本发明属于交通安全技术领域，尤其涉及基于智能手机的大跨度桥梁交通流密度控制系统和方法。
背景技术：
高速公路大跨度桥梁经常出现，节假日期间经常会出现在某一时间段，大跨度桥梁上的交通流密度超出桥梁本身载荷的情况，严重影响桥梁交通安全及其通行效率。
近几年，大跨度桥梁因长期处于交通流密度较大的情况和承受载荷超限而被损坏、压塌以及桥梁侧翻的现象时有发生。现有的桥梁交通流密度控制系统主要存在以下几个问题：第一，控制滞后，不能提前预测交通流密度，往往当车辆行驶到大桥前才能发出禁止驶入桥面的警示，无法做到提前一段时间预警并控制；第二，不能实现对逐个车道的交通流和桥梁载荷的动态分配；第三，目前控制系统很少能够对桥上的异常事件进行预警，一旦桥上出现事故，短时间内大量的车辆则会停留在桥面上，引起桥梁使用安全及使用寿命缩短的问题。
技术实现要素：
为了解决上述问题，本发明的目的在于提供一种基于智能手机的大跨度桥梁交通流密度控制系统和方法，该控制系统能够根据周围几公里的车流密度、天气状况、车辆位置坐标、车辆速度以及车辆质量，预测未来某一时间段桥内交通流状况，当预测到桥内交通流密度过大时，提前一定距离给车辆预警，避免由于桥上突发事故引起的大量车辆滞留桥上，从而避免桥梁超负荷运载带来的桥面坍塌等危险情况；同时，可根据桥面及其附近车流量情况对进入桥内的车辆实行车道引导，避免桥上不同车道载荷不均对桥梁结构的损害。
为了达到上述目的，本发明采用以下技术方案予以解决。
(一)基于智能手机的大跨度桥梁交通流密度控制系统，包括：数据关联模块、异常事件监测模块、双向交通流预测模块、桥梁监控中心、诱导模块和交通流动态分配模块；所述桥梁监控中心分别与双向交通流预测模块和交通流动态分配模块进行信息互通；
所述数据关联模块将车辆与智能手机建立一对一匹配关系；智能手机通过gps系统获取匹配车辆的速度、位置信息；当车辆经过收费站时，收费站处具有地磅，用于获取每个车辆的质量并将车辆的质量数据存储于收费站的管理平台；所述数据关联模块将车辆与收费站的管理平台建立数据关联，且所述数据关联模块与桥梁监控中心进行无线通信；
所述高速收费站的管理平台双向交通流预测模块、桥内异常事件监测模块、交通流动态分配模块、预警模块分别与桥梁监控中心通信连接；
所述桥内异常事件监测模块，包含设置于桥梁上的摄像头和异常事件处理单元，所述摄像头用于获取桥梁上各路段的实时图像并将其传送至异常事件处理单元；所述异常事件处理单元根据各路段的实时图像判断桥内是否存在异常事件，并将判断结果传输至桥梁监控中心；
所述桥梁监控中心根据接收的车辆的位置信息，计算每条车道的实时交通流密度；同时，所述桥梁监控中心实时获取天气信息；
其中，所述交通流密度为某一时刻，预定长度内的车辆数量；所述天气信息为雨、雪、雾；
所述双向交通流预测模块与所述桥梁监控中心进行信息交互，获取车辆的位置和速度，同时，获取气象部门的天气信息；所述双向交通流预测模块用于根据截止当前的n个时刻内的交通流密度、天气信息、车辆位置信息和车辆速度,预测未来m时刻内桥梁上不同方向的交通流密度及每个车辆的位置，并将预测结果发送至桥梁监控中心；
其中，所述预测结果为预测的交通流密度以及对应车辆的基本信息；车辆的基本信息为车牌号和车辆质量；
所述桥梁监控中心将预测结果进行处理，得到未来m时刻允许驶入桥面的交通流信息，并将其发送给交通流动态分配模块；
所述交通流动态分配模块根据预测的交通流信息对其进行动态分配，即分配每个车辆在桥梁上的行驶车道，以保证桥梁上每条车道的交通流均匀且车道载荷均匀，并将动态分配结果发送到桥梁监控中心；
所述诱导模块，由诱导单元和诱导屏组成；所述诱导单元处理桥梁监控中心发送来的交通流动态分配结果，并获取最靠近桥梁的车辆位置和车辆行驶方向，确定该车辆的行驶车道；所述诱导屏安装于距桥梁入口100-200m处，且每个诱导屏均分为l份，l为一个方向上的车道数目，用于指导每个将要进入桥梁的车辆的行驶车道。
