CN107507413A - 车辆位置预测方法及装置 - Google Patents

Abstract

本发明提供了一种车辆位置预测方法及装置，涉及位置预测技术领域，应用于一电子设备中，所述方法包括：在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息；基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。预测车辆的出现时间和位置，让交警能够预先控制和部署警力，提高关注车辆的抓捕效率。

Description

车辆位置预测方法及装置

技术领域

本发明涉及位置预测技术领域，具体而言，涉及一种车辆位置预测方法及装置。

背景技术

车辆位置预测一般用于目标车辆的抓捕，目前主要通过获取目标车辆所处的车辆环境信息以及目标车辆前方的交通信号灯，以及车辆过往历史信息，对车辆的未来状态进行预测，状态包括车辆位置、速度和加速度。但是这种方法要求目标车辆必须处于车联网中，且具有GPS、RFID、摄像头等传感装置。但是实际情况中目标车辆不一定具备上述的硬件条件，更不会主动回传相关数据，所以可操作性较低。

发明内容

有鉴于此，本发明实施例的目的在于提供一种车辆位置预测方法及装置，以解决上述问题。

第一方面，本发明提供一种车辆位置预测方法，应用于一电子设备中，所述方法包括：在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息；基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。

第二方面，本发明提供一种车辆位置预测装置，所述装置包括：车辆数据获取单元，用于在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息。位置预测单元，用于基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。

本发明的有益效果是，本发明提供的车辆位置预测方法及装置，在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息，基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。本发明提供的车辆位置预测方法，对关注车辆的位置的预测分析不需要在预测分析前与目标车辆互联，也不需要关注车辆联网并回传自身的行驶数据，可实施性更强。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明较佳实施例提供的电子设备的结构示意图；

图2是本发明较佳实施例提供的车辆位置预测方法的步骤流程图；

图3是本发明较佳实施例提供的车辆数据表的示意图；

图4是本发明较佳实施例提供的违章信息表的示意图；

图5是本发明较佳实施例提供的车辆位置预测装置的结构框图。

具体实施方式

本领域技术人员长期以来一直在寻求一种改善该问题的工具或者方法。

鉴于此，本发明的设计者通过长期的探索和尝试，以及多次的实验和努力，不断地改革创新，得出本方案所示的车辆位置预测方法及装置。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

请参见图1，图1示出了一种可应用于本发明实施例提供的车辆位置预测方法及装置的电子设备100的结构框图。作为一种实施方式，所述电子设备可以为个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personal digitalassistant，PDA)等终端。

如图1所示，电子设备100包括存储器101、存储控制器102，一个或多个(图中仅示出一个)处理器103、外设接口104、射频模块105、显示单元106等。这些组件通过一条或多条通讯总线/信号线107相互通讯。

存储器101可用于存储软件程序以及模块，如本发明实施例中的车辆位置预测方法及装置对应的程序指令/模块，处理器103通过运行存储在存储器101内的软件程序以及模块，从而执行各种功能应用以及数据处理，如本发明实施例提供的车辆位置预测方法。

存储器101可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。处理器103以及其他可能的组件对存储器101的访问可在存储控制器102的控制下进行。

外设接口104将各种输入/输出装置耦合至处理器103以及存储器101。在一些实施例中，外设接口104，处理器103以及存储控制器102可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。

射频模块105用于接收以及发送电磁波，实现电磁波与电信号的相互转换，从而与通讯网络或者其他设备进行通讯。

显示模块106在服务器100与用户之间提供一个显示界面。具体地，显示模块106向用户显示图像输出，这些图像输出的内容可包括文字、图形、视频及其任意组合。

交警，全称交通警察，属于警察的一个警种，主要负责在道路上执行指挥交通、维护交通秩序、纠正和处罚交通违章行为、处理交通事故、维护治安秩序等工作。

本实施例所述的关注车辆，目前主要为由市局下发车辆重点关注名单上列出的车辆。

目前的车辆位置预测方法，通过获取目标车辆所处的车辆环境信息以及目标车辆前方的交通信号灯，以及车辆过往历史信息，对车辆的未来状态进行预测，状态包括车辆位置、速度和加速度。该发明专利要求目标车辆必须处于车联网中，且具有GPS、RFID、摄像头等传感装置，但是关注车辆显然不具备上述的硬件条件，关注车辆更不会主动回传相关数据用于行为研判，所以不具备可操作性。

另外的一种车辆位置预测方法，主要通过获取当前能够与车辆通信的基站的信号覆盖范围，确定车辆当前范围，再获取车辆当前油量和油耗数据，确定车辆的可行驶里程，最后根据可行驶里程划定车辆的活动区域，确定车辆当前活动范围。该发明专利要求获取能与车辆通信的基站以及车辆油量数据，而重点关注车辆在未能成功抓捕前，交警无法确定车辆驾驶人的通信信号，也没有重点关注车辆的油量及油耗信息，所以该发明专利在抓捕重点关注车辆时，不能满足实战要求。

现有对车辆位置预测的方法，都需要目标车辆与数据分析系统进行互动，目标车辆需要安装传感设备，并主动传回大量行驶数据，由分析系统进行分析后，才能预测目标车辆的位置信息。主要存在以下缺陷(1)目标车辆必须安装预测系统要求的多种传感设备；(2)目标车辆需要收集位置数据以及周围环境数据；(3)目标车辆必须联网；(4)目标车辆必须主动回传相关数据到预测系统；(5)目标车辆是已知车辆，且与预测系统保持联网状态。

有鉴于此，发明人提出本发明实施例提供的车辆位置预测方法及装置。

第一实施例

请参见图2，本发明实施例提供的一种车辆位置预测方法的步骤流程图，应用于电子设备中，所述方法包括：

步骤S210，在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息。

车辆数据为由卡口系统和电子警察进行抓拍获取的图像，进行车牌识别操作后获取，由于图像识别存在误识别率且有的图像因为天气、遮挡、强光灯因素，并未完全识别，所以存在噪音数据，需要对数据进行清洗，提高数据质量。数据在清洗之后，还需要转化成数据模型分析需要的数据格式，需要进行数据预处理，数据预处理主要对数据进行过滤和格式转换。例如，本发明利用Spark对过车数据进行数据预处理，Spark是通用内存并行计算框架，该框架为数据处理提供一个更快、更通用的数据处理平台，与Hadoop相比，Spark在内存计算时的速度提升100倍，在磁盘上的运行速度提升10倍。

作为一种实施方式，所述车辆数据的获取具体包括以下步骤：

步骤S211，获取违章车辆信息表。

所述违章车辆信息表的生成，通过获取过车数据，将过车数据导入分布式系统，删除过车数据中未能识别的车辆数据，并在删除后形成新的过车数据表，将过车数据表与违章车辆名单关联，生成违章车辆信息表。

在一种实施方式中，本发明的数据表来源于城市道路交通卡口以及电子警察记录的城市车辆的数据。可以为过车数据表、违章车辆名单、卡口基础信息表等。

所述过车数据表(如图3所示)，每一条记录中主要含有的关键数据字段，包括过车ID，卡口ID，车道，方向，车牌，车牌类型，过车时间，车牌颜色，车辆类型。其中过车ID唯一标识一条过车记录，卡口ID对应卡口基础信息表中的卡口信息。

根据获得的违章车辆名单，将违章车辆名单的车辆与过车数据表进行关联，例如，通过车辆的车牌号码关联，获得违章车辆信息表(如图4所示)。

步骤S212，基于所述违章车辆信息表，查找符合预设条件的车辆，生成关注车辆信息表。

获得违章车辆信息表后，统计违章车辆中每辆车辆的违章次数N，统计车辆第一次违章未处理到当前时刻的时间T，统计车辆一定时间段内的过车次数M。

当所述违章次数N，违章未处理到当前的时间T以及过车次数M大于预设值时，表明该违章车辆为符合预设条件的车辆，标记为关注车辆。将从违章车辆信息表中的关注车辆提取出来，生成关注车辆信息表，需要说明的是违章次数N，违章未处理到当前的时间T以及过车次数M的值可以根据各辖区的交警部门的实际情况具体设定。

步骤S213，基于所述关注车辆信息表，获取所述关注车辆的车辆数据。

将关注车辆信息表中的数据按照车牌号聚集，生成<k,list>的数据形式，其中k为车牌号，list为关注车辆信息表中的其他数据。将list中的数据按照车辆经过卡口的过车时间进行升序排列。

步骤S220，基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。

步骤S221，基于所述车辆数据，通过ARIMA模型对所述车辆数据进行处理，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息。

ARIMA模型即自回归积分滑动平局模型。其中ARIMA(p,d,q)称为差分自回归移动平均模型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。通过ARIMA模型对所述车辆数据进行处理的具体步骤为：

基于所述车辆数据，获取所述车辆的时间序列表；

从关注车辆信息表中，选择需要进行位置预测的关车辆，并获取该车辆的时间信息以及该时间对应的卡口值，绘制时间序列表。

判断所述时间序列表是否为非平稳时间序列；

在是时，利用差分处理，将所述非平稳时间序列转换为平稳时间序列。

由于ARIMA模型建模的基本条件是要求待预测的数列满足平稳的条件，即个体值要围绕序列均值上下波动，不能有明显的上升或下降趋势(趋势性和季节性)，如果出现上升或下降趋势，需要对原始序列进行差分平稳化处理。因此在获得时间序列时，判断该时间序列是否为非平稳时间序列，在所述时间序列为非平稳时间序列时，对其进行差分处理，使其转换为平稳时间序列。

所述差分处理就是离散函数中连续相邻两项之差。定义X(k)，则Y(k)＝X(k+1)-X(k)就是此函数的一阶差分。二阶差分为针对一阶差分的差分计算即Z(k)＝Y(k+1)-Y(k)，同理可得n阶差分的计算方法。对于非平稳序列，一般采用从一阶差分开始逐阶尝试，检查每次差分结果的平稳性。若数据波动较大，则需要取对数。

基于所述时间序列表，获取所述时间序列表中的自相关系数与偏自相关系数。

基于所述自相关系数与偏自相关系数，获取所述车辆的ARIMA模型，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息。

根据所述时间序列表，求取自相关系数ACF以及偏自相关系数PACF，根据ACF以及PACF，选取最佳的ARIMA模型。所述ARIMA模型包括位置预测值以及对应的时间信息。

需要说明的是，在上述方法中，时间信息以以下方式进行处理：将时间信息按周进行切割，将每周相同的星期数聚合在一起。

例如，查找的过车数据为过去三个月的历史数据，将过车记录的时间转变为星期，例如将“2017年8月24日”转换为“星期四”，将转换后指向表征同一天的时间信息聚合，例如，将过去三个月中，所有的“星期四”的过车数据聚合在一起。这样过去三个月的时间信息变为7个，即星期一、星期二、……、星期日。

获得的ARIMA模型中，星期一、星期二、……、星期日各自对应一个卡口预测值。所述卡口预测值为通过ARIMA模型计算出的一个数值，具体的，由于关注车辆信息表中是卡口的编号，在导入ARIMA模型时，将编号转换为竖直，例如卡口编号为12345，转换为1，因此，获得的卡口预测值表示的是与可能到达的卡口的接近程度，而不是具体的卡口编号。例如，在前三个月的星期一，车A经过卡口12345(转换为1)5次，卡口12346(转换为2)2次，那么预测的卡口值为1.28。

步骤S222，基于所述车辆数据，获取所述至少一个时间信息内所述关注车辆的至少一个初步预测位置信息。

作为一种实施方式，步骤S230具体包括：提取关注车辆一段时间内的过车记录；将过车记录的时间变为星期，比如“2017年3月2日”转换成“星期四”；统计每个不同星期的过车记录，比如“星期三的过车次数”，并计算过车次数的平均值；获取过车次数平均值较多的星期数据。

例如星期四该车辆经过A，B两个卡口，经过A卡口15次，经过B卡口1次，说明该车辆在星期四会有更大的概率经过A卡口，所以星期四的常过卡口是A，保留A而删除B。

在另一种实施方式中，计算经过卡口次数的平均值，将经过次数低于平均值的卡口过滤掉。假设车辆经过A卡口10次，B卡口3次，C卡口7次，D卡口15次，该车辆经过卡口的平均值为8.75，那么B卡口的3次以及C卡口的7次均低于这个值，将B卡口以及C卡口的过车次数过滤。

当然，在其他实施方式中，还可以以其他方式过滤不符合条件的卡口。

例如，车辆A在过去三个月，所有的星期一经过卡口的总次数是10次，所有的星期二经过卡口的总次数是11次，所有的星期三经过卡口的总次数是12次，所有的星期四经过的卡口的总次数是2次、……、所有的星期日经过的卡口的次数是9次，统计后星期四为一星期内经过卡口次数最少的一天，将星期四的数据过滤掉。获取同一天经过的多个卡口编号，这些卡口作为初步预测位置信息。

步骤S223，从所述至少一个初步预测位置信息中，选择与所述位置预测值最接近的一个初步预测位置信息，作为所述车辆的最终预测位置，所述最终预测位置为所述车辆将要到达的一个可能位置。

步骤S222中获取的过车次数的平均值较多的星期，为该车可能出现的天；步骤S221获得的位置预测值，是车辆出现的时间以及对应的卡口的接近值；将步骤S222中获得的多个初步预测位置信息与位置预测值进行球面距离的计算，球面距离最短的卡口，为该时间段内，该车辆最可能出现的位置。

第二实施例

车辆数据获取单元410，用于在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息。

位置预测单元420，用于基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。

作为一种实施方式，所述位置预测单元420包括处理单元430、初步预测位置信息获取单元440以及位置预测子单元450。

处理单元430，用于基于所述车辆数据，通过ARIMA模型对所述车辆数据进行处理，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息。

作为一种实施方式，所述处理单元包括第一获取子单元431、第二获取子单元432、第三获取子单元433。

第一获取子单元431，用于基于所述车辆数据，获取所述车辆的时间序列表。

第二获取子单元432，用于基于所述时间序列表，获取所述时间序列表中的自相关系数与偏自相关系数。

第三获取子单元433，用于基于所述自相关系数与偏自相关系数，获取所述车辆的ARIMA模型，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息。

初步预测位置信息获取单元440，用于基于所述车辆数据，获取所述至少一个时间信息内所述关注车辆的至少一个初步预测位置信息。

位置预测子单元450，用于从所述至少一个初步预测位置信息中，选择与所述位置预测值最接近的一个初步预测位置信息，作为所述车辆的最终预测位置，所述最终预测位置为所述车辆将要到达的一个可能位置。

判断单元460，用于判断所述时间序列表是否为非平稳时间序列。

转换单元470，用于在判断单元判断结果为是时，利用差分处理，将所述非平稳时间序列转换为平稳时间序列。

综上所述，本发明实施例提供的车辆位置预测方法及装置，通过ARIMA模型分析车辆的时间序列，发现其规律，通过对规律的分析模拟，从而预测车辆的出现时间和位置，让交警能够预先控制和部署警力，提高关注车辆的抓捕效率。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。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。

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、物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、物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、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

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所述以权利要求的保护范围为准。

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、物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、物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、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种车辆位置预测方法，应用于一电子设备中，其特征在于，所述方法包括：

在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息；

基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。

2.根据权利要求1所述的方法，其特征在于，所述基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置的步骤，包括：

基于所述车辆数据，通过ARIMA模型对所述车辆数据进行处理，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息；

基于所述车辆数据，获取所述至少一个时间信息内所述关注车辆的至少一个初步预测位置信息；

从所述至少一个初步预测位置信息中，选择与所述位置预测值最接近的一个初步预测位置信息，作为所述车辆的最终预测位置，所述最终预测位置为所述车辆将要到达的一个可能位置。

3.根据权利要求2所述的方法，其特征在于，所述基于所述车辆数据，通过ARIMA模型对所述车辆数据进行处理，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息的步骤，包括：

基于所述车辆数据，获取所述车辆的时间序列表；

基于所述时间序列表，获取所述时间序列表中的自相关系数与偏自相关系数；

基于所述自相关系数与偏自相关系数，获取所述车辆的ARIMA模型，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息。

4.根据权利要求3所述的方法，其特征在于，所述基于所述车辆数据，获取所述车辆的时间序列表的步骤之后，所述方法还包括：

判断所述时间序列表是否为非平稳时间序列；

在是时，利用差分处理，将所述非平稳时间序列转换为平稳时间序列。

5.根据权利要求1-3任一项所述的方法，其特征在于，所述时间信息为以预设规则获取的时间。

6.根据权利要求1任一项所述的方法，其特征在于，所述获取关注车辆在过去预设时长内的车辆数据的步骤，包括：

获取违章车辆信息表；

基于所述违章车辆信息表，查找符合预设条件的车辆，生成关注车辆信息表；

基于所述关注车辆信息表，获取所述关注车辆的车辆数据。

7.一种车辆位置预测装置，其特征在于，所述装置包括：

车辆数据获取单元，用于在当前时刻，获取关注车辆在过去预设时长内的车辆数据，所述车辆数据包括所述关注车辆经过至少一个位置的至少一个位置信息以及经过所述至少一个位置的至少一个时间信息；

位置预测单元，用于基于所述车辆数据，预测获得所述关注车辆在所述当前时刻之后将要到达的至少一个可能位置，其中，所述至少一个可能位置为所述至少一个位置中的位置。

8.根据权利要求6所述的装置，其特征在于，所述位置预测单元包括：

处理单元，用于基于所述车辆数据，通过ARIMA模型对所述车辆数据进行处理，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息；

初步预测位置信息获取单元，用于基于所述车辆数据，获取所述至少一个时间信息内所述关注车辆的至少一个初步预测位置信息；

位置预测子单元，用于从所述至少一个初步预测位置信息中，选择与所述位置预测值最接近的一个初步预测位置信息，作为所述车辆的最终预测位置，所述最终预测位置为所述车辆将要到达的一个可能位置。

9.根据权利要求8所述的装置，其特征在于，所述处理单元包括：

第一获取子单元，用于基于所述车辆数据，获取所述车辆的时间序列表；

第二获取子单元，用于基于所述时间序列表，获取所述时间序列表中的自相关系数与偏自相关系数；

第三获取子单元，用于基于所述自相关系数与偏自相关系数，获取所述车辆的ARIMA模型，以获得所述关注车辆的至少一个位置预测值以及所述位置预测值对应的至少一个时间信息。

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

判断单元，用于判断所述时间序列表是否为非平稳时间序列；

转换单元，用于在判断单元判断结果为是时，利用差分处理，将所述非平稳时间序列转换为平稳时间序列。