CN104575050A - 一种基于浮动车的快速路匝道智能诱导方法及装置 - Google Patents

Abstract

本发明涉及一种基于浮动车的快速路匝道智能诱导方法及装置。该方法包括下列顺序的步骤：在快速路匝道前方设置诱导屏设备，进行路段划分编码、匝道编码和诱导屏设备编码；将浮动车检测路网内的全部浮动车获取的实时动态参数数据，传输至后台服务器进行标准化存储；计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度；对路段平均出行速度进行校正，并获取快速路各个路段的实时交通运行指数；计算各个匝道的平均交通运行指数，判定各个匝道关联路段的交通运行状态等级；构建智能交通诱导模型，并通过诱导屏设备实时显示智能交通诱导决策。本发明能够实现快速路匝道智能交通诱导。

Description

一种基于浮动车的快速路匝道智能诱导方法及装置

技术领域

本发明涉及城市快速路及高架匝道的智能交通诱导技术领域，尤其是一种基于浮动车的快速路匝道智能诱导方法及装置。

背景技术

随着城市汽车拥有量大幅增加，交通流量和道路供需的矛盾日益突出，城市快速路的出现大大增加了出行路线选择，但快速路带来畅通出行的同时带来了更多的矛盾，每到高峰时段快速路就成了停车场，大大延误了公众的出行。

智能交通诱导是解决快速路拥堵的有效途径，传统的方法大多是通过人工方式进行匝道的限行关闭来调节高架的交通流，应急处理延迟，还浪费人力成本；通过智能交通信息采集技术，实现匝道的智能诱导，是未来匝道控制管理发展的方向。交通信息采集的方式多种多样，有基于浮动车的信息采集技术，也有基于固定检测设备的信息采集方式，如视频检测、微波检测、地感线圈等；传统的信息采集方式存在一定的弊端，如视频检测在雨、雪、雾天环境下容易误判，线圈检测容易受到大型车辆的重压损坏，微波的探测范围较小等，错误的判别可能会导致路段交通负荷，形成停滞，影响应急事件的处理造成公共管理资源的浪费。浮动车交通信息采集技术是通过在车辆上安装GPS，利用车辆的动态位置变化信息进行实时路况提取的技术，基于浮动车位移数据，将时间序列的车辆位置坐标与地图进行匹配，计算所有浮动点的平均速度和路段旅行速度，进而可以提取道路的交通状态，该技术包括GPS数据预处理、地图匹配、路径推测和历史速度补充等数据处理核心程序，各个程序的处理模型也是多种多样的，精度存在着差异。

目前所使用的匝道交通诱导算法大多基于固定点交通信息采集设备，只能对检测很小范围内的道路交通状态，无法获取大范围的交通路况信息，存在检测盲区的弊端，会造成***对状态的误判，出行者如不能对路况信息进行实时掌控，会继续驶入快速路，导致匝道交通拥堵蔓延，事故多发，影响整个城市的交通运行效率。

发明内容

本发明的首要目的在于提供一种能够降低交通信息采集成本，提高快速路交通状态检测的准确度和效率，实现快速路匝道的智能交通诱导的控制管理方法。

为实现上述目的，本发明采用了以下技术方案：

一种基于浮动车的快速路匝道智能诱导方法，该方法包括下列顺序的步骤：

(1)在快速路匝道前方设置诱导屏设备，对快速路进行路段划分编码、快速路匝道编码和诱导屏设备编码，并将路段划分编码、快速路匝道编码和诱导屏设备编码进行关联配对。

(2)将浮动车检测路网内的全部浮动车获取的实时动态参数数据，传输至后台服务器进行标准化存储，后台服务器将实时动态参数数据传输至智能诱导处理服务器。

(3)智能诱导处理服务器将接收到的全部浮动车获取的实时动态参数数据进行地图匹配和路径规划处理，按照时间顺序分别提取各个浮动车路径的关联路段信息，计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度。

(4)基于历史数据弥补模型和速度-运行指数模型，智能诱导处理服务器对路段平均出行速度进行校正，并获取快速路各个路段的实时交通运行指数。

(5)智能诱导处理服务器统计各个匝道所关联路段的交通运行指数，计算各个匝道的平均交通运行指数，并根据各个匝道的平均交通运行指数，判定各个匝道关联路段的交通运行状态等级。

