CN109754594A - 一种路况信息获取方法及其设备、存储介质、终端 - Google Patents

一种路况信息获取方法及其设备、存储介质、终端 Download PDF

Info

Publication number
CN109754594A
CN109754594A CN201711057258.5A CN201711057258A CN109754594A CN 109754594 A CN109754594 A CN 109754594A CN 201711057258 A CN201711057258 A CN 201711057258A CN 109754594 A CN109754594 A CN 109754594A
Authority
CN
China
Prior art keywords
section
information
characteristic information
driving characteristic
vehicle
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
CN201711057258.5A
Other languages
English (en)
Other versions
CN109754594B (zh
Inventor
阳勇
孙立光
赵红超
江红英
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 CN201711057258.5A priority Critical patent/CN109754594B/zh
Priority to PCT/CN2018/111784 priority patent/WO2019085807A1/zh
Publication of CN109754594A publication Critical patent/CN109754594A/zh
Priority to US16/601,793 priority patent/US20200043324A1/en
Application granted granted Critical
Publication of CN109754594B publication Critical patent/CN109754594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • 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
    • 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
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Abstract

本发明实施例公开一种路况信息获取方法及其设备、存储介质、终端，其中方法包括如下步骤：获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。采用本发明，可以纠正传统模型在数据稀疏时路况获取不准确的缺陷，使输出的路况信息更准确可信。

Description

一种路况信息获取方法及其设备、存储介质、终端
技术领域
本发明涉及互联网技术领域，尤其涉及一种路况信息获取方法及其设备、存储介质、终端。
背景技术
在地图服务中，实时交通路况信息作为基础功能，不仅能够方便用户知晓道路拥堵情况，规划出行路线以合理安排行动计划，还能帮助城市构建交通预警，调度城市交通系统。准确的路况，可提供更加优质的ETA(Estimated Time of Arrival)服务和路径规划，节省城市道路资源和用户时间。
目前，常见的实时路况生产方法主要是通过采集道路上车辆GPS定位点信息，计算车辆在各路段上的实时速度，并融合多车在同一路段上的速度，通过速度的快慢来确定路况状态。这种方法虽然简单直接，但对于短路段或车辆数据较少的稀疏路段而言，存在车流速度计算不可信以及准确性不足等问题，进而容易导致对路况状态的误判。
明内容
本发明实施例提供一种路况信息获取方法及其设备、存储介质、终端，可以纠正传统模型在数据稀疏时路况获取不准确的缺陷，使输出的路况信息更准确可信，同时可覆盖到所有路段，扩大可发布路况信息的区域范围。
本发明实施例第一方面提供了一种路况信息获取方法，可包括：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
可选的，所述获取当前经过目标路段的第一车辆所传输的第一实时行车数据之前，还包括：
获取设定时长内经过所述行车路段的车辆数量；
当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段。
可选的，所述方法还包括：
获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，包括：
采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息。
可选的，所述第一属性信息包括所述目标路段的基本属性信息以及车速属性信息，所述第二属性信息包括所述拓扑路段的基本属性信息；
所述获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息，包括：
向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
可选的，所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息之前，还包括：
获取在目标时段经过所述目标路段的第三车辆的第一历史行车特征信息以及在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息；
采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；
创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练。
可选的，所述创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练，包括：
创建路况预测模型，将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，并采用分类算法以确定所述路况预测模型的权重信息；
将所述权重信息代入所述路况预测模型中以生成所述训练后的路况预测模型。
可选的，所述采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值，包括：
获取基于对所述目标路段以及所述拓扑路段的现场勘察结果所输入的路况真实概率值，或；
获取基于离线行车特征信息以及交通监控视频所标注的路况真实概率值，或；
将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息以生成所述路况真实概率值。
可选的，所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，包括：
将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
可选的，所述路况预测模型包括畅通预测模型和拥堵预测模型；
所述将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息，包括：
将所述第一行车特征信息以及所述第二行车特征信息输入至所述拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值；
将所述第一行车特征信息以及所述第二行车特征信息输入至所述畅通预测模型中，以得到所述畅通预测模型对应的第二路况概率值；
当所述第一路况概率值大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值大于或者等于畅通阈值时，确定所述目标路段为畅通状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值小于畅通阈值时，确定所述目标路段为缓行状态。
本发明实施例第二方面提供了一种路况信息获取设备，可包括：
第一信息获取单元，用于获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
第二信息获取单元，用于获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
路况信息输出单元，用于采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
可选的，还包括：
车辆数量获取单元，用于获取设定时长内经过所述行车路段的车辆数量；
目标路段确定单元，用于当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段。
可选的，还包括
属性信息获取单元，用于获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
所述路况信息输出单元具体用于：
采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息。
可选的，所述第一属性信息包括所述目标路段的基本属性信息以及车速属性信息，所述第二属性信息包括所述拓扑路段的基本属性信息；
所述属性信息获取单元包括：
请求发送子单元，用于向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
信息接收子单元，用于接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
可选的，还包括：
历史信息获取单元，用于获取在目标时段经过所述目标路段的第三车辆的第一历史行车特征信息以及在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息；
路况真值获取单元，用于采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；
预测模型训练单元，用于创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练。
可选的，所述预测模型训练单元包括：
权重信息确定子单元，用于创建路况预测模型，将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，并采用分类算法以确定所述路况预测模型的权重信息；
预测模型训练子单元，用于将所述权重信息代入所述路况预测模型中以生成所述训练后的路况预测模型。
可选的，所述路况真值获取单元具体用于：
获取基于对所述目标路段以及所述拓扑路段的现场勘察结果所输入的路况真实概率值，或；
获取基于离线行车特征信息以及交通监控视频所标注的路况真实概率值，或；
将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息以生成所述路况真实概率值。
可选的，所述路况信息输出单元具体用于：
将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
可选的，所述路况预测模型包括畅通预测模型和拥堵预测模型；
所述路况信息输出单元具体用于：
将所述第一行车特征信息以及所述第二行车特征信息输入至所述拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值；
将所述第一行车特征信息以及所述第二行车特征信息输入至所述畅通预测模型中，以得到所述畅通预测模型对应的第二路况概率值；
当所述第一路况概率值大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值大于或者等于畅通阈值时，确定所述目标路段为畅通状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值小于畅通阈值时，确定所述目标路段为缓行状态。
本发明实施例第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
本发明实施例第四方面提供了一种终端，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
在本发明实施例中，通过分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。同时，基于路况预测模型可快速获取到路况信息，计算量小，并可覆盖到所有路段，扩大可发布路况信息的区域范围。
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是本发明实施例提供的一种路况信息获取方法的流程示意图；
图2是本发明实施例提供的一种拓扑网络的界面示意图；
图3是本发明实施例提供的另一种路况信息获取方法的流程示意图；
图4是本发明实施例提供的另一种路况信息获取方法的流程示意图；
图5是本发明实施例提供的另一种路况信息获取方法的流程示意图；
图6是本发明实施例提供的另一种路况信息获取方法的流程示意图；
图7是本发明实施例提供的一种离线轨迹信息的界面示意图；
图8是本发明实施例提供的一种模型训练的分类示意图；
图9是本发明实施例提供的另一种模型训练的分类示意图；
图10是本发明实施例提供的一种预测模型输出路况状态的指示示意图；
图11是本发明实施例提供的一种路况信息获取方法的流程示意图；
图12是本发明实施例提供的一种路况信息获取设备的结构示意图；
图13是本发明实施例提供的另一种路况信息获取设备的结构示意图；
图14是本发明实施例提供的一种第一信息获取单元的结构示意图；
图15是本发明实施例提供一种第二信息获取单元的结构示意图；
图16是本发明实施例提供一种预测模型训练单元的结构示意图；
图17是本发明实施例提供一种属性信息获取单元的结构示意图；
图18是本发明实施例提供的一种终端的结构示意图。
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。
本发明实施例提供的路况信息获取方法可以应用于路况状态预测的场景，尤其适用于数据量较少的稀疏路段的路况状态预测的场景，通过分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。
本发明实施例涉及的路况信息获取方法的执行依赖于计算机程序，可基于路况信息获取设备运行于冯若依曼体系的计算机系统之上。该路况信息获取设备可以包括具有存储、计算以及测试等功能的服务器，还可以包括平板电脑、个人计算机(PC)、智能手机、掌上电脑以及移动互联网设备(MID)等终端设备。其可以通过互联网、无线网络等方式与本发明实施例中的第一车辆、第二车辆、第三车辆、第四车辆以及路段管理服务器进行通信。
下面将结合附图1-附图10，对本发明实施例提供的路况信息获取方法进行详细介绍。
请参见图1，为本发明实施例提供了一种路况信息获取方法的流程示意图。如图1所示，本发明实施例的所述方法可以包括以下步骤S101-步骤S103。
S101，获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
可以理解的是，所述路况信息获取设备可以通过摄像头采集经过目标路段的车辆的第一行车数据，并对当前采集到的第一实时行车数据进行解析以提取第一行车特征信息，可选的，所述路况信息获取设备也可以接收经过目标路段的第一车辆的车载设备(如，行车记录仪)或与车辆相关联的终端设备(如，手机、平板电脑等)上报的行车数据，并对当前接收到的第一实时行车数据进行解析以提取第一行车特征信息。其中，所述行车数据即为行车轨迹信息，所述第一车辆上报的第一实时行车数据可以由行车记录仪记录并上报，所述行车记录仪是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息等行车轨迹信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。
需要说明的是，所述目标路段可以为繁忙路段，也可以为稀疏路段。本发明实施例的实施场景主要针对稀疏路段而言。
具体的，所述第一行车特征信息包括但不限于所述目标路段的车速信息、所述第一车辆在所述目标路段的停留时长以及所述目标路段的交通信号灯个数。其中，所述目标路段的车速信息可以为当前经过所述目标路段的第一车辆的平均速度或/和相对速度等。
S102，获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
可以理解的是，所述路况信息获取设备可以通过摄像头采集经过拓扑路段的第二车辆的行车数据，并对当前采集到的第二实时行车数据进行解析以提取第二行车特征信息，可选的，所述路况信息获取设备也可以接收经过拓扑路段的第二车辆的车载设备(如，行车记录仪)或与车辆相关联的终端设备(如，手机、平板电脑等)上报的行车数据，并对当前接收到的第二实时行车数据进行解析以提取第二行车特征信息。
其中，在计算机网络中，拓扑是指网络中各个站点相互连接的形式，其连接结构主要有总线型、星形、环形、树形以及它们的混合型。在本发明实施例中，所述拓扑路段为与目标路段相关联的路段，处于所述目标路段的目标范围内的相邻路段，也可以包括总线型、星形、环形、树形以及它们的混合型等多种关联方式，如图2所示，图中灰色部分(AB)为目标路段，黑色部分(BC、BD、BE、AF、FH、FG)为距离目标路段一定范围内的拓扑路段。
具体的，所述第二行车特征信息包括但不限于所述拓扑路段的车速信息、所述第二车辆在所述拓扑路段的停留时长以及所述拓扑路段的交通信号灯个数。其中，所述拓扑路段的车速信息可以为当前经过所述拓扑路段上下游一定距离范围内的车辆的整体车速。
需要说明的是，在当前时段经过所述目标路段的车辆为第一车辆，经过所述拓扑路段的车辆为第二车辆。所述第一车辆与所述第二车辆可以为不同车辆，也可以为部分相同车辆。举例说明，若当前时段为2017年9月1日的17:00-18:00，拓扑路段与目标路段为直接相连的两个路段，车辆的通行路线均为先经过拓扑路段后经过目标路段，车辆可能在17:10分经过拓扑路段，第二车辆在17:15分经过目标路段，此时第一车辆与第二车辆为相同车辆，也可能在18:00经过拓扑路段，但在18:05分经过目标路段，或者在16:55分经过拓扑路段，而在17：00经过目标路段，此时第一车辆与第二车辆为不同车辆。且所述第一车辆与所述第二车辆均可以不少于一辆。
在可选实施例中，所述路况信息获取设备还可以通过路段管理服务器获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息。所述第一属性信息可以包括所述目标路段的基本属性，如目标路段的长度、目标路段所属道路等级(如道路等级可分为高速路、城市道路、公路、厂矿道路、林区道路和乡村道路，其中，城市道路等级分快速路、主干路、次干路、支路四级)、距离交通信号灯的距离、距离出入口的距离等，还可以包括目标路段的速度属性，如自由流速度、历史经典速度及变化状况等。所述自由流速度指在交通工程中不受上下游条件影响的交通流运行速度。所述历史经典速度指以往几个月内此时刻典型的交通流运行速度。所述变化状况指在路况信息由一种状态变为另一种状态的时间段，以及在该时间段速度的变化情况。
S103，采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
可以理解的是，路况信息获取设备将所述第一行车特征信息以及所述第二行车特征信息输入至所述训练完成的路况预测模型中，从而得到目标路段的路况信息，输出并展示该路况信息，如在地图上的相应路段进行标注展示。所述目标路段的路况信息可以包括畅通状态、缓行状态、拥堵状态以及极度拥堵状态，在所述目标路段为稀疏道路时，路况信息通常可分为畅通状态、缓行状态以及拥堵状态。所述路况预测模型用于根据输入的信息进行路况预测，可包括畅通模型，拥堵模型以及缓行模型等。
需要说明的是，采用训练后的路况预测模型预测路况之前，需要对所创建的路况预测模型进行训练，也就是通过摄像头采集或者在历史日期的目标时段经过所述目标路段的第三车辆上报的第一历史行车数据，并对第一历史行车数据进行解析以提取第一历史行车特征信息，同时可采用相同的方式获取在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息，并基于所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值，再将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，采用分类算法以确定所述路况预测模型的权重信息，将所述权重信息代入所述路况预测模型中以生成训练后的路况预测模型。类似于创建的预设模型为表达式y＝ax+b，第一历史特征信息为x1的值，第二历史特征信息为x2，同一时刻的x1和x2对应的真实概率值为y，通过多组x(x1和x2)和y即可训练确定权重a和b的值，若a＝2，b＝1，则训练后的路况预测模型为y＝2x+1。在本发明实施例中，所确定的权重信息包括目标路段的属性信息、目标路段的行车特征信息、拓扑路段的属性信息以及拓扑路段的行车特征信息。
可以理解的是，所述分类算法用于解决分类学习问题，常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法，其中单一的分类算法主要包括：决策树(如，Gradient Boosting Decision Tree，GBDT，梯度提升决策树)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等，用于组合单一分类方法的集成学习算法包括Bagging和Boosting等。
在可选实施例中，将所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息输入至所述训练后的路况预测模型，获取所述目标路段的路况信息。
在本发明实施例中，通过分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。
请参见图3，为本发明实施例提供了另一种路况信息获取方法的流程示意图。如图3所示，本发明实施例的所述方法可以包括以下步骤S201-步骤S210。
S201，获取设定时长内经过行车路段的车辆数量；
可以理解的是，所述路况信息获取设备可基于各个路测单元RSU监测到经过各个行车路段的行车视频信息，以解析在设定时长内通过各个行车路段的车辆数量。
S202，当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段；
可以理解的是，所述车辆阈值为设定时长内车辆正常通过行车路段的最大车辆数量。例如，若设定时长为10分钟，车辆阈值为10辆车，而在设定时长内经过行车路段的车辆数量为3，则确定该路段为稀疏路段，并将该路段确定为目标路段。
S203，获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
可以理解的是，由于在目标路段数据充足的情形下，可较准确地产出该目标路段的通行能力，如车流速度、车流量、红绿灯个数等。而对于稀疏道路而言，数据量少，对于目标路段的通行能力的产出准确性不足。因此，需要结合周边路段(拓扑路段)的信息对目标路段进行稀疏填补以准确计算目标路段的路况，则首先通过所述路况信息获取设备对当前经过目标路段的第一车辆上报的第一实时行车数据进行解析，从而得到第一行车特征信息。
具体的，所述第一行车特征信息包括但不限于所述目标路段的车速信息、所述第一车辆在所述目标路段的停留时长以及所述目标路段的交通信号灯个数。其中，所述目标路段的车速信息可以为当前经过所述目标路段的第一车辆的平均速度或/和相对速度。
在本发明实施例一种具体实现方式中，所述获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息，可以包括以下几个步骤，如图4所示：
S301，接收当前经过所述目标路段的第一车辆上报的第一实时行车数据；
可以理解的是，所述路况信息获取设备可以接收经过目标路段的第一车辆的车载设备(如，行车记录仪)上报的行车数据。所述行车数据即为行车轨迹信息，所述第一车辆上报的第一实时行车数据可以由行车记录仪记录并上报，所述行车记录仪是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息等行车轨迹信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。
S302，对所述第一实时行车数据进行解析，以提取第一行车特征信息。
可以理解的是，所述路况信息获取设备获取对行车记录仪记录的车辆行驶速度、时间、里程等相关信息进行解析、分类，并基于设定的分类标准提取其中的部分或全部信息，将所提取的信息作为第一行车特征信息。
S204，获取处于所述目标路段的目标范围内的相邻路段，将所述相邻路段作为拓扑路段；
可以理解的是，在计算机网络中，拓扑是指网络中各个站点相互连接的形式，其连接结构主要有总线型、星形、环形、树形以及它们的混合型。在本发明实施例中，所述拓扑路段为与目标路段相关联的路段，处于所述目标路段的目标范围内的相邻路段，也可以包括总线型、星形、环形、树形以及它们的混合型等多种关联方式，如图2所示，图中灰色部分(AB)为目标路段，黑色部分(BC、BD、BE、AF、FH、FG)为距离目标路段一定范围内的拓扑路段。
在可行的实现方式中，所述获取所述拓扑路段可以为路况信息获取设备通过路边单元RSU采集目标路段及周围的路段图像，基于设定的范围条件提取图像中的拓扑路段，也可以为向服务器发送携带范围条件和目标路段标识的拓扑路段获取请求，以使服务器基于接收到的信息查找并反馈。所述获取拓扑路段的方式不作具体限定。
需要说明的是，所述步骤S204也可以在S202后执行，具体不限定。
S205，获取当前经过所述拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息；
可以理解的是，通过所述路况信息获取设备对当前经过目标路段的第一车辆上报的第一实时行车数据进行解析，从而得到第一行车特征信息。在当前时段经过所述目标路段的车辆为第一车辆，在当前时段经过所述拓扑路段的车辆为第二车辆。所述第一车辆与所述第二车辆可以为不同车辆，也可以为部分相同车辆。举例说明，若当前时段为2017年9月1日的17:00-18:00，拓扑路段与目标路段为直接相连的两个路段，车辆的通行路线均为先经过拓扑路段后经过目标路段，车辆可能在17:10分经过拓扑路段，第二车辆在17:15分经过目标路段，此时第一车辆与第二车辆为相同车辆，也可能在18:00经过拓扑路段，但在18:05分经过目标路段，或者在16:55分经过拓扑路段，而在17：00经过目标路段，此时第一车辆与第二车辆为不同车辆。且所述第一车辆与所述第二车辆均可以不少于一辆，也就是说，在图2中，当前经过灰色路段的车辆为第一车辆，当前经过黑色路段的车辆为第二车辆。
具体的，所述第二行车特征信息包括但不限于所述拓扑路段的车速信息、所述第二车辆在所述拓扑路段的停留时长以及所述拓扑路段的交通信号灯个数。其中，所述拓扑路段的车速信息可以为当前经过所述拓扑路段上下游一定距离范围内车辆的整体车速或平均车速。
在本发明实施例一种具体实现方式中，所述获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，可以包括以下几个步骤，如图5所示：
S401，接收当前经过所述拓扑路段的第二车辆上报的第二实时行车数据；
可以理解的是，所述路况信息获取设备可以接收经过拓扑路段的第一车辆的车载设备(如，行车记录仪)上报的行车数据。所述行车数据即为行车轨迹信息，所述第二车辆上报的第二实时行车数据可以由行车记录仪记录并上报。
S402，对所述第二实时行车数据进行解析，以提取第二行车特征信息。
可以理解的是，所述路况信息获取设备获取对行车记录仪记录的车辆行驶速度、时间、里程等相关信息进行解析、分类，并基于设定的分类标准提取其中的部分或全部信息，将所提取的信息作为第二行车特征信息。
S206，获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
可以理解的是，所述路况信息获取设备还可以通过路段管理服务器获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息。所述第一属性信息可以包括所述目标路段的基本属性，如目标路段的长度、目标路段所属道路等级(如道路等级可分为高速路、城市道路、公路、厂矿道路、林区道路和乡村道路，其中，城市道路等级分快速路、主干路、次干路、支路四级)、距离交通信号灯的距离、距离出入口的距离等，还可以包括目标路段的速度属性，如自由流速度、历史经典速度及变化状况等。所述自由流速度指在交通工程中不受上下游条件影响的交通流运行速度。所述历史经典速度指以往几个月内此时刻典型的交通流运行速度。所述变化状况指在路况信息由一种状态变为另一种状态的时间段，以及在该时间段速度的变化情况。
在本发明实施例一种具体实现方式中，所述获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息，可以包括以下几个步骤，如图6所示：
S501，向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
S502，接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
S207，获取在目标时段经过所述目标路段的第三车辆的第一历史行车特征信息以及在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息；
可以理解的是，通过所述路况信息获取设备对在目标时段经过目标路段的第三车辆上报的第一历史行车数据进行解析，从而得到第一历史行车特征信息，并对在目标时段经过拓扑路段的第四车辆上报的第二历史行车数据进行解析，从而得到第二历史行车特征信息。
所述第一历史行车特征信息包括但不限于所述目标路段的历史车速信息、所述第三车辆在所述目标路段的历史停留时长以及所述目标路段的交通信号灯个数。其中，所述目标路段的历史车速信息可以为历史日期经过所述目标路段的第三车辆的平均速度或/和相对速度。
所述第二历史行车特征信息包括但不限于所述拓扑路段的历史车速信息、所述第四车辆在所述拓扑路段的历史停留时长以及所述拓扑路段的交通信号灯个数。其中，所述拓扑路段的历史车速信息可以为历史日期经过所述拓扑路段上下游一定距离范围内车辆的整体车速。
可以理解的是，所述目标时段可以为一天中的任一个或多个时间段，如17:00-18:00为一个目标时段。在历史日期的目标时段经过所述目标路段的车辆为第三车辆，经过所述拓扑路段的车辆为第四车辆。所述第三车辆与所述第四车辆可以为不同车辆，也可以为部分相同车辆，且所述第三车辆与所述第四车辆均可以不少于一辆，也就是说，若目标时段为17:00-18:00，当前日期为2017年9月1日，那么在2017年9月1日前任一天(如2017年8月1日)的17:00-18:00经过图2中灰色路段的车辆为第三车辆，经过黑色路段的车辆为第四车辆。
S208，采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；
可以理解的是，所述路况信息获取设备获取路测人员基于对所述目标路段以及所述拓扑路段的现场勘察结果所输入的路况真实概率值；或者获取测试人员基于离线行车特征信息以及交通监控视频所标注的路况真实概率值；或者将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息(非驾驶行为的数据)以生成所述路况真实概率值。
具体的，所述离线行车特征信息指依据目标车辆的完整离线行驶轨迹所提取的特征信息。如图7所示，对于目标车辆，在启动时刻t2距离上一次停车时刻t1的时间间隔大于或者等于第一设定时间间隔t11时，将t2时刻作为离线行驶轨迹的开始时刻，并且，在此次开始以后的停车时刻t3距离下一次启动时刻t4的时间间隔大于或者等于第二设定时间间隔t12时，将t3时刻作为离线行驶轨迹的结束时刻，也就是说，从t2到t3时刻的行驶轨迹为一次完整离线行驶轨迹。
所述路况真实概率值是指实际路况下路况的概率值，所述路况真实概率值与目标时段一一对应，例如，在目标时段8:00-9:00的路况真实概率值为P＝0.8，在目标时段12:00-12:30的路况真实概率值为P＝0.7。且该路况真实概率值基于第一历史行车特征信息，或第一历史行车特征信息和第二历史行车特征信息计算得到。
S209，创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练；
具体的，所述分类算法用于解决分类学习问题，常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法，其中单一的分类算法主要包括：决策树(如，Gradient Boosting Decision Tree，GBDT，梯度提升决策树)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等，用于组合单一分类方法的集成学习算法包括Bagging和Boosting等。
以GBDT为例进行说明，基本思想是先用一个初始值来训练一棵决策树，决策树的叶子处可以得到预测的值，以及预测之后的残差，然后后面的决策树就要基于前面决策树的残差来训练，直到预测值和真实值的残差为零。最后对于测试样本的预测值，就是前面许多棵决策树预测值的累加。举例说明，假设有
训练集：(A，14岁)、(B，16岁)、(C，24岁)、(D，26岁)；
训练数据的均值：20岁；
决策树的个数：2棵；
每个样本的特征有两个：购物金额是否小于1K；经常去搜索网站提问还是回答。
首先，输入初值20岁，根据第一个特征，可以把4个样本分成两类，一类是购物金额<＝1K，一类是>＝1K的。若此时停止了第一棵树的训练，这时就可以统计一下每个叶子中包含哪些样本，这些样本的均值是多少，并将均值作为预测值分配到叶子上。比如AB被分到左叶子，CD被分到右叶子，那么预测的结果就是：AB都是15岁，CD都是25岁。再与实际年纪相比后出现残差，ABCD的残差分别是-1,1,-1,1。这个残差，将作为第二棵决策树的训练样本。此时的训练结果如图8所示。
然后，训练第二棵决策树，把第一棵的残差样本(A,-1岁)、(B，1岁)、(C,-1岁)、(D,1岁)输入，并选择特征是经常去搜索网站提问还是回答。此时又可以得到两部分，一部分是AC组成了左叶子，另一部分是BD组成的右叶子。经计算可知左叶子均值为-1，右叶子均值为1，那么第二棵数的预测结果就是AC都是-1，BD都是1，并计算残差可知，ABCD的残差都是0，则停止训练，这样，两棵决策树就都训练完成。此时的训练结果如图9所示。
在本发明实施例中，所述训练集可以为(历史行车特征信息1，P11)、(历史行车特征信息2，P22)、(历史行车特征信息3，P33)、(历史行车特征信息4，P44)；训练数据的均值：P0；决策树的个数：2棵；每个样本的特征有两个：路况状态是否为拥堵状态；路况状态是否为畅通状态。第一棵树的左叶子和右叶子分别对应拥堵状态和不拥堵状态，第二颗数的左叶子和右叶子分别对应畅通状态和缓行状态，采用上述相同的方式对两棵树分别进行训练即可。
S210，采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息，并输出所述路况信息。
可以理解的是，所述路况信息获取设备将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
例如，若所输入的测试样本为：购物金额为3k，经常去搜索网站问养生相关问题的女生，则依据上述训练的模型对该女生的年龄进行预测的过程为：基于第一棵树购物金额的条件，确定购物金额大于1k，属于右叶子，初步说明这个女生25岁，再依据第二颗树的条件，经常去搜索网站提问，属于左叶子，说明这个女生的年龄残差为-1，叠加前面每棵树得到的结果25-1＝24岁，最终预测结果为24岁。
具体的，所述路况预测模型包括畅通预测模型和拥堵预测模型，如图10所示，将所述第一行车特征信息以及所述第二行车特征信息输入至所述拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值P1，将所述第一行车特征信息以及所述第二行车特征信息输入至所述畅通预测模型中，以得到所述畅通预测模型对应的第二路况概率值P2，通过优先拥堵其次畅通再缓行的区间判定方法首先判断当所述第一路况概率值P1大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态，当所述第一路况概率值P1小于所述拥堵阈值，且所述第二路况概率值P2大于或者等于畅通阈值时，确定所述目标路段为畅通状态；当所述第一路况概率值P1小于所述拥堵阈值，且所述第二路况概率值P2小于畅通阈值时，确定所述目标路段为缓行状态。进一步的，在地图中输出并展示所确定的路况信息，当用户通过终端查看该地图时，可依据显示的路况信息进行行车。
在本发明实施例中，通过将设定时长内经过行车路段的车辆数量与车辆阈值进行比较，并在车辆数量小于车辆阈值的情况下，确定行车路段中的稀疏路段，同时将稀疏路段确定为目标路段，再分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，然后采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。同时，基于路况预测模型可快速获取到路况信息，计算量小，并可覆盖到所有路段，扩大了可发布路况信息的区域范围。
下面将对本发明实施例的路况信息获取方法的系统架构及实施场景进行介绍。
所述路况信息获取方法应用于导航场景，首先所述路况信息获取设备向在目标时段经过所述目标路段的第三车辆的车载设备发送第一历史行车特征信息获取请求，第三车辆的车载设备采集第一历史行车数据并发送至路况信息获取设备，路况信息获取设备接收所述第一历史行车数据，对所述第一历史行车数据进行解析，以提取第一历史行车特征信息；又或者路况信息获取设备接收第三车辆的车载设备发送的在历史目标时段实时或周期性采集并解析后得到的第一历史行车特征信息，同时，可采用相同的方式获取在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息。然后采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；或者获取测试人员基于离线行车特征信息以及交通监控视频所标注的路况真实概率值；或者将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息以生成所述路况真实概率值。所述路况信息获取设备创建路况预测模型，采用单一的分类算法或用于组合单一分类方法的集成学习算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练，从而生成训练后的路况预测模型；
终端设备向所述路况信息获取设备发送目标路段的路况获取请求，所述终端设备为需要获取目标路段的路况信息的设备；
所述路况信息获取设备获取当前经过目标路段的第一车辆的车载设备所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息，如向第一车辆的车载设备发送第一实时行车数据获取请求，第一车辆的车载设备采集第一实时行车数据并发送至路况信息获取设备，路况信息获取设备接收所述第一实时行车数据，对所述第一实时行车数据进行解析，以提取第一行车特征信息；又或者第一车辆的车载设备实时或周期性采集第一实时行车数据，并对第一实时行车数据进行解析后得到第一行车特征信息，然后主动上报至路况信息获取设备；或者在所述路况信息获取设备未接收到所述终端设备发送的目标路段的路况获取请求时，主动检测设定时长内经过行车路段的车辆数量，当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段，然后再获取所确定的目标路段的第一行车特征信息；
所述路况信息获取设备获取处于所述目标路段的目标范围内的相邻路段，将所述相邻路段设置为拓扑路段，再获取当前经过所述拓扑路段的第二车辆的车载设备所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，如向第二车辆的车载设备发送第二实时行车数据获取请求，第二车辆的车载设备采集第二实时行车数据并发送至路况信息获取设备，路况信息获取设备接收所述第二实时行车数据，对所述第二实时行车数据进行解析，以提取第二行车特征信息；又或者第二车辆的车载设备实时或周期性采集第二实时行车数据，并对第二实时行车数据进行解析后得到第二行车特征信息，然后主动上报至路况信息获取设备；
所述路况信息获取设备向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息，并发送至所述路况信息获取设备，由所述路况信息获取设备接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息；或者所述路况信息获取设备在本地数据库或网络数据库中查找所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
所述路况信息获取设备将所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息输入至所述训练后的路况预测模型的畅通预测模型和拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值和所述畅通预测模型对应的第二路况概率值，通过优先拥堵其次畅通再缓行的区间判定方法首先判断当所述第一路况概率值大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态，当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值大于或者等于畅通阈值时，确定所述目标路段为畅通状态；当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值小于畅通阈值时，确定所述目标路段为缓行状态，所述路况信息获取设备可采用不同的色彩、字体、字号、提醒标识等在地图上标记目标路段的路况信息，然后将标记后的地图发送至终端设备；
所述终端设备直接显示标记后的地图，或者接收所述路况信息获取设备直接返回的路况信息后，在地图上进行标记；并可采用语音播报、视频播放或动态显示等方式输出目标路段的路况信息。
假设终端设备M1想要查询图2所示的路段结构中当前时间段(2017年1月2日，17:00-17:30分)内AB路段的路况信息以便于行车，以AB路段和BD路段为例，若在历史时间段(2017年1月1日，17:00-17:30分)内AB路段上的第三车辆为X3，BD路段上的第四车辆为X4，S1分别获取X3和X4的行车特征信息，并将X3和X4的行车特征信息与所述离线行车特征信息进行匹配，从而计算AB路段的路况真实概率值P0，或；通过勘测人员对AB路段以及BD路段的现场勘察结果得到AB路段的路况真实概率值P0，或；解析离线行车特征信息以及交通监控视频的标注信息得到AB路段的路况真实概率值P0。S1创建路况预测模型，采用分类算法并基于X3和X4的行车特征信息以及P0对路况预测模型进行训练；
若当前时间段内AB路段上的第一车辆为X1，BD路段上的第二车辆为X2，路况信息获取设备为S1，请参见图11，当终端设备M1向S1发送AB路段的路况查询请求1时，触发X1和X2向S1上报各自的实时行车数据，S1在接收到实时行车数据后，对其进行解析，并提取车速信息、在路段的停留时长以及路段的交通信号灯个数等行车特征信息；然后向路段管理服务器S2发送AB路段BD路段的属性信息查找请求，S2接收请求并查找AB路段的第一属性信息和BD路段的第二属性信息，再返回至S1；
S1将AB路段和BD路段的行车特征信息以及属性信息分别输入至训练后的路况预测模型的拥堵预测模型中，从而得到AB路段的拥堵概率值P1，并同时将AB路段和BD路段的行车特征信息分别输入至路况预测模型的畅通预测模型中，从而得到AB路段的畅通概率值，当P1大于或者等于拥堵阈值PX时，确定AB路段为拥堵状态，当P1小于PX，且P2大于或者等于畅通阈值PY时，确定AB路段为畅通状态，当P1小于PX，且P2小于PY时，确定AB路段为缓行状态；
S1将确定的路况状态返回至M1，由M1直接输出接收到的信息或对接收到的信息进行标记后再输出即可。
可选的，在有多个终端设备M1、M2同时向S1发送AB路段的路况查询请求时，S1可按照接收到请求的先后顺序分别采用上述方式获取查询结果后返回至M1和M2。
下面将结合附图12-附图17，对本发明实施例提供的路况信息获取设备进行详细介绍。需要说明的是，附图12所示的路况信息获取设备，用于执行本发明图1-图11所示实施例的方法，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明图1-图11所示的实施例。
请参见图12，为本发明实施例提供了一种路况信息获取设备的结构示意图。如图12所示，本发明实施例的所述路况信息获取设备10可以包括：第一信息获取单元101、第二信息获取单元102和路况信息输出单元103。
第一信息获取单元101，用于获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
可以理解的是，所述第一信息获取单元可以通过摄像头采集经过目标路段的车辆的第一行车数据，并对当前采集到的第一实时行车数据进行解析以提取第一行车特征信息，可选的，所述第一信息获取单元也可以接收经过目标路段的第一车辆的车载设备(如，行车记录仪)或与车辆相关联的终端设备(如，手机、平板电脑等)上报的行车数据，并对当前接收到的第一实时行车数据进行解析以提取第一行车特征信息。其中，所述行车数据即为行车轨迹信息，所述第一车辆上报的第一实时行车数据可以由行车记录仪记录并上报，所述行车记录仪是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息等行车轨迹信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。
需要说明的是，所述目标路段可以为繁忙路段，也可以为稀疏路段。本发明实施例的实施场景主要针对稀疏路段而言。
具体的，所述第一行车特征信息包括但不限于所述目标路段的车速信息、所述第一车辆在所述目标路段的停留时长以及所述目标路段的交通信号灯个数。其中，所述目标路段的车速信息可以为当前经过所述目标路段的第一车辆的平均速度或/和相对速度等。
第二信息获取单元102，用于获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
可以理解的是，所述第二信息获取单元可以通过摄像头采集经过拓扑路段的第二车辆的行车数据，并对当前采集到的第二实时行车数据进行解析以提取第二行车特征信息，可选的，所述第二信息获取单元也可以接收经过拓扑路段的第二车辆的车载设备(如，行车记录仪)或与车辆相关联的终端设备(如，手机、平板电脑等)上报的行车数据，并对当前接收到的第二实时行车数据进行解析以提取第二行车特征信息。
其中，在计算机网络中，拓扑是指网络中各个站点相互连接的形式，其连接结构主要有总线型、星形、环形、树形以及它们的混合型。在本发明实施例中，所述拓扑路段为与目标路段相关联的路段，处于所述目标路段的目标范围内的相邻路段，也可以包括总线型、星形、环形、树形以及它们的混合型等多种关联方式，如图2所示，图中灰色部分(AB)为目标路段，黑色部分(BC、BD、BE、AF、FH、FG)为距离目标路段一定范围内的拓扑路段。
具体的，所述第二行车特征信息包括但不限于所述拓扑路段的车速信息、所述第二车辆在所述拓扑路段的停留时长以及所述拓扑路段的交通信号灯个数。其中，所述拓扑路段的车速信息可以为当前经过所述拓扑路段上下游一定距离范围内的车辆的整体车速。
需要说明的是，在当前时段经过所述目标路段的车辆为第一车辆，经过所述拓扑路段的车辆为第二车辆。所述第一车辆与所述第二车辆可以为不同车辆，也可以为部分相同车辆，且所述第一车辆与所述第二车辆均可以不少于一辆。
路况信息输出单元103，用于采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
可以理解的是，路况信息输出单元将所述第一行车特征信息以及所述第二行车特征信息输入至所述训练完成的路况预测模型中，从而得到目标路段的路况信息，输出并展示该路况信息，如在地图上的相应路段进行标注展示。所述目标路段的路况信息可以包括畅通状态、缓行状态、拥堵状态以及极度拥堵状态，在所述目标路段为稀疏道路时，路况信息通常可分为畅通状态、缓行状态以及拥堵状态。所述路况预测模型用于根据输入的信息进行路况预测，可包括畅通模型，拥堵模型以及缓行模型等。
需要说明的是，采用训练后的路况预测模型预测路况之前，需要对所创建的路况预测模型进行训练，也就是通过摄像头采集或者在历史日期的目标时段经过所述目标路段的第三车辆上报的第一历史行车数据，并对第一历史行车数据进行解析以提取第一历史行车特征信息，同时可采用相同的方式获取在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息，并基于所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值，再将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，采用分类算法以确定所述路况预测模型的权重信息，将所述权重信息代入所述路况预测模型中以生成训练后的路况预测模型。类似于创建的预设模型为表达式y＝ax+b，第一历史特征信息为x1的值，第二历史特征信息为x2，同一时刻的x1和x2对应的真实概率值为y，通过多组x(x1和x2)和y即可训练确定权重a和b的值，若a＝2，b＝1，则训练后的路况预测模型为y＝2x+1。在本发明实施例中，所确定的权重信息包括目标路段的属性信息、目标路段的行车特征信息、拓扑路段的属性信息以及拓扑路段的行车特征信息。
可以理解的是，所述分类算法用于解决分类学习问题，常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法，其中单一的分类算法主要包括：决策树(如，Gradient Boosting Decision Tree，GBDT，梯度提升决策树)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等，用于组合单一分类方法的集成学习算法包括Bagging和Boosting等。
在可选实施例中，将所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息输入至所述训练后的路况预测模型，获取所述目标路段的路况信息。
在本发明实施例中，通过分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，然后采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。
请参见图13，为本发明实施例提供了另一种路况信息获取设备的结构示意图。如图13所示，本发明实施例的所述路况信息获取设备10可以包括：第一信息获取单元101、第二信息获取单元102、路况信息输出单元103、车辆数量获取单元104、目标路段确定单元105、拓扑路段获取单元106、属性信息获取单元107、历史信息获取单元108、路况真值获取单元109和预测模型训练单元110。
车辆数量获取单元104，用于获取设定时长内经过所述行车路段的车辆数量；
可以理解的是，所述车辆数量获取单元可基于各个路测单元RSU监测到经过各个行车路段的行车视频信息，以解析在设定时长内通过各个行车路段的车辆数量。
目标路段确定单元105，用于当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段。
可以理解的是，所述车辆阈值为设定时长内车辆正常通过行车路段的最大车辆数量。例如，若设定时长为10分钟，车辆阈值为10辆车，而在设定时长内经过行车路段的车辆数量为3，则确定该路段为稀疏路段，并将该路段确定为目标路段。
第一信息获取单元101，用于获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
可以理解的是，由于在目标路段数据充足的情形下，可较准确地产出该目标路段的通行能力，如车流速度、车流量、红绿灯个数等。而对于稀疏道路而言，数据量少，对于目标路段的通行能力的产出准确性不足。因此，需要结合周边路段(拓扑路段)的信息对目标路段进行稀疏填补以准确计算目标路段的路况，则首先通过所述第一信息获取单元对当前经过目标路段的第一车辆上报的第一实时行车数据进行解析，从而得到第一行车特征信息。
具体的，所述第一行车特征信息包括但不限于所述目标路段的车速信息、所述第一车辆在所述目标路段的停留时长以及所述目标路段的交通信号灯个数。其中，所述目标路段的车速信息可以为当前经过所述目标路段的第一车辆的平均速度或/和相对速度。
请一并参考图13，为本发明实施例提供了第一信息获取单元的结构示意图。如图13所示，所述第一信息获取单元101可以包括：
第一数据接收子单元1011，用于接收当前经过所述目标路段的第一车辆上报的第一实时行车数据；
可以理解的是，所述第一数据接收子单元可以接收经过目标路段的第一车辆的车载设备(如，行车记录仪)上报的行车数据。所述行车数据即为行车轨迹信息，所述第一车辆上报的第一实时行车数据可以由行车记录仪记录并上报，所述行车记录仪是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息等行车轨迹信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。
第一信息提取子单元1012，用于对所述第一实时行车数据进行解析，以提取第一行车特征信息。
可以理解的是，所述第一信息提取子单元获取对行车记录仪记录的车辆行驶速度、时间、里程等相关信息进行解析、分类，并基于设定的分类标准提取其中的部分或全部信息，将所提取的信息作为第一行车特征信息。
拓扑路段获取单元106，用于获取处于所述目标路段的目标范围内的相邻路段，将所述相邻路段作为拓扑路段。
可以理解的是，在计算机网络中，拓扑是指网络中各个站点相互连接的形式，其连接结构主要有总线型、星形、环形、树形以及它们的混合型。在本发明实施例中，所述拓扑路段为与目标路段相关联的路段，处于所述目标路段的目标范围内的相邻路段，也可以包括总线型、星形、环形、树形以及它们的混合型等多种关联方式，如图2所示，图中灰色部分(AB)为目标路段，黑色部分(BC、BD、BE、AF、FH、FG)为距离目标路段一定范围内的拓扑路段。
在可行的实现方式中，所述获取所述拓扑路段可以为拓扑路段获取单元106通过路边单元RSU采集目标路段及周围的路段图像，基于设定的范围条件提取图像中的拓扑路段，也可以为向服务器发送携带范围条件和目标路段标识的拓扑路段获取请求，以使服务器基于接收到的信息查找并反馈。所述获取拓扑路段的方式不作具体限定。
第二信息获取单元102，用于获取当前经过所述拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息；
可以理解的是，通过所述第二信息获取单元对当前经过目标路段的第一车辆上报的第一实时行车数据进行解析，从而得到第一行车特征信息。其中，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段，如图2所示，图中灰色部分为目标路段，黑色部分为距离目标路段一定范围内的拓扑路段。在当前时段经过所述目标路段的车辆为第一车辆，在当前时段经过所述拓扑路段的车辆为第二车辆。所述第一车辆与所述第二车辆可以为不同车辆，也可以为部分相同车辆，且所述第一车辆与所述第二车辆均可以不少于一辆，也就是说，在图2中，当前经过灰色路段的车辆为第一车辆，当前经过黑色路段的车辆为第二车辆。
具体的，所述第二行车特征信息包括但不限于所述拓扑路段的车速信息、所述第二车辆在所述拓扑路段的停留时长以及所述拓扑路段的交通信号灯个数。其中，所述拓扑路段的车速信息可以为当前经过所述拓扑路段上下游一定距离范围内车辆的整体车速或平均车速。
请一并参考图14，为本发明实施例提供了第二信息获取单元的结构示意图。如图14所示，所述第二信息获取单元102可以包括：
第二数据接收子单元1021，用于接收当前经过所述拓扑路段的第二车辆上报的第二实时行车数据；
可以理解的是，所述第二数据接收子单元可以接收经过拓扑路段的第一车辆的车载设备(如，行车记录仪)上报的行车数据。所述行车数据即为行车轨迹信息，所述第二车辆上报的第二实时行车数据可以由行车记录仪记录并上报。
第二信息提取子单元1022，用于对所述第二实时行车数据进行解析，以提取第二行车特征信息。
可以理解的是，所述第二信息提取子单元获取对行车记录仪记录的车辆行驶速度、时间、里程等相关信息进行解析、分类，并基于设定的分类标准提取其中的部分或全部信息，将所提取的信息作为第二行车特征信息。
历史信息获取单元108，用于获取在目标时段经过所述目标路段的第三车辆的第一历史行车特征信息以及在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息；
可以理解的是，通过所述历史信息获取单元对在目标时段经过目标路段的第三车辆上报的第一历史行车数据进行解析，从而得到第一历史行车特征信息，并对在目标时段经过拓扑路段的第四车辆上报的第二历史行车数据进行解析，从而得到第二历史行车特征信息。
所述第一历史行车特征信息包括但不限于所述目标路段的历史车速信息、所述第三车辆在所述目标路段的历史停留时长以及所述目标路段的交通信号灯个数。其中，所述目标路段的历史车速信息可以为历史日期经过所述目标路段的第三车辆的平均速度或/和相对速度。
所述第二历史行车特征信息包括但不限于所述拓扑路段的历史车速信息、所述第四车辆在所述拓扑路段的历史停留时长以及所述拓扑路段的交通信号灯个数。其中，所述拓扑路段的历史车速信息可以为历史日期经过所述拓扑路段上下游一定距离范围内车辆的整体车速。
可以理解的是，所述目标时段可以为一天中的任一个或多个时间段，如17:00-18:00为一个目标时段。在历史日期的目标时段经过所述目标路段的车辆为第三车辆，经过所述拓扑路段的车辆为第四车辆。所述第三车辆与所述第四车辆可以为不同车辆，也可以为部分相同车辆，且所述第三车辆与所述第四车辆均可以不少于一辆，也就是说，若目标时段为17:00-18:00，当前日期为2017年9月1日，那么在2017年9月1日前任一天(如2017年8月1日)的17:00-18:00经过图2中灰色路段的车辆为第三车辆，经过黑色路段的车辆为第四车辆。
路况真值获取单元109，用于采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；
所述路况真值获取单元109具体用于：
获取基于对所述目标路段以及所述拓扑路段的现场勘察结果所输入的路况真实概率值，或；
获取基于离线行车特征信息以及交通监控视频所标注的路况真实概率值，或；
将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息以生成所述路况真实概率值。
具体的，所述离线行车特征信息指依据目标车辆的完整离线行驶轨迹所提取的特征信息。如图7所示，对于目标车辆，在启动时刻t2距离上一次停车时刻t1的时间间隔大于或者等于第一设定时间间隔t11时，将t2时刻作为离线行驶轨迹的开始时刻，并且，在此次开始以后的停车时刻t3距离下一次启动时刻t4的时间间隔大于或者等于第二设定时间间隔t12时，将t3时刻作为离线行驶轨迹的结束时刻，也就是说，从t2到t3时刻的行驶轨迹为一次完整离线行驶轨迹。
所述路况真实概率值是指实际路况下路况的概率值，所述路况真实概率值与目标时段一一对应，例如，在目标时段8:00-9:00的路况真实概率值为P＝0.8，在目标时段12:00-12:30的路况真实概率值为P＝0.7。且该路况真实概率值基于第一历史行车特征信息，或第一历史行车特征信息和第二历史行车特征信息计算得到。
预测模型训练单元110，用于创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练。
具体的，所述分类算法用于解决分类学习问题，常见的分类算法分为单一的分类算法和用于组合单一分类方法的集成学习算法，其中单一的分类算法主要包括：决策树(如，Gradient Boosting Decision Tree，GBDT，梯度提升决策树)、贝叶斯、人工神经网络、K-近邻、支持向量机和基于关联规则的分类等，用于组合单一分类方法的集成学习算法包括Bagging和Boosting等。
以GBDT为例进行说明，基本思想是先用一个初始值来训练一棵决策树，决策树的叶子处可以得到预测的值，以及预测之后的残差，然后后面的决策树就要基于前面决策树的残差来训练，直到预测值和真实值的残差为零。最后对于测试样本的预测值，就是前面许多棵决策树预测值的累加。举例说明，假设有
训练集：(A，14岁)、(B，16岁)、(C，24岁)、(D，26岁)；
训练数据的均值：20岁；
决策树的个数：2棵；
每个样本的特征有两个：购物金额是否小于1K；经常去搜索网站提问还是回答。
首先，输入初值20岁，根据第一个特征，可以把4个样本分成两类，一类是购物金额<＝1K，一类是>＝1K的。若此时停止了第一棵树的训练，这时就可以统计一下每个叶子中包含哪些样本，这些样本的均值是多少，并将均值作为预测值分配到叶子上。比如AB被分到左叶子，CD被分到右叶子，那么预测的结果就是：AB都是15岁，CD都是25岁。再与实际年纪相比后出现残差，ABCD的残差分别是-1,1,-1,1。这个残差，将作为第二棵决策树的训练样本。此时的训练结果如图8所示。
然后，训练第二棵决策树，把第一棵的残差样本(A,-1岁)、(B，1岁)、(C,-1岁)、(D,1岁)输入，并选择特征是经常去搜索网站提问还是回答。此时又可以得到两部分，一部分是AC组成了左叶子，另一部分是BD组成的右叶子。经计算可知左叶子均值为-1，右叶子均值为1，那么第二棵数的预测结果就是AC都是-1，BD都是1，并计算残差可知，ABCD的残差都是0，则停止训练，这样，两棵决策树就都训练完成。此时的训练结果如图9所示。
在本发明实施例中，所述训练集可以为(历史行车特征信息1，P11)、(历史行车特征信息2，P22)、(历史行车特征信息3，P33)、(历史行车特征信息4，P44)；训练数据的均值：P0；决策树的个数：2棵；每个样本的特征有两个：路况状态是否为拥堵状态；路况状态是否为畅通状态。第一棵树的左叶子和右叶子分别对应拥堵状态和不拥堵状态，第二颗数的左叶子和右叶子分别对应畅通状态和缓行状态，采用上述相同的方式对两棵树分别进行训练即可。
请一并参考图15，为本发明实施例提供了预测模型训练单元的结构示意图。如图15所示，所述预测模型训练单元110可以包括：
权重信息确定子单元1101，用于创建路况预测模型，将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，并采用分类算法以确定所述路况预测模型的权重信息；
预测模型训练子单元1102，用于将所述权重信息代入所述路况预测模型中以生成所述训练后的路况预测模型。
路况信息输出单元103，用于采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
可选的，所述路况信息输出单元103具体用于：
将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
可选的，所述路况预测模型包括畅通预测模型和拥堵预测模型；
所述路况信息输出单元103具体用于：
将所述第一行车特征信息以及所述第二行车特征信息输入至所述拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值；
将所述第一行车特征信息以及所述第二行车特征信息输入至所述畅通预测模型中，以得到所述畅通预测模型对应的第二路况概率值；
当所述第一路况概率值大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值大于或者等于畅通阈值时，确定所述目标路段为畅通状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值小于畅通阈值时，确定所述目标路段为缓行状态。
可以理解的是，所述路况信息获取设备将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
例如，若所输入的测试样本为：购物金额为3k，经常去搜索网站问养生相关问题的女生，则依据上述训练的模型对该女生的年龄进行预测的过程为：基于第一棵树购物金额的条件，确定购物金额大于1k，属于右叶子，初步说明这个女生25岁，再依据第二颗树的条件，经常去搜索网站提问，属于左叶子，说明这个女生的年龄残差为-1，叠加前面每棵树得到的结果25-1＝24岁，最终预测结果为24岁。
属性信息获取单元107，用于获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
可以理解的是，所述属性信息获取单元还可以通过路段管理服务器获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息。所述第一属性信息可以包括所述目标路段的基本属性，如目标路段的长度、目标路段所属道路等级(如道路等级可分为高速路、城市道路、公路、厂矿道路、林区道路和乡村道路，其中，城市道路等级分快速路、主干路、次干路、支路四级)、距离交通信号灯的距离、距离出入口的距离等，还可以包括目标路段的速度属性，如自由流速度、历史经典速度及变化状况等。所述自由流速度指在交通工程中不受上下游条件影响的交通流运行速度。所述历史经典速度指以往几个月内此时刻典型的交通流运行速度。所述变化状况指在路况信息由一种状态变为另一种状态的时间段，以及在该时间段速度的变化情况。
所述路况信息输出单元103具体用于：
采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息。
请一并参考图16，为本发明实施例提供了属性信息获取单元的结构示意图。如图16所示，所述属性信息获取单元107可以包括：
请求发送子单元1071，用于向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
信息接收子单元1072，用于接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
在本发明实施例中，通过将设定时长内经过行车路段的车辆数量与车辆阈值进行比较，并在车辆数量小于车辆阈值的情况下，确定行车路段中的稀疏路段，同时将稀疏路段确定为目标路段，再分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，然后采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。同时，基于路况预测模型可快速获取到路况信息，计算量小，并可覆盖到所有路段，扩大了可发布路况信息的区域范围。
本发明实施例还提供了一种计算机存储介质，所述计算机存储介质可以存储有多条指令，所述指令适于由处理器加载并执行如上述图1-图11所示实施例的方法步骤，具体执行过程可以参见图1-图11所示实施例的具体说明，在此不进行赘述。
请参见图18，为本发明实施例提供了一种终端的结构示意图。如图18所示，所述终端1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)、键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图18所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及路况信息获取应用程序。
在图18所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；网络接口1004主要用于与用户终端进行数据通信；而处理器1001可以用于调用存储器1005中存储的路况信息获取应用程序，并具体执行以下操作：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
在一个实施例中，所述处理器1001在执行获取当前经过目标路段的第一车辆所传输的第一实时行车数据之前，还执行以下操作：
获取设定时长内经过所述行车路段的车辆数量；
当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段。
在一个实施例中，所述处理器1001还执行以下操作：
获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，包括：
采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息。
在一个实施例中，所述第一属性信息包括所述目标路段的基本属性信息以及车速属性信息，所述第二属性信息包括所述拓扑路段的基本属性信息，所述处理器1001在执行获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息时，具体执行以下操作：
向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
在一个实施例中，所述处理器1001在执行采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息之前，还执行以下操作：
获取在目标时段经过所述目标路段的第三车辆的第一历史行车特征信息以及在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息；
采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；
创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练。
在一个实施例中，所述处理器1001在执行创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练时，具体执行以下操作：
创建路况预测模型，将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，并采用分类算法以确定所述路况预测模型的权重信息；
将所述权重信息代入所述路况预测模型中以生成所述训练后的路况预测模型。
在一个实施例中，所述处理器1001在执行采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值时，具体执行以下操作：
获取基于对所述目标路段以及所述拓扑路段的现场勘察结果所输入的路况真实概率值，或；
获取基于离线行车特征信息以及交通监控视频所标注的路况真实概率值，或；
将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息以生成所述路况真实概率值。
在一个实施例中，所述处理器1001在执行采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息时，具体执行以下操作：
将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
在一个实施例中，所述路况预测模型包括畅通预测模型和拥堵预测模型，所述处理器1001在执行将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息时，具体执行以下操作：
将所述第一行车特征信息以及所述第二行车特征信息输入至所述拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值；
将所述第一行车特征信息以及所述第二行车特征信息输入至所述畅通预测模型中，以得到所述畅通预测模型对应的第二路况概率值；
当所述第一路况概率值大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值大于或者等于畅通阈值时，确定所述目标路段为畅通状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值小于畅通阈值时，确定所述目标路段为缓行状态。
在本发明实施例中，通过将设定时长内经过行车路段的车辆数量与车辆阈值进行比较，并在车辆数量小于车辆阈值的情况下，确定行车路段中的稀疏路段，同时将稀疏路段确定为目标路段，再分别获取当前经过目标路段的第一车辆的第一行车特征信息，以及当前经过目标路段相邻的拓扑路段的第二车辆的第二行车特征信息，然后采用训练后的路况预测模型并基于第一行车特征信息以及第二行车特征信息，即可获取到目标路段的路况信息，同时输出该路况信息。通过结合目标路段及拓扑路段的实时行车特征信息实现对目标路段的信息稀疏填补，可以纠正传统模型在数据稀疏时路况发布不准确的缺陷，使输出的路况信息更准确可信。同时，基于路况预测模型可快速获取到路况信息，计算量小，并可覆盖到所有路段，扩大了可发布路况信息的区域范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (15)

1.一种路况信息获取方法，其特征在于，包括：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
2.根据权利要求1所述的方法，其特征在于，所述获取当前经过目标路段的第一车辆所传输的第一实时行车数据之前，还包括：
获取设定时长内经过所述行车路段的车辆数量；
当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，包括：
采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息。
4.根据权利要求3所述的方法，其特征在于，所述第一属性信息包括所述目标路段的基本属性信息以及车速属性信息，所述第二属性信息包括所述拓扑路段的基本属性信息；
所述获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息，包括：
向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
5.根据权利要求1所述的方法，其特征在于，所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息之前，还包括：
获取在目标时段经过所述目标路段的第三车辆的第一历史行车特征信息以及在所述目标时段经过所述拓扑路段的第四车辆的第二历史行车特征信息；
采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值；
创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练。
6.根据权利要求5所述的方法，其特征在于，所述创建路况预测模型，采用分类算法并基于所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值，对所述路况预测模型进行训练，包括：
创建路况预测模型，将所述第一历史行车特征信息、所述第二历史行车特征信息以及所述路况真实概率值作为所述路况预测模型的输入，并采用分类算法以确定所述路况预测模型的权重信息；
将所述权重信息代入所述路况预测模型中以生成所述训练后的路况预测模型。
7.根据权利要求5所述的方法，其特征在于，所述采用所述第一历史行车特征信息和所述第二历史行车特征信息获取所述目标路段在所述目标时段的路况真实概率值，包括：
获取基于对所述目标路段以及所述拓扑路段的现场勘察结果所输入的路况真实概率值，或；
获取基于离线行车特征信息以及交通监控视频所标注的路况真实概率值，或；
将所述第一历史行车特征信息和所述第二历史行车特征信息与所述离线行车特征信息进行匹配以得到匹配结果，并过滤所述匹配结果中的非行车信息以生成所述路况真实概率值。
8.根据权利要求1所述的方法，其特征在于，所述采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，包括：
将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息。
9.根据权利要求8所述的方法，其特征在于，所述路况预测模型包括畅通预测模型和拥堵预测模型；
所述将所述第一行车特征信息以及所述第二行车特征信息分别输入至所述训练后的路况预测模型中，以得到所述目标路段对应的路况概率值，并将所述路况概率值与概率阈值进行比较以确定所述目标路段的路况信息，包括：
将所述第一行车特征信息以及所述第二行车特征信息输入至所述拥堵预测模型中，以得到所述拥堵预测模型对应的第一路况概率值；
将所述第一行车特征信息以及所述第二行车特征信息输入至所述畅通预测模型中，以得到所述畅通预测模型对应的第二路况概率值；
当所述第一路况概率值大于或者等于拥堵阈值时，确定所述目标路段为拥堵状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值大于或者等于畅通阈值时，确定所述目标路段为畅通状态；
当所述第一路况概率值小于所述拥堵阈值，且所述第二路况概率值小于畅通阈值时，确定所述目标路段为缓行状态。
10.一种路况信息获取设备，其特征在于，包括：
第一信息获取单元，用于获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
第二信息获取单元，用于获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
路况信息输出单元，用于采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
11.根据权利要求10所述的设备，其特征在于，还包括：
车辆数量获取单元，用于获取设定时长内经过所述行车路段的车辆数量；
目标路段确定单元，用于当所述车辆数量小于或者等于车辆阈值时，确定所述行车路段为目标路段。
12.根据权利要求10所述的设备，其特征在于，还包括：
属性信息获取单元，用于获取所述目标路段的第一属性信息以及所述拓扑路段的第二属性信息；
所述路况信息输出单元具体用于：
采用训练后的路况预测模型并基于所述第一行车特征信息、所述第二行车特征信息、所述第一属性信息以及所述第二属性信息，获取所述目标路段的路况信息。
13.根据权利要求12所述的设备，其特征在于，所述第一属性信息包括所述目标路段的基本属性信息以及车速属性信息，所述第二属性信息包括所述拓扑路段的基本属性信息；
所述属性信息获取单元包括：
请求发送子单元，用于向路段管理服务器发送所述目标路段以及所述拓扑路段的属性信息查找请求，以使所述路段管理服务器查找所述目标路段的第一属性信息和所述拓扑路段的第二属性信息；
信息接收子单元，用于接收所述路段管理服务器反馈的所述第一属性信息和所述第二属性信息。
14.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
15.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：
获取当前经过目标路段的第一车辆所传输的第一实时行车数据，并基于所述第一实时行车数据获取所述目标路段的第一行车特征信息；
获取当前经过拓扑路段的第二车辆所传输的第二实时行车数据，并基于所述第二实时行车数据获取所述目标路段的第二行车特征信息，所述拓扑路段为处于所述目标路段的目标范围内的相邻路段；
采用训练后的路况预测模型并基于所述第一行车特征信息以及所述第二行车特征信息，获取所述目标路段的路况信息，输出所述路况信息。
CN201711057258.5A 2017-11-01 2017-11-01 一种路况信息获取方法及其设备、存储介质、终端 Active CN109754594B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201711057258.5A CN109754594B (zh) 2017-11-01 2017-11-01 一种路况信息获取方法及其设备、存储介质、终端
PCT/CN2018/111784 WO2019085807A1 (zh) 2017-11-01 2018-10-25 一种路况信息获取方法及其设备、存储介质
US16/601,793 US20200043324A1 (en) 2017-11-01 2019-10-15 Method for obtaining road condition information, apparatus thereof, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711057258.5A CN109754594B (zh) 2017-11-01 2017-11-01 一种路况信息获取方法及其设备、存储介质、终端

Publications (2)

Publication Number Publication Date
CN109754594A true CN109754594A (zh) 2019-05-14
CN109754594B CN109754594B (zh) 2021-07-27

Family

ID=66332464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711057258.5A Active CN109754594B (zh) 2017-11-01 2017-11-01 一种路况信息获取方法及其设备、存储介质、终端

Country Status (3)

Country Link
US (1) US20200043324A1 (zh)
CN (1) CN109754594B (zh)
WO (1) WO2019085807A1 (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244725A (zh) * 2019-06-13 2019-09-17 腾讯科技（深圳）有限公司 仿真车辆的控制方法和装置、存储介质及电子装置
CN110444018A (zh) * 2019-07-30 2019-11-12 腾讯科技（深圳）有限公司 仿真城市系统的控制方法和装置、存储介质及电子装置
CN110782687A (zh) * 2019-08-30 2020-02-11 腾讯科技（深圳）有限公司 数据处理方法、装置以及电子设备
CN110889558A (zh) * 2019-11-29 2020-03-17 北京世纪高通科技有限公司 路况预测方法及装置
CN111402583A (zh) * 2020-03-19 2020-07-10 阿里巴巴集团控股有限公司 一种交通事件的感知方法、设备及存储介质
CN111611955A (zh) * 2020-05-28 2020-09-01 百度在线网络技术（北京）有限公司 可通行施工道路的识别方法、装置、设备及存储介质
CN112414420A (zh) * 2020-08-13 2021-02-26 腾讯科技（深圳）有限公司 一种基于交通流量的导航方法以及相关装置
CN112585656A (zh) * 2020-02-25 2021-03-30 华为技术有限公司 特殊路况的识别方法、装置、电子设备和存储介质
CN112633373A (zh) * 2020-12-22 2021-04-09 东软睿驰汽车技术（沈阳）有限公司 一种车辆工况预测方法及装置
CN112734313A (zh) * 2019-10-14 2021-04-30 上海欣雅供应链管理有限公司 物流运输平台的信息处理方法、系统及电子设备

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10930157B2 (en) * 2017-04-26 2021-02-23 Dropoff, Inc. Systems and methods for automated real-time and advisory routing within a fleet of geographically distributed drivers
CN110782688B (zh) * 2019-10-31 2022-03-18 腾讯科技（深圳）有限公司 车辆行驶状态展示方法、装置、存储介质和计算机设备
CN111461384B (zh) * 2019-12-10 2024-04-05 阿里巴巴集团控股有限公司 对象流量预测方法、装置及设备
CN113159357B (zh) * 2020-01-07 2023-11-24 北京嘀嘀无限科技发展有限公司 数据处理方法、装置、电子设备及计算机可读存储介质
CN111739289B (zh) * 2020-06-02 2024-02-20 腾讯科技（深圳）有限公司 车辆预警信息的处理方法及装置
CN112398932B (zh) * 2020-11-04 2023-10-24 腾讯科技（深圳）有限公司 获取路况信息的方法、装置、设备及计算机可读存储介质
CN112560609B (zh) * 2020-12-03 2022-11-15 北京百度网讯科技有限公司 路况预估方法、建立路况预估模型的方法及对应装置
EP4215877A1 (en) * 2022-01-21 2023-07-26 Klimator AB A method and system for determining an optimized forecast relating to weather or a road condition
CN114677843B (zh) * 2022-02-17 2023-07-21 阿里云计算有限公司 路况信息的处理方法、装置、系统及电子设备
CN115311846B (zh) * 2022-06-24 2023-08-11 华东师范大学 一种结合货车任务状态的厂区道路拥堵预测方法及预测系统
CN116340768B (zh) * 2023-02-28 2023-10-20 江苏省环境工程技术有限公司 一种智能化道路积尘负荷监测方法及监测装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101438335A (zh) * 2006-03-03 2009-05-20 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理系统
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN102346964A (zh) * 2010-08-05 2012-02-08 王学鹰 道路交通网络区域拥堵实时预测与智能管理系统
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN105303838A (zh) * 2015-12-01 2016-02-03 北京百度网讯科技有限公司 确定道路流量的方法和装置
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 (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US8725395B2 (en) * 2012-01-10 2014-05-13 Toyota Jidosha Kabushiki Kaisha System for constructing a spanning forest in a vehicular network
CN103680180B (zh) * 2012-09-13 2017-09-22 腾讯科技（深圳）有限公司 一种交通状况信息提示方法和系统
JP6063237B2 (ja) * 2012-12-11 2017-01-18 株式会社エヌ・ティ・ティ・データ 渋滞予測装置、渋滞予測システム、渋滞予測方法、及び、プログラム
CN106327870B (zh) * 2016-09-07 2018-08-21 武汉大学 交通大数据采集中交通流分布估计及摄像头布点优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101438335A (zh) * 2006-03-03 2009-05-20 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理系统
US20110161261A1 (en) * 2009-12-28 2011-06-30 Nec(China) Co., Ltd. Method and system for traffic prediction based on space-time relation
CN102346964A (zh) * 2010-08-05 2012-02-08 王学鹰 道路交通网络区域拥堵实时预测与智能管理系统
CN103927887A (zh) * 2014-03-18 2014-07-16 西北工业大学 结合离散速度模型的阵列式fpga交通状态预测及控制系统
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法
CN105303838A (zh) * 2015-12-01 2016-02-03 北京百度网讯科技有限公司 确定道路流量的方法和装置
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

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244725A (zh) * 2019-06-13 2019-09-17 腾讯科技（深圳）有限公司 仿真车辆的控制方法和装置、存储介质及电子装置
CN110444018A (zh) * 2019-07-30 2019-11-12 腾讯科技（深圳）有限公司 仿真城市系统的控制方法和装置、存储介质及电子装置
CN110782687A (zh) * 2019-08-30 2020-02-11 腾讯科技（深圳）有限公司 数据处理方法、装置以及电子设备
CN110782687B (zh) * 2019-08-30 2022-07-19 腾讯科技（深圳）有限公司 数据处理方法、装置以及电子设备
CN112734313A (zh) * 2019-10-14 2021-04-30 上海欣雅供应链管理有限公司 物流运输平台的信息处理方法、系统及电子设备
CN110889558A (zh) * 2019-11-29 2020-03-17 北京世纪高通科技有限公司 路况预测方法及装置
CN110889558B (zh) * 2019-11-29 2023-06-06 北京世纪高通科技有限公司 路况预测方法及装置
WO2021168660A1 (zh) * 2020-02-25 2021-09-02 华为技术有限公司 特殊路况的识别方法、装置、电子设备和存储介质
CN112585656A (zh) * 2020-02-25 2021-03-30 华为技术有限公司 特殊路况的识别方法、装置、电子设备和存储介质
CN112585656B (zh) * 2020-02-25 2022-06-17 华为技术有限公司 特殊路况的识别方法、装置、电子设备和存储介质
CN111402583B (zh) * 2020-03-19 2022-06-21 阿里巴巴集团控股有限公司 一种交通事件的感知方法、设备及存储介质
CN111402583A (zh) * 2020-03-19 2020-07-10 阿里巴巴集团控股有限公司 一种交通事件的感知方法、设备及存储介质
CN111611955A (zh) * 2020-05-28 2020-09-01 百度在线网络技术（北京）有限公司 可通行施工道路的识别方法、装置、设备及存储介质
CN111611955B (zh) * 2020-05-28 2023-09-26 百度在线网络技术（北京）有限公司 可通行施工道路的识别方法、装置、设备及存储介质
CN112414420A (zh) * 2020-08-13 2021-02-26 腾讯科技（深圳）有限公司 一种基于交通流量的导航方法以及相关装置
CN112633373A (zh) * 2020-12-22 2021-04-09 东软睿驰汽车技术（沈阳）有限公司 一种车辆工况预测方法及装置

Also Published As

Publication number Publication date
WO2019085807A1 (zh) 2019-05-09
CN109754594B (zh) 2021-07-27
US20200043324A1 (en) 2020-02-06

Similar Documents

Publication Publication Date Title
CN109754594A (zh) 一种路况信息获取方法及其设备、存储介质、终端
D'Andrea et al. Detection of traffic congestion and incidents from GPS trace analysis
Wang et al. A big data approach for smart transportation management on bus network
US9536146B2 (en) Determine spatiotemporal causal interactions in data
US20210375128A1 (en) System and method for detection and quantification of irregular traffic congestion
CN108242149A (zh) 一种基于交通数据的大数据分析方法
Ram et al. SMARTBUS: A web application for smart urban mobility and transportation
Po et al. From sensors data to urban traffic flow analysis
CN112447041A (zh) 识别车辆的营运行为的方法、装置及计算设备
CN106251628B (zh) 一种确定机动车的交通出行量的方法及装置
CN105575155A (zh) 用于确定车辆行驶信息的方法和设备
CN111199247B (zh) 一种公交运行仿真方法
Ma et al. Public transportation big data mining and analysis
CN114596709B (zh) 数据处理方法、装置、设备以及存储介质
CN106157609A (zh) 一种路段状态的监测方法及装置
CN110021161A (zh) 一种交通流向的预测方法及系统
William et al. Edge based Web Computing for Traffic Control Management for Distributed Environment Conditions
Lima et al. Systematic review: Techniques and methods of urban monitoring in intelligent transport systems
Mjøsund et al. GPS data as a basis for mapping freight vehicle activities in urban areas–A case study for seven Norwegian cities
CN108665723B (zh) 一种信息获取方法及装置
CN110969861B (zh) 一种车辆识别方法、装置、设备及计算机存储介质
Wibisono et al. Traffic intelligent system architecture based on social media information
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
Young et al. Defining probability-based rail station catchments for demand modelling
CN113393011A (zh) 预测限速信息的方法、装置、计算机设备和介质

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