CN117152973A - 基于etc门架数据的高速公路实时流量监测方法及*** - Google Patents
基于etc门架数据的高速公路实时流量监测方法及*** Download PDFInfo
- Publication number
- CN117152973A CN117152973A CN202311406723.7A CN202311406723A CN117152973A CN 117152973 A CN117152973 A CN 117152973A CN 202311406723 A CN202311406723 A CN 202311406723A CN 117152973 A CN117152973 A CN 117152973A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- target
- evaluation
- feature
- monitoring section
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 792
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 428
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 248
- 239000006185 dispersion Substances 0.000 claims description 224
- 239000000203 mixture Substances 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 25
- 230000004044 response Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000007667 floating Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种基于ETC门架数据的高速公路实时流量监测方法及***，通过获取目标监测区段集合，获取目标监测区段集合中各个目标监测区段分别对应的交通拥堵评估特征簇，基于监测区段监测算法对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置进行分析，通过每个监测区段监测算法的分散位置信息确定目标监测区段对应的算法评估信息。本申请基于拥堵评估层面对交通拥堵评估特征的分散位置进行分析，联合所有拥堵评估层面的分散位置信息得到该监测区段对应的算法评估信息，以此综合监测区段在每一拥堵评估层面的交通拥堵评估特征来对监测区段进行拥堵决策，令算法输出的算法评估信息具有更高的可靠性和精度。
Description
技术领域
本公开涉及数据处理领域，并且更具体地，涉及一种基于ETC门架数据的高速公路实时流量监测方法及***。
背景技术
ETC门架，即电子不停车收费门架（Electronic Toll Collection），是一种现代化的高速公路收费***。它采用无线通信和车载设备技术，实现了车辆在通过收费站时无需停车缴费的便利。随着高速公路信息集成化建设推进，其也被赋予更多维全面的信息收集功能，例如可以采集车辆信息，如车牌号码、车型；通行事件和地点，如通过的时间戳；交通流量信息，如车道识别、车流数量等。因此，根据ETC门架采集的数据进行高速公路实时流量监测，可以为高速公路拥堵预警提供帮助，可以理解，如何提高监测的精度和效率，是高速公路流量监测关注的技术问题。
发明内容
有鉴于此，本申请实施例至少提供一种基于ETC门架数据的高速公路实时流量监测方法及***。
根据本公开实施例的一个方面，提供了一种基于ETC门架数据的高速公路实时流量监测方法，所述方法包括：
响应于流量监测指令，获取流量监测数据集，所述流量监测数据集包括基于ETC门架获取的至少一个目标监测区段的交通流量数据；
获取每一所述目标监测区段分别对应的交通拥堵评估特征簇，所述交通拥堵评估特征簇包括多个拥堵评估层面分别对应的交通拥堵评估特征；
确定监测区段监测算法阵列，所述监测区段监测算法阵列中包含多个监测区段监测算法；所述监测区段监测算法阵列中的监测区段监测算法依据的监测区段评估方式不同；
通过每个所述监测区段监测算法获取所述目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息；
基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息；
对所述监测区段监测算法阵列中各个监测区段监测算法对所述目标监测区段的算法评估信息进行归总，得到所述目标监测区段的车流监测信息。
根据本公开实施例的一个示例，其中，所述通过每个所述监测区段监测算法获取所述目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息，包括：
在所述目标监测区段相应的交通拥堵评估特征簇中获取拥堵评估层面对应的交通拥堵评估特征，得到各个拥堵评估层面分别对应的目标特征簇；
获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；
基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
根据本公开实施例的一个示例，其中，所述目标特征簇相应的分散位置确定策略包括依据阈值进行分散位置确定的方式，所述获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
获取特征分散拓扑图，所述特征分散拓扑图包括多个组成拓扑点；
将特征分散拓扑图的初始拓扑点确定为所述目标监测区段对应的当次组成拓扑点，获取当次组成拓扑点相应的当次拥堵评估层面，获取所述当次拥堵评估层面相应的当次目标特征簇的当次特征分散确定阈值；
通过当次特征分散确定阈值和所述目标监测区段在所述当次拥堵评估层面的交通拥堵评估特征，确定所述交通拥堵评估特征在当次目标特征簇中的分散位置信息；
基于所述分散位置信息确定所述目标监测区段对应的下一组成拓扑点，将下一组成拓扑点确定为优化后的当次组成拓扑点，返回获取当次组成拓扑点相应的当次拥堵评估层面，获取所述当次拥堵评估层面相应的当次目标特征簇的当次特征分散确定阈值的过程直到所述目标监测区段对应的组成拓扑点优化完成。
根据本公开实施例的一个示例，其中，所述基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息，包括：
基于所述分散位置信息确定所述目标监测区段相应的组成拓扑点；
对所述目标监测区段相应的组成拓扑点进行计数，得到所述目标监测区段在所述特征分散拓扑图中的分散尺度；
基于所述分散尺度确定所述目标监测区段对应的第一拥堵监测指数，所述拥堵监测指数与所述分散尺度逆相关；
基于所述第一拥堵监测指数确定所述监测区段监测算法对所述目标监测区段的算法评估信息。
根据本公开实施例的一个示例，其中，所述分散位置确定策略包括基于分散位置区间进行分散位置确定的方式，所述获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
获取监测区段监测算法中所述目标特征簇相应的特征分散位置确定区间簇，所述特征分散位置确定区间簇包括多个特征分散位置确定区间；
获取所述目标特征簇中的交通拥堵评估特征在每一特征分散位置确定区间的特征分散个数；
基于所述特征分散个数确定所述特征分散位置确定区间相应的概率密度函数，将所述概率密度函数作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
根据本公开实施例的一个示例，其中，所述基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息，包括：
基于所述概率密度函数确定所述交通拥堵评估特征相应的特征拥堵监测指数，所述特征拥堵监测指数与所述概率密度函数逆相关；
对所述目标监测区段对应的交通拥堵评估特征簇中各个交通拥堵评估特征相应的特征拥堵监测指数进行归总，得到所述目标监测区段对应的第二拥堵监测指数；
基于所述第二拥堵监测指数确定所述监测区段监测算法对所述目标监测区段的算法评估信息。
根据本公开实施例的一个示例，其中，所述获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
确定边缘分散确定阈值；
基于所述边缘分散确定阈值确定所述目标特征簇中特征尾侧对应的第一特征簇和特征始侧对应的第二特征簇；
对所述第一特征簇进行归总，得到所述目标特征簇对应的尾侧特征归总结果；
基于所述目标特征簇对应的尾侧特征归总结果确定所述交通拥堵评估特征对应尾侧分散位置置信度；
对所述第二特征簇进行归总，得到所述目标特征簇对应的始侧特征归总结果；
基于所述目标特征簇对应的始侧特征归总结果确定所述交通拥堵评估特征对应始侧分散位置置信度；
基于所述尾侧分散位置置信度以及所述始侧分散位置置信度确定所述交通拥堵评估特征对应的目标分散位置置信度，将所述目标分散位置置信度作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
根据本公开实施例的一个示例，其中，所述基于所述尾侧分散位置置信度以及所述始侧分散位置置信度确定所述交通拥堵评估特征对应的目标分散位置置信度，将所述目标分散位置置信度作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
获取交通拥堵评估特征簇中各个交通拥堵评估特征的均值，基于所述交通拥堵评估特征簇对应的均值确定所述目标监测区段对应的分散偏斜程度；
获取分散偏斜程度对比值，确定所述分散偏斜程度与所述分散偏斜程度对比值的数值对比结果；
基于所述分散偏斜程度与所述分散偏斜程度对比值的数值对比结果，从所述尾侧分散位置置信度和所述始侧分散位置置信度中确定偏斜分散位置置信度；
将所述尾侧分散位置置信度、所述始侧分散位置置信度和所述偏斜分散位置置信度进行数值排序，通过数值排序结果在所述尾侧分散位置置信度、所述始侧分散位置置信度和所述偏斜分散位置置信度中确定所述交通拥堵评估特征对应的目标分散位置置信度；
将所述目标分散位置置信度作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
根据本公开实施例的一个示例，其中，所述对所述监测区段监测算法阵列中各个监测区段监测算法对所述目标监测区段的算法评估信息进行归总，得到所述目标监测区段的车流监测信息，包括：
通过对所述目标监测区段的算法评估信息确定算法评估信息为拥堵的负面评估结果数量；
若所述负面评估结果数量大于预设负面评估结果数量，确定所述目标监测区段为拥堵监测区段，得到所述目标监测区段的车流监测信息；
所述方法还包括：
获取所述目标监测区段的消极标记记录时间，所述消极标记记录时间为标记记录监测区段对所述目标监测区段进行消极标记记录的记录时间；
在评估所述目标监测区段的车流监测信息为拥堵监测区段时，确定得到所述目标监测区段的车流监测信息的监测时间；
确定所述消极标记记录时间与所述监测时间的差值；
基于所述差值得到管制结果，所述管制结果为基于所述监测区段监测算法识别出监测区段为拥堵监测区段时，对拥堵监测区段的管制结果；
所述获取每一所述目标监测区段分别对应的交通拥堵评估特征簇，包括：
获取所述目标监测区段对应的监测区段通行数据集，所述监测区段通行数据集包括多个监测区段通行数据；
依据通行数据类型归总多个通行数据类型分别对应的拥堵评估层面；
对所述监测区段通行数据集中对应相同拥堵评估层面的通行数据属性进行归总，得到各个所述拥堵评估层面分别对应的交通拥堵评估特征，各个所述拥堵评估层面对应的交通拥堵评估特征组成所述目标监测区段对应的交通拥堵评估特征簇。
根据本公开实施例的另一方面，提供了一种流量监测***，包括：
一个或多个处理器；
以及一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行以上所述的方法。
本申请至少包含的有益效果：
本申请提供的基于ETC门架数据的高速公路实时流量监测方法及***，通过获取目标监测区段集合，获取目标监测区段集合中各个目标监测区段分别对应的交通拥堵评估特征簇，基于监测区段监测算法来对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置进行分析，通过每个监测区段监测算法的分散位置信息确定目标监测区段对应的算法评估信息。本申请基于拥堵评估层面对交通拥堵评估特征的分散位置进行分析，联合所有拥堵评估层面的分散位置信息得到该监测区段对应的算法评估信息，以此综合监测区段在每一拥堵评估层面的交通拥堵评估特征来对监测区段进行拥堵决策，令算法输出的算法评估信息具有更高的可靠性和精度，监测区段监测算法依据的监测区段评估方式不同，归总这些监测区段监测算法对应的算法评估信息，得到目标监测区段的车流监测信息，能够依据多种分散位置信息得到目标监测区段的车流监测信息，可以极大增加监测区段监测的可靠性和精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本申请的技术方案。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开实施例的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为本申请实施例提供的应用场景的示意图。
图2为本申请实施例提供的一种基于ETC门架数据的高速公路实时流量监测方法的实现流程示意图。
图3为本申请实施例提供的一种流量监测装置的组成结构示意图。
图4为本申请实施例提供的一种计算机设备的硬件实体示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本申请的技术方案进一步详细阐述，所描述的实施例不应视为对本申请的限制，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它实施例，都属于本申请保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。所涉及的术语“第一/第二/第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请的目的，不是旨在限制本申请。
本申请实施例提供的基于ETC门架数据的高速公路实时流量监测方法，可以应用于如图1所示的应用环境中。其中，ETC门架102通过网络与流量监测***104进行通信。数据存储***可以存储流量监测***104需要处理的数据。数据存储***可以集成在流量监测***104上，也可以放在云上或其他网络服务器上。流量监测***104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
本申请实施例供的基于ETC门架数据的高速公路实时流量监测方法应用于流量监测***，具体包括以下步骤：
S101，响应于流量监测指令，获取流量监测数据集，流量监测数据集包括基于ETC门架获取的至少一个目标监测区段的交通流量数据。
流量监测指令可以为***根据周期自动生成或者接受外部指令产生的指令信息。流量监测数据集中的监测区段交通流量数据是基于位于该监测区段（监测区段的设置不做限定，如固定路段）中的ETC门架（可以为一个或多个）采集的数据，包括采集周期中通过ETC门架采集的监测区段的车辆数量、各个车辆通过ETC门架的时间戳、车辆所在的车道信息（各个车道包含的车辆数）、车辆类型（如货车、轿车、巴士）等，在实际应用中，可以根据分析需求进行数据类型的增减，其中，对于离散数据（如车辆类型），可以通过独热编码的方式进行编码。
S102，获取每一目标监测区段分别对应的交通拥堵评估特征簇，交通拥堵评估特征簇包括多个拥堵评估层面分别对应的交通拥堵评估特征。
交通拥堵评估特征为进行交通拥堵评估（是否会产生拥堵）相应的特征，包括多个拥堵评估层面的特征，每个拥堵评估层面对应不少于一个交通拥堵评估特征。其中，拥堵评估层面可以包括：车流量、行驶速度、道路容量利用率或者进出口流量平衡。可以理解，不同拥堵评估层面评估时根据需要从对应的交通流量数据中获取相关数据。交通拥堵评估特征簇是由多个交通拥堵评估特征组成的数据簇，一个目标监测区段可以对应若干交通拥堵评估特征簇。交通拥堵评估特征簇可以保存在流量监测***。实际应用中，可以在流量监测***中分别获取每一目标监测区段在多个拥堵评估层面下的交通拥堵评估特征，每个目标监测区段对应的交通拥堵评估特征构成一个交通拥堵评估特征簇，得到各个目标监测区段对应的交通拥堵评估特征簇。
S103，确定监测区段监测算法阵列，监测区段监测算法阵列中包含多个监测区段监测算法；监测区段监测算法阵列中的监测区段监测算法依据的监测区段评估方式不同。
监测区段监测算法阵列为包含多个监测区段监测算法的阵列（或称集合），监测区段监测算法为可以依据特征的监测区段评估方式完成监测区段拥堵决策的神经网络算法或传统机器学习算法，例如自编码器、稀疏编码器、生成对抗网络、随机森林算法等。监测区段评估方式即进行拥堵决策依据的方式，例如对交通拥堵评估特征进行分类或特征分桶的方式，每个监测区段监测算法的监测区段评估方式不同。
S104，通过每个监测区段监测算法获取目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息。
分散位置信息为各交通拥堵评估特征在对应的目标特征簇中的分散位置的归类结果，分散位置可以理解为特征的分布信息，分散位置信息可以基于分类标签来进行表达（如拥堵、畅通），或者，通过每个分类对应的概率进行表达（如0.3、0.8），或者，分散位置信息可以为获得概率的概率密度函数。目标特征簇是一拥堵评估层面下，局部或全局交通拥堵评估特征组成的特征簇。目标特征簇中的交通拥堵评估特征对应预设的特征分散位置情况，通过特征分散位置形式对交通拥堵评估特征进行分散位置确定，以获得分散位置信息（即在特征簇中的分布结果）。例如，特征分散位置情况可以表现为直方图。
