CN112560609B - 路况预估方法、建立路况预估模型的方法及对应装置 - Google Patents
路况预估方法、建立路况预估模型的方法及对应装置 Download PDFInfo
- Publication number
- CN112560609B CN112560609B CN202011410518.4A CN202011410518A CN112560609B CN 112560609 B CN112560609 B CN 112560609B CN 202011410518 A CN202011410518 A CN 202011410518A CN 112560609 B CN112560609 B CN 112560609B
- Authority
- CN
- China
- Prior art keywords
- road
- image
- sequence
- training
- sample
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000011218 segmentation Effects 0.000 claims description 36
- 238000013145 classification model Methods 0.000 claims description 34
- 238000000605 extraction Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000007477 logistic regression Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/26—Techniques for post-processing, e.g. correcting the recognition result
- G06V30/262—Techniques for post-processing, e.g. correcting the recognition result using context analysis, e.g. lexical, syntactic or semantic context
- G06V30/274—Syntactic or semantic context, e.g. balancing
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
Abstract
本申请公开了一种路况预估方法、建立路况预估模型的方法及对应装置,涉及大数据技术领域和智能交通技术领域。具体实现方案为:获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列;从所述用户轨迹序列中提取所述道路的轨迹相关特征,以及从所述道路图像序列中提取所述道路的图像相关特征;将所述道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用所述路况预估模型的估计结果得到所述道路在所述第一时间点之后预设第二时长内的路况信息。通过本申请能够实现对道路路况的预估。
Description
技术领域
本申请涉及计算机应用技术领域,特别涉及大数据技术和智能交通技术下的路况预估方法、建立路况预估模型的方法及对应装置。
背景技术
随着城市交通需求快速增长,交通拥堵问题日益严峻。交通拥堵增加了人们的通勤时间、浪费燃料、增加了污染。并且在此场景下也容易发生交通事故具有较大的安全隐患。
如果能够在诸如地图类产品中实现对路况的预估,则会给用户及时提供参考,从而选择合适的路线;也能够基于路况预估的状况更好地为用户提供诸如路线规划、路线建议等后续服务。
发明内容
有鉴于此,本申请提供了一种路况预估方法、建立路况预估模型的方法及对应装置,以便于实现对道路路况的预估。
第一方面,本申请提供了一种路况预估方法,包括:
获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列;
从所述用户轨迹序列中提取所述道路的轨迹相关特征,以及从所述道路图像序列中提取所述道路的图像相关特征;
将所述道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用所述路况预估模型的估计结果得到所述道路在所述第一时间点之后预设第二时长内的路况信息。
第二方面,本申请提供了一种建立路况预估模型的方法,包括:
获取训练数据,所述训练数据包括样本道路在第二时间点之前预设第一时长内的用户轨迹序列和道路图像序列,以及对所述样本道路标注的在所述第二时间点之后预设第二时长内的路况标签;
从所述用户轨迹序列中提取所述样本道路的轨迹相关特征,以及从所述道路图像序列中提取所述样本道路的图像相关特征;
将所述样本道路的轨迹相关特征和图像相关特征作为分类模型的输入,将对所述样本道路标注的路况标签作为所述分类模型的目标输出,训练所述分类模型以得到所述路况预估模型。
第三方面,本申请提供了一种路况预估装置,包括:
序列获取单元,用于获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列;
特征提取单元,用于从所述用户轨迹序列中提取所述道路的轨迹相关特征,以及从所述道路图像序列中提取所述道路的图像相关特征;
路况估计单元,用于将所述道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用所述路况预估模型的估计结果得到所述道路在所述第一时间点之后预设第二时长内的路况信息。
第四方面,本申请提供了一种建立路况预估模型的装置,包括:
样本获取单元,用于获取训练数据,所述训练数据包括样本道路在第二时间点之前预设第一时长内的用户轨迹序列和道路图像序列,以及对所述样本道路标注的在所述第二时间点之后预设第二时长内的路况标签;
特征提取单元,用于从所述用户轨迹序列中提取所述样本道路的轨迹相关特征,以及从所述道路图像序列中提取所述样本道路的图像相关特征;
模型训练单元,用于将所述样本道路的轨迹相关特征和图像相关特征作为分类模型的输入,将对所述样本道路标注的路况标签作为所述分类模型的目标输出,训练所述分类模型以得到所述路况预估模型。
第五方面,本申请提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
第六方面,本申请提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行上述的方法。
第七方面,本申请还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述任一项所述的方法。
由以上技术方案可以看出,本申请能够基于道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列,预测得到第一时间点之后预设第二时长内的路况信息,实现对于道路路况的预估。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1示出了可以应用本申请实施例的示例性系统架构;
图2为本申请实施例提供的路况预估的主要方法流程图;
图3为本申请实施例提供的图像相关特征提取的方法流程图;
图4为本申请实施例提供的一个道路图像的实例图;
图5为本申请实施例提供的建立路况预估模型的方法流程图;
图6为本申请实施例提供的路况预估装置的结构图;
图7为本申请实施例提供的建立路况预估模型的装置结构图;
图8是用来实现本申请实施例的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
目前路况预估的主流方法是基于用户轨迹的挖掘,即通过大量历史轨迹以及历史路况的信息来估计未来路况。然而这种基于用户轨迹挖掘的方法主要存在以下问题:
1)当道路的轨迹量稀疏时会严重影响路况预估的准确率;
2)复杂道路场景下,例如隧道、高架、施工场景、城市峡谷等,会对轨迹定位有严重干扰,从而造成路况预估不准确;
3)当路况发生拥堵时,驾车用户很容易关闭地图类应用,从而导致无法获取到用户轨迹导致路况预估不准确。
有鉴于此,本申请提供了一种用户轨迹和道路图像相结合的路况预估方法,下面结合实施例对该方法进行详述。
为了方便对整个系统架构的理解,图1示出了可以应用本申请实施例的示例性系统架构。如图1所示,该系统架构可以包括终端设备101和102,网络103和服务器104。网络103用以在终端设备101、102和服务器104之间提供通信链路的介质。网络103可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101和102通过网络103与服务器104交互。终端设备101和102上可以安装有各种应用,例如地图类应用、语音交互类应用、网页浏览器应用、通信类应用等。
终端设备101和102可以是能够支持并展现地图类应用的各种电子设备,包括但不限于智能手机、平板电脑、智能穿戴式设备、众包式采集设备等等。本发明所提供的装置可以设置并运行于上述服务器104中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块,在此不做具体限定。
例如,路况预估装置设置并运行于上述服务器104中,一方面上述终端设备101和102可以充当采集设备采集用户轨迹数据、道路图像数据等。服务器104可以获取并存储各终端设备101和102等上报的用户轨迹数据、道路图像数据等。当然,也可以由专门的采集设备负责采集用户轨迹数据、道路图像数据等。路况预估装置使用本发明实施例提供的方式对道路的路况进行估计,并主动或者响应于终端设备101或102的请求将道路的路况信息发送给各终端设备101或102。
再例如,建立路况预估模型的装置设置并运行于上述服务器104中,服务器104能够利用训练数据训练得到路况预估模型,并存储于服务器端,用于利用该路况预估模型进行道路的路况预估。
服务器104可以是单一服务器,也可以是多个服务器构成的服务器群组。应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
图2为本申请实施例提供的路况预估的主要方法流程图,如图2中所示,该方法可以包括以下步骤:
在201中,获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列。
用户轨迹序列可以是具有定位功能的采集终端(即对应于图1中所示的终端设备)上报的连续时间点对应的轨迹点构成的序列。道路图像序列可以是具有图像采集功能的采集终端采集到的道路图像构成的序列。其中采集终端可以是用户所使用的智能终端设备采集的图像、视频等,也可以是诸如机动车上的道路采集众包设备等采集的图像、视频等。服务器端对于采集终端上传的用户轨迹序列和道路图像序列进行存储。
在本实施例中,第一时间点可以是当前时间点,即利用当前时间点之前第一时长的用户轨迹序列和道路图像序列预估未来第二时长内的路况信息。除此之外,若要估计历史某一个预设时段,例如某历史时间点开始第二时长内的路况信息,则也可以获取历史时间点之前第一时长内的用户轨迹序列和道路图像序列。但较为常用的场景是前者。
在202中,从用户轨迹序列中提取道路的轨迹相关特征,以及从道路图像序列中提取道路的图像相关特征。
在本实施例中,轨迹相关特征主要包括速度特征。因为速度特征最能够体现出一条道路的拥堵状况。一般情况下,持续较高速度,则道路的路况通常较好;持续较低速度,则道路的路况通常较差。
除了速度特征之外,还可以从用户轨迹序列中提取其他特征作为轨迹相关特征,例如轨迹偏离道路中心线的状况等。
图像相关特征可以包括诸如道路空旷度特征、车流特征、建筑物特征中的至少一种。这些特征均能在一定程度上体现出道路可能出现的路况。这些特征具体的提取方式将在后续实施例中详述。
在203中,将道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用路况预估模型的估计结果确定道路在第一时间点之后预设第二时长内的路况信息。
路况预估模型实际上是一个预先训练得到的分类模型,能够依据第一时间点之前第一时长内的道路轨迹相关特征和图像相关特征,预估出第一时间点之后第二时长内的路况信息。预估出的路况信息可以包括几种路况类别。例如畅通、缓行、拥堵。再例如畅通、缓行、拥堵、严重拥堵。
关于路况预估模型的训练方式将在后续实施例中详述。
通过上述实施例中所示的流程可以看出,本申请能够基于道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列,预测得到第一时间点之后预设第二时长内的路况信息,实现对于道路路况的预估。
下面结合实施例对上述步骤201中“获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列”的实现方式进行描述。
本申请中涉及的道路可以是采用多种方式确定出的需要预估路况的道路,包括但不限于以下几种方式:
第一种方式:预设的目标道路。例如可以是指定的重要道路等。
第二种方式:路况电子围栏中的道路。这种方式下,可以预先设置一个区域范围,该区域范围可以看做是一个虚拟的围栏,称为“路况电子围栏”。采集终端实时向服务器端上报轨迹点,一旦这些轨迹点触发路况电子围栏,例如轨迹点显示已进入到路况电子围栏的区域,则可以指示采集终端采集该路况电子围栏中的道路的用户轨迹序列和道路图像序列。
第三种方式:轨迹点满足预设路况预估触发条件的道路。
对于采集终端而言,由于其会实时上报用户轨迹。服务器端可以根据各种用户轨迹确定出道路的轨迹点数量和速度等。例如,当道路上的轨迹点数量超过一定的数量,或者道路上的轨迹点速度在一定时长内均低于一定的速度阈值,则可以说明该条道路上的路况不佳,则可以确定该道路为需要预估路况的道路。
作为其中一种实现方式,服务器端可以将道路信息发送给采集终端,采集终端接收到该道路信息后,负责采集该道路的道路图像或视频并上传至服务器端。
作为另外一种实现方式,服务器端也可以向处于上述道路上的采集终端发送采集指令,采集终端接收到该采集指令后,采集当前道路上的道路图像或视频并上传至服务器端。
对于道路li而言,采集终端在该道路上采集的道路图像序列可以表示为<It-N,It-N+1,…,It-1,It>,即时间点t之前N个时间点构成的图像序列。相应地,采集终端会实时上报用户轨迹点,将轨迹点与图像序列中的各图像依据时间点进行一一对应后,用户轨迹序列可以表示为<pt-N,pt-N+1,…,pt-1,pt>。用户轨迹序列中的各轨迹点可以采用诸如经纬度坐标的方式表示。
其中,若采集终端上传的是道路视频,则为了使得道路图像序列中的各道路图像能够与用户轨迹序列中的各轨迹点在时间上对应,则可以对道路视频进行抽帧,使得抽出的图像帧在时间上与用户轨迹序列中的各轨迹点在时间上对应,并将抽出的图像帧构成道路图像序列。
下面结合实施例对上述步骤202中“从用户轨迹序列中提取道路的轨迹相关特征,以及从道路图像序列中提取道路的图像相关特征”的实现方式进行描述。
从用户轨迹序列中提取出的道路的轨迹相关特征主要包括速度特征。道路上的瞬时速度能够反映路况。轨迹点的瞬时速度可以利用相邻两个轨迹点的距离差和时间差的比值来得到。
作为一种优选的实施方式,用户轨迹序列中所使用的速度特征可以体现为序列级别的速度特征,包括但不限于用户轨迹序列中各轨迹点的速度均值、速度方差等。
从道路图像序列中提取的道路的图像相关特征可以包括但不限于道路空旷度特征、车流特征以及建筑特征中的至少一种。
关于图像相关特征的提取方式,在此提供一种优选的实施方式。参见图3可以包括以下步骤:
在301中,利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别主行车区域。
图像语义分割模型是图像处理领域中一种比较常用的模型,能够基于像素级别,将图像中各像素分类到某个具体的类别。在本实施例中,利用图像语义分割模型将道路图像中的各像素分类为道路交通中常见的对象区域类别。例如,行车区域、车辆、建筑物、路灯、天空、路障、双黄线、隔离带、停车线等等。
图4为本申请实施例提供的采集终端采集的道路图像序列中的一张道路图像。经过图像语义分割模型识别后,能够识别出该图像中属于行车区域的各像素、属于车辆的各像素、属于建筑物的各像素、属于天空的各像素、属于道路边沿的各像素、属于双黄线的各像素,等等。
在预先训练图像语义分割模型时,采用的训练数据可以包括各种道路图像样本以及对道路图像样本中各区域类别的标注;基于训练数据训练图像语义分割模型,使得语义分割模型的输入为道路图像样本,目标输出为对各像素的分类结果与对道路图像样本中各区域类别的标注一致。
其中图像语义分割模型可以采用诸如DeepLabV3、RefineNet等。
在本步骤中,利用图像语义分割模型针对各道路图像分别识别各像素对应的区域类别之后,能够确定出道路图像中的行车区域和至少一种道路环境区域。其中道路环境区域可以是属于道路环境中对象的区域,例如路障、双黄线、隔离带、道路边沿等等。利用这些道路环境区域,能够得到道路图像中的主行车区域。所谓主行车区域指的是采集该道路图像的采集终端所可以行使的行车区域。由于图像语义分割模型识别出的行车区域可能会包含与当前采集终端的行驶方向不一致的其他车道,例如双黄线以外的相反方向车道,再例如立体式道路的交叉方向的车道,再例如存在道路施工的车道等等。这些车道均是当前采集终端不可以行驶的行车区域,需要将其排除,仅确定出采集终端可以形式的行车区域。主行车区域可以包括一条车道,也可以包括同方向的多条车道(因为存在多条车道时采集终端可以变道行驶)。
更具体地,通常采集终端能够行驶的区域会存在道路边沿、双黄线、隔离带、路障等的限制,例如,在采集终端拍摄的道路图像中道路边沿和双黄线之间是采集终端当前能够行驶的区域,如图4中所示。再例如,在采集终端拍摄的道路图像中道路边沿和路障之间是采集终端当前能够行驶的区域。等等。因此,在本申请实施例中可以对诸如路障、双黄线、隔离带、道路边沿等道路环境区域进行线性拟合处理,线性拟合处理后这些道路环境区域所包围的道路区域即为主行车区域,或者,线性拟合处理后这些道路环境区域所包围的道路区域中最大者即为主行车区域。
在302中,从各道路图像中提取主行车区域的道路空旷度和/或车流信息。
作为其中一种优选的实施方式,主行车区域的道路空旷度的提取方式可以包括以下步骤:
步骤S11、在主行车区域内确定路面的最大内接矩形。
步骤S12、将最大内接矩形的面积与主行车区域的比值、最大内接矩形的宽度与主行车区域宽度的比值、最大内接矩形的高度与主行车区域高度的占比中的至少一种作为主行车区域的道路空旷度的指标。
当然除了上述实施方式之外,也可以采用其他道路空旷度的提取方式,例如确定主行车区域内属于路面的像素占属于主行车区域的像素的比值,将其作为主行车区域的道路空旷度的指标,等等。
作为其中一种优选的实施方式,主行车区域的车流信息的提取方式可以包括以下步骤:
步骤S21、利用目标检测算法提取道路图像中各车辆的类别、所在区域以及置信度的信息。
其中目标检测算法可以采用诸如Faster-RCNN或者YoloV3等。通过目标检测算法可以提取出道路图像中各类别的车辆。通过这些车辆的像素可以确定车辆所在的区域,这里的区域指的是上面提到的经过图像语义分割模型所得到的区域。并且经过目标检测算法可以输出各车辆的置信度,即该车辆属于所输出类别的置信度。
步骤S22、对道路图像中的车辆进行以下过滤:过滤掉不在行车区域内的车辆,过滤掉不属于预设类别的车辆,过滤掉置信度低于预设置信度阈值的车辆。
若上述过滤均执行,则实际上可以看做是筛选出主行车区域内属于预设类别且置信度满足一定置信度要求的车辆。例如筛选出主行车区域内的机动车。
步骤S23、将过滤处理后得到的车辆数量和过滤处理后得到的车辆面积占主行车区域面积的比值中的至少一种作为主行车区域的车流信息的指标。
上述过程中涉及到的关于面积的比值均可以通过对应区域的像素数量的比值来确定。例如,车辆面积占主行车区域面积的比值可以是对应车辆的像素占对应主行车区域的像素数量的比值。也可以采用其他诸如基于几何方式的算法。
由于在图像中不同位置的内容对实际情况的影响是不同的,例如往往出现在图像靠中间位置且图像深度比较近的位置出现的车辆的影响较大,两侧且图像深度比较远的位置出现的车辆影响比较小。因此,作为一种优选的实施方式,可以按照预设的权重矩阵对道路空旷度和车流信息等进行加权处理。其中权重矩阵对应道路图像中的各位置,依据位置和图像深度等预先设置。
在303中,利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到道路空旷度特征和/或车流特征。
由于道路图像序列中包含多个道路图像,因此在本实施例中可以将图像序列中各道路图像的道路空旷度均值和/或方差作为道路空旷度特征,将图像序列中各道路图像的车流均值和/或方差作为道路车流特征。
另外,除了上述道路空旷度特征和车流特征之外,还可以进一步从道路图像中提取建筑特征。图像语义分割模型对各道路图像中各像素的识别结果中包括建筑物区域;将道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为道路的建筑特征。
作为一种优选的实施方式,可以对道路图像中的建筑物区域进行SIFT(Scale-invariant feature transform,尺度不变特征变换)算法的处理后,得到建筑物特征。对于道路图像序列而言,可以两两计算相邻道路图像中建筑物特征的相似度,然后计算均值和/或方差,将得到的相似度均值和/或方差作为道路的建筑特征。
之所以采用建筑特征,是考虑到当道路交通发生拥堵时,车辆行进缓慢,采集终端采集到的道路图像序列中,各道路图像中的建筑物变化很小,即相似度较高。道路图像中的建筑物特征的相似度均值越高,反映出的堵车越严重。
下面结合实施例对上述步骤203即“将道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用路况预估模型的估计结果确定道路在第一时间点之后预设第二时长内的路况信息”进行详细描述。
在本申请实施例中,路况预估模型实质上可以是分类模型,例如可以采用GBDT(Gradient Boosting Decison Tree,梯度下降树)、DNN(Deep Neural Networks,深度神经网络)、LR(Logistic Regression,逻辑回归)、SVM(support vector machines,支持向量机)等模型。
针对一条道路而言,将该道路的轨迹相关特征和图像相关特征输入路况预估模型后,路况预估模型就能够输出该道路的路况信息,该路况信息可以是预设的几种路况类别。例如可以是两种:拥堵、畅通。也可以是三种:拥堵、缓行、畅通。还可以是四种:严重拥堵、拥堵、缓行、畅通。等等。
另外,除了上述步骤202中提取的道路的轨迹相关特征和图像相关特征之外,还可以进一步将第一时间点之前预设第一时长对应的时间特征、道路的属性特征等输入路况预估模型。
其中,时间特征可以包括以下至少一种:是否节假日、是否工作日、是否上班时间、是否下班时间,等等。引入时间特征是因为路况通常在时间上具有一定的规律,是否工作日、上下班时间等都对路况产生较大影响。
道路的属性特征可以包括以下至少一种:车道数量、是否双向通行道路、道路等级,等等。引入道路的属性特征是因为道路具有不同的属性通常对应有不同的道路容量,而不同的道路容量会对路况产生较为直接的影响。
图5为本申请实施例提供的建立路况预估模型的方法流程图,如图5中所示,该方法可以包括以下步骤:
在501中,获取训练数据,训练数据包括样本道路在第二时间点之前预设第一时长内的用户轨迹序列和道路图像序列,以及对样本道路标注的在第二时间点之后预设第二时长内的路况标签。
训练数据可以从采集终端的历史数据中获取,上述的第二时间点是一个历史时间点,服务器端可以获取采集终端在该历史时间点之前预设第一时长内采集的针对样本道路的用户轨迹序列和道路图像序列,并且对于第二时间点之后预设第二时长内的路况也同样是历史数据,可以通过人工标注的方式对各样本道路标注路况标签。
上述的样本道路可以是采集终端采集的轨迹数据和道路图像数据较为完整、路况较为清晰的道路。也可以是采用其他准则挑选出的道路。
在502中,从用户轨迹序列中提取样本道路的轨迹相关特征,以及从道路图像序列中提取样本道路的图像相关特征。
关于对样本道路的轨迹相关特征和图像相关特征的提取方式与图2所示实施例步骤202中采用的轨迹相关特征和图像相关特征的提取方式相同,在此不做赘述,可以参见上面实施例中的相关记载。
在503中,将样本道路的轨迹相关特征和图像相关特征作为分类模型的输入,将对样本道路标注的路况标签作为分类模型的目标输出,训练分类模型以得到所述路况预估模型。
其中采用的分类模型可以是GBDT(Gradient Boosting Decison Tree,梯度下降树)、DNN(Deep Neural Networks,深度神经网络)、LR(Logistic Regression,逻辑回归)、SVM(support vector machines,支持向量机)等模型。
路况标签可以分为两种,例如拥堵、畅通。路况标签也可以分为三种,例如拥堵、缓行、畅通。还可以分为四种:严重拥堵、拥堵、缓行、畅通。等等。
更进一步地,输入分类模型的特征除了样本道路的轨迹相关特征和图像相关特征之外,还可以输入第二时间点之前预设第一时长对应的时间特征,和/或,样本道路的属性特征。
其中,时间特征可以包括以下至少一种:是否节假日、是否工作日、是否上班时间、是否下班时间,等等。引入时间特征是因为路况通常在时间上具有一定的规律,是否工作日、上下班时间等都对路况产生较大影响。
道路的属性特征可以包括以下至少一种:车道数量、是否双向通行道路、道路等级,等等。引入道路的属性特征是因为道路具有不同的属性通常对应有不同的道路容量,而不同的道路容量会对路况产生较为直接的影响。
在训练过程中,可以利用分类模型的输出与目标输出之间的差异构建损失函数,利用损失函数的取值进行前向反馈以更新分类模型的参数,直至达到训练停止条件。其中训练停止条件可以是诸如损失函数的取值小于或等于预设损失函数阈值,迭代次数达到预设次数阈值,等等。
其中在训练过程中可以采用k-folds(k层交叉验证)的方式进行训练。即将训练数据划分为k份,k为大于1的正整数。每一份中选择一个作为测试数据,其他k-1个作为训练数据。利用各份训练数据分别训练分类模型,且利用测试数据作测试,这样就得到k个分类模型,以及这k个分类模型在测试数据上的误差率。从中挑选平均误差率最小的分类模型,再利用所有的训练数据对该分类模型进行训练,从而得到最终的路况预估模型。
以上是对本申请所提供方法进行的详细描述,下面结合实施例对本申请所提供的装置进行详细描述。
图6为本申请实施例提供的路况预估装置的结构图。该装置可以是位于服务器端的应用,或者还可以为位于服务器端的应用中的插件或软件开发工具包(SoftwareDevelopment Kit,SDK)等功能单元,或者,还可以位于具有较强计算能力的计算机终端。如图6中所示,该路况预估装置600可以包括:序列获取单元01、特征提取单元02和路况估计单元03,还可以包括信息交互单元04。其中各组成单元的主要功能如下:
序列获取单元01,用于获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列。
其中,道路包括以下至少一种:
预设的目标道路,
路况电子围栏中的道路,
轨迹点满足预设的路况预估触发条件的道路。
信息交互单元04,用于将道路的信息发送给采集终端,获取采集终端采集的用户轨迹序列和道路图像序列;或者,向处于道路上的采集终端发送采集指令,获取采集终端采集的用户轨迹序列和道路图像序列。
特征提取单元02,用于从用户轨迹序列中提取道路的轨迹相关特征,以及从道路图像序列中提取道路的图像相关特征。
其中,从用户轨迹序列中提取出的道路的轨迹相关特征主要包括速度特征。道路上的瞬时速度能够反映路况。轨迹点的瞬时速度可以利用相邻两个轨迹点的距离差和时间差的比值来得到。
图像相关特征包括道路空旷度特征、车流特征以及建筑特征中的至少一种。
作为一种优选的实施方式,特征提取单元02在从道路图像序列中提取道路的图像相关特征时,可以利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别主行车区域;从各道路图像中提取主行车区域的道路空旷度和/或车流信息;利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到道路空旷度特征和/或车流特征。
其中,特征提取单元02在利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别主行车区域时,可以利用预先训练得到的图像语义分割模型,针对各道路图像分别识别各像素对应的区域类别,以确定道路图像中的行车区域和至少一种道路环境区域;利用至少一种道路环境区域,从行车区域中确定主行车区域。
由于在图像中不同位置的内容对实际情况的影响是不同的,例如往往出现在图像靠中间位置且图像深度比较近的位置出现的车辆的影响较大,两侧且图像深度比较远的位置出现的车辆影响比较小。因此,作为一种优选的实施方式,可以按照预设的权重矩阵对道路空旷度和车流信息等进行加权处理。其中权重矩阵对应道路图像中的各位置,依据位置和图像深度等预先设置。
由于道路图像序列中包含多个道路图像,因此在本实施例中可以将图像序列中各道路图像的道路空旷度均值和/或方差作为道路空旷度特征,将图像序列中各道路图像的车流均值和/或方差作为道路车流特征。
特征提取单元02在从道路图像序列中提取道路的图像相关特征时,可以利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别建筑物区域;将道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为道路的建筑特征。
路况估计单元03,用于将道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用路况预估模型的估计结果得到道路在第一时间点之后预设第二时长内的路况信息。
更进一步地,路况估计单元03还可以将第一时间点之前预设第一时长对应的时间特征,和/或,道路的属性特征进一步输入预先训练得到的路况预估模型。
其中,时间特征可以包括以下至少一种:是否节假日、是否工作日、是否上班时间、是否下班时间,等等。引入时间特征是因为路况通常在时间上具有一定的规律,是否工作日、上下班时间等都对路况产生较大影响。
道路的属性特征可以包括以下至少一种:车道数量、是否双向通行道路、道路等级,等等。引入道路的属性特征是因为道路具有不同的属性通常对应有不同的道路容量,而不同的道路容量会对路况产生较为直接的影响。
路况预估模型实质上可以是分类模型,例如可以采用GBDT、DNN、LR、SVM等模型。
针对一条道路而言,将该道路的轨迹相关特征和图像相关特征输入路况预估模型后,路况预估模型就能够输出该道路的路况信息,该路况信息可以是预设的几种路况类别。例如可以是两种:拥堵、畅通。也可以是三种:拥堵、缓行、畅通。还可以是四种:严重拥堵、拥堵、缓行、畅通。等等。
图7为本申请实施例提供的建立路况预估模型的装置结构图。该装置可以是位于服务器端的应用,或者还可以为位于服务器端的应用中的插件或SDK等功能单元,或者,还可以位于具有较强计算能力的计算机终端。如图7中所示,该建立路况预估模型的装置700可以包括:样本获取单元11、特征提取单元12和模型训练单元13。其中各组成单元的主要功能如下:
样本获取单元11,用于获取训练数据,训练数据包括样本道路在第二时间点之前预设第一时长内的用户轨迹序列和道路图像序列,以及对样本道路标注的在第二时间点之后预设第二时长内的路况标签。
特征提取单元12,用于从用户轨迹序列中提取样本道路的轨迹相关特征,以及从道路图像序列中提取样本道路的图像相关特征。
其中,轨迹相关特征包括速度特征。
图像相关特征包括道路空旷度特征、车流特征以及建筑特征中的至少一种。
作为一种优选的实施方式,特征提取单元12在从道路图像序列中提取样本道路的图像相关特征时,可以利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别主行车区域;从各道路图像中提取主行车区域的道路空旷度和/或车流信息;利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到道路空旷度特征和/或车流特征。
其中,特征提取单元12在利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别主行车区域时,可以利用预先训练得到的图像语义分割模型,针对各道路图像分别识别各像素对应的区域类别,以确定道路图像中的行车区域和至少一种道路环境区域;利用至少一种道路环境区域,从行车区域中确定主行车区域。
特征提取单元12在从道路图像序列中提取样本道路的图像相关特征时,可以利用预先训练得到的图像语义分割模型,从道路图像序列中的各道路图像中识别建筑物区域;将道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为样本道路的建筑特征。
模型训练单元13,用于将样本道路的轨迹相关特征和图像相关特征作为分类模型的输入,将对样本道路标注的路况标签作为分类模型的目标输出,训练分类模型以得到路况预估模型。
更进一步地,模型训练单元13,还可以将第二时间点之前预设第一时长对应的时间特征,和/或,样本道路的属性特征进一步作为分类模型的输入。
其中采用的分类模型可以是GBDT、DNN、LR、SVM等模型。
路况标签可以分为两种,例如拥堵、畅通。也可以分为三种,例如拥堵、缓行、畅通。还可以分为四种:严重拥堵、拥堵、缓行、畅通。等等。
本申请实施例提供的上述方法和装置可以应用于但不限于以下场景:
场景1:
采用本申请实施例提供的方法和装置进行道路的路况预估后,将各条道路的路况信息在地图类应用上进行展示,例如采用不同颜色在地图上区分各条道路的拥堵状况。
场景2:
采用本申请实施例提供的方法和装置进行道路的路况预估后,在用户请求进行路线规划时,尽量避开处于拥堵状态的道路。
场景3:
采用本申请实施例提供的方法和装置进行道路的路况预估后,将处于拥堵状态的道路信息通报给电台进行播放,或者发送给地图类应用的客户端进行语音播报或者在界面上以文字的形式显示。
场景4:
采用本申请实施例提供的方法和装置进行道路的路况预估后,将各条道路的路况信息存储于数据库。响应于终端设备关于某条道路的路况查询请求,将该条道路的路况信息发送给该终端设备。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的路况预估方法、建立路况预估模型的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的路况预估方法、建立路况预估模型的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的路况预估方法、建立路况预估模型的方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的路况预估方法、建立路况预估模型的方法对应的程序指令/单元。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及单元,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据该电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至该电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
该电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与该电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (26)
1.一种路况预估方法,包括:
获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列;
从所述用户轨迹序列中提取所述道路的轨迹相关特征,以及从所述道路图像序列中提取所述道路的图像相关特征;
将所述道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用所述路况预估模型的估计结果得到所述道路在所述第一时间点之后预设第二时长内的路况信息;所述路况预估模型是基于包括了路况标签的训练数据所训练获得,所述路况标签包括:严重拥堵、拥堵、缓行、畅通;
其中,所述图像相关特征包括道路空旷度特征、车流特征以及建筑特征;
从所述道路图像序列中提取所述道路的图像相关特征包括:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别建筑物区域;
将所述道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为所述道路的建筑特征。
2.根据权利要求1所述的方法,其中,所述道路包括以下至少一种:
预设的目标道路,
路况电子围栏中的道路,
轨迹点满足预设的路况预估触发条件的道路。
3.根据权利要求1或2所述的方法,还包括:
将所述道路的信息发送给采集终端,获取所述采集终端采集的用户轨迹序列和道路图像序列;或者,
向处于所述道路上的采集终端发送采集指令,获取所述采集终端采集的用户轨迹序列和道路图像序列。
4.根据权利要求1所述的方法,其中,所述轨迹相关特征包括速度特征。
5.根据权利要求4所述的方法,其中,从所述道路图像序列中提取所述道路的图像相关特征包括:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域;
从各道路图像中提取所述主行车区域的道路空旷度和/或车流信息;
利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到所述道路空旷度特征和/或车流特征。
6.根据权利要求5所述的方法,其中,所述利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域包括:
利用预先训练得到的图像语义分割模型,针对各道路图像分别识别各像素对应的区域类别,以确定道路图像中的行车区域和至少一种道路环境区域;
利用所述至少一种道路环境区域,从所述行车区域中确定主行车区域。
7.根据权利要求1所述的方法,其中,输入所述路况预估模型的特征还包括:
所述第一时间点之前预设第一时长对应的时间特征,和/或,所述道路的属性特征。
8.一种建立路况预估模型的方法,包括:
获取训练数据,所述训练数据包括样本道路在第二时间点之前预设第一时长内的用户轨迹序列和道路图像序列,以及对所述样本道路标注的在所述第二时间点之后预设第二时长内的路况标签;所述路况标签包括:严重拥堵、拥堵、缓行、畅通;
从所述用户轨迹序列中提取所述样本道路的轨迹相关特征,以及从所述道路图像序列中提取所述样本道路的图像相关特征;
将所述样本道路的轨迹相关特征和图像相关特征作为分类模型的输入,将对所述样本道路标注的路况标签作为所述分类模型的目标输出,训练所述分类模型以得到所述路况预估模型;其中,
所述图像相关特征包括道路空旷度特征、车流特征以及建筑特征;
从所述道路图像序列中提取所述样本道路的图像相关特征包括:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别建筑物区域;
将所述道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为所述样本道路的建筑特征。
9.根据权利要求8所述的方法,其中,所述轨迹相关特征包括速度特征。
10.根据权利要求9所述的方法,其中,从所述道路图像序列中提取所述样本道路的图像相关特征包括:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域;
从各道路图像中提取所述主行车区域的道路空旷度和/或车流信息;
利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到所述道路空旷度特征和/或车流特征。
11.根据权利要求10所述的方法,其中,所述利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域包括:
利用预先训练得到的图像语义分割模型,针对各道路图像分别识别各像素对应的区域类别,以确定道路图像中的行车区域和至少一种道路环境区域;
利用所述至少一种道路环境区域,从所述行车区域中确定主行车区域。
12.根据权利要求8所述的方法,其中,所述分类模型的输入还包括:
所述第二时间点之前预设第一时长对应的时间特征,和/或,所述样本道路的属性特征。
13.一种路况预估装置,包括:
序列获取单元,用于获取道路在第一时间点之前预设第一时长内的用户轨迹序列和道路图像序列;
特征提取单元,用于从所述用户轨迹序列中提取所述道路的轨迹相关特征,以及从所述道路图像序列中提取所述道路的图像相关特征;
路况估计单元,用于将所述道路的轨迹相关特征和图像相关特征输入预先训练得到的路况预估模型,利用所述路况预估模型的估计结果得到所述道路在所述第一时间点之后预设第二时长内的路况信息;所述路况预估模型是基于包括了路况标签的训练数据所训练获得,所述路况标签包括:严重拥堵、拥堵、缓行、畅通;
其中,所述图像相关特征包括道路空旷度特征、车流特征以及建筑特征;
所述特征提取单元在从所述道路图像序列中提取所述道路的图像相关特征时,具体执行:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别建筑物区域;
将所述道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为所述道路的建筑特征。
14.根据权利要求13所述的装置,其中,所述道路包括以下至少一种:
预设的目标道路,
路况电子围栏中的道路,
轨迹点满足预设的路况预估触发条件的道路。
15.根据权利要求13或14所述的装置,还包括:
信息交互单元,用于将所述道路的信息发送给采集终端,获取所述采集终端采集的用户轨迹序列和道路图像序列;或者,向处于所述道路上的采集终端发送采集指令,获取所述采集终端采集的用户轨迹序列和道路图像序列。
16.根据权利要求13所述的装置,其中,所述轨迹相关特征包括速度特征。
17.根据权利要求16所述的装置,其中,所述特征提取单元在从所述道路图像序列中提取所述道路的图像相关特征时,具体执行:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域;
从各道路图像中提取所述主行车区域的道路空旷度和/或车流信息;
利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到所述道路空旷度特征和/或车流特征。
18.根据权利要求17所述的装置,其中,所述特征提取单元在利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域时,具体执行:
利用预先训练得到的图像语义分割模型,针对各道路图像分别识别各像素对应的区域类别,以确定道路图像中的行车区域和至少一种道路环境区域;
利用所述至少一种道路环境区域,从所述行车区域中确定主行车区域。
19.根据权利要求13所述的装置,其中,所述路况估计单元,还用于将所述第一时间点之前预设第一时长对应的时间特征,和/或,所述道路的属性特征进一步输入所述预先训练得到的路况预估模型。
20.一种建立路况预估模型的装置,包括:
样本获取单元,用于获取训练数据,所述训练数据包括样本道路在第二时间点之前预设第一时长内的用户轨迹序列和道路图像序列,以及对所述样本道路标注的在所述第二时间点之后预设第二时长内的路况标签;所述路况标签包括:严重拥堵、拥堵、缓行、畅通;
特征提取单元,用于从所述用户轨迹序列中提取所述样本道路的轨迹相关特征,以及从所述道路图像序列中提取所述样本道路的图像相关特征;
模型训练单元,用于将所述样本道路的轨迹相关特征和图像相关特征作为分类模型的输入,将对所述样本道路标注的路况标签作为所述分类模型的目标输出,训练所述分类模型以得到所述路况预估模型;其中,
所述图像相关特征包括道路空旷度特征、车流特征以及建筑特征;
所述特征提取单元在从所述道路图像序列中提取所述样本道路的图像相关特征时,具体执行:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别建筑物区域;
将所述道路图像序列中相邻道路图像的建筑物区域的相似度均值和/或方差作为所述样本道路的建筑特征。
21.根据权利要求20所述的装置,其中,所述轨迹相关特征包括速度特征。
22.根据权利要求21所述的装置,其中,所述特征提取单元在从所述道路图像序列中提取所述样本道路的图像相关特征时,具体执行:
利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域;
从各道路图像中提取所述主行车区域的道路空旷度和/或车流信息;
利用各道路图像中主行车区域的道路空旷度和/或车流信息,得到所述道路空旷度特征和/或车流特征。
23.根据权利要求22所述的装置,其中,所述特征提取单元在利用预先训练得到的图像语义分割模型,从所述道路图像序列中的各道路图像中识别主行车区域时,具体执行:
利用预先训练得到的图像语义分割模型,针对各道路图像分别识别各像素对应的区域类别,以确定道路图像中的行车区域和至少一种道路环境区域;
利用所述至少一种道路环境区域,从所述行车区域中确定主行车区域。
24.根据权利要求20所述的装置,其中,所述模型训练单元,还用于将所述第二时间点之前预设第一时长对应的时间特征,和/或,所述样本道路的属性特征进一步作为所述分类模型的输入。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-12中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410518.4A CN112560609B (zh) | 2020-12-03 | 2020-12-03 | 路况预估方法、建立路况预估模型的方法及对应装置 |
KR1020210080407A KR102618445B1 (ko) | 2020-12-03 | 2021-06-21 | 도로 상황 예측 방법, 도로 상황 예측 모델을 구축하는 방법, 대응되는 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 |
JP2021104711A JP2021157833A (ja) | 2020-12-03 | 2021-06-24 | 道路状況予測方法、道路状況予測モデルを確立する方法及びその対応装置、電子機器、記録媒体並びにコンピュータプログラム製品 |
EP21205616.2A EP3926534A3 (en) | 2020-12-03 | 2021-10-29 | Method and apparatus of estimating road condition and method and apparatus of establishing road condition estimation model |
US17/517,702 US11887376B2 (en) | 2020-12-03 | 2021-11-03 | Method and apparatus of estimating road condition, and method and apparatus of establishing road condition estimation model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011410518.4A CN112560609B (zh) | 2020-12-03 | 2020-12-03 | 路况预估方法、建立路况预估模型的方法及对应装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560609A CN112560609A (zh) | 2021-03-26 |
CN112560609B true CN112560609B (zh) | 2022-11-15 |
Family
ID=75048612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011410518.4A Active CN112560609B (zh) | 2020-12-03 | 2020-12-03 | 路况预估方法、建立路况预估模型的方法及对应装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11887376B2 (zh) |
EP (1) | EP3926534A3 (zh) |
JP (1) | JP2021157833A (zh) |
KR (1) | KR102618445B1 (zh) |
CN (1) | CN112560609B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569759B (zh) * | 2021-07-29 | 2022-06-10 | 沭阳新辰公路仪器有限公司 | 一种基于人工智能的道路掉落物识别方法及系统 |
KR102608343B1 (ko) * | 2021-09-09 | 2023-11-30 | 네이버 주식회사 | 패턴 매칭을 이용하여 도로 정체 전파를 예측하는 방법, 컴퓨터 장치, 및 컴퓨터 프로그램 |
CN114413832B (zh) * | 2021-12-02 | 2023-12-15 | 中国通信建设第三工程局有限公司 | 一种基于光纤传感的道路监测系统及方法 |
CN114332699B (zh) * | 2021-12-24 | 2023-12-12 | 中国电信股份有限公司 | 路况预测方法、装置、设备及存储介质 |
CN114418093B (zh) * | 2022-01-19 | 2023-08-25 | 北京百度网讯科技有限公司 | 训练路径表征模型、输出信息的方法和装置 |
CN114332104B (zh) * | 2022-03-09 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 |
CN114742280B (zh) * | 2022-03-18 | 2023-01-13 | 北京百度网讯科技有限公司 | 路况预测方法及相应的模型训练方法、装置、设备及介质 |
KR102422235B1 (ko) * | 2022-05-26 | 2022-07-15 | (주)에스엔테크 | 터널 내 지능형 차량 정체 알림 시스템 |
CN114998744B (zh) * | 2022-07-18 | 2022-10-25 | 中国农业大学 | 基于运动与视觉双特征融合的农机轨迹田路分割方法及装置 |
CN117115382B (zh) * | 2023-10-25 | 2024-02-09 | 腾讯科技(深圳)有限公司 | 地图道路绘制方法、装置、计算机设备和存储介质 |
CN117218858A (zh) * | 2023-10-25 | 2023-12-12 | 河北高速公路集团有限公司承德分公司 | 用于高速公路的交通安全预警系统及方法 |
CN117493820B (zh) * | 2024-01-03 | 2024-04-02 | 中国电子工程设计院股份有限公司 | 一种数据要素处理方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783037A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种车辆里程预估模型优化方法、装置、设备及存储介质 |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH064795A (ja) * | 1992-06-17 | 1994-01-14 | Hitachi Ltd | 交通状況監視方法と装置および交通流監視制御システム |
KR100438981B1 (ko) * | 2001-06-02 | 2004-07-03 | 엘지산전 주식회사 | 영상정보를 이용한 교통정보 추출 방법 및 장치 |
US8670592B2 (en) | 2008-04-24 | 2014-03-11 | GM Global Technology Operations LLC | Clear path detection using segmentation-based method |
CN102722982B (zh) | 2012-03-30 | 2016-01-06 | 上海市金山区青少年活动中心 | 基于背景与帧间差分算法的车流及其运动状态检测方法 |
KR20140128063A (ko) * | 2013-04-26 | 2014-11-05 | 한국교통연구원 | 교통 상황 예측 시스템 |
CN105761500B (zh) | 2016-05-10 | 2019-02-22 | 腾讯科技(深圳)有限公司 | 交通事故处理方法及交通事故处理装置 |
JP6672077B2 (ja) * | 2016-05-27 | 2020-03-25 | 株式会社東芝 | 交通情報推定装置および交通情報推定方法 |
CN106781592B (zh) | 2017-01-04 | 2019-07-23 | 成都四方伟业软件股份有限公司 | 一种基于大数据的交通导航系统及方法 |
KR102513185B1 (ko) | 2017-01-12 | 2023-03-23 | 모빌아이 비젼 테크놀로지스 엘티디. | 규칙 기반 항법 |
JP6343071B2 (ja) * | 2017-07-06 | 2018-06-13 | 株式会社日立製作所 | システム解析装置、設計不良解析装置、故障モード解析装置、故障ツリー解析装置、自律動作装置及び自律動作制御システム |
CN109754594B (zh) * | 2017-11-01 | 2021-07-27 | 腾讯科技(深圳)有限公司 | 一种路况信息获取方法及其设备、存储介质、终端 |
JP7313820B2 (ja) * | 2018-12-20 | 2023-07-25 | 株式会社東芝 | 交通状況予測装置、および交通状況予測方法 |
CN109615862A (zh) | 2018-12-29 | 2019-04-12 | 南京市城市与交通规划设计研究院股份有限公司 | 道路车辆交通运动状态参数动态获取方法及装置 |
CN111488770A (zh) * | 2019-01-28 | 2020-08-04 | 初速度(苏州)科技有限公司 | 交通标志识别方法、神经网络模型的训练方法和装置 |
CN111915878B (zh) * | 2019-05-09 | 2022-11-29 | 奥迪股份公司 | 道路交通状态的预测方法及装置、计算机设备和存储介质 |
CN110364008B (zh) * | 2019-08-16 | 2021-12-07 | 腾讯科技(深圳)有限公司 | 路况确定方法、装置、计算机设备和存储介质 |
CN111353009B (zh) * | 2020-02-03 | 2021-10-26 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 |
CN111292549B (zh) | 2020-02-03 | 2022-03-22 | 百度在线网络技术(北京)有限公司 | 建立路线耗时预估模型的方法、预估路线耗时的方法及对应装置 |
KR102144706B1 (ko) * | 2020-03-11 | 2020-08-14 | 아주대학교산학협력단 | 합성곱 신경망 기반의 도로 검출 장치 및 방법 |
CN111489555A (zh) | 2020-05-14 | 2020-08-04 | 武汉理工大学 | 一种交通运行状态预测方法、装置和系统 |
CN111611955B (zh) | 2020-05-28 | 2023-09-26 | 百度在线网络技术(北京)有限公司 | 可通行施工道路的识别方法、装置、设备及存储介质 |
CN111477012B (zh) * | 2020-06-24 | 2020-10-27 | 平安国际智慧城市科技股份有限公司 | 基于路况状态预测模型的溯源方法、装置和计算机设备 |
CN111950537B (zh) * | 2020-09-24 | 2023-06-23 | 北京百度网讯科技有限公司 | 斑马线信息获取方法、地图更新方法、装置及系统 |
-
2020
- 2020-12-03 CN CN202011410518.4A patent/CN112560609B/zh active Active
-
2021
- 2021-06-21 KR KR1020210080407A patent/KR102618445B1/ko active IP Right Grant
- 2021-06-24 JP JP2021104711A patent/JP2021157833A/ja active Pending
- 2021-10-29 EP EP21205616.2A patent/EP3926534A3/en active Pending
- 2021-11-03 US US17/517,702 patent/US11887376B2/en active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783037A (zh) * | 2020-06-29 | 2020-10-16 | 北京百度网讯科技有限公司 | 一种车辆里程预估模型优化方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR102618445B1 (ko) | 2023-12-28 |
EP3926534A2 (en) | 2021-12-22 |
US20220058403A1 (en) | 2022-02-24 |
CN112560609A (zh) | 2021-03-26 |
KR20210087005A (ko) | 2021-07-09 |
EP3926534A3 (en) | 2022-05-04 |
JP2021157833A (ja) | 2021-10-07 |
US11887376B2 (en) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560609B (zh) | 路况预估方法、建立路况预估模型的方法及对应装置 | |
US11776279B2 (en) | Method and apparatus for providing unknown moving object detection | |
KR102652023B1 (ko) | 실시간 교통 정보 제공 방법 및 장치 | |
CN111859291B (zh) | 交通事故识别方法、装置、设备和计算机存储介质 | |
WO2020034903A1 (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN110675644B (zh) | 道路红绿灯的识别方法、装置、电子设备及存储介质 | |
CN111611955B (zh) | 可通行施工道路的识别方法、装置、设备及存储介质 | |
CN112419722B (zh) | 交通异常事件检测方法、交通管控方法、设备和介质 | |
CN112581763A (zh) | 道路事件检测的方法、装置、设备和存储介质 | |
CN111680362A (zh) | 一种自动驾驶仿真场景获取方法、装置、设备及存储介质 | |
CN112131233A (zh) | 识别更新道路的方法、装置、设备和计算机存储介质 | |
CN112069279B (zh) | 地图数据更新方法、装置、设备及可读存储介质 | |
CN111332298B (zh) | 可行驶区域确定方法、装置、设备及存储介质 | |
CN110660219A (zh) | 停车场停车预测方法和装置 | |
CN114003672B (zh) | 一种道路动态事件的处理方法、装置、设备和介质 | |
US20210271876A1 (en) | Determining traffic control features based on telemetry patterns within digital image representations of vehicle telemetry data | |
CN112101527A (zh) | 识别车道变化的方法和装置、电子设备和存储介质 | |
CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
CN112800153A (zh) | 隔离带信息的挖掘方法、装置、设备和计算机存储介质 | |
CN114771576A (zh) | 行为数据处理方法、自动驾驶车辆的控制方法及自动驾驶车辆 | |
CN112070288A (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
Bhandari et al. | Fullstop: A camera-assisted system for characterizing unsafe bus stopping | |
CN115060249A (zh) | 电子地图的构建方法、装置、设备和介质 | |
CN114528365A (zh) | 高速公路停车区域的识别方法及装置、电子设备和介质 | |
CN113378769A (zh) | 图像分类方法和装置 |
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 |