一种交通运行评估方法、装置、系统及电子设备

1.本发明涉及交通数据处理技术领域，尤其是一种交通运行评估方法、装置、系统及电子设备。


背景技术：

2.由于城市交通干线道路车流量大，部分车辆特别是大型车辆低速行驶或变道，经常与多辆相邻车辆相互作用，造成局部交通阻塞和车流混乱。这些问题有可能自行缓解，也可能导致进一步的拥堵和事故。例如，匝道车辆的涌入导致基础路段内车辆在行驶方向上不断与其他车辆发生冲突；在车流量大的区域设置了掉头车道，导致其他方向的车辆需要减速以避免碰撞；多辆大型车辆并列行驶，后方车辆难以超车只能减速跟随等等。目前对于这种交通运行状态还没有合适的量化描述方法，缺少将车辆微观行为结合到宏观现象的工具，交通管理人员难以精准采取治理措施。
3.基于此，许多研究利用流体力学的概念将这种不规律的交通流定义为“湍流”，然而仍然缺少结合实际情况的定量描述方法。从实际交通流运行出发，参考前人对车速波动、换道干扰和车型影响的研究，上述问题的主要影响因素是车速和行驶方向的规律性破坏，以及大型车辆干扰。这三方面因素经常混合在一起，难以归因。因此，我们更倾向于用“交通紊乱”这个概念来描述这种交通运行状态，即车辆在行驶速度、行驶方向和交通构成上的规律性破坏，它的量化需要考虑到多个车辆微观行为参数的综合影响。
4.为了直观对交通状态进行度量，当前可以通过视觉层面提取车辆轨迹数据，进行进一步的研究。通过对高空视频或无人机视频的解析，能够提取车辆类型、位置、速度和轨迹的微观信息。进而可以分析车辆变道时的参数变化而衡量该行为对交通安全与稳定性地影响度，也可以对交通状况的时空变化特征进行宏观解释与预测，还可以从实际数据中分析车辆安全空间并确定混合交通流中的冲突类型。基于交通微观信息的提取和行为分析，能够对复杂交通状态进行量化和评估。
5.提取交通参数的摄像设备包括普通道路监控和无人机拍摄，道路监控容易获取但因角度较低难以提取交通精细参数，而无人机高空拍摄能够避免车辆行人遮挡和拍摄角度变换的影响。当前普遍的检测无人机中车辆目标的算法包括基于人工特征的acf(aggregated channel feature)和基于神经网络的faster r
‑
cnn、yolo系列等，已有相关研究结果显示基于神经网络的算法在大目标和小目标检测中均优于acf。
6.建立评估体系需要确定合适的评价指标并给定合适的指标权重。不同的指标衡量交通不同的参数量，如宏观指标交通平均速度、流量、密度是衡量交通通行能力和服务水平的重要指标，而车辆速度、密度和车头时距等是衡量交通拥堵状况的指标。这些指标均由提取到的交通参数计算得来，建立系列能够客观反应对应交通状态的指标至关重要。指标权重需要通过定性或定量方法进行计算，定性方法主要是层次分析法，定量方法包括熵值法、主成分分析法等，而仅使用专家推荐的层次分析法过于主观不具有数据说服力，往往会加入数据分析的过程确定最终权重。
7.现有技术的缺点是：1)现有的交通状态评估方法大多依据传统的交通宏观指标(如流速密等一定时间的统计量)，不能反应短时或微观的交通状态变化，也无法对换道冲突等造成的交通问题进行定位。2)现有基于视频提取交通参数的技术集中在针对交通拥堵检测的相关参数提取，缺少与交通紊乱相关的交通参数提取方法。


技术实现要素：

8.有鉴于此，本发明实施例提供一种准确性高的交通运行评估方法、装置、系统及电子设备。
9.本发明的一方面提供了一种交通运行评估方法，包括：
10.从道路交通视频中提取车辆轨迹信息；
11.从所述车辆轨迹信息中提取微观交通参数；
12.根据所述微观交通参数计算交通运行状况的评估指标；
13.确定各个所述评估指标的权重；
14.根据各个所述评估指标的权重，确定综合交通紊乱指标；
15.根据所述综合交通紊乱指标对道路交通运行状况进行评估，得到评估结果。
16.可选地，所述从道路交通视频中提取车辆轨迹信息，包括：
17.获取道路交通视频；
18.采用yolov4网络从所述道路交通视频中识别各个车辆的车辆类型；
19.采用deepsort目标跟踪算法提取所述道路交通视频中各个车辆的细节轨迹数据。
20.可选地，所述采用deepsort目标跟踪算法提取所述道路交通视频中各个车辆的细节轨迹数据，包括：
21.采用卡尔曼滤波算法对所述道路交通视频中各个车辆进行运动预测，以及对所述道路交通视频中各个车辆进行外观特征提取；
22.对车辆运动预测结果进行马氏距离关联度量，以及对所述外观特征进行余弦度量；
23.确定所述马氏距离关联度量结果与所述余弦度量结果之间的关联结果；
24.根据所述关联结果进行目标框关联，得到包含车辆类别的细节轨迹数据。
25.可选地，所述从所述车辆轨迹信息中提取微观交通参数，包括：
26.根据所述车辆轨迹信息，从位移与时间的维度提取每辆车的车速信息与加速度信息，并对所述车速信息和所述加速度信息进行平滑处理；
27.根据所述车辆轨迹信息，从方向与时间的维度提取每辆车的方向信息；
28.根据所述方向信息中车辆方向的改变以及标定的车道位置确定每辆车的变道行为信息；
29.根据车辆方向与车辆安全空间来确定方向冲突点，具体地：当车辆方向出现倾斜角度时，计算该车辆与相邻车辆的行驶方向角度差，并计算不同车辆之间的安全空间是否出现交集，将不同车辆之间的安全控件的交集作确定为方向冲突，并将所述交集的中心作为冲突点。
30.可选地，所述根据所述微观交通参数计算交通运行状况的评估指标，包括：
31.从所述微观交通参数中确定行驶速度紊乱分量、行驶方向紊乱分量以及交通构成
分量；
32.根据所述行驶速度紊乱分量、行驶方向紊乱分量以及交通构成分量，计算得到交通运行状况的评估指标。
33.可选地，所述交通运行状况的评估指标的计算公式为：
34.tdi＝α
v
·
tdi
v
+α
d
·
tdi
d
+α
h
·
tdi
h
35.所述行驶速度紊乱分量的计算公式为：
36.tdi
v
＝β
v
·
vi+β
cv
·
cvi+β
a
·
ai+β
ca
·
cai
37.所述行驶方向紊乱分量的计算公式为：
38.tdi
d
＝1
‑
e
‑
(cr+dr)
39.所述交通构成分量的计算公式为：
40.tdi
h
＝1
‑
e
‑
10hr
41.其中，tdi代表交通运行状况的评估指标；α
v
、α
d
、α
h
分别代表行驶速度紊乱分量、行驶方向紊乱分量以及交通构成分量的指标权重；tdi
v
代表行驶速度紊乱分量；tdi
d
代表行驶方向紊乱分量；tdi
h
代表交通构成分量；β
v
、β
cv
、β
a
、β
ca
代表行驶速度紊乱分量中四个指标的权重；vi代表行驶速度指标；cvi代表速度变异系数指标；ai代表行驶加速度指标；cai代表加速度变异系数指标；cr代表方向冲突率；dr代表车辆变道率；hr代表大车率。
42.可选地，所述速度变异系数的计算公式为：
[0043][0044]
所述加速度变异系数的计算公式为：
[0045][0046]
所述方向冲突率的计算公式为：
[0047]
dr
t
＝d
t
/(100length
k
·
nlane
k
)
[0048]
所述车辆变道率的计算公式为：
[0049]
cr
t
＝c
t
/(100length
k
·
nlane
k
)
[0050]
所述大车率的计算公式为：
[0051]
hr
t
＝h
t
/n
t
[0052]
其中，cv
t
代表路段某个时刻所有车辆的瞬时速度的变异系数；v
t
代表场景中所有车辆的平均瞬时速度；ca
t
代表路段某个时刻所有车辆的瞬时速度的变异系数；a
t
代表场景中所有车辆的平均瞬时加速度；车辆变道率dr
t
代表平均每百米单个车道上的变道车辆数；d
t
代表场景中t时方向冲突点总数；length
k
代表场景k中的车道总长度；nlane
k
代表场景k中的车道数；大车率hr
t
代表某一时刻大型车辆数h
t
与场景内所有车辆数n
t
的比率。
[0053]
本发明实施例的另一方面提供了一种交通运行评估装置，包括：
[0054]
第一模块，用于从道路交通视频中提取车辆轨迹信息；
[0055]
第二模块，用于从所述车辆轨迹信息中提取微观交通参数；
[0056]
第三模块，用于根据所述微观交通参数计算交通运行状况的评估指标；
[0057]
第四模块，用于确定各个所述评估指标的权重；
[0058]
第五模块，用于根据各个所述评估指标的权重，确定综合交通紊乱指标；
[0059]
第六模块，用于根据所述综合交通紊乱指标对道路交通运行状况进行评估，得到评估结果
[0060]
本发明实施例的另一方面提供了一种交通运行评估系统，包括：
[0061]
采集系统，用于采集道路交通视频；
[0062]
数据处理系统，用于执行所述程序实现前面所述的方法；
[0063]
展示系统，用于对道路交通运行状况的评估结果进行评估。
[0064]
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
[0065]
所述存储器用于存储程序；
[0066]
所述处理器执行所述程序实现如前面所述的方法。
[0067]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0068]
本发明的实施例从道路交通视频中提取车辆轨迹信息；从所述车辆轨迹信息中提取微观交通参数；根据所述微观交通参数计算交通运行状况的评估指标；确定各个所述评估指标的权重；根据各个所述评估指标的权重，确定综合交通紊乱指标；根据所述综合交通紊乱指标对道路交通运行状况进行评估，得到评估结果。本发明通过提取车辆的微观行为来进行交通拥堵评价，提高了评估准确性。
附图说明
[0069]
为了更清楚地说明本技术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单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0070]
图1为本发明实施例提供的整体框架示意图；
[0071]
图2为本发明实施例提供的车辆精细轨迹检测方法的流程图；
[0072]
图3为本发明实施例提供的交通紊乱评估指标的示意图；
[0073]
图4为本发明实施例提供的车辆变道行为检测方法的流程图；
[0074]
图5为本发明实施例提供的车辆方向冲突检测方法的流程图；
[0075]
图6为本发明实施例提供的整体实施步骤流程图。
具体实施方式
[0076]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术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以解释本技术，并不用于限定本技术。
[0077]
针对现有技术存在的问题，本发明实施例提出了一种交通运行评估方法，如图6所示，包括：
[0078]
从道路交通视频中提取车辆轨迹信息；
[0079]
从所述车辆轨迹信息中提取微观交通参数；
[0080]
根据所述微观交通参数计算交通运行状况的评估指标；
[0081]
确定各个所述评估指标的权重；
[0082]
根据各个所述评估指标的权重，确定综合交通紊乱指标；
[0083]
根据所述综合交通紊乱指标对道路交通运行状况进行评估，得到评估结果。
[0084]
可选地，所述从道路交通视频中提取车辆轨迹信息，包括：
[0085]
获取道路交通视频；
[0086]
采用yolov4网络从所述道路交通视频中识别各个车辆的车辆类型；
[0087]
采用deepsort目标跟踪算法提取所述道路交通视频中各个车辆的细节轨迹数据。
[0088]
可选地，所述采用deepsort目标跟踪算法提取所述道路交通视频中各个车辆的细节轨迹数据，包括：
[0089]
采用卡尔曼滤波算法对所述道路交通视频中各个车辆进行运动预测，以及对所述道路交通视频中各个车辆进行外观特征提取；
[0090]
对车辆运动预测结果进行马氏距离关联度量，以及对所述外观特征进行余弦度量；
[0091]
确定所述马氏距离关联度量结果与所述余弦度量结果之间的关联结果；
[0092]
根据所述关联结果进行目标框关联，得到包含车辆类别的细节轨迹数据。
[0093]
可选地，所述从所述车辆轨迹信息中提取微观交通参数，包括：
[0094]
根据所述车辆轨迹信息，从位移与时间的维度提取每辆车的车速信息与加速度信息，并对所述车速信息和所述加速度信息进行平滑处理；
[0095]
根据所述车辆轨迹信息，从方向与时间的维度提取每辆车的方向信息；
[0096]
根据所述方向信息中车辆方向的改变以及标定的车道位置确定每辆车的变道行为信息；
[0097]
根据车辆方向与车辆安全空间来确定方向冲突点，具体地：当车辆方向出现倾斜角度时，计算该车辆与相邻车辆的行驶方向角度差，并计算不同车辆之间的安全空间是否出现交集，将不同车辆之间的安全控件的交集作确定为方向冲突，并将所述交集的中心作为冲突点。
[0098]
可选地，所述根据所述微观交通参数计算交通运行状况的评估指标，包括：
[0099]
从所述微观交通参数中确定行驶速度紊乱分量、行驶方向紊乱分量以及交通构成分量；
[0100]
根据所述行驶速度紊乱分量、行驶方向紊乱分量以及交通构成分量，计算得到交通运行状况的评估指标。
[0101]
可选地，所述交通运行状况的评估指标的计算公式为：
[0102]
tdi＝α
v
·
tdi
v
+α
d
·
tdi
d
+α
h
·
tdi
h
[0103]
所述行驶速度紊乱分量的计算公式为：
[0104]
tdi
v
＝β
v
·
vi+β
cv
·
cvi+β
a
·
ai+β
ca
·
cai
[0105]
所述行驶方向紊乱分量的计算公式为：
[0106]
tdi
d
＝1
‑
e
‑
(cr+dr)
[0107]
所述交通构成分量的计算公式为：
[0108]
tdi
h
＝1
‑
e
‑
10hr
[0109]
其中，tdi代表交通运行状况的评估指标；α
v
、α
d
、α
h
分别代表行驶速度紊乱分量、行驶方向紊乱分量以及交通构成分量的指标权重；tdi
v
代表行驶速度紊乱分量；tdi
d
代表行驶方向紊乱分量；tdi
h
代表交通构成分量；β
v
、β
cv
、β
a
、β
ca
代表行驶速度紊乱分量中四个指标的权重；vi代表行驶速度指标；cvi代表速度变异系数指标；ai代表行驶加速度指标；cai代表加速度变异系数指标；cr代表方向冲突率；dr代表车辆变道率；hr代表大车率。
[0110]
可选地，所述速度变异系数的计算公式为：
[0111][0112]
所述加速度变异系数的计算公式为：
[0113][0114]
所述方向冲突率的计算公式为：
[0115]
dr
t
＝d
t
/(100length
k
·
nlane
k
)
[0116]
所述车辆变道率的计算公式为：
[0117]
cr
t
＝c
t
/(100length
k
·
nlane
k
)
[0118]
所述大车率的计算公式为：
[0119]
hr
t
＝h
t
/n
t
[0120]
其中，cv
t
代表路段某个时刻所有车辆的瞬时速度的变异系数；v
t
代表场景中所有车辆的平均瞬时速度；ca
t
代表路段某个时刻所有车辆的瞬时速度的变异系数；a
t
代表场景中所有车辆的平均瞬时加速度；车辆变道率dr
t
代表平均每百米单个车道上的变道车辆数；d
t
代表场景中t时方向冲突点总数；length
k
代表场景k中的车道总长度；nlane
k
代表场景k中的车道数；大车率hr
t
代表某一时刻大型车辆数h
t
与场景内所有车辆数n
t
的比率。
[0121]
本发明实施例的另一方面提供了一种交通运行评估装置，包括：
[0122]
第一模块，用于从道路交通视频中提取车辆轨迹信息；
[0123]
第二模块，用于从所述车辆轨迹信息中提取微观交通参数；
[0124]
第三模块，用于根据所述微观交通参数计算交通运行状况的评估指标；
[0125]
第四模块，用于确定各个所述评估指标的权重；
[0126]
第五模块，用于根据各个所述评估指标的权重，确定综合交通紊乱指标；
[0127]
第六模块，用于根据所述综合交通紊乱指标对道路交通运行状况进行评估，得到评估结果
[0128]
本发明实施例的另一方面提供了一种交通运行评估系统，包括：
[0129]
采集系统，用于采集道路交通视频；
[0130]
数据处理系统，用于执行所述程序实现前面所述的方法；
[0131]
展示系统，用于对道路交通运行状况的评估结果进行评估。
[0132]
本发明实施例的另一方面提供了一种电子设备，包括处理器以及存储器；
[0133]
所述存储器用于存储程序；
[0134]
所述处理器执行所述程序实现如前面所述的方法。
[0135]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0136]
下面结合说明书附图，对本技术的具体实现过程进行详细描述：
[0137]
本发明提出了一种基于视觉的交通紊乱评估方法，并给出了一套提取相关微观交通参数的方法。首先根据交通紊乱的概念设计了两阶段的评估指标，通过yolov4目标检测及deepsort多目标跟踪方法提取航拍视频中的车辆精细轨迹，进而通过轨迹的速度和方向变化提取对应评估指标的微观交通参数。然后经过数据维度的统一和归一化计算各项评估指标，通过结合层次分析法(ahp)和熵值法确定各项指标的权重，制定以秒为最小变化单位的综合交通紊乱指标(td i)。最后通过该评估指标能够实现对路段时段微观紊乱行为的分析和宏观紊乱程度的评价。
[0138]
本技术实现了一个基于视频识别提取的交通紊乱程度评估方法，整体框架如图1所示。无人机采集城市道路交通视频并通过基于深度学习的方法检测和跟踪其中的车辆，从车辆精细轨迹中提取与交通紊乱相关的微观参数，然后计算各指标后进行归一化，采用主观客观结合的方式计算指标权重，实现交通紊乱程度的综合评价和微观宏观分析。
[0139]
具体地，本实施例首先描述车辆精细轨迹检测方法。为了分析宏观和微观交通特征，首先需要通过计算机视觉技术处理原始视频获取车辆轨迹和类型数据。研究采用基于深度学习的图像检测识别技术，通过小目标车辆数据集的训练，以达到稳定检测车辆目标的目的。本方法采用yolov4网络检测识别车辆，其中检测模型由航拍数据集vi sdrone2019训练得到，该数据集包括8个车辆类别，能够精准识别航拍场景中的车辆类型。采用deepsort目标跟踪算法以提取每辆车的细节轨迹数据，如图2为车辆精细轨迹检测方法的主要流程，它将视觉信息度量添加到卡尔曼滤波跟踪算法中。卡尔曼滤波是采用线性最小均方误差准则的一种最优估计方法。使用车辆重识别数据集veri在重识别算法上训练外观模型，将马氏距离度量和余弦度量进行联合。最后基于检测框位置和iou采用匈牙利匹配算法关联目标框。通过以上方法可以得到包含车辆类别的精细轨迹。
[0140]
马氏距离度量计算公式如下：
[0141][0142]
其中，d
j
为第j个检测框的位置，y
i
为跟踪器第i个预测框的位置，s
i
为检测和平均跟踪位置之间
[0143]
余弦距离度量计算公式如下：
[0144][0145]
其中，r
j
为当前帧第j个检测框的特征向量，为最新100个成功关联第i个跟踪器的特征集。
[0146]
度量部分结合了马氏距离度量和余弦距离度量：
[0147]
c
i,j
＝λd
(1)
(i,j)+(1
‑
λ)d
(2)
(i,j)
[0148]
其中，λ为系数权重，当相机运动时λ可取0。
[0149]
接下来本实施例描述交通紊乱微观参数提取方法。如图3为基于视觉的交通紊乱评估指标，其中包括了行驶速度紊乱、行驶方向紊乱和交通构成复杂度三个部分的指标，为了计算这些指标，需要在车辆轨迹的基础上进一步提取微观交通参数，包括车辆瞬时速度、瞬时加速度、车辆变道行为和方向冲突。对于车辆瞬时速度和瞬时加速度，从位移
‑
时间的维度提取每辆车的车速与加速度信息，为了克服车辆检测与跟踪结果的帧间抖动，将采用滑动平均法对瞬时速度和加速度进行平滑，最终统一到1秒钟为最小时间单位。对于车辆变道和方向冲突，从方向
‑
时间的维度提取每辆车的方向信息。如图4为检测变道车辆的方法流程，由标定的车道与车辆方向的改变来判断变道行为，并精细到变道行为的时间、位置与车辆id。如图5为检测方向冲突的方法流程，由车辆方向与车辆安全空间来判断方向冲突点，当车辆方向出现倾斜角度时，计算该车辆与相邻车辆的行驶方向角度差，并计算安全空间是否出现交集(iou)，若满足所有条件则该车与其他车辆出现冲突，冲突点为两者安全空间交集的中心。
[0150]
下面详细描述本发明中交通紊乱指标的计算方法：
[0151]
为了能够综合评价交通紊乱程度，定义tdi为交通紊乱指标：
[0152]
tdi＝α
v
·
tdi
v
+α
d
·
tdi
d
+α
h
·
tdi
h
[0153]
其中，tdi
v
为行驶速度紊乱分量，tdi
d
为行驶方向紊乱分量，tdih为交通构成分量，α
v
、α
d
和α
h
为这三个部分分量的指标权重(总和为1)。
[0154]
tdi
v
包括四个并列的指标：
[0155]
tdi
v
＝β
v
·
vi+β
cv
·
cvi+β
a
·
ai+β
ca
·
cai
[0156]
其中，β
v
、β
cv
、β
a
和β
ca
为速度紊乱四个指标的权重，其和为1。
[0157]
为了使得所有指标能够统一度量，需要采取归一化措施，将所有指标保留其分布映射到0至1的空间内。对于具有上下限的速度和加速度指标，采取极差法进行归一化，参考交通工程学中的定义，以不稳定流的速度最大值为速度上限，速度下限为0，具体数值根据不同设计速度有所不同，在此不作限定，例如速度上限可以为48km/h：
[0158]
vi＝(v
m
‑
v)/v
m
[0159]
以车辆能达到的最大瞬间加速度2.277m/s2为加速度上限，加速度下限为0：
[0160]
ai＝a/a
m
[0161]
速度变异系数和加速度变异系数都是无量纲参数，其值基本在0至1之间，若超过1则表示数据离散度极大，此时该指标对交通紊乱的影响趋近于饱和。因此限制其值不超过1：
[0162][0163][0164]
对于没有上下限的指标，采取指数归一化方法控制数据分布区间。方向冲突对交通紊乱的影响较为严重，方向冲突率cr作为方向紊乱中的附加值叠加在变道率dr上，再进
行指数归一化：
[0165]
tdi
d
＝1
‑
e
‑
(cr+dr)
[0166]
由于大车率hr的影响并不是线性分布，因此同样对其进行指数归一化，使得大车率在20％时的影响接近饱和：
[0167]
tdi
h
＝1
‑
e
‑
10hr
[0168]
最终，经以上归一化后的交通紊乱指标计算方法如下：
[0169]
tdi＝α
v
·
[β
v
·
(v
m
‑
v)/v
m
+β
cv
·
cv+β
a
·
(a/a
m
)+β
ca
·
ca]+α
d
·
(1
‑
e
‑
(cr+dr)
)+α
h
·
(1
‑
e
‑
10hr
)
[0170]
以上评估指标方法中的每个分量指标的计算方法如下：
[0171]
(a)车辆平均速度
[0172]
瞬时速度是路段上车辆i在某个时刻t的速度：
[0173][0174]
其中，λ为实际与像素比例，t为视频帧率，δt决定了计算时间精度。
[0175]
车辆平均速度v
t
是场景中所有车辆的平均瞬时速度：
[0176][0177]
其中，n为场景在时刻t时的车辆数。
[0178]
(b)车辆速度变异系数cv
t
是路段某个时刻所有车辆的瞬时速度的变异系数：
[0179][0180]
(c)车辆平均加速度
[0181]
车辆瞬时加速度是路段上车辆i在某个时刻t的加速度：
[0182][0183]
车辆平均加速度a
t
是场景中所有车辆的平均瞬时加速度：
[0184][0185]
(d)车辆加速度变异系数ca
t
是路段某个时刻所有车辆的瞬时速度的变异系数：
[0186][0187]
(e)车辆变道率cr
t
是平均每百米单个车道上的变道车辆数：
[0188]
cr
t
＝c
t
/(100length
k
·
nlane
k
)
[0189]
其中，length
k
为场景k中的车道总长度，nlane
k
为场景k中的车道数。
[0190]
(f)方向冲突率：
[0191]
交通冲突指在可观测条件下，两个或两个以上道路使用者在同一时间、空间上相互接近，如果其中一方采取非正常交通行为，如转换方向、改变车速、突然停车等，除非另一方也相应采取避险行为，否则，会发生碰撞。方向冲突是车辆间因行驶方向交叉而存在碰撞隐患。方向冲突率dr
t
是平均每百米单个车道上的方向冲突数：
[0192]
dr
t
＝d
t
/(100length
k
·
nlane
k
)
[0193]
(g)大车率hr
t
某一时刻为大型车辆数h
t
与场景内所有车辆数n
t
的比率：
[0194]
hr
t
＝h
t
/n
t
[0195]
最后结合层次分析法(ahp)和熵值法确定指标权值，对于第一层指标α
v
、α
d
和α
h
采用层次分析法，对于速度紊乱分量下的第二层指标β
v
、β
cv
、β
a
和β
ca
采用熵值法。经获取的实验数据计算后得到的推荐权值如表1所示。
[0196]
表1
[0197]
权重值权重值行驶速度紊乱α
v
0.4速度变异系数β
cv
0.33行驶方向紊乱α
d
0.4车辆平均加速度β
a
0.03大车率α
h
0.2加速度变异系数β
ca
0.12车辆平均速度β
v
0.52
ꢀꢀ
[0198]
综上所述，本发明首先通过基于深度学习的目标检测与跟踪算法得到车辆精细轨迹数据，再进一步提取相关的微观行为，包括瞬时速度、瞬时加速度、车辆变道、车辆方向冲突，这些参数为交通状态的评估提供数据基础。本发明针对交通不稳定性产生的交通紊乱概念，从三个方面设计了评估它的微观指标体系，并定义了每一个指标的意义和计算方法。另外设计了一个交通紊乱的综合评价指标tdi，给出了由多种指标组成的该综合指标的计算方法，采用层次分析法和熵值法计算该指标体系中的各项权重，实现了对交通紊乱从微观行为到宏观状态的评估方法。
[0199]
相较于现有技术，本发明给出了从视频中提取各项参数的方法，且均提取车辆的微观行为，统一微观参数维度与范围，设计综合评估指标从而评估宏观的交通紊乱状态，并从宏观状态中能够提炼出交通微观问题。相比于交通拥堵评价指标，该综合指标能够更敏感地检测出场景中短时和局部的交通混乱状态，能够有效反应“似堵非堵”的交通状态。
[0200]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0201]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考
虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0202]
所述功能如果以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。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
on ly memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0203]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0204]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0205]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0206]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0207]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0208]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。