CN108734955A - 预测路况状态的方法及装置 - Google Patents

预测路况状态的方法及装置 Download PDF

Info

Publication number
CN108734955A
CN108734955A CN201710244869.4A CN201710244869A CN108734955A CN 108734955 A CN108734955 A CN 108734955A CN 201710244869 A CN201710244869 A CN 201710244869A CN 108734955 A CN108734955 A CN 108734955A
Authority
CN
China
Prior art keywords
road condition
event
road
section
classifiable
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.)
Granted
Application number
CN201710244869.4A
Other languages
English (en)
Other versions
CN108734955B (zh
Inventor
袁晨
赵红超
李波
王志军
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201710244869.4A priority Critical patent/CN108734955B/zh
Priority to PCT/CN2018/079872 priority patent/WO2018188462A1/zh
Publication of CN108734955A publication Critical patent/CN108734955A/zh
Priority to US16/508,771 priority patent/US11305780B2/en
Application granted granted Critical
Publication of CN108734955B publication Critical patent/CN108734955B/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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种预测路况状态的方法及装置，属于车联网技术领域。该方法包括：获取路况状态和用于对路况状态进行分类的分类事件的相关信息；计算每种分类事件的发生概率和在每种路况状态下的条件概率；根据每种分类事件的发生概率和在每种路况状态下的条件概率，预测路段的路况状态。本发明通过计算历史路段信息中每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，并基于计算结果，预测路段的路况状态。由于路况状态的预测借助于多种分类事件及其概率，并不仅仅依赖于车辆的行驶速度，因而所预测的路况状态更准确。

Description

预测路况状态的方法及装置
技术领域
本发明涉及车联网技术领域，特别涉及一种预测路况状态的方法及装置。
背景技术
在现代社会，随着城市发展及道路建设，城市内及城市间的路况变得十分复杂。为了节省用户的出行时间，有必要预测路况状态，进而根据预测的路况状态，合理地为用户规划出行路线。其中，路况状态包括极其拥堵、拥堵、缓行、畅通等。
现有技术在预测路况状态时，可采用如下方法：通过GPS(Global PositioningSystem，全球定位系统)实时采集车辆的位置信息；根据采集到的位置信息和路网数据库，确定车辆当前行驶的路段，其中，路网数据库中存储有位置信息与路段名称之间的对应关系；根据采集到的位置信息，计算该路段的长度和行驶时间，进而根据路段的长度和行驶时间，计算车辆的行驶速度；计算该路段上的至少两个车辆的行驶速度的平均值；根据该行驶速度的平均值，从速度范围与路况状态之间的对应关系中，确定该行驶速度的平均值所在的速度范围；将该速度范围对应的路况状态作为该条路段的路况状态。
在实现本发明的过程中，发明人发现现有技术至少存在以下问题：
由于现有技术仅根据行驶速度预测路况状态，在实际应用中，路况状态不仅取决于车辆的行驶速度，还受其他因素影响，因而现有技术所预测的路况状态并不准确。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种预测路况状态的方法及装置。所述技术方案如下：
一方面，提供了一种预测路况状态的方法，所述方法包括：
获取历史路段信息，所述历史路段信息包括路况状态和用于对路况状态进行分类的分类事件的相关信息；
根据所述分类事件的相关信息，计算每种分类事件的发生概率；
根据所述路况状态和所述分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率；
对于任一条路段，根据所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率，预测所述路段的路况状态。
另一方面，提供了一种预测路况状态的装置，所述装置包括：
信息获取模块，用于获取历史路段信息，所述历史路段信息包括路况状态和用于对路况状态进行分类的分类事件的相关信息；
计算模块，用于根据所述分类事件的相关信息，计算每种分类事件的发生概率；
所述计算模块，还用于根据所述路况状态和所述分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率；
预测模块，用于对于任一条路段，根据所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率，预测所述路段的路况状态。
本发明实施例提供的技术方案带来的有益效果是：
通过计算历史路段信息中每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，并基于计算结果，预测路段的路况状态。由于路况状态的预测借助于多种分类事件及其概率，并不仅仅依赖于车辆的行驶速度，因而所预测的路况状态更准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本发明一个实施例提供的一种预测路况状态的方法流程图；
图2是本发明另一个实施例提供的一种历史路段信息的示意图；
图3是本发明另一个实施例提供的一条路段的示意图；
图4是本发明另一个实施例提供的一种预测路况状态的装置结构示意图；
图5是根据一示例性实施例示出的一种用于预测路况状态的服务器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。
在现代生活中，为了方便出行，用户会在终端中安装各种导航应用，这些导航应用大都具有对实时路况状态的预测及显示功能，进而根据所显示的实时路况状态，更加合理地为用户安排出行路线，提高用户的办事效率。目前，在预测路况状态时，所依赖的位置信息有两类，一类是地感线圈、测速摄像头等国家部门掌控的位置信息，另一类是基于车辆的GPS采集到的位置信息。考虑到成本等多方面因素，现有技术主要基于GPS采集到的位置信息，通过与路网数据库中的数据进行匹配，确定车辆当前行驶的路段，再通过计算至少两个车辆的行驶速度的平均值，预测该路段的路况状态。
虽然车辆的行驶速度是用于对路况状态进行描述的主要事件，但对于一些特殊路段，例如，学校、医院、商区附近，路边停靠的车辆较多且行人较多，出于安全考虑，这些路段上车辆的行驶速度并不快，现有技术依据行驶速度预测该路段的路况状态为拥堵并不准确；再例如，设定行驶速度为20～30千米/小时，对应的路况状态为拥堵，行驶速度为31～50千米/小时，对应的路况状态为缓行，当车辆的行驶速度为30千米/小时，该行驶速度为一个临界值，也即是当前路况状态濒临于拥堵与缓行之间，而现有技术简单地根据行驶速度预测路况状态为拥堵，其实并不准确。为了提高所预测的路况状态的准确性，本发明实施例提供的方法，基于对历史路段信息进行分析得到的分析结果，获取待预测路段包括的每个目标分类事件的条件概率和发生概率，进而将获取到的概率值代入贝叶斯分类公式中，得到一个全面反映路段的路况状态。
本发明实施例提供了一种预测路况状态的方法，参见图1，本发明实施提供的方法流程包括：
101、服务器获取历史路段信息。
其中，历史路段信息包括路况状态和用于对路况状态进行分类的分类事件的相关信息。该路况状态用于反映当前交通的畅通程度，包括极其拥堵、拥堵、缓行及畅通中一项。该分类事件包括当前路段上车辆的行驶速度、自由流速度、路段等级、所属城市、预设时间前的路况状态、预设时间前的行驶速度、指定路段的路况状态、指定路段上车辆的行驶速度、是否为节假日、是否位于特殊地段附近以及是否为减速地带等，本发明实施例不对分类事件作具体的限定。图2示出了用于对路况状态进行分类的多个分类事件。
其中，自由流速度为路段的最快行驶速度。路段等级由高到低依次为：高速、城市快速路、国道、省道、县道、乡镇道路、其他道路等。预设时间前可由服务器根据所属城市的历史路况状态确定，如果所属城市的历史路况状态较差，经常是拥堵或者极其拥堵，则可将预设时间前选取一个较小的值，如一分钟前、二分钟前等，以确保获取到的路况状态能够准确地对当前路段进行预测。如果所属城市的历史路况状态很好，经常是畅通，则可将预设时间前选取一个较大的值，如五分钟前、十分钟前等，以减小服务器的处理压力，当然，服务器还可采用其他方式确定预设时间前，本发明实施例不作具体的限定。指定路段为当前路段之前且与当前时间间隔预设数量个路段的路段，该预设数量可根据路段的长度确定，如果路段的长度较短，则可选取一个较小的数作为预设数量，例如1、2、3等，如果路段的长度较长，则选取一个较大的数作为预设数量，例如，5、6、7等。特殊地段可以为学校、医院、商圈等。减速地带可以为隧道、弯道、环岛路等等。
其中，分类事件的相关信息可根据分类事件的具体内容确定，如果分类事件为当前路段上车辆的行驶速度，则分类事件的相关信息为当前路段上车辆的行驶速度的速度值、行驶方向等；如果分类事件为自由流速度，则分类事件的相关信息为当前路段上车辆的最快行驶速度的速度值等；如果分类事件为道路等级，则分类事件的相关信息为高速、城市快速路、国道、省道、县道、乡镇道路、其他道路等；如果分类事件为所属城市，则分类事件的相关信息为国内外的各个城市，如北京、上海、南京等等；如果分类事件为预设时间前的路况状态中，则分类事件的相关信息为预设时间前的路况状态为极其拥堵、拥堵、缓行、畅通中一种；如果分类事件为预设时间前的行驶速度，则分类事件的相关信息为预设时间前的行驶速度的速度值、行驶方向等；如果分类事件为指定路段的路况状态，则分类事件的相关信息为指定路段的路况状态为极其拥堵、拥堵、缓行、畅通中的一种；如果分类事件为指定路段上车辆的行驶速度，则分类事件的相关信息为指定路段上车辆的行驶速度的速度值、行驶方向等；如果分类事件为是否为节假日，则分类事件的相关信息为是节假日或不是节假日；如果分类事件为是否位于特殊路段附近，则分类事件的相关信息为位于特殊路段附近或未位于特殊路段附近；如果分类事件为是否为减速地带，则分类事件的相关信息为减速地带或不是减速地带。
服务器在获取历史路段信息时，包括但不限于如下方式：服务器从互联网上收集在不同城市、不同路段且不同时间等条件下的路况状态，将收集到的路况状态及收集条件作为历史路况信息。为了便于后续应用，服务器在获取到历史路段信息后，可按照分类事件的事件名、采用表格的形式进行临时存储，预测结束后或者一段时间后，服务器将清除所存储的数据。
对于以表格形式存储的历史路段信息，可参见表1。
表1
102、服务器根据分类事件的相关信息，计算每种分类事件的发生概率。
服务器根据分类事件的相关信息，计算每种分类事件的发生概率时，可采用如下步骤1021～1022：
1021、服务器根据分类事件的相关信息，获取每种分类事件的发生次数。
由于历史路段信息中包括用于对路况状态进行分类的分类事件的相关信息，因而服务器通过对历史路段信息中的同一分类事件进行统计，可得到每种分类事件的发生次数。考虑到不同城市的路段具有不同的特征及出行习惯，且不同路段等级上车辆的最大行驶速度是不同，因此，服务器在对历史路段信息中的同一分类事件进行统计时，可按照所属城市，对获取到的历史路段信息进行分类，再按照路段等级对同一城市的历史路段信息进一步分类，进而对同一城市不同路段等级对应的每种分类事件的发生次数进行统计。
例如，服务器获取到的100000条历史路段信息，按照所属城市对获取到的100000条历史路段信息进行分类，得到20000条北京的历史路段信息，30000条上海的历史路段信息，10000条石家庄的历史路段信息，15000条成都的历史路段信息，25000条深圳的历史路段信息。以北京的历史路段信息为例，服务器按照路段等级，对20000条历史路段信息进行分类，得到不同路段等级对应的历史路段信息，进而通过对不同路段等级对应的历史路段信息中每种分类事件的发生次数进行统计，得到每种分类事件的发生次数。
1022、服务器根据每种分类事件的发生次数和历史路段信息的信息条数，计算每种分类事件的发生概率。
服务器通过计算同一城市同一路段等级对应的每种分类事件的发生次数与同一城市同一路段等级对应的历史路段信息的信息条数的比值，得到每种分类事件的发生概率。
例如，服务器获取到北京高速公路的历史路段信息为2000条，从2000条历史路段信息中获取到减速地带的发生次数为400条，则可得到降速地带的发生概率为400/2000＝0.2。
103、服务器根据路况状态和分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率。
服务器根据路况状态和分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率时，可采用如下步骤1031～1032：
1031、服务器根据路况状态和分类事件的相关信息，获取每种分类事件在每种路况状态下的发生次数。
服务器按照所属城市、路段等级对获取到的历史路段信息进行分类后，可根据同一城市同一路段等级对应的历史路段信息，统计每种分类事件在每种路况状态下的发生次数。
1032、服务器根据每种分类事件在每种路况状态下的发生次数和历史路段信息中每种路况状态的信息条数，计算每种分类事件在每种路况状态下的条件概率。
服务器通过计算同一城市同一路段等级对应的每种分类事件在每种路况状态下的发生次数与同一城市同一路段等级对应的历史路段信息中每种路况状态的信息条数的比值，得到每种分类事件在每种路况状态下的条件概率。
例如，服务器获取到每种路况状态的历史路段信息均为2000条，从2000条历史路段信息中获取到减速地带在极其拥堵条件下的发生次数为1000条，在拥堵条件下的发生次数为500条，在缓行条件下的发生次数为400条，在畅通条件下的发生次数为100条，则可得到减速地带在极其拥堵条件下的条件概率＝1000/2000＝0.5，减速地带在极其拥堵条件下的条件概率＝500/2000＝0.25，减速地带在缓行条件下的条件概率＝400/2000＝0.2，减速地带在畅通条件下的条件概率＝100/2000＝0.05。
又例如，服务器获取到北京的历史路段信息有2000条，其中有100条是高速公路的历史路段信息，在100条高速公路的历史路段信息中，路况状态为拥堵的信息数量为10条，路况状态为畅通的信息数量为70条，则可计算出该条高速公路畅通的概率为70/100＝0.7，在畅通的70条历史路段信息中，可得到当前路段上车辆的行驶速度、自由流速度、前一条路段的路况状态、前一分钟的路况状态、前一分钟的行驶速度、是否学校门口附近、是否医院门口附近、是否商场门口附近、是否环岛路等降速地带、是否节假日等几个分类事件在畅通的路况状态下的条件概率。其中，表2示出了当前路段上车辆的行驶速度在畅通的路况状态下的条件概率，表3示出了自由流速度在畅通的路况状态下的条件概率，表4示出了前一条路段的路况状态在畅通的路况状态下的条件概率，表5示出了一分钟的路况状态在畅通的路况状态下的条件概率，表6示出了前一分钟的行驶速度在畅通的路况状态下的条件概率，表7示出了是否学校门口附近、是否医院门口附近、是否商场门口附近、是否环岛路等降速地带、是否节假日在畅通的路况状态下的条件概率。