(6)智能诱导处理服务器根据各个匝道关联路段的交通运行状态等级，构建智能交通诱导模型，并通过诱导屏设备实时显示智能交通诱导决策。

步骤(3)中，所述的计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度，具体采用以下方法实现：

假设某辆浮动车在计算周期内所经过的一系列GPS点，经地图匹配和行车路径推测后的具体路径为{P_i,i＝1,2,...,n}，其中，Pi表示该车所经过的第i个路段的ID号；

先利用式(1)计算该车通过路段P_i的出行时间：

$t_{\mathrm{ij}}=\frac{\mathrm{\Δ}{t}_j\×l_i}{\mathrm{\Δ}{d}_j}---\left(1\right)$

其中，t_ij表示浮动车j在路段P_i上的出行时间，△d_j表示浮动车j在△t_j时间内经过路径的长度，△t_j表示浮动车j前后相邻两个上报数据的时间差，l_i表示路段P_i的长度。

再利用式(2)计算路段P_i上的平均出行速度v_i：

$v_i=\frac{l_i\×n_i}{\underset{j=1}{\overset{n_i}{\mathrm{\Σ}}}{t}_{\mathrm{ij}}},n_i\≠0---\left(2\right)$

其中，v_i表示路段P_i的平均出行速度，n_i表示路段P_i上参与计算的浮动车总个数，当n_i等于0，即该路段上没有GPS数据覆盖时，需要用历史数据弥补模型进行弥补处理。

步骤(4)中，所述的历史数据弥补模型，具体如下所示：

当路段上没有GPS数据覆盖时，利用式(3)获得该路段的校正速度信息，

$V_i=k_1{\stackrel{\‾}{V}}_i+(1-k_1){\hat{V}}_i---\left(3\right)$

其中，表示该路段同一时间段的历史平均速度，表示该路段最近一次计算的平均出行速度，k1为大于0且略小于1的系数。

当路段上有GPS数据覆盖时，先利用式(4)计算当前路段的校正速度V_i，再利用式(5)更新该路段最近一次计算的速度同时利用式(6)更新同一时间段的历史平均速度

$V_i=k_2{\stackrel{\‾}{V}}_i+(1-k_2)v_i---\left(4\right)$

${\hat{V}}_i=V_i---\left(5\right)$

${\stackrel{\‾}{V}}_i=k_3{\stackrel{\‾}{V}}_i+(1-k_3)V_i---\left(6\right)$

其中，k2和k3均为大于0且略小于1的系数。

步骤(4)中，所述的速度-运行指数模型，具体如式(7)所示：

${\mathrm{RTPI}}_i=\left\{\begin{array}{cc}10-2\&times;\frac{V_i}{x}& (0\&le;V_i\&le;x)\\ 8-2\&times;\frac{V_i-x}{y-x}& (x<V_i\&le;y)\\ 6-2\&times;\frac{V_i-y}{z-y}& (y<V_i\&le;z)\\ 4-2\&times;\frac{V_i-z}{p-z}& (z<V_i\&le;p)\\ 2-2\&times;\frac{V_i-p}{m-p}& (p<V_i\&le;m)\\ 0& (V_i\&GreaterEqual;m)\end{array}\right.---\left(7\right)$

在式(7)中，RTPI_i表示路段P_i的交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1路段交通运行指数模型参数

步骤(6)中，所述的智能诱导处理服务器根据各个匝道关联路段的交通运行状态等级，构建智能交通诱导模型，并通过诱导屏设备实时显示智能交通诱导决策；具体包括以下步骤：

(61)获取每个匝道所关联路段的交通运行指数，利用式(8)计算匝道平均交通运行指数：

$\stackrel{\&OverBar;}{z_h}=\underset{1}{\overset{h_i}{\mathrm{\&Sigma;}}}{\mathrm{RTPI}}_i/h_i---\left(8\right)$

其中，表示匝道平均交通运行指数，RTPI_i表示当前匝道所关联路段的交通运行指数；h表示当前匝道的编码，h_i表示当前匝道所关联的路段总个数。

(2)根据匝道平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，生成智能交通诱导方案决策树数据库，诱导屏设备通过调用指令数据库接口服务对快速路匝道进行智能交通诱导。

本发明的另一目的在于提供一种基于浮动车的快速路匝道智能诱导装置，包括浮动车、用于数据储存和标准化的后台服务器、智能诱导处理服务器和诱导屏设备。浮动车，其输出端与后台服务器的输入端相连，后台服务器的输出端与智能诱导处理服务器的输入端相连，智能诱导处理服务器的输出端与诱导屏设备的输入端相连。

由上述技术方案可知，本发明通过构建基于浮动车数据的智能化交通诱导控制算法，实现了快速路匝道智能交通诱导。本发明能够降低人工视频方式进行匝道管理的人力成本，并对城市交通流进行有效疏导，缓解交通拥堵，减少交通事故的发生，提升快速路的使用效率和服务水平。

附图说明

图1是本发明的方法流程图；

图2是本发明的装置结构框图。

其中：

1、浮动车，2、用于数据储存和标准化的后台服务器，3、智能诱导处理服务器，4、诱导屏设备。

具体实施方式

如图1所示的一种基于浮动车的快速路匝道智能诱导方法，该方法包括下列顺序的步骤：

S1、在快速路匝道前方设置诱导屏设备，对快速路进行路段划分编码Pi、快速路匝道编码z_h和诱导屏设备编码，并将路段划分编码Pi、快速路匝道编码z和诱导屏设备编码进行关联配对。采用式(0)对快速路匝道编码z_h和路段编码Pi进行一对多关联配对，

z_h＝{P₁,P₂,...,P_i}  (i∈I,h∈H)   (0)

其中，I表示快速路上所有路段的总个数；H表示快速路上所有匝道的总个数。

S2、将浮动车检测路网内的全部浮动车获取的实时动态参数数据，传输至后台服务器进行标准化存储，后台服务器将实时动态参数数据传输至智能诱导处理服务器。浮动车获取的实时动态参数数据，包括时间、经度、纬度、高度、方向角和瞬时速度等。

S3、智能诱导处理服务器将接收到的全部浮动车获取的实时动态参数数据进行地图匹配和路径规划处理，按照时间顺序分别提取各个浮动车路径的关联路段信息，计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度。

所述的计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度，具体采用以下方法实现：

假设某辆浮动车在计算周期内所经过的一系列GPS点，经地图匹配和行车路径推测后的具体路径为{P_i,i＝1,2,...,n}，其中，Pi表示该车所经过的第i个路段的ID号；

先利用式(1)计算该车通过路段P_i的出行时间：

$t_{\mathrm{ij}}=\frac{\mathrm{\&Delta;}{t}_j\&times;l_i}{\mathrm{\&Delta;}{d}_j}---\left(1\right)$

其中，t_ij表示浮动车j在路段P_i上的出行时间，△d_j表示浮动车j在△t_j时间内经过路径的长度，△t_j表示浮动车j前后相邻两个上报数据的时间差，l_i表示路段P_i的长度。

再利用式(2)计算路段P_i上的平均出行速度v_i：

$v_i=\frac{l_i\&times;n_i}{\underset{j=1}{\overset{n_i}{\mathrm{\&Sigma;}}}{t}_{\mathrm{ij}}},n_i\&NotEqual;0---\left(2\right)$

其中，v_i表示路段P_i的平均出行速度，n_i表示路段P_i上参与计算的浮动车总个数，当n_i等于0，即该路段上没有GPS数据覆盖时，需要用历史数据弥补模型进行弥补处理。

S4、获取统计周期内的样本个数，基于历史数据弥补模型和速度-运行指数模型，智能诱导处理服务器对路段平均出行速度进行校正，并获取快速路各个路段的实时交通运行指数。通过对快速路全部浮动车数据进行周期性统计分析计算，提取路段平均出行时间和平均出行速度，结合历史数据弥补模型和速度-运行指数模型，来获取路段交通运行指数。

所述的历史数据弥补模型，用于对当前浮动车数据进行校正，该模型能够提高数据的准确度。该历史数据弥补模型，具体如下所示：

当路段上没有GPS数据覆盖时，利用式(3)获得该路段的校正速度信息，

$V_i=k_1{\stackrel{\&OverBar;}{V}}_i+(1-k_1){\hat{V}}_i---\left(3\right)$

其中，表示该路段同一时间段的历史平均速度，表示该路段最近一次计算的平均出行速度，k1为大于0且略小于1的系数。

当路段上有GPS数据覆盖时，先利用式(4)计算当前路段的校正速度V_i，再利用式(5)更新该路段最近一次计算的速度同时利用式(6)更新同一时间段的历史平均速度

$V_i=k_2{\stackrel{\&OverBar;}{V}}_i+(1-k_2)v_i---\left(4\right)$

${\hat{V}}_i=V_i---\left(5\right)$

${\stackrel{\&OverBar;}{V}}_i=k_3{\stackrel{\&OverBar;}{V}}_i+(1-k_3)V_i---\left(6\right)$

其中，k2和k3均为大于0且略小于1的系数。

所述的速度-运行指数模型，具体如式(7)所示：

${\mathrm{RTPI}}_i=\left\{\begin{array}{cc}10-2\&times;\frac{V_i}{x}& (0\&le;V_i\&le;x)\\ 8-2\&times;\frac{V_i-x}{y-x}& (x<V_i\&le;y)\\ 6-2\&times;\frac{V_i-y}{z-y}& (y<V_i\&le;z)\\ 4-2\&times;\frac{V_i-z}{p-z}& (z<V_i\&le;p)\\ 2-2\&times;\frac{V_i-p}{m-p}& (p<V_i\&le;m)\\ 0& (V_i\&GreaterEqual;m)\end{array}\right.---\left(7\right)$

在式(7)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1路段交通运行指数模型参数

S5、智能诱导处理服务器统计各个匝道所关联路段的交通运行指数，计算各个匝道的平均交通运行指数，并根据各个匝道的平均交通运行指数，判定各个匝道关联路段的交通运行状态等级。状态判定区间如表2所示：

表2交通运行指数分级表

交通运行指数	[0,2]	(2,4]	(4,6]	(6,8]	(8,10]
						状态评价等级	非常畅通	畅通	缓行	拥挤	拥堵

S6、智能诱导处理服务器根据各个匝道关联路段的交通运行状态等级，构建智能交通诱导模型，并通过诱导屏设备实时显示智能交通诱导决策。该过程具体包括以下步骤：

S61、获取每个匝道所关联路段的交通运行指数，利用式(8)计算匝道平均交通运行指数：

$\stackrel{\&OverBar;}{z_h}=\underset{1}{\overset{h_i}{\mathrm{\&Sigma;}}}{\mathrm{RTPI}}_i/h_i---\left(8\right)$

其中，表示匝道平均交通运行指数，RTPI_i表示当前匝道所关联路段的交通运行指数；h表示当前匝道的编码，h_i表示当前匝道所关联的路段总个数。

S62、根据匝道平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，构建智能交通诱导方案，诱导屏设备通过调用指令数据库接口服务对快速路匝道进行智能交通诱导。设置在入口匝道的诱导屏设备通过调用数据库接口服务实现入口匝道的智能诱导，设置在出口匝道的诱导屏设备通过调用数据库接口服务实现出口匝道的智能诱导。

所述的构建智能交通诱导方案，具体包括以下步骤：

S621、判定当前匝道的属性，即是入口匝道还是出口匝道；

S622、根据交通运行状态的等级，制定智能交通诱导发布内容。诱导方案由四部分组成：时间、交通运行指数、交通运行状态和交通诱导内容，具体如下所示：

(1)入口匝道交通诱导内容基于入口匝道关联路段的实时交通运行指数智能生成，内容分成5个等级，如下：

A:该匝道关联道路运行状态为非常畅通等级：“前方高架道路交通运行状况非常好，控制车速，安全至上”。

B:该匝道关联道路运行状态为畅通等级：“前方高架道路交通运行状况良好，请按道路限速标准行驶”。

C:该匝道关联道路运行状态为轻度拥堵等级：“前方高架道路交通运行状况轻度拥堵，出行缓慢，注意安全驾驶”。

D:该匝道关联道路运行状态为中度拥堵等级：“前方高架道路交通运行状况中度拥堵，建议驾驶人员不要驶入高架，谨慎驾驶”。

E:该匝道关联道路运行状态为严重拥堵等级：“前方高架道路交通运行状况极差，严重拥堵，驾驶员请更换出行线路，禁止驶入高架”。

(2)出口匝道交通诱导内容基于出口匝道关联路段的实时交通运行指数智能生成，内容分成5个等级，如下：

A:该匝道关联道路运行状态为非常畅通等级：“前方高架道路交通运行状况非常好，控制车速，安全至上”。

B:该匝道关联道路运行状态为畅通等级：“前方高架道路交通运行状况良好，请按道路限速标准行驶”。

C:该匝道关联道路运行状态为轻度拥堵等级：“前方高架道路交通运行状况轻度拥堵，出行缓慢，注意安全驾驶”。

D:该匝道关联道路运行状态为中度拥堵等级：“前方高架道路交通运行状况中度拥堵，建议驾驶人员驶出高架，谨慎驾驶”。

E:该匝道关联道路运行状态为严重拥堵等级：“前方高架道路交通运行状况极差，严重拥堵，驾驶员请驶出高架，避让拥堵”。

如图2所示，本发明的另一目的在于提供一种基于浮动车的快速路匝道智能诱导装置，包括浮动车1、用于数据储存和标准化的后台服务器2、智能诱导处理服务器3和诱导屏设备4。浮动车1，其输出端与后台服务器2的输入端相连，后台服务器2的输出端与智能诱导处理服务器3的输入端相连，智能诱导处理服务器3的输出端与诱导屏设备4的输入端相连。

如图2所示的一种基于浮动车的快速路匝道智能诱导装置，包括浮动车1、用于数据储存和标准化的后台服务器2、智能诱导处理服务器3和诱导屏设备4。浮动车1，其输出端与后台服务器2的输入端相连，后台服务器2的输出端与智能诱导处理服务器3的输入端相连，智能诱导处理服务器3的输出端与诱导屏设备4的输入端相连。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (6)

1.一种基于浮动车的快速路匝道智能诱导方法，其特征在于：该方法包括下列顺序的步骤：

(1)在快速路匝道前方设置诱导屏设备，对快速路进行路段划分编码、快速路匝道编码和诱导屏设备编码，并将路段划分编码、快速路匝道编码和诱导屏设备编码进行关联配对；

(2)将浮动车检测路网内的全部浮动车获取的实时动态参数数据，传输至后台服务器进行标准化存储，后台服务器将实时动态参数数据传输至智能诱导处理服务器；

(3)智能诱导处理服务器将接收到的全部浮动车获取的实时动态参数数据进行地图匹配和路径规划处理，按照时间顺序分别提取各个浮动车路径的关联路段信息，计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度；

(4)基于历史数据弥补模型和速度-运行指数模型，智能诱导处理服务器对路段平均出行速度进行校正，并获取快速路各个路段的实时交通运行指数；

(5)智能诱导处理服务器统计各个匝道所关联路段的交通运行指数，计算各个匝道的平均交通运行指数，并根据各个匝道的平均交通运行指数，判定各个匝道关联路段的交通运行状态等级；

(6)智能诱导处理服务器根据各个匝道关联路段的交通运行状态等级，构建智能交通诱导模型，并通过诱导屏设备实时显示智能交通诱导决策。

2.根据权利要求1所述的一种基于浮动车的快速路匝道智能诱导方法，其特征在于：步骤(3)中，所述的计算各个浮动车在路径上各个路段的平均出行时间和平均出行速度，具体采用以下方法实现：

假设某辆浮动车在计算周期内所经过的一系列GPS点，经地图匹配和行车路径推测后的具体路径为{P_i,i＝1,2,...,n}，其中，Pi表示该车所经过的第i个路段的ID号；

先利用式(1)计算该车通过路段P_i的出行时间：

$t_{\mathrm{ij}}=\frac{\mathrm{\&Delta;}{t}_j\&times;l_i}{\mathrm{\&Delta;}{d}_j}---\left(1\right)$

其中，t_ij表示浮动车j在路段P_i上的出行时间，Δd_j表示浮动车j在Δt_j时间内经过路径的长度，Δt_j表示浮动车j前后相邻两个上报数据的时间差，l_i表示路段P_i的长度；

再利用式(2)计算路段P_i上的平均出行速度v_i：

$v_i=\frac{l_i\&times;n_i}{\underset{j=1}{\overset{n_i}{\mathrm{\&Sigma;}}}{t}_{\mathrm{ij}}},n_i\&NotEqual;0---\left(2\right)$

其中，v_i表示路段P_i的平均出行速度，n_i表示路段P_i上参与计算的浮动车总个数，当n_i等于0，即该路段上没有GPS数据覆盖时，需要用历史数据弥补模型进行弥补处理。

3.根据权利要求1所述的一种基于浮动车的快速路匝道智能诱导方法，其特征在于：步骤(4)中，所述的历史数据弥补模型，具体如下所示：

当路段上没有GPS数据覆盖时，利用式(3)获得该路段的校正速度信息，

$V_i=k_1{\stackrel{\&OverBar;}{V}}_i+(1-k_1){\hat{V}}_i---\left(3\right)$

其中，表示该路段同一时间段的历史平均速度，表示该路段最近一次计算的平均出行速度，k1为大于0且略小于1的系数；

当路段上有GPS数据覆盖时，先利用式(4)计算当前路段的校正速度V_i，再利用式(5)更新该路段最近一次计算的速度同时利用式(6)更新同一时间段的历史平均速度

$V_i=k_2{\stackrel{\&OverBar;}{V}}_i+(1-k_2)v_i---\left(4\right)$

${\hat{V}}_i=V_i---\left(5\right)$

$V_i=k_3{\stackrel{\&OverBar;}{V}}_i+(1-k_3)V_i---\left(6\right)$

其中，k2和k3均为大于0且略小于1的系数。

4.根据权利要求1所述的一种基于浮动车的快速路匝道智能诱导方法，其特征在于：步骤(4)中，所述的速度-运行指数模型，具体如式(7)所示：

${\mathrm{RTPI}}_i=\left\{\begin{array}{cc}10-2\&times;\frac{V_i}{x}& (0\&le;V_i\&le;x)\\ 8-2\&times;\frac{V_i-x}{y-x}& (x<V_i\&le;y)\\ 6-2\&times;\frac{V_i-y}{z-y}& (y<V_i\&le;z)\\ 4-2\&times;\frac{V_i-z}{p-z}& (z<V_i\&le;p)\\ 2-2\&times;\frac{V_i-p}{m-p}& (p<V_i\&le;m)\\ 0& (V_i\&GreaterEqual;m)\end{array}\right.---\left(7\right)$

在式(7)中，RTPI_i表示路段P_i的交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1路段交通运行指数模型参数

5.根据权利要求1所述的一种基于浮动车的快速路匝道智能诱导方法，其特征在于：步骤(6)中，所述的智能诱导处理服务器根据各个匝道关联路段的交通运行状态等级，构建智能交通诱导模型，并通过诱导屏设备实时显示智能交通诱导决策；具体包括以下步骤：

(61)获取每个匝道所关联路段的交通运行指数，利用式(8)计算匝道平均交通运行指数：

${\stackrel{\&OverBar;}{z}}_h=\underset{1}{\overset{h_i}{\mathrm{\&Sigma;}}}{\mathrm{RTPI}}_i/h_i---\left(8\right)$

其中，表示匝道平均交通运行指数，RTPI_i表示当前匝道所关联路段的交通运行指数；h表示当前匝道的编码，h_i表示当前匝道所关联的路段总个数；

(2)根据匝道平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，生成智能交通诱导方案决策树数据库，诱导屏设备通过调用指令数据库接口服务对快速路匝道进行智能交通诱导。

6.一种基于浮动车的快速路匝道智能诱导装置，其特征在于：包括浮动车、用于数据储存和标准化的后台服务器、智能诱导处理服务器和诱导屏设备；

浮动车，其输出端与后台服务器的输入端相连，后台服务器的输出端与智能诱导处理服务器的输入端相连，智能诱导处理服务器的输出端与诱导屏设备的输入端相连。