CN104778839A - 基于视频检测器的城市道路下游分方向交通状态判别方法 - Google Patents

Abstract

本发明提供了一种基于视频检测器的城市道路下游分方向交通状态判别方法。目前城市道路交通状态的判别主要以浮动车数据为依据，而浮动车在不同时段的载客率和出车率差异很大，导致数据样本量不足且分布不均。本发明是通过视频检测器获得路段中每股不同交通流的路段行程时间，继而构造路段中每股不同交通流的路段交通拥挤指数分别对不同的交通流向进行交通状态的判别。本发明充分利用现有视频资源获取充足的数据支持，弥补了传统检测方法样本量小且分不均的不足；行程时间和行程速度计算方法简单快速，易于工程实现；综合各种断面和区间交通信息，提供了道路交通拥堵判别方法，为均衡分配道路资源，诱导交通流合理运行提供数据支撑与决策依据。

Description

基于视频检测器的城市道路下游分方向交通状态判别方法

技术领域

本发明涉及一种基于视频检测器的城市道路下游分方向交通状态判别方法，用于城市交通控制与管理，属于智能交通研究领域。

背景技术

对道路交通状态进行科学合理的估计，可以为交通管理者和交通参与者提供动态决策依据，诱导城市交通良性发展。

目前城市道路交通状态的判别主要以浮动车数据为依据。作为当前惟一能够支持大规模应用浮动车数据采集源的出租车，本身也是一种营运车辆，在不同时段的载客率和出车率差异很大，而且往往集中在公共活动集中的区域和重要客运通道上，这种行驶特性会导致浮动车数据样本量不足和分布不均，进而影响相关交通参数的准确度和精确性。虽然断面检测器在交通数据的采集中使用广泛，但是个别检测器的异常往往会导致数据的不可靠性，因此对交通状态的判别仍旧不太准确。同时当前的交通状态判别往往将路段作为整体进行判别，忽略了路段不同方向交通流的差异，下游左转车道、直行车道、右转车道往往呈现不一样的交通状态，因此将路段交通流不同流向考虑进交通状态的判别是十分必要的。随着视频检测设备安装的日益完善并愈加广泛，交通出行者及管理者对交通信息需求的日益迫切，以及视频检测器的交通数据特征可以较好满足目前对于交通状态判别的紧迫需求，因此建立起一个基于视频检测器的城市道路下游分方向交通状态判别方法是十分必要且迫切的。

发明内容

本发明的目的在于提供一种基于视频检测器的城市道路下游分方向交通状态判别方法。

本发明的基本思想是通过视频检测器获得路段中每股不同方向交通流的路段行程时间，继而构造路段中不同方向交通流的路段交通拥挤指数，分别对不同方向交通流的交通流进行交通状态的判别。为实现上述目的，本发明提出的交通状态判别方法包括通过视频数据计算不同方向交通流信息发布间隔行程时间、车辆行程速度、路段交通拥堵指数、路段理想行程速度、交通状态判别方法五个步骤。

本发明的基本步骤如下：

c1、计算不同方向交通流的信息发布间隔内平均行程时间。

c2、计算下游不同方向交通流的信息发布间隔内平均行程速度。

c3、根据下游不同方向交通流的信息发布间隔内平均行程速度，建立路段交通拥堵指数。

c4、计算下游不同方向交通流的理想行程速度。

c5、根据路段交通拥堵指数对下游不同方向交通流进行交通状态判别。

步骤c1中计算不同方向交通流的信息发布间隔内平均行程时间的过程包括：

c11、取所需判别路段l的采样间隔为下游交叉口的信号周期时长c。

c12、确定从上游交叉口u方向驶入、下游交叉口d方向驶出的交通流D_ud中单个车辆的路段行程时间：

$T_{\mathrm{ud}}^{\mathrm{lki}}=t_d^{\mathrm{lki}}-t_u^{\mathrm{lki}}$

式中，——l路段上第k个采样间隔内从上游交叉口u方向驶入、下游交叉口d方向驶出的车辆i的路段行程时间，u、d包括左直右，分别取1、2、3，k＝1，2，3，……，K；

