CN112833884B - 一种基于大数据的导航方法及导航系统 - Google Patents
一种基于大数据的导航方法及导航系统 Download PDFInfo
- Publication number
- CN112833884B CN112833884B CN202011620658.4A CN202011620658A CN112833884B CN 112833884 B CN112833884 B CN 112833884B CN 202011620658 A CN202011620658 A CN 202011620658A CN 112833884 B CN112833884 B CN 112833884B
- Authority
- CN
- China
- Prior art keywords
- data
- road
- prediction result
- prediction
- time
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012937 correction Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于大数据的导航方法及导航系统,包括如下步骤:S1、获取基础数据,基础数据包括地图数据和车辆轨迹数据;S2、在基础数据中添加时间标签,得到分析样本数据;S3、基于分析样本数据生成初步预测结果;S4、获取动态数据,动态数据包括交通中断数据;S5、利用动态数据对初步预测结果进行优化得到优化预测结果;S6、对优化预测结果进行误差修正,得到最终预测结果;S7、获取使用者的当前位置及目的地,并且生成多条备选路径;S8、根据S6中的最终预测结果对多条备选路径进行评价;S9、根据评价结果生成导航路线并且传输给使用者。本发明提供首先对交通状况进行预测,然后基于预测结果生成导航路线,导航精度更高而且能够符合驾驶员的驾驶习惯。
Description
技术领域
本发明涉及导航技术领域,具体的说是一种基于大数据的导航方法及导航系统。
背景技术
随着我国经济的快速发展,汽车已经走进千家万户,成为人们日常出行的重要交通工具,进而,导航系统也随着汽车保有量的增加而得到了快速的发展。在导航过程中,路径的选择是非常重要的一个环节,通常要考虑到距离、时间以及是否拥堵等多种情况。现有的导航系统大多已经考虑到了交通拥堵这一因素,但是所采用的方式大多是滞后的,即在发生交通拥堵之后提示车辆绕行,而不能够提前预测交通拥堵,因此实际效果有限。虽然也有一些预测交通的方法,但是这些方法大多基于交通流量利用诸如机器学习算法或者深度学习算法能复杂算法实现预测,这些方法普遍存在实现困难的问题。除此之外,现有技术中的导航方法大多不考虑道路之间的相似性,对于一些驾驶技能不太熟练的驾驶员来说,例如在实习期中的驾驶员,其在突然切换到完全陌生的道路上之后会经常出现走错车道或者低速缓行的情况,这两种情况都容易造成交通拥堵,不利于保证交通畅通。
发明内容
为了解决现有技术中的不足,本发明提供一种基于大数据的导航方法及导航系统,首先对交通状况进行预测,然后基于预测结果生成导航路线,导航精度更高而且能够符合驾驶员的驾驶习惯。
为了实现上述目的,本发明采用的具体方案为:一种基于大数据的导航方法及导航系统,包括如下步骤:
S1、获取基础数据,基础数据包括地图数据和车辆轨迹数据;
S2、在基础数据中添加时间标签,得到分析样本数据;
S3、基于分析样本数据生成初步预测结果;
S4、获取动态数据,动态数据包括交通中断数据;
S5、利用动态数据对初步预测结果进行优化得到优化预测结果;
S6、对优化预测结果进行误差修正,得到最终预测结果;
S7、获取使用者的当前位置及目的地,并且生成多条备选路径;
S8、根据S6中的最终预测结果对多条备选路径进行评价;
S9、根据评价结果生成导航路线并且传输给使用者。
作为上述基于大数据的导航方法及导航系统的进一步优化:S1中,地图数据由多个道路子数据组成,道路子数据的包括道路起点、道路终点和道路容量;
获取车辆轨迹数据的方法包括:
S11、获取车辆位置信息的读取权限;
S12、获取车辆在多个样本周期中的多个原始轨迹数据,原始轨迹数据由多个道路子数据组成;
S13、从所有的原始轨迹数据中抽取所有的道路子数据,并且为每个道路子数据赋予一个位置权重得到位置样本数据;
S14、将所有位置样本数据组合成车辆轨迹数据。
作为上述基于大数据的导航方法及导航系统的进一步优化:S2的具体方法包括:
S21、将二十四个小时平均分隔成多个时间片段;
S22、在每个位置样本数据中添加一个或者多个时间片段;
S23、对同一个位置样本数据中的所有时间片段进行聚合得到时间标签;
S24、将地图数据与添加过时间标签的车辆轨迹数据作为分析样本数据。
作为上述基于大数据的导航方法及导航系统的进一步优化:S3的具体方法包括:
S31、基于S11中获取车辆位置信息的读取权限的成功率计算增量基准值;
S32、对地图进行区域划分得到多个预测区域,并且将地图数据映射到预测区域中;
S33、生成多个与预测区域一一对应的增量调节值;
S34、将所有的增量调节值逐一与增量基准值相融合得到多个增量实际值;
S35、根据车辆轨迹数据生成道路负载基准数据;
S36、将道路负载基准数据与增量实际值相加得到道路负载初始预测数据;
S37、将所有道路负载初始预测数据整合成初步预测结果。
作为上述基于大数据的导航方法及导航系统的进一步优化:S35的具体方法包括:
S351、构建时间轴,时间轴将二十四个小时平均分成多个时间元,时间元的长度小于时间片段的长度;
S352、将时间标签映射到时间轴上;
S353、计算在一个时间元中道路子数据关联的所有车辆轨迹数据的数量,记为容量分析值;
S354、根据容量分析值和道路子数据中的道路容量计算道路负载基准数据。
作为上述基于大数据的导航方法及导航系统的进一步优化:S4中,交通中断数据包括道路子数据和中断原因数据,中断原因数据为事故子数据和/或施工子数据,动态数据还包括天气数据。
作为上述基于大数据的导航方法及导航系统的进一步优化:S5的具体方法包括:
S51、基于交通中断数据生成负载优化值;
S52、将负载优化值与道路负载初始预测数据相融合得到道路负载优化预测数据;
S53、将初步预测结果中的道路负载初始预测数据替换为道路负载优化预测数据;
S54、基于天气数据生成负载批处理值;
S55、利用负载批处理值对初步预测结果中的道路负载初始预测数据和道路负载优化预测数据进行批处理得到优化预测结果。
作为上述基于大数据的导航方法及导航系统的进一步优化:S6的具体方法包括:
S61、基于道路子数据获取历史拥堵数据;
S62、基于历史拥堵数据生成误差修正值;
S63、利用误差修正值对优化预测结果进行误差修正,得到最终预测结果。
一种基于大数据的交通状况预测系统,用于执行上述的基于大数据的导航方法,所述系统包括:
数据传输机构,用于获取基础数据和动态数据,以及用于输出最终预测结果;
数据处理机构,用于生成分析样本数据、初步预测结果、优化预测结果和最终预测结果;数据存储机构,用于存储基础数据和最终预测结果。
有益效果:本发明提供一种基于大数据的导航方法及导航系统,首先对交通状况进行预测,然后基于预测结果生成导航路线,导航精度更高而且能够符合驾驶员的驾驶习惯。
附图说明
图1是本发明的流程图;
图2是具体实施方式中的地图示例图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,一种基于大数据的导航方法及导航系统,包括S1至S6。
S1、获取基础数据,基础数据包括地图数据和车辆轨迹数据。
S1中,地图数据由多个道路子数据组成,道路子数据的包括道路起点、道路终点和道路容量。道路子数据可以表示为[ci,cj,capij],其中ci为道路起点,cj为道路终点,capij为道路容量。获取道路子数据的具体方法为:首先获取地图图像,然后从地图图像中提取出所有道路并且表示为网状线图,将网状线图中的所有交叉点和端点称为节点并且组成一个节点集合,接着为每个节点设置一个节点标记c,随后利用道路起点和道路终点对应的节点标记来标识道路,例如Rij:[ci,cj],此后计算每个道路的道路容量其中kij为道路的车道数量,lij为道路长度,m为标准泊位长度,最后将道路容量capij与道路的标识Rij:[ci,cj]组合成道路子数据。在本发明中,道路容量即道路上最多能够同时存在的车辆数量,在实际情况中,因为车道宽度能够满足各种车辆的通行需求,同时道路上方为敞开环境,无需考虑车辆高度,因此道路容量只需要考虑车辆长度和道路长度的关系。