作为一种实施方式，监测区段监测算法可以选择一个拥堵评估层面的目标特征簇，根据对应的监测区段评估方式对该拥堵评估层面的目标特征簇的分散位置情况进行分类，获取和该拥堵评估层面对应的分散位置信息，接着，将各拥堵评估层面下的分散位置信息整合得到交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息。监测区段监测算法也可以对每个拥堵评估层面的交通拥堵评估特征进行全局分析，比如确定全部拥堵评估层面的交通拥堵评估特征的全局分散位置情况，基于其分类得到全部拥堵评估层面的全局分散位置信息。
S105，基于监测区段监测算法获得的分散位置信息确定监测区段监测算法对目标监测区段的算法评估信息。
算法评估信息为监测区段监测算法对目标监测区段对应的拥堵情况（即对应的拥堵决策类别）的监测结果，例如基于拥堵情况的分类标签代表监测区段监测算法对目标监测区段的算法评估信息。算法评估信息还可以包含各监测区段监测算法的算法ID，以便***能确定各算法评估信息的输出来源。
每个监测区段监测算法的分散位置信息可以代表各监测区段监测算法对每个交通拥堵评估特征的分类结果。基于此对分散位置信息进行分析，得到各监测区段监测算法对目标监测区段的算法评估信息。将基于分类标签或概率的方式表达的分散位置信息进行结果映射，将映射结果作为算法评估信息。比如将概率和预设概率对比，如果大于预设概率，算法评估信息可以映射成Y（或者映射为数值，例如1），反之，算法评估信息设置成N。
作为一种实施方式，S105具体包括：流量监测***确定监测区段监测算法所确定的交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息，对各拥堵评估层面对应的分散位置信息进行归总，得到目标监测区段在对应监测区段监测算法下的分散位置信息；对目标监测区段在对应监测区段监测算法下的分散位置信息进行映射，将映射结果确定为监测区段监测算法对目标监测区段的算法评估信息。
S106，对监测区段监测算法阵列中各个监测区段监测算法对目标监测区段的算法评估信息进行归总，得到目标监测区段的车流监测信息。
车流监测信息可以表示目标监测区段是不是拥堵监测区段，则车流监测信息可以为目标监测区段为拥堵监测区段，或者为目标监测区段是畅通监测区段，或者，根据实际需要，目标监测区段还可以为缓速监测区段。其中，对算法评估信息进行归总即是对算法评估信息的数量按照预设的统计运算方法进行统计，统计后的结果确定为车流监测信息。例如，在算法评估信息的数量达到预设数量（根据实际需要设定）时，将目标监测区段的车流监测信息确定为拥堵监测区段。通过每个监测区段监测算法的算法评估信息得到车流监测信息的过程即对各个监测区段监测算法的组合学习的过程，通过将多个分类器（算法）组合起来，以克服单个分类器的性能不足，提高整体算法的性能、泛化能力和稳定性。
以上基于ETC门架数据的高速公路实时流量监测方法，基于拥堵评估层面对交通拥堵评估特征的分散位置进行分析，联合所有拥堵评估层面的分散位置信息得到该监测区段对应的算法评估信息，以此综合监测区段在每一拥堵评估层面的交通拥堵评估特征来对监测区段进行拥堵决策，令算法输出的算法评估信息具有更高的可靠性和精度，而且监测区段监测算法依据的监测区段评估方式不同，综合归总监测区段监测算法对应的算法评估信息，得到目标监测区段的车流监测信息，能够依据多种分散位置信息得到目标监测区段的车流监测信息，可以极大增加监测区段监测的可靠性和精度。此外，基于监测区段监测算法对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置进行分析，在没有训练标记的情况下，各监测区段监测算法也能获取分散位置信息，在保障车流监测信息的可靠性前提下，节约了获取训练标记的过程，可以极大提高获取监测区段监测结果的速度。
作为一种实施方式，通过每个监测区段监测算法获取目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息，包括：在目标监测区段相应的交通拥堵评估特征簇中获取拥堵评估层面对应的交通拥堵评估特征，得到各个拥堵评估层面分别对应的目标特征簇；获取监测区段监测算法中目标特征簇相应的分散位置确定策略；基于分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
分散位置确定策略即将目标特征簇中的交通拥堵评估特征划分到匹配的特征范围的策略。分散位置确定策略可以为依据阈值进行分散位置确定的策略，或者是基于分散位置区间进行分散位置确定的策略。
其中，依据阈值进行分散位置确定的策略为：将交通拥堵评估特征与特征分散确定阈值进行比较，如果交通拥堵评估特征小于特征分散确定阈值，则将交通拥堵评估特征划分到一个特征范围，当交通拥堵评估特征不小于特征分散确定阈值，则将交通拥堵评估特征划分到其他特征范围。
基于分散位置区间进行分散位置确定的策略为：确定多个特征分散位置确定区间，每个特征分散位置确定区间匹配交通拥堵评估特征对应的特征值区间，将交通拥堵评估特征的特征值与特征值区间进行比较，将交通拥堵评估特征划分到特征值的特征分散位置确定区间。交通拥堵评估特征的特征值例如是交通拥堵评估特征的数值，举例而言，可以为通过车辆数、车辆通过两个ETC门架的时间戳差值等。
作为一种实施方式，从目标监测区段相应的交通拥堵评估特征簇中选取各个拥堵评估层面对应的交通拥堵评估特征，一个拥堵评估层面下的交通拥堵评估特征构成一个目标特征簇，基于分散位置确定策略对目标特征簇中的交通拥堵评估特征进行分散位置确定，以将各个交通拥堵评估特征划分到对应的特征范围中，而一个特征范围可以对应一个分散位置信息，进而得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
作为一种实施方式，分散位置确定策略可以通过每个监测区段监测算法的监测区段评估方式确定。进一步地，通过每个监测区段监测算法获取目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息，包括：在目标监测区段相应的交通拥堵评估特征簇中获取拥堵评估层面对应的交通拥堵评估特征，得到各个拥堵评估层面分别对应的目标特征簇；通过每个监测区段监测算法相应的监测区段评估方式确定监测区段监测算法中目标特征簇相应的分散位置确定策略，基于分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
以上将交通拥堵评估特征在拥堵评估层面对应的目标特征簇中进行分散位置确定，可以确定各拥堵评估层面的分散位置信息，在没有交通拥堵评估特征的距离的前提下，也可以获取交通拥堵评估特征相应的分散位置信息，可以高效获取特征的分散位置信息，提高后续效率。
作为一种实施方式，目标特征簇相应的分散位置确定策略包括依据阈值进行分散位置确定的方式，获取监测区段监测算法中目标特征簇相应的分散位置确定策略；基于分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：获取特征分散拓扑图（可以为随机树），特征分散拓扑图包括多个组成拓扑点（或者称为拓扑节点）；将特征分散拓扑图的初始拓扑点确定为目标监测区段对应的当次组成拓扑点，获取当次组成拓扑点相应的当次拥堵评估层面，获取当次拥堵评估层面相应的当次目标特征簇的当次特征分散确定阈值；通过当次特征分散确定阈值和目标监测区段在当次拥堵评估层面的交通拥堵评估特征，确定交通拥堵评估特征在当次目标特征簇中的分散位置信息；基于分散位置信息确定目标监测区段对应的下一组成拓扑点，将下一组成拓扑点确定为优化后的当次组成拓扑点，返回获取当次组成拓扑点相应的当次拥堵评估层面，获取当次拥堵评估层面相应的当次目标特征簇的当次特征分散确定阈值的过程直到目标监测区段对应的组成拓扑点优化完成。
以上各个交通拥堵评估特征为特征分散拓扑图中的拓扑点，特征分散拓扑图可以认为是监测区段监测算法。特征分散拓扑图可以为一个或多个，监测区段监测算法的特征分散拓扑图可同时对交通拥堵评估特征进行分散位置确定，从而将目标监测区段对应的交通拥堵评估特征划分到对应的组成拓扑点。此外，可以将一个目标监测区段对应的交通拥堵评估特征簇分别输入各特征分散拓扑图中，每一特征分散拓扑图输出目标监测区段的分散位置信息，对各特征分散拓扑图的分散位置信息进行整合，获得特征分散拓扑图对应的全局分散位置信息，将其确定为对应监测区段监测算法的分散位置信息。基于一样的思路，将其余目标监测区段对应的交通拥堵评估特征簇分别输入各特征分散拓扑图，得到对应的分散位置信息。当次特征分散确定阈值可以是预设的，或可以通过目标监测区段在当次拥堵评估层面的交通拥堵评估特征的特征值获取，譬如将目标监测区段在当次拥堵评估层面下的交通拥堵评估特征的特征值的方差确定为当次特征分散确定阈值。组成拓扑点优化完成的条件例如是交通拥堵评估特征对应的组成拓扑点没有下一拓扑点，可以将交通拥堵评估特征所在的终端拓扑点对应的分散位置信息确定为交通拥堵评估特征所在拥堵评估层面的目标特征簇中的分散位置信息。
作为一种实施方式，通过当次特征分散确定阈值和目标监测区段在当次拥堵评估层面的交通拥堵评估特征，确定交通拥堵评估特征在当次目标特征簇中的分散位置信息，包括：将目标监测区段在当次拥堵评估层面的交通拥堵评估特征与当次特征分散确定阈值进行比较；如果目标监测区段在当次拥堵评估层面的交通拥堵评估特征小于当次特征分散确定阈值，则将目标监测区段在当次拥堵评估层面的交通拥堵评估特征划分到第一拓扑点；如果目标监测区段在当次拥堵评估层面的交通拥堵评估特征不小于当次特征分散确定阈值，则将目标监测区段在当次拥堵评估层面的交通拥堵评估特征分类到第二拓扑点。以第一拓扑点作为示例，将第一拓扑点的下一组成拓扑点确定为优化后的当次组成拓扑点，循环以上过程。
作为一种实施方式，基于监测区段监测算法获得的分散位置信息确定监测区段监测算法对目标监测区段的算法评估信息，包括：基于分散位置信息确定目标监测区段相应的组成拓扑点；对目标监测区段相应的组成拓扑点进行计数，得到目标监测区段在特征分散拓扑图中的分散尺度（可以理解为在分散拓扑图中延伸的路径）；基于分散尺度确定目标监测区段对应的第一拥堵监测指数，拥堵监测指数与分散尺度逆相关；基于第一拥堵监测指数确定监测区段监测算法对目标监测区段的算法评估信息。其中，目标监测区段相应的组成拓扑点为目标监测区段的交通拥堵评估特征从起始拓扑点到终端拓扑点之间的各个拓扑点，本申请将这些组成拓扑点的数量作为目标监测区段在特征分散拓扑图中的分散尺度。其中，第一拥堵监测指数是可以评估目标监测区段是不是拥堵监测区段的数值。
作为一种实施方式，基于分散尺度确定目标监测区段对应的第一拥堵监测指数，包括：如果特征分散拓扑图为一个，则确定特征分散拓扑图确定的目标监测区段对应的分散尺度，将分散尺度作为指数，将一个事先确定的常数作为底数，基于此建立指数函数。将目标监测区段对应的分散尺度输入其中，输出得到第一拥堵监测指数。如果特征分散拓扑图为多个，则通过分散尺度确定目标监测区段对应的分散尺度的随机变量平均值，将其作为指数，以及将一个事先确定的常数作为底数，基于此建立指数函数，将目标监测区段对应的分散尺度的随机变量平均值输入其中，输出得到第一拥堵监测指数。
基于目标监测区段相应的组成拓扑点在特征分散拓扑图中的分散尺度得到对应的拥堵监测指数，分散尺度值越小，需要被更少地切分，此时目标监测区段对应的交通拥堵评估特征将愈发远离常规点，拥堵监测指数越大。
作为一种实施方式，基于第一拥堵监测指数确定监测区段监测算法对目标监测区段的算法评估信息，包括：将第一拥堵监测指数与第一拥堵监测指数阈值（根据实际需要任意设置）进行比较，如果第一拥堵监测指数大于第一拥堵监测指数阈值，则将目标监测区段的算法评估信息确定为拥堵监测区段。
通过分散尺度确定目标监测区段对应的第一拥堵监测指数包括：通过p个学***均分散尺度S(p)，即：
其中，k的具体数值根据实际需要进行设定。
对于目标监测区段的交通拥堵评估特征f，确定目标监测区段对应的第一拥堵监测指数，具体可以采用如下公式进行确定：
其中，为学***均值。
可见，在确定拥堵监测指数时，没有确定交通拥堵评估特征间的距离，但是也可以通过特征分散拓扑图的拓扑点分类，完成精确的拥堵决策，该过程不需要庞大的运算开销，节约了硬件环境的成本。
作为一种实施方式，特征分散拓扑图在生成过程中，通过多个学习样例生成多个特征分散拓扑图，学习样例即训练样本，该过程可以不设置训练标记，采用自监督生成特征分散拓扑图，特征分散拓扑图在生成时，设定x个学习样例，任意选择一个交通拥堵评估特征f和对应的划分系数w，基于划分系数w将当次组成拓扑点对应的学习样例划分成多个拓扑点，如果拓扑图的层级数量到达阈值，或拓扑点上仅包含一个学习样例，或拓扑点的学习样例特征均相同时停止。
作为一种实施方式，分散位置确定策略包括基于分散位置区间进行分散位置确定的方式，获取监测区段监测算法中目标特征簇相应的分散位置确定策略；基于分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：获取监测区段监测算法中目标特征簇相应的特征分散位置确定区间簇，特征分散位置确定区间簇包括多个特征分散位置确定区间；获取目标特征簇中的交通拥堵评估特征在每一特征分散位置确定区间的特征分散个数；基于特征分散个数确定特征分散位置确定区间相应的概率密度函数，将概率密度函数作为交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。其中，每一特征分散位置确定区间对应有交通拥堵评估特征的特征值区间。
作为一种实施方式，可确定各个拥堵评估层面分别对应的目标特征簇，基于目标特征簇中的交通拥堵评估特征确定特征分散位置确定区间相应的概率密度函数，得到各个分散位置信息。获得各拥堵评估层面对应的分散位置信息后，对分散位置信息进行归总，通过归总结果获得目标监测区段的交通拥堵评估特征的全局分散位置信息。
本申请中，通过多个特征分散位置确定区间对目标特征簇中的交通拥堵评估特征进行分散位置确定，基于交通拥堵评估特征在每一特征分散位置确定区间的特征分散个数确定对应的概率密度函数，进而得到分散位置信息，在没有标记时也可通过概率密度函数对目标监测区段的交通拥堵评估特征进行精准划分，得到准确的分散位置信息。
作为一种实施方式，基于监测区段监测算法获得的分散位置信息确定监测区段监测算法对目标监测区段的算法评估信息，包括：基于概率密度函数确定交通拥堵评估特征相应的特征拥堵监测指数，特征拥堵监测指数与概率密度函数逆相关；对目标监测区段对应的交通拥堵评估特征簇中各个交通拥堵评估特征相应的特征拥堵监测指数进行归总，得到目标监测区段对应的第二拥堵监测指数；通过第二拥堵监测指数确定监测区段监测算法对目标监测区段的算法评估信息。特征拥堵监测指数是评估目标监测区段是不是拥堵监测区段的数值，例如，特征拥堵监测指数为对概率密度函数确定交通拥堵评估特征相应的特征拥堵监测指数进行预设计算的统计获得，如通过计算倒数获得，第二拥堵监测指数为评估目标监测区段是不是拥堵监测区段的数值。
确定目标监测区段对应的交通拥堵评估特征簇中各个交通拥堵评估特征相应的特征拥堵监测指数后，确定各拥堵评估层面对应的特征拥堵监测指数，对各拥堵评估层面的特征拥堵监测指数进行归总，得到目标监测区段对应的第二拥堵监测指数。
针对目标监测区段对应的交通拥堵评估特征簇f，特征拥堵监测指数为概率密度函数p，拥堵评估层面数量为i，那么确定目标监测区段对应的第二拥堵监测指数e时，可以为：
作为一种实施方式，基于第二拥堵监测指数确定监测区段监测算法对目标监测区段的算法评估信息，包括：将第二拥堵监测指数与第二拥堵监测指数阈值（根据实际需要设定，具体不做限定）进行比较，如果第二拥堵监测指数大于第二拥堵监测指数阈值，则将目标监测区段的算法评估信息确定为拥堵监测区段。
本申请实施例通过概率密度函数得到拥堵监测指数，然后通过拥堵监测指数得到监测区段监测算法对应的分散位置信息，在没有标记的前提下也可以通过概率密度函数对目标监测区段的交通拥堵评估特征进行可靠分类，确定得到概率密度函数较小的交通拥堵评估特征，得到可靠的分散位置信息。
作为一种实施方式，获取监测区段监测算法中目标特征簇相应的分散位置确定策略；基于分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：确定边缘分散确定阈值；基于边缘分散确定阈值确定目标特征簇中特征尾侧对应的第一特征簇和特征始侧对应的第二特征簇；对第一特征簇进行归总，得到目标特征簇对应的尾侧特征归总结果；基于目标特征簇对应的尾侧特征归总结果确定交通拥堵评估特征对应尾侧分散位置置信度；对第二特征簇进行归总，得到目标特征簇对应的始侧特征归总结果；基于目标特征簇对应的始侧特征归总结果确定交通拥堵评估特征对应始侧分散位置置信度；基于尾侧分散位置置信度以及始侧分散位置置信度确定交通拥堵评估特征对应的目标分散位置置信度，将目标分散位置置信度作为交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
边缘分散确定阈值是将处在目标特征簇边缘的交通拥堵评估特征进行划分的数值，可以事先根据需要进行设定，其具体包括始侧分散确定阈值（即开始侧的阈值，用于将位于开始侧边缘的交通拥堵评估特征进行划分）和尾侧分散确定阈值（即结束侧的阈值，用于将末侧边缘的交通拥堵评估特征进行划分）。
作为一种实施方式，可以将目标特征簇中小于始侧分散确定阈值的交通拥堵评估特征作为第二特征簇，将目标特征簇中大于或等于尾侧分散确定阈值的交通拥堵评估特征作为第一特征簇。
作为一种实施方式，可以计算第一特征簇中的交通拥堵评估特征的特征值的均值，确定为尾侧特征归总结果，计算第二特征簇中的交通拥堵评估特征的特征值的均值，作为尾侧特征归总结果。
尾侧分散位置置信度为一个交通拥堵评估特征分散位置到第一特征簇的置信度；始侧分散位置置信度为一个交通拥堵评估特征分散位置到第二特征簇的置信度。作为一种实施方式，基于尾侧分散位置置信度以及始侧分散位置置信度确定交通拥堵评估特征对应的目标分散位置置信度，包括：计算尾侧分散位置置信度和始侧分散位置置信度的均值，作为目标分散位置置信度。以上通过边缘分散位置情况得到拥堵监测指数，然后获得分散位置信息，在没有标记的前提下通过正态分布的边缘分散位置对目标监测区段的交通拥堵评估特征进行分类，得到小概率的交通拥堵评估特征，以获得可靠的分散位置信息。
作为一种实施方式，基于尾侧分散位置置信度以及始侧分散位置置信度确定交通拥堵评估特征对应的目标分散位置置信度，将目标分散位置置信度作为交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：计算交通拥堵评估特征簇中的各交通拥堵评估特征的均值，通过交通拥堵评估特征簇对应的均值获取目标监测区段对应的分散偏斜程度（即偏态系数γ）；获取分散偏斜程度对比值（根据实际需要事先设定，具体不做限定），确定分散偏斜程度与分散偏斜程度对比值的数值对比结果；基于分散偏斜程度与分散偏斜程度对比值的数值对比结果，从尾侧分散位置置信度和始侧分散位置置信度中确定偏斜分散位置置信度（或称偏态分布置信度）；将尾侧分散位置置信度、始侧分散位置置信度和偏斜分散位置置信度进行数值排序（通过对比大小得到排序结果），通过数值排序结果在尾侧分散位置置信度、始侧分散位置置信度和偏斜分散位置置信度中确定交通拥堵评估特征对应的目标分散位置置信度；将目标分散位置置信度作为交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。分散偏斜程度对比值是用于对分散偏斜程度进行对比的值。
目标监测区段的交通拥堵评估特征对应的分散偏斜程度可以使用通用的偏度计算公式进行计算，此处不再赘述。
作为一种实施方式，确定尾侧分散位置置信度、始侧分散位置置信度和偏斜分散位置置信度，包括：针对交通拥堵评估特征簇中的一个交通拥堵评估特征o，始侧特征归总结果为，尾侧特征归总结果表示为/>。则：
G1＝
G2＝
G3＝G1，(Hr＜0)；
G3＝G2，(Hr≥0)
其中，Hr为第r个拥堵评估层面对应的分散偏斜程度。如果分散偏斜程度＜0，代表目标特征簇的分散位置偏向始侧，则将始侧特征归总结果作为G3；如果分散偏斜程度≥0，代表目标特征簇的分散位置偏向尾侧，则将尾侧特征归总结果作为G3。
通过对G1取负对数得到始侧分散位置置信度，通过对G2取负对数得到尾侧分散位置置信度，通过对G3取负对数得到偏斜分散位置置信度。
作为一种实施方式，通过数值排序结果在尾侧分散位置置信度、始侧分散位置置信度和偏斜分散位置置信度中确定交通拥堵评估特征对应的目标分散位置置信度可以是将尾侧分散位置置信度、始侧分散位置置信度和偏斜分散位置置信度中的最大值作为交通拥堵评估特征对应的目标分散位置置信度。将始侧分散位置置信度、尾侧分散位置置信度和偏斜分散位置置信度进行数值对比，将始侧分散位置置信度、尾侧分散位置置信度和偏斜分散位置置信度中的最大值作为目标分散位置置信度。
本申请实施例通过每个拥堵评估层面上的分散偏斜程度与分散偏斜程度对比值的数值对比结果得到对应的分散位置置信度，可以通过目标特征簇的质心偏移确定得到准确的分散位置置信度，从而获得精准的分散位置信息。
作为一种实施方式，对监测区段监测算法阵列中各个监测区段监测算法对目标监测区段的算法评估信息进行归总，得到目标监测区段的车流监测信息，包括：通过对目标监测区段的算法评估信息确定算法评估信息为拥堵的负面评估结果（即算法评估信息为目标监测区段为拥堵监测区段）数量；如果负面评估结果数量大于预设负面评估结果数量（根据实际需要设定），则确定目标监测区段为拥堵监测区段，得到目标监测区段的车流监测信息。
作为一种实施方式，如果负面评估结果数量大于预设负面评估结果数量，流量监测***认为大于预设负面评估结果数量的监测区段监测算法将目标监测区段识别为拥堵监测区段。作为一种实施方式，如果目标监测区段的数量为多个，且负面评估结果数量大于预设负面评估结果数量，将全部目标监测区段确定为拥堵监测区段，或者将负面评估结果数量大于预设负面评估结果数量相应的目标监测区段确定为拥堵监测区段。
本申请实施例在评估大于预设负面评估结果数量的算法评估信息为拥堵时，将目标监测区段确定为拥堵监测区段，将多个监测区段监测算法的输出整合起来得到车流监测信息，相较于基于单个监测区段监测算法得到车流监测信息的精度更高更可靠。
作为一种实施方式，算法评估信息可以基于目标监测区段为拥堵监测区段的置信度表示。对监测区段监测算法阵列中各个监测区段监测算法对目标监测区段的算法评估信息进行归总，得到目标监测区段的车流监测信息，包括：通过每个监测区段监测算法对目标监测区段的算法评估信息，确定各个监测区段监测算法对目标监测区段为拥堵监测区段的算法置信度；分别获取每一监测区段监测算法的算法置信度相对于对应的预设置信度（根据实际需要设置，如将各个监测区段监测算法对应的算法置信度的均值作为预设置信度）的对比结果，基于对比结果将各个监测区段监测算法的算法置信度变换成目标监测区段为拥堵监测区段的评分结果；对各个监测区段监测算法对应的评分结果进行归总（统计运算），得到目标监测区段的车流监测信息。
作为一种实施方式，对评分结果进行归总例如是确定评分结果为拥堵监测区段的评分数量，若评分数量大于预设评分数量（根据实际情况设置，例如为一个固定值），则将目标监测区段的车流监测信息确定为拥堵监测区段，如果评分数量不大于预设评分数量，则将目标监测区段的车流监测信息确定为畅通监测区段。
作为一种实施方式，对监测区段监测算法阵列中各个监测区段监测算法对目标监测区段的算法评估信息进行归总，得到目标监测区段的车流监测信息之后，还包括：在预设标记集合中获取目标监测区段对应的消极标记；将目标监测区段的车流监测信息与目标监测区段对应的消极标记进行比较，通过对比结果确定监测区段监测算法阵列对应的监测浮动信息；监测浮动信息包含车流监测信息为拥堵且消极标记为畅通的备选监测区段；基于监测区段分类算法基于备选监测区段对应的交通拥堵评估特征簇确定备选监测区段的监测区段分类结果；基于备选监测区段的监测区段分类结果确定监测区段监测算法阵列相对于预设标记集合的监测浮动评估信息。
预设标记集合是包含高速全程各监测区段是不是拥堵监测区段的标记，即各个监测区段是不是拥堵监测区段。
可选地，可以通过神经网络算法对监测区段的交通拥堵评估特征进行分类，将分类得到的拥堵监测区段的监测区段的标记确定为拥堵监测区段，保存到预设标记集合。在监测区段监测算法阵列得到车流监测信息后，获取预设标记集合中的消极标记，基于消极标记对监测区段监测算法阵列的监测精度进行分析，监测区段监测算法阵列为通过自监督调试获得，预设标记集合中的消极标记通过有监督学习获得。监测浮动评估信息可以表示监测区段监测算法阵列相较于预设标记集合的精度。监测浮动评估信息的确定方式例如是确定被监测区段监测算法阵列准确检测而预设标记集合没有准确检测的监测区段的数量，将该数量相较于目标监测区段总数的比值作为监测浮动评估信息。
监测区段分类算法为可以确定监测区段类别的神经网络算法，作为一种实施方式，将备选监测区段对应的交通拥堵评估特征簇输入监测区段分类算法，通过监测区段分类算法对交通拥堵评估特征簇进行特征挖掘分析，得到监测区段分类结果。
作为一种实施方式，基于ETC门架数据的高速公路实时流量监测方法还包括：获取目标监测区段的消极标记记录时间，消极标记记录时间为标记记录监测区段对目标监测区段进行消极标记记录的记录时间；在评估目标监测区段的车流监测信息为拥堵监测区段时，确定得到目标监测区段的车流监测信息的监测时间；确定消极标记记录时间与监测时间的差值；基于差值得到管制结果，管制结果为基于监测区段监测算法识别出监测区段为拥堵监测区段时，对拥堵监测区段的管制结果。
标记记录监测区段为向各个监测区段添加消极标记的监测区段。差值为对消极标记记录时间和监测时间进行作差得到。管制结果为对拥堵监测区段进行车流管制，如限制进入监测区段的时长。作为一种实施方式，基于差值得到管制结果包括：获取管制参数（根据经验设置），将差值乘以管制参数，得到管制结果。
作为一种实施方式，确定消极标记记录时间与监测时间的差值；基于差值得到管制结果，包括：如果监测时间早于消极标记记录时间，则确定消极标记记录时间与监测时间的差值；基于差值得到管制结果。这样可以在监测区段监测算法阵列早于预设标记集合将对应的拥堵监测区段识别出时，对拥堵监测区段进行管制，防止拥堵加剧。
作为一种实施方式，获取每一目标监测区段分别对应的交通拥堵评估特征簇，包括：获取目标监测区段对应的监测区段通行数据集，监测区段通行数据集包括多个监测区段通行数据；依据通行数据类型归总多个通行数据类型分别对应的拥堵评估层面；对监测区段通行数据集中对应相同拥堵评估层面的通行数据属性进行归总，得到各个拥堵评估层面分别对应的交通拥堵评估特征，各个拥堵评估层面对应的交通拥堵评估特征组成目标监测区段对应的交通拥堵评估特征簇。
其中，通行数据类型即采集的不同层面的流量数据（参照步骤S101）。通行数据属性即对应的通数据类型的数值，如车辆数量345辆。根据其他的维度，例如车辆所在车道，将上述数值进行向量化，得到特征向量，作为交通拥堵评估特征簇。
作为一种实施方式，确定监测区段监测算法阵列，包括：获取用于建立监测区段监测算法的算法参变量集合（如权重、偏置、学习率），算法参变量集合包括多个算法参变量，获取算法参变量集合中各个算法参变量对应的参变量取值范围，基于算法参变量集合中各算法参变量对应的参变量取值范围得到备选参变量组合，遍历备选参变量组合，通过确定的参变量组合对监测区段监测算法进行准确度检测，得到第一检测结果，通过第一检测结果在备选参变量组合中确定目标参变量组合，基于目标参变量组合对监测区段监测算法进行算法参变量调整，基于参变量调整后的监测区段监测算法得到监测区段监测算法阵列。
作为一种实施方式，获取算法参变量集合中各个算法参变量对应的参变量取值范围可以是获取算法参变量集合中的各算法参变量各自对应的多个初始参变量值，得到多个初始参变量组合，基于多个初始参变量组合对监测区段监测算法进行准确度检测，得到第二检测结果，基于第二检测结果确定算法参变量集合中，各算法参变量对应的参变量取值范围。
作为一种实施方式，基于所选取的参变量组合对监测区段监测算法进行准确度检测，得到第一检测结果，可以是基于监测区段监测算法，通过确定的参变量组合对监测区段的车流监测信息，在预设标记集合中获取监测区段的消极标记，通过监测区段的车流监测信息与监测区段的消极标记的相似度，确定监测区段监测算法对应的检测结果，得到第一检测结果。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于ETC门架数据的高速公路实时流量监测方法的流量监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个流量监测装置实施例中的具体限定可以参见上文中对于基于ETC门架数据的高速公路实时流量监测方法的限定，在此不再赘述。
在一个实施例中，如图3所示，提供了一种流量监测装置300，包括：
数据获取模块310，用于响应于流量监测指令，获取流量监测数据集，所述流量监测数据集包括基于ETC门架获取的至少一个目标监测区段的交通流量数据；
特征获取模块320，用于获取每一所述目标监测区段分别对应的交通拥堵评估特征簇，所述交通拥堵评估特征簇包括多个拥堵评估层面分别对应的交通拥堵评估特征；
算法确定模块330，用于确定监测区段监测算法阵列，所述监测区段监测算法阵列中包含多个监测区段监测算法；所述监测区段监测算法阵列中的监测区段监测算法依据的监测区段评估方式不同；
分布确定模块340，用于通过每个所述监测区段监测算法获取所述目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息；
算法评估模块350，用于基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息；
评估归总模块360，用于对所述监测区段监测算法阵列中各个监测区段监测算法对所述目标监测区段的算法评估信息进行归总，得到所述目标监测区段的车流监测信息。
上述标签处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种流量监测***，该流量监测***可以是服务器，其内部结构图可以如图4所示。该流量监测***包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过***总线连接，通信接口通过输入/输出接口连接到***总线。其中，该流量监测***的处理器用于提供计算和控制能力。该流量监测***的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该流量监测***的数据库用于存储包含交通流量数据等数据。该流量监测***的输入/输出接口用于处理器与外部设备之间交换信息。该流量监测***的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于ETC门架数据的高速公路实时流量监测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的流量监测***的限定，具体的流量监测***可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种流量监测***，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的对象信息(包括但不限于对象的设备信息、对应的个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经对象授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于ETC门架数据的高速公路实时流量监测方法，其特征在于，所述方法包括：
响应于流量监测指令，获取流量监测数据集，所述流量监测数据集包括基于ETC门架获取的至少一个目标监测区段的交通流量数据；
获取每一所述目标监测区段分别对应的交通拥堵评估特征簇，所述交通拥堵评估特征簇包括多个拥堵评估层面分别对应的交通拥堵评估特征；
确定监测区段监测算法阵列，所述监测区段监测算法阵列中包含多个监测区段监测算法；所述监测区段监测算法阵列中的监测区段监测算法依据的监测区段评估方式不同；
通过每个所述监测区段监测算法获取所述目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息；
基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息；
对所述监测区段监测算法阵列中各个监测区段监测算法对所述目标监测区段的算法评估信息进行归总，得到所述目标监测区段的车流监测信息。
2.如权利要求1所述的方法，其特征在于，所述通过每个所述监测区段监测算法获取所述目标监测区段相应的交通拥堵评估特征簇中每一交通拥堵评估特征在对应拥堵评估层面对应的目标特征簇中的分散位置信息，包括：
在所述目标监测区段相应的交通拥堵评估特征簇中获取拥堵评估层面对应的交通拥堵评估特征，得到各个拥堵评估层面分别对应的目标特征簇；
获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；
基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
3.如权利要求2所述的方法，其特征在于，所述目标特征簇相应的分散位置确定策略包括依据阈值进行分散位置确定的方式，所述获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
获取特征分散拓扑图，所述特征分散拓扑图包括多个组成拓扑点；
将特征分散拓扑图的初始拓扑点确定为所述目标监测区段对应的当次组成拓扑点，获取当次组成拓扑点相应的当次拥堵评估层面，获取所述当次拥堵评估层面相应的当次目标特征簇的当次特征分散确定阈值；
通过当次特征分散确定阈值和所述目标监测区段在所述当次拥堵评估层面的交通拥堵评估特征，确定所述交通拥堵评估特征在当次目标特征簇中的分散位置信息；
基于所述分散位置信息确定所述目标监测区段对应的下一组成拓扑点，将下一组成拓扑点确定为优化后的当次组成拓扑点，返回获取当次组成拓扑点相应的当次拥堵评估层面，获取所述当次拥堵评估层面相应的当次目标特征簇的当次特征分散确定阈值的过程直到所述目标监测区段对应的组成拓扑点优化完成。
4.如权利要求3所述的方法，其特征在于，所述基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息，包括：
基于所述分散位置信息确定所述目标监测区段相应的组成拓扑点；
对所述目标监测区段相应的组成拓扑点进行计数，得到所述目标监测区段在所述特征分散拓扑图中的分散尺度；
基于所述分散尺度确定所述目标监测区段对应的第一拥堵监测指数，所述拥堵监测指数与所述分散尺度逆相关；
基于所述第一拥堵监测指数确定所述监测区段监测算法对所述目标监测区段的算法评估信息。
5.如权利要求2所述的方法，其特征在于，所述分散位置确定策略包括基于分散位置区间进行分散位置确定的方式，所述获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
获取监测区段监测算法中所述目标特征簇相应的特征分散位置确定区间簇，所述特征分散位置确定区间簇包括多个特征分散位置确定区间；
获取所述目标特征簇中的交通拥堵评估特征在每一特征分散位置确定区间的特征分散个数；
基于所述特征分散个数确定所述特征分散位置确定区间相应的概率密度函数，将所述概率密度函数作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
6.如权利要求5所述的方法，其特征在于，所述基于所述监测区段监测算法获得的所述分散位置信息确定所述监测区段监测算法对所述目标监测区段的算法评估信息，包括：
基于所述概率密度函数确定所述交通拥堵评估特征相应的特征拥堵监测指数，所述特征拥堵监测指数与所述概率密度函数逆相关；
对所述目标监测区段对应的交通拥堵评估特征簇中各个交通拥堵评估特征相应的特征拥堵监测指数进行归总，得到所述目标监测区段对应的第二拥堵监测指数；
基于所述第二拥堵监测指数确定所述监测区段监测算法对所述目标监测区段的算法评估信息。
7.如权利要求2所述的方法，其特征在于，所述获取监测区段监测算法中所述目标特征簇相应的分散位置确定策略；基于所述分散位置确定策略对交通拥堵评估特征在对应拥堵评估层面的目标特征簇中进行分散位置确定，得到交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
确定边缘分散确定阈值；
基于所述边缘分散确定阈值确定所述目标特征簇中特征尾侧对应的第一特征簇和特征始侧对应的第二特征簇；
对所述第一特征簇进行归总，得到所述目标特征簇对应的尾侧特征归总结果；
基于所述目标特征簇对应的尾侧特征归总结果确定所述交通拥堵评估特征对应尾侧分散位置置信度；
对所述第二特征簇进行归总，得到所述目标特征簇对应的始侧特征归总结果；
基于所述目标特征簇对应的始侧特征归总结果确定所述交通拥堵评估特征对应始侧分散位置置信度；
基于所述尾侧分散位置置信度以及所述始侧分散位置置信度确定所述交通拥堵评估特征对应的目标分散位置置信度，将所述目标分散位置置信度作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
8.如权利要求7所述的方法，其特征在于，所述基于所述尾侧分散位置置信度以及所述始侧分散位置置信度确定所述交通拥堵评估特征对应的目标分散位置置信度，将所述目标分散位置置信度作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息，包括：
获取交通拥堵评估特征簇中各个交通拥堵评估特征的均值，基于所述交通拥堵评估特征簇对应的均值确定所述目标监测区段对应的分散偏斜程度；
获取分散偏斜程度对比值，确定所述分散偏斜程度与所述分散偏斜程度对比值的数值对比结果；
基于所述分散偏斜程度与所述分散偏斜程度对比值的数值对比结果，从所述尾侧分散位置置信度和所述始侧分散位置置信度中确定偏斜分散位置置信度；
将所述尾侧分散位置置信度、所述始侧分散位置置信度和所述偏斜分散位置置信度进行数值排序，通过数值排序结果在所述尾侧分散位置置信度、所述始侧分散位置置信度和所述偏斜分散位置置信度中确定所述交通拥堵评估特征对应的目标分散位置置信度；
将所述目标分散位置置信度作为所述交通拥堵评估特征在对应拥堵评估层面的目标特征簇中的分散位置信息。
9.如权利要求1所述的方法，其特征在于，所述对所述监测区段监测算法阵列中各个监测区段监测算法对所述目标监测区段的算法评估信息进行归总，得到所述目标监测区段的车流监测信息，包括：
通过对所述目标监测区段的算法评估信息确定算法评估信息为拥堵的负面评估结果数量；
若所述负面评估结果数量大于预设负面评估结果数量，确定所述目标监测区段为拥堵监测区段，得到所述目标监测区段的车流监测信息；
所述方法还包括：
获取所述目标监测区段的消极标记记录时间，所述消极标记记录时间为标记记录监测区段对所述目标监测区段进行消极标记记录的记录时间；
在评估所述目标监测区段的车流监测信息为拥堵监测区段时，确定得到所述目标监测区段的车流监测信息的监测时间；
确定所述消极标记记录时间与所述监测时间的差值；
基于所述差值得到管制结果，所述管制结果为基于所述监测区段监测算法识别出监测区段为拥堵监测区段时，对拥堵监测区段的管制结果；
所述获取每一所述目标监测区段分别对应的交通拥堵评估特征簇，包括：
获取所述目标监测区段对应的监测区段通行数据集，所述监测区段通行数据集包括多个监测区段通行数据；
依据通行数据类型归总多个通行数据类型分别对应的拥堵评估层面；
对所述监测区段通行数据集中对应相同拥堵评估层面的通行数据属性进行归总，得到各个所述拥堵评估层面分别对应的交通拥堵评估特征，各个所述拥堵评估层面对应的交通拥堵评估特征组成所述目标监测区段对应的交通拥堵评估特征簇。
10.一种流量监测***，其特征在于，包括：
一个或多个处理器；
以及一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行如权利要求1~9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406723.7A CN117152973B (zh) | 2023-10-27 | 2023-10-27 | 基于etc门架数据的高速公路实时流量监测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311406723.7A CN117152973B (zh) | 2023-10-27 | 2023-10-27 | 基于etc门架数据的高速公路实时流量监测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117152973A true CN117152973A (zh) | 2023-12-01 |
| CN117152973B CN117152973B (zh) | 2024-01-05 |
Family
ID=88884612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311406723.7A Active CN117152973B (zh) | 2023-10-27 | 2023-10-27 | 基于etc门架数据的高速公路实时流量监测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117152973B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
| US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
| US20140114885A1 (en) * | 2012-10-18 | 2014-04-24 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
| CN105225481A (zh) * | 2015-08-31 | 2016-01-06 | 深圳亿万商网络科技有限公司 | 一种实时路况信息的采集方法及*** |
| WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
| CN106327868A (zh) * | 2016-08-30 | 2017-01-11 | 山东高速信息工程有限公司 | 基于车流检测设备状态的道路拥堵分析方法 |
| CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
| CN112101117A (zh) * | 2020-08-18 | 2020-12-18 | 长安大学 | 一种高速公路拥堵识别模型构建方法和装置及识别方法 |
| CN112434075A (zh) * | 2020-10-23 | 2021-03-02 | 北京千方科技股份有限公司 | 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 |
| WO2021058099A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multi-step traffic prediction |
| CN113096380A (zh) * | 2021-03-03 | 2021-07-09 | 南京理工大学 | 基于ba-svr算法的短时道路交通拥堵预测方法 |
| CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
| CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算（北京）有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
| CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
| CN115691120A (zh) * | 2022-10-12 | 2023-02-03 | 广州市交通运输研究院有限公司 | 一种基于高速公路流水数据的拥堵识别方法及*** |
| US11620901B1 (en) * | 2022-06-02 | 2023-04-04 | Iteris, Inc. | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
| CN116524712A (zh) * | 2023-03-24 | 2023-08-01 | 广东联合电子服务股份有限公司 | 融合时空关联数据的高速公路拥堵预测方法、***及装置 |
| CN219590861U (zh) * | 2023-05-12 | 2023-08-25 | 贵州宏信达高新科技有限责任公司 | 一种etc门架监控运维*** |
-
2023
- 2023-10-27 CN CN202311406723.7A patent/CN117152973B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130197790A1 (en) * | 2012-01-31 | 2013-08-01 | Taif University | Method and system for traffic performance analysis, network reconfiguration, and real-time traffic monitoring |
| CN102750824A (zh) * | 2012-06-19 | 2012-10-24 | 银江股份有限公司 | 基于多种神经网络分类器投票的城市道路交通状态检测方法 |
| US20140114885A1 (en) * | 2012-10-18 | 2014-04-24 | Enjoyor Company Limited | Urban traffic state detection based on support vector machine and multilayer perceptron |
| WO2016096226A1 (en) * | 2014-12-18 | 2016-06-23 | Be-Mobile Nv | A traffic data fusion system and the related method for providing a traffic state for a network of roads |
| CN105225481A (zh) * | 2015-08-31 | 2016-01-06 | 深圳亿万商网络科技有限公司 | 一种实时路况信息的采集方法及*** |
| CN106327868A (zh) * | 2016-08-30 | 2017-01-11 | 山东高速信息工程有限公司 | 基于车流检测设备状态的道路拥堵分析方法 |
| CN108492557A (zh) * | 2018-03-23 | 2018-09-04 | 四川高路交通信息工程有限公司 | 基于多模型融合的高速公路拥堵等级判断方法 |
| WO2021058099A1 (en) * | 2019-09-25 | 2021-04-01 | Huawei Technologies Co., Ltd. | Multi-step traffic prediction |
| CN112101117A (zh) * | 2020-08-18 | 2020-12-18 | 长安大学 | 一种高速公路拥堵识别模型构建方法和装置及识别方法 |
| CN112434075A (zh) * | 2020-10-23 | 2021-03-02 | 北京千方科技股份有限公司 | 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 |
| CN113096380A (zh) * | 2021-03-03 | 2021-07-09 | 南京理工大学 | 基于ba-svr算法的短时道路交通拥堵预测方法 |
| CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算（北京）有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
| CN113362602A (zh) * | 2021-06-29 | 2021-09-07 | 山东旗帜信息有限公司 | 一种基于门架通行数据的拥堵分析方法及设备 |
| US11620901B1 (en) * | 2022-06-02 | 2023-04-04 | Iteris, Inc. | Short-term traffic speed prediction and forecasting using machine learning analysis of spatiotemporal traffic speed dependencies in probe and weather data |
| CN115457764A (zh) * | 2022-08-24 | 2022-12-09 | 华南理工大学 | 基于车辆轨迹数据的路段交通密度估测方法、装置及介质 |
| CN115691120A (zh) * | 2022-10-12 | 2023-02-03 | 广州市交通运输研究院有限公司 | 一种基于高速公路流水数据的拥堵识别方法及*** |
| CN116524712A (zh) * | 2023-03-24 | 2023-08-01 | 广东联合电子服务股份有限公司 | 融合时空关联数据的高速公路拥堵预测方法、***及装置 |
| CN219590861U (zh) * | 2023-05-12 | 2023-08-25 | 贵州宏信达高新科技有限责任公司 | 一种etc门架监控运维*** |
| CN116504076A (zh) * | 2023-06-19 | 2023-07-28 | 贵州宏信达高新科技有限责任公司 | 基于etc门架数据的高速公路车流量预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张富强: "城市主干路交通拥堵预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, pages 034 - 667 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117152973B (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110059554B (zh) | 一种基于交通场景的多支路目标检测方法 | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及*** | |
| CN106919957B (zh) | 处理数据的方法及装置 | |
| CN114882696B (zh) | 道路容量的确定方法、装置及存储介质 | |
| CN113076773A (zh) | 目标检测聚类方法、***、计算机设备及可读存储介质 | |
| CN112185108B (zh) | 基于时空特征的城市路网拥堵模式识别方法、设备及介质 | |
| CN115691120A (zh) | 一种基于高速公路流水数据的拥堵识别方法及*** | |
| CN112149922A (zh) | 高速公路隧道下行线出入口区域事故严重程度预测方法 | |
| CN116071722A (zh) | 基于路段轨迹的车道几何信息提取方法、***、设备及介质 | |
| Eum et al. | Vehicle detection from airborne LiDAR point clouds based on a decision tree algorithm with horizontal and vertical features | |
| CN110264725B (zh) | 路段流量的确定方法及装置 | |
| CN117152973B (zh) | 基于etc门架数据的高速公路实时流量监测方法及*** | |
| CN117542195A (zh) | 一种交通运行状态识别方法、装置、设备及介质 | |
| CN113705617A (zh) | 点云数据的处理方法、装置、计算机设备和存储介质 | |
| CN113158922A (zh) | 基于yolo神经网络的车流量统计方法、装置及设备 | |
| CN116798223A (zh) | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 | |
| CN116484244A (zh) | 基于聚类模型的自动驾驶事故发生机制分析方法 | |
| CN112766567B (zh) | 一种城市路网规划实施效果的评价方法、***以及存储介质 | |
| CN113761292A (zh) | 对象识别方法、装置、计算机设备和存储介质 | |
| CN111709357B (zh) | 识别目标区域的方法、装置、电子设备和路侧设备 | |
| CN112529038B (zh) | 一种主板物料的识别方法、装置及存储介质 | |
| Reyes et al. | Evaluation of a Grid for the Identification of Traffic Congestion Patterns | |
| CN113870565B (zh) | 基于迁移学习模型的城市路网未知流量估计方法及*** | |
| CN110796867B (zh) | 路况的确定方法及装置 |
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 |