CN111383444A - 预测路况状态的方法、装置、服务器及存储介质 - Google Patents
预测路况状态的方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111383444A CN111383444A CN201811619108.3A CN201811619108A CN111383444A CN 111383444 A CN111383444 A CN 111383444A CN 201811619108 A CN201811619108 A CN 201811619108A CN 111383444 A CN111383444 A CN 111383444A
- Authority
- CN
- China
- Prior art keywords
- road
- road section
- window
- section
- target
- 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
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
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种预测路况状态的方法、装置、服务器及存储介质,属于互联网技术领域。所述方法包括:获取目标路段的路段特征;获取窗口路段集合的窗口路段特征;根据目标路段的路段特征和窗口路段集合的窗口路段特征,确定目标路段以每个窗口为参照时处于不同路况状态的概率值;根据目标路段以每个窗口为参照时处于不同路况状态的概率值和目标路段的路段特征,预测目标路段的路况状态。本发明根据目标路段的路段特征及窗口路段特征,确定目标路段以每个窗口为参照时处于不同路段状态的概率值,进而预测出目标路段的路况状态。由于路况状态的预测结合了目标路段的路段特征及不同窗口下的预测结果,因而所预测的路况状态更准确。
Description
技术领域
本发明涉及互联网技术领域,特别涉及一种预测路况状态的方法、装置、服务器及存储介质。
背景技术
在现代社会,随着城市发展及道路建设,城市内及城市间道路变得十分复杂,用户出行更多地依赖于导航应用提供的地图服务。在地图服务中,实时精准地预测路况状态,不仅能够方便用户知晓道路拥堵情况,合理规划出行路线,节约出行时间,而且能帮助城市构建交通预警,调度城市交通系统,节省城市道路资源。
目前,相关技术在预测路况状态时,可采用如下方法:通过GPS(GlobalPositioning System,全球定位系统)实时采集车辆的位置信息;根据采集到的位置信息和交通路网数据库,确定车辆当前行驶的路段,其中,交通路网数据库中存储有位置信息与路段名称之间的对应关系;根据采集到的位置信息,计算该路段的长度和行驶时间,进而根据路段的长度和行驶时间,计算车辆的行驶速度;对该路段上的至少两个车辆的行驶速度进行融合,得到能够表征路况状态的融合速度;根据该融合速度,确定该条路段的路况状态。
由于相关技术仅根据融合速度预测路况状态,在实际应用中,路况状态不仅与速度有关,而且还受其他因素影响,因此,相关所预测的路况状态并不准确。
发明内容
为了解决相关技术的问题,本发明实施例提供了一种预测路况状态的方法、装置、服务器及存储介质。所述技术方案如下:
一方面,提供了一种预测路况状态的方法,所述方法包括:
获取目标路段的路段特征,所述路段特征用于表征所述目标路段的路段属性和车辆在所述目标路段上的行驶信息;
获取窗口路段集合的窗口路段特征,所述窗口路段集合包括位于所述目标路段的同一窗口内的多条路段,所述窗口路段特征用于表征窗口路段集合内各个路段的整体路段属性和车辆在各个路段不同采样位置上的行驶信息;
根据所述目标路段的路段特征和所述窗口路段集合的窗口路段特征,确定所述目标路段以每个窗口为参照时处于不同路况状态的概率值;
根据所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征,预测所述目标路段的路况状态。
另一方面,提供了一种预测路况状态的装置,所述装置包括:
获取模块,用于获取目标路段的路段特征,所述路段特征用于表征所述目标路段的路段属性和车辆在所述目标路段上的行驶信息;
所述获取模块,用于获取窗口路段集合的窗口路段特征,所述窗口路段集合包括位于所述目标路段的同一窗口内的多条路段,所述窗口路段特征用于表征窗口路段集合内各个路段的整体路段属性和车辆在各个路段不同采样位置上的行驶信息;
确定模块,用于根据所述目标路段的路段特征和所述窗口路段集合的窗口路段特征,确定所述目标路段以每个窗口为参照时处于不同路况状态的概率值;
预测模块,用于根据所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征,预测所述目标路段的路况状态。
另一方面,提供了一种用于预测路况状态的服务器,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现预测路况状态的方法。
另一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行以实现预测路况状态的方法。
本发明实施例提供的技术方案带来的有益效果是:
根据目标路段的路段特征及窗口路段特征,确定目标路段以每个窗口为参照时处于不同路段状态的概率值,进而预测出目标路段的路况状态。由于路况状态的预测结合了目标路段的路段特征及不同窗口下的预测结果,因而所预测的路况状态更准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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预测路况状态的时序图;
图2是本发明实施例提供的路况生产过程的时序图;
图3是本发明实施例提供的预测路况状态的方法所涉及的实施环境;
图4是本发明实施例提供的训练窗口路段模型的方法流程图;
图5是本发明实施例提供的多个窗口示意图;
图6是本发明实施例提供的训练路况决策模型的方法流程图;
图7是本发明实施例提供的路况决策逻辑的示意图;
图8是本发明实施例提供的预测路况状态的方法流程图;
