本发明公开一种道路交通异常的检测方法及系统。该方法包括：获取检测区域内电子警察识别的过车信息；根据过车信息，获取每个车辆对应的行程时间；获取当前时间窗内的车辆模式；获取当前自然日内所有时间窗内的车辆模式平均值；计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离；判断所述马氏距离是否小于设定阈值，如果是，确定当前时间窗内检测区域未发生交通异常情况；如果否，确定当前时间窗内检测区域发生交通异常情况。本发明可以提高交通异常检测的准确度，提高检测结果的可靠性。
1.一种道路交通异常的检测方法，其特征在于，包括：
获取检测区域内电子警察识别的过车信息；所述检测区域为道路上游交叉口至下游交叉口之间的道路区域；所述过车信息包括第一车辆信息与第二车辆信息；所述第一车辆信息为所述上游交叉口处的电子警察识别的车辆信息，包括上游交叉口处车辆的编号、车牌和过车时间戳；所述第二车辆信息为所述下游交叉口处的电子警察识别的车辆信息，包括下游交叉口处车辆的编号、车牌和过车时间戳；
根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间；所述行程时间为车辆从上游交叉口至下游交叉口的时间；
获取当前时间窗内的车辆模式；所述车辆模式为由当前时间窗内到达下游交叉口的车辆数量和当前时间窗内到达下游交叉口的全部车辆的行程时间的平均值组成的二维向量；
计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离；
判断所述马氏距离是否小于设定阈值，得到第一判断结果；
当所述第一判断结果表示所述马氏距离小于设定阈值时，确定当前时间窗内检测区域未发生交通异常情况；
当所述第一判断结果表示所述马氏距离不小于设定阈值时，确定当前时间窗内检测区域发生交通异常情况。
2.根据权利要求1所述的道路交通异常的检测方法，其特征在于，所述获取检测区域内电子警察识别的过车信息，之后还包括对所述过车信息进行噪声处理，具体包括：判断每条过车信息中是否包括车牌和过车时间戳，得到第二判断结果；
当所述第二判断结果表示过车信息中不包括车牌或过车时间戳时，将该条过车信息删除；
判断任意多条第一车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第三判断结果；
当所述第三判断结果表示多条第一车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第一车辆信息，并删除该车辆其余的第一车辆信息；
判断任意多条第二车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第四判断结果；
当所述第四判断结果表示多条第二车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第二车辆信息，并删除该车辆其余的第二车辆信息。
3.根据权利要求1所述的道路交通异常的检测方法，其特征在于，所述根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间，具体包括：对所述第一车辆信息和所述第二车辆信息中的车牌进行匹配，得到同一车牌对应的第一时间戳和第二时间戳；所述第一时间戳为所述第一车辆信息中的过车时间戳，所述第二时间戳为所述第二车辆信息中的过车时间戳；
将所述第一时间戳和所述第二时间戳做差，得到初始行程时间；
判断所述初始行程时间是否在设定时间范围内，得到第五判断结果；
当所述第五判断结果表示所述初始行程时间在设定时间范围内时，将所述初始行程时间确定为所述车辆对应的行程时间。
4.根据权利要求1所述的道路交通异常的检测方法，其特征在于，所述根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间，之后还包括对所有车辆对应的行程时间进行噪声处理，具体包括：确定噪声处理的采样窗口与采样步长；
根据箱形图原理对每个采样窗口内的行程时间进行噪声处理，剔除上边界与下边界之外的异常值数据，得到所述采样窗口噪声处理后的行程时间；
根据所述采样步长依次得到每个采样窗口噪声处理后的行程时间。
5.根据权利要求1所述的道路交通异常的检测方法，其特征在于，所述当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离为其中，i≥2，STMi为
当前时间窗内的车辆模式，STM1～i为当前自然日所有时间窗内的车辆模式平均值，S为STMi与STM1～i构成的全样本的协方差矩阵。
6.根据权利要求5所述的道路交通异常的检测方法，其特征在于，所述设定阈值为δ为设定的系数，j的取值范围为[1,i]，STMj为从STM1至STMi中第j个时间窗的车辆模式。
7.一种道路交通异常的检测系统，其特征在于，包括：
过车信息获取模块，用于获取检测区域内电子警察识别的过车信息；所述检测区域为道路上游交叉口至下游交叉口之间的道路区域；所述过车信息包括第一车辆信息与第二车辆信息；所述第一车辆信息为所述上游交叉口处的电子警察识别的车辆信息，包括上游交叉口处车辆的编号、车牌和过车时间戳；所述第二车辆信息为所述下游交叉口处的电子警察识别的车辆信息，包括下游交叉口处车辆的编号、车牌和过车时间戳；
行程时间获取模块，用于根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间；所述行程时间为车辆从上游交叉口至下游交叉口的时间；
车辆模式获取模块，用于获取当前时间窗内的车辆模式；所述车辆模式为由当前时间窗内到达下游交叉口的车辆数量和当前时间窗内到达下游交叉口的全部车辆的行程时间的平均值组成的二维向量；
车辆模式平均值获取模块，用于获取当前自然日内所有时间窗内的车辆模式平均值；
马氏距离计算模块，用于计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离；
第一判断模块，用于判断所述马氏距离是否小于设定阈值，得到第一判断结果；
交通异常确定模块，用于当所述第一判断结果表示所述马氏距离小于设定阈值时，确定当前时间窗内检测区域未发生交通异常情况；当所述第一判断结果表示所述马氏距离不小于设定阈值时，确定当前时间窗内检测区域发生交通异常情况。
8.根据权利要求7所述的道路交通异常的检测系统，其特征在于，还包括第一噪声处理模块，用于获取检测区域内电子警察识别的过车信息之后，对所述过车信息进行噪声处理，具体包括：第二判断单元，用于判断每条过车信息中是否包括车牌和过车时间戳，得到第二判断结果；
删除单元，用于当所述第二判断结果表示过车信息中不包括车牌或过车时间戳时，将该条过车信息删除；
第三判断单元，用于判断任意多条第一车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第三判断结果；
第一确定单元，用于当所述第三判断结果表示多条第一车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第一车辆信息，并删除该车辆其余的第一车辆信息；
第四判断单元，用于判断任意多条第二车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第四判断结果；
第二确定单元，用于当所述第四判断结果表示多条第二车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第二车辆信息，并删除该车辆其余的第二车辆信息。
9.根据权利要求7所述的道路交通异常的检测系统，其特征在于，所述行程时间获取模块，具体包括：匹配单元，用于对所述第一车辆信息和所述第二车辆信息中的车牌进行匹配，得到同一车牌对应的第一时间戳和第二时间戳；所述第一时间戳为所述第一车辆信息中的过车时间戳，所述第二时间戳为所述第二车辆信息中的过车时间戳；
做差单元，用于将所述第一时间戳和所述第二时间戳做差，得到初始行程时间；
第五判断单元，用于判断所述初始行程时间是否在设定时间范围内，得到第五判断结果；
第三确定单元，用于当所述第五判断结果表示所述初始行程时间在设定时间范围内时，将所述初始行程时间确定为所述车辆对应的行程时间。
10.根据权利要求7所述的道路交通异常的检测系统，其特征在于，还包括第二噪声处理模块，用于根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间之后，对所有车辆对应的行程时间进行噪声处理，具体包括：采样参数确定单元，用于确定噪声处理的采样窗口与采样步长；
剔除单元，用于根据箱形图原理对每个采样窗口内的行程时间进行噪声处理，剔除上边界与下边界之外的异常值数据，得到所述采样窗口噪声处理后的行程时间；
行程时间确定单元，用于根据所述采样步长依次得到每个采样窗口噪声处理后的行程时间。
一种道路交通异常的检测方法及系统
技术领域
[0001] 本发明涉及道路交通检测领域，特别是涉及一种道路交通异常的检测方法及系统。
背景技术
[0002] 城市道路中突发的车辆抛锚、交通事故、货物抛洒等交通事件，会导致道路交通异常的产生，即交通流量、行驶速度、行程时间等交通流信息的异常。交通异常如同城市道路网络中突发的“小创伤”，如果不能及时有效识别并定位“小创伤”的产生时间、地点等信息，进行针对性治理，势必导致“创伤”向周边区域蔓延扩散，从而产生严重影响城市道路网络的“大创伤”，如区域交通拥堵、通行能力下降等。由此带来的经济损失、出行成本提高、出行满意度下降等后果，造成更加深远的影响。目前，城市交通管理部门通过布设在路段中的视频检测设备，利用人工或人工智能方式进行异常事件的检测，成本高且容易漏检。同时，突发交通事件产生的时间和地点具有较大的随机性，对于宏观的城市道路网络，存在道路里程长、网络复杂等客观难题，导致交通异常检测的时效性及有效性较差。
[0003] 现有技术中，对于交通异常的检测，包括以下几种方式：
[0004] (1)将正常交通视频图像序列分为视频块序列，检测视频块序列中的镜头数量，建立视频块序列中的镜头数量的高斯模型，利用高斯模型对测试交通视频图像进行异常检测。该方法的重点在利用视频图像数据，对视频采集范围内的交通异常事件进行检测。该方法本质属于一种基于图像的模式识别，对图像的质量要求较高，要求有大量的正常交通和异常交通的图像作为训练样本，实施难度较大。同时，该方法只能识别视频采集范围内的交通异常，如果想实现对城市道路网络的全面监控，现有视频检测设备无法满足，需要布设大量的且拍摄角度好的视频检测器，成本巨大。
[0005] (2)基于布设在道路网络中的微波检测器，通过如下步骤实现路段异常的检测：1)清洗车速、流量数据后融合抽样数据构成样本空间，2)车速、流量数据源正态性检验，3)计算各微波点车速、流量的均值和方差，4)车速异常指数和流量异常指数计算，5)异常指数降序排列输出预警，遍历计算全路网中所有微波点当前时间槽内的道路异常指数D，对计算出的异常指数结果按照从大到小排列，输出前K个最异常的路段预警。该方法的重点在于利用布设在路段中的微波检测器，对路段的车速、流量数据进行深度分析挖掘，实现对路段的交通异常检测。现在城市布设微波检测器的道路较少，实现对城市全路网交通异常的检测，需要广泛增设全部路段的微波检测器，无疑增加了检测的成本，难以推广应用。
[0006] (3)基于路径旅行时间计算的交通异常检测方法，包括步骤一：建立路径旅行时间和路段速度历史数据库；步骤二：检测异常路径；步骤三：衡量异常路径覆盖路段受影响情况，该方法能够过滤掉偶然因素导致的局部路段异常(如个别出租车的短时停靠导致的单次通过时间增加，个别车辆短时违规行为导致的能快速自行消散的异常等)；若路段连接且相互影响，能将多路段协同影响的作用叠加放大，从而得到较好的异常检测效果。该方法的重点在于利用出租车GPS数据建立连续的轨迹模型，以每条GPS轨迹的起始轨迹点和最终轨迹点之间的时间差为GPS轨迹的旅行时间，使用基于密度的聚类算法对旅行时间进行聚类，一个旅行时间记录为一个聚类实例，所有通行记录组成聚类数据集，经过聚类后，聚类数据集中的实例被分成多个团簇，以拥有最多实例的团簇为中心团簇，中心团簇中最大值为初始异常阈值，聚类数据集中，初步定义所有小于初始异常阈值的实例为正常实例，超出异常阈值的通行时间即为异常值。出租车GPS数据的采样率通常在30秒至1分钟，两个相邻的定位点之间经常横跨多条道路，且城市出租车数量约只占全部机动车的5％-10％，出租车GPS数据从准确性、分布性方面存在劣势。同时，出租车由于其功能特殊性，存在走走停停、定向寻客等行为，其交通流特性无法反映真实交通流特征。
发明内容
[0007] 本发明的目的是提供一种道路交通异常的检测方法及系统，通过电警设备采集的全样本数据进行异常检测，以提高交通异常检测的准确度，提高检测结果的可靠性。
[0008] 为实现上述目的，本发明提供了如下方案：
[0009] 一种道路交通异常的检测方法，包括：
[0010] 获取检测区域内电子警察识别的过车信息；所述检测区域为道路上游交叉口至下游交叉口之间的道路区域；所述过车信息包括第一车辆信息与第二车辆信息；所述第一车辆信息为所述上游交叉口处的电子警察识别的车辆信息，包括上游交叉口处车辆的编号、车牌和过车时间戳；所述第二车辆信息为所述下游交叉口处的电子警察识别的车辆信息，包括下游交叉口处车辆的编号、车牌和过车时间戳；
[0011] 根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间；所述行程时间为车辆从上游交叉口至下游交叉口的时间；
[0012] 获取当前时间窗内的车辆模式；所述车辆模式为由当前时间窗内到达下游交叉口的车辆数量和当前时间窗内到达下游交叉口的全部车辆的行程时间的平均值组成的二维向量；
[0013] 获取当前自然日内所有时间窗内的车辆模式平均值；
[0014] 计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离；
[0015] 判断所述马氏距离是否小于设定阈值，得到第一判断结果；
[0016] 当所述第一判断结果表示所述马氏距离小于设定阈值时，确定当前时间窗内检测区域未发生交通异常情况；
[0017] 当所述第一判断结果表示所述马氏距离不小于设定阈值时，确定当前时间窗内检测区域发生交通异常情况。
[0018] 可选的，所述获取检测区域内电子警察识别的过车信息，之后还包括对所述过车信息进行噪声处理，具体包括：
[0019] 判断每条过车信息中是否包括车牌和过车时间戳，得到第二判断结果；
[0020] 当所述第二判断结果表示过车信息中不包括车牌或过车时间戳时，将该条过车信息删除；
[0021] 判断任意多条第一车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第三判断结果；
[0022] 当所述第三判断结果表示多条第一车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第一车辆信息，并删除该车辆其余的第一车辆信息；
[0023] 判断任意多条第二车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第四判断结果；
[0024] 当所述第四判断结果表示多条第二车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第二车辆信息，并删除该车辆其余的第二车辆信息。
[0025] 可选的，所述根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间，具体包括：
[0026] 对所述第一车辆信息和所述第二车辆信息中的车牌进行匹配，得到同一车牌对应的第一时间戳和第二时间戳；所述第一时间戳为所述第一车辆信息中的过车时间戳，所述第二时间戳为所述第二车辆信息中的过车时间戳；
[0027] 将所述第一时间戳和所述第二时间戳做差，得到初始行程时间；
[0028] 判断所述初始行程时间是否在设定时间范围内，得到第五判断结果；
[0029] 当所述第五判断结果表示所述初始行程时间在设定时间范围内时，将所述初始行程时间确定为所述车辆对应的行程时间。
[0030] 可选的，所述根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间，之后还包括对所有车辆对应的行程时间进行噪声处理，具体包括：
[0031] 确定噪声处理的采样窗口与采样步长；
[0032] 根据箱形图原理对每个采样窗口内的行程时间进行噪声处理，剔除上边界与下边界之外的异常值数据，得到所述采样窗口噪声处理后的行程时间；
[0033] 根据所述采样步长依次得到每个采样窗口噪声处理后的行程时间。
[0034] 可选的，所述当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离为 其中，i≥2，STMi为当前时间窗内的车辆模式，STM1～i为当前自然日所有时间窗内的车辆模式平均值，S为STMi与STM1～i构成的全样本的协方差矩阵。
[0035] 可选的，所述设定阈值为 δ为设定的系数，j的取值范围为[1,i]，STMj为从STM1至STMi中第j个时间窗的交通模式。
[0036] 本发明还提供一种道路交通异常的检测系统，包括：
[0037] 过车信息获取模块，用于获取检测区域内电子警察识别的过车信息；所述检测区域为道路上游交叉口至下游交叉口之间的道路区域；所述过车信息包括第一车辆信息与第二车辆信息；所述第一车辆信息为所述上游交叉口处的电子警察识别的车辆信息，包括上游交叉口处车辆的编号、车牌和过车时间戳；所述第二车辆信息为所述下游交叉口处的电子警察识别的车辆信息，包括下游交叉口处车辆的编号、车牌和过车时间戳；
[0038] 行程时间获取模块，用于根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间；所述行程时间为车辆从上游交叉口至下游交叉口的时间；
[0039] 车辆模式获取模块，用于获取当前时间窗内的车辆模式；所述车辆模式为由当前时间窗内到达下游交叉口的车辆数量和当前时间窗内到达下游交叉口的全部车辆的行程时间的平均值组成的二维向量；
[0040] 车辆模式平均值获取模块，用于获取当前自然日内所有时间窗内的车辆模式平均值；
[0041] 马氏距离计算模块，用于计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离；
[0042] 第一判断模块，用于判断所述马氏距离是否小于设定阈值，得到第一判断结果；
[0043] 交通异常确定模块，用于当所述第一判断结果表示所述马氏距离小于设定阈值时，确定当前时间窗内检测区域未发生交通异常情况；当所述第一判断结果表示所述马氏距离不小于设定阈值时，确定当前时间窗内检测区域发生交通异常情况。
[0044] 可选的，还包括第一噪声处理模块，用于获取检测区域内电子警察识别的过车信息之后，对所述过车信息进行噪声处理，具体包括：
[0045] 第二判断单元，用于判断每条过车信息中是否包括车牌和过车时间戳，得到第二判断结果；
[0046] 删除单元，用于当所述第二判断结果表示过车信息中不包括车牌或过车时间戳时，将该条过车信息删除；
[0047] 第三判断单元，用于判断任意多条第一车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第三判断结果；
[0048] 第一确定单元，用于当所述第三判断结果表示多条第一车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第一车辆信息，并删除该车辆其余的第一车辆信息；
[0049] 第四判断单元，用于判断任意多条第二车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第四判断结果；
[0050] 第二确定单元，用于当所述第四判断结果表示多条第二车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第二车辆信息，并删除该车辆其余的第二车辆信息。
[0051] 可选的，所述行程时间获取模块，具体包括：
[0052] 匹配单元，用于对所述第一车辆信息和所述第二车辆信息中的车牌进行匹配，得到同一车牌对应的第一时间戳和第二时间戳；所述第一时间戳为所述第一车辆信息中的过车时间戳，所述第二时间戳为所述第二车辆信息中的过车时间戳；
[0053] 做差单元，用于将所述第一时间戳和所述第二时间戳做差，得到初始行程时间；
[0054] 第五判断单元，用于判断所述初始行程时间是否在设定时间范围内，得到第五判断结果；
[0055] 第三确定单元，用于当所述第五判断结果表示所述初始行程时间在设定时间范围内时，将所述初始行程时间确定为所述车辆对应的行程时间。
[0056] 可选的，还包括第二噪声处理模块，用于根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间之后，对所有车辆对应的行程时间进行噪声处理，具体包括：
[0057] 采样参数确定单元，用于确定噪声处理的采样窗口与采样步长；
[0058] 剔除单元，用于根据箱形图原理对每个采样窗口内的行程时间进行噪声处理，剔除上边界与下边界之外的异常值数据，得到所述采样窗口噪声处理后的行程时间；
[0059] 行程时间确定单元，用于根据所述采样步长依次得到每个采样窗口噪声处理后的行程时间。
[0060] 根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0061] 本发明基于道路路段上下游交叉口布设的电子警察设备实时检测的车牌、时间戳等过车信息，对车辆的行程时间进行实时匹配计算，并通过箱形图筛选保留合理数据，在此基础上构建路段交通流量和行程时间的路段交通模式，通过对路段交通模式的异常值的识别，达到识别路段交通异常的目的。一方面，利用现在城市道路网络中普遍设置的电子警察设备，可以最大程度实现复用，减少专用检测器带来的布设、维护成本，实现交通异常检测的成本最小化；另一方面，电警采集的交通流数据相对于出租车GPS等浮动车数据，是一种全样本数据，能够全面涵盖各种车辆的个体行驶状态特征，更合理、准确地反映真实交通流的变化，异常识别准确率更高。同时，本发明的提出，为城市智能交通管控、公安交管部门应急响应、提高居民出行安全畅通等方面，具有十分重要的应用价值。
附图说明
[0062] 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性的前提下，还可以根据这些附图获得其他的附图。
[0063] 图1为本发明道路交通异常的检测方法的流程示意图；
[0064] 图2为本发明道路交通异常的检测方法中检测区域的示意图；
[0065] 图3为本发明道路交通异常的检测系统的结构示意图。
具体实施方式
[0066] 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做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。
[0067] 为使本发明的上述目的、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发明作进一步详细的说明。
[0068] 图1为本发明道路交通异常的检测方法的流程示意图。如图1所示，所述检测方法包括以下步骤：
[0069] 步骤100：获取检测区域内电子警察识别的过车信息。图2为本发明道路交通异常的检测方法中检测区域的示意图，如图2所示，电子警察布设于交叉口出口道停车线上游约20米处，检测进口道方向车辆行驶情况，主要监控车辆的违章变道、闯红灯等违法行为，同时会采集车辆通过交叉口停车线的车牌、时间戳等过车信息。由于后续的行程时间的匹配是从上游交叉口的检测区域开始，至下游交叉口的检测区域。车辆在上游交叉口范围内的行程时间，相较于车辆在路段上的行程时间较小，可忽略不计。因此，对交通异常的检测范围为道路上游交叉口至下游交叉口之间的道路区域。所述过车信息包括第一车辆信息与第二车辆信息；所述第一车辆信息为所述上游交叉口处的电子警察识别的车辆信息，包括上游交叉口处车辆的编号、车牌和过车时间戳；所述第二车辆信息为所述下游交叉口处的电子警察识别的车辆信息，包括下游交叉口处车辆的编号、车牌和过车时间戳。
[0070] 步骤200：根据第一车辆信息和第二车辆信息，获取每个车辆对应的行程时间。所述行程时间为车辆从上游交叉口至下游交叉口的时间，具体过程为：取下游交叉口电子警察识别的过车信息(即第二车辆信息)，与上游交叉口电警识别的过车信息(即第二车辆信息)进行比对，将车牌相同的车辆进行匹配，获得相同车牌在上游交叉口处的过车时间戳(即第一时间戳)和下游交叉口处的过车时间戳(即第二时间戳)，将第一时间戳和第二时间戳做差，得到初始行程时间，进一步判断初始行程时间是否在设定时间范围内，如果在设定时间范围内时，则初始行程时间即为该车辆对应的行程时间。此处设定时间范围的意义在于，匹配过后计算获知的行程时间不超过合理范围。
[0071] 作为另外一种实现方式，还可以根据第二时间戳，根据设定时间范围确定待匹配的第一时间戳的范围，然后在第一时间戳的范围内检索是否包括车牌相同的过车信息，进而计算两个过车信息对应的该车辆的行程时间。假设下游交叉口电警识别某车牌过车时间戳为ts1，则上游交叉口电警车牌数据的检索的时间戳范围为 L为路段长度，v为道路设计时速，在 时间范围内检索是否包括该车牌，如果包括则将该车牌在 范围内的时间戳与ts1做差，即得到该车牌最终的行程时间。
[0072] 由于电子警察车牌识别数据存在一定比例的噪声数据，作为一种优选的实施例，可以电子警察识别的过车信息进一步进行噪声处理，主要包括：(1)未识别的过车信息，即仅有过车时间、过车编号，但缺少车牌编号数据，针对这类噪声数据在匹配前进行预先删除操作；(2)下游交叉口过车重复信息，在过车信息中，通常在短时间内(5min)出现超过一个相同的车牌数据，过车编号和过车时间不同，针对这类噪声数据只保留时间戳最大的数据，将其与时间戳对应的过车信息删除；(3)上游交叉口过车信息重复，与下游交叉口过车信息重复处理方式相同，只保留时间戳最大的数据。
[0073] 电子警察采集的是全样本数据，在匹配计算行程时间时，不可避免地将一些随机、特殊情况也统计在内。例如出租车在道路上行驶因载客、卸客发生的停车，会导致行程时间的增加，以及道路中存在交通出行生成、吸引需求点，导致车辆的停驶，引起行程时间增加等。这类车辆匹配计算获知的行程时间，相较于其他多数车辆的行驶行程时间，会产生较大的偏差，因此，作为另一种实施例，进一步剔除这类数据以获得更加客观真实的行程时间数据。本实施例采用箱形图中异常数据剔除方法进行噪声处理。具体过程如下：
[0074] 首先，确定噪声处理的采样窗口与采样步长。交通流的变化往往具有一定的时序特征，一天中的不同时段内，交通流的特性差异性较大，若将一天的全样本行程时间数据进行噪声处理操作，则会导致大量的正常值被剔除。而交通流往往沿时间轴的推进，呈现出缓慢、渐进、连续的变化特征。因此，本发明将噪声数据处理分为低峰期和高峰期，低峰是指0-7点和22点-24点之间，除去这些时段为高峰期。低峰期间以30min为行程时间样本采集窗口，1min为步长，滚动处理噪声数据，如0点至1点，对0:00至0:30的行程时间样本进行一次噪声剔除操作，然后对0:01至0:31的再进行操作，滚动多次，共计31次。高峰期间以5分钟为采样窗口，1分钟为步长，滚动处理噪声数据。
[0075] 然后，根据箱形图原理对每个采样窗口内的行程时间进行噪声处理，剔除上边界与下边界之外的异常值数据，得到所述采样窗口噪声处理后的行程时间。噪声数据剔除通常采用箱形图中异常数据剔除的方法。针对特定的数据样本，分别计算这组数据的最大值(即上边界)、最小值(即下边界)、分位差、25％分位数、75％分位数，利用这些数据生成箱体图，大部分正常数据都包含在此箱体图中，而在箱体上边界和下边界之外的即为异常值，将该异常值剔除即完成该采样窗口内的噪声处理过程。计算方式如下：
[0076] 分位差：IQR＝75％分位数-25％分位数
[0077] 上边界：Uplimit＝75％分位数+IQR*1.5
[0078] 下边界：Lowlimit＝25％分位数-IQR*1.5
[0079] 根据采样步长依次得到每个采样窗口噪声处理后的行程时间，完成噪声处理过程。
[0080] 步骤300：获取当前时间窗内的车辆模式。所述车辆模式为由当前时间窗内到达下游交叉口的车辆数量和当前时间窗内到达下游交叉口的全部车辆的行程时间的平均值组成的二维向量STM，其中，N是指在当前时间窗内到达下游交叉口的车辆数；T是指在此时间窗内，到达下游交叉口的全部车辆在路段的行程时间的平均值， 其中，ti是指全部N个车辆中，第i个达到下游交叉口的车辆在驶过路段的行程时间。
[0081] 步骤400：获取当前自然日内所有时间窗内的车辆模式平均值。计算公式为STM1～i是指第一个时间窗tw1至当前时间窗twi，所有车辆模式的平均值。
[0082] 步骤500：计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离。路段交通模式中，到达下游交叉口的车辆数N与这些车辆的平均行程时间T，具有内在关联联系(即在正常交通流状态下，车辆数增多会导致行程时间增大，车辆数降低对应较低的行程时间)，同时二者的量纲不同，本发明采用马氏距离衡量各不同时间窗内道路交通模式的差异。
[0083] 当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离为其中，i≥2，STMi为当前时间窗内的车辆模式，STM1～i为当前自然日所有时间窗内的车辆模式平均值，S为STMi与STM1～i构成的全样本的协方差矩阵。
[0084] 步骤600：判断马氏距离是否小于设定阈值。如果是，执行步骤700；如果否，执行步骤800。本发明中设定阈值为 δ为设定的系数，δ越小，本检测方法越灵敏，能够检测影响更小的异常，j的取值范围为[1,i]，STMj为从STM1至STMi中第j个时间窗的交通模式。
[0085] 步骤700：确定当前时间窗内检测区域未发生交通异常情况。
[0086] 步骤800：确定当前时间窗内检测区域发生交通异常情况。
[0087] 路段交通模式在数据上通常会产生四种异常，描述如下：
[0088] 1)到达下游交叉口的车辆数减少，且这些车辆的行程时间变大，由路段发生交通异常事件干扰交通导致；
[0089] 2)到达下游交叉口的车辆数减少，且这些车辆的行程时间变小，路段交通量减少，车辆达到自由流行驶状态；
[0090] 3)到达下游交叉口的车辆数变多，且这些车辆的行程时间变大，路段交通量增加，造成车辆在交叉口排队等灯；
[0091] 4)到达下游交叉口的车辆数变多，且这些车辆的行程时间变小，路段交通流增加但行驶速度却增加，现实中不存在这种情形，可以排除。
[0092] 由此可知，第一种异常情形即为本发明要检测的路段异常。单个自然日内，共计有n个时间窗(即tw1,tw2,tw3,...,twn)，对应的路段交通模式分别为STM1,STM2,STM3,...,STMn。异常检测的逻辑在于，当时间窗滚动到twi，利用前序时间窗内的路段交通模式，判断STMi是否产生异常。当路段产生突发事件，从路段上游行驶至下游的交通流会产生异常，表现在从上游交叉口行驶至下游交叉口的车辆数量减少，以及路段行程时间增加两方面。因此，本发明首先建立车辆数量和行程时间的路段交通模式，然后进行识别路段交通模式的突变，进而完成识别路段交通异常检测。
[0093] 在路段交通异常检测中，时间窗tw以及异常判定阈值δ是其中的重要参数，需要进行标定以增大异常检测的准确率。一般而言，时间窗越大，在此时间窗内路段上的车辆数、车辆的行程时间的数据量越大，也即路段交通模式越准确。过大的时间窗导致的路段交通模式，无法反映交通流在时序上的连续变化情况。而异常判定阈值越大，异常检测模型的灵敏度越低。因此，给定不同灵敏度的模型参数，以适用于不同的需求场景。如表1所示。
[0094] 表1不同灵敏度的阈值参数
[0095]
[0096]
[0097] 本发明提出一种基于电警车牌识别数据的路段交通异常检测方法。首先，基于布设在路段上、下游交叉口的电子警察设备，利用识别的车牌数据进行上下游路口匹配，计算获知路段的行程时间；其次，对行程时间数据进行异常删除、去重冗余等预处理，保证数据的质量和有效性；最后，利用行程时间的模式变化，检测识别路段中的交通异常。本发明具备如下两点优势：(1)采用电子警察其作为数据来源，电子警察作为执法设备，已经广泛布设安装在城市的主要交叉口的进口道，实现违法抓拍的同时也能够识别采集大量的车牌数据、过车信息，复用电子警察设备能够最大程度降低交通异常检测的成本。(2)本方法通过对路段行程时间模式的突变的挖掘，能够快速有效识别路段的交通异常，及时向交管部门报警，以快速响应处置交通异常，将异常的影响范围控制到最小，保证了城市道路网络的安全有序。
[0098] 对应于图1所示的检测方法，本发明还提供一种道路交通异常的检测系统，图3为本发明道路交通异常的检测系统的结构示意图。如图3所示，包括以下结构：
[0099] 过车信息获取模块301，用于获取检测区域内电子警察识别的过车信息；所述检测区域为道路上游交叉口至下游交叉口之间的道路区域；所述过车信息包括第一车辆信息与第二车辆信息；所述第一车辆信息为所述上游交叉口处的电子警察识别的车辆信息，包括上游交叉口处车辆的编号、车牌和过车时间戳；所述第二车辆信息为所述下游交叉口处的电子警察识别的车辆信息，包括下游交叉口处车辆的编号、车牌和过车时间戳；
[0100] 行程时间获取模块302，用于根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间；所述行程时间为车辆从上游交叉口至下游交叉口的时间；
[0101] 车辆模式获取模块303，用于获取当前时间窗内的车辆模式；所述车辆模式为由当前时间窗内到达下游交叉口的车辆数量和当前时间窗内到达下游交叉口的全部车辆的行程时间的平均值组成的二维向量；
[0102] 车辆模式平均值获取模块304，用于获取当前自然日内所有时间窗内的车辆模式平均值；
[0103] 马氏距离计算模块305，用于计算当前时间窗内的车辆模式与所有时间窗内的车辆模式平均值之间的马氏距离；
[0104] 第一判断模块306，用于判断所述马氏距离是否小于设定阈值，得到第一判断结果；
[0105] 交通异常确定模块307，用于当所述第一判断结果表示所述马氏距离小于设定阈值时，确定当前时间窗内检测区域未发生交通异常情况；当所述第一判断结果表示所述马氏距离不小于设定阈值时，确定当前时间窗内检测区域发生交通异常情况。
[0106] 作为另一种实施例，所述检测系统还包括第一噪声处理模块，用于获取检测区域内电子警察识别的过车信息之后，对所述过车信息进行噪声处理，具体包括：
[0107] 第二判断单元，用于判断每条过车信息中是否包括车牌和过车时间戳，得到第二判断结果；
[0108] 删除单元，用于当所述第二判断结果表示过车信息中不包括车牌或过车时间戳时，将该条过车信息删除；
[0109] 第三判断单元，用于判断任意多条第一车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第三判断结果；
[0110] 第一确定单元，用于当所述第三判断结果表示多条第一车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第一车辆信息，并删除该车辆其余的第一车辆信息；
[0111] 第四判断单元，用于判断任意多条第二车辆信息之间是否车牌相同，编号与过车时间戳不同，得到第四判断结果；
[0112] 第二确定单元，用于当所述第四判断结果表示多条第二车辆信息之间车辆的车牌相同，编号与过车时间戳不同时，将过车时间戳最大值对应的车牌、编号和过车时间戳确定为该车辆最终的第二车辆信息，并删除该车辆其余的第二车辆信息。
[0113] 作为另一种实施例，所述行程时间获取模块302，具体包括：
[0114] 匹配单元，用于对所述第一车辆信息和所述第二车辆信息中的车牌进行匹配，得到同一车牌对应的第一时间戳和第二时间戳；所述第一时间戳为所述第一车辆信息中的过车时间戳，所述第二时间戳为所述第二车辆信息中的过车时间戳；
[0115] 做差单元，用于将所述第一时间戳和所述第二时间戳做差，得到初始行程时间；
[0116] 第五判断单元，用于判断所述初始行程时间是否在设定时间范围内，得到第五判断结果；
[0117] 第三确定单元，用于当所述第五判断结果表示所述初始行程时间在设定时间范围内时，将所述初始行程时间确定为所述车辆对应的行程时间。
[0118] 作为另一种实施例，所述检测系统还包括第二噪声处理模块，用于根据所述第一车辆信息和所述第二车辆信息，获取每个车辆对应的行程时间之后，对所有车辆对应的行程时间进行噪声处理，具体包括：
[0119] 采样参数确定单元，用于确定噪声处理的采样窗口与采样步长；
[0120] 剔除单元，用于根据箱形图原理对每个采样窗口内的行程时间进行噪声处理，剔除上边界与下边界之外的异常值数据，得到所述采样窗口噪声处理后的行程时间；
[0121] 行程时间确定单元，用于根据所述采样步长依次得到每个采样窗口噪声处理后的行程时间。
[0122] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0123] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
