CN111141302B - 车辆驾驶到达时间的预估方法、装置及电子设备 - Google Patents
车辆驾驶到达时间的预估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111141302B CN111141302B CN201911365184.0A CN201911365184A CN111141302B CN 111141302 B CN111141302 B CN 111141302B CN 201911365184 A CN201911365184 A CN 201911365184A CN 111141302 B CN111141302 B CN 111141302B
- Authority
- CN
- China
- Prior art keywords
- scene
- time
- intersection
- road
- link
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆驾驶到达时间的预估方法、装置、电子设备及计算机可读存储介质,其中,车辆驾驶到达时间的预估方法包括:获取车辆的起点和终点位置;将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;基于路网获取所述最佳路线的道路link和路口组合;对所述最佳路线的道路link和路口组合进行场景划分;计算场景化下所述最佳路线的各个道路link和路口的经历时间;统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。根据本发明的车辆驾驶到达时间的预估方法,能有效提升在线实时预估准确性,且模型参数更新的具有便捷性与可扩展性。
Description
技术领域
本发明涉及车辆领域,具体涉及一种车辆驾驶到达时间的预估方法、装置、电子设备及计算机可读存储介质。
背景技术
目前预估车辆驾驶到达时间方法采用各个link历史通行时间进行累加求和或采用当前道路的实时速度计算各link驾驶通行时间累加求和预估起止点驾驶到达时间或采用深度学习模型等其它模型基于离线轨迹数据预估。
但是,采用历史速度或实时速度计算各个link的通行时间累加求和,都存在因前后link之间交通状况相互依赖而使得累积误差大的问题,尤其对于早晚高峰时刻通行时间预估准确性显著下降。
采用深度学习模型预估驾驶时间,存在预估模型的网络复杂,规模化部署难度大,同时因学习参数源于离线轨迹数据,不能有效反应实时路况,且模型参数更新周期长,可扩展性差。
发明内容
有鉴于此,本发明提供一种车辆驾驶到达时间的预估方法、装置、电子设备及计算机可读存储介质,能有效提升在线实时预估准确性,且模型参数更新的具有便捷性与可扩展性。
为解决上述技术问题,一方面,本发明提供一种车辆驾驶到达时间的预估方法,包括如下步骤:
获取车辆的起点和终点位置;
将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
基于路网获取所述最佳路线的道路link和路口组合;
对所述最佳路线的道路link和路口组合进行场景划分;
计算场景化下所述最佳路线的各个道路link和路口的经历时间;
统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
进一步地,还包括:
获取路网中各个道路link的历史平均通行速度和实时通行速度;
基于所述路网中各个道路link的历史平均通行速度和实时通行速度通过在线算路确定所述最佳路线。
进一步地,所述道路link的场景包括:城市、道路等级、早晚高峰/平峰、距离起始点的规划时间中的一种或多种。
进一步地,所述路口的场景包括:城市、路口类型、路口转向、早晚高峰/平峰中的一种或多种。
进一步地,场景化下所述最佳路线的各个道路link的经历时间通过如下进行计算:
根据各道路link的各场景的场景系数、历史速度通过时间、以及实时速度通过时间,通过下述式(1)确定各道路link的经历时间,
tlink=klink_h×th+klink_r×tr (1)
其中,tlink表示该道路link按场景划分后计算的通行时间,
th表示基于历史平均通行速度计算的该道路link的通行时间,klink_h为该道路link的历史时间场景系数,
tr表示基于实时速度计算的该道路link的通行时间,klink_r表示该道路link的实时时间场景系数。
进一步地,场景化下所述最佳路线的各个路口的经历时间为该路口的实时时间场景系数与该路口的实时等待时间的乘积。
进一步地,在获得各道路link和路口的经历时间之后,根据下述式(2)进行统计,得到所述车辆驾驶到达时间:
其中,ETAtrip为预估的所述车辆驾驶到达时间,
N1表示所述最佳路线经历的道路link数量,N2为经过的路口数量,klink_h_i为第i段道路link所对应的历史时间场景系数,th_i为基于第i段道路link的历史平均通行速度vh计算的通行时间,klink_r_i为基于第i段道路link所对应的实时时间场景系数,tr_i为基于第i段道路link的实时平均通行速度vh计算的通行时间,knode_j为第j个路口所对应的场景系数,tnode_j为第j个路口的实时等待时间。
进一步地,所述道路link和路口的场景系数通过如下方法获得:
获取多个通行路程样本,对其进行场景划分,构建如下述式(3)所示的所有通行路程样本的套索回归函数,
其中N是通行路程样本数量,ETAtrip_i表示第i个通行路程样本按场景划分并通过上述式(1)法估算得到的车辆驾驶到达时间,ttrip_i为第i个通行路程样本的实际驾驶到达时间,λ为正则化系数,kj为第j个待求解场景系数,M为场景系数数量,
基于所述套索回归函数,并对所述场景系数进行非负约束,求解得到所述道路link的场景系数与路口的场景系数的稀疏组合解。
第二方面,本发明提供一种车辆驾驶到达时间的预估装置,包括:
获取模块,用于获取车辆的起点和终点位置;
最佳路线确定模块,用于将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
分析模块,用于基于路网分析得到所述最佳路线的道路link和路口组合;
场景划分模块,用于对所述最佳路线的道路link和路口组合进行场景划分;
计算模块,用于计算场景化下所述最佳路线的各个道路link和路口的经历时间;
统计模块,用于统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
第三方面,本发明提供用于对车辆驾驶到达时间进行预估的电子设备,包括:
一个或多个处理器;
一个或多个存储器,其中存储了计算机可读代码,所述计算机可读代码当由所述一个或多个处理器运行时,使得所述处理器执行如下步骤:
获取车辆的起点和终点位置;
将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
基于路网获取所述最佳路线的道路link和路口组合;
对所述最佳路线的道路link和路口组合进行场景划分;
计算场景化下所述最佳路线的各个道路link和路口的经历时间;
统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
第四方面,本发明提供一种计算机可读存储介质,其中存储了计算机可读代码,所述计算机可读代码当由一个或多个处理器运行时,使得所述处理器执行如下步骤:
获取车辆的起点和终点位置;
将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
基于路网获取所述最佳路线的道路link和路口组合;
对所述最佳路线的道路link和路口组合进行场景划分;
计算场景化下所述最佳路线的各个道路link和路口的经历时间;
统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
本发明的上述技术方案至少具有如下有益效果之一:
根据本发明的车辆驾驶到达时间的预估方法,基于对道路link和路口组合进行场景划分预估到达时间,能有效提升在线实时预估车辆到达时间的准确性,且模型参数更新的具有便捷性与可扩展性;
进一步地,通过非负约束求解稀疏组合解保证了场景系数的非负性,避免了系数出现负值时可解释性差的问题。
附图说明
图1为根据本发明一实施例的车辆驾驶到达时间的预估方法的流程图;
图2为本发明一具体实施例的车辆驾驶到达时间的预估方法的流程图;
图3为根据本发明实施例的车辆驾驶到达时间的预估装置的示意图;
图4为根据本发明实施例的用于对车辆驾驶到达时间进行预估的电子设备的示意图。
具体实施方式
下面将结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
目前预估车辆驾驶到达时间方法采用各个link历史通行时间进行累加求和或采用当前道路的实时速度计算各link驾驶通行时间累加求和预估起止点驾驶到达时间或采用深度学习模型等其它模型基于离线轨迹数据预估。
但是,采用历史速度或实时速度计算各个link的通行时间累加求和,都存在因前后link之间交通状况相互依赖而使得累积误差大的问题,尤其对于早晚高峰时刻通行时间预估准确性显著下降。
采用深度学习模型预估驾驶时间,存在预估模型的网络复杂,规模化部署难度大,同时因学习参数源于离线轨迹数据,不能有效反应实时路况,且模型参数更新周期长,可扩展性差。
基于此,本发明通过结合场景划分方法,对给定路线的所有道路片段即道路link与路口(node)进行场景划分,能有效提升在线实时预估准确性,且模型参数更新的具有便捷性与可扩展性。
本发明的关键点是将一个确定的驾驶线路(trip)按照场景划分为不同的场景组合,基于场景组合求解出的场景系数对历史速度预估的时间和实时速度预估的时间以及路口延时时间进行加权组合,此外通过非负约束求解稀疏组合解保证了场景系数的非负性,避免了系数出现负值时可解释性差的问题。
首先,结合图1说明根据本发明实施例的车辆驾驶到达时间的预估方法。
如图1所示,本发明实施例的车辆驾驶到达时间的预估方法,包括:
步骤S1,获取车辆的起点和终点位置。
例如,用户驾驶车辆并设置导航去某地,可以通过导航仪获取车辆起点和终点位置。
步骤S2,将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线。
根据本发明一些实施例,确定最佳路线的方法为:
首先,获取路网中各个道路link的历史平均通行速度(vr)和实时通行速度(vh)。
接着,基于路网中各个道路link的历史平均通行速度和实时通行速度通过在线算路确定所述最佳路线。
例如,给定待预估的起止点(A地至B地),首先将位置信息匹配到路网并调用累积历史平均速度vh与预估的实时速度vr,再结合在线计算道路权重计算方法计算出最佳驾驶路线。
步骤S3,基于路网获取所述最佳路线的道路link和路口组合。
也就是说,将最佳路线的按照道路link和路口(node)分解为多个道路link和路口组合。
步骤S4,对所述最佳路线的道路link和路口组合进行场景划分。
由此,对道路link和路口组合进行场景划分,便于针对性计算出各个场景下最佳路线的各个道路link和路口的经历时间,减少预估误差。
可选地,道路link的场景可以包括以下的一种或多种:城市、道路等级、早晚高峰/平峰、距离起始点的规划时间。
例如:
a)城市划分按照全国城市地级市数量划分为多个城市;
b)道路等级划分:道路link的道路等级分为高速路、城市快速路、国道/省道/县道、主要道路、其它道路共5个场景;
c)早、晚高峰或平峰时间段:其中早高峰06:30~09:30、晚高峰16:30~20:30每30min划分一个场景,其他时间划分为平峰时间段共7个场景;
d)距离导航规划时间:基于预估的实时速度vr和预估的路口(node)时间计算出各段道路link和路口(node)直接累加到达相应道路link的时间与起始点的时间差,按时间差分为0~10min,10~20min,20~40min,40~60min,60~90min,90分钟min共6种场景。
由此,对于某一确定的城市,道路link场景数为5×7×6共210个场景。
可选地,路口的场景可以包括以下的一种或多种:城市、路口类型、路口转向、早晚高峰/平峰。
例如:
a)城市划分按照全国城市地级市数量划分为多个城市;
b)路口类型划分:路口(node)的类型划分为无红绿灯路口、有红绿灯路口2个场景;
c)路口转向:直行、左转、右转、掉头共4个场景;
d)早、晚高峰或平峰时间段:其中早高峰06:30~09:30、晚高峰16:30~20:30每30min划分一个场景,其他时间划分为平峰时间段共7个场景。
由此,对于某一确定的城市,路口(node)场景数为2×4×7共56个场景。
需要注意的是,以上只是可选地示例,任何道路link和路口中影响通行时间的场景均应理解在本发明内。
步骤S5,计算场景化下所述最佳路线的各个道路link和路口的经历时间。
根据本发明一些实施例,
1)场景化下所述最佳路线的各个道路link的经历时间通过如下进行计算:
根据各道路link的各场景的场景系数、历史速度通过时间、以及实时速度通过时间,通过下述式(1)确定各道路link的经历时间,
tlink=klink_h×th+klink_r×tr (1)
其中,tlink表示该道路link按场景划分后计算的通行时间,
th表示基于历史平均通行速度计算的该道路link的通行时间,klink_h为该道路link的历史时间场景系数,
tr表示基于实时速度计算的该道路link的通行时间,klink_r表示该道路link的实时时间场景系数。
2)场景化下所述最佳路线的各个路口的经历时间为该路口的实时时间场景系数与该路口的实时等待时间的乘积。
步骤S6,统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
根据本发明一些实施例,分为两步计算,第一步离线计算场景系数(道路link和路口场景系数),第二步结合场景系数和实时数据进行在线计算和预估到达时间。
第一步,离线计算场景系数(道路link和路口场景系数)。
收集离线真实轨迹数据集(真实道路样本(trip)信息含路线及沿途道路link与路口(node)的驾驶时间)。
因实际线路样本(trip)对应到路网后道路link数量较多,路口(node)数量相对较少,考虑到时间预估的准确性,模型的复杂和拉取路口(node)数据的稀疏性,综合测试验证,最终采取对道路link时间预估进行历史平均与实时平均处理,而路口(node)的时间预估采取综合处理的做法。即对于一个确定的线路样本(trip),整个线路样本的驾驶时间按道路link与路口(node)组合如下:
其中,ETAtrip为预估的所述车辆驾驶到达时间,
N1表示所述最佳路线经历的道路link数量,N2为经过的路口数量,klink_h_i为第i段道路link所对应的历史时间场景系数,th_i为基于第i段道路link的历史平均通行速度计算的通行时间,klink_r_i为基于第i段道路link所对应的实时时间场景系数,tr_i为基于第i段道路link的实时平均通行速度计算的通行时间,knode_j为第j个路口所对应的场景系数,tnode_j为第j个路口预估的经历时间。
进一步地,道路link和路口的场景系数通过如下方法获得:
获取多个通行路程样本,对其进行场景划分,构建如下述式(3)所示的所有通行路程样本的套索回归函数,
其中N是通行路程样本数量,ETAtrip_i表示第i个通行路程样本按场景划分并通过上述式(1)法估算得到的车辆驾驶到达时间,ttrip_i为第i个通行路程样本的实际驾驶到达时间,λ为正则化系数(推荐取值0.1~10),kj为第j个待求解场景系数,M为场景系数数量(包括道路link场景系数与路口(node)场景系数),
基于所述套索回归函数,并对所述场景系数进行非负约束,求解得到所述道路link的场景系数与路口的场景系数的稀疏组合解。由此,可以避免了系数出现负值时可解释性差的问题。
第二步,结合场景系数(道路link和路口场景系数)和实时数据(各道路link的距离、vh、vr和路口的经历时间tnode)进行在线计算和预估到达时间。
按照上述方法划分在线路线样本(trip)为相应的场景组合,调用历史速度vh、实时速度vr与路口时间tnode,结合求解得到的场景系数,利用式(2)求出对应最佳路线的真实时间作为预估结果。
即,通过离线计算出klink_r_i、klink_h_i、knode_j数值,通过vh和第i段道路link距离计算出th_i数值,通过vr和第i段道路link距离计算出tr_i数值,和tnode_j数值,代入公式进行计算,从而得到预估到达时间。
作为一个示例,如图2所示,车辆驾驶到达时间的预估方法包括:
1)给定起止点位置名称(就是起点位置和终点位置);
2)调用匹配算法匹配到路网;
3)在线计算求出最佳线路(调用累积历史平均速度vh与预估的实时速度vr,再结合在线计算道路权重计算方法计算出最佳驾驶路线);
4)求出路线的道路link和路口(node)组合;
5)对各个道路link和路口(node)进行场景划分;
6)计算场景化各个道路link和路口(node)的经历时间;
a)离线计算与更新,得到场景参数,过程包括:首先通过读取离线线路样本(trip)轨迹数据,接着对真实线路样本(trip)按照道路link和路口(node)进行场景划分;最后计算道路link和路口场景系数(klink_r_i、klink_h_i、knode_j)并离线保存。
b)调用各道路link的距离、vh、vr和路口的经历时间tnode。
7)计算整个线路样本(trip)的预估时间,将上述数据代入公式(2),从而得出预估时间。
拉取足量(全国1000条)的路线样本(tripcase),分别基于历史平均速度、实时预估速度、场景化参数预估的驾驶到达时间准确率,得到预估时间准确率结果对比表,如表1所示。
表1
结果表明,采用场景化处理后,结合历史平均速度与实时速度得到的预估时间明显提升,符合预期效果。
下面,结合图3,说明根据本发明实施例的车辆驾驶到达时间的预估装置1000。
如图3所示,本发明实施例的车辆驾驶到达时间的预估装置1000包括:
获取模块1001,用于获取车辆的起点和终点位置;
最佳路线确定模块1002,用于将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
分析模块1003,用于基于路网分析得到所述最佳路线的道路link和路口组合;
场景划分模块1004,用于对所述最佳路线的道路link和路口组合进行场景划分;
计算模块1005,用于计算场景化下所述最佳路线的各个道路link和路口的经历时间;
统计模块1006,用于统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
进一步地,车辆驾驶到达时间的预估装置1000还可以分别用于车辆驾驶到达时间的预估方法中的相应步骤,在此省略其详细说明。
此外,结合图4,说明根据本发明实施例的用于对车辆驾驶到达时间进行预估的电子设备。
如图4所示,本发明实施例的用于对车辆驾驶到达时间进行预估的电子设备包括:
处理器1401和存储器1402,在存储器1402中存储有计算机程序指令,其中,在计算机程序指令被处理器运行时,使得处理器1401执行以下步骤:
步骤S1,获取车辆的起点和终点位置;
步骤S2,将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
步骤S3,基于路网获取所述最佳路线的道路link和路口组合;
步骤S4,对所述最佳路线的道路link和路口组合进行场景划分;
步骤S5,计算场景化下所述最佳路线的各个道路link和路口的经历时间;
步骤S6,统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
上述各个接口和设备之间可以通过总线架构互连。总线架构可以是可以包括任意数量的互联的总线和桥。具体由处理器1401代表的一个或者多个中央处理器(CPU),以及由存储器1402代表的一个或者多个存储器的各种电路连接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其它电路连接在一起。可以理解,总线架构用于实现这些组件之间的连接通信。总线架构除包括数据总线之外,还包括电源总线、控制总线和状态信号总线,这些都是本领域所公知的,因此本文不再对其进行详细描述。
所述网络接口1403,可以连接至网络(如因特网、局域网等),从网络中获取相关数据,并可以保存在硬盘1405中。
所述输入设备1404,可以接收操作人员输入的各种指令,并发送给处理器1401以供执行。所述输入设备1404可以包括键盘或者点击设备(例如,鼠标,轨迹球(trackball)、触感板或者触摸屏等。
所述显示设备1406,可以将处理器1401执行指令获得的结果进行显示。
所述存储器1402,用于存储操作系统运行所必须的程序和数据,以及处理器1401计算过程中的中间结果等数据。
可以理解,本发明实施例中的存储器1402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM),其用作外部高速缓存。本文描述的装置和方法的存储器1402旨在包括但不限于这些和任意其它适合类型的存储器。
在一些实施方式中,存储器1402存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:操作系统14021和应用程序14014。
其中,操作系统14021,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序14014,包含各种应用程序,例如浏览器(Browser)等,用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序14014中。
上述处理器1401,当调用并执行所述存储器1402中所存储的应用程序和数据,具体的,可以是应用程序14014中存储的程序或指令时,首先,获取车辆的起点和终点位置;接着,将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;接着,基于路网获取所述最佳路线的道路link和路口组合;接着,对所述最佳路线的道路link和路口组合进行场景划分;接着,计算场景化下所述最佳路线的各个道路link和路口的经历时间;最后,统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
本发明上述实施例揭示的方法可以应用于处理器1401中,或者由处理器1401实现。处理器1401可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1401可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件,可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1402,处理器1401读取存储器1402中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ASIC)、数字信号处理器DSP)、数字信号处理设备(DSPD)、可编程逻辑设备(PLD)、现场可编程门阵列(FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
另外,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器运行时,使得所述处理器执行以下步骤:
步骤S1,获取车辆的起点和终点位置;
步骤S2,将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
步骤S3,基于路网获取所述最佳路线的道路link和路口组合;
步骤S4,对所述最佳路线的道路link和路口组合进行场景划分;
步骤S5,计算场景化下所述最佳路线的各个道路link和路口的经历时间;
步骤S6,统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
更进一步地,本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。电子设备(例如可以是服务器、云服务器、或者服务器的一部分等)的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得车辆驾驶到达时间的预估装置1000实施上述各种实施方式提供车辆驾驶到达时间的预估方法。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁盘或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种车辆驾驶到达时间的预估方法,其特征在于,包括如下步骤:
获取车辆的起点和终点位置;
将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
基于路网获取所述最佳路线的道路link和路口组合;
对所述最佳路线的道路link和路口组合进行场景划分;
计算场景化下所述最佳路线的各个道路link和路口的经历时间;
统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间,
其中,场景化下所述最佳路线的各个路口的经历时间为该路口的实时时间场景系数与该路口的实时等待时间的乘积;
场景化下所述最佳路线的各个道路link的经历时间通过如下进行计算:根据各道路link的各场景的场景系数、历史速度通过时间、以及实时速度通过时间,确定各道路link的经历时间;
所述道路link和路口的场景系数通过如下方法获得:获取多个通行路程样本,对其进行场景划分,构建所有通行路程样本的套索回归函数;基于所述套索回归函数,并对所述场景系数进行非负约束,求解得到所述道路link的场景系数与路口的场景系数的稀疏组合解;
所述套索回归函数如下述式(3)所示,
其中N是通行路程样本数量,ETAtrip_i表示第i个通行路程样本按场景划分并估算得到的车辆驾驶到达时间,ttrip_i为第i个通行路程样本的实际驾驶到达时间,λ为正则化系数,kj为第j个待求解场景系数,M为场景系数总数量。
2.根据权利要求1所述的预估方法,其特征在于,还包括:
获取路网中各个道路link的历史平均通行速度和实时通行速度;
基于所述路网中各个道路link的历史平均通行速度和实时通行速度通过在线算路确定所述最佳路线。
3.根据权利要求1所述的车辆驾驶到达时间的预估方法,其特征在于,所述道路link的场景包括:城市、道路等级、早晚高峰/平峰、距离起始点的规划时间中的一种或多种。
4.根据权利要求3所述的车辆驾驶到达时间的预估方法,其特征在于,所述路口的场景包括:城市、路口类型、路口转向、早晚高峰/平峰中的一种或多种。
5.根据权利要求4所述的车辆驾驶到达时间的预估方法,其特征在于,
通过下述式(1)确定各道路link的经历时间,
tlink=klink_h×th+klink_r×tr (1)
其中,tlink表示该道路link按场景划分后计算的通行时间,
th表示基于历史平均通行速度计算的该道路link的通行时间,klink_h为该道路link的历史时间场景系数,
tr表示基于实时速度计算的该道路link的通行时间,klink_r表示该道路link的实时时间场景系数。
6.根据权利要求5所述的车辆驾驶到达时间的预估方法,其特征在于,在获得各道路link和路口的经历时间之后,根据下述式(2)进行统计,得到所述车辆驾驶到达时间:
其中,ETAtrip为预估的所述车辆驾驶到达时间,
N1表示所述最佳路线经历的道路link数量,N2为经过的路口数量,klink_h_i为第i段道路link所对应的历史时间场景系数,th_i为基于第i段道路link的历史平均通行速度计算的通行时间,klink_r_i为基于第i段道路link所对应的实时时间场景系数,tr_i为基于第i段道路link的实时平均通行速度计算的通行时间,knode_j为第j个路口所对应的场景系数,tnode_j为第j个路口的实时等待时间。
7.一种车辆驾驶到达时间的预估装置,其特征在于,包括:
获取模块,用于获取车辆的起点和终点位置;
最佳路线确定模块,用于将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
分析模块,用于基于路网分析得到所述最佳路线的道路link和路口组合;
场景划分模块,用于对所述最佳路线的道路link和路口组合进行场景划分;
计算模块,用于计算场景化下所述最佳路线的各个道路link和路口的经历时间;
其中,场景化下所述最佳路线的各个路口的经历时间为该路口的实时时间场景系数与该路口的实时等待时间的乘积;场景化下所述最佳路线的各个道路link的经历时间通过如下进行计算:根据各道路link的各场景的场景系数、历史速度通过时间、以及实时速度通过时间,确定各道路link的经历时间;
所述道路link和路口的场景系数通过如下方法获得:获取多个通行路程样本,对其进行场景划分,构建所有通行路程样本的套索回归函数;基于所述套索回归函数,并对所述场景系数进行非负约束,求解得到所述道路link的场景系数与路口的场景系数的稀疏组合解;所述套索回归函数如下述式(3)所示,
其中N是通行路程样本数量,ETAtrip_i表示第i个通行路程样本按场景划分并估算得到的车辆驾驶到达时间,ttrip_i为第i个通行路程样本的实际驾驶到达时间,λ为正则化系数,kj为第j个待求解场景系数,M为场景系数总数量;
统计模块,用于统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间。
8.一种用于对车辆驾驶到达时间进行预估的电子设备,其特征在于,包括:
一个或多个处理器;
一个或多个存储器,其中存储了计算机可读代码,所述计算机可读代码当由所述一个或多个处理器运行时,使得所述处理器执行如下步骤:
获取车辆的起点和终点位置;
将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
基于路网获取所述最佳路线的道路link和路口组合;
对所述最佳路线的道路link和路口组合进行场景划分;
计算场景化下所述最佳路线的各个道路link和路口的经历时间;其中,场景化下所述最佳路线的各个路口的经历时间为该路口的实时时间场景系数与该路口的实时等待时间的乘积;
场景化下所述最佳路线的各个道路link的经历时间通过如下进行计算:根据各道路link的各场景的场景系数、历史速度通过时间、以及实时速度通过时间,确定各道路link的经历时间;
统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间;
所述道路link和路口的场景系数通过如下方法获得:获取多个通行路程样本,对其进行场景划分,构建所有通行路程样本的套索回归函数;基于所述套索回归函数,并对所述场景系数进行非负约束,求解得到所述道路link的场景系数与路口的场景系数的稀疏组合解;
所述套索回归函数如下述式(3)所示,
其中N是通行路程样本数量,ETAtrip_i表示第i个通行路程样本按场景划分并估算得到的车辆驾驶到达时间,ttrip_i为第i个通行路程样本的实际驾驶到达时间,λ为正则化系数,kj为第j个待求解场景系数,M为场景系数总数量。
9.一种计算机可读存储介质,其特征在于,其中存储了计算机可读代码,所述计算机可读代码当由一个或多个处理器运行时,使得所述处理器执行如下步骤:
获取车辆的起点和终点位置;
将所述起点和终点位置匹配到路网中,并基于所述起点和终点位置确定最佳路线;
基于路网获取所述最佳路线的道路link和路口组合;
对所述最佳路线的道路link和路口组合进行场景划分;
计算场景化下所述最佳路线的各个道路link和路口的经历时间;其中,场景化下所述最佳路线的各个路口的经历时间为该路口的实时时间场景系数与该路口的实时等待时间的乘积;
场景化下所述最佳路线的各个道路link的经历时间通过如下进行计算:根据各道路link的各场景的场景系数、历史速度通过时间、以及实时速度通过时间,确定各道路link的经历时间;
统计所述最佳路线的所有道路link和路口的经历时间,预估所述车辆驾驶到达时间;
所述道路link和路口的场景系数通过如下方法获得:获取多个通行路程样本,对其进行场景划分,构建所有通行路程样本的套索回归函数;基于所述套索回归函数,并对所述场景系数进行非负约束,求解得到所述道路link的场景系数与路口的场景系数的稀疏组合解;
所述套索回归函数如下述式(3)所示,
其中N是通行路程样本数量,ETAtrip_i表示第i个通行路程样本按场景划分并估算得到的车辆驾驶到达时间,ttrip_i为第i个通行路程样本的实际驾驶到达时间,λ为正则化系数,kj为第j个待求解场景系数,M为场景系数总数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365184.0A CN111141302B (zh) | 2019-12-26 | 2019-12-26 | 车辆驾驶到达时间的预估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911365184.0A CN111141302B (zh) | 2019-12-26 | 2019-12-26 | 车辆驾驶到达时间的预估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111141302A CN111141302A (zh) | 2020-05-12 |
CN111141302B true CN111141302B (zh) | 2023-10-27 |
Family
ID=70520396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911365184.0A Active CN111141302B (zh) | 2019-12-26 | 2019-12-26 | 车辆驾驶到达时间的预估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111141302B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686457B (zh) * | 2021-01-04 | 2022-06-03 | 腾讯科技(深圳)有限公司 | 路线到达时间预估方法及装置、电子设备、存储介质 |
CN114822061B (zh) * | 2022-03-30 | 2023-11-28 | 阿里巴巴(中国)有限公司 | 到达时间预估方法、装置、电子设备及计算机程序产品 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010127742A (ja) * | 2008-11-27 | 2010-06-10 | Nissan Motor Co Ltd | 経路案内システム、経路案内方法、情報提供装置、及び経路案内装置 |
CN106131917A (zh) * | 2016-06-17 | 2016-11-16 | 重庆邮电大学 | 一种车载自组织网络中基于距离和速度的自适应广播协议 |
CN107181640A (zh) * | 2017-05-03 | 2017-09-19 | 同济大学 | 一种城市道路场景下车联网连通性指标的获取方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130077132A (ko) * | 2011-12-29 | 2013-07-09 | 한국단자공업 주식회사 | 실시간 교통정보를 이용한 경로 안내 장치 및 그 방법 |
CN114973677A (zh) * | 2016-04-18 | 2022-08-30 | 北京嘀嘀无限科技发展有限公司 | 用于确定预计到达时间的方法和设备 |
WO2019051834A1 (en) * | 2017-09-18 | 2019-03-21 | Baidu.Com Times Technology (Beijing) Co., Ltd. | DRIVING GUIDELINES BASED ON DRIVING SCENARIOS FOR PLANNING SELF-CONTAINED VEHICLE TRACKS |
CN113865606B (zh) * | 2017-11-23 | 2024-08-20 | 北京嘀嘀无限科技发展有限公司 | 估计到达时间的系统和方法 |
CN110470314B (zh) * | 2018-05-09 | 2024-05-24 | 阿里巴巴(中国)有限公司 | Eta模型生成方法和装置、eta预测方法和装置、电子设备 |
CN109000668B (zh) * | 2018-05-25 | 2020-10-30 | 上海汽车集团股份有限公司 | 基于车联网的实时智能导航方法 |
CN110148294B (zh) * | 2018-06-07 | 2021-08-03 | 腾讯大地通途(北京)科技有限公司 | 路况状态确定方法及装置 |
CN109668570A (zh) * | 2018-12-21 | 2019-04-23 | 斑马网络技术有限公司 | 行驶路线推荐方法、装置、系统以及存储介质 |
-
2019
- 2019-12-26 CN CN201911365184.0A patent/CN111141302B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010127742A (ja) * | 2008-11-27 | 2010-06-10 | Nissan Motor Co Ltd | 経路案内システム、経路案内方法、情報提供装置、及び経路案内装置 |
CN106131917A (zh) * | 2016-06-17 | 2016-11-16 | 重庆邮电大学 | 一种车载自组织网络中基于距离和速度的自适应广播协议 |
CN107181640A (zh) * | 2017-05-03 | 2017-09-19 | 同济大学 | 一种城市道路场景下车联网连通性指标的获取方法 |
Non-Patent Citations (3)
Title |
---|
Lei Jianmei ; Chen Dongmei ; Li FengXi ; 等.A Bus Arrival Time Prediction Method Based on GPS Position and Real-Time Traffic Flow.2017 IEEE 15th Intl Conf on Dependable, Autonomic and Secure Computing, 15th Intl Conf on Pervasive Intelligence and Computing, 3rd Intl Conf on Big Data Intelligence and Computing and Cyber Science and Technology Congress.2018,全文. * |
基于最佳成熟时间法的车辆路径规划;曹洁;屈展;;电子测量技术;32(07);全文 * |
车路协同系统功能实现的场景测试技术研究;杨良义, 陈涛, 谢飞;重庆理工大学学报(自然科学);第32卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111141302A (zh) | 2020-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107111794B (zh) | 预测和利用地图服务中出行时间的可变性 | |
JP7204826B2 (ja) | 交通事故識別方法、装置、デバイス及びコンピュータ記憶媒体 | |
CN111210656B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
US8798897B2 (en) | Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models | |
US20200111348A1 (en) | Computer system and method for state prediction of a traffic system | |
US10510089B2 (en) | Computing estimated value of providing service among geographical regions | |
CN110375760A (zh) | 路线确定方法、装置、设备和介质 | |
CN114973677A (zh) | 用于确定预计到达时间的方法和设备 | |
CN111310987B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN111739299B (zh) | 稀疏轨迹的车辆排队长度确定方法、装置、设备及介质 | |
CN111325382B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
CN111141302B (zh) | 车辆驾驶到达时间的预估方法、装置及电子设备 | |
Necula | Dynamic traffic flow prediction based on GPS data | |
Zhu et al. | A driving cycle detection approach using map service API | |
CN114639233B (zh) | 一种拥堵状态预测方法、装置、电子设备及存储介质 | |
CN115311860B (zh) | 一种交通流量预测模型的在线联邦学习方法 | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
Fujimoto et al. | Ad hoc distributed simulations | |
RU2664034C1 (ru) | Способ и система создания информации о трафике, которая будет использована в картографическом приложении, выполняемом на электронном устройстве | |
Lu et al. | Efficient deep learning based method for multi‐lane speed forecasting: a case study in Beijing | |
CN114004077B (zh) | 交通仿真转换方法、装置、计算机设备及存储介质 | |
CN111862591A (zh) | 路况预测方法、装置及存储介质 | |
Sheng et al. | Deep spatial-temporal travel time prediction model based on trajectory feature | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |