CN106504534B - 一种预测道路路况的方法、装置及用户设备 - Google Patents

一种预测道路路况的方法、装置及用户设备 Download PDF

Info

Publication number
CN106504534B
CN106504534B CN201611070712.6A CN201611070712A CN106504534B CN 106504534 B CN106504534 B CN 106504534B CN 201611070712 A CN201611070712 A CN 201611070712A CN 106504534 B CN106504534 B CN 106504534B
Authority
CN
China
Prior art keywords
road condition
condition data
label
history
history road
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201611070712.6A
Other languages
English (en)
Other versions
CN106504534A (zh
Inventor
孙海涛
尤波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Cennavi Technologies Co Ltd
Original Assignee
Beijing Cennavi Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Cennavi Technologies Co Ltd filed Critical Beijing Cennavi Technologies Co Ltd
Priority to CN201611070712.6A priority Critical patent/CN106504534B/zh
Publication of CN106504534A publication Critical patent/CN106504534A/zh
Application granted granted Critical
Publication of CN106504534B publication Critical patent/CN106504534B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Abstract

本发明提供一种预测道路路况的方法、装置及用户设备，涉及路况预测技术领域，用于解决现有技术中无法满足用户以更小时间粒度对道路的路况进行预测的需求的问题。该方法包括：获取待预测道路的历史路况数据；根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组；对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；根据聚类集合内的历史路况数据的生成日期对聚类集合内的历史路况数据打上标签；计算各聚类集合对应各标签的推荐因子；获取任一标签的推荐聚类集合；根据标签的推荐聚类集合预测待预测道路在一天中各时间段的道路路况。本发明用于预测道路路况。

