一种高速交通突发事件预测与检测一体化方法及系统技术方案

本发明专利技术涉及一种高速交通突发事件预测与检测一体化方法及系统，该方法对收集的高速交通突发事件历史数据进行处理，获取历史突发事件数据和历史道路天气数据，构建训练集、测试集和验证集，并以此对集成学习的基模型和元模型进行训练和验证；基于集成学习的最终模型预测可能会发生的交通突发事件数，以进行实时告警和建议；通过高速公路收集到的摄像头图像数据进行交通突发事件的检测。该方法及系统可以预测可能会发生的高速交通突发事件数，并检测到发生的交通突发事件。到发生的交通突发事件。到发生的交通突发事件。

【技术实现步骤摘要】
一种高速交通突发事件预测与检测一体化方法及系统


[0001]本专利技术涉及交通事故预测
，具体涉及一种高速交通突发事件预测与检测一体化方法及系统。

技术介绍

[0002]高速公路是国家经济发展的必然产物，适应国家工业化和城市化的发展。随着物联网和大数据等新兴技术的发展与普及，推进新技术与高速公路的融合发展是必然趋势。智慧高速概念衍生于智能交通系统，目的是保障交通通行效率，提升道路通行能力和交通安全水平。智慧高速建设是新时代交通基础设施建设的重要课题，已经成为一个不可抗拒的全球趋势，对于国家的交通运输体系建设乃至综合国力提升都具有至关重要的作用。
[0003]随着现代社会经济与高新技术不断发展，人们的交通出行需求不断增加，高速公路上的车辆逐渐增多，随之产生的交通安全问题日益突出。高速公路上车辆行驶速度快，驾驶员难以对突发事件做出及时反应，一旦发生交通事件将会导致极大的经济损失与惨痛的人员伤亡。为了避免高速公路交通事件的发生，对交通事件进行预防就显得尤为重要。交通事件虽然是一种随机事件，很难估计其发生的确切地点和时间以及其影响，难以对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高速交通突发事件预测与检测一体化方法，其特征在于，包括以下步骤：步骤A、对收集的高速交通突发事件的历史数据进行处理，得到历史突发事件标准数据集D整理得到历史某日过去七天的突发事件数据集Psd和历史道路天气情况Weather并计算坏天气占比w；构建特征u＝(psd,w)，并与实际突发事件数act构成数据r＝(u,act)；进一步构建数据集R＝{r
z
|z＝1,...,l
‑
7}，并划分成训练集R1、测试集R2和验证集R3；步骤B、以LR、KNN、DT、SVM、LSTM、Seasonal、AdaBoost、GBDT、RF、Xgboost模型作为基模型，将训练集R1作为各个模型的输入分别进行训练，计算得到每天可能发生的交通突发事件数，通过与实际突发事件数act进行对比，并使用损失函数计算损失值，调整模型参数；当模型达到设定迭代次数且模型精度提升小于设定值时，终止模型训练，得到训练好的各个基模型，并且得到基模型的数据结果集合M＝{Om
z
|z＝1,...l
‑
7}；步骤C、将各个模型的输出数据集合M作为输入，通过再次叠加模型AdaBoost作为集成学习的元模型进行训练，计算得到每天可能发生的交通突发事件数，通过与实际突发事件数act进行对比，并使用损失函数计算损失值，调整模型参数；当模型达到设定迭代次数且模型精度提升小于设定值时，终止模型训练，得到最终模型；最后通过测试集R2和验证集R3来验证最终模型的准确性和可靠性；步骤D、将今日过去七天的历史突发事件数psd
’
作为特征，同时将实时获取到的高速公路道路交通视频V提取的帧图像集合P，通过ResNet101模型将图像数据P转为天气情况数据Wea，并计算得到实时的高速公路坏天气占比rate；通过拼接的特征(psd
’
,rate)，基于得到的集成学习的最终模型，预测今日可能发生的交通突发事件数Pre；根据预测的交通突然事件数的情况，通过调整包括广播电台、广告牌、收费站的提醒频率让司机做好预防，并将数据发给交通部门、应急部门做好巡查与预案，以减少交通事故的发生及减少交通事故人员伤亡；步骤E、将高速公路收集到的摄像头图像数据集Dc，并对图像数据中所有车辆的车牌进行数据标注，并划分为训练集、测试集和验证集，训练并验证YOLO v6检测器用于车辆车牌的定位，当验证集准确率达到设定值时停止训练；通过开源库PaddleOCR来实现车辆车牌的精确识别；然后，计算两个地点的检测摄像头的距离di，并以此计算所有高速公路摄像头的距离集合DI＝{di1,di2,di...,di
c
}；在此基础上，计算该高速公路上两个摄像头路段上的最低时速s，并得到该高速路上的所有路段的最低时速集合S＝{s1,s2,s...,s
c
}；通过距离集合DI与最低时速集合S计算得到车辆出现在两个摄像头的最低时间集合TI＝{ti1,ti2,ti...,ti
c
}；进而通过实时的高速公路摄像头捕捉的画面，通过YOLO v6检测器识别每辆车的车牌，当车辆在两个摄像头的最低时间仍未出现时，则可能有突发事件发生；步骤F、收集高速公路每个摄像头拍摄的一张无车辆时的高速公路图像画面o，得到高速公路所有路段的摄像头捕捉的纯净无车辆图像画面集合O＝{o1,o2,o...,o
n
}；在此之后，针对第e个摄像头，其无车辆图像画面为o
e
，每间隔十秒钟摄像头e生成得到一张图像帧Pic
e
，利用OpenCV计算图像画面o
e
与图像帧Pic
e
的差异值Diff
e
；前一张图像帧Pic
’
e
与图像画面o
e
计算得到的差异值Diff
’
e
；并再对比间隔十秒的差异值Diff
e
与Diff
’
e
的区别，当差异值高于预设值时，说明当前画面中可能存在异常车辆存在摄像头画面中，则可能有突发事件发生。2.根据权利要求1所述的一种高速交通突发事件预测与检测一体化方法，其特征在于，
所述步骤A具体包括以下步骤：步骤A1、收集n个具有数据边界的省份集合State＝{state
i
|i＝1,2,...,n}，其中第i个省份中有m条高速公路Road
i
＝{Road
ij
|j＝1,2,...,m}，进一步得到第i个省份第j条高速公路前l天以来每日发生交通事故的历史数据同时得到历史的第i个省份第j条高速公路历史第z天的t个道路检测点检测到的天气情况第j条高速公路历史第z天的t个道路检测点检测到的天气情况步骤A2、将步骤A1采集到的每日发生交通突发事件的历史数据进行数据预处理，以去除噪声数据，提高机器学习模型的准确性；同时填补缺失的交通突发事件的历史数据值，以提高机器学习模型的泛化性，得到历史数据步骤A3、将步骤A2处理过的历史数据进行数据标准化与数据增强，得到标准化及增强后的历史数据步骤A4、通过步骤A1得到的第i个省份第j条高速公路历史第z天的t个道路检测点检测到的天气情况计算得到历史第z天的坏天气占比比重从而得到前l天以来，每日道路坏天气占比W集合，即步骤A5、将步骤A3得到的增强后的历史数据与步骤A4得到的每日道路坏天气的天气占比W进行特征拼接；即将历史第z天的过去7日的道路交通事故数与历史第z天的坏天气占比相拼接，得到第i个省份第j条高速公路第z天的数据特征为步骤A6、将步骤A5构造得到的特征生成得到历史第z天的数据特征并与历史第z天的实际突发事件数构成数据由于需要拼接过去七日历史交通数据作为该日的特征，于是能得到从l+7日起至今的历史交通特征，通过进一步整合数据构建得到的数据集并按照3:1:1比例划分，分别划分成训练集R1、测试集R2和验证集R3存储对应的文件夹下。3.根据权利要求2所述的一种高速交通突发事件预测与检测一体化方法，其特征在于，所述步骤B具体包括以下步骤：步骤B1、将步骤A得到的数据集其中特征值表示第i个省份第j条高速公路第z天过去7日每天突发事件以及第z日坏天气占比特征，目标值表示第i个省份第j条高速公路第z天实际发生交通事故数；步骤B2、通过使用损失函数，利用反向传播不断迭代更新LR线性回归网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的LR线性回归网络模型；并通过测试集R2对模型进行验证；得到LR线性回归网络模型输出m1；步骤B3、通过使用损失函数，利用反向传播不断迭代更新KNN邻近算法网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的KNN邻近算法网络模型；并通过测试集R2对模型进行验证；得到KNN邻近算法网络模型输出m2；
步骤B4、通过使用损失函数，利用反向传播不断迭代更新DT决策树算法网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的DT决策树算法网络模型；并通过测试集R2对模型进行验证；得到DT决策树算法网络模型输出m3；步骤B5、通过使用损失函数，利用反向传播不断迭代更新SVM支持向量机网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的SVM支持向量机网络模型；并通过测试集R2对模型进行验证；得到SVM支持向量机网络模型输出m4；步骤B6、通过使用损失函数，利用反向传播不断迭代更新LSTM长短期记忆网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的LSTM长短期记忆网络模型；并通过测试集R2对模型进行验证；得到LSTM长短期记忆网络模型输出m5；步骤B7、通过使用损失函数，利用反向传播不断迭代更新Seasonal_decompose网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的Seasonal_decompose网络模型；并通过测试集R2对模型进行验证；得到Seasonal_decompose网络模型输出m6；步骤B8、通过使用损失函数，利用反向传播不断迭代更新AdaBoost集成学习网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的AdaBoost集成学习网络模型；并通过测试集R2对模型进行验证；得到AdaBoost集成学习网络模型输出m7；步骤B9、通过使用损失函数，利用反向传播不断迭代更新GBDT集成学习网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代次数且模型精度提升小于0.05时，则终止模型训练，得到训练好的GBDT集成学习网络模型；并通过测试集R2对模型进行验证；得到GBDT集成学习网络模型输出m8；步骤B10、通过使用损失函数，利用反向传播不断迭代更新RF集成学习网络模型中的参数，以实现最小化损失函数来训练模型，当模型达到一定迭代...

【专利技术属性】
技术研发人员：李林锋，唐昌林，高金勇，郭建平，郑昱，
申请(专利权)人：福建省高速公路联网运营有限公司，
类型：发明
国别省市：