CN114973681B - 一种在途车辆感知方法及设备 - Google Patents

Abstract

本申请公开了一种在途车辆感知方法及设备，属于交通控制***技术领域。方法包括：确定待监测的指定路段，通过设置于指定路段的多个感知设备，生成指定路段在当前监测时段内的采样轨迹；采样轨迹包括指定路段的采样位置和采样时间；确定采样轨迹对应的道路感知阶段，根据道路感知阶段对应的感知模式，获取指定路段的车辆指示信息；拟合得到车辆指示信息对应的指示路径，以根据指示路径的路径长度，从车辆指示信息中提取得到道路感知阶段对应的道路影响因子；根据道路影响因子对指定路段进行道路分析，以通过构建得到的多元线性回归模型或指示路径的数量，得到指定路段的在途车辆信息。

Description

一种在途车辆感知方法及设备

技术领域

本申请涉及交通控制***技术领域，具体涉及一种在途车辆感知方法及设备。

背景技术

随着现代经济的高速发展，公路运输已成为一种重要的交通方式，高速公路上的车流量作为高速公路路况监测的重要指标，也是交通管理部门进行道路规划、评估等决策的重要依据之一。对高速上的车辆进行实时感知，能够辅助决策交通疏导策略，有利于出行者的快速便捷出行。

目前，大多是通过高速门架的识别数据或车辆交易数据，确定当前高速公路的在途车辆实况，然而在节假日或受其他交通因素的诱导下，高速公路的车流量可能会大幅增长，且个别车型存在免费的情况，单一的感知方法会造成识别结果不够准确。

发明内容

为了解决上述问题，本申请提出了一种在途车辆感知方法，包括：

确定待监测的指定路段，通过设置于所述指定路段的多个感知设备，生成所述指定路段在当前监测时段内的采样轨迹；所述采样轨迹包括所述指定路段的采样位置和采样时间；

确定所述采样轨迹对应的道路感知阶段，根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子；

根据所述道路影响因子对所述指定路段进行道路分析，以通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息。

在本申请的一种实现方式中，根据所述采样轨迹对应的道路感知阶段，确定感知模式之前，所述方法还包括：

获取所述指定路段历年来的历史在途车辆信息；

根据所述采样轨迹中包含的采样时间，从所述历史在途车辆信息中，确定所述指定路段在与所述采样时间位于同一监测时间段内的第一历史车辆在途量，并将所述第一历史车辆在途量与第二历史车辆在途量作差，得到在途差值；其中，所述第二历史车辆在途量表示在各年份对应的历史在途车辆信息中，除所述第一历史车辆在途量所在监测时间段之外，其他监测时间段所对应的历史车辆在途量；所述其他监测时间段的时长与所述第一历史车辆在途量所在监测时间段时长相同；

在所述在途差值小于预设阈值的情况下，获取所述指定路段所在的路网信息，以根据所述路网信息，确定所述指定路段的关联路段以及所述关联路段对应的通行条件；

通过所述通行条件，确定所述关联路段与所述指定路段之间的补偿系数；

根据所述补偿系数对所述第一历史车辆在途量进行补偿，并根据补偿后的第一历史车辆在途量，重新计算在途差值，以根据重新计算后的所述在途差值，确定所述采样轨迹对应的道路感知阶段。

