CN112834775B - 一种车辆速度的预测方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请提供一种车辆速度的预测方法、装置、电子设备和计算机可读存储介质。该车辆速度的预测方法应用于终端，终端设置于目标车辆内，预测方法包括：通过传感器获取待处理车辆数据，待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据；根据待处理车辆数据生成车辆特征数据；根据车辆特征数据与速度区间的映射关系，确定对应于车辆特征数据的目标速度区间；根据目标速度区间确定目标车辆的行驶速度。该车辆速度的预测方法在不依赖定位信号的等外感传感器的情况下，使得速度预测不需要对时间进行积分，从而避免误差随时间增大，有利于提高速度预测的准确性。

Description

一种车辆速度的预测方法、装置、电子设备和存储介质

技术领域

本申请涉及计算机及通信技术领域，具体涉及一种车辆速度的预测方法、装置、电子设备和存储介质。

背景技术

随着移动设备的快速发展和汽车工业的进步，汽车已经成为普通家庭能够承担得起的消费品，车辆的保有量不断的增加，人们出行时经常依赖于移动设备或者车载设备进行导航，移动设备或者车载设备通常采用全球定位系统进行定位和测速，而车辆车机系统的导航也依赖车辆的轮速计和全球定位系统的测速，来达到几乎全场景的速度预测和导航。

目前，当进入隧道等存在遮挡的场景时，移动设备由于无法通过卫星信号获得定位位置和车辆速度，因此相关技术中提出了通过惯性传感器进行惯性导航来估算速度的方案，但是通过惯性传感器预测得到的车辆速度的误差将会随着时间的积累而增大，影响车辆车速估算的准确性。

发明内容

基于上述技术问题，本申请提供一种车辆速度的预测方法、装置、电子设备和计算机可读存储介质，以在不依赖定位信号的等外感传感器的情况下，仅利用设备的内感传感器对车辆的绝对速度进行预测，使得速度预测不需要对时间进行积分，从而避免误差随时间增大，有利于提高速度预测的准确性。

本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。

根据本申请实施例的一个方面，提供了一种车辆速度的预测方法，该预测方法应用于终端，终端设置于目标车辆内，该预测方法包括：通过传感器获取待处理车辆数据，所述待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据；根据所述待处理车辆数据生成车辆特征数据；根据所述车辆特征数据与速度区间的映射关系，确定对应于所述车辆特征数据的目标速度区间；根据所述目标速度区间确定所述目标车辆的行驶速度。

根据本申请实施例的一个方面，提供了一种车辆速度预测装置，包括：第一获取模块，配置为通过传感器获取待处理车辆数据，所述待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据；第一生成模块，配置为根据所述待处理车辆数据生成车辆特征数据；第一确定模块，配置为根据所述车辆特征数据与速度区间的映射关系，确定对应于所述车辆特征数据的目标速度区间；第二确定模块，配置为根据所述目标速度区间确定所述目标车辆的行驶速度。

在本申请的一个实施例中，基于以上技术方案，生成模块可以包括：转换单元，配置为将加速度数据以及角速度数据的坐标系转换成地球平面坐标系，得到转换车辆数据；处理单元，配置为根据预定的偏移量对转换车辆数据进行数据处理，得到修正数据；特征提取单元，配置为根据修正数据进行特征提取，得到车辆特征数据，车辆特征数据包括时域特征数据以及频域特征数据。

在本申请的一个实施例中，基于以上技术方案，转换单元可以包括：矩阵确定子单元，配置为根据加速度数据，确定传感器自身坐标系到地球平面坐标系的旋转矩阵；处理子单元，配置为根据旋转矩阵处理加速度数据以及角速度数据，得到转换车辆数据。

在本申请的一个实施例中，基于以上技术方案，第一确定模块可以包括：输出单元，配置为根据车辆特征数据，采用速度区间预测模型输出速度区间概率分布，速度区间概率分布包括至少两个特征值，每个特征值对应于一个速度区间；选取单元，配置为根据速度区间概率分布，从至少两个特征值中选取最大值；区间确定单元，配置为确定最大值所对应的速度区间为目标速度区间。

在本申请的一个实施例中，基于以上技术方案，车辆速度预测装置还包括：第二获取模块，配置为获取待训练车辆数据，待训练车辆数据至少包括目标车辆的加速度数据、角速度数据以及目标车辆的行驶速度；第二生成模块，配置为根据待训练车辆数据生成训练特征数据；第三确定模块，配置为根据训练特征数据所对应的目标车辆的行驶速度，确定训练特征数据对应的速度区间；训练模块，配置为根据训练特征数据以及速度区间，对待训练预测模型进行训练，得到速度区间预测模型。

在本申请的一个实施例中，基于以上技术方案，第一获取模块包括：数据获取单元，配置为通过传感器获取传感器数据；过滤单元，配置为根据传感器所对应的传感器标识以及传感器数据的精度，对传感器数据进行过滤，得到待处理车辆数据。

在本申请的一个实施例中，基于以上技术方案，第二确定模块包括：过滤计算单元，配置为根据目标速度区间以及最近一次进行车辆速度预测所获取的历史行驶速度进行过滤计算，得到预测速度范围；速度确定单元，配置为根据预测速度范围，确定行驶速度。

根据本申请实施例的一个方面，提供一种电子设备，该电子设备包括：处理器；以及存储器，用于存储处理器的可执行指令；其中，该处理器配置为经由执行可执行指令来执行如以上技术方案中的车辆速度的预测方法。

根据本申请实施例的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时实现如以上技术方案中的车辆速度的预测方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的车辆速度的预测方法。

在本申请的实施例中，通过惯性传感器对车辆行驶过程中的加速度和角速度变化与车速之间的关系，预测车辆的当前行驶速度，可以在不依赖定位信号的等外感传感器的情况下，仅利用设备的内感传感器对车辆的绝对速度进行预测，进而使得速度预测不需要对时间进行积分，从而避免误差随时间增大，有利于提高速度预测的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1是本申请实施例的应用场景中导航应用程序的界面示意图；

图2示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图3示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图4示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图5示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图6示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图7示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图8示出了根据本申请的一个实施例的车辆速度的预测方法的流程图；

图9示意性地示出了本申请实施例中车辆速度预测装置的组成框图；

图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。

可以理解的是，本申请的车辆速度的预测方法可以应用于车辆导航场景，并且具体可以应用于能够用于车辆导航的各种电子设备，例如，手机、平板电脑或者车载电脑等电子设备，尤其适合用于手机等与车辆的电子系统没有直接连接或者不能从车辆的传感器直接获得信息的独立移动设备。下面结合具体示例介绍本申请的具体应用场景。为了便于介绍，请参阅图1，图1是本申请实施例的应用场景中导航应用程序的界面示意图，用户在驾驶车辆时，经常采用手机等移动设备进行导航，此类设备由于无法直接获得车辆的行驶信息(例如，无法通过轮速计获得车速)，通常利用全球定位信息来计算车辆的车速等信息。当车辆行驶到隧道或者地下等被遮挡的空间，或者定位芯片发生故障时，移动设备无法继续获得全球定位信息。此时，如图1所示，移动设备可以切换到智能定位状态，在此状态中，移动设备采用其他方式确定车辆的车速，以便结合地图信息和位置信息继续进行导航。本申请的方案可以应用于该场景中，通过移动设备内置的传感器收集信息，并且根据所收集到的信息预测车辆当前的行驶速度。基于预测的行驶速度，移动装置的导航系统可以结合行驶速度、位置信息以及地图信息等信息继续进行导航。

下面结合具体实施方式对本申请提供的技术方案做出详细说明。

图2示出了根据本申请的一个实施例的车辆速度的预测方法的流程图，该预测方法可以由移动设备中的车辆速度预测装置来执行，并且该移动设备设置在车辆内。参照图2所示，该车辆速度的预测方法至少包括如下步骤S110至步骤S140：

在步骤S110中，通过传感器获取待处理车辆数据，待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据。

具体地，车辆速度预测装置通过终端设备的内置传感器获取对应于目标车辆的待处理车辆数据。在具体实现中，例如手机等终端设备中通常安装有各类传感器。在本申请中，车辆速度预测装置主要通过加速度计以及陀螺仪来获取待处理车辆数据，其中，通过加速度计可以获取目标车辆的加速度数据，而通过陀螺仪可以获得目标车辆的角速度数据。

可以理解的是，终端设备的内置传感器并非直接获取目标车辆的信息，而是由于终端设备设置在目标车辆内而与目标车辆一起移动，因此，对于加速度计以及陀螺仪等惯性传感器，对于终端设备所感测到的加速度信息和姿态信息与目标车辆本身的加速度和姿态存在直接的对应关系，从而可以通过终端设备中的内置传感器间接获取到目标车辆的相关信息。

加速度计和陀螺仪通常采用三轴加速度计和三轴陀螺仪，所获得的加速度数据和角速度数据均为三维数据，分别表示目标车辆在三个方向上的加速度以及角速度。待处理车辆数据因此至少包括六维数据。

继续参照图2所示，在步骤S120中，根据待处理车辆数据生成车辆特征数据。

具体地，车辆速度预测装置针对待处理车辆数据中的各类信息分别提取时域特征和频域特征。

对于待处理车辆数据，在提取车辆特征数据之前，首先可以进行加窗处理，以便将时间上连续的待处理车辆数据分割成相对较短的片段，而特征提取等操作针对单个观测窗口内的信号片段进行。具体地，可以将待处理车辆数据分割成固定长度的窗口，而且相邻的两个窗口之间有部分数据相互重叠(例如，50％)，通过窗口滑动的方式，来对待处理车辆数据进行分割。在另一个实施例中，也可以通过提高采样频率方式代替加窗操作，将每次采样之间所获得的数据作为一个窗口来进行特征提取操作。

待处理车辆数据中至少包括加速度数据以及角速度数据。针对加速度数据，时域特征包括当前滑动窗口数据中的加速度数据的最大值、最小值、平均值、标准差和过均值线数等，加速度数据的频域特征包括当前窗口数据中的加速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度等。针对角速度数据，时域特征包括所述当前窗口数据中的角速度数据的最大值、最小值、平均值、标准差和过均值线数，频域特征包括当前窗口数据中的角速度数据的直流分量、幅度均值、幅度标准差、幅度斜度和幅度峭度。

可以理解的是，针对待处理车辆数据中的不同种类数据，所获取的时域特征和频域特征可以不同，并且具体获取的时域特征和频域特征可以取决于具体情况而定。时域特征可以包括例如包括最大值、最小值、极差、均值、中位数、众数、标准差、均方根值、均方值、k阶中心/原点矩、偏度，峰度，峰度因子、波形因子、脉冲因子以及裕度因子等特征数据，而频域特征可以包括例如直流分量、幅度、基频、重心频率、均方频率、频率方差等特征数据。

继续参照图2所示，在步骤S130中，根据车辆特征数据与速度区间的映射关系，确定对应于车辆特征数据的目标速度区间。

车辆速度预测装置中存储有预设的车辆特征数据与速度区间之间的映射关系，根据所获取的车辆特征数据与速度区间之间的映射关系，可以确定对应于所获取的车辆特征数据的目标速度区间。具体地，可以收集大量的历史车辆特征数据以及当时车辆的真实行驶速度，并对该历史数据进行统计，并且车辆特征数据中各个维度数据划分为多个维度数据区间，并且根据车辆特征数据所对应的真实行驶速度，确定出各个维度数据区间与速度区间的之间映射关系，例如加速度的标准差以及角速度的直流分量处于的特定区间与特定速度区间之间的映射关系。根据该映射关系，可以得出步骤S120中所获取的车辆特征数据落入哪个特征数据区间中，并将该特征数据区间所对应的速度区间确定为目标速度区间。在一个实施例中，车辆特征数据中的不同维度可能对应于不同的速度区间，此时，可以将根据各个速度区间所对应的维度数量确定目标速度区间。

可以理解的是，上述的方案为映射关系的一种实现方式，在其它实施例中，映射关系可以采用机器学习模型的方式实现，具体地，通过历史车辆特征数据训练特定的分类模型来实现特征数据与速度区间的映射。在预测速度时，利用分类模型来处理所获取的车辆特征模型，以确定目标车辆当时所处于的速度区间。

继续参照图2所示，在步骤S140中，根据目标速度区间确定目标车辆的行驶速度。

具体地，根据目标速度区间，车辆速度预测装置可以将目标车辆的当前行驶速度确定为目标速度区间中的某个特定速度值。车辆速度预测装置可以采用低通滤波、中值滤波或者移动平均滤波等各种算法来根据目标速度区间获取目标车辆的行驶速度，或者直接根据速度的变化趋势从目标速度区间中确定行驶速度。

在一个实施例中，车辆速度预测装置在直接根据速度的变化趋势从目标速度区间中确定行驶速度时，首先根据加速度计的测量值可以确定车辆正在加速或者减速，然后可以进一步根据前一次确定的行驶速度与目标速度区间的极值之间关系确定一个速度子区间，并在该区间内选取最大值、最小值、平均值或者随机值作为行驶速度。例如，若目标速度区间为5米/秒～10米/秒，并且车辆正在减速并且前一次确定的行驶速度为7米/秒，车辆当前的速度可以是5米/秒～7米/秒的速度区间内的最大值、最小值、平均值或者随机值。

在本申请的实施例中，通过惯性传感器对车辆行驶过程中的加速度和角速度变化与车速之间的关系，预测车辆的当前行驶速度，在不依赖定位信号的等外感传感器的情况下，仅利用设备的内感传感器对车辆的绝对速度进行预测，使得速度预测不需要对时间进行积分，从而避免误差随时间增大，有利于提高速度预测的准确性。

在本申请的一个实施例中，为了待处理车辆数据生成车辆特征数据，可以由车辆速度预测装置对车辆特征数据进行转换处理，具体可以如图3所示，包括如下步骤S210至步骤S230，详细说明如下：

在步骤S210中，将加速度数据以及角速度数据的坐标系转换成地球平面坐标系，得到转换车辆数据。

终端设备中的加速度计和陀螺仪等传感器在进行检测时，所获得的加速度数据和角速度数据所采用的坐标系是以终端设备自身为原点建立的，在进行速度预测时，需要将加速度数据和角速度数据映射到“北-东-地”坐标系下，以消除终端设备中传感器放置姿态的影响。具体地，车辆速度预测装置首先根据加速度计的测量数据确定三维总体旋转矩阵，然后利用旋转矩阵对三维的加速度数据和三维的角速度数据进行转换处理，得到转换车辆数据。

继续参照图3所示，在步骤S220中，根据预定的偏移量对转换车辆数据进行数据处理，得到修正数据。

具体地，预定的偏移量可以在进行车速预测之前确定。加速度计和陀螺仪等惯性传感器在静止时，其测量值具有零漂和温漂等几个误差源。因此，在实际应用中，加速度计和陀螺仪的测量值在静止时一般也不会是零。通过在移动设备静止时对加速度计和陀螺仪的测量值进行检测和建模，可以确定其零漂误差和温漂误差，并且在得到转换车辆数据后，根据预设的偏移量对转换车辆数据进行数据修正得到修正数据，以使数据更准确。

继续参照图2所示，在步骤S230中，根据修正数据进行特征提取，得到车辆特征数据，车辆特征数据包括时域特征数据以及频域特征数据。

在得到修正数据后，车辆速度预测装置可以对修正数据进行特征提取，得到车辆特征数据，车辆特征数据包括时域特征数据以及频域特征数据。特征提取的方式以及时域特征数据以及频域特征数据请参考如上文关于车辆特征数据所描述的内容，此处不再赘述。

在本申请的实施例中，通过对传感器所采集的车辆数据进行坐标转换后再进行特征提取，并且进行数据修正，可以将终端信息采集到的车辆特征信息与历史的定位导航信息等其他来源的信息同意到同一坐标系内，有利于终端设备进行准确导航。

在本申请的一个实施例中，为了将加速度数据以及姿态数据角速度数据的坐标系转换成地球平面坐标系，得到转换车辆数据，可以由车辆速度预测装置计算旋转矩阵以及转换计算，具体可以如图4所示，包括如下步骤S310至步骤S320，详细说明如下：

在步骤S310中，根据加速度数据，确定传感器自身坐标系到地球平面坐标系的旋转矩阵。

具体地，对于三维数据，旋转矩阵为三维旋转矩阵R，其是根据三个子旋转矩阵计算得到的。这三个子旋转矩阵为X轴旋转矩阵R_x、Y轴旋转矩阵R_y、以及Z轴旋转矩阵R_Z。三个子旋转矩阵均根据移动终端的加速度计以及磁力计的采集数据计算的得到，其计算公式分别如下：

相应地，三维旋转矩阵R的计算方式如下：

R＝R_xR_yR_z

其中，θ、φ、ψ表示欧拉角，是分别根据加速度计和磁力计所采集的数据计算获得的。在本申请中，可以仅使用加速度计而把磁力计的数值用默认值代替，因为本在进行速度预测时，只需要考虑水平和垂直这两个分量，而磁力计计算的方向角度并不会影响最终结果。具体地，对于三维加速度数据(acc_x,acc_y,acc_z)以及三维磁力计数据(mag_x,mag_y,mag_z)，三个欧拉角的计算公式如下：

基于上述公式，可以计算得到传感器自身坐标系到地球平面坐标系的旋转矩阵。

继续参照图4所示，在步骤S320中，根据旋转矩阵处理加速度数据以及角速度数据，得到转换车辆数据。

具体地，将旋转矩阵分别与三维的加速度数据(acc_x,acc_y,acc_z)和角速度数据(gyr_x,gyr_y,gyr_z)相乘，可以将待处理车辆数据从传感器自身坐标系到地球平面坐标系，具体计算方式如下：

(acc_n,acc_e,acc_d)^T＝R*(acc_x,acc_y,acc_z)；

(gyr_n,gyr_e,gyr_d)^T＝R*(gyr_x,gyr_y,gyr_z)；

其中，R是步骤S310中计算得到的传感器自身坐标系到地球平面坐标系的旋转矩阵。

在本申请实施例中，根据加速度计所获取的数据计算旋转矩阵，并且利用旋转矩阵将待检测车辆数据转换到地球平面坐标，可以消除终端装置中传感器放置姿态对车辆数据的影响，有利于提高速度预测的准确性。

在本申请的一个实施例中，为了根据车辆特征数据与速度区间的映射关系，确定对应于车辆特征数据的目标速度区间，可以由车辆速度预测装置进行通过机器学习模型来确定目标速度区间，具体可以如图5所示，包括如下步骤S410至步骤S430，详细说明如下：

在步骤S410中，根据车辆特征数据，采用速度区间预测模型输出速度区间概率分布，速度区间概率分布包括至少两个特征值，每个特征值对应于一个速度区间。

速度区间预测模型采用机器学习分类模型，具体可以采用逻辑回归LR模型、支持向量机SVM模型或者梯度提升XGBoost模型等分类模型。分类模型采用历史车辆特征数据预先训练完成并且存储在速度区间预测模型中。速度区间预测模型的输入项为车辆特征数据，而输出项为该车辆特征数据对应于各个速度区间的概率分布。具体地，目标车辆的速度可以按照一定的间距划分为至少两个速度区间段，相对应地，速度区间预测模型输出的速度区间概率分布中包括至少两个特征值。基于速度区间段的数量，速度区间预测模型的输出结果中对应于每个速度区间段将会有一个特征值，特征值表示此次输入的车辆特征数据对应于各个区间段的概率。

例如，假定按照5米/秒的间距将速度划分为如下的六个速度区间：(0米/秒-5米/秒)、(5米/秒-10米/秒)、(10米/秒-15米/秒)、(15米/秒-20米/秒)、(20米/秒-25米/秒)以及(25米/秒及以上)。基于该速度区间的划分，速度区间概率分布将会是一个六维向量，其中各个维度分别对应于六个速度区间中的一个，并且表示本次预测结果为对应的速度区间的概率。

继续参照图5所示，在步骤S420中，根据速度区间概率分布，从至少两个特征值中选取最大值。

在步骤S430中，确定最大值所对应的速度区间为目标速度区间。

具体地，速度区间预测模型从速度区间概率分布的至少两个特征值中选取最大的特征值，表示目标车辆属于该特征值所对应的速度区间的可能性最大。因此，速度区间预测模型可以将该最大值随对应的速度区间确定为目标速度区间。例如，采用上述示例中的速度区间划分，若速度区间概率分布为(0.5,0.2,0.1,0.1,0.05,0.05)，则可以确定目标速度区间为0米/秒-5米/秒。

在本申请的实施例中，通过训练好的机器学习模型来处理车辆特征数据，进而得到目标速度区间，使得移动设备可以独立且准确地确定目标车辆当前速度的范围，为速度估计提供准确的范围依据，提高车速估计的准确性。

在本申请的一个实施例中，在通过传感器获取待处理车辆数据之前，车辆速度预测装置可以对机器模型进行训练得到速度区间预测模型，具体可以如图6所示，包括如下步骤S510至步骤S540，详细说明如下：

在步骤S510中，获取待训练车辆数据，待训练车辆数据至少包括目标车辆的加速度数据、角速度数据以及目标车辆的行驶速度。

具体地，待训练车辆数据可以是车辆在历史的行驶过程中记录的传感器数据日志中收集的传感器数据以及通过全球定位系统等方式确定的准确行驶速度，也可以是由人工采集所得到的传感器数据以及车辆速度，其中，车辆速度作为训练的标签。

继续参照图6所示，在步骤S520中，根据待训练车辆数据生成训练特征数据。

对于待训练车辆数据，车辆速度预测装置可以进行坐标转换以及特征提取，具体方式与上述的坐标转换和特征提取的过程相同，所提取的特征类型可以参照上述的时域特征和频率特征，此处均不在赘述。

继续参照图6所示，在步骤S530中，根据训练特征数据所对应的目标车辆的行驶速度，确定训练特征数据对应的速度区间。

速度区间的划分方式可以参考上述关于速度区间的介绍。根据目标车的行驶速度所落入的速度区间，可以将训练特征数据的标签从所对应的行驶速度改变成所对应的速度区间的标识，以建立起训练特征数据与速度区间之间的映射关系，以便进行模型训练。

继续参照图6所示，在步骤S540中，根据训练特征数据以及速度区间，对待训练预测模型进行训练，得到速度区间预测模型。

将所获得的训练特征数据输入到待训练预测模型中进行处理后，可以得到待训练预测模型所预测的预测速度区间，随后，根据预测速度区间以及目标车辆的实际速度对应的速度区间进行对应的损失函数计算，并根据计算结果调整待训练模型的模型参数，在损失函数的结果足够低时，待训练预测模型就被训练成速度区间预测模型。

可以理解的是，上述的训练过程也可以在其他的设备上进行并将训练完成后的模型存储到车辆速度预测装置。然而，由于用户的驾驶习惯、移动设备性能以及目标车辆性能的不同，为了更准确的对车速进行预测，可以在移动设备的使用过程中不断收集传感器数据以及速度数据，并定期地或按需地对车辆速度预测装置所采用的速度区间预测模型进行训练和更新，以使模型的预测可以更加符合用户的特定情况，使得预测更加准确。

在本申请的实施例中，通过待训练车辆数据以及目标车辆的行驶速度所对应的速度区间，对机器学习模型进行训练得到速度区间预测模型，通过速度区间预测模型更准确地建立特征数据与速度区间之间的对应关系，降低误判速度区间造成误差，提升系统的稳定性。

在本申请的一个实施例中，在通过传感器获取待处理车辆数据时，车辆速度预测装置可以对传感器采集的数据进行过滤，具体可以如图7所示，包括如下步骤S610至步骤S620，详细说明如下：

在步骤S610中，通过传感器获取传感器数据。

在步骤S620中，根据传感器所对应的传感器标识以及传感器数据的精度，对传感器数据进行过滤，得到待处理车辆数据。

具体地，终端设备中通常配置有包括加速度计以及陀螺仪在内的多种传感器，例如磁力计、气压计、接近传感器、光强传感器、触感传感器以及图像传感器等。在本申请中，主要利用加速度计以及陀螺仪采集车辆信息，因此，车辆速度预测装置通过加速度计以及陀螺仪获取传感器数据，即加速度信息以及角速度信息。

可以理解的是，在其他实施例中，车辆速度预测装置可以通过更多的传感器获取车辆信息。例如，车辆速度预测装置可以利用磁力计获取磁力计数据。并且上述的速度区间预测模型的训练和预测过程中，将磁力计数据作为输入项与加速度数据和角速度数据一起输入到模型中进行速度预测。

在获取到传感器数据后，车辆速度预测装置根据传感器所对应的传感器标识以及传感器数据的精度，对传感器数据进行过滤。具体地，在部分移动设备中，传感器数据采用软件模拟的方式来代替实际安装的传感器进行信息采集，此类数据由于并非对于终端设备的外界情况的直接感知而经常存在误差或不准确，容易使预测结果误差增大，因此，车辆速度预测装置将会根据所采集的传感器数据的标识(例如，用于获取传感器数据的应用程序接口名称)以及传感器的精度来过滤掉不符合要求的传感器数据，而过滤后的数据可以作为待处理车辆数据来用于进行后续的预测过程。

在本申请的实施例中，通过根据传感器标识以及传感器数据的精度对传感器数据进行过滤，可以剔除传感器数据中的不准确数据，有效避免不准确数据对于方法的准确性的影响，提升方案的可靠性。

在本申请的一个实施例中，在根据目标速度区间确定目标车辆的行驶速度时，车辆速度预测装置可以采用过滤计算的方式确定行驶速度，具体可以如图8所示，包括如下步骤S710至步骤S720，详细说明如下：

在步骤S710中，根据目标速度区间以及最近一次进行车辆速度预测所获取的历史行驶速度进行过滤计算，得到预测速度范围；

在步骤S720中，根据预测速度范围，确定行驶速度。

具体地，车辆速度预测装置可以采用低通过滤算法对目标速度区间进行过滤，低通滤波算法的计算公式如下：

其中，t表示预测轮次，

为滤波后的速度，

为历史行驶速度，a为滤波系数，v为目标速度区间。

可见的是，低通滤波算法将本次的预测结果与上一次的预测结果按照一定比例进行相加作为过滤结果，以便使得在过滤结果在时间维度上更加平滑。滤波系数a表示本次的预测结果与上一次预测的历史行驶速度的占最终结果的比例，其通常小于1，例如，当滤波系数a为0.5时，表示本次预测结果与上一次的预测的历史行驶速度对于最终结果的贡献各占50％。由于v为速度区间，因此，在低通滤波所得到的结果为预测速度范围。

在确定过滤结果后，车辆速度预测装置可以根据预测速度范围确定目标车辆的行驶速度。例如，车辆速度预测装置可以先确定预测速度范围与目标速度范围之间的重叠范围，然后，对于重叠范围，可以采用其最大值、最小值、中间值或者随机值等方式确定目标车辆的行驶速度。

应注意的是，上述的低通滤波算法仅为过滤计算的一种实现方式，低通滤波算法还包括其他滤波方式，例如，二阶低通滤波算法。在其他实施例中，车辆速度预测装置可以采用其他的滤波算法，例如，算术平均滤波算法、滑动平均滤波算法、中位值滤波法以及加权滑动平均滤波法等，本领域技术人员可以根据具体情况选择不同的过滤算法，本文对比不做限定。

在本申请的实施例中，车辆速度预测装置利用历史行驶速度对目标速度区间进行过滤，然后基于过滤的结果确定目标车辆的行驶速度，可以使得行驶速度的预测结果更加平滑，更加符合车辆行驶过程的速度变化趋势，可以降低对周期性干扰对于预测结果的影响，提升方案的可用性。

应当注意，尽管在附图中以特定顺序描述了本申请中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

以下介绍本申请的装置实施，可以用于执行本申请上述实施例中的车辆速度的预测方法。图9示意性地示出了本申请实施例中车辆速度预测装置的组成框图。如图9所示，车辆速度预测装置800主要可以包括：

第一获取模块810，配置为通过传感器获取待处理车辆数据，待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据；

第一生成模块820，配置为根据待处理车辆数据生成车辆特征数据；

第一确定模块830，配置为根据车辆特征数据与速度区间的映射关系，确定对应于车辆特征数据的目标速度区间；

第二确定模块840，配置为根据目标速度区间确定目标车辆的行驶速度。

在本申请的一个实施例中，基于以上技术方案，生成模块820可以包括：

转换单元，配置为将加速度数据以及角速度数据的坐标系转换成地球平面坐标系，得到转换车辆数据；

处理单元，配置为根据预定的偏移量对转换车辆数据进行数据处理，得到修正数据；

特征提取单元，配置为根据修正数据进行特征提取，得到车辆特征数据，车辆特征数据包括时域特征数据以及频域特征数据。

在本申请的一个实施例中，基于以上技术方案，转换单元可以包括：

矩阵确定子单元，配置为根据加速度数据，确定传感器自身坐标系到地球平面坐标系的旋转矩阵；

处理子单元，配置为根据旋转矩阵处理加速度数据以及角速度数据，得到转换车辆数据。

在本申请的一个实施例中，基于以上技术方案，第一确定模块830可以包括：

输出单元，配置为根据车辆特征数据，采用速度区间预测模型输出速度区间概率分布，速度区间概率分布包括至少两个特征值，每个特征值对应于一个速度区间；

选取单元，配置为根据速度区间概率分布，从至少两个特征值中选取最大值；

区间确定单元，配置为确定最大值所对应的速度区间为目标速度区间。

在本申请的一个实施例中，基于以上技术方案，车辆速度预测装置800还包括：

第二获取模块，配置为获取待训练车辆数据，待训练车辆数据至少包括目标车辆的加速度数据、角速度数据以及目标车辆的行驶速度；

第二生成模块，配置为根据待训练车辆数据生成训练特征数据；

第三确定模块，配置为根据训练特征数据所对应的目标车辆的行驶速度，确定训练特征数据对应的速度区间；

训练模块，配置为根据训练特征数据以及速度区间，对待训练预测模型进行训练，得到速度区间预测模型。

在本申请的一个实施例中，基于以上技术方案，第一获取模块810包括：

数据获取单元，配置为通过传感器获取传感器数据；

过滤单元，配置为根据传感器所对应的传感器标识以及传感器数据的精度，对传感器数据进行过滤，得到待处理车辆数据。

在本申请的一个实施例中，基于以上技术方案，第二确定模块840包括：

过滤计算单元，配置为根据目标速度区间以及最近一次进行车辆速度预测所获取的历史行驶速度进行过滤计算，得到预测速度范围；

速度确定单元，配置为根据预测速度范围，确定行驶速度。

需要说明的是，上述实施例所提供的装置与上述实施例所提供的方法属于同一构思，其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述，此处不再赘述。

图10示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图10示出的电子设备的计算机系统900仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

如图10所示，计算机系统900包括中央处理单元(Central Processing Unit，CPU)901，其可以根据存储在只读存储器(Read-Only Memory，ROM)902中的程序或者从储存部分908加载到随机访问存储器(Random Access Memory，RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(Input/Output，I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分907；包括硬盘等的储存部分908；以及包括诸如LAN(Local Area Network，局域网)卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入储存部分908。

特别地，根据本申请的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901执行时，执行本申请的系统中限定的各种功能。

需要说明的是，本申请实施例所示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(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，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。而在本申请中，计算机可读的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。计算机可读的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：无线、有线等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，上述模块、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，框图或流程图中的每个方框、以及框图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。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本申请实施方式的方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种车辆速度的预测方法，其特征在于，所述预测方法应用于终端，所述终端设置于目标车辆内，所述预测方法包括：

通过传感器获取待处理车辆数据，所述待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据；

根据所述待处理车辆数据生成车辆特征数据；

根据所述车辆特征数据与速度区间的映射关系，确定对应于所述车辆特征数据的目标速度区间，其中，所述目标速度区间是根据对应于各个速度区间的特征值的概率分布确定的，所述概率分布是根据所述车辆特征数据生成的；

根据所述目标速度区间确定所述目标车辆的行驶速度。

2.根据权利要求1所述的车辆速度的预测方法，其特征在于，所述根据所述待处理车辆数据生成车辆特征数据，包括：

将所述加速度数据以及所述角速度数据的坐标系转换成地球平面坐标系，得到转换车辆数据；

根据预定的偏移量对所述转换车辆数据进行数据处理，得到修正数据；

根据所述修正数据进行特征提取，得到车辆特征数据，所述车辆特征数据包括时域特征数据以及频域特征数据。

3.根据权利要求2所述的车辆速度的预测方法，其特征在于，所述将所述加速度数据以及所述角速度数据的坐标系转换成地球平面坐标系，得到转换车辆数据，包括：

根据所述加速度数据，确定传感器自身坐标系到地球平面坐标系的旋转矩阵；

根据所述旋转矩阵处理所述加速度数据以及所述角速度数据，得到转换车辆数据。

4.根据权利要求1所述的车辆速度的预测方法，其特征在于，所述根据所述车辆特征数据与速度区间的映射关系，确定对应于所述车辆特征数据的目标速度区间，包括：

根据所述车辆特征数据，采用速度区间预测模型输出速度区间概率分布，所述速度区间概率分布包括至少两个特征值，每个特征值对应于一个速度区间；

根据所述速度区间概率分布，从所述至少两个特征值中选取最大值；

确定所述最大值所对应的速度区间为目标速度区间。

5.根据权利要求4所述的车辆速度的预测方法，其特征在于，所述通过传感器获取待处理车辆数据之前，所述方法还包括：

获取待训练车辆数据，所述待训练车辆数据至少包括所述目标车辆的加速度数据、角速度数据以及所述目标车辆的行驶速度；

根据所述待训练车辆数据生成训练特征数据；

根据所述训练特征数据所对应的所述目标车辆的行驶速度，确定所述训练特征数据对应的速度区间；

根据所述训练特征数据以及所述速度区间，对待训练预测模型进行训练，得到速度区间预测模型。

6.根据权利要求1所述的车辆速度的预测方法，其特征在于，所述通过传感器获取待处理车辆数据，包括：

通过传感器获取传感器数据；

根据所述传感器所对应的传感器标识以及传感器数据的精度，对所述传感器数据进行过滤，得到待处理车辆数据。

7.根据权利要求1所述的车辆速度的预测方法，其特征在于，所述根据所述目标速度区间确定所述目标车辆的行驶速度，包括：

根据所述目标速度区间以及最近一次进行车辆速度预测所获取的历史行驶速度进行过滤计算，得到预测速度范围；

根据所述预测速度范围，确定所述行驶速度。

8.一种车辆速度预测装置，其特征在于，包括：

第一获取模块，配置为通过传感器获取待处理车辆数据，所述待处理车辆数据至少包括目标车辆的加速度数据以及角速度数据；

第一生成模块，配置为根据所述待处理车辆数据生成车辆特征数据；

第一确定模块，配置为根据所述车辆特征数据与速度区间的映射关系，确定对应于所述车辆特征数据的目标速度区间，其中，所述目标速度区间是根据对应于各个速度区间的特征值的概率分布确定的，所述概率分布是根据所述车辆特征数据生成的；

第二确定模块，配置为根据所述目标速度区间确定所述目标车辆的行驶速度。

9.一种车辆速度预测电子设备，其特征在于，包括：

处理器；

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的车辆速度的预测方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的车辆速度的预测方法。

Images