Description

一种预测道路路况的方法、装置及用户设备
技术领域
本发明涉及路况预测技术领域，尤其涉及一种预测道路路况的方法、装置及用户设备。
背景技术
在现代社会，社会经济迅速发展，汽车日益普及，城市交通面临的压力越来越大，交通拥堵日益严重。减轻交通拥堵，有利于节省驾车人出行时间、减少燃油消耗、提高城市经济效率和促进环境保护。因此，道路路况预测产品，是城市智能交通系统的重要组件之一。道路状况预测，是道路路况预测产品的核心功能。它旨在挖掘交通信息的历史特征，预测将来时间的城市道路状况，弥补实时交通信息采集系统的延迟；它能让驾车者了解未来的交通状况。
现有技术中已开发出的道路路况预测产品中，普遍使用将一定时间粒度内道路的历史路况数据进行加权来对道路路况进行预测。这种道路路况预测产品普遍以1小时为时间粒度对道路的路况进行预测，虽然，用户可以根据现有的道路路况预测产品对一定时间粒度的平均路况进行预测，但是无法满足用户以更小时间粒度对道路的路况进行预测的需求，因此用户体验不高。
发明内容
本发明的实施例提供一种预测道路路况的方法、装置及用户设备，用于解决现有技术中无法满足用户以更小时间粒度对道路的路况进行预测的需求，提高用户体验。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，提供一种预测道路路况的方法，包括：
获取待预测道路的历史路况数据；
根据所述历史路况数据的生成时间在一天中所属的时间段将所述历史路况数据划分成至少两个数据组；
对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；
根据所述聚类集合内的历史路况数据的生成日期对所述聚类集合内的历史路况数据打上标签；
计算各聚类集合对应的各标签的推荐因子，其中，某一聚类集合对应某一标签的推荐因子与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比；
获取任一标签的推荐聚类集合；其中，任一标签的推荐聚类集合为聚类集合中对应该标签的推荐因子最大的聚类集合；
根据标签的推荐聚类集合预测待所述预测道路在一天中各时间段的道路路况。
第二方面，提供一种预测道路路况的装置，包括：
获取单元，用于获取待预测道路的历史路况数据；
处理单元，用于根据所述历史路况数据的生成时间在一天中所属的时间段将所述历史路况数据划分成至少两个数据组；对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；根据所述聚类集合内的历史路况数据的生成日期对所述聚类集合内的历史路况数据打上标签；计算各聚类集合对应的各标签的推荐因子；获取任一标签的推荐聚类集合；其中，某一聚类集合对应某一标签的推荐因子与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比，任一标签的推荐聚类集合为聚类集合中对应该标签的推荐因子最大的聚类集合；
预测单元，用于根据标签的推荐聚类集合预测所述待预测道路在一天中各时间段的道路路况。
第三方面，提供一种用户设备，包括第二方面所述的预测道路路况的装置。
本发明实施例提供的预测道路路况的方法，首先获取待预测道路的历史路况数据；其次根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组；再对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；然后根据聚类集合内的历史路况数据的生成日期对聚类集合内的历史路况数据打上标签；再后计算各聚类集合对应的各标签的推荐因子并获取任一标签的推荐聚类集合，最后根据标签的推荐聚类集合预测待预测道路在一天中各时间段的道路路况。因为标签的推荐聚类集合包含了全天中各个时间段内各个时刻的道路路况数据，所以通过上述实施例可以对任意时刻的道路的路况进行预测，所以本发明实施例可以更小时间粒度对道路的路况进行预测，从而提高用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例提供的预测道路路况的方法的步骤流程图；
图2为本发明实施例提供的聚类集合1的示意图；
图3为本发明实施例提供的聚类集合2的示意图；
图4为本发明实施例提供的数据组内的历史路况数据聚类后其中一个聚类集合的示意图；
图5为本发明实施例提供的标签的示意性结构图；
图6为本发明实施例提供的聚类集合3的示意图；
图7为本发明实施例提供的预测道路路况的装置的示意性结构图。
具体实施方式
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做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。
需要说明的是，本发明实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是，本发明实施例中，“的(英文：of)”，“相应的(英文：corresponding，relevant)”和“对应的(英文：corresponding)”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是一致的。
