CN104658252A - 基于多源数据融合的高速公路交通运行状态的评估方法 - Google Patents

Abstract

本发明公开了一种基于多源数据融合的高速公路交通运行状态的评估方法，涉及交通运行状态评估技术领域。本发明利用固定车检器数据，结合浮动车采集***采集并积累的大量GPS数据，和高速公路收费***采集并积累的大量的收费数据，对基于多源数据融合的高速公路交通运行状态进行评估，得到的高速公路交通运行状态的评估结果更加准确、覆盖面更广，可以弥补车检器布设不足的缺陷，完善路网监测范围和体系，可以实现及时、准确地发现道路上存在的交通拥堵，保证道路交通的安全与效率；而且，收费数据、浮动车数据都是基于现有的收费***、浮动车GPS管理***，数据额外采集成本为零，所以，使用本发明实施例提供的方法的经济性和推广前景良好。

Description

基于多源数据融合的高速公路交通运行状态的评估方法

技术领域

本发明涉及交通运行状态评估技术领域，尤其涉及一种基于多源数据融合的高速公路交通运行状态的评估方法。

背景技术

交通运行状态的评估对道路交通的安全与效率具有重要影响。对交通运行状态进行监测和预测，及时、准确的发现道路上存在的交通拥堵，一直是交通运行状态评估领域研究的焦点和难点，自上世纪六十年代以来，对高速公路交通运行状态的评估已成为动态交通管理研究领域的热点之一，并涌现了大量的成果。

目前，对交通运行状态的评估的研究，多依赖于固定式车辆检测器数据，但由于受成本的限制，车检器的布设数量十分有限，则得到的车检器数据十分有限，而交通数据是进行交通运行状态监测与预测的基础，所以，现有技术中，利用有限的车检器数据对交通运行状态进行评估，使得交通状态监测与预测的经济性和空间覆盖范围受到了严重的影响，从而无法及时、准确地发现道路上存在的交通拥堵，影响道路交通的安全与效率。

发明内容

本发明的目的在于提供一种基于多源数据融合的高速公路交通运行状态的评估方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于多源数据融合的高速公路交通运行状态的评估方法，包括如下步骤：

步骤1，获取基于多源数据的区间交通运行参数；

步骤2，对所述基于多源数据的区间交通运行参数进行融合，得到融合的区间交通运行参数；

步骤3，利用区间交通运行状态指标体系和步骤2得到的融合的区间交通运行参数，对区间交通运行状态进行评估，得到区间交通运行状态的评估结果；

步骤4，利用断面交通运行状态指标体系和固定车检器的地点交通运行参数，对固定车检器所在的断面交通运行状态进行评估，得到断面交通运行状态的评估结果；

步骤5，利用步骤3得到的区间交通运行状态的评估结果和步骤4得到的断面交通运行状态的评估结果，获取高速公路交通运行状态的评估结果。

优选地，步骤1中，所述多源数据包括固定车检器数据、收费数据和浮动车数据。

优选地，步骤1中，基于所述固定车检器数据的车检器断面间的区间交通运行参数，利用元胞传输模型获取。

优选地，步骤1中，基于所述收费数据的收费站点间的区间交通运行参数，通过对所述收费数据进行统计获取。

更优选地，需要统计的所述收费数据包括：出口收费站编号、出口车道编号、出口时间、入口收费站编号、入口车道号、入口时间、车型、客货分类、收费操作类型和/或行驶里程；所述对所述收费数据进行统计，具体为：对相同的出口时间段内具有相同的出口收费站编号、入口收费站编号的车辆进行统计，获取收费站点间的区间车流量；通过如下公式获取单一车辆的区间运行速度：

区间运行速度＝行驶里程/(出口时间-入口时间)

优选地，步骤1中，基于所述浮动车数据的路段区间交通运行参数，利用点到点的地图匹配方法获取。

具体地，所述点到点的地图匹配方法按照如下步骤进行实施：

搜寻浮动车的行驶路径；

在所述行驶路径中确定浮动车的物理位置；

所述点到点的地图匹配方法输入的数据包括GPS位置点数据和GIS道路空间数据。

优选地，步骤2中，通过BP神经网络模型对所述基于多源数据的区间交通运行参数进行融合。

更优选地，所述BP神经网络模型由输入层、输出层和若干隐含层构成；

所述输入层的输入数据包括：基于各种数据源的区间交通运行参数和样本数量；

所述输出层的输出数据为融合后的区间交通运行参数。

优选地，步骤5中，采用如下公式获取高速公路交通运行状态的评估结果：

$\hat{y}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\left(t\right)\·{\hat{y}}_i\left(t\right)$

式中：—高速公路运行状态t时刻的评估结果；

—第i种算法在t时刻的评估值；

w_i(t)—的权重。

本发明的有益效果是：本发明实施例提供的技术方案，利用固定车检器数据，结合浮动车采集***采集并积累的大量GPS数据，和高速公路收费***采集并积累的大量的收费数据，对基于多源数据融合的高速公路交通运行状态进行评估，得到的高速公路交通运行状态的评估结果更加准确、覆盖面更广，可以弥补车检器布设不足的缺陷，完善路网监测范围和体系，可以实现及时、准确地发现道路上存在的交通拥堵，保证道路交通的安全与效率；而且，收费数据、浮动车数据都是基于现有的收费***、浮动车GPS管理***，数据额外采集成本为零，所以，使用本发明实施例提供的方法的经济性和推广前景良好。

附图说明

图1是本发明实施例提供的评估方法流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明实施例提供了一种基于多源数据融合的高速公路交通运行状态的评估方法，包括如下步骤：

步骤1，获取基于多源数据的区间交通运行参数；

步骤2，对所述基于多源数据的区间交通运行参数进行融合，得到融合的区间交通运行参数；

步骤3，利用区间交通运行状态指标体系和步骤2得到的融合的区间交通运行参数，对区间交通运行状态进行评估，得到区间交通运行状态的评估结果；

步骤4，利用断面交通运行状态指标体系和固定车检器的地点交通运行参数，对固定车检器所在的断面交通运行状态进行评估，得到断面交通运行状态的评估结果；

步骤5，利用步骤3得到的区间交通运行状态的评估结果和步骤4得到的断面交通运行状态的评估结果，获取高速公路交通运行状态的评估结果。

与现有技术中的单一的利用车检器数据进行交通运行状态的评估方法相比，本实施例中，采用对基于多源数据的交通运行参数的融合进行交通运行状态评估，得到的高速公路交通运行状态的评估结果更加准确、覆盖面更广，可以弥补车检器布设不足的缺陷，完善路网监测范围和体系，可以实现及时、准确地发现道路上存在的交通拥堵，保证道路交通的安全与效率。

其中，步骤1中，所述多源数据可以包括固定车检器数据、收费数据和浮动车数据。

由于收费数据是基于现有的高速公路的收费***，浮动车数据是基于现有的浮动车GPS管理***，所以利用本发明实施例提供的评估方法，对交通运行状态进行评估时，无需额外建立收费数据和浮动车数据的采集***，也无需额外采集收费数据和浮动车数据，只需要将收费数据中与评估交通运行状态相关的数据从收费***中提取出来，将浮动车数据中与评估交通运行状态相关的数据从GPS管理***中提取出来，就可以直接使用，所以，与现有技术中利用车检器数据进行交通运行状态的评估方法相比，本发明实施例提供的方法，其数据采集成本为零，，经济性好，具有良好的推广应用前景。

本发明实施例中，步骤1中，基于所述固定车检器数据的车检器断面间的区间交通运行参数，利用元胞传输模型获取。具体可以采用如下方法：

CTM将时间离散化，并将路段a划分为λ_a个等距的元胞，其中每个元胞的长度等于自由流条件下车辆在一个时间步长δ内行驶的距离。其中，元胞1至元胞λ_a-1为混行区元胞，不同目的地的车辆在该区域内混行；元胞λ_a为渠化区元胞，根据下游路段方向被划分为不同的排队区域，车辆根据行驶的下游目的路段，进入不同的车道排队。可以得到CTM中交通流时空演化方程：

$y_i^a\left(k\right)=q_i^a\left(k\right)\mathrm{\δ}=\min \{{\mathrm{v\ρ}}_{i-1}^a\left(k\right)\mathrm{\δ},q_{i,\max }^a\left(k\right)\mathrm{\δ},\mathrm{\ω}({\mathrm{\ρ}}_{\mathrm{jam}}^a-{\mathrm{\ρ}}_i^a\left(k\right))\mathrm{\δ}\}---\left(1\right)$

由于n_i(k)＝ρ_i(k)·νδ，则有

$y_i^a\left(k\right)=\min \{n_{i-1}^a\left(k\right),Q_i^a\left(k\right),\mathrm{\ω}(N_i^a\left(k\right)-n_i^a\left(k\right))/v\}---\left(2\right)$

同时由于流量守恒，则有

$n_i^a(k+1)=n_i^a\left(k\right)+y_i^a\left(k\right)-y_{i+1}^a\left(k\right)---\left(3\right)$

其中为路段a上元胞i在时段k的流入量，为路段a的元胞i在时段k的流入率，为路段a的元胞i在时段k的车流密度，为路段a的元胞i在时段k的最大流率，为路段a的元胞i在时段k的最大流量，为路段a的元胞i在时段k的最大承载能力，为路段a的元胞i在时段k的车辆数。

计算路段的平均瞬时速度和网络的平均瞬时速度的方法与计算类似拥堵延误的方法类似。在时段k，对于任意路段a上的任意元胞i，假设该元胞全部流出的车辆均以最大速度ν^a流出路段，而剩余的车辆滞留在元胞内，这部分车辆速度为0。于是，路段平均瞬时速度的方法计算如下：

${\stackrel{\‾}{v}}_a\left(v\right)=\frac{\underset{i}{\mathrm{\Σ}}{v}^a{y}_{i+1}^a\left(k\right)}{\underset{i}{\mathrm{\Σ}}{n}_i^a\left(k\right)}---\left(4\right)$

在仿真过程中，所有车辆的时间、位置等出行信息都被记录下来。因此，根据进入以及离开路段的时间，可以推算出不同时刻各路段的平均、实时走行时间以及各条路径相应的平均、实时走行时间。其中，路段平均走行时间τ_a(k)可以通过如下方法得到：

${\mathrm{\τ}}_a\left(k\right)=\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}{\mathrm{\τ}}_z^a{\mathrm{\ξ}}_z^a\left(k\right)/\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}{\mathrm{\ξ}}_z^a\left(k\right)---\left(5\right)$

其中，M^rs是起迄点r、s之间所有出行者组成的集合；是出行者z通过路段a的实际走行时间；描述出行者z是否在k时段内进入路段a，是则 ${\mathrm{\ξ}}_z^a\left(k\right)=1;$ 否则 ${\mathrm{\ξ}}_z^a\left(k\right)=0.$

当 $\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}{\mathrm{\ξ}}_z^a\left(k\right)=0$ 时，

${\mathrm{\τ}}_a\left(k\right)=\max \{{\widetilde{\mathrm{\τ}}}_a,{\mathrm{\τ}}_a(k-1)-1\}---\left(6\right)$

其中，是车辆通过路段a的自由流走行时间。(4-25)式的第一项说明车辆通过路段a的走行时间不可能小于自由流条件下的走行时间，即第二项由FIFO条件 $(k-1)+{\mathrm{\τ}}_a(k-1)\≤k+{\mathrm{\τ}}_a\left(k\right)\⇔{\mathrm{\τ}}_a\left(k\right)\≥{\mathrm{\τ}}_a(k-1)-1$ 推出。

