CN107689152A - 用于在一个路网中进行交通处理的方法和装置 - Google Patents
用于在一个路网中进行交通处理的方法和装置 Download PDFInfo
- Publication number
- CN107689152A CN107689152A CN201610633057.4A CN201610633057A CN107689152A CN 107689152 A CN107689152 A CN 107689152A CN 201610633057 A CN201610633057 A CN 201610633057A CN 107689152 A CN107689152 A CN 107689152A
- Authority
- CN
- China
- Prior art keywords
- road network
- sub
- section
- seed
- traffic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
涉及用于在路网中进行交通处理的方法和装置，该装置包括：获取模块(402)，用于从路网中获取N个种子路段，种子路段为在至少一个时间段内交通流量达到指定阈值的路段，N为正整数；确定模块(404)，用于基于获取模块(402)所获取的N个种子路段，确定路网中易于交通瘫痪的M个子路网，M为正整数，M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，且任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，关联度用于表示一个种子路段与一个邻近路段之间的交通流量的关联程度。利用该方法和装置，有助于避免路网中发生交通瘫痪。
Description
技术领域
本发明涉及交通领域，尤其涉及用于在一个路网中进行交通处理的方法和装置。
背景技术
随着车辆的增多，在城市中越来越经常出现交通堵塞。交通瘫痪是一种重度交通堵塞，当发生交通瘫痪时，城市路网的多个路段几乎均处于交通静止状态并且需要很长时间才能从这种交通静止状态恢复到正常交通状态，严重影响了在城市中生活的人们的出行。
目前，没有发现用于避免发生交通瘫痪的技术。
发明内容
考虑到现有技术的缺陷，本发明的实施例提供用于在一个路网中进行交通处理的方法和装置，其有助于避免在路网中发生交通瘫痪。
按照本发明实施例的一种用于在一个路网中进行交通处理的方法，包括：从所述路网中获取N个种子路段，所述种子路段为在至少一个时间段内交通流量达到指定阈值的路段，所述N为正整数；以及，基于所获取的N个种子路段，确定所述路网中易于交通瘫痪的M个子路网，所述M为正整数，其中，所述M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，并且，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。这里，利用路网中交通流量大的路段来获取路网中易于交通瘫痪的子路网，从而可以利用该易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪，因而有助于避免在路网中发生交通瘫痪。
其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网。
其中，所述M个子路网是基于预先获得的至少一个车辆行驶轨迹和所述N个种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
其中，所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
用聚集度表示整个子路网的路段之间的关联程度，使得子路网发生交通瘫痪的判断结果更准确。通过设置聚集度阈值，可灵活控制易于交通瘫痪的子路网。
其中，所述方法还包括：获得所述任一子路网子路网的易于交通瘫痪时间段。其中，如果所述任一子路网仅包括一个种子路段，则将该种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该至少两个种子路段中仅有一个种子路段的交通流量大于所述指定阈值，则将该一个种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该子路网包括的种子路段中有至少两个种子路段的交通流量大于所述指定阈值，则对于该子路网所包括的交通流量大于所述指定阈值的每一个种子路段，确定该种子路段的交通流量大于所述指定阈值的时间段，并且根据所确定的每一个时间段，确定该子路网的最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为所确定的每一个时间段中的最早起始时刻，终止时刻为所确定的每一个时间段中的最晚终止时刻。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将每一个子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
其中，所述方法还包括：计算所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量，其中，所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量是该路段在该子网络的所述易于交通瘫痪时间段内正常交通状态下的交通流量。在计算得到每一个易于交通瘫痪的子路网所包括的各个路段在该子路网的易于交通瘫痪时间段内的常规交通流量之后，可以通过监测每一个易于交通瘫痪的子路网所包括的各个路段在该子路网的易于交通瘫痪时间段内的常规交通流量和实际交通流量的差异程度，自动地预测每一个子路网是否有可能发生交通瘫痪。
按照本发明实施例的一种用于在一个路网中进行交通处理的方法，包括：检测所述路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网；以及，当检测结果为肯定时，发出所述目标子路网可能发生交通瘫痪的警示，其中，所述易于交通瘫痪的子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，所述种子路段是所述路网中在至少一个时间段内交通流量达到指定阈值的路段，其中，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。这里，利用易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪并当有可能发生交通瘫痪时发出警示，从而有助于避免在路网中发生交通瘫痪。
其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网。
其中，所述易于交通瘫痪的子路网是基于预先获得的至少一个车辆行驶轨迹和所述种子路段得到的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
其中，所述任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
用聚集度表示整个子路网的路段之间的关联程度，使得子路网发生交通瘫痪的判断结果更准确。通过设置聚集度阈值，可灵活控制易于交通瘫痪的子路网。
其中，检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子网络包括：接收报警消息，所述报警消息用于指示所述路网中的至少一条特定路段在特定时刻发生了交通异常事件；判断所述易于交通瘫痪的子路网中是否存在满足以下条件的所述目标子路网：所述目标子路网包括有所述至少一条特定路段中的部分或全部路段，且所述特定时刻落入在所述目标子路网的易于交通瘫痪时间段内，其中，所述目标子路网的易于交通瘫痪时间段是根据所述目标子路网所包括的所述至少一个种子路段中的每一个种子路段的交通流量大于所述指定阈值的时间段确定的。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将易于交通瘫痪的子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常事件所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
按照本发明实施例的一种用于在一个路网中进行交通处理的装置，包括：获取模块，用于从所述路网中获取N个种子路段，所述种子路段为在至少一个时间段内交通流量达到指定阈值的路段，所述N为正整数；以及，确定模块，用于基于所获取的N个种子路段，确定所述路网中易于交通瘫痪的M个子路网，所述M为正整数，其中，所述M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，并且，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。这里，利用路网中交通流量大的路段来获取路网中易于交通瘫痪的子路网，从而可以利用该易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪，因而有助于避免在路网中发生交通瘫痪。
其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网，符合生活经验。
其中，所述M个子路网是基于预先获得的至少一个车辆行驶轨迹和所述N个种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
其中，所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
用聚集度表示整个子路网的路段之间的关联程度，使得子路网发生交通瘫痪的判断结果更准确。通过设置聚集度阈值，可灵活控制易于交通瘫痪的子路网。
