CN112907958A - 路况信息确定方法、装置、电子设备以及可读介质 - Google Patents

路况信息确定方法、装置、电子设备以及可读介质 Download PDF

Info

Publication number
CN112907958A
CN112907958A CN202110127016.9A CN202110127016A CN112907958A CN 112907958 A CN112907958 A CN 112907958A CN 202110127016 A CN202110127016 A CN 202110127016A CN 112907958 A CN112907958 A CN 112907958A
Authority
CN
China
Prior art keywords
road section
target road
data
historical
historical track
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.)
Granted
Application number
CN202110127016.9A
Other languages
English (en)
Other versions
CN112907958B (zh
Inventor
暴雨
梁海金
杨玲玲
李成洲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110127016.9A priority Critical patent/CN112907958B/zh
Publication of CN112907958A publication Critical patent/CN112907958A/zh
Application granted granted Critical
Publication of CN112907958B publication Critical patent/CN112907958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • 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"
    • 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
    • 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
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Analytical Chemistry (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开提供了一种路况信息确定方法、装置、电子设备以及可读介质，涉及人工智能领域，尤其涉及智能交通领域。该方法包括：获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据；响应于确定当前时刻目标路段满足预设条件，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像；基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像；以及基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。

Description

路况信息确定方法、装置、电子设备以及可读介质
技术领域
本公开涉及人工智能技术领域，尤其涉及智能交通技术领域，具体涉及一种路况信息确定方法、装置、电子设备以及可读介质。
背景技术
智慧交通是在交通领域中运用物联网、云计算、人工智能、自动控制、移动互联网等电子信息技术面向交通运输的服务系统。
在地图服务中，实时交通路况信息能够方便用户知晓道路拥堵情况，规划出行路线以合理安排出行计划，还能帮助构建城市交通预警，调度城市交通系统。准确高效的路况预测对于人们出行和城市管理具有重要意义。
发明内容
本公开提供了一种路况信息确定方法、装置、电子设备、可读介质以及计算机程序产品。
根据本公开的一方面，提供了一种路况信息确定方法，包括：获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据；获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据；响应于确定当前时刻目标路段满足预设条件，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像；基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像；以及基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。
根据本公开的另一方面，提供了一种路况信息确定装置，包括：第一获取模块，配置为获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据；第二获取模块，配置为响应于确定当前时刻目标路段满足预设条件，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像；第三获取模块，配置为基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像；以及确定模块，配置为基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。
根据本公开的另一方面，提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开实施例的方法。
根据本公开的另一方面，提供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，计算机指令用于使计算机执行根据本公开实施例的方法。
根据本公开的另一方面，提供一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现根据本公开实施例的方法。
