CN106530684A - 处理交通道路信息的方法及装置 - Google Patents

Abstract

本发明公开了一种处理交通道路信息的方法及装置。其中，该方法包括：在第一预设周期内获取采集到的第一目标路段的交通参数和/或交通参数的可信度；根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表；调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度；通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况。本发明解决了现有技术在利用模糊规则计算道路交通状态的方案中，由于模糊规则表单一，导致交通道路信息分析结果不准确的技术问题。

Description

处理交通道路信息的方法及装置

技术领域

本发明涉及道路交通领域，具体而言，涉及一种处理交通道路信息的方法及装置。

背景技术

随着国民经济的高速发展和城市化进程的加快，我国机动车拥有量及道路交通流量急剧增加。日益增长的交通需求和城市道路基础建设之间的矛盾已经成为城市交通的主要矛盾，由此导致的交通拥挤和堵塞现象越来越多。因此，对于交通道路信息尤其是交通拥堵的变得尤为重要，通过识别拥堵的路段，可以最大限度的减少拥堵对道路交通的影响。

目前，对交通道路信息的的识别主要是通过微波雷达传感器检测交通参数，利用模糊规则和隶属度函数估计道路的交通状态。但是，在通过上述方法估计道路交通状态时，存在如下问题：1.交通参数的数据来源单一，仅仅由微波雷达传感器进行检测，在采集到的交通参数存在误差时，对道路的交通状态的分析结果也将带来偏差。2.由于在实际地面道路中，靠近交通信号灯的路段，交通信号灯会给交通状态的分析结果带来误差。3.由于现有计算道路交通状态使用的模糊规则矩阵过于单一，不能根据实际情况灵活变化，也将导致道路的交通状况分析结果不准确。

针对上述在利用模糊规则计算道路交通状态的方案中，由于模糊规则表单一，导致交通道路信息分析结果不准确的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种处理交通道路信息的方法及装置，以至少解决现有技术在利用模糊规则计算道路交通状态的方案中，由于模糊规则表单一，导致交通道路信息分析结果不准确的技术问题。

根据本发明实施例的一个方面，提供了一种处理交通道路信息的方法，该方法包括：在第一预设周期内获取交通检测设备采集到的第一目标路段的交通参数和/或交通参数的可信度，其中，交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度；根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表；调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，路况至少包括如下类型：畅通、缓行或者拥堵；通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况。

根据本发明实施例的另一方面，还提供了一种处理交通道路信息的装置，该装置包括：第一获取单元，用于在第一预设周期内获取交通检测设备采集到的第一目标路段的交通参数和/或交通参数的可信度，其中，交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度；匹配单元，用于根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表；确定单元，用于调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，路况至少包括如下类型：畅通、缓行或者拥堵；比对单元，用于通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况。

在本发明实施例中，采用在第一预设周期内获取交通检测设备采集到的第一目标路段的交通参数和/或交通参数的可信度；根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表；调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度；通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况的方式，解决了现有技术在利用模糊规则计算道路交通状态的方案中，由于模糊规则表单一，导致交通道路信息分析结果不准确的技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种处理交通道路信息的方法的流程图；

图2是根据本发明实施例的一种可选的车辆速度的隶属度函数；

图3a是根据本发明实施例的一种可选的处理交通道路信息时交通流模型曲线图；

图3b是根据本发明实施例的一种可选的处理交通道路信息时交通参数关系曲线图；以及

图4是根据本发明实施例二的一种处理交通道路信息的装置的示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例一

根据本发明实施例，提供了一种处理交通道路信息的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的一种处理交通道路信息的方法的流程图，如图1所示，该方法包括如下步骤：

步骤S102，在第一预设周期内获取采集到的第一目标路段的交通参数和/或交通参数的可信度，其中，交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度。

具体地，第一预设周期可以是预先设定的，例如可以是1分钟。第一目标路段可以是预先确定的地面道路的路段。其中，交通参数可以是由交通检测设备采集到的，交通检测设备可以是安装在道路路面或者道路外的用于采集交通参数的设备，可以是线圈检测器、微波检测器、视频检测器、地磁检测器、SCATS检测器等不同类型交通参数采集设备的一种或者多种。交通检测设备可以采集道路交通流量、车辆速度、车辆占有率、车辆流量的流量饱和度、车道占用情况等交通参数。

步骤S104，根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表。

具体地，本申请实施例中获取第一模糊规则矩阵表可以是以交通参数的参数数量和/或交通参数的可信度为依据。模糊规则矩阵表集合中可以包括多个模糊规则矩阵表，模糊规则矩阵表集合可以是预先设定并存储的，同时，为了更准确的获取实时路况，模糊规则矩阵表集合中的每一个模糊规则矩阵表可以根据实际情况进行修改。

需要说明的是，当第一预设周期内述第一目标路段获取的交通参数的参数数量为一个时，可以对应一维模糊规则矩阵表，当第一预设周期内述第一目标路段获取的交通参数为二个时，可以对应二维模糊规则矩阵表，当第一预设周期内述第一目标路段获取的交通参数为三个时，可以对应三维模糊规则矩阵表。不同的交通参数或者不同交通参数的组合对应设有不同的模糊规则矩阵。例如，采集到的第一目标路段的交通参数包括车辆占有率和车辆速度时，可以选择对应的车辆占有率/车辆速度二维模糊规则矩阵表，当交通检测设备采集到的第一目标路段的交通参数包括车辆占有率和车辆流量的流量饱和度时，可以选择对应的车辆占有率/车辆流量的流量饱和度二维模糊规则矩阵表。

在上述步骤S104中，也可以通过交通参数的可信度选择得到第一模糊规则矩阵表。交通参数的可信度也可以是通过判断采集该交通参数的交通检测设备的种类来确定的，例如，某一种交通检测设备检测到的车辆速度的可信度为100％，或者另一种交通检测设备检测到的车辆速度的可信度为20％。上述两种交通检测设备检测到的车辆速度具有不同的可信度的值，在通过车辆速度获取对应的模糊规则矩阵时，模糊规则矩阵中每个单元的预设的路况可以不同。上述通过交通参数的可信度选择的模糊规则矩阵，模糊规则矩阵中每个单元的预设的路况的可以不同，达到了提高交通道路信息分析结果准确率的目的。

还需要说明的是，从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表也可以是通过交通参数的参数数量和交通参数的可信度来选择的。本方案通过交通参数的参数数量和/或交通参数的可信度三种方式，获取对应的模糊规则矩阵表，达到了根据实际交通道路情况，灵活选择模糊规则表的目的，解决了模糊规则表过于死板的问题。

步骤S106，调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，路况至少包括如下类型：畅通、缓行或者拥堵。

具体地，隶属度函数可以是预先设定的，不同的交通参数具有不同的隶属度函数，通过隶属度函数，可以确定交通参数在模糊规则矩阵表中的隶属度。在一种可选的实施方式中，隶属度函数可以通过交通参数阈值表来确定，交通参数阈值表中具有与交通参数对应的上限阈值以及下限阈值。可以根据下限阈值和上限阈值确定交通参数在不同应用场景下的隶属度函数，从而确定交通参数在模糊规则矩阵表中的隶属度。

需要说明的是，通过交通参数在模糊规则矩阵表中的隶属度，可以确定模糊规则矩阵表中每种类型的路况的隶属度。路况的隶属度可以是一个大于等于0，小于等于1的数值，例如，具体的路况及其对应的隶属度可以是畅通1，缓行0，拥堵0。

步骤S108，通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况。

具体地，确定第一预设周期内第一目标路段的实时路况可以是通过比对每种类型的路况的隶属度完成的，可以通过比对每种类型路况的隶属度的大小，将隶属度最大的路况作为第一预设周期内第一目标路段的实时路况。进一步地，可以将该路况的隶属度作为第一预设周期内第一目标路段的实时路况的可信度。例如，当路况及其对应的隶属度是畅通1，缓行0，拥堵0时，可以将畅通作为第一预设周期内第一目标路段的实时路况，可以确定第一预设周期内第一目标路段的实时路况的可信度为1。

通过上述步骤S102至S108，采用在第一预设周期内获取采集到的第一目标路段的交通参数和/或交通参数的可信度；根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表；调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度；通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况的方式，解决了现有技术在利用模糊规则计算道路交通状态的方案中，由于模糊规则表单一，导致交通道路信息分析结果不准确的技术问题。

本申请实施例一种可选的方案中，在第一目标路段的交通参数的参数数量为至少两个的情况下，第一目标路段的交通参数的可信度为每个参数的可信度的组合，其中，步骤S104，根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表可以包括：

步骤S1041，根据第一目标路段的交通参数的参数数量，从预存的模糊规则矩阵表集合中获取一组模糊规则矩阵表，其中，一组模糊规则矩阵表中包含的每个模糊规则矩阵表的维度与参数数量相同。

步骤S1043，从一组模糊规则矩阵表中选择与第一目标路段的交通参数的可信度匹配的模糊规则矩阵表，得到第一模糊规则矩阵表。

具体地，在上述步骤S1041至步骤S1043中，根据交通参数的参数数量选择第一模糊规则矩阵表的过程可以是，首先根据交通参数的参数数量选择对应的一组模糊规则矩阵表，例如，当交通参数的数量为二个时，对应的一组模糊规则矩阵表可以是二维模糊规则矩阵表，进一步地，当交通参数包括车辆占有率和车辆速度时，可以从一组模糊规则矩阵表中选择对应的车辆占有率/车辆速度模糊规则矩阵表。

本申请实施例一种可选的方案中，在步骤S102，在第一预设周期内获取采集到的第一目标路段的交通参数和/或交通参数的可信度之前，本方案还可以包括：

步骤S1001,在第一预设周期内采用多个交通检测设备采集第一目标路段的交通数据，其中，多个交通检测设备至少包括如下任意多个设备的组合：磁频车辆检测器、波频车辆检测器、视频车辆检测器、线圈车辆检测器、微波车辆检测器、地磁车辆检测器和SCATS车辆检测器。

具体地，多个交通检测设备可以是固定源交通检测设备及其组合，可以包括磁频车辆检测器、波频车辆检测器、视频车辆检测器、线圈车辆检测器、微波车辆检测器、地磁车辆检测器和SCATS车辆检测器。本方案通过多个交通检测设备采集交通数据，解决了现有技术中，在处理交通道路信息时，由数据源单一引起的交通道路信息分析结果不准确的问题。

步骤S1003,对交通数据进行数据预处理，得到第一目标路段的交通参数，其中，数据预处理至少包括如下任意一个或多个处理：交通数据的过滤、交通数据的时空转换和交通数据的数据转换。

具体地，由于用于采集交通数据的多个交通检测设备之间的采集周期、采集地点、采集精度、采集交通数据等等可能存在不一致的问题,因此，在利用分析交通道路信息前，可以针对多个交通检测设备检测到的交通数据进行数据预处理，以解决不同交通检测设备之间采集周期、采集地点、采集精度、采集交通参数不一致的问题。经过对交通数据的过滤、交通数据的时空转换、交通数据的数据转换等工作，得到第一目标路段的交通参数，达到了提高交通道路信息分析准确性的效果。

需要说明的是，交通数据的过滤可以是根据交通检测设备采集到的交通数据的特点以及交通数据之间的相关性进行过滤。例如，针对交通数据采集设备的设备参数进行过滤，可以包括针对特定时间段的数据进行过滤，对指定区域的数据进行过滤，或者对交通数据采集设备的可用性进行过滤。或者，针对不同交通数据的单独过滤，可以包括预设车辆速度的取值范围，预设车辆流量的流量饱和度的取值范围和预设车辆占有率的取值范围。其中，车辆流量需要转化为小时流量，转化的方法可以是把检测到的流量乘以3600秒后，除以检测周期的时间长度(秒)，其取值范围可以根据不同道路类型可以设定不同的值，SCATS车辆检测器检测到的车辆流量可以不进行小时流量转化，也不参与流量过滤。或者，针对两种或者三种交通数据的联合过滤，预设需要过滤掉的数据的取值范围。例如，通过交通该数据的过滤，删除如下数据：车辆占有率大于95％并且车辆速度大于合理阈值，或者车辆速度等于零并且车辆流量不等于零，或者车辆占有率等于零并且车辆流量大于合理阈值，或者车辆流量等于零时，车辆速度或者车辆占有率不等于零。

还需要说明的是，交通数据的时空转换可以是根据交通检测设备的位置以及交通检测设备的采集周期进行转换，将其采集到的交通数据转换成时间维度一致、空间维度各异的数据格式。

还需要说明的是，交通参数的数据转换可以是将交通数据转换成为加权平均单车道的车辆流量的流量饱和度、加权平均目标路段的车辆速度或者加权平均车辆占有率。加权系数可以是交通参数的可信度，可以根据采样的数据量和交通检测设备的检测精度进行计算。例如：a)把单车道流量数据转化为加权平均单车道流量数据，并转化为加权平均单车道车辆流量的流量饱和度(利用加权平均单车道流量数据除以加权平均单车道流量最大值)。b)把单车道断面车速转化为加权平均断面车速。c)把单车道时间占有率转化为加权平均时间占有率。d)对于每一种交通参数，平均对应的加权系数，获得该交通参数的可信度。

本申请实施例一种可选的方案中，步骤S1003,对交通数据进行数据预处理，得到第一目标路段的交通参数可以包括：

步骤S10031，采用预设的过滤条件分别对每个交通检测设备采集到第一目标路段的交通数据进行过滤，得到过滤后的每个交通检测设备采集到的交通数据，其中，过滤条件至少包括如下任意一个或多个条件：交通检测设备的设备参数、不同路况的车速限定范围、不同类型的道路的车流量限定范围、车辆时间占有率、不同类型的交通参数的关系限定条件。

步骤S10033，对过滤后的每个交通检测设备采集到的交通数据进行时空转换和/或数据转换处理，得到第一目标路段的交通参数。

具体地，针对不同的交通数据，预设的过滤条件可以是不同的，通过对交通数据的过滤，过滤掉交通检测设备采集交通数据过程中采集到的错误数据，将经过过滤后的交通数据进行时空转换和/或数据转换处理，提高了交通道路信息分析结果的准确性。

本申请实施例一种可选的方案中，交通数据包括至少如下任意一个或多个类型的参数：车辆占有率、车辆流量的流量饱和度以及车辆速度，其中，步骤S10033，对过滤后的每个交通检测设备采集到的交通数据进行数据转换处理，得到第一目标路段的交通参数，可以包括：

步骤S10035，根据第一预设周期内每个交通检测设备的检测精度和实际采集到的每种类型的参数的数据总量，计算得到在第一预设周期内每个交通检测设备检测得到的每种类型的参数的可信度。

步骤S10037，将每种类型的参数的可信度作为加权系数，对实际采集到每种类型的参数进行加权平均计算，得到在第一预设周期内第一目标路段的交通参数。

其中，将每个交通检测设备检测到的同一个类型参数的可信度进行求平均计算，得到交通参数的可信度。

具体地，在任意一个交通检测设备的检测周期小于等于第一预设周期的情况下，按照检测周期划分第一预设周期，并在计算得到每个检测周期内每个交通检测设备检测得到的每种类型的参数的可信度之后，通过对每个检测周期内每个交通检测设备检测得到的每种类型的参数的可信度进行求平均值计算，得到第一预设周期内每个交通检测设备检测得到的每种类型的参数的可信度。

本申请实施例一种可选的方案中，在交通数据发布周期包括多个在时长上与第一预设周期相同的时间周期时，在步骤S108，通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况之后，该方法还可以包括：

步骤S1091，获取交通数据发布周期中包括的每个时间周期内第一目标路段的实时路况的可信度。

具体地，交通数据发布周期可以是预先设定的，例如5分钟。在第一预设周期的时长为1分钟的情况下。交通数据发布周期可以包括5个时长为1分钟的时间周期。对于5个时长为1分钟的时间周期，处理该时间周期内第一目标路段采集到的交通参数，得到时间周期内第一目标路段的实时路况的方法可以相同。

需要说明的是，可以根据每个时间周期与交通信号灯的关系，来预设每个时间周期的加权系数，当时间周期包含交通信号灯变换时，可以预设较小的加权系数，从而提高道路路况的分析结果准确性。

步骤S1092，将每个时间周期具有相同类型的路况的可信度进行累加，得到每种类型的路况的可信度的累加值。

步骤S1093，将可信度累加值最高的路况的作为交通数据发布周期内第一目标路段的实时路况。

具体地，把具有相同类型的路况的可信度进行累加，例如，在交通数据发布周期包括5个时长为1分钟的时间周期，每个时间周期的实时路况及可信度分别为，畅通(0.7)、缓行(0.1)、缓行(0.3)、拥堵(0.1)、拥堵(0.1)时，相同类型的路况的可信度进行累加，可以得到的每种类型的路况的可信度可以是：畅通(0.7)、缓行(0.4)、拥堵(0.2)。将隶属度最高“0.7”对应的路况的类型“畅通”作为交通数据发布周期内第一目标路段的实时路况。

需要说明的是，本申请实施例中，可以通过上述步骤S1091至S1093，避免了在分析交通道路信息时，受到的红灯开始/结束以及绿灯开始/结束对车流的影响，解决了在处理交通道路信息时，交通信号灯对道路路况的分析结果准确性存在影响的问题，达到了提高道路路况的分析结果准确性的目的。

本申请实施例一种可选的方案中，步骤S1091，获取交通数据发布周期中包括的每个时间周期内第一目标路段的实时路况的可信度可以包括：

步骤S10911，计算每个时间周期内第一目标路段的道路处于通行状态下的时间占比值。

步骤S10913，根据每个时间周期内采集到的第一目标路段的交通参数的可信度和道路处于通行状态下的时间占比值，计算得到每个时间周期内的第一目标路段的实时路况的可信度。

具体地，上述步骤S10911至步骤S10913中，第一目标路段的道路处于通行状态可以是第一目标路段的道路交通信号灯为绿灯时车辆通行的状态，也就是说，当交通信号灯为绿灯时，道路处于通行状态，当交通信号灯为红灯时，道路处于停止状态。其中，停止状态与路况为拥堵是不同的状态。停止状态为车辆遵守交通规则，在交通信号灯为红灯时，车辆停止通行时的状态。路况为拥堵则是由在某一路段车辆较多造成的车辆行驶缓慢的状态。

可选地，可以通过如下第一公式计算时间占比值X％，

其中，T为每个时间周期的时长，t₁为每个时间周期内交通信号灯为绿灯的时间之和。

可选地，也可以通过如下第二公式计算时间占比值X％，

其中，T为每个时间周期的时长，t₂为每个时间周期内交通信号灯为红灯的时间之和。

需要说明的是，第一目标路段的实时路况的可信度可以是通过时间占比值和采集到的该路段交通参数的可信度计算得出。通过计算实时路况的可信度，可以直观的对分析得到的实时路况进行评价，可信度越高，可以表示实时路况的分析结果越准确。

本申请实施例一种可选的方案中，在第二目标路段包括在空间上间断设置包括第一目标路段在内的多个路段时，在步骤S1093，将可信度累加值最高的路况的作为交通数据发布周期内第一目标路段的实时路况之后，该方法还可以包括：

步骤S1094，读取多个路段对应的多个路段加权系数。

具体地，为了提高道路路况的分析结果准确性，本实施例提供的一种可选的方案中，还可以通过设置路段的加权系数来实现。在第二目标路段中，为每一个路段预设路段加权系数，其中在距离交通道路中路口距离较近的路段，由于红绿灯将对交通参数存在较大的影响，可以为该路段设置较小的加权系数，距离交通道路中路口距离较远的路段，设置较大的加权系数，从而提高道路路况的分析结果准确性。

步骤S1095，将任意一个路段加权系数与对应交通数据发布周期内路段的实时路况的可信度进行求积运算。

步骤S1096，将每个路段具有相同类型路况的求积运算的运算结果进行累加，得到每种类型的路况的累加值，得到交通数据发布周期内第二目标路段的实时路况的可信度；

步骤S1097，确定累加值最高的路况作为交通数据发布周期内第二目标路段的实时路况。

具体地，将任意一个路段的路段加权系数与该路段对应的实时路况的可信度进行求积运算，按照路况的类型，对求积运算的结果进行累加，将累加值最高的路况作为交通数据发布周期内第二目标路段的实时路况。

本申请实施例一种可选的方案中，在交通数据发布周期包括多个在时长上与第一预设周期相同的时间周期时，在步骤S108，通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况之后，该方法还可以包括：

步骤S1101，读取每种类型的路况的优先级。

具体地，每种类型的路况的优先级可以是预先设定的，例如，可以将优先级分为高、中、低三种。

步骤S1102，确定每个时间周期内第一目标路段的实时路况中优先级高的路况作为交通数据发布周期内第一目标路段的实时路况。

具体地，在将畅通的优先级设定为高，将缓行的优先级设定为中，将拥堵的优先级设定为低时，在交通数据发布周期包括的多个时间周期中，如果时间周期的实时路况中包含畅通，则将畅通作为交通数据发布周期内第一目标路段的实时路况，如果包括缓行和拥堵，则将缓行作为交通数据发布周期内第一目标路段的实时路况，如果多个时间周期时间周期都为拥堵，则将拥堵作为交通数据发布周期内第一目标路段的实时路况。本申请实施例中，可以通过上述步骤S1101至S1102，解决了在处理交通道路信息时，由交通信号灯引起道路路况的分析结果存在误差的问题。

本申请实施例一种可选的方案中，步骤S106，调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度可以包括：

步骤S1061，调用隶属度函数，通过隶属度函数确定交通参数在模糊规则矩阵表中的隶属度。

具体地，上述步骤S1061可以包括步骤S10611至步骤S10615，其中：

步骤S10611，从预设的交通参数阈值表中读取交通参数对应的下限阈值和上限阈值，并根据下限阈值和上限阈值确定交通参数在不同应用场景下的隶属度函数。

具体地，交通参数阈值表可以是预先设定的，如表一。进一步地，为了提高交通道路信息分析结果的准确性，可以对不同类型的交通道路预设了不同的上限阈值和下限阈值。从表一的内容可知，当交通参数为车辆速度时，当针对主干路进行道路信息分析时，对应的下限阈值可以是12km/h，对应的上限阈值可以是25km/h，当针对快速路进行道路信息分析时，对应的下限阈值时可以是20km/h，对应的上限阈值可以是45km/h。

表一

车辆速度

车辆流量的

车辆占有率

平均车间时距(s)

	(km/h)	流量饱和度
					快速路	20-45	0.3-0.6	50％-75％	0.5-1.5
主干路	12-25	0.25-0.5	50％-75％	0.5-1.5
					次干路	10-23	0.2-0.4	50％-75％	0.5-1.5
支路	8-20	0.15-0.3	50％-75％	0.5-1.5

需要说明的是，当交通参数为车辆速度、当不同应用场景包括第一类型的场景、第二类型的场景以及第三类型的场景时，车辆速度对应的隶属度函数可以如图2所示。在图2中，车辆速度的下限阈值为20km/h，车辆速度的上限阈值可以是45km/h，车辆速度在第一类型的场景、第二类型的场景以及第三类型的场景下的隶属度函数如图2所示。

步骤S10613，将交通参数分别代入对应的隶属度函数，计算交通参数在不同应用场景下的隶属度。

具体地，按照图2中车辆速度的隶属度函数，当某快速路的车辆速度为50km/h时，对应的第一类型的场景的隶属度可以是0，对应的第二类型的场景的隶属度可以是0，对应的第一类型的场景的隶属度可以是1。

步骤S10615，将交通参数在不同应用场景下的隶属度保存至模糊规则矩阵表中，其中，模糊规则矩阵表中包含多个单元，交通参数在不同应用场景下的隶属度分别保存至不同的单元中。

具体地，当不同应用场景包括第一类型的场景、第二类型的场景以及第三类型的场景，例如某快速路的车辆速度为50km/h，车辆占有率为50％，按照交通参数对应的隶属度函数，将交通参数的隶属度保存至模糊规则矩阵表不同单元中的结果可以如表二所示：

表二

在一种可选的应用场景中，步骤S10613，将交通参数分别代入对应的隶属度函数，计算交通参数在不同应用场景下的隶属度可以是：当交通参数小于下限阈值时，确定交通参数对于第一类型的场景的隶属度为1，确定交通参数对于第二类型的场景的隶属度为0，确定交通参数对于第三类型的场景的隶属度为0。当交通参数大于下限阈值且小于中点阈值时，根据第一计算模型确定交通参数对于第一类型的场景的隶属度，根据第二计算模型确定交通参数对于第二类型的场景的隶属度，确定交通参数对于第三类型的场景的隶属度为0，其中，中点阈值为下限阈值和上限阈值的平均数。当交通参数大于中点阈值且小于上限阈值时，确定交通参数对于第一类型的场景的隶属度为0，根据第三计算模型确定交通参数对于第二类型的场景的隶属度，根据第四计算模型确定交通参数对于第三类型的场景的隶属度。当交通参数大于上限阈值时，确定交通参数对于第一类型的场景的隶属度为0，确定交通参数对于第二类型的场景的隶属度为0，确定交通参数对于第三类型的场景的隶属度为1。其中，中点阈值可以是交通参数下限阈值与上限阈值的平均数，可选地，该中间阈值也可以按照实际情况进行设定，可以是任一种预先设定的可以正确处理交通道路信息的一种可选地阈值。

本申请实施例一种可选的方案中，通过如下第一计算模型计算得到交通参数对于第一类型的场景的隶属度f₁：其中，a为下限阈值，b为上限阈值，x为交通参数的数值；通过如下第二计算模型计算得到交通参数对于第二类型的场景的隶属度f₂：其中，a为下限阈值，b为上限阈值，x为交通参数的数值；通过如下第三计算模型计算得到交通参数对于第二类型的场景的隶属度f₃：其中，a为下限阈值，b为上限阈值，x为交通参数的数值；通过如下第四计算模型计算得到交通参数对于第三类型的场景的隶属度f₄：其中，a为下限阈值，b为上限阈值，x为交通参数的数值。

具体地，计算交通参数x在取值范围内在不同应用场景下的隶属度的一种等同替换的表达方式可以为：

(1)第一类型的场景

当0≤x<a时，确定交通参数对于第一类型的场景的隶属度为1；当时，确定交通参数对于第一类型的场景的隶属度为当时，确定交通参数对于第一类型的场景的隶属度为0。

(2)第二类型的场景

当0≤x<a时，确定交通参数对于第二类型的场景的隶属度为0；当时，确定交通参数对于第二类型的场景的隶属度为当时，确定交通参数对于第二类型的场景的隶属度为当x>b时，确定交通参数对于第二类型的场景的隶属度为0。

(3)第三类型的场景

当时，确定交通参数对于第三类型的场景的隶属度为0；当时，确定交通参数对于第三类型的场景的隶属度为当x>b时，确定交通参数对于第三类型的场景的隶属度为1。

步骤S1063，根据交通参数在模糊规则矩阵表中的隶属度，确定模糊规则矩阵中包含的每种类型的路况的隶属度。

具体地，上述步骤S1063可以包括步骤S10631至步骤S10637。其中：

步骤S10631，读取模糊规则矩阵表中交通参数的隶属度。

步骤S10633，按照第一预设规则，将每个单元中包含的在不同应用场景交通参数的隶属度进行处理，得到每个单元的预设的路况的隶属度。

具体地，第一预设规则可以为：当模糊规则矩阵表为一维模糊规则矩阵表时，将模糊规则矩阵表模糊规则矩阵表每个单元包含的交通参数的隶属度作为每个单元的预设的路况的隶属度；当模糊规则矩阵表为多维模糊规则矩阵表时，将每个单元中包括的交通参数的隶属度的最小值作为该单元的预设的路况的隶属度。例如，在表二关于车辆速度/车辆占有率的二维模糊规则矩阵表中，按照上述第一预设规则，对表二中每个单元包含的在不同应用场景交通参数的隶属度进行处理，得到模糊规则矩阵表中每个单元的预设的路况的隶属度的结果可以如表三所示。

表三

步骤S10635，根据路况的类型,对模糊规则矩阵表中的每个单元的隶属度进行聚合处理，得到每种类型的路况的隶属度的聚合结果。

具体地，在一维或者多维模糊规则矩阵表中，对于一种类型的路况在模糊规则矩阵表的各个单元中存在多个隶属度，通过对同一种类型的路况进行聚合处理，可以得到每种类型的路况的隶属度的聚合结果，例如，如上表表三中所示，以畅通为例，存在畅通(0)，畅通(0)，以及畅通(1)三种隶属度，通过对上述三种隶属度进行聚合处理，可以得到畅通(1)的聚合结果。

需要说明的是，对同一种类型的路况进行聚合处理可以是将同一种类型的路况中的隶属度的最大值作为该路况的隶属度。例如，将表三进行聚合处理，聚合结果可以如下表表四所示。

表四

路况	隶属度
		畅通	1
缓行	0
		拥堵	0

步骤S10637，比对每种类型的路况的隶属度，将隶属度最大值对应的路况作为第一预设周期内第一目标路段的实时路况。

具体地，以表四的每种类型的路况的隶属度为例，通过上述步骤S10637，可以得到上述三种类型路况的隶属度的最大值为1，该隶属度对应的路况的类型为畅通，由此可知，第一预设周期内第一目标路段的实时路况为畅通。

需要说明的是，当隶属度最大值存在两个或两个以上相同的数值时，可以选取相对畅通的路况作为第一预设周期内第一目标路段的实时路况。例如，相对畅通的路况的选择方式可以是：当畅通和缓行的隶属的数值相同时，选取畅通作为第一预设周期内第一目标路段的实时路况。

本申请实施例一种可选的方案中，在步骤S1097，确定累加值最高的路况作为交通数据发布周期内第二目标路段的实时路况之后，还可以包括：

步骤S1098，将路况的运算结果的累加值作为交通数据发布周期内第二目标路段的实时路况的可信度。

具体地，本申请实施例中，以表二为例，给出了交通参数为车辆速度和车辆占有率的情况下，通过交通参数分析得到交通道路信息的方法。对于交通参数包括一个参数、两个参数但不同于包括车辆速度以及车辆占有率或者三个参数的情况下，与该实施例中包含车辆速度以及车辆占有率的分析过程相同，可以使用一维模糊规则矩阵表、二维模糊规则矩阵表或者三维模糊规则矩阵表。其中，对于二维模糊规则矩阵表与三维模糊规则矩阵表可以是参考流密度曲线制定，具体如图3a以及图3b所示。图3a以及图3b中速度可以是本申请实施例中的车辆速度，流量可以是单位时间内通过的车辆的数量，密度可以是单位距离内车辆的数量。图3a中，Q＝V·K,其中，Q为流量，K为密度，V为速度。图3b中，图3b中,可以得到Q-K，V-Q，V-K的关系曲线图，其中，Q为流量，K为密度，V为速度。

实施例二

根据本发明实施例，还提供了一种处理交通道路信息的装置实施例，需要说明的是，该处理交通道路信息的装置可以用于实现本发明实施例的处理交通道路信息的方法，本发明实施例的处理交通道路信息的方法也可以通过该处理交通道路信息的装置来执行，在本发明方法实施例中进行过说明的不再赘述。

图4是根据本发明实施例二的一种处理交通道路信息的装置的示意图。如图4中，该装置包括：

第一获取单元40，用于在第一预设周期内获取采集到的第一目标路段的交通参数和/或交通参数的可信度，其中，交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度。

具体地，第一预设周期可以是预先设定的，例如可以是1分钟。第一目标路段可以是预先确定的地面道路的路段。其中，交通参数可以是由交通检测设备采集到的，交通检测设备可以是安装在道路路面或者道路外的用于采集交通参数的设备，可以是线圈检测器、微波检测器、视频检测器、地磁检测器、SCATS检测器等不同类型交通参数采集设备的一种或者多种。交通检测设备可以采集道路交通流量、车辆速度、车辆占有率、车辆流量的流量饱和度、车道占用情况等交通参数。

匹配单元42，用于根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表。

具体地，本申请实施例中获取第一模糊规则矩阵表可以是以交通参数的参数数量和/或交通参数的可信度为依据。模糊规则矩阵表集合中可以包括多个模糊规则矩阵表，模糊规则矩阵表集合可以是预先设定并存储的，同时，为了更准确的获取实时路况，模糊规则矩阵表集合中的每一个模糊规则矩阵表可以根据实际情况进行修改。

需要说明的是，当第一预设周期内述第一目标路段获取的交通参数的参数数量为一个时，可以对应一维模糊规则矩阵表，当第一预设周期内述第一目标路段获取的交通参数为二个时，可以对应二维模糊规则矩阵表，当第一预设周期内述第一目标路段获取的交通参数为三个时，可以对应三维模糊规则矩阵表。不同的交通参数或者不同交通参数的组合对应设有不同的模糊规则矩阵。例如，采集到的第一目标路段的交通参数包括车辆占有率和车辆速度时，可以选择对应的车辆占有率/车辆速度二维模糊规则矩阵表，当交通检测设备采集到的第一目标路段的交通参数包括车辆占有率和车辆流量的流量饱和度时，可以选择对应的车辆占有率/车辆流量的流量饱和度二维模糊规则矩阵表。

需要说明的是，匹配单元42也可以通过交通参数的可信度选择得到第一模糊规则矩阵表。交通参数的可信度也可以是通过判断采集该交通参数的交通检测设备的种类来确定的，例如，某一种交通检测设备检测到的车辆速度的可信度为100％，或者另一种交通检测设备检测到的车辆速度的可信度为20％。上述两种交通检测设备检测到的车辆速度具有不同的可信度的值，在通过车辆速度获取对应的模糊规则矩阵时，模糊规则矩阵中每个单元的预设的路况可以不同。上述通过交通参数的可信度选择的模糊规则矩阵，模糊规则矩阵中每个单元的预设的路况的可以不同，达到了提高交通道路信息分析结果准确率的目的。

还需要说明的是，从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表也可以是通过交通参数的参数数量和交通参数的可信度来选择的。本方案通过交通参数的参数数量和/或交通参数的可信度三种方式，获取对应的模糊规则矩阵表，达到了根据实际交通道路情况，灵活选择模糊规则表的目的，解决了模糊规则表过于死板的问题。

确定单元44，用于调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，路况至少包括如下类型：畅通、缓行或者拥堵。

具体地，隶属度函数可以是预先设定的，不同的交通参数具有不同的隶属度函数，通过隶属度函数，可以确定交通参数在模糊规则矩阵表中的隶属度。在一种可选的实施方式中，隶属度函数可以通过交通参数阈值表来确定，交通参数阈值表中具有与交通参数对应的上限阈值以及下限阈值。可以根据下限阈值和上限阈值确定交通参数在不同应用场景下的隶属度函数，从而确定交通参数在模糊规则矩阵表中的隶属度。

需要说明的是，通过交通参数在模糊规则矩阵表中的隶属度，可以确定模糊规则矩阵表中每种类型的路况的隶属度。路况的隶属度可以是一个大于等于0，小于等于1的数值，例如，具体的路况及其对应的隶属度可以是畅通1，缓行0，拥堵0。

比对单元46，用于通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况。

具体地，确定第一预设周期内第一目标路段的实时路况可以是通过比对每种类型的路况的隶属度完成的，可以通过比对每种类型路况的隶属度的大小，将隶属度最大的路况作为第一预设周期内第一目标路段的实时路况。进一步地，可以将该路况的隶属度作为第一预设周期内第一目标路段的实时路况的可信度。例如，当路况及其对应的隶属度是畅通1，缓行0，拥堵0时，可以将畅通作为第一预设周期内第一目标路段的实时路况，可以确定第一预设周期内第一目标路段的实时路况的可信度为1。

本申请上述实施例二提供的方案，通过上述第一获取单元40，用于在第一预设周期内获取采集到的第一目标路段的交通参数和/或交通参数的可信度，其中，交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度；匹配单元42，用于根据第一目标路段的交通参数的参数数量和/或交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表。确定单元44，用于调用隶属度函数，通过隶属度函数确定第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，路况至少包括如下类型：畅通、缓行或者拥堵；比对单元46，用于通过比对第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定第一预设周期内第一目标路段的实时路况的方式，解决了现有技术在利用模糊规则计算道路交通状态的方案中，由于模糊规则表单一，导致交通道路信息分析结果不准确的技术问题。

本申请实施例一种可选的方案中，在第一目标路段的交通参数的参数数量为至少两个的情况下，第一目标路段的交通参数的可信度为每个参数的可信度的组合，其中，匹配单元42可以包括：

获取模块，用于根据第一目标路段的交通参数的参数数量，从预存的模糊规则矩阵表集合中获取一组模糊规则矩阵表，其中，一组模糊规则矩阵表中包含的每个模糊规则矩阵表的维度与参数数量相同。

匹配模块，用于从一组模糊规则矩阵表中选择与第一目标路段的交通参数的可信度匹配的模糊规则矩阵表，得到第一模糊规则矩阵表。

具体地，根据交通参数的参数数量选择第一模糊规则矩阵表的过程可以是，首先根据交通参数的参数数量选择对应的一组模糊规则矩阵表，例如，当交通参数的数量为二个时，对应的一组模糊规则矩阵表可以是二维模糊规则矩阵表，进一步地，当交通参数包括车辆占有率和车辆速度时，可以从一组模糊规则矩阵表中选择对应的车辆占有率/车辆速度模糊规则矩阵表。

本申请实施例一种可选的方案中，该装置还可以包括：

采集单元，用于在第一预设周期内采用多个交通检测设备采集第一目标路段的交通数据，其中，多个交通检测设备至少包括如下任意多个设备的组合：磁频车辆检测器、波频车辆检测器、视频车辆检测器、线圈车辆检测器、微波车辆检测器、地磁车辆检测器和SCATS车辆检测器。

具体地，多个交通检测设备可以是固定源交通检测设备及其组合，可以包括磁频车辆检测器、波频车辆检测器、视频车辆检测器、线圈车辆检测器、微波车辆检测器、地磁车辆检测器和SCATS车辆检测器。本方案通过多个交通检测设备采集交通数据，解决了现有技术中，在处理交通道路信息时，由数据源单一引起的交通道路信息分析结果不准确的问题。

处理单元，用于对交通数据进行数据预处理，得到第一目标路段的交通参数，其中，数据预处理至少包括如下任意一个或多个处理：交通数据的过滤、交通数据的时空转换和交通数据的数据转换。

具体地，由于用于采集交通数据的多个交通检测设备之间的采集周期、采集地点、采集精度、采集交通数据等等可能存在不一致的问题,因此，在利用分析交通道路信息前，可以针对多个交通检测设备检测到的交通数据进行数据预处理，以解决不同交通检测设备之间采集周期、采集地点、采集精度、采集交通参数不一致的问题。经过对交通数据的过滤、交通数据的时空转换、交通数据的数据转换等工作，得到第一目标路段的交通参数，达到了提高交通道路信息分析准确性的效果。

需要说明的是，交通数据的过滤可以是根据交通检测设备采集到的交通数据的特点以及交通数据之间的相关性进行过滤。例如，针对交通数据采集设备的设备参数进行过滤，可以包括针对特定时间段的数据进行过滤，对指定区域的数据进行过滤，或者对交通数据采集设备的可用性进行过滤。或者，针对不同交通数据的单独过滤，可以包括预设车辆速度的取值范围，预设车辆流量的流量饱和度的取值范围和预设车辆占有率的取值范围。其中，车辆流量需要转化为小时流量，转化的方法可以是把检测到的流量乘以3600秒后，除以检测周期的时间长度(秒)，其取值范围可以根据不同道路类型可以设定不同的值，SCATS车辆检测器检测到的车辆流量可以不进行小时流量转化，也不参与流量过滤。或者，针对两种或者三种交通数据的联合过滤，预设需要过滤掉的数据的取值范围。例如，通过交通该数据的过滤，删除如下数据：车辆占有率大于95％并且车辆速度大于合理阈值，或者车辆速度等于零并且车辆流量不等于零，或者车辆占有率等于零并且车辆流量大于合理阈值，或者车辆流量等于零时，车辆速度或者车辆占有率不等于零。

还需要说明的是，交通数据的时空转换可以是根据交通检测设备的位置以及交通检测设备的采集周期进行转换，将其采集到的交通数据转换成时间维度一致、空间维度各异的数据格式。

还需要说明的是，交通参数的数据转换可以是将交通数据转换成为加权平均单车道的车辆流量的流量饱和度、加权平均目标路段的车辆速度或者加权平均车辆占有率。加权系数可以是交通参数的可信度，可以根据采样的数据量和交通检测设备的检测精度进行计算。例如：a)把单车道流量数据转化为加权平均单车道流量数据，并转化为加权平均单车道车辆流量的流量饱和度(利用加权平均单车道流量数据除以加权平均单车道流量最大值)。b)把单车道断面车速转化为加权平均断面车速。c)把单车道时间占有率转化为加权平均时间占有率。d)对于每一种交通参数，平均对应的加权系数，获得该交通参数的可信度。

本申请实施例一种可选的方案中，处理单元包括：

第一处理模块，用于采用预设的过滤条件分别对每个交通检测设备采集到第一目标路段的交通数据进行过滤，得到过滤后的每个交通检测设备采集到的交通数据，其中，过滤条件至少包括如下任意一个或多个条件：交通检测设备的设备参数、不同路况的车速限定范围、不同类型的道路的车流量限定范围、车辆时间占有率、不同类型的交通参数的关系限定条件。

第二处理模块，用于对过滤后的每个交通检测设备采集到的交通数据进行时空转换和/或数据转换处理，得到第一目标路段的交通参数。

具体地，针对不同的交通数据，预设的过滤条件可以是不同的，通过对交通数据的过滤，过滤掉交通检测设备采集交通数据过程中采集到的错误数据，将经过过滤后的交通数据进行时空转换和/或数据转换处理，提高了交通道路信息分析结果的准确性。

本申请实施例一种可选的方案中，交通数据包括至少如下任意一个或多个类型的参数：车辆占有率、车辆流量的流量饱和度以及车辆速度，其中，第二处理模块可以包括：

第一处理子模块，用于根据第一预设周期内每个交通检测设备的检测精度和实际采集到的每种类型的参数的数据总量，计算得到在第一预设周期内每个交通检测设备检测得到的每种类型的参数的可信度。

第二处理子模块，用于将每种类型的参数的可信度作为加权系数，对实际采集到每种类型的参数进行加权平均计算，得到在第一预设周期内第一目标路段的交通参数。

第三处理子模块，用于将每个交通检测设备检测到的同一个类型参数的可信度进行求平均计算，得到交通参数的可信度。

具体地，在任意一个交通检测设备的检测周期小于等于第一预设周期的情况下，按照检测周期划分第一预设周期，并在计算得到每个检测周期内每个交通检测设备检测得到的每种类型的参数的可信度之后，通过对每个检测周期内每个交通检测设备检测得到的每种类型的参数的可信度进行求平均值计算，得到第一预设周期内每个交通检测设备检测得到的每种类型的参数的可信度。

本申请实施例一种可选的方案中，在交通数据发布周期包括多个在时长上与第一预设周期相同的时间周期时，该装置还可以包括：

第二获取单元，用于获取交通数据发布周期中包括的每个时间周期内第一目标路段的实时路况的可信度。

具体地，交通数据发布周期可以是预先设定的，例如5分钟。在第一预设周期的时长为1分钟的情况下。交通数据发布周期可以包括5个时长为1分钟的时间周期。对于5个时长为1分钟的时间周期，处理该时间周期内第一目标路段采集到的交通参数，得到时间周期内第一目标路段的实时路况的方法可以相同。

需要说明的是，可以根据每个时间周期与交通信号灯的关系，来预设每个时间周期的加权系数，当时间周期包含交通信号灯变换时，可以预设较小的加权系数，从而提高道路路况的分析结果准确性。

第一累加单元，用于将每个时间周期具有相同类型的路况的可信度进行累加，得到每种类型的路况的可信度的累加值。

第一选定单元，用于将可信度累加值最高的路况的作为交通数据发布周期内第一目标路段的实时路况。

具体地，把具有相同类型的路况的可信度进行累加，例如，在交通数据发布周期包括5个时长为1分钟的时间周期，每个时间周期的实时路况及可信度分别为，畅通(0.7)、缓行(0.1)、缓行(0.3)、拥堵(0.1)、拥堵(0.1)时，相同类型的路况的可信度进行累加，可以得到的每种类型的路况的可信度可以是：畅通(0.7)、缓行(0.4)、拥堵(0.2)。将隶属度最高“0.7”对应的路况的类型“畅通”作为交通数据发布周期内第一目标路段的实时路况。

需要说明的是，本申请实施例中，可以通过上述第二获取单元、第一累加单元和第一选定单元，避免了在分析交通道路信息时，受到的红灯开始/结束以及绿灯开始/结束对车流的影响，解决了在处理交通道路信息时，交通信号灯对道路路况的分析结果准确性存在影响的问题，达到了提高道路路况的分析结果准确性的目的。

本申请实施例一种可选的方案中，第二获取单元可以包括：

第一计算模块，用于计算每个时间周期内第一目标路段的道路处于通行状态下的时间占比值。

第二计算模块，用于根据每个时间周期内采集到的第一目标路段的交通参数的可信度和道路处于通行状态下的时间占比值，计算得到每个时间周期内的第一目标路段的实时路况的可信度。

具体地，，第一目标路段的道路处于通行状态可以是第一目标路段的道路交通信号灯为绿灯时车辆通行的状态，也就是说，当交通信号灯为绿灯时，道路处于通行状态，当交通信号灯为红灯时，道路处于停止状态。其中，停止状态与路况为拥堵是不同的状态。停止状态为车辆遵守交通规则，在交通信号灯为红灯时，车辆停止通行时的状态。路况为拥堵则是由在某一路段车辆较多造成的车辆行驶缓慢的状态。

可选地，可以通过如下第一公式计算时间占比值X％，

其中，T为每个时间周期的时长，t₁为每个时间周期内交通信号灯为绿灯的时间之和。

可选地，也可以通过如下第二公式计算时间占比值X％，

其中，T为每个时间周期的时长，t₂为每个时间周期内交通信号灯为红灯的时间之和。

需要说明的是，第一目标路段的实时路况的可信度可以是通过时间占比值和采集到的该路段交通参数的可信度计算得出。通过计算实时路况的可信度，可以直观的对分析得到的实时路况进行评价，可信度越高，可以表示实时路况的分析结果越准确。

本申请实施例一种可选的方案中，在第二目标路段包括在空间上间断设置包括第一目标路段在内的多个路段时，该装置还可以包括：

第三获取单元，用于读取多个路段对应的多个路段加权系数；

具体地，为了提高道路路况的分析结果准确性，本实施例提供的一种可选的方案中，还可以通过设置路段的加权系数来实现。在第二目标路段中，为每一个路段预设路段加权系数，其中在距离交通道路中路口距离较近的路段，由于红绿灯将对交通参数存在较大的影响，可以为该路段设置较小的加权系数，距离交通道路中路口距离较远的路段，设置较大的加权系数，从而提高道路路况的分析结果准确性。

运算单元，用于将每个路段加权系数与对应交通数据发布周期内路段的实时路况的可信度进行求积运算；

第二累加单元，用于将每个路段具有相同类型路况的求积运算的运算结果进行累加，得到每种类型的路况的累加值；

第二选定单元，用于确定累加值最高的路况作为交通数据发布周期内第二目标路段的实时路况。

具体地，将任意一个路段的路段加权系数与该路段对应的实时路况的可信度进行求积运算，按照路况的类型，对求积运算的结果进行累加，将累加值最高的路况作为交通数据发布周期内第二目标路段的实时路况。

本申请实施例一种可选的方案中，在交通数据发布周期包括多个在时长上与第一预设周期相同的时间周期时，该装置还可以包括：

第四获取单元，用于读取每种类型的路况的优先级。

具体地，每种类型的路况的优先级可以是预先设定的，例如，可以将优先级分为高、中、低三种。

第三选定单元，用于确定每个时间周期内第一目标路段的实时路况中优先级高的路况作为交通数据发布周期内第一目标路段的实时路况。

具体地，在将畅通的优先级设定为高，将缓行的优先级设定为中，将拥堵的优先级设定为低时，在交通数据发布周期包括的多个时间周期中，如果时间周期的实时路况中包含畅通，则将畅通作为交通数据发布周期内第一目标路段的实时路况，如果包括缓行和拥堵，则将缓行作为交通数据发布周期内第一目标路段的实时路况，如果多个时间周期时间周期都为拥堵，则将拥堵作为交通数据发布周期内第一目标路段的实时路况。本申请实施例中，可以第四获取单元和第三选定单元，解决了在处理交通道路信息时，由交通信号灯引起道路路况的分析结果存在误差的问题。

本申请实施例一种可选的方案中，确定单元可以包括：

第一确定模块，用于调用隶属度函数，通过隶属度函数确定交通参数在模糊规则矩阵表中的隶属度。

具体地，上述第一确定模块可以包括第一子读取模块、第一子处理模块和存储子模块。其中：

第一子读取模块，用于从预设的交通参数阈值表中读取交通参数对应的下限阈值和上限阈值，并根据下限阈值和上限阈值确定交通参数在不同应用场景下的隶属度函数。

具体地，交通参数阈值表可以是预先设定的，如表一。进一步地，为了提高交通道路信息分析结果的准确性，可以对不同类型的交通道路预设了不同的上限阈值和下限阈值。从表一的内容可知，当交通参数为车辆速度时，当针对主干路进行道路信息分析时，对应的下限阈值可以是12km/h，对应的上限阈值可以是25km/h，当针对快速路进行道路信息分析时，对应的下限阈值时可以是20km/h，对应的上限阈值可以是45km/h。

表一

需要说明的是，当交通参数为车辆速度、当不同应用场景包括第一类型的场景、第二类型的场景以及第三类型的场景时，车辆速度对应的隶属度函数可以如图2所示。在图2中，车辆速度的下限阈值为20km/h，车辆速度的上限阈值可以是45km/h，车辆速度在第一类型的场景、第二类型的场景以及第三类型的场景下的例隶属度函数如图2所示。

第一子处理模块，用于将交通参数分别代入对应的隶属度函数，计算交通参数在不同应用场景下的隶属度。

具体地，按照图2中车辆速度的隶属度函数，当某快速路的车辆速度为50km/h时，对应的第一类型的场景的隶属度可以是0，对应的第二类型的场景的隶属度可以是0，对应的第一类型的场景的隶属度可以是1。

存储子模块，用于将交通参数在不同应用场景下的隶属度保存至模糊规则矩阵表中，其中，模糊规则矩阵表中包含多个单元，交通参数在不同应用场景下的隶属度分别保存至不同的单元中。

具体地，当不同应用场景包括第一类型的场景、第二类型的场景以及第三类型的场景，例如某快速路的车辆速度为50km/h，车辆占有率为50％，按照交通参数对应的隶属度函数，将交通参数的隶属度保存至模糊规则矩阵表不同单元中的结果可以如表二所示：

表二

在一种可选的应用场景中，第一子处理模块可以用于当交通参数小于下限阈值时，确定交通参数对于第一类型的场景的隶属度为1，确定交通参数对于第二类型的场景的隶属度为0，确定交通参数对于第三类型的场景的隶属度为0。当交通参数大于下限阈值且小于中点阈值时，根据第一计算模型确定交通参数对于第一类型的场景的隶属度，根据第二计算模型确定交通参数对于第二类型的场景的隶属度，确定交通参数对于第三类型的场景的隶属度为0，其中，中点阈值为下限阈值和上限阈值的平均数。交通参数大于中点阈值且小于上限阈值时，确定交通参数对于第一类型的场景的隶属度为0，根据第三计算模型确定交通参数对于第二类型的场景的隶属度，根据第四计算模型确定交通参数对于第三类型的场景的隶属度。当交通参数大于上限阈值时，确定交通参数对于第一类型的场景的隶属度为0，确定交通参数对于第二类型的场景的隶属度为0，确定交通参数对于第三类型的场景的隶属度为1。其中，中点阈值可以是交通参数下限阈值与上限阈值的平均数，可选地，该中间阈值也可以按照实际情况进行设定，可以是任一种预先设定的可以正确处理交通道路信息的一种可选地阈值。

本申请实施例一种可选的方案中，第二处理子模块包括，通过如下第一计算模型计算得到交通参数对于第一类型的场景的隶属度f₁：其中，a为下限阈值，b为上限阈值，x为交通参数的数值；通过如下第二计算模型计算得到交通参数对于第二类型的场景的隶属度f₂：其中，a为下限阈值，b为上限阈值，x为交通参数的数值；通过如下第三计算模型计算得到交通参数对于第二类型的场景的隶属度f₃：其中，a为下限阈值，b为上限阈值，x为交通参数的数值；通过如下第四计算模型计算得到交通参数对于第三类型的场景的隶属度f₄：其中，a为下限阈值，b为上限阈值，x为交通参数的数值。

具体地，计算交通参数x在取值范围内在不同应用场景下的隶属度的一种等同替换的表达方式可以为：

(1)第一类型的场景

当0≤x<a时，确定交通参数对于第一类型的场景的隶属度为1；当时，确定交通参数对于第一类型的场景的隶属度为当时，确定交通参数对于第一类型的场景的隶属度为0。

(2)第二类型的场景

当0≤x<a时，确定交通参数对于第二类型的场景的隶属度为0；当时，确定交通参数对于第二类型的场景的隶属度为当时，确定交通参数对于第二类型的场景的隶属度为当x>b时，确定交通参数对于第二类型的场景的隶属度为0。

(3)第三类型的场景

当时，确定交通参数对于第三类型的场景的隶属度为0；当时，确定交通参数对于第三类型的场景的隶属度为当x>b时，确定交通参数对于第三类型的场景的隶属度为1。

第二确定模块，用于根据交通参数在模糊规则矩阵表表中的隶属度，确定模糊规则矩阵表中包含的每种类型的路况的隶属度。

上述第二确定模块可以包括：第二子读取模块、第二子处理模块、聚合子模块和比对子模块，其中：

第二子读取模块，用于读取模糊规则矩阵表中交通参数的隶属度。

第二子处理模块，用于按照第一预设规则，将每个单元中包含的在不同应用场景交通参数的隶属度进行处理，得到每个单元的预设的路况的隶属度。

具体地，第一预设规则可以为：当模糊规则矩阵表为一维模糊规则矩阵表时，将模糊规则矩阵表模糊规则矩阵表每个单元包含的交通参数的隶属度作为每个单元的预设的路况的隶属度；当模糊规则矩阵表为多维模糊规则矩阵表时，将每个单元中包括的交通参数的隶属度的最小值作为该单元的预设的路况的隶属度。例如，在表二关于车辆速度/车辆占有率的二维模糊规则矩阵表中，按照上述第一预设规则，对表二中每个单元包含的在不同应用场景交通参数的隶属度进行处理，得到模糊规则矩阵表中每个单元的预设的路况的隶属度的结果可以如表三所示。

表三

聚合子模块，用于根据路况的类型,对模糊规则矩阵表中的每个单元的隶属度进行聚合处理，得到每种类型的路况的隶属度的聚合结果。

具体地，在一维或者多维模糊规则矩阵表中，对于一种类型的路况在模糊规则矩阵表的各个单元中存在多个隶属度，通过对同一种类型的路况进行聚合处理，可以得到每种类型的路况的隶属度的聚合结果，例如，如上表表三中所示，以畅通为例，存在畅通(0)，畅通(0)，以及畅通(1)三种隶属度，通过对上述三种隶属度进行聚合处理，可以得到畅通(1)的聚合结果。

需要说明的是，对同一种类型的路况进行聚合处理可以是将同一种类型的路况中的隶属度的最大值作为该路况的隶属度。例如，将表三进行聚合处理，聚合结果可以如下表表四所示。

表四

路况	隶属度
		畅通	1
缓行	0

拥堵

0

比对子模块，用于比对每种类型的路况的隶属度，将隶属度最大值对应的路况作为第一预设周期内第一目标路段的实时路况。

具体地，以表四的每种类型的路况的隶属度为例，通过上述比对子模块，可以得到上述三种类型路况的隶属度的最大值为1，该隶属度对应的路况的类型为畅通，由此可知，第一预设周期内第一目标路段的实时路况为畅通。

需要说明的是，当隶属度最大值存在两个或两个以上相同的数值时，可以选取相对畅通的路况作为第一预设周期内第一目标路段的实时路况。例如，相对畅通的路况的选择方式可以是：当畅通和缓行的隶属的数值相同时，选取畅通作为第一预设周期内第一目标路段的实时路况。

本申请实施例一种可选的方案中，该装置还可以包括：

记录单元，用于将路况的运算结果的累加值作为交通数据发布周期内第二目标路段的实时路况的可信度。

具体地，本申请实施例中，以表二为例，给出了交通参数为车辆速度和车辆占有率的情况下，通过交通参数分析得到交通道路信息的方法。对于交通参数包括一个参数、两个参数但不同于包括车辆速度以及车辆占有率或者三个参数的情况下，与该实施例中包含车辆速度以及车辆占有率的分析过程相同，可以使用一维模糊规则矩阵表、二维模糊规则矩阵表或者三维模糊规则矩阵表。其中，对于二维模糊规则矩阵表与三维模糊规则矩阵表可以是参考流密度曲线制定，具体如图3a以及图3b所示。图3a以及图3b中速度可以是本申请实施例中的车辆速度，流量可以是单位时间内通过的车辆的数量，密度可以是单位距离内车辆的数量。图3a中，Q＝V·K,其中，Q为流量，K为密度，V为速度。图3b中，图3b中,可以得到Q-K，V-Q，V-K的关系曲线图，其中，Q为流量，K为密度，V为速度。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (20)

1.一种处理交通道路信息的方法，其特征在于，包括：

在第一预设周期内获取采集到的第一目标路段的交通参数和/或所述交通参数的可信度，其中，所述交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度；

根据所述第一目标路段的交通参数的参数数量和/或所述交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，所述模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表；

调用隶属度函数，通过所述隶属度函数确定所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，所述路况至少包括如下类型：畅通、缓行或者拥堵；

通过比对所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定所述第一预设周期内所述第一目标路段的实时路况。

2.根据权利要求1所述的方法，其特征在于，在所述第一目标路段的交通参数的参数数量为至少两个的情况下，所述第一目标路段的交通参数的可信度为每个参数的可信度的组合，其中，根据所述第一目标路段的交通参数的参数数量和/或所述交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，包括：

根据所述第一目标路段的交通参数的参数数量，从所述预存的模糊规则矩阵表集合中获取一组模糊规则矩阵表，其中，所述一组模糊规则矩阵表中包含的每个模糊规则矩阵表的维度与所述参数数量相同；

从所述一组模糊规则矩阵表中选择与所述第一目标路段的交通参数的可信度匹配的模糊规则矩阵表，得到所述第一模糊规则矩阵表。

3.根据权利要求1或2所述的方法，其特征在于，在第一预设周期内获取采集到的第一目标路段的交通参数和/或所述交通参数的可信度之前，所述方法还包括：

在所述第一预设周期内采用多个交通检测设备采集所述第一目标路段的交通数据，其中，所述多个交通检测设备至少包括如下任意多个设备的组合：磁频车辆检测器、波频车辆检测器、视频车辆检测器、线圈车辆检测器、微波车辆检测器、地磁车辆检测器和SCATS车辆检测器；

对所述交通数据进行数据预处理，得到所述第一目标路段的交通参数，其中，所述数据预处理至少包括如下任意一个或多个处理：所述交通数据的过滤、所述交通数据的时空转换和所述交通数据的数据转换。

4.根据权利要求3所述的方法，其特征在于，对所述交通数据进行数据预处理，得到所述第一目标路段的交通参数，包括：

采用预设的过滤条件分别对每个交通检测设备采集到所述第一目标路段的交通数据进行过滤，得到过滤后的每个交通检测设备采集到的交通数据，其中，所述过滤条件至少包括如下任意一个或多个条件：交通检测设备的设备参数、不同路况的车速限定范围、不同类型的道路的车流量限定范围、车辆时间占有率、不同类型的交通参数的关系限定条件；

对所述过滤后的每个交通检测设备采集到的交通数据进行所述时空转换和/或所述数据转换处理，得到所述第一目标路段的交通参数。

5.根据权利要求4所述的方法，其特征在于，所述交通数据包括至少如下任意一个或多个类型的参数：车辆占有率、车辆流量的流量饱和度以及车辆速度，其中，对所述过滤后的每个交通检测设备采集到的交通数据进行所述数据转换处理，得到所述第一目标路段的交通参数，包括：

根据所述第一预设周期内所述每个交通检测设备的检测精度和实际采集到的每种类型的参数的数据总量，计算得到在所述第一预设周期内所述每个交通检测设备检测得到的每种类型的参数的可信度；

将所述每种类型的参数的可信度作为加权系数，对实际采集到所述每种类型的参数进行加权平均计算，得到在所述第一预设周期内所述第一目标路段的交通参数；

其中，将所述每个交通检测设备检测到的同一个类型参数的可信度进行求平均计算，得到所述交通参数的可信度。

6.根据权利要求1所述的方法，其特征在于，在交通数据发布周期包括多个在时长上与所述第一预设周期相同的时间周期时，在通过比对所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定所述第一预设周期内所述第一目标路段的实时路况之后，所述方法还包括：

获取所述交通数据发布周期中包括的每个时间周期内所述第一目标路段的实时路况的可信度；

将所述每个时间周期具有相同类型的路况的可信度进行累加，得到每种类型的路况的可信度的累加值；

将可信度累加值最高的路况的作为所述交通数据发布周期内第一目标路段的实时路况。

7.根据权利要求6所述的方法，其特征在于，获取所述交通数据发布周期中包括的每个时间周期内所述第一目标路段的实时路况的可信度，包括：

计算每个时间周期内所述第一目标路段的道路处于通行状态下的时间占比值；

根据所述每个时间周期内采集到的所述第一目标路段的交通参数的可信度和道路处于通行状态下的时间占比值，计算得到所述每个时间周期内的所述第一目标路段的实时路况的可信度。

8.根据权利要求6所述的方法，其特征在于，在第二目标路段包括在空间上间断设置的包括所述第一目标路段在内的多个路段时，其中，在将可信度累加数值最高的路况的作为所述交通数据发布周期第一目标路段的所述实时路况之后，所述方法还包括：

读取所述多个路段对应的多个路段加权系数；

将每个路段加权系数与对应所述交通数据发布周期内路段的所述实时路况的可信度进行求积运算；

将所述每个路段具有相同类型路况的所述求积运算的运算结果进行累加，得到每种类型的路况的累加值，得到所述交通数据发布周期内第二目标路段的所述实时路况的可信度；

确定所述累加值最高的路况作为所述交通数据发布周期内第二目标路段的实时路况。

9.根据权利要求1所述的方法，其特征在于，在交通数据发布周期包括多个在时长上与所述第一预设周期相同的时间周期时，其中，在通过比对所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定所述第一预设周期内所述第一目标路段的实时路况之后，所述方法还包括：

读取所述每种类型的路况的优先级；

确定每个时间周期内所述第一目标路段的实时路况中所述优先级高的路况作为所述交通数据发布周期内所述第一目标路段的实时路况。

10.根据权利要求1所述的方法，其特征在于，调用隶属度函数，通过所述隶属度函数确定所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，包括：

调用隶属度函数，通过所述隶属度函数确定所述交通参数在模糊规则矩阵表中的隶属度；

根据所述交通参数在所述模糊规则矩阵表中的隶属度，确定所述模糊规则矩阵中包含的每种类型的路况的隶属度。

11.一种处理交通道路信息的装置，其特征在于，包括：

第一获取单元，用于在第一预设周期内获取交通检测设备采集到的第一目标路段的交通参数和/或所述交通参数的可信度，其中，所述交通参数至少包括如下任意一个或多个参数：车辆占有率、车辆流量的流量饱和度以及车辆速度；

匹配单元，用于根据所述第一目标路段的交通参数的参数数量和/或所述交通参数的可信度从预存的模糊规则矩阵表集合中选择得到第一模糊规则矩阵表，其中，所述模糊规则矩阵表包括如下任意一种类型：一维模糊规则矩阵表、二维模糊规则矩阵表和三维模糊规则矩阵表；

确定单元，用于调用隶属度函数，通过所述隶属度函数确定所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，其中，所述路况至少包括如下类型：畅通、缓行或者拥堵；

比对单元，用于通过比对所述第一模糊规则矩阵表中包含的每种类型的路况的隶属度，确定所述第一预设周期内所述第一目标路段的实时路况。

12.根据权利要求11所述的装置，其特征在于，在所述第一目标路段的交通参数的参数数量为至少两个的情况下，所述第一目标路段的交通参数的可信度为每个参数的可信度的组合，所述匹配单元包括：

获取模块，用于根据所述第一目标路段的交通参数的参数数量，从所述预存的模糊规则矩阵表集合中获取一组模糊规则矩阵表，其中，所述一组模糊规则矩阵表中包含的每个模糊规则矩阵表的维度与所述参数数量相同；

匹配模块，用于从所述一组模糊规则矩阵表中选择与所述第一目标路段的交通参数的可信度匹配的模糊规则矩阵表，得到所述第一模糊规则矩阵表。

13.根据权利要求11或12所述的装置，其特征在于，所述装置还包括：

采集单元，用于在所述第一预设周期内采用多个交通检测设备采集所述第一目标路段的交通数据，其中，所述多个交通检测设备至少包括如下任意多个设备的组合：磁频车辆检测器、波频车辆检测器、视频车辆检测器、线圈车辆检测器、微波车辆检测器、地磁车辆检测器和SCATS车辆检测器；

处理单元，用于对所述交通数据进行数据预处理，得到所述第一目标路段的交通参数，其中，所述数据预处理至少包括如下任意一个或多个处理：所述交通数据的过滤、所述交通数据的时空转换和所述交通数据的数据转换。

14.根据权利要求13所述的装置，其特征在于，所述处理单元包括：

第一处理模块，用于采用预设的过滤条件分别对每个交通检测设备采集到所述第一目标路段的交通数据进行过滤，得到过滤后的每个交通检测设备采集到的交通数据，其中，所述过滤条件至少包括如下任意一个或多个条件：交通检测设备的设备参数、不同路况的车速限定范围、不同类型的道路的车流量限定范围、车辆时间占有率、不同类型的交通参数的关系限定条件；

第二处理模块，用于对所述过滤后的每个交通检测设备采集到的交通数据进行所述时空转换和/或所述数据转换处理，得到所述第一目标路段的交通参数。

15.根据权利要求14所述的装置，其特征在于，所述交通数据包括至少如下任意一个或多个类型的参数：车辆占有率、车辆流量的流量饱和度以及车辆速度，其中，所述第二处理模块包括：

第一处理子模块，用于根据所述第一预设周期内每个交通检测设备的检测精度和实际采集到的每种类型的参数的数据总量，计算得到在所述第一预设周期内所述每个交通检测设备检测得到的每种类型的参数的可信度；

第二处理子模块，用于将所述每种类型的参数的可信度作为加权系数，对实际采集到所述每种类型的参数进行加权平均计算，得到在所述第一预设周期内所述第一目标路段的交通参数；

第三处理子模块，用于将所述每个交通检测设备检测到的同一个类型参数的可信度进行求平均计算，得到所述交通参数的可信度。

16.根据权利要求11所述的装置，其特征在于，在交通数据发布周期包括多个在时长上与所述第一预设周期相同的时间周期时，所述装置还包括：

第二获取单元，用于获取所述交通数据发布周期中包括的每个时间周期内所述第一目标路段的实时路况的可信度；

第一累加单元，用于将所述每个时间周期具有相同类型的路况的可信度进行累加，得到每种类型的路况的可信度的累加值；

第一选定单元，用于将可信度累加值最高的路况的作为所述交通数据发布周期内第一目标路段的实时路况。

17.根据权利要求16所述的装置，其特征在于，所述第二获取单元包括：

第一计算模块，用于计算每个时间周期内所述第一目标路段的道路处于通行状态下的时间占比值；

第二计算模块，用于根据所述每个时间周期内采集到的所述第一目标路段的交通参数的可信度和道路处于通行状态下的时间占比值，计算得到所述每个时间周期内的所述第一目标路段的实时路况的可信度。

18.根据权利要求16所述的装置，其特征在于，在第二目标路段包括在空间上间断设置的与包括所述第一目标路段在内的多个路段时，所述装置还包括：

第三获取单元，用于读取多个所述路段对应的多个路段加权系数；

运算单元，用于将每个路段加权系数与对应所述交通数据发布周期内路段的所述实时路况的可信度进行求积运算；

第二累加单元，用于将所述每个路段具有相同类型路况的所述求积运算的运算结果进行累加，得到每种类型的路况的累加值；

第二选定单元，用于确定所述累加值最高的路况作为所述交通数据发布周期内第二目标路段的实时路况。

19.根据权利要求11所述的装置，其特征在于，在交通数据发布周期包括多个在时长上与所述第一预设周期相同的时间周期时，所述装置还包括：

第四获取单元，用于读取所述每种类型的路况的优先级；

第三选定单元，用于确定每个时间周期内所述第一目标路段的实时路况中所述优先级高的路况作为所述交通数据发布周期内所述第一目标路段的实时路况。

20.根据权利要求11所述的装置，其特征在于，所述确定单元包括：

第一确定模块，用于调用隶属度函数，通过所述隶属度函数确定所述交通参数在模糊规则矩阵表中的隶属度；

第二确定模块，用于根据所述交通参数在所述模糊规则矩阵表中的隶属度，确定所述模糊规则矩阵中包含的每种类型的路况的隶属度。