CN111369787A - 一种车辆轨迹预测方法、装置及电子设备 - Google Patents
一种车辆轨迹预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111369787A CN111369787A CN201811603430.7A CN201811603430A CN111369787A CN 111369787 A CN111369787 A CN 111369787A CN 201811603430 A CN201811603430 A CN 201811603430A CN 111369787 A CN111369787 A CN 111369787A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- predicted
- entropy
- historical
- data
- 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
Links
Images
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种车辆轨迹预测方法、装置及电子设备。其中，方法包括：确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；如果所述熵值不大于所述预设熵值阈值，将基于所述历史出行数据确定得到的车辆轨迹预测结果，确定为所述待预测车辆的车辆轨迹预测结果。可以通过历史出行数据的熵值，确定基于该历史出行数据确定预测得到的车辆轨迹预测结果的可信度，在该可信度较高时，再将该车辆轨迹预测结果作为待预测车辆的车辆轨迹预测结果，实现了自动过滤可信度较低的车辆轨迹预测结果，进而提高了待预测车辆的车辆轨迹预测结果的准确率。
Description
技术领域
本发明涉及交通安全技术领域，特别是涉及一种车辆轨迹预测方法、装置及电子设备。
背景技术
为了更好的对道路交通进行管制，可以对一些特殊车辆(如多次违章的车辆)进行车辆轨迹预测，以便根据预测得到的车辆轨迹，部署人力进行针对性的安全预防。在相关技术中，可以是统计待预测车辆的历史出行数据，以得到待预测车辆最常出现的多个位置，连接这多个位置可以得到待预测车辆在待预测时间段内的车辆轨迹。
但是，确定得到的车辆轨迹并不一定准确，如果在确定得到的车辆轨迹的准确性较低的情况下，仍然将确定得到的车辆轨迹作为待预测车辆的车辆轨迹预测结果，并基于该车辆轨迹预测结果部署人力进行安全预防，可能造成人力资源的浪费。
发明内容
本发明实施例的目的在于提供一种车辆轨迹预测方法、装置及电子设备，以实现提高车辆轨迹预测结果的准确性。具体技术方案如下：
在本发明实施例的第一方面，提供了一种车辆轨迹预测方法，所述方法包括：
确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；
如果所述熵值不大于所述预设熵值阈值，将基于所述历史出行数据确定得到的车辆轨迹预测结果，确定为所述待预测车辆的车辆轨迹预测结果。
结合第一方面，在第二种可能的实现方式中，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，所述方法还包括：
确定待预测时间段的维度特征；
将待预测车辆在多个具有所述维度特征的历史时间段所处的位置，确定为所述待预测车辆的历史出行数据。
结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述维度特征包括以下三个特征中的一个或多个特征：
天气特征、节假日特征、时间特征，所述天气特征用于表示时间段的天气情况，所述节假日特征用于表示时间段是否属于节假日，所述时间特征用于表示时间段的起止时间。
结合第一方面，在第三种可能的实现方式中，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，所述方法还包括：
确定待预测时间段驾驶待预测车辆可能性最高的人员，作为目标人员；
将目标人员在多个历史时间段驾驶所述待预测车辆所处的位置，确定为所述待预测车辆的历史出行数据。
结合第一方面，在第四种可能的实现方式中，所述车辆轨迹预测结果通过以下方式确定得到：
针对历史出行数据中待预测车辆出现的每个位置，统计所述历史出行数据中所述待预测车辆在该位置出现的频率；
连接频率高于预设频率阈值的位置，得到所述待预测车辆的车辆轨迹预测结果。
结合第一方面，在第五种可能的实现方式中，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，所述方法还包括：
针对历史出行数据中待预测车辆出现的每个位置，统计所述历史出行数据中所述待预测车辆在该位置出现的频率；
按照下式计算所述历史出行数据的熵值：
其中，H为所述历史出行数据的熵值，n为所述历史出行数据中所述待预测车辆出现的位置的数目，pi为所述待预测车辆在第i个位置出现的频率。
结合第一方面，在第六种可能的实现方式中，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之后，所述方法还包括：
如果所述熵值大于所述预设熵值阈值，确定所述待预测车辆为不可预测车辆。
在本发明实施例的第二方面，提供了一种车辆轨迹预测装置，所述装置包括：
熵值判断模块，用于确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；
结果输出模块，用于如果所述熵值不大于所述预设熵值阈值，将基于所述历史出行数据确定得到的车辆轨迹预测结果，确定为所述待预测车辆的车辆轨迹预测结果。
结合第二方面，在第一种可能的实现方式中，所述装置还包括第一数据检索模块，用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，确定待预测时间段的维度特征；
将待预测车辆在多个具有所述维度特征的历史时间段所处的位置，确定为所述待预测车辆的历史出行数据。
结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述维度特征包括以下三个特征中的一个或多个特征：
天气特征、节假日特征、时间特征，所述天气特征用于表示时间段的天气情况，所述节假日特征用于表示时间段是否属于节假日，所述时间特征用于表示时间段的起止时间。
结合第二方面，在第三种可能的实现方式中，所述装置还包括第二数据检索模块，用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，确定待预测时间段驾驶待预测车辆可能性最高的人员，作为目标人员；
将目标人员在多个历史时间段驾驶所述待预测车辆所处的位置，确定为所述待预测车辆的历史出行数据。
结合第二方面，在第四种可能的实现方式中，所述车辆轨迹预测结果通过以下方式确定得到：
针对历史出行数据中待预测车辆出现的每个位置，统计所述历史出行数据中所述待预测车辆在该位置出现的频率；
连接频率高于预设频率阈值的位置，得到所述待预测车辆的车辆轨迹预测结果。
结合第二方面，在第五种可能的实现方式中，所述熵值判断模块，还用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，针对历史出行数据中待预测车辆出现的每个位置，统计所述历史出行数据中所述待预测车辆在该位置出现的频率；
按照下式计算所述历史出行数据的熵值：
其中，H为所述历史出行数据的熵值，n为所述历史出行数据中所述待预测车辆出现的位置的数目，pi为所述待预测车辆在第i个位置出现的频率。
结合第二方面，在第六种可能的实现方式中，所述结果输出模块，还用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之后，如果所述熵值大于所述预设熵值阈值，确定所述待预测车辆为不可预测车辆。
在本发明实施例的第三方面，提供了一种电子设备，包括：
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的车辆轨迹预测方法。
在本发明实施例的第四方面，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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的车辆轨迹预测方法。
本发明实施例提供的车辆轨迹预测方法、装置及电子设备，可以利用熵值有效反映出历史出行数据的规律程度，基于越规律的历史出行数据计算出的车辆轨迹预测结果更加准确，因此根据历史出行数据的熵值，可以对基于历史出行数据确定得到的车辆轨迹预测结果的置信度进行预估，并且在车辆轨迹预测结果的置信度较高的情况下，将该车辆轨迹预测结果作为待预测车辆的车辆轨迹预测结果，因此可以提高得到的待预测车辆的车辆轨迹预测结果的准确性。
当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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为本发明实施例提供的车辆轨迹预测方法的一种流程示意图；
图2为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图；
图3为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图；
图4为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图；
图5为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图；
图6a为本发明实施例提供的车辆轨迹预测装置的一种结构示意图；
图6b为本发明实施例提供的车辆轨迹预测装置的另一种结构示意图；
图6c为本发明实施例提供的车辆轨迹预测装置的另一种结构示意图；
图7为本发明实施例提供的电子设备的一种结构示意图。
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。
参见图1，图1为本发明实施例提供的车辆轨迹预测方法的一种流程示意图，可以包括：
S101，确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值。
其中，历史出行数据记录有该待预测车辆在多个历史时间段所处的位置。示例性的，历史出行数据中的一个数据可以是表示在2018年3月15号早上9点至早上十点，车牌号为浙AXXXXX的车辆位于XX高速路。
进一步的，历史出行数据可以是待预测车辆自当前时刻开始往前预设时长之内的所有历史出行数据，例如历史出行数据可以是待预测车辆从当前时刻开始往前一年之内的所有历史出行数据。
历史出行数据也可以是待预测车辆在满足特定条件的各个历史时间段中的历史出行数据。例如，假设需要预测的是待预测车辆在下周三的车辆轨迹，则历史出行数据可以是待预测车辆在历史上多个周三内待预测车辆所处的位置。
历史出行数据中的每个数据，可以表示待预测车辆在某个历史时间段所处的位置，因此历史出行数据的熵值可以表示，历史出行数据中各个数据所记录的位置的规律程度。示例性的，假如历史出行数据中的每个数据，所记录的位置均是同一个位置，则说明历史出行数据中各个数据所记录的位置完全规律，此时历史出行数据的熵值最小。而如果历史出行数据中各个数据所记录的位置各不相同，则说明历史出行数据中各个数据所记录的位置完全无规律，此时历史出行数据的熵值最大。
在一种可选的实施例中，可以针对历史出行数据中待预测车辆出现的每个位置，统计历史出行数据中待预测车辆在该位置出现的频率。并按照下式计算历史出行数据的熵值：
其中，H为历史出行数据的熵值，n为历史出行数据中待预测车辆出现的位置的数目，pi为待预测车辆在第i个位置出现的频率。
示例性的，假设历史出行数据中一共包括有100个数据，其中30个数据记录待预测车辆出现在位置A、40个数据记录待预测车辆出现在位置B、20个数据记录待预测车辆出现在位置C，10个数据记录待预测车辆出现在位置D。则待预测车辆出现的位置包括位置A、位置B、位置C以及位置D，共计4个位置。并且出现在位置A的频率为0.3，出现在位置B的频率为0.4，出现在位置C的频率为0.2，出现在位置D的频率为0.1。因此H＝-(0.3*log0.3)-(0.4*log0.4)-(0.2*log0.2)-(0.1*log0.1)，假设所有对数是以自然底数e为底的，则可以计算得到在这种情况下历史出行数据的熵值为1.28。
熵值可以表示历史出行数据中各个数据所记录的位置的规律程度，而基于历史出行数据预测待预测车辆在待预测时间段的车辆轨迹，可以视为基于从历史出行数据中所总结得到的待预测车辆的车辆轨迹的规律，预测待预测车辆在待预测时间段的车辆轨迹。
而如果历史出行数据中各个数据所记录的位置的规律程度较高(即历史出行数据的熵值较低)，则可以认为在这种情况下，从历史出行数据中总结得到的规律可信度较高。而如果历史出行数据中各个数据所记录的位置的规律程度较低(即历史出行数据的熵值较高)，则可以认为在这种情况下，从历史出行数据中总结得到的规律可信度较低。基于可信度较高的规律，预测得到的车辆轨迹的可信度较高，例如假设待预测车辆在历史上每个周三的早上9点均处于位置A，则可以认为待预测车辆在下周三的早上9点大概率仍然处于位置A。而基于可信度较低的规律，预测得到的车辆轨迹的可信度较低，例如假设待预测车辆在历史上各个周三的早上9点在多个位置出现过，并且每个位置出现的次数相同，此时难以预测待预测车辆在下周三的早上9点所处的位置。
因此，历史出行数据的熵值可以表示基于该历史出行数据所预测得到的车辆轨迹预测结果的可信度。如果历史出行数据的熵值较高，则基于该历史出行数据所预测得到的车辆轨迹预测结果的可信度较低，如果历史出行数据的熵值较低，则基于该历史出行数据所预测得到的车辆轨迹预测结果的可信度较高。进一步的，如果历史出行数据的熵值低于预设熵值阈值，此时可以认为基于该历史出行数据所预测得到的车辆轨迹预测结果具有一定的可信度，能够作为一个可靠的车辆轨迹预测结果，而如果历史出行数据的熵值不低于预设熵值阈值，此时可以认为基于该历史出行数据所预测得到的车辆轨迹预测结果的可信度较低，不能够作为一个可靠的车辆轨迹预测结果。
S102，如果熵值不大于预设熵值阈值，将基于历史出行数据确定得到的车辆轨迹预测结果，确定为预测车辆的车辆轨迹预测结果。
其中，车辆轨迹预测结果可以是在S101之前确定得到的，也可以是在S101之后确定得到的。进一步的，确定车辆轨迹预测结果的执行主体，可以和本发明实施例提供的车辆轨迹预测方法的执行主体相同，也可以和本发明实施例提供的车辆轨迹预测方法的执行主体不同。示例性的，本发明实施例提供的车辆轨迹预测方法可以是应用于客户端，客户端在确定历史出行数据的熵值不大于预设熵值阈值之后，从服务端获取服务端基于历史出行数据确定得到的车辆轨迹预测结果，作为待预测车辆的车辆轨迹预测结果。
进一步，在一种可选的实施例中，可以是针对历史出行数据中待预测车辆出现的每个位置，统计历史出行数据中待预测车辆在该位置出现的频率；并连接频率高于预设频率阈值的位置，以得到待预测车辆的车辆轨迹预测结果。示例性的，假设在历史出行数据中，待预测车辆在位置A出现的频率为0.1、位置B出现的频率为0.4、位置C出现的频率为0.4,、位置D出现的频率为0.1，预设频率阈值为0.3，则可以是连接位置B和位置C得到位置B和位置C的连线，将该连线作为待预测车辆的车辆轨迹预测结果。
选用该实施例，可以通过历史出行数据的熵值，确定基于该历史出行数据确定预测得到的车辆轨迹预测结果的可信度，在该可信度较高时，再将该车辆轨迹预测结果作为待预测车辆的车辆轨迹预测结果，实现了自动过滤可信度较低的车辆轨迹预测结果，进而提高了待预测车辆的车辆轨迹预测结果的准确率。
参见图2，图2所示为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图，可以包括：
S201，确定待预测时间段的维度特征。
其中，待预测时间段为所需要预测得到的车辆轨迹预测结果所对应的时间段，示例性的，假设希望预测待预测车辆在下周三早上9点的车辆轨迹预测结果，则待预测时间段为下周三早上9点。
预测时间段的维度特征中所包括的特征，可以根据实际需求进行设置。示例性的，可以包括以下三种特征中的一种或多种：天气特征、节假日特征、时间特征。其中，时间段的天气特征用于表示该时间段的天气状况，如该时间段的天气特征可以为下雨、天晴等，进一步的，历史时间段的天气特征可以通过查询历史天气状况信息得到，待预测时间段的天气特征可以通过带有天气预测功能的应用程序或应用程序接口获取。节假日特征用于表示该时间段是否属于节假日，进一步的，也可以表示该时间段具体属于哪个节假日，如该时间段的节假日特征可以为是节假日、不是节假日，也可以为国庆节、中秋节、周末。时间特征用于表示该时间段的起止时间，如该时间段为2018年3月15日早上8：00到早上9:00，则该时间段的时间特征可以为8-9。
可以理解的是，天气状况、是否为节假日、以及起止时间均可能影响到人员驾驶车辆出行的规律。例如，下雨的情况下，人员可能在上班前会先驾车送子女前往学校再前往公司，而天晴的情况下，则人员可能直接驾车前往公司。又例如，节假日人员驾车前往的目的地可能更多的是公园、游乐场等娱乐场所，而非节假日人员驾车前往的可能更多的是公司、学校等办公地点。又例如，早上8点到9点，人员更可能从家所在的位置驾车前往公司，而下午6点到7点，人员更可能从公司驾车前往家所在的位置。
S202，将待预测车辆在多个具有该维度特征的历史时间段所处的位置，确定为待预测车辆的历史出行数据。
示例性的，假设维度特征包括天气特征、节假日特征、时间特征，并且待预测时间段的天气特征为下雨，节假日特征为是节假日，时间特征为早上8点到9点。则可以是将待预测车辆，在历史上多个为节假日的雨天中，早上8到9点所处的位置，确定为待预测车辆的历史出行数据。
进一步的，待预测时间段的部分维度特征可能无法获取到，例如维度特征包括天气特征、节假日特征和时间特征，出于一些特殊原因，无法获取待预测时间段的节假日特征，此时可以针对每种可能的节假日特征，确定待预测车辆的历史出行数据。例如，假设待预测车辆的天气日特征为下雨，时间特征为9-10，则可以是分别将以下多种情况下待预测车辆所处的位置，确定为待预测车辆的多个历史出行数据：
一、待预测车辆在历史上多个下雨的节假日早上9-10点所处的位置；
二、待预测车辆在历史上多个下雨的非节假日早上9-10点所处的位置。这多个历史出行数据具有各自的熵值。
S203，确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值。
如果待预测车辆由于部分维度特征无法获取，而存在多个历史出行数据，则可以是分别确定这多个历史出行数据是否大于预设熵值阈值。
S204，如果熵值不大于预设熵值阈值，将基于历史出行数据确定得到的车辆轨迹预测结果，确定为待预测车辆的车辆轨迹预测结果。
如果待预测车辆由于部分维度特征无法获取，而存在多个历史出行数据，则基于历史出行数据确定得到的车辆轨迹预测结果可能是多个(例如假设有5个历史出行数据，则可能有5个车辆轨迹预测结果)，可以是将基于多个历史出行数据中熵值不大于预设熵值阈值的历史出行数据确定得到的车辆轨迹预测结果，确定为待预测车辆的车辆轨迹预测结果。例如，待预测车辆的历史出行数据包括：待预测车辆在历史上多个下雨的节假日早上9-10点所处的位置，和待预测车辆在历史上多个下雨的非节假日早上9-10点所处的位置。如果待预测车辆在历史上多个下雨的节假日早上9-10点所处的位置的熵值大于预设熵值阈值，而待预测车辆在历史上多个下雨的非节假日早上9-10点所处的位置的熵值不大于预设熵值阈值，则可以是将基于待预测车辆在历史上多个下雨的非节假日早上9-10点所处的位置确定得到的车辆轨迹预测结果，确定为待预测车辆的车辆轨迹预测结果。
选用该实施例，历史出行数据是多个与待预测时间段具有相同维度特征的历史时间段上的出行数据，由于这些历史时间段与待预测时间段具有相同的维度特征，因此待预测车辆在这些历史时间段上的出行规律，与待预测时间段上的出行规律可能更加接近。
参见图3，图3所示为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图，可以包括：
S301，确定待预测时间段驾驶待预测车辆可性能最高的人员，作为目标人员。
在一些情况下，可能有多个人员能够驾驶待预测车辆，例如待预测车辆为私家车，车主以及车主的家庭成员都可以驾驶待预测车辆。确定的方式可以是基于多个历史时间段，统计各个人员驾驶该待预测车辆的频率，将频率最高的人员作为目标人员。示例性的，假设需要预测待预测车辆在下周三的车辆轨迹，则可以是统计历史上多个周三驾驶待预测车辆的人员，假设一共统计了历史上100个周三，并且在这100个周三中，人员A驾驶待预测车辆的频率为0.6，人员B驾驶待预测车辆的频率为0.3，人员C驾驶待预测车辆的频率为0.1。则可以确定人员A为目标人员。
S302，将目标人员在多个历史时间段驾驶待预测车辆所处的位置，确定为待预测车辆的历史出行数据。
仍以S301中的例子为例，则可以是将人员A在多个历史时间段驾驶待预测车辆所处的位置，确定为待预测车辆的历史出行数据。待预测车辆是在人员的驾驶下发生移动的，因此待预测车辆的车辆轨迹一定程度上取决于驾驶待预测车辆的人员的主观意识和客观需求，而不同人员的主观意识和客观需求可能不同，因此不同人员驾驶待预测车辆时，车辆轨迹的规律也可能不同。因此，一个人员驾驶待预测车辆产生的历史出行数据，在作为预测该人员以外的其他人员驾驶待预测车辆时的车辆轨迹，可能是不够准确的。示例性的，人员A往往驾车在家和公司之间往返，而人员B往往驾车在家和学校之间往返，并且假设相对于家所在的位置，公司和学校不在同一个方向。则实际上，人员A可能几乎不(甚至从不)驾车在家和学校之间往返，此时如果将人员B驾车在家和学校之间往返产生的历史出行数据，作为预测人员A驾驶待预测的车辆轨迹时所基于的历史出行数据，显然是不准确的。
S303，确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值。
该步骤与S101相同，可以参见前述关于S101的描述，在此不再赘述。
S304，如果熵值不大于预设熵值阈值，将基于历史出行数据确定得到的车辆轨迹预测结果，确定为待预测车辆的车辆轨迹预测结果。
该步骤与S102相同，可以参见前述关于S102的描述，在此不再赘述。
选用该实施例，通过建立待预测车辆与驾驶待预测车辆的人员之间的关系，将预测待预测车辆的车辆轨迹，进一步细化为预测目标人员驾驶待预测车辆的车辆轨迹，而目标人员作为单一人员，相比于可能被不同人员驾驶的待预测车辆，往往具有更高的规律性。因此，预测目标人员驾驶待预测车辆的车辆轨迹可以有效提高车辆轨迹预测结果的准确性。
参见图4，图4所示为本发明实施例提供的车辆轨迹预测方法的另一种流程示意图，可以包括：
S401，确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值，如果熵值不大于预设熵值阈值，执行S402，如果熵值大于预设熵值阈值，执行S403。
该步骤与S101相同，可以参见前述关于S101的描述，在此不再赘述。
S402，将基于历史出行数据确定得到的车辆轨迹预测结果，确定为待预测车辆的车辆轨迹预测结果。
该步骤与S102相同，可以参见前述关于S102的描述，在此不再赘述。
S403，确定待预测车辆为不可预测车辆。
如果熵值大于预设熵值阈值，可以认为历史出行数据的规律程度较低，基于规律程度较低的历史出行数据，预测得到的车辆轨迹预测结果的准确性也可能较低，即车辆轨迹预测结果的可参考性较低，此时可以认为无法较为准确的得到待预测车辆的车辆轨迹预测结果，即待预测车辆为不可预测车辆。
下面将结合具体的应用场景，对本发明实施例提供的车辆轨迹预测方法进行说明，可以参见图5，包括：
S501，确定待预测车辆和待预测时间段。
示例性的，可以是获取用户输入的待预测车辆和待预测时间段。
S502，获取待预测时间段的天气特征、节假日特征和时间特征。
在待预测时间段已知的情况下，可以通过网络或者具有相应功能的应用程序(或应用程序接口)查询得到待预测时间段的天气特征和节假日特征，时间特征可以直接基于待预测时间段确定得到的。示例性的，假设待预测时间段为下周三早上9点到10点，则可以通过查询具有天气预报功能的应用程序(或应用程序接口)，确定得到下周三早上9点到10点为天晴，可以通过查询具有日历功能的应用程序(或应用程序接口)，确定得到的下周三不为节假日，则该待预测时间段的天气特征为天晴、节假日特征为不为节假日、时间特征为9-10。
S503，确定待预测时间段待预测车辆可能性最高的人员，作为目标人员。
在其他实施例中，S503也可以是在S502之前执行的，还可以是与S502同时执行或者交替执行的。
S504，将目标人员在多个具有所确定的天气特征、节假日特征、时间特征的历史时间段驾驶待预测车辆所处的位置，确定为待预测车辆的历史出行数据。
假设目标人员为人员A，天气特征为天晴、节假日特征为不为节假日、时间特征为9-10，则可以是将人员A在历史上多个天晴的不为节假日的早上9-10点，驾驶待预测车辆所处的位置，确定为待预测车辆的历史出行数据。
S505，计算待预测车辆的历史出行数据的熵值。
关于熵值的计算方式，可以参见前述S101中的相关描述，在此不再赘述。
S506，确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值，如果该熵值不大于预设熵值阈值，执行S507，如果该熵值大于预设熵值阈值，执行S508。
S507，基于历史出行数据，计算车辆轨迹预测结果，作为待预测车辆在待预测时间段的车辆轨迹预测结果。
关于车辆关机预测结果的计算方式，可以参见前述S102中的相关描述，在此不再赘述。
S508，确定待预测车辆为不可预测车辆。
参见图6a，图6a所示为本发明实施例提供的车辆轨迹预测装置的一种结构示意图，可以包括：
熵值判断模块601，用于确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；
结果输出模块602，用于如果所述熵值不大于所述预设熵值阈值，将基于所述历史出行数据确定得到的车辆轨迹预测结果，确定为所述待预测车辆的车辆轨迹预测结果。
进一步的，参见图6b，所述装置还可以包括第一数据检索模块603，用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，确定待预测时间段的维度特征；
将待预测车辆在多个具有所述维度特征的历史时间段所处的位置，确定为所述待预测车辆的历史出行数据。
进一步的，维度特征包括以下三个特征中的一个或多个特征：
天气特征、节假日特征、时间特征，天气特征用于表示时间段的天气情况，节假日特征用于表示时间段是否属于节假日，时间特征用于表示时间段的起止时间。
进一步的，参见图6c，装置还包括第二数据检索模块604，用于在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，确定待预测时间段驾驶待预测车辆可能性最高的人员，作为目标人员；
将目标人员在多个历史时间段驾驶待预测车辆所处的位置，确定为待预测车辆的历史出行数据。
进一步的，车辆轨迹预测结果通过以下方式确定得到：
针对历史出行数据中待预测车辆出现的每个位置，统计历史出行数据中待预测车辆在该位置出现的频率；
连接频率高于预设频率阈值的位置，得到待预测车辆的车辆轨迹预测结果。
进一步的，熵值判断模块601，还用于在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，针对历史出行数据中待预测车辆出现的每个位置，统计历史出行数据中待预测车辆在该位置出现的频率；
按照下式计算历史出行数据的熵值：
其中，H为历史出行数据的熵值，n为历史出行数据中待预测车辆出现的位置的数目，pi为待预测车辆在第i个位置出现的频率。
进一步的，结果输出模块602，还用于在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之后，如果熵值大于预设熵值阈值，确定待预测车辆为不可预测车辆。
本发明实施例还提供了一种电子设备，如图7所示，包括：
存储器701，用于存放计算机程序；
处理器702，用于执行存储器701上所存放的程序时，实现如下步骤：
确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；
如果熵值不大于预设熵值阈值，将基于历史出行数据确定得到的车辆轨迹预测结果，确定为待预测车辆的车辆轨迹预测结果。
进一步的，在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，方法还包括：
确定待预测时间段的维度特征；
将待预测车辆在多个具有维度特征的历史时间段所处的位置，确定为待预测车辆的历史出行数据。
进一步的，维度特征包括以下三个特征中的一个或多个特征：
天气特征、节假日特征、时间特征，天气特征用于表示时间段的天气情况，节假日特征用于表示时间段是否属于节假日，时间特征用于表示时间段的起止时间。
进一步的，在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，方法还包括：
确定待预测时间段驾驶待预测车辆可能性最高的人员，作为目标人员；
将目标人员在多个历史时间段驾驶待预测车辆所处的位置，确定为待预测车辆的历史出行数据。
进一步的，车辆轨迹预测结果通过以下方式确定得到：
针对历史出行数据中待预测车辆出现的每个位置，统计历史出行数据中待预测车辆在该位置出现的频率；
连接频率高于预设频率阈值的位置，得到待预测车辆的车辆轨迹预测结果。
进一步的，在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，方法还包括：
针对历史出行数据中待预测车辆出现的每个位置，统计历史出行数据中待预测车辆在该位置出现的频率；
按照下式计算历史出行数据的熵值：
其中，H为历史出行数据的熵值，n为历史出行数据中待预测车辆出现的位置的数目，pi为待预测车辆在第i个位置出现的频率。
进一步的，在确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之后，方法还包括：
如果熵值大于预设熵值阈值，确定待预测车辆为不可预测车辆。
上述电子设备提到的存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，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。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述实施例中任一车辆轨迹预测方法。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一车辆轨迹预测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字人员线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质、计算机程序产品的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (13)
1.一种车辆轨迹预测方法，其特征在于，所述方法包括：
确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；
如果所述熵值不大于所述预设熵值阈值，将基于所述历史出行数据确定得到的车辆轨迹预测结果，确定为所述待预测车辆的车辆轨迹预测结果。
2.根据权利要求1所述的方法，其特征在于，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，所述方法还包括：
确定待预测时间段的维度特征；
将待预测车辆在多个具有所述维度特征的历史时间段所处的位置，确定为所述待预测车辆的历史出行数据。
3.根据权利要求2所述的方法，其特征在于，所述维度特征包括以下三个特征中的一个或多个特征：
天气特征、节假日特征、时间特征，其中，所述天气特征用于表示时间段的天气情况，所述节假日特征用于表示时间段是否属于节假日，所述时间特征用于表示时间段的起止时间。
4.根据权利要求1所述的方法，其特征在于，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，所述方法还包括：
确定待预测时间段驾驶待预测车辆可能性最高的人员，作为目标人员；
将目标人员在多个历史时间段驾驶所述待预测车辆所处的位置，确定为所述待预测车辆的历史出行数据。
5.根据权利要求1所述的方法，其特征在于，所述车辆轨迹预测结果通过以下方式确定得到：
针对历史出行数据中待预测车辆出现的每个位置，统计所述历史出行数据中所述待预测车辆在该位置出现的频率；
连接频率高于预设频率阈值的位置，得到所述待预测车辆的车辆轨迹预测结果。
6.根据权利要求1所述的方法，其特征在于，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，所述方法还包括：
针对历史出行数据中待预测车辆出现的每个位置，统计所述历史出行数据中所述待预测车辆在该位置出现的频率；
按照下式计算所述历史出行数据的熵值：
其中，H为所述历史出行数据的熵值，n为所述历史出行数据中所述待预测车辆出现的位置的数目，pi为所述待预测车辆在第i个位置出现的频率。
7.根据权利要求1所述的方法，其特征在于，在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之后，所述方法还包括：
如果所述熵值大于所述预设熵值阈值，确定所述待预测车辆为不可预测车辆。
8.一种车辆轨迹预测装置，其特征在于，所述装置包括：
熵值判断模块，用于确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值；
结果输出模块，用于如果所述熵值不大于所述预设熵值阈值，将基于所述历史出行数据确定得到的车辆轨迹预测结果，确定为所述待预测车辆的车辆轨迹预测结果。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括第一数据检索模块，用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，确定待预测时间段的维度特征；
将待预测车辆在多个具有所述维度特征的历史时间段所处的位置，确定为所述待预测车辆的历史出行数据。
10.根据权利要求9所述的装置，其特征在于，所述维度特征包括以下三个特征中的一个或多个特征：
天气特征、节假日特征、时间特征，所述天气特征用于表示时间段的天气情况，所述节假日特征用于表示时间段是否属于节假日，所述时间特征用于表示时间段的起止时间。
11.根据权利要求8所述的装置，其特征在于，所述装置还包括第二数据检索模块，用于在所述确定待预测车辆的历史出行数据的熵值，是否大于预设熵值阈值之前，确定待预测时间段驾驶待预测车辆可能性最高的人员，作为目标人员；
将目标人员在多个历史时间段驾驶所述待预测车辆所处的位置，确定为所述待预测车辆的历史出行数据。
12.一种电子设备，其特征在于，包括：
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一所述的方法步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811603430.7A CN111369787A (zh) | 2018-12-26 | 2018-12-26 | 一种车辆轨迹预测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811603430.7A CN111369787A (zh) | 2018-12-26 | 2018-12-26 | 一种车辆轨迹预测方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111369787A true CN111369787A (zh) | 2020-07-03 |
Family
ID=71208741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811603430.7A Pending CN111369787A (zh) | 2018-12-26 | 2018-12-26 | 一种车辆轨迹预测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369787A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396254A (zh) * | 2020-12-11 | 2021-02-23 | 北京百分点信息科技有限公司 | 目的地预测方法、装置、介质及电子设备 |
| CN118587894A (zh) * | 2024-08-05 | 2024-09-03 | 浙江数智交院科技股份有限公司 | 一种预判紧急停车带内车辆驶出和预警的方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102724631A (zh) * | 2012-06-28 | 2012-10-10 | 上海交通大学 | 车辆自组织网络基于位置路由的位置信息更新方法 |
| WO2013107669A1 (en) * | 2012-01-20 | 2013-07-25 | Telefónica, S.A. | A method for the automatic detection and labelling of user point of interest |
| CN103678905A (zh) * | 2013-12-09 | 2014-03-26 | 深圳先进技术研究院 | 基于轨迹数据的质量评估方法 |
| US20150073688A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Traffic Impact Prediction for Multiple Event Planning |
| CN105825310A (zh) * | 2016-04-11 | 2016-08-03 | 湖南科技大学 | 基于信息熵的出租车寻客路线推荐方法 |
| CN106339769A (zh) * | 2015-07-08 | 2017-01-18 | 北京大学 | 一种面向移动社会网络的用户出行预测方法 |
| CN106384022A (zh) * | 2016-11-23 | 2017-02-08 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
| CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
| CN107025788A (zh) * | 2017-05-17 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种旅行时间预测方法及装置 |
| CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及系统 |
| CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
| CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
-
2018
- 2018-12-26 CN CN201811603430.7A patent/CN111369787A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013107669A1 (en) * | 2012-01-20 | 2013-07-25 | Telefónica, S.A. | A method for the automatic detection and labelling of user point of interest |
| CN102724631A (zh) * | 2012-06-28 | 2012-10-10 | 上海交通大学 | 车辆自组织网络基于位置路由的位置信息更新方法 |
| US20150073688A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Traffic Impact Prediction for Multiple Event Planning |
| CN103678905A (zh) * | 2013-12-09 | 2014-03-26 | 深圳先进技术研究院 | 基于轨迹数据的质量评估方法 |
| CN106339769A (zh) * | 2015-07-08 | 2017-01-18 | 北京大学 | 一种面向移动社会网络的用户出行预测方法 |
| CN107038168A (zh) * | 2016-02-03 | 2017-08-11 | 中兴通讯股份有限公司 | 一种用户通勤轨迹管理方法、装置及系统 |
| CN105825310A (zh) * | 2016-04-11 | 2016-08-03 | 湖南科技大学 | 基于信息熵的出租车寻客路线推荐方法 |
| CN106384022A (zh) * | 2016-11-23 | 2017-02-08 | 东软集团股份有限公司 | 出行行为预测方法及装置 |
| CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
| CN107025788A (zh) * | 2017-05-17 | 2017-08-08 | 青岛海信网络科技股份有限公司 | 一种旅行时间预测方法及装置 |
| CN108074414A (zh) * | 2017-12-19 | 2018-05-25 | 广州小鹏汽车科技有限公司 | 一种基于用户行为的常走路径交通信息提醒方法及系统 |
| CN108286980A (zh) * | 2017-12-29 | 2018-07-17 | 广州通易科技有限公司 | 一种预测目的地和推荐驾驶路线的方法 |
| CN108629978A (zh) * | 2018-06-07 | 2018-10-09 | 重庆邮电大学 | 一种基于高维路网和循环神经网络的交通轨迹预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 乔少杰 等: "多模式移动对象不确定性轨迹预测模型", 《自动化学报》 * |
| 刘磊军: "基于迭代网格划分和熵估计的稀疏轨迹预测", 《计算机应用》 * |
| 陈思静 张可: "VANETs中的车辆移动规律性及轨迹预测研究", 《计算机工程与应用》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112396254A (zh) * | 2020-12-11 | 2021-02-23 | 北京百分点信息科技有限公司 | 目的地预测方法、装置、介质及电子设备 |
| CN118587894A (zh) * | 2024-08-05 | 2024-09-03 | 浙江数智交院科技股份有限公司 | 一种预判紧急停车带内车辆驶出和预警的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9818075B2 (en) | Automated user task management | |
| US12008896B2 (en) | System and method for detection and quantification of irregular traffic congestion | |
| CN109150971B (zh) | 超级节点投票和选举方法、装置和网络节点 | |
| CN106971604B (zh) | 一种停车位资源配置方法和装置 | |
| US9313618B2 (en) | User location tracking | |
| US20170286845A1 (en) | Automatic extraction of user mobility behaviors and interaction preferences using spatio-temporal data | |
| US10057283B2 (en) | Volumetric event forecasting tool | |
| CN106529711B (zh) | 用户行为预测方法及装置 | |
| US11157194B2 (en) | Automated predictive tiered storage system | |
| CN111985726A (zh) | 资源数量预测方法、装置、电子设备及存储介质 | |
| CN110288451B (zh) | 一种财务报销方法、系统、设备及存储介质 | |
| CN111369787A (zh) | 一种车辆轨迹预测方法、装置及电子设备 | |
| CN111160793A (zh) | 一种服务网点自助设备数量的配置方法、装置及设备 | |
| Salum et al. | Impact of freeway service patrols on incident clearance duration: Case study of Florida’s road rangers | |
| Gore et al. | Congestion index and reliability-based freeway level of service | |
| CN110322688A (zh) | 一种数据处理的方法、数据查询的方法及相关设备 | |
| KR101959213B1 (ko) | 침해 사고 예측 방법 및 그 장치 | |
| US20160063405A1 (en) | Public transportation fare evasion inference using personal mobility data | |
| CN114743132A (zh) | 一种目标算法的选取方法、装置、电子设备及存储介质 | |
| CN111367906A (zh) | 异常车辆识别方法、装置、设备及计算机可读存储介质 | |
| CN111754642A (zh) | 共享停车场的管理方法、管理装置及终端 | |
| CN114448813B (zh) | 一种网络扩容比例的确定方法、装置、服务器及介质 | |
| JP2006079544A (ja) | 旅行時間提供方法、装置及びプログラム | |
| CN115392659A (zh) | 收费站拥堵程度的获取方法、装置、电子设备、程序及介质 | |
| CN103426036A (zh) | 来访概率预测方法和系统 |
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: 20200703 |