CN111402579A - 道路拥堵程度预测方法、电子装置及可读存储介质 - Google Patents

道路拥堵程度预测方法、电子装置及可读存储介质 Download PDF

Info

Publication number
CN111402579A
CN111402579A CN202010131724.5A CN202010131724A CN111402579A CN 111402579 A CN111402579 A CN 111402579A CN 202010131724 A CN202010131724 A CN 202010131724A CN 111402579 A CN111402579 A CN 111402579A
Authority
CN
China
Prior art keywords
road
preset
prediction
data
preset area
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
CN202010131724.5A
Other languages
English (en)
Inventor
杨哲
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.)
OneConnect Smart Technology Co Ltd
OneConnect Financial Technology Co Ltd Shanghai
Original Assignee
OneConnect Financial Technology Co Ltd Shanghai
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 OneConnect Financial Technology Co Ltd Shanghai filed Critical OneConnect Financial Technology Co Ltd Shanghai
Priority to CN202010131724.5A priority Critical patent/CN111402579A/zh
Publication of CN111402579A publication Critical patent/CN111402579A/zh
Priority to PCT/CN2020/106014 priority patent/WO2021169174A1/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Multimedia (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及智能决策技术领域，揭露了一种道路拥堵程度预测方法，该方法包括：对第一监控视频处理，得到各条道路对应的训练集，将训练集输入预设道路预测模型，得到各条道路对应的道路预测模型，对第二监控视频处理，得到更新的训练集，将更新的训练集输入道路预测模型，得到各条道路对应的道路预测优化模型，响应用户对某一指定道路的拥堵程度预测请求，对该指定道路及与该指定道路相交的周边道路的第三监控视频处理，得到数据集，将数据集输入该指定道路对应的道路预测优化模型，得到该指定道路的拥堵程度等级。本发明还提出一种电子装置以及一种计算机可读存储介质。本发明解决了道路拥堵程度预测时误差大的问题。

Description

道路拥堵程度预测方法、电子装置及可读存储介质
技术领域
本发明涉及智能决策技术领域，尤其涉及一种道路拥堵程度预测方法、电子装置及可读存储介质。
背景技术
随着当前道路上车流量的逐渐增大，交通压力越来越沉重，使得道路拥堵变得越加频繁。交通管理人员通过预测拥堵路段来疏导交通，出行人员通过预测目标地所经路段拥堵程度来选择出行道路，预测路段拥堵程度的需求越来越大。现有预测方案通常采用通用道路预测模型进行目标道路的预测，忽略了道路之间的差异性及同一道路在不同时间区间的变化，导致预测误差较大。例如，出行人员通过导航APP确认某道路当前畅通，然而到达该道路时发现该道路非常拥堵，使得该道路的交通压力更为沉重。
发明内容
鉴于以上内容，有必要提供一种道路拥堵程度预测方法，旨在解决道路拥堵程度预测时误差较大的问题。
本发明提供的道路拥堵程度预测方法，包括：
第一处理步骤：获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表；
第二处理步骤：将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集；
训练步骤：将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型；
迭代步骤：每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型；
预测步骤：响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频进行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
可选的，所述第一处理包括：
将所述第一监控视频拆分为多张视频帧，得到所述预设区域的各条道路对应的视频帧集合；
采用预设特征抽取算法从所述视频帧集合的每张视频帧中抽取特征点，得到每张视频帧对应的特征点集合；
将所述特征点集合中每个特征点分别与预设词汇树进行匹配，得到所述每张视频帧对应的文字信息，对所述文字信息进行汇总得到所述预设区域的各条道路对应的文本数据；
提取所述文本数据中的预设特征字段填入预设表格，得到所述预设区域的各条道路对应的特征表。
可选的，所述第二处理包括：
将所述预设区域的各条道路对应的特征表中的数据根据时间戳划分为多组第一数据，分别计算各组第一数据对应的平均车速和车流量；
根据所述平均车速和车流量计算各组第一数据对应的拥堵值，根据拥堵值与标签的映射关系确定各组第一数据对应的标签；
将所述各组第一数据对应的平均车速、车流量、标签的集合作为所述预设区域的各条道路对应的训练集。
可选的，所述第三处理包括：
对所述第三监控视频执行第一处理，得到所述指定道路对应的特征表；
将所述指定道路对应的特征表中的数据根据时间戳划分为多组第二数据，分别计算各组第二数据对应的平均车速和车流量；
将所述各组第二数据对应的平均车速、车流量的集合作为所述指定道路对应的数据集。
可选的，所述预设特征抽取算法为SURF算法，所述预设词汇树为深度二叉树。
可选的，所述方法还包括：
推荐步骤：若所述指定道路的拥堵程度类别为预设预警类别，则获取与所述指定道路的起点及终点相同的备选路线，分别对所述备选路线中的各段道路的拥堵程度进行预测，若预测结果皆为畅通，则将所述备选路线推荐给用户。
此外，为实现上述目的，本发明还提供一种电子装置，该电子装置包括：存储器、处理器，所述存储器中存储有可在所述处理器上运行的道路拥堵程度预测程序，所述道路拥堵程度预测程序被所述处理器执行时实现如下步骤：
第一处理步骤：获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表；
第二处理步骤：将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集；
训练步骤：将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型；
迭代步骤：每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型；
预测步骤：响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
可选的，所述第一处理包括：
将所述第一监控视频拆分为多张视频帧，得到所述预设区域的各条道路对应的视频帧集合；
采用预设特征抽取算法从所述视频帧集合的每张视频帧中抽取特征点，得到每张视频帧对应的特征点集合；
将所述特征点集合中每个特征点分别与预设词汇树进行匹配，得到所述每张视频帧对应的文字信息，对所述文字信息进行汇总得到所述预设区域的各条道路对应的文本数据；
提取所述文本数据中的预设特征字段填入预设表格，得到所述预设区域的各条道路对应的特征表。
可选的，所述第二处理包括：
将所述预设区域的各条道路对应的特征表中的数据根据时间戳划分为多组第一数据，分别计算各组第一数据对应的平均车速和车流量；
根据所述平均车速和车流量计算各组第一数据对应的拥堵值，根据拥堵值与标签的映射关系确定各组第一数据对应的标签；
将所述各组第一数据对应的平均车速、车流量、标签的集合作为所述预设区域的各条道路对应的训练集。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有道路拥堵程度预测程序，所述道路拥堵程度预测程序可被一个或者多个处理器执行，以实现上述道路拥堵程度预测方法的步骤。
相较现有技术，本发明通过将第一预设时间段内预设区域的每条道路的第一监控视频执行第一处理、第二处理后得到每条道路对应的训练集，将每条道路对应的训练集输入预设道路预测模型，得到每条道路对应的道路预测模型，此举考虑到了不同道路的空间差异性对预测结果的影响；然后，每隔第二预设时间段，获取每条道路的第二监控视频，执行第一处理、第二处理后得到更新的训练集，用更新的训练集对每条道路对应的道路预测模型进行迭代，得到了每条道路对应的道路预测优化模型，考虑到了同一道路的时间差异性对预测结果的影响；同时，本发明预测某一指定道路的拥堵情况时，还获取了与该指定道路相交的周边道路的第三监控视频，执行第三处理后共同作为该指定道路对应的数据集，充分考虑了周边环境对预测结果的影响，故而本发明解决了道路拥堵程度预测时误差较大的问题。
附图说明
图1为本发明电子装置一实施例的示意图；
图2为图1中的道路拥堵程度预测程序一实施例的程序模块图；
图3为本发明道路拥堵程度预测方法一实施例的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
如图1所示，为本发明电子装置1一实施例的示意图。电子装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。
在本实施例中，电子装置1包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，该存储器11中存储有道路拥堵程度预测程序10，所述道路拥堵程度预测程序10可被所述处理器12执行。图1仅示出了具有组件11-13以及道路拥堵程度预测程序10的电子装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对电子装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子装置1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子装置1的内部存储单元，例如该电子装置1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子装置1的操作系统和各类应用软件，例如存储本发明一实施例中的道路拥堵程度预测程序10的代码等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行与其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行道路拥堵程度预测程序10等。
网络接口13可包括无线网络接口或有线网络接口，该网络接口13用于在所述电子装置1与客户端(图中未画出)之间建立通信连接。
可选的，所述电子装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选的，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面。
在本发明的一实施例中，所述道路拥堵程度预测程序10被所述处理器12执行时实现如下第一处理步骤、第二处理步骤、训练步骤、迭代步骤及预测步骤。
第一处理步骤：获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表。
在本发明的一个实施例中，所述第一处理包括：
A1、将所述第一监控视频拆分为多张视频帧，得到所述预设区域的各条道路对应的视频帧集合。
A2、采用预设特征抽取算法从所述视频帧集合的每张视频帧中抽取特征点，得到每张视频帧对应的特征点集合。
所述特征点为对视频帧进行灰度处理后，视频帧中灰度值发生剧烈变化的点或在图像边缘上曲率较大的点，通常包括角点、边界点、亮出的暗点、暗处的亮点。
本实施例中，所述预设特征抽取算法为OpenCV框架中的SURF算法。OpenCV是一个跨平台计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法。
SURF算法通过特征检测、构建黑塞矩阵、构造尺度控件、特征点过滤及定位、计算特征点方向、生成特征描述来实现特征点的提取。
A3、将所述特征点集合中每个特征点分别与预设词汇树进行匹配，得到所述每张视频帧对应的文字信息，对所述文字信息进行汇总得到所述预设区域的各条道路对应的文本数据。
所述预设词汇树为深度二叉树，本实施例采用k-means聚类算法对所述预设词汇树进行训练。
所述文本数据中包含每张视频帧的时间戳、道路ID、各物体(车辆、路边行人、树木、建筑等)的形状、颜色、坐标(坐标是根据物体在视频帧中的位置转换而来的)。
A4、提取所述文本数据中的预设特征字段填入预设表格，得到所述预设区域的各条道路对应的特征表。
所述预设特征字段包括：时间戳、道路ID、车牌号、车辆位置。
所述预设表格为已确定表头信息的表格，本实施例中，预设表格的表头信息如下表1所示。
所述特征表以时间戳为行号。例如，道路ID为HD01(代表华东路(机场方向))对应的特征表如下表1所示：
Figure BDA0002395948240000071
Figure BDA0002395948240000081
表1
第二处理步骤：将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集。
本实施例中，所述第二处理包括：
B1、将所述预设区域的各条道路对应的特征表中的数据根据时间戳划分为多组第一数据，分别计算各组第一数据对应的平均车速和车流量。
本实施例中，根据时间戳将特征表中的数据按照预设时间区间(例如，每3分钟的数据为一组)进行分组。
B2、根据所述平均车速和车流量计算各组第一数据对应的拥堵值，根据拥堵值与标签的映射关系确定各组第一数据对应的标签。
所述拥堵值的计算公式为yi＝a*mi+b*ni，其中，yi为第i组第一数据对应的拥堵值，mi为第i组第一数据的平均车速，ni为第i组第一数据的车流量，a、b为平均车速、车流量的权重参数。
所述标签包括：畅通、一级拥堵、二级拥堵、三级拥堵。
B3、将所述各组第一数据对应的平均车速、车流量、标签的集合作为所述预设区域的各条道路对应的训练集。
训练步骤：将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型。
所述预设道路预测模型为逻辑回归模型。
逻辑回归模型是在线性回归的基础上，引入Sigmoid函数来解决分类问题。线上系统对实时性要求较高，逻辑回归模型以其简单、有效的特性使其在线上应用时更为受欢迎。本实施例采用逻辑回归模型使得预设道路预测模型的训练效率及预测效率都更高。
本实施例中，分别将预设区域的各条道路对应的训练集输入预设道路预测模型，得到预设区域的每条道路对应的专属模型，从而解决了不同道路的空间差异性对预测准确度的影响。
