杭州岱名科技有限公司

1.    基于数据的微观交通流

交通流理论是解决交通问题的重要的理论基础。因为交通控制系统只有在充分了解交通运行模式的情况下才能充分利用路网的通行能力，而控制的基础是对道路流量运行实时情况的掌握程度。目前的交通控制基本上是基于交通模型，包括经典的概率统计模型、车辆跟驰模型、流体力学模型和车辆排队模型，比较现代的元胞自动机模型。但模型是否足够准确表征了每个城市的交通流运行的主要特征，因其没有或缺乏大量实际数据的支撑，数学模型一直是有争议的。随着人工智能深度学习、大数据技术的出现，在现有城市道路网、高速道路网视频摄像头已经大量部署的情况下，分析交通视频数据，掌控交通流的实际运行情况已经在交通智能化管理上成为一种非常必然的选项。

本文提出了一种功能强大的交通微观感知平台—VSI交通火眼系统，它不需要昂贵的设备采购和很多的额外部署，用户基于现有的每条道路或交叉口的交通视频流，视频分析可以迅速准确提取实时交通信息；将多点交通信息汇集之后，供给上层分析系统做道路相关性变化分析和预测，从而为最上层的指挥调度系统提供决策依据信息。

2.    总体框架

VSI系统是国内外第一个无需人工编程的AI分析应用系统自动生成平台。它内置在容器或者云中，为应用解决方案提供用户编排定制和自动生成，具备强大高效的分析能力和有创新意义的跨模型、跨硬件的AI模型和软件生成方法。

VSI基于 AI 机器学习能力，具有统一的低代码/无代码框架，在任意的应用环境里，可以融合视觉、音频、文本或工业传感器数据，编排用户分析需求，自动适配AI软件模型算法和硬件算力，自动生成 AI分析应用系统。

VSI系统的软件框架如图1所示。

图 SEQ 图表 \* ARABIC1. VSI交通火眼系统软件架构

VSI技术核心技术包括三层，基础架构层、平台层和应用系统层。 在应用系统层，用户可以收到平台层给出的分析结果，用外部的信息展示系统可以方便地对结果进一步处理，然后输出结果和展示。VSI的终端在平台层和基础架构层。平台层包括两个部分，A部分和B部分。基础架构层包括C部分。

l  A部分的主体为VSI编辑器，用户利用编辑器，可自己开发 AI 应用系统原型, 无需人工编程，操作模式为：

1）拖、拉、拽平台上的 AI 模块、计算模块和逻辑模块，构建工作图；

2）用户建立工作图后点击“存储”，平台会自动校验工作图的连接和逻辑关系，如果无误，自动生成应用系统原型；

这部分的操作无需 AI 专家，普通用户经过简单操作培训，可以快速编排、集成和查验AI应用系统原型是否与自己的分析期望吻合。

l  B部分为VSI平台自动生成AI应用系统、应用部署和分析结果输出，内部工作模式为：

1）基于A部分的用户编排设计工作图，自动适配算法模型和硬件，自动构建生成分析应用系统APP；

2）用户拉取输入外部的实际传感数据源，APP应用系统调用底层的AI算法、模型和AI硬件对传感器输入（如摄像头）的实时数据流）按照用户编排的逻辑进行分析计算，输出分析结果。

l  C部分为数据半自动标注、模型参数自动调整和训练。熟悉AI领域知识的用户可用来进一步优化系统功能。

VSI应用系统的目标是可运行在 CPU、GPU、VPU、FPGA; 云、边缘或终端（手机）上，目前支持CPU和GPU、VPU；在云端和边缘部署。

3.    用VSI实现视频对象精确感知

VSI交通火眼系统，已经实现了多重不同场景下的AI精确感知，对复杂场景的检测和识别具有相当高的准确率。而且，针对用户的数据做标注和训练，可以给出更高的识别率和准确率。

VSI具有一个特别强大的功能，即可以对于每一路来自摄像头的需要分析的视频，用户可以指定感兴趣的多个目标，对每个目标视频分析引擎可以使用算法族及其串并行组合来实现各种分析逻辑。 例如，针对人流，在车站或某封闭区域内可以将以下各种分析模块（Block）组合为分析流图（Graph）：

•   人脸识别

•   行人检测

•   单摄像头行人跟踪

•   跨摄像头行人跟踪

•   单线跨线检测

•   双线跨线检测

•   闭合曲线跨线检测

•   危险区域人数统计

•   目标检测

•     人员姿态识别

这种编排方式让用户可以聚焦自己的研究和分析对象，灵活地使用AI强大的分析能力，而不会花费大量精力去掌握AI，甚至因AI掌握不够而无法开展自己的工作。

针对交通场景，当前VSI针对下述场景已经有实际的运行结果，包括：

l  单条、多条道路的车流微观运行情况

l  地铁闸机出入人数精确统计

l  地铁上落客精确统计

l  区域人数精确统计

l  小区违停车辆统计

l  车厢智能乘务分析

【因为数据隐私保护的原因，不贴图】

VSI的AI分析需要很高算力支持，但如果计算对算力要求过大，用户的硬件成本支出就很大，火眼系统使用了一系列的内存和CPU调度优化方式，同一款设备可以支持更高路数的视频分析流并发。

VSI交通火眼的分析结果有多种输出形式，WEB直接输出可用于预览分析结果。存储分析图片，或者通过RESTfulAPI，Kafka消息，MQTT消息推送给第三方，如上一层的信息关联分析或预测系统。

4.    用VSI做信息关联分析和预测

VSI系统等价于一个机器脑加上多个感知源输入，一个这样的系统可以称为一个感知神经元。

一个神经元可以进行前面所述的车辆目标检测识别和跟踪，另一个神经元可以与其并行处理类似的内容，避免单系统的算力问题、可靠性问题或者功耗问题；也可以级联起来进行更复杂的分析计算，如在本级进行道路使用率的大数据分析，计算两条及多条道路的运行相关性，然后在更下一级级联的神经元中进行交通网络运行变化预测。如图2所示。

图 2. VSI交通火眼系统构建巨型复杂系统的方式

将多个VSI系统分布式地进行串并联、级联可以组成极为复杂的巨型分析系统，这样的巨型系统因为每个神经元基于云架构搭建，可以动态地扩展和伸缩，而且，每个单元的工作状态都可以被轻松地自检测和自感知，巨型系统依然是一个高鲁棒性的系统。