CN109584553A - 一种基于时空信息的路段关联度缺失补全方法 - Google Patents

Abstract

本发明公开了一种基于时空信息的路段关联度缺失补全方法，该方法考虑到实际应用中交叉口视频检测设备存在覆盖率低、错检、漏检等导致数据缺失的情况，通过过车记录补全，流量修正，关联度修正及补全等方式，实现从微观到宏观逐步对缺失数据进行填补，提高了数据的完整性和可用性；本发明还可作为瓶颈路段与路网中其他路段关联度的计算和补全方法，为分析瓶颈路段流量的来源和去向，筛选关键路段，进而进行瓶颈控制、疏散拥堵打下基础；根据交通流的时空相关性进行补全算法设计，可以应用于无检测设备交叉口的数据补全，提高数据处理后的准确性和可靠性。

Description

一种基于时空信息的路段关联度缺失补全方法

技术领域

本发明属于智能交通技术领域，具体涉及一种基于时空信息的路段关联度缺失补全方法。

背景技术

交通数据是交通监测与控制的基础，但由于道路设置的检测设备覆盖率低、有损坏、漏检、传输延迟等问题，实际获取到的交通数据常常存在缺失，从而无法满足交通数据分析、配时优化的需求。故选用可靠的方法对缺失的交通数据进行补全，能够提高交通数据的完整性和可用性，更好地服务于交通管理和决策。

交通数据具有时空相关性，对缺失数据修复即是根据已有数据和缺失数据的时间或空间相关性，对缺失数据进行满足一定可靠度的估计或预测。但现有的交通数据补全策略中，大多是根据时间相关性对缺失数据进行填补，往往忽视了空间相关性，这使得补全的数据存在一定的不可靠性。因而在一些没有设置检测设备的交叉口，若能够通过对周边相关历史数据的分析来提取时间相关信息，再结合空间相关信息入手，将能更好地利用设置有检测设备的交叉口的数据去推测无检测设备的交叉口的数据。

交通数据可以通过多种检测设备获得。目前，基于视频检测技术的道路交通治安卡口监控系统和智能交通违章监摄管理系统已经在我国各个城市中得到广泛应用，但海量的视频数据还没有普遍地被应用于交通管理和规划。视频数据记录了通过交叉口的车辆的车牌、过车时间等信息，通过车牌匹配能还原车辆行驶轨迹，为交通数据补全提供空间相关关系。

瓶颈路段指早晚高峰期间易出现过饱和状态、其车辆排队长度约等于路段长度的路段或由事故和突发流量引起的车辆排队长度约等于路段长度的路段。瓶颈若不能得到及时消散，会引起排队蔓延，造成路网瘫痪。瓶颈控制的关键是分析瓶颈路段流量的来源和去向，从而对上游限流、下游泄流，达到疏散瓶颈的目的。关联度作为衡量路段与瓶颈之间关系的指标，表示为在时间段T内，通过上游路段且进入瓶颈路段的车辆数与瓶颈路段车辆数的比值，或通过下游路段且从瓶颈驶出的车辆数与瓶颈路段车辆数的比值。交叉口检测设备的缺失导致部分车流量数据缺失，关联度无法计算，从而影响瓶颈控制方案的制定。因此需要一种可靠的数据补全方法，对缺失数据进行填补，提高数据的完整性。

目前，现有技术中已提出多种数据补全的方案，例如专利申请号为201810293819.X的专利文献中公开了一种道路检测器缺失数据补全方法及装置，该专利提出了利用流量和占有率进行多元函数拟合，对速度进行估计的方法。该方法主要利用线圈检测数据，但没有应用视频检测设备中的车牌信息，同时，速度数据填补要求流量和占有率完整，不适用于交叉口因未设置检测设备而无法获取流量和占有率的情况。

又如，专利申请号为201310359209.2的专利文献中公开了一种缺失交通信息补全装置及其方法，该专利提出了一种通过比较历史数据与当前数据的差异，对当前缺失数据进行补全的方法。该方法要求寻找到的历史交通样本里，目标路链上的交通信息必须是有值的，即能够获得当前数据缺失路段的历史数据。因此该方法同样无法处理交叉口未设置检测设备、无法获取历史数据的情况。

又如，专利申请号为201410336212.7的专利文献中公开了一种交通数据弥补方法，该专利对完整交通数据集进行随机缺失处理，将完整数据集合和缺失处理后的数据集合同时作为训练数据，训练基于降噪堆式自动编码器深层网络结构的交通数据弥补模型，再利用弥补模型对含缺失数据的不完整的交通数据进行填补。该方法中，弥补模型的准确性决定了填补结果的准确性，而弥补模型的准确性又依赖于训练数据集。所以训练数据的选取极为关键。该方法实施的前提是训练数据有完整数据集和随机缺失处理后的数据集，对于包含无检测设备交叉口的路网，依然无法使用。

又如，专利申请号为201510482383.5的专利文献中公开了一种基于低秩算法的路网交通数据的补全方法，该专利构造包括缺失点的交通数据矩阵，将低秩表示模型应用到交通数据补全中，对缺失点进行预填充，并加入交通数据的时序信息作为约束项，从而更加精确的将缺失点补全。但该方法需要交通数据的时序信息，无法应用于获取不到时序信息的交叉口。

发明内容

本发明的目的在于提供一种基于时空信息的路段关联度缺失补全方法，该方法根据交通数据的时间相关性和空间相关性对缺失数据进行补全，根据补全后的数据进行关联度计算，并利用关联度和流量对关联度进行修正和补全，从而得到可靠性高的相关数据。

为实现上述目的，本发明所采取的技术方案为：

一种基于时空信息的路段关联度缺失补全方法，所述基于时空信息的路段关联度缺失补全方法，包括：

S1、获取过车记录，所述过车记录包括过车时刻、车牌号码、交叉口名称、所在路段编号、所在车道编号以及行车方向；

S2、构建路网信息数据库，所述路网信息数据库中包括路口表、路段表、车道表，所述路口表中包括交叉口编号、交叉口名称、交叉口经度、交叉口纬度；所述路段表中包括路段编号、车道数量、起始交叉口编号、终点交叉口编号、路段方向、路段长度以及路段有无检测设备；所述车道表中包括车道编号、所属交叉口编号、车道方向、车道转向；

S3、过车记录补全，所述过车记录根据是否成功识别车牌号码分为有牌过车记录与无牌过车记录，并根据有牌过车记录匹配每辆车的行驶轨迹，如果行驶轨迹中存在缺失记录，则按照缺失记录的前后行驶轨迹信息进行补全；

S4、流量数据修正，将补全后的过车记录按所属路段以及行车方向进行统计，得到路段流量，且由步骤S1中直接获取的过车记录统计得到的记为真实路段流量；由步骤S3中后期补全的过车记录统计得到的记为推定路段流量，并根据交叉口的转向流量关系，利用真实路段流量修正推定路段流量；

S5、计算关联度：根据瓶颈路段与上下游路段的路段转向流量关系，计算上有关联度和下游关联度；

S5.1、计算上游关联度：在指定时间段内，通过上游路段且进入瓶颈路段的车辆数与瓶颈路段的车辆数之比为上游关联度；

S5.2、计算下游关联度：在指定时间段内，通过下游路段且由瓶颈路段驶出的车辆数与瓶颈路段的车辆数之比为下游关联度；

S6、路段数据存储：根据路网信息数据库的数据和补全后的过车记录，分别统计并存储每条路段的出入口信息，所述出入口信息包括：出口转向个数、各出口转向的流量、各出口转向对应的下游路段编号、入口转向个数、各入口转向的流量、各入口转向对应的上游路段编号；

S7、建立路段分层结构，以瓶颈路段为树根结点，结合步骤S6中存储的各路段的出入口信息，根据路段的直接连接关系，建立路段的上游树形结构和下游树形结构；

S8、关联度修正及补全：

S8.1、关联度修正：所述关联度中由步骤S1中直接获取的过车记录计算得到的记为真实关联度，由步骤S3中后期补全的过车记录计算得到的记为推定关联度，并根据树形结构中上一层的各结点的关联度为该结点所拥有的子树的关联度之和的关系，利用真实关联度修正推定关联度；

S8.2、关联度补全：根据步骤S3中行驶轨迹中存在缺失记录确定路段缺失的关联度，并按照上游树形结构或下游树形结构中存在的关联度结构关系对缺失的关联度进行补全；

S9、利用路段流量修正关联度：

S9.1、上游树形结构中的关联度推导：设定瓶颈路段所在的层为第0层，则第一层关联度为其中，a表示上游待计算关联度的路段，b表示瓶颈路段，i表示相关转向，δ_a,1表示第1层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_b,in表示进入b路段的路段流量；

第f层中各路段的关联度为其中，f≥2，a表示上游待计算关联度的路段，i表示相关转向，δ_a,f表示第f层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_a,out表示驶出a路段的路段流量，δ_a,f-1表示第f-1层的a路段的关联度；

S9.2、下游树形结构中的关联度推导：设定瓶颈路段所在的层为第0层，则第一层路段的关联度为其中，b表示瓶颈路段，c表示下游待计算关联度的路段，j表示相关转向，δ_c,1表示第1层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量，q_b,out表示驶出b路段的路段流量；

则第f层中各路段的关联度为其中，f≥2，b表示瓶颈路段，c表示下游路段待计算关联度的路段，j表示相关转向，δ_c,f表示第f层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量；q_b,out表示驶出b路段的路段流量，δ_c,f-1表示第f-1层的c路段的关联度；

S10、若步骤S8和步骤S9均能计算出关联度的补全值，则将步骤S8和步骤S9计算出的同一路段的补全值的均值作为关联度的最终结果；若针对同一路段步骤S8和步骤S9中的一者能够计算出关联度的补全值，则将计算出的补全值直接作为最终结果。

作为优选，所述过车记录根据是否成功识别车牌号码分为有牌过车记录与无牌过车记录，并根据有牌过车记录匹配每辆车的行驶轨迹，如果行驶轨迹中存在缺失记录，则按照缺失记录的前后行驶轨迹信息进行补全，包括：

S3.1、获取指定时间段内的过车记录，其中成功识别车牌号码的为有牌过车记录，未成功识别车牌号码的为无牌过车记录，根据有牌过车记录中记载的车牌号码匹配出每辆车的行驶轨迹，并按照过车记录的过车时刻的先后存储每辆车的过车记录；

S3.2、获取所存储的每辆车的过车记录，参考路段表中记录的信息，依次对比一辆车相邻的两条过车记录，若前一条过车记录记载的所在路段编号对应的终点交叉口编号与后一条过车记录记载的所在路段编号对应的起始交叉口编号相同，则两条过车记录中间无数据缺失；反之则两条过车记录中间有数据缺失；

S3.3、若两条过车记录中间有数据缺失，则进一步根据过车记录记载的行车方向以及路段连接关系，判断缺失数据涉及的交叉口个数，若涉及的交叉口个数为1，则按照路段邻接关系补全过车记录；若缺失的交叉口个数大于1，则按照K最短算法和Logit模型进行路径选择后补全过车记录。

作为优选，所述将补全后的过车记录按所属路段以及行车方向进行统计，得到路段流量，且由步骤S1中直接获取的过车记录统计得到的记为真实路段流量；由步骤S3中后期补全的过车记录统计得到的记为推定路段流量，并根据交叉口的转向流量关系，利用真实路段流量修正推定路段流量，包括：

S4.1、所述路段流量包括左转流量、右转流量、直行流量以及总流量，若本路段的总流量为q_b，上游路段相关的左转流量为q_f3、上游路段相关的直行转流量为q_a2、上游路段相关的右转流量为q_h1，则根据交叉口的流量关系可得关系式：q_h1+q_a2+q_f3＝q_b；

S4.2、若关系式中存在一个流量x′为推定路段流量，则关系式可拟定为x+a+b＝c，并可通过其他三个流量计算得到x′的真实流量值为x＝c-a-b，其中x′为推定路段流量，x为推定路段流量的修正值，a、b、c为真实路段流量；

S4.3、若关系式中存在两个流量x₁′和x₂′为推定路段流量，则关系式可拟定为x₁+x₂+a＝b，并可根据以下公式对x₁′和x₂′的值进行修正：其中x₁′、x₂′为推定路段流量，x₁、x₂为推定路段流量的修正值，a、b为真实路段流量；

S4.4、若关系式中存在三个流量x₁′、x₂′和x₃′为推定路段流量，则关系式可拟定为x₁+x₂+x₃＝a，并可根据以下公式对x₁′、x₂′和x₃′的值进行修正：其中x₁′、x₂′和x₃′为推定路段流量，x₁、x₂和x₃为推定路段流量的修正值，a为真实路段流量。

作为优选，所述步骤S7中以瓶颈路段为树根结点，结合步骤S6中存储的各路段的出入口信息，根据路段的直接连接关系，建立路段的上游树形结构和下游树形结构，包括：

S7.1、将瓶颈路段设定为第f层；

S7.2、与瓶颈路段直接相关联的上游路段或下游路段设定为第f+1层；

S7.3、与第f+1层中每一路段直接相关联的上游路段或下游路段设定为第f+2层。

作为优选，所述步骤S8.2中的关联度结构关系包括：树形结构中同一层的关联度之和为1，以及树形结构中各结点的关联度为该结点所拥有的子树的关联度之和，所述关联度补全包括：

S8.2.1、按树形结构的层判断路段数据缺失情况，若步骤S3中的缺失记录所涉及的路段在当前层中有出现，则当前层存在路段数据缺失情况；反之，则当前层不存在路段数据缺失情况，继续判断下一层；

S8.2.2、若当前层存在路段数据缺失情况，则进一步判断缺失的路段数据的数量，若缺失的数量为1，则根据树形结构中同一层的关联度之和为1对缺失数据进行补全；

S8.2.3、若缺失的数量大于1，则根据树形结构中各结点的关联度为该结点所拥有的子树的关联度之和对每一缺失数据进行补全；

S8.2.4、判断树形结构中的所有层是否均已判断完成，若未完成所有层的判断，则继续判断下一层；若已完成所有层的判断，则结束。

本发明提供一种基于时空信息的路段关联度缺失补全方法，考虑到实际应用中交叉口视频检测设备存在覆盖率低、错检、漏检等导致数据缺失的情况，通过过车记录补全，流量修正，关联度修正及补全等方式，实现从微观到宏观逐步对缺失数据进行填补，提高了数据的完整性和可用性；本发明还可作为瓶颈路段与路网中其他路段关联度的计算和补全方法，为分析瓶颈路段流量的来源和去向，筛选关键路段，进而进行瓶颈控制、疏散拥堵打下基础；根据交通流的时空相关性进行补全算法设计，可以应用于无检测设备交叉口的数据补全，提高数据处理后的准确性和可靠性。

附图说明

图1为本发明基于时空信息的路段关联度缺失补全方法的流程图；

图2为本发明过车记录缺失的一种实施例示意图；

图3为本发明交叉口的转向流量关系的一种实施例示意图；

图4为本发明中路段数据存储一种实施例结构示意图；

图5为本发明路段分层的一种实施例树形结构图；

图6为本发明一种实施例路网的卫星图；

图7为图6简化后的拓扑图；

图8为本发明上游路段分层结构的一种实施例示意图；

图9为本发明下游路段分层结构的一种实施例示意图；

图10为与图8对应形成的路段分层结构示意图；

图11为本发明实施例2中展示的缺失关联度的分层结构；

图12为本发明实施例2中展示的补全关联度的分层结构；

图13为本发明上游路段关系的一种实施例示意图；

图14为本发明下游路段关系的一种实施例示意图。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

本实施例提供一种基于时空信息的路段关联度缺失补全方法，通过结合交通数据的时间相关性和空间相关性进行交通数据的补全，在此基础上，统计路段转向流量，进行流量数据修正和补全。进一步地，在瓶颈路段被识别后，对路段进行分层，根据分层结构对路段关联度进行修正和填补。发明可用于分析路段流量关系，确定造成瓶颈产生的关键路段，制定瓶颈控制、区域控制方案。

如图1所示，本实施例的基于时空信息的路段关联度缺失补全方法，包括一下步骤：

S1、获取过车记录。

过车记录是指由视频监测设备(例如卡口式电子警察)获取的一条路段上车辆通过交叉口的信息。每条过车记录包括但不限于以下字段：过车时刻、车牌号码、交叉口名称、所在路段编号、所在车道编号以及行车方向。所获得的所有过车记录统一储存在过车记录表中。

在道路监控中，受车牌识别率限制，可能会出现视频监测设备无法成功识别通过交叉口的车辆的车牌号码的情况，因此数据库中存在两种过车记录：成功识别车牌号码的过车记录和未成功识别车牌号码的过车记录，并将成功识别车牌号码的记为有牌过车记录，示例如表1所示；将未成功识别车牌号码的记为无牌过车记录，示例如表2所示。

表1有牌过车记录

注：表中的ID为该条记录的编号。

表2无牌过车记录

注：表中的ID为该条记录的编号。

S2、构建路网信息数据库。

所构建的路网信息数据库中包括但不仅限于路口表、路段表、车道表，其中：

路口表中包括但不仅限于以下字段：交叉口编号、交叉口名称、交叉口经度、交叉口纬度，示例如表3所示。

所述路段表中包括但不仅限于以下字段：路段编号、车道数量、起始交叉口编号、终点交叉口编号、路段方向、路段长度以及路段有无检测设备，示例如表4所示。

所述车道表中包括但不仅限于以下字段：车道编号、所属交叉口编号、车道方向、车道转向，示例如表5所示。

表3路口表

注：表中的ID为该条记录的编号。

表4路段表

注：表中的ID为该条记录的编号。

表5车道表

注：表中的ID为该条记录的编号。

S3、过车记录补全。

由于能够成功识别车牌号码的过车记录才能够形成车辆的行驶轨迹，故过车记录补全是针对有牌过车记录的，根据有牌过车记录匹配每辆车的行驶轨迹，如果行驶轨迹中存在缺失记录，则按照缺失记录的前后行驶轨迹信息进行补全，具体如下：

S31、根据步骤S1和步骤S2中的数据表之间的关系查询数据，获取指定时间段内的过车记录，如前所述，成功识别车牌号码的为有牌过车记录，未成功识别车牌号码的为无牌过车记录，根据有牌过车记录中记载的车牌号码匹配出每辆车的行驶轨迹，并按照过车记录的过车时刻的先后存储每辆车的过车记录；

S32、获取所存储的每辆车的过车记录，参考路段表中记录的信息，依次对比一辆车相邻的两条过车记录，若前一条过车记录记载的所在路段编号对应的终点交叉口编号与后一条过车记录记载的所在路段编号对应的起始交叉口编号相同(即前一条过车记录记载的交叉口名称与后一条过车记录记载的交叉口名称为同一条路段的起始交叉口和终点交叉口)，则两条过车记录中间无数据缺失；反之则两条过车记录中间有数据缺失；

S33、若两条过车记录中间有数据缺失，则进一步根据过车记录记载的行车方向以及路段连接关系，判断缺失数据涉及的交叉口个数，若涉及的交叉口个数为1，则按照路段邻接关系补全过车记录。

如图2所示，图中存在9个交叉口，其中交叉口5未安装检测器，若对比两条相邻的过车记录时发现，前一条过车记录显示车辆在交叉口4西向东直行，后一条过车记录显示车辆在交叉口2南向北直行，则可判断出两条过车记录之间缺失的数据涉及1个交叉口，并可补充车辆在交叉口5为西向东左转。

同理，若对比两条相邻的过车记录时发现，前一条过车记录显示车辆在交叉口4西向东直行，后一条过车记录显示车辆在交叉口6西向东直行，则可判断出两条过车记录之间缺失的数据涉及1个交叉口，并可补充车辆在交叉口5为西向东直行。

同理，若对比两条相邻的过车记录时发现，前一条过车记录显示车辆在交叉口4西向东直行，后一条过车记录显示车辆在交叉口8北向南直行，则可判断出两条过车记录之间缺失的数据涉及1个交叉口，并可补充车辆在交叉口5为西向东右转。

在确定车辆的位置后，可进一步根据路段长度估计车辆通过数据缺失交叉口的时刻。设车辆通过交叉口4的时刻为t1，通过交叉口6的时刻为t2，交叉口4和5之间路段长度为L1，交叉口5和6之间路段长度为L2，那么车辆通过交叉口5的时刻为：从而可得车辆在交叉口5缺失的过车记录进行补全。

若两条过车记录之间缺失的交叉口个数大于1，则可能有不止一条可行路径存在，需要根据最短路算法补全车辆行驶轨迹。但考虑到实际路网中因出行者对行程时间和路段长度估计的偏差，不会全部选择最短路行驶，故采用K最短路算法，以路段长度为权值，筛选出K条备选路径，并按照Logit模型以一定概率进行路径选择，补全路径上缺失的过车记录。

S4、流量数据修正。

将补全后的过车记录按所属路段以及行车方向进行统计，得到路段流量。由于过车记录包括真实获得的过车记录，以及后期补全的过车记录，故将由步骤S1中直接获取的过车记录统计得到的记为真实路段流量；由步骤S3中后期补全的过车记录统计得到的记为推定路段流量，并根据交叉口的转向流量关系，利用真实路段流量修正推定路段流量，具体步骤如下：

S4.1、路段流量包括左转流量、右转流量、直行流量以及总流量，如图3所示，若本路段的总流量为q_b，上游路段相关的左转流量为q_f3、上游路段相关的直行转流量为q_a2、上游路段相关的右转流量为q_h1，则根据交叉口的流量关系可得关系式：q_h1+q_a2+q_f3＝q_b；

S4.2、若关系式中存在一个流量x′为推定路段流量，则关系式可拟定为x+a+b＝c，并可通过其他三个流量计算得到x′的真实流量值为x＝c-a-b，其中x′为推定路段流量，x为推定路段流量的修正值，a、b、c为真实路段流量；由于a、b、c为真实路段流量，故此处计算所得的x相对于步骤3的过车记录补全所得到的流量值更加接近真实流量值。

S4.3、若关系式中存在两个流量x₁′和x₂′为推定路段流量，则关系式可拟定为x₁+x₂+a＝b，并可根据以下公式对x₁′和x₂′的值进行修正：其中x₁′、x₂′为推定路段流量，x₁、x₂为推定路段流量的修正值，a、b为真实路段流量；

S4.4、若关系式中存在三个流量x₁′、x₂′和x₃′为推定路段流量，则关系式可拟定为x₁+x₂+x₃＝a，并可根据以下公式对x₁′、x₂′和x₃′的值进行修正：其中x₁′、x₂′和x₃′为推定路段流量，x₁、x₂和x₃为推定路段流量的修正值，a为真实路段流量。

以上流量修正公式仅为流量修正方法中的一种，以上述公式为基础可以形变出其他公式，例如实施例1。

实施例1

若关系式中存在一个流量x′为推定路段流量，且关系式拟定为a+b+c＝x，则可通过其他三个流量计算得到该流量的真实流量值为x＝c+a+b，其中x′为推定路段流量，x为推定路段流量的修正值，a、b、c为真实路段流量；

若关系式q_h1+q_a2+q_f3＝q_b中存在两个流量x₁′和x₂′为推定路段流量，且关系式拟定为x₁+a+b＝x₂，并可根据以下公式对x₁′和x₂′的值进行修正：其中x₁′、x₂′为推定路段流量，x₁、x₂为推定路段流量的修正值，a、b为真实路段流量；

若关系式中存在三个流量x₁′、x₂′和x₃′为推定路段流量，且关系式拟定为x₁+x₂+a＝x₃，并可根据以下公式对x₁′、x₂′和x₃′的值进行修正：其中x₁′、x₂′和x₃′为推定路段流量，x₁、x₂和x₃为推定路段流量的修正值，a为真实路段流量。

若步骤S4中利用真实路段流量无法实现部分路段的推定路段流量修正时，则可采用真实路段流量和推定路段流量，对上述的部分路段进行流量的二次补全或修正，包括：

S4.5、同理路段流量包括左转流量、右转流量、直行流量以及总流量，且若本路段的总流量为q_b，上游路段相关的左转流量为q_f3、上游路段相关的直行转流量为q_a2、上游路段相关的右转流量为q_h1，则根据交叉口的流量关系可得关系式：q_h1+q_a2+q_f3＝q_b；

S4.6、若关系式中存在一个流量y无法修正，则关系式可拟定为y+d+e＝f，并可通过其他三个流量计算得到该流量的值为y＝f-d-e，其中y为缺失的路段流量，d、e、f为真实路段流量或推定路段流量；

S4.7、若关系式中存在两个流量y₁、y₂无法修正，则关系式可拟定为y₁+y₂+d＝e，并可根据以下公式对y₁′和y₂′的值进行修正： 其中y₁′、y₂′为推定路段流量，y₁、y₂为推定路段流量的修正值，d、e为真实路段流量或推定路段流量；

S4.8、若关系式中存在三个流量y₁、y₂和y₃无法修正，则关系式可拟定为y₁+y₂+y₃＝d，并可根据以下公式对y₁′、y₂′和y₃′的值进行修正：其中y₁′、y₂′和y₃′为推定路段流量，y₁、y₂和y₃为推定路段流量的修正值，d为真实路段流量或推定路段流量。

同理，以上公式仅为流量二次修正方法中的一种，以上述公式为基础可以形变出其他公式。

S5、计算关联度。

本实施例以瓶颈路段为例进行关联度计算，根据瓶颈路段与上下游路段的路段转向流量关系，计算上有关联度和下游关联度。

S5.1、计算上游关联度：在指定时间段内，通过上游路段且进入瓶颈路段的车辆数与瓶颈路段的车辆数之比为上游关联度，具体步骤如下：

S5.1.1、变量定义：Q为车辆数，a为瓶颈路段的上游路段，b为瓶颈路段，lane为车道，i为转向，并确定两个回溯时刻：设当前时刻为T₀，第一个回溯时刻为T₁＝T₀-△t₁，第二个回溯时刻为T₂＝T₀-△t₂，且T₂更加接近当前时刻；

S5.1.2、查找T₁～T₀时间段内，所有通过瓶颈路段b的车牌号码，获得车牌号码的集合CN₁，以及车辆总数Q_in；

S5.1.3、根据集合CN₁中的车牌号码，在过车数据表中查找每辆车在T₂～T₀时间段内的所有过车记录，如果车辆在某条车道上有过车记录，则该车道lane的车辆数Q_lane加1，遍历完毕获得每个车道lane通过的车辆数Q_lane；

S5.1.4、将各路段a相同转向i的车道上的车辆数相加，获得每条路段a不同转向i对瓶颈路段b贡献的车辆数Q_a,b,i；

S5.1.5、用各转向的车辆数Q_a,b,i除以CN₁集合中总车辆数Q_in，获得各路段各转向与瓶颈路段的关联度

S5.2、计算下游关联度：在指定时间段内，通过下游路段且由瓶颈路段驶出的车辆数与瓶颈路段的车辆数之比为下游关联度，具体步骤如下：

S5.2.1、变量定义：Q为车辆数，c为瓶颈路段的下游路段，a为瓶颈路段，lane为车道，j为转向，并确定两个回溯时刻：设当前时刻为T₀，第一个回溯时刻为T₁＝T₀-△t₁，第二个回溯时刻为T₂＝T₀-△t₂，且T₁更加接近当前时刻；

S5.2.2、在过车记录中查找T₁～T₀时间段内的所有车牌号码，获得车牌号码集合CN₂；

S5.2.3、在过车记录中查找T₂～T₀时间段内所有通过瓶颈路段的车牌号码，获得车牌号码集合CN₃；

S5.2.4、遍历集合CN₂与CN₃的数据进行匹配：若车牌号码在两个集合中都有记录，且在CN₃中出现的时间早于在CN₂中出现的时间，则判断为匹配成功，获得匹配成功的车牌号码集合CN₄、以及车辆总数Q_out。并且在每次匹配时，将车辆在CN₂中出现时所在车道lane上的车辆数Q_lane加1，遍历完毕获得每条车道lane通过的车辆数Q_lane；

S5.2.5、将各路段c相同转向j的车道上的车辆数相加，获得瓶颈路段b对下游路段c不同转向j贡献的车辆数Q_b,c,j；

S5.2.6、用下游路段c不同转向j车辆数Q_b,c,j除以CN₄集合中总车辆数Q_out，获得瓶颈路段b与下游路段c各转向j的关联度

S6、路段数据存储。

如图4所示，根据路网信息数据库的数据和补全后的过车记录，分别统计并存储每条路段的出入口信息，所述出入口信息包括：出口转向个数、各出口转向的流量、各出口转向对应的下游路段编号、入口转向个数、各入口转向的流量、各入口转向对应的上游路段编号。

S7、建立路段分层结构。

如图5所示，本实施例以瓶颈路段为树根结点，结合步骤S6中存储的各路段的出入口信息，根据路段的直接连接关系，建立路段的上游树形结构和下游树形结构，具体步骤如下：

S7.1、将瓶颈路段设定为第f层；

S7.2、与瓶颈路段直接相关联的上游路段或下游路段设定为第f+1层；

S7.3、与第f+1层中每一路段直接相关联的上游路段或下游路段设定为第f+2层。

需要说明的是，步骤中仅描述至第f+2层，在实际中还可以此类推直至罗列完所有所需路段。

按照上述步骤储存完成后得到两个树形结构，一个为上游树形结构，一个为下游树形结构。且在构建分层结构时，还可在上游树形结构中标记每条路段的针对于瓶颈路段的相关转向，该上游路段相关转向是指通过此转向驶离上游路段的车辆最终会进入瓶颈路段。因路网的结构特点，一条路段可能会同时出现在不同层，且同时有不止一个转向是针对于瓶颈路段的相关转向，此时只记录其第一次出现的位置和转向。同理，在下游树形结构中，每条路段同样只记录一次，但因所有转向都是相关转向，所以不需要对此进行标记。下游路段相关转向是指从瓶颈路段驶出的车辆最终会经过该转向驶离下游路段。

本实施例以某省某市的路网为例，该路网包含57个交叉口，其中有信号控制的交叉口为34个，无信号控制的交叉口为23个；有过车记录的交叉口为26个，无过车记录的交叉口为31个。如图6所示为该路网的卫星图，为便于标记，将卫星图简化为如图7所示的拓扑图，该拓扑图中有编号的交叉口为信号控制交叉口，黑色圆点覆盖的交叉口为有过车记录的交叉口，圆点上的数字为交叉口编号。且路网存在表6所示的路段与路口的关系。

表6路段与路口关系

以瓶颈路段中心，建立路段的上游树形结构和下游树形结构后，将上游树形结构和下游树形结构中存在的路段关系转化至拓扑图上，形成如图8所示的瓶颈路段的上游路段分层结构，形成如图9所示的瓶颈路段的下游路段分层结构。因路网较大，故图8与图9中的分层结构均只展示到第3层。且为了进一步便于观察各分层结构中的路段关系，可按路段编号并通过树形结构直接展示。本实施例中以上游路段分层结构为例，形成如图10所示的路段分层结构。

S8、关联度修正及补全。

S8.1、关联度修正：所述关联度中由步骤S1中直接获取的过车记录计算得到的记为真实关联度，由步骤S3中后期补全的过车记录计算得到的记为推定关联度，并根据树形结构中上一层的各结点的关联度为该结点所拥有的子树的关联度之和的关系，利用真实关联度修正推定关联度，其具体的修正方法参考步骤S4流量数据修正中的步骤S4.1～S4.4，在此不再进行赘述。

S8.2、关联度补全：根据步骤S3中行驶轨迹中存在缺失记录确定路段缺失的关联度，并按照上游树形结构或下游树形结构中存在的关联度结构关系对缺失的关联度进行补全。

其中，关联度结构关系包括：树形结构中同一层的关联度之和为1，以及树形结构中各结点的关联度为该结点所拥有的子树的关联度之和。则具体的补全步骤如下：

S8.2.1、按树形结构的层判断路段数据缺失情况，若步骤S3中的缺失记录所涉及的路段在当前层中有出现，则当前层存在路段数据缺失情况；反之，则当前层不存在路段数据缺失情况，继续判断下一层；

S8.2.2、若当前层存在路段数据缺失情况，则进一步判断缺失的路段数据的数量，若缺失的数量为1，则根据树形结构中同一层的关联度之和为1对缺失数据进行补全；

S8.2.3、若缺失的数量大于1，则根据树形结构中各结点的关联度为该结点所拥有的子树的关联度之和对每一缺失数据进行补全；

S8.2.4、判断树形结构中的所有层是否均已判断完成，若未完成所有层的判断，则继续判断下一层；若已完成所有层的判断，则结束。

以下结合实施例对关联度补全方法进一步说明。

实施例2

如图11所示，图中展示了各分层结构的关联度数据，其中“***”表示缺失的关联度，图中从左到右共展示了4层结构，根据步骤S8.2中所述的关联度补全方法进行补全。

树形结构中的最右层中仅存在一个数据缺失，则根据树形结构中同一层的关联度之和为1，求得缺失的数据为0.031。

由于树形结构中从左到右的第三层中存在多个数据缺失，则根据树形结构中各结点的关联度为该结点所拥有的子树的关联度之和进行补全，例如：该层中最上方缺失数据的结点拥有2个子树，则可得到缺失数据为0.091+0.015＝0.106，以此类推补全该层的所有数据。

由于树形结构中从左到右的第三层中存在多个数据缺失，则依旧根据树形结构中各结点的关联度为该结点所拥有的子树的关联度之和的方法进行数据补全，补全后的关联度树形结构如图12所示。

S9、利用路段流量修正关联度。

S9.1、上游树形结构中的关联度推导：首先，定义上游父路段和子路段：父路段和子路段同属一个交叉口，父路段为交叉口的出口路段，子路段为流量可能流入父路段的交叉口的入口路段，若父路段属于第f层，那么子路段属于第f+1层。如图13，路段a1为父路段，路段a2、a3、a4为子路段。

然后，设定瓶颈路段所在的层为第0层，则第一层关联度为其中，a表示上游待计算关联度的路段，b表示瓶颈路段，i表示相关转向，δ_a,1表示第1层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_b,in表示进入b路段的路段流量；

则第二层中各路段的关联度为其中，a表示上游待计算关联度的路段，i表示相关转向，δ_a,2表示第2层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_a,out表示驶出a路段的路段流量，δ_a,1表示第1层的a路段的关联度；

并且，从第二层开始，各路段的关联度递推公式为其中，f表示层数且f≥2，a表示上游待计算关联度的路段，i表示相关转向，δ_a,f表示第f层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_a,out表示驶出a路段的路段流量，δ_a,f-1表示第f-1层的a路段的关联度。

S9.2、下游树形结构中的关联度推导：首先，定义下游父路段和子路段：父路段和子路段同属一个交叉口，父路段为交叉口的进口路段，子路段为从父路段出来的车辆可能驶向的交叉口的出口路段。若父路段属于第f层，那么子路段属于第f+1层。如图14，路段a1为父路段，路段a2、a3、a4为子路段。

然后，设定瓶颈路段所在的层为第0层，则第一层路段的关联度为其中，b表示瓶颈路段，c表示下游待计算关联度的路段，j表示相关转向，δ_c,1表示第1层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量，q_b,out表示驶出b路段的路段流量；

则第二层中各路段的关联度为其中，b表示瓶颈路段，c表示下游待计算关联度的路段，j表示相关转向，δ_c,2表示第2层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量；q_b,out表示驶出b路段的路段流量，δ_c,1表示第1层的c路段的关联度；

并且，从第二层开始，各路段的关联度递推公式为其中，f表示层数且f≥2，b表示瓶颈路段，c表示下游路段待计算关联度的路段，j表示相关转向，δ_c,f表示第f层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量；q_b,out表示驶出b路段的路段流量，δ_c,f-1表示第f-1层的c路段的关联度；

S10、若步骤S8和步骤S9均能计算出关联度的补全值，则将步骤S8和步骤S9计算出的同一路段的补全值的均值作为关联度的最终结果；若针对同一路段步骤S8和步骤S9中的一者能够计算出关联度的补全值，则将计算出的补全值直接作为最终结果。

需要说明的是，此处的补全值指步骤S8和步骤S9中计算出的修正值或补全值。且若针对同一路段步骤S8和步骤S9均无法计算出关联度的补全值，则以补全后的过车记录计算的该路段的关联度为准。

本实施例提供的基于时空信息的路段关联度缺失补全方法，通过车牌匹配获取每辆车的行驶轨迹，利用路段邻接关系结合路径搜索算法行过车记录补全，在此基础上，统计路段转向流量，进行流量数据补全和修正，且进一步地，在瓶颈被识别后，对路段进行分层，根据分层结构对路段关联度进行填补和修正。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种基于时空信息的路段关联度缺失补全方法，其特征在于，所述基于时空信息的路段关联度缺失补全方法，包括：

S1、获取过车记录，所述过车记录包括过车时刻、车牌号码、交叉口名称、所在路段编号、所在车道编号以及行车方向；

S2、构建路网信息数据库，所述路网信息数据库中包括路口表、路段表、车道表，所述路口表中包括交叉口编号、交叉口名称、交叉口经度、交叉口纬度；所述路段表中包括路段编号、车道数量、起始交叉口编号、终点交叉口编号、路段方向、路段长度以及路段有无检测设备；所述车道表中包括车道编号、所属交叉口编号、车道方向、车道转向；

S3、过车记录补全，所述过车记录根据是否成功识别车牌号码分为有牌过车记录与无牌过车记录，并根据有牌过车记录匹配每辆车的行驶轨迹，如果行驶轨迹中存在缺失记录，则按照缺失记录的前后行驶轨迹信息进行补全；

S4、流量数据修正，将补全后的过车记录按所属路段以及行车方向进行统计，得到路段流量，且由步骤S1中直接获取的过车记录统计得到的记为真实路段流量；由步骤S3中后期补全的过车记录统计得到的记为推定路段流量，并根据交叉口的转向流量关系，利用真实路段流量修正推定路段流量；

S5、计算关联度：根据瓶颈路段与上下游路段的路段转向流量关系，计算上有关联度和下游关联度；

S5.1、计算上游关联度：在指定时间段内，通过上游路段且进入瓶颈路段的车辆数与瓶颈路段的车辆数之比为上游关联度；

S5.2、计算下游关联度：在指定时间段内，通过下游路段且由瓶颈路段驶出的车辆数与瓶颈路段的车辆数之比为下游关联度；

S6、路段数据存储：根据路网信息数据库的数据和补全后的过车记录，分别统计并存储每条路段的出入口信息，所述出入口信息包括：出口转向个数、各出口转向的流量、各出口转向对应的下游路段编号、入口转向个数、各入口转向的流量、各入口转向对应的上游路段编号；

S7、建立路段分层结构，以瓶颈路段为树根结点，结合步骤S6中存储的各路段的出入口信息，根据路段的直接连接关系，建立路段的上游树形结构和下游树形结构；

S8、关联度修正及补全：

S8.1、关联度修正：所述关联度中由步骤S1中直接获取的过车记录计算得到的记为真实关联度，由步骤S3中后期补全的过车记录计算得到的记为推定关联度，并根据树形结构中上一层的各结点的关联度为该结点所拥有的子树的关联度之和的关系，利用真实关联度修正推定关联度；

S8.2、关联度补全：根据步骤S3中行驶轨迹中存在缺失记录确定路段缺失的关联度，并按照上游树形结构或下游树形结构中存在的关联度结构关系对缺失的关联度进行补全；

S9、利用路段流量修正关联度：

S9.1、上游树形结构中的关联度推导：设定瓶颈路段所在的层为第0层，则第一层关联度为其中，a表示上游待计算关联度的路段，b表示瓶颈路段，i表示相关转向，δ_a,1表示第1层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_b,in表示进入b路段的路段流量；

第f层中各路段的关联度为其中，f≥2，a表示上游待计算关联度的路段，i表示相关转向，δ_a,f表示第f层的a路段的关联度，q_a,out,i表示由相关转向i驶出a路段且进入b路段的路段流量，q_a,out表示驶出a路段的路段流量，δ_a,f-1表示第f-1层的a路段的关联度；

S9.2、下游树形结构中的关联度推导：设定瓶颈路段所在的层为第0层，则第一层路段的关联度为其中，b表示瓶颈路段，c表示下游待计算关联度的路段，j表示相关转向，δ_c,1表示第1层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量，q_b,out表示驶出b路段的路段流量；

则第f层中各路段的关联度为其中，f≥2，b表示瓶颈路段，c表示下游路段待计算关联度的路段，j表示相关转向，δ_c,f表示第f层的c路段的关联度，q_c,in,j表示通过相关转向j驶出b路段且进入c路段的路段流量；q_b,out表示驶出b路段的路段流量，δ_c,f-1表示第f-1层的c路段的关联度；

S10、若步骤S8和步骤S9均能计算出关联度的补全值，则将步骤S8和步骤S9计算出的同一路段的补全值的均值作为关联度的最终结果；若针对同一路段步骤S8和步骤S9中的一者能够计算出关联度的补全值，则将计算出的补全值直接作为最终结果。

2.如权利要求1所述的基于时空信息的路段关联度缺失补全方法，其特征在于，所述过车记录根据是否成功识别车牌号码分为有牌过车记录与无牌过车记录，并根据有牌过车记录匹配每辆车的行驶轨迹，如果行驶轨迹中存在缺失记录，则按照缺失记录的前后行驶轨迹信息进行补全，包括：

S3.1、获取指定时间段内的过车记录，其中成功识别车牌号码的为有牌过车记录，未成功识别车牌号码的为无牌过车记录，根据有牌过车记录中记载的车牌号码匹配出每辆车的行驶轨迹，并按照过车记录的过车时刻的先后存储每辆车的过车记录；

S3.2、获取所存储的每辆车的过车记录，参考路段表中记录的信息，依次对比一辆车相邻的两条过车记录，若前一条过车记录记载的所在路段编号对应的终点交叉口编号与后一条过车记录记载的所在路段编号对应的起始交叉口编号相同，则两条过车记录中间无数据缺失；反之则两条过车记录中间有数据缺失；

S3.3、若两条过车记录中间有数据缺失，则进一步根据过车记录记载的行车方向以及路段连接关系，判断缺失数据涉及的交叉口个数，若涉及的交叉口个数为1，则按照路段邻接关系补全过车记录；若缺失的交叉口个数大于1，则按照K最短算法和Logit模型进行路径选择后补全过车记录。

3.如权利要求1所述的基于时空信息的路段关联度缺失补全方法，其特征在于，所述将补全后的过车记录按所属路段以及行车方向进行统计，得到路段流量，且由步骤S1中直接获取的过车记录统计得到的记为真实路段流量；由步骤S3中后期补全的过车记录统计得到的记为推定路段流量，并根据交叉口的转向流量关系，利用真实路段流量修正推定路段流量，包括：

S4.1、所述路段流量包括左转流量、右转流量、直行流量以及总流量，若本路段的总流量为q_b，上游路段相关的左转流量为q_f3、上游路段相关的直行转流量为q_a2、上游路段相关的右转流量为q_h1，则根据交叉口的流量关系可得关系式：q_h1+q_a2+q_f3＝q_b；

S4.2、若关系式中存在一个流量x′为推定路段流量，则关系式可拟定为x+a+b＝c，并可通过其他三个流量计算得到x′的真实流量值为x＝c-a-b，其中x′为推定路段流量，x为推定路段流量的修正值，a、b、c为真实路段流量；

S4.3、若关系式中存在两个流量x₁′和x₂′为推定路段流量，则关系式可拟定为x₁+x₂+a＝b，并可根据以下公式对x₁′和x₂′的值进行修正：其中x₁′、x₂′为推定路段流量，x₁、x₂为推定路段流量的修正值，a、b为真实路段流量；

S4.4、若关系式中存在三个流量x₁′、x₂′和x₃′为推定路段流量，则关系式可拟定为x₁+x₂+x₃＝a，并可根据以下公式对x₁′、x₂′和x₃′的值进行修正：其中x₁′、x₂′和x₃′为推定路段流量，x₁、x₂和x₃为推定路段流量的修正值，a为真实路段流量。

4.如权利要求1所述的基于时空信息的路段关联度缺失补全方法，其特征在于，所述步骤S7中以瓶颈路段为树根结点，结合步骤S6中存储的各路段的出入口信息，根据路段的直接连接关系，建立路段的上游树形结构和下游树形结构，包括：

S7.1、将瓶颈路段设定为第f层；

S7.2、与瓶颈路段直接相关联的上游路段或下游路段设定为第f+1层；

S7.3、与第f+1层中每一路段直接相关联的上游路段或下游路段设定为第f+2层。

5.如权利要求1所述的基于时空信息的路段关联度缺失补全方法，其特征在于，所述步骤S8.2中的关联度结构关系包括：树形结构中同一层的关联度之和为1，以及树形结构中各结点的关联度为该结点所拥有的子树的关联度之和，所述关联度补全包括：

S8.2.1、按树形结构的层判断路段数据缺失情况，若步骤S3中的缺失记录所涉及的路段在当前层中有出现，则当前层存在路段数据缺失情况；反之，则当前层不存在路段数据缺失情况，继续判断下一层；

S8.2.2、若当前层存在路段数据缺失情况，则进一步判断缺失的路段数据的数量，若缺失的数量为1，则根据树形结构中同一层的关联度之和为1对缺失数据进行补全；

S8.2.3、若缺失的数量大于1，则根据树形结构中各结点的关联度为该结点所拥有的子树的关联度之和对每一缺失数据进行补全；

S8.2.4、判断树形结构中的所有层是否均已判断完成，若未完成所有层的判断，则继续判断下一层；若已完成所有层的判断，则结束。