[分享]高速公路异常事件自动检测系统设计

发表于2020-04-09     98人浏览     1人跟帖     总热度:442  


摘要:国内高速公路普遍安装了外场监测设备,接入了第三方监测数据,但对道路通行状态实时检测的主动性和智能化程度不高,存在监测信息孤岛、路况识别人工为主、路况信息发布不精准等监管痛点问题。面对困局,本文针对高速公路异常事件提出解决方案和系统设计。系统融合多源监测流水,通过海量数据验证的算法模型,实时识别路段车流、拥堵、异常事件等路况信息,进行声、光、色告警,同时自动生成符合高速公路监管规则的预警管控建议,对外发布。通过试运行,系统达到了路况自动识别、智能监控的研究目的。
目前,国内高速公路普遍安装了外场监测设备,但是对道路通行状态实时检测的主动性和智能化程度不高,主要存在以下问题:布设的采集设备检测范围有限,未达到全路段覆盖;高速公路运行状态的监测管理主要通过人工巡检和机器自动检测两种方法,人工巡检靠监控员死盯监控画面来实现,增加了监控员的工作负荷,造成视觉疲劳,大大降低了事故检出率,且目前已有的自动检测系统主要用于白天场景,隧道内和夜晚条件下识别效果有待改进;实施封道分流等道路管控信息的推送通过监控员经验来执行,确认事故信息及信息的录入、发布需耗费大量时间,造成信息服务延迟。
若事故或交通拥堵不能及时检测和处理,会导致车辆绕行甚至引发二次事故,降低了高速公路的运营效率,给高速公路运营公司带来巨大的经济损失。为此,本文设计了高速公路异常事件自动检测系统。
一、研究目标
本应用研究结合杭金衢高速公路金华段外场布设设备实际和业务需求,经过多方位的需求、现状调研,制定出研究目标,具体如下:
1、通过视频智能分析有效识别多种复杂环境下的交通事故,以及车辆停驶、逆行、缓行、抛洒物等异常事件,让道路管理人员可以及时发现并处置异常事件,减少事故或二次事故的发生几率;
2、打通不同交通检测设备之间的数据孤岛,利用多源数据融合技术实时监测路网交通运行状况,识别发生拥堵路段的拥堵范围、持续时间等,进一步提高路况监测的准确度;
3、自动分析并智能推荐道路封道分流等的道路管控措施建议,辅助管理部门决策分析,从而建立科学合理的管控工作机制和工作流程;
4、后续将通过多种渠道(如可变情报板、手机App等)发布事件、拥堵信息,提醒出行者主动避让,降低高速公路运营压力;
5、在集团范围内对高速公路外场检测设备的设置形成统一标准,引导各路公司实施智能化改造,避免走弯路。改变追求高大上、盲目设置而导致的不必要的浪费。
二、研究试点路段
G60沪昆高速(杭金衢)金华段起始自K256+900至K356+144止,全长99.242公里,共设10处互通、3处枢纽、2处服务区。其中K257至K319区间是杭金衢高速公路八车道路段,K319至K356区间是杭金衢高速公路四车道路段。因辖区内主线车流量逐年上升,统计2018年主线平均断面流量约为4.3万辆,2019年春运四车道达到6.3万辆,八车道达到6.9万辆。八车道下的作业安全风险增大、“八变四”路段的事故多发道路拥堵、二期拓宽施工推进都将成为道路管控的难点。因此,本应用研究试点路段选择了具有典型研究意义的杭金衢高速金华段。
根据研究需要,金华段外场监测设备在原来布设基础上进行了升级改造工作,在研究落地前,金华段外场监测设备具备多源数据的融合条件:27个微波车检器、65个视频事件监测设备、10个高清卡口、5个气象仪,以及GPS车辆数据接口、高德地图数据接口、收费车流接口。
落地系统利用算法模型融合多源监测流水,实时识别高速公路路况、异常事件,及时向可变情报板、智慧高速App、高德等推送交通状态和异常事件信息,确保高速公路管理部门和高速公路出行者及时全面掌握道路信息。经过近一年的试运行,目前,金华路段的日常监管工作,基本是以落地系统识别结果为研判数据,及时采取有数据依据的、较为精准的管控措施。
三、研究算法模型、实例分析
(一)采集、清洗多源监测流水
采用试点路段已经布设、接入的多源监测数据,系统对数据进行清洗、关联分析,作为后续算法的标准数据输入。多源数据包括微波(超声波)车检器、高清卡口、气象仪实时采集信息流水,以及路网收费数据、高德数据、应急救援车辆GPS数据、视频事件数据。
(二)核心算法模型分析
本应用研究根据多轮实际需求、现状调研后,研发出可落地、有效的核心算法模型,核心模型有识别拥堵交通状态、识别异常交通事件、管控预警建议模型、鞋塘管控预警模型、基础设施车流识别模型等。
1、路段异常事件识别模型
系统是基于服务器平台开发的后端智能视频分析设备,该系统以现有监控系统为基础,采用视频分析技术,在图像的覆盖范围内,能够进行各种交通事件、事故的自动检测和交通数据信息的统计,可为数字监控系统构建后端智能事件分析解决方案。系统对各种常见的高速公路(分路面与隧道两类场景)异常事件进行检测和报警,交通事件包括停驶、拥堵、行人、逆行、火灾、抛洒物、光线异常、烟雾、低速等,交通数据信息统计包括车流量、平均车速等交通信息量。
本系统采用涵盖自适应模型的目标背景分离技术、模板自动获取及匹配技术、机器学习和模式识别技术等业内领先的视频分析技术,形成独特的道路运动矢量场智能分析方法,并融合多项人工智能深度学习技术,如训练基于SSD的深度学习神经网络模型,以及基于深度学习GoogleNet的网络训练的分类器,对来自视频流数据平台的视频图像进行分析,跟踪和识别每个监控场景中的每个目标,准确过滤无效目标,大幅提升报警的准确率指标。
根据研究需要,系统落地前,在金华段进行了两轮检测研发试点。
(1)金华段第一阶段检测准确率数据
将系统在G60金华段部署的17路视频点(后增加到24路)的数据进行分析统计,在2017年11月12日至12月20日期间,总计6359条告警数据,经人工确认,统计有523条误告警数据,本系统平均告警准确率为91.8%,测试结果如表1所示。
其中,白天雨天摄像机镜头雨珠干扰较大(摄像机型号雨罩有待改型),后续算法优化后可提升告警准确率;对于夜间场景,对K296摄像机进行连续运行测试,目前准确率在50%〜70%之间,后续可将指标提升到70%〜90%之间,并扩大部署至全部摄像机(开启强光抑制功能)。
(2)金华段第二阶段检测准确率数据
2018年1月1日至6月30日,对G60金华段当时部署的17路视频点进行了第二轮测试,测试结果如表2所示。
目前,经过十个月的试运行,视频事件识别精度分析及下一步建议如下。
最佳布设建议:外场摄像机密度的理想状态是每1000米设置1个,且双向布设,这样可真正做到道路视频双向全覆盖。按照目前实际状态,可以在原路侧云台摄像机杆上,增补1台反向固定筒型摄像机,这样就可以最小的代价和最快的时间提升视频的覆盖率,改善现状。
视频检测精度分白天和夜晚两类场景,如表3所示。
2、路段拥堵识别模型
(1)算法模型
主数据源为微波(超声波)车检器、高德地图数据、视频事件检测数据、气象仪数据、收费路网数据,布设点较少的高清卡口可作为在某些特殊情况下辅助数据源。根据日间、夜间、天气状态等条件,采用动态优先级进行数据融合。
第一步:根据路段断面中布设的微波(超声波)车检器及视频,智能分析最新1分钟的检测数据(上下行平均车流、车速、大型车辆占比)、气象仪数据(温度、能见度、风速、雨量),结合实际管控经验中的交通阈值(详见表4),通过算法,识别出路段拥堵指数;
第二步:系统通过算法识别出路段初级拥堵指数,同时及时采集高德拥堵数据、视频拥堵事件进行数据融合处理;
第三步:系统根据路段初级拥堵指数,以及高德数据拥堵识别结果、视频事件拥堵识别结果的融合结果,识别出路段最终拥堵识别等级。系统实时推送告警任务,在监控大屏、PC端应用系统的平面地图上进行声、光、色告警。
(2)算法使用实际场景
系统通过算法模型、高德数据、视频事件识别到拥堵路况,及时推送告警任务,系统在路面上进行声、光、色的醒目提醒,监控员可实时进行事件管理、信息发布,显著提高了事件处置效率、节约了事件处置成本。目前,路段拥堵路况识别及时率、精确度均能达到95%以上。
3、匝道车流算法模型
(1)互通内外车检器车流相减算法
互通内外车检器车流相减算法示意图如图1所示。
江西方向互通出口匝道车流Ct=互通后方折算小时车流C(t-y)-互通内折算小时车流C(t-x)。同理,江西方向入口匝道车流Rt=互通前方折算小时车流Rt-互通内折算小时车流R(t-x)。其中,t为前方车检器数据采集当前时间,x、y分别为车辆从互通、后方车检器处到达前方车检器处需要行驶的时间,其中大、中、小车型分开计算。其中小时折算车流:先取对应车检器t时之前最新10分钟车流,然后乘以6得到小时折算车流。
杭州方向匝道车流计算同江西方向匝道车流计算的原理。
(2)匝道车流阈值算法
匝道车流阈值算法示意图如图2所示。
江西方向互通出口匝道车流江Ct=互通汇出收费车流C*该互通上周同一天t时同时段江西方向实际收费小时车流占比L1。同理,杭州方向互通出口匝道车流=互通汇出收费车流C*该互通上周同一天t时同时段杭州方向实际收费小时车流占比L2,其中车流均为小时折算车流。匝道阈值取值的起始日期可以进行参数设置(默认上周同一天,即7天,节假日可以单独设置)。其中,L1、L2是根据上周(去年同一节假日)同一天同一时段的收费车流方向统计动态阈值。
4、预判车流模型
(1)动态预判车流算法模型介绍
预判车流通过动态预判车流、相邻断面车流变化趋势预判车流两种模式实施。前者识别结果以管控预警建议、断面小时预判车流精度分析报表形式在前端展现;后者以图层控制的方式展示各个断面30分钟、60分钟后的预判车流。
①预判时间
预判时间采用动态计算,即用途经断面当时的平均车速Vi、里程Li,算出单个途径断面时间Ti=Li/Vi,预判时间就是各个断面的时间合计∑Ti。
②预判车流
目前,断面预判车流算法是根据相邻路段车辆到当前断面的时间,动态综合考虑相邻路段汇入车流、断面后方途径所有互通汇入汇出车流、当前断面当前车流,预测出当前断面在预判时间后的预测车流。当前考察断面折算小时车流::V1=V+△L+。其中,V为当前断面小时折算车流,△L为相邻路段在预判时间(M分钟)后的变化差值,为当前断面后方所有互通的汇入(Ri)与汇出(Ci)匝道车流的差值。
(2)相邻断面车流趋势阈值算法模型介绍
系统通过图层控制展示金华路段12个断面主干线车流(互通内、外)在30分钟、1小时后的预判车流。
该预判车流算法采用历史阈值(上周或上一节假日同一天同一时段车流变化趋势)法,并实施车流预警机制。
5、管控预警模型——动态管控算法模型介绍
系统定时识别一次各个断面的小时预判车流,即根据每个断面当前小时折算主线车流,考量途径互通汇入的流量与前方化解流量(汇出车流)及相邻路段汇入车流(相邻路段20公里内的管控措施在前端面板展示以供人工参考),得到该断面一段时间后的小时预判车流,系统比量预判车流A与该断面标准车流B,若A≥110%*B时,按优先级适时给出管控预警:收费站入口关闭、其他路段协助、收费站出口分流。
预判拥堵路面后方关闭哪些收费站入口,建议采用就近原则,关闭的数量依据关闭多少收费站入口的流量能达到控制拥堵的效果而定,即预判拥堵车流多出标准车流部分要小于后方入口关闭的流量总和。关闭收费站数量的最大值就是后方所有入口都关闭。
例如,江西方向望道(K285)至上溪(K289)处主干线车流若预判为每小时3100车次,那么拥堵车流多出正常车流300车次(3100-2800),因节假日当前断面后方第一个收费站的选定需跳过义乌收费站,考虑浦江、郑家坞收费站,入口车流分别为200车次、150车次,系统则建议浦江、郑家坞收费站入口关闭。
四、高速公路通行状态自动检测系统应用
(一)系统总体设计
1、总体框架
系统总体框架如图3所示。
2、闭环的解决方案
研究结果落地方案本着融合多源监测流水、实施算法模型、展示识别结果、事件管理、智能发布路况信息、专人案例分析、优化路况模型闭环管理原则,在近一年的试运行过程中,结合路网监控工作实际场景,进行多次优化升级,其研究目的初见成效,大幅提高了路况智能、主动识别的效率,降低了路网监管运营的成本。
(二)核心系统功能成效展示
1、算法模型识别结果实时大屏告警、融合监控系统
算法模型识别结果在监控室大屏上实时展示,展示内容包括路面基础设施车流与预警、路网异常事件声光色告警、路网拥堵事件声光色告警、特定断面管控预警建议,以及图层控制(气象、应急车辆、施工、特殊地形等)。试点路段的监控室大屏24小时展示算法模型识别结果。
(1)基础设施车流界面效果
系统实时展示高速公路基础设施(主干线、匝道、收费站、服务区)当前车流,并实施车流预警机制(红、黄色预警)。刷新频率为每分钟一次。
(2)异常事件界面效果
若算法模型识别到事件发生,系统将自动弹出对应事件详情,直接显示事件图片,视频提供按钮,点击后可查看。
(3)拥堵界面效果
若主线发生拥堵,系统数据融合算法将对数据进行分析,根据设置的阈值(预警中心的初步拥堵等级阈值)数据,生成拥堵或缓行路况事件通过大屏进行告警。系统不再自动弹出对应事件详情,需要人工点击报警图标(报警图标分节假日、非节假日两种展示模式,默认非节假日模式,由人工进行两种模式切换,非节假日模式展示报警图标,节假日模式不展示报警图标),视频提供按钮,点击后可查看。
(4)管控预警界面效果
系统首先对路段的12个断面预判车流进行识别,然后根据管控预警规则(断面预判车流与管控预警阈值的关系),系统自动弹出醒目的管控建议,弹出窗口内容:算法推理理由、当前断面后方4个断面的当前车流、预判车流,以及建议管控措施(收费站入口管理、相邻路段协助、收费站出口分流,分优先级依次建议)。
该算法每10分钟定时识别一次,并刷新上次识别结果。
(5)融合在用监控系统进行事件应急处理、信息发布
算法识别路网异常事件、拥堵路况结果在大屏上进行声、光、色告警,值班监控员通过现场视频确认为事件后,系统自动融合在用监控指挥管理系统进行现场事件、管理联动单位、控制诱导、管控措施、信息发布、路产赔付等一系列应急处理工作。
2、专人案例分析
试点路段管理人员成立专门算法分析小组,利用落地系统提供的有效工具,定期对实施的算法模型精度、成效进行分析、跟踪、复盘,及时调整交通阈值、优化算法模型,并不断规范外场监测设备布设标准。
3、外场监测设备使用情况
(1)微波车检器
互通(枢纽)内设置1个,共13个;两个互通间至少设置1个,共14个;分三种车型,准确率均在95%以上;目前布设密度偏小。
(2)超声波车检器
金华段设置了3处超声波车检器;新安装时,主干线精度达90%以上,匝道精度达93%以上;价格便宜,可同时识别5车道;运行不稳定,总体精度达不到要求。
(3)视频事件监测设备
金华段设置65处视频事件监测设备;白天晴、阴、小雨、淡雾、雪天等,每小时车速>60km时,精度最高可达98%;车速在20-60km之间时,精度最高可达95%;晚上及速度<5km时,流量、异常事件精准度不够。
(4)高清卡口
金华段设置10处高清卡口(服务区8个,主干线2个);捕获率普遍在95%以上、识别率在93%以上;目前密度不够,作为校验用。建议接入收费外广场的交警高清卡口监测数据。
(5)气象仪
金华段设置5处气象仪;捕获率在92%以上。
五、系统改进方向
(一)丰富监测数据源
融合收费自由流、集团外收费车流,提取车辆行驶轨迹,提高算法精度。
(二)算法模型升级改造
根据系统运行实际场景,不断积累历史道路运行数据,对算法模型进行升级改造,提高拥堵预判能力。
1、路段拥堵识别模型:路段拥堵识别源需要加权融合优化,实施按照外场检车设备为主,第三方数据接口为辅的融合规则。
2、基础设施车流刷新频率提高到秒级。
3、算法使用的交通阈值,需要根据合适时间段内的历史监测数据,通过机器学习技术动态获取,而不是目前的凭管控经验人工指定。
4、路段异常事件识别模型优化:对于视频事件识别异常的情况,提供人工调整的管理界面;根据当前车流、管控措施、交通气象,识别出未来一段时间内可能发生的异常事件。
5、根据自由流数据,识别出特定车辆的行驶轨迹,用作路况算法模型的优化。
(三)规范外场设备布设建议
1、车检器:建议适当加密车检器,做到5km左右布设1个,实现夜间3分钟左右发现异常事件。
2、视频事件监测设备:建议布设密度每1000米1个且双向;建议在原路侧云台摄像机杆上,增补1台反向固定筒型摄像机,满足白天全路段、全时段监测道路运行情况。
3、建议主干线在关键点(大型桥梁、易积水、团雾多发等路段)布设气象仪设备,结合省气象局发布的数据,满足管控需要。
六、总结
随着本研究的开展和落地,高速公路异常事件的自动检测研究与应用方面,积累了一定的经验和宝贵的创新点。
(一)创新点
1、基于深度学习技术的高速公路复杂环境下视频事件检测算法
本研究利用车尾灯特征与车灯闪烁特征,采用深度学习方法提高车灯特征与事件特征匹配度,从而提高车辆检测抗光线变化能力,排除了天气光线等来带的干扰。
2、多源数据融合处理并相互印证
引入了互联网第三方平台识别的路况数据(高德、GPS、北斗卫星定位识别数据),根据在时间、空间、频率3个维度上的多源数据融合处理并相互印证,提高检测精度,降低检测误报率。
(二)社会效益
1、全面实时掌控道路通行状况
通过全面的前端感知网络与后台数据分析研判,直观地在大屏上展示高速公路实时运行情况。
2、提高高速公路综合交通管理水平,提升服务质量
高速公路路况事件系统(前台展示+后台处理分析),为行业管理单位提供了一种高速交通智能监测与管理思路。
3、打造创新型高速公路运营部门
以本研究的建设带动智慧交通产业化发展,打造创新交通运营单位。
(三)经济效益
1、减少拥堵时间、提高通行保障能力
通过监控设备的布设,及时发现高速公路拥堵情况,减少报警反应时间;通过加强与交警、高速业主之间的动态联动,加强相关部门之间的协作,减少部署联络时间;通过可变情报板及时发送即时路况信息,有效疏导高速公路客流,减少高速公路车流疏散时间。诱导驾驶员降低行驶速度,避免二次事故的发生。
2、提高高速公路运行效率
及时对车辆合理分流,均衡路网负荷,避免“拥堵热点”的产生,使每条道路充分发挥作用,提高高速公路效率。
3、增加高速公路通行费收益
在保证高速公路运行畅通的前提下,增加高速公路行驶车辆,有助于提高高速公路业主单位通行费收益。
4、减少燃油消耗与碳排放
高速公路路况事件系统有助于降低燃油消耗量的本质因素在于提高了高速公路通行效益,减少了高速公路车辆通行时间。


扫码加入筑龙学社  ·  路桥市政微信群 为您优选精品资料、免费课程、高端讲座
分享至

分享到微信朋友圈 ×

打开微信"扫一扫",扫描上方二维码
请点击右上角按钮 ,选择 

 发表于2020-04-09   |  只看该作者      

2

高速公路异常事件自动检测系统设计

 回帖后跳转到最后一页


分享