CN109711591B - 一种路段速度预测方法、装置、服务器及存储介质 - Google Patents

一种路段速度预测方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN109711591B
CN109711591B CN201711014944.4A CN201711014944A CN109711591B CN 109711591 B CN109711591 B CN 109711591B CN 201711014944 A CN201711014944 A CN 201711014944A CN 109711591 B CN109711591 B CN 109711591B
Authority
CN
China
Prior art keywords
road section
speed
moment
target
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
CN201711014944.4A
Other languages
English (en)
Other versions
CN109711591A (zh
Inventor
谢真灼
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 CN201711014944.4A priority Critical patent/CN109711591B/zh
Priority to PCT/CN2018/109688 priority patent/WO2019080711A1/zh
Publication of CN109711591A publication Critical patent/CN109711591A/zh
Priority to US16/598,108 priority patent/US11501636B2/en
Application granted granted Critical
Publication of CN109711591B publication Critical patent/CN109711591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • 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
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种路段速度预测方法、装置、服务器及存储介质，该方法包括：确定目标路段在第一时刻的路段速度；确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。本发明实施例可提升路段速度的预测准确度。

Description

一种路段速度预测方法、装置、服务器及存储介质
技术领域
本发明涉及交通技术领域，具体涉及一种路段速度预测方法、装置、服务器及存储介质。
背景技术
一路段在某一时刻的路段速度是指该时刻该路段上的车速均值；路段速度在导航的路况算路等场景中应用广泛，如通过路段速度可判断出路段的路况优劣，实现导航过程中准确的优势路段的计算，优势路段可以理解为是路网中相对畅通的路段。
为提升路况算路的效果，对某一路段未来时刻的路段速度进行预测显得尤为必要；因此如何提升路段速度的预测准确度，成为了本领域技术人员需要考虑的问题。
发明内容
有鉴于此，本发明实施例提供一种路段速度预测方法、装置、服务器及存储介质，以提升路段速度的预测准确度。
为实现上述目的，本发明实施例提供如下技术方案：
一种路段速度预测方法，包括：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
本发明实施例还提供一种路段速度预测装置，包括：
第一时刻路段速度确定模块，用于确定目标路段在第一时刻的路段速度；
前时刻路段速度及均值确定模块，用于确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
预测特征确定模块，用于至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
预测模块，用于根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
本发明实施例还提供一种服务器，包括：至少一个存储器，所述存储器存储有适于处理器执行的程序；所述程序用于：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
本发明实施例还提供一种存储介质，所述存储介质存储有可执行的程序，所述程序用于：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
基于上述技术方案，本发明实施例提供的路段速度预测方法，可根据目标路段在设定时限内各时刻的路段速度预测训练特征，以机器学习算法训练得到路段速度预测模型，且目标路段在设定时限内一时刻的路段速度预测训练特征可至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定；从而在需预测目标路段在距第一时刻预定时差的未来的第二时刻的路段速度时，本发明实施例可确定目标路段在第一时刻的路段速度，以及目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值，从而至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征；进而，根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度，实现在已确定目标路段在某一时刻的路段速度的情况下，预测出目标路段在距该时刻预定时差的未来时刻的路段速度。
本发明实施例提供的路段速度预测方法，考虑影响路段速度预测准确性的因素，预先以机器学习算法训练的路段速度预测模型，在已确定目标路段第一时刻的路段速度的情况下，对距第一时刻预定时差的未来的第二时刻的路段速度进行预测，可借助以机器学习算法训练的路段速度预测模型的模型结果高可用性和高准确性的特性，实现路段速度的准确预测，使得路段速度预测结果的误差可控性得以提高，提升了路段速度预测结果的准确度。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的路段速度预测方法的流程图；
图2为路段速度预测模型的训练流程图；
图3为速度聚类区间的划分流程图；
图4为路段速度预测模型的另一训练流程图；
图5为本发明实施例提供的路段速度预测方法的另一流程图；
图6为路段速度预测特征的示例图；
图7为路段某一天的每分钟的路段速度，与一月每分钟路段速度均值的比对示意图；
图8为路段速度预测模型预测的某一分钟的路段速度，与样本数据中真实的路段速度的比对示意图；
图9为路段速度随时间的变化示例图；
图10为在手机地图中路段权值进行算路的应用示例图；
图11为本发明实施例提供的路段速度预测装置的结构框图；
图12为本发明实施例提供的路段速度预测装置的另一结构框图；
图13为本发明实施例提供的路段速度预测装置的再一结构框图；
图14为本发明实施例提供的路段速度预测装置的又一结构框图；
图15为本发明实施例提供的路段速度预测装置的又另一结构框图；
图16为服务器的硬件结构框图。
具体实施方式
本发明的发明人发现，目前传统方案主要是通过统计某一路段在各历史时刻的路段速度的均值，将某一路段在某一历史时刻的路段速度的均值，近似为该路段在与该历史时刻时刻相同的未来时刻的路段速度；例如传统方案在预测下一分钟(如10点10分)的路段速度时，主要是通过统计路段在历史上10点10分的路段速度的均值，将该均值近似为路段在下一分钟(如10点10分)的路段速度；然而未来时刻路段速度的影响因素较多，传统方案仅以历史上相同时刻某一路段的路段速度的均值，近似为该路段在时刻相同的未来时刻的路段速度，将导致路段速度的预测结果的误差较大；
基于此，本发明实施例考虑改进路段速度预测方法，通过研究分析出影响路段速度预测准确性的因素，并根据所研究分析出的因素进行路段速度预测模型的训练，基于训练后的路段速度预测模型实现准确度更高的路段速度预测。
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。
本发明的发明人研究发现，在预测路段未来时刻的路段速度时，影响路段速度预测准确性的最为主要的因素包括：距未来时刻前预定时差的时刻的路段速度，和该时刻前各设定时刻的路段速度及历史路段速度均值；
作为一种可选示例，比如未来时刻为下一分钟，则影响下一分钟路段速度预测准确性的因素主要包括：当前时刻的路段速度，当前时刻前10分钟内各分钟的路段速度及历史路段速度均值。
基于此，本发明实施例可至少以上述因素训练路段速度预测模型，基于训练后的路段速度预测模型实现准确度更高的路段速度预测。
图1为本发明实施例提供的路段速度预测方法的流程图，该路段速度预测方法可应用于服务器，该服务器可以是具有路况算路功能的导航服务器，也可能是单独设置的用于实现路段速度预测，且可与导航服务器相交互的服务设备；参照图1，本发明实施例提供的路段速度预测方法可以包括：
步骤S100、确定目标路段在第一时刻的路段速度。
目标路段可以认为是当前需进行路段速度预测的路段，目标路段可以是路网中的任一路段，本发明实施例可指定对路网中的任一路段进行路段速度预测；可选的，一条路段可以理解为路网中两节点间的交通路线，路网中的节点可根据实际情况设定，本发明实施例并不限制。
可选的，时刻可以是以一分钟为单位，第一时刻可以是某一分钟时刻，如当前分钟时刻；显然，以一分钟作为时刻的单位仅是可选的，本发明实施例还可以将两分钟、三分钟等作为时刻的单位，时刻的单位的具体选取可根据实际情况设定。
可选的，作为一种可选方式，第一时刻可以是已到来的时刻，如当前时刻，相应的，在第一时刻内，本发明实施例可统计目标路段上第一时刻的车速均值，确定出目标路段第一时刻的路段速度；
作为另一种可选实现，第一时刻也可能是未来时刻，即还未到来的时刻，目标路段在第一时刻的路段速度可由本发明实施例提供的路段速度预测方法进行预测，并在预测得到目标路段在第一时刻的路段速度后，以此进行晚于第一时刻的未来时刻的目标路段的路段速度的预测。
步骤S110、确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值。
可选的，第一时刻前的各设定时刻可以是，第一时刻之前的设定时刻范围内的各时刻；作为一种可选示例，如以设定时刻范围为10分钟，则第一时刻前的各设定时刻可以是第一时刻前10分钟内的各分钟(即第一时刻的前第10分钟至前第1分钟)，相应的，可确定目标路段在第一时刻的前10分钟内的各分钟的路段速度及历史路段速度均值；
可选的，目标路段在第一时刻前的某一时刻的路段速度，可通过统计目标路段在第一时刻前的该时刻的车速均值确定；如目标路段在第一时刻前的第10分钟的路段速度，可通过统计目标路段在第一时刻前的第10分钟的车速均值确定；而如果第一时刻前的某一时刻还未到来，则可使用本发明实施例提供的路段速度预测方法所预测的，目标路段在第一时刻前的该时刻的路段速度。
可选的，目标路段在第一时刻前的某一时刻的历史路段速度均值，可通过目标路段在设定时限内该时刻的历史路段速度的均值确定；设定时限可以包括至少一个时间周期，一个时间周期可以包括多个时刻；
作为一种可选示例，设定时限可以是一个月，时间周期可以是一天，则目标路段在第一时刻前的某一时刻的历史路段速度均值，可以通过统计目标路段在一个月内每天该时刻的历史路段速度，并取均值得到。
步骤S120、至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻。
在预测距第一时刻后预定时差的第二时刻的路段速度时，影响第二时刻的路段速度预测结果准确度的因素，在本发明实施例中至少包括：目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值；本发明实施例可至少以此因素确定路段速度预测特征，带入到预训练的路段速度预测模型中，进行未来第二时刻的路段速度的预测。
可选的，第二时刻可以认为是还未到来的晚于第一时刻的未来时刻，且第二时刻与第一时刻的时差为预定时差；如以预定时差为一分钟为例，则第二时刻可以是第一时刻的下一分钟；
可选的，作为一种可选示例，以当前时刻作为第一时刻，则第二时刻可以如当前时刻的下一分钟；显然，当前时刻的下一分钟仅是第二时刻的一种可选形式，还可能是当前时刻的下两分钟等，具体可根据实际情况设置，并通过后面路段速度预测模型训练时所用的训练特征的调整实现。
在本发明实施例中，目标路段在未来的第二时刻的路段速度可通过，目标路段在第二时刻相应的路段速度预测特征进行预测得到，而目标路段在第二时刻的路段速度预测特征可至少由，目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值确定，且第一时刻早于第二时刻；
可选的，以第一时刻为当前时刻，第一时刻前的各设定时刻为当前时刻前10分钟内的各分钟为例，作为一种可选示例，目标路段在未来的第二时刻的路段速度预测特征可至少包括如下表1内容，表1内容可以认为是影响路段速度预测准确性的最为主要的因素的一种示例。
Figure BDA0001446254150000071
表1
可选的，表1相应内容可称为速度特征，即速度特征是影响路段速度预测准确性的最为主要的因素。
可选的，上述目标路段在未来第二时刻相应的路段速度预测特征的示例仅是可选的，本发明实施例还可在路段速度预测特征中加入其它维度，如将目标路段的路段特征等加入到路段速度预测特征中，目标路段的路段特征可以包括：目标路段的路段长度，路段等级(路段等级一般分为高速，城市快速路，省道，县道，村道，小路等)，路段限速等。
显然，表1是以第一时刻为当前时刻作为示例进行说明，但并不排除第一时刻为未来的早于第二时刻的时刻的情况。
步骤S130、根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
可选的，本发明实施例可将所述路段速度预测特征，作为预训练的路段速度预测模型的输入，由预训练的路段速度预测模型预测出目标路段在第二时刻的路段速度。
本发明实施例可基于机器学习算法预先训练得到路段速度预测模型，路段速度预测模型可用于在指定一个时刻的情况下，预测目标路段在距该时刻预定时差后的时刻的路段速度，如在指定一个时刻后，通过路段速度预测模型可预测得到该时刻下一分钟的路段速度。
可选的，在路段速度预测模型训练时，基于上述影响路段速度预测结果准确度的因素，路段速度预测模型可至少根据目标路段在设定时限内各时刻的路段速度预测训练特征，以机器学习算法训练得到；且目标路段在设定时限内一时刻的路段速度预测训练特征可至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定。
可选的，本发明实施例可使用GBDT(Gradient Boosting Decision Tree,梯度提升决策树)机器学习算法训练得到路段速度预测模型，相应的，路段速度预测模型的模型形式可以是GBDT模型；需要说明的是，GBDT是一种用于回归的机器学习算法，该算法由多棵决策树组成，所有树的结论累加起来做最终结果；当把目标函数做变换后，该算法亦可用于分类或排序，本发明实施例将GBDT模型作为路段速度预测模型的模型形式，可以借助GBDT模型的预测能力，对解决各种回归问题有比较好的效果；另外基于GBDT技术的xgBoost(extreme gradient boosting，它是gradient boosting的一个c++实现；具有速度快及拟合效果好的特性)库对模型训练的效果的保证及加速作用非常明显，这对后续的工程化有很大的帮助；GBDT的泛化能力很强，训练得到模型以后，特征计算得到结果值的时间花费也比较低(都是一些简单的比较和累加操作)。
本发明实施例提供的路段速度预测方法，可根据目标路段在设定时限内各时刻的路段速度预测训练特征，以机器学习算法训练得到路段速度预测模型，且目标路段在设定时限内一时刻的路段速度预测训练特征可至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定；从而在需预测目标路段在距第一时刻预定时差的未来的第二时刻的路段速度时，本发明实施例可确定目标路段在第一时刻的路段速度，以及目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值，从而至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征；进而，根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度，实现在已确定目标路段在某一时刻的路段速度的情况下，预测出目标路段在距该时刻预定时差的未来时刻的路段速度。
本发明实施例提供的路段速度预测方法，考虑影响路段速度预测准确性的因素，预先以机器学习算法训练的路段速度预测模型，在已确定目标路段第一时刻的路段速度的情况下，对距第一时刻预定时差的未来的第二时刻的路段速度进行预测，可借助以机器学习算法训练的路段速度预测模型的模型结果高可用性和高准确性的特性，实现路段速度的准确预测，使得路段速度预测结果的误差可控性得以提高，提升了路段速度预测结果的准确度。
可选的，下面对本发明实施例预先训练得到路段速度预测模型的过程进行说明，图2示出了路段速度预测模型的一种可选训练流程，参照图2，该流程可以包括：
步骤S200、确定目标路段在设定时限的各时间周期的各时刻的路段速度预测训练特征，得到多个样本数据。
可选的，一个样本数据可以表示目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征；目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征可以至少包括：目标路段在设定时限的该时间周期的该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值。
可选的，设定时限可以包括至少一个时间周期，一个时间周期可以包括多个时刻；
可选的，设定时限可以是一个月，半年等时限，一天可以是一个时间周期，一天内的每一分钟可以理解为是一个时间周期内的各个时刻。
作为一种可选示例，设定时限可以是一个月，时间周期可以是一天，时刻可以是分钟；相应的，一个样本数据可以表示目标路段在某一月的某一天的某一分钟的路段速度预测训练特征；从而对于目标路段，可收集一个月内的每一天的每一分钟的路段速度预测训练特征，得到多个样本数据。
显然，设定时限、时间周期、时刻的具体形式还可根据实际情况设定。
可选的，作为另一种可选示例，时间周期也可能是设定星期类型的日期，(设定星期类型为周一，则可将每周一作为时间周期，在设定时限的每周一收集各路段每一时刻的路段速度预测训练特征，相应训练得到的路段速度预测模型，可预测周一时刻的路段速度；当然，设定星期类型也可能是周一为一星期类型，周二至周四为一星期类型，周五为一星期类型，周六至周日为一星期类型；相应的，可在设定时限的每周二至周四收集各路段每一时刻的路段速度预测训练特征，相应训练得到的路段速度预测模型，可预测周二至周四时刻的路段速度；在设定时限的每周五收集各路段每一时刻的路段速度预测训练特征，相应训练得到的路段速度预测模型，可预测周五时刻的路段速度；在设定时限的每周六至周日收集各路段每一时刻的路段速度预测训练特征，相应训练得到的路段速度预测模型，可预测周六至周日时刻的路段速度)。
步骤S210、根据机器学习算法和所述多个样本数据，训练得到路段速度预测模型。
可选的，机器学习算法可以选用GBDT机器学习算法，相应的，训练得到的路段速度预测模型可以是GBDT模型形式的路段速度预测模型。
可选的，在训练路段速度预测模型的过程中，速度预测训练特征的选取尤为关键，下面对可选的速度预测训练特征的几种内容进行介绍。
以目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征为例，在第一种实现上，该时刻的路段速度预测训练特征可至少包括：
目标路段该时刻的路段速度；
目标路段该时刻前的各设定时刻的路段速度及历史路段速度均值。
上述第一种实现的内容，可参照前文表1部分示例；与表1不同之处在于，在进行路段速度预测模型的训练时，需要针对设定时限的每一时间周期的每一时刻，均确定出表1相应的内容。
在第二种实现上，本发明的发明人还研究发现，在预测路段未来时刻的路段速度时，影响路段速度预测准确性的因素除上文描述的，距未来时刻前预定时差的时刻的路段速度，和该时刻前各设定时刻的路段速度及历史路段速度均值外，还可包括：路段特征，该时刻的路段速度所处于的速度聚类区间，所处于的速度聚类区间的上一和下一速度聚类区间，该时刻的时间，路段进入所处于的速度聚类区间的时间和持续时间；
相应的，基于该因素，目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征可以包括：
目标路段该时刻的路段速度；
目标路段该时刻前的各设定时刻的路段速度及历史路段速度均值；
目标路段的路段特征，路段特征包括路段长度，路段等级(路段等级一般分为高速，城市快速路，省道，县道，村道，小路等)，路段限速等；
目标路段该时刻的路段速度在预划分的多个速度聚类区间中，所处于的速度聚类区间，以及所处于的速度聚类区间的上一速度聚类区间和下一速度聚类区间；
该时刻的时间，目标路段进入所处于的速度聚类区间的时间和持续时间。
相应的，针对第二种实现，以某一时刻前的各设定时刻为该时刻前10分钟内的各分钟为例，作为一种可选示例，目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征可以包括如下表2内容，表2内容可以认为是影响路段速度预测准确性的因素的另一种示例。
Figure BDA0001446254150000121
表2
可选的，表2内容中，设定时限的一个时间周期的一个时刻的路段速度，该时刻前10分钟的路段速度，该时刻前10分钟历史路段速度均值涉及的内容可以理解为是速度特征涉及的内容。
可选的，本发明实施例可预先划分出多个速度聚类区间，一个速度聚类区间包括目标路段上，数值相近的多个时刻的历史路段速度均值；且一速度聚类区间包括时间段维度和路段速度维度；从而确定目标路段在某一时刻的路段速度所处于的目标速度聚类区间时，可确定时间段维度与该时刻匹配的速度聚类区间，作为目标路段在该时刻的路段速度所处于的速度聚类区间。
可选的，在划分速度聚类区间时，本发明实施例可确定出目标路段各时刻的历史路段速度均值；将目标路段各时刻的历史路段速度均值进行多次聚类，直至聚类后的各速度聚类区间的中心与上一次聚类的各速度聚类区间的中心维持不变，以得到k个速度聚类区间，k为设定数值；
可选的，图3示出了速度聚类区间的一种可选划分流程图，参照图3，该流程可以包括：
步骤S300、确定目标路段各时刻的历史路段速度均值。
可选的，目标路段一个时刻的历史路段速度均值，可通过目标路段在设定时限内各个时间周期中该时刻的历史路段速度的均值确定，如在设定时限内，可确定目标路段在各个时间周期的该时刻的历史路段速度，然后将目标路段在各个时间周期的该时刻的历史路段速度作取均值处理，得到路段在该时刻的历史路段速度均值；
例如，作为一种可选示例，对于目标路段在某一分钟(如10点10分)的历史路段速度均值，本发明实施例可获取目标路段一个月内每天的该分钟的历史路段速度，然后取均值，得到该路段在该分钟的历史路段速度均值。
步骤S310、随机选取k个时刻的历史路段速度均值，作为k个速度聚类区间的初始中心。
可选的，k为设定数值，可根据实际情况设定；在定义设定数值k后，本发明实施例可从各时刻中随机选取k个时刻，将该k个时刻的历史路段速度均值，分为作为k个速度聚类区间的初始中心，从而每一初始中心可对应有相应的时间和历史路段速度均值。
可选的，所选取的k个时刻可以是时间均匀的k个时刻，如k个时刻中的相邻时刻的时间间隔相同。
步骤S320、对于任一剩余时刻的历史路段速度均值，确定各初始中心中与该剩余时刻时间相接的至少一个初始中心，确定该剩余时刻的历史路段速度均值，与时间相接的各初始中心的相异度，将该剩余时刻的历史路段速度均值聚类到，相异度最低且时间相接的初始中心对应的速度聚类区间中，以得到初始速度聚类区间。
可选的，对于任一剩余时刻的历史路段速度均值，本发明实施例可在各个初始中心中，确定与该剩余时刻时间相接的至少一个初始中心，得到与该剩余时刻时间相接的至少一个初始中心(预先划分的k个速度聚类区间的每个初始中心均对应有各自的路段速度和时间，对于任一剩余时刻的历史路段速度均值，本发明实施例可确定与该剩余时刻在时间上相接的初始中心，可以是时间早于该剩余时刻，且与该剩余时刻在时间上相接的初始中心，也可以是晚于该剩余时刻，且与该剩余时刻在时间上相接的初始中心)，从而将该剩余时刻的历史路段速度均值，与各个时间相接的初始中心进行相异度计算，将该剩余时刻的历史路段速度均值聚类到，相异度最低且时间相接的初始中心对应的速度聚类区间中；
从而对于每一剩余时刻的历史路段速度均值均作此处理，则可确定所有时刻的历史路段速度均值聚类后的初始速度聚类区间。
可选的，作为示例，k个初始中心的时间包括：9点10分，10点10分，11点10分；则对于时刻9点50分而言，k个初始中心中与9点50分的时刻在时间上相接的可以是，9点10分，10点10分；由于11点10分之前具有10点10分，因此11点10分不认为与9点50分的时刻在时间上相接。
可选的，剩余时刻可以认为是一个时间周期内，减去k个时刻后剩余的时刻；如时间周期为一天，k个时刻为10点10分，11点10分(为便于说明，此处仅以k个时刻为2个时刻进行说明)，则剩余时刻可以是一天的所有整数分钟的时刻，减去10点10分和11点10分后，剩余的整数分钟的时刻。
步骤S330、确定各初始速度聚类区间的中心，根据各时刻的历史路段速度均值，与时间相接的各中心的相异度，将各个时刻的历史路段速度均值重新聚类，得到重新聚类的速度聚类区间。
在得到初始速度聚类区间后，本发明实施例可根据各个初始速度聚类区间所聚类的历史路段速度均值，确定各个初始速度聚类区间的中心；从而，对于任一时刻的历史路段速度均值，确定该时刻的历史路段速度均值，与时间相接的各个初始速度聚类区间的中心的相异度，将该时刻的历史路段速度均值聚类到，相异度最低且时间相接的中心对应的速度聚类区间中；以此对各个时刻的历史路段速度均值进行处理，则可对各个时刻的历史路段速度均值进行重新聚类，得到重新聚类的速度聚类区间。
步骤S340、以上一聚类的各速度聚类区间的中心，将各个时刻的历史路段速度均值重新聚类，直至重新聚类后的各速度聚类区间的中心，与上一聚类的各速度聚类区间的中心维持不变。
在得到重新聚类的速度聚类结果后，本发明实施例可以上一重新聚类的速度聚类结果，再次对各个时刻的历史路段速度均值进行重新聚类(聚类策略不变，也是将某一时刻的历史路段速度均值聚类到，相异度最低的时间相接的中心对应的速度聚类结果中)，以此循环，直至重新聚类后的各速度聚类区间的中心，与上一聚类的各速度聚类区间的中心维持不变。
在划分出k个速度聚类区间后，各个速度聚类区间可以包括时间段维度和路段速度维度这个两个维度，从而对于目标路段在某一时刻的路段速度，本发明实施例可确定时间段维度与该时刻匹配的速度聚类区间，得到目标路段在该时刻的路段速度所处于的速度聚类区间；
而按照k个速度聚类区间的时间顺序，k个速度聚类区间可进行排序，进而确定出目标速度聚类区间的上一速度聚类区间和下一速度聚类区间。
进一步，对于某一时刻，本发明实施例可确定出该时刻之前，目标路段进入目标速度聚类区间的时间和持续时间；如在该时刻之前逐时刻的确定目标路段所处于的速度聚类区间，确定出与该时刻连续的进入目标速度聚类区间的时间范围，将该时间范围的起点时间作为该时刻之前，目标路段进入目标速度聚类区间的时间，将该时间范围的持续时间作为该时刻之前，目标路段进入目标速度聚类区间的时间。
可选的，作为一种优选，图4示出了路段速度预测模型的另一种可选训练流程，参照图4，该流程可以包括：
步骤S400、对于设定时限的任一时间周期的任一时刻，确定目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度、历史路段速度均值，该时刻的路段速度所处于的速度聚类区间，所处于的速度聚类区间的上一速度聚类区间和下一速度聚类区间，该时刻的时间，目标路段进入所处于的速度聚类区间的时间和持续时间，以及目标路段的路段特征，得到目标路段在该时刻的路段速度预测训练特征，以确定出目标路段在设定时限的各时间周期的各时刻的路段速度预测训练特征，得到多个样本数据。
步骤S410、根据GBDT机器学习算法和所述多个样本数据，训练得到GBDT模型形式的路段速度预测模型。
需要说明的是，上述作为路段速度预测训练特征的内容利用相关性检验后，可发现路段速度预测训练特征中的速度特征的内容，对于路段速度预测准确性的影响最大(即速度特征是影响路段速度预测准确性的最为主要的因素)，但时间特征，聚类特征，道路特征对于路段速度预测的影响也起到了很大作用(即时间特征，聚类特征，道路特征也是影响路段速度预测准确性的因素)，因此综合使用上述内容作为路段速度预测训练特征，可使得训练得到的路段速度预测模型的预测准确度得以提升。
相应的，基于图4所示的方法所训练的路段速度预测模型，本发明实施例提供的路段速度预测方法可以如图5所示，图5示出了本发明实施例提供的路段速度预测方法的另一流程图，参照图5，该方法可以包括：
步骤S500、确定目标路段在第一时刻的路段速度。
步骤S510、确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值。
步骤S520、确定目标路段在第一时刻的路段速度所处于的目标速度聚类区间，目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，目标路段进入目标速度聚类区间的时间和持续时间。
可选的，步骤S520和步骤S510之间可以没有明显的先后顺序。
步骤S530、根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度、历史路段速度均值，目标路段在第一时刻的路段速度所处于的目标速度聚类区间，目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，目标路段进入目标速度聚类区间的时间和持续时间，第一时刻的时间，以及目标路段的路段特征，确定目标路段在第二时刻相应的路段速度预测特征。
可选的，相比于目标路段在第二时刻相应的路段速度预测特征包括目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值的情况，本发明实施例中，目标路段在第二时刻相应的路段速度预测特征还可包括：目标路段在第一时刻的路段速度所处于的目标速度聚类区间，目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，目标路段进入目标速度聚类区间的时间和持续时间，第一时刻的时间，以及目标路段的路段特征。
步骤S540、根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
可选的，以第一时刻为当前时刻为例，基于第一时刻所确定的未来第二时刻相应的路段速度预测特征的示例可如图6所示；图6所示路段速度预测特征的示例内容可描述如下，其中数值表示的内容可参照图6对应示意：
52 53 55 56 56 56 56 55 55 54 0.0166666667 48 48 49 50 50 50 50 49 4951 50.95 52.45 52.85 53.1578947368421 53.5 53.8 54.25 55.0 56.7553.61116997664677 1.199860668171932 1 505 0.0000000000 5.0600000000 50649.68421052631579 50.31578947368421 50.526315789473685 50.7894736842105351.1578947368421 51.578947368421055 51.78947368421053 52.2105263157894752.68421052631579 51.190430622009565 0.5916384698152513 54.25 55.15 55.4 56。
作为一个可选应用示例，本发明实施例可以一个月为样本数据收集时限，收集目标路段一个月内每天每分钟的路段速度，并计算出目标路段一天的每分钟的历史路段速度均值；同时，以目标路段每分钟的历史路段速度均值，划分出多个速度聚类区间；
对于一个月内的每一天的每一分钟，确定出目标路段的路段速度预测训练特征；目标路段在一个月内的某一天的某一分钟的路段速度预测训练特征可以包括：目标路段在该分钟的路段速度，该分钟前的10分钟内各分钟的路段速度、历史路段速度均值，目标路段在该分钟的路段速度所处于的速度聚类区间，所处于的速度聚类区间的上一速度聚类区间和下一速度聚类区间，该分钟的具体时间，目标路段进入所处于的速度聚类区间的时间和持续时间，以及目标路段的路段特征；
将目标路段在一个月内的某一天的某一分钟的路段速度预测训练特征作为一个样本数据，以此得到多个样本数据；
根据GBDT机器学习算法，以所述多个样本数据为训练输入，训练得到GBDT模型形式的路段速度预测模型。
在当前分钟需预测下一分钟的目标路段的路段速度时，确定目标路段在当前分钟的下一分钟的路段速度预测特征，该路段速度预测特征包括：目标路段在当前分钟的路段速度，当前分钟前的10分钟内各分钟的路段速度、历史路段速度均值，目标路段在当前分钟的路段速度所处于的目标速度聚类区间，该目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，当前分钟的具体时间，目标路段进入目标速度聚类区间的时间和持续时间，以及目标路段的路段特征。
将目标路段在当前分钟的下一分钟的路段速度预测特征，作为路段速度预测模型的输入，预测出目标路段在当前分钟的下一分钟的路段速度。
可选的，在训练路段速度预测模型时，时间周期并不一定选择每一天；由于不同时间周期，路段速度变化及分布差别比较大，比如周一早上与周日早上速度肯定不一样；周五下班与周六日的速度变化也比较大，所以如果同样处理，那对预测结果的扰动和影响是比较大的；因此本发明实施例可以区分出不同星期类型的日期的时间周期，分别以不同星期类型的日期的时间周期的样本数据，训练出不同星期类型的路段速度预测模型，比如分别训练出周一、周二三四、周五、周六日对应的路段速度预测模型；一星期类型的路段速度预测模型，可相应预测该星期类型中某一未来时刻的路段速度，比如周一的路段速度预测模型可预测周一的时刻内的路段速度，周二三四的路段速度预测模型可预测周二三四的时刻内的路段速度等。
可选的，在训练路段速度预测模型的过程中，为使得训练得到的路段速度预测模型的预测结果更加的准确，本发明实施例还可对样本数据进行优化；由于路网具有庞大的数据，会存在路段噪点以及样本量较少等情况，这将导致存在路段无覆盖或覆盖少的现象，这导致训练得到的模型无法解决这一类路段问题，所以产生预测偏差过大的问题；因此本发明实施例可在样本数据中某时刻预测的路段速度与真实路段速度的差值大于差值阈值时，利用KALMAN(卡尔曼)滤波对该样本数据进行平滑处理，使得路段速度预测模型预测的路段速度趋于真实路段速度。
例如，在基于样本数据，以路段速度预测模型预测出某一时刻的路段速度后，可将样本数据中该时刻的真实路段速度与所预测的路段速度进行比对，当比对差值大于差值阈值时，认定该样本数据为噪点，利用KALMAN滤波对噪点进行平滑处理，使得最终训练得到的路段速度预测模型预测的路段速度趋于真实路段速度。
KALMAN滤波是以最小均方误差为估计的最佳准则，来寻求一套递推估计的算法。简单来说，在样本数据的范围内，当预测的路段速度与样本数据中真实的路段速度的差值大于某一动态调整的差值阈值时，通过KALMAN滤波，使得模型计算让最终结果趋向于真实的路段速度，平滑有可能是由于噪点带来的预测误差过大的情况。
这里需要说明的是，本发明的发明人经过研究发现，路段的路段速度是存在一定规律的，在选取典型路段(高速，城市快速路，省道，县道，村道，小路等)，并抓取该典型路段一个月每周二周三周四的每分钟路段速度，求取出该典型路段一个月的每分钟路段速度均值后，将该典型路段的一月每分钟路段速度均值，与某一天该典型路段的每分钟的路段速度进行比对，如图7所示；可发现，该典型路段某一天的每分钟的路段速度，与所求取的每分钟路段速度均值存在一定的近似；另从图7中可看成，车流量与路段速度没有明显相关特性。
同时，选取典型路段一个月每天的每分钟的路段速度训练特征，作为样本数据，训练出路段速度预测模型后，将路段速度预测模型所预测的某一分钟的路段速度，与样本数据中该分钟真实的路段速度进行比对，可参照图8所示，可以看出，预测速度能很好的拟合出典型路段的月平均速度。
可见，本发明实施例提供的路段速度预测方法，通过预先以机器学习算法训练的路段速度预测模型，在已确定目标路段第一时刻的路段速度的情况下，对距第一时刻预定时差的未来的第二时刻的路段速度进行预测，可借助以机器学习算法训练的路段速度预测模型的模型结果高可用性和高准确性的特性，实现路段速度的准确预测，使得路段速度预测结果的误差可控性得以提高，提升了路段速度预测结果的准确度。
基于本发明实施例提供的路段速度预测方法，在预测得到目标路段在未来的第二时刻的路段速度后，本发明实施例可将所预测的目标路段在未来的第二时刻的路段速度，与地图上展示的目标路段相关联，以在地图上展示目标路段时展示出目标路段在未来的第二时刻的路段速度；
具体的，地图上的展示的每一路段可具有路段标识，地图上展示的一个路段对应一个唯一的路段标识，从而可根据目标路段的路段标识，从地图展示的多个路段中确定出目标路段，将所预测的目标路段在未来的第二时刻的路段速度，与地图上展示的目标路段相关联，以在地图上展示目标路段时，展示出目标路段在未来的第二时刻的路段速度；
可选的，地图上展示的目标路段在未来时刻的路段速度可逐分钟的更新，例如对于目标路段，可在当前分钟到来时，以本发明实施例提供的路段速度预测方法，预测目标路段在下一分钟的路段速度，从而逐分钟的更新出地图上展示的目标路段在未来时刻的路段速度。
可选的，本发明实施例也可以所预测的目标路段在未来的第二时刻的路段速度，计算目标路段在未来的第二时刻的路段权值，路段权值可用于评估反映路况优劣的路况代价，从而从路网中选取出优势路段，为导航的路况算路提供服务。
需要说明的是，目前的路段权值的计算一般使用实时路段速度进行，但是路段速度是随时间而变化的，用此刻的路段速度进行路线规划，当用户行驶到一段时间之后，靠近终点路段时，路段速度已经发生了变化，此时无论是路况还是路段速度都和出发点当时的情况有偏差；很显然，如果计算路线时使用的路段速度依然采用初始数值，合理性较低；
如图9所示，从A出发至B点，途径C地区，当前时刻C地区上方路段速度60km/h，下方路段10km/h；30分钟后，当行驶到C地区时，下方路段速度已升至60km/h，而上方路段速度已降至30km/h，出现了拥堵；很显然，路线计算时，采用实时路段速度并不合理，使用预测的未来的路段速度更具合理性。
相应的，在预测出目标路段在未来的第二时刻的路段速度后，可将目标路段的路段长度除以所预测的路段速度，得到目标路段在未来的第二时刻的路段权值；可选的，本发明实施例可记录每一路段的路段标识所对应的路段长度，实现各路段的路段长度的记录，进而可根据目标路段的路段标识，确定出目标路段的路段长度；
可选的，所计算的权值还可经过一些调整策略(例小路加权，主辅路加权，转弯代价)进行微调，而且为了权值的准确性及算路服务的效率，本发明实施例可进行离线静态化权值处理。微调后的路段权值可缓存于redis中，按分钟由导航服务器读取更新。
目前A-star(一种路线计算方法)中存储的路段权值使用的是静态数组，只存储当前一分钟的数据，加入预测路段速度后，本发明实施例可在算路的时候需要用到未来的路段速度对应的权值，这就需要存储未来的路段权值。综合考虑服务器的存储，效率，以及手机地图用户，短路线导航的场景较多，本发明实施例可采用缓存未来60分钟权值的方案，逐分钟进行更新。
可选的，在确定目标路段在未来的第二时刻的路段权值后，本发明实施例可进行算路实现，确定需要加入到地图上规划的行驶路线中的路段；具体的，本发明实施例可根据目标路段在未来的第二时刻的路段权值，判断目标路段是否为路网中的优势路段，若是，则根据目标路段的路段标识，确定在地图上展示的目标路段，将地图上展示的目标路段加入到在地图上规划的行驶路线中，实现算路过程中加入路线的路段的选择；
可选的，根据目标路段在未来的第二时刻的路段权值，判断目标路段是否为路网中的优势路段可以如：判断目标路段在未来的第二时刻的路段权值，是否大于预设权值阈值，若是，则目标路段为路网中的优势路段。
可选的，上述算路实现过程可以逐分钟的更新，例如以逐分钟更新的路段速度进行路段权值的更新，进而以逐分钟更新的路段权值进行规划的行驶路线的更新。
可选的，图10示出了在手机地图中使用本发明实施例提供的路段权值，进行算路的应用示例，可以看出带预测路段速度的路段(黑色粗实线所示)中路段速度大于限速70％的占比10.84％，大于限速50％小于限速70％的占比45.78％，都明显高于传统方案(黑色虚线所示)的使用实时路段速度的情况(分别为4.85％和39.80)；而低速路段，带预测路段速度的路段中路段速度小于限速30％占比3.61％，小于限速10％占比20.48％，低于传统方案的使用实时路段速度的情况(分别为4.85％及27.18％)；可见，本发明实施例使用预测的未来的路段速度进行路线计算更为合理。
另外算路逻辑中，原路线服务采用的是读取当前分钟权值的逻辑。加入预测路段速度后，本发明实施例可将之改为累加经过路段的时间，算路时读取累加时间时刻的路段对应权值，进行计算。可选的累加时间可以是由起始位置开始，逐路段累加通过时间，一路段的通过时间可以由路段长度除以路段预测速度得到。
下面对本发明实施例提供的路段速度预测装置进行介绍，下文描述的路段速度预测装置可以认为是，服务器为实现本发明实施例提供的路段速度预测方法，所需设置的程序模块。下文描述的路段速度预测装置可与上文描述的路段速度预测方法内容相互对应参照。
图11为本发明实施例提供的路段速度预测装置的结构框图，该装置可应用于服务器，参照图11，该装置可以包括：
第一时刻路段速度确定模块100，用于确定目标路段在第一时刻的路段速度；
前时刻路段速度及均值确定模块200，用于确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
预测特征确定模块300，用于至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
预测模块400，用于根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
可选的，图12为本发明实施例提供的路段速度预测装置的另一结构框图，结合图11和图12所示，该装置还可以包括：
模型训练模块500，用于确定目标路段在设定时限的各时间周期的各时刻的路段速度预测训练特征，得到多个样本数据；其中，一个样本数据表示目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征，目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征至少包括：目标路段在设定时限的该时间周期的该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值；根据机器学习算法和所述多个样本数据，训练得到路段速度预测模型。
可选的，所述目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征还可以包括：
目标路段该时刻的路段速度所处于的速度聚类区间，所处于的速度聚类区间的上一速度聚类区间和下一速度聚类区间，该时刻的时间，目标路段进入所处于的速度聚类区间的时间和持续时间，以及目标路段的路段特征；
相应的，预测特征确定模块300，用于至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，具体包括：
根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度、历史路段速度均值，目标路段在第一时刻的路段速度所处于的目标速度聚类区间，目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，目标路段进入目标速度聚类区间的时间和持续时间，第一时刻的时间，以及目标路段的路段特征，确定目标路段在第二时刻相应的路段速度预测特征。
可选的，图13示出了本发明实施例提供的路段速度预测装置的再一结构框图，结合图12和图13所示，该装置还可以包括：
聚类区间划分模块600，用于确定目标路段各时刻的历史路段速度均值；将目标路段各时刻的历史路段速度均值进行多次聚类，直至聚类后的各速度聚类区间的中心与上一次聚类的各速度聚类区间的中心维持不变，以得到k个速度聚类区间，k为设定数值。
可选的，聚类区间划分模块600，用于将目标路段各时刻的历史路段速度均值进行多次聚类，直至聚类后的各速度聚类区间的中心与上一次聚类的各速度聚类区间的中心维持不变，具体包括：
随机选取k个时刻的历史路段速度均值，作为k个速度聚类区间的初始中心；
对于任一剩余时刻的历史路段速度均值，确定各初始中心中与该剩余时刻时间相接的至少一个初始中心，确定该剩余时刻的历史路段速度均值，与时间相接的各初始中心的相异度，将该剩余时刻的历史路段速度均值聚类到，相异度最低且时间相接的初始中心对应的速度聚类区间中，以得到初始速度聚类区间；
确定各初始速度聚类区间的中心，根据各时刻的历史路段速度均值，与时间相接的各中心的相异度，将各个时刻的历史路段速度均值重新聚类，得到重新聚类的速度聚类区间；
以上一聚类的各速度聚类区间的中心，将各个时刻的历史路段速度均值重新聚类，直至重新聚类后的各速度聚类区间的中心，与上一聚类的各速度聚类区间的中心维持不变。
可选的，一速度聚类区间可以包括时间段维度和路段速度维度；图14示出了本发明实施例提供的路段速度预测装置的又一结构框图，结合图13和图14所示，该装置还可以包括：
目标区间确定模块700，用于确定时间段维度与第一时刻匹配的速度聚类区间，得到目标路段在第一时刻的路段速度所处于的目标速度聚类区间。
可选的，图15示出了本发明实施例提供的路段速度预测装置的又另一结构框图，结合图12和图15所示，该装置还可以包括：
KALMAN滤波处理模块800，用于对于一样本数据，将路段速度预测模型预测出的样本数据相应时刻的路段速度，与该样本数据中该时刻的真实路段速度进行比对，若比对后的差值大于差值阈值，确定该样本数据为噪点，以KALMAN滤波对噪点进行平滑处理。
进一步，如图15所示，本发明实施例提供的路段速度预测装置还可以包括：
路段速度展示控制模块900，用于根据目标路段的路段标识，从地图展示的多个路段中确定出目标路段，将所预测的目标路段在未来的第二时刻的路段速度，与地图上展示的目标路段相关联，以在地图上展示目标路段时，展示出目标路段在未来的第二时刻的路段速度，其中，地图上展示的每一个路段对应一个唯一的路段标识；
路段权值确定及算路模块1000，用于将目标路段的路段长度除以所预测的路段速度，得到目标路段在未来的第二时刻的路段权值，若目标路段在未来的第二时刻的路段权值，大于预设权值阈值，将目标路段确定为路网中的优势路段，根据目标路段的路段标识，确定在地图上展示的目标路段，将地图上展示的目标路段加入到在地图上规划的行驶路线中。
其中，目标路段在未来的第二时刻的路段权值可用于进行路线计算使用。
可选的，路段速度展示控制模块900，和，路段权值确定及算路模块1000可择一使用。
本发明实施例还提供一种服务器，该服务器可以装载有上述描述的路段速度预测装置相应的程序模块，实现路段速度预测功能；可选的，该服务器的硬件结构可以如图16所示，包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本发明实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
可选的，处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(Application Specific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器
(non-volatile memory)，例如至少一个磁盘存储器。
其中，存储器3存储有适用处理器1的程序，所述程序用于：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
可选的，所述程序的细化功能和扩展功能可参照上文相应部分描述。
本发明实施例还提供一种存储介质，该存储介质可以存储有可执行的程序，所述程序用于：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (15)

1.一种路段速度预测方法，其特征在于，包括：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度，其中，所述路段速度预测模型至少根据目标路段在设定时限内各时刻的路段速度预测训练特征训练得到；且目标路段在设定时限内一时刻的路段速度预测训练特征至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定。
2.根据权利要求1所述的路段速度预测方法，其特征在于，还包括：
确定目标路段在设定时限的各时间周期的各时刻的路段速度预测训练特征，得到多个样本数据；其中，一个样本数据表示目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征，目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征至少包括：目标路段在设定时限的该时间周期的该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值；
根据机器学习算法和所述多个样本数据，训练得到路段速度预测模型。
3.根据权利要求2所述的路段速度预测方法，其特征在于，所述目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征还包括：
目标路段该时刻的路段速度所处于的速度聚类区间，所处于的速度聚类区间的上一速度聚类区间和下一速度聚类区间，该时刻的时间，目标路段进入所处于的速度聚类区间的时间和持续时间，以及目标路段的路段特征。
4.根据权利要求3所述的路段速度预测方法，其特征在于，所述至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征包括：
根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度、历史路段速度均值，目标路段在第一时刻的路段速度所处于的目标速度聚类区间，目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，目标路段进入目标速度聚类区间的时间和持续时间，第一时刻的时间，以及目标路段的路段特征，确定目标路段在第二时刻相应的路段速度预测特征。
5.根据权利要求4所述的路段速度预测方法，其特征在于，还包括：
确定目标路段各时刻的历史路段速度均值；
将目标路段各时刻的历史路段速度均值进行多次聚类，直至聚类后的各速度聚类区间的中心与上一次聚类的各速度聚类区间的中心维持不变，以得到k个速度聚类区间，k为设定数值。
6.根据权利要求5所述的路段速度预测方法，其特征在于，所述将目标路段各时刻的历史路段速度均值进行多次聚类，直至聚类后的各速度聚类区间的中心与上一次聚类的各速度聚类区间的中心维持不变包括：
随机选取k个时刻的历史路段速度均值，作为k个速度聚类区间的初始中心；
对于任一剩余时刻的历史路段速度均值，确定各初始中心中与该剩余时刻时间相接的至少一个初始中心，确定该剩余时刻的历史路段速度均值，与时间相接的各初始中心的相异度，将该剩余时刻的历史路段速度均值聚类到，相异度最低且时间相接的初始中心对应的速度聚类区间中，以得到初始速度聚类区间；
确定各初始速度聚类区间的中心，根据各时刻的历史路段速度均值，与时间相接的各中心的相异度，将各个时刻的历史路段速度均值重新聚类，得到重新聚类的速度聚类区间；
以上一聚类的各速度聚类区间的中心，将各个时刻的历史路段速度均值重新聚类，直至重新聚类后的各速度聚类区间的中心，与上一聚类的各速度聚类区间的中心维持不变。
7.根据权利要求5所述的路段速度预测方法，其特征在于，一速度聚类区间包括时间段维度和路段速度维度；所述方法还包括：
确定时间段维度与第一时刻匹配的速度聚类区间，得到目标路段在第一时刻的路段速度所处于的目标速度聚类区间。
8.根据权利要求2-7任一项所述的路段速度预测方法，其特征在于，还包括：
对于一样本数据，将路段速度预测模型预测出的样本数据相应时刻的路段速度，与该样本数据中该时刻的真实路段速度进行比对，若比对后的差值大于差值阈值，确定该样本数据为噪点，以卡尔曼KALMAN滤波对噪点进行平滑处理。
9.根据权利要求1所述的路段速度预测方法，其特征在于，还包括：
根据目标路段的路段标识，从地图展示的多个路段中确定出目标路段，将所预测的目标路段在未来的第二时刻的路段速度，与地图上展示的目标路段相关联，以在地图上展示目标路段时，展示出目标路段在未来的第二时刻的路段速度，其中，地图上展示的每一个路段对应一个唯一的路段标识；
和/或，将目标路段的路段长度除以所预测的路段速度，得到目标路段在未来的第二时刻的路段权值，若目标路段在未来的第二时刻的路段权值，大于预设权值阈值，将目标路段确定为路网中的优势路段，根据目标路段的路段标识，确定在地图上展示的目标路段，将地图上展示的目标路段加入到在地图上规划的行驶路线中。
10.一种路段速度预测装置，其特征在于，包括：
第一时刻路段速度确定模块，用于确定目标路段在第一时刻的路段速度；
前时刻路段速度及均值确定模块，用于确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
预测特征确定模块，用于至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
预测模块，用于根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度，其中，所述路段速度预测模型至少根据目标路段在设定时限内各时刻的路段速度预测训练特征训练得到；且目标路段在设定时限内一时刻的路段速度预测训练特征至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定。
11.根据权利要求10所述的路段速度预测装置，其特征在于，还包括：
模型训练模块，用于确定目标路段在设定时限的各时间周期的各时刻的路段速度预测训练特征，得到多个样本数据；其中，一个样本数据表示目标路段在设定时限的一个时间周期的一个时刻的路段速度预测训练特征，目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征至少包括：目标路段在设定时限的该时间周期的该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值；根据机器学习算法和所述多个样本数据，训练得到路段速度预测模型。
12.根据权利要求11所述的路段速度预测装置，其特征在于，所述目标路段在设定时限的一时间周期的一时刻的路段速度预测训练特征还包括：
目标路段该时刻的路段速度所处于的速度聚类区间，所处于的速度聚类区间的上一速度聚类区间和下一速度聚类区间，该时刻的时间，目标路段进入所处于的速度聚类区间的时间和持续时间，以及目标路段的路段特征；
所述预测特征确定模块，用于至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，具体包括：
根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度、历史路段速度均值，目标路段在第一时刻的路段速度所处于的目标速度聚类区间，目标速度聚类区间的上一速度聚类区间和下一速度聚类区间，目标路段进入目标速度聚类区间的时间和持续时间，第一时刻的时间，以及目标路段的路段特征，确定目标路段在第二时刻相应的路段速度预测特征。
13.根据权利要求11或12所述的路段速度预测装置，其特征在于，还包括：
路段速度展示控制模块，用于根据目标路段的路段标识，从地图展示的多个路段中确定出目标路段，将所预测的目标路段在未来的第二时刻的路段速度，与地图上展示的目标路段相关联，以在地图上展示目标路段时，展示出目标路段在未来的第二时刻的路段速度，其中，地图上展示的每一个路段对应一个唯一的路段标识；
和/或，路段权值确定及算路模块，用于将目标路段的路段长度除以所预测的路段速度，得到目标路段在未来的第二时刻的路段权值，若目标路段在未来的第二时刻的路段权值，大于预设权值阈值，将目标路段确定为路网中的优势路段，根据目标路段的路段标识，确定在地图上展示的目标路段，将地图上展示的目标路段加入到在地图上规划的行驶路线中。
14.一种服务器，其特征在于，包括：至少一个存储器，所述存储器存储有适于处理器执行的程序；所述程序用于：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度，其中，所述路段速度预测模型至少根据目标路段在设定时限内各时刻的路段速度预测训练特征训练得到；且目标路段在设定时限内一时刻的路段速度预测训练特征至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定。
15.一种存储介质，其特征在于，所述存储介质存储有可执行的程序，所述程序用于：
确定目标路段在第一时刻的路段速度；
确定目标路段在第一时刻前的各设定时刻的路段速度及历史路段速度均值；
至少根据所述目标路段在第一时刻的路段速度，在第一时刻前的各设定时刻的路段速度及历史路段速度均值，确定目标路段在第二时刻相应的路段速度预测特征，所述第二时刻为晚于第一时刻，且距第一时刻预定时差的未来时刻；
根据所述路段速度预测特征以及预训练的路段速度预测模型，预测目标路段在第二时刻的路段速度，其中，所述路段速度预测模型至少根据目标路段在设定时限内各时刻的路段速度预测训练特征训练得到；且目标路段在设定时限内一时刻的路段速度预测训练特征至少由，目标路段在该时刻的路段速度，该时刻前的各设定时刻的路段速度及历史路段速度均值确定。
CN201711014944.4A 2017-10-25 2017-10-25 一种路段速度预测方法、装置、服务器及存储介质 Active CN109711591B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201711014944.4A CN109711591B (zh) 2017-10-25 2017-10-25 一种路段速度预测方法、装置、服务器及存储介质
PCT/CN2018/109688 WO2019080711A1 (zh) 2017-10-25 2018-10-10 路段速度预测方法、装置、服务器、介质及程序产品
US16/598,108 US11501636B2 (en) 2017-10-25 2019-10-10 Road segment speed prediction method, apparatus, server, medium, and program product

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711014944.4A CN109711591B (zh) 2017-10-25 2017-10-25 一种路段速度预测方法、装置、服务器及存储介质

Publications (2)

Publication Number Publication Date
CN109711591A CN109711591A (zh) 2019-05-03
CN109711591B true CN109711591B (zh) 2022-02-01

Family

ID=66246157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711014944.4A Active CN109711591B (zh) 2017-10-25 2017-10-25 一种路段速度预测方法、装置、服务器及存储介质

Country Status (3)

Country Link
US (1) US11501636B2 (zh)
CN (1) CN109711591B (zh)
WO (1) WO2019080711A1 (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11067403B2 (en) * 2018-07-05 2021-07-20 GM Global Technology Operations LLC Vehicle energy usage tracking
KR102457803B1 (ko) * 2019-03-28 2022-10-20 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 도로 상황 예측 방법, 장치, 기기 및 컴퓨터 저장 매체
CN110459051B (zh) * 2019-06-21 2020-09-04 平安国际智慧城市科技股份有限公司 路段特征模型训练方法、装置、终端设备及存储介质
CN112256006B (zh) * 2019-07-02 2023-04-28 中国移动通信集团贵州有限公司 一种数据的处理方法、装置及电子设备
CN110378525B (zh) * 2019-07-15 2023-09-12 腾讯科技（深圳）有限公司 出行计划确定方法、装置、设备及存储介质
CN111860763A (zh) * 2020-06-05 2020-10-30 北京嘀嘀无限科技发展有限公司 模型训练、参数预测方法和装置、电子设备及存储介质
CN112633592B (zh) * 2020-12-30 2023-07-18 鱼快创领智能科技(南京)有限公司 基于机器学习聚类算法的车辆常跑路线计算方法及系统
CN113111514B (zh) * 2021-04-12 2022-05-27 清华大学深圳国际研究生院 一种车辆微观行驶场景仿真方法及计算机可读存储介质
CN113128872B (zh) * 2021-04-22 2022-03-04 长安大学 一种城市快速路交通安全评价方法
CN113706586B (zh) * 2021-10-29 2022-03-18 深圳市城市交通规划设计研究中心股份有限公司 基于多点位感知的目标跟踪方法及装置、存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107195177A (zh) * 2016-03-09 2017-09-22 中国科学院深圳先进技术研究院 基于分布式内存计算框架对城市交通路况的预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8972192B2 (en) * 2007-09-25 2015-03-03 Here Global B.V. Estimation of actual conditions of a roadway segment by weighting roadway condition data with the quality of the roadway condition data
CN103745106A (zh) * 2014-01-10 2014-04-23 浙江银江研究院有限公司 一种短时交通流预测方法
US9761133B2 (en) * 2015-06-26 2017-09-12 Here Global B.V. Determination of a free-flow speed for a link segment
US10551842B2 (en) * 2017-06-19 2020-02-04 Hitachi, Ltd. Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107195177A (zh) * 2016-03-09 2017-09-22 中国科学院深圳先进技术研究院 基于分布式内存计算框架对城市交通路况的预测方法

Also Published As

Publication number Publication date
US20200105133A1 (en) 2020-04-02
WO2019080711A1 (zh) 2019-05-02
CN109711591A (zh) 2019-05-03
US11501636B2 (en) 2022-11-15

Similar Documents

Publication Publication Date Title
CN109711591B (zh) 一种路段速度预测方法、装置、服务器及存储介质
JP4506988B2 (ja) 自動更新システム、自動更新方法、及びプログラム
JP4491472B2 (ja) 交通情報システム
CN107368931B (zh) 基于大数据分析技术的物流配送路径动态规划方法及系统
US20080004789A1 (en) Inferring road speeds for context-sensitive routing
CN110175691B (zh) 规划区域交通运营线路的方法、装置和电子设备
CN108615129B (zh) 一种运力监测方法、装置及电子设备
US10816351B1 (en) Generation of trip estimates using real-time data and historical data
JP2008309789A (ja) 交通情報を生成するための交通情報提供システム、及び方法
CN113674528B (zh) 一种基于大数据共建共享的智慧交通系统及方法
CN110782656B (zh) 一种道路瓶颈点识别方法、装置、电子设备及存储介质
CN111854777B (zh) 导航路线行驶时间的更新方法、导航方法、系统及车辆
CN116431923B (zh) 一种针对城市道路的交通出行预测方法、设备及介质
JP2016186762A (ja) 交通事象推定装置、交通事象推定システム、交通事象推定方法及びコンピュータプログラム
CN111737601A (zh) 出行策略的推荐方法、装置、设备及存储介质
CN114638428A (zh) 一种交通路况预测方法、装置及车辆
JP7004068B2 (ja) 料金制御システム、料金制御装置、料金制御方法、及びプログラム
CN109945883B (zh) 一种信息处理方法、装置及电子设备
JP3529619B2 (ja) 走行所要時間予測装置
CN112797994A (zh) 用于确定路线的预计到达时间的方法及相关装置和服务器
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及系统
CN110986992A (zh) 无人售卖车辆的导航方法、装置、电子设备和存储介质
Waury et al. Assessing the accuracy benefits of on-the-fly trajectory selection in fine-grained travel-time estimation
CN111243267A (zh) 车流量预测方法及装置
CN114842659A (zh) 一种交通拥堵疏导方法及装置

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