迭代步骤：每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型。
本实施例中，每隔第二预设时间段，对预设区域的每条道路对应的专属模型进行更新迭代，得到每条道路对应的道路预测优化模型，解决了同一道路的时间差异性对预测准确度的影响。例如，1.5小时前，华东路(机场方向)出现小面积道路下陷，此种情况将对预测结果产生较大影响。
预测步骤：响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
当接收到用户发送的某一指定道路的拥堵程度预测请求时，除了获取该指定道路在第三预设时间段内的监控视频外，同时需获取与该指定道路相交的周边道路的监控视频，充分考虑到了周边环境的影响，使得预测结果更为准确。
在本发明的一个实例中，所述第三处理包括：
C1、对所述第三监控视频执行第一处理，得到所述指定道路对应的特征表；
C2、将所述指定道路对应的特征表中的数据按照时间戳划分为多组第二数据，分别计算各组第二数据对应的平均车速和车流量；
C3、将所述各组第二数据对应的平均车速和车流量的集合作为所述指定道路对应的数据集。
本实施例中的数据集是不含标签的。所述第一数据、第二数据用于区分预设区域的各条道路对应的特征表中的分组后的数据及指定道路对应的特征表中的分组后的数据。
在本发明的另一个实施例中，所述道路拥堵程度预测程序10被所述处理器12执行时还实现如下步骤：
推荐步骤：若所述指定道路的拥堵程度类别为预设预警类别，则获取与所述指定道路的起点及终点相同的备选路线，分别对所述备选路线中的各段道路的拥堵程度进行预测，若预测结果皆为畅通，则将所述备选路线推荐给用户。
本实施例中，所述预设预警类别包括二级拥堵、三级拥堵。
由上述实施例可知，本发明提出的电子装置1，首先，通过将第一预设时间段内预设区域的每条道路的第一监控视频执行第一处理、第二处理后得到每条道路对应的训练集，将每条道路对应的训练集输入预设道路预测模型，得到每条道路对应的专属道路预测模型，此举考虑到了不同道路的空间差异性对预测结果的影响；然后，每隔第二预设时间段，获取每条道路的第二监控视频，执行第一处理、第二处理后得到更新的训练集，用更新的训练集对每条道路对应的专属道路预测模型进行迭代，得到了每条道路对应的道路预测优化模型，考虑到了同一道路的时间差异性对预测结果的影响；同时，本发明预测某一指定道路的拥堵情况时，还获取了与该指定道路相交的周边道路的第三监控视频，执行第三处理后共同作为该指定道路对应的数据集，充分考虑了周边环境对预测结果的影响，故而本发明解决了道路拥堵程度预测时误差较大的问题。
在其他实施例中，道路拥堵程度预测程序10还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述道路拥堵程度预测程序10在电子装置1中的执行过程。
如图2所示，为图1中的道路拥堵程度预测程序10一实施例的程序模块图。
在本发明的一个实施例中，道路拥堵程度预测程序10包括第一处理模块110、第二处理模块120、训练模块130、迭代模块140及预测模块150，示例性地：
所述第一处理模块110，用于获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表；
所述第二处理模块120，用于将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集；
所述训练模块130，用于将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型；
所述迭代模块140，用于每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型；
所述预测模块150，用于响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
上述第一处理模块110、第二处理模块120、训练模块130、迭代模块140及预测模块150等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
如图3所示，为本发明道路拥堵程度预测方法一实施例的流程图，该道路拥堵程度预测方法包括步骤S1-S5。
S1、获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表。
在本发明的一个实施例中，所述第一处理包括：
A1、将所述第一监控视频拆分为多张视频帧，得到所述预设区域的各条道路对应的视频帧集合。
A2、采用预设特征抽取算法从所述视频帧集合的每张视频帧中抽取特征点，得到每张视频帧对应的特征点集合。
所述特征点为对视频帧进行灰度处理后，视频帧中灰度值发生剧烈变化的点或在图像边缘上曲率较大的点，通常包括角点、边界点、亮出的暗点、暗处的亮点。
本实施例中，所述预设特征抽取算法为OpenCV框架中的SURF算法。OpenCV是一个跨平台计算机视觉库，实现了图像处理和计算机视觉方面的很多通用算法。
SURF算法通过特征检测、构建黑塞矩阵、构造尺度控件、特征点过滤及定位、计算特征点方向、生成特征描述来实现特征点的提取。
A3、将所述特征点集合中每个特征点分别与预设词汇树进行匹配，得到所述每张视频帧对应的文字信息，对所述文字信息进行汇总得到所述预设区域的各条道路对应的文本数据。
所述预设词汇树为深度二叉树，本实施例采用k-means聚类算法对所述预设词汇树进行训练。
所述文本数据中包含每张视频帧的时间戳、道路ID、各物体(车辆、路边行人、树木、建筑等)的形状、颜色、坐标(坐标是根据物体在视频帧中的位置转换而来的)。
A4、提取所述文本数据中的预设特征字段填入预设表格，得到所述预设区域的各条道路对应的特征表。
所述预设特征字段包括：时间戳、道路ID、车牌号、车辆位置。
所述预设表格为已确定表头信息的表格，本实施例中，预设表格的表头信息如上表1所示。
所述特征表以时间戳为行号。例如，道路ID为HD01(代表华东路(机场方向))对应的特征表如上表1所示。
S2、将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集。
