收费站通行模式识别方法和系统与流程

1.本技术实施例涉及智能交通技术领域，具体涉及收费站通行模式识别方法和系统。


背景技术：

2.随着电子商务的发展与公众出行需求的增加，城际的交通运输与日俱增，在收费站处发生的交通堵塞也越来越多，而收费站堵塞给城际交通运输带来极大的干扰。因此，精准地识别诸如此类收费站等收费站的通行模式，并采取相应的管理加以调整，提升收费站的服务能力是城际交通的重点工程。
3.然而，收费站附近交通场景复杂，可能受到通行能力的限制，还可能存在着其他因素的互相干扰。例如过站后短距离内存在信号灯、站前存在检查站、收费站广场内存在通往其他方向的道路等。
4.如何准确高效的识别收费站通行模式，是亟待解决的问题。


技术实现要素：

5.为此，本技术实施例提供收费站通行模式识别方法和系统，通过构建收费站相关的各个子区域，准确划分了影响收费站通行模式的基础空间范围；在车辆样本充足或稀疏的情况下都能准确且高效的识别收费站的通行模式。
6.为了实现上述目的，本技术实施例提供如下技术方案：
7.根据本技术实施例的第一方面，提供了收费站通行模式识别方法，所述方法包括：
8.步骤a：提取目标收费站的关联道路的电子地图，根据所述电子地图中关联道路的拓扑连通顺序将目标收费站空间分为多个子空间；
9.步骤b：构建目标收费站的交通信息空间分析模型；针对每个子空间，执行步骤1-3：
10.步骤1：获取经过子空间的每个车辆样本的移动位置数据，计算每个车辆样本经过子空间的通行代价；
11.步骤2：根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列；
12.步骤3：基于构建所述子空间通行代价的时间序列的车辆样本，构建子空间的交通状态信息模型；
13.步骤c：计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式。
14.可选地，所述子空间的交通状态信息模型用四元数组s按照如下公式表示：
15.s＝《flow,cost,jamlen,v》
16.其中，flow表示子空间的流量，cost表示子空间的通行代价，jamlen表示子空间的排队长度，v表示子空间的平均通行速度，其中，子空间的流量是将车辆样本数量加和得到；
子空间的平均速度是通过子空间所有路段长度之和与子空间通行代价的比值。
17.可选地，所述子空间的排队长度计算方法包括：
18.根据所述经过子空间的每个车辆样本的移动位置数据计算子空间的排队长度初始值，其中，子空间的排队长度初始值是指排队车辆可拼接范围内的最大值；
19.根据每个时刻所述排队长度初始值及置信度计算该时刻子空间的排队长度；
20.将每个时刻的子空间的排队长度按照时间排序，得到子空间的排队长度的时间序列。
21.可选地，所述根据每个时刻所述排队长度初始值及置信度计算该时刻子空间的排队长度，具体包括如下步骤：
22.判断当前时刻是否有样本数据覆盖；
23.若当前时刻有车辆样本覆盖，对当前时刻子区间内排队车辆可拼接范围内的最大值作为当前时刻的初始排队长度；
24.根据第二预设置信度计算函数计算所述初始排队长度的可信度；
25.将可信度大于预设阈值的初始排队长度作为当前时刻的排队长度；
26.对于可信度小于预设阈值的初始排队长度，根据上一时刻排队长度结果、相邻时刻通行时间变化的约束比例条件计算当前时刻的排队长度；
27.若当前时刻没有车辆样本数据覆盖，取上一时刻的排队长度作为当前时刻的排队长度；
28.当无车辆样本数据覆盖的持续时间大于预设时间阈值后，将排队长度设置为0。
29.可选地，所述根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列，包括：
30.获取每个时刻经过子空间的车辆样本及所述每个车辆样本的通行代价，聚类计算每个时刻经过子空间的车辆样本的通行代价，得到每个时刻子空间的通行代价；
31.将每个时刻的子空间的通行代价按照时间排序，得到子空间的通行代价的时间序列。
32.可选地，所述聚类计算每个时刻子空间的车辆样本的通行代价，得到每个时刻子空间的通行代价，包括：
33.判断当前时刻是否有车辆样本覆盖；
34.若当前时刻有车辆样本覆盖，对车辆样本的通行代价进行聚类计算得到聚类结果；
35.根据第一预设置信度计算函数计算所述聚类结果的可信度；
36.对于可信度处于第一设定区间的聚类结果，取聚类结果作为当前时刻子空间的通行代价；
37.对于可信度处于第二设定区间的聚类结果，根据当前时刻的聚类结果、相邻时刻通行时间变化的约束比例条件计算当前时刻的通行代价；
38.若当前时刻没有车辆样本数据覆盖，取上一时刻的子空间的通行代价作为当前时刻的通行代价；
39.当无样本数据覆盖的持续时间大于设定阈值后，将通行代价的历史均值作为当前时刻子空间的通行代价。
40.可选地，所述计算每个车辆样本经过子空间的通行代价，包括：
41.将获取的所述每个车辆的移动位置数据与所述电子地图匹配，得到车辆样本在每个路段的行驶轨迹；
42.获取子空间的路段集合，根据车辆样本在每个路段的行驶轨迹计算车辆样本在子空间内的行驶轨迹；
43.根据所述车辆样本在子空间内的行驶轨迹计算每个车辆样本在子空间内的通行代价。
44.可选地，所述车辆样本在每个路段的行驶轨迹car
link
按照如下表示：
45.car
link
＝《carid,linkid,t
begin
,t
end
,pos
begin
,pos
end
,sp,st,type》
46.其中，carid表示车辆id，linkid表示一条路段id，t_begin表示车辆进入路段的起始时间，t_end表示车辆离开路段的时间或当前时间或，pos_begin表示车辆样本进入路段的起始位置，pos_end表示车辆样本离开路段的位置或车辆当前位置，sp＝{(stoppos_bgn^i,stoppos_end^i)|i∈(0,n)}表示车辆样本在目标路段上停车片段中停车位置的集合，st＝{(stopt_bgn^i,stopt_end^i)|i∈(0,n)}表示车辆样本在目标路段上停车片段中停车时间的集合，type表示车辆样本是否完整通过目标路段。
47.可选地，所述计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式，包括：
48.任意获取所述交通信息空间分析模型中两个或多个子空间的交通状态信息模型，形成一个子空间组；
49.根据所述子空间组内计算所述子空间组内的各子空间的每个交通信息维度的关联性，判断当前时刻收费站的通行模式，其中每个交通信息维度是指四元数组s中任一个维度的交通数据。
50.根据本技术实施例的第二方面，提供了收费站通行模式识别系统，所述系统包括：
51.子空间划分模块，用于执行步骤a：提取目标收费站的关联道路的电子地图，根据所述电子地图中关联道路的拓扑连通顺序将目标收费站空间分为多个子空间；
52.空间分析模型建立模块，用于执行步骤b：构建目标收费站的交通信息空间分析模型；
53.针对每个子空间，调用车辆通行代价计算模块、子空间时间序列构建模块和交通状态信息计算模块；
54.所述车辆通行代价计算模块，用于执行步骤1：获取经过子空间的每个车辆样本的移动位置数据，计算每个车辆样本经过子空间的通行代价；
55.所述子空间时间序列构建模块，用于执行步骤2：根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列；
56.所述交通状态信息计算模块，用于执行步骤3：基于构建所述子空间通行代价的时间序列的车辆样本，构建子空间的交通状态信息模型；
57.通行模式识别模块，用于执行步骤c：计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式。
58.第三方面，本技术实施例提供了一种电子设备，包括：存储器、处理器及存储在所
述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行以实现上述第一方面所述的方法。
59.第四方面，本技术实施例提供了一种计算机可读存储介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现上述第一方面所述的方法。
60.综上所述，本技术实施例提供了本技术实施例提供收费站通行模式识别方法和系统，通过提取目标收费站的关联道路的电子地图，根据所述电子地图中关联道路的拓扑连通顺序将目标收费站空间分为多个子空间；构建目标收费站的交通信息空间分析模型；针对每个子空间，获取经过子空间的每个车辆样本的移动位置数据，计算每个车辆样本经过子空间的通行代价；根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列；基于构建所述子空间通行代价的时间序列的车辆样本，构建子空间的交通状态信息模型；最后，计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式。实现准确且高效的识别收费站的通行模式。
附图说明
61.为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
62.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
63.图1a为本技术实施例提供的收费站前排队的不同场景之一示意图；
64.图1b为本技术实施例提供的收费站前排队的不同场景之二示意图；
65.图2a为本技术实施例提供的除收费站外还受其他因素制约的交通场景之一示意图；
66.图2b为本技术实施例提供的除收费站外还受其他因素制约的交通场景之二示意图；
67.图3为本技术实施例提供的收费站通行模式识别方法流程示意图；
68.图4为本技术实施例提供的计算流程实施例流程图；
69.图5为本技术实施例提供的收费站通行模式识别系统框图；
70.图6示出了本技术实施例所提供的一种电子设备的结构示意图；
71.图7示出了本技术实施例所提供的一种计算机可读存储介质的示意图。
具体实施方式
72.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例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。
73.收费站拓扑的特征与多样的缴费方式导致了容易在收费站影响的空间内出现不同的交通场景。收费站受到多重因素的影响，增大了交通状态计算的复杂性。
74.收费站通行模式指的是收费站相关的一种交通场景，包括运行畅通、收费站通行能力不足导致的拥缓、收费站缴费通道不均衡导致的拥缓、收费站后其他交通因素导致的拥缓、收费站前上游检查站或突发事故导致的拥缓，收费广场内并线道路导致的拥缓等。
75.图1a和图1b中分别示出了收费站(例如收费站)前排队的不同场景。图1a展示了收费广场上畅通、收费广场外拥堵的交通场景。图1b中展示了收费广场上etc车道畅通、mtc车道排队的交通场景。
76.图2a和图2b中分别示出了除收费站外还受其他因素制约的交通场景。图2a中展示了受收费站后信号灯影响导致车辆排队的交通场景。图2b中展示了收费站与其他信号灯在收费广场处有共线道路，共线道路上的排队有可能受多种因素影响。
77.移动位置数据上传频率高、数据内容丰富，而且随着公众出行的日益增长数据覆盖也日益增长，逐渐成为计算交通的主要数据。但是移动位置数据在不同收费站不同时刻的覆盖并不固定，尤其是覆盖稀疏的收费站特别容易受到异常数据的干扰，甚至带来错误的计算结果。识别收费站通行模式的方法应该满足覆盖充分、覆盖稀疏的不同场景。
78.本技术实施例提出了一种收费站通行模式识别方法，如图3所示，包括如下步骤：
79.步骤301：提取目标收费站的关联道路的电子地图，根据所述电子地图中关联道路的拓扑连通顺序将目标收费站空间分为多个子空间；
80.步骤302：构建目标收费站的交通信息空间分析模型；针对每个子空间，执行步骤3021-3023：
81.步骤3021：获取经过子空间的每个车辆样本的移动位置数据，计算每个车辆样本经过子空间的通行代价；
82.步骤3022：根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列；
83.步骤3023：基于构建所述子空间通行代价的时间序列的车辆样本，构建子空间的交通状态信息模型；
84.步骤303：计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式。
85.在一种可能的实施方式中，所述子空间的交通状态信息模型用四元数组s按照如下公式表示：s＝《flow,cost,jamlen,v》；其中，flow表示子空间的流量，cost表示子空间的通行代价，jamlen表示子空间的排队长度，v表示子空间的平均通行速度，其中，子空间的流量是将车辆样本数量加和得到；子空间的平均速度是通过子空间所有路段长度之和与子空间通行代价的比值。
86.在一种可能的实施方式中，所述子空间的排队长度计算方法包括：
87.根据所述经过子空间的每个车辆样本的移动位置数据计算子空间的排队长度初始值，其中，子空间的排队长度初始值是指排队车辆可拼接范围内的最大值；根据每个时刻所述排队长度初始值及置信度计算该时刻子空间的排队长度；将每个时刻的子空间的排队长度按照时间排序，得到子空间的排队长度的时间序列。
88.在一种可能的实施方式中，所述根据每个时刻所述排队长度初始值及置信度计算该时刻子空间的排队长度，具体包括如下步骤：
89.判断当前时刻是否有样本数据覆盖；若当前时刻有车辆样本覆盖，对当前时刻子区间内排队车辆可拼接范围内的最大值作为当前时刻的初始排队长度；根据第二预设置信度计算函数计算所述初始排队长度的可信度；将可信度大于预设阈值的初始排队长度作为当前时刻的排队长度；对于可信度小于预设阈值的初始排队长度，根据上一时刻排队长度结果、相邻时刻通行时间变化的约束比例条件计算当前时刻的排队长度；若当前时刻没有车辆样本数据覆盖，取上一时刻的排队长度作为当前时刻的排队长度；当无车辆样本数据覆盖的持续时间大于预设时间阈值后，将排队长度设置为0。
90.在一种可能的实施方式中，在步骤3022中，所述根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列，包括：
91.获取每个时刻经过子空间的车辆样本及所述每个车辆样本的通行代价，聚类计算每个时刻经过子空间的车辆样本的通行代价，得到每个时刻子空间的通行代价；将每个时刻的子空间的通行代价按照时间排序，得到子空间的通行代价的时间序列。
92.在一种可能的实施方式中，上述聚类计算每个时刻子空间的车辆样本的通行代价，得到每个时刻子空间的通行代价，包括：
93.判断当前时刻是否有车辆样本覆盖；若当前时刻有车辆样本覆盖，对车辆样本的通行代价进行聚类计算得到聚类结果；根据第一预设置信度计算函数计算所述聚类结果的可信度；对于可信度处于第一设定区间的聚类结果，取聚类结果作为当前时刻子空间的通行代价；对于可信度处于第二设定区间的聚类结果，根据当前时刻的聚类结果、相邻时刻通行时间变化的约束比例条件计算当前时刻的通行代价；若当前时刻没有车辆样本数据覆盖，取上一时刻的子空间的通行代价作为当前时刻的通行代价；当无样本数据覆盖的持续时间大于设定阈值后，将通行代价的历史均值作为当前时刻子空间的通行代价。
94.在一种可能的实施方式中，在步骤3021中，所述计算每个车辆样本经过子空间的通行代价，包括：
95.将获取的所述每个车辆的移动位置数据与所述电子地图匹配，得到车辆样本在每个路段的行驶轨迹；获取子空间的路段集合，根据车辆样本在每个路段的行驶轨迹计算车辆样本在子空间内的行驶轨迹；根据所述车辆样本在子空间内的行驶轨迹计算每个车辆样本在子空间内的通行代价。
96.在一种可能的实施方式中，所述车辆样本在每个路段的行驶轨迹car
link
按照如下表示：car
link
＝《carid,linkid,t
begin
,t
end
,pos
begin
,pos
end
,sp,st,type》；其中，carid表示车辆id，linkid表示一条路段id，t_begin表示车辆进入路段的起始时间，t_end表示车辆离开路段的时间或当前时间或，pos_begin表示车辆样本进入路段的起始位置，pos_end表示车辆样本离开路段的位置或车辆当前位置，sp＝{(stoppos_bgn^i,stoppos_end^i)|i∈(0,n)}表示车辆样本在目标路段上停车片段中停车位置的集合，st＝{(stopt_bgn^i,stopt_end^i)|i∈(0,n)}表示车辆样本在目标路段上停车片段中停车时间的集合，type表示车辆样本是否完整通过目标路段。
97.在一种可能的实施方式中，所述步骤3021中计算每个车辆经过子空间的通行代价包括：
98.获取所述车辆的移动位置数据中车辆进入子空间的时间、离开子空间的时间、当前时间；将所述车辆离开子空间的时间与进入子空间的时间的差值作为该车辆经过子空间的通行代价，或将所述当前时间与所述进入子空间的时间的差值作为该车辆经过子空间的通行代价。
99.在一种可能的实施方式中，所述步骤303中，计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式，包括：
100.任意获取所述交通信息空间分析模型中两个或多个子空间的交通状态信息模型，形成一个子空间组；根据所述子空间组内计算所述子空间组内的各子空间的每个交通信息维度的关联性，判断当前时刻收费站的通行模式，其中每个交通信息维度是指四元数组s中任一个维度的交通数据。
101.图4示出了本技术实施例提供的收费站通行模式识别流程示意图，首先，基于电子地图，建立收费站的交通信息空间分析模型，提取收费站相关的道路，分别建立与收费站相关的各个子空间。进一步，处理每个子空间涉及的移动位置数据，以车辆-路段为唯一标识建立对象，提取轨迹的交通特征，构建子空间的交通状态信息模型。在各个子空间内，构建车辆通行代价的时间序列，剔除异常样本，保证数据的准确与稳定。利用保留的样本，计算各个子空间内的交通状态信息模型。最后识别收费站的通行模式，判定任意子空间之间的关联性，其中所有子空间的交通特征共同构成了收费站的通行模式。
102.可以看出，本技术实施例通过构建收费站相关的各个子区域，准确划分了影响收费站通行模式的基础空间范围。采样移动位置数据在不同的收费站和不同的时间采样率差异大，但通过时间序列算法保证了采样数据的计算结果的稳定与准确，同时降低了异常样本的影响，降低了通行模式识别对车辆样本数据覆盖要求，在车辆样本充足和稀疏的情况下都能准确且稳定的识别收费站的通行模式。
103.下面对本技术实施例提供的收费站通行模式识别方法进行进一步详细描述。主要包含如下三部分内容：
104.第一方面，建立收费站的交通信息空间分析模型。
105.以收费站关联的道路为基础，将空间上联系紧密的路段以拓扑连通的顺序构建收费站的交通信息空间分析模型的子空间；每个收费站影响空间对象为toll＝《id,zone
square
,zone
behind
,zone
side
…
》；其中，id标识一个收费站交通信息空间分析模型；zone＝{link_0,link_1
…
，link_i，
…
|i∈(0,n)}表示收费站交通信息空间分析模型中的子空间，是一系列拓扑有序的道路的组合。一个收费站交通信息空间分析模型包含多个子空间，例如：收费广场空间zone_square为将收费站上游拓扑连通的路段按照拓扑顺序组成的集合，收费站下游空间zone_behind为将收费站下游拓扑连通的路段按照拓扑顺序组成的集合，收费站上游分支空间zone_side为将收费广场空间zone_square其他拓扑连通的路段按照拓扑顺序组成的集合。
106.具体地，收费站交通信息空间分析模型建立方法步骤如下：
107.a1.提取收费站关联道路：
108.在电子地图的路网中，以收费站为起点，依次提取上游、下游拓扑连通的路段，当长度达到阈值后，停止搜索。
109.a2.构建收费站子空间：
110.以收费站关联的道路为基础，将空间上联系紧密的路段以拓扑连通的顺序构建收费站交通信息空间分析模型的子空间。例如将收费站上游拓扑连通的路段按照拓扑顺序组成集合收费广场空间zone_square，将收费站下游拓扑连通的路段按照拓扑顺序组成集合收费站下游空间zone_behind，将收费广场空间zone_square其他拓扑连通的路段按照拓扑顺序组成集合收费站上游分支空间zone_side。
111.第二方面，根据每个子空间涉及的每个车辆的移动位置数据，构建每个子空间的交通状态信息模型，具体包括如下步骤：
112.b1：将获取的所述每个车辆的移动位置数据与所述电子地图匹配，得到车辆样本在每个路段的行驶轨迹；构建每个车辆的交通信息模型；
113.获取覆盖收费站每个子空间涉及的移动位置数据；将移动位置数据与电子地图匹配后，得到各个车辆在途经路段上的信息，以构建每个车辆的交通信息模型；所述车辆在途经路段上的信息包括车辆标识、路段标识、车辆进入路段的起始时间以及当前时间或离开时间、车辆进入路段的起始位置以及当前位置或离开位置、车辆在目标路段上停车位置的集合、车辆样本在目标路段上停车时间的集合以及车辆样本是否完整通过目标路段。
114.以车辆i经过路段j为例，经过匹配，可以得到车辆的交通信息模型：cari_linkj＝《carid,linkid,t
begin
,t
end
,pos
begin
,pos
end
,sp,st,type》。其中，carid表示车辆样本id，linkid表示一条路段id，将二者组合可以作为存储对象的唯一标识，t_begin表示车辆样本进入路段的起始时间，t_end表示车辆样本的当前时间或离开路段的时间，pos_begin表示车辆样本进入路段的起始位置，pos_end表示车辆样本的当前位置或离开路段的位置，sp＝{(stoppos_bgn^i,stoppos_end^i)|i∈(0,n)}表示车辆样本在目标路段上停车片段中停车位置的集合，st＝{(stopt_bgn^i,stopt_end^i)|i∈(0,n)}表示车辆样本在目标路段上停车片段中停车时间的集合，type表示车辆样本是否完整通过目标路段。
115.b2：构建每个车辆样本经过子空间的通行代价的时间序列；
116.步骤1：获取每个时刻经过子空间的车辆样本及所述每个车辆样本的通行代价；聚类计算每个时刻经过子空间的车辆样本的通行代价，得到每个时刻子空间的通行代价。对经过子空间的车辆i，计算其通过子空间的代价costi，costi＝∑(cari_linkj.t
end-cari_linkj.t
begin
),j∈(0,m)。
117.步骤2：将每个时刻的子空间的通行代价按照时间排序，构建子空间的通行代价的时间序列φ，具体包括：
118.①
初始时刻，对样本数据聚类处理，取样本的中心作为时间序列的初始值φ0；
119.②
判断当前时刻是否有车辆样本覆盖；
120.若当前时刻t有数据覆盖，计算数据的聚类中心，利用第一预设置信度计算函数f(σ,count)＝((1-σ/m) count/n)/2对车辆样本的通行代价进行聚类计算得到聚类结果；其中σ表示数据集合的方差，m表示历史方差的最大值；count表示数据集合中样本的数量，n表示历史数据中流量的最大值；由公式可知，count越大σ越小，结果的可信度越高。对于可信度处于第一设定区间的聚类结果，取聚类结果φ
t
作为当前时刻子空间的通行代价；对于可信度处于第二设定区间的聚类结果，根据当前时刻的聚类结果、相邻时刻通行时间变化的约束比例条件计算当前时刻的通行代价；即利用函数f(φ,t,α,β)计算当前时刻的结果值
并插入时间序列，其中，α,β表示相邻时刻通行代价变化的约束比例。将超出约束条件的样本作为异常数据过滤。
121.若当前时刻t无车辆样本数据覆盖，上一时刻的子空间的通行代价作为当前时刻的通行代价，即φ
t
＝φ
t-1
；当持续无数据覆盖的时间大于设定阈值δ后，不再继承上一时刻的数据，将通行代价的历史均值作为当前时刻子空间的通行代价。
122.b3：构建子空间的交通状态信息模型；
123.子空间的交通状态信息模型用四元数组s按照如下公式表示：s＝《flow,cost,jamlen,v》，其中flow表示子空间的流量，cost表示子空间的通行代价，jamlen表示子空间的排队长度，v表示子空间的平均通行速度，其中，子空间的流量是将车辆样本数量加和得到；子空间的平均速度是通过子空间所有路段长度之和与子空间通行代价的比值。
124.取构造通行代价的时间序列后的样本，分别计算子空间的交通状态信息，子空间的交通状态信息包括：收费站子空间的流量、收费站子空间的通行代价、收费站子空间的排队长度、收费站子空间的平均通行速度。具体计算方式如下：
125.(1)计算子空间流量：将车辆样本数量加和可以得到子空间的流量。
126.(2)计算子空间通行代价：将上述构建的子空间的车辆通行代价的时间序列作为子空间通行代价。
127.(3)计算子空间平均速度：将子空间内所有路段长度加和可以得到子空间的长度为length，结合子空间的通行代价cost，进而可以得到子空间的平均速度为v＝length/cost。
128.(4)计算子空间排队长度：
129.计算子空间的排队长度时，同样建立排队长度的时间序列l，其中：
130.①
在初始时刻，将子空间内所有车辆的停车位置按升序排列，设a表示两次停车可以拼接的阈值，从最小值开始计算，若下个数值-当前数值《＝a，则取下一个数值，依次类推，直至取到当前停车位置数据中的满足条件的最大值，将该值作为初始时刻的结果l0进行存储。
131.②
根据每个时刻所述排队长度初始值及置信度计算该时刻子空间的排队长度；判断当前时刻是否有样本数据覆盖；
132.若当前时刻有车辆样本覆盖，对当前时刻子区间内排队车辆可拼接范围内的最大值作为当前时刻的初始排队长度；根据第二预设置信度计算函数f(l)＝(l
i-l
i-1
)/l
σ
计算所述初始排队长度的可信度；其中l
σ
表示相邻两个停车位置的阈值；将可信度大于预设阈值的初始排队长度作为当前时刻的排队长度；对于可信度小于预设阈值的初始排队长度，根据上一时刻排队长度结果、相邻时刻通行时间变化的约束比例条件计算当前时刻的排队长度。
133.若当前时刻t无数据覆盖，取上一时刻的排队长度作为当前时刻的排队长度；即l
t
＝l
t-1
；当持续无数据覆盖的时间大于设定阈值后，不再继承上一时刻的数据，将排队长度置为0。
134.③
将每个时刻的子空间的排队长度按照时间排序，得到子空间的排队长度的时间序列。
135.第三方面，收费站通行模式识别。
136.任意获取所述交通信息空间分析模型中两个或多个子空间的交通状态信息模型，形成一个子空间组；根据所述子空间组内计算所述子空间组内的各子空间的每个交通信息维度的关联性，判断当前时刻收费站的通行模式，其中每个交通信息维度是指四元数组s中任一个维度的交通数据。
137.例如：定义m＝《s_square,s_behind,s_side》表示收费站当前的通行模式；
138.c1：子区域交通信息关联性判断；
139.利用子空间交通信息计算分别计算收费站的各个子区域，依次可以得到各个子区域的交通场景按照如下公式组(1)表示：
140.s_square＝《flow_square,cost_square,jamlen_square,v_square》
141.s_behind＝《flow_behind,cost_behind,jamlen_behind,v_behind》
142.s_side＝《flow_side,cost_side,jamlen_side,v_side》
143.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式组(1)
144.利用函数f(s_0,s_1,δ)对不同子区域之间的关联性进行判断。例如，以平均速度为参照物，若abs(v_square-v_side)《δ，则说明收费站的收费广场与上游分支速度一致，关联紧密；反之，则说明二者之间速度差异较大，交通状态存在差异。
145.c2：收费站通行模式识别；
146.所有子空间的交通特征共同构成了收费站的通行模式，利用函数f(s_square,s_behind,s_side,
…
,δ_0,δ_1,δ_2,
…
)对收费站所有子空间的所有指标进行判定，综合识别收费站在当前时刻的通行模式。
147.可以看出，本技术通过构建收费站相关的各个子区域，准确划分了影响收费站通行模式的基础空间范围。采样移动位置数据在不同的收费站和不同的时间采样率差异大，本技术实施例基于时间序列算法，保证了采样数据的计算结果的稳定与准确，同时降低了异常样本的影响，该方法降低了通行模式识别对车辆样本数据覆盖要求，在车辆样本充足和稀疏的情况下都能准确且稳定的识别收费站的通行模式。
148.综上所述，本技术实施例提供了本技术实施例提供收费站通行模式识别方法，通过提取目标收费站的关联道路的电子地图，根据所述电子地图中关联道路的拓扑连通顺序将目标收费站空间分为多个子空间；构建目标收费站的交通信息空间分析模型；针对每个子空间，获取经过子空间的每个车辆样本的移动位置数据，计算每个车辆样本经过子空间的通行代价；根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列；基于构建所述子空间通行代价的时间序列的车辆样本，构建子空间的交通状态信息模型；最后，计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式。实现准确且高效的识别收费站的通行模式。
149.基于相同的技术构思，本技术实施例还提供了收费站通行模式识别系统，如图5所示，所述系统包括：
150.子空间划分模块501，用于执行步骤a：提取目标收费站的关联道路的电子地图，根据所述电子地图中关联道路的拓扑连通顺序将目标收费站空间分为多个子空间；
151.空间分析模型建立模块502，用于执行步骤b：构建目标收费站的交通信息空间分
析模型；
152.针对每个子空间，调用车辆通行代价计算模块503、子空间时间序列构建模块504和交通状态信息计算模块505；
153.所述车辆通行代价计算模块503，用于执行步骤1：获取经过子空间的每个车辆样本的移动位置数据，计算每个车辆样本经过子空间的通行代价；
154.所述子空间时间序列构建模块504，用于执行步骤2：根据所述每个车辆经过子空间的通行代价构建子空间的通行代价的时间序列；
155.所述交通状态信息计算模块505，用于执行步骤3：基于构建所述子空间通行代价的时间序列的车辆样本，构建子空间的交通状态信息模型；
156.通行模式识别模块506，用于执行步骤c：计算所述交通信息空间分析模型中任意两个或多个子空间的交通状态信息模型的关联性，根据所述关联性判定目标收费站的通行模式。
157.本技术实施方式还提供一种与前述实施方式所提供的收费站通行模式识别方法对应的电子设备。请参考图6，其示出了本技术的一些实施方式所提供的一种电子设备的示意图。如图6所示，所述电子设备20可以包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本技术前述任一实施方式所提供的收费站通行模式识别方法。
158.其中，存储器201可能包含高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个物理端口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
159.总线202可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本技术实施例任一实施方式揭示的所述收费站通行模式识别方法可以应用于处理器200中，或者由处理器200实现。
160.处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。
161.本技术实施例提供的电子设备与本技术实施例提供的收费站通行模式识别方法
出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。
162.本技术实施方式还提供一种与前述实施方式所提供的收费站通行模式识别方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的收费站通行模式识别方法。
163.需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
164.本技术的上述实施例提供的计算机可读存储介质与本技术实施例提供的收费站通行模式识别方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
165.需要说明的是：
166.在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本技术也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本技术的内容，并且上面对特定语言所做的描述是为了披露本技术的最佳实施方式。
167.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本技术的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
168.类似地，应当理解，为了精简本技术并帮助理解各个发明方面中的一个或多个，在上面对本技术的示例性实施例的描述中，本技术的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本技术要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本技术的单独实施例。
169.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
170.此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本技术的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任
意之一都可以以任意的组合方式来使用。
171.本技术的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本技术实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本技术还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本技术的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
172.应该注意的是上述实施例对本技术进行说明而不是对本技术进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本技术可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
173.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。