CN113159577A - 基于群智感知的城市道路规划方法 - Google Patents

Abstract

本发明公开了一种基于群智感知的城市道路规划方法，属于群智感知技术领域。本发明采用群智感知技术对路面的交通状态进行实时监测，实时获取路段的拥堵程度，避免了固定检测器的安装和维护，减少了监测成本，同时大大增强了监测的灵活性。本发明将间接邻接路段、指定距离范围内且与目标路段存在可达路径的路段加入检测，可以大幅降低路面规划的成本，优先保证对现有路段的利用。同时，本发明对道路的规划处理结果进行图形输出，使相应决策更加直观有效，更好的完成辅助道路规划决策的任务，降低应用的使用门槛。

Description

基于群智感知的城市道路规划方法

技术领域

本发明属于群智感知技术领域，具体涉及一种基于群智感知的城市道路规划方法。

背景技术

随着机动车数量剧增，城市道路日益拥堵便是迫在眉睫需要解决的一个问题。为了解决拥堵问题，除了从限号通行，更换交通方式外，还有一个有效的策略就是合理规划城市道路。

城市道路规划能够用极少的资源大程度解决交通拥堵问题，比起派出警务等工作人员进行协管，往往只需要增设一个信号灯或新建一条支路便可长期解决该路段的拥堵问题。但是目前我国在城市道路智能化方面并没有较为成熟的技术，一个城市的道路设计将直接影响这个城市的通行状况，好的道路规划也许能够用一条岔路分担主路负担，或是新建一座立交、拓宽一个路段，就可以很大程度改善该路段的拥堵情况。

发明内容

本发明提供了一种于群智感知的城市道路规划方法，可用于提高城市道路规划的智能化处理，以及准确度。

本发明的基于群智感知的城市道路规划方法，包括：

步骤1：设置及训练道路拥堵程度预测模型，所述预测模型的训练数据包括不同道路的拥堵程度标签、各条道路上行驶的车辆上的移动设备的加速度数据，预测模型的输出为路段的道路拥堵程度值；

对训练数据进行预处理：对训练数据中的移动设备的加速度数据进行坐标旋转处理，得到车辆的加速度数据；

基于预处理后的训练数据对预测模型进行学习训练，得到训练好的预测模型，即路段拥堵预测模型；

步骤2：服务器基于路段拥堵预测模型进行道路规划处理，包括：目标路段的路面拓宽、目标路段的立交桥建立和/或以及目标区域的新建道路：

其中，目标路段的路面拓宽包括：

获取目标路段上的车辆加速度数据：目标路段上的车辆的移动设备向服务器上传实时采集的加速度数据，服务器对该加速度数据进行坐标旋转处理，得到目标路段上的车辆加速度数据；

服务器将目标路段上的车辆加速度数据输入路段拥堵预测模型，得到目标路段的道路拥堵程度值；并将道路拥堵程度值达到拓宽阈值的目标路段作为路面拓宽的目标路段；

服务器将目标路段的邻接路段作为第一检测路段，并获取第一检测路段的车辆加速度数据：第一检测路段上的车辆的移动设备上传实时采集的加速度数据，服务器对该加速度数据进行坐标旋转处理，得到第一检测路段上的车辆加速度数据；服务器将各第一检测路段上的车辆加速度数据输入路段拥堵预测模型，得到各第一检测路段的道路拥堵程度值，将所有第一检测路段的道路拥堵程度值的均值作为目标路段的立交桥建立度量值，并将立交桥建立度量值达到立交桥建立阈值的目标路段作为待建立立交桥的目标路段；

目标区域的新建道路包括：

以目标区域内的所有道路的端点得到目标区域节点集，基于目标区域内的已有路段和目标区域节点集得到目标区域的路网拓扑图，并将一段时期内的平均道路拥堵程度值作为路段权系数，路段权系数与路段长度的乘积作为各条路段所对应的边的权值，得到第一带权有向路网拓扑图；对所述第一带权有向路网拓扑图中的未存在边的节点对，将地理位置可达的节点对作为候选路段；

遍历所有候选路段，检测候选路段中的新建路段：

获取当前候选路段的路段长度；

获取当前候选路段的道路拥堵程度值：在第一带权有向路网拓扑图中，将当前候选路段的邻接路段的路段权系数的均值作为当前候选路段的路段权系数，将路段系数与当前候选路段的路段长度作为当前候选路段所对应的边的权值并加入第一带权有向路网拓扑图中，得到第二带权有向路网拓扑图；

将目标区域节点集中距离当前候选路段和/或距离当前候选路段的端点节点指定距离范围内的节点作为检测节点，得到检测节点集；

将检测节点集中的任意两个节点对作为起始和目标节点对，基于第二带权有向路网拓扑图对所有起始和目标节点对进行最短路径查询，得到每个起始和目标节点对的最短路径查询结果，若包括当前候选路段的最短路径查询结果占比达到指定阈值，则当前候选路段为新建路段。

本发明通过群智感知采集信息，建立路段拥堵预测模型，在模型中对路面拓宽、新建道路(立交桥)等道路规划方法进行评估。利用数字化的手段，为城市道路规划提供辅助性决策，进而提高城市道路规划的智能化程度。

进一步的，所述道路拥堵程度预测模型包括决策树预测模型、随机森林预测模型和AdaBoost预测模型，并将训练好的三个预测模型中预测准确率最高的作为路段拥堵预测模型。

进一步的，所述第一检测路段还可以包括与目标路段间隔至少一条路段的间接邻接路段；亦或者包括距离目标路段指定距离范围内且与目标路段存在可达路径的路段。

进一步的，将所述检测节点还包括：候选路段的各邻接路段的端节点，以及候选路段的各间接邻接路段的端节点。

进一步的，本发明还包括：对道路规划处理的处理结果进行图形输出。

本发明提供的技术方案至少带来如下有益效果：

在本发明中，采用群智感知技术对路面的交通状态进行实时监测，实时获取路段的拥堵程度，避免了固定检测器的安装和维护，减少了监测成本，同时大大增强了监测的灵活性。本发明将间接邻接路段、指定距离范围内且与目标路段存在可达路径的路段加入检测，可以大幅降低路面规划的成本，优先保证对现有路段的利用。同时，本发明对道路的规划处理结果进行图形输出，使相应决策更加直观有效，更好的完成辅助道路规划决策的任务，降低应用的使用门槛。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合对本发明实施方式作进一步地详细描述。

为了便于理解，对本发明实施例中涉及的多个名词进行解释。

群智感知，即集结群体的智能来对世界进行感知，收集世界上的各种数据和信息。且当前最为普遍、数量最为庞大的感知设备是移动设备，而将移动设备中的传感器与通信网络相连，则形成群智感知网络。其中，群智感知网络的结构体系可以分为三层：

感知层。感知层是群智感知网络的最底层，是系统的基础，这一层由诸多移动设备构成，准确的说应该是由诸多移动设备里的传感器构成，移动设备收到中心发出的感知任务，便将其传感器探测到的信息通过通信网络回传给中心。

传输层。与计算机网络中的传输层相同，作用是将基层设备所探测到的信息传递给网络中心以供使用。传输层中包含着大大小小各种不同的网络，因为不同设备所连接的网络不同，所以传输层需要将不同网络上传来的信息进行汇总，再统一交给信息网络中心或者云服务器。值得一提的是，对于暂时无法连接任何网络的设备，传输层还提供了容迟网络技术，也就是将感知数据先保存于本机中，等到能够连接网络的时候再第一时间进行上传。

处理应用层。这是群智感知网路中最为关键的一层，因为之前所有的努力是收集到的数据，在这一层被提炼和使用，最终变为有意义的结果。在大量的数据涌入之后，网络中心的服务器第一步要做的是存储，存储如此庞大的数据非常困难，所以群智感知网络的中心服务器都是云服务器。存储之后，由于数据杂乱，为避免将干扰数据投入计算，需要进行数据处理，将干扰数据清洗掉，将空缺数据填补上。最后对数据进行计算、分析和运用。

决策树算法，其所运用的分类标准称为不纯度，说简单一点就是，对一堆事物进行分类，如果按照a条件来分，最后的结果还是一团乱麻，那么a条件所分的类别的不纯度就很低，而按照b条件来分，最后的结果中每一组都是完全相同的一类，那么b条件所分组的不纯度就很高。基于该思想，关于判定不纯度的指标又有三种：信息增益、信息增益率、基尼系数。

随机森林算法，是基于决策树原理之上而又对其进行巨大改良的算法，属于监督学习算法，随机森林可以解决包括分类和回归两类问题。顾名思义，森林是由树木组成，随机森林则是有诸多决策树共同构成，理论上来说，随机森林中决策树的数量越大，整个森林会越强壮，精确性越高。

为了产生森林，则需要先构建出诸多决策树，所取的不纯度标准可以是信息增益，也可以是基尼系数等。当对每棵树都训练完毕进行预测时，对于一个预测对象，森林中的每棵树都会给出自己的答案，最终森林就像投票一样以最多的票数确定该对象的预测结果。随机森林生成之后，还需要进行优化，优化的方式就是将对预测结果没有影响或者影响很小的特征剔除。先从一棵树来看，假设构建树的特征中有一个k1，则将总样本n减去训练集s所构成的样本集合t作为测试集，然后将t中的这个特征值随意改动，然后对比改动前后决策树预测的准确率变化，准确率变化的差值称之为误差率，误差率越大则该特征对于该决策树越重要。由此，可以此对k中每个特征都做如此操作，对比误差率，就可以得出每个特征在本棵决策树中的重要程度。示例性的，可采用计算公式IMP＝1/tree∑tree(i＝1)Otree计算每个特征在本棵决策树中的重要程度(IMP)，其中，tree是该森林中所有包含该特征的决策树数量，Otree是特征在其中一棵树中的重要程度，也就是误差值。进而基于重要程度删除一定数量的特征，例如基于重要程度阈值，将低于该重要程度阈值的特征剔除，或者基于指定的数量，升序排序后，将排在前面的指定数量的特征剔除。每一次剔除会得到一个森林，进而再在这些森林中挑选最优秀的。选择最优秀的森林非常简单，就是用这些森林对套外样本(没有被选作训练集的样本合集)进行预测，预测结果与真实值比较，最后挑选套外误差率最小的作为最终森林。

AdaBoost算法，其所使用的基本思想是迭代，将弱分类器进行结合共同组成一个强分类器。在AdaBoost的处理中中，每一次可以训练出一个弱分类器，并且将此弱分类器代入下一次训练。其中弱分类器是指只能分出两个类别的分类器，也就是二叉树中的一个结点，它只能将事物分为是或否。而AdaBoost算法选择分割点的方法是数据权重，用来寻找一个弱分类器在整个特征上顺序取值进行分类，其中能将两类分得基尼不纯度最低的值。在此基础之上，该弱分类器使用这一值进行分类，所分类结果的误差作为该弱分类器的权重。AdaBoost算法最终的结果和随机森林相似，通过他们内部的每个弱分类器投票来决定，不同于随机森林中的每一棵树的相同票权，，AdaBoost中每个弱分类器的票权不相同，对于分类误差较大的弱分类器，其权值较小，而分类较为精确的则其结果有更大的权重，即权值与分类误差反相关。最后对测试集进行预测的时候，每个弱分类器会给出不同的投票，强分类器会将每个弱分类器的一票与其权重值相乘，最后选择最高票数值的作为结果。

在本发明实施例中，为了实现对城市道路的规划，首选设置及训练用于获取目标区域的各个路段的拥堵程度(道路的通行状况)的预测模型，进而基于路段的拥堵程度获取对城市道路的规划结果，包括：某个路段的道路路面是否拓宽、是否建立交桥，以及是否新建道路等。

虽然市面上已有的几款导航软件，都有道路状况的数据存储，可以用爬虫数据取到。但是路况是一个实时变换的数据，为了保证数据的时效性，最好的选择还是取当前的交通数据计算出实时的拥堵程度(也称为路况系数)。本发明实施例中，基于群智感知的相关数据来实时获取路段的拥堵程度，具体的，所使用的数据可以考虑司机所携带的移动设备(例如手机)的传感器收集得到相关数据。

首先，道路的通行通状况与在当前道路行驶的车辆的行驶状态是有密切联系的，因而本发明实例中，基于车辆的加速度获取道路的通行通状况，因为对于车辆来说，其形式状态相对于路面除了速度之外，还有相对于路面的加速度。在平坦宽松的路面上行驶时，车辆是不会有太大的加速度变化的，可以匀速行驶所以车辆的加速度几乎是处于一个平稳变换的水平，要么直接为0，要么缓慢变化。而在拥堵的道路上，车辆几乎是处于加油与刹车两个状态中，所以加速度的波动频率与幅度都会很大。所以在在本发明实例中，通过获取车辆加速度数据来预测道路的通行状况(拥堵程度)。移动设备中通常都设置有一个加速度传感器——陀螺仪，该加速度传感器可以测得所有方向的加速度，所以可借助于移动设备中的加速度传感器收集感知信息来预测实际的交通状况。

将移动设备固定在车内，利用移动设备测量(x,y,z)三个方向的加速度，就可以得到整体的加速度了，其中z轴加速度表示垂直加速度，y轴加速度表示前进方向的加速度，x轴是横向加速度。

由于获取车辆加速度的移动设备与行驶的车辆毕竟不是一个整体，移动设备的坐标系与车辆的坐标系会出现偏差，所以需要对该偏差进行修正。移动设备和车辆的加速度坐标系都是相对他们自身的坐标系，所以还要考虑移动设备姿态的问题，把移动设备的坐标系换成对车辆的坐标系。

由于旋转角每秒都在变^]，移动设备无法固定死，车辆颠一下旋转角就会变一下，为了解决该问题，本发明实施例中，考虑了下述三种方案：

1)默认移动设备水平，此方案最简单，因而最容易实现，但误差最大。

2)将移动设备尽量固定于车辆，并得出静止状态下两个坐标系的旋转角，默认在行驶过程中二者相对位置不变，该方案是对方案1的改进，可以克服一定的误差，却还是无法测量到最准确的数据。

3)取移动设备的状态，实时坐标转换。

利用水平仪得出每个时间点上移动设备与地面坐标系的旋转角，实时地进行坐标转换，从而就可以准确地将移动设备所测量得到的加速度转变为车辆真正的加速度。

在三维空间中，如果两个坐标系存在角度旋转的偏差，修正方式可以采用三种方式：第一种是旋转矩阵和旋转向量；第二种是欧拉角；第三种是四元数。而本发明具体实施方式中，优选的修正方式为：旋转矩阵。

假设从移动设备坐标系的z轴开始旋转，与车辆x轴重合之后再旋转y轴，最后x轴，最终得到车辆坐标系，定义绕x轴的旋转角为α，绕y轴的旋转角为β，绕z轴的旋转角为θ，则分别绕x、y和z方向选择矩阵分别为：

(1)x方向的旋转矩阵为：

(2)y方向的旋转矩阵为：

(3)z方向的旋转矩阵为：

结合上述三个方向的旋转矩阵，得到手机坐标系到车辆坐标系的旋转矩阵为：

假设现有移动设备坐标系上测得的三个方向的加速度：x方向为Vx，y方向为Vy，z方向为Vz。则车辆坐标系中三个方向的加速度分别为：Vx’,Vy’,Vz’，且满足：

Vx’＝cos(β)cos(θ)Vx+cos(β)sin(θ)Vy-sin(β)Vz

Vy’＝[-cos(α)sin(θ)+sin(α)sin(β)cos(θ)]Vx+

[cos(α)cos(θ)+sin(α)sin(β)sin(θ)]Vy+sin(α)cos(β)Vz

Vz’＝[sin(α)sin(β)+cos(α)sin(β)cos(θ)]Vx+

[-sin(α)cos(θ)+cos(α)sin(β)sin(θ)]Vy+cos(α)cos(β)Vz

因而，本发明实例中，可以基于移动设备的当前加速度，获得车辆的当前加速度。

在拥有了车辆的加速度数据之后，则可以使用该加速度数据来预测该车辆所在道路的拥堵程度。在一条道路上的车辆数量众多并且每秒能反馈数十条数据，对这样大量的数据进行预测分析，本发明实施中可以选择多个预测模型，例如基于决策树的预测模型，基于随机森林的预测模型，基于AdaBoost的预测模型等。首先选取一定量的数据作为训练集，将xyz三个方向的加速度作为特征，拥堵程度作为标签，对模型进行训练，训练好的模型就可以进行实时的道路拥堵程度预测，即输出当前待预测道路的道路拥堵程度值。在对道路拥堵程度的量化处理时，将拥堵程度划分多个等级，并为每个等级设置一个道路拥堵程度值，取值越大，表示拥堵程度越。例如设置为七个等级，并定义数字0-6表示不同等级的道路拥堵程度值。

在一种可能的实现方式中，本发明实施例提供了一种基于群智感知的城市道路规划方法，包括：

步骤1：设置及训练道路拥堵程度预测模型，该预测模型的训练数据包括不同道路的拥堵程度标签、各条道路上行驶的车辆上的移动设备的加速度数据，预测模型的输出为路段的预测模型的；

对训练数据进行预处理，获取车辆的加速度数据，即对各移动设备的加速度数据进行坐标旋转处理，得到车辆的加速度数据；

基于预处理后的训练数据对预测模型进行学习训练，得到训练好的预测模型，即路段拥堵预测模型；

步骤2：服务器基于路段拥堵预测模型进行道路规划处理，包括：目标路段的路面拓宽、目标路段的立交桥建立和/或以及目标区域的新建道路：

其中，目标路段的路面拓宽包括：

获取目标路段上的车辆加速度数据：目标路段上的车辆的移动设备向服务器上传实时采集的加速度数据，服务器对该加速度数据进行坐标旋转处理，得到目标路段上的车辆加速度数据；

服务器将目标路段上的车辆加速度数据输入路段拥堵预测模型，得到目标路段的道路拥堵程度值；并检测目标路段的道路拥堵程度值是否达到拓宽阈值(即大于或等于拓宽阈值)，若是，则目标路段需要进行路面拓宽，否则，目标路段不需要进行路面拓宽；

目标路段的立交桥建立包括：

服务器将目标路段的邻接路段作为第一检测路段，并获取第一检测路段的车辆加速度数据：第一检测路段上的车辆的移动设备上传实时采集的加速度数据，服务器对该加速度数据进行坐标旋转处理，得到第一检测路段上的车辆加速度数据；服务器将各第一检测路段上的车辆加速度数据输入路段拥堵预测模型，得到各第一检测路段的道路拥堵程度值，将所有第一检测路段的道路拥堵程度值的均值作为目标路段的立交桥建立度量值，并检测该目标路段的立交桥建立度量值是否达到立交桥建立阈值(即大于或等于立交桥建立阈值)，若是，则表示目标路段需要建立立交桥，否则，目标路段不需要建立立交桥；

目标区域的新建道路包括：

以目标区域内的所有道路的端点得到目标区域节点集，基于目标区域内的已有路段和目标区域节点集得到目标区域的路网拓扑图，并将一段时期内的平均道路拥堵程度值作为路段权系数，路段权系数与路段长度的乘积作为各条路段所对应的边的权值，得到第一带权有向路网拓扑图；对所述第一带权有向路网拓扑图中的未存在边的节点对，将地理位置可达的节点对作为候选路段；

遍历所有候选路段，检测各候选路段是否为新建路段：

获取当前候选路段的路段长度；

获取当前候选路段的道路拥堵程度值：在第一带权有向路网拓扑图中，将当前候选路段的邻接路段的路段权系数的均值作为当前候选路段的路段权系数，将路段系数与当前候选路段的路段长度(位置距离)作为当前候选路段所对应的边的权值并加入第一带权有向路网拓扑图中，得到第二带权有向路网拓扑图；

将目标区域节点集中距离当前候选路段和/或距离当前候选路段的端点节点指定距离范围内的节点作为检测节点，得到检测节点集；

将检测节点集中的任意两个节点对作为起始和目标节点对，基于第二带权有向路网拓扑图对所有起始和目标节点对进行最短路径查询，得到每个起始和目标节点对的最短路径查询结果，若包括当前候选路段的最短路径查询结果占比达到指定阈值(大于或等于指定阈值)，则当前候选路段为新建路段。

本发明实施例采用群智感知技术对路面的交通状态进行实时监测，实时获取路段的拥堵程度，避免了固定检测器的安装和维护，减少了监测成本，同时大大增强了监测的灵活性。本发明根据移动设备的状态，实时坐标转换，从而可以较为准确的获得移动设备的当前加速度，并计算当前车辆的当前加速度，保证了监测的实时性。本发明将间接邻接路段、指定距离范围内且与目标路段存在可达路径的路段加入检测，可以大幅降低路面规划的成本，优先保证对现有路段的利用。同时，本发明对道路的规划处理结果进行图形输出，使相应决策更加直观有效，更好的完成辅助道路规划决策的任务，降低应用的使用门槛。

在一种可能的实现方式中，本发明实施例中提供的道路拥堵程度预测模型包括决策树预测模型、随机森林预测模型和AdaBoost预测模型，并将训练好的三个预测模型中预测准确率(基于训练数据获得的预测准确率)最高的作为路段拥堵预测模型。

当然，也可以将三个都作为路段拥堵预测模型，并按照预测准确率设置各模型的权重，基于三个预测模型的预测结果的加权平均得到最终的道路拥堵程度值的预测值。

需要说明的是，本发明实施例中，随机森林预测模型的输入特征就是所转换得到的车辆加速度数据，此处并不涉及对特征的筛选处理。

在一种可能的实现方式中，所述第一检测路段还可以包括与目标路段间隔至少一条路段的间接邻接路段，例如，间隔一条路段，即目标路段的邻接路段的邻接路段，多条，则依次类推。亦或是距离目标路段指定距离范围内且与目标路段存在可达路径的路段。进而更一进步获取第一检测路段。

在一种可能的实现方式中，检测节点也可以设置为：候选路段的各邻接路段的端节点，以及候选模锻的各间接邻接路段的端节点。

在一种可能的实现方式中，最短路径查询可以采用Dijkstra算法实现。

在一种可能的实现方式中，本发明还包括对道路规划处理的处理结果(规划方案)进行图形输出，以便于用户更直观的获取规划结果。例如在城市的道路路网中，对于需要拓宽的路段进行标注显示，对于需要建立立交桥的目标路段进行标注显示，对于目标区域的新建道路进行标注显示。

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

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (7)

1.一种基于群智感知的城市道路规划方法，其特征在于，包括：

步骤1：设置及训练道路拥堵程度预测模型，所述预测模型的训练数据包括不同道路的拥堵程度标签、各条道路上行驶的车辆上的移动设备的加速度数据，预测模型的输出为路段的道路拥堵程度值；

对训练数据进行预处理：对训练数据中的移动设备的加速度数据进行坐标旋转处理，得到车辆的加速度数据；

基于预处理后的训练数据对预测模型进行学习训练，得到训练好的预测模型，即路段拥堵预测模型；

步骤2：服务器基于路段拥堵预测模型进行道路规划处理，包括：目标路段的路面拓宽、目标路段的立交桥建立和/或以及目标区域的新建道路：

其中，目标路段的路面拓宽包括：

获取目标路段上的车辆加速度数据：目标路段上的车辆的移动设备向服务器上传实时采集的加速度数据，服务器对该加速度数据进行坐标旋转处理，得到目标路段上的车辆加速度数据；

服务器将目标路段上的车辆加速度数据输入路段拥堵预测模型，得到目标路段的道路拥堵程度值；并将道路拥堵程度值达到拓宽阈值的目标路段作为路面拓宽的目标路段；

服务器将目标路段的邻接路段作为第一检测路段，并获取第一检测路段的车辆加速度数据：第一检测路段上的车辆的移动设备上传实时采集的加速度数据，服务器对该加速度数据进行坐标旋转处理，得到第一检测路段上的车辆加速度数据；服务器将各第一检测路段上的车辆加速度数据输入路段拥堵预测模型，得到各第一检测路段的道路拥堵程度值，将所有第一检测路段的道路拥堵程度值的均值作为目标路段的立交桥建立度量值，并将立交桥建立度量值达到立交桥建立阈值的目标路段作为待建立立交桥的目标路段；

目标区域的新建道路包括：

以目标区域内的所有道路的端点得到目标区域节点集，基于目标区域内的已有路段和目标区域节点集得到目标区域的路网拓扑图，并将一段时期内的平均道路拥堵程度值作为路段权系数，路段权系数与路段长度的乘积作为各条路段所对应的边的权值，得到第一带权有向路网拓扑图；对所述第一带权有向路网拓扑图中的未存在边的节点对，将地理位置可达的节点对作为候选路段；

遍历所有候选路段，检测候选路段中的新建路段：

获取当前候选路段的路段长度；

获取当前候选路段的道路拥堵程度值：在第一带权有向路网拓扑图中，将当前候选路段的邻接路段的路段权系数的均值作为当前候选路段的路段权系数，将路段系数与当前候选路段的路段长度作为当前候选路段所对应的边的权值并加入第一带权有向路网拓扑图中，得到第二带权有向路网拓扑图；

将目标区域节点集中距离当前候选路段和/或距离当前候选路段的端点节点指定距离范围内的节点作为检测节点，得到检测节点集；

将检测节点集中的任意两个节点对作为起始和目标节点对，基于第二带权有向路网拓扑图对所有起始和目标节点对进行最短路径查询，得到每个起始和目标节点对的最短路径查询结果，若包括当前候选路段的最短路径查询结果占比达到指定阈值，则当前候选路段为新建路段。

2.如权利要求1所述的方法，其特征在于，所述道路拥堵程度预测模型包括决策树预测模型、随机森林预测模型和AdaBoost预测模型，并将训练好的三个预测模型中预测准确率最高的作为路段拥堵预测模型。

3.如权利要求1所述的方法，其特征在于，所述道路拥堵程度预测模型包括决策树预测模型、随机森林预测模型和AdaBoost预测模型，并按照预测准确率设置各预测模型的权重，基于三个预测模型的预测结果的加权平均得到最终的道路拥堵程度值的预测值。

4.如权利要求1至3任一项所述的方法，其特征在于，所述第一检测路段还可以包括与目标路段间隔至少一条路段的间接邻接路段。

5.如权利要求1至3任一项所述的方法，其特征在于，所述第一检测路段还可以包括距离目标路段指定距离范围内且与目标路段存在可达路径的路段。

6.如权利要求1至3任一项所述的方法，其特征在于，将所述检测节点还包括：候选路段的各邻接路段的端节点，以及候选路段的各间接邻接路段的端节点。

7.如权利要求1，其特征在于，本发明还包括：对道路规划处理的处理结果进行图形输出。