基于大数据的智慧高速实时事故智能预警及主动管控方法与流程

本发明涉及高速无人机巡检领域，具体为基于大数据的智慧高速实时事故智能预警及主动管控方法。

背景技术：

1、随着我国高速公路规模不断扩大、车流量持续增长，交通事故主动预警与动态主动管控已成为智慧高速建设的核心方向，是提升道路通行安全性与运行效率的关键手段。当前主要以路侧布设的固定视频监控设备为核心，实现常规路段的常态化交通监测；同时辅以人工操控巡检无人机，针对重点路段开展补充巡查，结合后台交通数据的统计分析，完成交通事故识别、预警发布与管控处置。

2、但现有技术方案在实际应用中仍存在诸多待解决的问题：路侧固定监控受布设点位、设备视角限制，普遍存在感知覆盖盲区，且难以灵活调整监测范围。人工操控巡检无人机虽具备机动灵活的优势，但巡检效率受人员操作水平、人员成本和上班时间的制约，无法实现无人机的常态化巡检。此外，在事故发生后，人员前往现场进行沟通处理需要很长的时间。

3、因此，目前亟需一种基于大数据和无人机巡检的的智慧高速实时事故智能预警及主动管控方法。

技术实现思路

1、为克服现有的技术问题，本发明提供了基于大数据的智慧高速实时事故智能预警及主动管控方法。

2、本发明采用了以下的技术方案。

3、基于大数据的智慧高速实时事故智能预警及主动管控方法，包括以下步骤：

4、s1、获取巡检无人机的机载传感器采集的传感感知数据，提取各车辆的空间定位数据，结合高精地图的绝对三维锚点构建坐标转换关系，将空间定位数据转换至物理里程坐标，以生成感知数据集；

5、s2、基于感知数据集计算车辆行驶参数以提取交通状态特征，通过巡检无人机获取生成环境状态特征，根据交通状态特征和环境状态特征输入分类模型，输出车道行驶状态标签；

6、s3、根据车道行驶状态标签选取对应的安全基准阈值组，选取物理里程坐标对应区域表征历史事故表现的偏置系数，通过偏置系数调整安全基准阈值组以生成动态判断阈值组，根据交通状态特征与动态判断阈值组输出多等级初步预警信号；

7、s4、对多等级初步预警信号执行多帧时序一致性校验，输出最终预警信号并执行对应的管控行为。

8、作为本发明的进一步改进，机载传感器为摄像头，传感感知数据为动态视频流，空间定位数据为二维像素坐标；

9、提取各车辆的空间定位数据，结合高精地图的绝对三维锚点构建坐标转换关系，将空间定位数据转换至物理里程坐标的具体步骤包括：

10、s101、根据预设的安全偏置角度或预设的裁切区域处理得到目标兴趣区域，基于目标兴趣区域映射提取动态视频流中各帧图像的高速车道的边界线特征点，以及各车辆底盘接地点作为车辆像素坐标；

11、s102、基于电子视频稳像技术持续对动态视频流中不同帧的图像进行二维仿射补偿，并持续获取巡检无人机包含三维坐标与姿态角的位姿数据进行全局基准校正，以校准图像中心点与真实物理世界坐标的映射关系；

12、s103、根据巡检无人机的三维坐标调取高精地图中对应路段各车道线的绝对三维锚点，基于绝对三维锚点提取对应的二维地面物理坐标，根据位姿数据构建边界线特征点与二维地面物理坐标的匹配点对集；

13、s104、基于匹配点对集通过直接线性变换算法求解出动态的二维单应性透视变换矩阵；

14、s105、根据二维单应性透视变换矩阵将全部车辆像素坐标，映射得到至少一个物理里程坐标。

15、作为本发明的进一步改进，机载传感器为固态激光雷达，传感感知数据为三维点云数据，空间定位数据为三维空间坐标；

16、提取各车辆的空间定位数据，结合高精地图的绝对三维锚点构建坐标转换关系，将空间定位数据转换至物理里程坐标的具体步骤包括：

17、s111、对三维点云数据进行滤波与聚类分割，提取各车辆的一角边界点作为相对于激光雷达自身坐标系的三维激光空间坐标；

18、s112、持续获取巡检无人机包含三维坐标与姿态角的位姿数据，将三维激光空间坐标映射为三维空间坐标；

19、s113、调取高精地图中当前路段各车道线的绝对三维锚点，对每个车辆的三维空间坐标匹配最近的车道线，将三维空间坐标沿法线方向投影至车道线上，提取投影点在对应车道线上的纵向弧长和三维空间坐标距车道线的横向偏移量得到对应车辆的物理里程坐标。

20、作为本发明的进一步改进，机载传感器包括包含摄像头与固态激光雷达，摄像头与固态激光雷达均具有工作状态和非工作状态。

21、作为本发明的进一步改进，基于感知数据集计算车辆行驶参数以提取交通状态特征的具体步骤包括：

22、s21、通过目标跟踪算法追踪对应车辆，生成各车辆连续的物理里程坐标时序序列，对物理里程坐标时序序列进行异常突变预处理，并采用固定时长滑动窗口进行滑动平均滤波，得到各车辆包含多个平滑里程坐标的里程坐标序列；

23、s22、根据各车辆的里程坐标序列，获取各车辆在当前时刻与上一时刻的平滑里程坐标,计算不同时刻的车道平均车速，以及不同时刻各车辆的车速；

24、获取同一车道内前后相邻车辆的平滑里程坐标,计算不同时刻各车辆的纵向车间距；

25、获取各车辆跨越车道线的变道轨迹；

26、基于不同时刻各车辆的车速,计算得到预设单位时间内的急刹车频次；

27、s23、整合不同时刻各车辆的车速、纵向车间距和变道轨迹，以及不同时刻的车道平均车速，以及预设单位时间内的急刹车频次得到交通状态特征。

28、作为本发明的进一步改进，通过巡检无人机获取生成环境状态特征，根据交通状态特征和环境状态特征输入分类模型，输出车道行驶状态标签的具体步骤包括：

29、s24、基于巡检无人机的三维坐标读取气象站的实时雨量与风速数据，通过人工上传的能见度程度值和积水程度值，整合实时雨量、风速数据、能见度程度值和积水程度值得到环境状态特征；

30、s25、将环境状态特征和交通状态特征整合并输入至预训练的分类模型，输出包含自由流、饱和流、拥堵冲击波、高危预警中任一个的车道行驶状态标签。

31、作为本发明的进一步改进，生成偏置系数的步骤包括：将某个高速路段按预设的纵向划分里程划分为多个离散的空间网格，获取对应高速路段在预设事故参考年份内的交通事故数据库，计算每个空间网格的历史事故总频次，计算全部空间网格的历史事故平均频次和标准差，计算得到每个空间网格的风险热度指数，并通过归一化将风险热度指数映射得到偏置系数。

32、作为本发明的进一步改进，多等级初步预警信号包括对应的预警等级、对应的车道行驶状态标签和对应的风险里程坐标，预警等级分别为严重程度依次增加的一级预警、二级预警和三级预警；

33、当输出二级预警或三级预警时，暂停巡检无人机的巡检任务并悬停，将机载传感器朝向风险里程坐标。

34、作为本发明的进一步改进，多帧时序一致性校验的具体步骤包括：根据预设的滑动校验数建立滑动校验窗口，获取滑动校验窗口内预警等级的众数，并计算跳变方差；

35、若跳变方差低于等于预设的波动阈值，或者预警等级的等级呈先单调增加后保持稳定时，输出众数对应的预警等级作为最终预警信号，否则，使巡检无人机向风险里程坐标靠近，或者转人工远程审核，或者将滑动校验窗口内最高的预警等级作为最终预警信号。

36、本发明的有益效果为：支持无人机常态化自动巡检。依托无人机的机动巡查特性补充路侧固定监控的覆盖盲区，可基本覆盖整个高速路段。其次，还可以降低对人工操作的依赖，大大降低人力成本，降低人均作业时间。此外，通过融合评估输出车道行驶状态标签，基于车道行驶状态标签、偏置系数和多帧时序一致性校验实现精准预警。