一种拥堵数据的确定方法和装置制造方法及图纸

本申请实施例提供了一种拥堵数据的确定方法和装置，所述方法包括：根据获取到的路段数据，确定路段的特征信息，该特征信息包括平均速度、车流密度、速度阈值以及数据有效值；根据特征信息，利用预先确定的拥堵模型确定拥堵数据，拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。因此，能够基于路段的多个特征信息，利用非线性回归模型和类逻辑回归模型进行拥堵数据的确定，克服基于单一指标所确定的拥堵数据的准确率的问题，提升拥堵数据的准确率，简化计算操作。

A Method and Device for Determining Congestion Data

The embodiment of this application provides a method and device for determining congestion data. The method includes: determining the characteristic information of a road section according to the obtained data of a road section, which includes average speed, traffic density, speed threshold and effective value of the data; determining congestion data using a pre-determined congestion model based on the characteristic information, and congestion model including a non-linear return. Regression model and predefined logistic regression model. Therefore, based on the multi-feature information of the road section, the congestion data can be determined by using the non-linear regression model and the logistic regression model, which overcomes the problem of the accuracy of congestion data determined by a single index, improves the accuracy of congestion data and simplifies the calculation operation.

【技术实现步骤摘要】
一种拥堵数据的确定方法和装置
本申请涉及数据处理
，特别是涉及一种拥堵数据的确定方法和装置。
技术介绍
对于城市道路或者高速公路的拥堵情况，目前常用的指标都是基于单一指标的。例如，北京市基于出行时间、美国联邦车辆管理局基于出行延误时间、欧洲INRIX公司的数据是基于实际速度与自由流速度的比值。但高速公路上由于卡口少且收费站测量数据不准确的情况下，基于单一指标所确定的拥堵指数，都会由于数据质量较低而导致拥堵指数计算结果不准确。
技术实现思路
鉴于上述问题，本申请实施例提供一种拥堵数据的确定方法，能够解决现有技术中存在的计算结果准确率不高的问题。相应的，本申请实施例还提供了一种拥堵数据的确定装置，用以保证上述方法的实现及应用。为了解决上述问题，本申请实施例公开了一种拥堵数据的确定方法，所述方法包括：根据获取到的路段数据，确定路段的特征信息，所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值；根据所述特征信息，利用预先确定的拥堵模型确定拥堵数据，所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。相应的，本申请实施例还公开了一种拥堵数据的确定装置，所述装置包括：信息确定模块，用于根据获取到的路段数据，确定路段的特征信息，所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值；数据确定模块，用于根据所述特征信息，利用预先确定的拥堵模型确定拥堵数据，所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。本申请实施例还提供一种装置，包括处理器以及存储器，其中，所述处理器执行所述存储器所存放的计算机程序代码，以实现本申请所述的拥堵数据的确定方法。本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现本申请所述的拥堵数据的确定方法的步骤。本申请实施例包括以下优点：根据获取到的路段数据，确定路段的特征信息，所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值；根据所述特征信息，利用预先确定的拥堵模型确定拥堵数据，所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。因此，能够基于路段的多个特征信息，利用非线性回归模型和类逻辑回归模型进行拥堵数据的确定，克服基于单一指标所确定的拥堵数据的准确率的问题，提升拥堵数据的准确率，简化计算操作。附图说明图1是本申请的一种拥堵数据的确定方法实施例的步骤流程图；图2是本申请的一种拥堵数据的确定方法可选实施例的步骤流程图；图3是本申请的一种拥堵数据的确定方法可选实施例的步骤流程图；图4是本申请的一种拥堵数据的确定装置实施例的结构框图。具体实施方式为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。参照图1，示出了本申请的一种拥堵数据的确定方法实施例的步骤流程图，具体可以包括如下步骤：步骤101，根据获取到的路段数据，确定路段的特征信息。其中，特征信息包括平均速度、车流密度、速度阈值以及数据有效值。在具体应用中，特征信息中包括多个关于路段的特征信息，其中车流密度是根据路段的总车流量与路段的长度的比值所确定的，速度阈值是根据预先获取到的路段对应不同种类车辆的限速值，结合不同种类的车辆的车流量所确定的，数据有效值用于表征路段数据的质量。示例地，根据路段的总车流量和路段的长度可以确定该路段的车流密度，也就是单位长度上的车流量大小；路段上的平均速度表示从这个路段上经过的所有车辆的平均速度；速度阈值是根据不同种类车辆的限速值和车流量所确定，例如，该路段上的小车(7座及7座以下)的最高限速为120km/h，打车(7座以上)的最高限速为80km/h，路段上的小车流量占总车流的80％，剩下的20％为大车，则对应的速度阈值为(120*80％+80*20％)。数据有效值是指能够利用非线性模型直接确定拥堵数据的数据量大小，也就是说，速度测量数值准确的数据量，即数据有效值(其取值为0-1之间)。步骤102，根据特征信息，利用预先确定的拥堵模型确定拥堵数据。其中，拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。在具体应用中，非线性回归模型主要用于对速度测试结果良好的路段，利用标准的非线性回归函数对路段的拥堵情况进行预测；类逻辑回归模型是基于本申请所涉及的预测场景，对标准的逻辑回归模型进行对应调整和优化后所生成的类逻辑回归模型，用于对速度测试结果差的路段进行拥堵情况的测试。也就是通过非线性回归模型与类逻辑回归模型的加权，生成能够基于实际路况进行拥堵情况的准确判断的模型，即作为拥堵模型。需要说明的是，该拥堵模型是利用历史数据进行训练得到的，历史数据可以是带标签的数据，进而优化拥堵模型中的各个参数。此外，为了使得拥堵数据符合标准量化指标标准，对拥堵模型中的参数进行比例调节，例如使得拥堵数据在0-10之间，以保证拥堵数据具有通用性和标准性。综上所述，本申请实施例提供的拥堵数据的确定方法，根据获取到的路段数据，确定路段的特征信息，特征信息包括平均速度、车流密度、速度阈值以及数据有效值；根据特征信息，利用预先确定的拥堵模型确定拥堵数据，拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。因此，能够基于路段的多个特征信息，利用非线性回归模型和类逻辑回归模型进行拥堵数据的确定，克服基于单一指标所确定的拥堵数据的准确率的问题，提升拥堵数据的准确率，简化计算操作。参照图2，示出了本申请的一种拥堵数据的确定方法可选实施例的步骤流程图，步骤102所述的根据特征信息，利用预先确定的拥堵模型确定拥堵数据，包括如下步骤：步骤1021，根据数据有效值，确定非线性回归模型的权重和类逻辑回归模型的权重。示例地，数据有效值即作为非线性回归模型的权重，例如数据有效值为0.8，对应的非线性回归模型的权重为0.8，类逻辑回归模型的权重为0.2，从而实现根据路段的实际情况，对拥堵模型中的非线性回归模型的权重进行调整，使得拥堵模型具有更高的准确性。步骤1022，根据特征信息，利用拥堵模型，确定非线性输出和逻辑输出。在具体应用中，该步骤如图3所示，可以包括：步骤10221，将速度阈值与平均速度之比作为非线性回归模型的输入，以得到非线性输出。在具体应用中，具体的非线性回归模型所采用的非线性函数表达式，如下：z＝a*x5+b*x4+c*x3-d*x2+e*x-f其中，x为速度阈值与平均速度之比，a,b,c,d,e,f为路段参数。示例地，由于速度阈值与平均速度之比是大于1的，为了实现最终取值满足0-10的量化标准，对速度阈值与平均速度之比的5次方、4次方、3次方以及平方进行量化。步骤10222，根据车流密度、平均速度以及速度阈值，利用类逻辑回归模型，得到逻辑输出。在具体应用中，根据车流密度、平均速度以及速度阈值，利用逻辑回归表达式，获取逻辑输出。该逻辑回归表达式包括：其中，y＝β(x1-α)，x1表示车流密度，λ表示逻辑输出，x2表示平均速度；x3表示速度阈值，α、β、γ、ε表示路段参数，n表示拥堵数据的统计参数。示例地，以n＝10实现拥堵数值的标准量化，通过对标准的逻辑回归函数进行拉伸和压缩，生成更为符合具体应用场景的类逻辑回归模型，利用历史数据，例如已确定准确的拥堵数值的标记数据，对类逻辑回归模型本文档来自技高网...

【技术保护点】
1.一种拥堵数据的确定方法，其特征在于，所述方法包括：根据获取到的路段数据，确定路段的特征信息，所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值；根据所述特征信息，利用预先确定的拥堵模型确定拥堵数据，所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。

【技术特征摘要】
1.一种拥堵数据的确定方法，其特征在于，所述方法包括：根据获取到的路段数据，确定路段的特征信息，所述特征信息包括平均速度、车流密度、速度阈值以及数据有效值；根据所述特征信息，利用预先确定的拥堵模型确定拥堵数据，所述拥堵模型包括非线性回归模型和预先确定的类逻辑回归模型。2.根据权利要求1所述的方法，其特征在于，所述车流密度是根据所述路段的总车流量与所述路段的长度的比值所确定的，所述速度阈值是根据预先获取到的所述路段对应不同种类车辆的限速值，结合所述不同种类的车辆的车流量所确定的，所述数据有效值用于表征所述路段数据的质量。3.根据权利要求1或者2所述的方法，其特征在于，所述根据所述特征信息，利用预先确定的拥堵模型确定拥堵数据，包括：根据所述数据有效值，确定所述非线性回归模型的权重和所述类逻辑回归模型的权重；根据所述特征信息，利用所述拥堵模型，确定所述非线性输出和所述逻辑输出；将所述非线性输出与所述非线性回归模型的权重之积和所述逻辑输出与所述类逻辑回归模型的权重之积相加，以作为所述拥堵数据。4.根据权利要求3所述的方法，其特征在于，所述根据所述特征信息，利用所述拥堵模型，确定所述非线性输出和所述逻辑输出，包括：将所述速度阈值与所述平均速度之比作为所述非线性回归模型的输入，以得到所述非线性输出；根据所述车流密度、所述平均速度以及所述速度阈值，利用所述类逻辑回归模型，得到所述逻辑输出。5.根据权利要求4所述的方法，其特征在于，所述根据所述车流密度、所述平均速度以及所述速度阈值，利用所述类逻辑回归模型，得到所述逻辑输出，包括：根据所述车流密度、所述平均速度以及所述速度阈值，利用逻辑回归表达式，获取所述逻辑输出；所述逻辑回归表达式包括：其中，y＝β(x1-α)，所述x1表示所述车流密度，所述λ表示所述逻辑输出，所述x2表示所述平均速度；所述x3表示所述速度阈值，所述α、β、γ、ε表示路段参数，所述n表示所述拥...

【专利技术属性】
技术研发人员：吴浩然，汤剑，
申请(专利权)人：同盾控股有限公司，
类型：发明
国别省市：浙江,33