一種基于數據融合的無人收費站交通流量監測方法及系統與流程

本發明涉及智能交通領域，特別是一種基于數據融合的無人收費站交通流量監測方法及系統。

背景技術：

1、隨著智能交通系統的快速發展，交通流量監測技術已成為實現交通管理和優化的重要手段。傳統的收費站流量監測主要依賴于單一的傳感器（如視頻監控、車道計數器等）或人工記錄方式。這些方法雖然在簡單環境下具備一定的可行性，但在復雜環境中，尤其是無人化收費站場景下，由于環境條件多變（如雨天、霧天、夜間低光等），單一傳感器的數據采集能力往往受限，難以提供高精度的交通流量監測結果。近年來，數據融合技術的應用逐漸引起關注，通過結合多模態傳感器（如視頻、雷達、紅外等）實現數據的多源互補和優化利用，能夠在一定程度上提升監測精度。然而，現有的數據融合技術大多采用固定權重或簡單加權的方式，未能根據實時環境的變化動態調整傳感器的優先級，導致在復雜環境條件下的監測效果仍然不理想。同時，現有技術在異常行為檢測方面缺乏針對無人收費場景的專門優化，無法有效應對車輛逆行、擁堵、逃費等異常行為的檢測和響應，從而影響收費站的高效運行。

2、盡管已有一些基于機器學習的交通流量監測方法在學術和工程領域得到了探索，但它們多集中于單一特征的分析或靜態模型的構建，尚未充分利用時間序列特性來預測動態行為。例如，部分現有技術僅基于單幀視頻圖像分析車輛狀態，而忽略了車輛行為的連續性特征，導致對異常行為的預測能力不足。此外，目前的交通流量監測系統通常僅針對全局流量進行統計，缺乏對異常車輛（如超速或逃費車輛）的單獨分析和報警機制，限制了在特定場景下的適用性。因此，現有技術在動態環境適應性、異常行為檢測以及基于數據融合的精準流量統計方面仍存在明顯不足，亟需一種綜合性更強、適應性更高的交通流量監測方法來解決上述問題。

技術實現思路

1、鑒于上述現有存在的問題，提出了本發明。

2、因此，本發明提供了一種基于數據融合的無人收費站交通流量監測方法解決動態環境下傳感器融合不精準和異常行為檢測不足的問題。

3、為解決上述技術問題，本發明提供如下技術方案：

4、第一方面，本發明提供了一種基于數據融合的無人收費站交通流量監測方法，其包括，部署環境傳感器在無人收費站的關鍵位置，實時采集環境數據，利用機器學習分類算法，對環境狀態進行分類，生成環境狀態標簽；基于環境狀態標簽，通過多層感知機模型，調整動態多模態傳感器的權重向量，生成動態多模態傳感器權重配置表；基于動態多模態傳感器權重配置表，按照權重分配，啟動多模態傳感器進行實時采集多模態數據，對采集到的多模態數據進行預處理，提取車輛特征向量；根據車輛特征向量，構建時間序列特征，采用固定長度滑動窗口法，提取時間序列窗口，預測異常行為測量，并對異常行為的車輛生成報警信息；基于報警信息，結合所有正常車輛的動態數據，將時間段內所有正常車輛的通行數量劃分區間，統計每個子區間內的流量密度，并生成交通流量監測報告。

5、作為本發明所述基于數據融合的無人收費站交通流量監測方法的一種優選方案，其中：所述采集環境數據包括光照強度、溫度、濕度、降雨量、風速、能見度和大氣壓。

6、作為本發明所述基于數據融合的無人收費站交通流量監測方法的一種優選方案，其中：所述利用機器學習分類算法，對環境狀態進行分類，生成環境狀態標簽，具體步驟如下：

7、根據采集的環境數據，利用機器學習分類算法，計算環境狀態指數，表達式為：

8、；

9、其中，表示環境狀態指數，表示第個特征的權重，表示第個相關特征指數，表示強調特征權重與特征指數的疊加效應，表示歸一化處理；

10、基于歷史環境數據，定義原始環境分類閾值為，；

11、將esv環境狀態指數與預設的環境分類閾值，對比，生成環境狀態標簽；

12、若時，則將環境狀態標記為夜晚低光照；

13、若時，則將環境狀態標記為雨天低能見度；

14、若時，則將環境狀態標記為晴天光照充足。

15、作為本發明所述基于數據融合的無人收費站交通流量監測方法的一種優選方案，其中：所述基于環境狀態標簽，通過多層感知機模型，調整動態多模態傳感器的權重向量，生成動態多模態傳感器權重配置表，具體步驟如下：

16、基于環境狀態標簽，通過多層感知機模型，調整動態多模態傳感器的權重向量，表達式為：

17、；

18、其中，表示第多模態傳感器動態的權重向量，表示第多模態傳感器特征映射矩陣，表示第多模態傳感器特征向量，表示第多模態傳感器環境狀態映射矩陣，表示當前環境的多分類標簽，表示偏置向量，表示控制傳感器特征可調超參數值為0.8，表示環境狀態可調超參數值為0.5；

19、根據動態多模態傳感器的權重向量，生成動態多模態傳感器權重配置表。

20、作為本發明所述基于數據融合的無人收費站交通流量監測方法的一種優選方案，其中：所述基于動態多模態傳感器權重配置表，按照權重分配，啟動多模態傳感器進行實時采集多模態數據，對采集到的多模態數據進行預處理，提取車輛特征向量，具體步驟如下：

21、基于動態多模態傳感器權重配置表，調整多模態傳感器采樣頻率，表達式為：

22、；

23、其中，表示第多模態傳感器采樣頻率，表示傳感器的最大采樣頻率，表示第多模態傳感器對應的權重值；

24、基于多模態傳感器采樣頻率，所有傳感器統一進行數據采集，形成數據流；

25、根據數據流，通過yolov8深度學習模型對視頻幀進行目標檢測，提取車輛的關鍵特征，表達式為：

26、；

27、其中，表示視頻特征向量，表示車輛中心橫坐標，表示車輛中心縱坐標，表示車輛寬度，表示車輛高度，表示車輛類別；

28、根據數據流，對雷達傳感器的速度和距離數據，采用雙峰聚類算法提取車輛速度和位置特征，表達式為：

29、；

30、其中，表示雷達特征向量，表示車輛速度，表示車輛距離；

31、根據數據流，對紅外熱成像數據，采用卷積神經網絡提取車輛輪廓特征，表達式為：

32、；

33、其中，表示紅外特征向量，表示車輛輪廓中心橫坐標，表示車輛輪廓中心縱坐標，表示車輛熱值強度。

34、作為本發明所述基于數據融合的無人收費站交通流量監測方法的一種優選方案，其中：所述根據車輛特征向量，構建時間序列特征，采用固定長度滑動窗口法，提取時間序列窗口，預測異常行為測量，并對異常行為的車輛生成報警信息，具體步驟如下：

35、根據提取車輛特征向量，構建時間序列特征，表達式為：

36、；

37、其中，表示時間序列特征，表示第時刻的視頻特征，表示第時刻的雷達特征，表示第時刻的紅外特征，表示車輛行為的時間序列，表示時間序列的長度；

38、采用固定長度滑動窗口法，連續的時間序列中提取時間序列窗口，表達式為：

39、；

40、其中，表示第個時間序列窗口，表示時間點時刻的車輛多模態特征向量集合，表示時間點時刻的車輛多模態特征向量，表示時間點時刻的車輛多模態特征向量，時間窗口的起始時間點，表示滑動窗口的長度；

41、根據時間序列窗口，預測下一時刻的車輛行為特征向量，表達式為：

42、；

43、其中，表示預測的下一時刻特征向量；

44、根據預測的下一時刻車輛行為特征向量和實際觀察值的差異，計算異常得分，表達式為：

45、；

46、其中，表示異常得分，表示車輛行為特征向量的維度，表示實際特征向量；

47、根據異常得分與預設閾值的比較，判定車輛是否存在異常行為；

48、若時，則車輛行為正常；

49、若時，則車輛行為異常；

50、將異常行為車輛的實時特征信息、異常行為類型和時間戳生成報警信息。

51、作為本發明所述基于數據融合的無人收費站交通流量監測方法的一種優選方案，其中：所述基于報警信息，結合所有正常車輛的動態數據，將時間段內所有正常車輛的通行數量劃分區間，統計每個子區間內的流量密度，并生成交通流量監測報告，具體步驟如下：

52、基于報警信息，剔除異常車輛，保留正常車輛的數據，形成正常車輛集合，表達式為：

53、；

54、其中，表示正常車輛的動態數據集合，表示第輛車的時間序列特征集合，表示車輛的唯一標識符，表示異常車輛的標識符集合；

55、通過正常車輛集合，統計時間段y內所有正常車輛的通行數量；

56、將統計時間段y固定間隔劃分為若干子區間，并統計每個子區間內的流量密度；

57、將每個時間子區間的流量密度結果組合，構成整個統計時間段收費站的交通流量分布，并生成交通流量監測報告。

58、第二方面，本發明提供了一種基于數據融合的無人收費站交通流量監測系統，包括，環境狀態標簽生成模塊、動態權重配置表生成模塊、車輛特征向量模塊、報警信息生成模塊和流量監測報告生成模塊；環境狀態標簽生成模塊，用于部署環境傳感器在無人收費站的關鍵位置，實時采集環境數據，利用機器學習分類算法，對環境狀態進行分類，生成環境狀態標簽；動態權重配置表生成模塊，用于基于環境狀態標簽，通過多層感知機模型，調整動態多模態傳感器的權重向量，生成動態多模態傳感器權重配置表；車輛特征向量模塊，用于基于動態多模態傳感器權重配置表，按照權重分配，啟動多模態傳感器進行實時采集多模態數據，對采集到的多模態數據進行預處理，提取車輛特征向量；報警信息生成模塊，用于根據車輛特征向量，構建時間序列特征，采用固定長度滑動窗口法，提取時間序列窗口，預測異常行為測量，并對異常行為的車輛生成報警信息；流量監測報告生成模塊，用于基于報警信息，結合所有正常車輛的動態數據，將時間段內所有正常車輛的通行數量劃分區間，統計每個子區間內的流量密度，并生成交通流量監測報告。

59、第三方面，本發明提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其中：所述計算機程序被處理器執行時實現如本發明第一方面所述的基于數據融合的無人收費站交通流量監測方法的任一步驟。

60、第四方面，本發明提供了一種計算機可讀存儲介質，其上存儲有計算機程序，其中：所述計算機程序被處理器執行時實現如本發明第一方面所述的基于數據融合的無人收費站交通流量監測方法的任一步驟。

61、本發明有益效果為：通過采集環境數據并生成環境狀態標簽，結合動態多模態傳感器權重配置表的生成和優化，實現了復雜環境適應下的高效數據融合；基于車輛特征向量的時間序列建模和異常行為檢測，進一步提升了異常行為識別的精度和實時性。最終，通過剔除異常數據，結合所有正常車輛動態數據，統計收費站交通流量并生成監測報告，為無人化收費站提供了精準、高效的交通流量監測解決方案，顯著提高了復雜環境下的交通管理能力。