一种基于车道级交通参数的异常交通事件智能检测方法及系统

本发明属于交通管理控制与交通安全，涉及一种基于车道级交通参数的异常交通事件智能检测方法及系统。

背景技术：

1、近年来，随着机动车尤其是汽车保有量迅猛增长，城市交通负担增大，交通事件发生频次增高，传统的交通事件监控依靠人工方法，耗费大量时间与人力成本。随着技术的发展，基于人工智能的异常交通事件检测方法成为可能，可以有效节省人力成本，提升交管部门工作效率。

2、现有异常交通事件检测往往基于统一规则，对不同交通场景没有做典型区分，然而在不同交通场景下异常交通事件的表观特征不同，对异常交通事件的识别需求也不同，使用单一模型会产生大量的误报。同时现有技术方法在识别步骤上往往未做阶段性区分，时刻对多种事件具体规则进行判断检测需要消耗大量算力，导致部署难度高。

3、此外，现有异常交通事件检测通常使用断面级交通参数作为判断依据，然而断面级交通参数存在异常交通事件检测误差大、检测难度高的问题，因为断面级交通参数粒度粗，无法明确反应部分交通事件。尤其是对于占用应急车道行驶部分车道车辆非正常停车，逆行等事件，断面级交通参数很难明确反应出事件特点。

技术实现思路

1、本发明的目的是提供一种基于车道级交通参数的异常交通事件智能检测方法及系统，能够更加准确地判断是否发生了异常交通事件以及异常交通事件的具体类别。

2、为解决上述技术问题，本发明是采用下述技术方案实现的。

3、第一方面，本发明提供一种基于车道级交通参数的异常交通事件智能检测方法，包括：

4、获取实时的车道级交通参数；

5、将获取的实时的车道级交通参数输入预先构建好的交通参数变化模型，通过所述交通参数变化模型预测后一时间段的车道级交通参数；将预测的后一时间段的车道级交通参数与后一时间段获取的实时车道级交通参数进行对比，计算参数偏差异常指标，将参数偏差异常指标与异常阈值进行比较，得到是否发生异常交通事件的结果；

6、根据预先分类的异常交通事件和预先定义的各种类的异常交通事件判别标准，对发生的异常交通事件进行判别，得到该异常交通事件的具体种类，即交通事件检测结果；

7、其中，所述交通参数变化模型的训练步骤包括：

8、获取车道级交通参数；

9、根据获取的车道级交通参数训练所述车道级交通参数在不同场景下随时间的变化模型，得到交通参数变化模型。

10、结合第一方面，进一步地，本发明的异常交通事件智能检测方法还包括对异常交通事件的具体种类进行文件保存的步骤，具体为：将异常交通事件的具体种类与其发生时间以及发生该异常交通事件对应的视频片段截取保存。

11、结合第一方面，进一步地，获取车道级交通参数的具体方法为：利用路侧摄像机拍摄录制不同交通场景处于正常交通情况下的道路交通视频，所述道路交通视频包括正常工作日和节假日不同时段的录制视频；根据所述道路交通视频得到所述道路交通视频中各个车道的车道级交通参数，所述车道级交通参数包括每分钟每车道的车道流量、平均车速、平均排队长度以及平均车头时距。

12、结合第一方面，进一步地，所述交通参数变化模型的构建方法为：对于每个交通场景采用transformer时序神经网络方法构建车道级交通参数与过往车道级交通参数以及时间之间关系的交通参数变化模型，该模型表示为：

13、

14、其中，表示采用transformer时序神经网络构建出的函数映射关系，代表时间，代表时刻的车道级交通参数。

15、结合第一方面，进一步地，所述参数偏差异常指标的获取方法为：

16、在完成对应场景的训练后，利用训练好的交通参数变化模型在构筑好的测试集上进行测试，对交通参数变化模型预测出的各个交通参数和对应真实交通参数求差值，利用所述差值分别构建不同交通参数的预测差值分布，统计分布的均值和标准差，通过该预测差值分布对交通参数变化模型所预测的后一时间段的车道级交通参数与后一时间段获取的实时车道级交通参数差值求在对应参数的预测差值分布中对应的z-score值，通过将各个参数预测差值的z-score值传入训练好的检测参数异常的网络获取异常指标v。

17、测试集的构建与交通参数变化模型的场景相对应，且贴近交通参数变化模型所应用的道路路段情况。测试集应当尽可能包含多的样本数据以构建出更贴合现实的预测差值分布，优选不少于2000个样本。

18、输入实时车道级交通参数，通过交通参数变化模型预测的后一时间段的车道级交通参数与后一时间段获取的实时车道级交通参数求差值，获取不同交通参数的预测差值（即该参数的预测值与实时获取真实参数值的差值），基于不同交通参数的预测差值求对应的z-score值，具体而言通过如下公式进行计算：

19、

20、其中，代表交通参数parai的z-score值，parai表示车道级交通参数中任意一个参数；代表参数parai的预测差值，代表通过测试集构建出的参数parai预测差值样本总体统计的均值，代表参数parai预测差值样本总体统计的标准差。

21、将计算得到的不同交通参数的z-score值传入训练好的检测参数异常的网络，得到异常指标v，当v大于异常阈值时认为存在异常交通事件。

22、需要说明的是：检测参数异常的网络为搭建的一个全连接神经网络，为现有技术，输入的是每个不同车道级交通参数对应的z-score值，输出的是异常指标v。

23、结合第一方面，进一步地，所述异常阈值的取值范围为0～1，异常阈值越接近1代表判定为异常的标准越严格，越接近0越宽松，可根据工程实际修改。所述异常阈值优选取值0.5。

24、结合第一方面，进一步地，得到发生异常交通事件的具体种类的方法为：

25、当得到发生了异常交通事件的结果时，提取对应异常时间内的车辆行驶轨迹，利用实际的车道级交通参数特征与车辆行驶轨迹的参数特征确认所发生的异常交通事件种类；具体包括如下步骤：利用yolov5目标检测神经网络与deepsort目标追踪算法提取对应异常时间内的车辆行驶轨迹，按每秒np个轨迹点对车辆行驶轨迹进行均匀采样并对每辆车的轨迹位置序列进行平滑处理，得到平滑轨迹；对平滑轨迹通过时序差分方法求车辆轨迹点对应的速度、行驶方向以及所属车道，即得到单独车辆交通参数，所述单独车辆交通参数包括单车每个时刻的速度、行驶方向以及所属车道；将单独车辆交通参数和车道级交通参数与各种类的异常交通事件判别标准进行比对，得到异常交通事件的具体种类。

26、结合第一方面，进一步地，根据道路交通规则，我们对发生的异常交通事件进行划分，并分别定义了其判别标准，具体而言，本发明定义了以下四种异常交通事件：逆行、占用应急车道、交通拥堵以及车辆非正常停车。

27、四种异常交通事件的判别标准如下：

28、对于逆行事件，如果车道具有规定行驶方向时，判别车道内是否出现速度方向与指定行驶方向相反的车辆，如有则判定为逆行。

29、对于占用应急车道事件，判别划分为应急车道的车道上是否存在大于0的交通流量，如有则判定发生了占用应急车道行驶事件。

30、对于交通拥堵事件，判别是否平均排队长度不小于排队长度阈值但对应车道流量低于流量阈值，如有则判定发生了交通拥堵事件。

31、对于车辆非正常停车事件，判别每辆车是否存在长时间速度低于速度阈值的现象，如有则判定发生了车辆非正常停车事件。

32、第二方面，本发明提供一种基于车道级交通参数的异常交通事件智能系统，包括：

33、车道级交通参数获取模块，被配置用于获取车道级交通参数；

34、交通参数变化模型构建模块，被配置用于根据获取的车道级交通参数构建所述车道级交通参数在不同场景下随时间的变化模型，得到交通参数变化模型；

35、异常交通事件判别模块，被配置用于将获取的实时的车道级交通参数输入预先构建好的交通参数变化模型，通过所述交通参数变化模型预测后一时间段的车道级交通参数；将预测的后一时间段的车道级交通参数与后一时间段获取的实时车道级交通参数进行对比，计算参数偏差异常指标，将参数偏差异常指标与异常阈值进行比较，得到是否发生异常交通事件的结果；

36、异常交通事件种类划分与判别标准构建模块，被配置用于根据预先分类的异常交通事件和预先定义的各种类的异常交通事件判别标准，对发生的异常交通事件进行判别，得到该异常交通事件的具体种类，即交通事件检测结果。

37、结合第二方面，进一步地，本发明的异常交通事件智能系统还包括交通事件检测结果文件保存模块，被配置用于将异常交通事件的具体种类与其发生时间以及发生该异常交通事件对应的视频片段截取保存。

38、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述的基于车道级交通参数的异常交通事件智能检测方法的步骤。

39、第四方面，本发明提供一种计算机设备，包括：

40、存储器，用于存储计算机程序；

41、处理器，用于执行所述计算机程序以实现上述的基于车道级交通参数的异常交通事件智能检测方法的步骤。

42、第五方面，本发明提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的基于车道级交通参数的异常交通事件智能检测方法的步骤。

43、与现有技术相比，本发明所达到的有益效果：

44、（1）本发明以深度学习方法为基础，能够更加准确地判断是否发生了异常交通事件以及异常交通事件的具体类别。

45、（2）本发明首先利用路侧摄像机录制不同场景正常交通情况下的道路交通视频，提取交通参数，然后分别对不同场景的交通参数构建变化模型，将现实参数与模型预测结果进行对比，判断是否发生异常事件，当判断异常交通事件发生后，利用目标检测与追踪方法提取车辆详细轨迹，通过现实交通规则判断异常交通事件的具体种类。本方法将不同的交通场景进行了区分，并分别求取不同时间判定阈值，对不同场景具有针对性，采用了两阶段判定，首先判定交通参数变化是否发生了异常，然后判断具体异常交通事件，这样对于能够方便提供车道级交通参数的路段不需要持续提取高精度实时轨迹，仅需在检测到异常事件时提取，保证事故检测与分类准确度的同时一定程度上降低了需求，能够节省算力需求，降低硬件成本。

46、（3）本发明结合了神经网络方法与交通工程知识，利用交通大数据实现了针对特定路段的交通事件高效检测，在重点路段交通安全管理中具有实际的工程价值。