一种高速交通突发事件预测与检测一体化方法及系统与流程

本发明涉及交通事故预测，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。

背景技术：

1、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。

2、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，难以对交通事件进行精确预测，但交通事件在一定时空内的发生数可以被大致预测。利用人工智能对可能发生的交通事件数量进行实时性预测是预防交通事件的有效手段，这可以帮助交通部门进行科学决策，也是建设智慧高速的重要一环。

3、交通事件预测是智慧高速建设的关键问题，国内外有许多学者针对交通事件预测展开了一系列研究。li等人利用灰色关联分析来衡量各因素与交通事件发生的关联性，并建立多变量灰色模型来对交通事件进行预测。liyong等人采用深度学习方法分析空间和时间特征，利用具有单调注意力机制的自动编码器来学习交通事件嵌入输入，从而降低了交通事件预测误差。tian等人提出了一个包括时空关注机制的深度学习框架来解决城市地区的交通事件预测问题，帮助缓解交通压力。zhang等人采用因子分析法探索交通事件的主要影响因素，然后应用随机森林算法建立道路交通事件严重程度预测模型，预测二类、三类交通事故。zhao等人将实时交通数据输入到卷积神经网络进行特征提取，提出了一种基于深度学习的边缘云车联网的交通事件风险预测算法。tantaoui等人提出了一种基于大数据分析的实时预测系统来改善车用移动通信网络，通过并行数据处理的方式实时预测交通事件风险。但是，目前的方法只是使用单一模型进行预测，这使得预测结果往往会受到单一模型自身特点所带来的局限性。且目前的方法通常使用单一特征进行预测，这往往会受到单一信息的限制，导致预测结果的准确性与可信性降低。此外，目前的方法只能进行交通事件的预测，而没有采取相应的检测方法。以上原因导致现有研究不能够很好应对目前的智慧交通发展需求。

技术实现思路

1、本发明的目的在于提供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。

2、为实现上述目的，本发明采用的技术方案是：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：

3、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＝{rz|z＝1,...,l-7}，并划分成训练集r1、测试集r2和验证集r3；

4、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＝{omz|z＝1,...l-7}；

5、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；

6、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；

7、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...,dic}；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...,sc}；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...,tic}；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；

8、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...,on}；在此之后，针对第e个摄像头，其无车辆图像画面为oe，每间隔十秒钟摄像头e生成得到一张图像帧pice，利用opencv计算图像画面oe与图像帧pice的差异值diffe；前一张图像帧pic’e与图像画面oe计算得到的差异值diff’e；并再对比间隔十秒的差异值diffe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。

9、进一步地，所述步骤a具体包括以下步骤：

10、步骤a1、收集n个具有数据边界的省份集合state＝{statei|i＝1,2,...,n}，其中第i个省份中有m条高速公路roadi＝{roadij|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

11、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

12、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

13、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

14、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

15、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。

16、进一步地，所述步骤b具体包括以下步骤：

17、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；

18、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；

19、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；

20、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；

21、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；

22、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；

23、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；

24、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；

25、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；

26、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rf集成学习网络模型；并通过测试集r2对模型进行验证；得到rf集成学习网络模型输出m9；

27、步骤b11、通过使用损失函数，利用反向传播不断迭代更新xgboost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xgboost集成学习网络模型；并通过测试集r2对模型进行验证；得到xgboost集成学习网络模型输出m10；

28、步骤b12、将步骤b1～b10所得到的输出结果整理得到每一个基模型的第z天的输出数据集合得到基模型的数据结果集合m＝{omz|z＝1,...l-7}。

29、进一步地，所述步骤c具体包括以下步骤：

30、步骤c1、将步骤b中得到的输出数据集合m作为特征值，真实发生交通事故数act作为目标值，得到数据hz＝(omz,actz)，进而生成得到数据集h＝{h1,h2,...,hl-7}；

31、步骤c2、将步骤c1得到的数据集h作为adaboost集成学习网络模型，即集成学习的元模型的输入，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0.03时，则终止模型训练，得到训练好的adaboost集成学习网络模型；

32、步骤c3、将步骤c2训练好的adaboost集成学习网络模型，通过测试集r2和验证集r3进行模型验证；通过得到的预测交通事故数pre和真实发生交通事故数act计算准确率和平均绝对误差。

33、进一步地，所述步骤d具体包括以下步骤：

34、步骤d1、通过高速公路摄像头实时获取道路情况画面，每条高速公路的t个道路检测点摄像头捕获的路况视频数据集合

35、步骤d2、遍历步骤d1的所有视频文件v得到拍摄路段的画面，每隔1小时整点中从第x个摄像头中随机提取画面，为了避免模型识别误差导致错误的结果，提取最近5分钟的任意10张画面

36、步骤d3、通过resnet101对步骤d2提取到的十张画面进行进行天气识别；最终通过识别出来的天气进行投票决策，得到第i个省份第j条高速公路第x路段实时的该路段的天气情况

37、步骤d4、通过统计步骤d3得到的该高速公路所有检测路段的天气情况计算得到该条路况当天实时的坏天气占比rateij；同时，把该条高速公路过去七天的交通突发事故数进行特征拼接，得到数据(psdij',rateij)；

38、步骤d5、把步骤d4得到的数据输入到经过步骤b训练的多个基模型中，得到每一个基模型的输出结果集合om＝{m1,m2,...,m10}；

39、步骤d6、把步骤d5得到的数据输入到经过步骤c训练的adaboost集成学习网络模型中，得到预测此条高速公路突发事件结果pre；

40、步骤d7、通过步骤d6得到的预测结果，根据可能发生的突发事件数，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；同时，将数据发给交通部门、应急部门做好巡查与预案，减少交通事故的发生及减少交通事故人员伤亡。

41、进一步地，所述步骤e具体包括以下步骤：

42、步骤e1、将高速公路采集的摄像头图像数据集dc进行图像预处理，得到经过裁剪后统一尺寸大小的高速道路上的图像数据集dc；

43、步骤e2、将通过标注数据工具，对于步骤e1进行图像预处理后的图像数据集dc中车牌的位置进行标注，得到每张图片中每辆车辆车牌的准确位置，并且生成得到高速道路上的图像数据集dc对应的坐标文件fc；并按3:1:1比例划分数据集，得到训练、测试、验证集；

44、步骤e3、下载得到开源yolo v6检测器及其预训练权重，将步骤e2得到的训练集、测试集对于yolo v6模型进行训练，并且当验证集准确率达95％时，停止训练；

45、步骤e4、将步骤e3训练得到的yolo v6检测器用于车牌的准确定位，选择并框出车牌的具体位置，并通过paddleocr中的文字检测模型来训练车牌检测，得到过往车辆车牌；

46、步骤e5、计算相邻两个高速公路的检测摄像头的距离di，并以此为基础得到整段高速公路所有相邻的高速摄像头距离集合di＝{di1,di2,di...,dic}，dih表示摄像头q与摄像头q+1距离；

47、步骤e6、计算所有相邻的高速公路摄像头的所有路段最低时速集合s＝{s1,s2,s...,sc}，其中sq表示diq与diq+1路段间的最低时速；

48、步骤e7、将步骤e5得到的相邻的高速摄像头距离集合di＝{di1,di2,di...,dic}与步骤e6得到的所有路段最低时速集合s＝{s1,s2,s...,sc}进行计算，得到车辆从摄像头q驶向摄像头q+1的最低时间，得到最低抵到时间集合ti＝{ti1,ti2,ti...,tic-1}；其中tiq表示车辆从diq与diq+1路段间的最低抵到时间；

49、步骤e8、通过步骤e1-e4得到的车辆车牌识别模型，记录每一辆从高速公路摄像头经过的车辆，通过步骤e7得到的车辆从摄像头q与摄像头q+1路段最低抵到时间，若从摄像头经过车辆中没有按预定时间抵到且没有驶出摄像头q与摄像头q+1路段间的收费站，则说明车辆可能在摄像头q与摄像头q+1路段存在异常，则可能有突发事件发生。

50、进一步地，所述步骤f具体包括以下步骤：

51、步骤f1、将收集高速公路的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...,oall}；

52、步骤f2、将每隔十秒从高速公路摄像头捕获图像画面pic；其中，第e个摄像头得到当前图像帧画面pice，并将步骤f1收集得到的第e个摄像头无车辆画面oe，通过opencv计算图像帧画面pice与图像帧画面oe的差异值diffe；

53、步骤f3、将步骤f2得到的差异值diffe与该摄像头前十秒计算得到的图像帧画面pic’e与图像帧画面oe计算得到的差异值diff’e，进行计算对比得到两者的差值；

54、步骤f4、当步骤f3计算得到两者差值高于预设值时且diffe不为零时，说明画面中存在异常车辆且十秒钟未移动，则可能存在异常车辆存在摄像头发面中，可能有突发事件发生。

55、进一步地，所述步骤b中，损失函数计算具体计算公式如下：

56、

57、其中，yi为第i天真实发生的交通事故数；hθ(xi)为特征值组合预测函数；

58、lr线性回归网络模型的计算公式如下：

59、f(x)＝ω0+ω1x1+ω2x2+...+ωnxn

60、其中，f(x)表示预测结果，ω0表示常数项，ω＝{ωi,1≤i≤n}表示参数，x＝{xi,1≤i≤n}表示自变量；

61、knn邻近算法网络模型的计算公式如下：

62、

63、其中，x表示样本，l表示维度，p表示范数；

64、dt决策树算法网络模型的计算公式如下：

65、

66、h(d)表示集合d的信息熵，n表示集合中的类别，pk表示第k类所占的比例；h(d)越小，其纯度越高，确定性越明确；

67、svm支持向量机网络模型的计算公式如下：

68、

69、其中，ω表示超平面的法向量，b表示超平面的截距，x表示特征向量，y表示所属类别。

70、进一步地，由于此类预测事件无法使准确值与预测值相等，于是当预测值与实际值处于允许的偏差值范围ε内，即符合要求；即时，即表示预测正确；其中偏差值范围ε的计算公式如下：

71、

72、其中，n表示样本数据集样本数量，表示测试集样本中第i天的交通事故的实际值；

73、平均绝对误差计算公式如下：

74、

75、其中，n表示样本数据集样本数量，表示测试集样本中第i天的交通事故的实际值，yi表示测试集样本中第i天的交通事故的预测值。

76、本发明还提供了一种高速交通突发事件预测与检测一体化系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。

77、与现有技术相比，本发明具有以下有益效果：提供了一种高速交通突发事件预测与检测一体化方法及系统，该方法及系统可以根据历史的道路突发事件数与天气情况预测出道路可能会发生的交通突发事件数，为广大道路司机提供实时的提醒，并通知相关部门进行巡察与保护，同时，还可以检测到当前可能已经发生的交通突发事件，且具有较高的检测效率和准确率，降低了道路交通事故发生的风险。本发明可结合高速公路车检器数据、互联网交通数据、气象数据、信令数据、视频图像、收费数据、卡口数据、门架数据等多源异构数据，建立决策层融合方法，综合考虑不同模态数据的预测结果得出最终决策，从而高效地进行高速路网实时交通事件预测及检测，有效地预防和减少高速公路上的交通事故，提高高速交通安全性。