CN115909741A

CN115909741A - 一种交通状态的判别方法、设备及介质

Info

Publication number: CN115909741A
Application number: CN202211520639.3A
Authority: CN
Inventors: 李镇; 康传刚; 谷金; 常志宏; 崔建; 郭子英
Original assignee: Shandong Hi Speed Co Ltd
Current assignee: Shandong Hi Speed Co Ltd
Priority date: 2022-11-30
Filing date: 2022-11-30
Publication date: 2023-04-04
Anticipated expiration: 2042-11-30
Also published as: CN115909741B

Abstract

本申请公开了一种交通状态的判别方法，包括：通过路网确定历史交通流数据，根据历史交通流数据确定历史特征集合，并根据历史特征集合确定空间映射模型；通过路网获取实时交通流数据，并将实时交通流数据进行时空分割，以得到目标数据块；对目标数据块进行特征提取，以得到目标特征，将目标特征与历史特征集合进行依次匹配，以得到多个特征对；将多个特征对输入至空间映射模型中，以输出目标特征对应的多个相似度，并将多个相似度进行排序，从而确定最大相似度，并根据最大相似度确定交通状态。本申请通过基于集成式局部空间映射模型对公路路网交通状态进行判别，对交通状态的判别更将准确和具体。

Description

一种交通状态的判别方法、设备及介质

技术领域

本申请涉及交通技术领域，尤其涉及一种交通状态的判别方法、设备及介质。

背景技术

随着中国公路交通系统的快速发展，高速公路交通拥堵频率逐渐升高，成为影响城市发展和人们日常生活的重要问题。高速公路拥堵治理已经成为高速运营企业和高速公路主管部门的重要任务，快速、高效、准确地判定高速公路拥堵状态是实现拥堵治理的关键。因此，对高速公路拥堵情况进行实时监测和识别成为当下缓解拥堵问题过程中亟待解决的问题。

发明内容

为了解决上述问题，本申请提出了一种交通状态的判别方法，包括：通过路网确定历史交通流数据，根据所述历史交通流数据确定历史特征集合，并根据所述历史特征集合确定空间映射模型；通过所述路网获取实时交通流数据，并将所述实时交通流数据进行时空分割，以得到目标数据块；对所述目标数据块进行特征提取，以得到目标特征，将所述目标特征与所述历史特征集合进行依次匹配，以得到多个特征对；将所述多个特征对输入至所述空间映射模型中，以输出所述目标特征对应的多个相似度，并将所述多个相似度进行排序，从而确定最大相似度，并根据所述最大相似度确定交通状态。

在一个示例中，通过所述路网获取实时交通流数据，并将所述实时交通流数据进行时空分割，具体包括：确定所述路网中的多个门架，并根据预先设置的选取空间确定所述多个门架中的第一门架和第二门架；采集所述第一门架的门架数据和所述第二门架的门架数据，并将所述第一门架的门架数据和所述第二门架的门架数据进行整合，以得到所述交通流数据；根据预先设置的选取时间对所述交通流数据进行分割，以获得所述选取时间内的所述目标数据块。

在一个示例中，对所述目标数据块进行特征提取，具体包括：确定所述路网中门架的数量和特征，根据所述数量和特征确定所述路网的特征维度；根据所述特征维度和预先设置的提取时间对所述目标数据块进行特征提取，以得到目标特征。

在一个示例中，根据所述历史特征集合确定空间映射模型，具体包括：根据预先设置的聚类规则对所述历史特征集合进行聚类，以得到聚类簇，并根据所述聚类簇确定所述路网的交通状态标签；根据所述交通状态标签和所述历史特征集合建立所述空间映射模型。

在一个示例中，根据所述交通状态标签和所述历史特征集合建立所述空间映射模型，具体包括：根据所述历史特征集合确定多个样本对，并确定所述样本对的类别标签，其中，所述类别标签包括交通状态相同和交通状态不同；根据所述类别标签将所述多个样本对进行分类，从而将所述多个样本对分为正样本集合和负样本集合；根据预先设置的学习框架确定投影函数，并根据所述投影函数对分类后的所述样本对进行循环，以根据所述样本对确定对应的子模型，从而根据所述子模型集合形成所述空间映射模型。

在一个示例中，所述方法还包括：根据所述样本对确定哈希投影矩阵，并根据所述哈希投影矩阵计算所述样本对的相似度，其中，所述相似度的计算公式为：

其中，sim(x，y)为所述相似度，f_X(x)和f_Y(y)为所述样本对{x_k，y_k}的所述哈希投影矩阵，p和q为所述样本对{x_k，y_k}的投影向量，a和b为所述样本对{x_k，y_k}的投影偏移，k(x)和k(y)为通过主成分分析对所述样本对{x_k，y_k}的降维结果，h_X(x)和h_Y(y)为所述样本对{x_k，y_k}的投影函数结果，其中，h_X(x)＝sign(p^Tk(x)+a)，h_Y(y)＝sign(q^Tk(y)+b)。

在一个示例中，所述方法还包括：确定所述投影函数的目标函数，其中，所述目标函数的公式为：

其中，Φ为所述目标函数，w_k＝w(x_k，y_k)为所述样本对{x_k，y_k}的样本权重，s_k＝s(x_k，y_k)∈{-1，+1}为所述样本对的类别标签。

在一个示例中，根据所述投影函数对分类后的所述样本对进行循环，具体包括：计算所述投影函数的系数，其中，所述系数的计算公式为：

其中，α_l为第l个子模型对应的所述投影函数的系数，Φ_l为所述目标函数。

在一个示例中，所述方法还包括：根据所述系数对所述样本权重进行更新，其中，所述样本权重的更新公式为：

w_l+1(k)＝w_l(k)exp(-s(x_k，y_k)α_lf_X(x_k)f_Y(y_k))，

并对所述样本权重进行归一化，其中，所述样本权重的归一化公式为：

在一个示例中，根据所述历史交通流数据确定历史特征集合，具体包括：将所述历史交通流数据进行时空分割，以得到多个历史数据块，并对所述多个历史数据块进行特征提取，以得到所述历史特征集合。

本申请通过基于集成式局部空间映射模型对公路路网交通状态进行判别，即考虑了时间、空间等规律性影响因素的影响，又考虑了突发性恶劣天气、交通事故以及高速公路改扩建施工等随机性影响因素的影响。通过多个局部数据空间映射对，每一对空间映射模型将目标数据和历史数据分别映射到统一的数据空间，然后在每一个数据空间中判定目标数据与历史数据的相似度，来综合判定与目标数据最相近的历史数据，然后将历史数据的交通流状态赋予目标数据，使对交通状态的判别更将准确和具体。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种交通状态的判别方法的流程示意图；

图2为本申请实施例中一种交通状态的判别设备的示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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，都属于本申请保护的范围。

以下结合附图，详细说明本申请各实施例提供的技术方案。

快速、高效、准确地判定高速公路拥堵状态是实现拥堵治理的基础和关键。从整体上来看，高速公路交通状态存在着一定的规律性，随着大数据和人工智能技术的发展，通过合适的方法对交通流数据处理分析，挖掘潜在特征，便能实现对高速公路拥堵的有效识别。为交通管理部门制定拥堵预防措施、为出行者提前规划出行路线提供参考。

目前市面上对交通状态判别方法都是基于交通流特征数据和算法模型来判定交通状态。但影响高速公路区域交通流的因素有很多，包括时间、空间、恶劣天气、突发性交通事故以及高速公路改扩建施工等多种因素。一方面，时间层面和空间层面对高速公路区域交通流的影响是存在规律性的，被称为“规律性影响因素”；另一方面，突发性恶劣天气、交通事故以及高速公路改扩建施工则更加具有随机性，在交通状态判别的过程中是没有规律的，被称为“随机性影响因素”。两方面的因素导致高速公路区域交通流特征的分布呈现出多样的变化，也为基于机器学习的高速公路区域交通流状态判别带来了困难。

早期市面上用于交通拥堵状态判别算法主要有加利福尼亚算法、标准偏差算法、McMaster算法、贝叶斯算法、HIOCC算法、模糊逻辑、相位角划分法、专家经验等。而后为更好地刻画交通状态的模糊性特征，模糊算法被广泛采用。随着机器学习的飞速发展，支持向量机、神经网络等人工智能算法的优越性逐渐显现，越来越多的研究者开始使用此类算法研究交通拥堵。例如，可动态调整隶属度和判别规则的BP神经网络进行交通状态判别；小波变换技术去除数据噪音，构建基于RBF的交通状态识别模型；通过改进核函数优化SVM，建立路网状态识别模型。经过诸多研究和实践，模糊算法、支持向量机、神经网络已然成为当前道路交通状态研究过程中应用最广的方法。

然而，交通流运行状态具有明显的模糊特征，例如，人们常使用拥堵或不拥堵等模糊语言来描述交通状况。不同的交通状态之间没有明确的边界，因此阻碍了对这些状态的定量描述。其次，使用机器学习方法建立交通状态判别模型的目的是通过训练获得准确率高、稳定性强的模型。但是在实际中，学习到的模型往往具有一定的偏好不能完全满足需求。市面上的方法都试图构建一个通用的算法模型，应对各种因素影响下的高速公路交通流数据空间分布变化。因此，我们认为跨摄像机图片综合特征处于两种不同的数据模态中，同时每一个模态内部又分别具有多种样本分布。模态的差异主要由颜色信息的差异决定，模态内部的多种样本分布则是由各自摄像机中视角、行人姿势和外部遮挡所导致的纹理和形状信息不稳定性造成。

如图1所示，为了解决上述问题，本申请实施例提供的一种交通状态的判别方法，方法包括：

S101、通过路网确定历史交通流数据，根据所述历史交通流数据确定历史特征集合，并根据所述历史特征集合确定空间映射模型。10 456789

目前市面上的公路上都建有门架系统，一条公路上每相隔一段距离就有一个门架，该门架上设置有多个用于道路检测的检测模块，例如，检测路面上汽车的型号、车牌、行驶速度，或者通过摄像头对路面上的汽车进行拍照，向服务器上传照片或视屏等信息。公路和其路面上的多个门架，形成了路网。获取路网的历史门架数据，将该历史门架数据作为历史交通流数据。基于历史特征集合和对应的标签计算得到集成式局部数据空间映射模型。

在一个实施例中，在计算空间映射模型之前，要将历史交通流数据进行时空分割，得到历史数据块集合。该时空分割体现在历史交通流数据的采集阶段。针对路网中的每一个门架，选取其上下游各两个门架，记为第一门架和第二门架，该第一门架和第二门架之间为空间范围，其中，该第一门架和第二门架可以是相邻的门架，也可以是与第一门将相隔几个门架的距离后选择第二门架。采集第一门架的门架数据和第二门架的门架数据，并将第一门架的门架数据和第二门架的门架数据进行整合，以得到交通流数据。选取当前采集时刻的前10分钟为时间范围，将以上时间范围和空间范围内的门架数据作为判定当前时刻此门架交通状态的原始数据，即历史数据块。其中，门架数据包括若干条记录，每一条记录包括车牌号、门架号、门架经度、门架维度、过车时间、瞬时车速等信息。交通状态包括畅通、基本畅通、轻度拥堵、中度拥堵和严重拥堵等。

在一个实施例中，针对每一个门架，在预定的时空范围内，以1分钟为时间单位，设置提取时间，在提取时间内提取每一个门架的特征，该特征包括交通流量、平均车速和交通密度。提取第一门架和第二门架之间的组合特征，该组合特征包括两个门架之间的平均行程时间、85％位行程时间和15％位行程时间，其中，行程时间有多个，按照小到大的顺序进行排序，85％位行程时间为排在85％位的行程时间，15％位行程时间含义类似。将门架特征和组合特征集合为目标特征，并得到目标特征的维度。例如，若一条路上有5个门架，则针对每个门架，提取3个特征，共计15个特征；5个门架两两组合，形成10种不同的组合，每个组合提取3个组合特征，共计30个特征；门架特征和组合特征加起来是45个特征，组成45维特征向量；且时间范围是10分钟，提取时间是1分钟，因此，10分钟内共计得到450维的特征向量，即历史特征集合。

在一个实施例中，假设得到的历史特征集合为X＝{x₁，x₂，...，x_N}，x∈R^45*1，并设定交通状态共有K种，则设定聚类中心格式为K。对历史特征集合X进行K-Means聚类，得到K个聚类簇。将每一个历史特征x_i的聚类簇作为交通状态标签l_i∈{1，2，...，K}。

在一个实施例中，将历史数据特征样本集合

中的进行两两组合，形成一系列的样本对，形成训练样本集

其中，

其中，x_i和y_i表示组成样本对的两个历史数据特征样本，

表示x_i的样本标签，

表示y_i的样本标签，s_i表示样本对的类别标签(+1表示x_i和y_i具有相同的交通状态，-1表示x_i和y_i具有不同的交通状态)。

针对训练样本集

根据类别标签s_i的取值，可以将T划分为正样本集合

和负样本集合

其中|P|表示正样本集合中元素的个数，|N|表示负样本集合中元素的个数，满足|P|+|N|＝M。

我们使用AdaBoost集成框架来学习局部空间映射模式集合H＝[h₁，h₂，...，h_L]，其中的L个子模块分别用于处理L种数据分布差异，子模块的数量L为自定义数量。每一个子模型由一对投影函数构成h_l＝[f_Xl(x)，f_Yl(x)]，用于将处于不同模态的交通流特征投影到统一的数据空间中以完成数据匹配。

在一个实施例中，整个学习框架为：第一，确定输入数据：训练样本对

以及样本对的类别标签s_i＝{+1，-1}，正样本对构成集合

负样本对构成

初始化样本权重，

第二，循环开始。

第一步：学习投影函数对h_l＝[f_Xl(x)，f_Yl(y)]。其中f_Xl(x)是针对训练样本对

中的x_i的投影函数，f_Yl(y)是针对训练样本对

中的y_i的投影函数。

第二步：计算投影函数对h_l＝[f_Xl(x)，f_Yl(y)]的α系数，计算公式为：

其中Φ_l为第一步中得到的目标函数。

第三步：更新样本权重，权重公式为：

w_l+1(k)＝w_l(k)exp(-s(x_k，y_k)α_lf_X(x_k)f_Y(y_k))

第四步：样本权重归一化，归一化公式为：

第三，循环终止。输出数据：L个子模块

以及对应权重。

在一个实施例中，子模块的投影函数学习部分使用双哈希投影和汉明距离来进行子模块训练，具体来说，对于不同交通流特征，使用不同的哈希投影函数。假定两个样本特征空间分别为X∈R^D和Y∈R^D，分别定义如下的两个哈希投影矩阵f_X(x)和f_Y(y)，将x∈X和y∈Y共同的投影到Hamming空间H∈R中，

其中，p∈R^D和q∈R^D是投影向量；a∈R和b∈R是投影偏移；k(x)和k(y)分别是使用主成分分析(PCA)对样本特征x和y进行降维的结果，PCA降维过程中，保存85％的能量。

在Hamming空间中，x和y相似度为：

其中，h_X(x)＝sign(p^Tk(x)+a)，h_Y(y)＝sign(q^Tk(y)+b)。

合理的模型参数能够保证同类特征数据经过投影后具有相同的哈希值，或者较小的Hamming距离；而异类特征数据进行投影之后具有不同的哈希值，或者较大的Hamming距离。

对一组哈希投影函数h_X(x)和h_Y(y)，我们在训练数据集合中建立数据类别和Hamming距离之间的关系，即定义目标函数如下：

Φ＝E{f_X(x)·f_X(x)|{x，y}∈N}-γE{f_X(x)·f_X(x)|{x，y}∈P}

其中E(·)表示期望运算，f_X(x)·f_X(x)表示Hamming距离，γ表示同类样本对和异类样本对重要性权衡系数，其默认值为1。

将相似度sim(x，y)的公式代入目标函数Φ的公式中，得到目标函数的具体表达形式为：

其中w_k＝w(x_k，y_k)表示样本对{x_k，y_k}在本次子模型学习过程中的样本权重，s_k＝s(x_k，y_k)∈{-1，+1}表示样本x和样本y是否属于同一个类别。通过最小化目标函数来学习参数{p，q，a，b}。

在一个实施例中，训练过程包括目标函数的具体公式中的优化问题是NP-Hard问题，我们对其进行线性松弛，将f_X(x)和f_Y(y)设定为k(x_k)和k(y_k)的低维线性嵌入，即

那么目标函数的具体公式可以改写为

对该公式进行数学变换得到

其中C是同类样本对构成的加权协方差矩阵和异类样本对构成的加权协方差矩阵的差值。线性松弛将原始NP-Hard问题转化为了该公式中的特征值求解问题。投影向量p和q为矩阵C的前R个最大奇异值对应的左右奇异向量中的一个，所以将每一对可能的左右奇异向量赋予p和q，然后求取最优投影偏差a和b。

针对每一对投影向量p和q，我们寻找最优的投影偏差a和b。在固定p和q之后，我们首先分别确定出a_l和b_l的取值范围，

然后采用网格搜索的方法，将a_l和b_l的取值范围划分为B*B个网格，其中每一个网络节点对应一种(a_l，b_l)，我们在每一个网格节点上进行目标函数的计算，并将能够得到最小目标函数的a_l和b_l作为最优投影偏差。

S102、通过所述路网获取实时交通流数据，并将所述实时交通流数据进行时空分割，以得到目标数据块。

S103、对所述目标数据块进行特征提取，以得到目标特征，将所述目标特征与所述历史特征集合进行依次匹配，以得到多个特征对。

模型建立好后，开始通过模型对公路的交通状态进行实时监测。获取公路路网最近连续10分钟的交通流数据，并根据时空分割方法获得目标数据块。基于目标数据块进行特征提取，得到目标特征。其中，获取实时交通流数据到目标特征的提取过程，与历史交通流数据到历史特征集合的过程相同，在此不再论述。

S104、将所述多个特征对输入至所述空间映射模型中，以输出所述目标特征对应的多个相似度，并将所述多个相似度进行排序，从而确定最大相似度，并根据所述最大相似度确定交通状态。

从历史特征集合中依此抽取单个历史特征，与目标特征组成特征对，送入集成式局部数据空间映射模型，得到目标特征与历史特征之间的相似度。重复上述过程，直到计算出目标特征与历史特征集合中所有历史特征之间的相似度，选择最大相似度对应的历史特征的交通状态标签作为目标特征的交通状态，即为当前高速公路路网的交通状态。

在一个实施例中，假定目标特征为x_test，使用集成式局部空间映射方法计算目标特征与历史数据特征样本集合

中的每一个特征进行相似度计算，分别得到相似度结果为：

s_i＝S(x_test，x_i)，i＝1，2，...，N

最后，选择最大相似度对应的历史数据特征的标签作为目标特征的标签。

如图2所示，本申请实施例还提供了一种交通状态的判别设备，包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述一种交通状态的判别设备能够执行：

通过路网确定历史交通流数据，根据所述历史交通流数据确定历史特征集合，并根据所述历史特征集合确定空间映射模型；

通过所述路网获取实时交通流数据，并将所述实时交通流数据进行时空分割，以得到目标数据块；

对所述目标数据块进行特征提取，以得到目标特征，将所述目标特征与所述历史特征集合进行依次匹配，以得到多个特征对；

将所述多个特征对输入至所述空间映射模型中，以输出所述目标特征对应的多个相似度，并将所述多个相似度进行排序，从而确定最大相似度，并根据所述最大相似度确定交通状态。

本申请实施例还提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：

本申请中的各个实施例均采用递进的方式描述，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，对于设备和介质实施例而言，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。

本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种交通状态的判别方法，其特征在于，包括：

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：

确定所述路网中的多个门架，并根据预先设置的选取空间确定所述多个门架中的第一门架和第二门架；

采集所述第一门架的门架数据和所述第二门架的门架数据，并将所述第一门架的门架数据和所述第二门架的门架数据进行整合，以得到交通流数据；

根据预先设置的选取时间对所述交通流数据进行分割，以获得所述选取时间内的所述目标数据块。

3.根据权利要求1所述的方法，其特征在于，对所述目标数据块进行特征提取，具体包括：

确定所述路网中门架的数量和特征，根据所述数量和特征确定所述路网的特征维度；

根据所述特征维度和预先设置的提取时间对所述目标数据块进行特征提取，以得到目标特征。

4.根据权利要求1所述的方法，其特征在于，根据所述历史特征集合确定空间映射模型，具体包括：

根据预先设置的聚类规则对所述历史特征集合进行聚类，以得到聚类簇，并根据所述聚类簇确定所述路网的交通状态标签；

根据所述交通状态标签和所述历史特征集合建立所述空间映射模型。

5.根据权利要求4所述的方法，其特征在于，根据所述交通状态标签和所述历史特征集合建立所述空间映射模型，具体包括：

根据所述历史特征集合确定多个样本对，并确定所述样本对的类别标签，其中，所述类别标签包括交通状态相同和交通状态不同；

根据所述类别标签将所述多个样本对进行分类，从而将所述多个样本对分为正样本集合和负样本集合；

根据预先设置的学习框架确定投影函数，并根据所述投影函数对分类后的所述样本对进行循环，以根据所述样本对确定对应的子模型，从而根据所述子模型集合形成所述空间映射模型。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

根据所述样本对确定哈希投影矩阵，并根据所述哈希投影矩阵计算所述样本对的相似度，其中，所述相似度的计算公式为：

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

确定所述投影函数的目标函数，其中，所述目标函数的公式为：

8.根据权利要求7所述的方法，其特征在于，根据所述投影函数对分类后的所述样本对进行循环，具体包括：

计算所述投影函数的系数，其中，所述系数的计算公式为：

9.根据权利要求8所述的方法，其特征在于，所述方法还包括：

根据所述系数对所述样本权重进行更新，其中，所述样本权重的更新公式为：

w_l+1(k)＝w_l(k)exp(-s(x_k，y_k)α_lf_X(x_k)f_Y(y_k))，

10.根据权利要求1所述的方法，其特征在于，根据所述历史交通流数据确定历史特征集合，具体包括：

将所述历史交通流数据进行时空分割，以得到多个历史数据块，并对所述多个历史数据块进行特征提取，以得到所述历史特征集合。