图9是本发明实施例提供的预测路况状态的装置结构示意图;
图10是根据一示例性实施例示出的一种用于预测路况状态的服务器。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
在执行本发明实施例之前,首先对本发明涉及的名词进行解释。
Link:在交通路网数据库中,表示一段不可再拆分的基本路段。本发明实施例中所提及的路段实际上指的是基础路段Link。
自由流速度:在交通工程中,指不受上下游路段的通信条件影响的交通流运行速度。
路段通行能力实时描述:对一条路段当前通行能力的信息表示,包括车流量、车流速度、平均通行时长、红绿灯等灯次数等。
真实路况状态:现实中实际的交通路况。
路况平滑:在时空范围内,根据道路拓扑结构对较长道路上的路况序列做后期处理的一种方法,通过做路况平滑处理,可以修正明显突兀的路况状态。例如,对于三个连续路段,第一个路段的路况状态为拥堵,第二路段的路况状态为畅通,第三个路段的路况状态为拥堵,第二路段的路况状态属于明显突兀的路况状态,通过对第二路段进行平滑处理,可将第二路段的路况状态修正为其上下游路段的路况状态拥堵。
窗口:可往上游或下游随意移动的指定空间范围。本发明实施例所述的窗口是指能够沿着包括多条路段的道路上下滑移、且具有确定长度的路段集合划分尺度。同一窗口内可涵盖多条路段,本发明实施例可将位于同一窗口内的多条路段组成的路段集合称为窗口路段集合。
时间批次:在实时路况生产系统中,是指计算与发布路况的周期,一般为一分钟或两分钟。
在现代生活中,为了方便出行,用户会在终端中安装各种导航应用,这些导航应用大都具有对实时路况状态的预测及显示功能,进而根据所显示的实时路况状态,更加合理地为用户安排出行路线,提高用户的办事效率。目前,相关技术在预测路况状态时,主要采用以下两种方法:
第一种方法、基于GPS采集到的位置信息,通过与交通路网数据库中的数据进行匹配,确定车辆当前行驶的Link,再通过对至少两个车辆的行驶速度进行融合,预测该Link的路况状态。在将所预测的路况状态发布之前,还将对所预测的路况状态作简单的平滑处理,例如,将路况状态明显突兀的Link直接修正为其上下游Link的路况状态。
第二种方法、基于交通部门在道路两旁部署的地感线圈、测速摄像头等设备,获取某一Link上的车流量,进而预测出该Link的路况状态。
第一种方法由于依赖于多车融合在同一Link上的速度预测路况,且仅对其做简单的平滑处理,因而存在以下几个缺陷:第一、未能应用较远处更为可靠的路况信息,导致所预测的路况状态依旧会出现连续异常错误的现象;第二、进行路况分析时不够全面,并没有从大量已知数据中发掘路况平滑的普遍规律;第三,仅采用简单的传统规则,导致工程实现上极其繁琐。
第二种方法由于部署的地感线圈、测速摄像头等设备成本较高,导致所部署的线地感线圈、测速摄像头等设备对道路的覆盖范围较窄,进行路况状态预测时所能预测的范围有限,且粒度不够精细,很难进行平滑处理。
为了解决路况状态预测中存在的问题,本发明实施例提供了一种预测路况状态的方法,该方法采用“多人决策的思想”,在需要预测的目标路段的上下游路段中分别设置“观察者”,并以这个“观察者”的视角预测目标路段处于不同路况状态的概率,进而结合不同“观察者”的预测结果和目标路段的路段特征进行预测。
图1是本发明实施例所涉及的主要流程,参见图1,具体的预测流程可以包括以下步骤:
1、提供在线分析各Link路况状态的实时计算系统。该实时计算系统作为路况发布阶段的整体上游,通过对各Link进行实时计算,得到各Link路况状态的实时分析结果,这些结果在模型训练结果,将作为训练窗口路段模型及路况决策模型的基础数据,在实际应用阶段,将作为进行路况状态预测的参考数据。该实时计算系统可采用现有的系统,当然,可以根据本发明的需求单独进行设计。
2、根据交通路网数据库中的道路拓扑结构,构造目标路段的多个窗口,并在每个窗口内提取窗口路段特征。对于窗口路段特征的具体内容可参见下述实施例,此处暂不说明。
3、根据路测真值、机测真值及人工标注真值,构建真值系统,该真值系统包括各条训练样本路段在不同时间批次内真实路况状态。将真值系统与每个窗口的窗口路路段特征关联,进而基于多条训练样本路段组成的大数据集训练每个窗口的窗口路段模型。
4、根据每个窗口内的预测结果和每条训练样本路段的路段特征,构造路况决策模型的训练特征,并将路况决策模型的训练特征与真值系统关联,进而基于大数据集训练路况决策模型。
5、基于每个窗口的窗口路段模型及路况决策模型预测路况状态,提供在线路况发布服务。
图2为互联网技术领域预测路况状态的完整流程,参见图2,具体地流程可以包括以下几个步骤:
1、实时采集各数据源车辆上相关设备的GPS定位点信息,基于所采集的信息进行道路匹配。
2、根据驾驶场景进行用户驾驶行为分析。
3、多角度全方位地生成各路段通行能力实时描述。
4、采用一定的策略规则及方法,预测路段的路况状态(例如,畅通、缓行、拥堵、极度拥堵等)。
5、结合发布时间及空间维度,准确而又合理地发布实时交通路况。
本发明实施例的核心内容位于图2中的路况发布环节,该方法主要从窗口角度出发,采用概率模型预测指定距离处目标Link出现各路况状态(畅通、缓行、拥堵、极度拥堵)的概率,并结合多个窗口所预测的概率及目标Link的信息预测目标Link的路况状态。
图3为本发明实施例提供的预测路况状态的方法的实施环境,参见图3,包括终端和服务器。其中,终端可以为智能手机、平板电脑、智能电视等具有显示屏幕的设备,通过与服务器进行通信,能够显示发布的路况状态,从而提供路线规划服务。服务器内设置有能够实现本发明实施例的功能模块或系统,从而能够预测任一路段的路况状态。
本发明实施例提供了一种训练窗口路段模型的方法,参见图4,本发明实施例提供的方法流程包括:
401、服务器获取多个训练样本路段的路段特征。