其中，所述装置还包括：获得模块，用于获得所述任一子路网子路网的易于交通瘫痪时间段。其中，如果所述任一子路网仅包括一个种子路段，则将该种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该至少两个种子路段中仅有一个种子路段的交通流量大于所述指定阈值，则将该一个种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该子路网包括的种子路段中有至少两个种子路段的交通流量大于所述指定阈值，则对于该子路网所包括的交通流量大于所述指定阈值的每一个种子路段，确定该种子路段的交通流量大于所述指定阈值的时间段，并且根据所确定的每一个时间段，确定该子路网的最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为所确定的每一个时间段中的最早起始时刻，终止时刻为所确定的每一个时间段中的最晚终止时刻。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将每一个子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
按照本发明实施例的一种用于在一个路网中进行交通处理的装置，包括：检测模块，用于检测所述路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网；以及，警告模块，用于当检测结果为肯定时，发出所述目标子路网可能发生交通瘫痪的警示，其中，所述易于交通瘫痪的子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，所述种子路段是所述路网中在至少一个时间段内交通流量达到指定阈值的路段，其中，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。这里，利用易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪并当有可能发生交通瘫痪时发出警示，从而有助于避免在路网中发生交通瘫痪。
其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网，符合生活经验。
其中，所述易于交通瘫痪的子路网是基于预先获得的至少一个车辆行驶轨迹和所述种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
其中，所述任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
用聚集度表示整个子路网的路段之间的关联程度，使得子路网发生交通瘫痪的判断结果更准确。通过设置聚集度阈值，可灵活控制易于交通瘫痪的子路网。
其中，所述检测模块包括：接收模块，用于接收报警消息，所述报警消息指示所述路网中的至少一个特定路段在特定时刻发生了交通异常事件；判断模块，用于判断所述易于交通瘫痪的子路网中是否存在满足以下条件的所述目标子路网：所述目标子路网包括有所述至少一个特定路段中的部分或全部路段，且所述特定时刻落入在所述目标子路网的易于交通瘫痪时间段内，其中，所述目标子路网的易于交通瘫痪时间段是根据所述目标子路网所包括的所述至少一个种子路段中的每一个种子路段的交通流量大于所述指定阈值的时间段确定的。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将易于交通瘫痪的子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常事件所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
按照本发明实施例的一种用于在一个路网中进行交通处理的设备，包括：处理器；以及，存储器，用于存储可执行指令，其中，所述可执行指令当被执行时使得所述处理器执行前述方法所包括的操作。
按照本发明实施例的一种计算机程序产品，包括：机器可读介质，其上存储有可执行指令，其中，所述可执行指令当被执行时使得机器执行前述方法所包括的操作。
附图说明
本发明的其它特征、特点、优点和益处通过以下结合附图的详细描述将变得更加显而易见。其中：
图1A示出了按照本发明的一个实施例的用于交通处理的方法的总体流程图；
图1B-1D示出了易于交通瘫痪的子路网的挖掘示例过程；
图1E示出了按照本发明的一个实施例的用于交通处理的系统的示意图；
图2示出了按照本发明的一个实施例的用于交通处理的方法的流程图；
图3示出了按照本发明的一个实施例的用于交通处理的方法的流程图；
图4示出了按照本发明的一个实施例的用于交通处理的装置的示意图；
图5示出了按照本发明的一个实施例的用于交通处理的装置的示意图；
图6示出了按照本发明的一个实施例的用于交通处理的设备的示意图。
附图标记列表：
102：获取轨迹； 104：执行地图匹配； 106：转换轨迹；
108：计算数目； 110：确定种子路段； 112：提取种子路段；
114：加入子路网； 116：提取邻近路段；
118：计算支持度、相关度和聚集度；
120：判断是否大于指定阈值；
122：将邻近路段加入子路网；
124：判断是否存在未被提取过的邻近路段；
126：确定子路网为强关联子网；
127：获取子网的易于交通瘫痪时间段；
128：判断是否存在未被提取过的种子路段；
130：判断是否存在满足条件的目标强关联子网；
132：发出警示； ZZ：种子路段；
LJ1、LJ2、LJ3、LJ4、LJ5：邻近路段；
DLB:数字道路网络数据库；
GJB：轨迹数据库；
GLB：关联规则数据库；
202：获取种子路段；
204：挖掘子路网；
206：获得易于交通瘫痪时间段；
208：计算常规交通流量；
302：检测目标子路网；
304：发出警示；
402：获取模块； 404：确定模块； 406：获得模块；
502：检测模块； 504：警告模块； 5022：接收模块；
5024：判断模块； 610：处理器； 620：存储器。
具体实施方式
如前所述，交通瘫痪是一种重度交通堵塞，那么如何避免发生交通瘫痪就变得极为重要。避免发生交通瘫痪的一个可行的方法就是在发生交通瘫痪之前能够有效地预测交通瘫痪的情况。
基于上述思路，本发明实施例提供了一种预测和警示路网中有可能发生交通瘫痪的子路网以避免在路网中发生交通瘫痪的方案。
该方案首先找出该路网中交通流量较大的路段作为种子路段并基于所找出的种子路段来确定该路网中易于交通瘫痪的子路网，然后，利用所确定的易于交通瘫痪的子路网来预测该路网中有可能发生交通瘫痪的子路网并对其发出警示，从而使得驶入有可能发生交通瘫痪的的子路网的车辆变少以避免路网发生交通瘫痪，因此，该方案能够有助于避免在路网中发生交通瘫痪。
在下面的描述中将要用到关联规则挖掘技术，因此在此先对其相关知识进行简要说明。
关联规则(Association Rules)是对出现在同一事务中不同项之间的关联关系分析与度量。文献1(Dunham M H,Gruenwald Y X L,Hossain Z.A survey of associationrules.Retrieved January.2001)对关联规则作出如下正式定义：
令I＝{I1,I2,…,IM}表示包含M项目的项目集合，事务数据库DT表示事务(交易)的集合，数据库DT中的一条交易T包含项目集合I中的一个或多个元素，即那么事务数据库DT中的一条关联规则可以表示为其中X,Y是项目集合I的非空子集(且X∩Y≠φ)。
根据上述定义可知，项目集合中任意两个或多个项目之间的关联关系主要使用这些项目同时出现在事务中的情况来衡量。一条关联规则的意义可以通俗的理解为当X发生时，推测出Y的发生，相当一条IF-THEN语句，只不过该IF-THEN语句并不是绝对成立，仅以一定的概率成立。
关联规则挖掘(Association Rule Mining)是最主要的一种数据挖掘技术，主要用于对事务数据库进行研究，对事务数据库所对应的项目集合中项目之间的关联关系进行量化分析，挖掘其中满足约束条件的关联规则。关联规则挖掘中涉及到各种约束，常用的约束是支持度、置信度和相关度。
支持度(support)：关联规则具有支持度s表示在事务数据库DT中，同时包含X和Y的事务占DT中事务总量的百分比，记为
置信度(confidence)：关联规则具有置信度c表示在事务数据库DT中，包含X的事务同时也包含了Y的事务所占比例，记为置信度表示了关联规则的强度，例如某关联规则的置信度为85％，意味着当X在某事务中出现时，Y有85％的可能性在该事务中出现。另外，置信度独立于支持度，与支持度的大小无关，例如，商场中有一些商品很贵销量很低，但这些商品中某些商品经常被一起卖出去(如电脑和电脑桌)，它们的P(X∪Y)没有超过支持度阈值，但P(Y|X)可能会很大。在进行挖掘之前，可以指定一个最小支持度和最小置信度作为约束，来挖掘出合理的关联规则。
相关度(correlation)：用于表示X和Y之间的相关性。相关度具有多种度量形式，包括但不局限于提升度(P(X∪Y)/(P(X)×P(Y)))、最大置信度(max{P(X|Y),P(Y|X)})、余弦度量Kulc度量()等。这些度量方法的结果仅仅受到条件概率P(X|Y)和P(Y|X)的影响，且取值区间为[0,1]，取值越大，X和Y的相关度越大。
此外，本发明实施例还提出了包括多个项目的集合的聚集度(cluster)的概念，其表示集合的聚集程度，并且可以使用集合所包括的项目之间的相关度之和的平均值来表示。例如，假设集合V包含项目r1、r2、r3和r4，那么集合V的聚集度Vcluster按照如下计算：
Vcluster＝[correlation(r1,r2)+correlation(r1,r3)+correlation(r1,r4)+correlation(r2,r3)+correlation(r2,r4)+correlation(r3,r4)]/5，
其中，correlation(r1,r2)表示项目r1和r2之间的相关度，correlation(r1,r3)表示项目r1和r3之间的相关度，correlation(r1,r4)表示项目r1和r4之间的相关度，correlation(r2,r3)表示项目r2和r3之间的相关度，correlation(r2,r4)表示项目r2和r4之间的相关度，以及，correlation(r3,r4)表示项目r3和r4之间的相关度。
下面，将参照附图详细描述本发明的各个实施例。
现在参见图1A，其示出了按照本发明的一个实施例的用于在一个路网中进行交通处理的方法的总体流程图。图1A所示的方法100可以由具有计算能力的任何设备(例如但不局限于，台式计算机、笔记本电脑、服务器等)来实现。
如图1A所示，在方框102，获取在路网A中收集到的基于位置点的车辆行驶轨迹。在一个方面，所获取的车辆行驶轨迹例如可以是30,000辆出租车在3个月时间期间在路网A中行驶所得到的轨迹。在另一方面，所获取的车辆行驶轨迹例如可以是各种车辆在任何合适的时间段期间在路网A中行驶所得到的轨迹。
每一条基于位置点的车辆行驶轨迹Ti通常表示为车辆位置点序列，每一个车辆位置点Pi用{车辆标识(ID)，经纬度，时间戳}来表征，其中，车辆ID表示行驶通过车辆位置点Pi的车辆的标识，经纬度表示车辆位置点Pi的经度坐标和纬度坐标，以及，时间戳表示具有车辆ID的车辆行驶通过车辆位置点Pi的时间。
在方框104，执行地图匹配，以将所获取的每一条车辆行驶轨迹匹配到路网A中的相应路段上。例如，假设某一条车辆行驶轨迹Ti经过路网A中的路段r1、路段r2、…、路段rn，则经过地图匹配后车辆行驶轨迹Ti被匹配到路段r1、路段r2、…、路段rn。这里，可以使用任何合适的地图匹配算法来执行地图匹配，例如但不局限于几何匹配算法、概率匹配算法或时空匹配算法等。
在方框106，在执行地图匹配后，将每一条基于位置点的车辆行驶轨迹转换为基于路段的车辆行驶轨迹。每一条基于路段的车辆行驶轨迹表示为包含该车辆行驶轨迹被匹配到的所有路段的路段集合，并且指示该车辆行驶轨迹经过其被匹配到的各个路段的时间段，其可以根据车辆行驶轨迹的车辆位置点的时间戳计算得到。例如，假设车辆行驶轨迹Ri被匹配到路网A中的路段L1、路段L2、…、路段Lm，并且根据车辆行驶轨迹Ri的车辆位置点的时间戳计算得知，车辆行驶轨迹Ri在时间段t1经过路段L1，车辆行驶轨迹Ri在时间段t2经过路段L2，…，车辆行驶轨迹Ri在时间段tm经过路段Lm，则基于路段的车辆行驶轨迹Ri表示为包含路段L1、路段L2、…、路段Lm的路段集合，并且指示经过路段L1的时间段为t1，经过路段L2的时间段为t2，…，经过路段Lm所属的时间段为tm。
在方框108，根据转换后的基于路段的车辆行驶轨迹，计算在每一个时间段中与至少一个车辆行驶轨迹匹配的每一个路段所匹配的车辆行驶轨迹的数目。
在方框110，根据在每一个时间段中与至少一个车辆行驶轨迹匹配的每一个路段所匹配的车辆行驶轨迹的数目，从路网A中确定种子路段。其中，每一个种子路段是路网A中在至少一个时间段内所匹配的车辆行驶轨迹的数目大于指定阈值的路段。在本实施例中，可选地，可使用路段所匹配的车辆行驶轨迹的数目作为路段的交通流量的一个例子，以及，种子路段的交通流量大于预设的阈值的时间段被称作种子路段的繁忙时间段。
在方框112，从所确定的种子路段中，提取一个未被提取过的种子路段，作为当前种子路段Zcur。
在方框114，将当前种子路段Zcur加入到一个初始为空的子路网V中(当然，这是一个可选的实现方案，可选地，子路网V中也可存在其他种子路段)。
在方框116，从当前种子路段Zcur的邻近路段中提取一个未被提取过的邻近路段，作为当前邻近路段Ncur。这里，当前种子路段Zcur的邻近路段可包括与当前种子路段Zcur直接连接的路段，此外，还可包括与当前种子路段Zcur未直接连接但靠近当前种子路段Zcur的路段，当然这里仅为示例，实际上，当前种子路段Zcur的邻近路段可不限于上述两种路段，具体可根据实际情况而定。
在方框118，计算当前种子路段Zcur与当前邻近路段Ncur的支持度Support(Zcur,Ncur)和相关度Correlation(Zcur,Ncur)，以及，在加入当前邻近路段Ncur后子路网V的聚集度Cluster。这里，使用支持度Support(Zcur,Ncur)、相关度Correlation(Zcur,Ncur)和聚集度Cluster这三者来表示当前种子路段Zcur与当前邻近路段Ncur的关联度，其表示当前种子路段Zcur和当前邻近路段Ncur之间的交通流量的关联程度。
在一个方面，可按照以下等式来计算支持度Support(Zcur,Ncur)：
Support(Zcur,Ncur)＝cntShared(Zcur,Ncur)/cntU(Zcur,Ncur)，
从以上等式可以看出，支持度Support(Zcur,Ncur)等于cntShared(Zcur,Ncur)与cntU(Zcur,Ncur)的比值，其中，cntShared(Zcur,Ncur)表示所获取的车辆行驶轨迹中同时经过当前种子路段Zcur和当前邻近路段Ncur的车辆行驶轨迹的总数目，以及，cntU(Zcur,Ncur)表示所获取的车辆行驶轨迹中经过当前种子路段Zcur和当前邻近路段Ncur中的至少一个的车辆行驶轨迹的总数目。
在一个方面，可按照以下等式来计算相关度Correlation(Zcur,Ncur)：
Correlation(Zcur,Ncur)＝cntShared(Zcur,Ncur)/2×(1/cntRoad(Zcur)+1/cntRoad(Ncur))，
其中，cntRoad(Zcur)表示所获取的车辆行驶轨迹中经过当前种子路段Zcur的车辆行驶轨迹的总数目，以及，cntRoad(Ncur)所获取的车辆行驶轨迹中经过当前邻近路段Ncur的车辆行驶轨迹的总数目。从以上等式可以看出，本实施的相关度属于Kulc度量。
在一个方面，在加入当前邻近路段Ncur后子路网V的聚集度Cluster等于在加入当前邻近路段Ncur后子路网V包括的全部路段中的任意两个路段的相关度的总和的平均值或者子路网V包括的全部路段中的任意两个直接连接路段的相关度的总和的平均值。这里的相关度的计算方式与上述相关度Correlation(Zcur,Ncur)的计算方式相同。子路网V的聚集度Cluster表征子路网V的聚集程度，其中，子路网V中各路段之间越相关，那么整个子路网V聚集程度越高。
在方框120，判断所计算的支持度Support(Zcur,Ncur)、相关度Correlation(Zcur,Ncur)和聚集度Cluster是否分别大于指定支持度阈值、指定相关度阈值和指定聚集度阈值，即判断当前种子路段Zcur与当前邻近路段Ncur的关联度是否达到预设的关联度要求。
在方框122，如果方框120的判断结果为肯定，即：支持度Support(Zcur,Ncur)大于指定支持度阈值、相关度Correlation(Zcur,Ncur)大于指定相关度阈值和聚集度Cluster大于指定聚集度阈值(即当前种子路段Zcur与当前邻近路段Ncur的关联度达到预设的关联度要求)，则表明当前邻近路段Ncur是与当前种子路段Zcur强关联的路段，即“经过当前种子路段Zcur的车辆行驶轨迹也经过当前邻近路段Ncur”的关联规则是强关联规则，因而将当前邻近路段Ncur加入子路网V，然后流程进行到方框124。
如果如果方框120的判断结果为否定，即：支持度Support(Zcur,Ncur)不大于指定支持度阈值和/或相关度Correlation(Zcur,Ncur)不大于指定相关度阈值和/或聚集度Cluster不大于指定聚集度阈值(即当前种子路段Zcur与当前邻近路段Ncur的关联度未达到预设的关联度要求)，则表明当前邻近路段Ncur不是与当前种子路段Zcur强关联的路段，即“经过当前种子路段Zcur的车辆行驶轨迹也经过当前邻近路段Ncur”的关联规则不是强关联规则，因而不将当前邻近路段Ncur加入子路网V，然后流程进行到方框124。
在方框124，判断当前种子路段Zcur的邻近路段中是否存在未被提取过的邻近路段。
如果方框124的判断结果为肯定，则流程返回到方框116。
在方框126，如果方框124的判断结果为否定，则确定子路网V为一个强关联子网，其是一个易于交通瘫痪的子路网。
在方框127，获得该强关联子网所包括的种子路段的繁忙时间段(即该种子路段的交通流量大于指定阈值的时间段)，作为该强关联子网的易于交通瘫痪时间段。然后流程进行到方框128。
需要说明的是，一种情况是一个子路网中仅包括一个种子路段，此时则可将该种子路段的交通流量大于指定阈值的时间段作为该子路网的易于交通瘫痪时间段。
另一种情况是，一个子路网中可能包括多个种子路段，在具体实现时可能存在多种方式，比如：
方式一、
一个子路网中包括的多个种子路段中仅有一个种子路段的交通流量大于指定阈值，即将该一个种子路段的交通流量大于指定阈值的时间段作为该子路网的易于交通瘫痪时间段。
方式二、
一个子路网中包括的多个种子路段中有多个种子路段的交通流量大于指定阈值，对于每一个流量超阈值的种子路段，确定该种子路段的交通流量大于指定阈值的时间段，根据确定的各个时间段，确定最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为各个时间段的最早起始时刻，终止时刻为各个时间段的最晚终止时刻。
以上方式仅为举例，实际可采用的方式不限于此。
在方框128，判断所确定的种子路段中是否存在未被提取过的种子路段。
如果方框128的判断结果为肯定，则流程返回到方框112。
如果方框128的判断结果为否定，则确认已获取路网A中所有易于交通瘫痪的强关联子网。在本实施例中，强关联子网即为前述的关联挖掘技术中的集合，强相关子网所包括的路段即为前述的关联挖掘技术中的集合所包括的项目。
可以看出，易于交通瘫痪的强关联子网是基于所获取的车辆行驶轨迹和所确定的种子路段，通过关联规则挖掘技术挖掘得到的，每一个强关联子网包括一个种子路段和该种子路段的至少一个邻近路段，每一个强关联子网的易于交通瘫痪时间段是该强关联子网所包括的种子路段的繁忙时间段，并且每一个强关联子网所包括的路段的关联度(即该强关联子网所包括的路段之间的交通流量的关联程度)达到预设的关联度要求，即：每一个强关联子网包括的种子路段与该强关联子网包括的其它任一路段的支持度大于指定支持度阈值、每一个强关联子网包括的种子路段与该强关联子网包括的其它任一路段的相关度大于指定相关度阈值和每一个强关联子网的聚集度大于指定聚集度阈值。
图1B-1D示出了易于交通瘫痪的子路网的挖掘示例过程。首先，如图1B所示，种子路段ZZ被选择为子路网FI的种子路段，然后，如图1C所示，与种子路段ZZ强关联的邻近路段LJ1被加入到子路网FI，最后，如图1D所示，与种子路段ZZ强关联的邻近路段LJ2、LJ3、LJ4和LJ5也被逐渐加入到子路网FI，从而挖掘得到易于交通瘫痪的子路网FI。
在方框130，当接收到指示路网A中的至少一个特定路段G在某个时刻SK发生了交通异常事件的报警消息时，判断所获取的强关联子网中是否存在满足以下条件的目标强关联子网：该目标强关联子网包含该至少一个特定路段G中的部分或全部路段，且该时刻SK落入在该目标强关联子网的易于交通瘫痪时间段。
如果方框130的判断结果为否定，则流程结束。
在方框132，如果方框130的判断结果为肯定，则发出该目标强关联子网可能会发生交通瘫痪的警示。看到该警示之后，欲驾车驶入但仍未驶入该目标强关联子网的驾驶员将会选择其它路线行驶而避免驶入该目标强关联子网，导致该目标强关联子网的交通流量减少，从而避免该目标强关联子网发生交通瘫痪。
从以上的描述可以看出，本实施例的方案利用关联规则挖掘技术挖掘出路网中易于交通瘫痪的子路网并当易于交通瘫痪的子路网有可能发生交通瘫痪时发出警示，使得驶入易于交通瘫痪的子路网的车辆变少以避免易于交通瘫痪的子路网发生交通瘫痪，从而，本实施例的方案能够有助于避免在路网中发生交通瘫痪。
图1E示出了按照本发明的一个实施例的用于交通处理的系统的示意图。如图1E所示，在轨迹收集模块150中，收集路网中的各个车辆行驶生成的车辆行驶轨迹。所收集的车辆行驶轨迹是基于GPS位置点的轨迹。
在地图匹配模块152中，利用数字道路网络数据库DLB中存储的路网的道路信息，对所收集的每一条车辆轨迹执行地图匹配，以将每一条车辆行驶轨迹匹配到路网中的相应路段上，从而将每一条车辆行驶轨迹从基于GPS位置点的轨迹转换为基于路段的轨迹并存储到轨迹数据库GJB中。这里，数字道路网络数据库DLB中存储的路网的道路信息是预先通过利用路网的地图数据来切分而得到的。每一条基于路段的车辆行驶轨迹表示为包含该车辆行驶轨迹被匹配到的所有路段的路段集合，并且指示该车辆行驶轨迹经过其被匹配到的各个路段的时间段。
在空-时种子确定模块154中，根据数字道路网络数据库DLB中存储的路网的道路信息和轨迹数据库GJB中存储的基于路段的车辆行驶轨迹，确定路网中的种子路段，其中，每一个种子路段是路网中在至少一个时间段中其所匹配的车辆行驶轨迹的数目大于指定阈值的路段。空-时种子确定模块154可以按照前述方框108-110所描述的方式来确定种子路段。
在挖掘模块156中，根据所确定的种子路段，利用关联规则挖掘技术来挖据出易于交通瘫痪的子路网并存储在关联规则数据库GLB中。挖掘模块156可以按照前述方框112-128所描述的方式来挖掘易于交通瘫痪的子路网。
在报警接收模块158中，接收指示路网中的某个路段在某个时刻发生了交通异常事件的报警消息。该报警消息可以来自任何人员，例如但不局限于觉察到交通异常事件的路人、驾驶员和/或交通警察等。
在预测模块160中，基于所收到的报警消息，预测关联规则数据库GLB中所存储的易于交通瘫痪的子路网中是否存在有可能发生交通瘫痪的子路网并当预测结果为肯定时发出警示。预测模块160可以按照前述方框130-132所描述的方式来执行预测。
其中，轨迹收集模块150、地图匹配模块152、报警接收模块158和预测模块160属于系统的在线分析部分，以及，空-时种子确定模块154和挖掘模块156属于系统的离线挖掘部分。
其他变型
本领域技术人员应当理解，虽然在方框110中确定种子路段时，路段的交通流量以路段所匹配的车辆行驶轨迹的数目来表示，然而，本发明并不局限于此。在本发明的其它一些实施例中，例如也可以利用安装在路段中的感测器所收集的交通数据所计算得到的交通流量作为路段的交通流量。
本领域技术人员应当理解，虽然在本发明的上面实施例中，相关度使用Kulc度量来表示，然而，本发明并不局限于此。在本发明的其它一些实施例中，相关度也可以使用提升度、最大置信度或余弦度量等来表示。
本领域技术人员应当理解，虽然在本发明的上面实施例中，当前种子路段Zcur与当前邻近路段Ncur的关联度由支持度Support(Zcur,Ncur)、相关度Correlation(Zcur,Ncur)和聚集度Cluster三者来决定，然而，本发明并不局限于此。在本发明的其它一些实施例中，当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由支持度Support(Zcur,Ncur)、相关度Correlation(Zcur,Ncur)和聚集度Cluster中的一个或两个来决定，或者，当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由支持度Support(Zcur,Ncur)、相关度Correlation(Zcur,Ncur)和聚集度Cluster中的至少一个和其它类型的关联度量来决定，或者，当前种子路段Zcur与当前邻近路段Ncur的关联度也可以仅由至少一个其它类型的关联度量来决定。
本领域技术人员应当理解，子路网V的聚集度Cluster表征子路网V的聚集程度，其中，子路网V中各路段之间越相关，那么整个子路网V聚集程度越高。在具体计算聚集度时，也可将子路网V包括的全部路段中除了种子路段之外的各个邻近路段分别与该邻近路段对应的种子路段计算相关度后求和再取平均值。由于各个邻近路段分别邻近对应的种子路段，因此通过此种方式也可保证子路网V的聚集程度。进一步地，若一个子路网中存在多个种子路段，也可将种子路段之间的相关度计入聚集度的计算中，并与其它相关度求和后再取平均值。
本领域技术人员应当理解，方框102-128的操作和方框130-132的操作既可以在相同设备上实现，也可以分别在不同的设备上实现。在方框102-128的操作和方框130-132的操作分别在不同的设备上实现的情况下，该不同的设备可以归属于同一公司或不同公司。
本领域技术人员应当理解，虽然在本发明的上面实施例中，以方框130的方式来检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网，然而，本发明并不局限于此。在本发明的其它一些实施例中，例如也可以按照如下方式来检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网：首先，在已获取路网A中所有易于交通瘫痪的强关联子网之后，计算每一个强关联子网所包括的各个路段在该强关联子网的易于交通瘫痪时间段内正常交通状态下的交通流量，作为每一个强关联子网所包括的各个路段在该强关联子网的易于交通瘫痪时间段内的常规交通流量；然后，在每一个强关联子网的易于交通瘫痪时间段，测量该强关联子网所包括的各个路段的交通流量；接着，判断该强关联子网所包括的各个路段的测量的交通流量与常规交通流量的差异是否大于指定差异阈值，其中，如果判断结果为肯定，则确定该强关联子网是有可能发生交通瘫痪的目标子路网，反之则确定该强关联子网不是有可能发生交通瘫痪的目标子路网。
本领域技术人员应当理解，虽然在本发明的上面实施例中，当前种子路段Zcur与当前邻近路段Ncur的关联度由支持度Support(Zcur,Ncur)、相关度Correlation(Zcur,Ncur)、聚集度Cluster和/或其它类型的关联度量来决定，然而，本发明并不局限于此。在本发明的其它一些实施例中，当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由当前种子路段Zcur和当前邻近路段Ncur之间的拓扑结构关系决定。
具体地，假设从当前种子路段Zcur到当前邻近路段Ncur存在n条路径(R0R11R12..R1p1Rk)1,(R0R21R22..R2p2Rk)2,…,(R0Rn1Rn2..RnpnRk)n，其中，R0,R11,R12,R1p1,Rk,R21,R22,R2p2,Rn1,Rn2,Rnpn表示构成路径的路段，R0表示当前种子路段Zcur，Rk表示当前邻近路段Ncur。
首先，根据从当前种子路段Zcur到当前邻近路段Ncur的第1条路径中的两两相邻路段的路段权值，来计算该第1条路径的路径权值W((R0R11R12..R1p1Rk)1)，即：W((R0R11R12..R1p1Rk)1)＝W(R0,R11)*W(R11,R12)*…*W(R1p1,RK)，其中，W(R0,R11)，W(R11,R12)，…，W(R1p1,RK)分别表示相邻路段R0和R11的路段权值、相邻路段R11和R12的路段权值、…、相邻路段R1p1和RK的路段权值。这里，任意相邻路段Rm和Rm+1的路段权值W(Rm,Rm+1)随着与Rm和Rm+1的连接路口相连接的路段数目越大而越小。表1给出了任意相邻路段Rm和Rm+1的路段权值W(Rm,Rm+1)的取值示例。
表1
| 与Rm和Rm+1的连接路口相连接的路段数目 | W(Rm,Rm+1) |
| 2 | 0.9 |
| 3 | 0.75 |
| 4 | 0.5 |
| 5 | 0.3 |
| 环岛 | 0.3 |
| 其他 | 0.2 |
按照与第1条路径的路径权值W((R0R11R12..R1p1Rk)1)相同的计算方式，计算从当前种子路段Zcur到当前邻近路段Ncur的其它路径的路径权值W((R0R21R22..R2p2Rk)2)，…，W((R0Rn1Rn2..RnpnRk)n)。
然后，根据所计算的各个路径的路径权值来计算得到当前种子路段Zcur与当前邻近路段Ncur的关联度Relevance(R0,RK)，即：Relevance(R0,RK)＝W((R0R11R12..R1p1Rk)1)+W((R0R21R22..R2p2Rk)2)+…+W((R0Rn1Rn2..RnpnRk)n)。
上述例子中，任意相邻路段Rm和Rm+1的路段权值W(Rm,Rm+1)随着与Rm和Rm+1的连接路口相连接的路段数目越大而越小。两个相邻路段的连接路口相连接的路段数目越大，在这个连接路口车辆流向的可能情况就越多，那么这两个相邻路段交通流量之间的关联程度就越小，这两个相邻路段同时发生交通瘫痪的可能性就越小。这里，相邻路段的路径权值与该相邻路段的连接路口相连接的路段数目相关，而连接路口相连接的路段数目表示了一种路段之间的拓扑结构关系。因此，上述例子中，利用了一种路段之间的拓扑结构关系体现出了路段之间的交通流量的关联程度，也能够实现准确确定易于交通瘫痪的子路网的目的。
本领域技术人员应当理解，虽然在本发明的上面实施例中，每一个易于交通瘫痪的子网络仅包括一个种子路段，然而，本发明并不局限于此。在本发明的其它一些实施例中，每一个易于交通瘫痪的子网络也可以包括多个种子路段。
现在参见图2，其示出了按照本发明的一个实施例的用于在一个路网中进行交通处理的方法的流程图。图2所示的方法200可以由具有计算能力的任何设备来实现。
如图2所示，方法200可以包括，在方框202，从所述路网中获取N个种子路段，所述种子路段为在至少一个时间段内交通流量达到指定阈值的路段，所述N为正整数。方框202的操作例如可以利用方框108-110的操作来实现。
方法200还可以包括，在方框204，基于所获取的N个种子路段，确定所述路网中易于交通瘫痪的M个子路网，所述M为正整数，其中，所述M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，并且，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
这里，利用路网中交通流量大的路段来获取路网中易于交通瘫痪的子路网，从而可以利用该易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪，因而有助于避免在路网中发生交通瘫痪。
在一个方面，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。这例如可以利用前面“其他变型”中的“当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由当前种子路段Zcur和当前邻近路段Ncur之间的拓扑结构关系决定”部分所记载的方案来实现。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网。
在另一个方面，所述M个子路网是基于预先获得的至少一个车辆行驶轨迹和所述N个种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
在另又一个方面，所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
在再一个方面，方法200还可以包括，在方框206，获得所述任一子路网子路网的易于交通瘫痪时间段。其中，如果所述任一子路网仅包括一个种子路段，则将该种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该至少两个种子路段中仅有一个种子路段的交通流量大于所述指定阈值，则将该一个种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该子路网包括的种子路段中有至少两个种子路段的交通流量大于所述指定阈值，则对于该子路网所包括的交通流量大于所述指定阈值的每一个种子路段，确定该种子路段的交通流量大于所述指定阈值的时间段，并且根据所确定的每一个时间段，确定该子路网的最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为所确定的每一个时间段中的最早起始时刻，终止时刻为所确定的每一个时间段中的最晚终止时刻。
方框206的操作例如可以利用方框127的操作来实现。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将每一个子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
在又一个方面，方法200还可以包括，在方框208，计算所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量，其中，所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量是该路段在该子网络的所述易于交通瘫痪时间段内正常交通状态下的交通流量。。方框208的操作例如可以利用前面“其他变型”中的“在本发明的其它一些实施例中，例如也可以按照如下方式来检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网”部分所提到的常规交通流量计算方案来实现。在计算得到每一个易于交通瘫痪的子路网所包括的各个路段在该子路网的易于交通瘫痪时间段内的常规交通流量之后，可以通过监测每一个易于交通瘫痪的子路网所包括的各个路段在该子路网的易于交通瘫痪时间段内的常规交通流量和实际交通流量的差异程度，自动地预测每一个子路网是否有可能发生交通瘫痪。
现在参见图3，其示出了按照本发明的一个实施例的用于在一个路网中进行交通处理的方法的流程图。图3所示的方法300可以由具有计算能力的任何设备来实现。
如图3所示，方法300可以包括，在方框302，检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网。方框302的操作例如可以利用方框130的操作或前面“其他变型”中的“在本发明的其它一些实施例中，例如也可以按照如下方式来检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网”部分所记载的方案来实现。
方法300还可以包括，在方框304，当方框302的检测结果为肯定时，发出所述目标子路网可能发生交通瘫痪的警示。方框302的操作例如可以利用方框132的操作来实现。
其中，所述易于交通瘫痪的子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，所述种子路段是所述路网中在至少一个时间段内交通流量达到指定阈值的路段，其中，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
这里，利用易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪并当有可能发生交通瘫痪时发出警示，从而有助于避免在路网中发生交通瘫痪。
在一个方面，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。这例如可以利用前面“其他变型”中的“当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由当前种子路段Zcur和当前邻近路段Ncur之间的拓扑结构关系决定”部分所记载的方案来实现。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网。
在再一个方面，所述易于交通瘫痪的子路网是基于预先获得的至少一个车辆行驶轨迹和所述种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
在再又一个方面，所述任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
在另一个方面，方框302可以包括：接收报警消息，所述报警消息用于指示所述路网中的至少一条特定路段在特定时刻发生了交通异常事件；判断所述易于交通瘫痪的子路网中是否存在满足以下条件的所述目标子路网：所述目标子路网包括有所述至少一条特定路段中的部分或全部路段，且所述特定时刻落入在所述目标子路网的易于交通瘫痪时间段内，其中，所述目标子路网的易于交通瘫痪时间段是根据所述目标子路网所包括的所述至少一个种子路段的交通流量大于所述指定阈值的时间段确定的。这例如可以利用方框130-132的操作来实现。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将易于交通瘫痪的子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常事件所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
现在参见图4，其示出了按照本发明的一个实施例的用于交通处理的装置的示意图。图4所示的装置400可以利用软件、硬件(例如集成电路或DSP等)或软硬件结合的方式来实现。
图4所示，装置400可以包括获取模块402和确定模块404。获取模块402用于从所述路网中获取N个种子路段，所述种子路段为在至少一个时间段内交通流量达到指定阈值的路段，所述N为正整数。获取模块402例如可以利用方框108-110的操作来实现。确定模块404用于基于所获取的种子路段，确定所述路网中易于交通瘫痪的M个子路网，所述M为正整数。其中，所述M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，并且，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
这里，利用路网中交通流量大的路段来获取路网中易于交通瘫痪的子路网，从而可以利用该易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪，因而有助于避免在路网中发生交通瘫痪。
在一个方面，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。这例如可以利用前面“其他变型”中的“当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由当前种子路段Zcur和当前邻近路段Ncur之间的拓扑结构关系决定”部分所记载的方案来实现。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网，符合生活经验。
在另一个方面，所述M个子路网是基于预先获得的至少一个车辆行驶轨迹和所述N个种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
在另又一个方面，所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
在再一个方面，装置400还可以包括获得模块406。获得模块406可以用于获得所述任一子路网子路网的易于交通瘫痪时间段。其中，如果所述任一子路网仅包括一个种子路段，则将该种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该至少两个种子路段中仅有一个种子路段的交通流量大于所述指定阈值，则将该一个种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段。如果所述任一子路网包括至少两个种子路段并且该子路网包括的种子路段中有至少两个种子路段的交通流量大于所述指定阈值，则对于该子路网所包括的交通流量大于所述指定阈值的每一个种子路段，确定该种子路段的交通流量大于所述指定阈值的时间段，并且根据所确定的每一个时间段，确定该子路网的最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为所确定的每一个时间段中的最早起始时刻，终止时刻为所确定的每一个时间段中的最晚终止时刻。
获得模块406例如可以利用方框127的操作来实现。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将每一个子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
在又一个方面，装置400还可以包括计算模块408。计算模块408用于计算所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量，其中，所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量是该路段在该子网络的所述易于交通瘫痪时间段内正常交通状态下的交通流量。计算模块408例如可以利用前面“其他变型”中的“在本发明的其它一些实施例中，例如也可以按照如下方式来检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网”部分所提到的常规交通流量计算方案来实现。在计算得到每一个易于交通瘫痪的子路网所包括的各个路段在该子路网的易于交通瘫痪时间段内的常规交通流量之后，可以通过监测每一个易于交通瘫痪的子路网所包括的各个路段在该子路网的易于交通瘫痪时间段内的常规交通流量和实际交通流量的差异程度，自动地预测每一个子路网是否有可能发生交通瘫痪。
现在参见图5，其示出了按照本发明的一个实施例的用于交通处理的装置的示意图。图5所示的装置500可以利用软件、硬件(例如集成电路或DSP等)或软硬件结合的方式来实现。
图5所示，装置500可以包括检测模块502和警告模块504。检测模块502用于检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网。检测模块502例如可以利用方框130的操作或前面“其他变型”中的“在本发明的其它一些实施例中，例如也可以按照如下方式来检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网”部分所记载的方案来实现。警告模块504用于当检测结果为肯定时，发出所述目标子路网可能发生交通瘫痪的警示。其中，所述易于交通瘫痪的子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，所述种子路段是所述路网中在至少一个时间段内交通流量达到指定阈值的路段，其中，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。警告模块504例如可以利用方框132的操作来实现。这里，利用易于交通瘫痪的子路网来预测路网是否有可能发生交通瘫痪并当有可能发生交通瘫痪时发出警示，从而有助于避免在路网中发生交通瘫痪。
在一个方面，一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。这例如可以利用前面“其他变型”中的“当前种子路段Zcur与当前邻近路段Ncur的关联度也可以由当前种子路段Zcur和当前邻近路段Ncur之间的拓扑结构关系决定”部分所记载的方案来实现。利用路网的路段之间的拓扑结构关系来确定子路网的关联度，可以在没有交通流量数据的情况下快速获取易于交通瘫痪的子路网，符合生活经验。
在另一个方面，所述易于交通瘫痪的子路网是基于预先获得的至少一个车辆行驶轨迹和所述种子路段确定的，以及，所述关联度包括支持度和/或相关度；一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：该种子路段与该邻近路段之间的支持度大于指定支持度阈值，该种子路段与该邻近路段之间的相关度达到指定相关度阈值，其中，所述支持度、所述相关度是基于所述预先获得的车辆行驶轨迹计算得到的。利用车辆行驶轨迹来获取易于交通瘫痪的子路网，可以针对具有交通流量数据的路网，多角度衡量路网之间的关联关系，使得所获取的易于交通瘫痪的子路网更具有数据依据。
在再又一个方面，所述任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
在另一个方面，检测模块502可以包括接收模块5022和判断模块5024。接收模块5022用于接收报警消息，所述报警消息指示所述路网中的至少一个特定路段在特定时刻发生了交通异常事件。接收模块5022例如可以利用方框130的操作来实现。判断模块5024用于判断所述易于交通瘫痪的子路网中是否存在满足以下条件的所述目标子路网：所述目标子路网包括有所述至少一个特定路段中的部分或全部路段，且所述特定时刻落入在所述目标子路网的易于交通瘫痪时间段内，其中，所述目标子路网的易于交通瘫痪时间段是根据所述目标子路网所包括的所述至少一个种子路段的交通流量大于所述指定阈值的时间段确定的。判断模块5024例如可以利用方框132的操作来实现。易于交通瘫痪的子路网通常在该子路网所包括的种子路段的交通流量大于指定阈值的时间段才有可能发生交通瘫痪，因此，通过将易于交通瘫痪的子路网包括的种子路段的交通流量大于所述指定阈值的时间段设置为该子路网的易于交通瘫痪时间段，并且当在该子路网所包括的路段中出现的交通异常事件所发生的时间处于该子路网的易于交通瘫痪时间段中时才确定该子路网有可能发生交通瘫痪，可以提高交通瘫痪预测的准确度。
现在参见图6，其示出了按照本发明一个实施例的用于交通处理的设备的示意图。如图6所示，用于交通处理的设备600可以包括处理器610和存储器620。存储器620用于存储可执行指令，该可执行指令当被执行时使得处理器610执行方法200和/或方法300所包括的各个操作。
本发明的实施例还提供一种种计算机程序产品，包括机器可读介质，其上存储有可执行指令，当该可执行指令被执行时，使得机器执行方法200和/或方法300所包括的各个操作。
本领域技术人员应当理解，上面公开的各个实施例可以在不偏离发明实质的情况下做出各种变形和修改。因此，本发明的保护范围应当由所附的权利要求书来限定。
Claims (23)
1.一种用于在一个路网中进行交通处理的方法，包括：
从所述路网中获取N个种子路段，其中，所述种子路段为在至少一个时间段内交通流量达到指定阈值的路段，所述N为正整数；以及
基于所获取的N个种子路段，确定所述路网中易于交通瘫痪的M个子路网，所述M为正整数，其中，
所述M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，并且，
所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
2.如权利要求1所述的方法，其中，
一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。
3.如权利要求1所述的方法，其中，
所述M个子路网是基于预先获得的至少一个车辆行驶轨迹和所述N个种子路段确定的，以及
所述关联度包括支持度和/或相关度；
一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：
该种子路段与该邻近路段之间的支持度大于指定支持度阈值，
该种子路段与该邻近路段之间的相关度达到指定相关度阈值，
其中，所述支持度和所述相关度均是基于所述预先获得的车辆行驶轨迹计算得到的。
4.如权利要求3所述的方法，其中，
所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
5.如权利要求1～4任一项所述的方法，还包括：
获得所述任一子路网子路网的易于交通瘫痪时间段，其中
如果所述任一子路网仅包括一个种子路段，则将该种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段；
如果所述任一子路网包括至少两个种子路段并且该至少两个种子路段中仅有一个种子路段的交通流量大于所述指定阈值，则将该一个种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段；以及
如果所述任一子路网包括至少两个种子路段并且该子路网包括的种子路段中有至少两个种子路段的交通流量大于所述指定阈值，则对于该子路网所包括的交通流量大于所述指定阈值的每一个种子路段，确定该种子路段的交通流量大于所述指定阈值的时间段，并且根据所确定的每一个时间段，确定该子路网的最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为所确定的每一个时间段中的最早起始时刻，终止时刻为所确定的每一个时间段中的最晚终止时刻。
6.如权利要求5所述的方法，其中，还包括：
计算所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量，
其中，所述任一子路网包括的所述至少两个路段中的每一个路段的常规交通流量是该路段在该子网络的所述易于交通瘫痪时间段内正常交通状态下的交通流量。
7.一种用于在一个路网中进行交通处理的方法，包括：
检测所述路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网；以及
当检测结果为肯定时，发出所述目标子路网可能发生交通瘫痪的警示，其中，所述易于交通瘫痪的子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，所述种子路段是所述路网中在至少一个时间段内交通流量达到指定阈值的路段，其中，
所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
8.如权利要求7所述的方法，其中，
一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。
9.如权利要求7所述的方法，其中，
所述易于交通瘫痪的子路网是基于预先获得的至少一个车辆行驶轨迹和所述种子路段得到的，以及
所述关联度包括支持度和/或相关度；
一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：
该种子路段与该邻近路段之间的支持度大于指定支持度阈值，
该种子路段与该邻近路段之间的相关度达到指定相关度阈值，
其中，所述支持度和所述相关度均是基于所述预先获得的车辆行驶轨迹计算得到的。
10.如权利要求9所述的方法，其中，
所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
11.如权利要求7-10任一项所述的方法，其中，检测路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子网络包括：
接收报警消息，所述报警消息用于指示所述路网中的至少一条特定路段在特定时刻发生了交通异常事件；
判断所述易于交通瘫痪的子路网中是否存在满足以下条件的所述目标子路网：
所述目标子路网包括有所述至少一条特定路段中的部分或全部路段，且
所述特定时刻落入在所述目标子路网的易于交通瘫痪时间段内，其中，所述目标子路网的易于交通瘫痪时间段是根据所述目标子路网所包括的所述至少一个种子路段中的每一个种子路段的交通流量大于所述指定阈值的时间段确定的。
12.一种用于在一个路网中进行交通处理的装置(400)，包括：
获取模块(402)，用于从所述路网中获取N个种子路段，其中，所述种子路段为在至少一个时间段内交通流量达到指定阈值的路段，所述N为正整数；以及
确定模块(404)，用于基于所述获取模块(402)获取的N个种子路段，确定所述路网中易于交通瘫痪的M个子路网，所述M为正整数，其中，
所述M个子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，并且，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
13.如权利要求12所述的装置(400)，其中，
一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。
14.如权利要求12所述的装置(400)，其中，
所述M个子路网是基于预先获得的至少一个车辆行驶轨迹和所述N个种子路段确定的，以及
所述关联度包括支持度和/或相关度；
一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：
该种子路段与该邻近路段之间的支持度大于指定支持度阈值，
该种子路段与该邻近路段之间的相关度达到指定相关度阈值，
其中，所述支持度和所述相关度均是基于所述预先获得的车辆行驶轨迹计算得到的。
15.如权利要求14所述的装置，其中，
所述M个子路网中的任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
16.如权利要求12-14任一项所述的装置(400)，还包括获得模块(406)，用于获得所述任一子路网的易于交通瘫痪时间段，其中
如果所述任一子路网仅包括一个种子路段，则将该种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段，
如果所述任一子路网包括至少两个种子路段并且该至少两个种子路段中仅有一个种子路段的交通流量大于所述指定阈值，则将该一个种子路段的交通流量大于所述指定阈值的时间段作为该子路网的易于交通瘫痪时间段，以及
如果所述任一子路网包括至少两个种子路段并且该子路网包括的种子路段中有至少两个种子路段的交通流量大于所述指定阈值，则对于该子路网所包括的交通流量大于所述指定阈值的每一个种子路段，确定该种子路段的交通流量大于所述指定阈值的时间段，并且根据所确定的每一个时间段，确定该子路网的最终的易于交通瘫痪时间段，其中，该最终的易于交通瘫痪时间段的起始时刻为所确定的每一个时间段中的最早起始时刻，终止时刻为所确定的每一个时间段中的最晚终止时刻。
17.一种用于在一个路网中进行交通处理的装置(500)，包括：
检测模块(502)，用于检测所述路网中易于交通瘫痪的子路网是否存在有可能发生交通瘫痪的目标子路网；以及
警告模块(504)，用于当所述检测模块(502)的检测结果为肯定时，发出所述目标子路网可能发生交通瘫痪的警示；
其中，所述易于交通瘫痪的子路网中的任一子路网包括至少一个种子路段和所包括的每一个种子路段的至少一个邻近路段，所述种子路段是所述路网中在至少一个时间段内交通流量达到指定阈值的路段，所述任一子路网所包括的每一个种子路段与该种子路段的任一邻近路段之间的关联度达到预设的关联度要求，其中，一个种子路段与该种子路段的一个邻近路段之间的所述关联度用于表示该种子路段与该邻近路段之间的交通流量的关联程度。
18.如权利要求17所述的装置(500)，其中，
一个种子路段与该种子路段的一个邻近路段之间的所述关联度由该种子路段与该邻近路段之间的拓扑结构关系决定。
19.如权利要求17所述的装置(500)，其中，
所述易于交通瘫痪的子路网是基于预先获得的至少一个车辆行驶轨迹和所述种子路段确定的，以及
所述关联度包括支持度和/或相关度；
一个种子路段与该种子路段的一个邻近路段之间的所述关联度达到预设的关联度要求包括以下的至少一个：
该种子路段与该邻近路段之间的支持度大于指定支持度阈值，
该种子路段与该邻近路段之间的相关度达到指定相关度阈值，
其中，所述支持度和所述相关度均是基于所述预先获得的车辆行驶轨迹计算得到的。
20.如权利要求19所述的装置，其中，
所述任一子路网还满足：所述任一子路网的聚集度达到指定聚集度阈值，其中，所述聚集度是基于所述预先获得的车辆行驶轨迹计算得到的。
21.如权利要求17-20所述的装置(500)，其中，所述检测模块(502)包括：
接收模块(5022)，用于接收报警消息，所述报警消息指示所述路网中的至少一个特定路段在特定时刻发生了交通异常事件；
判断模块(5024)，用于判断所述易于交通瘫痪的子路网中是否存在满足以下条件的所述目标子路网：
所述目标子路网包括有所述至少一个特定路段中的部分或全部路段，且
所述特定时刻落入在所述目标子路网的易于交通瘫痪时间段内，其中，所述目标子路网的易于交通瘫痪时间段是根据所述目标子路网所包括的所述至少一个种子路段中的每一个种子路段的交通流量大于所述指定阈值的时间段确定的。
22.一种用于在一个路网中进行交通处理的设备(600)，包括：
处理器(610)；以及
存储器(620)，用于存储可执行指令，其中，
所述可执行指令当被执行时使得所述处理器(610)执行权利要求1-11中的任意一个所包括的操作。
23.一种计算机程序产品，包括：
机器可读介质，其上存储有可执行指令，其中，
所述可执行指令当被执行时使得机器执行权利要求1-11中的任意一个所包括的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610633057.4A CN107689152A (zh) | 2016-08-04 | 2016-08-04 | 用于在一个路网中进行交通处理的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610633057.4A CN107689152A (zh) | 2016-08-04 | 2016-08-04 | 用于在一个路网中进行交通处理的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107689152A true CN107689152A (zh) | 2018-02-13 |
Family
ID=61151529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610633057.4A Pending CN107689152A (zh) | 2016-08-04 | 2016-08-04 | 用于在一个路网中进行交通处理的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107689152A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889963A (zh) * | 2018-09-11 | 2020-03-17 | 深圳云天励飞技术有限公司 | 一种道路监控方法、装置及存储介质 |
| CN110968617A (zh) * | 2019-10-16 | 2020-04-07 | 北京交通大学 | 一种基于位置字段的路网关键路段相关性分析方法 |
| CN111613046A (zh) * | 2019-02-26 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
| CN111754770A (zh) * | 2020-05-27 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
| CN111862595A (zh) * | 2020-06-08 | 2020-10-30 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080019269A1 (en) * | 2006-07-18 | 2008-01-24 | Chatschik Bisdikian | Proactive mechanism for supporting the global management of vehicle traffic flow |
| CN101894477A (zh) * | 2010-07-08 | 2010-11-24 | 苏州大学 | 一种城市信号灯控制道路网络交通自锁控制方法 |
| CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
| CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
| CN105405294A (zh) * | 2015-12-30 | 2016-03-16 | 杭州中奥科技有限公司 | 道路拥堵路段的预警方法 |
-
2016
- 2016-08-04 CN CN201610633057.4A patent/CN107689152A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080019269A1 (en) * | 2006-07-18 | 2008-01-24 | Chatschik Bisdikian | Proactive mechanism for supporting the global management of vehicle traffic flow |
| CN101894477A (zh) * | 2010-07-08 | 2010-11-24 | 苏州大学 | 一种城市信号灯控制道路网络交通自锁控制方法 |
| CN102968901A (zh) * | 2012-11-30 | 2013-03-13 | 青岛海信网络科技股份有限公司 | 获取区域拥堵信息的方法及区域拥堵分析装置 |
| CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
| CN105405294A (zh) * | 2015-12-30 | 2016-03-16 | 杭州中奥科技有限公司 | 道路拥堵路段的预警方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110889963A (zh) * | 2018-09-11 | 2020-03-17 | 深圳云天励飞技术有限公司 | 一种道路监控方法、装置及存储介质 |
| CN110889963B (zh) * | 2018-09-11 | 2021-07-20 | 深圳云天励飞技术有限公司 | 一种道路监控方法、装置及存储介质 |
| CN111613046A (zh) * | 2019-02-26 | 2020-09-01 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
| CN111613046B (zh) * | 2019-02-26 | 2022-09-23 | 阿里巴巴集团控股有限公司 | 信息处理方法、装置和系统 |
| CN110968617A (zh) * | 2019-10-16 | 2020-04-07 | 北京交通大学 | 一种基于位置字段的路网关键路段相关性分析方法 |
| CN111754770A (zh) * | 2020-05-27 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 一种交通控制方法、装置及电子设备 |
| CN111862595A (zh) * | 2020-06-08 | 2020-10-30 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
| CN111862595B (zh) * | 2020-06-08 | 2021-12-31 | 同济大学 | 基于路网拓扑关系的速度预测方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107689152A (zh) | 用于在一个路网中进行交通处理的方法和装置 | |
| Marchal et al. | Efficient map matching of large global positioning system data sets: Tests on speed-monitoring experiment in Zürich | |
| US20200042800A1 (en) | Image acquiring system, terminal, image acquiring method, and image acquiring program | |
| WO2014125802A1 (en) | New road detection logic | |
| Cui et al. | Identifying mismatch between urban travel demand and transport network services using GPS data: A case study in the fast growing Chinese city of Harbin | |
| US9310345B2 (en) | Sensor system, computer, and machine | |
| CN107945510B (zh) | 一种考虑交通需求和道路网络运行效率的路段检测方法 | |
| US20180174447A1 (en) | Method, apparatus, and computer program product for estimating traffic speed through an intersection | |
| Liu et al. | Calibrating large scale vehicle trajectory data | |
| SG173686A1 (en) | Determining a traffic route using predicted traffic congestion | |
| EP2650854A1 (en) | Traffic information creating device, traffic information creating method and program | |
| JP6235266B2 (ja) | 交通システム | |
| WO2020080047A1 (ja) | 侵入地点特定装置、および、侵入地点特定方法 | |
| CN105070088A (zh) | Gps对接公路里程桩号系统及其实现方法 | |
| CN107784381A (zh) | 一种判断出租车绕路和计价异常的方法及装置 | |
| CN111832376A (zh) | 一种车辆逆行检测方法、装置、电子设备及存储介质 | |
| US20160063407A1 (en) | Computing behavioral group performance characteristics | |
| US8306742B2 (en) | Navigation server | |
| JP2010205089A (ja) | 道路交通情報作成装置および道路交通情報作成方法 | |
| Chiang et al. | Estimating instant traffic information by identifying handover patterns of UMTS signals | |
| CN103900606B (zh) | 基于全自动模拟导航的导航路径可靠性检测方法和装置 | |
| Wang et al. | Cycle-by-cycle queue length estimation for signalized intersections using multi-source data | |
| Chen et al. | RoadAware: Learning personalized road information on daily routes with smartphones | |
| TWI446303B (zh) | 交通資訊預測方法 | |
| Guo et al. | Information technology used to evaluate nontraditional traffic monitoring systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180213 |
|
| WD01 | Invention patent application deemed withdrawn after publication |