基于视觉识别的区域交通流情况预测方法

摘要

本发明涉及智慧交通技术领域，具体为基于视觉识别的区域交通流情况预测方法，包括以下步骤：S100：获取各个车载终端上传的实时采集信息；S200：对实时采集信息进行交通流量分析，得到当前交通流量信息；S300：对实时采集信息进行突发事件识别，得到突发事件列表；S400：将当前交通流量信息、突发事件列表加载至交通流预测模型，得到区域交通流预测结果。本申请的基于视觉识别的区域交通流情况预测方法，能够实现全路段交通流量的检测和预测，可以提升区域交通流预测的实时性和准确性。

权利要求

1.基于视觉识别的区域交通流情况预测方法，其特征在于：包括以下步骤：S100：获取各个车载终端上传的实时采集信息；

S200：对实时采集信息进行交通流量分析，得到当前交通流量信息；

S300：对实时采集信息进行突发事件识别，得到突发事件列表；

S400：将当前交通流量信息、突发事件列表加载至交通流预测模型，得到区域交通流预测结果；

所述实时采集信息包括影像信息和位置信息，所述S200包括：S201：获取道路监测点信息，所述道路监测点信息包括监测点位置与标志物；

S202：根据位置信息，获取单位时间内，位置信息与监测点位置相差小于阈值的车载终端列表；

S203：对车载终端列表中的车载终端对应的影像信息进行标志物的识别，根据识别结果判断是否经过标志物，将经过标志物的车载终端筛选出来得到标志物车载终端列表；

S204：根据标志物车载终端列表得到单位时间内通过道路监测点的车辆数量，得到当前交通流量信息；

所述S204包括：

标志物车载终端列表中车载终端对应的影像信息进行车辆识别；

对车辆识别结果进行去重，计算去重后的车辆数量作为单位时间内通过道路监测点的车辆数量；

所述S300的突发事件包括：交通事故事件、道路环境事件以及违规驾驶事件；

所述S400包括：

S401：根据突发事件列表获取各个突发事件的突发事件类型、严重程度、发生时间、发生位置、车道位置、影响范围；

S402：将当前交通流量信息、突发事件类型、严重程度、事件位置、车道位置、影响范围作为输入参数加载至交通流预测模型，得到区域交通流预测结果；

S410：构建交通流预测初始模型；

S420：获取历史突发事件数据以及历史区域交通流数据，构建训练集和测试集；

S430：用训练集对交通流预测初始模型进行训练，根据训练后输出结果与测试集的数据计算两组数据的代价函数；

S440：根据计算结果对各层权重和偏置进行调整，直至代价函数收敛，得到交通流预测模型。

2.根据权利要求1所述的基于视觉识别的区域交通流情况预测方法，其特征在于：所述S410包括：S411：基于LSTM算法，构建输入层、输出层、遗忘层和隐藏层；输入层通过sigmoid函数来控制输出，隐藏层由tanh函数控制输出，遗忘层由sigmoid函数控制输出；

S412：通过蚁狮优化算法对隐藏层节点数量进行优化。

3.根据权利要求2所述的基于视觉识别的区域交通流情况预测方法，其特征在于：所述S412包括：S4121：初始化蚂蚁和蚁狮的位置，作为隐藏层节点数量，设定适应度函数的表达式；

S4123：计算所有初始化的蚂蚁和蚁狮的适应度，并找到适应度最高的蚁狮作为初始精英蚁狮；

S4124：将蚂蚁进行随机游走并更新蚂蚁的位置；

S4125：根据轮盘赌策略选择蚂蚁的位置作为蚁狮的位置；

S4127：根据适应度筛选精英蚁狮，更新精英蚁狮的位置，判断是否满足迭代收敛条件，若满足迭代收敛条件，将精英蚁狮的位置作为隐藏层节点数量。

4.根据权利要求3所述的基于视觉识别的区域交通流情况预测方法，其特征在于：所述S4127还包括：若不满足迭代收敛条件，记录迭代次数，若迭代次数大于预设值，则通过轮盘赌策略选择蚁狮，并对蚁狮位置进行随机游走。

5.根据权利要求4所述的基于视觉识别的区域交通流情况预测方法，其特征在于：还包括：S500：根据车载终端的位置信息获取突发事件的发生时间前后范围内经过发生位置的车载终端列表；

S600：根据车载终端列表对应的影像信息筛选出包含突发事件发生过程的影像信息列表；S700：将影像信息列表传输至交管部门。

说明书

基于视觉识别的区域交通流情况预测方法

技术领域

[0001] 本发明涉及智慧交通技术领域，具体为基于视觉识别的区域交通流情况预测方法。

背景技术

[0002] 交通流检测以及预测技术可有效地缓解交通问题对城市功能所造成的影响。作为智能交通中的一项关键技术，交通流检测和预测技术可为交通管理提供重要的决策支持。在节省时间与金钱成本的条件下，精确与可靠的交通流检测和预测模型为智能交通系统提供准确的交通流信息，实现路面交通的智能管理，从而减缓交通拥堵与减少交通事故。

[0003] 目前的交通流的检测技术主要依赖于路口的摄像监控，存在点位固定，成本高等问题，而交通流预测技术大多是利用历史交通流数据对未来的交通流进行预测，其泛化能力较强，但未结合当前实时交通情况，实时性和准确性较差。

发明内容

[0004] 本发明意在提供基于视觉识别的区域交通流情况预测方法，能够实现全路段交通流量的检测和预测，可以提升区域交通流预测的实时性和准确性。

[0005] 本申请提供如下技术方案：

[0006] 基于视觉识别的区域交通流情况预测方法，包括以下步骤：

[0007] S100：获取各个车载终端上传的实时采集信息；

[0008] S200：对实时采集信息进行交通流量分析，得到当前交通流量信息；

[0009] S300：对实时采集信息进行突发事件识别，得到突发事件列表；

[0010] S400：将当前交通流量信息、突发事件列表加载至交通流预测模型，得到区域交通流预测结果。

[0011] 本发明的有益效果为：

[0012] 本发明技术方案中，通过各个车载终端实时采集信息并分析，不受限于路口固定位置设置摄像头的束缚，可以实现全路段交通流量的检测分析和预测，无需交通部门在各个地方设置监控摄像头，方案实施成本低。同时，通过车载终端还可以对道路交通的突发事件进行实时的检测，如交通事故，违规停车等影响车流通行的事件，在针对相关事件识别后，加载到交通流预测模型中，可以对交通情况，如道路拥堵情况等进行实时的预测，相比现有技术中，通常采用历史数据的方式，本申请不仅仅采用了实时的交通流量信息同时还采用了实时突发事件作为数据输入，可以极大的提高预测的准确性和及时性。

[0013] 进一步，所述实时采集信息包括影像信息和位置信息，所述S200包括：

[0014] S201：获取道路监测点信息，所述道路监测点信息包括监测点位置与标志物；

[0015] S202：根据位置信息，获取单位时间内，位置信息与监测点位置相差小于阈值的车载终端列表；

[0016] S203：对车载终端列表中的车载终端对应的影像信息进行标志物的识别，根据识别结果判断是否经过标志物，将经过标志物的车载终端筛选出来得到标志物车载终端列表；

[0017] S204：根据标志物车载终端列表得到单位时间内通过道路监测点的车辆数量，得到当前交通流量信息。

[0018] 通过位置分析，首先选出位置符合的车载终端，可以减小数据处理的范围，提高处理效率，通过设置标志物的方式，对需要监测的位置进行识别检测，可以更加精准的判断通过监测点的车辆数量。

[0019] 进一步，所述S204包括：

[0020] 标志物车载终端列表中车载终端对应的影像信息进行车辆识别；

[0021] 对车辆识别结果进行去重，计算去重后的车辆数量作为单位时间内通过道路监测点的车辆数量。

[0022] 通过对影像信息中的车辆进行识别，可以将未安装车载终端的车辆进行记录和识别，进而可以确保检测的准确性。

[0023] 进一步，所述S300的突发事件包括：交通事故事件、道路环境事件以及违规驾驶事件。

[0024] 这几类事件通常对道路交通的流量有较大影响，通过对突发事件的识别分析，实现准确的交通流预测。

[0025] 进一步，所述S400包括：

[0026] S401：根据突发事件列表获取各个突发事件的突发事件类型、严重程度、发生时间、发生位置、车道位置、影响范围；

[0027] S402：将当前交通流量信息、突发事件类型、严重程度、事件位置、车道位置、影响范围作为输入参数加载至交通流预测模型，得到区域交通流预测结果。

[0028] 进一步，所述S400包括：

[0029] S410：构建交通流预测初始模型；

[0030] S420：获取历史突发事件数据以及历史区域交通流数据，构建训练集和测试集；

[0031] S430：用训练集对交通流预测初始模型进行训练，根据训练后输出结果与测试集的数据计算两组数据的代价函数；

[0032] S440：根据计算结果对各层权重和偏置进行调整，直至代价函数收敛，得到交通流预测模型。

[0033] 通过预训练模型，利用神经网络技术，实现对交通流的准确预测。

[0034] 进一步，所述S410包括：

[0035] S411：基于LSTM算法，构建输入层、输出层、遗忘层和隐藏层；输入层通过sigmoid函数来控制输出，隐藏层由tanh函数控制输出，遗忘层由sigmoid函数控制输出；

[0036] S412：通过蚁狮优化算法对隐藏层节点数量进行优化。

[0037] 使用LSTM算法模型，可以保留当前交通流量的影响，来分析和预测未来的交通流情况，提高预测准确性；通过蚁狮优化算法对LSTM算法节点数进行优化，可以提高算法执行效率。

[0038] 进一步，所述S412包括：

[0039] S4121：初始化蚂蚁和蚁狮的位置，作为隐藏层节点数量，设定适应度函数的表达式；

[0040] S4123：计算所有初始化的蚂蚁和蚁狮的适应度，并找到适应度最高的蚁狮作为初始精英蚁狮；

[0041] S4124：将蚂蚁进行随机游走并更新蚂蚁的位置；

[0042] S4125：根据轮盘赌策略选择蚂蚁的位置作为蚁狮的位置；

[0043] S4127：根据适应度筛选精英蚁狮，更新精英蚁狮的位置，判断是否满足迭代收敛条件，若满足迭代收敛条件，将精英蚁狮的位置作为隐藏层节点数量。

[0044] 进一步，所述S4127还包括：若不满足迭代收敛条件，记录迭代次数，若迭代次数大于预设值，则通过轮盘赌策略选择蚁狮，并对蚁狮位置进行随机游走。将蚁狮算法应用于LSTM中，可能会产生局部最优、全局搜索不足、耗时过长等问题，因此通过轮盘赌策略选择蚁狮，并对蚁狮位置进行随机游走，可以提高全局搜索能力，避免陷入局部最优，降低时间消耗。

[0045] 进一步，还包括：

[0046] S500：根据车载终端的位置信息获取突发事件的发生时间前后范围内经过发生位置的车载终端列表；

[0047] S600：根据车载终端列表对应的影像信息筛选出包含突发事件发生过程的影像信息列表；

[0048] S700：将影像信息列表传输至交管部门。

[0049] 通过车载终端来采集突发事件发生过程的影像信息，可以实现多机位，多角度的拍摄，有利于交管部门快速准确的做出处置。

附图说明

[0050] 图1为本申请基于视觉识别的区域交通流情况预测方法的流程图。

[0051] 图2为本申请基于视觉识别的区域交通流情况预测方法S200步骤的流程图。

具体实施方式

[0052] 下面通过具体实施方式对本申请技术方案进行进一步详细说明：

[0053] 实施例一

[0054] 如图1所示，本实施例中的基于视觉识别的区域交通流情况预测方法包括以下步骤：

[0055] S100：获取各个车载终端上传的实时采集信息；本实施例技术方案实施时，需要在各个车辆上安装智能车载终端，现有的新能源汽车通常集成了智能车机系统以及摄像头，通过安装相应的车载终端软件即可实现。服务器实时接收各个车载终端上传的实时采集信息，实时采集信息包括影像信息、车牌信息、位置信息等。

[0056] S200：对实时采集信息进行交通流量分析，得到当前交通流量信息；如图2所示，S200具体包括：

[0057] S201：获取道路监测点信息，所述道路监测点信息包括监测点位置与标志物；本实施中，道路监测点为需要监测的道路位置，相关人员可以在系统中配置道路监测点信息，设置监测点位置以及标志物即可，标志物可以由操作人员进行图像上传或从影像中进行圈选，本实施例中，当设置监测点位置后，服务器会调取历史存储的监测点位置的影像信息，并进行实体的识别，统计各个实体存在的频次以及识别的准确率，根据各个实体存在的频次以及识别的准确率，生成标志物推荐列表给操作人员，进而方便操作人员快速设置高准确率的标志物，标志物的设置影响后续检测识别的精度，通过该方式，可以保证后续识别的准确性。

[0058] S202：根据位置信息，获取单位时间内，位置信息与监测点位置相差小于阈值的车载终端列表；本实施例，单位时间为1分钟，该步骤的阈值为200米。

[0059] S203：对车载终端列表中的车载终端对应的影像信息进行标志物的识别，根据识别结果判断是否经过标志物，将经过标志物的车载终端筛选出来得到标志物车载终端列表；

[0060] S204：根据标志物车载终端列表得到单位时间内通过道路监测点的车辆数量，得到当前交通流量信息。具体的，标志物车载终端列表中车载终端对应的影像信息进行车辆识别；对车辆识别结果进行去重，本实施例中，通过车牌号进行识别，在车牌号未能正确识别时，通过车辆颜色、车辆型号等进行相似度的综合计算，去除各个车载终端影像中的重复车辆，计算去重后的车辆数量作为单位时间内通过道路监测点的车辆数量。

[0061] S300：对实时采集信息进行突发事件识别，得到突发事件列表；突发事件包括：交通事故事件、道路环境事件以及违规驾驶事件，道路环境事件，如天气、路面结冰、路面损坏等，违规驾驶事件主要包括路面违规停车等。

[0062] S400：将当前交通流量信息、突发事件列表加载至交通流预测模型，得到区域交通流预测结果。

[0063] 具体的，本实施中S400包括：

[0064] S410：构建交通流预测初始模型；

[0065] S420：获取历史突发事件数据以及历史区域交通流数据，构建训练集和测试集；

[0066] S430：用训练集对交通流预测初始模型进行训练，根据训练后输出结果与测试集的数据计算两组数据的代价函数；

[0067] S440：根据计算结果对各层权重和偏置进行调整，直至代价函数收敛，得到交通流预测模型。

[0068] S401：根据突发事件列表获取各个突发事件的突发事件类型、严重程度、发生时间、发生位置、车道位置、影响范围；

[0069] S402：将当前交通流量信息、突发事件类型、严重程度、事件位置、车道位置、影响范围作为输入参数加载至交通流预测模型，得到区域交通流预测结果。

[0070] 所述S410包括：

[0071] S411：基于LSTM算法，构建输入层、输出层、遗忘层和隐藏层；输入层通过sigmoid函数来控制输出，隐藏层由tanh函数控制输出，遗忘层由sigmoid函数控制输出；

[0072] S412：通过蚁狮优化算法对隐藏层节点数量进行优化；包括：

[0073] S4121：初始化蚂蚁和蚁狮的位置，作为隐藏层节点数量，设定适应度函数的表达式；

[0074] S4123：计算所有初始化的蚂蚁和蚁狮的适应度，并找到适应度最高的蚁狮作为初始精英蚁狮；

[0075] S4124：将蚂蚁进行随机游走并更新蚂蚁的位置；第t次迭代下的第i只蚂蚁位置按照下式随机游走：

[0076]

[0077] 其中，ai为第i变量随机游走的最小值，bi为第i变量随机游走的最大值；为第t次迭代中第i变量的最小值； 为第t次迭代中第i变量的最大值；

[0078] S4125：根据轮盘赌策略选择蚂蚁的位置作为蚁狮的位置；

[0079] S4127：根据适应度筛选精英蚁狮，更新精英蚁狮的位置，判断是否满足迭代收敛条件，若满足迭代收敛条件，将精英蚁狮的位置作为隐藏层节点数量；若不满足迭代收敛条件，记录迭代次数，若迭代次数大于预设值，则通过轮盘赌策略选择蚁狮，并对蚁狮位置进行随机游走。

[0080] S500：根据车载终端的位置信息获取突发事件的发生时间前后范围内经过发生位置的车载终端列表；

[0081] S600：根据车载终端列表对应的影像信息筛选出包含突发事件发生过程的影像信息列表；

[0082] S700：将影像信息列表传输至交管部门。S700包括：

[0083] S701：根据影像信息列表，对影像信息相对于事故发生位置的拍摄角度进行识别，并分类，具体的，本实施例中，分类包括左前视角、右前视角、正前方视角、右后方视角、左后方视角以及正后方视角。

[0084] S702：计算影像信息列表中对应车载终端的位置与事件发生位置的距离，根据影像信息内容分析影像信息的清晰度，将距离和清晰度加权作为影像信息的价值评分，将每个视角分类下的影像信息按照价值评分进行排序。

[0085] S703：向交管部门推送排序分类后的影像信息列表。

[0086] 以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。