高速公路预警方法、装置、设备及可读存储介质

技术领域

本申请涉及交通行业安全管理领域，尤其涉及一种高速公路预警方法、装置、设备及可读存储介质。

背景技术

随着道路交通的快速发展，高速公路在道路交通中越来越重要。

目前，为避免行人或机动车辆在高速公路上行驶，通常会设置防护栏。但是部分区域未设置防护栏，且防护栏在面对动物或在空中移动的物体时防护效果较差。且驾驶员夜间在高速公路上行驶时，对于物体的感知能力减弱，在行驶时容易因反应不及时而出现危险。因此，如何在人的反应时间之前快速发现险情并发出警报成为了亟待解决的技术问题。

发明内容

有鉴于此，本申请提供一种高速公路预警方法、装置、设备及可读存储介质，旨在提高人员在高速公路上驾驶的安全性。

为实现上述目的，本申请提供一种高速公路预警方法，所述方法包括：

获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息；

将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的；

若发生碰撞，则控制所述预警装置以预设预警规则进行预警。

在本申请的一种可能的实施方式中，所述获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息之后，包括：

基于类型匹配模型，对所述目标物体进行匹配处理，确定所述目标物体对应的类型；所述类型匹配模型是基于具有类型标签的待训练数据，对预设待训练模型进行迭代训练得到的；

相应的，所述若发生碰撞，则控制所述预警装置以预设预警规则进行预警的步骤包括：

若发生碰撞，则分别对碰撞时所述目标物体和所述车辆的速度进行预测，得到第一预测速度和第二预测速度；

基于所述目标物体对应的类型、所述第一预测速度和所述第二预测速度，确定碰撞程度；

基于所述碰撞程度，确定对应的预警规则并控制所述预警装置进行预警。

在本申请的一种可能的实施方式中，所述基于类型匹配模型，对所述目标物体进行匹配处理，确定所述目标物体对应的类型之前，包括：

接收设置于高速公路预警装置的摄像模块采集的多张图像，并标记各图像中的目标物体；

将各图像输入至类型匹配模型，以确定所述目标物体的类型。

在本申请的一种可能的实施方式中，所述获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息，包括：

基于设置于高速公路预警装置的雷达定向模块，获取所述高速公路预警装置对应的目标区域中的目标物体和车辆，并获取所述目标物体的第一坐标和所述车辆的第二坐标；

获取预设时长后所述目标物体的第三坐标并获取所述车辆的第四坐标；

基于所述第一坐标和所述第三坐标，确定所述目标物体的第一轨迹信息；

基于所述第二坐标和所述第四坐标，确定所述车辆的第二轨迹信息。

在本申请的一种可能的实施方式中，所述将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测之前，包括：

获取目标物体的第一轨迹信息和车辆的第二轨迹信息的训练样本和所述训练样本的碰撞状态标签；

基于所述训练样本和所述碰撞状态标签，对所述预设待训练模型进行迭代训练，得到具有满足精度条件的所述轨迹模型。

在本申请的一种可能的实施方式中，所述基于所述训练样本和所述碰撞状态标签，对所述预设待训练模型进行迭代训练，得到具有满足精度条件的所述轨迹模型，包括：

将所述训练样本输入至所述预设待训练模型，得到人员的预测碰撞状态；

将所述预测碰撞状态与所述待训练数据的碰撞状态标签进行差异计算，得到误差结果；

基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述训练样本输入至所述预设待训练模型，得到人员的预测碰撞状态的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到轨迹模型。

在本申请的一种可能的实施方式中，所述若发生碰撞，则控制所述预警装置以预设预警规则进行预警之后，包括：

关联车辆中的车载系统；

发送预警信息至对应的危险车辆，以提示驾驶人员安全行驶。

示例性的，为实现上述目的，本申请还提供一种高速公路预警装置，所述高速公路预警装置包括：

第一获取模块，用于获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息；

输入模块，用于将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的；

控制模块，用于若发生碰撞，则控制所述预警装置以预设预警规则进行预警。

示例性的，为实现上述目的，本申请还提供一种高速公路预警设备，所述高速公路预警设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的高速公路预警程序，所述高速公路预警程序被处理器执行时实现如上所述的高速公路预警方法的步骤。

示例性的，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有高速公路预警程序，所述高速公路预警程序被处理器执行时实现如上所述的高速公路预警方法的步骤。

