CN105632189A - 雪天实时交通状态发布方法和交通状态发布装置 - Google Patents

Abstract

本发明提供一种雪天实时交通状态发布方法和交通状态发布装置。雪天实时交通状态发布方法分为两部分，第一部分针对有摄像机覆盖路段，通过视频监控***得到道路的积雪状态，如果道路有积雪，则发布道路积雪状态，如果无积雪，则根据浮动车***发布道路的拥堵状态。第二部分针对无摄像机覆盖路段，首先根据机器学习方法，判断道路是否积雪，如果道路有积雪，则发布道路积雪状态，如果无积雪，则根据浮动车***发布道路的拥堵状态。区别于传统的交通状态发布方法，本发明可以同时发布道路的拥堵状态和积雪状态，特别的针对无摄像机覆盖路段，本发明提出了利用机器学习的方法来得到道路的积雪状态并对外发布的方案。

Description

雪天实时交通状态发布方法和交通状态发布装置

技术领域

本发明涉及交通状态信息发布领域，尤其涉及一种雪天实时交通状态发布方法和交通状态发布装置，能够同时发布道路的拥堵状态和积雪状态，从而能够有效地帮助驾驶员避开积雪道路或提前对驾驶员进行预警。

背景技术

浮动车(ProbeCar)也被称作“探测车”，通常是指具有定位和无线通信装置的车辆(例如出租车、公交车等)，这种车辆能够与交通信息中心进行信息交换。浮动车***(ProbeCarSystem)是指通过交通流中的一定比例的浮动车辆与交通信息中心进行实时通信的一种新型交通信息***，一般由车载设备、无线通信网络和数据处理中心这3个部分组成。该***以浮动车作为车辆样本，通过采集分布在路网交通流中进行行驶的车辆样本的定位信息，并结合地理信息***(GeographicInformationSystem)和相关算法来确定车辆所在路段的实时路况信息(车辆行驶速度、路段行程时间、路段速度等)来代表社会普通车辆以反映道路的整体交通状况。但是由于浮动车数据特有的流动性以及浮动车规模的限制，一方面会导致实时浮动车数据不能完全覆盖路网，引起了路网状态表达的不完整性，针对这种现象，一般采用算法对没有浮动车覆盖的路段进行补齐，但是用算法得到的交通状态在一定程度上增大了交通状态的不可靠性；另一方面，在某些时间段内通过路段的样本车辆过少，这样通过浮动车***得到的交通状态很可能与真实的交通状态相差很远。这两个因素都会引起浮动车***发布的交通状态不可靠，进而误导驾驶员。

特别是在降雪天气中，由于路面积雪不能及时清除，城市路网中的某些路段很快被积雪覆盖，受温度和车辆碾压的作用，雪在路面上还会形成压实雪路面、雪浆路面、结冰路面等多种不同的形态。浮动车***在一些条件下的不可靠性可能会把驾驶员引导至积雪道路上。例如，对于某一路段，该路段实际处于积雪状态，但是通过浮动车***发布的交通状态为畅通，这样驾驶员可能会根据浮动车***发布的交通状态而驶入该积雪路段。

道路积雪会使得交通标志覆盖和道路附着摩擦系数变小的现象发生。若交通标志覆盖，则会导致车辆在道路上行驶时缺少导向性，容易造成交通混乱。若道路附着摩擦系数变小，则会导致车辆在道路上行驶时驱动轮很容易打滑或空转，尤其是在起步、停车时还会出现溜车的现象，并且如果车辆在行驶中突然加速或减速，很容易造成侧滑及方向跑偏现象，增加车辆碰撞、刮擦的机率，而且在紧急制动时的制动距离会大大延长，这些因素均增加了驾驶员的操作难度。同时，几乎所有的研究文献都表明：在冰雪覆盖的道路上，发生车辆碰撞、刮擦交通事故的概率明显上升。因此，在降雪天气的条件下，研究如何得到道路的积雪状态，进而引导车辆如何避开积雪路段具有重要意义。

交通视频监控***是交通指挥***不可缺少的子***，是智能交通***的一个重要组成部分，同时也是现代化城市交通与管理普遍采用的技术。交通视频监控***通过视频图像提供准确、丰富、直观的交通信息。通过交通视频监控***，交通管理者可以人为观察或者利用智能算法得到有摄像机覆盖路段的积雪状态，但是对于无摄像机覆盖路段，无法通过交通视频监控***来得到道路的积雪状态。

例如，专利文献1公开了一种基于交通视频的城市实时交通路况信息发布方法，其中，交通视频监控***和浮动车***都被用来获得道路的拥堵状态，发明的核心点在于如何根据实际情况比较两个***发布的交通状态精度，从而选出精度更高的交通状态来进行发布。

然而，专利文献1所公开的方法存在下述问题：第一，从内容来看，忽略了摄像机覆盖范围的问题，仅仅考虑了有摄像机覆盖路段，忽略了无摄像机覆盖路段；第二，在降雪天气的条件下，仅仅发布交通拥堵状态，而没有发布道路的积雪状态。

专利文献1：中国专利公开CN102930735A

发明内容

本发明为了解决上述现有技术中的问题而实现。因此，本发明的目的之一在于，提供一种雪天实时交通状态发布方法和交通状态发布装置，能够同时发布道路的拥堵状态和积雪状态，从而能够有效地帮助驾驶员避开积雪道路或提前对驾驶员进行预警。

为了实现上述目的，本发明提出了一种雪天实时交通状态发布方法，针对路网中的有摄像机覆盖路段进行交通状态发布，包括：积雪状态识别步骤，根据从有摄像机覆盖路段上设置的摄像机得到的视频图像，识别该路段的积雪状态；和交通状态发布步骤，在通过所述积雪状态识别步骤识别为道路有积雪的情况下，发布道路积雪状态，在识别为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

另外，本发明提出了一种雪天实时交通状态发布方法，针对路网中的无摄像机覆盖路段进行交通状态发布，包括：机器学习步骤，对从路网中有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路有无积雪的分类器；积雪状态判断步骤，利用通过所述机器学习步骤获得的分类器来判断无摄像机覆盖路段的道路是否有积雪；和交通状态发布步骤，在通过所述积雪状态判断步骤判断为道路有积雪的情况下，发布道路积雪状态，在判断为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

优选地，所述机器学习步骤包括：道路特征选取步骤，根据积雪道路和非积雪道路的特点来选取能够区分积雪道路和非积雪道路的多个道路特征；样本选取步骤，选取路网中的有摄像机覆盖路段上的实时数据和历史数据来作为所述样本；和分类器训练步骤，针对每个道路特征利用聚类算法对所有样本进行训练，得到每个道路特征所对应的分类器和表示该分类器的分类能力的权重。

优选地，所述多个道路特征包括：表示道路的速度的特征；表示行驶在道路上的所有浮动车的瞬时速度的方差的特征；分别表示当前时间段的前一个时间段内道路的速度和再前一个时间段内道路的速度的特征；和表示当前时间段内道路的速度、前一个时间段内道路的速度和再前一个时间段内道路的速度之间的方差的特征。

优选地，在所述分类器训练步骤中执行：从通过所述道路特征选取步骤选取的所述多个道路特征中任选一个道路特征作为对象特征；对通过所述样本选取步骤选取的所有样本分别提取出所述对象特征得到对象特征数据集；和利用聚类算法对所述对象特征数据集进行处理，得到与该对象特征对应的分类器和该分类器的权重。

优选地，在利用聚类算法的处理中执行：(1)从所述对象特征数据集中任选两个数据，分别作为初始的积雪聚类中心和非积雪聚类中心；(2)针对所述对象特征数据集中的其余数据的每一个，分别计算与积雪聚类中心和非积雪聚类中心的欧式距离，并将数据归类于算出的欧式距离小的一方的聚类中心，从而将所述对象特征数据集中的数据分成两类；(3)分别计算所述两类中的数据的均值作为新的积雪聚类中心和非积雪聚类中心；和(4)反复执行上述步骤(2)和(3)直至积雪聚类中心和非积雪聚类中心不再变化为止，从而得到与所述对象特征对应的分类器。

优选地，作为所述分类器的权重，采用该分类器在将道路识别为有积雪的情况下的正确分类概率和错误分类概率、以及将道路识别为无积雪的情况下的正确分类概率和错误分类概率。

优选地，在所述积雪状态判断步骤中，在所利用的所述分类器为一个的情况下执行：第一处理，对于判断对象路段，提取所述分类器所对应的道路特征；第二处理，分别求取所述道路特征与所述分类器的积雪聚类中心及非积雪聚类中心之间的欧式距离；和第三处理，在所述道路特征与所述积雪聚类中心之间的欧式距离小于所述道路特征与所述非积雪聚类中心之间的欧式距离的情况下，判断为道路有积雪，否则判断为道路无积雪。

优选地，在所述积雪状态判断步骤中，在所利用的所述分类器为多个的情况下执行：针对每个分类器执行所述第一处理至第三处理，得到每个分类器所对应的积雪状态判断结果；根据所述积雪状态判断结果来选择每个分类器的对应的权重；和将对选择出的权重进行累计而得到的结果作为得票分值，在道路为积雪状态的得票分值大于道路为非积雪状态的得票分值的情况下，判断为道路有积雪，否则判断为道路无积雪。

优选地，所述多个样本包括正样本和负样本，所述正样本包括积雪道路的实时数据和历史数据，所述负样本包括非积雪道路的实时数据和历史数据。

另外，本发明提出了一种雪天实时交通状态发布装置，针对路网中的有摄像机覆盖路段进行交通状态发布，包括：积雪状态识别单元，其根据从有摄像机覆盖路段上设置的摄像机得到的视频图像，识别该路段的积雪状态；和交通状态发布单元，其在通过所述积雪状态识别单元识别为道路有积雪的情况下，发布道路积雪状态，在识别为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

另外，本发明提出了一种雪天实时交通状态发布装置，针对路网中的无摄像机覆盖路段进行交通状态发布，包括：机器学习单元，其对从路网中有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路有无积雪的分类器；积雪状态判断单元，其利用通过所述机器学习单元获得的分类器来判断无摄像机覆盖路段的道路是否有积雪；和交通状态发布单元，其在通过所述积雪状态判断单元判断为道路有积雪的情况下，发布道路积雪状态，在判断为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

技术效果

本发明根据视频监控***可以得到有摄像机覆盖路段的积雪状态，对于无摄像机覆盖路段，本发明结合浮动车***数据和视频监控***数据，利用机器学习方法得到无摄像机覆盖路段的积雪状态，这样可以得到整个路网的道路的积雪状态，而不受摄像机覆盖范围的限制。对于无积雪覆盖的路段，本发明利用浮动车***来发布道路的拥堵状态，这样就继承了传统交通信息发布方法的特点。综上所述，本发明能够同时发布道路的拥堵状态和积雪状态，这样，既可以发布整个路网道路的积雪状态，同时又继承了传统交通信息发布方法的特点。

本发明发布的道路的积雪状态可以有效地帮助驾驶员避开积雪道路，在无法避开积雪道路的情况下，可以起到提前对驾驶员进行预警的效果，从而减小由道路积雪而引起的交通事故的概率。本发明发布的道路的拥堵状态，可以帮助驾驶员选择更加快捷的驾驶路线，减少驾驶员在道路上行驶的时间损失和经济损失。

附图说明

通过参考结合以下附图对所采用的优选实施方式的详细描述，本发明的上述目的、优点和特征将变得显而易见，其中：

图1是表示本发明的交通状态发布方法的整体的流程图。

图2是表示本发明的交通状态发布方法中的有摄像机覆盖路段的交通信息发布的流程图。

图3是表示根据本发明的交通状态发布方法的有摄像机覆盖路段的交通信息发布的示意图。

图4是表示本发明的交通状态发布方法中选取的道路特征的结构图。

图5是表示本发明的交通状态发布方法中的样本的结构图。

图6是表示本发明的交通状态发布方法中的分类器的训练方法的流程图。

图7是表示本发明的交通状态发布方法中的分类器的训练方法的示意图。

图8是表示本发明的交通状态发布方法中的单个分类器的识别的流程图。

图9是表示本发明的交通状态发布方法中的单个分类器的识别的示意图。

图10是表示本发明的交通状态发布方法中的多个分类器的加权识别的流程图。

图11是表示本发明的交通状态发布方法中的多个分类器的加权识别的示意图。

图12是表示根据本发明的交通状态发布方法的完整的交通信息发布的示意图。

具体实施方式

为使本发明的上述目的、特征和优点更加明显易懂，以下结合附图和具体实施例进一步详细描述本发明。需要说明的是，附图中的各结构只是示意性的而不是限定性的，以使本领域普通技术人员最佳地理解本发明的原理。下面将结合附图对本发明的实施例进行详细说明。

图1是表示本发明的交通状态发布方法的整体的流程图，该方法包含以下两个主要部分。

第一部分是有摄像机覆盖路段的交通状态的发布，由于道路被摄像机覆盖，这部分道路的积雪状态根据交通视频监控***进行发布，即，通过视频监控***得到道路的积雪状态(步骤101)，具体是根据从有摄像机覆盖路段上设置的摄像机得到的视频图像来识别该路段的道路的积雪状态。如果道路有积雪，则发布道路积雪状态(步骤102)；如果道路无积雪，则根据浮动车***发布道路的拥堵状态(步骤103)。

第二部分是无摄像机覆盖路段的交通状态的发布，这一部分利用机器学习方法，判断道路是否有积雪。在机器学习方法中，对从有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路有无积雪的分类器。进而，利用所获得的分类器来判断无摄像机覆盖路段的道路是否有积雪。如果有积雪，则发布道路积雪状态(步骤102)；如果无积雪，则根据浮动车***发布道路的拥堵状态(步骤103)。

具体而言，机器学习的过程包括道路特征选取(未示出)、样本选取(步骤108)和分类器训练(步骤109～110)。其中，作为道路特征，选择能够显著区分积雪道路和非积雪道路的特征参数。样本来源于雪天有摄像机覆盖路段，包括实时数据和历史数据。在进行分类器训练时，针对每个特征参数对样本进行训练而得出与该特征参数对应的分类器和该分类器的权重。在进行积雪状态识别(步骤104～107)时，根据分类器及其权重进行加权投票策略来得出道路的积雪状态。

下面，结合附图对本发明的实施过程作进一步的详细说明。

1、有摄像机覆盖路段的交通信息发布

本部分主要介绍有摄像机覆盖路段的交通信息的发布，其流程如图2所示。首先，通过交通视频监控***(具体是有摄像机覆盖路段上设置的摄像机)得到道路的视频图像(步骤201)。然后，根据得到的视频图像来对有摄像机覆盖路段进行积雪状态识别(步骤202～204)，识别方式可以为人工观测或者是用智能算法进行识别，其中，智能算法例如可以采用现有的积雪识别算法。如果通过观测或智能算法确定出道路有积雪，则发布道路的积雪状态(步骤205)。积雪状态可以用特殊的方式表示，如图3所示，如果道路有积雪则用黑色线条表示(图中用b示出)。如果道路没有积雪，则通过浮动车***计算道路的拥堵状态，并划分等级发布(步骤206～207)，不同等级可以用不同颜色的线条表示，如图3所示，可以用红色表示拥堵状态(图中用r示出)，黄色表示缓行状态(图中用y示出)，绿色表示畅通状态(图中用g示出)。

2、无摄像机覆盖路段的交通信息发布

本部分利用机器学习方法针对无摄像机覆盖路段进行交通信息发布，可以分为四个步骤。第一步骤是根据积雪道路和非积雪道路的特点选取能够显著区分积雪道路和非积雪道路的特征(道路特征选取步骤)。第二步骤是选取有摄像机覆盖路段的实时数据和历史数据作为样本(样本选取步骤)，提取所有特征并且针对每个特征利用聚类算法对样本进行训练，得到每个特征对应的分类器和该分类器的权重(分类器训练步骤)。上述第一步骤和第二步骤对应于机器学习步骤。第三步骤是提取无摄像机覆盖路段的实时特征，把每个特征放入对应的分类器，判断道路的积雪状态，然后进行加权投票获得最终的道路的积雪状态(积雪状态判断步骤)。第四步骤是如果道路有积雪则发布道路的积雪状态，如果无积雪则发布道路的拥堵状态(交通状态发布步骤)。

第一步骤：道路特征选取

本步骤根据积雪道路和非积雪道路的特点选取能够显著区分积雪道路和非积雪道路的特征。图4是表示选取的道路特征的结构图。从图4中可以看出，第一个特征为道路的速度，该速度可以通过浮动车***得到。浮动车***根据一个时间段内所有通过相应路段的车辆的速度，通过一定的策略计算得到道路的速度(例如求取平均速度)，并且每隔一定的时间段发布一次。选取的原因是如果道路有积雪则行驶在道路上的车辆速度非常慢，道路的速度是通过计算行驶在上面的车辆速度得到的，这样就导致道路的速度非常慢，通常小于轻度拥挤、缓行和畅通的速度。

