CN111462484A - 拥堵状态的确定方法、装置、设备及计算机可读存储介质 - Google Patents

拥堵状态的确定方法、装置、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN111462484A
CN111462484A CN202010242938.XA CN202010242938A CN111462484A CN 111462484 A CN111462484 A CN 111462484A CN 202010242938 A CN202010242938 A CN 202010242938A CN 111462484 A CN111462484 A CN 111462484A
Authority
CN
China
Prior art keywords
traffic flow
time period
road
current time
historical
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.)
Granted
Application number
CN202010242938.XA
Other languages
English (en)
Other versions
CN111462484B (zh
Inventor
阳勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010242938.XA priority Critical patent/CN111462484B/zh
Publication of CN111462484A publication Critical patent/CN111462484A/zh
Application granted granted Critical
Publication of CN111462484B publication Critical patent/CN111462484B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供了拥堵状态的确定方法、装置、设备及计算机可读存储介质，其中，本申请实施例提供的拥堵状态的确定方法，包括：获取道路在历史时段的实际车流量以及道路在当前时段的实际车流量，历史时段的结束时刻早于或者等于当前时段的起始时刻；根据历史时段的实际车流量获取道路在当前时段的预测车流量；根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，获取道路在当前时段的拥堵状态，用于在道路拥堵状态的监控过程中，可显著提高拥堵状态的精确性。

Description

拥堵状态的确定方法、装置、设备及计算机可读存储介质
技术领域
本申请涉及交通领域，具体涉及拥堵状态的确定方法、装置、设备及计算机可读存储介质。
背景技术
路况的分析，在交通领域的数据化管理中占有重要的地位，尤其是较大车流量的道路，若可获悉实时路况，对于该道路的交通管理则可提供强有力的数据支持。
在现有的相关技术中，传统的路况监控方式，可通过摄像头采集道路的视频信息，再从视频信息捕捉路过的车辆，进而可分析车流量，或者也可通过地感线圈等感应设备来识别路过的车辆，车辆靠近感应设备时会触发相应的触发信息，进而可确定经过车辆，车流量大的话可认定为路况良好，未发生拥堵，然而这类定点配置监控设备的路况监控方式，意味着较大的硬件成本以及维护成本，这导致了往往只覆盖了较大车流量的道路，难以实现所有道路的路况监控。而另外一种路况监控方式，则可通过采集道路上的车辆持续上报的定位信息，来获悉道路上行驶的车辆及其车速，并通过车速的快慢来判断路况是否发生拥堵。
在对现有技术的研究和实践过程中，本申请实施例的发明人发现，上述通过定位信息实现的路况监控方式相比于传统的定点路况监控方式，可显著降低硬件成本以及维护成本，然而该方式存在着精确度不高的问题。
发明内容
本申请实施例提供了拥堵状态的确定方法、装置、设备及计算机可读存储介质，用于在拥堵状态的监控过程中，可显著提高拥堵状态的精确性。
第一方面，本申请实施例提供了一种拥堵状态的确定方法，方法包括：
获取道路在历史时段的实际车流量以及道路在当前时段的实际车流量，历史时段的结束时刻早于或者等于当前时段的起始时刻；
根据历史时段的实际车流量获取道路在当前时段的预测车流量；
根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态。
在第一方面一种示例性的实现方式中，根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态之前，方法还包括：
获取预测车流量与当前时段的实际车流量的差值；
根据差值，计算误差阈值。
在第一方面又一种示例性的实现方式中，获取当前时段的预测车流量与当前时段的实际车流量的差值包括：
获取预测车流量与当前时段的实际车流量的初始差值；
当初始差值大于预设的差值阈值时，修正初始差值，得到差值。
在第一方面又一种示例性的实现方式中，根据历史时段的实际车流量获取道路在当前时段的预测车流量包括：
获取历史时段的实际车流量的时序特征；
将历史时段的实际车流量的时序特征与道路在不同时段的历史车流量的时序特征进行匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
在第一方面又一种示例性的实现方式中，根据历史时段的实际车流量获取道路在当前时段的预测车流量包括：
获取在历史时段内道路对应的定位信息，定位信息携带车辆标识；
获取车辆标识对应车辆的驾驶行为特征；
将车辆标识对应车辆的驾驶行为特征与道路在不同时段的历史车流量的驾驶行为特征进行相匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
在第一方面又一种示例性的实现方式中，根据当前时段的预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态之后，方法还包括：
获取更新后的道路的状态信息，状态信息包括道路对应的长度阈值或者道路的实际车流量的变化特征；
当状态信息满足预设的拥堵状态更新条件时，更新拥堵状态。
在第一方面又一种示例性的实现方式中，拥堵状态保存在区块链节点上。
第二方面，本申请实施例提供了一种拥堵状态的确定装置，装置包括：
获取单元，用于获取道路在历史时段的实际车流量以及道路在当前时段的实际车流量，历史时段的结束时刻早于或者等于当前时段的起始时刻；
获取单元，还用于根据历史时段的实际车流量获取道路在当前时段的预测车流量；
确定单元，用于根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态。
在一种示例性的实现方式中，获取单元，还用于：
获取预测车流量与当前时段的实际车流量的差值；
根据差值，计算误差阈值。
在又一种示例性的实现方式中，获取单元，具体用于：
获取预测车流量与当前时段的实际车流量的初始差值；
当初始差值大于预设的差值阈值时，修正初始差值，得到差值。
在又一种示例性的实现方式中，获取单元，具体用于：
提取历史时段的实际车流量的时序特征；
将时序特征与道路在不同时段的历史车流量的时序特征进行匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
在又一种示例性的实现方式中，获取单元，具体用于：
获取在历史时段内道路对应的定位信息，定位信息携带车辆标识；
获取车辆标识对应车辆的驾驶行为特征；
将驾驶行为特征与道路在不同时段的历史车流量的驾驶行为特征进行相匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
在又一种示例性的实现方式中，确定单元，还用于：
获取更新后的道路的状态信息，状态信息包括道路对应的长度阈值或者道路的实际车流量的变化特征；
当状态信息满足预设的拥堵状态更新条件时，更新拥堵状态。
在又一种示例性的实现方式中，拥堵状态保存在区块链节点上。
第三方面，本申请实施例还提供了一种拥堵状态的确定设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请实施例提供的任一种方法中的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请实施例提供的任一种方法中的步骤。
从以上内容可得出，本申请实施例具有以下的有益效果：
本申请实施例，在道路的拥堵状态确定过程中，一方面获取道路在当前时段的预测车流量，该预测车流量由该道路在历史时段的实际车流量的基础上通过预测处理计算得到的，其中，该历史时段的结束时刻早于或者等于该当前时段的起始时刻，并针对该预测车流量获取了误差阈值，另一方面还获取了该道路在该当前时段的实际车流量，如此，可结合当前时段的预测车流量、当前时段的实际车流量以及误差阈值，获取道路在当前时段的拥堵状态，由于该误差阈值是可以对实际需要调整的，因此可起到调节作用，进一步地提高拥堵状态的检测精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种应用场景示意图；
图2为本申请实施例中拥堵状态的确定方法的一种流程示意图；
图3为本申请图2对应实施例步骤S202的一种流程示意图；
图4为本申请图2对应实施例步骤S202的又一种流程示意图；
图5为本申请实施例模型训练的一种场景示意图；
图6为本申请实施例预测车流量的一种场景示意图；
图7为本申请实施例获取误差阈值的一种流程示意图；
图8为本申请实施例区块链网络的一种结构示意图；
图9为本申请实施例拥堵状态的确定装置的一种结构示意图；
图10为本申请实施例拥堵状态的确定设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。
首先，在介绍本申请实施例之前，先介绍下本申请实施例关于应用背景的相关内容。
本申请实施例提供的拥堵状态的确定方法、装置以及计算机可读存储介质，可应用于服务器、终端或者物理主机等不同类型的设备，用于应用本方案以确定道路的拥堵状态，例如，具体可应用于区块链网络中的区块链服务器或者区块链终端等区块链节点。
在现有的相关技术中，由于服务器侧采取的路况监控方式，是通过道路上的车辆持续上报的定位信息，计算车辆的车速，并根据车速的快慢来判断路况是否发生拥堵，然而车速的计算误差以及车速波动，可能得到较低的车速，在该情况下，导致服务器错误地判断路况发生了拥堵。
基于现有的相关技术存在的上述缺陷，本申请实施例提供了新的拥堵状态的确定方法，实现新的路况监控方式，至少在一定程度上克服现有的相关技术所存在的缺陷。
以服务器作为执行主体为例，如图1示出的本申请实施例的一种应用场景示意图，车辆101在道路上，可通过配置的定位装置采集车辆的定位信息，并将采集到的定位信息，由定位装置或者车载终端等组件通过网络102上报至服务器103，服务器103可根据大量车辆持续上报的定位信息，获取具体道路的实际车流量或者预测车流量，并通过本申请实施例拥堵状态的确定方法，确定具体道路的拥堵状态，并可根据拥堵状态发布路况信息。
其中，车辆101可以为轿车、公交车、卡车等不同类型的车辆，车辆101的定位装置可通过全球定位系统(Global Positioning System，GPS)、北斗卫星导航系统(BeiDouNavigation Satellite System，BDS)等类型的定位系统采集定位信息；网络102可以是无线通信链路；服务器103可以是多个服务器组成的服务器集群等，服务器103也可以为云服务器。根据实际需要，可以具有任意数目的车辆101、网络102和服务器103。
参阅图2，图2示出了本申请实施例拥堵状态的确定方法的一种流程示意图，本申请实施例提供的拥堵状态的确定方法，具体可包括如下步骤S201以及步骤S203：
步骤S201，获取道路在当前时段的预测车流量以及道路在当前时段的实际车流量；
在本申请实施例中，道路为供车辆通行的通道，在确定道路的拥堵状态的时，可针对道路整体或者道路的局部路段。
示例性的，位于深圳市的深南路，横跨南山区、福田区以及罗湖区，由深南东路、深南中路以及深南大道构成，在进行拥堵状态的确定处理时，可针对整条深南路，或者也可针对深南路的局部路段，如针对深南东路、深南中路或者深南大道，进一步的，还可针对细分到不可再拆分的路段，如深南中路的燕南路-上步中路路段(燕南路与上步中路为相邻的道路，两者都与深南中路相交)。路段的具体划分方式，可按城市交通规划图进行划分，或者，也可随实际需要进行任意划分。
道路在当前时段的实际车流量，用以指示最近单位时间内道路上通过车辆的实际能力，具体可以由最近单位时间内的车辆数量/单位时间确定，例如，A道路在过去5个分钟内每分钟的车辆数量分别为20、35、42、38、29，若取单位时间为2分钟，则A道路的当前车流量信息为(38+29)/2＝33.5，单位为辆/2分钟。
进一步的，道路在当前时段的实际车流量具体还可以延伸至最近单位时间内的平均车速、最近单位时间内的车辆数量、最近时间单位的车辆密度、车辆平均间距等计量单位。其中，上述的单位时间可随实际需要调整，例如，可以设为1分钟、2分钟、5分钟等不同的时间单位。
道路在当前时段的预测车流量，用于指示最近单位时间内道路上通过车辆的预测能力，具体可在道路在历史时段的实际车流量的基础上，通过预测处理，计算得到道路在当前时段的预测车流量。
其中，道路在历史时段的实际车流量的信息内容以及获取方式，可以参照道路在当前时段的实际车流量的信息内容以及获取方式，为便于介绍，本申请实施例的下面内容以道路在当前时段的实际车流量的获取方式进行说明。
示例性的，道路在当前时段的实际车流量的获取途径，可以分为两种，一种是预先处理好的，并存储在设备本地或者其他设备，当触发本申请实施例的拥堵状态的确定方法后，再进行调取处理，由于该车流量对应道路的当前状态或者说最新状态，因此可以作为道路在当前时段的实际车流量；另一种是实时处理得到的，可根据道路的监控数据，观测道路的车辆通行情况处理得到。
其中，历史时段的结束时刻可以为当前时段的起始时刻，例如历史时段为12：00-12：30，当前时段为12：30-13：00；历史时段的结束时刻也可以早于当前时段的起始时刻，例如历史时段为8：00-8：15，当前时段为11：45-12：45，可为实际需要调整。
步骤S202，根据历史时段的实际车流量获取道路在当前时段的预测车流量；
在获取到道路在历史时段的实际车流量后，可根据道路在历史时段的实际车流量，预测道路在当前时段的预测车流量。
道路在当前时段的预测车流量，与上述的实际车流量类似，可以为预先处理好的，并存储在设备本地或者其他设备，当触发本申请实施例的拥堵状态的确定方法后，再进行调取处理；或者也可以实时处理得到的，可在道路在历史时段的实际车流量的基础上，预测得到道路在当前时段的预测车流量。
车流量的预测处理，可以理解为，从道路在不同时段的历史车流量中提取可导致车流量发生变化的车流量特征，再获取道路在历史时段的实际车流量的车流量特征，进行车流量特征的匹配，由此可在道路在历史时段的实际车流量的基础上，结合匹配到的车流量特征对于车流量变化的影响，预测道路在当前时段的预测车流量。
在预测得到当前时段的预测车流量的同时或者之后，还可获取该预测车流量对应的误差阈值。
该误差阈值，可以为根据操作经验预设的固定数值，或者也可以为根据预设获取条件获取的动态数值，例如可在获取到当前时段的预测车流量时获取，或者，也可以在获取到当前时段的实际车流量时获取，可随实际需要调整。
示例性的，该误差阈值可以根据当前时段的预测车流量的数值大小确定。例如，若当前时段的预测车流量为18辆/每分钟，根据10％的误差比例，确定误差阈值为18×10％＝1.8辆/每分钟，取整为2辆/每分钟。
进一步的，该误差阈值，不仅可以单由当前时段的预测车流量，还可以在当前时段的预测车流量的基础上，结合其他影响参数计算得到，例如可根据当前时段的具体所处时间，调整误差比例，当前时段处于下午时，误差比例为10％，当前时段处于晚上时，误差比例为15％。可以理解，在本申请实施例中，误差阈值的具体获取方式可随实际需要进行调整。
步骤S203，根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态。
在得到当前时段的预测车流量、误差阈值以及当前时段的实际车流量后，可将当前时段的预测车流量对误差阈值进行相减或者相加处理，从而可得到一预测车流量区间[当前时段的预测车流量-误差阈值，当前时段的预测车流量+误差阈值]，如此，将当前时段的实际车流量与该预测车流量区间进行对比，若当前时段的实际车流量不在该预测车流量区间范围内，则可认定为异常的车流量，此时，若是小于该预测车流量区间范围的下边界值(当前时段的预测车流量-误差阈值)，则可认为道路的车流量发生了拥堵情况，造成道路的车流通行能力明显的下降，并可根据当前时段的实际车流量与预测车流量区间范围的下边界值的差值，确定拥堵等级，差值越大，拥堵越严重，拥堵等级越高。
本申请实施例，在道路的拥堵状态确定过程中，一方面获取道路在当前时段的预测车流量，该预测车流量由该道路在历史时段的实际车流量的基础上通过预测处理计算得到的，其中，该历史时段的结束时刻早于或者等于该当前时段的起始时刻，并针对该预测车流量获取了误差阈值，另一方面还获取了该道路在该当前时段的实际车流量，如此，可结合当前时段的预测车流量、当前时段的实际车流量以及误差阈值，获取道路在当前时段的拥堵状态，由于该误差阈值是可以对实际需要调整的，因此可起到调节作用，进一步地提高拥堵状态的检测精度。
在一种示例性的实现方式中，包括上述预先存储的车流量，道路在当前时段的实际车流量的获取处理，主要可分为主动处理方式以及被动处理方式：
一、主动处理方式：定位信息
从各车辆上报的定位信息中，获取在当前时段内目标道路对应的定位信息；
根据定位信息，确定目标道路在当前时段的实际车流量。
与现有技术类似的，可接收各车辆上报的大量定位信息，进行道路匹配，将这些定位信息附着到对应的不同道路上，以划分各自的所属道路，如此，在对目标道路进行拥堵状态的确定处理时，可提取到当前时段目标道路对应的定位信息。
定位信息中，主要包括坐标点以及时间戳，以一种GPS定位信息的数据格式为例，GPS定位信息中可包括通用协调时(Universal Time Coordinated，UTC)时间(时分秒格式)、UTC日期(日月年格式)、定位状态(A＝有效定位，V＝无效定位)、纬度(度分格式)、东西纬(E：东经或W：西经)、经度(度分格式)、南北纬(N：北半球或S：南半球)等。定位信息中还可携带设备标识(Identification，ID)，用于标识上传定位信息的设备或者车辆。
取得定位信息后，可进行解析，继续以GPS定位信息为例进行说明，UTC时间为世界时间，可转换成北京时间，北京时间与UTC相差8个小时，在UTC基础上加8个小时得到相应的北京时间；若纬度为4546.40891，4546.40891/100＝45.4640891可以直接读出45度,4546.40891-45*100＝46.40891,可以直接读出46分，东西经为E或者W，经度的计算方式与纬度相同，南北纬为N或者S。
在提取到属于目标道路的定位信息时，则计算目标到在当前时段的实际车流量。
示例性的，可将每个上传过定位信息的车辆或者设备识别为一个车辆单位，根据车流量的具体信息内容，例如根据最近单位时间内的车辆数量/单位时间得到的当前车流量，或者最近单位时间内的平均车速、最近单位时间内的车辆数量、最近时间单位的车辆密度、车辆平均间距等计量单位，计算得到目标道路在当前时段的实际车流量。
容易理解的是，采用定位信息来获取道路在当前时段的实际车流量，由于定位信息与主动上传定位信息的车辆之间，或者定位信息与上传定位信息的发送设备之间具有一一对应的关系，因此，可精确地统计到每一辆道路上的车辆及其车辆的行驶相关信息，例如所在位置、车速等，进一步可精确地统计得到具体道路在当前时段的实际车流量，且相比传统的定点路况监控方式，可大大降低硬件成本以及维护成本，方便推广及应用。
二、被动处理方式：监控图像或者车辆感应信息
通过监控图像获取道路在当前时段的实际车流量，具体可通过如下处理实现：
获取在当前时段拍摄目标道路得到的监控图像；
识别并跟踪监控图像中的车辆，得到目标道路在当前时段的实际车流量。
示例性的，可在交叉路口部署摄像头，拍摄经过的车辆；或者，可在大车流量或者需要监控的道路的任意路段部署摄像头，拍摄经过的车辆，摄像头可采集得到所在道路的监控图像，该监控图像可以为单张的图像，或者还可以为多帧的图像组成的视频，视频中可解析得到不同帧的图像。
在得到监控图像后，可通过图像识别模型，对监控图像进行车辆的识别以及跟踪。
例如，可配置标注有不同车辆的图像作为训练集，并将该训练集中的图像依次输入至待训练的初始神经网络模型，进行正向传播，再根据模型输出的车辆识别结果计算损失函数，再通过该损失函数的计算结果对模型进行反向传播，调整、优化模型参数，如此反复进行训练，当损失函数的计算结果符合目标范围或者达到预置训练次数等目标训练条件时，即可完成训练，并将完成训练的模型作为车辆识别模型，该模型即可用来识别监控图像中的车辆。并且，模型还可从多张的监控图像中锁定具有相同车辆特征的车辆，达到动态跟踪车辆的目的，进而模型还可从多张的监控图像中，处理得到具体道路在对应时间范围内所经过的车辆数量。
在得到目标道路在当前时段的时间范围内所经过的车辆及其车辆数量时，可根据当前时段的实际车流量的具体信息内容，例如根据最近单位时间内的车辆数量/单位时间得到的当前车流量，或者最近单位时间内的平均车速、最近单位时间内的车辆数量、最近时间单位的车辆密度、车辆平均间距等计量单位计算得到目标道路在当前时段的实际车流量。
可以理解，采用监控图像的方式来获取道路的当前车流量信息，在实际应用中，可直接利用道路上已部署的摄像头，从而，在实施本申请拥堵装填的确定方法时，具有无缝接入原路况监控系统的优点，通过原有摄像头管理中心开放的数据接口，即可得到摄像头所采集的监控图像，方便植入本申请实施例所提供的拥堵状态的确定方法，大大提高对于拥堵状态的预测精确度。
当然，在应用本申请实施例时，也可配置新的摄像头，例如部署在道路上的交通摄像头、配置在车辆上的行车记录仪，可随实际需调整。
通过车辆感应信息获取道路在当前时段的实际车流量，具体可通过如下处理实现：
获取目标道路在当前时段的车辆感应信息，车辆感应信息由配置在目标道路的车辆感应设备得到，车辆感应设备用于感应目标道路通过的车辆并产生车辆感应信息；
根据车辆感应信息，计算得到目标道路在当前时段的实际车流量。
与上述的监控图像类似的，还可直接利用道路上已配置的地感线圈、红外线感应器等车辆感应设备，每当一车辆靠近或者经过车辆感应设备，车辆感应设备则可触发相应的感应信息，确定经过一经过车辆，如此，可得到目标道路在当前时段时间范围内所经过的车辆数量。
采用车辆感应设备来获取道路在当前时段的实际车流量所具有的处理以及优点，与上述监控图像作为获取道路在当前时段的实际车流量类似，具体不再赘述，同时，在应用本申请实施例时，也可配置新的地感线圈、红外感应器等车辆感应设备，可随实际需调整。
需要理解的是，上述介绍的道路在当前时段的实际车流量的主动获取以及被动获取两种处理方式，在实际应用中，是可以根据实际需要择一或者组合实施的。
在又一种示例性的实现方式中，对于道路在当前时段的预测车流量的预测处理，在上述中已提及了可通过可导致车流量发生变化的车流量特征实现，具体的，在本申请实施例中，该车流量特征具体可以为时序特征。
参阅图3示出的本申请图2对应实施例步骤S202的一种流程示意图，根据历史时段的实际车流量获取道路在当前时段的预测车流量，可包括如下步骤：
步骤S301，获取历史时段的实际车流量的时序特征；
示例性的，时序特征可以为所处时间段、所处年月日、所处星期、所处节日等特征。
步骤S302，将时序特征与道路在不同时段的历史车流量的时序特征进行匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
每一种时序特征，都可对车流量产生一定的影响，不同的时序特征对于车流量的影响，则可进行叠加或者覆盖等处理。
示例性的，假设星期日相较于星期六，以及13：00-14：00时间段相较于12：00-13：00时间段，都可提高道路50％的车流量，若星期六的12：00-13：00时间段的车流量为X，则在星期天的13：00-14：00时间段可提高X×(50％+50％)×75％＝X×75％的车流量；又或者，假设元旦节日相较于平日，以及8：00-9：00时间段相较于7：00-8：00时间段，可分别提高道路50％以及-75％的车流量，若元旦节日前一天的7：00-8：00时间段的车流量为Y，由于元旦节日具有较高的车流量影响力，可覆盖8：00-8：00时间段对于7：00-8：00时间段的车流量的影响，因此最终在元旦节日时，可提高道路Y×50％的车流量。
进一步的，道路在不同时间段的历史车流量，不仅可以为具体某一道路在不同时间段的历史车流量，也可以为不同道路在不同时间段的历史车流量，如此，预测某一道路的车流量时，可结合与该道路具有类似时序特征的历史车流量，进行该道路的车流量的预测，达到进一步提升预测精确度的效果。
其中，还可结合道路的道路类别，获取相同或者相近道路类别的不同道路在不同时间段的历史车流量，进行时序特征的匹配，以获取道路的车流量，以结合道路所属类别对于车流量的影响，更为精确地预测道路的车流量。
该道路类别，具体可包括道路等级、车流量等级、限制最高速度、限制最低速度，红绿灯等待时间范围、通行时长范围、通行速度范围中的至少一种，具体可随实际需要调整。
其中，道路等级具体的，可按照城市道路等级划分为快速路、主干路、次干路、支路四个类别；或者也可按照公路划分等级分为高速公路、一级公路、二级公路、三级公路、四级公路四个类别；或者，也可按照道路的车道数进行分类；又或者，还可以任意地分为高速路、城市快速路、国道、省道、县道、乡镇道路或者其他低等级道路等，具体等级划分方式，可随实际需要而调整。
又或者，在又一种示例性的实现方式中，除了时序特征，车流量特征具体还可以为驾驶行为特征，参阅图4示出的本申请图2对应实施例步骤S202的又一种流程示意图，根据历史时段的实际车流量获取道路在当前时段的预测车流量，也可包括如下步骤：
步骤S401，获取在历史时段内道路对应的定位信息，定位信息携带车辆标识；
容易理解，定位信息中还可通过携带的车辆标识，可标识上传定位信息的车辆，进而可标识车辆的驾驶人，或者，该车辆标识也可以直接为用户标识。
步骤S402，获取车辆标识对应车辆的驾驶行为特征；
用户在应用本方案时，可预先上传本人的驾驶行为特征，例如车辆类型、驾龄、驾驶习惯等特征信息，并与车辆标识建立绑定关系，如此，车辆所上报的定位信息，除了可直接用于获取实际车流量时，还可以根据定位信息中携带的车辆标识，获取对应的驾驶行为特征，并根据道路在历史时段的驾驶行为特征，来预测道路在当前时段的车流量。
步骤S403，将驾驶行为特征与道路在不同时段的历史车流量的驾驶行为特征进行相匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
每一种驾驶行为特征，都可对车流量产生一定的影响，不同的驾驶行为特征对于车流量的影响，则可进行叠加或者覆盖等处理。
示例性的，假设道路的车辆的平均驾龄在3年以上，可保持在最低24辆/每分钟以上的车流量，而平均驾龄在3年以内，则可保持在最低15辆/每分钟以上的车流量，又假设道路上车辆类型中小轿车的占比为90％以上，可保持21辆/每分钟以上的车流量，假设道路上车辆类型中重型车辆的占比为20％，可保持最高8辆/每分钟的车流量，则若道路在历史时段的驾驶行为特征为车辆的平均驾龄在3年以内、小轿车的占比为90％以上，则可预测道路在当前时段的车流量为(15+21)×50％＝18辆/每分钟。
进一步的，与上述时序特征类似的，在通过驾驶行为特征预测车流量时，上述所称的道路在不同时间段的历史车流量，不仅可以为具体某一道路在不同时间段的历史车流量，也可以为不同道路在不同时间段的历史车流量，达到进一步提升预测精确度的效果，预测过程中还可结合道路的道路类别进行车流量的预测，更为精确地预测道路的车流量，其具体说明可参考上述时序特征的说明，具体在此不再赘述。
可以理解，上述列举了分别通过时序特征以及驾驶行为特征来预测车流量，在车流量的实际预测处理时，这两种方式是可以根据实际需要择一或者组合实施的，当组合实施时，可为时序特征以及驾驶行为特征配置对应的权重，通过两者分别预测得到的车流量分别再乘以对应的权重，再相加得到最终的车流量预测结果。
上述的预测处理，其数据处理，具体可通过神经网络模型实现，神经网络模型由于具有自动学习的优点，可便于结合历史车流量的不断扩充以及更新，不断地调整模型的参数，使得模型对于车流量具有更精准的预测效果。
模型在训练的过程中，可预先将道路在不同时段的历史车流量调整、转换为神经网络模型可以识别的信息格式，再将该历史车流量作为训练集依次输入至待训练的初始神经网络模型，进行正向传播，再根据模型输出的车流量预测结果计算损失函数，再通过该损失函数的计算结果对模型进行反向传播，调整、优化模型参数，如此反复进行训练，当损失函数的计算结果符合目标范围或者达到预置训练次数等目标训练条件时，即可完成训练，并将完成训练的模型作为车流量预测模型，该模型即可用来预测道路的车流量。
其中，当道路在不同时段的历史车流量包括不同道路在不同时间段的历史车流量时，还可通过标注道路标识来标识不同的道路，又或者，还可标识时序特征或者驾驶行为特征，以便神经网络模型针对这些特征，针对性地进行模型的训练，进一步提高模型的预测效果。
示例性的，初始神经网络模型具体可以为时序预测模型，例如深度神经网络中的长短记忆网络(Long Short Term Memory，LSTM)模型，深度循环神经网络指的是一种具有反馈结构的神经网络，在车流量预测中可用于处理前后相关的时序数据预测问题，采用深度循环神经网络可拟合精度更高、泛化能力更强的时序数据，其中，LSTM是深度循环神经网络的一种网络结构。
继续以一种模型的实际训练流程作为说明。在训练模型时，可配置或者预先准备大量的道路的历史车流量信息，例如可将大量道路中的不可再拆分的路段作为道路基本单位(Link)，并可根据Link可能的道路类型配置大量不同类型的历史车流量信息，如高速路、城市快速路、国道、省道、县道、乡镇道路或者其他低等级道路；每种类型的Link的历史车流量信息按照6：2：2的比例划分为训练集、验证集以及测试集；训练时对训练集中每个包含30天*1440个点/天＝43200个时间点的车流量序列数据进行子序列选取，选取方法为从[0,43200)中随机选100个时间点分别作为子序列起点，每个子序列往后连续取2880个点，然后采用选取的子序列数据训练LSTM模型，如图5示出的本申请实施例模型训练的一种场景示意图，向模型输入子序列数据Xi，预测下一个时间阶段的子序列数据Xi+1，并根据预测结果
Figure BDA0002433149210000151
计算得到的损失函数，调整模型参数hi，得到新的模型参数hi+1，不断地进行模型的训练以及参数优化，训练完成后，与训练集类似的，继续向模型输入验证集，再次优化模型参数，训练完成后，再通过测试集验证模型的实际预测效果，测试验证通过即可完成LSTM模型的训练，作为车流量预测模型。
又如图6示出的本申请实施例预测车流量的又一种场景示意图，车流量预测模型，在进行车流量的预测时，在T时刻，输入道路在T时刻(历史时段的起始时刻和结束时刻为同一个时间点)的实际车流量，对应图6中T时刻序列F0、F1、F2、F3，预测T+1时刻的车流量，对应图6中T时刻序列F4'；在T+1时刻得到当前车流量时，对应图6中T+1时刻序列F0、F1、F2、F3、F4，预测T+2时刻的车流量，对应图6中T+1时刻序列F5'；在T+2时刻得到当前车流量时，对应图6中T+2时刻序列F0、F1、F2、F3、F4、F5，预测T+3时刻的车流量，对应图6中T+2时刻序列F6'…车流量预测模型的预测处理，以此类推。
上述内容具体介绍了道路在当前时段的预测车流量、以及道路在当前时段的实际车流量的获取处理，下面具体介绍误差阈值的获取处理。
在又一种示例性的实现方式中，误差阈值，可以在道路在当前时段的预测车流量的基础上，结合道路在当前时段的实际车流量获取得到。
参阅图7示出的本申请实施例获取误差阈值的一种流程示意图，可包括：
步骤S701，获取预测车流量与当前时段的实际车流量的差值；
可以理解，误差阈值可以在步骤S203确定拥堵状态起到调节作用，而为进一步加强该调节作用，则可结合当前时段的预测车流量以及当前时段的实际车流量两者，并以两者的差值来计算误差阈值，提高该误差阈值的调节作用的灵活性。
步骤S702，根据差值，计算误差阈值。
得到差值后，即可根据预设的算法，获取误差阈值。
示例性的，误差阈值的计算方式可如下方示出的一组表格数据：
Figure BDA0002433149210000161
表1-误差区间的计算
如表1示出的，先计算当前时段的预测车流量yt+1与当前时段的实际车流量xt+1的差值E,et+1，得到出差值E,et+1后，即可根据该差值E,et+1按照预设的算法，计算出误差阈值，并进行取反处理，可组成一个误差区间。如此，后续可将当前时段的预测车流量与该误差区间进行相加处理，得到一预测车流量区间[当前时段的预测车流量-误差阈值，当前时段的预测车流量+误差阈值]。
后续可将当前时段的实际车流量与该预测车流量区间进行对比，若当前时段的实际车流量不在该预测车流量区间范围内，则可认定为异常的车流量，此时，若是小于该预测车流量区间范围的下边界值(当前时段的预测车流量-误差阈值)，则可认为道路的车流量发生了拥堵情况，造成道路的车流通行能力明显的下降，并可根据当前时段的实际车流量与预测车流量区间范围的下边界值的差值，确定拥堵等级，差值越大，拥堵越严重，拥堵等级越高。
进一步的，在又一种示例性的实现方式中，上述的差值，还可进行相对应的修正，以防止差值过大带来干扰。
可以理解的，在得到初始差值E,et+1后，还可根据道路在当前时段的实际车流量是否为正常值来进行修正，例如，可判断初始E,et+1是否大于预设的差值阈值，若大于，则意味着道路在当前时段的实际车流量偏差过大，为异常值，需要进行修正，修正得到的差值可用于计算误差阈值，以防止差值过大带来干扰，得到一个适合的误差阈值。
参阅下面示出的又一组表格数据：
Figure BDA0002433149210000171
表2-误差区间的计算
与上述表1不同的是，增加了对初始差值E,et+1的修正内容，若E,et+1小于预设的差值阈值，道路在当前时段的实际车流量为正常值，则不进行修正；若E,et+1大于预设的差值阈值，道路在当前时段的实际车流量为异常值，则可将当前时段之前的N-1个时段(包括历史时段)，取每个时段的预测车流量以及实际车流量的差值的平均值，作为当前时段(第N个时段)的差值修正值E,et+1′。
在将初始差值E,et+1修正得到差值修正值E,et+1′后，即可用于步骤S203，进行拥堵状态的确定。
在又一种示例性的实现方式中，除了在误差阈值的获取过程中可进行修正处理，在根据误差阈值获取到拥堵状态后，也可进行修正处理。
在本申请实施例中，考虑到道路的路况在时空关系上还可能存在一定的连续性，导致路况的异常情况具有空间上的偏移或者时间上的偏移，因此，还可从道路更新后的状态信息出发，结合上下游道路的时空关系，对可能的误判进行更新处理。
对应的，针对上下游道路的时空关系涉及的状态信息，可为该状态信息配置预设的拥堵状态更新条件，若满足，则意味着此时所得到的道路在当前时段的拥堵状态，不符合本申请实施例设计的业务逻辑，需忽略当前获取到的拥堵状态，进行更新。
状态信息以及对应的拥堵状态更新条件，示例性的，可包括：
1、若道路在当前时段的长度小于预设的长度阈值，更新状态信息。
可以理解，该长度阈值可动态调整，例如动态调节的长度阈值，进一步的该长度阈值还可以动态调节的，若该长度阈值只与道路本身的长度有关，例如在实际应用中可调整道路的覆盖范围(对应的调整了长度范围)，若道路在当前时段的长度更新为极短状态，那么可认为道路在当前时段识别出的拥堵状态-异常车流量是不符拥堵路况条件的；若该长度阈值除了道路本身，还与具有上下游连接关系的道路的长度有关，则具有上下游连接关系的道路也是可以随实际需要调整覆盖范围的(对应的调整了长度范围)，当道路相比于具有上下游连接关系的道路，为长度极短的路段，即更新为极短状态，那么也可以认为道路在当前时段识别出的拥堵状态-异常车流量也是不符拥堵路况条件的，可进行更新，如将拥堵状态中指示拥堵情况的设置为空值或者为非值，不必继续识别为存在拥堵状态，当作正常车流量忽略不计。其中，该长度阈值除了可以理解为长度单位，例如20m，进一步的还可以理解为长度比值单位，例如1/10。
2、若道路在当前时段的实际车流量，相较于历史时段的实际车流量，变化特征为暴涨，更新状态信息。
可以理解，车流量暴涨通常更多的是存在于拥堵状态缓解后的情况，若当前时段的实际车流量，相比于历史时段的实际车流量，涨幅幅度达到预设的暴涨范围时，那么此时的拥堵状态-异常车流量更新为暴涨状态后，也是不符拥堵路况条件的，可进行更新，如将拥堵状态中指示拥堵情况的设置为空值或者为非值，不必继续识别为存在拥堵状态，当作正常车流量忽略不计。
3、如道路未来时段的实际车流量，相较于当前时段的实际车流量，变化特征为恢复正常，更新状态信息。
可以理解，道路的状态信息除了可在当前时段获取，还可以在未来时段获取，以结合道路在未来时段更新的状态信息修正在当前时段已经确定的拥堵状态。其中，该未来时段的起始时刻晚于或者等于当前时段的结束时刻，参照当前时段的拥堵状态的确定方式，若未来时段的拥堵状态为正常，则很有可能当前时段的拥堵状态为非常短暂的异常情况，可进行更新。
例如，往后2分钟时段，若车流量处于预测车流量区间[往后2分钟时段的预测车流量-误差阈值，往后2分钟时段的预测车流量+误差阈值]内，则当前时段的拥堵状态可以认为是瞬间的波动，尽管在当前时段识别为拥堵状态，但是在往后2分钟时段，则可更新当前时段识别的拥堵状态，如将拥堵状态中指示拥堵情况的设置为空值或者为非值，不必继续识别为存在拥堵状态，当作正常车流量忽略不计。
需要说明的是，以上列出的拥堵状态删除条件仅为举例，拥堵状态删除条件可随实际需要调整。如此，结合业务逻辑设计的拥堵状态删除条件来指导最终拥堵状态的确定结果，删除可忽略不计的部分拥堵状态，以过滤掉部分的异常车流量，来提高输出的拥堵状态的精确度。
在得到拥堵状态后，该拥堵状态，可以通过图文或者报表等文件形式进行输出，具体可在本地进行输出，例如本地的显示屏；或者，还可输出至其他设备，例如用于显示拥堵状态的数字大屏、向用户提供地图服务的服务器、向公众发布交通预警的公共平台、物流行业的物流调度系统等等，如此，不仅本地用户、屏幕观众可直观地看到道路的拥堵状态，且用户提供地图服务的服务器也可向用户提供路况更为精确的地图服务，例如路线导航、路况预警、自动驾驶等服务、公共平台例如交警在线平台也可提供路况更为精确的交通堵塞路段预警，物流调度系统也可绕过拥堵路段规划其他物流路线，为交通路线规划起到方便规划调度及决策的效果，由于大大提高了拥堵状态的预测精确度，具有较高的实用价值。
以用户设备(User Equipment，UE)为例，UE具体可以为智能手机、平板电脑、笔记本电脑、个人数字助理(Personal Digital Assistant，PDA)等终端设备，用户可在UE上，根据UE上的地图应用程序享受服务器所提供的地图服务，该地图应用程序可以为独立运行的地图应用程序(Application，APP)、或者内置在不同APP中的地图应用程序，又或者，用户也可通过UE中的浏览器在线访问提供地图服务的服务器，享受服务器所提供的地图服务。
比如，用户在驾驶车辆过程中，可打开智能手机上的地图APP，并启动地图APP的导航功能，地图APP可通过智能手机上的GPS定位装置采集定位信息，并上传至服务器，服务器再根据接收到的各种设备上传的大量定位信息，通过本申请实施例提供的拥堵状态的确定方法，确定当前用户所处道路的路况，若存在拥堵状态，则可通过UE上的地图APP向用户发出拥堵事件的提示，例如在地图APP的显示界面添加路况标识，使得用户获悉发生拥堵事件，甚至获悉拥堵路段的位置、维持时间、拥堵车辆的数量等拥堵事件的详情信息，用户则可进行绕行或者耐心等待拥堵状态缓解等应对处理。其他用户也可通过在线查询的方式，获悉当前哪些道路发生拥堵事件，以及获悉哪些道路容易发生拥堵事件。
在又一种示例性的实现方式中，本申请实施例提供的拥堵状态的确定方法，具体还可应用于区块链网络中的区块链服务器或者区块链终端等区块链节点，对应的，步骤S203处理得到的拥堵状态，可保存在本地或者其他区块链节点上，
如图8示出的本申请实施例区块链网络的一种结构示意图，区块链网络为分布式系统结构，包括大量不同的区块链节点。
区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
平台产品服务层提供典型应用的基本能力和实现框架，开发人员可以基于这些基本能力，叠加业务的特性，完成业务逻辑的区块链实现。应用服务层提供基于区块链方案的应用服务给业务参与方进行使用。
由于，区块链服务器中的数据存在不可修改和不可删除的加密特性，因此用户无法随意修改，进而可以保证拥堵状态的确定方法的应用的可靠性以及得到的拥堵状态的精确性，当用户获悉拥堵状态后，可进行继续前行、绕行、等待等出行策略的调整。
其中，车辆的车载终端也可通过区块链协议加入到区块链网络中，车载终端是车辆监控管理系统的前端设备，车载终端在通过车辆上的定位装置采集到车辆的定位信息后，可通过网络上传至同样作为区块链节点的区块链服务器上，并由区块链服务器将不同车辆的车载终端上传的定位信息，处理得到道路的车流量，并通过本申请实施例提供的拥堵状态的确定方法，处理得到拥堵状态，并可保存在区块链服务器本地或者其他区块链节点上。
又或者，本申请实施例提供的拥堵状态的确定方法，具体还可应用于区块链中的区块链终端，该区块链终端可以为加入区块链网络的UE，例如，用户在驾驶车辆过程中，可通过手头上加入区块链网络的智能手机，通过无线连接的方式连接车载终端，从车载终端获取车辆的定位信息，上传至区块链网络中，并还可查看区块链网络所处理得到或者存储的拥堵状态，获悉当前用户所处道路的路况，进行继续前行、绕行、等待等出行策略的调整。
为便于更好的实施本申请实施例提供的拥堵状态的确定方法，本申请实施例还提供可实现上述拥堵状态的确定方法的拥堵状态的确定装置。
参阅图9，图9为本申请实施例拥堵状态的确定装置的一种结构示意图，在本申请实施例中，拥堵状态的确定装置900具体可包括如下结构：
获取单元901，用于获取道路在历史时段的实际车流量以及道路在当前时段的实际车流量，历史时段的结束时刻早于或者等于当前时段的起始时刻；
获取单元901，还用于根据历史时段的实际车流量获取道路在当前时段的预测车流量；
确定单元902，用于根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态。
在一种示例性的实现方式中，获取单元901，还用于：
获取当前时段的预测车流量与当前时段的实际车流量的差值；
根据差值，计算误差阈值。
在又一种示例性的实现方式中，获取单元901，具体用于：
获取当前时段的预测车流量与当前时段的实际车流量的初始差值；
当初始差值大于预设的差值阈值时，修正初始差值，得到差值。
在又一种示例性的实现方式中，获取单元901，具体用于：
获取历史时段的实际车流量的时序特征；
将时序特征与道路在不同时段的历史车流量的时序特征进行匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
在又一种示例性的实现方式中，获取单元901，具体用于：
获取在历史时段内道路对应的定位信息，定位信息携带车辆标识；
获取车辆标识对应车辆的驾驶行为特征；
将驾驶行为特征与道路在不同时段的历史车流量的驾驶行为特征进行相匹配，并根据匹配度高于匹配度阈值的历史车流量确定预测车流量。
在又一种示例性的实现方式中，确定单元902，还用于：
获取更新后的道路的状态信息，状态信息包括道路对应的长度阈值或者道路的实际车流量的变化特征；
当状态信息满足预设的拥堵状态更新条件时，更新拥堵状态。
在又一种示例性的实现方式中，道路在当前时段的拥堵状态保存在区块链节点上。
以上从模块化功能实体的角度对本申请实施例提供的拥堵状态的确定装置进行了说明，下面从硬件处理的角度分别对本申请实施例提供的拥堵状态的确定设备进行说明。
参阅图10，图10示出了本申请实施例拥堵状态的确定设备的一种结构示意图，具体的，本申请提供的拥堵状态的确定设备包括处理器1001，处理器1001用于执行存储器1002中存储的计算机程序时实现如图1至图8对应任意实施例中拥堵状态的确定方法的各步骤；或者，处理器1001用于执行存储器1002中存储的计算机程序时实现如图8对应实施例中各单元的功能，例如图9中的获取单元901以及确定单元902所对应的硬件结构为处理器1001，存储器1002用于存储处理器1001执行上述图1至图8对应任意实施例中拥堵状态的确定方法所需的计算机程序。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器1002中，并由处理器1001执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
拥堵状态的确定设备可包括，但不仅限于处理器1001、存储器1002。本领域技术人员可以理解，示意仅仅是拥堵状态的确定设备的示例，并不构成对拥堵状态的确定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如拥堵状态的确定设备还可以包括输入输出设备1003、总线等，处理器1001、存储器1002以及输入输出设备1003等通过总线相连。
处理器1001可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是拥堵状态的确定设备的控制中心，利用各种接口和线路连接整个设备的各个部分。
存储器1002可用于存储计算机程序和/或模块，处理器1001通过运行或执行存储在存储器1002内的计算机程序和/或模块，以及调用存储在存储器1002内的数据，实现计算机装置的各种功能。存储器1002可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据拥堵状态的确定设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1001用于执行存储器1002中存储的计算机程序时，具体可实现以下功能：
获取道路在历史时段的实际车流量以及道路在当前时段的实际车流量，历史时段的结束时刻早于或者等于当前时段的起始时刻；
根据历史时段的实际车流量获取道路在当前时段的预测车流量；
根据预测车流量、预测车流量的误差阈值以及当前时段的实际车流量，确定道路在当前时段的拥堵状态。
其中，输入输出设备1003可用于接收从设备外部输入的道路在历史时段的实际车流量、道路在当前时段的实际车流量、误差阈值或者计算这些信息需要的相关信息等信息，输入输出设备1003还可用于输出确定的拥堵状态等信息。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的拥堵状态的确定装置、设备及其相关单元的具体工作过程，可以参考如图1至图8对应任意实施例中拥堵状态的确定方法的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1至图8对应任意实施例中拥堵状态的确定方法中的步骤，具体操作可参考如图1至图8对应任意实施例中拥堵状态的确定方法的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1至图8对应任意实施例中拥堵状态的确定方法中的步骤，因此，可以实现本申请如图1至图8对应任意实施例中拥堵状态的确定法所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的拥堵状态的确定方法、装置、设备以及计算机可读存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种拥堵状态的确定方法，其特征在于，所述方法包括：
获取道路在历史时段的实际车流量以及所述道路在当前时段的实际车流量，所述历史时段的结束时刻早于或者等于所述当前时段的起始时刻；
根据所述历史时段的实际车流量获取所述道路在当前时段的预测车流量；
根据所述预测车流量、所述预测车流量的误差阈值以及所述当前时段的实际车流量，确定所述道路在所述当前时段的拥堵状态。
2.根据权利要求1所述的方法，其特征在于，根据所述预测车流量、所述预测车流量的误差阈值以及所述当前时段的实际车流量，确定所述道路在所述当前时段的拥堵状态之前，所述方法还包括：
获取所述预测车流量与所述当前时段的实际车流量的差值；
根据所述差值，计算所述误差阈值。
3.根据权利要求2所述的方法，其特征在于，所述获取所述当前时段的预测车流量与所述当前时段的实际车流量的差值包括：
获取所述预测车流量与所述当前时段的实际车流量的初始差值；
当所述初始差值大于预设的差值阈值时，修正所述初始差值，得到所述差值。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述历史时段的实际车流量获取所述道路在当前时段的预测车流量包括：
获取所述历史时段的实际车流量的时序特征；
将所述时序特征与所述道路在不同时段的历史车流量的时序特征进行匹配，并根据匹配度高于匹配度阈值的历史车流量确定所述预测车流量。
5.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述历史时段的实际车流量获取所述道路在当前时段的预测车流量包括：
获取在所述历史时段内所述道路对应的定位信息，所述定位信息携带车辆标识；
获取所述车辆标识对应车辆的驾驶行为特征；
将所述驾驶行为特征与所述道路在不同时段的历史车流量的驾驶行为特征进行相匹配，并根据匹配度高于匹配度阈值的历史车流量确定所述预测车流量。
6.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述当前时段的预测车流量、所述预测车流量的误差阈值以及所述当前时段的实际车流量，确定所述道路在所述当前时段的拥堵状态之后，所述方法还包括：
获取更新后的所述道路的状态信息，所述状态信息包括所述道路对应的长度阈值或者所述道路的实际车流量的变化特征；
当所述状态信息满足预设的拥堵状态更新条件时，更新所述拥堵状态。
7.根据权利要求1至3中任一项所述的方法，其特征在于，所述拥堵状态保存在区块链节点上。
8.一种拥堵状态的确定装置，其特征在于，所述装置包括：
获取单元，用于获取道路在历史时段的实际车流量以及所述道路在当前时段的实际车流量，所述历史时段的结束时刻早于或者等于所述当前时段的起始时刻；
所述获取单元，还用于根据所述历史时段的实际车流量获取所述道路在当前时段的预测车流量；
确定单元，用于根据所述预测车流量、所述预测车流量的误差阈值以及所述当前时段的实际车流量，确定所述道路在所述当前时段的拥堵状态。
9.一种拥堵状态的确定设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的方法。
CN202010242938.XA 2020-03-31 2020-03-31 拥堵状态的确定方法、装置、设备及计算机可读存储介质 Active CN111462484B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010242938.XA CN111462484B (zh) 2020-03-31 2020-03-31 拥堵状态的确定方法、装置、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010242938.XA CN111462484B (zh) 2020-03-31 2020-03-31 拥堵状态的确定方法、装置、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111462484A true CN111462484A (zh) 2020-07-28
CN111462484B CN111462484B (zh) 2021-11-30

Family

ID=71678460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010242938.XA Active CN111462484B (zh) 2020-03-31 2020-03-31 拥堵状态的确定方法、装置、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111462484B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932884A (zh) * 2020-08-13 2020-11-13 中国第一汽车股份有限公司 一种交通拥堵的识别方法、装置、车辆和存储介质
CN112270980A (zh) * 2020-11-06 2021-01-26 南通市第一人民医院 一种转运病人信息管理方法及装置
CN112382099A (zh) * 2021-01-15 2021-02-19 腾讯科技（深圳）有限公司 交通路况预测方法、装置、电子设备及存储介质
CN112729325A (zh) * 2020-12-01 2021-04-30 重庆锐明信息技术有限公司 线路规划方法、装置、系统、服务器及存储介质
CN112802331A (zh) * 2020-12-30 2021-05-14 青岛中兴智能交通有限公司 一种根据停车数据判断城市交通出行规律的系统和方法
CN112802335A (zh) * 2020-12-31 2021-05-14 维特瑞交通科技有限公司 一种基于北斗导航系统的智能交通管理方法
CN112907958A (zh) * 2021-01-29 2021-06-04 北京百度网讯科技有限公司 路况信息确定方法、装置、电子设备以及可读介质
CN113470385A (zh) * 2021-06-17 2021-10-01 广东交通职业技术学院 基于机器视觉的交通灯控制方法、系统、装置及存储介质
CN113706863A (zh) * 2021-08-05 2021-11-26 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113870564A (zh) * 2021-10-26 2021-12-31 安徽百诚慧通科技有限公司 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN114493402A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 物流机器人配送时间预测方法和系统
CN114550453A (zh) * 2022-02-23 2022-05-27 阿里巴巴（中国）有限公司 模型训练方法、确定方法、电子设备及计算机存储介质
CN114613137A (zh) * 2022-03-07 2022-06-10 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114613145A (zh) * 2022-05-12 2022-06-10 中运科技股份有限公司 一种大数据下的客运流量感知预警系统及方法
CN114999148A (zh) * 2022-05-16 2022-09-02 国汽智图(北京)科技有限公司 拥堵程度监测方法、装置、计算机设备和存储介质
CN117116065A (zh) * 2023-10-23 2023-11-24 宁波宁工交通工程设计咨询有限公司 一种智慧道路车流管控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009259158A (ja) * 2008-04-21 2009-11-05 Toyota Central R&D Labs Inc 交通状態シミュレーション装置及びプログラム
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
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104809878A (zh) * 2015-05-14 2015-07-29 重庆大学 利用公交车gps数据检测城市道路交通异常状态的方法
CN109949571A (zh) * 2019-03-19 2019-06-28 北京百度网讯科技有限公司 异常拥堵的判别方法及装置、设备及存储介质
CN110264715A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于路段突发拥堵分析的交通事件检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009259158A (ja) * 2008-04-21 2009-11-05 Toyota Central R&D Labs Inc 交通状態シミュレーション装置及びプログラム
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
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104809878A (zh) * 2015-05-14 2015-07-29 重庆大学 利用公交车gps数据检测城市道路交通异常状态的方法
CN109949571A (zh) * 2019-03-19 2019-06-28 北京百度网讯科技有限公司 异常拥堵的判别方法及装置、设备及存储介质
CN110264715A (zh) * 2019-06-20 2019-09-20 大连理工大学 一种基于路段突发拥堵分析的交通事件检测方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111932884A (zh) * 2020-08-13 2020-11-13 中国第一汽车股份有限公司 一种交通拥堵的识别方法、装置、车辆和存储介质
CN112270980A (zh) * 2020-11-06 2021-01-26 南通市第一人民医院 一种转运病人信息管理方法及装置
CN112729325A (zh) * 2020-12-01 2021-04-30 重庆锐明信息技术有限公司 线路规划方法、装置、系统、服务器及存储介质
CN112729325B (zh) * 2020-12-01 2024-05-24 重庆锐明信息技术有限公司 线路规划方法、装置、系统、服务器及存储介质
CN112802331A (zh) * 2020-12-30 2021-05-14 青岛中兴智能交通有限公司 一种根据停车数据判断城市交通出行规律的系统和方法
CN112802335A (zh) * 2020-12-31 2021-05-14 维特瑞交通科技有限公司 一种基于北斗导航系统的智能交通管理方法
CN112382099A (zh) * 2021-01-15 2021-02-19 腾讯科技（深圳）有限公司 交通路况预测方法、装置、电子设备及存储介质
CN112907958A (zh) * 2021-01-29 2021-06-04 北京百度网讯科技有限公司 路况信息确定方法、装置、电子设备以及可读介质
CN113470385A (zh) * 2021-06-17 2021-10-01 广东交通职业技术学院 基于机器视觉的交通灯控制方法、系统、装置及存储介质
CN113706863A (zh) * 2021-08-05 2021-11-26 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113706863B (zh) * 2021-08-05 2022-08-02 青岛海信网络科技股份有限公司 一种道路交通状态预测方法
CN113870564A (zh) * 2021-10-26 2021-12-31 安徽百诚慧通科技有限公司 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN113870564B (zh) * 2021-10-26 2022-09-06 安徽百诚慧通科技股份有限公司 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质
CN114493402A (zh) * 2021-12-17 2022-05-13 重庆特斯联智慧科技股份有限公司 物流机器人配送时间预测方法和系统
CN114493402B (zh) * 2021-12-17 2024-04-09 重庆特斯联智慧科技股份有限公司 物流机器人配送时间预测方法和系统
CN114550453B (zh) * 2022-02-23 2023-09-26 阿里巴巴（中国）有限公司 模型训练方法、确定方法、电子设备及计算机存储介质
CN114550453A (zh) * 2022-02-23 2022-05-27 阿里巴巴（中国）有限公司 模型训练方法、确定方法、电子设备及计算机存储介质
CN114613137A (zh) * 2022-03-07 2022-06-10 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114613137B (zh) * 2022-03-07 2023-02-21 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN114613145A (zh) * 2022-05-12 2022-06-10 中运科技股份有限公司 一种大数据下的客运流量感知预警系统及方法
CN114999148A (zh) * 2022-05-16 2022-09-02 国汽智图(北京)科技有限公司 拥堵程度监测方法、装置、计算机设备和存储介质
CN117116065A (zh) * 2023-10-23 2023-11-24 宁波宁工交通工程设计咨询有限公司 一种智慧道路车流管控方法及系统
CN117116065B (zh) * 2023-10-23 2024-02-02 宁波宁工交通工程设计咨询有限公司 一种智慧道路车流管控方法及系统

Also Published As

Publication number Publication date
CN111462484B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN111462484B (zh) 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN110060484B (zh) 一种基于区块链的公路客运违章实时预警系统及方法
De Fabritiis et al. Traffic estimation and prediction based on real time floating car data
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
EP3322961B1 (en) Methods and systems for detecting a closure and/or opening of a navigable element
CN110969857B (zh) 一种交通信息处理方法及装置
CN112447041B (zh) 识别车辆的营运行为的方法、装置及计算设备
CN105448092B (zh) 一种关联车辆的分析方法及装置
EP2923177A1 (en) Method of determining trajectories through one or more junctions of a transportation network
CN108764042A (zh) 一种异常路况信息识别方法、装置及终端设备
Stipancic et al. Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data
CN109841078B (zh) 导航数据处理方法及其装置、存储介质
EP3344951A1 (en) Methods and systems for detecting an open navigable element
CN113223293B (zh) 路网仿真模型的构建方法、装置及电子设备
Padiath et al. Prediction of traffic density for congestion analysis under Indian traffic conditions
US10706720B2 (en) Predicting vehicle travel times by modeling heterogeneous influences between arterial roads
Pirc et al. Highway travel time estimation using multiple data sources
Zhang et al. Extracting origin‐destination with vehicle trajectory data and applying to coordinated ramp metering
Wei et al. Turn-level network traffic bottleneck identification using vehicle trajectory data
CN116698075B (zh) 路网数据处理方法、装置、电子设备及存储介质
Wibisono et al. Traffic intelligent system architecture based on social media information
CN116259173A (zh) 一种基于d-s证据理论的多检测方式交通事件融合方法
CN111640303B (zh) 城市通勤路径识别方法及设备
CN114519500A (zh) 道路安全风险等级的确定方法、装置、设备及存储介质
CN116129631A (zh) 一种车路协同数据处理方法及相关设备

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
GR01 Patent grant
GR01 Patent grant