CN116631196A - 一种基于大数据的交通路况预测方法及装置 - Google Patents

Abstract

本申请属于交通控制系统技术领域，具体涉及一种基于大数据的交通路况预测方法及装置。该方法包括步骤S1、根据道路上过往车辆的速度确定道路是否异常；步骤S2、当道路异常时，获得各车辆的实时速度信息及位置信息；步骤S3、根据各车辆的速度信息确定异常道路区间，构建特征向量；步骤S4、对所述特征向量进行归一化；步骤S5、基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常；步骤S6、基于模型输出，确定道路的具体异常情况。本申请提高了道路异常情况的预测准确度。

Description

一种基于大数据的交通路况预测方法及装置

技术领域

本申请属于交通控制系统技术领域，具体涉及一种基于大数据的交通路况预测方法及装置。

背景技术

随着我国公路路网日益完善，网络节点日益增多，网络系统管理需求也日益迫切；另一方面，大数据、物联网、人工智能等技术不断得到推广应用，自动驾驶、智能网联汽车、车路协同、云平台等技术日益发展，道路使用者等出行需求和数据获取、分享方式等日益多样化。

现有技术通常通过交通管制、智能化控制指挥等方式对拥堵的交通进行控制，但是由于对道路异常拥堵的原因不明导致不能及时采取有效的管控措施，致使拥堵情况进一步恶化。

发明内容

为了解决上述问题，本申请提供了一种基于大数据的交通路况预测方法及装置，利用BP神经网络对道路异常情况进行预测，进而能够根据预测的具体道路异常情况采取更有针对性的应对措施。

本申请第一方面提供了一种基于大数据的交通路况预测方法，主要包括：

步骤S1、根据道路上过往车辆的速度确定道路是否异常；

步骤S2、当道路异常时，获得各车辆的实时速度信息及位置信息；

步骤S3、根据各车辆的速度信息确定异常道路区间，构建特征向量，所述特征向量包括所述异常道路区间的车辆平均速度、各车辆最大速度均值、各车辆最小速度均值，各车辆变道次数均值、车辆平均转弯率、各车辆起伏次数均值；

步骤S4、对所述特征向量进行归一化；

步骤S5、基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常；

步骤S6、基于模型输出，确定道路的具体异常情况。

优选的是，步骤S1中，采集道路上过往车辆的速度，当低于设定值的车辆数量占比超过80%时，确定道路异常，所述设定值为该道路上车辆的历史平均速度的50%。

优选的是，步骤S2中，通过读取安装在各车辆上的数据采集卡，获得各车辆的速度变化曲线、高度变化曲线及位置变化曲线，根据速度变化曲线、高度变化曲线及位置变化曲线确定各车辆的实时速度信息及位置信息。

优选的是，步骤S3进一步包括：

根据所有车辆的速度变化曲线确定异常道路区间，当速度低于设定值的车辆数量占比超过60%时，作为异常道路区间的起点，当速度低于设定值的车辆数量占比低于60%时，作为异常道路区间的终点；

根据所有车辆的速度变化曲线确定的所有车辆平均速度、各车辆最大速度均值、各车辆最小速度均值；

根据位置变化曲线及速度变化曲线确定各车辆的变道次数均值及车辆平均转弯率；

根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值。

优选的是，根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值包括：

对任意一辆车，将所述高度变化曲线及速度变化曲线离散为若干个小区间，获取各小区间的速度最低值V1、速度最高值V2、高度最低值H1、高度最高值H2；

确定高度相对变化量δh：δh=Vdem*( H2- H1)/(V2+V1)，其中Vdem是指给定的速度参考值；

当高度相对变化量超过设定值时，该车辆该小区间计数为一次起伏。

本申请第二方面提供了一种基于大数据的交通路况预测装置，主要包括：

道路异常确定模块，用于根据道路上过往车辆的速度确定道路是否异常；

速度及位置信息获取模块，用于当道路异常时，获得各车辆的实时速度信息及位置信息；

参数统计模块，用于根据各车辆的速度信息确定异常道路区间，构建特征向量，所述特征向量包括所述异常道路区间的车辆平均速度、各车辆最大速度均值、各车辆最小速度均值，各车辆变道次数均值、车辆平均转弯率、各车辆起伏次数均值；

归一化模块，用于对所述特征向量进行归一化；

模型输出模块，用于基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常；

异常情况预测模块，用于基于模型输出，确定道路的具体异常情况。

优选的是，所述道路异常确定模块包括：

低速车辆统计单元，用于采集道路上过往车辆的速度，当低于设定值的车辆数量占比超过80%时，确定道路异常，所述设定值为该道路上车辆的历史平均速度的50%。

优选的是，所述速度及位置信息获取模块包括：

曲线获取单元，用于通过读取安装在各车辆上的数据采集卡，获得各车辆的速度变化曲线、高度变化曲线及位置变化曲线，根据速度变化曲线、高度变化曲线及位置变化曲线确定各车辆的实时速度信息及位置信息。

优选的是，所述参数统计模块包括：

异常道路区间确定单元，用于根据所有车辆的速度变化曲线确定异常道路区间，当速度低于设定值的车辆数量占比超过60%时，作为异常道路区间的起点，当速度低于设定值的车辆数量占比低于60%时，作为异常道路区间的终点；

速度统计单元，用于根据所有车辆的速度变化曲线确定的所有车辆平均速度、各车辆最大速度均值、各车辆最小速度均值；

变道及转弯率统计单元， 用于根据位置变化曲线及速度变化曲线确定各车辆的变道次数均值及车辆平均转弯率；

起伏次数统计单元，用于根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值。

优选的是，所述起伏次数统计单元包括：

区间离散子单元，用于对任意一辆车，将所述高度变化曲线及速度变化曲线离散为若干个小区间，获取各小区间的速度最低值V1、速度最高值V2、高度最低值H1、高度最高值H2；

起伏量确定子单元，用于确定高度相对变化量δh：δh=Vdem*( H2- H1)/(V2+V1)，其中Vdem是指给定的速度参考值；

计数子单元，用于当高度相对变化量超过设定值时，该车辆该小区间计数为一次起伏。

本申请提高了道路异常情况的预测准确度，为道路交通管理及时准确的提供更有针对性的应对措施。

附图说明

图1是本申请基于大数据的交通路况预测方法的一优选实施例的流程图。

图2是训练交通路况识别神经网络模型示意图。

具体实施方式

为使本申请实施的目的、技术方案和优点更加清楚，下面将结合本申请实施方式中的附图，对本申请实施方式中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施方式是本申请一部分实施方式，而不是全部的实施方式。下面通过参考附图描述的实施方式是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。基于本申请中的实施方式，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方式，都属于本申请保护的范围。下面结合附图对本申请的实施方式进行详细说明。

本申请第一方面提供了一种基于大数据的交通路况预测方法，如图1所示，主要包括：

步骤S1、根据道路上过往车辆的速度确定道路是否异常。

在该步骤中，道路异常通常包括因汇入车辆过多、行人数量突增、违法驾驶等原因导致的车辆拥堵异常，也可以包括由于山坡落石、道路开裂、塌陷、行车掉落障碍物导致的道路障碍异常，还可以是由于雨雪天气导致的路面湿滑、大雾引起的行车困难等异常，这些道路异常通常会致使车辆速度变慢，不同的异常情况还会引起驾驶操作的改变，例如急转弯、颠簸、急刹车等操作，或者出现车辆摇晃起伏等情形，本申请在步骤S1中，通过车辆速度的改变来确定道路异常，例如速度降低。

在一些可选实施方式中，步骤S1中，采集道路上过往车辆的速度，当低于设定值的车辆数量占比超过80%时，确定道路异常，所述设定值为该道路上车辆的历史平均速度的50%。

该实施例中，需要通过多个车辆的速度来判别道路异常情况的出现，通常通过间隔布置在道路上的摄像头来确定各个车辆的速度，首先基于历史数据确定相关摄像头处的车辆平均速度，将平均速度的一半作为设定值，用于评判车辆行驶缓慢的依据，当存在超过80%的车辆都低于该设定值时，则认为车辆行驶缓慢并非偶然性，以此确定道路异常。

备选实施方式中，设定值也可以是历史平均速度的30%或者其他百分比，也可以当低于设定值的车辆数量占比超过70%或其他百分比时，确定道路异常。

步骤S2、当道路异常时，获得各车辆的实时速度信息及位置信息。

在一些可选实施方式中，骤S2中，通过读取安装在各车辆上的数据采集卡，获得各车辆的速度变化曲线、高度变化曲线及位置变化曲线，根据速度变化曲线、高度变化曲线及位置变化曲线确定各车辆的实时速度信息及位置信息。各变化曲线通常以时间为横坐标，以速度、高度以及经纬度为纵坐标。

该实施例中，通常通过内置在行车记录仪、ETC等电子设备内的速度采集程序获得各个车辆的实时速度及位置信息，通过布置在道路上的读卡器获取车内的速度采集程序给出的速度及位置记录，或者通过GPS按设定时间间隔获取车辆行驶速度及位置信息。由于通过速度采集程序采集车辆的实时速度及位置信息的数据传输量较大，因此本申请通常只在道路异常情况下启动数据收集功能，并且选取适当数量的车辆进行数据收集，而在未确定道路异常的情况下，通常仅通过道路上的摄像头进行速度采集。

该实施例所采集的车辆速度及位置信息通常是对特定车辆持续跟踪，至少包括其速度异常时间段的数据。例如在步骤S1中，由当前道路上的多个摄像头采集的车辆速度信息确定道路异常后，至少包括这些摄像头及前后数个摄像头在内的路段的速度及位置信息均需要获取到。

步骤S3、根据各车辆的速度信息确定异常道路区间，构建特征向量，所述特征向量包括所述异常道路区间的车辆平均速度、各车辆最大速度均值、各车辆最小速度均值，各车辆变道次数均值、车辆平均转弯率、各车辆起伏次数均值。

在一些可选实施方式中，步骤S3进一步包括：

步骤S31、根据所有车辆的速度变化曲线确定异常道路区间，当速度低于设定值的车辆数量占比超过60%时，作为异常道路区间的起点，当速度低于设定值的车辆数量占比低于60%时，作为异常道路区间的终点；

步骤S32、根据所有车辆的速度变化曲线确定的所有车辆平均速度、各车辆最大速度均值、各车辆最小速度均值；

步骤S33、根据位置变化曲线及速度变化曲线确定各车辆的变道次数均值及车辆平均转弯率；

步骤S34、根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值。

本申请在步骤S31中进一步通过速度及具有对应速度的车辆数量来确定具体的道路异常区间，以便进行速度、位置等具体参数的计算。在步骤S32中，各个车辆的速度变化曲线能够计算各车辆的平均速度、最大速度、最小速度，多个车辆取均值即可。在步骤S33中，车辆变道次数通常由车辆的经纬度变化能够确定，平均转弯率则要进一步叠加转弯或变道过程的实时速度确定，平均转弯率能够在一定程度上反映道路坑洼、前车掉落异物等突发情况等路面异常的情形，是相关异常预测的一个重要参数。在步骤S35中，车辆起伏是预测路面不平整或对路面突然出现的异物忽略所导致的车辆异常，因此车辆起伏次数是相关异常预测的一个重要参数。

在步骤S35中，根据高度变化曲线即可确定起伏次数，但由于不同的车速会导致车辆起伏数据差异过大，可以将速度变化曲线一同纳入考虑范围，例如在一些可选实施方式中，根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值包括：

步骤S351、对任意一辆车，将所述高度变化曲线及速度变化曲线离散为若干个小区间，获取各小区间的速度最低值V1、速度最高值V2、高度最低值H1、高度最高值H2；

步骤S352、确定高度相对变化量δh：δh=Vdem*( H2- H1)/(V2+V1)，其中Vdem是指给定的速度参考值；

步骤S353、当高度相对变化量超过设定值时，该车辆该小区间计数为一次起伏。

该实施例中，首选需要确定一个起伏判定的标准，通常情况下，在一个小区间内，高度最高值H2减去高度最低值H1如果超过起伏标准，则认为车辆经历了一次明显的起伏，所谓明显的起伏例如是道路坑洼严重引起的颠簸，或者前车掉落的异物、山石滑坡等引起的颠簸。通常速度越快，起伏值有可能越高，因此起伏标准应当抵消掉由此带来的高度变化增量，即假设起伏标准是在速度参考值Vdem下制定的，如果车辆速度（此处指平均速度，或者平均速度的两倍：V2+V1）相比于速度参考值Vdem还要快的话，其通过高度变化曲线获得的高度变化量将大于起伏标准，这将导致本来平不是一次起伏历程而误判为起伏历程，因此，在计算高度相对变化量时，应当乘以速度参考值Vdem与平均速度的比值，以降低计算的高度相对变化量。

步骤S4、对所述特征向量进行归一化。

获得上述六个数据作为特征向量后，按各自标准进行归一化，即将数据映射到更小的区间内，比如[0,1]或[-1,1]，以便进行神经网络处理。

步骤S5、基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常。

在步骤S5之前，本申请预先构建并训练好了一套交通路况识别神经网络模型，与步骤S1-步骤S4所示，在进行交通路况识别神经网络模型训练时，同样需要获得这些特征向量，作为训练样本的输入数据，训练样本还应当具有对应的期望输出结果，交通路况识别神经网络模型采用输入层、隐藏层、输出层三个全连接层构成，输入层包括六个输入单元，用于输入上述六个参数，各输入单元具有权重，经过权重计算以及隐藏层各单元的偏置后得到隐藏层各单元的中间变量，再经过激活函数得到隐藏层各单元值，同样各隐藏层单元具有权重，经过权重计算以及输出层的各单元偏置后得到输出层各单元的中间变量，再经过激活函数得到输出层各单元值，这些值作为输出结果，如图2所示，与期望的输出结果进行比较，如果误差降到设定值以下，则认为训练得到满意结果，经过测试后即可参与步骤S5的应用，反之，调整各个权重及偏置，经过多轮迭代后能够得到满意结果。

该实施例中，上述激活函数采用S型函数或者线性函数均可，例如Sigmoid函数。修正上述给定的各权值及偏置即为模型的反向传递过程，该反向传递过程可以采用Widrow-Hoff学习规则，通过沿着相对误差平方和的最速下降方向来修正权值及偏置，以提高模型训练速度。

另外需要说明的是，由于BP神经网络中极小值比较多，所以很容易陷入局部极小值，因此，可以通过多次随机来实现对初始权值和偏置的设定。

本申请从历史数据中选取9000个样本，其中的8000个样本作为训练数据，1000个样本作为检验数据。然后将归一化后的特征向量作为模型输入，反映了不同车辆状态信息。将由三个概率值组成的三元组作为模型输出，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常，三元组表示为Y1，Y2，Y3。本申请采用三层的BP网络分类器进行建模，包括输入层、输出层及隐含层。隐含层单元数选择要做到选尽量少的隐含层单元数实现尽量好的泛化能力。隐含层层数可以根据模型精度的要求自行选择。隐含层的节点数 s 一般满足如下公式：

其中，s为隐含层节点数，r为输入层节点数，本实施例为6，c为输出层节点数，本实施例为3，β为调节常数，在一些可选实施方式中，所述隐含层的节点数量为10，此时能够获得的诊断效果最佳。

步骤S6、基于模型输出，确定道路的具体异常情况。

例如在一个具体的模型计算得到的三元组结果为[0.83,0.11,0.06]，对应的道路异常为拥堵异常，再例如计算的三元组结果为[0.03,0.91,0.06]，对应的道路异常为道路障碍异常。

本申请能够快速确定道路的具体异常情况，并根据上述异常情况及时作出道路交通管理措施，例如疏散交通或者清理路面。

本申请第二方面提供了一种与上述方法对应的基于大数据的交通路况预测装置，主要包括：

道路异常确定模块，用于根据道路上过往车辆的速度确定道路是否异常；

速度及位置信息获取模块，用于当道路异常时，获得各车辆的实时速度信息及位置信息；

参数统计模块，用于根据各车辆的速度信息确定异常道路区间，构建特征向量，所述特征向量包括所述异常道路区间的车辆平均速度、各车辆最大速度均值、各车辆最小速度均值，各车辆变道次数均值、车辆平均转弯率、各车辆起伏次数均值；

归一化模块，用于对所述特征向量进行归一化；

模型输出模块，用于基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常；

异常情况预测模块，用于基于模型输出，确定道路的具体异常情况。

在一些可选实施方式中，所述道路异常确定模块包括：

低速车辆统计单元，用于采集道路上过往车辆的速度，当低于设定值的车辆数量占比超过80%时，确定道路异常，所述设定值为该道路上车辆的历史平均速度的50%。

在一些可选实施方式中，所述速度及位置信息获取模块包括：

曲线获取单元，用于通过读取安装在各车辆上的数据采集卡，获得各车辆的速度变化曲线、高度变化曲线及位置变化曲线，根据速度变化曲线、高度变化曲线及位置变化曲线确定各车辆的实时速度信息及位置信息。

在一些可选实施方式中，所述参数统计模块包括：

异常道路区间确定单元，用于根据所有车辆的速度变化曲线确定异常道路区间，当速度低于设定值的车辆数量占比超过60%时，作为异常道路区间的起点，当速度低于设定值的车辆数量占比低于60%时，作为异常道路区间的终点；

速度统计单元，用于根据所有车辆的速度变化曲线确定的所有车辆平均速度、各车辆最大速度均值、各车辆最小速度均值；

变道及转弯率统计单元， 用于根据位置变化曲线及速度变化曲线确定各车辆的变道次数均值及车辆平均转弯率；

起伏次数统计单元，用于根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值。

在一些可选实施方式中，所述起伏次数统计单元包括：

区间离散子单元，用于对任意一辆车，将所述高度变化曲线及速度变化曲线离散为若干个小区间，获取各小区间的速度最低值V1、速度最高值V2、高度最低值H1、高度最高值H2；

起伏量确定子单元，用于确定高度相对变化量δh：δh=Vdem*( H2- H1)/(V2+V1)，其中Vdem是指给定的速度参考值；

计数子单元，用于当高度相对变化量超过设定值时，该车辆该小区间计数为一次起伏。

虽然，上文中已经用一般性说明及具体实施方案对本申请作了详尽的描述，但在本申请基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本申请精神的基础上所做的这些修改或改进，均属于本申请要求保护的范围。

Claims (10)

1.一种基于大数据的交通路况预测方法，其特征在于，包括：

步骤S1、根据道路上过往车辆的速度确定道路是否异常；

步骤S2、当道路异常时，获得各车辆的实时速度信息及位置信息；

步骤S3、根据各车辆的速度信息确定异常道路区间，构建特征向量，所述特征向量包括所述异常道路区间的车辆平均速度、各车辆最大速度均值、各车辆最小速度均值，各车辆变道次数均值、车辆平均转弯率、各车辆起伏次数均值；

步骤S4、对所述特征向量进行归一化；

步骤S5、基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常；

步骤S6、基于模型输出，确定道路的具体异常情况。

2.如权利要求1所述的基于大数据的交通路况预测方法，其特征在于，步骤S1中，采集道路上过往车辆的速度，当低于设定值的车辆数量占比超过80%时，确定道路异常，所述设定值为该道路上车辆的历史平均速度的50%。

3.如权利要求1所述的基于大数据的交通路况预测方法，其特征在于，步骤S2中，通过读取安装在各车辆上的数据采集卡，获得各车辆的速度变化曲线、高度变化曲线及位置变化曲线，根据速度变化曲线、高度变化曲线及位置变化曲线确定各车辆的实时速度信息及位置信息。

4.如权利要求3所述的基于大数据的交通路况预测方法，其特征在于，步骤S3进一步包括：

根据所有车辆的速度变化曲线确定异常道路区间，当速度低于设定值的车辆数量占比超过60%时，作为异常道路区间的起点，当速度低于设定值的车辆数量占比低于60%时，作为异常道路区间的终点；

根据所有车辆的速度变化曲线确定的所有车辆平均速度、各车辆最大速度均值、各车辆最小速度均值；

根据位置变化曲线及速度变化曲线确定各车辆的变道次数均值及车辆平均转弯率；

根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值。

5.如权利要求4所述的基于大数据的交通路况预测方法，其特征在于，根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值包括：

对任意一辆车，将所述高度变化曲线及速度变化曲线离散为若干个小区间，获取各小区间的速度最低值V1、速度最高值V2、高度最低值H1、高度最高值H2；

确定高度相对变化量δh：δh=Vdem*( H2- H1)/(V2+V1)，其中Vdem是指给定的速度参考值；

当高度相对变化量超过设定值时，该车辆该小区间计数为一次起伏。

6.一种基于大数据的交通路况预测装置，其特征在于，包括：

道路异常确定模块，用于根据道路上过往车辆的速度确定道路是否异常；

速度及位置信息获取模块，用于当道路异常时，获得各车辆的实时速度信息及位置信息；

参数统计模块，用于根据各车辆的速度信息确定异常道路区间，构建特征向量，所述特征向量包括所述异常道路区间的车辆平均速度、各车辆最大速度均值、各车辆最小速度均值，各车辆变道次数均值、车辆平均转弯率、各车辆起伏次数均值；

归一化模块，用于对所述特征向量进行归一化；

模型输出模块，用于基于预先基于大数据构建并训练完成的交通路况识别神经网络模型，将归一化后的特征向量作为模型输入，获得模型输出，所述模型输出为由三个概率值组成的三元组，三个概率值分别对应于拥堵异常、道路障碍异常及天气异常；

异常情况预测模块，用于基于模型输出，确定道路的具体异常情况。

7.如权利要求6所述的基于大数据的交通路况预测装置，其特征在于，所述道路异常确定模块包括：

低速车辆统计单元，用于采集道路上过往车辆的速度，当低于设定值的车辆数量占比超过80%时，确定道路异常，所述设定值为该道路上车辆的历史平均速度的50%。

8.如权利要求6所述的基于大数据的交通路况预测装置，其特征在于，所述速度及位置信息获取模块包括：

曲线获取单元，用于通过读取安装在各车辆上的数据采集卡，获得各车辆的速度变化曲线、高度变化曲线及位置变化曲线，根据速度变化曲线、高度变化曲线及位置变化曲线确定各车辆的实时速度信息及位置信息。

9.如权利要求8所述的基于大数据的交通路况预测装置，其特征在于，所述参数统计模块包括：

异常道路区间确定单元，用于根据所有车辆的速度变化曲线确定异常道路区间，当速度低于设定值的车辆数量占比超过60%时，作为异常道路区间的起点，当速度低于设定值的车辆数量占比低于60%时，作为异常道路区间的终点；

速度统计单元，用于根据所有车辆的速度变化曲线确定的所有车辆平均速度、各车辆最大速度均值、各车辆最小速度均值；

变道及转弯率统计单元， 用于根据位置变化曲线及速度变化曲线确定各车辆的变道次数均值及车辆平均转弯率；

起伏次数统计单元，用于根据高度变化曲线及速度变化曲线确定各车辆的起伏次数均值。

10.如权利要求9所述的基于大数据的交通路况预测装置，其特征在于，所述起伏次数统计单元包括：

区间离散子单元，用于对任意一辆车，将所述高度变化曲线及速度变化曲线离散为若干个小区间，获取各小区间的速度最低值V1、速度最高值V2、高度最低值H1、高度最高值H2；

起伏量确定子单元，用于确定高度相对变化量δh：δh=Vdem*( H2- H1)/(V2+V1)，其中Vdem是指给定的速度参考值；

计数子单元，用于当高度相对变化量超过设定值时，该车辆该小区间计数为一次起伏。