CN106295849A - 快速交通参数估算 - Google Patents

Abstract

采集停止信号灯处关于车辆运动的数据。利用概率模型预测停止信号灯周期时间。将数据与预测的停止信号灯周期时间进行比较。将噪声函数应用到该数据以生成应用噪声的数据。通过利用上述应用噪声的数据对概率模型进行缩放，从而更新用于上述预测的停止信号灯周期时间的概率模型，进而生成新的概率模型。基于由新的概率模型确定的预测的停止信号灯周期时间，通过网络将推荐的车辆操作提供给至少一个车辆计算机。

Description

快速交通参数估算

技术领域

本发明涉及参数估算领域，并且尤其是涉及快速交通参数估算。

背景技术

在城市行驶中，停车标志和交通信号灯可以增加车辆的燃料使用。当车辆处于静止状态、和/或停止并再加速到巡航速度时，燃料效率普遍下降。不幸的是，目前的道路通常是不允许连续的交通流、或者甚至总体上恒定速度的交通流。因此，目前的车辆不能获得能够带来较少的停止、开始、和/或更恒定的巡航速度的优势。

发明内容

根据本发明，提供一种系统，该系统包含具有处理器和存储器的计算机，存储器存储计算机可执行的指令，进而：

采集停止信号灯处关于车辆运动的数据；

利用停止信号灯周期时间的第一概率模型预测第一停止信号灯周期时间，概率模型指示预测的第一停止信号灯周期时间的概率的第一范围；

将采集到的数据与预测的停止信号灯周期时间进行比较进而生成第二概率模型，基于第一概率模型，第二概率模型指定第二预测的停止信号灯周期时间的概率的第二范围；

将噪声函数应用至采集到的数据以生成应用噪声的数据；

通过利用应用噪声的数据调整一组第二概率模型的概率来更新预测的停止信号灯周期时间的第二概率模型，从而生成更新的第二概率模型；以及

至少部分地基于由更新的第二概率模型确定的预测的停止信号灯周期时间，通过网络将推荐的车辆操作提供给至少一个车辆计算机。

根据本发明的一个实施例，其中推荐的车辆操作包括用于减少燃料利用的推荐的行驶模式。

根据本发明的一个实施例，其中推荐的行驶模式包括经确定的推荐的操作速度使得在停止信号灯周期时间内在指定的部分期间车辆到达停止信号灯。

根据本发明的一个实施例，其中推荐的行驶模式包括经确定的到达目的地的路线使得在停止信号灯周期时间的指定部分车辆到达停止信号灯。

根据本发明的一个实施例，其中推荐的车辆操作至少部分地通过当前时间来确定。

根据本发明的一个实施例，其中指令进一步包括用于发送包含推荐的车辆操作的通知到手持式用户设备的指令。

根据本发明的一个实施例，其中指令进一步包括基于停止信号灯周期时间来确定停止信号灯的偏移和占空比的指令。

根据本发明的一个实施例，系统进一步包含数据采集器，该数据采集器用于在车辆运行时间内采集数据。

根据本发明的一个实施例，其中停止信号灯周期时间至少部分地通过车辆运行时间数据来确定。

根据本发明的一个实施例，其中概率模型是多个概率模型中的一个，每个概率模型配置成预测一天中特定时间范围内的停止信号灯时间。

根据本发明的一个实施例，其中指令进一步包括这样的指令，即，用于在将数据与预测的停止信号灯周期时间进行比较后，数据不在预测的停止信号灯时间的阈值内的情况下，选择多个概率模型的下一个、利用概率模型预测停止信号灯周期时间、以及将数据与新的预测的停止信号灯周期时间进行比较。

根据本发明的一个实施例，其中指令进一步包括这样的指令，即，用于在多个概率模型中没有一个生成预测的停止信号灯时间的情况下，生成新的概率模型以及添加到多个概率模型，其中数据落入预测的停止信号灯时间的阈值内。

根据本发明，提供一种方法，该方法包含：

采集停止信号灯处关于车辆运动的数据；

利用停止信号灯周期时间的第一概率模型预测第一停止信号灯周期时间，概率模型指示预测的第一停止信号灯周期时间的概率的第一范围；

将采集到的数据与预测的停止信号灯周期时间进行比较进而生成第二概率模型，基于第一概率模型，第二概率模型指定第二预测的停止信号灯周期时间的概率的第二范围；

将噪声函数应用到采集到的数据以生产应用噪声的数据；

通过利用应用噪声的数据调整一组第二概率模型的概率来更新预测的停止信号灯周期时间的第二概率模型，从而生成更新的第二概率模型；以及

至少部分地基于通过更新的第二概率模型确定的预测的停止信号灯周期时间，通过网络将推荐的车辆操作提供给至少一个车辆计算机。

根据本发明的一个实施例，其中推荐的车辆操作包括用于减少燃料使用的推荐的行驶模式。

根据本发明的一个实施例，其中推荐的行驶模式包括经确定的推荐的操作速度使得在停止信号灯周期时间的指定部分车辆到达停止信号灯。

根据本发明的一个实施例，其中推荐的行驶模式包括经确定的到达目的地的路线使得在停止信号灯周期时间的指定部分车辆到达停止信号灯。

根据本发明的一个实施例，方法进一步包含基于停止信号灯周期时间来确定停止信号灯的偏移和占空比。

根据本发明的一个实施例，其中概率模型是多个概率模型中的一个，每个概率模型配置成预测一天中特定时间范围内的停止信号灯时间。

根据本发明的一个实施例，其中停止信号灯周期时间至少部分地通过车辆运行时间数据来确定。

根据本发明的一个实施例，其中概率模型是多个概率模型中的一个，每个概率模型配置成预测一天中特定时间范围内的停止信号灯时间。

附图说明

图1是用于估算和检索交通参数的系统的框图；

图2是用于估算交通参数的流程的过程流程图；

图3是用于估算停止信号灯(stoplight)周期时间的过程的过程流程图；

图4是停止信号灯周期时间、占空比、及偏移的示例图；

图5是通过一组测量结果展示多个停止信号灯周期的示例图；

图6是用于测定停止信号灯周期时间的噪音函数的示例图。

具体实施方式

图1说明了用于高效地和准确地测定交通信号灯参数的系统100。根据这种测定操作的车辆101可以获得包括减少磨损、和提高燃料效率的益处。特别地，在此公开的交通信号灯参数(包括停止信号灯周期时间)的测定可以通过减少车辆不得不停止的次数带来更好的路线建设和更好的燃料经济性。

车辆101包括具有数据存储区102和数据采集器103的计算设备105。计算设备105包括处理器和存储器，该存储器包括一种或多种形式的计算机可读介质(例如公知的易失性和/或非易失性存储介质)，存储器存储处理器可执行的指令以执行包括在此公开的不同操作。进一步地，计算设备105可以包括多于一个的计算装置，例如包括在车辆101中的控制器或类似用来监测和/或控制不同车辆部件(例如发动机控制单元(ECU)、传输控制单元(TCU)等)。计算设备105总体上配置成用于车载网络和/或通信总线(例如控制器局域网(CAN)总线或类似物)的通信。计算设备105也可以与车载诊断连接器(OBD-II)连接。通过CAN总线、OBD-II、和/或其他有线或无线机制，计算机105可以传输消息到车辆中的不同设备和/或从不同设备(例如控制器、致动器、传感器等)，包括数据采集器103接收消息。可选地或附加地，在计算机105实际上包含多个装置的情况下，CAN总线或类似物可以用于本发明中计算设备105表示的设备之间的通信。

另外，计算设备105可以配置成，例如包括编程和/或已知的硬件，用于与网络110通信，如下所述，网络110可以包括各种有线和/或无线网络技术，例如蜂窝、蓝牙、有线和/或无线分组网络等。进一步地，计算设备105总体上包括用于，例如从一个或多个数据采集器103和/或人机界面(HMI)(例如交互式语音应答(IVR)系统、包括触摸屏或类似物的图形化用户界面(GUI)等)接收数据的指令。

利用计算设备105中例如从数据采集器103、包括为存储参数的数据、服务器等中接收到的数据，计算设备105可以控制不同的车辆101部件和/或操作。例如，计算设备105可以用来控制车辆101的速度、加速度、减速度、转向等。

数据采集器103可以包括各种各样的装置。图1中展示了一个数据采集器103是为了便于说明，但是，如应当从本发明中理解的，车辆101将可能包括多个数据采集器103。例如，车辆中不同控制器可以作为数据采集器103操作用于通过CAN总线提供数据，例如有关车辆速度、加速度等的数据。进一步地，传感器或类似物、全球定位系统(GPS)装置等可以包括在车辆中并配置成数据采集器103从而例如通过有线或无线连接为计算设备105直接地提供数据。数据采集器103也可以包括传感器或类似物以检测车辆101的外部情况，例如中距离和长距离传感器。例如，传感器数据采集器103可以包括例如雷达、激光雷达、声纳、摄像机或其他图像捕捉装置的机构，其可以部署为测量车辆101与其他车辆或目标之间的距离以检测其他车辆或目标、和/或以检测路况，例如弯道、凹坑、凹陷处、凸块、坡度改变等。另外，数据采集器103可以包括在车辆101内部的传感器，例如加速度计、温度传感器、运动检测器等，用来检测车辆101的运动或其他状态。

计算设备105的存储器总体上存储采集的数据104。采集的数据104可以包括车辆101中从数据采集器103采集到的各种数据。上面提供了采集到的数据104的示例，并且此外，数据可以附加地包括计算设备105中从中计算得到的数据。总的来说，采集到的数据104可以包括数据采集器103可以收集到的和/或从计算设备中计算得到的任何数据。因此，采集到的数据104可以包括有关车辆101的操作和/或性能的各种数据，以及有关尤其关于车辆101运动的数据。例如，采集到的数据可以包括有关车辆101的速度、加速度、纵向运动、横向运动、俯仰、横摆、侧倾、制动等的数据。

计算设备105的存储器可以进一步存储一个或多个控制参数。控制参数总体上控制采集到的数据104的使用。例如，参数可以提供阈值，计算得到的采集到的数据可以与该阈值进行比较进而确定是否调节部件。同样地，参数可以提供阈值，低于该阈值的采集到的数据项(例如来自加速度计的基准数据)应当被忽略。

系统100包括网络110。网络110表示一种或多种机制，通过该机制，计算设备105可以与用户设备125和/或交通参数服务器130通信。因此，网络110可以是不同的有线或无线通信机制的一种或多种，包括有线(例如电缆和光缆)和/或无线(例如蜂窝、无线、卫星、微波、和射频)通信机制的任何所需组合以及任何所需的网络拓扑(或在利用多种通信机制时的拓扑)。示例性通信网络包括无线通信网络(例如使用蓝牙、电气与电子工程师协会(IEEE)802.11等)、局域网(LAN)、和/或广域网(WAN)(包括互联网)，用于提供数据通信服务。

一个或多个用户设备125(为了便于解释，图1示出了单个设备125)可以连接到网络110。用户设备125可以包括通常携带的设备，例如手机、平板电脑、笔记本电脑等中的一种或多种。

系统100包括具有数据存储区135的交通参数服务器130。交通参数服务器130采集通过网络110发送的交通信号灯参数数据，例如从车辆101、数据采集器115等采集到的数据104。交通参数服务器130和数据存储区135可以是任何合适的类型，例如硬盘驱动器、固态驱动器、或任何其他易失性或非易失性介质。数据存储区135存储通过交通参数服务器130采集到的交通信号灯参数数据。

系统100包括数据采集器115。数据采集器115可以设置在十字路口和/或交通信号灯中。在十字路口处，数据采集器115测量车辆101的运动开始时间(SOMT)。SOMT可以用于在服务器130内生成SOMT数据集。如图5所示，SOMT数据集可以包括一个或多个停止信号灯周期，例如绿-黄-红-绿。

图2阐述了使用该系统100的过程200。过程200开始于框205，其中数据采集器103、115采集车辆101的SOMT数据。具体地，数据采集器103、115检测第i个车辆的状态改变：当车辆停止时，记录这个时间，在此用t_r(i)表示。当车辆再次开始运动时，记录再启动时间，在此用t_g(i)。采集交通信号灯持续时间，在此用t_p(i)表示，并且记录车辆的朝向(例如前进方向)，在此用h(i)表示。

接着，在框210中，数据采集器103、115发送SOMT数据到交通参数服务器130。通过使用交通信号灯和车辆101中的数据采集器，与原本可能的相比更大量的有用数据可以被采集并发送到交通参数服务器130。从车辆采集的SOMT数据可以根据车辆的前进方向群集索引(例如南行车辆的数据可以被存储在一起、北行车辆的数据可以被存储在一起等)，并且按时间顺序排列。

接着，在框220中，交通参数服务器130应用停止信号灯周期时间模型(图3所示的过程300中描述)至上述数据并且生成估算的停止信号灯周期时间。

接着，在框225中，基于框220(和过程300)的估算的停止信号灯周期时间，交通参数服务器130计算占空比和偏移。停止信号灯的偏移p是在一组停止信号灯周期时间的结束和另一组停止信号灯周期时间的结束之间的时间差，并且根据总周期时间内应用到绿灯时间的模数运算确定：

$\mathrm{\ρ}\left(k\right)=\mathrm{mod}\left(min\right(t_{g,u}^{l,o}),x(k\left)\right)$

上述方程的结果可能容易出错；因此，迭代计算线性漂移项γ：

${\mathrm{\γ}}_{l,o}=\mathrm{mod}\left(min\right(t_{g,u}^{l,o}),(\mathrm{\α}+1\left)p^{*}\right)-\mathrm{mod}\left(min\right(t_{g,w}^{l,o}),{\mathrm{\αp}}^{*})$

其中，p^*是估算的停止信号灯周期时间。占空比λ(绿灯所需时间与总的停止信号灯周期时间的比值)可以计算为：

$\mathrm{\λ}\left(k\right)=\frac{{\mathrm{\ΔT}}_g}{{\mathrm{\ΔT}}_g+{\mathrm{\ΔT}}_r}$

其中，ΔT_g是记录的次数t_p和根据估算值p、p计算得到的最后一个绿灯时间之间的最大时间差，以及ΔT_r是正到达的车辆的停止时间t_r和下一个绿灯时间之间的最大时间差。总的绿灯和红灯次数可以通过下式近似：

对于i＝1…N_p

对于i＝1…N_r

其中，N_p和N_r对应于t_p和t_r测量结果的各自的数字，如上所述。

接着，在框230中，交通参数服务器130在数据存储区135中存储估算的周期，用于生成车队数据集。

接着，在框235中，当用户从交通参数服务器130请求停止灯周期时间数据时，交通参数服务器130基于用户车辆的位置和停止灯周期时间数据提出调节用户车辆配置文件的建议。建议可能包括改变车辆的行驶速度、到达目的地的路线、或者基于即将到来的交通信号灯的加速度。

接着，在框240中，交通参数服务器130发送建议到用户，流程200结束。

图3阐述了描述图2中框220的停止信号灯周期时间模型的过程300。过程300开始于框305，其中SOMT基准k被采集并提供给服务器130。

接着，在框310中，服务器130检索第一持续时间的周期概率模型：

$x^i\left(k\right)=f_x^i\left(x^i\right(k-1\left)\right)=x^i(k-1)$

其中，xⁱ(k)是框305中检索到的当前SOMT基准k的当前周期概率模型，并且是在数据达到基准k-1的情况下先前基准k-1的周期的概率密度函数，以及i是当前持续时间索引。

接着，在框315中，服务器130将基准k与周期估算值xⁱ(k)比较。基于当前持续时间索引，周期估算xⁱ(k)生成停止信号灯周期时间的最可能的估算值。如果测量结果不在停止信号灯周期时间的最可能的估算值的阈值范围内，则过程300跳转到框320。

接着，在框320中，服务器130核对以确定是否还存在持续时间索引i。如果存在更多持续时间索引，则过程300跳转到框325。

接着，在框325中，服务器130检索下一个持续时间索引i+1的周期概率模型并返回到框315。

重新参照框320，如果不再有持续时间索引，则过程300跳转到框330。在框330中，服务器130生成持续时间索引并根据初始的周期概率模型初始化新的持续时间索引。然后，过程300跳转到框335。

重新参照框315，如果基准k位于当前马尔可夫(Markovian)状态的周期概率的阈值中，则过程300跳转到框335。

在框335中，服务器130存储上述测量结果并将噪声函数w(k)应用至存储的测量结果。噪声函数是应用到测量结果的高斯噪声的混合，因此

z(k)＝x(k)+w(k)

其中，z(k)是噪声调整的周期概率模型。通过应用噪声函数到测量结果，周期x(k)可以根据少数总的测量结果k估算。如图6所示，噪声函数的概率密度函数通过以下限定：

$f_w\left(w\right)=\frac{1}{\sqrt{2{\mathrm{\π\σ}}^2}}\left(\frac{{\mathrm{\Σ}}_{i=0}^{N-1}{e}^{-ai}\·e(-\frac{1}{2}\·\frac{w\left(k\right)-ip}{{\mathrm{\σ}}^2})}{{\mathrm{\Σ}}_{j=0}^{N-1}{e}^{-aj}}\right)$

其中，σ是标准偏差，a是高斯混合的衰减系数，以及N是高斯噪声的数量，该高斯噪声的数量的显著性随着周期倍数增加而衰减。

接着，在框340中，服务器130更新周期概率模型。此时，概率模型可以写为：

此后，新的基准k被合并用于更新周期概率密度函数，

其中，f_x(x(k)|z(1:k))表示在测量结果达到k的情况下基准k的估算状态的概率密度函数，f_x(x(k)|z(1:k-1))是先前更新阶段的输出，以及f_z(z(k)|x(k))是随机测量模型z(k)的概率密度函数。

接着，在框342中，服务器130检查持续时间是否已经例如从框325或框330改变。如果持续时间未改变，则过程300结束。如果持续时间已经改变，则过程300跳转到框345。

接着，在框345中，服务器更新持续时间索引矩阵，其存储每个持续时间索引的长度dⁱ，并且过程300结束。

计算设备(例如在此讨论的)中的每一个包括一个或多个计算装置(例如以上描述的)可执行的、以及用于实施上述过程的框或步骤的指令。计算机可执行指令可以从利用不同编程语言和/或技术(包括，但不限于，以及或者单独或者组合的Java^TM、C、C++、VisualBasic、Java脚本、Perl、HTML等)撰写的计算机程序编译或解释。一般地，处理器(例如微处理器)，例如从存储器、计算机可读介质等接收指令，并执行这些指令，由此实施一个或多个流程，包括在此描述的流程中的一个或多个。这些指令和其他数据可以通过不同的计算机可读介质存储和传输。计算设备中的文件通常是存储在计算机可读介质(例如存储介质、随机存取存储器等)中的数据集合。

计算机可读介质包括参与提供可以被计算机读取的数据(例如指令)的任何介质。这种介质可以采取多种形式，包括，但不限于，非易失性介质、易失性介质等。非易失性介质包括，例如，光盘或磁盘以及其他持久存储器。易失性介质包括动态随机存取存储器(DRAM)，其典型地包含主存储器。计算机可读介质的一般形式包括，例如，软盘、柔性盘、硬盘、磁带、任何其他磁介质、只读光盘驱动器(CD-ROM)、数字化视频光盘(DVD)、任何其他光学介质、穿孔卡、纸制磁带、任何其他具有孔的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、电可编程序只读存储器(EPROM)、闪存EEPROM、任何其他内存芯片或墨盒、或任何其他计算机可读的介质。

有关在此描述的介质、过程、系统、方法等，应当理解为，虽然这些过程等的步骤被描述为按照一定顺序发生，但是这些过程可以通过所描述的步骤以一种除在此描述的顺序的顺序实践。还应理解，可以同时执行某些步骤，可以添加其他步骤，或者可以省略在此描述的某些步骤。换句话说，在此提供的系统和/或流程的说明书用于阐述某些实施例，不应被解释为限制本发明。

因此，应当理解的是，以上描述是解释性的而非限制性的。除了提供的示例外，在阅读上面说明书后，许多实施例和应用对本领域人员是显而易见的。本发明的范围应该是确定的，不是参照以上描述，而是应当参照在此附属和/或包括在非临时专利申请中的权利要求书确定，连同权利要求书享有的等价物的全部范围。预期和目的在于未来的发展将发生在在此讨论的领域内，并且公开的系统和方法将被纳入未来实施例中。总之，应当理解的是，在此公开的主题内容可以修改和变型。

Claims (20)

1.一种系统，所述系统包含具有处理器和存储器的计算机，所述存储器存储所述计算机可执行的指令，进而：

采集停止信号灯处关于车辆运动的数据；

利用停止信号灯周期时间的第一概率模型预测所述第一停止信号灯周期时间，所述概率模型指示所述预测的第一停止信号灯周期时间的概率的第一范围；

将所述采集到的数据与所述预测的停止信号灯周期时间进行比较进而生成第二概率模型，基于所述第一概率模型，所述第二概率模型指定第二预测的停止信号灯周期时间的概率的第二范围；

将噪声函数应用至所述采集到的数据以生成应用噪声的数据；

通过利用所述应用噪声的数据调整一组所述第二概率模型的所述概率来更新所述预测的停止信号灯周期时间的所述第二概率模型，从而生成更新的第二概率模型；以及

至少部分地基于由所述更新的第二概率模型确定的所述预测的停止信号灯周期时间，通过网络将推荐的车辆操作提供给至少一个车辆计算机。

2.根据权利要求1所述的系统，其中所述推荐的车辆操作包括用于减少燃料利用的推荐的行驶模式。

3.根据权利要求2所述的系统，其中所述推荐的行驶模式包括经确定的推荐的操作速度使得在所述停止信号灯周期时间内在指定的部分期间车辆到达所述停止信号灯。

4.根据权利要求3所述的系统，其中所述推荐的行驶模式包括经确定的到达目的地的路线使得在所述停止信号灯周期时间的所述指定部分所述车辆到达所述停止信号灯。

5.根据权利要求1所述的系统，其中所述推荐的车辆操作至少部分地通过当前时间来确定。

6.根据权利要求1所述的系统，其中所述指令进一步包括用于发送包含所述推荐的车辆操作的通知到手持式用户设备的指令。

7.根据权利要求1所述的系统，其中所述指令进一步包括基于所述停止信号灯周期时间来确定所述停止信号灯的偏移和占空比的指令。

8.根据权利要求1所述的系统，所述系统进一步包含数据采集器，所述数据采集器用于在车辆运行时间内采集所述数据。

9.根据权利要求1所述的系统，其中所述停止信号灯周期时间至少部分地通过所述车辆运行时间数据来确定。

10.根据权利要求1所述的系统，其中所述概率模型是多个概率模型中的一个，每个所述概率模型配置成预测一天中特定时间范围内的所述停止信号灯时间。

11.根据权利要求10所述的系统，其中所述指令进一步包括这样的指令，即，用于在将所述数据与所述预测的停止信号灯周期时间进行比较后，所述数据不在所述预测的停止信号灯时间的阈值内的情况下，选择所述多个概率模型中的下一个、利用所述概率模型预测所述停止信号灯周期时间、以及将所述数据与所述新的预测的停止信号灯周期时间进行比较。

12.根据权利要求11所述的系统，其中所述指令进一步包括这样的指令，即，用于在所述多个概率模型中没有一个生成预测的停止信号灯时间的情况下，生成新的概率模型以及添加到所述多个概率模型，其中所述数据落入所述预测的停止信号灯时间的阈值内。

13.一种方法，所述方法包含：

采集停止信号灯处关于车辆运动的数据；

利用停止信号灯周期时间的第一概率模型预测所述第一停止信号灯周期时间，所述概率模型指示所述预测的第一停止信号灯周期时间的概率的第一范围；

将所述采集到的数据与所述预测的停止信号灯周期时间进行比较进而生成第二概率模型，基于所述第一概率模型，所述第二概率模型指定第二预测的停止信号灯周期时间的概率的第二范围；

将噪声函数应用到所述采集到的数据以生产应用噪声的数据；

通过利用所述应用噪声的数据调整一组所述第二概率模型的所述概率来更新所述预测的停止信号灯周期时间的所述第二概率模型，从而生成更新的第二概率模型；以及

至少部分地基于通过所述更新的第二概率模型确定的所述预测的停止信号灯周期时间，通过网络将推荐的车辆操作提供给至少一个车辆计算机。

14.根据权利要求13所述的方法，其中所述推荐的车辆操作包括用于减少燃料使用的推荐的行驶模式。

15.根据权利要求14所述的方法，其中所述推荐的行驶模式包括经确定的推荐的操作速度使得在所述停止信号灯周期时间的指定部分期间车辆到达所述停止信号灯。

16.根据权利要求15所述的方法，其中所述推荐的行驶模式包括经确定的到达目的地的路线使得在所述停止信号灯周期时间的所述指定部分所述车辆到达所述停止信号灯。

17.根据权利要求13所述的方法，所述方法进一步包含基于所述停止信号灯周期时间来确定所述停止信号灯的偏移和占空比。

18.根据权利要求13所述的方法，其中所述概率模型是多个概率模型中的一个，每个所述概率模型配置成预测一天中特定时间范围内的所述停止信号灯时间。

19.根据权利要求13所述的方法，其中所述停止信号灯周期时间至少部分地通过车辆运行时间数据来确定。

20.根据权利要求13所述的方法，其中所述概率模型是多个概率模型中的一个，每个所述概率模型配置成预测一天中特定时间范围内的所述停止信号灯时间。