基于历史重现率的道路常发拥堵识别方法、装置及设备与流程

本发明涉及道路拥堵识别方法，特别涉及一种基于历史重现率的道路常发拥堵识别方法、装置及设备。

背景技术：

在交通领域来说，由于结构化的原因，例如道路通行能力不足或某些时间断面上的交通出行量大，会形成在固定时间段、固定道路位置频繁发生的拥堵，通常被交通研究者定义为“常发拥堵”。通过长期的持续性监测，正确识别常发拥堵在空间和时间范围上的影响状态，能够为交通管理部门提供研判依据，有利于指挥部门做好处置预案和勤务调度。通过识别常发拥堵的形态，交通规划部门和交通行业管理部门能够以此为依据，优化供给侧通行能力，调剂交通出行需求。

现有技术对拥堵的识别，针对某路段在对拥堵状态划分时，只统计了离散的路段在离散时间点上的拥堵状态，没有从空间连续性和时间连续性上考虑拥堵发生的影响，难以真实的反映出目标区域的常发拥堵状态。

技术实现要素：

本发明实施例提供一种基于历史重现率的道路常发拥堵识别方法、装置及设备，用于解决现有技术难以真实的反映出目标区域的常发拥堵状态的问题。

为了解决上述技术问题，本发明实施例提供了一种基于历史重现率的道路常发拥堵识别方法，包括：

根据预设的第一时间范围和第一道路区域生成拥堵评价区，所述第一道路区域包括有至少一个路段；

针对历史上的每个所述第一时间范围，分别获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间，并根据所述持续时间和路段长度，确定所述拥堵评价区是否处于第一拥堵状态；

根据历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，判断所述拥堵评价区的第一拥堵状态是否为常发拥堵；

其中，获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间的步骤，包括：

通过安装了车载定位装置并在该第一时间范围内行驶在第一道路区域中的目标路段的车辆回传的定位数据，每隔预设周期获取目标路段车辆行驶的速度，并求出所述预设周期内车辆在目标路段行驶的平均速度；

在所述预设周期内车辆在目标路段行驶的平均速度处于第一预设区间内时，判断所述预设周期内目标路段的拥堵状态为第一拥堵状态，并累积该第一时间范围内所述目标路段为第一拥堵状态的时间，得到该第一时间范围内所述第一道路区域中的目标路段处于第一拥堵状态的持续时间。

具体地，所述根据所述持续时间和路段长度，确定所述拥堵评价区是否处于第一拥堵状态的步骤，包括：

计算所述第一道路区域中处于第一拥堵状态的每个路段的长度与该路段在该第一时间范围内处于第一拥堵状态的持续时长的第一乘积，并对所述第一乘积进行累加，得到第一和值；

计算所述第一道路区域的路段的总长度和所述第一时间范围的时长的第二乘积，并计算所述第一和值与第二乘积的比值，得到第一比例；

根据所述第一比例是否大于第一预设门限，则确定所述拥堵评价区是否处于第一拥堵状态。

具体地，所述历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率按照以下方式进行计算：

获取拥堵评价区历史上的多个所述第一时间范围中，拥堵状态为第一拥堵状态的第一时间范围的第一数量；

计算第一数量与第二数量的比值，得到历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，所述第二数量为所述多个所述第一时间范围的数量。

具体地，所述根据历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，判断所述拥堵评价区的第一拥堵状态是否为常发拥堵，包括：

若所述历史重现率大于第二预设门限，则所述拥堵评价区发生的第一拥堵状态的拥堵是常发拥堵；

若所述历史重现率不大于第二预设门限，则所述拥堵评价区发生的第一拥堵状态的拥堵不是常发拥堵。

本发明实施例还提供了一种基于历史重现率的道路常发拥堵识别装置，包括：

生成模块，用于根据预设的第一时间范围和第一道路区域生成拥堵评价区，所述第一道路区域包括有至少一个路段；

确定模块，用于针对历史上的每个所述第一时间范围，分别获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间，并根据所述持续时间和路段长度，确定所述拥堵评价区是否处于第一拥堵状态；

判断模块，用于根据历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，判断所述拥堵评价区的第一拥堵状态是否为常发拥堵；

其中，所述确定模块，还用于按照以下方式，获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间：

通过安装了车载定位装置并在该第一时间范围内行驶在第一道路区域中的目标路段的车辆回传的定位数据，每隔预设周期获取目标路段车辆行驶的速度，并求出所述预设周期内车辆在目标路段行驶的平均速度；

在所述预设周期内车辆在目标路段行驶的平均速度处于第一预设区间内时，判断所述预设周期内目标路段的拥堵状态为第一拥堵状态，并累积该第一时间范围内所述目标路段为第一拥堵状态的时间，得到该第一时间范围内所述第一道路区域中的目标路段处于第一拥堵状态的持续时间。

具体地，所述确定模块，还用于：

计算所述第一道路区域中处于第一拥堵状态的每个路段的长度与该路段在该第一时间范围内处于第一拥堵状态的持续时长的第一乘积，并对所述第一乘积进行累加，得到第一和值；

计算所述第一道路区域的路段的总长度和所述第一时间范围的时长的第二乘积，并计算所述第一和值与第二乘积的比值，得到第一比例；

根据所述第一比例是否大于第一预设门限，则确定所述拥堵评价区是否处于第一拥堵状态。

具体地，所述判断模块，还用于：

获取拥堵评价区历史上的多个所述第一时间范围中，拥堵状态为第一拥堵状态的第一时间范围的第一数量；

计算第一数量与第二数量的比值，得到历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，所述第二数量为所述多个所述第一时间范围的数量。

具体地，所述判断模块，还用于：

当所述历史重现率大于第二预设门限时，判断所述拥堵评价区发生的第一拥堵状态的拥堵是常发拥堵；

当所述历史重现率不大于第二预设门限时，判断所述拥堵评价区发生的第一拥堵状态的拥堵不是常发拥堵。

本发明实施例还提供一种基于历史重现率的道路常发拥堵识别设备，包括：处理器，存储器，所述存储器上存有所述处理器可执行的程序，所述处理器执行所述程序时，实现如上所述的方法的步骤。

本发明的有益效果是：

上述方案的基于历史重现率的道路拥堵常发识别方法，能够排除时间和空间上的限制，对一个路段、多个路段、甚至一个区域内路段在任一个时间组合内的拥堵情况做整体评价。计算原理简单，方便在时间和空间尺度上扩展，且微观和宏观层面能保持一致性。主要阈值参数可以通过实地调查和长期数据积累进行，而不必进行主观假设预设，避免主观先验认识带来的判断误差。以拥堵评价区域为基准识别常发拥堵，同时考虑了时间和空间尺度上拥堵的影响，能够同时兼容多个时间段的集合，也能涵盖一个路段、多个连续路段、多个不连续路段的情况，不是单纯基于零碎的路段和孤立的时间点。常发拥堵的比较仅由于拥堵本身所导致，而不是因为交通环境或者出行者作息变化的影响，能够真实的反映出目标区域的常发拥堵状态。

附图说明

图1表示本发明实施例的基于历史重现率的道路常发拥堵识别方法的步骤示意图；

图2表示本发明实施例的基于历史重现率的道路常发拥堵识别装置的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。

本发明针对现有技术中在处理拥堵时，只统计了离散的路段在离散时间点上的拥堵状态，没有从空间连续性和时间连续性上考虑拥堵发生的影响，无法体现交通流传播的内在规律的问题，提供一种基于历史重现率的道路常发拥堵识别方法、装置及设备。

如图1所示，本发明实施例提供了一种基于历史重现率的道路常发拥堵识别方法，包括：

步骤100，根据预设的第一时间范围和第一道路区域生成拥堵评价区，所述第一道路区域包括有至少一个路段。

其中，所述第一时间范围为连续的时间段，路段指能够供交通参与者行驶的无分叉的曲线，是电子地图中不可分割的最小线单元。

例如，设定北京市长安街东西向的15个路段为第一道路区域，设定19:00-21:00为第一时间范围。

步骤200，针对历史上的每个所述第一时间范围，分别获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间，并根据所述持续时间和路段长度，确定所述拥堵评价区是否处于第一拥堵状态。

本发明实施例可以依据预设的时间周期来确定历史上的第一时间范围。

举例来说，以自然日为周期，在第一时间范围为某个自然日（假设为2019年11月21日）的07:00-09:00以及17:30-18:30时，历史上的第一时间范围则可以是2019年11月21日之前的每个自然日的07:00-09:00以及17:30-18:30。

以星期为周期，在第一时间范围为某个自然日（假设为2019年11月21日，周四）的07:00-09:00以及17:30-18:30时，历史上的第一时间范围则可以是2019年11月21日之前的每个周四的07:00-09:00以及17:30-18:30。

以工作日为周期，在第一时间范围为某个自然日（假设为2019年11月21日，周四、工作日）的17:30-18:30时，历史上的第一时间范围则可以是2019年11月21日之前的每个工作日的17:30-18:30。

本发明实施例并不局限于以上示例，可以根据第一时间范围的时间属性灵活确定历史上的第一时间范围。

这里，获取第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间的步骤，具体可以包括：

通过安装了车载定位装置并在该第一时间范围内行驶在第一道路区域中的目标路段的车辆回传的定位数据，每隔预设周期获取目标路段车辆行驶的速度，并求出所述预设周期内车辆在目标路段行驶的平均速度；

在所述预设周期内车辆在目标路段行驶的平均速度处于第一预设区间内时，判断所述预设周期内目标路段的拥堵状态为第一拥堵状态，并累积该第一时间范围内所述目标路段为第一拥堵状态的时间，得到该第一时间范围内所述第一道路区域中的目标路段处于第一拥堵状态的持续时间。

举例说明安装在浮动车辆，获取第一时间范围内安装在浮动车辆，例如公交车和出租车上的定位装置每隔2分钟传回的目标路段的车辆行驶速度，并计算出平均速度，则所述平均速度在0-10km的区间内时，所述目标路段处于严重拥堵状态。累积该第一时间范围内所述目标路段为严重拥堵状态的时间，得到该第一时间范围内所述第一道路区域中的目标路段处于严重拥堵状态的持续时间。

步骤300，根据历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，判断所述拥堵评价区的第一拥堵状态是否为常发拥堵。

具体的，所述第一拥堵状态可以包括多种，例如轻度拥堵、中度拥堵和严重拥堵等。

本发明实施例能够排除时间和空间上的限制，方便在时间和空间尺度上扩展，且微观和宏观层面能保持一致性。主要阈值参数可以通过实地调查和长期数据积累进行，而不必进行主观假设预设，避免主观先验认识带来的判断误差。以拥堵评价区域为基准识别常发拥堵，同时考虑了时间和空间尺度上拥堵的影响，能够同时兼容多个时间段的集合，也能涵盖一个路段、多个连续路段、多个不连续路段的情况，不是单纯基于零碎的路段和孤立的时间点。常发拥堵的比较仅由于拥堵本身所导致，而不是因为交通环境或者出行者作息变化的影响，因此能够真实的反映出目标区域的常发拥堵状态。

具体地，所述步骤200，可以包括：

步骤201，计算所述第一道路区域中处于第一拥堵状态的每个路段的长度与该路段在该第一时间范围内处于第一拥堵状态的持续时长的第一乘积，并对所述第一乘积进行累加，得到第一和值。

步骤202，计算所述第一道路区域的路段的总长度和所述第一时间范围的时长的第二乘积，并计算所述第一和值与第二乘积的比值，得到第一比例。

具体地，所述拥堵评价区内共有i个路段处于第一拥堵状态，每个路段对应长度为li，每个路段对应的第一拥堵状态的持续时间ti，所述拥堵评价区内所有路段的总长度为l，所述第一时间范围为t，则第一比例=。

例如，所述拥堵评价区内共有3个路段，每个路段的长度为l1=2km、l2=1.5km、l3=1.5km，其中第一路段和第三路段处于第一拥堵状态，每个路段对应的第一拥堵状态的持续时间t1为17:30-18:00、t2为18:00-18:30，则所述拥堵评价区内所有路段的总长度为5km，所述第一时间范围为17:30-18:30，则第一比例=（2×0.5+1.5×0.5）/5×1=0.35。

本发明实施例以拥堵评价区域为基准识别常发拥堵，同时考虑了时间和空间尺度上拥堵的影响，能够同时兼容多个时间段的集合，也能涵盖一个路段、多个连续路段、多个不连续路段的情况，不是单纯基于零碎的路段和孤立的时间点。

步骤203，根据所述第一比例是否大于第一预设门限，则确定所述拥堵评价区是否处于第一拥堵状态。

具体地，所述历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率按照以下方式进行计算：

获取拥堵评价区历史上的多个所述第一时间范围中，拥堵状态为第一拥堵状态的第一时间范围的第一数量；

计算第一数量与第二数量的比值，得到历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，所述第二数量为所述多个所述第一时间范围的数量。

举例来说，以节假日为例，所述拥堵评价区周日17:30-19:30期间为严重拥堵，获取数据库中n个以往周五所述拥堵评价区在17:30-19:30期间的拥堵状态数据，n天里面有n天在17:30-19:30期间为严重拥堵，则所述历史重现率为（n/n）×100%；

以天气情况为例，所述拥堵评价区在下雪时17:30-18:30期间为严重拥堵，则获取数据库中n个以往下雪时17:30-18:30期间的拥堵状态数据，n天里面有n天在17:30-18:30期间为严重拥堵，则所述历史重现率为（n/n）×100%。

这里，所述数据库的数据通过日常数据监测积累建立，例如，将每日所述拥堵评价区内车辆行驶的速度通过出租车或公交车的gps数据获得。

本发明实施例的主要阈值参数可以通过实地调查和长期数据积累进行，而不必进行主观假设预设，避免主观先验认识带来的判断误差。

具体地，所述步骤300，可以包括：

若所述历史重现率大于第二预设门限，则所述拥堵评价区发生的第一拥堵状态的拥堵是常发拥堵；

若所述历史重现率不大于第二预设门限，则所述拥堵评价区发生的第一拥堵状态的拥堵不是常发拥堵。

例如，若所述严重拥堵对应的第二预设门限为80%，若所述历史重现率大于80%，则所述拥堵评价区发生的严重拥堵是常发拥堵。

如图2所示，本发明实施例还提供了一种基于历史重现率的道路常发拥堵识别装置，包括：

生成模块10，用于根据预设的第一时间范围和第一道路区域生成拥堵评价区，所述第一道路区域包括有至少一个路段；

其中，所述第一时间范围为连续的时间段，路段指能够供交通参与者行驶的无分叉的曲线，是电子地图中不可分割的最小线单元。

例如，设定北京市长安街东西向的15个路段为第一道路区域，设定19:00-21:00为第一时间范围。

确定模块20，用于针对历史上的每个所述第一时间范围，分别获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间，并根据所述持续时间和路段长度，确定所述拥堵评价区是否处于第一拥堵状态；

本发明实施例可以依据预设的时间周期来确定历史上的第一时间范围。

举例来说，以自然日为周期，在第一时间范围为某个自然日（假设为2019年11月21日）的07:00-09:00以及17:30-18:30时，历史上的第一时间范围则可以是2019年11月21日之前的每个自然日的07:00-09:00以及17:30-18:30。

以星期为周期，在第一时间范围为某个自然日（假设为2019年11月21日，周四）的07:00-09:00以及17:30-18:30时，历史上的第一时间范围则可以是2019年11月21日之前的每个周四的07:00-09:00以及17:30-18:30。

以工作日为周期，在第一时间范围为某个自然日（假设为2019年11月21日，周四、工作日）的17:30-18:30时，历史上的第一时间范围则可以是2019年11月21日之前的每个工作日的17:30-18:30。

本发明实施例并不局限于以上示例，可以根据第一时间范围的时间属性灵活确定历史上的第一时间范围。判断模块30，用于根据历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，判断所述拥堵评价区的第一拥堵状态是否为常发拥堵；

具体的，所述第一拥堵状态可以包括多种，例如轻度拥堵、中度拥堵和严重拥堵等。

其中，所述确定模块，还用于按照以下方式，获取该第一时间范围内所述第一道路区域中的各个路段处于第一拥堵状态的持续时间：

通过安装了车载定位装置并在该第一时间范围内行驶在第一道路区域中的目标路段的车辆回传的定位数据，每隔预设周期获取目标路段车辆行驶的速度，并求出所述预设周期内车辆在目标路段行驶的平均速度；

在所述预设周期内车辆在目标路段行驶的平均速度处于第一预设区间内时，判断所述预设周期内目标路段的拥堵状态为第一拥堵状态，并累积该第一时间范围内所述目标路段为第一拥堵状态的时间，得到该第一时间范围内所述第一道路区域中的目标路段处于第一拥堵状态的持续时间。

举例说明安装在浮动车辆，获取第一时间范围内安装在浮动车辆，例如公交车和出租车上的定位装置每隔2分钟传回的目标路段的车辆行驶速度，并计算出平均速度，则所述平均速度在0-10km的区间内时，所述目标路段处于严重拥堵状态。累积该第一时间范围内所述目标路段为严重拥堵状态的时间，得到该第一时间范围内所述第一道路区域中的目标路段处于严重拥堵状态的持续时间。

具体地，所述确定模块20，可以用于：

计算所述第一道路区域中处于第一拥堵状态的每个路段的长度与该路段在该第一时间范围内处于第一拥堵状态的持续时长的第一乘积，并对所述第一乘积进行累加，得到第一和值；

计算所述第一道路区域的路段的总长度和所述第一时间范围的时长的第二乘积，并计算所述第一和值与第二乘积的比值，得到第一比例；

根据所述第一比例是否大于第一预设门限，则确定所述拥堵评价区是否处于第一拥堵状态。

具体地，所述拥堵评价区内共有i个路段处于第一拥堵状态，每个路段对应长度为li，每个路段对应的第一拥堵状态的持续时间ti，所述拥堵评价区内所有路段的总长度为l，所述第一时间范围为t，则第一比例=。

例如，所述拥堵评价区内共有3个路段，每个路段的长度为l1=2km、l2=1.5km、l3=1.5km，其中第一路段和第三路段处于第一拥堵状态，每个路段对应的第一拥堵状态的持续时间t1为17:30-18:00、t2为18:00-18:30，则所述拥堵评价区内所有路段的总长度为5km，所述第一时间范围为17:30-18:30，则第一比例=（2×0.5+1.5×0.5）/5×1=0.35。

本发明实施例以拥堵评价区域为基准识别常发拥堵，同时考虑了时间和空间尺度上拥堵的影响，能够同时兼容多个时间段的集合，也能涵盖一个路段、多个连续路段、多个不连续路段的情况，不是单纯基于零碎的路段和孤立的时间点。

具体地，所述判断模块30，可以用于：

获取拥堵评价区历史上的多个所述第一时间范围中，拥堵状态为第一拥堵状态的第一时间范围的第一数量；

计算第一数量与第二数量的比值，得到历史上所述拥堵评价区处于所述第一拥堵状态的历史重现率，所述第二数量为所述多个所述第一时间范围的数量。

举例来说，以节假日为例，所述拥堵评价区周日17:30-19:30期间为严重拥堵，获取数据库中n个以往周五所述拥堵评价区在17:30-19:30期间的拥堵状态数据，n天里面有n天在17:30-19:30期间为严重拥堵，则所述历史重现率为（n/n）×100%；

以天气情况为例，所述拥堵评价区在下雪时17:30-18:30期间为严重拥堵，则获取数据库中n个以往下雪时17:30-18:30期间的拥堵状态数据，n天里面有n天在17:30-18:30期间为严重拥堵，则所述历史重现率为（n/n）×100%。

这里，所述数据库的数据通过日常数据监测积累建立，例如，将每日所述拥堵评价区内车辆行驶的速度通过出租车或公交车的gps数据获得。

本发明实施例的主要阈值参数可以通过实地调查和长期数据积累进行，而不必进行主观假设预设，避免主观先验认识带来的判断误差。

具体地，所述判断模块30，还可以用于：

当所述历史重现率大于第二预设门限时，判断所述拥堵评价区发生的第一拥堵状态的拥堵是常发拥堵；

当所述历史重现率不大于第二预设门限时，判断所述拥堵评价区发生的第一拥堵状态的拥堵不是常发拥堵。

例如，若所述严重拥堵对应的第二预设门限为80%，若所述历史重现率大于80%，则所述拥堵评价区发生的严重拥堵是常发拥堵。

本发明实施例还提供了一种基于历史重现率的道路常发拥堵识别设备，包括：处理器，存储器，所述存储器上存有所述处理器可执行的程序，所述处理器执行所述程序时，实现如上所述的方法的步骤。

例如，包括用于基于历史重现率识别道路常发拥堵处理器，和存储有所述处理器执行的基于历史重现率识别道路常发拥堵的程序，并且所述处理器执行所述程序时实现步骤100至步骤300的基于历史重现率的道路常发拥堵识别方法的步骤。

本发明实施例能够排除时间和空间上的限制，对一个路段、多个路段、甚至一个区域内路段在任一个时间组合内的拥堵情况做整体评价。计算原理简单，方便在时间和空间尺度上扩展，且微观和宏观层面能保持一致性。主要阈值参数可以通过实地调查和长期数据积累进行，而不必进行主观假设预设，避免主观先验认识带来的判断误差。以拥堵评价区域为基准识别常发拥堵，同时考虑了时间和空间尺度上拥堵的影响，能够同时兼容多个时间段的集合，也能涵盖一个路段、多个连续路段、多个不连续路段的情况，不是单纯基于零碎的路段和孤立的时间点。常发拥堵的比较仅由于拥堵本身所导致，而不是因为交通环境或者出行者作息变化的影响。

以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。