本发明是关于一种基于ETC数据的交通状态估计方法和装置，方法包括：将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；基于划分的元胞，以交通流密度为交通状态变量，建立高速路网的宏观交通流模型；获取出入口均有ETC门架的目标元胞，计算目标元胞的实际车辆密度值；根据宏观交通流模型分别构建状态观测器和卡尔曼滤波器，计算各元胞的车辆密度估计值，同时计算卡尔曼滤波器的预估计值；将车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，得到融合预估计值；结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值来确定高速路网的交通状态。以此来提升高速公路交通状态的估计精度。
1.一种基于ETC数据的交通状态估计方法，其特征在于，所述方法包括：将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值作为高速路网的最终的交通状态；
其中，x表示所述高速路网的交通流密度向量，x∈R，n表示划分的元胞的数量；u表示高p速路网系统的控制输入，u∈R ，p表示入口匝道的数量；y表示所述高速路网中交通传感器m获取的交通参数，y∈R ，m表示所述高速路网中布设交通传感器的路段的数量；A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的矩阵，称为输出矩阵；F表示常数阵；ω(k)表示系统噪声，t表示时刻，ω(k)～N(0，Q)；v(k)表示测量噪声v(k)～N(0，R)；
其中， 表示元胞的车辆密度估计值；L表示所述状态观测器的增益矩阵，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的输出矩阵，F表示常数阵；
将所述车辆密度估计值 和卡尔曼滤波器的预估计值 进行融合计算，以得到所述卡尔曼滤波器的融合预估计值，包括：确定多对参数组合(λ1，λ2)，以使以下公式成立：其中， 表示参数组合(λ1，λ2)对应的卡尔曼滤波器融合预估计值， 表示所述元胞的车辆密度估计值， 表示所述卡尔曼滤波器的预估计值，(λ1，λ2)表示参数组合；
采用以下公式计算每对参数组合对应的融合预估计值分别与所述元胞的车辆密度估计值、卡尔曼滤波器的预估计值的标准差：从所有标准差中选取出标准差最小时对应的(λ1，λ2)参数组合，确定为最优参数组合，将所述最优参数组合对应的融合预估计值确定为所述卡尔曼滤波器的融合预估计值；
结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值来确定高速路网的交通状态，包括：分别计算所述卡尔曼滤波器的先验误差协方差矩阵和增益矩阵；
根据所述卡尔曼滤波器的修正后的融合预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值，以得到最终的交通状态估计值；
根据所述最终的交通状态估计值确定所述高速路网的交通状态；
其中， 表示所述卡尔曼滤波器的预估计值，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；F表示常数阵。
2.根据权利要求1所述的方法，其特征在于，获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值，包括：获取出入口均有ETC门架的目标元胞，分别通过出、入口处ETC采集的一个采样周期内车流量，采用以下计算公式计算出所述目标元胞的实际车辆密度值：其中，xi表示目标元胞i的实际车辆密度值，T表示采样周期，Li表示目标元胞i的的长度，qi‑in表示一个采用周期内进入目标元胞i的车流量，qi‑out表示一个采用周期内流出目标元胞i的车流量。
3.一种基于ETC数据的交通状态估计装置，其特征在于，所述装置包括：划分模块，用于将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
建模模块，用于基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
第一计算模块，用于获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
第二计算模块，用于根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
第三计算模块，用于将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
第四计算模块，用于结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得最终的卡尔曼滤波器估计值；
确定模块，用于根据所述卡尔曼滤波器的修正后的估计值确定所述高速路网的交通状态；
其中，x表示所述高速路网的交通流密度向量，x∈R，n表示划分的元胞的数量；u表示高p速路网系统的控制输入，u∈R ，p表示入口匝道的数量；y表示所述高速路网中交通传感器m获取的交通参数，y∈R ，m表示所述高速路网中布设交通传感器的路段的数量；A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的矩阵，称为输出矩阵；F表示常数阵；ω(k)表示系统噪声，t表示时刻，ω(k)～N(0，Q)；v(k)表示测量噪声v(k)～N(0，R)；
其中， 表示元胞的车辆密度估计值；L表示所述状态观测器的增益矩阵，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的输出矩阵，F表示常数阵；
将所述车辆密度估计值 和卡尔曼滤波器的预估计值 进行融合计算，以得到所述卡尔曼滤波器的融合预估计值，包括：确定多对参数组合(λ1，λ2)，以使以下公式成立：其中， 表示参数组合(λ1，λ2)对应的卡尔曼滤波器融合预估计值， 表示所述元胞的车辆密度估计值， 表示所述卡尔曼滤波器的预估计值，(λ1，λ2)表示参数组合；
采用以下公式计算每对参数组合对应的融合预估计值分别与所述元胞的车辆密度估计值、卡尔曼滤波器的预估计值的标准差：从所有标准差中选取出标准差最小时对应的(λ1，λ2)参数组合，确定为最优参数组合，将所述最优参数组合对应的融合预估计值确定为所述卡尔曼滤波器的融合预估计值；
结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值来确定高速路网的交通状态，包括：分别计算所述卡尔曼滤波器的先验误差协方差矩阵和增益矩阵；
根据所述卡尔曼滤波器的修正后的融合预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值，以得到最终的交通状态估计值；
根据所述最终的交通状态估计值确定所述高速路网的交通状态；
其中， 表示所述卡尔曼滤波器的预估计值，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；F表示常数阵。
4.一种基于ETC数据的交通状态估计装置，其特征在于，所述装置包括：处理器；
将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值作为高速路网的最终的交通状态；
其中，x表示所述高速路网的交通流密度向量，x∈R，n表示划分的元胞的数量；u表示高p速路网系统的控制输入，u∈R ，p表示入口匝道的数量；y表示所述高速路网中交通传感器m获取的交通参数，y∈R ，m表示所述高速路网中布设交通传感器的路段的数量；A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的矩阵，称为输出矩阵；F表示常数阵；ω(k)表示系统噪声，t表示时刻，ω(k)～N(0，Q)；v(k)表示测量噪声v(k)～N(0，R)；
其中， 表示元胞的车辆密度估计值；L表示所述状态观测器的增益矩阵，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的输出矩阵，F表示常数阵；
将所述车辆密度估计值 和卡尔曼滤波器的预估计值 进行融合计算，以得到所述卡尔曼滤波器的融合预估计值，包括：确定多对参数组合(λ1，λ2)，以使以下公式成立：其中， 表示参数组合(λ1，λ2)对应的卡尔曼滤波器融合预估计值， 表示所述元胞的车辆密度估计值， 表示所述卡尔曼滤波器的预估计值，(λ1，λ2)表示参数组合；
采用以下公式计算每对参数组合对应的融合预估计值分别与所述元胞的车辆密度估计值、卡尔曼滤波器的预估计值的标准差：从所有标准差中选取出标准差最小时对应的(λ1，λ2)参数组合，确定为最优参数组合，将所述最优参数组合对应的融合预估计值确定为所述卡尔曼滤波器的融合预估计值；
结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值来确定高速路网的交通状态，包括：分别计算所述卡尔曼滤波器的先验误差协方差矩阵和增益矩阵；
根据所述卡尔曼滤波器的修正后的融合预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值，以得到最终的交通状态估计值；
根据所述最终的交通状态估计值确定所述高速路网的交通状态；
其中， 表示所述卡尔曼滤波器的预估计值，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；F表示常数阵。
5.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1或2所述方法的步骤。
基于ETC数据的交通状态估计方法和装置
技术领域
[0001] 本公开涉及智能交通系统技术领域，尤其涉及一种基于ETC数据的交通状态估计方法和装置。
背景技术
[0002] 传统的交通状态估计一般都是采用状态观测器、卡尔曼滤波器等单一类型的状态估计器，很少将两类及其以上不同类型的估计器进行融合设计。虽然单一类型的估计器能够解决状态估计问题，但是由于每类估计器都不可避免的有自身的缺点，导致其估计精度受限。
发明内容
[0003] 为克服相关技术中存在的问题，本公开提供一种基于ETC数据的交通状态估计方法和装置，从而在不增加设计难度的基础上，进一步提升交通状态的估计精度。
[0004] 根据本公开实施例的第一方面，提供一种基于ETC数据的交通状态估计方法[0005] 将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
[0006] 基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
[0007] 获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
[0008] 根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
[0009] 将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
[0010] 结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值作为高速路网的最终的交通状态。
[0011] 在一个实施例中，优选地，所述高速路网的宏观交通流模型包括：
[0012]
[0013] 其中，x表示所述高速路网的交通流密度向量，x∈Rn，n表示划分的元胞的数量；up表示高速路网系统的控制输入，u∈R ，p表示入口匝道的数量；y表示所述高速路网中交通m
传感器获取的交通参数，y∈R ，m表示所述高速路网中布设交通传感器的路段的数量；A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的矩阵，称为输出矩阵；F表示常数阵；ω(k)表示系统噪声，t表示时刻，ω(k)～N(0，Q)；v(k)表示测量噪声v(k)～N(0，R)。
[0014] 在一个实施例中，优选地，所述状态观测器表示为：
[0015]
[0016] 其中， 表示元胞的车辆密度估计值；L表示所述状态观测器的增益矩阵，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的输出矩阵，F表示常数阵。
[0017] 在一个实施例中，优选地，采用以下公式计算所述卡尔曼滤波器的预估计值：
[0018]
[0019] 其中， 表示所述卡尔曼滤波器的预估计值，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；F表示常数阵。
[0020] 在一个实施例中，优选地，将所述车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合估计值，包括：
[0021] 确定多对参数组合(λ1，λ2)，以使以下公式成立：
[0022]
[0023] 其中， 表示参数组合(λ1，λ2)对应的融合估计值， 表示所述元胞的车辆密度估计值， 表示所述卡尔曼滤波器的预估计值，(λ1，λ2)表示参数组合；
[0024] 采用以下计算公式计算每对参数组合对应的融合预估计值分别与所述元胞的车辆密度估计值、卡尔曼滤波器的预估计值的标准差：
[0025]
[0026] 从所有标准差中选取出标准差最小时对应的(λ1，λ2)参数组合，确定为最优参数组合，将所述最优参数组合对应的融合预估计值确定为所述卡尔曼滤波器的融合预估计值。
[0027] 在一个实施例中，优选地，
[0028] 结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值来确定高速路网的交通状态，包括：
[0029] 分别计算所述卡尔曼滤波器的先验误差协方差矩阵和增益矩阵；
[0030] 先验误差协方差矩阵P‑和增益矩阵G分别采用以下公式计算得到：
[0031]
[0032] G(t+1)＝p‑(t)CT[CP‑(t)CT+R]‑1
[0033] 其中，P‑表示先验误差协方差矩阵， 表示后验误差协方差，A表示高速路网系统矩阵，G表示增益矩阵，C表示与所述高速路网布设的交通传感器对应的输出矩阵；
[0034] 根据所述卡尔曼滤波器的修正后的融合预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值，以得到最终的交通状态估计值；
[0035]
[0036] 其中， 表示卡尔曼滤波器的新的预估计值，G表示增益矩阵， 表示卡尼曼滤波器的预估计值，yi表示交通传感器获取的测量值，C表示与所述高速路网布设的交通传感器对应的输出矩阵，F表示常数阵。
[0037] 根据所述最终的交通状态估计值确定所述高速路网的交通状态。
[0038] 在一个实施例中，优选地，获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值，包括：
[0039] 获取出入口均有ETC门架的目标元胞，分别通过出、入口处ETC采集的一个采样周期内车流量，采用以下计算公式计算出所述目标元胞的实际车辆密度值：
[0040]
[0041] 其中，xi表示目标元胞i的实际车辆密度值，T表示采样周期，Li表示目标元胞i的的长度，qi‑in表示一个采用周期内进入目标元胞i的车流量，qi‑out表示一个采用周期内流出目标元胞i的车流量。
[0042] 根据本公开实施例的第二方面，提供一种基于ETC数据的交通状态估计装置，所述装置包括：
[0043] 划分模块，用于将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
[0044] 建模模块，用于基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
[0045] 第一计算模块，用于获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
[0046] 第二计算模块，用于根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
[0047] 第三计算模块，用于将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
[0048] 第四计算模块，用于结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得最终的卡尔曼滤波器估计值；
[0049] 确定模块，用于根据所述卡尔曼滤波器的修正后的估计值确定所述高速路网的交通状态。
[0050] 根据本公开实施例的第三方面，提供一种基于ETC数据的交通状态估计装置，其特征在于，所述装置包括：
[0051] 处理器；
[0052] 用于存储处理器可执行指令的存储器；
[0053] 其中，所述处理器被配置为：
[0054] 将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
[0055] 基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
[0056] 获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
[0057] 根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
[0058] 将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
[0059] 结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值作为高速路网的最终的交通状态。
[0060] 根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
[0061] 本公开的实施例提供的技术方案可以包括以下有益效果：
[0062] 本发明实施例中，将状态观测器和卡尔曼滤波器进行算法融合，从而得到卡尔曼滤波器的融合估计值，利用融合估计值对高速路网的交通状态进行估计，从而在不增加设计难度的基础上，进一步提升交通状态的估计精度。
[0063] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0064] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0065] 图1是根据一示例性实施例示出的一种基于ETC数据的交通状态估计方法的流程图。
[0066] 图2是根据一示例性实施例示出的高速公路ETC门架布设及元胞划分示意图。
[0067] 图3是根据一示例性实施例示出的一种基于ETC数据的交通状态估计方法中步骤S106的流程图。
[0068] 图4是根据一示例性实施例示出的一种基于ETC数据的交通状态估计装置的框图。
具体实施方式
[0069] 这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0070] 本发明提供了一种基于ETC数据的交通状态估计方法和装置。无论是状态观测器还是卡尔曼滤波器都是以系统的状态空间模型为基础，进行系统状态估计的估计器。从控制理论角度而言，系统模型和状态估计器最大的区别在于：(1)利用系统模型进行系统状态的估计和预测，相当于进行开环控制，由于没有反馈误差进行校正，因此估计和预测的误差都比较大，而无法反映真实的系统状态。(2)利用状态估计器进行状态估计时，由于采用了传感器的测量值进行实时的误差反馈对结果进行校正，因此相当于是系统的反馈控制，所得的结果误差相对较小，能够比较真实的反映系统的状态。因此，如果能够通过传感器采集得到一部分系统的测量值，一般都采用状态估计器进行系统状态的估计。但是每一类状态估计器的设计原理不尽相同，其所得结果的精度也不一致。
[0071] 作为一种递归的估计器，卡尔曼滤波器只要获知系统上一时刻状态的估计值和当前时刻通过交通传感器采集的观测值，就可以计算出当前状态的估计值，它主要以“预测/预估计—实测—修正”的顺序递推，根据系统的量测值来消除随机干扰，获得系统的状态；其中在“预测/预估计”环节主要是将系统上一时刻的估计值作为初始值，通过系统模型推演获得当前时刻的预测/估计值，由于这一步没有测量值的反馈校正，只是通过系统模型进行推演获得的，因此存在一定的误差。对于状态观测器而言，首先通过观测器的测量输出和实际测量输出之间的差值作为反馈来完成状态观测器的设计；然后在每一步预测/估计环节将观测器的估计值和模型推演值作差，获得误差系统；最后通过求解误差系统的稳定性的可行解获得观测器的增益矩阵，进而计算得到状态估计值。由于将估计问题转化为了系统的稳定性问题，是通过系统的渐进稳定性来完成估计，其估计精度有待提高，但是比直接利用模型推演的精度高很多。鉴于以上两种估计器的优缺点，可以结合其优点，在卡尔曼滤波器的“预测/预估计”(也称为先验状态估计)环节，同时采用状态观测器的估计值和卡尔曼滤波器的预估计值，然后将两者结果进行算法融合后得到的值作为卡尔曼滤波器的预估计值，以此提高“预测/预估计”的精度。同时，随着ETC的逐步普及，ETC已经成为了实时性、准确性更高，覆盖范围更广的交通传感系统，其采集的数据可以为交通状态的监测提供支撑。因此，本发明以高速公路的ETC门架系统采集的交通数据为测量输出，通过对状态观测器和卡尔曼滤波器两类估计器进行算法融合，设计出一种新的混合状态估计器来解决高速公路的交通状态估计和预测问题。
[0072] 图1是根据一示例性实施例示出的一种基于ETC数据的交通状态估计方法的流程图，如图1所示，该方法包括：
[0073] 步骤S101，将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
[0074] 如图2所示，1是ETC门架；2是视频采集装置，用于采集路上的车流量；3是ETC门架上的路测单元，是ETC系统中与车载单元进行通讯，实现车辆身份识别装置，通过此装置可以获取车辆的速度和车流量等信息，对于划分好的路段，通过门架系统的路侧单元可以采集采样周期内进入和流出元胞的车流量；4是路侧计算单元，可通过进出元胞的车流量计算出元胞的车辆密度。
[0075] 具体地，将高速路网按照出入口匝道位置、ETC门架位置、车道数变化位置等划分成若干路段，每个路段称为一个元胞，并将划分好的元胞依次标定序号，便于对传感器布设位置进行标记。其中，有出入口匝道的地方作为相邻两个元胞的分界，ETC门架也作为相邻两个元胞的分界，车道数变化的位置也作为相邻两个元胞的分界。
[0076] 步骤S102，基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
[0077] 在一个实施例中，优选地，所述高速路网的宏观交通流模型包括：
[0078]
[0079] 其中，x表示所述高速路网的交通流密度向量，x∈Rn，n表示划分的元胞的数量；up表示高速路网系统的控制输入，u∈R ，p表示入口匝道的数量；y表示所述高速路网中交通m
传感器获取的交通参数，y∈R ，m表示所述高速路网中布设交通传感器的路段的数量；A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的矩阵，称为输出矩阵；F表示常数阵；ω(t)表示系统噪声，ω(t)～N(0，Q)；v(t)表示测量噪声v(t)～N(0，R)。
[0080] 步骤S103，获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
[0081] 获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值，包括：
[0082] 获取出入口均有ETC门架的目标元胞，分别通过出、入口处ETC采集的一个采样周期内车流量，采用以下计算公式计算出所述目标元胞的实际车辆密度值：
[0083]
[0084] 其中，xi表示目标元胞i的实际车辆密度值，T表示采样周期，Li表示目标元胞i的的长度，qi‑in表示一个采用周期内进入目标元胞i的车流量，qi‑out表示一个采用周期内流出目标元胞i的车流量。
[0085] 通过上述公式计算出每个元胞的车辆密度值，即可得到所有布设ETC装置路段的车辆密度值，从而确定出输出矩阵C。计算得到的车辆密度可看作是元胞i的实际测量值，因此对应的输出矩阵中相应的元素为1，否则为0。
[0086] 步骤S104，根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
[0087] 在一个实施例中，优选地，所述状态观测器表示为：
[0088]
[0089] 其中， 表示元胞的车辆密度估计值；L表示所述状态观测器的增益矩阵，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；C表示与所述高速路网布设的交通传感器对应的输出矩阵，F表示常数阵。
[0090] 在一个实施例中，优选地，采用以下公式计算所述卡尔曼滤波器的预估计值：
[0091]
[0092] 其中， 表示所述卡尔曼滤波器的预估计值，A表示高速路网系统矩阵；B表示高速路网系统的输入矩阵；F表示常数阵。
[0093] 步骤S105，将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
[0094] 在一个实施例中，优选地，将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值，包括：
[0095] 确定多对参数组合(λ1，λ2)，以使以下公式成立：
[0096]
[0097] 其中， 表示参数组合(λ1，λ2)对应的融合估计值， 表示所述元胞的车辆密度估计值， 表示所述卡尔曼滤波器的预估计值，(λ1，λ2)表示参数组合；
[0098] 采用以下计算公式计算每对参数组合对应的融合估计值分别与所述元胞的车辆密度估计值、卡尔曼滤波器的预估计值的标准差：
[0099]
[0100] 从所有标准差中选取出标准差最小时对应的(λ1，λ2)参数组合，确定为最优参数组合，将所述最优参数组合对应的融合估计值确定为所述卡尔曼滤波器的融合估计值。
[0101] 步骤S106，结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值作为高速路网的最终的交通状态。
[0102] 在该实施例中，以高速公路的ETC门架系统采集的交通数据为测量输出，通过对状态观测器和卡尔曼滤波器两类估计器进行算法融合，设计出一种新的混合状态估计器来解决高速公路的交通状态估计和预测问题。
[0103] 图3是根据一示例性实施例示出的一种基于ETC数据的交通状态估计方法中步骤S106的流程图。
[0104] 如图3所示，在一个实施例中，优选地，上述步骤S106包括：
[0105] 步骤S301，分别计算所述卡尔曼滤波器的先验误差协方差矩阵和增益矩阵；
[0106] 其中，采用以下计算公式计算先验误差协方差矩阵P‑和增益矩阵G：
[0107]
[0108] G(t+1)＝P‑(t)CT[CP‑(t)CT+R]‑1
[0109] 步骤S302，根据所述卡尔曼滤波器修正后的融合预估计值、所述先验误差协方差矩阵和增益矩阵更新后验状态估计值，以得到最终的交通状态估计值；
[0110] 最终的交通状态估计值 采用以下公式计算得到：
[0111]
[0112] 步骤S303，根据所述最终的交通状态估计值确定所述高速路网的交通状态。
[0113] 图4是根据一示例性实施例示出的一种基于ETC数据的交通状态估计装置的框图。
[0114] 如图4所示，根据本公开实施例的第二方面，提供一种基于ETC数据的交通状态估计装置，所述装置包括：
[0115] 划分模块41，用于将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
[0116] 建模模块42，用于基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
[0117] 第一计算模块43，用于获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
[0118] 第二计算模块44，用于根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
[0119] 第三计算模块45，用于将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
[0120] 第四计算模块46，用于结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得最终的卡尔曼滤波器估计值；
[0121] 确定模块47，用于根据所述卡尔曼滤波器的修正后的估计值确定所述高速路网的交通状态。
[0122] 根据本公开实施例的第三方面，提供一种基于ETC数据的交通状态估计装置，其特征在于，所述装置包括：
[0123] 处理器；
[0124] 用于存储处理器可执行指令的存储器；
[0125] 其中，所述处理器被配置为：
[0126] 将高速路网按照出入口匝道位置、ETC门架位置和车道数变化位置划分成若干个元胞；
[0127] 基于划分的元胞，以交通流密度为交通状态变量，建立所述高速路网的宏观交通流模型；
[0128] 获取出入口均有ETC门架的目标元胞，并根据ETC门架传感器测量值计算所述目标元胞的实际车辆密度值；
[0129] 根据所述高速路网的宏观交通流模型分别构建状态观测器和卡尔曼滤波器，并基于状态观测器计算各个所述元胞的车辆密度估计值，基于所述宏观交通流模型推演卡尔曼滤波器的预估计值；
[0130] 将通过状态观测器获得的车辆密度估计值和卡尔曼滤波器的预估计值进行融合计算，以得到所述卡尔曼滤波器的融合预估计值；
[0131] 结合交通传感器的测量值对卡尔曼滤波器的融合预估计值进行修正，获得新的估计值作为高速路网的最终的交通状态。
[0132] 根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面中任一项所述方法的步骤。
[0133] 进一步可以理解的是，本公开中“多个”是指两个或两个以上，其它量词与之类似。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
[0134] 进一步可以理解的是，术语“第一”、“第二”等用于描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开，并不表示特定的顺序或者重要程度。实际上，“第一”、“第二”等表述完全可以互换使用。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。
[0135] 进一步可以理解的是，本公开实施例中尽管在附图中以特定的顺序描述操作，但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作，或是要求执行全部所示的操作以得到期望的结果。在特定环境中，多任务和并行处理可能是有利的。
[0136] 本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
[0137] 应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
