CN112750299B - 一种交通流量分析方法和装置 - Google Patents

一种交通流量分析方法和装置 Download PDF

Info

Publication number
CN112750299B
CN112750299B CN201911034776.4A CN201911034776A CN112750299B CN 112750299 B CN112750299 B CN 112750299B CN 201911034776 A CN201911034776 A CN 201911034776A CN 112750299 B CN112750299 B CN 112750299B
Authority
CN
China
Prior art keywords
poi
target
traffic
type
target area
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
CN201911034776.4A
Other languages
English (en)
Other versions
CN112750299A (zh
Inventor
汪亮
张亚楠
朱林
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.)
Huawei Cloud Computing Technologies Co Ltd
Original Assignee
Huawei Cloud Computing Technologies 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 Huawei Cloud Computing Technologies Co Ltd filed Critical Huawei Cloud Computing Technologies Co Ltd
Priority to CN201911034776.4A priority Critical patent/CN112750299B/zh
Publication of CN112750299A publication Critical patent/CN112750299A/zh
Application granted granted Critical
Publication of CN112750299B publication Critical patent/CN112750299B/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
    • 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

Abstract

本申请提供了一种交通流量分析方法和装置，涉及智慧交通领域，该方法包括：分析装置根据目标区域内的POI和OD数据，确定目标区域内的不同类型的POI对应的交通流量，进而确定不同类型的POI的流量高峰时间段，以便根据得到的流量高峰时间段进行流量调控。本申请实施例的技术方案可以利用海量的POI数据、OD数据，得到目标区域内的不同类型的POI的准确的交通流量数据，因此，基于该流量交通数据可更为准确地进行交通流量的调控，有效缓解交通拥堵。

Description

一种交通流量分析方法和装置
技术领域
本申请涉及智慧交通技术领域，尤其涉及一种交通流量分析方法和装置。
背景技术
现在交通拥堵已经成为一种常见现象，极大的影响了人们的生活和出行。为了减少交通拥堵现象的发生，可以对交通流量进行分析和调控。
目前，分析和调控交通流量最常采用的做法是问卷调查法。该方法通过在指定地理区域寻访或者在互联网分享问卷链接的方式，对车主群体进行调查，推测居民的潜在出行需求。然后根据收集得到的数据，进行城市交通流量分析，并根据分析结果进行交通流量调控。
但是上述方式存在以下缺点：数据获取效率低、真实性低、样本离散性差，并且人工调查相对粗糙和难以量化。
因此，上述方式得到的结果常常具有较大的误差且在未记录的场景下缺乏鲁棒性，无法准确地分析交通流量，进而导致交通流量调控效果差。
发明内容
本申请提供了一种交通流量分析方法和装置，能够提高交通流量分析的准确性，从而改善交通流量调控效果。
第一方面，本申请提供了一种交通流量分析方法，该方法可以由分析装置执行，具体地，该方法包括：获取目标区域内的兴趣点POI数据和起终点OD数据；根据POI数据，确定目标区域内的至少一个目标类型的POI；根据OD数据与至少一个目标类型的POI，确定在目标区域内至少一个目标类型的POI在不同时间的交通流量；根据至少一个目标类型的POI在不同时间的交通流量，确定目标区域内的流量高峰时间段。
在上述技术方案中，分析装置根据目标区域内的POI和OD数据，确定目标区域内的不同类型的POI对应的交通流量，进而确定不同类型的POI的流量高峰时间段，以便根据得到的流量高峰时间段进行流量调控。本申请实施例的技术方案可以利用海量的POI数据、OD数据，可以得到目标区域内的不同类型的POI的准确的交通流量数据，因此，基于该流量交通数据可更为准确地进行交通流量的调控，有效缓解交通拥堵。
此外，上述技术方案不需要耗费太多人力成本，能够兼顾交通流量高峰时间段确定的准确性以及高效性。
在一种可能的实现方式中，所述方法还包括：根据所述OD数据，确定所述流量高峰时间段内与第一终点对应的第一起点和/或与第二起点对应的第二终点，所述第一终点和所述第二起点为所述至少一个目标类型的POI；根据所述第一起点和/或所述第二终点与所述目标区域之间的相对位置，预测易发生交通拥堵的路段和时间段。
在上述技术方案中，分析装置可以预测交通拥堵的路段和时间段，有利于进行更具体的流量调控。
在一种可能的实现方式中，所述方法还包括：根据所述预测的易发生交通拥堵的路段和时间段，生成交通控制信息；发送所述交通控制信息至其他装置，以便其他装置进行流量调控。这样可以使得其他装置及时进行流量调控。
在一种可能的实现方式中，所述方法还包括：生成所述目标区域的交通流量视图，所述交通流量视图中展示的信息包括以下信息中的一种或多种：所述至少一个目标类型的POI在不同时间的交通流量、所述流量高峰时间段、所述目标区域内易发生交通拥堵的路段和时间段。这样能够使得用户可以较为便捷的获知目标区域内的交通流量的分析结果。
在一种可能的实现方式中，所述OD数据包括目标出行的起点、所述目标出行的终点、所述目标到达所述起点的时间和所述目标到达所述终点的时间，所述目标包括车辆。
在一种可能的实现方式中，所述根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI，包括：确定多个类型的POI中每类POI在所述目标区域内的占比；根据所述每类POI在所述目标区域内的占比，确定所述至少一个目标类型的POI。
目标区域内可能包括一些对交通流量影响并不大的POI，如果对目标区域内的每类POI都进行流量分析可能会影响交通流量高峰时间段确定的效率。在上述技术方案中，分析装置可以从目标区域包括的多个类型的POI选取部分主要类型的POI进行流量分析，这样，能够兼顾交通流量高峰时间段确定的准确性以及高效性。
在一种可能的实现方式中，确定多个类型的POI中每类POI在所述目标区域内的占比，包括：使用最小区域极大覆盖算法确定所述多个类型的POI中每类POI的最小覆盖区域；根据如下公式确定所述多个类型的POI中每类POI在所述目标区域的占比：
Figure BDA0002251164840000021
其中，I表示占比，S1表示所述每类POI的最小覆盖区域的面积，S2表示所述目标区域的面积。
上述技术方案中，分析装置使用每类目标类型的POI最小覆盖面积确定每类目标类型的POI的占比，考虑了POI本身面积对交通流量的影响，例如，对于小区POI，虽然其仅代表1个POI，但是由于其占地面积比较大，产生交通流量其实并不少。这样得到的目标类型的POI的占比更为客观和准确。
在一种可能的实现方式中，在所述确定所述多个类型的POI中每类POI在所述目标区域内的占比之前，所述方法还包括：去除所述多个类型的POI中每类POI中的离群点。
在上述技术方案中，分析装置剔除每类目标类型的POI中的一些离群点，有利于提高后续处理的速度和准确度。
在一种可能的实现方式中，根据所述OD数据与所述至少一个目标类型的POI，确定在所述目标区域内所述至少一个目标类型的POI在不同时间的交通流量，包括：确定以下数值中任意多个数值之和或者其中的任意一个为第一目标类型的POI的交通流量：终点为第一目标类型的POI的出行记录的数量、起点为第一目标类型的POI的出行记录的数量和经过第一目标类型的POI的出行记录的数量，所述第一目标类型为所述至少一个目标类型中的任意一个。
在一种可能的实现方式中，所述根据所述至少一个目标类型的POI在不同时间的交通流量，确定所述目标区域内的流量高峰时间段，包括：根据多个目标类型的POI在不同时间的交通流量，确定所述多个目标类型的POI中每类POI的流量高峰时间段；根据所述多个目标类型的POI中每类POI的流量高峰时间段，确定所述多个目标类型的POI对应的多个流量高峰时间段之间的重叠时间段；确定所述重叠时间段为所述目标区域的流量高峰时间段。
在上述技术方中，分析装置基于每类目标类型的POI的流量高峰时间段，确定不同目标类型的POI的流量高峰时间段之间的重叠时间段，由于各流量高峰时间段的重叠时间段是极易发生交通拥堵的时间段，用户根据该重叠时间段给进行流量调控对于缓解交通拥堵会更加有效。
第二方面，本申请提供了一种分析装置，该装置包括：获取模块，用于获取目标区域内的兴趣点POI数据和起终点OD数据；处理模块，用于根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI；所述处理模块，还用于根据所述OD数据与所述至少一个目标类型的POI，确定在所述目标区域内所述至少一个目标类型的POI在不同时间的交通流量；所述处理模块，还用于根据所述至少一个目标类型的POI在不同时间的交通流量，确定所述目标区域内的流量高峰时间段。
在上述技术方案中，分析装置根据目标区域内的POI和OD数据，确定目标区域内的不同类型的POI对应的交通流量，进而确定不同类型的POI的流量高峰时间段，以便根据得到的流量高峰时间段进行流量调控。本申请实施例的技术方案可以利用海量的POI数据、OD数据，可以得到目标区域内的不同类型的POI的准确的交通流量数据，因此，基于该流量交通数据可更为准确地进行交通流量的调控，有效缓解交通拥堵。
此外，上述技术方案不需要耗费太多人力成本，能够兼顾交通流量高峰时间段确定的准确性以及高效性。
在一种可能的实现方式中，所述处理模块，还用于根据所述OD数据，确定所述流量高峰时间段内与第一终点对应的第一起点和/或与第二起点对应的第二终点，所述第一终点和所述第二起点为所述至少一个目标类型的POI；根据所述第一起点和/或所述第二终点与所述目标区域之间的相对位置，预测易发生交通拥堵的路段和时间段。
在上述技术方案中，分析装置可以预测交通拥堵的路段和时间段，有利于给出进行更具体的流量调控。
在一种可能的实现方式中，所述处理模块，还用于根据所述预测的易发生交通拥堵的路段和时间段，生成交通控制信息；发送所述交通控制信息至其他装置，以便其他装置进行流量调控。这样可以使得其他装置及时进行流量调控。
在一种可能的实现方式中，所述处理模块，还用于生成所述目标区域的交通流量视图，所述交通流量视图中展示的信息包括以下信息中的一种或多种：所述至少一个目标类型的POI在不同时间的交通流量、所述流量高峰时间段、所述目标区域内易发生交通拥堵的路段和时间段。这样能够使得用户可以较为便捷的获知目标区域内的交通流量的分析结果。
在一种可能的实现方式中，所述OD数据包括目标出行的起点、所述目标出行的终点、所述目标到达所述起点的时间和所述目标到达所述终点的时间，所述目标包括车辆。
在一种可能的实现方式中，所述处理模块，具体用于确定所述多个类型的POI中每类POI在所述目标区域内的占比；根据所述每类POI在所述目标区域内的占比，确定所述至少一个目标类型的POI。
目标区域内可能包括一些对交通流量影响并不大的POI，如果对目标区域内的每类POI都进行流量分析可能会影响交通流量高峰时间段确定的效率。在上述技术方案中，分析装置可以从目标区域包括的多个类型的POI选取部分主要类型的POI进行流量分析，这样，能够兼顾交通流量高峰时间段确定的准确性以及高效性。
在一种可能的实现方式中，所述处理模块，具体用于使用最小区域极大覆盖算法确定所述多个类型的POI中每类POI的最小覆盖区域；根据如下公式确定所述多个类型的POI中每类POI在所述目标区域的占比：
Figure BDA0002251164840000041
其中，I表示占比，S1表示所述每类POI的最小覆盖区域的面积，S2表示所述目标区域的面积。
上述技术方案中，分析装置使用每类目标类型的POI最小覆盖面积确定每类目标类型的POI的占比，考虑了POI本身面积对交通流量的影响，例如，对于小区POI，虽然其仅代表1个POI，但是由于其占地面积比较大，产生交通流量其实并不少。这样得到的目标类型的POI的占比更为客观和准确。
在一种可能的实现方式中，所述处理模块还用于在所述确定所述多个类型的POI中每类POI在所述目标区域内的占比之前，去除所述多个类型的POI中每类POI中的离群点。
在上述技术方案中，分析装置剔除每类目标类型的POI中的一些离群点，有利于提高后续处理的速度和准确度。
在一种可能的实现方式中，所述处理模块，具体用于确定以下数值中任意多个数值之和或者其中的任意一个为第一目标类型的POI的交通流量：终点为第一目标类型的POI的出行记录的数量、起点为第一目标类型的POI的出行记录的数量和经过第一目标类型的POI的出行记录的数量，所述第一目标类型为所述至少一个目标类型中的任意一个。
在一种可能的实现方式中，所述处理模块，具体用于根据多个目标类型的POI在不同时间的交通流量，确定所述多个目标类型的POI中每类POI的流量高峰时间段；根据所述多个目标类型的POI中每类POI的流量高峰时间段，确定所述多个目标类型的POI对应的多个流量高峰时间段之间的重叠时间段；确定所述重叠时间段为所述目标区域的流量高峰时间段。
在上述技术方中，分析装置基于每类目标类型的POI的流量高峰时间段，确定不同目标类型的POI的流量高峰时间段之间的重叠时间段，由于各流量高峰时间段的重叠时间段是极易发生交通拥堵的时间段，用户根据该重叠时间段进行流量调控对于缓解交通拥堵会更加有效。
第三方面，本申请提供了一种芯片，所述芯片与存储器相连，用于读取并执行所述存储器中存储的软件程序，以实现第一方面或第一方面任意一种实现方式所述的方法。
第四方面，本申请提供了一种计算设备，包括处理器和存储器，所述处理器执行所述存储器中的计算机程序指令执行上述第一方面或第一方面任一可能的实现方式提供的方法。所述存储器与所述处理器耦合，其保存确定交通流量高峰时间段的过程中必要的程序指令和数据。
可选地，所述计算设备可以包括通信接口，用于与其他设备进行通信，如接收OD数据等。
第五方面，本申请提供了一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使得计算机执行第一方面或第一方面任意一种实现方式所述的方法。
第六方面，本申请提供了一种计算机程序产品，所述计算机程序产品包括计算机程序代码，在所述计算机程序代码被计算设备执行时，所述计算设备执行前述第一方面或第一方面的任意可能的实现方式中提供的方法。
可选地，所述计算机程序产品可以为一个软件安装包，在需要使用前述第一方面或第一方面的任意可能的实现方式中提供的方法的情况下，可以下载该计算机程序产品并在计算设备上执行该计算机程序产品中的计算机程序代码。
第七方面，本申请提供了一种计算设备系统，该计算设备系统包括至少一个计算设备。每个计算设备包括存储器和处理器。至少一个计算设备的处理器用于访问所述存储器中的代码，以使该计算设备系统执行第一方面或第一方面的任意一种可能的实现方式提供的方法。
附图说明
图1是本申请提供的一种系统架构示意图。
图2是本申请实施例提供的一种交通流量分析方法的示意性流程图。
图3是本申请实施例的技术方案的具体流程示意图(一)。
图4是本申请实施例的技术方案的具体流程示意图(二)。
图5是本申请实施例的目标类型的POI的交通流量曲线图。
图6是本申请实施例的分析装置的示意性结构图。
图7是本申请另一实施例的分析装置的示意性结构图。
图8是本申请实施例提供的计算设备。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
为了便于理解，下面给出与本申请相关的概念的说明：
1、地理区域，本申请实施例中，地理区域是具有一定覆盖面积的区域，可以包括多个地点、以及可供各种无轨车辆通行的路段和路口等。
本申请的目标区域可以是任意大小、任意形状的地理区域。
2、兴趣点(point of interest，POI)，指地理区域上的地点标识，地点标识用以标示出该地点标识所在地所代表的政府部门、各行各业之商业机构(加油站、百货公司、超市、餐厅、酒店、便利商店、医院等)、旅游景点(公园、古迹名胜等)、交通设施(各式车站、停车场)等处所。每个兴趣点对应有该POI的名称、类型和位置信息等，位置信息可以是经纬度、海拔等，类型可以是餐饮、住宿等。可选地，本申请的POI数据可以包括POI的名称、类型、位置信息等。
本申请的目标区域内可以包括多个类型的兴趣点，也就是说，目标区域可以对应多个类型的地点标识。例如，目标区域内分布有超市、餐厅、酒店、医院、小区、名胜古迹等多个类型的兴趣点。
3、起终点(origin destination，OD)数据，是由目标出行的起点、终点、起点和终点对应的时间或者一些其他附加属性所构成的数据。OD数据可以从其他数据中提取获得，例如，从卡口监控系统记录的卡口数据中提取车辆的OD数据、或者根据公共自行车管理平台获取公共自行车的OD数据、再或者根据运营商数据提取人的出行数据对应的OD数据等。在本申请中可以通过将OD数据与兴趣点关联起来，可以对目标区域的交通流量进行分析。
4、交通流量
交通流量，本申请实施例中交通流量指在一定时间段内通过地理区域中某个位置(如：某个路段、某个POI等)的车辆数量。通过地理区域中某个位置可以指经过该位置、终点为该位置或者起点为该位置等，本申请实施例不作具体限定。在本申请实施例的一些表述中，交通流量简称流量。
现在交通拥堵已经成为一种常见现象，极大的影响了人们的生活和出行。为了减少交通拥堵现象的发生，可以对交通流量进行分析和调控。
目前，分析和调控交通流量最常采用的做法是问卷调查法。该方法通过在指定地理区域寻访或者在互联网分享问卷链接的方式，对车主群体进行调查，推测居民的潜在出行需求。然后根据收集得到的数据，进行城市交通流量分析，并根据分析结果进行交通流量调控。但是上述调查问卷的方式存在易受调查方式或地理区域选择的影响；数据分析周期长；数据获取效率低、真实性低、样本离散性差，并且人工调查相对粗糙和难以量化等缺点。此，上述方式得到的结果常常具有较大的误差且在未记录的场景下缺乏鲁棒性，无法准确地分析交通流量，进而导致交通流量调控效果差。
针对上述问题，本申请实施例提供了一种交通流量分析方法和装置，用于准确、全面地预估目标区域内的交通流量，进而提高交通流量分析的准确性，从而改善交通流量调控效果。
在对本申请实施例提供的一种交通流量分析方法进行介绍之前，对本申请实施例所适用的系统架构进行介绍。
本申请实施例提供的一种交通流量分析方法可以由分析装置执行，分析装置既可以是一个硬件装置，例如：服务器、终端计算设备等，也可以是一个软件装置，具体为运行在硬件计算设备上的一套软件系统。本申请实施例中并不限定分析装置所部署的位置。示例性的，如图1所示，分析装置可以运行在云计算设备系统(包括至少一个云计算设备，例如：服务器等)，也可以运行在边缘计算设备系统(包括至少一个边缘计算设备，例如：服务器、台式电脑等)，也可以运行在各种终端计算设备上，例如：笔记本电脑、个人台式电脑等。
分析装置在逻辑上也可以是由多个部分构成的装置，如分析装置可以包括获取模块、处理模块和发送模块，分析装置中的各个组成部分可以分别部署在不同的系统或服务器中。
下面结合附图2对本申请实施例提供的一种交通流量分析方法进行说明。图2所示的方法包括以下内容的至少部分内容。
210，分析装置获取目标区域内的POI数据和OD数据。
本申请实施例中目标区域内分布有一个或者多个类型的POI。
在一些实施例中，分析装置可以从第三方获取POI数据和OD数据。例如，分析装置可以从地图类第三方的数据中心获取POI数据，从交通管理类第三方的数据中心获取OD数据。分析装置可以在有交通流量分析需求时，实时从第三方获取POI数据和OD数据；也可以获取一段时间内的历史POI数据和OD数据，并存储并在分析装置中，当有交通流量分析需求时，使用存储在本地的POI数据和OD数据。
在另一些实施例中，分析装置除了可以实现确定交通流量高峰时间段外，同时还可以记录POI数据和OD数据。也就是说，分析装置本身可以提供POI数据和OD数据。当有交通流量分析需求时，可直接获取分析装置本身记录的POI数据和OD数据。
可以理解地，本申请实施例对目标区域的形状、大小均不限定，只要其范围内分布有一个或多个类型的POI即可。
220，分析装置根据POI数据从目标区域对应的一个或多个类型的POI中确定一个或多个目标类型的POI。
分析装置确定目标类型的POI的方式有很多，本申请实施例不作具体限定，
在一些实施例中，分析装置中可以有一个或多个预设类型，分析装置可以根据一个或多个预设类型，从目标区域内分布的一个或多个类型的POI中确定一个或多个目标类型的POI。当有交通流量分析需求时，分析装置根据获取的目标区域的每个POI的类型信息，确定目标区域分布有的预设类型的POI，并将这些预设类型确定为目标类型。例如，预设类型为学校类型、办公类型和住宅类型，目标区域内包括小学A、写字楼B、中学C、中学D、写字楼E、美食城F、公园G七个POI，由于目标区域内的小学A、中学C和中学D属于学校类型、写字楼E和写字楼B属于办公类型，且目标区域内没有住宅类型的POI，所以分析装置可以确定目标类型为学校类型和办公类型。预设类型是可以人员提前设置在分析装置中的，且预设类型可以是人员根据经验，确定的POI类型，例如，通常办公楼、学校和美食城通常具有较大的交通流量，因此人员可以确定学校类型、办公类型和餐饮类型为预设类型。
在一些实施例中，分析装置可以根据目标区域内的POI数据中的类型信息，确定属于同一类型的POI，从而对目标区域内的每一类型的POI进行统计，以便分析装置针对不同类型的POI进行分析。例如，目标区域内包括小学A、写字楼B、中学C、中学D和写字楼E五个POI，分析装置可以确定小学A、中学C和中学D属于同一类型的POI，写字楼B和写字楼E属于同一类型的POI。这样，当目标区域内分布有多个类型的POI时，分析装置可以根据目标区域内分布的多个类型的POI中每类POI在目标区域内的占比，确定多个目标类型。在本申请实施例中，目标类型为需要进行交通流量分析的POI类型。
作为一个示例，分析装置可以确定在目标区域内占比大于阈值的类型为目标类型。例如，目标区域内有学校类型、办公类型、住宅类型、餐饮类型的POI，阈值为10％，分析装置确定学校类型、办公类型、住宅类型、餐饮类型的POI的占比分别为50％、6％、23％和21％，那么分析装置可以确定学校类型、住宅类型和餐饮类型为目标类型。
作为另外一个示例，分析装置可以根据占比大小，确定前N个类型为目标类型。例如，例如，目标区域内有学校类型、办公类型、住宅类型、餐饮类型的POI，N为2，分析装置确定学校类型、办公类型、住宅类型、餐饮类型的POI的占比分别为50％、6％、23％和21％，那么分析装置可以确定学校类型和住宅类型为目标类型。
分析装置确定目标区域内分布的多个类型的POI中每类POI在目标区域内的占比的方式有很多，本申请实施例不作具体限定。
作为一个示例，分析装置可以通过计算目标类型的POI所占区域的面积与目标区域面积的重叠度，确定目标类型的POI的占比。
具体地，分析装置可以确定每类目标类型的POI的最小覆盖区域，进一步根据每类目标类型的POI的最小覆盖区域与目标区域面积，确定每类目标类型的POI的占比。可选地，分析装置可以通过最小区域极大覆盖算法、最小覆盖圆算法或者同类型的算法，确定每类目标类型的POI的最小覆盖区域。
步骤1，分析装置确定每类目标类型的POI的最小覆盖区域。以最小区域极大覆盖算法为例进行描述。最小区域极大覆盖算法可以在平面生成覆盖全部POI的多边形，算法思路是设计一个寻找最优子结构的贪心算法。以使用圆形覆盖POI为例，首先设定最小区域为一个半径为r的圆，将所有同类型POI置于地图上；取出经度最小的POI，将该点视做左半圆周上的点，向右取水平距离该点长度为r的点为圆心，在圆心以半径为r做圆，去除包含在该圆内的POI；然后继续选出剩下POI中经度最小的点，重复以上操作，直至将该类型的所有POI包括在圆中，表示所有POI都被覆盖，此时得出的圆心和覆盖区域即为该类型的POI的最小区域覆盖。
步骤2，分析装置在确定每类目标类型的POI的最小覆盖区域后，可以根据每个目标类型的POI的最小覆盖区域的面积与目标区域的面积，确定每类目标类型的POI的占比。可选地，分析装置可以根据如下公式计算每类目标类型的POI的占比：
Figure BDA0002251164840000081
其中，I表示占比或重叠度(intersection over union，IoU)，S1表示所述每类POI的最小覆盖区域的面积，S2表示目标区域的面积。
需要说明的是，分析装置在确定每类目标类型的POI的占比之前，还可以将各目标类型的最小覆盖区域映射至相同位置、相同尺度的地图上，以便于对各最小覆盖区域与目标区域进行空间对比。
上述目标类型的POI的占比的确定方式，使用每类目标类型的POI最小覆盖面积确定每类目标类型的POI的占比，考虑了POI本身面积对交通流量的影响，例如，对于小区POI，虽然其仅代表1个POI，但是由于其占地面积比较大，产生交通流量其实并不少。这样得到的目标类型的POI的占比更为客观和准确。
作为另一个示例，分析装置还可以根据目标区域内分布的POI的数量，以及每类目标类型的POI的数量，确定每类目标类型的POI的占比。例如，目标区域内分布有20个POI，其中2个学校类型(如幼儿园、小学、中学等)的POI、5个办公类型(如写字楼、公司等)的POI、10个餐饮类型(如美食城、饭馆等)的POI、3公共休闲类型(如公园、广场等)的POI，那么学校类型的POI的占比为2/20＝0.1，办公类型的POI的占比为5/20＝0.25，餐饮类型的POI的占比为10/20＝0.5，公共休闲类型的POI的占比为3/20＝0.15。
在一些可能的实现方式中，在确定每类目标类型的POI的占比之前，分析装置还可以剔除每类目标类型的POI中的一些离群点(或称孤点)，以提高后续处理的准确度。例如，分析装置可以通过孤立森林(isolation forest)算法、具有噪声的基于密度的空间聚类(density-based spatial clustering of applications with noise，DBSCAN)算法或者同类型的算法对同一类型的POI进行离群点检测，剔除离群点。
本申请实施例中，离群点可以是目标区域内中远离绝大多数同类型的POI的POI。由于离群点通常是比较孤立的POI(例如，位置比较偏远的POI)，由离群点产生的交通流量对于交通影响较小，因此在分析交通流量高峰时，去除离群点，有利于提高后续处理的准确度。
经过上述确定步骤，实际得到的目标类型可以是目标区域包括的多个类型的部分或全部。
230，分析装置根据获取的OD数据与确定的一个或多个目标类型，确定在目标区域内每类目标类型的POI在不同时间的交通流量。
在一些实施例中，分析装置可以首先根据OD数据，确定目标区域内的每个POI对应的交通流量，之后再根据每个POI对应的交通流量以及每个POI的类型信息，确定每类目标类型的POI的交通流量。每类目标类型的POI的交通流量可以为该类型目标类型的每个POI对应的出行记录的数量的总和。
分析装置根据OD数据，确定目标区域内的每个POI对应的交通流量的方式有很多，本申请不作具体限定。
作为一个示例，分析装置可以从OD数据中获取各出行记录的终点，将终点为某个POI的出行记录的数量确定为该POI的交通流量。例如，OD数据中有10条出行记录的终点为某个POI，则该POI的交通流量为10。
作为另一个示例，分析装置可以从OD数据中获取各出行记录的起点，将起点为某个POI的出行记录的数量确定为该POI的交通流量。例如，OD数据中有15条出行记录的起点为某个POI，则该POI的交通流量为15。
作为再一个示例，分析装置可以从OD数据中获取各出行记录的起点和终点，将起点或终点为某个POI的出行记录的数量确定为该POI的交通流量。例如，OD数据中有10条出行记录的终点为某个POI，15条出行记录的起点为该POI，则该POI的交通流量为25。
作为又一个示例，分析装置还可以将终点、起点为某个POI的出行记录的数量和路过某个POI的出行记录的数量之和确定为该POI的交通流量。本申请实施例对于出行记录为路过某个POI的出行记录的确定方式不做限定，例如，当该POI在某个出行记录的起点到终点的最短路径上，则认为该出行记录为经过该POI的出行记录。
由于OD数据具有时间属性(OD数据包括起点和终点对应的时间)，因此分析装置得到的每类目标类型的POI的交通流量可以是每类目标类型在不同时间段的POI的交通流量。例如，针对起点或终点为某个类型的POI的出行记录，分析装置可以将起点或终点对应的时间在10:00-10:10时间段的出行记录的数量，确定为该类型的POI在10:00-10:10时间段内的交通流量。
在一些实施例中，分析装置可以获取目标区域的一段时间内(例如，一周、一个月、半年等)的OD数据，以天为单位进行流量统计，得到一天内目标类型的流量高峰时间段。例如，分析装置获取一周内的OD数据，确定起点或终点为某个类型的POI的出行记录；针对起点或终点为某个类型的POI的出行记录，分析装置可以将起点或终点对应的时间在10:00-10:10时间段的出行记录的数量除以7，从而确定为该类型的POI在10:00-10:10时间段内的交通流量。
可选地，分析装置确定的每类目标类型的POI的交通流量还可以采用曲线的形式呈现在显示器件上，以便人员进行观察和分析。
240，分析装置根据一个或多个目标类型的POI中每类POI在不同时间的交通流量，确定所述目标区域的流量高峰时间段。
在一些实施例中，分析装置确定每类目标类型的POI的流量高峰时间段为目标区域的流量高峰时间段。在另一些实施例中，分析装置可以根据每类目标类型的POI的流量高峰时间段，确定不同目标类型的POI的流量高峰时间段之间的重叠时间段，进而确定不同目标类型的POI的流量高峰时间段的重叠时间段为目标区域的流量高峰时间段。
确定目标类型的POI的高峰时间段的方式有很多，本申请实施例不作具体限定。
在一些实施例中，分析装置还可以确定目标类型的POI的交通流量大于流量高峰阈值的时间段为该目标类型的POI的流量高峰时间段。也就是说，当交通流量大于某个数值时，分析装置才认为目标类型的POI处于流量高峰时间段。
在另一些实施例中，分析装置可以根据每类目标类型的POI在不同时间的交通流量，确定每类目标类型的POI的流量曲线在不同时间段内的梯度(或称斜率)，将得到的不同时间段内的梯度与高峰流量梯度阈值比较，从而确定出每类目标类型的POI的流量高峰时间段。例如，分析装置确定目标类型的POI的流量曲线的梯度小于流量高峰梯度阈值且交通流量大于高峰流量阈值的时间段，确定为该目标类型的POI的流量高峰时间段。
其中，流量曲线的梯度可以体现交通流量变化的快慢程度，高峰流量梯度阈值(或称梯度阈值)则可以用于衡量交通流量变化的快慢程度是否满足条件，在本申请实施例中，当流量曲线的梯度较小时，则可以认为交通流量变化较慢，交通流量可能靠近一个流量高峰或者流量低峰；高峰流量阈值可以用于衡量交通流量是否满足要求，当交通流量大于高峰流量阈值时满足要求，可以排除流量低峰的情况。
此外，相比于仅根据交通流量的数值来确定流量高峰时间段，引入流量变化的快慢程度可以排除一些低概率的特殊情况(例如，交通流量高于阈值的流量高峰为短时间的突发流量)，使得到的流量高峰时间段更为准确。
在本申请实施例中，高峰流量梯度阈值和高峰流量阈值可以是预先确定的，例如，可以是交通管理人员可以根据经验和目标区域的道路规划等预先确定并设置在分析装置中的。
可选的，基于分析装置确定的不同目标类型的POI的流量高峰时间段或者目标区域的流量高峰时间段，可以进行以下交通流量分析。
一，分析装置将确定的每个目标类型的POI的流量高峰时间段和/或不同目标类型的POI的流量高峰时间段之间的重叠时间段呈现在显示器件上或者发送至其他显示设备，以便交通管理人员及时获知信息，给出交通流量调控建议或者以便出行人员及时获知信息，调整出行方向或者出行时间。例如，学校的流量高峰时间段与办公楼高峰时间段具有重叠时间段8点到8点半，交通管理人员可以建议学校或者办公楼调整作息时间，以避开流量高峰时间段，如学校或办公楼将作息时间调整为9点至9点半。又例如，学校的流量高峰时间段与办公楼高峰时间段具有重叠时间段8点到8点半，出行人员获知该信息后，可以提前出行，以避开流量高峰时间段。
二，分析装置可以根据OD数据，确定上述流量高峰时间段内或者上述重叠时间段内与第一终点对应的第一起点和/或与第二起点对应的第二终点，其中第一终点和第二起点为目标区域内属于目标类型的POI，并根据第一起点和/或第二终点与目标区域之间的相对位置，预测易发生交通拥堵的路段和时间段。也就是说，分析装置可以进一步根据流量高峰时间段内或者上述重叠时间段内的出行记录的终点，确定该出行记录的起点。或者分析装置可以根据流量高峰时间段内或者上述重叠时间段内的出行记录的起点，确定该出行记录的终点。进而根据确定的起点或终点与目标区域的相对位置，预测交通拥堵的方向和时间段，以便人们可以避开有可能发生交通拥堵的方向和时间段。例如：从确定的起点到该目标区域内的一个POI的交通路线仅有两条，分别为A路线和B路线。由于在流量高峰时间段内从该确定的起点到目标区域内的POI的流量极大，可预测A路线和B路线在流量高峰时间段内易发生交通拥堵。或者，由于从确定的起点经过A路线和B路线虽然均能到达目标区域内的该POI，但是A路线行驶距离更短，车辆更倾向于选择A路线，则可预测A路线在流量高峰时间段易发生拥堵。
在一些实施例中，根据前述分析，分析装置还可以根据预测的易发生交通拥堵的路段和时间段，生成交通控制信息，并将得到的交通控制信息发送到相关装置上。
作为一个示例，分析装置可以根据预测得到的易发生交通拥堵的路段和时间段，生成该路段在该时间段的限行信息(如，在该时间段，该路段只允许某个方向的出行)或者该路段在该时间段的交通灯控制信息等。可选地，分析装置可以进一步将得到的限行信息或者交通灯控制信息发送至相应的交通控制装置(如，LED交通牌的控制装置、交通灯的控制装置等)。可选地，分析装置可以进一步将得到的限行信息或交通灯控制信息发送至用户终端上，以便用户根据上述信息合理规划出行时间和路线。
在一些实施例中，基于上述分析的结果，分析装置还可以生成目标区域的交通流量视图，在交通流量视图中展示的信息包括以下信息中的一种或多种：每个目标类型的POI在不同时间的交通流量(如采用流量曲线的形式、表格形式等)、每个目标类型的流量高峰时间段、目标区域的流量高峰时间段、目标区域内易发生交通拥堵的路段和时间段。
可以理解地，上文所述的各个具体地POI类型仅为示例，不对本申请构成限定。
下面结合具体例子，对本申请实施例的技术方案的具体流程进行描述。如图3和图4所示，当有交通流量分析需求时，分析装置可以执行步骤410-450。
410，分析装置使用异常点检测算法(或称离群点检测算法)对同类型POI的经纬度进行检测，剔除显著离群点，并使用最小区域极大覆盖算法，得到若干各类型的POI分布图，如图3中的美食POI的分布图、酒店POI的分布图、小区POI的分布图和医院POI的分布图。
420，分析装置使用空间比对方法，将分布图映射至同一位置、同一尺度的地图上，计算目标区域与各类型POI分布的重叠度，得到图3或图4所示的兴趣点分布信息。图3或图4所示的兴趣点分布信息中，美食POI的占比为20.3％、酒店POI的占比为36.1％、小区POI的占比为9.5％、医院POI的占比为15.2％、其他类型的POI总占比为18.9％。确定占比TOP4的POI类型为目标类型，即目标区域内的目标类型为美食类型、酒店类型、小区类型、医院类型。
430，分析装置进行目标类型的兴趣点流量分析。具体地，分析装置根据OD数据中的起点、终点、起点对应的时间、终点对应的时间，确定美食类型、酒店类型、小区类型和医院类型的POI的交通流量，并生成相应的流量曲线(如图4和图5所示)。
440，分析装置检测流量高峰时间段。例如，以高峰流量阈值为150为例，美食类型的高峰时间段包括8点-13点、16点-20点，酒店类型的高峰时间段包括8点-11点、17点-19点，小区类型的高峰时间段包括6点-8点、16点半-19点半，医院类型的高峰时间段包括7点-10点，美食类型、酒店类型和医院类型的高峰时间段在8点-10点发生重叠且各类型的交通流量都比较高，美食类型、酒店类型和小区类型的高峰时间段在17点-19点发生重叠且各类型的交通流量都比较高。
450，分析装置可以生成针对8点-10点和17点-19点的交通控制信息，从而进行流量调控。例如，向用户终端发送出行建议，建议用户避开8点-10点和17点-19点两个时间段。或者分析装置结合OD数据中起点与目标区域的相对位置关系，确定容易造成拥堵的特定方向、特定时刻车流，从而辅助进行交通流量调控。
基于上文所述内容可知，本申请基于地图细粒度的POI数据、OD数据等不同来源的数据，深度挖掘用户出行需求，形成用户侧满意的交通疏导指标数据(如上文所述的流量高峰时间段、重叠时间段等)，并给生成流量控制信息，进行流量调控。由于本申请的流量控制信息基于数据准确度强的交通疏导指标数据，因此依据本申请的技术方案进行流量调控的效果更好。
下面结合图6至图8对本申请的装置实施例进行描述。可以理解的是，为了实现上述实施例中功能，分析装置包括了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本申请中所公开的实施例描述的各示例的单元及方法步骤，本申请能够以硬件或硬件和计算机软件相结合的形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用场景和设计约束条件。图6至图8中的分析装置或计算设备可以用于实现上述方法实施例中分析装置的功能，因此也能实现上述方法实施例所具备的有益效果。
图6是本申请实施例的分析装置的示意性结构图。图6所示的装置600可以对应于上文的分析装置，如图6所示，装置600包括获取模块610和处理模块620。
获取模块610，用于获取目标区域内的兴趣点POI数据和起终点OD数据。
处理模块620，用于根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI；所述处理模块620，还用于根据所述OD数据与所述至少一个目标类型的POI，确定在所述目标区域内所述至少一个目标类型的POI在不同时间的交通流量；所述处理模块620，还用于根据所述至少一个目标类型的POI在不同时间的交通流量，确定所述目标区域内的流量高峰时间段。
在上述技术方案中，分析装置根据目标区域内的POI和OD数据，确定目标区域内的不同类型的POI对应的交通流量，进而确定不同类型的POI的流量高峰时间段，以便根据得到的流量高峰时间段进行流量调控。本申请实施例的技术方案可以利用海量的POI数据、OD数据，可以得到目标区域内的不同类型的POI的准确的交通流量数据，因此，基于该流量交通数据可更为准确地进行交通流量的调控，有效缓解交通拥堵。
此外，上述技术方案不需要耗费太多人力成本，能够兼顾交通流量高峰时间段确定的准确性以及高效性。
可选地，处理模块620，还用于根据所述OD数据，确定所述流量高峰时间段内与第一终点对应的第一起点和/或与第二起点对应的第二终点，所述第一终点和所述第二起点为所述至少一个目标类型的POI；根据所述第一起点和/或所述第二终点与所述目标区域之间的相对位置，预测易发生交通拥堵的路段和时间段。
在上述技术方案中，分析装置可以预测交通拥堵的路段和时间段，有利于给出进行更具体的流量调控。
可选地，处理模块620，还用于根据所述预测的易发生交通拥堵的路段和时间段，生成交通控制信息；所述装置600还包括发送模块630，用于发送所述交通控制信息至其他装置，以便其他装置进行流量调控。这样可以使得其他装置及时进行流量调控。
可选地，处理模块620，还用于生成所述目标区域的交通流量视图，所述交通流量视图中展示的信息包括以下信息中的一种或多种：所述至少一个目标类型的POI在不同时间的交通流量、所述流量高峰时间段、所述目标区域内易发生交通拥堵的路段和时间段。这样能够使得用户可以较为便捷的获知目标区域内的交通流量的分析结果。
可选地，所述OD数据包括目标出行的起点、所述目标出行的终点、所述目标到达所述起点的时间和所述目标到达所述终点的时间，所述目标包括车辆。
可选地，处理模块620，具体用于确定所述多个类型的POI中每类POI在所述目标区域内的占比；根据所述每类POI在所述目标区域内的占比，确定所述至少一个目标类型的POI。
目标区域内可能包括一些对交通流量影响并不大的POI，如果对目标区域内的每类POI都进行流量分析可能会影响交通流量高峰时间段确定的效率。在上述技术方案中，分析装置可以从目标区域包括的多个类型的POI选取部分主要类型的POI进行流量分析，这样，能够兼顾交通流量高峰时间段确定的准确性以及高效性。
可选地，处理模块620，具体用于使用最小区域极大覆盖算法确定所述多个类型的POI中每类POI的最小覆盖区域；根据如下公式确定所述多个类型的POI中每类POI在所述目标区域的占比：
Figure BDA0002251164840000131
其中，I表示占比，S1表示所述每类POI的最小覆盖区域的面积，S2表示所述目标区域的面积。
上述技术方案中，分析装置使用每类目标类型的POI最小覆盖面积确定每类目标类型的POI的占比，考虑了POI本身面积对交通流量的影响，例如，对于小区POI，虽然其仅代表1个POI，但是由于其占地面积比较大，产生交通流量其实并不少。这样得到的目标类型的POI的占比更为客观和准确。
可选地，处理模块620还用于在所述确定所述多个类型的POI中每类POI在所述目标区域内的占比之前，去除所述多个类型的POI中每类POI中的离群点。
在上述技术方案中，分析装置剔除每类目标类型的POI中的一些离群点，有利于提高后续处理的速度和准确度。
可选地，处理模块620，具体用于确定以下数值中任意多个数值之和或者其中的任意一个为第一目标类型的POI的交通流量：终点为第一目标类型的POI的出行记录的数量、起点为第一目标类型的POI的出行记录的数量和经过第一目标类型的POI的出行记录的数量，所述第一目标类型为所述至少一个目标类型中的任意一个。
可选地，处理模块620，具体用于根据多个目标类型的POI在不同时间的交通流量，确定所述多个目标类型的POI中每类POI的流量高峰时间段；根据所述多个目标类型的POI中每类POI的流量高峰时间段，确定所述多个目标类型的POI对应的多个流量高峰时间段之间的重叠时间段；确定所述重叠时间段为所述目标区域的流量高峰时间段。
在上述技术方中，分析装置基于每类目标类型的POI的流量高峰时间段，确定不同目标类型的POI的流量高峰时间段之间的重叠时间段，由于各流量高峰时间段的重叠时间段是极易发生交通拥堵的时间段，用户根据该重叠时间段进行流量调控对于缓解交通拥堵会更加有效。
获取模块610可以由收发器或者处理器实现，处理模块620可以由处理器实现，发送模块630可以由收发器实现。获取模块610、处理模块620和发送模块630的具体功能和有益效果可以参见图2所示的方法，在此就不再赘述。
图7是本申请另一实施例提供的分析装置的示意性结构图。图7所示的装置700可以对应于上文的分析装置，图7示出了分析装置的硬件单元，如图7所示，装置700可以包括收发器710、处理器720、存储器730。
图7中仅示出了一个存储器和处理器。在实际的分析装置产品中，可以存在一个或多个处理器和一个或多个存储器。存储器也可以称为存储介质或者存储设备等。存储器可以是独立于处理器设置，也可以是与处理器集成在一起，本申请实施例对此不做限制。
收发器710、处理器720、存储器730之间通过内部连接通路互相通信，传递控制和/或数据信号。
具体地，收发器710或处理器720，用于获取目标区域内的兴趣点POI数据和起终点OD数据。
处理器720，还用于根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI；根据所述OD数据与所述至少一个目标类型的POI，确定在所述目标区域内所述至少一个目标类型的POI在不同时间的交通流量；根据所述至少一个目标类型的POI在不同时间的交通流量，确定所述目标区域内的流量高峰时间段。
本申请各实施例该的收发器也可以称为收发单元、收发机、收发装置等。处理器也可以称为处理单元，处理单板，处理模块、处理装置等。可选的，可以将收发器中用于实现接收功能的器件视为接收单元，将收发器中用于实现发送功能的器件视为发送单元，即收发器包括接收单元和发送单元。接收单元有时也可以称为接收机、接收器、或接收电路等。发送单元有时也可以称为发射机、发射器或者发射电路等。
本申请各实施例所述的存储器用于存储处理器运行所需的计算机指令和参数。
本申请各实施例所述的处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。本申请各实施例所述的处理器可以是通用处理器、数字信号处理器(digitalsignal 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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(random access memory，RAM)、闪存、只读存储器(read-only memory，ROM)、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的指令，结合其硬件完成上述方法的步骤。
装置700的具体工作过程和有益效果可以参见图2所示实施例中的描述，在此不再赘述。
图8是本申请实施例提供的计算设备。如图8所示，所述计算设备800包括总线801、处理器802、通信接口803和存储器804。处理器802、存储器804和通信接口803之间通过总线801通信。
其中，处理器802可以为中央处理器(central processing unit，CPU)。存储器804可以包括易失性存储器(volatile memory)，例如随机存取存储器(random accessmemory，RAM)。存储器804还可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，ROM)，快闪存储器，HDD或SSD。存储器中存储有可执行代码，处理器802执行该可执行代码以执行前述图2所描述的方法。存储器804中还可以包括操作系统等其他运行进程所需的软件模块。操作系统可以为LINUXTM，UNIXTM，WINDOWSTM等。
本申请还提供一种计算设备系统，所述计算设备系统包括至少一个如图8所示的计算设备800。所述计算设备系统中的至少一个计算设备800之间通过通信网络互相建立通信，每个计算设备上运行装置600中的任意一个或者任意多个模块。
在本申请的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (12)

1.一种交通流量分析方法，其特征在于，包括：
获取目标区域内的兴趣点POI数据和起终点OD数据；
根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI；
所述根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI，包括：确定多个类型的POI中每类POI在所述目标区域内的占比，根据所述每类POI在所述目标区域内的占比，确定所述至少一个目标类型的POI；
根据所述OD数据与所述至少一个目标类型的POI，确定在所述目标区域内所述至少一个目标类型的POI在不同时间的交通流量；
根据所述至少一个目标类型的POI在不同时间的交通流量，确定所述目标区域的流量高峰时间段。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述OD数据，确定所述流量高峰时间段内与第一终点对应的第一起点和/或与第二起点对应的第二终点，其中，所述第一终点和所述第二起点为所述目标区域内所述至少一个目标类型的POI；
根据所述第一起点和/或所述第二终点与所述目标区域之间的相对位置，预测易发生交通拥堵的路段和时间段。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述易发生交通拥堵的路段和时间段，生成交通控制信息；
发送所述交通控制信息。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：
生成所述目标区域的交通流量视图，所述交通流量视图中展示的信息包括以下信息中的一种或多种：所述至少一个目标类型的POI在不同时间的交通流量、所述流量高峰时间段、所述目标区域内易发生交通拥堵的路段和时间段。
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OD数据包括目标出行的起点、所述目标出行的终点、所述目标到达所述起点的时间和所述目标到达所述终点的时间，其中，所述目标包括车辆。
6.一种分析装置，其特征在于，包括：
获取模块，用于获取目标区域内的兴趣点POI数据和起终点OD数据；
处理模块，用于根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI，所述根据所述POI数据，确定所述目标区域内的至少一个目标类型的POI，包括：确定多个类型的POI中每类POI在所述目标区域内的占比，根据所述每类POI在所述目标区域内的占比，确定所述至少一个目标类型的POI；
所述处理模块，还用于根据所述OD数据与所述至少一个目标类型的POI，确定在所述目标区域内所述至少一个目标类型的POI在不同时间的交通流量；
所述处理模块，还用于根据所述至少一个目标类型的POI在不同时间的交通流量，确定所述目标区域的流量高峰时间段。
7.根据权利要求6所述的装置，其特征在于，所述处理模块还用于：
根据所述OD数据，确定所述流量高峰时间段内与第一终点对应的第一起点和/或与第二起点对应的第二终点，其中，所述第一终点和所述第二起点为所述目标区域内所述至少一个目标类型的POI；
根据所述第一起点和/或所述第二终点与所述目标区域之间的相对位置，预测易发生交通拥堵的路段和时间段。
8.根据权利要求7所述的装置，其特征在于，
所述处理模块，还用于根据所述预测的易发生交通拥堵的路段和时间段，生成交通控制信息；
所述装置还包括发送模块，用于发送所述交通控制信息。
9.根据权利要求6至8中任一项所述的装置，其特征在于，所述处理模块还用于：
生成所述目标区域的交通流量视图，所述交通流量视图中展示的信息包括以下信息中的一种或多种：所述至少一个目标类型的POI在不同时间的交通流量、所述流量高峰时间段、所述目标区域内易发生交通拥堵的路段和时间段。
10.根据权利要求6至8中任一项所述的装置，其特征在于，所述OD数据包括目标出行的起点、所述目标出行的终点、所述目标到达所述起点的时间和所述目标到达所述终点的时间，其中，所述目标包括车辆。
11.一种计算设备，其特征在于，所述计算设备包括处理器和存储器；
所述存储器，用于存储计算机程序指令；
所述处理器调用所述存储器中的计算机程序指令执行如权利要求1至5中任一项所述的方法。
12.一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包括指令，当所述指令被计算设备执行时，用以实现上述权利要求1至5中任一项所述的方法。
CN201911034776.4A 2019-10-29 2019-10-29 一种交通流量分析方法和装置 Active CN112750299B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911034776.4A CN112750299B (zh) 2019-10-29 2019-10-29 一种交通流量分析方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911034776.4A CN112750299B (zh) 2019-10-29 2019-10-29 一种交通流量分析方法和装置

Publications (2)

Publication Number Publication Date
CN112750299A CN112750299A (zh) 2021-05-04
CN112750299B true CN112750299B (zh) 2022-05-06

Family

ID=75640102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911034776.4A Active CN112750299B (zh) 2019-10-29 2019-10-29 一种交通流量分析方法和装置

Country Status (1)

Country Link
CN (1) CN112750299B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706866B (zh) * 2021-08-27 2023-08-08 中国电信股份有限公司 道路堵塞监测方法及装置、电子设备、存储介质
CN113593244A (zh) * 2021-09-29 2021-11-02 上海闪马智能科技有限公司 一种流量确定方法、装置、存储介质及电子装置
CN114926988B (zh) * 2022-07-22 2022-09-30 山东高速信息集团有限公司 一种路段拥堵疏导方法及设备
CN117095042B (zh) * 2023-08-02 2024-02-23 国家基础地理信息中心 地表覆盖的地类转移空间分异的确定方法和装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872544A (zh) * 2010-06-12 2010-10-27 江苏省交通科学研究院股份有限公司 简易的城市道路拥堵状态统计评估方法
CN103412975A (zh) * 2013-07-11 2013-11-27 吴建平 动态交通仿真平台及其仿真方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN105808912A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种交通轨迹数据的可视分析方法、系统
WO2016201025A1 (en) * 2015-06-09 2016-12-15 Northwestern University Photocrosslinking reagents and methods of use thereof
CN107331166A (zh) * 2017-07-25 2017-11-07 中南大学 一种基于路径分析的动态限行方法
CN108256101A (zh) * 2018-01-31 2018-07-06 东南大学 一种基于公共自行车刷卡数据和poi数据识别租赁者通勤od的方法
CN108682147A (zh) * 2018-05-03 2018-10-19 广东省高速公路营运管理协会 一种高速公路交通拥堵疏导决策方法
CN108806250A (zh) * 2018-06-08 2018-11-13 北京航空航天大学 一种基于速度采样数据的区域交通拥堵评价方法
CN109583714A (zh) * 2018-11-16 2019-04-05 浩鲸云计算科技股份有限公司 一种基于出租车od分布挖掘公交微循环线路的方法
CN109729518A (zh) * 2019-03-15 2019-05-07 上海同济城市规划设计研究院有限公司 基于手机信令的城市交通早高峰拥堵源头识别方法
CN110111575A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于复杂网络理论的城市交通流量网络分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8554473B2 (en) * 2011-04-25 2013-10-08 Navteq B.V. Energy efficient routing using an impedance factor
US9042908B2 (en) * 2012-05-08 2015-05-26 International Business Machines Corporation Identifying purpose-based origin-destination using call detailed records
GB201211614D0 (en) * 2012-06-29 2012-08-15 Tomtom Dev Germany Gmbh Generating alternative routes
US9208682B2 (en) * 2014-03-13 2015-12-08 Here Global B.V. Lane level congestion splitting
WO2016107645A1 (en) * 2014-12-30 2016-07-07 Telecom Italia S.P.A. Method and system for a posteriori computation of origin-destination matrices relating to gathering of people through analysis of mobile communication network data
US10788330B2 (en) * 2017-01-04 2020-09-29 International Business Machines Corporation Route generation based on aggregated path data

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101872544A (zh) * 2010-06-12 2010-10-27 江苏省交通科学研究院股份有限公司 简易的城市道路拥堵状态统计评估方法
CN103412975A (zh) * 2013-07-11 2013-11-27 吴建平 动态交通仿真平台及其仿真方法
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN105808912A (zh) * 2014-12-31 2016-07-27 中国科学院深圳先进技术研究院 一种交通轨迹数据的可视分析方法、系统
WO2016201025A1 (en) * 2015-06-09 2016-12-15 Northwestern University Photocrosslinking reagents and methods of use thereof
CN107331166A (zh) * 2017-07-25 2017-11-07 中南大学 一种基于路径分析的动态限行方法
CN108256101A (zh) * 2018-01-31 2018-07-06 东南大学 一种基于公共自行车刷卡数据和poi数据识别租赁者通勤od的方法
CN108682147A (zh) * 2018-05-03 2018-10-19 广东省高速公路营运管理协会 一种高速公路交通拥堵疏导决策方法
CN108806250A (zh) * 2018-06-08 2018-11-13 北京航空航天大学 一种基于速度采样数据的区域交通拥堵评价方法
CN109583714A (zh) * 2018-11-16 2019-04-05 浩鲸云计算科技股份有限公司 一种基于出租车od分布挖掘公交微循环线路的方法
CN109729518A (zh) * 2019-03-15 2019-05-07 上海同济城市规划设计研究院有限公司 基于手机信令的城市交通早高峰拥堵源头识别方法
CN110111575A (zh) * 2019-05-16 2019-08-09 北京航空航天大学 一种基于复杂网络理论的城市交通流量网络分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于"POI_OD"矩阵的共享单车出行特征分析;王婧颖;《地理空间信息》;20190531;第17卷(第5期);第102-107页 *

Also Published As

Publication number Publication date
CN112750299A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN112750299B (zh) 一种交通流量分析方法和装置
US11255688B2 (en) Collective vehicle traffic routing
US10629069B2 (en) Method and apparatus for providing a localized link-centric metric for directional traffic propagation
He et al. Mapping to cells: A simple method to extract traffic dynamics from probe vehicle data
US9672735B2 (en) Traffic classification based on spatial neighbor model
CN105674994B (zh) 获取行车路线的方法、装置及导航设备
US11692837B2 (en) Automatic discovery of optimal routes for flying cars and drones
EP3293489A1 (en) Method and apparatus for providing trajectory bundles for map data analysis
EP3705849A2 (en) Method and apparatus for visualizing risk levels associated with aerial vehicle flights
EP3410348A1 (en) Method and apparatus for building a parking occupancy model
US20200357273A1 (en) Method, apparatus, and system for detecting venue trips and related road traffic
Chen et al. Spatial-temporal traffic congestion identification and correlation extraction using floating car data
US10255807B1 (en) Method and apparatus for providing a map data update based on region-specific data turbulence
WO2018057331A1 (en) Discovering points of entry to a location
US20080120021A1 (en) Guide Route Search Device, Guide Route Search Method, and Computer Program Thereof
US20220018674A1 (en) Method, apparatus, and system for providing transportion logistics based on estimated time of arrival calculation
JP6190627B2 (ja) 情報処理システム、情報処理サーバ、情報処理方法、および、情報処理プログラム
WO2019087595A1 (ja) 移動体分布状況予測装置及び移動体分布状況予測方法
Stipancic et al. Measuring and visualizing space–time congestion patterns in an urban road network using large-scale smartphone-collected GPS data
US20140324327A1 (en) Methods and systems for providing geotemporal graphs
WO2014203391A1 (ja) 交通行動推定システム、交通システム
Shams et al. Effects of capacity and transit improvements on traffic and transit operations
Guo et al. Fine-grained dynamic price prediction in ride-on-demand services: Models and evaluations
JP7275582B2 (ja) 移動トレンド検知システム、サーバコンピュータ、方法、及びコンピュータプログラム
JP4496837B2 (ja) 旅行時間配分システム

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220210

Address after: 550025 Huawei cloud data center, jiaoxinggong Road, Qianzhong Avenue, Gui'an New District, Guiyang City, Guizhou Province

Applicant after: Huawei Cloud Computing Technology Co.,Ltd.

Address before: 518129 Bantian HUAWEI headquarters office building, Longgang District, Guangdong, Shenzhen

Applicant before: HUAWEI TECHNOLOGIES Co.,Ltd.

GR01 Patent grant
GR01 Patent grant