Login| Sign Up| Help| Contact|

Patent Searching and Data


Title:
SYSTEM AND METHOD FOR PREDICTING ARRIVAL TIME OF VEHICLE
Document Type and Number:
WIPO Patent Application WO/2014/201895
Kind Code:
A1
Abstract:
Disclosed are a system and method for predicting an arrival time of a vehicle. The system comprises: a database which is set to save basic information about the vehicle, monitoring rule information about the vehicle and real-time operating data of the vehicle; and an intelligent analysis module which is set to control one or more data collection terminals according to the monitoring rule information about the vehicle, acquire a video code stream from the one or more data collection terminals and process same, acquire the real-time operating data of the vehicle from the processed video code stream according to the basic information about the vehicle, establish a prediction model of the vehicle arrival time according to the real-time operating data of vehicle and the historical real-time operating data of the vehicle in the current time period in the database, calculate the vehicle arrival information when a vehicle arrives at any station according to the prediction model of the vehicle arrival time, and write the real-time operating data of the vehicle into the database. By means of the technical solution of the present invention, the arrival time of a vehicle can be accurately estimated.

Inventors:
ZHANG LING (CN)
XIONG ZHUANG (CN)
Application Number:
PCT/CN2014/074838
Publication Date:
December 24, 2014
Filing Date:
April 04, 2014
Export Citation:
Click for automatic bibliography generation   Help
Assignee:
ZTE CORP (CN)
International Classes:
G08G1/01
Foreign References:
CN101123515A2008-02-13
CN102930720A2013-02-13
CN1434946A2003-08-06
US20120188102A12012-07-26
Attorney, Agent or Firm:
KANGXIN PARTNERS, P.C. (CN)
北京康信知识产权代理有限责任公司 (CN)
Download PDF:
Claims:
权 利 要 求 书 、 一种车辆到站时间预报系统, 包括: 数据库, 设置为保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运 行数据;

智能分析模块, 设置为根据所述车辆监控规则信息控制一个或多个数据采 集终端, 从所述一个或多个数据采集终端获取视频码流并进行处理, 根据所述 车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据, 根据所述车 辆实时运行数据、 以及所述数据库中当前时段的历史车辆实时运行数据建立车 辆到站时间预测模型, 并根据所述车辆到站时间预测模型计算出车辆到达任一 站的车辆到站信息, 并将所述车辆实时运行数据写入数据库。 、 如权利要求 1所述的系统, 其中, 所述系统还包括: 视频监控业务管理模块, 设置为将所述智能分析模块计算出的所述车辆到 站信息写入所述数据库, 并将所述车辆到站信息发送到智能显示终端; 在接收 到查询公交车到站时间请求后, 将所述车辆到站信息发送到短信中心;

所述智能显示终端, 设置于站点, 设置为显示所述车辆到站信息; 所述短信中心, 设置为将所述车辆到站信息通过短信发送到用户终端。 、 如权利要求 2所述的系统, 其中, 所述智能显示终端设置为: 对于同一线路的 车辆, 从接收到的车辆到站信息中, 选择到站时间最小值作为到达该站点的时 间。 、 如权利要求 1或 2或 3所述的系统, 其中, 所述系统还包括: 监控客户端, 设置为通过所述数据采集终端对车辆的运行进行实时监控。 、 如权利要求 1所述的系统, 其中, 所述车辆基本信息包括: 车辆线路名称、 车辆线路所经历的站点信息、 站 点间的路程信息、 以及数据采集终端的位置信息;

所述车辆监控规则信息包括: 车辆监控范围、 以及监控时间; 所述车辆实时运行数据包括: 车辆线路信息、 各个相邻车辆站点之间路段 上的车流量密度信息、 以及车辆具体位置信息, 其中, 所述车辆线路信息包括: 车辆线路名称、 到站时间、 出站时间、 以及相应数据采集终端的标识信息, 所 述车流量密度信息包括: 车辆行驶速度信息;

所述车辆到站信息包括: 到站时间、 以及车辆到站延误时间。 、 如权利要求 5所述的系统, 其中, 所述智能分析模块包括: 图像处理模块, 设置为根据所述车辆基本信息和所述车辆监控规则信息从 相应的数据采集终端获取视频码流, 将所述视频码流转化为图像帧, 并对所述 图像帧进行滤波和灰度处理;

车辆线路识别算法模块, 设置为从处理后的所述图像帧中识别车辆线路, 获取所述车辆线路信息, 并写入数据库; 车流量密度算法模块, 设置为从处理后的所述图像帧中计算各个相邻车辆 站点之间路段上的所述车流量密度信息, 并写入数据库; 到站时间预测模块, 设置为根据所述车辆实时运行数据、 以及所述数据库 中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型, 并根据所述 车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息。 、 如权利要求 6所述的系统, 其中, 所述到站时间预测模块设置为: 根据所述车辆线路识别算法模块识别出的所述车辆线路信息, 从数据库中 获取相应车辆线路所经历的站点信息、 以及站点间的路程信息, 并从所述车流 量密度算法模块获取相应的车流量密度信息;

假设各个站点之间的路程为 S, 车流量密度为 delta (P, T), 其中, delta (P, T) = a/speed (P, T), P为站点函数, T是时间函数, a为常量, 站点间 的路程 S、 车辆行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed;

确定行驶时间 t与车流量密度的关系为: t = S delta (P, T) /a; 拟合出关于 delta (P, T) 和时间的一组曲线 W[n], 根据当前某个站点的 某个时刻的 delta (P, T), 结合 W[n]加权计算得到未来的车流量密度 delta (P, T), 根据 t = S delta(P, T)/a计算得到到站时间; 根据所述数据库中相应时段的到站时间计算出车辆到站延误时间。 、 一种车辆到站时间预报方法, 所述方法包括: 在数据库中保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运行数 据; 智能分析模块根据所述车辆监控规则信息控制数据采集终端, 获取所述数 据采集终端采集的视频码流并进行处理; 根据所述车辆基本信息从处理后的所 述视频码流中获取车辆实时运行数据, 根据所述车辆实时运行数据、 以及所述 数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预测模型; 根据 所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站信息, 并将所述 车辆实时运行数据写入数据库。 、 如权利要求 8所述的方法, 其中, 所述方法还包括: 视频监控业务管理模块将所述智能分析模块计算出的所述车辆到站信息写 入所述数据库, 并将所述车辆到站信息发送到智能显示终端, 通过所述智能显 示终端显示所述车辆到站信息; 视频监控业务管理模块在接收到查询公交车到站时间请求后, 将所述车辆 到站信息发送到短信中心, 并通过所述短信中心将所述车辆到站信息通过短信 发送到用户终端。 0、 如权利要求 8所述的方法, 其中, 通过所述智能显示终端显示所述车辆到站信 息包括: 对于同一线路的车辆, 所述智能显示终端从接收到的车辆到站信息中, 选 择到站时间最小值作为到达该站点的时间并进行显示。 1、 如权利要求 8或 9或 10所述的方法, 其中, 所述方法还包括: 监控客户端通过所述数据采集终端对车辆的运行进行实时监控。 、 如权利要求 8所述的方法, 其中, 所述车辆基本信息包括: 车辆线路名称、 车辆线路所经历的站点信息、 站 点间的路程信息、 以及数据采集终端的位置信息; 所述车辆监控规则信息包括: 车辆监控范围、 以及监控时间; 所述车辆实时运行数据包括: 车辆线路信息、 各个相邻车辆站点之间路段 上的车流量密度信息、 以及车辆具体位置信息, 其中, 所述车辆线路信息包括: 车辆线路名称、 到站时间、 出站时间、 以及相应数据采集终端的标识信息, 所 述车流量密度信息包括: 车辆行驶速度信息;

所述车辆到站信息包括: 到站时间、 以及车辆到站延误时间。 、 如权利要求 12所述的方法,其中,所述智能分析模块根据所述车辆监控规则信 息控制数据采集终端, 获取所述数据采集终端采集的视频码流并进行处理; 根 据所述车辆基本信息从处理后的所述视频码流中获取车辆实时运行数据, 根据 所述车辆实时运行数据、 以及所述数据库中当前时段的历史车辆实时运行数据 建立车辆到站时间预测模型; 根据所述车辆到站时间预测模型计算出车辆到达 任一站的车辆到站信息, 并将所述车辆实时运行数据写入数据库包括: 图像处理模块根据所述车辆基本信息和所述车辆监控规则信息从相应的数 据采集终端获取视频码流, 将所述视频码流转化为图像帧, 并对所述图像帧进 行滤波和灰度处理; 车辆线路识别算法模块从处理后的所述图像帧中识别车辆线路, 获取所述 车辆线路信息, 并写入数据库; 车流量密度算法模块从处理后的所述图像帧中计算各个相邻车辆站点之间 路段上的所述车流量密度信息, 并写入数据库; 到站时间预测模块根据所述车辆实时运行数据、 以及所述数据库中当前时 段的历史车辆实时运行数据建立车辆到站时间预测模型, 并根据所述车辆到站 时间预测模型计算出车辆到达任一站的车辆到站信息。 、 如权利要求 13所述的方法,其中,到站时间预测模块根据所述车辆实时运行数 据、 以及所述数据库中当前时段的历史车辆实时运行数据建立车辆到站时间预 测模型, 并根据所述车辆到站时间预测模型计算出车辆到达任一站的车辆到站 信息包括:

根据所述车辆线路识别算法模块识别出的所述车辆线路信息, 从数据库中 获取相应车辆线路所经历的站点信息、 以及站点间的路程信息, 并从所述车流 量密度算法模块获取相应的车流量密度信息;

假设各个站点之间的路程为 S, 车流量密度为 delta (P, T), 其中, delta (P, T) = a/speed (P, T), P为站点函数, T是时间函数, a为常量, 站点间 的路程 S、 车辆行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed;

确定行驶时间 t与车流量密度的关系为: t = S delta (P, T) /a;

拟合出关于 delta (P, T) 和时间的一组曲线 W[n], 根据当前某个站点的 某个时刻的 delta (P, T), 结合 W[n]加权计算得到未来的车流量密度 delta (P, T), 根据 t = S delta(P, T)/a计算得到到站时间; 根据所述数据库中相应时段的到站时间计算出车辆到站延误时间。

Description:
车辆到站时间预报系统及方法 技术领域 本发明涉及计算机领域, 特别是涉及一种车辆到站时间预报系统及方法 。 背景技术 智能视频监控系统是视频监控系统功能的扩展 。 通过对监测到的视频码流进行智 能分析, 主要提供人脸识别、 车牌识别、 车速检测、 静物监控、 警戒区检测、 涂鸦检 测等功能。 预报公交车到站时间是智能交通系统领域的关 键技术,对它的研究具有重要意义。 现有的公交系统由于无法预知到站时间, 给市民的出现时间带来很多未知性, 从而市 民对公交满意度不高, 致使私家车增多, 给交通带来更大的负担, 同时, 也消耗更多 的能源, 给环境带来很多不好的影响。 发明内容 鉴于上述问题, 提出了本发明实施例以便提供一种克服上述问 题或者至少部分地 解决上述问题的车辆到站时间预报系统及方法 。 本发明实施例提供一种车辆到站时间预报系统 , 包括: 数据库, 设置为保存车辆基本信息、车辆监控规则信息 、 以及车辆实时运行数据; 智能分析模块,设置为根据所述车辆监控规则 信息控制一个或多个数据采集终端, 从所述一个或多个数据采集终端获取视频码流 并进行处理, 根据车辆基本信息从处理 后的视频码流中获取车辆实时运行数据, 根据车辆实时运行数据、 以及数据库中当前 时段的历史车辆实时运行数据建立车辆到站时 间预测模型, 并根据车辆到站时间预测 模型计算出车辆到达任一站的车辆到站信息, 并将车辆实时运行数据写入数据库。 优选地, 上述系统还包括: 视频监控业务管理模块, 设置为将智能分析模块计算出的车辆到站信息 写入数据 库, 并将车辆到站信息发送到智能显示终端; 在接收到查询公交车到站时间请求后, 将车辆到站信息发送到短信中心; 智能显示终端, 设置于站点, 设置为显示车辆到站信息; 短信中心, 设置为将车辆到站信息通过短信发送到用户终 端。 优选地, 上述智能显示终端设置为: 对于同一线路的车辆, 从接收到的车辆到站 信息中, 选择到站时间最小值作为到达该站点的时间。 优选地, 上述系统还包括: 监控客户端, 设置为通过数据采集终端对车辆的运行进行实 时监控。 优选地, 上述车辆基本信息包括: 车辆线路名称、 车辆线路所经历的站点信息、 站点间的路程信息、 以及数据采集终端的位置信息; 车辆监控规则信息包括: 车辆监控范围、 以及监控时间; 车辆实时运行数据包括: 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息, 其中, 车辆线路信息包括: 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息, 车流量密度信息包括: 车辆行 驶速度信息; 车辆到站信息包括: 到站时间、 以及车辆到站延误时间。 优选地, 上述智能分析模块包括: 图像处理模块, 设置为根据车辆基本信息和车辆监控规则信息 从相应的数据采集 终端获取视频码流, 将视频码流转化为图像帧, 并对图像帧进行滤波和灰度处理; 车辆线路识别算法模块, 设置为从处理后的图像帧中识别车辆线路, 获取车辆线 路信息, 并写入数据库; 车流量密度算法模块, 设置为从处理后的图像帧中计算各个相邻车辆 站点之间路 段上的车流量密度信息, 并写入数据库; 到站时间预测模块, 设置为根据车辆实时运行数据、 以及数据库中当前时段的历 史车辆实时运行数据建立车辆到站时间预测模 型, 并根据车辆到站时间预测模型计算 出车辆到达任一站的车辆到站信息。 优选地, 上述到站时间预测模块设置为: 根据车辆线路识别算法模块识别出的车辆线路 信息, 从数据库中获取相应车辆线 路所经历的站点信息、 以及站点间的路程信息, 并从车流量密度算法模块获取相应的 车流量密度信息; 假设各个站点之间的路程为 S, 车流量密度为 delta (P, T), 其中, delta (P, T) = a/speed (P, T), P为站点函数, T是时间函数, a为常量, 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为: t = S delta (P, T) /a; 拟合出关于 delta (P, T) 和时间的一组曲线 W[n], 根据当前某个站点的某个时 刻的 delta (P, T), 结合 W[n]加权计算得到未来的车流量密度 delta (P, T), 根据 t = S delta(P, T)/a计算得到到站时间; 根据数据库中相应时段的到站时间计算出车辆 到站延误时间。 本发明还提供了一种车辆到站时间预报方法, 包括: 在数据库中保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运行数据; 智能分析模块根据车辆监控规则信息控制数据 采集终端, 获取数据采集终端采集 的视频码流并进行处理; 根据车辆基本信息从处理后的视频码流中获取 车辆实时运行 数据, 根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实时运行数 据建立 车辆到站时间预测模型; 根据车辆到站时间预测模型计算出车辆到达任 一站的车辆到 站信息, 并将车辆实时运行数据写入数据库。 优选地, 上述方法还包括: 视频监控业务管理模块将智能分析模块计算出 的车辆到站信息写入数据库, 并将 车辆到站信息发送到智能显示终端, 通过智能显示终端显示车辆到站信息; 视频监控业务管理模块在接收到查询公交车到 站时间请求后, 将车辆到站信息发 送到短信中心, 并通过短信中心将车辆到站信息通过短信发送 到用户终端。 优选地, 上述通过智能显示终端显示车辆到站信息包括 : 对于同一线路的车辆, 智能显示终端从接收到的车辆到站信息中, 选择到站时间 最小值作为到达该站点的时间并进行显示。 优选地, 上述方法还包括: 监控客户端通过数据采集终端对车辆的运行进 行实时监控。 优选地, 上述车辆基本信息包括: 车辆线路名称、 车辆线路所经历的站点信息、 站点间的路程信息、 以及数据采集终端的位置信息; 车辆监控规则信息包括: 车辆监控范围、 以及监控时间; 车辆实时运行数据包括: 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息, 其中, 车辆线路信息包括: 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息, 车流量密度信息包括: 车辆行 驶速度信息; 车辆到站信息包括: 到站时间、 以及车辆到站延误时间。 优选地, 上述智能分析模块根据车辆监控规则信息控制 数据采集终端, 获取数据 采集终端采集的视频码流并进行处理; 根据车辆基本信息从处理后的视频码流中获取 车辆实时运行数据, 根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实时 运行数据建立车辆到站时间预测模型; 根据车辆到站时间预测模型计算出车辆到达任 一站的车辆到站信息, 并将车辆实时运行数据写入数据库包括: 图像处理模块根据车辆基本信息和车辆监控规 则信息从相应的数据采集终端获取 视频码流, 将视频码流转化为图像帧, 并对图像帧进行滤波和灰度处理; 车辆线路识别算法模块从处理后的图像帧中识 别车辆线路, 获取车辆线路信息, 并写入数据库; 车流量密度算法模块从处理后的图像帧中计算 各个相邻车辆站点之间路段上的车 流量密度信息, 并写入数据库; 到站时间预测模块根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实 时运行数据建立车辆到站时间预测模型, 并根据车辆到站时间预测模型计算出车辆到 达任一站的车辆到站信息。 优选地, 上述到站时间预测模块根据车辆实时运行数据 、 以及数据库中当前时段 的历史车辆实时运行数据建立车辆到站时间预 测模型, 并根据车辆到站时间预测模型 计算出车辆到达任一站的车辆到站信息包括: 根据车辆线路识别算法模块识别出的车辆线路 信息, 从数据库中获取相应车辆线 路所经历的站点信息、 以及站点间的路程信息, 并从车流量密度算法模块获取相应的 车流量密度信息; 假设各个站点之间的路程为 S, 车流量密度为 delta (P, T), 其中, delta (P, T) = a/speed (P, T), P为站点函数, T是时间函数, a为常量, 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为: t = S delta (P, T) /a; 拟合出关于 delta (P, T) 和时间的一组曲线 W[n], 根据当前某个站点的某个时 刻的 delta (P, T), 结合 W[n]加权计算得到未来的车流量密度 delta (P, T), 根据 t = S delta(P, T)/a计算得到到站时间; 根据数据库中相应时段的到站时间计算出车辆 到站延误时间。 本发明实施例有益效果如下: 通过在智能视频监控系统的基础上, 扩展其功能, 使用车辆计数和识别车辆线路 等方法从视频码流中提取车辆实时运行数据, 从而预估出车辆到站时间的方法, 能够 对车辆到站时间进行准确预算。 上述说明仅是本发明技术方案的概述, 为了能够更清楚了解本发明的技术手段, 而可依照说明书的内容予以实施, 并且为了让本发明实施例的上述和其它目的、 特征 和优点能够更明显易懂, 以下特举本发明实施例的具体实施方式。 附图说明 通过阅读下文优选实施方式的详细描述, 各种其他的优点和益处对于本领域普通 技术人员将变得清楚明了。 附图仅用于示出优选实施方式的目的, 而并不认为是对本 发明的限制。 而且在整个附图中, 用相同的参考符号表示相同的部件。 在附图中: 图 1是本发明实施例的车辆到站时间预报系统的 构示意图; 图 2是本发明实施例的基于视频监控的公家车到 时间预报系统的示意图; 图 3是本发明实施例的车辆到站时间预报方法的 程图; 图 4是本发明实时的基于视频监控的公交车到站 间预报方法的详细流程图。 具体实施方式 下面将参照附图更详细地描述本公开的示例性 实施例。 虽然附图中显示了本公开 的示例性实施例, 然而应当理解, 可以以各种形式实现本公开而不应被这里阐述 的实 施例所限制。 相反, 提供这些实施例是为了能够更透彻地理解本公 开, 并且能够将本 公开的范围完整的传达给本领域的技术人员。 为了解决现有技术中不能够准确的预算车辆到 站时间的问题, 本发明提供了一种 车辆到站时间预报系统及方法, 基于智能视频监控的预报车辆到站时间系统取 代通过 GPS 定位系统、 RFID 识别等技术获得车辆实时运行数据, 通过车辆计数算法、 车辆 路识别技术提取视频码流中的车辆实时运行数 据, 并作为数据源进行车辆到站时间的 预算, 从而对车辆到站时间进行实时更新, 并可以以电子站牌的形式展现给市民, 为 市民的出行带来便捷。 另外, 可以帮助车辆公司根据反馈的实时公交到站信 息, 对车 辆实现自适应调度。 本发明实施例的技术方案在用于公交车到站时 间预报时,不仅可以方便市民出行, 而且给现有的通信运营商增加了盈利方式, 仅在现有的视频监控系统上增加软件模块 即可实现, 不需要大规模的硬件投入。 同时, 采取在智能显示终端招标广告等方式, 可以创造收入, 弥补前期投入。 另外, 与现有技术和应用场景相比, 还可以直观地通 过视频观察各个公交车到达站点是否有违规拒 载行为。 同时, 也可以检测其在监控点 处是否超速行驶。 以下结合附图以及实施例, 对本发明进行进一步详细说明。 应当理解, 此处所描 述的具体实施例仅仅用以解释本发明, 并不限定本发明。 系统实施例 根据本发明的实施例, 提供了一种车辆到站时间预报系统, 图 1是本发明实施例 的车辆到站时间预报系统的结构示意图, 如图 1所示, 根据本发明实施例的车辆到站 时间预报系统包括: 数据库 10、 以及智能分析模块 12, 以下对本发明实施例的各个模 块进行详细的说明。 数据库 10, 设置为保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运行数 据; 在本发明实施例的一个优选实施方式中, 车辆基本信息包括: 车辆线路名称、 车 辆线路所经历的站点信息、 站点间的路程信息、 以及数据采集终端的位置信息; 车辆监控规则信息包括: 车辆监控范围、 以及监控时间; 车辆实时运行数据包括: 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息, 其中, 车辆线路信息包括: 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息, 车流量密度信息包括: 车辆行 驶速度信息; 一个或多个数据采集终端, 可以设置于车辆线路的各个站点, 设置为在智能分析 模块 12的控制下采集视频码流; 智能分析模块 12, 设置为根据车辆监控规则信息控制一个或多个 数据采集终端, 从所述一个或多个数据采集终端获取视频码流 并进行处理, 根据车辆基本信息从处理 后的视频码流中获取车辆实时运行数据,根据 车辆实时运行数据、 以及数据库 10中当 前时段的历史车辆实时运行数据建立车辆到站 时间预测模型, 并根据车辆到站时间预 测模型计算出车辆到达任一站的车辆到站信息 , 并将车辆实时运行数据写入数据库

10。 车辆到站信息包括: 到站时间、 以及车辆到站延误时间。 智能分析模块 12包括: 图像处理模块, 设置为根据车辆基本信息和车辆监控规则信息 从相应的数据采集 终端获取视频码流, 将视频码流转化为图像帧, 并对图像帧进行滤波和灰度处理; 车辆线路识别算法模块, 设置为从处理后的图像帧中识别车辆线路, 获取车辆线 路信息, 并写入数据库 10; 车流量密度算法模块, 设置为从处理后的图像帧中计算各个相邻车辆 站点之间路 段上的车流量密度信息, 并写入数据库 10; 到站时间预测模块, 设置为根据车辆实时运行数据、 以及数据库 10中当前时段的 历史车辆实时运行数据建立车辆到站时间预测 模型, 并根据车辆到站时间预测模型计 算出车辆到达任一站的车辆到站信息。 在本发明实施例的一个优选实施方式中, 上述到站时间预测模块设置为: 根据车辆线路识别算法模块识别出的车辆线路 信息,从数据库 10中获取相应车辆 线路所经历的站点信息、 以及站点间的路程信息, 并从车流量密度算法模块获取相应 的车流量密度信息; 假设各个站点之间的路程为 S, 车流量密度为 delta (P, T), 其中, delta (P, T) = a/speed (P, T), P为站点函数, T是时间函数, a为常量, 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为: t = S delta (P, T) /a; 拟合出关于 delta (P, T) 和时间的一组曲线 W[n], 根据当前某个站点的某个时 刻的 delta (P, T), 结合 W[n]加权计算得到未来的车流量密度 delta (P, T), 根据 t = S delta(P, T)/a计算得到到站时间; 根据数据库 10中相应时段的到站时间计算出车辆到站延误 间。 优选地, 上述系统还可以包括: 视频监控业务管理模块,设置为将智能分析模 块 12计算出的车辆到站信息写入数 据库 10, 并将车辆到站信息发送到智能显示终端; 在接收到查询公交车到站时间请求 后, 将车辆到站信息发送到短信中心; 智能显示终端, 设置于站点, 设置为显示车辆到站信息; 智能显示终端设置为: 对于同一线路的车辆, 从接收到的车辆到站信息中, 选择到站时间最小值作为到达该 站点的时间。 短信中心, 设置为将车辆到站信息通过短信发送到用户终 端。 监控客户端, 设置为通过数据采集终端对车辆的运行进行实 时监控。 以下以公交车到站预报为例, 对本发明实施例的上述技术方案进行详细说明 。 图 2是本发明实施例的基于视频监控的公家车到 时间预报系统的示意图, 如图 2所示, 基于智能视频监控的公交车到站时间预报系统 包括: 数据库、 数据采集终端、 智能分析模块、 视频监控业务管理模块、 短信中心、 智能显示终端、 以及监控客户端。 在本发明实施例的一个优选实施方式中, 数据库设置为保存录入的公交车的基本 信息, 如公交线路名称、 公交所经历的站点及站点间的路程、 监控点位置等信息; 保 存由平台上报的公交车监控的范围、监控时间 等规则信息, 以及公交车实时运行数据。 数据采集终端主要指摄像头和 PU,通过它们采集视频码流, 并将视频码流发送给 智能分析模块。 智能分析模块包括图像处理模块、公交线路识 别算法模块、车流量密度算法模块、 到站时间预测模块。 图像处理模块的作用将视频码流转化为一帧一 帧的图像, 并对进 行图像进行滤波和灰度处理。 公交线路识别算法模块和车流量密度算法模块 主要设置 为获取公交车线路、 进站出站时间、 当前路况下车辆的行驶速度, 为到站时间预测模 块提供数据源。 公交线路识别算法模块设置为进行公交线路的 识别, 并将识别出的公 交线路信息输出给到站时间预测模块。 车流量密度算法模块设置为检测单位时间内, 经过车辆的数量; 并将结果输出给到站时间预测模块。 到站时间预测模块根据实时采 集的车流量密度、 公交车位置信息和公交车进站出站时间等信息 , 再结合该时段历史 公交车运行数据, 建立公交车到站时间预测模型, 并根据建立的模型计算出公交车到 达任意一站的时间, 并将结果输出给视频监控业务管理模块。 视频监控业务管理模块的作用是将公交车信息 : 如到站时间、 线路名称、 当前站 点等信息, 写入数据库、 发送给智能显示终端。 短信中心设置为将公交车到站信息以短信的方 式通知用户。 智能显示终端主要指电子站牌, 设置为接收视频监控业务管理模块发送的公交 车 到站信息, 并显示。 监控客户端可以实时对公交车的实时运行进行 监控, 主要设置为实时交通信息的 观察, 可以为公交调度室提供公交发车调度依据。 同时, 可以监控公交车到站是否有 违规行为。 在实际应用中, 上述各个模块可以进行如下处理: 第一步, 启用公交到站时间任务。 视频监控业务管理模块下发预测公交到站时间 任务至智能分析模块。 智能分析模块从各个监控点获取视频码流, 并调用公交到站时 间算法, 进行公交车到站时间的预估。 第二步, 从视频码流中提取公交车实时运行数据,主要 包括公交车到站离站时间、 各个相邻站点路段上车辆行驶速度和公交车具 体位置信息。 公交车到站时间算法任务 启用后, 启用车牌识别算法模块和车流量密度算法模块 。 车牌识别算法模块识别到站 的公交车线路, 如果有公交车到站, 将识别出的公交车线路信息发送给到站时间预 测 模块。 公交车线路信息包括公交车线路名称、 到站时间、 出站时间、 数据采集终端的 标识 (PUID) 信息。 车流量密度算法模块设置为检测公交车所行驶 的实时路况信息, 主要统计单位时间内通过的车辆总数。 到站时间预测模块通过该模块获取的信息包括 该监控点所属路段的平均车速、 PUID信息。 其中公交车具体位置信息可以通过 PUID 进行判断。 每个监控点在注册的时候会向视频监控业务管 理系统注册该监控点的位置 信息。 第三步, 建立公交到站时间预估模型。 公交到站时间算法模块将从各个路段的平 均车速、 公交车进出站延误时间存入路况历史库。 公交到站时间算法模块结合历史数 据和公交线路识别模块和车流量算法模块上报 的当前实时数据, 预算未来各个路段车 辆行驶时间以及各个站点延误时间。 第四步, 公交车到站算法模块根据第三步计算的各个路 段的车辆行驶时间、 各个 站点延误时间, 计算到达该站的公交车到达后续各个站点的时 间。 对于同一线路的公 交车,各个站点从接收到的到站时间中,取最 小值作为该线路公交车到达该站的时间。 最后, 公交车到站算法模块将结果输出给视频监控业 务管理模块。 输出的信息包括 PUID、 公交线路名称、 到达各个站点的时间、 到达各个站点的站数等信息。 第五步,当视频监控业务管理模块接收到公交 车到站时间算法模块输出的信息后, 将信息经过处理发送给智能显示终端, 并将信息存入数据库。 第六步, 当视频监控业务管理模块收到查询公交车到站 时间的请求后, 通过短信 中心将信息发送给用户; 或者通过安装公交到站信息查询客户端,查询 公交到站时间。 私家车可以通过短信的方式从视频监控业务管 理模块获取到达目的地的时间, 也可以 直接查询各个路段的车辆行驶速度。 本发明实施例的技术方案区别于通过 GPS获取数据方式、 RFID识别公交车等方 式, 而从视频监控系统中, 通过智能算法提取公交运行过程中的实时数据 , 并结合历 史数据预估公交车到站时间, 以保证预估的到站时间及时准确。 同时, 通过客户端可 以实时地监控各个站点, 进而有效地防止公交车到站违规拒载等情况。 方法实施例 根据本发明的实施例, 提供了一种车辆到站时间预报方法, 图 3是本发明实施例 的车辆到站时间预报方法的流程图, 如图 3所示, 根据本发明实施例的车辆到站时间 预报方法包括如下处理: 步骤 301, 在数据库中保存车辆基本信息、 车辆监控规则信息、 以及车辆实时运 行数据; 其中, 车辆基本信息包括: 车辆线路名称、 车辆线路所经历的站点信息、 站点间 的路程信息、 以及数据采集终端的位置信息; 车辆监控规则信息包括: 车辆监控范围、 以及监控时间; 车辆实时运行数据包括: 车辆线路信息、 各个相邻车辆站点之间路段上的车流量 密度信息、 以及车辆具体位置信息, 其中, 车辆线路信息包括: 车辆线路名称、 到站 时间、 出站时间、 以及相应数据采集终端的标识信息, 车流量密度信息包括: 车辆行 驶速度信息; 步骤 302, 智能分析模块根据车辆监控规则信息控制数据 采集终端, 获取数据采 集终端采集的视频码流并进行处理; 根据车辆基本信息从处理后的视频码流中获取 车 辆实时运行数据, 根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实时运 行数据建立车辆到站时间预测模型; 根据车辆到站时间预测模型计算出车辆到达任 一 站的车辆到站信息, 并将车辆实时运行数据写入数据库。 在本发明实施例的一个优选实施方式中, 车辆到站信息包括: 到站时间、 以及车 辆到站延误时间。 优选地, 步骤 302包括如下处理: 图像处理模块根据车辆基本信息和车辆监控规 则信息从相应的数据采集终端获取 视频码流, 将视频码流转化为图像帧, 并对图像帧进行滤波和灰度处理; 车辆线路识别算法模块从处理后的图像帧中识 别车辆线路, 获取车辆线路信息, 并写入数据库; 车流量密度算法模块从处理后的图像帧中计算 各个相邻车辆站点之间路段上的车 流量密度信息, 并写入数据库; 到站时间预测模块根据车辆实时运行数据、 以及数据库中当前时段的历史车辆实 时运行数据建立车辆到站时间预测模型, 并根据车辆到站时间预测模型计算出车辆到 达任一站的车辆到站信息。 优选地, 根据车辆线路识别算法模块识别出的车辆线路 信息, 从数据库中获取相 应车辆线路所经历的站点信息、 以及站点间的路程信息, 并从车流量密度算法模块获 取相应的车流量密度信息; 假设各个站点之间的路程为 S, 车流量密度为 delta (P, T), 其中, delta (P, T) = a/speed (P, T), P为站点函数, T是时间函数, a为常量, 站点间的路程 S、 车辆 行驶速度 speed和站点间行驶时间 t的关系为 t = S/speed; 确定行驶时间 t与车流量密度的关系为: t = S delta (P, T) /a; 拟合出关于 delta (P, T) 和时间的一组曲线 W[n], 根据当前某个站点的某个时 刻的 delta (P, T), 结合 W[n]加权计算得到未来的车流量密度 delta (P, T), 根据 t = S delta(P, T)/a计算得到到站时间; 根据数据库中相应时段的到站时间计算出车辆 到站延误时间。 优选地, 上述方法还可以包括如下处理: 视频监控业务管理模块将智能分析模块计算出 的车辆到站信息写入数据库, 并将 车辆到站信息发送到智能显示终端, 通过智能显示终端显示车辆到站信息; 其中, 对 于同一线路的车辆, 智能显示终端从接收到的车辆到站信息中, 选择到站时间最小值 作为到达该站点的时间并进行显示。 视频监控业务管理模块在接收到查询公交车到 站时间请求后, 将车辆到站信息发 送到短信中心, 并通过短信中心将车辆到站信息通过短信发送 到用户终端。 监控客户端通过数据采集终端对车辆的运行进 行实时监控。 下面以公交车到站时间预报为例,对本发明实 施例的上述技术方案进行详细说明。 图 4是本发明实时的基于视频监控的公交车到站 间预报方法的详细流程图, 如 图 4所示, 包括如下处理: 步骤 401, 用户向视频监控业务管理模块添加公交车跟踪 规则, 规则信息包括 PUID、 监控区域、 执行时间、 规则 ID、 规则类型等信息, 规则信息由视频监控业务 管理模块写入数据库。 步骤 402, 用户启用公交跟踪规则, 视频监控业务管理模块往任务表中增加公交 车跟踪任务并下发给智能分析模块。任务内容 包括监控区域、执行时间、规则 ID、PUID 等信息。 步骤 403, 智能分析模块收到平台下发的公交跟踪任务后 , 根据任务中包含的监 控点信息, 向监控点获取视频码流。 然后, 图像处理模块将获取的码流进行预处理, 包括图像滤波、 灰度转换等, 并将处理结果发送至公交车线路识别算法模块 和车流量 密度算法模块。 步骤 404, 车流量密度算法模块在收到图像处理模块上报 的信息后, 对图像进行 分析, 首先进行背景建模, 然后通过对比监控区域画面与背景的差异, 提取特征量; 接着进行判决是否是车, 进行车辆计数, 从而获得车流量密度。 步骤 405, 公交线路识别算法模块在收到图像处理模块上 报的信息后, 对图像进 行分析, 首先进行背景建模, 然后通过对比监控区域画面与背景的差异, 提取特征量, 辨别公交车线路牌, 然后再对公交车的线路名称进行识别。 同时, 分别记录公交车首 次出现在监控区域的时刻和消失在监控区域的 时刻, 这两个时刻即为该辆公交车进站 时刻和出战时刻。 最后, 将识别出的公交车的线路名称、 进站和出站时刻发送至到站 时间预测模块。 步骤 406, 到站时间预测模块在收到公交线路识别模块和 车流量算法模块上报的 当前实时数据以及结合历史数据, 预算未来各个路段车辆行驶时间以及各个站点 延误 时间。 到站时间预测模块根据公交线路向视频监控业 务管理模块获取该条公交线路的站 点信息及站点间的路程, 同时向车流量密度模块查询当前各个监控点的 车流量密度。 如果视频业务管理模块返回无识别出的公交线 路, 则回到第五步。 已知各个站点之间的路程为 S, 各个站点的监控点估算出的站点车流量密度 delta (P, T), 其中, Ρ是关于站点的函数 Ρ (ρχ), Τ是关于 day (每周的第几天)和每天 的时间 time的函数, 即 T (day, time)。 车流量密度直接影响车辆行驶速度, 它们的 关系为 delta (P, T) = a/speed (P, T), a为常量。站点间的路程 S、车辆行驶速度 speed 和站点间行驶时间 t的关系为 t = S/speedo 则推导出行驶时间 t与车流量密度的关系: t = S delta (P, T) /a。

Delta可以由车流量密度算法模块得到。 然后公交到站时间预估模块拟合出关于 delta (P, T) 和 time的一组曲线 W[n], 并且这组曲线会一直学习更新。 当某个站点 的某个时刻 delta (Px, Ty) 被公交到站时间预估模块算出, 再结合 W[n]加权计算得 到未来的车流量密度 delta (Px (i), Ty (i))。 根据公式 t = S delta (P, T) /a计算得 到到站时间。 各个站点的延误时间可以通过查询路况历史库 中对应时段的数据得到。 步骤 407, 视频监控业务管理模块在收到到站时间预测模 块上报的公交车到达各 个公交站点时间、 当前到达站点、 各个监控点车流量密度、 站点延误时间后, 将所有 上报信息作记录, 并同步到数据库。 步骤 408, 视频监控业务管理模块将公交到站时间、 当前站点发送至各个站点的 智能显示终端。 同时, 智能显示终端将公交车到站时间, 离站点最近的公交车当前位 置信息显示给乘客。智能显示终端收到公交车 当前位置及到站时间后, 实时更新数据, 向用户展示本站点的公交到站信息。 用户可以订阅公交到站信息。 通过在智能手机或 者智能终端上安装监控客户端或者短信方式获 取公交到站信息以及跟踪公交车运行路 线。 在本发明上述实例中, 用户向运营商开通了公交到站预测服务, 通过短信就可以 查询获知公交到站的大致时间。 不仅方便了市民出行, 而且给现有的通信运营商增加 了盈利方式, 仅在现有的视频监控系统上增加软件模块即可 实现, 不需要大规模的硬 件投入。 同时, 采取在智能显示终端招标广告等方式, 可以创造收入, 弥补前期投入。 另外, 与现有技术和应用场景相比, 还可以直观地通过视频观察各个公交车到达站 点 是否有违规拒载行为。 同时, 也可以检测其在监控点处是否超速行驶。 显然, 本领域的技术人员可以对本发明进行各种改动 和变型而不脱离本发明的精 神和范围。 这样, 倘若本发明的这些修改和变型属于本发明权利 要求及其等同技术的 范围之内, 则本发明也意图包含这些改动和变型在内。 工业实用性 本发明实施例提供的技术方案可以计算机领域 及交通领域, 通过在智能视频监控 系统的基础上, 扩展其功能, 使用车辆计数和识别车辆线路等方法从视频码 流中提取 车辆实时运行数据, 从而预估出车辆到站时间的方法, 能够对车辆到站时间进行准确 预算。