——l路段上第k个采样间隔内车辆i从下游交叉口d方向驶出的时刻；

——l路段上第k个采样间隔内车辆i从上游交叉口u方向驶入的时刻。

c13、确定采样间隔内交通流D_ud的平均行程时间：

$T_{\mathrm{ud}}^{\mathrm{lk}}=\frac{\underset{i=1}{\overset{N_{\mathrm{ud}}^{\mathrm{lk}}}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lki}}}{N_{\mathrm{ud}}^{\mathrm{lk}}}$

式中，——l路段上从上游交叉口u方向驶入、下游交叉口d方向驶出的交通流D_ud在第k个采样间隔内的平均行程时间。

——l路段上第k个采样间隔内交通流D_ud的车辆数。

c14、确定信息发布间隔内交通流D_ud的平均行程时间：

c141、数据完整情况下，确定交通流D_ud`信息发布间隔行程时间，其中，信息发布间隔取采样间隔的K倍，K为整数。

$T_{\mathrm{ud}}^{\mathrm{lm}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lk}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lk}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}{N_{\mathrm{ud}}^{\mathrm{lm}}}$

式中，——l路段交通流D_ud在第m个信息发布间隔内的平均行程时间；

c142、数据缺失情况下，不同交通流信息发布间隔行程时间：

$T_{\mathrm{ud}}^{\mathrm{lm}}=T_{\mathrm{ud}}^{{\mathrm{lmh}}_1}+(1-\mathrm{\α})(T_{\mathrm{ud}}^{l(m-1)h_1}-T_{\mathrm{ud}}^{l(m-1)})+\mathrm{\α}(T_{\mathrm{ud}}^{{\mathrm{lmh}}_1}-T_{\mathrm{ud}}^{{\mathrm{lmh}}_2})$

式中，——当前日期前一日内l路段交通流D_ud在第m个信息发布间隔内的平均行程时间；

——当前日期前两日内l路段交通流D_ud在第m个信息发布间隔内的平均行程时间；

——当前日期前一日内l路段交通流D_ud在第m-1个信息发布间隔内的平均行程时间；

——l路段交通流D_ud在第m-1个信息发布间隔内的平均行程时间；

α——当前信息发布间隔m的历史数据变化量与前一信息发布间隔m-1的数据变化量的权重系数，α∈[0,1]，第m间隔和第m-1间隔历史数据变化较大时，α取值较大，反之，α取值较小，一般可取0.5。

步骤c2中计算信息发布间隔内下游不同方向交通流平均行程速度的过程包括：

c21、确定下游不同方向交通流D_d的行程距离L_ud。

c22、确定下游左转方向(d＝1)交通流的信息发布间隔内的行程速度：

$v_1^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u1}^{\mathrm{lm}}{L}_{u1}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u1}^{\mathrm{lm}}{N}_{u1}^{\mathrm{lm}}}$

c23、确定下游直行方向(d＝2)交通流的信息发布间隔内的行程速度：

$v_2^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u2}^{\mathrm{lm}}{L}_{u2}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u2}^{\mathrm{lm}}{N}_{u2}^{\mathrm{lm}}}$

c24、确定下游右转方向(d＝3)交通流的信息发布间隔内的行程速度：

$v_3^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u3}^{\mathrm{lm}}{L}_{u3}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u3}^{\mathrm{lm}}{N}_{u3}^{\mathrm{lm}}}$

步骤c3中根据下游不同方向交通流信息发布间隔内的行程速度建立路段交通拥堵指数的过程包括：

不同的道路交通状态下，驾驶员通过路段l的行程时间不同，则行程速度不同，因此通过比较驾驶员的实际行程速度和理想行程速度偏离的程度，可以判断出路段的交通拥挤程度：

$M_d^{\mathrm{lm}}=(v_{\mathrm{d\; expected}}^l-v_d^{\mathrm{lm}})/v_{\mathrm{d\; expected}}^l$