第二个特征为行驶在道路上的所有浮动车的瞬时速度的方差，车辆的瞬时速度可以通过浮动车***得到。选取的原因是如果道路积雪，则行驶在道路上的车辆基本以一个特定的低速行驶，这样它们瞬时速度之间的方差就会较小，接近于零。如果道路没有积雪，由于受到信号灯控制的原因，车辆在道路上的瞬时速度则有比较大的差异，这样它们瞬时速度之间的方差就会较大。

第三个和第四个特征分别为当前时间段的前一个时间段内道路的速度和再前一个时间段内道路的速度，这两个速度可以通过浮动车***得到。选取的原因是如果道路有积雪，则前一个时间段内道路的速度和再前一个时间段内道路的速度也非常低。如果道路没有积雪，则前一个时间段内道路的速度和再前一个时间段内道路的速度具有不确定性。

第五个特征是当前时间段内道路的速度、前一个时间段内道路的速度和再前一个时间段内道路的速度之间的方差。选取的原因是如果道路积雪，则当前时间段内道路的速度、前一个时间段内道路的速度和再前一个时间段内道路的速度均较低且彼此之间的数值相差不多，这就使得三者之间的方差较低，如果道路没有积雪，则三者之间的数值在很大概率上相差较大，从而方差较大。

第二步骤：样本选取以及分类器训练

本步骤首先选取训练样本，然后提取样本特征，最后根据聚类算法针对每个特征训练出分类器和相对应的权重。图5是表示样本的结构图。从图5中可以看出，样本主要从有摄像机覆盖路段上选取，因为有摄像机覆盖路段可以明确得到道路的积雪覆盖状态，这样就可以正确地给样本加上标签即哪些道路有积雪，哪些道路没有积雪。样本分为正样本和负样本，正样本包括积雪道路的实时数据和历史数据，负样本包括非积雪道路的实时数据和历史数据。

图6是表示分类器的训练方法的流程图。首先，从上述第一步骤所选取的五个特征中任选一个特征，对所有的样本分别提取出该特征来得到一个数据集(步骤301)，然后利用聚类算法对这个数据集进行处理来得到与该特征对应的分类器(步骤302～306)。利用聚类算法的处理的过程为：(1)从这个数据集中任选两个数据作为初始聚类中心，分别代表积雪和非积雪；(2)对其余数据的每一个分别计算与各聚类中心的欧式距离，根据距离远近划分归属，即数据与哪个聚类中心的欧氏距离小，就归属于哪个聚类中心，这样就可以把数据集中的数据分成两类；(3)分别计算两类中的数据的均值，作为新的聚类中心；(4)重复上述(2)、(3)步骤，直到聚类中心不再变化，这样就得到一个分类器。对其余特征分别进行上述利用聚类算法的处理，就可以得到每个特征对应的分类器。

由于样本质量和特征强弱的问题，聚类结果不可避免地会出现误差，也就是说积雪类中会混有非积雪数据，非积雪类中也会混有积雪数据。为了更好地说明这个问题，用示意图进行表示，如图7所示，在利用从有摄像机覆盖路段获取的已知积雪状态的多个样本而得到的分类器中，有两个空心球(表示非积雪)被错归到实心球(表示积雪)类内，有三个实心球被错归到空心球类内。另一方面，错误分类概率的大小可以反映最终得到的分类器的强弱。也就是说，每个分类器的正确分类概率和错误分类概率代表了该分类器的分类能力。在有多个分类器的情况下，作为各分类器的权重，可以采用各分类器在将道路识别为有积雪的情况下的正确分类概率和错误分类概率、以及将道路识别为无积雪的情况下的正确分类概率和错误分类概率。

事实上由于选取的五个特征有强弱之分，得到的分类器在区分积雪路段和非积雪路段的能力上也有强弱之分。但是每个分类器又不能以100％的概率区分积雪路段和非积雪路段，所以应该找到一个方法能够充分利用五个分类器的分类能力，以提高分类精度。

第三步骤：积雪状态判断

对于只有一个分类器的情况，利用该分类器进行积雪状态判断的流程图及示意图分别如图8、图9所示。从图8可以看出，识别过程首先提取待识别路段的与该分类器对应的特征(步骤401)，然后分别求取该特征与分类器的两个聚类中心之间的欧式距离(步骤402)，比较欧氏距离大小，判断其归属，进而判断路段是否积雪(步骤403～405)。虽然利用单个分类器能够识别出道路是否积雪，但是从图9可以看出，如果道路被识别为积雪，其正确的概率仅为7/9，错误的概率为2/9，如果道路被识别为非积雪，其正确的概率仅为8/11，错误的概率为3/11，其分类精度相对较低。

对于有多个分类器的情况，通过多个分类器的加权投票策略对无摄像机覆盖路段进行积雪状态识别。图10是表示多个分类器的加权识别的流程图。从图10中可以看出，首先，提取无摄像机覆盖路段的五个实时特征，并且把每个特征放入对应的分类器，在每个分类器中通过如图8所示的过程来判断道路的积雪状态，然后，根据特征数据积雪状态的标签(即，判断结果是积雪路段还是非积雪路段)来选择后续步骤中使用的每个分类器的对应的权重(步骤501)。而后，根据选择出的权重进行道路积雪状态投票，比较得票分值，得票分值高的状态即为道路的积雪状态。

为了更好地说明这个问题，用图11所示的示意图进行说明。如图11所示，分别提取无摄像机覆盖路段的五个特征，分别输入到对应的五个分类器(图11中从上到下依次为第一至第五个分类器)，在每个分类器中如图8所示那样进行分类。如图11所示，第一个分类器判断道路为积雪状态，但从该分类器中可以看出，道路为积雪状态的概率为7/9，为非积雪状态的概率为2/9；第二个分类器判断为积雪状态，其中道路为积雪状态的概率为6/9，为非积雪状态的概率为3/9；第三个分类器判断为非积雪状态，其中道路为积雪状态的概率为4/11，为非积雪状态的概率为7/11；第四个分类器判断为积雪状态，其中道路为积雪状态的概率为8/10，为非积雪状态的概率为2/10；第五个分类器判断为积雪状态，其中道路为积雪状态的概率为8/11，为非积雪状态的概率为3/11。用这些积雪概率和非积雪概率作为各个分类器的权重来进行投票，路段为积雪路段的得票分值为：7/9*1+6/9*1+4/11*1+8/10*1+8/11*1＝3.335，路段为非积雪路段的得票分值为：2/9*1+3/9*1+7/11*1+2/10*1+3/11*1＝1.665(步骤502)。路段为积雪状态的得票分值大于为非积雪状态的得票分值，所以最终判断道路的状态为积雪状态(步骤503～504)。这样完成了无摄像机覆盖路段的积雪道路识别。

针对路网中所有的无摄像机覆盖路段进行以上过程，则可以得到路网中所有无摄像机覆盖路段的积雪状态。

第四步骤：交通状态发布

通过上述第三步骤可以得到路网中所有无摄像机覆盖路段的积雪状态，对于有积雪的道路发布道路的积雪状态，对于无积雪的路段则通过浮动车***发布道路的拥堵状态。

图12是表示结合了无摄像机覆盖路段和有摄像机覆盖路段的交通信息发布的示意图，该图中黑色表示积雪状态(图中用b示出)，红色表示拥堵状态(图中用r示出)，黄色表示缓行状态(图中用y示出)，绿色表示畅通状态(图中用g示出)。

以上结合本发明的优选实施方式示出了本发明，但是本领域的技术人员将会理解，在不脱离本发明的精神和范围的情况下，可以对本发明进行各种修改、替换和改变。因此，本发明不应由上述实施方式来限定，而应由所附权利要求及其等价物来限定。

Claims (12)

1.一种雪天实时交通状态发布方法，针对路网中的有摄像机覆盖路段进行交通状态发布，包括：

积雪状态识别步骤，根据从有摄像机覆盖路段上设置的摄像机得到的视频图像，识别该路段的道路的积雪状态；和

交通状态发布步骤，在通过所述积雪状态识别步骤识别为道路有积雪的情况下，发布道路积雪状态，在识别为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

2.一种雪天实时交通状态发布方法，针对路网中的无摄像机覆盖路段进行交通状态发布，包括：

机器学习步骤，对从路网中的有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路是否有积雪的分类器；

积雪状态判断步骤，利用通过所述机器学习步骤获得的分类器来判断无摄像机覆盖路段的道路是否有积雪；和

交通状态发布步骤，在通过所述积雪状态判断步骤判断为道路有积雪的情况下，发布道路积雪状态，在判断为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

3.根据权利要求2所述的方法，其中，

所述机器学习步骤包括：

道路特征选取步骤，根据积雪道路和非积雪道路的特点来选取能够区分积雪道路和非积雪道路的多个道路特征；

样本选取步骤，选取路网中的有摄像机覆盖路段上的实时数据和历史数据作为所述样本；和

分类器训练步骤，针对每个道路特征利用聚类算法对所有样本进行训练，得到每个道路特征所对应的分类器和表示该分类器的分类能力的权重。

4.根据权利要求3所述的方法，其中，

所述多个道路特征包括：

表示道路的速度的特征；

表示行驶在道路上的所有浮动车的瞬时速度的方差的特征；

分别表示当前时间段的前一个时间段内道路的速度和再前一个时间段内道路的速度的特征；和

表示当前时间段内道路的速度、前一个时间段内道路的速度和再前一个时间段内道路的速度之间的方差的特征。

5.根据权利要求3所述的方法，其中，

在所述分类器训练步骤中执行：

从通过所述道路特征选取步骤选取的所述多个道路特征中任选一个道路特征作为对象特征；

对通过所述样本选取步骤选取的所有样本分别提取出所述对象特征得到对象特征数据集；和

利用聚类算法对所述对象特征数据集进行处理，得到与该对象特征对应的分类器和该分类器的权重。

6.根据权利要求5所述的方法，其中，

在利用聚类算法的处理中执行：

(1)从所述对象特征数据集中任选两个数据，分别作为初始的积雪聚类中心和非积雪聚类中心；

(2)针对所述对象特征数据集中的其余数据的每一个，分别计算与积雪聚类中心和非积雪聚类中心的欧式距离，并将数据归类于算出的欧式距离小的一方的聚类中心，从而将所述对象特征数据集中的数据分成两类；

(3)分别计算所述两类中的数据的均值作为新的积雪聚类中心和非积雪聚类中心；和

(4)反复执行上述步骤(2)和(3)直至积雪聚类中心和非积雪聚类中心不再变化为止，从而得到与所述对象特征对应的分类器。

7.根据权利要求6所述的方法，其中，

作为所述分类器的权重，采用该分类器在将道路识别为有积雪的情况下的正确分类概率和错误分类概率、以及将道路识别为无积雪的情况下的正确分类概率和错误分类概率。

8.根据权利要求7所述的方法，其中，

在所述积雪状态判断步骤中，在所利用的所述分类器为一个的情况下执行：

第一处理，对于判断对象路段，提取所述分类器所对应的道路特征；

第二处理，分别求取所述道路特征与所述分类器的积雪聚类中心及非积雪聚类中心之间的欧式距离；和

第三处理，在所述道路特征与所述积雪聚类中心之间的欧式距离小于所述道路特征与所述非积雪聚类中心之间的欧式距离的情况下，判断为道路有积雪，否则判断为道路无积雪。

9.根据权利要求8所述的方法，其中，

在所述积雪状态判断步骤中，在所利用的所述分类器为多个的情况下执行：

针对每个分类器执行所述第一处理至第三处理，得到每个分类器所对应的积雪状态判断结果；

根据所述积雪状态判断结果来选择每个分类器的对应的权重；和

将对选择出的权重进行累计而得到的结果作为得票分值，在道路为积雪状态的得票分值大于道路为非积雪状态的得票分值的情况下，判断为道路有积雪，否则判断为道路无积雪。

10.根据权利要求3所述的方法，其中，

所述多个样本包括正样本和负样本，所述正样本包括积雪道路的实时数据和历史数据，所述负样本包括非积雪道路的实时数据和历史数据。

11.一种雪天实时交通状态发布装置，针对路网中的有摄像机覆盖路段进行交通状态发布，包括：

积雪状态识别单元，其根据从有摄像机覆盖路段上设置的摄像机得到的视频图像，识别该路段的道路的积雪状态；和

交通状态发布单元，其在通过所述积雪状态识别单元识别为道路有积雪的情况下，发布道路积雪状态，在识别为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。

12.一种雪天实时交通状态发布装置，针对路网中的无摄像机覆盖路段进行交通状态发布，包括：

机器学习单元，其对从路网中的有摄像机覆盖路段上选取的多个样本进行训练来获得用于区分道路有无积雪的多个分类器；

积雪状态判断单元，其利用通过所述机器学习单元获得的多个分类器来判断无摄像机覆盖路段的道路是否有积雪；和

交通状态发布单元，其在通过所述积雪状态判断单元判断为道路有积雪的情况下，发布道路积雪状态，在判断为道路无积雪的情况下，根据浮动车***发布道路的拥堵状态。