異常交通狀態自動檢測系統的製作方法
2023-10-25 17:23:22
專利名稱：異常交通狀態自動檢測系統的製作方法
技術領域：
本實用新型涉及行人交通領域，尤其涉及一種異常交通狀態自動檢測系統。
背景技術：
人員密集場所人員密度預警系統，是依託安裝在不同地點的視頻設備，實時採集監測區域的視頻圖像，通過對視頻圖像中反映出的實時人群客流進行數據統計和分析，從而實現人員密集場所的人群密度預警預測。在應用中需要一種行人異常交通狀態的檢測方法以建立人群不同行人交通狀態的實時判斷模型，對人群密集場所的人群聚集風險達到較好的監測和控制效果。
實用新型內容本實用新型的目的在於提出一種異常交通狀態自動檢測系統，以利於管理部門制定有效的管理對策。為了達到上述目的，本實用新型提供了一種異常交通狀態自動檢測系統，其中利用行人交通數據判斷至少一個位置的行人交通狀態是否發生異常，所述行人交通數據包括歷史行人交通數據和實時行人交通數據，其特徵在於，該系統包括行人交通數據採樣模塊，在每個採樣時刻實時採集所述位置的行人交通數據；歷史行人交通資料庫，與所述實時行人交通數據採樣模塊連接，接收並存儲所述行人交通數據，所述存儲的行人交通數據包括縱向時間序列，為同一位置特定天的按時間順序排列的同一時刻的行人交通歷史數據序列；閾值資料庫，存儲所述位置的異常行人交通狀態閾值數據，所述存儲的閾值數據包括第一閾值數據對，具有一第一上限閾值數據和一第一下限閾值數據；異常行人交通狀態檢測模塊，與所述行人交通數據採樣模塊、歷史行人交通資料庫和閾值資料庫連接，獲取實時行人交通數據、縱向時間序列和第一閾值數據對，並根據縱向時間序列預測實時行人交通數據的縱向預測值，通過所述縱向時間序列、實時行人交通數據及其縱向預測值構建一行人交通狀態異常指數，將所述行人交通狀態異常指數與所述第一閾值數據對進行比對並根據比對結果判斷所述位置是否發生行人交通狀態異常。本實用新型所述的異常交通狀態自動檢測系統，其中所述行人交通數據包括行人的流量、區域行人數量、密度及速度。本實用新型所述的異常交通狀態自動檢測系統，其中還包括行人交通數據預處理模塊，用以預處理行人交通數據採樣模塊採集到的行人交通數據。本實用新型所述的異常交通狀態自動檢測系統，其中所述行人交通數據預處理模塊包括丟失數據識別與修復模塊，用以識別及修復丟失的實時行人交通數據；錯誤數據識別與修復模塊，用以識別及修復錯誤實時的行人交通數據；時間序列平滑模塊，用以對採集的實時行人交通數據進行平滑濾波；以及時間尺度合成模塊，用以調整相鄰行人交通數據之間的時間間隔。本實用新型所述的異常交通狀態自動檢測系統，還包括一報警模塊，與所述異常
4行人交通狀態檢測模塊連接，對於一採樣時間窗口，如果行人交通異常指數連續大於第一上限閾值數據或小於第一下限閾值數據的次數超過一預定次數，則所述報警模塊判斷結果為發生了異常行人交通狀態。本實用新型所述的異常交通狀態自動檢測系統，其中所述存儲的行人交通數據還包括橫向時間序列，為同一位置任一天的按時間順序排列的行人交通歷史數據序列；所述閾值資料庫存儲的閾值數據還包括第二閾值數據對，具有一第二上限閾值數據和一第二下限閾值數據。本實用新型所述的異常交通狀態自動檢測系統，其中若判斷結果為發生了異常行人交通狀態，則所述異常行人交通狀態檢測模塊獲取實時行人交通數據、橫向時間序列和第二閾值數據對，並根據橫向時間序列預測實時行人交通數據的橫向預測值，通過所述橫向時間序列、實時行人交通數據及其橫向預測值構建一突變行人交通狀態異常指數，將所述突變行人交通狀態異常指數與所述第二閾值數據對進行比對並根據比對結果判斷所述位置是否發生突變行人交通狀態異常。本實用新型所述的異常交通狀態自動檢測系統，還包括一報警模塊，與所述異常行人交通狀態檢測模塊連接，對於一採樣時間窗口，如果行人交通突變異常指數大於第二上限閾值數據或小於第二下限閾值數據的概率超過一預定概率，則所述報警模塊判斷結果為發生了突變異常行人交通狀態。本實用新型所述的異常交通狀態自動檢測系統，其中還包括信息發布模塊，與所述異常行人交通狀態檢測模塊連接，實時發布異常行人交通狀態或突變異常行人交通狀態 fn息O通過本實用新型建立人群不同行人交通狀態(暢通、漸變異常、突發異常、擁堵等)的實時判斷模型，對人群密集場所的人群聚集風險達到較好的監測和控制效果。
圖1為本實用新型行人異常交通狀態自動檢測系統的結構框圖。
具體實施方式
下面參照附圖結合實施例對本實用新型進行進一步詳細說明。首先提供一種行人交通數據長期發展模式的構建及更新方法，所述行人交通數據具有時間刻度和時間尺度，並且包括行人交通原始數據和行人交通實時數據，該方法包括 步驟Si，獲取至少一個位置多天的行人交通原始數據並存儲；步驟S2』 對所述行人交通原始數據進行時間刻度和時間尺度校正；步驟S3』 篩選同一位置特定天的按時間順序排列的同一時間刻度的行人交通原始數據序列並作為縱向時間序列；步驟S4』 採樣行人交通實時數據並進行預處理；步驟S5』 將所述預處理後的行人交通實時數據與所述縱向時間序列中的行人交通原始數據進行比對並根據比對結果更新縱向時間序列；步驟S6』 重複步驟S4』 和步驟S5』，從而完成行人交通數據長期發展模式的構建與更新所述步驟S2』還包括篩選同一位置任一天的按時間順序排列的行人交通原始數據序列並作為橫向時間序列。所述行人交通數據包括流量、區域人數、密度及速度。所述步驟S2』包括以一時間刻度為基準，以一時間尺度為步長，將同一位置不同天的行人交通原
5始數據時間刻度對齊。所述時間刻度的基準為每天00:00:00，所述時間尺度為5分鐘。所述步驟S3』包括篩選長期趨勢相似的連續多個星期相同日期的行人交通原始數據並作為縱向時間序列。所述篩選的連續多個星期為4-5個星期。所述步驟S5』包括若行人交通實時數據為正常行人交通數據，則用實時數據更新長期發展模式，同時剔除原來長期發展模式當中最早的一個數據；若行人交通實時數據為丟失、錯誤或行人異常交通數據，則保持原來的長期發展模式不變。根據時間組織方式不同，本實用新型將行人交通數據的時間序列分為橫向時間序列與縱向時間序列兩類。其中，橫向時間序列是指按任一天的時間順序排列的數據序列 』縱向時間序列是指按時間先後順序排列特定天同一時段行人交通數據序列。特定空間位置的行人交通數據時間序列通常具有長期趨勢性、短期現勢性和隨機波動性三種特性。(1)長期趨勢性，特定區域一般具有比較穩定的社會經濟活動模式，即上班、上學、購物等活動在時間和空間的分布具有一定的規律性，導致不同星期同一日期(周一、周二……周日)的行人交通模式具有較強的相似性。本實用新型將同一監控位置、不同日期的同一參數數據時間序列具有相似性的特點稱為長期趨勢性。(2)短期現勢性，由於行人交通事件等因素的影響，特定區域的行人規律短時之內可能出現偏離長期趨勢的現象， 本將其稱為行人交通時間序列的短期現勢性。( 隨機波動性，除了長期趨勢性、短期現勢性外，行人交通數據還存在明顯的隨機波動性，為了消除隨機波動性對行人交通管理決策產生的影響，應該將其適當進行濾波。對於某一日期，如果行人交通數據時間序列的發展過程比較符合長期發展模式， 則認為是一種正常行人交通狀態，否則，稱為行人異常交通狀態。正常行人交通狀態的可預測性較強，可以對其進行預警，而行人異常交通狀態的一般難以預測，只能對其進行實時報
Sfc目。行人異常交通狀態報警是管理部門的重要職能之一，因此，本實用新型分別設計行人異常交通狀態自動檢測算法和行人異常交通狀態報警機制。(1)行人異常交通狀態自動檢測方法根據行人異常交通狀態的定義可知，是否顯著偏離行人交通數據的長期發展模式是判斷行人異常交通狀態的標準。因此，本實用新型利用行人交通數據縱向時間序列，採用標準偏差法構建行人交通狀態異常指數，具體如公式(6-1)所示。通過將其與相應閾值進行比較，判斷是否發生行人異常交通狀態。針對特定的位置，行人異常交通狀態的檢測閾值需要與用戶共同協商並確定。α(0=-7—
KO(6-1)
ι Ν
n^ (6-2)式中α (t)——當前採樣時間間隔的行人交通狀態異常指數；ζ (t)——當前採樣時間間隔的行人交通數據實測值；2(0——當前採樣時間間隔的行人交通數據縱向預測值；zK(t)——行人交通數據長期發展模式所含當天前面第K個歷史數據；N——行人交通數據長期發展模式所含歷史數據數量；
6[0031]σ α (t)——行人交通數據長期發展模式所含歷史數據的標準差。對於突發行人異常交通狀態而言，行人交通數據時間序列的突變性較為強烈。因此，本實用新型利用行人交通數據橫向時間序列，採用標準偏差法構建行人異常交通狀態突變指數，具體如公式(6- 所示。通過將其與相應閾值進行比較，辨別突發行人異常交通狀態和漸變行人異常交通狀態。針對特定的位置，辨別閾值需要與用戶共同協商並確定。
權利要求1.一種異常交通狀態自動檢測系統，其特徵在於，利用行人交通數據判斷至少一個位置的行人交通狀態是否發生異常，所述行人交通數據包括歷史行人交通數據和實時行人交通數據，其特徵在於，該系統包括行人交通數據採樣模塊，在每個採樣時刻實時採集所述位置的行人交通數據；歷史行人交通資料庫，與所述實時行人交通數據採樣模塊連接，接收並存儲所述行人交通數據，所述存儲的行人交通數據包括縱向時間序列，為同一位置特定天的按時間順序排列的同一時刻的行人交通歷史數據序列；閾值資料庫，存儲所述位置的異常行人交通狀態閾值數據，所述存儲的閾值數據包括第一閾值數據對，具有一第一上限閾值數據和一第一下限閾值數據；異常行人交通狀態檢測模塊，與所述行人交通數據採樣模塊、歷史行人交通資料庫和閾值資料庫連接，獲取實時行人交通數據、縱向時間序列和第一閾值數據對，並根據縱向時間序列預測實時行人交通數據的縱向預測值，通過所述縱向時間序列、實時行人交通數據及其縱向預測值構建一行人交通狀態異常指數，將所述行人交通狀態異常指數與所述第一閾值數據對進行比對並根據比對結果判斷所述位置是否發生行人交通狀態異常。
2.如權利要求1所述的異常交通狀態自動檢測系統，其特徵在於，所述行人交通數據包括行人的流量、區域行人數量、密度及速度。
3.如權利要求1所述的異常交通狀態自動檢測系統，其特徵在於，還包括行人交通數據預處理模塊，用以預處理行人交通數據採樣模塊採集到的行人交通數據。
4.如權利要求3所述的異常交通狀態自動檢測系統，其特徵在於，所述行人交通數據預處理模塊包括丟失數據識別與修復模塊，用以識別及修復丟失的實時行人交通數據；錯誤數據識別與修復模塊，用以識別及修復錯誤實時的行人交通數據；時間序列平滑模塊，用以對採集的實時行人交通數據進行平滑濾波；以及時間尺度合成模塊，用以調整相鄰行人交通數據之間的時間間隔。
5.如權利要求1所述的異常交通狀態自動檢測系統，其特徵在於，還包括一報警模塊， 與所述異常行人交通狀態檢測模塊連接，對於一採樣時間窗口，如果行人交通異常指數連續大於第一上限閾值數據或小於第一下限閾值數據的次數超過一預定次數，則所述報警模塊判斷結果為發生了異常行人交通狀態。
6.如權利要求5所述的異常交通狀態自動檢測系統，其特徵在於，所述存儲的行人交通數據還包括橫向時間序列，為同一位置任一天的按時間順序排列的行人交通歷史數據序列；所述閾值資料庫存儲的閾值數據還包括第二閾值數據對，具有一第二上限閾值數據和一第二下限閾值數據。
7.如權利要求6所述的異常交通狀態自動檢測系統，其特徵在於，若判斷結果為發生了異常行人交通狀態，則所述異常行人交通狀態檢測模塊獲取實時行人交通數據、橫向時間序列和第二閾值數據對，並根據橫向時間序列預測實時行人交通數據的橫向預測值，通過所述橫向時間序列、實時行人交通數據及其橫向預測值構建一突變行人交通狀態異常指數，將所述突變行人交通狀態異常指數與所述第二閾值數據對進行比對並根據比對結果判斷所述位置是否發生突變行人交通狀態異常。
8.如權利要求7所述的異常交通狀態自動檢測系統，其特徵在於，還包括一報警模塊，與所述異常行人交通狀態檢測模塊連接，對於一採樣時間窗口，如果行人交通突變異常指數大於第二上限閾值數據或小於第二下限閾值數據的概率超過一預定概率，則所述報警模塊判斷結果為發生了突變異常行人交通狀態。
9.如權利要求1-8中任意一項所述的異常交通狀態自動檢測系統，其特徵在於，還包括信息發布模塊，與所述異常行人交通狀態檢測模塊連接，實時發布異常行人交通狀態或突變異常行人交通狀態信息。
專利摘要本實用新型為一種異常交通狀態自動檢測系統，利用行人交通數據判斷至少一個位置的行人交通狀態是否發生異常，所述行人交通數據包括歷史行人交通數據和實時行人交通數據，該系統包括行人交通數據採樣模塊、歷史行人交通資料庫、閾值資料庫以及異常行人交通狀態檢測模塊。本實用新型通過建立人群不同行人交通狀態的實時判斷模型，對人群密集場所的人群聚集風險達到較好的監測和控制效果，有利於管理部門制定有效的管理對策。
文檔編號G08G1/01GK202075864SQ20112013125
公開日2011年12月14日 申請日期2011年4月28日 優先權日2011年4月28日
發明者倪慧薈, 劉曉琴, 姚曉暉, 龐雷, 李偉, 李鳳, 李明濤, 沈達, 王堯, 胡成 申請人:北京市勞動保護科學研究所