CN114299727B - 一种基于物联网和边缘计算的交通流预测系统及云平台 - Google Patents

一种基于物联网和边缘计算的交通流预测系统及云平台 Download PDF

Info

Publication number
CN114299727B
CN114299727B CN202111623527.6A CN202111623527A CN114299727B CN 114299727 B CN114299727 B CN 114299727B CN 202111623527 A CN202111623527 A CN 202111623527A CN 114299727 B CN114299727 B CN 114299727B
Authority
CN
China
Prior art keywords
traffic flow
edge computing
license plate
flow prediction
things
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111623527.6A
Other languages
English (en)
Other versions
CN114299727A (zh
Inventor
孙笑笑
王欣峰
叶春毅
俞东进
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University Binjiang Research Institute Co ltd
Hangzhou Dianzi University
Original Assignee
Hangzhou Bindian Information Technology Co ltd
Hangzhou Dianzi University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Bindian Information Technology Co ltd, Hangzhou Dianzi University filed Critical Hangzhou Bindian Information Technology Co ltd
Priority to CN202111623527.6A priority Critical patent/CN114299727B/zh
Priority to CN202211281398.1A priority patent/CN115578867B/zh
Publication of CN114299727A publication Critical patent/CN114299727A/zh
Application granted granted Critical
Publication of CN114299727B publication Critical patent/CN114299727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于物联网和边缘计算的交通流预测系统及云平台。本发明采用道路上的图像抓拍设备抓取车流图像，然后在本地端通过边缘计算设备对其进行车牌定位和识别，从而获取经过不同位置的车流信息，从而大大减少需要上传至云平台的数据量，提升处理效率并减轻云端的负荷。而且，由于该车辆信息的获取仅在本地端进行，因此可提供更快的响应速度，降低云平台获取实时车流信息的时延。本发明可在云平台上聚合整个预测区域内的所有车流轨迹信息，并通过云平台上搭载的交通流量预测模型对未来时刻的交通流量进行预测。

Description

一种基于物联网和边缘计算的交通流预测系统及云平台
技术领域
本发明涉及交通流预测领域，尤其涉及一种基于物联网和边缘计算的交通流预测系统及云平台。
背景技术
随着城市化进程的不断加速，城市中的交通堵塞问题日益严重。因此，交通流预测是智慧交通中的重要一环。但是在现有技术中，交通流预测往往无法采用实时数据，因此其时效性和应用可行性存在缺陷。
例如，在申请号为CN201810603991.0的发明专利中公开了一种基于交通流时空相似性的城市短时交通流预测方法，该方法包括如下步骤：S1、基于交通流时空相似性，定义交通流的时间状态向量、时空状态向量；S2、构造当前时段下交通流的“当前时空状态向量；S3、构造历史上不同日期同一时段下交通流的“历史时空状态向量”；S4、使用距离度量函数计算当前和各历史时空状态向量间的“时空相似距离”；S5、选择k个时空相似距离最小的历史状态向量所在的日期，查出这k个历史日期对应的预测时段的交通流；S6、基于这k个历史日期对应的预测时段的交通流，使用预测函数计算目标路段下一时段的交通流；S7、根据交通流的预测结果和实际结果，对目标路段的预测误差进行评价分析。该方案中的历史数据来源于出租车的浮动车数据，其数据样本无法代表所有的车辆，而且此类数据往往存在因为信号原因导致的数据质量问题。
因此，如何提高交通流预测系统的可实际应用性，是目前亟待解决的技术问题。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于物联网和边缘计算的交通流预测系统及云平台，可有效解决上述问题。
本发明具体采用的技术方案如下：
第一方面，本发明提供了一种基于物联网和边缘计算的交通流预测系统，其包括云平台以及安装于道路上不同位置的图像抓拍设备和边缘计算设备；
所述图像抓拍设备，用于实时拍摄经过的车流图像，且同一个图像抓拍设备抓拍的车辆行驶方向固定；
所述边缘计算设备与所述图像抓拍设备一一配对，用于获取同一位置的图像抓拍设备拍摄到的所述车流图像，并通过内置的车牌定位模型定位出车流图像中的每一个车牌区域，再通过车牌识别模型识别出每一个车牌区域中的车牌号；
所述云平台通过物联网与不同位置的边缘计算设备通信连接，内部设有数据接收模块、数据融合模块和交通流预测模块；
所述数据接收模块用于实时接收不同位置的边缘计算设备上报的车牌号识别结果以及对应的时间戳和车辆行驶方向；
所述数据融合模块用于将每一个边缘计算设备上报的每个车牌号与对应的时间戳、车辆行驶方向以及边缘计算设备所在坐标关联融合形成一个轨迹点，每一个车牌号的所有连续轨迹点通过调用路径规划算法还原出对应车辆的行驶轨迹，将所有车辆的行驶轨迹作为车流数据存储于历史车流数据库中；
所述交通流预测模块用于从历史车流数据库中读取存储的所述车流数据，并基于经过训练的交通流量预测模型对未来时刻的交通流量进行预测。
作为优选，所述图像抓拍设备和边缘计算设备成对安装于道路的路口位置。
作为优选，所述车牌定位模型为YOLO模型。
作为优选，所述车牌识别模型为CNN卷积神经网络模型。
作为优选，所述交通流预测模块中设有用于输入预测区域和预测时刻的指定模块。
作为优选，所述交通流量预测模型为多方向交通流量预测模型，包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层，多方向交通流量预测模型的输入为车流三维矩阵、时间信号向量和兴趣点信号，由第一全连接神经网络根据所述时间信号向量输出时间信号矩阵，由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号矩阵，由三维残差卷积网络根据所述车流三维矩阵、所述兴趣点信号矩阵和所述时间信号矩阵的融合特征输出结果矩阵，最终将结果矩阵在重校正层中经过带权压缩操作后，得到多方向交通流量预测结果。
作为优选，所述车牌定位模型和车牌识别模型均预先通过训练后下载于边缘计算设备中。
作为优选，所述云平台中的交通流量预测模型采用增量学习的方法进行持续训练。
作为优选，所述图像抓拍设备为设置于路口上方的摄像头，且每一个摄像头均仅朝向车流行驶方向进行拍摄。
作为优选，所述车流三维矩阵、时间信号向量和兴趣点信号的生成方法如下：
S1、获取待预测区域中待预测时刻前的历史车流数据，所述历史车流数据中包含待预测区域中不同车辆在不同时间的位置以及车辆行驶方向；从所述历史车流数据中按预设的时间片间隔提取若干个车流数据时间片；
S2、对待预测区域进行栅格化处理从而划分为一系列栅格，每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每个时间片中的不同移动状态分别构建车流二维矩阵，每一种移动状态在所有时间片中的车流二维矩阵按时间维度叠加形成车流三维矩阵；
S3、从待预测时刻中提取小时字段和分钟字段，拼接形成一个二元的时间信号向量；
S4、获取所有兴趣点(POI)空间地理位置，并将不同功能类别的兴趣点均映射到所述待预测区域的栅格中，对每个栅格中每一组功能类别的兴趣点总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每一组功能类别的兴趣点分别构建一张二维矩阵形式的兴趣点切片，所有功能类别的兴趣点切片叠加形成三维张量形式的兴趣点信号。
第二方面，本发明提供了一种云平台，其用于与安装于道路上不同位置的图像抓拍设备和边缘计算设备配合实现交通流预测；
所述图像抓拍设备，用于实时拍摄经过的车流图像，且同一个图像抓拍设备抓拍的车辆行驶方向固定；
所述边缘计算设备与所述图像抓拍设备一一配对，用于获取同一位置的图像抓拍设备拍摄到的所述车流图像，并通过内置的车牌定位模型定位出车流图像中的每一个车牌区域，再通过车牌识别模型识别出每一个车牌区域中的车牌号；
所述云平台通过物联网与不同位置的边缘计算设备通信连接，内部设有数据接收模块、数据融合模块和交通流预测模块；