借助于本公开的一个或多个示例性实施例，在确定出当前时刻目标路段满足预设条件时，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像，并将目标路段的当前时刻之前的预设时间段内的第一历史轨迹数据转化为第一历史轨迹图像，并基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。由此，能够提高路况信息预测的准确性和效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开一些实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开一些实施例的路况信息确定方法的流程图；
图3示出了根据本公开另一些实施例的路况信息确定方法的流程图；
图4示出了根据本公开的一些实施例的历史轨迹图像的示意图；
图5示出了根据本公开一些实施例的视频帧图像的示意图；
图6示出了根据本公开另一些实施例的路况信息确定方法的流程图；
图7示出了根据本公开另一些实施例的路况信息确定方法的流程图；
图8示出了根据本公开的实施例的预训练的神经网络模型的示意图；
图9示出了根据本公开的实施例的路况信息确定装置的示意框图；以及
图10示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
在地图服务中，实时交通路况信息能够方便用户知晓道路拥堵情况，规划出行路线以合理安排行动计划，还能帮助城市构建交通预警，调度城市交通系统。
目前，地图导航APP大多是基于轨迹进行路况信息预测。在基于轨迹信息确定路况信息时，首先获取目标段路在当前时刻之前预设时间段(例如N分钟，N为正整数)内的轨迹速度，对所述轨迹速度进行加权平均得到发布速度，然后转换为路况信息。可选地，还可以训练XGboost模型，以速度、轨迹量等特征作为输入，进行路况信息的预测。基于轨迹信息确定路况信息的方法的优点在于覆盖率高，计算效率较高，可以大规模覆盖路段。然而，在轨迹稀疏以及轨迹质量不高的时，预测的路况信息的准确率不高。并且，基于轨迹的预测存在滞后性，无法在第一时间获取路况的变化趋势，导致路况发布的延迟，影响用户体验。
在相关技术中，还有基于图像确定路况信息的方法，通过检测、分割等方式提取车辆数量以及占道比等，以确定路况信息。基于图像确定路况信息的方法不依赖轨迹质量和轨迹数量，实时性高。然而，该方法的覆盖率低，且计算量大。在实际应用中，该方法会消耗大量计算资源，时间延迟较长，并且图像的传输成本较高，很多地点无法回传图像，路况发布的覆盖率较低。
鉴于此，本公开提供一种路况信息确定方法、装置、电子设备、可读介质以及计算机程序产品，先判断目标路段当前时刻的条件，在确定出当前时刻目标路段满足预设条件时，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像，并将目标路段的当前时刻之前的预设时间段内的第一历史轨迹数据转化为第一历史轨迹图像，并基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。由此，能够提高路况信息预测的准确性和效率。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中，服务器120可以运行使得能够执行本公开的路况信息确定方法的一个或多个服务或软件应用。
在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
示例性地，用户可以使用客户端设备101、102、103、104、105和/或106上传轨迹数据。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如Microsoft Windows、AppleiOS、类UNIX操作系统、Linux或类Linux操作系统(例如Google Chrome OS)；或包括各种移动操作系统，例如Microsoft Windows Mobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的实施例的路况信息确定方法200的流程图。方法200可以在客户端设备(例如，图1中所示的客户端设备101至106中的任一个)处执行。在一些实施例中，方法200可以在服务器(例如，图1中所示的服务器120)处执行。在一些实施例中，方法200可以由客户端设备(例如，客户端设备101至106中的任一个)和服务器(例如，服务器120)相组合地执行。在其他的示例中，方法200还可以由本公开提供的路况信息确定装置执行。如图2所示，方法200可以包括步骤201至步骤204。
在步骤201，获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据。
在步骤202，响应于确定当前时刻目标路段满足预设条件，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像。
在步骤203，基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像。
在步骤204，基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。
由此，在确定出当前时刻目标路段满足预设条件时，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像，并将目标路段的当前时刻之前的预设时间段内的第一历史轨迹数据转化为第一历史轨迹图像，并基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息，从而能够提高路况信息预测的准确性和效率。
在一些实施例中，用户在使用地图产品导航时，会每隔一定时间间隔(例如每分钟)上传轨迹数据。上传的轨迹数据包括GPS位置信息、GPS速度信息等。示例性地，当前时刻之前的预设时间段可以指当前时刻之前的时间段。预设时间段可以根据实际需要确定，例如可以为5-10分钟等，本公开对此并不限制。例如，在预设时间段为10分钟，当期时刻为2020年10月1日上午9:00时，当前时刻之前的预设时间段可以为2020年10月1日上午8:50至2020年10月1日上午9:00的这段时间段。当前时刻之前的预设时间段内目标路段的第一历史轨迹数据可以指，当前时刻之前的预设时间段内接收到的目标路段的轨迹数据。
在一些示例中，路况是指在某时间段内路段的状态，路况信息可以为某时间段内路段的通行速度。某时间段内路段的通行速度可以为该时间段内所有通过该路段的车辆的速度的平均值。某时间段内所有通过该路段的车辆可以包括：在该时间段内，驶入该路段的车辆、一直在该路段的车辆以及驶出该路段的车辆。示例性地，以预设时间段为10分钟，当前时刻为2020年10月1日上午9:00，目标路段为路段A为例，当前时刻之前的预设时间段内路段A的通行速度可以为，在2020年10月1日上午8:50至2020年10月1日上午9:00的时间段内，所有通过路段A的车辆的速度的平均值。
在一些实施例中，路况信息可以包括：畅通状态、缓行状态、拥堵状态以及极度拥堵状态。示例性地，某时间段内路段的通行速度在第一速度阈值区间时，该路段的路况信息可以为畅通状态。某时间段内路段的通行速度在第二速度阈值区间时，该路段的路况信息可以为缓行状态。某时间段内路段的通行速度在第三速度阈值区间时，该路段的路况信息可以为拥堵状态。某时间段内路段的通行速度在第四速度阈值区间时，该路段的路况信息可以为极度拥堵状态。针对同一路段，第一速度阈值区间，第二速度阈值区间，第三速度阈值区间和第四速度阈值区间的取值可以逐渐变小。第一速度阈值区间，第二速度阈值区间，第三速度阈值区间和第四速度阈值区间的取值可以根据路段的类型和时间段等(例如，早高峰、晚高峰时段等)确定。路段的类型可以为路段所属道路等级等。道路等级可以包括高速路、城市道路、公路、厂矿道路、林区道路和乡村道路等。另，城市道路等级还可以包括快速路、主干路、次干路、支路四级等。
在一些实施例中，所述预设条件可以包括以下项中的至少一项：当前时刻接收到的目标路段的轨迹量不大于第一轨迹量阈值，并且目标路段在多个第一历史时刻的轨迹量的平均值不小于第二轨迹量阈值，其中，多个第一历史时刻与当前时刻相对应；目标路段为预设兴趣点范围内的路段，并且当前时刻处于预设调度时间段内；以及目标路段在第二历史时刻的预测路况信息与目标路段在该第二预设时刻的真实路况信息不匹配，其中，第二历史时刻与当前时刻相对应。由此，通过对特定时段特定路段采用轨迹数据结合图像数据的方式确定路况信息，能够节省计算资源，减少图像采集成本，提高路况信息预测的准确性，从而方便用户出行，提高用户体验。
在一些实施例中，当前时刻接收到的目标路段的轨迹量可以指，当前时刻起之前的预定时间段内(当前时刻之前的一分钟内)接收到的目标路段上的轨迹量。轨迹量可以为传输或上传轨迹数据(例如位置，速度等信息)的车辆的数量。在一些实施例中，可以理解地，上传轨迹数据的车辆的数量与目标路段上的车辆的真实数量不同。例如，目标路段上的有些车辆可能未使用导航类产品，以致未上传轨迹数据。
在一些实施例中，多个第一历史时刻可以为，例如当前时刻之前的1-3个月内，与当前时刻相对应的时刻。例如，当前时刻为2020年10月1日上午9:00，则多个第一历史时刻可以为2020年7月1日至2020年9月30日这3个月中每天的上午9:00，例如2020年9月30日上午9:00、2020年9月29日上午9:00等等。可以获取多个第一历史时刻中每个历史时刻的轨迹量。
在一些实施例中，目标路段在多个第一历史时刻的轨迹量的平均值不小于第二轨迹量阈值，可以理解为，该目标路段在该第一历史时刻为热点路段，目标路段的交通流量较大。第一轨迹量阈值可以不大于第二轨迹量阈值，第一轨迹量阈值和第二轨迹量阈值可以根据实际需要确定，本公开对此并不限制。例如，第一轨迹量阈值可以为3-7中的任意数值等，第二轨迹量阈值可以为10-20中的任意数值等。
兴趣点(Point of Interest，POI)是指电子地图中标注的地理信息点，例如商场、停车场、学校、医院、酒店、饭店、超市、公园、旅游景点等。在一些实施例中，预设兴趣点范围内的路段可以为特定地理信息点的路段，例如学校周边路段、医院周边路段、商场周边路段、景区周边路段、隧道路段、高架路段等。相应地，预设调度时间段可以为特定的时间段。示例性地，目标路段为学校周边路段时，预设调度时间段可以为上下学时段；目标路段为医院、商场、景区周边路段时，预设调度时间段可以为节假日出行高峰时段；目标路段为隧道、高架路段时，预设调度时间段可以为早晚高峰时段。
在一些实施例中，第二历史时刻与当前时刻相对应，例如当前时刻为2020年10月1日上午9:00，第二历史时刻可以为2020年10月1日之前的任意一天的上午9:00。目标路段在第二历史时刻的预测路况信息与目标路段在该第二预设时刻的真实路况信息不匹配可以指，目标路段在第二历史时刻的预测路况信息出现偏差。例如，当前时刻为2020年10月1日上午9:00，根据历史轨迹数据，预测出2020年的9月25日上午9:00的路况信息为畅通状态，但2020年的9月25日上午9:00该路段的真实路况信息为拥堵状态，预测路况信息与真实路况信息不一致。
图3示出了根据本公开的实施例的路况信息确定方法300的流程图。如图3所示，方法300可以包括步骤301至步骤306。
在步骤301，获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据、当前时刻之前的预设时间段内目标路段的上游路段的第二历史轨迹数据以及当前时刻之前的预设时间段内目标路段的下游路段的第三历史轨迹数据。
在步骤302，响应于确定当前时刻目标路段满足预设条件，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像。
在步骤303，基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像。
在步骤304，基于第二历史轨迹数据，获取目标路段的上游路段的第二历史轨迹图像。
在步骤305，基于第三历史轨迹数据，获取目标路段的下游路段的第三历史轨迹图像。
在步骤306，基于多个相邻帧图像、第一历史轨迹图像、第二历史轨迹图像以及第三历史轨迹图像，利用预训练的神经网络模型，确定目标路段的路况信息。
在一些实施例中，目标路段的上游路段和下游路段可以分别包括至少一个路段，可根据目标路段的实际情况确定。示例性地，第一历史轨迹数据可以包括：当前时刻之前的预设时间段内，通过目标路段的多个第一车辆传输的第一车速数据、驶入目标路段的第一驶入时间数据以及驶出目标路段的第一驶出时间数据。第二历史轨迹数据可以包括：当前时刻之前的预设时间段内，通过上游路段的多个第二车辆传输的第二车速数据、驶入上游路段的第二驶入时间数据以及驶出上游路段的第二驶出时间数据。第三历史轨迹数据可以包括：当前时刻之前的预设时间段内，通过下游路段的多个第三车辆传输的第三车速数据、驶入下游路段的第三驶入时间数据以及驶出下游路段的第三驶出时间数据。
在一些实施例中，第一历史轨迹数据可以为目标路段上的第一车辆的车载设备上传的行车数据，第二历史轨迹数据可以为目标路段的上游路段上的第二车辆的车载设备上传的行车数据，第二历史轨迹数据可以为目标路段的下游路段上的第三车辆的车载设备上传的行车数据。在一些实施例中，车载设备可以为行车记录仪，行车记录仪是对车辆行驶速度、时间、里程以及有关车辆行驶的其他状态信息等行车轨迹信息进行记录、存储并可通过接口实现数据输出的数字式电子记录装置。可以理解地，第一车辆、第二车辆和第三车辆可以为相同的车辆，也可以为不同的车辆。
在一些实施例中，基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像可以包括：基于多个第一车辆传输的第一车速数据、第一驶入时间数据以及第一驶出时间数据，获取目标路段的第一历史轨迹图像。基于第二历史轨迹数据，获取目标路段的上游路段的第二历史轨迹图像可以包括：基于多个第二车辆传输的第二车速数据、第二驶入时间数据以及第二驶出时间数据，获取目标路段的上游路段的第二历史轨迹图像。基于第三历史轨迹数据，获取目标路段的下游路段的第三历史轨迹图像可以包括：基于多个第三车辆传输的第三车速数据、第三驶入时间数据以及第三驶出时间数据，获取目标路段的下游路段的第三历史轨迹图像。
在一些实施例中，在基于轨迹数据获取历史轨迹图像之前，还可以对轨迹数据进行预处理，以过滤噪音数据。示例性地，噪音数据可以包括，由行人的终端设备上传的数据，路段上静止的车辆上传的数据，或者某车辆上传的数据，该数据与其他车辆上传的数据具有较大偏差等。在其他的示例中，噪音数据还可以包括在当前时刻之前的预设时间段内，未通过路段的车辆上传的数据。例如，车辆所上传的数据包括该车辆的车速数据以及驶入路段的驶入时间数据，但没有包括该车辆驶出路段的驶出时间数据。噪音数据还可以包括残缺数据，例如，车辆所上传的数据仅包括该车辆的车速数据、该车辆驶入路段的驶入时间数据以及该车辆驶出路段的驶出时间数据中的一个或两个。
图4示出了根据本公开的实施例的历史轨迹图像400的示意图。如图4所示，历史轨迹图像400包括在0-600秒的时间内(即10分钟内)所有通过路段的车辆的轨迹。每条轨迹对应有车辆的车速、驶入时间以及驶出时间等信息。例如，对于轨迹401，可以看出其驶入路段的驶入时间为A，驶出路段的时间为B，并且其车速为C。在一些示例中，轨迹图像可以由本公开的路况信息确定装置的内置模块执行。在其他的示例中，轨迹图像还可以由第三方装置绘制，并传输至本公开的路况信息确定装置，本公开对此并不限制轨迹图像的绘制主体。
在一些实施例中，目标路段上的第一车辆的车载设备还可以采集针对目标路段的视频图像数据，所述多个相邻帧图像可以为从视频图像数据中提取的多个相邻视频帧图像。示例性地，可以每分钟或每秒钟从视频图像数据中提取视频帧图像。图5示出了根据本公开的实施例的视频帧图像500的示意图。图像500包括5张相邻帧图像。
在一些实施例中，本公开实施例提供的方法还可以包括：响应于确定当前时刻目标路段不满足预设条件，基于第一历史轨迹数据、第二历史轨迹数据以及第三历史轨迹数据，利用预设的轨迹计算模型确定目标路段的路况信息。由此，在确定当前时刻目标路段不满足预设条件时，根据轨迹数据进行路况信息的预测，能够节省计算资源，降低由采集和处理图像带来的计算量，从而提高预测效率。
在一些示例中，轨迹计算模型可以为任意能够基于轨迹数据进行路况信息预测的模型，例如Sequence to Sequence(seq2se)模型，本公开对此并不限制。
图6示出了根据本公开的实施例的路况信息确定方法600的流程图。如图6所示，方法600可以包括步骤601至步骤606。
在步骤601，获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据、当前时刻之前的预设时间段内目标路段的上游路段的第二历史轨迹数据以及当前时刻之前的预设时间段内目标路段的下游路段的第三历史轨迹数据。
在步骤602，判断当前时刻目标路段是否满足预设条件，如果是，则执行步骤603，否则，执行步骤606。
在步骤603，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像。
在步骤604，基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像，基于第二历史轨迹数据，获取目标路段的上游路段的第二历史轨迹图像，基于第三历史轨迹数据，获取目标路段的下游路段的第三历史轨迹图像。
在步骤605，基于多个相邻帧图像、第一历史轨迹图像、第二历史轨迹图像以及第三历史轨迹图像，利用预训练的神经网络模型，确定目标路段的路况信息。在步骤606，基于第一历史轨迹数据、第二历史轨迹数据以及第三历史轨迹数据，利用预设的轨迹计算模型确定目标路段的路况信息。
通过判断当前时刻目标路段的情况，在确定出当前时刻目标路段满足预设条件时，则根据获取到的轨迹图像和视频帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。并且，在确定出当前时刻目标路段不满足预设条件时，则根据历史轨迹数据，预设的轨迹计算模型确定目标路段的路况信息。由此，能够灵活选择合适的方式进行路况信息的预测，提高路况信息预测的准确性和效率。
图7示出了根据本公开的实施例的路况信息确定方法700的示意图。方法700可以为上述方法200、方法300以及方法600的一个示例。如图7所示，方法700可以包括步骤701-708。具体地，接收车辆实时回传的轨迹数据，对轨迹进行特征提取。在一些示例中，对轨迹进行特征提取可以指对轨迹数据进行过滤，以过滤到噪音数据。判断当前时刻目标路段是否满足调度条件。在一些示例中，调度条件可以为预设条件。在确定出当前时刻目标路段满足调度条件时，则进行图像调度申请，获取多帧图像并制作轨迹图。然后，将多帧图像以及轨迹图输入轨迹图像联合模型，从而得到路况信息。在确定出当前时刻目标路段不满足调度条件时，则利用轨迹计算模型确定路况信息。轨迹图像联合模型可以为预训练的神经网络模型。
在一些实施例中，本公开实施例的预训练的神经网络模型可以包括：第一子神经网络、第二子神经网络、第三子神经网络以及第四子神经网络。第一子神经网络用于对多个相邻帧图像进行特征提取。第二子神经网络用于对第一历史轨迹图像进行特征提取。第三子神经网络用于对第二历史轨迹图像进行特征提取。第四子神经网络用于对第三历史轨迹图像进行特征提取。在一些示例中，第一子神经网络可以为三维卷积网络(3Dconvolutional network，C3D)。第二子神经网络、第三子神经网络以及第四子神经网络可以为二维卷积网络，例如VGG(Visual Geometry Group)。
图8示出了根据本公开的实施例的预训练的神经网络模型800的示意图。如图8所示，模型800包括C3D网络801，以及VGG网络802-804。在进行模型训练阶段，C3D网络801的输入为目标路段的多帧视频图像，VGG网络802的输入为目标路段(例如当前路段)的轨迹图像，VGG网络803的输入为目标路段的上游路段的轨迹图像，VGG网络804的输入为目标路段的下游路段的轨迹图像。示例性地，模型800还可以包括拼接层和至少一个连接层。拼接层可以用于对C3D网络801和VGG网络802-804的输出向量进行拼接，并输入至连接层。连接层可以对拼接后的向量进行相应处理，并通过输出层，输出路况信息。
在使用模型800之前，可以对模型800进行训练。示例性地，可以以预定历史时间段内(例如，一个月内)的工作日的数据作为训练样本，随机筛选不同时刻下对应的路段，以路段-时刻作为标识。每个训练样本对应三张轨迹图(例如，当前时刻之前的十分钟内，该路段以及上下游路段的轨迹图)以及一张多帧视频图像(例如，当前时刻之前的十分钟内，该路段上真实采集的连续多帧视频图像)。可以理解地，一个路段可能对应多个时刻。训练样本的标签可以为，通过真实后验轨迹得到的路段的真实路况的值。在模型训练阶段，可以从预定时间段(例如白天的高峰时段)内的数据进行采样，对不同地区分别进行采样，根据路段和时刻获取其附近路段的集合。对筛选出的样本，提取训练特征，构建深度学习模型，利用大量轨迹挖掘出的路况作为真值进行模型训练，并利用K-fold进行交叉验证。同时，还结合使用加权损失函数以及过采样和欠采样，以避免样本不均衡。
图9示出了根据本公开的实施例的路况信息确定装置900的示意框图。如图9所示，装置900包括第一获取模块901、第二获取模块902、第三获取模块903以及确定模块904。
第一获取模块901配置为获取当前时刻之前的预设历史时间段预设时间段内目标路段的第一历史轨迹数据。
第二获取模块902配置为响应于确定当前时刻目标路段满足预设条件，获取当前时刻之前的预设历史时间段预设时间段内针对目标路段的多个相邻帧图像。
第三获取模块903配置为基于第一历史轨迹数据，获取目标路段的第一历史轨迹图像。
确定模块904配置为基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息。
在一些示例中，第一获取模块901、第二获取模块902、第三获取模块903以及确定模块904的操作分别对应于上面关于图2描述的方法200的步骤201-204，因此此处不再详细描述。由此，在确定出当前时刻目标路段满足预设条件时，获取当前时刻之前的预设时间段内针对目标路段的多个相邻帧图像，并将目标路段的当前时刻之前的预设时间段内的第一历史轨迹数据转化为第一历史轨迹图像，并基于第一历史轨迹图像以及多个相邻帧图像，利用预训练的神经网络模型，确定目标路段的路况信息，从而能够提高路况信息预测的准确性和效率。
在一些实施例中，所述预设条件包括以下项中的至少一项：当前时刻接收到的目标路段的轨迹量不大于第一轨迹量阈值，并且目标路段在多个第一历史时刻的轨迹量的平均值不小于第二轨迹量阈值，其中，多个第一历史时刻与当前时刻相对应；目标路段为预设兴趣点范围内的路段，并且当前时刻处于预设调度时间段内；以及目标路段在第二历史时刻的预测路况信息与目标路段在该第二预设时刻的真实路况信息不匹配，其中，第二历史时刻与当前时刻相对应。
在一些实施例中，第一历史轨迹数据包括：当前时刻之前的预设时间段内，通过目标路段的多个第一车辆传输的第一车速数据、驶入目标路段的第一驶入时间数据以及驶出目标路段的第一驶出时间数据。第三获取模块还被配置为：基于多个第一车辆传输的第一车速数据、第一驶入时间数据以及第一驶出时间数据，获取目标路段的第一历史轨迹图像。
在一些实施例中，装置900还包括第四获取模块、第五获取模块、第六获取模块以及第七获取模块。第四获取模块被配置为获取当前时刻之前的预设时间段内目标路段的上游路段的第二历史轨迹数据。第五获取模块被配置为获取当前时刻之前的预设时间段内目标路段的下游路段的第三历史轨迹数据。第六获取模块被配置为基于第二历史轨迹数据，获取目标路段的上游路段的第二历史轨迹图像。第七获取模块被配置为基于第三历史轨迹数据，获取目标路段的下游路段的第三历史轨迹图像。
在一些实施例中，第二历史轨迹数据包括：当前时刻之前的预设时间段内，通过上游路段的多个第二车辆传输的第二车速数据、驶入上游路段的第二驶入时间数据以及驶出上游路段的第二驶出时间数据。第六获取模块还被配置为：基于多个第二车辆传输的第二车速数据、第二驶入时间数据以及第二驶出时间数据，获取目标路段的上游路段的第二历史轨迹图像。
在一些实施例中，第三历史轨迹数据包括：当前时刻之前的预设时间段内，通过下游路段的多个第三车辆传输的第三车速数据、驶入下游路段的第三驶入时间数据以及驶出下游路段的第三驶出时间数据。第七获取模块还被配置为：基于多个第三车辆传输的第三车速数据、第三驶入时间数据以及第三驶出时间数据，获取目标路段的下游路段的第三历史轨迹图像。
在一些实施例中，确定模块还被配置为：基于多个相邻帧图像、第一历史轨迹图像、第二历史轨迹图像以及第三历史轨迹图像，利用预训练的神经网络模型，确定目标路段的路况信息。
虽然上面参考特定模块讨论了特定功能，但是应当注意，本文讨论的各个模块的功能可以分为多个模块，和/或多个模块的至少一些功能可以组合成单个模块。本文讨论的特定模块执行动作包括该特定模块本身执行该动作，或者替换地该特定模块调用或以其他方式访问执行该动作的另一个组件或模块(或结合该特定模块一起执行该动作)。因此，执行动作的特定模块可以包括执行动作的该特定模块本身和/或该特定模块调用或以其他方式访问的、执行动作的另一模块。
本公开示例性实施例还提供一种电子设备，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。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根据本公开实施例的方法。
本公开示例性实施例还提供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根据本公开实施例的方法。
本公开示例性实施例还提供一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现根据本公开实施例的方法。根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM 1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元809允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法200、300、600和700。例如，在一些实施例中，方法200、300、600和700可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行上文描述的方法200、300、600和700的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200、300、600和700。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (19)

