一种交通信息处理方法和装置的制造方法
【技术领域】
[0001] 本发明涉及通信技术领域，特别涉及一种交通信息处理方法和装置。
【背景技术】
[0002] 智慧城市目前包括智慧交通、智慧安防、智慧能源、智慧教育、智慧医疗、智慧政务 等几个部分，未来仍将继续拓展到城市生活的方方面面。
[0003]目前在全球范围内〃智慧城市〃建设开展的如火如荼，"智慧城市〃所涵盖的领域 范围遍及城市生活的方方面面，已经逐步涉及到城市运营管理的各个系统，如交通、安防、 电力、政务管理、应急、医疗、教育等。在智慧城市的目标拆分与落地时，被落实为智慧医疗、 智慧生产、智慧交通、智慧政府等比较大概念的细分领域。城市建设，交通先行。交通是经 济发展的动脉，智慧交通是智慧城市建设的重要构成部分。
[0004] 智能交通系统（Intelligent Transport System，ITS)是指将先进的信息技术、数 据通讯传输技术、电子传感技术、卫星导航与定位技术、电子控制技术以及计算机处理技术 等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作 用的，实时、准确、高效的综合运输和管理系统。其目的是使人、车、路密切配合达到和谐统 一，发挥协同效应，极大的提高交通运输效率、保障交通安全、改善交通运输环境和提高能 源利用效率。
[0005] 然而，在城市中智能交通系统必须和城市管理相结合才能获得有效的使用。当前 的智慧城市在充分运用城市信息、基于数据的来实现的城市管理还十分缺乏。
【发明内容】
[0006] 有鉴于此，本申请提供一种交通信息处理方法和装置，能够快速、准确确定未来一 段时间的交通拥堵的情况。
[0007] 为解决上述技术问题，本申请的技术方案是这样实现的：
[0008] -种交通信息处理方法，根据交通信息之间的因果关系配置DAG ;该方法包括：
[0009] 获取与当前交通相关的各交通信息对应的置信度；
[0010] 将各交通信息的置信度赋值给配置的DAG中对应的节点，并计算该DAG对应的值， 作为当前交通拥堵的概率；
[0011] 根据当前交通拥堵的概率，以及记录的之前第一预设时间内的交通拥堵的概率， 确定之后第二预设时间内的交通拥堵的概率。
[0012] -种交通信息处理装置，该装置包括：配置单元、获取单元、计算单元和确定单 元；
[0013] 所述配置单元，用于根据交通信息之间的因果关系配置DAG ;
[0014] 所述获取单元，用于获取与当前交通相关的各交通信息对应的置信度；
[0015] 所述计算单元，用于将所述获取单元获取的各交通信息的置信度赋值给所述配置 单元配置的DAG中对应的节点，并计算该DAG对应的值，作为当前交通拥堵的概率；
[0016] 所述确定单元，用于根据所述计算单元计算的当前交通拥堵的概率，以及记录的 之前第一预设时间内的交通拥堵的概率，确定之后第二预设时间内的交通拥堵的概率。
[0017] 由上面的技术方案可知，本申请中通过采集当前交通相关的交通信息，以及记录 的历史相关的交通信息，自动预测未来一段时间的交通的拥堵情况，通过该方案，能够快 速、准确确定未来一段时间的交通拥堵的情况。
【附图说明】
[0018] 图1为本申请实施例中配置的DAG示意图；
[0019] 图2为本申请实施例中交通信息处理流程示意图；
[0020] 图3为本申请实施例中处理交通拥堵的流程示意图；
[0021] 图4为本申请实施例中应用于上述技术的装置结构示意图。
【具体实施方式】
[0022] 为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图并举实施例， 对本发明的技术方案进行详细说明。
[0023] 本申请实施例中提供一种交通信息处理方法，根据当前交通相关的交通信息，以 及记录的历史交通拥堵的概率，确定未来一段时间内的交通拥堵的概率，能够快速、准确确 定未来一段时间的交通拥堵的情况。
[0024] 在确定未来一段时间内的交通拥堵的概率时，本申请实施例中应先根据交通信息 之间的因果关系配置DAG，具体配置过程如下：
[0025] 使用者可以根据经验确定各交通信息之间因果关系配置DAG，例如交通事故会造 成交通拥堵而减少道路车流量，这又可能引造成公交乘客长时间排队造成公交车刷卡数量 增长，这一关系通过DAG描述为：交通事故一〉交通流量一〉公交车刷卡数量。交通信息包 括：交通图像信息、交通卡刷卡信息、电信接入网信令数据、红绿灯切换频率等。在具体实现 时，获得的交通信息可以为上述之一或任意组合。
[0026] DAG可以是基于贝叶斯网络的有向无环图，也可以是基于其他网络的有向无环图， 使用者可以根据实际需要选择。
[0027] 参见图1，图1为本申请实施例中配置的DAG示意图。图1中的DAG图中以4个节 点为例，其中，P (a)为a节点对应交通卡刷卡信息对应的置信度，P (b)为b节点对应红绿灯 切换频率对应的置信度，P(C)为c节点对应电信接入网信令数据对应的置信度，P(d)为d 节点对应交通信息图像对应的置信度。
[0028] 图1中P(c I a)表示a节点对应的情况发生，引起c节点发生的条件概率；P(d| a) 表示a节点对应的情况发生，引起d节点发生的条件概率；P (c I d)表示d节点对应的情况 发生，引起c节点发生的条件概率；P (d I b)表示b节点对应的情况发生，引起d节点发生的 条件概率。
[0029] 下面结合附图，详细说明本申请实施例是如何实现交通信息处理的。
[0030] 参见图2,图2为本申请实施例中交通信息处理流程示意图。具体步骤为：
[0031] 步骤201，设备获取与当前交通相关的各交通信息对应的置信度。
[0032] 本申请实施例中，确定未来发生交通拥堵的概率，以及在需要解决交通拥堵时，确 定使用处理交通拥堵的手段的执行主体均为交通管理系统中的一台或几台设备，本申请实 施例中同称为设备。
[0033] 采集当前交通相关的各交通信息，使用采集到的各交通信息分别进行方差计算， 并将计算获得的各方差映射为对应交通信息的置信度。
[0034] 针对任一交通信息，会采集到一个或多个交通信息值，将这一个或多个相关信息 值作为样本，进行样本方差计算获得方差值，针对每个交通信息会配置对应的映射关系，将 计算获得的方差值映射为置信度。其计算方法为：根据样本均值X以及样本数量n，以及预 先设定的交通信息概率分布函数F (对于大数据量的样本，F通常为正态分布），计算该方差 出现的概率
，并通过查置信区间表获得该方差出现的置信度。
[0035] 在具体实现时，预先配置样本方差值与置信度的映射关系（可以是一个样本方差 值映射为一个置信度，也可以时多个样本方差映射为一个置信度）；在计算出样本方差值 后，通过配置的映射关系确定对应的置信度。
[0036] 步骤202,该设备将各交通信息的置信度赋值给配置的DAG中对应的节点，并计算 该DAG对应的值，作为当前交通拥堵的概率。
[0037] 假设本申请实施例中计算了 4个置信度值，则分别按照图1中描述的对应信息为 各节点赋值。
[0038] 以基于贝叶斯网络的有向无环图为例，则根据P(a)和P(b)计算P(c|a)，P(C)和 P (d)计算P (c I d)，依次类推，分别计算出P (c I a)、P (d I a)、P (c I d)、P (d I b)，然后将计算出的 四个概率值进行乘积获得该DAG的值，作为当前交通拥堵的概率。
[0039] 步骤203,该设备根据当前交通拥堵的概率，以及记录的之前第一预设时间内的交 通拥堵的概率，确定之后第二预设时间内的交通拥堵的概率。
[0040] 在实际应用中可以根据历史数据模拟出交通拥堵概率在一定时间内符合的函数 分布，进而根据模拟出的函数确定未来一段时间内的交通拥堵的概率。
[0041] 下面结合附图，详细说明本申请实施例中如何实现交通拥堵处理的。
[0042] 参见图3,图3为本申请实施例中处理交通拥堵的流程示意图。具体步骤为：
[0043] 步骤301，设备确定出第二预设时间内的交通拥堵的概率。
[0044] 步骤302,该设备确定是否使用配置的处理交通拥堵的手段进行处理，如果是，执 行步骤303 ;否则，执行步骤304。
[0045] 本步骤中确定是否使用配置的处理交通拥堵的手段进行处理，具体为：
[0046] 将第一预设时间内的交通拥堵概率