一种基于人工智能的道路拥堵分析系统的制作方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及道路拥堵分析，具体涉及一种基于人工智能的道路拥堵分析系统。背景技术：2.人工智能是计算机科学的一个分支，它企图了解智能的实质，并产生出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也在不断扩大。3.交通是城市经济活动的命脉，对发展城市经济、提高人民生活水平起到十分重要的作用。随着社会经济的不断发展，汽车已经成为人们出行不可缺少的交通工具，但随着汽车的拥有量不断增加，城市交通拥堵现象日益严重，给人们的出行带来很大影响。道路的扩建速度远远满足不了机动车的正常行驶需求，使得道路拥堵成为新常态。4.现有的道路拥堵分析系统不能准确统计道路车流量，并且无法对道路拥堵原因进行有效分析，导致对道路拥堵的管理效率低下，始终无法从根本上解决道路拥堵难题。技术实现要素：5.(一)解决的技术问题6.针对现有技术所存在的上述缺点，本发明提供了一种基于人工智能的道路拥堵分析系统，能够有效克服现有技术所存在的不能准确统计道路车流量、无法对道路拥堵原因进行有效分析的缺陷。7.(二)技术方案8.为实现以上目的，本发明通过以下技术方案予以实现：9.一种基于人工智能的道路拥堵分析系统，包括服务器，所述服务器通过车道图像采集模块采集道路图像，并通过车道图像处理模块对道路图像进行图像处理，所述服务器通过目标车辆检测模块在处理后的道路图像中进行车辆检测，并利用车辆密度输出模块输出各车道的车辆密度，所述服务器通过车流量统计模块根据各车道的车辆密度统计道路车流量；10.所述服务器通过交通数据采集模块采集交通数据，并通过拥堵类型判断模块进行拥堵类型判断，所述服务器通过速度时空图构建模块构建道路速度时空图，并通过拥堵子集提取模块从道路速度时空图中提取拥堵子集，所述服务器通过特征向量提取模块提取拥堵子集的特征向量，并通过拥堵子集分类模块基于特征向量对拥堵子集进行聚类，所述服务器通过拥堵原因分析模块根据拥堵类型和拥堵子集聚类结果分析拥堵原因。11.优选地，所述车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域。12.优选地，所述车道图像处理模块在分车道处理后的图像中以方框、圆、椭圆、不规则多边形中的一种方式描绘感兴趣区域边缘。13.优选地，所述目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标；14.所述车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度。15.优选地，所述车流量统计模块根据各车道的车辆密度统计道路车流量，包括：16.s1、计算各车道的车辆数量：[0017][0018]其中，i为车道标号，ρ为车道的车辆密度，s为车道区域内感兴趣区域的面积；[0019]s2、计算监控区域内所有车道的车辆数量：[0020][0021]s3、计算监控区域内的道路车流量：[0022]t＝v*q/l[0023]其中，v为监控区域内所有车辆的平均速度，l为监控区域内车道的实际长度。[0024]优选地，所述车流量统计模块根据各车道的车辆密度统计道路车流量之后，将道路车流量以及车辆平均速度发送至交通数据采集模块，所述拥堵类型判断模块基于道路车流量、车辆平均速度构建拥堵类型判断模型：[0025]s1、基于势函数建立交通流模型，所述势函数为：[0026]e＝av4+bqv2[0027]其中，a、b均为待定系数；[0028]s2、对道路车流量、车辆平均速度进行坐标的平移和旋转；[0029]s3、利用变换坐标数据求解突变流形中的参数，并得到具体分叉集方程。[0030]优选地，所述拥堵类型判断模块通过判断道路车流量是否穿越穿越分叉集投影区域来区分常发性拥堵、偶发性拥堵。[0031]优选地，所述速度时空图构建模块利用路段车辆平均速度构建道路速度时空图，所述拥堵子集提取模块通过图像形态学处理从道路速度时空图中提取拥堵子集，所述特征向量提取模块构建特征向量提取模型提取拥堵子集的特征向量，所述拥堵子集分类模块基于特征向量之间的相似距离，通过k-means聚类算法对拥堵子集进行聚类。[0032]优选地，所述速度时空图构建模块通过构建双核函数考虑自由流与拥堵流的传播影响，解决数据异常、数据缺失问题，基于均值插值法实现道路速度时空图的速度平滑与填充。[0033]优选地，所述拥堵子集的特征向量包括速度特征和边界特征，所述速度特征包括车辆平均速度、速度标准差、最大速度和最小速度，所述边界特征包括拥堵子集边缘轮廓和拥堵起点。[0034](三)有益效果[0035]与现有技术相比，本发明所提供的一种基于人工智能的道路拥堵分析系统，具有以下有益效果：[0036]1)车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域，目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标，车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度，车流量统计模块根据各车道的车辆密度统计道路车流量，通过对各车道的车辆密度进行准确采集，实现对道路车流量的准确统计；[0037]2)拥堵类型判断模块进行拥堵类型判断，速度时空图构建模块构建道路速度时空图，拥堵子集提取模块从道路速度时空图中提取拥堵子集，特征向量提取模块提取拥堵子集的特征向量，拥堵子集分类模块基于特征向量对拥堵子集进行聚类，通过结合拥堵类型、拥堵子集聚类结果能够对道路拥堵原因进行全面、准确地分析，有效提升道路拥堵的管理效率，为从根本上解决道路拥堵难题提供全面分析依据。附图说明[0038]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0039]图1为本发明的系统示意图；[0040]图2为本发明中根据各车道的车辆密度统计道路车流量的流程示意图；[0041]图3为本发明中结合拥堵类型、拥堵子集聚类结果分析拥堵原因的流程示意图。具体实施方式[0042]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0043]一种基于人工智能的道路拥堵分析系统，如图1和图2所示，包括服务器，服务器通过车道图像采集模块采集道路图像，并通过车道图像处理模块对道路图像进行图像处理，服务器通过目标车辆检测模块在处理后的道路图像中进行车辆检测，并利用车辆密度输出模块输出各车道的车辆密度，服务器通过车流量统计模块根据各车道的车辆密度统计道路车流量。[0044]①车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域。车道图像处理模块在分车道处理后的图像中以方框、圆、椭圆、不规则多边形中的一种方式描绘感兴趣区域边缘。[0045]②目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标。[0046]③车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度。[0047]④车流量统计模块根据各车道的车辆密度统计道路车流量，包括：[0048]s1、计算各车道的车辆数量：[0049][0050]其中，i为车道标号，ρ为车道的车辆密度，s为车道区域内感兴趣区域的面积；[0051]s2、计算监控区域内所有车道的车辆数量：[0052][0053]s3、计算监控区域内的道路车流量：[0054]t＝v*q/l[0055]其中，v为监控区域内所有车辆的平均速度，l为监控区域内车道的实际长度。[0056]本技术技术方案中，车道图像处理模块对道路图像进行分车道处理，并在每个车道区域内设置感兴趣区域，目标车辆检测模块采用全卷积网络模型对感兴趣区域进行特征提取，得到当前道路图像中的车辆目标，车辆密度输出模块采用反卷积网络模型获取各车道的车辆密度，车流量统计模块根据各车道的车辆密度统计道路车流量，通过对各车道的车辆密度进行准确采集，实现对道路车流量的准确统计。[0057]如图1和图3所示，服务器通过交通数据采集模块采集交通数据，并通过拥堵类型判断模块进行拥堵类型判断，服务器通过速度时空图构建模块构建道路速度时空图，并通过拥堵子集提取模块从道路速度时空图中提取拥堵子集，服务器通过特征向量提取模块提取拥堵子集的特征向量，并通过拥堵子集分类模块基于特征向量对拥堵子集进行聚类，服务器通过拥堵原因分析模块根据拥堵类型和拥堵子集聚类结果分析拥堵原因。[0058]车流量统计模块根据各车道的车辆密度统计道路车流量之后，将道路车流量以及车辆平均速度发送至交通数据采集模块，交通数据采集模块再将道路车流量、车辆平均速度发送给拥堵类型判断模块。[0059]拥堵类型判断模块基于道路车流量、车辆平均速度构建拥堵类型判断模型：[0060]s1、基于势函数建立交通流模型，势函数为：[0061]e＝av4+bqv2[0062]其中，a、b均为待定系数；[0063]s2、对道路车流量、车辆平均速度进行坐标的平移和旋转；[0064]s3、利用变换坐标数据求解突变流形中的参数，并得到具体分叉集方程。[0065]拥堵类型判断模块通过判断道路车流量是否穿越穿越分叉集投影区域来区分常发性拥堵、偶发性拥堵。[0066]速度时空图构建模块利用路段车辆平均速度构建道路速度时空图，拥堵子集提取模块通过图像形态学处理从道路速度时空图中提取拥堵子集，特征向量提取模块构建特征向量提取模型提取拥堵子集的特征向量，拥堵子集分类模块基于特征向量之间的相似距离，通过k-means聚类算法对拥堵子集进行聚类。[0067]其中，速度时空图构建模块通过构建双核函数考虑自由流与拥堵流的传播影响，解决数据异常、数据缺失问题，基于均值插值法实现道路速度时空图的速度平滑与填充。[0068]其中，拥堵子集的特征向量包括速度特征和边界特征，速度特征包括车辆平均速度、速度标准差、最大速度和最小速度，边界特征包括拥堵子集边缘轮廓和拥堵起点。[0069]服务器通过拥堵原因分析模块结合拥堵类型(常发性拥堵/偶发性拥堵)、通过k-means聚类算法对拥堵子集进行聚类得到的结果，对道路拥堵原因进行全面、准确地分析，有效提升道路拥堵的管理效率，为从根本上解决道路拥堵难题提供全面分析依据。[0070]以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!