本发明属于高速路况分析,具体涉及一种基于人工智能的高速公路交通拥堵预测方法及系统。
背景技术:
1、作为专供汽车高速行驶的高速公路,为汽车提供分向行驶、分车道行驶,在提高车辆通行速率方面发挥了重大的作用,成为交通运输的重要形式。基于汽车工业的发展,高速公路的车流量也在不断增加,而大的车流量往往会导致高速公路出现交通拥堵。一旦发生拥堵,作为保障车辆快速行驶的高速公路的作用便不能发挥,造成大量时间及道路资源的浪费,严重影响了行车效率和行车体验。
2、现有普通公路的路况预测方法已经比较成熟,能够及时识别并预测出拥堵路况的发生,但高速公路与普通公路的特点不同,发生拥堵通常都是短时间内突发的,且造成拥堵的因素比较多也比较复杂,普通公路的预测方法对高速公路而言并不适用。
3、综上,当前保障车辆快速出行的高速公路也会出现拥堵,拥堵影响行车效率和行车体验,现有普通公路的路况预测方法对高速公路并不适用。
4、此为现有技术的不足,因此,针对现有技术中的上述缺陷,提供一种基于人工智能的高速公路交通拥堵预测方法及系统,是非常有必要的。
技术实现思路
1、针对现有技术的上述当前保障车辆快速出行的高速公路也会出现拥堵,拥堵影响行车效率和行车体验,现有普通公路的路况预测方法对高速公路并不适用的缺陷,本发明提供一种基于人工智能的高速公路交通拥堵预测方法及系统,以解决上述技术问题。
2、第一方面,本发明提供一种基于人工智能的高速公路交通拥堵预测方法,包括如下步骤:
3、s1.预先将高速公路划分路段和分支,并在高速公路布设摄像头和传感器;
4、s2.云端服务器采集高速公路各路段的摄像头和传感器数据,构建人工智能算法模型;
5、s 3.云端服务器使用人工智能算法模型对高速公路各路段进行交通拥堵预测,并将预测结果向用户推送,以及根据预测结果准确性对人工智能算法模型进行修正。
6、进一步地,步骤s1具体步骤如下:
7、s11.预先将高速公路按路段划分,并在每个路段的入口及出口布设摄像头;
8、s12.将高速公路的每个路段按照分支进行划分,并记录分支特征,在路段的各分支处布设摄像头;
9、s13.在高速公路的每个路段布设天气传感器和路面状况传感器。分支特征指的是当前分支为干路还是支路的属性,当前分支为干路时,前端对应支路数量。
10、进一步地,步骤s2具体步骤如下:
11、s21.各摄像头将采集的视频数据及所属路段及分支位置上传到云端服务器;
12、s22.天气传感器将采集的天气信息以及所属路段位置上传到云端服务器,路面状况传感器将采集的路面状况信息上传到云端服务器;
13、s23.云端服务器对摄像头及传感器采集的历史数据进行分析构建数据集,将数据集进行正向通畅数据和负向拥堵数据标注,并将数据集划分为训练数据子集和验证数据子集;
14、s24.云端服务器创建人工智能算法模型,并使用训练数据子集对人工智能算法模型进行训练,得到模型参数;
15、s25.云端服务器使用验证数据子集对训练好的人工智能算模型进行验证,并在验证不通过时重新进行训练,直至人工智能算法模型满足要求。
16、进一步地,步骤s23具体步骤如下:
17、s231.云端服务器对各摄像头采集的视频数据进行分析,识别出采样时间点路段内及各分支内的车辆数量,再结合路段及分支长度,计算出路段的车辆密度以及分支的车辆密度;
18、s232.云端服务器对各摄像头采集的视频数据进行分析,识别出同一车辆在各摄像头出现的时间点数据,计算出各车辆在对应路段及分支的车辆速度;
19、s233.云端服务器根据预设的拥堵标准划定车速基准,并划分低于车速基准的车辆速度对应拥堵状况,而划分大于等于车速基准的车辆速度对应通畅状况;
20、s234.云端服务器从摄像头和传感器采集的数据集中进行正向采样,采集各路段或分支在车辆速度为通畅状况前设定时间点的车辆密度、时间属性数据、路面属性数据、天气属性数据,并将正向采样的数据标记为正向通畅数据;
21、s235.云端服务器从摄像头和传感器采集的数据集中进行反向采样,采集各路段或分支在车辆速度为拥堵状况前设定时间点的车辆密度、时间属性数据、路面属性数据以及天气属性数据,并将反向采样的数据标记为反向拥堵数据;
22、s236.云端服务器采集同等数量的正向通畅数据和反向拥堵数据作为数据集,并按设定比例将数据集划分为训练数据子集和测试数据子集,其中各数据子集中的正向通畅数据和反向拥堵数据数量相等。
23、进一步地,步骤s24具体步骤如下:
24、s241.云端服务器分析计算车辆密度、时间属性数据、路面属性数据以及天气属性数据与车辆速度对应路况的相关度,并根据相关度初始化参数权重;
25、s242.云端服务器按照初始化参数权重构建人工智能算法模型;
26、s243.云端服务器以训练数据子集中车辆密度、时间属性数据、路面属性数据以及天气属性数据作为输入参数,以训练数据子集中车辆速度对应路况为输出参数,对人工智能算法模型进行训练,得到初步模型参数;
27、s244.将初步模型参数带入人工智能算法模型,完成模型训练。
28、进一步地,步骤s25具体步骤如下:
29、s251.云端服务器将验证数据子集中车辆密度、时间属性数据、路面属性数据以及天气属性数据输入训练完成的人工智能算法模型,得到预测的车辆速度对应路况数据;
30、s252.云端服务器将验证数据集中实际的车辆速度对应路况与预测的路况进行比较,计算准确度;
31、s253.云端服务器判断准确度是否满足要求;
32、若是,判定人工智能算法模型验证通过,进入步骤s3;
33、若否,调整参数步长,返回步骤s24,重新进行训练。
34、进一步地,步骤s 3具体步骤如下:
35、s 31.云端服务器对实时的采集的摄像头和传感器数据进行分析,提取出所需的输入参数,并将输入参数输入到验证通过的人工智能算法模型中,得到预测的路况;
36、s 32.云端服务器将预测的路况向对应路段相关车辆进行推送;
37、s 33.云端服务器对预测路况为拥堵的路段相关车辆生成建议路线,并将建议路线向对应车辆进行推送。
38、进一步地,步骤s 32具体步骤如下:
39、s 321.云端服务器获取人工智能算法模型对各路段的预测结果;
40、s 322.云端服务器对各路段进行定位,确定定位路段及位于定位路段后方设定距离的路段作为目标路段;
41、s 323.云端服务器通过目标路段所在基站向目标路段内车辆推送路段的预测结果;
42、步骤s 33具体步骤如下:
43、s331.云端服务器确定预测路况为拥堵的路段,并为拥堵路段的后方相连路段搜索替换路段,根据替换路段生成建议路线;
44、s 332.云端服务器将拥堵路段的后方相连路段作为目标路段,通过目标路段所在基站向目标路段内车辆推送建议路线。
45、第二方面,本发明提供一种基于人工智能的高速公路交通拥堵预测系统,包括:
46、路段划分模块,用于预先将高速公路划分路段和分支,并在高速公路布设摄像头和传感器;
47、模型构建模块,用于采集高速公路各路段的摄像头和传感器数据,构建人工智能算法模型;
48、路况拥堵预测模块,用于使用人工智能算法模型对高速公路各路段进行交通拥堵预测,并将预测结果向用户推送,以及根据预测结果准确性对人工智能算法模型进行修正。
49、进一步地,路段划分模块包括:
50、路段划分单元,用于预先将高速公路按路段划分,并在每个路段的入口及出口布设摄像头;
51、分支划分单元,用于将高速公路的每个路段按照分支进行划分,并记录分支特征,在路段的各分支处布设摄像头;
52、传感器布设单元,用于在高速公路的每个路段布设天气传感器和路面状况传感器;
53、模型构建模块包括:
54、视频数据上传单元,用于将各摄像头采集的视频数据及所属路段及分支位置上传到云端服务器;
55、传感数据上传单元,用于将天气传感器采集的天气信息以及所属路段位置上传到云端服务器,路面状况传感器将采集的路面状况信息上传到云端服务器;
56、数据集构建、标注及划分单元,用于对摄像头及传感器采集的历史数据进行分析构建数据集,将数据集进行正向通畅数据和负向拥堵数据标注,并将数据集划分为训练数据子集和验证数据子集;
57、模型训练单元,用于创建人工智能算法模型,并使用训练数据子集对人工智能算法模型进行训练,得到模型参数;
58、模型验证单元,用于使用验证数据子集对训练好的人工智能算模型进行验证,并在验证不通过时重新进行训练,直至人工智能算法模型满足要求;
59、路况拥堵预测模块包括:
60、路况预测单元,用于对实时的采集的摄像头和传感器数据进行分析,提取出所需的输入参数,并将输入参数输入到验证通过的人工智能算法模型中,得到预测的路况;
61、路况推送单元,用于将预测的路况向对应路段相关车辆进行推送;
62、建议路线推送,用于对预测路况为拥堵的路段相关车辆生成建议路线,并将建议路线向对应车辆进行推送。
63、本发明的有益效果在于:
64、本发明提供的基于人工智能的高速公路交通拥堵预测方法及系统,通过人工智能算法模型实现高速公路按照路段进行路况预测,将路况向相关车辆用户推荐,及时识别拥堵预测,在发生拥堵之前向用户推送建议路线,尽可能减小拥堵发生带来的影响,提高高速公路整体通行效率。
65、此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
66、由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。