CN116824847A

CN116824847A - 一种对高速道路交通流参数的处理方法和装置

Info

Publication number: CN116824847A
Application number: CN202310665325.0A
Authority: CN
Inventors: 魏娆; 林鲲鹏; 王奇
Original assignee: Beijing Gohigh Data Networks Technology Co ltd
Current assignee: Beijing Gohigh Data Networks Technology Co ltd
Priority date: 2023-06-06
Filing date: 2023-06-06
Publication date: 2023-09-29

Abstract

本申请提供一种对高速道路交通流参数的处理方法和装置。该方法包括：获取第一预设时间段内目标路段的高速道路交通数据；高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项；对高速道路交通数据进行去除数据，确定去除数据后的第一数据；去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据；根据第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。本申请的方案，在没有统一的高速交通拥堵指数计算标准下，利用卡尔曼滤波增益对高速道路交通数据进行处理，保证了处理后的目标高速数据的质量。

Description

一种对高速道路交通流参数的处理方法和装置

技术领域

本申请涉及车路协同数据处理技术领域，特别是指一种对高速道路交通流参数的处理方法和装置。

背景技术

车路协同技术基于无线通信、传感探测等技术进行车路信息获取，通过车车、车路信息交互和共享，实现车辆和基础设施之间、车辆与车辆之间的智能协同与配合，达到优化利用***资源、提高道路交通安全、缓解交通拥堵的目标。基于现有车联网(Vehicle toEverything，V2X)通信技术，目前可在高速上实现大部分安全类、效率类和信息服务类应用场景。为加快开展基础设施的智能化改造及车路协同应用场景的大规模测试验证，在对高速公路交通数据进行训练前，需要从数据库中获取交通流量、速度、拥堵指数等交通流参数，然而，由于采集设备的不稳定性或者被干扰等原因，采集到的时序数据往往会出现重复数据、缺失数据和不符合常规的离群数据，阻碍了对时序数据的深入分析。同时，高速拥堵指数计算没有统一的行标，现有的几种计算过程比较复杂，比如利用动态的高速收费站信息、自由流速度等，所以对高速拥堵指数的数据预处理并没有能同时满足准确性高、响应快和泛化能力强的方法。为适应智能交通、自动驾驶发展需求，仍需不断规范车路协同***中路侧设施之间、路侧设施与云控平台之间、云控平台与第三方应用服务之间的信息交互内容和技术要求。

发明内容

本申请的目的是提供一种对高速道路交通流参数的处理方法和装置，以提高数据质量，解决后续数据挖掘过程中因数据质量差导致计算准确性较低、模型泛化能力差等问题。

为达到上述目的，本申请的实施例提供一种对高速道路交通流参数的处理方法，包括：

获取第一预设时间段内目标路段的高速道路交通数据；所述高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项；

对所述高速道路交通数据进行去除数据，确定去除数据后的第一数据；所述去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据；

根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。

可选地，根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据，包括：

确定所述第一数据中的异常数据；

根据卡尔曼滤波增益确定的卡尔曼预测值，对所述异常数据进行替换，以及，利用所述卡尔曼预测值对所述第一数据中的空缺数据进行填充；所述空缺数据包括：已经删除的超出速度阈值的数据，和/或路侧设备上报的空缺数据；

根据替换后的数据和填充后的数据，确定目标设备上报数据的频率；

确定所述目标设备上报数据的频率是否超出第一预设值；

若所述目标设备上报数据的频率未超出所述第一预设值，则确定处理后的第一目标高速数据。

可选地，上述的方法还包括：

构建速度初始模型、流量初始模型和拥堵指数初始模型；

根据所述速度初始模型、所述流量初始模型和所述拥堵指数初始模型，构建卡尔曼滤波模型；

根据所述卡尔曼滤波模型，确定当前时刻的上一时刻的最优估计值和当前时刻的上一时刻的最优估计协方差；

根据所述上一时刻的最优估计值，预测当前时刻的先验估计状态值，以及根据所述上一时刻的最优估计协方差，预测当前时刻的先验估计协方差矩阵；

根据所述当前时刻的测量值、先验估计协方差矩阵，确定所述卡尔曼滤波增益；

根据所述当前时刻的先验估计状态值和卡尔曼滤波增益，更新所述最优估计值和所述最优估计值对应的所述最优估计协方差。

可选地，构建速度初始模型，包括：

获取第二预设时间段的速度数据和速度参数向量矩阵；所述速度数据包括第二预设时间段中每个时刻所对应目标速度，所述目标速度包括m个路侧点中每个路侧点的速度；所述速度参数向量矩阵表示每个时刻m个路侧点中每个路侧点的速度状态变量；m为大于或等于1的整数；所述第二预设时间段的早于所述第一预设时间段；

根据所述速度数据、所述速度参数向量矩阵和第一预设白噪声数据，构建速度初始模型。

可选地，构建流量初始模型，包括：

获取第二预设时间段的流量数据和流量参数向量矩阵；所述流量数据包括第二预设时间段中每个时刻所对应目标流量，所述目标流量包括m个路侧点中每个路侧点的流量；所述流量参数向量矩阵表示每个时刻m个路侧点中每个路侧点的流量状态变量；m为大于或等于1的整数；所述第二预设时间段的早于所述第一预设时间段；

根据所述流量数据、所述流量参数向量矩阵和第二预设白噪声数据，构建流量初始模型。

可选地，构建拥堵指数初始模型，包括：

获取第一参数向量矩阵和第二参数向量矩阵；所述第一参数向量矩阵表示m个路侧点的速度系数矩阵；所述第二参数向量矩阵表示m个路侧点的流量系数矩阵；m为大于或等于1的整数；

根据所述速度初始模型，确定速度参数向量矩阵和速度数据矩阵；

根据所述流量初始模型，确定流量参数向量矩阵和流量数据矩阵；

根据所述第一参数向量矩阵、所述速度参数向量矩阵和所述速度数据矩阵之间的第一乘积，以及，所述第二参数向量矩阵、所述流量参数向量矩阵和所述流量数据矩阵之间的第二乘积，构建拥堵指数初始模型。

可选地，上述的方法还包括：

根据替换后的数据和填充后的数据，确定目标设备上报数据的频率超出所述第一预设值，则将所述目标设备进行上报预警，并根据动态时间弯曲算法，估算所述目标设备的第二目标高速数据。

可选地，根据动态时间弯曲算法，估算所述目标设备的第二目标高速数据，包括：

根据动态时间弯曲算法，确定与所述目标设备所处路段相同道路的上下游第一距离内的路侧设备候选集；

根据所述路侧设备候选集，确定处于第二预设时间内的目标数据；

根据所述目标数据，估计所述目标路段的高速数据。

可选地，确定所述第一数据中的异常数据，包括：

根据残差卡方算法，确定预测残差序列和残差协方差；

根据所述预测残差序列、残差协方差、所述预测残差序列的转置矩阵，确定异常数据的检测函数；

根据所述异常数据的检测函数，确定所述第一数据中的异常数据。

为达到上述目的，本申请的实施例还提供一种对高速道路交通流参数的处理装置，包括：

第一获取模块，用于获取第一预设时间段内目标路段的高速道路交通数据；所述高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项；

第一确定模块，用于对所述高速道路交通数据进行去除数据，确定去除数据后的第一数据；所述去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据；

第二确定模块，用于根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。

为达到上述目的，本申请的实施例还提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上任一项所述的对高速道路交通流参数的处理装置中的步骤。

本申请的上述技术方案的有益效果如下：

本申请的实施例中，对包括速度数据、流量数据和拥堵指数数据中的一项或多项的高速道路交通数据，进行去除数据，如删除重复数据、删除超出速度阈值的数据等，再通过考虑了车速、车流量、交通拥堵指数的特征与关系的卡尔曼滤波增益，对去除数据后的第一数据进行处理，得到处理后的目标高速数据，提高了处理后数据的质量，解决后续数据挖掘过程中因数据质量差导致计算准确性较低、模型泛化能力差等问题。

附图说明

图1为本申请实施例提供的对高速道路交通流参数的处理方法的流程图；

图2为本申请实施例提供的基于卡尔曼滤波和动态时间弯曲的数据预处理方法总体流程图；

图3为本申请实施例提供的卡尔曼滤波识别异常数据并填补空缺数据流程图；

图4为本申请实施例提供的对高速道路交通流参数的处理装置的结构图。

具体实施方式

为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。

在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

应当知道的是，在对高速公路交通数据进行训练前，需要从数据库中获取聚合为小时级别的交通流量、速度、拥堵指数等交通流参数，然而，由于采集设备的不稳定性或者被干扰等原因,采集到的时序数据往往会出现重复数据、缺失数据和不符合常规的离群数据，阻碍了对时序数据的深入分析。同时，高速拥堵指数计算没有统一的行标，现有的几种计算过程比较复杂，比如利用动态的高速收费站信息、自由流速度等，所以在高速道路拥堵指数的数据预处理中，并没有能同时满足响应快和泛化能力强的方法。为了解决上述的弊端，本申请提供一种对高速道路交通流参数的处理方法和装置。

参照图1所示，本申请实施例提供一种对高速道路交通流参数的处理方法，包括：

步骤11，获取第一预设时间段内目标路段的高速道路交通数据；所述高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项。

本申请实施例中，第一预设时间段可以理解为时间t后的一段时间，该第一预设时间段包括有k个时刻的数据。这里，高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项，优选为包括速度数据、流量数据和拥堵指数数据。

需要说明的是，高速道路交通数据可以为从预设数据库选择的数据，也可以是从云端获取的数据，还可以是从本地储存地址获取的，当然，还可以为实时获取的数据，这里，不作数据来源的具体限制，可根据实际需求进行获取。

步骤12，对所述高速道路交通数据进行去除数据，确定去除数据后的第一数据；所述去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据。

需要说明的是，高速道路交通数据优选从数据库中提取最新几小时的流量和速度数据，由于预测模型为每小时整点定时更新，所以在正常情况下，每次预测模型更新训练数据会增量处理一个小时的数据；若预测模型此次更新时间距离上次更新时间相差大于一个小时，则获取最近几个小时内的数据。该数据库中的数据为设备以预设间隔(如5s间隔周期)上报数据，经过聚合，处理成小时单位的数据。经过多次试验观察，未处理的部分高速道路交通数据具有以下特点：

