CN108775914B - 一种交通设备检测方法及检测设备 - Google Patents

Abstract

本发明公开了一种交通设备检测方法及检测设备，方法包括：检测设备获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数；所述检测设备确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1；所述检测设备根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段；所述检测设备根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态。

Description

一种交通设备检测方法及检测设备

技术领域

本发明涉及交通技术领域，尤其涉及一种交通设备检测方法及检测设备。

背景技术

随着交通设备持续运行的时间增长、交通设备零部件老化、交通设备运行的环境日益复杂等因素，造成交通设备运行的效果和效率在逐渐下降，这种变化是渐进式的，平时检测看不出问题，但关键时候难以支撑。交通设备必须要有较高的可靠性和稳定性，否则会引起交通事故。因此准确的检测交通设备的状态是一个非常重要。

然而，从目前来看，交通设备日常运行过程中产生的海量基础数据不能进一步延伸出管理价值，检测指标单一；遇到节假日、特殊天气、突发事件的时候，检测结果很难符合实际情况，目前传统的诊断技术方法，在智能交通运维管理应用的大背景下，普遍存在适应性不强，专门解决该应用的技术方法相对较少等诸多问题。

因此，如何提高交通设备的故障诊断的效率和科学性，从而提高运维的效率和效果，是一个亟待解决的问题。

发明内容

本申请实施例提供一种交通设备检测方法及检测设备，提高了交通设备的故障诊断的效率。

本申请实施例提供一种交通设备检测方法，包括：

检测设备获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数；

所述检测设备确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1；

所述检测设备根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段；

所述检测设备根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态。

在一种可能的实施例中，所述k个时间段属于至少一个采集周期；针对所述k个时间段内的任意一个时间段，该时间段对应的基线根据以下方式确定：

获取所述交通设备在N个采集周期内，每个采集周期在该时间段对应的时间内采集的第二交通数据，获得N个第二交通数据；N为大于0的整数；

确定所述N个第二交通数据的平均值以及标准差；

根据所述平均值以及所述标准差确定该时间段对应的基线。

在一种可能的实施例中，所述检测设备根据所述平均值以及所述标准差确定该时间段对应的基线，包括：

根据以下公式确定该时间段对应的基线Tb：

T_M-T_σ×α<Tb<T_M+T_σ×α

其中，T_M为所述平均值，T_σ为所述标准差，α为预设基线权重，α为大于0的数。

在一种可能的实施例中，所述检测设备根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段，包括：

针对所述k个时间段内的任意一个时间段，所述检测设备若确定该时间段内采集的第一交通数据位于该时间段对应的基线之外，则确定该时间段为异常时间段。

在一种可能的实施例中，所述检测设备根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，包括：

所述检测设备确定所述k个时间段内相邻两个时间段的第一交通数据的差值的绝对值，获得k-1个差值绝对值；

所述检测设备若确定第一数量大于第二数量，且所述第一数量与第三数量的比值大于预设比值，则确定所述k个第一交通数据的变化趋势类型为上升趋势；其中，所述第三数量为所述第一数量与所述第二数量之和，所述第一数量为所述k-1个差值绝对值中大于所述趋势指标的差值绝对值的数量，所述第二数量为所述k-1个差值绝对值中小于所述趋势指标的差值绝对值的数量；

或者，所述检测设备若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值大于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为下降趋势；

或者，所述检测设备若确定第一数量大于第二数量，且所述第一数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

或者，所述检测设备若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势。

在一种可能的实施例中，所述检测设备根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态，包括：

所述检测设备若确定所述k个第一交通数据的变化趋势类型为下降趋势或上升趋势，则确定所述交通设备的性能状态为性能下降状态；

或者，所述检测设备若确定所述k个第一交通数据的变化趋势类型为平稳趋势，且确定所述k个时间段内连续的异常时间段的数量大于第一预设数量，则确定所述交通设备的性能状态为性能下降状态；

或者，所述检测设备若确定所述k个时间段内异常时间段的总数量大于第二预设数量，则确定所述交通设备的性能状态为性能下降状态。

本申请实施例提供了一种检测设备，包括：

收发单元，用于获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数；

处理单元，用于确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1；根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段；根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态。

在一种可能的实施例中，所述k个时间段属于至少一个采集周期；针对所述k个时间段内的任意一个时间段，所述处理单元根据以下方式确定该时间段对应的基线：

获取所述交通设备在N个采集周期内，每个采集周期在该时间段对应的时间内采集的第二交通数据，获得N个第二交通数据；N为大于0的整数；

确定所述N个第二交通数据的平均值以及标准差；

根据所述平均值以及所述标准差确定该时间段对应的基线。

在一种可能的实施例中，所述处理单元具体用于：

根据以下公式确定该时间段对应的基线Tb：

T_M-T_σ×α<Tb<T_M+T_σ×α

其中，T_M为所述平均值，T_σ为所述标准差，α为预设基线权重，α为大于0的数。

在一种可能的实施例中，所述处理单元具体用于：

针对所述k个时间段内的任意一个时间段，若确定该时间段内采集的第一交通数据位于该时间段对应的基线之外，则确定该时间段为异常时间段。

在一种可能的实施例中，所述处理单元具体用于：

确定所述k个时间段内相邻两个时间段的第一交通数据的差值的绝对值，获得k-1个差值绝对值；

若确定第一数量大于第二数量，且所述第一数量与第三数量的比值大于预设比值，则确定所述k个第一交通数据的变化趋势类型为上升趋势；其中，所述第三数量为所述第一数量与所述第二数量之和，所述第一数量为所述k-1个差值绝对值中大于所述趋势指标的差值绝对值的数量，所述第二数量为所述k-1个差值绝对值中小于所述趋势指标的差值绝对值的数量；

或者，若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值大于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为下降趋势；

或者，若确定第一数量大于第二数量，且所述第一数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

或者，若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势。

在一种可能的实施例中，所述处理单元具体用于：

若确定所述k个第一交通数据的变化趋势类型为下降趋势或上升趋势，则确定所述交通设备的性能状态为性能下降状态；

或者，若确定所述k个第一交通数据的变化趋势类型为平稳趋势，且确定所述k个时间段内连续的异常时间段的数量大于第一预设数量，则确定所述交通设备的性能状态为性能下降状态；

或者，若确定所述k个时间段内异常时间段的总数量大于第二预设数量，则确定所述交通设备的性能状态为性能下降状态。

根据本申请实施例提供的方法及装置，检测设备根据获得的k个第一交通数据，确定出k个第一交通数据的趋势指标，从而确定出k个第一交通数据的变化趋势类型，从而准确的确定出交通设备采集的数据的变化趋势。检测设备通过每个时间段对应的基线，确定出每个时间段采集的数据是否在合理范围内，再根据所述变化趋势类型以及所述k个时间段内的异常时间段，可以较准确的确定出交通设备的性能是否下降。

附图说明

图1为本申请实施例提供的一种交通设备检测方法流程示意图；

图2为本申请实施例提供的一种交通设备检测装置结构示意图。

具体实施方式

下面将结合说明书附图及具体的实施方式对本申请实施例中的技术方案进行详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互结合。

本申请实施例中，检测设备，也可以称为用户设备(user equipment，UE)、接入终端、用户单元、用户站、移动站、远方站、远程终端、移动设备、用户终端、用户代理或用户装置。在实际应用中，本申请的实施例中的检测设备可以是手机(mobile phone)、平板电脑(Pad)、带无线收发功能的电脑、虚拟现实(virtual reality，VR)终端、增强现实(augmented reality，AR)终端、工业控制(industrial control)中的无线终端、无人驾驶(self driving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smart grid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smart city)中的无线终端、智慧家庭(smart home)中的无线终端等等。本申请的实施例对应用场景不做限定。

同时，应当理解，尽管在本申请实施例中可能采用术语第一、第二、第三等来描述各种消息、交通数据，但这些消息、交通数据不应限于这些术语。第一、第二、第三等仅用来将消息、交通数据彼此区分开，并不代表任何限制。

如图1所示，为本申请实施例提供的一种交通设备检测方法流程示意图。

参见图1，该方法包括：

步骤101：检测设备获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数。

本申请实施例中，交通设备为摄像头时，交通数据可以为交通设备在一个时间段内抓拍的照片数量；交通设备为车流量计数器时，交通数据可以为交通设备在一个时间段内检测到的车辆数量；交通设备为雷达测速装置时，交通数据可以为交通设备在一个时间段内检测到的超速车辆数量。当然，交通设备还可以为其他设备，在此不再逐一举例说明。

本申请实施例中，一个时间段的时长可以为1个小时，或者30分钟等，具体可以根据实际情况确定时间段的粒度，便于实现不同精细度的诊断及预测。

步骤102：所述检测设备确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1。

步骤103：所述检测设备根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段。

步骤104：所述检测设备根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态。

本申请实施例中，交通设备的一个采集周期可以包括多个时间段，例如一个采集周期为一个自然日，一个时间段的长度为1个小时，则一个采集周期包括24个时间段。当然，采集周期还可以为其他长度，具体根据实际情况确定，在此不再赘述。

需要说明的是，为了计算方便，本申请实施例中，一个采集周期中所包括的所有时间段均位于一个自然日。

步骤101之前，检测设备可以获取到所述交通设备的历史数据，然后根据历史数据确定一个采集周期中，每个时间段对应的基线。

具体的，可以包括以下步骤：

步骤一：检测设备对获取到的历史数据进行清洗以及分类，获得历史数据中每个采集周期的交通数据的属性。其中，所述历史数据包括所述交通设备在多个采集周期内采集到的交通数据。

检测设备根据系统设定的日历，在统计并记录历史数据的同时，会标记历史数据中每个交通数据所在的时间是工作日还是节假日，并将历史数据划分为工作日的历史数据和节假日的历史数据。例如，将10月1日作为节假日，9月30日作为工作日。

检测设备同时接入第三方天气预报数据，当遇到特殊糟糕天气时，将历史数据中，特殊糟糕天气的那一天的数据标记为无效数据。例如，1月1日发生台风，则将该天的数据标记为无效数据。

检测设备同时接入子系统的故障检测功能，对已发现并认定为故障的交通设备，将历史数据中，该故障的交通设备上传的数据标记为无效数据。例如，5月1日至5月3日时，交通设备发送故障，则将历史数据中，交通设备在5月1日至5月3日采集的数据标记为无效数据。

经过以上过程，检测设备可以获得历史数据中每个采集周期的交通数据的属性：所述属性包括但不限于：工作日有效数据；节假日有效数据；无效数据。检测设备可以只将历史数据中属性为工作日有效数据，以及属性为节假日有效数据的数据保留，将无效数据删除。

步骤二：针对任意一个时间段，检测设备获取所述交通设备在N个采集周期内，每个采集周期在该时间段对应的时间内采集的第二交通数据，获得N个第二交通数据，N为大于0的整数；检测设备确定所述N个第二交通数据的平均值以及标准差；检测设备根据所述平均值以及所述标准差确定该时间段对应的基线。具体的，可以根据根据以下公式确定该时间段对应的基线Tb：

T_M-T_σ×α<Tb<T_M+T_σ×α······(1)

其中，T_M为所述平均值，T_σ为所述标准差，α为预设基线权重，α为大于0的数，例如，α可以为1或2等值，具体根据实际情况调整。公式(1)获得的基线有一个浮动的范围。

需要说明的是，所述N个第二交通数据的属性相同，即所述N个第二交通数据中，每个第二交通数据均为工作日有效数据，或者均为节假日有效数据。

举例来说，检测设备根据筛选后的交通设备统计的历史数据，提取N个采集周期中同一时间段的数据，获得N个第二交通数据，所述N个第二交通数据均为工作日有效数据，或者均为节假日有效数据，记为{T_i|i＝1,2,3,...N}。例如提取N个采集周期中每个采集周期位于11:00～12:00的数据。

可选的，检测设备去掉N个第二交通数据中的最大值T_max和最小值T_min，计算出N-2个第二交通数据的标准差，记做T_σ，以及计算出N-2个第二交通数据的平均值T_M，计算公式如下：

最后根据公式(1)生成时间段11:00～12:00对应的基线。

需要说明的是，本申请实施例中，在计算N个第二交通数据的标准差和平均值时，也可以不去掉最大值T_max和最小值T_min，直接根据计算N个第二交通数据的标准差和平均值。

可选的，本申请实施例中，一个采集周期的同一个时间段可以存在两个基线：一个基线是根据该时间段的N个工作日有效数据生成的，一个基线是根据该时间段的N个节假日有效数据生成的。

上述方法中，由于交通数据受工作日、节假日影响明显，早午晚高峰与夜间等时间段的差异较大，至此，通过对历史数据按照属性划分，可以有效区分出交通数据的变化规律。

步骤102中，若所述k个第一交通数据中，第i个第一交通数据为k_i，i＝1，2，3···k，则所述趋势指标H满足以下公式：

其中，Y为第一预设权重。第一预设权重为大于0小于0.5的数，例如所述第一预设权重可以为0.1或0.2等。

步骤103中，所述检测设备可以根据以下方式确定变化趋势类型：

所述检测设备确定所述k个时间段内相邻两个时间段的第一交通数据的差值的绝对值，获得k-1个差值绝对值。例如，若所述k个第一交通数据中，第i个第一交通数据为k_i，i＝1，2，3···k，若k_i+1-k_i>H则认为该时间段趋势上升，并标记为临时上升；若k_i+1-k_i≤H，则认为趋势下降，并标记为临时下降。

所述检测设备若确定第一数量大于第二数量，且所述第一数量与第三数量的比值大于预设比值，则确定所述k个第一交通数据的变化趋势类型为上升趋势。所述预设比值大于0.5且小于1，可以根据实际情况确定具体取值。

其中，所述第三数量为所述第一数量与所述第二数量之和，所述第一数量为所述k-1个差值绝对值中大于所述趋势指标的差值绝对值的数量，所述第二数量为所述k-1个差值绝对值中小于所述趋势指标的差值绝对值的数量。

所述检测设备若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值大于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为下降趋势。

所述检测设备若确定第一数量大于第二数量，且所述第一数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势。

所述检测设备若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势。

本申请实施例中，针对所述k个时间段内的任意一个时间段，所述检测设备具体可以根据以下方式确定异常时间段：

所述检测设备若确定该时间段内采集的第一交通数据位于该时间段对应的基线之外，则确定该时间段为异常时间段。具体的，检测设备先确定该时间段所属的采集周期位于工作日内还是位于节假日内。所述检测设备若确定该时间段所属的采集周期位于工作日内，则将根据该时间段的N个工作日有效数据生成的基线作为与该时间段对应的基线。所述检测设备若确定该时间段内采集的第一交通数据，大于或等于与该时间段对应的基线的最大值，或者小于或等于与该时间段对应的基线的最小值，则确定该时间段为异常时间段。相应的，所述检测设备若确定该时间段内采集的第一交通数据，大于与该时间段对应的基线的最小值，且小于与该时间段对应的基线的最大值，则确定该时间段为正常时间段。

根据上述方法，检测设备可以确定出所述k个时间段内存在连续的异常时间段的数量S1；S1为大于0，且小于或等于k的整数。检测设备还可以确定出所述k个时间段内异常时间段的总数量S2，S2为大于0，且小于或等于k的整数。

步骤104中，所述检测设备可以根据不同情况确定交通设备的性能状态是否下降：

情况一：所述检测设备若确定所述k个第一交通数据的变化趋势类型为下降趋势，则确定所述交通设备的性能状态为性能下降状态。

情况二：所述检测设备若确定所述k个第一交通数据的变化趋势类型为上升趋势，则确定所述交通设备的性能状态为性能下降状态。

情况三：所述检测设备若确定所述k个第一交通数据的变化趋势类型为平稳趋势，且确定所述k个时间段内连续的异常时间段的数量S1大于第一预设数量，则确定所述交通设备的性能状态为性能下降状态。

情况四：所述检测设备若确定所述k个时间段内异常时间段的总数量S2大于第二预设数量，则确定所述交通设备的性能状态为性能下降状态。

需要说明的是，第一预设数量、第二预设数量均为大于0，且小于或等于k的整数，具体的取值可以根据实际情况确定，在此不再逐一举例说明。

所述检测设备若确定所述k个第一交通数据的变化趋势类型，以及所述k个时间段内异常时间段的数量不满足上述任一情况时，可以认为交通设备的性能状态没有下降。

根据本申请实施例提供的方法，基于交通设备周期性自动生成的数据序列，自动过滤掉异常数据，通过统计平均法，获取特定检测指标的标准值，在根据现场情况微调阈值的基础上，自学习的运算产生基线及波动范围，便于展示设备某指标的历史波动，及后续效能下降诊断；该方法样本数据量越多，对历史的各类情况分析越全面，基线及波动范围计算越准确；通过后期对检测结果进行校正后，是基线生成越来越精确。

基于同样的技术构思，如图2所示，本申请实施例提供了一种检测设备结构示意图。

该检测设备包括：

收发单元201，用于获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数；

处理单元202，用于确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1；根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段；根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态。

在一种可能的实施例中，所述k个时间段属于至少一个采集周期；针对所述k个时间段内的任意一个时间段，所述处理单元202根据以下方式确定该时间段对应的基线：

获取所述交通设备在N个采集周期内，每个采集周期在该时间段对应的时间内采集的第二交通数据，获得N个第二交通数据；N为大于0的整数；

确定所述N个第二交通数据的平均值以及标准差；

根据所述平均值以及所述标准差确定该时间段对应的基线。

在一种可能的实施例中，所述处理单元202具体用于：

根据以下公式确定该时间段对应的基线Tb：

T_M-T_σ×α<Tb<T_M+T_σ×α

其中，T_M为所述平均值，T_σ为所述标准差，α为预设基线权重，α为大于0的数。

在一种可能的实施例中，所述处理单元202具体用于：

针对所述k个时间段内的任意一个时间段，若确定该时间段内采集的第一交通数据位于该时间段对应的基线之外，则确定该时间段为异常时间段。

在一种可能的实施例中，所述处理单元202具体用于：

确定所述k个时间段内相邻两个时间段的第一交通数据的差值的绝对值，获得k-1个差值绝对值；

若确定第一数量大于第二数量，且所述第一数量与第三数量的比值大于预设比值，则确定所述k个第一交通数据的变化趋势类型为上升趋势；其中，所述第三数量为所述第一数量与所述第二数量之和，所述第一数量为所述k-1个差值绝对值中大于所述趋势指标的差值绝对值的数量，所述第二数量为所述k-1个差值绝对值中小于所述趋势指标的差值绝对值的数量；

或者，若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值大于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为下降趋势；

或者，若确定第一数量大于第二数量，且所述第一数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

或者，若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势。

在一种可能的实施例中，所述处理单元202具体用于：

若确定所述k个第一交通数据的变化趋势类型为下降趋势或上升趋势，则确定所述交通设备的性能状态为性能下降状态；

或者，若确定所述k个第一交通数据的变化趋势类型为平稳趋势，且确定所述k个时间段内连续的异常时间段的数量大于第一预设数量，则确定所述交通设备的性能状态为性能下降状态；

或者，若确定所述k个时间段内异常时间段的总数量大于第二预设数量，则确定所述交通设备的性能状态为性能下降状态。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种交通设备检测方法，其特征在于，包括：

检测设备获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数；

所述检测设备确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1；

所述检测设备根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段；

所述检测设备根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态；

所述检测设备根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，包括：

所述检测设备确定所述k个时间段内相邻两个时间段的第一交通数据的差值的绝对值，获得k-1个差值绝对值；

所述检测设备若确定第一数量大于第二数量，且所述第一数量与第三数量的比值大于预设比值，则确定所述k个第一交通数据的变化趋势类型为上升趋势；其中，所述第三数量为所述第一数量与所述第二数量之和，所述第一数量为所述k-1个差值绝对值中大于所述趋势指标的差值绝对值的数量，所述第二数量为所述k-1个差值绝对值中小于所述趋势指标的差值绝对值的数量；

或者，所述检测设备若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值大于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为下降趋势；

或者，所述检测设备若确定第一数量大于第二数量，且所述第一数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

或者，所述检测设备若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

所述检测设备根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态，包括：

所述检测设备若确定所述k个第一交通数据的变化趋势类型为下降趋势或上升趋势，则确定所述交通设备的性能状态为性能下降状态；

或者，所述检测设备若确定所述k个第一交通数据的变化趋势类型为平稳趋势，且确定所述k个时间段内连续的异常时间段的数量大于第一预设数量，则确定所述交通设备的性能状态为性能下降状态；

或者，所述检测设备若确定所述k个时间段内异常时间段的总数量大于第二预设数量，则确定所述交通设备的性能状态为性能下降状态。

2.如权利要求1所述的方法，其特征在于，所述k个时间段属于至少一个采集周期；针对所述k个时间段内的任意一个时间段，该时间段对应的基线根据以下方式确定：

获取所述交通设备在N个采集周期内，每个采集周期在该时间段对应的时间内采集的第二交通数据，获得N个第二交通数据；N为大于0的整数；

确定所述N个第二交通数据的平均值以及标准差；

根据所述平均值以及所述标准差确定该时间段对应的基线。

3.如权利要求2所述的方法，其特征在于，所述检测设备根据所述平均值以及所述标准差确定该时间段对应的基线，包括：

根据以下公式确定该时间段对应的基线Tb：

T_M-T_σ×α＜Tb＜T_M+T_σ×α

其中，T_M为所述平均值，T_σ为所述标准差，α为预设基线权重，α为大于0的数。

4.如权利要求3所述的方法，其特征在于，所述检测设备根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段，包括：

针对所述k个时间段内的任意一个时间段，所述检测设备若确定该时间段内采集的第一交通数据位于该时间段对应的基线之外，则确定该时间段为异常时间段。

5.一种检测设备，其特征在于，包括：

收发单元，用于获取交通设备在k个时间段内采集的k个第一交通数据；k为大于0的整数；

处理单元，用于确定所述k个第一交通数据的交通数据平均值，并将所述交通数据平均值与第一预设权重的乘积作为趋势指标；所述第一预设权重大于0且小于1；根据所述趋势指标确定所述k个第一交通数据的变化趋势类型，并根据所述k个时间段内每个时间段对应的基线，确定所述k个时间段内的异常时间段；根据所述变化趋势类型以及所述k个时间段内的异常时间段确定所述交通设备的性能状态；

所述处理单元具体用于：

确定所述k个时间段内相邻两个时间段的第一交通数据的差值的绝对值，获得k-1个差值绝对值；

若确定第一数量大于第二数量，且所述第一数量与第三数量的比值大于预设比值，则确定所述k个第一交通数据的变化趋势类型为上升趋势；其中，所述第三数量为所述第一数量与所述第二数量之和，所述第一数量为所述k-1个差值绝对值中大于所述趋势指标的差值绝对值的数量，所述第二数量为所述k-1个差值绝对值中小于所述趋势指标的差值绝对值的数量；

或者，若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值大于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为下降趋势；

或者，若确定第一数量大于第二数量，且所述第一数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

或者，若确定第一数量小于第二数量，且所述第二数量与所述第三数量的比值小于或等于所述预设比值，则确定所述k个第一交通数据的变化趋势类型为平稳趋势；

所述处理单元具体用于：

若确定所述k个第一交通数据的变化趋势类型为下降趋势或上升趋势，则确定所述交通设备的性能状态为性能下降状态；

或者，若确定所述k个第一交通数据的变化趋势类型为平稳趋势，且确定所述k个时间段内连续的异常时间段的数量大于第一预设数量，则确定所述交通设备的性能状态为性能下降状态；

或者，若确定所述k个时间段内异常时间段的总数量大于第二预设数量，则确定所述交通设备的性能状态为性能下降状态。

6.如权利要求5所述的检测设备，其特征在于，所述k个时间段属于至少一个采集周期；针对所述k个时间段内的任意一个时间段，所述处理单元根据以下方式确定该时间段对应的基线：

获取所述交通设备在N个采集周期内，每个采集周期在该时间段对应的时间内采集的第二交通数据，获得N个第二交通数据；N为大于0的整数；

确定所述N个第二交通数据的平均值以及标准差；

根据所述平均值以及所述标准差确定该时间段对应的基线。

7.如权利要求6所述的检测设备，其特征在于，所述处理单元具体用于：

根据以下公式确定该时间段对应的基线Tb：

T_M-T_σ×α＜Tb＜T_M+T_σ×α

其中，T_M为所述平均值，T_σ为所述标准差，α为预设基线权重，α为大于0的数。

8.如权利要求7所述的检测设备，其特征在于，所述处理单元具体用于：

针对所述k个时间段内的任意一个时间段，若确定该时间段内采集的第一交通数据位于该时间段对应的基线之外，则确定该时间段为异常时间段。

Images