信控路口通行难易度的预测方法、装置及存储介质与流程

本发明涉及智能交通技术领域，特别涉及一种信控路口通行难易度的预测方法、装置及存储介质。

背景技术：

随着城市内机动车数量的快速增长，交通拥堵等问题日趋严重，合理地规划出行线路可以为出行者节约大量的出行时间。而信控路口在城市内大量存在，以北京为例，北京城市道路上有30000多个信号灯，平均每条出行轨迹会涉及12个信号灯。信控路口的拥堵与过长的排队长度会占用大量的出行时间，因此信控路口的通行难易度是路径规划需要参考的重要因素。

现有技术中，大部分通过摄像头、线圈等硬件设备对信控路口进行监测，但是车辆通过城市信控路口时，由于受到信号灯相位切换的影响，车辆在停车等待与驱车行进两种行驶状态间切换，车辆到达路口的时间、位置不同，导致不同车辆在信号灯路口的通行难易度有明显差异。信控路口的通行难易度的计算和描述具有很大的困难。

技术实现要素：

本公开实施例提供了信控路口通行难易度的预测方法、装置及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

在一些可选地实施例中，一种信控路口通行难易度的预测方法，包括：

获取车辆在信控路段的行驶轨迹，根据行驶轨迹得到车辆完整绿灯时间的行进距离；

获取信控路口某一通行方向上的排队长度，根据时间顺序得到信控路口某一通行方向上的排队长度分布图；

根据排队长度分布图，采用差值法以及拟合法得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值；

根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度。

进一步地，根据行驶轨迹得到车辆完整绿灯时间的行进距离，包括：

根据行驶轨迹得到车辆的速度与时间的分布图；

根据速度与时间的分布图，得到车辆若干个完整绿灯时间的行进距离的集合；

通过聚类算法对车辆若干个完整绿灯时间的行进距离的集合进行聚类，得到车辆完整绿灯时间的行进距离。

进一步地，根据排队长度分布图，采用差值法以及拟合法得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值，包括：

根据排队长度分布图，采用包络线提取法，得到信控路口某一通行方向上的排队长度的极大值和极小值；

根据信控路口某一通行方向上的排队长度的极大值和极小值，采用差值法以及拟合法，得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值。

进一步地，根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度，包括：

根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度的极大值和极小值；

根据信控路口下一时刻某一通行方向上的通行难易度的极大值和极小值，得到信控路口下一时刻某一通行方向上的通行难易度。

进一步地，还包括：

根据车辆完整绿灯时间的行进距离、车辆停车位置到信控路口的距离、车辆首次停车时间、红灯近似时间以及路灯近似时间，得到车辆预计通过信控路口的时间。

进一步地，还包括：

根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值，得到信控路口下一时刻某一通行方向上的排队长度。

进一步地，还包括：

获取不同转向的车辆在信控路口各个通行方向上的通行状态，其中，各个通行方向上的通行状态包括各个通行方向上的排队长度的极大值和极小值以及各个通行方向上的通行难易度的极大值和极小值；

当车辆的通行状态与当前通行方向上的通行状态不相符，且与其他方向上的通行状态相符时，确定车辆发生违规行为。

在一些可选地实施例中，一种信控路口通行难易度的预测装置，包括：

第一获取模块，用于获取车辆在在信控路段的行驶轨迹，根据行驶轨迹得到车辆完整绿灯时间的行进距离；

第二获取模块，用于获取信控路口某一通行方向上的排队长度，根据时间顺序得到信控路口某一通行方向上的排队长度分布图；

排队长度预测模块，用于根据排队长度分布图，采用差值法以及拟合法得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值；

通行难易度预测模块，用于根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度。

在一些可选地实施例中，一种信控路口通行难易度的预测系统，包括：

一个或多个处理器、存储一个或多个程序的存储装置；

当一个或多个程序被一个或多个处理器执行时，一个或多个处理器实现上述实施例提供的一种信控路口通行难易度的预测方法。

在一些可选地实施例中，一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时，实现上述实施例提供的一种信控路口通行难易度的预测方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本发明提供了一种信控路口通行难易度的预测方法，基于移动位置数据，可以预测信控路口的排队长度，进而精确地预测通过路口的难易度，无需使用视频监测等硬件设施，计算简便，覆盖范围广。根据车辆的行驶轨迹，可以检测车辆违规驾驶行为，根据违规车辆的数量可以刻画当前信控路口的路口秩序，为相关人员的交通监管与维护提供技术支持。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种信控路口通行难易度的预测方法的流程示意图；

图2是根据一示例性实施例示出的一种车辆的速度与时间的分布图；

图3是根据一示例性实施例示出的一种车辆在信控路口某一通行方向上的排队长度分布图；

图4是根据一示例性实施例示出的一种信控路口通行难易度的预测装置的结构示意图；

图5是根据一示例性实施例示出的一种信控路口通行难易度的预测系统的结构示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或一个以上实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

图1是根据一示例性实施例示出的一种信控路口通行难易度的预测方法的流程示意图；

在一些可选地实施例中，一种信控路口通行难易度的预测方法，包括：

s101、获取车辆在信控路段的行驶轨迹，根据行驶轨迹得到车辆完整绿灯时间的行进距离；

在本公开实施例中，基于车辆的行驶轨迹预测车辆通过信控路口的难易度，无需使用视频监测等硬件设施。具体地，首先获取样本车辆在信控路段的行驶轨迹数据，其中，车辆的轨迹数据包括车辆的速度信息、时间信息、方向信息、地理位置信息等，可以通过车辆上安装的北斗卫星导航系统、gps定位系统等获取车辆在信控路段的行驶轨迹。

根据车辆在信控路段的行驶轨迹，可以描绘出车辆的速度与时间的分布图，图2是根据一示例性实施例示出的一种车辆的速度与时间的分布图，如图2所示，横坐标表示车辆的时间，纵坐标表示车辆的速度，记车辆驶离信控路口的时间为tleave，其中t0到t1、t2到t3、t4到t5是红灯停车状态，t1到t2、t3到t4、t5到tleave是绿灯行进状态。

根据速度与时间的分布图，可以得到车辆若干个完整绿灯时间的行进距离的集合。具体地，定义l^advance表示一辆车在该信控路口下一个绿灯时间内行进的距离，lt表示一辆车在t时刻所在的位置。参照图2，则有鉴于最后一次行车不一定是完整的绿灯时间，故舍弃最后一次行进距离。定义φ^advance表示多个样本的行进距离的集合，则有

通过聚类算法对车辆若干个完整绿灯时间的行进距离的集合进行聚类，得到车辆完整绿灯时间的行进距离。具体地，对集合φ^advance进行高斯混合聚类，但不限于高斯聚类，也可以使用k-means聚类算法，dbscan聚类算法等其他聚类算法，可以得到车辆完整绿灯时间的行进距离lgreen。

通过上述方法，基于车辆的轨迹数据，得到车辆完整绿灯时间的行进距离lgreen。

s102、获取信控路口某一通行方向上的排队长度，根据时间顺序得到信控路口某一通行方向上的排队长度分布图；

具体地，定义表示ti时刻信控路口某一通行方向上的排队长度，将不同时间的数据按照时间排列，可以得到排队长度的时间序列φ^l_order，其中，

由于信号灯的相位变换，排队长度也会呈现一定程度的波动变化，图3是根据一示例性实施例示出的一种车辆在信控路口某一通行方向上的排队长度分布图，其中，中间的那条实线表示每个时刻的排队长度φ^l_order。

s103、根据排队长度分布图，采用差值法以及拟合法得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值；

具体地，根据排队长度分布图，采用包络线提取法，得到信控路口某一通行方向上的排队长度的极大值和极小值；

根据信控路口某一通行方向上的排队长度的极大值和极小值，采用差值法以及拟合法，得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值。

首先，根据排队长度分布图，去除异常数据后，利用包络线提取的方法可以得到排队长度的极大值lup，排队长度的极小值ldown，如图3所示，实线上面的那条虚线是排队长度的极大值lup，实线下面的那条虚线是排队长度的极小值ldown。

结合图3中的曲线数据，采用差值法和拟合法可以得到下一时刻某一通行方向的排队长度的极大值极小值

通过上述方法，可以预测得到车辆的下一时刻，该方向的排队长度的极大值极小值

s104、根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度。

具体地，根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度的极大值和极小值；

其中，定义表示某一通行方向下一时刻的通行难易度的极大值，表示某一通行方向下一时刻的通行难易度的极小值。

其中，t0表示首次停车时间，具有一定的随机性，tred表示红灯近似时间，tgreen表示绿灯近似时间，可以根据现有技术计算得出，lgreen表示车辆完整绿灯时间的行进距离，表示下一时刻某一通行方向的排队长度的极大值，表示下一时刻某一通行方向的排队长度的极小值。

根据信控路口下一时刻某一通行方向上的通行难易度的极大值和极小值，得到信控路口下一时刻某一通行方向上的通行难易度。

具体地，定义t^next表示信控路口下一时刻某一通行方向上的通行难易度，则有：

通过上述方法，基于移动位置数据，可以预测信控路口的排队长度，进而精确地预测通过路口的难易度，无需使用视频监测等硬件设施，计算简便，覆盖范围广。

进一步地，根据行驶轨迹得到车辆完整绿灯时间的行进距离，包括：

根据行驶轨迹得到车辆的速度与时间的分布图；

根据速度与时间的分布图，得到车辆若干个完整绿灯时间的行进距离的集合；

通过聚类算法对车辆若干个完整绿灯时间的行进距离的集合进行聚类，得到车辆完整绿灯时间的行进距离。

进一步地，根据排队长度分布图，采用差值法以及拟合法得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值，包括：

根据排队长度分布图，采用包络线提取法，得到信控路口某一通行方向上的排队长度的极大值和极小值；

根据信控路口某一通行方向上的排队长度的极大值和极小值，采用差值法以及拟合法，得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值。