其中,训练样本路段的路段特征用于表征训练样本路段的路段属性和车辆在训练样本路段上的行驶信息。路段特征包括路段基本特征和路段实时特征。路段基本特征包括道路等级、路段长度、路段内的车道数、与红绿灯之间的距离、自由流速度等。路段等级由高到低依次为:高速、城市快速路、国道、省道、县道、乡镇道路、其他道路等。根据国家交通部门的路段规划,每条路段内的车道数量可以为3条、4条等,且不同路段内的车道数可以相同,也可以不同。与红绿灯之间的距离是指路段的每条边缘与最近红绿灯之间的距离。自由流速度为路段所能达到的最大行驶速度。路段实时特征包括当前时间批次的路况状态、车流速度、自由流速度、路况置信度,以及前预设时间批次的车流速度、自由流速度、路况置信度等,例如,前1个时间批次的车流速度、自由流速度、路况置信度,前2个时间批次的车流速度、自由流速度、路况置信度,前3个时间批次的车流速度、自由流速度、路况置信度,前4个时间批次的车流速度、自由流速度、路况置信度,前5个时间批次的车流速度、自由流速度、路况置信度等。
对于任一训练样本路段,服务器在获取该训练样本路段的路段特征时,包括但限于如下方式:从交通路网数据库中获取该训练样本路段的道路等级、路段长度、路段内的车道数、与红绿灯之间的距离、自由流速度等,得到该训练样本路段的路段基本特征,并基于交通路网数据库中所存储的该训练样本路段的相关信息,采用实时计算系统计算当前时间批次的路况状态、车流速度、自由流速度、路况置信度等,以及前预设时间批次的车流速度、自由流速度、路况置信度等,得到该训练样本路段的路段实时特征。
402、服务器获取每个训练样本路段的每个窗口训练样本路段的窗口路段特征。
其中,窗口路段特征用于表征训练样本路段的窗口路段集合内各个路段的整体路段属性和车辆在各个路段不同采样位置上的行驶信息。窗口路段集合包括位于训练样本路段的同一窗口内的多条路段。窗口路段特征包括窗口整体特征和窗口采样点特征。窗口整体特征包括窗口距训练样本路段中心点的距离、窗口内包括的路段数量、窗口总长度(为窗口内所包括的各个路段的长度之和)、窗口内的车道数、窗口内是否有红绿灯、窗口内各个路况状态比例等。窗口采样点特征包括设置于窗口内不同采样点位置上的路段长度及每个采样点在当前时间批次的车流速度、自由流速度、当前时间批次的路况置信度值等,还包括每个采样点在前预设时间批次(例如前1个时间批次、前2个时间批次、前3个时间批次、前4个时间批次、前5个时间批次等)的车流速度、自由流速度、前几个时间批次的路况置信度值等。不同采样点可从训练样本路段的上游向下游每个预设距离设置一个,该预设距离可以根据服务器的处理能力及进行路况状态预测的精度需求设置,该预设距离可以为20米、30米、40米等。例如,预设距离为40米,可以在训练样本路段的0米处、40米处、80米处、…依次设置。
为了保持与线上生产系统一致,每个训练样本路段的每个窗口训练样本路段的窗口路段特征可基于实时计算系统获取。
而对于任一训练样本路段,服务器在获取该训练样本路段的窗口路段特征之前,需要构造该训练样本路段的多个窗口,并基于每个窗口获取该训练样本路段的多个窗口路段集合,每个窗口路段集合包括位于该训练样本路段的每个窗口内的多条路段。具体地,服务器可采用如下步骤:
4021、服务器以目标路段的中心点为中心,以预设长度为窗口长度,分别向训练样本路段的上游路段和下游路段进行扩展,得到中心窗口。
其中,预设长度可根据预测精度进行设置,该预设长度可根据服务器的处理能力及进行路况状态预测的精度需求设置,该预设长度可以为100米、200米等。
4022、服务器将中心窗口沿着训练样本路段的上游路段和下游路段进行滑动,得到多个滑动窗口。
基于所得到的中心窗口,服务器将该中心窗口沿着上游路段滑动预设距离,得到一个窗口,并将得到的窗口沿着上游路段继续滑动预设距离,再得到一个窗口,依次类推。同时,服务器将该中心窗口沿着下游路段滑动预设距离,得到一个窗口,并将得到的窗口沿着下游路段继续滑动预设距离,再得到一个窗口,依次类推。通过将中心窗口沿着训练样本路段的上游路段和下游路段进行滑动,得到多个滑动窗口。
4023、服务器以目标路段的边缘为起点,以预设长度为窗口长度,分别向目标路段的上游路段和下游路段进行扩展,得到两个边缘窗口。
4024、服务器将位于中心窗口、每个滑动窗口或每个边缘窗口内的各个路段组成一个窗口路段集合。
考虑到预设长度是确定的,而不同路段的长度不一,在基于预设长度进行滑动的过程中,很难保证每个窗口内的路段是完整的路段,这时就需要做近似的处理,以保证路段分析的完整性。例如,当一个路段的大部分位于窗口内,可将该条路段作为窗口内的路段;当一条路段的小部分位于窗口内,可将该条路段从窗口内去除。
参见图5,其示出了一条较长的道路,该道路包括从A~N的14个路段,设定路段F为训练样本路段,预设长度为200米,窗口数量为7个,则窗口构造过程为:
1、以训练样本路段F的中心点为中心,向上游路段和下游路段各扩展100米,形成中心窗口EFGH。
2、将中心窗口EFGH向上游路段滑动50米,得到滑动窗口EFG,再将滑动窗口向上游路段滑动50米,得到滑动窗口DEF;同理,将中心窗口EFGH向下游路段滑动50米,得到滑动窗口FGHI,再将滑动窗口向下游路段滑动50米,依然得到滑动窗口FGHI。通过将中心窗口EFGH向上下游进行滑动,最终形成4个滑动窗口。
3、以训练样本路段F的两侧边缘作为起始点,向上游路段和下游路路段进行扩展,形成边缘窗口CDE和GHIJ。
403、服务器获取每个训练样本路段的真实路况状态。
服务器维护一个真值系统中,该真值系统中存储有每条路段的真实路况状态,可由服务器根据所获取的各条路段的真实路况状态构建。其中,用于建立真值系统的数据主要有以下几种:
第一种来源、路测人员在验证路况准确性时所观察到的路况,这些数据真实可信且准确度高,但是数量较少;
第二种来源、人工标注平台通过离线分析大量车辆行驶过滤与交通视频得到。
第三种来源、采用一定规则对线上路况发布结果中非准确性且存在异常突兀的路况过滤得到,该种方法获取到的路况状态数据准确度相比前两种方式要低,但是数据量较大。
基于该真值系统,服务器可获取每个训练路段的真实路况状态。
404、服务器根据多个训练样本路段的路段特征、每个训练样本路段的每个窗口训练样本路段的窗口路段特征及每个训练样本路段的真实路况状态,对每个窗口的初始窗口路段模型进行训练,得到每个窗口的窗口路段模型。
服务器将每个训练样本路段真实路况状态与每个训练样本路段的路段特征及每个训练样本路段的每个窗口训练样本路段的窗口路段特征进行关联,并基于多个训练样本路段的路段特征、每个训练样本路段的每个窗口训练样本路段的窗口路段特征及每个训练样本路段的真实路况状态,采用预设算法对每个窗口的初始窗口路段模型进行训练,得到每个窗口的窗口路段模型。其中,预设算法可以为GBDT(Gradient Boosting DecisionTree,梯度提升树)算法等。