与现有技术中，由于驾驶员夜间在高速公路上行驶时，对于物体的感知能力减弱，导致在行驶时容易因反应不及时而出现危险相比。本申请获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息；将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的；若发生碰撞，则控制所述预警装置以预设预警规则进行预警。本申请通过采集车辆和目标物体的轨迹，并通过训练好的轨迹模型对其进行预测，以基于预测的轨迹判断车辆与目标物体是否会发生碰撞，在预测结果为发生碰撞时进行预警，避免发生碰撞。因此，本申请提高了人员在高速公路上驾驶的安全性。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请高速公路预警方法第一实施例的流程示意图；

图2是本申请实施例方案涉及的硬件运行环境的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供一种高速公路预警方法，参照图1，图1为本申请高速公路预警方法第一实施例的流程示意图。

本申请实施例提供了高速公路预警方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。为了便于描述，以下省略执行主体描述高速公路预警方法的各个步骤，高速公路预警方法包括：

步骤S10，获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息。

步骤S20，将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的。

步骤S30，若发生碰撞，则控制所述预警装置以预设预警规则进行预警。

具体步骤如下：

步骤S10，获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息。

在本实施例中，高速公路预警装置安装于防护桩中，包含雷达定向模块、图像采集模块和预警模块。第一轨迹信息为目标物体的轨迹信息，第二轨迹信息为车辆的轨迹信息，其中，轨迹信息包括运动速度，运动方向，运动路线。高速公路预警装置在获取得到轨迹信息后，将轨迹信息传输至处理设备。

示例性的，目标物体为运动的物体，包括：空中运动的石头、猫、狗等。

示例性的，所述获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息，包括：

步骤S11，基于设置于高速公路预警装置的雷达定向模块，获取所述高速公路预警装置对应的目标区域中的目标物体和车辆，并获取所述目标物体的第一坐标和所述车辆的第二坐标。

在本实施例中，目标区域为高速公路预警装置的监测区域，例如，高速公路预警装置的监测区域半径为300米，则目标区域的半径为300米。第一坐标为目标物体的当前坐标，第二坐标为车辆的当前坐标。

其中，在一段高速公路中包含多个高速公路预警装置，各个高速公路预警装置之间的距离

小于监测区域的半径，例如，监测区域的半径为300米，则各个高速公路预警装置之间的距离为200米。

由于雷达定向模块在进行坐标定位时，以自身为坐标原点，导致目标物体和车辆在运动过程中处于的坐标系不停变换，所以，以预设位置为原点，确定各个高速公路预警装置在以该预设位置为原点，第一预设方向为X轴向，第二预设方向为Y轴轴向，高度方向为Z轴轴向的坐标系中的位置信息，其中，第一预设方向和第二预设方向根据需要进行设置。在目标物体和车辆进入某一雷达定向模块的监测区域时，对其进行监测，确定以该雷达定向模块为原点，第一预设方向为X轴向，第二预设方向为Y轴轴向，高度方向为Z轴轴向的坐标系中目标物体和车辆的位置信息。将目标物体和车辆的位置信息进行转换，得到以预设位置为原点的坐标系的位置信息，即目标物体的第一坐标，车辆的第二坐标。

步骤S12，获取预设时长后所述目标物体的第三坐标并获取所述车辆的第四坐标。

在本实施例中，第三坐标为目标物体的预设时长后的坐标，第四坐标为车辆的预设时长后的坐标。

示例性的，预设时长根据需要进行设置，本实施例不做具体限定。例如，预设时长为0.1秒等。

步骤S13，基于所述第一坐标和所述第三坐标，确定所述目标物体的第一轨迹信息。

在本实施例中，根据第一坐标和第三坐标，确定目标物体在预设时长内的运动距离和运动方向，根据运动距离和获取坐标的预设时长，确定目标物体的运动速度。

具体的，雷达定向模块每隔预设时长，获取一次目标物体的坐标，根据坐标的变化确定第一轨迹信息。

步骤S14，基于所述第二坐标和所述第四坐标，确定所述车辆的第二轨迹信息。

在本实施例中，根据第二坐标和第四坐标，确定车辆在预设时长内的运动距离和运动方向，根据运动距离和获取坐标的预设时长，确定车辆的运动速度。

具体的，雷达定向模块每隔预设时长，获取一次车辆的坐标，根据坐标的变化确定第二轨迹信息。

步骤S20，将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的。

在本实施例中，轨迹模型为深度神经网络模型，轨迹模型用于对输入的目标物体的第一轨迹信息和车辆的第二轨迹信息进行处理，得到目标物体的预测运动轨迹和车辆的预测行驶轨迹。轨迹模型基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的。

进一步地，可通过设置于高速公路预警装置的摄像模块获取车辆的状态信息，包括：车灯的状态信息。可以根据车辆的车灯预知驾驶员的行驶意图，提高车辆行驶轨迹预测的准确性和及时性。

其中，碰撞状态标签包括：碰撞和不碰撞。

示例性的，所述将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测之前，包括：

步骤a，获取目标物体的第一轨迹信息和车辆的第二轨迹信息的训练样本和所述训练样本的碰撞状态标签。

在本实施例中，目标物体的第一轨迹信息的训练样本是目标物体在不同状态下的轨迹信息，车辆的第二轨迹信息是车辆在不同状态下的轨迹信息，包括运动速度信息，运动方向信息，位置信息等。目标物体的第一轨迹信息和车辆的第二轨迹信息的训练样本的数量为预设数量，训练样本的碰撞状态标签为每一组目标物体的第一轨迹信息和车辆的第二轨迹信息的训练样本的状态标签。例如，目标物体的第一轨迹信息的训练样本的数量为10个，车辆的第二轨迹信息是车辆的训练样本的数量为10个，可以得到55组数据，得到每一目标物体的第一轨迹信息与对应的车辆的第二轨迹信息的碰撞状态标签。目标物体的第一轨迹信息包括A、B，车辆的第二轨迹信息为C，其中，AC组的碰撞状态标签为未碰撞，BC组的碰撞状态为碰撞。

步骤b，基于所述训练样本和所述碰撞状态标签，对所述预设待训练模型进行迭代训练，得到具有满足精度条件的所述轨迹模型。

在本实施例中，通过预采集的训练样本，利用卷积神经网络训练不同第一轨迹信息和第二轨迹信息下的数据，得出车辆与目标物体“碰撞”，“未碰撞”的状态数据模型。预设待训练模型为初步的训练模型，将训练样本和所述碰撞状态标签代入所述预设待训练模型进行迭代训练，直到满足精度条件后，停止训练，得到轨迹模型。

示例性的，所述基于所述训练样本和所述碰撞状态标签，对所述预设待训练模型进行迭代训练，得到具有满足精度条件的所述轨迹模型，包括：

步骤b1，将所述训练样本输入至所述预设待训练模型，得到人员的预测碰撞状态。

在本实施例中，系统将目标物体的第一轨迹信息和车辆的第二轨迹信息训练样本输入至预设待训练模型，其中，预设待训练模型为初步的轨迹模型，预设待训练模型接收目标物体的第一轨迹信息和车辆的第二轨迹信息训练样本，并对一组目标物体的第一轨迹信息和车辆的第二轨迹信进行碰撞状态判断处理，得到预测的碰撞状态信息。例如，将样本A输入预设待训练模型，得到预测的碰撞状态信息为目标物体和车辆碰撞。

步骤b2，将所述预测碰撞状态与所述待训练数据的碰撞状态标签进行差异计算，得到误差结果。

在本实施例中，系统将碰撞状态与训练样本的状态信息标签进行差异计算，得到误差结果，例如，预测碰撞状态信息为碰撞，训练样本的碰撞状态信息标签为未碰撞，则产生误差结果。

步骤b3，基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准。

在本实施例中，系统基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准，若有误差，则判断未满足预设误差阈值范围指示的误差标准；若无误差，则判断满足预设误差阈值范围指示的误差标准。

步骤b4，若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述训练样本输入至所述预设待训练模型，得到人员的预测碰撞状态的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到轨迹模型。

在本实施例中，通过迭代训练，得到具有满足精度条件的轨迹模型，提高了对碰撞预测的准确度。

步骤S30，若发生碰撞，则控制所述预警装置以预设预警规则进行预警。

在本实施例中，预设预警规则根据需要进行设置，包括：根据碰撞的危险程度进行分级预警，根据车辆的车道信息进行分车道预警。例如，预警装置中包含了4个预警信号灯，当检测到2车道的车辆即将发生碰撞，则控制2位置的信号灯进行警示。例如，碰撞的危险程度预分为3级，一级为绿色，二级为黄色，三级为红色，当检测到车辆碰撞的危险程度为3级时，发出红光。其中，危险程度根据需要进行增加或减少。

示例性的，所述获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息之后，包括：

步骤c，基于类型匹配模型，对所述目标物体进行匹配处理，确定所述目标物体对应的类型；所述类型匹配模型是基于具有类型标签的待训练数据，对预设待训练模型进行迭代训练得到的。

在本实施例中，类型匹配模型用于确定目标物体的类型，包括：石头，猫、狗、人等。

示例性的，所述基于类型匹配模型，对所述目标物体进行匹配处理，确定所述目标物体对应的类型之前，包括：

步骤d，接收设置于高速公路预警装置的摄像模块采集的多张图像，并标记各图像中的目标物体。

在本实施例中，摄像模块设置于高速公路预警装置中，用于获取监测区域内的图像，根据采集的多张连续的图像，进一步确定目标物体，并对其进行标记。

步骤e，将各图像输入至类型匹配模型，以确定所述目标物体的类型。

在本实施例中，将采集的多帧有序的图像输入值类型匹配模型，确定目标物体的类型。

相应的，所述若发生碰撞，则控制所述预警装置以预设预警规则进行预警的步骤包括：

步骤S31，若发生碰撞，则分别对碰撞时所述目标物体和所述车辆的速度进行预测，得到第一预测速度和第二预测速度。

在本实施例中，若预测结果为车辆与目标物体发生碰撞，则确定发生碰撞时目标物体的第一预测速度和车辆的第二预测速度。

步骤S32，基于所述目标物体对应的类型、所述第一预测速度和所述第二预测速度，确定碰撞程度。

在本实施例中，碰撞程度根据目标物体对应的类型、发生碰撞时目标物体的第一预测速度和车辆的第二预测速度，共同对碰撞程度进行预估。进一步的，碰撞程度根据目标物体的体积进行碰撞程度的预估。由于不同类型物体其坚硬程度不同，同一类型物体其体积不同、运动速度不同，碰撞时对车辆造成的影响不同，所以，通过上述判定条件共同对碰撞程度进行预估。

例如，目标物体为石头，其半径达1cm，发生碰撞时石头的第一预测速度为10m/s，车辆的行驶速度为60Km/h，预测其碰撞时的危险程度为2级。若目标物体为猫，其长达50cm，发生碰撞时猫的第一预测速度为20m/s，车辆的行驶速度为80Km/h，预测其碰撞时的危险程度为2级。

步骤S33，基于所述碰撞程度，确定对应的预警规则并控制所述预警装置进行预警。

在本实施例中，根据预估的碰撞程度，与预警规则进行匹配，确定对应的预警规则并控制所述预警装置进行预警。

示例性的，所述若发生碰撞，则控制所述预警装置以预设预警规则进行预警之后，包括：

步骤f，关联车辆中的车载系统。

在本实施例中，通过摄像模块获取车辆的车牌信息，或通过蓝牙、无线等方式与预警路段中行驶车辆进行关联并进行通信。

步骤g，发送预警信息至对应的危险车辆，以提示驾驶人员安全行驶。

在本实施例中，为避免驾驶员未及时主要到高速公路预警装置发出的预警信息，可将预警信息发送至对应的碰撞车辆，以提示驾驶员，进一步提高了驾驶的安全性。

与现有技术中，由于驾驶员夜间在高速公路上行驶时，对于物体的感知能力减弱，导致在行驶时容易因反应不及时而出现危险相比。本申请获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息；将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的；若发生碰撞，则控制所述预警装置以预设预警规则进行预警。本申请通过采集车辆和目标物体的轨迹，并通过训练好的轨迹模型对其进行预测，以基于预测的轨迹判断车辆与目标物体是否会发生碰撞，在预测结果为发生碰撞时进行预警，避免发生碰撞。因此，本申请提高了人员在高速公路上驾驶的安全性。

示例性的，本申请还提供一种高速公路预警装置，所述高速公路预警装置包括：

第一获取模块，用于获取基于设置于防护桩中的高速公路预警装置采集的目标物体的第一轨迹信息，并获取车辆的第二轨迹信息；

输入模块，用于将所述目标物体的第一轨迹信息和所述车辆的第二轨迹信息输入至轨迹模型，进行轨迹预测，并基于预测的轨迹判断所述车辆与所述目标物体是否发生碰撞；所述轨迹模型是基于具有碰撞状态标签的待训练数据，对预设待训练模型进行迭代训练得到的；

控制模块，用于若发生碰撞，则控制所述预警装置以预设预警规则进行预警。

示例性的，所述高速公路预警装置，还包括：

匹配模块，用于基于类型匹配模型，对所述目标物体进行匹配处理，确定所述目标物体对应的类型；所述类型匹配模型是基于具有类型标签的待训练数据，对预设待训练模型进行迭代训练得到的；

相应的，所述控制模块，包括：

预测子模块，用于若发生碰撞，则分别对碰撞时所述目标物体和所述车辆的速度进行预测，得到第一预测速度和第二预测速度；

第一确定子模块，用于基于所述目标物体对应的类型、所述第一预测速度和所述第二预测速度，确定碰撞程度；

第二确定子模块，用于基于所述碰撞程度，确定对应的预警规则并控制所述预警装置进行预警。

示例性的，所述高速公路预警装置，还包括：

接收模块，用于接收设置于高速公路预警装置的摄像模块采集的多张图像，并标记各图像中的目标物体；

确定模块，用于将各图像输入至类型匹配模型，以确定所述目标物体的类型。

示例性的，所述第一获取模块包括：

第一获取子模块，用于基于设置于高速公路预警装置的雷达定向模块，获取所述高速公路预警装置对应的目标区域中的目标物体和车辆，并获取所述目标物体的第一坐标和所述车辆的第二坐标；

第二获取子模块，用于获取预设时长后所述目标物体的第三坐标并获取所述车辆的第四坐标；

第三确定子模块，用于基于所述第一坐标和所述第三坐标，确定所述目标物体的第一轨迹信息；

第四确定子模块，用于基于所述第二坐标和所述第四坐标，确定所述车辆的第二轨迹信息。

示例性的，所述高速公路预警装置，还包括：

第二获取模块，用于获取目标物体的第一轨迹信息和车辆的第二轨迹信息的训练样本和所述训练样本的碰撞状态标签；

训练模块，用于基于所述训练样本和所述碰撞状态标签，对所述预设待训练模型进行迭代训练，得到具有满足精度条件的所述轨迹模型。

示例性的，所述训练模块，包括：

输入子模块，用于将所述训练样本输入至所述预设待训练模型，得到人员的预测碰撞状态；

计算子模块，用于将所述预测碰撞状态与所述待训练数据的碰撞状态标签进行差异计算，得到误差结果；

判断子模块，用于基于所述误差结果，判断所述误差结果是否满足预设误差阈值范围指示的误差标准；

返回子模块，用于若所述误差结果未满足所述预设误差阈值范围指示的误差标准，返回将所述训练样本输入至所述预设待训练模型，得到人员的预测碰撞状态的步骤，直到所述训练误差结果满足所述预设误差阈值范围指示的误差标准后停止训练，得到轨迹模型。

示例性的，所述高速公路预警装置，还包括：

关联模块，用于关联车辆中的车载系统；

发送模块，用于发送预警信息至对应的危险车辆，以提示驾驶人员安全行驶。

本申请高速公路预警装置具体实施方式与上述高速公路预警方法各实施例基本相同，在此不再赘述。

此外，本申请还提供一种高速公路预警设备。如图2所示，图2是本申请实施例方案涉及的硬件运行环境的结构示意图。

示例性的，图2即可为高速公路预警设备的硬件运行环境的结构示意图。

如图2所示，该高速公路预警设备可以包括处理器201、通信接口202、存储器203和通信总线204，其中，处理器201、通信接口202和存储器203通过通信总线204完成相互间的通信，存储器203，用于存放计算机程序；处理器201，用于执行存储器203上所存放的程序时，实现高速公路预警方法的步骤。

上述高速公路预警设备提到的通信总线204可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(ExtendedIndustry StandardArchitecture,EISA)总线等。该通信总线204可以分为地址总线、数据总线和控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口202用于上述高速公路预警设备与其他设备之间的通信。

存储器203可以包括随机存取存储器(Random Access Memory,RMD),也可以包括非易失性存储器(Non-Volatile Memory,NM)，例如至少一个磁盘存储器。可选的，存储器203还可以是至少一个位于远离前述处理器201的存储装置。

上述的处理器201可以是通用处理器，包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等；还可以是数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

本申请高速公路预警设备具体实施方式与上述高速公路预警方法各实施例基本相同，在此不再赘述。

此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有高速公路预警程序，所述高速公路预警程序被处理器执行时实现如上所述的高速公路预警方法的步骤。

本申请计算机可读存储介质具体实施方式与上述高速公路预警方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，设备，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。