CN112949946A - 实时交通路况信息的预测方法、装置及电子设备 - Google Patents
实时交通路况信息的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112949946A CN112949946A CN202110421759.7A CN202110421759A CN112949946A CN 112949946 A CN112949946 A CN 112949946A CN 202110421759 A CN202110421759 A CN 202110421759A CN 112949946 A CN112949946 A CN 112949946A
- Authority
- CN
- China
- Prior art keywords
- road
- coverage rate
- real
- time
- position information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000737 periodic effect Effects 0.000 claims abstract description 70
- 230000015654 memory Effects 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims 1
- 238000007667 floating Methods 0.000 description 29
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q50/40—Business processes related to the transportation industry
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请是关于一种实时交通路况信息的预测方法、装置及电子设备。该预测方法包括:接收用户端的位置信息;获取位置信息对应的道路在当前时间的周期覆盖率;将位置信息对应的道路在当前时间的周期覆盖率与预先设置的最小覆盖率对比;若周期覆盖率大于或等于最小覆盖率,采用预测模型预测位置信息对应的道路在当前时间对应的预设未来时间段内的实时交通路况信息。本申请提供的方案,以预测的方式提前获得当前时间对应的预设未来时间段的实时交通路况信息,从而可以将预测的实时交通路况信息发送至用户端,以便用户提前预判路况,合理规划出行路径,改善用户体验。
Description
技术领域
本申请涉及导航技术领域,尤其涉及一种实时交通路况信息的预测方法、装置及电子设备。
背景技术
TMC(Traffic Message Channel,交通信息频道)是辅助GPS(Global PositioningSystem,全球定位系统)导航的功能系统。借助于具有TMC功能的导航终端,TMC信息可以被导航终端接收并解码,然后以用户语言或可视化的方式将和当前道路相关的信息展现给用户,以便用户了解当前道路的实时交通路况信息。
相关技术中,为了获取道路的实时交通路况,一般采用浮动车在行驶过程中定期记录的车辆位置信息、行车方向和行车速度等信息,通过地图匹配、路径推测等相关的计算模型和算法进行处理,使浮动车位置数据和道路在时间和空间上关联起来,最终得到浮动车所经过道路的车辆行驶速度以及道路的行车时间等实时交通路况信息。
然而,由于浮动车的数量有限,无法在较短的时间内覆盖所有道路来得到所有道路的实时交通路况信息,导致有些道路无法及时获得实时交通路况信息,从而使用户无法及时查看相关道路的实时交通路况信息,影响用户体验。
发明内容
为解决或部分解决相关技术中存在的问题,本申请提供一种实时交通路况信息的预测方法及装置,该实时交通路况信息的预测方法及装置,能够提前预测对应道路的实时交通路况信息,使用户可以及时查看相关信息,改善用户体验。
本申请第一方面提供一种实时交通路况信息的预测方法,其包括:
接收用户端的位置信息;
获取所述位置信息对应的道路在当前时间的周期覆盖率;
将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比;
若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
在其中一个实施例中,所述获取所述位置信息对应的道路在当前时间的周期覆盖率,包括:
根据所述位置信息确定对应的道路;
按照预设周期获取对应的所述道路的周期覆盖率。
在其中一个实施例中,所述将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比,包括:
根据道路等级预先设置每一道路对应的最小覆盖率;
根据所述位置信息对应的道路的道路等级,将当前时间的所述周期覆盖率与对应的最小覆盖率对比。
在其中一个实施例中,所述预测方法还包括:
若所述周期覆盖率小于所述最小覆盖率,实时获取实时交通路况信息。
在其中一个实施例中,所述采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息,包括:
根据所述位置信息,确定所述位置信息对应的道路所属的地图数据层级;
采用预测模型预测所述地图数据层级内的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
在其中一个实施例中,所述预测模型根据历史时序数据和空间数据预测所述道路对应的实时交通路况信息;其中,所述历史时序数据为所述当前时间之前的平均行车速度;所述空间数据为所述道路及连通所述道路的关联道路。
在其中一个实施例中,所述预测模型根据图卷积神经网络和长短期记忆神经网络预先建立获得。
本申请第二方面提供一种实时交通路况信息的预测装置,其包括:
位置信息接收模块,用于接收用户端的位置信息;
周期覆盖率获取模块,用于获取所述位置信息对应的道路在当前时间的周期覆盖率;
比较模块,用于将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比;
预测模块,用于若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
本申请第三方面提供一种电子设备,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如上所述的方法。
本申请第四方面提供一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果:
本申请的实时交通路况信息的预测方法,通过获取浮动车在位置信息对应的道路的当前时间的周期覆盖率,将周期覆盖率与预设的最小覆盖率对比;若周期覆盖率大于或等于最小覆盖率,即判断接收的位置信息对应的道路适用预测模型预测,可以获得较准确的预设未来时间段内的实时交通路况信息。这样的设计,以预测的方式提前获得当前时间对应的预设未来时间段的实时交通路况信息,从而可以将预测的实时交通路况信息发送至用户端,以便用户提前预判路况,合理规划出行路径,改善用户体验。
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
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的实时交通路况信息的预测方法的流程示意图;
图2是本申请实施例示出的实时交通路况信息的预测方法的另一流程示意图;
图3是本申请实施例示出的实时交通路况信息的预测装置的结构示意图;
图4是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式,然而应该理解,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使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
相关技术中,相关道路的实时交通路况信息一般通过浮动车实时监测采集,然而基于经济成本考虑,浮动车的数量有限,无法在短时间内覆盖所有道路,从而无法及时得到对应道路的实时交通路况信息,使用户无法查看相关道路的实时交通路况信息,影响用户体验。
针对上述问题,本申请实施例提供一种实时交通路况信息的预测方法,能够提高开发效率,降低后期维护成本。
以下结合附图详细描述本申请实施例的技术方案。
实施例一
图1是本申请实施例示出的实时交通路况信息的预测方法的流程示意图。
参见图1,本申请的一实施例中,提供一种实时交通路况信息的预测方法,其包括:
步骤S110,接收用户端的位置信息。
在其中一个实施例中,用户端的位置信息可以是用户端当前所在位置的位置信息,或者是用户在用户端指定地点的位置信息。在其中一个实施例中,位置信息可以是经纬度坐标。在其中一个实施例中,用户端的位置信息可以通过GPS全球定位系统获得,服务器接收来自用户端发送的位置信息。
步骤S120,获取所述位置信息对应的道路在当前时间的周期覆盖率。
可以理解,实时交通路况信息用于反应当前道路的实时交通信息。当接收位置信息后,获取该位置信息所处的道路,进而获取该道路在当前时间的周期覆盖率。
在其中一个实施例中,单条道路的覆盖率为浮动车在单位时间内在该道路上经过覆盖的道路长度在该道路总长度中的占比。例如,该道路的总长度为100米,浮动车仅在该道路上经过覆盖90米,则该道路对应的覆盖率为90%。可以理解,按照每日24小时的时长设定,在同一条道路的不同时刻,经过的浮动车的数量可以不同,不同的浮动车在不同的时刻在该道路所经过覆盖的长度不同,即同一条道路在不同时刻所对应的覆盖率可以是波动的。
为了确定单条道路的覆盖率,同时避免过于频繁获取而消耗服务器资源,在其中一个实施例中,根据所述位置信息确定对应的道路;按照预设周期获取对应的所述道路的周期覆盖率。即周期覆盖率为按照预设周期获取的对应道路的覆盖率。在其中一个实施例中,预设周期可以是5分钟至30分钟。在其中一个实施例中,预设周期可以是5分钟、10分钟、15分钟、20分钟或30分钟。即服务器可以每间隔一个预设周期获取各道路对应的周期覆盖率。通过设置预设周期,避免服务器频繁与浮动车交互,降低服务器运行负荷。当接收用户端的位置信息后,确定位置信息所对应的道路,继而获取该道路在当前时间对应的预设周期所对应的周期覆盖率。
步骤S130,将所述位置信息对应的道路在所述当前时间的所述周期覆盖率与预先设置的最小覆盖率对比。
在其中一个实施例中,最小覆盖率根据道路的道路等级不同而进行相应设置。在其中一个实施例中,根据位置参考编码体系RTIC LR(Realtime Traffic Information ofChina Location Reference,中国实时交通信息位置值参考),将道路等级和对应的最小覆盖率作出如下表所示的主要设置。
道路等级 | 定义 | 道路类型 | 最小覆盖率 |
等级1 | 全国范围的骨干道路网,连接城市间的、全封闭的高级机动车 专用道 | 00公路 | 100% |
等级2 | 城市内全封闭、有出入口的高等级快速机动车专用道 | 01城市高速 公路 | 100% |
等级3 | 干线道路,可作为城市内部的骨干道路网,连接各主要分区的交通干路 | 02国道、03省道、04县道 | 90% |
等级4 | 次干线道路,可作为连接高速、城市高速、干线道路的必要道路,并保证路网的完整性及连通性 | 05乡镇、乡村 道路 | 20% |
在其他实施例中,最小覆盖率还可以另行设置为其他数据,在此不做限制。同理,在其他实施例中,道路等级可以根据实际需求另行设置,最小覆盖率根据不同的道路等级可以相应调整。
本步骤中,通过将当前时间实际监测获得的周期覆盖率与预先设置的最小覆盖率对比,从而可以判断当前时间在该道路上的浮动车的覆盖率与历史同期时的浮动车真实监测的覆盖率数据相比是否正常,继而确定是否在后续步骤中采用预测模型中的数据进行相关预测。
步骤S140,若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
在其中一个实施例中,若周期覆盖率大于或等于最小覆盖率,说明当前时间所在的道路的浮动车的覆盖率相对于历史同期的覆盖率是正常的,而预测模型是基于历史同期的浮动车的真实监测数据建立,从而可以采用预测模型对该道路进行实时交通路况信息的预测。
进一步地,在其中一个实施例中,预设未来时间段为在当前时间之后的时间段,且预设未来时间段包含预设时长。其中,预设未来时间段可以与当前时间按照自然时间连续计时;预设未来时间段也可以为当前时间之后的非连续的指定时间段。例如,当前时间为北京时间上午9点,预设未来时间段包含的预设时长为15分钟,则预测模型可以对9点至9点15分之间的时间段的实时交通路况信息进行预测。或者,预测模型可以对9点05分至9点20分的时间段的实时交通路况信息进行预测。在其中一个实施例中,预设未来时间段包含的预设时长可以与获取周期覆盖率的预设周期相同设置。可以理解,周期覆盖率的获取来源于浮动车的真实监测数据,预测模型的采用基于周期覆盖率的大小,将周期覆盖率的预设周期与预设未来时间段的预设时长相同设置,则可以减小真实与预测之间的时间差,提高预测模型的预测结果的可信度。
上述的实施例中,本申请的实时交通路况信息的预测方法,通过获取浮动车在位置信息对应的道路的当前时间的周期覆盖率,将周期覆盖率与预设的最小覆盖率对比;当周期覆盖率大于或等于最小覆盖率时,即判断接收的用户端的位置信息对应的道路适用预测模型预测,从而可以通过预测模型获得较准确的预设未来时间段内的实时交通路况信息。这样的设计,以预测的方式提前获得当前时间对应的预设未来时间段的实时交通路况信息,从而可以将预测的相关信息发送至用户端,以便用户提前预判路况,合理规划出行路径,改善用户体验。
实施例二
为了进一步介绍本申请的实时交通路况信息的预测方法,参见图2,该实时交通路况信息的预测方法,包括:
步骤S210,接收用户端的位置信息。
在其中一个实施例中,用户端可以是车载智能设备或移动终端,其中移动终端包括但不限于手机、笔记本电脑、平板电脑、智能手环等便携式终端。用户端的位置信息可以通过用户端具有的GPS导航定位获得。
步骤S220,根据所述位置信息确定对应的道路,按照预设周期获取对应的所述道路的周期覆盖率。
可以理解,位置信息与道路具有映射关系。其中,位置信息为经纬度坐标,位置信息为一定位点,可以映射确定位置信息所属的道路。根据当前道路上的浮动车上报的车辆位置和速度数据,可以确定浮动车在该道路上经历覆盖的道路长度,继而确定浮动车在预设周期内在当前道路上的周期覆盖率。当然,为了进一步获取道路的周期覆盖率,监测数据来源可以不局限于浮动车,还可以源于手机等具有GPS功能的移动终端,从而扩大数据获取渠道。
步骤S230,将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比;其中所述最小覆盖率根据道路等级预先对应设置。
在其中一个实施例中,根据道路等级预先设置每一道路对应的最小覆盖率;根据所述位置信息对应的道路的道路等级,将当前时间的所述周期覆盖率与对应的最小覆盖率对比。可以理解,根据RTIC LR位置参考编码体系,将道路等级划分4个等级,即等级1至等级4。隶属不同道路等级的道路具有各自对应的最小覆盖率。不同道路等级的最小覆盖率可以相同或相异设置。
步骤S240,若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息所属的地图数据层级的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
相关技术中,当电子地图采用瓦片地图金字塔模型进行搭建时,由于地图中包含的道路、建筑物、名称等信息众多,地图数据量将会非常庞大。为了更好的管理和追踪数据,在地图数据被使用之前,可以先对地图数据进行分层处理并存储,可以将分层数据存储在存储设备(如硬盘)中,也可以存储在网络端(如网络服务器)。具体的,可以将地图数据由上至下分成若干个数据层级,一个上层数据可以对应多个下层数据,各层表达了不同道路的连通特性。可以理解,根据不同的位置信息,可以确定所属的道路,继而确定道路对应的道路等级,不同的道路等级的道路可以被分配至不同的数据层级中。通过确定道路等级,即可以确定道路所属的地图数据层级。
在其中一个实施例中,根据所述位置信息,确定所述位置信息对应的道路所属的地图数据层级;采用预测模型预测所述地图数据层级内的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。在其中一个实施例中,预测模型不仅限于预测当前位置信息所在的道路的实时交通信息,预测模型可以预测在同一数据层级内连通当前道路的其他关联道路的实时交通信息。这样的设计,可以提供用户端更丰富的实时交通路况数据,以便用户进行路径规划。
进一步地,在其中一个实施例中,预测模型根据图卷积神经网络(GCN,GraphConvolutional Network)和长短期记忆神经网络(LSTM,Long Short-Term Memory)预先建立获得。在其中一个实施例中,预测模型根据历史时序数据和空间数据预测所述道路对应的实时交通路况信息;其中,所述历史时序数据为所述当前时间之前的平均行车速度;所述空间数据为所述道路及连通所述道路的关联道路。具体地,历史时序数据可以是当前时间之前的预设过去时间段内的平均行车速度,预设过去时间段与当前时间可以是连续计时。空间数据可以为当前位置信息对应的道路及该道路连通的关联道路。预测模型可以根据过去时间段的平均行车速度预测当前时间的预设未来时间段的平均行车速度,预测对象即为当前道路及其关联道路。
通过将历史时序数据和对应的空间数据作为样本数据,输入预测模型以对预测模型进行训练,从而获得训练好的预测模型。在实际使用中,通过获取用户端位置信息,将位置信息输入预测模型,即可以通过预测模型计算获得在当前时间对应的预设未来时间段内,对应道路所在数据层级的道路及其关联道路的实时交通路况信息。
步骤S250,若所述周期覆盖率小于所述最小覆盖率,实时获取实时交通路况信息。
可以理解,当周期覆盖率小于所述最小覆盖率,则当前时间在该道路上的浮动车的覆盖率与历史同期时的浮动车真实监测的覆盖率数据相比,当前道路的路况与历史路况不同,从而不适用于预测模型按照历史的样本数据进行实时交通路况信息的预测。在此情况下,步骤S230执行完毕后,跳过步骤S240,执行步骤S250。即不采用预测模型来获得实时交通路况信息,而是直接按照浮动车监测的即时相关数据来获得实时交通路况信息,以确保用户端能获得准确度更高的实时交通路况信息。
在其他实施例中,若当前时间对应的周期覆盖率小于最小覆盖率时,可以将浮动车监测记录的相关信息的作为辅助数据样本,用以辅助训练预测模型,提高预测模型的预测准确率。
步骤S260,将实时交通路况信息发送至用户端进行显示。
针对不同的情况,将步骤S240或步骤S250所获得的实时交通路况信息发送至用户端。
为了直观显示电子地图数据,用户端具有显示屏。根据用户控制缩放显示屏中的电子地图,电子地图呈现对应的数据层级的地图数据。可以理解,不同的数据层级包含的道路不同。针对步骤S240,预测模型最终将位置信息对应的数据层级所在的道路及其关联道路的实时交通路况信息发送至用户端进行显示。
综上,本申请的实施例中的预测方法,通过根据用户端的位置信息确定对应的道路,从而确定对应的道路等级,继而确定道路所属的地图数据层级和道路等级对应的最小覆盖率;再将当前道路在当前时间对应获得的周期覆盖率与最小覆盖率对比,当大于或等于最小覆盖率时,即可采用预先建立好的预测模型预测获得所述地图数据层级的道路及其关联道路的实时交通路况信息;如果周期覆盖率小于最小覆盖率,则直接采用浮动车真实监测得到的即时的实时交通路况信息,从而确保最终发送至用户端的实时交通路况信息的准确度和可靠性,以便用户可以合理规划路径。
与前述应用功能实现方法实施例相对应,本申请还提供了一种网页地图的处理装置、电子设备及相应的实施例。
实施例三
图3是本申请实施例示出的实时交通路况信息的预测装置的结构示意图。
参见图3,本申请一实施例的实时交通路况信息的预测装置包括:位置信息接收模块310、周期覆盖率获取模块320、比较模块330及预测模块340。其中:
位置信息接收模块310用于接收用户端的位置信息。
周期覆盖率获取模块320用于获取所述位置信息对应的道路在当前时间的周期覆盖率。
比较模块330用于将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比。
预测模块340用于若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
在其中一个是具体的实施例中,位置信息接收模块310接收用户端在当前时间所处的位置信息后,可以确定位置信息对应的道路,继而可以确定对应的道路等级及其最小覆盖率和地图数据层级。周期覆盖率获取模块320则用于按照预设周期计算对应道路的覆盖率。不同时间段计算获得的周期覆盖率可能不同。通过比较模块330将周期覆盖率获取模块320所获取的周期覆盖率与对应道路等级的最小覆盖率进行对比,若所述周期覆盖率大于或等于所述最小覆盖率,则预测模块340采用预测模型预测所述位置信息所属的地图数据层级的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
在其中一个实施例中,本申请的实时交通路况信息的预测装置还包括发送模块350,若比较模块330得到所述周期覆盖率小于所述最小覆盖率的结果,则不采用预测模块340,而是实时获取实时交通路况信息,并由发送模块350将实时交通路况信息发送至用户端。反之,发送模块350将预测模块340预测获得的实时交通路况信息发送至用户端。
综上,本申请的实时交通路况信息的预测装置,通过根据位置信息接收模块310获取的用户端的位置信息来确定对应的道路,从而确定对应的道路等级,继而确定道路所属的地图数据层级和道路等级对应的最小覆盖率;再通过比较模块330将周期覆盖率获取模块320获取的当前道路在当前时间对应获得的周期覆盖率与最小覆盖率对比,当大于或等于最小覆盖率时,即可采用预测模块340根据预先建立好的预测模型预测获得所述地图数据层级的道路及其关联道路的实时交通路况信息;如果周期覆盖率小于最小覆盖率,则直接采用浮动车真实监测得到的即时的实时交通路况信息,从而确保发送模块350最终发送至用户端的实时交通路况信息的准确度和可靠性,以便用户可以合理规划路径。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
图4是本申请实施例示出的电子设备的结构示意图。
参见图4,电子设备400包括存储器410和处理器420。
处理器420可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器410可以包括各种类型的存储单元,例如系统内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储处理器420或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中,永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外,存储器410可以包括任意计算机可读存储媒介的组合,包括各种类型的半导体存储芯片(DRAM,SRAM,SDRAM,闪存,可编程只读存储器),磁盘和/或光盘也可以采用。在一些实施方式中,存储器410可以包括可读和/或写的可移除的存储设备,例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM,双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器410上存储有可执行代码,当可执行代码被处理器420处理时,可以使处理器420执行上文述及的方法中的部分或全部。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种实时交通路况信息的预测方法,其特征在于:
接收用户端的位置信息;
获取所述位置信息对应的道路在当前时间的周期覆盖率;
将所述位置信息对应的道路在所述当前时间的所述周期覆盖率与预先设置的最小覆盖率对比;
若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
2.根据权利要求1所述的预测方法,其特征在于,所述获取所述位置信息对应的道路在当前时间的周期覆盖率,包括:
根据所述位置信息确定对应的道路;
按照预设周期获取对应的所述道路的周期覆盖率。
3.根据权利要求1所述的预测方法,其特征在于,所述将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比,包括:
根据道路等级预先设置每一道路对应的最小覆盖率;
根据所述位置信息对应的道路的道路等级,将当前时间的所述周期覆盖率与对应的最小覆盖率对比。
4.根据权利要求1所述的预测方法,其特征在于,还包括:
若所述周期覆盖率小于所述最小覆盖率,实时获取实时交通路况信息。
5.根据权利要求1所述的预测方法,其特征在于,所述采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息,包括:
根据所述位置信息,确定所述位置信息对应的道路所属的地图数据层级;
采用预测模型预测所述地图数据层级内的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
6.根据权利要求1所述的预测方法,其特征在于:
所述预测模型根据历史时序数据和空间数据预测所述道路对应的实时交通路况信息;其中,所述历史时序数据为所述当前时间之前的平均行车速度;所述空间数据为所述道路及连通所述道路的关联道路。
7.根据权利要求1所述的预测方法,其特征在于,
所述预测模型根据图卷积神经网络和长短期记忆神经网络预先建立获得。
8.一种实时交通路况信息的预测装置,其特征在于:
位置信息接收模块,用于接收用户端的位置信息;
周期覆盖率获取模块,用于获取所述位置信息对应的道路在当前时间的周期覆盖率;
比较模块,用于将所述位置信息对应的道路在当前时间的所述周期覆盖率与预先设置的最小覆盖率对比;
预测模块,用于若所述周期覆盖率大于或等于所述最小覆盖率,采用预测模型预测所述位置信息对应的道路在所述当前时间对应的预设未来时间段内的实时交通路况信息。
9.一种电子设备,其特征在于,包括:
处理器;以及
存储器,其上存储有可执行代码,当所述可执行代码被所述处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的方法。
10.一种非暂时性机器可读存储介质,其上存储有可执行代码,当所述可执行代码被电子设备的处理器执行时,使所述处理器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421759.7A CN112949946A (zh) | 2021-04-20 | 2021-04-20 | 实时交通路况信息的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110421759.7A CN112949946A (zh) | 2021-04-20 | 2021-04-20 | 实时交通路况信息的预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949946A true CN112949946A (zh) | 2021-06-11 |
Family
ID=76233091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110421759.7A Pending CN112949946A (zh) | 2021-04-20 | 2021-04-20 | 实时交通路况信息的预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949946A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN101546481A (zh) * | 2009-04-30 | 2009-09-30 | 江苏新科软件有限公司 | 根据实时交通信息进行导航及显示的方法 |
CN102280029A (zh) * | 2011-07-20 | 2011-12-14 | 北京世纪高通科技有限公司 | 交通信息质量监测方法及装置 |
CN103489039A (zh) * | 2013-09-12 | 2014-01-01 | 重庆大学 | 具有在线自整定优化能力的高速公路交通流量融合预测方法 |
CN104217588A (zh) * | 2013-05-31 | 2014-12-17 | 张伟伟 | 一种实时交通信息获取方法、服务器及系统 |
CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
-
2021
- 2021-04-20 CN CN202110421759.7A patent/CN112949946A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101383090A (zh) * | 2008-10-24 | 2009-03-11 | 北京航空航天大学 | 一种并行路网结构下的浮动车信息处理方法 |
CN101546481A (zh) * | 2009-04-30 | 2009-09-30 | 江苏新科软件有限公司 | 根据实时交通信息进行导航及显示的方法 |
CN102280029A (zh) * | 2011-07-20 | 2011-12-14 | 北京世纪高通科技有限公司 | 交通信息质量监测方法及装置 |
CN104217588A (zh) * | 2013-05-31 | 2014-12-17 | 张伟伟 | 一种实时交通信息获取方法、服务器及系统 |
CN103489039A (zh) * | 2013-09-12 | 2014-01-01 | 重庆大学 | 具有在线自整定优化能力的高速公路交通流量融合预测方法 |
CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
Non-Patent Citations (2)
Title |
---|
刘静等: "基于短时预测需求的浮动车数据时空特性分析", 公路交通科技, vol. 978, no. 1, pages 256 - 261 * |
孙棣华等: "基于GPS探测车的道路交通状态估计技术", 计算机应用研究, no. 02, pages 243 - 245 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11410547B2 (en) | Method for defining vehicle ways using machine learning | |
CN109983306B (zh) | 用于产生停车相关数据的方法和系统 | |
US11699100B2 (en) | System for determining traffic metrics of a road network | |
US20170103342A1 (en) | Machine learning based determination of accurate motion parameters of a vehicle | |
CN105677793A (zh) | 地点数据库的建立和候选乘车地点的推荐方法及装置 | |
CN101673460B (zh) | 一种交通信息的质量评价方法、装置及系统 | |
US20200320867A1 (en) | Traffic analytics system for defining road networks | |
US11335189B2 (en) | Method for defining road networks | |
CN108182800B (zh) | 一种货运交通信息处理方法及设备 | |
CN110443185B (zh) | 驾驶员识别方法、驾驶员识别装置、电子设备及存储介质 | |
CN103201776A (zh) | 检索用于机动车的信息的方法 | |
CN111667083B (zh) | 网约车预估价确定方法和装置 | |
CN115705515A (zh) | 用于预测电动车辆充电点利用率的方法、设备和计算机程序产品 | |
US20210364307A1 (en) | Providing Additional Instructions for Difficult Maneuvers During Navigation | |
CN112949946A (zh) | 实时交通路况信息的预测方法、装置及电子设备 | |
CN112633812B (zh) | 货运车辆的轨迹分段方法、装置、设备及存储介质 | |
US11238291B2 (en) | Method, apparatus, and computer program product for determining if probe data points have been map-matched | |
CN115129796A (zh) | 定位数据分析方法、装置、设备和介质 | |
CN110708664B (zh) | 一种交通流感知方法、装置及计算机存储介质、电子设备 | |
CN115808178A (zh) | 导航地图的更新方法、装置及自动驾驶系统 | |
CN116368544A (zh) | 用于检测超速的方法、电子装置及系统 | |
CN112581060A (zh) | 基于车辆装卸点的配货需求度检测方法、装置及设备 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
CN113282835B (zh) | 停车地点推荐方法、装置和电子设备 | |
US20240151549A1 (en) | Method, apparatus, and computer program product for sensor data analysis |
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 |