車輛到站時間預報系統及方法
2023-05-03 03:20:51
車輛到站時間預報系統及方法
【專利摘要】本發明公開了一種車輛到站時間預報系統及方法。該系統包括：資料庫，用於保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據；智能分析模塊，用於根據所述車輛監控規則信息控制一個或多個數據採集終端，從所述一個或多個數據採集終端獲取視頻碼流並進行處理，根據車輛基本信息從處理後的視頻碼流中獲取車輛實時運行數據，根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將車輛實時運行數據寫入資料庫。藉助於本發明的技術方案，能夠對車輛到站時間進行準確預算。
【專利說明】車輛到站時間預報系統及方法
【技術領域】
[0001]本發明涉及計算機領域，特別是涉及一種車輛到站時間預報系統及方法。
【背景技術】
[0002]智能視頻監控系統是視頻監控系統功能的擴展。通過對監測到的視頻碼流進行智能分析，主要提供人臉識別、車牌識別、車速檢測、靜物監控、警戒區檢測、塗鴉檢測等功能。
[0003]預報公交車到站時間是智能交通系統領域的關鍵技術，對它的研究具有重要意義。現有的公交系統由於無法預知到站時間，給市民的出現時間帶來很多未知性，從而市民對公交滿意度不高，致使私家車增多，給交通帶來更大的負擔，同時，也消耗更多的能源，給環境帶來很多不好的影響。
【發明內容】
[0004]鑑於上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的車輛到站時間預報系統及方法。
[0005]本發明提供一種車輛到站時間預報系統，包括:
[0006]資料庫，用於保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據；
[0007]智能分析模塊，用於根據所述車輛監控規則信息控制一個或多個數據採集終端，從所述一個或多個數據採集終端獲取視頻碼流並進行處理，根據車輛基本信息從處理後的視頻碼流中獲取車輛實時運行數據，根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將車輛實時運行數據寫入資料庫。
[0008]優選地,上述系統還包括:
[0009]視頻監控業務管理模塊，用於將智能分析模塊計算出的車輛到站信息寫入資料庫，並將車輛到站信息發送到智能顯示終端；在接收到查詢公交車到站時間請求後，將車輛到站信息發送到簡訊中心；
[0010]智能顯示終端，設置於站點，用於顯示車輛到站信息；
[0011]簡訊中心，用於將車輛到站信息通過簡訊發送到用戶終端。
[0012]優選地，上述智能顯示終端具體用於:對於同一線路的車輛，從接收到的車輛到站信息中，選擇到站時間最小值作為到達該站點的時間。
[0013]優選地，上述系統還包括:
[0014]監控客戶端，用於通過數據採集終端對車輛的運行進行實時監控。
[0015]優選地，上述車輛基本信息具體包括:車輛線路名稱、車輛線路所經歷的站點信息、站點間的路程信息、以及數據採集終端的位置信息；
[0016]車輛監控規則信息具體包括:車輛監控範圍、以及監控時間；
[0017]車輛實時運行數據具體包括:車輛線路信息、各個相鄰車輛站點之間路段上的車流量密度信息、以及車輛具體位置信息，其中，車輛線路信息包括:車輛線路名稱、到站時間、出站時間、以及相應數據採集終端的標識信息，車流量密度信息包括:車輛行駛速度信息；
[0018]車輛到站信息具體包括:到站時間、以及車輛到站延誤時間。
[0019]優選地，上述智能分析模塊具體包括:
[0020]圖像處理模塊，用於根據車輛基本信息和車輛監控規則信息從相應的數據採集終端獲取視頻碼流，將視頻碼流轉化為圖像幀，並對圖像幀進行濾波和灰度處理；
[0021]車輛線路識別算法模塊，用於從處理後的圖像幀中識別車輛線路，獲取車輛線路信息，並寫入資料庫；
[0022]車流量密度算法模塊，用於從處理後的圖像幀中計算各個相鄰車輛站點之間路段上的車流量密度信息，並寫入資料庫；
[0023]到站時間預測模塊，用於根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息。
[0024]優選地，上述到站時間預測模塊具體用於:
[0025]根據車輛線路識別算法模塊識別出的車輛線路信息，從資料庫中獲取相應車輛線路所經歷的站點信息、以及站點間的路程信息，並從車流量密度算法模塊獲取相應的車流量密度信息；
[0026]假設各個站點之間的路程為S，車流量密度為delta (P，T)，其中，delta (P，T)=a/speed (P，T)，P為站點函數，T是時間函數，a為常量，站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed ；
