[发明专利]自动化码头闸口车流量预警方法

说明书

本发明公开了一种自动化码头闸口车流量预警方法，采集闸口相关路口的车流图像，采用卷积神经网络对车流图像进行分类预测，将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测，最后采用B/S架构对闸口车流量分类预测进行可视化展示，使码头工作人员提前获知闸口车流情况。

技术领域

本发明属于自动化码头技术领域，具体地说，是涉及一种自动化码头闸口车流量预警方法。

背景技术

随着全自动化码头作业吞吐量的不断提升，闸口车流量也不断加大，码头入闸口车流是否顺畅，对马路交通及港内作业有着重要影响。

现有的车流量预测都是针对城市交通而言的，但对于码头、港口等不同于一般城市交通的区域，大多数车辆集中在进出港的闸口、堆场和码头，具有特定的规律性，采用现行的城市交通流量预测方法并不合适。

发明内容

本发明的目的在于提供一种自动化码头闸口车流量预测方法，基于闸口相关路口的车流图像，结合当前车流数据和历史车流数据对闸口车流量进行分类预测，提前为自动化码头提供车流预警信息。

本发明采用以下技术方案予以实现：

提出一种自动化码头闸口车流量预测方法，包括：获取预测时段前设定时间段内的闸口相关路口的车流图像；采用卷积神经网络对所述车流图像进行分类预测；将分类预测结果、单位时间内平均车流量分类向量、连续两个单位时间段平均车流量的差值、当前装箱数量、提箱计划数量和当前查验申请数量输入流量预测模型，得到闸口车流量分类预测；其中，所述车流量模型采用支持向量机模型。

进一步的，所述卷积神经网络包括：第一层：卷积层，卷积核为11x11，卷积核数量为60，卷积核窗口移动步长为4，激活函数为：第二层：卷积层，卷积核为11x11，卷积核数量为128，卷积核窗口移动步长为4，激活函数为ReLU；第三层：池化层，池化方法为最大池化；第四层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；第五层：卷积层，卷积核为5x5，卷积核数量为128，卷积核窗口移动步长为2，激活函数为ReLU；第六层：池化层，池化方法为最大池化；第七层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；第八层：卷积层，卷积核为3x3，卷积核数量为128，卷积核窗口移动步长为1，激活函数为ReLU；第九层：池化层，池化方法为最大池化；第十层、第十一层和第十二层，均为全连接层，最终输出的节点有两个，代表交通情况分类二进制编码。

进一步的于，所述方法还包括：对所述车流图像做如下处理：转化为灰度图并基于对灰度值做归一化：其中，Max(G)为所述车流图像的最大灰度值，Min(G)为所述车流图像的最小灰度值，v_i为所述车流图像中的每一个灰度值，n为所述车流图像的像素个数。

进一步的，所述方法还包括：根据以下步骤处理所述分类预测结果：用二进制编码表示采用神经网络对车流图像进行分类预测的输出；将对所有闸口相关路口的车流图像采用卷积神经网络进行分类预测的输出合并成一个二进制编码向量。

进一步的，所述方法还包括：将所述卷积神经网络根据预测时段前设定时间段内的闸口相关路口的n张车流图像的识别向量采用取均值，得到用二进制编码表示的分类预测的输出；其中，TRA_i为路口交通向量第i个元素的均值；tra_j，i为第j张图预测向量第i元素的值。

进一步的，所述方法还包括：采用对所述连续两个单位时间段平均车流量的差值进行归一化处理；其中，Max(V)为历史平均流量最大值，Min(V)为历史平均流量最小值，V_i表示i时段历史平均流量。

进一步的，所述方法还包括：采用B/S架构将闸口车流量分类预测进行可视化展示，并对高流量预测值做告警表示。