[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116052429A - 路段拥堵识别方法、装置、电子设备及介质 - Google Patents

路段拥堵识别方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN116052429A
CN116052429A CN202310068263.5A CN202310068263A CN116052429A CN 116052429 A CN116052429 A CN 116052429A CN 202310068263 A CN202310068263 A CN 202310068263A CN 116052429 A CN116052429 A CN 116052429A
Authority
CN
China
Prior art keywords
road section
congestion
data
vehicle
target
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
Application number
CN202310068263.5A
Other languages
English (en)
Inventor
路亚楠
高涵
丛菲
孙佳明
王建鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Digital City Technology Co ltd
Original Assignee
China Telecom Digital City Technology Co ltd
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 China Telecom Digital City Technology Co ltd filed Critical China Telecom Digital City Technology Co ltd
Priority to CN202310068263.5A priority Critical patent/CN116052429A/zh
Publication of CN116052429A publication Critical patent/CN116052429A/zh
Pending legal-status Critical Current

Links

Images

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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种路段拥堵识别方法、装置、电子设备及介质，包括：通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标；其中，拥堵特征指标至少包括：路段饱和度和通行效率；基于拥堵特征指标和预先训练的拥堵识别模型，确定目标路段的拥堵结果。本发明提高了拥堵识别的准确性。

Description

路段拥堵识别方法、装置、电子设备及介质
技术领域
本发明涉及机器学习技术领域，尤其是涉及一种路段拥堵识别方法、装置、电子设备及介质。
背景技术
交通拥堵是指在某一段时间内，通过道路中的某条路段或交叉口的总的车流量大于路段或交叉口的通行能力时，导致部分交通流滞留在道路(路段或交叉口)上的交通现象。随着人民生活水平不断提高和科技的不断发展，城市居民机动车保有量不断提高，城市道路拥堵现象日趋严重，这不仅影响居民生活，而且严重影响道路通行能力和通行效率。准确识别拥堵并对拥堵原因进行分析是制定信控优化方案以及道路建设的重要基础。
目前，已经有很多交通拥堵的相关研究，但是利用尽可能少的成本实现高准确度的交通拥堵识别依然是一项具有挑战性的工作。现有的绝大多数路段拥堵识别方法使用的是单个可以表征拥堵的指标，但是由于拥堵产生时具有空间(路段饱和度偏高)和时间(路段上的车辆行驶速度偏低)两方面特征，只使用单个指标会造成拥堵误识别的问题。
发明内容
有鉴于此，本发明的目的在于提供一种路段拥堵识别方法、装置、电子设备及介质，以提高了拥堵识别的准确性。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种路段拥堵识别方法，包括：通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标；其中，拥堵特征指标至少包括：路段饱和度和通行效率；基于拥堵特征指标和预先训练的拥堵识别模型，确定目标路段的拥堵结果。
在一种实施方式中，车辆行驶记录至少包括：路段当量交通量、平均行车速度和自由流速度；路段基础信息至少包括：路段长度、单向路段机动车道总宽度和单向机动车车道数；通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息，包括：通过毫米波雷达的采集数据确定路段当量交通量、平均行车速度和自由流速度；其中，毫米波雷达的采集数据包括：行车速度、车辆类型和车辆类型对应的车辆数；基于目标路段安装高清摄像头的经纬度计算目标路段的路段长度；基于高清摄像头的采集画面，通过颜色识别确定目标路段的单向机动车车道数以及单向路段机动车道总宽度。
在一种实施方式中，基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标，包括：基于路段基础信息计算目标路段的最大通行能力；基于最大通行能力和路段当量交通量计算路段饱和度；基于平均行车速度计算自由流速度，并基于平均行车速度和自由流速度计算通行效率。
在一种实施方式中，基于最大通行能力和路段当量交通量计算路段饱和度，包括：按照以下公式计算路段饱和度：
Figure BDA0004062956970000021
其中，Saturation表示路段饱和度，V表示路段当量交通量，C表示目标路段最大通行能力，Cd表示目标路段基准通行能力，v表示平均行车速度，C1表示反应时间，C1*v表示反应距离，C2＝1/2a，a表示车辆的减速度，C2*v2表示制动距离(m)，反应距离与制动距离之和为刹车距离，d0表示车身标准长度与两车安全距离之和，γ表示自行车修正系数，η表示车道宽度影响修正系数，β表示交叉口影响系数，θ表示车道数影响系数，Fi表示目标路段在观测时间段通过的第i种车辆类型的车辆数，Qi表示第i种车辆类型与当量汽车的换算系数，i表示车辆类型的数量。
基于行车速度的平均值和自由流速度计算通行效率，包括：按照以下公式计算通行效率：
Figure BDA0004062956970000031
其中，effiency表示通行效率，avg_speed表示平均行车速度；free_flow_speed表示自由流速度。
在一种实施方式中，拥堵识别模型的训练过程包括：获取初始训练数据集，并去除初始训练数据集中与拥堵特征指标不相关的数据指标，得到训练数据集；对训练数据集的数据指标进行标准化处理，得到标准数据指标；采用机器学习算法对标准数据指标进行学习，得到拥堵识别模型。
在一种实施方式中，采用机器学习算法对标准数据指标进行学习，得到拥堵识别模型之后，拥堵识别模型的训练过程还包括：获取测试数据，并基于测试数据对拥堵识别模型进行测试；其中，测试数据包括拥堵特征指标。
第二方面，本发明实施例提供了一种路段拥堵识别装置，包括：数据获取模块，用于通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；指标计算模块，用于基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标；拥堵特征指标至少包括：路段饱和度和通行效率；拥堵识别模块，用于基于拥堵特征指标和预先训练的拥堵识别模型，确定目标路段的拥堵结果。
在一种实施方式中，车辆行驶记录至少包括：路段当量交通量、平均行车速度和自由流速度；路段基础信息至少包括：路段长度、单向路段机动车道总宽度和单向机动车车道数；数据获取模块还用于：通过毫米波雷达的采集数据确定路段当量交通量、平均行车速度和自由流速度；其中，毫米波雷达的采集数据包括：行车速度、车辆类型和车辆类型对应的车辆数；基于目标路段安装高清摄像头的经纬度计算目标路段的路段长度；基于高清摄像头的采集画面，通过颜色识别确定目标路段的单向机动车车道数以及单向路段机动车道总宽度。
第三方面，本发明实施例提供了一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述第一方面提供的任一项的方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述第一方面提供的任一项的方法的步骤。
本发明实施例带来了以下有益效果：
本发明实施例提供的上述路段拥堵识别方法、装置、电子设备及介质，首先，通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；然后，基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标(拥堵特征指标至少包括：路段饱和度和通行效率)；最后，基于拥堵特征指标和预先训练的拥堵识别模型，确定目标路段的拥堵结果。上述方法通过毫米波雷达和高清摄像头结合的方式获取数据，能够改善获取车载雷达或GPS数据难的问题；其次，上述方法根据路段饱和度和通行效率等特征指标，利用预先训练好的拥堵识别模型进行拥堵识别，从而能够结合时间和空间多指标进行拥堵识别，提高了拥堵识别的准确性。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种路段拥堵识别方法的流程图；
