CN109919347A - 路况生成方法、相关装置和设备 - Google Patents
路况生成方法、相关装置和设备 Download PDFInfo
- Publication number
- CN109919347A CN109919347A CN201711335748.7A CN201711335748A CN109919347A CN 109919347 A CN109919347 A CN 109919347A CN 201711335748 A CN201711335748 A CN 201711335748A CN 109919347 A CN109919347 A CN 109919347A
- Authority
- CN
- China
- Prior art keywords
- road
- information
- section
- road condition
- probability
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims description 44
- 230000006399 behavior Effects 0.000 claims description 34
- 230000007704 transition Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 10
- 206010039203 Road traffic accident Diseases 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- 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
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- 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
-
- 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
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096733—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place
- G08G1/09675—Systems involving transmission of highway information, e.g. weather, speed limits where a selection of the information might take place where a selection from the received information takes place in the vehicle
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
-
- G06Q50/40—
Abstract
本发明公开了一种路况生成方法,包括:获取当前驾驶状况信息;针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;输出所述路况状态信息。本发明还公开了一种路况生成装置和路况生成设备,解决了现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题。
Description
技术领域
本发明涉及计算机领域,尤其涉及路况生成方法、相关装置和设备。
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。
现有技术中,大多数地图生产厂商通过采集道路上车辆全球定位系统(GlobalPositioning System,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段拥堵情况。然而,该方法直接根据单路段的车流速度判定路况时很容易出现连续异常突变的现象,异常突变的出现来自异常车流速度,例如车辆行为异常导致速度值过低或过高等。也就是说,现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确。
发明内容
本发明实施例所要解决的技术问题在于,提供一种路况生成方法、一种路况生成装置、一种路况生成设备以及一种计算机可读存储介质,解决现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题。
为了解决上述技术问题,本发明实施例第一方面公开了一种路况生成方法,包括:
获取当前驾驶状况信息;
针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;
输出所述路况状态信息。
本发明实施例第二方面公开了一种路况生成装置,包括用于执行上述第一方面的方法的单元。
本发明实施例第三方面公开了一种路况生成设备,包括包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储应用程序代码,所述处理器被配置用于调用所述程序代码,执行如上述第一方面的方法。
本发明实施例第四方面公开了一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如上述第一方面的方法。
实施本发明实施例,通过获取当前驾驶状况信息;针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;输出该路况状态信息,避免了现有技术中直接根据单路段的车流速度判定路况时很容易出现连续异常突变的现象,通过历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,保证了地理空间序列上路况状态过渡的平滑性,解决了现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题。并且解决了现有技术中若通过交管部门将传感器或线圈部署在道路上,通过传感器感应道路上车流量以确定交通的拥堵情况时,工程量巨大,对道路的覆盖面窄,除了高速路或城市快速路以外,其它道路难以覆盖的技术问题。
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路况生成方法的系统构架示意图;
图2是本发明实施例提供一种路况生成方法的示意流程图;
图3是本发明实施例提供的路况生成的原理示意图;
图4是本发明实施例提供的隐马尔可夫模型的状态转移的原理示意图;
图5是本发明提供的路况生成方法的另一实施例的流程示意图;
图6a是本发明实施例提供的路况生成装置的结构示意图;
图6b是本发明实施例提供的信息生成单元的结构示意图;
图7是本发明实施例提供的通行能力生成单元的结构示意图;
