[发明专利]状态识别模型建立方法、道路交通状态识别方法及装置

说明书

本发明提供了一种状态识别模型建立方法、道路交通状态识别方法及装置，建立方法包括：分别获取直行车队中各车辆通过标定路段时的路段旅行时间各车辆的定点车速；根据所有路段旅行时间计算直行车队的平均路段旅行时间，根据所有定点车速计算直行车队分别在不同时间段内的平均速度；将平均路段旅行时间分别与多个阈值范围进行匹配，确定标定路段的交通状态等级，将所有平均速度依次排列组成特征向量；构建基于随机森林的待训练模型，对应的交通状态等级和特征向量为一个样本，获取多个不同的直行车队分别对应的样本组成数据集；采用数据集训练待训练模型，获得状态识别模型。本发明的技术方案建立的状态识别模型识别精度高，应用过程简单高效。

技术领域

本发明涉及道路交通状态识别技术领域，具体而言，涉及一种状态识别模型建立方法、道路交通状态识别方法及装置。

背景技术

随着我国居民生活水平的不断提高，汽车保有量逐年提升，伴随而来的是道路拥堵也日益严重。随着信息化技术的发展，智慧交通系统被越来越多的用于进行道路交通管控，其中，识别道路交通状态在智慧交通系统中起着非常重要的作用，目前常采用以下几种方法来估计道路交通状态。

一种方法是基于交通流理论，通过交通流特征来估计车辆排队长度，实现对道路交通状态的估计。例如：利用线圈检测数据，运用交通波理论从交叉口绿灯结束时的滞留排队长度和下游交叉口溢流两个方面判别过饱和交通状态；针对绿灯结束时的滞留排队长度，利用定义的排队消散系数判别交叉口的过饱和交通状态；针对下游交叉口溢流，利用定义的溢流阻滞系数判别过饱和溢流现象。该方法根据线圈检测数据，通过计算排队消散系数和溢流阻滞系数能够判别过饱和交通状态，但是，该方法适用范围小，应用于复杂的城市道路环境时估计精度较低。

另一种方法是基于线性拟合、决策树、神经网络等模型，建立特征变量与交通状态分类之间的关系，实现道路交通状态的估计。例如：以低频定点检测器采集的流量、占有率、速度数据与交叉口离线信号配时方案作为特征变量，并以路段平均行程速度为标签变量，基于分类回归树（CART）模型，实现道路交通状态的估计。该方法以车辆路段行程速度为评价指标，能够将交通状态分为畅通状态、拥挤状态和阻塞状态3类，对拥挤状态的估计精度较高，但对畅通状态和阻塞状态的估计精度较低。

发明内容

本发明解决的问题是如何提高道路交通状态的识别精度。

为解决上述问题，本发明提供一种状态识别模型建立方法、道路交通状态识别方法及装置。

第一方面，本发明提供了一种状态识别模型建立方法，包括：

分别获取直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速；

根据各所述车辆的所有所述路段旅行时间计算所述直行车队的平均路段旅行时间，并根据各所述车辆的所有所述定点车速计算所述直行车队分别在不同时间段内的平均速度；

将所述平均路段旅行时间分别与预先确定的多个阈值范围进行匹配，确定所述标定路段的交通状态等级，并将不同时间段的所述平均速度依次排列，组成特征向量；

构建基于随机森林的待训练模型，所述直行车队对应的所述交通状态等级和所述特征向量为一个样本，获取多个不同的所述直行车队分别对应的所述样本，将所有所述样本组成数据集；

采用所述数据集训练所述待训练模型，获得状态识别模型。

进一步，所述分别获取一个直行车队中各车辆通过标定路段时的路段旅行时间，和设置在所述标定路段上的定点检测器检测的各所述车辆的定点车速包括：

采用微观仿真模型模拟所述标定路段、所述直行车队和所述定点检测器，运行所述微观仿真模型，获得所述直行车队中各所述车辆通过所述标定路段的所述路段旅行时间和所述定点检测器检测的所有所述定点车速。