CN112785841B

CN112785841B - 判断货车行驶路线拥堵状态的方法及装置

Info

Publication number: CN112785841B
Application number: CN202011562818.4A
Authority: CN
Inventors: 杨晓明; 孙智彬; 张志平; 胡道生; 夏曙东
Original assignee: Beijing Transwiseway Information Technology Co Ltd
Current assignee: Beijing Transwiseway Information Technology Co Ltd
Priority date: 2020-12-25
Filing date: 2020-12-25
Publication date: 2022-05-06
Anticipated expiration: 2040-12-25
Also published as: CN112785841A

Abstract

本申请提出一种判断货车行驶路线拥堵状态的方法、装置、电子设备及存储介质，所述方法包括如下步骤：基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹；采集两种地图导航软件的实时路况数据并分别进行标定；基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型；基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断。本申请以全量货车实时轨迹数据为依据，通过机器学习的方法，挖掘多种地图导航软件的路线拥堵判断规则，能够对货车行驶较多的路线进行实时路线拥堵状态判断。

Description

判断货车行驶路线拥堵状态的方法及装置

技术领域

本申请属于交通技术领域，具体涉及一种判断货车行驶路线拥堵状态的方法、装置、电子设备及存储介质。

背景技术

目前互联网路况判断产品主要是基于特定手机App采集乘用车实时位置进行判断的。然而对于场区密级地区、港口等地，主要是货车行驶，乘用车相对较少的路线，路况判断精确度有所降低。在使用第三方路况接口时，接口调用频率如何控制，才能达到实时性和费用的综合投入产出比最合适，也很难取舍。

发明内容

本申请第一方面实施例提出了一种判断货车行驶路线拥堵状态的方法，所述方法包括如下步骤：

基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹；

采集两种地图导航软件的实时路况数据并分别进行标定；

基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型；

基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断。

进一步地，所述路线匹配的方法如下：

根据相邻两个轨迹点周边的候选路段产生所述相邻两个轨迹点之间的所有候选路线；所述候选路线包括所述相邻两个轨迹点周边的候选路段、每个轨迹点到其周边的候选路段的垂线距离；计算相邻两个轨迹点之间的所有候选路线的长度；

以此类推，计算所有相邻两个轨迹点之间的所有候选路线的长度；

将第一个轨迹点和最后一个轨迹点之间的所有相邻两个轨迹点的所有候选路线合并；

选择所述合并后的候选路线中度量权值最大的路线作为实际行驶路线。

进一步地，所述度量权值的计算方式为：Param＝P(distance)*P(vertical)，

其中，对第i条路线：

其中n为路线个数。

进一步地，在计算相邻两个轨迹点之间的所有候选路线的长度之后按长度进行排序，仅保留预设数量的短长度候选路线。

进一步地，所述采集两种地图导航软件的实时路况数据并分别进行标定，包括：

在全国范围内随机选择第一地图导航软件和第二地图导航软件上的不同拥堵状态的路段，记录当前时间和拥堵状态；

使采集到的路况样本在不同拥堵等级上的样本数相近；

统计样本路段在采集时间的设定时段内，速度分位段在预设范围的车辆数和平均速度。

进一步地，所述基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型，包括：

以第一地图导航软件标定的样本数据，根据预设比例划分训练集和验证集；

分别使用所述设定时段内的车辆数、平均速度、路线长度、当前小时数，通过Logistic回归进行训练，根据验证集上的验证效果，选择效果最好的模型作为第一判别模型；

使用第二地图导航软件标定的样本数据，重复对第一地图导航软件标定的样本数据的操作，得到第二判别模型。

进一步地，所述基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断，包括：

以预定频率分别统计两种所述判别模型在确定的时长内，速度分位段在所述预设范围的车辆数和平均速度；

结合路线长度和当前小时数，分别计算在两种判别模型下的各拥堵等级的概率；

选择两种所述判别模型下各拥堵等级的概率相加，以概率之和最大的等级作为当前路线的拥堵等级。

本申请第二方面的实施例提供了一种判断货车行驶路线拥堵状态的装置，所述装置包括如下模块：

路线匹配模块，用于基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹；

标定模块，用于采集两种地图导航软件的实时路况数据并分别进行标定；

模型建立模块，基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型；

判断模块，基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断。

本申请第三方面的实施例提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序以实现上述第一方面所述的方法。

本申请第四方面的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行实现上述第一方面所述的方法。

本申请实施例中提供的技术方案，至少具有如下技术效果或优点：

本申请提出一种判断货车行驶路线拥堵状态的方法、装置、电子设备及存储介质，以全量货车实时轨迹数据为依据，通过机器学习的方法，挖掘多种地图导航软件的路线拥堵判断规则，能够对货车行驶较多的路线进行实时路线拥堵状态判断。

本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变的明显，或通过本申请的实践了解到。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。

在附图中：

图1示出了本申请一实施例所提供的一种判断货车行驶路线拥堵状态的方法的流程图；

图2示出了本申请一实施例所提供的拥堵判别模型建模流程图；

图3示出了本申请一实施例所提供的相邻两个轨迹点A到点B有四种候选路线示意图；

图4示出了本申请一实施例所提供的实时拥堵状态判断流程图；

图5示出了本申请一实施例所提供的一种判断货车行驶路线拥堵状态的装置的结构示意图；

图6示出了本申请一实施例所提供的一种电子设备的结构示意图；

图7示出了本申请一实施例所提供的一种存储介质的示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本申请所属领域技术人员所理解的通常意义。

下面结合附图来描述根据本申请实施例提出的一种判断货车行驶路线拥堵状态的方法、装置、电子设备及存储介质。

本申请提出一种判断货车行驶路线拥堵状态的方法、装置、电子设备及存储介质，基于全量货车轨迹数据，结合路线数据，采用高精度路线匹配算法，获取路线上车辆轨迹时间、速度等数据，通过采集百度地图等互联网公开的路况数据进行标定，然后使用机器学习算法建立车辆数、速度分布、路线长度、时间等因素与拥堵情况的判别模型，进而根据货车实时轨迹对路况进行实时判断。

参见图1、2，该方法具体包括以下步骤；

步骤S1：基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹。

上述道路数据和全量货车实时轨迹数据可以取自公开免费数据库来源，也可以从图商处购买，一般采用最近一年的数据。

本步骤中，路线匹配的方法如下：

S11、根据相邻两个轨迹点周边的候选路段产生所述相邻两个轨迹点之间的所有候选路线；所述候选路线包括所述相邻两个轨迹点周边的候选路段、每个轨迹点到其周边的候选路段的垂线距离；计算相邻两个轨迹点之间的所有候选路线的长度。

假设相邻两个轨迹点A周边有候选路段M个，轨迹点B周边有候选路段N个，则可能产生M*N条路线，每条路线的距离是distance，垂线距离和是vertical，合并的是路线的distance+vertical之和，最短的最多20(该阈值可调配)条路线，不足20条就用实际路线个数，其余的路线都丢弃掉。

以图3为例，相邻两个轨迹点A到点B有四种候选路线：A1-B1,A1-B2，A2-B1，A2-B2，这四种路线有4个距离distance，对应路线A1-B1的垂线距离和vertical就是(A-A1)+(B-B1)，其余以此类推。

S12、以此类推，计算所有相邻两个轨迹点之间的所有候选路线的长度；将第一个轨迹点和最后一个轨迹点之间的所有相邻两个轨迹点的所有候选路线合并。

在这个步骤中，依次将所有的相邻轨迹点之间的候选路段进行合并，保留总的distance+vertical之和最短的最多20条路线。

S13、选择所述合并后的候选路线中度量权值最大的路线作为实际行驶路线。

这四种路线基于distance可以算一个概率，基于vertical可以算一个概率。两种概率乘积最大的那个路线被认为是实际的行驶路线。

在这个步骤中，最终选择路线时，计算每条路线的一个参数，即度量权值

Param＝P(distance)*P(vertical)，

其中，对第i条路线来说：

其中n为路线个数。Param值最大的路线作为实际的行驶路线。这样算的概率就会是，distance和vertical的值越小，它的概率P就越大。

步骤S2：采集两种地图导航软件的实时路况数据并分别进行标定。以下为实现步骤S2的具体方法：

S21、在全国范围内随机选择高德和百度地图上的不同拥堵状态的路段，记录当前时间和拥堵状态。采用这个方法后，本申请不用专门设计拥堵级别的规则，通过学习百度和高德的拥堵级别，能够自动生成一种拥堵规则判定算法，所以两个地图都会选择。

S22、使采集到的路况样本不同拥堵等级样本数相近，百度和高德路况的总样本数都超过500条。也就是在百度和高德地图中，分别选择四种拥堵级别(非常拥堵，一般拥堵，缓慢，通畅)的路线，每种路线的个数差不超过5个样本。比如高德路线选择600条，每种拥堵级别大概在150条左右。百度路线选择800条，每种拥堵级别大概在200条左右。

S23、统计样本路段在采集时间前1分钟、2分钟、4分钟、8分钟内，速度分位段在15％至85％之间的车辆数和平均速度。速度分位段就是按照速度大小排序后，序号位于总量的15％～85％之间。

步骤S3：基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型。以下为实现步骤S3的具体方法：

S31、以百度标定的样本数据，根据7:3比例划分训练集和验证集。

S32、分别使用1、2、4、8分钟的车辆数、平均速度、路线长度、当前小时数，通过Logistic回归进行训练，根据验证集上的验证效果，选择效果最好的模型。使用机器学习算法的Logistic回归算法进行训练，根据1、2、4、8分钟的训练集上的车辆数、平均速度、路线长度、当前小时数，训练4个模型，选择在验证集上准确率最高的模型，作为实际使用的模型。经验证，本申请选择2分钟的数据时模型准确率最高。

S33、使用高德标定的样本数据，重复这一操作。如此，使用百度地图的标定数据训练后获得了第一种判别模型，而使用高德地图的标定数据训练后获得了第二种判别模型。

S4、基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断。如图4所示，以下为实现步骤S4的具体方法：

S41、判断时，每10秒钟分别统计一次两种判别模型在确定的时长内，速度分位段在15％至85％之间的车辆数和平均速度。

S42、结合路线长度和当前小时数参数，分别计算在百度样本集判别模型和高德样本集判别模型下的各拥堵等级的概率。使用Logistic回归的计算概率的公式

z＝b+w₁x₁+w₂x₂+…w_Nx_N，其中b，w₁，w₂，...，w_N是训练后得到的参数；x₁，x₂，x_N就表示2分钟内的车辆数、平均速度、路线长度、当前小时数的值。

S43、选择两种模型下各拥堵等级的概率相加，概率之和最大的等级，作为当前路线的拥堵等级。

申请实施例提供了一种判断货车行驶路线拥堵状态的装置，该装置用于执行上述实施例所述的判断货车行驶路线拥堵状态的方法，如图5所示，该装置包括如下模块：

路线匹配模块501，用于基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹；

标定模块502，用于采集两种地图导航软件的实时路况数据并分别进行标定；

模型建立模块503，基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型；

判断模块504，基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断。

本申请的上述实施例提供的判断货车行驶路线拥堵状态的装置与本申请实施例提供的判断货车行驶路线拥堵状态的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的判断货车行驶路线拥堵状态的方法对应的电子设备，以执行上判断货车行驶路线拥堵状态的方法。本申请实施例不做限定。

请参考图6，其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图6所示，所述电子设备2包括：处理器200，存储器201，总线202和通信接口203，所述处理器200、通信接口203和存储器201通过总线202连接；所述存储器201中存储有可在所述处理器200上运行的计算机程序，所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的判断货车行驶路线拥堵状态的方法。

其中，存储器201可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器201用于存储程序，所述处理器200在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述判断货车行驶路线拥堵状态的方法可以应用于处理器200中，或者由处理器200实现。

处理器200可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201，处理器200读取存储器201中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的判断货车行驶路线拥堵状态的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施方式还提供一种与前述实施方式所提供的判断货车行驶路线拥堵状态的方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会执行前述任意实施方式所提供的判断货车行驶路线拥堵状态的方法。

需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的判断货车行驶路线拥堵状态的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备有固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

以上所述，仅为本申请较佳的具体实施方式，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，可轻易想到的变化或替换，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所述权利要求的保护范围为准。

Claims

1.一种判断货车行驶路线拥堵状态的方法，其特征在于，所述方法包括如下步骤：

基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹；所述路线匹配的方法如下：

选择所述合并后的候选路线中度量权值最大的路线作为实际行驶路线；所述度量权值的计算方式为：Param＝P(distance)*P(vertical)，

其中，对第i条路线：

其中，n为路线个数，distance为每条路线的距离，vertical为垂线距离和；

采集两种地图导航软件的实时路况数据并分别进行标定；

基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型，包括：

分别使用设定时段内的车辆数、平均速度、路线长度、当前小时数，通过Logistic回归进行训练，根据验证集上的验证效果，选择效果最好的模型作为第一判别模型；

使用第二地图导航软件标定的样本数据，重复对第一地图导航软件标定的样本数据的操作，得到第二判别模型；

基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断，包括：

以预定频率分别统计两种所述判别模型在确定的时长内，速度分位段在预设范围的车辆数和平均速度；

2.根据权利要求1所述的方法，其特征在于，

在计算相邻两个轨迹点之间的所有候选路线的长度之后按长度进行排序，仅保留预设数量的短长度候选路线。

3.根据权利要求1所述的方法，其特征在于，

所述采集两种地图导航软件的实时路况数据并分别进行标定，包括：

使采集到的路况样本在不同拥堵等级上的样本数相近；

4.一种判断货车行驶路线拥堵状态的装置，其特征在于，所述装置包括如下模块：

路线匹配模块，用于基于道路数据和全量货车实时轨迹数据，将货车轨迹点与道路进行路线匹配，获得货车实时轨迹；所述路线匹配的方法如下：

其中，对第i条路线：

模型建立模块，基于标定后的实时路况数据，使用机器学习算法建立车辆数、速度分布、路线长度、时间与拥堵情况的判别模型，包括：

判断模块，基于所述判别模型和匹配后的货车实时轨迹对货车行驶路线拥堵状态进行实时判断，包括：

5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序以实现如权利要求1-3任一项所述的方法。

6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现如权利要求1-3中任一项所述的方法。