欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025110214185
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,包括:多维感知网络构建:构建多维感知网络,实时获取车辆状态、道路环境及基础设施数据,并将采集到的车辆状态、道路环境及基础设施数据进行融合,生成多维空间数据;

其中,在将采集到的车辆状态、道路环境及基础设施数据进行融合前,还包括对道路环境数据中包括的图像数据进行降噪,遍历道路环境数据中的所有图像,得到降噪后的道路环境数据;

动态交通状态分析:对融合后的多维空间数据进行分层特征提取,构建动态交通状态模型,实时观测交通流参数偏离正常分布的程度,结合历史观测数据和实时观测值,对异常事件进行多维度识别;

综合风险预测评估:基于识别结果对识别出的异常事件进行关联分析,预测传播路径,根据异常事件的危害程度与传播风险,计算异常事件的综合风险指数;

预警生成与决策:基于综合风险指数触发多级响应机制,并生成对应的预警信息,建立决策方案,并对决策方案进行安全性验证,通过双向通信链路将决策指令推送至车辆及各基础设施。

2.如权利要求1所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,多维感知网络构建,还包括:基于车辆安装的V2X通信组件构建各车辆之间以及车辆与各基础设施之间的双向通信链路,并基于V2X通信组件与交通云平台建立连接;

其中,所述车辆基于双向通信链路按照预设周期向相邻车辆发送车辆状态数据包,各路侧设备实时发送事件信息,形成各车辆之间以及车辆与各基础设施之间的动态通信网络;

基于时钟同步机制确定各车辆之间以及车辆与各基础设施之间的时间同步;

所述车辆基于双向通信链路获取相邻车辆的监测信息,包括相邻车辆的实时位置、运动状态及意图信息,同时采集路侧基础设施主动上传的交通信号状态及道路环境数据。

3.如权利要求2所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,动态交通状态分析,还包括构建四维语义网络拓扑结构:以道路物理实体为拓扑基础节点,基于拓扑属性及历史交通特征构建路网拓扑图的结构骨架;

将车辆实时轨迹映射为动态边,以相邻时间片内的车辆位置转移作为边的连接关系,基于边属性行为特征,构建的边集合;

将环境参数作为图结构的权重因子,按时空网格映射至对应道路节点及车辆行为边,并对已识别的异常事件嵌入四维语义网络拓扑结构中;

同时,学习四维语义网络拓扑结构中各节点间的关联关系,构建交通状态的语义表征。

4.如权利要求3所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,所述动态交通状态分析分层特征提取,还包括:对路网拓扑图进行空间离散化处理,基于道路物理实体坐标范围及车道划分,将路网划分为时空网格单元,提取各时空网格单元内的交通流基础特征,形成空间网格交通状态向量;

提取相邻时间片内车辆位置转移形成的边属性,生成表征车辆运动时序变化的特征序列,同时,结合历史交通数据,识别交通流周期性规律及突发变化特征,生成时序动态特征向量;

将空间网格交通状态向量与时序动态特征向量进行加权融合,形成复合特征表示,并嵌入所述四维语义网络拓扑结构。

5.如权利要求4所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,综合风险预测评估进行关联分析,具体包括:获取历史异常事件数据,结合所述四维语义网络拓扑结构中的多维空间数据及环境参数,提取不同类型异常事件在不同环境参数下的传播模式,构建传播规则知识库;

将识别出的异常事件作为关键节点,基于四维语义网络拓扑结构中节点间的关联关系与边属性,基于传播规则知识库筛选出可能受影响的道路节点及相邻事件节点,构建事件演化树;

其中,树节点属性包括事件类型、时空位置、当前影响程度以及严重程度,树节点连接关系属性包括事件传播方向、传播概率及时间延迟阈值。

6.如权利要求5所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,预测传播路径,具体包括:以异常事件关键节点为目标节点,对事件演化树中的连接关系属性进行多路径采样,生成不少于一个的传播路径,其中,每次采样时,根据当前目标节点的传播概率分布选择对应的分支路径;

结合历史同类事件的传播时间分布,获取每个传播路径中各目标节点被影响的时间序列,生成传播路径集合;

将传播路径集合中各传播路径的传播概率分布信息映射至时空网格单元,对每个网格单元在未来时段内的受影响概率进行累加计算,生成未来时段的风险概率云图;

识别传播路径集合中的关键枢纽节点,计算关键枢纽节点在传播过程中的风险贡献度,基于风险贡献度对各关键枢纽节点进行优先级排序。

7.如权利要求6所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,识别传播路径集合中的关键枢纽节点,具体包括:提取传播路径集合中的每个道路节点在四维语义网络拓扑结构中的节点属性及拓扑结构信息;

基于节点属性及拓扑结构信息获取每个道路节点的基础流量特征和道路节点间的流量传导敏感度,确定流量权重系数和流量传导权重系数;

根据每个道路节点对应的预设执法管理方式信息,基于执法管理方式对应的管理等级确定道路节点执法管理权重;

对执法管理权重、流量权重系数和流量传导权重系数进行综合计算,得到道路拓扑权重值,将道路拓扑权重值与预设权重阈值进行比较,筛选出高于预设权重阈值的道路节点作为关键枢纽节点。

8.如权利要求7所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,多级响应机制,包括:建立预警等级与响应策略的映射规则,包括预警等级为低风险的,向周边车辆推送文字预警,并通过车载导航提示谨慎驾驶;预警等级为中风险的,则同步触发路侧信号灯配时优化,向物流车队发送路径建议;预警等级为高风险的,则启动跨区域应急联动,向交通管理中心推送事件详情及处置预案,同时通过双向通信链路强制限速指令。

9.如权利要求1所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,所述对道路环境数据中的图像数据进行降噪,包括:任意获取道路环境数据中的一张图像,作为待降噪图像;

对所述待降噪图像进行灰度处理,得到灰度图像;

任取灰度图像中一个像素点,作为第一像素点;以第一像素点为中心,以预设距离为半径,确定目标区域;

计算第一像素点与目标区域中除第一像素点以外其他像素点的差值,得到若干个差值;将若干个差值与预设差值阈值作比较,将差值大于等于预设差值阈值的像素点进行异常标记;

遍历灰度图像中所有的像素点,统计每个像素点的异常标记数量;

将所述异常标记数量与预设异常标记阈值作比较,将异常标记数量大于等于预设异常标记阈值的像素点,作为第一异常像素点,得到若干个第一异常像素点;

对灰度图像进行边缘识别,确定灰度图像中的边缘像素点;

将若干个第一异常像素点与所述边缘像素点作减运算,得到若干个第二异常像素点;

分别计算每个第二异常像素点的离散度,并将所述离散度与预设离散度阈值作比较,将所述离散度大于等于预设离散度阈值时的像素点作为第三异常像素点,得到若干个第三异常像素点;

将若干个第三异常像素点进行删除,得到降噪后的灰度图像;

遍历道路环境数据中的所有图像,得到降噪后的道路环境数据。

10.如权利要求6所述的基于车路协同的交通运输运行监测预警与决策分析方法,其特征在于,根据异常事件的危害程度与传播风险,计算异常事件的综合风险指数,包括步骤1-2:步骤1:获取车辆a在历史行驶数据中平均风险值及异常事件对所述车辆a的行驶路径的传播风险值,基于所述平均风险值、所述传播风险值及异常事件的预期风险值,确定异常事件对车辆a的综合风险指数;

;

其中,表示异常事件对车辆a的综合风险指数;n表示异常事件中风险因素种类的总数;表示车辆a在历史行驶数据中平均风险值;表示异常事件对所述车辆a的行驶路径的传播风险值;表示n类风险因素中第i类风险因素种类的风险程度值;表示第i类风险因素种类出现风险的概率密度函数;表示从时间 t 开始的下一个单位时间区间内第 i类风险因素出现风险的累积概率;表示从时间 t 开始,未来所有时间内,第 i 类风险因素出现风险的总累积概率;

步骤2:基于异常事件对车辆a的综合风险指数及车辆a所在的行驶路径中车辆的总数确定异常事件的综合风险指数;

;

其中,表示异常事件的综合风险指数;表示车辆a所在的行驶路径中车辆的总数。