1.本技术涉及城市交通管理技术领域，尤其涉及一种识别交通高峰期的方法、电子设备及存储介质。
背景技术：2.缓解城市通勤拥堵是重大民生需求，因此针对工作日的早晚高峰交通管控是城市交通管理日常工作的重点，也是衡量城市交通管理工作的重要依据。城市运行监测分析平台在早晚高峰时期协助指挥长关注通勤干道运行情况，当全市的车流量稳步上升，并使城市交通压力骤增时，系统提醒指挥长早晚高峰即将来临，可切换至早晚高峰模式，关注通勤干道运行情况，然后通过路面交通指挥人员执勤、指挥中心远程信号、诱导干预的方式进行处理异常事件，以此缓解早晚高峰通勤交通的压力，从而可以提升路网通行效率和智能管控水平，并可以改善出行品质，提升通勤幸福感。
3.然而，现有技术在识别城市交通早晚高峰时，所考虑的用于识别早晚高峰的数据因素存在缺失，比如仅是采用某一数据因素，而未考虑其它关键的数据因素，因此会导致针对交通路段的早晚高峰识别的准确性较低。
4.综上，目前亟需一种识别交通高峰期的方法，用以实现针对识别区域内各交通路段的早晚高峰进行提前精准识别，以此有效地针对各交通路段进行疏导。
技术实现要素：5.本技术示例性的实施方式中提供了一种识别交通高峰期的方法、电子设备及存储介质，用以实现针对识别区域内各交通路段的早晚高峰进行提前精准识别，以此有效地针对各交通路段进行疏导。
6.第一方面，本技术示例性的实施方式中提供了一种识别交通高峰期的方法，包括：
7.根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列；
8.基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域；
9.针对任一子区域，基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，并基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位；所述各关键采集点位关联的交通运行数据用于进行所述子区域的交通高峰期的判断；
10.其中，每个数据采集点位在任一天的车辆流量序列用于表征该数据采集点位在该天中按各设定时段采集的各车辆流量数据；数据采集点位用于指示设置在交通路段上采集车辆流量数据的交通监控设备的安装位置。
11.上述技术方案中，本技术中的技术方案通过针对识别区域内的历史车辆流量序列进行分析，以此确定该识别区域内的各子区域，并针对任一子区域内的各关键采集点位的
当前车辆流量数据进行分析，即可准确地确定子区域具体在哪个时段开始进入交通高峰期，以此可以实现针对子区域内各交通路段的交通高峰期的提前精准预警，从而可以有效地针对子区域内各交通路段进行疏导，有助于确保子区域内各交通路段的交通能够正常运行，并可以为交通拥堵的有效缓解提供有力地支持。具体来说，首先根据识别区域内各数据采集点位采集的m天的车辆流量序列，即可确定各数据采集点位的第一参考流量序列和识别区域内的第二参考流量序列，如此可通过基于各数据采集点位的第一参考流量序列与第二参考流量序列的流量距离系数，对识别区域进行区域划分，即可准确地确定出各子区域(每个子区域包括至少一个数据采集点位，该至少一个数据采集点位之间满足一定的距离关系)，那么就可以为后续有针对性地通过该子区域内的一些数据采集点位来完成针对该子区域的交通高峰期的精准判断提供有效地支持，同时通过根据识别区域内各数据采集点位所采集的真实历史数据所划分出的各子区域来完成针对识别区域的交通高峰期判断，能够更加贴合实际交通场景，更加符合实际交通状况，并以此能够完成针对识别区域的交通高峰期的提前预警，从而可以为提前发现交通拥堵以及能够及时疏导交通拥堵提供支持依据。再针对任一子区域，基于该子区域内各数据采集点位的第一参考流量序列，确定该子区域内各数据采集点位的流量变化状态，并基于该子区域内各数据采集点位的流量变化状态，即可准确地确定出该子区域对应的各关键采集点位(即子区域内对交通高峰期影响相对较大的数据采集点位)，如此通过该各关键采集点位关联的交通运行数据(比如各关键采集点位在早高峰子识别时段的车辆流量数据或各关键采集点位关联的各交通路段在晚高峰子识别时段的拥堵信息)即可准确地针对该子区域的交通高峰期进行判断，从而可以有助于减少数据计算量，并可以提高子区域的交通高峰期的识别效率。如此，该方案通过针对任一子区域中各交通路段的交通高峰期进行提前精准识别(也即是提前识别出每个交通路段的交通高峰期的进入时段)，即可及时针对可能存在交通拥堵的交通路段进行有效地疏导，从而可以有效地缓解交通拥堵。
12.在一些示例性的实施方式中，所述根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列，包括：
13.针对每个数据采集点位，在每个设定时段下，通过所述数据采集点位在属于所述m天中所述设定时段下的车辆流量数据，确定所述数据采集点位在所述设定时段下的第一参考流量值，并根据所述数据采集点位在各设定时段下的第一参考流量值，确定所述数据采集点位的第一参考流量序列；
14.在每个设定时段下，通过所述各数据采集点位在所述设定时段下的第一参考流量值，确定所述设定时段对应的第二参考流量值，并根据各设定时段对应的第二参考流量值，确定所述识别区域内的第二参考流量序列。
15.上述技术方案中，为了后续能够准确地针对识别区域进行划分以及确定各数据采集点位的流量变化状态，因此首先需要针对识别区域内各数据采集点位采集的m天的车辆流量序列进行相应地处理，以此准确地确定用于辅助划分识别区域以及确定各数据采集点位的流量变化状态的第一参考流量序列(即一个数据采集点位在m天内任一设定时段下的车辆流量数据确定该数据采集点位在该设定时段下的流量均值)、第二参考流量序列(即各数据采集点位所共同确定的在每个设定时段下的流量均值)，那么就可以将各数据采集点
位的第一参考流量序列以及识别区域的第二参考流量序列作为划分识别区域或确定流量变化状态的数据依据，以此来完成针对识别区域内各交通路段的交通高峰期的提前精准识别。
16.在一些示例性的实施方式中，基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域，包括：
17.针对每个数据采集点位，根据所述数据采集点位的第一参考流量序列以及所述识别区域内的第二参考流量序列，确定所述数据采集点位的流量距离系数，并基于所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；
18.通过各数据采集点位的流量距离系数和空间距离系数，对所述识别区域进行区域划分，确定出所述各子区域。
19.上述技术方案中，通过各数据采集点位的流量距离系数(比如流量分布距离数值)和空间距离系数(比如经纬度坐标距离值)作为划分识别区域的数据依据，也即是将各数据采集点位自身所具有的属性信息(即流量属性和空间位置属性)作为划分依据，从而针对识别区域进行划分，即可准确地将识别区域划分为各子区域。
20.在一些示例性的实施方式中，所述根据所述数据采集点位的第一参考流量序列以及所述识别区域内的第二参考流量序列，确定所述数据采集点位的流量距离系数，包括：
21.在每个设定时段下，通过所述设定时段对应的第二参考流量值以及所述数据采集点位在所述设定时段下的第一参考流量值，确定所述数据采集点位在所述设定时段下的参考流量差值；
22.通过所述数据采集点位在各设定时段下的参考流量差值，确定所述数据采集点位的流量距离系数；
23.所述基于所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数，包括：
24.根据所述各数据采集点位的二维空间坐标，确定所述识别区域内的二维空间坐标均值；
25.通过所述识别区域内的二维空间坐标均值以及所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；
26.所述通过各数据采集点位的流量距离系数和空间距离系数，对所述识别区域进行区域划分，确定出所述各子区域，包括：
27.针对每个数据采集点位，根据所述数据采集点位的流量距离系数和空间距离系数，生成所述数据采集点位的距离向量；
28.基于所述各数据采集点位的距离向量，对所述各数据采集点位进行聚类分析，将所述识别区域划分为所述各子区域。
29.上述技术方案中，在每个设定时段下，确定任一数据采集点位在该设定时段下的第一参考流量值与该设定时段对应的第二参考流量值之前的参考流量差值，如此通过该数据采集点位在各设定时段下的参考流量差值，即可准确地计算出该数据采集点位的流量距离系数，也即是确定该数据采集点位的流量属性。并通过该数据采集点位的二维空间坐标(比如经纬度坐标)以及各数据采集点位所共同确定的二维空间坐标均值(比如经度均值与纬度均值构成的二维空间坐标均值)，即可准确地计算出该数据采集点位的空间距离系数，
也即是确定该数据采集点位的空间位置属性。如此，通过将各数据采集点位自身所具有的流量属性和空间位置属性作为区域划分的数据依据，即可针对识别区域进行准确地划分，从而得到更加贴合实际交通场景的各子区域(即需要进行交通高峰期提前预警的重点子区域)，也即是更便于准确针对识别区域内的重点子区域的交通高峰期进行提前预警，从而能够更加及时有效地针对重点子区域内可能存在交通拥堵的交通路段(或者重要通勤路段)进行提前疏导，以此可以有效地缓解交通拥堵。
30.在一些示例性的实施方式中，所述基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，包括：
31.针对所述子区域内的任一数据采集点位，通过所述数据采集点位的第一参考流量序列，确定所述数据采集点位的梯度向量；所述梯度向量包括多个第一梯度值；第一梯度值用于表征所述数据采集点位在第i设定时段与第i-1设定时段之间的车辆流量变化程度；
32.根据所述多个第一梯度值，确定所述数据采集点位的流量变化系数；所述数据采集点位的流量变化系数用于表征所述数据采集点位的流量变化状态；
33.所述基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位，包括：
34.通过所述子区域内各数据采集点位采集的n天的车辆流量序列，确定所述子区域内各数据采集点位对应的流量参考值；
35.将所述子区域内各数据采集点位的流量变化系数按照从大到小的顺序进行排序，将排序位于前p个的数据采集点位作为第一候选点位，并将所述子区域内各数据采集点位对应的流量参考值按照从大到小的顺序进行排序，将排序位于前q个的数据采集点位作为第二候选点位；
36.确定p个第一候选点位与q个第二候选点位之间的t个交集点位，并将所述t个交集点位作为关键采集点位。
37.上述技术方案中，通过针对子区域内各数据采集点位的流量变化系数以及流量参考值进行综合分析，共同确定关键采集点位，那么所确定出的关键采集点位更加符合该子区域的实际交通状况，也更能够代表对于该子区域的交通高峰期判断的影响程度，也即是所确定出的关键采集点位是子区域内对交通高峰期影响相对较大的数据采集点位，同时能够确保所确定出的关键采集点位的准确性，如此通过该子区域内的至少一个关键采集点位即可针对该子区域的交通高峰期进行准确地判断，以此可减少在判断交通高峰期过程中的数据计算量。
38.在一些示例性的实施方式中，通过下述方式确定每个第一梯度值：
39.根据所述数据采集点位的第一参考流量序列，确定所述数据采集点位对应的参考流量均值；
40.确定所述数据采集点位在所述第i设定时段与所述第i-1设定时段之间的流量差值；
41.通过所述参考流量均值以及所述流量差值，确定所述第一梯度值。
42.上述技术方案中，通过数据采集点位在各任意相邻设定时段的流量变化(即多个第一梯度值)，即可准确地确定该数据采集点位在一天内的整体流量变化程度，该整体流量变化程度可反映该数据采集点位对子区域的交通高峰期判断的影响程度，从而可以为该数
据采集点位是否可作为该子区域的关键采集点位提供数据支持。
43.在一些示例性的实施方式中，交通高峰期包括早高峰；
44.通过下述方式针对子区域的早高峰进行判断：
45.设置用于识别子区域是否进入早高峰的第一识别时段，并针对所述第一识别时段内任一第一子识别时段，获取所述子区域内任一关键采集点位在所述第一子识别时段的车辆流量数据；所述第一子识别时段为第j设定时段；
46.通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段是否进入早高峰；
47.统计所述子区域内各关键采集点位中在所述第一子识别时段进入早高峰的至少一个关键采集点位的第一数量，并统计所述子区域内各关键采集点位的第二数量，以及确定所述第一数量与所述第二数量的比值；
48.若所述比值大于等于预设阈值，则确定所述子区域在所述第一子识别时段进入早高峰，若所述比值小于所述预设阈值，则确定所述子区域在所述第一子识别时段未进入早高峰。
49.上述技术方案中，在针对子区域进行早高峰判断时，首先判断该子区域内每个关键采集点位在当前子识别时段(即属于早高峰识别的第一识别时段内的某一子识别时段)是否进入早高峰，并在针对各关键采集点位判断完成后，统计各关键采集点位中在该当前子识别时段进入早高峰的至少一个关键采集点位的第一数量，在该第一数量与各关键采集点位的总数量(即第二数量)的比值大于等于预设阈值时，即可准确地确定该子区域在当前子识别时段进入早高峰，那么就可以针对该子区域进行提前布设早高峰执勤岗，以便为确保该子区域的交通能够正常运行提供有效地保障，否则确定该子区域在该当前子识别时段未进入早高峰。
50.在一些示例性的实施方式中，所述通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段是否进入早高峰，包括：
51.根据所述关键采集点位在位于所述第一子识别时段之前的最近一天的车辆流量序列，确定所述关键采集点位对应的车辆流量均值；
52.通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段对应的第二梯度值和第三梯度值；第二梯度值用于表征所述关键采集点位在第j设定时段与第j-1设定时段之间的车辆流量变化程度；第三梯度值用于表征所述关键采集点位在第j设定时段与第j-2设定时段之间的车辆流量变化程度；
53.若所述关键采集点位在所述第一子识别时段的车辆流量数据大于等于所述车辆流量均值，且所述第二梯度值大于等于第一梯度阈值，且所述第三梯度值大于等于第二梯度阈值，则确定所述关键采集点位在所述第一子识别时段进入早高峰，否则确定所述关键采集点位在所述第一子识别时段未进入早高峰。
54.上述技术方案中，针对子区域内的任一关键采集点位，通过计算该关键采集点位在当前子识别时段的第二梯度值、第三梯度值，并结合该关键采集点位在当前子识别时段的车辆流量数据进行综合判断，才能准确地判断该关键采集点位在当前子识别时段是否进入早高峰，也即是需要同时满足第二梯度值大于等于第一梯度阈值、第三梯度值大于等于第二梯度阈值，以及在当前子识别时段的车辆流量数据大于等于车辆流量均值这三个条
件，才能确定该关键采集点位在当前子识别时段进入早高峰。
55.在一些示例性的实施方式中，交通高峰期包括晚高峰；
56.通过下述方式针对子区域的晚高峰进行判断：
57.通过所述子区域对应的各关键采集点位，确定在所述子区域内所述各关键采集点位关联的各交通路段，并设置用于识别子区域是否进入晚高峰的第二识别时段；
58.针对所述第二识别时段内任一第二子识别时段，获取每个交通路段在所述第二子识别时段的拥堵信息，并按照拥堵信息转换规则，将所述交通路段在所述第二子识别时段的拥堵信息转换为对应的拥堵数值；
59.根据所述各交通路段各自在所述第二子识别时段对应的拥堵数值，确定所述子区域在所述第二子识别时段对应的拥堵均值；
60.若所述拥堵均值大于等于拥堵阈值，则确定所述子区域在所述第二子识别时段进入晚高峰，若所述拥堵均值小于所述拥堵阈值，则确定所述子区域在所述第二子识别时段未进入晚高峰。
61.上述技术方案中，在针对子区域进行晚高峰判断时，首先确定出该子区域内各关键采集点位所关联的各交通路段，并获取该各交通路段在当前子识别时段(即属于晚高峰识别的第二识别时段内的某一子识别时段)的拥堵信息，通过各交通路段在当前子识别时段的拥堵信息进行综合分析，即可准确地判断该子区域在当前子识别时段是否进入晚高峰，那么就可以针对该子区域进行提前布设晚高峰执勤岗，以便为确保该子区域的交通能够正常运行提供有效地保障，否则确定该子区域在该当前子识别时段未进入晚高峰。
62.第二方面，本技术示例性的实施方式中提供了一种电子设备，包括处理器和存储器，所述处理器和所述存储器相连，所述存储器存储有计算机程序，当所述存储器中存储的所述计算机程序被所述处理器执行时，使得所述电子设备执行：根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列；基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域；针对任一子区域，基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，并基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位；所述各关键采集点位关联的交通运行数据用于进行所述子区域的交通高峰期的判断；其中，每个数据采集点位在任一天的车辆流量序列用于表征该数据采集点位在该天中按各设定时段采集的各车辆流量数据；数据采集点位用于指示设置在交通路段上采集车辆流量数据的交通监控设备的安装位置。
63.在一些示例性的实施方式中，所述电子设备具体用于执行：
64.针对每个数据采集点位，在每个设定时段下，通过所述数据采集点位在属于所述m天中所述设定时段下的车辆流量数据，确定所述数据采集点位在所述设定时段下的第一参考流量值，并根据所述数据采集点位在各设定时段下的第一参考流量值，确定所述数据采集点位的第一参考流量序列；
65.在每个设定时段下，通过所述各数据采集点位在所述设定时段下的第一参考流量值，确定所述设定时段对应的第二参考流量值，并根据各设定时段对应的第二参考流量值，确定所述识别区域内的第二参考流量序列。
66.在一些示例性的实施方式中，所述电子设备具体用于执行：
67.针对每个数据采集点位，根据所述数据采集点位的第一参考流量序列以及所述识别区域内的第二参考流量序列，确定所述数据采集点位的流量距离系数，并基于所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；
68.通过各数据采集点位的流量距离系数和空间距离系数，对所述识别区域进行区域划分，确定出所述各子区域。
69.在一些示例性的实施方式中，所述电子设备具体用于执行：
70.在每个设定时段下，通过所述设定时段对应的第二参考流量值以及所述数据采集点位在所述设定时段下的第一参考流量值，确定所述数据采集点位在所述设定时段下的参考流量差值；
71.通过所述数据采集点位在各设定时段下的参考流量差值，确定所述数据采集点位的流量距离系数；
72.所述电子设备具体用于执行：
73.根据所述各数据采集点位的二维空间坐标，确定所述识别区域内的二维空间坐标均值；
74.通过所述识别区域内的二维空间坐标均值以及所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；
75.所述电子设备具体用于执行：
76.针对每个数据采集点位，根据所述数据采集点位的流量距离系数和空间距离系数，生成所述数据采集点位的距离向量；
77.基于所述各数据采集点位的距离向量，对所述各数据采集点位进行聚类分析，将所述识别区域划分为所述各子区域。
78.在一些示例性的实施方式中，所述电子设备具体用于执行：
79.针对所述子区域内的任一数据采集点位，通过所述数据采集点位的第一参考流量序列，确定所述数据采集点位的梯度向量；所述梯度向量包括多个第一梯度值；第一梯度值用于表征所述数据采集点位在第i设定时段与第i-1设定时段之间的车辆流量变化程度；
80.根据所述多个第一梯度值，确定所述数据采集点位的流量变化系数；所述数据采集点位的流量变化系数用于表征所述数据采集点位的流量变化状态；
81.所述电子设备具体用于执行：
82.通过所述子区域内各数据采集点位采集的n天的车辆流量序列，确定所述子区域内各数据采集点位对应的流量参考值；
83.将所述子区域内各数据采集点位的流量变化系数按照从大到小的顺序进行排序，将排序位于前p个的数据采集点位作为第一候选点位，并将所述子区域内各数据采集点位对应的流量参考值按照从大到小的顺序进行排序，将排序位于前q个的数据采集点位作为第二候选点位；
84.确定p个第一候选点位与q个第二候选点位之间的t个交集点位，并将所述t个交集点位作为关键采集点位。
85.在一些示例性的实施方式中，所述电子设备具体用于执行：
86.根据所述数据采集点位的第一参考流量序列，确定所述数据采集点位对应的参考
流量均值；
87.确定所述数据采集点位在所述第i设定时段与所述第i-1设定时段之间的流量差值；
88.通过所述参考流量均值以及所述流量差值，确定所述第一梯度值。
89.在一些示例性的实施方式中，交通高峰期包括早高峰；
90.所述电子设备具体用于执行：
91.设置用于识别子区域是否进入早高峰的第一识别时段，并针对所述第一识别时段内任一第一子识别时段，获取所述子区域内任一关键采集点位在所述第一子识别时段的车辆流量数据；所述第一子识别时段为第j设定时段；
92.通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段是否进入早高峰；
93.统计所述子区域内各关键采集点位中在所述第一子识别时段进入早高峰的至少一个关键采集点位的第一数量，并统计所述子区域内各关键采集点位的第二数量，以及确定所述第一数量与所述第二数量的比值；
94.若所述比值大于等于预设阈值，则确定所述子区域在所述第一子识别时段进入早高峰，若所述比值小于所述预设阈值，则确定所述子区域在所述第一子识别时段未进入早高峰。
95.在一些示例性的实施方式中，所述电子设备具体用于执行：
96.根据所述关键采集点位在位于所述第一子识别时段之前的最近一天的车辆流量序列，确定所述关键采集点位对应的车辆流量均值；
97.通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段对应的第二梯度值和第三梯度值；第二梯度值用于表征所述关键采集点位在第j设定时段与第j-1设定时段之间的车辆流量变化程度；第三梯度值用于表征所述关键采集点位在第j设定时段与第j-2设定时段之间的车辆流量变化程度；
98.若所述关键采集点位在所述第一子识别时段的车辆流量数据大于等于所述车辆流量均值，且所述第二梯度值大于等于第一梯度阈值，且所述第三梯度值大于等于第二梯度阈值，则确定所述关键采集点位在所述第一子识别时段进入早高峰，否则确定所述关键采集点位在所述第一子识别时段未进入早高峰。
99.在一些示例性的实施方式中，交通高峰期包括晚高峰；
100.所述电子设备具体用于执行：
101.通过所述子区域对应的各关键采集点位，确定在所述子区域内所述各关键采集点位关联的各交通路段，并设置用于识别子区域是否进入晚高峰的第二识别时段；
102.针对所述第二识别时段内任一第二子识别时段，获取每个交通路段在所述第二子识别时段的拥堵信息，并按照拥堵信息转换规则，将所述交通路段在所述第二子识别时段的拥堵信息转换为对应的拥堵数值；
103.根据所述各交通路段各自在所述第二子识别时段对应的拥堵数值，确定所述子区域在所述第二子识别时段对应的拥堵均值；
104.若所述拥堵均值大于等于拥堵阈值，则确定所述子区域在所述第二子识别时段进入晚高峰，若所述拥堵均值小于所述拥堵阈值，则确定所述子区域在所述第二子识别时段
未进入晚高峰。
105.第三方面，本技术实施例提供一种计算机可读存储介质，其存储有可由计算设备执行的计算机程序，当所述程序在所述计算设备上运行时，使得所述计算设备执行上述第一方面任意所述的识别交通高峰期的方法。
附图说明
106.为了更清楚地说明本技术的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域的普通技术人员来讲，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的附图。
107.图1为本技术一些实施例提供的一种识别交通高峰期的方法的流程示意图；
108.图2为本技术一些实施例提供的一种电子设备的结构示意图。
具体实施方式
109.为了使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术作进一步地详细描述，显然，所描述的实施例仅仅是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，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它实施例，都属于本技术保护的范围。
110.图1示例性的示出了本技术实施例提供的一种识别交通高峰期的方法的流程，该流程可以由电子设备执行。其中，电子设备可以是服务器或者也可以是能够支持服务器实现该方法所需的功能的部件(比如芯片或集成电路)等，当然也可以是其它具有实现该方法所需的功能的设备，比如交通管理平台。
111.如图1所示，该流程具体包括：
112.步骤101，根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列。
113.本技术实施例中，为了后续能够准确地针对识别区域进行划分以及确定各数据采集点位的流量变化状态，因此首先需要针对识别区域内各数据采集点位采集的m天的车辆流量序列进行相应地处理，以此准确地确定用于辅助划分识别区域以及确定各数据采集点位的流量变化状态的第一参考流量序列(即一个数据采集点位在m天内任一设定时段下的车辆流量数据确定该数据采集点位在该设定时段下的流量均值)、第二参考流量序列(即各数据采集点位所共同确定的在每个设定时段下的流量均值)。其中，m为大于1的整数；每个数据采集点位在任一天的车辆流量序列用于表征该数据采集点位在该天中按各设定时段采集的各车辆流量数据；数据采集点位用于指示设置在交通路段上采集车辆流量数据的交通监控设备的安装位置。具体地，针对任一识别区域(比如某一城市或者某一区县)，通常为了及时监控交通路段的车辆流量情况(或者交通拥堵情况)，会在各交通路段设置交通监控设备(比如卡口设备或电子警察设备等)，以此采集经过该交通路段的过车数据，并通过处理过车数据，为了便于后续数据处理方便，也为了减少后续的数据处理量，通常会将一个交通监控设备(即数据采集点位)在一个设定时段内的各过车数据进行统计处理，即可获取每个交通监控设备在每个设定时段下的车辆流量数据，比如，过车数据可以包括过车信息和车辆特征。例如过车信息可以包括车辆通过卡口设备或电子警察设备的过车时间、行车方
向等，车辆特征可以包括车牌号码、车辆颜色、车辆类型等。那么首先会获取该识别区域内各采集点位(比如i1、i2、i3、
…
、in)采集的m天的车辆流量序列，也即是获取各数据采集点位在m天内各设定时段下的车辆流量数据。其中，由于交通监控设备可以实时采集交通路段的过车数据，因此为了后续计算方便，在处理过车数据时，首先针对交通监控设备针对所在交通路段所采集的各过车数据进行过滤清洗，然后将过滤清洗后的各过车数据按照多个设定时段进行统计处理，比如，一天的时间是从零点到二十四点，按照每间隔15分钟为一个设定时段，可以将一天的时间划分为96个设定时段。或者，可以按照每间隔20分钟为一个设定时段，将一天的时间划分为72个设定时段。具体可以根据实际应用场景进行设定时段的设置，本技术实施例对此并不作限定。如此，可以将交通监控设备在一天内所实时采集的各过车数据按照所确定出的各设定时段进行统计处理，从而得到该交通监控设备在各设定时段对应的车辆流量数据。例如，某一交通监控设备每5秒或每10秒等进行采集所在交通路段的过车数据，假设按照每间隔15分钟为一个设定时段针对该交通监控设备在一天内采集的所在交通路段的过车数据进行统计处理，那么就可以将该交通监控设备从零点开始的15分钟内的过车数据(即0:00-0:15区间内的过车数据)进行统计处理，以此类推(即0:15-0:30、0:30-0:45、
…
)，直至到24:00为止。比如将该15分钟内每5秒采集的各车辆数量进行加和，加和后的车辆数量即可作为该15分钟对应的车辆流量数据，或者也可以换算为每分钟多少车辆数，换算后的数值也可以作为该15分钟对应的车辆流量数据，如此可以减少后续的数据处理量，并且能够减少数据误差。当然，本领域技术人员应当理解，交通监控设备也可以按照预先设置的设定时段进行采集所在交通路段的过车数据，比如，某一交通监控设备可以按照每间隔5分钟、每间隔10分钟、每间隔15分钟或每间隔20分钟等进行采集所在交通路段的过车数据。
114.然后，在获取识别区域内各数据采集点位在m天内(比如5天、7天或10天等)各设定时段下的车辆流量数据后，即可针对每个数据采集点位，对该数据采集点位在m天内属于同一设定时段的车辆流量数据进行统计处理，也即是针对该数据采集点位在m天内属于同一设定时段的车辆流量数据进行加和求平均值处理，以此即可得到该数据采集点位在各设定时段下的第一参考流量值，从而通过该数据采集点位在各设定时段下的第一参考量值，构造出该数据采集点位的第一参考流量序列。比如，以数据采集点位i1为例，假设该数据采集点位i1是按照每间隔15分钟为一个设定时段进行统计车辆流量数据的，那么该数据采集点位i1就可以统计出96个设定时段对应的车辆流量数据，即96个设定时段对应的车辆流量数据为c
11
、c
21
、c
31
、
…
、c
961
，并假设获取的是该数据采集点位在5天内各设定时段下的车辆流量数据，那么在第一个设定时段下的第一参考流量值为q
1i1
＝(c
11
+c
12
+c
13
+c
14
+c
15
)/5，在第二个设定时段下的第一参考流量值为q
2i1
(c
21
+c
22
+c
23
+c
24
+c
25
)/5，以此类推，即可计算出该数据采集点位i1分别在96个设定时段下的第一参考流量值。同时，在每个设定时段下，可以通过各数据采集点位在该设定时段下的第一参考流量值，即可确定该设定时段对应的第二参考流量值，并根据各设定时段对应的第二参考流量值，即可确定识别区域内的第二参考流量序列。例如，假设有5个数据采集点位，即数据采集点位i1、数据采集点位i2、数据采集点位i3、数据采集点位i4和数据采集点位i5，那么可以根据该5个数据采集点位各自在第一个设定时段的第一参考流量值，计算第一个设定时段对应的第二参考流量值为u1＝(q
1i1
+q
1i2
+q
1i3
+q
1i4
+q
1i5
)/5，根据该5个数据采集点位各自在第二个设定时段的第一参考流量值，
计算第二个设定时段对应的第二参考流量值为u2＝(q
2i1
+q
2i2
+q
2i3
+q
2i4
+q
2i5
)/5，以此类推，即可计算出识别区域分别在96个设定时段下的第二参考流量值。
115.步骤102，基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域。
116.本技术实施例中，在确定出各数据采集点位的第一参考流量序列以及识别区域内的第二参考流量序列后，即可针对每个数据采集点位，根据该数据采集点位的第一参考流量序列以及识别区域内的第二参考流量序列，确定该数据采集点位的流量距离系数，并基于该数据采集点位的二维空间坐标，即可确定该数据采集点位的空间距离系数。然后，通过各数据采集点位的流量距离系数和空间距离系数，即可针对识别区域进行区域划分，从而准确地确定出各子区域。其中，每个子区域包括至少一个数据采集点位。
117.其中，在每个设定时段下，通过该设定时段对应的第二参考流量值以及该数据采集点位在该设定时段下的第一参考流量值，即可确定该数据采集点位在该设定时段下的参考流量差值。如此通过该数据采集点位在各设定时段下的参考流量差值，即可准确地计算出该数据采集点位的流量距离系数，也即是确定该数据采集点位所具有的流量属性。示例性地，假设有3个数据采集点位，即数据采集点位i1、数据采集点位i2和数据采集点位i3，其中，数据采集点位i1的第一参考流量序列为[q
1i1
,q
2i1
,q
3i1
,
…
,q
96i1
]，数据采集点位i2的第一参考流量序列为[q
1i2
,q
2i2
,q
3i2
,
…
,q
96i2
]，数据采集点位i3的第一参考流量序列为[q
1i3
,q
2i3
,q
3i3
,
…
,q
96i3
]。通过该3个数据采集点位各自的第一参考流量序列，可以计算出识别区域内的第二参考流量序列为[u1,u2,u3,
…
,u96]。其中，第二参考流量序列中每个第二参考流量值是通过下述方式计算的，即：
[0118][0119]
再者，针对任一数据采集点位ij，可通过下述方式确定该数据采集点位ij的流量距离系数e
ij
，即：
[0120][0121]
或者上述公式可以变换为：
[0122][0123]
其中，上述公式中的设定时段数量是可以根据具体实际需求所确定出的设定时段数量进行调整的，比如确定出的设定时段数量为72，则上述公式可以变换为：
[0124][0125]
或者上述公式可以变换为：
[0126][0127]
此外，根据各数据采集点位的二维空间坐标，确定识别区域内的二维空间坐标均值，并通过识别区域内的二维空间坐标均值以及该数据采集点位的二维空间坐标，即可确定该数据采集点位的空间距离系数，也即是确定该数据采集点位的空间位置属性。比如，针
对任一数据采集点位ij，可以获取该数据采集点位ij的二维空间坐标，即ij(longitudeij,latitudeij)，longitude用于表示该数据采集点位ij的经度，latitude用于表示该数据采集点位ij的纬度。如此可以通过下述方式计算出该数据采集点位ij的空间距离系数s
ij
，即：
[0128][0129]
或者上述公式可以变换为：
[0130][0131]
其中，表示各数据采集点位的平均经度坐标，表示各数据采集点位的平均纬度坐标。
[0132]
然后，针对每个数据采集点位，根据该数据采集点位的流量距离系数和空间距离系数，即可生成该数据采集点位的距离向量，并基于各数据采集点位的距离向量，对各数据采集点位进行聚类分析，即可将识别区域划分为各子区域。示例性地，针对数据采集点位ij，根据该数据采集点位ij的流量距离系数e
ij
以及空间距离系数s
ij
，即可生成混合距离向量，即二维向量d
ij
[e
ij
,s
ij
]，如此即可获得全部数据采集点位的混合距离向量{d
i1
,d
i2
,
…
,d
in
}。基于此，进一步计算两个数据采集点位(比如d
i1
和d
i2
)的混合距离d，作为其关联性分析的依据，计算混合距离d的公式为：
[0133][0134]
其中，∑是n维混合距离向量{d
i1
,d
i2
,
…
,d
in
}的协方差矩阵。
[0135]
最后，可以基于全部数据采集点位中任意两个数据采集点位的混合距离d，并通过利用聚类算法(比如k均值聚类算法、基于密度的聚类方法等)对全部数据采集点位进行聚类，即可根据聚类结果将同一类别的数据采集点位划入一个子区域，从而形成多个子区域(也即重点子区域)，比如利用k均值聚类算法，聚类个数k可以根据实际应用场景或本领域技术人员经验进行设置，一般设置k为4,5,6等。
[0136]
步骤103，针对任一子区域，基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，并基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位。
[0137]
本技术实施例中，对于任一子区域，针对该子区域内的任一数据采集点位，可以通过该数据采集点位的第一参考流量序列，即可确定该数据采集点位的梯度向量，其中，梯度向量可以包括多个第一梯度值；第一梯度值用于表征该数据采集点位在第i设定时段与第i-1设定时段之间的车辆流量变化程度。然后，根据多个第一梯度值，即可确定该数据采集点位的流量变化系数；其中，该数据采集点位的流量变化系数用于表征该数据采集点位的流量变化状态。
[0138]
其中，根据该数据采集点位的第一参考流量序列，即可确定该数据采集点位对应的参考流量均值，并确定该数据采集点位在第i设定时段与第i-1设定时段之间的流量差值。然后，通过参考流量均值以及流量差值，即可准确地确定第一梯度值。
[0139]
示例性地，针对某一子区域内的任一数据采集点位ik，计算出该数据采集点位ik
的梯度向量[g
1ik
,g
2ik
,
…
,g
96ik
]，其中，g
1ik
＝0，g
2ik
,
…
,g
96ik
分别表示该数据采集点位ik在0:15-0:30、0:30-0:45、
…
、23:45-24:00与0:00-0:15、0:15-0:30、
…
、23:30-23:45之间的流量变化程度。其中，g
2ik
,
…
,g
96ik
可以按照下述方式进行计算。
[0140][0141]
其中，表示数据采集点位ik在某一个设定时段(比如第i个设定时段)对应的梯度值，i为大于1的整数，表示数据采集点位ik在相邻两个设定时段的流量差值。
[0142]
上述公式也可以变换为：
[0143][0144]
在计算出数据采集点位ik在各设定时段对应的梯度值后，即可通过该数据采集点位ik在各设定时段对应的梯度值，计算出该数据采集点位ik的流量变化系数c
ik
。具体可以通过下述方式进行计算。
[0145][0146]
同时，获取该子区域内各数据采集点位采集的n天的车辆流量序列，并通过该子区域内各数据采集点位采集的n天的车辆流量序列，即可确定该子区域内各数据采集点位对应的流量参考值。比如，获取该子区域内各数据采集点位在3天(或5天等)内的车辆流量序列，并针对每个数据采集点位，针对该数据采集点位在3天(或5天等)内的车辆流量序列进行求平均值处理，即可得到该数据采集点位在一天的车辆流量均值，或者，可以该子区域内各数据采集点位在距离识别时段最近的一天的车辆流量序列，并针对每个数据采集点位，从该数据采集点位在距离识别时段最近的一天的车辆流量序列中确定出最大的车辆流量用于表征该数据采集点位在一天的车辆流量趋势程度。如此，可以计算出该子区域内各数据采集点位的流量参考值为{q
i1
,q
i2
,
…
,q
ik
}。
[0147]
然后，将该子区域内各数据采集点位的流量变化系数按照从大到小的顺序进行排序，将排序位于前p个的数据采集点位作为第一候选点位，并将该子区域内各数据采集点位对应的流量参考值按照从大到小的顺序进行排序，将排序位于前q个的数据采集点位作为第二候选点位。再确定p个第一候选点位与q个第二候选点位之间的t个交集点位，并将该t个交集点位作为关键采集点位。其中，t为大于等于1的整数。示例性地，将该子区域内各数据采集点位的流量变化系数{c
i1
,c
i2
,
…
,c
ik
}按照从大到小的顺序进行排序，将排序位于前p个的数据采集点位{i
1r
,i
2r
,
…
,i
pr
}作为第一备选点位集合，其中，一般p取值范围为[2,10]，当然也可以取值0.5k，取值可以根据子区域大小进行设置，子区域越大，p取值越大。同时，将该子区域内各数据采集点位对应的流量参考值{q
i1
,q
i2
,
…
,q
ik
}按照从大到小的顺序进行排序，将排序位于前q个的数据采集点位{i
1r
,i
2r
,
…
,i
qr
}作为第二备选点位集合，其中，一般q取值范围为[2,10]，当然也可以取值0.5k，取值可以根据子区域大小进行设置，子区域越大，q取值越大。之后，计算第一备选点位集合{i
1r
,i
2r
,
…
,i
pr
}与第二备选点位集合{i
1r
,i
2r
,
…
,i
qr
}的交集，即{i
1r
,i
2r
,
…
,i
pr
}∩{i
1r
,i
2r
,
…
,i
qr
}，如此可以确定出t个交集点
位，该t个交集点位作为关键采集点位。
[0148]
在确定出该子区域对应的各关键采集点位后，即可通过各关键采集点位关联的交通运行数据(比如车辆流量数据或拥堵信息)用于进行所述子区域的交通高峰期的判断。具体地，交通高峰期包括早高峰和晚高峰，在针对该子区域的早高峰进行判断时，首先设置用于识别子区域是否进入早高峰的第一识别时段，并针对该第一识别时段内任一第一子识别时段，获取该子区域内任一关键采集点位在该第一子识别时段的车辆流量数据；其中，第一子识别时段为第j设定时段，也即是当前子识别时段。然后，通过该关键采集点位在该第一子识别时段的车辆流量数据，即可确定该关键采集点位在该第一子识别时段是否进入早高峰，在判断完成各关键采集点位在该第一子识别时段是否进入早高峰后，即可统计该子区域内各关键采集点位中在该第一子识别时段进入早高峰的至少一个关键采集点位的第一数量，并统计该子区域内各关键采集点位的第二数量，以及确定第一数量与第二数量的比值，如果比值大于等于预设阈值，则可以确定该子区域在该第一子识别时段进入早高峰，那么就可以针对该子区域进行提前布设早高峰执勤岗，以便为确保该子区域的交通能够正常运行提供有效地保障，如果比值小于预设阈值，则可以确定该子区域在该第一子识别时段未进入早高峰。其中，预设阈值可以根据本领域技术人员的经验或可以根据多次实验所得结果或可以根据实际应用场景进行设置，本技术实施例对此并不作限定。
[0149]
其中，在某一关键采集点位在第一子识别时段是否进入早高峰时，首先可以根据该关键采集点位在位于该第一子识别时段之前的最近一天的车辆流量序列，即可确定该关键采集点位对应的车辆流量均值，并通过该关键采集点位在该第一子识别时段的车辆流量数据，确定该关键采集点位在该第一子识别时段对应的第二梯度值和第三梯度值，其中，第二梯度值用于表征该关键采集点位在第j设定时段与第j-1设定时段之间的车辆流量变化程度；第三梯度值用于表征该关键采集点位在第j设定时段与第j-2设定时段之间的车辆流量变化程度。然后，通过该关键采集点位在该第一子识别时段的车辆流量数据与车辆流量均值的大小关系、第二梯度值与第一梯度阈值的大小关系以及第三梯度值与第二梯度阈值的大小关系，即可准确地确定该关键采集点位在该第一子识别时段是否进入早高峰。如果该关键采集点位在该第一子识别时段的车辆流量数据大于等于车辆流量均值，且第二梯度值大于等于第一梯度阈值，且第三梯度值大于等于第二梯度阈值，则确定该关键采集点位在该第一子识别时段进入早高峰，也即是在确定该关键采集点位同时满足这三个条件时，才确定该关键采集点位在该第一子识别时段进入早高峰，否则确定该关键采集点位在该第一子识别时段未进入早高峰。如此，通过针对子区域的早高峰的提前判断，提前发现，从而可以做到提前预警，那么也就可以提前针对该子区域进行布设早高峰执勤岗，早高峰来临前需要进行针对执勤人员点名，确认外场早高峰岗到位情况，然后指挥中心视频巡检岗开始对重要通勤路段进行轮巡，以此确保关键道路正常运行。当通过视频巡检、电台等各种手段发现交通异常事件时，需评估事件严重程度，若是一般警情，由处理部门直接派执勤人员处置，当事件较为严重时，则需要指挥长关注并统一指挥，借助信号控制、诱导发布等干预手段完成处置。
[0150]
示例性地，首先可以设置用于识别子区域是否进入早高峰的第一识别时段，比如设置从每日早上6:00～10:00为判断早高峰的识别时段，或者可以设置从每日早上6:00～11:00为判断早高峰的识别时段，例如设置从每日早上6:00—6:15这个时段开始进行早高
峰的判断，识别时段的设置具体可以根据实际应用场景或根据本领域技术人员的经验进行设置，本技术实施例对此并不作限定。并针对某一子区域内的任一关键采集点位ii，获取该关键采集点位ii在位于第一子识别时段(即当前子识别时段q
id
)之前的最近一天的车辆流量序列，即[q
1d-1
,q
2d-1
,
…
,q
96d-1
]，即可该关键采集点位ii对应的车辆流量均值，即(q
1d-1
+q
2d-1
+
…
+q
96d-1
)/96。然后，可以按照下述方式进行计算该关键采集点位ii在第一子识别时段j的第二梯度值。
[0151][0152]
其中，表示数据采集点位ik在某一个子识别时段(比如第j个设定时段)对应的第二梯度值，j为大于1的整数，表示数据采集点位ii在相邻两个设定时段的流量差值。
[0153]
同时，可以按照下述方式进行计算该关键采集点位ii在第一子识别时段j的第三梯度值。
[0154][0155]
其中，表示数据采集点位ik在某一个子识别时段(比如第j个设定时段)对应的第三梯度值，j为大于1的整数，表示数据采集点位ii在间隔两个设定时段的流量差值。
[0156]
然后，在判断关键采集点位ii在第一子识别时段j对应的车辆流量数据第二梯度值第三梯度值同时满足下述条件时，即可判定关键采集点位ii在第一子识别时段j进入早高峰。
[0157][0158]
其中，a和b可以根据实际应用场景或本领域技术人员的经验进行设置，比如a可以设置为0.2，b可以设置0.3。
[0159]
在判断完成该子区域内各关键采集点位在该第一子识别时段是否进入早高峰后，即可针对关键采集点位，确定该关键采集点位是否在该第一子识别时段进入早高峰，如果是，则为该关键采集点位进行标注1，且针对该关键采集点位在后续所有子识别时段均标注上1。然后，统计该子区域内各关键采集点位中在该第一识别时段进入早高峰的至少一个关键采集点位的第一数量α，并统计出该子区域内各关键采集点位的总数量t，判断α是否大于等于δ*t，如果是，则判定该子区域在该第一子识别时段进入早高峰，否则判定该子区域在
该第一子识别时段未进入早高峰。其中，δ为判定阈值，取值范围为[0.5,1]，一般取值0.6，阈值越小，代表灵敏度越高，具体可以根据实际情况进行调整。
[0160]
此外，在针对该子区域的晚高峰进行判断时，首先设置用于识别子区域是否进入晚高峰的第二识别时段，并通过该子区域对应的各关键采集点位，即可准确地确定在该子区域内各关键采集点位关联的各交通路段。再针对第二识别时段内任一第二子识别时段，获取每个交通路段在该第二子识别时段的拥堵信息，并可以按照拥堵信息转换规则，将该交通路段在该第二子识别时段的拥堵信息转换为对应的拥堵数值。然后，根据各交通路段各自在该第二子识别时段对应的拥堵数值，即可确定出该子区域在该第二子识别时段对应的拥堵均值，并通过拥堵均值与拥堵阈值的大小关系，即可准确地判定该子区域在该第二子识别时段是否进入晚高峰。如果拥堵均值大于等于拥堵阈值，则可以确定该子区域在该第二子识别时段进入晚高峰，那么就可以针对该子区域进行提前布设晚高峰执勤岗，以便为确保该子区域的交通能够正常运行提供有效地保障，如果拥堵均值小于拥堵阈值，则可以确定该子区域在该第二子识别时段未进入晚高峰。如此，通过针对子区域的晚高峰的提前判断，提前发现，从而可以做到提前预警，那么也就可以提前针对该子区域进行布设晚高峰执勤岗，晚高峰来临前需要进行针对执勤人员点名，确认外场晚高峰岗到位情况，然后指挥中心视频巡检岗开始对重要通勤路段进行轮巡，以此确保关键道路正常运行。当通过视频巡检、电台等各种手段发现交通异常事件时，需评估事件严重程度，若是一般警情，由处理部门直接派执勤人员处置，当事件较为严重时，则需要指挥长关注并统一指挥，借助信号控制、诱导发布等干预手段完成处置。
[0161]
示例性地，针对子区域的晚高峰识别，不能按照流量的变化率来计算，应按照子区域内各关键采集点位关联的各交通路段的拥堵信息来计算。具体地，首先可以设置用于识别子区域是否进入晚高峰的第一识别时段，比如设置从每日下午16:00～20:00为判断晚高峰的识别时段，或者可以设置从每日下午16:00～22:00为判断晚高峰的识别时段，例如设置从每日下午16:00—16:15这个时段开始进行晚高峰的判断，识别时段的设置具体可以根据实际应用场景或根据本领域技术人员的经验进行设置，本技术实施例对此并不作限定。再通过该子区域内各关键采集点位，可以从识别区域内的各交通路段中筛选出与该子区域内各关键采集点位相关联的多个交通路段{r1,r2,
…
,rn}，并通过该多个交通路段在第二子识别时段的拥堵信息针对该子区域进行晚高峰的判断。然后，可以通过一些途径(比如交通管控平台、互联网或高德软件)获取每个交通路段在某一子识别时段(比如间隔15分钟的时段或间隔20分钟的时段)的拥堵信息(比如拥堵指数或其它拥堵状况数据)，比如，以间隔15分钟的时段为例，一天的时间是从零点到二十四点，按照每间隔15分钟为一个设定时段，可以将一天的时间划分为96个设定时段，每个交通路段在某一天d内各设定时段下的拥堵信息为{s
1d
,s
2d
,
…
,s
96d
}，或者，以间隔20分钟的时段为例，可以将一天的时间划分为72个设定时段，每个交通路段在某一天d内各设定时段下的拥堵信息为{s
1d
,s
2d
,
…
,s
72d
}。
[0162]
在获取到每个交通路段在某一天d内各设定时段下的拥堵信息后，即可按照拥堵信息转换规则，将该交通路段在各设定时段下的拥堵信息转换为对应的拥堵数值。比如可以按照下述转换规则进行转换，即：
[0163][0164]
其中，用于表示转换后的拥堵数值，用于表示第i个设定时段的拥堵信息。
[0165]
此外，可以通过下述方式确定该子区域在该第二子识别时段对应的拥堵均值即：
[0166][0167]
其中，用于表示子区域内各关键采集点位关联的各交通路段的数量，用于表示交通路段ri对应的拥堵数值。
[0168]
例如，假设某一子区域的各关键采集点位关联3个交通路段，即交通路段r1、交通路段r2和交通路段r3，并假设属于晚高峰的当前子识别时段为s，那么通过上述方式在将该3个交通路段在该当前子识别时段s的拥堵信息分别转换为对应的拥堵数值后，即交通路段r1在该当前子识别时段s对应的拥堵数值为交通路段r2在该当前子识别时段s对应的拥堵数值为和交通路段r3在该当前子识别时段s对应的拥堵数值为在确定出该3个交通路段各自在该当前子识别时段s对应的拥堵数值后，即可计算该3个交通路段的平均路况(也即是计算该子区域在该当前子识别时段s对应的拥堵均值)，即平均路况为
[0169]
如果该3个交通路段的平均路况满足下述条件，即可确定该子区域在该当前子识别时段s进入晚高峰。
[0170][0171]
其中，λ用于表示拥堵阈值，取值越大，灵敏度越低，取值范围一般为[0.2,1]，当然也可以根据实际情况进行调整。
[0172]
上述实施例表明，本技术中的技术方案通过针对识别区域内的历史车辆流量序列进行分析，以此确定该识别区域内的各子区域，并针对任一子区域内的各关键采集点位的当前车辆流量数据进行分析，即可准确地确定子区域具体在哪个时段开始进入交通高峰期，以此可以实现针对子区域内各交通路段的交通高峰期的提前精准预警，从而可以有效地针对子区域内各交通路段进行疏导，有助于确保子区域内各交通路段的交通能够正常运行，并可以为交通拥堵的有效缓解提供有力地支持。具体来说，首先根据识别区域内各数据采集点位采集的m天的车辆流量序列，即可确定各数据采集点位的第一参考流量序列和识别区域内的第二参考流量序列，如此可通过基于各数据采集点位的第一参考流量序列与第二参考流量序列的流量距离系数，对识别区域进行区域划分，即可准确地确定出各子区域(每个子区域包括至少一个数据采集点位，该至少一个数据采集点位之间满足一定的距离关系)，那么就可以为后续有针对性地通过该子区域内的一些数据采集点位来完成针对该子区域的交通高峰期的精准判断提供有效地支持，同时通过根据识别区域内各数据采集点位所采集的真实历史数据所划分出的各子区域来完成针对识别区域的交通高峰期判断，能
够更加贴合实际交通场景，更加符合实际交通状况，并以此能够完成针对识别区域的交通高峰期的提前预警，从而可以为提前发现交通拥堵以及能够及时疏导交通拥堵提供支持依据。再针对任一子区域，基于该子区域内各数据采集点位的第一参考流量序列，确定该子区域内各数据采集点位的流量变化状态，并基于该子区域内各数据采集点位的流量变化状态，即可准确地确定出该子区域对应的各关键采集点位(即子区域内对交通高峰期影响相对较大的数据采集点位)，如此通过该各关键采集点位关联的交通运行数据(比如各关键采集点位在早高峰子识别时段的车辆流量数据或各关键采集点位关联的各交通路段在晚高峰子识别时段的拥堵信息)即可准确地针对该子区域的交通高峰期进行判断，从而可以有助于减少数据计算量，并可以提高子区域的交通高峰期的识别效率。如此，该方案通过针对任一子区域中各交通路段的交通高峰期进行提前精准识别(也即是提前识别出每个交通路段的交通高峰期的进入时段)，即可及时针对可能存在交通拥堵的交通路段进行有效地疏导，从而可以有效地缓解交通拥堵。
[0173]
基于相同的技术构思，图2示例性的示出了本技术实施例提供的一种电子设备，该电子设备可以执行识别交通高峰期的方法的流程。其中，电子设备可以是服务器或者也可以是能够支持服务器实现该方法所需的功能的部件(比如芯片或集成电路)等，当然也可以是其它具有实现该方法所需的功能的设备，比如交通管理平台。
[0174]
如图2所示，该电子设备包括处理器201和存储器202。本技术实施例中不限定处理器201与存储器202之间的具体连接介质，以图2中处理器201和存储器202之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。所述存储器202存储有计算机程序，当所述存储器202中存储的所述计算机程序被所述处理器201执行时，使得所述电子设备执行：根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列；基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域；针对任一子区域，基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，并基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位；所述各关键采集点位关联的交通运行数据用于进行所述子区域的交通高峰期的判断；其中，每个数据采集点位在任一天的车辆流量序列用于表征该数据采集点位在该天中按各设定时段采集的各车辆流量数据；数据采集点位用于指示设置在交通路段上采集车辆流量数据的交通监控设备的安装位置。
[0175]
在一些示例性的实施方式中，所述电子设备具体用于执行：
[0176]
针对每个数据采集点位，在每个设定时段下，通过所述数据采集点位在属于所述m天中所述设定时段下的车辆流量数据，确定所述数据采集点位在所述设定时段下的第一参考流量值，并根据所述数据采集点位在各设定时段下的第一参考流量值，确定所述数据采集点位的第一参考流量序列；
[0177]
在每个设定时段下，通过所述各数据采集点位在所述设定时段下的第一参考流量值，确定所述设定时段对应的第二参考流量值，并根据各设定时段对应的第二参考流量值，确定所述识别区域内的第二参考流量序列。
[0178]
在一些示例性的实施方式中，所述电子设备具体用于执行：
[0179]
针对每个数据采集点位，根据所述数据采集点位的第一参考流量序列以及所述识别区域内的第二参考流量序列，确定所述数据采集点位的流量距离系数，并基于所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；
[0180]
通过各数据采集点位的流量距离系数和空间距离系数，对所述识别区域进行区域划分，确定出所述各子区域。
[0181]
在一些示例性的实施方式中，所述电子设备具体用于执行：
[0182]
在每个设定时段下，通过所述设定时段对应的第二参考流量值以及所述数据采集点位在所述设定时段下的第一参考流量值，确定所述数据采集点位在所述设定时段下的参考流量差值；
[0183]
通过所述数据采集点位在各设定时段下的参考流量差值，确定所述数据采集点位的流量距离系数；
[0184]
所述电子设备具体用于执行：
[0185]
根据所述各数据采集点位的二维空间坐标，确定所述识别区域内的二维空间坐标均值；
[0186]
通过所述识别区域内的二维空间坐标均值以及所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；
[0187]
所述电子设备具体用于执行：
[0188]
针对每个数据采集点位，根据所述数据采集点位的流量距离系数和空间距离系数，生成所述数据采集点位的距离向量；
[0189]
基于所述各数据采集点位的距离向量，对所述各数据采集点位进行聚类分析，将所述识别区域划分为所述各子区域。
[0190]
在一些示例性的实施方式中，所述电子设备具体用于执行：
[0191]
针对所述子区域内的任一数据采集点位，通过所述数据采集点位的第一参考流量序列，确定所述数据采集点位的梯度向量；所述梯度向量包括多个第一梯度值；第一梯度值用于表征所述数据采集点位在第i设定时段与第i-1设定时段之间的车辆流量变化程度；
[0192]
根据所述多个第一梯度值，确定所述数据采集点位的流量变化系数；所述数据采集点位的流量变化系数用于表征所述数据采集点位的流量变化状态；
[0193]
所述电子设备具体用于执行：
[0194]
通过所述子区域内各数据采集点位采集的n天的车辆流量序列，确定所述子区域内各数据采集点位对应的流量参考值；
[0195]
将所述子区域内各数据采集点位的流量变化系数按照从大到小的顺序进行排序，将排序位于前p个的数据采集点位作为第一候选点位，并将所述子区域内各数据采集点位对应的流量参考值按照从大到小的顺序进行排序，将排序位于前q个的数据采集点位作为第二候选点位；
[0196]
确定p个第一候选点位与q个第二候选点位之间的t个交集点位，并将所述t个交集点位作为关键采集点位。
[0197]
在一些示例性的实施方式中，所述电子设备具体用于执行：
[0198]
根据所述数据采集点位的第一参考流量序列，确定所述数据采集点位对应的参考流量均值；
[0199]
确定所述数据采集点位在所述第i设定时段与所述第i-1设定时段之间的流量差值；
[0200]
通过所述参考流量均值以及所述流量差值，确定所述第一梯度值。
[0201]
在一些示例性的实施方式中，交通高峰期包括早高峰；
[0202]
所述电子设备具体用于执行：
[0203]
设置用于识别子区域是否进入早高峰的第一识别时段，并针对所述第一识别时段内任一第一子识别时段，获取所述子区域内任一关键采集点位在所述第一子识别时段的车辆流量数据；所述第一子识别时段为第j设定时段；
[0204]
通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段是否进入早高峰；
[0205]
统计所述子区域内各关键采集点位中在所述第一子识别时段进入早高峰的至少一个关键采集点位的第一数量，并统计所述子区域内各关键采集点位的第二数量，以及确定所述第一数量与所述第二数量的比值；
[0206]
若所述比值大于等于预设阈值，则确定所述子区域在所述第一子识别时段进入早高峰，若所述比值小于所述预设阈值，则确定所述子区域在所述第一子识别时段未进入早高峰。
[0207]
在一些示例性的实施方式中，所述电子设备具体用于执行：
[0208]
根据所述关键采集点位在位于所述第一子识别时段之前的最近一天的车辆流量序列，确定所述关键采集点位对应的车辆流量均值；
[0209]
通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段对应的第二梯度值和第三梯度值；第二梯度值用于表征所述关键采集点位在第j设定时段与第j-1设定时段之间的车辆流量变化程度；第三梯度值用于表征所述关键采集点位在第j设定时段与第j-2设定时段之间的车辆流量变化程度；
[0210]
若所述关键采集点位在所述第一子识别时段的车辆流量数据大于等于所述车辆流量均值，且所述第二梯度值大于等于第一梯度阈值，且所述第三梯度值大于等于第二梯度阈值，则确定所述关键采集点位在所述第一子识别时段进入早高峰，否则确定所述关键采集点位在所述第一子识别时段未进入早高峰。
[0211]
在一些示例性的实施方式中，交通高峰期包括晚高峰；
[0212]
所述电子设备具体用于执行：
[0213]
通过所述子区域对应的各关键采集点位，确定在所述子区域内所述各关键采集点位关联的各交通路段，并设置用于识别子区域是否进入晚高峰的第二识别时段；
[0214]
针对所述第二识别时段内任一第二子识别时段，获取每个交通路段在所述第二子识别时段的拥堵信息，并按照拥堵信息转换规则，将所述交通路段在所述第二子识别时段的拥堵信息转换为对应的拥堵数值；
[0215]
根据所述各交通路段各自在所述第二子识别时段对应的拥堵数值，确定所述子区域在所述第二子识别时段对应的拥堵均值；
[0216]
若所述拥堵均值大于等于拥堵阈值，则确定所述子区域在所述第二子识别时段进入晚高峰，若所述拥堵均值小于所述拥堵阈值，则确定所述子区域在所述第二子识别时段未进入晚高峰。
[0217]
在本技术实施例中，存储器202存储有可被至少一个处理器201执行的指令，至少一个处理器201通过执行存储器202存储的指令，可以执行前述的识别交通高峰期的方法中所包括的步骤。
[0218]
其中，处理器201是电子设备的控制中心，可以利用各种接口和线路连接电子设备的各个部分，通过运行或执行存储在存储器202内的指令以及调用存储在存储器202内的数据，从而实现数据处理。可选的，处理器201可包括一个或多个处理单元，处理器201可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理下发指令。可以理解的是，上述调制解调处理器也可以不集成到处理器201中。在一些实施例中，处理器201和存储器202可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
[0219]
处理器201可以是通用处理器，例如中央处理器(cpu)、数字信号处理器、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列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任何常规的处理器等。结合识别交通高峰期的方法实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
[0220]
存储器202作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器202可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(random access memory，ram)、静态随机访问存储器(static random access memory，sram)、可编程只读存储器(programmable read only memory，prom)、只读存储器(read only memory，rom)、带电可擦除可编程只读存储器(electrically erasable programmable read-only memory，eeprom)、磁性存储器、磁盘、光盘等等。存储器202是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本技术实施例中的存储器202还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
[0221]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0222]
本技术是参照根据本技术的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0223]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0224]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0225]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0226]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。
技术特征：1.一种识别交通高峰期的方法，其特征在于，包括：根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列；基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域；针对任一子区域，基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，并基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位；所述各关键采集点位关联的交通运行数据用于进行所述子区域的交通高峰期的判断；其中，每个数据采集点位在任一天的车辆流量序列用于表征该数据采集点位在该天中按各设定时段采集的各车辆流量数据；数据采集点位用于指示设置在交通路段上采集车辆流量数据的交通监控设备的安装位置。2.如权利要求1所述的方法，其特征在于，所述根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列，包括：针对每个数据采集点位，在每个设定时段下，通过所述数据采集点位在属于所述m天中所述设定时段下的车辆流量数据，确定所述数据采集点位在所述设定时段下的第一参考流量值，并根据所述数据采集点位在各设定时段下的第一参考流量值，确定所述数据采集点位的第一参考流量序列；在每个设定时段下，通过所述各数据采集点位在所述设定时段下的第一参考流量值，确定所述设定时段对应的第二参考流量值，并根据各设定时段对应的第二参考流量值，确定所述识别区域内的第二参考流量序列。3.如权利要求2所述的方法，其特征在于，基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域，包括：针对每个数据采集点位，根据所述数据采集点位的第一参考流量序列以及所述识别区域内的第二参考流量序列，确定所述数据采集点位的流量距离系数，并基于所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；通过各数据采集点位的流量距离系数和空间距离系数，对所述识别区域进行区域划分，确定出所述各子区域。4.如权利要求3所述的方法，其特征在于，所述根据所述数据采集点位的第一参考流量序列以及所述识别区域内的第二参考流量序列，确定所述数据采集点位的流量距离系数，包括：在每个设定时段下，通过所述设定时段对应的第二参考流量值以及所述数据采集点位在所述设定时段下的第一参考流量值，确定所述数据采集点位在所述设定时段下的参考流量差值；通过所述数据采集点位在各设定时段下的参考流量差值，确定所述数据采集点位的流量距离系数；所述基于所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系
数，包括：根据所述各数据采集点位的二维空间坐标，确定所述识别区域内的二维空间坐标均值；通过所述识别区域内的二维空间坐标均值以及所述数据采集点位的二维空间坐标，确定所述数据采集点位的空间距离系数；所述通过各数据采集点位的流量距离系数和空间距离系数，对所述识别区域进行区域划分，确定出所述各子区域，包括：针对每个数据采集点位，根据所述数据采集点位的流量距离系数和空间距离系数，生成所述数据采集点位的距离向量；基于所述各数据采集点位的距离向量，对所述各数据采集点位进行聚类分析，将所述识别区域划分为所述各子区域。5.如权利要求1所述的方法，其特征在于，所述基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，包括：针对所述子区域内的任一数据采集点位，通过所述数据采集点位的第一参考流量序列，确定所述数据采集点位的梯度向量；所述梯度向量包括多个第一梯度值；第一梯度值用于表征所述数据采集点位在第i设定时段与第i-1设定时段之间的车辆流量变化程度；根据所述多个第一梯度值，确定所述数据采集点位的流量变化系数；所述数据采集点位的流量变化系数用于表征所述数据采集点位的流量变化状态；所述基于所述子区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位，包括：通过所述子区域内各数据采集点位采集的n天的车辆流量序列，确定所述子区域内各数据采集点位对应的流量参考值；将所述子区域内各数据采集点位的流量变化系数按照从大到小的顺序进行排序，将排序位于前p个的数据采集点位作为第一候选点位，并将所述子区域内各数据采集点位对应的流量参考值按照从大到小的顺序进行排序，将排序位于前q个的数据采集点位作为第二候选点位；确定p个第一候选点位与q个第二候选点位之间的t个交集点位，并将所述t个交集点位作为关键采集点位。6.如权利要求5所述的方法，其特征在于，通过下述方式确定每个第一梯度值：根据所述数据采集点位的第一参考流量序列，确定所述数据采集点位对应的参考流量均值；确定所述数据采集点位在所述第i设定时段与所述第i-1设定时段之间的流量差值；通过所述参考流量均值以及所述流量差值，确定所述第一梯度值。7.如权利要求1至6任一项所述的方法，其特征在于，交通高峰期包括早高峰；通过下述方式针对子区域的早高峰进行判断：设置用于识别子区域是否进入早高峰的第一识别时段，并针对所述第一识别时段内任一第一子识别时段，获取所述子区域内任一关键采集点位在所述第一子识别时段的车辆流量数据；所述第一子识别时段为第j设定时段；通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点
位在所述第一子识别时段是否进入早高峰；统计所述子区域内各关键采集点位中在所述第一子识别时段进入早高峰的至少一个关键采集点位的第一数量，并统计所述子区域内各关键采集点位的第二数量，以及确定所述第一数量与所述第二数量的比值；若所述比值大于等于预设阈值，则确定所述子区域在所述第一子识别时段进入早高峰，若所述比值小于所述预设阈值，则确定所述子区域在所述第一子识别时段未进入早高峰。8.如权利要求7所述的方法，其特征在于，所述通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段是否进入早高峰，包括：根据所述关键采集点位在位于所述第一子识别时段之前的最近一天的车辆流量序列，确定所述关键采集点位对应的车辆流量均值；通过所述关键采集点位在所述第一子识别时段的车辆流量数据，确定所述关键采集点位在所述第一子识别时段对应的第二梯度值和第三梯度值；第二梯度值用于表征所述关键采集点位在第j设定时段与第j-1设定时段之间的车辆流量变化程度；第三梯度值用于表征所述关键采集点位在第j设定时段与第j-2设定时段之间的车辆流量变化程度；若所述关键采集点位在所述第一子识别时段的车辆流量数据大于等于所述车辆流量均值，且所述第二梯度值大于等于第一梯度阈值，且所述第三梯度值大于等于第二梯度阈值，则确定所述关键采集点位在所述第一子识别时段进入早高峰，否则确定所述关键采集点位在所述第一子识别时段未进入早高峰。9.如权利要求1至6任一项所述的方法，其特征在于，交通高峰期包括晚高峰；通过下述方式针对子区域的晚高峰进行判断：通过所述子区域对应的各关键采集点位，确定在所述子区域内所述各关键采集点位关联的各交通路段，并设置用于识别子区域是否进入晚高峰的第二识别时段；针对所述第二识别时段内任一第二子识别时段，获取每个交通路段在所述第二子识别时段的拥堵信息，并按照拥堵信息转换规则，将所述交通路段在所述第二子识别时段的拥堵信息转换为对应的拥堵数值；根据所述各交通路段各自在所述第二子识别时段对应的拥堵数值，确定所述子区域在所述第二子识别时段对应的拥堵均值；若所述拥堵均值大于等于拥堵阈值，则确定所述子区域在所述第二子识别时段进入晚高峰，若所述拥堵均值小于所述拥堵阈值，则确定所述子区域在所述第二子识别时段未进入晚高峰。10.一种电子设备，其特征在于，包括处理器和存储器，所述处理器和所述存储器相连，所述存储器存储有计算机程序，当所述存储器中存储的所述计算机程序被所述处理器执行时，使得所述电子设备执行：根据识别区域内各数据采集点位采集的m天的车辆流量序列，确定各数据采集点位的第一参考流量序列和所述识别区域内的第二参考流量序列；基于各数据采集点位的第一参考流量序列与所述第二参考流量序列的流量距离系数，对所述识别区域进行区域划分，确定出各子区域；针对任一子区域，基于所述子区域内各数据采集点位的第一参考流量序列，确定所述子区域内各数据采集点位的流量变化状态，并基于所述子
区域内各数据采集点位的流量变化状态，确定出所述子区域对应的各关键采集点位；所述各关键采集点位关联的交通运行数据用于进行所述子区域的交通高峰期的判断；其中，每个数据采集点位在任一天的车辆流量序列用于表征该数据采集点位在该天中按各设定时段采集的各车辆流量数据；数据采集点位用于指示设置在交通路段上采集车辆流量数据的交通监控设备的安装位置。
技术总结本申请提供了一种识别交通高峰期的方法、电子设备及存储介质，该方法包括基于各数据采集点位的第一参考流量序列与识别区域内的第二参考流量序列的流量距离系数，对识别区域进行区域划分，确定出各子区域，针对任一子区域，基于子区域内各数据采集点位的第一参考流量序列，确定子区域内各数据采集点位的流量变化状态，并基于子区域内各数据采集点位的流量变化状态，确定出子区域对应的各关键采集点位，各关键采集点位关联的交通运行数据用于进行子区域的交通高峰期的判断。如此，该方案通过针对任一子区域中各交通路段的交通高峰期进行提前精准识别，即可及时针对可能存在交通拥堵的交通路段进行有效地疏导。堵的交通路段进行有效地疏导。堵的交通路段进行有效地疏导。
技术研发人员：张国庆 王勇 秦秀伟 刘晓冰 曹强 曹禹
受保护的技术使用者：青岛海信网络科技股份有限公司
技术研发日：2022.03.23
技术公布日：2022/7/5
