基于出行起点与终点获取路网流量信息的方法

摘要

本发明公开了一种基于出行起点与终点获取路网流量信息的方法。本发明中，分别获取预定周期内从预先设置的出行起点驶入的驶入车辆信息集和从预先设置的终点驶出的驶出车辆信息集；基于获取的驶入车辆信息集以及驶出车辆信息集，进行车牌配对；统计配对车牌数以及驶出车辆信息集中包含的驶出车辆信息数，将统计的配对车牌数以及驶出车辆信息数应用于预先设置的路网流量计算公式，得到路网流量信息。应用本发明，可以降低获取路网流量信息所需的成本、提供个性化路网流量信息分析。

说明书

技术领域

本发明涉及城市智能公共交通技术，尤其涉及一种基于出行起点与终点获 取路网流量信息的方法。

背景技术

近年来，随着城市化、现代化和机动化进程的突飞猛进，机动车数量 和使用频率大幅增加，使得城市交通压力不断增大，交通问题日趋严重。 虽然已大力改善城市交通基础设施，但还是无法满足日益增长的机动车出 行需求，导致城市路网使用效率较低。

智能交通系统（ITS，Intelligent Transport System）通过将先进的信息 技术、通讯技术、传感技术、控制技术以及计算机技术等有效地集成运用 于城市交通，从而构建综合的运输和管理系统，是提高路网使用效率，解 决城市交通拥堵和安全问题的有效手段。其中，基于出行起点（Origin）与 终点（Destination）的OD分析方法，是描述交通网络中OD之间在一定时 间范围内交通出行量（路网流量信息）的方法，反映了城市用户对交通运 输网络的基本需求和路网流量在空间上的分布状况，能够揭示出城市交通 症结的原因，是进行交通分析预测的重要依据，也是交通规划和交通管控、 公路网规划与管理中不可缺少的基础性数据资料。

现有基于OD获取路网流量信息的方法，主要是通过建立基于OD的区 域数学模型，并利用建立的区域数学模型进行路网流量信息获取及分析。 但由于实际应用中，不同时间段内的OD区域，路网流量信息是动态变化 的，而区域数学模型的建立需要基于大量的历史交通流数据，因而，需要 布设大量的交通流数据监测设备，获取路网流量信息所需的成本高；进一 步地，建立的区域数学模型较为繁琐，也增加了获取路网流量信息所需的 成本；而且，由于实际地理信息的复杂性，区域数学模型只能针对特定区 域，不具有普遍适用性；再者，不能进行个性化路网流量信息分析，例如， 单车行车规律分析以及基于单车行车规律的OD间路径流量分布规律分析 等。

发明内容

本发明的实施例提供一种基于出行起点与终点获取路网流量信息的方 法，降低获取路网流量信息所需的成本。

为达到上述目的，本发明实施例提供的一种基于出行起点与终点获取 路网流量信息的方法，该方法包括：

分别获取预定周期内从预先设置的出行起点驶入的驶入车辆信息集和 从预先设置的终点驶出的驶出车辆信息集；

基于获取的驶入车辆信息集以及驶出车辆信息集，进行车牌配对；

统计配对车牌数以及驶出车辆信息集中包含的驶出车辆信息数，将统 计的配对车牌数以及驶出车辆信息数应用于预先设置的路网流量计算公 式，得到路网流量信息。

其中，所述驶出车辆信息和驶入车辆信息组成车辆信息，所述车辆信 息包括：车牌信息以及车辆经过布设卡口设备的卡口时刻点信息。

其中，所述预定周期包括一个或多个子周期，所述进行配对包括：

对于每一子周期对应的驶入车辆信息子集中的每一驶入车辆信息，遍 历该每一子周期对应的驶出车辆信息子集，如果驶出车辆信息子集中包含 有相同的车牌信息，将该车牌信息置入该每一子周期对应的配对车牌子集 中。

其中，所述路网流量信息包括：子周期流量占比、子周期流量占比均 值以及子周期流量值。

其中，利用下述公式确定所述子周期流量占比：

$R_i=\frac{O_i}{D_i}$

式中，R_i为第i子周期流量占比，i为自然数；

O_i为第i子周期对应的配对车牌子集中包含的配对车牌数；

D_i为第i子周期内驶出车辆信息子集中包含的驶出车辆信息数。

其中，利用下述公式确定所述子周期流量占比均值：

$M_R=\frac{\underset{k=1}{\overset{M}{\Sigma }}{R}_k}{N}$

式中，M_R为子周期流量占比均值；

N为预定周期包含的子周期数，为自然数。

其中，利用下述公式确定所述子周期流量值：

$M_O=\frac{\underset{k=1}{\overset{M}{\Sigma }}{O}_k}{N}$

式中，M_O为子周期流量值。

其中，所述方法进一步包括：

计算预定周期内任意两子周期流量占比的差值的绝对值，统计小于预 先设置的占比离散度阈值的绝对值对应的第一子周期数；

计算统计的第一子周期数与预定周期包含的子周期数的比值，当比值 大于预先设置的规律阈值时，确定各子周期流量占比具有规律性；

基于配对车牌子集中包含的配对车牌数，计算每一配对车牌对应的配 对车牌行车路径。

其中，利用下述公式确定所述各子周期流量占比具有规律性：

C_ji=|R_j-R_i|<E_d，且

式中，C_ji为预定周期内第j子周期流量占比与第i子周期流量占比的差 值的绝对值；

R_j为预定周期内的第j子周期流量占比，j=1,2,…,N，且j≠i，i、j为 自然数；

E_d为预先设置的占比离散度阀值；

M为统计的第一子周期数；

N为预定周期包含的子周期数，M、N为自然数；

E₁为预先设置的规律阈值。

其中，所述基于配对车牌子集中包含的配对车牌数，计算每一配对车 牌对应的配对车牌行车路径包括：

获取子周期内配对车牌的车辆信息，从获取的车辆信息中，提取出行 起点时刻在前、终点时刻在后的车辆信息，生成配对车牌子周期信息子集， 统计生成的配对车牌子周期信息子集对应的第二子周期数；

按照时间先后顺序，对配对车牌子周期信息子集中的车辆信息进行排 序，获取子周期过车记录卡口序列；

统计配对车牌在各子周期过车记录卡口序列中每一卡口出现的次数， 计算卡口出现的次数与第二子周期数的比值，得到大于预先设置的频次阈 值的比值对应的卡口，置入预先设置的主要途经卡口点序列中；

基于各子周期过车记录卡口序列，计算主要途经卡口点序列中各卡口 的卡口序列位置平均值；

按照卡口序列位置平均值从小到大的顺序，对主要途经卡口点序列中 的卡口进行排序，得到作为配对车牌行车路径的卡口顺序序列。

其中，所述按照时间先后顺序，对配对车牌子周期信息子集中的车辆 信息进行排序，获取子周期过车记录卡口序列包括：

按照时间先后顺序，对配对车牌子周期信息子集中的车辆经过卡口时 刻点信息进行排序；

标注排序的车辆经过卡口时刻点信息对应的卡口；

遍历标注的卡口，获取经过卡口的最早时刻点，将该卡口以及对应的 最早时刻点置入序列中；

按照时间先后顺序，对序列中的卡口进行排序，获取子周期过车记录 卡口序列。

其中，利用下述公式确定所述卡口出现的次数与第二子周期数的比值：

$E_i=\frac{Y_i}{W}<E_h$

式中，E_i为第i个卡口出现的次数与第二子周期数的比值；

Y_i为第i个卡口出现的次数；

W为第二子周期数；

E_h为预先设置的频次阈值。

其中，利用下述公式确定所述卡口序列位置平均值：

$Q_i=\frac{\underset{k=1}{\overset{n}{\Sigma }}{Q}_{\mathrm{ik}}}{n}$

式中，Q_i为主要途经卡口点序列中，第i个卡口序列位置平均值；

Q_ik为第i个卡口在第k次出现时，在对应的子周期过车记录卡口序列中 的位置次序；

n为第i个卡口在各子周期过车记录卡口序列中出现的次数。

其中，在所述得到作为配对车牌行车路径的卡口顺序序列后，所述方 法进一步包括：

对多个卡口顺序序列中的配对车牌行车路径进行合并，得到行车路径 集；

将计算得到的配对车牌行车路径与行车路径集进行匹配，获取行车路 径集中，从出行起点卡口开始、且与配对车牌行车路径匹配的最后一个中 间卡口；

确定行车路径集中所述最后一个中间卡口至终点卡口包含多条路径， 连线行车路径集中各行车路径的终点卡口与终点卡口的前一中间卡口，计 算各连线的连线方位；

从驶出车辆信息集中，获取该配对车牌的驶出方位，计算驶出方位与 连线方位的差值的绝对值，选取最小绝对值对应的连线方位所在的行车路 径作为该计算得到的配对车牌行车路径。

其中，所述路网流量信息进一步包括：子周期路径流量占比以及路径 流量，所述方法进一步包括：

基于得到的多个卡口顺序序列，进行子周期路径流量占比以及路径流 量计算。

其中，所述基于得到的多个卡口顺序序列，进行子周期路径流量占比 计算包括：

获取子周期内每一配对车牌对应的卡口顺序序列，对每一子周期对应 的多个卡口顺序序列进行合并，分别得到子周期合并卡口顺序序列；

统计子周期合并卡口顺序序列中所有行车路径经过的总车辆数；

统计子周期合并卡口顺序序列中每一条行车路径经过的路径车辆数；

计算路径车辆数与总车辆数的比值，得到子周期路径流量占比。

其中，利用下述公式确定所述子周期路径流量占比：

${\mathrm{CR}}_{\mathrm{ij}}=\frac{N_{\mathrm{ij}}}{\underset{k=1}{\overset{n}{\Sigma }}{N}_{\mathrm{ik}}}$

式中，CR_ij为第i子周期合并卡口顺序序列中，第j条行车路径R_j的子周 期路径流量占比；

N_ij为第i子周期合并卡口顺序序列中，经过第j条行车路径R_j的路径车 辆数；

n为第i子周期合并卡口顺序序列包含的行车路径数。

其中，所述方法进一步包括：

基于路径流量占比序列，计算路径流量占比均值，利用下述公式确定 所述路径流量占比均值：

$M_j=\frac{\underset{i=1}{\overset{W}{\Sigma }}{\mathrm{CR}}_{\mathrm{ij}}}{W}$

式中，M_j为路径流量占比序列中，第j条路径R_j的路径流量占比均值；

CR_ij为路径流量占比序列中，第i行第j列的路径流量占比；

W为预定周期包含的子周期数。

其中，所述基于得到的多个卡口顺序序列，进行路径流量计算包括：

获取子周期内每一配对车牌对应的卡口顺序序列，对每一子周期对应 的多个卡口顺序序列进行合并，分别得到子周期合并卡口顺序序列；

统计各子周期合并卡口顺序序列中，经过同一行车路径的总路径车辆 数，计算总路径车辆数与子周期数之比，得到路径流量。

其中，利用下述公式确定所述路径流量：

${\mathrm{MeanV}}_j=\frac{\underset{i=1}{\overset{W}{\Sigma }}{N}_{\mathrm{ij}}}{W}$

式中，MeanV_j为路径R_j的路径流量。

由上述技术方案可见，本发明实施例提供的一种基于出行起点与终点 获取路网流量信息的方法，通过对卡口设备采集到的车辆信息进行数据挖 掘，获取预定周期的车牌配对数，并基于车牌配对数计算路网流量，无需 布设大量的交通流数据监测设备，也无需构建区域数学模型，有效降低了 获取路网流量信息所需的成本。

附图说明

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，以下将对 实施例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， 以下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 而言，还可以根据这些附图所示实施例得到其它的实施例及其附图。

图1为本发明实施例基于出行起点与终点获取路网流量信息的方法流 程示意图。

图2为进行补偿处理的车辆从出行起点O到终点D的行车路径示意图。

图3为进行补偿处理的车辆从出行起点O到终点D的另一行车路径示 意图。

具体实施方式

以下将结合附图对本发明各实施例的技术方案进行清楚、完整的描 述，显然，所描述的实施例仅仅是本发明的一部分实施例，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 劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

本发明实施例提出一种基于出行起点与终点获取路网流量信息的方 法，只需在卡口布设能够获取历史交通流数据中的车辆信息的设备，获取 OD之间的车辆信息，通过利用数据挖掘方法进行分析，从而无需构建区域 数学模型，可以获得预先设置的OD之间在预定周期内的流量占比、子周 期流量值、单车行车规律以及路径流量分布规律等路网流量信息。得到的 路网流量信息可以为交通管理者提供合理的区域交通控制、指挥调度、交 通诱导、勤务部署、交通组织与规划参考依据，进而可为交通出行者（用 户）提供更加直观、全面的出行路径选择。

图1为本发明实施例基于出行起点与终点获取路网流量信息的方法流 程示意图。参见图1，该流程包括：

步骤101，分别获取预定周期内从预先设置的出行起点驶入的驶入车辆 信息集，以及，从预先设置的终点驶出的驶出车辆信息集；

本步骤中，预定周期可根据实际需要设置，例如，可以设置为7天或1 天或其它。当然，也可以将预定周期细分为多个子周期，例如，每个子周 期对应一天。还可以针对每天的交通流量，在每一子周期中，设置预定时 段，例如，7:00～9:00。也就是说，预定周期可以包括一个或多个子周期， 一个子周期可以包括一个或多个预定时段。这样，对于包括有多个子周期 的预定周期，步骤101相应为：在预定周期的各子周期内，分别获取从预 先设置的出行起点驶入的驶入车辆信息子集，每一子周期对应一驶入车辆 信息子集，所有的驶入车辆信息子集组成驶入车辆信息集，以及，从预先 设置的终点驶出的驶出车辆信息子集，每一子周期对应一驶出车辆信息子 集，所有的驶出车辆信息子集组成驶出车辆信息集。当然，还可以预定时 段进行车辆信息集获取，例如，获取一天内的7:00～9:00，从出行起点驶 入的驶入车辆信息二级子集以及从终点驶出的驶出车辆信息二级子集，一 天中各时段的驶入车辆信息二级子集组成驶入车辆信息子集。

所应说明的是，预定周期、子周期以及预定时段的设置都是相对的， 例如，可以设置预定周期为一天，即相当于本发明实施例的子周期。

实际应用中，可以通过在出行起点以及终点分别设置卡口设备的方式， 对驶入出行起点以及驶出终点的车辆信息进行监测和记录，由于车辆信息 数据只是交通流数据中的一条子数据，因而，可以有效减少采集交通流数 据所需的设备，降低了交通流数据采集成本。

本发明实施例中，驶出车辆信息和驶入车辆信息组成车辆信息，驶入 车辆信息集包括多个驶入车辆信息，驶出车辆信息集包括多个驶出车辆信 息。其中，车辆信息包括：车牌信息以及车辆经过布设卡口设备的卡口时 刻点信息。关于卡口设备识别车牌，记录车辆信息为公知技术，在此略去 详述。

步骤102，基于获取的驶入车辆信息集以及驶出车辆信息集，进行车牌 配对；

本步骤中，当预定周期不包含子周期时，进行车牌配对包括：

对于驶入车辆信息集中的每一驶入车辆信息中包含的车牌信息，遍历 驶出车辆信息集，如果驶出车辆信息集中包含有相同的车牌信息，将该车 牌信息置入配对车牌集中，所述配对车牌集中，不具有相同的车牌信息。

实际应用中，在预定周期包括一个或多个子周期，子周期包括一个或 多个预定时段时，也可以子周期或预定时段为单位进行车牌配对计算。例 如，获取N天的各子周期内，从出行起点驶入的驶入车辆信息子集以及从 终点驶出的驶出车辆信息子集，并基于获取的驶入车辆信息子集以及驶出 车辆信息子集，进行车牌配对。即预定周期包括一个或多个子周期，进行 车牌配对包括：

对于每一子周期对应的驶入车辆信息子集中的每一驶入车辆信息，遍 历该每一子周期对应的驶出车辆信息子集，如果驶出车辆信息子集中包含 有相同的车牌信息，将该车牌信息置入该每一子周期对应的配对车牌子集 中，所述配对车牌子集中，不具有相同的车牌信息；

合并所有配对车牌子集，得到配对车牌集，所述配对车牌集中，不具 有相同的车牌信息。

步骤103，统计配对车牌数以及驶出车辆信息集中包含的驶出车辆信息 数，将统计的配对车牌数以及驶出车辆信息数应用于预先设置的路网流量 计算公式，得到路网流量信息。

本步骤中，对应于预定周期不包含子周期的情形，路网流量信息包括： 预定周期流量占比，预定周期流量占比计算公式为：

$R=\frac{O}{D}$

式中，R为预定周期流量占比；

O为配对车牌集中包含的配对车牌数，O≤D；

D为驶出车辆信息集中包含的驶出车辆信息数，即从终点驶出的驶出 车辆数。

对应于预定周期包含子周期的情形，如前所述，以天为单位进行车牌 配对计算时，预定周期包括多个子周期，每一子周期对应一天，因而，在 进行子周期内的车牌配对时，在每一子周期（或子周期的预定时段），将 从出行起点驶入的K_i辆车的车牌与从终点驶出的D_i辆车的车牌进行配对， 得到该子周期对应的配对车牌子集。这样，路网流量信息包括：子周期流 量占比、子周期流量占比均值、子周期流量值以及预定周期流量占比。其 中，预定周期流量占比计算公式如前描述，在此不再赘述。

子周期流量占比计算公式为：

$R_i=\frac{O_i}{D_i}$

式中，R_i为第i子周期流量占比，即预定周期内的第i天流量占比，i为 自然数；

O_i为第i子周期对应的配对车牌子集中包含的配对车牌数，O_i≤D_i；

D_i为第i子周期内从终点驶出的驶出车辆数，即预定周期内的第i天对 应的驶出车辆信息子集中包含的驶出车辆信息数。

本发明实施例中，通过计算预定周期的各子周期内的流量占比，可以 解决子周期流量占比统计的技术问题。

子周期流量占比均值计算公式为：

$M_R=\frac{\underset{k=1}{\overset{M}{\Sigma }}{R}_k}{N}$

式中，M_R为子周期流量占比均值；

N为预定周期包含的子周期数，为自然数。

本发明实施例中，子周期流量占比均值为预定周期包含的各子周期流 量占比的平均值，即对上述M天的每一天的流量占比进行求和，再将求和 值除以M，得到M天的流量占比的平均值，作为预定周期内从出行起点O 到终点D的子周期流量占比均值。

子周期流量值计算公式为：

$M_O=\frac{\underset{k=1}{\overset{M}{\Sigma }}{O}_k}{N}$

式中，M_O为子周期流量值。

本发明实施例中，子周期流量值为预定周期内从出行起点到终点的子 周期流量值。通过计算各子周期内配对的车辆数的平均值得到，即计算上 述M天的配对的车辆数的总和，将总和除以M，得到M天的配对的车辆数 的平均值。

实际应用中，由于从出行起点至终点的路段中，包含有多条可从出行 起点到达终点的路径。因而，本发明实施例中，还可以基于上述的子周期 流量占比、子周期流量占比均值、子周期流量值以及预定周期流量占比， 对OD之间的行车路径规律进行统计描述，用以解决OD之间不同路径进行 推荐以及统计路径流量的技术问题。该方法进一步包括：

步骤104，计算预定周期内任意两子周期流量占比的差值的绝对值，统 计小于预先设置的占比离散度阈值的绝对值对应的第一子周期数；

本步骤中，计算差值的绝对值的公式为：

C_ji=|R_j-R_i|

式中，C_ji为预定周期内第j子周期流量占比与第i子周期流量占比的差 值的绝对值，即第j天的流量占比与第i天的流量占比的差值的绝对值；

R_j为预定周期内的第j子周期流量占比，j=1,2,…,N，且j≠i，i、j为 自然数。

本发明实施例中，如果：

C_ji=|R_j-R_i|<E_d

式中，E_d为预先设置的占比离散度阀值。较佳地，本发明实施例中， 设置：E_d=0.1。

即如果差值的绝对值小于预先设置的占比离散度阈值，则对计算得到 的C_ji对应的子周期进行计数，也就是对预定周期内的每一子周期流量占比 进行遍历并判断，得到差值的绝对值小于预先设置的占比离散度阈值的子 周期数。

步骤105，计算统计的第一子周期数与预定周期包含的子周期数的比 值，当比值大于预先设置的规律阈值时，确定各子周期流量占比具有规律 性；

本步骤中，确定各子周期流量占比具有规律性的公式为：

$\frac{M}{N}>E_1$

式中，M为统计的第一子周期数；

N为预定周期包含的子周期数，M、N为自然数；

E₁为预先设置的规律阈值，较佳地，E₁=0.5。

具体来说，本发明实施例中，如果：

C_ji=|R_j-R_i|<E_d，且

则表明在预定周期内，从出行起点O到终点D的各子周期流量占比具 有规律性。也就是说，通过获取每一子周期的驶入车辆信息子集以及驶出 车辆信息子集，在每一子周期的驶入车辆信息子集和驶出车辆信息子集中 进行车牌配对，得到配对车牌子集，利用配对车牌子集以及驶出车辆信息 子集计算子周期流量占比，将任意两子周期流量占比进行差值的绝对值运 算，如果在M个子周期中，任意两子周期的差值的绝对值都小于预先设置 的占比离散度阈值，且M与N的比值大于预先设置的规律阈值。则表明在 预定周期内，从出行起点O到终点D的各子周期流量占比具有规律性。

这样，利用上述公式，可以判断在预定周期内，从出行起点O到终点 D的各子周期流量占比是否离散，即是否具有规律性。如果在N天的子周期 流量占比数据中，有M天的子周期流量占比比较接近，且M与N的比值大 于规律阈值，则认为预定周期内的各子周期流量占比具有规律性，可作为 后续计算的基础数据。

步骤106，基于配对车牌子集中包含的配对车牌数，计算每一配对车牌 对应的配对车牌行车路径。

本步骤中，通过配对车牌集，可以获取总的配对车牌数。设上述N天 （预定周期）的配对车牌数中，共有C辆不同车牌的车辆，即配对车牌数为 C，第a个配对车牌记为C_a(a=1,2,…,C)。分别以每一配对车牌C_a(a=1,2,…,C)作 为分析对象，以天（子周期）为单位统计该配对车牌对应的子周期行车路 径。

该步骤具体包括：

A11，获取子周期内配对车牌的车辆信息，从获取的车辆信息中，提取 出行起点时刻在前、终点时刻在后的车辆信息，生成配对车牌子周期信息 子集，统计生成的配对车牌子周期信息子集对应的第二子周期数；

本步骤中，整理所有配对车牌C_a(a=1,2,…,C)的车辆信息，要求车辆信 息中出现出行起点O和终点D，且出行起点时刻在前，终点时刻在后的车 辆信息所在的预定周期内的子周期，统计子周期数，每一配对车牌子周期 信息子集对应一配对车牌。也就是说，在该子周期内采集的配对车牌的所 有车辆信息中，只要有一车辆信息满足：车辆信息中包括出行起点O和终 点D，且出行起点时刻在前，终点时刻在后，则该子周期满足要求，统计 满足要求的子周期数。当然，实际应用中，也可以设置在每一子周期内， 所有配对车牌对应一配对车牌子周期信息子集。

本发明实施例中，假设统计的满足要求的子周期数，即第二子周期数 为W，即对于一配对车牌，共有W天满足要求。

A12，按照时间先后顺序，对配对车牌子周期信息子集中的车辆信息进 行排序，获取子周期过车记录卡口序列；

本步骤中，对于满足要求的W天的一配对车牌对应的车辆信息，以天 为单位，以出行起点记录的过车时刻开始（设对应的卡口为K_S），以终点 记录的过车时刻结束（设对应的卡口为K_E），按时间从早到晚顺序，对车 辆信息对应的卡口进行排序。对于一个卡口具有多个过车时刻的情形，采 用过该卡口最早记录的时刻，按照得到的各卡口对应的时刻，按时间从早 到晚顺序，对OD之间的各卡口进行排序。也就是说，按照时间先后顺序， 对配对车牌子周期信息子集中的车辆信息进行排序，获取子周期过车记录 卡口序列包括：

按照时间先后顺序，对配对车牌子周期信息子集中的车辆经过卡口时 刻点信息进行排序；

标注排序的车辆经过卡口时刻点信息对应的卡口；

遍历标注的卡口，获取经过卡口的最早时刻点，将该卡口以及对应的 最早时刻点置入序列中；

按照时间先后顺序，对序列中的卡口进行排序，获取子周期过车记录 卡口序列。

本发明实施例中，对于第i天(i=1,2,…,W)的配对车牌子周期信息子集， 按时间从早到晚顺序，对车辆信息进行排序、分析，并对各卡口进行排序 后，得到的子周期过车记录卡口序列为：

K_S,K_i1,K_i2,…,K_E

式中，K_i1为第i天的配对车牌子周期信息子集中，按时间排序的第二卡 口；

K_i2为第i天的配对车牌子周期信息子集中，按时间排序的第三卡口。

由于配对车牌在每一天对应一过车记录卡口序列，因而，对于同一配 对车牌对应的W天的车辆信息，对应有W个子周期过车记录卡口序列。所有 的子周期过车记录卡口序列以卡口K_S为出行起点，以K_E为终点。

实际应用中，由于每天各配对车牌行车轨迹不尽相同，因而，各天得 到的子周期过车记录卡口序列长度、卡口顺序一般不同。

A13，统计配对车牌在各子周期过车记录卡口序列中每一卡口出现的次 数，计算卡口出现的次数与第二子周期数的比值，得到大于预先设置的频 次阈值的比值对应的卡口，置入预先设置的主要途经卡口点序列中；

本步骤中，以上述W个子周期过车记录卡口序列中的卡口为统计对象， 获取其包含的卡口，统计每一卡口在各子周期过车记录卡口序列中出现的 总次数。

本步骤中，如果某一卡口K_i出现了Y_i次，按照下述公式计算卡口出现的 次数与第二子周期数的比值：

$E_i=\frac{Y_i}{W}<E_n$

式中，E_i为第i个卡口（K_i）的频次值，即卡口出现的次数与第二子周 期数（W）的比值；

Y_i为第i个卡口出现的次数；

E_h为预先设置的频次阈值。较佳地，可以设置：E_h=0.5。

本发明实施例中，当卡口出现的次数与W的比值大于预先设置的频次 阈值时，表明该卡口是出行起点卡口K_S到终点卡口K_E之间的主要途经卡口 点序列。初始的主要途经卡口点序列为空。

A14，基于各子周期过车记录卡口序列，计算主要途经卡口点序列中各 卡口的卡口序列位置平均值；

本发明实施例中，卡口序列位置平均值计算公式为：

$Q_i=\frac{\underset{k=1}{\overset{n}{\Sigma }}{Q}_{\mathrm{ik}}}{n}$

式中，Q_i为主要途经卡口点序列中，第i个卡口序列位置平均值；

Q_ik为第i个卡口在第k次出现时，在对应的子周期过车记录卡口序列中 的位置次序；本发明实施例中，如果第i个卡口在子周期过车记录卡口序列 中的排序号为q，则可以设置Q_ik=q。当然，实际应用中，还可以根据第i个 卡口在子周期过车记录卡口序列中的排序号q，设置相应的加权系数。

n为第i个卡口在各子周期过车记录卡口序列中出现的次数。

A15，按照卡口序列位置平均值从小到大的顺序，对主要途经卡口点序 列中的卡口进行排序，得到作为配对车牌行车路径的卡口顺序序列。

本发明实施例中，对于配对车牌对应的W个子周期过车记录卡口序列， 分别计算每一卡口出现的次数与W的比值，将大于预先设置的频次阈值的 比值对应的卡口置入新构建的主要途经卡口点序列中，初始的主要途经卡 口点序列为空。最后，主要途经卡口点序列中，包含有L个卡口，第j个卡 口K_j(j=1,2,…,L)的卡口序列位置平均值为Q_j。

将主要途经卡口点序列中的L个卡口，按照卡口序列位置平均值从小到 大的顺序进行排列，得到卡口顺序序列。本发明实施例中，由于从出行起 点到终点的路径可能不止一条，因而，对于卡口序列位置平均值相同的卡 口，按不同路径进行标识。这样，得到的卡口顺序序列中，包含有一条或 多条配对车牌行车路径。本发明实施例中，一配对车牌可以对应一卡口顺 序序列，也可以是所有配对车牌对应一卡口顺序序列。

设排序后得到的卡口顺序序列也称为中间卡口序列，为：

K_a,K_b,…,K_n

则从出行起点O到终点D的行车规律路径为：

K_S—>K_a—>K_b—>…—>K_n—>K_E

如果出现多个卡口序列位置平均值相同的卡口，则分别对应不同路径 的行车规律路径。

本发明实施例中，按照上述算法流程，可以得到每一配对车牌对应的 卡口顺序序列，对多个卡口顺序序列中的配对车牌行车路径进行合并，合 并得到的行车路径表明了多辆车从出行起点O到终点D行车路径的规律 性，可作为单车行车路径的参考以及交通部门进行交通流管理的数据，例 如，作为单车行车路径的导航路径。

本发明实施例中，由于卡口设备识别率等问题，会造成车辆信息数据 缺失，即车辆经过卡口时，车牌未被卡口设备准确识别或漏识，因而，导 致按照上述的行车路径生成算法，无法直接获得配对车牌行车路径。针对 车辆信息数据缺失问题，分两种情况考虑。

第一种情况，车辆从出行起点O直接到终点D，中间无任何卡口设备 记录的车辆信息数据：

该情况下，在记录的车辆从出行起点O到终点D的车辆信息中，增加 行车方向信息，以对配对车牌行车路径进行补偿处理。

图2为进行补偿处理的车辆从出行起点O到终点D的行车路径示意图。 参见图2，对车牌号为C_a的车辆（配对车牌），如果过车记录为O->D，从 出行起点O到终点D的行车路径中，包括两条路径，分别为：O->K₂->D 以及O->K₁->K₃->D，则无法直接获得C_a的行车路径是O->K₂->D还是 O->K₁->K₃->D。本发明实施例中，通过考察C_a进入D点的方向信息：如 果车辆进入D点的方向为北向南，则可确定C_a的行车路径为O->K₂->D； 如果车辆进入D点的方向为西向东，则可确定C_a的行车路径为 O->K₁->K₃->D。

第二种情况，车辆从出行起点O直接到终点D，中间有卡口设备记录 的车辆信息数据缺失：

图3为进行补偿处理的车辆从出行起点O到终点D的另一行车路径示 意图。参见图3，对车牌号为C_a的车辆，如果过车记录为O->K₂->D，而从 K₂->D的路径中，包含有两条路径，分别为K₂->D以及K₂->K₁->K₃->D， 由于从K₂->D的路径中的过车数据缺失，因而，无法确定行车路径。本发 明实施例中，

对某车牌号为Ca的车辆，如果过车记录为O->K2->D，由于K2到D 有两条路径可以选择，则Ca的行车路径不明确。本发明实施例中，通过考 察C_a进入D点的方向信息：如果车辆进入D点的方向为北向南，则可确定 C_a的行车路径为O->K₂->D；如果车辆进入D点的方向为西向东，则可确 定C_a的行车路径为O->K₂->K₁->K₃->D。

也就是说，对于中间有卡口设备记录的车辆信息数据缺失的情形以及 中间无卡口设备记录的车辆信息数据缺失的情形，该方法进一步包括：

对多个卡口顺序序列中的配对车牌行车路径进行合并，得到行车路径 集；

将计算得到的配对车牌行车路径与行车路径集进行匹配，获取行车路 径集中，从出行起点卡口开始、且与配对车牌行车路径匹配的最后一个中 间卡口；

确定行车路径集中所述最后一个中间卡口至终点卡口包含多条路径， 连线行车路径集中各行车路径的终点卡口与终点卡口的前一中间卡口，计 算各连线的连线方位；

从驶出车辆信息集中，获取该配对车牌的驶出方位，计算驶出方位与 连线方位的差值的绝对值，选取最小绝对值对应的连线方位所在的行车路 径作为该计算得到的配对车牌行车路径。

实际应用中，路网流量信息还可以进一步包括：子周期路径流量占比 以及路径流量，该方法进一步包括：

A16，基于得到的多个卡口顺序序列，进行子周期路径流量占比以及路 径流量计算。

本步骤中，对多个配对车牌对应的卡口顺序序列中的行车路径进行合 并，如果合并得到的卡口顺序序列中包括多条行车路径，通过统计各行车 路径上的车辆总数，即可得到从出行起点O到终点D的子周期路径流量占 比以及路径流量。

基于得到的多个卡口顺序序列，进行子周期路径流量占比计算包括：

获取子周期内每一配对车牌对应的卡口顺序序列，对每一子周期对应 的多个卡口顺序序列进行合并，分别得到子周期合并卡口顺序序列；

统计子周期合并卡口顺序序列中所有行车路径经过的总车辆数；

统计子周期合并卡口顺序序列中每一条行车路径经过的路径车辆数；

计算路径车辆数与总车辆数的比值，得到子周期路径流量占比。

本发明实施例中，设在一子周期合并卡口顺序序列中，第i天 (i=1,2,…,W)共有N_i1辆车由行车路径R₁从出行起点到终点，N_i2辆车由行车路 径R₂从出行起点到终点，……，N_in辆车由行车路径R_n从出行起点到终点。

则该子周期合并卡口顺序序列中，第i条行车路径的子周期路径流量占 比计算公式为：

${\mathrm{CR}}_{\mathrm{ij}}=\frac{N_{\mathrm{ij}}}{\underset{k=1}{\overset{n}{\Sigma }}{N}_{\mathrm{ik}}}$

式中，CR_ij为第i子周期合并卡口顺序序列中，第j条行车路径R_j的子周 期路径流量占比，即第i天第j条行车路径R_j的子周期路径流量占比；

N_ij为第i子周期合并卡口顺序序列中，经过第j条行车路径R_j的路径车 辆数，即第i天经过行车路径R_j的路径车辆数；

n为第i子周期合并卡口顺序序列包含的行车路径数，即第i天中包含的 行车路径数。

具体来说，子周期合并卡口顺序序列中，每一子周期路径流量占比分 别通过下述公式进行计算：

${\mathrm{CR}}_{i1}=\frac{N_{i1}}{N_{i1}+N_{i2}+...+N_{\mathrm{in}}}$

${\mathrm{CR}}_{i2}=\frac{N_{i2}}{N_{i1}+N_{i2}+...+N_{\mathrm{in}}}$

………

${\mathrm{CR}}_{\mathrm{in}}=\frac{N_{\mathrm{in}}}{N_{i1}+N_{i2}+...+N_{\mathrm{in}}}$

本发明实施例中，在子周期合并卡口顺序序列中，每一路径对应一子 周期路径流量占比，多个子周期路径流量占比组成一路径流量占比序列中 的一行，每一子周期路径流量占比对应一行中的各列。以多个子周期合并 卡口顺序序列对应的子周期路径流量占比构成路径流量占比序列中的多 行，以子周期内包含的路径数对应路径流量占比序列中的列，可以得到所 有路径在预定周期（W天）的路径流量占比序列为： CRi_j(i=1,2,…,W;j=1,2,…,n)。

较佳地，该方法还可以进一步包括：

基于路径流量占比序列，计算路径流量占比均值。

本步骤中，对于路径R_j(j=1,2,…,n)，可以计算预定周期（W天）内该路 径的路径流量占比均值M_j，计算公式如下：

$M_j=\frac{\underset{i=1}{\overset{W}{\Sigma }}{\mathrm{CR}}_{\mathrm{ij}}}{W}$

式中，M_j为路径流量占比序列中，第j条路径R_j的路径流量占比均值；

CR_ij为路径流量占比序列中，第i行第j列（第j条路径R_j）的路径流量 占比；

W为路径流量占比序列中的行数，即预定周期包含的子周期数。

基于得到的多个卡口顺序序列，进行路径流量计算包括：

获取子周期内每一配对车牌对应的卡口顺序序列，对每一子周期对应 的多个卡口顺序序列进行合并，分别得到子周期合并卡口顺序序列；

统计各子周期合并卡口顺序序列中，经过同一行车路径的总路径车辆 数，计算总路径车辆数与子周期数之比，得到路径流量。

本步骤中，计算W天内由路径R_j从出行起点到终点经过的总车辆数， 将总车辆数应用于路径流量计算公式，得到该路径流量。

路径流量计算公式为：

${\mathrm{MeanV}}_j=\frac{\underset{i=1}{\overset{W}{\Sigma }}{N}_{\mathrm{ij}}}{W}$

式中，MeanV_j为路径R_j的路径流量。

由上述可见，本发明实施例的基于出行起点与终点获取路网流量信息 的方法，在卡口只需布设采集车辆信息的卡口设备，无需布设大量的交通 流数据监测设备，有效降低了成本；通过对卡口设备采集到的大量历史过 车数据（车辆信息）进行数据挖掘，无需构建区域数学模型，即可得到OD 之间的路网流量信息规律，并可进行个性化路网流量信息分析。例如，单 车行车规律分析以及基于单车行车规律的OD间路径流量分布规律分析等， 从而提供OD之间配对车牌行车路径规律分析方法，以及基于配对车牌行 车路径规律的OD之间路径流量分布规律分析方法，达到为用户提供个性 化路网流量信息分析的目的。可以为交通管理者提供合理的道路调流和组 织规划依据。

显然，本领域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，倘若对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，则本发明也包含这些改动和变型在内。