CN117831287B - 高速公路拥堵指数的确定方法、装置、设备和存储介质 - Google Patents
高速公路拥堵指数的确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117831287B CN117831287B CN202311869139.5A CN202311869139A CN117831287B CN 117831287 B CN117831287 B CN 117831287B CN 202311869139 A CN202311869139 A CN 202311869139A CN 117831287 B CN117831287 B CN 117831287B
- Authority
- CN
- China
- Prior art keywords
- information
- time point
- characteristic
- traffic flow
- expressway
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000011159 matrix material Substances 0.000 claims abstract description 205
- 230000007246 mechanism Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000007637 random forest analysis Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000007417 hierarchical cluster analysis Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 10
- 238000013507 mapping Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种高速公路拥堵指数的确定方法、装置、设备和存储介质，涉及车联网技术领域，该方法包括：获取高速公路的初始交通相关信息，对初始交通相关信息进行处理，得到交通流特征矩阵信息，根据交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，根据第一时间点的关键特征信息以及特征权重信息，得到第一时间点对应的高速公路拥堵指数，其中，特征权重信息是根据历史关键特征信息和历史关键特征信息对应的高速公路历史拥堵情况得到的。通过本发明确定的高速公路拥堵指数更加可靠、准确。
Description
技术领域
本发明涉及车联网技术领域，尤其是涉及一种高速公路拥堵指数的确定方法、装置、设备和存储介质。
背景技术
高速公路拥堵指数是一个具体的量化数值，用于刻画高速公路的拥堵水平，现有的高速公路拥堵指数的计算方法，通常是使用城市道路的拥堵指数计算方法或者通过线性推导的方式计算，但是城市道路的拥堵指数计算方法中使用的车辆速度区间等计算参数并不符合高速公路的特点，通过线性推导方式计算出的高速公路拥堵指数未考虑时间序列的特点，计算得出的高速公路拥堵指数的可靠性低。
发明内容
本发明的目的在于提供一种高速公路拥堵指数的确定方法、装置、设备和存储介质，从而解决现有方式确定的高速公路拥堵指数的可靠性低的问题。
第一方面，为了达到上述目的，本发明实施例提供一种高速公路拥堵指数的确定方法，包括：
获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息；
根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点；
根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数；
其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息。
可选地，所述时间特征信息包括：
所述第一时间点以及所述第一时间点之前的多个第二时间点；
所述第一时间点以及所述第二时间点中每一时间点是否属于节假日的指示信息。
可选地，所述道路特征信息包括以下至少一项：
所述高速公路的每一路段的路段占有率；
所述高速公路的每一路段上发生异常交通事件的累计时长。
可选地，所述环境特征信息是根据所述高速公路的每一路段上预设长度内的平均能见度对应的指标数据和所述高速公路的每一路段的湿滑度对应的指标数据确定的。
可选地，所述交通运行特征信息包括以下至少一项：
所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级；
所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级。
可选地，获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，包括以下至少一项：
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通流速度信息，对所述交通流速度信息进行层次聚类分析，得到多个速度聚类结果，根据每一速度聚类结果与对应的速度聚类中心之间的第一距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级，不同的第一距离对应不同的拥堵等级；
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通密度信息，对所述交通密度信息进行层次聚类分析，得到多个密度聚类结果，根据每一密度聚类结果与对应的密度聚类中心之间的第二距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级，不同的第二距离对应不同的拥堵等级；
其中，所述第二时间点是所述第一时间点之前的时间点。
可选地，根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，包括：
利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息；
其中，所述第二时间点为所述第一时间点之前的时间点，所述时间特征信息包括所述第一时间点和所述第二时间点。
可选地，利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息，包括：
根据所述交通流特征矩阵信息和所述注意力机制模型的隐藏层的权重矩阵，得到查询矩阵参数、键矩阵参数和值矩阵参数；
根据所述查询矩阵参数和所述键矩阵参数，得到注意力得分信息；
利用激活函数对所述注意力得分信息进行转换处理，得到所述第一时间点对应的交通流特征矩阵信息与每一所述第二时间点对应的交通流特征矩阵信息之间的相关性信息；
根据所述相关性信息和所述值矩阵参数，得到所述交通流特征矩阵信息中的关键特征信息。
可选地，所述方法还包括：
获取所述历史关键特征信息以及所述历史关键特征信息对应的所述高速公路历史拥堵情况；
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息；
对所述重要性信息进行归一化处理，得到所述特征权重信息。
可选地，根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息，包括：
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建模型训练信息；
获取所述模型训练信息中的训练数据和测试数据；
利用所述训练数据构建随机森林模型；
利用所述测试数据对所述随机森林模型进行性能评价，得到评价结果；
在所述评价结果满足预设条件时，根据所述随机森林模型的分类划分，得到历史关键特征信息对应的所述第一时间点的重要性信息。
第二方面，为了达到上述目的，本发明实施例提供一种高速公路拥堵指数的确定装置，包括：
第一获取模块，用于获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息；
第一处理模块，用于根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点；
第二处理模块，用于根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数；
其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息。
第三方面，为了达到上述目的，本发明实施例提供一种高速公路拥堵指数的确定设备，包括收发机、存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上中任一项所述的高速公路拥堵指数的确定方法。
第四方面，为了达到上述目的，本发明实施例提供一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如第一方面中任一项所述的高速公路拥堵指数的确定方法。
本发明的上述技术方案至少具有如下有益效果：
本发明实施例的高速公路拥堵指数的确定方法，通过获取高速公路的初始交通相关信息，并对初始交通相关信息进行处理，得到交通流特征矩阵信息，该交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息共四个维度的信息，交通流特征矩阵信息融合多个维度的信息，使得信息更加丰富；根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，利用注意力机制模型，考虑交通流特征矩阵信息中时间因素，得到第一时间点对应的交通流特征矩阵信息中的关键特征信息；之后，根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数。经过上述方式，得到的高速公路拥堵指数更加可靠，也更加准确。
附图说明
图1为本发明实施例提供的高速公路拥堵指数的确定方法的流程图；
图2为本发明实施例提供的层次聚类分析的具体流程图；
图3为本发明实施例提供的高速公路拥堵指数的确定方法框架图；
图4为本发明实施例提供的高速公路拥堵指数的确定装置的结构示意图；
图5为本发明实施例提供的高速公路拥堵指数的确定设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在本发明所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
如图1所示，本发明实施例提供一种高速公路拥堵指数的确定方法，包括：
步骤101：获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息。
在本步骤中，所述初始交通相关信息包括但是不限于以下至少一项：获取初始交通相关信息的时间点、高速公路的标识、路段的标识、某一时间点与该时间点的前一时间点之间高速公路的每一路段上通行的车辆的数量，某一车辆在某一时间点与该时间点的前一时间点之间通行的路段的标识、某一时间点与该时间点的前一时间点之间高速公路的每一路段上发生异常交通事件的类型、某一时间点与该时间点的前一时间点之间高速公路的每一路段上发生异常交通事件的发生时长、高速公路的每一路段的能见度、高速公路的每一路段的湿滑度、高速公路的每一路段的车辆的行驶速度、高速公路的每一路段的平均自由流速度、高速公路的每一路段的交通流量。
其中，不同时间点为以不同小时的整点，比如7点整、8点整，在获取初始交通相关信息时，该时间点为连续的时间点，即连续小时的整点。
在本步骤中，对初始交通相关信息进行处理，得到交通流特征矩阵信息，该交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息共四个维度的交通信息，使得交通信息更加丰富，之后基于该交通流特征矩阵信息进行高速公路拥堵指数的确定时，也可以融合更加丰富的特征进行分析。
步骤102：根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点。
在本步骤中，利用注意力机制模型考虑不同时间点对应的交通流特征矩阵信息对第一时间点对应的交通流特征矩阵信息之间的相关性，也可以理解为利用注意力机制模型考虑不同时间点对应的交通流特征矩阵信息对第一时间点对应的交通流特征矩阵信息的贡献度，实现了对交通流时间序列特征的有效捕捉和利用。
需要说明的是，所述第一时间点可以理解为距离当前时间最近、且在当前时间之前的整点时间。时间点可以理解为整点时间。
步骤103：根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数，其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息。
其中，历史关键特征信息包括第一时间点之前的前N(N为正整数)个时间点中每一时间点对应的关键特征信息，可选地，历史关键特征信息包括第一时间点的前3个月中每一时间点对应的关键特征信息。
高速公路历史拥堵情况包括高速公路拥堵和高速公路不拥堵两种情况，可选地，在确定特征权重信息时，不同的高速公路历史拥堵情况通过不同的标识表示。
基于上述步骤确定的第一时间点对应的关键特征信息包括不同维度的交通信息对应的关键特征信息，基于根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的特征权重信息可以指示不同特征的交通信息对拥堵情况的贡献度。
在确定每一时间点的关键特征信息之后都需要将该时间点对应的关键特征信息进行存储至数据库中，在使用历史关键特征信息，可以在数据库中直接调取历史时间点对应的历史关键特征信息即可。
可选地，所述历史关键特征信息包括第二时间点对应的关键特征信息。
在本步骤中，根据第一时间点对应的关键特征信息以及特征权重信息，得到第一时间点对应的高速公路拥堵指数，该高速公路拥堵指数(Traffic Performance Index，TPI)，其中，该高速公路拥堵指数可以称为高速公路交通运行指数。
基于上述步骤，可以增加确定出的高速公路拥堵指数的可靠性和准确性，使得该高速公路拥堵指数更加准确地反映交通情况。
可选地，所述时间特征信息(也可以称为时间维度信息)T包括：
第一时间点以及所述第一时间点之前的多个第二时间点，该多个第二时间点中的最后一个时间点与第一时间点相邻、且位于第一时间点之前，并且，多个第二时间点为多个连续的时间点，第二时间点的数量可以根据需求设置，在本实施例中不作限定，可以理解的是，第二时间点为整点时间；
所述第一时间点以及所述第二时间点中每一时间点是否属于节假日的指示信息，其中，节假日可以通过不同的数值进行指示，某一时间点属于节假日中通过数值“0”表示，某一时间点属于节假日中通过数值“1”表示。
在获取时间维度信息之后，在构建交通流特征矩阵信息时，交通流特征矩阵信息表示为按照时间顺序构建的特征序列，该特征序列中包括时间特征信息以及对应的道路特征信息、环境特征信息、交通运行特征信息。
可选地，所述道路特征信息(也可以称为空间维度信息)M包括以下至少一项：
高速公路的每一路段的路段占有率M1；
高速公路的每一路段上发生异常交通事件的累计时长M2。
空间维度信息M：M＝{M1，M2}。
其中，高速公路的每一路段的路段占有率的确定方式如下：
获取车辆的行驶轨迹，得到所有车辆在某一时间点与该时间点的前一时间点之间通行的高速公路的路段的标识，进而得到某一时间点与该时间点的前一时间点之间高速公路的每一路段上通行的车辆的数量，根据某一时间点与该时间点的前一时间点之间高速公路的每一路段上通行的车辆的数量，得到某一时间点与该时间点的前一时间点之间高速公路上通行的车辆的总数量，之后，根据每一路段上通行的车辆的数量和高速公路上通行的车辆的总数量，得到每一路段的路段占有率，并对路段占有率进行归一化处理，得到最终的路段占有率。
示例性地，在某一个小时之内(某一时间点与该时间点的前一时间点之间)，高速公路上的车辆通过了该高速公路上的k条路段，通行路段的集合表示为R＝{R1，R2，R3...Rk}，Ri(i＝1、2、3……k)表示每一路段的标识，k条路段中每一路段中上通行的车辆的数量表示为C＝{C1,C3,C3…Ck}，Ci(i＝1、2、3……k)表示每一路段上通行的车辆的数量。
则路段i对应的路段占有率ROi的计算公式如下：
则，每一路段的路段占有率M1＝{RO1，RO2,...,ROk}。
其中，高速公路的每一路段上发生异常交通事件的累计时长M2的计算方式如下：
获取某一时间点与该时间点的前一时间点之间高速公路的每一路段上发生异常交通事件的类型、某一时间点与该时间点的前一时间点之间高速公路的每一路段上发生异常交通事件的发生时长，在所述发生时长大于预设时长(预设时长也可以称为持续时间下限)的情况下，将该发生时长进行累计，得到所述累计时长，其中，不同类型的异常交通事件对应不同的预设时长，预设时长可以根据异常交通事件的类型确定。
示例性地，异常交通事件的类型包括交通拥堵、道路施工、车辆慢行、异常停车、占用应急车道、闯入事件、车辆逆行，交通拥堵对应的持续时间下限为30s，道路施工对应的持续时间下限为10min，车辆慢行对应的持续时间下限为30s，异常停车对应的持续时间下限为1min，占用应急车道对应的持续时间下限为30s，闯入事件对应的持续时间下限为5s，车辆逆行对应的持续时间下限为5s。如果异常交通事件的发生时长大于对应的持续时间下限，则将发生时长进行累计，得到累计时长，可选地，发生时长的单位为min，累计时长M2＝tsum/60min表示累积时长以小时为单位，tsum表示以min为单位的发生时长的累计。
可选地，所述环境特征信息是根据高速公路的每一路段上预设长度内的平均能见度对应的指标数据和高速公路的每一路段的湿滑度对应的指标数据确定的。
其中，所述预设长度为十米。
具体地，所述环境特征信息用一个数值W进行指示，所述环境特征信息具体计算方式如下：
获取高速公路的每一路段的能见度(即十米内的能见度)w1，预设多个能见度范围，不同的能见度范围对应不同的实际意义，根据能见度w1的值以及能见度w1所属的能见度范围，确定第一指标值a1，示例性地，能见度范围包括：0≤w1<100m、100≤w1<300m、300≤w1<1000m、1000≤w1<1500m、1500≤w1<2000m、w1≥2000m，0≤w1<100m的能见度范围对应的实际意义为浓雾、能见度极差，在能见度w1的值属于该范围内的情况下，第一指标值a1＝1-(w1/2000)，100≤w1<300m的能见度范围对应的实际意义为重雾、能见度极差，在能见度w1的值属于该范围内的情况下，第一指标值a1＝1-(w1/2000)，300≤w1<1000m的能见度范围对应的实际意义为大雾、能见度很差，在能见度w1的值属于该范围内的情况下，第一指标值a1＝1-(w1/2000)，1000≤w1<1500m的能见度范围对应的实际意义为轻雾、能见度较差，在能见度w1的值属于该范围内的情况下，第一指标值a1＝1-(w1/2000)，1500≤w1<2000m的能见度范围对应的实际意义为轻雾、能见度一般，在能见度w1的值属于该范围内的情况下，第一指标值a1＝1-(w1/2000)，w1≥2000m的能见度范围对应的实际意义为能见度好、视野清晰，在能见度w1的值属于该范围内的情况下，第一指标值a1＝0。
获取高速公路的每一路段的湿滑度w2，预设多个湿滑度范围，不同的湿滑度范围对应不同的实际意义，根据湿滑度w2的值确定第二指标值a2，示例性地，湿滑度范围包括：0≤w2<0.3、0.3≤w2<0.4、0.4≤w2<0.5、0.5≤w2<0.55、0.56≤w2<1，0≤w2<0.3的湿滑度范围对应的实际意义为结冰、抗滑极差，0.3≤w2<0.4的湿滑度范围对应的实际意义为积雪、抗滑很差，0.4≤w2<0.5的湿滑度范围对应的实际意义为积水、浮雪、霜、抗滑较差，0.5≤w2<0.55的湿滑度范围对应的实际意义为积水、低温、抗滑稍差，0.56≤w2<1的湿滑度范围对应的实际意义为抗滑性正常、良好，第二指标值a2＝1-w2。
环境特征信息W等于第一指标值a1和第二指标值a2的平均值。也就是，环境特征信息W是考虑能见度和湿滑度两个天气参数的综合指标。
可选地，所述交通运行特征信息包括以下至少一项：
高速公路的每一路段的交通流速度信息对应的第一拥堵等级；
高速公路的每一路段的交通流密度信息对应的第二拥堵等级。
需要说明的是，不同的拥堵等级(包括第一拥堵等级和第二拥堵等级)通过不同的指标值b表示。预设多个指标区间，不同的指标区间对应不同的实际意义，在拥堵等级(包括第一拥堵等级和第二拥堵等级)的指标值b(b为整数)属于某一指标区间时对应该指标区间的实际意义。其中，b＝0、1、2、3、4、5、6、7、8、9，一个指标值b对应一个拥堵等级。
示例性地，指标区间包括：0≤b<2、2≤b<4、4≤b<6、6≤b<8、8≤b<10，0≤b<2的指标区间对应的实际意义为车辆基本可以按照自由车速行驶，2≤b<4的指标区间对应的实际意义为车辆的一次出行时间需要多花费0.3倍-0.6倍的时间，4≤b<6的指标区间对应的实际意义为车辆的一次出行时间需要多花费0.6倍-0.9倍的时间，6≤b<8的指标区间对应的实际意义为车辆的一次出行时间需要多花费0.9倍-1.2倍的时间，8≤b<10的指标区间对应的实际意义为车辆的一次出行时间需要多花费1.2倍以上的时间，指标值b越小，拥堵等级越低。
进一步地，获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，包括以下至少一项：
第一拥堵等级的确定方式：
获取所述第一时间点以及多个第二时间点对应的所述高速公路上每一路段的交通流速度信息，所述第二时间点是所述第一时间点之前的时间点，其中，第一时间点对应的所述高速公路上每一路段的交通流速度信息可以理解为第一时间点与所述第一时间点前相邻的时间点之间的高速公路上每一路段的交通流速度信息，每一第二时间点对应的所述高速公路上每一路段的交通流速度信息可以为每一第二时间点与对应的所述第二时间点前相邻的时间点之间的高速公路上每一路段的交通流速度信息，其中，与所述第一时间点前相邻的时间点是指位于所述第一时间点之前，且与所述第一时间点相邻的时间点，与所述第二时间点前相邻的时间点是指位于所述第二时间点之前，且与所述第二时间点相邻的时间点。
具体地，某一时间点(包括第一时间点和第二时间点)与该时间点的前相邻的时间点之间高速公路的每一路段的交通流速度信息的具体计算公式如下：
其中，Ov表示某一时间点与该时间点前相邻的时间点之间的高速公路的每一路段的交通流速度信息，V表示某一时间点与该时间点前相邻的时间点之间的高速公路的每一路段的车辆的行驶速度(也可以成为实际车速)，Vf表示某一时间点与该时间点前相邻的时间点之间的对应路段的平均自由流速度。
根据上述方式确定第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通流速度信息，对所述交通流速度信息进行层次聚类分析，得到多个速度聚类结果，根据每一速度聚类结果与对应的速度聚类中心之间的第一距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级，不同的第一距离对应不同的拥堵等级，不同的拥堵等级通过不同的指标值表示。
具体地，层次聚类分析的具体流程请参阅图2，包括将多个交通流速度信息进行标准化处理，计算距离矩阵，自底向上聚合，合并距离最近的两类为一新类，计算新类与当前各类之间的距离，根据距离确定当前类的数量是否为10个，如果数量不是10个，则继续计算距离矩阵，自底向上聚合，合并距离最近的两类为一新类，直到当前类的数量为10个，则得到10个速度聚类结果，即速度聚类结果的数量与拥堵等级的数量一致。
预设的多个拥堵等级即为上述的10个指标值b对应的拥堵等级。
聚类完成后，确定每一速度聚类结果与对应的速度聚类中心之间的第一距离，根据第一距离将速度聚类结果与指标值b一一对应，进而对应不同的第一拥堵等级，第一距离越大，对应的指标值b越小。
第二拥堵等级的确定方式：
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通密度信息，所述第二时间点是所述第一时间点之前的时间点，其中，第一时间点对应的所述高速公路上每一路段的交通密度信息可以理解为第一时间点与所述第一时间点前相邻的时间点之间的高速公路上每一路段的交通密度信息，每一第二时间点对应的所述高速公路上每一路段的交通密度信息可以为每一第二时间点与对应的所述第二时间点前相邻的时间点之间的高速公路上每一路段的交通密度信息，其中，与所述第一时间点前相邻的时间点是指位于所述第一时间点之前，且与所述第一时间点相邻的时间点，与所述第二时间点前相邻的时间点是指位于所述第二时间点之前，且与所述第二时间点相邻的时间点。
具体地，某一时间点(包括第一时间点与第二时间点)与该时间点的前一时间点之间的高速公路的每一路段的交通密度信息的具体计算公式如下：
其中，Oρ表示某一时间点与该时间点的前一时间点之间的高速公路的每一路段的交通密度信息，U表示某一时间点与该时间点的前一时间点之间高速公路的每一路段的交通流量，V表示对应路段的某一时间点与该时间点的前一时间点之间的车辆的行驶速度(也可以成为实际车速)。
对所述交通密度信息进行层次聚类分析，得到多个密度聚类结果，根据每一密度聚类结果与对应的密度聚类中心之间的第二距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级，不同的第二距离对应不同的拥堵等级。
具体地，层次聚类分析的具体流程与上述流程基本一致，即将多个交通密度信息进行标准化处理，计算距离矩阵，自底向上聚合，合并距离最近的两类为一新类，计算新类与当前各类之间的距离，根据距离确定当前类的数量是否为10个，如果数量不是10个，则继续计算距离矩阵，自底向上聚合，合并距离最近的两类为一新类，直到当前类的数量为10个，则得到10个密度聚类结果，即密度聚类结果的数量与拥堵等级的数量一致。
预设的多个拥堵等级即为上述的10个指标值b对应的拥堵等级。
聚类完成后，确定每一密度聚类结果与对应的密度聚类中心之间的第二距离，根据第二距离将密度聚类结果与指标值b一一对应，进而对应不同的第二拥堵等级，第二距离越小，对应的指标值b越小。
综上，交通运行特征信息O＝{Ov，Oρ}.
本实施例中，交通流特征矩阵信息F＝[T,M,W,O]，即道路特征信息包括四个维度的信息(时间特征信息、道路特征信息、环境特征信息、交通运行特征信息)，每一维度的信息包括一个或等多个特征，即交通流特征矩阵信息包括时间特征信息、高速公路的每一路段的路段占有率、高速公路的每一路段上发生异常交通事件的累计时长、环境特征信息、高速公路的每一路段的交通流速度信息对应的第一拥堵等级、高速公路的每一路段的交通流密度信息对应的第二拥堵等级共六个特征。
在一可选实施例中，根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，包括：
利用注意力机制(Attention Mechanism)模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息，其中，所述第二时间点为所述第一时间点之前的时间点，所述时间特征信息包括所述第一时间点和所述第二时间点。
具体地，在本可选实施例中，注意力机制模型通过加权计算时序数据之间的相关性，即利用注意力机制模型获取了第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息，提高了计算结果对时间序列的关键信息的敏感度，同时降低了无关信息的权重，注意力机制模型允许在全局时间范围内进行计算，解决了时间关系上的长依赖问题。
进一步地，利用注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息，包括：
根据所述交通流特征矩阵信息和所述注意力机制模型的隐藏层的权重矩阵，得到查询矩阵参数、键矩阵参数和值矩阵参数，具体地，首先采用点积(Dot-product)方法计算出第一时间点对应的交通流特征矩阵信息与每个第二时间点对应的交通流特征矩阵信息之间的相关性信息，注意力机制模型中输入交通流特征矩阵信息H＝[h1,h2,…，hn]，其中，h1表示第一时间点对应的交通流特征矩阵信息，hi(i＝2、3、4……n)表示第二时间点对应的交通流特征矩阵信息，hk＝{Tk,Mk,Wk,Ok}(k＝1、2、3、4……n)表示时间点k对应的交通流特征矩阵信息，包括时间特征信息Tk、道路特征信息Mk、环境特征信息Wk、交通运行特征信息Ok。注意力机制模型的隐藏层的权重矩阵包括三个矩阵，分别为Wq、Wk、Wv，将交通流特征矩阵信息H与矩阵Wq相乘，得到查询矩阵参数Q，将交通流特征矩阵信息H与矩阵Wk相乘，得到键矩阵参数K，将交通流特征矩阵信息H与矩阵Wv相乘，得到键矩阵参数V，示例性地，
[q1,q2,…，qn]＝Wq[h1,h2,…，hn]
表示为Q＝WqH，其中，Q＝[q1,q2,…，qn]，同理，K＝WkH，V＝WvH。
也可以理解为查询矩阵参数Q、键矩阵参数K和值矩阵参数V是每个输入向量hk构成的新向量的表示形式。
需要说明的是，查询矩阵参数Q、键矩阵参数K和值矩阵参数V是可以通过注意力机制模型进行学习得到的，因此，网络可以学习出怎样安排矩阵参数Q、键矩阵参数K和值矩阵参数V。
根据所述查询矩阵参数和所述键矩阵参数，得到注意力得分信息，具体的，注意力得分信息(Attention Score)S的计算公式如下：
S＝KTQ
该注意力得分信息S可以表征第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息(或者称为相似度关系)。
在本实施例中，利用激活函数对所述注意力得分信息进行转换处理，得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，其中，所述激活函数为Softmax函数，Softmax函数是用于将向量元素转换为概率分布的函数，通过Softmax函数对注意力得分信息S进行转换处理，得到S′，S′表示第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，转换公式如下：
S′＝softmax(S)
其中，softmax表示Softmax函数。
根据所述相关性信息和所述值矩阵参数，得到所述交通流特征矩阵信息中的关键特征信息，具体地，注意力机制模型的输出为多维特征校正后的特征参数向量(即所述关键特征信息)，实现了对时序数据中关键信息的有效捕捉和利用，关键特征信息F′的表示如下：
F′＝[Tk′,M′k,Wk′,O′k]＝[v1,v2,…,vn]S′
其中，值矩阵参数V＝[v1,v2,…,vn]。
在一可选实施例中，所述方法还包括：
获取所述历史关键特征信息以及所述历史关键特征信息对应的所述高速公路历史拥堵情况，其中，所述历史关键特征信息也是以时间顺序进行排序的，历史关键特性信息与上述的关键特征信息的内容一致，只是历史关键特性信息的获取时间为第一时间点之前的时间点，高速公路历史拥堵情况包括高速公路拥堵和高速公路不拥堵两种情况；
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息，即根据所述历史关键特征信息和所述高速公路历史拥堵情况进行训练，得到随机森林模型，其中，重要性信息体现了随机森林模型用于分析关键特性信息中每一特征信息对造成高速公路拥堵结果的贡献度；
对所述重要性信息进行归一化处理，得到所述特征权重信息，在本实施例中，特征权重信息是以特征权重矩阵的形式体现，具体地，将重要性信息进行归一化处理之后，得到特征权重矩阵Wf＝[wf1,wf2,...,wf6]T，由于上述的关键特征信息中包括时间特征信息、高速公路的每一路段的路段占有率、高速公路的每一路段上发生异常交通事件的累计时长、环境特征信息、高速公路的每一路段的交通流速度信息对应的第一拥堵等级和高速公路的每一路段的交通流密度信息对应的第二拥堵等级共6个维度的特征，因此，特征权重矩阵也包括6个维度的权重。
根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数，具体地，根据线性函数将所述第一时间点对应的关键特征信息中的每一特征映射到预设数值区间中的数值上，得到关键特征数值F”，将每一关键特征数值和对应的特征权重信息相乘，得到第一时间点对应的高速公路拥堵指数TPI，具体公式如下：
tpi＝F″Wf＝T″·wf1+M1″·wf2+M2″·wf3+W″·wf4+Os″·wf5+Oρ″·wf6
其中，T″表示时间特征信息对应的映射数值，M1″表示高速公路的每一路段的路段占有率对应的映射数值，M2″表示高速公路的每一路段上发生异常交通事件的累计时长对应的映射数值，W″表示环境特征信息对应的映射数值，Os″表示第一拥堵等级对应的映射数值，Oρ″表示第二拥堵等级对应的映射数值，tpi表示高速公路拥堵指数。
其中，所述预设数值区间为[0,10)。
具体地，根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息，包括：
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建模型训练信息，将历史关键特征信息和高速公路历史拥堵情况一一对应，得到模型训练信息；
获取所述模型训练信息中的训练数据和测试数据，具体地，在获取时，是随机获取训练数据和测试数据的；
利用所述训练数据构建随机森林模型；
利用所述测试数据对所述随机森林模型进行性能评价，得到评价结果；
在所述评价结果满足预设条件时，根据所述随机森林模型的分类划分，得到历史关键特征信息对应的第一时间的重要性信息。其中，所述预设条件可以为一预设值。
需要说明的是，随机森林模型是一个分类器可以用于决定变数的重要性，因此，在随机森林模型构建之后，对随机森林模型进行性能评价，在评价结果满足预设条件时，即认为该随机森林模型训练完成，根据所述随机森林模型的分类划分即可以得到历史关键特征信息中每一关键特征信息对应的第一时间点的重要性信息。
综上，如图3所示，本发明实施例提供的高速公路拥堵指数的确定方法，首先获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，其中，将初始交通相关信息中的交通流速度信息和交通密度信息输入层次聚类层进行层次聚类处理，将交通流特征矩阵信息输入Attention层中的注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，利用随机森林层训练随机森林模型，得到特征权重信息，在随机森林层根据所述第一时间点的关键特征信息以及特征权重信息，得到输出层输出的第一时间点对应的高速公路拥堵指数。
本发明实施例提供的高速公路拥堵指数的确定方法，引入特征工程的思想，充分考虑交通流数据中的潜在有效特征，创新性融合时间维度(时间序列、节假日周期)、空间维度(路段占有率、异常交通事件累计发生时间)、环境因素(湿滑度、能见度)、交通运行情况(交通速度、交通密度)等多维特征，然后处理多维特征：时间维度方面，根据周期因素为是否是节假日进行0/1分布计算；空间维度方面，设计针对路段占有率、异常交通事件累计发生时长的计算方法；天气因素如道路湿滑度和能见度指标相乘；交通运行情况方面，将当前时刻(第一时间点)的前N个时刻(第二时间点)多路段的速度和密度通过层次聚类得出前置TPI值(即拥堵等级)。将目标时刻(第一时间点)的前置特征向量(第一时间点对应的交通流特征矩阵信息)，与当前时刻的前N个时刻的校正后特征向量(第二时间点对应的交通流特征矩阵信息)进行Attention加权计算，考虑当前时刻前N个时刻的特点，得到考虑时间因素的校正后的特征向量(即关键特征信息)。最后，将前N个时刻的特征向量(历史关键特征信息)与高速公路历史拥堵情况做随机森林(random forest，RF)的特征重要性排序，得到的权重作为校正后每个特征的权重，将该权重与范围映射后的特征向量加权计算，最终得到TPI值即为第一时间点的的高速公路拥堵指数。本发明实施例提供的高速公路拥堵指数的确定方法计算出的高速公路拥堵指数更加可靠、准确。本发明实施例，将高速公路与城市道路进行区别，并结合不同高速路段本身特点进行可靠性更高的特征分析。
如图4所示，本发明实施例还提供一种高速公路拥堵指数的确定装置，包括：
第一获取模块401，用于获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息；
第一处理模块402，用于根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点；
第二处理模块403，用于根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数；
其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息。
可选地，所述时间特征信息包括：
所述第一时间点以及所述第一时间点之前的多个第二时间点；
所述第一时间点以及所述第二时间点中每一时间点是否属于节假日的指示信息。
可选地，所述道路特征信息包括以下至少一项：
所述高速公路的每一路段的路段占有率；
所述高速公路的每一路段上发生异常交通事件的累计时长。
可选地，所述环境特征信息是根据所述高速公路的每一路段上预设长度内的平均能见度对应的指标数据和所述高速公路的每一路段的湿滑度对应的指标数据确定的。
可选地，所述交通运行特征信息包括以下至少一项：
所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级；
所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级。
可选地，第一获取模块401，包括第一获取单元，所述第一获取单元用于以下至少一项：
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通流速度信息，对所述交通流速度信息进行层次聚类分析，得到多个速度聚类结果，根据每一速度聚类结果与对应的速度聚类中心之间的第一距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级，不同的第一距离对应不同的拥堵等级；
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通密度信息，对所述交通密度信息进行层次聚类分析，得到多个密度聚类结果，根据每一密度聚类结果与对应的密度聚类中心之间的第二距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级，不同的第二距离对应不同的拥堵等级；
其中，所述第二时间点是所述第一时间点之前的时间点。
可选地，第一处理模块402，包括：
第一处理单元，用于利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息；
其中，所述第二时间点为所述第一时间点之前的时间点，所述时间特征信息包括所述第一时间点和所述第二时间点。
可选地，所述第一处理单元具体用于：
根据所述交通流特征矩阵信息和所述注意力机制模型的隐藏层的权重矩阵，得到查询矩阵参数、键矩阵参数和值矩阵参数；
根据所述查询矩阵参数和所述键矩阵参数，得到注意力得分信息；
利用激活函数对所述注意力得分信息进行转换处理，得到所述第一时间点对应的交通流特征矩阵信息与每一所述第二时间点对应的交通流特征矩阵信息之间的相关性信息；
根据所述相关性信息和所述值矩阵参数，得到所述交通流特征矩阵信息中的关键特征信息。
可选地，所述装置还包括：
第二获取模块，用于获取所述历史关键特征信息以及所述历史关键特征信息对应的所述高速公路历史拥堵情况；
第三处理模块，用于根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息；
第四处理模块，用于对所述重要性信息进行归一化处理，得到所述特征权重信息。
可选地，所述第三处理模块，包括：
第二处理单元，用于根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建模型训练信息；
第二获取单元，用于获取所述模型训练信息中的训练数据和测试数据；
第三处理单元，用于利用所述训练数据构建随机森林模型；
第四处理单元，用于利用所述测试数据对所述随机森林模型进行性能评价，得到评价结果；
第五处理单元，用于在所述评价结果满足预设条件时，根据所述随机森林模型的分类划分，得到历史关键特征信息对应的所述第一时间点的重要性信息。
需要说明的是，本发明实施例提供的高速公路拥堵指数的确定装置，是能够执行上述的高速公路拥堵指数的确定方法的装置，则上述的高速公路拥堵指数的确定方法的所有实施例均适用于该装置，且能够达到相同或者相似的技术效果。
如图5所示，本发明实施例还提供一种高速公路拥堵指数的确定设备，包括：处理器501；以及通过总线接口502与所述处理器501相连接的存储器503，所述存储器503用于存储所述处理器501在执行操作时所使用的程序和数据，所述处理器501调用并执行所述存储器503中所存储的程序和数据。
其中，所述收发机504与所述总线接口502连接，用于在所述处理器501的控制下接收和发送数据，具体地，所述处理器501用于读取所述存储器503中的程序并执行下列过程：
获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息；
根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点；
根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数；
其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息。
可选地，所述时间特征信息包括：
所述第一时间点以及所述第一时间点之前的多个第二时间点；
所述第一时间点以及所述第二时间点中每一时间点是否属于节假日的指示信息。
可选地，所述道路特征信息包括以下至少一项：
所述高速公路的每一路段的路段占有率；
所述高速公路的每一路段上发生异常交通事件的累计时长。
可选地，所述环境特征信息是根据所述高速公路的每一路段上预设长度内的平均能见度对应的指标数据和所述高速公路的每一路段的湿滑度对应的指标数据确定的。
可选地，所述交通运行特征信息包括以下至少一项：
所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级；
所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级。
可选地，所述处理器501用于以下至少一项：
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通流速度信息，对所述交通流速度信息进行层次聚类分析，得到多个速度聚类结果，根据每一速度聚类结果与对应的速度聚类中心之间的第一距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级，不同的第一距离对应不同的拥堵等级；
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通密度信息，对所述交通密度信息进行层次聚类分析，得到多个密度聚类结果，根据每一密度聚类结果与对应的密度聚类中心之间的第二距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级，不同的第二距离对应不同的拥堵等级；
其中，所述第二时间点是所述第一时间点之前的时间点。
可选地，所述处理器501用于：
利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息；
其中，所述第二时间点为所述第一时间点之前的时间点，所述时间特征信息包括所述第一时间点和所述第二时间点。
可选地，所述处理器501具体用于：
根据所述交通流特征矩阵信息和所述注意力机制模型的隐藏层的权重矩阵，得到查询矩阵参数、键矩阵参数和值矩阵参数；
根据所述查询矩阵参数和所述键矩阵参数，得到注意力得分信息；
利用激活函数对所述注意力得分信息进行转换处理，得到所述第一时间点对应的交通流特征矩阵信息与每一所述第二时间点对应的交通流特征矩阵信息之间的相关性信息；
根据所述相关性信息和所述值矩阵参数，得到所述交通流特征矩阵信息中的关键特征信息。
可选地，所述处理器501还用于：
获取所述历史关键特征信息以及所述历史关键特征信息对应的所述高速公路历史拥堵情况；
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息；
对所述重要性信息进行归一化处理，得到所述特征权重信息。
可选地，所述处理器501具体用于：
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建模型训练信息；
获取所述模型训练信息中的训练数据和测试数据；
利用所述训练数据构建随机森林模型；
利用所述测试数据对所述随机森林模型进行性能评价，得到评价结果；
在所述评价结果满足预设条件时，根据所述随机森林模型的分类划分，得到历史关键特征信息对应的所述第一时间点的重要性信息。
其中，在图5中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器501代表的一个或多个处理器和存储器503代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口505。收发机504可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器501负责管理总线架构和通常的处理，存储器503可以存储处理器501在执行操作时所使用的数据。
本领域技术人员可以理解，实现上述实施例的全部或者部分步骤可以通过硬件来完成，也可以通过计算机程序来指示相关的硬件来完成，所述计算机程序包括执行上述方法的部分或者全部步骤的指令；且该计算机程序可以存储于一可读存储介质中，存储介质可以是任何形式的存储介质。
另外，本发明实施例还提供一种计算机可读存储介质，可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的高速公路拥堵指数的确定方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
此外，需要指出的是，在本发明的装置和方法中，显然，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。并且，执行上述系列处理的步骤可以自然地按照说明的顺序或按时间顺序执行，但是并不需要一定按照时间顺序执行，某些步骤可以并行或彼此独立地执行。对本领域的普通技术人员而言，能够理解本发明的方法和装置的全部或者任何步骤或者部件，可以在任何计算装置(包括处理器、存储介质等)或者计算装置的网络中，以硬件、固件、软件或者它们的组合加以实现，这是本领域普通技术人员在阅读了本发明的说明的情况下运用他们的基本编程技能就能实现的。
因此，本发明的目的还可以通过在任何计算装置上运行一个程序或者一组程序来实现。所述计算装置可以是公知的通用装置。因此，本发明的目的也可以仅仅通过提供包含实现所述方法或者装置的程序代码的程序产品来实现。也就是说，这样的程序产品也构成本发明，并且存储有这样的程序产品的存储介质也能构成本发明。显然，所述存储介质可以是任何公知的存储介质或者将来所开发出来的任何存储介质。
最后，还需要说明的是，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、物品或者终端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。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种高速公路拥堵指数的确定方法，其特征在于，包括：
获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息；其中，所述道路特征信息包括：所述高速公路的每一路段的路段占有率、所述高速公路的每一路段上发生异常交通事件的累计时长；所述环境特征信息是根据所述高速公路的每一路段上预设长度内的平均能见度对应的指标数据和所述高速公路的每一路段的湿滑度对应的指标数据确定的；所述交通运行特征信息包括：所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级、所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级；
根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点以及所述第一时间点之前的多个第二时间点；
根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数；
其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息；
其中，获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，包括：
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通流速度信息，对所述交通流速度信息进行层次聚类分析，得到多个速度聚类结果，根据每一速度聚类结果与对应的速度聚类中心之间的第一距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级，不同的第一距离对应不同的拥堵等级；
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通密度信息，对所述交通密度信息进行层次聚类分析，得到多个密度聚类结果，根据每一密度聚类结果与对应的密度聚类中心之间的第二距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级，不同的第二距离对应不同的拥堵等级；
其中，根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，包括：
利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息；
其中，利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息，包括：
根据所述交通流特征矩阵信息和所述注意力机制模型的隐藏层的权重矩阵，得到查询矩阵参数、键矩阵参数和值矩阵参数；
根据所述查询矩阵参数和所述键矩阵参数，得到注意力得分信息；
利用激活函数对所述注意力得分信息进行转换处理，得到所述第一时间点对应的交通流特征矩阵信息与每一所述第二时间点对应的交通流特征矩阵信息之间的相关性信息；
根据所述相关性信息和所述值矩阵参数，得到所述交通流特征矩阵信息中的关键特征信息，其中，所述关键特征信息为所述注意力机制模型的输出的多维特征校正后的特征参数向量。
2.根据权利要求1所述的方法，其特征在于，所述时间特征信息还包括：
所述第一时间点以及所述第二时间点中每一时间点是否属于节假日的指示信息。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述历史关键特征信息以及所述历史关键特征信息对应的所述高速公路历史拥堵情况；
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息；
对所述重要性信息进行归一化处理，得到所述特征权重信息。
4.根据权利要求3所述的方法，其特征在于，根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建随机森林模型，根据所述随机森林模型确定所述历史关键特征信息对应的所述第一时间点的重要性信息，包括：
根据所述历史关键特征信息和所述高速公路历史拥堵情况，构建模型训练信息；
获取所述模型训练信息中的训练数据和测试数据；
利用所述训练数据构建随机森林模型；
利用所述测试数据对所述随机森林模型进行性能评价，得到评价结果；
在所述评价结果满足预设条件时，根据所述随机森林模型的分类划分，得到历史关键特征信息对应的所述第一时间点的重要性信息。
5.一种高速公路拥堵指数的确定装置，其特征在于，包括：
第一获取模块，用于获取高速公路的初始交通相关信息，对所述初始交通相关信息进行处理，得到交通流特征矩阵信息，所述交通流特征矩阵信息包括时间特征信息以及与所述时间特征信息对应的道路特征信息、环境特征信息、交通运行特征信息；其中，所述道路特征信息包括：所述高速公路的每一路段的路段占有率、所述高速公路的每一路段上发生异常交通事件的累计时长；所述环境特征信息是根据所述高速公路的每一路段上预设长度内的平均能见度对应的指标数据和所述高速公路的每一路段的湿滑度对应的指标数据确定的；所述交通运行特征信息包括：所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级、所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级；
第一处理模块，用于根据所述交通流特征矩阵信息和注意力机制模型得到第一时间点对应的交通流特征矩阵信息中的关键特征信息，所述时间特征信息包括所述第一时间点以及所述第一时间点之前的多个第二时间点；
第二处理模块，用于根据所述第一时间点对应的关键特征信息以及特征权重信息，得到所述第一时间点对应的高速公路拥堵指数；
其中，所述特征权重信息是根据历史关键特征信息和所述历史关键特征信息对应的高速公路历史拥堵情况得到的，所述历史关键特征信息为所述第一时间点之前的时间点对应的关键特征信息；
其中，所述第一获取模块，包括第一获取单元，所述第一获取单元用于：
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通流速度信息，对所述交通流速度信息进行层次聚类分析，得到多个速度聚类结果，根据每一速度聚类结果与对应的速度聚类中心之间的第一距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流速度信息对应的第一拥堵等级，不同的第一距离对应不同的拥堵等级；
获取所述第一时间点以及多个第二时间点中每一时间点对应的所述高速公路上每一路段的交通密度信息，对所述交通密度信息进行层次聚类分析，得到多个密度聚类结果，根据每一密度聚类结果与对应的密度聚类中心之间的第二距离以及预设的多个拥堵等级，得到所述高速公路的每一路段的交通流密度信息对应的第二拥堵等级，不同的第二距离对应不同的拥堵等级；
其中，所述第一处理模块，包括：
第一处理单元，用于利用所述注意力机制模型，根据所述交通流特征矩阵信息得到所述第一时间点对应的交通流特征矩阵信息与每一第二时间点对应的交通流特征矩阵信息之间的相关性信息，根据所述相关性信息得到所述第一时间点对应的交通流特征矩阵信息中的关键特征信息；
其中，所述第一处理单元具体用于：
根据所述交通流特征矩阵信息和所述注意力机制模型的隐藏层的权重矩阵，得到查询矩阵参数、键矩阵参数和值矩阵参数；
根据所述查询矩阵参数和所述键矩阵参数，得到注意力得分信息；
利用激活函数对所述注意力得分信息进行转换处理，得到所述第一时间点对应的交通流特征矩阵信息与每一所述第二时间点对应的交通流特征矩阵信息之间的相关性信息；
根据所述相关性信息和所述值矩阵参数，得到所述交通流特征矩阵信息中的关键特征信息，其中，所述关键特征信息为所述注意力机制模型的输出的多维特征校正后的特征参数向量。
6.一种高速公路拥堵指数的确定设备，包括收发机、存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4中任一项所述的高速公路拥堵指数的确定方法。
7.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1至4中任一项所述的高速公路拥堵指数的确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311869139.5A CN117831287B (zh) | 2023-12-29 | 2023-12-29 | 高速公路拥堵指数的确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311869139.5A CN117831287B (zh) | 2023-12-29 | 2023-12-29 | 高速公路拥堵指数的确定方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117831287A CN117831287A (zh) | 2024-04-05 |
| CN117831287B true CN117831287B (zh) | 2024-05-31 |
Family
ID=90520533
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311869139.5A Active CN117831287B (zh) | 2023-12-29 | 2023-12-29 | 高速公路拥堵指数的确定方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831287B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106652450A (zh) * | 2016-12-16 | 2017-05-10 | 东南大学 | 一种高速公路交通指数数值确定方法 |
| JP2019191802A (ja) * | 2018-04-23 | 2019-10-31 | 住友電工システムソリューション株式会社 | 渋滞度判定装置、渋滞度判定方法、及びコンピュータプログラム |
| CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
| CN115050177A (zh) * | 2022-05-11 | 2022-09-13 | 杭州像素元科技有限公司 | 一种基于时空多头注意力机制的高速公路拥堵预测方法 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5741326B2 (ja) * | 2011-08-30 | 2015-07-01 | 住友電気工業株式会社 | 交通指標決定装置、交通指標決定方法および交通指標決定プログラム |
| WO2014197911A1 (en) * | 2013-06-07 | 2014-12-11 | Yandex Europe Ag | Methods and systems for representing a degree of traffic congestion using a limited number of symbols |
| CN104021672B (zh) * | 2014-06-09 | 2016-09-07 | 北京世纪高通科技有限公司 | 一种获取交通拥堵指数的方法和装置 |
| AU2018274980B2 (en) * | 2017-06-12 | 2020-09-03 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for analyzing and adjusting road conditions |
| CN108765956B (zh) * | 2018-06-14 | 2020-12-08 | 广东工业大学 | 一种高速公路交通状态综合评估方法 |
| CN111613054B (zh) * | 2020-05-07 | 2021-07-06 | 浙江大学 | 一种协同考虑时空相关性及贡献差异的多步交通速度预测方法 |
| CN111598325A (zh) * | 2020-05-11 | 2020-08-28 | 浙江工业大学 | 基于层次聚类和分层注意力机制的交通速度预测方法 |
| CN112712700A (zh) * | 2020-12-30 | 2021-04-27 | 北京世纪高通科技有限公司 | 交通拥堵指数的确定方法及装置 |
| EP4241263A4 (en) * | 2021-03-23 | 2024-04-17 | Grabtaxi Holdings Pte. Ltd. | SYSTEM AND METHOD FOR PREDICTING ROAD TRAFFIC SPEED |
| CN113178068B (zh) * | 2021-04-01 | 2024-03-19 | 重庆市市政设计研究院有限公司 | 一种基于浮动车的道路拥堵指数计算方法及系统 |
| CN114202120A (zh) * | 2021-12-13 | 2022-03-18 | 中国电子科技集团公司第十五研究所 | 一种针对多源异构数据的城市交通行程时间预测方法 |
| CN114783183B (zh) * | 2022-04-15 | 2024-05-24 | 中远海运科技股份有限公司 | 一种基于交通态势算法的监控方法与系统 |
| CN115148019A (zh) * | 2022-05-16 | 2022-10-04 | 中远海运科技股份有限公司 | 一种基于节假日拥堵预测算法的预警方法及系统 |
| CN115222089A (zh) * | 2022-05-30 | 2022-10-21 | 西南交通大学 | 一种道路交通拥堵预测方法、装置、设备及可读存储介质 |
| CN116432810A (zh) * | 2022-12-30 | 2023-07-14 | 北京大唐高鸿数据网络技术有限公司 | 交通流预测模型确定方法、设备、装置及可读存储介质 |
| CN116578661A (zh) * | 2023-05-22 | 2023-08-11 | 重庆大学 | 一种基于注意力机制的车辆轨迹时空重构方法及系统 |
| CN117290706A (zh) * | 2023-10-31 | 2023-12-26 | 兰州理工大学 | 一种时空卷积融合概率稀疏注意力机制的交通流预测方法 |
-
2023
- 2023-12-29 CN CN202311869139.5A patent/CN117831287B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106652450A (zh) * | 2016-12-16 | 2017-05-10 | 东南大学 | 一种高速公路交通指数数值确定方法 |
| JP2019191802A (ja) * | 2018-04-23 | 2019-10-31 | 住友電工システムソリューション株式会社 | 渋滞度判定装置、渋滞度判定方法、及びコンピュータプログラム |
| CN114613137A (zh) * | 2022-03-07 | 2022-06-10 | 同盾科技有限公司 | 应用于高速公路的拥堵指数确定方法、装置、介质及设备 |
| CN115050177A (zh) * | 2022-05-11 | 2022-09-13 | 杭州像素元科技有限公司 | 一种基于时空多头注意力机制的高速公路拥堵预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种交通拥堵指数智能计算方法;周燕华;;微型电脑应用;20200320(第03期);61-63 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117831287A (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109840660B (zh) | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 | |
| Wang et al. | Truck traffic flow prediction based on LSTM and GRU methods with sampled GPS data | |
| CN103839409B (zh) | 基于多断面视觉传感聚类分析的交通流状态判别方法 | |
| CN111539454B (zh) | 一种基于元学习的车辆轨迹聚类方法及系统 | |
| CN111582559B (zh) | 一种到达时间的预估方法及装置 | |
| CN101706996A (zh) | 一种基于信息融合的高速公路交通状态识别方法 | |
| CN113870564B (zh) | 一种封闭路段交通拥堵分类方法、系统、电子设备及存储介质 | |
| CN112613225B (zh) | 一种基于神经网络元胞传输模型的交叉口交通状态预测方法 | |
| CN111583628B (zh) | 基于数据质量控制的道路网重型货车交通流量预测方法 | |
| CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
| CN110675626A (zh) | 基于多维数据的交通事故黑点预测方法方法、装置及介质 | |
| Wang et al. | ARIMA Model and Few‐Shot Learning for Vehicle Speed Time Series Analysis and Prediction | |
| CN111723871B (zh) | 一种公交车实时车厢满载率的估算方法 | |
| CN117831287B (zh) | 高速公路拥堵指数的确定方法、装置、设备和存储介质 | |
| CN117251722A (zh) | 一种基于大数据的智慧交通管理系统 | |
| CN116798223A (zh) | 基于宏观基本图/fcm聚类的子区划分及状态识别方法 | |
| CN108922191B (zh) | 一种基于软集合的行程时间的计算方法 | |
| CN115083173B (zh) | 一种基于电警数据的单点定时信号控制时段划分方法 | |
| CN115691140A (zh) | 一种汽车充电需求时空分布的分析与预测方法 | |
| CN114627643A (zh) | 一种高速公路事故风险预测方法、装置、设备及介质 | |
| CN116884225B (zh) | 评估自动驾驶车辆比例对交通效率影响的方法及装置 | |
| Gao et al. | Regional expressway freight volume prediction algorithm based on meteorological information | |
| CN117273964B (zh) | 一种自适应行驶数据的智能车险策略生成系统及方法 | |
| CN117173899B (zh) | 一种智慧城市交通出行品质评价方法 | |
| Wang | Road condition perception model based on adaptive dynamic path planning algorithm and time series. |
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 |