在计算时,将一个车道平均分为多个片段,并且使每个片段中只存在一个车辆,则片段的长度应当为车辆长度加上与前方车辆之间的安全车距。当发生拥堵时,车辆之间的间距会缩小,即相邻两个车辆之间的距离会明显小于正常的安全距离,此时片段的长度也相应缩小。但是车辆之间的距离也不会过小,否则会导致车辆无法顺利移动,例如当前方发生事故时,如果与前方车辆之间的距离过小则无法顺利绕开事故车辆,因此本发明利用标准泊位长度来计算道路容量,在满足车辆能够正常行驶的条件下使道路容量达到最大值。因为城市道路的主要通行车辆是乘用车,因此标准车位长度m可以选择小型标准泊位的长度,例如6000mm。当然,道路上也存在车辆长度超过标准车位长度的车辆,例如公共汽车,但是此类车辆的数量较小,且将此类车辆的车辆长度引入到道路容量的计算过程中只会造成道路容量的计算结果降低,因此在本发明中忽略此类车辆,只使用乘用车作为计算依据。
S1中,获取车辆轨迹数据的方法包括S11至S14。
S11、获取车辆位置信息的读取权限。车辆位置信息的数据源可以是车载导航系统或者驾驶员的智能手机等设备,考虑到位置信息属于个人的敏感信息,因此首先获取车辆位置信息的读取权限,若获取成功则执行S12,若获取失败则终止。
S12、获取车辆在多个样本周期中的多个原始轨迹数据,原始轨迹数据由多个道路子数据组成。在城市交通中,车辆可以简单分为两类,分别是家用车辆和营运车辆,其中家用车辆主要用于日常通勤,其轨迹较为固定,营运车辆中的公共汽车因为线路固定,其轨迹也是固定的,另一方面,因为通勤时间和公共汽车的营运时间也是固定的,因此可以认为家用车辆和公共汽车总会在固定的时间出现在固定的道路上。需要说明的是,公共汽车的轨迹应当是唯一的,但是家用车辆不同,虽然家用车辆的轨迹较为固定,但是其轨迹不是唯一的,可能会存在多个轨迹,例如在图2中,当家用车辆Cari的通勤路线起点为A、终点为B时,其可以选择的轨迹为{[c1,c2],[c2,c4],[c4,c5]}和{[c1,c2],[c2,c3],[c3,c6]}两种。考虑到日常通勤的周期在多数情况下都是一天,因子本实施例中一个样本周期也设置为一天,即24个小时,在本发明其它的实施方式中,也可以根据实际的需求选择其它时长。
S13、从所有的原始轨迹数据中抽取所有的道路子数据,并且为每个道路子数据赋予一个位置权重得到位置样本数据。对于家用车辆来说,虽然可能对应有多个原始轨迹数据,但是在实际出行过程中选择每个轨迹的概率是不同的,例如在G1和G2两个原始轨迹数据中,G1的路程更短,G2的道路宽度更大、车道数量更多、道路容量更大,那么Cari会有更高的概率按照G1移动,但是当G1发生拥堵时车辆就有可能会选择G2以避开拥堵。可以首先为原始轨迹数据赋予轨迹权重α,例如可以为G1赋予轨迹权重2、为G2赋予轨迹权重1,通过为原始轨迹数据赋予轨迹权重可以表征出车辆选择原始轨迹数据的概率。在此基础上,可以将轨迹权重α直接赋予到原始轨迹数据中的道路子数据上,即在G1中[c1,c2]、[c2,c4]和[c4,c5]的轨迹权重都为2,在[c4,c5]中,[c1,c2]、[c2,c3]和[c3,c6]的轨迹权重都为1,之后再将相同道路子数据对应的轨迹权重相加得到位置权重,例如[c1,c2]的位置权重为3,[c2,c4]和[c4,c5]的位置权重为2,[c2,c3]和[c3,c6]的位置权重为1。因为生成车辆轨迹数据时不需要使用道路容量,因此这里仅采用道路标记来表示。
S14、将所有位置样本数据组合成车辆轨迹数据。车辆轨迹数据由多个具有轨迹权重的道路子数据组成,可以采用多元组的方式表示,例如Cari的车辆轨迹数据为GJi={3[c1,c2],2[c2,c4],2[c4,c5],1[c2,c3],1[c3,c6]}。
S2、在基础数据中添加时间标签,得到分析样本数据。具体地说,时间标签添加到车辆轨迹数据中。时间标签用于标识车辆按照车辆轨迹数据行驶时所处的时间。
S2的具体方法包括S21至S24。
S21、将二十四个小时平均分隔成多个时间片段。时间片段的数量越多,则时间标签的精确度越高,但是相应地会造成后续处理过程变复杂,在实际应用时,可以根据需求选择合适的时间片段的数量,具体地说,如果当地车辆保有量较大,或者道路通行能力较弱,更加容易出现拥堵时可以增加时间片段的数量,反之,如果当地的车辆保有量较小,或者道路通行能力较强,不容易出现拥堵时可以减少时间片段的数量,以降低方法的复杂度。例如在本实施例中,可以将24个小时平均分为480个时间片段,每个时间片段的长度为3分钟,时间片段表示为tp,001≤p≤480,并且p为三位整数。
S22、在每个位置样本数据中添加一个或者多个时间片段。因为车辆在通过道路的过程中需要时间,所需要的时间长度与道路长度正相关,在位置样本数据中添加时间片段能够表征车辆在该位置样本数据对应的道路上的行进时间,同一时间段中位于同一道路上的车辆越多则越容易接近道路容量,进而更加容易出现拥堵。添加完时间片段后的位置样本数据可以表示为[ci,cj,tptp+1......]。因为车辆在道路上的行进时间不一定是时间片段的整数倍,因此在添加时间片段时采用取整的方式,例如当车辆在某一道路上的通行时间为2分钟,在下一道路上的通行时间为4分钟,则可以在两段道路对应的位置样本数据中各增加一个时间片段。需要说明的是,一个位置样本数据中至少应当具有一个时间片段,以保证车辆轨迹数据的连续性。
S23、对同一个位置样本数据中的所有时间片段进行聚合得到时间标签。当一个位置样本数据中包含多个时间片段时,会导致难以记录和处理,因此需要将时间片段聚合成时间标签,以降低后续过程的复杂度。聚合后的时间标签可以表示为tpq,001≤p≤480,001≤q≤480,p≤q,并且q为三位整数,当位置样本数据中只添加了一个时间片段时p=q,当位置样本数据中添加了多个时间片段时p<q。仍以Cari为例,其车辆轨迹数据GJi在添加过时间标签后表示为
GJi={3[c1,c2,t160160],2[c2,c4,t160162],2[c4,c5,t162165],1[c2,c3,t160166],1[c3,c6,t166170]}。
S24、将地图数据与添加过时间标签的车辆轨迹数据作为分析样本数据。
S3、基于分析样本数据生成初步预测结果。S3的具体方法包括S31至S37。
S31、基于S11中获取车辆位置信息的读取权限的成功率计算增量基准值。因为作为分析样本数据之一的车辆轨迹数据需要经过车辆授权之后才能够逐步得到,若未获得授权则意味着会丢失该车辆的车辆轨迹数据,这会直接影响预测结果的精确度,为了提升预测结果的精度度,需要考虑这部分未获得读取权限的车辆的干扰。增量基准值的计算方法为其中β为获取车辆位置信息的读取权限的成功率,因为β满足0≤β≤1,因此λ满足0.24≤λ≤0.4。
S32、对地图进行区域划分得到多个预测区域,并且将地图数据映射到预测区域中。在城市中,不同区域出现拥堵的概率是不同的,同时不同区域对人的吸引力也是不同的,在日常通勤中,下班之后人们除了回家之外,还有可能去娱乐或者消费,因此,对于包含了大型商场或者娱乐中心的区域来说,除了应当考虑区域内正常通勤经过的车辆来说,还应当考虑从其它区域过来的车辆,因此需要进行预测区域的划分,以精确评估每个预测区域中可能出现的交通状况,进而提升整体预测结果的精确度。
S33、生成多个与预测区域一一对应的增量调节值。预测区域可以划分为多个类别,不同类别对应的增量调节值不同,例如,可以将预测区域划分为中央商务区、居民聚集区、工业集聚区、城乡过渡区和城郊乡村区,五类预测区域对应的增量调节值逐渐降低。增量调节值记为μ,并且μ<0.3。
S35、根据车辆轨迹数据生成道路负载基准数据。S35的具体方法包括S351至S534。
S351、构建时间轴,时间轴将二十四个小时平均分成多个时间元,时间元的长度小于时间片段的长度。因为时间片段是为了形成与车辆相对应的车辆轨迹数据,其作用的对象为车辆本身,而时间元是为了产生交通预测结果,其作用的对象为城市整体的交通情况,因此对时间元的精度要求要高于对时间片段的精度要求,因此时间元的长度小于时间片段的长度,相应的时间元的数量大于时间片段的数量。
S352、将时间标签映射到时间轴上。因为时间片段的长度大于时间元的长度,所以时间标签映射到时间轴上的时候时间标签会对应于多个时间元。
S353、计算在一个时间元中道路子数据关联的所有车辆轨迹数据的数量,记为容量分析值。在同一时间,道路子数据关联的车辆轨迹数据的数量越多,则说明该道路子数据对应的道路上可能出现的车辆越多,也更加容易出现拥堵,因此一个时间元中道路子数据关联的所有车辆轨迹数据的数量记为容量分析值,容量分析值记为RF。
S36、将道路负载基准数据与增量实际值相加得到道路负载初始预测数据。即道路负载初始预测数据BDS=BDJ+θ。因为增量实际值包括了增量调节值和增量基准值,即包含了预测区域的类型以及未能成功获取位置信息读取权限的车辆可能产生的干扰这两种影响因素,因此道路负载初始预测数据应当大于道路负载基准数据,当BDS≥1时,说明道路上可能出现的车辆数量不小于道路容量,因此道路将会出现堵塞,而BDS越小,则说明道路上可能出现的车辆与道路容量之间的差距越大,就越不容易出现拥堵。
S37、将所有道路负载初始预测数据整合成初步预测结果。
S4、获取动态数据,动态数据包括交通中断数据。S4中,交通中断数据包括道路子数据和中断原因数据,中断原因数据为事故子数据和/或施工子数据,动态数据还包括天气数据。除了预测区域的类型以及未能成功获取位置信息读取权限的车辆可能产生的干扰这两种影响因素之外,在实际情况中,还会出现更多的可能导致出现堵塞的情况,其中交通中断和恶劣天气是最为常见的两种因素,因此本发明进一步考虑这两种因素,以进一步优化道路负载初始预测数据。具体地说,若出现恶劣天气,例如雨雪天气,则在多数道路上都会出现拥堵概率提升的情况,而交通中断只会导致部分道路出现拥堵的概率大幅度提升,其中事故子数据会导致道路短时间内出现拥堵概率大幅提升的情况,而施工子数据会导致道路长时间内出现拥堵概率大幅提升的情况。
S5、利用动态数据对初步预测结果进行优化得到优化预测结果。S5的具体方法包括S51至S55。
S51、基于交通中断数据生成负载优化值。当交通中断数据为事故子数据时,生成事故因子A,当交通中断数据为施工子数据时,生成施工因子C,负载优化值bd=A+C,其中若不存在事故子数据则A=0,若不存在施工子数据则C=0。
S52、将负载优化值与道路负载初始预测数据相融合得到道路负载优化预测数据。因为交通中断数据与道路是对应的,与其它道路之间无直接关联,因此将负载优化值bd添加到初步预测结果中对应的道路负载初步预测数据中即可。
S53、将初步预测结果中的道路负载初始预测数据替换为道路负载优化预测数据。
S54、基于天气数据生成负载批处理值。因为恶劣天气对交通的影响是全方位的,会作用在每个道路上,因此当出现恶劣天气时需要对初步预测结果中的所有数据进行统一批处理,负载批处理值记为W。
S55、利用负载批处理值对初步预测结果中的道路负载初始预测数据和道路负载优化预测数据进行批处理得到优化预测结果。具体地说,是将负载批处理值W添加到所有的道路负载初始预测数据和道路负载优化预测数据中,得到道路负载处理预测结果,然后将所有的道路负载处理预测结果整合为优化预测结果。
S6、对优化预测结果进行误差修正,得到最终预测结果。S6的具体方法包括S61至S63。优化预测结果已经覆盖了车辆因素、区域因素、事故因素、施工因素和天气因素等多种可能导致出现拥堵的因素,但是仍然可能存在误差,主要是理论预测与实际结果之间可能存在的偏差,为了消除这种偏差,进一步提升预测结果的精确度,需要再次对优化预测结果进行误差修正。
S61、基于道路子数据获取历史拥堵数据。历史拥堵数据与道路相对应,在获取到历史拥堵数据之后可以对优化预测结果中对应道路的道路负载初始预测数据或者道路负载优化预测数据进行误差修正。
S62、基于历史拥堵数据生成误差修正值。历史拥堵数据也可以采集多个样本周期内的拥堵数据,利用在多个样本周期内道路出现的历史拥堵数据的次数生成误差修正值F,误差修正值F的大小与历史拥堵数据的次数负相关。因为拥堵与道路是相对应的,因此误差修正值F也是与道路一一对应的。
S63、利用误差修正值对优化预测结果进行误差修正,得到最终预测结果。具体地说,是将误差修正值F与优化预测结果中对应的道路负载处理结果叠加得到道路负载修正预测结果,然后用道路负载修正预测结果替换掉优化预测结果中的道路负载处理预测而结果得到最终预测结果。
S7、获取使用者的当前位置及目的地,并且生成多条备选路径。
S8、根据S6中的最终预测结果对多条备选路径进行评价。评价时,首先对备选路径的交通预测结果进行评分,交通预测结果越通畅则评分越高,然后对两条备选路径之间的相似度进行评分,评分依据为备选路径中道路的车道数量,将两个评分相结合作为评价结果,并且基于评价结果对所有的备选路径进行排序。在驾车行驶的过程中,对车道的了解程度影响了驾驶员的操作,若驾驶员对道路的车道划分比较熟悉,则不容易出现违法驾驶行为,同时也能提升驾驶员的驾驶速度,从而不容易因为驾驶员临时变道或者速度过低造成堵塞,通常情况下,道路宽度相似的以及所在区域相似的道路更有可能具有相同的车道划分,因此在将车辆引导至备选路径之前应当首先对备选路径进行评价,选择与当前道路车道划分情况相近的备选路径作为导航路径,从而使驾驶员驾驶车辆进入到备选路径后不会出现难以适应的现象,对于驾驶技能不是非常熟练的驾驶员来说,能够保证其继续正常行驶,既保证了驾驶员能够顺利驾驶车量到达目的地,也不容易因为驾驶员不熟悉道路而造成拥堵。另一方面,因为导航的首要目的通常是使驾驶员能够快速到达目的地,因此首先应当判断备选路径的交通预测结果。
S9、根据评价结果生成导航路线并且传输给使用者。
一种基于大数据的导航系统,用于执行上述的基于大数据的导航方法,系统包括数据传输机构、数据处理机构和数据存储机构。
数据传输机构,用于获取基础数据和动态数据,以及用于输出最终预测结果。
数据处理机构,用于生成分析样本数据、初步预测结果、优化预测结果和最终预测结果。
数据存储机构,用于存储基础数据和最终预测结果。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于大数据的导航方法,其特征在于,包括如下步骤:
S1、获取基础数据,基础数据包括地图数据和车辆轨迹数据;
S2、在基础数据中添加时间标签,得到分析样本数据;
S3、基于分析样本数据生成初步预测结果;
S3的具体方法包括:
S31、基于S11中获取车辆位置信息的读取权限的成功率计算增量基准值;
S32、对地图进行区域划分得到多个预测区域,并且将地图数据映射到预测区域中;
S33、生成多个与预测区域一一对应的增量调节值;
S34、将所有的增量调节值逐一与增量基准值相融合得到多个增量实际值;
S35、根据车辆轨迹数据生成道路负载基准数据;
S36、将道路负载基准数据与增量实际值相加得到道路负载初始预测数据;
S37、将所有道路负载初始预测数据整合成初步预测结果;
S4、获取动态数据,动态数据包括交通中断数据;
S5、利用动态数据对初步预测结果进行优化得到优化预测结果;
S5的具体方法包括:
S51、基于交通中断数据生成负载优化值;
S52、将负载优化值与道路负载初始预测数据相融合得到道路负载优化预测数据;
S53、将初步预测结果中的道路负载初始预测数据替换为道路负载优化预测数据;
S54、基于天气数据生成负载批处理值;
S55、利用负载批处理值对初步预测结果中的道路负载初始预测数据和道路负载优化预测数据进行批处理得到优化预测结果;
S6、对优化预测结果进行误差修正,得到最终预测结果;S6的具体方法包括:
S61、基于道路子数据获取历史拥堵数据;
S62、基于历史拥堵数据生成误差修正值;
S63、利用误差修正值对优化预测结果进行误差修正,得到最终预测结果;
S7、获取使用者的当前位置及目的地,并且生成多条备选路径;
S8、根据S6中的最终预测结果对多条备选路径进行评价;
S9、根据评价结果生成导航路线并且传输给使用者。
2.如权利要求1所述的一种基于大数据的导航方法,其特征在于,S1中,地图数据由多个道路子数据组成,道路子数据的包括道路起点、道路终点和道路容量;
获取车辆轨迹数据的方法包括:
S11、获取车辆位置信息的读取权限;
S12、获取车辆在多个样本周期中的多个原始轨迹数据,原始轨迹数据由多个道路子数据组成;
S13、从所有的原始轨迹数据中抽取所有的道路子数据,并且为每个道路子数据赋予一个位置权重得到位置样本数据;
S14、将所有位置样本数据组合成车辆轨迹数据。
3.如权利要求2所述的一种基于大数据的导航方法,其特征在于,S2的具体方法包括:
S21、将二十四个小时平均分隔成多个时间片段;
S22、在每个位置样本数据中添加一个或者多个时间片段;
S23、对同一个位置样本数据中的所有时间片段进行聚合得到时间标签;
S24、将地图数据与添加过时间标签的车辆轨迹数据作为分析样本数据。
4.如权利要求3所述的一种基于大数据的导航方法,其特征在于,S35的具体方法包括:
S351、构建时间轴,时间轴将二十四个小时平均分成多个时间元,时间元的长度小于时间片段的长度;
S352、将时间标签映射到时间轴上;
S353、计算在一个时间元中道路子数据关联的所有车辆轨迹数据的数量,记为容量分析值;
S354、根据容量分析值和道路子数据中的道路容量计算道路负载基准数据。
5.如权利要求4所述的一种基于大数据的导航方法,其特征在于,S4中,交通中断数据包括道路子数据和中断原因数据,中断原因数据为事故子数据和/或施工子数据,动态数据还包括天气数据。
6.一种基于大数据的导航系统,用于执行如权利要求1所述的基于大数据的交通状况预测方法,其特征在于,所述系统包括:
数据传输机构,用于获取基础数据和动态数据,以及用于输出最终预测结果;
数据处理机构,用于生成分析样本数据、初步预测结果、优化预测结果和最终预测结果;
数据存储机构,用于存储基础数据和最终预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011620658.4A CN112833884B (zh) | 2020-12-31 | 2020-12-31 | 一种基于大数据的导航方法及导航系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011620658.4A CN112833884B (zh) | 2020-12-31 | 2020-12-31 | 一种基于大数据的导航方法及导航系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112833884A CN112833884A (zh) | 2021-05-25 |
CN112833884B true CN112833884B (zh) | 2021-09-28 |
Family
ID=75924112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011620658.4A Expired - Fee Related CN112833884B (zh) | 2020-12-31 | 2020-12-31 | 一种基于大数据的导航方法及导航系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112833884B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN109377752A (zh) * | 2018-10-19 | 2019-02-22 | 桂林电子科技大学 | 短时交通流变化预测方法、装置、计算机设备及存储介质 |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测系统及方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN111710162A (zh) * | 2020-07-07 | 2020-09-25 | 深圳市数字城市工程研究中心 | 一种城市路网交通运行状况监测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8706397B2 (en) * | 2011-07-11 | 2014-04-22 | Harman International Industries, Incorporated | System and method for determining an optimal route using aggregated route information |
-
2020
- 2020-12-31 CN CN202011620658.4A patent/CN112833884B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286270A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测方法 |
CN107610464A (zh) * | 2017-08-11 | 2018-01-19 | 河海大学 | 一种基于高斯混合时间序列模型的轨迹预测方法 |
CN109377752A (zh) * | 2018-10-19 | 2019-02-22 | 桂林电子科技大学 | 短时交通流变化预测方法、装置、计算机设备及存储介质 |
CN110310479A (zh) * | 2019-06-20 | 2019-10-08 | 云南大学 | 一种城市交通流量预测系统及方法 |
CN110570660A (zh) * | 2019-11-06 | 2019-12-13 | 深圳市城市交通规划设计研究中心有限公司 | 一种实时在线交通仿真系统及方法 |
CN111710162A (zh) * | 2020-07-07 | 2020-09-25 | 深圳市数字城市工程研究中心 | 一种城市路网交通运行状况监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112833884A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7991549B2 (en) | Traffic information system based on travel history | |
JP5013211B2 (ja) | 運転評価システム及び運転評価プログラム | |
RU2554724C2 (ru) | Способ улучшения обеспечения дорожной информацией | |
CN107490384B (zh) | 一种基于城市路网的最优静态路径选择方法 | |
US8849488B2 (en) | Method and control unit for controlling a hybrid drive of a vehicle | |
US20170292843A1 (en) | Automated vehicle route planner with route difficulty scoring | |
JP5562691B2 (ja) | 渋滞時間算出装置、出発時刻算出装置、渋滞なし時間算出装置、及びプログラム | |
US20090079586A1 (en) | Use of Pattern Matching to Predict Actual Traffic Conditions of a Roadway Segment | |
CN103542858A (zh) | 车辆到达目标能力评估方法,数据库生成方法、导航系统 | |
WO2019030916A1 (ja) | 車線情報管理方法、走行制御方法及び車線情報管理装置 | |
CN112224089A (zh) | 基于能耗的行程规划方法、装置、电子设备及存储介质 | |
EP2732240B1 (en) | Managing errors in geographical data | |
CN103177562A (zh) | 一种获取交通状态预测所需信息的方法及装置 | |
KR20210035845A (ko) | 차량의 주행 가능 거리를 추정하기 위한 방법 및 장치 | |
CN112833884B (zh) | 一种基于大数据的导航方法及导航系统 | |
CN109670085B (zh) | 一种车辆碰撞事故等级的判别方法 | |
CN112614349B (zh) | 一种基于大数据的交通状况预测方法及系统 | |
CN107657814B (zh) | 一种路况信息生成方法和装置 | |
CN114413923B (zh) | 一种行驶路线推荐方法、装置、存储介质及系统 | |
CN112927497B (zh) | 一种浮动车识别方法、相关方法和装置 | |
CN110827563B (zh) | 一种基于最可靠路径的停车诱导系统及方法 | |
CN114674337A (zh) | 车载电源检测方法、装置、设备及存储介质 | |
CN108986455B (zh) | 一种车联网环境下拼车优先的hov车道动态管控方法 | |
Swan | Connected and Automated Vehicles: Urbanization versus Suburbanization | |
WO2023228772A1 (ja) | 走行エネルギー推定装置、走行エネルギー推定方法、及びコンピュータプログラム |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210928 |