本发明实施例提供的预测道路路况的方法的执行主体可以为预测道路路况的装置或者可以用于执行上述预测道路路况的方法的用户设备。其中，预测道路路况的装置可以为上述用户设备中的中央处理器(Central Processing Unit，CPU)、CPU与存储器等硬件的组合、或者可以为上述用户设备中的其他控制单元或者模块。
本发明的实施例提供一种预测道路路况的方法，具体的，参照图1所示，该预测道路路况的方法包括如下步骤：
S11、获取待预测道路的历史路况数据。
具体的，可以通过对待预测道路的历史路况进行监控并记录获取待预测道路的历史路况数据。本发明实施例中不限限定获取待预测道路的历史路况数据的方式，以能够获取待预测道路的历史路况数据为准。
S12、根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组。
示例性的，可以将一天中的0:00-7:00、7:00-9:00、9:00-17:00、17:00-19:00、19:01-24:00别分划分为一个时间段，从而将历史路况数据划分成5个数据组；也可以将一天中的每一个小时作为一个时间段，从而将历史路况数据划分成24个数据组；还可以将0:00-6:00、6:00-12:00、12:00-18:00、18:00-24:00别分划分为一个时间段，从而将历史路况数据划分成4个数据组。本发明实施例中对时间段的划分方法以及划分形成时间段的数量均不做限定，本领域技术人员可以根据实际需求将任意作为相邻时间段的分界点，进而将一天划分为任意数量的时间段。
将一天时间划分成至少两个时间段后，根据各天的历史路况数据的生成时间在一天中所属的时间段可以将任一天的历史路况数据分为至少两部分，然后再将属于同一时间段的历史路况数据进行归类形成至少两个数据组。此外，由上述数据组划分方式可知，数据组分别对应一天中的一个时间段。
S13、对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合。
其中，聚类是指将物理或抽象对象的集合分成由类似的对象组成的多个类，具体应用于本发明实施例中则是指将各数据组内相类似的历史路况数据归为一个聚类集合。
S14、根据聚类集合内的历史路况数据的生成日期对聚类集合内的历史路况数据打上标签。
示例性，标签可以包括至少一个对路况数据有影响的因素，例如：历史路况数据的生成日期是否为工作日；再例如:历史路况数据的生成日期的限行号码等。
参照图2所示，图2中以聚类集合1中包括：2016年1月1日-2016年1月10日十天的历史数据，标签为是否工作日为例进行说明。
2016年1月1日-2016年1月10日分别为节假日、节假日、节假日、工作日、工作日、工作日、工作日、工作日、休息日、休息日。因此，如图2所示，聚类集合1中包括10个标签；节假日标签数量为3、工作日标签数量为5、休息日标签数量为2。
参照图3所示，图3中以聚类集合2中包括：2016年6月1日-2016年6月10日十天的历史数据，标签为是否为工作日为例进行说明。
2016年6月1日-2016年6月10日分别为工作日、工作日、工作日、休息日、休息日、工作日、工作日、工作日、节假日、节假日。因此，如图3所示，聚类集合2中包括10个标签；节假日标签数量为2、工作日标签数量为6、休息日标签数量为2。
S14、计算各聚类集合对应的各标签的推荐因子。
其中，某一聚类集合对应某一标签的推荐因子与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比。
即，若某一聚类集合中某一标签的数量越多且该标签的数量占该聚类集合的全部分数量的比重越大，则该聚类集合对应该标签的推荐因子越大。
S15、获取任一标签的推荐聚类集合。
其中，任一标签的推荐聚类集合为聚类集合中对应该标签的推荐因子最大的聚类集合。
示例性的，当某一数据组中仅包括上述聚类集合1和聚类集合2时，由于在上述聚类集合1中，工作日标签数量为5且工作日的数量5占聚类集合1中全部标签的数量10的比重为50％，节假日的数量为3且节假日的数量3占聚类集合1中全部标签的数量10的比重为30％，休息日的数量为2且休息日的数量2占聚类集合1全部标签的数量10的比重为20％，在上述聚类集合2中，工作日的数量为6且工作日的数量6占聚类集合2的全部标签的数量10的比重为60％，节假日的数量为2且节假日的数量2占聚类集合2的全部标签的数量10的比重为20％，休息日的数量为2且休息日的数量2占聚类集合2的全部标签的数量10的比重为20％。因此，聚类集合2对应工作日的推荐因子大于聚类集合1对应工作日的推荐因子，聚类集合1对应节假日的推荐因子大于聚类集合2对应节假日的推荐因子，工作日的推荐聚类集合为聚类集合2，节假日的推荐聚类集合为聚类集合1。此外，由于休息日在聚类集合1和聚类集合2中的数量以及所占比重均相同，因此聚类集合2对应休息日的推荐因子等于聚类集合1对应休息日的推荐因子，休息日的推荐聚类集合为聚类集合1或聚类集合2。
S16、根据标签的推荐聚类集合预测待预测道路在一天中各时间段的道路路况。
具体的，在针对某一时刻的道路路况进行预测时，首先获取待预测时刻对应的标签且获取待预测时刻在一天中所属的时间段，然后根据待预测时刻对应的标签以及待预测时刻在一天中所属的时间段获取相应的推荐聚类集合，最后根据推荐聚类集合获取该时间段内每一个时刻的道路路况。进一步的，通过上述方法可以预测待预测道路任意时刻的道路路况，因此本发明实施例可以满足用户以更小时间粒度对道路的路况进行预测的需求，提高用户体验。
