CN103903436A - 一种基于浮动车的高速公路交通拥堵检测方法和系统 - Google Patents

Abstract

本发明实施例提供了一种基于浮动车的高速公路交通拥堵检测方法和系统，以解决固定检测器的检测结果不准确、不能判断出当前交通拥堵的属性的问题。本发明实施例通过对电子地图中路段进行虚拟窗格的划分，并结合采集的浮动车GPS数据，可以实现对交通拥堵状态的判断，并且依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行分类，进而可以依据分类后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。本发明实施例中的数据源为浮动车GPS数据，浮动车较固定检测器相比具有更广的检测范围以及更加灵活的检测移动性，可以更加准确地判断出当前的交通拥堵状况。

Description

一种基于浮动车的高速公路交通拥堵检测方法和系统

技术领域

本发明实施例涉及智能交通系统技术领域，特别是涉及一种基于浮动车的高速公路交通拥堵检测方法和系统。

背景技术

由于高速公路具有方便、快捷、通行能力大以及运输效率高等优点，人们在出行时越来越多地选用高速公路。在高速公路上，可能会由于车辆过多、交通事故或者车辆故障等原因造成交通拥堵，为了能够快速处理交通拥堵状况，可以对高速公路上的交通拥堵状况进行检测。

目前，主要是通过视频、线圈或者微波等固定检测器对高速公路的交通状况进行检测，通过对固定检测器检测到的参数进行分析，可以确定当前的交通拥堵状况。

但是，上述固定检测器的布设成本较高，检测范围局限，易受天气、光照等自然条件的限制，并且，基于固定检测器检测到的参数较少，不能快速定位交通拥堵地点，难以全面、准确地获取交通拥堵的严重程度；另外，固定检测器只是检测出当前的交通拥堵状况，而并不能判断出当前交通拥堵的属性。

发明内容

本发明实施例所要解决的技术问题是提供一种基于浮动车的高速公路交通拥堵检测方法和系统，以解决固定检测器的检测结果不准确、不能判断出当前交通拥堵的属性的问题。

为了解决上述问题，本发明公开了一种基于浮动车的高速公路交通拥堵检测方法，其特征在于，包括：

将电子地图中的高速公路路网按照预设的窗格阈值对路段划分虚拟窗格；

采集浮动车的GPS数据，并将所述GPS数据匹配到所述虚拟窗格中；

针对每个虚拟窗格，分别依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态；

依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行转换；

依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

可选地，所述GPS数据包括瞬时车速和时间，所述交通检测参数包括：瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，

所述依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态，包括：

计算所述虚拟窗格中所有GPS数据中瞬时车速的平均值，将所述平均值作为瞬时平均车速；

计算所述虚拟窗格中所有GPS数据的个数，将所述个数作为GPS样本量；

计算瞬时车速小于预设的低速阈值的GPS数据的个数与所述GPS样本量的比值，将所述比值作为低速比例；

当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，根据GPS数据中的时间计算拥堵持续时间；

当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件，并且所述拥堵持续时间满足第二预设条件时，确定所述虚拟窗格为交通拥堵状态。

可选地，所述依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，包括：

获取同一行车方向上为交通拥堵状态的虚拟窗格；

从行车方向上为交通拥堵状态的最前端的虚拟窗格开始，判断相邻的虚拟窗格的间距是否小于预设的距离阈值；

将所有间距小于预设的距离阈值并且连续的虚拟窗格连接，生成连续序列；

将每个单独的虚拟窗格和每个连续序列分别作为一个交通拥堵事件。

可选地，所述交通拥堵事件对应的交通检测参数包括：

所述交通拥堵事件中最前端的虚拟窗格的瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，以及所述交通拥堵事件的最短排队长度。

所述交通拥堵事件对应的交通影响因子包括：

所述交通拥堵事件中最前端的虚拟窗格对应的天气、节假日、时间段、路段属性，以及最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离。

可选地，所述依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性，包括：

将转换后的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型；

通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性。

另一方面，本发明还公开了一种基于浮动车的高速公路交通拥堵检测系统，其特征在于，包括：

划分模块，用于将电子地图中的高速公路路网按照预设的窗格阈值对路段划分虚拟窗格；

匹配模块，用于采集浮动车的GPS数据，并将所述GPS数据匹配到所述虚拟窗格中；

判断模块，用于针对每个虚拟窗格，分别依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态；

转换模块，用于依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行转换；

解析模块，用于依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

可选地，所述GPS数据包括瞬时车速和时间，所述交通检测参数包括：瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，

所述判断模块包括：

车速计算子模块，用于计算所述虚拟窗格中所有GPS数据中瞬时车速的平均值，将所述平均值作为瞬时平均车速；

样本量计算子模块，用于计算所述虚拟窗格中所有GPS数据的个数，将所述个数作为GPS样本量；

比例计算子模块，用于计算瞬时车速小于预设的低速阈值的GPS数据的个数与所述GPS样本量的比值，将所述比值作为低速比例；

时间计算子模块，用于当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，根据GPS数据中的时间计算拥堵持续时间；

