一种基于大数据的路段旅行时间计算方法和装置的制造方法
【专利摘要】本发明实施例涉及智能交通领域，尤其涉及一种基于大数据的路段旅行时间计算方法和装置。在获取第m周期内通过i路段的每辆车辆所花费的单车时间后，根据各车辆的单车时间，确定i路段在第m周期内的初步旅行时间值，需要进一步根据各车辆的单车时间和初步旅行时间值，确定异常车辆，最后根据排除异常车辆后的车辆的单车时间，确定i路段在所述第m周期的路段旅行时间值，因此能够保证数据的质量，从而能够实现根据采集的交通流信息，基于大数据技术准确的计算出路段旅行时间，同时还可提供实时交通信息服务，为交通管理者进行交通组织优化、拥堵治理提供决策依据，提高交通管理水平。
【专利说明】
-种基于大数据的路段旅行时间计算方法和装置
技术领域
[0001] 本发明实施例设及智能交通领域，尤其设及一种基于大数据的路段旅行时间计算 方法和装置。
【背景技术】
[0002] 近年来，随着我国城市化进程的不断推进，人们的生活水平日益提高，城市机动车 保有量飞速增长，随之带来的是城市道路交通拥堵问题日益凸显，交通事故频繁发生，对交 通管理部口的综合管理水平与信息服务水平提出了挑战，对城市经济与发展也带来一定的 负面影响。
[0003] 在城市交通运行状况评价中，路段旅行时间是不可或缺的重要部分。准确的路段 旅行时间能够为出行者提供未来的交通状况及变化趋势，诱导用户选择合理的出行时间、 出行方式W及出行路径，改善城市道路网交通流分布的时空不均匀性，为交通控制及交通 诱导提供可靠的指标依据，同时也是城市居民最为关屯、的交通参数。
[0004] 在路段旅行时间统计方面，机动车数量的增加，使得车辆旅行时间的计算量成指 数级增长，传统数据处理方式需要长时间才能给出结果，甚至出现无响应的情况;在实时路 况分析预测方面，面对城市大范围旅行时间估计任务，传统数据处理方式已力不从屯、。因 此，在城市化飞速发展的今天，迫切需要一种高效可行的解决方案，来解决海量数据的旅行 时间估计问题。
[0005] 大数据(Big Data)的出现，解决了传统数据库进行海量数据查询和分析性能瓶颈 问题，为海量数据的分析处理提供了有效的解决途径。而其中基于内存的分布式计算框架， 对于复杂的迭代运算更是拥有先天的优越性。
[0006] 因此如何根据采集的交通流信息，基于大数据技术准确的计算出路段旅行时间， 就显得尤为重要。
【发明内容】
[0007] 本发明实施例提供一种基于大数据的路段旅行时间计算方法和装置，用W实现根 据采集的交通流信息，基于大数据技术准确的计算出路段旅行时间。
[000引本发明实施例提供一种基于大数据的路段旅行时间计算方法，包括：
[0009] 从大数据平台获取第m周期内通过i路段的每辆车辆所花费的单车时间；
[0010] 根据各车辆的单车时间，确定所述i路段在所述第m周期内的初步旅行时间值；
[0011] 根据各车辆的单车时间和所述初步旅行时间值，确定异常车辆；
[0012] 根据排除异常车辆后的车辆的单车时间，确定所述i路段在所述第m周期的路段旅 行时间值;m为正整数。
[0013] 本发明实施例还提供一种基于大数据的路段旅行时间计算装置，包括：
[0014] 获取模块，用于从大数据平台获取第m周期内通过i路段的每辆车辆所花费的单车 时间；
[0015] 确定模块，用于根据各车辆的单车时间，确定所述i路段在所述第m周期内的初步 旅行时间值；
[0016] 根据各车辆的单车时间和所述初步旅行时间值，确定异常车辆；
[0017] 根据排除异常车辆后的车辆的单车时间，确定所述i路段在所述第m周期的路段旅 行时间值;m为正整数。
[0018] 上述实施例提供的基于大数据的路段旅行时间计算方法和装置，包括:首先获取 第m周期内通过i路段的每辆车辆所花费的单车时间，根据各车辆的单车时间，确定i路段在 第m周期内的初步旅行时间值，然后根据各车辆的单车时间和初步旅行时间值，确定异常车 辆，最后根据排除异常车辆后的车辆的单车时间，确定i路段在所述第m周期的路段旅行时 间值，可W看出，由于在获取第m周期内通过i路段的每辆车辆所花费的单车时间后，根据各 车辆的单车时间，确定i路段在第m周期内的初步旅行时间值，需要进一步根据各车辆的单 车时间和初步旅行时间值，确定异常车辆，最后根据排除异常车辆后的车辆的单车时间，确 定i路段在所述第m周期的路段旅行时间值，因此能够保证数据的质量，从而能够实现根据 采集的交通流信息，基于大数据技术准确的计算出路段旅行时间，同时还可提供实时交通 信息服务，为交通管理者进行交通组织优化、拥堵治理提供决策依据，提高交通管理水平。
【附图说明】
[0019] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使 用的附图作简要介绍。
[0020] 图1为本发明实施例提供的一种基于大数据的路段旅行时间计算方法流程图；
[0021] 图2为本发明实施例提供的一种基于大数据的路段旅行时间计算方法及确定道路 拥堵级别的流程图；
[0022] 图3为本发明实施例提供的一种基于大数据的路段旅行时间计算装置结构示意 图。
【具体实施方式】
[0023] 为了使本发明的目的、技术方案及有益效果更加清楚明白，W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W解释本发 明，并不用于限定本发明。
[0024] 需要说明的是，本发明实施例所应用的大数据技术与现有技术相同，在此不再寶 述。
[0025] 图1示例性示出了本发明实施例提供的一种基于大数据的路段旅行时间计算方法 流程图，如图1所示，该方法可包括：
[0026] S101、从大数据平台获取第m周期内通过第i路段的每辆车辆所花费的单车时间。
[0027] S102、根据各车辆的单车时间，确定i路段在第m周期内的初步旅行时间值。
[0028] S103、根据各车辆的单车时间和i路段在第m周期内的初步旅行时间值，确定异常 车辆。
[0029] S104、根据排除异常车辆后的车辆的单车时间，确定i路段在第m周期的路段旅行 时间值。
[0030] 其中，m为正整数。
[0031] 在上述步骤S101中，首先可通过电子警察、交通卡口、电子车牌、RFID(Radio 化equency Identification，无线射频识别）等设备采集第m周期内通过i路段的车牌数据， 然后对获取的车牌数据进行预处理、车牌数据标准化、剔除错误数据、剔除超限数据后可计 算出第m周期内通过i路段的每辆车辆所花费的单车时间。
[0032] 在具体实施时，可根据交通规则对错误数据、超限数据进行剔除。例如，可W根据 按正常交通习惯进入统计路段为原则，屏蔽掉在非正常交通习惯下进入统计路段的车辆的 单车时间。例如，W正交十字路口为例，对向道路可使用直行车道的过车数据，而针对左转 进入统计路段的车辆，则选取道路标线指明左转车道的过车数据，针对右转进入统计路段 的车辆，若车辆在右转进入统计路段上游路口时如果含有右转灯控，则选取右转车道的过 车数据。
[0033] 由于车辆的速度值应处在一个合理的行程速度区间范围内，因此在根据交通规则 对错误数据、超限数据进行剔除时，还可根据车辆的速度值对错误数据、超限数据进行剔 除。例如，W城市道路作为分析对象，假设默认的城市路段行程速度范围为[5km/h，80km/ h]，则对应的车辆的合理的行驶速度的可行区间为[L/80km/h，L/5km/h]。对于高速路，行程 速度较通常的城市道路高，原理一样，仅仅是取值不同而已，运里不再寶述。
[0034] 若旅行时间低于L/80km/h时，且该类数据在总样本量中占比低于20%时，则被视 为异常数据予W清除。
[0035] 若采集到的旅行时间大于L/5km/h时，且该类数据在总样本量中占比低于20%时， 则被视为异常数据予W清除。
[0036] 通过剔除超限数据，可W比较好的屏蔽掉过大或过小等孤立数据，为后续的统计 分析提供数据质量保证。
[0037] 在获取第m周期内通过i路段的每辆车辆所花费的单车时间后，可根据下列公式一 确定i路段在m周期内的初步旅行时间值。
[003引
（公.或一）
[0039] 在上述公式一中，wk为回归系数;η为在第m周期内经过i路段的车辆总数;Tik为第 k辆车辆在第m周期内经过i路段所花费的时间;T1为i路段在第m周期内的初步旅行时间值。
[0040] 优选的，Qk的值可W为1/n，也可W为l/(n-2)，当然也可W是其它的参数，本发明 实施例对Wk的取值范围不进行任何限定。
[0041] 在根据上述公式一确定第i路段在m周期内的初步旅行时间值后，
[0042] 可进一步根据下列公式二确定排除系数，
[0043]
(公式二）
[0044] 在上述公式二中，0为排除系数;η为第m周期内经过i路段的车辆的总数;Tik为第k 辆车辆在第m周期内经过i路段所花费的时间;T1为i路段在第m周期内的初步旅行时间值。
[0045] 在根据上述公式二计算出排除系数后，可根据下列公式Ξ确定异常车辆。
[0046] |Tik-Tl|>3。（公式 Ξ)
[0047] 在上述公式Ξ中，0为排除系数;Tik为第i辆车辆在第m周期内经过i路段所花费的 时间;τι为i路段在第m周期内的初步旅行时间值。
[0048] 在具体实施时，可将在第m周期采集到的单车时间与所述初步旅行时间值之间的 差值的绝对值大于3倍排除系数的车辆的单车时间排除掉，也可W将可将在第m周期采集到 的单车时间与所述初步旅行时间值之间的差值的绝对值大于2倍排除系数的车辆的单车时 间排除掉，还可W直接将在第m周期采集到的单车时间与所述初步旅行时间值之间的差值 的绝对值大于排除系数的车辆的单车时间排除掉，即在具体实施时，上述公式Ξ可灵活的 应用，可对上述公式Ξ进行各种变形，然后根据变形后的公式排除异常车辆的单车时间，从 而可为后续的统计分析提供数据质量保证。
[0049] 优选的，在根据上述公式Ξ排除异常车辆的单车时间后，还可统计第m周期内车辆 的单车时间小于所述初步旅行时间值的车辆的单车时间，并根据统计得到的所有小于所述 初步旅行时间值的车辆的单车时间确定i路段在第m周期内的正常旅行时间值。
[0050] 优选的，还可根据上述路段旅行时间值与上述正常旅行时间值之间的差值的绝对 值，确定拥堵级别。
[0051] 例如，在具体实施时，当i路段的路段旅行时间值与正常旅行时间值之间的差值的 绝对值大于第一阔值时，可给出黄色预警;而当i路段的路段旅行时间值与正常旅行时间值 之间的差值的绝对值大于第二阔值时，可给出澄色预警。其中，第一阔值大于第二阔值。
[0052] 在具体实施时，还可W根据上述路段旅行时间值与上述正常旅行时间值之间的差 值的绝对值，简单的确定道路是否拥堵。例如，当i路段的路段旅行时间值与正常旅行时间 值之间的差值的绝对值的值越大表示道路越拥堵，当i路段的路段旅行时间值与正常旅行 时间值之间的差值的绝对值的值越小表示道路越杨通。
[0053] 优选的，在确定i路段在第m周期的路段旅行时间值后，还可将其进行保存至历史 数据库中，W供后续对缺失的数据进行补偿。
[0054] 在确定i路段在第m周期的路段旅行时间值后，除了将其进行保存至历史数据库 中，还可将计算得到的i路段在第m周期的路段旅行时间值通过微博、微信、网站、移动客户 端、诱导屏等方式进行发布，因此可提供实时交通信息服务，从而为交通管理者进行交通组 织优化、拥堵治理提供决策依据。
[0055] 优选的，当i路段在第m周期内经过的车辆数量小于阔值，则判定为i路段在第m周 期内缺失数据。例如，在非低峰时段当检测到经过i路段在第m周期内经过的车辆数量小于5 时，则可判定为数据缺失，运种情况下的数据缺失有可能属于设备异常、路口堵塞情况所导 致的。
[0056] 在高峰时段，若i路段在第m周期前的连续P个周期均判定为数据缺失，则根据公式 四对第m周期的数据进行补偿。其中，P含4且P为正整数。
[0057] HTi(r)=aTie(r) + (l-a)HT 广 x(r)(公式四）
[0058] 在公式四中，α为平滑系数;r为历史上在所述i路段上与第m周期相应的周期；Τι6 (r)为历史上所述i路段在第r周期的路段旅行时间值;HTV-x(r)为历史上基于Ti6(r)之前X 天所述i路段在所述第r周期的路段旅行时间值;e为距离第m周期的时间段值。
[0059] 在根据上述公式四对第m周期的数据进行补偿后，还可将根据公式四所计算出的 补偿值进行保存，并将保存的补偿值作为历史值。
[0060] 当i路段在第m周期前的连续P个周期均判定为数据缺失时，由于采用历史同周期 的平滑历史数据对缺失的数据进行补偿，因此具有变化平稳、波动性小的优点。另外，在对 缺失的数据补偿W后将其保存作为历史值，从而还能够很好的描述历史交通状态变化特 性。
[0061] 优选的，若i路段在第m周期前的连续V个周期均被判定为数据缺失，则从未缺失数 据的周期内确定V个距离第m周期最近的路段旅行时间，并根据V个距离第m周期最近的路段 旅行时间的平均值对第m周期缺失的数据进行数据补偿。其中，v<4且V为正整数。
[0062] 需要说明的是，上述公式四中的α可根据经验取0.8,当然也可W取其它的参数值， 本发明实施例对α的取值不进行任何限定。
[0063] 在低峰时段产生数据缺失的情况时，可W根据路段自由流速下对应的路段旅行时 间对缺失的数据进行补偿。在具体实施时，可根据路段的长度与路段的自由流速计算出路 段在自由流速下的对应的路段旅行时间。
[0064] 下面通过一个例子，对上述的方法流程进行详细的解释说明。
[0065] 首先假设i路段的周期长度为5分钟，进一步假设i路段在2016年4月25日下午17: 00-17:05运个周期内，在经过对采集的车牌数据进行预处理、车牌数据标准化、剔除错误 数据、剔除超限数据后共获取到50辆车辆经过i路段时所花费的单车时间，运50辆车辆2016 年4月25日下午17:00-17:05周期内经过1路段时所花费的单车时间分别为1'1、了2、了3、了4、 Τ5、Τ6、Τ7、Τ8、Τ9、Τ10……巧0，进一步假设在该例子中回归系数的取值为1/η，即将回归系 数设置为1/50,则计算i路段在17:00-17:05周期内的路段旅行时间W及在计算出i路段在 17:00-17:05周期内的路段旅行时间后确定i道路拥堵级别的方法，可参见图2。
[0066] S201、获取17:00-17:05周期内通过i路段的50辆车分别花费的单车时间Τ1、Τ2、 Τ3、Τ4、Τ5、Τ6、Τ7、Τ8、Τ9、Τ10……Τ50。
[0067] S202、根据公式五计算得至Iji路段在2016年4月25日下午17:00-17:05周期内的初 步旅行时间值。
[00側
（公式五）
[0069] 在公式五中，Τ1、Τ2、Τ3、Τ4、Τ5……Τ50为i路段在2016年4月25日下午17:00-17: 05周期内，经过对采集的车牌数据进行预处理、车牌数据标准化、剔除错误数据、剔除超限 数据后获取到的50辆车辆经过i路段时分别所花费的单车时间;巧；为1路段在2016年4月25 日下午17:00-17:05周期内的初步旅行时间值。
[0070] S203、根据公式六计算得到排除系数。
[0071] (公式古)
[0072] 在公式六中，050为i路段在2016年4月25日下午17:00-17:05周期内的排除系数； 50为2016年4月25日下午17:00-17:05周期内经过i路段的车辆的总数;Tik为第k辆车辆在 2016年4月25日下午17:00-17:05运个周期内经过i路段所花费的单车时间；5为1路段在 2016年4月25日下午17:00-17:05周期内的初步旅行时间值。
[0073] S204、根据公式屯排除异常车辆的单车时间。
[0074]
(公式本）
[00巧]在公式屯中，σ为排除系数;Tik为第k辆车辆在2016年4月25日下午17:00-17:05周 期内经过i路段所花费的时间；化路段在2016年4月25日下午17:00-17:05周期内的初 步旅行时间值。
[0076] 进一步假设根据上述公式六巧巧>3σ确定异常车辆的数量为5辆，并进一步 假设在2016年4月25日下午17:00-17:05运个周期内第1辆车辆至第5辆车辆在i路段上所 花费的单车时间了1、了2、了3、了4、了5为异常数据。因此在计算2016年4月25日下午17:00-17: 05周期的路段旅行时间时，为了增加准确性，不使用异常车辆的单车时间T1、T2、T3、T4、T5， 即在计算2016年4月25日下午17:00-17:05周期路段旅行时间时，只使用剩下的45个数据。
[0077] S205、根据公式八计算2016年4月25日下午17:00-17:05周期内的路段旅行时间。
[007引
（公式八）
[00巧]在公式八中，Τ6、Τ7、Τ8、Τ9、Τ10……Τ50为i路段在2016年4月25日下午17:00-17: 05周期内，经过根据排除系数排除异常车辆的单车时间后获取到的剩下的45辆车辆经过i 路段时所分别花费的单车时间；?7为2016年4月25日下午17:00-17:05周期内的路段旅行 时间。
[0080] 进一步假设在剩下的45辆车辆的单车时间数据中，只有20辆车辆的单车时间数据 小于i路段在2016年4月25日下午17:00-17:05周期内的路段旅行时间Τ?，并进一步假设 Τ30、Τ31、Τ32、Τ33、Τ34……Τ50即从Τ30至Τ50运20辆车辆的单车时间数据小于i路段在2016 年4月25日下午17 :00-17 :05周期内的路段旅行时间巧，也就是说在2016年4月25日下午 17 :00-17:05周期内第30辆车辆至第50辆车辆在i路段上所花费的单车时间小于i路段在 2016年4月25日下午17:00-17:05运个周期内的路段旅行时间。
[0081] S206、根据公式九计算i路段在2016年4月25日下午17:00-17:05周期内的正常旅 行时间。
[0082]
(公式九）
[0083] 在公式九中，^为i路段在2016年4月25日下午17:00-17:05周期内的正常旅行 时间；Τ30、Τ31、Τ32、Τ33、Τ34……Τ50为在2016年4月25日下午17 :00-17:05周期内第30辆 车辆至第50辆车辆在i路段上所花费的单车时间。
[0084] S207、将i路段在2016年4月25日下午17:00-17:05周期内的路段旅行时间与正常 旅行时间进行比较，确定拥堵级别。
[0085] 在具体实施时，可将i路段在2016年4月25日下午17:00-17:05周期内的路段旅行 时间与正常旅行时间求差值，根据i路段在2016年4月25日下午17:00-17:05周期内的路段 旅行时间与正常旅行时间之间差值的绝对值给出拥堵级别。例如，当i路段在2016年4月25 日下午17:00-17:05周期内的路段旅行时间与正常旅行时间之间差值的绝对值越大时，表 示i路段在2016年4月25日下午17:00-17:05周期内越拥堵；当i路段在2016年4月25日下午 17:00-17:05周期内的路段旅行时间与正常旅行时间之间差值的绝对值越小时，表示i路 段在2016年4月25日下午17:00-17:05周期内越杨通。
[0086] 基于上述举例的基础上，进一步通过举例对缺失数据的情况进行详细的解释说 明。
[0087]继续假设i路段在2016年4月25 日下午 16:45-16:50、16: 50-16:55、16: 55-17: 00、17:00-17:05运四个周期内被判定为缺失数据，且缺失数据的周期数满足通过公式四 补偿的条件，进一步假设公式四中的时间段值为1天、平滑系数α值为〇.8、x取值7天后，则可 根据公式十对16:45-16:50周期的缺失数据进行补偿。
[008引 HTi(r)=0.8Tie(r)+0.2HT 广 7(r)(公式十）
[0089] 在公式十中，0.8为平滑系数;r为i路段与2016年04月25日16:45-16:50周期相应 的周期，即r为i路段在2016年04月24日16:45-16: 50运个周期；Ti6(r)为2016年04月24日 16:45-16: 50周期的路段旅行时间值;HTie-7(r)2016年04月24日16:45-16:50周期之前7 天所述i路段在所述第r周期的路段旅行时间值，即HTi6^7(r)i路段在2016年04月17日16: 45-16:50周期路段旅行时间值。
[0090] 同理，对16:50-16:55周期、16:55-17:00周期W及17 :00-17:05周期的缺失数 据补偿的方法与对16:45-16:50周期的缺失数据补偿的方法相同，在此不再寶述。
[0091] 在具体实施时，如果i路段仅仅在2016年4月25日下午16:45-16:50、16: 50-16: 55、16: 55-17:00运Ξ个周期内被判定为数据缺失，因此缺失数据的周期数不满足通过公 式四补偿的条件，进一步假设2016年4月25日下午16:30-16: 35、16:35-16 :40、16:40- 16:45运Ξ个周期内的路段旅行时间数据未缺失，则可将2016年4月25日下午16:30-16: 35、16:35-16:40、16:40-16:45运Ξ个周期的路段旅行时间进行求均值运算，并根据求均 值运算后的结果对2016年4月25日下午16:45-16:50、16:50-16:55、16:55-17:00运Ξ个 周期内缺失的数据进行补偿。
[0092] 在具体实施时，如果i路段仅仅在2016年4月25日下午16:50-16:55、16: 55-17: 00运两个周期内被判定为数据缺失，因此缺失数据的周期数不满足通过公式四补偿的条 件，进一步假设2016年4月25日下午16:40-16:45、16:45-16:50运两个周期内的路段旅行 时间数据未缺失，则可将2016年4月25日下午16:40-16:45、16:45-16:50运两个周期的路 段旅行时间进行求均值运算，并根据求均值运算后的结果对2016年4月25日下午16:50- 16:55和16:55-17:00运两个周期内缺失的数据进行补偿。
[0093] 在具体实施时，如果i路段仅仅在2016年4月25日下午16:55-17:00运一个周期内 被判定为数据缺失，因此缺失数据的周期数不满足通过公式四补偿的条件，进一步假设 2016年4月25日下午16: 50-16:55运一个周期内的路段旅行时间数据未缺失，则可根据 2016年4月25日下午16:50-16:55运个周期的路段旅行时间对2016年4月25日下午16:40- 16:45运一个周期内缺失的数据进行补偿。
[0094] 需要说明的是，无论是道路处于高峰期还是低峰期，当道路处于大样本量时，均可 采用上述方法进行计算道路的路段旅行时间，并结合路段旅行时间确定拥堵级别，然而当 采集的数据出现孤立点时，可根据道路自由流速下对应的路段旅行时间对缺失的数据进行 补偿。在具体实施时，可根据路段的长度与路段的自由流速计算出路段在自由流速下的对 应的路段旅行时间。
[00M]从上述内容可W看出，由于在获取第m周期内通过i路段的每辆车辆所花费的单车 时间后，根据各车辆的单车时间，确定i路段在第m周期内的初步旅行时间值，需要进一步根 据各车辆的单车时间和初步旅行时间值，确定异常车辆，最后根据排除异常车辆后的车辆 的单车时间，确定i路段在所述第m周期的路段旅行时间值，因此能够保证数据的质量，从而 能够实现根据采集的交通流信息，基于大数据技术快速准确的计算出路段旅行时间。
[0096] 另外，在计算出路段旅行时间后还可将其进行保存至历史数据库中，W供后续对 历史时间段内路段旅行时间的变化情况进行统计分析，通过对历史数据的统计分析，获取 旅行时间特征及其变换规律，为交通管理者进行交通组织优化、拥堵治理提供决策依据，同 时还可根据历史数据和当前路况，给出拥堵预警，提醒交通管理者及时采取相应措施，从而 确保道路的杨通运行。此外，还可根据统计出的历史时间段内路段旅行时间的变化情况，综 合对比同周期历史数据与当前数据，为信号配时、交通组织优化提供决策依据。
[0097] 基于相同构思，本发明实施例提供还提供一种基于大数据的路段旅行时间计算装 置。
[0098] 图3示例性示出了本发明实施提供的路段旅行时间计算装置的结构示意图。如图3 所示，该装置可包括:获取模块301和确定模块302。
[0099] 获取模块301，用于从大数据平台获取第m周期内通过i路段的每辆车辆所花费的 单车时间；
[0100] 确定模块302,用于根据各车辆的单车时间，确定所述i路段在所述第m周期内的初 步旅行时间值；
[0101] 根据各车辆的单车时间和所述初步旅行时间值，确定异常车辆；
[0102] 根据排除异常车辆后的车辆的单车时间，确定所述i路段在所述第m周期的路段旅 行时间值;m为正整数。
[0103] 较佳的确定模块302具体用于：
[0104] 根据公式
巧定所述r路段在所述第m周期内的初步旅行时间值；
[0105] 其中，wk为回归系数;η为在所述第m周期内经过所述r路段的车辆总数;Tik为第k 辆车辆在所述第m周期内经过所述i路段所花费的时间;T1为所述i路段在所述第m周期内的 初步旅行时间值。
[0106] 较佳的确定模块302具体用于：
[0107] 根据公式(1 )，确定排除系数；
[0108] 根据公式(2)，确定异常车辆;其中：
[0109] 公式
其中，0为所述i路段在第m周期内的排除系数;η为所 述第m周期内经过所述i路段的车辆的总数;Tik为第k辆车辆在所述第m周期内经过所述i路 段所花费的时间;T1为所述i路段在所述第m周期内的初步旅行时间值；
[0110] 公式(2)|Tik-Tl|>3〇;其中，0为排除系数;Tik为第k辆车辆在所述第m周期内经过 所述i路段所花费的时间;T1为所述i路段在所述第m周期内的初步旅行时间值。
[0111] 较佳的确定模块302还用于：
[0112] 统计在所述第m周期内车辆的单车时间小于所述初步旅行时间值的车辆的单车时 间，根据统计得到的所有小于所述初步旅行时间值的车辆的单车时间确定所述i路段在所 述第m周期内的正常旅行时间值；
[0113] 根据所述路段旅行时间值与所述正常旅行时间值之间的差值的绝对值，确定拥堵 级别。
[0114] 较佳的还包括:数据补偿模块(图中未示出）；
[0115] 所述数据补偿模块用于在所述i路段在所述第m周期内经过的车辆数量小于阔值 时，判定为所述i路段在所述第m周期内缺失数据；
[0116] 若所述i路段在所述第m周期前的连续P个周期均判定为数据缺失，则根据公式(3) 对第m周期的数据进行补偿；
[0117] 公式(3)HTi(r)=aTie(r) + (l-a)HTie-x(r);其中，α为平滑系数;r为历史上在所述i 路段上与第m周期相应的周期；Ti6(r)为历史上所述i路段在第r周期的路段旅行时间值； 化)为历史上基于Τι6化)之前X天所述i路段在所述第r周期的路段旅行时间值;e为距 离第m周期的时间段值。
[0118] 较佳的，所述数据补偿模块还用于：
[0119] 若所述i路段在所述第m周期前的连续V个周期均被判定为数据缺失，则从未缺失 数据的周期内确定V个距离所述第m周期最近的路段旅行时间；
[0120] 根据所述V个距离所述第m周期最近的路段旅行时间的平均值对所述第m周期缺失 的数据进行数据补偿;v<4且V为正整数。
[0121] 根据W上内容可W看出，由于在获取第m周期内通过i路段的每辆车辆所花费的单 车时间后，根据各车辆的单车时间，确定i路段在第m周期内的初步旅行时间值，需要进一步 根据各车辆的单车时间和初步旅行时间值，确定异常车辆，最后根据排除异常车辆后的车 辆的单车时间，确定i路段在所述第m周期的路段旅行时间值，因此能够保证数据的质量，从 而能够实现根据采集的交通流信息，基于大数据技术快速准确的计算出路段旅行时间。
[0122] 另外，在计算出路段的计算出路段旅行时间后还可将其进行保存至历史数据库 中，W供后续历史时间段内路段旅行时间的变化情况进行统计分析，通过对历史数据的统 计分析，获取旅行时间特征及其变换规律，为交通管理者进行交通组织优化、拥堵治理提供 决策依据，同时还可根据历史数据和当前路况，给出拥堵预警，提醒交通管理者及时采取相 应措施，从而确保道路的杨通运行。此外，还可根据统计出的历史时间段内路段旅行时间的 变化情况，综合对比同周期历史数据与当前数据，为信号配时、交通组织优化提供决策依 据。
[0123] 本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。 因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的 形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存 储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形 式。
[0124] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流 程和/或方框、W及流程图和/或方框图中的流程和/或方框的结合。可提供运些计算机程序 指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器W产 生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实 现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0125] 运些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备W特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0126] 运些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤W产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一 个方框或多个方框中指定的功能的步骤。
[0127] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造 性概念，则可对运些实施例作出另外的变更和修改。所W，所附权利要求意欲解释为包括优 选实施例W及落入本发明范围的所有变更和修改。
[0128] 显然，本领域的技术人员可W对本发明进行各种改动和变型而不脱离本发明的精 神和范围。运样，倘若本发明的运些修改和变型属于本发明权利要求及其等同技术的范围 之内，则本发明也意图包含运些改动和变型在内。
【主权项】
1. 一种基于大数据的路段旅行时间计算方法，其特征在于，包括： 从大数据平台获取第m周期内通过i路段的每辆车辆所花费的单车时间； 根据各车辆的单车时间，确定所述i路段在所述第m周期内的初步旅行时间值； 根据各车辆的单车时间和所述初步旅行时间值，确定异常车辆； 根据排除异常车辆后的车辆的单车时间，确定所述i路段在所述第m周期的路段旅行时 间值;m为正整数。2. 如权利要求1所述的方法，其特征在于，所述根据各车辆的单车时间，确定所述i路段 在所述第m周期内的初步旅行时间值，包括：确定所述r路段在所述第m周期内的初步旅行时间值； 其中，cok为回归系数;n为在所述第m周期内经过所述r路段的车辆总数;Tj为第k辆车 辆在所述第m周期内经过所述i路段所花费的时间；T1为所述i路段在所述第m周期内的初步 旅行时间值。3. 如权利要求1所述的方法，其特征在于，所述根据各车辆的单车时间和所述初步旅行 时间值，确定异常车辆，包括： 根据公式(1 )，确定排除系数； 根据公式(2)，确定异常车辆;其中：其中，σ为所述i路段在第m周期内的排除系数;η为所述第 m周期内经过所述i路段的车辆的总数;Tj为第k辆车辆在所述第m周期内经过所述i路段所 花费的时间;T1为所述i路段在所述第m周期内的初步旅行时间值； 公式⑵其中，〇为排除系数;Tj为第k辆车辆在所述第m周期内经过所述i 路段所花费的时间;T1为所述i路段在所述第m周期内的初步旅行时间值。4. 如权利要求1至3任一项所述的方法，其特征在于，还包括： 统计在所述第m周期内车辆的单车时间小于所述初步旅行时间值的车辆的单车时间， 根据统计得到的所有小于所述初步旅行时间值的车辆的单车时间确定所述i路段在所述第 m周期内的正常旅行时间值； 根据所述路段旅行时间值与所述正常旅行时间值之间的差值的绝对值，确定拥堵级 别。5. 如权利要求1至3任一项所述的方法，其特征在于，还包括： 当所述i路段在所述第m周期内经过的车辆数量小于阈值，则判定为所述i路段在所述 第m周期内缺失数据； 若所述i路段在所述第m周期前的连续p个周期均判定为数据缺失，则根据公式(3)对第 m周期的数据进行补偿;p 2 4且p为正整数； 公式U^I^r^aTArMl-cOHT广x(r);其中，α为平滑系数;r为历史上在所述i路段 上与第m周期相应的周期;iWr)为历史上所述i路段在第r周期的路段旅行时间值;HlV^x (k)为历史上基于iWk)之前X天所述i路段在所述第r周期的路段旅行时间值;e为距离第m 周期的时间段值。6. 如权利要求1所述的方法，其特征在于，还包括： 当所述i路段在所述第m周期内经过的车辆数量小于阈值，则判定为所述i路段在所述 第m周期内缺失数据； 若所述i路段在所述第m周期前的连续v个周期均被判定为数据缺失，则从未缺失数据 的周期内确定v个距离所述第m周期最近的路段旅行时间； 根据所述v个距离所述第m周期最近的路段旅行时间的平均值对所述第m周期缺失的数 据进行数据补偿;v<4且v为正整数。7. -种基于大数据的路段旅行时间计算装置，其特征在于，包括： 获取模块，用于从大数据平台获取第m周期内通过i路段的每辆车辆所花费的单车时 间； 确定模块，用于根据各车辆的单车时间，确定所述i路段在所述第m周期内的初步旅行 时间值； 根据各车辆的单车时间和所述初步旅行时间值，确定异常车辆； 根据排除异常车辆后的车辆的单车时间，确定所述i路段在所述第m周期的路段旅行时 间值;m为正整数。8. 如权利要求7所述的装置，其特征在于，所述确定模块具体用于：确定所述r路段在所述第m周期内的初步旅行时间值； 其中，cok为回归系数;n为在所述第m周期内经过所述r路段的车辆总数;Tj为第k辆车 辆在所述第m周期内经过所述i路段所花费的时间；T1为所述i路段在所述第m周期内的初步 旅行时间值。9. 如权利要求7所述的装置，其特征在于，所述确定模块具体用于： 根据公式(1 )，确定排除系数； 根据公式(2)，确定异常车辆;其中：其中，σ为所述i路段在第m周期内的排除系数;η为所述第 m周期内经过所述i路段的车辆的总数;Tj为第k辆车辆在所述第m周期内经过所述i路段所 花费的时间;T1为所述i路段在所述第m周期内的初步旅行时间值； 公式⑵其中，〇为排除系数;Tj为第k辆车辆在所述第m周期内经过所述i 路段所花费的时间;T1为所述i路段在所述第m周期内的初步旅行时间值。10. 如权利要求7至9任一项所述的装置，其特征在于，所述确定模块还用于： 统计在所述第m周期内车辆的单车时间小于所述初步旅行时间值的车辆的单车时间， 根据统计得到的所有小于所述初步旅行时间值的车辆的单车时间确定所述i路段在所述第 m周期内的正常旅行时间值； 根据所述路段旅行时间值与所述正常旅行时间值之间的差值的绝对值，确定拥堵级 别。11. 如权利要求7至9任一项所述的装置，其特征在于，还包括:数据补偿模块； 所述数据补偿模块用于在所述i路段在所述第m周期内经过的车辆数量小于阈值时，判 定为所述i路段在所述第m周期内缺失数据； 若所述i路段在所述第m周期前的连续p个周期均判定为数据缺失，则根据公式(3)对第 m周期的数据进行补偿； 公式U^I^r^aTArMl-cOHT广x(r);其中，α为平滑系数;r为历史上在所述i路段 上与第m周期相应的周期;iWr)为历史上所述i路段在第r周期的路段旅行时间值;HlV^x (k)为历史上基于iWk)之前X天所述i路段在所述第r周期的路段旅行时间值;e为距离第m 周期的时间段值。12.如权利要求7所述的装置，其特征在于，所述数据补偿模块还用于： 当所述i路段在所述第m周期内经过的车辆数量小于阈值时，判定为所述i路段在所述 第m周期内缺失数据； 若所述i路段在所述第m周期前的连续v个周期均被判定为数据缺失，则从未缺失数据 的周期内确定v个距离所述第m周期最近的路段旅行时间； 将所述v个距离所述第m周期最近的路段旅行时间的平均值对所述第m周期缺失的数据 进行数据补偿;v<4且v为正整数。
【文档编号】G08G1/01GK105825675SQ201610326378
【公开日】2016年8月3日
【申请日】2016年5月17日
【发明人】吕建辉, 王栋梁, 徐辉锋
【申请人】青岛海信网络科技股份有限公司