本發(fā)明涉及道路車輛的交通控制方法領域，具體涉及一種實時監(jiān)控預測特定突發(fā)聚集事件誘發(fā)交通擁堵的方法。

背景技術：

1、傳統(tǒng)交通擁堵預測技術在特定突發(fā)聚集事件下通過一系列步驟來識別潛在的擁堵趨勢。首先，利用歷史交通數據進行分析，探究常規(guī)交通模式和擁堵事件前后的數據變化。其次，使用統(tǒng)計模型和預定義規(guī)則來判定可能的擁堵情況，通常設定一些閾值作為觸發(fā)條件，如車速下降或車流量超過某一水平。同時，傳感器網絡用于檢測突發(fā)聚集事件，如事故或天氣變化。然后，基于規(guī)則的預測方法依賴于這些預定義規(guī)則和經驗法則，通過比對實時數據與歷史數據，預測可能的擁堵狀況。然而，傳統(tǒng)技術需要依賴于人工干預，通常需要交通管理員的判斷和決策。最后，在預測到可能的擁堵情況后，通過報警系統(tǒng)或其他通知方式向駕駛者、交通管理部門等發(fā)送信息，以便及時采取措施。

2、盡管上述這些傳統(tǒng)方法有一定的可行性，但相對簡單，主要基于預先設定的規(guī)則和經驗法則，可能在處理復雜的實時交通場景和突發(fā)事件時存在準確性和實時性的不足。首先，準確性不足：其對于特定突發(fā)聚集事件引發(fā)的交通擁堵預測準確性不高，難以應對復雜的實時交通場景。因為傳統(tǒng)方法主要依賴于歷史數據和設定的規(guī)則，可能未能準確預測出這種突發(fā)事件的規(guī)模和影響。實際上，這種聚集事件可能導致臨時性的擁堵情況，而傳統(tǒng)技術可能無法及時、精準地預測這樣的變化，因為這種事件的爆發(fā)情形復雜多變。其次，實時性差：針對突發(fā)事件，傳統(tǒng)方法反應較慢，難以提前準確地預測未來的交通擁堵狀況。由于數據收集不完整和未能實時匯總和處理，并且常常是依賴人工的判斷，傳統(tǒng)技術可能無法及時感知和預測到這一突發(fā)事件的發(fā)生。即使在發(fā)生擁堵時，由于數據的滯后和不足，傳統(tǒng)技術也難以在實時性要求的時間內提供準確的預測。因此，實時性差的特點進一步凸顯了數據收集不足，處理不及時和對人的主觀判斷的局限，使得傳統(tǒng)技術在處理突發(fā)事件引發(fā)的交通擁堵時存在更大的挑戰(zhàn)。

技術實現(xiàn)思路

1、本發(fā)明意在提供一種實時監(jiān)控預測特定突發(fā)聚集事件誘發(fā)交通擁堵的方法，以解決傳統(tǒng)方法對特定突發(fā)聚集事件誘發(fā)交通擁堵預測的準確性不足和實時性差的問題。

2、本方案中的實時監(jiān)控預測特定突發(fā)聚集事件誘發(fā)交通擁堵的方法，包括以下步驟：

3、s10，獲取歷史交通數據、特定事件發(fā)生時的數據以及實時監(jiān)控數據，包括每個車道中的車流量、車速、排隊長度、車的類別、特定時間段內車流總量、人流量情況；

4、s20，以公開道路為基礎，使用無人機航拍影像對高分辨率地圖數據進行采集，利用地理信息系統(tǒng)工具對采集到的地圖數據進行處理，包括道路網絡、地形、建筑物等信息的提取和建模，利用虛擬環(huán)境構建抽象化和參數化的真實場景；

5、s30，將實時監(jiān)控數據輸入訓練好的深度學習模型，實時更新預測結果，并提供實時的交通擁堵預測信息；

6、s40，將實時的交通擁堵預測發(fā)送至管理端進行顯示。

7、本方案的有益效果是：

8、通過數據實時捕獲，確保系統(tǒng)對事件的感知具有及時性和全面性，能夠及時預測到道路上的特定突發(fā)聚集事件誘發(fā)的交通擁堵，以及時顯示進行交通擁堵的管理；交通擁堵的預測工作自動完成，不依賴人介入，避免人為判斷的不確定性；處理數據實時給出預測結果，提高了系統(tǒng)的響應速度和可用性。

9、進一步，所述s10中，所述實時監(jiān)測數據通過攝像頭采集實時畫面發(fā)送至邊緣設備，由邊緣設備負責實時處理實時畫面的傳感器數據，根據計算機視覺和傳感技術進行目標檢測，得到實時監(jiān)測數據；

10、車流量檢測時，在每個車道中以停止線為分界點，前后各劃分一個矩形區(qū)域，目標經過這兩個區(qū)域后讓計數器加1，并以單位時間內通過的數量作為該車道的車流量；

11、車速檢測時，通過目標在前后兩幀圖片中的位置信息和時間差來計算車輛的車速；

12、排隊長度檢測時，識別和計算實時畫面上每個車道的排隊長度，以每個車道識別出的最后一個車的車尾到停止線的距離為排隊長度；

13、車輛類別檢測時，根據細粒度的車輛分類，分為非機動車、小類車、小車、巴士和卡車，根據車輛類別判斷車輛行駛速度，并根據車輛行駛速度確定車輛類別的擁堵級別；

14、車流總量檢測時，將特定時間劃分為多個時間段，并實時統(tǒng)計每個時間段內通過車的總數量作為車流總量；

15、人流量監(jiān)測時，實時監(jiān)測人行道上的人流量情況，將人流量數據與車道級別的交通數據進行整合，分析不同時間段、不同區(qū)域的人流量和車流量的關聯(lián)性，建立人流量與車流量的對應關系模型，評估車道的運送力，并及時進行調整和優(yōu)化。

16、有益效果是：以不同的方法對實時畫面上多個實時監(jiān)測數據的檢測，能夠實時、準去獲取到實時監(jiān)測數據。

17、進一步，所述s10中，將兩個相鄰特定時間段的轉接點處前后兩設定時長內的車流總量進行差值對比，若兩個設定時長內的車輛總量差值位于設定范圍內，則將在后的特定時間按照設定時長向在前的特定時間內進行平移。

18、有益效果是：因為在部分特定突發(fā)聚集事件下，部分人員會考慮在特定突發(fā)聚集事件完成后的擁擠，進而提前安排進行出場或返回等動作，最終導致車流量隨機提前增加，讓某個高峰聚集時段的情況被分割至了兩個特定時間中，引起車流量判斷的誤差，所以，通過相鄰兩個特定時間處的設定時長的車流總量的差值對比，再進行特定時間的動態(tài)調整，提高同一聚集高峰位于同一特定時間的概率，讓車流總量的檢測和判斷更準確。

19、進一步，所述s20中，采用無人機定點拍攝多張圖片，在對圖片進行合成，展示出路口的全景，航高設置為100m，路口每個方向拍攝一張圖片；

20、將航拍影像與地理坐標系進行配準時，利用預先采集得到的樣本控制點與無人機拍攝的圖片進行配準算法，并使用仿射變換公式對樣本控制點進行配準；

21、設原始圖像上的一個點的坐標為(x,y)，經過仿射變換后得到的新坐標為(x′，y′)，則仿射變換可以用以下矩陣形式表示：

22、

23、其中，(a,b)和(c,d)是控制圖像的縮放、旋轉和錯切變換的線性變換的系數；(e,f)是控制圖像平移的平移向量；

24、利用圖像分割算法和特征提取技術識別建筑物并提取建筑物邊界，根據道路的線條特征和車道標識的形狀、顏色等特征，利用圖像處理和模式識別算法對于道路網絡的提取和車道標識的識別，建立地圖得到虛擬化和參數化的真實場景。

25、有益效果是：真實場景的虛擬化和參數化建立方法，能夠真實反應實際情況，以便于后臺進行精準的分析和預測。

26、進一步，所述s20中，在虛擬場景中使用圖標代替真實的交通標志和標線，引入實時運動模型，模擬真實的交通場景中的動態(tài)變化；

27、結合攝像頭標定和地圖建模，實時生成虛擬環(huán)境中的圖像，模擬真實交通場景，包括車輛在道路上的行駛、行人的穿行、交叉口的交通流。

28、有益效果是：以減少虛擬場景的復雜度，使虛擬場景更具可視化和易理解性。并確保虛擬場景能夠真實地反映不同道路和交叉口的交通狀況。

29、進一步，所述s20中，對現(xiàn)實場景中的攝像頭進行標定，選取拍攝圖片中的特征明顯的標志點，獲取拍攝圖片中的像素坐標和真實場景中的世界坐標，通過多組這樣的點來建立拍攝圖片到真實場景的映射關系，映射公式為：

30、

31、其中，r是旋轉矩陣，t是平移向量，(x,y,z)是相機坐標系中的空間點坐標，(x,y,z)是世界坐標。

32、有益效果是：通過描述相機坐標系到世界坐標系的變換關系，能夠讓所拍攝圖片與實際坐標進行準確對應。

33、進一步，所述s30中，使用機器學習算法和神經網絡對深度學習模型進行調整，模擬形成不斷變化的交通情況，包括實時捕捉交通各路口的交通信息的目標識別模型和根據交通信息進行預測的決策模型；

34、使用yolov5模型作為目標識別模型，通過特定場景圖片的采集、標注和訓練，所述目標識別模型綜合實時監(jiān)測數據，將當前的交通狀況劃分為5個狀態(tài)：通暢、輕微擁堵、中度擁堵、嚴重擁堵、超級擁堵，以供決策模型使用；

35、所述決策模型從目標識別模型中得到狀態(tài)信息，并以10s的時間間隔取一段連續(xù)的數據，每段數據長度為1h，對取到的數據進行預處理；

36、將歷史數據歸一化處理為深度學習模型所需的格式，將transformer模型作為預測模型，將預處理得到的數據作為輸入序列，訓練以達到預測未來60個時間步的交通狀態(tài)。

37、進一步，所述s30中，所述transformer模型通過位置編碼來處理交通狀態(tài)的時間信息，捕捉交通狀態(tài)變化，所述位置編碼通過正弦和余弦函數來表示序列中每個位置的位置編碼，表示為：

38、

39、

40、其中，pos是位置，i是維度的索引，dmodel是模型的維度；

41、所述transformer模型中的前饋神經網絡對位置編碼進行非線性變換，以捕捉數據中的復雜模式和關系，所述前饋神經網絡的計算公式為：

42、ffn(x)＝relu(xw1+b1)w2+b2：

43、其中，w1和w2是學習的參數矩陣，b1和b21是偏置向量，relu是激活函數。

44、有益效果是：通過位置編碼，能夠準確捕捉到不同時間點的交通狀態(tài)變化，且位置編碼允許模型在處理序列數據時考慮時間信息，有助于模型更好地理解歷史數據的時間順序關系，并做出準確的預測。

45、進一步，所述s10中，所述人流量與車流量的對應關系模型采用三節(jié)多項式回歸模型，具體公式為：

46、y＝β0+β1x+β2x2+β3x3+ε；

47、其中，y是車流量，x是人流量，β0、β1、β2、β3是模型的系數，ε是誤差項。

48、有益效果是：通過模型限定，能夠精準反應車流量和人流量的對應情況。