1)、同一时间戳下有多组相同的重复数据；

2)、同一时间戳下出现至少一项交通流参数指标为空；

3)、速度不在高速道路正常速度范围内；

4)、某时刻下，流量、速度与同比历史数据严重不符，例如激增数据、骤减数据；

5)、流量、速度与拥堵指数和拥堵里程的关系不符合常规关系。

在一种实现方式中，删除同一时间的重复数据，即，识别并删除同一时间戳下的重复数据，若同一时间戳同一朝向同一路侧点(路侧设备)的情况下，出现了相同的重复数据，则删除重复数据，只保留一组。

其中，在另一种实现方式中，删除超出速度阈值的数据，即删除超出速度范围内的数据。例如，高速道路规定最低速度不低于60km/h，最高速度不高于120km/h，但是由于堵车等状况，速度有时也会出现略低于60km/h。设定速度范围为[30km/h,140km/h]。若速度指标不在此范围内，则删除该组数据的速度值。

本申请实施例中，通过对高速道路交通数据进行去除数据操作，可以得到处理后的去除数据后的第一数据，以保证后续二次处理时的计算精度。

步骤13，根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。

这里，卡尔曼滤波增益是根据高速道路交通数据中的车速、车流量和道路拥堵指数的卡尔曼滤波算法确定的，其中，卡尔曼滤波增益考虑了车速、车流量、交通拥堵指数的特征与关系。

本申请实施例中，根据当前时刻的测量值、先验估计状态值和卡尔曼滤波增益，更新***的状态变量，求出当前时刻观测的最优估计。因此，结合高速场景下的车速、车流量、交通拥堵指数确定的卡尔曼滤波增益，对去除处理后的第一数据进行处理，可以保证确定处理后的目标高速数据的准确度，解决了后续数据挖掘过程中，因数据质量差导致计算准确性较低、模型泛化能力差等问题。

可选地，上述的步骤13，包括：

确定所述第一数据中的异常数据；

确定所述目标设备上报数据的频率是否超出第一预设值；

需要说明的是，上述的异常数据为卡尔曼滤波检查到的异常数据；空缺数据为路侧设备上报的空缺数据，和/或删除的超出速度阈值的数据。

该实施例中，首先，确定第一数据中的异常数据，该异常数据为第一数据中的离群数据；根据卡尔曼滤波增益，可以确定出卡尔曼预测值，该卡尔曼预测值用于替换异常数据，实际处理过程中，可以是先进行删除异常数据，再进行填充；该卡尔曼预测值还用于填充第一数据中的空缺数据，该空缺数据包括步骤12中已经删除超出速度阈值的数据，和/或，路侧设备直接上报的空缺数据，对于这两种空缺数据都需要进行填充，保证第一数据的完整性。

进一步地，根据替换后的数据和填充后的数据，确定目标设备的设备号，该设备号可以为设备的身份标识(ID)，也可以为该设备的序列号等，可以表征该目标设备的唯一身份，并确定目标设备上报数据的频率是否超出第一预设值，该目标设备为上报空缺数据或者被替换异常数据的设备，对具有该特性的目标设备进行判断，以确定该目标设备是否为故障设备。若该目标设备上报数据的频率未超出第一预设值，则确定目标设备处理后的第一目标高速数据，也就是，确定通过卡尔曼预测值处理后的目标设备的数据可用。

例如，第一预设值可以设置为3h，若目标设备A出现异常数据或者空缺数据的频率为5h一次，则明显没有达到第一预设值的频率，确定目标设备A上报数据的频率未超出第一预设值。若目标设备A出现异常数据的或者空缺数据的频率为小于或等于3h一次，则认为目标设备A上报数据的频率超出第一预设值。

当然，异常数据或空缺数据中可能存在多个目标设备，如目标设备A和目标设备B，则需要对每个目标进行判断，每个目标设备因设备类型的不同，可以设置相同的第一预设值，或者设置不同的第一预设值，以满足对不同目标设备的判断，可以实现针对不同类别的设备进行准确计算。

本申请的可选实施例中，上述的方法还包括：

该实施例中，根据替换后的数据和填充后的数据，确定目标设备上报数据的频率已经超出第一预设值后，如第一预设值可以设置为3h，目标设备A出现异常数据或者空缺数据的频率为小于或等于3h一次，即确定目标设备上报数据的频率已经超出第一预设值，则认为该目标设备可能存在故障，或者标记为可疑设备，将目标设备进行上报预警，这里，可以选择上报云端，可以选择本地进行报警，还可以通过手机等终端进行报警，通过上报的预警信息，可以触发后续的处理工作，如通知人工进行后续处理，或者通过其它处理手段进行处理。在上报预警时，根据动态时间弯曲算法，估算目标设备所对应的目标路段的第二目标高速数据，这里，目标路段至少存在一条，若目标设备位于某一路段中，则目标路段为与目标设备所处路段相同的路段，若目标设备位于交叉路口中，则目标路段为与该交叉路口的多条路段；第二目标高速数据为可能需要目标路段的其它设备数据进行补充的数据；第一目标高速数据为目标设备本身的数据，以及通过填充或替换后的数据。

