一种道路远程预警方法和装置与流程

1.本文涉及道路监控技术，尤指一种道路远程预警方法和装置。


背景技术：

2.随着安防行业相关技术的不断发展，道路监控预警系统也逐渐完善，传统的道路监控预警系统依赖卡口摄像机对道路车辆及行人进行识别，并通过后台智能分析服务器进行行为分析，得到相应违法、违章或报警数据，并且通过视频图像管理平台来查询及处理相应的异常违法行为。但随着道路网的不断立体化发展以及车辆的逐渐增多，这种方式已经难以对复杂的交通路况进行更高效的管控，特别是在道路路况紧急实时预警方面，仅仅依赖传统的道路监控预警系统难以做到实时、有效、精确地将预警发送到具体目标车辆或人员。
3.因此如何实现实时、有效、精确的路况预警是当前智能交通发展的重点方向。


技术实现要素：

4.本技术实施例提供了一种道路远程预警方法和装置，能够实现实时、有效、精确的路况预警，减少道路事故的发生，为加快道路故障处理速度提供了技术基础。
5.本技术实施例提供了一种道路远程预警方法，所述方法可以包括：
6.获取道路异常告警信息；所述道路异常告警信息可以包括对象因素和指标因素；
7.将所述道路异常告警信息输入预设的权重计算模型，通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值；
8.将计算出的权重值输入预设的多因子综合分级模型，通过所述多因子综合分级模型计算出所述对象因素的预警级别；
9.根据所述预警级别确定出需要预警的预警范围，并通过5g通信将预警信息数据发送至所述预警范围内的目标卡口，以通过所述目标卡口进行故障预警。
10.在本技术的示例性实施例中，所述对象因素可以包括：告警类型；所述通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值可以包括：
11.基于1-9尺度法构造所述道路异常告警信息的不同因素之间的第一成对比较矩阵；
12.采用规范列平均法对所述第一成对比较矩阵进行一致性校验，并在所述第一成对比较矩阵一致性校验通过时计算不同因素的权重向量w1；
13.基于1-9尺度法构造所述告警类型对于不同的因素之间的第二成对比较矩阵；
14.采用规范列平均法对获得的多个所述第二成对比较矩阵分别进行一致性校验，并在每个第二成对比较矩阵一致性校验通过时计算相应因素对应的因素权重向量，并由计算出的多个因素权重向量组合成权重矩阵w2；
15.根据所述权重向量w1和所述权重矩阵w2计算所述对象因素在所述指标因素中的权重值w。
16.在本技术的示例性实施例中，所述基于1-9尺度法构造所述道路异常告警信息的不同因素之间的第一成对比较矩阵可以包括：
17.确定不同因素的因素向量x1；x1＝{x
11
,x
12
,x
13
,
…
x
1n
}；
18.从所述因素向量x1中获取任意两个因素x
1i
和x
1j
，根据所述1-9尺度法将所述因素x
1i
和x
1j
的影响值之比a
1i,1j
表示成1至9的自然数或者1至9的自然数的倒数；其中，所述1至9的自然数以及所述1至9的自然数的倒数用于表征因素x
1i
和x
1j
的影响尺度；
19.由所述1-9尺度法表示的全部影响值之比a
1i,1j
组成所述第一成对比较矩阵；
20.和/或，
21.所述基于1-9尺度法构造所述告警类型对于不同的因素之间的第二成对比较矩阵可以包括：
22.分别获取每一种因素的因素向量；
23.将每一种因素向量中包含的多种评价主体分别两两比较，获取该因素对应的多个影响值之比；所述多个影响值之比表示成1至9的自然数或者1至9 的自然数的倒数；其中，所述1至9的自然数以及所述1至9的自然数的倒数用于表征该因素包含的任意两个评价主体之间的影响尺度；对于任意一个因素，由所述1-9尺度法表示的全部影响值之比组成该因素对应的第二成对比较矩阵；并且针对多个因素相应获取多个第二成对比较矩阵。
24.在本技术的示例性实施例中，所述采用规范列平均法对所述第一成对比较矩阵进行一致性校验，并在所述第一成对比较矩阵一致性校验通过时计算不同因素的权重向量w1可以包括：
25.根据所述规范列平均法计算所述第一成对比较矩阵的第一最大特征根λ
1max
；
26.根据所述第一最大特征根λ
1max
和预设的一致性检测策略检测所述第一成对比较矩阵的一致性程度是否在允许范围内；
27.当所述第一成对比较矩阵的一致性程度在允许范围内时，将计算所述第一最大特征根λ
1max
过程中获取的第一行归一化向量作为所述权重向量w1；
28.和/或，
29.所述采用规范列平均法对获得的多个所述第二成对比较矩阵分别进行一致性校验，并在每个第二成对比较矩阵一致性校验通过时计算相应因素对应的因素权重向量可以包括：
30.根据所述规范列平均法计算每个第二成对比较矩阵的第二最大特征根λ
2max
；
31.根据所述第二最大特征根λ
2max
和预设的一致性检测策略检测相应的第二成对比较矩阵的一致性程度是否在允许范围内；
32.当所述第二成对比较矩阵的一致性程度在允许范围内时，将计算所述第二最大特征根λ
2max
过程中获取的第二行归一化向量作为当前第二成对比较矩阵对应因素的因素权重向量。
33.在本技术的示例性实施例中，所述根据所述规范列平均法计算所述第一成对比较矩阵的第一最大特征根λ
1max
可以包括：
34.对所述第一成对比较矩阵的每一列向量进行归一化，获取第一列归一化矩阵
35.对所述第一列归一化矩阵ω
1i,1j
按行求和，获取第一向量
36.根据所述第一向量ν
1i
对所述第一成对比较矩阵的每一行向量进行归一化，获取第一行归一化向量
37.计算所述第一成对比较矩阵的第一最大特征根
38.和/或，
39.所述根据所述规范列平均法计算所述第二成对比较矩阵的第二最大特征根λ
2max
可以包括：
40.对所述第二成对比较矩阵的每一列向量进行归一化，获取第二列归一化矩阵
41.对所述第二列归一化矩阵ω
2i,2j
按行求和，获取第二向量
42.根据所述第二向量v
2i
对所述第二成对比较矩阵的每一行向量进行归一化，获取第二行归一化向量
43.计算所述第一成对比较矩阵的第一最大特征根
44.在本技术的示例性实施例中，所述一致性检测策略可以包括：
45.检测是否满足
46.当满足时，确定对比较矩阵的一致性程度在允许范围内；当不满足时，确定对比较矩阵的一致性程度不在允许范围内；
47.其中，ri表示随机一致性指标，ri数值与不同的k值的对应关系由预设映射表提供；k为自然数；
48.和/或，
49.所述根据所述权重向量w1和所述权重矩阵w2计算所述对象因素在所述指标因素中的权重值w可以包括：w＝w1
×
w2。
50.在本技术的示例性实施例中，所述通过所述多因子综合分级模型计算出所述对象因素的预警级别可以包括：
51.确定能够导致道路异常告警的异常因子，并计算每个异常因子的属性值；所述异常因子包括所述告警类型，还包括以下任意一种或多种：车流量、道路类型、异常区域场景以及能见度；其中，所述告警类型的属性值根据所述权重值w计算获得；
52.基于每个异常因子的属性值，采用所述层次分析法确定每个异常因子的权重大小；
53.根据每个异常因子的权重大小和属性值计算全部异常因子的权重平均值；
54.根据计算出的权重平均值和预设的第一映射表确定对应的预警级别；所述第一映射表中包含不同的权重平均值与不同的预警级别的对应关系。
55.在本技术的示例性实施例中，所述基于每个异常因子的属性值，采用层次分析法确定每个异常因子决定异常分值的权重大小可以包括：
56.采用预设的1-9尺度法构造全部异常因子进行两两比较的比较矩阵；
57.对所述比较矩阵的每一列向量进行归一化，获取归一化矩阵；
58.将所述归一化矩阵的各列相加，将相加后获取的向量除以异常因子的个数，获得权重向量；所述权重向量内包含每个异常因子的权重大小。
59.在本技术的示例性实施例中，所述根据所述预警级别确定出需要预警的预警范围可以包括：
60.根据计算出的预警级别和预设的第二映射表确定所述预警范围；所述第二映射表中包含不同的预警级别与不同的预警范围的对应关系。
61.本技术实施例提供了一种道路远程预警装置，可以包括处理器和计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令被所述处理器执行时，实现上述任意一项所述的道路远程预警方法。
62.与相关技术相比，本技术实施例可以包括：获取道路异常告警信息；所述道路异常告警信息包括对象因素和指标因素；将所述道路异常告警信息输入预设的权重计算模型，通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值；将计算出的权重值输入预设的多因子综合分级模型，通过所述多因子综合分级模型计算出所述对象因素的预警级别；根据所述预警级别确定出需要预警的预警范围，并通过预设的通信方式将预警信息数据发送至所述预警范围内的目标卡口，以通过所述目标卡口进行故障预警。通过该实施例方案，实现了实时、有效、精确的路况预警，减少了道路事故的发生，为加快道路故障处理速度提供了技术基础。
63.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
64.附图用来提供对本技术技术方案的理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术的技术方案，并不构成对本技术技术方案的限制。
65.图1为本技术实施例的道路远程预警方法流程图；
66.图2为本技术实施例的告警上报方案示意图；
67.图3为本技术实施例的通对权重计算模型产生影响的所有因素按照不同的权重自上而下分解成三个层次的示意图；
68.图4为本技术实施例的通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值的方法流程图；
69.图5为本技术实施例的通过所述多因子综合分级模型计算出所述对象因素的预警级别的方法流程图；
70.图6为本技术实施例的道路远程预警装置组成框图。
具体实施方式
71.本技术描述了多个实施例，但是该描述是示例性的，而不是限制性的，并且对于本领域的普通技术人员来说显而易见的是，在本技术所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合，并在具体实施方式中进行了讨论，但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外，任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用，或可以替代任何其它实施例中的任何其他特征或元件。
72.本技术包括并设想了与本领域普通技术人员已知的特征和元件的组合。本技术已经公开的实施例、特征和元件也可以与任何常规特征或元件组合，以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合，以形成另一个由权利要求限定的独特的发明方案。因此，应当理解，在本技术中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此，除了根据所附权利要求及其等同替换所做的限制以外，实施例不受其它限制。此外，可以在所附权利要求的保护范围内进行各种修改和改变。
73.此外，在描述具有代表性的实施例时，说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而，在该方法或过程不依赖于本文所述步骤的特定顺序的程度上，该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的，其它的步骤顺序也是可能的。因此，说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外，针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤，本领域技术人员可以容易地理解，这些顺序可以变化，并且仍然保持在本技术实施例的精神和范围内。
74.本技术实施例提供了一种道路远程预警方法，如图1所示，所述方法可以包括步骤s101-s104：
75.s101、获取道路异常告警信息；所述道路异常告警信息可以包括对象因素和指标因素；
76.s102、将所述道路异常告警信息输入预设的权重计算模型，通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值；
77.s103、将计算出的权重值输入预设的多因子综合分级模型，通过所述多因子综合分级模型计算出所述对象因素的预警级别；
78.s104、根据所述预警级别确定出需要预警的预警范围，并通过预设的通信方式将预警信息数据发送至所述预警范围内的目标卡口，以通过所述目标卡口进行故障预警。
79.在本技术的示例性实施例中，所述道路异常告警信息可以包括以下任意一种或多种因素：告警类型、告警时间、告警地点以及告警设备类型；所述道路异常告警信息可以包括对象因素和指标因素；所述对象因素可以包括：告警类型；所述指标因素可以包括：告警时间、告警地点以及告警设备类型。
80.在本技术的示例性实施例中，随着新型通信技术(例如，包括但不限于4g、 5g、6g
……
等)的成熟发展及广泛应用，衍生了基于新型通信技术的道路预警系统方案。这样的系统相较于传统监控系统，具有预警实时、信息有效、定位精确的特点，能够及时的将异常路况信息发送到相应的目标车辆或人员，很大程度上能够避免交通拥堵、事故以及提升整个交通道路网络的运行效率。
81.在本技术的示例性实施例中，当道路遇到突发情况(例如，行人或动物闯入机动车道、道路塌陷、障碍物、车祸、自然灾害等引起的道路意外情况) 时，可以通过智能卡口抓拍以及智能分析服务器进行分析，分析出结果后经过预设的通信技术(如5g通信)将预警信息发送到相应的目标卡口处，再由各目标卡口对正在道路行驶的车辆终端进行实时预警，以减少道路事故的发生及加快道路故障处理时间。
82.在本技术的示例性实施例中，智能卡口识别出道路异常告警信息，一个较为完整道路异常告警信息可以包含以下要素：告警类型、告警时间、告警地点、告警设备类型、告警区域场景、告警道路类型等信息。
83.在本技术的示例性实施例中，为了保证收集到道路异常告警信息的完整性以及信息传递的稳定性、可靠性，可以将道路异常告警信息数据定义如表1 所示：
84.表1
[0085][0086]
在本技术的示例性实施例中，智能卡口可以通过5g通信技术对道路异常告警信息进行分析，并调整告警上报频率。智能卡口识别到道路异常告警信息后，可以根据不同的卡口业务区域场景、告警类型、告警时间等，来进行权重的计算，然后得到合理的告警上报规则进行告警上报。
[0087]
在本技术的示例性实施例中，如图2所示，告警上报方案可以包括：报警设备识别道路异常告警信息，报警设备数据接入层的告警类型可以通过预设的层次分析模型求解；对求解后的所有的告警类型可以通过预先建立的权重计算模型进行权重计算；并通过多因子综合分级模型计算出预警级别，得到合理的告警上报规则，最终根据告警上报规则进行处理上报，实现故障预警。
[0088]
在本技术的示例性实施例中，可以预先建立该权重计算模型和多因子综合分级模型，下面将对两种模型的建立做详细介绍。
[0089]
在本技术的示例性实施例中，在模型建立之前，可以首先进行模型场景假设，假设：(1)每次接受到的告警均实时和真实；(2)告警设备没有漏报报警；(3)当前业务场景影响告警评定的因素(例如，告警类型、告警级别、告警时间、告警区域点位、告警设备类型等)是合理的、全面的；(4) 对告警类型综合评价的所有因素所占的权重是阶梯形的；(5)对告警类型综合评定因素的评价，要做到客观公正；(6)假设在短时间内，题内各层因素结果不会发生变化。
[0090]
在本技术的示例性实施例中，在开始建立模型时，可以选择几个重要的因素(例如，告警类型、告警级别、告警时间、告警区域场所、告警设备类型等)来研究，从而准确的制定出不同告警类型的综合评定。
[0091]
在本技术的示例性实施例中，如图3所示，可以将对模型产生影响的所有因素按照不同的权重自上而下分解成三个层次。例如，告警类型可以处于对象层，处于对象层的因素可以称为对象因素；告警级别、告警时间、告警区域场所、告警设备类型等可以处于指标层，处于指标层的因素可以称为指标对象；告警类型的综合评定可以处于目标层。
[0092]
在本技术的示例性实施例中，由于指标层中的因素在目标衡量中所占的比重不相同，依据彼此之间的影响关系，进而可以确定它们在目标衡量中所占的权重。权重越大则说明所考虑的因素对该问题的影响程度越大。
[0093]
在本技术的示例性实施例中，假设有n(n为正整数)个影响评定的因素 x＝{x1,x2,x3,
…
xn}，要对比这些因素对上一层因素的影响程度大小，从而确定该层相对于上一层所占的权重。
[0094]
在本技术的示例性实施例中，可以取任意两个因素xi与xj进行比较，实现对因素向量x中的两两因素进行比较。i＝1、2、
…
、n；j＝1、2、
…
、k；i和 j为自然数。
[0095]
在本技术的示例性实施例中，a
ij
可以表示xi和xj对上层目标的影响大小之比；a＝(a
ij
)
mn
表示全部结果(m为正整数)，即则a
ij
》0，a
ij
＝1/a
ij
，易知(a
ii
＝1,i,j＝1,2,
…
,n)。
[0096]
在本技术的示例性实施例中，在构造成对比较矩阵(即正互反矩阵)a时，可以依据t.l.saaty提出的1-9尺度，因此a
ij
可取1,2,3
…
9及其倒数 1,1/2,
…
1/9做尺度。它们代表的意义可以如表2所示：
[0097]
表2
[0098][0099]
在本技术的示例性实施例中，基于以上原理，可以在建立权重计算模型时首先构建基于1-9尺度算法的成对比较矩阵构建模块。
[0100]
在本技术的示例性实施例中，在构建成对比较矩阵以后，可以：
①
完成指标层对目标层的成对比较矩阵的一致性检验；
②
求出最下层(对象层)对指标层的权向量和组合一致性检验；
③
最终计算对象层对目标层的权向量，根据权向量大小进行告警类型的排序。
[0101]
在本技术的示例性实施例中，当λ
max
＝k时，得ci＝0，说明a完全一致；当ci越大时，a的不一致性就越严重，t.l.saaty又引入随机一致性指标ri进行一致性检验。ri的数值可以如表3所示：
[0102]
表3
[0103][0104]
在本技术的示例性实施例中，当时，可以认为成对比较矩阵的一致性程度在允许范围内。
[0105]
在本技术的示例性实施例中，其中，λ表示成对比较矩阵的特征根，λ
max
表示成对比较矩阵的最大特征根，ωi表示组合权向量(或简称权向量)，ci表示一致性指标，ri表示随机一致性指标，cr表示一致性比率。
[0106]
在本技术的示例性实施例中，基于以上原理，可以在建立权重计算模型时构建基于ci、ri、cr以及λ
max
的成对比较矩阵一致性检测模块。
[0107]
在本技术的示例性实施例中，在构建了成对比较矩阵构建模块和成对比较矩阵一致性检测模块的基础上，可以基于输入的道路异常告警信息计算成对比较矩阵，基于该成对比较矩阵和规范列平均法(可以简称和法)计算成对比较矩阵的最大特征根，并基于该最大特征根和成对比较矩阵一致性检测模块确定出特征向量(作为权向量)。
[0108]
在本技术的示例性实施例中，计算成对比较矩阵的最大特征根可以采用下述方
案：
[0109]
1.将a的每一列向量归一化，获得列归一化矩阵
[0110]
2.对ω
ij
按行求和，计算列向量
[0111]
3.经行归一化，获得行归一化向量ω＝(ω1,ω2,
…
,ωn)
t
即为近似的特征向量；
[0112]
4.计算作为最大特征根的近似值；
[0113]
a的最大特征根为λ
max
,可以代入一致性指标中，其中，k的值以及ri的数值可以通过表3查询获得，使得确认成对比较矩阵通过一致性检验；此时可以将计算出λ
max
时所计算出的特征向量ω作为组合权向量w1，或称权向量。
[0114]
在本技术的示例性实施例中，基于以上原理，可以在建立权重计算模型时构建基于规范列平均法的第一权向量计算模块。
[0115]
在本技术的示例性实施例中，上述建立的成对比较矩阵构建模块可以由第一成对比较矩阵构建子模块和第二成对比较矩阵构建子模块这两个子模块组成。
[0116]
在本技术的示例性实施例中，第一成对比较矩阵构建子模块可以用于根据影响目标综合评定的因素，例如，输入的道路异常告警信息中的全部因素 (例如，告警类型、告警时间、告警地点以及告警设备类型)，构建第一种成对比较矩阵。
[0117]
在本技术的示例性实施例中，根据模型假设里对各个因素的影响程度的不同，可以给出相应合理的数据去检验成对比较矩阵的一致性，并算出其权向量。
[0118]
在本技术的示例性实施例中，第二成对比较矩阵构建子模块可以用于根据影响指标层的对象层的因素(对象因素)，例如告警类型中的每种不同的告警类型分别针对告警因素(例如，告警类型、告警时间、告警地点以及告警设备类型)进行一一比较，得出每种不同的告警类型在各个告警因素上的重要程度矩阵，即构建出第二种成对比较矩阵。
[0119]
在本技术的示例性实施例中，基于以上原理，可以在建立权重计算模型时构建基于权向量组合算法的第二权向量计算模块，用于根据权向量 (例如后续实施例提到的)可以组成权重矩阵w2。
[0120]
在本技术的示例性实施例中，在第二权向量计算模块计算出权向量w1，第二权向量计算模块计算出权重矩阵w2后，可以通过w＝w1
×
w2计算出对象因素在指标因素中的权重值w。
[0121]
在本技术的示例性实施例中，根据w＝w1
×
w2，可以构建权重计算模型的第三权向量计算模块。
[0122]
在本技术的示例性实施例中，通过以上方案，边可以构建出权重计算模型，该权重计算模型可以包括：第一成对比较矩阵构建子模块、第二成对比较矩阵构建子模块、成对比较矩阵一致性检测模块、第一权向量计算模块、第二权向量计算模块和第三权向量计算模
块。
[0123]
在本技术的示例性实施例中，通过权重计算模型可以计算出告警类型在所述指标因素中的权重值。根据权重计算模型对道路异常告警信息进行分析，基于不同区域应用场景下的各种告警类型进行计算得到权重结果，根据该权重结果对告警频率进行排列，对于频率较高的告警，优先、快速上报并提示用户以便做出处理。
[0124]
在本技术的示例性实施例中，下面对多因子综合分级模型的构建方法作详细介绍。
[0125]
在本技术的示例性实施例中，智能分析服务器可以根据传输来的异常告警信息以及计算出的权重值按不同权重进行分析，获取异常预警的预警级别。
[0126]
在本技术的示例性实施例中，构建多因子综合分级模型，主要是依据各因子的大小来确定异常结果，最终来确定预警级别。
[0127]
在本技术的示例性实施例中，根据道路异常情况，可以抽取以下因素作为异常因子进行评级：
[0128]
1、异常告警类型(即告警类型)：在评估实际的道路异常级别中，异常告警类型是决定道路异常级别的关键因素，它具体包括：车祸、自然灾害、行人或动物闯入、道路堵塞或坍塌以及其他等，并且每一种类型都决定了异常告警类型的直接得分。
[0129]
2、车流量：道路发生异常情况时，道路车流量大小也能够影响异常级别，当车流量很大时候，道路异常可能会造成比较严重的交通拥堵或事故，因此这种情况下的异常级别会相对较高，反之亦然。
[0130]
3、道路类型：在我国道路类型按照不同维度可以分为不同级别的道路，在这里我们按照一般的分类来进行分析，即道路类型包括城市道路、高速、国道、省道以及其他等，比如城市道路或高速道路中发生异常情况时，就需要相对的提高该异常情况级别。
[0131]
4、重点区域场景：重点区域指的是异常地点的区域性质，如城市交通枢纽、学校医院、商业中心及其他等区域，其中交通枢纽在发生道路异常时情况最为紧急，同理异常级别也会是最高。
[0132]
5、能见度：道路能见度随着天气、早晚等因素的影响，会有一个动态的表现，在实时的道路异常情况分析时，能见度也是我们分析模型中的一个重要因素。
[0133]
6、其他。
[0134]
在本技术的示例性实施例中，设计多因子综合分级模型的关键，在于多异常因子属性的确定和各异常因子权值的确定，因此，多因子综合分级模型的构建可以分为以下几个步骤(第一步至第四步)：
[0135]
第一步，各异常因子评估模型
[0136]
这里，仅以异常告警类型、车流量和能见度为例进行评估，其他异常因子可以参照这几个模型进行评估。
[0137]
1、异常告警类型模型
[0138]
异常告警类型可以按照不同的类型评估其分值，属性值越大预警级别越高，将其规范化处理可得到模型
[0139]
其中，f(x
1i
)表示异常告警类型属性值，x
1i
表示异常告警类型，a
1i
表示异常告警类
型i的异常类型分值，a
1max
表示异常类型属性最大分值。异常告警类型i的异常类型分值可以根据前述方案中通过权重计算模型计算出的权重值获得。
[0140]
2、车流量模型
[0141]
因为车流量每一次都可实时得到确切数据值，值越大预警级别越高，因此在这里将其直接规范化处理可得模型
[0142]
其中，f(x
2i
)表示车流量属性值，x
2i
表示车流量，a
2i
表示异常告警类型i 的实际车流量，a
2max
表示车流量理想最大值。
[0143]
3、能见度模型
[0144]
道路能见度也是一个确切数值，但其值越大预警级别越低，这里将其规范化处理可得模型
[0145]
其中，f(x
3i
)表示能见度属性值，x
3i
表示能见度，a
3i
表示异常告警类型i 的实际能见度，a
2min
表示能见度理想最小值。
[0146]
第二步，利用层次分析法(ahp)确定每个异常因子决定异常分值的权重大小，具体模型构造方法可以如下：
[0147]
1、利用各个异常因子构造比较矩阵：即将各异常因子两两进行比较，分别将异常告警类型、车流量、重点区域、道路类型、能见度、其他等因素表示为a1...ai因子，比较第i个因子相对于第j个因子的比较结果，也就是矩阵元素a
ij
的值，这个值可以使用santy的1-9尺度法给出。在这里，影响异常结果的6个异常因子两两比较的比较矩阵a可以如下述表4所示：
[0148]
表4
[0149] a1a2a3a4a5a6a1134679a21/312578a31/41/21247a41/61/51/2135a51/71/71/41/313a61/91/81/71/51/31
[0150]
2、权重计算
[0151]
这里可以使用算术平均法来计算权重，比较矩阵a中每一列都近似的反应了权值的分配情形，所以可以采用全部列向量的算术平均值来估计权向量，即
[0152]
上式中，首先将a矩阵元素按列归一化；将归一化的各列相加；将相加后的向量除以n即得权重向量。
[0153]
第三步，计算多因子加权算术平均值，即得到异常分析结果：
[0154]
其中f(xi)表示第i个异常因子属性
值，wi表示第i个异常因子的权重，s表示异常分析结果。
[0155]
第四步，不同分数s可以对应不同的预警级别，可以将预警级别按照表5 定义如下：
[0156]
表5
[0157]
s预警级别0-0.210.2-0.520.5-0.830.8-14
[0158]
在本技术的示例性实施例中，通过以上方案便构建了权重计算模型和多因子综合分级模型。
[0159]
在本技术的示例性实施例中，通过智能卡口获取道路异常告警信息以后，便可以将所述道路异常告警信息输入预设的权重计算模型，通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值。
[0160]
在本技术的示例性实施例中，如图4所示，所述通过所述权重计算模型计算所述对象因素在所述指标因素中的权重值可以包括步骤s201-s205：
[0161]
s201、基于1-9尺度法构造所述道路异常告警信息的不同因素之间的第一成对比较矩阵。
[0162]
在本技术的示例性实施例中，所述基于1-9尺度法构造所述道路异常告警信息的不同因素之间的第一成对比较矩阵可以包括：
[0163]
确定不同因素的因素向量x1；x1＝{x
11
,x
12
,x
13
,
…
x
1n
}；
[0164]
从所述因素向量x1中获取任意两个因素x
1i
和x
1j
，根据所述1-9尺度法将所述因素x
1i
和x
1j
的影响值之比a
1i,1j
表示成1至9的自然数或者1至9的自然数的倒数；其中，所述1至9的自然数以及所述1至9的自然数的倒数用于表征因素x
1i
和x
1j
的影响尺度；
[0165]
由所述1-9尺度法表示的全部影响值之比a
1i,1j
组成所述第一成对比较矩阵。
[0166]
在本技术的示例性实施例中，以上步骤可以通过第一成对比较矩阵构建子模块完成。
[0167]
在本技术的示例性实施例中，例如，可以假设在学校的业务场景中影响目标综合评定的最重要的4个因素包括：告警类型、告警区域(或称告警地点)、告警时间、告警设备类型；它们之间的重要程度关系可以根据1-9尺度算法得到表6所示的影响目标综合评定的重要因素与其重要程度之间的关系表(其中，b1表示告警类型,b2表示告警区域，b3表示告警时间，b4表示告警设备类型)：
[0168]
表6
[0169][0170]
在本技术的示例性实施例中，根据表6可以获取第一种成对比较矩阵如下：
[0171]
s202、采用规范列平均法对所述第一成对比较矩阵进行一致性校验，并在所述第一成对比较矩阵一致性校验通过时计算不同因素的权重向量w1。
[0172]
在本技术的示例性实施例中，所述采用规范列平均法对所述第一成对比较矩阵进行一致性校验，并在所述第一成对比较矩阵一致性校验通过时计算不同因素的权重向量w1可以包括：
[0173]
根据所述规范列平均法计算所述第一成对比较矩阵的第一最大特征根λ
1max
；
[0174]
根据所述第一最大特征根λ
1max
和预设的一致性检测策略检测所述第一成对比较矩阵的一致性程度是否在允许范围内；
[0175]
当所述第一成对比较矩阵的一致性程度在允许范围内时，将计算所述第一最大特征根λ
1max
过程中获取的第一行归一化向量作为所述权重向量w1。
[0176]
在本技术的示例性实施例中，所述根据所述规范列平均法计算所述第一成对比较矩阵的第一最大特征根λ
1max
可以包括：
[0177]
对所述第一成对比较矩阵的每一列向量进行归一化，获取第一列归一化矩阵
[0178]
对所述第一列归一化矩阵ω
1i,1j
按行求和，获取第一向量
[0179]
根据所述第一向量v
1i
对所述第一成对比较矩阵的每一行向量进行归一化，获取第一行归一化向量
[0180]
计算所述第一成对比较矩阵的第一最大特征根
[0181]
在本技术的示例性实施例中，所述一致性检测策略可以包括：
[0182]
检测是否满足
[0183]
当满足时，确定对比较矩阵的一致性程度在允许范围内；当不满足时，确定对比较矩阵的一致性程度不在允许范围内；
[0184]
其中，ri表示随机一致性指标，ri数值与不同的k值的对应关系由预设映射表提供。
[0185]
在本技术的示例性实施例中，以上方案可以由第一权向量计算模块完成。
[0186]
在本技术的示例性实施例中，例如，对于a的最大特征根为λ
max
＝4.0710,其一致性指标为：
[0187][0188]
当k＝4时,在随机一致性指标ri的数值表中查得ri＝0.9,一致性比率可以说明第一成对比较矩阵通过一致性检验；
[0189]
将计算出的λ
max
的特征值的特征向量利用和法计算得出：
[0190]
ω＝(0.636，0.2833，0.4483，0.163)；可以将ω作为权向量w1。
[0191]
s203、基于1-9尺度法构造所述告警类型对于不同的因素之间的第二成对比较矩阵。
[0192]
所述基于1-9尺度法构造所述告警类型对于不同的因素之间的第二成对比较矩阵可以包括：
[0193]
分别获取每一种因素的因素向量；
[0194]
将每一种因素向量中包含的多种评价主体分别两两比较，获取该因素对应的多个影响值之比；所述多个影响值之比表示成1至9的自然数或者1至9 的自然数的倒数；其中，所述1至9的自然数以及所述1至9的自然数的倒数用于表征该因素包含的任意两个评价主体之间的影响尺度；对于任意一个因素，由所述1-9尺度法表示的全部影响值之比组成该因素对应的第二成对比较矩阵；并且针对多个因素相应获取多个第二成对比较矩阵。
[0195]
在本技术的示例性实施例中，例如，告警类型可以包括：车祸、行人闯入和拥堵三种评价主体，对上述的三种评价主体在每个因素(告警类型、告警时间、告警地点以及告警设备类型)上可以做一一比较，下面以三种评价主体针对告警类型这一因素为例进行说明，可以得出每个指标因素上的重要程度矩阵如表7所示:
[0196]
表7
[0197]
[0198][0199]
在本技术的示例性实施例中，根据表5可以获取第二种成对比较矩阵a
b1
：
[0200]
并获取相应的权向量和最大特征根，可以分别表示为：λ1＝3.086。
[0201]
在本技术的示例性实施例中，同理对于告警区域b2，可以获取a
b2
矩阵：
[0202]
λ2＝3.004。
[0203]
在本技术的示例性实施例中，同理对于告警时间b3，可以获取a
b3
矩阵：
[0204]
λ3＝3.054。
[0205]
在本技术的示例性实施例中，同理对于告警设备类型b4，可以获取a
b4
矩阵：
[0206]
λ4＝3.039。
[0207]
s204、采用规范列平均法对获得的多个所述第二成对比较矩阵分别进行一致性校验，并在每个第二成对比较矩阵一致性校验通过时计算相应因素对应的因素权重向量，并由计算出的多个因素权重向量组合成权重矩阵w2。
[0208]
在本技术的示例性实施例中，所述采用规范列平均法对获得的多个所述第二成对比较矩阵分别进行一致性校验，并在每个第二成对比较矩阵一致性校验通过时计算相应因素对应的因素权重向量可以包括：
[0209]
根据所述规范列平均法计算每个第二成对比较矩阵的第二最大特征根λ
2max
；
[0210]
根据所述第二最大特征根λ
2max
和预设的一致性检测策略检测相应的第二成对比较矩阵的一致性程度是否在允许范围内；
[0211]
当所述第二成对比较矩阵的一致性程度在允许范围内时，将计算所述第二最大特征根λ
2max
过程中获取的第二行归一化向量作为当前第二成对比较矩阵对应因素的因素权
重向量。
[0212]
在本技术的示例性实施例中，所述根据所述规范列平均法计算所述第二成对比较矩阵的第二最大特征根λ
2max
可以包括：
[0213]
对所述第二成对比较矩阵的每一列向量进行归一化，获取第二列归一化矩阵
[0214]
对所述第二列归一化矩阵ω
2i,2j
按行求和，获取第二向量
[0215]
根据所述第二向量v
2i
对所述第二成对比较矩阵的每一行向量进行归一化，获取第二行归一化向量
[0216]
计算所述第一成对比较矩阵的第一最大特征根
[0217]
在本技术的示例性实施例中，基于上述实施例方案获取的多个第二种成对比较矩阵a
b1
、a
b2
、a
b3
、a
b4
计算出的因素权重向量可以组成权重矩阵w2。
[0218]
在本技术的示例性实施例中，对于多个第二种成对比较矩阵a
b1
、a
b2
、a
b3
、 a
b4
以及多个因素权重向量进行整理可以获取如表8所示的权重向量一致性验证表：
[0219]
表8
[0220][0221][0222]
在本技术的示例性实施例中，其中，λk包括λ1、λ2、λ3、λ4。
[0223]
在本技术的示例性实施例中，以上方案可以由第二权向量计算模块完成。
[0224]
s205、根据所述权重向量w1和所述权重矩阵w2计算所述对象因素在所述指标因素中的权重值w。
[0225]
在本技术的示例性实施例中，所述根据所述权重向量w1和所述权重矩阵w2计算所述对象因素在所述指标因素中的权重值w可以包括：w＝w1
×ꢀ
w2。
[0226]
在本技术的示例性实施例中，基于表8，计算对象层对目标层的权向量 w：
[0227][0228]
在本技术的示例性实施例中，以上方案可以由第三权向量计算模块完成。
[0229]
在本技术的示例性实施例中，如图5所示，所述通过所述多因子综合分级模型计算出所述对象因素的预警级别可以包括步骤s301-s304：
[0230]
s301、确定能够导致道路异常告警的异常因子，并计算每个异常因子的属性值；所述异常因子包括所述告警类型，还包括以下任意一种或多种：车流量、道路类型、异常区域场景以及能见度；其中，所述告警类型的属性值根据所述权重值w计算获得。
[0231]
s302、基于每个异常因子的属性值，采用所述层次分析法确定每个异常因子的权重大小。
[0232]
在本技术的示例性实施例中，所述基于每个异常因子的属性值，采用层次分析法确定每个异常因子决定异常分值的权重大小可以包括：
[0233]
采用预设的1-9尺度法构造全部异常因子进行两两比较的比较矩阵；
[0234]
对所述比较矩阵的每一列向量进行归一化，获取归一化矩阵；
[0235]
将所述归一化矩阵的各列相加，将相加后获取的向量除以异常因子的个数，获得权重向量；所述权重向量内包含每个异常因子的权重大小。
[0236]
s303、根据每个异常因子的权重大小和属性值计算全部异常因子的权重平均值。
[0237]
s304、根据计算出的权重平均值和预设的第一映射表确定对应的预警级别；所述第一映射表中包含不同的权重平均值与不同的预警级别的对应关系。
[0238]
在本技术的示例性实施例中，所述根据所述预警级别确定出需要预警的预警范围可以包括：
[0239]
根据计算出的预警级别和预设的第二映射表确定所述预警范围；所述第二映射表中包含不同的预警级别与不同的预警范围的对应关系。
[0240]
在本技术的示例性实施例中，智能分析服务器可以根据分析得到的预警级别来确定需要预警的目标卡口，即按照不同预警级别划定不同的预警范围，即可以将预警信息数据发送到一定坐标范围内的所有目标卡口，相应的配置对应关系可以如表9所示：
[0241]
表9
[0242][0243]
在本技术的示例性实施例中，获取到所有目标卡口后，将和此异常信息相关的所有目标卡口入库，以便异常信息解除时再次发送解除指令。
[0244]
在本技术的示例性实施例中，得到所有预警目标卡口后，服务器将异常信息结合目标卡口组成预警信息并发送到各目标卡口处，发送数据格式可以如表10所示：
[0245]
表10
[0246]
warningdata一条完整的道路预警信息
warningmsgcode预警消息编码troubledata异常信息数据warningkkname预警目标卡口名称warningkkcode预警目标卡口编码warningtime预警时间
[0247]
在本技术的示例性实施例中，智能目标卡口接收到预警信息后，可以开始识别经过该目标卡口的车辆及用户，并且发送预警信息到相应的车载终端和/或用户终端。
[0248]
在本技术的示例性实施例中，智能卡口检测到道路异常解除时，可以按照道路异常信息协议发送数据到智能分析服务器，再由智能分析服务器发送解除异常指令到目标卡口处，目标卡口解除该异常预警状态。
[0249]
在本技术的示例性实施例中，本技术实施例可以将5g通信技术应用到道路交通预警中，建立一套可靠的异常告警信息上报和预警数据协议以及科学的预警级别算法，能够实时、有效地对道路异常情况进行预警。
[0250]
在本技术的示例性实施例中，本技术实施例至少包括以下创新点：
[0251]
1、本技术实施例的基于预设的通信方式(例如5g通信)和智能卡口摄像机的远程路况分析以及预警系统可以包括多路集成5g信号收发模块智能卡口摄像机、智能分析服务器、通信传输系统(例如5g传输系统)、智能预警终端。卡口摄像机以及智能分析服务器得到异常路况告警信息后，设计相应告警上报规则上报告警信息，服务器收到告警信息后对异常告警信息进行分析需要预警的级别等信息，将预警信息通过5g发送到周边一定范围内的目标智能卡口摄像机，目标智能卡口摄像机收到预警信息后通过集成5g模块将预警信息发送到卡口范围内车辆或行人终端进行实时预警。
[0252]
2、针对不同的应用场景和告警类型等计算出综合评定值，得到不同告警的上报频率，通过设计告警上报规则，解决了现有告警上报规则的资源浪费和告警不及时等问题。
[0253]
3、根据预警道路异常实际所需的道路及异常具体情况，制定了一套道路异常信息上报和预警的传输协议格式。
[0254]
4、道路异常信息预警级别的划定，是根据道路异常的影响因子，按照其属性设置一定的分值，并根据不同影响因子所占权值进行计算得到该异常的分值，从而建立一套道路异常预警级别的分级方法。
[0255]
5、异常信息的上报和预警均采用新型通信技术(例如，4g、5g、6g
……
等通信技术技术)进行发送和接收，能够保证道路异常信息的实时预警。
[0256]
本技术实施例提供了一种道路远程预警装置1，如图6所示，可以包括处理器11和计算机可读存储介质12，所述计算机可读存储介质12中存储有指令，当所述指令被所述处理器执行时，实现上述任意一项所述的道路远程预警方法。
[0257]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读
介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质) 和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。