式中，——l路段在第m个信息发布间隔内交通流D_d的路段交通拥挤指数；

——l路段交通流D_d的理想行程速度。理想行程速度的计算将在步骤c4中介绍。

步骤c4中计算下游不同方向交通流的理想行程速度的过程包括：

高速公路上理想行程速度即为自由流速度，而城市道路自由流速度较难测得，同时由于路段理想行程速度与路段条件、交叉口信号等相关，不同的路段具有不同的理想行程速度。因此，以路段历史最大行程速度为基础，计算不同路段上不同交通流的理想行程速度。

$v_{\mathrm{d\; expected}}^l=\max \left(v_{\mathrm{d\; his}}^l\right)/\mathrm{\η}$

式中，η——路段理想行程速度的折减系数；

——l路段交通流D_d的历史行程速度。

步骤c5中根据路段交通拥堵指数对下游不同方向交通流进行交通状态判别的过程包括：

c51、采用交通状态变化的置信区间，对交通状态变化的临界位置进行处理。定义±ΔM为状态变化的正常波动区间，±ΔM与视频检测数据的匹配率相关：

$\mathrm{\Δ}{M}_d^{\mathrm{lm}}=\frac{\mathrm{\β}(1-\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ud}}^{\mathrm{lm}}/\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ud}\max }^{\mathrm{lm}}){\mathrm{\σ}}_{v_d^{\mathrm{lm}}}}{v_{\mathrm{d\; expected}}^l}$

式中，——l路段在第m个信息发布间隔内交通流D_d的路段交通拥挤指数的正常波动区间；

——l路段在第m个信息发布间隔内交通流D_ud的实际车辆数；

——l路段在第m个信息发布间隔内交通流D_ud匹配车辆数；

——l路段在第m个信息发布间隔内交通流D_d的车辆行程速度的标准差；

β——相关系数。

c52、根据路段交通拥堵指数与其正常波动区间对下游不同方向交通流进行交通状态判别包括以下步骤。

c521第m个发布间隔内，交通流D_d的交通状态为红时，第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(M_r-ΔM_d,1]时，交通状态为红；

②当M_d∈(M_g-ΔM_d,M_r-ΔM_d]时，交通状态为黄；

③当M_d∈[0,M_g-ΔM_d]时，交通状态为绿。

c522第m个发布间隔内，交通流D_d的交通状态为黄时，第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(M_r+ΔM_d,1]时，交通状态为红；

②当M_d∈(M_g-ΔM_d,M_r+ΔM_d]时，交通状态为黄；

③当M_d∈[0,M_g-ΔM_d]时，交通状态为绿。

c523第m个发布间隔内，交通流D_d的交通状态为绿时，判断第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(M_r+ΔM_d,1]时，交通状态为红；

②当M_d∈(M_g+ΔM_d,M_r+ΔM_d]时，交通状态为黄；

③当M_d∈[0,M_g+ΔM_d]时，交通状态为绿。

本发明的有益效果：本发明利用视频检测设备获取得到的路段不同方向交通流的行程时间数据，计算得到相应交通流的行程速度，继而自动判别该路段不同方向交通流所处交通状态，同时该方法采用尽量少的判别阈值并充分利用现有资源，易于工程实现。

附图说明

图1为交通状态判别方法流程图；

图2为交通流行驶方向示意图；

图3为交通流行驶距离示意图；

图4为路段行程速度变化图；

图5为交通状态判别。

具体实施方式

下面结合附图对本发明进行详细阐述，如图1所示，本发明的具体步骤如下。

步骤一，计算信息发布间隔内交通流D_ud的平均行程时间，交通流的方向如图2所示：

数据采样间隔取下游交叉口的信号周期时长120s。交通流D_ud中单个车辆的路段行程时间为：

$T_{\mathrm{ud}}^{\mathrm{lki}}=t_d^{\mathrm{lki}}-t_u^{\mathrm{lki}}$

路段上第k个采样间隔内交通流D_ud的车辆数为则采样间隔内不同交通流的平均行程时间：

$T_{\mathrm{ud}}^{\mathrm{lk}}=\frac{\underset{i=1}{\overset{N_{\mathrm{ud}}^{\mathrm{lk}}}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lki}}}{N_{\mathrm{ud}}^{\mathrm{lk}}}$

计算信息发布间隔内交通流D_ud的平均行程时间。

低峰期间，K＝10，高峰期间K＝5。则数据完整情况下，信息发布间隔内交通流D_ud的平均行程时间为：

$T_{\mathrm{ud}}^{\mathrm{lm}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lk}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lk}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}{N_{\mathrm{ud}}^{\mathrm{lm}}}$

数据缺失情况下，信息发布间隔内交通流D_ud的平均行程时间为：

$T_{\mathrm{ud}}^{\mathrm{lm}}=T_{\mathrm{ud}}^{{\mathrm{lmh}}_1}+(1-\mathrm{\α})(T_{\mathrm{ud}}^{l(m-1)h_1}-T_{\mathrm{ud}}^{l(m-1)})+\mathrm{\α}(T_{\mathrm{ud}}^{{\mathrm{lmh}}_1}-T_{\mathrm{ud}}^{{\mathrm{lmh}}_2})$

其中α取0.5。

步骤二，下游不同方向交通流的行驶距离如图3所示，计算信息发布间隔内下游不同方向交通流的平均行程速度，如图4：

下游左转方向(d＝1)交通流信息发布间隔内的平均行程速度为：

$v_1^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u1}^{\mathrm{lm}}{L}_{u1}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u1}^{\mathrm{lm}}{N}_{u1}^{\mathrm{lm}}}$

下游直行方向(d＝2)交通流信息发布间隔内的平均行程速度为：

$v_2^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u2}^{\mathrm{lm}}{L}_{u2}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u2}^{\mathrm{lm}}{N}_{u2}^{\mathrm{lm}}}$

下游右转方向(d＝3)交通流信息发布间隔内的平均行程速度为：

$v_3^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u3}^{\mathrm{lm}}{L}_{u3}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u3}^{\mathrm{lm}}{N}_{u3}^{\mathrm{lm}}}$

步骤三，根据下游不同方向交通流信息发布间隔的行程速度建立路段交通拥堵指数，计算如下：

$M_d^{\mathrm{lm}}=(v_{\mathrm{d\; expected}}^l-v_d^{\mathrm{lm}})/v_{\mathrm{d\; expected}}^l$

步骤四，计算下游不同方向交通流的理想行程速度：

$v_{\mathrm{d\; expected}}^l=\max \left(v_{\mathrm{d\; his}}^l\right)/0.9$

步骤五，根据路段交通拥堵指数对下游不同方向交通流进行交通状态判别：

采用交通状态变化的置信区间±ΔM，对交通状态变化的临界位置进行处理，±ΔM计算如下：

$\mathrm{\Δ}{M}_d^{\mathrm{lm}}=\frac{\mathrm{\β}(1-\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ud}}^{\mathrm{lm}}/\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ud}\max }^{\mathrm{lm}}){\mathrm{\σ}}_{v_d^{\mathrm{lm}}}}{v_{\mathrm{d\; expected}}^l}$

其中，β取值为0.5。

根据城市道路速度划分等级表(表1)设定交通拥堵指数划分等级，如表2。

表1城市道路速度划分等级

表2交通拥堵指数划分等级表

则第m个发布间隔内，交通流D_d的交通状态为红时，第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(0.5-ΔM_d,1]时，交通状态为红；

②当M_d∈(0.7-ΔM_d,0.5-ΔM_d]时，交通状态为黄；

③当M_d∈[0,0.7-ΔM_d]时，交通状态为绿。

第m个发布间隔内，交通流D_d的交通状态为黄时，第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(0.5+ΔM_d,1]时，交通状态为红；

②当M_d∈(0.7-ΔM_d,0.5+ΔM_d]时，交通状态为黄；

③当M_d∈[0,0.7-ΔM_d]时，交通状态为绿。

第m个发布间隔内，交通流D_d的交通状态为绿时，判断第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(0.5+ΔM_d,1]时，交通状态为红；

②当M_d∈(0.7+ΔM_d,0.5+ΔM_d]时，交通状态为黄；

③当M_d∈[0,0.7+ΔM_d]时，交通状态为绿。

判别结果见图5。

Claims (6)

1.基于视频检测器的城市道路下游分方向交通状态判别方法，其特征在于该方法包括以下步骤：

c1、计算不同方向交通流的信息发布间隔内平均行程时间；

c2、计算下游不同方向交通流的信息发布间隔内平均行程速度；

c3、根据下游不同方向交通流的信息发布间隔内平均行程速度，建立路段交通拥堵指数；

c4、计算下游不同方向交通流的理想行程速度；

c5、根据路段交通拥堵指数对下游不同方向交通流进行交通状态判别。

2.根据权利要求1所述的基于视频检测器的城市道路下游分方向交通状态判别方法，其特征在于：c1中计算信息发布间隔内平均行程时间的过程包括：

c11、取所需判别路段l的采样间隔为下游交叉口的信号周期时长c；信息发布间隔为下游交叉口的信号周期时长c的整数倍；

c12、数据完整情况下，确定交通流D_ud`信息发布间隔行程时间，其中，信息发布间隔取采样间隔的K倍，K为整数；

$T_{\mathrm{ud}}^{\mathrm{lm}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lk}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{T}_{\mathrm{ud}}^{\mathrm{lk}}{N}_{\mathrm{ud}}^{\mathrm{lk}}}{N_{\mathrm{ud}}^{\mathrm{lm}}}$

式中，表示l路段交通流D_ud在第m个信息发布间隔内的平均行程时间；

c13、数据缺失情况下，不同交通流信息发布间隔行程时间：

$T_{\mathrm{ud}}^{\mathrm{lm}}=T_{\mathrm{ud}}^{{\mathrm{lmh}}_1}+(1-\mathrm{\α})(T_{\mathrm{ud}}^{{l(m-1)h}_1}-T_{\mathrm{ud}}^{l(m-1)})+\mathrm{\α}(T_{\mathrm{ud}}^{{\mathrm{lmh}}_1}-T_{\mathrm{ud}}^{{\mathrm{lmh}}_2})$

式中，表示当前日期前一日内l路段交通流D_ud在第m个信息发布间隔内的平均行程时间；

表示当前日期前两日内l路段交通流D_ud在第m个信息发布间隔内的平均行程时间；

表示当前日期前一日内l路段交通流D_ud在第m-1个信息发布间隔内的平均行程时间；

表示l路段交通流D_ud在第m-1个信息发布间隔内的平均行程时间；

α表示当前信息发布间隔m的历史数据变化量与前一信息发布间隔m-1的数据变化量的权重系数，α∈[0,1]。

3.根据权利要求1所述的基于视频检测器的城市道路下游分方向交通状态判别方法，其特征在于：c2中计算信息发布间隔内下游不同方向交通流平均行程速度的过程包括：

c21、确定不同方向交通流的行程距离L_ud；

c22、确定下游左转方向交通流的信息发布间隔内的行程速度，此时d＝1：

$v_1^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u1}^{\mathrm{lm}}{L}_{u1}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u1}^{\mathrm{lm}}{N}_{u1}^{\mathrm{lm}}}$

c23、确定下游直行方向交通流的信息发布间隔内的行程速度，此时d＝2：

$v_2^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u2}^{\mathrm{lm}}{L}_{u2}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u2}^{\mathrm{lm}}{N}_{u2}^{\mathrm{lm}}}$

c24、确定下游右转方向交通流的信息发布间隔内的行程速度，此时d＝3：

$v_3^{\mathrm{lm}}=\frac{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{N}_{u3}^{\mathrm{lm}}{L}_{u3}}{\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{T}_{u3}^{\mathrm{lm}}{N}_{u3}^{\mathrm{lm}}}.$

