本发明涉及交通数据处理技术领域，特别是涉及路况确定方法、装置、系统、计算机设备和存储介质。
背景技术：
作为智慧城市的重要组成部分，智能交通系统已日渐成为解决当前城市交通难题的最佳出路。如何突破城市智能交通的核心问题，提供快捷、准确的交通民生服务，成为当前交通信息化建设的最迫切挑战之一。在实现本发明过程中，发明人发现现有技术中至少存在如下问题：目前交通数据的处理和发布，多是以单个、两个或三个数据源进行分析和处理，且目前对交通信息进行静态采集和实时情景感知的方式都不够全面，导致得出的交通流状况不准确全面，不能真实反映交通的实时情况。
技术实现要素：
基于此，本发明提供了路况确定方法、装置、系统、计算机设备和存储介质，能通过数据分析得出准确的路况信息。
本发明实施例的内容如下：
一种路况确定方法，包括以下步骤：分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据进行数据融合，得到融合交通流数据；获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；根据所述校正后的融合交通流数据确定路况信息。
相应的，本发明实施例提供一种路况确定装置，包括：初始数据处理模块，用于分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据；数据融合模块，用于对所述多个交通流数据进行数据融合，得到融合交通流数据；事件校正模块，用于获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；以及，路况确定模块，用于根据所述校正后的融合交通流数据确定路况信息。
一种路况确定系统，包括：数据采集设备、数据处理设备以及数据发布设备；所述数据采集设备，用于采集交通流量采集系统数据、电子警察系统数据、悉尼协调自适用交通控制系统数据、浮动车数据和交通事件数据；所述数据处理设备，用于分别对交通流量采集系统数据、电子警察系统数据、悉尼协调自适用交通控制系统数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据和所述浮动车数据进行数据融合，得到融合交通流数据；根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；所述数据发布设备，用于根据所述校正后的融合交通流数据确定路况信息，发布所述路况信息。
上述路况确定方法、装置及系统，分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据，这些交通流数据能表征多个路段的交通数据；将这些交通流数据与其它渠道获取的交通信息进行结合，通过信息挖掘获取不同时间和时空条件下的路段状态。能够得到准确全面的交通状况，进而可以对交通进行有效指导。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据进行数据融合，得到融合交通流数据；获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；根据所述校正后的融合交通流数据确定路况信息。
上述计算机设备，能够得到准确全面的交通状况，进而可以对交通进行有效指导。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据进行数据融合，得到融合交通流数据；获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；根据所述校正后的融合交通流数据确定路况信息。
上述计算机可读存储介质，能够得到准确全面的交通状况，进而可以对交通进行有效指导。
附图说明
图1为一个实施例中路况确定方法的应用环境图；
图2为一个实施例中路况确定方法的流程示意图；
图3为一个实施例中单数据源数据融合的流程示意图；
图4为一个实施例中对vds数据进行过滤的流程示意图；
图5为一个实施例中对scats数据进行过滤的流程示意图；
图6为一个实施例中实现k-means算法的流程示意图；
图7为一个实施例中事件校验的流程示意图；
图8为一个实施例中多源数据融合和事件校验的流程示意图；
图9为另一个实施例中路况确定方法的流程示意图；
图10为一个实施例中路况确定方法的具体应用图；
图11为一个实施例中路况确定装置的结构框图；
图12为一个实施例中路况确定方法的对象模型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请提供的路况确定方法可以应用于如图1所示的计算机设备中。该计算机设备可以是服务器，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于初始交通流数据、交通流数据、交通事件数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路面病害区域的确定方法。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例提供一种路况确定方法、装置、系统、计算机设备和存储介质。以下分别进行详细说明。
在一个实施例中，如图2所示，提供了一种路况确定方法，包括以下步骤：
s201、分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据。
其中，初始交通流数据指的是原始交通数据，可以是通过交通信息采集系统采集的交通数据，也可以是通过gps信息等方式获得的原始交通数据。
可选地，初始交通流数据可以指交通流量采集系统数据(vds)、电子警察系统数据(ves)、悉尼协调自适用交通控制系统数据(scats)等数据，还可以为其他交通数据。具体地，可以包括车辆数、车速、车辆位置、路段编号等交通数据。
s202、对所述多个交通流数据进行数据融合，得到融合交通流数据。
根据初始交通流数据处理得到交通流数据之后，本步骤将多个交通流数据进行整合，去除各个路段的冗余数据，融合得到融合交通流数据。在该融合交通流数据中，某一路段的各个交通数据种类对应的数据唯一。根据该融合交通流数据可得到唯一的路况信息。
s203、获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据。
其中，交通事件信息指的是电子设备等采集不到而通过其他方式获取的交通信息，可以指交通事故、人工获取的交通信息等，也可以指天气状况等信息。交通事件信息能反映道路的实际状况，通过交通事件信息来校正融合交通流数据，能使校正后的融合交通流数据与事件的交通状况一致，保证得出的路况信息的准确性。
可选的，若欲获取实时的路况信息，则该交通事件信息可以指人工探测的实时交通事件信息。
可选地，在一个实施例中，本步骤还包括对交通事件信息进行实时更新的步骤。
s204、根据所述校正后的融合交通流数据确定路况信息。
本步骤根据校正后的融合交通流数据确定各个路段对应的路况信息，进而确定整个目标区域对应的路况信息。
可选地，根据交通流数据确定路况信息采集常用的方法即可，本发明实施例对确定路况信息的具体方式不做限制。
本实施例，分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据，这些交通流数据能表征多个路段的交通数据；将这些交通流数据与其它渠道获取的交通信息进行结合，通过信息挖掘得到不同时间和时空条件下的路段状态。根据多方面的交通流数据以及实时的交通事件信息的融合，能够得到准确全面的交通状况，进而可以对人们的出行提出有效的指导建议。
在一个实施例中，所述分别对多个初始交通流数据进行数据匹配和数据融合的步骤，包括：将同一路段对应的初始交通流数据进行匹配；若任意路段对应的任意一个初始交通流数据为两个以上，将对应的初始交通流数据融合为一个交通流数据。
其中，路段也称路链(link)，是指两个结点之间的道路段，用以保存关于道路元素和运输交通元素的信息。当然，各个link可以包括多种类型的数据，如vds数据、ves数据、scats数据等等。将交通流数据保存在一起构成tjam文件。tjam文件的由link_id(路段编号)、路链长度、路链级别、速度、link上的车辆数、行程时间、时间戳等信息构成。
可选地，对初始交通流数据进行匹配的具体过程可以为：分别找出相同link的vds、ves、scats数据，将这些数据与其他链路的数据区别开来(存放在同一容器中)，使得到的交通流数据更有序。同时，以vds数据为例，若某一link对应的vds数据的某一信息存在不止一条记录。如某一路段对应的车辆数据存在两个不同的记录，则将这些记录融合为一条，使该link对应的车辆数据唯一。
具体地，本实施例实现的是单数据源数据融合。单数据源数据融合的具体过程可以如图3所示，以vds数据为例。若某一link的某一vds数据为3个(该数据个数可以为其他值)以上，通过聚类算法对数据进行融合(如：对某一link对应的ads数据中的多个速度值融合为一个速度值)。融合处理完毕后分别输出vds、ves、scats数据对应的交通流数据(tjam数据)。之后按不同的数据类型将融合后的交通流数据保存为cn-tf格式(保存的数据格式还可以为csv等其他格式)，得出数据记录唯一的交通流数据。
可选地，该聚类算法可以为k-means算法、层次聚类算法、som聚类算法、fcm聚类算法、神经网络算法等算法。
本实施例实现的是对初始交通流数据进行单数据源匹配。由于在一个采样周期内一条link上可能存在多条数据记录信息，那么需要将这些数据信息进行融合，使某一link对应的交通信息记录唯一。经过数据匹配和数据融合处理，使交通流数据中一个路段对应的各个数据唯一，防止对路况的确定造成影响。
在一个实施例中，所述将同一路段对应的初始交通流数据进行匹配的步骤之前，还包括：将预设的映射表中的各个路段与对应的检测器进行匹配；所述预设的映射表用于存储多个路段以及各个路段对应的初始交通流数据，所述检测器用于采集初始交通流数据；从所述预设的映射表中获取匹配后的各个路段对应的初始交通流数据。
可选地，检测器可以指摄像装置、车辆感测器、距离探测器等可以用于测量交通信息的设备。
可选地，一个路段上可以没有检测器，也可以有多个检测器。
对于安装有检测器的路段，原则上各个检测器获取的数据应该与相应的路段对应。但在某些情况下，路段与检测器可能不对应，如果直接采用这样的数据来确定路况，则得出的路况信息将不准确。
本实施例，在需要对初始交通流数据进行匹配之前将各个检测器与路段进行匹配。将路段与检测器匹配以后，将匹配结果保存至该预设的映射表中，若需要对初始交通流数据进行匹配，则从预设的映射表中获取各个路段对应的初始交通流数据。由于对路段与检测器进行过匹配，因此，路段与初始交通流数据也相对应，因此从预设的映射表中获取的各个路段的初始交通流数据是准确的。将检测器与路段进行匹配能有效保证获取的初始交通流数据的准确性，以便得出准确的路况信息。
在一个实施例中，所述初始交通流数据包括交通流量采集系统数据、电子警察系统数据和悉尼协调自适用交通控制系统数据；所述分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据的步骤之前，还包括：若所述初始交通流数据为交通流量采集系统数据或电子警察系统数据，过滤所述初始交通流数据中的无效数据和外侧车道对应的数据；若所述初始交通流数据为悉尼协调自适用交通控制系统数据，过滤所述初始交通流数据中的无效数据；对过滤后的初始交通流数据中的错误数据进行纠正。
可选地，对vds数据进行过滤的具体过程可以如图4所示(ves的过滤方法与之一致，此处不再赘述)。逐一遍历每条vds数据记录。判断vds数据是否是第一车道的记录，如果是第一车道数据，则将其过滤掉，否则做数据有效性判断，将满足无效条件的无效数据过滤掉。完成数据有效性判断以后判断数据是否符合拟合规律，将不符合拟合规律的数据过滤掉，直到完成所有vds数据的过滤。
其中，第一车道指的是外侧车道，可以包括最外侧的一条车道，也可以包括倒数第二车道或者其他外侧车道。由于外侧车道容易受其他因素干扰，因此本实施例将第一车道的数据进行过滤，以防止车道外侧的其他因素对数据的准确性造成影响。如果整个路段环境复杂、干扰因素多，还可以将这一路段的整个车道数据均过滤掉。
拟合规律指的是对vds/ves大数据进行分析后得出的vds数据/ves数据符合的规律，若某一数据不符合该拟合规律，则可视为异常数据，本实施例将该异常数据进行过滤。
可选地，对scats数据进行过滤的具体过程可以如图5所示。遍历每一条scats数据，逐一判断对应的scats数据是否为无效数据，将scats数据中的所有无效数据进行过滤，以尽可能消除无效数据给路况确定带来的影响。
其中，错误数据可以指存在格式错误或者非法字符的数据，还可以为其他的错误形式。本发明实施例对错误数据的形式及纠正错误数据的方式不做限制。
本实施例对可能影响路况信息的数据进行过滤。针对不同的初始交通流数据类型进行不同的过滤处理，能有效地去除初始交通流数据中无关数据，减小路况影响因素。此外，对经过过滤处理的初始交通流数据中的错误数据进行纠正。经过这些处理，能得出用于确定路况信息的可靠的初始交通流数据，提高路况信息的准确性。
进一步地，在一个实施例中，所述交通流量采集系统数据和电子警察系统数据均包括交通量、占用率和速度；所述过滤所述初始交通流数据中的无效数据和外侧车道对应的数据的步骤，包括：若交通量、占用率和速度中的其中一个为0，另两个不为0；或，交通量、占用率和速度均为0；或，交通量为0，速度为预设值；确定对应的交通流量采集系统数据或电子警察系统数据为第一无效数据，过滤所述第一无效数据；过滤所述交通流量采集系统数据和电子警察系统数据中外侧车道对应的数据。
可选地，其中，判断条件中为0也可以指接近于0或者其他不合理的数值，不仅仅局限于0这一具体数值。
可选地，对于vds/ves数据，无效数据的判断条件还可以包括其他的条件。如：若交通量为0，占用率不为0，而速度不等于某一预设值，则确定对应的vds数据或ves数据为无效数据，将其过滤掉。其中的预设值可以为240km/h或者其他值。
具体地，对vds/ves数据进行有效性判断，无效数据的判断条件可以为：
(1)交通量＝0，占用率！＝0or速度！＝0，and速度！＝240km/h(其中，！＝指的是不等于，“or”和“and”指的是逻辑运算)；
(2)占用率＝0，交通量！＝0or速度！＝0，and速度！＝240km/h；
(3)速度＝0，交通量！＝0or占用率！＝0；
(4)交通量、速度和占用率都为0；
(5)交通量＝0，速度＝240km/h。
本实施例根据交通量、占用率和速度的具体数值，对其中不符合自然规律或没有实质内容的数据进行过滤，能提高数据的有效性，进而提高路况确定过程的效率。
在一个实施例中，所述悉尼协调自适用交通控制系统数据包括饱和度、流量和检测器编号；所述过滤所述初始交通流数据中的无效数据的步骤，包括：若饱和度和流量中的任意一个为0；或，检测器编号为预设值；或，饱和度和流量均不为0，检测器编号为预设值；确定对应的悉尼协调自适用交通控制系统数据为第二无效数据，过滤所述第二无效数据。
其中，检测器编号的预设值可以为负数或带有非法字符等，本实施例对预设值的具体值不做限定。当然，若检测器的编号是以负数形式表示的，则该预设值也可以为正数。
可选地，判断条件中为0也可以指接近于0或者其他不合理的数值，不仅仅局限于0这一具体数值。
可选地，对scats数据进行有效性判断，无效数据判断条件有以下：
(1)saturation＝0或flowrate＝0或detector_id＝-1；
(2)saturation！＝0且flowrate！＝0且detector_id＝-1。
本实施例根据scats数据中的饱和度、流量和检测器编号的具体数值，对其中不符合自然规律或没有实质内容的数据进行过滤，能提高数据的有效性，进而提高路况确定过程的效率。
在一个实施例中，所述对所述多个交通流数据进行数据融合，得到融合交通流数据的步骤，包括：获取浮动车(fcd)数据，对所述多个交通流数据和所述浮动车数据进行数据融合，得到融合交通流数据。
其中，融合交通流数据构成rjam文件。rjam文件的每一行由link_id、路链长度、路链级别、速度、行程时间、交通状态、拥堵级别、时间戳。
本实施例将vds、ves、scats、fcd等多种交通数据源进行融合，全面整合这些数据，得出的融合交通流数据能全面地反映目标路段的路况信息。
进一步地，在一个实施例中，所述对所述多个交通流数据进行数据融合的步骤，包括：确定所述多个交通流数据和所述浮动车数据的数据总个数；若所述数据总个数满足第一预设条件，根据加权平均算法对所述多个交通流数据和所述浮动车数据进行数据融合；若所述数据总个数满足第二预设条件，根据聚类算法对所述多个交通流数据和所述浮动车数据进行数据融合。
对于个数少的数据，分别确定各个数据的权重，根据加权平均算法实现多源数据的融合。对于个数多的数据，通过k-means算法实现聚类。各个数据的权重按照具体的情况来确定，本实施例对权重的确定方式不做限制。
可选地，本实施例实现的是多源数据融合的过程。第一预设条件可以指数据总个数大于第一阈值，该第二预设条件可以指数据总个数小于第二阈值。第一阈值和第二阈值可以相同也可以不相同。
具体地，该聚类算法指k-means算法。k-means算法是一种基于样本间相似性度量的间接聚类方法。此算法以k为参数，把n个对象分为k个簇，以使簇内具有较高的相似度，而且簇间的相似度较低。相似度的计算根据一个簇中对象的平均值(被看作簇的重心)来进行。此算法首先随机选择k个对象，每个对象代表一个聚类的质心。对于其余的对象，根据该对象与各聚类质心之间的距离，将它们分配到与之最相似的聚类中。然后，计算每个聚类的新质心。重复上述过程，直到准则函数会聚。k-means算法是一种较典型的逐点修改迭代的动态聚类算法，其要点是以误差平方和为准则函数逐点修改类中心：一个象元样本按某一原则，归属于某一组类后，就要重新计算这个组类的均值，并且以新的均值作为凝聚中心点进行下一次象元素聚类；逐批修改类中心：在全部象元样本按某一组的类中心分类之后，再计算修改各类的均值，作为下一次分类的凝聚中心点。
因此，该算法的影响因素主要有：k值的选取以及初始化质心的选取。
具体地，实现k-means算法的具体过程如图6所示(其中，a/b/c/d/e球表示待分析样本数据，空心球表示质心)：
1、从n个数据对象任意选择k个对象作为初始聚类中心；
2、根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
3、重新计算每个(有变化)聚类的均值(中心对象)；
4、计算标准测度函数，当满足一定条件，如函数收敛时，则算法终止；如果条件不满足则回到步骤2。
其中，以对速度进行聚类为例，对于k值的选取，当待处理数据为3个时，聚两类进行分析，选取样本量最多的簇的均值作为最终速度；当待处理数据大于3个的时候，先聚3类，选取样本个数最多的均值作为最终速度，如果存在多个样本数量相等的簇，则将这些簇的均值作为最终速度。而针对质心的选取，初始化中心点选择可以为样本数据的最大值、最小值和平均值。通过k-means算法，能将多个数据聚类为一个数据，使路况信息的确定结果唯一。
交通信息融合处理是将输入的交通状态信息、交通事件信息、人工确认的信息、人工录入的信息进行处理融合，形成更加符合实际情况的路况信息，满足不同的公众信息服务需要。本实施例，根据交通流数据和浮动车数据的数据总个数进行针对性的融合处理。对于个数少的数据，分别确定各个数据的权重，根据加权平均算法实现多源数据的融合；对于个数多的数据，通过k-means算法实现数据的准确归类，进而实现数据的融合。能将多种数据根据其属性进行多源数据融合，使得到的路况信息更为全面。
在一个实施例中，所述根据所述交通事件数据(tdcs-incident数据)对所述融合交通流数据进行事件校正的步骤，包括：获取任意一个交通事件数据对应的第一路段编号和所述第一路段编号对应的第一网格编号；获取任意一个融合交通流数据对应的第二路段编号和所述第二路段编号对应的第二网格编号；若所述第一路段编号与所述第二路段编号一致，和/或，若所述第一网格编号与所述第二网格编号一致，根据所述交通事件数据修改所述融合交通流数据。
具体地，交通事件数据指的是人工录入的路况数据。
可选地，根据所述交通事件数据修改所述融合交通流数据的步骤可以为：用所述交通事件数据替换所述融合交通流数据，或者是修改其中不正确的数据。
本实施例将人工录入的路况数据与经过多源数据融合后的数据进行路段匹配，若匹配成功，则根据同一路段的人工录入路况数据修改对应的融合以后的数据。通过这样的方式，能消除数据的随机性，根据实际的路况信息对融合后的数据进行校正，从而得出更为准确的路况信息。
可选地，事件校验的具体过程可以如图7所示，遍历tdcs-incident数据，获取tdcs-incident数据对应的第一路段编号和第一网格编号(1meshid和1linkid)，以及融合交通流数据对应的第二路段编号和第二网格编号(2meshid和2linkid)。若找到某一路段的1meshid、1linkid和2meshid、2linkid相对应，说明两者对应同一路段，则用交通事件数据替换对应的融合交通流数据。若对于某一路段的1meshid、1linkid，没有与之对应的2meshid、2linkid，则将该交通事件数据作为备用数据添加到融合交通流数据中(可以添加到所有融合交通流数据之后或者其他位置)。
可选地，若需要再次对融合交通流数据进行校正时，则可以将之前添加到融合交通流数据中的交通事件数据添加到新的交通事件数据中以校正融合交通流数据。
可选地，实现多源数据融合以及事件校验的具体过程可以如图8所示，遍历融合后的vds、ves、scats和fcd数据。以vds数据中的速度为例，判断link上vds数据的个数是否大于3。当个数大于3时，使用k-means聚类算法对融合后的速度进行融合处理，否则对速度进行加权平均处理。将融合后是速度与交通事件数据中的速度进行比对，实现事件的校验，并得到校正后的融合交通流数据。将校正后的融合交通流数据以csv格式保存，写入数据库以及服务器中并更新时间戳文件。
在一个实施例中，如图9所示，提供一种路况确定方法，包括以下步骤：
s901、将预设的映射表中的各个路段与对应的检测器进行匹配。
s902、从所述预设的映射表中获取匹配后的各个路段对应的初始交通流数据。
s903、若所述初始交通流数据为交通流量采集系统数据或电子警察系统数据，过滤所述初始交通流数据中的无效数据和外侧车道对应的数据。
s904、若所述初始交通流数据为悉尼协调自适用交通控制系统数据，过滤所述初始交通流数据中的无效数据。
s905、对过滤后的初始交通流数据中的错误数据进行纠正。
s906、将同一路段对应的初始交通流数据进行匹配。
s907、若任意路段对应的任意一个初始交通流数据为两个以上，将对应的初始交通流数据融合为一个交通流数据，得到多个交通流数据。
s908、获取浮动车数据，对所述多个交通流数据和所述浮动车数据进行数据融合，得到融合交通流数据。
s909、获取任意一个交通事件数据对应的第一路段编号和所述第一路段编号对应的第一网格编号；获取任意一个融合交通流数据对应的第二路段编号和所述第二路段编号对应的第二网格编号。
s910、若所述第一路段编号与所述第二路段编号一致，和/或，若所述第一网格编号与所述第二网格编号一致，根据所述交通事件数据修改所述融合交通流数据，得到校正后的融合交通流数据。
s911、根据所述校正后的融合交通流数据确定路况信息。
本实施例获取最新的交通流数据、交通事件数据、人工采编信息，并将这些数据进行过滤、匹配、融合处理，生成与实际路况相符的路况信息。该路况信息能全面准确地反映当前的交通状况，并能据此给出行者提供较好的出行指导。
为了更好地理解上述方法，如图10所示，以下详细阐述一个本发明路况确定方法的应用实例，以图1中的计算机设备作为本端为例。
读取配置文件，获取处理融合周期、存储路径和综合数据库连接配置等参数。读取vds、ves、scats数据库的id以及预设的映射表(也称link匹配表)。根据系统时间对本端的时间进行校准。之后从数据采集模块中获取检测器采集的若干个采样周期的vds、ves、scats、tdcs-incident、fcd数据。分别对vds、ves、scats数据进行单数据源的数据过滤、匹配和融合处理，得到对应的tjam数据。将tjam数据以及fcd数据进行多源数据融合，得到rjam数据。通过tdcs-incident数据对融合交通流数据进行事件校验并修改对应的rjam数据，将校正后的rjam数据生成数据写入数据库与文件服务器中。根据校验以后的rjam数据确定路况信息。
本实施例通过对不同交通数据的综合处理，可以得到比单个数据源数确定的路况更为全面、准确的交通流状况信息。
需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的路况确定方法相同的思想，本发明还提供路况确定装置，该装置可用于执行上述路况确定方法。为了便于说明，路况确定装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图11所述，提供一种路况确定装置，包括初始数据处理模块111、数据融合模块112、事件校正模块113和路况确定模块114。详细说明如下：
初始数据处理模块111，用于分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据。
数据融合模块112，用于对所述多个交通流数据进行数据融合，得到融合交通流数据。
事件校正模块113，用于获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据。
以及，路况确定模块114，用于根据所述校正后的融合交通流数据确定路况信息。
在一个实施例中，所述数据融合模块112，包括：匹配子模块，用于将同一路段对应的初始交通流数据进行匹配；融合子模块，用于若任意路段对应的任意一个初始交通流数据为两个以上，将对应的初始交通流数据融合为一个交通流数据。
在一个实施例中，所述路况确定装置还包括：检测器匹配模块，用于将预设的映射表中的各个路段与对应的检测器进行匹配；所述预设的映射表用于存储多个路段以及各个路段对应的初始交通流数据，所述检测器用于采集初始交通流数据；以及，数据获取模块，用于从所述预设的映射表中获取匹配后的各个路段对应的初始交通流数据。
在一个实施例中，所述初始交通流数据包括交通流量采集系统数据、电子警察系统数据和悉尼协调自适用交通控制系统数据；所述路况确定装置，还包括：第一过滤子模块，用于若所述初始交通流数据为交通流量采集系统数据或电子警察系统数据，过滤所述初始交通流数据中的无效数据和外侧车道对应的数据；第二过滤子模块，用于若所述初始交通流数据为悉尼协调自适用交通控制系统数据，过滤所述初始交通流数据中的无效数据；以及，纠正子模块，用于对过滤后的初始交通流数据中的错误数据进行纠正。
在一个实施例中，所述交通流量采集系统数据和电子警察系统数据均包括交通量、占用率和速度；所述第一过滤子模块，还用于若交通量、占用率和速度中的其中一个为0，另两个不为0；或，交通量、占用率和速度均为0；或，交通量为0，速度为预设值；确定对应的交通流量采集系统数据或电子警察系统数据为第一无效数据，过滤所述第一无效数据；过滤所述交通流量采集系统数据和电子警察系统数据中外侧车道对应的数据。
在一个实施例中，所述悉尼协调自适用交通控制系统数据包括饱和度、流量和检测器编号；所述第二过滤子模块，还用于若饱和度和流量中的任意一个为0；或，检测器编号为预设值；或，饱和度和流量均不为0，检测器编号为预设值；确定对应的悉尼协调自适用交通控制系统数据为第二无效数据，过滤所述第二无效数据。
在一个实施例中，所述数据融合模块112，还用于获取浮动车数据，对所述多个交通流数据和所述浮动车数据进行数据融合，得到融合交通流数据。
在一个实施例中，所述数据融合模块112，包括：个数确定子模块，用于定所述多个交通流数据和所述浮动车数据的数据总个数；加权融合子模块，用于若所述数据总个数满足第一预设条件，根据加权平均算法对所述多个交通流数据和所述浮动车数据进行数据融合；聚类融合子模块，用于若所述数据总个数满足第二预设条件，根据聚类算法对所述多个交通流数据和所述浮动车数据进行数据融合。
在一个实施例中，所述事件校正模块113，包括：编号获取子模块，用于获取任意一个交通事件数据对应的第一路段编号和所述第一路段编号对应的第一网格编号；获取任意一个融合交通流数据对应的第二路段编号和所述第二路段编号对应的第二网格编号；修改子模块，用于若所述第一路段编号与所述第二路段编号一致，和/或，若所述第一网格编号与所述第二网格编号一致，根据所述交通事件数据修改所述融合交通流数据。
需要说明的是，本发明的路况确定装置与本发明的路况确定方法一一对应，在上述路况确定方法的实施例阐述的技术特征及其有益效果均适用于路况确定装置的实施例中，具体内容可参见本发明方法实施例中的叙述，此处不再赘述，特此声明。
此外，上述示例的路况确定装置的实施方式中，各程序模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的程序模块完成，即将所述路况确定装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分功能。
在一个实施例中，提供了一种路况确定系统，包括：数据采集设备、数据处理设备以及数据发布设备，详细说明如下：
所述数据采集设备，用于采集交通流量采集系统数据、电子警察系统数据、悉尼协调自适用交通控制系统数据、浮动车数据和交通事件数据。
所述数据处理设备，用于分别对交通流量采集系统数据、电子警察系统数据、悉尼协调自适用交通控制系统数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据和所述浮动车数据进行数据融合，得到融合交通流数据；根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据。
所述数据发布设备，用于根据所述校正后的融合交通流数据确定路况信息，发布所述路况信息。
如图12所示为一个实施例中路况确定系统的部分对象模型(图12仅示出了k-means类、vdshandle类和weightedaverage类)。其中，dml是model的缩写，指数据模型，通常是针对一个数据对象。该路况确定系统能实现以下类别的功能：
1)basehandle类。融合处理基类，采用数据过滤、单数据源融合和多数据源融合的公用方法，处理流程见图7。
2)datafilter类。数据过滤类，包含vds、ves和scats数据过滤方法。根据不同的过滤条件对各种数据进行过滤操作。
3)datahandlemerge类。数据处理融合类，实现处理融合整个流程，处理流程见图10。
4)k-means类。k-means算法实现类，运用k-means算法对数据进行单数据源融合和多数据源融合处理，处理流程见图10。
5)link2pub类。link路况转成发布段路况类，根据发布段和link段的映射关系生成发布段路况。
6)manualtraffic类。人工录入路况处理类，对人工录入路况查找对应的link，并修改link的路况。
7)mutidatamerge类。多源数据融合类，运用加权平均和k-means算法对数据进行多数据源融合处理，处理流程见图8。
8)nightmode类。夜间模式实现类，通过设定夜间时间段在指定夜间时间输出全绿路况。
9)scatshandle类。scats数据融合处理实现类，对scats数据进行过滤，融合处理，处理流程见图5。
10)vdshandle类。vds数据融合处理实现类，对vds数据进行过滤，融合处理，处理流程见图4。
11)veshandle类。ves数据融合处理实现类，对ves数据进行过滤，融合处理，处理流程可以参见图4。
12)weightedaverage类。加权平均算法实现类，对单数据源或多数据源进行加权平均处理。
本实施例分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据，这些交通流数据能表征多个路段的交通数据；结合其它渠道获取的交通信息进行融合处理，通过信息挖掘获取不同时间和时空条件下的路段状态。并建立相应的多源多态交通信息融合发布系统，将路况信息发布出来。能够得到准确全面的交通状况，进而可以对交通出行进行有效指导。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据进行数据融合，得到融合交通流数据；获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；根据所述校正后的融合交通流数据确定路况信息。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据；对所述多个交通流数据进行数据融合，得到融合交通流数据；获取交通事件数据，根据所述交通事件数据对所述融合交通流数据进行事件校正，得到校正后的融合交通流数据；根据所述校正后的融合交通流数据确定路况信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述分别对多个初始交通流数据进行数据匹配和数据融合的步骤，包括：将同一路段对应的初始交通流数据进行匹配；若任意路段对应的任意一个初始交通流数据为两个以上，将对应的初始交通流数据融合为一个交通流数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述将同一路段对应的初始交通流数据进行匹配的步骤之前，还包括：将预设的映射表中的各个路段与对应的检测器进行匹配；所述预设的映射表用于存储多个路段以及各个路段对应的初始交通流数据，所述检测器用于采集初始交通流数据；从所述预设的映射表中获取匹配后的各个路段对应的初始交通流数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述初始交通流数据包括交通流量采集系统数据、电子警察系统数据和悉尼协调自适用交通控制系统数据；所述分别对多个初始交通流数据进行数据匹配和数据融合，得到多个交通流数据的步骤之前，还包括：若所述初始交通流数据为交通流量采集系统数据或电子警察系统数据，过滤所述初始交通流数据中的无效数据和外侧车道对应的数据；若所述初始交通流数据为悉尼协调自适用交通控制系统数据，过滤所述初始交通流数据中的无效数据；对过滤后的初始交通流数据中的错误数据进行纠正。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述交通流量采集系统数据和电子警察系统数据均包括交通量、占用率和速度；所述过滤所述初始交通流数据中的无效数据和外侧车道对应的数据的步骤，包括：若交通量、占用率和速度中的其中一个为0，另两个不为0；或，交通量、占用率和速度均为0；或，交通量为0，速度为预设值；确定对应的交通流量采集系统数据或电子警察系统数据为第一无效数据，过滤所述第一无效数据；过滤所述交通流量采集系统数据和电子警察系统数据中外侧车道对应的数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述悉尼协调自适用交通控制系统数据包括饱和度、流量和检测器编号；所述过滤所述初始交通流数据中的无效数据的步骤，包括：若饱和度和流量中的任意一个为0；或，检测器编号为预设值；或，饱和度和流量均不为0，检测器编号为预设值；确定对应的悉尼协调自适用交通控制系统数据为第二无效数据，过滤所述第二无效数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：所述对所述多个交通流数据进行数据融合的步骤，包括：确定所述多个交通流数据和所述浮动车数据的数据总个数；若所述数据总个数满足第一预设条件，根据加权平均算法对所述多个交通流数据和所述浮动车数据进行数据融合；若所述数据总个数满足第二预设条件，根据聚类算法对所述多个交通流数据和所述浮动车数据进行数据融合。
本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
本发明实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或(模块)单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。