CN104575049A - 一种基于阵列雷达的高架匝道智能诱导方法及装置 - Google Patents

Abstract

本发明涉及一种基于阵列雷达的高架匝道智能诱导方法及装置。该方法包括下列顺序的步骤：在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方和高架出口匝道前方分别设置入口匝道诱导屏和出口匝道诱导屏；获取的检测区路段的实时交通参数信息；计算检测区路段的平均交通流密度参数，并基于密度-运行指数模型，提取检测区路段的实时交通运行指数；计算入口匝道的平均交通运行指数和出口匝道的平均交通运行指数；判定各个匝道的交通运行状态等级，构建智能交通诱导模型，并通过入口匝道诱导屏和出口匝道诱导屏实时显示智能交通诱导决策。本发明能够提高高架道路交通拥堵事件自动检测的准确度和效率。

Description

一种基于阵列雷达的高架匝道智能诱导方法及装置

技术领域

本发明涉及城市高架匝道的智能交通诱导技术领域，尤其是一种基于阵列雷达的高架匝道智能诱导方法及装置。

背景技术

随着城市汽车拥有量大幅增加，交通流量和道路供需的矛盾日益突出，城市高架的出现大大增加了出行路线选择。但城市高架带来畅通、快速的出行的同时，也带来了矛盾，每到高峰时段高架就成了高空停车场，大大延误了公众的出行，造成了社会资源的浪费。

智能交通诱导是解决高架交通拥堵的有效途径。传统的方法大多是通过人工方式进行匝道的限行关闭来调节高架的交通流，应急处理延迟，还浪费人力成本。通过智能交通信息采集技术，实现入口匝道的智能诱导，是未来匝道控制管理发展的方向。交通信息采集的方式多种多样，有基于浮动车的信息采集技术，也有基于固定检测设备的信息采集方式，如阵列雷达检测、微波检测、地感线圈等。传统的信息采集方式存在一定的弊端，如视频检测在雨、雪、雾天环境下容易误判，线圈检测容易受到大型车辆的重压损坏，微波的探测范围较小等，错误的判别可能会导致路段交通负荷，形成停滞，影响应急事件的处理造成公共管理资源的浪费。而新型的阵列雷达交通信息采集方式具有很多长处，采用二维主动式阵列雷达技术，可以大区域大范围的路面交通信息检测、准确检测多目标的即时位置和即时速度、可检测排队长度、逆行等多类交通事件、解决车辆遮挡、停车等漏检或多检问题，为交通信息采集带来了更全面的数据和更新、更广泛的应用。

目前所使用的匝道交通诱导算法过于生硬的根据某个交通参数的变化设定阈值来控制信号，如交通流量、速度、密度等，没有将多个参数综合设置检测进行综合分析处理，状态判别的准确性不高，会造成系统对状态的误判。错误的判别可能会导致路段交通负荷，形成停滞；出行者如不能对高架拥堵信息进行实时掌控，会继续驶入高架，导致匝道交通拥堵蔓延，事故多发，影响整个城市的交通运行效率。

发明内容

本发明的首要目的在于提供一种能够降低交通信息采集成本，提高高架道路交通拥堵事件自动检测的准确度和效率，实现基于阵列雷达检测设备的高架匝道智能交通诱导的控制管理方法。

为实现上述目的，本发明采用了以下技术方案：

一种基于阵列雷达的高架匝道智能诱导方法，该方法包括下列顺序的步骤：

(1)在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方和高架出口匝道前方分别设置入口匝道诱导屏和出口匝道诱导屏；分别对高架道路进行路段划分编码、阵列雷达检测设备编码、入口匝道诱导屏编码和出口匝道诱导屏编码，并将路段划分编码、阵列雷达检测设备编码、入口匝道诱导屏编码和出口匝道诱导屏编码进行关联配对。

(2)阵列雷达检测设备将获取的检测区路段的实时交通参数信息，通过数据通信设备实时传输至后台服务器进行标准化存储，后台服务器将实时交通参数信息传输至交通诱导处理设备。

(3)交通诱导处理设备根据各个阵列雷达检测设备获取的检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，并基于密度-运行指数模型，提取检测区路段的实时交通运行指数。

(4)交通诱导处理设备统计各个匝道所关联路段的交通运行指数，分别计算入口匝道的平均交通运行指数和出口匝道的平均交通运行指数。

(5)交通诱导处理设备根据入口匝道和出口匝道的平均交通运行指数，判定各个匝道的交通运行状态等级，构建智能交通诱导模型，并通过入口匝道诱导屏和出口匝道诱导屏实时显示智能交通诱导决策。

步骤(2)中，所述的交通参数信息包括阵列雷达检测设备所对应路段的各个车道的交通流量数据和车辆速度数据。

步骤(3)中，所述的交通诱导处理设备根据各个阵列雷达检测设备获取的检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，并基于密度-运行指数模型，提取检测区路段的实时交通运行指数；具体包括以下步骤：

(31)交通诱导处理设备提取各个阵列雷达检测设备检测到的实时交通参数信息，并基于周期分析时间粒度，在空间维度和时间维度层面分别计算检测区路段的平均交通流参数和平均速度参数；

(32)利用交通流密度判断模型，计算空间维度和时间维度的平均交通流密度参数；

(33)根据平均交通流密度参数，构建密度-运行指数模型；

(34)根据密度-运行指数模型，计算检测区路段的实时交通运行指数。

步骤(3)中，所述交通诱导处理设备计算检测区路段的平均交通流密度参数的计算方法如下：

阵列雷达检测设备实时上报的数据格式为(t,n,q,v),t表示上报时间，n表示所在车道，q表示交通流数据，v表示车流速度数据，(t,n,q,v)的单位分别为秒、1、辆/小时/车道和千米/小时；

假设样本数据集可表示为S＝{(t,1,q₁,v₁),(t,2,q₂,v₂),...,(t,n,q_n,v_n)}，样本的处理粒度周期为T，其单位为小时；先利用式(1)，统计时间内待测路段空间维度和时间维度的平均交通流

$\stackrel{\‾}{q}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_n/N---\left(1\right)$

在式(1)中，n表示所在车道，N表示路段的车道个数，q_n表示第n车道的交通流，表示单位粒度周期的平均交通流；

再利用式(2)，计算单位粒度周期的平均速度：

$\stackrel{\‾}{v}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{v}_n/N---\left(2\right)$

在式(2)中，v_n表示第n车道的速度，表示单位粒度周期的平均速度；

利用式(3)，统计时间内待测路段空间维度和时间维度的平均交通流密度

$\stackrel{\‾}{k}=\frac{\stackrel{\‾}{q}}{\stackrel{\‾}{v}}---\left(3\right)$

在式(3)中，表示单位周期粒度的平均交通流密度，其单位为辆/千米/车道。

步骤(3)中，所述的密度-运行指数模型，具体如式(4)所示：

$\mathrm{RTPI}=\left\{\begin{array}{c}2\&times;\frac{\stackrel{\&OverBar;}{k}}{x}(0\&le;\stackrel{\&OverBar;}{k}\&le;x)\\ 2+2\&times;\frac{\stackrel{\&OverBar;}{k}-x}{y-x}(x<\stackrel{\&OverBar;}{k}\&le;y)\\ 4+2\&times;\frac{\stackrel{\&OverBar;}{k}-y}{z-y}(y<\stackrel{\&OverBar;}{k}\&le;z)\\ 6+2\&times;\frac{\stackrel{\&OverBar;}{k}-z}{p-z}(z<\stackrel{\&OverBar;}{k}\&le;p)\\ 8+2\&times;\frac{\stackrel{\&OverBar;}{k}-p}{m-p}(p<\stackrel{\&OverBar;}{k}\&le;m)\\ 10(\stackrel{\&OverBar;}{k}>m)\end{array}\right.---\left(4\right)$

在式(4)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1路段交通运行指数模型参数

安装阵列雷达检测器的路段，路段交通运行指数等于检测器交通运行指数，没有检测器的路段交通运行指数为0，具体如式(5)所示：

${\mathrm{RTPI}}_{r_s}=\left\{\begin{array}{cc}{\mathrm{RTPI}}_{d_j}& r_s=f\left(d_j\right)\\ 0& r_s\&NotEqual;f\left(d_j\right)\end{array}\right.---\left(5\right)$

其中，表示检测器交通运行指数，表示路段交通运行指数。

步骤(4)中，所述的交通诱导处理设备统计各个匝道所关联路段的交通运行指数，分别计算入口匝道的平均交通运行指数和出口匝道的平均交通运行指数，具体采用式(6)实现：

$\stackrel{\&OverBar;}{z_i}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{TPI}}_{d_j}/j---\left(6\right)$

其中，表示匝道平均交通运行指数，j表示检测器的顺序编号，表示检测器d_j的交通运行指数。步骤(5)中，所述的交通诱导处理设备根据入口匝道和出口匝道的平均交通运行指数，判定各个匝道的交通运行状态等级，构建智能交通诱导模型，并通过入口匝道诱导屏和出口匝道诱导屏实时显示智能交通诱导决策；具体包括以下步骤：

(51)统计每个匝道所关联的有效检测区路段的交通运行指数，分别计算入口匝道平均交通运行指数和出口匝道平均交通运行指数；

(52)根据匝道平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，构建入口匝道和出口匝道智能交通诱导模型，生成智能交通诱导方案决策库；

(53)判定当前匝道类型，根据交通运行状态等级，提取诱导方案内容指令，诱导屏设备通过调用指令数据库接口服务实时显示智能交通诱导方案。

本发明的另一目的在于提供一种基于阵列雷达的高架匝道智能诱导装置，包括阵列雷达检测设备、数据通信设备、用于数据储存和标准化的后台服务器、智能诱导处理设备和诱导屏设备。阵列雷达检测设备，其输出端与数据通信设备的输入端相连，数据通信设备的输出端与后台服务器的输入端相连，后台服务器的输出端与智能诱导处理设备的输入端相连，智能诱导设备的输出端与诱导屏设备的输入端相连。

由上述技术方案可知，本发明通过构建基于阵列雷达检测器数据的智能化诱导控制算法，实现了高架入口匝道和出口匝道诱导屏的智能交通诱导。本发明充分利用了交通流和车辆速度交通参数进行综合分析，提高了交通拥堵事件自动检测的准确度。本发明应用后能够降低人工视频方式进行匝道限行的人力成本，为高架VMS诱导屏提供实时有效的信息发布内容，对城市交通流进行有效疏导，缓解高架道路的交通拥堵，减少交通事故的发生，且能够提升高架道路交通的使用效率和服务水平。

附图说明

图1是本发明的方法流程图；

图2是本发明的装置结构框图；

图3是本发明的装置安装示意图。

其中：

1、阵列雷达检测设备，2、数据通信设备，3、后台服务器，4、智能诱导处理设备，5、诱导屏设备。

具体实施方式

如图1所示的一种基于阵列雷达的高架匝道智能诱导方法，该方法包括下列顺序的步骤：

S1、如图3所示，在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方和高架出口匝道前方分别设置入口匝道诱导屏(入口VMS)和出口匝道诱导屏(出口VMS)。分别对高架道路进行路段划分编码r_s、阵列雷达检测设备编码d_j、入口匝道诱导屏编码和出口匝道诱导屏编码，并将路段划分编码r_s、阵列雷达检测设备编码d_j、入口匝道诱导屏编码和出口匝道诱导屏编码进行关联配对。

对高架匝道进行编码z_i，判定匝道的属性分类(入口匝道或出口匝道)，分别绑定入口匝道和出口匝道关联的路段，匝道编码z_i和路段编码r_s进行一对多关联配对，匝道编码z_i和阵列雷达检测设备编码d_j进行一对多关联配对。具体如以下式(0)所示：

z_i＝f(d₁,d₂,...,d_j) (i∈I,j∈J)

r_s＝f(d_j) (s∈S,j∈J)           (0)

其中，I为高架上所有匝道的总个数；J为高架单方向上所有阵列雷达检测器的总个数；S为高架单方向上所有路段的总个数。

根据高架道路的长度确定安装阵列雷达检测设备的个数，一般而言，阵列雷达检测设备个数的增加可以提高事件检测的准确度，但是会增加设备的成本费用。本发明权衡准确度和成本的平衡，每1～3千米长度安装一个阵列雷达设备，系统设备安装示意图如图3所示。

S2、阵列雷达检测设备将获取的检测区路段的实时交通参数信息，通过数据通信设备实时传输至后台服务器进行标准化存储，后台服务器将实时交通参数信息传输至交通诱导处理设备。所述的交通参数信息包括阵列雷达检测设备所对应路段的各个车道的交通流量数据和车辆速度数据。

S3、交通诱导处理设备根据各个阵列雷达检测设备获取的检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，并基于密度-运行指数模型，提取检测区路段的实时交通运行指数。

所述的密度-运行指数模型，是对检测区路段的交通流量和车道速度参数进行周期性统计分析计算，聚合生成平均交通流密度，然后计算检测区路段交通运行指数。所述的基于密度-运行指数模型，提取检测区路段的实时交通运行指数，具体包括以下步骤：

S31、交通诱导处理设备提取各个阵列雷达检测设备检测到的实时交通参数信息，并基于周期分析时间粒度，在空间维度和时间维度层面分别计算检测区路段的平均交通流参数和平均速度参数。

S32、利用交通流密度判断模型，计算空间维度和时间维度的平均交通流密度参数。

S33、根据平均交通流密度参数，构建密度-运行指数模型。

S34、根据密度-运行指数模型，计算检测区路段的实时交通运行指数。

所述的交通诱导处理设备计算检测区路段的平均交通流密度参数的计算方法如下：

阵列雷达检测设备实时上报的数据格式为(t,n,q,v),t表示上报时间，n表示所在车道，q表示交通流数据，v表示车流速度数据，(t,n,q,v)的单位分别为秒、1、辆/小时/车道和千米/小时；

假设样本数据集可表示为S＝{(t,1,q₁,v₁),(t,2,q₂,v₂),...,(t,n,q_n,v_n)}，样本的处理粒度周期为T，其单位为小时；先利用式(1)，统计时间内待测路段空间维度和时间维度的平均交通流

$\stackrel{\&OverBar;}{q}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{q}_n/N---\left(1\right)$

在式(1)中，n表示所在车道，N表示路段的车道个数，q_n表示第n车道的交通流，表示单位粒度周期的平均交通流；

再利用式(2)，计算单位粒度周期的平均速度：

$\stackrel{\&OverBar;}{v}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_n/N---\left(2\right)$

在式(2)中，v_n表示第n车道的速度，表示单位粒度周期的平均速度；

利用式(3)，统计时间内待测路段空间维度和时间维度的平均交通流密度

$\stackrel{\&OverBar;}{k}=\frac{\stackrel{\&OverBar;}{q}}{\stackrel{\&OverBar;}{v}}---\left(3\right)$

在式(3)中，表示单位周期粒度的平均交通流密度，其单位为辆/千米/车道。

步骤S3中，所述的密度-运行指数模型，具体如式(4)所示：

$\mathrm{RTPI}=\left\{\begin{array}{c}2\&times;\frac{\stackrel{\&OverBar;}{k}}{x}(0\&le;\stackrel{\&OverBar;}{k}\&le;x)\\ 2+2\&times;\frac{\stackrel{\&OverBar;}{k}-x}{y-x}(x<\stackrel{\&OverBar;}{k}\&le;y)\\ 4+2\&times;\frac{\stackrel{\&OverBar;}{k}-y}{z-y}(y<\stackrel{\&OverBar;}{k}\&le;z)\\ 6+2\&times;\frac{\stackrel{\&OverBar;}{k}-z}{p-z}(z<\stackrel{\&OverBar;}{k}\&le;p)\\ 8+2\&times;\frac{\stackrel{\&OverBar;}{k}-p}{m-p}(p<\stackrel{\&OverBar;}{k}\&le;m)\\ 10(\stackrel{\&OverBar;}{k}>m)\end{array}\right.---\left(4\right)$

在式(4)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1路段交通运行指数模型参数

安装阵列雷达检测器的路段，路段交通运行指数等于检测器交通运行指数，没有检测器的路段交通运行指数为0，具体如式(5)所示：

${\mathrm{RTPI}}_{r_s}=\left\{\begin{array}{cc}{\mathrm{RTPI}}_{d_j}& r_s=f\left(d_j\right)\\ 0& r_s\&NotEqual;f\left(d_j\right)\end{array}\right.---\left(5\right)$

其中，表示检测器交通运行指数，表示路段交通运行指数。

S4、交通诱导处理设备统计各个匝道所关联路段的交通运行指数，采用式(6)，分别计算入口匝道的平均交通运行指数和出口匝道的平均交通运行指数：

$\stackrel{\&OverBar;}{z_i}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{TPI}}_{d_j}/j---\left(6\right)$

其中，表示匝道平均交通运行指数，j表示检测器的顺序编号，表示检测器d_j的交通运行指数。S5、交通诱导处理设备根据入口匝道和出口匝道的平均交通运行指数，判定各个匝道的交通运行状态等级，构建智能交通诱导模型，并通过入口匝道诱导屏和出口匝道诱导屏实时显示智能交通诱导决策。

所述的构建智能交通诱导模型，是对入口匝道和出口匝道分别对应的路段交通运行指数进行统计分析，计算入口匝道平均交通运行指数和出口匝道平均交通运行指数，进而进行高架匝道诱导屏的智能控制管理。具体包括以下步骤：

S51、统计每个匝道所关联的有效检测区路段的交通运行指数，分别计算入口匝道平均交通运行指数和出口匝道平均交通运行指数。

S52、根据匝道平均交通运行指数，利用表2，判定当前匝道所关联道路的交通运行状态等级，并构建入口匝道和出口匝道智能交通诱导模型，生成智能交通诱导方案决策库。

表2交通运行指数分级表

交通运行指数	[0,2]	(2,4]	(4,6]	(6,8]	(8,10]
						状态评价等级	非常畅通	畅通	缓行	拥挤	拥堵

S53、判定当前匝道类型(是入口匝道还是出口匝道)，根据交通运行状态等级，提取诱导方案内容指令，并且使诱导屏设备通过调用指令数据库接口服务实时显示智能交通诱导方案。智能诱导处理设备提取的诱导发布内容存入接口服务数据库，入口匝道诱导屏通过调用数据库接口服务实现入口匝道的智能诱导，出口匝道诱导屏通过调用数据库接口服务实现出口匝道的智能诱导。

所述的智能交通诱导方案由四部分组成：时间、交通运行指数、交通运行状态和交通诱导内容。

入口匝道交通诱导内容基于入口匝道关联路段的实时交通运行指数智能生成，内容如下：

A:该匝道关联道路运行状态为非常畅通等级：“前方高架道路交通运行状况非常好，控制车速，安全至上”。

B:该匝道关联道路运行状态为畅通等级：“前方高架道路交通运行状况良好，请按道路限速标准行驶”。

C:该匝道关联道路运行状态为轻度拥堵等级：“前方高架道路交通运行状况轻度拥堵，出行缓慢，注意安全驾驶”。

D:该匝道关联道路运行状态为中度拥堵等级：“前方高架道路交通运行状况中度拥堵，建议驾驶人员不要驶入高架，谨慎驾驶”。

E:该匝道关联道路运行状态为严重拥堵等级：“前方高架道路交通运行状况极差，严重拥堵，驾驶员请更换出行线路，禁止驶入高架”。

出口匝道交通诱导内容基于出口匝道关联路段的实时交通运行指数智能生成，内容如下：

A:该匝道关联道路运行状态为非常畅通等级：“前方高架道路交通运行状况非常好，控制车速，安全至上”。

B:该匝道关联道路运行状态为畅通等级：“前方高架道路交通运行状况良好，请按道路限速标准行驶”。

C:该匝道关联道路运行状态为轻度拥堵等级：“前方高架道路交通运行状况轻度拥堵，出行缓慢，注意安全驾驶”。

D:该匝道关联道路运行状态为中度拥堵等级：“前方高架道路交通运行状况中度拥堵，建议驾驶人员驶出高架，谨慎驾驶”。

E:该匝道关联道路运行状态为严重拥堵等级：“前方高架道路交通运行状况极差，严重拥堵，驾驶员请驶出高架，避让拥堵”。

如图2所示的一种基于阵列雷达的高架匝道智能诱导装置，包括阵列雷达检测设备1、数据通信设备2、用于数据储存和标准化的后台服务器3、智能诱导处理设备4和诱导屏设5备。阵列雷达检测设备1，其输出端与数据通信设备2的输入端相连，数据通信设备2的输出端与后台服务器3的输入端相连，后台服务器3的输出端与智能诱导处理设备4的输入端相连，智能诱导设备4的输出端与诱导屏设备5的输入端相连。阵列雷达检测设备和数据通信设备通过电缆连接在一起，然后安装在监控架上。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于阵列雷达的高架匝道智能诱导方法，其特征在于：该方法包括下列顺序的步骤：

(1)在高架道路上安装多个阵列雷达检测设备，并在高架入口匝道前方和高架出口匝道前方分别设置入口匝道诱导屏和出口匝道诱导屏；分别对高架道路进行路段划分编码、阵列雷达检测设备编码、入口匝道诱导屏编码和出口匝道诱导屏编码，并将路段划分编码、阵列雷达检测设备编码、入口匝道诱导屏编码和出口匝道诱导屏编码进行关联配对；

(2)阵列雷达检测设备将获取的检测区路段的实时交通参数信息，通过数据通信设备实时传输至后台服务器进行标准化存储，后台服务器将实时交通参数信息传输至交通诱导处理设备；

(3)交通诱导处理设备根据各个阵列雷达检测设备获取的检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，并基于密度-运行指数模型，提取检测区路段的实时交通运行指数；

(4)交通诱导处理设备统计各个匝道所关联路段的交通运行指数，分别计算入口匝道的平均交通运行指数和出口匝道的平均交通运行指数；

(5)交通诱导处理设备根据入口匝道和出口匝道的平均交通运行指数，判定各个匝道的交通运行状态等级，构建智能交通诱导模型，并通过入口匝道诱导屏和出口匝道诱导屏实时显示智能交通诱导决策。

2.根据权利要求1所述的一种基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(2)中，所述的交通参数信息包括阵列雷达检测设备所对应路段的各个车道的交通流量数据和车辆速度数据。

3.根据权利要求1所述的一种基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(3)中，所述的交通诱导处理设备根据各个阵列雷达检测设备获取的检测区路段的实时交通参数信息，计算检测区路段的平均交通流密度参数，并基于密度-运行指数模型，提取检测区路段的实时交通运行指数；具体包括以下步骤：

(31)交通诱导处理设备提取各个阵列雷达检测设备检测到的实时交通参数信息，并基于周期分析时间粒度，在空间维度和时间维度层面分别计算检测区路段的平均交通流参数和平均速度参数；

(32)利用交通流密度判断模型，计算空间维度和时间维度的平均交通流密度参数；

(33)根据平均交通流密度参数，构建密度-运行指数模型；

(34)根据密度-运行指数模型，计算检测区路段的实时交通运行指数。

4.根据权利要求1所述的基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(3)中，所述交通诱导处理设备计算检测区路段的平均交通流密度参数的计算方法如下：

阵列雷达检测设备实时上报的数据格式为(t,n,q,v),t表示上报时间，n表示所在车道，q表示交通流数据，v表示车流速度数据，(t,n,q,v)的单位分别为秒、1、辆/小时/车道和千米/小时；

假设样本数据集可表示为S＝{(t,1,q₁,v₁),(t,2,q₂,v₂),…,(t,n,q_n,v_n)}，样本的处理粒度周期为T，其单位为小时；先利用式(1)，统计时间内待测路段空间维度和时间维度的平均交通流

$\stackrel{\&OverBar;}{q}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{q}_n/N---\left(1\right)$

在式(1)中，n表示所在车道，N表示路段的车道个数，q_n表示第n车道的交通流，表示单位粒度周期的平均交通流；

再利用式(2)，计算单位粒度周期的平均速度：

$\stackrel{\&OverBar;}{v}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{v}_n/N---\left(2\right)$

在式(2)中，v_n表示第n车道的速度，表示单位粒度周期的平均速度；

利用式(3)，统计时间内待测路段空间维度和时间维度的平均交通流密度 $\stackrel{\&OverBar;}{k},$

$\stackrel{\&OverBar;}{k}=\frac{\stackrel{\&OverBar;}{q}}{\stackrel{\&OverBar;}{v}}---\left(3\right)$

在式(3)中，表示单位周期粒度的平均交通流密度，其单位为辆/千米/车道。

5.根据权利要求1所述的一种基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(3)中，所述的密度-运行指数模型，具体如式(4)所示：

$\mathrm{RTPI}=\left\{\begin{array}{c}2\&times;\frac{\stackrel{\&OverBar;}{k}}{x}(0\&le;\stackrel{\&OverBar;}{k}\&le;x)\\ 2+2\&times;\frac{\stackrel{\&OverBar;}{k}-x}{y-x}(x<\stackrel{\&OverBar;}{k}\&le;y)\\ 4+2\&times;\frac{\stackrel{\&OverBar;}{k}-y}{z-y}(y<\stackrel{\&OverBar;}{k}\&le;z)\\ 6+2\&times;\frac{\stackrel{\&OverBar;}{k}-z}{p-z}(z<\stackrel{\&OverBar;}{k}\&le;p)\\ 8+2\&times;\frac{\stackrel{\&OverBar;}{k}-p}{m-p}(p<\stackrel{\&OverBar;}{k}\&le;m)\\ 10(\stackrel{\&OverBar;}{k}>m)\end{array}\right.---\left(4\right)$

在式(4)中，RTPI表示交通运行指数；x,y,z,p,m的值是道路交通拥堵感受优化参数，按照道路等级赋予其参数值，其初始化参考值如表1所示；

表1 路段交通运行指数模型参数

安装阵列雷达检测器的路段，路段交通运行指数等于检测器交通运行指数，没有检测器的路段交通运行指数为0，具体如式(5)所示：

${\mathrm{RTPI}}_{r_s}=\left\{\begin{array}{cc}{\mathrm{RTPI}}_{d_j}& r_s=f\left(d_j\right)\\ 0& r_s\&NotEqual;f\left(d_j\right)\end{array}\right.---\left(5\right)$

其中，表示检测器交通运行指数，表示路段交通运行指数。

6.根据权利要求1所述的一种基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(4)中，所述的交通诱导处理设备统计各个匝道所关联路段的交通运行指数，分别计算入口匝道的平均交通运行指数和出口匝道的平均交通运行指数，具体采用式(6)实现：

$\stackrel{\&OverBar;}{z_i}=\underset{1}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{RTPI}}_{d_j}/j---\left(6\right)$

其中，表示匝道平均交通运行指数，j表示检测器的顺序编号，表示检测器d_j的交通运行指数。

7.根据权利要求1所述的一种基于阵列雷达的高架匝道智能诱导方法，其特征在于：步骤(5)中，所述的交通诱导处理设备根据入口匝道和出口匝道的平均交通运行指数，判定各个匝道的交通运行状态等级，构建智能交通诱导模型，并通过入口匝道诱导屏和出口匝道诱导屏实时显示智能交通诱导决策；具体包括以下步骤：

(51)统计每个匝道所关联的有效检测区路段的交通运行指数，分别计算入口匝道平均交通运行指数和出口匝道平均交通运行指数；

(52)根据匝道平均交通运行指数，判定当前匝道所关联道路的交通运行状态等级，构建入口匝道和出口匝道智能交通诱导模型，生成智能交通诱导方案决策库；

(53)判定当前匝道类型，根据交通运行状态等级，提取诱导方案内容指令，诱导屏设备通过调用指令数据库接口服务实时显示智能交通诱导方案。

8.一种基于阵列雷达的高架匝道智能诱导装置，其特征在于：包括阵列雷达检测设备、数据通信设备、用于数据储存和标准化的后台服务器、智能诱导处理设备和诱导屏设备；

阵列雷达检测设备，其输出端与数据通信设备的输入端相连，数据通信设备的输出端与后台服务器的输入端相连，后台服务器的输出端与智能诱导处理设备的输入端相连，智能诱导设备的输出端与诱导屏设备的输入端相连。