CN111613052B - 一种交通状况确定方法、装置、电子设备及存储介质 - Google Patents

一种交通状况确定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111613052B
CN111613052B CN201910143752.6A CN201910143752A CN111613052B CN 111613052 B CN111613052 B CN 111613052B CN 201910143752 A CN201910143752 A CN 201910143752A CN 111613052 B CN111613052 B CN 111613052B
Authority
CN
China
Prior art keywords
information
track point
traffic condition
determining
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910143752.6A
Other languages
English (en)
Other versions
CN111613052A (zh
Inventor
王征
赵仁豫
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201910143752.6A priority Critical patent/CN111613052B/zh
Publication of CN111613052A publication Critical patent/CN111613052A/zh
Application granted granted Critical
Publication of CN111613052B publication Critical patent/CN111613052B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Abstract

本申请涉及交通技术领域，尤其涉及一种交通状况确定方法、装置、电子设备及存储介质，其中，该方法包括：获取车辆在目标行驶道路上的不同位置的车辆速度信息；基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。本申请通过预先设置的交通状况表示模型确定目标行驶道路的交通状况信息，从而实现对真实交通状况进行有效且准确的确定。

Description

一种交通状况确定方法、装置、电子设备及存储介质
技术领域
本申请涉及交通技术领域，具体而言，涉及一种交通状况确定方法、装置、电子设备及存储介质。
背景技术
准确的交通路况信息，能够为交通运输提供有效的出行规划。所谓的交通路况信息主要指的是车辆行驶于整条道路上的速度信息。
相关技术中提供了一种交通状况确定方法，该方法能够基于与车辆有关的位置信息和对应的时刻信息计算出平均速度，并基于该平均速度生成路段拥堵信息，也即，在平均速度比较小的情况下可以初步认为路段可能存在拥堵问题。这种基于平均速度确定路况的方式存在准确性较低的问题，不能真实、有效地反映交通情况。
发明内容
有鉴于此，本申请实施例的目的在于提供一种交通状况确定方法、装置、电子设备及存储介质，能够对交通状况进行有效确定，且准确性较高。
主要包括以下几个方面：
第一方面，本申请实施例提供了一种交通状况确定方法，包括：
获取车辆在目标行驶道路上的不同位置的车辆速度信息；
基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。
在一种实施方式中，按照如下步骤确定车辆在目标行驶道路上的不同位置的车辆速度信息，包括：
获取所述车辆在目标行驶道路上的轨迹点位置信息；
针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在一些实施例中，所述根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息，包括：
根据获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息；
基于所述相对距离信息和所述时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在另一种实施方式中，所述基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息，包括：
将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；
基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
在一些实施例中，所述交通状况表示模型的内设参数用于表征不同位置的速度分布关系。
在又一种实施方式中，按照如下步骤训练交通状况表示模型：
确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
确定与所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
在一些实施例中，所述确定车辆在目标行驶道路上的不同位置的历史车辆速度信息，包括：
获取所述车辆在目标行驶道路上的历史轨迹点位置信息；
针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息。
在一些实施例中，所述交通状况表示模型为向量转换模型。
在再一种实施方式中，所述交通状况表示模型为混合高斯分布模型，所述混合高斯分布模型包括N个高斯分布模型，N为大于1的正整数；按照如下步骤确定交通状况表示模型：
确定所述车辆在目标行驶道路上的不同位置的历史车辆速度信息；
基于所有历史车辆速度信息以及所述N的数值，确定用于表征所有历史车辆速度信息的各个高斯分布模型的参数信息和权重信息；
基于所述参数信息和所述权重信息确定所述交通状况表示模型。
在一些实施例中，所述基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息，包括：
根据所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型中各个高斯分布模型的参数信息，对各个高斯分布模型的权重信息进行更新；
将更新后的权重信息作为所述目标行驶道路的交通状况信息。
第二方面，本申请实施例还提供了一种交通状况确定装置，包括：
速度获取模块，用于获取车辆在目标行驶道路上的不同位置的车辆速度信息；
状况确定模块，用于基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。
在一种实施方式中，所述速度获取模块，具体用于：
获取所述车辆在目标行驶道路上的轨迹点位置信息；
针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在一些实施例中，所述速度获取模块，具体用于：
根据获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息；
基于所述相对距离信息和所述时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在一些实施例，所述状况确定模块，具体用于：
将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；
基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
在一些实施例中，所述交通状况表示模型的内设参数用于表征不同位置的速度分布关系。
在另一种实施方式中，还包括：
模型训练模块，用于：
确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
确定与所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
在一些实施例中，所述模型训练模块，具体用于：
获取所述车辆在目标行驶道路上的历史轨迹点位置信息；
针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息。
在一些实施例中，所述交通状况表示模型为向量转换模型。
在又一种实施方式中，所述交通状况表示模型为混合高斯分布模型，所述混合高斯分布模型包括N个高斯分布模型，N为大于1的正整数；还包括：
模型确定模块，用于：
确定所述车辆在目标行驶道路上的不同位置的历史车辆速度信息；
基于所有历史车辆速度信息以及所述N的数值，确定用于表征所有历史车辆速度信息的各个高斯分布模型的参数信息和权重信息；
基于所述参数信息和所述权重信息确定所述交通状况表示模型。
在一些实施例中，所述状况确定模块，具体用于：
根据所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型中各个高斯分布模型的参数信息，对各个高斯分布模型的权重信息进行更新；
将更新后的权重信息作为所述目标行驶道路的交通状况信息。
第三方面，本申请实施例还提供了一种电子设备，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如第一方面所述的交通状况确定方法的步骤。
第四方面，本申请实施例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上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面所述的交通状况确定方法的步骤。
采用上述方案，首先获取车辆在目标行驶道路上的不同位置的车辆速度信息，然后基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。也即，本申请实施例通过预先设置的交通状况表示模型确定目标行驶道路的交通状况信息，实现对真实交通状况的有效确定，准确性较高。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1示出了本申请实施例一所提供的一种交通状况确定方法的流程图；
图2示出了本申请实施例二所提供的一种交通状况确定方法中，确定车辆速度信息的方法的流程图；
图3示出了本申请实施例三所提供的一种交通状况确定方法中，确定交通状况信息的方法的流程图；
图4示出了本申请实施例三所提供的一种交通状况确定方法中，训练交通状况表示模型的方法的流程图；
图5示出了本申请实施例四所提供的一种交通状况确定方法中，确定交通状况信息的方法的流程图；
图6示出了本申请实施例五所提供的一种交通状况确定装置的结构示意图；
图7示出了本申请实施例六所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
考虑到相关基于平均速度确定路况的方式存在准确性较低的问题，不能真实、有效地反映交通情况。有鉴于此，本申请一种实施例提供了一种交通状况确定方法，以能够对交通状况进行有效确定，且准确性较高。下面通过几个实施例进行具体描述。
实施例一
如图1所示，为本申请实施例一提供的一种交通状况确定方法的流程图，上述交通状况确定方法可以应用于电子设备，该方法具体包括如下步骤：
S101、获取车辆在目标行驶道路上的不同位置的车辆速度信息。
这里，为了实现对交通状况的确定，本申请实施例需要获取车辆在目标行驶道路上的各个车辆速度信息，且各个车辆速度信息可以对应不同位置。
其中，上述车辆速度信息可以是根据车辆在目标行驶道路上的轨迹点数据运算得到，还可以是直接基于车辆携带的速度传感器等设备获取得到的。对于目标行驶道路而言，可以是从预先划分好的各行驶道路中选取出的待进行交通状况确定的行驶道路。本申请实施例中，在进行行驶道路划分时，可以基于地图信息表征的实际行驶道路所对应的整个行驶路段进行划分，这样，每个行驶道路均可以对应一条实际行驶道路，如人民路，还可以基于实际行驶道路的一部分行驶路段进行划分，如人民路中段，还可以基于其它形式进行划分。另外，在进行行驶道路划分时，可以通过道路标识信息对划分后的各行驶道路进行标记，这样，在获取到各行驶道路上的各车辆速度信息时，可以是与各道路标识信息对应的各车辆速度信息。
值得说明的是，不管是上述哪种划分方式，本申请实施例中采用的车辆可以是一个，还可以是多个，为了确保能够获取到各车辆速度信息，本申请实施例中的车辆可以是多个。
S102、基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。
这里，在获取到目标行驶道路上的各车辆速度信息后，本申请实施例一方面可以基于预先训练的交通状况表示模型进行对应于上述目标行驶道路的交通状况的确定，另一方面可以基于预先确定的交通状况表示模型进行对应上述目标行驶道路的交通状况的确定。前者对应的交通状况表示模型可以是基于对向量转换模型中的内设参数进行训练得到的，后者对应的交通状况表示模型可以是基于对混合高斯分布模型中有关参数信息和权重信息学习得到的。不管是上述哪一种交通状况的确定方式，本申请实施例在基于目标行驶道路上的各车辆速度信息进行交通状况的确定时，均可以将该目标行驶道路上的所有车辆速度信息输入至交通状况表示模型中，这样，可以自动的确定目标行驶道路的交通状况信息，且该交通状况信息可以是与目标行驶道路的道路标识信息相对应的。
这里，考虑到相关技术中利用行驶道路的平均速度来表征该行驶道路的交通状况信息，由于在实际场景中这种表示过于简化场景，因而丢失了很多信息，限制了更高精度的时空数据挖掘应用。例如，由于不同转向车道直接完全独立，通行速度可能差别非常大，不论取哪一个车道的期望通行速度，还是取他们共同运算得到的某个统计值，都无法确切表达某个司机通过这段道路的预期时间；又如，在不同时间，由于车流量及红绿灯配时差别，可能等待红绿灯的排队长度及通过时长变化都很大，而相应的某个司机到达这一路段的时间不同时，通过这一路段的期望时间可能就差别非常大；再如，现有的路况定义和描述方式，是针对于具体路段的，如果对应于更大的地理范围，单一的速度统计量就更无法精准的描述路况信息了。正是为了解决相关技术中所存在的上述技术问题，本申请实施例才提供了一种利用行驶道路的各车辆速度信息的分布情况来表征行驶路段的交通状况信息的方案，很大程度地提升了交通状况信息表示的准确性。
值得扩展的是，本申请实施例不仅可以对行驶道路上的交通状况进行确定，还可以是对行驶区域内的交通状况进行确定，也即，本申请实施例可以将行驶区域内的不同位置点的车辆速度信息输入至预先设置的交通状况表示模型中，以得到该行驶区域内的交通状况信息，从而使得本申请实施例提供的交通状况确定方法可以应用于不同的场景需求，实用性更佳。
其中，本申请实施例可以按照预设大小对一个大的地理区域范围进行区域划分以得到各行驶区域，如针对北京市这一地理区域范围而言，本申请实施例可以将北京市划分为若干区域，且划分各个区域的形状可以是四边形、六边形或者其他多边形。本申请实施例综合考虑世界地理知识，可以将北京市依次划分为多个四边形的区域(即矩形区域)，该四边形的边长可以是从数百米到数千米，为了兼顾数据计算量和划分精确度，本申请实施例选取的边长不易过大也不易过小，可以选用120m的边长。
值得说明的是，本申请实施例可以采用Geohash编码算法将地理区域范围划分为若干矩形区域，还可以对每个矩形区域进行编码(如哈希编码)，并将编码结果作为与矩形区域对应的区域标识信息。这样，便可以基于各区域标识信息与各交通状况信息之间的映射关系，查找与目标行驶区域对应的交通状况信息。
考虑到网约车服务平台的广泛应用，本申请一种实施例中的车辆速度信息可以是基于从现有网约车服务平台获取的轨迹点数据运算得到的，如下所述，本申请实施例二提供了一种基于轨迹点数据进行车辆速度信息确定的方法。
实施例二
如图2所示，为本申请实施例二提供的一种确定车辆速度信息的方法的流程图，该方法通过如下步骤实现：
S201、获取所述车辆在目标行驶道路上的轨迹点位置信息；
S202、针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
S203、根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
这里，为了便于说明上述轨迹点位置信息的获取过程，先简单对网约车服务平台的服务流程进行说明。在用户需要打车时，可以在网页车服务平台输入相应的出行信息(如出行起点信息和出行终点信息等)，根据该出行信息能够生成对应的出行订单。处于在服务的出行订单除了可以确定起始轨迹点和终止轨迹点的轨迹点数据(即出行起点信息和出行终点信息)，还可以记录行驶过程中各行驶轨迹点的轨迹点数据，如行径每个轨迹点的轨迹点位置信息、时间信息、速度信息等。可见，利用现有的网约车服务平台可以获取到车辆在目标行驶道路上的轨迹点位置信息，以及各轨迹点位置所对应的时间信息。
这样，针对任意相邻的两个轨迹点位置信息，可以首先确定车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息，然后基于任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。可见，每两个轨迹点位置之间均可以确定一个车辆速度信息。例如在目标行驶道路上一共获取到车辆的10个轨迹点位置信息，这样，在该目标行驶道路上可以确定9个车辆速度信息。
本申请实施例中，为了便于确定相邻的两个轨迹点位置之间的车辆速度信息，可以首先基于获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息，然后将该相对距离信息以及该相邻的两个轨迹点位置信息对应的时长信息进行比值运算，从而得到对应的车辆速度信息。
值得提出的是，利用本申请实施例提供的交通状况确定方法能够容易还原出真实道路通行状况，这样，可以将还原出的真实道路通行状况反馈至上述网约车服务平台，从而可以进一步的提升网约车服务平台的服务质量。
考虑到本申请一种实施例提供的交通状况表示模型的确定不仅可以基于对向量转换模型中的内设参数进行训练得到，还可以是基于对混合高斯分布模型中有关参数信息和权重信息学习得到，上述两种交通状况表示模型的确定方法不同，所对应的交通状况确定方法略有不同，接下来通过如下实施例三和实施例四进行分别描述。
实施例三
如图3所示，为本申请实施例三提供的一种交通状况信息确定的方法的流程图，该方法具体包括如下步骤：
S301、将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；
S302、基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
这里，在接收到目标行驶道路上的所有车辆速度信息后，可以基于数学化的方法：word2vec，将作为车辆速度信息转化为向量形式的数字信息(也即速度特征向量)，以便于机器识别。常见的向量转换模型主要有两种，一种是基于一次性表示(One-hotRepresentation)的向量转换模型，另一种是基于分布式表示(DistributedRepresentation)的向量转换模型。
其中，前一种向量转换模型用一个很长的向量来表示一个车辆速度信息，向量长度为车辆速度集合的速度数量大小N，每个向量只有一个维度为1，其余维度全部为0，为1的位置表示该车辆速度信息在车辆速度集合中的位置。也即，前一种向量转换模型是采用稀疏方式存储车辆速度信息，也就是给每个车辆速度信息分配一个数字标识，表示形式相对简洁。后一种向量转换模型则需要根据不同位置的速度分布关系进行语义表示。也即，后一种向量转换模型是采用稠密方式存储车辆速度信息，表示形式相对复杂。考虑到前一种基于One-hot Representation的向量转换模型在解决实际问题时经常会遇到维数灾难，且无法揭示各车辆速度信息之间的潜在联系，在实际实施中可以采用后一种基于DistributedRepresentation的向量转换模型对车辆速度信息进行向量表示，不但避免维数灾难问题，并且挖掘了车辆速度信息之间的关联属性，从而提高了交通状况表达的准确度。
本申请实施例可以采用神经网络模型作为上述交通状况表示模型，模型训练的过程也就是训练神经网络模型中的一些未知的参数信息等的过程，本申请实施例中的交通状况表示模型的内设参数可以用于表征不同位置的速度分布关系，从而进一步提升交通状况表达的准确度。如图4所示，上述交通状况表示模型可以按照如下步骤进行训练。
S401、确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
S402、确定与所述所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
S403、将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
这里，本申请实施例中，可以首先确定车辆在目标行驶道路上的不同位置的历史车辆速度信息，然后再确定与所有历史车辆速度信息对应的速度特征向量，最后将所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
在具体实施中，为了更好的实现交通状况表示模型的准确训练，本申请实施例中的交通状况表示模型可以是经过至少一轮训练得到的。其中，上述至少一轮训练可以是针对所有历史车辆速度信息中的一个历史车辆速度信息的，还可以是针对所有历史车辆速度信息中的。前者可以是针对所有历史车辆速度信息中的一个历史车辆速度信息，将该历史车辆速度信息输入至待训练的交通状况表示模型，得到模型输出的速度特征向量，然后将该速度特征向量与确定的速度特征向量进行相似度对比，若符合预设要求，则停止模型训练，若不符合预设要求，则可以在对交通状况表示模型的内设参数更新后再次训练，依次类推，直至达到预设要求，可见，上述过程是针对所有历史车辆速度信息中的一个历史车辆速度信息而言的。后者则可以是依次将所有历史车辆速度信息中的每个历史车辆速度信息输入至待训练的交通状况表示模型，直至达到预设要求停止模型训练。为了进一步确保模型的识别准确度，本申请实施例在具体实现时可以是结合上述两种训练方式进行交通状况表示模型的训练的，在此不再赘述。
值得提出的是，不管那种训练方式，有关预设要求的确定均可以是基于向量相似度达到预设相似度阈值的判断结果，或者达到预设训练次数的判断结果。
本申请实施例中，有关历史车辆速度信息的确定与上述有关车辆速度信息的确定相类似，也即，本申请实施例可以首先获取所述车辆在目标行驶道路上的历史轨迹点位置信息，然后针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息，最后根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息，有关具体的描述内容在此不再赘述。
实施例四
如图5所示，为本申请实施例四提供的一种交通状况信息确定的方法的流程图，该方法具体包括如下步骤：
S501、确定所述车辆在目标行驶道路上的不同位置的历史车辆速度信息；
S502、基于所有历史车辆速度信息以及所述N的数值，确定用于表征所有历史车辆速度信息的各个高斯分布模型的参数信息和权重信息；
S503、基于所述参数信息和所述权重信息确定所述交通状况表示模型。
这里，可以首先确定车辆在目标行驶道路上的不同位置的历史车辆速度信息，然后基于所有历史车辆速度信息以及所述N的数值，确定用于表征所有历史车辆速度信息的各个高斯分布模型的参数信息和权重信息，并基于所述参数信息和所述权重信息确定所述交通状况表示模型。
这样，在获取到车辆在目标行驶道路上的不同位置的车辆速度信息后，便可以根据所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型中各个高斯分布模型的参数信息，对各个高斯分布模型的权重信息进行更新，并将更新后的权重信息作为所述目标行驶道路的交通状况信息。
本申请实施例中，N个高斯分布模型组合为混合高斯分布模型，也即，本申请实施例中，可以利用混合高斯分布模型(Gaussian Mixture Model，GMM)来建模，得到车辆速度分布，然后基于该车辆速度分布，确定当前的车辆速度信息在车速分布字典的每个基上面的权重向量以表征当前的交通状况。为了便于对上述过程进行理解，接下来结合下式进一步进行说明。
Figure BDA0001977892750000161
其中，Gk(x)～N(uk，σk)是高斯概率密度函数，是基础高斯分布模型的概率密度分量。在基础高斯分布模型的概率密度分量都固定的基础上，可以用n纬向量表示它，为A＝[ai,az,…,an]。
整个混合高斯分布模型的学习过程如下，在确定所述车辆在目标行驶道路上的不同位置的历史车辆速度信息，以及固定基础高斯分布模型的个数N的前提下，利用历史上的一段时间内，目标行驶道路上的历史车车辆速度信息，在整个历史车车辆速度信息集合上学习每个基础高斯分布模型的具体参数，也就是每个基础高斯分布的均值和方差，以及每个目标行驶子道路(任意相邻的两个轨迹点位置所对应的道路)的权重向量A，并把这个参数存储下来。对于没有数据的目标行驶子道路，可以给出默认的向量表达值。
这样，在需要对实时路况进行确认时，可以将当前目标行驶道路上的车辆速度信息带入到事先建立好的GMM模型中，得到目标行驶道路上的路况基于这个GMM模型的分布，也就是对应的更新的权重向量A，并将更新的权重向量A作为目标行驶道路的路况输出。
可见，本申请实施例实现了对当前真实交通状况的有效且准确的确定。
基于上述实施例，本申请还提供了交通状况确定装置，下述各种装置的实施可以参见方法的实施，重复之处不再赘述。
实施例五
如图6所示，为本申请实施例五提供的交通状况确定装置，所述装置包括：
速度获取模块601，用于获取车辆在目标行驶道路上的不同位置的车辆速度信息；
状况确定模块602，用于基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。
在一种实施方式中，所述速度获取模块601，具体用于：
获取所述车辆在目标行驶道路上的轨迹点位置信息；
针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在一些实施例中，所述速度获取模块601，具体用于：
根据获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息；
基于所述相对距离信息和所述时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在一些实施例，所述状况确定模块602，具体用于：
将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；
基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
在一些实施例中，所述交通状况表示模型的内设参数用于表征不同位置的速度分布关系。
在另一种实施方式中，还包括：
模型训练模块603，用于：
确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
确定与所述所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
在一些实施例中，所述模型训练模块603，具体用于：
获取所述车辆在目标行驶道路上的历史轨迹点位置信息；
针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息。
在一些实施例中，所述交通状况表示模型为向量转换模型。
在又一种实施方式中，所述交通状况表示模型为混合高斯分布模型，所述混合高斯分布模型包括N个高斯分布模型，N为大于1的正整数；还包括：
模型确定模块604，用于：
确定所述车辆在目标行驶道路上的不同位置的历史车辆速度信息；
基于所有历史车辆速度信息以及所述N的数值，确定用于表征所有历史车辆速度信息的各个高斯分布模型的参数信息和权重信息；
基于所述参数信息和所述权重信息确定所述交通状况表示模型。
在一些实施例中，所述状况确定模块602，具体用于：
根据所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型中各个高斯分布模型的参数信息，对各个高斯分布模型的权重信息进行更新；
将更新后的权重信息作为所述目标行驶道路的交通状况信息。
实施例六
如图7所示，为本申请实施例六所提供的一种电子设备的结构示意图，包括：处理器701、存储介质702和总线703，所述存储介质702存储有所述处理器701可执行的机器可读指令，当电子设备运行时，所述处理器701与所述存储介质702之间通过总线703通信，所述处理器701执行所述机器可读指令，以执行存储介质中存储的如下执行指令：
获取车辆在目标行驶道路上的不同位置的车辆速度信息；
基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息。
在一种实施方式中，上述处理器701执行的处理中，按照如下步骤确定车辆在目标行驶道路上的不同位置的车辆速度信息，包括：
获取所述车辆在目标行驶道路上的轨迹点位置信息；
针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在一些实施例中，上述处理器701执行的处理中，所述根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息，包括：
根据获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息；
基于所述相对距离信息和所述时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
在另一种实施方式中，上述处理器701执行的处理中，所述基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息，包括：
将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；
基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
在一些实施例中，所述交通状况表示模型的内设参数用于表征不同位置的速度分布关系。
在又一种实施方式中，上述处理器701执行的处理中，按照如下步骤训练交通状况表示模型：
确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
确定与所述所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
在一些实施例中，上述处理器701执行的处理中，所述确定车辆在目标行驶道路上的不同位置的历史车辆速度信息，包括：
获取所述车辆在目标行驶道路上的历史轨迹点位置信息；
针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息。
在一些实施例中，上述处理器701执行的处理中，所述交通状况表示模型为向量转换模型。
在再一种实施方式中，所述交通状况表示模型为混合高斯分布模型，所述混合高斯分布模型包括N个高斯分布模型，N为大于1的正整数；按照如下步骤确定交通状况表示模型：
确定所述车辆在目标行驶道路上的不同位置的历史车辆速度信息；
基于所有历史车辆速度信息以及所述N的数值，确定用于表征所有历史车辆速度信息的各个高斯分布模型的参数信息和权重信息；
基于所述参数信息和所述权重信息确定所述交通状况表示模型。
在一些实施例中，上述处理器701执行的处理中，所述基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息，包括：
根据所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型中各个高斯分布模型的参数信息，对各个高斯分布模型的权重信息进行更新；
将更新后的权重信息作为所述目标行驶道路的交通状况信息。
实施例七
本申请实施例七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上存储有计算机程序，该计算机程序被处理器运行时执行上述任意实施例所述交通状况确定方法的步骤。
具体地，该存储介质能够为通用的存储介质，如移动磁盘、硬盘等，该存储介质上的计算机程序被运行时，能够执行上述交通状况确定方法，从而解决目前基于平均速度确定路况的方式存在准确性较低的问题，不能真实、有效地反映交通情况等问题，进而达到能够对交通状况进行有效确定，且准确性较高的效果。
本申请实施例所提供的交通状况确定方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，程序代码包括的指令可用于执行前面方法实施例中的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (12)

1.一种交通状况确定方法，其特征在于，包括：
获取车辆在目标行驶道路上的不同位置的车辆速度信息；
基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息；所述交通状况表示模型是基于对向量转换模型中的内设参数进行训练得到的，所述向量转换模型为基于分布式表示的模型；所述交通状况表示模型的内设参数表征不同位置的速度分布关系；
所述基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息，包括：将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
2.根据权利要求1所述的方法，其特征在于，按照如下步骤确定车辆在目标行驶道路上的不同位置的车辆速度信息，包括：
获取所述车辆在目标行驶道路上的轨迹点位置信息；
针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
3.根据权利要求2所述的方法，其特征在于，所述根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息，包括：
根据获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息；
基于所述相对距离信息和所述时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
4.根据权利要求1所述的方法，其特征在于，按照如下步骤训练交通状况表示模型：
确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
确定与所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
5.根据权利要求4所述的方法，其特征在于，所述确定车辆在目标行驶道路上的不同位置的历史车辆速度信息，包括：
获取所述车辆在目标行驶道路上的历史轨迹点位置信息；
针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息。
6.一种交通状况确定装置，其特征在于，包括：
速度获取模块，用于获取车辆在目标行驶道路上的不同位置的车辆速度信息；
状况确定模块，用于基于所述目标行驶道路上的不同位置的车辆速度信息、以及预先设置的交通状况表示模型，确定所述目标行驶道路的交通状况信息；所述交通状况表示模型是基于对向量转换模型中的内设参数进行训练得到的，所述向量转换模型为基于分布式表示的模型；所述交通状况表示模型的内设参数表征不同位置的速度分布关系；
所述状况确定模块，具体用于：将所述目标行驶道路上的所有车辆速度信息输入至预先训练的交通状况表示模型中，得到与所述所有车辆速度信息对应的速度特征向量；基于得到的速度特征向量确定所述目标行驶道路的交通状况信息。
7.根据权利要求6所述的装置，其特征在于，所述速度获取模块，具体用于：
获取所述车辆在目标行驶道路上的轨迹点位置信息；
针对任意相邻的两个轨迹点位置信息，确定所述车辆由任意相邻的两个轨迹点位置中的一个轨迹点位置行驶至任意相邻的两个轨迹点位置中的另一个轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个轨迹点位置信息、以及与该相邻的两个轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
8.根据权利要求7所述的装置，其特征在于，所述速度获取模块，具体用于：
根据获取的任意相邻的两个轨迹点位置信息，确定该相邻的两个轨迹点位置信息对应的相对距离信息；
基于所述相对距离信息和所述时长信息，确定所述车辆在目标行驶道路上该相邻的两个轨迹点位置之间的车辆速度信息。
9.根据权利要求6所述的装置，其特征在于，还包括：
模型训练模块，用于：
确定车辆在目标行驶道路上的不同位置的历史车辆速度信息；
确定与所有历史车辆速度信息对应的速度特征向量，所述速度特征向量用于表征所述目标行驶道路的交通状况信息；
将所述所有历史车辆速度信息作为待训练的交通状况表示模型的输入，将与所述所有历史车辆速度信息对应的速度特征向量作为待训练的交通状况表示模型的输出，训练所述交通状况表示模型。
10.根据权利要求9所述的装置，其特征在于，所述模型训练模块，具体用于：
获取所述车辆在目标行驶道路上的历史轨迹点位置信息；
针对任意相邻的两个历史轨迹点位置信息，确定所述车辆由任意相邻的两个历史轨迹点位置中的一个历史轨迹点位置行驶至任意相邻的两个历史轨迹点位置中的另一个历史轨迹点位置所占用的时长信息；
根据获取的任意相邻的两个历史轨迹点位置信息、以及与该相邻的两个历史轨迹点位置信息对应的时长信息，确定所述车辆在目标行驶道路上该相邻的两个历史轨迹点位置之间的历史车辆速度信息。
11.一种电子设备，其特征在于，包括：处理器、存储介质和总线，所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1至5任一所述的交通状况确定方法的步骤。
12.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至5任一所述的交通状况确定方法的步骤。
CN201910143752.6A 2019-02-25 2019-02-25 一种交通状况确定方法、装置、电子设备及存储介质 Active CN111613052B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910143752.6A CN111613052B (zh) 2019-02-25 2019-02-25 一种交通状况确定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910143752.6A CN111613052B (zh) 2019-02-25 2019-02-25 一种交通状况确定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111613052A CN111613052A (zh) 2020-09-01
CN111613052B true CN111613052B (zh) 2022-03-04

Family

ID=72202987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910143752.6A Active CN111613052B (zh) 2019-02-25 2019-02-25 一种交通状况确定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111613052B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112927117B (zh) * 2021-03-22 2022-08-23 上海京知信息科技有限公司 基于区块链的车辆管理通信方法、管理系统、设备及介质
CN113160598A (zh) * 2021-03-31 2021-07-23 深圳市锐明技术股份有限公司 路线规划方法、装置、服务器及介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
CN101729872A (zh) * 2009-12-11 2010-06-09 南京城际在线信息技术有限公司 一种基于视频监控图像自动判别道路交通状态的方法
CN102622885A (zh) * 2012-03-22 2012-08-01 北京世纪高通科技有限公司 检测交通事件的方法和装置
CN103824126A (zh) * 2014-02-17 2014-05-28 株洲南车时代电气股份有限公司 交通拥堵情况分析系统
CN104408923A (zh) * 2014-12-03 2015-03-11 百度在线网络技术（北京）有限公司 交通状态评估方法和装置
CN104484996A (zh) * 2014-12-18 2015-04-01 江苏省交通规划设计院股份有限公司 一种基于多源数据的路段交通状态判别方法
CN104933856A (zh) * 2014-03-17 2015-09-23 径卫视觉科技（上海）有限公司 道路路况实时评估系统及方法
CN206194133U (zh) * 2016-11-30 2017-05-24 山东交通学院 一种基于车流平均速度的道路拥堵状况提示器
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法
CN107123265A (zh) * 2017-06-12 2017-09-01 东南大学 一种基于并行计算的高速公路交通状态估计方法
CN107766945A (zh) * 2017-09-06 2018-03-06 北京交通发展研究院 城市路网承载力的计算方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
CN101729872A (zh) * 2009-12-11 2010-06-09 南京城际在线信息技术有限公司 一种基于视频监控图像自动判别道路交通状态的方法
CN102622885A (zh) * 2012-03-22 2012-08-01 北京世纪高通科技有限公司 检测交通事件的方法和装置
CN103824126A (zh) * 2014-02-17 2014-05-28 株洲南车时代电气股份有限公司 交通拥堵情况分析系统
CN104933856A (zh) * 2014-03-17 2015-09-23 径卫视觉科技（上海）有限公司 道路路况实时评估系统及方法
CN104408923A (zh) * 2014-12-03 2015-03-11 百度在线网络技术（北京）有限公司 交通状态评估方法和装置
CN104484996A (zh) * 2014-12-18 2015-04-01 江苏省交通规划设计院股份有限公司 一种基于多源数据的路段交通状态判别方法
CN206194133U (zh) * 2016-11-30 2017-05-24 山东交通学院 一种基于车流平均速度的道路拥堵状况提示器
CN106846816A (zh) * 2017-04-12 2017-06-13 山东理工大学 一种基于深度学习的离散化交通状态判别方法
CN107123265A (zh) * 2017-06-12 2017-09-01 东南大学 一种基于并行计算的高速公路交通状态估计方法
CN107766945A (zh) * 2017-09-06 2018-03-06 北京交通发展研究院 城市路网承载力的计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
城市道路交通运行特征三维可视化分析;刘秀彩 等;《公路与汽运》;20180331(第2期);27-32 *

Also Published As

Publication number Publication date
CN111613052A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN109919347B (zh) 路况生成方法、相关装置和设备
Biagioni et al. Easytracker: automatic transit tracking, mapping, and arrival time prediction using smartphones
CN112212874B (zh) 车辆轨迹预测方法、装置、电子设备及计算机可读介质
WO2018068653A1 (zh) 点云数据处理方法、装置及存储介质
CN114973677A (zh) 用于确定预计到达时间的方法和设备
CN107945507A (zh) 行程时间预测方法及装置
CN111854779B (zh) 一种路线规划方法、装置、电子设备及可读存储介质
WO2014194480A1 (en) Air quality inference using multiple data sources
CN104599002B (zh) 预测订单价值的方法及设备
CN111861643A (zh) 一种乘车位置的推荐方法、装置、电子设备及存储介质
CN111435088A (zh) 一种道路匹配方法、装置、电子设备及存储介质
CN111859178A (zh) 一种推荐上车点的方法和系统
CN112101527B (zh) 识别车道变化的方法和装置、电子设备和存储介质
CN111613052B (zh) 一种交通状况确定方法、装置、电子设备及存储介质
Zhu et al. A driving cycle detection approach using map service API
CN114450557A (zh) 路线偏差量化及基于此的车辆路线学习
US20220011123A1 (en) Method of characterizing a route travelled by a user
Shen et al. Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report
JP5437383B2 (ja) 道路路側部通行量算出装置及び道路路側部通行量算出方法
Albalawneh et al. A new federated genetic algorithm-based optimization technique for multi-criteria vehicle route planning using ArcGIS network analyst
CN111862657A (zh) 一种确定路况信息的方法及装置
JP6678476B2 (ja) 移動経路推定装置、及び移動経路推定方法
CN114516336A (zh) 一种考虑道路约束条件的车辆轨迹预测方法
CN112685517B (zh) 分歧/合流区域的识别方法和设备
CN106781470B (zh) 城市道路的运行速度的处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant