CN102646332A - 基于数据融合的交通状态估计装置和方法 - Google Patents

Abstract

本发明公开了一种基于数据融合的交通状况估计装置及其方法，装置包括：模式归类单元，将路网中一条或多条道路的交通数据归类到多个预定模式之一；模型选择单元，根据所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及数据融合单元，将交通数据输入选择的神经网络模型，进行数据融合并估计所述一条或多条道路的交通状况。本发明引入多模式归类和多模式建模机制，针对每一条道路，为不同模式分别进行单独建模，能够提高单个模型精度，充分利用了交通数据的不同数据源类型、不同特点以及影响交通状况的不同因素，得到更加符合实际的、更加准确的融合结果和交通状况估计。

Description

基于数据融合的交通状态估计装置和方法

技术领域

本发明涉及智能交通系统领域，具体涉及基于数据融合的交通状态估计装置和方法。

背景技术

随着近年来我国城市智能交通系统的发展，很多重要城市都兴建了各种交通检测手段来实现对城市交通系统的实时监测。这些检测手段包括固定检测设备(例如微波检测器、线圈检测器)和移动检测设备(例如浮动车)。这些检测设备分别提供了不同的交通运行信息内容，但由于交通检测手段的不同，不同数据反映的交通信息在信息形态、完整性、精确性、一致性等方面存在着一定的差异。仅靠传统的单一交通检测数据源很难获得覆盖面大且精度较高的交通信息，难以满足智能交通对交通信息依赖的要求。如何利用多源数据来获取更加全面可靠的交通信息越来越被交通研究人员所重视。

数据融合技术作为一种新的数据处理方法，其已经引起了相关技术领域的重视，已经作为一个重要的研究方向引入到交通工程中，并成为智能交通系统一个重要的发展领域。

目前，数据融合比较常用的方法还是当前数据和历史数据融合，对于多种交通数据(如固定检测器数据和浮动车数据)的融合往往是停留在数学模型的层次，没有完全考虑交通流特性对融合的影响。此外，多数研究停留在理论层面，对交通流数据的实际情况(数据质量等)考虑较少。

专利文献1(CN200910198692)公开了一种基于数据融合技术的交通状况估计方法，其中根据浮动车GPS数据和固定检测器获取的交通状况以及与天气、时间段、不同时刻有关的检测器数据，采用贝叶斯网络进行融合处理，估计当前交通状况。

专利文献1提及的方法虽然可以融合多种交通数据并获取到更加准确的路况，但其存在以下几个缺点：一是专利文献1的方法仅仅构建单一模型来进行融合，无法反映不同数据源的交通数据在信息形态、完整性、精确性、一致性等方面存在的差异，以及无法有区分地考虑交通数据和交通状况影响因素的不同组合；二是贝叶斯网络的构建是需要根据数据之间的因果关系，而对于贝叶斯网络中每个节点的概率分布的确定，专利文献1采用实际测量和专家审定的办法，因而需要对某一路段长期的观察才能确定从天气到交通状况的条件概率分布，导致方法比较复杂，工作量较大；三是在贝叶斯网络融合中只使用了固定检测器检测到的点速度，忽略了交通流量和道路占有率，点速度是车辆经过固定检测器那一刻的瞬时速度，有别于道路的区间平均速度，而交通流量和道路占有率在一定程度上也能反映交通状况，不应该弃用这两种数据；四是在贝叶斯网络的融合最终结果是道路的拥堵程度，而不是具体的速度数值，不能提供更深层次的应用。

因此，需要一种适合实际应用的基于数据融合的交通状况估计方法，其能够综合考虑不同种类或来源的交通数据的差异、以及多种交通状况影响因素的，采用多模式数据输入、多模式融合方法，有区分地考虑交通数据和交通状况影响因素的不同组合，对数据进行多种模式的融合，给出更精确的融合结果。

发明内容

根据本发明实施例，提供了一种交通状况估计装置，包括：

模式归类单元，用于将路网中一条或多条道路的交通数据、或者所述交通数据与至少一个交通状况影响因素归类到多个预定模式之一；

模型选择单元，用于根据模式归类单元所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及

数据融合单元，用于将交通数据、或者交通数据和至少一个交通状况影响因素输入选择的神经网络模型，进行数据融合并估计所述一条或多条道路的交通状况。

根据本发明实施例，交通状况估计装置还包括：模型构建单元，用于预先构建所述多个神经网络模型，其中在预先构建所述多个神经网络模型时，模式归类单元针对路网中每一条道路，将关于该道路的多种交通数据、或者所述多种交通数据与至少一个交通状况影响因素归类到多个预定模式，以及模型构建单元利用模式归类单元归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。

根据本发明实施例，提供了一种交通状况估计方法，包括：

模式归类步骤，用于将路网中一条或多条道路的交通数据、或者交通数据与至少一个交通状况影响因素归类到多个预定模式之一；

模型选择步骤，根据所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及

数据融合步骤，将交通数据、或者交通数据和至少一个交通状况影响因素输入选择的神经网络模型，进行数据融合，并估计所述道路的交通状况。

根据本发明实施例，交通状况估计方法还包括：模型构建步骤，预先构建所述多个神经网络模型，其中，在预先构建所述多个神经网络模型时，在模式归类步骤，针对路网中每一条道路，将关于该道路的多种交通数据、或者多种交通数据与至少一个交通状况影响因素归类到多个预定模式；以及在模型构建步骤，利用在模式归类步骤归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。

根据本发明实施例，引入多模式归类和多模式建模机制，对不同类型的交通数据以及不同交通状况影响因素进行多种组合，并将多种组合归入到多种不同模式。这样，针对每一条道路，可以为不同模式分别进行单独建模，能够提高单个模型精度，充分利用了交通数据的不同数据源类型、不同特点以及影响交通状况的不同因素，得到更加符合实际的、更加准确的融合结果和交通状况估计。

附图说明

通过下面结合附图说明本发明的优选实施例，将使本发明的上述及其它目的、特征和优点更加清楚，其中：

图1是根据本发明实施例的交通状况估计装置的示意框图；

图2是根据本发明另一实施例的交通状况估计装置的示意框图；

图3是图2中交通状况估计装置的模型构建单元的示意框图；

图4示出了模型初始化单元初始化的神经网络模型的示意图。

图5是根据本发明另一实施例的交通状况估计装置的示意框图；

图6是根据本发明又一实施例的交通状况估计装置的示意框图；

图7是根据本发明实施例的交通状况估计的流程图。

具体实施方式

存在多种交通检测设备(或者数据源)，能够检测到城市道路的交通状况。这些交通检测设备具备各自的特点，例如，线圈检测器和微波检测器可以检测到点速度、流量以及道路占有率，具备精度较高但覆盖率低的特点；高清摄像头检测器可以检测到某一段道路的平均行驶速度，具备很高的精度，但是覆盖率低，成本很高；浮动车或GPS系统可以检测到道路的平均行驶速度，具备精度一般但覆盖率高，成本较低的特点。来自这些数据源的交通数据也具有不同特点，包括精度、准确性、可信度等。例如，常用的交通数据包括浮动车数据、线圈数据、微波数据以及牌照数据。通过浮动车的GPS点数据，可以得到基于道路的、精度较低的速度数据；牌照数据精度较高，可以根据相关理论计算出基于道路的较精度的速度数据；线圈数据和微波数据一般易受到异常数据的干扰，通常需要经过例如缺失判断、阈值判断、交通逻辑判断、交通事件判断等一系列预处理。此外，也存在多种影响交通状况的因素，例如道路的等级、空间位置、天气、工作日/节假日、早晚高峰/非高峰时段等。

有必要依据交通数据的不同数据源类型、不同特点以及影响交通状况的不同因素，将数据和/或影响因素进行模式归类并分别针对各种模式进行数据融合，以充分利用交通数据的不同特点，得到更加准确的融合结果和交通状况估计。鉴于这种需求，根据本发明实施例，采用神经网络方法，对于不同来源的交通数据，进行单独的建模和融合。例如，融合浮动车数据和线圈数据使用一种神经网络模型，融合微波数据和线圈数据则用另一种神经网络模型。此外，根据本发明实施例，还可以考虑到一种或多种交通状况影响因素，进行单独的建模和融合，例如，针对浮动车数据和微波数据，按照节假日和工作日将数据归为两类，建立两个融合模型。当然，本发明实施例不限于这些示例，对于更多类型的交通数据和/或更多的交通状况影响因素，可以按照需要，将这些交通数据和/或影响因素的进行多种组合，分别建立融合模型，进行数据融合。

以下参照附图，对本发明的示例实施例进行详细描述，本发明不限于下述示例实施例。为了清楚描述本发明的基本思想，附图中仅示出了与本发明的技术方案密切相关的部件、功能或步骤，并且以下描述中省略了对已知技术、功能、部件或步骤的具体描述。

图1示出了根据本发明实施例的交通状况估计装置10的示意框图。交通状况估计装置10包括模式归类单元12、模型选择单元14、以及数据融合单元16。交通状况估计装置10能够基于当前获取的道路的多种交通数据(以及可选地，交通状况影响因素)，通过数据融合方法来预测例如道路的交通状况。例如可以采用来自多种数据源的实时交通数据来预测未来的道路交通状态，例如道路上的行驶速度、拥堵程度等，以进行实时监测以及道路导航等。

具体而言，模式归类单元12针对路网中一条或多条道路，将关于该道路的多种交通数据归类到多个不同的模式，或者在进一步考虑到交通状况影响因素的情况下，将多种交通数据连同至少一个交通状况影响因素归类到多个不同的预定模式之一。多个不同的预定模式可以是基于交通数据的数据源类型和/或交通数据的特点和/或交通状况影响因素而预先设置的，这些数据源类型、特定和交通状况影响因素包括但不限于上面所述的那些。可以认为每一个模式对应于多种交通数据的不同组合之一或者对应于多种交通数据与至少一个交通状况影响因素的不同组合之一。例如，考虑到交通数据的数据源，则可以将浮动车数据和线圈数据的组合对应到一个模式，而将微波数据和线圈数据的组合对应到另一个模式。考虑到交通状况影响因素，例如道路自身的属性，如道路名称、位置、道路等级，天气因素，节假日/工作日等，可以按照节假日和工作日得到数据的不同组合，对应于不同模式。作为具体的示例，对于北京北四环路，可以考虑到交通数据是浮动车数据和微波数据，按照节假日和工作日将数据归类到两种模式，或者也可以不考虑节假日的信息，而考虑天气因素，建立晴天、下雨天、下雪天、大雾天等多种模式。当然，本发明实施例不限于上述数据类型、特点和因素以及它们的组合方式，而是可以根据应用需求进行适当的组合和模式归类。

模型选择单元14根据模式归类单元12将交通数据或者交通数据和交通影响因素归类到的模式，从多个神经网络模型中选择对应的神经网络模型。多个神经网络模型可以是预先构建的模型。交通数据可以是来自多种数据源的数据，例如北京北四环路周二早上某一时段的浮动车数据和微波数据。此时，可以从根据这种交通数据对应的模式(例如，浮动车数据和微波数据--北四环路工作日早上高峰时段模式)，选择针对该模式构建的神经网络模型。

然后，数据融合单元16将交通数据、或者交通数据和所考虑的交通状况影响因素输入模型选择单元14选择的神经网络模型，进行数据融合并估计道路的交通状况。在本发明实施例中，多种交通数据是通过各种交通检测设备采集或者人工观察到的指示道路交通状况的数据，例如道路上行驶速度，拥堵程度等。估计的交通状况是对道路交通状况的预测，例如也包括道路上的行驶速度、拥堵程度等。优选地，在本发明实施例中，多种交通数据可以是指示道路上行驶速度的交通数据，所估计的交通状况可以是道路上的行驶速度。这样，数据融合的最终输出是道路上的行驶速度，这种速度数据能够方便地用于支持更深层次的应用，如行驶时间估算等。

根据本发明实施例的交通状况估计装置10通过引入多模式归类机制，对不同类型的交通数据(以及可选地，不同交通状况影响因素)进行多种组合，并将多种组合归入到多种不同模式，并采用针对不同模式的相应模型来进行数据融合，这样充分利用了交通数据的不同数据源类型、不同特点以及影响交通状况的不同因素，得到更加符合实际的、更加准确的融合结果和交通状况估计。此外，采用神经网络模型，例如可以采用多层前馈神经网络，能够有效地解决非线性问题，适于反映实际应用中不同因素之间的关系。同时，在本发明实施例中，可以采用道路上的行驶速度数据，以能够支持高层次的应用。

图2示出了根据本发明另一实施例的交通状况估计装置20的示意框图。相比于图1的交通状况估计装置10，图2的交通状况估计装置20还包括模型构建单元22，用于预先构建多个神经网络模型。为了避免累述，省略了对图1中相同单元的具体描述。

根据本发明实施例，可以在进行交通状况估计之前，采用例如当前、历史或过去的交通数据，针对多个预定模式来预先构建多个神经网络模型。在构建神经网络模型时，模式归类单元12针对路网中每一条道路，将关于该道路的多种交通数据、或者多种交通数据与至少一个交通状况影响因素归类到多个预定模式。然后，模型构建单元22利用模式归类单元12归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。稍后将参照图3对模型构建单元22进行更详细的描述。

当然，本领域技术人员可以理解，模型构建单元22也可以是与交通状况估计装置相分离地提供的，例如作为专门的建模装置的一部分来提供。因此，可以采用任何适当的形式来实现本发明，而不仅仅限于这里示出的实施例。

根据本发明实施例的交通状况估计装置20进一步引入了多模式建模机制，针对不同模式分别进行单独建模，能够提高单个模型精度。这样，能够进一步充分利用交通数据的不同数据源类型、不同特点以及影响交通状况的不同因素，得到更加符合实际的、更加准确的融合结果和交通状况估计。此外，采用神经网络方法进行建模，例如可以采用多层前馈神经网络，能够有效地解决非线性问题，适于反映实际应用中不同因素之间的关系。

图2的交通状况估计装置20还可以包括归类数据存储单元(未示出)，用于与多个预定模式中每一个模式相关联地存储经模式归类单元12归类的交通数据或者归类的交通数据和至少一个交通状况影响因素。此时，模型构建单元22可以从归类数据存储单元中获取归类的交通数据或者归类的交通数据和至少一个交通状况影响因素，以用于构建神经网络模型。当然，归类数据存储单元也可以作为模式归类单元12的一部分来实现。

归类数据存储单元可以采用列表、图表、映射表、文件、库等多种形式来存储归类后的数据，数据是与每一个模式相关联地存储的，从而方便针对各个模式分别提供相应的数据。例如，归类数据存储单元可以在文件中采用如下关联方式：

模式：浮动车数据和微波数据--北四环路周二早上高峰时段

数据：周二早上8点-9点的浮动车速度、交通流量、点速度、占有率

影响因素：工作日、早上、高峰时段

当然，可以采用任何适当的方式进行存储，只要方便模型构建单元22从归类数据存储单元中获取数据即可。

图2的交通状况估计装置20还可以包括：模型存储单元(未示出)，用于存储模型构建单元22构建的多个神经网络模型。此时，模型选择单元14从模型存储单元中选择神经网络模型。当然，模型存储单元也可以作为模型构建单元22的一部分来实现。

图3示出了图2中模型构建单元22的示意框图。模型构建单元22包括模型初始化单元30和模型训练单元32。

模型初始化单元30初始化神经网络模型。例如，针对上述示例模式，适用的地点是北京北四环路，适用的时间是工作日，适用的交通数据是浮动车数据和微波数据。可以初始设定多层前馈神经网络，例如图4示出了模型初始化单元30初始化的神经网络模型的示例，该模型有输入层、两个隐含层以及输出层，每个隐含层的神经元个数是3，并且神经网络的输入是浮动车数据、微波数据(交通流量、点速度、占有率)和天气信息，那么初始化的神经网络模型如图3所示。

模型训练单元32采用训练数据和预设参数，对初始化的神经网络模型进行训练，得到训练后的神经网络模型，作为神经网络模型构建单元22所构建的神经网络模型。例如，还是针对上述示例模式，可以采用北京北四环工作日并且是晴天的浮动车和微波历史数据。因为训练时需要真实值作为训练的基础，考虑到牌照数据精度很好，可以选择牌照数据作为真实值，或者采用仿真的数据或者观察到的真实值，作为训练数据。预设参数可以例如是训练函数以及神经网络各层之间的传输函数的参数，这包括但不限于经验值或采用实验或仿真方法得到的值。在确定了训练数据和参数之后，模型训练单元32开始对模型进行训练，模型训练主要是确定模型的权值和阈值，使得神经网络能够模拟出这些数据中的内在关系。用作训练的数据越全，参数设置得越好，则训练出来的模型越适用，模型的泛化能力越好。

根据本发明实施例，神经网络模型构建单元22还可以包括精度校验单元(未示出)，用于使用校验数据对训练后的神经网络模型的精度进行校验。如果精度达到预定阈值，则将该训练后的神经网络模型作为模型构建单元22所构建的神经网络模型；如果精度未达到预定阈值，则要求模型训练单元32修改预设参数并进行重新训练，直到精度达到预定阈值为止。这样，可以确保神经网络模型的精确度。

根据本发明实施例，神经网络模型构建单元22还可以包括数据准备单元(未示出)，用于准备大量的历史数据用于训练。数据准备单元也可以作为模型训练单元32的一部分来实现。此时，可以通过数据准备单元选择训练数据样本，并且最好对数据进行归一化，以为模型训练准备好大量合适的数据。

根据本发明实施例的模型构建单元22可以采用任何适当的神经网络方法来逐个模式地建立神经网络模型，模拟出交通数据和/或交通状况影响因素的内在关系，从而能够实现更加符合实际、更加有效的数据融合。这样，在交通状况估计阶段，能够利用模型构建单元22构建的神经网络模型，输入例如实时交通数据进行更加准确的交通状况估计。

图5示出了根据本发明另一实施例的交通状况估计装置50的示意框图。交通状况估计装置50与交通状况估计装置10的不同之处在于，除了交通状况估计装置10所包括的各个单元之外，交通状况估计装置50还包括数据匹配单元52。这里，省略了对相同单元的详细描述。

可以在进行模式归类之前，通过数据匹配单元52匹配出一条或多条道路上的多种交通数据。具体而言，交通数据可能是针对路网中多条道路的数据。在针对路网中某一条或某几条道路进行交通状况估计时，需要从交通数据中获取关于该道路或这几条道路的多种交通数据。因此，数据匹配单元52从来自多种数据源的多种交通数据中获得与同一条或某几条道路匹配的多种交通数据，作为提供给模式归类单元12的关于该道路的多种交通数据。除了这种根据空间位置的匹配之外，数据匹配单元52还可以进行时间关系的匹配，例如匹配出同一条道路上同一时间段各种不同来源的交通数据。数据匹配单元52可以采用本领域技术人员熟知的任何适当的路网分析、道路空间/时间匹配等方法来进行数据匹配。

由此，在交通数据是针对路网中多条道路的数据时，也可以采用本发明实施例的交通状况估计装置50进行感兴趣的道路的交通状况估计。

此外，在构建多个神经网络模型时，也可以通过数据匹配单元52对历史交通数据进行匹配，以便为感兴趣的道路建立数据融合模型。

此外，数据匹配单元52匹配后的数据还提供至数据融合单元16，作为要融合的数据。

图6示出了根据本发明又一实施例的交通状况估计装置60的示意框图。交通状况估计装置60与交通状况估计装置10的不同之处在于，除了交通状况估计装置10所包括的各个单元之外，交通状况估计装置60还包括数据预处理单元62。这里，省略了对相同单元的详细描述。备选地，交通状况估计装置60也可以包括图5所示的数据匹配单元52，数据匹配单元52将匹配后的交通数据提供给数据预处理单元62。

在输入的交通数据是未处理的原始检测数据时，可以在进行模式归类之前，通过数据预处理单元62对多种交通数据进行预处理，以用于后续处理。例如，假设能够提供的检测数据有浮动车数据、线圈数据、微波数据以及牌照数据。对于浮动车数据，通过浮动车相关的计算，将浮动车的GPS点数据转换为基于道路的速度数据。对于牌照数据，根据相关理论计算出基于道路的速度数据。对于线圈数据和微波数据，则经过缺失判断、阈值判断、交通逻辑判断、交通事件判断等一系列处理，排除异常数据的干扰。缺失判断是指检测到的交通流量、点速度、占有率这三个值必须都存在并且都不为0，否则视为数据缺失；阈值判断是指对于某一等级的道路，在规定的时速限制，如北京北四环路，最高时速为80公里/每小时，如果检测到的点速度远远大于这一值，视为数据异常，同时需要注意的是，在主干道上，由于线圈离交叉口比较近，频繁变换的交通信号灯对车辆速度产生影响，容易造成车辆频繁减速，因此也需要规定速度最小值用于排除由于交通信号灯而造成的低速干扰。交通逻辑判断是指当流量不为0时，Q、V、B还应当满足L＝(B*T*V)/Q的关系，L为车长，B为流量，T为时间(例如2分钟)，V为速度，Q为时间占有率，车长L应当在一定的阈值范围内，否则视为数据异常。交通事件判断则采用加州算法，如果通过计算发现发生了交通事件，也视为数据异常。对于以上缺失的数据或者是异常的数据，可以用以前历史的数据对其进行补缺。补缺的方式有很多种，大致分为空间关系的补缺、时间关系的补缺和历史数据的补缺。空间关系补缺是指对于基于道路的空间关系，采用邻近道路的数据来补缺；时间关系的补缺是指利用前几个周期的路况数据，对当前的路况进行补缺；历史数据的补缺是指通过大量数据统计出的当前历史时刻当前地点的道路状况，对数据进行补缺；比如本周二早上8点A路的线圈检测数据发生了缺失，则参考上周二以及以前更多个周二早上8点A路线圈检测器检测到的数据，计算出补缺的数据。

数据预处理单元62可以采用本领域技术人员熟知的任何适当预处理过程来进行数据预处理，以得到适用的交通数据。

此外，在构建多个神经网络模型时，也可以通过数据预处理单元62对历史交通数据进行预处理，以得到适用的交通数据来建立估计模型。

此外，数据预处理单元62处理后的数据还提供至数据融合单元16，作为要融合的数据。

由此，在输入的交通数据是未处理的原始检测数据时，也可以采用本发明实施例的交通状况估计装置60进行道路的交通状况估计。

以上描述了根据本发明多个实施例的交通状况估计装置。下面参照附图7描述根据本发明的交通状况估计方法70。如图所示，在步骤S72，针对路网中一条或多条道路，将关于该一条或多条道路的交通数据、或者交通数据与至少一个交通状况影响因素归类到多个不同的模式之一。在步骤S74，根据道路的交通数据所对应的或者交通数据和交通状况影响因素所对应的模式，从多个神经网络模型中选择对应的神经网络模型。在步骤S76，将交通数据、或者交通数据和交通状况影响因素输入选择的神经网络模型，进行数据融合，输出道路的交通状况估计。

根据本发明实施例，交通状况估计方法70还包括模型构建步骤，预先构建所述多个神经网络模型。具体而言，在预先构建多个神经网络模型时，在步骤S74，针对路网中每一条道路，将关于该道路的多种交通数据、或者多种交通数据与至少一个交通状况影响因素归类到多个预定模式。然后，在模型构建步骤，利用在步骤S74归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。

根据本发明实施例，在步骤S72之前还可以包括数据匹配步骤，其中针对路网中每一条道路，从来自多种数据源的多种交通数据中获得与该道路匹配的交通数据，作为步骤S72中关于该道路的交通数据。

根据本发明实施例，在步骤S72之前还可以包括数据预处理步骤，其中对来自多种数据源的多种交通数据进行预处理，以去除异常数据，补充数据缺失，得到预处理后的交通数据，作为步骤S72中关于该道路的交通数据。

根据本发明实施例，在模型构建步骤之前，还包括归类数据存储步骤，其中与多个预定模式中每一个模式相关联地存储归类的交通数据或者归类的交通数据和至少一个交通状况影响因素。

根据本发明实施例，在模型构建步骤之后还可以包括模型存储步骤，存储在模型构建步骤中构建的多个神经网络模型。

以上描述了根据本发明优选实施例的数据匿名化装置和方法。在以上的描述中，仅以示例的方式，示出了本发明的优选实施例，但并不意味着本发明局限于上述步骤和单元结构。在可能的情形下，可以根据需要对步骤和单元进行调整、取舍和组合。此外，某些步骤和单元并非实施本发明的总体发明思想所必需的元素。因此，本发明所必需的技术特征仅受限于能够实现本发明的总体发明思想的最低要求，而不受以上具体实例的限制。

至此已经结合优选实施例对本发明进行了描述。应该理解，本领域技术人员在不脱离本发明的精神和范围的情况下，可以进行各种其它的改变、替换和添加。因此，本发明的范围不局限于上述特定实施例，而应由所附权利要求所限定。

Claims (18)

1.一种交通状况估计装置，包括：

模式归类单元，用于将路网中一条或多条道路的交通数据、或者交通数据与至少一个交通状况影响因素归类到多个预定模式之一；

模型选择单元，用于根据模式归类单元所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及

数据融合单元，用于将交通数据、或者交通数据和至少一个交通状况影响因素输入选择的神经网络模型，进行数据融合并估计所述一条或多条道路的交通状况。

2.根据权利要求1所述的交通状况估计装置，还包括：模型构建单元，用于预先构建所述多个神经网络模型，

其中，在预先构建所述多个神经网络模型时，

所述模式归类单元针对路网中每一条道路，将关于该道路的多种交通数据、或者多种交通数据与至少一个交通状况影响因素归类到多个预定模式，以及

所述模型构建单元利用模式归类单元归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。

3.根据权利要求2所述的交通状况估计装置，其中，模型构建单元包括：

模型初始化单元，用于初始化神经网络模型；以及

模型训练单元，用于采用训练数据和预设参数，对初始化的神经网络模型进行训练，得到训练后的神经网络模型，作为神经网络模型构建单元所构建的神经网络模型。

4.根据权利要求3所述的交通状况估计装置，其中，神经网络模型构建单元还包括：

精度校验单元，用于使用校验数据对训练后的神经网络模型的精度进行校验，如果精度达到预定阈值，则将该训练后的神经网络模型作为模型构建单元所构建的神经网络模型，如果精度未达到预定阈值，则要求模型训练单元修改预设参数并进行重新训练，直到精度达到预定阈值为止。

5.根据权利要求1所述的交通状况估计装置，还包括：

数据匹配单元，用于从来自多种数据源的交通数据中获得与所述一条或多条道路匹配的交通数据，作为提供给模式归类单元的交通数据。

6.根据权利要求1所述的交通状况估计装置，还包括：

数据预处理单元，用于对来自多种数据源的交通数据进行预处理，以去除异常数据，补充数据缺失，得到预处理后的实时交通数据，作为提供给模式归类单元的交通数据。

7.根据权利要求2所述的交通状况估计装置，还包括：

归类数据存储单元，用于与多个预定模式中每一个模式相关联地存储归类的交通数据或者归类的交通数据和至少一个交通状况影响因素；

其中，模型构建单元从归类数据存储单元中获取归类的交通数据或者归类的交通数据和至少一个交通状况影响因素，以用于构建神经网络模型。

8.根据权利要求1所述的交通状况估计装置，其中，交通数据是通过各种交通检测设备采集或者人工观察到的指示道路交通状况的数据，包括指示道路上行驶速度的交通数据，估计的交通状况是对道路交通状况的预测，包括道路上的行驶速度。

9.根据权利要求1所述的交通状况估计装置，其中，所述多个预定模式中每一个模式对应于多种交通数据的不同组合之一或者对应于多种交通数据与所述至少一个交通状况影响因素的不同组合之一，

所述多个预定模式是基于交通数据的数据源类型和/或交通数据的特点和/或交通状况影响因素而设。

10.一种交通状况估计方法，包括：

模式归类步骤，用于将路网中一条或多条道路的交通数据、或者交通数据与至少一个交通状况影响因素归类到多个预定模式之一；

模型选择步骤，根据所归类的模式，从多个神经网络模型中选择对应的神经网络模型；以及

数据融合步骤，将交通数据、或者交通数据和至少一个交通状况影响因素输入选择的神经网络模型，进行数据融合，并估计所述道路的交通状况。

11.根据权利要求10所述的交通状况估计方法，还包括：模型构建步骤，预先构建所述多个神经网络模型，

其中，在预先构建所述多个神经网络模型时，

在模式归类步骤，针对路网中每一条道路，将关于该道路的多种交通数据、或者多种交通数据与至少一个交通状况影响因素归类到多个预定模式，以及

在模型构建步骤，利用在模式归类步骤归类的交通数据或者交通数据和交通状况影响因素，针对多个预定模式，利用神经网络方法构建多个对应的神经网络模型。

12.根据权利要求11所述的交通状况估计方法，其中，模型构建步骤包括：

模型初始化步骤，初始化神经网络模型；以及

模型训练步骤，采用训练数据和预设参数，对初始化的神经网络模型进行训练，得到训练后的神经网络模型，作为构建的神经网络模型。

13.根据权利要求12所述的交通状况估计方法，其中，神经网络模型构建步骤还包括：

精度校验步骤，使用校验数据对训练后的神经网络模型的精度进行校验，如果精度达到预定阈值，则将该训练后的神经网络模型作为构建的神经网络模型，如果精度未达到预定阈值，则在模型训练步骤中修改预设参数并进行重新训练，直到精度达到预定阈值为止。

14.根据权利要求10所述的交通状况估计方法，在模式归类步骤之前还包括：

数据匹配步骤，从来自多种数据源的交通数据中获得与所述一条或多条道路匹配的交通数据，作为模式归类步骤中的交通数据。

15.根据权利要求10所述的交通状况估计方法，在模式归类步骤之前还包括：

数据预处理步骤，对来自多种数据源的交通数据进行预处理，以去除异常数据，补充数据缺失，得到预处理后的交通数据，作为模式归类步骤中的交通数据。

16.根据权利要求11所述的交通状况估计方法，在预先构建所述多个神经网络模型过程中，在模式归类步骤之后、模型构建步骤之前，还包括：

归类数据存储步骤，与多个预定模式中每一个模式相关联地存储归类的交通数据或者归类的交通数据和至少一个交通状况影响因素；

其中，在模型构建步骤中，利用所存储的归类的交通数据或者归类的交通数据和至少一个交通状况影响因素，来构建神经网络模型。

17.根据权利要求10所述的交通状况估计方法，其中，交通数据是通过各种交通检测设备采集或者人工观察到的指示道路交通状况的数据，包括指示道路上行驶速度的交通数据，估计的交通状况是对道路交通状况的预测，包括道路上的行驶速度。

18.根据权利要求10所述的交通状况估计方法，其中，所述多个预定模式中每一个模式对应于多种交通数据的不同组合之一或者对应于多种交通数据与所述至少一个交通状况影响因素的不同组合之一，

所述多个预定模式是基于交通数据的数据源类型和/或交通数据的特点和/或交通状况影响因素而设置的。

Images