所述数据接收模块用于实时接收不同位置的边缘计算设备上报的车牌号识别结果以及对应的时间戳和车辆行驶方向；
所述数据融合模块用于将每一个边缘计算设备上报的每个车牌号与对应的时间戳、车辆行驶方向以及边缘计算设备所在坐标关联融合形成一个轨迹点，每一个车牌号的所有连续轨迹点通过调用路径规划算法还原出对应车辆的行驶轨迹，将所有车辆的行驶轨迹作为车流数据存储于历史车流数据库中；
所述交通流预测模块用于从历史车流数据库中读取存储的所述车流数据，并基于经过训练的交通流量预测模型对未来时刻的交通流量进行预测。
相对于现有技术而言，本发明具有以下有益效果：
本发明采用道路上的图像抓拍设备抓取车流图像，然后在本地端通过边缘计算设备对其进行车牌定位和识别，从而获取经过不同位置的车流信息，从而大大减少需要上传至云平台的数据量，提升处理效率并减轻云端的负荷。而且，由于该车辆信息的获取仅在本地端进行，因此可提供更快的响应速度，降低云平台获取实时车流信息的时延。本发明可在云平台上聚合整个预测区域内的所有车流轨迹信息，并通过云平台上搭载的交通流量预测模型对未来时刻的交通流量进行预测。
附图说明
图1为一种基于物联网和边缘计算的交通流预测系统示意图；
图2为云平台中的模块组成图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
作为本发明的一种较佳实现形式，提供了一种基于物联网和边缘计算的交通流预测系统，其包括云平台以及安装于道路上不同位置的图像抓拍设备和边缘计算设备。
其中边缘计算设备与图像抓拍设备一一配对，每一对图像抓拍设备和边缘计算设备通过信号线相连，安装于道路上的一个位置。为了便于图像抓拍，边缘计算设备与图像抓拍设备优选安装于道路路口上。
图像抓拍设备的作用是实时拍摄经过的车流图像，且同一个图像抓拍设备抓拍的车辆行驶方向固定。另外，边缘计算设备的作用是获取同一位置的图像抓拍设备拍摄到的车流图像，并通过内置的车牌定位模型定位出车流图像中的每一个车牌区域，再通过车牌识别模型识别出每一个车牌区域中的车牌号。
在实际应用时，图像抓拍设备可直接采用设置于路口上方的摄像头，且每一个摄像头均仅朝向车流行驶方向进行拍摄。由于每一个图像抓拍设备抓拍的车辆行驶方向是固定的，因此从该图像抓拍设备抓拍到的图像中识别到的车辆的行驶方向也是固定的。在本发明中，车牌定位模型和车牌识别模型可以采用任意能够实现车牌定位和车牌识别的网络模型来实现。例如，车牌定位模型可采用YOLO模型，优选为YOLO V3模型，车牌识别模型可以采用CNN卷积神经网络模型。车牌定位模型和车牌识别模型均需要预先通过训练后下载于边缘计算设备中。
由于边缘计算设备已经在本地端对图像数据进行了处理，因此其仅需向云平台发送车牌号数据，这大大降低了网络上行数据量，因此能够提高云平台对于数据获取的实时性。
另外，云平台通过物联网与不同位置的边缘计算设备通信连接，内部设有数据接收模块、数据融合模块和交通流预测模块。
其中，数据接收模块用于实时接收不同位置的边缘计算设备上报的车牌号识别结果以及对应的时间戳和车辆行驶方向。
在实际应用时，车辆行驶方向可以根据其来源的图像抓拍设备和边缘计算设备的接口或者ID来确定，每一个边缘计算设备可以预先在云平台中存储对应的车辆行驶方向。
其中，数据融合模块用于将每一个边缘计算设备上报的每个车牌号与对应的时间戳、车辆行驶方向以及边缘计算设备所在坐标关联融合形成一个轨迹点，每一个车牌号的所有连续轨迹点通过调用路径规划算法还原出对应车辆的行驶轨迹，将所有车辆的行驶轨迹作为车流数据存储于历史车流数据库中。
在本发明中，路径规划算法可以是任意能够根据一辆车的所有连续轨迹点生成其路径轨迹的算法，优选采用Dijkstra算法，当然也可以直接调用百度地图或者高德地图等地图API，将每一个轨迹点都作为一个途经点来生成路径轨迹。且在生产该路径轨迹的过程中，也需要带有其时间信息，即一条上任意两个轨迹点之间的其余轨迹点可以通过插值的方式生成相应的时间信息。
其中，交通流预测模块用于从历史车流数据库中读取存储的车流数据，并基于经过训练的交通流量预测模型对未来时刻的交通流量进行预测。
云平台中的交通流量预测模型在使用前需要预先经过训练，而为了保证该模型的准确率，亦可将不断存储至云平台中的数据作为样本，采用增量学习的方法进行持续训练。
为了考虑不同的交通流预测需求，可以在交通流预测模块中设有用于输入预测区域和预测时刻的指定模块，以便于根据需要输入不同的预测区域和不同的预测时刻。
在本发明中，所采用的交通流量预测模型可以是任意能够实现交通流量预测的网络模型，例如时空图神经网络等。
作为本发明的一个较佳实施例，上述交通流量预测模型可采用多方向交通流量预测模型，该模型可以对车辆轨迹栅格化后进行方向区分，并基于轨迹经过栅格时的方向来区分移动状态，从而实现多方向的交通流量预测。该多方向交通流量预测模型包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层，多方向交通流量预测模型的输入为车流三维矩阵、时间信号向量和兴趣点信号，由第一全连接神经网络根据所述时间信号向量输出时间信号矩阵，由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号矩阵，由三维残差卷积网络根据所述车流三维矩阵、所述兴趣点信号矩阵和所述时间信号矩阵的融合特征输出结果矩阵，最终将结果矩阵在重校正层中经过带权压缩操作后，得到多方向交通流量预测结果。
上述云平台中，利用多方向交通流量预测模型进行交通流量预测的方法，包括以下步骤：
S1、获取待预测区域中待预测时刻前的历史车流数据，所述历史车流数据中包含待预测区域中不同车辆在不同时间的位置以及车辆行驶方向；从所述历史车流数据中按预设的时间片间隔提取若干个车流数据时间片。
在该实施例中，S1中的待预测区域为矩形区域，而历史车流数据的时间跨度为[t,t+(m-1)*τ]，且其按τ分钟为时间片间隔提取m个车流数据时间片。
S2、对待预测区域进行栅格化处理从而划分为一系列栅格，每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种；对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每个时间片中的不同移动状态分别构建车流二维矩阵，每一种移动状态在所有时间片中的车流二维矩阵按时间维度叠加形成车流三维矩阵。其中，车辆在栅格中的移动状态可以根据车辆行驶轨迹经过该栅格时的车辆行驶方向确定。
在该实施例中，S2的具体实现步骤如下：
S21、对待预测区域进行栅格化处理，共划分为I*J个栅格，第i行第j列的栅格为Pij；
S22、每一个车流数据时间片中的车辆均按照其坐标映射至待预测区域的对应栅格中，并将车辆行驶方向定义为车辆在栅格中的移动状态，移动状态包括向上、向下、向左、向右四种。
由于车辆行驶方向实际是一个360°的方向空间，因此需要将这个360°的方向空间按照90°为间隔进行分割。以车辆所在位置为原点建立地图平面上的XY坐标系，以y＝x和y＝-x两条直线将整个360°的方向空间切分为开口向上、开口向下、开口向左、开口向右的四个子空间，以车辆所在位置为原点的车辆行驶方向位于哪一个子空间中就将对应子空间的开口方向作为车辆在栅格中的移动状态。
S23、对每个时间片内每个栅格中所包含的每一种移动状态的车辆总数进行统计，将时间片t内栅格Pij内移动状态为d的车流量记为
Figure BDA0003439003660000081
将所有I*J个栅格对应的
Figure BDA0003439003660000082
构建为时间片t内整个待预测区域中移动状态为d的车流二维矩阵
Figure BDA0003439003660000083
车流二维矩阵
Figure BDA0003439003660000084
中第i行第j列的元素值为
Figure BDA0003439003660000085
S24、将所有m个车流数据时间片的车流二维矩阵
Figure BDA0003439003660000086
按时间维度进行拼接，形成车流三维矩阵
Figure BDA0003439003660000087
S3、从待预测时刻中提取小时字段和分钟字段，拼接形成一个二元的时间信号向量。
在该实施例中，S3的具体实现步骤如下：
将待预测时刻tpred转化为含有小时字段tpred_hour和分钟字段tpred_minute两个元素的时间信号向量ht＝[tpred_hour,tpred_minute]。
S4、获取所有兴趣点空间地理位置，并将不同功能类别的兴趣点均映射到所述待预测区域的栅格中，对每个栅格中每一组功能类别的兴趣点总数进行统计并作为栅格值，将栅格值映射为矩阵元素，从而针对每一组功能类别的兴趣点分别构建一张二维矩阵形式的兴趣点切片，所有功能类别的兴趣点切片叠加形成三维张量形式的兴趣点信号。
本发明中兴趣点POI是实现城市功能的地理实体，体现了不同出发地和目的地对交通量的变化的影响。例如，餐饮POI在午餐和晚餐时间影响周边地区的交通量，而旅游景点POI主要影响周末和节假日的交通量。在本实施例中，兴趣点分组可以按照食品和饮料、购物服务、日常生活服务、医疗服务、住宿服务、旅游胜地、教育服务、运输服务、其他这9种进行分类，当然亦可采用其他的分类形式。
在该实施例中，S4的具体实现步骤如下：
S41、获取所有兴趣点的空间地理位置，并将所有兴趣点按照其位置均映射到所述待预测区域的各Pij栅格中；
S42、将所有兴趣点按照不同功能类别分成n组，统计每个兴趣点分组g在栅格Pij内的兴趣点数量并作为栅格Pij的栅格值
Figure BDA0003439003660000091
将每个兴趣点分组g对应的所有栅格的栅格值
Figure BDA0003439003660000092
构建为兴趣点分组g对应的兴趣点切片γg，γg大小为I*J；
S43、将所有n组兴趣点分组对应的兴趣点切片拼接，得到兴趣点信号Ψ＝[γi,γ2,…,γn]，其大小为n*I*J。
S5、将所述车流三维矩阵、所述时间信号向量和所述兴趣点信号作为经过训练的多方向交通流量预测模型的输入，如前所述，该多方向交通流量预测模型包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层。
在该实施例中，S5的具体实现步骤如下：
S51：将所述车流三维矩阵
Figure BDA00034390036600000910
所述时间信号向量ht和所述兴趣点信号Ψ输入经过训练的多方向交通流量预测模型中，所述多方向交通流量预测模型中包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层；
S52、所述时间信号ht被输入至包含Lts层全连接层级联的第一全连接神经网络中，其中第1层全连接层的输入为时间信号ht，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure BDA0003439003660000093
将
Figure BDA0003439003660000094
向量逐元素映射到大小为(I*J)的一个矩阵当中，得到大小为(I,J)的时间信号矩阵Ht；
S53、所述兴趣点信号Ψ＝[γ1,γ2,…,γn]输入后，先对其中的每个兴趣点切片γg获取其平均自权重zg：
Figure BDA0003439003660000095
得到兴趣点信号Ψ的平均自权重矩阵Z＝{z1,z2,…,zn}，其中n表示兴趣点分组的个数；
然后将平均自权重矩阵Z输入包含Lps层全连接层级联的第二全连接神经网络逐层计算，其中第1层全连接层的输入为平均自权重矩阵Z，下一层全连接层的输入为上一层全连接层的输出，最后一层全连接层的输出为
Figure BDA0003439003660000096
再后，采用门机制将输出
Figure BDA0003439003660000097
映射为0到1之间的变量，其计算过程如下：
Figure BDA0003439003660000098
其中fsi为ReLU激活函数；
最后，通过计算获取兴趣点信号矩阵
Figure BDA0003439003660000099
Figure BDA0003439003660000101
其中，⊙表示矩阵点乘；
S54、将车流三维矩阵
Figure BDA0003439003660000102
兴趣点信号矩阵
Figure BDA0003439003660000103
和时间信号矩阵Ht进行特征融合，
Figure BDA0003439003660000104
中的第k个车流数据时间片的融合特征
Figure BDA0003439003660000105
计算公式如下：
Figure BDA0003439003660000106
其中，
Figure BDA0003439003660000107
和
Figure BDA0003439003660000108
均为可训练的参数，m为
Figure BDA0003439003660000109
中车流数据时间片的个数；
最终得到融合后的车流矩阵
Figure BDA00034390036600001010
S55、将融合后的车流矩阵XΓ输入包含Lc层三维残差卷积层级联的三维残差卷积网络中逐层计算，其中第一层三维残差卷积层的输入车流矩阵XΓ，每一层三维残差卷积层经过三维残差卷积操作后得到的结果作为下一层三维残差卷积层的输入，三维残差卷积网络中所有三维残差卷积层的输出拼接形成最终的结果矩阵XST；其中对于任意第l层三维残差卷积层，其中执行的三维残差卷积操作如下：
首先，对当前三维残差卷积层的输入进行三维卷积操作得到卷积结果：
Figure BDA00034390036600001011
其中，Cov3D表示三维卷积操作，
Figure BDA00034390036600001012
表示第l-1层三维残差卷积层的输出，其中
Figure BDA00034390036600001013
Figure BDA00034390036600001014
和
Figure BDA00034390036600001015
为第l层三维卷积层(即前述三维卷积操作Cov3D)可训练的参数，fc为ReLU激活函数；
然后，对三维卷积层输出的卷积结果
Figure BDA00034390036600001016
中每个元素进行批正则化操作，得到批正则结果
Figure BDA00034390036600001017
其公式如下：
Figure BDA00034390036600001018
其中，E[x]表示每维矩阵的均值，Var[x]为每维矩阵的方差，∈是为防止方差为0设置的常数，γ与β为可学习参数；
最后，将批正则结果
Figure BDA00034390036600001019
再与上一层的输出矩阵
Figure BDA00034390036600001020
相加，得到第l层三维残差卷积层的输出矩阵
Figure BDA00034390036600001021
公式为：
Figure BDA00034390036600001022
S56、在重校正层中对最终输出的结果矩阵XST中所有维进行带权压缩操作，得到预测结果
Figure BDA0003439003660000111
其计算公式如下：
Figure BDA0003439003660000112
其中
Figure BDA0003439003660000113
是可学习的参数矩阵。
需要注意的是，上述S5中，多方向交通流量预测模型预先通过训练数据进行训练，训练过程中通过损失函数不断迭代预测结果
Figure BDA0003439003660000114
与真实结果Φ之间的损失值，当达到迭代终止条件时，输出多方向交通流量预测模型用于进行实际的预测。
作为一种多方向交通流量预测模型的损失函数Loss的实现形式，其公式为：
Figure BDA0003439003660000115
其中
Figure BDA0003439003660000116
为矩阵
Figure BDA0003439003660000117
中各个元素的值，
Figure BDA0003439003660000118
为矩阵Φ中各个元素的值，M为训练样本数。
上述多方向交通流预测模型可以有效地实现对不同方向交通流的预测，其其预测精度明显优于传统数学方法与机器学习相关方法。
在本发明的另一实施例中，还提供了一种云平台，其用于与安装于道路上不同位置的图像抓拍设备和边缘计算设备配合实现交通流预测；
所述图像抓拍设备，用于实时拍摄经过的车流图像，且同一个图像抓拍设备抓拍的车辆行驶方向固定；
所述边缘计算设备与所述图像抓拍设备一一配对，用于获取同一位置的图像抓拍设备拍摄到的所述车流图像，并通过内置的车牌定位模型定位出车流图像中的每一个车牌区域，再通过车牌识别模型识别出每一个车牌区域中的车牌号；
所述云平台通过物联网与不同位置的边缘计算设备通信连接，内部设有数据接收模块、数据融合模块和交通流预测模块；
所述数据接收模块用于实时接收不同位置的边缘计算设备上报的车牌号识别结果以及对应的时间戳和车辆行驶方向；
所述数据融合模块用于将每一个边缘计算设备上报的每个车牌号与对应的时间戳、车辆行驶方向以及边缘计算设备所在坐标关联融合形成一个轨迹点，每一个车牌号的所有连续轨迹点通过调用路径规划算法还原出对应车辆的行驶轨迹，将所有车辆的行驶轨迹作为车流数据存储于历史车流数据库中；
所述交通流预测模块用于从历史车流数据库中读取存储的所述车流数据，并基于经过训练的交通流量预测模型对未来时刻的交通流量进行预测。
需说的是，上述云平台中，各模块中的具体实现方式亦可采用前述基于物联网和边缘计算的交通流预测系统中的做法，对此不再重复赘述。
以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (8)

1.一种基于物联网和边缘计算的交通流预测系统，其特征在于，包括云平台以及安装于道路上不同位置的图像抓拍设备和边缘计算设备；
所述图像抓拍设备，用于实时拍摄经过的车流图像，且同一个图像抓拍设备抓拍的车辆行驶方向固定；
所述边缘计算设备与所述图像抓拍设备一一配对，用于获取同一位置的图像抓拍设备拍摄到的所述车流图像，并通过内置的车牌定位模型定位出车流图像中的每一个车牌区域，再通过车牌识别模型识别出每一个车牌区域中的车牌号；
所述云平台通过物联网与不同位置的边缘计算设备通信连接，内部设有数据接收模块、数据融合模块和交通流预测模块；
所述数据接收模块用于实时接收不同位置的边缘计算设备上报的车牌号识别结果以及对应的时间戳和车辆行驶方向；
所述数据融合模块用于将每一个边缘计算设备上报的每个车牌号与对应的时间戳、车辆行驶方向以及边缘计算设备所在坐标关联融合形成一个轨迹点，每一个车牌号的所有连续轨迹点通过调用路径规划算法还原出对应车辆的行驶轨迹，将所有车辆的行驶轨迹作为车流数据存储于历史车流数据库中；
所述交通流预测模块用于从历史车流数据库中读取存储的所述车流数据，并基于经过训练的交通流量预测模型对未来时刻的交通流量进行预测；
所述交通流量预测模型为多方向交通流量预测模型，包含第一全连接神经网络、第二全连接神经网络、三维残差卷积网络和重校正层，多方向交通流量预测模型的输入为车流三维矩阵、时间信号向量和兴趣点信号，由第一全连接神经网络根据所述时间信号向量输出时间信号矩阵，由第二全连接神经网络根据所述兴趣点信号输出兴趣点信号矩阵，由三维残差卷积网络根据所述车流三维矩阵、所述兴趣点信号矩阵和所述时间信号矩阵的融合特征输出结果矩阵，最终将结果矩阵在重校正层中经过带权压缩操作后，得到多方向交通流量预测结果。
2.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述图像抓拍设备和边缘计算设备成对安装于道路的路口位置。
3.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述车牌定位模型为YOLO模型。
4.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述车牌识别模型为CNN卷积神经网络模型。
5.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述交通流预测模块中设有用于输入预测区域和预测时刻的指定模块。
6.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述车牌定位模型和车牌识别模型均预先通过训练后下载于边缘计算设备中。
7.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述云平台中的交通流量预测模型采用增量学习的方法进行持续训练。
8.如权利要求1所述的基于物联网和边缘计算的交通流预测系统，其特征在于，所述图像抓拍设备为设置于路口上方的摄像头，且每一个摄像头均仅朝向车流行驶方向进行拍摄。
CN202111623527.6A 2021-12-28 2021-12-28 一种基于物联网和边缘计算的交通流预测系统及云平台 Active CN114299727B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111623527.6A CN114299727B (zh) 2021-12-28 2021-12-28 一种基于物联网和边缘计算的交通流预测系统及云平台
CN202211281398.1A CN115578867B (zh) 2021-12-28 2021-12-28 耦合物联网和边缘计算设备的低时延实时流量预测云平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111623527.6A CN114299727B (zh) 2021-12-28 2021-12-28 一种基于物联网和边缘计算的交通流预测系统及云平台

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202211281398.1A Division CN115578867B (zh) 2021-12-28 2021-12-28 耦合物联网和边缘计算设备的低时延实时流量预测云平台

Publications (2)

Publication Number Publication Date
CN114299727A CN114299727A (zh) 2022-04-08
CN114299727B true CN114299727B (zh) 2022-12-09

Family

ID=80970896

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202111623527.6A Active CN114299727B (zh) 2021-12-28 2021-12-28 一种基于物联网和边缘计算的交通流预测系统及云平台
CN202211281398.1A Active CN115578867B (zh) 2021-12-28 2021-12-28 耦合物联网和边缘计算设备的低时延实时流量预测云平台

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202211281398.1A Active CN115578867B (zh) 2021-12-28 2021-12-28 耦合物联网和边缘计算设备的低时延实时流量预测云平台

Country Status (1)

Country Link
CN (2) CN114299727B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115835023B (zh) * 2023-02-16 2023-05-16 深圳市旗云智能科技有限公司 多摄像头联动自适应锁定密集区域的抓拍方法
CN116129645B (zh) * 2023-02-22 2026-03-17 辽宁艾特斯智能交通技术有限公司 一种高速公路施工区的交通流预测方法、装置及存储介质
CN115952934B (zh) * 2023-03-15 2023-06-16 华东交通大学 基于增量输出分解循环神经网络的交通流预测方法及系统
CN116817950A (zh) * 2023-06-14 2023-09-29 南方电网电动汽车服务有限公司 路径规划方法、装置、设备、系统、存储介质和程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
CN110276947A (zh) * 2019-06-05 2019-09-24 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、系统及电子设备
CN113192327A (zh) * 2021-04-23 2021-07-30 长安大学 兼顾交通流和个体的道路运行风险主动防控系统及方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ES2710672T3 (es) * 2014-06-04 2019-04-26 Cuende Infometrics S A Sistema y método para medir el flujo del tráfico de un área
CN104778842A (zh) * 2015-04-29 2015-07-15 深圳市保千里电子有限公司 一种基于车牌识别的云端车辆行驶轨迹跟踪的方法及系统
CN107545757B (zh) * 2016-06-24 2020-04-14 中国第一汽车股份有限公司 基于车牌识别的城市道路流速测量装置和方法
CN107316016B (zh) * 2017-06-19 2020-06-23 桂林电子科技大学 一种基于Hadoop和监控视频流的车辆轨迹统计方法
CN107832866A (zh) * 2017-09-26 2018-03-23 晶赞广告（上海）有限公司 一种流量预测方法及装置、存储介质、终端
US10733877B2 (en) * 2017-11-30 2020-08-04 Volkswagen Ag System and method for predicting and maximizing traffic flow
CN108470451A (zh) * 2018-04-22 2018-08-31 昆山东大智汇技术咨询有限公司 一种基于大数据的智能交通系统
CN109830102A (zh) * 2019-02-14 2019-05-31 重庆邮电大学 一种面向复杂城市交通网络的短时交通流量预测方法
CN110930704B (zh) * 2019-11-27 2021-11-05 连云港杰瑞电子有限公司 一种基于边缘计算的交通流状态统计分析方法
CN111429484B (zh) * 2020-03-31 2022-03-15 电子科技大学 一种基于交通监控视频的多目标车辆轨迹实时构建方法
CN112365708B (zh) * 2020-09-29 2022-04-19 西北大学 基于多图卷积网络的景区交通量预测模型建立和预测方法
CN113806419B (zh) * 2021-08-26 2024-04-12 西北大学 基于时空大数据的城市区域功能识别模型及识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107967532A (zh) * 2017-10-30 2018-04-27 厦门大学 融合区域活力的城市交通流量预测方法
CN110276947A (zh) * 2019-06-05 2019-09-24 中国科学院深圳先进技术研究院 一种交通融合分析预测方法、系统及电子设备
CN113192327A (zh) * 2021-04-23 2021-07-30 长安大学 兼顾交通流和个体的道路运行风险主动防控系统及方法

Also Published As

Publication number Publication date
CN115578867B (zh) 2025-07-01
CN115578867A (zh) 2023-01-06
CN114299727A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
CN114299727B (zh) 一种基于物联网和边缘计算的交通流预测系统及云平台
Chu et al. Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions
CN118025203B (zh) 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统
CN107576960B (zh) 视觉雷达时空信息融合的目标检测方法及系统
Sharma et al. Deep learning-based object detection and classification for autonomous vehicles in different weather scenarios of Quebec, Canada
CN112183788A (zh) 一种域自适应设备运检系统和方法
CN114202120A (zh) 一种针对多源异构数据的城市交通行程时间预测方法
CN114023062A (zh) 一种基于深度学习和边缘计算的交通流信息监测方法
CN112084868A (zh) 一种基于注意力机制的遥感图像中目标计数方法
CN114782915B (zh) 基于辅助监督和知识蒸馏的智能汽车端到端车道线检测系统及设备
US20230266144A1 (en) Method of predicting road attributer, data processing system and computer executable code
CN114359562A (zh) 一种四维点云自动语义分割标注系统及方法
CN113313703A (zh) 基于深度学习图像识别的无人机输电线巡检方法
CN116189425B (zh) 一种基于车联网大数据的交通路况预测方法及系统
CN114170188A (zh) 一种俯视图像的目标计数方法、系统及存储介质
CN115346146A (zh) 交通流量预测方法、装置、计算机设备和存储介质
CN110796360A (zh) 一种固定型交通检测源多尺度数据融合方法
CN118259312A (zh) 一种基于激光雷达的车辆碰撞预警方法
CN114154740B (zh) 基于兴趣点时空残差神经网络的多方向交通流量预测方法
CN119580173B (zh) 基于自动截图捕获和语义分割的电力检修图上查勘方法
Elleuch et al. Towards an efficient traffic congestion prediction method based on neural networks and big GPS data
CN119091402A (zh) 一种基于无人机的危化品车辆高效识别与安全预警方法
CN119850903A (zh) 测距定位方法、系统、存储介质、电子设备及车辆
Kapadnis et al. Implementation of Autonomous Vehicle using Real-Time Image processing and Computer Vision Algorithm
CN116645508A (zh) 基于局部窗口交叉注意力的轻量型语义目标分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221109

Address after: Room A2025, Floor 2, Building 1 (North), No. 368, Liuhe Road, Puyan Street, Binjiang District, Hangzhou, Zhejiang 310053

Applicant after: Hangzhou Bindian Information Technology Co.,Ltd.

Applicant after: HANGZHOU DIANZI University

Address before: 310018 Xiasha Higher Education Zone, Hangzhou, Zhejiang

Applicant before: HANGZHOU DIANZI University

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room A2025, 2nd Floor, Building 1 (North), No. 368, Liuhe Road, Puyan Street, Binjiang District, Hangzhou City, Zhejiang Province, 310059

Patentee after: Hangzhou Dianzi University Binjiang Research Institute Co.,Ltd.

Country or region after: China

Patentee after: HANGZHOU DIANZI University

Address before: Room A2025, Floor 2, Building 1 (North), No. 368, Liuhe Road, Puyan Street, Binjiang District, Hangzhou, Zhejiang 310053

Patentee before: Hangzhou Bindian Information Technology Co.,Ltd.

Country or region before: China

Patentee before: HANGZHOU DIANZI University