CN114299742A - 一种高速公路的限速信息动态识别与更新推荐方法 - Google Patents

Abstract

本发明公开一种高速公路的限速信息动态识别与更新推荐方法，由ETC系统运行过程中产生的交易数据中计算高速公路上车辆的行驶速度信息，对行驶速度信息进行处理建模，过滤异常值，提取有效信息，再利用集成学习分类模型对其进行学习分类，利用历史多条数据择优选取，从而确定高速公路相应路段的限速信息，并可随时间动态更新。本发明全面可靠的识别了高速公路各路段的限速信息，可随路况的变化动态更新路段限速信息，为车辆驾驶减小了安全隐患，进一步提高了高速公路的通行效率。本发明能高效准确地识别高速公路各路段的限速信息，高效地感知限速信息的动态变化，可为智慧高速公路管理系统和地图提供商提供数据支持。

Description

一种高速公路的限速信息动态识别与更新推荐方法

技术领域

本发明涉及高速公路信息技术领域，尤其涉及一种高速公路的限速信息动态识别与更新推荐方法。

背景技术

近几年来我国高速公路ETC(电子不停车收费系统)技术快速发展，基础设施升级、ETC门架布局逐步完善，产生了海量的门架数据。目前ETC累积用户已经超过2.2亿，车主使用率为78％，ETC门架系统几乎包含了高速公路所有车辆，反映了高速公路的整体通行状况，可为智慧高速公路的信息化建设与车路协同、自动驾驶建设等提供数据基础与有力支撑。

高速公路的最高限速信息具有动态可变性，相关管理部门会根据道路交通流量、道路养护情况、交通事故状况等对路段的限速信息进行调整。当限速信息发生动态变化时，如果交通管理部门和辅助交通平台无法及时更新数据，车辆难以获取更新后的限速信息，使得车辆驾驶安全带有巨大的隐患，进一步降低了道路的通行效率和驾驶安全。获取高速公路各路段的限速信息，并有效识别道路限速信息的动态变化，是智慧高速公路信息化建设的重要部分，其既可以为驾驶员提供高速公路限速信息，避免超速驾驶引发交通事故，也可为自动驾驶汽车实现智能、安全驾驶提供可靠的感知与行驶速度决策。现有技术仅能够识别得到路段限速值，无法根据道路状况实时调整更新限速信息。因此，如何动态识别道路的限速信息并推荐限速信息更新具有重要的研究意义。

发明内容

本发明的目的在于提供一种高速公路的限速信息动态识别与更新推荐方法，根据高速公路上的车辆的行驶情况，动态确定高速公路各个路段的限速信息，为出行安全保驾护航。

本发明采用的技术方案是：

一种高速公路的限速信息动态识别与更新推荐方法，包括以下步骤：

S1：车辆通过ETC门架时，ETC门架与车辆OBU设备交互信息，得到ETC交易数据，按照时间顺序排列形成车辆行驶轨迹Traj＝{D₀,D₁,…,D_E}，0≤i≤E，D_i为轨迹点，包含ETC门架节点编号ID、车辆类型和时间信息等属性，上传至高速公路数据存储中心。

S2：高速公路大数据处理平台提取车辆行驶轨迹数据，挖掘分析异常情况，过滤异常ETC交易数据，之后将车辆行驶轨迹在ETC门架拓扑关系库和ETC路段距离库进行查找匹配路段，计算车辆在各路段的行车区间速度，通过限值滤波法过滤异常速度数据，得到各路段的行车区间速度数据集。

S3：对路段上的行车区间速度进行特征分析，分类挖掘出高速公路上行驶车辆的速度信息与道路限速信息之间的潜在关联特性，构建路段的速度特征向量库。

S4：高速公路数据中心提取历史状态下限速信息发生变化的路段，将路段速度特征向量与高速公路限速挡位信息库进行匹配，构建样本数据集，利用数据补充算法填补样本类别失衡数据，得到样本均衡数据集。

S5：选择集成学习算法，将样本数据集作为输入，进行模型的学习与训练，构建高速公路限速识别模型，动态识别高速公路限速信息。

S6：基于邻近时间的多条限速识别结果，通过更新策略确定路段的最优限速值，为路段限速信息更新提供参考。

进一步的，S1步骤中具体过程为：

S11：车辆通过ETC门架时，ETC门架与车辆OBU设备交互信息，得到ETC交易数据。

S12：对每一车辆的ETC交易数据序列按照时间顺序排列，生成车辆行驶轨迹Traj＝{D₀，D₁，...，D_E}，0≤i≤E，D_i为轨迹点，包含ETC门架节点编号ID、车辆类型和时间信息等属性，上传至高速公路数据存储中心。

进一步的，S2步骤的具体过程为：

S21：删除ETC交易数据中的重复数据和错误数据；

S22：ETC门架拓扑关系库中具有拓扑关系的ETC门架之间的道路构成一个路段，研究范围内的高速公路全部路段组成高速公路路网G_o针对每一车辆的行驶轨迹，利用高速公路路网的路段集合对每一车辆的行车轨迹进行路段搜索，逐一遍历行车轨迹中两个相邻ETC门架编号ID，查看两门架关联关系是否存在于高速公路路网路段集合中，如果存在，则直接生成该车辆经过该路段的速度；如果不存在，则以这两个ETC门架为基础进行路径搜索，填补车辆的行驶轨迹，根据搜索路径结果计算车辆通过该路径的平均速度，以该平均速度为车辆通过两个ETC门架之间所有路段的速度。

S23：利用限值滤波法的上下限进行异常点检测，确定异常数据过滤的阈值区间。速度滤波阈值区间v_T∈(Lower limit，Upper limit)，其中Lower limit表示最小过滤速度，Upper limit表示最大过滤速度，路段行车区间速度数据在v_T范围内则保留，超出则进行离群数据清洗。

S24：获得各路段的行车区间速度集。

进一步的，S3步骤中高速公路速度特征向量模型构建，具体过程为：

S31：频数百分位特征反映不同时间下的路段区间速度的分布情况，包括路段行车区间速度集合的第第15％位、25％位、50％位、75％位、85％位和95％位的速度值，转化为多维度的特征向量α＝(α₁，α₂，...，α₆)^T。

S32：利用频域空间的相关评价指标描述速度特性的特征即区间速度评价特征，包括速度均值、众数、样本标准差和速度离散度指标等，转化为多维度的特征向量β＝(β₁，β₂，β₃，β₄)^T。

S33：将道路在不同时间段的行车速度特征信息，以设定的时间跨度(15分钟、30分钟或1小时)为一个时间段，将设定的时间长度(3小时、6小时或24小时)划分成n个时间段，分别编号为0、1、…n，挖掘统计每一个时间段各路段的速度信息，以发现高速公路各路段的速度变化规律，进而构建包含多维度的速度时域特征向量γ＝(γ₁，γ₂，...，γ_m)^T，γ₁～γ_m为数据样本中各个时间段的路段平均速度，对整个时间长度中各时间段的路段平均速度，按从大到小排序，取前m个值，m≤n。

S34：进一步根据速度数据的时空特性，挖掘更多有效特征，生成路段速度特征向量库。

进一步的，步骤S4所述的样本不均衡处理具体过程为：

S41：构建高速公路限速信息挡位库，高速公路限速挡位信息库根据《公路限速标志设计规范》(JTG/T3381-02-2020)和《公路工程技术标准》(JTG B01-2003)中规定的标准确定。

S42：路段速度特征向量库、高速公路限速信息档位库和高速公路路段限速信息库(部分路段已有的)进行匹配，生成初始样本数据。构建数据集S＝{(x₁，y₁)，(x₂，y₂)，...，(x_M，y_M)}，其中M表示数据集样本数量，x_i(i＝1，2，...，M)是第i个样本的特征向量，y_i(i＝1，2，...，M)是第i个样本的样本输出值，即x_i对应的道路限速分类标记值。

S43：提取高速公路样本速度特征向量集，选择样本均衡处理算法，包括欠采样和过采样等，插值生成新的样本，或选择性的删除某类别样本数据的一部分。

S44：重复S43，直到高速公路速度特征向量数据集的各类别之间达到平衡为止，生成样本均衡数据集。

进一步的，步骤S5所述的基于高速公路限速信息识别模型，具体步骤为：

S51：选用集成学习算法(如XGBoost)，确定算法优化参数。

S52：选择参数寻优算法，包括遗传算法、蚁群算法或网格搜索等实现识别模型的参数寻优，将样本数据集输入至模型中进行学习与训练，确定模型的最终理想参数组合。

S53：构建高速公路限速信息识别模型，预测高速公路的路段限速信息。

进一步的，步骤S6所述的基于邻近时间的多条限速识别结果，选取路段的最优估计限速值，具体步骤为：

S61：集成学习分类模型预测过程中，每条数据可生成各限速分类值的可能概率，以较大概率的分类值作为最终结果。统计最近时间点的多条数据对应限速识别结果，若仅出现一个限速值，则该结果即为该路段的限速值。

S62：若多条数据的限速识别结果有多个值，按多个限速值的出现次数进行排序，当某一限速值出现次数大于其他限速值的出现次数，则将出现次数最大的限速值作为该路段的限速值。

S63：若多条数据的限速识别结果有多个值，且存在多个最大出现次数相同的限速值，求取这些限速值对应概率的平均值，以概率平均值最大的限速值作为最终结果。

本发明采用以上技术方案，由ETC系统运行过程中产生的交易数据中计算高速公路上车辆的行驶速度信息，对行驶速度信息进行处理建模，过滤异常值，提取有效信息，再利用集成学习分类模型(如XGBoost模型)对其进行学习分类，利用历史多条数据择优选取，从而确定高速公路相应路段的限速信息，并可随时间动态更新。本发明全面可靠的识别了高速公路各路段的限速信息，可随路况的变化动态更新路段限速信息，为车辆驾驶减小了安全隐患，进一步提高了高速公路的通行效率。

附图说明

以下结合附图和具体实施方式对本发明做进一步详细说明；

图1为一种高速公路的限速信息动态识别与更新推荐方法的流程图；

图2为一种高速公路限速信息动态识别方法数据预处理流程图；

图3为识别模型选定与优化流程图；

图4为更新策略流程图；

图5为识别模型XGBoost算法的流程示意图；

图6为基于网格搜索和K_fold交叉验证法的识别模型参数优化流程示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，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。

如图1至图4之一所示，本发明公开了一种高速公路的限速信息动态识别与更新推荐方法，其包括以下步骤：

S1：车辆通过ETC门架时，ETC门架与车辆OBU设备交互信息，得到ETC交易数据，按照时间顺序排列形成车辆行驶轨迹Traj＝{D₀，D₁，...，D_E}，0≤i≤E，D_i为轨迹点，包含ETC门架节点编号ID、车辆类型和时间信息等属性，上传至高速公路数据存储中心。

S2：高速公路大数据处理平台提取车辆行驶轨迹数据，挖掘分析异常情况，过滤异常ETC交易数据，之后将车辆行驶轨迹在ETC门架拓扑关系库和ETC路段距离库进行查找匹配路段，计算车辆在各路段的行车区间速度，通过限值滤波法过滤异常速度数据，得到各路段的行车区间速度数据集。

S3：对路段上的行车区间速度进行特征分析，分类挖掘出高速公路上行驶车辆的速度信息与道路限速信息之间的潜在关联特性，构建路段的速度特征向量库。

S4：高速公路数据中心提取含有限速信息的路段，将路段速度特征向量与高速公路限速挡位库进行匹配，构建样本数据集，利用数据均衡算法处理样本类别失衡数据，得到样本均衡数据集。

S5：选择集成学习算法，将样本数据集作为输入，进行模型的学习与训练，构建高速公路限速识别模型，动态识别高速公路限速信息。

S6：基于邻近时间的多条限速识别结果，通过更新策略确定路段的最优限速值，为路段限速信息更新提供参考。

进一步的，S1步骤中具体过程为：

S11：车辆通过ETC门架时，ETC门架与车辆OBU设备交互信息，得到ETC交易数据。

S12：对每一车辆的ETC交易数据序列按照时间顺序排列，生成车辆行驶轨迹Traj＝{D₀，D₁，...，D_E}，0≤i≤E，D_i为轨迹点，包含ETC门架节点编号ID、车辆类型和时间信息等属性，上传至高速公路数据存储中心。

参阅图2，S2步骤中具体过程为：

S21：提取高速公路ETC数据(包括ETC交易数据、路网拓扑数据、路段距离数据和限速挡位信息数据等)，删除ETC交易数据中的重复数据和错误数据；

S22：ETC门架拓扑关系库中具有拓扑关系的ETC门架之间的道路构成一个路段，研究范围内的高速公路全部路段组成高速公路路网G_o针对每一车辆的行驶轨迹，利用高速公路路网的路段集合对每一车辆的行车轨迹进行路段搜索，逐一遍历行车轨迹中两个相邻ETC门架编号ID，查看两门架关联关系是否存在于高速公路路网路段集合中，如果存在，则直接生成该车辆经过该路段的速度；如果不存在，则以这两个ETC门架为基础进行路径搜索，填补车辆的行驶轨迹，根据搜索路径结果计算车辆通过该路径的平均速度，以该平均速度为车辆通过两个ETC门架之间所有路段的速度。

S23：利用限值滤波法的上下限进行异常点检测，确定异常数据过滤的阈值区间。速度滤波阈值区间v_T∈(Lower limit，Upper limit)，其中Lower limit表示最小过滤速度，Upper limit表示最大过滤速度，路段行车区间速度数据在v_T范围内则保留，超出则进行离群数据清洗。

S24：获得各路段的行车区间速度集。

S3步骤中高速公路速度特征向量模型构建，具体过程为：

S31：频数百分位特征反映不同时间下的路段区间速度的分布情况，包括路段行车区间速度集合的第50％位、上下25％位和上下15％位的速度值，转化为多维度的特征向量α＝(α₁，α₂，...，α₆)^T。

S32：利用频域空间的相关评价指标描述速度特性的特征即区间速度评价特征，包括速度均值、样本标准差和速度离散度指标等，转化为多维度的特征向量β＝(β₁，β₂，β₃，β₄)^T。

S33：将道路在不同时间段的行车速度特征信息，以设定的时间跨度(15分钟、30分钟或1小时)为一个时间段，将设定的时间长度(3小时、6小时或24小时)划分成n个时间段，分别编号为0、1、…n，挖掘统计每一个时间段各路段的速度信息，以发现高速公路各路段的速度变化规律，进而构建包含多维度的速度时域特征向量γ＝(γ₁，γ₂，...，γ_m)^T，γ₁～γ_m为数据样本中各个时间段的路段平均速度，对整个时间长度中各时间段的路段平均速度，按从大到小排序，取前m个值，m≤n。

S34：进一步根据速度数据的时空特性，挖掘更多有效特征，生成路段速度特征向量库。

步骤S4所述的样本不均衡处理具体过程为：

S41：构建高速公路限速信息挡位库，高速公路限速挡位信息库根据《公路限速标志设计规范》(JTG/T3381-02-2020)和《公路工程技术标准》(JTG B01-2003)中规定的标准确定。

S42：路段速度特征向量库、高速公路限速信息档位库和高速公路路段限速信息库(部分路段已有的)进行匹配，生成初始样本数据。构建数据集S＝{(x₁，y₁)，(x₂，y₂)，...，(x_M，y_M)}，其中M表示数据集样本数量，，x_i(i＝1，2，...，M)是第i个样本的特征向量，y_i(i＝1，2，...，M)是第i个样本的样本输出值，即x_i对应的道路限速分类标记值。

S43：提取高速公路样本速度特征向量集，选择样本均衡处理算法，包括欠采样和过采样等，插值生成新的样本，或选择性的删除某类别样本数据的一部分。

S44：重复S43，直到高速公路速度特征向量数据集的各类别之间达到平衡为止，生成样本均衡数据集。

进一步的，步骤S5所述的基于高速公路限速信息识别模型，具体步骤为：

S51：选用集成学习算法(如XGBoost)，确定算法优化参数。

S52：选择参数寻优算法，包括遗传算法、蚁群算法或网格搜索等实现识别模型的参数寻优，将样本数据集输入至模型中进行学习与训练，确定模型的最终理想参数组合。

S53：构建高速公路限速信息识别模型，预测高速公路的路段限速信息。

进一步的，步骤S6所述的基于邻近时间的多条限速识别结果，选取路段的最优估计限速值，具体步骤为：

S61：集成学习分类模型预测过程中，每条数据可生成各限速分类值的可能概率，以较大概率的分类值作为最终结果。统计最近时间点的多条数据对应限速识别结果，若仅出现一个限速值，则该结果即为该路段的限速值。

S62：若多条数据的限速识别结果有多个值，按多个限速值的出现次数进行排序，当某一限速值出现次数大于其他限速值的出现次数，则将出现次数最大的限速值作为该路段的限速值。

S63：若多条数据的限速识别结果有多个值，且存在多个最大出现次数相同的限速值，求取这些限速值对应概率的平均值，以概率平均值最大的限速值作为最终结果。

对比实验说明：

高速公路最高限速信息识别问题是一个典型的分类问题，通过对ETC数据和路网拓扑数据道路限速信息数据进行融合、分析和预处理，构建车辆行车区间速度数据集，后分析行车速度特性，构建区间速度特征向量模型，提出数据过采样算法对少数类样本进行扩充，得到均衡化数据，输入至XGBoost分类模型中进行训练和学习，并利用网格搜索和交叉验证寻得最优参数，实现高速公路的限速信息验证或发现限速信息的变化。识别模型XGBoost算法的流程如图5所示，对应的基于网格搜索和K_fold交叉验证法的识别模型参数优化流程如图6所示。

实验数据：实验数据来源于福建省高速公路信息科技有限公司，包含三类数据，一是2020年9月3日至9月11日共9天福建省高速公路各部分路段上的ETC门架采集的ETC车辆交易数据，约1亿条数据，ETC门架系统交易数据主要属性如表1所示；二是道路限速信息数据包含路段名称、路段的前一ETC门架、路段的后一ETC门架和路段的最高限速值，用于模型的学习、训练和测试；三是通过高德地图爬取路段距离，生成的高速公路门架拓扑关系数据，包含区分路段的ETC门架节点对和实际路段距离。其中路段距离平均值为8.9km，85％路段距离小于16km，最大距离为30km，以时速80km/h为例，最大距离的路段通过仅需要22.5min，符合路段最高限速信息更新的需要。

表1 ETC门架系统交易数据属性表

属性名称	示例	属性名称	示例
				Trade ID	340119…2698	OBU Plate	蓝闽A*****
Trade time	2020/9/5 21:29:26	Vehicle	1
				Flag ID	350215	Enter Time	2020/9/5
Flag Type	0	Enter	2507
				Flag Index	1	OBU ID	12B2B7E7

实验结果如下：利用测试数据验证模型的效果，结果混淆矩阵如表2所示。限速值为80km/h的类别数据识别准确率为100％，这是因为限速值为80km/h的类别数据和其他几个类别的类间区别较大，能够较好地区别开来，而限速值为100km/h的类别数据和限速值为110km/h的类别数据之间的类间差距很小，容易出现识别错误，其中限速值为100km/h的类别数据共824条样本数据，识别为限速值为100km/h的有759条，识别为限速值为110km/h的有47条，使得准确率有所下降，限速值为110km/h的类别数据同理。

表2预测效果混淆矩阵

为了进一步说明该模型的优劣性表现，选用了GBDT、knn、svm、AdaBoost、lr与我们提出的网格搜索与交叉验证结合XGBoost(GC-XGBoost)进行模型对比分析，实验结果表3所示。从表3中六种不同分类方法对比得到，svm、AdaBoost和lr分类器在限速信息的识别上，无论是准确率、召回率和F1-score都表现较差，而GC-XGBoost、GBDT和KNN能够在高速公路最高限速信息识别上得到一个理想的结果，识别准确度较高，其中，GC-XGBoost算法的识别效果最好，准确率高达97.5％。

表3模型对比结果

模型	测试样本	预测正确样本	准确率	Precision	recall	F1-score
							GC-XGBoost	3295	3212	97.5％	0.98	0.97	0.97
GBDT	3295	2908	88.3％	0.88	0.88	0.88
							knn	3295	3079	93.4％	0.94	0.93	0.93
SVM	3295	2374	72.0％	0.70	0.72	0.70
							AdaBoost	3295	1911	58.0％	0.61	0.58	0.51
lr	3295	1684	51.1％	0.48	0.51	0.49

本发明采用以上技术方案，由ETC系统运行过程中产生的交易数据中计算高速公路上车辆的行驶速度信息，对行驶速度信息进行处理建模，过滤异常值，提取有效信息，再利用集成学习分类模型(如XGBoost模型)对其进行学习分类，利用历史多条数据择优选取，从而确定高速公路相应路段的限速信息，并可随时间动态更新。本发明全面可靠的识别了高速公路各路段的限速信息，可随路况的变化动态更新路段限速信息，为车辆驾驶减小了安全隐患，进一步提高了高速公路的通行效率。

显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (10)

1.一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：其包括以下步骤：

S1：车辆通过ETC门架时，ETC门架与车辆OBU设备交互信息得到ETC交易数据，ETC交易数据按照时间顺序排列形成车辆行驶轨迹上传至高速公路数据存储中心；

S2：高速公路大数据处理平台提取车辆行驶轨迹数据，挖掘分析异常情况并过滤异常ETC交易数据，再将车辆行驶轨迹在ETC门架拓扑关系库和ETC路段距离库进行查找匹配路段，计算车辆在各路段的行车区间速度，通过限值滤波法过滤异常速度数据，得到各路段的行车区间速度数据集；

S3：对路段上的行车区间速度进行特征分析，分类挖掘出高速公路上行驶车辆的速度信息与道路限速信息之间的潜在关联特性构建路段的速度特征向量库；

S4：高速公路数据中心提取历史状态下限速信息发生变化的路段，将路段速度特征向量与高速公路限速挡位信息库进行匹配构建样本数据集，利用数据补充算法填补样本类别失衡数据，得到样本均衡数据集；

S5：选择集成学习算法，将样本数据集作为输入进行模型的学习与训练构建高速公路限速识别模型，以动态识别高速公路限速信息；

S6：基于邻近时间的多条限速识别结果通过更新策略确定路段的最优限速值为路段限速信息更新提供参考。

2.根据权利要求1所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：S1步骤中车辆行驶轨迹表示为Traj＝{D₀,D₁,…,D_i,…,D_E}，0≤i≤E，D_i表示第i个轨迹点，E表示车辆行驶轨迹点总数；D_i包含ETC门架节点编号ID、车辆类型和时间信息属性。

3.根据权利要求1所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：S2步骤的具体过程为：

S21：删除ETC交易数据中的重复数据和错误数据；

S22：针对每一车辆的行驶轨迹，利用高速公路路网的路段集合对每一车辆的行车轨迹进行路段搜索，逐一遍历行车轨迹中两个相邻ETC门架编号ID，判断两门架关联关系是否存在于高速公路路网路段集合中；是则，直接生成该车辆经过该路段的速度；否则，以这两个ETC门架为基础进行路径搜索，填补车辆的行驶轨迹，根据搜索路径结果计算车辆通过该路径的平均速度，以该平均速度为车辆通过两个ETC门架之间所有路段的速度；

S23：利用限值滤波法的上下限进行异常点检测，确定异常数据过滤的阈值区间；速度滤波阈值区间v_T∈(Lower limit,Upper limit)，其中Lower limit表示最小过滤速度，Upper limit表示最大过滤速度，路段行车区间速度数据在v_T范围内则保留，超出则进行离群数据清洗；

S24：获得各路段的行车区间速度集。

4.根据权利要求1所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：S3步骤中高速公路速度特征向量模型构建，具体过程为：

S31：采用频数百分位特征反映不同时间下的路段区间速度的分布情况，即将路段行车区间速度集合的第15％位、25％位、50％位、75％位、85％位和95％位的速度值转化为多维度的特征向量α＝(α₁,α₂,…,α₆)^T，α₁～α₆与第15％位、25％位、50％位、75％位、85％位和95％位的速度值一一对应。

S32：利用频域空间的评价指标描述速度特性的特征即路段区间速度评价特征，即将速度均值、众数、样本标准差和速度离散度指标转化为多维度的特征向量β＝(β₁,β₂,β₃,β₄)^T，

S33：将道路在不同时间段的行车速度特征信息，以设定的时间跨度将设定的时间长度划分成n个时间段，分别编号为0、1、…n，挖掘统计每一个时间段各路段的速度信息，以发现高速公路各路段的速度变化规律，进而构建包含多维度的速度时域特征向量γ＝(γ₁,γ₂,…,γ_m)^T，γ₁～γ_m为数据样本中各个时间段的路段平均速度，并对整个时间长度中各时间段的路段平均速度按从大到小排序，取前m个值，m≤n；

S34：根据速度数据的时空特性挖掘更多有效特征生成路段速度特征向量库。

5.根据权利要求4所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：S33中设定的时间跨度为15分钟、30分钟或1小时；设定的时间长度为3小时、6小时或24小时。

6.根据权利要求1所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：步骤S4所述的样本不均衡处理具体过程为：

S41：基于设计规范和技术标准构建高速公路限速信息挡位库，

S42：路段速度特征向量库、高速公路限速信息档位库和高速公路路段限速信息库进行匹配，生成初始样本数据，并构建数据集S＝{(x₁,y₁),(x₂,y₂),…,(x_M,y_M)}，其中M表示数据集样本数量,x_i(i＝1,2,…,M)是第i个样本的特征向量，y_i(i＝1,2,…,M)是第i个样本的样本输出值，即x_i对应的道路限速分类标记值；

S43：提取高速公路样本速度特征向量集，选择样本均衡处理算法插值生成新的样本，或选择性的删除某类别样本数据的一部分；

S44:判断高速公路速度特征向量数据集的各类别之间是否达到平衡；是则生成样本均衡数据集；否则，执行S43。

7.根据权利要求6所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：S41中高速公路限速挡位信息库根据《公路限速标志设计规范》和《公路工程技术标准》中规定的标准确定。

8.根据权利要求1所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：步骤S5所述的基于高速公路限速信息识别模型，具体步骤为：

S51：选用集成学习算法并确定算法优化参数；

S52：选择参数寻优算法实现识别模型的参数寻优，将样本数据集输入至模型中进行学习与训练，确定模型的最终理想参数组合；

S53：构建高速公路限速信息识别模型，预测高速公路的路段限速信息。

9.根据权利要求8所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：S52的参数寻优算法包括遗传算法、蚁群算法或网格搜索。

10.根据权利要求1所述的一种高速公路的限速信息动态识别与更新推荐方法，其特征在于：步骤S6所述的基于邻近时间的多条限速识别结果，选取路段的最优估计限速值，具体步骤为：

S61：集成学习分类模型预测过程中，每条数据生成各限速分类值的可能概率，以最大概率的分类值作为该条数据的最终结果；

S62：统计最近时间点的多条数据对应限速识别结果，判断是否仅出现一个限速值；是则，将该限速识别结果为该路段的限速值并结束；否则，执行步骤63；

S63：当个多条数据的限速识别结果有多个值，按多个限速值的出现次数进行排序；判断存在多个最大出现次数相同的限速值；是则，执行步骤64；否则，将出现次数最大的限速值作为该路段的限速值并结束；

S64：当存在多个最大出现次数相同的限速值是，分别求取多个最大出现次数相同的限速值对应概率的平均值，以概率平均值最大的限速值作为最终结果并结束。

Images