CN114093171B - 基于多源数据融合的交通运行状态监测方法及装置 - Google Patents

基于多源数据融合的交通运行状态监测方法及装置 Download PDF

Info

Publication number
CN114093171B
CN114093171B CN202210069231.2A CN202210069231A CN114093171B CN 114093171 B CN114093171 B CN 114093171B CN 202210069231 A CN202210069231 A CN 202210069231A CN 114093171 B CN114093171 B CN 114093171B
Authority
CN
China
Prior art keywords
data source
source type
data
current period
average
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
CN202210069231.2A
Other languages
English (en)
Other versions
CN114093171A (zh
Inventor
姜伟浩
叶赛敏
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN202210069231.2A priority Critical patent/CN114093171B/zh
Publication of CN114093171A publication Critical patent/CN114093171A/zh
Application granted granted Critical
Publication of CN114093171B publication Critical patent/CN114093171B/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
    • G08G1/01—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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例提供了一种基于多源数据融合的交通运行状态监测方法及装置，方法包括：获取待检测路段多个车辆在当前周期至少两种数据源类型的交通初始数据；针对每一数据源类型，基于当前周期交通初始数据确定观测平均速度，根据当前周期交通初始数据的平均延时及平均缺失率，确定数据质量影响系数，根据上一周期平均速度估计值及平均速度估计方差，确定当前周期速度预测值及速度预测方差，根据当前周期速度预测值、速度预测方差、观测平均速度及数据质量影响系数，确定平均速度估计值及平均速度估计方差；对不同数据源类型平均速度估计值及平均速度估计方差融合得到车辆融合速度，确定当前周期交通运行状态，提高交通运行状态监测结果的准确度。

Description

基于多源数据融合的交通运行状态监测方法及装置
技术领域
本申请涉及智能交通技术领域，特别是涉及一种基于多源数据融合的交通运行状态监测方法及装置。
背景技术
在交通领域，无论是路径规划还是交通管控调度等，均越来越依赖交通运行状态信息，比如实时路况、交通事件、禁行或限行信息等。如何对交通运行状态进行监测或预测，以便于及时、准确的发现道路上存在的交通拥堵等运行状态，成为了智能交通领域亟待解决的问题。
相关技术中，在多源数据融合的交通运行状态预测中，通过浮动车技术或收费卡口等获取道路上移动车辆的速度信息，以及通过固定型检测器比如红外检测器、雷达检测器等，对指定断面上运行的车辆速度信息进行监测。进一步，基于获取的浮动车速度信息，利用预训练的神经网络模型预测道路区间交通运行状态，以及基于固定型检测器监测的车辆速度信息和预先设置的速度阈值，确定道路断面交通运行状态，示例性的，该交通运行状态可以使用车辆速度信息表示。再分别根据浮动车和固定型检测器监测的车辆样本数量，确定区间交通运行状态对应的权重系数以及断面交通运行状态对应的权重系数，或者直接设置区间交通运行状态对应的权重系数以及断面交通运行状态对应的权重系数。最后，根据区间交通运行状态、断面交通运行状态以及各自对应的权重系数，加权平均融合得到最终的融合道路交通运行状态，如图1所示。其中，预训练的神经网络模型是根据样本浮动车速度信息以及对应的真值区间交通运行状态训练得到的，预先设置的速度阈值是根据经验值设置的。
上述多源数据融合的交通运行状态预测中，在进行数据融合，即融合区间交通运行状态和断面交通运行状态时，分别将各自对应的车辆样本数量占总样本数量的比例确定为加权系数，而实际应用中，因交通环境复杂，不同数据源样本的均衡性不能得到保证，样本数量的多少与对应的交通运行状态并没有强相关性，可能存在样本数量多但交通运行状态预测误差大，或者样本数量少但交通运行状态预测误差小的情况，使得基于样本量加权融合多源数据预测的交通运行状态结果准确度不高。
发明内容
本申请实施例的目的在于提供一种基于多源数据融合的交通运行状态监测方法及装置，以提高交通运行状态监测结果的准确度。具体技术方案如下：
第一方面，本申请实施例提供了一种基于多源数据融合的交通运行状态监测方法，所述方法包括：
针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据；
针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度；
针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数；
针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差；
针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差；
对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度；
根据所述待检测路段在当前周期中的车辆融合速度，确定所述待检测路段在当前周期中的交通运行状态。
可选的，所述至少两种数据源类型包括视频车检类型及GPS类型；针对任一车辆，该车辆的视频车检类型的交通初始数据包括检测到该车辆的两个视频检测点之间的距离及所述两个视频检测点各自检测到该车辆的时刻；针对任一车辆，该车辆的GPS类型的交通初始数据包括该车辆在指定时刻的位置。
可选的，所述方法还包括：
针对每一种数据源类型，获取当前周期中该数据源类型下各车辆对应的、采集交通初始数据的数据采集时间及接收到交通初始数据的数据接收时间；
所述针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数，包括：
针对每一种数据源类型，根据当前周期中该数据源类型下各车辆对应的数据采集时间及数据接收时间，计算当前周期中该数据源类型下各车辆对应的数据传输时延，以及当前周期中该数据源类型下所有车辆数据传输时延的平均值，并基于所述平均值确定当前周期中该数据源类型的交通初始数据的平均延时；
根据历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率；
根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数。
可选的，所述根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数，包括：
利用如下表达式，计算当前周期中该数据源类型的数据质量影响系数：
Figure 337933DEST_PATH_IMAGE001
其中，
Figure 51811DEST_PATH_IMAGE002
表示当前周期，
Figure 629552DEST_PATH_IMAGE003
表示当前周期中第
Figure 555920DEST_PATH_IMAGE004
个数据源类型的数据质量影响系数，
Figure 104713DEST_PATH_IMAGE005
表示当前周期中第
Figure 458334DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均延时，
Figure 522105DEST_PATH_IMAGE006
表示当前周期中第
Figure 2896DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均缺失率。
可选的，所述针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差，包括：
针对每一种数据源类型，获取上一周期中该数据源类型下的平均速度估计值及平均速度估计方差；
利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值；
利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差。
可选的，所述利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值，包括：
利用如下表达式，计算当前周期中该数据源类型的速度预测值：
Figure 202933DEST_PATH_IMAGE007
所述利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差，包括：
利用如下表达式，计算当前周期中该数据源类型的速度预测方差：
Figure 727455DEST_PATH_IMAGE008
Figure 12943DEST_PATH_IMAGE002
表示当前周期，
Figure 530381DEST_PATH_IMAGE009
表示上一周期，
Figure 584925DEST_PATH_IMAGE010
表示当前周期中第
Figure 545927DEST_PATH_IMAGE004
个数据源类型的速度预测值，
Figure 318711DEST_PATH_IMAGE011
表示上一周期中第
Figure 406884DEST_PATH_IMAGE004
个数据源类型下的平均速度估计值，
Figure 581514DEST_PATH_IMAGE012
表示上一周期中第
Figure 447838DEST_PATH_IMAGE004
个数据源类型下的平均速度估计方差，
Figure 957186DEST_PATH_IMAGE013
表示当前周期中第
Figure 567159DEST_PATH_IMAGE004
个数据源类型的速度预测方差，
Figure 799557DEST_PATH_IMAGE014
表示预测转化函数，
Figure 102363DEST_PATH_IMAGE015
表示预测过程误差的方差，
Figure 849739DEST_PATH_IMAGE016
表示
Figure 14135DEST_PATH_IMAGE014
的转置。
可选的，所述针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，包括：
针对每一种数据源类型，利用如下表达式，计算当前周期中该数据源类型下的平均速度估计值及平均速度估计方差：
Figure 897777DEST_PATH_IMAGE017
Figure 371484DEST_PATH_IMAGE018
Figure 340577DEST_PATH_IMAGE019
Figure 541620DEST_PATH_IMAGE002
表示当前周期，
Figure 545348DEST_PATH_IMAGE009
表示上一周期，
Figure 189956DEST_PATH_IMAGE020
表示当前周期中第
Figure 646345DEST_PATH_IMAGE004
个数据源类型的增益函数，
Figure 152544DEST_PATH_IMAGE013
表示当前周期中第
Figure 745199DEST_PATH_IMAGE004
个数据源类型的速度预测方差，
Figure 295129DEST_PATH_IMAGE021
表示观测转化函数，
Figure 238815DEST_PATH_IMAGE022
表示
Figure 849837DEST_PATH_IMAGE021
的转置，
Figure 562578DEST_PATH_IMAGE003
表示当前周期中第
Figure 486671DEST_PATH_IMAGE004
个数据源类型的数据质量影响系数，
Figure 917653DEST_PATH_IMAGE023
表示观测值误差的方差，
Figure 31233DEST_PATH_IMAGE024
表示当前周期中第
Figure 864060DEST_PATH_IMAGE004
个数据源类型下的平均速度估计值，
Figure 755793DEST_PATH_IMAGE010
表示当前周期中第
Figure 877333DEST_PATH_IMAGE004
个数据源类型的速度预测值，
Figure 778292DEST_PATH_IMAGE025
表示当前周期中第
Figure 449314DEST_PATH_IMAGE004
个数据源类型下的观测平均速度，
Figure 777527DEST_PATH_IMAGE026
表示当前周期中第
Figure 917522DEST_PATH_IMAGE004
个数据源类型下的平均速度估计方差，
Figure 622172DEST_PATH_IMAGE027
表示单位矩阵。
可选的，所述对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度，包括：
利用如下表达式，对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合：
Figure 914745DEST_PATH_IMAGE028
其中，
Figure 413859DEST_PATH_IMAGE002
表示当前周期，
Figure 41149DEST_PATH_IMAGE029
表示待检测路段在当前周期中的车辆融合速度，
Figure 283912DEST_PATH_IMAGE030
表示当前周期中第一个数据源类型下的平均速度估计方差，
Figure 726263DEST_PATH_IMAGE031
表示当前周期中第二个数据源类型下的平均速度估计方差，
Figure 396279DEST_PATH_IMAGE032
表示当前周期中第一个数据源类型下的平均速度估计值，
Figure 245287DEST_PATH_IMAGE033
当前周期中第二个数据源类型下的平均速度估计值。
第二方面，本发明实施例提供了一种基于多源数据融合的交通运行状态监测装置，包括：
交通数据获取模块，用于针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据；
第一速度确定模块，用于针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度；
影响系数确定模块，用于针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数；
第二速度确定模块，用于针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差；
第三速度确定模块，用于针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差；
多源速度融合模块，用于对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度；
交通状态确定模块，用于根据所述待检测路段在当前周期中的车辆融合速度，确定所述待检测路段在当前周期中的交通运行状态。
第三方面，本申请实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一所述的方法步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一所述的方法步骤。
本申请实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一所述的方法步骤。
本申请实施例有益效果：
本申请实施例提供的一种基于多源数据融合的交通运行状态监测方法及装置，由于当前周期中数据源类型的数据质量影响系数，是根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率确定的，使得该数据质量影响系数能够表征当前周期中各数据源类型的交通初始数据存在数据质量问题的程度，该数据质量影响系数对各数据源类型下的交通初始数据的精度起到了重要的影响作用，进而针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，进一步对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，使得融合得到的待检测路段在当前周期中的车辆融合速度更为准确，提高了交通运行状态监测结果的准确度。
当然，实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为相关技术中多源数据融合的交通运行状态预测示意图；
图2为本申请实施例的一种基于多源数据融合的交通运行状态监测方法的流程示意图；
图3为本申请实施例的一种视频车检类型下车辆监测示意图；
图4为本申请实施例的一种GPS类型下车辆监测示意图；
图5为本申请实施例的一种确定数据质量影响系数的实施方式示意图；
图6为本申请实施例的一种多源数据融合的交通运行状态监测示意图；
图7为本申请实施例的一种基于多源数据融合的交通运行状态监测装置的结构示意图；
图8为本申请实施例的一种电子设备的结构示意图。
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，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本申请保护的范围。
首先，对本申请中的术语进行解释：
数据质量：指数据从计划、获取、存储、共享、维护、应用、消亡生命周期的每个阶段里可能引发的各类数据质量问题。本申请实施例中，数据质量，主要指传感器检测数据获取和传输过程中容易产生的延迟、丢失等问题。
Modify-KF（Modify Kalman Filtering，改进的卡尔曼滤波 ）模型：是一种嵌入了数据质量影响系数的卡尔曼滤波优化模型。
多源信息：指多传感器网络系统中，由电警、卡口、线圈、雷达、视频、GPS（GlobalPositioning System，全球定位系统）等各种各样的传感器交汇、融合，种类繁多，关系复杂的信息源。
交通运行状态：道路或道路网交通运行的畅通与拥堵状态。
为了提高交通运行状态监测结果的准确度，本申请实施例提供了一种基于多源数据融合的交通运行状态监测方法，包括：
针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据；
针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度；
针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数；
针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差；
针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差；
对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度；
根据所述待检测路段在当前周期中的车辆融合速度，确定所述待检测路段在当前周期中的交通运行状态。
本申请实施例提供的一种基于多源数据融合的交通运行状态监测方法，由于当前周期中数据源类型的数据质量影响系数，是根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率确定的，使得该数据质量影响系数能够表征当前周期中各数据源类型的交通初始数据存在数据质量问题的程度，该数据质量影响系数对各数据源类型下的交通初始数据的精度起到了重要的影响作用，进而针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，进一步对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，使得融合得到的待检测路段在当前周期中的车辆融合速度更为准确，提高了交通运行状态监测结果的准确度。
下面通过具体实施例对本申请提供的基于多源数据融合的交通运行状态监测方法进行详细说明。
本申请实施例提供的基于多源数据融合的交通运行状态监测方法可以应用于电子设备，如终端、服务器等。
参见图2，本申请实施例提供的一种基于多源数据融合的交通运行状态监测方法，包括：
S201，针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据。
针对待检测路段，可以设置统计周期，该统计周期例如可以是1分钟、5分钟或10分钟等，进而获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据。
此处的数据源类型可以是多源信息中任一信息源类型，例如视频车检类型、GPS类型、收费卡口类型、线圈车检类型等，其中，收费卡口类型是指在车辆收费卡口处采集的数据类型、线圈车检类型是指通过路上设置的车辆计数线圈所检测到的数据类型。
在一种可能的实施方式中，上述至少两种数据源类型可以包括视频车检类型及GPS类型，即通过视频车辆检测器以及GPS监测待检测路段上当前周期内车辆的运行信息，本申请实施例中，以车辆的运行信息为速度信息为例进行说明。
针对任一车辆，该车辆的视频车检类型的交通初始数据可以包括检测到该车辆的两个视频检测点之间的距离及两个视频检测点各自检测到该车辆的时刻；针对任一车辆，该车辆的GPS类型的交通初始数据可以包括该车辆在指定时刻的位置。一个例子中，指定时刻，可以与两个视频检测点各自检测到车辆的时刻相同。
S202，针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度。
以至少两种数据源类型包括视频车检类型及GPS类型为例进行说明，在数据源类型为视频车检类型时，可以针对当前周期中该数据源类型下检测到的每一车辆，根据该车辆在两个视频检测点之间的距离，以及该车辆在两个视频检测点各自检测到时刻，计算距离与时刻之差倒数的乘积，得到当前周期中该车辆在该数据源类型下的速度。两个视频检测点可以是相邻的视频检测点，也可以是不相邻的视频检测点。
视频车辆检测器可以获取每辆车经过路段截面的识别信息，该识别信息可以包括车辆经过不同截面的时刻以及截面的位置信息，如车辆经过截面1的时刻
Figure 776893DEST_PATH_IMAGE034
，该车辆经过截面2的时刻
Figure 558904DEST_PATH_IMAGE035
等。示例性的，如图3所示，视频车辆检测器能够检测到从B路口到A路口方向的车辆，在B路口有从F1、F2和F3三个方向汇入的车辆，B1和B2为两个视频检测点（即两个截面），可以检测到任一车辆通过两个视频检测点之间的距离，以及两个视频检测点各自检测到该车辆通过的时刻，进而根据距离、时间差与速度之间的关系，计算得到在当前周期中该车辆在该数据源类型下的速度。
在数据源类型为GPS类型时，可以针对当前周期中该数据源类型下检测到的每一车辆，根据该车辆在指定时刻的位置，比如GPS采集的相邻轨迹点的位置，以及该车辆连续通过相邻轨迹点时对应的时刻，进而，基于相邻轨迹点之间的距离，以及该车辆通过相邻轨迹点对应的时间差，计算得到当前周期中该车辆在该数据源类型下的速度。其中，车辆在指定时刻的位置对应的轨迹点也可以是不相邻的。
对于GPS类型的数据源而言，车辆上装载有GPS定位装置，可以采集车辆的轨迹点信息，该轨迹点信息可以包括车辆经过不同轨迹点的时刻以及对应的位置信息，如车辆经过位置1的时刻
Figure 399821DEST_PATH_IMAGE034
，该车辆经过位置2的时刻
Figure 204966DEST_PATH_IMAGE035
等。示例性的，如图4所示，针对待检测路段上行驶的任一车辆，GPS能够检测到该车辆行驶过程中经过相邻轨迹点时对应的时刻
Figure 789531DEST_PATH_IMAGE034
，
Figure 675317DEST_PATH_IMAGE035
，进而可以根据该相邻轨迹点之间的距离，以及该车辆经过该相邻轨迹点时对应的时间差，计算当前周期中该车辆在该数据源类型下的速度。
进一步，可以将当前周期中该数据源类型下所有车辆速度的平均值，确定为当前周期中车辆在该数据源类型下的观测平均速度。
示例性的，可以使用如下表达式，计算当前周期中车辆在该数据源类型下的观测平均速度：
Figure 687135DEST_PATH_IMAGE036
其中，
Figure 510735DEST_PATH_IMAGE002
表示当前周期，
Figure 898991DEST_PATH_IMAGE025
表示当前周期中第
Figure 875168DEST_PATH_IMAGE004
个数据源类型下的观测平均速度，
Figure 57888DEST_PATH_IMAGE037
表示当前周期中该数据源类型下车辆的数量，
Figure 634363DEST_PATH_IMAGE038
表示当前周期中该数据源类型下第
Figure 560730DEST_PATH_IMAGE038
辆车，
Figure 884090DEST_PATH_IMAGE039
表示车辆经过两个检测点或两个轨迹点之间的时间差，
Figure 503290DEST_PATH_IMAGE040
表示两个检测点或两个轨迹点之间的距离，
Figure 35903DEST_PATH_IMAGE035
对应的时刻在
Figure 765961DEST_PATH_IMAGE034
对应的时刻之后。
参见图2，S203，针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数。
本申请实施例中，以数据质量包含数据获取及传输过程中产生的时延和丢包为例进行说明，当然，实际应用中并不仅限于此。不同数据源类型的交通初始数据的获取以及传输可能存在一定的数据传输时延以及数据丢包等问题，使得不同数据源类型的数据质量影响系数不同。
针对每一种数据源类型，可以获取当前周期中该数据源类型的交通初始数据在传输过程中的平均延时，以及在数据获取过程中的平均缺失率，进而根据平均延时及平均缺失率，计算当前周期中该数据源类型的数据质量影响系数，该数据质量影响系数能够表征当前周期该数据源下的交通初始数据存在数据质量问题的程度。其中，数据质量越高，从数据源中提炼的速度等结果越准确，数据质量越低，从数据源中提炼的速度等结果越不准确。
一个例子中，可以将平均延时与平均缺失率的累加和，或均值，或加权和等，确定为当前周期中该数据源类型的数据质量影响系数，当然，本申请实施例并不对此进行限定。
S204，针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差。
在当前周期为第一个周期时，并不存在上一周期的数据，因此可以根据经验对第一个周期的上一周期中该数据源类型下的平均速度估计值及平均速度估计方差赋初值，在当前周期不为第一个周期时，可以根据当前周期中该数据源类型下的平均速度估计值的确定方式，确定上一周期中该数据源类型下的平均速度估计值及平均速度估计方差。一个例子中，可以通过深度学习模型来由上一周期的平均速度估计值、平均速度估计方差预测得到当前周期的平均速度估计值、平均速度估计方差；此处的深度学习模型可以通过现有技术得到，此处不再赘述。
在一种可能的实施方式中，针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差，可以包括：
针对每一种数据源类型，获取上一周期中该数据源类型下的平均速度估计值及平均速度估计方差。
利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值；以及利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差。
其中，预设的预测转换函数以及预设的预测转换函数，可以根据实际需求进行设置。
在一种可能的实施方式中，上述利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值，可以包括：
利用如下表达式，计算当前周期中该数据源类型的速度预测值：
Figure 247889DEST_PATH_IMAGE041
上述利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差，可以包括：
利用如下表达式，计算当前周期中该数据源类型的速度预测方差：
Figure 772411DEST_PATH_IMAGE008
其中，
Figure 323479DEST_PATH_IMAGE002
表示当前周期，
Figure 840916DEST_PATH_IMAGE009
表示上一周期，
Figure 98722DEST_PATH_IMAGE010
表示当前周期中第
Figure 59725DEST_PATH_IMAGE004
个数据源类型的速度预测值，
Figure 566930DEST_PATH_IMAGE011
表示上一周期中第
Figure 638791DEST_PATH_IMAGE004
个数据源类型下的平均速度估计值，
Figure 564153DEST_PATH_IMAGE012
表示上一周期中第
Figure 430478DEST_PATH_IMAGE004
个数据源类型下的平均速度估计方差，
Figure 956137DEST_PATH_IMAGE013
表示当前周期中第
Figure 566110DEST_PATH_IMAGE004
个数据源类型的速度预测方差，
Figure 578934DEST_PATH_IMAGE014
表示预测转化函数，
Figure 881739DEST_PATH_IMAGE015
表示预测过程误差的方差，
Figure 629116DEST_PATH_IMAGE016
表示
Figure 42779DEST_PATH_IMAGE014
的转置。
A为预测转化函数，可以根据实际情况自定义设置，一个例子中，预测转化函数可以由深度学习模型得到，深度学习模型可以通过样本平均速度估计值训练得到，例如，可以将第m个周期的样本平均速度估计值输入到深度学习模型中，得到第m+1个周期的预测平均速度估计值；根据第m+1个周期的预测平均速度估计值及第m+1个周期的样本平均速度估计值，计算得到深度学习模型的损失；按照深度学习模型的损失调整深度学习模型的参数；选取样本数据继续训练，直至损失收敛，得到训练好的深度学习模型。
参见图2，S205，针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差。
在一种可能的实施方式中，可以针对每一种数据源类型，利用改进的卡尔曼滤波算法等，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差。
S206，对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到待检测路段在当前周期中的车辆融合速度。
在一种可能的实施方式中，对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到待检测路段在当前周期中的车辆融合速度可以包括：以各平均速度估计方差为权重，将当前周期中各数据源类型下的平均速度估计值及平均速度估计方差的加权平均值，确定为待检测路段在当前周期中的车辆融合速度等。
S207，根据待检测路段在当前周期中的车辆融合速度，确定待检测路段在当前周期中的交通运行状态。
本申请实施例中，可以根据待检测路段在当前周期中的车辆融合速度，与预设速度阈值，或预设速度区间之间的大小关系，确定待检测路段在当前周期中的交通运行状态。其中，预设速度阈值以及预设速度区间可根据实际需求进行设置。
在一种可能的实施方式中，可以将待检测路段在当前周期中的车辆融合速度，与预设速度区间取值范围与交通运行状态对照表进行匹配，将匹配的交通运行状态确定为待检测路段在当前周期中的交通运行状态。示例性的，预设速度区间取值范围与交通运行状态对照表如下表1所示：
表1 预设速度区间取值范围与交通运行状态对照表
Figure 677154DEST_PATH_IMAGE042
本申请实施例提供的一种基于多源数据融合的交通运行状态监测方法，由于当前周期中数据源类型的数据质量影响系数，是根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率确定的，使得该数据质量影响系数能够表征当前周期中各数据源类型的交通初始数据存在数据质量问题的程度，该数据质量影响系数对各数据源类型下的交通初始数据的精度起到了重要的影响作用，进而针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，进一步对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，使得融合得到的待检测路段在当前周期中的车辆融合速度更为准确，提高了交通运行状态监测结果的准确度。
不同数据源类型的交通初始数据的获取以及传输可能存在一定的数据传输时延以及数据丢包等问题，在一种可能的实施方式中，本申请实施例还可以针对每一种数据源类型，获取当前周期中该数据源类型下各车辆对应的、采集交通初始数据的数据采集时间及接收到交通初始数据的数据接收时间。
相应的，参见图5，上述步骤S203，针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数，可以包括：
S501，针对每一种数据源类型，根据当前周期中该数据源类型下各车辆对应的数据采集时间及数据接收时间，计算当前周期中该数据源类型下各车辆对应的数据传输时延，以及当前周期中该数据源类型下所有车辆数据传输时延的平均值，并基于平均值确定当前周期中该数据源类型的交通初始数据的平均延时。
示例性的，可以利用如下表达式，计算当前周期中该数据源类型的交通初始数据的平均延时：
Figure 150861DEST_PATH_IMAGE043
Figure 119954DEST_PATH_IMAGE044
其中，
Figure 71729DEST_PATH_IMAGE045
表示当前周期，
Figure 278720DEST_PATH_IMAGE046
表示当前周期中第
Figure 907016DEST_PATH_IMAGE004
个数据源类型下所有车辆数据传输时延的平均值，
Figure 628985DEST_PATH_IMAGE047
表示允许的最大时延，
Figure 384451DEST_PATH_IMAGE048
表示当前周期中第
Figure 242685DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均延时，
Figure 261457DEST_PATH_IMAGE049
表示当前周期中该数据源类型下车辆的数量，
Figure 955875DEST_PATH_IMAGE038
表示当前周期中该数据源类型下第
Figure 249453DEST_PATH_IMAGE038
辆车，
Figure 227773DEST_PATH_IMAGE050
表示车辆对应的数据接收时间，
Figure 214184DEST_PATH_IMAGE051
表示车辆对应的数据采集时间，
Figure 900292DEST_PATH_IMAGE052
表示当前周期中该数据源类型下车辆的时间延时。
S502，根据历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率。
本申请实施例中，可以以预设长度为窗口长度，对预设长度个历史周期内数据源类型下交通初始数据进行滑动缓存，该预设长度可以根据实际需求进行设置，例如可以是3个、5个、10个等，进而可以知晓预设长度个历史周期内数据源类型下交通初始数据的缺失状态。示例性的，根据当前周期之前5个历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率等。
示例性的，可以利用如下表达式，计算当前周期中该数据源类型的交通初始数据的平均缺失率：
Figure 200823DEST_PATH_IMAGE053
Figure 768071DEST_PATH_IMAGE054
表示当前周期中第
Figure 190962DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均缺失率，
Figure 109239DEST_PATH_IMAGE055
表示预设长度个历史周期内缺失数据的历史周期的个数，N表示预设长度个历史周期。
S503，根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数。
在一种可能的实施方式中，上述步骤S503根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数，可以包括：
利用如下表达式，计算当前周期中该数据源类型的数据质量影响系数：
Figure 495353DEST_PATH_IMAGE056
其中，
Figure 385948DEST_PATH_IMAGE045
表示当前周期，
Figure 714161DEST_PATH_IMAGE057
表示当前周期中第
Figure 854156DEST_PATH_IMAGE004
个数据源类型的数据质量影响系数，
Figure 824386DEST_PATH_IMAGE048
表示当前周期中第
Figure 615493DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均延时，
Figure 317870DEST_PATH_IMAGE054
表示当前周期中第
Figure 945160DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均缺失率。
针对每一种数据源类型，考虑当前周期中该数据源类型下各车辆对应的数据传输时延、允许的最大时延，确定当前周期中该数据源类型的交通初始数据的平均延时，以及根据历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率，使得根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率，确定的当前周期中该数据源类型的数据质量影响系数，能够表征当前周期中各数据源类型的交通初始数据存在数据质量问题的程度，该数据质量影响系数对各数据源类型下的交通初始数据的精度起到了重要的影响作用，数据质量越高，表示从数据源中提炼的速度等结果越准确，数据质量越低，表示从数据源中提炼的速度等结果越不准确，进而使得最终融合得到的待检测路段在当前周期中的车辆融合速度更为准确，提高了交通运行状态监测结果的准确度。
在一种可能的实施方式中，上述步骤S205，针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，可以包括：
针对每一种数据源类型，利用如下表达式，计算当前周期中该数据源类型下的平均速度估计值及平均速度估计方差：
Figure 922343DEST_PATH_IMAGE058
Figure 849848DEST_PATH_IMAGE059
Figure 270596DEST_PATH_IMAGE060
Figure 385183DEST_PATH_IMAGE045
表示当前周期，
Figure 369319DEST_PATH_IMAGE061
表示上一周期，
Figure 885751DEST_PATH_IMAGE062
表示当前周期中第
Figure 992248DEST_PATH_IMAGE004
个数据源类型的增益函数，
Figure 843398DEST_PATH_IMAGE063
表示当前周期中第
Figure 427963DEST_PATH_IMAGE004
个数据源类型的速度预测方差，
Figure 2164DEST_PATH_IMAGE064
表示观测转化函数，
Figure 13982DEST_PATH_IMAGE065
表示
Figure 103161DEST_PATH_IMAGE064
的转置，
Figure 242149DEST_PATH_IMAGE057
表示当前周期中第
Figure 467594DEST_PATH_IMAGE004
个数据源类型的数据质量影响系数，
Figure 650314DEST_PATH_IMAGE066
表示观测值误差的方差，
Figure 430051DEST_PATH_IMAGE067
表示当前周期中第
Figure 356419DEST_PATH_IMAGE004
个数据源类型下的平均速度估计值，
Figure 951217DEST_PATH_IMAGE068
表示当前周期中第
Figure 570417DEST_PATH_IMAGE004
个数据源类型的速度预测值，表示当前周期中第
Figure 571871DEST_PATH_IMAGE004
个数据源类型下的观测平均速度，
Figure 36351DEST_PATH_IMAGE069
表示当前周期中第
Figure 236388DEST_PATH_IMAGE004
个数据源类型下的平均速度估计方差，
Figure 777222DEST_PATH_IMAGE027
表示单位矩阵。其中，上述表达式可以是Modify-KF模型中的表达式。
在一种可能的实施方式中，上述步骤S206，对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到待检测路段在当前周期中的车辆融合速度，可以包括：
利用如下表达式，对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合：
Figure 62710DEST_PATH_IMAGE070
其中，
Figure 596459DEST_PATH_IMAGE045
表示当前周期，
Figure 651003DEST_PATH_IMAGE071
表示待检测路段在当前周期中的车辆融合速度，
Figure 549689DEST_PATH_IMAGE072
表示当前周期中第一个数据源类型下的平均速度估计方差，
Figure 401818DEST_PATH_IMAGE073
表示当前周期中第二个数据源类型下的平均速度估计方差，
Figure 473680DEST_PATH_IMAGE074
表示当前周期中第一个数据源类型下的平均速度估计值，
Figure 648309DEST_PATH_IMAGE075
当前周期中第二个数据源类型下的平均速度估计值。
本申请实施例提供的一种基于多源数据融合的交通运行状态监测方法，由于当前周期中数据源类型的数据质量影响系数，是根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率确定的，使得该数据质量影响系数能够表征当前周期中各数据源类型的交通初始数据存在数据质量问题的程度，该数据质量影响系数对各数据源类型下的交通初始数据的精度起到了重要的影响作用，进而针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，进一步对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，使得融合得到的待检测路段在当前周期中的车辆融合速度更为准确，提高了交通运行状态监测结果的准确度。
示例性的，如图6所示，数据源类型为视频车检类型及GPS类型，针对待检测路段，获取多个车辆在当前周期中的车辆GPS采集数据（即GPS类型的交通初始数据），以及视频车检器（即视频车辆检测器）采集数据（即视频车检类型的交通初始数据）。进一步，针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率，确定当前周期中该数据源类型的数据质量影响系数，得到GPS数据质量影响系数以及视频检测器数据质量影响系数。针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度，以及获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差（即得到交通运行参数）。进而，针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到待检测路段在当前周期中的车辆融合速度（即根据数据质量动态调整融合权重，利用Modify-KF实现多源数据的融合，得到融合交通状态）。
本申请实施例中，由于当前周期中数据源类型的数据质量影响系数，是根据当前周期中该数据源类型的交通初始数据的平均延时及平均缺失率确定的，使得该数据质量影响系数能够表征当前周期中各数据源类型的交通初始数据存在数据质量问题的程度，该数据质量影响系数对各数据源类型下的交通初始数据的精度起到了重要的影响作用，进而针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，进一步对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，使得融合得到的待检测路段在当前周期中的车辆融合速度更为准确，提高了交通运行状态监测结果的准确度。相较于相关技术中基于样本量加权融合多源数据预测交通运行状态，考虑了各数据源类型下交通数据的数据质量，能够适应更多交通运行状态监测的场景中。且，融入了数据质量影响系数，利用Modify-KF实现多源数据的融合，能够随着实时数据质量的变化，动态的放大或缩小误差，以此影响数据融合的权重，使得交通运行状态监测的结果更准确。
本申请实施例还提供了一种基于多源数据融合使得的交通运行状态监测装置，参见图7，所述装置包括：
交通数据获取模块701，用于针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据；
第一速度确定模块702，用于针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度；
影响系数确定模块703，用于针对每一种数据源类型，获取并根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数；
第二速度确定模块704，用于针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差；
第三速度确定模块705，用于针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差；
多源速度融合模块706，用于对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到待检测路段在当前周期中的车辆融合速度；
交通状态确定模块707，用于根据待检测路段在当前周期中的车辆融合速度，确定待检测路段在当前周期中的交通运行状态。
在一种可能的实施方式中，上述至少两种数据源类型包括视频车检类型及GPS类型；针对任一车辆，该车辆的视频车检类型的交通初始数据包括检测到该车辆的两个视频检测点之间的距离及两个视频检测点各自检测到该车辆的时刻；针对任一车辆，该车辆的GPS类型的交通初始数据包括该车辆在指定时刻的位置。
在一种可能的实施方式中，上述装置还包括：
时间获取模块，用于针对每一种数据源类型，获取当前周期中该数据源类型下各车辆对应的、采集交通初始数据的数据采集时间及接收到交通初始数据的数据接收时间；
上述影响系数确定模块703，包括：
延时确定子模块，用于针对每一种数据源类型，根据当前周期中该数据源类型下各车辆对应的数据采集时间及数据接收时间，计算当前周期中该数据源类型下各车辆对应的数据传输时延，以及当前周期中该数据源类型下所有车辆数据传输时延的平均值，并基于平均值确定当前周期中该数据源类型的交通初始数据的平均延时；
缺失率确定子模块，用于根据历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率；
系数确定子模块，用于根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数。
在一种可能的实施方式中，上述系数确定子模块，具体用于：利用如下表达式，计算当前周期中该数据源类型的数据质量影响系数：
Figure 780213DEST_PATH_IMAGE076
其中，
Figure 525446DEST_PATH_IMAGE045
表示当前周期，
Figure 604261DEST_PATH_IMAGE057
表示当前周期中第
Figure 633397DEST_PATH_IMAGE004
个数据源类型的数据质量影响系数，
Figure 670623DEST_PATH_IMAGE048
表示当前周期中第
Figure 683578DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均延时，
Figure 346509DEST_PATH_IMAGE054
表示当前周期中第
Figure 433414DEST_PATH_IMAGE004
个数据源类型的交通初始数据的平均缺失率。
在一种可能的实施方式中，上述第二速度确定模块704，包括：
速度获取子模块，用于针对每一种数据源类型，获取上一周期中该数据源类型下的平均速度估计值及平均速度估计方差；
第一转换子模块，用于利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值；
第二转换子模块，用于利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差。
在一种可能的实施方式中，上述第一转换子模块，具体用于：利用如下表达式，计算当前周期中该数据源类型的速度预测值：
Figure 641542DEST_PATH_IMAGE077
上述第二转换子模块，具体用于：利用如下表达式，计算当前周期中该数据源类型的速度预测方差：
Figure 876214DEST_PATH_IMAGE078
Figure 93569DEST_PATH_IMAGE045
表示当前周期，
Figure 582450DEST_PATH_IMAGE061
表示上一周期，
Figure 227058DEST_PATH_IMAGE068
表示当前周期中第
Figure 886709DEST_PATH_IMAGE004
个数据源类型的速度预测值，
Figure 642176DEST_PATH_IMAGE079
表示上一周期中第
Figure 765989DEST_PATH_IMAGE004
个数据源类型下的平均速度估计值，
Figure 830766DEST_PATH_IMAGE080
表示上一周期中第
Figure 508872DEST_PATH_IMAGE004
个数据源类型下的平均速度估计方差，
Figure 271292DEST_PATH_IMAGE063
表示当前周期中第
Figure 984033DEST_PATH_IMAGE004
个数据源类型的速度预测方差，
Figure 970444DEST_PATH_IMAGE081
表示预测转化函数，
Figure 417737DEST_PATH_IMAGE082
表示预测过程误差的方差，
Figure 515006DEST_PATH_IMAGE083
表示
Figure 82253DEST_PATH_IMAGE081
的转置。
在一种可能的实施方式中，上述第三速度确定模块705，具体用于：针对每一种数据源类型，利用如下表达式，计算当前周期中该数据源类型下的平均速度估计值及平均速度估计方差：
Figure 442827DEST_PATH_IMAGE058
Figure 95526DEST_PATH_IMAGE059
Figure 245753DEST_PATH_IMAGE060
Figure 933086DEST_PATH_IMAGE045
表示当前周期，
Figure 526879DEST_PATH_IMAGE061
表示上一周期，
Figure 666873DEST_PATH_IMAGE062
表示当前周期中第
Figure 591098DEST_PATH_IMAGE004
个数据源类型的增益函数，
Figure 132938DEST_PATH_IMAGE063
表示当前周期中第
Figure 632052DEST_PATH_IMAGE004
个数据源类型的速度预测方差，
Figure 259342DEST_PATH_IMAGE064
表示观测转化函数，
Figure 757232DEST_PATH_IMAGE065
表示
Figure 419157DEST_PATH_IMAGE064
的转置，
Figure 354752DEST_PATH_IMAGE057
表示当前周期中第
Figure 407022DEST_PATH_IMAGE004
个数据源类型的数据质量影响系数，
Figure 453475DEST_PATH_IMAGE066
表示观测值误差的方差，
Figure 720640DEST_PATH_IMAGE067
表示当前周期中第
Figure 827136DEST_PATH_IMAGE004
个数据源类型下的平均速度估计值，
Figure 163440DEST_PATH_IMAGE068
表示当前周期中第
Figure 951267DEST_PATH_IMAGE004
个数据源类型的速度预测值，
Figure 322205DEST_PATH_IMAGE084
表示当前周期中第
Figure 848871DEST_PATH_IMAGE004
个数据源类型下的观测平均速度，
Figure 938049DEST_PATH_IMAGE069
表示当前周期中第
Figure 263988DEST_PATH_IMAGE004
个数据源类型下的平均速度估计方差，
Figure 755013DEST_PATH_IMAGE027
表示单位矩阵。
在一种可能的实施方式中，上述多源速度融合模块706，具体用于：利用如下表达式，对当前周期中各数据源类型下的平均速度估计值及平均速度估计方差进行融合：
Figure 937732DEST_PATH_IMAGE085
其中，
Figure 264940DEST_PATH_IMAGE045
表示当前周期，
Figure 191307DEST_PATH_IMAGE071
表示待检测路段在当前周期中的车辆融合速度，
Figure 536838DEST_PATH_IMAGE072
表示当前周期中第一个数据源类型下的平均速度估计方差，
Figure 890459DEST_PATH_IMAGE073
表示当前周期中第二个数据源类型下的平均速度估计方差，
Figure 937918DEST_PATH_IMAGE074
表示当前周期中第一个数据源类型下的平均速度估计值，
Figure 871239DEST_PATH_IMAGE075
当前周期中第二个数据源类型下的平均速度估计值。
本申请实施例还提供了一种电子设备，如图8所示，包括处理器801、通信接口802、存储器803和通信总线804，其中，处理器801，通信接口802，存储器803通过通信总线804完成相互间的通信，
存储器803，用于存放计算机程序；
处理器801，用于执行存储器803上所存放的程序时，实现本申请中任一所述的基于多源数据融合的交通运行状态监测方法，以达到相同的技术效果。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（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。
在本申请提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一一种基于多源数据融合的交通运行状态监测方法的步骤，以达到相同的技术效果。
在本申请提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一一种基基于多源数据融合的交通运行状态监测方法的步骤，以达到相同的技术效果。
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（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含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，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置/电子设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例，并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本申请的保护范围内。

Claims (10)

1.一种基于多源数据融合的交通运行状态监测方法，其特征在于，所述方法包括：
针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据；
针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度；
针对每一种数据源类型，获取当前周期中该数据源类型下各车辆对应的、采集交通初始数据的数据采集时间及接收到交通初始数据的数据接收时间；
针对每一种数据源类型，根据当前周期中该数据源类型下各车辆对应的数据采集时间及数据接收时间，计算当前周期中该数据源类型下各车辆对应的数据传输时延，以及当前周期中该数据源类型下所有车辆数据传输时延的平均值，并基于所述平均值确定当前周期中该数据源类型的交通初始数据的平均延时；根据历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率；根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数；
针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差；
针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差；
对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度；
根据所述待检测路段在当前周期中的车辆融合速度，确定所述待检测路段在当前周期中的交通运行状态。
2.根据权利要求1所述的方法，其特征在于，所述至少两种数据源类型包括视频车检类型及GPS类型；针对任一车辆，该车辆的视频车检类型的交通初始数据包括检测到该车辆的两个视频检测点之间的距离及所述两个视频检测点各自检测到该车辆的时刻；针对任一车辆，该车辆的GPS类型的交通初始数据包括该车辆在指定时刻的位置。
3.根据权利要求1所述的方法，其特征在于，所述根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数，包括：
利用如下表达式，计算当前周期中该数据源类型的数据质量影响系数：
Figure 408027DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示当前周期，
Figure 382543DEST_PATH_IMAGE004
表示当前周期中第
Figure DEST_PATH_IMAGE005
个数据源类型的数据质量影响系数，
Figure 453136DEST_PATH_IMAGE006
表示当前周期中第
Figure 67788DEST_PATH_IMAGE005
个数据源类型的交通初始数据的平均延时，
Figure DEST_PATH_IMAGE007
表示当前周期中第
Figure 600663DEST_PATH_IMAGE005
个数据源类型的交通初始数据的平均缺失率。
4.根据权利要求1所述的方法，其特征在于，所述针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差，包括：
针对每一种数据源类型，获取上一周期中该数据源类型下的平均速度估计值及平均速度估计方差；
利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值；
利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差。
5.根据权利要求4所述的方法，其特征在于，所述利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计值进行转换，得到当前周期中该数据源类型的速度预测值，包括：
利用如下表达式，计算当前周期中该数据源类型的速度预测值：
Figure DEST_PATH_IMAGE009
所述利用预设的预测转换函数对上一周期中该数据源类型下的平均速度估计方差进行转换，得到当前周期中该数据源类型的速度预测方差，包括：
利用如下表达式，计算当前周期中该数据源类型的速度预测方差：
Figure DEST_PATH_IMAGE011
Figure 411493DEST_PATH_IMAGE003
表示当前周期，
Figure 139907DEST_PATH_IMAGE012
表示上一周期，
Figure DEST_PATH_IMAGE013
表示当前周期中第
Figure 377990DEST_PATH_IMAGE005
个数据源类型的速度预测值，
Figure 834379DEST_PATH_IMAGE014
表示上一周期中第
Figure 730791DEST_PATH_IMAGE005
个数据源类型下的平均速度估计值，
Figure DEST_PATH_IMAGE015
表示上一周期中第
Figure 11862DEST_PATH_IMAGE005
个数据源类型下的平均速度估计方差，
Figure 968317DEST_PATH_IMAGE016
表示当前周期中第
Figure 302215DEST_PATH_IMAGE005
个数据源类型的速度预测方差，
Figure DEST_PATH_IMAGE017
表示预测转化函数，
Figure 799055DEST_PATH_IMAGE018
表示预测过程误差的方差，
Figure DEST_PATH_IMAGE019
表示
Figure 807069DEST_PATH_IMAGE017
的转置。
6.根据权利要求1所述的方法，其特征在于，所述针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差，包括：
针对每一种数据源类型，利用如下表达式，计算当前周期中该数据源类型下的平均速度估计值及平均速度估计方差：
Figure DEST_PATH_IMAGE021
Figure DEST_PATH_IMAGE023
Figure DEST_PATH_IMAGE025
Figure 809791DEST_PATH_IMAGE003
表示当前周期，
Figure 506352DEST_PATH_IMAGE012
表示上一周期，
Figure 744566DEST_PATH_IMAGE026
表示当前周期中第
Figure 967606DEST_PATH_IMAGE005
个数据源类型的增益函数，
Figure 859339DEST_PATH_IMAGE016
表示当前周期中第
Figure 918562DEST_PATH_IMAGE005
个数据源类型的速度预测方差，
Figure DEST_PATH_IMAGE027
表示观测转化函数，
Figure DEST_PATH_IMAGE029
表示
Figure 911532DEST_PATH_IMAGE027
的转置，
Figure 723499DEST_PATH_IMAGE004
表示当前周期中第
Figure 192658DEST_PATH_IMAGE005
个数据源类型的数据质量影响系数，
Figure 598231DEST_PATH_IMAGE030
表示观测值误差的方差，
Figure DEST_PATH_IMAGE031
表示当前周期中第
Figure 866664DEST_PATH_IMAGE005
个数据源类型下的平均速度估计值，
Figure 798717DEST_PATH_IMAGE013
表示当前周期中第
Figure 297831DEST_PATH_IMAGE005
个数据源类型的速度预测值，
Figure 66067DEST_PATH_IMAGE032
表示当前周期中第
Figure 197578DEST_PATH_IMAGE005
个数据源类型下的观测平均速度，
Figure DEST_PATH_IMAGE033
表示当前周期中第
Figure 531607DEST_PATH_IMAGE005
个数据源类型下的平均速度估计方差，
Figure 591836DEST_PATH_IMAGE034
表示单位矩阵。
7.根据权利要求1所述的方法，其特征在于，所述对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度，包括：
利用如下表达式，对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合：
Figure 847368DEST_PATH_IMAGE036
其中，
Figure 893821DEST_PATH_IMAGE003
表示当前周期，
Figure DEST_PATH_IMAGE037
表示待检测路段在当前周期中的车辆融合速度，
Figure 708456DEST_PATH_IMAGE038
表示当前周期中第一个数据源类型下的平均速度估计方差，
Figure DEST_PATH_IMAGE039
表示当前周期中第二个数据源类型下的平均速度估计方差，
Figure 736323DEST_PATH_IMAGE040
表示当前周期中第一个数据源类型下的平均速度估计值，
Figure DEST_PATH_IMAGE041
当前周期中第二个数据源类型下的平均速度估计值。
8.一种基于多源数据融合的交通运行状态监测装置，其特征在于，所述装置包括：
交通数据获取模块，用于针对待检测路段，获取多个车辆在当前周期中的至少两种数据源类型的交通初始数据；
第一速度确定模块，用于针对每一种数据源类型，基于当前周期中该数据源类型的交通初始数据，确定当前周期中车辆在该数据源类型下的观测平均速度；
时间获取模块，用于针对每一种数据源类型，获取当前周期中该数据源类型下各车辆对应的、采集交通初始数据的数据采集时间及接收到交通初始数据的数据接收时间；
影响系数确定模块，包括：延时确定子模块，用于针对每一种数据源类型，根据当前周期中该数据源类型下各车辆对应的数据采集时间及数据接收时间，计算当前周期中该数据源类型下各车辆对应的数据传输时延，以及当前周期中该数据源类型下所有车辆数据传输时延的平均值，并基于平均值确定当前周期中该数据源类型的交通初始数据的平均延时；缺失率确定子模块，用于根据历史周期内该数据源类型下交通初始数据的缺失状态，确定当前周期中该数据源类型的交通初始数据的平均缺失率；系数确定子模块，用于根据当前周期中该数据源类型的交通初始数据的平均延时及当前周期中该数据源类型的交通初始数据的平均缺失率，确定当前周期中该数据源类型的数据质量影响系数；
第二速度确定模块，用于针对每一种数据源类型，获取并根据上一周期中该数据源类型下的平均速度估计值及平均速度估计方差，确定当前周期中该数据源类型的速度预测值及速度预测方差；
第三速度确定模块，用于针对每一种数据源类型，根据当前周期中该数据源类型的速度预测值、速度预测方差、观测平均速度、数据质量影响系数，确定当前周期中该数据源类型下的平均速度估计值及平均速度估计方差；
多源速度融合模块，用于对当前周期中各所述数据源类型下的平均速度估计值及平均速度估计方差进行融合，得到所述待检测路段在当前周期中的车辆融合速度；
交通状态确定模块，用于根据所述待检测路段在当前周期中的车辆融合速度，确定所述待检测路段在当前周期中的交通运行状态。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法。
CN202210069231.2A 2022-01-21 2022-01-21 基于多源数据融合的交通运行状态监测方法及装置 Active CN114093171B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210069231.2A CN114093171B (zh) 2022-01-21 2022-01-21 基于多源数据融合的交通运行状态监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210069231.2A CN114093171B (zh) 2022-01-21 2022-01-21 基于多源数据融合的交通运行状态监测方法及装置

Publications (2)

Publication Number Publication Date
CN114093171A CN114093171A (zh) 2022-02-25
CN114093171B true CN114093171B (zh) 2022-05-06

Family

ID=80309108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210069231.2A Active CN114093171B (zh) 2022-01-21 2022-01-21 基于多源数据融合的交通运行状态监测方法及装置

Country Status (1)

Country Link
CN (1) CN114093171B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114333335A (zh) * 2022-03-15 2022-04-12 成都交大大数据科技有限公司 基于轨迹数据的车道级交通状态估计方法、装置及系统
CN117350750A (zh) * 2023-10-20 2024-01-05 湖北卓铸网络科技有限公司 基于大数据的营销数据分析系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410576A (zh) * 2018-11-08 2019-03-01 深圳北斗应用技术研究院有限公司 多源数据融合的路况分析方法、装置、存储介质及系统
CN113920739A (zh) * 2021-10-29 2022-01-11 复旦大学 基于信息物理融合系统的交通数据驱动框架及构建方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7813870B2 (en) * 2006-03-03 2010-10-12 Inrix, Inc. Dynamic time series prediction of future traffic conditions
CN104658252B (zh) * 2015-02-10 2017-05-17 交通运输部科学研究院 基于多源数据融合的高速公路交通运行状态的评估方法
US10692365B2 (en) * 2017-06-20 2020-06-23 Cavh Llc Intelligent road infrastructure system (IRIS): systems and methods
CN107180534B (zh) * 2017-07-03 2019-11-15 华南理工大学 支持向量回归机融合的高速公路路段平均速度估计方法
US10824947B2 (en) * 2019-01-31 2020-11-03 StradVision, Inc. Learning method for supporting safer autonomous driving without danger of accident by estimating motions of surrounding objects through fusion of information from multiple sources, learning device, testing method and testing device using the same
CN112419712B (zh) * 2020-11-04 2021-12-10 同盾控股有限公司 道路断面车速检测方法及系统
CN112382095B (zh) * 2020-11-26 2021-09-10 长沙理工大学 一种多源数据融合的城市快速路交通状态估计方法
CN113034903B (zh) * 2021-03-05 2021-11-16 交通运输部公路科学研究所 基于多源信息融合的交通状态估计方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109410576A (zh) * 2018-11-08 2019-03-01 深圳北斗应用技术研究院有限公司 多源数据融合的路况分析方法、装置、存储介质及系统
CN113920739A (zh) * 2021-10-29 2022-01-11 复旦大学 基于信息物理融合系统的交通数据驱动框架及构建方法

Also Published As

Publication number Publication date
CN114093171A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN114093171B (zh) 基于多源数据融合的交通运行状态监测方法及装置
CN110501671B (zh) 一种基于测量分配的目标跟踪方法及装置
WO2014125802A1 (en) New road detection logic
US20160054430A1 (en) Multi-sensor target tracking using multiple hypothesis testing
Kazagli et al. Estimation of arterial travel time from automatic number plate recognition data
Rompis et al. Probe vehicle lane identification for queue length estimation at intersections
CN111709975A (zh) 多目标跟踪方法、装置、电子设备及存储介质
CN108180922B (zh) 一种导航时间测评方法、装置、设备和介质
CN112650825A (zh) 异常接驾行为的确定方法、装置、存储介质及电子设备
CN112669594A (zh) 交通路况预测的方法、装置、设备及存储介质
Kim et al. Long-term bridge health monitoring and performance assessment based on a Bayesian approach
CN111612378A (zh) 潜在碰撞风险预测方法、装置及计算机设备
Moghaddam et al. Evaluating the performance of algorithms for the detection of travel time outliers
KR20200068258A (ko) 차량용 센서퓨전 타겟 예측 장치 및 그의 센서 퓨전 타겟 예측 방법과 그를 포함하는 차량
Theodorou et al. Short-term traffic prediction under both typical and atypical traffic conditions using a pattern transition model
US9747801B2 (en) Method and device for determining surroundings
JP7313820B2 (ja) 交通状況予測装置、および交通状況予測方法
CN107730882B (zh) 基于人工智能的道路拥堵预测系统及方法
Moghaddam et al. Algorithm for detecting outliers in Bluetooth data in real time
CN111121946B (zh) 大动态范围大离散单区域多点精准确定异常值的方法
CN114495482A (zh) 用于预测交通信息的设备和方法
JP2003303390A (ja) 旅行時間予測方法、装置及びプログラム
Tomar et al. Lane change trajectory prediction using artificial neural network
CN110503740B (zh) 一种车辆状态判定方法、装置、计算机设备及系统
CN112150795B (zh) 一种车辆轨迹异常的检测方法及装置

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