一种路段交通状态确定方法及装置与流程

本发明涉及智能交通领域，具体涉及一种路段交通状态确定方法及装置。

背景技术：

随着智能交通系统技术的飞速发展，越来越多的城市建立了先进的交通信息服务系统。通过数据采集系统获取实时交通数据并经过综合处理，交通信息服务系统可用于预测交通流，并借助网络、广播、手机、可变信息板或车载导航装置等发布实时路况信息，以结合交通信息为出行者规划最优路径。此外，交通信息可为交管部门提供交通控制与管理的依据，为道路规划部门合理规划道路设施提供参考依据，达到缓解交通拥堵、节能减排的目的。

信号灯、出入口、收费站等特殊路段对交通状态的影响与普通道路存在很大差异。例如有交通信号灯的路口，车辆遇到红灯时，即使道路畅通，车辆仍然需要停车等待，如果处理系统不做任何处理，会将畅通时等待信号灯的路况错误地判定为拥堵，导致错误的交通状态，因此，信号灯影响范围内的交通状态需要特殊处理。

公开号为CN102280031A(2011.12.14)的专利提出一种基于浮动车数据的路口交通状态识别方法，该方法基于路口交通信号控制周期时长，根据设定的阈值进行预测和判断交通状态。由于信号灯控制周期时长并非固定不变，例如交通警察会根据实际的交通状态更改信号灯控制周期时长，或者感应式信号灯会自动根据交通流量调节信号灯控制周期时长。因此基于信号灯控制周期时长的路口交通状态识别方法实施起来很难固定信号灯控制周期时长，在实际应用中很难实现。

公开号为CN101593431(2009.12.02)的专利申请提出一种自动调控路口车辆交通状态的方法，其根据当前路口较长连续车辆队列、各车辆之间的距离小于设定的合理行驶距离、并且处于停止状态或者行驶速度小于设定的合理行驶速度，来判定该车道拥堵。然而，仅利用行驶速度小于预设阈值，而不考虑其他因素例如时间等，来判定道路拥堵情况，是不合理的。

公开号为CN101470956(2009.07.01)的专利申请提出一种采用地感线圈检测路口拥堵状态的简易方法及采用这种方法的交通信号灯控制系统。该方法在路口内和/或路口边缘附近的道路上埋设多个地感线圈，检测车辆数是否超过拥堵的数量标准，并且当持续时间达到或超过认定拥堵的时间标准时，则判定路口拥堵。然而，在道路上埋设多个地感线圈不仅投入成本高，而且会不可避免地对地面造成破坏。该方法不具有实用前景。

因此，如何准确地确定目标路段的交通状态，进而解决目标路段拥堵误报问题，具有十分重要的意义。

技术实现要素：

针对现有技术中的缺陷，本发明实施例提供一种路段交通状态确定方法及装置。

一方面，本发明实施例提出一种路段交通状态确定方法，包括：

根据预设的交通状态等级，对目标路段的交通历史数据样本进行交通状态评级；

获取经交通状态评级后，各交通状态等级对应的交通历史数据样本中各预设的特征参数；

根据各所述预设的特征参数及其对应的交通状态等级，获取所述预设的特征参数与交通状态等级的对应关系；

获取目标路段当前各预设的特征参数，并根据所述预设的特征参数与交通状态等级的对应关系，获取目标路段当前的交通状态等级；

其中，所述预设的特征参数用于表示车辆的行驶状态，所述预设的特征参数包括：单位时间内车辆的停车次数、停车和低速行驶时长、停车和低速行驶距离。

本发明实施例提出的路段交通状态确定方法，由于根据目标路段的历史交通状态数据，生成预设的特征参数与交通状态的对应关系，因此，该对应关系具有极高的准确性与代表性。之后，再通过收集目标路段当前的预设的特征参数，并根据求得的对应关系获取目标路段当前的交通状态，因此，该获取到的交通状态具有极高的准确性。

另一方面，本发明实施例还提出一种路段交通状态确定装置，其特征在于，包括：

状态评级模块，用于根据预设的交通状态等级，对目标路段的交通历史数据样本进行交通状态评级；

参数获取模块，用于获取经交通状态评级后，各交通状态等级对应的交通历史数据样本中各预设的特征参数；

关系确定模块，用于根据各所述预设的特征参数及其对应的交通状态等级，获取所述预设的特征参数与交通状态等级的对应关系；

状态确定模块，用于获取目标路段当前各预设的特征参数，并根据所述预设的特征参数与交通状态等级的对应关系，获取目标路段当前的交通状态等级；

其中，所述预设的特征参数用于表示车辆的行驶状态，所述预设的特征参数包括：单位时间内车辆的停车次数、停车和低速行驶时长、停车和低速行驶距离。

本发明实施例提出的路段交通状态确定装置，由于根据目标路段的历史交通状态数据，生成预设的特征参数与交通状态的对应关系，因此，该对应关系具有极高的准确性与代表性。之后，再通过收集目标路段当前的预设的特征参数，并根据求得的对应关系获取目标路段当前的交通状态，因此，该获取到的交通状态具有极高的准确性。

附图说明

图1为本发明路段交通状态确定方法实施例的流程示意图；

图2为本发明路段交通状态确定装置实施例的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明路段交通状态确定方法实施例的流程示意图，参看图1，本实施例公开一种路段交通状态确定方法，包括：

S1、根据预设的交通状态等级，对目标路段的交通历史数据样本进行交通状态评级；

S2、获取经交通状态评级后，各交通状态等级对应的交通历史数据样本中各预设的特征参数；

S3、根据各所述预设的特征参数及其对应的交通状态等级，获取所述预设的特征参数与交通状态等级的对应关系；

S4、获取目标路段当前各预设的特征参数，并根据所述预设的特征参数与交通状态等级的对应关系，获取目标路段当前的交通状态等级；

其中，所述预设的特征参数用于表示车辆的行驶状态，所述预设的特征参数包括：单位时间内车辆的停车次数、停车和低速行驶时长、停车和低速行驶距离。

本发明实施例提出的路段交通状态确定方法，由于根据目标路段的历史交通状态数据，生成预设的特征参数与交通状态的对应关系，因此，该对应关系具有极高的准确性与代表性。之后，再通过收集目标路段当前的预设的特征参数，并根据求得的对应关系获取目标路段当前的交通状态，因此，该获取到的交通状态具有极高的准确性。

需要说明的是，本方法实施例的执行主体为计算机。

具体地，在步骤S1中，所述预设的交通状态等级可设置成3个：畅通、缓慢、拥堵。若进一步细分，还可将交通状态划分为4个等级：畅通、缓慢、较拥堵、严重拥堵。可以理解的是，交通状态的等级可以根据实际需要进行划分，本发明实施例对此不作限定。

所述目标路段的交通历史数据样本可以为目标路段预设时间范围内的交通数据。

例如，可以是目标路段当前时刻前2个月内，各个时刻的交通历史数据，也可以是目标路段当前时刻前2个月内，特定时间段的交通历史数据，例如早高峰时间段7：00-9：00，以及晚高峰时间段18:00-20:00的交通历史数据。当然，所述目标路段的交通历史数据样本可以根据实际需要进行调整，本实施例对此不作限定。

所述对目标路段的交通历史数据样本进行交通状态评级可包括：通过调取目标路段的影像监控装置所记录的影像资料，并结合预设的交通状态等级，对目标路段的交通历史数据样本进行交通状态评级。

在步骤S2中，在完成对交通历史数据样本的交通状态评级后，各交通状态等级则会有至少部分交通历史数据样本与之对应。

例如，在目标路段当前时刻前2个月内的某天早上7：00-7：10，目标路段的交通状态为缓慢，则该时间段的交通数据样本为缓慢等级对应的部分交通历史数据样本之一。

进一步地，在确定各交通状态等级对应的交通历史数据样本后，则获取所述交通历史数据样本中各预设的特征参数。

所述预设的特征参数包括：单位时间内该车辆的停车次数、停车和低速行驶时长、停车和低速行驶距离。

其中，所述停车次数指目标路段因拥堵导致该车辆在单位时间内停车的次数，时间短暂(例如低于5秒)或长时间异常停车(例如交通事故)不计入停车次数。

所述停车和低速行驶时长指车辆因拥堵导致该车辆在单位时间内停车和低速行驶的时间长度。通常情况下，拥堵越严重，停车和低速行驶时间越长。

所述停车和低速行驶距离指因拥堵导致的，该车辆在单位时间内进行停车和低速行驶的距离。通常情况下，拥堵越严重、拥堵范围越大，车辆停车和低速行驶距离越长。

可以理解的是，各交通状态等级对应的交通历史数据样本中，对于任一时间段内的任一车辆而言，其预设的特征参数不一定等同于该时间段内任一其他车辆的预设的特征参数，即：各交通状态等级对应有不同的预设的特征参数，各车辆单位时间内的停车次数、停车和低速行驶时长、停车和低速行驶距离不同。

在步骤S3中，所述根据所述预设的特征参数及其对应的交通状态等级，获取所述预设的特征参数与交通状态等级的对应关系包括：

S31、根据预设的区间阈值，将所述预设的特征参数划分为预设个数的数值区间；

具体地，设用ρ表示停车和低速行驶时长t的数值区间，将停车和低速行驶时长划分为M个数值区间，θ₁、θ₂、…、θ_M-1表示停车和低速行驶时长的预设的区间阈值，则：

其中，θ₁＜θ₂＜…＜θ_M-1。

设用σ表示停车次数的数值区间，将停车次数n分为H个数值区间，表示停车次数n的预设的区间阈值，则：

其中，

设用γ表示停车和低速行驶距离d的数值区间，将停车和低速行驶距离分为N个区间，μ₁、μ₂、…、μ_N-1表示停车次数d预设的区间阈值，则：

其中，μ₁＜μ₂＜…＜μ_N-1。

设用表示预设的交通状态等级，则

其中，K为预设的交通状态等级的个数。

S32、通过多项选择模型(Multinomial Logistic)回归分析算法，获取各所述预设的特征参数数值区间的组合对应交通状态等级的概率；

具体地，定义表示车辆的停车和低速行驶时长为ρ、停车次数为σ、停车和低速行驶距离γ的交通状态等级，

将交通状态等级作为参考类别，则其他交通状态等级的多项选择回归模型为：

式中,β₀、β₁、β₂、β₃为模型系数。对于参考类别，模型中的所有系数均为零，即

的概率计算公式为：

用最大概率值对应的交通状态等级表示停车和低速行驶时长为ρ、停车次数为σ、停车和低速行驶距离为γ的数值区间组合对应的交通状态等级具体计算公式为：

每组停车和低速行驶时长、停车次数、停车和低速行驶距离的数值区间组合条件下，均有一个对应的交通状态，所有数值区间组合的交通状态汇总起来即为所述预设的特征参数与交通状态等级的对应关系，其可通过表格形式表现，具体如表1所示：

表1预设的特征参数与交通状态等级对应关系表

在步骤S4中，可获取目标路段当前预设的特征参数，并获取其的各数值区间，即可通过将数值区间的组合与表1对比，获取到目标路段当前的交通状态等级。

具体地，可随机选取目标路段当前时刻预设数量的车辆行驶情况的数据样本，获取该些数据样本的各预设的特征参数，然后取所有预设的特征参数的平均值，即求得单位时间内车辆的平均停车次数、平均停车和低速行驶时长、平均停车和低速行驶距离，并根据该些平均值所属的数值区间的组合，通过与表1对比，获取到目标路段当前的交通状态等级。

可选地，还可获取目标路段当前时刻所有车辆行驶情况的数据样本，并获取该些数据样本的各预设的特征参数，然后根据各车辆预设的特征参数对应的数值区间的组合，获取对应数量的交通状态等级，取该些对应数量的交通状态等级中出现频数最大的交通状态等级，作为目标路段当前时刻的交通状态等级。

图2为本发明路段交通状态确定装置实施例的结构示意图，参看图2，本实施例公开一种路段交通状态确定装置，包括：

状态评级模块1，用于根据预设的交通状态等级，对目标路段的交通历史数据样本进行交通状态评级；

参数获取模块2，用于获取经交通状态评级后，各交通状态等级对应的交通历史数据样本中各预设的特征参数；

关系确定模块3，用于根据各所述预设的特征参数及其对应的交通状态等级，获取所述预设的特征参数与交通状态等级的对应关系；

状态确定模块4，用于获取目标路段当前各预设的特征参数，并根据所述预设的特征参数与交通状态等级的对应关系，获取目标路段当前的交通状态等级；

其中，所述预设的特征参数用于表示车辆的行驶状态，所述预设的特征参数包括：单位时间内车辆的停车次数、停车和低速行驶时长、停车和低速行驶距离。

本发明实施例提出的路段交通状态确定装置，由于根据目标路段的历史交通状态数据，生成预设的特征参数与交通状态的对应关系，因此，该对应关系具有极高的准确性与代表性。之后，再通过收集目标路段当前的预设的特征参数，并根据求得的对应关系获取目标路段当前的交通状态，因此，该获取到的交通状态具有极高的准确性。

具体地，所述预设的交通状态等级可设置成3个：畅通、缓慢、拥堵。若进一步细分，还可将交通状态划分为4个等级：畅通、缓慢、较拥堵、严重拥堵。可以理解的是，交通状态的等级可以根据实际需要进行划分，本发明实施例对此不作限定。

所述目标路段的交通历史数据样本可以为目标路段预设时间范围内的交通数据。

例如，可以是目标路段当前时刻前2个月内，各个时刻的交通历史数据，也可以是目标路段当前时刻前2个月内，特定时间段的交通历史数据，例如早高峰时间段7：00-9：00，以及晚高峰时间段18:00-20:00的交通历史数据。当然，所述目标路段的交通历史数据样本可以根据实际需要进行调整，本实施例对此不作限定。

所述状态评级模块1可具体用于：通过调取目标路段的影像监控装置所记录的影像资料，并结合预设的交通状态等级，对目标路段的交通历史数据样本进行交通状态评级。

在状态评级模块1完成对交通历史数据样本的交通状态评级后，各交通状态等级则会有至少部分交通历史数据样本与之对应。

例如，在目标路段当前时刻前2个月内的某天早上7：00-7：10，目标路段的交通状态为缓慢，则该时间段的交通数据样本为缓慢等级对应的部分交通历史数据样本之一。

进一步地，在确定各交通状态等级对应的交通历史数据样本后，所述参数获取模块2则获取所述交通历史数据样本中各预设的特征参数。

所述预设的特征参数包括：单位时间内该车辆的停车次数、停车和低速行驶时长、停车和低速行驶距离。

其中，所述停车次数指目标路段因拥堵导致该车辆在单位时间内停车的次数，时间短暂(例如低于5秒)或长时间异常停车(例如交通事故)不计入停车次数。

所述停车和低速行驶时长指车辆因拥堵导致该车辆在单位时间内停车和低速行驶的时间长度。通常情况下，拥堵越严重，停车和低速行驶时间越长。

所述停车和低速行驶距离指因拥堵导致的，该车辆在单位时间内进行停车和低速行驶的距离。通常情况下，拥堵越严重、拥堵范围越大，车辆停车和低速行驶距离越长。

可以理解的是，各交通状态等级对应的交通历史数据样本中，对于任一时间段内的任一车辆而言，其预设的特征参数不一定等同于该时间段内任一其他车辆的预设的特征参数，即：各交通状态等级对应有不同的预设的特征参数，各车辆单位时间内的停车次数、停车和低速行驶时长、停车和低速行驶距离不同。

所述关系确定模块3具体用于：

根据预设的区间阈值，将所述预设的特征参数划分为预设个数的数值区间；

具体地，设用ρ表示停车和低速行驶时长t的数值区间，将停车和低速行驶时长划分为M个数值区间，θ₁、θ₂、…、θ_M-1表示停车和低速行驶时长的预设的区间阈值，则：

其中，θ₁＜θ₂＜…＜θ_M-1。

设用σ表示停车次数的数值区间，将停车次数n分为H个数值区间，表示停车次数n的预设的区间阈值，则：

其中，

设用γ表示停车和低速行驶距离d的数值区间，将停车和低速行驶距离分为N个区间，μ₁、μ₂、…、μ_N-1表示停车次数d预设的区间阈值，则：

其中，μ₁＜μ₂＜…＜μ_N-1。

设用表示预设的交通状态等级，则

其中，K为预设的交通状态等级的个数。

所述关系确定模块3还具体用于：通过多项选择模型(Multinomial Logistic)回归分析算法，获取各所述预设的特征参数数值区间的组合对应交通状态等级的概率；

具体地，定义表示车辆的停车和低速行驶时长为ρ、停车次数为σ、停车和低速行驶距离γ的交通状态等级，

将交通状态等级作为参考类别，则其他交通状态等级的多项选择回归模型为：

式中,β₀、β₁、β₂、β₃为模型系数。对于参考类别，模型中的所有系数均为零，即

的概率计算公式为：

用最大概率值对应的交通状态等级表示停车和低速行驶时长为ρ、停车次数为σ、停车和低速行驶距离为γ的数值区间组合对应的交通状态等级具体计算公式为：

每组停车和低速行驶时长、停车次数、停车和低速行驶距离的数值区间组合条件下，均有一个对应的交通状态，所有数值区间组合的交通状态汇总起来即为所述预设的特征参数与交通状态等级的对应关系，其可通过表格形式表现，具体如表1所示：

表1预设的特征参数与交通状态等级对应关系表

所述状态确定模块4可获取目标路段当前预设的特征参数，并获取其的各数值区间，再通过将数值区间的组合与表1对比，获取到目标路段当前的交通状态等级。

具体地，所述状态确定模块4可随机选取目标路段当前时刻预设数量的车辆行驶情况的数据样本，获取该些数据样本的各预设的特征参数，然后取所有预设的特征参数的平均值，即求得单位时间内车辆的平均停车次数、平均停车和低速行驶时长、平均停车和低速行驶距离，并根据该些平均值所属的数值区间的组合，通过与表1对比，获取到目标路段当前的交通状态等级。

可选地，所述状态确定模块4还可获取目标路段当前时刻所有车辆行驶情况的数据样本，并获取该些数据样本的各预设的特征参数，然后根据各车辆预设的特征参数对应的数值区间的组合，获取对应数量的交通状态等级，取该些对应数量的交通状态等级中出现频数最大的交通状态等级，作为目标路段当前时刻的交通状态等级。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。