CN111402580A - 车辆行驶轨迹预测方法、装置及电子设备 - Google Patents

Abstract

本申请提供一种车辆行驶轨迹预测方法、装置及电子设备，方法包括：获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹；获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹；依据目标历史行驶轨迹与当前行驶轨迹确定出候选轨迹点；依据目标历史行驶轨迹与当前行驶轨迹确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率；依据概率将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点。应用该方法，可以提高车辆行驶轨迹预测结果的准确性。

Description

车辆行驶轨迹预测方法、装置及电子设备

技术领域

本申请涉及数据处理技术领域，尤其涉及一种车辆行驶轨迹预测方法、装置及电子设备。

背景技术

随着社会经济的不断发展，居民的汽车保有量也逐渐增多，道路交通情况也愈益复杂，在复杂的交通环境下，对于车辆行驶轨迹的预测也就更为艰难。

现有技术中，在预测某一车辆的行驶轨迹时，首先由用户根据自身主观的逻辑思维确定一些该车辆可能会前往的轨迹点，之后，通过最短路径规划的方式，将这些轨迹点中，与该车辆当前所处位置最近的轨迹点确定为该车辆的预测轨迹点，也即该车辆即将前往的轨迹点。由此可见，现有技术中，是依赖于轨迹点与车辆当前所处位置之间的距离预测车辆的行驶轨迹的。

然而，在真实场景中，车辆驾驶人并非单纯的依据距离的远近驾驶车辆，因此，现有技术中预测出的车辆行驶轨迹的准确率较低。

发明内容

有鉴于此，本申请提供一种车辆行驶轨迹预测方法、装置及电子设备，以解决现有技术中预测出的车辆行驶轨迹的准确率较低的问题。

可选的，本申请是通过如下技术方案实现的：

根据本申请实施例的第一方面，提供一种车辆行驶轨迹预测方法，方法包括：

获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹；

获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹，其中，历史时段为当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段；

依据目标历史行驶轨迹与当前行驶轨迹确定候选轨迹点；

依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率；

依据概率，将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点，预测轨迹点为目标车辆在当前行驶轨迹的终点之后将要到达的轨迹点。

根据本申请实施例的第二方面，提供一种车辆行驶轨迹预测装置，装置包括：

当前轨迹获取单元，被配置为获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹；

历史轨迹获取单元，被配置为获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹，其中，历史时段为当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段；

候选点确定单元，被配置为依据目标历史行驶轨迹与当前行驶轨迹确定候选轨迹点；

概率计算单元，被配置为依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率；

预测点确定单元，被配置为依据概率，将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点，预测轨迹点为目标车辆在当前行驶轨迹的终点之后将要到达的轨迹点。

根据本申请实施例的第三方面，提供一种电子设备，包括处理器及存储器；存储器存储有可被处理器调用的程序；其中，处理器执行程序时，实现如前述实施例所述的车辆行驶轨迹预测方法。

根据本申请实施例的第四方面，提供一种机器可读存储介质，其上存储有程序，该程序被处理器执行时，实现如前述实施例所述的车辆行驶轨迹预测方法。

根据本申请实施例的第五方面，提供一种计算机程序，计算机程序存储于机器可读存储介质，并且当处理器执行计算机程序时，实现如前述实施例所述的车辆行驶轨迹预测方法。

应用本申请实施例，通过获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹，并获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹，依据该目标历史行驶轨迹与当前行驶轨迹确定出候选轨迹点，并确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率，依据确定出的概率将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点，由于目标历史行驶轨迹跟车辆驾驶人主观的驾驶行为息息相关，从而依据目标历史行驶轨迹对目标车辆当前的行驶轨迹进行预测可以有效提高预测结果的准确性。

附图说明

图1为本申请一示例性实施例提供的一种车辆行驶轨迹预测方法的实施例流程图；

图2为参考轨迹的示意图；

图3为本申请一示例性实施例提供的一种步骤101的实现流程；

图4为目标车辆在当天经过的所有轨迹点的示意图；

图5为本申请一示例性实施例提供的一种步骤104的实现流程；

图6为本申请一示例性实施例提供的一种步骤502的实现流程；

图7为本申请一示例性实施例提供的一种生成统计数据库的方法的实施例流程图；

图8为本申请一示例性实施例提供的一种车辆行驶轨迹预测装置的实施例框图；

图9为本申请根据一示例性实施例示出的一种电子设备的硬件结构图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

为解决上述问题，本申请提出一种车辆行驶轨迹的预测方法，在该方法中，依据目标车辆距离当前时间最近的当前行驶轨迹和目标车辆在至少一个历史时段(历史时段为当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段)内的历史行驶轨迹共同对目标车辆进行轨迹预测，由于历史行驶轨迹跟目标车辆驾驶人主观的驾驶行为息息相关，从而可以有效地提高预测结果的准确性。如下，对该方法进行详细说明：

为了便于理解，首先对本申请中涉及到的一些名词进行描述：

1、过车数据库和过车数据

如下述表1所示，为过车数据库的一种示例：

表1过车数据库

首先说明，上述表1中的每一行则表示一条过车数据。

在表1所示例的过车数据库中，rowkey是该过车数据库的主键，其可以唯一地标识一条过车数据。

如表1所示，每一条过车数据中可以包括轨迹点标识、车牌号码、车牌颜色、车牌类型、车辆颜色、车辆类型、过车时间。其中，轨迹点标识可以用卡口标识来表示，这里所说的卡口即采集到该条过车数据的前端摄像机所位于的卡口；过车时间可以为该条过车数据的采集时间，其可以表示出车辆经过轨迹点的时间，在表1中，过车时间以UNIX时间戳表示，例如，2019年5月1日上午10点30分对应的UNIX时间戳为“1504283538815”，2019年5月1日上午11点对于的UNIX时间戳为“1504283538865”，2019年5月1日下午1点对应的UNIX时间戳为“1504283539203”。

以表1中的第一行为例：该条过车数据的rowKey为17061，所对应车辆的车牌号码为“浙A12345”，车牌颜色为“蓝底白字”，车牌类型为“民用”，车辆颜色为“黑色”，车辆类型为“SUV”，该车辆在2019年5月1日上午10点30分经过轨迹点A。

需要说明的是，上述表1仅仅是对过车数据库的示例性说明，在实际应用中，过车数据中还可以包括其他信息，例如车辆尺寸、车辆行驶方向等等，本申请对此不做具体限定。

另外，在实际应用中，可以基于各个卡口上报的过车日志，生成过车数据，并添加至过车数据库(下文中以表1所示过车数据库为例)中，至于各个卡口是如何生成过车日志的，本申请则不再详述。

2、行驶轨迹

在本申请实施例中，行驶轨迹可以由多个按照一定顺序排列的轨迹点来表示，其中，该“一定顺序”则由车辆经过轨迹点的先后顺序决定。

举例来说，上述表1的前三行为同一车辆的过车数据，按照其中的过车时间，该车辆依次经过轨迹点A、轨迹点C、轨迹点D，那么，该车辆的行驶轨迹可以表示为：A-C-D。

3、统计数据库

如下述表2所示，为统计数据库的一种示例：

表2统计数据库

上述表2中的每一行表示一条统计数据，该统计数据记录有车辆在各历史时段内的行驶轨迹，这里的历史时段的时长为1天(日)。例如，上述表2中的第1行和第2行分别记录有车辆标识为“浙A12345+蓝底白字”的车辆在2018年9月2日和2018年9月3日的行驶轨迹，上述表2中的第3行记录有车辆标识为“浙A12389+蓝底白字”的车辆在2018年9月2日的行驶轨迹。

另外，上述表2中的行驶轨迹中还可以包括车辆经过该行驶轨迹中每一轨迹点的具体时间，表2中不再一一示例。

还需要说明的是，上述表2仅仅是对统计数据库的示例性说明，在实际应用中，统计数据库中还可以包括车辆的其他信息，例如车辆颜色、车辆类型等等，同时，上述表2中将车牌号码和车牌颜色作为车辆标识仅仅是示例性说明，在实际应用中，车辆标识还可以为其他能够唯一标识车辆的参数组合，本申请对此不做限制。

至于本申请实施例生成上述表2所示例的统计数据库的具体过程，在下文中进行描述，这里暂不赘述。

至此，完成对本申请涉及名词的相关说明。

下面对本申请提供的车辆行驶轨迹预测方法进行说明。

请参见图1，为本申请一示例性实施例提供的一种车辆行驶轨迹预测方法的实施例流程图，该方法包括以下步骤：

步骤101：获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹。

在本申请实施例中，可以根据目标车辆的车辆标识，从已记录的过车数据中，例如过车数据库中获取车辆标识为该目标车辆的车辆标识的过车数据，为了描述方便，将此处获取到的过车数据称为候选过车数据。之后，从所有候选过车数据中获取过车时间满足设定条件的候选过车数据，为了描述方便，将此处获取到的候选过车数据称为第一目标过车数据。最后，依据第一目标过车数据获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹。

作为一个示例，上述设定条件可以指：过车时间处于预设的时间范围内，例如当天内，也即第一目标过车数据是指车辆标识为目标车辆的车辆标识，且过车时间处于当天的过车数据。

至于是如何依据第一目标过车数据获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹的，在下文中会有描述，这里暂不赘述。

步骤102：获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹。

在本申请实施例中，上述历史时段为当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段。

作为一个示例，上述历史时段可以为当前日期之前，且时长为预设时长的时间段。如此设置的原因在于：在实际应用中，较少地出现车辆驾驶人驾驶车辆在一天内重复多次往返于相同的轨迹点的情况，因此，车辆在当前日期的行驶轨迹，即当天的行驶轨迹对于车辆行驶轨迹的预测也就仅具有微小意义，从而，在进行车辆轨迹预测时，可以直接参考当前日期之前的行驶轨迹，无需再参考当前日期的行驶轨迹。

作为一个示例，上述预设时长大于步骤101中获得的当前行驶轨迹所对应的时长，也即历史时段所涵盖的除日期以外的时间范围大于步骤101中获得的当前行驶轨迹所对应的时间范围。如此设置的原因在于：一方面，倘若将上述历史时段设置为当前日期之前的，与步骤101中获得的当前行驶轨迹所对应的时段相同，则有可能出现无法获取到历史行驶轨迹的情况，如此也就将影响后续的轨迹预测；另一方面，车辆驾驶人作为具有自主意识的个体，其行为会受到多方面的影响，从而车辆驾驶人并不是严格的按照相同的时段驾驶车辆行驶相同的轨迹。例如，车辆在2018年9月2日至12日每天上午的行驶轨迹为A-B-C-D，但该车辆在2018年9月13日当天下午的当前行驶轨迹为A-B-C，倘若只参考该车辆在当前日期之前的，每一天下午的历史行驶轨迹，则不会考虑将轨迹点D作为该车辆的预测轨迹点，但真实的情况是该车辆很有可能前往轨迹点D。由此可见，倘若将上述历史时段设置为当前日期之前的，与步骤101中获得的当前行驶轨迹所对应的时段相同，则很有可能降低轨迹预测结果的准确性，而通过将预设时长设置为大于步骤101中获得的当前行驶轨迹所对应的时长，则可以有效地克服这一问题，提高轨迹预测结果的准确性。

