CN114639243B 智能交通预测与决策方法及可读存储介质 （四川九洲视讯科技有限责任公司）

本发明公开了一种智能交通预测与决策方2S1、对交通目标智能感知与监测，包括静态的交通交通目标多属性识别：采用多任务细粒度交动态的交通行为识别包括：利用三维卷积神S4、基于交通流的不同时空纬度下的特征和3短时预测模型分析：基于历史数据并结合基于神S5、根据交通态势模拟与短时趋势预测信4.一种计算机可读存储介质，其上存储有计算机程序指令处理器运行时使得所述处理器执行如权利要求1-3中任一项所述的智能交通预测与决策方4[0003]智能交通是解决道路拥堵和交通管控的有效手段，其核心关键点在于智能感知、未来面临着如何构建能够处理海量信息数据的高智能化智[0009]本发明的目的就在于为了解决上述问题设计了一种智能交通预测与决策方法及5[0016]S5、如图2所示，根据交通态势模拟与短时趋势预测信息进行交通疏导和指挥调[0022]交通目标检测：目标检测模型采用YOLOV3，YOLOV3利用基于Darknet53的网络结[0024]动态的交通行为识别包括：利用三维卷积神经网络自动提取视频序列的时空特678[0075]交通目标检测：目标检测模型采用YOLOV3、YOLOV3利用基于Darknet53的网络结行人识别等目标识别工作。多任务细粒度交通目标识别网络是一种优化的深度残差网络虽然目标种类分类任务主要是作为一个辅助任务来为细粒度目标识别任务提供更多信息，[0080]DRN基于恒等映射下网络深度增加而不会退化的先验，在构造网络的时候加入了9[0094]残差网络结构最后的输出还需再利用一个ReLu激活函数保证输出的非负性。另[0095]衡量数据之间的距离时不能简单地使用特征向量之间的欧式距离或余弦距离进所对应的那个特征中心在所有类别的特征中心中的编号，因此Gn代表编号为yi的特征中i属于同一个类别。[0104]现有的深度模型大多通过梯度下降及其变种算法来进行训练，以最常用的[0111]CenterLoss算法需要通过多个批次的训练来确定各类别特征中心的最终位置，[0118]该函数是整个CenterLoss算法的基础，利用这一函数的偏导数即可实现对整个这里选择让它随训练过程进行更新，使用迭代的方式逐步找到一个最优中心点向量的集[0130]将原CenterLoss算法中特征中心对同一训练批次内所有输入样本的平均梯度重[0134]e"=j+4[0135]通过这种改变，CenterLoss算法的特征中心迭代过程就能得到明显且稳定地加[0137]深度残差网络的CenterLoss优化能够使其特征中心迭代过程得到明显且稳定地测目标类别分为机动车和非机动车，依据返回的ROI(感兴趣区域)的位置坐标将目标从原[0145]系统至少识别机动车辆特征15个以上、车型16种以上、常见车辆主品牌200种以[0147]动态的交通行为识别包括：利用三维卷积神经网络自动提取视频序列的时空特结构对视频数据的特征提取及建模能力也是有限的，针对这些不足对模型结构进行了改请提出一种基于交通监控视频的，利用图像卷积和HOG融合特征的基于深度学习模型的方ILSVR图像分类预训练过的VGGM模型，使用步骤1中的样本集1对基础模型进行进一步的训练和超参数调整。输入的视频图像首先经过归一化处理成为标准的格式后，用训练好的都具有D个由步骤2中得到的融合的尺寸为M×N的特征图，yk为预先标注t-1表示在t-1[0179]c.通过基于消失点检测的摄像机自标定方法，计算出视频坐标与现实坐标的转[0182]基于稀疏特征的交通流参数精准检测可以划分成三个模块.[0183](1)预处理模块:将交通监控视频看成一个图像序列,用高斯混合背景建模方法,[0184](2)特征提取和车型分类模块:将SIFT特征与稀疏编码结合,得到图像的稀疏特码,提取更深层次的图像特征,获得更好的图像表征模型.用线性支持向量机做分类器,为[0185](3)交通流信息计算模块:根据分类模块给出的息等交通流参数,还可以结合车身长度和宽度等先验[0187]交通视频图像中,摄像机位置固定,背景训练样本集,用M个高斯模型组成高斯混合模型估计背景概率密度.当有新样本加入时,用马氏距离(Mahalanobisdistance)计算新样本与当前背景的协方差距离,距离较大则可能重,不断更新GMM模型的均值和方差,选取M个高斯模型中对背[0198]尺度不变特征转换(Scaleinvariantfeaturetransform,SIFT)是用于图像处高的鲁棒性.斯差分法(DifferenceofGaussians,DoG)构建尺度空间。在尺度空间内比较当前检测点与其26个邻域点,寻找局部极值,得到特征点.算法用梯度直方图描述特征点,特征点的幅像的旋转不变形.以4×4像素为一个图像块,对特征点周围的4×4个图像块计算梯度直方图,用高斯下降函数对图像块加权,最终得到[0200]稀疏编码(sparsecoding)通过训练图像的低层特征,得到一组超完备基向量,实现对图像的进一步抽象,自动完成特征选择,避免过拟合现象,获得更好[0201]池化(pooling)是提取图像概要统计特征的一种方法,可以减少稀疏编码结果维平均池化(averagepooling)两种.本项目采用最大池化方法.以一幅256×256像素图像为例,采用的SIFT特征图像块大小为16×16像素,步长为6像素,稀疏编码基向量定为1024个,因此对该图像横向做40次匹配运算,纵向做40次匹配运算,最终输出编码维数为1024×40×40＝1638400.训练一个输入向量维数超过160万的分类器难度很大,并且维数过高容易导致过拟合.经最大池化处理后,输出编码维数仅为1024.[0203]支持向量机SVM是模式识别领域一种常用的分类器,有多种改进算法,如基于聚类[0206]式中φ(x)表示从输入空间到高维空间的映射,训练的目的就是求出合适的w.根点不服从超平面的分类结果,防止过拟合.引入拉格朗日乘子,将上面的凸优化问题简化为对向量w的二次优化问题,进而依据KKT条件转化为对偶问题.最后用线性核函数,用于快速计算映射到高维空间后两个向量的内积.根据序列最小优化算法(Sequentialminimaloptimization,SMO)可以快速求解出拉格朗日乘子的值,最[0210]以某高速公路三个路段各1小时的MPEG-2视频监控流选取的视频数据测试,数据[0218]时间占有率描述的是某一时间内车辆通过某断面的累计时间占该段时间的百分[0238]基于稀疏特征的交通流动态检测算法，在高斯混合背景模型(Gaussianmixture对光照变化和几何变换的鲁棒性；对SIFT特征稀疏编码得到稀疏特征,用池化后的稀疏特征训练支持向量机SVM,实现车型分类,去除误判图像,计算出更准确的交通流参数.实验表[0246]a)在有着摄像头的交通路口进行车流量的统计。采用高斯混合模型建立背景模[0252]其中max为车道数目最大值，min为车道数目最小值，x*为x值标准归一化之后的型最优解的参数的机器学习算法。本方案先采用网格搜索对正则化方法如L1,L2倍交叉验证结束后得到在5份不同的测试集上的准确率，最后求其均值得到在逻辑回归模[0256]支持向量机(SVM)使用合页损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险是一个具有稀疏性和稳健性的分类器。SVM通过在空间中找到多重超平[0257]由于SVM是基于距离度量的分类模型，因此可以采用S2中得到的特征向量进行训后，采用如S2种相同的交叉验证方法得到支持向量机模型上的5倍交叉验证的交通路口拥[0260]b)将特征提取后的数据用随机抽样的方法生成m个训练集，然后，对于每个训练[0262]d)采用如S2种相同的交叉验证方法得到随机森林模型上的5倍交叉验证的交通路[0267]d)采用如S2种相同的交叉验证方法得到XGBoost模型上的5倍交叉验证的交通路[0269]采用如S2种相同的交叉验证方法得到深度神经网络模型上的5倍交叉验证的交通[0275]c)将各个模型的交通路口拥堵程度的预测结果加权求和作为模型融合之后的最[0280]多源信息感知系统1包括静态交通信息采集模块和动态交通信息采集模块。静态[0290]道路交通管控系统6将智能交通软件系统与道路交通硬件设施进行联动，实现交车路动态实时信息交互,在全时空动态交通信息采集