的准确建模、监测和预测。数字孪生技术的发展与应用为解决上述技术问题提供了一种新的思路。
在本申请的技术方案中,提出了一种基于数字孪生的智慧高速管理方法。图1为根据本申请实施例的基于数字孪生的智慧高速管理方法的流程图。图2为根据本申请实施例的基于数字孪生的智慧高速管理方法的系统架构图。如图1和图2所示,根据本申请的实施例的基于数字孪生的智慧高速管理方法,包括步骤:S1,获取待分析高速区域的各个道路图像以得到道路图像的集合;S2,对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列;S3,对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量;S4,基于所述全局道路状态异常表征向量,确定高速管理结果;S5,将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。
特别地,所述S1,获取待分析高速区域的各个道路图像以得到道路图像的集合。考虑到获取待分析高速区域的整体道路图像进行图像分析,由于待分析高速区域的整体道路图像可能包含大量数据,导致数据量庞大,增加数据处理和存储的负担。同时,不同局部小区域可能存在不同的交通状况和特点,通过获取所述待分析高速区域的各个道路图像可以更精细地监测和了解每个小区域的道路情况,包括交通流量、车辆行驶状况、道路状况等。这样,能够涵盖所述待分析高速区域内不同位置和不同角度的道路情况,使得对整个区域的道路状态有一个更全面的了解。
特别地,所述S2,对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列。特别地,在本申请的一个具体示例中,将所述道路图像的集合通过基于卷积神经网络模型的道路状态特征捕获模块以得到所述道路状态特征向量的序列。其中,卷积神经网络(Convolutional Neural Network,CNN)是一种深度学习神经网络,适用于处理具有网格结构的数据,如图像。CNN模型通过卷积层和池化层等组件,能够有效地提取图像中的特征,并在图像识别、目标检测、图像分类等任务上取得了巨大成功。在本申请的技术方案中,将所述道路图像的集合通过所述基于卷积神经网络模型的道路状态特征捕获模块能够利用卷积神经网络模型的特性从所述道路图像中学习到重要的特征信息和空间关系,这些特征信息和空间关系对于识别道路状态具有重要意义。其中,特征信息包括边缘、纹理、形状等。而空间关系可以用于对道路图像中交通标志、车辆等物体的识别和定位。这样,通过基于卷积神经网络模型的道路状态特征捕获模块可以有效地利用深度学习技术对所述道路图像的集合进行特征提取和分析,从而实现捕捉局部道路区域的道路状态信息和交通流量信息。具体地,将所述道路图像的集合通过基于卷积神经网络模型的道路状态特征捕获模块以得到所述道路状态特征向量的序列,包括:使用所述基于卷积神经网络模型的道路状态特征捕获模块的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的道路状态特征捕获模块的最后一层的输出为所述道路状态特征向量的序列,所述基于卷积神经网络模型的道路状态特征捕获模块的第一层的输入为所述道路图像的集合。
值得注意的是,卷积神经网络(CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,如图像和视频。下面是卷积神经网络模型的一般结构和步骤化展开:输入层:接受输入数据,通常是图像、音频或文本等;卷积层:卷积层是CNN的核心组件之一。它通过应用一系列滤波器(也称为卷积核)来提取输入数据中的局部特征。卷积操作将滤波器与输入数据进行逐元素相乘并求和,生成特征图;激活函数:在卷积层之后,通常会应用一个非线性激活函数,如ReLU,以引入非线性特征;池化层:池化层用于减少特征图的空间尺寸,并保留最重要的特征。常见的池化操作有最大池化和平均池化;全连接层:全连接层将池化层的输出连接到一个或多个全连接层,用于将特征映射到最终的输出类别或回归值。全连接层中的每个神经元都与前一层的所有神经元相连;输出层:输出层根据任务的不同选择适当的激活函数,如softmax函数用于多分类任务,线性激活函数用于回归任务;损失函数:根据任务的不同选择适当的损失函数,如交叉熵损失函数用于分类任务,均方误差损失函数用于回归任务;反向传播和优化:通过反向传播算法和梯度下降优化算法,根据损失函数计算模型参数的梯度,并更新参数以最小化损失函数。
特别地,所述S3,对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量。特别地,在本申请的一个具体示例中,如图4所示,所述S3,包括:S31,对所述道路状态特征向量的序列进行非线性效应补偿以得到校正后道路状态特征向量的序列;S32,将所述校正后道路状态特征向量的序列中的各个校正后道路状态特征向量通过道路状态变异信息分析模块以得到由多个变异度量系数组成的所述全局道路状态异常表征向量。
具体地,所述S31,对所述道路状态特征向量的序列进行非线性效应补偿以得到校正后道路状态特征向量的序列。考虑到各个所述道路状态特征向量中所表达的局部空间邻域内的道路状态信息对于道路拥挤情况的判断而言可能存在非线性响应关系。也就是,各个道路状态特征向量中的某些特征分布与道路拥挤程度之间的关系不是简单的线性关系,而可能受到多种因素的复杂影响,表现出非线性的特征。例如,在高密度情况下,即车辆密度接近或达到道路的容量极限时,继续增加车辆密度可能导致交通拥堵急剧加剧,车辆速度急剧下降,形成非线性的拥堵效应。又如,车辆密度的增加可能会导致车辆之间的相互影响增加,包括加速、减速和变道等行为,这种复杂的相互作用会使得车辆密度与交通拥堵之间的关系变得非线性。但是,这种非线性响应的关系可能在特征提取的过程中容易被忽略或者很难得以体现。这可能会导致对重要特征的忽略和对次要特征的过度强调,影响最终的对于交通拥堵情况的判断的准确性。因此,在本申请的技术方案中,期待对所述道路状态特征向量的序列进行非线性效应补偿以对各个局部空间邻域内的道路状态信息与交通道路拥挤情况之间的非线性响应关系进行补偿和校正,从而得到校正后道路状态特征向量的序列。在本申请的实施例中,对所述道路状态特征向量的序列进行基于伽马校正的线性效应补偿处理。更具体地,在传统的应用中,伽马校正是一种用于影像系统对光线的辉度或三色刺激值进行非线性运算或反运算的方法。它的目的是对人类视觉的非线性特性进行补偿,从而根据人类对光线或者黑白的感知,最大化地利用表示黑白的数据位或带宽。在本申请的技术方案中,对各个道路状态特征向量的局部空间邻域道路状态特征分布进行伽马校正是为了优化这些局部空间的道路状态的表示。其原因在于,各个所述道路图像中的微小空间变化可能代表着重要的关于道路拥挤的信息。利用伽马校正对非线性响应关系的敏感度对于各个局部道路空间状态数据的分析和解读具有重要意义。更具体地,对所述道路状态特征向量的序列进行非线性效应补偿以得到校正后道路状态特征向量的序列,包括:以如下非线性效应补偿公式对各个所述道路状态特征向量进行处理以得到各个所述校正后道路状态特征向量;其中,所述非线性效应补偿公式为:
其中,为所述道路状态特征向量中第/>个位置的特征值,/>为所述校正后道路状态特征向量中第/>个位置的特征值,A、B、C和D为数值不相同的校正参数。
具体地,所述S32,将所述校正后道路状态特征向量的序列中的各个校正后道路状态特征向量通过道路状态变异信息分析模块以得到由多个变异度量系数组成的所述全局道路状态异常表征向量。在本申请的实际应用场景中,考虑到在高速区域中,道路拥挤通常是一个局部现象,即使产生大面积道路拥挤,其在产生道路拥挤的开始阶段也是局部出现的。也就是说,道路产生拥挤会在特定道路段或区域上出现车辆密度增加、速度减慢等现象。这些局部的变化对于整体的道路情况来说是一种突变和异常。在本申请的技术方案中,将所述校正后道路状态特征向量的序列中的各个校正后道路状态特征向量通过道路状态变异信息分析模块以得到多个变异度量系数可以用来衡量各个局部空间的道路状态信息对于整体的道路状态的差异程度,从而判断是否存在拥堵。这样,由多个变异度量系数组成的全局道路状态异常表征向量可以综合考虑各个局部空间关联差异性信息组成的全局空间范围下的状态变化,提供更全面的异常情况评估。更具体地,将所述校正后道路状态特征向量的序列中的各个校正后道路状态特征向量通过道路状态变异信息分析模块以得到由多个变异度量系数组成的所述全局道路状态异常表征向量,包括:以如下道路状态变异信息分析公式对各个所述校正后道路状态特征向量进行处理以得到各个所述变异度量系数;其中,所述道路状态变异信息分析公式为:
其中,为第/>个所述校正后道路状态特征向量,/>为所述校正后道路状态特征向量的序列的均值特征向量,/>为第/>个变异度量系数,/>为权重系数矩阵,/>为偏置系数向量,/>表示双曲正切函数,/>表示向量的转置。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量,例如:输入所述道路状态特征向量的序列;对于所述道路状态特征向量序列中的每个特征维度,可以计算其变异度量。变异度量可以反映特征值在序列中的变化程度,常用的度量包括标准差、方差、均方差等;将各个特征维度的变异度量组合成一个全局道路状态异常表征向量。这可以通过简单地将各个特征维度的变异度量进行拼接或加权求和来实现;使用得到的全局道路状态异常表征向量进行异常检测。可以使用各种异常检测算法,如基于阈值的方法、基于统计学习的方法、基于机器学习的方法等,来识别异常情况; 根据检测到的异常情况,可以对模型进行反馈和调整。
特别地,所述S4和所述S5,基于所述全局道路状态异常表征向量,确定高速管理结果;以及,将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。也就是,在本申请的技术方案中,将所述全局道路状态异常表征向量通过基于分类器的道路拥挤判别器以得到高速管理结果,所述高速管理结果用于表示所述待分析高速区域是否出现道路拥挤;并将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。具体地,使用所述分类器的多个全连接层对所述全局道路状态异常表征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括待分析高速区域出现道路拥挤(第一标签),以及,待分析高速区域未出现道路拥挤(第二标签),其中,所述分类器通过软最大值函数来确定所述全局道路状态异常表征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“待分析高速区域是否出现道路拥挤”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,待分析高速区域是否出现道路拥挤的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“待分析高速区域是否出现道路拥挤”的语言文本意义。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于卷积神经网络模型的道路状态特征捕获模块、所述道路状态变异信息分析模块和所述基于分类器的道路拥挤判别器进行训练。也就是说,在本申请的基于数字孪生的智慧高速管理方法中,还包括训练阶段,用于对所述基于卷积神经网络模型的道路状态特征捕获模块、所述道路状态变异信息分析模块和所述基于分类器的道路拥挤判别器进行训练。
图3为根据本申请实施例的基于数字孪生的智慧高速管理方法的训练阶段的流程图。如图3所示,根据本申请实施例的基于数字孪生的智慧高速管理方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括待分析高速区域的训练道路图像的集合,以及,所述待分析高速区域是否出现道路拥挤的真实值;S120,将所述训练道路图像的集合通过所述基于卷积神经网络模型的道路状态特征捕获模块以得到训练道路状态特征向量的序列;S130,对所述训练道路状态特征向量的序列进行非线性效应补偿以得到训练校正后道路状态特征向量的序列;S140,将所述训练校正后道路状态特征向量的序列中的各个训练校正后道路状态特征向量通过所述道路状态变异信息分析模块以得到由多个训练变异度量系数组成的训练全局道路状态异常表征向量;S150,将所述训练全局道路状态异常表征向量通过所述基于分类器的道路拥挤判别器以得到分类损失函数值;S160,以所述分类损失函数值来对所述基于卷积神经网络模型的道路状态特征捕获模块、所述道路状态变异信息分析模块和所述基于分类器的道路拥挤判别器进行训练,其中,在每次训练所述全局道路状态异常表征向量通过分类器进行分类回归的迭代时,对所述训练全局道路状态异常表征向量进行迭代优化。
特别地,在上述技术方案中,所述训练校正后道路状态特征向量的序列表达所述道路图像的集合在局部样本语义空间域内的经由非线性图像语义响应校正后的图像语义特征,由此,将所述训练校正后道路状态特征向量的序列中的各个训练校正后道路状态特征向量通过道路状态变异信息分析模块后,由多个变异度量系数组成的所述训练全局道路状态异常表征向量可以进行全局样本语义空间域下的局部样本语义变异度量表示。
但是,考虑到所述待分析高速区域的道路图像本身在全局样本语义空间域下的局部样本语义空间域间的图像语义特征分布不均衡,由于非线性时序响应校正更加强调了各个局部样本语义空间域内的图像语义特征分布的主趋势,因此会引起全局样本语义空间域下的各个局部样本语义空间域的图像语义特征变异度量表示的显著的逐特征值特征分布差异性,从而期望所述训练全局道路状态异常表征向量基于局部特征分布的特征值数值分布差异性而在复杂特征表示维度上的特征表达效果。由此,本申请在每次训练所述全局道路状态异常表征向量通过分类器进行分类回归的迭代时,对所述训练全局道路状态异常表征向量进行迭代优化。
具体地,在本申请的一个示例中,在每次训练所述全局道路状态异常表征向量通过分类器进行分类回归的迭代时,对所述训练全局道路状态异常表征向量进行迭代优化,包括:将所述训练全局道路状态异常表征向量的每个特征值除以所述训练全局道路状态异常表征向量的最大特征值以获得训练全局道路状态异常交互表示向量;将所述训练全局道路状态异常表征向量的特征值均值除以所述训练全局道路状态异常表征向量的特征值标准差以获得与所述训练全局道路状态异常表征向量对应的统计维度交互值;将所述训练全局道路状态异常交互表示向量的每个特征值减去所述统计维度交互值后计算其每个位置的对数值以获得训练全局道路状态异常交互信息表示向量;将所述训练全局道路状态异常交互表示向量的每个特征值加上所述统计维度交互值后再乘以预定权重超参数以获得训练全局道路状态异常交互模式表示向量;将所述训练全局道路状态异常交互信息表示向量与所述训练全局道路状态异常交互模式表示向量点加以获得优化的全局道路状态异常表征向量。
也就是,为了提升所述训练全局道路状态异常表征向量基于局部特征分布的特征值数值分布差异性而在复杂特征表示维度上的特征表达效果,在上述步骤中,通过以包含由均值和标准值代表的统计特征的维度交互表示和作为隐变量特征的特征值和最大特征值的分布交互表示的短序列来作为所述训练全局道路状态异常表征向量的复杂流形网络下的子流形潜在模体,从而将得到的所述训练全局道路状态异常表征向量的基于所述训练全局道路状态异常交互信息表示向量与所述训练全局道路状态异常交互模式表示向量的潜在模体特征信息模式和特征分布模式来作为其全局结构推断单元,从而基于连接地以全局结构潜在模体字典的形式来重构所述训练全局道路状态异常表征向量的复杂流形结构,以提升模型在迭代过程当中对于由复杂特征表示维度下的特征对应的流形结构的生成和演化理解能力,提升模型迭代过程中对于所述训练全局道路状态异常表征向量的复杂特征表示维度的特征表达效果,从而提升所述训练全局道路状态异常表征向量通过分类器得到的分类结果的准确性。
综上,根据本申请实施例的基于数字孪生的智慧高速管理方法被阐明,其通过利用数字孪生技术和智能化算法,对待分析高速区域的各个道路图像进行动态地联合分析,综合考虑各个局部道路状态之间的差异性波动信息,并利用这种差异性波动信息来表征道路状态,实现对道路是否产生拥挤的判断与预测,为管理部门提供重要决策参考。最后,将所述待分析高速区域的各个道路图像和道路是否出现拥挤的高速管理结果显示高速管理公示屏上,实现管理信息的直观呈现和实时更新,以提升管理效率。
进一步地,还提供一种基于数字孪生的智慧高速管理系统。
图5为根据本申请实施例的基于数字孪生的智慧高速管理系统的框图。如图5所示,根据本申请实施例的基于数字孪生的智慧高速管理系统300,包括:图像获取模块310,用于获取待分析高速区域的各个道路图像以得到道路图像的集合;道路状态特征提取模块320,用于对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列;变异度量模块330,用于对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量;高速管理结果确定模块340,用于基于所述全局道路状态异常表征向量,确定高速管理结果;结果可视化模块350,用于将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。
如上所述,根据本申请实施例的基于数字孪生的智慧高速管理系统300可以实现在各种无线终端中,例如具有基于数字孪生的智慧高速管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的基于数字孪生的智慧高速管理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该基于数字孪生的智慧高速管理系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该基于数字孪生的智慧高速管理系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该基于数字孪生的智慧高速管理系统300与该无线终端也可以是分立的设备,并且该基于数字孪生的智慧高速管理系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于数字孪生的智慧高速管理方法,其特征在于,包括:
获取待分析高速区域的各个道路图像以得到道路图像的集合;
对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列;
对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量;
基于所述全局道路状态异常表征向量,确定高速管理结果;
将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。
2.根据权利要求1所述的基于数字孪生的智慧高速管理方法,其特征在于,对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列,包括:
将所述道路图像的集合通过基于卷积神经网络模型的道路状态特征捕获模块以得到所述道路状态特征向量的序列。
3.根据权利要求2所述的基于数字孪生的智慧高速管理方法,其特征在于,所述卷积神经网络模型,包括:输入层、第一卷积层、第一池化层、第二卷积层、第二池化层和输出层;其中,所述第一卷积层的卷积核大小为5x5,步长为1;所述第一池化层的池化窗口大小为2x2,步长为2;所述第二卷积层卷积核大小为5x5,步长为1;所述第二池化层的池化窗口大小为2x2,步长为2。
4.根据权利要求3所述的基于数字孪生的智慧高速管理方法,其特征在于,对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量,包括:
对所述道路状态特征向量的序列进行非线性效应补偿以得到校正后道路状态特征向量的序列;
将所述校正后道路状态特征向量的序列中的各个校正后道路状态特征向量通过道路状态变异信息分析模块以得到由多个变异度量系数组成的所述全局道路状态异常表征向量。
5.根据权利要求4所述的基于数字孪生的智慧高速管理方法,其特征在于,对所述道路状态特征向量的序列进行非线性效应补偿以得到校正后道路状态特征向量的序列,包括:
以如下非线性效应补偿公式对各个所述道路状态特征向量进行处理以得到各个所述校正后道路状态特征向量;其中,所述非线性效应补偿公式为:
其中,/>为所述道路状态特征向量中第/>个位置的特征值,/>为所述校正后道路状态特征向量中第/>个位置的特征值,A、B、C和D为数值不相同的校正参数。
6.根据权利要求5所述的基于数字孪生的智慧高速管理方法,其特征在于,将所述校正后道路状态特征向量的序列中的各个校正后道路状态特征向量通过道路状态变异信息分析模块以得到由多个变异度量系数组成的所述全局道路状态异常表征向量,包括:
以如下道路状态变异信息分析公式对各个所述校正后道路状态特征向量进行处理以得到各个所述变异度量系数;其中,所述道路状态变异信息分析公式为:
其中,/>为第/>个所述校正后道路状态特征向量,/>为所述校正后道路状态特征向量的序列的均值特征向量,/>为第/>个变异度量系数,/>为权重系数矩阵,/>为偏置系数向量,/>表示双曲正切函数,/>表示向量的转置。
7.根据权利要求6所述的基于数字孪生的智慧高速管理方法,其特征在于,基于所述全局道路状态异常表征向量,确定高速管理结果,包括:
将所述全局道路状态异常表征向量通过基于分类器的道路拥挤判别器以得到所述高速管理结果,所述高速管理结果用于表示所述待分析高速区域是否出现道路拥挤。
8.根据权利要求7所述的基于数字孪生的智慧高速管理方法,其特征在于,还包括训练步骤:对所述基于卷积神经网络模型的道路状态特征捕获模块、所述道路状态变异信息分析模块和所述基于分类器的道路拥挤判别器进行训练。
9.根据权利要求8所述的基于数字孪生的智慧高速管理方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括待分析高速区域的训练道路图像的集合,以及,所述待分析高速区域是否出现道路拥挤的真实值;
将所述训练道路图像的集合通过所述基于卷积神经网络模型的道路状态特征捕获模块以得到训练道路状态特征向量的序列;
对所述训练道路状态特征向量的序列进行非线性效应补偿以得到训练校正后道路状态特征向量的序列;
将所述训练校正后道路状态特征向量的序列中的各个训练校正后道路状态特征向量通过所述道路状态变异信息分析模块以得到由多个训练变异度量系数组成的训练全局道路状态异常表征向量;
将所述训练全局道路状态异常表征向量通过所述基于分类器的道路拥挤判别器以得到分类损失函数值;
以所述分类损失函数值来对所述基于卷积神经网络模型的道路状态特征捕获模块、所述道路状态变异信息分析模块和所述基于分类器的道路拥挤判别器进行训练,其中,在每次训练所述全局道路状态异常表征向量通过分类器进行分类回归的迭代时,对所述训练全局道路状态异常表征向量进行迭代优化。
10.一种基于数字孪生的智慧高速管理系统,其特征在于,包括:
图像获取模块,用于获取待分析高速区域的各个道路图像以得到道路图像的集合;
道路状态特征提取模块,用于对所述道路图像的集合进行道路状态特征提取以得到道路状态特征向量的序列;
变异度量模块,用于对所述道路状态特征向量的序列进行变异度量以得到全局道路状态异常表征向量;
高速管理结果确定模块,用于基于所述全局道路状态异常表征向量,确定高速管理结果;
结果可视化模块,用于将所述道路图像的集合和所述高速管理结果显示于高速管理公示屏上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410581895.6A CN118172935A (zh) | 2024-05-11 | 2024-05-11 | 基于数字孪生的智慧高速管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410581895.6A CN118172935A (zh) | 2024-05-11 | 2024-05-11 | 基于数字孪生的智慧高速管理系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118172935A true CN118172935A (zh) | 2024-06-11 |
Family
ID=91360467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410581895.6A Pending CN118172935A (zh) | 2024-05-11 | 2024-05-11 | 基于数字孪生的智慧高速管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118172935A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165561A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频特征的交通拥堵识别方法 |
CN110084112A (zh) * | 2019-03-20 | 2019-08-02 | 太原理工大学 | 一种基于图像处理的交通拥堵判断方法 |
US10873456B1 (en) * | 2019-05-07 | 2020-12-22 | LedgerDomain, LLC | Neural network classifiers for block chain data structures |
CN112686187A (zh) * | 2021-01-05 | 2021-04-20 | 四川铁投信息技术产业投资有限公司 | 基于深度学习视频分类的道路通行异常状态检测方法及装置 |
CN116563816A (zh) * | 2023-04-04 | 2023-08-08 | 江西通慧科技集团股份有限公司 | 一种基于智能灯杆的道路识别方法及系统 |
CN116721393A (zh) * | 2023-06-13 | 2023-09-08 | 浙江省机电设计研究院有限公司 | 一种基于多模态融合的高速公路拥堵检测方法及系统 |
CN117932763A (zh) * | 2024-02-21 | 2024-04-26 | 河北高速公路集团有限公司 | 基于数字孪生的高速公路交通模型构建方法 |
-
2024
- 2024-05-11 CN CN202410581895.6A patent/CN118172935A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165561A (zh) * | 2018-07-27 | 2019-01-08 | 北京以萨技术股份有限公司 | 一种基于视频特征的交通拥堵识别方法 |
CN110084112A (zh) * | 2019-03-20 | 2019-08-02 | 太原理工大学 | 一种基于图像处理的交通拥堵判断方法 |
US10873456B1 (en) * | 2019-05-07 | 2020-12-22 | LedgerDomain, LLC | Neural network classifiers for block chain data structures |
CN112686187A (zh) * | 2021-01-05 | 2021-04-20 | 四川铁投信息技术产业投资有限公司 | 基于深度学习视频分类的道路通行异常状态检测方法及装置 |
CN116563816A (zh) * | 2023-04-04 | 2023-08-08 | 江西通慧科技集团股份有限公司 | 一种基于智能灯杆的道路识别方法及系统 |
CN116721393A (zh) * | 2023-06-13 | 2023-09-08 | 浙江省机电设计研究院有限公司 | 一种基于多模态融合的高速公路拥堵检测方法及系统 |
CN117932763A (zh) * | 2024-02-21 | 2024-04-26 | 河北高速公路集团有限公司 | 基于数字孪生的高速公路交通模型构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086811B (zh) | 多标签图像分类方法、装置及电子设备 | |
CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN110879982B (zh) | 一种人群计数系统及方法 | |
CN111507370A (zh) | 获得自动标注图像中检查标签的样本图像的方法和装置 | |
CN111444939A (zh) | 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法 | |
CN111274926B (zh) | 图像数据筛选方法、装置、计算机设备和存储介质 | |
CN113610069B (zh) | 基于知识蒸馏的目标检测模型训练方法 | |
CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
CN102422324A (zh) | 年龄估计设备、方法和程序 | |
CN112700324A (zh) | 基于CatBoost与受限玻尔兹曼机结合的用户借贷违约预测方法 | |
CN112215831B (zh) | 一种用于人脸图像质量的评价方法和系统 | |
CN110781970A (zh) | 分类器的生成方法、装置、设备及存储介质 | |
CN117156442B (zh) | 基于5g网络的云数据安全保护方法及系统 | |
Acharya et al. | Deep neural network based approach for detection of defective solar cell | |
CN117061322A (zh) | 物联网流量池管理方法及系统 | |
Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
CN117350635A (zh) | 建筑材料出入库管理系统及方法 | |
CN112418020A (zh) | 一种基于注意力机制的YOLOv3违法广告牌智能检测方法 | |
JP7355299B2 (ja) | 学習用データセット生成システム、学習サーバ、及び学習用データセット生成プログラム | |
CN111797795A (zh) | 一种基于YOLOv3与SSR的行人检测算法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及系统 | |
CN118172935A (zh) | 基于数字孪生的智慧高速管理系统及方法 | |
CN115908344A (zh) | 一种基于MLCT-YOLO的Micro LED芯片缺陷检测方法 | |
CN115661703A (zh) | 一种基于深度学习的门店招牌信息提取的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |