CN113066285A - 一种路况信息确定方法、装置、电子设备及存储介质 - Google Patents
一种路况信息确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113066285A CN113066285A CN202110275617.4A CN202110275617A CN113066285A CN 113066285 A CN113066285 A CN 113066285A CN 202110275617 A CN202110275617 A CN 202110275617A CN 113066285 A CN113066285 A CN 113066285A
- Authority
- CN
- China
- Prior art keywords
- predicted
- road
- track
- road section
- condition 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims description 79
- 230000004927 fusion Effects 0.000 claims description 51
- 238000013507 mapping Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 abstract description 10
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请公开了一种路况信息确定方法、装置、电子设备及存储介质,涉及数据处理技术领域,进一步涉及人工智能、深度学习及智能交通等技术,包括:根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息;在确定所述待预测路段满足图像预测调度条件的情况下,根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息;根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息。本申请实施例能够提高路况信息的准确率和时效性,从而提升用户体验。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及人工智能、深度学习及智能交通等技术。
背景技术
电子导航系统是通过导航系统天线接收导航对象如车辆等所处位置的导航信号,将导航信号通过同轴线传输给导航主机,实现导航定位的功能。目前,导航者如驾驶员通过导航系统能够及时掌握周边高速公路或城市道路等的动态交通状况,能够显示实时路况信息。导航功能中的实时路况显示功能可以使导航者能在行驶过程中实时动态查看道路信息,使导航者能够有效规避拥堵的路段,更加快速的到达目的地。现有的,电子导航系统实时路况信息发布的时效性以及拥堵的召回上效果不佳问题以及路况发布错误等问题往往会给用户造成语音播报、诱导和路线的严重错误,长时间无法纠正错误路线更会导致导航性能降低,严重的甚至会造成用户绕路、违章和交通事故等问题。
发明内容
本申请实施例提供了一种路况信息确定方法、装置、电子设备及存储介质,以提高路况信息的准确率和时效性,从而提升用户体验。
第一方面,本申请实施例提供了一种路况信息确定方法,包括:
根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息;
在确定所述待预测路段满足图像预测调度条件的情况下,根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息;
根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息。
第二方面,本申请实施例提供了一种路况信息确定装置,包括:
轨迹预测路况信息确定模块,用于根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息;
图像预测路况信息确定模块,用于在确定所述待预测路段满足图像预测调度条件的情况下,根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息;
目标预测路况信息确定模块,用于根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息。
第三方面,本申请实施例提供了一种电子设备,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第一方面实施例所提供的路况信息确定方法。
第四方面,本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面实施例所提供的路况信息确定方法。
第五方面,本申请实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面实施例所提供的路况信息确定方法。
本申请实施例通过根据待预测路段的导航轨迹数据确定待预测路段的轨迹预测路况信息,并在确定待预测路段满足图像预测调度条件时,根据待预测路段的路段图像数据确定待预测路段的图像预测路况信息,以根据轨迹预测路况信息和/或图像预测路况信息确定待预测路段最终的目标预测路况信息,实现了融合轨迹预测路况信息和图像预测路况信息共同确定目标预测路况信息的方式,解决现有技术中仅采用基于轨迹的计算方式或仅采用基于图像的计算方式获取路况信息存在的路况信息准确率和时效性较低的问题,从而提高路况信息的准确率和时效性,进而提升用户体验。
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
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是本申请实施例提供的一种路况信息确定方法的流程图;
图2是本申请实施例提供的一种路况信息确定方法的流程图;
图3是本申请实施例提供的一种路况信息确定装置的结构图;
图4是用来实现本申请实施例的路况信息确定方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请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,而不会背离本申请的范围和精神。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。
对于电子导航系统来说,目前主要有两种路况信息的计算方式,即基于轨迹的计算方式和基于图像的计算方式。其中,基于轨迹的计算方式为:根据某一段路在当前时刻之前n分钟内的获取的不同导航对象(如车辆)的轨迹速度进行加权平均得到发布速度再转换为路况的状态。或者通过训练xgboost(Extreme Gradient Boosting,极端梯度提升,一种基于决策树的集成机器学习算法)模型,以速度、轨迹量等特征作为输入,进行路况的计算。基于轨迹的计算方式优点是覆盖率高,计算效率较高,可以大规模覆盖路段。缺点是对于路况在时域维度的变化规律信息刻画不足,基于轨迹的计算存在滞后性,无法在第一时间捕捉到路况的变化趋势,在路网较为复杂的区域、轨迹稀疏区域、轨迹易错区域以及路况变化剧烈区域等轨迹质量较低的区域容易发布延迟,路况发布准确率较低,且把握路况变化规律的能力不强,无法对于时间较近且尤其是路况的剧烈变化进行有效感知。同时,该方法受轨迹的质量和数量影响较大。其中,轨迹稀疏区域例如可以是由用户关闭导航抑或是某些特殊原因(如gps信号弱无回传)导致的轨迹量为0的路段区域。在轨迹稀疏区域中,用户无法得知该路段的通行速度,也就是路况的状态。轨迹易错区域的区域例如可以是存在与实际路况不符的轨迹的路段区域,如交叉口区域或辅路区域等。在轨迹易错区域中会存在路况发布错误情况,从而会给用户造成语音播报、诱导和路线的严重错误。
基于图像的计算方式为:获取用户端采集的图像,通过检测及分割等方法对采集到的图像进行处理,以提取导航对象(如车辆)数量以及占道比等方式识别路况。基于图像的计算方式优点是不依赖轨迹质量和轨迹数量,路况信息的实时性高。确定是会覆盖率低及计算量大。尤其是在实际应用中,基于图像的计算方式会消耗大量的计算资源,带来线上的长时间延迟。同时,由于图像的传输成本较高,很多地点无法回传图像从而无法提高路况发布的覆盖率。
在一个示例中,图1是本申请实施例提供的一种路况信息确定方法的流程图,本实施例可适用于根据待预测路段的轨迹预测路况信息和/或图像预测路况信息确定待预测路段的目标预测路况信息的情况,该方法可以由路况信息确定装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中。该电子设备可以是生成路况信息的服务器设备等。相应的,如图1所示,该方法包括如下操作:
S110、根据待预测路段的导航轨迹数据确定待预测路段的轨迹预测路况信息。
其中,待预测路段可以是需要电子导航系统实时生成路况信息的路段。可以理解的是,待预测路段可以是请求电子导航系统的后端服务器(简称服务器)实时生成路况信息的导航对象所在的路段范围。可选的,导航对象可以是车辆(如汽车或电动车等)或用户个人等,只要具有导航需求的对象均可以作为导航对象,本申请实施例并不对导航对象的具体类型进行限定。导航轨迹数据可以是待预测路段上不同导航对象通过电子导航系统客户端回传的轨迹数据,可以包括但不限于车辆的轨迹数据以及行人的轨迹数据等。同理,任何可生成轨迹数据的数据类型均可以作为导航轨迹数据,本申请实施例并不对导航轨迹数据的具体数据类型进行限定。优选的,导航轨迹数据可以为车辆的轨迹数据。轨迹预测路况信息可以是根据导航轨迹数据实时预测生成的待预测路段的路况信息。
在本申请实施例中,用于确定路况信息的服务器设备可以实时获取待预测路段的导航轨迹数据,并根据实时获取的导航轨迹数据进行数据处理和计算,以利用待预测路段对应收集的轨迹数据预测待预测路段的路况,得到待预测路段对应的轨迹预测路况信息。
通过导航轨迹数据预测路况信息的优点是:轨迹数据的特征的覆盖区域广同时计算开销小,对服务器的存储和计算资源的消耗可控,适合大规模采用。
S120、在确定待预测路段满足图像预测调度条件的情况下,根据待预测路段的路段图像数据确定待预测路段的图像预测路况信息。
其中,图像预测调度条件可以是用于判断是否触发基于图像的计算方式对待预测路段采集到的图像预测路况信息的条件。路段图像数据可以是导航对象的客户端实时采集到的待预测路段的图像。图像预测路况信息可以是根据路段图像数据实时预测生成的待预测路段的路况信息。示例性的,当导航对象为车辆时,服务器预测的路况信息(包括轨迹预测路况信息和图像预测路况信息)可以包括但不限于单车速度、多车平均速度和拥堵情况等。也即,预测的路况信息只要能够反映待预测路段的实时路况即可,本申请实施例同样不对路况信息的具体信息类型进行限定。
可以理解的是,通过路段图像数据预测路况信息的优点是:路段图像数据更直观,可以避免轨迹质量和数量的影响。但是通过路段图像数据预测路况信息需要较高的计算资源的开销以及图像采集成本,如果基于图像的计算方式应用过多,会导致路况信息计算的线上长时间延迟。因此,为了综合利用基于轨迹和基于图像的两种路况信息的计算方式的优势,本申请实施例可以设置实时触发基于图像的计算方式的图像预测调度条件。也即,只有在待预测路段满足图像预测调度条件的情况下,服务器才会指示客户端实时采集并回传待预测路段的路段图像数据,并根据获取的路段图像数据确定采用基于图像的计算方式计算待预测路段的图像预测路况信息。
可选的,通常情况下,当待预测路段的导航轨迹数据质量较低时,可以确定待预测路段满足图像预测调度条件。例如,当待预测路段的导航轨迹数据较少甚至为0、导航轨迹数据存在错误或出现剧烈变化时,均可以认为待预测路段满足图像预测调度条件,本申请实施例并不对待预测路段满足图像预测调度条件的判断方式进行限定。
S130、根据轨迹预测路况信息和/或图像预测路况信息确定待预测路段的目标预测路况信息。
其中,目标预测路况信息可以是服务器对待预测路段最终确定的路况信息,该路况信息可以是轨迹预测路况信息或图像预测路况信息,可以反馈至客户端进行显示,以指导导航对象的行驶策略。本申请实施例并不对目标预测路况信息的信息计算方式进行限定。
可以理解的是,为了提高路况信息的计算效率和实时性,服务器首先采用导航轨迹数据实时生成待预测路段的轨迹预测路况信息。当服务器确定待预测路段满足图像预测调度条件时,可以同时根据待预测路段的路段图像数据实时生成待预测路段的图像预测路况信息。此时,服务器可以根据一定的策略从轨迹预测路况信息和图像预测路况信息中选择一种最为理想的预测路况信息作为目标预测路况信息,以保证目标预测路况信息的准确率和时效性。相应的,如果待预测路段不满足图像预测调度条件,则基于图像的计算方式不会被触发,此时服务器仅采用基于轨迹的方式计算得到轨迹预测路况信息,因此可以直接将轨迹预测路况信息作为目标预测路况信息。
上述技术方案,通过采用基于轨迹的计算方式和基于图像的计算方式相互补充,可以兼顾两种计算方式的优势,从而保证最终生成的目标预测路况信息的准确率和时效性,可以提高路况召回率,显著降低路况发布的时效性问题,正确进行路线规划和导航播报,保障了导航对象在道路选择上的合理性,从而科学地指导用户出行,降低用户被误导的概率,节约用户的出行时间,持续提升用户的路况感知体验。
本申请实施例通过根据待预测路段的导航轨迹数据确定待预测路段的轨迹预测路况信息,并在确定待预测路段满足图像预测调度条件时,根据待预测路段的路段图像数据确定待预测路段的图像预测路况信息,以根据轨迹预测路况信息和/或图像预测路况信息确定待预测路段最终的目标预测路况信息,实现了融合轨迹预测路况信息和图像预测路况信息共同确定目标预测路况信息的方式,解决现有技术中仅采用基于轨迹的计算方式或仅采用基于图像的计算方式获取路况信息存在的路况信息准确率和时效性较低的问题,从而提高路况信息的准确率和时效性,进而提升用户体验。
在一个示例中,图2是本申请实施例提供的一种路况信息确定方法的流程图,本申请实施例在上述各实施例的技术方案的基础上,进行了优化改进,给出了确定轨迹预测路况信息和图像预测路况信息,以及根据轨迹预测路况信息或图像预测路况信息确定目标预测路况信息多种具体可选的实现方式。
如图2所示的一种路况信息确定方法,包括:
S210、获取目标地图客户端针对待预测路段实时回传的导航轨迹数据。
其中,目标地图客户端可以是在待预测路段上生成行驶轨迹的地图客户端。
在本申请实施例中,服务器可以实时获取目标地图客户端针对待预测路段实时回传的导航轨迹数据,以采用基于轨迹的方式计算轨迹预测路况信息。
S220、提取导航轨迹数据的导航轨迹特征。
其中,导航轨迹特征可以是提供导航轨迹数据的导航对象对应的导航轨迹的特征,可以反应当前待预测路段上目标导航对象的轨迹规律。
具体的,服务器可以从导航轨迹数据中提取待预测路段上目标导航对象对应的导航轨迹的导航轨迹特征。
可以理解的是,待预测路段中可能存在多种不同类型的导航对象,如汽车、电动车或行人等。因此,服务器在同一待预测路段对不同类型的导航对象确定实时的路况信息时,可以根据实际需求选择部分或全部的导航轨迹数据并提取导航轨迹特征。示例性的,服务器针对汽车可以提取待预测路段上全部车辆的导航轨迹数据来确定路况信息,针对电动车和行人则可以提取待预测路段上全部导航对象(即汽车、电动车和行人等)的导航轨迹数据来确定路况信息。
S230、将导航轨迹特征输入至轨迹计算模型,得到轨迹预测路况信息。
其中,轨迹计算模型可以是任意类型的用于计算轨迹预测路况信息的模型。可选的,轨迹计算模型可以采用现有的深度学习方式进行训练和应用,可以是seq2seq(Sequence to Sequence,序列到序列)模型等,本申请实施例并不对轨迹计算模型的具体模型类型进行限定。
相应的,在得到导航轨迹特征之后,可以将提取的导航轨迹特征输入至预先训练好的轨迹计算模型,以通过轨迹计算模型计算输出轨迹预测路况信息。
上述技术方案,通过利用轨迹计算模型可以快速计算待预测路段的轨迹预测路况信息,从而保障路况信息的实时性。
需要说明的是,在本申请的技术方案中,所涉及的导航轨迹数据的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
S240、判断待预测路段是否满足图像预测调度条件,若是,则执行S250,否则执行S280。
在本申请的一个可选实施例中,确定待预测路段满足图像预测调度条件,可以包括:获取待预测路段的路段关联数据;其中,路段关联数据可以包括路段类型以及当前系统时间;在确定路段关联数据满足路段类型时间约束条件的情况下,确定待预测路段满足图像预测调度条件。
其中,路段关联数据可以是能够反映待预测路段特征的相关数据,路段类型可以是待预测路段的类型,如拥堵路段或交叉口路段等,可以根据路段日常的交通情况和路段本身的结构构造确定,本申请实施例并不对路段类型的具体内容进行限定。当前系统时间则可以是服务器当前用于确定路况信息的时间。路段类型时间约束条件可以是根据路段类型和当前系统时间确定的,用于判断待预测路段是否满足图像预测调度条件的判断条件。
可选的,服务器在判断待预测路段是否满足图像预测调度条件时,可以获取待预测路段的路段类型以及当前系统时间等路段关联数据,并判断获取的路段类型以及当前系统时间等路段关联数据是否满足路段类型时间约束条件。如果确定路段类型以及当前系统时间等路段关联数据满足路段类型时间约束条件,则确定待预测路段满足图像预测调度条件,否则,确定待预测路段不满足图像预测调度条件。可选的,服务器可以从导航轨迹数据、轨迹预测路况信息或地图客户端上传的导航数据如GPS(Global Positioning System,全球定位系统)数据等获取路段关联数据,本申请实施例并不对路段关联数据的获取方式进行限定。
示例性的,路段类型可以包括第一路段类型和第二路段类型。其中,第一路段类型可以是不需要调用基于图像的计算方式计算路况信息的路段,具体可以是轨迹数据质量较高的路段,如高速公路、快速路和通车顺畅的城市道路等路段。第二路段类型可以是需要调用基于图像的计算方式计算路况信息的路段,具体可以是轨迹数据质量较低的路段,如拥堵路段、轨迹数据变化剧烈的路段以及轨迹数据易出错的路段等,本申请实施例并不对第一路段类型和第二路段类型的具体路段类型进行限定。相应的,服务器可以根据待预测路段的路段类型结合当前系统时间判断待预测路段中当前时刻的轨迹数据的质量,并根据当前时刻的轨迹数据的质量确定待预测路段在当前时刻的路段类型,从根据待预测路段在当前时刻的路段类型实时判断是否需要调用基于图像的计算方式计算路况信息。
在一个具体的例子中,假设城市道路A在7:00-8:00的时间范围内轨迹数据的质量较低,可以作为第二路段类型调用基于图像的计算方式计算路况信息。相应的,如果服务器当前计算路况信息的待预测路段为城市道路A,且当前系统时间为7:30,则确定该待预测路段的路段类型为第二路段类型,并确定待预测路段满足图像预测调度条件,可以根据待预测路段的路段图像数据确定待预测路段的图像预测路况信息。
上述技术方案,通过根据路段类型以及当前系统时间等路段关联数据判断待预测路段是否满足图像预测调度条件,可以实现根据待预测路段的历史计算数据快速预测待预测路段的轨迹数据的质量,从而提高基于图像的计算方式的调度速度。
在本申请的一个可选实施例中,第二路段类型可以包括低速轨迹量路段和轨迹量易错路段中的至少一个;路况信息确定方法还可以包括:获取各个路段的路段轨迹统计数据;在根据路段轨迹统计数据确定目标路段在预设时间段内的低速轨迹数量大于或等于第一设定轨迹量阈值的情况下,将目标路段确定为低速轨迹量路段;在根据路段轨迹统计数据确定目标路段的错误轨迹数量大于或等于第二设定轨迹量阈值的情况下,将目标路段确定为轨迹量易错路段。
其中,路段轨迹统计数据可以是服务器对各个路段的历史产生的导航轨迹数据进行统计得到的数据,可以反应每个路段在历史状态下的轨迹数据的质量。目标路段可以是各个路段中用于确定路段类型的路段。预设时间段可以是任意设置的时间段,本申请实施例并不对预设时间段的时间段范围进行限定。低速轨迹数量可以是目标路段的路段轨迹统计数据中速度(如平均速度等)小于某一速度阈值的导航轨迹数据的数量。第一设定轨迹量阈值可以是根据实际需求设定的数值,如50、60或80等,本申请实施例并不对第一设定轨迹量阈值的具体数值进行限定。低速轨迹量路段可以是历史的导航轨迹数据对应的行驶速度较低的路段,可以理解为拥堵路段。错误轨迹数量可以是目标路段的路段轨迹统计数据存在错误的导航轨迹数据的数量。第二设定轨迹量阈值同样可以是根据实际需求设定的数值,如10、20或30等,本申请实施例同样不对第二设定轨迹量阈值的具体数值进行限定。轨迹量易错路段可以是历史的导航轨迹数据容易出现错误的路段,例如高速上/下路口或交叉口路段等。
在本申请实施例中,服务器在对待预测路段实时计算路况信息之前,可以首先对每个路段进行分析,以确定第一路段类型和第二路段类型。可选的,服务器可以对各个路段的路段轨迹统计数据进行获取和分析,如果确定某一目标路段在预设时间段内的低速轨迹数量大于或等于第一设定轨迹量阈值,表明该目标路段在预设时间段内容易出现拥堵情况,可以将该目标路段确定为低速轨迹量路段。如果确定某一目标路段的错误轨迹数量大于或等于第二设定轨迹量阈值,表明该目标路段容易产生错误轨迹数据,则将该目标路段确定为轨迹量易错路段。相应的,其他路段的轨迹数据质量较高,可以确定为第一路段类型。
上述技术方案,通过服务器预先根据各个路段的路段轨迹统计数据配置各个路段的路段类型,可以在计算待预测路段的路况信息时,根据待预测路段的路段名称快速确定待预测路段的路段类型。
在本申请的一个可选实施例中,路况信息确定方法还可以包括:获取低速轨迹量路段中目标数量的时间窗口的轨迹数据量,并根据各轨迹数据量计算轨迹量方差;在确定轨迹量方差大于或等于预设方差阈值的情况下,将目标数量的时间窗口构成的时间区间确定为第一融合策略调度时间;建立低速轨迹量路段与第一融合策略调度时间之间的映射关系;计算轨迹量易错路段中错误轨迹量的集中时间区间,将集中时间区间确定为第二融合策略调度时间;建立轨迹量易错路段与第二融合策略调度时间之间的映射关系。
其中,时间窗口可以根据实际需求设定,如设定若干分钟为一时间窗口,本申请实施例并不对时间窗口对应的具体时间段进行限定。轨迹数据量也即待预测路段在目标数量的时间窗口内总共生成的导航轨迹数据的数量。轨迹量方差可以是目标数量的时间窗口包括的导航轨迹数据之间的方差。预设方差阈值可以是根据实际需求设定的阈值,可以用于判断待预测路段在目标数量的时间窗口内组成的时间区间内的轨迹数据的波动性。第一融合策略调度时间可以是目标数量的时间窗口构成的时间区间,如低速轨迹量路段对应的易拥堵时间区间等。错误轨迹量可以是错误的导航轨迹数据的数量。集中时间区间可以是轨迹量易错路段中错误的导航轨迹数据的集中分布的时间。第二融合策略调度时间可以是错误轨迹数据的集中分布时间区间,如轨迹量易错路段对应的早高峰或晚高峰时间区间等。本申请实施例并不对第一融合策略调度时间和第二融合策略调度时间的具体时间区间范围进行限定。
相应的,服务器在从各个路段中确定低速轨迹量路段和轨迹量易错路段之后,可以进一步对低速轨迹量路段和轨迹量易错路段进行分析,以从低速轨迹量路段和轨迹量易错路段中筛选出较低质量的轨迹数据的分布时间区间。可选的,服务器可以设定若干分钟为一时间窗口,当根据低速轨迹量路段对应的目标数量的时间窗口内的轨迹数据量计算得到的轨迹量方差大于或等于预设方差阈值时,表明该段时间内生成的导航轨迹数据的质量较低,可以将目标数量的时间窗口构成的时间区间确定为第一融合策略调度时间,并建立低速轨迹量路段与第一融合策略调度时间之间的映射关系。也即当到达第一融合策略调度时间时,与第一融合策略调度时间建立映射关系的低速轨迹量路段内生成的导航轨迹数据的质量较低。同时,服务器还可以计算轨迹量易错路段中错误轨迹量的集中分布的集中时间区间,将该集中时间区间确定为第二融合策略调度时间,并建立轨迹量易错路段与第二融合策略调度时间之间的映射关系。也即,当到达第二融合策略调度时间时,与第二融合策略调度时间建立映射关系的轨迹量易错路段内生成的导航轨迹数据的质量较低。可以理解的是,不同的低速轨迹量路段可以与不同的第一融合策略调度时间建立映射关系,也即不同的低速轨迹量路段对应的质量较低的导航轨迹数据可以分布在不同的时间段。同理,不同的轨迹量易错路段可以与不同的第二融合策略调度时间建立映射关系,也即不同的轨迹量易错路段对应的质量较低的导航轨迹数据可以分布在不同的时间段。
上述技术方案,通过对各低速轨迹量路段确定第一融合策略调度时间,并对各轨迹量易错路段确定第二融合策略调度时间,可以从低速轨迹量路段中筛选出轨迹数据量波动较大的时间区间,并从轨迹量易错路段中筛选出轨迹数据易出错的时间区间。
S250、获取目标地图客户端针对待预测路段实时回传的路段图像数据。
相应的,如果服务器确定待预测路段满足图像预测调度条件,则可以触发调度基于图像的计算方式计算路况信息。当基于图像的计算方式被调度时,服务器可以实时获取目标地图客户端针对待预测路段实时回传的路段图像数据。
S260、将路段图像数据输入至图像计算模型,得到图像预测路况信息。
其中,图像计算模型可以是任意类型的用于计算图像预测路况信息的模型。可选的,图像计算模型可以采用现有的深度学习方案如“分割模型+检测模型+分类模型”的方式进行训练和应用,其中,分割模型可以是语义分割模型,如Deeplab(一种语义图像分割模型)等,检测模型可以是目标检测模型,如Yolo(一种目标检测模型)等,分类模型例如可以是(Deep residual network,深度残差网络)等,本申请实施例并不对图像计算模型的具体模型类型进行限定。
相应的,在得到路段图像数据之后,可以将路段图像数据输入至预先训练好的图像计算模型,以通过图像计算模型计算输出图像预测路况信息。
上述技术方案,通过利用图像计算模型可以实现按需计算待预测路段的图像预测路况信息,从而针对轨迹数据质量较低的待预测路段保障路况信息的实时性。
需要说明的是,在本申请的技术方案中,所涉及的路段图像数据的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
S270、根据轨迹预测路况信息和/或图像预测路况信息确定待预测路段的目标预测路况信息。
在本申请的一个可选实施例中,根据轨迹预测路况信息和/或图像预测路况信息确定待预测路段的目标预测路况信息,可以包括:在确定路段类型为第一路段类型的情况下,将轨迹预测路况信息确定为目标预测路况信息;在确定路段类型为第二路段类型且当前系统时间满足融合策略调度时间的情况下,根据轨迹预测路况信息、图像预测路况信息和预测结果融合规则确定目标预测路况信息。
其中,融合策略调度时间可以是第一融合策略调度时间或第二融合策略调度时间。预测结果融合规则可以用于从轨迹预测路况信息和图像预测路况信息中筛选目标预测路况信息。
在本申请实施例中,服务器可以首先判断待预测路段的路段类型。如果确定待预测路段的路段类型为第一路段类型,表明待预测路段内当前生成的导航轨迹数据的质量较高,不满足图像预测调度条件,则可以直接将计算得到的轨迹预测路况信息确定为目标预测路况信息。如果确定待预测路段的路段类型为第二路段类型,并且当前系统时间满足融合策略调度时间,表明待预测路段当前生成的导航轨迹数据的质量可能较低,满足图像预测调度条件,则可以实时计算待预测路段的图像预测路况信息。例如,当待预测路段的路段类型为低速轨迹量路段,且当前系统时间在该低速轨迹量路段对应的第一融合策略调度时间范围内,或者,当待预测路段的路段类型为轨迹量易错路段,且当前系统时间在该轨迹量易错路段对应的第二融合策略调度时间范围内,则确定待预测路段满足图像预测调度条件,可以实时计算待预测路段的图像预测路况信息。相应的,在服务器计算得到图像预测路况信息之后,可以进一步根据预测结果融合规则从轨迹预测路况信息和图像预测路况信息中选择其中一种预测路况信息作为目标预测路况信息。
上述技术方案,通过根据待预测路段的路段类型确定匹配的目标预测路况信息,实现了基于图像和轨迹的联合学习方法,通过预测结果融合规则整合图像计算结果和轨迹计算结果,兼顾图像计算结果和轨迹计算结果的优势,有效解决轨迹数据质量较低时路况信息发布延迟以及准确率低等问题,在合理使用计算资源的同时也节约了大量计算和存储资源。
在本申请的一个可选实施例中,根据轨迹预测路况信息、图像预测路况信息和预测结果融合规则确定目标预测路况信息,可以包括:获取图像预测路况信息的图像预测信息置信度和图像计算特征;根据图像预测信息置信度的取值确定轨迹预测路况信息或图像预测路况信息作为目标预测路况信息。
其中,图像预测信息置信度可以是图像预测路况信息的可靠程度。图像计算特征可以是导航对象以及待预测路段上其他行驶对象的导航轨迹数据的相关特征,示例性的,当导航对象为车辆时,图像计算特征可以包括但不限于车辆速度、位置差、分割路面面积、分割车辆面积、路面宽度/深度、路面占实际路面占比、车辆占实际路面占比以及车辆数量等特征。
可选的,除了图像预测路况信息,服务器还可以根据多帧的路段图像数据和图像计算模型生成的图像预测路况信息对应的图像预测信息置信度以及图像计算特征。相应的,服务器进一步可以根据图像预测信息置信度的取值从轨迹预测路况信息和图像预测路况中筛选目标预测路况信息。
在本申请的一个可选实施例中,根据图像预测信息置信度的取值确定轨迹预测路况信息或图像预测路况信息作为目标预测路况信息,可以包括:在确定图像预测信息置信度的取值属于高置信度区间的情况下,将图像预测路况信息确定为目标预测路况信息;在确定图像预测信息置信度的取值属于低置信度区间的情况下,将轨迹预测路况信息确定为目标预测路况信息。
其中,高置信度区间可以是置信度的取值较高的区间,如[95%,100%]。低置信度区间可以是置信度的取值较低的区间,如[0%,50%]。本申请实施例并不对高置信度区间和低置信度区间的区间范围进行限定。
可选的,服务器如果确定图像预测信息置信度的取值属于高置信度区间,表明图像预测路况信息的可靠程度较高,则可以将图像预测路况信息确定为目标预测路况信息。服务器如果确定图像预测信息置信度的取值属于低置信度区间,表明图像预测路况信息的可靠程度较低,则可以将轨迹预测路况信息确定为目标预测路况信息。这样设置的好处是:在确定图像预测路况信息具有足够的准确率的情况下,才使用图像预测路况信息作为目标预测路况信息,可以包括目标预测路况信息的准确率。
在本申请的一个可选实施例中,根据图像预测信息置信度的取值确定轨迹预测路况信息或图像预测路况信息作为目标预测路况信息,可以包括:在确定图像预测信息置信度的取值属于中置信度区间的情况下,将图像计算特征输入至预测结果决策模型,并获取预测结果决策模型的决策结果;在确定决策结果为第一决策结果的情况下,将图像预测路况信息确定为目标预测路况信息;在确定决策结果为第二决策结果的情况下,将轨迹预测路况信息确定为目标预测路况信息。
其中,中置信度区间可以是置信度的取值适中的区间,如(50%,95%),本申请实施例并不对中置信度区间的区间范围进行限定。预测结果决策模型可以用于根据图像计算特征输出决策结果,以根据决策结果选择图像预测路况信息或轨迹预测路况信息作为目标预测路况信息。第一决策结果可以用于表征需要采用图像预测路况信息替换轨迹预测路况信息作为目标预测路况信息。第二决策结果可以用于表征不需要采用图像预测路况信息替换轨迹预测路况信息作为目标预测路况信息,也即仍采用轨迹预测路况信息作为目标预测路况信息。可选的,第一决策结果可以为替换,第二决策结果可以为不替换。
在本申请实施例中,服务器可以预先根据图像样本数据利用图像计算产出的图像计算特征训练预测结果决策模型。例如,可以采用分类正确的图像样本数据训练预测结果决策模型,得到预测结果决策模型的替换标签;同时,采用分类错误的图像样本数据训练预测结果决策模型,得到预测结果决策模型的不替换标签。相应的,如果服务器确定图像预测信息置信度的取值属于中置信度区间,表明图像预测路况信息的可靠程度适中,也即图像预测路况信息和轨迹预测路况信息的准确率均不是很高,则服务器可以进一步将图像预测路况信息的图像计算特征输入至预先训练好的预测结果决策模型,并获取预测结果决策模型的决策结果。如果服务器获取预测结果决策模型的决策结果为第一决策结果,如替换,表明图像预测路况信息的准确率相对较高,需要采用图像预测路况信息替换轨迹预测路况信息作为目标预测路况信息,则服务器可以将图像预测路况信息确定为目标预测路况信息。如果服务器获取的决策结果为第二决策结果,如不替换,表明轨迹预测路况信息的准确率相对较高,不需要采用图像预测路况信息替换轨迹预测路况信息作为目标预测路况信息,则服务器可以将轨迹预测路况信息确定为目标预测路况信息。
上述技术方案,通过利用预测结果决策模型对图像计算特征进行决策分类,以根据决策分类结果决定是否采用图像预测路况信息替换轨迹预测路况信息作为目标预测路况信息,可以保证在图像预测路况信息和轨迹预测路况信息的准确率均不是很高的情况下,筛选出准确率相对较高的预测路况信息作为目标预测路况信息,从而进一步保障目标预测路况信息的准确率。
在本申请的一个可选实施例中,路况信息确定方法还可以包括:获取正确图像预测路况样本的第一置信度分布数据和错误图像预测路况样本的第二置信度分布数据;根据第一置信度分布数据确定高置信度阈值和中置信度上边界阈值;根据第二置信度分布数据确定低置信度阈值和中置信度下边界阈值;根据高置信度阈值、中置信度上边界阈值、中置信度下边界阈值和低置信度阈值确定高置信度区间、中置信度区间和低置信度区间。
其中,正确图像预测路况样本可以是图像预测路况信息正确的样本数据。第一置信度分布数据可以是正确图像预测路况样本对应的图像预测信息置信度的数据。错误图像预测路况样本可以是图像预测路况信息错误的样本数据。第二置信度分布数据可以是错误图像预测路况样本对应的图像预测信息置信度的数据。高置信度阈值可以是用于确定高置信度区间的下边界的阈值,高置信度区间的上边界的阈值可以默认为100%。中置信度上边界阈值可以是中置信度区间的上边界阈值,中置信度下边界阈值可以是中置信度区间的下边界阈值。低置信度阈值可以是用于确定低置信度区间的上边界的阈值,低置信度区间的下边界的阈值可以默认为0%。
服务器在利用图像预测信息置信度的取值筛选目标预测路况信息之前,首先需要确定各个置信度区间范围。可选的,服务器可以获取正确图像预测路况样本,并根据正确图像预测路况样本对应的第一置信度分布数据确定高置信度阈值和中置信度上边界阈值。同时,服务器还可以获取错误图像预测路况样本,并根据错误图像预测路况样本对应的第二置信度分布数据确定低置信度阈值和中置信度下边界阈值。进一步的,服务器可以根据高置信度阈值和默认设置的高置信度区间的上边界阈值确定高置信度区间,根据中置信度上边界阈值和中置信度下边界阈值确定中置信度区间,并根据低置信度阈值和默认设置的低置信度区间的下边界阈值确定低置信度区间。不同置信度区间的设置可以对图像预测路况信息的准确度进行判断,进而根据判断结果确定是否需要采用图像预测路况信息作为目标预测路况信息,可以有效提高目标预测路况信息的准确率。
S280、将轨迹预测路况信息确定为待预测路段的目标预测路况信息。
上述技术方案,通过结合路况信息中基于图像的计算方式和基于轨迹的计算方式的优势,可以有效融合基于图像的计算结果和基于轨迹的计算结果,从而提高目标预测路况信息的准确率和实时性,从而提升用户体验。
在一个示例中,图3是本申请实施例提供的一种路况信息确定装置的结构图,本申请实施例可适用于根据待预测路段的轨迹预测路况信息和/或图像预测路况信息确定待预测路段的目标预测路况信息的情况,该装置通过软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是生成路况信息的服务器设备等。
如图3所示的一种路况信息确定装置300,包括:轨迹预测路况信息确定模块310、图像预测路况信息确定模块320和目标预测路况信息确定模块330。其中,
轨迹预测路况信息确定模块310,用于根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息;
图像预测路况信息确定模块320,用于在确定所述待预测路段满足图像预测调度条件的情况下,根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息;
目标预测路况信息确定模块330,用于根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息。
本申请实施例通过根据待预测路段的导航轨迹数据确定待预测路段的轨迹预测路况信息,并在确定待预测路段满足图像预测调度条件时,根据待预测路段的路段图像数据确定待预测路段的图像预测路况信息,以根据轨迹预测路况信息和/或图像预测路况信息确定待预测路段最终的目标预测路况信息,实现了融合轨迹预测路况信息和图像预测路况信息共同确定目标预测路况信息的方式,解决现有技术中仅采用基于轨迹的计算方式或仅采用基于图像的计算方式获取路况信息存在的路况信息准确率和时效性较低的问题,从而提高路况信息的准确率和时效性,进而提升用户体验。
可选的,轨迹预测路况信息确定模块310具体用于:获取目标地图客户端针对所述待预测路段实时回传的导航轨迹数据;提取所述导航轨迹数据的导航轨迹特征;将所述导航轨迹特征输入至轨迹计算模型,得到所述轨迹预测路况信息。
可选的,图像预测路况信息确定模块320具体用于:获取所述待预测路段的路段关联数据;其中,所述路段关联数据包括路段类型以及当前系统时间;在确定所述路段关联数据满足路段类型时间约束条件的情况下,确定所述待预测路段满足所述图像预测调度条件;获取目标地图客户端针对所述待预测路段实时回传的路段图像数据;将所述路段图像数据输入至图像计算模型,得到所述图像预测路况信息。
可选的,目标预测路况信息确定模块330具体用于:在确定所述路段类型为第一路段类型的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息;在确定所述路段类型为第二路段类型且所述当前系统时间满足融合策略调度时间的情况下,根据所述轨迹预测路况信息、所述图像预测路况信息和预测结果融合规则确定所述目标预测路况信息。
可选的,所述第二路段类型包括低速轨迹量路段和轨迹量易错路段中的至少一个;路况信息确定装置还包括:路段轨迹统计数据获取模块,用于获取各个路段的路段轨迹统计数据;低速轨迹量路段确定模块,用于在根据所述路段轨迹统计数据确定目标路段在预设时间段内的低速轨迹数量大于或等于第一设定轨迹量阈值的情况下,将所述目标路段确定为所述低速轨迹量路段;轨迹量易错路段确定模块,用于在根据所述路段轨迹统计数据确定目标路段的错误轨迹数量大于或等于第二设定轨迹量阈值的情况下,将所述目标路段确定为所述轨迹量易错路段。
可选的,路况信息确定装置还包括:映射关系建立模块,用于:获取所述低速轨迹量路段中目标数量的时间窗口的轨迹数据量,并根据各所述轨迹数据量计算轨迹量方差;在确定所述轨迹量方差大于或等于预设方差阈值的情况下,将所述目标数量的时间窗口构成的时间区间确定为第一融合策略调度时间;建立所述低速轨迹量路段与所述第一融合策略调度时间之间的映射关系;计算所述轨迹量易错路段中错误轨迹量的集中时间区间,将所述集中时间区间确定为第二融合策略调度时间;建立所述轨迹量易错路段与所述第二融合策略调度时间之间的映射关系。
可选的,目标预测路况信息确定模块330具体用于:获取所述图像预测路况信息的图像预测信息置信度和图像计算特征;根据所述图像预测信息置信度的取值确定所述轨迹预测路况信息或所述图像预测路况信息作为所述目标预测路况信息。
可选的,目标预测路况信息确定模块330具体用于:在确定所述图像预测信息置信度的取值属于高置信度区间的情况下,将所述图像预测路况信息确定为所述目标预测路况信息;在确定所述图像预测信息置信度的取值属于低置信度区间的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息。
可选的,目标预测路况信息确定模块330具体用于:在确定所述图像预测信息置信度的取值属于中置信度区间的情况下,将所述图像计算特征输入至预测结果决策模型,并获取所述预测结果决策模型的决策结果;在确定所述决策结果为第一决策结果的情况下,将所述图像预测路况信息确定为所述目标预测路况信息;在确定所述决策结果为第二决策结果的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息。
可选的,路况信息确定装置还包括置信度区间确定模块,用于:获取正确图像预测路况样本的第一置信度分布数据和错误图像预测路况样本的第二置信度分布数据;根据所述第一置信度分布数据确定高置信度阈值和中置信度上边界阈值;根据所述第二置信度分布数据确定低置信度阈值和中置信度下边界阈值;根据所述高置信度阈值、所述中置信度上边界阈值、所述中置信度下边界阈值和所述低置信度阈值确定所述高置信度区间、所述中置信度区间和所述低置信度区间。
上述路况信息确定装置可执行本申请任意实施例所提供的路况信息确定方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请任意实施例提供的路况信息确定方法。
由于上述所介绍的路况信息确定装置为可以执行本申请实施例中的路况信息确定方法的装置,故而基于本申请实施例中所介绍的路况信息确定方法,本领域所属技术人员能够了解本实施例的路况信息确定装置的具体实施方式以及其各种变化形式,所以在此对于该路况信息确定装置如何实现本申请实施例中的路况信息确定方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中路况信息确定方法所采用的装置,都属于本申请所欲保护的范围。
在一个示例中,本公开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。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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。
计算单元401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401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401执行上文所描述的各个方法和处理,例如路况信息确定方法。例如,在一些实施例中,路况信息确定方法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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的路况信息确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行路况信息确定方法。
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)、区块链网络和互联网。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
