本發(fā)明涉及交通狀態(tài)監(jiān)測(cè)，尤其涉及視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法、系統(tǒng)。

背景技術(shù)：

1、當(dāng)前高速公路交通狀態(tài)監(jiān)測(cè)主要采用固定點(diǎn)位視頻監(jiān)控、雷達(dá)檢測(cè)與浮動(dòng)車數(shù)據(jù)相結(jié)合的技術(shù)手段。具體而言，固定點(diǎn)位視頻監(jiān)控能夠?qū)崟r(shí)捕捉道路畫面，為交通狀態(tài)分析提供直觀的視覺信息；雷達(dá)檢測(cè)則利用其高精度的測(cè)速和測(cè)距能力，精確監(jiān)測(cè)車輛的行駛速度和間距；浮動(dòng)車數(shù)據(jù)則通過收集行駛中的車輛信息，反映交通流的動(dòng)態(tài)變化。通過目標(biāo)檢測(cè)算法，可以從視頻監(jiān)控和雷達(dá)檢測(cè)數(shù)據(jù)中準(zhǔn)確識(shí)別車輛目標(biāo)，獲取車輛的位置、速度等關(guān)鍵信息；地圖匹配技術(shù)則將車輛的行駛軌跡與電子地圖相結(jié)合，實(shí)現(xiàn)車輛位置的精準(zhǔn)定位和路徑還原；統(tǒng)計(jì)分析方法則對(duì)收集到的各類數(shù)據(jù)進(jìn)行處理，提取交通流參數(shù)，如流量、密度、速度等，并據(jù)此評(píng)估交通狀態(tài)。

2、然而，現(xiàn)有技術(shù)體系存在顯著缺陷：

3、（1）多源異構(gòu)數(shù)據(jù)整合困難：視頻、雷達(dá)、收費(fèi)系統(tǒng)數(shù)據(jù)因時(shí)空基準(zhǔn)不一致（時(shí)間戳偏差≥3秒、坐標(biāo)誤差＞10米）及格式差異導(dǎo)致融合精度低，跨系統(tǒng)軌跡匹配誤判率超30%；

4、（2）狀態(tài)監(jiān)測(cè)實(shí)時(shí)性與覆蓋性不足：固定監(jiān)測(cè)設(shè)備部署間隔大（≥2公里），無法捕捉短時(shí)交通流突變，浮動(dòng)車數(shù)據(jù)滲透率低（＜20%）形成監(jiān)測(cè)盲區(qū)，隱性擁堵漏判率達(dá)45%；

5、（3）決策支持與成本效率失衡：歷史數(shù)據(jù)分析局限于統(tǒng)計(jì)報(bào)表，缺乏因果關(guān)聯(lián)挖掘與預(yù)測(cè)性策略，且雷達(dá)/地磁設(shè)備單點(diǎn)部署成本超5萬元，多系統(tǒng)獨(dú)立運(yùn)行導(dǎo)致整合開發(fā)成本增加60%。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法及系統(tǒng)解決現(xiàn)有交通狀態(tài)監(jiān)測(cè)技術(shù)存在多源數(shù)據(jù)整合困難、狀態(tài)監(jiān)測(cè)實(shí)時(shí)性與覆蓋性不足以及決策支持與成本效率失衡的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明提供了視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法，包括：

5、對(duì)收費(fèi)站etc/mtc過車記錄、關(guān)鍵道路接電的視頻監(jiān)控圖像，以及浮動(dòng)車數(shù)據(jù)進(jìn)行數(shù)據(jù)采集，獲取多源交通數(shù)據(jù)，并對(duì)多源交通數(shù)據(jù)進(jìn)行包括：圖像增強(qiáng)、去噪操作、格式統(tǒng)一，以及數(shù)據(jù)清洗的預(yù)處理，生成預(yù)處理數(shù)據(jù)；

6、基于深度學(xué)習(xí)與光學(xué)字符識(shí)別融合的車輛識(shí)別技術(shù)，對(duì)預(yù)處理數(shù)據(jù)進(jìn)行識(shí)別，生成車輛相關(guān)信息；

7、對(duì)預(yù)處理數(shù)據(jù)和車輛相關(guān)信息進(jìn)行融合和匹配，即對(duì)預(yù)處理數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊，統(tǒng)一不同來源數(shù)據(jù)的時(shí)間和空間維度，并基于圖神經(jīng)網(wǎng)絡(luò)的車輛軌跡匹配模型，將所述標(biāo)準(zhǔn)化視頻軌跡數(shù)據(jù)信息與etc/mtc過車記錄、浮動(dòng)車軌跡匹配，生成整合后的車輛軌跡信息，通過數(shù)據(jù)質(zhì)量評(píng)估與異常過濾，對(duì)車輛軌跡信息進(jìn)行剔除異常數(shù)據(jù)，生成融合交通數(shù)據(jù)；

8、對(duì)融合交通數(shù)據(jù)進(jìn)行分析，生成交通狀態(tài)信息；

9、通過可視化展示對(duì)交通狀態(tài)信息進(jìn)行應(yīng)用，生成交通管理與決策支持結(jié)果，并提供實(shí)時(shí)擁堵預(yù)警和交通事故預(yù)警；

10、對(duì)歷史交通數(shù)據(jù)進(jìn)行挖掘分析，生成交通流量規(guī)律和事故規(guī)律分析結(jié)果。

11、作為本發(fā)明的基于視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法的一種優(yōu)選方案，其中：獲取多源交通數(shù)據(jù)包括：

12、采集收費(fèi)站etc/mtc過車記錄，獲取車輛通過收費(fèi)站的時(shí)間、車牌號(hào)及車型信息；

13、采集關(guān)鍵節(jié)點(diǎn)的視頻監(jiān)控圖像，獲取車輛在道路上的行駛情況；

14、采集浮動(dòng)車數(shù)據(jù)，獲取車輛的行駛速度及行駛軌跡信息。

15、作為本發(fā)明的基于視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法的一種優(yōu)選方案，其中：對(duì)預(yù)處理數(shù)據(jù)進(jìn)行識(shí)別，生成車輛相關(guān)信息包括：

16、基于深度學(xué)習(xí)模型對(duì)預(yù)處理數(shù)據(jù)進(jìn)行車輛檢測(cè)，輸出車輛邊界框坐標(biāo)及置信度信息；

17、通過多目標(biāo)跟蹤算法關(guān)聯(lián)連續(xù)幀中的車輛檢測(cè)框，生成初始軌跡片段，并對(duì)斷裂軌跡進(jìn)行平滑插值修復(fù)，形成完整的車輛時(shí)空軌跡序列信息；

18、根據(jù)攝像頭標(biāo)定參數(shù)，將像素坐標(biāo)轉(zhuǎn)換為地理坐標(biāo)，生成包含時(shí)間戳、經(jīng)緯度、速度及運(yùn)動(dòng)狀態(tài)的標(biāo)準(zhǔn)化視頻軌跡數(shù)據(jù)信息；

19、生成預(yù)處理數(shù)據(jù)包括：

20、對(duì)視頻監(jiān)控圖像進(jìn)行圖像增強(qiáng)和去噪操作，生成高質(zhì)量圖像數(shù)據(jù)；

21、對(duì)etc/mtc過車記錄和浮動(dòng)車數(shù)據(jù)進(jìn)行格式統(tǒng)一和數(shù)據(jù)清洗，生成格式一致且無冗余的數(shù)據(jù)。

22、作為本發(fā)明的基于視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法的一種優(yōu)選方案，其中：對(duì)預(yù)處理數(shù)據(jù)和車輛相關(guān)信息進(jìn)行融合和匹配包括：

23、對(duì)預(yù)處理數(shù)據(jù)進(jìn)行時(shí)空對(duì)齊，統(tǒng)一不同來源數(shù)據(jù)的時(shí)間和空間維度；

24、基于圖神經(jīng)網(wǎng)絡(luò)的車輛軌跡匹配模型，將標(biāo)準(zhǔn)化視頻軌跡數(shù)據(jù)信息與etc/mtc過車記錄、浮動(dòng)車軌跡匹配，生成整合后的車輛軌跡信息；

25、通過數(shù)據(jù)質(zhì)量評(píng)估與異常過濾，對(duì)車輛軌跡信息進(jìn)行剔除異常數(shù)據(jù)，生成融合交通數(shù)據(jù)。

26、作為本發(fā)明的基于視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法的一種優(yōu)選方案，其中：對(duì)融合交通數(shù)據(jù)進(jìn)行分析，生成交通狀態(tài)信息包括：

27、基于路段流量密度計(jì)算模型，獲取路段的交通負(fù)荷信息；

28、采用擁堵狀態(tài)分級(jí)識(shí)別算法，生成路段的擁堵程度分級(jí)信息；

29、預(yù)測(cè)交通狀態(tài)的時(shí)空演變趨勢(shì)，生成交通狀態(tài)的預(yù)測(cè)信息。

30、作為本發(fā)明的基于視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法的一種優(yōu)選方案，其中：生成交通管理與決策支持結(jié)果，并提供實(shí)時(shí)擁堵預(yù)警和交通事故預(yù)警包括：

31、通過多維度可視化展示交通態(tài)勢(shì)，包括：地圖、圖表及實(shí)時(shí)視頻形式；

32、提供實(shí)時(shí)擁堵預(yù)警和交通事故預(yù)警，支持交通管理決策。

33、作為本發(fā)明的基于視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)方法的一種優(yōu)選方案，其中：對(duì)歷史交通數(shù)據(jù)進(jìn)行挖掘分析，生成交通流量規(guī)律和事故規(guī)律分析結(jié)果包括：

34、將歷史交通數(shù)據(jù)按統(tǒng)一時(shí)空維度進(jìn)行網(wǎng)格化聚合，提取流量、速度及駕駛行為特征并標(biāo)注事故標(biāo)簽，生成帶時(shí)空坐標(biāo)的多維分析數(shù)據(jù)集；

35、基于多維分析數(shù)據(jù)集，分析周期性車輛流量變化規(guī)律，同時(shí)量化天氣、事件外部因素對(duì)流量波動(dòng)的關(guān)聯(lián)影響權(quán)重，構(gòu)建可預(yù)測(cè)未來時(shí)段流量分布的流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型；

36、對(duì)流量變化規(guī)律進(jìn)行分析，建立融合實(shí)時(shí)交通流特征的事故風(fēng)險(xiǎn)分級(jí)預(yù)警模型；

37、將流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型與事故風(fēng)險(xiǎn)預(yù)警模型進(jìn)行時(shí)空疊加，生成可視化決策圖譜，并基于規(guī)律分析結(jié)果動(dòng)態(tài)優(yōu)化信號(hào)燈控制策略、應(yīng)急資源部署方案及限速管控規(guī)則，生成交通流量規(guī)律和事故規(guī)律分析結(jié)果。

38、第二方面，本發(fā)明提供了視頻圖像識(shí)別與收費(fèi)數(shù)據(jù)融合的交通狀態(tài)監(jiān)測(cè)系統(tǒng)，包括：多源數(shù)據(jù)采集模塊，用于etc/mtc數(shù)據(jù)、視頻圖像數(shù)據(jù)及浮動(dòng)車數(shù)據(jù)的采集；

39、預(yù)處理模塊，配置gpu加速單元以實(shí)現(xiàn)數(shù)據(jù)清洗與壓縮；

40、數(shù)據(jù)融合與匹配模塊，部署圖神經(jīng)網(wǎng)絡(luò)計(jì)算單元以實(shí)現(xiàn)實(shí)時(shí)軌跡匹配；

41、交通狀態(tài)推斷模塊，集成機(jī)器學(xué)習(xí)模型庫以支持狀態(tài)預(yù)測(cè)；

42、應(yīng)用服務(wù)層，提供可視化人機(jī)交互界面和預(yù)警接口。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：本發(fā)明通過統(tǒng)一時(shí)空基準(zhǔn)和格式，有效解決融合精度低問題，跨系統(tǒng)軌跡匹配誤判率顯著降低；通過深度學(xué)習(xí)與光學(xué)字符識(shí)別融合技術(shù)，提高了車輛識(shí)別的準(zhǔn)確性和軌跡生成的完整性，為后續(xù)分析提供更可靠的數(shù)據(jù)基礎(chǔ)；通過時(shí)空對(duì)齊與圖神經(jīng)網(wǎng)絡(luò)軌跡匹配技術(shù)，實(shí)現(xiàn)了多源數(shù)據(jù)的精準(zhǔn)融合，有效填補(bǔ)了固定監(jiān)測(cè)設(shè)備間隔大和浮動(dòng)車數(shù)據(jù)滲透率低造成的監(jiān)測(cè)盲區(qū)，隱性擁堵漏判率大幅降低；通過流量密度計(jì)算、擁堵分級(jí)識(shí)別和時(shí)空演變預(yù)測(cè)，生成全面的交通狀態(tài)信息，為交通管理提供更精準(zhǔn)的決策支持，彌補(bǔ)了現(xiàn)有技術(shù)中歷史數(shù)據(jù)分析的不足；通過多維度可視化展示和實(shí)時(shí)預(yù)警功能，提高了決策效率和交通管理的實(shí)時(shí)性；通過多維度可視化展示交通態(tài)勢(shì)，提高了交通管理的效率和決策的科學(xué)性；通過提供實(shí)時(shí)擁堵預(yù)警和交通事故預(yù)警，減少交通擁堵和事故的影響，保障道路交通安全和暢通；通過構(gòu)建可預(yù)測(cè)未來時(shí)段流量分布的流量預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)模型，能夠深入挖掘交通流量和事故的規(guī)律，為交通規(guī)劃和管理提供科學(xué)依據(jù)；通過對(duì)流量變化規(guī)律進(jìn)行分析，實(shí)現(xiàn)了從交通流量監(jiān)測(cè)到事故風(fēng)險(xiǎn)預(yù)警再到優(yōu)化決策的全流程管理，提高了交通系統(tǒng)的安全性和運(yùn)行效率。