在该示例中，作为一种优选的实现方式，上述预设时长可以与已记录的历史行驶轨迹所对应的历史时段的时长相同。例如，在上述表2中，是以天为单位统计并记录车辆的历史行驶轨迹的，也即，历史行驶轨迹所对应的历史时段的时长为1天，那么，则可以将上述预设时长设置为1天。通过该种处理，可以实现仅实时查询少量数据即可从已记录的历史行驶轨迹中获得目标车辆在至少一个历史时段内的历史行驶轨迹，进而可以缩短车辆行驶轨迹预测的时长，提高车辆行驶轨迹的预测效率，同时降低服务器负荷。

在本申请实施例中，可以从已记录的历史行驶轨迹中获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹。例如，预先设置从已记录的历史行驶轨迹中获得目标车辆在7个历史时段内行驶轨迹作为目标历史行驶轨迹，并假设当前日期为2018年9月4日，那么，则可以从已记录的历史行驶轨迹中获得2018年9月3日、2018年9月2日、2018年9月1日、2018年8月31日、2018年8月30日、2018年8月29日，以及2018年8月28日这7天内的行驶轨迹作为目标历史行驶轨迹。

以从上述表2中获得目标车辆在一个历史时段内的行驶轨迹为例，可以以目标车辆的车辆标识和该历史时段为关键字，在表2所示例的统计数据库包含的对应关系中查找包含该关键字的对应关系，为了描述方便，将查找到的包含该关键字的对应关系称为目标对应关系。之后，将目标对应关系中的行驶轨迹确定为目标车辆在该历史时段内的行驶轨迹。

步骤103：依据目标历史行驶轨迹与当前行驶轨迹确定候选轨迹点。

在本申请实施例中，首先，依据过车时间升序的顺序对步骤102中获得的所有目标历史行驶轨迹中的所有轨迹点进行排序，为了描述方便，将经过如此处理得到的轨迹称为参考轨迹。然后，在参考轨迹中确定目标轨迹点，该目标轨迹点的轨迹点标识与当前行驶轨迹的终点的轨迹点标识相同。最后，在参考轨迹中，将各目标轨迹点的后一个轨迹点确定为候选轨迹点。

举例来说，假设当前行驶轨迹为A-B-C，获取到的4条目标历史行驶轨迹分别为B-A-E-C、D-F-G、B-E-C、F-E-C-A-H，并假设按照过车时间对该4条目标历史行驶轨迹中的所有轨迹点进行排序后，所得到的参考轨迹为B-A-E-C-D-F-G-B-E-C-F-E-C-A-H。在该例子中，为了描述方便，示出图2，在图2中，将上述参考轨迹中的15个轨迹点标为15个位置，按照上述描述，位置4、10、13上的轨迹点为目标轨迹点，位置5、11、14上的轨迹点为候选轨迹点，也即最终确定出的候选轨迹点包括D、F、A。

再举例来说，假设图2所示参考轨迹中位置14上的轨迹点为D，那么，最终确定出的候选轨迹点包括D、F。

由此可见，候选轨迹点即为参考目标历史行驶轨迹所得到的，目标车辆在当前行驶轨迹下有可能会前往的轨迹点。

在上述描述中，作为一个示例，可以采取滑窗遍历的方式从参考轨迹中找到与当前行驶轨迹的终点相同的轨迹点。

步骤104：依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率。

在实际应用中，目标车辆的行驶轨迹很可能具有一定的规律性和周期性，例如，在每周的周一至周五，目标车辆每天的行驶轨迹为“A-B-C-A”，在每周的周六，目标车辆的行驶轨迹为“A-D-E-A”，因此，可以根据这种“规律性和周期性”预测目标车辆在当前行驶轨迹下前往各候选轨迹点的概率，换言之，即依据目标历史行驶轨迹与当前行驶轨迹确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率。

至于是如何依据目标历史行驶轨迹与当前行驶轨迹确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率的，在下文中会有描述，这里暂不详述。

步骤105：依据概率，将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点。

在本申请实施例中，预测轨迹点为目标车辆在当前行驶轨迹的终点之后将要到达的轨迹点。

作为一个示例，可以依据概率从大到小的顺序，将各候选轨迹点进行排序，在排序结果中，将位于前M位的候选轨迹点确定为目标车辆的预测轨迹点。其中，M为大于0的自然数，例如，M为3。

作为另一个示例，可以依据概率，将概率大于预设阈值的候选轨迹点确定为目标车辆的预测轨迹点。

由上述实施例可见，通过获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹，并获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹，依据该目标历史行驶轨迹与当前行驶轨迹确定出候选轨迹点，并确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率，依据确定出的概率将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点，由于目标历史行驶轨迹跟车辆驾驶人主观的驾驶行为息息相关，从而依据目标历史行驶轨迹对目标车辆当前的行驶轨迹进行预测可以有效提高预测结果的准确性。

此外，在执行完上述步骤103之后且执行步骤104之前，作为一个示例，可以在参考轨迹中，针对每相邻的两个轨迹点，计算出该相邻的两个相邻的轨迹点各自对应的过车时间之间的时间差，若该时间差大于预设的时间阈值，例如2小时，则可以在该相邻的两个轨迹点之间插入指定轨迹点，例如“0”，该指定轨迹点可用于表示车辆消失。

此外，还可设置指定轨迹点的过车时间，作为一个示例，可将指定轨迹点的过车时间设置为该相邻的两个轨迹点的过车时间之间的一个时间，例如，假设该相邻的两个轨迹点的过车时间分别为上午8点和上午11点，设置指定轨迹点的过车时间为上午9点。

通过该种处理可以实现：如果在步骤104中确定的候选轨迹点包括上述指定轨迹点，例如“0”，且在步骤105中将该指定轨迹点确定为预测轨迹点，则可以预测出目标车辆在当前行驶轨迹的终点之后可能消失，例如目标车辆有可能被车辆驾驶人隐匿起来，从而复现实际应用中车辆消失的情况。

下面通过图3所示实施例描述如何依据第一目标过车数据获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹：

如图3所示，包括以下步骤：

步骤301：依据过车时间对各个第一目标过车数据中的轨迹点标识所对应的轨迹点进行排序。

步骤302：在排序结果中，针对每相邻的两个轨迹点，计算出该相邻的两个轨迹点各自对应的过车时间之间的第一时间差，若第一时间差超过预设的第一时间阈值，则将该相邻的两个轨迹点中的前一个轨迹点确定为前一条行驶轨迹的终点，将该相邻的两个轨迹点中的后一个轨迹点确定为后一条行驶轨迹的起点，得到至少一条行驶轨迹。

首先说明，在步骤302中，对于第一时间差超过预设的第一时间阈值，例如2小时的情况，说明该轨迹对应车辆在该相邻的两个轨迹点之间发生了逗留，也即该轨迹对应车辆在该相邻的两个轨迹点之间不是连续出行的状态，因此，将该相邻的两个轨迹点分别归属于两条行驶轨迹，即两次出行分别对应的行驶轨迹。

步骤303：将至少一条行驶轨迹中，距离当前时间最近的行驶轨迹确定为目标车辆的当前行驶轨迹。

以下以第一目标过车数据为目标车辆在当前日期，即当天内的过车数据为例，对步骤301至步骤303进行举例说明：

如图4所示，为目标车辆在当天经过的所有轨迹点的示意图。在图4中，假设目标车辆在当天先后经过轨迹点A、B、C、D、E、F、C、B、A。按照上述描述，目标车辆经过第三个轨迹点C和第四个轨迹点D之间的第一时间差超过预设的第一时间阈值，例如1小时，那么，则将该轨迹点C作为前一条行驶轨迹的终点，将该轨迹点D作为后一条行驶轨迹的起点。同样的，目标车辆经过第六个轨迹点F和第七个轨迹点C之间的第一时间差超过1小时，那么，则将该轨迹点F作为前一条行驶轨迹的终点，将该轨迹点C作为后一条行驶轨迹的起点，如此，可以得到三条行驶轨迹，分别为：A-B-C、D-E-F、C-B-A。最后，将C-B-A这一行驶轨迹确定为目标车辆的当前行驶轨迹。

此外，作为一个示例，在依据过车时间升序的顺序对各个第一目标过车数据中的轨迹点标识所对应的轨迹点进行排序之后，根据排序结果确定目标车辆的当前行驶轨迹之前，还可以对排序结果做“去重处理”。这里所说的“去重处理”可以包括：在前述排序结果中，针对每相邻的两个轨迹点，比较该相邻的两个轨迹点是否相同，若相同，则进一步计算出该相邻的两个轨迹点各自对应的过车时间之间的时间差，判断该时间差是否超过预设的时间阈值，例如5分钟，若不超过，则将该相邻的两个轨迹点中的后一个轨迹点删除。之后，根据“去重处理”后的排序结果确定目标车辆的当前行驶轨迹。

通过该种处理，可以有效地避免由于一些客观因素，例如设备故障、网络故障等原因，而导致过车数据库中记录的过车数据出现冗余重复，进而影响后续车辆行驶轨迹预测的准确性。

此外，作为一个示例，若在已记录的过车数据，例如上述表1中未获取到第一目标过车数据，则可以认为无法预测目标车辆的行驶轨迹。

作为另一个示例，若在已记录的过车数据，例如上述表1中获取到第一目标过车数据，还可以首先判断所获取到的第一目标过车数据中，最近一次采集到的第一目标过车数据所包括的过车时间与当前时间之间的时间差是否超过预设的第一时间阈值，例如2小时，若超过，则表示第一目标过车数据对应的行驶轨迹已经结束，无需再预测下一个行驶轨迹点，则可以认为无法预测目标车辆的行驶轨迹；若不超过，则表示第一目标过车数据对应的行驶轨迹还没结束，则可以依据获取到的所有第一目标过车数据确定目标车辆的当前行驶轨迹。

通过图3所示实施例实现了依据第一目标过车数据获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹。

下面通过图5所示实施例描述如何依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率：

如图5所示，包括以下步骤：

步骤501：针对每一候选轨迹点，在参考轨迹中，将候选轨迹点的前N个轨迹点所组成的轨迹确定为候选轨迹点对应的历史前置轨迹，N为大于0的自然数。

在本申请实施例中，以一个候选轨迹点为例，可以在参考轨迹中，将该候选轨迹点的前N(N为大于0的自然数)个轨迹点所组成的轨迹确定为该候选轨迹点对应的历史前置轨迹。

作为一种优选的实现方式，上述N与当前行驶轨迹中轨迹点的数量相同。通过该种处理，可以提高最终计算出的目标车辆在当前行驶轨迹下前往该候选轨迹点的概率的准确性，至于是如何实现这一效果的，下文中会有相关描述，这里暂不详述。

举例来说，如图2所示，候选轨迹点D对应的历史前置轨迹为A-E-C，候选轨迹点F对应的历史前置轨迹为B-E-C，候选轨迹点A对应的历史前置轨迹为F-E-C。

再举例来说，假设图2所示参考轨迹中位置14上的轨迹点为D，那么，候选轨迹点D对应两条历史前置轨迹，分别为A-E-C、F-E-C。

由此可见，一个候选轨迹点可以对应一条或多条历史前置轨迹。

步骤502：针对每一候选轨迹点对应的每一历史前置轨迹，确定历史前置轨迹与当前行驶轨迹之间的相似度。

步骤503：针对每一候选轨迹点，依据候选轨迹点对应的各历史前置轨迹与当前行驶轨迹之间的相似度，确定目标车辆在当前行驶轨迹下前往候选轨迹点的概率。

以下对步骤502和步骤503进行统一说明：

在本申请实施例中，可以利用目标车辆在到达候选轨迹点之前，所真实经历过的行驶轨迹对目标车辆在当前行驶轨迹下前往候选轨迹点的概率进行预测，也即，可以利用候选轨迹点对应的历史前置轨迹对目标车辆在当前行驶轨迹下前往候选轨迹点的概率进行预测。

作为一个示例，以一个候选轨迹点对应一条历史前置轨迹为例，可以针对每一候选轨迹点，确定该候选轨迹点对应的历史前置轨迹与当前行驶轨迹之间的相似度。本领域技术人员可以理解的是，对于某一个候选轨迹点而言，其历史前置轨迹与当前行驶轨迹之间的相似度越高，则可以认为目标车辆在当前行驶轨迹下前往该候选轨迹点的概率越大，也就是说，对于某一个候选轨迹点而言，其历史前置轨迹与当前行驶轨迹之间的相似度，与目标车辆在当前行驶轨迹下前往该候选轨迹点的概率正相关。基于此，则可以依据候选轨迹点对应的历史前置轨迹与当前行驶轨迹之间的相似度，确定目标车辆在当前行驶轨迹下前往候选轨迹点的概率。

延伸开来，当一个候选轨迹点对应多条历史前置轨迹时，如果仅参考一条历史前置轨迹与当前行驶轨迹之间的相似度去计算目标车辆在当前行驶轨迹下前往该候选轨迹点的概率，则该概率的准确率将比较低。因此，可以针对每一候选轨迹点对应的每一历史前置轨迹，确定历史前置轨迹与当前行驶轨迹之间的相似度，然后，针对每一候选轨迹点，依据候选轨迹点对应的各历史前置轨迹与当前行驶轨迹之间的相似度，确定目标车辆在当前行驶轨迹下前往候选轨迹点的概率。

作为一个可选的实现方式，可以将候选轨迹点对应的各历史前置轨迹与当前行驶轨迹之间相似度求和，依据求和结果确定目标车辆在当前行驶轨迹下前往候选轨迹点的概率。

至于是如何确定历史前置轨迹与当前行驶轨迹之间的相似度的，在下文中会有描述，这里暂不详述。

通过图5所示实施例实现了依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率。

下面通过图6所示实施例描述如何确定历史前置轨迹与当前行驶轨迹之间的相似度：

如图6所示，包括以下步骤：

步骤601：依据历史前置轨迹与当前行驶轨迹中的相同轨迹点确定历史前置轨迹与当前行驶轨迹之间的至少一个相似度因子。

首先说明，上述步骤601中的“相同轨迹点”是指历史前置轨迹和当前行驶轨迹中轨迹点标识相同的轨迹点，也即历史前置轨迹和当前行驶轨迹中地理位置相同的轨迹点。

本领域技术人员可以理解的是，历史前置轨迹和当前行驶轨迹中的相同轨迹点是影响两者之间相似度的一项重要因素，因此，在步骤601中，依据历史前置轨迹与当前行驶轨迹中的相同轨迹点确定历史前置轨迹与当前行驶轨迹之间的至少一个相似度因子，且该相似度因子与两者之间的相似度正相关。进一步，由于相似度与目标目标车辆在当前行驶轨迹下前往候选轨迹点的概率正相关，从而，相似度与目标目标车辆在当前行驶轨迹下前往候选轨迹点的概率也成正相关。

作为一个示例，可以依据历史前置轨迹与当前行驶轨迹中相同轨迹点的数量，确定历史前置轨迹与当前行驶轨迹之间的相似度因子(可以称为第一相似度因子，以下记为α)。

其中，历史前置轨迹与当前行驶轨迹中相同轨迹点的数量越多，则可以认为历史前置轨迹与当前行驶轨迹之间的相似度越高，因此，历史前置轨迹与当前行驶轨迹中相同轨迹点的数量越多，α的值越大。

在该示例中，作为一个可选的实现方式，结合上述描述的“历史前置轨迹与当前行驶轨迹中相同轨迹点的数量越多，α的值越大”这一原则，和由实际应用所决定的“无需设置过多且复杂的α值”这一原则(原因在于：在实际应用中，车辆的当前行驶轨迹的长度有限，且通常不会太长，即当前行驶轨迹中轨迹点的数量一般比较少，因此，无需设置过多且复杂的α值)，可以通过如下公式(一)确定α的取值：

在上述公式(一)中，T表示当前行驶轨迹，T′表示历史前置轨迹，len[T∩T′]表示历史前置轨迹与当前行驶轨迹中相同轨迹点的数量，且α₁<α₂<α₃。

另外，当历史前置轨迹与当前行驶轨迹中轨迹点的数量相同时，通过两者中相同轨迹点的数量判断出的两者之间的相似度才更为准确，因此，可将上述N设置为与当前行驶轨迹中轨迹点的数量相同，以提高最终计算出的目标车辆在当前行驶轨迹下前往该候选轨迹点的概率的准确性。

作为另一个示例，可以依据历史前置轨迹与当前行驶轨迹中的相同轨迹点对应的过车时间，确定历史前置轨迹与当前行驶轨迹之间的相似度因子(可以称为第二相似度因子，以下记为β)。

其中，相同轨迹点对应的过车时间越接近，则可以认为历史前置轨迹与当前行驶轨迹之间的相似度越高，因此，历史前置轨迹与当前行驶轨迹中的相同轨迹点对应的过车时间越接近，β的值越大。至于β的具体赋值，本申请不再赘述。

在该示例中，作为一个可选的实现方式，可以仅依据历史前置轨迹的终点和当前行驶轨迹的终点(由图1和图5所示实施例中的相关描述可知，历史前置轨迹的终点和当前行驶轨迹的终点相同)各自对应的过车时间确定历史前置轨迹与当前行驶轨迹之间的第二相似度因子。

作为另一个可选的实现方式，当相同轨迹点的数量不止一个时，如果依据仅历史前置轨迹的终点和当前行驶轨迹的终点各自对应的过车时间确定历史前置轨迹与当前行驶轨迹之间的第二相似度因子，则该第二相似度因子的准确率会比较低。因此，可以分别比较每相同的两个轨迹点各自对应的过车时间，然后综合各个比较结果确定历史前置轨迹与当前行驶轨迹之间的第二相似度因子。

举例来说，可以分别计算每相同的两个轨迹点各自对应的过车时间之间的时间差，然后计算各时间差的平均值，最后依据该平均值确定第二相似度因子。通过该种处理，可以提高确定出的第二相似度因子的准确率。

另外，在该示例中，作为一个可选的实现方式，在比较上述两个过车时间时，可以将过车时间中的星期属性和除日期以外的时间进行比较。例如，假设历史前置轨迹的终点为S1，对应的过车时间为2018年9月3日(星期一)上午10点，再假设历史前置轨迹的终点为S2，对应的过车时间为2018年8月28日(星期二)下午1点，并假设当前行驶轨迹的终点对应的过车时间为2018年9月4日(星期二)上午11点，按照上述描述的比较方式可以得出，当前行驶轨迹的终点对应的过车时间比较接近目标轨迹点S2的过车时间。

在该实现方式中，由于在实际应用中，目标车辆的行驶轨迹很可能具有一定的规律性和周期性(具体描述可参见上述步骤104中的相关描述)，因此，在对β赋值时，考虑星期属性可以提高最终计算出的目标车辆在当前行驶轨迹下前往该候选轨迹点的概率的准确性。

步骤602：依据至少一个相似度因子确定历史前置轨迹与当前行驶轨迹之间的相似度。

作为一个示例，如果步骤601中仅确定出一个相似度因子，则可以将该相似度因子确定为历史前置轨迹与当前行驶轨迹之间的相似度，例如，将上述α或β确定为历史前置轨迹与当前行驶轨迹之间的相似度。

作为另一个示例，如果步骤601中确定出两个以上相似度因子，则可以依据该两个以上相似度因子共同确定历史前置轨迹与当前行驶轨迹之间的相似度。以上述第一相似度因子和第二相似度因子举例来说，可以通过如下公式(二)确定历史前置轨迹与当前行驶轨迹之间的相似度(以下记为s)：

s＝α*β 公式(二)

由公式(二)可见，第一相似度因子和第二相似度因子分别与相似度正相关。

本领域技术人员可以理解的，上述公式(二)仅仅是依据第一相似度因子和第二相似度因子确定历史前置轨迹与当前行驶轨迹之间相似度的具体实现方式的一种示例，在实际应用中，还可以存在其他方式实现依据第一相似度因子和第二相似度因子确定历史前置轨迹与当前行驶轨迹之间的相似度，例如，可以将第一相似度因子和第二相似度因子做求和运算，或加权求和运算，确定历史前置轨迹与当前行驶轨迹之间的相似度。

通过图6所示实施例实现了确定历史前置轨迹与当前行驶轨迹之间的相似度。

下面通过图7所示实施例对生成上述统计数据库的具体过程进行说明。

请参见图7为本申请一示例性实施例提供的一种生成统计数据库的方法的实施例流程图，该方法包括以下步骤：

步骤701：从过车数据库记录的过车数据中获取第一数据集合，该第一数据集合中包括至少一条过车时间处于第二历史时段内的第二目标过车数据。

首先说明，在本申请实施例中，可以预先设置定时任务，定时任务被触发时，即开始执行该生成统计数据库的方法。例如，可以在每一天的固定时刻，例如每一天的24点开始执行该生成统计数据库的方法。

在本申请实施例中，定时任务被触发时，可以从过车数据库记录的过车数据中获取第一数据集合，该第一数据集合中包括至少一条过车时间处于第二历史时段内的过车数据，为了描述方便，将该过车时间处于第二历史时段内的过车数据称为第二目标过车数据。

作为一个示例，上述第二历史时段可以为当前日期之前，且时长为预设时长的时间段。其中，当前日期是指执行该生成统计数据库的方法的日期，即上述定时任务被触发的日期。例如，假设定时任务在2018年9月1日0点被触发，那么，第二历史时段可以为2018年8月31日全天。

步骤702：对第一数据集合中的第二目标过车数据进行分类，其中，同一车辆对应的第二目标过车数据属于同一类别，不同车辆对应的第二目标过车数据属于不同类别。

在本申请实施例中，可以对第一数据集合中第二目标过车数据进行分类，以实现将同一车辆对应的第二目标过车数据归入同一类别，将不同车辆对应的第二目标过车数据归入不同的类别。

步骤703：针对每一类别，依据过车时间的升序顺序对该类别中各第二目标过车数据中的轨迹点进行排序，得到该类别对应的车辆在第二历史时段内的历史行驶轨迹，并将该类别对应的车辆的车辆标识、第二历史时段，以及历史行驶轨迹之间的对应关系保存在统计数据库中。

作为一个示例，可以首先针对每一类别，依据过车时间升序的顺序对该类别中的第二目标过车数据进行排序，然后，对排序结果做“去重处理”。这里所说的“去重处理”可以包括：针对每相邻的两条第二目标过车数据，比较该相邻的两条第二目标过车数据各自包括的轨迹点标识是否相同，若相同，则进一步计算出该相邻的两条第二目标过车数据各自包括的过车时间之间的时间差，为了描述方便，将该时间差称为第二时间差，若该第二时间差小于预设的第二时间阈值，例如5分钟，则将该相邻的两条第二目标过车数据中，排在后一位的第二目标过车数据从该类别中删除。通过该种处理，可以有效地避免由于一些客观因素，例如设备故障、网络故障等原因，而导致过车数据库中记录的过车数据出现冗余重复，进而影响后续车辆行驶轨迹预测的准确性。

最后，针对每一类别，依据过车时间的升序顺序对该类别中各第二目标过车数据中的轨迹点标识所对应的轨迹点进行排序，得到该类别对应的车辆在第二历史时段内的历史行驶轨迹，并将该类别对应的车辆的车辆标识、第二历史时段，以及历史行驶轨迹之间的对应关系保存在统计数据库中。

由上述实施例可见，通过从过车数据库记录的过车数据中获取第一数据集合，该第一数据集合中包括至少一条过车时间处于第二历史时段内的第二目标过车数据，对第一数据集合中的第二目标过车数据进行分类，其中，同一车辆对应的第二目标过车数据属于同一类别，不同车辆对应的第二目标过车数据属于不同类别，针对每一类别，依据过车时间的升序顺序对该类别中各第二目标过车数据中的轨迹点进行排序，得到该类别对应的车辆在第二历史时段内的历史行驶轨迹，并将该类别对应的车辆的车辆标识、第二历史时段，以及历史行驶轨迹之间的对应关系保存在统计数据库中，可以得到包含车辆在各历史时段内历史行驶轨迹的统计数据库。

与前述车辆行驶轨迹预测方法的实施例相对应，本申请还提供了车辆行驶轨迹预测装置的实施例。

请参见图8，为本申请一示例性实施例提供的一种车辆行驶轨迹预测装置的实施例框图。

如图8所示，该装置可以包括：当前轨迹获取单元81、历史轨迹获取单元82、候选点确定单元83、概率计算单元84，以及预测点确定单元85。

其中，当前轨迹获取单元81，被配置为获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹；

历史轨迹获取单元82，被配置为获得目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹，其中，历史时段为当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段；

候选点确定单元83，被配置为依据目标历史行驶轨迹与当前行驶轨迹确定候选轨迹点；

概率计算单元84，被配置为依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率；

预测点确定单元85，被配置为依据概率，将满足预设条件的候选轨迹点确定为目标车辆的预测轨迹点，预测轨迹点为目标车辆在当前行驶轨迹的终点之后将要到达的轨迹点。

可选的，候选点确定单元83，在依据目标历史行驶轨迹与当前行驶轨迹确定候选轨迹点时，具体用于：

依据过车时间升序的顺序对目标历史行驶轨迹中的所有轨迹点进行排序，得到参考轨迹；

在参考轨迹中确定目标轨迹点，目标轨迹点的轨迹点标识与当前行驶轨迹的终点的轨迹点标识相同；

在参考轨迹中，将各目标轨迹点的后一个轨迹点确定为候选轨迹点。

可选的，概率计算单元84，在依据目标历史行驶轨迹与当前行驶轨迹，确定目标车辆在当前行驶轨迹下前往各候选轨迹点的概率时，具体用于：

针对每一候选轨迹点，在参考轨迹中，将该候选轨迹点的前N个轨迹点所组成的轨迹确定为该候选轨迹点对应的历史前置轨迹，N为大于0的自然数；

针对每一候选轨迹点对应的每一历史前置轨迹，确定历史前置轨迹与所述当前行驶轨迹之间的相似度，相似度与目标车辆在当前行驶轨迹下前往候选轨迹点的概率正相关；

针对每一候选轨迹点，依据候选轨迹点对应的各历史前置轨迹与当前行驶轨迹之间的相似度，确定目标车辆在当前行驶轨迹下前往候选轨迹点的概率。

可选的，概率计算单元84，在确定历史前置轨迹与当前行驶轨迹之间的相似度时，具体用于：

依据历史前置轨迹与当前行驶轨迹中的相同轨迹点确定历史前置轨迹与当前行驶轨迹之间的至少一个相似度因子，相似度因子与目标车辆在当前行驶轨迹下前往候选轨迹点的概率正相关，相同轨迹点是指历史前置轨迹和当前行驶轨迹中轨迹点标识相同的轨迹点；

依据至少一个相似度因子确定历史前置轨迹与当前行驶轨迹之间的相似度。

可选的，概率计算单元84，在依据历史前置轨迹与当前行驶轨迹中的相同轨迹点确定历史前置轨迹与当前行驶轨迹之间的至少一个相似度因子时，具体用于：

依据历史前置轨迹与当前行驶轨迹中相同轨迹点的数量，确定历史前置轨迹与当前行驶轨迹之间的相似度因子；和/或，

依据历史前置轨迹与当前行驶轨迹中相同轨迹点对应的过车时间，确定历史前置轨迹与当前行驶轨迹之间的相似度因子。

请继续参见图9，本申请还提供一种电子设备，包括处理器901、通信接口902、存储器903，以及通信总线904。

其中，处理器901、通信接口902、存储器903通过通信总线904进行相互间的通信；

存储器903，用于存放计算机程序；

处理器901，用于执行存储器903上所存放的计算机程序，处理器901执行计算机程序时实现本申请实施例提供的车辆行驶轨迹预测方法。

本申请还提供一种计算机程序，计算机程序存储于机器可读存储介质，并且当处理器执行计算机程序时，促使处理器执行实现本申请实施例提供的车辆行驶轨迹预测方法。

本申请还提供一种机器可读存储介质，其上存储有程序，该程序被处理器执行时，实现本申请实施例提供的车辆行驶轨迹预测方法。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (10)

1.一种车辆行驶轨迹预测方法，其特征在于，所述方法包括：

获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹；

获得所述目标车辆在至少一个历史时段内的行驶轨迹作为目标历史行驶轨迹，其中，所述历史时段为所述当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段；

依据所述目标历史行驶轨迹与所述当前行驶轨迹，确定候选轨迹点；

依据所述目标历史行驶轨迹与所述当前行驶轨迹，确定所述目标车辆在所述当前行驶轨迹下前往各候选轨迹点的概率；

依据所述概率将满足预设条件的候选轨迹点确定为所述目标车辆的预测轨迹点，所述预测轨迹点为所述目标车辆在所述当前行驶轨迹的终点之后将要到达的轨迹点。

2.根据权利要求1所述的方法，其特征在于，所述依据目标历史行驶轨迹与当前行驶轨迹确定出候选轨迹点包括：

依据过车时间升序的顺序对所述目标历史行驶轨迹中的所有轨迹点进行排序，得到参考轨迹；

在所述参考轨迹中确定目标轨迹点，所述目标轨迹点的轨迹点标识与所述当前行驶轨迹的终点的轨迹点标识相同；

在所述参考轨迹中，将各目标轨迹点的后一个轨迹点确定为候选轨迹点。

3.根据权利要求2所述的方法，其特征在于，所述依据目标历史行驶轨迹与所述当前行驶轨迹，确定所述目标车辆在所述当前行驶轨迹下前往各候选轨迹点的概率，包括：

针对每一所述候选轨迹点，在所述参考轨迹中，将所述候选轨迹点的前N个轨迹点所组成的轨迹确定为所述候选轨迹点对应的历史前置轨迹，所述N为大于0的自然数；

针对每一所述候选轨迹点对应的每一所述历史前置轨迹，确定所述历史前置轨迹与所述当前行驶轨迹之间的相似度，所述相似度与所述目标车辆在所述当前行驶轨迹下前往所述候选轨迹点的概率正相关；

针对每一所述候选轨迹点，依据所述候选轨迹点对应的各历史前置轨迹与当前行驶轨迹之间的相似度，确定所述目标车辆在所述当前行驶轨迹下前往所述候选轨迹点的概率。

4.根据权利要求3所述的方法，其特征在于，所述确定历史前置轨迹与所述当前行驶轨迹之间的相似度，包括：

依据所述历史前置轨迹与所述当前行驶轨迹中的相同轨迹点，确定所述历史前置轨迹与所述当前行驶轨迹之间的至少一个相似度因子，所述相似度因子与所述目标车辆在所述当前行驶轨迹下前往候选轨迹点的概率正相关，所述相同轨迹点是指所述历史前置轨迹和所述当前行驶轨迹中轨迹点标识相同的轨迹点；

依据所述至少一个相似度因子确定所述历史前置轨迹与所述当前行驶轨迹之间的相似度。

5.根据权利要求4所述的方法，其特征在于，所述依据历史前置轨迹与当前行驶轨迹中的相同轨迹点，确定所述历史前置轨迹与所述当前行驶轨迹之间的至少一个相似度因子，包括：

依据所述历史前置轨迹与所述当前行驶轨迹中相同轨迹点的数量，确定所述历史前置轨迹与所述当前行驶轨迹之间的相似度因子；和/或，

依据所述历史前置轨迹与所述当前行驶轨迹中相同轨迹点对应的过车时间，确定所述历史前置轨迹与所述当前行驶轨迹之间的相似度因子。

6.一种车辆行驶轨迹预测装置，其特征在于，所述装置包括：

当前轨迹获取单元，被配置为获得目标车辆距离当前时间最近的行驶轨迹作为当前行驶轨迹；

历史轨迹获取单元，被配置为获得所述目标车辆在至少一个历史时段内行驶轨迹作为目标历史行驶轨迹，其中，所述历史时段为所述当前行驶轨迹的起点对应的过车时间之前，且时长为预设时长的时间段；

候选点确定单元，被配置为依据所述目标历史行驶轨迹与所述当前行驶轨迹确定候选轨迹点；

概率计算单元，被配置为依据所述目标历史行驶轨迹与所述当前行驶轨迹，确定所述目标车辆在所述当前行驶轨迹下前往各候选轨迹点的概率；

预测点确定单元，被配置为依据所述概率，将满足预设条件的候选轨迹点确定为所述目标车辆的预测轨迹点，所述预测轨迹点为所述目标车辆在所述当前行驶轨迹的终点之后将要到达的轨迹点。

7.根据权利要求6所述的装置，其特征在于，所述候选点确定单元依据所述目标历史行驶轨迹与当前行驶轨迹确定候选轨迹点时，具体用于：

依据过车时间升序的顺序对所述目标历史行驶轨迹中的所有轨迹点进行排序，得到参考轨迹；

在所述参考轨迹中确定目标轨迹点，所述目标轨迹点的轨迹点标识与所述当前行驶轨迹的终点的轨迹点标识相同；

在所述参考轨迹中，将各目标轨迹点的后一个轨迹点确定为候选轨迹点。

8.根据权利要求7所述的装置，其特征在于，所述概率计算单元依据目标历史行驶轨迹与所述当前行驶轨迹，确定所述目标车辆在所述当前行驶轨迹下前往各候选轨迹点的概率时，具体用于：

针对每一所述候选轨迹点，在所述参考轨迹中，将所述候选轨迹点的前N个轨迹点所组成的轨迹确定为所述候选轨迹点对应的历史前置轨迹，所述N为大于0的自然数；

针对每一所述候选轨迹点对应的每一所述历史前置轨迹，确定所述历史前置轨迹与所述当前行驶轨迹之间的相似度，所述相似度与所述目标车辆在所述当前行驶轨迹下前往候选轨迹点的概率正相关；

针对每一所述候选轨迹点，依据所述候选轨迹点对应的各历史前置轨迹与当前行驶轨迹之间的相似度，确定所述目标车辆在所述当前行驶轨迹下前往所述候选轨迹点的概率。

9.一种电子设备，其特征在于，包括处理器及存储器；所述存储器存储有可被处理器调用的程序；其中，所述处理器执行所述程序时，实现如权利要求1至5任一项所述的车辆行驶轨迹预测方法。

10.一种机器可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现如权利要求1至5任一项所述的车辆行驶轨迹预测方法。

Images