CN111862605B - 路况检测方法、装置、电子设备及可读存储介质 - Google Patents
路况检测方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN111862605B CN111862605B CN202010699199.7A CN202010699199A CN111862605B CN 111862605 B CN111862605 B CN 111862605B CN 202010699199 A CN202010699199 A CN 202010699199A CN 111862605 B CN111862605 B CN 111862605B
- Authority
- CN
- China
- Prior art keywords
- road
- road condition
- road section
- traffic
- detected
- 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
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
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
Abstract
本申请涉及车辆导航技术领域,公开了一种路况检测方法、装置、电子设备及可读存储介质,路况检测方法包括:获取待检测路段的交通信息;交通信息包括车流量、车流速度、车道数、道路容量中的至少一种;将待检测路段的交通信息转化为交通特征序列;将交通特征序列输入训练后的路况检测模型,得到待检测路段的路况信息;路况信息包括待检测路段中每一路段单元的路况结果;其中,路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的。本申请提供的路况检测方法不仅仅依赖于车流速度,可以得到更加准确的路况结果,从而提供更准确的导航地图。
Description
技术领域
本申请涉及车辆导航技术领域,具体而言,本申请涉及一种路况检测方法、装置、电子设备及可读存储介质。
背景技术
在地图服务中,通常需要确定路况信息,例如道路是否拥堵,以便为用户规划合理的导航路线,还能帮助城市构建交通预警,调度城市交通系统。
目前,在分析路况信息时,通常是采集道路上车辆GPS(Global PositioningSystem,全球定位系统)定位点信息,计算车辆在各路段上的实时速度,并结合多个车辆在同一路段上的速度,确定路段拥堵情况。这种方式较依赖于车流速度,当车流计算波动时所得到的路况结果可能准确性较低。
发明内容
本申请的目的旨在至少能更准确的检测路况,特提出以下技术方案:
第一方面,提供了一种路况检测方法,包括:
获取待检测路段的交通信息;所述交通信息包括车流量、车流速度、车道数、道路容量中的至少一种;
将所述待检测路段的交通信息转化为交通特征序列;
将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的路况信息;
其中,所述路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的。
在第一方面的可选实施例中,所述将所述待检测路段的交通信息转化为交通特征序列,包括:
将所述待检测路段进行拆分,得到至少一个待检测路段单元;
将至少一个待检测路段单元的交通信息转化为对应的交通特征向量;
根据待检测路段单元在所述待检测路段中的排列顺序,将所转化的至少一个交通特征向量进行拼接,得到所述交通特征序列。
在第一方面的可选实施例中,所述训练后的路况检测模型通过如下方式训练得到:
获取多个样本路段的样本路况信息和对应的样本交通信息;
将所述多个样本交通信息分别转化为对应的样本交通特征序列;
基于多个样本路况信息和多个样本交通序列特征调整初始路况检测模型的参数,得到训练后的所述路况检测模型。
在第一方面的可选实施例中,所述路况结果包括拥堵、缓行和畅通中的任一种;
所述获取多个样本路段的样本路况信息,包括:
针对任一样本路段,确定该样本路段中的至少一个拥堵位置;
基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果;
基于每一样本路段单元的路况结果,生成所述样本路况信息。
在第一方面的可选实施例中,所述基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果,包括:
针对所述至少一个拥堵位置中的任一拥堵位置,将位于该拥堵位置下游的预设拥堵长度以内的样本路段单元的路况结果设为拥堵。
在第一方面的可选实施例中,所述将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的路况信息,包括:
将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的初始路况信息;
对所述初始路况信息进行校正,得到所述路况信息。
在第一方面的可选实施例中,对所述初始路况信息进行校正,得到所述路况信息,包括:
基于所述初始路况信息确定所述待校验路段中的拥堵路段的长度;
若任一拥堵路段的长度小于预设阈值,则将所述初始路况信息中该拥堵路段对应的路段单元的路况结果校正为畅通,得到所述路况信息。
在第一方面的可选实施例中,对所述初始路况信息进行校正,得到所述路况信息,包括:
确定所述待校验路段中的交通路口位置;
若基于所述初始路况信息确定所述待校验路段中任一路段单元位于所述交通路口的预设范围内,且该路段单元的上游的路段单元的路况结果为拥堵,则将所述初始路况信息中该路段单元的路况结果设为拥堵,得到所述路况信息。
在第一方面的可选实施例中,对所述初始路况信息进行校正,得到所述路况信息,包括:
若所述待校验路段中任一路段单元未检测到对应的路况结果,则基于所述初始路况信息确定该路段单元的至少一个相邻路段单元的相邻路况结果;
基于所述相邻路况结果确定该路段单元的路况结果。
第二方面,提供了一种路况检测装置,包括:
获取模块,用于获取待检测路段的交通信息;所述交通信息包括车流量、车流速度、车道数、道路容量中的至少一种;
转化模块,用于将所述待检测路段的交通信息转化为交通特征序列;
检测模块,用于将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的路况信息;
其中,所述路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的。
在第二方面的可选实施例中,转化模块在将所述待检测路段的交通信息转化为交通特征序列时,具体用于:
将所述待检测路段进行拆分,得到至少一个待检测路段单元;
将至少一个待检测路段单元的交通信息转化为对应的交通特征向量;
根据待检测路段单元在所述待检测路段中的排列顺序,将所转化的至少一个交通特征向量进行拼接,得到所述交通特征序列。
在第二方面的可选实施例中,路况检测装置还包括训练模块,用于:
获取多个样本路段的样本路况信息和对应的样本交通信息;
将所述多个样本交通信息分别转化为对应的样本交通特征序列;
基于多个样本路况信息和多个样本交通序列特征调整初始路况检测模型的参数,得到训练后的所述路况检测模型。
在第二方面的可选实施例中,所述路况结果包括拥堵、缓行和畅通中的任一种;
所述训练模块在获取多个样本路段的样本路况信息时,具体用于:
针对任一样本路段,确定该样本路段中的至少一个拥堵位置;
基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果;
基于每一样本路段单元的路况结果,生成所述样本路况信息。
在第二方面的可选实施例中,所述训练模块在基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果时,具体用于:
针对所述至少一个拥堵位置中的任一拥堵位置,将位于该拥堵位置下游的预设拥堵长度以内的样本路段单元的路况结果设为拥堵。
在第二方面的可选实施例中,检测模块在将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的路况信息时,具体用于:
将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的初始路况信息;
对所述初始路况信息进行校正,得到所述路况信息。
在第二方面的可选实施例中,检测模块在对所述初始路况信息进行校正,得到所述路况信息时,具体用于:
基于所述初始路况信息确定所述待校验路段中的拥堵路段的长度;
若任一拥堵路段的长度小于预设阈值,则将所述初始路况信息中该拥堵路段对应的路段单元的路况结果校正为畅通,得到所述路况信息。
在第二方面的可选实施例中,检测模块在对所述初始路况信息进行校正,得到所述路况信息时,具体用于:
确定所述待校验路段中的交通路口位置;
若基于所述初始路况信息确定所述待校验路段中任一路段单元位于所述交通路口的预设范围内,且该路段单元的上游的路段单元的路况结果为拥堵,则将所述初始路况信息中该路段单元的路况结果设为拥堵,得到所述路况信息。
在第二方面的可选实施例中,检测模块在对所述初始路况信息进行校正,得到所述路况信息时,具体用于:
若所述待校验路段中任一路段单元未检测到对应的路况结果,则基于所述初始路况信息确定该路段单元的至少一个相邻路段单元的相邻路况结果;
基于所述相邻路况结果确定该路段单元的路况结果。
第三方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时实现本申请第一方面所示的路况检测方法。
第四方面,提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的路况检测方法。
本申请提供的技术方案带来的有益效果是:
通过将待检测路段的交通信息转化为交通特征序列,基于训练后的路况检测模型和交通特征序列确定待检测路段的路况信息,可以基于车流量、车流速度、车道数、道路容量等综合的交通信息确定最终的路况信息,不仅仅依赖于车流速度,可以得到更加准确的路况信息。
进一步的,基于多个待检测路段单元的路况信息在空间及时间上之间存在的连续性,结合上下游时空关系来对初始路况信息进行校正,可以进一步有效提高路况信息的准确性。
本申请附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例提供的一种路况检测方法的应用环境图;
图2为本申请实施例提供的一种路况检测方法的流程示意图;
图3为本申请实施例提供的一种训练路况检测模型的流程示意图;
图4为本申请一个示例中获取样本交通信息的方案的示意图;
图5为本申请一个示例中确定样本路段单元的路况结果的方案的示意图;
图6为本申请实施例一个示例中确定样本路段的样本路况信息的方案的示意图;
图7为本申请实施例一个示例中确定路况信息的方案的示意图;
图8为本申请示例中提供的对初始路况信息进行校正的方案的示意图;
图9为本申请提供的一个示例中路况检测方法的流程示意图;
图10为本申请提供的一个示例中路况检测方法的流程示意图;
图11为本申请实施例提供的一种路况检测装置的结构示意图;
图12为本申请实施例提供的一种路况检测的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
在地图服务中,实时交通路况信息作为基础功能,不仅能够方便用户知晓道路拥堵情况,规划出行路线合理安排行动计划,还能帮助城市构建交通预警,调度城市交通系统。准确的路况,可提供更加优质的ETA(Estimated Time of Arrival,预定到达时间)服务和路径规划,节省城市道路资源和用户时间。
常见的实时路况的检测方式有两种:
第一种是通过采集道路上车辆GPS定位点信息,计算车辆在各路段上的实时速度,并融合多车在同一路段上的速度,通过速度的快慢来确定路段拥堵情况。这种方法的优点是简单直接,也是目前大多数地图生产厂商实时路况生产的基本方法;
这种方式不允许车流速度计算带来的误差,对用户驾驶行为存在较强的依赖且生产流程涉及的环节过多过于复杂,无法解决特定情形下的路况问题,同时车流速度的计算波动也会带来路况的错误发布;
第二种方法由交管部门将传感器或线圈部署在道路上,通过传感器感应道路上车流量以确定交通的拥堵情况。这种方法的优点是,能采集到所有通过指定道路点的车辆,信息充分;
这种方式工程量较大,对道路的覆盖面窄,主要集中在高速路、城市快速路,其他道路很难涉及到,同时几乎不存在对丰富视觉信息的参考及利用。
本申请提供的路况检测方法、装置、电子设备及计算机可读存储介质,旨在解决现有技术的如上技术问题。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
本申请提供的路况检测方法,可以应用于如图1所示的应用环境中。具体的,服务器101可以和多个车载终端102、多个交通路段上分布的图像采集设备103进行通信,从而获取待检测路段的交通信息;服务器101将所述待检测路段的交通信息转化为交通特征序列;服务器101将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的路况信息;若任一车载终端102发送对于路况信息的获取请求,服务器101可以将路况信息发送至该车载终端102。
本技术领域技术人员可以理解,这里所使用的“终端”可以是手机、平板电脑、PDA(Personal Digital Assistant,个人数字助理)、MID(Mobile Internet Device,移动互联网设备)等;“服务器”可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
可以理解的是,图1表示的是一个示例中的应用场景,并不对本申请的路况检测方法的应用场景进行限定,上述场景中,是服务器进行路况检测,在其他应用场景中,也可以是检测终端与终端、图像采集设备之间进行网络通信,由检测终端进行路况检测等。
本申请实施例中提供了一种可能的实现方式,如图2所示,提供了一种路况检测方法,以该方法应用于图1中的服务器为例进行说明,可以包括以下步骤:
步骤S201,获取待检测路段的交通信息。
其中,交通信息可以包括实时的车流量、车流速度、车道数、道路容量中的至少一种,还可以包括实时GPS定位密度、是否有行人穿过等等。
具体的,服务器可以与多个车载终端和多个图像采集设备或视频采集设备进行网络通信,获取待检测路段的交通信息。
例如,服务器可以与待检测路段的多个车载终端进行网络通信,从而获取车流速度;可以与设置于待检测路段的多个视频采集设备进行网络通信,从而确定待检测路段的车道数、车流量等。
在具体实施过程中,获取待检测路段的交通信息可以基于如下任一种情况触发:
接收到车载终端发送的针对待检测路段的检测信息;
间隔预设周期获取待检测路段的交通信息。
步骤S202,将待检测路段的交通信息转化为交通特征序列。
具体的,可以将待检测路段拆分为多个路段单元,并获取每一个路段单元的交通特征向量,根据多个路段单元的交通特征向量,确定交通特征序列。
在具体实施方式中,步骤S202的将待检测路段的交通信息转化为交通特征序列,可以包括:
(1)将待检测路段进行拆分,得到至少一个待检测路段单元;
(2)将至少一个待检测路段单元的交通信息转化为对应的交通特征向量;
(3)根据待检测路段单元在待检测路段中的排列顺序,将所转化的至少一个交通特征向量进行拼接,得到交通特征序列。
例如,待检测交通路段为1km长的路段,可以以每100m长度为一个路段单元,将待检测交通路段拆分为10个待检测路段单元。
具体的,对于不同的交通信息,可以预先建立交通信息与交通特征向量之间的对应关系,也可以是预先训练特征转化模型,通过训练后的特征转化模型将交通信息进行转化。
在具体实施过程中,对交通特征向量可以按照待检测路段单元的排列顺序拼接为交通特征序列;也可以按照待检测路段单元的排列顺序组合形成交通特征。
步骤S203,将交通特征序列输入训练后的路况检测模型,得到待检测路段的路况信息;路况信息包括待检测路段中每一路段单元的路况结果。
其中,路况结果可以包括畅通、缓行和拥堵中的任一种;也可以介于畅通和缓行之间,或介于缓行和拥堵之间。
其中,路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的。
具体的,可以基于多个样本路段的样本交通信息获取对应的多个样本交通特征序列,基于样本交通特征序列和对应的样本路况信息训练得到路况检测模型,具体的训练过程将在下文进行详细阐述。
上述实施例中,通过将待检测路段的交通信息转化为交通特征序列,基于训练后的路况检测模型和交通特征序列确定待检测路段的路况信息,可以基于车流量、车流速度、车道数、道路容量等综合的交通信息确定最终的路况信息,不仅仅依赖于车流速度,可以得到更加准确的路况信息。
以下将结合附图和具体实施例进一步阐述路况检测模型的训练过程。
本申请实施例中提供了一种可能的实现方式,如图3所示,训练后的路况检测模型可以通过如下方式训练得到:
步骤S310,获取多个样本路段的样本路况信息和对应的样本交通信息;
步骤S320,将多个样本交通信息分别转化为对应的样本交通特征序列;
步骤S330,基于多个样本路况信息和多个样本交通序列特征调整初始路况检测模型的参数,得到训练后的路况检测模型。
其中,样本交通信息可以包括多个不同的样本路段的历史的车流量、车流速度、车道数、道路容量、对应的历史GPS定位密度、是否有行人穿过等等。
具体的,可按照不同道路工况场景准备不同类型的样本交通信息,如:高速路/城市快速路、国道/省道/县道、乡镇道路、收费站前道路、红绿灯前道路等。
如图4所示,每一样本路段可以用于表示空间上一定范围内的道路,如图中所示的红领巾桥至十里堡,然后可以对样本路段以每100米拆分为样本路段单元;最后在样本路段单元上提取样本交通信息,如车流量、车流速度、是否有行人穿过、车道数等,以及最终样本路况信息,即每一段样本路段单元的路况结果,如非拥堵、拥堵等。每种类型的样本路段可以准备至少连续30天及以上的数据,以确保样本路段对实际路况多种情形及周期性规律的覆盖。
本申请实施例中提供了一种可能的实现方式,步骤S310的获取多个样本路段的样本路况信息,可以包括:
(1)针对任一样本路段,确定该样本路段中的至少一个拥堵位置。
具体的,对于任一样本路段,可以根据所收集的样本交通信息,如车流量、车流速度、是否有行人穿过、车道数等,确定出样本路段中的拥堵位置。
(2)基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果。
具体的,如果某一样本路段中有一个拥堵位置,则这个拥堵位置的下游一定范围内必然也是拥堵的。
具体的,基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果,可以包括:
针对至少一个拥堵位置中的任一拥堵位置,将位于该拥堵位置下游的预设拥堵长度以内的样本路段单元的路况结果设为拥堵。
如图5所示,可以先判断车流方向,然后根据车流方向确定拥堵位置下游的预设拥堵长度以内的样本路段单元,图5中A处为拥堵位置,图中的箭头为车流方向,则A处的下游的预设拥堵长度内的样本路段单元的路况结果均可以设为拥堵。
在其他实施方式中,还可以设置一个预设拥堵时间,将该拥堵位置所在的样本路段单元设置为在预设拥堵时间内都处于拥堵状态。
(3)基于每一样本路段单元的路况结果,生成样本路况信息。
具体的,确定每一个样本路段单元的路况结果,可以对每一个路况结果进行标记,例如,路况结果为拥堵,则标记为1;路况结果为畅通,则标记为0,当然标记的形式可以有多种,如不同的字母、不同的符号、不同颜色、不同形状等等,具体标记形式在此不作限制。
如图6所示,以“0”和“1”标记为例,图6中的样本路段包括多个样本路段单元601,确定每一个样本路段单元的路况结果,并进行标记,可以得到该样本路段的样本路况信息。
在具体实施过程中,可以对每一样本路况信息进行标记,最后对每种类型的样本路段单元按照预设比例切分为训练集、验证集和测试集,例如以6:2:2的比例切分为训练集、验证集和测试集,训练集用于训练初始路况检测模型,例如可以包括RNN(RecurrentNeural Network,深度循环神经网络),验证集用于调节模型参数,测试集用于验证模型实际效果。
上述实施例中阐述了获取样本数据以及对路况检测模型进行训练的具体过程,以下将结合附图和具体实施例进一步阐述路况信息的确定过程。
在一些实施方式中,可以将交通特征序列输入训练后的路况检测模型,直接得到待检测路段的路况信息。
如图7所示,在一个示例中,将待检测路段拆分为多个待检测路段单元,并获取交通信息,基于交通信息确定获取每一待检测路段单元的交通特征向量,如x(1),x(2),x(3)……x(n),基于每一待检测路段单元的交通特征向量确定交通特征序列,基于交通特征序列确定待检测路段的路况信息,即每一路段单元的路况结果,图中不同的路况结果以不同的图形表示。
在另一些实施方式中,可以将交通特征序列输入训练后的路况检测模型,然后对路况检测模型的输出进行校正,得到最终的路况信息。
本申请实施例中提供了一种可能的实现方式,步骤S603的将交通特征序列输入训练后的路况检测模型,得到待检测路段的路况信息,可以包括:
(1)将交通特征序列输入训练后的路况检测模型,得到待检测路段的初始路况信息;
(2)对初始路况信息进行校正,得到路况信息。
具体的,多个待检测路段单元的路况信息在空间及时间上还存在一定的连续性,故需要根据业务规则指导最终路况的判定与发布,具体可以结合上下游时空关系来对误判的拥堵进行校验。
在一种实施方式中,对初始路况信息进行校正,得到路况信息,可以包括:
a1、基于初始路况信息确定待校验路段中的拥堵路段的长度;
a2、若任一拥堵路段的长度小于预设阈值,则将初始路况信息中该拥堵路段对应的路段单元的路况结果校正为畅通,得到路况信息。
具体的,若任一拥堵路段的长度小于预设阈值,即检测出来的拥堵路段仅存在于上下游空间关系中长度极短的路段,那么此处的拥堵路况是不符合人为主观感受的,可以将该拥堵路段设为畅通或缓行。
如图8所示,图8中F段拥堵路段的长度小于预设阈值,则可以将该路段单元的路况结果设为畅通或缓行。
在一些实施方式中,若检测出来的拥堵路段在未来较短时间(一般为2分钟)后,又恢复为畅通且保持稳定,那么此处的拥堵路况是不符合常理的,该路段也可以设为畅通。
在另一种实施方式中,对初始路况信息进行校正,得到路况信息,可以包括:
b1、确定待校验路段中的交通路口位置;
b2、若基于初始路况信息确定待校验路段中任一路段单元位于交通路口的预设范围内,且该路段单元的上游的路段单元的路况结果为拥堵,则将初始路况信息中该路段单元的路况结果设为拥堵,得到路况信息。
具体的,若检测出来的畅通路段紧邻红绿灯,且上游存在稳定且可信度高的拥堵路况,那么此处检测出来的畅通是不符合常理的,如图8所示的O路段,应该将该路段的路况结果校正为拥堵。
在又一种实施方式中,对初始路况信息进行校正,得到路况信息,可以包括:
c1、若待校验路段中任一路段单元未检测到对应的路况结果,则基于初始路况信息确定该路段单元的至少一个相邻路段单元的相邻路况结果;
c2、基于相邻路况结果确定该路段单元的路况结果。
具体的,若因缺失数据未识别路况时,应对其进行填补以保证路况发布的准确与完善,如图8中所示的D,可以判断D的两个相邻路段单元的路况结果,并获取相邻的路况结果所对应的路段长度,图8中D路段的旁边C路段和E路段,E路段的路况结果为畅通,且E路段的畅通长度大于C路段的拥堵长度,因此,可以将D路段的路况结果设为畅通。
上述实施例中,基于多个待检测路段单元的路况信息在空间及时间上之间存在的连续性,结合上下游时空关系来对初始路况信息进行校正,可以进一步有效提高路况信息的准确性。
为了更好地理解上述路况检测方法,如图9所示,以下详细阐述一个本发明的路况检测方法的示例:
在一个示例中,本申请提供的路况检测方法,可以包括如下步骤:
1)获取多个样本路段的样本路况信息和对应的样本交通信息;即图中所示的历史路况片段数据;
2)将多个样本交通信息分别转化为对应的样本交通特征序列,构建图中所示的训练集;
3)基于多个样本路况信息和多个样本交通序列特征调整初始路况检测模型的参数,得到训练后的路况检测模型,即图中所示的触发检测模型;
4)获取待检测路段的交通信息,即图中所示的实施路况片段信息;
5)将待检测路段的交通信息转化为交通特征序列;将交通特征序列输入训练后的路况检测模型,得到待检测路段的初始路况信息,即图中所示的识别拥堵路段;
6)对初始路况信息进行校正,得到路况信息,即图中所示的通过常识性不可接受进行业务校验,得到路况信息。
为了更好地理解上述路况检测方法,如图10所示,以下详细阐述一个本发明的路况检测方法的示例:
在一个示例中,本申请提供的路况检测方法,可以包括如下步骤:
1)在道路通行能力实时描述阶段,生成供路况检测模型进行检测的交通特征序列,即图中所示的结合用户驾驶行为分析和路段通行能力实时描述,得到对应的交通特征序列;
2)加载离线训练且已准备就绪的路况检测模块,即图中所示的触发检测模型;
3)触发检测模型的运行机制类似于唤醒机制,实时路况的拥堵唤醒则通过满足拥堵条件的现场数据来进行,唤醒的过程便是识别过程,具体地:将车流速度、车流量、实时GPS定位密度、车道数、道路容量等信息向量化处理后生成交通特征序列并输入触发检测模型,预测拥堵触发一次则代表唤醒一次,即每次识别到拥堵,即进行标记,如地图上进行标红。
上述的路况检测方法,通过将待检测路段的交通信息转化为交通特征序列,基于训练后的路况检测模型和交通特征序列确定待检测路段的路况信息,可以基于车流量、车流速度、车道数、道路容量等综合的交通信息确定最终的路况信息,不仅仅依赖于车流速度,可以得到更加准确的路况信息。
进一步的,基于多个待检测路段单元的路况信息在空间及时间上之间存在的连续性,结合上下游时空关系来对初始路况信息进行校正,可以进一步有效提高路况信息的准确性。
本申请实施例中提供了一种可能的实现方式,如图11所示,提供了一种路况检测装置110,该路况检测装置110可以包括:获取模块111、转化模块112和检测模块113,其中,
获取模块111,用于获取待检测路段的交通信息;交通信息包括车流量、车流速度、车道数、道路容量中的至少一种;
转化模块112,用于将待检测路段的交通信息转化为交通特征序列;
检测模块113,用于将交通特征序列输入训练后的路况检测模型,得到待检测路段的路况信息;路况信息包括待检测路段中每一路段单元的路况结果;
其中,路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的。
本申请实施例中提供了一种可能的实现方式,转化模块112在将待检测路段的交通信息转化为交通特征序列时,具体用于:
将待检测路段进行拆分,得到至少一个待检测路段单元;
将至少一个待检测路段单元的交通信息转化为对应的交通特征向量;
根据待检测路段单元在待检测路段中的排列顺序,将所转化的至少一个交通特征向量进行拼接,得到交通特征序列。
本申请实施例中提供了一种可能的实现方式,路况检测装置还包括训练模块,用于:
获取多个样本路段的样本路况信息和对应的样本交通信息;
将多个样本交通信息分别转化为对应的样本交通特征序列;
基于多个样本路况信息和多个样本交通序列特征调整初始路况检测模型的参数,得到训练后的路况检测模型。
本申请实施例中提供了一种可能的实现方式,路况结果包括拥堵、缓行和畅通中的任一种;
训练模块在获取多个样本路段的样本路况信息时,具体用于:
针对任一样本路段,确定该样本路段中的至少一个拥堵位置;
基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果;
基于每一样本路段单元的路况结果,生成样本路况信息。
本申请实施例中提供了一种可能的实现方式,训练模块在基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果时,具体用于:
针对至少一个拥堵位置中的任一拥堵位置,将位于该拥堵位置下游的预设拥堵长度以内的样本路段单元的路况结果设为拥堵。
本申请实施例中提供了一种可能的实现方式,检测模块113在将交通特征序列输入训练后的路况检测模型,得到待检测路段的路况信息时,具体用于:
将交通特征序列输入训练后的路况检测模型,得到待检测路段的初始路况信息;
对初始路况信息进行校正,得到路况信息。
本申请实施例中提供了一种可能的实现方式,检测模块113在对初始路况信息进行校正,得到路况信息时,具体用于:
基于初始路况信息确定待校验路段中的拥堵路段的长度;
若任一拥堵路段的长度小于预设阈值,则将初始路况信息中该拥堵路段对应的路段单元的路况结果校正为畅通,得到路况信息。
本申请实施例中提供了一种可能的实现方式,检测模块113在对初始路况信息进行校正,得到路况信息时,具体用于:
确定待校验路段中的交通路口位置;
若基于初始路况信息确定待校验路段中任一路段单元位于交通路口的预设范围内,且该路段单元的上游的路段单元的路况结果为拥堵,则将初始路况信息中该路段单元的路况结果设为拥堵,得到路况信息。
本申请实施例中提供了一种可能的实现方式,检测模块113在对初始路况信息进行校正,得到路况信息时,具体用于:
若待校验路段中任一路段单元未检测到对应的路况结果,则基于初始路况信息确定该路段单元的至少一个相邻路段单元的相邻路况结果;
基于相邻路况结果确定该路段单元的路况结果。
上述的路况检测装置,通过将待检测路段的交通信息转化为交通特征序列,基于训练后的路况检测模型和交通特征序列确定待检测路段的路况信息,可以基于车流量、车流速度、车道数、道路容量等综合的交通信息确定最终的路况信息,不仅仅依赖于车流速度,可以得到更加准确的路况信息。
进一步的,基于多个待检测路段单元的路况信息在空间及时间上之间存在的连续性,结合上下游时空关系来对初始路况信息进行校正,可以进一步有效提高路况信息的准确性。
本公开实施例的图片的路况检测装置可执行本公开的实施例所提供的一种图片的路况检测方法,其实现原理相类似,本公开各实施例中的图片的路况检测装置中的各模块所执行的动作是与本公开各实施例中的图片的路况检测方法中的步骤相对应的,对于图片的路况检测装置的各模块的详细功能描述具体可以参见前文中所示的对应的图片的路况检测方法中的描述,此处不再赘述。
基于与本公开的实施例中所示的方法相同的原理,本公开的实施例中还提供了一种电子设备,该电子设备可以包括但不限于:处理器和存储器;存储器,用于存储计算机操作指令;处理器,用于通过调用计算机操作指令执行实施例所示的路况检测方法。与现有技术相比,本申请中的路况检测方法不仅仅依赖于车流速度,可以得到更加准确的路况结果。
在一个可选实施例中提供了一种电子设备,如图12所示,图12所示的电子设备4000包括:处理器4001和存储器4003。其中,处理器4001和存储器4003相连,如通过总线4002相连。可选地,电子设备4000还可以包括收发器4004。需要说明的是,实际应用中收发器4004不限于一个,该电子设备4000的结构并不构成对本申请实施例的限定。
处理器4001可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器4001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线4002可包括一通路,在上述组件之间传送信息。总线4002可以是PCI(Peripheral Component Interconnect,外设部件互连标准)总线或EISA(ExtendedIndustry Standard Architecture,扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器4003可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器4003用于存储执行本申请方案的应用程序代码,并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图12示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
本申请实施例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,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。与现有技术相比,本申请中的路况检测方法不仅仅依赖于车流速度,可以得到更加准确的路况结果。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备执行上述实施例所示的方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块的名称在某种情况下并不构成对该模块本身的限定,例如,获取模块还可以被描述为“获取交通信息的模块”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (11)
1.一种路况检测方法,其特征在于,包括:
获取待检测路段的交通信息;所述交通信息包括车流量、车流速度、车道数、道路容量中的至少一种;
将所述待检测路段的交通信息转化为交通特征序列;所述交通特征序列包括每一个待检测路段单元的交通特征向量;
将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的初始的路况信息,所述路况信息包括由所述待检测路段中各路段单元的路况结果构成的序列;
对所述待检测路段中目标路段单元的路况结果进行校正,获得路况信息;所述目标路段单元为距离路口预设范围内且与上游路段单元的路况结果不一致的第一路段单元和/或未检测到路况结果的第二路段单元;
其中,所述路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的;
所述对所述待检测路段中目标路段单元的路况结果进行校正,获得路况信息,包括:
将所述第一路段单元的路况结果校正为与上游路段单元的稳定且可信度高的路况结果;将所述第二路段单元上、下游相邻的路段单元中,长度较长的路段单元的路况结果作为所述第二路段单元的路况结果。
2.根据权利要求1所述的路况检测方法,其特征在于,所述将所述待检测路段的交通信息转化为交通特征序列,包括:
将所述待检测路段进行拆分,得到至少一个待检测路段单元;
将至少一个待检测路段单元的交通信息转化为对应的交通特征向量;
根据待检测路段单元在所述待检测路段中的排列顺序,将所转化的至少一个交通特征向量进行拼接,得到所述交通特征序列。
3.根据权利要求1所述的路况检测方法,其特征在于,所述训练后的路况检测模型通过如下方式训练得到:
获取多个样本路段的样本路况信息和对应的样本交通信息;
将所述多个样本交通信息分别转化为对应的样本交通特征序列;
基于多个样本路况信息和多个样本交通序列特征调整初始路况检测模型的参数,得到训练后的所述路况检测模型。
4.根据权利要求3所述的路况检测方法,其特征在于,所述路况结果包括拥堵、缓行和畅通中的任一种;
所述获取多个样本路段的样本路况信息,包括:
针对任一样本路段,确定该样本路段中的至少一个拥堵位置;
基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果;
基于每一样本路段单元的路况结果,生成所述样本路况信息。
5.根据权利要求4所述的路况检测方法,其特征在于,所述基于所确定的至少一个拥堵位置,确定该样本路段的每一样本路段单元的路况结果,包括:
针对所述至少一个拥堵位置中的任一拥堵位置,将位于该拥堵位置下游的预设拥堵长度以内的样本路段单元的路况结果设为拥堵。
6.根据权利要求1所述的路况检测方法,其特征在于,所述对所述待检测路段中目标路段单元的路况结果进行校正,包括:
基于所述初始路况信息确定所述待检测路段中的拥堵路段的长度;
若任一拥堵路段的长度小于预设阈值,则将所述初始路况信息中该拥堵路段对应的路段单元的路况结果校正为畅通。
7.根据权利要求1所述的路况检测方法,其特征在于,所述对所述待检测路段中目标路段单元的路况结果进行校正,包括:
确定所述待检测路段中的交通路口位置;
若基于所述初始路况信息确定所述待检测路段中任一路段单元位于所述交通路口的预设范围内,且该路段单元的上游的路段单元的路况结果为拥堵,则将所述初始路况信息中该路段单元的路况结果设为拥堵。
8.根据权利要求4所述的路况检测方法,其特征在于,所述对所述待检测路段中目标路段单元的路况结果进行校正,包括:
若所述待检测路段中任一路段单元未检测到对应的路况结果,则基于所述初始路况信息确定该路段单元的至少一个相邻路段单元的相邻路况结果;
基于所述相邻路况结果确定该路段单元的路况结果。
9.一种路况检测装置,其特征在于,包括:
获取模块,用于获取待检测路段的交通信息;所述交通信息包括车流量、车流速度、车道数、道路容量中的至少一种;
转化模块,用于将所述待检测路段的交通信息转化为交通特征序列;所述交通特征序列包括每一个待检测路段单元的交通特征向量;
检测模块,用于将所述交通特征序列输入训练后的路况检测模型,得到所述待检测路段的初始的路况信息,所述路况信息包括由所述待检测路段中各路段单元的路况结果构成的序列;
矫正模块,用于对所述待检测路段中目标路段单元的路况结果进行校正,获得路况信息;所述目标路段单元为距离路口预设范围内且与上游路段单元的路况结果不一致的第一路段单元和/或未检测到路况结果的第二路段单元;其中,所述路况检测模型是基于多个样本路段的样本交通信息和对应的样本路况信息进行训练得到的;
所述对所述待检测路段中目标路段单元的路况结果进行校正,获得路况信息,包括:
将所述第一路段单元的路况结果校正为与上游路段单元的稳定且可信度高的路况结果;将所述第二路段单元上、下游相邻的路段单元中,长度较长的路段单元的路况结果作为所述第二路段单元的路况结果。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-8任一项所述的路况检测方法。
11.一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计算机程序,该程序被处理器执行时实现权利要求1-8任一项所述的路况检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699199.7A CN111862605B (zh) | 2020-07-20 | 2020-07-20 | 路况检测方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010699199.7A CN111862605B (zh) | 2020-07-20 | 2020-07-20 | 路况检测方法、装置、电子设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862605A CN111862605A (zh) | 2020-10-30 |
CN111862605B true CN111862605B (zh) | 2022-03-08 |
Family
ID=73001137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010699199.7A Active CN111862605B (zh) | 2020-07-20 | 2020-07-20 | 路况检测方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862605B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581757B (zh) * | 2020-12-09 | 2021-11-16 | 广东君略科技咨询有限公司 | 一种智慧交通信息处理方法、装置及服务器 |
CN112836626B (zh) * | 2021-01-29 | 2023-10-27 | 北京百度网讯科技有限公司 | 事故确定方法及装置、模型训练方法及装置、电子设备 |
CN115148018A (zh) * | 2021-03-31 | 2022-10-04 | 海信集团控股股份有限公司 | 交通事件检测设备及方法 |
CN113343905B (zh) * | 2021-06-28 | 2022-06-14 | 山东理工大学 | 道路异常智能识别模型训练、道路异常识别的方法及系统 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
CN104021671A (zh) * | 2014-05-16 | 2014-09-03 | 浙江银江研究院有限公司 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
CN105788272A (zh) * | 2016-05-16 | 2016-07-20 | 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 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
CN109166317A (zh) * | 2018-10-29 | 2019-01-08 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN109859477A (zh) * | 2019-03-15 | 2019-06-07 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
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 |
CN111292534A (zh) * | 2020-02-13 | 2020-06-16 | 北京工业大学 | 一种基于聚类与深度序列学习的交通状态估计方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10489976B2 (en) * | 2017-08-11 | 2019-11-26 | Jing Jin | Incident site investigation and management support system based on unmanned aerial vehicles |
-
2020
- 2020-07-20 CN CN202010699199.7A patent/CN111862605B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
CN104021671A (zh) * | 2014-05-16 | 2014-09-03 | 浙江银江研究院有限公司 | 一种svm与模糊判断相结合的道路实时路况的判断方法 |
CN105788272A (zh) * | 2016-05-16 | 2016-07-20 | 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 |
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
CN108198415A (zh) * | 2017-12-28 | 2018-06-22 | 同济大学 | 一种基于深度学习的城市快速路事故预测方法 |
CN109166317A (zh) * | 2018-10-29 | 2019-01-08 | 东北林业大学 | 基于状态特征的城市交通路径通过时间确定方法 |
CN109410586A (zh) * | 2018-12-13 | 2019-03-01 | 中南大学 | 一种基于多元数据融合的交通状态检测方法 |
CN109859477A (zh) * | 2019-03-15 | 2019-06-07 | 同盾控股有限公司 | 一种拥堵数据的确定方法和装置 |
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 |
CN111292534A (zh) * | 2020-02-13 | 2020-06-16 | 北京工业大学 | 一种基于聚类与深度序列学习的交通状态估计方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN111862605A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862605B (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
CN113642633B (zh) | 用于对驾驶场景数据进行分类的方法、装置、设备和介质 | |
US11721206B2 (en) | Method, apparatus, and system for automatic verification of road closure reports | |
US11162801B2 (en) | Methods and systems for detecting an open navigable element | |
CN109841078B (zh) | 导航数据处理方法及其装置、存储介质 | |
EP3994423B1 (en) | Collecting user-contributed data relating to a navigable network | |
US20190026829A1 (en) | Trading system, provider terminal, user terminal, and node | |
CN112861833B (zh) | 车辆车道级定位方法、装置、电子设备和计算机可读介质 | |
CN115240157B (zh) | 道路场景数据持久化方法、装置、设备和计算机可读介质 | |
CN113899355A (zh) | 地图更新方法、装置、云端服务器和共享骑行设备 | |
CN111695627A (zh) | 路况检测方法、装置、电子设备及可读存储介质 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
CN110726414B (zh) | 用于输出信息的方法和装置 | |
Zhang et al. | Method of speed data fusion based on Bayesian combination algorithm and high‐order multi‐variable Markov model | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
JP2020126356A (ja) | 情報処理装置、情報処理方法およびプログラム | |
CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
Hu et al. | Turning traffic surveillance cameras into intelligent sensors for traffic density estimation | |
KR102302486B1 (ko) | 도시 도로의 운행 속도 처리 방법, 도시 도로의 운행 속도 처리 장치, 기기 및 비휘발성 컴퓨터 저장 매체 | |
CN115982306B (zh) | 一种目标对象的逆行行为识别方法、装置 | |
CN113048988A (zh) | 一种导航地图对应场景的变化元素检测方法及装置 | |
CN112013854A (zh) | 高精地图的检验方法及装置 | |
CN112767732B (zh) | 一种停车位置确定方法、装置以及电子设备 | |
CN117711200A (zh) | 一种道路通行情况识别方法、装置、设备及存储介质 | |
CN111325712B (zh) | 用于检测图像有效性的方法及装置 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40031344 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |