WO2014201895A1 - 车辆到站时间预报系统及方法 - Google Patents

车辆到站时间预报系统及方法 Download PDF

Info

Publication number
WO2014201895A1
WO2014201895A1 PCT/CN2014/074838 CN2014074838W WO2014201895A1 WO 2014201895 A1 WO2014201895 A1 WO 2014201895A1 CN 2014074838 W CN2014074838 W CN 2014074838W WO 2014201895 A1 WO2014201895 A1 WO 2014201895A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
information
time
arrival
real
Prior art date
Application number
PCT/CN2014/074838
Other languages
English (en)
French (fr)
Inventor
张玲
熊壮
Original Assignee
中兴通讯股份有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 中兴通讯股份有限公司 filed Critical 中兴通讯股份有限公司
Publication of WO2014201895A1 publication Critical patent/WO2014201895A1/zh

Links

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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Definitions

  • the present invention relates to the field of computers, and in particular, to a vehicle arrival time prediction system and method.
  • An intelligent video surveillance system is an extension of the functionality of a video surveillance system. Through intelligent analysis of the monitored video stream, it mainly provides functions such as face recognition, license plate recognition, vehicle speed detection, still life monitoring, warning zone detection, and graffiti detection. Forecasting bus arrival time is a key technology in the field of intelligent transportation systems, and its research is of great significance. The existing public transport system can not predict the arrival time, which brings a lot of unknowns to the public's appearance time.
  • An embodiment of the present invention provides a vehicle arrival time prediction system, including: a database, configured to save basic vehicle information, vehicle monitoring rule information, and real-time running data of the vehicle; and an intelligent analysis module configured to control according to the vehicle monitoring rule information
  • the one or more data collection terminals acquire and process the video code stream from the one or more data collection terminals, and obtain real-time running data of the vehicle from the processed video code stream according to the basic information of the vehicle, according to the real-time running data of the vehicle, And the historical vehicle real-time running data in the current time period in the database establishes a vehicle arrival time prediction model, and calculates vehicle arrival information of the vehicle arriving at any station according to the vehicle arrival time prediction model, and writes the vehicle real-time running data into the database.
  • the system further includes: a video monitoring service management module, configured to write the vehicle arrival information calculated by the intelligent analysis module into the database, and send the vehicle arrival information to the intelligent display terminal; After the station time request, the vehicle arrival information is sent to the short message center; The intelligent display terminal is set at the site and is set to display the vehicle arrival information; the SMS center is set to send the vehicle arrival information to the user terminal through the short message.
  • the above intelligent display terminal is configured to: for the vehicle of the same line, from the received vehicle-to-station information, select the minimum station time as the time of arrival at the station.
  • the system further includes: a monitoring client configured to perform real-time monitoring of the operation of the vehicle through the data collection terminal.
  • the vehicle basic information includes: a vehicle line name, site information experienced by the vehicle line, distance information between the stations, and location information of the data collection terminal;
  • the vehicle monitoring rule information includes: a vehicle monitoring range, and a monitoring time;
  • the real-time operational data includes: vehicle line information, traffic density information on a section between adjacent vehicle sites, and vehicle specific location information, wherein the vehicle route information includes: a vehicle route name, an arrival time, an outbound time, and
  • the intelligent analysis module includes: an image processing module configured to acquire a video code stream from the corresponding data collection terminal according to the vehicle basic information and the vehicle monitoring rule information, convert the video code stream into an image frame, and filter the image frame. And grayscale processing; a vehicle line identification algorithm module, configured to identify a vehicle line from the processed image frame, obtain vehicle line information, and write to a database; a traffic density algorithm module, configured to calculate from the processed image frame The traffic density information on the road segment between each adjacent vehicle site is written into the database; the arrival time prediction module is set to establish the vehicle arrival time according to the real-time running data of the vehicle and the historical real-time running data of the current time period in the database.
  • the model is predicted, and the vehicle arrival information of the vehicle arriving at any station is calculated according to the vehicle arrival time prediction model.
  • the above-mentioned arrival time prediction module is set as: According to the vehicle line information identified by the vehicle line identification algorithm module, the site information experienced by the corresponding vehicle line and the distance information between the stations are obtained from the database, and the corresponding traffic density information is obtained from the traffic density algorithm module;
  • the distance between the stations is S
  • the invention also provides a vehicle arrival time prediction method, comprising: storing vehicle basic information, vehicle monitoring rule information, and vehicle real-time running data in a database; the intelligent analysis module controls the data collecting terminal according to the vehicle monitoring rule information, and acquires data.
  • the video code stream collected by the terminal is collected and processed; the vehicle real-time running data is obtained from the processed video code stream according to the basic information of the vehicle, and the vehicle arrives at the station according to the real-time running data of the vehicle and the historical real-time running data of the current time period in the database.
  • Time prediction model Calculate the vehicle arrival information of the vehicle arriving at any station according to the vehicle arrival time prediction model, and write the vehicle real-time running data into the database.
  • the method further includes: the video monitoring service management module writes the vehicle arrival information calculated by the intelligent analysis module into the database, and sends the vehicle arrival information to the intelligent display terminal, and displays the vehicle arrival information through the intelligent display terminal; After receiving the inquiry of the bus arrival time request, the video monitoring service management module sends the vehicle arrival information to the short message center, and sends the vehicle arrival station information to the user terminal through the short message center through the short message center.
  • the displaying the vehicle arrival information by the smart display terminal comprises: for the vehicle of the same line, the intelligent display terminal selects the minimum time to the station as the time to arrive at the station and displays the received vehicle to station information.
  • the method further includes: monitoring the client to perform real-time monitoring of the operation of the vehicle through the data collection terminal.
  • the vehicle basic information includes: a vehicle line name, site information experienced by the vehicle line, distance information between the stations, and location information of the data collection terminal;
  • the vehicle monitoring rule information includes: a vehicle monitoring range, and a monitoring time;
  • the real-time operational data includes: vehicle line information, traffic density information on a section between adjacent vehicle sites, and vehicle specific location information, wherein the vehicle route information includes: a vehicle route name, an arrival time, an outbound time, and
  • the intelligent analysis module controls the data collection terminal according to the vehicle monitoring rule information, acquires and processes the video code stream collected by the data collection terminal, and acquires real-time running data of the vehicle from the processed video code stream according to the basic information of the vehicle, according to the vehicle.
  • the real-time running data and the historical vehicle real-time running data of the current time period in the database establish a vehicle arrival time prediction model; calculate the vehicle arrival information of the vehicle arriving at any station according to the vehicle arrival time prediction model, and write the vehicle real-time running data
  • the database includes: the image processing module acquires a video code stream from the corresponding data collection terminal according to the basic information of the vehicle and the vehicle monitoring rule information, converts the video code stream into an image frame, and performs filtering and grayscale processing on the image frame;
  • the algorithm module identifies the vehicle line from the processed image frame, acquires the vehicle line information, and writes the data to the database;
  • the traffic density algorithm module calculates the traffic density information on the road segment between each adjacent vehicle site from the processed image frame.
  • the arrival time prediction module establishes a vehicle arrival time prediction model according to the real-time running data of the vehicle and the historical vehicle real-time running data of the current time period in the database, and calculates the vehicle that arrives at any station according to the vehicle arrival time prediction model.
  • Arrival information Preferably, the foregoing arrival time prediction module establishes a vehicle arrival time prediction model according to the real-time running data of the vehicle and the historical vehicle real-time running data of the current time period in the database, and calculates the vehicle arriving at any station according to the vehicle arrival time prediction model.
  • Vehicle arrival information includes: According to the vehicle line information identified by the vehicle line identification algorithm module, the site information experienced by the corresponding vehicle line and the distance information between the stations are obtained from the database, and the corresponding traffic density information is obtained from the traffic density algorithm module;
  • the distance between the stations is S
  • the beneficial effects of the embodiments of the present invention are as follows: By extending the function of the intelligent video monitoring system, using the vehicle counting and identifying the vehicle line and the like, the vehicle real-time running data is extracted from the video code stream, thereby estimating the vehicle arrival time. The method of being able to make an accurate budget for the arrival time of the vehicle.
  • the above description is only an overview of the technical solutions of the present invention, and the technical means of the present invention can be more clearly understood, and can be implemented in accordance with the contents of the specification, and the above and other objects, features and advantages of the embodiments of the present invention can be more obvious. It is to be understood that the specific embodiments of the embodiments of the present invention are described below.
  • FIG. 1 is a schematic structural view of a vehicle arrival time prediction system according to an embodiment of the present invention
  • FIG. 2 is a schematic diagram of a public vehicle arrival time prediction system based on video surveillance according to an embodiment of the present invention
  • the present invention provides a vehicle arrival time prediction system and method, and the vehicle arrival time system based on the intelligent video surveillance replaces the GPS positioning system, RFID recognition technology obtains real-time running data of the vehicle, and extracts the real-time running data of the vehicle in the video stream through the vehicle counting algorithm and the vehicle road identification technology, and uses the data source as the data source to calculate the time of the vehicle arrival time, thereby real-time the vehicle arrival time. It can be updated to the public in the form of an electronic stop sign to bring convenience to the citizens.
  • the vehicle company can help the vehicle company to adaptively schedule the vehicle based on the feedback of the real-time bus arrival information.
  • the technical solution of the embodiment of the invention can not only facilitate the travel of the public when the bus arrives at the station time forecast, but also increases the profit mode for the existing communication operator, and only adds the software module to the existing video monitoring system. It can be achieved without the need for large-scale hardware investment.
  • by adopting a bidding advertisement on the intelligent display terminal, etc. it is possible to generate income and make up for the upfront investment.
  • FIG. 1 is a schematic structural diagram of a vehicle arrival time prediction system according to an embodiment of the present invention.
  • the vehicle arrival time prediction system includes: a database 10, and an intelligent analysis module 12. The following describes each module of the embodiment of the present invention in detail.
  • the database 10 is configured to save vehicle basic information, vehicle monitoring rule information, and vehicle real-time running data.
  • the vehicle basic information includes: a vehicle line name, a site information experienced by the vehicle line, The distance information between the stations and the location information of the data collection terminal;
  • the vehicle monitoring rule information includes: a vehicle monitoring range and a monitoring time;
  • the vehicle real-time running data includes: vehicle line information, traffic density information on a section between adjacent vehicle stations, and specific location information of the vehicle, wherein the vehicle line information
  • the method includes: a vehicle line name, an arrival time, an outbound time, and identification information of the corresponding data collection terminal, and the vehicle traffic density information includes: a vehicle travel speed information; one or more data collection terminals, which can be disposed at each site of the vehicle line And being configured to collect the video code stream under the control of the intelligent analysis module 12; the intelligent analysis module 12 is configured to control one or more data collection terminals according to the vehicle monitoring rule information, and obtain the video code from the one or more data collection terminals.
  • Flowing and processing obtaining real-time running data of the vehicle from the processed video code stream according to the basic information of the vehicle, establishing a vehicle arrival time prediction model according to the real-time running data of the vehicle and the historical real-time running data of the current time period in the database 10, and According to the vehicle arrival time prediction model to calculate the vehicle reaches a vehicle according to any station, arrival information, and real-time vehicle operation data into the database
  • Vehicle arrival information includes: arrival time, and vehicle arrival delay.
  • the intelligent analysis module 12 includes: an image processing module configured to acquire a video code stream from a corresponding data collection terminal according to vehicle basic information and vehicle monitoring rule information, convert the video code stream into an image frame, and filter and grayscale the image frame. Processing; a vehicle line identification algorithm module, configured to identify a vehicle line from the processed image frame, obtain vehicle line information, and write to the database 10; a traffic density algorithm module, configured to calculate each phase from the processed image frame The traffic density information on the road segment between the adjacent vehicle stations is written into the database 10; the arrival time prediction module is set to establish the vehicle arrival time according to the real-time running data of the vehicle and the historical real-time running data of the current time period in the database 10.
  • the model is predicted, and the vehicle arrival information of the vehicle arriving at any station is calculated according to the vehicle arrival time prediction model.
  • the foregoing arrival time prediction module is configured to: obtain, according to the vehicle line information identified by the vehicle line identification algorithm module, the site information and the site experienced by the corresponding vehicle line from the database 10.
  • delta (P, T) a/speed (P, T)
  • P the station function
  • T the time function
  • t S/speed
  • the system further includes: a video monitoring service management module, configured to write the vehicle arrival information calculated by the intelligent analysis module 12 into the database 10, and send the vehicle arrival information to the intelligent display terminal; After the bus arrival time request, the vehicle arrival information is sent to the short message center; the intelligent display terminal is set at the site, and is set to display the vehicle arrival information; the intelligent display terminal is set as: for the same line of vehicles, received from the In the vehicle arrival information, the minimum station time is selected as the time to arrive at the station.
  • the SMS center is set to send the vehicle arrival information to the user terminal via SMS.
  • the monitoring client is set to perform real-time monitoring of the operation of the vehicle through the data collection terminal.
  • the bus arrival time prediction system based on intelligent video surveillance includes: a database, a data collection terminal, and an intelligent analysis. Module, video surveillance service management module, SMS center, intelligent display terminal, and monitoring client.
  • the database is configured to save basic information of the entered bus, such as the name of the bus line, the location of the bus and the distance between the stations, the location of the monitoring point, and the like; The scope of the bus monitoring, monitoring time and other rules information, as well as bus real-time operational data.
  • the data collection terminal mainly refers to a camera and a PU, and collects a video code stream through the same, and sends the video code stream to the intelligent analysis module.
  • the intelligent analysis module includes an image processing module, a bus line identification algorithm module, a traffic density algorithm module, and an arrival time prediction module.
  • the function of the image processing module converts the video stream into an image of one frame and one frame, and performs filtering and gradation processing on the image.
  • the bus line identification algorithm module and the traffic density algorithm module are mainly set to obtain the bus line, the inbound and outbound time, and the driving speed of the vehicle under the current road condition, and provide a data source for the arrival time prediction module.
  • the bus line identification algorithm module is configured to identify the bus line, and output the identified bus line information to the station time prediction module.
  • the traffic density algorithm module is configured to detect the number of vehicles passing through the unit time; and output the result to the station time prediction module.
  • the arrival time prediction module establishes a bus arrival time prediction model based on the information of the real-time collected traffic density, bus location information, and bus outbound time, and the historical bus operation data of the time period. The model calculates the time when the bus arrives at any station and outputs the result to the video surveillance service management module.
  • the function of the video surveillance service management module is to write bus information: such as arrival time, line name, current site and other information into the database and send it to the intelligent display terminal.
  • the SMS center is set to notify the user of the bus arrival information by SMS.
  • the intelligent display terminal mainly refers to an electronic station card, and is set to receive the bus arrival information sent by the video monitoring service management module, and is displayed.
  • the monitoring client can monitor the real-time operation of the bus in real time, mainly set as the observation of real-time traffic information, and can provide the bus dispatching basis for the bus dispatching room. At the same time, it is possible to monitor whether there is any violation of the bus to the station.
  • each of the above modules can be processed as follows: In the first step, the bus arrival time task is enabled.
  • the video surveillance service management module delivers a predicted bus arrival time task to the intelligent analysis module.
  • the intelligent analysis module obtains the video code stream from each monitoring point, and calls the bus arrival time algorithm to estimate the bus arrival time.
  • the second step is to extract the real-time running data of the bus from the video stream, which mainly includes the bus-to-station departure time, the vehicle traveling speed on each adjacent station section, and the specific location information of the bus.
  • the license plate recognition algorithm module and the traffic density algorithm module are enabled.
  • the license plate recognition algorithm module identifies the bus route to the station, and if there is a bus to the station, sends the identified bus route information to the arrival time prediction module.
  • Bus line information includes bus line name, arrival time, outbound time, and data collection terminal identification (PUID) information.
  • the traffic density algorithm module is set to detect the real-time traffic condition information of the bus, and the main statistics are the total number of vehicles passing in the unit time.
  • the information obtained by the arrival time prediction module through the module includes the average vehicle speed and PUID information of the road segment to which the monitoring point belongs.
  • the specific location information of the bus can pass the PUID. Make a judgment.
  • Each monitoring point registers the location information of the monitoring point with the video surveillance service management system when registering.
  • the third step is to establish a bus arrival time estimation model.
  • the bus arrival time algorithm module stores the average speed of each section and the delay time of the bus entry and exit station into the road history database.
  • the bus arrival time algorithm module combines the historical data and the current real-time data reported by the bus line identification module and the traffic flow algorithm module, and budgets the travel time of each road segment and the delay time of each station.
  • the bus arrival algorithm module calculates the time of arrival of the bus arriving at the station to the subsequent stations according to the vehicle travel time of each road segment calculated in the third step and the delay time of each station. For buses on the same line, each station takes the minimum value from the time of arrival to the station as the time when the line bus arrives at the station. Finally, the bus arrival algorithm module outputs the result to the video surveillance service management module.
  • the output information includes the PUID, the name of the bus line, the time of arrival at each station, and the number of stations arriving at each station.
  • the video surveillance service management module receives the information output by the bus arrival time algorithm module, the information is processed and sent to the intelligent display terminal, and the information is stored in the database.
  • the video surveillance service management module when the video surveillance service management module receives the request for querying the bus arrival time, the information is sent to the user through the short message center; or the public transit arrival time is obtained by installing the bus arrival information to query the client.
  • the private car can obtain the time to reach the destination from the video surveillance service management module by means of short message, or directly query the speed of the vehicle on each road segment.
  • the technical solution of the embodiment of the present invention is different from the method of acquiring data by using GPS, identifying a bus by RFID, and the like, and extracting real-time data during the operation of the bus through the intelligent algorithm from the video monitoring system, and estimating the bus to the historical data. Station time, to ensure that the estimated arrival time is timely and accurate.
  • FIG. 3 is a flowchart of a vehicle arrival time prediction method according to an embodiment of the present invention. As shown in FIG.
  • the vehicle arrival time prediction method includes the following processing: Step 301, storing basic information of the vehicle, vehicle monitoring rule information, and real-time running data of the vehicle in the database; wherein the basic information of the vehicle includes: a name of the vehicle line, and a site experienced by the vehicle line Information, distance information between sites, and location information of data collection terminals;
  • the vehicle monitoring rule information includes: a vehicle monitoring range and a monitoring time;
  • the vehicle real-time running data includes: vehicle line information, traffic density information on a section between adjacent vehicle stations, and specific location information of the vehicle, wherein the vehicle line information
  • the method includes: a vehicle line name, an arrival time, an outbound time, and identification information of the corresponding data collection terminal, and the vehicle traffic density information includes: vehicle travel speed information;
  • the intelligent analysis module controls the data collection terminal according to the vehicle monitoring rule information, Obtaining and processing the video code stream collected by the data collection terminal; obtaining real-time running data of the vehicle from the processed video code stream according to the basic information of the vehicle,
  • the vehicle arrival information includes: arrival time, and vehicle arrival delay time.
  • step 302 includes the following process: the image processing module acquires a video code stream from the corresponding data collection terminal according to the vehicle basic information and the vehicle monitoring rule information, converts the video code stream into an image frame, and filters and grayscales the image frame. Processing; the vehicle line identification algorithm module identifies the vehicle line from the processed image frame, acquires vehicle line information, and writes the database; the traffic density algorithm module calculates the road segment between each adjacent vehicle site from the processed image frame.
  • the vehicle traffic density information is written into the database; the arrival time prediction module establishes a vehicle arrival time prediction model according to the real-time running data of the vehicle and the historical vehicle real-time running data of the current time period in the database, and calculates according to the vehicle arrival time prediction model.
  • the vehicle arrival information of the vehicle arriving at any station Preferably, according to the vehicle line information identified by the vehicle line identification algorithm module, the site information experienced by the corresponding vehicle line and the distance information between the stations are obtained from the database, and the corresponding traffic density information is obtained from the traffic density algorithm module.
  • Determine the relationship between travel time t and traffic density: t S delta (P, T) /a; fit a set of curves W[n] about delta (P, T) and time, according to a current site
  • the delta (P, T) at a certain moment, combined with the W[n] weighting calculation, obtains the future traffic density delta (P, T), and calculates the arrival time according to t S delta(P, T)/a;
  • the vehicle arrival delay time is calculated based on the arrival time of the corresponding time period in the database.
  • the foregoing method may further include the following: the video monitoring service management module writes the vehicle arrival information calculated by the intelligent analysis module into the database, and sends the vehicle arrival information to the intelligent display terminal, and displays the vehicle to the intelligent display terminal. Station information; wherein, for the vehicle of the same line, the intelligent display terminal selects the minimum station time from the received vehicle-to-station information as the time to arrive at the station and displays it.
  • the video monitoring service management module After receiving the inquiry of the bus arrival time request, the video monitoring service management module sends the vehicle arrival information to the short message center, and sends the vehicle arrival station information to the user terminal through the short message center through the short message center.
  • the monitoring client monitors the operation of the vehicle in real time through the data collection terminal.
  • Step 401 A user adds a bus tracking rule to a video monitoring service management module.
  • the information includes information such as a PUID, a monitoring area, an execution time, a rule ID, and a rule type, and the rule information is written into the database by the video monitoring service management module.
  • Step 402 The user enables the bus tracking rule, and the video monitoring service management module adds a bus tracking task to the task table and sends the task to the intelligent analysis module.
  • Task content includes monitoring area, execution time, rule ID, PUID and other information.
  • the intelligent analysis module After receiving the bus tracking task sent by the platform, the intelligent analysis module obtains the video code stream from the monitoring point according to the monitoring point information included in the task. Then, the image processing module preprocesses the acquired code stream, including image filtering, gradation conversion, etc., and sends the processing result to the bus line identification algorithm module and the traffic density algorithm module.
  • the traffic density algorithm module analyzes the image, first performs background modeling, and then extracts the feature quantity by comparing the difference between the monitoring area picture and the background; and then whether the judgment is The car is counted to obtain the traffic density.
  • Step 405 After receiving the information reported by the image processing module, the bus line identification algorithm module analyzes the image, first performs background modeling, and then compares the difference between the screen and the background of the monitoring area, extracts the feature quantity, and discriminates the bus line card. Then identify the line name of the bus. At the same time, the time when the bus first appears in the monitoring area and the time when it disappears in the monitoring area are recorded separately. These two moments are the time of entry and the time of the bus. Finally, the identified line name, inbound and outbound time of the bus is sent to the arrival time prediction module.
  • Step 406 The arrival time prediction module receives the current real-time data reported by the bus line identification module and the traffic flow algorithm module, and combines the historical data, and budgets the travel time of each road segment and the delay time of each station.
  • the arrival time prediction module obtains the station information of the bus line and the distance between the stations according to the bus line to the video monitoring service management module, and queries the traffic volume density module for the current traffic density of each monitoring point. If the video service management module returns an unidentified bus line, it returns to the fifth step.
  • Delta can be obtained from the vehicle traffic density algorithm module.
  • the bus arrival time estimation module then fits a set of curves W[n] about delta (P, T) and time, and this set of curves is always updated.
  • Px, Ty the future traffic density delta
  • the delay time of each site can be obtained by querying the data of the corresponding time period in the traffic history database.
  • Step 407 After receiving the time when the bus reported by the arrival time prediction module reaches each bus station, the current arrival site, the traffic density of each monitoring point, and the station delay time, the video monitoring service management module records all the reported information, and Synchronize to the database.
  • Step 408 The video monitoring service management module sends the bus arrival time and the current station to the intelligent display terminal of each station. At the same time, the intelligent display terminal displays the bus arrival time and the current location information of the nearest bus to the passenger. After receiving the current location of the bus and the arrival time, the intelligent display terminal updates the data in real time and displays the bus arrival information of the site to the user. Users can subscribe to bus arrival information. Obtain the bus arrival information and track the bus running route by installing the monitoring client or SMS on the smartphone or smart terminal.
  • the user opens a bus-to-station prediction service to the operator, and can query the approximate time of the bus arrival by the short message. It not only facilitates the travel of the citizens, but also increases the profit mode for the existing communication operators. It can be realized only by adding software modules to the existing video surveillance system, and does not require large-scale hardware investment.
  • a bidding advertisement on the intelligent display terminal, etc. it is possible to generate income and make up for the upfront investment.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆到站时间预报系统及方法。该系统包括：数据库，设置为保存车辆基本信息、车辆监控规则信息、以及车辆实时运行数据；智能分析模块，设置为根据所述车辆监控规则信息控制一个或多个数据采集终端，从所述一个或多个数据采集终端获取视频码流并进行处理，根据车辆基本信息从处理后的视频码流中获取车辆实时运行数据，根据车辆实时运行数据、以及数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型，并根据车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息，并将车辆实时运行数据写入数据库。借助于本发明的技术方案，能够对车辆到站时间进行准确预算。

Description

车辆到站时间预报系统及方法 技术领域 本发明涉及计算机领域， 特别是涉及一种车辆到站时间预报系统及方法。 背景技术 智能视频监控系统是视频监控系统功能的扩展。 通过对监测到的视频码流进行智 能分析， 主要提供人脸识别、 车牌识别、 车速检测、 静物监控、 警戒区检测、 涂鸦检 测等功能。 预报公交车到站时间是智能交通系统领域的关键技术，对它的研究具有重要意义。 现有的公交系统由于无法预知到站时间， 给市民的出现时间带来很多未知性， 从而市 民对公交满意度不高， 致使私家车增多， 给交通带来更大的负担， 同时， 也消耗更多 的能源， 给环境带来很多不好的影响。 发明内容 鉴于上述问题， 提出了本发明实施例以便提供一种克服上述问题或者至少部分地 解决上述问题的车辆到站时间预报系统及方法。 本发明实施例提供一种车辆到站时间预报系统， 包括： 数据库， 设置为保存车辆基本信息、车辆监控规则信息、 以及车辆实时运行数据； 智能分析模块，设置为根据所述车辆监控规则信息控制一个或多个数据采集终端， 从所述一个或多个数据采集终端获取视频码流并进行处理， 根据车辆基本信息从处理 后的视频码流中获取车辆实时运行数据， 根据车辆实时运行数据、 以及数据库中当前 时段的历史车辆实时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预测 模型计算出车辆到达任一站的车辆到站信息， 并将车辆实时运行数据写入数据库。 优选地， 上述系统还包括： 视频监控业务管理模块， 设置为将智能分析模块计算出的车辆到站信息写入数据 库， 并将车辆到站信息发送到智能显示终端； 在接收到查询公交车到站时间请求后， 将车辆到站信息发送到短信中心； 智能显示终端， 设置于站点， 设置为显示车辆到站信息； 短信中心， 设置为将车辆到站信息通过短信发送到用户终端。 优选地， 上述智能显示终端设置为： 对于同一线路的车辆， 从接收到的车辆到站 信息中， 选择到站时间最小值作为到达该站点的时间。 优选地， 上述系统还包括： 监控客户端， 设置为通过数据采集终端对车辆的运行进行实时监控。 优选地， 上述车辆基本信息包括： 车辆线路名称、 车辆线路所经历的站点信息、 站点间的路程信息、 以及数据采集终端的位置信息； 车辆监控规则信息包括： 车辆监控范围、 以及监控时间； 车辆实时运行数据包括： 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息， 其中， 车辆线路信息包括： 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息， 车流量密度信息包括： 车辆行 驶速度信息； 车辆到站信息包括： 到站时间、 以及车辆到站延误时间。 优选地， 上述智能分析模块包括： 图像处理模块， 设置为根据车辆基本信息和车辆监控规则信息从相应的数据采集 终端获取视频码流， 将视频码流转化为图像帧， 并对图像帧进行滤波和灰度处理； 车辆线路识别算法模块， 设置为从处理后的图像帧中识别车辆线路， 获取车辆线 路信息， 并写入数据库； 车流量密度算法模块， 设置为从处理后的图像帧中计算各个相邻车辆站点之间路 段上的车流量密度信息， 并写入数据库； 到站时间预测模块， 设置为根据车辆实时运行数据、 以及数据库中当前时段的历 史车辆实时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预测模型计算 出车辆到达任一站的车辆到站信息。 优选地， 上述到站时间预测模块设置为: 根据车辆线路识别算法模块识别出的车辆线路信息， 从数据库中获取相应车辆线 路所经历的站点信息、 以及站点间的路程信息， 并从车流量密度算法模块获取相应的 车流量密度信息； 假设各个站点之间的路程为 S， 车流量密度为 delta (P， T)， 其中， delta (P， T) = a/speed (P， T)， P为站点函数， T是时间函数， a为常量， 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为： t = S delta (P， T) /a; 拟合出关于 delta (P， T) 和时间的一组曲线 W[n]， 根据当前某个站点的某个时 刻的 delta (P， T)， 结合 W[n]加权计算得到未来的车流量密度 delta (P， T)， 根据 t = S delta(P, T)/a计算得到到站时间； 根据数据库中相应时段的到站时间计算出车辆到站延误时间。 本发明还提供了一种车辆到站时间预报方法， 包括： 在数据库中保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运行数据； 智能分析模块根据车辆监控规则信息控制数据采集终端， 获取数据采集终端采集 的视频码流并进行处理； 根据车辆基本信息从处理后的视频码流中获取车辆实时运行 数据， 根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实时运行数据建立 车辆到站时间预测模型； 根据车辆到站时间预测模型计算出车辆到达任一站的车辆到 站信息， 并将车辆实时运行数据写入数据库。 优选地， 上述方法还包括： 视频监控业务管理模块将智能分析模块计算出的车辆到站信息写入数据库， 并将 车辆到站信息发送到智能显示终端， 通过智能显示终端显示车辆到站信息； 视频监控业务管理模块在接收到查询公交车到站时间请求后， 将车辆到站信息发 送到短信中心， 并通过短信中心将车辆到站信息通过短信发送到用户终端。 优选地， 上述通过智能显示终端显示车辆到站信息包括： 对于同一线路的车辆， 智能显示终端从接收到的车辆到站信息中， 选择到站时间 最小值作为到达该站点的时间并进行显示。 优选地， 上述方法还包括: 监控客户端通过数据采集终端对车辆的运行进行实时监控。 优选地， 上述车辆基本信息包括： 车辆线路名称、 车辆线路所经历的站点信息、 站点间的路程信息、 以及数据采集终端的位置信息； 车辆监控规则信息包括： 车辆监控范围、 以及监控时间； 车辆实时运行数据包括： 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息， 其中， 车辆线路信息包括： 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息， 车流量密度信息包括： 车辆行 驶速度信息； 车辆到站信息包括： 到站时间、 以及车辆到站延误时间。 优选地， 上述智能分析模块根据车辆监控规则信息控制数据采集终端， 获取数据 采集终端采集的视频码流并进行处理； 根据车辆基本信息从处理后的视频码流中获取 车辆实时运行数据， 根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实时 运行数据建立车辆到站时间预测模型； 根据车辆到站时间预测模型计算出车辆到达任 一站的车辆到站信息， 并将车辆实时运行数据写入数据库包括： 图像处理模块根据车辆基本信息和车辆监控规则信息从相应的数据采集终端获取 视频码流， 将视频码流转化为图像帧， 并对图像帧进行滤波和灰度处理； 车辆线路识别算法模块从处理后的图像帧中识别车辆线路， 获取车辆线路信息， 并写入数据库； 车流量密度算法模块从处理后的图像帧中计算各个相邻车辆站点之间路段上的车 流量密度信息， 并写入数据库； 到站时间预测模块根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实 时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预测模型计算出车辆到 达任一站的车辆到站信息。 优选地， 上述到站时间预测模块根据车辆实时运行数据、 以及数据库中当前时段 的历史车辆实时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预测模型 计算出车辆到达任一站的车辆到站信息包括： 根据车辆线路识别算法模块识别出的车辆线路信息， 从数据库中获取相应车辆线 路所经历的站点信息、 以及站点间的路程信息， 并从车流量密度算法模块获取相应的 车流量密度信息； 假设各个站点之间的路程为 S， 车流量密度为 delta (P， T)， 其中， delta (P， T) = a/speed (P， T)， P为站点函数， T是时间函数， a为常量， 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为： t = S delta (P， T) /a; 拟合出关于 delta (P， T) 和时间的一组曲线 W[n]， 根据当前某个站点的某个时 刻的 delta (P， T)， 结合 W[n]加权计算得到未来的车流量密度 delta (P， T)， 根据 t = S delta(P, T)/a计算得到到站时间； 根据数据库中相应时段的到站时间计算出车辆到站延误时间。 本发明实施例有益效果如下： 通过在智能视频监控系统的基础上， 扩展其功能， 使用车辆计数和识别车辆线路 等方法从视频码流中提取车辆实时运行数据， 从而预估出车辆到站时间的方法， 能够 对车辆到站时间进行准确预算。 上述说明仅是本发明技术方案的概述， 为了能够更清楚了解本发明的技术手段， 而可依照说明书的内容予以实施， 并且为了让本发明实施例的上述和其它目的、 特征 和优点能够更明显易懂， 以下特举本发明实施例的具体实施方式。 附图说明 通过阅读下文优选实施方式的详细描述， 各种其他的优点和益处对于本领域普通 技术人员将变得清楚明了。 附图仅用于示出优选实施方式的目的， 而并不认为是对本 发明的限制。 而且在整个附图中， 用相同的参考符号表示相同的部件。 在附图中： 图 1是本发明实施例的车辆到站时间预报系统的结构示意图； 图 2是本发明实施例的基于视频监控的公家车到站时间预报系统的示意图； 图 3是本发明实施例的车辆到站时间预报方法的流程图； 图 4是本发明实时的基于视频监控的公交车到站时间预报方法的详细流程图。 具体实施方式 下面将参照附图更详细地描述本公开的示例性实施例。 虽然附图中显示了本公开 的示例性实施例， 然而应当理解， 可以以各种形式实现本公开而不应被这里阐述的实 施例所限制。 相反， 提供这些实施例是为了能够更透彻地理解本公开， 并且能够将本 公开的范围完整的传达给本领域的技术人员。 为了解决现有技术中不能够准确的预算车辆到站时间的问题， 本发明提供了一种 车辆到站时间预报系统及方法， 基于智能视频监控的预报车辆到站时间系统取代通过 GPS 定位系统、 RFID 识别等技术获得车辆实时运行数据， 通过车辆计数算法、 车辆 路识别技术提取视频码流中的车辆实时运行数据， 并作为数据源进行车辆到站时间的 预算， 从而对车辆到站时间进行实时更新， 并可以以电子站牌的形式展现给市民， 为 市民的出行带来便捷。 另外， 可以帮助车辆公司根据反馈的实时公交到站信息， 对车 辆实现自适应调度。 本发明实施例的技术方案在用于公交车到站时间预报时，不仅可以方便市民出行， 而且给现有的通信运营商增加了盈利方式， 仅在现有的视频监控系统上增加软件模块 即可实现， 不需要大规模的硬件投入。 同时， 采取在智能显示终端招标广告等方式， 可以创造收入， 弥补前期投入。 另外， 与现有技术和应用场景相比， 还可以直观地通 过视频观察各个公交车到达站点是否有违规拒载行为。 同时， 也可以检测其在监控点 处是否超速行驶。 以下结合附图以及实施例， 对本发明进行进一步详细说明。 应当理解， 此处所描 述的具体实施例仅仅用以解释本发明， 并不限定本发明。 系统实施例 根据本发明的实施例， 提供了一种车辆到站时间预报系统， 图 1是本发明实施例 的车辆到站时间预报系统的结构示意图， 如图 1所示， 根据本发明实施例的车辆到站 时间预报系统包括： 数据库 10、 以及智能分析模块 12， 以下对本发明实施例的各个模 块进行详细的说明。 数据库 10， 设置为保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运行数 据； 在本发明实施例的一个优选实施方式中， 车辆基本信息包括： 车辆线路名称、 车 辆线路所经历的站点信息、 站点间的路程信息、 以及数据采集终端的位置信息； 车辆监控规则信息包括： 车辆监控范围、 以及监控时间； 车辆实时运行数据包括： 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息， 其中， 车辆线路信息包括： 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息， 车流量密度信息包括： 车辆行 驶速度信息； 一个或多个数据采集终端， 可以设置于车辆线路的各个站点， 设置为在智能分析 模块 12的控制下采集视频码流； 智能分析模块 12， 设置为根据车辆监控规则信息控制一个或多个数据采集终端， 从所述一个或多个数据采集终端获取视频码流并进行处理， 根据车辆基本信息从处理 后的视频码流中获取车辆实时运行数据，根据车辆实时运行数据、 以及数据库 10中当 前时段的历史车辆实时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预 测模型计算出车辆到达任一站的车辆到站信息， 并将车辆实时运行数据写入数据库
10。 车辆到站信息包括： 到站时间、 以及车辆到站延误时间。 智能分析模块 12包括： 图像处理模块， 设置为根据车辆基本信息和车辆监控规则信息从相应的数据采集 终端获取视频码流， 将视频码流转化为图像帧， 并对图像帧进行滤波和灰度处理； 车辆线路识别算法模块， 设置为从处理后的图像帧中识别车辆线路， 获取车辆线 路信息， 并写入数据库 10; 车流量密度算法模块， 设置为从处理后的图像帧中计算各个相邻车辆站点之间路 段上的车流量密度信息， 并写入数据库 10; 到站时间预测模块， 设置为根据车辆实时运行数据、 以及数据库 10中当前时段的 历史车辆实时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预测模型计 算出车辆到达任一站的车辆到站信息。 在本发明实施例的一个优选实施方式中， 上述到站时间预测模块设置为： 根据车辆线路识别算法模块识别出的车辆线路信息，从数据库 10中获取相应车辆 线路所经历的站点信息、 以及站点间的路程信息， 并从车流量密度算法模块获取相应 的车流量密度信息； 假设各个站点之间的路程为 S， 车流量密度为 delta (P， T)， 其中， delta (P， T) = a/speed (P， T)， P为站点函数， T是时间函数， a为常量， 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为： t = S delta (P， T) /a; 拟合出关于 delta (P， T) 和时间的一组曲线 W[n]， 根据当前某个站点的某个时 刻的 delta (P， T)， 结合 W[n]加权计算得到未来的车流量密度 delta (P， T)， 根据 t = S delta(P, T)/a计算得到到站时间； 根据数据库 10中相应时段的到站时间计算出车辆到站延误时间。 优选地， 上述系统还可以包括： 视频监控业务管理模块，设置为将智能分析模块 12计算出的车辆到站信息写入数 据库 10， 并将车辆到站信息发送到智能显示终端； 在接收到查询公交车到站时间请求 后， 将车辆到站信息发送到短信中心； 智能显示终端， 设置于站点， 设置为显示车辆到站信息； 智能显示终端设置为： 对于同一线路的车辆， 从接收到的车辆到站信息中， 选择到站时间最小值作为到达该 站点的时间。 短信中心， 设置为将车辆到站信息通过短信发送到用户终端。 监控客户端， 设置为通过数据采集终端对车辆的运行进行实时监控。 以下以公交车到站预报为例， 对本发明实施例的上述技术方案进行详细说明。 图 2是本发明实施例的基于视频监控的公家车到站时间预报系统的示意图， 如图 2所示， 基于智能视频监控的公交车到站时间预报系统包括： 数据库、 数据采集终端、 智能分析模块、 视频监控业务管理模块、 短信中心、 智能显示终端、 以及监控客户端。 在本发明实施例的一个优选实施方式中， 数据库设置为保存录入的公交车的基本 信息， 如公交线路名称、 公交所经历的站点及站点间的路程、 监控点位置等信息； 保 存由平台上报的公交车监控的范围、监控时间等规则信息， 以及公交车实时运行数据。 数据采集终端主要指摄像头和 PU，通过它们采集视频码流， 并将视频码流发送给 智能分析模块。 智能分析模块包括图像处理模块、公交线路识别算法模块、车流量密度算法模块、 到站时间预测模块。 图像处理模块的作用将视频码流转化为一帧一帧的图像， 并对进 行图像进行滤波和灰度处理。 公交线路识别算法模块和车流量密度算法模块主要设置 为获取公交车线路、 进站出站时间、 当前路况下车辆的行驶速度， 为到站时间预测模 块提供数据源。 公交线路识别算法模块设置为进行公交线路的识别， 并将识别出的公 交线路信息输出给到站时间预测模块。 车流量密度算法模块设置为检测单位时间内， 经过车辆的数量； 并将结果输出给到站时间预测模块。 到站时间预测模块根据实时采 集的车流量密度、 公交车位置信息和公交车进站出站时间等信息， 再结合该时段历史 公交车运行数据， 建立公交车到站时间预测模型， 并根据建立的模型计算出公交车到 达任意一站的时间， 并将结果输出给视频监控业务管理模块。 视频监控业务管理模块的作用是将公交车信息： 如到站时间、 线路名称、 当前站 点等信息， 写入数据库、 发送给智能显示终端。 短信中心设置为将公交车到站信息以短信的方式通知用户。 智能显示终端主要指电子站牌， 设置为接收视频监控业务管理模块发送的公交车 到站信息， 并显示。 监控客户端可以实时对公交车的实时运行进行监控， 主要设置为实时交通信息的 观察， 可以为公交调度室提供公交发车调度依据。 同时， 可以监控公交车到站是否有 违规行为。 在实际应用中， 上述各个模块可以进行如下处理： 第一步， 启用公交到站时间任务。 视频监控业务管理模块下发预测公交到站时间 任务至智能分析模块。 智能分析模块从各个监控点获取视频码流， 并调用公交到站时 间算法， 进行公交车到站时间的预估。 第二步， 从视频码流中提取公交车实时运行数据，主要包括公交车到站离站时间、 各个相邻站点路段上车辆行驶速度和公交车具体位置信息。 公交车到站时间算法任务 启用后， 启用车牌识别算法模块和车流量密度算法模块。 车牌识别算法模块识别到站 的公交车线路， 如果有公交车到站， 将识别出的公交车线路信息发送给到站时间预测 模块。 公交车线路信息包括公交车线路名称、 到站时间、 出站时间、 数据采集终端的 标识 （PUID) 信息。 车流量密度算法模块设置为检测公交车所行驶的实时路况信息， 主要统计单位时间内通过的车辆总数。 到站时间预测模块通过该模块获取的信息包括 该监控点所属路段的平均车速、 PUID信息。 其中公交车具体位置信息可以通过 PUID 进行判断。 每个监控点在注册的时候会向视频监控业务管理系统注册该监控点的位置 信息。 第三步， 建立公交到站时间预估模型。 公交到站时间算法模块将从各个路段的平 均车速、 公交车进出站延误时间存入路况历史库。 公交到站时间算法模块结合历史数 据和公交线路识别模块和车流量算法模块上报的当前实时数据， 预算未来各个路段车 辆行驶时间以及各个站点延误时间。 第四步， 公交车到站算法模块根据第三步计算的各个路段的车辆行驶时间、 各个 站点延误时间， 计算到达该站的公交车到达后续各个站点的时间。 对于同一线路的公 交车，各个站点从接收到的到站时间中，取最小值作为该线路公交车到达该站的时间。 最后， 公交车到站算法模块将结果输出给视频监控业务管理模块。 输出的信息包括 PUID、 公交线路名称、 到达各个站点的时间、 到达各个站点的站数等信息。 第五步，当视频监控业务管理模块接收到公交车到站时间算法模块输出的信息后， 将信息经过处理发送给智能显示终端， 并将信息存入数据库。 第六步， 当视频监控业务管理模块收到查询公交车到站时间的请求后， 通过短信 中心将信息发送给用户； 或者通过安装公交到站信息查询客户端，查询公交到站时间。 私家车可以通过短信的方式从视频监控业务管理模块获取到达目的地的时间， 也可以 直接查询各个路段的车辆行驶速度。 本发明实施例的技术方案区别于通过 GPS获取数据方式、 RFID识别公交车等方 式， 而从视频监控系统中， 通过智能算法提取公交运行过程中的实时数据， 并结合历 史数据预估公交车到站时间， 以保证预估的到站时间及时准确。 同时， 通过客户端可 以实时地监控各个站点， 进而有效地防止公交车到站违规拒载等情况。 方法实施例 根据本发明的实施例， 提供了一种车辆到站时间预报方法， 图 3是本发明实施例 的车辆到站时间预报方法的流程图， 如图 3所示， 根据本发明实施例的车辆到站时间 预报方法包括如下处理： 步骤 301， 在数据库中保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运 行数据； 其中， 车辆基本信息包括： 车辆线路名称、 车辆线路所经历的站点信息、 站点间 的路程信息、 以及数据采集终端的位置信息； 车辆监控规则信息包括： 车辆监控范围、 以及监控时间； 车辆实时运行数据包括： 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息， 其中， 车辆线路信息包括： 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息， 车流量密度信息包括： 车辆行 驶速度信息； 步骤 302， 智能分析模块根据车辆监控规则信息控制数据采集终端， 获取数据采 集终端采集的视频码流并进行处理； 根据车辆基本信息从处理后的视频码流中获取车 辆实时运行数据， 根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实时运 行数据建立车辆到站时间预测模型； 根据车辆到站时间预测模型计算出车辆到达任一 站的车辆到站信息， 并将车辆实时运行数据写入数据库。 在本发明实施例的一个优选实施方式中， 车辆到站信息包括： 到站时间、 以及车 辆到站延误时间。 优选地， 步骤 302包括如下处理： 图像处理模块根据车辆基本信息和车辆监控规则信息从相应的数据采集终端获取 视频码流， 将视频码流转化为图像帧， 并对图像帧进行滤波和灰度处理； 车辆线路识别算法模块从处理后的图像帧中识别车辆线路， 获取车辆线路信息， 并写入数据库； 车流量密度算法模块从处理后的图像帧中计算各个相邻车辆站点之间路段上的车 流量密度信息， 并写入数据库； 到站时间预测模块根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实 时运行数据建立车辆到站时间预测模型， 并根据车辆到站时间预测模型计算出车辆到 达任一站的车辆到站信息。 优选地， 根据车辆线路识别算法模块识别出的车辆线路信息， 从数据库中获取相 应车辆线路所经历的站点信息、 以及站点间的路程信息， 并从车流量密度算法模块获 取相应的车流量密度信息； 假设各个站点之间的路程为 S， 车流量密度为 delta (P， T)， 其中， delta (P， T) = a/speed (P， T)， P为站点函数， T是时间函数， a为常量， 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为： t = S delta (P， T) /a; 拟合出关于 delta (P， T) 和时间的一组曲线 W[n]， 根据当前某个站点的某个时 刻的 delta (P， T)， 结合 W[n]加权计算得到未来的车流量密度 delta (P， T)， 根据 t = S delta(P, T)/a计算得到到站时间； 根据数据库中相应时段的到站时间计算出车辆到站延误时间。 优选地， 上述方法还可以包括如下处理： 视频监控业务管理模块将智能分析模块计算出的车辆到站信息写入数据库， 并将 车辆到站信息发送到智能显示终端， 通过智能显示终端显示车辆到站信息； 其中， 对 于同一线路的车辆， 智能显示终端从接收到的车辆到站信息中， 选择到站时间最小值 作为到达该站点的时间并进行显示。 视频监控业务管理模块在接收到查询公交车到站时间请求后， 将车辆到站信息发 送到短信中心， 并通过短信中心将车辆到站信息通过短信发送到用户终端。 监控客户端通过数据采集终端对车辆的运行进行实时监控。 下面以公交车到站时间预报为例，对本发明实施例的上述技术方案进行详细说明。 图 4是本发明实时的基于视频监控的公交车到站时间预报方法的详细流程图， 如 图 4所示， 包括如下处理： 步骤 401， 用户向视频监控业务管理模块添加公交车跟踪规则， 规则信息包括 PUID、 监控区域、 执行时间、 规则 ID、 规则类型等信息， 规则信息由视频监控业务 管理模块写入数据库。 步骤 402， 用户启用公交跟踪规则， 视频监控业务管理模块往任务表中增加公交 车跟踪任务并下发给智能分析模块。任务内容包括监控区域、执行时间、规则 ID、PUID 等信息。 步骤 403， 智能分析模块收到平台下发的公交跟踪任务后， 根据任务中包含的监 控点信息， 向监控点获取视频码流。 然后， 图像处理模块将获取的码流进行预处理， 包括图像滤波、 灰度转换等， 并将处理结果发送至公交车线路识别算法模块和车流量 密度算法模块。 步骤 404， 车流量密度算法模块在收到图像处理模块上报的信息后， 对图像进行 分析， 首先进行背景建模， 然后通过对比监控区域画面与背景的差异， 提取特征量； 接着进行判决是否是车， 进行车辆计数， 从而获得车流量密度。 步骤 405， 公交线路识别算法模块在收到图像处理模块上报的信息后， 对图像进 行分析， 首先进行背景建模， 然后通过对比监控区域画面与背景的差异， 提取特征量， 辨别公交车线路牌， 然后再对公交车的线路名称进行识别。 同时， 分别记录公交车首 次出现在监控区域的时刻和消失在监控区域的时刻， 这两个时刻即为该辆公交车进站 时刻和出战时刻。 最后， 将识别出的公交车的线路名称、 进站和出站时刻发送至到站 时间预测模块。 步骤 406， 到站时间预测模块在收到公交线路识别模块和车流量算法模块上报的 当前实时数据以及结合历史数据， 预算未来各个路段车辆行驶时间以及各个站点延误 时间。 到站时间预测模块根据公交线路向视频监控业务管理模块获取该条公交线路的站 点信息及站点间的路程， 同时向车流量密度模块查询当前各个监控点的车流量密度。 如果视频业务管理模块返回无识别出的公交线路， 则回到第五步。 已知各个站点之间的路程为 S, 各个站点的监控点估算出的站点车流量密度 delta (P， T)， 其中， Ρ是关于站点的函数 Ρ (ρχ), Τ是关于 day (每周的第几天）和每天 的时间 time的函数， 即 T (day, time)。 车流量密度直接影响车辆行驶速度， 它们的 关系为 delta (P， T) = a/speed (P， T)， a为常量。站点间的路程 S、车辆行驶速度 speed 和站点间行驶时间 t的关系为 t = S/speedo 则推导出行驶时间 t与车流量密度的关系： t = S delta (P， T) /a。
Delta可以由车流量密度算法模块得到。 然后公交到站时间预估模块拟合出关于 delta (P， T) 和 time的一组曲线 W[n]， 并且这组曲线会一直学习更新。 当某个站点 的某个时刻 delta (Px, Ty) 被公交到站时间预估模块算出， 再结合 W[n]加权计算得 到未来的车流量密度 delta (Px (i)， Ty (i))。 根据公式 t = S delta (P， T) /a计算得 到到站时间。 各个站点的延误时间可以通过查询路况历史库中对应时段的数据得到。 步骤 407， 视频监控业务管理模块在收到到站时间预测模块上报的公交车到达各 个公交站点时间、 当前到达站点、 各个监控点车流量密度、 站点延误时间后， 将所有 上报信息作记录， 并同步到数据库。 步骤 408， 视频监控业务管理模块将公交到站时间、 当前站点发送至各个站点的 智能显示终端。 同时， 智能显示终端将公交车到站时间， 离站点最近的公交车当前位 置信息显示给乘客。智能显示终端收到公交车当前位置及到站时间后， 实时更新数据， 向用户展示本站点的公交到站信息。 用户可以订阅公交到站信息。 通过在智能手机或 者智能终端上安装监控客户端或者短信方式获取公交到站信息以及跟踪公交车运行路 线。 在本发明上述实例中， 用户向运营商开通了公交到站预测服务， 通过短信就可以 查询获知公交到站的大致时间。 不仅方便了市民出行， 而且给现有的通信运营商增加 了盈利方式， 仅在现有的视频监控系统上增加软件模块即可实现， 不需要大规模的硬 件投入。 同时， 采取在智能显示终端招标广告等方式， 可以创造收入， 弥补前期投入。 另外， 与现有技术和应用场景相比， 还可以直观地通过视频观察各个公交车到达站点 是否有违规拒载行为。 同时， 也可以检测其在监控点处是否超速行驶。 显然， 本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精 神和范围。 这样， 倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的 范围之内， 则本发明也意图包含这些改动和变型在内。 工业实用性 本发明实施例提供的技术方案可以计算机领域及交通领域， 通过在智能视频监控 系统的基础上， 扩展其功能， 使用车辆计数和识别车辆线路等方法从视频码流中提取 车辆实时运行数据， 从而预估出车辆到站时间的方法， 能够对车辆到站时间进行准确 预算。

Claims

权 利 要 求 书 、 一种车辆到站时间预报系统， 包括：
数据库， 设置为保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运 行数据；
智能分析模块， 设置为根据所述车辆监控规则信息控制一个或多个数据采 集终端， 从所述一个或多个数据采集终端获取视频码流并进行处理， 根据所述 车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据， 根据所述车 辆实时运行数据、 以及所述数据库中当前时段的历史车辆实时运行数据建立车 辆到站时间预测模型， 并根据所述车辆到站时间预测模型计算出车辆到达任一 站的车辆到站信息， 并将所述车辆实时运行数据写入数据库。 、 如权利要求 1所述的系统， 其中， 所述系统还包括：
视频监控业务管理模块， 设置为将所述智能分析模块计算出的所述车辆到 站信息写入所述数据库， 并将所述车辆到站信息发送到智能显示终端； 在接收 到查询公交车到站时间请求后， 将所述车辆到站信息发送到短信中心；
所述智能显示终端， 设置于站点， 设置为显示所述车辆到站信息； 所述短信中心， 设置为将所述车辆到站信息通过短信发送到用户终端。 、 如权利要求 2所述的系统， 其中， 所述智能显示终端设置为： 对于同一线路的 车辆， 从接收到的车辆到站信息中， 选择到站时间最小值作为到达该站点的时 间。 、 如权利要求 1或 2或 3所述的系统， 其中， 所述系统还包括： 监控客户端， 设置为通过所述数据采集终端对车辆的运行进行实时监控。 、 如权利要求 1所述的系统， 其中，
所述车辆基本信息包括： 车辆线路名称、 车辆线路所经历的站点信息、 站 点间的路程信息、 以及数据采集终端的位置信息；
所述车辆监控规则信息包括： 车辆监控范围、 以及监控时间；
所述车辆实时运行数据包括： 车辆线路信息、 各个相邻车辆站点之间路段 上的车流量密度信息、 以及车辆具体位置信息， 其中， 所述车辆线路信息包括: 车辆线路名称、 到站时间、 出站时间、 以及相应数据采集终端的标识信息， 所 述车流量密度信息包括： 车辆行驶速度信息；
所述车辆到站信息包括： 到站时间、 以及车辆到站延误时间。 、 如权利要求 5所述的系统， 其中， 所述智能分析模块包括：
图像处理模块， 设置为根据所述车辆基本信息和所述车辆监控规则信息从 相应的数据采集终端获取视频码流， 将所述视频码流转化为图像帧， 并对所述 图像帧进行滤波和灰度处理；
车辆线路识别算法模块， 设置为从处理后的所述图像帧中识别车辆线路， 获取所述车辆线路信息， 并写入数据库；
车流量密度算法模块， 设置为从处理后的所述图像帧中计算各个相邻车辆 站点之间路段上的所述车流量密度信息， 并写入数据库；
到站时间预测模块， 设置为根据所述车辆实时运行数据、 以及所述数据库 中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型， 并根据所述 车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。 、 如权利要求 6所述的系统， 其中， 所述到站时间预测模块设置为： 根据所述车辆线路识别算法模块识别出的所述车辆线路信息， 从数据库中 获取相应车辆线路所经历的站点信息、 以及站点间的路程信息， 并从所述车流 量密度算法模块获取相应的车流量密度信息；
假设各个站点之间的路程为 S, 车流量密度为 delta (P， T)， 其中， delta (P， T) = a/speed (P， T)， P为站点函数， T是时间函数， a为常量， 站点间 的路程 S、 车辆行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed;
确定行驶时间 t与车流量密度的关系为： t = S delta (P， T) /a; 拟合出关于 delta (P， T) 和时间的一组曲线 W[n]， 根据当前某个站点的 某个时刻的 delta (P， T)， 结合 W[n]加权计算得到未来的车流量密度 delta (P， T)， 根据 t = S delta(P, T)/a计算得到到站时间；
根据所述数据库中相应时段的到站时间计算出车辆到站延误时间。 、 一种车辆到站时间预报方法， 所述方法包括：
在数据库中保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运行数 据； 智能分析模块根据所述车辆监控规则信息控制数据采集终端， 获取所述数 据采集终端采集的视频码流并进行处理； 根据所述车辆基本信息从处理后的所 述视频码流中获取车辆实时运行数据， 根据所述车辆实时运行数据、 以及所述 数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型； 根据 所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息， 并将所述 车辆实时运行数据写入数据库。 、 如权利要求 8所述的方法， 其中， 所述方法还包括：
视频监控业务管理模块将所述智能分析模块计算出的所述车辆到站信息写 入所述数据库， 并将所述车辆到站信息发送到智能显示终端， 通过所述智能显 示终端显示所述车辆到站信息；
视频监控业务管理模块在接收到查询公交车到站时间请求后， 将所述车辆 到站信息发送到短信中心， 并通过所述短信中心将所述车辆到站信息通过短信 发送到用户终端。 0、 如权利要求 8所述的方法， 其中， 通过所述智能显示终端显示所述车辆到站信 息包括：
对于同一线路的车辆， 所述智能显示终端从接收到的车辆到站信息中， 选 择到站时间最小值作为到达该站点的时间并进行显示。 1、 如权利要求 8或 9或 10所述的方法， 其中， 所述方法还包括： 监控客户端通过所述数据采集终端对车辆的运行进行实时监控。 、 如权利要求 8所述的方法， 其中，
所述车辆基本信息包括： 车辆线路名称、 车辆线路所经历的站点信息、 站 点间的路程信息、 以及数据采集终端的位置信息；
所述车辆监控规则信息包括： 车辆监控范围、 以及监控时间； 所述车辆实时运行数据包括： 车辆线路信息、 各个相邻车辆站点之间路段 上的车流量密度信息、 以及车辆具体位置信息， 其中， 所述车辆线路信息包括: 车辆线路名称、 到站时间、 出站时间、 以及相应数据采集终端的标识信息， 所 述车流量密度信息包括： 车辆行驶速度信息；
所述车辆到站信息包括： 到站时间、 以及车辆到站延误时间。 、 如权利要求 12所述的方法，其中，所述智能分析模块根据所述车辆监控规则信 息控制数据采集终端， 获取所述数据采集终端采集的视频码流并进行处理； 根 据所述车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据， 根据 所述车辆实时运行数据、 以及所述数据库中当前时段的历史车辆实时运行数据 建立车辆到站时间预测模型； 根据所述车辆到站时间预测模型计算出车辆到达 任一站的车辆到站信息， 并将所述车辆实时运行数据写入数据库包括：
图像处理模块根据所述车辆基本信息和所述车辆监控规则信息从相应的数 据采集终端获取视频码流， 将所述视频码流转化为图像帧， 并对所述图像帧进 行滤波和灰度处理；
车辆线路识别算法模块从处理后的所述图像帧中识别车辆线路， 获取所述 车辆线路信息， 并写入数据库；
车流量密度算法模块从处理后的所述图像帧中计算各个相邻车辆站点之间 路段上的所述车流量密度信息， 并写入数据库；
到站时间预测模块根据所述车辆实时运行数据、 以及所述数据库中当前时 段的历史车辆实时运行数据建立车辆到站时间预测模型， 并根据所述车辆到站 时间预测模型计算出车辆到达任一站的车辆到站信息。 、 如权利要求 13所述的方法，其中，到站时间预测模块根据所述车辆实时运行数 据、 以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预 测模型， 并根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站 信息包括：
根据所述车辆线路识别算法模块识别出的所述车辆线路信息， 从数据库中 获取相应车辆线路所经历的站点信息、 以及站点间的路程信息， 并从所述车流 量密度算法模块获取相应的车流量密度信息；
假设各个站点之间的路程为 S, 车流量密度为 delta (P， T)， 其中， delta (P， T) = a/speed (P， T)， P为站点函数， T是时间函数， a为常量， 站点间 的路程 S、 车辆行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed;
确定行驶时间 t与车流量密度的关系为： t = S delta (P， T) /a;
拟合出关于 delta (P， T) 和时间的一组曲线 W[n]， 根据当前某个站点的 某个时刻的 delta (P， T)， 结合 W[n]加权计算得到未来的车流量密度 delta (P， T)， 根据 t = S delta(P, T)/a计算得到到站时间； 根据所述数据库中相应时段的到站时间计算出车辆到站延误时间。
PCT/CN2014/074838 2013-06-21 2014-04-04 车辆到站时间预报系统及方法 WO2014201895A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201310248167.5A CN104243900A (zh) 2013-06-21 2013-06-21 车辆到站时间预报系统及方法
CN201310248167.5 2013-06-21

Publications (1)

Publication Number Publication Date
WO2014201895A1 true WO2014201895A1 (zh) 2014-12-24

Family

ID=52103909

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2014/074838 WO2014201895A1 (zh) 2013-06-21 2014-04-04 车辆到站时间预报系统及方法

Country Status (2)

Country Link
CN (1) CN104243900A (zh)
WO (1) WO2014201895A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096642A (zh) * 2015-09-02 2015-11-25 重庆大学 考虑gps数据延迟影响的实时公交到站时间预测方法
CN105469602A (zh) * 2015-12-31 2016-04-06 北京航空航天大学 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN106205176A (zh) * 2015-05-06 2016-12-07 北京掌城科技有限公司 一种车辆实时到站预测方法和系统
US20180286223A1 (en) * 2017-03-31 2018-10-04 Traffic Technology Services, Inc. System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle
CN111343726A (zh) * 2020-02-27 2020-06-26 中国联合网络通信集团有限公司 用户调度方法及装置
CN112904775A (zh) * 2021-01-20 2021-06-04 深圳市蓝泰源信息技术股份有限公司 一种公交车载智能终端

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6396584B2 (ja) * 2015-04-28 2018-09-26 株式会社日立製作所 到着時刻予測装置、到着時刻予測システム及びプログラム
CN105025259A (zh) * 2015-07-08 2015-11-04 国家电网公司 一种基于谷歌眼镜的智能变电站巡检视频直播系统及方法
CN106228830A (zh) * 2016-07-27 2016-12-14 安徽聚润互联信息技术有限公司 一种公交车到站时间实时预测系统及方法
CN109417767B (zh) * 2017-04-27 2020-09-18 北京嘀嘀无限科技发展有限公司 用于确定预估到达时间的系统和方法
CN110046535B (zh) * 2018-01-16 2023-06-23 国民技术股份有限公司 基于机器学习的智能出行时间预测系统、方法及存储介质
CN108986508B (zh) * 2018-07-25 2020-09-18 维沃移动通信有限公司 一种显示路线信息的方法及终端
CN109637178A (zh) * 2018-11-29 2019-04-16 北京依途网络科技有限公司 车辆到站时间确定方法及设备
CN110634315A (zh) * 2019-08-27 2019-12-31 云手指智能科技(江苏)股份有限公司 一种城市公交的智能管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN101123515A (zh) * 2006-08-09 2008-02-13 新世界（中国）科技传媒有限公司 一种数字公交系统的车辆到站时间预报方法
US20120188102A1 (en) * 2011-01-26 2012-07-26 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction
CN102930720A (zh) * 2012-10-25 2013-02-13 北京交通大学 一种基于视频的交通信息检测装置与方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2382203A (en) * 2001-11-20 2003-05-21 Hewlett Packard Co Alerting users to impending events
CN101814237A (zh) * 2009-12-04 2010-08-25 四川川大智胜软件股份有限公司 一种基于车牌识别技术的道路状态判别器及其判别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN101123515A (zh) * 2006-08-09 2008-02-13 新世界（中国）科技传媒有限公司 一种数字公交系统的车辆到站时间预报方法
US20120188102A1 (en) * 2011-01-26 2012-07-26 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction
CN102930720A (zh) * 2012-10-25 2013-02-13 北京交通大学 一种基于视频的交通信息检测装置与方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106205176A (zh) * 2015-05-06 2016-12-07 北京掌城科技有限公司 一种车辆实时到站预测方法和系统
CN106205176B (zh) * 2015-05-06 2019-08-06 北京千方城市信息科技有限公司 一种车辆实时到站预测方法和系统
CN105096642A (zh) * 2015-09-02 2015-11-25 重庆大学 考虑gps数据延迟影响的实时公交到站时间预测方法
CN105469602A (zh) * 2015-12-31 2016-04-06 北京航空航天大学 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN105469602B (zh) * 2015-12-31 2017-08-11 北京航空航天大学 一种基于ic卡数据的公交乘客候车时间范围的预测方法
US20180286223A1 (en) * 2017-03-31 2018-10-04 Traffic Technology Services, Inc. System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle
US11113957B2 (en) * 2017-03-31 2021-09-07 Traffic Technology Services, Inc. System and method for providing real-time and predictive speed, traffic signal timing, station dwell time, and departure window information to transit vehicle
CN111343726A (zh) * 2020-02-27 2020-06-26 中国联合网络通信集团有限公司 用户调度方法及装置
CN111343726B (zh) * 2020-02-27 2023-03-24 中国联合网络通信集团有限公司 用户调度方法及装置
CN112904775A (zh) * 2021-01-20 2021-06-04 深圳市蓝泰源信息技术股份有限公司 一种公交车载智能终端

Also Published As

Publication number Publication date
CN104243900A (zh) 2014-12-24

Similar Documents

Publication Publication Date Title
WO2014201895A1 (zh) 车辆到站时间预报系统及方法
WO2020248386A1 (zh) 视频分析方法、装置、计算机设备及存储介质
CN104485016B (zh) 一种基于云技术平台的智慧路边停车管理系统
CN102622798B (zh) 一种客流统计分析系统
US10417666B2 (en) Digital signage control device, digital signage control method, and recording medium
CN111310994A (zh) 一种基于数据校准的公交路线预测方法及系统
CN104424812B (zh) 一种公交到站时间预测系统和方法
CN113194138B (zh) 基于ai深度学习的出行管理方法和系统
CN102129785A (zh) 大场景停车场智能管理系统
WO2016203422A1 (en) System and method for recognition of parking stalls available for a vehicle
CN103886741A (zh) 一种基于智能公交卡的公交管理系统及方法
Ram et al. SMARTBUS: A web application for smart urban mobility and transportation
CN106650976A (zh) 出行分析预测方法及系统、基于ic卡的出行分析预测方法及系统
CN104580337A (zh) 基于3g通讯技术的物联网全程监控的多目标优化计算方法
CN114693495A (zh) 智慧城市公共交通管理方法、物联网系统、装置及介质
Namiot et al. On bikes in smart cities
CN114677848A (zh) 感知预警系统、方法、装置及计算机程序产品
Bacon et al. TIME: An open platform for capturing, processing and delivering transport-related data
EP3425606B1 (en) Traffic situation estimation system and traffic situation estimation method
Taimouri et al. Providing performance evaluation indicators for intelligent transportation systems (The Case Study of Tehran-Karaj Freeway Located in Iran)
CN110046535B (zh) 基于机器学习的智能出行时间预测系统、方法及存储介质
CN116486332A (zh) 客流量监测方法、装置、设备及存储介质
CN113542364B (zh) 一种公交车和网约车联动的智慧交通系统
CN211604175U (zh) 一种基于城市流动网络的数据采集系统
CN113887834A (zh) 一种公车的智能管控方法及系统

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14814019

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14814019

Country of ref document: EP

Kind code of ref document: A1