CN110782659A - 路况确定方法、装置、服务器及存储介质 - Google Patents

路况确定方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN110782659A
CN110782659A CN201910848998.3A CN201910848998A CN110782659A CN 110782659 A CN110782659 A CN 110782659A CN 201910848998 A CN201910848998 A CN 201910848998A CN 110782659 A CN110782659 A CN 110782659A
Authority
CN
China
Prior art keywords
road
congestion
historical
vehicle
road condition
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910848998.3A
Other languages
English (en)
Other versions
CN110782659B (zh
Inventor
谢圣山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910848998.3A priority Critical patent/CN110782659B/zh
Publication of CN110782659A publication Critical patent/CN110782659A/zh
Application granted granted Critical
Publication of CN110782659B publication Critical patent/CN110782659B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种路况确定方法、装置、服务器及存储介质，该方法包括：在检测到路段当前的路况被识别为拥堵状态的情况下，获取与该路段的当前时刻所属的目标时段关联的目标历史路况统计数据；基于目标历史路况统计数据以及路段中车辆的实时车辆状态信息，确定拥堵状态属于被错误识别为拥堵状态的可能程度；在确认拥堵状态属于被错误识别为拥堵状态的情况下，基于路段中的非异常车辆的实时车辆状态信息，确定路段对应的待发布的路况信息。本申请的方案有利于减少错误发布路况信息的情况。

Description

路况确定方法、装置、服务器及存储介质
技术领域
本申请涉及地图技术领域，尤其涉及一种路况确定方法、装置、服务器及存储介质。
背景技术
在电子地图***可以为用户提供不同路段的实时路况信息，从而使得用户可以方便、及时的获知不同路段的通行状况。
其中，电子地图***可以根据道路上行驶的车辆上的车载装置所上报的车辆速度以及车辆位置等车辆状态信息，分析出道路的路况信息。然而，道路上车辆的异常车流速度(如，车辆行为异常导致车速过低)或者车辆运动轨迹匹配错误等多种异常因素，经常会导致电子地图***将非拥堵的路段错误的识别为拥堵路段，从而导致电子地图***发布的路况有误。
发明内容
有鉴于此，本申请提供了一种路况确定方法、装置、服务器及存储介质，以及时检测并修正被错误识别为拥堵状态的路况信息，以有利于减少错误发布路况信息的情况。
为实现上述目的，一方面，本申请提供了一种路况确定方法，包括：
在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
在一种可能的实现方式中，所述目标历史路况统计数据至少包括：所述路段在所述目标时段关联的每个关联时段对应的至少一种历史路况状态各自的历史出现概率，所述目标时段关联有至少一个关联时段，所述至少一个关联时段至少包括所述目标时段；
所述基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度，包括：
针对每种历史路况状态，基于所述路段在所述至少一个关联时段各自对应的该历史路况状态的历史出现概率，确定所述路段对应的所述历史路况状态的综合出现概率；
依据每种所述历史路况状态的综合出现概率以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度。
在又一种可能的实现方式中，所述依据每种所述历史路况状态的综合出现概率以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度，包括：
获取所述路段中车辆的实时车辆状态信息，所述实时车辆状态信息包括：所述路段中当前存在的各个车辆的车辆速度以及车辆的总数量；
依据所述车辆的总数量以及设定的样本数量常数，确定车辆样本充足指数；
依据所述路段中各个车辆的车辆速度以及所述路段对应的所述拥堵车速阈值，确定车辆速度低于所述拥堵车速阈值的拥堵车辆的占比；
依据所述路段中各个车辆的车辆速度、所述拥堵车速阈值以及严重拥堵车速阈值，分别确定各个车辆的速度指数，车辆的速度指数用于表征所述路段中所述车辆的速度存在异常的可能性大小；
基于各个车辆的速度指数，确定所述路段中所有车辆的速度指数的速度指数总和；
将所述速度指数总和与所述拥堵车辆的占比之间的乘积确定为拥堵指数；
按照设定的权重关系，对所述每种历史路况状态的综合出现概率、所述车辆样本充足指数、所述拥堵车辆的占比以及所述拥堵指数进行加权求和，得到误识别指数，所述误识别指数用于表征所述拥堵状态属于被错误识别为拥堵状态的可能程度。
又一方面，本申请还提供了一种路况确定装置，包括：
数据获取单元，用于在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
错误分析单元，用于基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
路况重计算单元，用于在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
又一方面，本申请还提供了一种服务器，包括：
处理器和存储器；
所述处理器，用于调用并执行所述存储器中
存储的程序；
所述存储器用于存储所述程序，所述程序至少用于：
在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
又一方面，本申请还提供了一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上任一项所述的路况确定方法。
经由上述的技术方案可知，在电子地图***的服务器识别出当前路段的路况为拥堵状态的情况下，并不会识别出的路段作为待发布的路况，而会依据与该路段和当前时刻所属的目标时段关联的目标历史路况统计数据以及该路段中车辆的实时车辆状态信息，分析该路段被识别为拥堵状态属于误识别的可能程度。如果确定当前识别出的该路段的路况为拥堵状态属于错误识别，则说明该路段中存在一些由于车辆自身异常原因而使得车辆速度过低，而导致该路段被错误识别为拥堵状态，在该种情况下，可以利用该路段中车速不低于路段对应的拥堵车速阈值的非异常车辆重新确定该路段的路况，从而可以得到该路段对应的准确路况，这样，将该准确的路况作为待发布的路况信息，可以在服务器发布路况信息之前对错误的路况信息进行修正，有利于提高发布出的路况的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1示出了本申请的一种路况确定方法所适用的一种***架构的组成结构示意图；
图2示出了本申请一种路况确定方法一个实施例的流程示意图；
图3示出了本申请的路况确定方法中确定路况被错误识别的可能程度的一种流程示意图；
图4示出了本申请中确定历史路况状态的历史出现概率的一种流程示意图；
图5示出了确定历史路况状态的历史出现概率的实现原理示意图；
图6示出了本申请一种路况确定方法又一个实施例的流程示意图；
图7示出了本申请一种路况确定装置一个实施例的组成结构示意图；
图8示出了适用于本申请的一种路况确定方法所适用的服务器的一种组成结构示意图。
具体实施方式
本申请的路况确定方法适用于地图以及导航等需要提供路况信息的电子地图***，以提高电子地图***确定并发布出的路况的准确性。
为了便于理解，先对本申请实施例的路况确定方法所适用的***架构进行介绍。如图1，在图1示出了本申请的路况确定方法所适用的***架构的组成示意图。
在图1中该***架构可以包括：用于确定路况的至少一台服务器101，该至少一台服务器可以为提供路况信息的电子地图***中的服务器。该电子地图***可以为能够提供路况信息的导航***、地图提供***等等相关***。
该服务器101可以通过网络与多个终端102。该终端102可以安装有能够与服务器101建立通信连接的应用程序，如导航应用或者地图应用等等。如，该终端可以为安装有导航或地图等应用的手机、平板电脑或者车载终端。
可以理解的是，该服务器还可以通过网络连接有车载设备103，车载设备可以向服务器101。车载设备103可以向服务器提供车载设备所在的车辆的实时状态信息，如车辆速度、车辆位置等等信息。例如，该车载设备可以向服务器提供车辆实时的GPS信息。
需要说明的是，图1是以服务器101可以获取到车载设备上报的GPS信息等车辆状态信息为例说明，在实际应用中服务器可以通过第三方服务器获取到不同道路上的车辆的状态信息。
在本实施例中，服务器101可以确定出地图中各个路段对应的路况并发布。而终端可以根据需要从获取服务器发布的各个路段的路况信息，并显示出包含路段的路况信息的地图或者导航等。
结合以上内容，下面对本申请的路况确定方法进行介绍。
如图2，其示出了本申请一种路况确定方法一个实施例的流程示意图，本实施例的方法可以应用于前面提到的服务器。本实施例的方法可以包括：
S201，在检测到路段当前的路况被识别为拥堵状态的情况下，从该路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据。
其中，路段可以理解为现实道路在电子地图等虚拟路网中的映射。每条路段代表实际一段实际道路。
其中，路段的路况为路段表征的道路的通行能力的描述。路段的路况可以包括：拥堵状态、缓行状态以及畅通状态等。当然，有些还会将路段的拥堵状态细分为拥堵和严重拥堵。
在本申请实施例中，在服务器计算出一条路段的路段为拥堵状态的情况下，服务器并不会直接发布该路段的路况，而会在发布之前先判断该路段的路况是否存在识别错误。在本实施例中，判断该路段当前的路况为拥堵状态是否为识别错误，需要基于该路段在当前时刻所属的目标时段关联的历史路况统计数据。
其中，该路段关联的历史路况统计数据为用于反映该路段在一天内各个不同时段的路况状态或者路况状态趋势的数据。
可以理解的是，对于一段路段而言，在一天的不同时间段内，该路段的通行能力的差别会有所不同，因此，分析该当前时刻所识别出的拥堵状态是否有误，需要结合该路段在历史上与该当前时刻处于同一时段的历史路况统计数据进行分析。其中，每个时段的时长可以根据需要设定，当时段的时长足够小时，可以认为一个时段就是一个时刻。可选的，每个时段的时长应该大于1分钟，如，可以将每30分钟划分为一个时段，例如，上午八点到八点半为一个时段，而上午八点半到上午九点为另一个时段。
其中，为了便于区分，将该当前时刻所属的时段称为目标时段，而将目标时段关联的历史路况统计数据称为目标历史路况统计数据。
其中，该路段关联的历史路况统计数据可以为基于该路段在当前时刻或者当前时刻所属的当前天之前的历史路况统计得到的数据；也可以是基于该路段在当前时刻或者当前天之外的历史路段状态数据统计得到的数据，该历史路段状态数据可以为与确定该路段的历史路况相同的状态数据，如历史路段状态数据可以为路段上不同车辆的车速，或者路段上车辆的历史平均车速等等。
如，在一种可能的实现方式中，路段关联的历史路况统计数据可以包括：该路段关联的至少一种历史路况状态各自的历史出现概率。其中，路段的历史路况状态是在当前时刻或者当前天之前的路况状态。如，路段关联的历史拥堵状态的出现概率。历史路况状态的历史出现概率可以统计一段时间内该路段的该种历史路况状态的出现次数与各种历史路况状态的总出现次数的比值。
相应的，该目标时段关联的目标历史路况统计数据可以为：该路段在该目标时段关联的每个关联时段对应的至少一种历史路况状态各自的历史出现概率。目标时段关联有至少一个关联时段，该至少一个关联时段至少包括该目标时段。
可选的，该至少一个关联时段还可以包括：该目标时段之前最近的至少一个时段，以及该目标时段之后最近的至少一个时段。例如，目标时段关联的目标历史路况统计数据可以包括：该路段在该目标时段、该目标时段之前最近两个时段以及该目标时段之后最近两个时段各自对应的历史拥堵状态的历史出现概率。
在又一种可能的情况中，路段关联的历史路况统计数据可以包括：路段在各个时段关联的历史期望速度和/或历史期望路况。
其中，每个时段的历史期望速度可以为基于该路段在该时段中各个车辆的历史车速确定出的平均速度。可以理解的是，历史期望速度越高，该路段在该时段出现拥堵的可能性就越低。
每个时段的历史期望路况可以为基于该路段在该时段上得到的多个历史路况，预测出的该路段在该时段的路况期望。相应的，历史期望路况为缓行或者畅通的情况下，该路段在该时段的路况为拥堵状态的可能性越低。
可选的，可以确定当前时刻所属的当前天的类型属性，该类型属性表征该当前天为工作日或者非工作日这两种类型，当然，非工作日还可以进一步划分为双休日和节假日。如，目前为周二且不属于节假日，则当前天的类型属性为工作日。相应的，可以从该路段关联的历史路况统计数据中，确定与该当前天的类型属性对应且与当前时刻所属的目标时段关联的目标历史路况统计数据。
可以理解的是，同一路段在工作日、双休日以及节假日的同一时间段的路况也会有较大差别，如，在某条路段在工作日上午八点到八点半会相对较为拥堵，而在双休日的上午八点到八点半则会比较畅通。因此，为了能够更为合理的分析该路段被识别为拥堵状态存在错误识别的可能程度，需要结合当前天的类型以及当前时刻所属的时段，从历史路况统计数据中获取相匹配的目标历史路况统计数据。
S202，基于该目标历史路况统计数据以及该路段中车辆的实时车辆状态信息，确定该拥堵状态属于被错误识别为拥堵状态的可能程度。
其中，路段中车辆的实时车辆状态可以反映出当前处于该路段上的各个车辆的车辆行驶状态。如，该实时车辆状态可以包括：处于该路段上的车辆的位置、速度以及车辆的总数量等等。
本申请的发明人经过研究发现：在基于路段上各个车辆的车辆速度等车辆状态来确定路段的拥堵情况的情况下，很容易由于出现异常车流速度而导致路况识别错误。而异常车流速度通常是由于车辆行为异常而导致的速度值过低，如，路段上车辆较少，且这些车辆都由于非路况原因而停滞或者行驶速度过缓，那么服务器可能会误判出该路段处于拥堵状态。
同时，本申请的发明人经过研究发现，通过全面分析该路段的实时车辆状态信息，可以得到该路段出现异常车流速度的情况，进而有利于分析出该路段被识别为拥堵状态的路况是否存在识别错误的情况。
作为一种可选方式，该路段上车辆的实时车辆状态至少包括：该路段上各个车辆的速度以及该路段上车辆的总数量。其中，路段上的车辆是指在该路段上所能够检测到的，用于分析路况所需的数据来源对应的车辆。
相应的，可以基于该路段上各个车辆的总数量，分析该路段上用于分析路况的车辆样本的车辆样本充足程度；同时，结合该路段上各个车辆的速度，确定车辆速度低于该路段对应的拥堵车速阈值的拥堵车辆的占比，其中，路段对应的拥堵车速阈值表征该路段的路况进入拥堵状态的车速临界值。在该种情况下，可以依据车辆样本充足程度，拥堵车辆的占比以及路段上各个车辆的速度等多个维度的参数，来确定导致该路段的路况被错误识别为拥堵状态的可能性。
在以上基础上，由于目标历史路况统计数据可以反映该路段在当前时刻所属的目标时段出现拥堵路况的可能性，因此，结合目标历史路况统计数据和实时车辆状态信息可以综合分析出能够反映出该路段的路况被错误识别为拥堵状态的可能程度。
其中，该可能程度可以通过等级、概率值等多种形式表征。
S203，在该可能程度表征该拥堵状态属于被错误识别为拥堵状态的情况下，基于该路段中的非异常车辆的实时车辆状态信息，确定该路段对应的待发布的路况信息。
其中，非异常车辆为该路段中车速不低于该路段对应的拥堵车速阈值的车辆，由前面可知，拥堵车速阈值为表征该路段的路况进入拥堵状态的车速临界值。
可以理解的是，在确定出该路段的路况被错误识别为拥堵状态的情况下，则说明是由于该路段中车速过低的拥堵车辆导致路况识别错误，在该种情况下，服务器会剔除拥堵车辆对应的车辆状态，而仅仅采用拥堵车辆之外的非异常车辆的实时车辆状态，重新确定该路段的路况，并将重新确定出的该路况作为待发布的路况，从而可以在发布路况之外实现了对路况进行修正后发布。
其中，待发布的路况可以理解为可以传输给请求路况的各个终端的路况，也即最终确定出的路段的路况。可选的，在该步骤S203之后，还可以发布该待发布的路况信息。
相应的，如果该可能程度表征该拥堵状态不属于被错误识别为拥堵状态，则无需执行该步骤S203，则将该步骤S201确定的路段的路况为拥堵状态确定为该路段对应的待发布的路况。进一步的，还可以发布该路段的路况为拥堵状态的信息。
可见，在本实施例中，在提供路况信息的服务器识别出当前路段的路况为拥堵状态的情况下，并不会识别出的路段作为待发布的路况，而会依据与该路段和当前时刻所属的目标时段关联的目标历史路况统计数据以及该路段中车辆的实时车辆状态信息，分析该路段被识别为拥堵状态属于误识别的可能程度。
如果确定当前识别出的该路段的路况为拥堵状态属于错误识别，则说明该路段中存在一些由于车辆自身异常原因而使得车辆速度过低，而导致该路段被错误识别为拥堵状态，在该种情况下，可以利用该路段中车速不低于路段对应的拥堵车速阈值的非异常车辆重新确定该路段的路况，从而可以得到该路段对应的准确路况，这样，将该准确的路况作为待发布的路况信息，可以在服务器发布路况信息之前对错误的路况信息进行修正，有利于提高发布出的路况的准确性。
可以理解的是，确定该路段的路况属于被错误识别为拥堵状态的可能程度需要多个维度的参数进行计算，且计算需要耗费一定的计算资源且需要一定的时长；而很多情况下，路段的路况为确定为拥堵状态可能并不属于错误识别，因此，在确定拥堵状态属于被错误识别为拥堵状态的可能程度之前，还可以先预判下该路段的路况为拥堵状态是否存在被错误识别的风险。
具体的，可以依据该目标历史路况统计数据以及设定的误判识别条件，检测该路段当前的路况是否存在被误识别为拥堵状态的风险。可以理解的是，目标历史路况统计数据可以反映出该路段在当前时刻所属的目标时段内的历史路况的具体情况，因此，基于该目标历史路况统计数据，可以分析该路段在该目标时段出现拥堵状态的概率，如果概率低于设定阈值，则可以认为该路段出现拥堵状态可能是由于错误识别导致的，从而确定当前识别出的拥堵状态存在被错误识别的风险。
相应的，在检测到该路段的路况为拥堵状态存在被错误识别的风险的情况下，才执行基于目标历史路况统计数据以及路段中车辆的实时车辆状态信息，确定拥堵状态属于被错误识别为拥堵状态的可能程度。
在一种可能的实现方式中，该目标历史路况统计数据至少包括：该路段在目标时段对应的至少一种历史路况状态各自的历史出现概率。在该种情况下，可以依据该至少一种历史路况状态各自的历史出现概率以及每种历史路况状态与设定风险阈值之间的风险判断条件，检测该路段当前的路况是否存在被误识别为拥堵状态的风险。
如，以目标历史路况统计数据包括：该路段在该目标时段出现的历史拥堵状态的历史出现概率为例，如果历史拥堵状态的历史出现概率小于设定阈值，则说明该路段在该时段出现拥堵的概率极小，因此，如果当前识别出该路段为拥堵状态则存在误识别的风险，需要进一步分析误识别的可能程度。
又如，以目标历史路况统计数据为：该路段在该目标时段出现的历史畅通状态的历史出现概率为例，如果该路段在该目标时段的路况为畅通状态的历史出现概率大于设定阈值，则说明该路段出现拥堵的概率很小，则当前识别出该路段为拥堵状态存在误识别的风险。
又如，如果该目标历史路况统计数据：包括该路段在该目标时段出现的历史拥堵状态的历史出现概率以及历史畅通状态的历史出现概率(当然，还可以包括环形状态的历史出现概率等)，那么如果历史拥堵状态的历史出现概率低于第一设定阈值，则可以进一步结果该历史畅通状态的历史出现概率是否大于第二设定阈值，来判断该路段出现拥堵状态是否存在误识别的风险。
在又一种可能的情况下，该目标历史路况统计数据可以包括：该路段在该目标时段的历史期望速度，该历史期望速度可以为该路段在该目标时段内的车辆速度的平均值。那么如果该历史期望速度高于设定阈值，则该路段出现拥堵的概率也相对较低，因此如当前识别出该路段为拥堵状态，则可以确认存在误识别的风险。
当然，对于目标历史路况统计数据为该路段在该目标时段对应的其他路况相关数据的情况下，判断是否存在误识别风险的方式也类似，在此不再赘述。
为了便于理解确定拥堵状态属于被错误识别的可能程度的具体实现过程，下面以路段关联的历史路况统计数据为：该路段在各个时段对应的至少一种历史路况状态各自的历史出现概率为例说明。
如，参见图3，其示出了本申请的路况确定方法中确定该拥堵状态属于被错误识别为拥堵状态的可能程度的一种实现方式的流程示意图，本实施例可以包括：
S301，针对每种历史路况状态，基于该路段在至少一个关联时段各自对应的该历史路况状态的历史出现概率，确定该路段对应的该种历史路况状态的综合出现概率。
其中，历史路况状态可以为该路段在当前之前出现的路况，可以包括：历史拥堵状态、历史畅通状态和历史缓行状态等，则针对每种历史的路况状态，分别确定出相应的综合出现概率。
如，该历史路况状态的综合出现概率可以为该至少一个关联时段对应的历史路况状态的历史出现概率的加权求和。即，历史路况状态的综合出现概率multi_prob的计算公式可以参见如下公式一：
Figure BDA0002196274440000121
其中，s表示关联时段的总数量，t表示一个关联时段，t的取值为从1到s。jam_probt表示第t个关联时段的历史路况状态的历史出现概率。wt表示第t个关联时段的历史路况状态的历史出现概率对应的权重。
其中，t取值不同时wt的取值也会有所不同。如，至少一个关联时段可以包括该当前时刻所属的目标时段，目标时段之前最近一个关联时段以及目标时段之后最近一个关联时段，则目标时段的权重最大，而目标时段之前和之后的关联时段的权重相对较小。
可以理解的是，因为不同天的道路通行趋势存在提前或滞后的可能，因为，减少由于该种原因造成的误判，本申请使用综合出现概率来分析错误识别拥堵状态的可能，从而能尽量避免由于道路交通状态提前或者延后等变化造成的误判。
S302，获取该路段中车辆的实时车辆状态信息。
其中，该实时车辆状态信息包括：该路段中当前存在的各个车辆的车辆速度以及车辆的总数量。
可以理解的是，车辆状态信息还可以包括车辆的位置，然后由服务器根据各个车辆的位置分别确定出各个车辆的位置。
当然，该实时车辆状态信息还可以包括车辆的其他信息，在此不加限制。
S303，依据该车辆的总数量以及设定的样本数量常数，确定车辆样本充足指数。
其中，该车辆样本充足指数用于反映该路段中用于确定路况的车辆(也称为车辆样本)的数量是否充足。其中，该车辆样本充足指数越大，则说明该路段中可用于确定路况的车辆样本的数量越充足，则该路段的路况为错误识别为拥堵状态的可能性也就越小。反之，如果该车辆样本充足指数越小，则车辆样本的数量不足，则由于路况识别错误而导致该路段被识别为拥堵状态的可能性也就越大。
举例说明，假设该路段上只有三辆车，如果恰好其中有两辆或者三辆车由于自身特殊原因都处于停车或者速度较慢行驶的状态，那么就可能将该路段错误识别为拥堵状态。如果该路段中有大量的车，那么即使其中有几辆车存在异常行为，对最终确定路况是否拥堵的影响也不会很大。
其中，设定的样本数量常数可以根据实际需要设定，一般可以结合路段准确确定路况所需的车辆样本数量设定。
其中，车辆样本充足指数的确定方式可以有多种，如，可以基于该实时车辆状态所确定车辆的总数量与样本数量常数的大小关系或者差值大小等得到，例如，车辆的总数量小于该样本数量常数且二者的差值越大，则该车辆样本充足指数的取值越小；反之，车辆的总数量不小于该样本数量常数，那么二者的差值越大，则该车辆样本充足指数的取值越大。
可选的，该车辆样本充足指数可以为该车辆的总数量m与该样本数量常数M的比值，即，车辆样本充足指数m_adequacy可以表示为如下公式二：
Figure BDA0002196274440000141
当然，还可以有其他确定车辆样本充足指数的方式，对此不加限制。
S304，依据该路段中各个车辆的车辆速度以及该路段对应的该拥堵车速阈值，确定车辆速度低于该拥堵车速阈值的拥堵车辆的占比。
其中，拥堵车速阈值为该路段设定的判断车辆是否处于拥堵状态的速度阈值。如果车辆速度低于该拥堵车速阈值，则可以判断车辆处于拥堵状态；而如果未低于该拥堵车速阈值，则车辆处于缓行或者畅通状态。
可见，如果车辆的车辆速度低于该拥堵车速阈值，则可以判断该车辆属于拥堵车辆，这样，根据各个车辆的车辆速度，确定出所有属于拥堵车辆的车辆数量以及不属于拥堵车辆的车辆数量，从而可以分析出该拥堵车辆的占比。
可以理解的是，在该路段中车辆的总数量较少，且车辆为拥堵车辆的数量较多的情况下，为了更为合理的确定拥堵车辆的占比对后续确定误判的可能程度的影响，本申请的拥堵车辆的占比nm_ratio还可以通过如下公式三确定：
Figure BDA0002196274440000142
其中，m为该路段中车辆的总数量，n为该路段中拥堵车辆的数量，可见，如果车辆的总数量为0，则拥堵车辆的占比为0；如果该车辆的总数量m小于3，且拥堵车辆的数量与车辆的总数量相同，则拥堵车辆的占比为0.5，而对于这两种情况之外的其他情况，则可以直接用拥堵车辆与车辆的总数量的比值作为拥堵车辆的占比。
S305，依据该路段中各个车辆的车辆速度、该拥堵车速阈值以及严重拥堵车速阈值，分别确定各个车辆的速度指数。
其中，车辆的速度指数用于表征该路段中该车辆的速度存在异常的可能性大小。
其中，该拥堵车速阈值可以参见前面减少，而严重拥堵车速阈值为评判该路段中车辆速度处于拥堵以及严重拥堵的临界值，即，如果车辆的速度低于该严重拥堵车速阈值，则车辆处于严重拥堵状态；如果车辆的速度不低于该严重拥堵状态但是低于拥堵车速阈值，则该车辆处于拥堵状态。
其中，该拥堵车速阈值和严重拥堵车速阈值可以根据实际需要设定。
其中，每辆车辆的速度指数的确定方式可以有多种，如，可以结合该车辆的车辆速度与该路段的拥堵车速阈值以及严重拥堵车速阈值的大小关系以及差值等确定。
可选的，车辆的速度指数idx_spd可以通过如下公式四得到：
Figure BDA0002196274440000151
其中，sample_spd为车辆的车辆速度，th_jam_stop为严重拥堵车速阈值；th_slow_jam为拥堵车速阈值。
需要说明的是，本实施例是以确定车辆的速度指数结合了拥堵车速阈值和严重拥堵车速阈值为例说明，在实际应用中，也可以仅仅基于拥堵车速阈值以及车辆的车辆速度确定该车辆的速度指数。
S306，基于各个车辆的速度指数，确定该路段中所有车辆的速度指数的速度指数总和。
该速度指数总和就是该路段所有的车辆的速度指数的加和。
S307，将速度指数总和与拥堵车辆的占比之间的乘积确定为拥堵指数。
其中，该拥堵指数用于衡量路段中车辆的拥堵程度，其中，拥堵车辆的数量越多，车辆的总数量越少，车辆的车辆速度越低，则该拥堵指数也越高。
即，该拥堵指数idx_jam为：
idx_jam＝nm_ratio*idx_spd_sum(公式五)；
其中，nm_ratio为拥堵车辆的占比，idx_spd_sum为该路段所有车辆对应的速度指数总和。
可以理解的是，本实施例是以基于车辆的车辆速度以及拥堵车辆的占比确定拥堵指数的一种实现方式为例进行说明，在实际应用中，根据该路算中各个车辆的车辆速度以及拥堵车辆的占比，还可以有其他确定该拥堵指数的方式，对此不加限制。
S308，按照设定的权重关系，对该每种历史路况状态的综合出现概率、该车辆样本充足指数、该拥堵车辆的占比以及该拥堵指数进行加权求和，得到误识别指数。
其中，该误识别指数用于表征该拥堵状态属于被错误识别为拥堵状态的可能程度。
其中，历史路况状态的综合出现概率、车辆样本充足指数、拥堵车辆的占比以及该速度指数总和分别对应不同的权重系数。不同历史路况状态所对应的综合出现概率的权重系数也会有所不同。相应的，结合这几个参数的权重系数对这几个参数的取值进行加权求和，就可以得到该误识别指数。
如，误识别指数detect_score可以表示为如下：
detect_score＝a*multi_prob+b*m_adequacy+c*nm_ratio+d*idx_jam
(公式六)；
其中，a为历史路况状态的综合出现概率multi_prob的权重系数；b为车辆样本充足指数m_adequacy的权重系数；c为拥堵车辆的占比nm_ratio的权重系数；d为拥堵指数idx_jam的权重系数。a、b、c和d根据实际需要设定，具体可以结合实际应用中各个路段的路况准确情况的统计分析可以不断调整更新。
需要说明的是，在公式六中为了便于描述，仅仅涉及到一种历史路况状态的综合出现概率，如，该历史路况状态的综合出现概率可以为通行状态的综合出现概率。但是可以理解的是，当需要结合多种历史路况的综合出现概率确定该误识别指数时，只需要分别设定不同历史路况状态的综合出现概率对应的权重系数并与公式六中其他几部分进行加和即可。
可以理解的是，在图3实施例确定该拥堵状态属于被错误识别为拥堵状态的可能程度的过程中，不仅考虑到了该路段在当前时刻所属的目标时段对应的至少一种历史路况状态的历史出现概率，还考虑了该路段中各个车辆的实时车辆状态对于路况误识别所造成的影响，从而综合分析该路段的路段为拥堵状态属于误识别的可能程度。
同时，在图3实施例中，仅仅是以结合该至少一种历史路况状态的综合出现概率以及该路段中车辆的实时车辆状态信息，确定路况被误识别的可能程度的一种实现方式为例说明。但是可以理解的是，在确定出至少一种历史路况状态的综合出现概率之后，结合该路段中各个车辆的实时车辆状态信息还可以有其他方式来确定该可能程度，具体可以参见前面实施例中提到的基于实时车辆状态分析可能程度的几种可能实现，对于不再赘述。
可以理解的是，每种历史路况状态对应的历史出现概率可以通过对当前天之前最近设定时长内的历史路况状态进行统计分析得到。其中，该设定时长可以为一个月，也可以为20天等，具体可以根据实际需要设定。
为了便于理解，以每个时段的时长为30分钟，且每种历史路况状态的历史出现概率为基于当前天之前最近30天内的历史路况统计得到为例说明。
如图4，其示出了本申请中确定路段中每个时段的历史路况状态的历史出现频率的一种实现流程示意图，本流程可以应用于前面提到的服务器，也可以是由其他设备执行并将最终得到的结果返回给该服务器，本流程可以包括：
S401，获取该路段最近30天内的路况发布结果，该路况发布结果包括：该路段在最近30天内的每天每分钟的路况状态。
由于路况发布结果应该包括了最近30天内每天各个时刻的路况状态，因此，理论上，该路段发布结果最近30天每天对应的一条长度为1440路况状态序列，即包括30条长度为1440的路况状态序列，如图5所示。该路况状态序列上每个元素代表该时刻的路况，路况的取值为畅通、缓行、拥堵。
S402，对最近30天内的路况发布结果进行数据预处理。
其中，数据的预处理可以包括：对路况发布结果包含的路况状态序列进行平滑处理，以填补缺失的路况状态，并剔除异常值等。
该数据预处理还可以包括一些数据合并或者转换。如，以挖掘最近30天内拥堵状态的出现概率为例，如果路况包括拥堵和极度拥堵两种拥堵状态，而这两种都属于拥堵，所以在挖掘拥堵状态的出现概率时，无需进行区分。在该种情况下，则可以将极度拥堵状态转换为拥堵状态，以便于后续数据统计。
当然，该步骤S402为可选步骤，如果路况发布结果较为全面且路况状态划分清晰，也可以不执行该步骤S402。
S403，确定最近30天中各天的类型属性。
如，类型属性可以为工作日或者非工作日这两种类型。当然，在实际应用中，还可以将非工作日划分为双休日和节假日这两种情况。
S404，按照每30分钟为一个时段，确定最近30天中每天的每个时段包含的30个路况状态。
其中，由于每天包含24小时，那么每天按照30分钟为一个时段划分，则可以得到48个时段，这样，每天对应着一条长度为48的路况状态序列。
如图5所示，每一天对应了一条路况状态序列，由于该路况状态序列中每个路况状态对应了一个时刻，因此，按照该路况状态序列中各个路况状态从前到后的顺序，可以将最靠前的30个路况状态划分为该天第一个时段内30个路况状态，后续依此类推，从而每天对应了49个时段，每个时段包括该天的30个路况状态。
S405，针对每种类型属性的每个时段，统计最近30天中属于该类型属性的各天中该时段每种路况状态的出现概率。
如，以类型属性为工作日为例，则对于工作日中每个时段，可以统计该最近30天中属于工作日的各天中该时段中各种路况状态各自的出现次数；然后，针对一种路况状态，计算该路况状态的出现次数与该时段中所有路况状态的总出现次数的比值，得到该路况状态的出现概率。对于非工作日也类似，在此不再赘述。
如，以统计最近30天的拥堵状态的出现概率为例说明，如果需要统计最近30天中工作日的某个时段的拥堵状态的出现概率，则统计最近30天中工作日中该时段出现的拥堵状态的出现次数，然后将该拥堵状态的出现次数与该最近30天中该时段所有路况状态的总出现次数的比值，确定为工作日该时段的拥堵状态的出现概率(也可简称为拥堵状态概率)。