在本申请的一种实现方式中，所述车辆指示信息包括第一车辆指示信息和第二车辆指示信息，所述指示路径包括牌识路径和交易路径；

根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子，具体包括：

若所述在途差值小于预设阈值，获取所述指定路段对应的第一车辆指示信息，所述第一车辆指示信息包括车辆的牌识数据、交易数据和车辆反射信号；

通过路径拟合算法，拟合得到所述牌识数据和所述交易数据分别对应的牌识路径和交易路径；

对比所述牌识路径和所述交易路径的路径总长，以根据所述路径总长，从所述第一车辆指示信息中筛选所述指定路段的道路影响因子；

若所述在途差值大于所述预设阈值，从所述第二车辆指示信息中，提取得到所述指定路段的道路影响因子，所述第二车辆指示信息包括车辆的牌识数据和车辆反射信号。

在本申请的一种实现方式中，根据所述路网信息，确定所述指定路段的关联路段以及所述关联路段对应的通行条件，具体包括：

对所述路网信息进行路段切割，以得到所述指定路段的关联路段相对于所述指定路段的上游汇入点；

获取所述上游汇入点在当前监测时段之前的上一监测时段内的第一车辆集合序列，以及所述指定路段对应的第二车辆集合序列；

通过所述通行条件，确定所述关联路段与所述指定路段之间的补偿系数，具体包括：

确定所述关联路段与所述指定路段的关联等级；

从所述第一车辆集合序列中，选取所述关联等级大于预设等级的目标车辆集合序列；

按照预设的推移间隔，对所述目标车辆集合序列对应的序列时间依次进行推移，得到推移后的所述目标车辆集合序列；

根据推移后的所述目标车辆集合序列，确定所述关联路段与所述指定路段之间的补偿系数。

在本申请的一种实现方式中，根据推移后的所述目标车辆集合序列，确定所述关联路段与所述指定路段之间的补偿系数，具体包括：

通过最长公共子序列方法，确定推移后的所述目标车辆集合序列与所述第二车辆集合序列之间的相似度；

根据所述相似度和所述推移间隔，得到所述关联路段对于所述指定路段的延迟影响时间；

将所述延迟影响时间作为延迟因子，将所述关联等级作为延迟影响系数，以得到所述指定路段与所述关联路段之间的补偿系数。

在本申请的一种实现方式中，所述在途车辆信息包括在途车类别，所述在途车类别包括小型车、中型车和大型车；

从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子之后，所述方法还包括：

对所述道路影响因子中的车辆反射信号进行信号处理，以得到处理后的信号特征图像，所述车辆反射信号为连续波；

对所述信号特征图像进行特征提取，得到对应车辆产生的多条频率跳变曲线，并确定所述频率跳变曲线的展宽；

基于预设的在途车类别与其对应的展宽阈值之间的映射关系，根据所述多条频率跳变曲线对应的所述展宽中的最大值，对所述车辆进行粗分类，以确定所述车辆对应的在途车类别。

在本申请的一种实现方式中，所述在途车辆信息包括在途车总量；

通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息，具体包括：

在所述在途差值大于预设阈值的情况下，根据所述道路影响因子，构建用于预估在途车辆总量的多元线性回归模型，以通过所述多元线性回归模型，得到所述指定路段的在途车总量；所述道路影响因子至少包括以下任意一项或多项：牌识时间、感知设备数量、牌识车辆总数、感知设备平均牌识车辆数、单位时间内的在途车流量；

在所述在途差值小于预设阈值的情况下，确定所述道路影响因子对应的指定路径的数量，根据所述数量得到所述指定路段的在途车总量。

在本申请的一种实现方式中，确定所述车辆对应的在途车类别之后，所述方法还包括：

对所述车辆反射信号进行数据处理，得到所述车辆的点云数据；

基于所述点云数据，对所述车辆进行轮廓提取，得到所述车辆的顶部轮廓，并根据所述顶部轮廓生成所述车辆的基准面；

根据所述基准面的投影长度，对所述在途车类别下的车型进行二次识别，以获取细化的在途车类别。

在本申请的一种实现方式中，确定所述车辆对应的在途车类别之后，所述方法还包括：

针对所述在途车类别中的指定车型，对所述指定车型添加相应的重点标识；

根据所述重点标识，对位于所述指定路段的指定车型进行跟踪，以确定所述指定车型的牌识路径是否与预计的行驶路径一致。

本申请实施例提供了一种在途车辆感知设备，其特征在于，设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

确定待监测的指定路段，通过设置于所述指定路段的多个感知设备，生成所述指定路段在当前监测时段内的采样轨迹；所述采样轨迹包括所述指定路段的采样位置和采样时间；

确定所述采样轨迹对应的道路感知阶段，根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子；

根据所述道路影响因子对所述指定路段进行道路分析，以通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息。

