本發(fā)明涉及高速公路管理，尤其涉及一種極端天氣下高速公路滯留車輛識別方法。

背景技術：

1、隨著全球氣候變化的加劇，極端天氣事件(如臺風、暴雨、強風、大雪等)在高速公路上的發(fā)生頻率不斷增加，這些惡劣天氣對交通安全帶來了嚴重威脅。在極端天氣事件發(fā)生時，如何及時、準確地識別滯留車輛，定位滯留車輛的具體位置，從而為保護司乘人員的生命安全，提高高速公路路網精細化管理能力及應急管理部門的快速響應和應急策略的制定提供了基礎數據支撐，避免滯留車輛在極端天氣中發(fā)生事故或長時間停滯而導致的二次傷害。

2、現有的滯留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，但這些方法在惡劣天氣下應用面臨一系列問題：1.滯留車輛識別延遲：現有的滯留車輛識別手段依賴人工巡查、車載定位或視頻監(jiān)控系統，通常存在滯后性，尤其在惡劣天氣下，臺風、暴雨、大雪等天氣導致視頻監(jiān)控畫面模糊、攝像頭受損、能見度降低，嚴重影響車牌識別和滯留車輛的及時檢測，數據反饋與滯留情況的識別存在較大延遲，無法及時響應；2.滯留車輛識別精度有限：視頻識別作為具體點位的查看，無法覆蓋整體路網；牌識設備受限于極端天氣下的拍攝條件導致準確度極大的下降；車載定位技術僅能覆蓋部分車輛，無法精確識別滯留車輛整體數量。以上技術存在各方面制約導致滯留車輛的整體識別精度有限；3.數據融合與一致性問題：現有系統中，車載gps、視頻監(jiān)控與etc門架等數據源之間的數據格式不一致，導致信息的交互困難，尤其是車牌信息的編碼不一致，使得滯留車輛的準確識別和處理更加困難。4.安全風險管理不足：傳統的滯留車輛識別方法不僅反應慢，而且準確度較低，尤其在大雨、臺風等天氣下，誤識別的風險增加，可能導致應急管理部門未能及時做出正確的決策，增加了車主的安全風險。

技術實現思路

1、本發(fā)明的目的在于提供一種極端天氣下高速公路滯留車輛識別方法?；诟咚俟積tc門架采集的交易數據融合包含路網拓撲結構等多源數據，利用人工智能算法構建滯留車輛監(jiān)測算法實現滯留車輛的準確識別，實現極端天氣影響下的滯留車輛潛在位置識別、高速公路區(qū)段滯留車輛數統計及滯留車輛信息識別，為交通管理部門及應急救援部門提供惡劣天氣條件下高速公路滯留車輛的高效、準確的識別信息。

2、本發(fā)明采用的技術方案是：

3、一種極端天氣下高速公路滯留車輛識別方法，其包括以下步驟：

4、步驟1，數據采集與預處理，采集獲取包括etc系統交易數據和天氣數據的多源數據進行融合處理；天氣數據包括極端天氣影響的地理范圍信息ewi；

5、進一步地，步驟1中極端天氣影響的地理范圍信息ewi的表達式如下：

6、

7、其中tstart，tend為極端天氣開始的時間及預計結束的時間，以時間戳格式進行表示，p為極端天氣影響范圍的地理信息，是一個不規(guī)則的多邊形區(qū)域，通過一組經緯度坐標來表示這個區(qū)域，p＝{(x1，y1)，(x2，y2)，...，(xn，yn)}每個頂點(xi，yi)是一個地理坐標，分別表示區(qū)域頂點的經緯度。

8、進一步地，步驟1中利用大數據技術進行多源數據采集并進行融合處理。

9、進一步地，步驟1中多源數據包括etc系統交易數據、etc系抓拍數據、服務區(qū)數據和天氣數據。具體數據說明如下：

10、1.etc系統交易數據：通過高速公路上的etc收費系統采集到的車輛通行數據，包括車牌號、passid(通行唯一標識)、交易時間、交易節(jié)點，其中交易節(jié)點包括了etc門架及收費站。

11、2.etc系抓拍數據：通過門架或收費站車道處的牌識攝像機抓拍的車輛圖像及生成的車輛車牌號，用于進行門架交易異常情況下的數據補充。

12、3.服務區(qū)數據：車輛進出服務區(qū)的記錄，包含服務區(qū)名稱、車牌號、駛入時間、是否使出、使出時間，用于判斷車輛是否進入服務區(qū)，從而排除因服務區(qū)停留造成的滯留車輛誤判。

13、4.天氣數據：實時氣象數據(如臺風、大雨等)，極端天氣影響的地理范圍信息ewi。

14、步驟2，高速公路影響區(qū)段識別，通過地理信息關聯算法gaa(geo?associationalgorithm)對高速公路管理單位管理范圍內所有的區(qū)段集合hslist與極端天氣影響的地理范圍信息ewi進行匹配，識別高速公路受天氣影響路段集合islist。

15、進一步地，步驟2中高速公路區(qū)段集合eslist的表達式如下：

16、eslist＝{sec1，sec2，...，secn}

17、其中seci＝(orinode，desnode)，pl表示高速公路區(qū)段，orinode表示區(qū)段起始節(jié)點，desnode表示區(qū)段終點節(jié)點，節(jié)點包括(收費站和門架)，pl＝{(x1，y1)，...，(xm，ym)}表示該區(qū)段的路徑信息，具體為一組經緯度坐標。

18、受影響路段集合islist的表達式如下：

19、islist＝(secj，...，secm}

20、其中secj表示采用關聯算法gaa識別出的高速公路受影響路段

21、步驟3，在途車輛通行軌跡化，提取etc門架交易數據按照etc的通行唯一標識passid分組并按照通行時間進行排序生成在途車輛通行軌跡itt(in-transittrajectory)，其中在途車輛通行軌跡itt包括車牌號信息、交易時間序列、交易門架序列。

22、進一步地，在途車輛通行軌跡itt的表達式如下：

23、itt＝(eplate，vehclass，t，n)

24、其中eplate為車輛車牌號；vehclass為車輛類型；t為交易時間序列，t＝<t1，t2，..，tc>其中t1為第一個節(jié)點的交易時間，tc為經過第個c門架的交易時間，交易時間序列t中的時間順序嚴格遞增；n為交易節(jié)點序列，n＝{<node1，node2，..，nodec>|nodec?。绞召M站}，node1為車輛上高速的第一個交易節(jié)點，nodec為在途車輛的交易最后一個交易節(jié)點，nodec！＝收費站表示不為收費站。

25、步驟4，區(qū)段通行閾值生成算法，通過對高速公路每個區(qū)段的歷史通行情況進行統計分析，計算得到分車型分時間段區(qū)段平均通行時間vptt(vehicle-type?and?period-specific?travel?time)及區(qū)段的分時段通行概率矩陣prm(probability?matrix)。

26、進一步地，步驟4中分車型分時間段區(qū)段平均通行時間vptt計算流程如下：

27、步驟4-1-1，從etc系統交易數據中獲取區(qū)段歷史車輛通行數據hissecdata；對于任意一個secx其hissecdata的表達式如下：

28、hissecdata＝{(secx，orit，dest,eplate，vehclass)}

29、其中secx代表任意一個區(qū)段；orit、dest代表車輛駛入區(qū)段的時間和駛出區(qū)段的時間，eplate為車輛車牌號；vehclass為車輛類型；period為小時時間片獲取，在vptt的計算中，period取車輛駛入區(qū)段的那個小時時間片，如orit＝13.·50則period＝13。

30、步驟4-1-2，計算每個軌跡的通行時間trat，將歷史車輛通行數據hissecdata按照車輛類型vehclass、時間段period進行分組存入strat中；軌跡通行時間trat的表達式如下：

31、trat＝dest-orit

32、軌跡通行時間分組表達式如下：

33、strat＝{vehclass，period，(trat1，...，tratq))

34、其中trat1，...，tratq表示在當前車輛類型及時間段分組下的所有歷史軌跡通行時間；

35、步驟4-1-3，采用箱線圖法對每個分組進行異常值去除；

36、步驟4-1-4，計算分車型分時間段平均通行時間vptt。

37、步驟4-1-5，生成分車型分時間段平均通行時間矩陣vpttm；分車型分時段通行時間矩陣vpttm的表達式如下：

38、vpttm＝{(nodeg，nodeh，vehi，periodj，vpttghij)|1≥period≤24}

39、其中nodeg表示區(qū)段的起始門架，nodeh表示下游門架，在第j個時間周期period，在第i類車輛類型vehi下對應的平均通行時間vpttghij。

40、進一步地，步驟4中區(qū)段的分時段通行概率矩陣prm(probability?matrix)生成算法流程如下：

41、步驟4-2-1，通過路網拓撲結構獲取當前節(jié)點cnode的下游節(jié)點列表nnlist，每個節(jié)點可能存在多個下游節(jié)點，如福建省最多有6個下游節(jié)點；下游節(jié)點列表nnlist的表達式如下：

42、nnlist＝{cnode，(nn1，…，nni，...，nnk)}

43、其中cnode為當前節(jié)點，nni＝(idx,nodeid)為第i個下游節(jié)點，nodeid為全路網的節(jié)點唯一編碼。

44、步驟4-2-2，提取當前節(jié)點cnode的歷史車輛通行軌跡集合histraj；歷史車輛通行軌跡集合histraj的表達式如下：

45、histraj＝{eplate，vehclass，ht,hn}

46、其中eplate為車輛車牌號；vehclass為車輛類型；ht為歷史軌跡的交易時間序列，ht＝<ht1，..，hte>其中t1為歷史軌跡第一個節(jié)點的交易時間，hte為歷史軌跡經過第個e節(jié)點的交易時間，交易時間序列ht中的時間順序嚴格遞增；

47、hn為歷史交易節(jié)點序列，hn＝{<hnode1，..，hnodee>|hnode1，hnodee＝收費站}，hnode1為車輛上高速的第一個交易節(jié)點，即收費站入口節(jié)點；hnodee為歷史軌跡的最后一個交易節(jié)點，即收費站出口節(jié)點。

48、步驟4-2-3，在歷史軌跡中提取當前節(jié)點cnode及其下游通行節(jié)點信息，生成歷史軌跡區(qū)段路徑，即從車輛histraj中定位到cnode位置ci，提取當前節(jié)點到下游節(jié)點的區(qū)段路徑數據hispsec＝histraj[ci：ci+1]；下游節(jié)點區(qū)段路徑數據hispsec表達式如下：

49、hispsec＝{<cnode，nni>，cnodet}

50、其中，nn為當前節(jié)點的下游節(jié)點，cnodet為當前歷史軌跡下車輛經過當前節(jié)點cnode的時間。

51、步驟4-2-4，按時間片period對當前節(jié)點cnode進行分組，計算當前通行流量。

52、period為小時時間片獲取，與vptt的計算邏輯一致。

53、步驟4-2-5，計算在不同時間段內，從當前節(jié)點cnode到各個下游節(jié)點的通行概率pr，pr的計算公式如下：

54、

55、其中，nnj為其中一個下游節(jié)點，flow(cnode→nnj)表示在時間段內前往nnj的流量；k表示下游節(jié)點的數量；flow(cnode→nnk)表示在時間段內前往第k個下游節(jié)點的流量；∑kflow(cnode→nnk)表示在時間段內前往所有下游節(jié)點的累計流量。

56、步驟4-2-6，生成通行概率矩陣，輸出不同時間段的通行概率矩陣prm；通行概率矩陣的表達式如下：

57、prm＝{(nodeg，nodeh，periodj，pr)|1≥period≤24}

58、其中nodeg表示區(qū)段的起始門架，nodeh表示下游門架，在第j個時間周期period對應的概率為pr。

59、步驟5，滯留車輛識別算法，通過遍歷在途車輛軌跡itt并結合受影響區(qū)段列表islist分析獲取滯留車輛信息。

60、進一步地，步驟5具體步驟如下：

61、步驟5-1，獲取影響范圍區(qū)段列表islist，并從islist中獲取所有起始節(jié)點，并對起始節(jié)點進行去重，存入onlist；計算流程如下：

62、onlist＝dup(islist.orinode)

63、其中dupd為去重函數。

64、步驟5-2，遍歷當前所有在途車輛軌跡itt，獲取在途車輛軌跡最后一個交易節(jié)點itt.n[-1]，若itt.n[-1]在onlist中則執(zhí)行下一步；

65、步驟5-3，輸入在途車輛軌跡itt，通行概率矩陣prm，通過相同時間片period獲取不同下游節(jié)點的通行概率，并使用下游通行節(jié)點預測函數prnodematch對下游同行節(jié)點pnn進行預測，隨后判斷＜itt.n[一1]，pnn>組成的區(qū)段是否在islist中，若在則執(zhí)行下一步，否則遍歷下一條在途車輛軌跡

66、步驟5-4，下游節(jié)點理論通行時間估計tet(theoretical?estimated?time)，輸入在途車輛軌跡itt、下游同行節(jié)點pnn、分車型分時間段平均通行時間矩陣vpttm；通過歷史通行時間矩陣中相同車輛類型，相同時間段下的車輛平均通行時間vptt作為當前軌跡的理論通行時間tet；

67、步驟5-5，計算在途車輛在當前區(qū)段的通行時間δt，使用當前時間ct減去在途軌跡最后一個節(jié)點的通行時間pt。

68、步驟5-6，判斷當前車輛是否滯留在區(qū)段內，設置滯留閾值γ，若δt>tet*γ則認為當前車輛可能滯留在區(qū)段內，執(zhí)行下一步判斷，否則遍歷下一條在途車輛軌跡

69、步驟5-7，判斷車輛是否駛入服務區(qū)，查看當前區(qū)段是否存在服務區(qū)，若存在查看車輛是否在服務區(qū)中，若不在服務區(qū)內，執(zhí)行下一步驟，否則遍歷下一條在途車輛軌跡

70、步驟5-8，為排除節(jié)點漏檢測的情況，查看etc系統抓拍數據，查看下游節(jié)點的抓拍數據是否有當前車輛，若無則認為該車輛滯留子啊區(qū)段內，存入滯留車輛名單，否則遍歷下一條在途車輛軌跡；

71、步驟5-9，判斷是否完成遍歷，若完成遍歷則輸入滯留車輛名單及車輛信息，否則遍歷下一條軌跡。

72、本發(fā)明采用以上技術方案，通過智能化的數據處理與算法，結合etc門架數據與路網拓撲結構，實時判斷滯留車輛并進行精確識別。根據不同車型、天氣及歷史通行情況等因素，設計靈活的滯留時間閾值，確保在惡劣天氣下準確識別滯留車輛。解決數據滯后與異常問題：通過考慮門架上傳數據的延遲，設計延遲容忍機制，并利用抓拍數據等補充信息，確保滯留車輛的精確識別。智能預警與應急響應：在滯留車輛識別后，系統自動生成預警信息，及時向交通管理部門、應急救援人員發(fā)送警報，為精準施救和安全保障提供支持。

73、本發(fā)明與現有技術相比，具有以下優(yōu)勢和有益效果：1、實時性和精度大幅提升：etc收費系統能夠獲取到高速公路所有車輛的通行信息，通過etc門架數據，系統能夠實時、精準地識別滯留車輛，顯著提升了滯留車輛的識別精度。2、智能化的滯留時間判斷：根據不同天氣、路況和車型，系統能夠智能化地調整滯留時間閾值，提高滯留車輛識別的準確性，尤其在臺風、暴雨等極端天氣下，確保識別不受天氣因素影響。3、異常交易與數據處理能力強：系統通過抓拍數據等補充信息，解決了門架上傳延遲、漏交易和車牌號編碼不一致等問題，確保滯留車輛信息的準確性。4、優(yōu)化應急響應：通過實時預警和應急資源調度，能夠快速反應，幫助應急管理部門精準施救，確保車主的安全，減少滯留時間及可能的安全風險。