本发明实施例针对每个窗口均训练一个窗口路段模型,每个窗口路段模型能够基于路段特征和窗口路段特征,确定路段以每个窗口为参照时处于不同路况状态的概率值,从而在实际应用中,可根据本实施例所训练的模型进行初步预测,为路况决策模型的预测提供相关数据。
本发明实施例提供了一种训练路况决策模型的方法,参见图6,本发明实施例提供的方法流程包括:
601、服务器获取多个训练样本路段的路段特征。
该步骤具体实施时与上述步骤401相同,具体参见上述步骤401,此处不再赘述。
602、服务器获取每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值。
基于上述步骤401~404所训练的每个窗口的窗口路段模型,服务器将每个训练样本的路段特征和每个训练样本的每个窗口路段集合输入到每个窗口的窗口路段模型中,可得到每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值。
603、服务器获取每个训练样本路段的真实路况状态。
该步骤具体实施时与上述步骤403相同,具体参见上述步骤403,此处不再赘述。
604、服务器根据多个训练样本路段的路段特征、每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值及每个训练样本路段的真实路况状态,训练初始路况决策模型,得到路况决策模型。
服务器将每个训练样本路段真实路况状态与每个训练样本路段的路段特征及每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值进行关联,并基于多个训练样本路段的路段特征、每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值及每个训练样本路段的真实路况状态,训练初始路况决策模型,得到路况决策模型,该路况决策模型能够输出每条路段决策后的路况状态。
在交通工程中,路况状态包括畅通、缓行、拥堵、极度拥堵等,而本发明实施例所训练的路段决策模型需要界定具体的映射关系。为此,本发明实施例采用多概率方式,在基于路段决策模型在进行决策时,优先确定路段是否拥堵,其次确定路段是否畅通,再次确定路段是否缓行。决策逻辑可参见图7,图7中设定畅通概率为P0、拥堵概率为P1,路段决策模型在进行决策时,优先判断P1是否大于等于拥堵阈值,若P1大于等于拥堵阈值,则判定该路段的路况状态为拥堵,若P1小于拥堵阈值P1,继续判断P0是否大于等于畅通阈值,若P0大于等于畅通阈值,则判定该路段的路况状态为畅通,对于除这两种情况以外的其他情况,可判定路段的路况状态为缓行。
进一步地,当判定路段拥堵后,服务器还可以根据路段的车流速度、自由流速度等确定拥堵程度。当路段的车流速度、自由流速度等小于指定阈值时,可判定路段极度拥堵;当路段的车流速度、自由流速度等大于指定阈值时,可判定路段轻微拥堵等。
将本发明实施例所训练的路况决策模型及图4所示实施例所训练的窗口路段模型加载到路况发布模块中,在路况发布模块中所加载的模型采用级联方式分为两层,基础层为窗口路段模型,高层采用路况决策模型,路况发布的最终结果由高层路况决策模型输出。
本发明实施例提供了一种预测路况状态的方法,参见图8,本发明实施例提供的方法流程包括:
801、服务器获取目标路段的路段特征。
其中,目标路段的路段特征用于表征目标路段的路段属性和车辆在目标路段上的行驶信息。目标路段的路段特征包括基本特征和路段实时特征。服务器在获取目标路段的路段特征时,包括但限于如下方式:从交通路网数据库中获取目标路段的道路等级、路段长度、路段内的车道数、与红绿灯之间的距离、自由流速度等,得到该目标路段的路段基本特征,并基于交通路网数据库中所存储的该目标路段的相关信息,采用实时计算系统计算当前时间批次的路况状态、车流速度、自由流速度、路况置信度等,以及前预设时间批次的车流速度、自由流速度、路况置信度等,得到该目标路段的路段实时特征。
802、服务器获取窗口路段集合的窗口路段特征。
服务器获取窗口路段集合的窗口路段特征之前,需要构造目标路段的多个窗口,并基于每个窗口获取目标路段的多个窗口路段集合。具体地,服务器可采用如下步骤:
8021、服务器以目标路段的中心点为中心,以预设长度为窗口长度,分别向目标路段的上游路段和下游路段进行扩展,得到中心窗口。
8022、服务器将中心窗口沿着目标路段的上游路段和下游路段进行滑动,得到多个滑动窗口。
8023、服务器以目标路段的边缘为起点,以预设长度为窗口长度,分别向目标路段的上游路段和下游路段进行扩展,得到两个边缘窗口。
8024、将位于中心窗口、每个滑动窗口或每个边缘窗口内的各个路段组成一个窗口路段集合。
基于所得到的多个窗口路段集合,服务器基于交通路网数据库和实时计算系统,即可获取每个窗口路段集合的窗口路段特征。
803、服务器根据目标路段的路段特征和窗口路段集合的窗口路段特征,确定目标路段以每个窗口为参照时处于不同路况状态的概率值。
由于上述步骤401~404所训练的窗口路段模型能够基于路段特征和窗口路段特征,确定路段以当前窗口为参照时处于不同路况状态的概率值,因此,服务器可根据每个窗口路段集合所属的窗口,获取每个窗口的窗口路段模型,进而将目标路段的路段特征和每个窗口路段集合的窗口路段特征输入到每个窗口的窗口路段模型中,可输出目标路段以每个窗口为参照时处于不同路况状态的概率值。
804、服务器根据目标路段以每个窗口为参照时处于不同路况状态的概率值和目标路段的路段特征,预测目标路段的路况状态。
基于上述步骤601~604所训练的路况决策模型,服务器将目标路段以每个窗口为参照时处于不同路况状态的概率值和目标路段的路段特征输入到路况决策模型中,可输出目标路段的路况状态,该路况状态包括拥堵、畅通及缓行。
当预测出目标路段的路况状态为拥堵后,服务器还可根据目标路段的车流速度、自由流速度等进一步确定出目标路段的拥堵程度。
需要说明的是,在路况生产系统中,还有一些其他路况平滑方法,例如,在时间维度上,可根据目标Link过去30分钟历史车流速度,预测当前时间批次的车流速度,当发现差别较大时给予修正,从而使得路况状态的发布在时间上更为平滑;又例如,在空间维度上,可根据较长道路对上游Link构造车流速度序列,从而预测目标Link车流速度,当发现差别较大时给予修正,使得路况发布在空间上更为平滑。上述两种方法都是基于序列预测的,这样两种方法要么对线上实时计算系统的存储要求特别高(时间维度),要么存在对实际路况变化的响应不及时,同时无法学习到统一的模型来刻画不同的路段在时间及空间上的具体表现。
本发明实施例提供的预测路况状态的方法可应用于能够展示实时交通路况的任何平台及产品中,包括数字大屏、导航应用、打车软件、物流调度系统等,从而能够及时动态显示路况变化状况,方便规划调度及决策。
本发明实施例提供的方法,根据目标路段的路段特征及窗口路段特征,确定目标路段以每个窗口为参照时处于不同路段状态的概率值,进而预测出目标路段的路况状态。由于路况状态的预测结合了目标路段的路段特征及不同窗口下的预测结果,因而所预测的路况状态更准确。
除了上述效果外,本发明实施例还带来如下效果:
第一,预测的路况状态更符合用户的主观感受;
第二,与现有的技术方案相比,能够增强系统对异常原始路况的容忍度;
第三,方案较为灵活,在解决BadCase时可克服策略优化顾此失彼的缺陷;
第四,可从大量已知数据中发掘路况平滑的普遍规律,实用性更广。
参见图9,本发明实施例提供了一种预测路况状态的装置,该装置包括:
获取模块901,用于获取目标路段的路段特征,路段特征用于表征目标路段的路段属性和车辆在目标路段上的行驶信息;
获取模块901,用于获取窗口路段集合的窗口路段特征,窗口路段集合包括位于目标路段的同一窗口内的多条路段,窗口路段特征用于表征窗口路段集合内各个路段的整体路段属性和车辆在各个路段不同采样位置上的行驶信息;
确定模块902,用于根据目标路段的路段特征和每个窗口路段集合的窗口路段特征,确定目标路段以每个窗口为参照时处于不同路况状态的概率值;
预测模块903,用于根据目标路段以每个窗口为参照时处于不同路况状态的概率值和目标路段的路段特征,预测目标路段的路况状态。
在本发明的另一个实施例中,该装置还包括:
扩展模块,用于以目标路段的中心点为中心,以预设长度为窗口长度,分别向目标路段的上游路段和下游路段进行扩展,得到中心窗口;
滑动模块,用于将中心窗口沿着目标路段的上游路段和下游路段进行滑动,得到多个滑动窗口;
扩展模块,用于以目标路段的边缘为起点,以预设长度为窗口长度,分别向目标路段的上游路段和下游路段进行扩展,得到两个边缘窗口;
组成模块,用于将位于中心窗口、每个滑动窗口或每个边缘窗口内的各个路段组成一个窗口路段集合。
在本发明的另一个实施例中,确定模块902,用于根据每个窗口路段集合所属的窗口,将目标路段的路段特征和每个窗口路段集合的窗口路段特征输入到每个窗口的窗口路段模型中,输出目标路段以每个窗口为参照时处于不同路况状态的概率值;
其中,窗口路段模型用于基于路段特征和窗口路段特征,确定路段以当前窗口为参照时处于不同路况状态的概率值。
在本发明的另一个实施例中,该装置还包括:
获取模块901,用于获取多个训练样本路段的路段特征;
获取模块901,用于获取每个训练样本路段的每个窗口训练样本路段的窗口路段特征,每个窗口训练样本包括位于每个训练样本路段的不同窗口内的多条路段;
获取模块901,用于获取每个训练样本路段的真实路况状态;
训练模块,用于根据多个训练样本路段的路段特征、每个训练样本路段的每个窗口训练样本路段的窗口路段特征及每个训练样本路段的真实路况状态,对每个窗口的初始窗口路段模型进行训练,得到每个窗口的窗口路段模型。
在本发明的另一个实施例中,预测模块903,用于将目标路段以每个窗口为参照时处于不同路况状态的概率值和目标路段的路段特征输入到路况决策模型中,输出目标路段的路况状态;
其中,路况决策模型用于基于路段以每个窗口为参照时处于不同路况状态的概率值和路段特征,确定路段的路况状态。
在本发明的另一个实施例中,该装置还包括:
获取模块901,用于获取多个训练样本路段的路段特征;
获取模块901,用于获取每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值;
获取模块901,用于获取每个训练样本路段的真实路况状态;
训练模块,用于根据多个训练样本路段的路段特征、每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值及每个训练样本路段的真实路况状态,训练初始路况决策模型,得到路况决策模型。
综上,本发明实施例提供的装置,根据目标路段的路段特征及窗口路段特征,确定目标路段以每个窗口为参照时处于不同路段状态的概率值,进而预测出目标路段的路况状态。由于路况状态的预测集合了目标路段的路段特征及不同窗口下的预测结果,因而所预测的路况状态更准确。
图10是根据一示例性实施例示出的一种用于预测路况状态的服务器。参照图10,服务器1000包括处理组件1022,其进一步包括一个或多个处理器,以及由存储器1032所代表的存储器资源,用于存储可由处理组件1022的执行的指令,例如应用程序。存储器1032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1022被配置为执行指令,以执行上述预测路况状态的中服务器所执行的功能。
服务器1000还可以包括一个电源组件1026被配置为执行服务器1000的电源管理,一个有线或无线网络接口1050被配置为将服务器1000连接到网络,和一个输入输出(I/O)接口1058。服务器1000可以操作基于存储在存储器1032的操作系统,例如WindowsServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
本发明实施例提供的服务器,根据目标路段的路段特征及窗口路段特征,确定目标路段以每个窗口为参照时处于不同路段状态的概率值,进而预测出目标路段的路况状态。由于路况状态的预测结合了目标路段的路段特征及不同窗口下的预测结果,因而所预测的路况状态更准确。
本发明实施例提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行以实现图8所示的预测路况状态的方法。
本发明实施例提供的计算机可读存储介质,根据目标路段的路段特征及窗口路段特征,确定目标路段以每个窗口为参照时处于不同路段状态的概率值,进而预测出目标路段的路况状态。由于路况状态的预测结合了目标路段的路段特征及不同窗口下的预测结果,因而所预测的路况状态更准确。