1.一种路况信息确定方法，包括：
获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据；
响应于确定所述当前时刻所述目标路段满足预设条件，获取所述当前时刻之前的所述预设时间段内针对所述目标路段的多个相邻帧图像；
基于所述第一历史轨迹数据，获取所述目标路段的第一历史轨迹图像；以及
基于所述第一历史轨迹图像以及所述多个相邻帧图像，利用预训练的神经网络模型，确定所述目标路段的路况信息。
2.根据权利要求1所述的方法，其中，所述预设条件包括以下项中的至少一项：
所述当前时刻接收到的所述目标路段的轨迹量不大于第一轨迹量阈值，并且所述目标路段在多个第一历史时刻的轨迹量的平均值不小于第二轨迹量阈值，其中，所述多个第一历史时刻与所述当前时刻相对应；
所述目标路段为预设兴趣点范围内的路段，并且所述当前时刻处于预设调度时间段内；
所述目标路段在第二历史时刻的预测路况信息与所述目标路段在该第二预设时刻的真实路况信息不匹配，其中，所述第二历史时刻与所述当前时刻相对应。
3.根据权利要求1或2所述的方法，其中，
所述第一历史轨迹数据包括：所述当前时刻之前的所述预设时间段内，通过所述目标路段的多个第一车辆传输的第一车速数据、驶入所述目标路段的第一驶入时间数据以及驶出所述目标路段的第一驶出时间数据，
其中，基于所述第一历史轨迹数据，获取所述目标路段的所述第一历史轨迹图像包括：
基于所述多个第一车辆传输的所述第一车速数据、所述第一驶入时间数据以及所述第一驶出时间数据，获取所述目标路段的所述第一历史轨迹图像。
4.根据权利要求1或2所述的方法，还包括：
获取所述当前时刻之前的所述预设时间段内所述目标路段的上游路段的第二历史轨迹数据；
获取所述当前时刻之前的所述预设时间段内所述目标路段的下游路段的第三历史轨迹数据；
基于所述第二历史轨迹数据，获取所述目标路段的所述上游路段的第二历史轨迹图像；以及
基于所述第三历史轨迹数据，获取所述目标路段的所述下游路段的第三历史轨迹图像。
5.根据权利要求4所述的方法，其中，
所述第二历史轨迹数据包括：所述当前时刻之前的所述预设时间段内，通过所述上游路段的多个第二车辆传输的第二车速数据、驶入所述上游路段的第二驶入时间数据以及驶出所述上游路段的第二驶出时间数据，
其中，基于所述第二历史轨迹数据，获取所述目标路段的所述上游路段的所述第二历史轨迹图像包括：
基于所述多个第二车辆传输的所述第二车速数据、所述第二驶入时间数据以及所述第二驶出时间数据，获取所述目标路段的所述上游路段的所述第二历史轨迹图像。
6.根据权利要求4所述的方法，其中，
所述第三历史轨迹数据包括：所述当前时刻之前的所述预设时间段内，通过所述下游路段的多个第三车辆传输的第三车速数据、驶入所述下游路段的第三驶入时间数据以及驶出所述下游路段的第三驶出时间数据，
其中，基于所述第三历史轨迹数据，获取所述目标路段的所述下游路段的第三历史轨迹图像包括：
基于所述多个第三车辆传输的所述第三车速数据、所述第三驶入时间数据以及所述第三驶出时间数据，获取所述目标路段的所述下游路段的所述第三历史轨迹图像。
7.根据权利要求4所述的方法，其中，基于所述第一历史轨迹图像以及所述多个相邻帧图像，利用所述预训练的神经网络模型，确定所述目标路段的所述路况信息包括：
基于所述多个相邻帧图像、所述第一历史轨迹图像、所述第二历史轨迹图像以及所述第三历史轨迹图像，利用所述预训练的神经网络模型，确定所述目标路段的所述路况信息。
8.根据权利要求4所述的方法，还包括：
响应于确定所述当前时刻所述目标路段不满足所述预设条件，基于所述第一历史轨迹数据、所述第二历史轨迹数据以及所述第三历史轨迹数据，利用预设的轨迹计算模型确定所述目标路段的路况信息。
9.根据权利要求1或2所述的方法，其中，所述预训练的神经网络模型包括：第一子神经网络、第二子神经网络、第三子神经网络以及第四子神经网络，
所述第一子神经网络用于对所述多个相邻帧图像进行特征提取；
所述第二子神经网络用于对所述第一历史轨迹图像进行特征提取；
所述第三子神经网络用于对所述第二历史轨迹图像进行特征提取；
所述第四子神经网络用于对所述第三历史轨迹图像进行特征提取。
10.一种路况信息确定装置，包括：
第一获取模块，配置为获取当前时刻之前的预设时间段内目标路段的第一历史轨迹数据；
第二获取模块，配置为响应于确定所述当前时刻所述目标路段满足预设条件，获取所述当前时刻之前的所述预设时间段内针对所述目标路段的多个相邻帧图像；
第三获取模块，配置为基于所述第一历史轨迹数据，获取所述目标路段的第一历史轨迹图像；以及
确定模块，配置为基于所述第一历史轨迹图像以及所述多个相邻帧图像，利用预训练的神经网络模型，确定所述目标路段的路况信息。
11.根据权利要求10所述的装置，其中，所述预设条件包括以下项中的至少一项：
所述当前时刻接收到的所述目标路段的轨迹量不大于第一轨迹量阈值，并且所述目标路段在多个第一历史时刻的轨迹量的平均值不小于第二轨迹量阈值，其中，所述多个第一历史时刻与所述当前时刻相对应；
所述目标路段为预设兴趣点范围内的路段，并且所述当前时刻处于预设调度时间段内；以及
所述目标路段在第二历史时刻的预测路况信息与所述目标路段在该第二预设时刻的真实路况信息不匹配，其中，所述第二历史时刻与所述当前时刻相对应。
12.根据权利要求10或11所述的装置，其中，
所述第一历史轨迹数据包括：所述当前时刻之前的所述预设时间段内，通过所述目标路段的多个第一车辆传输的第一车速数据、驶入所述目标路段的第一驶入时间数据以及驶出所述目标路段的第一驶出时间数据，
其中，所述第三获取模块还被配置为：
基于所述多个第一车辆传输的所述第一车速数据、所述第一驶入时间数据以及所述第一驶出时间数据，获取所述目标路段的所述第一历史轨迹图像。
13.根据权利要求10或11所述的装置，还包括：
第四获取模块，配置为获取所述当前时刻之前的所述预设时间段内所述目标路段的上游路段的第二历史轨迹数据；
第五获取模块，配置为获取所述当前时刻之前的所述预设时间段内所述目标路段的下游路段的第三历史轨迹数据；
第六获取模块，配置为基于所述第二历史轨迹数据，获取所述目标路段的所述上游路段的第二历史轨迹图像；以及
第七获取模块，配置为基于所述第三历史轨迹数据，获取所述目标路段的所述下游路段的第三历史轨迹图像。
14.根据权利要求13所述的装置，其中，
所述第二历史轨迹数据包括：所述当前时刻之前的所述预设时间段内，通过所述上游路段的多个第二车辆传输的第二车速数据、驶入所述上游路段的第二驶入时间数据以及驶出所述上游路段的第二驶出时间数据，
其中，所述第六获取模块还被配置为：
基于所述多个第二车辆传输的所述第二车速数据、所述第二驶入时间数据以及所述第二驶出时间数据，获取所述目标路段的所述上游路段的所述第二历史轨迹图像。
15.根据权利要求13所述的装置，其中，
所述第三历史轨迹数据包括：所述当前时刻之前的所述预设时间段内，通过所述下游路段的多个第三车辆传输的第三车速数据、驶入所述下游路段的第三驶入时间数据以及驶出所述下游路段的第三驶出时间数据，
其中，所述第七获取模块还被配置为：
基于所述多个第三车辆传输的所述第三车速数据、所述第三驶入时间数据以及所述第三驶出时间数据，获取所述目标路段的所述下游路段的所述第三历史轨迹图像。
16.根据权利要求13所述的装置，其中，所述确定模块还被配置为：
基于所述多个相邻帧图像、所述第一历史轨迹图像、所述第二历史轨迹图像以及所述第三历史轨迹图像，利用所述预训练的神经网络模型，确定所述目标路段的所述路况信息。
17.一种电子设备，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1-9中任一项所述的方法。
18.一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根据权利要求1-9中任一项所述的方法。
19.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-9中任一项所述的方法。
CN202110127016.9A 2021-01-29 2021-01-29 路况信息确定方法、装置、电子设备以及可读介质 Active CN112907958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110127016.9A CN112907958B (zh) 2021-01-29 2021-01-29 路况信息确定方法、装置、电子设备以及可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110127016.9A CN112907958B (zh) 2021-01-29 2021-01-29 路况信息确定方法、装置、电子设备以及可读介质

Publications (2)

Publication Number Publication Date
CN112907958A true CN112907958A (zh) 2021-06-04
CN112907958B CN112907958B (zh) 2022-01-25

Family

ID=76121638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110127016.9A Active CN112907958B (zh) 2021-01-29 2021-01-29 路况信息确定方法、装置、电子设备以及可读介质

Country Status (1)

Country Link
CN (1) CN112907958B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407839A (zh) * 2021-06-22 2021-09-17 北京百度网讯科技有限公司 出行方式的确定方法、装置、设备和存储介质
CN113593218A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 交通异常事件的检测方法、装置、电子设备及存储介质
CN113656526A (zh) * 2021-08-20 2021-11-16 北京百度网讯科技有限公司 电子地图的实现方法、装置、电子设备和介质
CN113806585A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN113902313A (zh) * 2021-10-14 2022-01-07 百度在线网络技术（北京）有限公司 对象信息的处理方法和装置
CN114092911A (zh) * 2021-11-23 2022-02-25 北京百度网讯科技有限公司 一种道路识别方法、装置、电子设备以及存储介质
CN114742280A (zh) * 2022-03-18 2022-07-12 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
CN114926980A (zh) * 2022-04-22 2022-08-19 阿里巴巴（中国）有限公司 交通数据挖掘方法、装置、电子设备及计算机程序产品

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070067102A1 (en) * 2005-09-16 2007-03-22 Masaaki Sato Route guidance providing system, image forming apparatus, and image forming method
CN101286269A (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系统
US20110160988A1 (en) * 2009-12-29 2011-06-30 Research In Motion Limited System and method for faster detection of traffic jams
CN102542801A (zh) * 2011-12-23 2012-07-04 北京易华录信息技术股份有限公司 一种融合多种交通数据的交通状况预测系统及方法
CN105741556A (zh) * 2016-04-29 2016-07-06 深圳市为有视讯有限公司 路况信息的推送方法、行车记录仪、云端服务器以及推送系统
CN108320553A (zh) * 2018-04-04 2018-07-24 大陆汽车投资（上海）有限公司 基于道路驾驶事件的路况预测方法
CN109300309A (zh) * 2018-10-29 2019-02-01 讯飞智元信息科技有限公司 路况预测方法及装置
CN109872535A (zh) * 2019-03-27 2019-06-11 深圳市中电数通智慧安全科技股份有限公司 一种智慧交通通行预测方法、装置及服务器
CN109872530A (zh) * 2017-12-05 2019-06-11 广州腾讯科技有限公司 一种路况信息的生成方法、车载终端及服务器
CN110705412A (zh) * 2019-09-24 2020-01-17 北京工商大学 一种基于运动历史图像的视频目标检测方法
US20200051430A1 (en) * 2018-08-08 2020-02-13 Hcl Technologies Limited System and method to generate recommendations for traffic management
CN110852342A (zh) * 2019-09-26 2020-02-28 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN111275960A (zh) * 2018-12-05 2020-06-12 杭州海康威视系统技术有限公司 一种交通路况分析方法、系统及摄像机
CN111462484A (zh) * 2020-03-31 2020-07-28 腾讯科技（深圳）有限公司 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN111833605A (zh) * 2020-07-10 2020-10-27 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN111915887A (zh) * 2020-07-10 2020-11-10 广州运星科技有限公司 一种基于多源异构交通数据的集成与处理系统及其方法
CN111986490A (zh) * 2020-09-18 2020-11-24 北京百度网讯科技有限公司 路况预测方法、装置、电子设备和存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070067102A1 (en) * 2005-09-16 2007-03-22 Masaaki Sato Route guidance providing system, image forming apparatus, and image forming method
CN101286269A (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系统
US20110160988A1 (en) * 2009-12-29 2011-06-30 Research In Motion Limited System and method for faster detection of traffic jams
CN102542801A (zh) * 2011-12-23 2012-07-04 北京易华录信息技术股份有限公司 一种融合多种交通数据的交通状况预测系统及方法
CN105741556A (zh) * 2016-04-29 2016-07-06 深圳市为有视讯有限公司 路况信息的推送方法、行车记录仪、云端服务器以及推送系统
CN109872530A (zh) * 2017-12-05 2019-06-11 广州腾讯科技有限公司 一种路况信息的生成方法、车载终端及服务器
CN108320553A (zh) * 2018-04-04 2018-07-24 大陆汽车投资（上海）有限公司 基于道路驾驶事件的路况预测方法
US20200051430A1 (en) * 2018-08-08 2020-02-13 Hcl Technologies Limited System and method to generate recommendations for traffic management
CN109300309A (zh) * 2018-10-29 2019-02-01 讯飞智元信息科技有限公司 路况预测方法及装置
CN111275960A (zh) * 2018-12-05 2020-06-12 杭州海康威视系统技术有限公司 一种交通路况分析方法、系统及摄像机
CN109872535A (zh) * 2019-03-27 2019-06-11 深圳市中电数通智慧安全科技股份有限公司 一种智慧交通通行预测方法、装置及服务器
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN110705412A (zh) * 2019-09-24 2020-01-17 北京工商大学 一种基于运动历史图像的视频目标检测方法
CN110852342A (zh) * 2019-09-26 2020-02-28 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质
CN111462484A (zh) * 2020-03-31 2020-07-28 腾讯科技（深圳）有限公司 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN111833605A (zh) * 2020-07-10 2020-10-27 北京嘀嘀无限科技发展有限公司 路况预测方法、路况预测模型训练方法、装置及存储介质
CN111915887A (zh) * 2020-07-10 2020-11-10 广州运星科技有限公司 一种基于多源异构交通数据的集成与处理系统及其方法
CN111986490A (zh) * 2020-09-18 2020-11-24 北京百度网讯科技有限公司 路况预测方法、装置、电子设备和存储介质

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113407839A (zh) * 2021-06-22 2021-09-17 北京百度网讯科技有限公司 出行方式的确定方法、装置、设备和存储介质
CN113407839B (zh) * 2021-06-22 2024-04-02 北京百度网讯科技有限公司 出行方式的确定方法、装置、设备和存储介质
CN113593218A (zh) * 2021-06-28 2021-11-02 北京百度网讯科技有限公司 交通异常事件的检测方法、装置、电子设备及存储介质
CN113656526A (zh) * 2021-08-20 2021-11-16 北京百度网讯科技有限公司 电子地图的实现方法、装置、电子设备和介质
CN113656526B (zh) * 2021-08-20 2023-12-22 北京百度网讯科技有限公司 电子地图的实现方法、装置、电子设备和介质
CN113806585B (zh) * 2021-09-14 2023-10-13 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN113806585A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN113902313A (zh) * 2021-10-14 2022-01-07 百度在线网络技术（北京）有限公司 对象信息的处理方法和装置
CN114092911A (zh) * 2021-11-23 2022-02-25 北京百度网讯科技有限公司 一种道路识别方法、装置、电子设备以及存储介质
CN114092911B (zh) * 2021-11-23 2023-08-01 北京百度网讯科技有限公司 一种道路识别方法、装置、电子设备以及存储介质
CN114742280A (zh) * 2022-03-18 2022-07-12 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
WO2023173633A1 (zh) * 2022-03-18 2023-09-21 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
CN114926980A (zh) * 2022-04-22 2022-08-19 阿里巴巴（中国）有限公司 交通数据挖掘方法、装置、电子设备及计算机程序产品

Also Published As

Publication number Publication date
CN112907958B (zh) 2022-01-25

Similar Documents

Publication Publication Date Title
CN112907958B (zh) 路况信息确定方法、装置、电子设备以及可读介质
CN112101682B (zh) 流量模式预测方法、装置、服务器以及可读介质
CN114202924B (zh) 冗余交通限制信息的识别方法及装置、电子设备和介质
CN115265559B (zh) 地图自动生成方法、装置、设备及介质
CN114413920B (zh) 车道数据处理方法、导航方法及装置
CN115082690B (zh) 目标识别方法、目标识别模型训练方法及装置
CN115366920A (zh) 用于自动驾驶车辆的决策方法及装置、设备和介质
CN115083037A (zh) 用于更新地图路网数据的方法、装置、电子设备和车辆
CN114491269A (zh) 出行服务的推荐方法及装置、设备和介质
CN114047760A (zh) 路径规划方法、装置、电子设备及自动驾驶车辆
CN113012461A (zh) 导航方法及其装置、设备和介质
CN114689074B (zh) 信息处理方法和导航方法
CN115235487B (zh) 数据处理方法及装置、设备和介质
CN113656526B (zh) 电子地图的实现方法、装置、电子设备和介质
CN115454861A (zh) 自动驾驶仿真场景构建方法和装置
CN115675528A (zh) 基于相似场景挖掘的自动驾驶方法和车辆
CN113850909B (zh) 点云数据处理方法、装置、电子设备及自动驾驶设备
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
CN115797660A (zh) 图像检测方法、装置、电子设备和存储介质
CN115979296A (zh) 导航方法、装置、电子设备和介质
JP2022088496A (ja) データ収集を制御する方法、装置、電子機器及び媒体
CN116311943B (zh) 交叉路口的平均延误时间的估算方法及装置
CN114179834B (zh) 车辆停靠方法、装置、电子设备、介质及自动驾驶车辆
CN116311941B (zh) 主要车流路径提取方法、装置、设备及介质
CN116453333B (zh) 用于预测主要车流路径的方法及模型训练方法

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