可以理解为，若设备出现异常数据的频率没有达到预设频率，则继续在下一个模型更新时刻进行最新时间的数据处理。若达到预设频率，说明该路侧设备错误率高，极有可能是设备故障，此时应及时通知维修人员进行故障排查及设备检修。

根据动态时间弯曲算法(DTW算法)，确定与所述目标设备所处路段相同道路的上下游第一距离内的路侧设备候选集；

根据所述目标数据，估计所述目标路段的高速数据。

需要说明的是，DTW算法是一种准确率高、鲁棒性强的时间序列相似性度量算法，与传统欧氏距离相比，动态时间对齐能够成功地将两条时间序列的波峰和波谷分别匹配起来，体现了动态时间对齐在形态度量上的优势。

本申请实施例中，对于该错误率高的路侧设备，即上述的上报数据的频率超出第一预设值的目标设备，该目标设备数据可靠度低，即使部分数据通过了卡尔曼滤波的异常检测，也不应该再用于后续计算。

根据DTW算法，确定与该目标设备所处路段相同道路的上下游第一距离内的路侧设备候选集，例如，确定出目标设备可能存在故障的设备后，并确定与该目标设备所处路段相同道路的上下游2km内的路侧设备构成路侧设备候选集。这里，第三预设时间可选为当前时刻的前72小时至前24小时。也就是，对目标设备和每个候选设备在当前时刻的前72小时至前24小时内的数据进行DTW算法，选出路侧设备候选集中相似度最高的最优候选设备，然后取最优候选设备的第二预设时间内的数据(即训练值)，进行第一预设时间内的估计，确定出第一预设时间段内的目标路段的高速数据。本申请根据DTW算法，找到高速交通情况相似路段，并使用该路段的路侧设备代替该路段的训练值，为后续利用该路侧点的高速道路交通数据提供了数据来源的准确性。这里，第二预设时间是由当前时刻t的前n个时刻构成的，用来卡尔曼预测第一预设时间的值。

也可以理解为，在这种情况下，标记该目标设备为可疑设备，同时将该目标设备所在道路上下游2km内的路侧设备构成候选集，取当前时刻的前72小时到前24小时的速度交通参数数据，利用DTW算法，找到上报的高速交通情况相似的路侧设备，并使用该路侧设备代替故障设备的上报数据进行后续的数据挖掘。

下面通过一具体实现方式说明上述DTW算法的处理过程。

该故障设备(目标设备)所在道路上下游2km内的路侧设备构成多元速度时间序列为：X＝{X₁,X₂,…，X_n}，其中，n为候选设备的个数；故障设备前72小时到前24小时的速度的时序数据为：表示设备m在第r个时刻的速度。设为故障设备前72小时到前24小时的速度的时序数据。DTW通过调整两个时间序列的点对匹配规则，寻找两组序列点最佳对齐匹配规则。满足约束条件的X_i与Y的弯曲途径表示为/>其中L∈[max(r,s),r+s-2]，/>表示路侧设备i速度时间序列的j₁点/>到故障设备速度时间序列的k₁点/>为第h条路径。约束条件如下：

(1)：边界性：即弯曲路径必须从点/>开始，到结束；

(2)：连续性：弯曲路径上前后两个相邻点和/>需满足0≤|j₁-j₂|≤1,0≤|k₁-k₂|≤0；

(3)：单调性：弯曲路径上前后两个相邻点和/>需满足|j₂-j₁|≥0,|k₂-k₁|≥0。

最小化两条时序数据中所有对应数据点的距离值之和，通过公式(1)表示为：

利用动态规划方法找到最佳弯曲路径，令f为累计距离矩阵，表示序列X，Y间的累积距离。/>满足公式(2)的要求：

故时间序列X_i与Y之间的最小距离通过比较X＝{X₁,X₂,…，X_n}中分别对应的DTW(X_i,Y)，最小值即为可替代故障设备的最优选择。

参照图2所示，在第一具体实施例中，本申请实施例还提供一种基于卡尔曼滤波和动态时间弯曲的数据预处理方法总体流程，包括以下步骤：

步骤一：从数据库中提取最新几小时的流量和速度数据。由于预测模型为每小时整点定时更新，所以在正常情况下，每次模型更新训练数据会增量处理一个小时的数据；若模型此次更新时间距离上次更新时间相差大于一个小时，则获取最近几个小时内的数据。该数据库中的数据为设备以5s间隔上报数据，经过聚合，处理成小时单位的数据。经过多次试验观察，数据具有以下特点：

1)、同一时间戳下有多组相同的重复数据；

2)、同一时间戳下出现至少一项交通流参数指标为空；

3)、速度不在高速道路正常速度范围内；

步骤二：识别并删除同一时间戳下的重复数据。若同一时间戳同一朝向同一路侧点的情况下，出现了相同的重复数据，则删除重复数据，只保留一组。

步骤三：删除超出速度范围内的数据。高速道路规定最低速度不低于60km/h，最高速度不高于120km/h，但是由于堵车等状况，速度有时也会出现略低于60km/h。设定速度范围为[30km/h,140km/h]。若速度指标不在此范围内，则删除该组数据的速度值。

步骤四：通过卡尔曼滤波器识别异常数据，并用卡尔曼预测值替代异常数据。同时，对于空缺数据，也用卡尔曼滤波器的预测值填充。统计卡尔曼处理异常数据和空缺数据的次数。

步骤五：若设备出现异常数据的频率若没有达到预设频率，则继续在下一个模型更新时刻进行最新时间的数据处理。若达到预设频率，说明该路侧设备错误率高，极有可能是设备故障，此时应及时通知维修人员进行故障排查及设备检修。

对于该错误率高的路侧设备，数据可靠度低，即使部分数据通过了卡尔曼滤波的异常检测，也不应该再用于后续计算。在这种情况下，标记该可疑设备，同时将该设备所在路段上下游2km内的路侧设备构成候选集，取当前时刻的前72小时到前24小时的速度交通参数数据，利用动态扭曲相似度(DTW)算法，找到上报的高速交通情况相似的路侧设备路段，并使用该路段的路侧设备代替故障设备的上报数据进行后续的数据挖掘。处理过后继续上述流程。

在本申请的一可选实施例中，本申请的方法还包括：

步骤14，构建速度初始模型、流量初始模型和拥堵指数初始模型；

步骤15，根据所述速度初始模型、所述流量初始模型和所述拥堵指数初始模型，构建卡尔曼滤波模型；

步骤16，根据所述卡尔曼滤波模型，确定当前时刻的上一时刻的最优估计值和当前时刻的上一时刻的最优估计协方差；

步骤17，根据所述上一时刻的最优估计值，预测当前时刻的先验估计状态值，以及根据所述上一时刻的最优估计协方差，预测当前时刻的先验估计协方差矩阵；

步骤18，根据所述当前时刻的测量值、先验估计协方差矩阵，确定所述卡尔曼滤波增益；

步骤19，根据所述当前时刻的先验估计状态值和卡尔曼滤波增益，更新所述最优估计值和所述最优估计值对应的所述最优估计协方差。

本申请实施例中，在初始化阶段：分别构建速度初始模型、流量初始模型和拥堵指数初始模型，根据速度初始模型、流量初始模型和拥堵指数初始模型，确定可以表示t时刻车速、流量之间特征关系的***状态；也可以确定表示t时刻车速、流量、拥堵系数之间特征关系的观测矩阵；根据该***状态和该观测矩阵，确定卡尔曼滤波模型，该卡尔曼滤波模型为初始化后的卡尔曼滤波模型。

在预测阶段：当前时刻确定为k时刻，上一时刻确定为k-1时刻，根据k-1时刻的最优估计值，预测k时刻的先验估计状态值，以及根据k-1时刻的最优估计协方差，预测k时刻的先验估计协方差矩阵；根据k时刻先验估计协方差矩阵，确定卡尔曼滤波增益。

在更新阶段：根据k时刻的先验估计状态值和卡尔曼滤波增益，更新k时刻的最优估计值和k时刻的最优估计值对应的所述最优估计协方差；这里，最优估计值就是卡尔曼滤波增益输出的预测值。

下面将详细介绍上述的步骤14的初始化阶段中，如何构建速度初始模型、流量初始模型和拥堵指数初始模型的。

可选地，上述的步骤14中，构建速度初始模型，包括：

这里，速度数据是经过卡尔曼修正异常数据后的数据。

本申请实施例中，这里，当前时刻为t，第二预设时间段可选为时刻t-n到时刻t-1的时间段。当前时刻t后的k个时刻的车速[v_t,v_t+1,…,v_t+k]，k为大于或等于0的整数，可根据第二预设时间段的一组交通速度数据v_t-n,v_t-n+1,…,v_t-1得出。本申请中获取的速度数据v_t-n,v_t-n+1,…,v_t-1和速度参数向量矩阵该速度参数向量矩阵表示各个路侧点速度的状态变量，m为路侧点个数，m为大于或等于1的整数；根据速度数据、速度参数向量矩阵和第一预设白噪声数据，构建速度初始模型，速度初始模型通过下述公式(3)表示：

V(t)＝C_v1V(t-1)+C_v2V(t-2)+…+C_vnV(t-n)+w_v(t)，公式(3)；

其中，C_v1,C_v2,…,C_vn为参数向量，速度参数向量矩阵为表示各个路侧点速度的状态变量，m为路侧点个数；w_v(t)为速度零均值的白色噪声，即第一预设白噪声数据。/>表示t时刻各个路侧点的速度，m为路侧点个数，m为大于或等于1的整数。

可选地，上述的步骤14中，构建流量初始模型，包括：

这里，流量数据同样是经过卡尔曼修正异常数据后的数据。

本申请实施例中，这里，当前时刻为t，第二预设时间段可选为时刻t-n到时刻t-1的时间段。当前时刻t后的k个时刻的流量(车流量)[q_t,q_t+1,…,q_t+k]，k为大于或等于0的整数，可根据时刻t-n到时刻t-1的一组交通速度数据q_t-n,q_t-n+1,…,q_t-1得出。本申请中获取的流量数据[q_t,q_t+1,…,q_t+k]和流量参数向量矩阵该流量参数向量矩阵表示各个路侧点流量的状态变量，m为路侧点个数，m为大于或等于1的整数；根据流量数据、流量参数向量矩阵和第二预设白噪声数据，构建流量初始模型，流量初始模型通过下述公式(4)表示：

Q(t)＝C_q1Q(t-1)+C_q2Q(t-2)+…+C_qnQ(t-n)+w_q(t)，公式(4)；

其中，C_q1,C_q2,…,C_qn为参数向量，流量参数向量矩阵表示各个路侧点流量的状态变量，m为路侧点个数；w_q(t)为流量零均值的白色噪声，即第二预设白噪声数据。/>表示各个路侧点的流量(车流量)，m为路侧点个数，t为大于或等于1的整数。

可选地，上述的步骤14中，构建拥堵指数初始模型，包括：

获取第一参数向量矩阵和第二参数向量矩阵；所述第一参数向量矩阵表示m个路侧点的速度系数矩阵；所述第二参数向量矩阵表示m个路侧点的流量系数矩阵；m为大于或等于1的整数。

本申请实施例中，获取第一参数向量矩阵D_v，第一参数向量矩阵D_v表示m个路侧点的速度系数矩阵，获取第二参数向量矩阵D_q，/>第二参数向量矩阵D_q表示m个路侧点的流量系数矩阵，m为大于或等于1的整数。

根据所述速度初始模型，确定速度参数向量矩阵和速度数据矩阵。

本申请实施例中，根据所述速度初始模型，确定速度数据矩阵X_v(t)，速度数据矩阵X_v(t)为[V(t-1),V(t-2),…,V(t-n)]的转置矩阵，即速度数据矩阵X_v(t)为X_v(t)＝[V(t-1),V(t-2),…,V(t-n)]^T；根据速度初始模型，确定速度参数向量矩阵C_v(t)，速度参数向量矩阵C_v(t)表示为：C_v(t)＝[C_v1,C_v2,…,C_vn]。

根据所述流量初始模型，确定流量参数向量矩阵和流量数据矩阵。

本申请实施例中，根据所述流量初始模型，确定流量数据矩阵H_q(t)，流量数据矩阵X_q(t)为[Q(t-1),Q(t-2),…,Q(t-n)]的转置矩阵，即流量数据矩阵X_q(t)为X_q(t)＝[Q(t-1),Q(t-2),…,Q(t-n)]^T。根据流量初始模型，确定流量参数向量矩阵C_q(t)，流量参数向量矩阵C_q(t)表示为：C_q(t)＝[C_q1,C_q2,…,C_qn]。

该实施例中，获取上述参数后，构建拥堵指数初始模型，拥堵指数初始模型通过下述公式(5)表示：

S(t)＝D_vC_v(t)X_v(t)+D_qC_q(t)X_q(t)，公式(5)：

其中，D_v为第一参数向量矩阵，表示各个路侧点速度系数矩阵；D_q为第二参数向量矩阵表示各个路侧点流量系数矩阵，m为路侧点个数。

在另一可选实施例中，上述的步骤15中，通过速度参数向量矩阵C_v(t)和流量参数向量矩阵C_q(t)，可以确定出状态转移矩阵A(t)，A(t)＝[C_q(t)，C_v(t)]，表示第t-1时刻向第t时刻的状态变化时的相互关系。通过第一参数向量矩阵D_v、第二参数向量矩阵Dq、速度参数向量矩阵C_v(t)和流量参数向量矩阵C_q(t)，可以确定出观测矩阵H(t)，H(t)＝[[C_v,0],[0,C_q],[D_vC_v,,D_vC_v]]^T＝[[I,0],[0,I],[D_v,D_q]]^T[[C_v,0],[0,C_q]]^T，其中，I表示单位矩阵。通过X(t)表示t时刻车速、车流量的***状态，X(t)＝[X_v(t),X_q(t)]^T。Y(t)表示t时刻车速、车流量、交通拥堵指数的观测方程，Y(t)＝[V(t),Q(t),S(t)]^T。

对X(t)和Y(t)进行最终转换，确定卡尔曼滤波模型，通过下述公式(6)表示：

其中，其中，u(t)为过程噪声，w(t)为观测噪声，假定为白噪声。

在另一可选实施例中，如在预测阶段，k为当前时刻，k-1为上一时刻：

通过上一时刻(k-1时刻)的最优估计值，预测当前时刻k的先验估计状态值：X(k/k-1)＝A(k-1)X(k-1/k-1)；其中，X(k/k-1)表示根据上一时刻k-1的状态预测时刻k的结果，X(k-1/k-1)表示上一时刻k-1修正的最优结果。

通过上一时刻(k-1时刻)的最优估计协方差，预测当前时刻k的先验估计协方差矩阵：P(k|k-1)＝A(k-1)P(k-1|k-1)A^T(k-1)+Q(k-1)；其中，Q(t)为u(t)的协方差矩阵，是***工作过程中产生的噪声。

故可获得卡尔曼增益表达式，通过下述公式(7)表示：

本申请提供的一可选实施例中，确定所述第一数据中的异常数据，包括：

根据残差卡方算法，确定预测残差序列和残差协方差；

本申请实施例中，根据残差卡方算法，确定预测残差序列和残差协方差，即利用残差χ²检验算法，实时判断设备当前时刻k上报的数据是否为离群的异常数据，这里，确定的预测残差序列可通过公式(8)表示：

e_k＝Y(k)-Y(k|k-1)，公式(8)；

其中，Y(k)为设备实际上报值，Y(k|k-1)可通过公式(6)中的Y(k)＝H(k)X(k|k-1)+w(k)进行得到。

确定的预测残差序列可通过公式(9)表示：

P_e,k＝H(k)P(k|k-1)H^T(k)，公式(9)；

其中，H(k)为观测矩阵，P(k|k-1)为当前时刻k的先验估计协方差矩阵。

若没有异常数据，则残差e_k为零均值的高斯白噪声。

对预测残差序列e_k做出以下二元假设：

(1)正常上报数据H₀：E(e_k)＝0,E(e_k(e_k)^T)＝P_e,k；

(2)异常上报数据H₁：E(e_k)＝μ≠0,E[(e_k-μ)(e_k-μ)^T]＝P_e,k。

也就是，上述的二元假设为正常上报和异常上报的约束条件。

进一步地，通过上述的约束条件，通过预测残差序列、残差协方差、预测残差序列的转置矩阵，确定异常数据的检测函数λ_k。常数据的检测函数λ_k可通过公式(10)表示：

其中，e_k为预测残差序列、为残差协方差、/>为预测残差序列的转置矩阵。

在进行根据所述异常数据的检测函数，确定所述第一数据中的异常数据的步骤时，首先需要确定检测函数λ_k服从λ_k～χ²(n)，n为观测值的维数。此时异常数据判断的准则为：

(1)正常上报数据：λ_k＞T_D；

(2)异常上报数据：λ_k≤T_D。

其中，T_D为预设信任值。若λ_k＞T_D，则认为上报数据在波动范围内，保留该上报数据。若λ_k≤T_D，则判定为离群的异常数据，令公式(8)中的Y(k)＝Y(k|k-1)进行后续计算。

在另一可选实施例中，在更新阶段：使用测量值和卡尔曼滤波增益，对***状态预测结果X(k/k-1)进行估计：

X(k|k)＝X(k|k-1)+K(k)(Y(k)-H(k)X(k|k-1))；

其中，K(k)为当前时刻k的卡尔曼增益，Y(k)为设备实际上报值，Y(k)-H(k)X(k|k-1)表示观测白噪声w(t)。

更新最优估计值X(k|k)对应的协方差：

P(k|k)＝(I-K(k)H(k))P(k|k-1)。

其中，K(k)为当前时刻k的卡尔曼增益，H(k)为观测矩阵，P(k|k-1)为当前时刻k的先验估计协方差矩阵。

在迭代阶段：继续下一个时刻的预测和校正。

在第二具体实施例中，参照图3所示，本申请实施例卡尔曼滤波可以利用上一时刻的输出与当前时刻的输入，更新***的状态变量，求出当前时刻观测的最优估计。卡尔曼滤波器识别并替代异常值的基本过程可根据图3所示的流程。

综上所述，本申请实施例实现了结合交通参数的特点，提出了针对高速场景下车速、车流量、交通拥堵指数的数据清洗方法，在没有统一的高速交通拥堵指数计算标准下，适用于不同的交通拥堵指数计算方法，具有较好的泛化能力；还将卡尔曼滤波和动态时间弯曲算法相结合，应用在高速交通场景下，提高数据清洗效率。

参照图4所示，本申请实施例还提供一种对高速道路交通流参数的处理装置，包括：

第一获取模块41，用于获取第一预设时间段内目标路段的高速道路交通数据；所述高速道路交通数据包括速度数据、流量数据和拥堵指数数据中的一项或多项；

第一确定模块42，用于对所述高速道路交通数据进行去除数据，确定去除数据后的第一数据；所述去除数据包括：删除同一时间的重复数据，和/或，删除超出速度阈值的数据；

第二确定模块43，用于根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据。

可选的，上述的第二确定模块43，包括：

第一确定单元，用于确定所述第一数据中的异常数据；

第一处理单元，用于根据卡尔曼滤波增益确定的卡尔曼预测值，对所述异常数据进行替换，以及，利用所述卡尔曼预测值对所述第一数据中的空缺数据进行填充；所述空缺数据包括：已经删除的超出速度阈值的数据，和/或路侧设备上报的空缺数据；

第二确定单元，用于根据替换后的数据和填充后的数据，确定目标设备上报数据的频率；

第一判断单元，用于确定所述目标设备上报数据的频率是否超出第一预设值；

第三确定单元，用于若所述目标设备上报数据的频率未超出所述第一预设值，则确定处理后的第一目标高速数据。

可选的，上述的装置还包括：

第一构建模块，用于构建速度初始模型、流量初始模型和拥堵指数初始模型；

第二构建模块，用于根据所述速度初始模型、所述流量初始模型和所述拥堵指数初始模型，构建卡尔曼滤波模型；

第三确定模块，用于根据所述卡尔曼滤波模型，确定当前时刻的上一时刻的最优估计值和当前时刻的上一时刻的最优估计协方差；

第一处理模块，用于根据所述上一时刻的最优估计值，预测当前时刻的先验估计状态值，以及根据所述上一时刻的最优估计协方差，预测当前时刻的先验估计协方差矩阵；

第四确定模块，用于根据所述当前时刻的测量值、先验估计协方差矩阵，确定所述卡尔曼滤波增益；

第二处理模块，用于根据所述当前时刻的先验估计状态值和卡尔曼滤波增益，更新所述最优估计值和所述最优估计值对应的所述最优估计协方差。

可选的，上述的第一构建模块，包括：

第一获取单元，用于获取第二预设时间段的速度数据和速度参数向量矩阵；所述速度数据包括第二预设时间段中每个时刻所对应目标速度，所述目标速度包括m个路侧点中每个路侧点的速度；所述速度参数向量矩阵表示每个时刻m个路侧点中每个路侧点的速度状态变量；m为大于或等于1的整数；所述第二预设时间段的早于所述第一预设时间段；

第一构建单元，用于根据所述速度数据、所述速度参数向量矩阵和第一预设白噪声数据，构建速度初始模型。

可选的，上述的第一构建模块，还包括：

第二获取单元，用于获取第二预设时间段的流量数据和流量参数向量矩阵；所述流量数据包括第二预设时间段中每个时刻所对应目标流量，所述目标流量包括m个路侧点中每个路侧点的流量；所述流量参数向量矩阵表示每个时刻m个路侧点中每个路侧点的流量状态变量；m为大于或等于1的整数；所述第二预设时间段的早于所述第一预设时间段；

第二构建单元，用于根据所述流量数据、所述流量参数向量矩阵和第二预设白噪声数据，构建流量初始模型。

可选的，上述的第一构建模块，还包括：

第三获取单元，用于获取第一参数向量矩阵和第二参数向量矩阵；所述第一参数向量矩阵表示m个路侧点的速度系数矩阵；所述第二参数向量矩阵表示m个路侧点的流量系数矩阵；m为大于或等于1的整数；

第四确定单元，用于根据所述速度初始模型，确定速度参数向量矩阵和速度数据矩阵；

第五确定单元，用于根据所述流量初始模型，确定流量参数向量矩阵和流量数据矩阵；

第三构建单元，用于根据所述第一参数向量矩阵、所述速度参数向量矩阵和所述速度数据矩阵之间的第一乘积，以及，所述第二参数向量矩阵、所述流量参数向量矩阵和所述流量数据矩阵之间的第二乘积，构建拥堵指数初始模型。

可选的，上述的装置还包括：

第三处理模块，用于根据替换后的数据和填充后的数据，确定目标设备上报数据的频率超出所述第一预设值，则将所述目标设备进行上报预警，并根据动态时间弯曲算法，估算所述目标设备的第二目标高速数据。

可选的，上述的第三处理模块，包括：

第六确定单元，用于根据动态时间弯曲算法，确定与所述目标设备所处路段相同道路的上下游第一距离内的路侧设备候选集；

第七确定单元，用于根据所述路侧设备候选集，确定处于第一预设时间内的目标数据；

第二处理单元，用于根据所述目标数据，估计所述目标路段的高速数据。

可选的，上述的第一确定单元，包括：

第一确定子单元，用于根据残差卡方算法，确定预测残差序列和残差协方差；

第二确定子单元，用于根据所述预测残差序列、残差协方差、所述预测残差序列的转置矩阵，确定异常数据的检测函数；

第三确定子单元，用于根据所述异常数据的检测函数，确定所述第一数据中的异常数据。

其中，上述对高速道路交通流参数的处理方法的所述实现实施例均适用于该对高速道路交通流参数的处理装置的实施例中，也能达到相同的技术效果。

本申请实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的对高速道路交通流参数的处理方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

其中，所述处理器为上述实施例中所述的对高速道路交通流参数的处理方法中的处理器。所述可读存储介质，包括计算机可读存储介质，如计算机只读存储器(Read-OnlyMemory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。

本申请实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。

实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于***或网络上。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims

1.一种对高速道路交通流参数的处理方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，根据所述第一数据和卡尔曼滤波增益，确定处理后的目标高速数据，包括：

确定所述第一数据中的异常数据；

确定所述目标设备上报数据的频率是否超出第一预设值；

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

构建速度初始模型、流量初始模型和拥堵指数初始模型；

根据所述当前时刻的先验估计协方差矩阵，确定所述卡尔曼滤波增益；

根据所述当前时刻的测量值、先验估计状态值和卡尔曼滤波增益，更新所述最优估计值和所述最优估计值对应的所述最优估计协方差。

4.根据权利要求3所述的方法，其特征在于，构建速度初始模型，包括：

5.根据权利要求3所述的方法，其特征在于，构建流量初始模型，包括：

6.根据权利要求3所述的方法，其特征在于，构建拥堵指数初始模型，包括：

7.根据权利要求2所述的方法，其特征在于，所述方法还包括：

8.根据权利要求7所述的方法，其特征在于，根据动态时间弯曲算法，估算所述目标设备的第二目标高速数据，包括：

根据所述目标数据，估计所述目标路段的高速数据。

9.根据权利要求2所述的方法，其特征在于，确定所述第一数据中的异常数据，包括：

根据残差卡方算法，确定预测残差序列和残差协方差；

10.一种对高速道路交通流参数的处理装置，其特征在于，包括：

11.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至9中任一项所述的对高速道路交通流参数的处理装置中的步骤。