一种长下坡交通事件实时检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种长下坡交通事件实时检测方法、装置及存储介质，属于交通运输领域。针对现有技术中存在的在山区高速公路长下坡路段无法通过检测设备实现交通事件实时检测的问题，本发明专利技术公开一种长下坡交通事件实时检测方法，包括：步骤S1，长下坡道路数据获取和处理；步骤S2，将历史数据作为训练集，构建长下坡道路交通事件发生概率的预测模型；步骤S3，基于步骤S1的数据，利用步骤S2构建的预测模型得出交通事件发生概率。本发明专利技术实现在长下坡路段通过预测交通事件的概率，对上游入口车辆发出预警，通过流量管理和降低车速等方式避免长二次事故的发生。

【技术实现步骤摘要】
一种长下坡交通事件实时检测方法、装置及存储介质
本专利技术涉及交通数据预测领域，更具体地说，涉及一种长下坡交通事件实时检测方法、装置及存储介质。
技术介绍
交通事件，是指非周期性发生且使某段道路通行能力下降的事件。如交通事故、故障停车、货物散落、道路维修、车辆逆行、车道变换、超速、慢速、停止、交通阻塞等。为了预防和减少交通事故，及时有效地进行事故救援和处理，有效减少由于交通事故产生交通延误及避免二次事故的发生，就必须准确、快速地对交通异常和交通事件进行检测。交通事件检测分为人工检测和自动检测，其中高速公路交通事件自动检测是主要的研究和应用方向。自动检测方法又可以分为直接检测法和间接检测法，直接检测法主要通过视频和图像处理的方法完成对目标的跟踪、识别及交通流检测，但是该方法需要比较密集地安装摄像机，成本较高，且受气象条件影响较大。间接检测法是通过对主线上设置的检测器采集到的交通参数进行分析来判断是否有事件发生，主要是根据事件对交通流的影响来检测事件的存在，成本低，易操作，但是存在检测率低，误报率高等问题。山区高速公路，基于地形、地质水文、气候环境等自然条件以及投资的限制，往往会出现长大下坡路段，该部分路段的事故率和死亡率是一般路段的几倍甚至几十倍；而且一次事故发生，由于坡度等因素的影响，容易产生二次事故。然而，长下坡长度因为距离等条件的限制，不能通过完全覆盖交通事件检测设备，进行实时检测。因此，提出基于道路卡口数据，间接分析判断出现交通事件的概率。
技术实现思路
1.要解决的技术问题针对现有技术中存在的在山区高速公路长下坡路段无法通过检测设备实现交通事件实时检测的问题，本专利技术提供了基于道路基础数据、卡口过车数据和天气数据，针对长下坡道路特征，利用预测模型得到卡口之间路段发生交通事件的概率，它可以实现通过预测交通事件的概率，对上游入口车辆发出预警。2.技术方案本专利技术的目的通过以下技术方案实现。一种长下坡交通事件实时检测方法，包括以下步骤：步骤S1：长下坡道路数据获取和处理；步骤S2：将历史数据作为训练集，构建长下坡道路交通事件发生概率的预测模型；步骤S3：基于步骤S1的数据，利用步骤S2构建的预测模型得出交通事件发生概率。进一步地，所述步骤S1中，长下坡道路数据包括基础数据、动态通行数据和天气数据。进一步地，所述步骤S1包括以下步骤：步骤S101，获取N个路段的长下坡道路基础数据，其中N为大于等于2的正整数，记录每个路段的距离、坡度和车道数；步骤S102，获取长下坡道路动态通行数据，以单位时间为步长，统计各个卡口在最近单位时间内捕获的过车数据，包括车辆数、大车占比、小车占比、车辆平均通过时长；步骤S103，获取当前时间段的天气数据，提取对驾驶行为有影响的天气状况，对天气包含的字段进行One-Hot编码；步骤S104，对于道路通行数据或者天气数据存在缺失值的，进行替换。进一步地，所述步骤S2包括以下步骤：步骤S201：利用长下坡道路基础数据，以及在历史一个月的卡口过车数据、天气数据，根据步骤S1中数据处理方式，计算得到数据集作为预测模型的特征变量；步骤S202：统计长下坡道路在历史一个月是否发生交通事件，发生记为1，否则记为0，将结果作为目标变量；步骤S203：基于XGBoost算法，以历史数据作为测试集数据，利用测试集数据进行参数调优，选取预测结果最优的参数组合。进一步地，所述步骤S203中，参与模型调优的参数具体为模型学习率、叶子节点最小权重的和、树的深度、树的个数、gamma值。进一步地，XGBoost模型的目标函数定义如下：式中，n是正整数；yi是第i个样本xi的实际值；是第i个样本xi的预测值，它是k个树打分的累加之和：fk是第k个树的函数。模型训练的损失函数使用逻辑回归损失函数：用Ω(fk)表示第k个树的复杂度。进一步地，利用泰勒公式的二阶展开公式，将损失函数转换如下：式中，t表示当前时刻，关于的一阶偏导数二阶偏导进一步地，所述步骤S3包括以下步骤：步骤S301，每隔固定时间段计算一次，计算的数据包括该时间段内道路基础数据、通行数据和天气数据；步骤S302，将步骤S301计算的数据输入到步骤S2的预测模型，预测各相邻卡口之间路段发生交通事件的概率；步骤S303，实时检测步骤S302得到的交通事件发生概率，对于概率值大于阈值的卡口路段，在上游入口处发出预警。一种长下坡交通事件实时检测装置，包括：存储单元，用于存储实现上述方法的程序；处理器，被配置用于调用所述程序指令；输入装置，采集数据并通过计算机网络将数据实时传输至存储器和处理器；输出装置，用于输出检测结果。一种可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行上述的方法。3.有益效果相比于现有技术，本专利技术的优点在于：针对山区道路状态，利用预测模型得到卡口之间路段发生交通事件的概率，在概率值大于阈值时对交管中心或上游入口车辆发出预警，通过流量管理和降低车速等方式避免长二次事故的发生，实现对长下坡路段交通事件的实时检测。附图说明图1为本专利技术提供的长下坡交通事件实时检测方法流程图；图2为本专利技术中步骤1的方法流程图；图3为本专利技术中步骤2的方法流程图；图4为本专利技术中步骤3的方法流程图；图5为基于本专利技术方法的装置框图。具体实施方式下面结合说明书附图和具体的实施例，对本专利技术作详细描述。实施例1针对现有技术中长下坡长度因为距离等条件的限制，不能通过完全覆盖交通事件检测设备，进行实时检测。因此，本实施例提出基于道路卡口数据，间接分析判断出现交通事件的概率。如图1所示，本实施例提供一种长下坡交通事件实时检测方法，包括如下步骤：步骤S1：长下坡道路基础数据处理，如图2所示，又包括以下步骤。步骤S101，获取长下坡道路基础数据：长下坡道路上有N(因为对长下坡道路至少在出口和入口各设立一个卡口，所以N是大于等于2的正整数)个卡口点位，并对这N个设备用序数进行编号，从上到下记为{1，2，...，N}。那么相邻两个卡口i和j之间的距离记为Lij(i∈[1，N-1]，j＝i+1)、i和j之间坡度θij、i和j之间车道数Cij。卡口信息见表1。表1卡口信息表步骤S102，获取长下坡道路动态通行数据：以5分钟为步长，统计各个卡口在最近5分钟捕获的过车数据，具体过程为：每隔5分钟统计一次道路数据，在时间t，相邻两个卡口i和j之间在(t-5，t)时间内行驶的车辆数记为大车占比记为小车占比记为车辆平均通过时长记为动态通行数据见表2。表2长下坡道路动态通行数据表步骤S103，获取当前时间段的天气数据：提取对驾驶行为有影响的本文档来自技高网...

【技术保护点】
1.一种长下坡交通事件实时检测方法，其特征在于，包括以下步骤：/n步骤S1：获取长下坡道路数据并进行数据处理；/n步骤S2：将历史数据作为训练集，构建长下坡道路交通事件发生概率的预测模型；/n步骤S3：基于步骤S1的数据，利用步骤S2构建的预测模型获得交通事件发生概率。/n

【技术特征摘要】
1.一种长下坡交通事件实时检测方法，其特征在于，包括以下步骤：
步骤S1：获取长下坡道路数据并进行数据处理；
步骤S2：将历史数据作为训练集，构建长下坡道路交通事件发生概率的预测模型；
步骤S3：基于步骤S1的数据，利用步骤S2构建的预测模型获得交通事件发生概率。


2.根据权利要求1所述的一种长下坡交通事件实时检测方法，其特征在于，步骤S1中所述长下坡道路数据包括基础数据、动态通行数据和天气数据。


3.根据权利要求2所述的一种长下坡交通事件实时检测方法，其特征在于，所述步骤S1包括以下步骤：
步骤S101，获取N个路段的长下坡道路基础数据，其中N为大于等于2的正整数，记录每个路段的距离、坡度和车道数；
步骤S102，获取长下坡道路动态通行数据，以单位时间为步长，统计各个卡口在最近单位时间内捕获的过车数据，包括车辆数、大车占比、小车占比、车辆平均通过时长；
步骤S103，获取当前时间段的天气数据，提取对驾驶行为有影响的天气状况，对天气包含的字段进行One-Hot编码；
步骤S104，对于道路通行数据或者天气数据存在缺失值的，进行替换。


4.根据权利要求1所述的一种长下坡交通事件实时检测方法，其特征在于，所述步骤S2包括以下步骤：
步骤S201：利用长下坡道路基础数据，以及历史上相同时间段的卡口过车数据、天气数据，根据步骤S1中数据处理方式，计算得到数据集作为预测模型的特征变量；
步骤S202：设置目标变量，用于标记历史上相同时间段发生的交通事件；
步骤S203：基于XGBoost算法，以历史数据作为测试集数据，利用测试集数据进行参数调优，选取预测结果最优的参数组合。


5.根据权利要求4所述的一种长下坡交通事件实时检测方法，其特征在...

【专利技术属性】
技术研发人员：刘松，骆乐乐，罗达志，朱文佳，
申请(专利权)人：安徽百诚慧通科技有限公司，
类型：发明
国别省市：安徽;34