CN114495488B - 常发拥堵时空范围提取方法和系统 - Google Patents

Abstract

本申请实施例公开了常发拥堵时空范围提取方法和系统，所述方法包括：基于目标区域的常发拥堵路况数据集和路网数据集，构建拥堵分析矩阵集合；沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，得到每个矩阵的第一拥堵区间结果集合；分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，得到每个矩阵的拥堵重合范围集合；最后计算得到目标区域的常发拥堵时空范围。分别从空间维度、时间维度和统计维度进行常发拥堵关联性分析，提升了准确性和精度。

Description

常发拥堵时空范围提取方法和系统

技术领域

本申请实施例涉及智能交通技术领域，具体涉及常发拥堵时空范围提取方法和系统。

背景技术

随着车辆保有率越来越高，交通拥堵成为备受各界关注的问题。交通拥堵分为常发拥堵和偶发拥堵。常发拥堵一般发生于出行高峰期的交通流量较大区域。相比偶发拥堵，常发拥堵具有较强的规律性，对交通影响更大，掌握其时空范围信息也对交通治堵更为重要。

随着科学技术进步，交通信息数据精度已达到亚路段级别，其更新周期大多也缩短至一分钟内，这也对常发拥堵时空范围的提取提出了更高要求。

常发拥堵提取的现有方法大多存在以下几点问题：对拥堵信息的统计多采取降维处理，损失了部分信息，导致提取结果可能存在时间错位和空间错位；拥堵的统计较为独立，忽略拥堵之间的时空关联性分析；时空范围提取精度不高，空间粒度多为路段级，时间粒度多受预先划分的统计周期所限。

发明内容

为此，本申请实施例提供常发拥堵时空范围提取方法和系统，分别从空间维度、时间维度和统计维度进行常发拥堵关联性分析，提升了准确性和精度。

为了实现上述目的，本申请实施例提供如下技术方案：

根据本申请实施例的第一方面，提供了常发拥堵时空范围提取方法，所述方法包括：

基于目标区域的常发拥堵路况数据集和路网数据集，构建拥堵分析矩阵集合；

沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；

分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；

对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合；

基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；

对每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围。

可选地，所述基于拥堵频次阈值从所述拥堵时空范围集合中筛选出每个矩阵的常发拥堵时空范围包括：

获取所述拥堵时空范围集合中每个子集的拥堵频次；

筛选出拥堵频次大于预设拥堵频次阈值的拥堵时空范围的集合，记为所述矩阵的常发拥堵时空范围。

可选地，所述基于目标区域的拥堵路况数据集和路网数据集，构建分析矩阵集合，包括：

基于目标区域的路网数据集和拥堵路况数据集，提取若干天中存在拥堵路况的路段集合；

基于所述拥堵路况的路段集合中的路段构建拓扑相邻的拥堵路链，得到空间上相互独立的路链集合；

针对路链集合中的每个路链构建空间、时间和统计维度的分析矩阵，所述分析矩阵的矩阵单元内存储拥堵路况数据集；

对每个路链构建所述分析矩阵，得到拥堵分析矩阵集合。

可选地，所述沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对相邻拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合，包括：

对所有相邻的拥堵区间进行所述空间关联性计算及合并操作，得到每个矩阵的所有拥堵区间结果集合，记为第一拥堵区间结果集合；

其中，所述空间关联性计算及合并操作包括：

根据每个矩阵内的某天内某时间点的两个相邻拥堵区间与之间的距离，计算所述两个相邻拥堵区间之间的平均速度v_ij；

计算两个相邻拥堵区间的空间维度关联性系数β_m；

若β_m大于预设空间关联性阈值μ_m，将两个相邻拥堵区间合并为一个拥堵区间。

可选地，所述分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合，包括：

针对每个矩阵，沿时间轴固定方向，逐一检验所述第一拥堵区间结果集合中时间相邻的两个拥堵区间之间的时间关联性；

若满足时间关联性，合并所述时间相邻的拥堵区间为一个拥堵区间子集合；

将多个拥堵区间子集合汇集，得到第二拥堵区间结果集合。

可选地，所述对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻子的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合，包括：

将所述每个矩阵的第二拥堵区间结果集合中的所有子集合按照时空范围排序，并按照从大到小的顺序进行时空关联性分析；

计算相邻两个拥堵区间子集合的时空关联性系数β_k；

若β_k大于预设时空关联性阈值μ_k，判定所述相邻两个拥堵区间子集合满足时空关联性；

提取满足时空关联性的两个拥堵区间子集合中拥堵重合的时空范围；

将提取的所有的拥堵重合的时空范围合并，得到每个矩阵的拥堵重合范围集合。

根据本申请实施例的第二方面，提供了常发拥堵时空范围提取系统，所述系统包括：

分析矩阵构建模块，用于基于目标区域拥堵路况数据集和路网数据集，构建分析矩阵集合；

空间关联性分析模块，用于沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对相邻拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；

时间关联性分析模块，用于分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间之间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；

时空关联性分析模块，用于对所述第二拥堵区间结果集合中的所有子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组所述相邻的拥堵区间子集合中重合的时空范围，得到每个矩阵的拥堵重合范围集合；

常发拥堵时空范围筛选模块，基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；

常发拥堵时空范围确定模块，用于将每个矩阵的所述常发拥堵重合的时空范围汇集，得到目标区域的常发拥堵时空范围。

可选地，所述常发拥堵时空范围筛选模块，具体用于：

获取所述拥堵时空范围集合中每个子集的拥堵频次；

筛选出拥堵频次大于预设拥堵频次阈值的拥堵时空范围的集合，记为所述矩阵的常发拥堵时空范围。

第三方面，本申请实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。

第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。

综上所述，本申请实施例提供了常发拥堵时空范围提取方法和系统，通过基于目标区域的常发拥堵路况数据集和路网数据集，构建拥堵分析矩阵集合；沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合；基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；对每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围。分别从空间维度、时间维度和统计维度进行常发拥堵关联性分析，提升了准确性和精度。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

图1为本申请实施例提供的常发拥堵时空范围提取方法流程示意图；

图2为本申请实施例提供的常发拥堵时空范围提取实施例示意图；

图3为本申请实施例提供的搜索路链的方法示意图；

图4为本申请实施例提供的构建的计算矩阵示意图；

图5为本申请实施例提供的常发拥堵时空范围提取系统框图；

图6示出了本申请实施例所提供的一种电子设备的结构示意图；

图7示出了本申请实施例所提供的一种计算机可读存储介质的示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本申请实施例提供的常发拥堵时空范围提取方法，所述方法包括：

步骤101：基于目标区域的常发拥堵路况数据集和路网数据集，构建拥堵分析矩阵集合；

步骤102：沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；

步骤103：分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；

步骤104：对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合；

步骤105：基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；

步骤106：对每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围。

在一种可能的实施方式中，在步骤101中，所述基于目标区域的拥堵路况数据集和路网数据集，构建分析矩阵集合，包括：

基于目标区域的路网数据集和拥堵路况数据集，提取若干天中存在拥堵路况的路段集合；基于所述拥堵路况的路段集合中的路段构建拓扑相邻的拥堵路链，得到空间上相互独立的路链集合；针对路链集合中的每个路链构建空间、时间和统计维度的分析矩阵，所述分析矩阵的矩阵单元内存储拥堵路况数据集；对每个路链构建所述分析矩阵，得到拥堵分析矩阵集合。

在一种可能的实施方式中，在步骤102中，所述沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对相邻拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合，包括：

对所有相邻的拥堵区间进行所述空间关联性计算及合并操作，得到每个矩阵的所有拥堵区间结果集合，记为第一拥堵区间结果集合；其中，所述空间关联性计算及合并操作包括：

根据每个矩阵内的某天内某时间点的两个相邻拥堵区间与之间的距离，计算所述两个相邻拥堵区间之间的平均速度v_ij；计算两个相邻拥堵区间的空间维度关联性系数β_m；若β_m大于预设空间关联性阈值μ_m，将两个相邻拥堵区间合并为一个拥堵区间。

在一种可能的实施方式中，在步骤103中，所述分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合，包括：

针对每个矩阵，沿时间轴固定方向，逐一检验所述第一拥堵区间结果集合中时间相邻的两个拥堵区间之间的时间关联性；若满足时间关联性，合并所述时间相邻的拥堵区间为一个拥堵区间子集合；将多个拥堵区间子集合汇集，得到第二拥堵区间结果集合。

在一种可能的实施方式中，在步骤104中，所述对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻子的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合，包括：

将所述每个矩阵的第二拥堵区间结果集合中的所有子集合按照时空范围排序，并按照从大到小的顺序进行时空关联性分析；计算相邻两个拥堵区间子集合的时空关联性系数β_k；若β_k大于预设时空关联性阈值μ_k，判定所述相邻两个拥堵区间子集合满足时空关联性；提取满足时空关联性的两个拥堵区间子集合中拥堵重合的时空范围；将提取的所有的拥堵重合的时空范围合并，得到每个矩阵的拥堵重合范围集合。

在一种可能的实施方式中，所述每个矩阵的第二拥堵区间结果集合按照如下步骤得到：

基于所述第一拥堵区间结果集合中的两个时间相邻的拥堵区间，分别计算各自平均速度；计算两个拥堵区间时间维度关联系数β_n；若β_n大于设定时间关联性阈值μ_n，则满足时间关联性，将两个拥堵区间合并为一个初始拥堵区间子集合；逐一遍历计算与初始拥堵区间子集合时间相邻的拥堵区间；当拥堵区间满足时间关联性时，将该拥堵区间添加至所述初始拥堵区间子集合；当拥堵区间均不满足时间关联性时，结束遍历，得到一个拥堵区间子集合；获取所述第一拥堵区间结果集合中满足时间关联性条件的所有拥堵区间子集合，得到所述第二拥堵区间子集合。

在一种可能的实施方式中，在步骤105中，所述基于拥堵频次阈值从所述拥堵时空范围集合中筛选出每个矩阵的常发拥堵时空范围，包括：

获取所述拥堵时空范围集合中每个子集的拥堵频次；

筛选出拥堵频次大于预设拥堵频次阈值的拥堵时空范围的集合，记为所述矩阵的常发拥堵时空范围。

下面结合实施例对本申请进行进一步详细阐述。本申请实施例提出基于路况信息的常发拥堵时空范围提取方法，如图2所示，该方法包含拥堵分析矩阵构建、空间关联性分析、时间关联性分析、时空(统计维度)关联性分析、拥堵提取四部分。

第一方面，针对拥堵情况构建拥堵分析矩阵集合。

本申请实施例中所需数据为目标区域的常发拥堵路况数据集和路网数据集。其中路况数据集表示为：

其中φ_i为第i天的路况数据集合。路网数据集表示为：R_ti＝{r_i|i＝1,2,...m}；其中，r_i为第i条路段。

A1.基于多天路况数据集提取拥堵路况数据集

基于路网数据集R_ti和拥堵路况数据集

提取n天中存在拥堵路况的路段集合R_bti，作为n天中存在拥堵路况的路段集合。

A2.基于所述拥堵路况的路段集合中的路段构建拓扑相邻的拥堵路链，得到空间上相互独立的路链集合。例如，任取R_bti中的一条路段r，分别向r上下游搜索，直至相邻路段不在R_bti中，得到首尾相接的路段集，就是结果路链。R_bti中的所有路段均遵循不重复使用原则。

图3所示为搜索路链方法的一个实例。图中r、r₁、r₂、r₃、r₄、r₅均在集合R_bti中，r为当前处理路段。向下游搜索可得r₁、r₂；向上游搜索取较长分支可得 r₃、r₄。则本次路链搜索结果为{r₄、r₃、r、r₁、r₂}。r₅因分支短未纳入当前路链，接下来的步骤处理至r₅时另行组建路链。

对R_bti中的路段进行A2步骤，得到空间上相互独立的路链集合： S＝{L_i|i＝1,2,...n}；L_i为第i个路链。

A3.针对路链集合中的每个路链构建空间、时间和统计维度的分析矩阵，所述分析矩阵的矩阵单元内存储拥堵路况数据集；例如，取S中的一个路链L_i，以距离d为划分长度，将L_i空间维度划分为m个等间隔的单元；以时间间隔t 为划分长度，将L_i每天内时间维度划分为n个等间隔的单元；以每天为统计间隔，记统计维度有k个等间隔的单元。对L_i构建一个m×n×k的计算矩阵M_i，分析矩阵单元内存储路况信息

路况信息包括交通状态(拥堵、缓行、畅通)、通行速度、旅行时间等。

图4所示为一个分析矩阵，其中，矩阵元素b为路况信息。

A4.对每个路链构建所述分析矩阵，得到拥堵分析矩阵集合。例如，对S中的每个路链做上述操作，构建拥堵分析矩阵集合：Mutrix＝{M_i|i＝1,2,...n}。

第二方面，进行空间关联性分析。对所有相邻的拥堵区间进行所述空间关联性计算及合并操作，得到每个矩阵的所有拥堵区间结果集合，记为第一拥堵区间结果集合φ_block。

B1.取Mutrix中的一个矩阵M，M为m×n×k矩阵，三个维度依次为空间、时间和统计维度。每个矩阵单元中存储的是该单元的路况信息。

B2.沿矩阵m轴固定方向搜索某天内某时间点的拥堵区间，对相邻拥堵区间做关联性分析与合并，得到每个矩阵的所有拥堵区间结果集合，记为第一拥堵区间结果集合。即固定n与k的值，提取m轴上的拥堵空间范围。

定义所得拥堵区间为Block＝{bgn,end,time,day}，bgn为区间起始单元的m轴索引，end为区间终止单元m轴索引，time为拥堵时刻索引，day为拥堵日期索引。

给定两个相邻拥堵区间Block_i与Block_j(i<j)，两区间time相同且day相同，两区间之间的距离为d_ij。计算两区间的平均速度v_ij按照公式(1)：

式中，l_i、l_j分别为Block_i、Block_j的区间长度，t_i、t_j分别为Block_i、Block_j的区间旅行时间。它们的计算方法如下公式组(2)：

l_i＝d(end_i-bgn_i+1)

l_j＝d(end_j-bgn_j+1)

定义相邻两拥堵区间Block_i与Block_j的空间维关联性系数为β_m按照公式 (3)：

式中D_merge为给定的距离阈值，v_k为第k个单元的通行速度。

若β_m大于预设空间关联性阈值μ_m，则认为两者关联性较强，可将将两个相邻拥堵区间合并为一个拥堵区间。

第三方面，进行时间关联性分析。针对每个矩阵，沿时间轴固定方向，逐一检验所述第一拥堵区间结果集合中时间相邻的两个拥堵区间之间的时间关联性；若满足时间关联性，合并所述时间相邻的拥堵区间为一个拥堵区间子集合；将多个拥堵区间子集合汇集，得到第二拥堵区间结果集合。

将所述每个矩阵的第二拥堵区间结果集合中的所有子集合按照时空范围排序，并按照从大到小的顺序进行时空关联性分析；计算相邻两个拥堵区间子集合的时空关联性系数β_k；若β_k大于预设时空关联性阈值μ_k，判定所述相邻两个拥堵区间子集合满足时空关联性；提取满足时空关联性的两个拥堵区间子集合中拥堵重合的时空范围；将提取的所有的拥堵重合的时空范围合并，得到每个矩阵的拥堵重合范围集合。即固定k轴的值，提取n轴上的拥堵时间范围。

在一种可能的实施方式中，所述每个矩阵的第二拥堵区间结果集合按照如下步骤得到：

C1.取所述第一拥堵区间结果集合

中的两个时间相邻的拥堵区间 Block_i、Block_j，两者满足time_i＝time_j-1，day_i＝day_j。分别计算两者平均速度v_i、 v_j，速度计算公式(4)为：

C2.计算两个拥堵区间时间维度关联系数为β_n，其计算公式(5)为：

式中l_ij为两拥堵区间空间单元重合部分数目。β_n与两拥堵区间的速度差异成反相关，与两者的重合率成正相关。若β_n大于给定关联性阈值μ_n，则认为两者关联性较强，归为一个拥堵区间子集合。

若β_n大于设定时间关联性阈值μ_n，则满足时间关联性，将两个拥堵区间合并为一个初始拥堵区间子集合。

C3.沿n轴固定方向，逐一遍历计算与初始拥堵区间子集合时间相邻的拥堵区间；当拥堵区间满足时间关联性时，将该拥堵区间添加至所述初始拥堵区间子集合；当拥堵区间均不满足时间关联性时，结束遍历，得到一个拥堵区间子集合；获取所述第一拥堵区间结果集合中满足时间关联性条件的所有拥堵区间子集合，得到所述第二拥堵区间子集合BA。

记BA＝{BlockArea_i|i∈[1,c]}，其中BlockArea_i为第i个拥堵子集合，c为拥堵子集合总数。其中BlockArea＝{Block_i,day|i∈[1,n]}，表示包含n个拥堵区间的拥堵区间子集合，day表示这些拥堵区间统计维度为同一日期day。

第四方面，进行时空关联性分析。分析不同天的拥堵时空范围的关联性。

D1.将BA中的所有子集按照所涉时空范围大小(涉及矩阵单元格多少)进行排序，并按照从大到小的顺序进行关联性分析。

计算相邻两个拥堵区间子集合的时空关联性系数，定义两子集BlockArea_i与BlockArea_j间的时空关联系数为β_k，两拥堵区间满足day_i≠day_j。β_k计算公式(6) 为：

其中a_i与a_j分别为BlockArea_i与BlockArea_j所涉及矩阵单元数量，a_ij为两者在时间和空间二维重合的单元数量。

D2.若β_k大于给定阈值μ_k，则判定所述相邻两个拥堵区间子集合满足时空关联性，两者为关联性较强的拥堵区，可做叠加分析提取重合的时空范围。

D3.提取满足时空关联性的两个拥堵区间子集合中拥堵重合的时空范围；

D4.将提取的所有的拥堵重合的时空范围合并，得到每个矩阵的拥堵重合范围集合。

第五方面，进行常发拥堵时空范围提取。

E1.给定拥堵频次阈值F，提取拥堵重合范围集合中频次大于F的常发拥堵时空范围，其中时间范围为[a，b]，空间范围为[e，f]。

E2.对每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围。

可以看出，本申请实施例充分利用了常发拥堵数据的时间、空间以及统计维度的信息，解决了时空错位问题；通过多维度的关联性分析，保证了提取结果的范围内的拥堵具有强关联性；提取结果的时空范围均为高精度且精度可通过参数进行调整控制。

综上所述，本申请实施例提供了常发拥堵时空范围提取方法，通过基于目标区域的常发拥堵路况数据集和路网数据集，构建拥堵分析矩阵集合；沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合；基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；对每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围。分别从空间维度、时间维度和统计维度进行常发拥堵关联性分析，提升了准确性和精度。

基于相同的技术构思，本申请实施例还提供了拥堵时空范围提取系统，如图5所示，所述系统包括：

分析矩阵构建模块501，用于基于目标区域拥堵路况数据集和路网数据集，构建分析矩阵集合；

空间关联性分析模块502，用于沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对相邻拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；

时间关联性分析模块503，用于分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间之间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；

时空关联性分析模块504，用于对所述第二拥堵区间结果集合中的所有子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组所述相邻的拥堵区间子集合中重合的时空范围，得到每个矩阵的拥堵重合范围集合；

常发拥堵时空范围筛选模块505，基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；

常发拥堵时空范围确定模块506，用于将每个矩阵的所述常发拥堵重合的时空范围汇集，得到目标区域的常发拥堵时空范围。

在一种可能的实施方式中，所述常发拥堵时空范围筛选模块505，具体用于：

获取所述拥堵时空范围集合中每个子集的拥堵频次；筛选出拥堵频次大于预设拥堵频次阈值的拥堵时空范围的集合，记为所述矩阵的常发拥堵时空范围。

本申请实施方式还提供一种与前述实施方式所提供的常发拥堵时空范围提取方法对应的电子设备。请参考图6，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示，所述电子设备20可以包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口 203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的拥堵时空范围提取方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个物理端口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述拥堵时空范围提取方法可以应用于处理器200中，或者由处理器 200实现。

处理器200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200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器 (Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP) 等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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储器，闪存、只读存储器，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201，处理器200 读取存储器201中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的拥堵时空范围提取方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的常发拥堵时空范围提取方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的拥堵时空范围提取方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的常发拥堵时空范围提取方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请较佳的具体实施方式，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，可轻易想到的变化或替换，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 (8)

1.常发拥堵时空范围提取方法，其特征在于，所述方法包括：

基于目标区域的常发拥堵路况数据集和路网数据集，构建拥堵分析矩阵集合；

沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合；

分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；所述时间关联性是根据每个矩阵的第一拥堵区间结果集合中时间相邻的两个拥堵区间之间的时间是否关联计算的；

对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合；

基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；

对每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围；

所述沿所述分析矩阵集合里的每个矩阵空间维度的轴固定方向搜索某天内某时间点的拥堵区间，对相邻拥堵区间进行空间关联性分析与合并，得到每个矩阵的第一拥堵区间结果集合，包括：

对所有相邻的拥堵区间进行所述空间关联性计算及合并操作，得到每个矩阵的所有拥堵区间结果集合，记为第一拥堵区间结果集合；其中，所述空间关联性计算及合并操作包括：根据每个矩阵内的某天内某时间点的两个相邻拥堵区间与之间的距离，计算所述两个相邻拥堵区间之间的平均速度；计算两个相邻拥堵区间的空间维度关联性系数；若所述空间维度关联性系数大于预设空间关联性阈值，将两个相邻拥堵区间合并为一个拥堵区间；

所述对所述第二拥堵区间结果集合中的子集合进行时空关联性计算，筛选满足时空关联性的相邻子的拥堵区间子集合，提取每组相邻子集中重合的时空范围，得到每个矩阵的拥堵重合范围集合，包括：

将所述每个矩阵的第二拥堵区间结果集合中的所有子集合按照时空范围排序，并按照从大到小的顺序进行时空关联性分析；计算相邻两个拥堵区间子集合的时空关联性系数；若所述时空关联性系数大于预设时空关联性阈值，判定所述相邻两个拥堵区间子集合满足时空关联性；提取满足时空关联性的两个拥堵区间子集合中拥堵重合的时空范围；将提取的所有的拥堵重合的时空范围合并，得到每个矩阵的拥堵重合范围集合。

2.如权利要求1所述的方法，其特征在于，所述基于拥堵频次阈值从所述拥堵时空范围集合中筛选出每个矩阵的常发拥堵时空范围，包括：

获取所述拥堵时空范围集合中每个子集的拥堵频次；

筛选出拥堵频次大于预设拥堵频次阈值的拥堵时空范围的集合，记为所述矩阵的常发拥堵时空范围。

3.如权利要求1所述的方法，其特征在于，所述基于目标区域的拥堵路况数据集和路网数据集，构建分析矩阵集合，包括：

基于目标区域的路网数据集和拥堵路况数据集，提取若干天中存在拥堵路况的路段集合；

基于所述拥堵路况的路段集合中的路段构建拓扑相邻的拥堵路链，得到空间上相互独立的路链集合；

针对路链集合中的每个路链构建空间、时间和统计维度的分析矩阵，所述分析矩阵的矩阵单元内存储拥堵路况数据集；

对每个路链构建所述分析矩阵，得到拥堵分析矩阵集合。

4.如权利要求1所述的方法，其特征在于，所述分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合，包括：

针对每个矩阵，沿时间轴固定方向，逐一检验所述第一拥堵区间结果集合中时间相邻的两个拥堵区间之间的时间关联性；

若满足时间关联性，合并所述时间相邻的拥堵区间为一个拥堵区间子集合；

将多个拥堵区间子集合汇集，得到第二拥堵区间结果集合。

5.拥堵时空范围提取系统，其特征在于，所述系统包括：

分析矩阵构建模块，用于基于目标区域拥堵路况数据集和路网数据集，构建分析矩阵集合；

空间关联性分析模块，用于对所有相邻的拥堵区间进行空间关联性计算及合并操作，得到每个矩阵的所有拥堵区间结果集合，记为第一拥堵区间结果集合；其中，所述空间关联性计算及合并操作包括：根据每个矩阵内的某天内某时间点的两个相邻拥堵区间与之间的距离，计算所述两个相邻拥堵区间之间的平均速度；计算两个相邻拥堵区间的空间维度关联性系数；若所述空间维度关联性系数大于预设空间关联性阈值，将两个相邻拥堵区间合并为一个拥堵区间；

时间关联性分析模块，用于分析每个所述第一拥堵区间结果集合中时间相邻的拥堵区间之间的时间关联性，合并满足时间关联性条件的相邻的拥堵区间，得到每个矩阵的第二拥堵区间结果集合；所述时间关联性是根据每个矩阵的第一拥堵区间结果集合中时间相邻的两个拥堵区间之间的时间是否关联计算的；

时空关联性分析模块，用于将所述每个矩阵的第二拥堵区间结果集合中的所有子集合按照时空范围排序，并按照从大到小的顺序进行时空关联性分析；计算相邻两个拥堵区间子集合的时空关联性系数；若所述时空关联性系数大于预设时空关联性阈值，判定所述相邻两个拥堵区间子集合满足时空关联性；提取满足时空关联性的两个拥堵区间子集合中拥堵重合的时空范围；将提取的所有的拥堵重合的时空范围合并，得到每个矩阵的拥堵重合范围集合；

常发拥堵时空范围筛选模块，用于基于拥堵频次阈值从所述拥堵重合范围集合中筛选出每个矩阵的常发拥堵时空范围；

常发拥堵时空范围确定模块，用于将每个矩阵的所述常发拥堵时空范围汇集，得到目标区域的常发拥堵时空范围。

6.如权利要求5所述的系统，其特征在于，所述常发拥堵时空范围筛选模块，具体用于：

获取所述拥堵时空范围集合中每个子集的拥堵频次；

筛选出拥堵频次大于预设拥堵频次阈值的拥堵时空范围的集合，记为所述矩阵的常发拥堵时空范围。

7.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现如权利要求1-4任一项所述的常发拥堵时空范围提取方法。

8.一种计算机可读存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1-4任一项所述的常发拥堵时空范围提取方法。

Images