出行者在k时刻进入路网并通过路径p＝{a₁,a₂,…,a_n}出行，则其实际路径走行时间可以如下方法计算：

$c_p^{\mathrm{rs}}\left(k\right)={\mathrm{\τ}}_{a_1}\left(k\right)+{\mathrm{\τ}}_{a_2}(k+{\mathrm{\τ}}_{a_1}\left(k\right))+...+{\mathrm{\τ}}_{a_n}(k+{\mathrm{\τ}}_{a_1}\left(k\right)+...+{\mathrm{\τ}}_{a_{n-1}}(k+{\mathrm{\τ}}_{a_1}\left(k\right)+...))---\left(7\right)$

在实际仿真过程中，路段的平均走行时间信息需要在仿真结束之后才可以获得。对于实时交通条件下的ITS应用，只能通过已经驶出路段的出行者信息获取，则路段的实时走行时间τ′_a(k)可以按如下方法进行计算：

${\mathrm{\τ}}_a^{\′}\left(k\right)=\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}{\mathrm{\τ}}_z^a{\mathrm{\ξ}}_z^a\left(k\right)/\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}{\mathrm{\ξ}}_z^a\left(k\right)---\left(8\right)$

其中描述出行者z是否在k时段内离开路段a，是则否则 ${\mathrm{\ζ}}_z^a\left(k\right)=0.$

当 $\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}{\mathrm{\ζ}}_z^a\left(k\right)=0$ 时，

${\mathrm{\τ}}_a^{\′}\left(k\right)=\max \{{\widetilde{\mathrm{\τ}}}_a,{\mathrm{\τ}}_a^{\′}(k-1)+1\}---\left(9\right)$

因此k时刻路径p＝{a₁,a₂,…,a_n}的实时路径走行时间可以如下方法计算：

某一时刻的瞬时交通流状态不能体现路段真实的行车条件以及交通状况。因此，采用路段平均走行速度来衡量路段的总体交通状况。下面给出路段a的平均行程时间和平均行程速度的计算方法：

${\stackrel{\‾}{\mathrm{\τ}}}_a=\frac{\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{\mathrm{\τ}}_z^a{\mathrm{\ξ}}_z^a\left(k\right)}{\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{\mathrm{\ξ}}_z^a\left(k\right)}---\left(11\right)$

${\stackrel{\‾}{u}}_a=\frac{\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{L_a\mathrm{\ξ}}_z^a\left(k\right)}{\underset{\mathrm{rs}}{\mathrm{\Σ}}\underset{z\∈M^{\mathrm{rs}}}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{{\mathrm{\τ}}_z^a\mathrm{\ξ}}_z^a\left(k\right)}---\left(12\right)$

其中，L_a表示路段a的长度。

本发明实施例中，步骤1中，基于所述收费数据的收费站点间的区间交通运行参数，通过对所述收费数据进行统计获取。

需要统计的所述收费数据包括：出口收费站编号、出口车道编号、出口时间、入口收费站编号、入口车道号、入口时间、车型、客货分类、收费操作类型和/或行驶里程；所述对所述收费数据进行统计，具体为：对相同的出口时间段内具有相同的出口收费站编号、入口收费站编号的车辆进行统计，获取收费站点间的区间车流量；通过如下公式获取单一车辆的区间运行速度：

区间运行速度＝行驶里程/(出口时间-入口时间)   (13)

G＝[M_0.25-1.5R,M_0.25+1.5R]                    (14)

R＝M_0.75-M_0.25                                (15)

公式(14)、(15)中，G表示有效数据区间，凡是落在G外的数据都需要过滤；M_0.75、M_0.25分别为将所有行程时间按从小到大的顺序排列并分成四等分，处于第一、第三分割点位置的取值；R表示四分位极差。利用公式(14)、(15)对区间运行速度的集合进行清洗，去除不合理的数据。

本发明实施例中，步骤1中，基于所述浮动车数据的路段区间交通运行参数，利用点到点的地图匹配方法获取。

其中，点到点的匹配方法是指把定位点匹配到与电子地图上定位点几何距离最近的节点或形状点的过程。

本发明实施例中，按照如下步骤进行实施，来实现对某时间窗内对象浮动车的地图匹配：

搜寻浮动车的行驶路径；

在所述行驶路径中确定浮动车的物理位置。

其中，搜寻行驶路径的主要目的是确定该浮动车在该时间窗口内所通过的具体路段，确定物理位置的步骤通过将GPS位置点投影到相应的浮动车行驶路径上，来确定在特定时刻浮动车所处的具体的空间位置。

本发明实施例中，所述点到点的地图匹配方法输入的数据包括GPS位置点数据和GIS道路空间数据。

本发明实施例中，浮动车行驶轨迹搜寻的具体方法可以为：假定在时间窗口i内第n辆浮动车的第m个GPS位置点数据为其中，x，y分别是位置点的纬度和经度坐标，m＝1,2,...,M，M表示时间间隔i内第n辆浮动车所有GPS位置点数据总条数。因为在后续路径计算至少需要两个位置点才能确认一辆浮动车的行驶轨迹，如果M＝1，表示这辆浮动车n在第i个时间窗口内只上传了一个位置信息，则该浮动车的检测数据作为无效数据予以处理，算法跳过该浮动车的处理直接进行第n+1辆浮动车的地图匹配。

确认浮动车n在当前时间窗内拥有不少于一条的GPS位置点数据后，对该浮动车进行初始候选路段集的选择。由于信号等因素的影响，浮动车的位置数据存在一定的误差，其位置点通常在真实位置的周围某一区域内，该区域被称为误差区域。初始候选路段集的选择方法是利用GPS误差区域来对道路进行框选，被误差区域覆盖到的路段即为初始候选路段。

误差区域通常被假定为特定的形状，如圆形。以圆形为例，所有落在GPS位置点的圆形误差区域内的k条路段构成了该位置点的初始候选路段集合k＝1,2,...,K，K表示初始路段候选集内包含的路段总数。如果K＝0，及误差范围没有覆盖任何路段，则意味着该浮动车的该位置点不在目标路网上或者该位置点为异常数据，将该数据加以清除过滤。

将行程车速等交通信息按照5min的时间窗口进行集计，以上述时间窗口为周期运行地图匹配，每运行一次就将本窗口时间内的所有GPS位置点匹配完成，根据浮动车的GPS位置信息同时进行处理以辨识浮动车行驶路径并最终获得浮动车在路段上的具***置和相应交通参数信息，处理完一辆浮动车在该时间窗口内的所有位置点信息后再开始处理下一辆浮动车，在进行该时间窗口内浮动车路径识别时不考虑上一时间窗口内相应浮动车的行驶轨迹。

通常情况下，道路上车辆区间平均速度近似服从正态分布，记为N(v_a,σ²)。根据数理统计中的抽样定理，n台浮动车的区间平均速度服从正态分布N(v_a,σ²/n)，且：

设n台浮动车的区间平均速度与实际区间平均速度v_a的误差小于最大允许误差ε的概率不低于1-α，即

$P\left(\right|{\stackrel{\&OverBar;}{v}}_f-v_a|<{\stackrel{\&OverBar;}{v}}_f-v_a)=\mathrm{\&phi;}\left(\frac{\mathrm{\&epsiv;}\sqrt{n}}{\mathrm{\&sigma;}}\right)-\mathrm{\&phi;}(-\frac{\mathrm{\&epsiv;}\sqrt{n}}{\mathrm{\&sigma;}})\&GreaterEqual;1-\mathrm{\&alpha;}---\left(16\right)$

可得

$n\&GreaterEqual;{\left[\frac{{\mathrm{\&phi;}}^{-1}(1-\frac{\mathrm{\&alpha;}}{2})\&CenterDot;\mathrm{\&sigma;}}{\mathrm{\&epsiv;}}\right]}^2={\left(\frac{Z_{\mathrm{\&alpha;}/2}\&CenterDot;\mathrm{\&sigma;}}{\mathrm{\&epsiv;}}\right)}^2---\left(17\right)$

式中φ(x)为标准正态分布函数，φ^-1(x)为φ(x)的反函数。

从上式可以看出，浮动车数量达到最小样本数量时，计算结果才比较准确。但在实际情况中，在一个计算时间间隔(如5min)内，任一路段上的浮动车数量不可能全部达到最小样本数量要求。针对这一问题，本发明实施例提出采用自适应权重指数平滑法来计算区间平均速度，其数学模型为

$\stackrel{\&OverBar;}{v}\left(k\right)=f\left(k\right)\&CenterDot;\stackrel{\&OverBar;}{v}(k-1)+(1-f\left(k\right))\&CenterDot;\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\stackrel{\&OverBar;}{v}}_i---\left(18\right)$

$f\left(k\right)=\left\{\begin{array}{cc}1-n/n_{\min }& (0\&le;n<n_{\min })\\ 0& (n\&GreaterEqual;n_{\min })\end{array}\right.---\left(19\right)$

式中，为当前计算时间间隔的区间平均速度估计值；为前一计算时间间隔的区间平均速度估计值；f(k)为自适应权重。

本发明实施例中，步骤2中，通过BP神经网络模型对所述基于多源数据的区间交通运行参数进行融合。

其中，所述BP神经网络模型由输入层、输出层和若干隐含层构成；

所述输入层的输入数据包括：基于各种数据源的区间交通运行参数和样本数量；

所述输出层的输出数据为融合后的区间交通运行参数。

在本发明的优选实施例中，采用BP神经网络方法，对固定车检器数据、收费数据和浮动车数据的区间交通运行平均速度进行信息融合。所述输入层的输入数据包括：浮动车数据计算的区间平均速度、浮动车数据的样本数量、收费数据计算的区间平均速度、收费数据的样本量数据、固定车检器数据计算的区间平均速度和固定车检器数据的样本量。因此，神经网络的输入数据为上述6个参数，输出层的输出数据为融合后的区间平均速度。根据神经网络的输入数据和输出数据，确定神经网络的输入层包含6个节点(浮动车数据计算的区间平均速度、浮动车样本数量、收费数据计算的区间平均速度、收费数据的样本量数据、固定车检器数据计算的区间平均速度和固定车检器数据的样本量)，输出层仅包含一个节点(输出融合后的区间平均速度)，隐含层结点数为9个。

本发明实施例中，交通运行状态指标体系依照交通运输部颁布的《公路网交通运行监测与服务暂行技术要求》中对交通拥挤度指标规范制定。

本发明实施例中，在得到融合的区间交通运行参数后，实施步骤3，利用区间交通运行状态指标体系和步骤2得到的融合的区间交通运行参数，对区间交通运行状态进行评估，得到区间交通运行状态的评估结果。

本发明优选实施例中，区间交通运行状态指标体系(高速公路路段拥挤度指标)如表1所示。

表1  高速公路路段拥挤度指标(区间速度指标)

判断步骤2输出的区间平均速度在表1所示的区间交通运行状态指标体系中所在的区间范围，获取路段的交通运行状态，输出畅通、基本畅通、一般、拥挤、堵塞等区间交通运行状态。

本发明实施例中，断面交通运行状态指标体系(高速公路路段拥挤度指标)如表2所示。

本发明的优选实施例中，可以采用如下方法实施步骤4。

利用固定车检器的地点交通运行参数(5分钟统计的车检器断面分方向流量、速度、占有率)，通过表2的断面交通运行状态指标体系评估车检器所在断面的交通运行状态，根据车检器断面数据在表2中所处的速度、占有率区间，判断车检器所代表断面的交通运行状态(拥堵、缓行、畅通)。

表2  断面交通运行状态指标体系(断面速度-占有率指标)

本发明实施例中，利用步骤3得到的区间交通运行状态的评估结果和步骤4得到的断面交通运行状态的评估结果，获取高速公路交通运行状态的评估结果。具体可以采用如下公式获取高速公路交通运行状态的评估结果：

$\hat{y}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i\left(t\right)\&CenterDot;{\hat{y}}_i\left(t\right)$

式中：

—高速公路运行状态t时刻的评估结果；

—第i种算法在t时刻的评估值；

w_i(t)—的权重。

本实施例中，上述公式中，根据不同数据源算法(包括基于浮动车数据的算法、基于收费数据的算法、基于固定车检器数据的算法)的评估结果结合依据该算法的样本量占总样本量的比例计算的权重值w_i(t)，通过加权平均得到最终的高速公路状态评估结果

通过采用本发明公开的上述技术方案，得到了如下有益的效果：：本发明实施例提供的技术方案，利用固定车检器数据，结合浮动车采集***采集并积累的大量GPS数据，和高速公路收费***采集并积累的大量的收费数据，对基于多源数据融合的高速公路交通运行状态进行评估，得到的高速公路交通运行状态的评估结果更加准确、覆盖面更广，可以弥补车检器布设不足的缺陷，完善路网监测范围和体系，可以实现及时、准确地发现道路上存在的交通拥堵，保证道路交通的安全与效率。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域人员应该理解的是，上述实施例提供的方法步骤的时序可根据实际情况进行适应性调整，也可根据实际情况并发进行。

上述实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备，例如：个人计算机、服务器、网络设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等；所述的存储介质，例如：RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅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技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，包括如下步骤：

步骤1，获取基于多源数据的区间交通运行参数；

步骤2，对所述基于多源数据的区间交通运行参数进行融合，得到融合的区间交通运行参数；

步骤3，利用区间交通运行状态指标体系和步骤2得到的融合的区间交通运行参数，对区间交通运行状态进行评估，得到区间交通运行状态的评估结果；

步骤4，利用断面交通运行状态指标体系和固定车检器的地点交通运行参数，对固定车检器所在的断面交通运行状态进行评估，得到断面交通运行状态的评估结果；

步骤5，利用步骤3得到的区间交通运行状态的评估结果和步骤4得到的断面交通运行状态的评估结果，获取高速公路交通运行状态的评估结果。

2.根据权利要求1所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，步骤1中，所述多源数据包括固定车检器数据、收费数据和浮动车数据。

3.根据权利要求2所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，步骤1中，基于所述固定车检器数据的车检器断面间的区间交通运行参数，利用元胞传输模型获取。

4.根据权利要求2所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，步骤1中，基于所述收费数据的收费站点间的区间交通运行参数，通过对所述收费数据进行统计获取。

5.根据权利要求4所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，需要统计的所述收费数据包括：出口收费站编号、出口车道编号、出口时间、入口收费站编号、入口车道号、入口时间、车型、客货分类、收费操作类型和/或行驶里程；所述对所述收费数据进行统计，具体为：对相同的出口时间段内具有相同的出口收费站编号、入口收费站编号的车辆进行统计，获取收费站点间的区间车流量；通过如下公式获取单一车辆的区间运行速度：

区间运行速度＝行驶里程/(出口时间-入口时间)

6.根据权利要求2所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，步骤1中，基于所述浮动车数据的路段区间交通运行参数，利用点到点的地图匹配方法获取。

7.根据权利要求6所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，所述点到点的地图匹配方法按照如下步骤进行实施：

搜寻浮动车的行驶路径；

在所述行驶路径中确定浮动车的物理位置；

所述点到点的地图匹配方法输入的数据包括GPS位置点数据和GIS道路空间数据。

8.根据权利要求1所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，步骤2中，通过BP神经网络模型对所述基于多源数据的区间交通运行参数进行融合。

9.根据权利要求8所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，所述BP神经网络模型由输入层、输出层和若干隐含层构成；

所述输入层的输入数据包括：基于各种数据源的区间交通运行参数和样本数量；

所述输出层的输出数据为融合后的区间交通运行参数。

10.根据权利要求1所述的基于多源数据融合的高速公路交通运行状态的评估方法，其特征在于，步骤5中，采用如下公式获取高速公路交通运行状态的评估结果：

$\hat{y}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_i\left(t\right)\&CenterDot;{\hat{y}}_i\left(t\right)$

式中：—高速公路运行状态t时刻的评估结果；

—第i种算法在t时刻的评估值；

w_i(t)—的权重。