CN108513676B - 一种路况识别方法、装置及设备 - Google Patents

Abstract

一种路况识别方法包括：采集行驶于道路的车辆的定位数据；根据所述定位数据，确定所述车辆在所述道路上的行驶特征；将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况。通过对行驶于道路上的车辆的定位数据进行采集，并根据采集的定位数据确定车辆的行驶特征，并将所述行驶特征代入已训练完成的路况训练模型，能够根据确定的行驶特征确定当前的路况，只需要根据车辆的定位数据即可有效的识别当前的路况，实时性和准确度高，并且能够有效的节约成本。

Description

一种路况识别方法、装置及设备

技术领域

本申请属于智能出行领域，尤其涉及路况识别方法、装置及设备。

背景技术

随着车辆制造技术的发展和人们生活水平的提高，越来越多的人们拥有了自己的私人车辆等交通工具。随着车辆的增多，在道路上出现拥挤的可能性也会越来越高。为了提高车辆出行的便利性，可以在车辆出行前，获取所要出行的道路的拥堵信息，从而能够选择较为通畅的路线，减少在行驶过程中的拥堵时间，提高出行的便利性。

目前的路况信息的获取，一般是通过摄像头拍摄到现场的画面，通过对画面中车辆的多少，以及车辆的移动速度，来判断路段的拥堵情况，由于对画画的分析需要花费较多的人力，以及花费较多的摄像设备，成本较高，并且得出的路况信息准确度不高。

发明内容

有鉴于此，本申请实施例提供了一种路况识别方法、装置及设备，以解决现有技术中对路况进行识别时，需要花费较高的成本，而且准确度不高的问题。

本申请实施例的第一方面提供了一种路况识别方法，所述方法包括：

采集行驶于道路的车辆的定位数据；

根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况。

结合第一方面，在第一方面的第一种可能实现方式中，所述采集运行于道路的车辆的定位数据的步骤之后，所述方法还包括对所述定位数据进行清洗的步骤，具体包括：

清洗定位的坐标不处于道路所在的坐标范围内的定位数据；

和/或，清洗所述定位数据对应的车辆速度超出预定速度值时的定位数据；

和/或，清洗所上传的定位数据中的时间不连续的定位数据；

和/或，清洗上传的车辆设备出现串号异常的定位数据。

结合第一方面，在第一方面的第二种可能实现方式中，在所述将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况的步骤之前，所述方法还包括：

根据使用时效要求和/或使用频率要求，对所述行驶特征进行第一次分类；

将第一次分类后的行驶特征，根据时效性要求或使用频率要求，存储在不同的数据库。

结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述第一次分类后的行驶特征包括第一分类特征和第二分类特征，所述第一分类特征包括加速数据、减速数据、转弯数据或刹车数据，所述第二分类特征包括当前GPS点数据、车辆启动数据；

所述将分类后的行驶特征，根据时效性要求或使用频率要求，存储在不同的数据库的步骤包括：

将所述第一分类特征通过批量导入Hadoop分布式文件系统HDFS存储介质进行存储，将所述第二分类特征导入关系数据库或内存数据库存储。

结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，所述根据使用时效要求和/或使用频率要求，对所述行驶特征进行分类的步骤之后，所述方法还包括：

根据上报的地理位置，对所述行驶特征进行第二次分类；

根据上报的时间，对第二次分类后的行驶特征进行第三次分类，得到聚类后的道路点特征。

结合第一方面，在第一方面的第五种可能实现方式中，所述将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况的步骤包括：

通过将位置数据以冗余备份的方式存储在Hadoop分布式文件系统HDFS上，通过相互通信的计算节点共同根据所述路况训练模型计算得到当前的路况。

本申请实施例的第二方面提供了一种路况识别装置，其特征在于，所述装置包括：

定位数据采集单元，用于采集行驶于道路的车辆的定位数据；

行驶特征确定单元，用于根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

识别单元，用于将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况。

结合第二方面，在第二方面的第一种可能实现方式中，所述装置还包括清洗单元，用于：

清洗定位的坐标不处于道路所在的坐标范围内的定位数据；

和/或，清洗所述定位数据对应的车辆速度超出预定速度值时的定位数据；

和/或，清洗所上传的定位数据中的时间不连续的定位数据；

和/或，清洗上传的车辆设备出现串号异常的定位数据。

本申请实施例的第三方面提供了一种路况识别设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如第一方面任一项所述路况识别方法的步骤。

本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述路况识别方法的步骤。

本申请实施例与现有技术相比存在的有益效果是：通过对行驶于道路上的车辆的定位数据进行采集，并根据采集的定位数据确定车辆的行驶特征，并将所述行驶特征代入已训练完成的路况训练模型，能够根据确定的行驶特征确定当前的路况，本申请只需要根据车辆的定位数据即可有效的识别当前的路况，实时性和准确度高，并且能够有效的节约成本。

附图说明

为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的路况识别场景的示意图；

图2为本申请实施例提供的路况识别方法的实现流程示意图；

图3是本申请实施例提供的路况识别装置的示意图；

图4是本申请实施例提供的路况识别设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。

如图1所示为本申请实施例提供的路况识别方法所对应的实施场景的示意图，如图1所示，所述实施场景包括车辆和服务器，所述车辆采集定位数据发送给服务器，所述服务器可以对车辆采集的数据进行分析处理，识别出车辆所在位置对应的路况。所述车辆可以包括多个，通过少量的车辆提供的定位数据，可以提高服务器对路况的识别的准确度。

所述车辆可以为移动车辆，比如智能手机，通过在智能手机的定位装置，可以采集所述智能手机的定位数据，当用户持有所述智能手机并处于驾驶状态时，所述智能手机的定位数据即所述车辆的定位数据。可以通过设定智能手机处于驾驶状态时对定位数据进行采集，或者也可以通过智能手机自动检测用户处于驾驶状态，比如通过移动速度的识别，确定用户处于驾驶状态。当然，通过自动检测的方式确定用户处于驾驶状态时，当用户处于乘坐状态时，也会通过车辆采集用户的定位数据，以对路况进行识别。

所述车辆也可以为车载车辆，在汽车处于启动状态时，自动开启车载车辆，通过所述车载车辆采集定位数据。

如图2为本申请实施例提供的一种路况识别方法的实现流程示意图，详述如下：

在步骤S201中，采集行驶于道路的车辆的定位数据；

具体的，采集所述定位数据，可以通过用户所持有的智能手机或者其它智能设备完成。通过用户持有的智能手机或者其它智能设备中的定位装置获取车辆的定位数据，并通过无线通信电路实时的传输至服务器。或者也可以通过车载设备采集车辆的定位数据，由车载设备将定位数据发送至服务器。

作为本申请优选的一种实施方式中，在采集到车辆的定位数据后，还包括对所述定位数据的清洗步骤。其中，对采集的数据进行清洗的步骤可以包括以下清洗方式中的一种或者多种：

1、清洗定位的坐标不处于道路所在的坐标范围内的定位数据；

2、清洗所述定位数据对应的车辆速度超出预定速度值时的定位数据；

3、清洗所上传的定位数据中的时间不连续的定位数据；

4、清洗上传的车辆设备出现串号异常的定位数据。

其中，清洗定位的坐标不处于道路所在的坐标范围内的定位数据时，需要预先设定道路所在的坐标范围，当采集的定位的坐标不处于道路所在的坐标范围内时，则表示定位数据的精度不够，或者表示车辆当前不处于道路中，因此，为了识别得到更为精确的路况，可以对不符合道路所在的坐标范围内的定位数据清洗掉。

对于定位数据对应的车辆速度超出预定速度值时的定位数据进行清洗时，可以预定速度值，当车辆的速度小于所述预定速度值时，则可以认为车辆的定位数据没有出现漂浮或者漂浮的幅度在可接受的范围内。若车辆的速度大于所述预定速度值，则认为车辆的位置数据漂浮过大，可清除所述漂浮过大的定位数据。

对于上传的定位数据所对应的时间不连续时，可能是由于定位数据的采集出现问题，比如对于定位数据无法采集的位置等，或者上传时的通信电路出现问题等，使得采集的定位数据不连续，为了减少精度不高的定位数据，可以对上传时间不连续的定位数据清除。

另外，由于服务器需要同时接收大量的车辆的定位数据，可能会存在部分车辆的数据异常，比如会出现上传的定位数据的车辆存在串号，串数据的情况，即不同车辆之间的定位数据会误匹配，将车辆A的定位数据匹配至车辆B，而将车辆B的定位数据匹配至车辆A。对数据异常的车辆所上传的定位数据进行清除。

在步骤S202中，根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

根据所采集的海量的定位数据，计算得到相应的行驶特征，比如所述行驶特征可以包括实时位置、加速度、转向等数据，包括如加速数据、减速数据、转弯数据、刹车数据、启动数据等。

为了提高对数据的处理速度，本申请还可以包括对数据进行分类的步骤，可以根据特征数据的处理频率，或者根据特征数据的时效要求，对特征数据进行分类，比如，可以将特征数据分类为第一分类特征和第二分类特征，其中，第一分类特征可以包括加速数据、减速数据、转弯数据或刹车数据，所述第二分类特征包括当前GPS点数据、车辆启动数据。根据对所述特征数据进行的分类，还可以进一步对分类后的数据进行存储的步骤。其中，对分类后的数据进行存储可以包括：

将所述第一分类特征通过批量导入Hadoop分布式文件系统HDFS存储介质进行存储，将所述第二分类特征导入关系数据库或内存数据库存储。

批量存储可以采用批量导入Hadoop作为存储介质，可以先将第一分类特征缓存于本地文件系统，当第一分类特征达到一定数量级，比如达到128M或者256M时，可以通过批量导入HDFS方式持久化，通过使用第一分类特征进行大计算量的计算，完成对道路数据的整体修正。

而对于第二分类特征，包括如最新的GPS点的定位数据、车辆启动数据等，可以通过第二分类特征对道路的异常进行实时的更新，从而能够更为快速有效的确定道路的异常情况。

在步骤S203中，将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况。

作为本申请优选的一种实施方式，在计算当前的路况之前，还包括根据位置对行驶特征进行聚类学习的处理步骤，具体可以包括：

根据车辆上报位置数据、车辆方位角、上报时间点，用统计学方法将地理位置距离近的归为一类，作为机器学习的第一步；再根据车辆上报时间点和/或方位角，区分不同车辆行驶方向，用于将地理位置数据第二轮分类；分类之后再根据位置点的距离进行统计聚合，用聚合位置点代表聚类形成的道路点。

根据统计分类后得到的定位数据，可以确定车辆的暂停间隔、行驶速度和行驶方向等信息，将所述暂停间隔、行驶速度和行驶方向等行驶特征代入预先训练好的路况训练模型，从而能够计算生成当前的路况，包括识别为交叉路口、红绿灯路口等。

优选的一种实施方式中，可以根据第一分类特征和第二分类特征，分别设定相应的路况训练模型，用于对第一分类特征所反应的路况和第二分类特征所反应的路况分别进行计算，从而可以根据第一分类特征生成实时的路况信息，以及根据第二分类特征，生成整体的路况信息。

优选的一种实施方式中，可以通过集群并行计算的方式，将少量车辆上报的定位数据以冗余备份的方式存储在Hadoop分布式文件系统HDFS存储介质上，利用Hadoop计算节点将存储节点的定位数据逐条讲稿MAP操作中，完成MAP操作之后，通过计算机间通信将数据传输到不同的REDUCE结点上，并在这些节点上进行逻辑计算，在计算过程中，如果一个节点出现异常，可以由其它节点接管，并由接管的节点完成相应的计算，并行计算的最后结果在各个节点任务结束后统一完成。

另外，本申请可以预先通过设定好的道路模型，比如可以包括道路点、道路大区、道路兴趣点、道路指数、道路速度等样本信息，对路况训练模型进行训练，在路况模型训练完成后，可以为其它系统提供路况查询服务。

通过对采集的车辆的定位数据生成行驶特征，并对行驶特征进行分类，包括根据行驶特征所对应的位置进行聚类，以及行驶特征的时效要求和使用频率，进行分类，可以根据第一分类特征生成整体路况的信息，通过第二分类特征可以实现对实时路况的分析和识别。采用批量与实时数据相互结合的方式，在充分利用大数据能力的基础上，提升道路的识别的效率。

另外，在路况识别的过程中，本申请还可以对识别的路况作为样本进一步学习，将车辆上报的数据进行二次学习，有利于进一步提高路况识别模型的准确度。

另外，采用车辆上报的定位数据进行道路识别，利用现有的智能交通的基础敲诈，将智能数据进行二次加工，通过机器学习模型的算法进行识别，有利于减少系统成本，并且可以反复使用。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

图3为本申请实施例提供的一种路况识别装置的结构示意图，详述如下：

本申请所述路况识别装置，包括：

定位数据采集单元301，用于采集行驶于道路的车辆的定位数据；

行驶特征确定单元302，用于根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

识别单元303，用于将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况。

优选的，所述装置还包括清洗单元，用于：

清洗定位的坐标不处于道路所在的坐标范围内的定位数据；

和/或，清洗所述定位数据对应的车辆速度超出预定速度值时的定位数据；

和/或，清洗所上传的定位数据中的时间不连续的定位数据；

和/或，清洗上传的车辆设备出现串号异常的定位数据。

优选的，所述装置还包括：

第一分类单元，用于根据使用时效要求和/或使用频率要求，对所述行驶特征进行第一次分类；

存储单元，用于将第一次分类后的行驶特征，根据时效性要求或使用频率要求，存储在不同的数据库。

优选的，所述第一次分类后的行驶特征包括第一分类特征和第二分类特征，所述第一分类特征包括加速数据、减速数据、转弯数据或刹车数据，所述第二分类特征包括当前GPS点数据、车辆启动数据；

所述存储单元具体用于：将所述第一分类特征通过批量导入Hadoop分布式文件系统HDFS存储介质进行存储，将所述第二分类特征导入关系数据库或内存数据库存储。

所述装置还包括：

第二分类单元，用于根据上报的地理位置，对所述行驶特征进行第二次分类；

第三分类单元，用于根据上报的时间，对第二次分类后的行驶特征进行第三次分类，得到聚类后的道路点特征。

优选的，所述识别单元用于：

通过将位置数据以冗余备份的方式存储在Hadoop分布式文件系统HDFS上，通过相互通信的计算节点共同根据所述路况训练模型计算得到当前的路况。

图3所述路况识别装置，与图2所述路况识别方法对应。

图4是本申请一实施例提供的路况识别设备的示意图。如图4所示，该实施例的路况识别设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如路况识别程序。所述处理器40执行所述计算机程序42时实现上述各个路况识别方法实施例中的步骤，例如图2所示的步骤201至203。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至303的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述路况识别设备4中的执行过程。例如，所述计算机程序42可以被分割成定位数据采集单元、行驶特征确定单元和识别单元，各单元具体功能如下：

定位数据采集单元，用于采集行驶于道路的车辆的定位数据；

行驶特征确定单元，用于根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

识别单元，用于将所述车辆的行驶特征，代入已训练完成的路况训练模型，计算得到当前的路况。

所述路况识别设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述路况识别设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是路况识别设备4的示例，并不构成对路况识别设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述路况识别设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述路况识别设备4的内部存储单元，例如路况识别设备4的硬盘或内存。所述存储器41也可以是所述路况识别设备4的外部存储设备，例如所述路况识别设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述路况识别设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述路况识别设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，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，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，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申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/车辆设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/车辆设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种路况识别方法，其特征在于，所述方法包括：

采集行驶于道路的车辆的定位数据；

根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

根据使用时效要求和/或使用频率要求，对所述行驶特征进行第一次分类；所述第一次分类后的行驶特征包括第一分类特征和第二分类特征，所述第一分类特征包括加速数据、减速数据、转弯数据或刹车数据，所述第二分类特征包括当前GPS点数据、车辆启动数据；

将所述第一分类特征通过批量导入Hadoop分布式文件系统HDFS存储介质进行存储，将所述第二分类特征导入关系数据库或内存数据库存储；

基于所述第一分类特征和所述第二分类特征，根据上报的地理位置，对所述行驶特征进行第二次分类；

根据上报的时间，对第二次分类后的行驶特征进行第三次分类，得到聚类后的道路点特征；

将所述聚类后的道路点特征代入已训练完成的路况训练模型，计算得到当前的路况。

2.根据权利要求1所述的路况识别方法，其特征在于，所述采集运行于道路的车辆的定位数据的步骤之后，所述方法还包括对所述定位数据进行清洗的步骤，具体包括：

清洗定位的坐标不处于道路所在的坐标范围内的定位数据；

和/或，清洗所述定位数据对应的车辆速度超出预定速度值时的定位数据；

和/或，清洗所上传的定位数据中的时间不连续的定位数据；

和/或，清洗上传的车辆设备出现串号异常的定位数据。

3.根据权利要求 1所述的路况识别方法，其特征在于，所述将所述聚类后的道路点特征，代入已训练完成的路况训练模型，计算得到当前的路况的步骤包括：

通过将位置数据以冗余备份的方式存储在Hadoop分布式文件系统HDFS上，通过相互通信的计算节点共同根据所述路况训练模型计算得到当前的路况。

4.一种路况识别装置，其特征在于，所述装置包括：

定位数据采集单元，用于采集行驶于道路的车辆的定位数据；

行驶特征确定单元，用于根据所述定位数据，确定所述车辆在所述道路上的行驶特征；

行驶特征第一分类单元，用于根据使用时效要求和/或使用频率要求，对所述行驶特征进行第一次分类；所述第一次分类后的行驶特征包括第一分类特征和第二分类特征，所述第一分类特征包括加速数据、减速数据、转弯数据或刹车数据，所述第二分类特征包括当前GPS点数据、车辆启动数据；

导入单元，用于将所述第一分类特征通过批量导入Hadoop分布式文件系统HDFS存储介质进行存储，将所述第二分类特征导入关系数据库或内存数据库存储；

行驶特征第二分类单元，基于所述第一分类特征和所述第二分类特征，根据上报的地理位置，对所述行驶特征进行第二次分类；

行驶特征第三分类单元，根据上报的时间，对第二次分类后的行驶特征进行第三次分类，得到聚类后的道路点特征；

识别单元，用于将所述聚类后的道路点特征代入已训练完成的路况训练模型，计算得到当前的路况。

5.根据权利要求4所述的路况识别装置，其特征在于，所述装置还包括清洗单元，用于：

清洗定位的坐标不处于道路所在的坐标范围内的定位数据；

和/或，清洗所述定位数据对应的车辆速度超出预定速度值时的定位数据；

和/或，清洗所上传的定位数据中的时间不连续的定位数据；

和/或，清洗上传的车辆设备出现串号异常的定位数据。

6.一种路况识别设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述路况识别方法的步骤。

7.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述路况识别方法的步骤。

Images