本發(fā)明涉及高速公路管理，尤其涉及一種面向高速公路場景下的低速車輛分級預(yù)警方法。

背景技術(shù)：

1、高速公路低速車輛的存在嚴(yán)重影響了整體通行效率，尤其在交通高峰時(shí)段，這種影響更為顯著，往往引發(fā)大規(guī)模交通擁堵。更為嚴(yán)重的是，低速車輛構(gòu)成極易導(dǎo)致連環(huán)追尾等惡性交通事故。為有效解決這一問題，建立快速、精準(zhǔn)的低速車輛識別系統(tǒng)顯得尤為關(guān)鍵。該系統(tǒng)的建立能夠?yàn)槁肪W(wǎng)精細(xì)化管理提供數(shù)據(jù)支撐，還能顯著提升應(yīng)急管理部門的響應(yīng)速度，為制定科學(xué)的應(yīng)急策略提供依據(jù)，從而更好地保障司乘人員的生命財(cái)產(chǎn)安全。

2、現(xiàn)有的低速車輛識別方法多依賴視頻監(jiān)控、人工巡查、車載定位等技術(shù)，但這些方法應(yīng)用面臨一系列問題：

3、1、人工巡查低效耗時(shí)：人工巡查需要投入大量人力物力，且受限于巡查人員的經(jīng)驗(yàn)和注意力，難以實(shí)現(xiàn)全天候、全路段的實(shí)時(shí)監(jiān)測。在長距離高速公路上，巡查車輛往返耗時(shí)較長，難以及時(shí)發(fā)現(xiàn)和處理低速車輛。此外，惡劣天氣條件下，人工巡查的效率和安全性都會大幅降低。

4、2、視頻監(jiān)控存在視野盲區(qū)：現(xiàn)有視頻監(jiān)控系統(tǒng)受限于攝像頭安裝位置和角度，難以覆蓋所有車道和路段。在彎道、坡道等特殊路段，監(jiān)控效果往往不理想。同時(shí)，夜間或雨霧天氣下，視頻監(jiān)控的識別準(zhǔn)確率明顯下降。多個(gè)攝像頭之間的監(jiān)控盲區(qū)也給低速車輛的連續(xù)追蹤帶來困難。

5、3、車載定位覆蓋面低：依賴車載定位系統(tǒng)進(jìn)行低速車輛識別存在明顯局限性。首先，并非所有車輛都安裝了定位設(shè)備，特別是部分老舊車輛和貨運(yùn)車輛。其次，定位信號在隧道、山區(qū)等特殊路段容易受到干擾，導(dǎo)致數(shù)據(jù)丟失或偏差。此外，不同廠商的定位設(shè)備數(shù)據(jù)標(biāo)準(zhǔn)不統(tǒng)一，也給數(shù)據(jù)整合帶來困難。

6、4、車輛進(jìn)出服務(wù)區(qū)導(dǎo)致誤判：當(dāng)車輛正常駛?cè)敕?wù)區(qū)時(shí)，其速度變化容易被系統(tǒng)誤判為低速行駛。現(xiàn)有的識別算法往往難以區(qū)分正常駛?cè)敕?wù)區(qū)的車輛和真正低速行駛的車輛，導(dǎo)致誤報(bào)率較高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種面向高速公路場景下的低速車輛分級預(yù)警方法，基于高速公路etc門架采集的交易數(shù)據(jù)融合服務(wù)區(qū)抓拍記錄等多源數(shù)據(jù)，利用統(tǒng)計(jì)算法評價(jià)指標(biāo)等構(gòu)建低速車輛分級預(yù)警算法實(shí)現(xiàn)對低速車輛的分級預(yù)警，為交通管理部門及應(yīng)急救援部門提供高速公路低速車輛高效、準(zhǔn)確的預(yù)警信息。

2、本發(fā)明采用的技術(shù)方案是：

3、一種面向高速公路場景下的低速車輛分級預(yù)警方法，其包括以下步驟：

4、步驟1，數(shù)據(jù)的采集與預(yù)處理，實(shí)時(shí)對各etc門架數(shù)據(jù)進(jìn)行采集并進(jìn)行融合處理得到待處理數(shù)據(jù)集，采集的數(shù)據(jù)包括etc系統(tǒng)交易數(shù)據(jù)、etc服務(wù)區(qū)數(shù)據(jù)和高速公路區(qū)段qd；

5、步驟2，對高速公路區(qū)段通行速度特征挖掘：根據(jù)高速公路不同的車輛類型的車輛在不同區(qū)段的條件下的行駛速度進(jìn)行區(qū)段通行速度特征識別，挖掘車輛的通行速度特征得到區(qū)間通行速度特征數(shù)據(jù)集；

6、步驟3，服務(wù)區(qū)異常數(shù)據(jù)處理：獲取服務(wù)區(qū)數(shù)據(jù)和車輛軌跡數(shù)據(jù)，計(jì)算車輛經(jīng)過服務(wù)區(qū)的時(shí)間差并更新車輛軌跡數(shù)據(jù)中通行時(shí)長數(shù)據(jù)；消除服務(wù)區(qū)通過時(shí)間對車輛軌跡數(shù)據(jù)時(shí)間的干擾；

7、步驟4，低速車輛判別：基于車輛軌跡數(shù)據(jù)計(jì)算得到對應(yīng)車輛通行速度，將對應(yīng)車輛通行速度與區(qū)間通行速度特征數(shù)據(jù)集中相同條件下的道路通行速度進(jìn)行比較，以判斷當(dāng)前車輛是否屬于低速車輛；

8、步驟5，低速車輛分級評分預(yù)警：構(gòu)建偏小型隸屬度函數(shù)作為低速車輛的隸屬度函數(shù)以計(jì)算當(dāng)前車輛隸屬度；同時(shí)基于影響駕駛行為安全因素相互間比例標(biāo)度表計(jì)算得到影響駕駛行為安全因素的權(quán)重向量；基于當(dāng)前車輛隸屬度和影響駕駛行為安全因素的權(quán)重向量計(jì)算得到當(dāng)前車輛區(qū)段駕駛行為評分，以便基于區(qū)段駕駛行為評分劃分不同預(yù)警等級。

9、進(jìn)一步地，步驟2具體包括以下步驟：

10、步驟2-1，數(shù)據(jù)集按照小時(shí)進(jìn)行分類，得到?不同的時(shí)間段整體的路段速度；

11、具體地，由此可將數(shù)據(jù)集分為24類。

12、步驟2-2，在小時(shí)分類的基礎(chǔ)上，再根據(jù)車輛類型vehclass對數(shù)據(jù)進(jìn)行精細(xì)化劃分，可以有效的解決不同車輛類型的通行速度不同的問題。

13、步驟2-3，根據(jù)空間規(guī)律性，將數(shù)據(jù)集按照車輛軌跡數(shù)據(jù)分類得到不同的區(qū)段通行數(shù)據(jù)集，從而深入挖掘車輛的空間規(guī)律性。

14、具體地，高速公路車輛駕駛行為由于外部條件例如車道數(shù)、路況等問題，不同的區(qū)段的通行速度也會不同。因此根據(jù)空間規(guī)律性，將數(shù)據(jù)集按照車輛軌跡數(shù)據(jù)，分類為不同的區(qū)段通行數(shù)據(jù)集，從而深入挖掘車輛的空間規(guī)律性。

15、步驟2-4，通過劃分好的區(qū)段通行數(shù)據(jù)集提取車輛在目標(biāo)區(qū)段的通行時(shí)間；同時(shí)通過門架距離矩陣d提取目標(biāo)區(qū)段的通行距離，使用無感測速模型計(jì)算數(shù)據(jù)集內(nèi)所有車輛的行駛速度。

16、具體地，其中門架距離矩陣d中元素為i門架與j門架之間的距離，如果兩者之間的連通，dis為兩門架之間的距離，如果為同一個(gè)節(jié)點(diǎn)則為0，不連通的節(jié)點(diǎn)之間的距離為inf；門架距離矩陣d中元素的表達(dá)式如下：

17、??????????????????(1)；

18、步驟2-5，基于箱線圖的數(shù)據(jù)清洗模型將上下邊緣以外的離群值異常數(shù)據(jù)刪除；

19、步驟2-6，計(jì)算所有車輛駕駛速度的平均值，作為道路的通行速度，從而更準(zhǔn)確有效的接近真實(shí)值；道路的通行速度的計(jì)算公式如下：

20、；

21、其中代表在該路段通行的車輛，代表該路段總車輛。

22、步驟2-7，將道路的通行速度加入高速公路區(qū)段通行速度特征數(shù)據(jù)集中，為進(jìn)一步消除車輛進(jìn)入服務(wù)區(qū)的影響，通過如下抓拍技術(shù)與etc數(shù)據(jù)融合技術(shù)，消除服務(wù)區(qū)的影響。

23、進(jìn)一步地，步驟4具體包括以下步驟：

24、步驟4-1，提取車輛軌跡數(shù)據(jù)和交易數(shù)據(jù)，計(jì)算車輛的區(qū)段通行速度；

25、步驟4-2，將車輛的區(qū)段通行速度與區(qū)段通行速度特征數(shù)據(jù)集中對應(yīng)條件下的道路的通行速度進(jìn)行比較，判斷是否存在低速駕駛行為；如果是，則記錄本次低速駕駛的通行信息執(zhí)行步驟4-3；否則，執(zhí)行步驟4-3；

26、具體地，步驟4-2中通過計(jì)算所有車輛駕駛速度的平均值作為道路的通行速度；

27、步驟4-3，判斷是否完成所有車輛軌跡的遍歷；如果是，則輸出記錄結(jié)果；否則，執(zhí)行步驟4-1。

28、進(jìn)一步地，步驟5具體包括以下步驟：

29、步驟5-1，構(gòu)建偏小型隸屬度函數(shù)作為低速車輛的隸屬度函數(shù)，低速車輛的隸屬度函數(shù)的表達(dá)式如下：

30、

31、其中，表示車輛通行速度；為高速公路區(qū)段通行速度特征數(shù)據(jù)集中與當(dāng)前情況相同的道路通行速度；

32、步驟5-2，計(jì)算獲取當(dāng)前車輛的低速隸屬度；

33、步驟5-3，基于影響駕駛行為安全因素相互間比例標(biāo)度表構(gòu)建判斷矩陣r，其中判斷矩陣r中的每個(gè)元素值表示不同影響駕駛行為安全的因素相互間的比例標(biāo)度；

34、步驟5-4，對判斷矩陣r的列向量進(jìn)行歸一化處理得到歸一化后的判斷矩陣；計(jì)算歸一化后的判斷矩陣的行向量的均值得到行向量，作為所在行的駕駛行為安全因素的權(quán)重向量。

35、步驟5-5，根據(jù)不同駕駛行為安全因素的權(quán)重，計(jì)算當(dāng)前車輛的區(qū)段駕駛行為評分；具體地區(qū)段駕駛行為評分的表達(dá)式如下：

36、?;

37、其中，表示車輛的區(qū)段駕駛行為評分；a為區(qū)段內(nèi)發(fā)生的危險(xiǎn)駕駛行為的車輛集合，為車輛a駕駛行為的隸屬度，為車輛a的駕駛行為權(quán)重。

38、步驟5-6，根據(jù)車輛的區(qū)段駕駛行為評分將車輛行程劃分為不同預(yù)警等級。

39、進(jìn)一步地，步驟5中低速車輛的隸屬度函數(shù)對應(yīng)的車輛速度分級標(biāo)準(zhǔn)為：第一段，當(dāng)機(jī)動車駕駛速度大于道路通行水平的80%時(shí)，認(rèn)為時(shí)正常水平，隸屬度為0；第二段，當(dāng)機(jī)動車駕駛速度小于或等于道路通行速度的80%且大于道路通行速度的60%時(shí)，計(jì)算此駕駛行為的隸屬度；第三段，當(dāng)機(jī)動車駕駛速度小于或等于道路通行速度的60%且大于道路通行速度的40%時(shí)，計(jì)算此駕駛行為的隸屬度；第四段當(dāng)車輛的通行速度小于或等于道路通行速度的40%時(shí)，隸屬度為1。

40、本發(fā)明采用以上技術(shù)方案，通過智能化的數(shù)據(jù)處理與算法，結(jié)合etc門架數(shù)據(jù)、路網(wǎng)拓?fù)浣Y(jié)構(gòu)與服務(wù)區(qū)抓拍數(shù)據(jù)等，實(shí)時(shí)判斷滯留車輛并進(jìn)行精確識別。根據(jù)不同車型、路段等情況等因素，設(shè)計(jì)靈活的低速時(shí)間閾值，確保在不同的路段下準(zhǔn)確識別低速車輛。在滯留車輛識別后，系統(tǒng)自動生成預(yù)警信息，及時(shí)向交通管理部門、應(yīng)急救援人員發(fā)送警報(bào)，為精準(zhǔn)施救和安全保障提供支持。

41、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)勢和有益效果：1）利用服務(wù)區(qū)信息避免大量誤報(bào)：利用服務(wù)區(qū)抓拍記錄與etc交易記錄融合實(shí)現(xiàn)對進(jìn)入服務(wù)區(qū)被誤識低速車輛的過濾，解決了車輛由于進(jìn)入服務(wù)區(qū)導(dǎo)致低速車輛誤識別的問題。2）低計(jì)算量，可實(shí)時(shí)計(jì)算：相較于神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法，具有參數(shù)量小，低計(jì)算量的優(yōu)點(diǎn)，另外，由于其極低的計(jì)算量的優(yōu)點(diǎn)可適用于實(shí)時(shí)對低速車輛的預(yù)警。3）可解釋性強(qiáng)：相比深度學(xué)習(xí)方法，本統(tǒng)計(jì)方法可解釋性強(qiáng)，可為管理人員提供更為清晰的理論依據(jù)。