CN105869405A - 基于卡口数据的城市道路交通拥堵指数计算方法 - Google Patents

Abstract

一种基于卡口数据的城市道路交通拥堵指数计算方法，包括以下步骤：步骤1获取卡口数据；步骤2清洗卡口数据；步骤3构建车辆通行卡口对记录；步骤4基于流向概率自动采样相邻卡口对；步骤5计算相邻卡口对自由行程时间；步骤6构建相邻卡口对路段加权权重集合q；步骤7按照统计周期定时获取卡口数据，步骤8计算统计周期内交通指数。本发明提供一种准确性较好、灵活性良好、适用性较强的基于卡口数据的城市道路交通拥堵指数计算方法。

Description

基于卡口数据的城市道路交通拥堵指数计算方法

技术领域

本发明涉及智能交通领域，尤其涉及一种基于卡口数据的城市道路交通拥堵指数计算方法。

背景技术

随着我国综合实力和国民收入水平的提高，机动车保有量每年以20％～30％的速度迅猛增长，而城市道路增长有限且缓慢，导致城市交通拥堵不断加剧，车辆运输效率显著下降，给人们的生活和工作造成了巨大的影响。为便于交通主管部门分析道路交通拥堵状态与成因，全面把握交通运行状态特征，合理引导社会公众客观、正确地认知交通运行势态，有必要建立科学、客观的道路交通运行评价指标。

合理选择指标是进行城市道路拥堵评估工作的第一步。交通拥堵宏观评价用于总体描述城市路网或者特定区域的交通拥堵程度、范围和趋势，是对路网交通总体运行状况进行量化评估的综合性指标。与传统的车速度、流量等参数相比，具有直观、简单、敏感的特点。

目前，交通指数在国内外已经有成功应用的经验。例如，美国每年发布《城市畅通性报告》，选择交通拥堵指数等指标，定期评估并向公众发布。随着我国交通信息化的不断推进，北京、上海、深圳等国内城市研究了不同定义、不同算法的交通指数，发布后取得了良好的效果。由于交通指数是根据所在城市的实际特点进行定义和计算的，不同城市的交通指数之间并不具有可比性。

近年来发表的交通指数专利如：专利CN201510443162.7《一种基于浮动车的交叉口交通拥堵指数计算方法》利用基于浮动车GPS数据，通过提取路段平均行程速度和各个交叉口的饱和度，从而提出一种计算道路交叉口拥堵指数计算方法。虽然现有的一些发达城市发布了基于出租车定位数据计算的交通指数，然而这种指数往往是带有偏差的，因为高峰时段出租车偏好于出现在不太拥堵的道路上，或者出租车在郊区进行交接班，因此这类指数并不能真实地反映宏观交通拥堵情况。专利CN201510144147.2《基于卡口数据的城市道路饱和度实时监测方法》提出一种利用卡口数据监测城市道路饱和度方法，通过构建道路交通量，与现成的道路通行能力比值，建立道路饱和度计算方法。但该方法在实现上需要采用固定道路通行数据参数，这种理论参数一般都是固化的，并不能有效反映复杂的道路交通条件，从而可能导致交通指数评价上的偏差。

发明内容

为了克服已有交通指数检测方式的准确性较差、灵活性较弱、适用性较差的不足，本发明提供一种准确性较好、灵活性良好、适用性较强的基于卡口数据的城市道路交通拥堵指数计算方法。

本发明解决其技术问题所采用的技术方案是：

一种基于卡口数据的城市道路交通拥堵指数计算方法，包括如下步骤：

步骤1获取卡口数据

从服务器数据库中获取某个时间范围内的历史卡口数据，主要是为后面的步骤4计算自动采样相邻卡口、步骤5计算卡口间自由行程时间、步骤6计算卡口间道路权重作好铺垫。包括：卡口编号、卡口方向、车牌号码、经过时间等。

步骤2清洗卡口数据

由于道路交通卡口系统设备允许一次性拍摄多张照片，因此会产生多条过车记录，这些都属于重复记录，需要删除。

步骤3构建车辆通行卡口对记录

将每辆车按照行车时间先后顺序经过的所有卡口排序，得到每辆车的行车轨迹，即卡口位置序列，所述卡口位置序列包含卡口编号和卡口方向。再提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录，卡口对(k_i,k_j)表示车辆先经过卡口k_i，下一次经过卡口k_j，其格式如下：

步骤4基于流向概率自动采样相邻卡口对

根据步骤3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i),再统计卡口对(k_i,k_j)通行记录总数c(k_i,k_j)，即得到卡口k_i到卡口k_j的流向概率r_ij＝c(k_i,k_j)/c(k_i)。

对于每一个卡口，计算该卡口与其他卡口的流向概率，两个卡口之间的通行车辆记录数越大，流向概率越大，那么该卡口对为相邻卡口的可能性就越大。通过卡口对之间车辆流向概率自动采样相邻卡口对，可以根据车流量变化情况进行相邻卡口对之间的调整，避免相邻卡口对的固定化。

因此，将每一个卡口k_i与其他卡口的流向概率k_ij进行降序排序，排序值依次为1,2,3,...。一般情况下，卡口对之间车辆流向概率呈类似“长尾”分布，大部分流向概率都集中在排序值比较靠前的若干个卡口对，随着排序值越大，流向概率就越小。因此设定一个合适的阈值s，一般流向概率集中在40％以上，当排序值≤s时，将自动采样为相邻卡口对，记为(k_i,k_j1),(k_i,k_j2),...,(k_i,k_js)。相邻卡口对区域道路能够比较全面的反映整个城市路网，因此所抽样的道路区域空间覆盖度较高且可控。

步骤5计算相邻卡口对自由行程时间

根据步骤3，步骤4所得的相邻卡口对通行记录中，设车辆经过卡口对(k_i,k_j)中卡口k_i的时间记为经过卡口k_j的时间记为则卡口对(k_i,k_j)的行程时间为单位为秒。

设车辆在道路通行状况非常良好时，如凌晨时间，车辆可以按照自由车速行驶，设通过相邻卡口对(k_i,k_j)的时间为自由行程时间t_free(ij)，将计算得到的若干个t_free(ij)进行大小排序。一般，中位数代表一组数据的中等水平，仅与该组数据的排列位置有关，不受偏大或者偏小数的影响，当一组数据中的个别数据变动较大时，常用中位数描述该组数据的集中趋势，因此，中位数更能反映该相邻卡口对的通过车辆的自由行程时间水平，取它作为评估标准值，记为t_free-middle。

步骤6构建相邻卡口对路段加权权重集合q

根据步骤4所述，计算相邻卡口对(k_i,k_j)通行记录总数c(k_i,k_j)，那么与每一个卡口k_i组成的相邻卡口对(k_i,k_j1),(k_i,k_j2),...,(k_i,k_js)的通行记录总数依次为c(k_i,k_j1),c(k_i,k_j2),...,c(k_i,k_js)，则计算所有相邻卡口对车辆通行总数为m为自动采样得到的所有相邻卡口对个数。则建立路段加权权重集合其中 表示相邻卡口对(k_i,k_j)路段的加权权重比值。

在利用卡口数据计算求取路网交通指数时，本方法采用相邻卡口路段的流量作为该道路在整个路网中的加权权重。由于路段的实时流量不仅可以避免路段加权的固化，而且实时流量可以反映出该路段的实际繁忙程度，从而在计算整个路网的交通指数更加符合实际情况。

步骤7按照统计周期定时获取卡口数据

7.1提取实时卡口数据

根据步骤1，步骤2方法所述，按照时间间隔T_period为统计周期，定时从服务器数据库中获取卡口数据，并同时获取小于时间周期范围一定阈值T_q的历史数据，并且清除重复数据。

7.2计算行程时间

首先根据步骤3方法所述，将定时获取的卡口数据转换为卡口对形式的通行记录。

然后结合步骤4计算结果，自动过滤不相邻的卡口对记录，保留相邻卡口对通行记录。

最后，设车辆经过卡口对(k_i,k_j)中卡口k_i的时间记为经过卡口k_j的时间记为则卡口对(k_i,k_j)的行程时间为单位为秒。

卡口采集系统可能由于工作时间的不一致性或者误抓情况，导致相邻卡口对行程时间差值t_ij小于阈值t_short。令t_ij≤t_short表示不合理的数据，在实际过程中是无法实现的，应该自动过滤。

设在该统计周期内，有c辆汽车通过卡口k_j，即有c辆汽车通过相邻卡口对(k_i,k_j)，即从卡口k_i进去，从卡口k_j出去，经过的时间分别为t_ij1,t_ij2,...,t_ijc，则在该统计周期内相邻卡口对(k_i,k_j)路段平均行程时间其表达式为：

步骤8估计统计周期内交通指数

8.1相邻卡口对路段的行车延误评估

基于步骤5和步骤7处理结果，在统计周期内所有车辆经过相邻卡口对(k_i,k_j)的行程延误时间比值记为表达式为：

$t_{k_i{k}_j\_late}=\frac{t_{avg(k_i,k_j)}-t_{free-middle}}{t_{avg(k_i,k_j)}}$

8.2计算统计周期内交通指数

在本方法中，令m为自动采样相邻卡口对数量，统计周期内m对相邻卡口区间路段平均延误时间比t_{total_late}，表达式为：

进一步，所述步骤8.2中，设定交通指数取值为0-10，将交通状态根据交通指数划分为5个等级，[0,2)为畅通，[2,4)为基本畅通，[4,6)为轻度拥堵，[6,8)为中度拥堵，[8,10]为严重拥堵,如表1所示。

交通指数	交通运行状态	出行时间状况
			0-2	畅通	道路通行状态非常良好，一般指凌晨
2-4	基本畅通	一次出行多花费0.2-0.4倍时间
			4-6	轻度拥堵	一次出行多花费0.4-0.6倍时间
6-8	中度拥堵	一次出行多花费0.6-0.8倍时间
			8-10	严重拥堵	一次出行多花费0.8倍以上时间

表1

由表1得出交通指数z与出行多花费时间倍数(即周期内m对相邻卡口区间路段平均延误时间比t_{total_late})的计算映射关系表达式为：

$z=\left\{\begin{array}{cc}0& t_{total\_late}<0\\ 10t_{total\_late}& 0\&le;t_{total\_late}<0.8\\ 10& t_{total\_late}\&GreaterEqual;0.8\end{array}\right..$

再进一步，所述计算方法还包括步骤9，统计周期内交通拥堵指数通过滤波换算用曲线表示，供交通指挥部门参考。

本发明的技术构思为：利用卡口设备系统可以采集到全部类型车辆，包括私家车、公交车、出租车、大小型货车等。

采用行程时间延误比值评判交通拥堵状况，时间延误比值越大其交通拥堵度越大，交通指数也越高。由于在城市道路上布置多个卡口设备位置点，任意两个相邻卡口位置点可以连接成路段，多条路段构成城市道路网。首先根据某个时间范围内的历史卡口数据，分别统计每个卡口与其他卡口间的交通流量、以及交通流量占比(交通流量占比在本方法中用流向概率表示)，自动采样将流向概率大于一定阈值的卡口对定义为相邻卡口对，并根据相邻卡口对路段间的交通流量构建该路段的加权权重。同时计算相邻卡口对在道路运行状况非常良好时的自由行程时间，作为评估的标准值。然后按照筛选统计周期获取实时卡口数据，计算相邻卡口对区间路段行程时间，由已计算的自由行程时间，得到该卡口对的行程时间延误比值。最后再根据已计算的道路加权权重，以及相关的映射关系，得到整个城市的交通拥堵指数，用来评价该城市的交通拥堵状况。

本发明的有益效果主要表现在：1、结果的无偏性。本发明中自动抽样的成对卡口集在数据采样方式上呈现空间上的均衡性，其蕴含的信息可以较好地兼顾到市区和郊区的交通运行情况。由于考虑了卡口对间道路的实际重要性，其计算结果更客观。

2、灵活性强。本方法中采用相邻卡口对路段车流量作为该道路在整个路网中的加权权重。不仅可以避免路段加权的固化，而且实时流量可以反映出该路段的实际繁忙程度，灵活性强。从而在计算整个路网的交通指数更加符合实际情况。

3、可行性与普适性强。本发明实现的技术方案只需城市道路交通卡口系统产生的结构化数据即能实现，可行性强，同时由于绝大部分城市都部署了较多的卡口系统，本发明技术的应用普适性较强。

4、健壮性强。对随机传感器故障等因素的影响不敏感，不会因为少量卡口点位数据的缺失导致结果的大幅度变化。

附图说明

图1为基于卡口数据的城市道路交通拥堵指数计算方法的总体流程图；

图2为2016年1月15日、1月18日、1月23日的交通拥堵指数-时间段图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种于卡口数据的城市道路交通拥堵指数计算方法，包括以下步骤：

步骤1：从服务器数据库提取历史卡口数据

从服务器数据库中提取2015年12月的历史卡口数据，为计算2016年1月份交通拥堵状况自动采样相邻卡口对、计算相邻卡口对自由行程时间和相邻卡口对道路加权权重等参数，以上参数都是根据上一个月卡口数据自动更新。

卡口数据包括以下字段信息：KKID为卡口编号，FXBH为方向编号，这两个字段标记该卡口数据的卡口安装具体位置，直接关联空间地理位置；HPHM为号牌号码，标记行驶车辆的车牌号，JGSJ为经过时间，标记该车辆经过卡口的时间，同时也是数据采集时间。因此，本方法只需要卡口数据中相关4个字段数据即可。

步骤2清洗卡口数据

由于卡口采集系统一次性拍摄多张照片而产生多条完全相同的过车记录，造成大量的数据重复，这种记录需要清洗去除。

步骤3构建车辆通行卡口对记录

将每辆车按照行车时间先后顺序经过的所有卡口排序，得到每辆车的行车轨迹，即卡口位置序列，所述卡口位置序列包含卡口编号和卡口方向。例如表2是部分的浙A01***行车轨迹表(省略号代表该车辆未显示的轨迹以及其他车辆的行车轨迹)。

序号	号牌号码	卡口ID	过车时间
				1	浙A01***	31000300007402	2015-12-02 07:51:09
2	浙A01***	31000300010702	2015-12-02 08:48:26
				3	浙A01***	31000300010904	2015-12-02 08:50:13
4	浙A01***	31000300004504	2015-12-02 08:50:38
				5	浙A01***	31000300004502	2015-12-02 08:50:58
6	浙A01***	31000300019902	2015-12-02 08:53:36
				7	浙A01***	31000300005402	2016-12-02 08:59:18
···	······	······	··

表2

再提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录，对于构建的行车轨迹表2中，可取出一系列卡口对(31000300007402,31000300010702)、(31000300010702,31000300010904)、(31000300010904,31000300004504)、(31000300004504,31000300004502)、(31000300004502,31000300019902)、(31000300019902,31000300005402)，……

步骤4基于流向概率自动采样相邻卡口对

根据步骤3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i),再统计卡口对(k_i,k_j)通行记录总数c(k_i,k_j)，即得到卡口k_i到卡口k_j的流向概率r_ij＝c(k_i,k_j)/c(k_i)，得到如下表3所示(省略号部分为未显示部分)。表3为卡口对(k_i,k_j)流向概率：

表3

依次计算每一个卡口k_i与其他卡口的流向概率r_ij，并进行降序排序，设排序号小于阈值s，则自动采样为卡口k_i的相邻卡口。在本方法实施例中阈值s取5，当排序号≤5时，将自动采样为相邻卡口对，如表3中，与31000300003401组成相邻卡口对的卡口依次为31000300027701，31000300009401，31000300027601，31000300003402，31000300000303。

步骤5计算相邻卡口对路段的自由行程时间

当道路运行状况非常良好时(如凌晨)，车辆可以按照自由车速行驶，通过相邻卡口对的行程时间认为是自由行程时间t_free(ij)。本方法所设计的自由行程时间是采用上个月23:00～05:00的时段通过该路段的自由行程时间中位数值。如表4所示，卡口对(31000300003401，31000300027701)的自由行程时间取值为545秒(省略号表示该卡口对的其他通行记录以及其他相邻卡口对的通行记录)。表4为相邻卡口对(k_i,k_j)行程时间：

表4

步骤6构建相邻卡口对路段加权权重集合q

根据步骤4所述，卡口对(k_i,k_j)通行记录总数记为c(k_i,k_j)，那么与每一个卡口k_i组成的相邻卡口对(k_i,k_j1),(k_i,k_j2),...,(k_i,k_js)的通行记录总数依次记为c(k_i,k_j1),c(k_i,k_j2),...,c(k_i,k_js)，则统计所有相邻卡口对车辆通行总数为m为自动采样得到的所有相邻卡口对个数。如表5所示(该表只显示与卡口31000300003401组成的相邻卡口对，其他的相邻卡口对省略未显示)。表5为相邻卡口对(k_i,k_j)加权权重计算表：

表5

步骤7实时获取统计周期内卡口数据

7.1实时筛选统计周期内的卡口数据

在本实施例中，选取杭州市2016年1月15日10:00:00-10:04:59范围的卡口数据，即筛选统计周期为5分钟，近实时计算城市的交通指数。

本方法采用相邻卡口对之间平均延误时间比值来衡量拥堵状况，当相邻卡口对区域路段交通比较拥堵时，可能由于在统计周期内未能及时达到下一个卡口，因此同时需要在统计周期内的基础上大于一定阈值T_q的历史卡口数据。由于杭州市相邻卡口布置不超过5千米，因此阈值T_q取值为30分钟。

定时获取的卡口数据参数包含卡口编号、卡口方向、车牌号码、经过时间等，并根据步骤2所述，对一次性拍摄多张而产生的重复的卡口记录数据，只保留一条。

7.2计算统计周期内相邻卡口对行程时间

首先根据步骤3所述，将步骤7.1中提取的统计周期内卡口数据转换为车辆卡口对通行记录。

然后根据步骤4，自动过滤不相邻卡口对记录，保留相邻卡口对记录。

最后分别计算所有相邻卡口对的行程时间。如表6所示(该表只显示与卡口31000300003401组成的相邻卡口对部分的车辆通行记录，其他的相邻卡口对省略未显示)。

自动过滤相邻卡口对行程时间差值t_ij小于阈值t_short。本案例中设置t_short＝4秒，当t_ij≤4表示不合理的数据，在实际过程中是无法实现的，应该自动过滤，例如表5中行程时间为0的通行记录，属于不合理数据，需要删除。

表6为相邻卡口对(k_i,k_j)行程时间：

表6

例如，设在统计周期5分钟内，有10辆汽车经过卡口31000300027701，且上一次经过的卡口为31000300003401，即通过相邻卡口对(31000300003401,31000300027701)，10辆车通过该卡口对的行程时间分别为583，625，619，671，670，689，572，587，645，650，则该卡口对路段在该统计周期5分钟内的平均行程时间t_avg＝631.3秒，其他相邻卡口对路段平均行程时间同样依照此方法计算。

步骤8估计统计周期内交通指数

8.1相邻卡口对路段的行车延误评估

基于上述6.2和7.1步骤处理结果，在统计周期内所有车辆经过相邻卡口对(k_i,k_j)的行程延误时间比值记为表达式为：

$t_{k_i{k}_j\_late}=\frac{t_{avg(k_i,k_j)}-t_{free-middle}}{t_{avg(k_i,k_j)}}$

例如卡口对(31000300003401,31000300027701)，行程延误时间比值

8.2计算统计周期内交通指数

根据步骤8.1和表4的计算结果可得，在该统计周期内，相邻卡口对(31000300003401,31000300027701)区间路段的平均延误比值对整个城市路网的贡献值为贡献值指部分对整体的占比值，即t_late＝0.16*0.0005267＝0.000084272。因此，整个城市路网的平均延误比值为所有相邻卡口区间路段的平均延误比值总和本实施例省略其他相邻卡口区间路段的详细计算过程。

进一步，所述挖掘方法还包括如下步骤9：即统计周期内交通拥堵指数通过滤波换算后的曲线图，供交通指挥部门参考。根据2016年1月份车辆通行记录数据，通过上述步骤计算可以得出1月份每天每个时间段拥堵指数，图2为2016年1月15日，1月18日、1月23日的交通拥堵度-时间段图。其中圆虚线、横条虚线、实线分别代表星期五、星期一、星期六数据，纵坐标表示交通指数，数字越大，表示越拥堵，横坐标表示时间段。

从图2可以看出：

1、可以比较明显反映出周末和工作日的拥堵状况，相对于工作日而言，周末的拥堵指数整体上偏低，并且早高峰较晚开始，晚高峰较早开始，同时晚高峰较早结束

2、工作日有两个比较明显的早晚高峰，早高峰从大概7点开始到9点结束，晚高峰大概从17点开始到19点结束。

3、周一早高峰比周五早高峰拥堵，但是周五晚高峰比周一晚高峰拥堵，并且周五在晚高峰就处在轻度拥堵和中度拥堵状况中，最后晚高峰达到重度拥堵。

以上几点都客观地反映了城市拥堵状态与时间段的关系，比较符合市民通勤出行习惯和规律，因此本方法在实现城市交通拥堵指数计算方法上面具有一定意义。

Claims (3)

1.一种基于卡口数据的城市道路交通拥堵指数计算方法，其特征在于：包括以下步骤：

步骤1获取卡口数据

从服务器数据库中获取某个时间范围内的历史卡口数据，所述卡口数据包括：卡口编号、卡口方向、车牌号码和经过时间；

步骤2清洗卡口数据

步骤3构建车辆通行卡口对记录

将每辆车按照行车时间先后顺序经过的所有卡口排序，得到每辆车的行车轨迹，即卡口位置序列，所述卡口位置序列包含卡口编号和卡口方向；再提取每辆车行车轨迹中相邻的卡口对，组成车辆通行卡口对记录，卡口对(k_i,k_j)表示车辆先经过卡口k_i，下一次经过卡口k_j，其格式如下：

步骤4基于流向概率自动采样相邻卡口对

根据步骤3中的车辆通行卡口对记录，先统计从每一个卡口k_i流出车辆总和c(k_i),再统计卡口对(k_i,k_j)通行记录总数c(k_i,k_j)，即得到卡口k_i到卡口k_j的流向概率r_ij＝c(k_i,k_j)/c(k_i)；

将每一个卡口k_i与其他卡口的流向概率k_ij进行降序排序，设定一个合适的阈值s，当排序值≤s时，将自动采样为相邻卡口对，记为(k_i,k_j1),(k_i,k_j2),...,(k_i,k_js)；

步骤5计算相邻卡口对自由行程时间

根据步骤3，步骤4所得的相邻卡口对通行记录中，设车辆经过卡口对(k_i,k_j)中卡口k_i的时间记为经过卡口k_j的时间记为则卡口对(k_i,k_j)的行程时间为单位为秒；

步骤6构建相邻卡口对路段加权权重集合q

根据步骤4所述，计算相邻卡口对(k_i,k_j)通行记录总数c(k_i,k_j)，那么与每一个卡口k_i组成的相邻卡口对(k_i,k_j1),(k_i,k_j2),...,(k_i,k_js)的通行记录总数依次为c(k_i,k_j1),c(k_i,k_j2),...,c(k_i,k_js)，则计算所有相邻卡口对车辆通行总数为m为自动采样得到的所有相邻卡口对个数。则建立路段加权权重集合其中 表示相邻卡口对(k_i,k_j)路段的加权权重比值；

在利用卡口数据计算求取路网交通指数时，采用相邻卡口路段的流量作为该道路在整个路网中的加权权重；

步骤7按照统计周期定时获取卡口数据，过程如下：

7.1提取实时卡口数据

根据步骤1，步骤2方法所述，按照时间间隔T_period为统计周期，定时从服务器数据库中获取卡口数据，并同时获取小于时间周期范围一定阈值T_q的历史数据，并且清除重复数据。

7.2计算行程时间

首先根据步骤3方法所述，将定时获取的卡口数据转换为卡口对形式的通行记录；

然后结合步骤4计算结果，自动过滤不相邻的卡口对记录，保留相邻卡口对通行记录；

最后，设车辆经过卡口对(k_i,k_j)中卡口k_i的时间记为t_ki，经过卡口k_j的时间记为则卡口对(k_i,k_j)的行程时间为单位为秒；

令t_ij≤t_short表示不合理的数据，在实际过程中是无法实现的，应该自动过滤；

设在该统计周期内，有c辆汽车通过卡口k_j，即有c辆汽车通过相邻卡口对(k_i,k_j)，即从卡口k_i进去，从卡口k_j出去，经过的时间分别为t_ij1,t_ij2,...,t_ijc，则在该统计周期内相邻卡口对(k_i,k_j)路段平均行程时间其表达式为：

步骤8估计统计周期内交通指数，过程如下：

8.1相邻卡口对路段的行车延误评估

基于步骤5和步骤7处理结果，在统计周期内所有车辆经过相邻卡口对(k_i,k_j)的行程延误时间比值记为表达式为：

$t_{k_i{k}_j\_late}=\frac{t_{avg(k_i,k_j)}-t_{free-middle}}{t_{avg(k_i,k_j)}}$

8.2计算统计周期内交通指数

令m为自动采样相邻卡口对数量，统计周期内m对相邻卡口区间路段平均延误时间比t_{total_late}，表达式为：

2.如权利要求1所述的一种基于卡口数据的城市道路交通拥堵指数计算方法，其特征在于：所述步骤8.2中，设定交通指数取值为0-10，将交通状态根据交通指数划分为5个等级，[0,2)为畅通，[2,4)为基本畅通，[4,6)为轻度拥堵，[6,8)为中度拥堵，[8,10]为严重拥堵，如表1所示。

表1

由表1得出交通指数z与出行多花费时间倍数(即周期内对相邻卡口区间路段平均延误时间比)的计算映射关系表达式为：

$z=\left\{\begin{array}{cc}0& t_{total\_late}<0\\ 10t_{total\_late}& 0\&le;t_{total\_late}<0.8\\ 10& t_{total\_late}\&GreaterEqual;0.8\end{array}\right..$

3.如权利要求1或2所述的一种基于卡口数据的城市道路交通拥堵指数计算方法，其特征在于：所述计算方法还包括步骤9，统计周期内交通拥堵指数通过滤波换算用曲线表示，供交通指挥部门参考。