基於臨近點位分析的在線車輛行駛狀態檢測方法和系統與流程
2023-04-23 13:23:41 1
本發明涉及智能交通
技術領域：
：，特別涉及一種基於臨近點位分析的在線車輛行駛狀態檢測方法和系統。
背景技術：
：：目前，智能交通(ITS)的開發應用已取得巨大成就，美、歐、日等發達國家基本上完成了ITS體系框架，在重點發展領域大規模應用。可以說，科學技術的進步極大推動了交通的發展，而ITS的提出並實施，又為高新技術發展提供了廣闊的發展空間。隨著國內外對交通信息處理研究的逐步深入，統計分析技術、人工智慧技術、數據挖掘技術、並行計算技術等逐步被應用於交通信息的處理中，使得交通信息的處理得到不斷的發展和革新，更加滿足ITS各子系統管理者、用戶的需求。然而，隨著社會經濟的快速發展，城市道路交通日趨完善，車輛數據激增，一個大型城市每天的有幾百萬過車數據，在最高峰時期甚至高達幾千萬過車數據。在大數據時代，數據規模變得越來越大，並且由於數據的增長速度和非結構化的特性，現有技術中的工具已無法在用戶可容忍的時間內對數據進行採集、管理和處理，導致無法及時準確完成車輛行駛狀態的在線檢測。技術實現要素：本發明實施例的目的在於提供一種基於臨近點位分析的在線車輛行駛狀態檢測方法和系統，旨在解決現有技術無法在用戶可容忍的時間內對數據進行採集、管理和處理，導致無法及時準確完成車輛行駛狀態的在線檢測等問題。根據本發明實施例的一方面，提供了一種基於臨近點位分析的在線車輛行駛狀態檢測方法，包括：當目標車輛經過第一卡口點位時，根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍；根據所述目標車輛的特徵信息和所述時間範圍對所述目標車輛進行布控；當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態。優選地，所述根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態，包括：根據所述目標車輛的當前通行數據和布控數據，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位於，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間範圍；根據判斷結果確定所述目標車輛的行駛狀態。優選地，所述根據判斷結果確定所述目標車輛的行駛狀態，包括：當所述判斷結果為所述第一時間在所述第一時間範圍內時，確定所述目標車輛的行駛狀態正常；當所述判斷結果為所述第一時間小於所述第一時間範圍的最小時間時，確定所述目標車輛的行駛狀態為超速狀態；當所述判斷結果為所述第一時間大於所述第一時間範圍的最大時間時，確定所述目標車輛的行駛狀態為低速狀態。優選地，在所述根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態之後，所述方法還包括：對所述目標車輛進行撤控，並優化所述第一臨近點位的配置數據。優選地，在所述根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍之前，所述方法還包括：根據各卡口點位之間的路段坐標信息計算得到各路段的空間距離；獲取各路段的限速區間；根據各路段的空間距離和限速區間，計算得到所述各路段各種類型的車輛通行的時耗範圍。另一方面，本發明還提供一種基於臨近點位分析的在線車輛行駛狀態檢測系統，包括：計算模塊，用於當目標車輛經過第一卡口點位時，根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍；布控模塊，用於根據所述目標車輛的特徵信息和所述時間範圍對所述目標車輛進行布控；檢測模塊，用於當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態。優選地，所述檢測模塊，包括：判斷模塊，用於根據所述目標車輛的當前通行數據和布控數據，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位於，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間範圍；確定模塊，用於根據判斷結果確定所述目標車輛的行駛狀態。優選地，所述確定模塊，用於當所述判斷結果為所述第一時間在所述第一時間範圍內時，確定所述目標車輛的行駛狀態正常；當所述判斷結果為所述第一時間小於所述第一時間範圍的最小時間時，確定所述目標車輛的行駛狀態為超速狀態；當所述判斷結果為所述第一時間大於所述第一時間範圍的最大時間時，確定所述目標車輛的行駛狀態為低速狀態。優選地，所述系統還包括：撤控及優化模塊，用於在所述檢測模塊根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態之後，對所述目標車輛進行撤控，並優化所述第一臨近點位的配置數據。優選地，所述系統還包括：空間距離計算模塊，用於在所述計算模塊根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍之前，根據各卡口點位之間的路段坐標信息計算得到各路段的空間距離；限速區間獲取模塊，用於獲取各路段的限速區間；時耗範圍計算模塊，用於根據各路段的空間距離和限速區間，計算得到所述各路段各種類型的車輛通行的時耗範圍。與現有技術相比，本發明實施例的有益效果在於：本發明實施例提供的基於臨近點位分析的在線車輛行駛狀態檢測方法和系統，能夠高效地並發處理大規模的車輛通行實時數據，確保用戶及時準確的掌握車輛行駛狀態的在線檢測狀態。附圖說明圖1是本發明實施例提供的基於臨近點位分析的在線車輛行駛狀態檢測方法流程圖；圖2是本發明實施例提供的基於臨近點位分析的在線車輛行駛狀態檢測具體方法流程圖；圖3是本發明實施例提供的基於臨近點位分析的在線車輛行駛狀態檢測系統結構示意圖；圖4是本發明實施例提供的基於臨近點位分析的在線車輛行駛狀態檢測系統具體結構示意圖。具體實施方式為使本發明實施例的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明實施例進一步詳細說明。如圖1所示，本發明實施例提供了一種基於臨近點位分析的在線車輛行駛狀態檢測方法，包括：當目標車輛經過第一卡口點位時，根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍；根據所述目標車輛的特徵信息和所述時間範圍對所述目標車輛進行布控；當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態。其中，所述根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態，包括：根據所述目標車輛的當前通行數據和布控數據，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位於，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間範圍；根據判斷結果確定所述目標車輛的行駛狀態。其中，所述根據判斷結果確定所述目標車輛的行駛狀態，包括：當所述判斷結果為所述第一時間在所述第一時間範圍內時，確定所述目標車輛的行駛狀態正常；當所述判斷結果為所述第一時間小於所述第一時間範圍的最小時間時，確定所述目標車輛的行駛狀態為超速狀態；當所述判斷結果為所述第一時間大於所述第一時間範圍的最大時間時，確定所述目標車輛的行駛狀態為低速狀態。其中，在所述根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態之後，所述方法還包括：對所述目標車輛進行撤控，並優化所述第一臨近點位的配置數據。其中，在所述根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍之前，所述方法還包括：根據各卡口點位之間的路段坐標信息計算得到各路段的空間距離；獲取各路段的限速區間；根據各路段的空間距離和限速區間，計算得到所述各路段各種類型的車輛通行的時耗範圍。本發明實施例提供的基於臨近點位分析的在線車輛行駛狀態檢測方法，能夠高效地並發處理大規模的車輛通行實時數據，確保用戶及時準確的掌握車輛行駛狀態的在線檢測狀態。參考圖2，下面詳細說明一下基於臨近點位分析的在線車輛行駛狀態檢測方法的具體步驟：步驟S1，依次配置各卡口點位的臨近點位關聯關係。然後通過GIS地理信息系統等獲取各卡口點位間路段坐標，計算各路段的空間距離；獲取各路段的最高限速和最低限速值，並根據T＝S/V計算出各路段各種類型車輛通行需要的時耗範圍最小時耗Tmin和最大時耗Tmax。其中，T：時耗，S：距離，V：速度；將各路段及其對應的車輛通行所需時耗範圍等數據以Key-Value的形式初始化到系統緩存(如Redis等)中。其中，Redis是一個key-value存儲系統，它支持存儲的value類型相對更多，包括string(字符串)、list(鍊表)、set(集合)、zset(sortedset--有序集合)和hash(哈希類型)。這些數據類型都支持push/pop、add/remove及取交集併集和差集及更豐富的操作，為了保證效率，數據都是緩存在內存中。redis會周期性的把更新的數據寫入磁碟或者把修改操作寫入追加的記錄文件，並且在此基礎上實現了master-slave(主從)同步，數據可以從主伺服器向任意數量的從伺服器上同步，從伺服器可以是關聯其他從伺服器的主伺服器。步驟S2，當有車輛經過某卡口點位A時，系統根據保存在內存中的該點位的臨近點位信息和到達各臨近點位的時耗範圍Tmin和Tmax高效計算出目標車輛到達各臨近點位的時間範圍Rmin和Rmax；其中，Rmin：最早到達時間，Rmax：最晚到達時間。步驟S3，針對點位A的各個臨近點位，根據點位A上識別的目標車輛特徵(如車牌號碼、車身顏色，以及車臉上的細節特徵)以及目標車輛到達各臨近點位的時間範圍Rmin和Rmax對目標車輛進行布控。步驟S4，當車輛到達點位A的某一個臨近點位B時，通過對比目標車輛的當前通行數據和布控數據，判斷目標車輛到達點位B的時間是否在預計的車輛到達時間範圍Rmin和Rmax之內。如果在時間範圍Rmin和Rmax之內，則視為行駛狀態正常，直接進入下一步驟。如果不在時間範圍Rmin和Rmax之內，則視為行駛狀態異常：假如目標車輛在Rmin之前到達點位B，那麼目標車輛可能存在超速行為，也可能被其它車輛套牌，通過布控數據中的車輛細節特徵可以進一步判斷車輛是否被套牌等異常狀態；假如目標車輛在Rmax之後到達點位B，那麼目標車輛可能中途出現故障、低速行駛，或者該路段當前擁堵等異常狀態；假如目標車輛在Rmax之後長時間未到達而同行的其它車輛已到達，那麼目標車輛可能在該路段出現交通事故、停車休息、車輛故障等異常狀態。通過比對分析將車輛行駛異常狀態分類告警推送到系統消息中心(如Kafka等)，系統實時響應告警消息並進行異常管理。其中，Kafka是一個開源的系統，旨在提供一個統一的，高吞吐、低延遲的分布式消息處理平臺來對實時數據進行處理。它最早由LinkedIn開發，開源於2011年並被貢獻給了Apache。Kafka區別於傳統RabbitMQ、ApacheActiveMQ等消息系統的地方主要在於：分布式系統特性，易於擴展；為發布和訂閱提供高吞吐量；支持多訂閱，可以自動平衡消費者；可以將消息持久化到磁碟，可以用於批量消費，例如ETL等。步驟S5，完成臨近點位布控比對和異常告警之後，則即時撤控，清除比對過程中的臨時數據，釋放分析過程中佔用的系統資源。步驟S6，系統根據過車記錄自動優化臨近點位配置數據，如系統根據不同日期、不同時段、不同車輛類型、過車數量等數據進行統計，迭代更新臨近點位配置數據，如車輛到達時間範圍Rmin和Rmax、不同類型車輛的區間測速值等，使系統不斷完善。如圖3所示，本發明還提供一種基於臨近點位分析的在線車輛行駛狀態檢測系統，包括：計算模塊，用於當目標車輛經過第一卡口點位時，根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍；布控模塊，用於根據所述目標車輛的特徵信息和所述時間範圍對所述目標車輛進行布控；檢測模塊，用於當所述目標車輛到所述第一卡口點位的第一臨近點位時，根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態。其中，所述檢測模塊，包括：判斷模塊，用於根據所述目標車輛的當前通行數據和布控數據，判斷所述目標車輛到達所述第一臨近點位的第一時間是否位於，所述目標車輛從所述第一卡口點位達到所述第一臨近點位的第一時間範圍；確定模塊，用於根據判斷結果確定所述目標車輛的行駛狀態。其中，所述確定模塊，用於當所述判斷結果為所述第一時間在所述第一時間範圍內時，確定所述目標車輛的行駛狀態正常；當所述判斷結果為所述第一時間小於所述第一時間範圍的最小時間時，確定所述目標車輛的行駛狀態為超速狀態；當所述判斷結果為所述第一時間大於所述第一時間範圍的最大時間時，確定所述目標車輛的行駛狀態為低速狀態。其中，所述系統還包括：撤控及優化模塊，用於在所述檢測模塊根據所述目標車輛的當前通行數據和布控數據，檢測所述目標車輛的行駛狀態之後，對所述目標車輛進行撤控，並優化所述第一臨近點位的配置數據。其中，所述系統還包括：空間距離計算模塊，用於在所述計算模塊根據所述第一卡口點位的各臨近點位信息和各路段各種類型的車輛通行的時耗範圍，計算得到所述目標車輛從所述第一卡口點位達到所述第一卡口點位的各臨近點位的時間範圍之前，根據各卡口點位之間的路段坐標信息計算得到各路段的空間距離；限速區間獲取模塊，用於獲取各路段的限速區間；時耗範圍計算模塊，用於根據各路段的空間距離和限速區間，計算得到所述各路段各種類型的車輛通行的時耗範圍。參考圖4，下面詳細說明一下該基於臨近點位分析的在線車輛行駛狀態檢測系統的架構。首先，系統將臨近點位配置、點位空間距離、最大最小限速值，以及通過計算得到的各路段各種類型車輛通行需要的時耗範圍等信息寫入高速緩存Redis中，提供給Storm分析結點在異常行駛狀態檢測過程中快速讀取和更新。Storm是一個開源的分布式實時計算系統，可以簡單、可靠的處理大量的數據流。Storm有很多使用場景：如實時分析，在線機器學習，持續計算，分布式RPC，ETL等。Storm支持水平擴展，具有高容錯性，保證每個消息都會得到處理，而且處理速度很快(在一個小集群中，每個結點每秒可以處理數以百萬計的消息)。Storm的部署和運維都很便捷，而且更為重要的是可以使用任意程式語言來開發應用。Storm有著非常快的處理速度，單節點可以達到百萬個元組每秒，此外它還具有高擴展、容錯、保證數據處理等特性。然後，來自卡口、電警、ETC等前端設備的車輛通行實時數據流被實時寫入「大數據計算中心」的Kafka消息系統中，同時啟用新的線程將車輛通行數據持久化到HBase中。其中，HBase-HadoopDatabase，是一個高可靠性、高性能、面向列、可伸縮的分布式存儲系統，利用HBase技術可在廉價PCServer上搭建起大規模結構化存儲集群。它在Hadoop之上提供了類似於Bigtable的能力。HBase是Apache的Hadoop項目的子項目。HBase不同於一般的關係資料庫，它是一個適合於非結構化數據存儲的資料庫。另一個不同的是HBase基於列的而不是基於行的模式。其次，Storm的Topology從Kafka消息系統中將信息讀取出來，把這些消息通過Bolts進行臨近點位間的異常行駛狀態檢測。最後，Storm將檢測到的異常狀態告警消息實時寫入Kafka，同時啟用新的線程將告警消息持久化到HBase中，提供給上層應用系統訂閱和深度應用。為了能高效地並發處理大規模的車輛通行實時數據，該系統使用Kafka+Storm來設計，同時，為了滿足高擴展性，將Storm和Kafka分別部署到不同的伺服器上，如果需要更多的計算能力，可以隨時通過創建新的伺服器的方式來完成。此外為了滿足高可用性，每臺相同功能的伺服器也需要至少部署2臺，這樣一旦一臺伺服器出現問題，另外一臺伺服器也可以持續提供服務。另外，該系統使用Redis+HBase來設計既能滿足配置數據和計算產生的臨時數據的快速訪問，又能滿足海量數據的持久化需求。以上實施方式僅用於說明本發明，而並非對本發明的限制，有關
技術領域：
：的普通技術人員，在不脫離本發明的精神和範圍的情況下，還可以做出各種變化和變型，因此所有等同的技術方案也屬於本發明的範疇，本發明的專利保護範圍應由權利要求限定。當前第1頁1 2 3 當前第1頁1 2 3