4.根据权利要求1所述的基于视频检测器的城市道路下游分方向交通状态判别方法，其特征在于：c3中根据下游不同方向交通流信息发布间隔的行程速度建立路段交通拥堵指数过程如下：

$M_d^{\mathrm{lm}}=(v_{\mathrm{dexpected}}^l-v_d^{\mathrm{lm}})/v_{\mathrm{dexpected}}^l$

式中，表示l路段在第m个信息发布间隔内交通流D_d的路段交通拥挤指数；

表示l路段交通流D_d的理想行程速度。

5.根据权利要求1所述的基于视频检测器的城市道路下游分方向交通状态判别方法，其特征在于：c4中计算下游不同方向交通流的理想行程速度的过程如下：

$v_{\mathrm{d\; exp\; ected}}^l=\max \left(v_{\mathrm{dhis}}^l\right)/\mathrm{\η}$

式中，η表示路段理想行程速度的折减系数；表示l路段交通流D_d的历史行程速度。

6.根据权利要求1所述的基于视频检测器的城市道路下游分方向交通状态判别方法，其特征在于：c5中根据路段交通拥堵指数对下游不同方向交通流进行交通状态判别的过程包括：

c51、交通状态变化的置信区间的计算：

定义±ΔM为状态变化的正常波动区间，±ΔM与视频检测数据的匹配率相关：

${\mathrm{\ΔM}}_d^{\mathrm{lm}}=\frac{\mathrm{\β}(1-\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ud}}^{\mathrm{lm}}/\underset{u=1}{\overset{3}{\mathrm{\Σ}}}{q}_{\mathrm{ud}\max }^{\mathrm{lm}}){\mathrm{\σ}}_{v_d^{\mathrm{lm}}}}{v_{\mathrm{d\; exp\; ected}}^l}$

式中，表示l路段在第m个信息发布间隔内交通流D_d的路段交通拥挤指数的正常波动区间；

表示l路段在第m个信息发布间隔内交通流D_ud的实际车辆数；

表示l路段在第m个信息发布间隔内交通流D_ud匹配车辆数；

表示l路段在第m个信息发布间隔内交通流D_d的车辆行程速度的标准差；

β表示相关系数；

c52、根据路段交通拥堵指数与其正常波动区间对下游不同方向交通流进行交通状态判别包括以下步骤：

c521、第m个发布间隔内，交通流D_d的交通状态为红时，第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(M_r-ΔM_d,1]时，交通状态为红；

②当M_d∈(M_g-ΔM_d,M_r-ΔM_d]时，交通状态为黄；

③当M_d∈[0,M_g-ΔM_d]时，交通状态为绿；

c522、第m个发布间隔内，交通流D_d的交通状态为黄时，第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(M_r+ΔM_d,1]时，交通状态为红；

②当M_d∈(M_g-ΔM_d,M_r+ΔM_d]时，交通状态为黄；

③当M_d∈[0,M_g-ΔM_d]时，交通状态为绿；

c523、第m个发布间隔内，交通流D_d的交通状态为绿时，判断第m+1个发布间隔内交通流D_d的交通状态的判别依据为：

①当M_d∈(M_r+ΔM_d,1]时，交通状态为红；

②当M_d∈(M_g+ΔM_d,M_r+ΔM_d]时，交通状态为黄；

③当M_d∈[0,M_g+ΔM_d]时，交通状态为绿。