一种对高速道路交通流参数的处理方法和装置与流程

本技术涉及车路协同数据处理，特别是指一种对高速道路交通流参数的处理方法和装置。

背景技术：

1、车路协同技术基于无线通信、传感探测等技术进行车路信息获取，通过车车、车路信息交互和共享，实现车辆和基础设施之间、车辆与车辆之间的智能协同与配合，达到优化利用系统资源、提高道路交通安全、缓解交通拥堵的目标。基于现有车联网(vehicle toeverything，v2x)通信技术，目前可在高速上实现大部分安全类、效率类和信息服务类应用场景。为加快开展基础设施的智能化改造及车路协同应用场景的大规模测试验证，在对高速公路交通数据进行训练前，需要从数据库中获取交通流量、速度、拥堵指数等交通流参数，然而，由于采集设备的不稳定性或者被干扰等原因，采集到的时序数据往往会出现重复数据、缺失数据和不符合常规的离群数据，阻碍了对时序数据的深入分析。同时，高速拥堵指数计算没有统一的行标，现有的几种计算过程比较复杂，比如利用动态的高速收费站信息、自由流速度等，所以对高速拥堵指数的数据预处理并没有能同时满足准确性高、响应快和泛化能力强的方法。为适应智能交通、自动驾驶发展需求，仍需不断规范车路协同系统中路侧设施之间、路侧设施与云控平台之间、云控平台与第三方应用服务之间的信息交互内容和技术要求。

技术实现思路

1、本技术的目的是提供一种对高速道路交通流参数的处理方法和装置，以提高数据质量，解决后续数据挖掘过程中因数据质量差导致计算准确性较低、模型泛化能力差等问题。

2、为达到上述目的，本技术的实施例提供一种对高速道路交通流参数的处理方法，包括：

3、获取第一预设时间段内目标路段的高速道路交通数据；所述高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项；

4、对所述高速道路交通数据进行去除数据，确定去除数据后的第一数据；所述去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据；

5、根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。

6、可选地，根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据，包括：

7、确定所述第一数据中的异常数据；

8、根据卡尔曼滤波增益确定的卡尔曼预测值，对所述异常数据进行替换，以及，利用所述卡尔曼预测值对所述第一数据中的空缺数据进行填充；所述空缺数据包括：已经删除的超出速度阈值的数据，和/或路侧设备上报的空缺数据；

9、根据替换后的数据和填充后的数据，确定目标设备上报数据的频率；

10、确定所述目标设备上报数据的频率是否超出第一预设值；

11、若所述目标设备上报数据的频率未超出所述第一预设值，则确定处理后的第一目标高速数据。

12、可选地，上述的方法还包括：

13、构建速度初始模型、流量初始模型和拥堵指数初始模型；

14、根据所述速度初始模型、所述流量初始模型和所述拥堵指数初始模型，构建卡尔曼滤波模型；

15、根据所述卡尔曼滤波模型，确定当前时刻的上一时刻的最优估计值和当前时刻的上一时刻的最优估计协方差；

16、根据所述上一时刻的最优估计值，预测当前时刻的先验估计状态值，以及根据所述上一时刻的最优估计协方差，预测当前时刻的先验估计协方差矩阵；

17、根据所述当前时刻的测量值、先验估计协方差矩阵，确定所述卡尔曼滤波增益；

18、根据所述当前时刻的先验估计状态值和卡尔曼滤波增益，更新所述最优估计值和所述最优估计值对应的所述最优估计协方差。

19、可选地，构建速度初始模型，包括：

20、获取第二预设时间段的速度数据和速度参数向量矩阵；所述速度数据包括第二预设时间段中每个时刻所对应目标速度，所述目标速度包括m个路侧点中每个路侧点的速度；所述速度参数向量矩阵表示每个时刻m个路侧点中每个路侧点的速度状态变量；m为大于或等于1的整数；所述第二预设时间段的早于所述第一预设时间段；

21、根据所述速度数据、所述速度参数向量矩阵和第一预设白噪声数据，构建速度初始模型。

22、可选地，构建流量初始模型，包括：

23、获取第二预设时间段的流量数据和流量参数向量矩阵；所述流量数据包括第二预设时间段中每个时刻所对应目标流量，所述目标流量包括m个路侧点中每个路侧点的流量；所述流量参数向量矩阵表示每个时刻m个路侧点中每个路侧点的流量状态变量；m为大于或等于1的整数；所述第二预设时间段的早于所述第一预设时间段；

24、根据所述流量数据、所述流量参数向量矩阵和第二预设白噪声数据，构建流量初始模型。

25、可选地，构建拥堵指数初始模型，包括：

26、获取第一参数向量矩阵和第二参数向量矩阵；所述第一参数向量矩阵表示m个路侧点的速度系数矩阵；所述第二参数向量矩阵表示m个路侧点的流量系数矩阵；m为大于或等于1的整数；

27、根据所述速度初始模型，确定速度参数向量矩阵和速度数据矩阵；

28、根据所述流量初始模型，确定流量参数向量矩阵和流量数据矩阵；

29、根据所述第一参数向量矩阵、所述速度参数向量矩阵和所述速度数据矩阵之间的第一乘积，以及，所述第二参数向量矩阵、所述流量参数向量矩阵和所述流量数据矩阵之间的第二乘积，构建拥堵指数初始模型。

30、可选地，上述的方法还包括：

31、根据替换后的数据和填充后的数据，确定目标设备上报数据的频率超出所述第一预设值，则将所述目标设备进行上报预警，并根据动态时间弯曲算法，估算所述目标设备的第二目标高速数据。

32、可选地，根据动态时间弯曲算法，估算所述目标设备的第二目标高速数据，包括：

33、根据动态时间弯曲算法，确定与所述目标设备所处路段相同道路的上下游第一距离内的路侧设备候选集；

34、根据所述路侧设备候选集，确定处于第二预设时间内的目标数据；

35、根据所述目标数据，估计所述目标路段的高速数据。

36、可选地，确定所述第一数据中的异常数据，包括：

37、根据残差卡方算法，确定预测残差序列和残差协方差；

38、根据所述预测残差序列、残差协方差、所述预测残差序列的转置矩阵，确定异常数据的检测函数；

39、根据所述异常数据的检测函数，确定所述第一数据中的异常数据。

40、为达到上述目的，本技术的实施例还提供一种对高速道路交通流参数的处理装置，包括：

41、第一获取模块，用于获取第一预设时间段内目标路段的高速道路交通数据；所述高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项；

42、第一确定模块，用于对所述高速道路交通数据进行去除数据，确定去除数据后的第一数据；所述去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据；

43、第二确定模块，用于根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。

44、为达到上述目的，本技术的实施例还提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上任一项所述的对高速道路交通流参数的处理装置中的步骤。

45、本技术的上述技术方案的有益效果如下：

46、本技术的实施例中，对包括速度数据、流量数据和拥堵指数数据中的一项或多项的高速道路交通数据，进行去除数据，如删除重复数据、删除超出速度阈值的数据等，再通过考虑了车速、车流量、交通拥堵指数的特征与关系的卡尔曼滤波增益，对去除数据后的第一数据进行处理，得到处理后的目标高速数据，提高了处理后数据的质量，解决后续数据挖掘过程中因数据质量差导致计算准确性较低、模型泛化能力差等问题。