状态确定子模块，用于当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件，并且所述拥堵持续时间满足第二预设条件时，确定所述虚拟窗格为交通拥堵状态。

可选地，所述转换模块包括：

获取子模块，用于获取同一行车方向上为交通拥堵状态的虚拟窗格；

判断子模块，用于从行车方向上为交通拥堵状态的最前端的虚拟窗格开始，判断相邻的虚拟窗格的间距是否小于预设的距离阈值；

连接子模块，用于将所有间距小于预设的距离阈值并且连续的虚拟窗格连接，生成连续序列；

事件确定子模块，用于将每个单独的虚拟窗格和每个连续序列分别作为一个交通拥堵事件。

可选地，所述交通拥堵事件对应的交通检测参数包括：

所述交通拥堵事件中最前端的虚拟窗格的瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，以及所述交通拥堵事件的最短排队长度。

所述交通拥堵事件对应的交通影响因子包括：

所述交通拥堵事件中最前端的虚拟窗格对应的天气、节假日、时间段、路段属性，以及最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离。

可选地，所述解析模块包括：

输入子模块，用于将转换后的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型；

解析子模块，用于通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性。

与现有技术相比，本发明实施例包括以下优点：

本发明实施例通过对电子地图中路段进行虚拟窗格的划分，并结合采集的浮动车GPS数据，可以实现对交通拥堵状态的判断，并且依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行分类，进而可以依据分类后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

本发明实施例中的数据源为浮动车GPS数据，浮动车较固定检测器相比具有更广的检测范围以及更加灵活的检测移动性，可以更加准确地判断出当前的交通拥堵状况；另外，本发明实施例可以通过对实际应用过程中大量的数据分析，选择训练出更加全面、高效的交通影响因子参数和交通检测参数，并且能够通过朴素贝叶斯模型依据交通影响因子参数和交通检测参数对交通拥堵事件的属性做出有效的判断，从而为执行应急诱导、制定紧急调度方案提供依据。

附图说明

图1是本发明实施例一所述的一种基于浮动车的高速公路交通拥堵检测方法的流程图；

图2是本发明实施例一所述的对某一路段进行窗格划分的示意图；

图3是本发明实施例二所述的一种基于浮动车的高速公路交通拥堵检测系统的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一：

参照图1，示出了本发明实施例一所述的一种基于浮动车的高速公路交通拥堵检测方法的流程图，所述方法可以包括：

步骤100，获取电子地图中的高速公路路网。

本发明实施例中，主要是对高速公路中的交通拥堵状况进行检测，因此，首先可以获取电子地图中的高速公路路网，然后即可依据所述高速公路路网进行后续的处理。

对于具体获取电子地图中的高速公路路网的过程，本领域技术人员根据实际经验进行相关处理即可，本发明实施例在此不再详细论述。

步骤102，路段虚拟窗格划分。

在获取到上述高速公路路网之后，可以通过该步骤102将电子地图中的高速公路路网按照预设的窗格阈值对路段划分虚拟窗格，即可以将高速公路路网中的路段划分为多个虚拟窗格，以虚拟窗格的形式表示路段。

本发明实施例中，所述窗格阈值可以包括窗格的长度和宽度，对路段划分虚拟窗格可以指对路段按照一定的长度和宽度划分区间段(由于不是对电子地图中的路段进行物理划分，所以称作虚拟窗格)，因此，经过虚拟窗格的划分之后，高速公路路网中的某个路段可以由若干个相连接的虚拟窗格形成。

如图2所示，为对某一路段进行窗格划分的示意图，从图中可以看出，该路段可以划分为1、2、3、...n这n个虚拟窗格，虚拟窗格的中心线与电子地图中道路的单线重合。

对于上述窗格阈值，本领域技术人员可以根据实际情况进行设定，本发明实施例对具体的数值并不加以限制。例如，目前某省份高速公路电子路网划分虚拟窗格采用的阈值参数为：高速主线长度100米、宽度20米，出入口匝道长度80米、宽度30米。

步骤104，浮动车GPS数据采集。

本发明实施例中，主要是通过采集浮动车的GPS数据，然后对这些GPS数据进行分析，从而得到当前的交通拥堵状况。

浮动车就是混合在道路正常行驶的车流中，用来采集交通流数据的普通车辆。浮动车的种类很多，本发明实施例基于的浮动车类型主要指安装有GPS接收机的浮动车，它通过GPS卫星定位系统，实时获取车辆信息，包括车辆位置，车速，数据采集时间，行车方向等，这些获取到的信息在一定程度上反映了道路车流的运行状况，经过一些统计分析、参数估计对车辆数据进行分析和综合，即可以将这些车辆信息转化为交通流信息，来实时反映交通状况。

应用浮动车采集道路交通数据的优点在于：首先它对于环境无负面影响，无须增加额外的道路设施；其次它能够实时检测道路交通流的动态数据，再加上GPS卫星的辅助，使得对车辆的定位精度高，能够准确地获取被定位车辆的瞬时速度，从而体现道路上车流的动态变化特性。

本发明实施例中，所采集的浮动车数据主要来源于全国范围内“两客一危车辆”的GPS数据。“两客一危车辆”是指从事旅游的包车，三类以上班线客车，以及运输危险化学品、烟花爆竹、民用爆炸物品的道路专用车辆。但是，本发明实施例对此并不加以限制。

本发明实施例中，所述浮动车的GPS数据可以包括：省份标识、车辆ID，时间(年、月、日、时、分、秒)、经度、纬度、瞬时车速、方位角度、数据有效标识码，等等。例如，采集到的某个浮动车的GPS数据可以为：HBCJT、冀D92277、2011.06.04.12:45:11、118.27775、39.619007、48.0、9、1。

当然，所述GPS数据还可以包括一些其他数据，本发明实施例对此并不加以限制。

步骤106，将所述GPS数据匹配到所述虚拟窗格中。

在该步骤中，采集到浮动车的GPS数据之后，即可将所述GPS数据进行地图匹配，从而匹配到所述虚拟窗格中。

本发明实施例中，地图匹配可以指根据GPS数据中的经度和纬度数据将当前的浮动车GPS定位点匹配到电子地图上，从而确定车辆在电子地图公路网中的准确位置。

在浮动车GPS数据与高速公路路网的匹配中，有三种误差源造成了车辆定位点与车辆实际行驶道路的偏移，包括GPS定位误差、坐标系转换误差和电子地图精度误差。通过大量的数据分析，可以对电子高速公路网与GPS数据之间的地图匹配最大误差值，并且，在设置虚拟窗格的创个预置时，也可以考虑该误差，例如某省的最大误差值约为10米，则可以把虚拟窗格宽度设置为20米。

该步骤106可以包括如下两个子步骤：

a1，根据GPS数据中的经度和纬度数据将浮动车GPS点定位在路段上。

具体的，可以计算浮动车GPS点与周围一定范围所有路段的垂线长度，将浮动车GPS点匹配在所有小于最大误差值的路段上(即匹配在虚拟窗格内)。

a2，将车辆GPS点匹配在双向道路的正确行车方向上。

本发明实施例中，所述双向道路可以为两个在路网中有交点，但是行车方向不同，对于具体的情况，本发明实施例在此不再详细论述。

将前一时段针对该浮动车正确匹配的GPS点与当前时间浮动车的GPS点连接，构成连线，计算该线段与双向行车方向间的夹角，取较小夹角的行车方向为正确匹配方向，将所述GPS数据匹配到该正确匹配方向对应的虚拟窗格内。

完成了以上两个子步骤，则可以认为将浮动车的GPS数据成功地匹配到了正确路段的虚拟窗格中。

步骤108，检测参数计算。

本发明实施例中，在经过上述步骤106之后，即可确定每个虚拟窗格中的GPS数据，然后针对每个虚拟窗格，可以分别依据所述虚拟窗格中的GPS数据计算交通检测参数。

本步骤中，所计算的检测参数可以包括该虚拟窗格对应的瞬时平均车速、GPS样本量、低速比例和拥堵持续时间。

本发明实施例中，可以通过以下子步骤对每个虚拟窗格的交通检测参数进行计算：

b1，计算所述虚拟窗格中所有GPS数据中瞬时车速的平均值，将所述平均值作为瞬时平均车速；

b2，计算所述虚拟窗格中所有GPS数据的个数，将所述个数作为GPS样本量；

本发明实施例中，一个GPS数据中可以包括上述步骤104所述的省份标识、车辆ID，时间(年、月、日、时、分、秒)、经度、纬度、瞬时车速、方位角度、数据有效标识码，等等。

本发明实施例中浮动车可以定时上报GPS数据，因此，在一个虚拟窗格中，针对一个浮动车可能有一个或多个GPS数据。

b3，计算瞬时车速小于预设的低速阈值的GPS数据的个数与所述GPS样本量的比值，将所述比值作为低速比例；

其中，对于所述低速阈值，本领域技术人员根据实际经验进行相关设定即可，本发明实施例对此并不加以限制。例如，可以将所述低速阈值设置为国家对高速公路行驶的限速60km/h。

b4，当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，根据GPS数据中的时间计算拥堵持续时间。

在计算出上述瞬时平均车速、GPS样本量和低速比例之后，可以分别判断这三个交通检测参数是否满足第一预设条件。本发明实施例中，所述第一预设条件可以包括：瞬时平均车速小于低速阈值，且GPS样本量大于样本阈值，且低速比例大于比例阈值。

对于其中的低速阈值、样本阈值和比例阈值的具体数值，本发明实施例并不加以限制。例如，可以设置低速阈值为60km/h，样本阈值为10个，比例阈值为50％。

本发明实施例中，当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，可以初步判断为当前的虚拟窗格为拥堵状态。但是，本发明实施例为了使判断结果更加准确，还可以进一步计算拥堵持续时间，然后再综合依据上述四个检测参数进行判断。

本发明实施例中，可以根据GPS数据中的时间计算拥堵持续时间，即通过实时读取GPS数据中的时间，可以计算出上述初步判断为拥堵状态的持续时间。对于具体的计算过程，本发明实施例在此不再详细论述。

步骤110，判断交通检测参数是否符合阈值。

该步骤即为针对每个窗格，依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态的过程。如果判断出交通检测参数符合阈值，则可以确定所述虚拟窗格为交通拥堵状态；如果判断出交通检测参数不符合阈值，则可以确定所述虚拟窗格不是交通拥堵状态，并针对下一个虚拟窗格进行计算。

本发明实施例中，针对上述步骤108中计算出的4种交通检测参数，当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件，并且所述拥堵持续时间满足第二预设条件时，确定所述虚拟窗格为交通拥堵状态。

对于第一预设条件，参照上述步骤108的相关描述即可。本发明实施例中，所述第二预设条件可以为拥堵持续时间大于时间阈值。对于其中的时间阈值的具体数值，本发明实施例并不加以限制。例如，可以设置时间阈值为5分钟。

步骤112，确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行转换。

本发明实施例中，在判断出所有的虚拟窗格的交通状态之后，即可依据其中为交通拥堵状态的虚拟窗格确定交通拥堵事件，具体的，该步骤中确定交通拥堵事件的过程可以包括：

c1，获取同一行车方向上为交通拥堵状态的虚拟窗格。

其中，所述行车方向可以根据浮动车的GPS数据中的方位角度得到，对于具体的过程，本发明实施例在此不再详细论述。

c2，从行车方向上为交通拥堵状态的最前端的虚拟窗格开始，判断相邻的虚拟窗格的间距是否小于预设的距离阈值；

c3，将所有间距小于预设的距离阈值并且连续的虚拟窗格连接，生成连续序列；

其中，对于距离阈值的具体数值，本发明实施例并不加以限制。例如，可以设置为2公里，即当两个为交通拥堵状态的虚拟窗格间距离小于2公里时，则可以认为二者受同一拥堵事件的影响。

c4，将每个单独的虚拟窗格和每个连续序列分别作为一个交通拥堵事件。

例如，针对图2的路段中的虚拟窗格，经过判断，其中虚拟窗格1、2、3、6、7、12、16为交通拥堵状态，其中，1和2之间，2和3之间，以及6和7之间的间距小于距离阈值，3和6之间、7和12之间，以及12和16之间的间距大于距离阈值，因此，最后确定出由1、2、3组成的连续序列为一个交通拥堵事件，6和7组成的连续序列为一个交通拥堵事件，单独的虚拟窗格12为一个交通拥堵事件，单独的虚拟窗格16为一个交通拥堵事件。

在确定出交通拥堵事件之后，可以获取该交通拥堵事件对应的交通检测参数和交通影响因子。

本发明实施例中，所述交通拥堵事件对应的交通检测参数可以包括：所述交通拥堵事件中最前端的虚拟窗格的瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，以及所述交通拥堵事件的最短排队长度。

其中，如果所述交通拥堵事件为一个单独的虚拟窗格，则所述交通拥堵事件的最短排队长度即为该虚拟窗格的长度；如果所述交通拥堵事件为一个连续序列，则所述交通拥堵事件的最短排队长度即为该连续序列中最前端的虚拟窗格到最后端的虚拟窗格的距离。

所述交通拥堵事件对应的交通影响因子包括：所述交通拥堵事件中最前端的虚拟窗格对应的天气、节假日、时间段、路段属性，以及最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离。

其中，天气和节假日可由系统自动采集识别，时间段、路段属性和最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离可以通过GPS数据和电子地图得到，例如，通过GPS数据中的时间、经度和纬度等数据得到，对于具体的过程，本发明实施例在此不再详细论述。

需要说明的是，如果所述交通拥堵事件为单独的虚拟窗格，则该单独的虚拟窗格即为上述最前端的虚拟窗格。

为了判断交通拥堵事件的属性，本发明实施例中还可以对上述交通拥堵事件对应的交通检测参数和交通影响因子进行转换，以转换成与朴素贝叶斯拥堵分类模型相适应的参数类别。

例如，可以根据各个交通检测参数的取值以及各个交通影响因子的属性对其进行转换，通过以下例子进行说明：

1、瞬时平均车速(简写为AV，单位：km/h)：取值可以设置为{0-10，10-20，20-30，30-40，40-50，50-60}，转换成对应的标识码为{1，2，3，4，5，6}；

2、GPS样本量(简写为NG，单位：个)：取值可以设置为{10-20，10-30，30-40，大于40}，转换成对应的标识码为{1，2，3，4}；

3、低速比例(简写为RS，单位：％)：取值可以设置为{50-60，60-80，80-100}，转换成对应的标识码为{1，2，3}；

4、拥堵持续时间(简写为TR，单位：分钟)：取值可以设置为{5-10，10-15，大于15}，转换成对应的标识码为{1，2，3}；

5、最短排队长度(简写为SL，单位：米)：取值可以设置为{0-100，100-300，300-500，500-700，700-1000，1000-1500，1500-2000，大于2000}，转换成对应的标识码为{1，2，3，4，5，6，7，8}；

6、天气(简写为W)：取值可以设置为{阴，晴，雨，雪，雾，大风，沙尘，冰雹}，转换成对应的标识码为{1，2，3，4，5，6，7，8}；

7、节假日(简写为H)：取值可以设置为是否为节假日，1“是”，0“否”，转换成对应的标识码为{1，0}；

8、时间段(简写为T)：取值可以设置为{0-6，6-10，10-16，16-21，21-0}，转换成对应的标识码为{1，2，3，4，5}；

9、路段属性(简写为P)：取值可以设置为{主线，出入口匝道}，转换成对应的标识码为{1，0}；

10、距下一收费站/服务区距离(简写为S)：取值可以设置为{0-200，200-600，600-1000，大于1000}，转换成对应的标识码为{1，2，3，4}。

经过上述转换之后，如果一个交通拥堵事件为：瞬时平均车速为0-10km/h之间，GPS样本量为大于10并小于30个，低速比例为80％-100％，拥堵持续时间为10-15分钟，最短排队长度为700-1000米，发生拥堵的当天天气为沙尘，不是节假日，发生在夜间21:00-0:00之间，发生路段为高速公路主线，且距离下一个最近的收费站或者服务器为200米-600米，则该交通拥堵事件可以描述为{1，2，3，2，5，7，0，5，1，2}，即AV＝1，NG＝2，RS＝3，TR＝2，SL＝5，W＝7，H＝0，T＝5，P＝1，S＝2。

步骤114，解析所述交通拥堵事件的属性。

在通过上述步骤112对交通拥堵事件对应的交通检测参数和交通影响因子进行转换之后，即可依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

本发明实施例中，所述交通拥堵事件的属性可以包括事件拥堵和常规拥堵，当然，还可以包括其他类型，本发明实施例对此并不加以限制。

本发明实施例中，可以通过朴素贝叶斯拥堵分类模型解析所述交通拥堵事件的属性。朴素贝叶斯是贝叶斯分类器中最简单有效的一种模型，它的特征是假定给定类变量的条件下各个属性变量之间条件独立，采用该分类器可以在实际应用中有效提高系统部署和分类的效率。

贝叶斯算法的学习机制是利用先验概率和样本信息来计算后验概率以得出结论。先验概率是指根据历史资料或主观判断确定的事件发生的概率；后验概率是指利用贝叶斯公式，结合调查等方法获得了新的附加信息，对先验概率进行修正后得到的更符合实际的概率。

贝叶斯分类就是在已知数据样本和数据先验概率的情况下求新的数据对象最大的后验概率。贝叶斯分类基于贝叶斯定理和贝叶斯假设，贝叶斯定理给出了分类函数在数学上的计算方法；贝叶斯假设将事件的先验概率和后验概率结合起来，对未知参数向量的估计综合了它的先验概率和样本信息。

贝叶斯分类过程如下：

(1)用n维特征向量X＝{x1，x2，...，xn}表示每个数据样本，用以描述对该样本的n个属性变量A1，A2，...，An的度量。

(2)假定数据样本可以分为m个类C1，C2，...，Cm。

给定一个未知类标号的数据样本X，如果贝叶斯分类器将其分类到Ci中，当且仅当P(Ci|X)＞P(Cj|X)，l≤i≤m，l≤j≤m，i≠j时，P(Ci|X)最大的类Ci称为最大后验下的分类假定。由贝叶斯公式可知P(Ci|X)＝P(X|Ci)P(Ci)/P(X)。

(3)由于P(X)对所有的类都为常数，即对于类变量同一个对象发生的概率是相同的，故只要P(X|Ci)P(Ci)最大即可。

其中，P(Ci)的值可以由数据样本计算得到，也可以由经验得到，因此在大多数情况下计算P(X|Ci)的值成为分类器的主要工作。

(4)当数据集的属性变量很多时，P(X|Ci)P(Ci)的计算量会很大，

P(X|Ci)P(Ci)＝P(X，Ci)＝P(x1，x2，...，xn，Ci)

＝P(x1|(x2，...，xn，Ci))P(x2，...，xn，Ci)

＝P(x1|(x2，...，xn，Ci))P(x2|(x3，...，xn，Ci))...P(xn|Ci)P(Ci)

在朴素贝叶斯分类器下由于假定了类条件独立，因此可以简化联合分布，给定样本的类标号，属性变量相互独立，则有

(5)对于每个类Ci，计算P(X|Ci)P(Ci)，则把样本X指派到类Ci的充要条件是

P(X|Ci)P(Ci)＞P(X|Cj)P(Cj)    l≤i≤m，l≤j≤m，i≠j

具体的，该步骤114可以包括：

d1，将转换后的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型。

首先，可以将上述步骤112转换之后的交通拥堵事件对应的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型中，通过该分类模型即可解析出所述交通拥堵事件的属性。

d2，通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性。

下面，根据上述对贝叶斯分类过程的分析，介绍一下本发明实施例中通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性的过程。

首先，将大量的历史数据按照事先明确的交通拥堵事件的属性(即是常规拥堵还是事件拥堵)进行分类，形成分类基础表，如表一所示，该表中前10列分别表示交通拥堵事件对应的5个交通检测参数和5种交通影响因子，该表中5个交通检测参数和5种交通影响因子的含义与上述步骤112中转换后的5个交通检测参数和5种交通影响因子的含义相同；最后一列即为交通拥堵事件的属性，其中1为事件拥堵，0为常规拥堵。

AV	NG	RS	TR	SL	W	H	T	P	S	Class
											1	2	3	3	5	7	0	5	1	2	1
2	3	2	3	4	5	1	4	0	3	0
											4	1	2	2	3	3	0	5	1	2	1
...	...	...	...	...	...	...	...	...	...	...

表一

根据上述分类基础表中数据可以分别计算某个交通拥堵事件属性是“事件拥堵”和“常规拥堵”发生的概率P(Ci)以及不同的拥堵属性下各类属性的条件概率P(x|Ci)。

以表一中的3组数据为例，P(C1)指交通拥堵事件属性为“事件拥堵”的概率，P(C2)指交通拥堵事件属性为“常规拥堵”的概率，N表示分类基础表中不重复的拥堵记录数，N1表示“事件拥堵”(即Class＝1)的记录数，N2表示“常规拥堵”(即Class＝0)的记录数，则

P(C1)＝N1/N＝2/3，P(C2)＝N2/N＝1/3

每个交通拥堵事件都具有10个类属性，为{AV，NG，RS，TR，SL，W，H，T，P，S}，可以分别计算分类基础表中的各个类属性在不同的交通拥堵事件属性下发生的条件概率，即P(x|Ci)。

例如，用x1表示AV属性值，x1＝1表示AV落在{0-10}内的情况，M11表示AV＝1且Class＝1的记录数，M12表示AV＝1且Class＝0的记录数，C1表示“事件拥堵”(即Class＝1)的记录数，C2表示“常规拥堵”(即Class＝0)的记录数，则P(x1＝1|C1)＝M11/C1＝1/2，P(x1＝1|C2)＝M12/C2＝0/1。其它情况的计算过程与该情况基本相似，本发明实施例在此不再一一论述。

仍然以上述步骤112中所述的交通拥堵事件可以描述为{1，2，3，2，5，7，0，5，1，2}为例，其中，

P(X|C1)＝P(x1＝1|C1)·P(x2＝2|C1)·P(x3＝3|C1)·P(x4＝2|C1)·P(x5＝5|C1)·P(x6＝7|C1)·P(x7＝0|C1)·P(x8＝5|C1)·P(x9＝1|C1)·P(x10＝2|C1)；

P(C1)＝N1/N；

P(X|C2)＝P(x1＝1|C2)·P(x2＝2|C2)·P(x3＝3|C2)·P(x4＝2|C2)·P(x5＝5|C2)·P(x6＝7|C2)·P(x7＝0|C2)·P(x8＝5|C2)·P(x9＝1|C2)·P(x10＝2|C2)；

P(C2)＝N2/N；

在计算出P(X|C1)、P(C1)、P(X|C2)和P(C2)之后，即可得到P(X|C1)P(C1)和P(X|C2)P(C2)，并可以进一步计算P(X|C1)P(C1)-P(X|C2)P(C2)。本发明实施例中，当较大值与较小值的差，即|P(X|C1)P(C1)-P(X|C2)P(C2)|大于差阈值时，则可以将该交通拥堵事件确定为概率较大的一类。例如，经过计算，P(X|C1)P(C1)为较大值，并且其与P(X|C2)P(C2)的差值大于差阈值，则可以将交通拥堵事件的属性解析为事件拥堵。

其中，对于所述差阈值的具体数值，本发明实施例并不加以限制，例如，可以设置差阈值为0.3，等等。

以下用河北省两客一危车辆采集到的GPS数据举例进行说明：

A.将河北省电子导航地图中的高速公路路网按照200米阈值对路段划分虚拟窗格；

B.2011年7月26日将采集到的浮动车数据进行地图匹配；

C.对路段ID为113004742中的各独立虚拟窗格中的浮动车数据计算4种交通检测参数；

D.在一定的条件下，将符合阈值条件的独立虚拟窗格连接，得到第5中交通检测参数；

E.对当前连接后的虚拟窗格对应的交通5种检测参数和5种交通影响因子进行转换；

F.将等5种交通检测参数和5种交通影响因子输入朴素贝叶斯拥堵分类模型；

G.通过拥堵分类模型的计算，分别得到发生在路段ID为113004742上的常规拥堵和事件拥堵的后验概率，通过比较，确认此拥堵为事件拥堵；

H.该路段的相应系统拥堵参数为：拥堵可能开始时间10:00；拥堵可能消散时间11:15；拥堵导致的最短排队长队为1.5公里；拥堵属性为事件拥堵；

从河北省高速公路管理局官方网站发布的信息中，找到对应的拥堵描述：“该路段曾于2011年7月26日10时17分因突发事件，深圳西站附近，K212+500处车辆拥堵约2公里”。

本发明实施例中的数据源为浮动车GPS数据，浮动车较固定检测器相比具有更广的检测范围以及更加灵活的检测移动性，可以更加准确地判断出当前的交通拥堵状况；另外，本发明实施例可以通过对实际应用过程中大量的数据分析，选择训练出更加全面、高效的交通影响因子参数和交通检测参数，并且能够通过朴素贝叶斯模型依据交通影响因子参数和交通检测参数对交通拥堵事件的属性做出有效的判断，从而为执行应急诱导、制定紧急调度方案提供依据。

实施例二：

参照图3，示出了本发明实施例二所述的一种基于浮动车的高速公路交通拥堵检测系统的结构框图，所述系统可以包括：划分模块300、匹配模块302、判断模块304、转换模块306和解析模块308。

其中，

划分模块300，用于将电子地图中的高速公路路网按照预设的窗格阈值对路段划分虚拟窗格；

匹配模块302，用于采集浮动车的GPS数据，并将所述GPS数据匹配到所述虚拟窗格中；

本发明实施例中，所述浮动车的GPS数据可以包括：省份标识、车辆ID，时间(年、月、日、时、分、秒)、经度、纬度、瞬时车速、方位角度、数据有效标识码，等等。

判断模块304，用于针对每个虚拟窗格，分别依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态；

其中，所述交通检测参数可以包括：瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，

所述判断模块304可以包括：

车速计算子模块，用于计算所述虚拟窗格中所有GPS数据中瞬时车速的平均值，将所述平均值作为瞬时平均车速；

样本量计算子模块，用于计算所述虚拟窗格中所有GPS数据的个数，将所述个数作为GPS样本量；

比例计算子模块，用于计算瞬时车速小于预设的低速阈值的GPS数据的个数与所述GPS样本量的比值，将所述比值作为低速比例；

时间计算子模块，用于当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，根据GPS数据中的时间计算拥堵持续时间；

状态确定子模块，用于当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件，并且所述拥堵持续时间满足第二预设条件时，确定所述虚拟窗格为交通拥堵状态。

转换模块306，用于依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行转换；

所述转换模块306可以包括：

获取子模块，用于获取同一行车方向上为交通拥堵状态的虚拟窗格；

判断子模块，用于从行车方向上为交通拥堵状态的最前端的虚拟窗格开始，判断相邻的虚拟窗格的间距是否小于预设的距离阈值；

连接子模块，用于将所有间距小于预设的距离阈值并且连续的虚拟窗格连接，生成连续序列；

事件确定子模块，用于将每个单独的虚拟窗格和每个连续序列分别作为一个交通拥堵事件。

其中，所述交通拥堵事件对应的交通检测参数可以包括：

所述交通拥堵事件中最前端的虚拟窗格的瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，以及所述交通拥堵事件的最短排队长度。

所述交通拥堵事件对应的交通影响因子可以包括：

所述交通拥堵事件中最前端的虚拟窗格对应的天气、节假日、时间段、路段属性，以及最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离。

解析模块308，用于依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

所述解析模块308可以包括：

输入子模块，用于将转换后的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型；

解析子模块，用于通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性。

对于系统实施例而言，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。

本发明实施例通过对电子地图中路段进行虚拟窗格的划分，并结合采集的浮动车GPS数据，可以实现对交通拥堵状态的判断，并且依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行分类，进而可以依据分类后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

本发明实施例中的数据源为浮动车GPS数据，浮动车较固定检测器相比具有更广的检测范围以及更加灵活的检测移动性，可以更加准确地判断出当前的交通拥堵状况；另外，本发明实施例可以通过对实际应用过程中大量的数据分析，选择训练出更加全面、高效的交通影响因子参数和交通检测参数，并且能够通过朴素贝叶斯模型依据交通影响因子参数和交通检测参数对交通拥堵事件的属性做出有效的判断，从而为执行应急诱导、制定紧急调度方案提供依据。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

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、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。

以上对本发明所提供的一种基于浮动车的高速公路交通拥堵检测方法和系统，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于浮动车的高速公路交通拥堵检测方法，其特征在于，包括：

将电子地图中的高速公路路网按照预设的窗格阈值对路段划分虚拟窗格；

采集浮动车的GPS数据，并将所述GPS数据匹配到所述虚拟窗格中；

针对每个虚拟窗格，分别依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态；

依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行转换；

依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

2.根据权利要求1所述的方法，其特征在于，所述GPS数据包括瞬时车速和时间，所述交通检测参数包括：瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，

所述依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态，包括：

计算所述虚拟窗格中所有GPS数据中瞬时车速的平均值，将所述平均值作为瞬时平均车速；

计算所述虚拟窗格中所有GPS数据的个数，将所述个数作为GPS样本量；

计算瞬时车速小于预设的低速阈值的GPS数据的个数与所述GPS样本量的比值，将所述比值作为低速比例；

当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，根据GPS数据中的时间计算拥堵持续时间；

当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件，并且所述拥堵持续时间满足第二预设条件时，确定所述虚拟窗格为交通拥堵状态。

3.根据权利要求1所述的方法，其特征在于，所述依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，包括：

获取同一行车方向上为交通拥堵状态的虚拟窗格；

从行车方向上为交通拥堵状态的最前端的虚拟窗格开始，判断相邻的虚拟窗格的间距是否小于预设的距离阈值；

将所有间距小于预设的距离阈值并且连续的虚拟窗格连接，生成连续序列；

将每个单独的虚拟窗格和每个连续序列分别作为一个交通拥堵事件。

4.根据权利要求3所述的方法，其特征在于，

所述交通拥堵事件对应的交通检测参数包括：

所述交通拥堵事件中最前端的虚拟窗格的瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，以及所述交通拥堵事件的最短排队长度。

所述交通拥堵事件对应的交通影响因子包括：

所述交通拥堵事件中最前端的虚拟窗格对应的天气、节假日、时间段、路段属性，以及最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离。

5.根据权利要求1所述的方法，其特征在于，所述依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性，包括：

将转换后的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型；

通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性。

6.一种基于浮动车的高速公路交通拥堵检测系统，其特征在于，包括：

划分模块，用于将电子地图中的高速公路路网按照预设的窗格阈值对路段划分虚拟窗格；

匹配模块，用于采集浮动车的GPS数据，并将所述GPS数据匹配到所述虚拟窗格中；

判断模块，用于针对每个虚拟窗格，分别依据所述虚拟窗格中的GPS数据计算交通检测参数，并依据所述交通检测参数判断所述虚拟窗格是否为交通拥堵状态；

转换模块，用于依据为交通拥堵状态的虚拟窗格确定交通拥堵事件，并对所述交通拥堵事件对应的交通检测参数和交通影响因子进行转换；

解析模块，用于依据转换后的交通检测参数和交通影响因子解析所述交通拥堵事件的属性。

7.根据权利要求6所述的系统，其特征在于，所述GPS数据包括瞬时车速和时间，所述交通检测参数包括：瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，

所述判断模块包括：

车速计算子模块，用于计算所述虚拟窗格中所有GPS数据中瞬时车速的平均值，将所述平均值作为瞬时平均车速；

样本量计算子模块，用于计算所述虚拟窗格中所有GPS数据的个数，将所述个数作为GPS样本量；

比例计算子模块，用于计算瞬时车速小于预设的低速阈值的GPS数据的个数与所述GPS样本量的比值，将所述比值作为低速比例；

时间计算子模块，用于当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件时，根据GPS数据中的时间计算拥堵持续时间；

状态确定子模块，用于当所述瞬时平均车速、GPS样本量和低速比例满足第一预设条件，并且所述拥堵持续时间满足第二预设条件时，确定所述虚拟窗格为交通拥堵状态。

8.根据权利要求6所述的系统，其特征在于，所述转换模块包括：

获取子模块，用于获取同一行车方向上为交通拥堵状态的虚拟窗格；

判断子模块，用于从行车方向上为交通拥堵状态的最前端的虚拟窗格开始，判断相邻的虚拟窗格的间距是否小于预设的距离阈值；

连接子模块，用于将所有间距小于预设的距离阈值并且连续的虚拟窗格连接，生成连续序列；

事件确定子模块，用于将每个单独的虚拟窗格和每个连续序列分别作为一个交通拥堵事件。

9.根据权利要求8所述的系统，其特征在于，

所述交通拥堵事件对应的交通检测参数包括：

所述交通拥堵事件中最前端的虚拟窗格的瞬时平均车速、GPS样本量、低速比例、拥堵持续时间，以及所述交通拥堵事件的最短排队长度。

所述交通拥堵事件对应的交通影响因子包括：

所述交通拥堵事件中最前端的虚拟窗格对应的天气、节假日、时间段、路段属性，以及最前端的虚拟窗格与行车方向上最近的收费站/服务区之间的距离。

10.根据权利要求6所述的系统，其特征在于，所述解析模块包括：

输入子模块，用于将转换后的交通检测参数和交通影响因子输入朴素贝叶斯拥堵分类模型；

解析子模块，用于通过所述朴素贝叶斯拥堵分类模型解析出所述交通拥堵事件的属性。

Images