即，某一类型属性对应的时段t的拥堵状态的出现概率pt为：
Figure BDA0002196274440000191
其中，cntjam为属于该类型属性的历史各天中该时段t内拥堵状态的出现次数；cntall为属于该类型属性的历史各天中该时段t的所有路况状态的总出现次数。
结合图5进行说明举例说明，在图5中以路段A某一年的4月份为例，假设4月份工作日包括：4月1日、4月2日以及4月30日等，而非工作日包括：4月6日以及4月28日等，因此，如果需要分析工作日中第一个时段(时间为：00:00-00：29)的拥堵状态的出现概率，那么则可以如图5所示，提取出该路段A在工作日中该第一个时段出现的所有路况状态，然后可以统计出该路段A在第一个时段中历史拥堵状态的概率为2.1％。相应的，可以统计出工作日第二个时段中历史拥堵状态的概率为2.40％，依此类推，可以得到一个工作日对应的48个时段各自出现的拥堵状态的概率。如图5最上面示出的拥堵概率序列所示。
S406，存储每种类型属性下每个时段各自对应的每种历史路况状态的历史出现概率。
当然，在实际应用中，可以随着时间推进不断更新每种天类型下各个时段中每种历史路况状态的历史出现概率。
可以理解的是，本实施例是以分析最近一个月的历史路况状态为例说明，在实际应用中可以根据需要设定分析历史路况状态的出现概率所需获取到的历史路况数据的历史时长。
需要说明的是，本实施例是以天的类型属性包括工作日和非工作日为例，如果非工作日需要细分为节假日和双休日，那么对于节假日可以依据当前年之前最近一年或者多年该节假日的路况数据进行分析，但是分析过程类似，在此不再赘述。
在预先统计得到不同天类型下各个时段对应的每种历史路况状态的历史出现概率之后，在本申请检测路况是否存在被错误识别以及对错误识别的路况进行修正时，便可以直接调用相应的路况状态的历史出现概率。
为了便于理解，下面以基于当前时刻所属目标时段的历史拥堵状态的历史出现概率，分析当前时刻的路况为拥堵状态是否为误识别为例，对本申请的方案进行说明。
如图6，其示出了本申请一种路况确定方法又一个实施例的流程示意图，本实施例可以应用于前面提到的服务器，本实施例的方法可以包括：
S601，在检测到路段当前的路况被识别为拥堵状态的情况下，基于该当前天的类型属性以及当前时刻所属的目标时段，获取该路段在该目标时段的历史拥堵状态的历史出现概率。
如，当前天为工作日，则获取该路段在工作日的该目标时段的历史拥堵状态的历史出现概率。
S602，检测该路段在该目标时段的历史拥堵状态的历史出现概率是否低于设定风险阈值，如果是，则执行步骤S603；如果否，则确定路段当前的路况不存在被误识别为拥堵状态的风险，发布该路段的路况为拥堵状态。
其中，该设定风险阈值为判断拥堵状态为可疑拥堵的阈值。
如果该路段在该目标时段的历史拥堵状态的历史出现概率低于设定风险阈值，则说明该路段当前被识别为拥堵状态可能存在错误识别的风险。
S603，基于该当前天的类型属性，获取该目标时段之前最近的第一时段和第二时段各自的历史拥堵状态的出现概率，以及该目标时段之后最近的第三时刻和第四时段各自的历史拥堵状态的出现概率。
其中，为了便于区分，将目标时段之前最近一个时段称为第一时段，而将第一时段之前最近一个时段称为第二时段。例如，目标时段为上午八点到八点半这一时段，则第一时段为上午七点半到八点这一时段，而第二时段为上午七点到七点半这一时段。相应的，将目标时段之后两个时段分别称为第三时段和第四时段。
需要说明的是，在实际应用中，在该步骤S601中获取目标时段的历史拥堵状态的出现概率时，也可以同时获取该第一时段、第二时段、第三时段以及第四时段的历史拥堵状态的出现概率，以减少数据获取次数，降低读取数据所需耗费的时间。而采用先经过该步骤S601的判断之后再通过步骤S603获取第一时段到第四时段的历史拥堵状态的出现概率，则可以避免在不存在误识别风险的情况下盲目获取大量的数据，而导致数据资源传输的浪费。
S604，计算该目标时段、第一时段、第二时段、第三时段和第四时段的历史拥堵状态的出现概率对应的综合出现概率。
即，综合出现概率可以为目标时段、该目标时段之前最近两个时段以及该目标时段之后最近两个时段的历史拥堵状态的出现概率的加权求和，具体可以参见前面公式一所示，在此不再赘述。
本实施例是以目标时段关联的关联时段包括目标时段之前最近两个时段以及目标时段之后最近两个时段为例进行说明，但是可以根据需要改变关联时段的数量，也同样适用于本实施例。
S605，获取该路段中车辆的实时车辆状态信息。
其中，该实时车辆状态信息包括：该路段中当前存在的各个车辆的车辆速度以及车辆的总数量。
S606，依据该路段中车辆的实时车辆状态信息，计算车辆样本充足指数、车辆速度低于拥堵车速阈值的拥堵车辆的占比、拥堵指数。
其中，车辆样本充足指数、拥堵车辆的占比、拥堵指数的计算可以刹那间前面图3实施例的相关介绍，在此不再赘述。
S607，按照设定的权重关系，对该每种历史路况状态的综合出现概率、该车辆样本充足指数、该拥堵车辆的占比以及该拥堵指数进行加权求和，得到误识别指数。
S608，检测该误识别指数是否大于设定的指数阈值，如果是，则执行步骤S609，如果否，则确定路段当前的拥堵状态不属于错误识别，发布该路段的路况为拥堵状态。
S609，基于该路段中的非异常车辆的实时车辆状态信息，确定该路段的路况信息，得到修正后的路况信息；
S610，发布修正后的路况信息。
可以理解的是，以上主要是以历史路况统计数据为历史路况状态的历史出现概率为例说明，但是可以理解的是，如果历史路况统计数据为历史期望速度等其他情况，也只需要将历史路况状态的历史出现概率替换为历史期望速度并修改相关的权重系数或者判断阈值，其大体原理类似，在此不再赘述。
对应本申请的一种路况确定方法，本申请还提供了一种路况确定装置。如图7所示，其示出了本申请一种路况确定装置的一种组成结构示意图，该装置可以应用于前面提到的服务器，该装置可以包括：
数据获取单元701，用于在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
错误分析单元702，用于基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
路况重计算单元703，用于在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
在一种可能的实现方式中，所述数据获取单元获取到的所述目标历史路况统计数据至少包括：所述路段在所述目标时段关联的每个关联时段对应的至少一种历史路况状态各自的历史出现概率，所述目标时段关联有至少一个关联时段，所述至少一个关联时段至少包括所述目标时段；
所述错误分析单元，包括：
概率确定单元，用于针对每种历史路况状态，基于所述路段在所述至少一个关联时段各自对应的该历史路况状态的历史出现概率，确定所述路段对应的所述历史路况状态的综合出现概率；
可能性分析单元，用于依据每种所述历史路况状态的综合出现概率以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度。
可选的，所述可能性分析单元，包括：
实时信息获取单元，用于获取所述路段中车辆的实时车辆状态信息，所述实时车辆状态信息包括：所述路段中当前存在的各个车辆的车辆速度以及车辆的总数量；
样本充分析单元，用于依据所述车辆的总数量以及设定的样本数量常数，确定车辆样本充足指数；
占比确定单元，用于依据所述路段中各个车辆的车辆速度以及所述路段对应的所述拥堵车速阈值，确定车辆速度低于所述拥堵车速阈值的拥堵车辆的占比；
速度分析单元，用于依据所述路段中各个车辆的车辆速度、所述拥堵车速阈值以及严重拥堵车速阈值，分别确定各个车辆的速度指数，车辆的速度指数用于表征所述路段中所述车辆的速度存在异常的可能性大小；
速度指数求和单元，用于基于各个车辆的速度指数，确定所述路段中所有车辆的速度指数的速度指数总和；
拥堵指数确定单元，用于将所述速度指数总和与所述拥堵车辆的占比之间的乘积确定为拥堵指数；
误识别指数确定单元，用于按照设定的权重关系，对所述每种历史路况状态的综合出现概率、所述车辆样本充足指数、所述拥堵车辆的占比以及所述拥堵指数进行加权求和，得到误识别指数，所述误识别指数用于表征所述拥堵状态属于被错误识别为拥堵状态的可能程度。
可选的，所述路段在所述目标时段关联的每个关联时段对应的至少一种路况状态各自的历史出现概率为：所述路段在所述目标时段关联的每个关联时段对应的历史拥堵状态的历史出现概率；
所述目标时段关联的至少一个关联时段包括：所述目标时段，所述目标时段之前最近的至少一个时段，以及所述目标时段之后最近的至少一个时段。
在又一种可能的情况中，该装置还包括：
风险预判单元，用于在所述错误分析单元确定所述拥堵状态属于被错误识别为拥堵状态的可能程度之前，依据目标历史路况统计数据以及设定的误判识别条件，检测所述路段当前的路况是否存在被误识别为拥堵状态的风险；
所述错误分析单元，具体为，用于在检测到存在所述风险的情况下，基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度。
可选的，所述数据获取单元获取到的所述目标历史路况统计数据至少包括：所述路段在所述目标时段对应的至少一种历史路况状态各自的历史出现概率；
所述风险预判单元，具体为，用于依据所述至少一种历史路况状态各自的历史出现概率以及每种历史路况状态与设定风险阈值之间的风险判断条件，检测所述路段当前的路况是否存在被误识别为所述拥堵状态的风险。
在一种可能的实现方式中，以上装置的数据获取单元在从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据时，具体为，用于确定当前时刻所属的当前天的类型属性，从所述路段关联的历史路况统计数据中，确定与所述当前天的类型属性对应且与当前时刻所属的目标时段关联的目标历史路况统计数据，所述类型属性表征所述当前天为工作日或者非工作日。
在本申请实施例中，该服务器的可以为手机、平板电脑等。如，参见图8其示出了本申请实施例的应用测试方法所适用的服务器的一种组成结构示意图。在图8中，该服务器800可以包括：处理器801和0存储器802。
可选的，该装置还可以包括：通信接口803、输入单元804、显示器805和通信总线806。
处理器801、存储器802、通信接口803、输入单元804、显示器805、均通过通信总线806完成相互间的通信。
在本申请实施例中，该处理器801，可以为中央处理器(Central ProcessingUnit，CPU)，特定应用集成电路(application-specific integrated circuit，ASIC)，数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件等。
该处理器可以调用存储器802中存储的程序，具体的，可以处理器可以执行前面图2以及图6实施例中服务器侧所执行的操作。
存储器802中用于存放一个或者一个以上程序，程序可以包括程序代码，所述程序代码包括计算机操作指令，在本申请实施例中，该存储器中至少存储有用于实现以下功能的程序：
在检测到路段当前的路况被识别为拥堵状态的情况下，从该路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
基于该目标历史路况统计数据以及该路段中车辆的实时车辆状态信息，确定该拥堵状态属于被错误识别为拥堵状态的可能程度；
在该可能程度表征该拥堵状态属于被错误识别为拥堵状态的情况下，基于该路段中的非异常车辆的实时车辆状态信息，确定该路段对应的待发布的路况信息，该非异常车辆为该路段中车速不低于该路段对应的拥堵车速阈值的车辆，该拥堵车速阈值为表征该路段的路况进入拥堵状态的车速临界值。
在一种可能的实现方式中，该存储器802可包括存储程序区和存储数据区，其中，存储程序区可存储操作***、以上所提到的程序等；存储数据区可存储根据服务器的使用过程中所创建的数据。
该通信接口803可以为通信模块的接口，如GSM模块的接口。
本申请还可以包括输入单元804，该输入单元可以包括感应触摸显示面板上的触摸事件的触摸感应单元、键盘等等。
该显示器805包括显示面板，如触摸显示面板等。
当然，图8示的服务器结构并不构成对本申请实施例中服务器的限定，在实际应用中服务器可以包括比图8示的更多或更少的部件，或者组合某些部件。
另一方面，本申请还提供了一种存储介质，该存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上任意一个实施例中的路况确定方法。
需要说明的是，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。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
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、物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、物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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
以上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为本发明的保护范围。

Claims (10)

1.一种路况确定方法，其特征在于，包括：
在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
2.根据权利要求1所述的方法，其特征在于，所述目标历史路况统计数据至少包括：所述路段在所述目标时段关联的每个关联时段对应的至少一种历史路况状态各自的历史出现概率，所述目标时段关联有至少一个关联时段，所述至少一个关联时段至少包括所述目标时段；
所述基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度，包括：
针对每种历史路况状态，基于所述路段在所述至少一个关联时段各自对应的该历史路况状态的历史出现概率，确定所述路段对应的所述历史路况状态的综合出现概率；
依据每种所述历史路况状态的综合出现概率以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度。
3.根据权利要求2所述的方法，其特征在于，所述依据每种所述历史路况状态的综合出现概率以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度，包括：
获取所述路段中车辆的实时车辆状态信息，所述实时车辆状态信息包括：所述路段中当前存在的各个车辆的车辆速度以及车辆的总数量；
依据所述车辆的总数量以及设定的样本数量常数，确定车辆样本充足指数；
依据所述路段中各个车辆的车辆速度以及所述路段对应的所述拥堵车速阈值，确定车辆速度低于所述拥堵车速阈值的拥堵车辆的占比；
依据所述路段中各个车辆的车辆速度、所述拥堵车速阈值以及严重拥堵车速阈值，分别确定各个车辆的速度指数，车辆的速度指数用于表征所述路段中所述车辆的速度存在异常的可能性大小；
基于各个车辆的速度指数，确定所述路段中所有车辆的速度指数的速度指数总和；
将所述速度指数总和与所述拥堵车辆的占比之间的乘积确定为拥堵指数；
按照设定的权重关系，对所述每种历史路况状态的综合出现概率、所述车辆样本充足指数、所述拥堵车辆的占比以及所述拥堵指数进行加权求和，得到误识别指数，所述误识别指数用于表征所述拥堵状态属于被错误识别为拥堵状态的可能程度。
4.根据权利要求2或3所述的方法，其特征在于，所述路段在所述目标时段关联的每个关联时段对应的至少一种路况状态各自的历史出现概率为：所述路段在所述目标时段关联的每个关联时段对应的历史拥堵状态的历史出现概率；
所述目标时段关联的至少一个关联时段包括：所述目标时段，所述目标时段之前最近的至少一个时段，以及所述目标时段之后最近的至少一个时段。
5.根据权利要求1所述的方法，其特征在于，在所述基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度之前，还包括：
依据目标历史路况统计数据以及设定的误判识别条件，检测所述路段当前的路况是否存在被误识别为拥堵状态的风险；
所述基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度，包括：
在检测到存在所述风险的情况下，基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度。
6.根据权利要求5所述的方法，其特征在于，所述目标历史路况统计数据至少包括：所述路段在所述目标时段对应的至少一种历史路况状态各自的历史出现概率；
所述依据目标历史路况统计数据以及设定的误判识别条件，检测所述路段当前的路况是否存在被误识别为拥堵状态的风险，包括：
依据所述至少一种历史路况状态各自的历史出现概率以及每种历史路况状态与设定风险阈值之间的风险判断条件，检测所述路段当前的路况是否存在被误识别为所述拥堵状态的风险。
7.根据权利要求1、2、3、5或6所述的方法，其特征在于，所述从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据，包括：
确定当前时刻所属的当前天的类型属性，所述类型属性表征所述当前天为工作日或者非工作日；
从所述路段关联的历史路况统计数据中，确定与所述当前天的类型属性对应且与当前时刻所属的目标时段关联的目标历史路况统计数据。
8.一种路况确定装置，其特征在于，包括：
数据获取单元，用于在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
错误分析单元，用于基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
路况重计算单元，用于在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
9.一种服务器，其特征在于，包括：
处理器和存储器；
所述处理器，用于调用并执行所述存储器中存储的程序；
所述存储器用于存储所述程序，所述程序至少用于：
在检测到路段当前的路况被识别为拥堵状态的情况下，从所述路段的历史路况统计数据中，获取与当前时刻所属的目标时段关联的目标历史路况统计数据；
基于所述目标历史路况统计数据以及所述路段中车辆的实时车辆状态信息，确定所述拥堵状态属于被错误识别为拥堵状态的可能程度；
在所述可能程度表征所述拥堵状态属于被错误识别为拥堵状态的情况下，基于所述路段中的非异常车辆的实时车辆状态信息，确定所述路段对应的待发布的路况信息，所述非异常车辆为所述路段中车速不低于所述路段对应的拥堵车速阈值的车辆，所述拥堵车速阈值为表征所述路段的路况进入拥堵状态的车速临界值。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如上权利要求1至7任一项所述的路况确定方法。
CN201910848998.3A 2019-09-09 2019-09-09 路况确定方法、装置、服务器及存储介质 Active CN110782659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910848998.3A CN110782659B (zh) 2019-09-09 2019-09-09 路况确定方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910848998.3A CN110782659B (zh) 2019-09-09 2019-09-09 路况确定方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN110782659A true CN110782659A (zh) 2020-02-11
CN110782659B CN110782659B (zh) 2021-06-01

Family

ID=69384121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910848998.3A Active CN110782659B (zh) 2019-09-09 2019-09-09 路况确定方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN110782659B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402581A (zh) * 2020-03-11 2020-07-10 浙江大华技术股份有限公司 一种交通状态检测方法及检测装置
CN111627210A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN112927497A (zh) * 2021-01-14 2021-06-08 阿里巴巴集团控股有限公司 一种浮动车识别方法、相关方法和装置
CN113192338A (zh) * 2021-03-31 2021-07-30 北京市运输管理技术支持中心 基于多源数据的提升货运车辆通行效率的方法及装置
CN113682223A (zh) * 2021-09-28 2021-11-23 电装天研究开发(天津)有限公司 远光灯控制方法、装置、设备、车辆和存储介质
CN113763711A (zh) * 2021-10-13 2021-12-07 深圳联和智慧科技有限公司 基于城市管理的无人机交通监控方法及***
CN114078327A (zh) * 2020-08-20 2022-02-22 浙江宇视科技有限公司 道路拥堵状态检测方法、装置、设备和存储介质
CN114613137A (zh) * 2022-03-07 2022-06-10 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114724361A (zh) * 2022-03-16 2022-07-08 阿里巴巴（中国）有限公司 路况确定方法、装置及计算机可读存储介质
CN117493820A (zh) * 2024-01-03 2024-02-02 中国电子工程设计院股份有限公司 一种数据要素处理方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050099322A1 (en) * 2003-11-07 2005-05-12 The Boeing Company Method and system of utilizing satellites to transmit traffic congestion information to vehicles
CN103093611A (zh) * 2011-10-27 2013-05-08 株式会社电装 拥堵预测装置及拥堵预测***
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
CN105551250A (zh) * 2016-01-13 2016-05-04 东南大学 一种基于区间聚类的城市道路交叉口运行状态判别方法
WO2017028012A1 (zh) * 2015-08-14 2017-02-23 富士通株式会社 交通拥堵状况检测装置及方法
US9582999B2 (en) * 2013-10-31 2017-02-28 Here Global B.V. Traffic volume estimation
CN106781460A (zh) * 2016-11-30 2017-05-31 北京掌行通信息技术有限公司 一种路段交通状态确定方法及装置
CN106816008A (zh) * 2017-02-22 2017-06-09 银江股份有限公司 一种道路拥堵预警及拥堵形成时间预测方法
CN106935027A (zh) * 2015-12-30 2017-07-07 沈阳美行科技有限公司 一种基于行驶数据的交通信息预测方法及装置
CN107274668A (zh) * 2016-04-06 2017-10-20 北京瑞拓电子技术发展有限公司 一种基于车辆检测的道路拥堵建模方法
CN109147330A (zh) * 2018-09-19 2019-01-04 青岛海信网络科技股份有限公司 一种拥堵识别方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050099322A1 (en) * 2003-11-07 2005-05-12 The Boeing Company Method and system of utilizing satellites to transmit traffic congestion information to vehicles
CN103093611A (zh) * 2011-10-27 2013-05-08 株式会社电装 拥堵预测装置及拥堵预测***
US9582999B2 (en) * 2013-10-31 2017-02-28 Here Global B.V. Traffic volume estimation
CN104240499A (zh) * 2014-06-23 2014-12-24 银江股份有限公司 一种基于微波数据的异常拥堵点判别方法
WO2017028012A1 (zh) * 2015-08-14 2017-02-23 富士通株式会社 交通拥堵状况检测装置及方法
CN106935027A (zh) * 2015-12-30 2017-07-07 沈阳美行科技有限公司 一种基于行驶数据的交通信息预测方法及装置
CN105551250A (zh) * 2016-01-13 2016-05-04 东南大学 一种基于区间聚类的城市道路交叉口运行状态判别方法
CN107274668A (zh) * 2016-04-06 2017-10-20 北京瑞拓电子技术发展有限公司 一种基于车辆检测的道路拥堵建模方法
CN106781460A (zh) * 2016-11-30 2017-05-31 北京掌行通信息技术有限公司 一种路段交通状态确定方法及装置
CN106816008A (zh) * 2017-02-22 2017-06-09 银江股份有限公司 一种道路拥堵预警及拥堵形成时间预测方法
CN109147330A (zh) * 2018-09-19 2019-01-04 青岛海信网络科技股份有限公司 一种拥堵识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫小倩: "基于微波数据的城市快速路常发性拥堵评价方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402581A (zh) * 2020-03-11 2020-07-10 浙江大华技术股份有限公司 一种交通状态检测方法及检测装置
CN111627210B (zh) * 2020-06-05 2021-08-24 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN111627210A (zh) * 2020-06-05 2020-09-04 腾讯科技（深圳）有限公司 一种车流量预测方法、装置、设备及介质
CN114078327A (zh) * 2020-08-20 2022-02-22 浙江宇视科技有限公司 道路拥堵状态检测方法、装置、设备和存储介质
CN114078327B (zh) * 2020-08-20 2023-01-24 浙江宇视科技有限公司 道路拥堵状态检测方法、装置、设备和存储介质
CN112927497A (zh) * 2021-01-14 2021-06-08 阿里巴巴集团控股有限公司 一种浮动车识别方法、相关方法和装置
CN113192338A (zh) * 2021-03-31 2021-07-30 北京市运输管理技术支持中心 基于多源数据的提升货运车辆通行效率的方法及装置
CN113192338B (zh) * 2021-03-31 2021-11-30 北京市运输管理技术支持中心 基于多源数据的提升货运车辆通行效率的方法及装置
CN113682223A (zh) * 2021-09-28 2021-11-23 电装天研究开发(天津)有限公司 远光灯控制方法、装置、设备、车辆和存储介质
CN113763711A (zh) * 2021-10-13 2021-12-07 深圳联和智慧科技有限公司 基于城市管理的无人机交通监控方法及***
CN113763711B (zh) * 2021-10-13 2022-06-14 深圳联和智慧科技有限公司 基于城市管理的无人机交通监控方法及***
CN114613137A (zh) * 2022-03-07 2022-06-10 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114613137B (zh) * 2022-03-07 2023-02-21 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114724361A (zh) * 2022-03-16 2022-07-08 阿里巴巴（中国）有限公司 路况确定方法、装置及计算机可读存储介质
CN117493820A (zh) * 2024-01-03 2024-02-02 中国电子工程设计院股份有限公司 一种数据要素处理方法和装置
CN117493820B (zh) * 2024-01-03 2024-04-02 中国电子工程设计院股份有限公司 一种数据要素处理方法和装置

Also Published As

Publication number Publication date
CN110782659B (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN110782659B (zh) 路况确定方法、装置、服务器及存储介质
US12008896B2 (en) System and method for detection and quantification of irregular traffic congestion
US9177425B2 (en) Vehicle data analysis apparatus, vehicle data analysis method, and defect diagnosis apparatus
CN110751828B (zh) 一种路段拥堵测量方法、装置、计算机设备及存储介质
WO2014125802A1 (en) New road detection logic
CN114078327B (zh) 道路拥堵状态检测方法、装置、设备和存储介质
CN107426013B (zh) 设备信息监测方法、装置及***
CN113870564B (zh) 一种封闭路段交通拥堵分类方法、***、电子设备及存储介质
CN110046179B (zh) 一种报警维度的挖掘方法、装置及设备
Sevlian et al. Travel time estimation using floating car data
CN115392342A (zh) 一种目标车辆分类方法、装置、电子设备及存储介质
CN112434075A (zh) 一种基于etc门架的交通异常检测方法、装置、存储介质及终端
US9747801B2 (en) Method and device for determining surroundings
KR20160062259A (ko) 차량 이상 상태를 관리하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록매체
US10140577B2 (en) Data processing method and apparatus
CN111783107B (zh) 一种多源可信数据接入方法、装置及设备
WO2019146085A1 (ja) 車両情報処理装置及び車両情報処理方法
JP2019053578A (ja) 交通量判定システム、交通量判定方法、及び交通量判定プログラム
JP2019053555A (ja) 交通量判定システム、交通量判定方法、及び交通量判定プログラム
CN111369790A (zh) 过车记录校正方法、装置、设备及存储介质
CN114485826A (zh) 一种车辆里程油耗数据确定方法及装置
CN112874528B (zh) 车速确定方法、车速确定装置、车载终端及存储介质
CN113129603B (zh) 平行道路超速判定方法、装置、终端及存储介质
CN112785055B (zh) 车辆加油日期预测方法及设备
CN114331688A (zh) 一种银行柜面***业务批量运行状态检测方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant