实时交通流数据融合方法及装置 【技术领域】
本发明涉及智能交通技术领域， 尤其涉及一种实时交通流数据融合方法及装置。背景技术 智能交通系统运用计算机、 通信、 人工智能、 传感器等技术可以为用户提供道路的 实时交通信息。用户在驾驶过程中可以随时通过 GPS/GIS、 广播、 信息发布板等手段了解各 个路段目前的交通状况， 交通管理部门可以通过道路上的车辆传感器、 视频摄像机等设备 随时了解各个路段的交通状况， 并随时对各个交通路口的交通信号进行调整以及对外界进 行信息发布。
目前， 现有技术主要通过对 FCD(Floating Car Data， 浮动车数据 )、 交通流感应线 圈数据或者事件信息数据等各种交通流数据分别进行单独的处理来获得道路的交通情况， 然后选取对其中一种数据进行处理后得出的路况信息作为道路的当前路况信息进行填补， 例如， 选取对 FCD 进行处理得出的路况信息作为道路的当前路况信息。
然而， 发明人发现现有技术是通过对各种交通流数据分别进行单独处理， 然后选 取其中一种交通流数据得出的路况信息作为道路的当前路况， 如果所选取的这种交通流数 据发生异常， 就会导致根据该类型的交通流数据所得出的路况的准确性降低。
发明内容 本发明的实施例提供一种实时交通流数据融合方法及装置， 提高了道路的路况信 息的准确性。
为达到上述目的， 本发明的实施例采用如下技术方案 ：
一种实时交通流数据融合方法， 包括 ：
根据至少两种实时交通流数据中的每一种实时交通流数据， 依次计算得出道路在 所述每一种实时交通流数据下对应的路况状态 S 和运行速度 V ；
依次确定所述每一种实时交通流数据对应的信任度 ；
确定所述道路在各个路况状态下的信任度 ；
当信任度最高的路况状态的信任度与信任度次高的路况状态的信任度的差值不 小于预设阈值， 采用所述信任度最高的路况状态 S 作为所述道路的当前路况状态， 并根据 所述道路在所述信任度最高的路况状态 S 下对应的运行速度 V 计算得出所述道路的当前运 行速度 ；
当信任度最高的路况状态的信任度与信任度次高的路况状态的信任度的差值小 于预设阈值， 根据所述道路在所述每一种实时交流数据下对应的运行速度 V 重新计算得出 所述道路的当前运行速度， 并根据所述当前运行速度确定所述道路的当前路况状态。
一种实时交通流数据融合装置， 包括 ：
第一处理单元， 用于根据至少两种实时交通流数据中的每一种实时交通流数据， 依次计算得出道路在所述每一种实时交通流数据下对应的路况状态 S 和运行速度 V ；
第二处理单元， 用于依次确定所述每一种实时交通流数据对应的信任度 ；
确定单元， 用于确定所述道路在各个路况状态下的信任度 ；
状态融合单元， 用于当信任度最高的路况状态的信任度与信任度次高的路况状态 的信任度的差值不小于预设阈值， 采用所述信任度最高的路况状态 S 作为所述道路的当前 路况状态， 并根据所述道路在所述信任度最高的路况状态 S 下对应的运行速度 V 计算得出 所述道路的当前运行速度 ；
速度融合单元， 用于当信任度最高的路况状态的信任度与信任度次高的路况状态 的信任度的差值小于预设阈值， 根据所述道路在所述每一种实时交流数据下对应的运行速 度 V 重新计算得出所述道路的当前运行速度， 并根据所述当前运行速度确定所述道路的当 前路况状态。
本发明实施例提供的实时交通流数据融合方法及装置， 通过依次计算得出道路在 所述每一种实时交通流数据下对应的路况状态 S 和运行速度 V， 并依次确定所述每一种实 时交通流数据对应的信任度， 可以确定所述道路在各个路况状态下的信任度。 然后， 如果信 任度最高的路况状态的信任度与信任度次高的路况状态的信任度的差值不小于预设阈值， 那么采用所述信任度最高的路况状态 S 作为所述道路的当前路况状态， 并根据所述道路在 所述信任度最高的路况状态 S 下对应的运行速度 V 计算得出所述道路的当前运行速度 ； 否 则， 根据所述道路在所述每一种实时交流数据下对应的运行速度 V 重新计算得出所述道路 的当前运行速度， 并根据所述当前运行速度确定所述道路的当前路况状态。
从本发明实施例的实现过程可以看出， 所述道路的当前路况状态和运行速度是结 合至少两种实时交通流数据计算得出的， 所述至少两种交通流数据各自对应不同的信任 度， 与现有技术选取其中一种交通流数据得出的路况信息作为道路的当前路况信息相比， 本发明实施例可以有效利用各种实时交通流数据的准确性， 从而提高了道路的路况信息的 准确性。 附图说明 为了更清楚地说明本发明实施例或现有技术中的技术方案， 下面将对实施例或现 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本 发明的一些实施例， 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 根据这些附图获得其他的附图。
图 1 为本发明实施例 1 提供的一种实时交通流数据融合方法的流程图 ；
图 2 为本发明实施例 1 提供的利用线圈获取道路的运行速度和路况状态的示意 图；
图 3 为本发明实施例 1 提供的另一种实时交通流数据融合方法的流程图 ；
图 4 为本发明实施例 2 提供的一种实时交通流数据融合装置结构图 ；
图 5 为本发明实施例 2 提供的另一种实时交通流数据融合装置结构图。
具体实施方式
下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例仅仅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， 都属于本发明保护的范围。
实施例 1 ：
如图 1 所示的实施例提供一种实时交通流数据融合方法， 具体包括以下步骤 ：
101、 根据至少两种实时交通流数据中的每一种实时交通流数据， 依次计算得出道 路在所述每一种实时交通流数据下对应的路况状态 S 和运行速度 V。
实际应用时， 在获取所述实时交通流数据时， 可以在一定的时间周期内把用于融 合的至少两种实时交通流数据进行汇总。 由于时间周期的选取与实时交通流数据的发布频 率有关。 如果时间周期选取的较短， 会造成获取的实时交通流数据的数量有限， 数据出现极 端值的几率加大， 如果时间周期选取的太长， 则会对交通流信息发布造成影响， 例如不能够 及时更新交通流信息。因而， 一种较优的方案为， 上述时间周期的值可以选取为 5 分钟。
需要说明的是， 本发明实施例提到的实时交通流数据包括 ： 浮动车数据、 交通流感 应线圈数据或者事件信息数据。
不同类型的数据具有不同的数据特性， 例如 ： FCD(Floating Car Data， 浮动车数 据 ) 的特点是信息量大， 覆盖范围广， 准确率受浮动车处理模型影响较大， 等级越高的道路 信息准确率越高， FCD 的回传频率越高信息准确率越高。又如， 交通流感应线圈数据的数据 特点是信息主要针对高速路等， 覆盖范围小， 但准确率较高。还如， 事件信息数据具体可以 分为交通流信息和事件信息两类， 所述交通流信息可以用于交通流信息融合， 而事件信息 可以用于校验。这类数据大部分需要人工录入， 具有较高的准确性， 但是， 一般会存在一定 的时间延误， 特别的， 当突发性事件发生时， 利用事件信息数据对交通流的影响不好判断。 因而， 根据上述不同类型的实时交通流数据， 计算道路在所述每一种实时交通流 数据下对应的路况状态 S 和运行速度 V 的方法也不相同， 下面分别介绍如何计算道路在 FCD、 交通流感应线圈数据和事件信息数据下对应的路况状态 S 和运行速度 V。
一、 利用 FCD 计算道路对应的路况状态 S 和运行速度 V。
步骤 1、 首先将 FCD 按照数据源和车辆 ID( 每一辆浮动车都有自己唯一的编号 ) 进 行分类。
步骤 2、 然后， 抽取 FCD 中的 GPS 经纬度、 速度、 方向、 时间信息， 对 FCD 中的异常数 据进行过滤， 需要过滤的异常数据包括 ：
单点数据， 指同一车辆 ID 的 GPS 点数据只有一个。
异常数据， 指同一车辆 ID 的相邻的两 GPS 点时间差乘以最大速度值小于这两个 GPS 点间直线距离。
步骤 3、 通过地图匹配， 路径推测得到每辆车的所有 GPS 点对应的道路。具体可以 通过以下方式实现 ： 以 GPS 点的经纬度坐标为中心选取可能匹配到的道路， 一般会有多条， 通过 GPS 点的方向过滤掉与道路夹角过大的道路， 通过 GPS 点的时间先后顺序以及道路的 联通关系， 确定匹配道路。
步骤 4、 经过上述三个步骤可以确定每辆浮动车通过的道路集合， 使用实际运行长 度、 运行时间、 GPS 点瞬时速度， 获得道路的运行速度 V， 并根据该运行速度 V 确定其路况状 态 S。
二、 利用交通流感应线圈数据计算道路对应的路况状态 S 和运行速度 V。
通常， 交通流感应线圈一般分为单线圈和双线圈， 下面以双线圈为例说明车速提取。 如图 2 所示， 当车辆通过两个相邻的环形线圈时， 车辆检测器可以分别获得经过 第一个线圈的时刻 T1 和经过第二个线圈的时刻 T2， 假设所述两个相邻线圈的实际距离为 D， 该车辆的速度值 V 可以根据 V ＝ D/(T1-T2) 计算得出。
在单位时间内， 获取所有通过上述两个相邻线圈的车辆的速度值， 并计算所述所 有通过车辆的速度值的平均值， 利用该平均值作为道路在单位时间内对应的运行速度 V， 根 据运行速度得出路况状态 S。
三、 利用事件信息数据计算道路对应的路况状态 S 和运行速度 V。
事件信息数据通常由人工进行采集， 可以分为内业采集和外业采集， 内业采集主 要通过收听 FM 电台的交通信息或通过视频观测收集数据， 外业采集主要靠采集人员人工 目测具体道路交通流状况。 这两种采集方式都可以直接得到较为准确的路况状态 S， 但运行 速度 V 一般为人工根据路况状态估算得到。
需要说明的是， 本发明实施例提到的所述路况状态包括 ： 畅通、 缓慢或者拥堵。根 据运行速度 V 得出路况状态 S 具体为 ： 当运行速度 V 小于 20km/h， 确定路况状态 S 为拥堵 ； 当运行速度 V 大于等于 20km/h 并且小于 40km/h， 确定路况状态 S 为缓慢 ； 当运行速度 V 大 于等于 40km/h， 确定路况状态 S 为畅通。
102、 依次确定所述每一种实时交通流数据对应的信任度。
具体的， 本步骤可以通过如下子步骤实现 ( 图未示 ) ：
102A、 依次计算出所述每一种实时交通流数据在预设时间范围内的状态准确率 ；
102B、 依次根据转换公式和所述每一种实时交通流数据的在预设时间范围内的状 态准确率确定所述每一种实时交通流数据对应的信任度。所述转换公式为 ： 信任度＝ [ 状 态准确率 *1000+0.5]， 其中， [ ] 为取整符号。
103、 确定所述道路在各个路况状态下的信任度。
假设应用场景一中， 步骤 101 中至少两种实时交通流数据具体为从公司 1 获取的 FCD1、 从公司 2 获取的 FCD2、 交通流感应线圈数据和事件信息数据。 假设利用上述四种实时 交通流数据分别计算得出的道路 G 对应的运行速度和路况状态如下表一所示 ：
数据名称 道路 G 的状态 道路 G 的速度 (km/h)
FCD1 畅通 46FCD2 缓慢 21线圈 缓慢 29事件 缓慢 27表一
上述表一中的 “FCD1” 表示从公司 1 获取的浮动车数据， “FCD2” 表示从公司 2 获 取的浮动车数据， “线圈” 表示交通流感应线圈数据， “事件” 表示事件信息数据。
假设步骤 102 确定所述四种实时交通流数据各自对应的信任度如表二所示 ：
7101937616 A CN 101937617说FCD1 0.61 6明FCD2 0.53 5书线圈 0.97 10 事件 0.92 95/8 页数据名称 状态准确率 (％ ) 信任度
表二
那么本步骤中所述道路在路况状态下的信任度为 ： 在计算得出所述路况状态时采 用的所有实时交通流数据对应的信任度之和。 下面具体介绍如何计算得出所述道路在各个 路况状态下的信任度。
例如， 根据表一可以得知， 计算得出畅通状态时采用的实时交通流数据为 “FCD1” ， 根据表二可以得知， 该 “FCD1” 对应的信任度为 6， 从而可以确定所述道路 G 在畅通状态时的 信任度为 6 ；
又如， 根据表一可以得知， 计算得出缓慢状态时采用的实时交通流数据为 “FCD2” 、 “线圈” 和 “事件” ， 根据表二可以得知， 该 “FCD2” 对应的信任度为 5， 该 “线圈” 对应的信任 度为 10， 该 “事件” 对应的信任度为 9， 那么道路在缓慢状态下的信任度为 ： 在计算得出所述 缓慢状态时采用的所有实时交通流数据对应的信任度之和， 即， 5+10+9 ＝ 24。
根据步骤 101 得出的表一和步骤 102 得出的表二， 本步骤可以确定所述道路 G 在 各个路况状态下的信任度如下表三所示 ：
畅通 道路 G 的信任度分布
缓慢 24拥堵 06表三
104、 当信任度最高的路况状态的信任度与信任度次高的路况状态的信任度的差 值不小于预设阈值， 采用所述信任度最高的路况状态 S 作为所述道路的当前路况状态， 并 根据所述道路在所述信任度最高的路况状态 S 下对应的运行速度 V 计算得出所述道路的当 前运行速度。
具体的， 以上述步骤 103 中假设的应用场景一为例， 所述预设阈值可以根据公式 F ＝ (M1+M2+..+Mn)/n 计算得出， 其中， n 表示实时交通流数据个数， Mn 表示第 n 种实时交通 流数据的信任度。根据上述表二可以计算得出预设阈值具体为 F ＝ (6+5+10+9)/4 ＝ 7.5。
从上述表三可以看出， 信任度最高的路况状态为缓慢， 对应的信任度为 24， 信任度 次高的路况状态为畅通， 其对应的信任度为 6 ； 那么可以得出信任度最高的路况状态的信 任度与信任度次高的路况状态的信任度的差值为 ： 24-6 ＝ 18。 此时， 由于 18 ＞ 7.5， 即信任度最高的路况状态的信任度与信任度次高的路况状 态的信任度的差值不小于预设阈值， 可以确定所述道路 G 当前的路况状态 S 为缓慢。
所述道路 G 的当前运行速度 V 具体通过如下过程计算得出 ：
采用所述道路在所述信任度最高的路况状态下对应的运行速度 V 进行加权平均 得出的值作为所述道路的当前运行速度， 其中， 权重值为计算得出所述运行速度 V 时采用 的实时交通流数据对应的信任度。
具体的， 根据表一可以得知， 道路 G 在缓慢状态下对应的运行速度分别为 21km/h、 29km/h 和 27km/h， 计算得出 “21km/h” 时采用的实时交通流数据为 “FCD2” ， 计算得出 “29km/ h” 时采用的实时交通流数据为 “线圈” ， 计算得出 “27km/h” 时采用的实时交通流数据为 “事 件” ； 根据表二可以得知， 该 “FCD2” 对应的信任度为 5， 该 “线圈” 对应的信任度为 10， 该 “事 件” 对应的信任度为 9。那么， 所述道路 G 的当前运行速度 V ＝ (21×5+29×10+27×9)/ (5+10+9) ＝ 26.6km/h。
105、 当信任度最高的路况状态的信任度与信任度次高的路况状态的信任度的差 值小于预设阈值， 根据所述道路在所述每一种实时交流数据下对应的运行速度 V 重新计算 得出所述道路的当前运行速度， 并根据所述当前运行速度确定所述道路的当前路况状态。
为了更清楚的说明步骤 105 的实现过程， 假设应用场景二中， 通过上述步骤 101 得 到的利用四种实时交通流数据分别计算得出的道路 W 对应的运行速度和路况状态如下表 四所示 ：
数据名称 道路 W 的状态 道路 W 的速度 (km/h)
FCD1 畅通 45FCD2 缓慢 30线圈 缓慢 21事件 畅通 50表四
其中， “FCD1” 表示从公司 1 获取的浮动车数据， “FCD2” 表示从公司 2 获取的浮动 车数据， “线圈” 表示交通流感应线圈数据， “事件” 表示事件信息数据。
假设在应用场景二下， 通过步骤 102 得出所述四种实时交通流数据各自对应的信 任度与上述表二相同， 根据上述表二可以计算得出应用场景二下采用的预设阈值具体为 F ＝ (6+5+10+9)/4 ＝ 7.5。
那么通过步骤 103 可以确定的所述道路 W 在各个路况状态下的信任度如下表五所 示：
畅通 道路 W 的信任度分布
缓慢 15拥堵 015表五
从上述表五可以得知， 信任度最高的路况状态为畅通， 其对应的信任度为 15 ； 信 任度次高的路况状态为缓慢， 其对应的信任度也为 15。由于信任度最高的路况状态的信任 度与信任度次高的路况状态的信任度的差值为零， 该差值小于预设阈值 7.5， 此时， 可以根 据所述道路在所述每一种实时交流数据下对应的运行速度 V 重新计算得出所述道路的当 前运行速度， 并根据所述当前运行速度确定所述道路的当前路况状态。
具体的， 可以采用所述道路在所述每一种实时交流数据下对应的运行速度 V 进行 加权平均得出的作为所述道路的当前运行速度， 其中， 权重值为计算得出所述运行速度 V 时采用的实时交通流数据对应的信任度。以应用场景二下计算道路 W 的当前运行速度为例进行说明， 根据表四和表二可以 得知， 所述道路 W 在所述四种实时交流数据下对应的运行速度 V 依次为 ： 45km/h、 30km/h、 21km/h、 50km/h。计算得出所述 “45km/h” 时采用的实时交通流数据为 “FCD1” ， 其对应的信 任度为 6 ； 计算得出所述 “30km/h” 时采用的实时交通流数据为 “FCD2” ， 其对应的信任度为 5； 计算得出所述 “21km/h” 时采用的实时交通流数据为 “线圈” ， 其对应的信任度为 10 ； 计算 得出所述 “50km/h” 时采用的实时交通流数据为 “事件” ， 其对应的信任度为 9。那么， 所述 道路 W 的当前运行速度 V ＝ (45×6+30×5+21×10+50×9)/(6+5+10+9) ＝ 36km/h， 由于运 行速度为 “36km/h” 对应的路况状态为 “缓慢” ， 从而可以确定所述道路 W 的当前路况状态 S 为 “缓慢” 。
本发明的实施例通过根据不同实时交通流数据的状态准确性， 赋予它们不同的信 任度， 通过分析道路在各个路况状态下的信任度分布和对速度进行信任度加权平均， 得到 道路的当前的运行速度和路况状态。与现有技术选取其中一种交通流数据得出的路况信 息作为道路的当前路况信息相比， 本发明实施例可以有效利用各种实时交通流数据的准确 性， 从而提高了道路的路况信息的准确性。
进一步地， 如图 3 所示， 上述方法还可以包括如下步骤 106 ：
106、 利用事件信息数据检验所述计算得出的道路的当前路况状态和当前运行速度。 利用事件信息数据进行再校验主要是进行限制类信息的校验。例如， 当道路上出 现限制通行事件时， 该道路不应该有交通流信息。又如， 当出现易造成拥堵的突发事件时， 可以参考道路上的速度值将路况状态对应的运行速度的临界值进行调低， 使状态趋于拥堵 化。
实施例 2 ：
如图 4 所示， 本发明实施例提供一种实时交通流数据融合装置， 包括 ： 第一处理单 元 11， 第二处理单元 12， 确定单元 13， 状态融合单元 14 和速度融合单元 15。
其中， 第一处理单元 11 用于根据至少两种实时交通流数据中的每一种实时交通 流数据， 依次计算得出道路在所述每一种实时交通流数据下对应的路况状态 S 和运行速度 V；
第二处理单元 12 用于依次确定所述每一种实时交通流数据对应的信任度 ；
确定单元 13 用于确定所述道路在各个路况状态下的信任度 ；
状态融合单元 14 用于当信任度最高的路况状态的信任度与信任度次高的路况状 态的信任度的差值不小于预设阈值， 采用所述信任度最高的路况状态 S 作为所述道路的当 前路况状态， 并根据所述道路在所述信任度最高的路况状态 S 下对应的运行速度 V 计算得 出所述道路的当前运行速度 ；
速度融合单元 15 用于当信任度最高的路况状态的信任度与信任度次高的路况状 态的信任度的差值小于预设阈值， 根据所述道路在所述每一种实时交流数据下对应的运行 速度 V 重新计算得出所述道路的当前运行速度， 并根据所述当前运行速度确定所述道路的 当前路况状态。
进一步地， 所述第二处理单元可以进行功能细分 ( 图未示 )， 具体可以包括 ： 计算 模块和转换模块。
其中， 计算模块用于依次计算出所述每一种实时交通流数据在预设时间范围内的 状态准确率 ； 转换模块用于依次根据转换公式和所述每一种实时交通流数据的在预设时间 范围内的状态准确率确定所述每一种实时交通流数据对应的信任度 ； 所述转换公式为 ： 信 任度＝ [ 状态准确率 *1000+0.5]。
需要说明的是， 具体应用时， 所述状态融合单元具体采用所述道路在所述信任度 最高的路况状态下对应的运行速度 V 进行加权平均得出的值作为所述道路的当前运行速 度， 其中， 权重值为计算得出所述运行速度 V 时采用的实时交通流数据对应的信任度。
所述速度融合单元具体采用所述道路在所述每一种实时交流数据下对应的运行 速度 V 进行加权平均得出的作为所述道路的当前运行速度， 其中， 权重值为计算得出所述 运行速度 V 时采用的实时交通流数据对应的信任度。
进一步地， 如图 5 所示， 上述装置还可以包括 ： 检验单元 16。
所述检验单元 16 用于利用事件信息数据检验所述计算得出的道路的当前路况状 态和当前运行速度。
本发明实施例提供的实时交通流数据融合装置， 结合至少两种实时交通流数据计 算得出的所述道路的当前路况状态和运行速度， 所述至少两种交通流数据各自对应不同的 信任度， 与现有技术选取其中一种交通流数据得出的路况信息作为道路的当前路况信息相 比， 本发明实施例可以有效利用各种实时交通流数据的准确性， 从而提高了道路的路况信 息的准确性。 本发明实施例主要应用于对实时交通流数据进行融合的过程中， 可以提高道路的 路况信息的准确性。
以上所述， 仅为本发明的具体实施方式， 但本发明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发明揭露的技术范围内， 可轻易想到变化或替换， 都应涵 盖在本发明的保护范围之内。 因此， 本发明的保护范围应以所述权利要求的保护范围为准。