图8是本发明实施例提供的路况生成设备的结构示意图。
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描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
具体实现中,本发明实施例中描述的终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的终端。然而,应当理解的是,终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
为了更好的理解本发明实施例提供的一种路况生成方法、路况生成装置以及路况生成设备,下面先对本发明实施例适用的路况生成方法的系统构架进行描述。参阅图1,图1是本发明实施例提供的路况生成方法的系统构架示意图。如图1所示,系统构架可以包括一个或多个服务器以及多个终端(或设备),其中:
服务器可以包括但不限于后台服务器、组件服务器、路况生成服务器等,服务器可以通过互联网与多个终端进行通信。服务器可以进行路况分析、交通预警、路径规划等,并可以将路况展示于实时交通路况的任何平台或产品中,如数字大屏、地图服务应用、打车软件、物流调度系统等等,可以为终端及时动态显示路况变化,方便用户规划调度及决策。
终端(或设备)可以安装并运行有相关的客户端(Client)。客户端(Client)(例如包括地图服务客户端等)是指与服务器相对应,为客户提供本地服务的程序。这里,该本地服务可包括但不限于:进行路况分析、交通预警、路径规划等等。
具体的,客户端可包括:本地运行的应用程序、运行于网络浏览器上的功能(又称为Web App)、嵌入于电子邮件中的小程序、嵌入于即时通讯的客户端软件中的小程序,以及嵌入在其他应用程序中的功能(如开发者或商家基于公众平台上申请的应用账号)等。对于客户端,服务器上需要运行有相应的服务器端程序来提供相应的服务,如数据库服务,数据计算、决策执行等等。用户使用终端在该相应平台上进行针对交通路况的相关操作,例如路况查看,路径规划等操作。
例如,在地图服务客户端中,服务器以实时交通路况信息作为基础功能,将交通路况信息发送给用户侧的该地图服务客户端,用户通过该终端上安装并运行的地图服务客户端不仅能够很方便地知晓道路拥堵情况,规划出行路线合理安排行动计划;另外还能帮助交管部门构建交通预警,调度城市交通系统。
本发明实施例中的终端可以包括但不限于任何一种基于智能操作系统的手持式电子产品,其可与用户通过键盘、虚拟键盘、触摸板、触摸屏以及声控设备等输入设备来进行人机交互,诸如智能手机、平板电脑、个人电脑等。其中,智能操作系统包括但不限于任何通过向移动设备提供各种移动应用来丰富设备功能的操作系统,诸如安卓(Android)、IOS、Windows Phone等。
不限于图1所示,本申请提供的路况生成方法的系统构架还可以包括其他设备,例如第三方服务器,例如用于统计或采集存储当前驾驶状况信息等信息,以备路况生成服务器需要根据生成路况时,从该第三方服务器获取当前驾驶状况信息等信息。
基于图1所示的路况生成方法的系统构架,参见图2,是本发明实施例提供一种路况生成方法的示意流程图,从服务器侧(即路况生成装置或设备)来描述如何生成路况信息,可以包括以下步骤:
步骤S200:获取当前驾驶状况信息;
具体地,具体地,本发明实施例中的当前驾驶状况信息可以包括当前车辆驾驶的道路类型(例如可以通过路段限速信息来进行分类)、当前道路的交通事故信息、当前道路的交通管制信息、当前驾驶者的状态信息(可以包括驾龄、驾驶习惯等信息)等等,用于表征当前驾驶场景或当前驾驶者的状况信息,或者当前驾驶场景和当前驾驶者的状况信息。
进一步地,该当前驾驶状况信息可以包括当前驾驶场景信息和驾驶者驾驶行为状态信息;
该当前驾驶场景信息,即道路情形的多变化,一般是道路周边设施属性带来的,当前驾驶场景信息从客观上限制了特定路段的通行能力。本发明实施例中的当前驾驶场景可以包括以下至少一项:车辆定位信息、路段限速信息(例如是高速路、还是出入口匝道、还是城市快速路等等)、交通管制信息、交通事故信息、是否红绿灯路段、是否隧道路段、是否地铁口路段、是否地面道路、是否立交桥路段等等。
该驾驶者驾驶行为状态信息,相当于驾驶者(一般指人)的个性化驾驶信息,属于驾驶者自身的驾驶行为,在一定程度上会带来不同的车辆速度,本发明实施例中的驾驶者驾驶行为状态信息可以包括以下至少一项:驾驶者驾龄信息、是否异常停车、驾驶习惯信息(例如包括是否喜欢飙车、是否经常超车、是否经常尾随行驶等等)。
本发明实施例中的服务器不限定于如何获取上述当前驾驶状况信息,例如该服务器可以设有一数据库,用于统计或采集存储道路场景的信息以及不同驾驶者的行为状态信息,在需要根据该当前驾驶状况信息生成路段当前通行能力信息时,可以直接从该数据库中提取该当前驾驶状况信息。或者,又如该当前驾驶状况信息在第三方设备(如第三方服务器等)上保存,那么当需要根据该当前驾驶状况信息生成路段当前通行能力信息时,可以向该第三方设备获取当前驾驶状况信息。
步骤S202:针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;
具体地,本发明实施例的路段当前通行能力信息是用于表征一条道路或路段当前通行能力的信息,可以包括以下至少一项:车流速度、车流量、平均通行时长、红绿灯等待周期等。
以车流速度为例,路段当前通行能力信息可以为50千米/小时-60千米/小时,或40千米/小时-50千米/小时,等等。以车流量为例,路段当前通行能力信息可以为50辆/时/车道-70辆/时/车道,或200辆/时/车道-220辆/时/车道,等等。以平均通行时长为例,路段当前通行能力信息可以为35秒/千米-40秒/千米,或300秒/千米-350秒/千米,等等。以红绿灯等待周期为例,路段当前通行能力信息可以为1个信号周期,或2个信号周期,等等。
本发明实施例中的路况状态可以包括但不限于拥堵、缓行、畅通等状态,各个路况状态之间的转移信息即路况状态从第一状态转移到第二状态的转移信息,比如从拥堵转移为缓行的转移概率信息、从畅通转移为缓行的转移概率信息等等。本发明实施例中的路况状态与路段通行能力信息的对应关系,可以为拥堵状态对应1千米/小时-5千米/小时,或者拥堵状态对应50辆/时/车道-70辆/时/车道,或者畅通状态对应60千米/小时-70千米/小时,等等。
那么步骤S202具体可以为先获取历史路况数据,然后分析该历史路况数据,通过预设的提取算法提取各个路况状态之间的转移信息,以及每个路况状态与路段通信能力信息的对应关系,并存储该各个路况状态之间的转移信息以及每个路况状态与路段通信能力信息的对应关系。在获取到当前驾驶状况信息后,针对该当前驾驶状况信息,通过存储的该各个路况状态之间的转移信息以及每个路况状态与路段通信能力信息的对应关系,生成当前的路况状态信息。
步骤S204:输出该路况状态信息。
实施本发明实施例,通过获取当前驾驶状况信息;针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;输出所述路况状态信息,避免了现有技术中直接根据单路段的车流速度判定路况时很容易出现连续异常突变的现象,通过历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,保证了地理空间序列上路况状态过渡的平滑性,解决了现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题。并且解决了现有技术中若通过交管部门将传感器或线圈部署在道路上,通过传感器感应道路上车流量以确定交通的拥堵情况时,工程量巨大,对道路的覆盖面窄,除了高速路或城市快速路以外,其它道路难以覆盖的技术问题。
在本发明的其中一个实施方式,步骤S202可以通过如下方式来实现:
在获取到当前驾驶状况信息以后,可以先根据该当前驾驶状况信息生成路段当前通行能力信息;
服务器在获取到当前驾驶状况信息后,可以根据相关的路段当前通行能力信息算法生成路段当前通行能力信息。例如,路段当前通行能力信息以车流速度为例,服务器可以结合车辆定位信息、路段限速信息以及驾驶者是否异常停车,每一个参数可以对应各自的权重系数,然后计算出路段当前的车流速度。
然后将该路段当前通行能力信息进行离散化处理,得到观测序列;
具体地,本发明实施例中的观测序列为隐马尔科夫模型问题领域中可见的随机序列。隐马尔科夫模型是一个关于序列的概率模型,描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列,再由各个状态生成观测而产生观测随机序列的过程。隐马尔科夫模型随机生成的状态随机序列,称为状态序列;每个状态生成一个观测,由此产生的观测随机序列,称为观测序列。比如:路段当前通行能力信息以车流速度为例,那么可将车流速度所属范围作为观测序列,进行离散化处理后,生成ACBDFE序列,其中A-[0,10],B-(10,20],C-(20,40],D-(40,60],E-(60,70],F-(70,80],G-(80,120]。
最后将该观测序列输入隐马尔可夫模型,生成路况状态序列。
具体地,本发明实施例中的隐马尔可夫模型包括根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵,该第一概率矩阵用于指示各个路况状态之间的转移概率,该第二概率矩阵用于指示以概率的形式确定路况状态与路段通行能力信息的对应关系。
需要说明的是,本发明实施例求取的是模型不可见的状态序列,需要已知具体模型及观测序列。该具体模型可以为隐马尔可夫模型,由初始路况状态概率分布、该第一概率矩阵(如路况状态转移概率矩阵)和该第二概率矩阵(如路况状态至观测的输出概率矩阵或观测概率矩阵)组成,该观测序列为步骤S202由路段通行能力实时描述经离散化后得到,例如上述车流速度所属范围序列ACBDFE。模型输出即为最终路况状态序列,也就是对于给定的已有观测序列,求使其概率最大的对应的路况状态序列。比如沿车流方向上的路况状态序列,拥堵|缓行|拥堵|畅通|畅通|畅通。
一般的,可以用λ=(A,B,π)三元组来简洁的表示一个隐马尔可夫模型。隐马尔可夫模型(HMM)可以用五个元素来描述,包括2个状态集合和3个概率矩阵:
1.隐含状态S
这些状态之间满足马尔可夫性质,是马尔可夫模型中实际所隐含的状态。这些状态通常无法通过直接观测而得到。(例如S1、S2、S3等等)
2.可观测状态O
在模型中与隐含状态相关联,可通过直接观测而得到。(例如O1、O2、O3等等,可观测状态的数目不一定要和隐含状态的数目一致。)
3.初始状态概率矩阵π
表示隐含状态在初始时刻t=1的概率矩阵,(例如t=1时,P(S1)=p1、P(S2)=P2、P(S3)=p3,则初始状态概率矩阵π=[p1p2p3]。
4.隐含状态转移概率矩阵A
描述了HMM模型中各个状态之间的转移概率。
其中Aij=P(Sj|Si),1≤i,,j≤N.
表示在t时刻、状态为Si的条件下,在t+1时刻状态是Sj的概率。
5.观测状态转移概率矩阵B
令N代表隐含状态数目,M代表可观测状态数目,则:
Bij=P(Oi|Sj),1≤i≤M,1≤j≤N.
表示在t时刻、隐含状态是Sj条件下,观测状态为Oi的概率。
那么,给定观测序列和模型参数λ=(A,B,π),怎样有效计算某一观测序列的概率,进而可对该HMM做出相关评估。本发明实施例可以通过维特比算法求解,即:采用动态规划求概率最大路径(最优路径),而一条路径对应着一个路况状态序列。
本发明实施例结合标记问题(即输入变量与输出变量均为变量序列的预测问题),以及根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵构成的隐马尔可夫模型,生成最合理的路况状态序列,大量的准确的历史路况信息对路况生成至关重要,生成的路况状态序列可以尽可能的符合人为主观感受,从而避免了现有技术中直接根据单路段的车流速度判定路况时很容易出现连续异常突变的现象,通过历史路况数据中统计路况状态转移概率,保证了地理空间序列上路况状态过渡的平滑性,解决了现现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题。并且解决了现有技术中若通过交管部门将传感器或线圈部署在道路上,通过传感器感应道路上车流量以确定交通的拥堵情况时,工程量巨大,对道路的覆盖面窄,除了高速路或城市快速路以外,其它道路难以覆盖的技术问题。
进一步地,下面结合图3示出的本发明实施例提供的路况生成的原理示意图,来再次详细说明本发明的路况生成方法。根据图3所示,可以分成以下4个步骤:
步骤S300:服务器(或路况生成装置或设备)可以从记录了实际交通路况的真值系统中获取统计的历史路况数据;然后根据该统计的历史路况数据提取各个路况状态之间的转移概率;以及根据该统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系。
步骤S302:采集道路系统上进行定位导航的车辆的定位信息;根据车辆标识获取车辆对应的驾驶者驾驶行为状态信息,将所述定位信息和获取的所述驾驶者驾驶行为状态信息,与路网数据中的路段进行关联。
步骤S304:根据当前驾驶状况信息生成路段当前通行能力信息。
步骤S306:基于隐马尔可夫模型生成路况状态序列。
具体地,结合图4示出的本发明提供的路况生成方法的另一实施例的流程示意图,详细说明本发明路况生成的原理,包括如下步骤:
步骤S400:服务器(或路况生成装置或设备)从记录了实际交通路况的真值系统中获取统计的历史路况数据;
步骤S402:服务器根据该统计的历史路况数据提取各个路况状态之间的转移概率;以及根据该统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系;
具体地,如图5示出的本发明实施例提供的隐马尔可夫模型的状态转移的原理示意图,服务器可以从路测验证、内部反馈、人工标注、机测等真值系统返回大量准确的历史路况信息,统计用于隐马尔可夫模型的路况状态转换概率矩阵和观测概率矩阵。大量准确的历史路况信息对路况生产至关重要,决定了隐马尔可夫模型三要素中的两要素:路况状态转移概率矩阵和观测概率矩阵。图5中的O1、O2、O3…O8即为可见观测状态(或可观测状态)。
例如,以路况状态包括畅通、缓行和拥堵。基于大量准确的历史路况信息,统计的路况状态变化概率分布(即路况状态转移概率矩阵),如下表1:
畅通 | 缓行 | 拥堵 | |
畅通 | 0.6 | 0.25 | 0.15 |
缓行 | 0.3 | 0.35 | 0.35 |
拥堵 | 0.2 | 0.38 | 0.42 |
表1
表1表明,从实际交通路况中,根据车流方向统计相邻路段畅通转移为缓行的概率为0.25,缓行转移为拥堵的概率为0.35,拥堵转移为畅通的概率为0.20,等等。本发明实施例通过历史路况数据中统计路况状态转移概率,保证了地理空间序列上路况状态过渡的平滑性,并且一定程度地允许车流速度计算带来的误差,解决了现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题,能增强系统对异常噪声的容忍度。
另外,根据该统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系时可以具体包括:根据该统计的历史路况数据,并结合多个不同的路况场景信息,以概率的形式确定路况状态与路段通行能力信息的对应关系。
例如:基于大量准确的历史路况信息,从实际交通路况中,统计路况状态与车流速度的概率分布(即观测概率矩阵),可以如下表2:
[0,10] | (10,20] | (20,40] | ... | (60,70] | (70,80] | (80,120] | |
畅通 | 0.001 | 0.02 | 0.05 | ... | 0.32 | 0.2 | 0.15 |
缓行 | 0.08 | 0.22 | 0.46 | ... | 0.008 | 0.003 | 0 |
拥堵 | 0.26 | 0.38 | 0.15 | ... | 0.003 | 0.002 | 0.001 |
表2
表2表明,实际畅通时车流速度处在(60,70]千米/小时的概率为0.32,实际拥堵时车流速度处在(20,40]千米/小时的概率为0.15,等等。具体地,数据源缺少、用户驾驶行为分析不全面或其他未知异常等原因,可能会导致计算出来的路段通行能力实时描述与真实路况不一致,同时场景的差异,让路况又存在不同的表现。而本发明实施例从历史数据中统计以概率形式确定的路况状态与路段通行能力实时描述对应关系,在一定程度上不仅容忍了相应的观测噪声信息而且还能以扩展状态集合的方式满足路况判定场景的多样化需求,并且道路覆盖面广,高速路城市快速路其他等级道路均能涉及,有效地兼顾交通事故、管制等发生时路况的扩散途径。
例如,某路段统计100次,98次都是通畅、2次拥堵,可以把该路段为拥堵的情况看做是观测噪声,以概率的形式那么通畅的概率很高,拥堵的概率就很低,因此几乎可以忽略拥堵的情况,也就是说可以容忍相应的观测噪声信息。另外,可以扩展出高速路段、小区路段或红绿灯路段等不同路况场景,每个不同路况场景定义的畅通、缓行和拥堵的参数可以不同,例如高速路段车流速度在60千米/小时以上或70千米/小时以上才能算畅通,而红绿灯路段车流速度在30千米/小时或40千米/小时以上就算畅通,等等。因此可以满足路况判定场景的多样化需求。
步骤S404:服务器采集道路系统上进行定位导航的车辆的定位信息;
步骤S406:服务器根据车辆标识获取车辆对应的驾驶者驾驶行为状态信息,将所述定位信息和获取的所述驾驶者驾驶行为状态信息,与路网数据中的路段进行关联;
具体地,只要有连续驾驶行为、导航过程中的车辆,均可采集其设备上的GPS定位数据,如:处于导航行为中的地图应用软件、处于送客过程中的司机、正在运送货物的物流车、以及行进中的众多品牌私家车辆等等。该GPS定位数据包括车辆所在路段(即车辆位置信息)、车辆的移动速度等等信息。在获取到GPS定位数据后,根据车辆标识(ID)将驾驶者驾驶行为串联起来,也就是说可以设有每一辆车的ID,以及每一辆车的ID对应的驾驶者信息,驾驶者信息可以包括驾驶者的驾驶行为状态信息。那么在获取到GPS定位数据后,即可根据车辆ID与其对应的驾驶者驾驶行为状态信息串联起来,然后可以采用相应的道路匹配算法将GPS点(即车辆位置信息)关联到路网数据中实际的道路段上,以便后续在特定场景下对用户驾驶行为进行分析。
步骤S408:服务器根据当前驾驶状况信息生成路段当前通行能力信息;
具体地,可以根据关联后的路段信息分析得出当前驾驶状况信息(也可以统称为用户驾驶行为分析,或驾驶者驾驶行为分析),该当前驾驶状况信息可以包括当前驾驶场景信息和驾驶者驾驶行为状态信息;具体可以参考上述图2实施例中的步骤S200,这里不进行赘述。将生成的路段当前通行能力信息进行离散化处理,得到观测序列。
本发明的其中一个实施例,步骤S404、S406可以融合到步骤S408中,即步骤S408中根据当前驾驶状况信息生成路段当前通行能力信息可以具体包括:采集道路系统上进行定位导航的车辆的定位信息;根据车辆标识获取车辆对应的驾驶者驾驶行为状态信息,将该定位信息和获取的该驾驶者驾驶行为状态信息,与路网数据中的路段进行关联。
步骤S410:基于隐马尔可夫模型生成路况状态序列;
具体地,服务器根据输入的观测序列,初始路况状态概率分布、第一概率矩阵和第二概率矩阵,采用动态规划生成概率最大对应的路况状态序列;生成路况状态序列,以指示根据所述路况状态序列在地图中显示概率最大路径;路况状态序列包括指示概率最大路径中各个路段的路况信息。具体地,可以参考上述图2实施例中的步骤S204,这里不进行赘述。
步骤S412:输出路况状态序列。
具体地,服务器可以将路况状态序列发送给终端,以使终端根据路况状态序列在地图软件中展示路况的畅通或拥堵程度,具体可以通过不同的颜色来展示,例如绿色路段表示该路段畅通、黄色路段表示该路段缓行、鲜红色路段表示该路段拥堵、褐红色路段表示该路段严重拥堵等等。或者根据路况状态序列帮助用户规划从起点到终点的最优路径(即概率最大路径),并可以显示该最优路径的各个路段的畅通或拥堵程度,以及可以显示该最优路径通行的时长等信息。
实施本发明实施例,通过根据当前驾驶状况信息生成路段当前通行能力信息;然后将该路段当前通行能力信息进行离散化后得到的观测序列输入隐马尔可夫模型,生成路况状态序列;其中,该隐马尔可夫模型包括根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵,该第一概率矩阵用于指示各个路况状态之间的转移概率,该第二概率矩阵用于指示以概率的形式确定路况状态与路段通行能力信息的对应关系,避免了现有技术中直接根据单路段的车流速度判定路况时很容易出现连续异常突变的现象,通过历史路况数据中统计路况状态转移概率,保证了地理空间序列上路况状态过渡的平滑性,并且一定程度地允许车流速度计算带来的误差,解决了现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题,能增强系统对异常噪声的容忍度。并且解决了现有技术中若通过交管部门将传感器或线圈部署在道路上,通过传感器感应道路上车流量以确定交通的拥堵情况时,工程量巨大,对道路的覆盖面窄,除了高速路或城市快速路以外,其它道路难以覆盖的技术问题。
由于本发明实施例从标注问题及概率生成模型角度出发,采用隐马尔可夫模型对已有给定的观测序列,通过不可见路况状态间的转移概率及可适应多场景的观测概率产出最优的路况状态序列,使得路况发布更合理更符合人为主观感受,并且道路覆盖面广,高速路城市快速路其他等级道路均能涉及,有效地兼顾交通事故、管制等发生时路况的扩散途径;并且方案灵活,在解决坏案例(BadCase)时可克服策略优化顾此失彼的缺点。本发明实施例通过提供准确的路况,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。
为了便于更好地实施本发明实施例的上述方案,本发明还对应提供了一种路况生成装置、一种路况生成设备,下面结合附图来进行详细说明:
如图6a示出的本发明实施例提供的路况生成装置的结构示意图,路况生成装置60可以包括执行上述路况生成方法的实施例中的单元。具体地,路况生成装置60可以包括:获取单元600、信息生成单元602,输出单元604,其中
获取单元600,用于获取当前驾驶状况信息;
信息生成单元602,用于针对该当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;
输出单元604,用于输出该路况状态信息。
具体地,如图6b示出的本发明实施例提供的信息生成单元的结构示意图,信息生成单元602可以包括:通行能力生成单元6020、离散化单元6022和序列生成单元6024,其中,
通行能力生成单元6020用于根据当前驾驶状况信息生成路段当前通行能力信息;
离散化单元6022用于将该路段当前通行能力信息进行离散化处理,得到观测序列;
序列生成单元6024用于将该观测序列输入隐马尔可夫模型,输出路况状态序列;其中,该隐马尔可夫模型包括根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵,该第一概率矩阵用于指示各个路况状态之间的转移概率,该第二概率矩阵用于指示以概率的形式确定路况状态与路段通行能力信息的对应关系。
该当前驾驶状况信息包括当前驾驶场景信息和驾驶者驾驶行为状态信息;
该当前驾驶场景信息包括以下至少一项:车辆定位信息、路段限速信息、交通管制信息、交通事故信息、是否红绿灯路段、是否隧道路段、是否地铁口路段、是否地面道路;
该驾驶者驾驶行为状态信息包括以下至少一项:驾驶者驾龄信息、是否异常停车、驾驶习惯信息。
如图7示出的本发明实施例提供的通行能力生成单元的结构示意图,通行能力生成单元6020可以包括采集单元60200、关联单元60202和信息生成单元60204,其中,
采集单元60200用于采集道路系统上进行定位导航的车辆的定位信息;
关联单元60202用于根据车辆标识获取车辆对应的驾驶者驾驶行为状态信息,将所述定位信息和获取的所述驾驶者驾驶行为状态信息,与路网数据中的路段进行关联;
信息生成单元60204用于根据关联后的路段信息生成路段当前通行能力信息。
所述路段当前通行能力信息包括以下至少一项:
车流速度、车流量、平均通行时长、红绿灯等待周期。
具体地,路况生成装置60还可以包括获取单元、第一提取单元和第二提取单元,其中,
获取单元用于从记录了实际交通路况的真值系统中获取统计的历史路况数据;
第一提取单元用于根据该统计的历史路况数据提取各个路况状态之间的转移概率;
第二提取单元用于根据该统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系。具体地,根据所述统计的历史路况数据,并结合多个不同的路况场景信息,以概率的形式确定路况状态与路段通行能力信息的对应关系。
进一步地,序列生成单元6024具体用于根据输入的该观测序列,根据初始路况状态概率分布、该第一概率矩阵和该第二概率矩阵,采用动态规划生成概率最大对应的路况状态序列;
输出该路况状态序列,以指示根据该路况状态序列在地图中显示该概率最大路径;该路况状态序列包括指示该概率最大路径中各个路段的路况信息。
需要说明的是,本发明实施例中的路况生成装置60中各模块的功能可对应参考上述各方法实施例中图1至图5任意实施例的具体实现方式,这里不再赘述。路况生成装置60可以为服务器,包括但不限于计算机等。
再进一步地,如图8示出的本发明实施例提供的路况生成设备的结构示意图,路况生成设备80可以包括:至少一个处理器801,例如CPU,输入模块802,输出模块803,存储器804,至少一个通信总线805以及通信模块806。其中,通信总线805用于实现这些组件之间的连接通信。存储器804可以是高速RAM存储器,也可以是非易失性的存储器(non-volatilememory),例如至少一个磁盘存储器,存储器804包括本发明实施例中的flash。存储器804可选的还可以是至少一个位于远离前述处理器801的存储系统;通信模块806用于与外部设备进行数据通信。如图8所示,作为一种计算机存储介质的存储器804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生成的实现程序。
在图8所示的路况生成设备80中,处理器801可以用于调用存储器804中存储的路况生成的实现程序,并执行以下操作:
可以通过通信模块806获取当前驾驶状况信息;
针对该当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;
通过输出模块803输出该路况状态信息。
具体地,处理器801针对该当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息,可以包括:
根据该当前驾驶状况信息生成路段当前通行能力信息;
将该路段当前通行能力信息进行离散化处理,得到观测序列;
将该观测序列输入隐马尔可夫模型,生成路况状态序列;其中,该隐马尔可夫模型包括根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵,该第一概率矩阵用于指示各个路况状态之间的转移概率,该第二概率矩阵用于指示以概率的形式确定路况状态与路段通行能力信息的对应关系。
具体地,该当前驾驶状况信息包括当前驾驶场景信息和驾驶者驾驶行为状态信息;
该当前驾驶场景信息包括以下至少一项:车辆定位信息、路段限速信息、交通管制信息、交通事故信息、是否红绿灯路段、是否隧道路段、是否地铁口路段、是否地面道路;
该驾驶者驾驶行为状态信息包括以下至少一项:驾驶者驾龄信息、是否异常停车、驾驶习惯信息。
具体地,处理器801当前驾驶场景信息包括车辆定位信息;所述根据当前驾驶状况信息生成路段当前通行能力信息,包括:
控制采集模块采集道路系统上进行定位导航的车辆的定位信息;该采集模块可以设置在路况生成设备80上,或者其他外部设备上;
根据车辆标识获取车辆对应的驾驶者驾驶行为状态信息,将该定位信息和获取的该驾驶者驾驶行为状态信息,与路网数据中的路段进行关联;
根据关联后的路段信息生成路段当前通行能力信息。
具体地,该路段当前通行能力信息包括以下至少一项:
车流速度、车流量、平均通行时长、红绿灯等待周期。
具体地,处理器801将该观测序列输入隐马尔可夫模型,生成路况状态序列之前,还可以执行:
从记录了实际交通路况的真值系统中获取统计的历史路况数据;
根据该统计的历史路况数据提取各个路况状态之间的转移概率;
根据该统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系。
具体地,处理器801根据该统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系,包括:
根据该统计的历史路况数据,并结合多个不同的路况场景信息,以概率的形式确定路况状态与路段通行能力信息的对应关系。
具体地,处理器801将该观测序列输入隐马尔可夫模型,生成路况状态序列,包括:
根据输入的该观测序列,根据初始路况状态概率分布、该第一概率矩阵和该第二概率矩阵,采用动态规划生成概率最大对应的路况状态序列;
处理器801通过输出模块803输出该路况状态信息包括:输出该路况状态序列,以指示根据该路况状态序列在地图中显示该概率最大路径;该路况状态序列包括指示该概率最大路径中各个路段的路况信息。
具体地,路况生成设备80可以通过通信模块806将该路况状态序列发送给终端,以指示根据该路况状态序列在地图中显示该概率最大路径;该路况状态序列包括指示该概率最大路径中各个路段的路况信息。
需要说明的是,本发明实施例中的路况生成设备80中各模块的功能可对应参考上述各方法实施例中图1至图5任意实施例的具体实现方式,这里不再赘述。路况生成设备80可以为服务器,包括但不限于计算机等。
实施本发明实施例,通过根据当前驾驶状况信息生成路段当前通行能力信息;然后将该路段当前通行能力信息进行离散化后得到的观测序列输入隐马尔可夫模型,输出路况状态序列;其中,该隐马尔可夫模型包括根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵,该第一概率矩阵用于指示各个路况状态之间的转移概率,该第二概率矩阵用于指示以概率的形式确定路况状态与路段通行能力信息的对应关系,避免了现有技术中直接根据单路段的车流速度判定路况时很容易出现连续异常突变的现象,通过历史路况数据中统计路况状态转移概率,保证了地理空间序列上路况状态过渡的平滑性,并且一定程度地允许车流速度计算带来的误差,解决了现有技术的路况生成方法或路况判定方法受异常车流速度的影响,会给路况的计算或判定带来误差,造成路况不准确的技术问题,能增强系统对异常噪声的容忍度。并且解决了现有技术中若通过交管部门将传感器或线圈部署在道路上,通过传感器感应道路上车流量以确定交通的拥堵情况时,工程量巨大,对道路的覆盖面窄,除了高速路或城市快速路以外,其它道路难以覆盖的技术问题。
由于本发明实施例从标注问题及概率生成模型角度出发,采用隐马尔可夫模型对已有给定的观测序列,通过不可见路况状态间的转移概率及可适应多场景的观测概率产出最优的路况状态序列,使得路况发布更合理更符合人为主观感受,并且道路覆盖面广,高速路城市快速路其他等级道路均能涉及,有效地兼顾交通事故、管制等发生时路况的扩散途径;并且方案灵活,在解决坏案例(BadCase)时可克服策略优化顾此失彼的缺点。本发明实施例通过提供准确的路况,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。
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 (11)
1.一种路况生成方法,其特征在于,包括:
获取当前驾驶状况信息;
针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息;
输出所述路况状态信息。
2.如权利要求1所述的方法,其特征在于,所述针对所述当前驾驶状况信息,根据从历史路况数据中提取的各个路况状态之间的转移信息,以及路况状态与路段通行能力信息的对应关系,生成路况状态信息,包括:
根据所述当前驾驶状况信息生成路段当前通行能力信息;
将所述路段当前通行能力信息进行离散化处理,得到观测序列;
将所述观测序列输入隐马尔可夫模型,生成路况状态序列;其中,所述隐马尔可夫模型包括根据统计的历史路况数据提取的路段的第一概率矩阵和第二概率矩阵,所述第一概率矩阵用于指示各个路况状态之间的转移概率,所述第二概率矩阵用于指示以概率的形式确定路况状态与路段通行能力信息的对应关系。
3.如权利要求2所述的方法,其特征在于,所述当前驾驶状况信息包括当前驾驶场景信息和驾驶者驾驶行为状态信息;
所述当前驾驶场景信息包括以下至少一项:车辆定位信息、路段限速信息、交通管制信息、交通事故信息、是否红绿灯路段、是否隧道路段、是否地铁口路段、是否地面道路;
所述驾驶者驾驶行为状态信息包括以下至少一项:驾驶者驾龄信息、是否异常停车、驾驶习惯信息。
4.如权利要求3所述的方法,其特征在于,所述当前驾驶场景信息包括车辆定位信息;所述根据当前驾驶状况信息生成路段当前通行能力信息,包括:
采集道路系统上进行定位导航的车辆的定位信息;
根据车辆标识获取车辆对应的驾驶者驾驶行为状态信息,将所述定位信息和获取的所述驾驶者驾驶行为状态信息,与路网数据中的路段进行关联;
根据关联后的路段信息生成路段当前通行能力信息。
5.如权利要求2-4任一项所述的方法,其特征在于,所述路段当前通行能力信息包括以下至少一项:
车流速度、车流量、平均通行时长、红绿灯等待周期。
6.如权利要求2所述的方法,其特征在于,所述将所述观测序列输入隐马尔可夫模型,生成路况状态序列之前,还包括:
从记录了实际交通路况的真值系统中获取统计的历史路况数据;
根据所述统计的历史路况数据提取各个路况状态之间的转移概率;
根据所述统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系。
7.如权利要求6所述的方法,其特征在于,所述根据所述统计的历史路况数据,以概率的形式确定路况状态与路段通行能力信息的对应关系,包括:
根据所述统计的历史路况数据,并结合多个不同的路况场景信息,以概率的形式确定路况状态与路段通行能力信息的对应关系。
8.如权利要求2所述的方法,其特征在于,所述将所述观测序列输入隐马尔可夫模型,生成路况状态序列,包括:
根据输入的所述观测序列,根据初始路况状态概率分布、所述第一概率矩阵和所述第二概率矩阵,采用动态规划生成概率最大对应的路况状态序列;
所述输出所述路况状态信息包括:输出所述路况状态序列,以指示根据所述路况状态序列在地图中显示所述概率最大路径;所述路况状态序列包括指示所述概率最大路径中各个路段的路况信息。
9.一种路况生成装置,其特征在于,包括用于执行如权利要求1-8任一项所述的方法的单元。
10.一种路况生成设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储应用程序代码,所述处理器被配置用于调用所述程序代码,执行如权利要求1-8任一项所述的方法。
11.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711335748.7A CN109919347B (zh) | 2017-12-13 | 2017-12-13 | 路况生成方法、相关装置和设备 |
PCT/CN2018/112322 WO2019114432A1 (zh) | 2017-12-13 | 2018-10-29 | 路况生成方法、装置、设备和存储介质 |
US16/659,138 US11423774B2 (en) | 2017-12-13 | 2019-10-21 | Road condition generation method, apparatus and device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711335748.7A CN109919347B (zh) | 2017-12-13 | 2017-12-13 | 路况生成方法、相关装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919347A true CN109919347A (zh) | 2019-06-21 |
CN109919347B CN109919347B (zh) | 2022-01-18 |
Family
ID=66820754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711335748.7A Active CN109919347B (zh) | 2017-12-13 | 2017-12-13 | 路况生成方法、相关装置和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11423774B2 (zh) |
CN (1) | CN109919347B (zh) |
WO (1) | WO2019114432A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110895882A (zh) * | 2019-12-24 | 2020-03-20 | 腾讯科技(深圳)有限公司 | 公路通行能力确定方法及装置 |
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 |
CN112398932A (zh) * | 2020-11-04 | 2021-02-23 | 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 |
CN112652161A (zh) * | 2019-10-12 | 2021-04-13 | 阿里巴巴集团控股有限公司 | 一种车流路径分布信息的处理方法、装置、及电子设备 |
WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN116758744A (zh) * | 2023-06-21 | 2023-09-15 | 山东宜鑫致远信息科技有限公司 | 基于人工智能的智慧城市运维管理方法、系统及存储介质 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11663514B1 (en) * | 2019-08-30 | 2023-05-30 | Apple Inc. | Multimodal input processing system |
CN110634295A (zh) * | 2019-09-28 | 2019-12-31 | 安徽百诚慧通科技有限公司 | 一种利用优化模型计算道路最佳通行能力的方法 |
CN111597282B (zh) * | 2020-04-24 | 2024-03-19 | 汉海信息技术(上海)有限公司 | 挖掘路网数据的方法、装置及电子设备 |
CN111998866B (zh) * | 2020-08-25 | 2022-08-30 | 北京百度网讯科技有限公司 | 为信息点设置车辆入口位置的方法、装置、设备和介质 |
CN112307090A (zh) * | 2020-11-03 | 2021-02-02 | 中铁隆工程集团有限公司 | 基于隧道安全数据的检测方法及系统 |
CN112598165B (zh) * | 2020-12-11 | 2023-09-26 | 湖南大学 | 基于私家车数据的城市功能区转移流量预测方法及装置 |
CN114639233B (zh) * | 2020-12-15 | 2024-02-02 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
CN112966860B (zh) * | 2021-02-23 | 2022-09-16 | 武汉育知联信息科技有限公司 | 一种基于附预链式数据分析预测系统 |
CN113011712B (zh) * | 2021-02-25 | 2024-01-19 | 长安大学 | 基于欧氏距离和信息熵的驾驶员驾驶稳定性评估方法 |
CN113221975B (zh) * | 2021-04-26 | 2023-07-11 | 中国科学技术大学先进技术研究院 | 基于改进马尔可夫分析法的工况构建方法及存储介质 |
CN115482020A (zh) * | 2021-05-31 | 2022-12-16 | 英业达科技有限公司 | 车行纪录路况情资收集反馈之奖励系统及其方法 |
CN113888872B (zh) * | 2021-10-20 | 2023-07-28 | 沈阳世纪高通科技有限公司 | 一种基于浮动车数据计算红绿灯时长的方法 |
CN116092056B (zh) * | 2023-03-06 | 2023-07-07 | 安徽蔚来智驾科技有限公司 | 目标识别方法、车辆控制方法、设备、介质及车辆 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
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 |
CN106652441A (zh) * | 2015-11-02 | 2017-05-10 | 杭州师范大学 | 一种基于时空数据的城市道路交通状态预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101118693A (zh) * | 2006-08-01 | 2008-02-06 | 环达电脑(上海)有限公司 | 路况提示系统以及方法 |
CN103186986B (zh) * | 2011-12-31 | 2015-07-15 | 高德软件有限公司 | 一种用于终端上显示路况的方法、装置 |
CN103700259B (zh) | 2013-12-13 | 2016-08-17 | 广东车联网信息科技服务有限公司 | 实时交通路况判别方法 |
CN104835319B (zh) * | 2015-04-07 | 2017-02-22 | 同济大学 | 一种高等级道路瓶颈区入匝道车辆汇入行为估计方法 |
CN106855878B (zh) * | 2016-11-17 | 2020-03-03 | 北京京东尚科信息技术有限公司 | 基于电子地图的历史行车轨迹显示方法和装置 |
-
2017
- 2017-12-13 CN CN201711335748.7A patent/CN109919347B/zh active Active
-
2018
- 2018-10-29 WO PCT/CN2018/112322 patent/WO2019114432A1/zh active Application Filing
-
2019
- 2019-10-21 US US16/659,138 patent/US11423774B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
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 |
CN106652441A (zh) * | 2015-11-02 | 2017-05-10 | 杭州师范大学 | 一种基于时空数据的城市道路交通状态预测方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652161A (zh) * | 2019-10-12 | 2021-04-13 | 阿里巴巴集团控股有限公司 | 一种车流路径分布信息的处理方法、装置、及电子设备 |
CN110895882A (zh) * | 2019-12-24 | 2020-03-20 | 腾讯科技(深圳)有限公司 | 公路通行能力确定方法及装置 |
CN110895882B (zh) * | 2019-12-24 | 2021-11-12 | 腾讯科技(深圳)有限公司 | 公路通行能力确定方法及装置 |
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 |
WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN112398932A (zh) * | 2020-11-04 | 2021-02-23 | 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 |
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 |
CN116758744A (zh) * | 2023-06-21 | 2023-09-15 | 山东宜鑫致远信息科技有限公司 | 基于人工智能的智慧城市运维管理方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2019114432A1 (zh) | 2019-06-20 |
US20200051428A1 (en) | 2020-02-13 |
CN109919347B (zh) | 2022-01-18 |
US11423774B2 (en) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919347A (zh) | 路况生成方法、相关装置和设备 | |
CN110709908B (zh) | 用于交通系统的状态预测的计算机系统和方法 | |
CN105718750B (zh) | 一种车辆行驶轨迹的预测方法及系统 | |
CN107305131A (zh) | 以节点为中心的导航优化 | |
CN104732075B (zh) | 一种城市道路交通事故风险实时预测方法 | |
CN109983306A (zh) | 用于产生停车相关数据的方法和系统 | |
CN104061927B (zh) | 用于步行导航的方法和装置 | |
CN101639871B (zh) | 面向行为研究的车载动态交通信息诱导系统模拟设计方法 | |
CN110443185A (zh) | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 | |
CN108604407A (zh) | 用于生成预期行进速度的方法及系统 | |
CN112767683B (zh) | 一种基于反馈机制的路径诱导方法 | |
CN109115237A (zh) | 一种乘车位置推荐方法及服务器 | |
CN103632540A (zh) | 基于浮动车数据的城市主干道交通运行信息处理方法 | |
US11955000B2 (en) | Methods, systems, and media for generating and evaluating street grids | |
CN103996298B (zh) | 一种驾驶行为监测方法及装置 | |
Liu et al. | Balanced traffic routing: Design, implementation, and evaluation | |
CN101556625A (zh) | 驾驶员对路径信息板动态响应行为的动态模拟方法 | |
CN110363358B (zh) | 基于多智能体模拟的公共交通分担率预测方法 | |
EP3617654A1 (en) | User familiarization with a novel route for reducing cognitive load associated with navigation | |
CN104574966B (zh) | 可变信息标识装置及可变信息标识方法 | |
Bhattacharyya et al. | Assessing connected vehicle’s response to green light optimal speed advisory from field operational test and scaling up | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN103134515B (zh) | 模拟导航方法与装置 | |
Thornton et al. | Signal progression impacts on transit buses as travel time probes | |
Bowman | Modeling Traffic Flow With Microscopic Discrete Event Simulation |
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 |