一种道路运行风险防控设备故障自动隔离系统及方法

技术领域

本发明涉及道路运行风险实时监测与主动防控领域，具体涉及一种道路运行风险防控设备故障自动隔离系统及方法。

背景技术

道路运行风险防控设备能减少交通事故、保障交通安全，在交通安全领域发挥着重要的作用。常用的道路运行风险防控设备为可变限速标志，也叫可变信息板。以可变限速标志为例，可变限速标志能有效控制车辆行驶速度，从而达到减少交通事故、保障交通安全的重要手段。

可变限速标志是指利用设置在高速公路上的感应线圈、各类传感器(路面状况传感器、气象传感器等)、道路监控系统等提供实时的交通流状态、道路及天气情况，配合突发事件处理系统，使用计算机及电子技术综合分析所有信息，最终对主线速度限制值进行动态调整，以达到增加车流通过率、减少主线车流运行时间、降低交通风险的目的。但是如果一个城市、国道或高速公路上数目众多的可变限速标志如不能实现联动控制，若其中某个可变限速标志故障后，盲区的交通风险无法矫正，从而导致上游下游的交通流都受到影响。

专利CN112071056A公开了一种动态可变限速控制方法，其获取道路实时交通流数据，对交通流运行安全性进行分析，判断当时交通流运行是否处于危险状态，启动可变限速控制等步骤，主动干预，降低交通事故。然而，当可变限速控制设备，即可变信息板发生故障时，将无法进行防控。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种道路运行风险防控设备故障自动隔离系统及方法，在道路运行风险防控设备发生故障后，能够在防控设备故障时，通过上下游防控设备的联动，对防控盲点区域进行预防性干预，从而达到规避风险的目的。

为了达到上述目的，本发明采用以下技术方案予以实现。

一种道路运行风险防控设备故障自动隔离系统，包括交通监测设备、云计算平台和可变信息板；

交通监测设备设置在道路的路侧，用于获取数据信息，并将数据信息输送至云计算平台；

云计算平台接收所述交通监测设备输入的数据信息，计算限速值，并将限速值数据输入至可变信息板；

可变信息板用于接收并发布云计算平台输入的限速值数据。

优选的，交通监测设备包括AI摄像机、交通检测器和气象测量仪；

AI摄像机用于对交通事故进行检测，获取实时交通事件信息和路况信息，并将实时交通事件信息和路况信息输送至云计算平台；

交通检测器用于实施监测并采集所述可变信息板所在路段内的交通流数据和车辆信息，并将所述交通流数据和车辆信息输送给云计算平台；

气象测量仪用于检测所述道路路段的气象信息，并将所述气象信息输送至云计算平台。

优选的，车辆信息包括每辆车的行驶速度、通过时间、车头时距和车辆长度信息。

优选的，道路运行风险防控设备故障自动隔离系统包括一个云计算平台、多个交通监测设备及多个可变信息板；多个交通监测设备分别将数据信息输送至云计算平台，云计算平台将分别将限速值输送至交通监测设备对应的可变信息板。

一种道路运行风险防控设备故障自动隔离方法，包括以下步骤：

步骤1，在高速公路选取多个路段，每个路段的路侧安装有可变信息板、安装AI摄像机、交通检测器和气象测量仪；

步骤2，获取各个路段的道路实时交通事件信息、路况信息、交通流数据、车辆信息和气象信息；并将各个路段的交通事件信息、路况信息、交通流数据、车辆信息和气象信息输送至云计算平台；

步骤3，云计算平台基于预设的机器学习SVM模型训练得到各个路段的风险等级；将得到的风险等级输入线性回归模型中得到各个路段的防控策略，即各个路段的限速值；

步骤4，云计算平台将各个路段的限速值输送至对应的可变信息板进行发布；若有一个路段的可变信息板故障不能发布限速值，则云计算平台根据该路段的风险等级得到补偿限速值，并将补偿限速值分配给与该路段相邻的两个路段的可变信息板进行发布。

与现有技术相比，本发明的有益效果为：

本发明在道路防控设备发生故障时，可继续进行风险防控，降低了交通事故发生的概率，提高了道路交通效率；当某路段的防控设备发生故障时，其上游路段和下游路段的防控设备对该路段进行预防性干预，从而达到规避风险的目的。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为道路运行风险防控设备故障自动隔离系统的工作流程图；

图2为云计算平台工作流程图。

具体实施方式

下面将结合实施例对本发明的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限制本发明的范围。

本发明的原理是通过安装在道路上的交通监测设备，探测道路前方一定范围内车辆的运行轨迹，路况信息以及交通流信息，并通过强化机器模型得到一个带矫正设备的风险传导演化模型，判定所检测范围内交通流的风险等级，由风险防控系统生成防控策略(如限速80km/h或者是100km/h)，把道路上每一个可变信息板生成的防控策略发给云计算平台。当其中某个可变信息板故障时，该范围内的监测设备仍将检测到的风险上传到云计算平台，云计算平台中再次通过强化学习模型，进一步综合设备故障路段、及其上下游路段传来的风险，生成上下游可变限速标志相对于已故障可变信息板的风险矫正补偿量，即限速补偿量；再把这个矫正补偿量分配到上下游的可变信息板上。上下游的可变信息板分别再加上上游路段矫正补偿量、下游路段矫正补偿量形成新的限速信息，以替代故障设备的风险防控功能。

参考图1，道路运行风险防控设备故障自动隔离系统的工作流程图。本发明的道路运行风险防控设备故障自动隔离系统，包括交通监测设备、云计算平台和可变信息板；

交通监测设备设置在道路的路侧，用于获取数据信息，并将数据信息输送至云计算平台；

交通监测设备包括AI摄像机、交通检测器和气象测量仪；

AI摄像机用于对交通事故进行检测，获取实时交通事件信息和路况信息，并将实时交通事件信息和路况信息输送至云计算平台；

具体的，AI摄像机安装在路侧，第一时间对拥堵、违停、异常变道等道路现象做出反应。除了车辆外,AI摄像机还能分析道路上的行人特征与非机动车辆,实现视频中人、车、非机动车分类。

交通检测器用于实施监测并采集所述可变信息板所在路段内的交通流数据和车辆信息，并将所述交通流数据和车辆信息输送给云计算平台；具体的恶，车辆信息包括每辆车的行驶速度、通过时间、车头时距和车辆长度信息；

气象测量仪用于检测所述道路路段的气象信息，并将所述气象信息输送至云计算平台。气象测量仪与交通流检测器一起安装于路侧。

云计算平台接收交通监测设备输入的数据信息，计算限速值，并将限速值数据输入至可变信息板；

可变信息板用于接收并发布云计算平台输入的限速值数据。

进一步的，道路运行风险防控设备故障自动隔离系统包括一个云计算平台、多个交通监测设备及多个可变信息板；多个交通监测设备分别将数据信息输送至云计算平台，云计算平台将分别将限速值输送至交通监测设备对应的可变信息板。

本发明还提供了一种道路运行风险防控设备故障自动隔离方法，包括以下步骤：

步骤1，在高速公路选取多个路段，每个路段的路侧安装有可变信息板、安装AI摄像机、交通检测器和气象测量仪；

每隔两个信号交叉口安装一个可变信息板，对于经常发生事故的路段每隔两个信号交叉口安装两个可变信息板。

步骤2，获取各个路段的道路实时交通事件信息、路况信息、交通流数据、车辆信息和气象信息；并将各个路段的交通事件信息、路况信息、交通流数据、车辆信息和气象信息输送至云计算平台；

步骤3，云计算平台基于预设的机器学习SVM模型训练得到各个路段的风险等级；将得到的风险等级输入线性回归模型中得到各个路段的防控策略，即各个路段的限速值；云计算平台工作流程如图2所示。

基于预设的机器学习SVM模型训练得到各个路段的风险等级，包括以下子步骤：

子步骤3.1，采集可变信息板1管控区域内t时间段(0.01≤t≤0.1)的数据样本N组XI＝{x1,x2,...,xN}；

每个XI(I＝1,2,3,...,N)包括人、车、路、环境信息；随机采集可变信息板1管控的上游路段驾驶人的性别x1、驾驶技能x2；车的车距x3、车速x4、车况x5、；道路的类型x6、路面状况x7、交通状况x8；以及当天的天气x9、行人状况x10、能见度x11；

子步骤3.2，训练样本集D＝{(X1，Y1)，(X2，Y2)，…(Xn，Yn)}，

其中，X1、X2、…Xn是检测到各路段的信息，Y1、Y2、…Yn是对应的各路段的风险等级；

首先将特征空间x映射到高维特征空间，再执行回归分析；

f(X)＝ω*ψ(X)+b

其中，ψ(X)为高维特征空间；ω为权重系数；b为偏置系数；

风险等级的计算公式为：

其中，ζi，ζ*i为松弛变量；ε为不敏感系数，控制回归函数对样本数据不敏感区域的宽度；惩罚参数C表示对超出ε样本的惩罚程度；C越大对数据的拟合度越高；

此时，

子步骤3.3，获取一个月内同一时间段检测到的数据，按照80％数据为训练集进行模型训练，并在剩余20％数据上进行模型性能测试；

子步骤3.4，基于预设机器学习SVM模型预测各个路段的风险等级。

将得到的风险等级输入线性回归模型中得到各个路段的防控策略，即各个路段的限速值。得到各个路段的防控策略具体为：

输入各个路段的风险等级，输出对应的各个路段的限速值：

yi＝a+bxi+εi，i＝1，2，…n；

其中，yi表示第i条路段的限速值；xi表示第i条路段的风险等级；εi为误差项。

步骤4，云计算平台将各个路段的限速值输送至对应的可变信息板进行发布；若有一个路段的可变信息板故障不能发布限速值，则云计算平台根据该路段的风险等级得到补偿限速值，并将补偿限速值分配给与该路段相邻的两个路段的可变信息板进行发布。

具体的，把可变信息板故障的路段平均分成前半段和后半段，前半段路段根据机器学习SVM模型和线性回归模型得到前限速值；把前限速值与可变信息板故障的路段的上游路段的限速值综合，得到可变信息板故障的路段的上游路段的可变信息板需要发布的限速值；

后半段段根据线性回归模型得到后限速值，把后限速值与可变信息板故障的路段的下游路段的限速值综合，得到可变信息板故障的路段的下游路段的可变信息板需要发布的限速值。

减少事故风险效果最好的控制策略是将阈值设置为预测事故概率等于0.25，限速值变化周期为120s,限速值降低幅度为20km/h,恢复幅度为10km/h，相邻路段限速值差为20km/h。

实施例

在高速路上选取3个路段，分别为上游路段、中游路段和下游路段；上游路段设置有可变信息板1，中游路段设置有可变信息板2，下游路段设置有可变信息板3；中游路段的可变限速板2故障不能发布限速值，云计算平台根据中游路段传来的风险等级，产生补偿限速值，分配给可变限速板1和3。

把中游路段平均分成2段，前一路段根据机器学习SVM模型和线性回归模型得出一个限速值，把这一限速值与上游路段的限速值综合，得到可变限速板1需要发布的限速值；后一路段根据线性回归模型得出一个限速值。把这一限速值与下游路段的限速值综合，得到可变限速板3需要发布的限速值。

ii)当上游路段的车辆以100km/h正常行驶时，上游路段根据计算得速度需减20km/h，中游路段得到的限速值减15km/h，此时可变信息板1限速值要减去40km/h，可变信息板1显示的速度为60km/h。

iii)如果中游路段需减速5km/h时，此限速值不需计入可变信息板1。可变信息板1的限速值只需减去20km/h，可变信息板1显示的速度为80km/h。因为可变信息板的减速值20km/h到了40km/h才跳变，即每隔20km/h才能升到下一级，减速32km/h时就五入认为减速40km/h，但如果减速28时就四舍认为减速20km/h，即减速30km/h以上计入减速40km/h，减速30km/h以下计入减速20km/h。

虽然，本说明书中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。