一种交通状态判别方法和装置

摘要

本发明实施例提供一种交通状态判别方法和装置，获取路段的过车数据和浮动车数据，然后根据所述路段的过车数据确定所述路段的第一交通状态；根据所述路段的浮动车数据确定所述路段的第二交通状态；在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；根据所述交通数据确定所述路段的交通状态。由于同时获取了路段的过车数据和浮动车数据，并将过车数据和浮动车数据进行平均后判定路段的交通状态，从而一方面提高了判定路段的交通状态的准确性，另一方面也提高了路况信息发布的准确率和覆盖率。

权利要求

1.一种交通状态判别方法，其特征在于，包括：

获取路段的过车数据和浮动车数据；

根据所述路段的过车数据确定所述路段的第一交通状态；

根据所述路段的浮动车数据确定所述路段的第二交通状态；

在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；

根据所述交通数据确定所述路段的交通状态；

所述将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据符合下述公式(1)：Rv＝k1·Hv+k2·Gv……………………………………(1)其中，Rv为路段的交通数据，Hv为路段的过车数据，Gv为路段的浮动车数据，k1为过车数据的加权系数，k2为浮动车数据的加权系数，加权系数是根据历史过车数据和历史浮动车数据确定的；

根据历史过车数据和历史浮动车数据确定加权系数，包括：采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心；

根据所述过车数据与各个聚类中心的距离确定所述过车数据所属类别；

根据所述浮动车数据与各个聚类中心的距离确定所述浮动车数据所属类别；

根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数；

根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数。

2.如权利要求1所述的方法，其特征在于，所述根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数符合下述公式(2)：其中，k1为过车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkh为过车数据所属类别k中的历史过车数据量，njh为浮动车数据所属的类别j中的历史过车数据量；

所述根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数符合下述公式(3)：其中，k2为浮动车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkg为过车数据所属类别k中的历史浮动车数据量，njg为浮动车数据所属的类别j中的历史浮动车数据量。

3.如权利要求1所述的方法，其特征在于，还包括：

在确定所述第一交通状态和第二交通状态相同时，将所述第一交通状态或所述第二交通状态确定为所述路段的交通状态。

4.一种交通状态判别装置，其特征在于，包括：

获取模块，用于获取路段的过车数据和浮动车数据；

处理模块，用于根据所述路段的过车数据确定所述路段的第一交通状态；根据所述路段的浮动车数据确定所述路段的第二交通状态；在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；根据所述交通数据确定所述路段的交通状态；

所述将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据符合下述公式(1)：Rv＝k1·Hv+k2·Gv……………………………………(1)其中，Rv为路段的交通数据，Hv为路段的过车数据，Gv为路段的浮动车数据，k1为过车数据的加权系数，k2为浮动车数据的加权系数，加权系数是根据历史过车数据和历史浮动车数据确定的；

所述处理模块具体用于：

采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心；

根据所述过车数据与各个聚类中心的距离确定所述过车数据所属类别；

根据所述浮动车数据与各个聚类中心的距离确定所述浮动车数据所属类别；

根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数；

根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数。

5.如权利要求4所述的装置，其特征在于，所述根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数符合下述公式(2)：其中，k1为过车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkh为过车数据所属类别k中的历史过车数据量，njh为浮动车数据所属的类别j中的历史过车数据量；

所述根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数符合下述公式(3)：其中，k2为浮动车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkg为过车数据所属类别k中的历史浮动车数据量，njg为浮动车数据所属的类别j中的历史浮动车数据量。

6.如权利要求4所述的装置，其特征在于，所述处理模块还用于：在确定所述第一交通状态和第二交通状态相同时，将所述第一交通状态或所述第二交通状态确定为所述路段的交通状态。

7.一种计算设备，其特征在于，包括：

存储器，用于存储程序指令；

处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如权利要求1至

3任一项所述的方法。

8.一种计算机存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至3任一项所述的方法。

说明书

一种交通状态判别方法和装置

技术领域

[0001] 本发明实施例涉及智能交通控制领域，尤其涉及一种交通状态判别方法和装置。

背景技术

[0002] 路段交通状态估计与预测是智能交通系统的重要组成部分，也是动态交通管理决策和出行决策的重要信息基础。实时准确的交通状态预测，可以为交通管理部门的动态管理、实时诱导、信息发布提供支撑，也是路段行程时间预测的基础，对于动态交通管理决策与出行决策具有重要的现实意义。现有技术中，判断路段交通状态的方法主要是基于浮动车数据，通过实时获取浮动车数据，并基于浮动车数据计算道路的实时运行速度，根据道路的实时运行速度评价道路的交通状态，但是由于浮动车的样本量不足、上下客等特性导致路网交通状况判别准确度较低，可用性不高，无法有效引导公众出行。

发明内容

[0003] 本发明实施例提供一种交通状态判别方法和装置，用于解决现有技术中基于浮动车数据判别路段交通状态的方法准确度较低的问题。

[0004] 本发明实施例提供了一种交通状态判别方法，包括：

[0005] 获取路段的过车数据和浮动车数据；

[0006] 根据所述路段的过车数据确定所述路段的第一交通状态；

[0007] 根据所述路段的浮动车数据确定所述路段的第二交通状态；

[0008] 在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；

[0009] 根据所述交通数据确定所述路段的交通状态。

[0010] 可选地，所述将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据符合下述公式(1)：

[0011] Rv＝k1·Hv+k2·Gv……………………………………(1)

[0012] 其中，Rv为路段的交通数据，Hv为路段的过车数据，Gv为路段的浮动车数据，k1为过车数据的加权系数，k2为浮动车数据的加权系数，加权系数是根据历史过车数据和历史浮动车数据确定的。

[0013] 可选地，根据历史过车数据和历史浮动车数据确定加权系数，包括：

[0014] 采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心；

[0015] 根据所述过车数据与各个聚类中心的距离确定所述过车数据所属类别；

[0016] 根据所述浮动车数据与各个聚类中心的距离确定所述浮动车数据所属类别；

[0017] 根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数；

[0018] 根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数。

[0019] 可选地，所述根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数符合下述公式(2)：

[0020]

[0021] 其中，k1为过车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkh为过车数据所属类别k中的历史过车数据量，njh为浮动车数据所属的类别j中的历史过车数据量；

[0022] 所述根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数符合下述公式(3)：

[0023]

[0024] 其中，k2为浮动车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkg为过车数据所属类别k中的历史浮动车数据量，njg为浮动车数据所属的类别j中的历史浮动车数据量。

[0025] 可选地，还包括：

[0026] 在确定所述第一交通状态和第二交通状态相同时，将所述第一交通状态或所述第二交通状态确定为所述路段的交通状态。

[0027] 相应地，本发明实施例还提供了一种交通状态判别装置，包括：

[0028] 获取模块，用于获取路段的过车数据和浮动车数据；

[0029] 处理模块，用于根据所述路段的过车数据确定所述路段的第一交通状态；根据所述路段的浮动车数据确定所述路段的第二交通状态；在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；根据所述交通数据确定所述路段的交通状态。

[0030] 可选地，所述将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据符合下述公式(1)：

[0031] Rv＝k1·Hv+k2·Gv……………………………………(1)

[0032] 其中，Rv为路段的交通数据，Hv为路段的过车数据，Gv为路段的浮动车数据，k1为过车数据的加权系数，k2为浮动车数据的加权系数，加权系数是根据历史过车数据和历史浮动车数据确定的。

[0033] 可选地，所述处理模块具体用于：

[0034] 采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心；

[0035] 根据所述过车数据与各个聚类中心的距离确定所述过车数据所属类别；

[0036] 根据所述浮动车数据与各个聚类中心的距离确定所述浮动车数据所属类别；

[0037] 根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数；

[0038] 根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数。

[0039] 可选地，所述根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数符合下述公式(2)：

[0040]

[0041] 其中，k1为过车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkh为过车数据所属类别k中的历史过车数据量，njh为浮动车数据所属的类别j中的历史过车数据量；

[0042] 所述根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数符合下述公式(3)：

[0043]

[0044] 其中，k2为浮动车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkg为过车数据所属类别k中的历史浮动车数据量，njg为浮动车数据所属的类别j中的历史浮动车数据量。

[0045] 可选地，所述处理模块还用于：

[0046] 在确定所述第一交通状态和第二交通状态相同时，将所述第一交通状态或所述第二交通状态确定为所述路段的交通状态。

[0047] 本发明实施例提供了一种计算设备，包括：

[0048] 存储器，用于存储程序指令；

[0049] 处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行如上述任一项所述的方法。

[0050] 本发明实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上述任一项所述的方法。

[0051] 本发明实施例表明，获取路段的过车数据和浮动车数据，然后根据所述路段的过车数据确定所述路段的第一交通状态；根据所述路段的浮动车数据确定所述路段的第二交通状态；在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据，最后根据所述交通数据确定所述路段的交通状态。由于同时获取了路段的过车数据和浮动车数据，并将过车数据和浮动车数据进行平均后判定路段的交通状态，从而一方面提高了判定路段的交通状态的准确性，另一方面也提高了路况信息发布的准确率和覆盖率。

附图说明

[0052] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，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，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

[0053] 图1为本发明实施例提供的一种交通状态判别方法的流程示意图；

[0054] 图2为本发明实施例提供的一种确定加权系数的方法的流程示意图；

[0055] 图3为本发明实施例提供的另一种交通状态判别方法的流程示意图；

[0056] 图4为本发明实施例提供的一种交通状态判别装置的结构示意图。

具体实施方式

[0057] 为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

[0058] 本发明实施例提供了一种交通状态判别方法，如图1所示，包括以下步骤：

[0059] 步骤S101，获取路段的过车数据和浮动车数据。

[0060] 步骤S102，根据路段的过车数据确定路段的第一交通状态。

[0061] 步骤S103，根据路段的浮动车数据确定路段的第二交通状态。

[0062] 步骤S104，在确定第一交通状态和第二交通状态不相同时，将过车数据和浮动车数据进行平均，确定路段的交通数据。

[0063] 步骤S105，根据交通数据确定路段的交通状态。

[0064] 具体地，在步骤S101中，过车数据为电子警察、地磁检测器实时监测通行车辆获得的数据，浮动车数据是车载全球定位系统(Global Positioning System，简称GPS)并行驶在城市主干道上的公交汽车和出租车上传的数据。过车数据和浮动车数据包括车辆行驶的速度、行程时间或者车流量。具体实施中，可预设统计周期，获取统计周期内过车数据和浮动车数据，统计周期可以是5分钟、10分钟等，比如每5分钟统计一次电子警察检测到的经过路段A的所有车辆的速度。

[0065] 在步骤S102和步骤S103中，可以预先设置交通状态的等级，比如可以将交通状态划分为三级，分别是1-畅通、2-缓行以及3-拥堵。也可以将交通状态划分为六级，分别为0-未知、1-畅通、2-缓行、3-拥堵、4-严重拥堵以及5-无交通流，交通状态的具体等级可根据具体情况确定。具体实施中，步骤S102和步骤S103不分先后顺序，可以先执行步骤S102，再执行步骤S103，也可以先执行步骤S103，再执行步骤S102，还可以步骤S102和步骤S103同时执行。

[0066] 在步骤S104和步骤S105中，在确定第一交通状态和第二交通状态不相同时，将过车数据和浮动车数据进行平均，确定路段的交通数据，然后根据交通数据确定路段的交通状态，具体实施中，将过车数据和浮动车数据进行平均的方法可以是加权平均、算术平均、几何平均、平方平均、调和平均等。在确定第一交通状态和第二交通状态相同时，将第一交通状态或第二交通状态确定为路段的交通状态。比如设定获取路段A的过车数据为Hv，获取路段A的浮动车数据为Gv。若根据过车数据Hv确定路段A的第一交通状态Hs为2-缓行，根据浮动车数据Gv确定路段A的第二交通状态Gs为3-拥堵，则将路段A的过车数据Hv和浮动车数据为Gv进行平均，确定路段A的交通数据Rv，然后根据交通数据Rv确定路段A的交通状态。若根据过车数据Hv确定路段A的第一交通状态Hs为3-拥堵，根据浮动车数据Gv确定路段A的第二交通状态Gs为3-拥堵，则确定路段A的交通状态为3-拥堵。由于同时获取了路段的过车数据和浮动车数据，并将过车数据和浮动车数据进行平均后判定路段的交通状态，从而一方面提高了判定路段的交通状态的准确性，另一方面也提高了路况信息发布的准确率和覆盖率。

[0067] 具体来说，将过车数据和所述浮动车数据进行平均，确定路段的交通数据符合下述公式(1)：

[0068] Rv＝k1·Hv+k2·Gv……………………………………(1)

[0069] 其中，Rv为路段的交通数据，Hv为路段的过车数据，Gv为路段的浮动车数据，k1为过车数据的加权系数，k2为浮动车数据的加权系数，k1≥0，k2≥0，k1+k2＝1，加权系数是根据历史过车数据和历史浮动车数据确定的。

[0070] 下面具体介绍根据历史过车数据和历史浮动车数据确定过车数据的加权系数和浮动车数据的加权系数的过程，包括以下步骤，如图2所示：

[0071] 步骤S201，采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心。

[0072] 步骤S202，根据过车数据与各个聚类中心的距离确定过车数据所属类别。

[0073] 步骤S203，根据浮动车数据与各个聚类中心的距离确定浮动车数据所属类别。

[0074] 步骤S204，根据过车数据所属类别中的历史过车数据以及浮动车数据所属的类别中的历史过车数据确定过车数据的加权系数。

[0075] 步骤S205，根据过车数据所属类别中的历史浮动车数据以及浮动车数据所属类别中的历史浮动车数据确定浮动车数据的加权系数。

[0076] 具体地，在步骤S201中，采用的聚类算法可以是k均值聚类算法、层次聚类算法、自组织映射(Self-organizing Maps，简称SOM)聚类算法、模糊c-均值聚类算法(fuzzy c-means algorithm，简称FCM)聚类算法。比如获取过去三个月的历史过车数据和历史浮动车数据组成数据集合S，然后采用FCM聚类算法将数据集合S中的数据聚为3类，对应的聚类中心为c1，c2和c3，每一个类别对应的数据量为n1，n2，n3。

[0077] 在步骤S202和步骤S203中，计算过车数据与各个聚类中心的距离，将距离最近的聚类中心对应的类别确定过车数据所属类别，比如计算过车数据Hv与聚类中心为c1，c2和c3之间的距离，具体符合下述公式(4)：

[0078] Li＝|Hv-ci|……………………………………(4)

[0079] 其中，Li为过车数据Hv与聚类中心为ci之间的距离，i＝1,2,3。

[0080] 若根据公式(4)确定过车数据Hv与聚类中心为c1的距离最近，则过车数据Hv所属类别为聚类中心为c1对应的类别。同理，计算浮动车数据Gv与聚类中心为c1，c2和c3之间的距离，具体符合下述公式(5)：

[0081] Mi＝|Gv-ci|……………………………………(5)

[0082] 其中，Mi为浮动车数据Gv与聚类中心为ci之间的距离，i＝1,2,3。

[0083] 然后根据公式(5)计算浮动车数据与各个聚类中心的距离，将距离最近的聚类中心对应的类别确定浮动车数据所属类别。

[0084] 在步骤S204和步骤S205中，根据过车数据所属类别中的历史过车数据以及浮动车数据所属的类别中的历史过车数据确定过车数据的加权系数符合下述公式(2)：

[0085]

[0086] 其中，k1为过车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkh为过车数据所属类别k中的历史过车数据量，njh为浮动车数据所属的类别j中的历史过车数据量；

[0087] 根据过车数据所属类别中的历史浮动车数据以及浮动车数据所属类别中的历史浮动车数据确定浮动车数据的加权系数符合下述公式(3)：

[0088]

[0089] 其中，k2为浮动车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkg为过车数据所属类别k中的历史浮动车数据量，njg为浮动车数据所属的类别j中的历史浮动车数据量。

[0090] 下面以具体的例子对上述确定加权系数的过程进行说明，设定获取的过车数据Hv为过去5分钟内路段A的电子警察检测到的通行车辆的速度平均值，其中Hv＝5m/s。获取的浮动车数据Gv为过去5分钟内经过路段A的浮动车辆的速度平均值，其中Gv＝3m/s。获取过去三个月的经过路段A的历史过车数据和历史浮动车数据，组成数据集合S。设定集合S中的数据量为100。采用FCM聚类算法将数据集合S中的数据聚为3类，分别为类别1、类别2以及类别3，对应的聚类中心为c1＝2m/s，c2＝5m/s和c3＝7m/s，每一个类别对应的数据量为n1＝40，n2＝40，n3＝20。其中类别1中历史过车数据的数据量为30，历史浮动车数据的数据量为10。类别2中历史过车数据的数据量为20，历史浮动车数据的数据量为20。类别3中历史过车数据的数据量为15，历史浮动车数据的数据量为5。然后根据公式(4)分别计算过车数据Hv与聚类中心c1，c2和c3的距离，通过计算可知过车数据Hv与聚类中心c2之间的距离L2＝|Hv-c2|＝|
5-5|＝0最小，由此可以判断出过车数据Hv的所属类别为类别2。同理，根据公式(5)分别计算浮动车数据Gv与聚类中心c1，c2和c3的距离，通过计算可知浮动车数据Gv与聚类中心c1之间的距离M1＝|Gv-c1|＝|3-2|＝1最小，由此可以判断出浮动车数据Gv的所属类别为类别1。
然后进一步根据公式(2)确定过车数据Hv的加权系数 根据公式(3)确定浮动车数据Gv的加权系数 通过对历史过车数据和历史浮动车数据进行统计分
析后确定出过车数据和浮动车数据的加权系数，故根据加权系数将过车数据和浮动车数据进行平均后，得到的交通数据更能全面反映路段的交通状态，从而进一步提高交通状态判决的准确性。

[0091] 为了更好的解释本发明实施例，下面通过具体的实施场景描述本发明实施例提供的一种交通状态判别方法的流程，如图3所示，包括以下步骤：

[0092] 步骤S301，获取路段的过车数据和浮动车数据。

[0093] 步骤S302，根据路段的过车数据确定路段的第一交通状态。

[0094] 步骤S303，根据路段的浮动车数据确定路段的第二交通状态。

[0095] 步骤S304，判断第一交通状态和第二交通状态是否相同，若是，则执行步骤S305，否则执行步骤S306。

[0096] 步骤S305，将第一交通状态或第二交通状态确定为路段的交通状态。

[0097] 步骤S306，获取历史过车数据和历史浮动车数据。

[0098] 步骤S307，采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心。

[0099] 步骤S308，根据过车数据与各个聚类中心的距离确定过车数据所属类别。

[0100] 步骤S309，根据浮动车数据与各个聚类中心的距离确定浮动车数据所属类别。

[0101] 步骤S310，根据过车数据所属类别中的历史过车数据以及浮动车数据所属的类别中的历史过车数据确定过车数据的加权系数。

[0102] 步骤S311，根据过车数据所属类别中的历史浮动车数据以及浮动车数据所属类别中的历史浮动车数据确定浮动车数据的加权系数。

[0103] 步骤S312，根据过车数据的加权系数和浮动车数据的加权系数将过车数据和浮动车数据进行平均确定路段的交通数据。

[0104] 步骤S313，根据交通数据确定所述路段的交通状态。

[0105] 本发明实施例表明，获取路段的过车数据和浮动车数据；根据所述路段的过车数据确定所述路段的第一交通状态；根据所述路段的浮动车数据确定所述路段的第二交通状态；在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；根据所述交通数据确定所述路段的交通状态。由于同时获取了路段的过车数据和浮动车数据，并将过车数据和浮动车数据进行平均后判定路段的交通状态，从而一方面提高了判定路段的交通状态的准确性，另一方面也提高了路况信息发布的准确率和覆盖率。

[0106] 基于相同的技术构思，本发明实施例还提供了一种交通状态判别装置，如图4所示，包括：

[0107] 获取模块401，用于获取路段的过车数据和浮动车数据；

[0108] 处理模块402，用于根据所述路段的过车数据确定所述路段的第一交通状态；根据所述路段的浮动车数据确定所述路段的第二交通状态；在确定所述第一交通状态和第二交通状态不相同时，将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据；根据所述交通数据确定所述路段的交通状态。

[0109] 可选地，所述将所述过车数据和所述浮动车数据进行平均，确定所述路段的交通数据符合下述公式(1)：

[0110] Rv＝k1·Hv+k2·Gv……………………………………(1)

[0111] 其中，Rv为路段的交通数据，Hv为路段的过车数据，Gv为路段的浮动车数据，k1为过车数据的加权系数，k2为浮动车数据的加权系数，加权系数是根据历史过车数据和历史浮动车数据确定的。

[0112] 可选地，所述处理模块402具体用于：

[0113] 采用聚类算法将历史过车数据和历史浮动车数据进行聚类并确定聚类后的每个类别的聚类中心；

[0114] 根据所述过车数据与各个聚类中心的距离确定所述过车数据所属类别；

[0115] 根据所述浮动车数据与各个聚类中心的距离确定所述浮动车数据所属类别；

[0116] 根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数；

[0117] 根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数。

[0118] 可选地，所述根据所述过车数据所属类别中的历史过车数据以及所述浮动车数据所属的类别中的历史过车数据确定所述过车数据的加权系数符合下述公式(2)：

[0119]

[0120] 其中，k1为过车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkh为过车数据所属类别k中的历史过车数据量，njh为浮动车数据所属的类别j中的历史过车数据量；

[0121] 所述根据所述过车数据所属类别中的历史浮动车数据以及所述浮动车数据所属类别中的历史浮动车数据确定所述浮动车数据的加权系数符合下述公式(3)：

[0122]

[0123] 其中，k2为浮动车数据的加权系数，nk为过车数据所属类别k的数据量，nj为浮动车数据所属类别j的数据量，nkg为过车数据所属类别k中的历史浮动车数据量，njg为浮动车数据所属的类别j中的历史浮动车数据量。

[0124] 可选地，所述处理模块402还用于：

[0125] 在确定所述第一交通状态和第二交通状态相同时，将所述第一交通状态或所述第二交通状态确定为所述路段的交通状态。

[0126] 本发明实施例提供了一种计算设备，该计算设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(Personal Digital Assistant，PDA)等。该计算设备可以包括中央处理器(Center Processing Unit，CPU)、存储器、输入/输出设备等，输入设备可以包括键盘、鼠标、触摸屏等，输出设备可以包括显示设备，如液晶显示器(Liquid Crystal Display，LCD)、阴极射线管(Cathode Ray Tube，CRT)等。

[0127] 存储器，可以包括只读存储器(ROM)和随机存取存储器(RAM)，并向处理器提供存储器中存储的程序指令和数据。在本发明实施例中，存储器可以用于存储交通状态判别方法的程序指令；

[0128] 处理器，用于调用所述存储器中存储的程序指令，按照获得的程序执行交通状态判别方法。

[0129] 本发明实施例提供了一种计算机存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行交通状态判别方法。

[0130] 本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

[0131] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0132] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0133] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0134] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

[0135] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。