表2
表3
表4
表5
表6
表7
此处有两点需要说明的，第一点，上述步骤202和步骤203仅以根据所属城市、道路等级对历史路段信息进行分类为例，在实际应用中，还可根据需求，采用其他分类事件对历史路段信息进行分类，此处不再一一说明。
第二点，车辆在行驶过程中行驶速度是连续的，为了便于分析不同行驶速度下的路况状态，在本发明实施例中，服务器还将根据不同路段等级，将相同路况状态下的行驶速度划分为不同的速度区间，并对不同区间内的行驶速度进行迭代优化。通过对行驶速度进行划分和迭代，不仅方便统计，而且提高了不同区间内行驶速度的准确性。
104、对于任一条路段，服务器根据每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，预测路段的路况状态。
对于任一条路段，服务器根据每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，预测路段的路况状态时，可采用如下步骤1041～1045：。
1041、服务器获取路段包括的目标分类事件。
在本实施例中，用户可根据出行需求，在导航应用中输入起点和终点，终端将用户所设置的起点和终点发送至服务器，由服务器采用路径规划算法，预先为用户规划一条由起点指向终点的导航路径，该导航路径包括多个路段，本发明实施例以预测其中任一路段的路况状态为例进行说明。其中，路径规划算法包括Dijkstra算法、Floyed算法、SPFA(Shortest Path Faster Algorithm，队列优化)算法、A*算法、D*算法、图论最短算法、遗传算法、元胞自动机、免疫算法、禁忌搜索、模拟退火、人工神经网络、蚁群算法、粒子群算法等。为了节省用户的出行时间，提高办事效率，服务器在为用户规划导航路径之后，服务器还将根据路况状态预测模型，预测路段的路况状态，进而根据预测的路况状态及时调整所规划的导航路径。
本发明实施例中，服务器预先存储一个路网数据库，该路网数据库中存储有所属城市、路段名称、自由流速度、路段等级、路段周边的其他建筑物的名称等信息，基于该路网数据库，服务器可从路网数据库中，获取道路等级、自由流速度、所属城市、是否位于特殊地段附近、是否为减速地带等信息，并从互联网中获取当前路段上车辆的行驶速度、预设时间前的路况状态、预设时间前的行驶速度、指定路段的路况状态、指定路段上车辆的行驶速度等信息，并将从路网数据库中及互联网中获取到的信息作为目标分类事件。
1042、服务器从每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率中，获取每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率。
基于表格中所存储的每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，服务器根据每种目标分类事件，可从每种分类事件的发生概率中，获取与目标分类事件名称相同的分类事件的发生概率，并将获取到的发生概率作为目标分类事件的发生概率。服务器根据每种分类事件，可从每种分类事件在每种路况状态下的条件概率中，获取与目标分类事件名称相同的分类事件在每种路况状态下的条件概率，并将获取到的条件概率作为每种目标分类事件在每种路况状态下的条件概率。
1043、服务器将每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率，代入每种路况状态在所有分类事件联合发生时的条件概率表达式中，得到每种路况状态在所有目标分类事件联合发生时的条件概率。
其中，条件概率表示式可根据贝叶斯分类公式确定。贝叶斯分类公式为利用概率统计知识进行分类的公式，该贝叶斯分类公式可以表示为P(C/X)*P(X)＝P(C)*P(X/C)。在本发明实施例中，C表示路况状态，包括极其拥堵、拥堵、缓行及畅通等；P(C)表示路况状态的发生概率，服务器可通过计算每种路况状态的发生次数，并基于每种路况状态的发生次数进行计算；X表示分类事件集合；P(X)表示每种分类事件的发生概率；P(C/X)表示路况状态在所有分类事件联合发生时的条件概率。
基于贝叶斯分类公式，服务器上每种路况状态在所有分类事件联合发生时的条件概率的表达式为其中，i表示路况状态，该路况状态i的取值为1～4；j表示分类事件，该分类事件j的取值为1～m，m与分类事件的数量相等；Aj表示分类事件，C中的每种分类事件之间存在相关性，且各个分类事件之间是独立的。本发明实施例提供的方法通过将影响对路况状态进行预测的因素划分为分类结果(因变量)和分类事件(自变量)的方式，维护了分类事件之间的独立性，保证了概率计算的准确性。
基于所获取到的每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率，服务器通过将每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率代入到条件概率表达式中，可得到每种路况状态在所有目标分类事件联合发生时的条件概率。例如，在计算畅通的路况状态下所有目标分类事件联合发生时的条件概率，可将每种目标分类事件的发生概率和每种目标分类事件在畅通路况状态下的条件概率代入公式中；在计算拥堵的路况状态下所有目标分类事件联合发生时的条件概率，可将每种目标分类事件的发生概率和每种目标分类事件在拥堵路况状态下的条件概率代入公式中。
此处需要说明是：由于每个分类事件是相互独立的，且分类事件中的部分事件是互斥的，不可能同时获取到的，因而在采用条件概率表示式 计算每种路况状态在所有目标分类事件联合发生时的条件概率时，仅将获取到的目标分类事件的条件概率及发生概率代入到条件概率表达式中。例如，分类事件的数量为12个，从路段中获取到的目标分类事件为3个，则在预测该路段的路况状态时，仅考虑获取到的3个分类事件，也即是仅将3个目标分类事件的发生概率和3个分类事件在每种路况状态下的条件概率代入到条件概率表达式中。
1044、服务器从每种路况状态在所有目标分类事件联合发生时的条件概率中，获取最大条件概率。
例如，服务器通过上述步骤1043计算出畅通的路况状态在所有目标分类事件联合发生时的条件概率为0.6，缓行的路况状态在所有目标分类事件联合发生时的条件概率为0.3，拥堵的路况状态在所有目标分类事件联合发生时的条件概率为0.15，极其拥堵的路况状态在所有目标分类事件联合发生时的条件概率为0.05，从计算结果中，服务器可获取到最大条件概率为0.6。
1045、服务器将最大条件概率对应的路况状态作为路段的路况状态。
由于最大条件概率对应的路况状态为服务器考虑多方面因素预测出的该路段的最可能的路况状态，因而将最大条件概率对应的路况状态作为路段的路况状态，相比于仅依靠行驶速度进行判断，更加全面、准确。
例如，图3为服务器为用户规划的导航路径的一个路段，在对该路段的路跨径状态进行预测时，服务器获取到目标分类事件为特殊路段附近、节假日、当前路段上车辆的行驶速度、自由流速度等，服务器计算每种路况状态在所有目标分类事件联合发生时的条件概率后，从每种路况状态在所有目标分类事件联合发生时的条件概率中，获取最大条件概率，进而将最大条件概率对应的路况状态作为路段的路况状态。
考虑到服务器的处理压力及处理速度，本发明实施例提供的方法除了采用上述方法每次在预测路况状态时根据历史路段信息，实时计算每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，还可将每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率存储到服务器中，这样在每次对预测路况状态时直接从服务器中获取，而无需再次计算。针对这种情况，服务器可根据贝叶斯分类公式，确定每种路况状态在所有分类事件联合发生时的条件概率表达式，进而将每种路况状态在所有分类事件联合发生时的条件概率表达式、每种分类事件的发生概率以及每种分类事件在每种路况状态下的条件概率，作为路况状态预测模型，从而在后续预测任一路段的路况状态时，服务器根据该状态预测模型进行预测，提高了预测效率。
需要说明的是，上述以对导航路径中的一个路段的路况状态进行预测为例，对于其他路段的预测，可参见对该路段的路况状态的预测过程，此处不再赘述。
本发明实施例提供的方法，通过计算历史路段信息中每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，并基于计算结果，预测路段的路况状态。由于路况状态的预测借助于多种分类事件及其概率，并不仅仅依赖于车辆的行驶速度，因而所预测的路况状态更准确。
参见图4，本发明实施例提供了一种预测路况状态的装置，该装置包括：
信息获取模块401，用于获取历史路段信息，该历史路段信息包括路况状态和用于对路况状态进行分类的分类事件的相关信息；
计算模块402，用于根据分类事件的相关信息，计算每种分类事件的发生概率；
计算模块402，还用于根据路况状态和分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率；
预测模块403，用于对于任一条路段，根据每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，预测路段的路况状态。
在本发明的另一个实施例中，计算模块402，用于根据分类事件的相关信息，获取每种分类事件的发生次数；根据每种分类事件的发生次数和历史路段信息的信息条数，计算每种分类事件的发生概率。
在本发明的另一个实施例中，计算模块402，用于根据路况状态和分类事件的相关信息，获取每种分类事件在每种路况状态下的发生次数；根据每种分类事件在每种路况状态下的发生次数和历史路段信息中每种路况状态的信息条数，计算每种分类事件在每种路况状态下的条件概率。
在本发明的另一个实施例中，预测模块403，用于获取路段包括的目标分类事件；从每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率中，获取每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率；将每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率，代入每种路况状态在所有分类事件联合发生时的条件概率表达式中，得到每种路况状态在所有目标分类事件联合发生时的条件概率，该条件概率表达式根据贝叶斯分类公式确定；从每种路况状态在所有目标分类事件联合发生时的条件概率中，获取最大条件概率；将最大条件概率对应的路况状态作为路段的路况状态。
在本发明的另一个实施例中，分类事件包括当前路段上车辆的行驶速度、自由流速度、路段等级、所属城市、预设时间前的路况状态、预设时间前的行驶速度、指定路段的路况状态、指定路段上车辆的行驶速度、是否为节假日、是否位于特殊地段附近以及是否为减速地带，指定路段为当前路段之前且与当前路段间隔预设数量个路段的路段。
综上，本发明实施例提供的装置，通过计算历史路段信息中每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，并基于计算结果，预测路段的路况状态。由于路况状态的预测借助于多种分类事件及其概率，并不仅仅依赖于车辆的行驶速度，因而所预测的路况状态更准确。
图5是根据一示例性实施例示出的一种用于预测路况状态的服务器。参照图5，服务器500包括处理组件52，其进一步包括一个或多个处理器，以及由存储器532所代表的存储器资源，用于存储可由处理组件522的执行的指令，例如应用程序。存储器532中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件522被配置为执行指令，以执行上述预测路况状态的中服务器所执行的功能。
服务器500还可以包括一个电源组件526被配置为执行服务器500的电源管理，一个有线或无线网络接口550被配置为将服务器500连接到网络，和一个输入输出(I/O)接口558。服务器500可以操作基于存储在存储器532的操作系统，例如Windows ServerTM，Mac OSXTM，UnixTM,LinuxTM，FreeBSDTM或类似。
本发明实施例提供的服务器，通过计算历史路段信息中每种分类事件的发生概率和每种分类事件在每种路况状态下的条件概率，并基于计算结果，预测路段的路况状态。由于路况状态的预测借助于多种分类事件及其概率，并不仅仅依赖于车辆的行驶速度，因而所预测的路况状态更准确。
需要说明的是：上述实施例提供的预测路况状态的装置在预测路况状态时，仅以上述各功能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模块完成，即将预测路况状态的装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的预测路况状态的装置与预测路况状态的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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。

Claims (10)

1.一种预测路况状态的方法，其特征在于，所述方法包括：
获取历史路段信息，所述历史路段信息包括路况状态和用于对路况状态进行分类的分类事件的相关信息；
根据所述分类事件的相关信息，计算每种分类事件的发生概率；
根据所述路况状态和所述分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率；
对于任一条路段，根据所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率，预测所述路段的路况状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述分类事件的相关信息，计算每种分类事件的发生概率，包括：
根据所述分类事件的相关信息，获取每种分类事件的发生次数；
根据所述每种分类事件的发生次数和所述历史路段信息的信息条数，计算所述每种分类事件的发生概率。
3.根据权利要求1所述的方法，其特征在于，所述根据所述路况状态和所述分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率，包括：
根据所述路况状态和所述分类事件的相关信息，获取每种分类事件在每种路况状态下的发生次数；
根据所述每种分类事件在每种路况状态下的发生次数和所述历史路段信息中每种路况状态的信息条数，计算所述每种分类事件在每种路况状态下的条件概率。
4.根据权利要求1所述的方法，其特征在于，所述根据所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率，预测所述路段的路况状态，包括：
获取所述路段包括的目标分类事件；
从所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率中，获取每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率；
将所述每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率，代入每种路况状态在所有分类事件联合发生时的条件概率表达式中，得到每种路况状态在所有目标分类事件联合发生时的条件概率，所述条件概率表达式根据贝叶斯分类公式确定；
从所述每种路况状态在所有目标分类事件联合发生时的条件概率中，获取最大条件概率；
将所述最大条件概率对应的路况状态作为所述路段的路况状态。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述分类事件包括当前路段上车辆的行驶速度、自由流速度、路段等级、所属城市、预设时间前的路况状态、预设时间前的行驶速度、指定路段的路况状态、指定路段上车辆的行驶速度、是否为节假日、是否位于特殊地段附近以及是否为减速地带，所述指定路段为当前路段之前且与当前路段间隔预设数量个路段的路段。
6.一种预测路况状态的装置，其特征在于，所述装置包括：
信息获取模块，用于获取历史路段信息，所述历史路段信息包括路况状态和用于对路况状态进行分类的分类事件的相关信息；
计算模块，用于根据所述分类事件的相关信息，计算每种分类事件的发生概率；
所述计算模块，还用于根据所述路况状态和所述分类事件的相关信息，计算每种分类事件在每种路况状态下的条件概率；
预测模块，用于对于任一条路段，根据所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率，预测所述路段的路况状态。
7.根据权利要求6所述的装置，其特征在于，所述计算模块，用于根据所述分类事件的相关信息，获取每种分类事件的发生次数；根据所述每种分类事件的发生次数和所述历史路段信息的信息条数，计算所述每种分类事件的发生概率。
8.根据权利要求6所述的装置，其特征在于，所述计算模块，用于根据所述路况状态和所述分类事件的相关信息，获取每种分类事件在每种路况状态下的发生次数；根据所述每种分类事件在每种路况状态下的发生次数和所述历史路段信息中每种路况状态的信息条数，计算所述每种分类事件在每种路况状态下的条件概率。
9.根据权利要求6所述的装置，其特征在于，所述预测模块，用于获取所述路段包括的目标分类事件；从所述每种分类事件的发生概率和所述每种分类事件在每种路况状态下的条件概率中，获取每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率；将所述每种目标分类事件的发生概率和每种目标分类事件在每种路况状态下的条件概率，代入每种路况状态在所有分类事件联合发生时的条件概率表达式中，得到每种路况状态在所有目标分类事件联合发生时的条件概率，所述条件概率表达式根据贝叶斯分类公式确定；从所述每种路况状态在所有目标分类事件联合发生时的条件概率中，获取最大条件概率；将所述最大条件概率对应的路况状态作为所述路段的路况状态。
10.根据权利要求6至9中任一项所述的装置，其特征在于，所述分类事件包括当前路段上车辆的行驶速度、自由流速度、路段等级、所属城市、预设时间前的路况状态、预设时间前的行驶速度、指定路段的路况状态、指定路段上车辆的行驶速度、是否为节假日、是否位于特殊地段附近以及是否为减速地带，所述指定路段为当前路段之前且与当前路段间隔预设数量个路段的路段。
CN201710244869.4A 2017-04-14 2017-04-14 预测路况状态的方法及装置 Active CN108734955B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201710244869.4A CN108734955B (zh) 2017-04-14 2017-04-14 预测路况状态的方法及装置
PCT/CN2018/079872 WO2018188462A1 (zh) 2017-04-14 2018-03-21 预测路况状态的方法、装置、服务器及存储介质
US16/508,771 US11305780B2 (en) 2017-04-14 2019-07-11 Road condition status prediction method, device, and server, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710244869.4A CN108734955B (zh) 2017-04-14 2017-04-14 预测路况状态的方法及装置

Publications (2)

Publication Number Publication Date
CN108734955A true CN108734955A (zh) 2018-11-02
CN108734955B CN108734955B (zh) 2021-06-11

Family

ID=63793624

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710244869.4A Active CN108734955B (zh) 2017-04-14 2017-04-14 预测路况状态的方法及装置

Country Status (3)

Country Link
US (1) US11305780B2 (zh)
CN (1) CN108734955B (zh)
WO (1) WO2018188462A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816985A (zh) * 2019-03-27 2019-05-28 常州璨禾辰信息科技有限公司 一种基于bayes算法的城市交通状况预警方法
CN111583647A (zh) * 2020-05-12 2020-08-25 安徽皖通科技股份有限公司 一种高速公路物联网行车安全管理系统
CN111693060A (zh) * 2020-06-08 2020-09-22 西安电子科技大学 基于拥塞等级预测分析的路径规划方法
CN113053107A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种结合自由流计算道路拥缓状态的方法及装置
CN113689696A (zh) * 2021-08-12 2021-11-23 北京交通大学 基于车道管理的多模式交通协同疏散方法

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7111151B2 (ja) * 2018-03-29 2022-08-02 日本電気株式会社 情報処理装置、道路分析方法、及びプログラム
CN110826779A (zh) * 2019-10-24 2020-02-21 交通运输部路网监测与应急处置中心 路网级桥隧养护方法、装置及存储介质
EP4162464A4 (en) * 2021-08-06 2024-01-10 Basarsoft Bilgi Teknolojileri Anonim Sirketi TRAFFIC DENSITY ESTIMATION SYSTEM AND ASSOCIATED METHOD
US20230060578A1 (en) * 2021-08-30 2023-03-02 The Goodyear Tire & Rubber Company Road condition monitoring system
CN114299713B (zh) * 2021-12-01 2023-09-29 重庆邮电大学 一种基于自适应信号灯的单点交叉口车辆调度系统与方法
KR102414233B1 (ko) * 2022-01-18 2022-06-29 (주)에스알디코리아 주행차량의 노면인지에 의한 제어 시스템 및 그 방법
CN115640921B (zh) * 2022-10-12 2023-05-05 中南大学湘雅医院 一种院内危重患者转运路径规划方法和系统
CN116342246B (zh) * 2023-03-06 2024-04-23 浙江孚临科技有限公司 违约风险评估方法、设备与存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1975800A (zh) * 2006-12-25 2007-06-06 北京世纪高通科技有限公司 一种交通信息融合处理方法和系统
CN101739824A (zh) * 2009-11-12 2010-06-16 上海第二工业大学 基于数据融合技术的交通状况估计方法
CN101783069A (zh) * 2009-12-29 2010-07-21 北京世纪高通科技有限公司 一种交通信息融合处理方法及系统
JP2010221859A (ja) * 2009-03-24 2010-10-07 Hitachi Automotive Systems Ltd 車両運転支援装置
CN102509445A (zh) * 2011-10-19 2012-06-20 北京世纪高通科技有限公司 路况预测因素的筛选方法及装置
CN102646332A (zh) * 2011-02-21 2012-08-22 日电（中国）有限公司 基于数据融合的交通状态估计装置和方法
CN103903436A (zh) * 2012-12-28 2014-07-02 上海优途信息科技有限公司 一种基于浮动车的高速公路交通拥堵检测方法和系统
CN104182618A (zh) * 2014-08-06 2014-12-03 西安电子科技大学 一种基于贝叶斯网络的追尾预警方法
CN104298881A (zh) * 2014-10-15 2015-01-21 南通大学 一种基于贝叶斯网络模型的公交环境动态变化预报方法
CN104933856A (zh) * 2014-03-17 2015-09-23 径卫视觉科技（上海）有限公司 道路路况实时评估系统及方法
DE102015202554B3 (de) * 2015-02-12 2016-06-09 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zum Schätzen eines realen Verkehrszustandes mittels n Sensoren
CN106092113A (zh) * 2016-06-07 2016-11-09 腾讯科技（深圳）有限公司 预行驶道路预估系统、方法、导航客户端及服务器
US20160335893A1 (en) * 2002-03-05 2016-11-17 Pelmorex Canada Inc. Method for predicting a travel time for a traffic route
CN106251625A (zh) * 2016-08-18 2016-12-21 上海交通大学 大数据环境下立体城市交通路网全局状态预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8214122B2 (en) * 2008-04-10 2012-07-03 GM Global Technology Operations LLC Energy economy mode using preview information
CN101673463B (zh) * 2009-09-17 2011-12-14 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
CN101950477B (zh) * 2010-08-23 2012-05-23 北京世纪高通科技有限公司 一种交通信息处理方法及装置
CN106525058B (zh) * 2015-09-10 2019-09-10 上海汽车集团股份有限公司 一种车辆组队出行导航方法及装置
US10144419B2 (en) * 2015-11-23 2018-12-04 Magna Electronics Inc. Vehicle dynamic control system for emergency handling

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160335893A1 (en) * 2002-03-05 2016-11-17 Pelmorex Canada Inc. Method for predicting a travel time for a traffic route
CN1975800A (zh) * 2006-12-25 2007-06-06 北京世纪高通科技有限公司 一种交通信息融合处理方法和系统
JP2010221859A (ja) * 2009-03-24 2010-10-07 Hitachi Automotive Systems Ltd 車両運転支援装置
CN101739824A (zh) * 2009-11-12 2010-06-16 上海第二工业大学 基于数据融合技术的交通状况估计方法
CN101783069A (zh) * 2009-12-29 2010-07-21 北京世纪高通科技有限公司 一种交通信息融合处理方法及系统
CN102646332A (zh) * 2011-02-21 2012-08-22 日电（中国）有限公司 基于数据融合的交通状态估计装置和方法
CN102509445A (zh) * 2011-10-19 2012-06-20 北京世纪高通科技有限公司 路况预测因素的筛选方法及装置
CN103903436A (zh) * 2012-12-28 2014-07-02 上海优途信息科技有限公司 一种基于浮动车的高速公路交通拥堵检测方法和系统
CN104933856A (zh) * 2014-03-17 2015-09-23 径卫视觉科技（上海）有限公司 道路路况实时评估系统及方法
CN104182618A (zh) * 2014-08-06 2014-12-03 西安电子科技大学 一种基于贝叶斯网络的追尾预警方法
CN104298881A (zh) * 2014-10-15 2015-01-21 南通大学 一种基于贝叶斯网络模型的公交环境动态变化预报方法
DE102015202554B3 (de) * 2015-02-12 2016-06-09 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren und Vorrichtung zum Schätzen eines realen Verkehrszustandes mittels n Sensoren
CN106092113A (zh) * 2016-06-07 2016-11-09 腾讯科技（深圳）有限公司 预行驶道路预估系统、方法、导航客户端及服务器
CN106251625A (zh) * 2016-08-18 2016-12-21 上海交通大学 大数据环境下立体城市交通路网全局状态预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘异: "基于贝叶斯网络的城市道路拥挤概率预测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 *
徐涛 等: "面向城市道路交通状态估计的数据融合研究", 《计算机工程与应用》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816985A (zh) * 2019-03-27 2019-05-28 常州璨禾辰信息科技有限公司 一种基于bayes算法的城市交通状况预警方法
CN111583647A (zh) * 2020-05-12 2020-08-25 安徽皖通科技股份有限公司 一种高速公路物联网行车安全管理系统
CN111693060A (zh) * 2020-06-08 2020-09-22 西安电子科技大学 基于拥塞等级预测分析的路径规划方法
CN113053107A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种结合自由流计算道路拥缓状态的方法及装置
CN113053107B (zh) * 2020-12-23 2022-08-02 沈阳世纪高通科技有限公司 一种结合自由流计算道路拥缓状态的方法及装置
CN113689696A (zh) * 2021-08-12 2021-11-23 北京交通大学 基于车道管理的多模式交通协同疏散方法

Also Published As

Publication number Publication date
US20190329788A1 (en) 2019-10-31
US11305780B2 (en) 2022-04-19
CN108734955B (zh) 2021-06-11
WO2018188462A1 (zh) 2018-10-18

Similar Documents

Publication Publication Date Title
CN108734955A (zh) 预测路况状态的方法及装置
Zhan et al. Citywide traffic volume estimation using trajectory data
WO2019047905A1 (zh) 一种交通路况分析系统、方法以及装置
US6879907B2 (en) Method and system for modeling and processing vehicular traffic data and information and applying thereof
CN104331422B (zh) 一种路段类型推测方法
US20120130625A1 (en) Systems and methods for determining traffic intensity using information obtained through crowdsourcing
Theja et al. Short term prediction of traffic parameters using support vector machines technique
Tang et al. Travel time estimation at intersections based on low-frequency spatial-temporal GPS trajectory big data
CN106157624B (zh) 基于交通定位数据的多粒度道路分流可视分析方法
CN111159247A (zh) 一种区域交通拥堵传播轨迹挖掘方法
US20220414450A1 (en) Distributed Multi-Task Machine Learning for Traffic Prediction
CN111383444B (zh) 预测路况状态的方法、装置、服务器及存储介质
Ghandeharioun et al. Link travel time estimation for arterial networks based on sparse GPS data and considering progressive correlations
CN110021161A (zh) 一种交通流向的预测方法及系统
CN105139328B (zh) 面向车牌识别数据的旅行时间实时预测方法及装置
CN110986992A (zh) 无人售卖车辆的导航方法、装置、电子设备和存储介质
WO2022153125A2 (en) System and method for processing vehicle event data for analysis of road segments and turn ratios
CN111141302B (zh) 车辆驾驶到达时间的预估方法、装置及电子设备
CN114863676B (zh) 一种拥堵识别方法及装置
Qin et al. Spatiotemporal K-Nearest Neighbors Algorithm and Bayesian Approach for Estimating Urban Link Travel Time Distribution From Sparse GPS Trajectories
Derevitskiy et al. Traffic estimation on full graph of transport network using GPS data of bus movements
JP6928082B2 (ja) 都市道路のランニング速度の処理方法、都市道路のランニング速度の処理装置、機器、及び不揮発性コンピュータ記憶媒体
Shanthi et al. GPS-based Arrival Time Prediction for Bus Schedules: Enhancing Commuter Experience
Värv Travel Time Prediction Based on Raw GPS Data
Li et al. A real-time transportation prediction system

Legal Events

Date Code Title Description
PB01 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