CN110379165A - 一种道路类型预测方法、装置、设备及存储介质 - Google Patents

一种道路类型预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110379165A
CN110379165A CN201910682495.3A CN201910682495A CN110379165A CN 110379165 A CN110379165 A CN 110379165A CN 201910682495 A CN201910682495 A CN 201910682495A CN 110379165 A CN110379165 A CN 110379165A
Authority
CN
China
Prior art keywords
road
road type
sample
prediction
characteristic parameter
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.)
Pending
Application number
CN201910682495.3A
Other languages
English (en)
Inventor
王明月
付振
吴振昕
王祎男
张正龙
张立博
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN201910682495.3A priority Critical patent/CN110379165A/zh
Publication of CN110379165A publication Critical patent/CN110379165A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Educational Administration (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

本发明公开了一种道路类型预测方法、装置、设备及存储介质。该方法包括：获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的，通过本发明的技术方案，能够准确、高效的确定道路类型，进而将其作为智能交通的基础。

Description

一种道路类型预测方法、装置、设备及存储介质
技术领域
本发明实施例涉及计算机技术，尤其涉及一种道路类型预测方法、装置、设备及存储介质。
背景技术
随着汽车产业的发展和汽车保有量的提升，能源危机、环境污染日益严重，道路交通拥堵也已成为困扰全世界的社会问题。及时并准确地发现交通拥堵对于制定合理有效的交通拥堵疏导策略具有重要意义，同时，也对缓解、改善能源危机和环境污染具有积极意义。现阶段的交通信息采集方式主要是静态交通信息采集系统和基于GPS定位的动态交通信息采集技术。前者有投入成本高、检测精度低、建设时会临时阻碍交通、易使路面受损等弊端。后者虽具有精确定位和实时性方面的，但受限于GPS信号问题和用户经常离线问题，无法实现全面覆盖。准确的交通信息采集是智能交通系统的基础，目前迫切需要寻找一种准确、高效的道路类型预测方法。
发明内容
本发明实施例提供一种道路类型预测方法、装置、设备及存储介质，以实现能够准确、高效的确定道路类型，进而将其作为智能交通的基础。
第一方面，本发明实施例提供了一种道路类型预测方法，包括：
获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；
将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
进一步的，所述目标道路类型预测模型的训练方法，包括：
获取道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型，并建立第一道路类型预测模型；
根据所述道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型对所述第一道路类型预测模型进行训练，生成所述目标道路类型预测模型。
进一步的，所述道路类型预测结果包括：城市拥堵、城市畅通、近郊区、远郊区或者高速公路。
进一步的，所述特征参数包括：
变速箱在目标档位且发动机转速为设定转速时所占时间比、平均车速、车速的标准差、减速度标准差、加速度标准差、平均加速度、平均减速度、平均停车时长、速度在设定车速时所占时间比、减速度在设定减速度时所占时间比；加速度在设定加速度时所占时间比；平均运行车速，停车时间与总时间的比值、每公里停车次数、加速时间与总时间的比值、减速时间与总时间的比值、最大车速、行驶距离、最大加速度、最小减速度、相邻车道车辆数平均值、平均车道线数量以及相邻车道平均车速中的至少一种。
进一步的，获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数包括：
获取待预测道路对应的车载数据；
根据所述车载数据计算得到所述待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
进一步的，还包括：
获取时间窗口和时间步长取值的集合；
根据所述时间窗口和时间步长取值的集合和所述车载数据获取特征参数集合；
将所述特征参数集合随机分成N等份；
将第i份设置为测试集，其余(N-i)份设置为训练集，其中，i取值1，2，…，N；
获取每一份测试集对应的道路类型预测结果；
计算所述N等份的测试集对应的道路类型预测结果的平均值；
根据所述平均值确定所述时间窗口和时间步长取值下的预测精度；
根据所述预测精度确定目标时间窗口和目标时间步长。
第二方面，本发明实施例还提供了一种道路类型预测装置，该装置包括：
获取模块，用于获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；
确定模块，用于将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
进一步的，所述确定模块用于：
获取道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型，并建立第一道路类型预测模型；
根据所述道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型对所述第一道路类型预测模型进行训练，生成所述目标道路类型预测模型。
可选的，所述道路类型预测结果包括：城市拥堵、城市畅通、近郊区、远郊区或者高速公路。
可选的，所述特征参数包括：
变速箱在目标档位且发动机转速为设定转速时所占时间比、平均车速、车速的标准差、减速度标准差、加速度标准差、平均加速度、平均减速度、平均停车时长、速度在设定车速时所占时间比、减速度在设定减速度时所占时间比；加速度在设定加速度时所占时间比；平均运行车速，停车时间与总时间的比值、每公里停车次数、加速时间与总时间的比值、减速时间与总时间的比值、最大车速、行驶距离、最大加速度、最小减速度、相邻车道车辆数平均值、平均车道线数量以及相邻车道平均车速中的至少一种。
可选的，获取模块用于：
获取待预测道路对应的车载数据；
根据所述车载数据计算得到所述待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
可选的，还包括：
获取时间窗口和时间步长取值的集合；
根据所述时间窗口和时间步长取值的集合和所述车载数据获取特征参数集合；
将所述特征参数集合随机分成N等份；
将第i份设置为测试集，其余(N-i)份设置为训练集，其中，i取值1，2，…，N；
获取每一份的测试集对应的道路类型预测结果；
计算所述N等份的测试集对应的道路类型预测结果的平均值；
根据所述平均值确定所述时间窗口和时间步长取值下的预测精度；
根据所述预测精度确定目标时间窗口和目标时间步长。
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例中任一所述的道路类型预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的道路类型预测方法。
本发明实施例通过获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的，能够准确、高效的确定道路类型，进而将其作为智能交通的基础。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例一中的一种道路类型预测方法的流程图；
图2A是本发明实施例二中的一种道路类型预测方法的流程图；
图2B是本发明实施例二中的车载数据示例图；
图2C是本发明实施例二中的时间窗口大小和时间步长示意图；
图2D是本发明实施例二中的时间窗口大小和时间步长的交叉检验确定流程图；
图2E是本发明实施例二中的交叉检验精度结果图；
图2F是本发明实施例二中的道路类型预测系统结构示意图；
图2G是本发明实施例二中的道路类型预测流程图；
图2H是本发明实施例二中的神经网络模型；
图3是本发明实施例三中的一种道路类型预测装置的结构示意图；
图4是本发明实施例四中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种道路类型预测方法的流程图，本实施例可适用于道路类型预测的情况，该方法可以由本发明实施例中的道路类型预测装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
其中，所述用于表征道路类型和拥堵水平的特征参数的获取方式可以为获取车载数据，根据车载数据计算得到用于表征道路类型和拥堵水平的特征参数；也可以是直接计算得到用于表征道路类型和拥堵水平的特征参数，本发明实施例对此不进行限制。
其中，所述待预测道路为需要获知道路类型的道路。
S120，将用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据目标道路类型预测模型的输出结果确定待预测道路的道路类型预测结果，其中，目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
可选的，所述目标道路类型预测模型的训练方法，包括：
获取道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型，并建立第一道路类型预测模型；
根据所述道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型对所述第一道路类型预测模型进行训练，生成所述目标道路类型预测模型。
可选的，所述道路类型预测结果包括：城市拥堵、城市畅通、近郊区、远郊区或者高速公路。
可选的，所述特征参数包括：
变速箱在目标档位且发动机转速为设定转速时所占时间比、平均车速、车速的标准差、减速度标准差、加速度标准差、平均加速度、平均减速度、平均停车时长、速度在设定车速时所占时间比、减速度在设定减速度时所占时间比；加速度在设定加速度时所占时间比；平均运行车速，停车时间与总时间的比值、每公里停车次数、加速时间与总时间的比值、减速时间与总时间的比值、最大车速、行驶距离、最大加速度、最小减速度、相邻车道车辆数平均值、平均车道线数量以及相邻车道平均车速中的至少一种。
本发明提出的方法解决现有交通识别技术成本高、识别精度低、信号不能全面覆盖的问题。同时，针对交通识别结果的应用提出三种方式：1是基于车联网的方式将拥堵水平上传至TSP后台，便于开展大数据分析、APP服务推送等内容。2是通过V2X通信方式进行车路协同控制，达到提升交通安全水平和道路畅通能力的目的。3是以交通识别结果为输入依据对本车的电控系统进行相关的控制，实现节能、减排、自动驾驶等操作。
本发明实施例提出的道路类型预测方法利用车载信号作为输入信号，信号来源可靠性高，便于获取；识别方法经离线训练优化完毕后部署在车载智能终端处(也可部署在云平台)，执行道路类型、拥堵等级预测工作，采用离线训练加在线预测的方式便于模型部署及代码化，减少运算负担；识别方法可通过OTA技术进行算法升级；识别结果清晰明确，兼具成本低、识别精度高、模型移植性好等优点便于推广应用。
本发明实施例包括对道路类型的预测，道路类型依据参考我国城市交通管理评价指标体系，亦可结合不同分析业务场景进行划分。本发明实施例包括选择能够有效描述道路类型和交通拥堵水平的车载数据，包括但不限于：发动机转速、车速、变速器挡位、纵向加速度、车道线数量、相邻车道车速等信号。本发明实施例包括采用主成分分析或其他方法对车载数据进行降维，使之成为用于表征道路类型和拥堵水平的特征参数，用于预测道路类型。本发明实施例采用神经网络模型，亦可采用其他预测模型，如：SVM、随机森林等。
本发明实施例基于车载数据进行原始计算数据提取，提取数据包括但不限于发动机转速、整车车速、变速箱挡位、激光雷达等信息(如表1所示)。
表一
对提取的车载数据进行运算处理，计算出能够表征道路类型和拥堵水平的特征参数(如平均车速、最大加速度、停车时长等)，最终通过目标道路类型预测模型对特征结果进行预测。所述目标道路类型预测模型需进行大量数据的离线训练，不断优化模型参数，以达到模型精度满足预测要求的目的。
在本发明实施例中，道路类型预测结果经过通信模块借助移动通信网络传输至TSP平台用于手机APP服务、智慧城市管理系统或服务于企业的用户画像构建，也可通过V2X通信方式，进行车路协同控制，达到提升交通安全水平和道路畅通能力的目的，还可用作车辆电控系统相关控制输入。
本实施例的技术方案，通过获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的，能够准确、高效的确定道路类型，进而将其作为智能交通的基础。
实施例二
图2A为本发明实施例二中的一种道路类型预测方法的流程图，本实施例以上述实施例为基础进行优化，在本实施例中，获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数包括：获取待预测道路对应的车载数据；根据所述车载数据计算得到所述待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
如图2A所示，本实施例的方法具体包括如下步骤：
S210，获取待预测道路对应的车载数据。
其中，所述车载数据可以为车速，也可以为其他，本发明实施例对此不进行限制，例如可以是，如图2B所示，为车载数据示例。
S220，根据车载数据计算得到待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
可选的，还包括：
获取时间窗口和时间步长取值的集合；
根据所述时间窗口和时间步长取值的集合和所述车载数据获取特征参数集合；
将所述特征参数集合随机分成N等份；
将第i份设置为测试集，其余(N-i)份设置为训练集，其中，i取值1，2，…，N；
获取每一份测试集对应的道路类型预测结果；
计算所述N等份的测试集对应的道路类型预测结果的平均值；
根据所述平均值确定所述时间窗口和时间步长取值下的预测精度。
根据所述预测精度确定目标时间窗口和目标时间步长。
具体的，根据时间窗口和时间步长从训练集中选取特征参数，根据选取的特征参数进行神经网络模型训练，将测试集输入训练后的神经网络模型，得到道路类型预测结果，根据道路类型预测结果的平均值确定每一份测试集的预测精度，其中，道路类型预测结果携带时间窗口和时间步长标签，进而根据每一份测试集的预测精度确定最优的时间窗口和时间步长，作为目标时间窗口和目标时间步长。
相应的，获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数包括：
根据所述目标时间窗口和目标时间步长获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
本发明实施例包括用于确定计算时间窗口大小和时间步长的方法，本发明实施例中采用交叉检验法。
具体的，如图2C所示为时间窗口大小ΔT和最佳计算时间步长Δt示意图。在本发明实施例中，表征拥堵特性的初始特征是通过时序车载数据提取的，提取时间窗口大小和计算时间步长可根据一系列实验确定，如：可取时间窗口大小ΔT为25/50/100/150/200…，计算时间步长Δt取1s/2s/3s/4s/5s/10s…，本发明例中通过交叉检验方法(五折)确定最佳窗口大小和最佳时间步长。如图2D所示，设(ΔT,Δt)表示不同时间窗口和时间步长取值的所有组合的集合，如：(50,1)、(50,2)、(100,5)等，Φ(ΔT,Δt)表示由(ΔT,Δt)提取得到的包含5类拥堵等级的各种特征值集合，将Φ(ΔT,Δt)随机分为N等份φ1，φ2，…φN(五折交叉检验时N＝5,十折交叉检验时N＝10)，分别将第i份设置为测试集，其余(N-i)份设置为训练集，计算N折交叉检验的平均值作为准确性依据，可得到各种ΔT,Δt取值下的预测精度。综合考虑计算精度、计算资源耗费情况来确定ΔT,Δt的最优值。如图2E所示为交叉检验精度结果图。本发明实施例中最终确定ΔT＝100s,Δt＝2s。
S230，将用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据目标道路类型预测模型的输出结果确定待预测道路的道路类型预测结果，其中，目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
在一个具体的例子中，如图2F所示，道路类型预测系统可以包括：CAN总线、车辆、车载智能终端、TSP、V2X设施、手机APP、智慧城市、用户画像以及车路协同等。如图2G所示，道路类型预测结果包括：城市拥堵、城市畅通、近郊区、远郊区或者高速公路；基于车载数据进行原始计算特征提取，车载数据分为离散型变量和连续型变量；离散型变量：原始数据取值为离散值，如：车道线数量、相邻车道车辆数等；连续型变量：原始数据为连续变化量，如：车速、发动机转速等；设X(t)为车辆行驶数据，t＝0,1，...，tc，其中tc表示当前时刻，R(t)为交通类型，在任意时刻t，R(t)∈{Typei|i＝1，…，5}。此实施例中道路类型共5类，因此i取1至5。本发明实施例的道路类型预测是通过车辆已经行驶完成的历史数据来预测的。设有一个预测函数F，使得F(X(t)|t∈[(tc-ΔT),tc])＝Typei，i＝1，…，5，其中ΔT为计算时间窗口，表示用于预测道路类型的行驶特性曲线的数据长度。Typei是在[tc,(tc+Δt)]期间的预测道路类型，即：对于t∈[tc,(tc+Δt)]，R(t)＝Typei。将Δt作为计算时间步长。从行驶数据X(t)中提取车载数据，车载数据的选择原则是尽可能将能够表征行驶特性的特征覆盖全；为消除车载数据之间的量纲和取值范围差异的影响，需要对数据进行标准化处理，将数据按照比例进行缩放，便于综合分析；本发明实施例采用最小-最大规范化方法进行标准化，公式如下:x*＝(x-min)/(max-min)；车载数据中存在信号彼此相关性较大的成分，且过多的输入信号会影响分类预测模型的计算速度，因此需对车载数据进行特征降维，得到特征参数，用于预测道路类型，本发明实施例中采用主成分分析法进行降维；为了能够描述车辆行驶特性，同时表征道路类型和拥堵水平，将对车载数据进行多维因子降维分析，本发明实施例采用主成分分析法，将车载数据间相关性较高、信息重叠较大的数据进行合并消除，消除后得到特征参数集(λ1，λ2，...，λn)。降维分析的步骤如下：将车载数据按行组成m行n列样本矩阵X(每行一个样本，每列为一维特征)，求出样本X的协方差矩阵C和样本均值m；求出协方差矩阵的特征值D及对应的特征向量V；将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P；Y＝(X-m)×P即为降维到k维后的数据。确定预测函数F，预测函数的选取要能够在足够短的时间内准确预测拥堵水平，适合在线驾驶预测，本发明实施例采用神经网络模型，为准确预测实时交通，设计一种神经网络预测函数，如图2H所示，其中输入层的节点个数为降维处理后的有效特征数(本发明实施例取13个)，隐藏层包含20个节点，输出层由5个节点组成，代表5种预测交通类型。根据不同应用可采用其他预测模型，如：SVM、随机森林等。在确定有效特征、预测函数、最佳计算时间窗口和时间步长尺寸后，使用误差反向传播算法对神经网络进行训练以更新权重。从车载数据中提取指定的13个主成分特征向量，最终训练数据包含3519个特征向量，测试数据包含880个特征向量，训练完毕的神经网络在训练数据集上精度为91.2％，测试数据集上为86.7％。
本实施例的技术方案，通过获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的，能够准确、高效的确定道路类型，进而将其作为智能交通的基础。
实施例三
图3为本发明实施例三提供的一种道路类型预测装置的结构示意图。本实施例可适用于道路类型预测的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供道路类型预测的功能的设备中，如图3所示，所述道路类型预测装置具体包括：获取模块310和确定模块320。
其中，获取模块，用于获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；
确定模块，用于将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
可选的，所述确定模块用于：
获取道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型，并建立第一道路类型预测模型；
根据所述道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型对所述第一道路类型预测模型进行训练，生成所述目标道路类型预测模型。
可选的，所述道路类型预测结果包括：城市拥堵、城市畅通、近郊区、远郊区或者高速公路。
可选的，所述特征参数包括：
变速箱在目标档位且发动机转速为设定转速时所占时间比、平均车速、车速的标准差、减速度标准差、加速度标准差、平均加速度、平均减速度、平均停车时长、速度在设定车速时所占时间比、减速度在设定减速度时所占时间比；加速度在设定加速度时所占时间比；平均运行车速，停车时间与总时间的比值、每公里停车次数、加速时间与总时间的比值、减速时间与总时间的比值、最大车速、行驶距离、最大加速度、最小减速度、相邻车道车辆数平均值、平均车道线数量以及相邻车道平均车速中的至少一种。
可选的，获取模块用于：
获取待预测道路对应的车载数据；
根据所述车载数据计算得到所述待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
可选的，还包括：
获取时间窗口和时间步长取值的集合；
根据所述时间窗口和时间步长取值的集合和所述车载数据获取特征参数集合；
将所述特征参数集合随机分成N等份；
将第i份设置为测试集，其余(N-i)份设置为训练集，其中，i取值1，2，…，N；
获取每一份的测试集对应的道路类型预测结果；
计算所述N等份的测试集对应的道路类型预测结果的平均值；
根据所述平均值确定所述时间窗口和时间步长取值下的预测精度；
根据所述预测精度确定目标时间窗口和目标时间步长。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本实施例的技术方案，通过获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的，能够准确、高效的确定道路类型，进而将其作为智能交通的基础。
实施例四
图4为本发明实施例四中的一种计算机设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图4显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。另外，本实施例中的计算机设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的道路类型预测方法：获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
实施例五
本发明实施例五提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的道路类型预测方法：获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种道路类型预测方法，其特征在于，包括：
获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；
将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
2.根据权利要求1所述的方法，其特征在于，所述目标道路类型预测模型的训练方法，包括：
获取道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型，并建立第一道路类型预测模型；
根据所述道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型对所述第一道路类型预测模型进行训练，生成所述目标道路类型预测模型。
3.根据权利要求2所述的方法，其特征在于，所述道路类型预测结果包括：城市拥堵、城市畅通、近郊区、远郊区或者高速公路。
4.根据权利要求2所述的方法，其特征在于，所述特征参数包括：
变速箱在目标档位且发动机转速为设定转速时所占时间比、平均车速、车速的标准差、减速度标准差、加速度标准差、平均加速度、平均减速度、平均停车时长、速度在设定车速时所占时间比、减速度在设定减速度时所占时间比；加速度在设定加速度时所占时间比；平均运行车速，停车时间与总时间的比值、每公里停车次数、加速时间与总时间的比值、减速时间与总时间的比值、最大车速、行驶距离、最大加速度、最小减速度、相邻车道车辆数平均值、平均车道线数量以及相邻车道平均车速中的至少一种。
5.根据权利要求1所述的方法，其特征在于，获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数包括：
获取待预测道路对应的车载数据；
根据所述车载数据计算得到所述待预测道路对应的用于表征道路类型和拥堵水平的特征参数。
6.根据权利要求5所述的方法，其特征在于，还包括：
获取时间窗口和时间步长取值的集合；
根据所述时间窗口和时间步长取值的集合和所述车载数据获取特征参数集合；
将所述特征参数集合随机分成N等份；
将第i份设置为测试集，其余(N-i)份设置为训练集，其中，i取值1，2，…，N；
获取每一份测试集对应的道路类型预测结果；
计算所述N等份的测试集对应的道路类型预测结果的平均值；
根据所述平均值确定所述时间窗口和时间步长取值下的预测精度；
根据所述预测精度确定目标时间窗口和目标时间步长。
7.一种道路类型预测装置，其特征在于，包括：
获取模块，用于获取待预测道路对应的用于表征道路类型和拥堵水平的特征参数；
确定模块，用于将所述用于表征道路类型和拥堵水平的特征参数输入至预先训练的目标道路类型预测模型，根据所述目标道路类型预测模型的输出结果确定所述待预测道路的道路类型预测结果，其中，所述目标道路类型预测模型的模型结构和模型参数是分别根据样本参数进行训练而确定的。
8.根据权利要求7所述的装置，其特征在于，所述确定模块用于：
获取道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型，并建立第一道路类型预测模型；
根据所述道路样本对应的用于表征道路类型和拥堵水平的特征参数样本和道路样本对应的道路类型对所述第一道路类型预测模型进行训练，生成所述目标道路类型预测模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
CN201910682495.3A 2019-07-26 2019-07-26 一种道路类型预测方法、装置、设备及存储介质 Pending CN110379165A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910682495.3A CN110379165A (zh) 2019-07-26 2019-07-26 一种道路类型预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910682495.3A CN110379165A (zh) 2019-07-26 2019-07-26 一种道路类型预测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110379165A true CN110379165A (zh) 2019-10-25

Family

ID=68256347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910682495.3A Pending CN110379165A (zh) 2019-07-26 2019-07-26 一种道路类型预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110379165A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111477028A (zh) * 2020-04-28 2020-07-31 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111554094A (zh) * 2020-05-20 2020-08-18 四川万网鑫成信息科技有限公司 基于车辆行程、驾驶行为和交通信息的行程预测模型
CN112329106A (zh) * 2020-11-05 2021-02-05 深圳壹账通智能科技有限公司 道路安全设计方法、系统、计算机设备和可读存储介质
CN113761099A (zh) * 2021-09-13 2021-12-07 湖南科技大学 一种志愿者地理信息道路类型预测方法
CN113837162A (zh) * 2021-11-29 2021-12-24 腾讯科技（深圳）有限公司 模型训练方法及相关装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002279431A (ja) * 2001-03-15 2002-09-27 Toshiba Corp 移動体推定方法及び装置
CN101908273A (zh) * 2010-07-15 2010-12-08 北京世纪高通科技有限公司 一种交通路况数据的处理方法及装置
JP4773823B2 (ja) * 2005-12-28 2011-09-14 クラリオン株式会社 交通状況予測方法およびその装置ならびにプログラム
CN107038478A (zh) * 2017-04-20 2017-08-11 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
CN107284452A (zh) * 2017-07-18 2017-10-24 吉林大学 融合智能通讯信息的混合动力汽车未来工况预测系统
CN107346460A (zh) * 2017-07-18 2017-11-14 吉林大学 基于智能网联系统下前车运行信息的未来工况预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002279431A (ja) * 2001-03-15 2002-09-27 Toshiba Corp 移動体推定方法及び装置
JP4773823B2 (ja) * 2005-12-28 2011-09-14 クラリオン株式会社 交通状況予測方法およびその装置ならびにプログラム
CN101908273A (zh) * 2010-07-15 2010-12-08 北京世纪高通科技有限公司 一种交通路况数据的处理方法及装置
CN107038478A (zh) * 2017-04-20 2017-08-11 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
CN107284452A (zh) * 2017-07-18 2017-10-24 吉林大学 融合智能通讯信息的混合动力汽车未来工况预测系统
CN107346460A (zh) * 2017-07-18 2017-11-14 吉林大学 基于智能网联系统下前车运行信息的未来工况预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周之光: "行驶工况自适应的PHEV能量在线实时优化控制研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *
李开放: "基于工况预测及离线最优轨迹的ＰＨＥＶ在线能量管理策略研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111477028A (zh) * 2020-04-28 2020-07-31 北京百度网讯科技有限公司 用于生成信息的方法和装置
CN111477028B (zh) * 2020-04-28 2022-05-24 北京百度网讯科技有限公司 自动驾驶中用于生成信息的方法和装置
CN111554094A (zh) * 2020-05-20 2020-08-18 四川万网鑫成信息科技有限公司 基于车辆行程、驾驶行为和交通信息的行程预测模型
CN112329106A (zh) * 2020-11-05 2021-02-05 深圳壹账通智能科技有限公司 道路安全设计方法、系统、计算机设备和可读存储介质
CN113761099A (zh) * 2021-09-13 2021-12-07 湖南科技大学 一种志愿者地理信息道路类型预测方法
CN113761099B (zh) * 2021-09-13 2023-07-14 湖南科技大学 一种志愿者地理信息道路类型预测方法
CN113837162A (zh) * 2021-11-29 2021-12-24 腾讯科技（深圳）有限公司 模型训练方法及相关装置

Similar Documents

Publication Publication Date Title
CN110379165A (zh) 一种道路类型预测方法、装置、设备及存储介质
CN106874597B (zh) 一种应用于自动驾驶车辆的高速公路超车行为决策方法
Shankar et al. Method for estimating the energy consumption of electric vehicles and plug‐in hybrid electric vehicles under real‐world driving conditions
Yufang et al. Investigating long‐term vehicle speed prediction based on BP‐LSTM algorithms
CN110288096B (zh) 预测模型训练及预测方法、装置、电子设备、存储介质
CN110376594A (zh) 一种基于拓扑图的智能导航的方法和系统
CN109840660A (zh) 一种车辆特征数据处理方法及车辆风险预测模型训练方法
KR20180012794A (ko) 운송 서비스 요금을 결정하기 위한 방법 및 시스템
CN110716529A (zh) 一种自动驾驶测试用例自动生成方法和装置
CN104580327A (zh) 基于3g网络的车联网智能终端及其实现方法
Valera et al. Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs
CN113064839A (zh) 一种系统评测方法及装置
CN112598192B (zh) 一种车辆进入物流园区的预测方法、装置、存储介质及终端
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
CN112258850A (zh) 一种车路协同系统边缘侧多传感器数据融合系统
CN110803172A (zh) 自动驾驶车辆制动系统的建模方法和车辆制动系统
CN112781888A (zh) 测试车辆的系统和方法
CN115691140B (zh) 一种汽车充电需求时空分布的分析与预测方法
KR102601046B1 (ko) 차량 가용도 예측 방법 및 장치
CN113344277B (zh) 预测模型训练方法、状态更新方法、装置、设备和介质
CN113284337B (zh) 基于车辆轨迹多维数据的od矩阵计算方法及装置
CN114202272A (zh) 一种基于电子围栏的车货匹配方法、装置、存储介质及终端
CN113282638A (zh) 一种城建用车识别方法和装置
CN117270913B (zh) 地图更新方法、装置、电子设备和存储介质
CN116358902B (zh) 一种车辆功能的测试方法、装置、电子设备及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20191025