[发明专利]一种融合浮动车与路侧视频的高速公路拥堵状态检测方法

说明书

技术领域

本发明涉及交通拥堵状态检测技术领域，尤其涉及一种融合浮动车与路侧视频的高速公路拥堵状态检测方法。

背景技术

随着我国人均汽车保有量的不断增加，已经导致交通拥堵问题逐步从城市道路蔓延至高速公路，局部路段拥堵导致的交通停滞状况屡见不鲜。为了准确预测交通拥堵状况并实现及时疏散的目标，实时高速公路拥堵状态检测尤为必要。现有技术中，传统检测方法(微波、地埋式检测器)适合大交通流量检测，较为先进的检测方法采用单一浮动车、视频等数据实现高速公路拥堵状态检测，然而由于浮动车数据本身存在样本及到达时间偏差，且视频不便于拍摄具有较长路段行程时间的车辆，因此得到的检测结果也不十分可靠，不利于实现有效的高速公路交通管理；随着车联网技术的快速发展，浮动车车载设备、路侧设备、数据服务中心三者联网成为可能，为实时融合两者检测数据创造了条件，毫无疑问将有助于得到更准确的高速公路拥堵状态检测结果。

发明内容

本发明要解决的技术问题在于针对现有技术中单一浮动车存在样本偏差及到达时间偏差的缺陷，提供一种融合浮动车与路侧视频的高速公路拥堵状态检测方法。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种融合浮动车与路侧视频的高速公路拥堵状态检测方法，通过设置在高速公路路侧的视频采集及通信模块，车联网环境下安装有车载通信设备的浮动车实现；该方法包括以下步骤：

S1、将高速公路的路网按长度平均划分为多个子路段区域，在各个子路段区域的路侧安装视频采集及通信模块；

S2、获取被检测的子路段区域内浮动车的位置信息，以及该子路段区域的视频采集及通信模块采集到的视频数据；

S3、通过视频数据计算浮动车通过该子路段区域的第一平均时间和第一平均车速，根据浮动车的位置信息计算浮动车通过该子路段区域的第二平均时间和第二平均车速；

S4、引入被检测的子路段区域的历史数据，通过遗传算法对小波神经网络进行训练，得到遗传算法的适应度趋于稳定时的稳定参数；

将第一平均时间、第二平均时间、第一平均车速和第二平均车速作为多源异构数据，构建小波神经网络，并将稳定参数带入小波神经网络，求解得到精确的行程时间和平均车速；

S5、将高速公路拥堵状态划分为多个等级，根据得到的精确行程时间和平均车速，判别被检测的子路段区域的拥堵状态等级。

进一步地，本发明的步骤S1中划分子路段区域的方法为：

从高速公路路网的起始点开始，选择等距离设置的里程牌作为划分子路段区域的分界点，在每个里程牌处安装视频采集及通信模块。

进一步地，本发明的步骤S2中包括用于接收浮动车的位置信息和视频采集及通信模块采集到的视频数据的数据服务中心，其接收数据的方法为：

浮动车与该子路段区域内的视频采集及通信模块进行实时通信，将浮动车采集到的位置信息按照国际标准编码，以无线短消息数据包的形式发送至视频采集及通信模块；并调取视频采集及通信模块内部存储的视频数据，上传数据服务中心。

进一步地，本发明的步骤S3中的计算方法具体为：

获取浮动车位置信息中，浮动车经过被检测的子路段区域中前一里程牌的时间戳τ₁和后一里程牌的时间戳τ₂，两个里程牌之间的距离为d₁；第一平均时间t₁和第一平均车速v₁分别为：

获取视频采集及通信模块采集到的视频数据中，浮动车经过被检测的子路段区域中前一里程牌的时间戳τ₃和后一里程牌的时间戳τ₄，两个里程牌之间的距离为d₁；第二平均时间t₂和第二平均车速v₂分别为：

进一步地，本发明的步骤S4中通过遗传算法对小波神经网络进行训练的方法为：

a、提取被检测子路段区域的历史数据包，获取浮动车的历史位置信息，将部分数据作为训练样本，另一部分作为测试样本；

小波神经网络的公式为：