一种路网交通流参数估算方法及设备与流程

1.本发明涉及计算机技术领域，尤其涉及一种路网交通流参数估算方法及设备。


背景技术：

2.交通流参数(平均速度、车流密度和流量)是分析城市交通道路通行能力和评估交通运行状况的重要依据，也是掌握城市交通运行规律和开展交通拥堵治理的研究基础。
3.现有技术中，在进行路网交通流参数的估算时，主要通过人工调查法和线圈检测法来获取交通流参数。其中，人工调查法通过针对小规模路网，采用人工计数或者浮动车跟车形式统计某一时段内路段的车辆数、车辆类型、车头时距这些数据，并据此计算得到交通流参数；线圈检测法通过在道路下方设置一个环形线圈，当车辆经过线圈或者停在线圈上面时，就会引起线圈电感量的变化，根据对线圈电感量的变化量采集得到的数据进行计算，得到交通流参数。
4.可见，现有技术中，人工调查法的成本高昂、效率较低，难以应用于对交通流参数的大规模调查场景，且依赖于调查人员的专业素质从而导致数据的准确性难以保证；线圈检测法的硬件和施工成本较高。


技术实现要素：

5.为了解决上述技术问题，本发明实施例提出了一种路网交通流参数估算方法及设备，通过将获取到的路网研究范围内的路网图像输入至卷积神经网络模型，输出得到路网车辆检测结果，并根据路网车辆检测结果计算得到路网交通流参数，从而实现更高效且成本更低的交通流参数估算。
6.为了实现上述目的，本发明实施例提供了一种路网交通流参数估算方法，包括：
7.获取基础资料数据；其中，所述基础资料数据包括若干个路段的边界；
8.根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像；
9.将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果；
10.根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数。
11.进一步的，所述根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像，具体包括：从所述基础资料数据中读取得到所述边界的坐标；针对每一路段，根据对应的边界拓展得到矩形，并获取所述矩形的端点坐标；根据所述端点坐标选取得到最小横坐标、最大横坐标、最小纵坐标和最大纵坐标，并以所述最小横坐标、最大横坐标、最小纵坐标和最大纵坐标作为所述路网研究范围的四个端点的坐标；采用飞行器获取所述路网研究范围内的路网图像。
12.更进一步的，所述采用飞行器获取所述路网研究范围内的路网图像，具体包括：根据预设的划分策略对所述路网研究范围进行划分，得到多个采样网格；根据所述采样网格
中质心的坐标进行路径规划，使得飞行器根据规划得到的路径在各个所述采样网格内执行图像采样操作，得到与各个所述采样网格对应的各个网格图像，将所有网格图像组成所述路网图像。
13.更进一步的，所述根据预设的划分策略对所述路网研究范围进行划分，得到多个采样网格，具体包括：获取飞行器的有效视距宽度，并根据所述有效视距宽度，计算得到间距；根据路网研究范围的四个端点的坐标和所述间距进行划分，得到多个采样网格。
14.进一步的，所述将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果，具体包括：将所述路网图像输入至所述卷积神经网络模型中的主干网络，得到所述主干网络输出的若干个拾取框属性；其中，所述主干网络包括卷积层、组归一化层和mish激活函数，所述拾取框属性包括拾取框编码、拾取框中心点坐标、拾取框长度、拾取框宽度和拾取框置信度；针对每一拾取框属性，判断对应的拾取框置信度是否大于预设的置信度阈值时，若是，则：判定与这一拾取框属性对应的拾取物为车辆，并根据这一拾取框属性中的拾取框长度和拾取框宽度，计算得到所述车辆的车型；将所有计算得到的车型输出为所述路网车辆检测结果。
15.更进一步的，所述将所述路网图像输入至所述卷积神经网络模型中的主干网络，得到所述主干网络输出的若干个拾取框属性，具体包括：将具备三个通道的路网图像输入至所述主干网络，得到所述主干网络输出的与三个通道对应的三种维度的特征张量；根据维度从大到小的规则，对所述特征张量进行排序，得到第一特征张量、第二特征张量和第三特征张量；对所述第三特征张量执行反卷积操作，并将操作后的第三特征张量与所述第二特征张量进行连接，得到新的第二特征张量；对新的第二特征张量执行反卷积操作，并将操作后的第二特征张量与所述第一特征张量进行连接，得到新的第一特征张量；对新的第一特征张量执行卷积操作，得到所述拾取框属性。
16.更进一步的，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据对应的边界计算得到路段长度，根据这一路段内判定为车辆的拾取物的数量、预设的标准车系数和所述车型，计算得到标准车数量，并根据所述标准车数量和所述路段长度，计算得到这一路段的路段平均车辆密度；将计算得到的所有路段的路段平均车辆密度进行合并，得到所述路网交通流参数中的路网平均车辆密度。
17.更进一步的，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据所述拾取框属性中的拾取框编码和拾取框中心点坐标，计算得到对应的路段区间速度；将计算得到的所有路段的路段区间速度进行合并，得到所述路网交通流参数中的路网区间速度。
18.更进一步的，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据对应的路段平均车辆密度和路段区间速度，通过预设的流密速公式计算得到对应的路段平均流量；其中，所述流密速公式为路段平均流量等于路段平均车辆密度乘以路段区间速度；将计算得到的所有路段的路段平均流量进行合并，得到所述路网交通流参数中的路网平均流量。
19.本发明实施例还提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实
现上述任一项所述的路网交通流参数估算方法的步骤。
20.综上，本发明具有以下有益效果：
21.采用本发明实施例，通过获取基础资料数据；其中，所述基础资料数据包括若干个路段的边界；根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像；将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果；根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数；特别地，对所述路网研究范围进行划分后，得到多个采样网格，并根据所述采样网格进行路径规划，使得飞行器沿着规划得到的路径进行图像采样，得到的网格图像组成路网图像。本发明实施例能够快速实现车辆的车型和位置的识别，从而快速计算得到路段平均车辆密度、路段区间速度和路段平均流量，能够以更低的成本高效、灵活地实现大规模路网全天分时交通运行参数的获取。
附图说明
22.图1是本发明提供的一种路网交通流参数估算方法的一个实施例的流程示意图。
具体实施方式
23.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作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。
24.参见图1，是本发明提供的路网交通流参数估算方法的一个实施例的流程示意图，该方法包括步骤s1至s4，具体如下：
25.s1，获取基础资料数据；其中，所述基础资料数据包括若干个路段的边界；
26.示例性的，所述基础资料数据包括若干个路段的边界及边界的坐标。
27.示例性的，所述基础资料数据包括用于获取路网图像的飞行器的相关飞行器参数、飞行器管理要求、分析精度需求、飞行器有效航拍高度和与有效航拍高度对应的有效视距宽度。
28.s2，根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像；
29.优选地，所述根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像，具体包括：从所述基础资料数据中读取得到所述边界的坐标；针对每一路段，根据对应的边界拓展得到矩形，并获取所述矩形的端点坐标；根据所述端点坐标选取得到最小横坐标、最大横坐标、最小纵坐标和最大纵坐标，并以所述最小横坐标、最大横坐标、最小纵坐标和最大纵坐标作为所述路网研究范围的四个端点的坐标；采用飞行器获取所述路网研究范围内的路网图像。
30.具体的，拓展得到的矩形为能够覆盖对应的边界的面积最小的矩形。
31.具体的，对于每一路段均分别获取对应的一个矩形，每一矩形拥有四个端点坐标，从所有矩形的端点坐标中选取得到横坐标和纵坐标的最值，以上述最值作为路网研究范围的四个端点的坐标，其中，路网研究范围为矩形。
32.作为上述方案的进一步改进，所述采用飞行器获取所述路网研究范围内的路网图像，具体包括：根据预设的划分策略对所述路网研究范围进行划分，得到多个采样网格；根据所述采样网格中质心的坐标进行路径规划，使得飞行器根据规划得到的路径在各个所述采样网格内执行图像采样操作，得到与各个所述采样网格对应的各个网格图像，将所有网格图像组成所述路网图像。
33.作为上述方案的进一步改进，所述根据预设的划分策略对所述路网研究范围进行划分，得到多个采样网格，具体包括：获取飞行器的有效视距宽度，并根据所述有效视距宽度，计算得到间距；根据路网研究范围的四个端点的坐标和所述间距进行划分，得到多个采样网格。
34.示例性的，将本次研究范围划分为a*b个采样网格：
[0035][0036][0037]
其中，w为有效视距宽度，x
min
为路网研究范围的最小横坐标，x
max
为路网研究范围的最大横坐标，y
min
为路网研究范围的最小纵坐标，y
max
为路网研究范围的最大纵坐标；
[0038]
以各采样网格中的质心为采样点，可实现对网格内的网格图像的采集，其中，第n*m采样网格的质心(x
c，n
，y
c，m
)可表示为：
[0039][0040][0041]
s3，将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果；
[0042]
优选地，所述将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果，具体包括：将所述路网图像输入至所述卷积神经网络模型中的主干网络，得到所述主干网络输出的若干个拾取框属性；其中，所述主干网络包括卷积层、组归一化层和mish激活函数，所述拾取框属性包括拾取框编码、拾取框中心点坐标、拾取框长度、拾取框宽度和拾取框置信度；针对每一拾取框属性，判断对应的拾取框置信度是否大于预设的置信度阈值时，若是，则：判定与这一拾取框属性对应的拾取物为车辆，并根据这一拾取框属性中的拾取框长度和拾取框宽度，计算得到所述车辆的车型；将所有计算得到的车型输出为所述路网车辆检测结果。
[0043]
作为上述方案的进一步改进，所述将所述路网图像输入至所述卷积神经网络模型中的主干网络，得到所述主干网络输出的若干个拾取框属性，具体包括：将具备三个通道的路网图像输入至所述主干网络，得到所述主干网络输出的与三个通道对应的三种维度的特征张量；根据维度从大到小的规则，对所述特征张量进行排序，得到第一特征张量、第二特征张量和第三特征张量；对所述第三特征张量执行反卷积操作，并将操作后的第三特征张量与所述第二特征张量进行连接，得到新的第二特征张量；对新的第二特征张量执行反卷积操作，并将操作后的第二特征张量与所述第一特征张量进行连接，得到新的第一特征张量；对新的第一特征张量执行卷积操作，得到所述拾取框属性。
[0044]
示例性的，对于输入的路网图像，构造由多层卷积块(卷积层+组归一化层+mish激活函数)组成的主干网络，实现将不同像素尺寸的3通道的图像作为输入，输出3种维度的特征张量并按照维度从大到小记为tensor1，tensor2，tensor3；将tensor3进行反卷积并输出为与tensor2维度相同的张量记为tensor
’3；将tensor
’3与tensor2连接形成新的张量tensor
2，3
；将tensor
2，3
反卷积与tensor1维度相同的张量记为tensor’2，3
，将tensor’2，3
与tensor1连接形成新的张量tensor
1，2，3
,最后将tensor
1，2，3
进行卷积输出s
×s×
9的张量记为output(s表示识别精度，由航拍影像精度和尺寸确定，9表示属性数量)，以识别到拾取框属性代替车辆属性，分别获取识拾取框编码id、拾取框中心点坐标(x
id
，y
id
)、拾取框的长h
id
与宽w
id
、拾取物为车辆的置信度c
id
，根据拾取框的长h
id
与宽w
id
，计算车型属于小型车、中型车、大型车的概率，分别表示为p
id，1
、p
id，2
、p
id，3
；以max{p
id，i
}研判车辆的车型cartype
id
。
[0045]
s4，根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数。
[0046]
作为上述方案的进一步改进，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据对应的边界计算得到路段长度，根据这一路段内判定为车辆的拾取物的数量、预设的标准车系数和所述车型，计算得到标准车数量，并根据所述标准车数量和所述路段长度，计算得到这一路段的路段平均车辆密度；将计算得到的所有路段的路段平均车辆密度进行合并，得到所述路网交通流参数中的路网平均车辆密度。
[0047]
示例性的，获取任意路段n所对应拓展得到的矩形的四个端点的坐标，记[(x
1,n
，y
1,n
)，(x
2,n
，y
2,n
)，(x
3,n
，y
3,n
)，(x
4,n
，y
4,n
)]为这一矩形，则路段长度ln(单位：m)为：
[0048][0049]
再对采样得到的g张路网图像，获取路网图像中位于路段n的被判定为车辆的拾取物的数量和相应计算得到的车型。对于其中第g张路网图像，统计得到路段n上车型为小型车、中型车和大型车的数量，分别表示为和(单位均为：辆)，根据标准车系数，计算得到路网图像g中路段n上的标准车数量c
n，g
(单位：pcu)，计算公式如下所示：
[0050][0051]
再对全部g张路网图像，计算得到路段n的标准车辆数平均值，得到路段n的路段平均车辆密度(单位：辆/km)，有
[0052][0053]
作为上述方案的进一步改进，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据所述拾取框属性中的拾取框编码和拾取框中心点坐标，计算得到对应的路段区间速度；将计算得到的所有路段的路段区间速度进行合并，得到所述路网交通流参数中的路网区间速度。
[0054]
示例性的，对采样得到的g张路网图像获取路段n上的每台车辆的坐标，其中第g张路网图像，拾取框编号为id的车辆的坐标记为(x
g，id
，y
g，id
)，车辆平均移动的距离记为d
id
,
计算公式如下所示：
[0055][0056]
以平均时间车速表示路段n的路段区间速度(单位：km/h)，有
[0057][0058]
作为上述方案的进一步改进，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据对应的路段平均车辆密度和路段区间速度，通过预设的流密速公式计算得到对应的路段平均流量；其中，所述流密速公式为路段平均流量等于路段平均车辆密度乘以路段区间速度；将计算得到的所有路段的路段平均流量进行合并，得到所述路网交通流参数中的路网平均流量。
[0059]
示例性的，分别计算得到路段平均车辆密度(单位：pcu/km)和路段区间速度(单位：km/h)，根据流密速公式，得到路段n的路段平均流量(单位：pcu/h),有
[0060][0061]
本发明实施例还提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的路网交通流参数估算方法的步骤。
[0062]
其中，所述处理器执行所述计算机程序时实现上述各个路网交通流参数估算方法实施例中的步骤，例如图1所示的步骤s1至s4。
[0063]
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述计算机设备中的执行过程。
[0064]
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可包括，但不仅限于，处理器、存储器。
[0065]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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，所述处理器是所述计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分。
[0066]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，
存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0067]
其中，所述计算机设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质等。
[0068]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
[0069]
综上，本发明具有以下有益效果：
[0070]
采用本发明实施例，通过获取基础资料数据；其中，所述基础资料数据包括若干个路段的边界；根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像；将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果；根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数；特别地，对所述路网研究范围进行划分后，得到多个采样网格，并根据所述采样网格进行路径规划，使得飞行器沿着规划得到的路径进行图像采样，得到的网格图像组成路网图像。本发明实施例能够快速实现车辆的车型和位置的识别，从而快速计算得到路段平均车辆密度、路段区间速度和路段平均流量，能够以更低的成本高效、灵活地实现大规模路网全天分时交通运行参数的获取。
[0071]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

技术特征：
1.一种路网交通流参数估算方法，其特征在于，包括：获取基础资料数据；其中，所述基础资料数据包括若干个路段的边界；根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像；将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果；根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数。2.如权利要求1所述的路网交通流参数估算方法，其特征在于，所述根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像，具体包括：从所述基础资料数据中读取得到所述边界的坐标；针对每一路段，根据对应的边界拓展得到矩形，并获取所述矩形的端点坐标；根据所述端点坐标选取得到最小横坐标、最大横坐标、最小纵坐标和最大纵坐标，并以所述最小横坐标、最大横坐标、最小纵坐标和最大纵坐标作为所述路网研究范围的四个端点的坐标；采用飞行器获取所述路网研究范围内的路网图像。3.如权利要求2所述的路网交通流参数估算方法，其特征在于，所述采用飞行器获取所述路网研究范围内的路网图像，具体包括：根据预设的划分策略对所述路网研究范围进行划分，得到多个采样网格；根据所述采样网格中质心的坐标进行路径规划，使得飞行器根据规划得到的路径在各个所述采样网格内执行图像采样操作，得到与各个所述采样网格对应的各个网格图像，将所有网格图像组成所述路网图像。4.如权利要求3所述的路网交通流参数估算方法，其特征在于，所述根据预设的划分策略对所述路网研究范围进行划分，得到多个采样网格，具体包括：获取飞行器的有效视距宽度，并根据所述有效视距宽度，计算得到间距；根据路网研究范围的四个端点的坐标和所述间距进行划分，得到多个采样网格。5.如权利要求1所述的路网交通流参数估算方法，其特征在于，所述将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果，具体包括：将所述路网图像输入至所述卷积神经网络模型中的主干网络，得到所述主干网络输出的若干个拾取框属性；其中，所述主干网络包括卷积层、组归一化层和mish激活函数，所述拾取框属性包括拾取框编码、拾取框中心点坐标、拾取框长度、拾取框宽度和拾取框置信度；针对每一拾取框属性，判断对应的拾取框置信度是否大于预设的置信度阈值时，若是，则：判定与这一拾取框属性对应的拾取物为车辆，并根据这一拾取框属性中的拾取框长度和拾取框宽度，计算得到所述车辆的车型；将所有计算得到的车型输出为所述路网车辆检测结果。6.如权利要求5所述的路网交通流参数估算方法，其特征在于，所述将所述路网图像输入至所述卷积神经网络模型中的主干网络，得到所述主干网络输出的若干个拾取框属性，具体包括：将具备三个通道的路网图像输入至所述主干网络，得到所述主干网络输出的与三个通
道对应的三种维度的特征张量；根据维度从大到小的规则，对所述特征张量进行排序，得到第一特征张量、第二特征张量和第三特征张量；对所述第三特征张量执行反卷积操作，并将操作后的第三特征张量与所述第二特征张量进行连接，得到新的第二特征张量；对新的第二特征张量执行反卷积操作，并将操作后的第二特征张量与所述第一特征张量进行连接，得到新的第一特征张量；对新的第一特征张量执行卷积操作，得到所述拾取框属性。7.如权利要求5所述的路网交通流参数估算方法，其特征在于，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据对应的边界计算得到路段长度，根据这一路段内判定为车辆的拾取物的数量、预设的标准车系数和所述车型，计算得到标准车数量，并根据所述标准车数量和所述路段长度，计算得到这一路段的路段平均车辆密度；将计算得到的所有路段的路段平均车辆密度进行合并，得到所述路网交通流参数中的路网平均车辆密度。8.如权利要求7所述的路网交通流参数估算方法，其特征在于，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据所述拾取框属性中的拾取框编码和拾取框中心点坐标，计算得到对应的路段区间速度；将计算得到的所有路段的路段区间速度进行合并，得到所述路网交通流参数中的路网区间速度。9.如权利要求8所述的路网交通流参数估算方法，其特征在于，所述根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数，具体包括：针对每一路段，根据对应的路段平均车辆密度和路段区间速度，通过预设的流密速公式计算得到对应的路段平均流量；其中，所述流密速公式为路段平均流量等于路段平均车辆密度乘以路段区间速度；将计算得到的所有路段的路段平均流量进行合并，得到所述路网交通流参数中的路网平均流量。10.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9任一项所述的路网交通流参数估算方法。

技术总结
本发明公开了一种路网交通流参数估算方法及设备，所述方法包括：获取基础资料数据；其中，所述基础资料数据包括若干个路段的边界；根据所有路段的边界确定路网研究范围，并获取所述路网研究范围内的路网图像；将所述路网图像输入至预设的卷积神经网络模型，得到所述卷积神经网络模型输出的路网车辆检测结果；根据所述路网车辆检测结果，计算得到所述路网研究范围内的路网交通流参数。本发明实施例能够快速实现车辆的车型和位置的识别，从而快速计算得到路段平均车辆密度、路段区间速度和路段平均流量，能够以更低的成本高效、灵活地实现大规模路网全天分时交通运行参数的获取。规模路网全天分时交通运行参数的获取。规模路网全天分时交通运行参数的获取。


技术研发人员：周茂松 吕明 张晓明 李鑫 王嘉祺 黄达鑫
受保护的技术使用者：广州市城市规划勘测设计研究院
技术研发日：2023.03.14
技术公布日：2023/6/28