通过本申请提出的一种在途车辆感知方法能够带来如下有益效果：

根据生成的采样轨迹，确定当前监测时段所在的道路感知阶段，在不同的道路感知阶段下，本申请采用不同的分析方式得到指定路段的在途车辆信息，更具有针对性，且能有效提高识别结果的准确性。通过多个感知设备采集到的车辆指示信息，拟合得到不同车辆分别对应的指示路径，进而通过指示路径的数量预估在途车辆信息，这样不再是针对有限路段而进行的在途车辆感知，而是实时获取到了全路段的在途车辆信息，扩大了感知范围，也提高了识别精度。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种在途车辆感知方法的流程示意图；

图2为本申请实施例提供的一种在途车辆感知设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

如图1所示，本申请实施例提供的一种在途车辆感知方法，包括：

101：确定待监测的指定路段，通过设置于指定路段的多个感知设备，生成指定路段在当前监测时段内的采样轨迹；采样轨迹包括指定路段的采样位置和采样时间。

感知设备按照预设的位置设置于指定路段的高速门架上，包括激光雷达、摄像头等，用于采集其对应监测路段内的各车辆信息，实现对公路上车辆流经信息的精确感知。采样轨迹用于记录感知设备的采样信息，包括指定路段的采样位置和采样时间，需要说明的是，该采样位置表示感知设备的所在位置。

102：确定采样轨迹对应的道路感知阶段，根据道路感知阶段对应的感知模式，获取指定路段的车辆指示信息。

采样轨迹中包含的采样时间，可用于确定当前监测时段所在的道路感知阶段。道路感知阶段用于表示指定路段的车辆在途量的波动程度，包括波动期和稳定期，其中，波动期指的是指定路段的在途车量波动程度较高，比如，节假日、由于部分公共运输方式维护或损坏而从其他交通方式转移向指定路段的交通流向等，稳定期指的是指定路段的在途车辆较为稳定，比如非节假日。

本申请可获取指定路段历年来的历史在途车辆信息，然后根据采样轨迹中包含的采样时间，从历史在途车辆信息中，确定指定路段在与采样时间位于同一监测时间段内的第一历史车辆在途量，并将第一历史车辆在途量与第二历史车辆在途量作差，得到在途差值。其中，第二历史车辆在途量表示在各年份对应的历史在途车辆信息中，除第一历史车辆在途量所在监测时间段之外，其他监测时间段所对应的历史车辆在途量。其他监测时间段的时长与第一历史车辆在途量所在监测时间段时长相同。

一般情况下，为提高识别精度，可获取与第一历史车辆在途量所在监测时间段相邻的连续多个其他监测时间段内产生的第二历史车辆在途量，并对通过上述第二历史车辆在途量分别得到的在途差值求平均值，该平均值便为最终的在途差值。

如果在途差值大于预设阈值，则表示当前采样时间所对应的监测时间段对应的在途车辆存在较大波动，该采样时间位于节假日内。

如果在途差值小于预设阈值，则表示根据历年来的历史在途车辆信息，当前采样时间所对应的监测时间段对应的在途车辆相对稳定，此时，需确定该采样时间是否存在短期内的在途车辆激增的情况。

具体地，获取指定路段所在的路网信息，根据路网信息，确定指定路段的关联路段以及关联路段对应的通行条件，通行条件表示关联路段的车辆通行数据。首先，对路网信息进行路段切割，以得到指定路段的关联路段相对于指定路段的上游汇入点，然后，获取上游汇入点在当前监测时段之前的上一监测时段内的第一车辆集合序列，以及指定路段对应的第二车辆集合序列，车辆集合序列包括上游汇入点流经的车辆信息，该序列的序列时间表示各车辆在上游汇入点的流经时间。

进一步地，通过通行条件，可确定关联路段与指定路段之间的补偿系数。在得到补偿系数后，根据补偿系数对第一历史车辆在途量进行补偿，得到补偿后的第一历史车辆在途量之后，需要据此重新计算在途差值，从而根据重新计算后的在途差值，确定采样轨迹对应的道路感知阶段。如果在途差值大于预设阈值，则确定当前采样时间虽然不处于节假日内，但存在短期内的在途车辆激增的可能。

在一个实施例中，通过通行条件，确定关联路段与指定路段之间的补偿系数，具体可通过以下步骤实现：

通过以下公式，确定关联路段与指定路段的关联度：

其中，R表示关联度，t表示关联路段到达上游汇入点所需的行进时间，n表示指定 路段的关联路段数量，

表示多个关联路段中汇入指定路段的最大车流量，

表示 汇入指定路段的车流量总和。

在得到关联度后，可从预先划分的关联度区间中，筛选出关联路段所在的关联度区间，进而确定与该关联度区间相对应的关联等级。关联等级越高，则表示指定路段受该关联路段的影响较大。比如，关联路段1和关联路段2流经的车辆均可汇入指定路段，但关联路段1为主干道，其流量高于关联路段2，那么，关联路段1与指定路段的关联等级则大于关联路段2。

由于关联路段对于指定路段所能产生的影响具有时滞性，在确定关联等级之后，需从第一车辆集合序列中，选取关联等级大于预设等级的目标车辆集合序列，然后按照预设的推移间隔，对目标车辆集合序列对应的序列时间依次进行推移，得到推移后的目标车辆集合序列。然后，通过最长公共子序列方法，确定推移后的目标车辆集合序列与第二车辆集合序列之间的相似度，直至相似度低于预设值，停止序列推移过程，并计算此时的总推移间隔，从而得到关联路段对于指定路段的延迟影响时间。该相似度用于表示在同一监测时段内，关联路段汇入指定路段的车辆在指定路段中的占比，只有在该占比发生变化的情况下，关联路段才可对指定路段产生影响。最后，将延迟影响时间作为延迟因子，将关联等级作为延迟影响系数，计算二者之间的乘积，从而得到指定路段与关联路段之间的补偿系数。

在不同的道路感知阶段，其对应的感知模式存在不同，相应的，所需获取的车辆指示信息也存在不同。车辆指示信息用于指示车辆的在途信息，包括第一车辆指示信息和第二车辆指示信息，在道路感知阶段为波动期时，此时需获取的第二车辆指示信息包括车辆的牌识数据和车辆反射信号，牌识数据和车辆反射信号均可通过设于门架上的感知设备采集得到；在道路感知阶段为稳定期时，此时需获取的第一车辆指示信息除车辆的牌识数据和车辆反射信号之外，还包括车辆的交易数据，交易数据可通过高速门架收费单元和高速出入口收费站获得。

103：拟合得到车辆指示信息对应的指示路径，以根据指示路径的路径长度，从车辆指示信息中提取得到道路感知阶段对应的道路影响因子。

在获取到车辆指示信息之后，需要从其中提取出用于分析指定路段在途车辆信息的道路影响因子。

在道路感知阶段为稳定期，也就是在途差值小于预设阈值的情况下，所采集到的牌识数据和交易数据已经能够较为准确地反映当前指定路段的在途车辆信息，此时，需根据获取到的第一车辆指示信息，通过路径拟合算法，拟合得到牌识数据和交易数据分别对应的牌识路径和交易路径。

具体地，通过路径拟合算法得到交易路径，可通过以下步骤实现：首先，根据第一车辆指示信息中的交易数据，将产生该交易数据对应的门架收费单元信息，和/或高速出入口收费站作为收费单元，添加至上述排列生成的收费单元序列中。然后，遍历收费单元序列中任意相邻的两个收费单元，判断其之间是否可以连通。若能连通，则判断上述两个收费单元之间的最短路径是否为二者直接相连所形成的路径。如果是，则连接上述两个收费单元生成局部交易路径，直至遍历完收费单元序列中的所有收费单元，便得到了最终拟合出的由若干局部交易路径组成的交易路径。可以理解的是，将车辆的牌识数据转换为门架收费单元信息，通过上述路径拟合算法也可拟合得到牌识路径。

需要说明的是，每个车辆都对应有一条牌识路径和一条交易路径，牌识路径和交易路径均能够用于指示车辆的行进路线。对比牌识路径和交易路径的路径总长，从牌识路径和交易路径中选取出路径总长较长的作为目标路径，进而根据该目标路径从第一车辆指示信息中筛选相应的道路影响因子。比如，交易路径对应的路径总长更长，则交易数据为当前指定路段的道路影响因子。

在道路感知阶段为波动期的情况下，需从第二车辆指示信息中提取道路影响因子，在此情况下，道路影响因子与第二车辆指示信息相同，包括车辆的牌识数据和车辆反射信号。

104：根据道路影响因子对指定路段进行道路分析，以通过构建得到的多元线性回归模型或指示路径的数量，得到指定路段的在途车辆信息。

在确定了不同道路感知阶段下的道路影响因子后，针对不同的道路感知阶段，对指定路段进行道路分析，得到指定路段的在途车辆信息。其中，在途车辆信息包括在途车类别和在途车总量。

在一个实施例中，若在途差值大于预设阈值，根据道路影响因子，构建用于预估在途车辆总量的多元线性回归模型，以通过多元线性回归模型，得到指定路段的在途车总量。

其中，多元线性回归模型可表示为：

其中，S表示在途车总量，

表示回归系数，t表示牌识时间，m表示感知设备 数量（假设一个高速门架对应一个感知设备）、n表示牌识车辆总数，k表示感知设备平均牌 识车辆数、l表示单位时间内的感知设备牌识车辆数。

若在途差值小于预设阈值，只需通过牌识数据和交易数据确定指定路段的在途车总量即可，即根据道路影响因子对应的指定路径的数量，确定在途车总量。

在不同的道路感知阶段下，采用不同的分析方式得到指定路段的在途车辆信息，在指定路段的在途车量存在较大波动或交易数据不能够反映全部车辆的通行状态的情况下，通过构建多元线性模型对指定路段进行精度更高的车辆感知操作，提高了识别结果的准确性。并且，通过多个感知设备采集到的车辆指示信息，拟合得到交易路径和牌识路径，进而通过交易路径或牌识路径的数量预估在途车总量，这样不再是针对有限路段而进行的在途车辆感知，而是实时获取到了全路段的在途车辆信息，扩大了感知范围。

在一个实施例中，根据道路影响因子对指定路段进行道路分析，还能够确定出指定路段中的在途车类别。在途车类别设有多级分类标准，其中，一级类别包括小型车、中型车和大型车，每一个一级类别下还划分出了若干二级类别，比如，中型车包括中型轿车、小型货车、面包车等车型。因此，在识别在途车类别时，需首先进行车辆的粗分类，进而对粗分类的结果进行二次识别，从而得到较为准确的在途车类别。

具体地，对道路影响因子中的车辆反射信号进行信号处理，得到处理后的信号特征图像。需要说明的是，信号处理过程包括混频、正交调解和傅里叶变换，最终得到的信号特征图像用于反映车辆反射信号的频率跳变特征，并且，车辆反射信号为连续波，其对应的信号特征图像也相应存在多个。在得到信号特征图像后，对信号特征图像进行特征提取，得到对应车辆产生的多条频率跳变曲线，并确定频率跳变曲线的展宽。在得到各车辆对应的多条频率跳变曲线的展宽后，基于预设的在途车类别与其对应的展宽阈值之间的映射关系，根据多条频率跳变曲线对应的展宽中的最大值与展宽阈值，对车辆进行粗分类，从而确定车辆对应的在途车类别。

进一步地，为实现在途车类别的精准识别，需对车辆反射信号进行数据处理，得到车辆的点云数据，然后基于点云数据，对车辆进行轮廓提取，得到车辆的顶部轮廓，并在得到顶部轮廓后，根据顶部轮廓生成车辆的基准面。该基准面为弧面，根据其投影长度对在途车类别下的车型进行二次识别，从而获取更为细化的在途车类别。

在一个实施例中，在得到在途车类别后，需对其中的指定车型添加相应的重点标记，从而对其进行实时跟踪，以确保该指定车型实际的行驶路径与事先申请的行驶路径保持一致，从而保证高速公路的行车安全。通常情况下，指定车型为大型车，以及运载有特殊物品的其他车型。

以上为本申请提出的方法实施例。基于同样的发明构思，本申请实施例还提供了一种在途车辆感知设备，其结构如图2所示。

图2为本申请实施例提供的在途车辆感知设备的结构示意图。如图2所示，设备包括：

至少一个处理器201；

以及，与至少一个处理器201通信连接的存储器202；

其中，存储器202存储有可被至少一个处理器201执行的指令，指令被至少一个处理器201执行，以使至少一个处理器201能够：

确定待监测的指定路段，通过设置于所述指定路段的多个感知设备，生成所述指定路段在当前监测时段内的采样轨迹；所述采样轨迹包括所述指定路段的采样位置和采样时间；

确定所述采样轨迹对应的道路感知阶段，根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子；

根据所述道路影响因子对所述指定路段进行道路分析，以通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息。

本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：

确定待监测的指定路段，通过设置于所述指定路段的多个感知设备，生成所述指定路段在当前监测时段内的采样轨迹；所述采样轨迹包括所述指定路段的采样位置和采样时间；

确定所述采样轨迹对应的道路感知阶段，根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子；

根据所述道路影响因子对所述指定路段进行道路分析，以通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，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。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器 (RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，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。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种在途车辆感知方法，其特征在于，所述方法包括：

确定待监测的指定路段，通过设置于所述指定路段的多个感知设备，生成所述指定路段在当前监测时段内的采样轨迹；所述采样轨迹包括所述指定路段的采样位置和采样时间；

确定所述采样轨迹对应的道路感知阶段，根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息；其中，所述道路感知阶段用于表示所述指定路段的车辆在途量的波动程度，包括波动期和稳定期，所述感知模式表示在不同的道路感知阶段下所述车辆指示信息的获取模式；所述车辆指示信息包括第一车辆指示信息和第二车辆指示信息；

确定所述采样轨迹对应的道路感知阶段，具体包括：

获取所述指定路段历年来的历史在途车辆信息；

根据所述采样轨迹中包含的采样时间，从所述历史在途车辆信息中，确定所述指定路段在与所述采样时间位于同一监测时间段内的第一历史车辆在途量，并将所述第一历史车辆在途量与第二历史车辆在途量作差，得到在途差值；其中，所述第二历史车辆在途量表示在各年份对应的历史在途车辆信息中，除所述第一历史车辆在途量所在监测时间段之外，其他监测时间段所对应的历史车辆在途量；所述其他监测时间段的时长与所述第一历史车辆在途量所在监测时间段时长相同；

在所述在途差值大于预设阈值的情况下，确定所述道路感知阶段为所述波动期；

在所述在途差值小于所述预设阈值的情况下，获取所述指定路段所在的路网信息，以根据所述路网信息，确定所述指定路段的关联路段以及所述关联路段对应的通行条件；

通过所述通行条件，确定所述关联路段与所述指定路段之间的补偿系数；

根据所述补偿系数对所述第一历史车辆在途量进行补偿，并根据补偿后的第一历史车辆在途量，重新计算在途差值，以根据重新计算后的所述在途差值，确定所述采样轨迹对应的道路感知阶段；

根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息，具体包括：

在所述道路感知阶段为稳定期时，通过设于门架上的感知设备，以及高速门架收费单元和高速出入口收费站，获取所述第一车辆指示信息；所述第一车辆指示信息包括车辆的牌识数据、车辆反射信号、交易数据；

在所述道路感知阶段为波动期时，通过所述感知设备，获取所述第二车辆指示信息；所述第二车辆指示信息包括车辆的牌识数据和车辆反射信号；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子；所述指示路径包括牌识路径和交易路径；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子，具体包括：

若所述在途差值小于所述预设阈值，获取所述指定路段对应的第一车辆指示信息；

通过路径拟合算法，拟合得到所述牌识数据和所述交易数据分别对应的牌识路径和交易路径；

对比所述牌识路径和所述交易路径的路径总长，以根据所述路径总长，从所述第一车辆指示信息中筛选所述指定路段的道路影响因子；

若所述在途差值大于所述预设阈值，从所述第二车辆指示信息中，提取得到所述指定路段的道路影响因子；

根据所述道路影响因子对所述指定路段进行道路分析，以通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息；所述在途车辆信息包括在途车总量；

通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息，具体包括：

在所述在途差值大于所述预设阈值的情况下，根据所述道路影响因子，构建用于预估在途车辆总量的多元线性回归模型，以通过所述多元线性回归模型，得到所述指定路段的在途车总量；所述道路影响因子至少包括以下任意一项或多项：牌识时间、感知设备数量、牌识车辆总数、感知设备平均牌识车辆数、单位时间内的在途车流量；

在所述在途差值小于所述预设阈值的情况下，确定所述道路影响因子对应的指定路径的数量，根据所述数量得到所述指定路段的在途车总量。

2.根据权利要求1所述的一种在途车辆感知方法，其特征在于，根据所述路网信息，确定所述指定路段的关联路段以及所述关联路段对应的通行条件，具体包括：

对所述路网信息进行路段切割，以得到所述指定路段的关联路段相对于所述指定路段的上游汇入点；

获取所述上游汇入点在当前监测时段之前的上一监测时段内的第一车辆集合序列，以及所述指定路段对应的第二车辆集合序列；

通过所述通行条件，确定所述关联路段与所述指定路段之间的补偿系数，具体包括：

确定所述关联路段与所述指定路段的关联等级；

从所述第一车辆集合序列中，选取所述关联等级大于预设等级的目标车辆集合序列；

按照预设的推移间隔，对所述目标车辆集合序列对应的序列时间依次进行推移，得到推移后的所述目标车辆集合序列；

根据推移后的所述目标车辆集合序列，确定所述关联路段与所述指定路段之间的补偿系数。

3.根据权利要求2所述的一种在途车辆感知方法，其特征在于，根据推移后的所述目标车辆集合序列，确定所述关联路段与所述指定路段之间的补偿系数，具体包括：

通过最长公共子序列方法，确定推移后的所述目标车辆集合序列与所述第二车辆集合序列之间的相似度；

根据所述相似度和所述推移间隔，得到所述关联路段对于所述指定路段的延迟影响时间；

将所述延迟影响时间作为延迟因子，将所述关联等级作为延迟影响系数，以得到所述指定路段与所述关联路段之间的补偿系数。

4.根据权利要求1所述的一种在途车辆感知方法，其特征在于，所述在途车辆信息包括在途车类别，所述在途车类别包括小型车、中型车和大型车；

从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子之后，所述方法还包括：

对所述道路影响因子中的车辆反射信号进行信号处理，以得到处理后的信号特征图像，所述车辆反射信号为连续波；

对所述信号特征图像进行特征提取，得到对应车辆产生的多条频率跳变曲线，并确定所述频率跳变曲线的展宽；

基于预设的在途车类别与其对应的展宽阈值之间的映射关系，根据所述多条频率跳变曲线对应的所述展宽中的最大值，对所述车辆进行粗分类，以确定所述车辆对应的在途车类别。

5.根据权利要求4所述的一种在途车辆感知方法，其特征在于，确定所述车辆对应的在途车类别之后，所述方法还包括：

对所述车辆反射信号进行数据处理，得到所述车辆的点云数据；

基于所述点云数据，对所述车辆进行轮廓提取，得到所述车辆的顶部轮廓，并根据所述顶部轮廓生成所述车辆的基准面；

根据所述基准面的投影长度，对所述在途车类别下的车型进行二次识别，以获取细化的在途车类别。

6.根据权利要求1所述的一种在途车辆感知方法，其特征在于，确定所述车辆对应的在途车类别之后，所述方法还包括：

针对所述在途车类别中的指定车型，对所述指定车型添加相应的重点标识；

根据所述重点标识，对位于所述指定路段的指定车型进行跟踪，以确定所述指定车型的牌识路径是否与预计的行驶路径一致。

7.一种在途车辆感知设备，其特征在于，设备包括：

至少一个处理器；

以及，与所述至少一个处理器通信连接的存储器；

其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

确定待监测的指定路段，通过设置于所述指定路段的多个感知设备，生成所述指定路段在当前监测时段内的采样轨迹；所述采样轨迹包括所述指定路段的采样位置和采样时间；

确定所述采样轨迹对应的道路感知阶段，根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息；其中，所述道路感知阶段用于表示所述指定路段的车辆在途量的波动程度，包括波动期和稳定期，所述感知模式表示在不同的道路感知阶段下所述车辆指示信息的获取模式；所述车辆指示信息包括第一车辆指示信息和第二车辆指示信息；

确定所述采样轨迹对应的道路感知阶段，具体包括：

获取所述指定路段历年来的历史在途车辆信息；

根据所述采样轨迹中包含的采样时间，从所述历史在途车辆信息中，确定所述指定路段在与所述采样时间位于同一监测时间段内的第一历史车辆在途量，并将所述第一历史车辆在途量与第二历史车辆在途量作差，得到在途差值；其中，所述第二历史车辆在途量表示在各年份对应的历史在途车辆信息中，除所述第一历史车辆在途量所在监测时间段之外，其他监测时间段所对应的历史车辆在途量；所述其他监测时间段的时长与所述第一历史车辆在途量所在监测时间段时长相同；

在所述在途差值大于预设阈值的情况下，确定所述道路感知阶段为所述波动期；

在所述在途差值小于预设阈值的情况下，获取所述指定路段所在的路网信息，以根据所述路网信息，确定所述指定路段的关联路段以及所述关联路段对应的通行条件；

通过所述通行条件，确定所述关联路段与所述指定路段之间的补偿系数；

根据所述补偿系数对所述第一历史车辆在途量进行补偿，并根据补偿后的第一历史车辆在途量，重新计算在途差值，以根据重新计算后的所述在途差值，确定所述采样轨迹对应的道路感知阶段；

根据所述道路感知阶段对应的感知模式，获取所述指定路段的车辆指示信息，具体包括：

在所述道路感知阶段为稳定期时，通过设于门架上的感知设备，以及高速门架收费单元和高速出入口收费站，获取所述第一车辆指示信息；所述第一车辆指示信息包括车辆的牌识数据、车辆反射信号、交易数据；

在所述道路感知阶段为波动期时，通过所述感知设备，获取所述第二车辆指示信息；所述第二车辆指示信息包括车辆的牌识数据和车辆反射信号；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子；所述指示路径包括牌识路径和交易路径；

拟合得到所述车辆指示信息对应的指示路径，以根据所述指示路径的路径长度，从所述车辆指示信息中提取得到所述道路感知阶段对应的道路影响因子，具体包括：

若所述在途差值小于预设阈值，获取所述指定路段对应的第一车辆指示信息；

通过路径拟合算法，拟合得到所述牌识数据和所述交易数据分别对应的牌识路径和交易路径；

对比所述牌识路径和所述交易路径的路径总长，以根据所述路径总长，从所述第一车辆指示信息中筛选所述指定路段的道路影响因子；

若所述在途差值大于所述预设阈值，从所述第二车辆指示信息中，提取得到所述指定路段的道路影响因子；

根据所述道路影响因子对所述指定路段进行道路分析，以通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息；所述在途车辆信息包括在途车总量；

通过构建得到的多元线性回归模型或所述指示路径的数量，得到所述指定路段的在途车辆信息，具体包括：

在所述在途差值大于所述预设阈值的情况下，根据所述道路影响因子，构建用于预估在途车辆总量的多元线性回归模型，以通过所述多元线性回归模型，得到所述指定路段的在途车总量；所述道路影响因子至少包括以下任意一项或多项：牌识时间、感知设备数量、牌识车辆总数、感知设备平均牌识车辆数、单位时间内的在途车流量；

在所述在途差值小于所述预设阈值的情况下，确定所述道路影响因子对应的指定路径的数量，根据所述数量得到所述指定路段的在途车总量。

Images