【技术实现步骤摘要】
一种城市交通风险热点识别方法
[0001]本专利技术属于交通管理领域,尤其涉及一种城市交通风险热点识别方法
。
技术介绍
[0002]随着城市人口的增加,车辆数量也在不断增加,这导致了城市交通风险也随之增加
。
频繁发生的城市交通事故给人民的生命和财产安全以及城市交通运行带来了极大的威胁
。
同时,道路上的交通违法行为也会导致交通秩序混乱,进而引发更多的交通事故
。
为了减少交通事故保障人民的生命和财产安全,城市管理者需要对城市中的交通事故风险区域制定针对性的交通安全策略
。
[0003]传统的方法是通过交警巡逻,监控摄像头,车辆传感器等设备来获取城市中交通风险热点区域,这些方法有着不全面
、
不及时
、
不精确等问题
。
技术实现思路
[0004]本专利技术的目的在于提出一种城市交通风险热点识别方法,以克服现有技术中的上述至少一种缺陷
。
[0005]为达此目的,本专利技术采用以下技术方案:
[0006]本专利技术提供的一种城市交通风险热点识别方法,包括以下步骤:
S1
:获取目标城市的三维模型
、
车辆轨迹数据
、
以及天气数据进行城市模拟器搭建,
S2
:在步骤
S1
搭建的城市模拟器的基础上进行基于目标检测和关系检测的交通违法行为的识别,
S3
:在步骤
S ...
【技术保护点】
【技术特征摘要】
1.
一种城市交通风险热点识别方法,其特征在于,包括以下步骤:
S1
:获取目标城市的三维模型
、
车辆轨迹数据
、
以及天气数据进行城市模拟器搭建;
S2
:在步骤
S1
搭建的城市模拟器的基础上进行基于目标检测和关系检测的交通违法行为的识别;
S3
:在步骤
S1
搭建的城市模拟器的基础上进行停车热点提取,并且对环境特征进行建模得到交通事故热点;
S4
:对步骤
S2
识别的交通违法行为和步骤
S3
得到的交通事故热点基于加权聚类算法计算出交通风险热点
。2.
根据权利要求1所述的城市交通风险热点识别方法,其特征在于:步骤
S1
具体包括以下步骤:
S11
:获取目标城市的三维模型,并导入到
Unity
中来模拟城市的三维结构;
S12
:获取目标城市的车辆轨迹数据,并导入到
Unity
中来模拟车辆在城市中的行驶情况;
S13
:获取目标城市的天气数据,并导入到
Unity
中来模拟车辆在城市中的运行情况,得到城市模拟器
。3.
根据权利要求2所述的城市交通风险热点识别方法,其特征在于,步骤
S11
具体包括以下步骤:
S111
:在卫星地图下载目标区域的
DEM
数据和卫星影像数据;
S112
:将
DEM
数据和卫星影像数据导入到
3D
可视化软件中形成城市三维模型,再导出为
OBJ
格式的城市三维模型;
S113
:将
OBJ
格式的城市三维模型导入到
Unity
中来模拟城市的三维结构
。4.
根据权利要求1所述的城市交通风险热点识别方法,其特征在于,步骤
S12
具体包括以下步骤:
S121
:将有偏移的
GPS
轨迹数据进行纠偏,将不是在道路上的轨迹点采用基于隐马尔可夫模型的地图匹配算法匹配到道路上;
S122
:在
Unity
的
AssetStore
中选择车辆模型库
Realistic Car HD
,再对每个车辆模型加入
Camera
作为行车记录仪;
S123
:对每条纠偏后的轨迹数据选择一个车辆模型,然后将
GPS
点转换成
Unity
的世界坐标,在
Unity
中标记两个点与
GPS
点进行对应,然后将每个
GPS
点转换成
Unity
中的世界坐标,车辆再依次向坐标点行驶
。5.
根据权利要求2所述的城市交通风险热点识别方法,其特征在于,步骤
S13
具体包括以下步骤:
S131
:从天气查询软件中获取所述城市模拟器运行的时段的天气数据;
S132
:从
Unity
的
AssetStore
中获取
Enviro 3
‑
Sky and Weather
天气资源来模拟天气情况;
S133
:根据城市模拟器运行时间利用
Unity
的天气资源来动态模拟城市的天气状况
。6.
根据权利要求1所述的城市交通风险热点识别方法,其特征在于,步骤
S2
具体包括以下步骤:
S21
:采用目标检测模型对机动车的驾驶违法行为识别;
S22
:采用关系检测模型对非机动车的骑行违法行为进行识别
。7.
根据权利要求6所述的城市交通风险热点识别方法,其特征在于,步骤
S21
具体包括以下步骤:
S211
:收集交通标志数据集用来训练
yolov4
目标检测模型进行识别交通标志;
S212
:在所述城市模拟器中每辆车每8‑
15s
上传一次由
Camera
截图到的图片到服务端的
yolov4
模型进行识别,识别该图片是否包含交通标志;
S213
:如果识别该图片包含交通标志,然后再通过该车辆的行为判断该车辆是否进行驾驶违法行为
。8.
根据权利要求6所述的城市交通风险热点识别方法,其特征在于,步骤
S22
具体包括以下步骤:
S221
:选取地图软件的图片通过图像标注工具进行手动标注,并将标注信息保存成
xml
格式文件,再将所有的
xml
格式的标注文件合成一个包含图片路径
、
图片内包括的目标类别
、
目标对应的位置坐标信息的
txt
文件,该数据集为关系检测模型可以识别的骑行违法识别的数据集;
S222
:再将该数据集划分为训练集
、
验证集和测试集后在
HoiTransform
关系检测模型上进行训练,得到骑行违法行为识别的模型;
S223
:得到骑行违法行为识别的模型之后,该模型对图片进行识别可...
【专利技术属性】
技术研发人员:陈龙彪,纪俊祥,唐清仙,刘昌臻,张诗怡,叶卓涵,武雍易,王程,
申请(专利权)人:厦门大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。