CN118097961A - 交通流量数据的分析方法、装置、电子设备及存储介质 - Google Patents

Abstract

本发明公开了一种交通流量数据的分析方法、装置、电子设备及存储介质，涉及数据分析技术，该方法包括：根据交通流量信息构建时空坐标，时空坐标包括至少一个特征数据对，特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；通过至少一个特征数据对确定出交通流量数据的特征信息，特征信息包括时间特征信息、空间特征信息和交通流量特征信息；根据交通流量数据、时间特征信息、空间特征信息和交通流量特征信息确定出时间流量数据和空间流量数据；分别对时间流量数据和空间流量数据进行聚类分析，获得交通流量数据的数据特性。本发明能够准确表达交通流量的数据特性，取到了提高交通流量数据分析精准度的有益效果。

Description

交通流量数据的分析方法、装置、电子设备及存储介质

技术领域

本发明涉及数据分析技术领域，尤其涉及一种交通流量数据的分析方法、装置、电子设备及存储介质。

背景技术

交通流量是指单位时间内通过道路某一断面的实际车辆数，是描述交通状态的特征参数。其中，交通流量数据是城市道路规划、车辆导航、交管管理以及交通治理等场合的重要参考因素。因此，如何合理的分析交通流量数据有着重要影响。

现有对交通流量数据进行分析的方式一般为，将时间和空间划分为网格单元，进一步对每个网格单元内的交通流量数据进行聚类分析，从而获得交通流量数据的特性。由于交通流量数据的复杂性和不确定性，该种将空间维度和时间维度进行融合分析的方式存在分析精准度不高的问题。

发明内容

本发明提供一种交通流量数据的分析方法、装置、电子设备及存储介质，能够改善现有的对交通流量数据进行分析的方案。

第一方面，本发明提供一种交通流量数据的分析方法，包括：根据交通流量信息构建时空坐标，所述时空坐标包括至少一个特征数据对，所述特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；基于至少一个所述特征数据对确定特征信息，所述特征信息包括时间特征信息、空间特征信息和交通流量特征信息；根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据；分别对所述时间流量数据和所述空间流量数据进行聚类分析，获得所述交通流量数据的数据特性。

可选地，所述基于至少一个所述特征数据对确定特征信息，包括：对至少一个所述特征数据对包含的时间信息、空间信息和交通流量数据分别进行特征提取，获得至少一个特征序列对，至少一个所述特征序列对包括时间序列特征、空间序列特征和交通流量序列特征；基于每个所述特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵；对所述拉普拉斯矩阵进行特征分解，获得所述交通流量数据的特征信息。

可选地，所述基于每个所述特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵，包括：计算每两个所述特征序列对的相似度，根据每两个所述特征序列对的相似度构建相似性图谱；根据所述相似性图谱间的连接关系确定邻接矩阵；根据所述邻接矩阵确定度矩阵，根据所述邻接矩阵和所述度矩阵确定所述拉普拉斯矩阵。

可选地，所述根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据，包括：根据所述交通流量数据、所述时间特征信息和所述交通流量特征信息确定时间流量数据；根据所述交通流量数据、所述空间特征信息和所述交通流量特征信息确定所述空间流量数据。

可选地，所述根据所述交通流量数据、所述时间特征信息和所述交通流量特征信息确定时间流量数据，包括：根据所述时间特征信息和所述交通流量特征信息构建时间流量坐标；根据所述交通流量数据和所述时间流量坐标获得所述时间流量数据；

相应地，所述根据所述交通流量数据、所述空间特征信息和所述交通流量特征信息确定所述空间流量数据，包括：根据所述空间特征信息和所述交通流量特征信息构建空间流量坐标；根据所述交通流量数据和所述空间流量坐标获得空间流量数据。

可选地，所述根据交通流量信息构建时空坐标，包括：获取至少一个交通流量信息，每个所述交通流量信息包括时间数据和空间数据；根据每个所述交通流量信息对应的时间数据和空间数据构建所述时空坐标。

可选地，在根据交通流量信息构建时空坐标之前，包括：基于传感设备获取初始交通流量信息；基于异常因子处理算法对所述初始交通流量信息中的异常信息进行预处理，获得所述交通流量信息。

第二方面，本发明提供一种交通流量数据的分析装置，所述装置包括：

坐标构建模块，用于根据交通流量信息构建时空坐标，所述时空坐标包括至少一个特征数据对，所述特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；

特征确定模块，用于基于至少一个所述特征数据对确定所述交通流量数据的特征信息，所述特征信息包括时间特征信息、空间特征信息和交通流量特征信息；

数据确定模块，用于根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据；

数据分析模块，用于分别对所述时间流量数据和所述空间流量数据进行聚类分析，获得所述交通流量数据的数据特性。

第三方面，本发明还提供了一种电子设备，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的交通流量数据的分析方法。

第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的交通流量数据的分析方法。

本实施例提供的交通流量数据的分析方案，首先根据交通流量信息构建时空坐标，时空坐标包括至少一个特征数据对，特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；然后通过至少一个特征数据对确定出交通流量数据的特征信息，特征信息包括时间特征信息、空间特征信息和交通流量特征信息；再根据交通流量数据、时间特征信息、空间特征信息和交通流量特征信息确定出时间流量数据和空间流量数据；最后分别对时间流量数据和空间流量数据进行聚类分析，获得交通流量数据的数据特性。本实施例提供的方案，通过对交通流量信息构建特征数据对，进一步对每个特征数据对进行特征提取的方式，能够获得交通流量信息的时间特征，空间特征和交通流量特征，进一步将各特征转化在同一尺度下，分别对获得的时间流量数据和空间流量数据进行低维度聚类分析，该种方式获得的聚类结果能够准确表达交通流量的数据特性，取到了提高交通流量数据分析精准度的有益效果。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。

图1是本申请实施例提供的交通流量数据的分析方法的一个流程示意图；

图2a是本申请实施例提供的相似性图谱的一个示意图；

图2b是本申请实施例提供的邻接矩阵的一个示意图；

图2c是本申请实施例提供的度矩阵的一个示意图；

图2d是本申请实施例提供的拉普拉斯矩阵的一个示意图；

图3是本申请实施例提供的交通流量数据的分析装置的一个结构示意图；

图4是本申请实施例提供的电子设备的一个结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本实施例中的附图，对本发明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的实施例，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，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1为本申请实施例提供的交通流量数据的分析方法的一个流程示意图，本实施例可适用于对复杂道路环境中的交通流量数据进行分析的情况，从而有助于进行合理的道路规划。该方法可以由交通流量数据的分析装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于服务器等计算机设备中。参考图1，该方法具体可以包括如下步骤：

S110、根据交通流量信息构建时空坐标。

交通流量信息指示交通监测设备在固定区域获取的关于车流量的相关信息。如，可以包括车辆位置、车辆数量以及车辆行驶速度等，具体交通流量信息包含的内容以实际分析需求为准。

在本实施例中，交通流量信息的获取范围可以由需要进行交通流量分析的地理位置决定，如，可以为某个路口、某条街道、快速干道或某个区域等，具体交通流量信息的获取范围在此不做限定。

在本实施例中，时空坐标由时间维度和空间维度组成。如，以时间维度作为横坐标，以空间维度作为纵坐标进行坐标构建。其中，横坐标的时间维度与交通流量信息的分析时长有关，如，分析早高峰(上午七点-九点)某个路口的车流量数据，那么当前时间维度可以每十分钟或每十五分钟为一个时间区间；若需分析一天内某个区域的车流量情况，那么当前时间维度可以每小时或每半个小时为一个时间区间，具体横坐标中时间维度的划分方式在此不做限制。纵坐标的空间维度可以获取的车流量所在位置对应的经纬度信息进行划分；可选地，还可对所需分析的位置区域预先使用自定义标识进行区分，从而根据自定义标识在纵坐标进行表示等，如，以甲路口用a标识，乙路口用b标识等，具体纵坐标中空间维度的划分方式在此不做限制。

在获取交通流量信息时，每个交通流量信息包括对应的时间数据和空间数据，其中，时间数据可指示当前车辆行驶至当前区域中的实际时间，空间数据可指示当前车辆的位置。具体地，本实施例根据交通流量信息构建时空坐标可通过下述方式实现：

获取至少一个交通流量信息；根据每个交通流量信息对应的时间数据和空间数据构建时空坐标。

一般来说，为对车流量进行有效分析，并能够根据分析结果进行道路规划或交通管理等，本实施例获取的交通流量数据包括至少一个。具体交通流量数据的数量与时间维度和空间维度的选取有关。