图2为本发明实施例提供的一种单向机动车车道数的识别示意图；
图3为本发明实施例提供的另一种路段拥堵识别方法的流程图；
图4为本发明实施例提供的一种路段拥堵识别装置的结构示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
目前，现有的绝大多数路段拥堵识别方法使用的是单个可以表征拥堵的指标，但是由于拥堵产生时具有空间(路段饱和度偏高)和时间(路段上的车辆行驶速度偏低)两方面特征，只使用单个指标会造成拥堵误识别的问题；其次，有些方法使用的指标为绝对性指标或者阈值需要根据不同路段进行调整，这样对某一路段进行研究的成果不具有好的普遍适用性；最后，随着机器学习的不断发展，使用机器学习的方法进行拥堵识别也越来越受到学者的关注，但是大多数对于拥堵的识别是基于目前常发拥堵路段，更换新路段进行拥堵识别需要一段时间的数据积累。综上所述，现有的拥堵识别方法存在识别效率低，普适性差的问题。
基于此，本发明实施例提供的一种路段拥堵识别方法、装置、电子设备及介质，可以提高拥堵识别的准确性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种路段拥堵识别方法进行详细介绍，该方法可以由电子设备执行，诸如：电脑、只能手机、平板电脑等。参见图1所示的一种路段拥堵识别方法的流程图，示意出该方法主要包括以下步骤S101至步骤S103：
步骤S101：通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息。
在一种实施方式中，可以在目标路段架设高清摄像头和毫米波雷达，并对其进行配置和校准，在路段较长的地方可以设置多台高清摄像头和毫米波雷达确保无遗漏覆盖全路段；毫米波雷达可以进行不间断记录并上传目标路段每辆车的行车速度、车辆类型和车辆类型对应的车辆数，并且可以根据车辆类型和车辆类型对应的车辆数确定车辆行驶记录；高清摄像头可以不间断拍摄目标路段的通行状况，并且可以根据高清摄像头的采集画面获取目标路段的路段基础信息。
步骤S102：基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标；其中，拥堵特征指标至少包括：路段饱和度和通行效率。
在一种实施方式中，可以根据毫米波雷达和高清摄像头上传的数据计算目标路段的拥堵特征指标，包括：路段饱和度和通行效率等。具体的，可以通过对车辆类型、各车辆类型流量(即车辆类型对应的车辆数)进行统计计算目标路段的路段当量交通量、速度信息；通过对车速与通行能力进行建模，使用路段基础信息计算路段最大通行能力，通过路段当量交通量与最大通行能力计算得出路段饱和度，并使用平均行车速度与自由流速度计算得出路段通行效率。
步骤S103：基于拥堵特征指标和预先训练的拥堵识别模型，确定目标路段的拥堵结果。
在一种实施方式中，拥堵识别模型可以是采用机器学习算法(诸如随机森林算法)预先训练得到的，拥堵识别模型可以根据拥堵特征指标输出目标路段的拥堵结果，包括：畅通、稍有拥堵、拥堵、严重拥堵等结果。本发明实施例中，在得到目标路段的拥堵指标后，可以将拥堵指标输入到预先训练好的拥堵识别模型中，输出对应的拥堵结果。
本发明实施例提供的上述路段拥堵识别方法，通过毫米波雷达和高清摄像头结合的方式获取数据，能够改善获取车载雷达或GPS数据难的问题；其次，上述方法根据路段饱和度和通行效率等特征指标，利用预先训练好的拥堵识别模型进行拥堵识别，从而能够结合时间和空间多指标进行拥堵识别，提高了拥堵识别的准确性。
在一种实施方式中，车辆行驶记录至少包括：路段当量交通量、平均行车速度和自由流速度；路段基础信息至少包括：路段长度、单向路段机动车道总宽度和单向机动车车道数。具体的，在通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息时，可以采用包括但不限于以下方式：
首先，通过毫米波雷达的采集数据确定路段当量交通量、平均行车速度和自由流速度。
在具体实施时，可以通过毫米波雷达的采集数据对车辆类型、各车辆类型对应的车辆数进行统计计算目标路段的路段当量交通量、平均行车速度和自由流速度。具体的，可以将车辆数乘以对应的车辆类型换算系数求和得到路段当量交通量；根据每辆车的行车速度计算平均行车速度；按照给定的时间间隔(10min)将观测时间段进行划分，然后计算每个时间间隔内平均行车速度的算术平均值，接着将计算出的算术平均值从大到小进行排序，取排序结果的前1/9进行平均，将其结果作为自由流速度。
然后，基于目标路段安装高清摄像头的经纬度计算目标路段的路段长度。在具体实施时，可以通过目标路段两侧安装高清摄像头的经纬度计算目标路段的路段长度。
最后，基于高清摄像头的采集画面，通过颜色识别确定目标路段的单向机动车车道数以及单向路段机动车道总宽度。
在具体实施时，参见图2所示的单向机动车车道数的识别示意图，示意出车道数的识别主要包括以下步骤1至步骤6：
步骤1：畸变校正。
具体的，获取高清摄像头采集的采集画面，根据预先标定的摄像头参数、畸变系数等对采集画面进行矫正，得到矫正后的图像。
步骤2：颜色阈值与梯度检测。
具体的，首先对矫正后的图像进行梯度检测，提取图像中的直线；然后使用不同颜色空间下的不同通道，进行颜色阈值检测。
步骤3：提取感兴趣区域。
具体的，感兴趣区域即为包含车道的区域。
步骤4：透视变换。
具体的，可以将提取到的感兴趣区域的图像的像素点按照一定的比例进行映射，得到透视变换后的图像。
步骤5：提取车道线。
具体的，对透视变换后的图像进行统计分析，将每一列的像素值进行相加，根据相加后的像素值的和确定车道线的位置。
步骤6：根据车道线的数量计算单向机动车车道数。
在一种实施方式中，对于前述步骤S102，即在基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标时，可以采用包括但不限于以下方式：
首先，基于路段基础信息计算目标路段的最大通行能力。
然后，基于最大通行能力和路段当量交通量计算路段饱和度。
在具体实施时，可以按照以下公式计算路段饱和度：
Figure BDA0004062956970000091
其中，Saturation表示路段饱和度，V表示路段当量交通量，C表示目标路段最大通行能力(pcu/h)，Cd表示目标路段基准通行能力，v表示平均行车速度(m/s)，C1表示反应时间，C1*v表示反应距离，C2＝1/2a，a表示车辆的减速度，C2*v2表示制动距离(m)，反应距离与制动距离之和为刹车距离，d0表示车身标准长度与两车安全距离之和，γ表示自行车修正系数，η表示车道宽度影响修正系数，β表示交叉口影响系数，θ表示车道数影响系数，Fi表示目标路段在观测时间段通过的第i种车辆类型的车辆数，Qi表示第i种车辆类型与当量汽车的换算系数，i表示车辆类型的数量。其中，车辆分类与当量汽车的换算系数可参见GB/T33171-2016。进一步地，可以通过单向路段机动车道总宽度除以单向机动车车道数获得单机动车道的车道宽度。
最后，基于平均行车速度计算自由流速度，并基于平均行车速度和自由流速度计算通行效率。
在具体实施时，可以按照以下公式计算通行效率：
Figure BDA0004062956970000092
其中，effiency表示通行效率，avg_speed表示平均行车速度；free_flow_speed表示自由流速度。
在一种实施方式中，本发明实施例还提供了一种模型训练的方法，具体的拥堵识别模型的训练过程包括以下步骤a至步骤c：
步骤a：获取初始训练数据集，并去除初始训练数据集中与拥堵特征指标不相关的数据指标，得到训练数据集。
在具体实施时，可以获取各大城市公布数据集作为初始训练数据集，使用PCA对获取的初始训练数据集进行处理，得到与拥堵特征指标不相关的数据指标，并将与拥堵特征指标不相关的数据指标去除，以降低后续算法的计算量。
步骤b：对训练数据集的数据指标进行标准化处理，得到标准数据指标。
具体的，对上述步骤得到的训练数据集进行标准化处理，得到符合算法输入的数据格式的数据。
步骤c：采用机器学习算法对标准数据指标进行学习，得到拥堵识别模型。
在具体实施时，可以使用各参数为默认值的随机森林算法对训练数据集进行学习训练，得到拥堵识别模型。
进一步地，在采用机器学习算法对标准数据指标进行学习，得到拥堵识别模型之后，上述拥堵识别模型的训练过程还包括：获取测试数据，并基于测试数据对拥堵识别模型进行测试；其中，测试数据包括拥堵特征指标。
在具体实施时，测试数据包括前述方法得到的拥堵特征指标。具体的，对测试数据进行标准化处理，采用前述训练得到的拥堵识别模型对测试数据进行测试，验证其准确度。
本发明实施例提供的上述方法，首先在目标路段设置一个可承载高清摄像头和毫米波雷达的多功能杆，在其上架设毫米波雷达和高清摄像头，并对毫米波雷达和高清摄像头进行校准，调整照射范围；然后利用高清摄像头采集的信息进行路段基础信息的识别和计算，并利用上述数据计算路段通行能力，以及获取毫米波雷达上传数据，计算路段饱和度和通行效率等指标数据，并将指标数据进行标准化处理，用拥堵识别模型进行拥堵识别，得到拥堵结果的判断，提高了拥堵识别的准确性。
为了便于理解，本发明实施例还提供了一种具体的路段拥堵识别方法，参见图3所示，示意出该方法主要包括以下步骤S301至步骤S307：
步骤S301：在目标路段架设高清摄像头和毫米波雷达并进行校准。
步骤S302：获取高清摄像头和毫米波雷达上传的数据。
步骤S303：根据高清摄像头上传的数据，利用图像识别技术获取目标路段的路段基础信息。
步骤S304：根据毫米波雷达上传的数据和路段基础信息计算拥堵特征指标。
步骤S305：获取各大城市公布数据集，并对数据集进行数据相关性检测和标准化处理，使用随机森林算法对处理后的数据集进行学习训练。
具体的，获取各大城市公布数据集作为初始训练数据集，使用PCA对获取的初始训练数据集进行数据相关性检测和，得到与拥堵特征指标不相关的数据指标，并将与拥堵特征指标不相关的数据指标去除；然后对数据集进行标准化处理，得到符合算法输入的数据格式的数据；最后，使用随机森林算法对处理后的数据集进行学习训练。
步骤S306：参数调优。
具体的，对上述步骤S305得到的拥堵识别模型进行参数调优，得到优化后的拥堵识别模型。
步骤S307：模型测试。
具体的，在优化后的拥堵识别模型中输入标准化处理后的路段饱和度和通行效率等拥堵特征指标，用高清摄像头拍摄到的路段情况与模型输出情况进行比较，验证模型准确率。
步骤S308：使用拥堵识别模型对目标路段进行拥堵识别。
本发明实施例提供的上述方法，使用毫米波雷达、高清摄像头采集数据，通过对车辆类型、各车辆类型流量进行统计测算取得路段当量交通量、速度信息；通过对车速与通行能力进行建模，使用路段基础信息计算路段最大通行能力；通过路段当量交通量与最大通行能力计算得出路段饱和度，并使用平均行车速度与自由流速度计算得出路段通行效率；使用随机森林算法对各个城市公开交通数据集进行训练，用上述计算出的各个指标进行测试，并进行参数调优，得到最终的模型。上述方法不会因为不同道路而需要进行更改，具有较强的适用性，同时由于有大量的训练数据以及参数调优使得模型识别准确率较高；其次，使用毫米波雷达和高清摄像头结合获取数据的方法，可操作性强，解决了获取车载雷达或GPS数据难的问题；最后，可以对于判定为拥堵的路段以及时间进行记录，便于分析拥堵原因进行优化以及道路建设。
对于前述实施例提供的路段拥堵识别方法，本发明实施例还提供了一种路段拥堵识别装置，参见图4所示的一种路段拥堵识别装置的结构示意图，该装置可以包括以下部分：
数据获取模块401，用于通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；
指标计算模块402，用于基于车辆行驶记录和路段基础信息计算目标路段的拥堵特征指标；其中，拥堵特征指标至少包括：路段饱和度和通行效率；
拥堵识别模块403，用于基于拥堵特征指标和预先训练的拥堵识别模型，确定目标路段的拥堵结果。
本发明实施例提供的上述路段拥堵识别装置，通过毫米波雷达和高清摄像头结合的方式获取数据，能够改善获取车载雷达或GPS数据难的问题；其次，上述装置根据路段饱和度和通行效率等特征指标，利用预先训练好的拥堵识别模型进行拥堵识别，从而能够结合时间和空间多指标进行拥堵识别，提高了拥堵识别的准确性。
在一种实施方式中，车辆行驶记录至少包括：路段当量交通量、平均行车速度和自由流速度；路段基础信息至少包括：路段长度、单向路段机动车道总宽度和单向机动车车道数；上述数据获取模块402进一步还用于：通过毫米波雷达的采集数据确定路段当量交通量、平均行车速度和自由流速度；其中，毫米波雷达的采集数据包括：行车速度、车辆类型和车辆类型对应的车辆数；基于目标路段安装高清摄像头的经纬度计算目标路段的路段长度；基于高清摄像头的采集画面，通过颜色识别确定目标路段的单向机动车车道数以及单向路段机动车道总宽度。
在一种实施方式中，上述指标计算模块402进一步用于：基于路段基础信息计算目标路段的最大通行能力；基于最大通行能力和路段当量交通量计算路段饱和度；基于平均行车速度计算自由流速度，并基于平均行车速度和自由流速度计算通行效率。
在一种实施方式中，上述指标计算模块402进一步用于：按照以下公式计算路段饱和度：
Figure BDA0004062956970000131
其中，Saturation表示路段饱和度，V表示路段当量交通量，C表示目标路段最大通行能力，Cd表示目标路段基准通行能力，v表示平均行车速度，C1表示反应时间，C1*v表示反应距离，C2＝1/2a，a表示车辆的减速度，C2*v2表示制动距离，反应距离与制动距离之和为刹车距离，d0表示车身标准长度与两车安全距离之和，γ表示自行车修正系数，η表示车道宽度影响修正系数，β表示交叉口影响系数，θ表示车道数影响系数，Fi表示目标路段在观测时间段通过的第i种车辆类型的车辆数，Qi表示第i种车辆类型与当量汽车的换算系数，i表示车辆类型的数量。
上述指标计算模块402进一步用于：按照以下公式计算通行效率：
Figure BDA0004062956970000141
其中，effiency表示通行效率，avg_speed表示平均行车速度；free_flow_speed表示自由流速度。
在一种实施方式中，上述装置还包括模型训练模块，用于：获取初始训练数据集，并去除初始训练数据集中与拥堵特征指标不相关的数据指标，得到训练数据集；对训练数据集的数据指标进行标准化处理，得到标准数据指标；采用机器学习算法对标准数据指标进行学习，得到拥堵识别模型。
在一种实施方式中，上述模型训练模块进一步还用于：获取测试数据，并基于测试数据对拥堵识别模型进行测试；其中，测试数据包括拥堵特征指标。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例还提供了一种电子设备，具体的，该电子设备包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被处理器运行时执行如上实施方式的任一项所述的方法。
图5为本发明实施例提供的一种电子设备的结构示意图，该电子设备100包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口53(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种路段拥堵识别方法，其特征在于，包括：
通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；
基于所述车辆行驶记录和所述路段基础信息计算所述目标路段的拥堵特征指标；其中，所述拥堵特征指标至少包括：路段饱和度和通行效率；
基于所述拥堵特征指标和预先训练的拥堵识别模型，确定所述目标路段的拥堵结果。
2.根据权利要求1所述的方法，其特征在于，所述车辆行驶记录至少包括：路段当量交通量、平均行车速度和自由流速度；所述路段基础信息至少包括：路段长度、单向路段机动车道总宽度和单向机动车车道数；
通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息，包括：
通过毫米波雷达的采集数据确定路段当量交通量、平均行车速度和自由流速度；其中，所述毫米波雷达的采集数据包括：行车速度、车辆类型和所述车辆类型对应的车辆数；
基于所述目标路段安装所述高清摄像头的经纬度计算所述目标路段的路段长度；
基于所述高清摄像头的采集画面，通过颜色识别确定所述目标路段的单向机动车车道数以及单向路段机动车道总宽度。
3.根据权利要求2所述的方法，其特征在于，基于所述车辆行驶记录和所述路段基础信息计算所述目标路段的拥堵特征指标，包括：
基于所述路段基础信息计算所述目标路段的最大通行能力；
基于所述最大通行能力和所述路段当量交通量计算所述路段饱和度；
基于所述平均行车速度计算所述自由流速度，并基于所述平均行车速度和所述自由流速度计算所述通行效率。
4.根据权利要求3所述的方法，其特征在于，基于所述最大通行能力和所述路段当量交通量计算所述路段饱和度，包括：
按照以下公式计算所述路段饱和度：
Figure FDA0004062956950000021
其中，Saturation表示路段饱和度，V表示路段当量交通量，C表示目标路段最大通行能力，Cd表示目标路段基准通行能力，v表示平均行车速度，C1表示反应时间，C1*v表示反应距离，C2＝1/2a，a表示车辆的减速度，C2*v2表示制动距离(m)，反应距离与制动距离之和为刹车距离，d0表示车身标准长度与两车安全距离之和，γ表示自行车修正系数，η表示车道宽度影响修正系数，β表示交叉口影响系数，θ表示车道数影响系数，Fi表示目标路段在观测时间段通过的第i种车辆类型的车辆数，Qi表示第i种车辆类型与当量汽车的换算系数，i表示车辆类型的数量；
基于所述行车速度的平均值和自由流速度计算所述通行效率，包括：
按照以下公式计算所述通行效率：
Figure FDA0004062956950000022
其中，effiency表示通行效率，avg_speed表示平均行车速度；free_flow_speed表示自由流速度。
5.根据权利要求1所述的方法，其特征在于，所述拥堵识别模型的训练过程包括：
获取初始训练数据集，并去除所述初始训练数据集中与所述拥堵特征指标不相关的数据指标，得到训练数据集；
对所述训练数据集的数据指标进行标准化处理，得到标准数据指标；
采用机器学习算法对所述标准数据指标进行学习，得到拥堵识别模型。
6.根据权利要求5所述的方法，其特征在于，采用机器学习算法对所述标准数据指标进行学习，得到拥堵识别模型之后，所述拥堵识别模型的训练过程还包括：
获取测试数据，并基于所述测试数据对所述拥堵识别模型进行测试；其中，所述测试数据包括拥堵特征指标。
7.一种路段拥堵识别装置，其特征在于，包括：
数据获取模块，用于通过毫米波雷达和高清摄像头的采集数据确定目标路段的车辆行驶记录和路段基础信息；
指标计算模块，用于基于所述车辆行驶记录和所述路段基础信息计算所述目标路段的拥堵特征指标；其中，所述拥堵特征指标至少包括：路段饱和度和通行效率；
拥堵识别模块，用于基于所述拥堵特征指标和预先训练的拥堵识别模型，确定所述目标路段的拥堵结果。
8.根据权利要求7所述的装置，其特征在于，所述车辆行驶记录至少包括：路段当量交通量、平均行车速度和自由流速度；所述路段基础信息至少包括：路段长度、单向路段机动车道总宽度和单向机动车车道数；所述数据获取模块还用于：
通过毫米波雷达的采集数据确定路段当量交通量、平均行车速度和自由流速度；其中，所述毫米波雷达的采集数据包括：行车速度、车辆类型和所述车辆类型对应的车辆数；
基于所述目标路段安装所述高清摄像头的经纬度计算所述目标路段的路段长度；
基于所述高清摄像头的采集画面，通过颜色识别确定所述目标路段的单向机动车车道数以及单向路段机动车道总宽度。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行上述权利要求1至6任一项所述的方法的步骤。
CN202310068263.5A 2023-01-30 2023-01-30 路段拥堵识别方法、装置、电子设备及介质 Pending CN116052429A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310068263.5A CN116052429A (zh) 2023-01-30 2023-01-30 路段拥堵识别方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310068263.5A CN116052429A (zh) 2023-01-30 2023-01-30 路段拥堵识别方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116052429A true CN116052429A (zh) 2023-05-02

Family

ID=86132939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310068263.5A Pending CN116052429A (zh) 2023-01-30 2023-01-30 路段拥堵识别方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116052429A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596282A (zh) * 2023-07-17 2023-08-15 山东聚航物流发展有限公司 一种基于物联网系统的物流车交通调度方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596282A (zh) * 2023-07-17 2023-08-15 山东聚航物流发展有限公司 一种基于物联网系统的物流车交通调度方法及系统

Similar Documents

Publication Publication Date Title
CN108986465B (zh) 一种车流量检测的方法、系统及终端设备
CN112069944B (zh) 一种道路拥堵等级确定方法
US20180261082A1 (en) Method and device for processing traffic road information
CN110909699A (zh) 视频车辆非导向行驶检测方法、装置及可读存储介质
CN116052429A (zh) 路段拥堵识别方法、装置、电子设备及介质
CN112651326B (zh) 一种基于深度学习的驾驶员手部检测方法及系统
CN113850237B (zh) 基于视频和轨迹数据的网联车目标检测评价方法及系统
CN110807493A (zh) 一种车辆分类模型的优化方法及设备
CN111554109A (zh) 基于排队长度的信号配时方法及终端
CN117437792B (zh) 基于边缘计算的实时道路交通状态监测方法、设备及系统
CN104598900A (zh) 一种人体识别方法以及装置
CN116311913B (zh) 一种基于ai视频智能分析的高速路段拥堵分析方法及系统
CN113192340B (zh) 高速公路施工车辆的识别方法、装置、设备及存储介质
CN116824520A (zh) 基于ReID和图卷积网络的车辆轨迹预测方法及系统
CN111679041B (zh) 一种污染物排放量的监测方法、装置及终端设备
CN116091964A (zh) 高位视频场景解析方法以及系统
CN115662132A (zh) 一种红绿灯倒计时时间识别方法及装置
CN117523814A (zh) 监控区域确定方法、装置、电子设备及存储介质
CN113139072A (zh) 数据标注方法、装置和电子设备
CN114463416A (zh) 车辆变道检测方法、装置、电子设备和存储介质
CN114359874B (zh) 车辆检测方法、装置及电子设备
CN114241765B (zh) 基于时空逻辑的定向车道交通违法分析方法、装置及存储介质
CN117787699A (zh) 一种道路风险预测方法、装置、计算机设备及存储介质
CN117037094A (zh) 车道划分方法、装置、电子设备
CN117968716A (zh) 路径规划方法及相关装置

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