买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆大学申请的专利一种高速公路异常事件类型识别与位置估计方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118840861B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410883713.0，技术领域涉及：G08G1/01；该发明授权一种高速公路异常事件类型识别与位置估计方法是由赵敏;孙棣华;赵文竹设计研发完成，并于2024-07-03向国家知识产权局提交的专利申请。

本一种高速公路异常事件类型识别与位置估计方法在说明书摘要公布了：本发明属于智能交通领域，公开了一种高速公路异常事件类型识别与位置估计方法，采用BERT和LSTM模型结合的方法，能够准确识别不同类型的交通异常事件，提升事件类型识别的准确性。其次，利用CNN‑GRU模型和K‑Means聚类算法，能够精确预测车辆行程时间和延误时间，从而精确估计交通拥堵的初发位置。通过综合考虑地形因素和交通流特征，全面分析不同事件类型对交通流的影响，提高模型的适用性和可靠性。此外，通过实时数据分析和动态调整，增强了模型对突发大车流等复杂交通情境的适应。综上，本发明能够使高速公路隧道内交通的安全和效率方面都获得提高。

本发明授权一种高速公路异常事件类型识别与位置估计方法在权利要求书中公布了：1.一种高速公路异常事件类型识别与位置估计方法，其特征在于，包括以下步骤： S1.采集高速公路的ETC数据、轨迹数据和带事件检测功能的摄像头数据，并对数据进行预处理，从而获取车辆的行程时间、交通事件描述及路段特征，以便后续模型训练； S2.采用BERT模型对摄像头事件描述文本进行清洗和分词，提取文本的深层语义特征，并利用LSTM模型处理交通流参数，之后将BERT模型提取的文本特征与LSTM模型提取的交通流特征输入全连接神经网络FCNN进行特征融合和事件类型预测； S2.1采用BERT模型对摄像头事件描述文本进行清洗和分词，提取文本的深层语义特征； 即利用BERT的深度双向特性，为每个词生成一个富含上下文的嵌入向量，公式表达为： Embeddings＝BERTTokenizedText 式中，TokenizedText是经过预处理和分词的文本；Embeddings是由BERT模型生成的词嵌入向量； S2.2利用LSTM处理交通流参数； I.对交通流参数数据进行预处理，以适应LSTM网络的输入要求； 标准化：对车流量、速度和行程时间进行标准化处理； 式中，X是原始数据；μ和σ分别是数据的均值和标准差；Xstd是标准化的数据； 序列化：将时间序列数据转换成LSTM网络能够处理的格式； II.构建LSTM网络模型，并用预处理过的交通流参数数据对LSTM网络模型进行训练； LSTM网络模型为： ft＝σWfXt+Ufht-1+bf it＝σWiXt+Uiht-1+bi ot＝σWoXt+Uoht-1+bo 式中，it是输入门；ft是遗忘门；ot是输出门；是新候选细胞状态；ct是细胞状态；ht是当前时刻的隐藏状态；Wf,Wi,Wo和Wc为权重矩阵用于隐藏层的计算；Uf,Ui,Uo和Uc为权重矩阵；bf,bi,bc和bo是偏置向量；σ是将数据流控制在[0,1]之间的激活函数；tanh是将数据控制在[-1,1]范围内的非线性激活函数； S2.3构建全连接神经网络FCNN，对BERT提取的文本特征与LSTM提取的交通流特征进行特征融合，实现对不同事件类型的准确识别； I.融合来自LSTM的交通流特征和量化的高速公路线性指标，结合交通流特征Ftraffic与量化的坡度Igrade和曲率Icurvature，构成综合特征向量C； C＝[Ftraffic；Igrade；Icurvature] II.设计包含输入层、若干隐藏层及Softmax输出层的FCNN，用于处理融合特征向量并预测事件类型； FCNN的构建公式如下所示： Hi＝ReLUWiHi-1+bi Pevent＝SoftmaxWiHn-1+bi 式中，H0＝C；Wi和bi分别是各层的权重和偏置；Hi是第i个隐藏层的输出； III.采用交叉熵损失函数优化FCNN； 式中，yi是基于BERT提取的标签的独热编码向量；Pevent.i是模型预测的概率分布向量；N是事件类型的总数； IV.使用Adam优化算法调整模型参数； 式中，θ为模型参数；α为学习率；mt和vt分别为动量和加速度项；∈为一个小常数防止除以零； V.训练模型，迭代优化权重和偏置项，直到模型收敛； 式中，θ为模型参数；η为学习率；为损失函数对参数的梯度； S3.通过CNN提取路段的坡度和曲率特征，将坡度和曲率特征转化为时间序列输入GRU模型，之后基于GRU的输出，通过全连接层预测得到最终的单车行程时间； S4.利用K-Means聚类算法确定每个路段和车型组合的行程时间阈值，并基于预测行程时间与阈值的对比，识别交通延误； S5.结合预测的行程时间与实际行程时间的差异，分析延误时间，确定交通拥堵的初发点并估计事发位置。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆大学，其通讯地址为：400044 重庆市沙坪坝区正街174号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。