在构建时空坐标时，以时间维度为横坐标，空间维度为纵坐标获得时空坐标系，进一步根据每个交通流量数据对应的时间数据和空间数据在时空坐标系中对时空坐标系进行填充，获得时空坐标。

可选地，在本实施例中，根据每个交通流量数据对应的时间数据和空间数据在时空坐标系中对时空坐标系进行填充的方式可以为：以分析早高峰(上午7:00-9:00)某个路口的车流量数据为例，可以每三十分钟获得的车流量数据为一个时间节点区间，从而根据每三十分钟获得的车流量数据时空坐标系中进行填充，如，7:00-7:30，共计580辆车辆；7:00-8:00，共计1200辆车辆等；可选地，还可通过热力图的方式表示车流量数据在每个时间区间和空间中的行驶数量，具体时空坐标中交通流量数据的表示行驶在此不做限制。

在本实施例获得的时空坐标中，时空坐标包括至少一个特征数据对。每个特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据。为便于理解，时间维度包括m个时间区间，空间维度包括n个空间区间，在时空坐标系中，m个时间区间和n个空间区间可组成m*n个相同规格的网格，每个网格对应的时间信息、空间信息以及在当前网格中包含的交通流量数据可以为一个特征数据对。

在此进一步说明，在本实施例中，一个交通流量信息包含的有对应的时间数据和空间数据；一个特征数据对(坐标网格中)包含对应的时间信息和空间信息，可以理解为，一个特征数据对时对多个交通流量信息进行统计整理后获得的。

为提高交通流量信息的分析准确度，本实施例提供的方案在执行上述步骤S110之前，可进行相关数据预处理，以获得交通流量信息，具体方式如下：

基于传感设备获取初始交通流量信息；基于异常因子处理算法对初始交通流量信息中的异常信息进行预处理，获得交通流量信息。

在本实施例中，传感设备可以为设置在交通路口或相应区域的传感器网络、摄像设备或无线通信设备等，具体传感设备的选取在此不做限制。

由于获取的初始交通流量信息存在异常信息的情况，在本实施例中，可利用数据清洗工具对获得的初始交通流量信息进初步清洗和预处理，具体地，本实施例使用异常因子处理算法对初始交通流量信息中的异常信息进行预处理，达到剔除异常信息优化数据集的目的，具体方式如下：

首先计算时空坐标中每个交通流量数据点的k近邻距离(k根据具体数据量决定)，对于数据集中的每个交通流量数据点，计算该点与其他交通流量数据点之间的距离，并筛选出k个最近的邻居数据点；然后计算可达距离，对于每一个交通流量数据点，计算其与邻居交通流量数据点之间的可达距离。其中可达距离表示邻居交通流量数据点之间直接连接或通过中间交通流量数据点连接的距离；其次计算局部可达密度，对于每个交通流量数据点，计算其局部可达密度(Local Reachability Density，简称LRD)，LRD表示该交通流量数据点的密度相对于其邻居的密度；再计算局部异常因子，对于每个交通流量数据点，计算其局部异常因子(Local Outlier Factor，简称LOF)，LOF表示该交通流量数据点的异常程度，是该交通流量数据点的周围交通流量数据点的局部可达密度相对于自身局部可达密度的比值；最后剔除离群点，通过计算LOF值，数值较高的交通流量数据点被视为离群点，如果一个交通流量数据点的LOF值远高于其他数据点的LOF值，那么该交通流量数据点被认为是一个异常值，将这些异常点进行剔除，得到剔除异常信息后的交通流量信息。本实施例通过局部异常因子算法对获取的初始交通流量信息进行降噪处理，提高了样本数据的准确性。

S120、基于至少一个特征数据对确定交通流量数据的特征信息。

交通流量数据的特征信息指示，当前时空坐标中所统计的关于交通流量数据的相关特征信息。在本实施例中，交通流量数据的特征信息包括时间特征信息、空间特征信息和交通流量特征信息。其中，时间特征信息、空间特征信息和交通流量特征信息是基于上述步骤S110中每个网格对应的特征数据对计算获得的。在本实施例中，获取交通流量数据的特征信息的目的在于，在上述步骤S110中的每个交通流量数据包含有空间信息和时间信息两个维度，通过确定交通流量数据的特征信息，以便于在后续步骤中进行降维分析，即对交通流量数据在空间维度和时间维度两个维度进行分别分析，有助于更直观获取交通流量数据的相关特征，提高数据特征分析的准确性。

可选地，本实施例提供的基于至少一个特征数据对确定交通流量数据的特征信息可通过获取每个特征数据对包含的时间特征、空间特征和交通流量特征，进一步对每个特征数据对包含的时间特征、空间特征和交通流量特征求均值向量等方式获得交通流量数据的特征信息；可选地，还可在获取每个特征数据对应的特征向量后，计算每个特征数据对应的特征向量，从而构建出相似性图谱，进而基于相似度图距获得拉普拉斯矩阵，最后通过对拉普拉斯矩阵进行特征分解的方式获得交通流量数据的特征信息，具体确定交通流量数据的特征信息的方式在此不做限制。

一种优选实施例，本实施例提供的基于至少一个特征数据对确定交通流量数据的特征信息可通过如下步骤一、步骤二和步骤三实现：

步骤一：对至少一个特征数据对包含的时间信息、空间信息和交通流量数据分别进行特征提取，获得至少一个特征序列对；至少一个特征序列对包括时间序列特征、空间序列特征和交通流量序列特征。

在本实施例中，对至少一个特征数据对包含的时间信息、空间信息和交通流量信息分别进行特征提取的目的在于，提取出每个特征数据对中的有用特征，时间序列特征(如流量峰值特征，和/或，平均流量特征等)、空间序列特征(如交通拥堵区域特征，和/或，交通瓶颈特征等)。这些特征可以提供交通流量的时空分布和动态变化情况，有助于发现交通流量的模式和关联。进一步可将提取的时间序列特征、空间分布特征和交通流量序列特征组合起来，可以构建一个特征向量来表示该数据点的时空数据情况。

步骤二：基于每个特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵。

在当前步骤中每个特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征可基于特征向量的形式进行表示，进一步需将每个特征序列对对应的特征向量进行数学计算，从而用拉普拉斯矩阵的形式进行表示，以便于从拉普拉斯矩阵中提取出交通流量数据的特征信息。

具体地，本实施例提供的基于每个特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵，可通过如下步骤a)～步骤d)实现：

a)计算每两个特征序列对的相似度，根据每两个特征序列对的相似度构建相似性图谱。

对于每个特征序列对，计算每两个特征序列对之间的相似度。当前计算特征序列对相似度的方式可基于欧几里得距离算法或计算余弦相似度等方式实现，具体计算相似度的方式在此不做限制。

在获得每个特征序列对的相似度之后，可根据计算得到对应的相似度矩阵，根据相似度矩阵可构建相似性图谱。示例性地，请参照图2a，图2a是本申请实施例提供的相似性图谱的一个示意图。在图2a中，以6个数据点构建出的相似性图谱进行示例，其中，每个数据点表示为一个节点，每个节点代表一个特征向量对，节点之间的边表示每两个节点之间的相似度。可以使用不同的边权重表示节点之间的相似度，例如使用相似度值作为边的权重等。

b)根据相似性图谱间的连接关系确定邻接矩阵。

在本实施例中通过计算相似性图的邻接矩阵来表示节点之间的连接关系。邻接矩阵中的元素值表示节点之间的相似性程度。在这个邻接矩阵中，每个元素表示两个节点之间是否有边相连。如果相似度矩阵中的元素值大于某个阈值，则对应的邻接矩阵中的元素值为1(表示有边相连)，否则为0(表示没有边相连)。示例性地，请参照图2b，图2b是本申请实施例提供的邻接矩阵的一个示意图，根据上述图2a中获得的相似性图谱确定的邻接矩阵W如图2b所示。

c)根据邻接矩阵确定度矩阵。

度矩阵是一个对角矩阵，其中每个元素表示节点的度(即连接的边的数量)，对角线上的元素表示对应顶点的度数。在邻接矩阵中，如果第i个顶点与第j个顶点之间存在一条边，则矩阵的第i行第j列的元素为1，否则为0。因此，可以通过计算邻接矩阵中每个元素的值，得到每个顶点的度数，进而构建度矩阵。示例性地，把邻接矩阵W的每一列元素加起来得到N个数，然后把它们放在对角线上(其它地方都是零)，组成一个N x N的对角矩阵，记为度矩阵D。具体地，请参照如2c，图2c是本申请实施例提供的度矩阵的一个示意图，其中，度矩阵D是通过对图2b中的邻接矩阵W计算获得的。

d)根据邻接矩阵和度矩阵确定拉普拉斯矩阵。

根据邻接矩阵和度矩阵的差可获得拉普拉斯矩阵L，通过拉普拉斯矩阵表示数据的全局结构。给定一个有n个顶点的图G＝(V，E)，该图的拉普拉斯矩阵定义为L＝D-W，其中D为图的度矩阵，W为图的邻接矩阵。通过获得的拉普拉斯矩阵可在后续步骤中确定出时空坐标中的时间特征信息、空间特征信息和交通流量特征信息。具体地，请参照图2d，图2d是本申请实施例提供的拉普拉斯矩阵的一个示意图。

本实施例通过上述步骤a)～步骤d)，同时采用矩阵的方式和图谱的方式对交通流量的相关数据进行转换，可进一步加强数据处理能力。

步骤三：对拉普拉斯矩阵进行特征分解，获得交通流量数据的特征信息。

对拉普拉斯矩阵进行特征分解后，可以分解成由多个特征向量和特征值表示的矩阵之积的形式。在本实施例的交通数据分析的应用场景中，特征向量可包含三个，分别是关于时间特征信息的时间特征向量、空间特征信息的空间特征向量和交通流量特征信息的交通流量特征向量。原因在于，在步骤一中数据分析对象为包含时间信息、空间信息和交通流量信息的特征数据对，那么通过获得时间特征向量、空间特征向量和交通流量特征向量来表示数据的低维嵌入，以在后续步骤中通过在低维角度捕捉交通流量数据的内在结构，有助于对交通流量数据进行准确的分析。常用求解矩阵特征值和特征向量的方法有幂法以及雅可比迭代法等，具体对拉普拉斯矩阵进行特征分解的方式在此不做限制。

在对拉普拉斯矩阵进行特征分解后，可以分解成由多个特征向量和特征值表示的矩阵之积的形式。以多个特征向量分别为特征向量a、特征向量b，以及特征向量c为例，如何确定每个特征向量表示的实际意义，即获得的特征向量a表示时间特征向量，还是空间特征向量，或是交通流量特征向量。在本实施例中，可通过用样本数据来做判断，比如对于特征向量a，把步骤S110中的交通流量数据转换成对应的特征向量a表示后，可发现随着该特征向量a的减小，对应的数据点的值也越来越小；而假设原始数据中，交通流量数据值确实是随着时间减少而减少的，因此可通过数据变化趋势确定出特征向量a与时间特征向量相关；可选地，也可进一步计算特征向量a与时间信息、空间信息以及交通流量信息分别对应特征的相似度进行确定等。具体确定分解后的特征向量所代表实际意义的方式在此不做限制。

S130、根据交通流量数据、时间特征信息、空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据。

在本实施例中，时间流量数据指示在时间维度中的交通流量情况；空间流量数据指示在空间维度中的交通流量情况。通过当前步骤，可以将步骤S110中每个交通流量数据对应的空间维度和时间维度两个维度进行降维，使得通过对交通流量数据在时间维度和空间维度两个维度进行分别分析，有助于更直观获取交通流量数据的相关特性，提高数据特征分析的准确性。

一种优选实现方式，上述步骤S130可通过如下方式实现确定时间流量数据和空间流量数据：根据交通流量数据、时间特征信息和交通流量特征信息确定时间流量数据；根据交通流量数据、空间特征信息和交通流量特征信息确定空间流量数据。即，在本实施例中，通过将步骤S110中的交通流量数据带入至通过时间特征信息和交通流量特征信息构建的特征表达中，可以获得时间流量数据；将交通流量数据带入至通过空间特征信息和交通流量特征信息构建的特征表达中，可以获得空间流量数据。

具体地，本实施例中，进一步可通过构建对应低维坐标系的方式，实现获得时间流量数据和空间流量数据，便于直观的进行数据统计与分析，具体获得时间流量数据方式如下：根据时间特征信息和交通流量特征信息构建时间流量坐标；根据交通流量数据和时间流量坐标获得时间流量数据。由于时间特征信息和交通流量特征信息的初始表达均为对应的矩阵形式，进一步需对时间特征信息和交通流量特征信息对应的矩阵进行分析，获得对应的常规向量，进而分别将时间特征信息和交通流量特征信息对应的常规向量转化为时间流量坐标，即以时间特征为横坐标，以交通流量特征为纵坐标，再将步骤S110中的交通流量数据填充至时间流量坐标中，可获得本实施例中的时间流量数据。

本实施例具体获得时空间流量数据方式如下：根据空间特征信息和交通流量特征信息构建空间流量坐标；根据交通流量数据和空间流量坐标获得空间流量数据。对空间特征信息和交通流量特征信息进行处理计算获得空间流量数据的方式，与上述对时间特征信息和交通流量特征信息进行处理计算获得时间流量数据的方式相同，在此不再赘述。在空间流量数据中，横坐标可表示空间特征，纵坐标可表示交通流量特征。

S140、分别对时间流量数据和空间流量数据进行聚类分析，获得交通流量数据的数据特性。

在当前步骤中通过使用传统聚类算法对时间流量坐标和空间流量坐标中的间流量数据和空间流量数据分别进行聚类分析，以获得交通流量数据的数据特性。通过本实施例方案获得的交通流量数据的数据特性，这有助于专业人员更好地了解交通流量在时间和空间的动态变化情况，为交通管理和优化提供支持。例如，发现某个时间段内某个地区的交通流量异常高，则可以分配更多巡检人手对该时间段的该区域进行巡检，进而能够快速高效地采取相应的交通管理措施来缓解交通拥堵情况。此外，针对不同地区之间的交通流量关联情况，可以采取协调调度和优化运输组织等措施来提高运输效率和管理水平。

在本实施例中，通过时间流量数据的聚类结果和空间流量数据的聚类结果可以有效准确分析区域、时段的交通流量特征情况，预测交通堵塞等高发区域和高发时段，及时发现问题、解决问题，并以此为依据优化巡检人员的配置，节约人力和时间成本，进而提高交通情况巡检的效率。

可选地，上述分别对时间流量数据和空间流量数据进行聚类分析时可通过如K均值(k-means)或基于密度的聚类方法(Density—Based Spatial Clustering ofApplication with Noise，简称DBSCAN)实现，以对时间流量数据和空间流量数据分析时，划分为不同的聚类，具体可以通过绘制树状图、热力图等方式展示聚类结果，以便更好地理解交通流量数据的分布和特征。

进一步地，本实施例提供的方案还可使用相应的评估指标来评估聚类的结果，如轮廓系数、方差比准则指数(Calinski-Harabasz)等，这些指标可以有助于专业人员了解聚类的质量和效果。

本实施例提供的交通流量数据的分析方法，首先根据交通流量信息构建时空坐标，时空坐标包括至少一个特征数据对，特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；然后通过至少一个特征数据对确定出交通流量数据的特征信息，特征信息包括时间特征信息、空间特征信息和交通流量特征信息；再根据交通流量数据、时间特征信息、空间特征信息和交通流量特征信息确定出时间流量数据和空间流量数据；最后分别对时间流量数据和空间流量数据进行聚类分析，获得交通流量数据的数据特性。本实施例提供的方案，通过对交通流量信息构建特征数据对，进一步对每个特征数据对进行特征提取的方式，能够获得交通流量信息的时间特征，空间特征和交通流量特征，进一步将各特征转化在同一尺度下，分别对获得的时间流量数据和空间流量数据进行低维度聚类分析，该种方式获得的聚类结果能够准确表达交通流量的数据特性，取到了提高交通流量数据分析精准度的有益效果。

图3是本申请实施例提供的交通流量数据的分析装置的一个结构示意图，该装置适用于执行本实施例提供的交通流量数据的分析方法。如图3所示，该装置具体可以包括：坐标构建模块310、特征确定模块320、数据确定模块330和数据分析模块340，其中：

坐标构建模块310，用于根据交通流量信息构建时空坐标，所述时空坐标包括至少一个特征数据对，所述特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；

特征确定模块320，用于基于至少一个所述特征数据对确定所述交通流量数据的特征信息，所述特征信息包括时间特征信息、空间特征信息和交通流量特征信息；

数据确定模块330，用于根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据；

数据分析模块340，用于分别对所述时间流量数据和所述空间流量数据进行聚类分析，获得所述交通流量数据的数据特性。

本申请实施例提供的交通流量数据的分析装置，首先根据交通流量信息构建时空坐标，时空坐标包括至少一个特征数据对，特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；然后通过至少一个特征数据对确定出交通流量数据的特征信息，特征信息包括时间特征信息、空间特征信息和交通流量特征信息；再根据交通流量数据、时间特征信息、空间特征信息和交通流量特征信息确定出时间流量数据和空间流量数据；最后分别对时间流量数据和空间流量数据进行聚类分析，获得交通流量数据的数据特性。本实施例提供的方案，通过对交通流量信息构建特征数据对，进一步对每个特征数据对进行特征提取的方式，能够获得交通流量信息的时间特征，空间特征和交通流量特征，进一步将各特征转化在同一尺度下，分别对获得的时间流量数据和空间流量数据进行低维度聚类分析，该种方式获得的聚类结果能够准确表达交通流量的数据特性，取到了提高交通流量数据分析精准度的有益效果。

一实施例中，特征确定模块320包括特征提取单元、矩阵计算单元和特征分解单元，其中：

特征提取单元，用于对至少一个所述特征数据对包含的时间信息、空间信息和交通流量数据分别进行特征提取，获得至少一个特征序列对，至少一个所述特征序列对包括时间序列特征、空间序列特征和交通流量序列特征；

矩阵计算单元，用于基于每个所述特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵；

特征分解单元，用于对所述拉普拉斯矩阵进行特征分解，获得所述交通流量数据的特征信息。

一实施例中，矩阵计算单元，具体用于计算每两个所述特征序列对的相似度，根据每两个所述特征序列对的相似度构建相似性图谱；根据所述相似性图谱间的连接关系确定邻接矩阵；根据所述邻接矩阵确定度矩阵，根据所述邻接矩阵和所述度矩阵确定所述拉普拉斯矩阵。

一实施例中，数据确定模块330，具体用于根据所述交通流量数据、所述时间特征信息和所述交通流量特征信息确定时间流量数据；根据所述交通流量数据、所述空间特征信息和所述交通流量特征信息确定所述空间流量数据。

一实施例中，数据确定模块330包括坐标构建单元和数据获得单元，其中：

第一坐标构建单元，用于根据所述时间特征信息和所述交通流量特征信息构建时间流量坐标；

数据获得单元，用于根据所述交通流量数据和所述时间流量坐标获得所述时间流量数据；

第一坐标构建单元，还用于根据所述空间特征信息和所述交通流量特征信息构建空间流量坐标；

数据获得单元，还用于根据所述交通流量数据和所述空间流量坐标获得空间流量数据。

一实施例中，坐标构建模块310包括信息获取单元和第二坐标构建单元，其中：

信息获取单元，用于获取至少一个交通流量信息，每个所述交通流量信息包括时间数据和空间数据；

第二坐标构建单元，用于根据每个所述交通流量信息对应的时间数据和空间数据构建所述时空坐标。

一实施例中，所述装置还包括信息获取模块和数据处理模块，其中：

信息获取模块，用于基于传感设备获取初始交通流量信息；

数据处理模块，用于基于异常因子处理算法对所述初始交通流量信息中的异常信息进行预处理，获得所述交通流量信息。

本领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述功能模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明还提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的交通流量数据的分析方法。

本发明还提供了一种计算机可读介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的交通流量数据的分析方法。

下面参考图4，图4是本申请实施例提供的电子设备的一个结构示意图，其示出了适于用来实现本发明的电子设备的计算机系统500的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本实施例的功能和使用范围带来任何限制。

如图4所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU 501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线以及光缆等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本实施例中所涉及到的模块和/或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块和/或单元也可以设置在处理器中，例如，可以描述为：一种处理器包括坐标构建模块、特征确定模块、数据确定模块和数据分析模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：根据交通流量信息构建时空坐标，所述时空坐标包括至少一个特征数据对，所述特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；基于至少一个所述特征数据对确定特征信息，所述特征信息包括时间特征信息、空间特征信息和交通流量特征信息；根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据；分别对所述时间流量数据和所述空间流量数据进行聚类分析，获得所述交通流量数据的数据特性。

根据本实施例的技术方案，通过对交通流量信息构建特征数据对，进一步对每个特征数据对进行特征提取的方式，能够获得交通流量信息的时间特征，空间特征和交通流量特征，进一步将各特征转化在同一尺度下，分别对获得的时间流量数据和空间流量数据进行低维度聚类分析，该种方式获得的聚类结果能够准确表达交通流量的数据特性，取到了提高交通流量数据分析精准度的有益效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种交通流量数据的分析方法，其特征在于，包括：

根据交通流量信息构建时空坐标，所述时空坐标包括至少一个特征数据对，所述特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；

基于至少一个所述特征数据对确定特征信息，所述特征信息包括时间特征信息、空间特征信息和交通流量特征信息；

根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据；

分别对所述时间流量数据和所述空间流量数据进行聚类分析，获得所述交通流量数据的数据特性。

2.根据权利要求1所述的交通流量数据的分析方法，其特征在于，所述基于至少一个所述特征数据对确定特征信息，包括：

对至少一个所述特征数据对包含的时间信息、空间信息和交通流量数据分别进行特征提取，获得至少一个特征序列对，至少一个所述特征序列对包括时间序列特征、空间序列特征和交通流量序列特征；

基于每个所述特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵；

对所述拉普拉斯矩阵进行特征分解，获得所述交通流量数据的特征信息。

3.根据权利要求2所述的交通流量数据的分析方法，其特征在于，所述基于每个所述特征序列对包括的时间序列特征、空间序列特征和交通流量序列特征计算拉普拉斯矩阵，包括：

计算每两个所述特征序列对的相似度，根据每两个所述特征序列对的相似度构建相似性图谱；

根据所述相似性图谱间的连接关系确定邻接矩阵；

根据所述邻接矩阵确定度矩阵，根据所述邻接矩阵和所述度矩阵确定所述拉普拉斯矩阵。

4.根据权利要求1所述的交通流量数据的分析方法，其特征在于，所述根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据，包括：

根据所述交通流量数据、所述时间特征信息和所述交通流量特征信息确定时间流量数据；

根据所述交通流量数据、所述空间特征信息和所述交通流量特征信息确定所述空间流量数据。

5.根据权利要求4所述的交通流量数据的分析方法，其特征在于，所述根据所述交通流量数据、所述时间特征信息和所述交通流量特征信息确定时间流量数据，包括：

根据所述时间特征信息和所述交通流量特征信息构建时间流量坐标；

根据所述交通流量数据和所述时间流量坐标获得所述时间流量数据；

相应地，所述根据所述交通流量数据、所述空间特征信息和所述交通流量特征信息确定所述空间流量数据，包括：

根据所述空间特征信息和所述交通流量特征信息构建空间流量坐标；

根据所述交通流量数据和所述空间流量坐标获得空间流量数据。

6.根据权利要求1所述的交通流量数据的分析方法，其特征在于，所述根据交通流量信息构建时空坐标，包括：

获取至少一个交通流量信息，每个所述交通流量信息包括时间数据和空间数据；

根据每个所述交通流量信息对应的时间数据和空间数据构建所述时空坐标。

7.根据权利要求1所述的交通流量数据的分析方法，其特征在于，在根据交通流量信息构建时空坐标之前，包括：

基于传感设备获取初始交通流量信息；

基于异常因子处理算法对所述初始交通流量信息中的异常信息进行预处理，获得所述交通流量信息。

8.一种交通流量数据的分析装置，其特征在于，包括：

坐标构建模块，用于根据交通流量信息构建时空坐标，所述时空坐标包括至少一个特征数据对，所述特征数据对包括当前坐标对应的时间信息、空间信息和交通流量数据；

特征确定模块，用于基于至少一个所述特征数据对确定所述交通流量数据的特征信息，所述特征信息包括时间特征信息、空间特征信息和交通流量特征信息；

数据确定模块，用于根据所述交通流量数据、所述时间特征信息、所述空间特征信息和交通流量特征信息确定时间流量数据和空间流量数据；

数据分析模块，用于分别对所述时间流量数据和所述空间流量数据进行聚类分析，获得所述交通流量数据的数据特性。

9.一种电子设备，其特征在于，所述电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7任一项所述的交通流量数据的分析方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的交通流量数据的分析方法。