CN104123833A - 一种道路状况的规划方法和装置 - Google Patents

Abstract

本发明提供了一种道路状况的规划方法和装置，以解决现有方法判定道路的拥堵状况时比较局限，各路段的交通状况一旦有临时变化，对应的拥堵路段预测不准的问题。所述的方法包括：根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布；根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息；依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态；其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

Description

一种道路状况的规划方法和装置

技术领域

本发明涉及电子导航领域，特别是涉及一种道路状况的规划方法和装置。

背景技术

用户出行时若遇到堵车等情况会大大增加出行时间，造成重要事件的延误等。因此，为了方便用户出行，减少用户的出行时间，产生了道路状况的规划方法。

通常在对道路状况进行规划时，是通过公交车上的GPS传输数据，以获取这些车辆的行驶速度，进而判断当前时间下这个路段的通畅情况。如果当前路段的速度普遍较高，则判断为通畅，如果当前路段的速度普遍较低，则视为拥堵。

但是，公交车的线路比较固定，因此采用上述方法判定道路的拥堵状况时，往往比较局限，只能确定固定的几个区域。各路段的交通状况一旦有临时变化，如商业区或者大型工厂等周边容易堵车的区域，遇到歇业、放假等临时变化，势必带来交通流量的变化，则对应的拥堵路段难免预测不准，不能返回给用户最佳的行驶路线。

发明内容

本发明提供了一种道路状况的规划方法和装置，以解决现有方法判定道路的拥堵状况时比较局限，各路段的交通状况一旦有临时变化，对应的拥堵路段预测不准的问题。

为了解决上述问题，本发明公开了一种道路状况的规划方法，其特征在于，包括：

根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布；

根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息；

依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态；其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

可选的，所述根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布，包括：将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率；通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布。

可选的，所述通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布，包括：按时序整合所述预设的出行预测模型输出的各车辆对应的状态概率；其中，所述各车辆对应的状态概率包括：目的地概率、行驶路线概率和行驶行为数据；根据各车辆对应的状态概率统计各车辆在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，构成各车辆在预设的未来时段的行驶信息分布。

可选的，所述根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息，包括：根据每车的当前行驶行为对对应车辆的行驶信息分布进行分析，预测所述车辆在未来时段内的移动轨迹，以及未来时段内各时刻的实时位置，从而构成所述车辆在所述未来时段对应的出行信息。

可选的，所述未来时段为晚高峰时，所述根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息具体为：根据采集的各车辆在早高峰时的行驶行为对预测得到的各车辆在晚高峰时行驶信息分布进行分析，得到在晚高峰时各车辆的出行信息。

可选的，还包括所述各道路对应的车辆通行量的确定方法：获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；依据所述道路信息确定各道路上行驶车辆的饱和阈值，并将所述饱和阈值作为车辆通行量。

可选的，所述依据所述道路信息确定各道路上行驶车辆的饱和阈值，包括：获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

可选的，所述依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态，包括：按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目；将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态。

可选的，所述出行信息包括：车辆在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹；所述按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路上在未来时段内的车辆数目，包括：整合在预设的未来时段内各时刻的实时移动位置，确定各道路上的用户数目；确定所述用户数目在道路上的覆盖系数，并依据所述覆盖系数和所述用户数据确定各道路上的车辆数目。

可选的，所述将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态，包括：检测各道路所述车辆数目是否大于所述车辆通行量；当所述车辆数目大于所述车辆通行量时，所述道路的通行状态为拥堵；当所述车辆数目小于或等于所述车辆通行量，所述道路的通行状态为通畅。

可选的，还包括所述出行预测模型的确定方法：当采集的车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型；当采集的车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型；当采集的车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型；当采集的车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。

可选的，所述将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率，包括：将所述预设的未来时段输入所述行驶行为预测模型，确定所述用户的行驶行为数据；将所述预设的未来时段输入所述出行目的预测模型，确定所述用户的目的地概率；将所述目的地概率输入所述出行路线预测模型，确定所述用户的行驶路线概率。

相应的，本发明还提供了一种道路状况的规划装置，包括：

预测模块，用于根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布；

第一分析模块，用于根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息；

第二分析模块，用于依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态；其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

可选的，所述预测模块，包括：输入子模块，用于将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率；预测子模块，用于通过所述各车辆对应的状态概率统计预测各车辆在预设的未来时段的行驶信息分布。

可选的，所述预测子模块，用于按时序整合所述预设的出行预测模型输出的各车辆对应的状态概率；其中，所述各车辆对应的状态概率包括：目的地概率、行驶路线概率和行驶行为数据；根据各车辆对应的状态概率统计各车辆在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，构成各车辆在预设的未来时段的行驶信息分布。

可选的，所述第一分析模块，用于根据每车的当前行驶行为对对应车辆的行驶信息分布进行分析，预测所述车辆在未来时段内的移动轨迹，以及未来时段内各时刻的实时位置，从而构成所述车辆在所述未来时段对应的出行信息。

可选的，所述第一分析模块，用于在所述未来时段为晚高峰时，根据采集的各车辆在早高峰时的行驶行为对预测得到的各车辆在晚高峰时行驶信息分布进行分析，得到在晚高峰时各车辆的出行信息。

可选的，所述的装置还包括：通行量确定模块，用于确定所述各道路对应的车辆通行量；所述通行量确定模块，包括：获取子模块，用于获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；通行量确定子模块，用于依据所述道路信息确定所述道路上行驶车辆的饱和阈值，将所述饱和阈值作为所述道路的车辆通行量。

可选的，所述通行量确定子模块，用于获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

可选的，所述第二分析模块，包括：出行信息分析子模块，用于按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目；通行状态预测子模块，用于将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态。

可选的，所述出行信息包括：车辆在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹；所述出行信息分析子模块，用于整合所述车辆在预设的未来时段内各时刻的实时移动位置，确定各道路上的用户数目；确定所述用户数目在道路上的覆盖系数，并依据所述覆盖系数和所述用户数据确定各道路上的车辆数目。

可选的，所述通行状态预测子模块，用于检测各道路所述车辆数目是否大于所述车辆通行量；当所述车辆数目大于所述车辆通行量时，所述道路的通行状态为拥堵；当所述车辆数目小于或等于所述车辆通行量，所述道路的通行状态为通畅。

所述的装置还包括：模型建立模块，用于当采集的车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型；当采集的车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型；当采集的车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型；当采集的车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。

可选的，所述输入子模块，用于将所述预设的未来时段输入所述行驶行为预测模型，确定所述用户的行驶行为数据；将所述预设的未来时段输入所述出行目的预测模型，确定所述用户的目的地概率；将所述目的地数据输入所述出行路线预测模型，确定所述用户的行驶路线概率。

与现有技术相比，本发明包括以下优点：

首先，本发明实施例可以根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息，即根据用户行为预测在未来时段内的路况变化，数据的准确性比较高，覆盖范围比较广，方便用户预先选择道路，减少用户的出行时间。

其次，本发明实施例综合对用户的目的地信息、行驶路线信息、行驶行为信息和通行数据进行分析，准确预测每辆车辆在预设的未来时段、特别是当天高峰期内的移动轨迹和各时刻的实时移动位置，评估每辆车辆对各路段造成的影响，针对路况的临时变化准确预测路网中各路段将形成的拥堵位置和拥堵程度。

附图说明

图1是本发明实施例一提供的道路状况的规划方法流程图；

图2是本发明实施例二提供的道路状况的规划方法流程图；

图3是本发明实施例三提供的道路示意图；

图4是本发明实施例四提供的道路状况的规划装置结构图；

图5是本发明实施例四提供的道路状况的规划装置的可选结构图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明实施例提供一种道路状况的规划方法，可以依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态。本发明实施例早对道路的通行状态进行预测时，覆盖范围广泛，方便用户预先选择道路，减少用户的出行时间。

实施例一

参照图1，给出了本发明实施例一提供的道路状况的规划方法流程图。

步骤101，根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布。

本发明实施例预设了出行预测模型，所述出行预测模型用于对车辆的出行状况进行预测，即通过出行预测模型可以预测出未来时段各车辆的行驶信息分布。

其中，所述未来时段是预先设置的要预测的时间段，如当前时刻是12时，可以将未来时刻设置为当天的16至20时。所述行驶信息分布包括每辆车辆在路网中行驶的相关信息，如在未来时段各车辆是否出行，若出行则可以预测出该车辆在未来时段中任一时刻车辆行驶的位置概率、速度、去某个目的地的概率等信息，从而判断对路网中各路段造成的影响。

本发明实施例中可以在出行预测模型中输入相应的时段参数，从而得到该未来时段各车辆对应的状态概率，并通过该状态概率对各车辆进行统计，预测各车辆在预设的未来时段的行驶信息分布。

步骤102，根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息。

本发明实施例中还会采集各车辆的行驶行为，所述行驶行为指的是影响车辆行驶的相关信息。如预测工作日的晚高峰（即下班时间，如17～20时）各道路通行状况时，由于绝大多数车辆都以天为周期使用车辆，则可以将早高峰（即上班时间，如8～10时）采集的各车辆的行驶信息进行分析，分析早高峰时各车辆或某些区域中的车辆的行驶信息与出行预测模型中记录的这些车辆历史出行的行驶行为的匹配程度，如果匹配程度不高，则说明这些车辆的出行路径不同以往，不会对历史上晚高峰时经常行驶的路段再次造成压力，相应的，晚高峰时这些车辆对应的经常行驶的路段的车辆数目就会少些。所述行驶行为还可以包括未来时段的天气、道路限行等外部信息。

因此，根据采集的各车辆的行驶行为可以确定对应车辆通行的相关数据，如其在早高峰是否出行，又如在未来时段的天气状况下该车辆通常的行驶速度等。从而根据该车辆通行的相关数据对所述行驶信息分布进行进一步的分析，可以得到在所述未来时段各车辆的出行信息。如通过行驶信息分布预测车辆A在未来时段的a时刻行驶到道路B的b位置，但是由于未来时段天气状况较差（如有雾或雨等），导致该车辆的行驶速度较慢，因此进一步分析行驶信息分布，确定车辆A在未来时段的a时刻行驶到道路B的c位置。或由于当日限行的原因，车辆A未出行等。

步骤103，依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态。

本发明实施例还预先确定了各道路对应的车辆通行量，其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

可以理解的是，所述车辆通行量可以看作是该道路单位长度内正常通行的车辆数目的最大值。其中，所述正常通行可以理解为车辆可以保持一定速度行驶，如满足限速的要求等。例如，车辆在道路上开开停停，如开100m就要停一段时间，则非正常通行；又如，道路的限速是40～60km/h，则一辆车的速度是50km/h，则为正常通行。

可选的，还包括所述各道路对应的车辆通行量的确定方法：获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；依据所述道路信息确定所述各道路上行驶车辆的饱和阈值，将所述饱和阈值作为车辆通行量。

本发明实施例中，为了确定道路的车辆通行量，可以首先获取各道路的道路信息，所述道路信息是道路的基本数据，则所述道路信息包括以下至少一项：车道数量、路线形状、限速信息，当然还可以包括道路名称，地理位置（坐标位置）等其他数据。从而，可以通过道路信息推断出各道路上行驶车辆的饱和阈值，并将该饱和阈值作为该道路的车辆通行量。

可选的，所述依据所述道路信息确定各道路上行驶车辆的饱和阈值，包括：获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

由于实际情况中修路，车辆行驶等原因会导致各道路上可行驶的车辆数目变化，因此，本发明实施例还采集了全网中记录的各车辆的历史轨迹，用于对各道路实际的车辆通行量进行判定，如将所述道路信息按时序进行统计得，某路段中各车辆的平均速度小于一定拥堵阈值，如10km/h时，该路段中对应的车辆的平均数量为该路段在拥堵状态下可容纳的最多的车辆，即为车辆的饱和阈值。其中，全网指的是道路状况的可预测范围，如以城市为范围进行预测，则全网可以包括该城市的各条道路。则所述全网通行状况指的是全网内各道路的通行情况，如道路上行驶的车辆数目，是否拥堵等。

因此，可以对所述历史轨迹中对应的路段进行拆分，例如以500米为间隔进行拆分，从而得到路网中各路段的道路信息，其中道路信息的车流信息中包括道路在各时段内的通行状况、车辆数据等数据。因此可以将该道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，即确定在各时段的对应时刻路网中各路段行驶的车辆数目，以及道路的拥堵状况，从而确定各道路在拥堵状态时的车辆的饱和阈值。

本发明实施例中，若道路上行驶的车辆数目超过此车辆通行量即为拥堵，若道路上行驶的车辆数目等于或低于此该路段对应的车辆通行量即为通畅，而车辆数目超出（或不足）的程度即为拥堵（或通畅）的程度。

确定道路的车辆通行量后，可以据此对所述车辆在未来时段内的出行信息进行分析，以进一步将预测得到的所述车辆数目与所述道路的车辆通行量进行比较，分析各车辆在所述未来时段内各道路的通行状态。

其中，所述通行状态是道路上车辆行驶的状态，包括：拥堵和通畅；拥堵说明道路上车辆行驶比较缓慢，甚至可能会出行一段时间内车辆无法移动的状况；通畅说明该道路上车辆可以正常行驶。

在对所述车辆在未来时段内的出行信息进行分析时，可以整合出预测的各用户的出行信息，例如，通过采集到的每辆车辆的出行信息和预设的出行预测模型确定车辆在预设的未来时段的任一时刻所处的位置，并将该位置映射到相应的道路上，从而推测出该道路上行驶的车辆数目。

综上所述，本发明实施例可以根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布，并进一步根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息，数据的准确性比较高，覆盖范围比较广。进一步依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态。本发明实施例可以即根据用户的行驶行为预测在未来时段内的路况变化，覆盖范围比广，方便用户预先选择道路，减少用户的出行时间。

实施例二

参照图2，给出了本发明实施例二提供的道路状况的规划方法流程图。

步骤201，将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率。

本发明实施例中，首先要建立各出行预测模型，出行预测模型包括：出行目的预测模型、出行路线预测模型、行驶行为预测模型和外部影响模型。其中，步骤201主要根据前3个模型进行预测。

在建立出行预测模型时，首先会采集各车辆历史的车辆信息，并依据各车辆历史的车辆信息进行建模，从而得到出行预测模型。

其中，所述车辆信息是各车辆历史出行的相关信息，如出行时间、出发地、目的地，行驶路线、速度等数据。本发明实施例中，采集的车辆信息不局限于公交车的GPS传输的数据，而是可以对携带移动终端的用户的出行状况进行采集。其中，移动终端是可以移动的计算机设备，如手机、平板电脑等。从而通过移动终端可以采集驾驶车辆的用户在移动中的各类行驶信息。

采集车辆信息后，可以对采集的车辆信息进行参数训练，以建立相应的出行预测模型，后续可以通过该出行预测模型对用户的出行信息进行预测。

可选的，出行预测模型的确定方法包括：当采集的车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型；当采集的车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型；当采集的车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型；当采集的车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。出行目的预测模型、出行路线预测模型、行驶行为预测模型和外部影响模型构成了出行预测模型。

为了后续对在未来时段内车辆的行驶做出准确的预测，本发明实施例可以通过移动终端采集车辆信息，具体的，该移动终端可以是具有定位功能，并且还可以在该移动终端中安装可以采集用户信息的客户端的应用程序等。

从而通过移动终端，可以采集到用户驾驶车辆处于任意地点、道路上的车辆信息，如出行的时间、出行的目的地和出行相关信息等。通过不同的车辆信息，可以构建不同的出行预测模型，如通过目的地、出行的时间和出行方式等用户信息可以构建出行目的预测模型，用来计算各车辆在某特定时段下前往某目的地的概率；又如，出行相关信息是一些会影响道路通行状况的数据，比如天气情况，限行情况，突发事件等信息，因此通过出行相关信息可以构建外部影响模型，用来计算用户在某些天气情况（雨天、雾霾等）、限行情况、突发事件（定期市集等）情况下各车辆的行驶信息分布。

1）出行目的预测模型

其中，所述出行目的预测模型用于预测车辆在某个时间出行的概率，以及出行后出行目的地的概率。

本发明实施例中，当所述车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型。其中，第一类信息是用户行驶的基础信息。

首先，可以根据移动终端的GPS信息收集用户行驶历史的基础信息，如采集用户在每天的各个时间段出行的基础信息，包括：出发地，出发时间，目的地，到达时间等一系列的基础数据。可以实时采集上述数据构成车辆信息并传输给服务器，再由服务器对车辆信息进行整理；也可以采集后进行整理等构成车辆信息再定时传输给服务器。

在对数据进行整理时，可以将数据构成一定的格式，或按照一定的规律进行排列等，如数据的格式可以为：“出发日期，出发时间，出发地，到达时间，目的地”如“2012.12.1，9:00，9:25，家，单位”，又如“2012.12.2，9:05，9:35，家，西单”。其中，家的位置，单位的位置可以根据日常规律计算、整理得到。

对车辆信息采集、整理完成后，对上述车辆信息进行参数训练，其中参数训练的数据结构可以有多种，如可以建立一个决策树模型来训练车辆信息，从而建立出行目的预测模型。在使用该出行目的预测模型时，可以输入要预测的时间，即预设的未来时段，如输入出行的时间、日期等信息，然后该出行目的预测模型可以输出车辆在预设的未来时段各时刻出行的概率，以及出行到某地的概率。并且，该数据后续还可以用于预测车辆的出行路线等出行信息。

因此，将所述预设的未来时段输入所述出行目的预测模型，确定所述车辆的目的地数据，包括：在预设时间的各时刻，出行的概率，以及出行到各目的地的概率等。

2)出行路线预测模型

其中，所述出行路线预测模型用于预测车辆在出行后对具体路径的选择，即预测车辆要到达目的地所选择的出行线路。

当所述车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型。其中，所述第二类信息是车辆行驶的线路信息，包括：车辆的移动轨迹信息和行驶路线的关联信息。

首先根据移动终端的GPS信息收集车辆在不同地点间的历史上的移动轨迹信息，以及这些移动轨迹所形成的行驶路线的关联信息。其中，移动轨迹信息可以理解为从一个坐标到另一个坐标的详细移动路径，即历史上的各行驶路线，还可以包括在各行驶路线上移动的速度等信息。而关联信息可以理解为和车辆本次行驶相关的一些基本信息，如时间（如出发时间和到达时间），日期等信息。可以实时采集上述数据构成车辆信息并传输给服务器，也可以采集并构成车辆信息后定时传输给服务器。

对第二类信息采集完成后，可以对上述车辆信息进行参数训练，并依据训练结果建立出行路线预测模型。这样的目的是预测当车辆在不同条件下对行驶路线选择的一种预测，在使用该出行目的预测模型时，可以计算出该车辆在预设的未来时段内，为到达目的地所选择路线的概率，其中，目的地可以是采用出行路线预测模型预测出的。如车辆在高峰时段（如上下班的时间）可能选择走环线，在非高峰时段可能走小路，或者上班迟到（即工作日出发时间晚于平均出发时间）的情况下会选择走近路等。

因此，将所述目的地数据输入所述出行路线预测模型，确定所述车辆的行驶路线数据，包括：出行线路及选择各出行线路的可能性等。

3）行驶行为预测模型

其中，所述行驶行为预测模型用于预测用户在驾驶车辆时的驾驶行为，如在时刻1和时刻2行驶同一路线速度存在差异等。

本发明实施例中，当所述车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型。其中，所述第三类信息是每个用户的驾车习惯信息。

采集用户历史上的驾车习惯信息，包括历史上在不同时间段，不同地点，不同条件下的驾车习惯，本实施例中用车辆的行驶速度来表示。如在高速公路上行驶的速度，普通公路上的速度，拥堵等非正常通行状况时的速度，正常通行状况时的速度，出门时间晚于正常出门时间的速度等信息。可以实时采集上述数据构成车辆信息并传输给服务器，也可以采集并构成车辆信息后定时传输给服务器。

然后上述第三类信息进行参数训练，并依据训练结果建立出行路线预测模型。这样的目的是预测用户的行驶行为，比如，在上班迟到（出门时间晚于正常出门时间）的情况下是不是会加快速度等。

因此，将所述预设时间输入所述行驶行为预测模型，确定所述用户的行驶行为数据，包括：车辆在各条出行线路上行驶的速度等。

4）外部影响模型

其中，所述外部影响模型用于预测各道路上车辆的通行数据。

本发明实施例中，当所述车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。其中，所述第四类数据是天气、限行等外部影响数据。

采集外部影响数据，如天气，限行，道路状况（如修路等），用户驾车行为（如速度，出行时间等），以及车辆在某一设定时段的出行信息等数据。从而确定在不同外部影响数据下道路中各车辆的通行概率，比如在某些天气（雨雪、雾霾等）的情况下，路面平整的道路中各车辆的通行概率就大些，在某些路段限行的情况下道路中各车辆的通行概率等。进而对第四类信息进行参数训练，并依据训练结果建立外部影响模型。使用该外部影响模型时，可以输入选择的出行线路，以及外部影响数据，可以实时的给出道路通行状况预测。

采集所述预设的未来时段的关联信息，并与所述目的地数据共同数据所述外部影响模型，确定对应道路的通行数据。

上述仅给出了出行预测模型中的几种模型，此处未一一列举，不应理解为是对本发明的限制。

在出行预测模型建立完毕后，就可以将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率。如可以输入预设时间，从而得到用户的目的地、行驶线路等数据，进而预测出在预设时间内用户的出行信息。

本发明实施例中，通过上述各出行预测模型，以及预设时间可以对用户的出行信息进行预测，并且，各模型间的输入、输出数据可以交互使用，具体包括一下几种情况：

可选的，所述将预测信息输入所述预设的出行预测模型，得到对应的输出结果，包括：

1）将所述预设的未来时段输入所述出行目的预测模型，确定所述用户的目的地概率；

2）将所述目的地数据输入所述出行路线预测模型，确定所述用户的行驶路线概率；

3）将所述预设的未来时段输入所述行驶行为预测模型，确定所述用户的行驶行为数据。

从而通过上述方法可以确定对应的目的地概率、行驶路线概率、行驶行为数据等。

步骤202，通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布。

通过各出行预测模型可以得到各车辆对应的状态概率，进而可以通过所述状态概率统计各车辆在预设的未来时段的行驶信息分布。

可选的，所述通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布，包括：按时序整合所述预设的出行预测模型输出的各车辆对应的状态概率，其中，所述各车辆对应的状态概率包括：目的地概率、行驶路线概率和行驶行为数据。根据各车辆对应的状态概率统计各车辆在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，构成各车辆在预设的未来时段的行驶信息分布。

上述获取到各出行预测模型输出的各车辆对应的状态概率后，可以整合各车辆对应的状态概率中的所述目的地概率、行驶路线概率和行驶行为数据，即综合考虑上述各数据，按时间顺序通过统计确定出到达目的地的若干行驶线路，各行驶线路上的速度，以及各行驶线路上的拥堵等状况，统计在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，对预设的未来时段内各目的地，每个目的地对应的各路线，每条路线上各行驶行为的概率进而按概率排序，得到各车辆在预设的未来时段的行驶信息分布。

综上，本发明实施例在采用上述各模型对用户的出行情况进行预测时，各模型间可以交互处理，一个模型可以使用另一个模型的输出数据，从而就可以得到彼此关联的出行情况。

步骤203，根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息。

优选的，所述根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息，包括：根据采集到的每车的当前行驶行为对对应车辆的行驶信息分布进行分析，预测所述车辆在未来时段内的移动轨迹，以及未来时段内各时刻的实时位置，从而构成所述车辆在所述未来时段对应的出行信息。

本发明实施例中，首先采集各车辆的行驶行为，如天气，限行道路状况等。从而可以将所述行驶行为输入出行预测模型的外部影响模型中，得到对应车辆的通行数据。进一步，可以根据通行数据对对应车辆的行驶信息分布进行分析预测，如分析该车辆在未来时段是否出行，车辆是否在行驶信息分布中预测的某条道路上通行，通行的速度是多少，进而预测出车辆在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹，从而构成出行信息。

优选的，所述未来时段为晚高峰时，所述根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息具体为：根据采集的各车辆在早高峰时的行驶行为对预测得到的各车辆在晚高峰时行驶信息分布进行分析，得到在晚高峰时各车辆的出行信息。

若未来时段是某一工作日的晚高峰，由于大多数用户以天为周期使用车辆，则此时采集的各车辆的行驶行为中包括当日的早高峰数据。从而根据采集的各车辆在早高峰时的行驶行为，可以对预测得到的各车辆在晚高峰时行驶信息分布进行分析，进而得到在晚高峰时各车辆的出行信息。例如，有些道路可能由于附近公司较多，导致在早、晚高峰是拥堵的，但是该天由于某些原因该道路附近的某些公司不上班，则采集到该天早高峰本应在此些路段附近的很多车辆没在，仍位于昨晚泊车或是路网中其他的位置，与晚高峰时出行预测模型对应输出的行驶信息分布进行分析，得晚高峰时这些车辆将继续位于昨晚泊车或是路网中的其他位置，即不会经过这些路段，因此不会对这些晚高峰时经常行驶的路段再次造成压力，这些路段晚高峰时对应的车辆数目就少些。通过采集的早高峰数据判断其在晚高峰是也不会拥堵，即可以为车辆推荐该道路。

步骤204，按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目。

然后可以以道路为单位对预设的未来时段内各车辆的出行信息进行统计，即确定车辆在预设的未来时段内的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，从而确定预设时间内各时刻时各道路上的车辆数目。

可选的，所述出行信息包括：用户在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹；所述以道路为单位对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目，包括：整合在预设的未来时段内各时刻的实时移动位置，确定各道路上的用户数目；确定所述用户数目在道路上的覆盖系数，并依据所述覆盖系数和所述用户数据确定各道路上的车辆数目。

通过用户在预设的未来时段内各时刻的实时移动位置，可以确定出各道路上的用户数目，所述用户数目是驾驶汽车并持有移动终端的用户的数目。如先把路网中的道路按照一定的长度分段，如某路段长1000米，以100米为分段粒度，则该道路分为1～10段，然后根据在预设的未来时段内各时刻的实时移动位置，比如用户有30%的概率出现在路段1上、50%的概率出现在路段2上、20%的概率出现在路段3上，之后再综合所有的预测信息，得到每个路段某一时间点的通行持有移动终端的车辆总数，即用户数目。

由于可能不是所有的用户都携带有具有定位功能的移动终端，或不是所有移动终端中都安装由相应的客户端等应用程序，因此本发明实施例还根据携带可以获取用户信息的移动中的用户数目，与道路上车辆的总数进行比较，从而推算出用户的覆盖系数。如根据客户端的装机量和路面汽车总量来推算客户端在道路上的占比，作为用户的覆盖系数。然后可以将上述预测数目与覆盖系数相乘，将乘积作为确定各道路上的车辆数目。

步骤205，将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态。

可以将预测出的车辆数据和道路的车辆通行量进行比较，进而预测所述道路的通行状态。包括以下几种情况：

可选的，所述将所述车辆数目与所述道路的车辆通行量进行比较，分析在所述未来时段内各道路的通行状态，包括：检测各道路所述车辆数目是否大于所述车辆通行量；当所述车辆数目大于所述车辆通行量时，所述道路的通行状态为拥堵；当所述车辆数目小于或等于所述车辆通行量，所述道路的通行状态为通畅。

从而通过上述的方法，通过上述各出行预测模型预测出在预设的未来时段内车辆的出行信息，并与道路的车辆通行量进行比较，可以预测出在预设时间内道路的通行状态，方便用户进行路径规划，准确预测路网中各路段将形成的拥堵位置和拥堵程度。

综上所述，本发明实施例可以通过各类车辆信息建立不同的预测模型，包括出行目的预测模型、出行路线预测模型、行驶行为预测模型和外部影响模型。综合对用户的目的地数据、行驶路线数据、行驶行为数据和通行数据进行分析，准确预测每辆车辆在预设的未来时段、特别是当天早晚高峰期内的移动轨迹和各时刻的实时移动位置，评估每辆车辆对各路段造成的影响，针对临时变化准确预测路网中各路段将形成的拥堵位置和拥堵程度。

实施例三

下面采用一个实施例，具体论述道路状况的规划方法。

参照图3，给出了本发明实施例三提供的道路示意图。

本实施例中，给出了两种预测方案，具体如下：

一、预测道路A在未来5分钟T1的通行状况。

1、假设，道路A总长度为1000米，按照100米的粒度分为十段，分别标记为A1，A2，…，A10。取其中每一段的道路信息，（比如A2段单向双车道，3米道宽，直线路段，60km/h限速，红绿灯数量为1等信息），以此信息为输入计算出道路A每段的车辆通行量，比如A1=2500，A2=1850，A3=2000等。

2、利用出行预测模型中的出行目的预测模型、出行路线预测模型和行驶行为预测模型预测车辆在T1时刻的行驶信息分布，并映射到道路A的每一段上，所有车辆集合U，取出其中的车辆U1，根据之前先训练的出行预测模型，计算出其在T1时间点上，在A1出现的概率为50%，在A2出现的概率为30%，在A3出现的概率为10%，不在A路段上的概率为10%。

3、采集到车辆U1的当前行驶行为，即U1已出行的情况下，根据U1的行驶信息分布得用户U1在T1时刻的出行概率为50%，映射到道路A上对所述行驶信息分布进行分析，那么在T1时刻，用户U1在A1上的期望为1*50%*50%=0.25，在A2上期望为1*50%*30%=0.15。按此方法将所有用户U的出行信息的期望都映射到对应的道路区间上，从而可以得到每段区间的用户数目的期望（E(A1)=E(U1,A1)+E(U2,A1)+…+E(Un+A1)），表示该路段A1上所有用户的数量。

4、将路段的各区间的用户数目乘以对应的覆盖系数（真实车辆与用户的比值），得到每一个区间的车辆数目的期望，如上步中得到的A1上用户数目的期望为15，覆盖系数为50，那么A1上车辆数目的期望为750，也即在T1时刻，预测A1上的车辆数目为750辆。

5、预测出将A1段的车辆数目为750，而其通行量为2500，750<2500，并且还可以计算出其对应的通行数值为750/2500=0.3，所以A1路段在T1时间的时候预期为通畅。

其中，所述通行数值也可以对通行状态进行判定，所述通行数值=车辆数目/通行量。因此，当通行数值≤1时，道路为通畅，当通行数值>1时，道路为拥堵。

此外，根据车辆的出行信息的实时变化而不断的迭代以上的步骤，更新出行预测模型中的数据，模型中时间越新，数据的权值越大，能够更能准确的反映路况的变化情况，进而影响车辆的出行信息、驾驶轨迹和行驶行为，从而得出时间序列T的每个时段的路况。

二、预测路网中各路段将形成的拥堵位置和拥堵程度。

本发明实施例中，各移动终端可以对应上传的当天行驶行为，从而可以分析当天中的高峰时段该行驶行为对各路段造成的影响，从而预测路网中各路段将形成的拥堵位置和拥堵程度。

首先，可以计算路段A的通行量，设路段A在同时容纳50辆车次时会拥堵，由图3所示，该路段A附近有工厂，因此，在早高峰时由于上下班常发生车辆拥堵。

但一旦某些特殊情况发生，如工厂停电，则不会由于工人上下班而造成拥堵。即通过建立的出行预测模型分析得出对于200辆经常晚高峰时经过路段A的车辆，服务器采集的这些车辆的行驶行为得知某天早高峰时它们没有出行，还在原停靠位置，或已出行，但与用户的出行路线预测模型中的预测差异大（如向工厂的反方向开动）。则根据早高峰采集的各车辆没有经过路段A行驶行为和出行预测模型中晚高峰时这些车辆的行驶信息分布分析得当天晚高峰时此200辆未出行的车辆也不会经过路段A，即不会给路段A造成影响，因此可以预测出路段A在晚高峰小于对应的车辆通行量，发生拥堵概率较小，即在其他用户当天查询路径或者导航时，可以返回涉及路段A的规划路线。

从而通过上述的方法，通过上述各出行预测模型预测出在预设的未来时段内车辆的出行信息，并与道路的通行量进行比较，特别是绝大多数车辆都以天为周期使用车辆，针对早晚高峰时路况的临时变化可以准确预测出在预设的未来时段内道路的通行状态，从而返回给用户最佳的行驶路线，方便用户出行。

实施例四

参照图4，给出了本发明实施例四提供的道路状况的规划装置结构图。

相应的，本发明实施例还提供了一种道路状况的规划装置，包括：

预测模块41，用于根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布；

第一分析模块42，用于根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息；

第二分析模块43，用于依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态，其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

综上所述，本发明实施例可以根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布，并进一步根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，准确预测每辆车辆在预设的未来时段，评估每辆车辆对各路段造成的影响，针对路况的临时变化准确预测路网中各路段将形成的拥堵位置和拥堵程度，减少用户的出行时间。

参照图5，给出了本发明实施例四提供的道路状况的规划装置的可选结构图。

可选的，所述预测模块41，包括：

输入子模块411，用于将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率；

预测子模块412，用于通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布。

可选的，所述第一分析模块42，用于根据每车的当前行驶行为对对应车辆的行驶信息分布进行分析，预测所述车辆在未来时段内的移动轨迹，以及未来时段内各时刻的实时位置，从而构成所述车辆在所述未来时段对应的出行信息。

可选的，所述第一分析模块42，用于在所述未来时段为晚高峰时，根据采集的各车辆在早高峰时的行驶行为对预测得到的各车辆在晚高峰时行驶信息分布进行分析，得到在晚高峰时各车辆的出行信息。

可选的，还包括通行量确定模块44，用于确定所述各道路对应的车辆通行量；

所述通行量确定模块44，包括：

获取子模块441，用于获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；

通行量确定子模块442，用于依据所述道路信息确定所述道路上行驶车辆的饱和阈值，将所述饱和阈值作为所述道路的车辆通行量。

可选的，所述通行量确定子模块443，用于获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

可选的，所述第二分析模块43，包括：

出行信息分析子模块431，用于按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目；

通行状态预测子模块432，用于将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态。

可选的，所述预测子模块412，用于按时序整合所述预设的出行预测模型输出的各车辆对应的状态概率；其中，所述各车辆对应的状态概率包括：目的地概率、行驶路线概率和行驶行为数据；根据各车辆对应的状态概率统计各车辆在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，构成各车辆在预设的未来时段的行驶信息分布。

可选的，还包括：

模型建立模块45，用于当采集的车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型；当采集的车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型；当采集的车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型；当采集的车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。

可选的，所述输入子模块411，用于将所述预设的未来时段输入所述行驶行为预测模型，确定所述用户的行驶行为数据；将所述预设的未来时段输入所述出行目的预测模型，确定所述用户的目的地概率；将所述目的地概率输入所述出行路线预测模型，确定所述用户的行驶路线概率。

可选的，所述出行信息包括：车辆在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹；所述出行信息分析子模块431，用于整合所述车辆在预设的未来时段内各时刻的实时移动位置，确定各道路上的用户数目；确定所述用户数目在道路上的覆盖系数，并依据所述覆盖系数和所述用户数据确定各道路上的车辆数目。

可选的，所述通行状态预测子模块432，用于检测各道路所述车辆数目是否大于所述车辆通行量；当所述车辆数目大于所述车辆通行量时，所述道路的通行状态为拥堵；当所述车辆数目小于或等于所述车辆通行量，所述道路的通行状态为通畅。

本发明实施例中对通行量确定模块44和模型建立模块45的先后顺序不做限定，可以如图5将通行量确定模块44置于模型建立模块45，也可以将模型建立模块45置于通行量确定模块44之前。

综上所述，本发明实施例可以通过各类车辆信息建立不同的预测模型，包括出行目的预测模型、出行路线预测模型、综合对用户的目的地数据、行驶路线数据、行驶行为数据和通行数据，进行分析，准确预测每辆车辆在预设的未来时段、特别是当天早晚高峰期内的移动轨迹和实时移动位置，评估每辆车辆对各路段造成的影响，针对路况的临时变化准确预测路网中各路段将形成的拥堵位置和拥堵程度。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种道路状况的规划方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (24)

1.一种道路状况的规划方法，其特征在于，包括：

根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布；

根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息；

依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态；其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

2.根据权利要求1所述的方法，其特征在于，所述根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布，包括：

将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率；

通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布。

3.根据权利要求2所述的方法，其特征在于，所述通过所述各车辆对应的状态概率统计各车辆在预设的未来时段的行驶信息分布，包括：

按时序整合所述预设的出行预测模型输出的各车辆对应的状态概率；其中，所述各车辆对应的状态概率包括：目的地概率、行驶路线概率和行驶行为数据；

根据各车辆对应的状态概率统计各车辆在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，构成各车辆在预设的未来时段的行驶信息分布。

4.根据权利要求1所述的方法，其特征在于，所述根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息，包括：

根据每车的当前行驶行为对对应车辆的行驶信息分布进行分析，预测所述车辆在未来时段内的移动轨迹，以及未来时段内各时刻的实时位置，从而构成所述车辆在所述未来时段对应的出行信息。

5.根据权利要求1所述的方法，其特征在于，所述未来时段为晚高峰时，所述根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息具体为：

根据采集的各车辆在早高峰时的行驶行为对预测得到的各车辆在晚高峰时行驶信息分布进行分析，得到在晚高峰时各车辆的出行信息。

6.根据权利要求1所述的方法，其特征在于，还包括所述各道路对应的车辆通行量的确定方法：

获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；

依据所述道路信息确定各道路上行驶车辆的饱和阈值，并将所述饱和阈值作为车辆通行量。

7.根据权利要求6所述的方法，其特征在于，所述依据所述道路信息确定各道路上行驶车辆的饱和阈值，包括：

获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；

将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

8.根据权利要求1所述的方法，其特征在于，所述依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态，包括：

按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目；

将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态。

9.根据权利要求1、4、5或8任一所述的方法，其特征在于，所述出行信息包括：车辆在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹；

所述按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路上在未来时段内的车辆数目，包括：

整合在预设的未来时段内各时刻的实时移动位置，确定各道路上的用户数目；

确定所述用户数目在道路上的覆盖系数，并依据所述覆盖系数和所述用户数据确定各道路上的车辆数目。

10.根据权利要求8所述的方法，其特征在于，所述将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态，包括：

检测各道路所述车辆数目是否大于所述车辆通行量；

当所述车辆数目大于所述车辆通行量时，所述道路的通行状态为拥堵；

当所述车辆数目小于或等于所述车辆通行量，所述道路的通行状态为通畅。

11.根据权利要求1、2或3任一所述的方法，其特征在于，还包括所述出行预测模型的确定方法：

当采集的车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型；

当采集的车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型；

当采集的车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型；

当采集的车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。

12.根据权利要求11所述的方法，其特征在于，所述将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率，包括：

将所述预设的未来时段输入所述行驶行为预测模型，确定所述用户的行驶行为数据；

将所述预设的未来时段输入所述出行目的预测模型，确定所述用户的目的地概率；

将所述目的地概率输入所述出行路线预测模型，确定所述用户的行驶路线概率。

13.一种道路状况的规划装置，其特征在于，包括：

预测模块，用于根据预设的出行预测模型预测各车辆在预设的未来时段的行驶信息分布；

第一分析模块，用于根据采集的各车辆的行驶行为对所述行驶信息分布进行分析，得到在所述未来时段各车辆的出行信息；

第二分析模块，用于依据所述车辆在未来时段内的出行信息和各道路对应的车辆通行量，分析在所述未来时段内各道路的通行状态；其中，所述车辆通行量是道路上行驶车辆的饱和阈值。

14.根据权利要求13所述的装置，其特征在于，所述预测模块，包括：

输入子模块，用于将预设的未来时段输入所述预设的出行预测模型，得到各车辆对应的状态概率；

预测子模块，用于通过所述各车辆对应的状态概率统计预测各车辆在预设的未来时段的行驶信息分布。

15.根据权利要求14所述的装置，其特征在于：

所述预测子模块，用于按时序整合所述预设的出行预测模型输出的各车辆对应的状态概率；其中，所述各车辆对应的状态概率包括：目的地概率、行驶路线概率和行驶行为数据；根据各车辆对应的状态概率统计各车辆在预设的未来时段的移动轨迹，以及预设的未来时段内各时刻的实时移动位置，构成各车辆在预设的未来时段的行驶信息分布。

16.根据权利要求13所述的装置，其特征在于：

所述第一分析模块，用于根据每车的当前行驶行为对对应车辆的行驶信息分布进行分析，预测所述车辆在未来时段内的移动轨迹，以及未来时段内各时刻的实时位置，从而构成所述车辆在所述未来时段对应的出行信息。

17.根据权利要求13所述的装置，其特征在于；

所述第一分析模块，用于在所述未来时段为晚高峰时，根据采集的各车辆在早高峰时的行驶行为对预测得到的各车辆在晚高峰时行驶信息分布进行分析，得到在晚高峰时各车辆的出行信息。

18.根据权利要求13所述的装置，其特征在于，还包括：

通行量确定模块，用于确定所述各道路对应的车辆通行量；

所述通行量确定模块，包括：

获取子模块，用于获取路网中各道路的道路信息，其中，所述道路信息包括以下至少一项：车道数量、路线形状、限速信息和车流信息；

通行量确定子模块，用于依据所述道路信息确定所述道路上行驶车辆的饱和阈值，将所述饱和阈值作为所述道路的车辆通行量。

19.根据权利要求18所述的装置，其特征在于：

所述通行量确定子模块，用于获取全网中记录的各车辆的历史轨迹，拆分所述历史轨迹中对应的路段，得到路网中各路段的道路信息；将所述道路信息按时序进行统计，分析路网中各路段在对应时刻的流量数据，从而确定各道路在拥堵状态时的车辆的饱和阈值。

20.根据权利要求13所述的装置，其特征在于，所述第二分析模块，包括：

出行信息分析子模块，用于按道路对所述车辆在未来时段内的出行信息进行统计，确定各道路在未来时段内的车辆数目；

通行状态预测子模块，用于将所述车辆数目与所述道路的车辆通行量进行比较，预测在所述未来时段内各道路的通行状态。

21.根据权利要求13、16、17或20任一所述的装置，其特征在于，所述出行信息包括：车辆在预设的未来时段内各时刻的实时移动位置，以及预设的未来时段的移动轨迹；

所述出行信息分析子模块，用于整合所述车辆在预设的未来时段内各时刻的实时移动位置，确定各道路上的用户数目；确定所述用户数目在道路上的覆盖系数，并依据所述覆盖系数和所述用户数据确定各道路上的车辆数目。

22.根据权利要求20所述的装置，其特征在于：

所述通行状态预测子模块，用于检测各道路所述车辆数目是否大于所述车辆通行量；当所述车辆数目大于所述车辆通行量时，所述道路的通行状态为拥堵；当所述车辆数目小于或等于所述车辆通行量，所述道路的通行状态为通畅。

23.根据权利要求13、14或15任一所述的装置，其特征在于，还包括：

模型建立模块，用于当采集的车辆信息为第一类信息时，对所述第一类信息进行训练，并依据训练结果建立出行目的预测模型；当采集的车辆信息为第二类信息时，对所述第二类信息进行训练，并依据训练结果建立出行路线预测模型；当采集的车辆信息为第三类信息时，对所述第三类信息进行训练，并依据训练结果建立行驶行为预测模型；当采集的车辆信息为第四类信息时，对所述第四类信息进行训练，并依据训练结果建立外部影响模型。

24.根据权利要求23所述的装置，其特征在于：

所述输入子模块，用于将所述预设的未来时段输入所述行驶行为预测模型，确定所述用户的行驶行为数据；将所述预设的未来时段输入所述出行目的预测模型，确定所述用户的目的地概率；将所述目的地数据输入所述出行路线预测模型，确定所述用户的行驶路线概率。