进一步地，还包括抓拍模块，其由抓拍处理单元和抓拍摄像头组成，抓拍摄像头设置于桥梁上的各个路段，用于对未按规定行驶的车辆进行抓拍；所述抓拍处理单元用于将抓拍的车辆所在车道位置与对应的动态分配位置进行比对，当两者存在差异时，确定相应车辆违章，并控制抓拍摄像头对相应车辆进行拍摄，并将拍摄结果发送至桥梁监控中心；
其中，所述未按规定行驶的车辆为：未按诱导屏引导的车道行驶的车辆或禁止驶入桥面指令发出后依然驶入桥内的车辆。
(二)基于智能手机的大跨度桥梁交通流密度控制方法，包括以下步骤：
步骤1，每个车辆匹配有智能手机，每个智能手机获取桥梁上对应车辆的位置和速度，桥梁入口的收费站处获取每个车辆的质量和车牌号信息；
步骤2，判断桥梁上是否发生异常事件，若是，判断桥梁是否能够继续通行，若判断无异常事件或能够继续通行，则转至步骤3，若判断不能继续通行，则禁止车辆驶入；
步骤3，预测未来m时刻内桥梁上的交通流密度，并判断预测的交通流密度是否正常，若是，则进行交通流动态分配；否则，转至步骤4；
步骤4，判断桥梁载荷是否超限，若是，则禁止车辆驶入并对桥上每个车道进行动态载荷分配；否则，进行交通流预警并对即将进入桥梁的车辆进行动态载荷分配。
进一步地，所述判断桥梁上是否发生异常事件，具体为：
判断桥梁上是否存在两个车辆之间的纵向相对距离为0，若是，则判断发生车辆追尾异常事件；
判断桥梁上是否存在车辆的速度为0且该车辆与桥梁侧壁之间的距离为0，则判断发生撞击桥梁异常事件。
进一步地，所述判断桥梁是否能够继续通行，具体为：判断桥梁上速度为0的车辆数目是否大于桥梁上车辆总数的10％，若是，则判断不能继续通行，否则，判断为能够正常通行。
进一步地，预测未来m时刻内桥梁上的交通流密度，具体为：
(3.1)建立基于双向长短记忆网络(lstm)的交通流预测模型；
所述基于双向长短记忆网络(lstm)的交通流预测模型中每个方向的长短记忆网络包含输入门、遗忘门和输出门；双向长短记忆网络内的计算过程为；
ft＝σ(wfht-1 wfhn b1)
it＝σ(wiht-1 wihn b2)
cm＝tanh(wcht-1 wchn b3)
ct＝ft⊙ct-1 it⊙cm
ot＝σ(woht-1 wohn b4)
ht＝ot⊙tanh(ct)
其中，⊙代表点乘，wf、wi、wc、wo分别表示遗忘门的权重矩阵、输入门的权重矩阵、状态单元的权重矩阵、输出门的权重矩阵，b1、b2、b3、b4分别表示遗忘门的偏置矩阵、输入门的偏置矩阵、状态单元的偏置矩阵、输出门的偏置矩阵，σ为sigmoid激活函数；ht为隐藏层输出，tanh为双曲正切函数。
(3.2)获取训练样本集和测试样本集，通过训练样本训练基于双向lstm的交通流预测模型，得到训练后的双向lstm的交通流预测模型；再通过测试样本对训练后的双向lstm的交通流预测模型进行测试；当双向lstm的交通流预测模型的输出与测试样本的标签之间平均绝对误差小于预设的误差阈值，则确定双向lstm的交通流预测模型训练完成；
其中，所述训练样本集和测试样本集中的样本分布选自历史样本，每个样本为车流密度、天气信息、车辆位置坐标、车辆速度组成的特征矩阵；
(3.3)采用训练完成的双向lstm的交通流预测模型在线预测未来m时刻内桥梁上的交通流密度；具体为：
首先，将当前连续n时刻的车流密度、天气信息、车辆位置坐标、车辆速度组成的输入特征矩阵作为训练完成的双向lstm的交通流预测模型的输入数据，经过训练完成的双向lstm的交通流预测模型的训练学习，输出未来m时刻内车辆的位置，即x＝[xn 1,xn 2,xn 3…xn m]，y＝[yn 1,yn 2,yn 3…yn m]；将其组成输出特征矩阵记为
其中，xn m为未来第m时刻车辆的位置的x轴坐标，yn m为与xn m对应的y轴坐标，x轴、y轴分别为gps系统中的世界坐标系；
然后，通过输出特征矩阵，预测未来m时刻内桥梁上的车辆数目，进而确定桥内交通流密度。
更进一步地，所述输入特征矩阵记为p＝[p1,p2,p3…pn]，p1＝[veh1,w1,x1,y1,v1]t，其中，veh1为起始时刻的车流密度，w1为起始时刻的天气信息，x1为起始时刻的车辆的x轴坐标，y1为起始时刻的车辆的y轴坐标，v1为起始时刻的车辆速度；n为连续时间内的时刻总数。
进一步地，所述判断预测的交通流密度是否正常为判断每个车道预测的交通流密度是否大于预设的对应交通流阈值。
进一步地，所述交通流动态分配为：在每条车道的最大载荷之内，从中间车道向两侧车道分配，以保证每条车道的交通流密度和车道载荷相当。
进一步地，所述动态载荷分配为：根据每个车辆的质量及桥梁上每条车道的当前载荷，以桥梁上每个车道不超过其最大载荷为依据，对桥梁上的车辆或即将进入桥梁的车辆依据车辆质量调配车道，以使每个车道的载荷均匀。
进一步地，所述交通流预警为：通过诱导屏显示交通流警示信息。
与现有技术相比，本发明的有益效果为：
(1)本发明能够根据当前桥梁入口附近及桥梁上的车辆的速度、位置、交通流、天气信息及载荷信息，预测未来一段时间桥梁上的交通流密度，进而提前获知桥梁上的交通流状况，避免现有的桥梁交通流滞后调节引起的桥梁长期超载荷服役现象，延长桥梁使用寿命，避免服役年限内的桥梁塌陷事故，提高桥梁行驶安全性。
(2)本发明通过交通流动态分配模块和诱导模块，对桥梁上各车道的交通流和载荷进行合理分配，避免桥梁上各车道之间车流量或载荷不均匀的情况，防止出现桥梁某部分的损坏，进而保证桥上车辆的行驶安全。
(3)本发明利用智能手机获取车辆的速度、位置、交通流、天气信息及载荷信息，然后综合预测在未来m时刻是否会出现交通流密度过高或桥梁载荷超限，智能化程度较高，提前预警时间更久。此外，还考虑了天气对交通流密度的影响，增加了预测精度。
(4)本发明还可对桥内异常事件进行实时监测，防止出现异常事件时，大量交通流出现在桥面。
附图说明
下面结合附图和具体实施例对本发明做进一步详细说明。
图1为本发明的基于智能手机的大跨度桥梁交通流密度控制系统示意图；
图2为本发明的基于智能手机的大跨度桥梁交通流密度控制方法流程图；
图3为本发明实施例的预测诱导后的桥梁上车辆分布图。
具体实施方式
下面结合附图对本发明的实施例及效果作进一步详细描述。
实施例1
参考图1，本发明的一种基于智能手机的大跨度桥梁交通流密度控制系统，包括：数据关联模块、异常事件监测模块、双向交通流预测模块、桥梁监控中心、诱导模块和交通流动态分配模块；所述桥梁监控中心分别与双向交通流预测模块和交通流动态分配模块进行信息互通；
所述数据关联模块将车辆与智能手机建立一对一匹配关系；智能手机通过gps系统获取匹配车辆的速度、位置信息；当车辆经过收费站时，收费站处具有地磅，用于获取每个车辆的质量并将车辆的质量数据存储于收费站的管理平台；所述数据关联模块将车辆与收费站的管理平台建立数据关联，且所述数据关联模块与桥梁监控中心进行无线通信；
所述高速收费站的管理平台双向交通流预测模块、桥内异常事件监测模块、交通流动态分配模块、预警模块分别与桥梁监控中心通信连接；
所述桥内异常事件监测模块，包含设置于桥梁上的摄像头和异常事件处理单元，所述摄像头用于获取桥梁上各路段的实时图像并将其传送至异常事件处理单元；所述异常事件处理单元根据各路段的实时图像判断桥内是否存在异常事件，并将判断结果传输至桥梁监控中心；
所述桥梁监控中心根据接收的车辆的位置信息，计算每条车道的实时交通流密度；同时，所述桥梁监控中心实时获取天气信息；
其中，所述交通流密度为某一时刻，预定长度内的车辆数量；所述天气信息为雨、雪、雾；
所述双向交通流预测模块与所述桥梁监控中心进行信息交互，获取车辆的位置和速度，同时，获取气象部门的天气信息；所述双向交通流预测模块用于根据截止当前的n个时刻内的交通流密度、天气信息、车辆位置信息和车辆速度,预测未来m时刻内桥梁上不同方向的交通流密度及每个车辆的位置，并将预测结果发送至桥梁监控中心；
其中，所述预测结果为预测的交通流密度以及对应车辆的基本信息；车辆的基本信息为车牌号和车辆质量；
所述桥梁监控中心将预测结果进行处理，得到未来m时刻允许驶入桥面的交通流信息，并将其发送给交通流动态分配模块；
所述交通流动态分配模块根据预测的交通流信息对其进行动态分配，即分配每个车辆在桥梁上的行驶车道，以保证桥梁上每条车道的交通流均匀且车道载荷均匀，并将动态分配结果发送到桥梁监控中心；
所述诱导模块，由诱导单元和诱导屏组成；所述诱导单元处理桥梁监控中心发送来的交通流动态分配结果，并获取最靠近桥梁的车辆位置和车辆行驶方向，确定该车辆的行驶车道；所述诱导屏安装于距桥梁入口100-200m处，且每个诱导屏均分为l份，l为一个方向上的车道数目，用于指导每个将要进入桥梁的车辆的行驶车道。当每辆车到达诱导屏前时，每个车道的诱导屏能够提示车辆将要在哪一个车道通过桥面，诱导过程中应尽量不改变车辆原本所在的车道；100-200m的距离主要作为驾驶人完成诱导操作的缓冲距离。
进一步地，还包括抓拍模块，其由抓拍处理单元和抓拍摄像头组成，抓拍摄像头设置于桥梁上的各个路段，用于对未按规定行驶的车辆进行抓拍；所述抓拍处理单元用于将抓拍的车辆所在车道位置与对应的动态分配位置进行比对，当两者存在差异时，确定相应车辆违章，并控制抓拍摄像头对相应车辆进行拍摄，并将拍摄结果发送至桥梁监控中心；
其中，所述未按规定行驶的车辆为：未按诱导屏引导的车道行驶的车辆或禁止驶入桥面指令发出后依然驶入桥内的车辆。
所述桥梁监控中心，主要作用如下：
1)用于完成与双向交通流预测模块的数据交换；数据交换过程为：第一，桥梁监控中心给双向交通流预测模块提供数据输入；第二，桥梁监控中心得到双向交通流预测模块的预测结果后确定未来某一时刻桥内交通流密度，并结合车辆质量计算出桥内载荷，针对得出的交通流密度以及计算出的桥内载荷得出是否进行预警的指令；
2)用于完成与交通流动态分配模块的数据交换；数据交换过程为；第一，将可以驶入桥面的交通流数据发送到交通流动态分配模块，提供动态交通流动态分配的输入数据；第二，桥面监控中心存储未来m时刻交通流动态分配模块的动态分配结果；
3)用于完成与抓拍模块的数据交换；数据交换过程为：第一，桥梁监控中心给抓拍模块提供交通流动态模块的分配结果(哪些车辆在哪些具体的车道行驶)以及短时间内禁止驶入桥内的车辆信息；第二，接收抓拍模块的抓拍信息；
4)用来与智能手机通信进而获得周围几公里甚至更远车辆的基本数据信息，同时获得周围几公里内的交通流密度，简言之，交通流密度也即每辆车对应的智能手机信号的密度；
5)用于接收桥内异常事件监测模块的数据，即接收是否存在车辆碰撞事件，确定是否可以继续通行；当判定某些车道能够通行时，交通流预测模块则进行判断在未来某一时刻，剩余车道是否存在因交通流密度过高导致的车道超载侧翻风险，当不存在载荷超限的风险时，交通流动态分配模块进行车道交通流动态分配，防止某条车道交通流密度过大或某个车道驶入较多大载荷车辆；
6)用于给诱导模块发送数据；当确定在未来一段时间内由于桥内交通流密度过大或桥内载荷超限时，则给诱导模块提前发出预警，禁止车辆继续驶入；当确定在未来一段时间内桥内的交通流密度不会导致桥内载荷超限时，则将交通流动态诱导模块的分配结果发送至诱导模块；当检测到桥内出现追尾或车辆撞击桥梁等异常事件时，确定是否可以通行后，给诱导模块发送指令。
实施例2
参考图2，基于智能手机的大跨度桥梁交通流密度控制方法，包括以下步骤：
步骤1，每个车辆匹配有智能手机，每个智能手机获取桥梁上对应车辆的位置和速度，桥梁入口的收费站处获取每个车辆的质量和车牌号信息；
步骤2，判断桥梁上是否发生异常事件，若是，判断桥梁是否能够继续通行，若判断无异常事件或能够继续通行，则转至步骤3，若判断不能继续通行，则禁止车辆驶入；
所述判断桥梁上是否发生异常事件，具体为；
判断桥梁上是否存在两个车辆之间的纵向相对距离为0，若是，则判断发生车辆追尾异常事件；
判断桥梁上是否存在车辆的速度为0且该车辆与桥梁侧壁之间的距离为0，则判断发生撞击桥梁异常事件。
所述判断桥梁是否能够继续通行，具体为；判断桥梁上速度为0的车辆数目是否大于桥梁上车辆总数的10％，若是，则判断不能继续通行，否则，判断为能够正常通行。
步骤3，预测未来m时刻内桥梁上的交通流密度，并判断预测的交通流密度是否正常，若是，则进行交通流动态分配；否则，转至步骤4；
(3.1)建立基于双向长短记忆网络(lstm)的交通流预测模型；
所述基于双向长短记忆网络(lstm)的交通流预测模型中每个方向的长短记忆网络包含输入门、遗忘门和输出门；双向长短记忆网络内的计算过程为：
ft＝σ(wfht-1 wfhn b1)
it＝σ(wiht-1 wihn b2)
cm＝tanh(wcht-1 wchn b3)
ct＝ft⊙ct-1 it⊙cm
ot＝σ(woht-1 wohn b4)
ht＝ot⊙tanh(ct)
其中，⊙代表点乘，wf、wi、wc、wo分别表示遗忘门的权重矩阵、输入门的权重矩阵、状态单元的权重矩阵、输出门的权重矩阵，b1、b2、b3、b4分别表示遗忘门的偏置矩阵、输入门的偏置矩阵、状态单元的偏置矩阵、输出门的偏置矩阵，σ为sigmoid激活函数；ht为隐藏层输出，tanh为双曲正切函数。
(3.2)获取训练集和测试集，通过训练样本训练基于双向lstm的交通流预测模型，得到训练后的双向lstm的交通流预测模型；再通过测试样本对训练后的双向lstm的交通流预测模型进行测试；当双向lstm的交通流预测模型的输出与测试样本的标签之间平均绝对误差小于预设的误差阈值，则确定双向lstm的交通流预测模型训练完成；
其中，所述训练样本集和测试样本集中的样本分布选自历史样本，每个样本为车流密度、天气信息、车辆位置坐标、车辆速度组成的特征矩阵；
筛选大量的历史样本，历史样本主要是曾经通过桥梁的车辆，通过统计学显著性分析后，确定模型输入数据,主要包括车流密度、天气、实时车辆位置、实时车速信息以及车辆质量信息等；为降低模型训练时的过拟合现象，解决不同参数值范围差异性较大的影响，对特征参数进行标准化处理，统一映射到[0,1]区间内；最后，将所有样本分为训练集和测试集，训练数据和测试数据分别占总数的75％和25％。
应用深度学习算法双向lstm(序列到序列，sequencetosequence)对训练集进行训练，隐藏单元设置为100，dropout设置为0.5，学习率设置为0.001，最小训练尺寸为128，因为模型为监督学习模型，则训练集xtrain＝[p1,p2,p3…pl]对应的标签为xlabels＝[xy1,xy2,xy3…xyl]。上述训练样本训练后得出最终模型，然后通过ytest＝[pl 1,pl 2,pl 3…pl h]作为模型输入进行测试，通过ytest作为输入后预测得出未来一段时间内的坐标序列记为ypred＝[xypred,xypred1,xypred2…xypredl h]，通过对比ypred与ylabels，得到模型精度较高的模型，需要指出的是若当模型的ypred与ylabels的平均绝对误差(mae)小于预设的阈值范围，则被认为是准确的，即可进行在线预测。
(3.3)采用训练完成的双向lstm的交通流预测模型在线预测未来m时刻内桥梁上的交通流密度；具体为：
首先，将当前连续n时刻的车流密度、天气信息、车辆位置坐标、车辆速度组成的输入特征矩阵作为训练完成的双向lstm的交通流预测模型的输入数据，经过训练完成的双向lstm的交通流预测模型的训练学习，输出未来m时刻内车辆的位置，即x＝[xn 1,xn 2,xn 3…xn m]，y＝[yn 1,yn 2,yn 3…yn m]；将其组成输出特征矩阵记为
其中，xn m为未来某时刻车辆的位置的x轴坐标，yn m为与xn m对应的y轴坐标，x轴、y轴分别为gps系统中的世界坐标系；所述输入特征矩阵记为p＝[p1,p2,p3…pn]，p1＝[veh1,w1,x1,y1,v1]t，其中，veh1为起始时刻的车流密度，w1为起始时刻的天气信息，x1为起始时刻的车辆的x轴坐标，y1为起始时刻的车辆的y轴坐标，v1为起始时刻的车辆速度；n为连续时间内的时刻总数；
然后，通过输出特征矩阵，预测未来m时刻内桥梁上的车辆数目，进而确定桥内交通流密度。
判断预测的交通流密度是否正常为判断每个车道预测的交通流密度是否大于预设的对应交通流阈值。所述交通流动态分配为：在每条车道的最大载荷之内，从中间车道向两侧车道分配，以保证每条车道的交通流密度和车道载荷相当。
步骤4，判断桥梁载荷是否超限，若是，则禁止车辆驶入并对桥上每个车道进行动态载荷分配；否则，进行交通流预警并对即将进入桥梁的车辆进行动态载荷分配。
所述动态载荷分配为：根据每个车辆的质量及桥梁上每条车道的当前载荷，以桥梁上每个车道不超过其最大载荷为依据，对桥梁上的车辆或即将进入桥梁的车辆依据车辆质量调配车道，以使每个车道的载荷均匀。所述交通流预警为：通过诱导屏显示交通流警示信息。
例如，桥内异常监测模块完成对桥面异常事件的监测后，判断是否有车辆追尾事件或车辆撞击桥梁等异常事件发生，当无异常事件发生时，双向交通流预测模块开始工作，预测在未来一段时间内桥内的交通流密度，当交通流密度正常时即在桥梁建立之初所能承载的范围内，交通流动态分配模块开始工作，将交通流以及桥梁载荷均匀分配在每个车道上，避免某个车道长期承受较大的载荷，造成桥梁应力疲劳，影响桥梁使用寿命；当交通流密度过大时，桥梁监控中心结合智能手机发送来的每个车辆质量计算出桥梁载荷，当桥面载荷超限时，诱导模块开始工作，禁止车辆继续驶入桥内，而可以进入桥内的车辆则通过诱导模块将车辆诱导到指定车道；当交通流密度过大，桥梁载荷未超限时，诱导模块在禁止车辆进入驶入避免大量车辆拥堵在桥内，对进入桥内的车辆，诱导模块将每辆车诱导到指定车道，避免某个车道交通流过大导致车道载荷超限，影响桥梁使用安全及使用寿命。
当判断桥内出现异常事件后，桥梁监控中心判断是否可以继续通行；当判定某些车道能够通行时，双向交通流预测模块开始工作，预测在未来某一时刻桥内是否会存在某个车道交通流密度过大的风险，当车道交通流密度正常时，交通流动态分配模块开始工作，将交通流以及桥梁载荷均匀分配在每个车道上，避免某个车道长期承受较大的载荷，造成桥梁应力疲劳或桥梁侧翻，影响桥梁使用寿命；当检测到未来某个时间段某个车道交通流密度过大时，桥梁监控中心结合智能手机发送来的每个车辆质量计算出车道载荷，当车道载荷超限时，诱导模块开始工作，禁止车辆继续驶入桥内，而可以进入桥内的车辆则通过诱导模块将车辆诱导到指定车道；当交通流密度过大，桥梁载荷未超限时，诱导模块在禁止车辆进入驶入，避免大量车辆拥堵在桥内，对进入桥内的车辆，诱导模块将每辆车诱导到指定车道。
参照图3，经过本发明的交通流密度预测，当在n时刻交通流处于正常范围内时，双向交通流预测模块开始预测在未来m时刻桥内的交通流，当交通流以及桥梁载荷超限时，诱导模块的诱导屏则发出警告信息，禁止通行；图中阴影方块代表在m时刻禁止进入桥内的车辆；从图中看出，经过本发明的双向交通流预测及诱导模块的导流分配，桥梁上交通流交均匀。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
1.基于智能手机的大跨度桥梁交通流密度控制系统，其特征在于，包括：数据关联模块、异常事件监测模块、双向交通流预测模块、桥梁监控中心、诱导模块和交通流动态分配模块；所述桥梁监控中心分别与双向交通流预测模块和交通流动态分配模块进行信息互通；
所述数据关联模块将车辆与智能手机建立一对一匹配关系；智能手机通过gps系统获取匹配车辆的速度、位置信息；当车辆经过收费站时，收费站处具有地磅，用于获取每个车辆的质量并将车辆的质量数据存储于收费站的管理平台；所述数据关联模块将车辆与收费站的管理平台建立数据关联，且所述数据关联模块与桥梁监控中心进行无线通信；
所述高速收费站的管理平台双向交通流预测模块、桥内异常事件监测模块、交通流动态分配模块、预警模块分别与桥梁监控中心通信连接；
所述桥内异常事件监测模块，包含设置于桥梁上的摄像头和异常事件处理单元，所述摄像头用于获取桥梁上各路段的实时图像并将其传送至异常事件处理单元；所述异常事件处理单元根据各路段的实时图像判断桥内是否存在异常事件，并将判断结果传输至桥梁监控中心；
所述桥梁监控中心根据接收的车辆的位置信息，计算每条车道的实时交通流密度；同时，所述桥梁监控中心实时获取天气信息；
其中，所述交通流密度为某一时刻，预定长度内的车辆数量；所述天气信息为雨、雪、雾；
所述双向交通流预测模块与所述桥梁监控中心进行信息交互，获取车辆的位置和速度，同时，获取气象部门的天气信息；所述双向交通流预测模块用于根据截止当前的n个时刻内的交通流密度、天气信息、车辆位置信息和车辆速度，预测未来m时刻内桥梁上不同方向的交通流密度及每个车辆的位置，并将预测结果发送至桥梁监控中心；
其中，所述预测结果为预测的交通流密度以及对应车辆的基本信息；车辆的基本信息为车牌号和车辆质量；
所述桥梁监控中心将预测结果进行处理，得到未来m时刻允许驶入桥面的交通流信息，并将其发送给交通流动态分配模块；
所述交通流动态分配模块根据预测的交通流信息对其进行动态分配，即分配每个车辆在桥梁上的行驶车道，以保证桥梁上每条车道的交通流均匀且车道载荷均匀，并将动态分配结果发送到桥梁监控中心；
所述诱导模块，由诱导单元和诱导屏组成；所述诱导单元处理桥梁监控中心发送来的交通流动态分配结果，并获取最靠近桥梁的车辆位置和车辆行驶方向，确定该车辆的行驶车道；所述诱导屏安装于距桥梁入口100-200m处，且每个诱导屏均分为l份，l为一个方向上的车道数目，用于指导每个将要进入桥梁的车辆的行驶车道。
2.根据权利要求1所述的基于智能手机的大跨度桥梁交通流密度控制系统，其特征在于，还包括抓拍模块，其由抓拍处理单元和抓拍摄像头组成，抓拍摄像头设置于桥梁上的各个路段，用于对未按规定行驶的车辆进行抓拍；所述抓拍处理单元用于将抓拍的车辆所在车道位置与对应的动态分配位置进行比对，当两者存在差异时，确定相应车辆违章，并控制抓拍摄像头对相应车辆进行拍摄，并将拍摄结果发送至桥梁监控中心；
其中，所述未按规定行驶的车辆为：未按诱导屏引导的车道行驶的车辆或禁止驶入桥面指令发出后依然驶入桥内的车辆。
3.基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，包括以下步骤：
步骤1，每个车辆匹配有智能手机，每个智能手机获取桥梁上对应车辆的位置和速度，桥梁入口的收费站处获取每个车辆的质量和车牌号信息；
步骤2，判断桥梁上是否发生异常事件，若是，判断桥梁是否能够继续通行，若判断无异常事件或能够继续通行，则转至步骤3，若判断不能继续通行，则禁止车辆驶入；
步骤3，预测未来m时刻内桥梁上的交通流密度，并判断预测的交通流密度是否正常，若是，则进行交通流动态分配；否则，转至步骤4；
步骤4，判断桥梁载荷是否超限，若是，则禁止车辆驶入并对桥上每个车道进行动态载荷分配；否则，进行交通流预警并对即将进入桥梁的车辆进行动态载荷分配。
4.根据权利要求3所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，所述判断桥梁上是否发生异常事件，具体为：
判断桥梁上是否存在两个车辆之间的纵向相对距离为0，若是，则判断发生车辆追尾异常事件；
判断桥梁上是否存在车辆的速度为0且该车辆与桥梁侧壁之间的距离为0，则判断发生撞击桥梁异常事件。
5.根据权利要求3所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，所述判断桥梁是否能够继续通行，具体为：判断桥梁上速度为0的车辆数目是否大于桥梁上车辆总数的10％，若是，则判断不能继续通行，否则，判断为能够正常通行。
6.根据权利要求3所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，预测未来m时刻内桥梁上的交通流密度，具体为：
(3.1)建立基于双向长短记忆网络的交通流预测模型；
所述基于双向长短记忆网络的交通流预测模型中每个方向的长短记忆网络包含输入门、遗忘门和输出门；双向长短记忆网络内的计算过程为：
ft＝σ(wfht-1 wfhn b1)
it＝σ(wiht-1 wihn b2)
cm＝tanh(wcht-1 wchn b3)
ct＝ft⊙ct-1 it⊙cm
ot＝σ(woht-1 wohn b4)
ht＝ot⊙tanh(ct)
其中，⊙代表点乘，wf、wi、wc、wo分别表示遗忘门的权重矩阵、输入门的权重矩阵、状态单元的权重矩阵、输出门的权重矩阵，b1、b2、b3、b4分别表示遗忘门的偏置矩阵、输入门的偏置矩阵、状态单元的偏置矩阵、输出门的偏置矩阵，σ为sigmoid激活函数；ht为隐藏层输出，tanh为双曲正切函数；
(3.2)获取训练样本集和测试样本集，通过训练样本训练基于双向lstm的交通流预测模型，得到训练后的双向lstm的交通流预测模型；再通过测试样本对训练后的双向lstm的交通流预测模型进行测试；当双向lstm的交通流预测模型的输出与测试样本的标签之间平均绝对误差小于预设的误差阈值，则确定双向lstm的交通流预测模型训练完成；
其中，所述训练样本集和测试样本集中的样本分布选自历史样本，每个样本为车流密度、天气信息、车辆位置坐标、车辆速度组成的特征矩阵；
(3.3)采用训练完成的双向lstm的交通流预测模型在线预测未来m时刻内桥梁上的交通流密度。
7.根据权利要求6所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，所述采用训练完成的双向lstm的交通流预测模型在线预测未来m时刻内桥梁上的交通流密度；具体为：
首先，将当前连续n时刻的车流密度、天气信息、车辆位置坐标、车辆速度组成的输入特征矩阵作为训练完成的双向lstm的交通流预测模型的输入数据，经过训练完成的双向lstm的交通流预测模型的训练学习，输出未来m时刻内车辆的位置，即x＝[xn 1，xn 2，xn 3…xn m]，y＝[yn 1，yn 2，yn 3…yn m]；将其组成输出特征矩阵记为
其中，xn m为未来某时刻车辆的位置的x轴坐标，yn m为与xn m对应的y轴坐标，x轴、y轴分别为gps系统中的世界坐标系；
然后，通过输出特征矩阵，预测未来m时刻内桥梁上的车辆数目，进而确定桥内交通流密度。
8.根据权利要求7所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，所述输入特征矩阵记为p＝[p1，p2，p3…pn]，p1＝[veh1，w1，x1，y1，v1]t，其中，veh1为起始时刻的车流密度，w1为起始时刻的天气信息，x1为起始时刻的车辆的x轴坐标，y1为起始时刻的车辆的y轴坐标，v1为起始时刻的车辆速度；n为连续时间内的时刻总数。
9.根据权利要求3所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，所述判断预测的交通流密度是否正常为判断每个车道预测的交通流密度是否大于预设的对应交通流阈值；
所述交通流动态分配为：在每条车道的最大载荷之内，从中间车道向两侧车道分配，以保证每条车道的交通流密度和车道载荷相当。
10.根据权利要求3所述的基于智能手机的大跨度桥梁交通流密度控制方法，其特征在于，所述动态载荷分配为：根据每个车辆的质量及桥梁上每条车道的当前载荷，以桥梁上每个车道不超过其最大载荷为依据，对桥梁上的车辆或即将进入桥梁的车辆依据车辆质量调配车道，以使每个车道的载荷均匀。
技术总结