本发明实施例提供的预测道路路况的方法，首先获取待预测道路的历史路况数据；其次根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组；再对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；然后根据聚类集合内的历史路况数据的生成日期对聚类集合内的历史路况数据打上标签；再后计算各聚类集合对应的各标签的推荐因子并获取任一标签的推荐聚类集合，最后根据标签的推荐聚类集合预测待预测道路在一天中各时间段的道路路况。因为标签的推荐聚类集合包含了全天中各个时间段内各个时刻的道路路况数据，所以通过上述实施例可以对任意时刻的道路的路况进行预测，所以本发明实施例可以更小时间粒度对道路的路况进行预测，从而提高用户体验。
可选的，上述步骤S13中对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；具体可以通过如下方式实现：
针对每个数据组，计算数据组中的第一历史路况数据与该数据组内其他历史路况数据的皮尔逊积距相关系数(英文全称：Pearson product-moment correlationcoefficient，简称：PMCC)，将与第一历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和第一历史路况数据分为一个聚类集合；
计算剩余数据组内的第二历史路况数据与剩余数据组内其他历史路况数据的皮尔逊积距相关系数，将与第二历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和第二历史路况数据分为一个聚类集合；直至数据组中所有历史路况数据均分为聚类集合，或剩余数据组中剩下一个历史路况数据为止；
其中，剩余数数据组为数据组除已分聚类集合之外的历史路况数据构成剩余数据组。
具体的，皮尔逊积矩相关系数用于度量两个变量线性相关性的强弱，两个变量之间的皮尔逊积矩相关系数定义为这两个变量的协方差与二者标准差积的商。皮尔逊积矩相关系数取值范围为[-1,1]，当取值为1时表示两个变量之间具有线性变化的关系，即一个变量随着另一个变量的增加而增加，而且所有的点都落在一条线上。取-1时则是所有点落在一条线上，但是一个变量随着另一个变量的增加而减小。相关系数值为0是表示变量之间没有线性相关关系。即，在皮尔逊积矩相关系数越大时两个变量之间越相似。
示例性的，以下以数据组3中包括:历史路况数据A、历史路况数据B、历史路况数据C、历史路况数据D、历史路况数据E、历史路况数据F六个历史路况数据且阈值为0.8为例对上述实施例中对数据组内的历史路况数据进行聚类方法进行说明。
首先，计算数据组3中的历史路况数据A与该数据组内其他历史路况数据(历史路况数据B、历史路况数据C、历史路况数据D、历史路况数据E、历史路况数据F)的皮尔逊积距相关系数。
设，历史路况数据A与历史路况数据B的皮尔逊积矩相关系数为0.9，历史路况数据A与历史路况数据C的皮尔逊积矩相关系数为0.7，历史路况数据A与历史路况数据D的皮尔逊积矩相关系数为0.8，历史路况数据A与历史路况数据E的皮尔逊积矩相关系数为0.5，历史路况数据A与历史路况数据F的皮尔逊积矩相关系数为0.6。由于历史路况数据A与历史路况数据B的皮尔逊积矩相关系数为0.9大于阈值0.8、历史路况数据A与历史路况数据D的皮尔逊积矩相关系数为0.8等于阈值0.8，因此将将历史路况数据A、历史路况数据B、历史路况数据D分为一个聚类集合。
将历史路况数据A、历史路况数据B、历史路况数据D分为一个聚类集合后，剩余数据组包括：历史路况数据C、历史路况数据E、历史路况数据F。
其次，计算数据组中的历史路况数据C与该数据组内其他历史路况数据(历史路况数据E、历史路况数据F)的皮尔逊积距相关系数。
设，历史路况数据C与历史路况数据E的皮尔逊积矩相关系数为0.9，历史路况数据C与历史路况数据F的皮尔逊积矩相关系数为0.7。由于历史路况数据C与历史路况数据E的皮尔逊积矩相关系数为0.9大于阈值0.8，因此将将历史路况数据C、历史路况数据E分为一个聚类集合。
将历史路况数据C、历史路况数据E分为一个聚类集合后，剩余数据组包括：历史路况数据F。
最后，将历史路况数据F分为一个聚类集合。
即，将数据组3共分为三个聚类集合，第一个聚类集合包括：历史路况数据A、历史路况数据B、历史路况数据D；第二个聚类集合包括：历史路况数据C、历史路况数据E，第三个聚类集合包括：历史路况数据F。
具体的，参照图4所示，图4为对某一数据组内的历史路况数据进行聚类后的一个聚类集合示意图。图4所示聚类集合中包括：2013.01.04、2013.10.23、2013.12.02、2013.12.23、2013.12.30、2014.01.13、2014.05.12的路况数据。即，对数据组内的历史路况数据进行聚类可以将类似的历史路况数据的分为一个聚类集合。
进一步的，上述步骤14中计算各聚类集合对应的各标签的推荐因子，具体可以通过如下方法实现：
根据公式计算各聚类集合对应各标签的推荐因子，其中，fji为聚类集合i对应标签j的推荐因子；nji为聚类集合i中标签j的数量；ni为聚类集合i中标签的总数量；nji、ni均为正整数。
示例性的，以下以计算上述实施例中的聚类集合1和聚类集合2中对应的各标签的推荐因子为例对上述计算过程进行说明。
在聚类集合1中，工作日的数量为5，节假日标签数量为3，休息日标签数量为2，标签的总数量为10，则聚类集合1对应工作日的推荐因子为：2.5；聚类集合1对应节假日的推荐因子为：0.9，聚类集合1对应休息日的推荐因子为：0.4。在聚类集合2中，工作日的数量为6，节假日标签数量为2，休息日标签数量为2，标签的总数量为10，则聚类集合2对应工作日的推荐因子为：3.6；聚类集合2对应节假日的推荐因子为：0.4，聚类集合2对应休息日的推荐因子为：0.4。
需说明的是，上述公式仅为本发明实施例提供的一种具体计算推荐因子的实现方式，但本发明并不限定于此，在上述实施例的基础上，本领域技术人员还可能想到通过其他方式来计算各聚类集合对应的各标签的推荐因子，例如将公式修改为其中，a为常数，修改后某一聚类集合对应某一标签的推荐因子依然与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比，但这都属于本发明实施例的合理变通方案，因此均应属于本发明实施例的保护范围之内。
可选的，上述实施例中的标签树形标签，树形标签包括至少两个等级且等级越高对路况数据的影响越大。
具体的，参照图5所示，上述树形标签具体可以包括三级，且第一级标识历史路况数据的生成日期为工作日或周末或节假日；
当树形标签的第一级标识历史路况数据的生成日期为工作日时，树形标签的第二级标识历史路况数据的生成日期为一周内具体工作日；树形标签的第三级标识历史路况数据的生成日期的限行号码。
示例性的，如图5所示，一周内具体工作日可选为周一、周二、周三、周四、周五。
当树形标签第一级标识历史路况数据的生成日期为休息日时，树形标签的第二级标识历史路况数据的生成日期为一周内具体周末日；树形标签的第三级标识历史路况数据的生成日期的限行号码。
示例性的，如图5所示，一周内具体休息日可选为周六、周日。
当树形标签第一级标识历史路况数据的生成日期为节假日时，树形标签第二级识历史路况数据的生成日期为一年内具体节假日；树形标签的第三级标识历史路况数据的生成日期的限行号码。
示例性的，如图5所示，一年内具体节假日可选为春节、清明、端午、国庆、元旦等。
目前，现有技术中在道路路况预测时可选的便签特征即为单一特征日(周一至周日)，而这种单一特征日标签已无法适应越来越复杂的道路状况和各种不同出行日期的道路状况。本发明实施例中的标签为标签树形标签，且树形标签包括由对路况数据的影响大小分为至少两个等级，因此在进行道路路况预测时可以更详细的对标签特征进行选择，进而可以更加准确对道路路况进行预测。
示例性的，参照图6所示，图6为聚类集合4的示意图。聚类集合4中包含10个历史路况数据，为10个历史路况数据分别打上标签后，聚类集合4中包括10个标签。此外，需要说明的是，标签种类数量大于或等于1且小于或等于10，即该10个标签可能均不相同，也可能完成相同。图6中以标签种类不完全相同为例进行说明。
可选的，在上述步骤S12根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组前，上述方法还可以包括：
对待预测道路的历史路况数据中的噪声点进行过滤以及对缺失的历史路况数据进行填补。
具体的，对待预测道路的历史路况数据中的噪声点进行过滤可以为将待预测道路的历史路况数据中的离散点进行删除。对缺失的历史路况数据进行填补可以为，获取与缺失的历史路况数据相邻时间段内的历史路况数据，将与缺失的历史路况数据相邻时间段内的历史路况数据作平均运算后作为缺失的历史路况数据。
可选的，在上述步骤S13对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合前，方法还包括：
对任一数据组内的历史路况数据进行平滑化操作。
若数组内各个历史路况数据之间的相关性均较小，则可能导致聚类失败。本发明实施例中进一步在对数据组内的历史路况数据进行聚类前，对数据组内的历史路况数据进行平滑化操作，因此能够提高对数据组内的历史路况数据聚类时的成功率。
本发明再一实施例提供一种预测道路路况的装置，参照图7所示，该预测道路路况的装置700包括：
获取单元71，用于获取待预测道路的历史路况数据；
处理单元72，用于根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组；对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；根据聚类集合内的历史路况数据的生成日期对聚类集合内的历史路况数据打上标签；计算各聚类集合对应的各标签的推荐因子；获取任一标签的推荐聚类集合；其中，某一聚类集合对应某一标签的推荐因子与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比，任一标签的推荐聚类集合为聚类集合中对应该标签的推荐因子最大的聚类集合；
预测单元73，用于根据标签的推荐聚类集合预测待预测道路在一天中各时间段的道路路况。
可选的，处理单元72具体用于，针对每个数据组，计算数据组中的第一历史路况数据与该数据组内其他历史路况数据的皮尔逊积距相关系数，将与第一历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和第一历史路况数据分为一个聚类集合；
计算剩余数据组内的第二历史路况数据与剩余数据组内其他历史路况数据的皮尔逊积距相关系数，将与第二历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和第二历史路况数据分为一个聚类集合；直至数据组中所有历史路况数据均分为聚类集合，或剩余数据组中剩下一个历史路况数据为止；其中，剩余数据组为数据组除已分聚类集合之外的历史路况数据构成剩余数据组。
可选的，处理单元72具体用于，根据公式计算各聚类集合对应的各标签的推荐因子，其中，fji为聚类集合i对应标签j的推荐因子；nji为聚类集合i中标签j的数量；ni为聚类集合i中标签的总数量；nji、ni均为正整数。
可选的，标签为树形标签，树形标签包括至少两个等级且等级越高对路况数据的影响越大。
可选的，树形标签的第一级标识历史路况数据的生成日期为工作日或周末或节假日；
当树形标签的第一级标识历史路况数据的生成日期为工作日时，树形标签的第二级标识历史路况数据的生成日期为一周内具体工作日；树形标签的第三级标识历史路况数据的生成日期的限行号码；
当树形标签第一级标识历史路况数据的生成日期为休息日时，树形标签的第二级标识历史路况数据的生成日期为一周内具体周末日；树形标签的第三级标识历史路况数据的生成日期的限行号码；
当树形标签第一级标识历史路况数据的生成日期为节假日时，树形标签第二级识历史路况数据的生成日期为一年内具体节假日；树形标签的第三级标识历史路况数据的生成日期的限行号码。
可选的，处理单元72还用于在根据历史路况数据的生成时间在一天中所属的时间段将历史路况数据划分成至少两个数据组前，对待预测道路的历史路况数据中的噪声点进行过滤以及对缺失的历史路况数据进行填补。
可选的，处理单元72还用于在将任一数据组内的历史路况数据分为至少两个聚类集合前，对任一数据组内的历史路况数据进行平滑化操作。
上述主要从预测道路路况的装置的功能模块的角度对本发明实施例提供的方案进行了介绍。可以理解的是，预测道路路况的装置等为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对预测道路路况的装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下，图7示出了上述实施例中所涉及的预测道路路况的装置的一种可能的结构示意图，预测道路路况的装置包括：获取单元71、处理单元72以及预测单元73。获取单元71用于支持预测道路路况的装置执行图1中的过程S11；处理单元72用于支持预测道路路况的装置执行图1中的过程S12-S15；预测单元73用于支持预测道路路况的装置执行图1中的过程S16。此外，预测道路路况的装置还可以包括存储单元，存储单元用户存储预测道路路况的装置程序代码和数据。其中，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。
其中，处理单元72可以是处理器或控制器，例如可以是中央处理器(CentralProcessing Unit，CPU)，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)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。存储单元可以是存储器。
结合本发明公开内容所描述的方法或者算法的步骤可以硬件的方式来实现，也可以是由处理器执行软件指令的方式来实现。本发明实施例还提供一种存储介质，该存储介质可以包括存储器，用于储存为预测道路路况的装置所用的计算机软件指令，其包含执行预测道路路况的方法所设计的程序代码。具体的，软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(Random Access Memory，RAM)、闪存、只读存储器(Read Only Memory，ROM)、可擦除可编程只读存储器(Erasable Programmable ROM，EPROM)、电可擦可编程只读存储器(Electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、只读光盘(CD-ROM)或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于核心网接口设备中。当然，处理器和存储介质也可以作为分立组件存在于核心网接口设备中。
本发明实施例还提供一种计算机程序，该计算机程序可直接加载到存储器中，并含有软件代码，该计算机程序经由计算机载入并执行后能够实现上述的预测道路路况的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
进一步的，本发明实施例还提供了一种用户设备，该用户设备包括上述任一实施例提供的预测道路路况的装置。
示例性的，该用户设备具体可以为：手机、导航仪、个人计算机(personalcomputer，PC)、上网本、个人数字助理(英文：Personal Digital Assistant，简称：PDA)、服务器等，或者上述用户设备可以为安装有可以采用本发明实施例提供的方法对历史路况数据进行处理的软件客户端或软件系统或软件应用的PC、服务器等，具体的硬件实现环境可以通用计算机形式，或者是ASIC的方式，也可以是FPGA，或者是一些可编程的扩展平台例如Tensilica的Xtensa平台等等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (15)

1.一种预测道路路况的方法，其特征在于，包括：
获取待预测道路的历史路况数据；
根据所述历史路况数据的生成时间在一天中所属的时间段将所述历史路况数据划分成至少两个数据组；
对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；
根据所述聚类集合内的历史路况数据的生成日期对所述聚类集合内的历史路况数据打上标签；
计算各聚类集合对应各标签的推荐因子，其中，某一聚类集合对应某一标签的推荐因子与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比；
获取任一标签的推荐聚类集合；其中，任一标签的推荐聚类集合为聚类集合中对应该标签的推荐因子最大的聚类集合；
根据标签的推荐聚类集合预测所述待预测道路在一天中各时间段的道路路况。
2.根据权利要求1所述的方法，其特征在于，所述对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；包括：
针对每个数据组，计算所述数据组中的第一历史路况数据与该数据组内其他历史路况数据的皮尔逊积距相关系数，将与所述第一历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和所述第一历史路况数据分为一个聚类集合；
计算剩余数据组内的第二历史路况数据与所述剩余数据组内其他历史路况数据的皮尔逊积距相关系数，将与所述第二历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和所述第二历史路况数据分为一个聚类集合；直至所述数据组中所有历史路况数据均分为聚类集合，或剩余数据组中剩下一个历史路况数据为止；
其中，所述剩余数据组为所述数据组除已分聚类集合之外的历史路况数据构成剩余数据组。
3.根据权利要求1所述的方法，其特征在于，所述计算各聚类集合对应各标签的推荐因子，包括：
根据公式计算各聚类集合对应各标签的推荐因子，其中，fji为聚类集合i对应标签j的推荐因子；nji为聚类集合i中标签j的数量；ni为聚类集合i中标签的总数量；nji、ni均为正整数。
4.根据权利要求1所述的方法，其特征在于，所述标签为树形标签，所述树形标签包括三个等级且等级越高对路况数据的影响越大。
5.根据权利要求4所述的方法，其特征在于，
所述树形标签的第一级标识历史路况数据的生成日期为工作日或周末或节假日；
当所述树形标签的第一级标识历史路况数据的生成日期为工作日时，所述树形标签的第二级标识历史路况数据的生成日期为一周内具体工作日；所述树形标签的第三级标识历史路况数据的生成日期为所述具体工作日的限行号码；
当所述树形标签第一级标识历史路况数据的生成日期为休息日时，所述树形标签的第二级标识历史路况数据的生成日期为一周内具体周末日；所述树形标签的第三级标识历史路况数据的生成日期为所述具体休息日的限行号码；
当所述树形标签第一级标识历史路况数据的生成日期为节假日时，所述树形标签第二级识历史路况数据的生成日期为一年内具体节假日；所述树形标签的第三级标识历史路况数据的生成日期为所述具体节假日的限行号码。
6.根据权利要求1所述的方法，其特征在于，在所述根据所述历史路况数据的生成时间在一天中所属的时间段将所述历史路况数据划分成至少两个数据组前，所述方法还包括：
对所述待预测道路的历史路况数据中的噪声点进行过滤以及对缺失的历史路况数据进行填补。
7.根据权利要求1所述的方法，其特征在于，在所述对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合前，所述方法还包括：
对任一数据组内的历史路况数据进行平滑化操作。
8.一种预测道路路况的装置，其特征在于，包括：
获取单元，用于获取待预测道路的历史路况数据；
处理单元，用于根据所述历史路况数据的生成时间在一天中所属的时间段将所述历史路况数据划分成至少两个数据组；对任一数据组内的历史路况数据进行聚类，将任一数据组内的历史路况数据分为至少两个聚类集合；根据所述聚类集合内的历史路况数据的生成日期对所述聚类集合内的历史路况数据打上标签；计算各聚类集合对应的各标签的推荐因子；获取任一标签的推荐聚类集合；其中，某一聚类集合对应某一标签的推荐因子与该聚类集合中该标签的数量以及该标签的数量占该聚类集合中全部标签的数量的比重成正比，任一标签的推荐聚类集合为聚类集合中对应该标签的推荐因子最大的聚类集合；
预测单元，用于根据标签的推荐聚类集合预测所述待预测道路在一天中各时间段的道路路况。
9.根据权利要求8所述的装置，其特征在于，所述处理单元具体用于，针对每个数据组，计算所述数据组中的第一历史路况数据与该数据组内其他历史路况数据的皮尔逊积距相关系数，将与所述第一历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和所述第一历史路况数据分为一个聚类集合；
计算剩余数据组内的第二历史路况数据与所述剩余数据组内其他历史路况数据的皮尔逊积距相关系数，将与所述第二历史路况数据的皮尔逊积距相关系数大于或等于阈值的历史路况数据和所述第二历史路况数据分为一个聚类集合；直至所述数据组中所有历史路况数据均分为聚类集合，或剩余数据组中剩下一个历史路况数据为止；其中，所述剩余数据组为所述数据组除已分聚类集合之外的历史路况数据构成剩余数据组。
10.根据权利要求8所述的装置，其特征在于，所述处理单元具体用于，根据公式计算各聚类集合对应各标签的推荐因子，其中，fji为聚类集合i对应标签j的推荐因子；nji为聚类集合i中标签j的数量；ni为聚类集合i中标签的总数量；nji、ni均为正整数。
11.根据权利要求8所述的装置，其特征在于，所述标签为树形标签，所述树形标签包括至少两个等级且等级越高对路况数据的影响越大。
12.根据权利要求11所述的装置，其特征在于，
所述树形标签的第一级标识历史路况数据的生成日期为工作日或周末或节假日；
当所述树形标签的第一级标识历史路况数据的生成日期为工作日时，所述树形标签的第二级标识历史路况数据的生成日期为一周内具体工作日；所述树形标签的第三级标识历史路况数据的生成日期为所述具体工作日的限行号码；
当所述树形标签第一级标识历史路况数据的生成日期为休息日时，所述树形标签的第二级标识历史路况数据的生成日期为一周内具体周末日；所述树形标签的第三级标识历史路况数据的生成日期为所述具体休息日的限行号码；
当所述树形标签第一级标识历史路况数据的生成日期为节假日时，所述树形标签第二级识历史路况数据的生成日期为一年内具体节假日；所述树形标签的第三级标识历史路况数据的生成日期为所述具体节假日的限行号码。
13.根据权利要求11所述的装置，其特征在于，所述处理单元还用于在所述根据所述历史路况数据的生成时间在一天中所属的时间段将所述历史路况数据划分成至少两个数据组前，对所述待预测道路的历史路况数据中的噪声点进行过滤以及对缺失的历史路况数据进行填补。
14.根据权利要求11所述的装置，其特征在于，所述处理单元还用于在所述将任一数据组内的历史路况数据分为至少两个聚类集合前，对任一数据组内的历史路况数据进行平滑化操作。
15.一种用户设备，其特征在于，包括如权利要求8-14任一项所述的预测道路路况的装置。
CN201611070712.6A 2016-11-28 2016-11-28 一种预测道路路况的方法、装置及用户设备 Active CN106504534B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611070712.6A CN106504534B (zh) 2016-11-28 2016-11-28 一种预测道路路况的方法、装置及用户设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611070712.6A CN106504534B (zh) 2016-11-28 2016-11-28 一种预测道路路况的方法、装置及用户设备

Publications (2)

Publication Number Publication Date
CN106504534A CN106504534A (zh) 2017-03-15
CN106504534B true CN106504534B (zh) 2019-06-14

Family

ID=58329060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611070712.6A Active CN106504534B (zh) 2016-11-28 2016-11-28 一种预测道路路况的方法、装置及用户设备

Country Status (1)

Country Link
CN (1) CN106504534B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806241B (zh) * 2017-04-27 2021-08-17 阿里巴巴（中国）有限公司 一种常用驾车路线的确定方法及装置
CN109325631A (zh) * 2018-10-15 2019-02-12 华中科技大学 基于数据挖掘的电动汽车充电负荷预测方法和系统
CN111369787A (zh) * 2018-12-26 2020-07-03 杭州海康威视系统技术有限公司 一种车辆轨迹预测方法、装置及电子设备
CN109910896A (zh) * 2019-04-04 2019-06-21 北京百度网讯科技有限公司 道路拥堵预测方法和装置
CN110264711A (zh) * 2019-05-29 2019-09-20 北京世纪高通科技有限公司 一种交通事故概率的确定方法及装置
CN111739283B (zh) * 2019-10-30 2022-05-20 腾讯科技（深圳）有限公司 一种基于聚类的路况计算方法、装置、设备及介质
CN113821703B (zh) * 2020-06-18 2023-12-08 广州汽车集团股份有限公司 一种车联网用户画像生成方法及其系统
CN111986490A (zh) * 2020-09-18 2020-11-24 北京百度网讯科技有限公司 路况预测方法、装置、电子设备和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226688A (zh) * 2008-01-11 2008-07-23 孟小峰 一种基于聚类来监控交通拥堵状况的系统及其方法
CN101673463A (zh) * 2009-09-17 2010-03-17 北京世纪高通科技有限公司 一种基于时间序列的交通信息预测方法及装置
CN101763730A (zh) * 2009-12-30 2010-06-30 北京世纪高通科技有限公司 交通路况信息填补方法和系统
CN101763729A (zh) * 2009-12-29 2010-06-30 北京世纪高通科技有限公司 路况数据特征值提取的方法和装置
CN102762957A (zh) * 2009-12-17 2012-10-31 佳明瑞士有限责任公司 历史交通数据压缩
CN103646542A (zh) * 2013-12-24 2014-03-19 北京四通智能交通系统集成有限公司 一种交通影响范围的预测方法和装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4175312B2 (ja) * 2004-09-17 2008-11-05 株式会社日立製作所 交通情報予測装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101226688A (zh) * 2008-01-11 2008-07-23 孟小峰 一种基于聚类来监控交通拥堵状况的系统及其方法
CN101673463A (zh) * 2009-09-17 2010-03-17 北京世纪高通科技有限公司 一种基于时间序列的交通信息预测方法及装置
CN102762957A (zh) * 2009-12-17 2012-10-31 佳明瑞士有限责任公司 历史交通数据压缩
CN101763729A (zh) * 2009-12-29 2010-06-30 北京世纪高通科技有限公司 路况数据特征值提取的方法和装置
CN101763730A (zh) * 2009-12-30 2010-06-30 北京世纪高通科技有限公司 交通路况信息填补方法和系统
CN103646542A (zh) * 2013-12-24 2014-03-19 北京四通智能交通系统集成有限公司 一种交通影响范围的预测方法和装置

Also Published As

Publication number Publication date
CN106504534A (zh) 2017-03-15

Similar Documents

Publication Publication Date Title
CN106504534B (zh) 一种预测道路路况的方法、装置及用户设备
Paefgen et al. Evaluation and aggregation of pay-as-you-drive insurance rate factors: A classification analysis approach
CN110264711A (zh) 一种交通事故概率的确定方法及装置
Hillel et al. Recreating passenger mode choice-sets for transport simulation: A case study of London, UK
WO2018058967A1 (zh) 公交路线推荐方法、装置、设备及计算机存储介质
Ionita et al. Where to park? predicting free parking spots in unmonitored city areas
Song et al. A match‐then‐predict method for daily traffic flow forecasting based on group method of data handling
CN106529711A (zh) 用户行为预测方法及装置
Jiang et al. CrowdPatrol: A mobile crowdsensing framework for traffic violation hotspot patrolling
Shen et al. Public transit planning and scheduling based on AVL data in China
CN111914940B (zh) 一种共享车辆站点分群聚类方法、系统、装置及存储介质
Wu et al. Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model
Kong et al. TBI2Flow: Travel behavioral inertia based long-term taxi passenger flow prediction
CN113838303B (zh) 停车场推荐方法、装置、电子设备及存储介质
Lupa et al. Emergency ambulance speed characteristics: a case study of Lesser Poland voivodeship, southern Poland
Ferenchak US Vision Zero Cities: modal fatality trends and strategy effectiveness
Lu et al. A parking occupancy prediction approach based on spatial and temporal analysis
US11802777B2 (en) Identification of grouping criteria for bulk trip review in getting tax deductions
Xu et al. Applying finite mixture models to New York City travel times
Last et al. Using data mining techniques for optimizing traffic signal plans at an urban intersection
Sasidharan Causal modeling approach to determine the effectiveness of traffic safety countermeasures
Zhao et al. Exploring the impact of trip patterns on spatially aggregated crashes using floating vehicle trajectory data and graph Convolutional Networks
Day The joint modelling of trip timing and mode choice
Repolho et al. Optimization models for the location of motorway interchanges: concessionaires’ perspective
Ma et al. Disentangling City-Level Macroscopic Traffic Performance Patterns through a Trigonometric Multiseasonal Filtering Algorithm: Inspiration from Big Data of Ride-Sourcing Trips

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant