车辆中途停驶自动检测系统研究

李 峰，綦忠平，王 浩，孙树芳，张 强

（1.济南市城市交通研究中心，山东 济南 250014；2.济南公共交通集团有限公司，山东 济南 250014）

引言

交通事故已成为世界性的严重社会问题。公交事故以其巨大的经济损失、严重社会影响,使政府和公交企业高度重视，并将不断进步的科学技术应用于交通安全研究工作中。目前，各国正在不同程度地从车辆与技术上采取对策应对公交安全问题。

车辆中途停驶自动检测系统能够实时掌握车辆运行状况，及时对车辆异常情况进行分析研究。车辆中途停驶自动检测系统的研究实施能够进一步提高公交企业发现事故、解决事故的能力，形成“第一时间发现，第一时间推送，第一时间处置”的快速响应机制。

1 总体设计

为了进一步提高公交行业稽查部门发现问题、解决问题的能力，对车辆停驶情况预警并快速响应，对异常车辆精准定位、快速监控，实时掌握车辆运行状况，济南公交针对车辆中途停驶检测进行研究。

车辆终端将GPS、视频等数据实时上传到服务器，指挥中心、车队等客户端通过内网进行访问，查询车辆运行动态数据，领导根据服务器推送的异常数据，通过网络查看车辆监控和分析结果，见图1。

图1 系统设计

2 研究内容

2.1 车辆异常停驶大量数据计算

利用大数据分析技术和云计算，进行充分的数据挖掘，将运行数据实时计算，发现在运行过程中产生的车辆异常停驶情况，自动生成分公司、线路、车号、驾驶员姓名、停驶时间和位置等信息。

分布式计算是一种计算方法，和以往公交计算处理问题的方式截然不同，车辆中途停驶自动检测系统是在济南公交企业云基础上的二次开发，对车辆中途停驶自动检测是全国首创运用云计算技术实现车辆实时速度分析统计，甄别中途停驶车辆，达到车辆停驶检测自动化的目的。

2.2 异常车辆停驶数据计算分析工作机制

确定异常停驶车辆的数据分析流程和方法，运用科学的数据计算方式进行数据分析，根据项目设置不同场景，进行建模和数据挖掘，不断迭代产品。（1）业务理解：理解中途停驶的产生要素，明确需要发现的情形和状态需求。开展业务需求评估工作，判断业务需求是否可以转化为数据分析项目。（2）数据处理：收集原始营运数据，筛选正确选择业务需求的数据，对原始数据中缺失和坏数据进行清洗、过滤。（3）数据准备：运用统计学方法对数据进行探索，发现数据内部的规律。对数据进行转换，进行数据一致化、标准化处理。（4）建立模型：综合考虑业务需求精度，数据情况、选取最优模型。在实现异常发现功能中，应用多种模型，通过后续的模型评估进行优化、调整，以寻求最合适的模型、算法。（5）模型评估、优化：评估模型的精度、准确性、效率和通用性，评价与审验应用效果，对模型进行调整优化。（6）应用和部署：将研发的软件应用于实践，系统在所有电脑中进行部署，实现异常车辆的检索和判断，达到项目目标。

2.3 确定异常车辆停驶数据算法

确定异常停驶车辆的算法，研究算法优化与数据清洗，确定检测异常停驶的数据的具体计算内容、筛选目标车辆。（1）算法排除车辆在首末站附近等点待发的停驶情况。（2）算法排除调度安排非营运任务停驶的情况。（3）算法考虑部分线路场站位于非首末站的情况。（4）算法排除车辆正常关机停运的车辆，由于车载终端无电源开关，车辆开电即有数据上传，通过数据上传时长计算车辆是否开关机。见图2。

图2 算法

2.4 融合4G 视频监控

与4G 车辆监控系统充分融合，实现系统一键调取4G 视频监控，利用配套APP 软件审核后向领导层进行推送。融合视频监控包括三方面：对请求作出秒级别的响应时间、数据吞吐量满足客户要求和数据并发用户数达到要求，见图3。

图3 融合视频监控说明

3 技术方法

3.1 技术一：大数据算法优化技术

大数据分析与云计算联系到一起，因为实时的大型数据集向数十、数百或甚至数千的电脑分配工作。（1）中途停驶检测算法通过持续针对每辆车状态的检测和计算来发现中途停驶等异常情况。算法运行在所有监控客户端之中，检测结果统一上报至云端服务，由云端服务进行统一接收、去重、存储和上报。（2）中途停驶检测算法目前运行在监控系统客户端之中，相关算法逻辑嵌入到现有的监控系统内。（3）停驶级别判定为车辆在启动停驶检测后总移动距离在设置停驶距离内时并已经过指定级别时间后进行判定的过程，根据停驶级别每个阶段只判定一次停驶，停驶判定直到车辆排除检测状态为止，判定为停驶后将上报中途停驶事件。

3.1.1 算法判定条件

算法判定条件=总移动距离在设置范围内+指定级别时间。

跟骨骨折术中应全层切开皮肤及皮下组织，直达跟骨外壁骨膜，避免钝性剥离皮瓣等软组织结构，避免使用电刀，禁止粗暴操作是防止切口坏死的关键[3]，以“No-touch”技术维持皮瓣牵开，最大程度地保护软组织及其皮瓣的血供，防止坏死的发生。同时，尽可能地缩短止血带使用时间及手术时间，避免反复折叠牵引皮瓣[4]。而且，术中还需要充分止血，放置引流物，充分引流。即便如此，跟骨骨折术后发生感染的概率仍高达25%[5]。分析原因，跟骨骨折的发生多为高能量损伤导致，伴随跟骨周围软组织的挫伤，加上手术本身的创面，进一步导致了足跟部周围皮瓣的缺血，甚至是血供中断，产生切口皮肤坏死[6]。

3.1.2 排除监测算法

目标车辆=判定条件的车辆－调出的车辆－特殊线路车辆－其他排除符合条件的车辆。

根据算法锁定目标车辆，在进行程序分析，见图4。

图4 车辆算法代码

3.2 技术二：Hadoop 技术筛选数据

完成项目工作要求需要巨大的计算能力，如果采用公交之前的计算模式，需要耗费相当长的时间、耗费巨大的物力、财力来完成。而采用云计算、分布式计算的方法，是把项目任务进行拆分，由若干台电脑计算，然后再将结果汇总筛选。

此项目难点在于实时计算海量的GPS 数据，计算秒级的GPS 数据获得速度趋近于零的车辆。采用Hadoop 等分布式处理方式来过滤处理大量数据。

此项目计划将5 000 余部营运车辆的计算任务分解至各分公司中心调度、车队现场调度的电脑进计算，借助各分公司、车队100 余台电脑的计算能力，共同计算完成异常停驶，见图5。部分代码见图6。

图5 数据筛选

图6 部分代码

3.3 技术三：iVMS-7200-SDK 接口技术

按照车辆监控视频SDK 数据协议，实现车辆运行监控与视频监控的融合对接。用户在车辆运行监控中通过鼠标点选，一键对接视频监控系统。视频监控系统视频，选择时间节点进行截图制作短视频。

考虑服务器承载力，实时计算GPS 数据，实时请求监控数据的多重要求，在技术上加入高并发解决方案，见图7。

图7 SDK 接口代码

3.4 技术四：其他算法

车辆停驶率是指在一定时期内，由于拥堵、事故等原因而停驶的车班次在总车班次中所占的比重。计算公式为:

车辆停驶率（%）= 停驶车班次/ 总车班次×100%。

3.4.2 延误计算

总延误=总停驶数×抽样时间间隔（辆/秒）。

每一停驶车辆的平均延误=总延误/停驶车数（s）。

4 功能设计

4.1 系统流程

将全天划分为6 个时段，早低峰、早高峰、平峰、晚高峰、晚平峰，为了进一步提高稽查发现问题、服务解决问题的能力，对车辆停驶情况预警并快速响应。首先通过智能调度平台发起预警，在车辆运行图中进行预警显示，最后视频上报至手机APP 终端，见图8。

图8 系统流程

4.2 预警功能

（1）人工预警采用操作报站器的方式操作，驾驶员通过故障按键进行预警，同时信息上传智能调度系统，功能描述见表1。

表1 人工预警功能描述

（2）自动预警基于智能调度系统根据GPS 数据自动计算，对数据进行分析形成自动上报机制，功能描述见表2。

表2 自动预警功能描述

4.3 异常情况筛选

根据预警内容和级别系统对异常情况进行筛选，异常情况筛选描述见表3。

表3 异常情况筛选

4.4 决策分析

根据车辆停驶情况对数据进行统计分析，并生成图表格式，为领导提供管理决策支持，分析描述见表4。

表4 决策分析

5 结语

车辆中途停驶自动检测系统还在进一步研究中，在实际试运行过程中，确定将车辆停驶时间进行分级管理。停驶时间大于15 min 为一级响应，车辆信息直接自动上报总公司；停驶时间大于10 min小于15 min 为二级响应，车辆信息自动上报分公司；停驶时间大于5 min 小于10 min 为三级响应，车辆信息自动上报车队分管领导；停驶时间小于5 min 为四级响应，车辆信息自动上报车队。对异常车辆精准定位并实时掌握车辆运行状况，根据分析的数据进行管理决策，进一步提高发现问题、解决问题的能力，完善车辆停驶预警并快速响应机制。