CN112991712B

CN112991712B - 预测交通密度的方法、系统、计算机设备和存储介质

Info

Publication number: CN112991712B
Application number: CN201911215860.6A
Authority: CN
Inventors: 唐帅
Original assignee: Audi AG
Current assignee: Audi AG
Priority date: 2019-12-02
Filing date: 2019-12-02
Publication date: 2023-08-25
Anticipated expiration: 2039-12-02
Also published as: CN112991712A

Abstract

一种预测交通密度的方法、系统、计算机设备和存储介质。该预测交通密度的方法包括：采集联网车辆的行驶信息；根据行驶信息，学习联网车辆的基于一个或多个设定行驶行为的行驶习惯；基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测。利用本发明的预测交通密度的方法和系统，能够克服现有导航方法和系统只能基于导航路径上的一个或多个路段的实时交通密度进行路径规划，而无法对这些路段在将来某时刻的交通密度进行预测的缺陷。利用本发明的上述方案，能够根据预测结果，避开在导航路径上在将来某些时刻会有较高交通密度的路段，从而给出更加准确和优化的导航路径，显著提高通行效率。

Description

预测交通密度的方法、系统、计算机设备和存储介质

技术领域

本发明涉及车辆领域，特别是涉及一种预测交通密度的方法、系统、计算机设备和存储介质。

背景技术

随着汽车日益成为人们出行所使用的常用交通工具，汽车的数量不断增加。这造成了交通拥堵现象越来越严重。因此，人们出行越来越依赖导航软件，特别是那些能够根据交通密度选择路径的导航软件。实际上，有些交通拥堵现象是因为车辆数量过大，而另一些交通拥堵现象则缘于不良的行驶习惯，例如在某些区域，如学校或医院等地，在某些时间，例如上下学时间，出现大量车辆进行调头或临时停车。

虽然现有的导航软件可以根据某个时刻的交通密度给出在该时刻的最佳导航路径，但是这些导航软件并不能对将来的交通密度进行预测。

发明内容

为解决上述技术问题，本发明提出了一种基于车辆的行驶习惯对将来的交通密度进行预测的方法，从而给出最佳的导航路径，能够使车辆避开交通密度较高的路段，提高行驶畅通性。

具体地，根据本发明的一方面，提供了一种预测交通密度的方法，所述方法包括：

采集联网车辆的行驶信息；

根据所述行驶信息，学习联网车辆的基于一个或多个设定行驶行为的行驶习惯；

基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测。

在一个实施例中，所述设定行驶行为包括第一行驶行为，所述学习联网车辆的基于一个或多个设定行驶行为的行驶习惯包括：

对于所述联网车辆中的至少一个联网车辆，在该联网车辆在第一时间、第一地点出现所述第一行驶行为的频率等于或超过第一阈值时，确定该联网车辆具有基于所述第一行驶行为的第一行驶习惯。

在一个实施例中，所述设定行驶行为包括第二行驶行为，所述学习联网车辆的基于一个或多个设定行驶行为的行驶习惯包括：

对于所述联网车辆中的至少一个联网车辆，在该联网车辆在第二时间、第二地点出现所述第二行驶行为的频率等于或超过第二阈值时，确定该联网车辆具有基于所述第二行驶行为的第二行驶习惯。

在一个实施例中，所述第一行驶行为是调头，所述第二行驶行为是临时停车。

在一个实施例中，所述对至少一个路段的将来交通密度进行预测包括：

获取该至少一个路段的实时交通密度数据；

根据所学习的联网车辆的行驶习惯，分析在将来一个设定时间段内在该至少一个路段具有基于所述一个或多个设定行驶行为的行驶习惯的车辆的数量，并且根据所述车辆的数量计算该至少一个路段的附加交通密度；

将所述实时交通密度数据与该至少一个路段的附加交通密度相加得到预测的将来交通密度。

在一个实施例中，所述附加交通密度是进一步根据以下方式计算的：

为所述联网车辆的所述一个或多个设定行驶行为分别设置权值，并且对在将来一个设定时间段内在该至少一个路段具有基于所述一个或多个设定行驶行为的行驶习惯的车辆的数量进行加权求和得到所述附加交通密度。

根据本发明的另一方面，提供了一种车辆导航方法，所述车辆导航方法包括：根据上述任一项所述的预测交通密度的方法预测至少一个路段的将来交通密度，并且根据所预测的所述至少一个路段的将来交通密度计算导航路径。

根据本发明的再一方面，提供了一种预测交通密度的系统，所述系统包括：

信息采集单元，被配置用于采集联网车辆的行驶信息；

学习单元，被配置用于根据所述行驶信息，学习联网车辆的基于一个或多个设定行驶行为的行驶习惯；

预测单元，被配置用于基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测。

在一个实施例中，所述设定行驶行为包括第一行驶行为，并且所述学习单元还包括判断单元，所述判断单元被配置用于：

对于所述联网车辆中的至少一个联网车辆，判断该联网车辆在第一时间、第一地点出现所述第一行驶行为的频率是否等于或超过第一阈值，并且在该频率等于或超过第一阈值时，确定该联网车辆具有基于所述第一行驶行为的第一行驶习惯。

在一个实施例中，所述设定行驶行为包括第二行驶行为，并且所述判断单元被进一步配置用于：

对于所述联网车辆中的至少一个联网车辆，判断该联网车辆在第二时间、第二地点出现所述第二行驶行为的频率是否等于或超过第二阈值，并且在该频率等于或超过第二阈值时，确定该联网车辆具有基于所述第二行驶行为的第二行驶习惯。

在一个实施例中，所述预测单元被进一步配置用于：

获取该至少一个路段的实时交通密度数据；

在一个实施例中，所述预测单元被进一步配置用于根据以下方式计算所述附加交通密度：

根据本发明的又一方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。

根据本发明的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现上述任一项所述方法的步骤。

利用本发明的上述方案，能够克服现有导航方法和系统只能基于导航路径上的一个或多个路段的实时交通密度进行路径规划，而无法对这些路段在将来某时刻的交通密度进行预测的缺陷。利用本发明的上述方案的预测交通密度的方法，由于联网的车辆数目巨大，能够较为准确地学习联网车辆的行驶习惯，从而较为准确地对一个或多个路段的将来交通密度做出预测。利用本发明的上述方案的相应导航方法，能够根据预测结果，避开在导航路径上在将来某些时刻会有较高交通密度的路段，从而给出更加准确，更加优化的导航路径，显著提高通行效率。

附图说明

以示例的方式参考以下附图描述本发明的非限制性且非穷举性实施例，其中：

图1示出根据本发明的预测交通密度的方法的应用环境示意图；

图2示出根据本发明一方面的预测交通密度的方法的流程图；

图3示出根据本发明的一个实施例的预测交通密度的方法的示意图；

图4示出根据本发明一方面的预测交通密度的方法和系统进行导航的应用场景示意图；

图5示出根据本发明一方面的预测交通密度的系统的示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

具体地，本申请的预测交通密度的方法和系统用于基于联网车辆的行驶习惯对将来交通密度进行预测，从而显著提高预测的准确性。进而，可以基于更准确的预测进行导航路径的计算和规划，提供最佳的导航路径。

图1示出根据本发明的预测交通密度的方法的应用环境示意图。如图1所示，多个车辆10通过网络与云端服务器50通信。该通信可以通过与车辆一体的车载通信终端实现，也可以通过车辆用户的移动通信终端，如手机、个人计算机、笔记本电脑、平板电脑和可穿戴设备等实现。为更为完整地记录各个车辆10的行驶习惯，优选使用与车辆一体的车载通信终端。各个车辆10向云端服务器50发送车辆行驶信息，包括但不限于，车辆身份信息(ID)、全球导航卫星系统(GNSS)定位信息、时间、速度、方向盘转角等等。本领域的技术人员可以理解，这些信息都可以通过相应的车载装置获取，例如定位装置、传感器等等。其中车辆身份信息可以是专为本发明的预测交通密度的方法和系统设置的号码，也可以使用其他号码，例如车牌号、车辆识别代码(Vehicle Identification Number，VIN)、发动机号等等。云端服务器50可以是独立的服务器或者是多个服务器组成的服务器集群。

在交通路网中的某些路段，例如学校或医院附近，在某些时间段，可能会出现交通密度较大的情况，形成拥堵节点。如图1所示，在学校路段附近，可能会出现大量临时停车、调头等情况。某些轨道交通站，如火车站、地铁站附近，甚至在医院路段附近，也可能出现大量临时停车、调头的情况。这些驾驶行为容易造成拥堵，出现局部交通密度大的情况。

各车辆用户在使用车辆的过程中，根据个人生活或工作情况会形成一定的用车规律。例如，某个用户使用车辆接送学生上下学，会在早上或下午某些时间段出现在某个学校路段，并在该路段出现临时停车、调头等行驶行为。某些车辆可能经常在某时间段在地铁站附近临时停车，接送乘坐地铁的人。这样的行驶行为会重复出现，并呈现一定的规律，即该车辆具有一定的基于设定行驶行为的行驶习惯。出租车、网约车等商业运营车辆，也可能呈现类似的行驶习惯。本发明的预测交通密度的方法和系统能够根据采集的行驶信息学习联网车辆的基于这些行驶行为的行驶习惯，并利用这些行驶习惯信息对某些路段进行交通密度的预测。

图2示出根据本发明一方面的预测交通密度的方法S100的流程图。该方法包括如下步骤：

步骤S200，采集联网车辆的行驶信息；

步骤S300，根据所述行驶信息，学习联网车辆的基于一个或多个设定行驶行为的行驶习惯；

步骤S400，基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测。

结合图1的说明可知，在本发明的预测交通密度的方法S100的步骤S200中，采集联网车辆10的行驶信息，所述行驶信息包括例如车辆身份信息(ID)、GNSS定位信息、时间、速度、方向盘转角等。

在步骤S300中，云端服务器50或其他运算装置对所采集的联网车辆10的行驶信息进行学习。所述一个或多个设定行驶行为包括至少一个对交通密度造成影响的行驶行为，例如调头、临时停车等。通过对这些行驶信息的分析，确定联网车辆是否出现这些对交通密度造成影响的行驶行为，之后再分析这些行驶行为是否呈现规律性，即，是否为行驶习惯。

根据采集到的行驶信息中的GNSS定位信息、方向盘转角、速度等信息，可以确定某个车辆是否具有调头的驾驶行为。根据采集到的某个车辆的速度和时间信息，可以确定该车辆是否具有临时停车的驾驶行为。具体而言，例如，如果根据采集的行驶信息判断该车辆在某个时间段的速度为0，而该时间段之前或之后，该车辆的速度都不为0，则可确定该车辆出现停车的驾驶行为。如果该时间段较短，例如10秒，或者30秒，或其他适当的预设阈值，则确定为临时停车的驾驶行为。

在一个实施例中，所述设定行驶行为包括第一行驶行为，所述步骤S300进一步包括：

例如，该第一行驶行为可以是调头，第一时间可以是早上8:45，第一地点可以是某学校路段，如第五小学。为“早上8:45在第五小学路段调头”的出现频率设置第一阈值，例如一周内出现三次。如果从某个联网车辆10的行驶信息中，分析发现该车辆一周中有三次或更多次在早上8:45位于第五小学路段，并发生调头的行驶行为，则将“早上8:45在第五小学路段调头”设定为该联网车辆10的第一行驶习惯。

在一个实施例中，所述设定行驶行为包括第二行驶行为，所述步骤S300进一步包括：

例如，该第二行驶行为可以是临时停车，第二时间可以是晚上7:00，第二地点可以是某地铁站。为“晚上7:00在某地铁站路段临时停车”的出现频率设置第二阈值，例如一周内出现三次。如果从某个联网车辆10的行驶信息中，分析发现该车辆一周中有三次或更多次在晚上7:00位于某地铁站路段，并发生临时停车的行驶行为，则将“晚上7:00在某地铁站路段临时停车”设定为该联网车辆10的第二行驶习惯。

应当理解的是，本申请中的第一、第二行驶行为是不同的行驶行为。例如，所述第一行驶行为是调头，所述第二行驶行为是临时停车。在对联网车辆10的行驶信息进行分析，学习联网车辆的行驶习惯时，可以设定第三、第四或更多的不同的行驶行为，例如逆行、频繁变道等。还应当理解的是，本申请中的第一、第二时间可以相同，也可以不同，第一、第二地点可以相同，也可以不同。第一、第二阈值可以相同，也可以不同。同样，可以有相同或不同的第三、第四或更多的时间、第三、第四或更多的地点、第三、第四或更多的阈值。例如，同一个车辆10，可能在相同的第一、第二时间(早上8:45)，相同的第一、第二地点(第五小学)，出现不同的第一、第二行驶行为(调头及临时停车)。同一个车辆10，可以在不同的第一、第二时间(早上8:00，晚上7:00)，在相同的第一、第二地点(地铁站)，出现同样的第二行驶行为(临时停车)。

在一个实施例中，所述方法S100的步骤S400，即对至少一个路段的将来交通密度进行预测包括：

获取该至少一个路段的实时交通密度数据；

其中，可以根据现有的任何已知方法获得该至少一个路段的实时交通密度数据。例如，带有实时路况功能的现有的导航软件，均可以通过不同的计算方法获得该至少一个路段的实时交通密度数据。在该至少一个路段的实时交通密度的基础上加上附加交通密度，从而得到预测的将来交通密度。

在另一个实施例中，所述方法S100的步骤S400，即对至少一个路段的将来交通密度进行预测的步骤中，所述附加交通密度是进一步根据以下方式计算的：

图3示出根据本发明的一个实施例的预测交通密度的方法的示意图。例如，当前时刻为早上8:30，第五小学路段的实时交通密度为中等，表示为D(08:30,第五小学)＝中。在图3中，用浅灰色表示中等交通密度。如果在此时刻使用导航软件，规划某车辆到达某一目的地的路径，而第五小学在可能的路径上，由于此刻第五小学路段交通密度为中等，导航软件可能给出途经第五小学的导航路径。然而，某车辆此时出发，预计早上8:45才能到达第五小学，而在时刻早上8:45，第五小学路段的交通密度可能为高。这样，该车辆就届时无法避开第五小学这个拥堵路段。

因此，通过采集联网车辆的行驶信息，学习联网车辆的行驶习惯，则可以预测早上8:45在第五小学路段的交通密度为高，表示为D(08:45,第五小学)＝高。在图3中，用黑色表示高交通密度。具体而言，根据所学习的联网车辆的行驶习惯，例如，可得知在早上8:45，有10辆汽车会在第五小学路段进行调头的行驶行为，20辆汽车会在第五小学路段进行临时停车的行驶行为。为调头的行驶行为设置一个权值A，为临时停车的行驶行为也设置一个权值B，则附加交通密度＝10×A+20×B。将所获得的早上8:30时刻的第五小学路段的实时交通密度与该8:45的附加交通密度相加，得到预测的早上8:45时刻的第五小学路段的将来交通密度。

权值A和B，可以根据不同的行驶行为对交通密度的影响进行设置，甚至可以根据不同的行驶行为在不同的交通密度下，对交通密度产生的影响进行设置。权值A和B可以相同或不同。还可以包括更多的行驶行为，并为这些更多的行驶行为分别设置相同或不同的权值，对在将来某一时间点，进行各行驶行为的车辆数量进行加权求和，得到附加交通密度。

图4示出根据本发明一方面的预测交通密度的方法和系统进行导航的应用场景示意图。由于本发明的预测交通密度的方法和系统可以预测早上8:45时刻第五小学路段的交通密度为高，采用了本发明的导航方法即可规划出避开第五小学路段的导航路径。

应当理解的是，本发明的预测交通密度的方法可以应用于多个路段。在进行导航时，导航路径可能包括多个路段，对每个路段采用本发明的预测交通密度的方法和系统分别预测将来交通密度。例如导航路径上可能包括某医院和第五小学，当前时刻为8:00，预计到达某医院时间为8:30，预计到达第五小学时间为8:45。采用本发明的导航方法可以预测8:30某医院路段交通密度为高，8:45第五小学路段交通密度为高。这样，就可以在规划导航路径时避开这两个路段。

图5示出根据本发明一方面的预测交通密度的系统100的示意图，所述系统100包括：

信息采集单元200，被配置用于采集联网车辆的行驶信息；

学习单元300，被配置用于根据所述行驶信息，学习联网车辆的基于一个或多个设定行驶行为的行驶习惯；

预测单元400，被配置用于基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测。

在一个实施例中，所述设定行驶行为包括第一行驶行为，所述学习单元300还包括判断单元310，所述判断单元被配置用于：对于所述联网车辆中的至少一个联网车辆，判断该联网车辆在第一时间、第一地点出现所述第一行驶行为的频率是否等于或超过第一阈值，并且在该频率等于或超过第一阈值时，确定该联网车辆具有基于所述第一行驶行为的第一行驶习惯。

在一个实施例中，所述设定行驶行为包括第二行驶行为，并且所述判断单元310被进一步配置用于：对于所述联网车辆中的至少一个联网车辆，判断该联网车辆在第二时间、第二地点出现所述第二行驶行为的频率是否等于或超过第二阈值，并且在该频率等于或超过第二阈值时，确定该联网车辆具有基于所述第二行驶行为的第二行驶习惯。例如，所述第一行驶行为是调头，第二行驶行为是临时停车。

在一个实施例中，所述预测单元400被进一步配置用于：

获取该至少一个路段的实时交通密度数据；

在另一个实施例中，所述预测单元400被进一步配置用于根据以下方式计算所述附加交通密度：

关于本发明的预测交通密度的系统的更具体的说明，可以参见上文中对于本发明的预测交通密度的方法的说明，在此不再赘述。应理解上述预测交通密度的系统100中的各个单元可全部或部分通过软件、硬件及其组合来实现。上述各单元可以硬件形式(例如用于获取相应数据的接口、相应的判断电路或控制电路)内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器在执行时调用执行以上各个单元对应的操作。

在一个实施例中，提供了一种计算机设备，包括存储器及处理器，所述存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意一个实施例中的方法的步骤。该计算机设备可以是服务器或者车载终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现本发明的预测交通密度的方法。

本领域技术人员可以理解，图5中示出的预测交通密度的系统100的示意图仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。

本发明的另一方面还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现上述任一实施例所述的方法。

本领域普通技术人员可以理解实现根据本发明的上述实施例的方法中的全部或部分步骤，可以通过计算机程序来指示相关的硬件完成，所述的计算机程序可存储于非易失性的计算机可读存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的步骤。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括例如只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存等。易失性存储器可包括例如随机存取存储器(RAM)或者外部高速缓冲存储器等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

尽管结合实施例对本发明进行了描述，但本领域技术人员应理解，上文的描述和附图仅是示例性而非限制性的，本发明不限于所公开的实施例。在不偏离本发明的精神的情况下，各种改型和变体是可能的。

Claims

1.一种预测交通密度的方法，其特征在于，所述方法包括：

采集联网车辆的行驶信息；

基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测，

所述一个或多个设定行驶行为包括至少一个对交通密度造成影响的行驶行为，

其中所述对至少一个路段的将来交通密度进行预测包括：

获取该至少一个路段的实时交通密度数据；

2.根据权利要求1所述的预测交通密度的方法，其特征在于，所述设定行驶行为包括第一行驶行为，所述学习联网车辆的基于一个或多个设定行驶行为的行驶习惯包括：

3.根据权利要求2所述的预测交通密度的方法，其特征在于，所述设定行驶行为包括第二行驶行为，所述学习联网车辆的基于一个或多个设定行驶行为的行驶习惯包括：

4.根据权利要求3中所述的预测交通密度的方法，其特征在于，所述第一行驶行为是调头，所述第二行驶行为是临时停车。

5.根据权利要求1所述的预测交通密度的方法，其特征在于，所述附加交通密度是进一步根据以下方式计算的：

6.一种车辆导航方法，其特征在于，所述车辆导航方法包括：根据权利要求1-5中任一项所述的预测交通密度的方法预测至少一个路段的将来交通密度，并且根据所预测的所述至少一个路段的将来交通密度计算导航路径。

7.一种预测交通密度的系统，其特征在于，所述系统包括：

信息采集单元，被配置用于采集联网车辆的行驶信息；

预测单元，被配置用于基于实时交通密度数据以及所学习的联网车辆的行驶习惯，对至少一个路段的将来交通密度进行预测，

其中所述预测单元被进一步配置用于：

获取该至少一个路段的实时交通密度数据；

8.根据权利要求7所述的预测交通密度的系统，其特征在于，所述设定行驶行为包括第一行驶行为，并且所述学习单元还包括判断单元，所述判断单元被配置用于：

9.根据权利要求8所述的预测交通密度的系统，其特征在于，所述设定行驶行为包括第二行驶行为，并且所述判断单元被进一步配置用于：

10.根据权利要求9所述的预测交通密度的系统，其特征在于，所述第一行驶行为是调头，所述第二行驶行为是临时停车。

11.根据权利要求7所述的预测交通密度的系统，其特征在于，所述预测单元被进一步配置用于根据以下方式计算所述附加交通密度：

12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序在被处理器执行时实现权利要求1至5中任一项所述方法的步骤。