本实施例中，所述第二处理包括：
B1、将所述预设区域的各条道路对应的特征表中的数据根据时间戳划分为多组第一数据，分别计算各组第一数据对应的平均车速和车流量。
本实施例中，根据时间戳将特征表中的数据按照预设时间区间(例如，每3分钟的数据为一组)进行分组。
B2、根据所述平均车速和车流量计算各组第一数据对应的拥堵值，根据拥堵值与标签的映射关系确定各组第一数据对应的标签。
所述拥堵值的计算公式为yi＝a*mi+b*ni，其中，yi为第i组第一数据对应的拥堵值，mi为第i组第一数据的平均车速，ni为第i组第一数据的车流量，a、b为平均车速、车流量的权重参数。
所述标签包括：畅通、一级拥堵、二级拥堵、三级拥堵。
B3、将所述各组第一数据对应的平均车速、车流量、标签的集合作为所述预设区域的各条道路对应的训练集。
S3、将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型。
所述预设道路预测模型为逻辑回归模型。
逻辑回归模型是在线性回归的基础上，引入Sigmoid函数来解决分类问题。线上系统对实时性要求较高，逻辑回归模型以其简单、有效的特性使其在线上应用时更为受欢迎。本实施例采用逻辑回归模型使得预设道路预测模型的训练效率及预测效率都更高。
本实施例中，分别将预设区域的各条道路对应的训练集输入预设道路预测模型，得到预设区域的每条道路对应的专属模型，从而解决了不同道路的空间差异性对预测准确度的影响。
S4、每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型。
本实施例中，每隔第二预设时间段，对预设区域的每条道路对应的专属模型进行更新迭代，得到每条道路对应的道路预测优化模型，解决了同一道路的时间差异性对预测准确度的影响。例如，1.5小时前，华东路(机场方向)出现小面积道路下陷，此种情况将对预测结果产生较大影响。
S5、响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级。
当接收到用户发送的某一指定道路的拥堵程度预测请求时，除了获取该指定道路在第三预设时间段内的监控视频外，同时需获取与该指定道路相交的周边道路的监控视频，充分考虑到了周边环境的影响，使得预测结果更为准确。
在本发明的一个实例中，所述第三处理包括：
C1、对所述第三监控视频执行第一处理，得到所述指定道路对应的特征表；
C2、将所述指定道路对应的特征表中的数据按照时间戳划分为多组第二数据，分别计算各组第二数据对应的平均车速和车流量；
C3、将所述各组第二数据对应的平均车速和车流量的集合作为所述指定道路对应的数据集。
本实施例中的数据集是不含标签的。所述第一数据、第二数据用于区分预设区域的各条道路对应的特征表中的分组后的数据及指定道路对应的特征表中的分组后的数据。
在本发明的另一个实施例中，所述方法还包括如下步骤：
若所述指定道路的拥堵程度类别为预设预警类别，则获取与所述指定道路的起点及终点相同的备选路线，分别对所述备选路线中的各段道路的拥堵程度进行预测，若预测结果皆为畅通，则将所述备选路线推荐给用户。
本实施例中，所述预设预警类别包括二级拥堵、三级拥堵。
由上述实施例可知，本发明提出的道路拥堵程度预测方法，首先，通过将第一预设时间段内预设区域的每条道路的第一监控视频执行第一处理、第二处理后得到每条道路对应的训练集，将每条道路对应的训练集输入预设道路预测模型，得到每条道路对应的专属道路预测模型，此举考虑到了不同道路的空间差异性对预测结果的影响；然后，每隔第二预设时间段，获取每条道路的第二监控视频，执行第一处理、第二处理后得到更新的训练集，用更新的训练集对每条道路对应的专属道路预测模型进行迭代，得到了每条道路对应的道路预测优化模型，考虑到了同一道路的时间差异性对预测结果的影响；同时，本发明预测某一指定道路的拥堵情况时，还获取了与该指定道路相交的周边道路的第三监控视频，执行第三处理后共同作为该指定道路对应的数据集，充分考虑了周边环境对预测结果的影响，故而本发明解决了道路拥堵程度预测时误差较大的问题。
此外，本发明实施例还提出一种计算机可读存储介质，计算机可读存储介质可以是硬盘、多媒体卡、SD卡、闪存卡、SMC、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器等中的任意一种或者几种的任意组合。计算机可读存储介质中包括道路拥堵程度预测程序10，所述道路拥堵程度预测程序10被处理器执行时实现如下操作：
获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表；
将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集；
将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型；
每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型；
响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
本发明之计算机可读存储介质的具体实施方式与上述基于道路拥堵程度预测方法以及电子装置1的具体实施方式大致相同，在此不再赘述。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
需要说明的是，在本文中，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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种道路拥堵程度预测方法，应用于电子装置，其特征在于，所述方法包括：
第一处理步骤：获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表；
第二处理步骤：将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集；
训练步骤：将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型；
迭代步骤：每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型；
预测步骤：响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
2.如权利要求1所述的道路拥堵程度预测方法，其特征在于，所述第一处理包括：
将所述第一监控视频拆分为多张视频帧，得到所述预设区域的各条道路对应的视频帧集合；
采用预设特征抽取算法从所述视频帧集合的每张视频帧中抽取特征点，得到每张视频帧对应的特征点集合；
将所述特征点集合中每个特征点分别与预设词汇树进行匹配，得到所述每张视频帧对应的文字信息，对所述文字信息进行汇总得到所述预设区域的各条道路对应的文本数据；
提取所述文本数据中的预设特征字段填入预设表格，得到所述预设区域的各条道路对应的特征表。
3.如权利要求2所述的道路拥堵程度预测方法，其特征在于，所述第二处理包括：
将所述预设区域的各条道路对应的特征表中的数据根据时间戳划分为多组第一数据，分别计算各组第一数据对应的平均车速和车流量；
根据所述平均车速和车流量计算各组第一数据对应的拥堵值，根据拥堵值与标签的映射关系确定各组第一数据对应的标签；
将所述各组第一数据对应的平均车速、车流量、标签的集合作为所述预设区域的各条道路对应的训练集。
4.如权利要求3所述的道路拥堵程度预测方法，其特征在于，所述第三处理包括：
对所述第三监控视频执行第一处理，得到所述指定道路对应的特征表；
将所述指定道路对应的特征表中的数据根据时间戳划分为多组第二数据，分别计算各组第二数据对应的平均车速和车流量；
将所述各组第二数据对应的平均车速、车流量的集合作为所述指定道路对应的数据集。
5.如权利要求2所述的道路拥堵程度预测方法，其特征在于，所述预设特征抽取算法为SURF算法，所述预设词汇树为深度二叉树。
6.如权利要求1-5任一项所述的道路拥堵程度预测方法，其特征在于，所述方法还包括：
推荐步骤：若所述指定道路的拥堵程度类别为预设预警类别，则获取与所述指定道路的起点及终点相同的备选路线，分别对所述备选路线中的各段道路的拥堵程度进行预测，若预测结果皆为畅通，则将所述备选路线推荐给用户。
7.一种电子装置，其特征在于，该电子装置包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的道路拥堵程度预测程序，所述道路拥堵程度预测程序被所述处理器执行时实现如下步骤：
第一处理步骤：获取第一预设时间段内预设区域的各条道路的第一监控视频，对所述第一监控视频执行第一处理，得到所述预设区域的各条道路对应的特征表；
第二处理步骤：将所述预设区域的各条道路对应的特征表中的数据执行第二处理，得到所述预设区域的各条道路对应的训练集；
训练步骤：将所述训练集输入预设道路预测模型进行训练，得到所述预设区域的各条道路对应的道路预测模型；
迭代步骤：每隔第二预设时间段，获取所述第二预设时间段内预设区域的各条道路的第二监控视频，对所述第二监控视频执行所述第一处理、第二处理，得到所述预设区域的各条道路对应的更新的训练集，将所述更新的训练集输入所述各条道路对应的道路预测模型中进行训练，得到所述预设区域的各条道路对应的道路预测优化模型；
预测步骤：响应用户发送的所述预设区域内某一指定道路的拥堵程度预测请求，获取所述指定道路及与所述指定道路相交的周边道路在第三预设时间段内的第三监控视频，对所述第三监控视频执行第三处理得到所述指定道路对应的数据集，将所述数据集输入所述指定道路对应的道路预测优化模型中进行预测，得到所述指定道路的拥堵程度等级并显示于显示终端。
8.如权利要求7所述的电子装置，其特征在于，所述第一处理包括：
将所述第一监控视频拆分为多张视频帧，得到所述预设区域的各条道路对应的视频帧集合；
采用预设特征抽取算法从所述视频帧集合的每张视频帧中抽取特征点，得到每张视频帧对应的特征点集合；
将所述特征点集合中每个特征点分别与预设词汇树进行匹配，得到所述每张视频帧对应的文字信息，对所述文字信息进行汇总得到所述预设区域的各条道路对应的文本数据；
提取所述文本数据中的预设特征字段填入预设表格，得到所述预设区域的各条道路对应的特征表。
9.如权利要求8所述的电子装置，其特征在于，所述第二处理包括：
将所述预设区域的各条道路对应的特征表中的数据根据时间戳划分为多组第一数据，分别计算各组第一数据对应的平均车速和车流量；
根据所述平均车速和车流量计算各组第一数据对应的拥堵值，根据拥堵值与标签的映射关系确定各组第一数据对应的标签；
将所述各组第一数据对应的平均车速、车流量、标签的集合作为所述预设区域的各条道路对应的训练集。
10.一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上存储有道路拥堵程度预测程序，所述道路拥堵程度预测程序可被一个或者多个处理器执行，以实现如权利要求1至6任一项所述的道路拥堵程度预测方法的步骤。
CN202010131724.5A 2020-02-29 2020-02-29 道路拥堵程度预测方法、电子装置及可读存储介质 Pending CN111402579A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010131724.5A CN111402579A (zh) 2020-02-29 2020-02-29 道路拥堵程度预测方法、电子装置及可读存储介质
PCT/CN2020/106014 WO2021169174A1 (zh) 2020-02-29 2020-07-30 道路拥堵程度预测方法、装置、计算机设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010131724.5A CN111402579A (zh) 2020-02-29 2020-02-29 道路拥堵程度预测方法、电子装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN111402579A true CN111402579A (zh) 2020-07-10

Family

ID=71432104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010131724.5A Pending CN111402579A (zh) 2020-02-29 2020-02-29 道路拥堵程度预测方法、电子装置及可读存储介质

Country Status (2)

Country Link
CN (1) CN111402579A (zh)
WO (1) WO2021169174A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862605A (zh) * 2020-07-20 2020-10-30 腾讯科技（深圳）有限公司 路况检测方法、装置、电子设备及可读存储介质
CN112507964A (zh) * 2020-12-22 2021-03-16 北京百度网讯科技有限公司 用于车道级事件的检测方法和装置、路侧设备和云控平台
WO2021169174A1 (zh) * 2020-02-29 2021-09-02 深圳壹账通智能科技有限公司 道路拥堵程度预测方法、装置、计算机设备及可读存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115691141B (zh) * 2022-11-10 2024-01-30 无锡市德宁节能科技有限公司 一种基于护栏的城市交通管理方法和系统及网络侧服务端
CN117409381B (zh) * 2023-12-14 2024-03-08 杭州像素元科技有限公司 基于场景图像分割的高速公路收费站拥堵检测模型及方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080033630A1 (en) * 2006-07-26 2008-02-07 Eun-Mi Lee System and method of predicting traffic speed based on speed of neighboring link
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统
CN103679674A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种无人飞行器实时图像拼接方法及系统
CN105678730A (zh) * 2014-11-17 2016-06-15 西安三茗科技有限责任公司 一种基于图像识别的相机移动自检测方法
CN106297297A (zh) * 2016-11-03 2017-01-04 成都通甲优博科技有限责任公司 基于深度学习的交通拥堵判别方法
CN108364302A (zh) * 2018-01-31 2018-08-03 华南理工大学 一种无标记的增强现实多目标注册跟踪方法
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN109767030A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 道路拥堵检测方法、装置、计算机设备及存储介质
CN110533722A (zh) * 2019-08-30 2019-12-03 的卢技术有限公司 一种基于视觉词典的机器人快速重定位方法及系统
CN110570651A (zh) * 2019-07-15 2019-12-13 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680787B (zh) * 2015-02-04 2017-08-01 上海依图网络科技有限公司 一种道路拥堵检测方法
CN105788272B (zh) * 2016-05-16 2018-03-16 杭州智诚惠通科技有限公司 一种道路流量拥堵报警的方法与系统
CN108492557A (zh) * 2018-03-23 2018-09-04 四川高路交通信息工程有限公司 基于多模型融合的高速公路拥堵等级判断方法
CN109300310B (zh) * 2018-11-26 2021-09-17 平安科技（深圳）有限公司 一种车流量预测方法及装置
CN109887283B (zh) * 2019-03-07 2021-01-26 东莞数汇大数据有限公司 一种基于卡口数据的道路拥堵预测方法、系统及装置
JP2020030870A (ja) * 2019-12-03 2020-02-27 パイオニア株式会社 渋滞予測システム、端末装置、渋滞予測方法および渋滞予測プログラム
CN111402579A (zh) * 2020-02-29 2020-07-10 深圳壹账通智能科技有限公司 道路拥堵程度预测方法、电子装置及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080033630A1 (en) * 2006-07-26 2008-02-07 Eun-Mi Lee System and method of predicting traffic speed based on speed of neighboring link
CN102110365A (zh) * 2009-12-28 2011-06-29 日电（中国）有限公司 基于时空关系的路况预测方法和系统
CN103679674A (zh) * 2013-11-29 2014-03-26 航天恒星科技有限公司 一种无人飞行器实时图像拼接方法及系统
CN105678730A (zh) * 2014-11-17 2016-06-15 西安三茗科技有限责任公司 一种基于图像识别的相机移动自检测方法
CN106297297A (zh) * 2016-11-03 2017-01-04 成都通甲优博科技有限责任公司 基于深度学习的交通拥堵判别方法
CN108364302A (zh) * 2018-01-31 2018-08-03 华南理工大学 一种无标记的增强现实多目标注册跟踪方法
CN109767030A (zh) * 2018-12-14 2019-05-17 深圳壹账通智能科技有限公司 道路拥堵检测方法、装置、计算机设备及存储介质
CN109697852A (zh) * 2019-01-23 2019-04-30 吉林大学 基于时序交通事件的城市道路拥堵程度预测方法
CN110570651A (zh) * 2019-07-15 2019-12-13 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统
CN110533722A (zh) * 2019-08-30 2019-12-03 的卢技术有限公司 一种基于视觉词典的机器人快速重定位方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙华生;李晓轩;: "高维遥感图像的快速分类算法", 测绘科学, no. 08 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021169174A1 (zh) * 2020-02-29 2021-09-02 深圳壹账通智能科技有限公司 道路拥堵程度预测方法、装置、计算机设备及可读存储介质
CN111862605A (zh) * 2020-07-20 2020-10-30 腾讯科技（深圳）有限公司 路况检测方法、装置、电子设备及可读存储介质
CN111862605B (zh) * 2020-07-20 2022-03-08 腾讯科技（深圳）有限公司 路况检测方法、装置、电子设备及可读存储介质
CN112507964A (zh) * 2020-12-22 2021-03-16 北京百度网讯科技有限公司 用于车道级事件的检测方法和装置、路侧设备和云控平台
CN112507964B (zh) * 2020-12-22 2024-04-19 阿波罗智联(北京)科技有限公司 用于车道级事件的检测方法和装置、路侧设备和云控平台

Also Published As

Publication number Publication date
WO2021169174A1 (zh) 2021-09-02

Similar Documents

Publication Publication Date Title
CN111402579A (zh) 道路拥堵程度预测方法、电子装置及可读存储介质
CN108416198B (zh) 人机识别模型的建立装置、方法及计算机可读存储介质
CN111178452B (zh) 驾驶风险识别方法、电子装置及可读存储介质
CN112597135A (zh) 用户分类方法、装置、电子设备及可读存储介质
CN111461905A (zh) 车险骗赔规避方法、装置、计算机设备及存储介质
CN113962199B (zh) 文本识别方法、装置、设备、存储介质及程序产品
CN114281991A (zh) 文本分类方法、装置、电子设备及存储介质
CN112069782B (zh) 文档模板生成方法、装置、电子设备及存储介质
CN112651782A (zh) 基于缩放点积注意力的行为预测方法、装置、设备及介质
CN110766938B (zh) 路网拓扑结构的构建方法、装置、计算机设备及存储介质
CN116843395A (zh) 一种业务系统的告警分级方法、装置、设备及存储介质
CN113610580B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN113515591B (zh) 文本不良信息识别方法、装置、电子设备及存储介质
CN115757075A (zh) 任务异常检测方法、装置、计算机设备及存储介质
CN113642642B (zh) 控件识别方法及装置
CN113064984A (zh) 意图识别方法、装置、电子设备及可读存储介质
CN111695441B (zh) 图像文档处理方法、装置及计算机可读存储介质
CN114818685A (zh) 关键词提取方法、装置、电子设备及存储介质
CN113656586A (zh) 情感分类方法、装置、电子设备及可读存储介质
CN113849552A (zh) 结构化数据转换方法、装置、电子设备及介质
CN112231196B (zh) App埋点行为分类方法、装置、计算机设备及存储介质
CN111652742B (zh) 用户数据处理方法、装置、电子设备及可读存储介质
CN113312482B (zh) 问题分类方法、装置、电子设备及可读存储介质
CN114943989B (zh) 基于人工智能的狗脸关键点检测方法及相关设备
CN113657910B (zh) 实名认证方法、装置、电子设备及可读存储介质

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

Application publication date: 20200710

RJ01 Rejection of invention patent application after publication