基于視頻監(jiān)控的城市道路交通流量預(yù)測(cè)方法研究

摘 要：為合理調(diào)配交通資源，提前預(yù)警交通擁堵，保障城市交通順暢運(yùn)行，本文利用視頻監(jiān)控對(duì)城市道路交通流量預(yù)測(cè)方法進(jìn)行研究。安裝視頻監(jiān)控設(shè)備，基于視頻監(jiān)控采集道路車輛的詳細(xì)信息，收集車流數(shù)據(jù)。對(duì)城市道路視頻監(jiān)控幀圖像進(jìn)行預(yù)處理，監(jiān)測(cè)并跟蹤車輛。在這個(gè)基礎(chǔ)上，計(jì)算城市道路平均日交通量與年平均日交通量，建立時(shí)間序列分析模型，擬合歷史數(shù)據(jù)，預(yù)測(cè)未來時(shí)間點(diǎn)的交通流量。試驗(yàn)結(jié)果表明，本文方法能夠更好地把握交通流量的復(fù)雜性和動(dòng)態(tài)性，預(yù)測(cè)結(jié)果更準(zhǔn)確，可行性更高。

關(guān)鍵詞：視頻監(jiān)控；流量預(yù)測(cè)；城市道路；時(shí)間序列

中圖分類號(hào)：U 495 " " " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著機(jī)動(dòng)車保有量增長(zhǎng)和城市化進(jìn)程加速，交通擁堵已經(jīng)成為城市發(fā)展瓶頸。因此，精準(zhǔn)預(yù)測(cè)城市道路交通流量對(duì)緩解交通擁堵、優(yōu)化交通管理以及提高交通運(yùn)行效率十分重要[1]。很多學(xué)者對(duì)城市道路交通流量預(yù)測(cè)方法進(jìn)行研究。例如，文獻(xiàn)[2]用數(shù)字孿生技術(shù)模擬交通系統(tǒng)，根據(jù)歷史數(shù)據(jù)提高預(yù)測(cè)精度，但是對(duì)新模式適應(yīng)性差。文獻(xiàn)[3]結(jié)合分布式梯度增強(qiáng)庫(kù)（XGBoost）與多源數(shù)據(jù)，提高模型泛化能力，但是不能精準(zhǔn)判斷交通擁堵的復(fù)雜性，預(yù)測(cè)精度有限。視頻監(jiān)控是智能交通系統(tǒng)的重要組成部分，能夠?qū)崟r(shí)檢測(cè)道路交通的運(yùn)行狀態(tài)[4]。視頻監(jiān)控技術(shù)具有實(shí)時(shí)性，在智能交通系統(tǒng)中應(yīng)用廣泛。基于此，本文利用視頻監(jiān)控研究城市道路交通流量預(yù)測(cè)方法，輔助交通管理部門進(jìn)行科學(xué)決策，優(yōu)化資源配置，提升城市交通運(yùn)行效率。

1 基于監(jiān)測(cè)視頻捕捉車流數(shù)據(jù)

為了有效監(jiān)測(cè)城市主要道路、交叉口和關(guān)鍵路段的交通情況，須在這些區(qū)域安裝具有高分辨率、夜間視力和廣角視野的高清攝像頭。根據(jù)道路布局和交通流量合理規(guī)劃攝像頭的安裝位置和角度，以保證全面覆蓋監(jiān)測(cè)區(qū)域。正確連接所有設(shè)備并使其在線，配置設(shè)備參數(shù)（例如分辨率1 920 ppi×

1 080 ppi、幀率50 幀/s和碼流類型H.264），以保證視頻數(shù)據(jù)的質(zhì)量和傳輸效率[5]。分析攝像頭拍攝的圖像或視頻，可以提取關(guān)鍵的車流參數(shù)，例如車輛數(shù)量、車速和車流密度等。

計(jì)算視頻中在特定時(shí)間段內(nèi)通過某個(gè)監(jiān)測(cè)點(diǎn)的車輛數(shù)N，如公式（1）所示。

（1）

式中：T為總時(shí)間間隔；ni為在第i個(gè)時(shí)間內(nèi)通過的車輛數(shù)。

計(jì)算所有車輛瞬時(shí)速度的平均值來得到平均車速vavg，如公式（2）所示。

（2）

式中：vj為第j輛車的瞬時(shí)速度。

計(jì)算車輛數(shù)量和路段長(zhǎng)度來得到車流密度k，即單位長(zhǎng)度路段的車輛數(shù)，如公式（3）所示。

（3）

式中：L為監(jiān)測(cè)路段的長(zhǎng)度。

計(jì)算車輛數(shù)量和監(jiān)測(cè)時(shí)間來得到車流量q，即在單位時(shí)間內(nèi)通過某個(gè)監(jiān)測(cè)點(diǎn)的車輛數(shù)，如公式（4）所示。

（4）

式中：T0為監(jiān)測(cè)總時(shí)間。

配置視頻流地址并啟動(dòng)視頻，利用無線網(wǎng)絡(luò)將實(shí)時(shí)視頻數(shù)據(jù)傳輸至后端服務(wù)器[6-8]。在接收端使用支持視頻流接收的軟件接收并解碼視頻數(shù)據(jù)，保存至本地文件?；谶@些數(shù)據(jù)計(jì)算車流量、車流速度和車輛密度等交通流參數(shù)，為交通流量預(yù)測(cè)提供數(shù)據(jù)支持。

2 車輛檢測(cè)與跟蹤

獲得城市道路車流數(shù)據(jù)后，對(duì)車輛進(jìn)行全方位監(jiān)測(cè)與跟蹤。去噪是預(yù)處理的關(guān)鍵步驟，其目的是減少或消除圖像噪聲，提高圖像質(zhì)量，使其更適合車輛檢測(cè)與跟蹤算法。去噪過程如公式（5）所示。

（5）

式中：g（x，y）為去噪后的像素值；m、n為鄰域的大?。籪（i，j）為鄰域內(nèi)的像素值。圖像增強(qiáng)利用調(diào)整灰度級(jí)范圍來提升圖像對(duì)比度，突出細(xì)節(jié)，圖像分割利用邊緣檢測(cè)將圖像劃分為不同區(qū)域。

預(yù)處理后，利用特征描述符提取車輛形狀、顏色和紋理等特征，確定車輛區(qū)域及其位置、面積。設(shè)特征向量f為車輛特征，在檢測(cè)階段，使用分類器C來判斷圖像中的某個(gè)區(qū)域是否包括車輛[9]。C的輸出y如公式（6）所示。

y=C（ f ） " " " " " " " "（6）

式中：y為一個(gè)二值變量，其作用是判斷該區(qū)域是否包括車輛（1為包括車輛，0為不包括車輛）。

在跟蹤階段，使用運(yùn)動(dòng)模型來預(yù)測(cè)車輛在下一幀中的位置。設(shè)當(dāng)前幀中車輛的位置為pt=（xt，yt） ，速度為vt=（vx，t，vy，t），使用線性預(yù)測(cè)模型來估計(jì)下一幀的位置pt+1，如公式（7）所示。

pt+1=pt+vtΔt " " " " " " （7）

式中：Δt 為幀間時(shí)間間隔。

為了提高跟蹤的準(zhǔn)確性，計(jì)算在當(dāng)前幀中檢測(cè)的車輛與之前幀中跟蹤的車輛之間的相似S（f1，f2），如公式（8）所示。

（8）

式中：S（f1，f2）為車輛之間的相似度；f1、f2分別為當(dāng)前幀監(jiān)測(cè)到的車輛和之前幀監(jiān)測(cè)到的車輛。

相似度S的取值范圍為0～1，S越高，2個(gè)特征向量越相似。計(jì)算描述符之間的相似度來判斷2個(gè)目標(biāo)是否為同一個(gè)目標(biāo)。如果當(dāng)前幀中的目標(biāo)與之前幀中的目標(biāo)匹配成功，那么將其關(guān)聯(lián)，形成目標(biāo)的最終運(yùn)動(dòng)軌跡；如果匹配失敗，那么在當(dāng)前幀中重新搜索目標(biāo)。將車輛檢測(cè)與跟蹤的結(jié)果以可視化的形式輸出，例如在視頻中繪制邊界框、標(biāo)注車輛類型等。為驗(yàn)證本文方法的跟蹤性能，將本文方法的跟蹤路徑與原路徑進(jìn)行對(duì)比，對(duì)比結(jié)果如圖1所示。

3 交通流量預(yù)測(cè)

基于車輛檢測(cè)與跟蹤結(jié)果統(tǒng)計(jì)城市道路交通流量并預(yù)測(cè)未來流量是交通管理的重要步驟。須收集歷史交通流量數(shù)據(jù)，分析其周期性和趨勢(shì)，為預(yù)測(cè)模型提供基礎(chǔ)。計(jì)算平均日交通量（Average Daily Traffic，ADT）和年平均日交通量（Annual Average Daily Traffic，AADT）得到道路日常使用和年度負(fù)荷數(shù)據(jù)。計(jì)算過程如公式（9）、公式（10）所示。

（9）

AADT=Qm/365 " " "（10）

式中：ADT為平均日交通量，即在觀測(cè)期間內(nèi)每天平均通過的車輛數(shù)；Qz為總交通量；Td為總天數(shù)；AADT為年平均日交通量，即1 a每天平均通過的車輛數(shù)；Qm為1 a觀測(cè)的交通量總和。在這個(gè)基礎(chǔ)上建立時(shí)間序列分析模型，如公式（11）所示。

（11）

式中：Xt為在時(shí)間t的交通流量預(yù)測(cè)值；p為自回歸部分的階數(shù)，表示模型根據(jù)過去p個(gè)時(shí)間點(diǎn)的交通流量數(shù)據(jù)來預(yù)測(cè)當(dāng)前時(shí)間點(diǎn)的交通流量；?i為自回歸部分的系數(shù)，i為1～p，這些系數(shù)表示過去時(shí)間點(diǎn)的交通流量對(duì)當(dāng)前時(shí)間點(diǎn)交通流量的影響程度；Xt-i為在t-i時(shí)間段的交通流量觀測(cè)值；q為移動(dòng)平均部分的階數(shù)，表示模型根據(jù)過去q個(gè)時(shí)間點(diǎn)的誤差項(xiàng)來預(yù)測(cè)當(dāng)前時(shí)間點(diǎn)的交通流量；θj為移動(dòng)平均部分的系數(shù)，j為1～q，這些系數(shù)表示過去時(shí)間點(diǎn)的誤差對(duì)當(dāng)前時(shí)間點(diǎn)交通流量的影響程度；et-j為在t-j時(shí)間段的誤差項(xiàng)，以白噪聲為主；et為在時(shí)間t的誤差項(xiàng)。時(shí)間序列分析模型能夠擬合歷史數(shù)據(jù)，預(yù)測(cè)未來時(shí)間點(diǎn)的交通流量。

4 試驗(yàn)分析

4.1 試驗(yàn)準(zhǔn)備

試驗(yàn)選擇一個(gè)位于城市主干道與次干道交匯處的典型交通路口作為研究區(qū)域，該路口地理位置重要，交通流量大，車輛類型多樣，因此是研究城市交通流量的理想地點(diǎn)。試驗(yàn)團(tuán)隊(duì)在路口安裝了高清視頻監(jiān)控設(shè)備，利用先進(jìn)圖像傳感器獲得高分辨率圖像，保證在復(fù)雜交通環(huán)境中清晰捕捉圖像。數(shù)據(jù)中心接收視頻流后，利用圖像處理和數(shù)據(jù)分析技術(shù)實(shí)時(shí)分析交通流量、車輛速度和密度等指標(biāo)，為交通管理和規(guī)劃提供科學(xué)依據(jù)。本文方法有效收集和分析交通數(shù)據(jù)，支持城市交通流量預(yù)測(cè)和管理，為智能交通系統(tǒng)發(fā)展提供實(shí)踐基礎(chǔ)，試驗(yàn)數(shù)據(jù)見表1。

根據(jù)表1得到試驗(yàn)對(duì)象概況，在該基礎(chǔ)上應(yīng)用上文提出的預(yù)測(cè)方法進(jìn)行試驗(yàn)。

4.2 預(yù)測(cè)結(jié)果

選擇6個(gè)不同時(shí)間段城市道路的實(shí)際交通流量作為試驗(yàn)參照，見表2。

根據(jù)表2收集并整理目標(biāo)路口的視頻監(jiān)控?cái)?shù)據(jù)，提取每個(gè)時(shí)間段的交通流量數(shù)據(jù)。在現(xiàn)代城市交通管理方面，準(zhǔn)確預(yù)測(cè)交通流量能夠優(yōu)化交通系統(tǒng)、減少擁堵和提高出行效率。為了實(shí)現(xiàn)這個(gè)目標(biāo)，研究人員開發(fā)了多種交通流量預(yù)測(cè)方法。本文收集并整理目標(biāo)路口的視頻監(jiān)控?cái)?shù)據(jù)，提取每個(gè)時(shí)間段的交通流量數(shù)據(jù)作為預(yù)測(cè)模型的輸入。為了評(píng)估不同交通流量預(yù)測(cè)方法的性能，本文選擇3種不同的預(yù)測(cè)方法進(jìn)行比較。1）方法A。本文提出了預(yù)測(cè)方法，該方法利用視頻監(jiān)控技術(shù)對(duì)車輛進(jìn)行監(jiān)測(cè)與跟蹤，可以收集車輛的詳細(xì)動(dòng)態(tài)參數(shù)，包括車輛的速度、方向和密度等，在這個(gè)基礎(chǔ)上對(duì)交通流量進(jìn)行預(yù)測(cè)。2）方法B。文獻(xiàn)[2]提出的基于數(shù)字孿生的預(yù)測(cè)方法，該方法利用數(shù)字孿生技術(shù)模擬實(shí)際交通系統(tǒng)，利用實(shí)時(shí)數(shù)據(jù)反饋和模型更新來提高預(yù)測(cè)精度。3）方法C。文獻(xiàn)[3]提出的基于XGBoost融合模型的預(yù)測(cè)方法，該方法采用XGBoost算法，結(jié)合多種數(shù)據(jù)源和特征工程，提高預(yù)測(cè)模型的泛化能力和穩(wěn)定性。

本文采用3種方法在相同的6個(gè)時(shí)間段中進(jìn)行測(cè)試，并計(jì)算每個(gè)時(shí)間段的R方值（R-squared value），如公式（12）所示。

（12）

式中：Mq為實(shí)際交通流量；Ms為預(yù)測(cè)交通流量。

R方值表示預(yù)測(cè)值與實(shí)際值之間的誤差以及實(shí)際值自身的波動(dòng)情況，因此能夠更全面地預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)之間的擬合程度，評(píng)價(jià)預(yù)測(cè)方法的性能。R方值對(duì)比結(jié)果如圖2所示。

由圖2可知，本文方法（方法A）在6個(gè)不同時(shí)間段的R方值均高于另外2種常規(guī)預(yù)測(cè)方法，說明方法A在不同時(shí)間段內(nèi)對(duì)交通流量變化具有敏感度和適應(yīng)性，在捕捉交通流量復(fù)雜性和動(dòng)態(tài)性方面效果更好。方法A集成視頻監(jiān)控?cái)?shù)據(jù)，能夠?qū)崟r(shí)分析交通流量的數(shù)據(jù)特征，例如車輛密度、速度和流量模式，使用傳統(tǒng)的預(yù)測(cè)方法通常不能準(zhǔn)確捕捉這些特征。因此，方法A能夠提供更精細(xì)和動(dòng)態(tài)化的預(yù)測(cè)結(jié)果。在城市交通系統(tǒng)中，準(zhǔn)確預(yù)測(cè)交通流量能夠優(yōu)化信號(hào)控制，減少擁堵和環(huán)境污染情況，提高道路使用效率。使用方法A進(jìn)行預(yù)測(cè)，不僅能夠幫助交通管理部門及時(shí)調(diào)整交通策略，還能夠?yàn)槌鞘幸?guī)劃者提供數(shù)據(jù)支持，優(yōu)化道路網(wǎng)絡(luò)設(shè)計(jì)，完善停車設(shè)施，在城市交通管理和規(guī)劃領(lǐng)域發(fā)揮重要作用。方法A的R方值高，說明其預(yù)測(cè)結(jié)果具有穩(wěn)定性，有助于長(zhǎng)期規(guī)劃并制定決策。

5 結(jié)語

綜上所述，基于視頻監(jiān)控的城市道路交通流量預(yù)測(cè)方法理論意義重要，應(yīng)用價(jià)值很高。本文方法可以準(zhǔn)確預(yù)測(cè)交通流量的變化趨勢(shì)，總結(jié)特征，提高預(yù)測(cè)精度和可靠性，幫助交通管理部門提前預(yù)判交通擁堵位置，合理調(diào)配交通資源，緩解交通壓力，提高交通運(yùn)行效率。本文方法能夠?yàn)榻鉀Q城市交通擁堵問題提供思路，推動(dòng)智能交通系統(tǒng)的發(fā)展。未來將進(jìn)一步完善本文方法，推動(dòng)智能交通系統(tǒng)的技術(shù)進(jìn)步，促進(jìn)城市交通的智能化、綠色化發(fā)展。

參考文獻(xiàn)

[1]蔣源，陳小鴻，胡松華.基于XGBoost模型的路段交通流量短時(shí)預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)（交通科學(xué)與工程版），2024，48（1）：25-30，36.

[2]廖熙雯，冷甦鵬，明昱君，等.基于數(shù)字孿生的城市交通流智能預(yù)測(cè)與導(dǎo)引策略[J].電信科學(xué)，2023， 39（3）：70-79.

[3]李青.基于XGBoost融合模型的交通流量預(yù)測(cè)技術(shù)研究[J].自動(dòng)化儀表，2022，43（12）：123-128.

[4]蘭添賀，曲大義，陳昆，等.融合多因素的“時(shí)間齒輪”交通流預(yù)測(cè)模型[J].河北科技大學(xué)學(xué)報(bào)，2022，43（5）：550-559.

[5]張偉斌，張帥，郭海鋒，等.基于交通因子狀態(tài)網(wǎng)絡(luò)的城市交叉口交通流預(yù)測(cè)[J].中國(guó)公路學(xué)報(bào)， 2021，34（12）：217-228.

[6]李玉祺，王廣民，徐猛.隨機(jī)OD需求下城市道路交通網(wǎng)絡(luò)設(shè)計(jì)問題的BP神經(jīng)網(wǎng)絡(luò)算法研究[J].系統(tǒng)工程理論與實(shí)踐，2021，41（11）：3009-3019.

[7]王海起，李留珂，陳海波.基于圖結(jié)構(gòu)的城市道路短時(shí)交通流量時(shí)空預(yù)測(cè)模型[J].地理與地理信息科學(xué)，2021，37（4）：1-9.

[8]劉晶鑫，唐婕，曹瑾鑫.基于機(jī)器學(xué)習(xí)的城市交通態(tài)勢(shì)評(píng)估與預(yù)測(cè)方法研究[J].內(nèi)蒙古大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，52（2）：198-205.

[9]李浩，張杉，曹斌，等.基于城市道路卡口數(shù)據(jù)的交通流量預(yù)測(cè)[J].重慶大學(xué)學(xué)報(bào)，2020，43（11）： 29-40.