需要说明的是:上述实施例提供的预测路况状态的装置在预测路况状态时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将预测路况状态的装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的预测路况状态的装置与预测路况状态的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (14)
1.一种预测路况状态的方法,其特征在于,所述方法包括:
获取目标路段的路段特征,所述路段特征用于表征所述目标路段的路段属性和车辆在所述目标路段上的行驶信息;
获取窗口路段集合的窗口路段特征,所述窗口路段集合包括位于所述目标路段的同一窗口内的多条路段,所述窗口路段特征用于表征窗口路段集合内各个路段的整体路段属性和车辆在各个路段不同采样位置上的行驶信息;
根据所述目标路段的路段特征和所述窗口路段集合的窗口路段特征,确定所述目标路段以每个窗口为参照时处于不同路况状态的概率值;
根据所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征,预测所述目标路段的路况状态。
2.根据权利要求1所述的方法,其特征在于,所述获取窗口路段集合的窗口路段特征之前,还包括:
以所述目标路段的中心点为中心,以预设长度为窗口长度,分别向所述目标路段的上游路段和下游路段进行扩展,得到中心窗口;
将所述中心窗口沿着所述目标路段的上游路段和下游路段进行滑动,得到多个滑动窗口;
以所述目标路段的边缘为起点,以所述预设长度为窗口长度,分别向所述目标路段的上游路段和下游路段进行扩展,得到两个边缘窗口;
将位于所述中心窗口、每个滑动窗口或每个边缘窗口内的各个路段组成一个窗口路段集合。
3.根据权利要求1所述的方法,其特征在于,所述根据所述目标路段的路段特征和所述窗口路段集合的窗口路段特征,确定所述目标路段以每个窗口为参照时处于不同路况状态的概率值,包括:
根据所述窗口路段集合所属的窗口,将所述目标路段的路段特征和所述窗口路段集合的窗口路段特征输入到每个窗口的窗口路段模型中,输出所述目标路段以每个窗口为参照时处于不同路况状态的概率值;
其中,所述窗口路段模型用于基于路段特征和窗口路段特征,确定路段以当前窗口为参照时处于不同路况状态的概率值。
4.根据权利要求3所述的方法,其特征在于,所述根据所述窗口路段集合所属的窗口,将所述目标路段的路段特征和所述窗口路段集合的窗口路段特征输入到每个窗口的窗口路段模型中之前,还包括:
获取多个训练样本路段的路段特征;
获取每个训练样本路段的每个窗口训练样本路段的窗口路段特征,每个窗口训练样本包括位于每个训练样本路段的不同窗口内的多条路段;
获取每个训练样本路段的真实路况状态;
根据所述多个训练样本路段的路段特征、每个训练样本路段的每个窗口训练样本路段的窗口路段特征及每个训练样本路段的真实路况状态,对每个窗口的初始窗口路段模型进行训练,得到每个窗口的窗口路段模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征,预测所述目标路段的路况状态,包括:
将所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征输入到路况决策模型中,输出所述目标路段的路况状态;
其中,所述路况决策模型用于基于路段以每个窗口为参照时处于不同路况状态的概率值和路段特征,确定路段的路况状态。
6.根据权利要求5所述的方法,其特征在于,所述将所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征输入到路况决策模型中之前,还包括:
获取多个训练样本路段的路段特征;
获取每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值;
获取每个训练样本路段的真实路况状态;
根据所述多个训练样本路段的路段特征、每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值及每个训练样本路段的真实路况状态,训练初始路况决策模型,得到所述路况决策模型。
7.一种预测路况状态的装置,其特征在于,所述装置包括:
获取模块,用于获取目标路段的路段特征,所述路段特征用于表征所述目标路段的路段属性和车辆在所述目标路段上的行驶信息;
所述获取模块,用于获取窗口路段集合的窗口路段特征,所述窗口路段集合包括位于所述目标路段的同一窗口内的多条路段,所述窗口路段特征用于表征窗口路段集合内各个路段的整体路段属性和车辆在各个路段不同采样位置上的行驶信息;
确定模块,用于根据所述目标路段的路段特征和所述窗口路段集合的窗口路段特征,确定所述目标路段以每个窗口为参照时处于不同路况状态的概率值;
预测模块,用于根据所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征,预测所述目标路段的路况状态。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
扩展模块,用于以所述目标路段的中心点为中心,以预设长度为窗口长度,分别向所述目标路段的上游路段和下游路段进行扩展,得到中心窗口;
滑动模块,用于将所述中心窗口沿着所述目标路段的上游路段和下游路段进行滑动,得到多个滑动窗口;
所述扩展模块,用于以所述目标路段的边缘为起点,以所述预设长度为窗口长度,分别向所述目标路段的上游路段和下游路段进行扩展,得到两个边缘窗口;
组成模块,用于将位于所述中心窗口、每个滑动窗口或每个边缘窗口内的各个路段组成一个窗口路段集合。
9.根据权利要求7所述的装置,其特征在于,所述确定模块,用于根据所述窗口路段集合所属的窗口,将所述目标路段的路段特征和所述窗口路段集合的窗口路段特征输入到每个窗口的窗口路段模型中,输出所述目标路段以每个窗口为参照时处于不同路况状态的概率值;
其中,所述窗口路段模型用于基于路段特征和窗口路段特征,确定路段以当前窗口为参照时处于不同路况状态的概率值。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
所述获取模块,用于获取多个训练样本路段的路段特征;
所述获取模块,用于获取每个训练样本路段的每个窗口训练样本路段的窗口路段特征,每个窗口训练样本包括位于每个训练样本路段的不同窗口内的多条路段;
所述获取模块,用于获取每个训练样本路段的真实路况状态;
训练模块,用于根据所述多个训练样本路段的路段特征、每个训练样本路段的每个窗口训练样本路段的窗口路段特征及每个训练样本路段的真实路况状态,对每个窗口的初始窗口路段模型进行训练,得到每个窗口的窗口路段模型。
11.根据权利要求7所述的装置,其特征在于,所述预测模块,用于将所述目标路段以每个窗口为参照时处于不同路况状态的概率值和所述目标路段的路段特征输入到路况决策模型中,输出所述目标路段的路况状态;
其中,所述路况决策模型用于基于路段以每个窗口为参照时处于不同路况状态的概率值和路段特征,确定路段的路况状态。
12.根据权利要求11所述的装置,其特征在于,所述装置还包括:
所述获取模块,用于获取多个训练样本路段的路段特征;
所述获取模块,用于获取每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值;
所述获取模块,用于获取每个训练样本路段的真实路况状态;
训练模块,用于根据所述多个训练样本路段的路段特征、每个训练样本路段以每个窗口为参照时处于不同路况状态的概率值及每个训练样本路段的真实路况状态,训练初始路况决策模型,得到所述路况决策模型。
13.一种用于预测路况状态的服务器,其特征在于,所述服务器包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由所述处理器加载并执行以实现如权利要求1至6中任一项所述的预测路况状态的方法。
14.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或所述指令集由处理器加载并执行以实现如权利要求1至6中任一项所述的预测路况状态的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811619108.3A CN111383444B (zh) | 2018-12-28 | 2018-12-28 | 预测路况状态的方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811619108.3A CN111383444B (zh) | 2018-12-28 | 2018-12-28 | 预测路况状态的方法、装置、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111383444A true CN111383444A (zh) | 2020-07-07 |
CN111383444B CN111383444B (zh) | 2021-08-17 |
Family
ID=71218061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811619108.3A Active CN111383444B (zh) | 2018-12-28 | 2018-12-28 | 预测路况状态的方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111383444B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986487A (zh) * | 2020-09-11 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 一种路况信息的管理方法以及相关装置 |
CN113066285A (zh) * | 2021-03-15 | 2021-07-02 | 北京百度网讯科技有限公司 | 一种路况信息确定方法、装置、电子设备及存储介质 |
CN113257002A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
CN114264310A (zh) * | 2020-09-14 | 2022-04-01 | 阿里巴巴集团控股有限公司 | 定位及导航方法、装置、电子设备、计算机存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004272408A (ja) * | 2003-03-06 | 2004-09-30 | Nri & Ncc Co Ltd | 渋滞予測システムおよび渋滞予測方法 |
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN102436739A (zh) * | 2011-09-27 | 2012-05-02 | 重庆大学 | 基于视频检测技术的高速公路收费广场交通拥堵判别方法 |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104318765A (zh) * | 2014-10-22 | 2015-01-28 | 浙江工业大学 | 基于智能手机的实时交通拥堵自动检测方法 |
US20150170514A1 (en) * | 2013-12-13 | 2015-06-18 | Here Global B.V. | Systems and Methods for Detecting Road Congestion and Incidents in Real Time |
US20160284212A1 (en) * | 2015-03-28 | 2016-09-29 | Igor Tatourian | Technologies for detection of anomalies in vehicle traffic patterns |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN106875681A (zh) * | 2017-03-22 | 2017-06-20 | 山东大学 | 一种交通拥塞趋势预测方法及系统 |
-
2018
- 2018-12-28 CN CN201811619108.3A patent/CN111383444B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004272408A (ja) * | 2003-03-06 | 2004-09-30 | Nri & Ncc Co Ltd | 渋滞予測システムおよび渋滞予測方法 |
CN101673463A (zh) * | 2009-09-17 | 2010-03-17 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN102436739A (zh) * | 2011-09-27 | 2012-05-02 | 重庆大学 | 基于视频检测技术的高速公路收费广场交通拥堵判别方法 |
US20150170514A1 (en) * | 2013-12-13 | 2015-06-18 | Here Global B.V. | Systems and Methods for Detecting Road Congestion and Incidents in Real Time |
CN104157139A (zh) * | 2014-08-05 | 2014-11-19 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN104318765A (zh) * | 2014-10-22 | 2015-01-28 | 浙江工业大学 | 基于智能手机的实时交通拥堵自动检测方法 |
US20160284212A1 (en) * | 2015-03-28 | 2016-09-29 | Igor Tatourian | Technologies for detection of anomalies in vehicle traffic patterns |
CN106816008A (zh) * | 2017-02-22 | 2017-06-09 | 银江股份有限公司 | 一种道路拥堵预警及拥堵形成时间预测方法 |
CN106875681A (zh) * | 2017-03-22 | 2017-06-20 | 山东大学 | 一种交通拥塞趋势预测方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986487A (zh) * | 2020-09-11 | 2020-11-24 | 腾讯科技(深圳)有限公司 | 一种路况信息的管理方法以及相关装置 |
CN114264310A (zh) * | 2020-09-14 | 2022-04-01 | 阿里巴巴集团控股有限公司 | 定位及导航方法、装置、电子设备、计算机存储介质 |
CN113066285A (zh) * | 2021-03-15 | 2021-07-02 | 北京百度网讯科技有限公司 | 一种路况信息确定方法、装置、电子设备及存储介质 |
CN113257002A (zh) * | 2021-05-11 | 2021-08-13 | 青岛海信网络科技股份有限公司 | 一种高峰开始时间预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111383444B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
CN108734955B (zh) | 预测路况状态的方法及装置 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
US8930123B2 (en) | Systems and methods for determining traffic intensity using information obtained through crowdsourcing | |
WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
CN112927513B (zh) | 一种实时在线交通仿真方法及系统 | |
CN111739294B (zh) | 一种路况信息收集方法、装置、设备及存储介质 | |
CN112033420A (zh) | 一种车道地图构建方法和装置 | |
Shoman et al. | Deep learning framework for predicting bus delays on multiple routes using heterogenous datasets | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN112818071A (zh) | 一种基于统一路网的交管领域知识图谱构建方法及装置 | |
CN112561410A (zh) | 道路车辆的排放量确定方法、装置及电子设备 | |
CN116956554A (zh) | 交通仿真处理方法、装置、电子设备及存储介质 | |
CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
CN114739386A (zh) | 一种地图数据处理的方法、装置、设备及介质 | |
CN113008246B (zh) | 地图匹配方法和装置 | |
CN114116854A (zh) | 轨迹数据处理方法、装置、设备和存储介质 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN116465394B (zh) | 基于车辆轨迹数据的路网结构生成方法及装置 | |
CN116935656B (zh) | 道路交通数据处理方法、装置、电子设备及存储介质 | |
CN115985124B (zh) | 车辆行驶的控制方法、装置、存储介质及电子装置 | |
CN115438516B (zh) | 仿真地图生成方法、电子设备及计算机存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40025833 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |