CN112419712B - 道路断面车速检测方法及系统 - Google Patents

道路断面车速检测方法及系统 Download PDF

Info

Publication number
CN112419712B
CN112419712B CN202011219868.2A CN202011219868A CN112419712B CN 112419712 B CN112419712 B CN 112419712B CN 202011219868 A CN202011219868 A CN 202011219868A CN 112419712 B CN112419712 B CN 112419712B
Authority
CN
China
Prior art keywords
data
vehicle speed
section
equipment
average vehicle
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.)
Active
Application number
CN202011219868.2A
Other languages
English (en)
Other versions
CN112419712A (zh
Inventor
陈佳瑞
贺海军
周红伟
董纪伟
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.)
Tongdun Holdings Co Ltd
Original Assignee
Tongdun Holdings 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 Tongdun Holdings Co Ltd filed Critical Tongdun Holdings Co Ltd
Priority to CN202011219868.2A priority Critical patent/CN112419712B/zh
Publication of CN112419712A publication Critical patent/CN112419712A/zh
Application granted granted Critical
Publication of CN112419712B publication Critical patent/CN112419712B/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种道路断面车速检测方法及系统。所述方法包括以下步骤：获取预设时间内、经过待测断面的第一采集数据和第二采集数据；根据第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；根据第二采集数据，得到第二平均车速；对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速，实现实时精确的测算道路(如高速公路)待测断面的平均车速。本申请通过将获取探头设备采集的第一采集数据和雷达设备采集的第二采集数据进行融合处理，进而可精确的得到待测断面的平均车速，利用该平均车速进而可用来做高速公路通行状况监测，也可以用于道路拥堵指数计算。

Description

道路断面车速检测方法及系统
技术领域
本申请涉及交通数据处理技术领域，具体而言，涉及一种道路断面车速检测方法及系统。
背景技术
实时感知高速公路的运行状态对高速公路管理和交通出行指导具有重大意义，其中道路平均车速的实时计算是最为重要的指标之一。通常高速公路上设置有用来测速的卡口、门架和毫米波雷达设备。一般高速道路平均车速的计算是基于道路安装的卡口、门架采集的数据，然而设备数据也经常面临着网络延迟、数据丢失、数据错乱等一系列数据质量的困境。同时毫米波雷达设备也常用于道路车速检测，但是雷达设备无法捕捉到车牌号，因此无法与原有的卡口、门架设备数据相融合。综上所述，如何根据高速公路上的设备数据准确测算道路平均车速是一个亟待解决的问题。
传统的计算高速公路平均车速的方法是以单一设备(探头设备或雷达设备)采集的数据为主，利用相邻两个设备之间的路径长度和车辆通行时间差相除，得到单个车辆的平均速度，然后对当前断面一段时间内所有的单个车辆速度求均值，即得到该断面该时间段的平均车速。目前，也有一些利用多源数据进行高速公路流量估计的方法，例如结合宏观交通流模型建立高速公路路网状态-空间模型，设计递进式扩展卡尔曼滤波估计器以及相应求解算法进行高速公路的交通状态估计。然而传统技术中计算高速公路断面平均车速大多数是采用浮动车数据和单一设备数据，而且未对缺失数据的问题提出解决办法。传统技术的缺点有以下几点：浮动车数据通常归地图公司所有，高速公路管理处无法获取浮动车数据；传统方案没有很好地利用多种设备数据融合，造成了资源的浪费；传统方案针对设备数据缺失的问题没有提供较好的解决方案，导致设备数据出现缺失时，计算出的断面速度不可靠。
针对相关技术中传统的高速公路断面平均车速测算不准确的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种道路断面车速检测方法及系统，以解决传统的高速公路断面平均车速测算不准确的问题。
为了实现上述目的，第一方面，本申请提供了一种道路断面车速检测方法。
根据本申请的道路断面车速检测方法，包括以下步骤：
获取预设时间内、经过待测断面的第一采集数据和第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据；
根据第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；
根据第二采集数据，得到第二平均车速；
对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速。
在其中一个实施例中，获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据的步骤之后包括步骤：
检测第一采集数据是否存在缺失数据；
若是，则获取缺失数据对应设备的相邻设备数据，及缺失数据对应设备与相邻设备之间的补偿距离；
在补偿距离小于或等于预设阈值时，将相邻设备数据作为缺失数据。
在其中一个实施例中，方法还包括步骤：
在补偿距离大于预设阈值时，根据SVM回归模型处理存在缺失数据的第一采集数据，得到第一平均车速；SVM回归模型为根据历史平均车速和环境因素数据构建处理得到。
在其中一个实施例中，获取对应缺失数据的相邻设备数据，及对应缺失数据与相邻设备数据之间的补偿距离的步骤包括：
若缺失数据为断面起点数据，则获取后方设备的相邻设备数据，及对应断面起点设备与后方设备之间的补偿距离；后方设备为基于车流方向，位于断面起点设备后方的设备；
若缺失数据为断面终点数据，则获取前方设备的相邻设备数据，及对应断面终点设备与前方设备之间的补偿距离；前方设备为基于车流方向，位于断面终点设备前方的设备。
在其中一个实施例中，获取对应缺失数据的相邻设备数据，及对应缺失数据与相邻设备数据之间的补偿距离的步骤包括：
若缺失数据为断面起点数据和断面终点数据，则获取后方设备的相邻设备数据，以及前方设备的相邻设备数据；后方设备为基于车流方向，位于断面起点设备后方的设备；前方设备为基于车流方向，位于断面终点设备前方的设备；
获取对应断面起点设备与后方设备之间的第一补偿距离，以及对应断面终点设备与前方设备之间的第二补偿距离；对第一补偿距离和第二补偿距离累积得到补偿距离。
在其中一个实施例中，对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速的步骤包括：
根据第一平均车速和第二平均车速，得到判断因子；判断因子为第一平均车速到第二平均车速的变化率；
根据判断因子所属的预设范围、第一平均车速和第二平均车速的大小确定第一平均车速和第二平均车速的第一权重值和第二权重值；
根据第一权重值和第二权重值对第一平均车速和第二平均车速进行加权求和得到待测断面的平均车速。
在其中一个实施例中，探头设备为卡口设备和/或门架设备；雷达设备为毫米波雷达设备；待测断面为相邻两个探头设备之间的路段。
第二方面，本申请还提供了一种道路断面车速检测系统，包括处理设备，设于高速公路的多个探头设备，以及设于高速公路的多个雷达设备；各探头设备和各雷达设备分别连接处理设备；相邻两个探头设备之间的路段组成待测断面；
处理设备用于执行上述任一项道路断面车速检测方法的步骤。
在其中一个实施例中，处理设备包括数据接入模块、第一车速处理模块、第二车速处理模块和融合处理模块；
数据接入模块，用于获取预设时间内、经过待测断面的第一采集数据和第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据；
第一车速处理模块，用于根据第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；
第二车速处理模块，用于根据第二采集数据，得到第二平均车速；
融合处理模块，用于对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速。
在其中一个实施例中，处理设备还包括预测处理模块；
预测处理模块，用于检测第一采集数据是否存在缺失数据；若是，则获取缺失数据对应设备的相邻设备数据，及缺失数据对应设备与相邻设备之间的补偿距离；在补偿距离小于或等于预设阈值时，将相邻设备数据作为缺失数据。
在本申请实施例中，提供了一种道路断面车速检测方法，获取预设时间内、经过待测断面的第一采集数据和第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据；根据第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；根据第二采集数据，得到第二平均车速；对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速，实现实时精确的测算道路(如高速公路)待测断面的平均车速。本申请基于高速公路最常见的设备探头设备，除此之外部分路段还铺设了雷达设备。传统的平均车速计算基本上都是采用探头设备或收费站的数据，而忽略了其他设备数据的使用，比如雷达设备，这对资源造成了一定程度的浪费，同时也对数据计算结果的准确度造成一定的影响。本申请计算高速公路平均车速，不仅采用了传统的探头设备的第一采集数据，同时也利用了雷达设备的第二采集数据，并将两种数据的计算结果进行融合处理，从而最大化地利用道路上的设备数据价值，精确地处理得到待测断面的平均车速，从而提高了道路断面车速测算的精确度以及可靠度；同时利用该平均车速进而可用来做高速公路通行状况监测，也可以用于道路拥堵指数计算，提高了道路断面车速检测的实用性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的道路断面车速检测方法的应用环境示意图；
图2是根据本申请实施例提供的道路断面车速检测方法的流程示意图；
图3是根据本申请实施例提供的数据缺失处理步骤的第一流程示意图；
图4是根据本申请实施例提供的数据缺失处理步骤的第二流程示意图；
图5是根据本申请实施例提供的平均车速处理步骤的流程示意图；
图6是根据本申请实施例提供的道路断面车速检测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。
并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。
另外，术语“多个”的含义应为两个以及两个以上。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本申请提供的道路断面车速检测方法，可以应用于如图1所示的应用环境中。其中，在高速公路上设置有多个探头设备102，相邻两个探头设备102之间的路段组成待测断面。高速公路上还设置有多个雷达设备104，一个待测断面可对应有一个或多个雷达设备104；待测断面也可没有雷达设备104。各探头设备102分别通信连接处理设备106，各雷达设备104分别通信连接处理设备106。
在一个实施例中，如图2所示，提供了一种道路断面车速检测方法，以该方法应用于图1的处理设备为例进行说明，包括以下步骤：
步骤S210，获取预设时间内、经过待测断面的第一采集数据和第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据。
其中，待测断面是公路路段的最小划分单元，通常是两个相邻探头设备组成的小区间路段。探头设备指的是设置在高速公路上的测速设备。设置在待测断面起点的探头设备为断面起点设备，设置在待测断面终点的探头设备为断面终点设备。设置在待测断面起点的探头设备可用来采集断面起点数据；设置在待测断面终点的探头设备可用来采集断面终点数据。断面起点数据包括车辆经过的该断面起点的时刻；断面终点数据包括车辆经过该断面终点的时刻。雷达设备指的是设置在高速公路上的测速设备。对应待测断面位置处可设置有零个或多个雷达设备。第二采集数据可以是车辆经过雷达设备时的瞬时车速。
具体地，基于探头设备实时采集车辆经过相应待测断面的第一采集数据，雷达设备实时采集车辆经过相应待测断面的第二采集数据，进而处理设备可获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据。
道路断面可以是高速公路的断面，也可以是城市公路的断面。以下各实施例一高速公路的断面进行说明，其他公路的断面车速检测方法相似，再次不在赘述。
步骤S220，根据第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速。
具体地，处理设备可对获取到的第一采集数据进行解析，检测第一采集数据是否包括断面起点数据和断面终点数据；处理设备在第一采集数据包括断面起点数据和断面终点数据时，根据各第一采集数据，得到第一平均车速。
进一步的，处理设备可根据断面起点数据和断面终点数据，得到每辆车辆经过待测断面起点至终点的时间差。进而处理设备可根据待测断面长度以及时间差，得到单一车辆的第一平均车速。处理设备还可求取在预设时间(即时间窗口)内经过待测断面的车辆的第一平均车速的均值，进而可得到预设时间内，经过待测断面所有车辆的第一平均车速。
步骤S230，根据第二采集数据，得到第二平均车速。
其中，第二采集数据可以是车辆经过雷达设备的瞬时车速，即第二采集数据可用来指示相应待测断面的瞬时车速。
具体地，雷达设备通常情况下会自动测算出当前抓拍的画面内每辆车的瞬时速度，进而处理设备可根据待测断面相应的雷达设备在预设时间内采集到的第二采集数据，计算第二采集数据的均值，得到待测断面的第二平均车速。
步骤S240，对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速。
其中，融合计算可基于权重对第一平均车速和第二平均车速进行处理。例如可根据历史试验经验分配第一平均车速和第二平均车速的权重。需要说明的是，第一平均车速的权重与第二平均车速的权重之和为1。
需要说明的是，待测断面的平均车速指的是以断面为最小单位，计算过去一小段时间内经过该待测断面所有车辆的平均速度，近似代表该待测断面的实时平均车速，从而反映道路拥堵状况。
具体地，处理设备可基于第一平均车速的权重和第二平均车速的权重，对第一平均车速和第二平均车速进行融合处理，得到对应待测断面的平均车速，实现更精确地测算高速公路断面的平均车速。
具体而言，通过获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据；根据预设时间以及各第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；根据预设时间和各第二采集数据，得到第二平均车速；对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速，实现实时精确的测算道路(如高速公路)待测断面的平均车速。
需要说明的是，将高速公路划分成各个待测断面的好处是能够更好地利用各类设备(探头设备和雷达设备)数据，也可以更好地从细粒度上量化道路交通状况，将高速公路管理做到更加精细化。
上述实施例中，通过将获取探头设备采集的第一采集数据和雷达设备采集的第二采集数据进行融合处理，进而可精确的得到待测断面的平均车速，利用该平均车速进而可用来做高速公路通行状况监测，也可以用于道路拥堵指数计算。
在一个实施例中，探头设备包括断面起点设备和断面终端设备；断面起点设备用于采集断面起点数据；断面终点设备用于采集断面终点数据。
在一个实施例中，如图3所示，获取预设时间内，步骤S220包括步骤：
步骤S310，检测第一采集数据是否存在缺失数据，若是，执行步骤S320。
步骤S320，获取缺失数据对应设备的相邻设备数据，及缺失数据对应设备与相邻设备之间的补偿距离。
步骤S330，在补偿距离小于或等于预设阈值时，将相邻设备数据作为缺失数据。
其中，缺失数据可以是断面起点数据或断面终点数据，缺失数据也可以是断面起点数据和断面终点数据。相邻设备数据指的是与对应缺失数据的设备(断面起点设备或断面终点设备)相邻的相邻设备采集的数据。补偿距离指的是对应缺失数据的设备与相邻设备数据的设备之间的补偿距离。
具体而言，处理设备在检测到第一采集数据缺失断面起点数据和/或断面终点数据时，则判定该第一采集数据存在数据缺失，则获取对应缺失数据的相邻设备数据，及计算对应缺失数据与相邻设备数据的设备之间的补偿距离。处理设备可对处理得到的补偿距离进行判定处理，在补偿距离小于或等于预设阈值时，将相邻设备数据替代为缺失数据，以得到完整的第一采集数据，进而可根据相邻设备数据和各第一采集数据，得到第一平均车速。本申请通过判断选取最合适的相邻设备数据，进而可计算得到最优的补偿距离，解决了传统方案随机采用邻近设备数据计算出的平均车速替代缺失速度，当相邻设备距离待测断面距离较远时，邻近设备数据并不能准确代表当前断面数据的问题，从而提高了道路断面车速处理的精确度，有效解决了数据缺失导致的车速计算不准确问题。
在一个实施例中，如图4所示，缺失数据处理步骤包括以下步骤：
步骤S410，检测第一采集数据是否存在缺失数据，若是，执行步骤S420。。
步骤S420，，获取缺失数据对应设备的相邻设备数据，及缺失数据对应设备与相邻设备数据之间的补偿距离。
步骤S430，在补偿距离小于或等于预设阈值时，将相邻设备数据作为缺失数据。
其中，上述步骤410、步骤420和步骤430的具体内容过程可参考上文内容，此处不再赘述。
步骤S440，在补偿距离大于预设阈值时，根据SVM回归模型处理存在缺失数据的第一采集数据，得到第一平均车速；SVM回归模型为根据历史平均车速和环境因素数据构建处理得到；环境因素数据包括以下任意一种或任意组合：节假日数据、天气数据、时间日期数据和车流量数据。
其中，SVM(Support Vector Machine，支持向量机)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalizedlinear classifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。SVM回归模型为根据历史平均车速和环境因素数据构建处理得到。
在一个示例中，环境因素数据包括以下任意一种或任意组合：节假日数据、天气数据、时间日期数据和车流量数据。
具体地，处理设备可获取节假日数据、天气数据、时间日期数据和车流量数据等环境因素数据，构建断面特征向量V＝(是否节假日、节假日类型、天气类型、降雨量、星期、时间段、车流量、平均车速)。其中平均车速为目标变量y，其余为解释变量x。利用历史数据构建SVM回归模型，进而在补偿距离大于预设阈值时，采用机器学习算法预测断面平均车速，从而可以有效解决网络延迟、设备故障等原来造成的数据异常影响，更加准确地测算出道路真实平均车速。
具体而言，处理设备在检测到第一采集数据缺失断面起点数据和/或断面终点数据时，则判定该第一采集数据存在数据缺失，则获取对应缺失数据的相邻设备数据，及对应缺失数据与相邻设备数据的设备之间的补偿距离。处理设备可对处理得到的补偿距离进行判定处理，在补偿距离小于或等于预设阈值时，将相邻设备数据替代为缺失数据，并根据相邻设备数据和各第一采集数据，得到第一平均车速；在补偿距离大于预设阈值时，根据SVM回归模型处理第一采集数据，得到第一平均车速。
在一个实施例中，获取对应缺失数据的相邻设备数据，及对应缺失数据与相邻设备数据之间的补偿距离的步骤包括：
若缺失数据为断面起点数据，则获取后方设备的相邻设备数据，及对应断面起点设备与后方设备之间的补偿距离；后方设备为基于车流方向，位于断面起点设备后方的设备；
若缺失数据为断面终点数据，则获取前方设备的相邻设备数据，及对应断面终点设备与前方设备之间的补偿距离；前方设备为基于车流方向，位于断面终点设备前方的设备。
具体而言，处理设备可对获取到的第一采集数据进行解析，检测第一采集数据是否包括断面起点数据和断面终点数据。处理设备在检测到第一采集数据缺失断面起点数据时，即缺失数据为断面起点数据时，则判定该第一采集数据存在数据缺失，进而处理设备可基于车流方向，获取位于断面起点设备后方的后方设备采集的相邻设备数据，且处理设备可基于断面起点设备与后方设备之间距离，得到对应断面起点设备与后方设备之间的补偿距离。处理设备在检测到第一采集数据缺失断面终点数据时，即缺失数据为断面终点数据时，则判定该第一采集数据存在数据缺失，进而处理设备可基于车流方向，获取位于断面终点设备前方的前方设备采集的相邻设备数据，且处理设备可基于断面终点设备与前方设备之间距离，得到对应断面终点设备与前方设备之间的补偿距离。
进一步的，处理设备可在补偿距离小于或等于预设阈值时，将相邻设备数据替代为缺失数据，并根据相邻设备数据和各第一采集数据，得到第一平均车速；在补偿距离大于预设阈值时，根据SVM回归模型处理第一采集数据，得到第一平均车速，从而实现对缺失数据的补偿，预测存在较严重缺失数据的第一平均车速，进而可更精确地测算断面平均车速。
在一个实施例中，获取对应缺失数据的相邻设备数据，及对应缺失数据与相邻设备数据之间的补偿距离的步骤包括：
若缺失数据为断面起点数据和断面终点数据，则获取后方设备的相邻设备数据，以及前方设备的相邻设备数据；后方设备为基于车流方向，位于断面起点设备后方的设备；前方设备为基于车流方向，位于断面终点设备前方的设备。
获取对应断面起点设备与后方设备之间的第一补偿距离，以及对应断面终点设备与前方设备之间的第二补偿距离；对第一补偿距离和第二补偿距离累积得到补偿距离。
具体而言，处理设备可对获取到的第一采集数据进行解析，检测第一采集数据是否包括断面起点数据和断面终点数据。处理设备在检测到第一采集数据缺失断面起点数据和断面终点数据时，处理设备可基于车流方向，获取位于断面起点设备后方的后方设备采集的相邻设备数据，且处理设备可基于断面起点设备与后方设备之间距离，得到对应断面起点设备与后方设备之间的第一补偿距离；处理设备可基于车流方向，获取位于断面终点设备前方的前方设备采集的相邻设备数据，且处理设备可基于断面终点设备与前方设备之间距离，得到对应断面终点设备与前方设备之间的第二补偿距离，对第一补偿距离和第二补偿距离累积进而得到补偿距离。
进一步的，处理设备可在补偿距离小于或等于预设阈值时，将相邻设备数据替代为缺失数据，并根据相邻设备数据和各第一采集数据，得到第一平均车速；在补偿距离大于预设阈值时，根据SVM回归模型处理第一采集数据，得到第一平均车速，从而实现对缺失数据的补偿，预测存在较严重缺失数据的第一平均车速，进而可更精确地测算断面平均车速。
需要说明的是，对于存在设备数据缺失的断面，分析数据缺失类型，可分为以下三种情况：1、断面起点数据缺失；2、断面终点数据缺失；3、断面起点数据和终点数据都缺失。
其中，对于第一类数据缺失类型，基于车流方向，获取该断面起点设备后方的后方设备采集的相邻设备数据，计算预设时间内(即时间窗口T内)通过该待测断面的车辆数，同时计算后方设备和断面起点设备的距离，得到补偿距离。对于第二类数据缺失类型，基于车流方向，获取该断面终点设备前方的前方设备的相邻设备数据，同时计算前方设备和断面终点设备的距离，得到补偿距离。对于第三类数据缺失类型，需获取该断面起点设备后方的相邻设备数据和断面终点设备前方的相邻设备数据，计算时间窗口T内通过该待测断面的车辆数，此时的补偿距离为断面前方的补偿距离和断面后方的补偿距离之和。
进一步的，设定一个补偿距离阈值D，如果补偿距离小于或等于D，则用相邻设备数据替代缺失数据，计算平均车速近似替代该待测断面的平均车速；如果补偿距离大于D，则采用机器学习算法预测断面平均车速。从而可以有效解决网络延迟、设备故障等原来造成的数据异常影响，更加准确地测算出道路真实平均车速。
在一个实施例中，如图5所示，提供了平均车速处理步骤，其中，对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速的步骤包括：
步骤S510，根据第一平均车速和第二平均车速，得到判断因子；判断因子为第一平均车速到第二平均车速的变化率。
步骤S520，根据判断因子所属的预设范围、第一平均车速和第二平均车速的大小确定第一平均车速和第二平均车速的第一权重值和第二权重值。
步骤S530，根据第一权重值和第二权重值对第一平均车速和第二平均车速进行加权求和得到待测断面的平均车速。
其中，判断因子为第一平均车速到第二平均车速的变化率，即判断因子为第一平均车速与第二平均车速之间的差值除于第一平均车速得到。
具体地，处理设备根据判断因子，确定对应第一平均车速的第一权重值，和对应第二平均车速的第二权重值。根据第一权重值和第二权重值对第一平均车速和第二平均车速进行加权求和得到待测断面的平均车速
进一步的，根据第一平均车速和第二平均车速，得到判断因子；在判断因子小于或等于第一阈值时，待测断面的平均车速为第一平均车速与第二平均车速之和除于2；在判断因子大于第一阈值且小于或等于第二阈值时，待测断面的平均车速为第一权值乘于最大速度值与第二权重乘于最小速度值之间的和值；第一权值与第二权重之和为1；在判断因子大于第二阈值时，待测断面的平均车速为第三权值乘于最大速度值与第四权重乘于最小速度值之间的和值；第三权值与第四权重之和为1；最大速度值为第一平均车速与第二平均车速中的最大值；最小速度值为第一平均车速与第二平均车速中的最小值。
在一个示例中，对第一平均车速和第二平均车速进行权值处理，得到对应待测断面的平均车速的步骤中，基于以下公式得到待测断面的平均车速：
Figure BDA0002760241160000141
Figure BDA0002760241160000142
其中，V为待测断面的平均车速，V1为第一平均车速，V2为第二平均车速，α1为0.7，β1为0.3，α2为0.9，β2为0.1。
需要说明的是，α1和β1为权重值，α1与β1的和为1；α2和β2为权重值，α2与β2的和为1。α1与β1还可以其他数值，α2与β2还可以其他数值。
上述实施例中，通过将获取探头设备采集的第一采集数据和雷达设备采集的第二采集数据进行融合处理，并对缺失数据进行机器学习预测处理，进而可精确的得到待测断面的平均车速，利用该平均车速进而可用来做高速公路通行状况监测，也可以用于道路拥堵指数计算。
在一个实施例中，探头设备为卡口设备和/或门架设备；雷达设备为毫米波雷达设备；待测断面为相邻两个探头设备之间的路段；
获取预设时间内，经过待测断面的各第二采集数据的步骤包括：
基于待测断面的标识信息，获取相应桩号的毫米波雷达设备的各第二采集数据；毫米波雷达设备的桩号与待测断面的标识信息相匹配对应。
在一个实施例中，提供了一种道路断面车速检测方法，以该方法应用于图1的处理设备为例进行说明，包括以下步骤：
获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据。
对第一采集数据、第二采集数据和环境因素数据分别进行去噪处理，得到去噪后的第一采集数据。去噪后的第二采集数据和去噪后的环境因素数据。
具体地，处理设备可对第一采集数据、第二采集数据和环境因素数据分别进行去噪处理，即对第一采集数据、第二采集数据和环境因素数据中的异常数据进行处理。例如，异常数据有数据格式错误、数据明显不符合实际、数据缺失等。
根据预设时间以及各去噪后的第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速
根据预设时间和各去噪后的第二采集数据，得到第二平均车速。
对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速。
具体而言，处理设备获取第一采集数据、第二采集数据和环境因素数据，对获取到的第一采集数据、第二采集数据和环境因素数据进行数据预处理，并基于预处理后的第一采集数据和第二采集数据分别进行两类设备的平均车速计算，然后将第一平均车速和第二平均车速进行融合处理，进而得出最终待测断面的平均车速。
上述实施例中，通过将探头设备采集的第一采集数据和雷达设备采集的第二采集数据进行预处理；并对预处理后的第一平均车速和第二平均车速进行融合处理，实现更精确地测算待测断面平均车速。
在一个实施例中，探头设备为卡口设备和/或门架设备；雷达设备为毫米波雷达设备；待测设备为相邻两个探头设备之间的路段。
获取预设时间内，经过待测断面的各第二采集数据的步骤包括：
基于待测设备的身份信息，获取相应桩号的毫米波雷达设备的各第二采集数据；毫米波雷达设备的桩号与待测设备的身份信息相匹配对应。
其中，高速公路的测试设备主要包括两类，一类是可以记录车牌的卡口和/或门架设备(探头设备)；另一类是无法记录车牌的毫米波雷达设备(雷达设备)。高速公路断面的划分是以同车流方向上相邻设备为依据。这里的设备是指探头设备，即卡口和/或门架。雷达设备的桩号是指雷达设备设备在道路上的坐标，每个雷达设备的桩号都是唯一。
具体地，毫米波雷达设备匹配到相对应的待测断面中。根据毫米波雷达设备的桩号和前述划分的待测断面进行匹配，每个毫米波雷达设备归属到唯一的待测断面，但是一个断面可能会有0个或多个毫米波雷达设备。通过将雷达设备按照桩号匹配到前面划分的断面中去，进而可确定雷达断面归属，能够将利用雷达计算的速度和其他设备计算的速度相融合。
进一步的，根据卡口和/或门架设备采集的数据还原车辆行驶轨迹，判断卡口和/或门架设备记录的数据是否和断面上的设备顺序一致且连续。
进一步的，首先分别利用两类不同设备数据(第一采集数据和第二采集数据)计算各自的平均车速，然后采取融合算法，将两类平均速度进行融合。两类速度相互校验，能在一定程度上降低某类设备计算不准确造成的影响。此外，探头设备计算平均车速需要采集车辆经过断面起点设备和断面终点设备的数据，当某个点位的设备故障或者同时故障时，此时的平均车速计算采取机器学习预测方式得到。SVM(Support Vector Machine)算法在回归预测问题上具有较好的表现，可以很好地学习历史数据规律，并准确预测未来数据表现。所以针对数据缺失较为严重的断面，采取机器学习算法预测方法，可以有效解决数据缺失，造成速度计算不准确甚至无法计算的问题。
需要说明的是，待测断面的平均车速的计算是衡量道路通行状况的重要指标，城市道路平均车速的计算可以基于浮动车辆数据、探头数据等。高速公路作为一种快速道路，沿途安装的设备常常以卡口、门架、毫米波雷达设备为主。其中，毫米波雷达设备成本高，一般很难全程覆盖，所以更为常见的设备是卡口和门架。卡口和门架设备能捕捉到通行车辆的车牌和经过时点。通过计算车辆经过两个相邻设备的距离和时间差，便可以得到该车辆在该断面的平均速度。毫米波雷达设备的特点是单个设备能覆盖前后250米的距离，而且抓拍的时间极短。毫米波雷达设备的特点是可以近似得到车辆的瞬时车速，但是无法跟踪某一特定车辆。利用该特性可以计算出雷达覆盖范围内某段时间所有车辆的平均速度，代表该路段这段时间的平均车速。
上述实施例中，通过采用卡口和/或门架设备数据和毫米波雷达设备数据相融合，两类设备计算的速度相互校验，能一定程度降低某类设备的计算误差，同时针对已有技术忽视的设备数据缺失的痛点，设计基于机器学习算法来预测缺失速度，可以有效解决网络延迟、设备故障等原来造成的数据异常影响，更加准确地测算出道路真实平均车速。
在一个示例中，处理设备所获取的数据包括高速公路上的设备采集实时车辆数据、外部接入的天气数据、节假日数据等环境因素数据。设备数据有两类，一类是基于卡口、门架的第一采集数据，另一类是基于毫米波雷达的第二采集数据。卡口、门架数据的特性是记录了每辆车的车牌，作为车辆唯一标识，记录了车辆经过的设备号和时间，同时根据设备桩号可以计算任意两个设备间的距离。雷达数据的特性是不记录车牌号，但是会50毫秒抓拍一次，同时返回的数据中会计算出当前时刻车辆的瞬时速度。天气数据来自于第三方，一般是天气公司，会记录是否为下雨天，降雨量，能见度等信息。天气状况会对机动车通行造成重要影响。节假日数据同样来自于第三方，会返回是否为周末以及节假日的类型。像清明、端午、国庆这些节日，高速公路的车辆出行量明显高于一般的周末和工作日。
处理设备根据处理结果得到的高速公路断面的平均车速，利用该数据可以用来做高速公路通行状况监测，可以用于道路拥堵指数计算。同时基于机器学习预测模型，不仅可以用来预测道路车速，也可以用来预测道路车流量，从而为公众出行和高速管理提供重要的信息。
应该理解的是，虽然图2-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图6所示，提供了一种道路断面车速检测系统，包括处理设备610，设于高速公路的多个探头设备620，以及设于高速公路的多个雷达设备630；各探头设备620和各雷达设备630分别连接处理设备610；相邻两个探头设备620之间的路段组成待测断面；处理设备610用于执行上述任一项道路断面车速检测方法的步骤。
其中，探头设备620可以是卡口和/或门架设备；雷达设备630可以是毫米波设备。
具体地，基于各探头设备620和各雷达设备630分别连接处理设备610，处理设备610可获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据；根据预设时间以及各第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；根据预设时间和各第二采集数据，得到第二平均车速；对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速，实现实时精确的测算道路(如高速公路)待测断面的平均车速。
上述实施例中，通过将获取探头设备采集的第一采集数据和雷达设备采集的第二采集数据进行融合处理，进而可精确的得到待测断面的平均车速，利用该平均车速进而可用来做高速公路通行状况监测，也可以用于道路拥堵指数计算。
在一个实施例中，处理设备包括数据接入模块、第一车速处理模块、第二车速处理模块和融合处理模块；
数据接入模块，用于获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据；第一采集数据为探头设备采集的数据；第一采集数据包括断面起点数据和断面终点数据；第二采集数据为雷达设备采集的数据；
第一车速处理模块，用于根据预设时间以及各第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；
第二车速处理模块，用于根据预设时间和各第二采集数据，得到第二平均车速；
融合处理模块，用于对第一平均车速和第二平均车速进行融合计算，得到对应待测断面的平均车速。
其中，数据接入模块可用来读取探头设备(卡口、门架)采集的第一采集模块和第二类设备(毫米波雷达模块)采集的第二采集数据。数据接入模块还可用来获取天气数据和节假日数据等环境因素数据。
第一平均车速处理模块可用来对探头设备(卡口、门架)采集到的第一采集数据进行车速处理，得到第一平均车速。第二平均车速处理模块可用来对雷达设备(毫米波雷达设备)采集的第二采集数据进行车速处理，得到第二平均车速。融合处理模块可用来计算卡口、门架和毫米波雷达两类设备的平均车速，然后将两类速度进行融合，得出精确的高速公路断面平均车速。融合处理模块还可用来对第一采集数据进行统计处理，得到待测断面的车流量。
具体而言，数据接入模块实时后期第一采集数据、第二采集数据和环境因素数据(天气数据和节假日数据等)，第一平均车速处理模块接收第一采集数据，并对第一采集数据进行处理，得到第一平均车速。第二平均车速处理模块接收第二采集数据，并对第二采集数据进行处理，得到第二平均车速。融合处理模块将第一平均车速和第二平均车速进行融合处理，得出精确的待测断面平均车速，也就是最终输出给用户的结果数据。
上述实施例中，通过融合多源数据计算平均车速，进而更加精确的计算高速公路断面平均车速。
在一个实施例中，处理设备还包括数据预处理模块。数据预处理模块可用来对对第一采集数据、第二采集数据和环境因素数据中的异常数据进行处理
其中，数据预处理模块接收数据接入模块的数据，并对接收到的数据预处理。其中处理的类型有数据格式错误、数据不一致、明显的值范围异常。
其中一个实施例中，处理设备还包括预测处理模块；
预测处理模块，用于检测第一采集数据是否存在缺失数据；若存在缺失数据且在检测到缺失数据为断面起点数据和/或断面终点数据时，获取对应缺失数据的相邻设备数据，及对应缺失数据与相邻设备数据之间的补偿距离；在补偿距离小于或等于预设阈值时，将相邻设备数据替代为缺失数据，以得到完整的第一采集数据。
其中，预测处理模块可用来对环境因素数据和历史平均车速数据训练得到SVM回归模型，其中，SVM回归模型用来预测第一类设备数据缺失且补偿距离较大的断面平均车速。
具体地，预测处理模块根据第一采集数据存在缺失数据时，采用机器学习预测的方式，得出缺失的断面车速，并将缺失的断面车速反馈给第一平均车速模块。
上述实施例中，通过融合多源数据计算平均车速；采用机器学习算法预测缺失速度，进而更加精确的计算高速公路断面平均车速。
在一个示例中，高速公路最常见的设备有卡口、门架，除此之外部分路段还铺设了毫米波雷达。作为高速公路管理处，对自己所管辖的道路通行状况，诸如车流量和车速之类的情况掌握非常必要。由于高速公路管理处通常无法获取机动车浮动车辆信息，因此车速和流量的计算只能依赖于自有设备。传统的平均车速计算基本上都是采用卡口、门架或收费站数据，而忽略了其他设备数据的使用，比如毫米波雷达，这对资源造成了一定程度的浪费，同时也对数据计算结果的准确度造成一定的影响。本申请实施例计算高速公路平均车速，不仅采用了传统的卡口和门架设备数据，同时也利用了毫米波雷达数据，并将两种数据的计算结果进行校验和融合，从而最大化地利用道路上的设备数据价值。
进一步的，任何网络设备都会面临网络延迟、设备故障等数据缺失的情况，数据缺失会导致断面的平均车速无法计算或计算不准确。已有的领域内技术方案很少有对此问题给出较好的解决办法，少数方案里提到用邻近的设备数据计算出的平均车速替代缺失速度。这种方法的缺点是当相邻设备距离该断面距离较远时，邻近设备的速度并不能准确代表当前断面速度。因此本方案利用机器学习算法的优势，采集天气数据、节假日数据、历史道路数据等多维度数据，训练SVM模型，并精准预测设备数据缺失的断面的平均车速，有效解决数据缺失导致的车速计算不准确问题。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一项的高速公路实时断面平均车速检测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种道路断面车速检测方法，其特征在于，包括以下步骤：
获取预设时间内、经过待测断面的第一采集数据和第二采集数据；所述第一采集数据为探头设备采集的数据；所述第一采集数据包括断面起点数据和断面终点数据；所述第二采集数据为雷达设备采集的数据；
根据第一采集数据中的断面起点数据、断面终点数据，得到第一平均车速；
根据所述第二采集数据，得到第二平均车速；
对所述第一平均车速和所述第二平均车速进行融合计算，得到对应所述待测断面的平均车速；
所述获取预设时间内，经过待测断面的各第一采集数据和各第二采集数据的步骤之后包括步骤：
检测所述第一采集数据是否存在缺失数据；
若是，则获取所述缺失数据对应设备的相邻设备数据，及所述缺失数据对应设备与相邻设备之间的补偿距离；
在所述补偿距离小于或等于预设阈值时，将所述相邻设备数据作为所述缺失数据；
所述方法还包括步骤：
在所述补偿距离大于预设阈值时，根据SVM回归模型处理存在缺失数据的第一采集数据，得到所述第一平均车速；所述SVM回归模型为根据历史平均车速和环境因素数据构建处理得到。
2.如权利要求1所述的道路断面车速检测方法，其特征在于，所述获取对应缺失数据的相邻设备数据，及对应所述缺失数据与相邻设备数据之间的补偿距离的步骤包括：
若所述缺失数据为所述断面起点数据，则获取后方设备的相邻设备数据，及对应断面起点设备与所述后方设备之间的补偿距离；所述后方设备为基于车流方向，位于所述断面起点设备后方的设备；
若所述缺失数据为所述断面终点数据，则获取前方设备的相邻设备数据，及对应断面终点设备与所述前方设备之间的补偿距离；所述前方设备为基于车流方向，位于所述断面终点设备前方的设备。
3.如权利要求1所述的道路断面车速检测方法，其特征在于，所述获取对应缺失数据的相邻设备数据，及对应所述缺失数据与相邻设备数据之间的补偿距离的步骤包括：
若所述缺失数据为所述断面起点数据和所述断面终点数据，则获取后方设备的相邻设备数据，以及前方设备的相邻设备数据；所述后方设备为基于车流方向，位于断面起点设备后方的设备；所述前方设备为基于车流方向，位于断面终点设备前方的设备；
获取对应所述断面起点设备与所述后方设备之间的第一补偿距离，以及对应所述断面终点设备与所述前方设备之间的第二补偿距离；对所述第一补偿距离和所述第二补偿距离累积得到所述补偿距离。
4.如权利要求1所述的道路断面车速检测方法，其特征在于，对所述第一平均车速和所述第二平均车速进行融合计算，得到对应所述待测断面的平均车速的步骤包括：
根据所述第一平均车速和所述第二平均车速，得到判断因子；所述判断因子为所述第一平均车速到所述第二平均车速的变化率；
根据所述判断因子所属的预设范围、第一平均车速和第二平均车速的大小确定第一平均车速和第二平均车速的第一权重值和第二权重值；
根据第一权重值和第二权重值对第一平均车速和所述第二平均车速进行加权求和得到所述待测断面的平均车速。
5.如权利要求1至4任意一项所述的道路断面车速检测方法，其特征在于，所述探头设备为卡口设备和/或门架设备；所述雷达设备为毫米波雷达设备。
6.一种道路断面车速检测系统，其特征在于，包括处理设备，设于高速公路的多个探头设备，以及设于所述高速公路的多个雷达设备；各所述探头设备和各所述雷达设备分别连接所述处理设备；相邻两个所述探头设备之间的路段组成待测断面；
所述处理设备用于执行权利要求1至5中任一项所述道路断面车速检测方法的步骤。
CN202011219868.2A 2020-11-04 2020-11-04 道路断面车速检测方法及系统 Active CN112419712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011219868.2A CN112419712B (zh) 2020-11-04 2020-11-04 道路断面车速检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219868.2A CN112419712B (zh) 2020-11-04 2020-11-04 道路断面车速检测方法及系统

Publications (2)

Publication Number Publication Date
CN112419712A CN112419712A (zh) 2021-02-26
CN112419712B true CN112419712B (zh) 2021-12-10

Family

ID=74828269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219868.2A Active CN112419712B (zh) 2020-11-04 2020-11-04 道路断面车速检测方法及系统

Country Status (1)

Country Link
CN (1) CN112419712B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114120635B (zh) * 2021-11-05 2023-03-03 兴民智通(武汉)汽车技术有限公司 基于张量分解的城市路网线状缺失流量估计方法及系统
CN114093171B (zh) * 2022-01-21 2022-05-06 杭州海康威视数字技术股份有限公司 基于多源数据融合的交通运行状态监测方法及装置
CN115410386B (zh) * 2022-09-05 2024-02-06 同盾科技有限公司 短时速度预测方法及装置、计算机存储介质、电子设备
CN115472022B (zh) * 2022-09-06 2024-03-22 同盾科技有限公司 融合测速方法、融合测速装置、存储介质与电子设备
CN115641721B (zh) * 2022-12-06 2023-04-07 南京感动科技有限公司 多来源交通流指标融合及基于融合指标的路况计算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002163656A (ja) * 2000-11-24 2002-06-07 Natl Inst For Land & Infrastructure Management Mlit 走行車両検出装置及びその方法
BE1014680A6 (fr) * 2002-03-05 2004-03-02 Lange Philippe Trafic et securite : processus interactif dynamique instantane en reseau d'analyse de flux de trafic identifiant individuellement chaque objet en mouvement sur le reseau. mesure de vitesse moyenne des vehicules sur de moyennes ou longues distances (plusieurs centaines de kilometres).
CN101650876A (zh) * 2009-08-26 2010-02-17 重庆大学 城市路段交通流平均速度获取方法
CN101937616A (zh) * 2010-08-23 2011-01-05 北京世纪高通科技有限公司 实时交通流数据融合方法及装置
CN104282156A (zh) * 2014-09-27 2015-01-14 无锡市恒通智能交通设施有限公司 一种车速监测方法
CN111239720A (zh) * 2020-01-17 2020-06-05 深圳市戴升智能科技有限公司 车速测量方法、装置、计算机设备及存储介质

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3260344B2 (ja) * 1999-09-30 2002-02-25 住友電気工業株式会社 渋滞判定方法、渋滞判定システム、渋滞判定装置、及び記録媒体
CN103810849B (zh) * 2012-11-15 2015-10-28 北京掌城科技有限公司 一种基于浮动车数据的交通流变化趋势提取方法
CN103426309B (zh) * 2013-07-29 2015-05-13 吉林大学 一种基于出租车行驶状态信息判别交通拥堵程度的方法
CN104933857A (zh) * 2014-03-19 2015-09-23 北京航天长峰科技工业集团有限公司 一种基于gps定位技术的交通流量融合监控方法
CN104952244A (zh) * 2014-08-08 2015-09-30 昆明联诚科技股份有限公司 一种多特征融合的交通视频数据采集处理方法
WO2017116134A1 (ko) * 2015-12-30 2017-07-06 건아정보기술 주식회사 레이더 및 영상 융합 차량 단속시스템
CN106056929B (zh) * 2016-08-10 2019-02-26 佛山科学技术学院 一种车速检测方法及其装置
CN106373394B (zh) * 2016-09-12 2019-01-04 深圳尚桥交通技术有限公司 一种基于视频和雷达的车辆检测方法及系统
CN110163270B (zh) * 2019-05-10 2021-11-09 北京易控智驾科技有限公司 多传感器数据融合方法及系统
CN111724589B (zh) * 2020-06-03 2022-09-06 重庆大学 一种基于多源数据的高速公路断面流量估计方法
CN111862599A (zh) * 2020-06-19 2020-10-30 腾讯科技（深圳）有限公司 车辆信息处理方法、装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002163656A (ja) * 2000-11-24 2002-06-07 Natl Inst For Land & Infrastructure Management Mlit 走行車両検出装置及びその方法
BE1014680A6 (fr) * 2002-03-05 2004-03-02 Lange Philippe Trafic et securite : processus interactif dynamique instantane en reseau d'analyse de flux de trafic identifiant individuellement chaque objet en mouvement sur le reseau. mesure de vitesse moyenne des vehicules sur de moyennes ou longues distances (plusieurs centaines de kilometres).
CN101650876A (zh) * 2009-08-26 2010-02-17 重庆大学 城市路段交通流平均速度获取方法
CN101937616A (zh) * 2010-08-23 2011-01-05 北京世纪高通科技有限公司 实时交通流数据融合方法及装置
CN104282156A (zh) * 2014-09-27 2015-01-14 无锡市恒通智能交通设施有限公司 一种车速监测方法
CN111239720A (zh) * 2020-01-17 2020-06-05 深圳市戴升智能科技有限公司 车速测量方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
CN112419712A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN112419712B (zh) 道路断面车速检测方法及系统
Zuriaga et al. Modeling operating speed and deceleration on two-lane rural roads with global positioning system data
US9418545B2 (en) Method and system for collecting traffic data
CN102881162A (zh) 大规模交通信息的数据处理及融合方法
KR20150072471A (ko) 시공간 확률 모델을 이용한 교통 흐름 예측 시스템
CN112163348A (zh) 道路异常路面的检测方法、装置、仿真方法、车辆和介质
CN113935158B (zh) 一种针对高速公路事故多发点的交通检测器优化布设方法
Wang et al. Vehicle reidentification with self-adaptive time windows for real-time travel time estimation
CN115186943A (zh) 一种城市排水内涝预测建模方法、系统、电子设备
CN116167267A (zh) 一种基于数字孪生的沥青路面车辙评估与养护决策系统
CN116884235B (zh) 基于撞线的视频车速检测方法、装置、设备以及存储介质
CN116702000B (zh) 一种基于多层数据融合的路面质量动态监测与评估方法
Zhang et al. Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model
CN117238112A (zh) 一种桥梁结构健康监测预警的方法及相关设备
Rajab et al. Application of image processing to measure road distresses
Niu et al. Road extraction using smart phones GPS
Roncoli et al. Highway traffic state estimation using speed measurements: case studies on NGSIM data and highway A20 in the Netherlands
CN112698015A (zh) 一种道路桥梁裂缝检测系统
CN114973681B (zh) 一种在途车辆感知方法及设备
CN115204755B (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
CN114495519B (zh) 一种高速公路智慧可视化展示系统
Roncoli et al. Use of speed measurements for highway traffic state estimation: Case studies on NGSIM data and highway A20, Netherlands
Ma et al. A new online travel time estimation approach using distorted automatic vehicle identification data
Loustau et al. Travel time reliability on a highway network: estimations using floating car data
Richardson et al. Network stratification method by travel time variation

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