本发明涉及道路能见度观测技术领域，具体为一种高速公路能见度时空连续性观测方法。
背景技术：
随着计算机视觉技术及人工智能科学的发展，以监控摄像机代替能见度仪，并以仿人类视觉的方式完成能见度实时监测，在现有技术中已经存在很多基于视频图像理解的能见观测算法，包括基于kohler的一致对比度的视频能见度检测算法，基于亮度特征的能见度检测算法以及基于路面标志物的能见度检测算法；这些方法能利用摄像机标定换算出最大可视距离，离散的获取公路沿线的能见度值，很好弥补高速公路能见度观测点部署密度稀疏的问题，但不能完全实现公路沿线的所有点能见度值观测，因此，准确的能见度空间分布数据，理论上可由高密度站网采集，气象相关数据的观测主要依赖气象台站，但是目前台站空间分布不均，密度最少十几公里以上，因此，站点外区域的气象数据通常只能由临近的站点的观测值进行估算，即气象信息空间插值。
近年来，已有较多关于气象要素插值的专门讨论和研究。空间数据内插就是根据一组已知的离散或分区域数据，按照某种数学关系推求出其他未知点或未知区域数据的数学过程。目前常用的传统方法有最近邻近法(泰森多边形法)、移动平均法、样条函数法(spline法)、空间自协方差最佳插值法(kriging法)等。此外，人工神经网络作为解决非线性问题强有力的工具，受到越来越多的学者的关注，相较于由各种算法根据样本学习得到学习型网络而言，通过构造法得到的网络克服了学习型网络易于陷入局部最小值及收敛速度慢的缺点，神经网络以其高度的非线性特征，更能刻画非线性问题的特征，对于神经网络的插值问题已有一些成果，章莉等人证明了对r上一般界sigmoidal激活函数，精准插值网络存在所满足的条件，银俊成和曹怀信也构造了小波插值神经网络。但是如何将神经网络等人工智能算法与气象数据相结合进行利用，是亟需解决的技术问题。
技术实现要素：
本发明的目的是提供一种高速公路能见度时空连续性观测方法，能有效解决现有观测方式难以完全实现公路沿线能见度值，观测结果不够精确的问题。
为解决上述技术问题，本发明采用了以下技术方案：
一种高速公路能见度时空连续性观测方法，包括：
获取高速公路沿线的交通观测站点气象观测资料和视频监控点的实时影像资料，通过视频图像理解的能见观测算法，收集交通观测站点和视频监控点的能见度离散型数据；
采用相关分析和主成分分析法对能见度影响因子进行分析，筛选出与高速公路能见度密切相关的因子，选取相邻两个交通观测站点的能见度值和两站点间的各个密切相关因子的观测值；
结合气象卫星通道数据和dem高程数据，在相邻交通观测站点之间利用神经网络沿线插值算法模型，沿高速公路方向对交通观测站点间视频监控点位置进行沿线插值；
之后引入交通视频标定的能见度最大可视距离，基于神经网络沿线插值算法模型，缩小高速公路沿线插值点的距离，完成解析高速公路各段的能见度观测值。
具体包括以下步骤：
s1.获取高速公路沿线交通观测站点和交通视频监控探头的经纬度数据，计算各交通观测站点间向各视频监控探头位置插值点的插值方向以及交通视频监控探头和相邻两个站点的直线距离，之后将插值方向和距离值保存在数据库中；
s2.对交通观测站点的气象要素做数据探索，采用相关分析和主成分分析法对能见度影响因子进行分析，筛选出与能见度密切相关的因子，获得相邻两个交通观测站点的能见度值以及各个相关气象因子的观测值；
s3.选取插值点不同的dem高程和与其能见度密切相关的气象卫星通道数据，并对这些因子做统一量纲处理；
s4.将与能见度密切相关的因子观测值、插值方向、距离值、dem高程和气象卫星通道数据作为输入值，代入到神经网络沿线插值算法模型中，输出值为各交通视频监控探头的能见度值；
s5.引入交通视频标定的能见度最大可视距离，与神经网络沿线插值算法模型输出的结果进行验证，并对残差进行训练优化，直至神经网络沿线插值算法模型符合收敛标准；
s6.神经网络沿线插值算法模型完成收敛后，在插值点的基础上，缩小交通观测站点间插值点的距离，完成小距离空间分辨率的精进，最终完成高速公路沿线所有点的能见度观测。
其中，神经网络沿线插值算法模型采用输入层、隐层以及输出层的三层bp神经网络模型，该神经网络沿线插值算法模型是通过以下方法构建的：
确定输入层为相邻交通观测站点与能见度密切相关的因子观测值、插值方向、距离值、插值点不同的dem高程以及气象卫星通道数据；确定输出层为各交通视频监控探头位置的能见度值；采用试凑法确定隐层神经元节点的个数；之后引入实时交通视频监控探头标定的能见度距离完成神经网络的残差训练，收敛整个神经网络，直至神经网络沿线插值算法完成。
其中，神经网络沿线插值算法中神经网络输出层的转移函数为单极性sigmoid函数。
将步骤s6中交通观测站点间的距离由1km逐渐缩短至100m。
上述技术方案中提供的高速公路能见度时空连续性观测方法，通过获取高速公路沿线的交通观测站气象观测资料和高速公路视频监控实时影像资料，基于成熟的视频图像理解的能见度观测算法，收集交通观测站点和视频监控点的能见度离散型数据，采取相关分析和主成分分析法完成高速公路能见度影响因子的分析，完成能见度数据的初步探索，筛选与高速公路能见度密切相关的因子，选取相邻两个交通观测站点的能见度值和两站点间各个相关气象因子的观测值、插值方向、距离值，结合气象卫星通道数据和dem高程数据，在相邻交通观测站点之间，利用神经网络插值模型，沿公路方向对站点间视频探头位置进行沿线插值，引入视屏监控点图像识别标定的最大可视距离的数据作为模型的真实能见度的误差标准，最终基于训练完成的沿线神经网络插值算法模型，缩小公路沿线插值点的距离，完成解析高速公路各段的能见度观测值。
本发明的高速公路能见度时空连续性观测方法，利用现有交通观测站数据和高速公路视频探头的数据，额外引入气象卫星和高速公路高程数据，适合高速公路的能见度观测和预警，有效解决高速公路能见度观测数据空间分布不均和不连续的问题。
附图说明
图1为本发明所述高速公路能见度时空连续性观测方法的总体框图；
图2为本发明高速公路能见度实时解析流程图；
图3为本发明所述神经网络沿线插值算法模型图。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行具体说明。应当理解，以下文字仅仅用以描述本发明的一种或几种具体的实施方式，并不对本发明具体请求的保护范围进行严格限定。
本发明高速公路能见度时空连续性观测方法的技术方案如图1～2所示，包括以下步骤：
s1.获取高速公路沿线交通观测站点和交通视频监控探头的经纬度数据，计算各交通观测站点间向各视频监控探头位置插值点的插值方向以及交通视频监控探头和相邻两个站点的直线距离，之后将插值方向和距离值保存在数据库中；
s2.对交通观测站点的气象要素做数据探索，采用相关分析和主成分分析法对能见度影响因子进行分析，筛选出与能见度密切相关的因子，获得相邻两个交通观测站点的能见度值以及各个相关气象因子的观测值；
s3.选取插值点不同的dem高程和与其能见度密切相关的气象卫星通道数据，并对这些因子做统一量纲处理；
s4.将与能见度密切相关的因子观测值、插值方向、距离值、dem高程和气象卫星通道数据作为输入值，代入到神经网络沿线插值算法模型中，输出值为各交通视频监控探头的能见度值；
s5.引入交通视频标定的能见度最大可视距离，与神经网络沿线插值算法模型输出的结果进行验证，并对残差进行训练优化，直至神经网络沿线插值算法模型符合收敛标准；
s6.神经网络沿线插值算法模型完成收敛后，在插值点的基础上，将交通观测站点之间的1km距离缩小至100mm，完成小距离空间分辨率的精进，最终完成高速公路沿线所有点的能见度观测。
如图3所示，神经网络沿线插值算法模型采用输入层、隐层以及输出层的三层bp神经网络模型，该神经网络沿线插值算法模型是通过以下方法构建的：
确定输入层为相邻交通观测站点与能见度密切相关的因子观测值、插值方向、距离值、插值点不同的dem高程以及气象卫星通道数据；确定输出层为各交通视频监控探头位置的能见度值；采用试凑法确定隐层神经元节点的个数；之后引入实时交通视频监控探头标定的能见度距离完成神经网络的残差训练，收敛整个神经网络，直至神经网络沿线插值算法完成。
其中，神经网络沿线插值算法中神经网络输出层的转移函数为单极性sigmoid函数。
为了构建能见度连续性观测的神经网络算法模型，本实施例利用2018-2020年江苏沪宁高速公路26套交通观测站观测资料和沪宁260路视频资料，引入himawari-8卫星通道数据(以下简称h8)和dem高程数据，完成高速公路沿线插值算法的基础数据准备工作。
具体实施流程如下：
(1)获取26套交通观测站点和260路视频监控点的经纬度数据；
站点s1＝(x1,y1)；x1是s1站点的经度，y1是s1站点的纬度；
站点s2＝(x2,y2)；x2是s2站点的经度，y2是s2站点的纬度；
站点s1，s2间的视频探头点v1＝(x1,y1)；x1是视频探头点v1的经度，y1是视频探头点的v1的纬度；
v1到站点s1的插值方向为k11＝(y1–y1)/(x1-x1)，到站点s1的直线距离为l11；
v1到站点s2的插值方向为k12＝(y2-y1)/(x2–x1)，到站点s1的直线距离为l12；
以此，得到各个视频探头位置插值点的插值方向和距离站点的直线距离。
(2)引入h8卫星数据，其中h8遥感数据共16个通道(ch1～16)，筛选出与能见度相关的为ch3、ch5、ch7和ch14四个通道数据，对这些因子做统一量纲处理。
(3)将高速公路能见度相关因子的观测值，插值方向，距离值、dem高程数据和h8的卫星通道数据作为输入，设计3层的bp神经网络沿线插值模型，其中隐层的神经元个数通过试凑法得到，输出层的值为各视频探头点位置的能见度值。
(4)引入视频识别算法标定的能见度最大可视距离，依托江苏省气象服务中心两年的积累和验证，获取精确的沪宁高速公路260路视频能见度值，是神经网络沿线插值模型能否准确的重要保证。
(5)利用收敛后的神经网络沿线插值模型，可以在260路视屏插值点的基础上，进一步加密插值点的个数，完成由1km距离缩小至100mm的小距离空间分辨率的精进，最终完成高速公路沿线所有点的能见度观测。
上面结合实施例对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，对于本技术领域的普通技术人员来说，在获知本发明中记载内容后，在不脱离本发明原理的前提下，还可以对其作出若干同等变换和替代，这些同等变换和替代也应视为属于本发明的保护范围。
1.一种高速公路能见度时空连续性观测方法，其特征在于，包括：
获取高速公路沿线的交通观测站点气象观测资料和视频监控点的实时影像资料，通过视频图像理解的能见观测算法，收集交通观测站点和视频监控点的能见度离散型数据；
采用相关分析和主成分分析法对能见度影响因子进行分析，筛选出与高速公路能见度密切相关的因子，选取相邻两个交通观测站点的能见度值和两站点间的各个密切相关因子的观测值；
结合气象卫星通道数据和dem高程数据，在相邻交通观测站点之间利用神经网络沿线插值算法模型，沿高速公路方向对交通观测站点间视频监控点位置进行沿线插值；
之后引入交通视频标定的能见度最大可视距离，基于神经网络沿线插值算法模型，缩小高速公路沿线插值点的距离，完成解析高速公路各段的能见度观测值。
2.根据权利要求1所述的高速公路能见度时空连续性观测方法，其特征在于，具体包括以下步骤：
s1.获取高速公路沿线交通观测站点和交通视频监控探头的经纬度数据，计算各交通观测站点间向各视频监控探头位置插值点的插值方向以及交通视频监控探头和相邻两个站点的直线距离，之后将插值方向和距离值保存在数据库中；
s2.对交通观测站点的气象要素做数据探索，采用相关分析和主成分分析法对能见度影响因子进行分析，筛选出与能见度密切相关的因子，获得相邻两个交通观测站点的能见度值以及各个相关气象因子的观测值；
s3.选取插值点不同的dem高程和与其能见度密切相关的气象卫星通道数据，并对这些因子做统一量纲处理；
s4.将与能见度密切相关的因子观测值、插值方向、距离值、dem高程和气象卫星通道数据作为输入值，代入到神经网络沿线插值算法模型中，输出值为各交通视频监控探头的能见度值；
s5.引入交通视频标定的能见度最大可视距离，与神经网络沿线插值算法模型输出的结果进行验证，并对残差进行训练优化，直至神经网络沿线插值算法模型符合收敛标准；
s6.神经网络沿线插值算法模型完成收敛后，在插值点的基础上，缩小交通观测站点间插值点的距离，完成小距离空间分辨率的精进，最终完成高速公路沿线所有点的能见度观测。
3.根据权利要求2所述的高速公路能见度时空连续性观测方法，其特征在于，神经网络沿线插值算法模型采用输入层、隐层以及输出层的三层bp神经网络模型，该神经网络沿线插值算法模型是通过以下方法构建的：
确定输入层为相邻交通观测站点与能见度密切相关的因子观测值、插值方向、距离值、插值点不同的dem高程以及气象卫星通道数据；确定输出层为各交通视频监控探头位置的能见度值；采用试凑法确定隐层神经元节点的个数；之后引入实时交通视频监控探头标定的能见度距离完成神经网络的残差训练，收敛整个神经网络，直至神经网络沿线插值算法完成。
4.根据权利要求2所述的高速公路能见度时空连续性观测方法，其特征在于：神经网络沿线插值算法中神经网络输出层的转移函数为单极性sigmoid函数。
5.根据权利要求2所述的高速公路能见度时空连续性观测方法，其特征在于：将步骤s6中交通观测站点间的距离由1km逐渐缩短至100m。
技术总结