进一步地，根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度，包括：

根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度的极大值和极小值；

根据信控路口下一时刻某一通行方向上的通行难易度的极大值和极小值，得到信控路口下一时刻某一通行方向上的通行难易度。

进一步地，还包括：

根据车辆完整绿灯时间的行进距离、车辆停车位置到信控路口的距离、车辆首次停车时间、红灯近似时间以及路灯近似时间，得到车辆预计通过信控路口的时间。

具体地，定义l表示某车辆停车位置到信控路口的距离，t表示预计该车辆通过信控路口的时间。

t＝t0+int(l/lgreen)*(tred+tgreen)+(l-int(l/lgreen)*lgreen)/lgreen*tgreen，其中，t0表示首次停车时间，具有一定的随机性，tred表示红灯近似时间，tgreen表示绿灯近似时间，可以根据现有技术计算，lgreen表示车辆完整绿灯时间的行进距离。

通过上述方法，可以根据车辆停车位置到信控路口的距离，计算出车辆通过该信控路口的时间，提高了用户的体验度。

进一步地，还包括：

根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值，得到信控路口下一时刻某一通行方向上的排队长度。

具体地，定义l^next表示下一时刻某一通行方向的排队长度，则有：

通过上述方法，可以根据下一时刻某一通行方向上的排队长度的极大值和极小值，计算得到下一时刻某一通行方向上的排队长度。

进一步地，还包括：

获取不同转向的车辆在信控路口各个通行方向上的通行状态，其中，各个通行方向上的通行状态包括各个通行方向上的排队长度的极大值和极小值以及各个通行方向上的通行难易度的极大值和极小值；

当车辆的通行状态与当前通行方向上的通行状态不相符，且与其他方向上的通行状态相符时，确定车辆发生违规行为。

通常，信控路口会有多个通行方向，当某一方向发生拥堵或通行时间较长时，会发生类似直行方向左转的违规行为，违规行为不仅会给交通带来影响与危害，同时影响计算通行难易度的准确性，因此，监测异常数据，意义重大。

具体地，定义表示不同方向的交通状态，以左转和直行两个方向为例，依据上述实施例提供的方法，利用不同转向的样本数据可以分别得到各自方向的交通状态。

对已通过信控路口的样本进行检测，以检测左转车辆为例：定义l0，t0分别表示该车辆的排队距离和从停车位置起到通过信控路口的通行时间，违规驾驶应满足以下两个条件：

(1)与当前转向的交通状态不符，排队距离差异较大且通行时间差异较大：

其中，ε1、ε2表示数据差异较大的阈值，用户可以自行设定。

(2)与其他转向的交通状态接近，排队距离差异较小或通行时间差异较小：

其中，ε3、ε4表示数据差异较小的阈值，用户可以自行设定。

通过上述方法，检测出异常数据，并在计算通行难易度时提出异常数据，可以提高计算结果的准确性。

同时，可以累计违规驾驶车辆的数量，从而判断信控路口的路口秩序。定义count表示一定时间内当前道路违规驾驶的车辆总数，当被检测车辆同时满足上述两个条件时，可以记录：count＝count+1；

定义order表示信控路口的路口秩序，依据count值的大小，将路口秩序分为没有违规、轻微混乱、严重混乱三种情况。

其中，当路口情况为没有违规时，count＝0；当路口情况为轻微混乱时，0<count<&；当路口情况为严重混乱时，count>＝&。其中，&表示轻微混乱与严重混乱的阈值，用户可以自行设定。

通过上述方法，根据车辆的行驶轨迹，可以检测车辆违规驾驶行为，根据违规车辆的数量可以刻画当前信控路口的路口秩序，为相关人员的交通监管与维护提供技术支持。

图4是根据一示例性实施例示出的一种信控路口通行难易度的预测装置的结构示意图；

在一些可选地实施例中，一种信控路口通行难易度的预测装置，包括：

s401、第一获取模块，用于获取车辆在在信控路段的行驶轨迹，根据行驶轨迹得到车辆完整绿灯时间的行进距离；

s402、第二获取模块，用于获取信控路口某一通行方向上的排队长度，根据时间顺序得到信控路口某一通行方向上的排队长度分布图；

s403、排队长度预测模块，用于根据排队长度分布图，采用差值法以及拟合法得到信控路口下一时刻某一通行方向上的排队长度的极大值和极小值；

s404、通行难易度预测模块，用于根据信控路口下一时刻某一通行方向上的排队长度的极大值和极小值、车辆完整绿灯时间的行进距离、车辆首次停车时间、红灯近似时间以及绿灯近似时间，得到信控路口下一时刻某一通行方向上的通行难易度。

图5是根据一示例性实施例示出的一种信控路口通行难易度的预测系统的结构示意图。

在一些实施例中，一种信控路口通行难易度的预测系统，包括处理器51和存储有程序指令的存储器52，还可以包括通信接口53和总线54。其中，处理器51、通信接口53、存储器52可以通过总线54完成相互间的通信。通信接口53可以用于信息传输。处理器51可以调用存储器52中的逻辑指令，以执行上述实施例提供的信控路口通行难易度的预测方法。

此外，上述的存储器52中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器52作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器51通过运行存储在存储器52中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器52可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器。

本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的信控路口通行难易度的预测方法。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。