[0027]確定行駛時間t與車流量密度的關係為:t=S delta (P，T) /a ；
[0028]擬合出關於delta (P, T)和時間的一組曲線W[n],根據當前某個站點的某個時刻的delta (P，T)，結合W[n]加權計算得到未來的車流量密度delta (P，T)，根據t=Sdelta (P, T)/a計算得到到站時間；
[0029]根據資料庫中相應時段的到站時間計算出車輛到站延誤時間。
[0030]本發明還提供了一種車輛到站時間預報方法，包括:
[0031]在資料庫中保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據；
[0032]智能分析模塊根據車輛監控規則信息控制數據採集終端，獲取數據採集終端採集的視頻碼流並進行處理；根據車輛基本信息從處理後的視頻碼流中獲取車輛實時運行數據，根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型；根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將車輛實時運行數據寫入資料庫。
[0033]優選地,上述方法還包括:
[0034]視頻監控業務管理模塊將智能分析模塊計算出的車輛到站信息寫入資料庫，並將車輛到站信息發送到智能顯示終端，通過智能顯示終端顯示車輛到站信息；
[0035]視頻監控業務管理模塊在接收到查詢公交車到站時間請求後，將車輛到站信息發送到簡訊中心，並通過簡訊中心將車輛到站信息通過簡訊發送到用戶終端。
[0036]優選地,上述通過智能顯示終端顯示車輛到站信息具體包括:
[0037]對於同一線路的車輛，智能顯示終端從接收到的車輛到站信息中，選擇到站時間最小值作為到達該站點的時間並進行顯示。
[0038]優選地，上述方法還包括:
[0039]監控客戶端通過數據採集終端對車輛的運行進行實時監控。
[0040]優選地，上述車輛基本信息具體包括:車輛線路名稱、車輛線路所經歷的站點信息、站點間的路程信息、以及數據採集終端的位置信息；
[0041]車輛監控規則信息具體包括:車輛監控範圍、以及監控時間；
[0042]車輛實時運行數據具體包括:車輛線路信息、各個相鄰車輛站點之間路段上的車流量密度信息、以及車輛具體位置信息，其中，車輛線路信息包括:車輛線路名稱、到站時間、出站時間、以及相應數據採集終端的標識信息，車流量密度信息包括:車輛行駛速度信息；
[0043]車輛到站信息具體包括:到站時間、以及車輛到站延誤時間。
[0044]優選地，上述智能分析模塊根據車輛監控規則信息控制數據採集終端，獲取數據採集終端採集的視頻碼流並進行處理；根據車輛基本信息從處理後的視頻碼流中獲取車輛實時運行數據，根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型；根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將車輛實時運行數據寫入資料庫具體包括:
[0045]圖像處理模塊根據車輛基本信息和車輛監控規則信息從相應的數據採集終端獲取視頻碼流，將視頻碼流轉化為圖像幀，並對圖像幀進行濾波和灰度處理；
[0046]車輛線路識別算法模塊從處理後的圖像幀中識別車輛線路，獲取車輛線路信息，並寫入資料庫；
[0047]車流量密度算法模塊從處理後的圖像幀中計算各個相鄰車輛站點之間路段上的車流量密度信息，並寫入資料庫；
[0048]到站時間預測模塊根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息。
[0049]優選地，上述到站時間預測模塊根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息具體包括:
[0050]根據車輛線路識別算法模塊識別出的車輛線路信息，從資料庫中獲取相應車輛線路所經歷的站點信息、以及站點間的路程信息，並從車流量密度算法模塊獲取相應的車流量密度信息；
[0051]假設各個站點之間的路程為S，車流量密度為delta (P，T)，其中，delta (P，T)=a/speed (P，T)，P為站點函數，T是時間函數，a為常量，站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed ；
[0052]確定行駛時間t與車流量密度的關係為:t=S delta (P，T) /a ；
[0053]擬合出關於delta (P, T)和時間的一組曲線W[n],根據當前某個站點的某個時刻的delta (P，T)，結合W[n]加權計算得到未來的車流量密度delta (P，T)，根據t=Sdelta (P, T)/a計算得到到站時間；
[0054]根據資料庫中相應時段的到站時間計算出車輛到站延誤時間。
[0055]本發明有益效果如下:
[0056]通過在智能視頻監控系統的基礎上，擴展其功能，使用車輛計數和識別車輛線路等方法從視頻碼流中提取車輛實時運行數據，從而預估出車輛到站時間的方法，能夠對車輛到站時間進行準確預算。
[0057]上述說明僅是本發明技術方案的概述，為了能夠更清楚了解本發明的技術手段，而可依照說明書的內容予以實施，並且為了讓本發明的上述和其它目的、特徵和優點能夠更明顯易懂，以下特舉本發明的【具體實施方式】。
【專利附圖】
【附圖說明】
[0058]通過閱讀下文優選實施方式的詳細描述，各種其他的優點和益處對於本領域普通技術人員將變得清楚明了。附圖僅用於示出優選實施方式的目的，而並不認為是對本發明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中:
[0059]圖1是本發明實施例的車輛到站時間預報系統的結構示意圖；
[0060]圖2是本發明實施例的基於視頻監控的公家車到站時間預報系統的示意圖；
[0061]圖3是本發明實施例的車輛到站時間預報方法的流程圖；
[0062]圖4是本發明實時的基於視頻監控的公交車到站時間預報方法的詳細流程圖。
【具體實施方式】
[0063]下面將參照附圖更詳細地描述本公開的示例性實施例。雖然附圖中顯示了本公開的示例性實施例，然而應當理解，可以以各種形式實現本公開而不應被這裡闡述的實施例所限制。相反，提供這些實施例是為了能夠更透徹地理解本公開，並且能夠將本公開的範圍完整的傳達給本領域的技術人員。
[0064]為了解決現有技術中不能夠準確的預算車輛到站時間的問題，本發明提供了一種車輛到站時間預報系統及方法，基於智能視頻監控的預報車輛到站時間系統取代通過GPS定位系統、RFID識別等技術獲得車輛實時運行數據，通過車輛計數算法、車輛路識別技術提取視頻碼流中的車輛實時運行數據，並作為數據源進行車輛到站時間的預算，從而對車輛到站時間進行實時更新，並可以以電子站牌的形式展現給市民，為市民的出行帶來便捷。另夕卜，可以幫助車輛公司根據反饋的實時公交到站信息，對車輛實現自適應調度。
[0065]本發明實施例的技術方案在用於公交車到站時間預報時，不僅可以方便市民出行，而且給現有的通信運營商增加了盈利方式，僅在現有的視頻監控系統上增加軟體模塊即可實現，不需要大規模的硬體投入。同時，採取在智能顯示終端招標廣告等方式，可以創造收入，彌補前期投入。另外，與現有技術和應用場景相比，還可以直觀地通過視頻觀察各個公交車到達站點是否有違規拒載行為。同時，也可以檢測其在監控點處是否超速行駛。
[0066]以下結合附圖以及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不限定本發明。
[0067]系統實施例
[0068]根據本發明的實施例，提供了一種車輛到站時間預報系統，圖1是本發明實施例的車輛到站時間預報系統的結構示意圖，如圖1所示，根據本發明實施例的車輛到站時間預報系統包括:資料庫10、以及智能分析模塊12，以下對本發明實施例的各個模塊進行詳細的說明。
[0069]資料庫10，用於保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據；
[0070]其中，車輛基本信息具體包括:車輛線路名稱、車輛線路所經歷的站點信息、站點間的路程信息、以及數據採集終端的位置信息；
[0071]車輛監控規則信息具體包括:車輛監控範圍、以及監控時間；
[0072]車輛實時運行數據具體包括:車輛線路信息、各個相鄰車輛站點之間路段上的車流量密度信息、以及車輛具體位置信息，其中，車輛線路信息包括:車輛線路名稱、到站時間、出站時間、以及相應數據採集終端的標識信息，車流量密度信息包括:車輛行駛速度信息；
[0073]—個或多個數據採集終端，可以設置於車輛線路的各個站點，用於在智能分析模塊12的控制下採集視頻碼流；
[0074]智能分析模塊12，用於根據車輛監控規則信息控制一個或多個數據採集終端，從所述一個或多個數據採集終端獲取視頻碼流並進行處理，根據車輛基本信息從處理後的視頻碼流中獲取車輛實時運行數據，根據車輛實時運行數據、以及資料庫10中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將車輛實時運行數據寫入資料庫10。車輛到站信息具體包括:到站時間、以及車輛到站延誤時間。
[0075]智能分析模塊12具體包括:
[0076]圖像處理模塊，用於根據車輛基本信息和車輛監控規則信息從相應的數據採集終端獲取視頻碼流，將視頻碼流轉化為圖像幀，並對圖像幀進行濾波和灰度處理；
[0077]車輛線路識別算法模塊，用於從處理後的圖像幀中識別車輛線路，獲取車輛線路信息，並寫入資料庫10;
[0078]車流量密度算法模塊，用於從處理後的圖像幀中計算各個相鄰車輛站點之間路段上的車流量密度信息，並寫入資料庫10 ；
[0079]到站時間預測模塊，用於根據車輛實時運行數據、以及資料庫10中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息。
[0080]其中，上述到站時間預測模塊具體用於:
[0081]根據車輛線路識別算法模塊識別出的車輛線路信息，從資料庫10中獲取相應車輛線路所經歷的站點信息、以及站點間的路程信息，並從車流量密度算法模塊獲取相應的車流量密度信息；
[0082]假設各個站點之間的路程為S，車流量密度為delta (P，T)，其中，delta (P，T)=a/speed (P，T)，P為站點函數，T是時間函數，a為常量，站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed ；
[0083]確定行駛時間t與車流量密度的關係為:t=S delta (P，T) /a ；
[0084]擬合出關於delta (P, T)和時間的一組曲線W[n],根據當前某個站點的某個時刻的delta (P，T)，結合W[n]加權計算得到未來的車流量密度delta (P，T)，根據t=Sdelta (P, T)/a計算得到到站時間；
[0085]根據資料庫10中相應時段的到站時間計算出車輛到站延誤時間。
[0086]優選地，上述系統還可以包括:
[0087]視頻監控業務管理模塊，用於將智能分析模塊12計算出的車輛到站信息寫入資料庫10，並將車輛到站信息發送到智能顯示終端；在接收到查詢公交車到站時間請求後，將車輛到站信息發送到簡訊中心；
[0088]智能顯示終端，設置於站點，用於顯示車輛到站信息；智能顯示終端具體用於:對於同一線路的車輛，從接收到的車輛到站信息中，選擇到站時間最小值作為到達該站點的時間。
[0089]簡訊中心，用於將車輛到站信息通過簡訊發送到用戶終端。
[0090]監控客戶端，用於通過數據採集終端對車輛的運行進行實時監控。
[0091]以下以公交車到站預報為例，對本發明實施例的上述技術方案進行詳細說明。
[0092]圖2是本發明實施例的基於視頻監控的公家車到站時間預報系統的示意圖，如圖2所示，基於智能視頻監控的公交車到站時間預報系統包括:資料庫、數據採集終端、智能分析模塊、視頻監控業務管理模塊、簡訊中心、智能顯示終端、以及監控客戶端。
[0093]其中，資料庫用於保存錄入的公交車的基本信息，如公交線路名稱、公交所經歷的站點及站點間的路程、監控點位置等信息；保存由平臺上報的公交車監控的範圍、監控時間等規則信息，以及公交車實時運行數據。
[0094]數據採集終端主要指攝像頭和PU，通過它們採集視頻碼流，並將視頻碼流發送給智能分析模塊。
[0095]智能分析模塊包括圖像處理模塊、公交線路識別算法模塊、車流量密度算法模塊、到站時間預測模塊。圖像處理模塊的作用將視頻碼流轉化為一幀一幀的圖像，並對進行圖像進行濾波和灰度處理。公交線路識別算法模塊和車流量密度算法模塊主要用於獲取公交車線路、進站出站時間、當前路況下車輛的行駛速度，為到站時間預測模塊提供數據源。公交線路識別算法模塊用於進行公交線路的識別，並將識別出的公交線路信息輸出給到站時間預測模塊。車流量密度算法模塊用於檢測單位時間內，經過車輛的數量；並將結果輸出給到站時間預測模塊。到站時間預測模塊根據實時採集的車流量密度、公交車位置信息和公交車進站出站時間等信息，再結合該時段歷史公交車運行數據，建立公交車到站時間預測模型，並根據建立的模型計算出公交車到達任意一站的時間，並將結果輸出給視頻監控業務管理模塊。
[0096]視頻監控業務管理模塊的作用是將公交車信息:如到站時間、線路名稱、當前站點等信息，寫入資料庫、發送給智能顯示終端。
[0097]簡訊中心用於將公交車到站信息以簡訊的方式通知用戶。
[0098]智能顯示終端主要指電子站牌，用於接收視頻監控業務管理模塊發送的公交車到站信息，並顯示。
[0099]監控客戶端可以實時對公交車的實時運行進行監控，主要用於實時交通信息的觀察，可以為公交調度室提供公交發車調度依據。同時，可以監控公交車到站是否有違規行為。
[0100]在實際應用中，上述各個模塊具體進行如下處理:
[0101]第一步，啟用公交到站時間任務。視頻監控業務管理模塊下發預測公交到站時間任務至智能分析模塊。智能分析模塊從各個監控點獲取視頻碼流，並調用公交到站時間算法，進行公交車到站時間的預估。
[0102]第二步，從視頻碼流中提取公交車實時運行數據，主要包括公交車到站離站時間、各個相鄰站點路段上車輛行駛速度和公交車具體位置信息。公交車到站時間算法任務啟用後，啟用車牌識別算法模塊和車流量密度算法模塊。車牌識別算法模塊識別到站的公交車線路，如果有公交車到站，將識別出的公交車線路信息發送給到站時間預測模塊。公交車線路信息包括公交車線路名稱、到站時間、出站時間、數據採集終端的標識(PWD)信息。車流量密度算法模塊用於檢測公交車所行駛的實時路況信息，主要統計單位時間內通過的車輛總數。到站時間預測模塊通過該模塊獲取的信息包括該監控點所屬路段的平均車速、PUID信息。其中公交車具體位置信息可以通過PUID進行判斷。每個監控點在註冊的時候會向視頻監控業務管理系統註冊該監控點的位置信息。
[0103]第三步，建立公交到站時間預估模型。公交到站時間算法模塊將從各個路段的平均車速、公交車進出站延誤時間存入路況歷史庫。公交到站時間算法模塊結合歷史數據和公交線路識別模塊和車流量算法模塊上報的當前實時數據，預算未來各個路段車輛行駛時間以及各個站點延誤時間。
[0104]第四步，公交車到站算法模塊根據第三步計算的各個路段的車輛行駛時間、各個站點延誤時間，計算到達該站的公交車到達後續各個站點的時間。對於同一線路的公交車，各個站點從接收到的到站時間中，取最小值作為該線路公交車到達該站的時間。最後，公交車到站算法模塊將結果輸出給視頻監控業務管理模塊。輸出的信息包括PUID、公交線路名稱、到達各個站點的時間、到達各個站點的站數等信息。
[0105]第五步，當視頻監控業務管理模塊接收到公交車到站時間算法模塊輸出的信息後，將信息經過處理髮送給智能顯示終端，並將信息存入資料庫。
[0106]第六步，當視頻監控業務管理模塊收到查詢公交車到站時間的請求後，通過簡訊中心將信息發送給用戶；或者通過安裝公交到站信息查詢客戶端，查詢公交到站時間。私家車可以通過簡訊的方式從視頻監控業務管理模塊獲取到達目的地的時間，也可以直接查詢各個路段的車輛行駛速度。
[0107]本發明實施例的技術方案區別於通過GPS獲取數據方式、RFID識別公交車等方式，而從視頻監控系統中，通過智能算法提取公交運行過程中的實時數據，並結合歷史數據預估公交車到站時間，以保證預估的到站時間及時準確。同時，通過客戶端可以實時地監控各個站點，進而有效地防止公交車到站違規拒載等情況。
[0108]方法實施例
[0109]根據本發明的實施例，提供了一種車輛到站時間預報方法，圖3是本發明實施例的車輛到站時間預報方法的流程圖，如圖3所示，根據本發明實施例的車輛到站時間預報方法包括如下處理:
[0110]步驟301，在資料庫中保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據；
[0111]其中，車輛基本信息具體包括:車輛線路名稱、車輛線路所經歷的站點信息、站點間的路程信息、以及數據採集終端的位置信息；
[0112]車輛監控規則信息具體包括:車輛監控範圍、以及監控時間；
[0113]車輛實時運行數據具體包括:車輛線路信息、各個相鄰車輛站點之間路段上的車流量密度信息、以及車輛具體位置信息，其中，車輛線路信息包括:車輛線路名稱、到站時間、出站時間、以及相應數據採集終端的標識信息，車流量密度信息包括:車輛行駛速度信息；
[0114]步驟302，智能分析模塊根據車輛監控規則信息控制數據採集終端，獲取數據採集終端採集的視頻碼流並進行處理；根據車輛基本信息從處理後的視頻碼流中獲取車輛實時運行數據，根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型；根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將車輛實時運行數據寫入資料庫。
[0115]其中，車輛到站信息具體包括:到站時間、以及車輛到站延誤時間。
[0116]步驟302具體包括如下處理:
[0117]圖像處理模塊根據車輛基本信息和車輛監控規則信息從相應的數據採集終端獲取視頻碼流，將視頻碼流轉化為圖像幀，並對圖像幀進行濾波和灰度處理；
[0118]車輛線路識別算法模塊從處理後的圖像幀中識別車輛線路，獲取車輛線路信息，並寫入資料庫；
[0119]車流量密度算法模塊從處理後的圖像幀中計算各個相鄰車輛站點之間路段上的車流量密度信息，並寫入資料庫；
[0120]到站時間預測模塊根據車輛實時運行數據、以及資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息。
[0121]具體地，根據車輛線路識別算法模塊識別出的車輛線路信息，從資料庫中獲取相應車輛線路所經歷的站點信息、以及站點間的路程信息，並從車流量密度算法模塊獲取相應的車流量密度信息；
[0122]假設各個站點之間的路程為S，車流量密度為delta (P，T)，其中，delta (P，T)=a/speed (P，T)，P為站點函數，T是時間函數，a為常量，站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed ；
[0123]確定行駛時間t與車流量密度的關係為:t=S delta (P，T) /a ；
[0124]擬合出關於delta (P, T)和時間的一組曲線W[n],根據當前某個站點的某個時刻的delta (P，T)，結合W[n]加權計算得到未來的車流量密度delta (P，T)，根據t=Sdelta (P, T)/a計算得到到站時間；
[0125]根據資料庫中相應時段的到站時間計算出車輛到站延誤時間。
[0126]優選地，上述方法還可以包括如下處理:
[0127]視頻監控業務管理模塊將智能分析模塊計算出的車輛到站信息寫入資料庫，並將車輛到站信息發送到智能顯示終端，通過智能顯示終端顯示車輛到站信息；其中，對於同一線路的車輛，智能顯示終端從接收到的車輛到站信息中，選擇到站時間最小值作為到達該站點的時間並進行顯示。
[0128]視頻監控業務管理模塊在接收到查詢公交車到站時間請求後，將車輛到站信息發送到簡訊中心，並通過簡訊中心將車輛到站信息通過簡訊發送到用戶終端。
[0129]監控客戶端通過數據採集終端對車輛的運行進行實時監控。
[0130]下面以公交車到站時間預報為例，對本發明實施例的上述技術方案進行詳細說明。
[0131]圖4是本發明實時的基於視頻監控的公交車到站時間預報方法的詳細流程圖，如圖4所示,具體包括入如下處理:
[0132]步驟401，用戶向視頻監控業務管理模塊添加公交車跟蹤規則，規則信息包括PWD、監控區域、執行時間、規則ID、規則類型等信息，規則信息由視頻監控業務管理模塊寫入資料庫。
[0133]步驟402，用戶啟用公交跟蹤規則，視頻監控業務管理模塊往任務表中增加公交車跟蹤任務並下發給智能分析模塊。任務內容包括監控區域、執行時間、規則ID、PUID等信肩、O
[0134]步驟403，智能分析模塊收到平臺下發的公交跟蹤任務後，根據任務中包含的監控點信息，向監控點獲取視頻碼流。然後，圖像處理模塊將獲取的碼流進行預處理，包括圖像濾波、灰度轉換等，並將處理結果發送至公交車線路識別算法模塊和車流量密度算法模塊。
[0135]步驟404，車流量密度算法模塊在收到圖像處理模塊上報的信息後，對圖像進行分析，首先進行背景建模，然後通過對比監控區域畫面與背景的差異，提取特徵量；接著進行判決是否是車，進行車輛計數，從而獲得車流量密度。
[0136]步驟405，公交線路識別算法模塊在收到圖像處理模塊上報的信息後，對圖像進行分析，首先進行背景建模，然後通過對比監控區域畫面與背景的差異，提取特徵量，辨別公交車線路牌，然後再對公交車的線路名稱進行識別。同時，分別記錄公交車首次出現在監控區域的時刻和消失在監控區域的時刻，這兩個時刻即為該輛公交車進站時刻和出戰時刻。最後，將識別出的公交車的線路名稱、進站和出站時刻發送至到站時間預測模塊。
[0137]步驟406，到站時間預測模塊在收到公交線路識別模塊和車流量算法模塊上報的當前實時數據以及結合歷史數據，預算未來各個路段車輛行駛時間以及各個站點延誤時間。
[0138]到站時間預測模塊根據公交線路向視頻監控業務管理模塊獲取該條公交線路的站點信息及站點間的路程，同時向車流量密度模塊查詢當前各個監控點的車流量密度。如果視頻業務管理模塊返回無識別出的公交線路，則回到第五步。
[0139]已知各個站點之間的路程為S，各個站點的監控點估算出的站點車流量密度delta (P, T),其中，P是關於站點的函數P (px), T是關於day (每周的第幾天)和每天的時間time的函數，即T (day, time)。車流量密度直接影響車輛行駛速度，它們的關係為delta (P，T) =a/speed (P，T)，a為常量。站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed。
[0140]則推導出行駛時間t與車流量密度的關係:t=S delta (P，T) /a。
[0141]Delta可以由車流量密度算法模塊得到。然後公交到站時間預估模塊擬合出關於delta (P, T)和time的一組曲線W[n],並且這組曲線會一直學習更新。當某個站點的某個時刻delta (Px,Ty)被公交到站時間預估模塊算出，再結合W[n]加權計算得到未來的車流量密度delta (Px (i), Ty (i))。根據公式t=S delta (P, T)/a計算得到到站時間。
[0142]各個站點的延誤時間可以通過查詢路況歷史庫中對應時段的數據得到。
[0143]步驟407，視頻監控業務管理模塊在收到到站時間預測模塊上報的公交車到達各個公交站點時間、當前到達站點、各個監控點車流量密度、站點延誤時間後，將所有上報信息作記錄，並同步到資料庫。
[0144]步驟408，視頻監控業務管理模塊將公交到站時間、當前站點發送至各個站點的智能顯示終端。同時，智能顯示終端將公交車到站時間，離站點最近的公交車當前位置信息顯示給乘客。智能顯示終端收到公交車當前位置及到站時間後，實時更新數據，向用戶展示本站點的公交到站信息。用戶可以訂閱公交到站信息。通過在智慧型手機或者智能終端上安裝監控客戶端或者簡訊方式獲取公交到站信息以及跟蹤公交車運行路線。
[0145]在本發明上述實例中，用戶向運營商開通了公交到站預測服務，通過簡訊就可以查詢獲知公交到站的大致時間。不僅方便了市民出行，而且給現有的通信運營商增加了盈利方式，僅在現有的視頻監控系統上增加軟體模塊即可實現，不需要大規模的硬體投入。同時，採取在智能顯示終端招標廣告等方式，可以創造收入，彌補前期投入。另外，與現有技術和應用場景相比，還可以直觀地通過視頻觀察各個公交車到達站點是否有違規拒載行為。同時，也可以檢測其在監控點處是否超速行駛。
[0146]顯然，本領域的技術人員可以對本發明進行各種改動和變型而不脫離本發明的精神和範圍。這樣，倘若本發明的這些修改和變型屬於本發明權利要求及其等同技術的範圍之內，則本發明也意圖包含這些改動和變型在內。
【權利要求】
1.一種車輛到站時間預報系統，其特徵在於，包括: 資料庫，用於保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據； 智能分析模塊，用於根據所述車輛監控規則信息控制一個或多個數據採集終端，從所述一個或多個數據採集終端獲取視頻碼流並進行處理，根據所述車輛基本信息從處理後的所述視頻碼流中獲取車輛實時運行數據，根據所述車輛實時運行數據、以及所述資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據所述車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將所述車輛實時運行數據寫入資料庫。
2.如權利要求1所述的系統，其特徵在於，所述系統還包括: 視頻監控業務管理模塊，用於將所述智能分析模塊計算出的所述車輛到站信息寫入所述資料庫，並將所述車輛到站信息發送到智能顯示終端；在接收到查詢公交車到站時間請求後，將所述車輛到站信息發送到簡訊中心； 所述智能顯示終端，設置於站點，用於顯示所述車輛到站信息； 所述簡訊中心，用於將所述車輛到站信息通過簡訊發送到用戶終端。
3.如權利要求2所述的系統，其特徵在於，所述智能顯示終端具體用於:對於同一線路的車輛，從接收到的車輛到站信息中，選擇到站時間最小值作為到達該站點的時間。
4.如權利要求1或2或3所述的系統，其特徵在於，所述系統還包括: 監控客戶端，用於通過所述數據採集終端對車輛的運行進行實時監控。
5.如權利要求1所述的系統，其特徵在於， 所述車輛基本信息具體包括:車輛線路名稱、車輛線路所經歷的站點信息、站點間的路程信息、以及數據採集終端的位置信息； 所述車輛監控規則信息具體包括:車輛監控範圍、以及監控時間； 所述車輛實時運行數據具體包括:車輛線路信息、各個相鄰車輛站點之間路段上的車流量密度信息、以及車輛具體位置信息，其中，所述車輛線路信息包括:車輛線路名稱、到站時間、出站時間、以及相應數據採集終端的標識信息，所述車流量密度信息包括:車輛行駛速度信息； 所述車輛到站信息具體包括:到站時間、以及車輛到站延誤時間。
6.如權利要求5所述的系統，其特徵在於，所述智能分析模塊具體包括: 圖像處理模塊，用於根據所述車輛基本信息和所述車輛監控規則信息從相應的數據採集終端獲取視頻碼流，將所述視頻碼流轉化為圖像幀，並對所述圖像幀進行濾波和灰度處理； 車輛線路識別算法模塊，用於從處理後的所述圖像幀中識別車輛線路，獲取所述車輛線路信息，並寫入資料庫； 車流量密度算法模塊，用於從處理後的所述圖像幀中計算各個相鄰車輛站點之間路段上的所述車流量密度信息，並寫入資料庫； 到站時間預測模塊，用於根據所述車輛實時運行數據、以及所述資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據所述車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息。
7.如權利要求6所述的系統，其特徵在於，所述到站時間預測模塊具體用於: 根據所述車輛線路識別算法模塊識別出的所述車輛線路信息，從資料庫中獲取相應車輛線路所經歷的站點信息、以及站點間的路程信息，並從所述車流量密度算法模塊獲取相應的車流量密度信息； 假設各個站點之間的路程為S，車流量密度為如1七&(?，1')，其中，(16&&(?，1')=&/鄧的(1(P，T)，P為站點函數，T是時間函數，a為常量，站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed ； 確定行駛時間t與車流量密度的關係為:t=S delta (P，T) /a ； 擬合出關於delta (P，T)和時間的一組曲線W[n]，根據當前某個站點的某個時刻的delta ^，！^，結合町!!]加權計算得到未來的車流量密度delta (P，T)，根據t=Sdelta (P, T)/a計算得到到站時間； 根據所述資料庫中相應時段的到站時間計算出車輛到站延誤時間。
8.—種車輛到站時間預報方法，其特徵在於，所述方法包括: 在資料庫中保存車輛基本信息、車輛監控規則信息、以及車輛實時運行數據； 智能分析模塊根據所述車輛監控規則信息控制數據採集終端，獲取所述數據採集終端採集的視頻碼流並進行處理；根據所述車輛基本信息從處理後的所述視頻碼流中獲取車輛實時運行數據，根據所述車輛實時運行數據、以及所述資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型；根據所述車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將所述車輛實時運行數據寫入資料庫。
9.如權利要求8所述的方法，其特徵在於，所述方法還包括: 視頻監控業務管理模塊將所述智能分析模塊計算出的所述車輛到站信息寫入所述資料庫，並將所述車輛到站信息發送到智能顯示終端，通過所述智能顯示終端顯示所述車輛到站信息； 視頻監控業務管理模塊在接收到查詢公交車到站時間請求後，將所述車輛到站信息發送到簡訊中心，並通過所述簡訊中心將所述車輛到站信息通過簡訊發送到用戶終端。
10.如權利要求8所述的方法，其特徵在於，通過所述智能顯示終端顯示所述車輛到站信息具體包括: 對於同一線路的車輛，所述智能顯示終端從接收到的車輛到站信息中，選擇到站時間最小值作為到達該站點的時間並進行顯示。
11.如權利要求8或9或10所述的方法,其特徵在於,所述方法還包括: 監控客戶端通過所述數據採集終端對車輛的運行進行實時監控。
12.如權利要求8所述的方法，其特徵在於， 所述車輛基本信息具體包括:車輛線路名稱、車輛線路所經歷的站點信息、站點間的路程信息、以及數據採集終端的位置信息； 所述車輛監控規則信息具體包括:車輛監控範圍、以及監控時間； 所述車輛實時運行數據具體包括:車輛線路信息、各個相鄰車輛站點之間路段上的車流量密度信息、以及車輛具體位置信息，其中，所述車輛線路信息包括:車輛線路名稱、到站時間、出站時間、以及相應數據採集終端的標識信息，所述車流量密度信息包括:車輛行駛速度信息； 所述車輛到站信息具體包括:到站時間、以及車輛到站延誤時間。
13.如權利要求12所述的方法，其特徵在於，所述智能分析模塊根據所述車輛監控規則信息控制數據採集終端，獲取所述數據採集終端採集的視頻碼流並進行處理；根據所述車輛基本信息從處理後的所述視頻碼流中獲取車輛實時運行數據，根據所述車輛實時運行數據、以及所述資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型；根據所述車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息，並將所述車輛實時運行數據寫入資料庫具體包括: 圖像處理模塊根據所述車輛基本信息和所述車輛監控規則信息從相應的數據採集終端獲取視頻碼流，將所述視頻碼流轉化為圖像幀，並對所述圖像幀進行濾波和灰度處理；車輛線路識別算法模塊從處理後的所述圖像幀中識別車輛線路，獲取所述車輛線路信息，並寫入資料庫； 車流量密度算法模塊從處理後的所述圖像幀中計算各個相鄰車輛站點之間路段上的所述車流量密度信息，並寫入資料庫； 到站時間預測模塊根據所述車輛實時運行數據、以及所述資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據所述車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息。
14.如權利要求13所述的方法，其特徵在於，到站時間預測模塊根據所述車輛實時運行數據、以及所述資料庫中當前時段的歷史車輛實時運行數據建立車輛到站時間預測模型，並根據所述車輛到站時間預測模型計算出車輛到達任一站的車輛到站信息具體包括: 根據所述車輛線路識別算法模塊識別出的所述車輛線路信息，從資料庫中獲取相應車輛線路所經歷的站點信息、以及站點間的路程信息，並從所述車流量密度算法模塊獲取相應的車流量密度信息； 假設各個站點之間的路程為S，車流量密度為如1七&(?，1')，其中，(16&&(?，1')=&/鄧的(1(P，T)，P為站點函數，T是時間函數，a為常量，站點間的路程S、車輛行駛速度speed和站點間行駛時間t的關係為t=S/speed ； 確定行駛時間t與車流量密度的關係為:t=S delta (P，T) /a ； 擬合出關於delta (P，T)和時間的一組曲線W[n]，根據當前某個站點的某個時刻的delta (P，T)，結合W[n]加權計算得到未來的車流量密度delta (P，T)，根據t=Sdelta (P, T)/a計算得到到站時間； 根據所述資料庫中相應時段的到站時間計算出車輛到站延誤時間。
【文檔編號】G08G1/123GK104243900SQ201310248167
【公開日】2014年12月24日 申請日期:2013年6月21日 優先權日:2013年6月21日
【發明者】張玲, 熊壯 申請人:中興通訊股份有限公司