本申请实施例通过根据待预测路段的导航轨迹数据确定待预测路段的轨迹预测路况信息,并在确定待预测路段满足图像预测调度条件时,根据待预测路段的路段图像数据确定待预测路段的图像预测路况信息,以根据轨迹预测路况信息或图像预测路况信息确定待预测路段最终的目标预测路况信息,实现了融合轨迹预测路况信息和图像预测路况信息共同确定目标预测路况信息的方式,解决现有技术中仅采用基于轨迹的计算方式或仅采用基于图像的计算方式获取路况信息存在的路况信息准确率和时效性较低的问题,从而提高路况信息的准确率和时效性,进而提升用户体验。
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,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,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。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种路况信息确定方法,包括:
根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息;
在确定所述待预测路段满足图像预测调度条件的情况下,根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息;
根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息。
2.根据权利要求1所述的方法,其中,所述根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息,包括:
获取目标地图客户端针对所述待预测路段实时回传的导航轨迹数据;
提取所述导航轨迹数据的导航轨迹特征;
将所述导航轨迹特征输入至轨迹计算模型,得到所述轨迹预测路况信息。
3.根据权利要求1所述的方法,所述确定所述待预测路段满足图像预测调度条件,包括:
获取所述待预测路段的路段关联数据;其中,所述路段关联数据包括路段类型以及当前系统时间;
在确定所述路段关联数据满足路段类型时间约束条件的情况下,确定所述待预测路段满足所述图像预测调度条件;
所述根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息,包括:
获取目标地图客户端针对所述待预测路段实时回传的路段图像数据;
将所述路段图像数据输入至图像计算模型,得到所述图像预测路况信息。
4.根据权利要求3所述的方法,所述根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息,包括:
在确定所述路段类型为第一路段类型的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息;
在确定所述路段类型为第二路段类型且所述当前系统时间满足融合策略调度时间的情况下,根据所述轨迹预测路况信息、所述图像预测路况信息和预测结果融合规则确定所述目标预测路况信息。
5.根据权利要求4所述的方法,所述第二路段类型包括低速轨迹量路段和轨迹量易错路段中的至少一个;
所述方法还包括:
获取各个路段的路段轨迹统计数据;
在根据所述路段轨迹统计数据确定目标路段在预设时间段内的低速轨迹数量大于或等于第一设定轨迹量阈值的情况下,将所述目标路段确定为所述低速轨迹量路段;
在根据所述路段轨迹统计数据确定目标路段的错误轨迹数量大于或等于第二设定轨迹量阈值的情况下,将所述目标路段确定为所述轨迹量易错路段。
6.根据权利要求5所述的方法,还包括:
获取所述低速轨迹量路段中目标数量的时间窗口的轨迹数据量,并根据各所述轨迹数据量计算轨迹量方差;
在确定所述轨迹量方差大于或等于预设方差阈值的情况下,将所述目标数量的时间窗口构成的时间区间确定为第一融合策略调度时间;
建立所述低速轨迹量路段与所述第一融合策略调度时间之间的映射关系;
计算所述轨迹量易错路段中错误轨迹量的集中时间区间,将所述集中时间区间确定为第二融合策略调度时间;
建立所述轨迹量易错路段与所述第二融合策略调度时间之间的映射关系。
7.根据权利要求4所述的方法,其中,所述根据所述轨迹预测路况信息、所述图像预测路况信息和预测结果融合规则确定所述目标预测路况信息,包括:
获取所述图像预测路况信息的图像预测信息置信度和图像计算特征;
根据所述图像预测信息置信度的取值确定所述轨迹预测路况信息或所述图像预测路况信息作为所述目标预测路况信息。
8.根据权利要求7所述的方法,其中,所述根据所述图像预测信息置信度的取值确定所述轨迹预测路况信息或所述图像预测路况信息作为所述目标预测路况信息,包括:
在确定所述图像预测信息置信度的取值属于高置信度区间的情况下,将所述图像预测路况信息确定为所述目标预测路况信息;
在确定所述图像预测信息置信度的取值属于低置信度区间的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息。
9.根据权利要求7所述的方法,所述根据所述图像预测信息置信度的取值确定所述轨迹预测路况信息或所述图像预测路况信息作为所述目标预测路况信息,包括:
在确定所述图像预测信息置信度的取值属于中置信度区间的情况下,将所述图像计算特征输入至预测结果决策模型,并获取所述预测结果决策模型的决策结果;
在确定所述决策结果为第一决策结果的情况下,将所述图像预测路况信息确定为所述目标预测路况信息;
在确定所述决策结果为第二决策结果的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息。
10.根据权利要求7所述的方法,还包括:
获取正确图像预测路况样本的第一置信度分布数据和错误图像预测路况样本的第二置信度分布数据;
根据所述第一置信度分布数据确定高置信度阈值和中置信度上边界阈值;
根据所述第二置信度分布数据确定低置信度阈值和中置信度下边界阈值;
根据所述高置信度阈值、所述中置信度上边界阈值、所述中置信度下边界阈值和所述低置信度阈值确定所述高置信度区间、所述中置信度区间和所述低置信度区间。
11.一种路况信息确定装置,包括:
轨迹预测路况信息确定模块,用于根据待预测路段的导航轨迹数据确定所述待预测路段的轨迹预测路况信息;
图像预测路况信息确定模块,用于在确定所述待预测路段满足图像预测调度条件的情况下,根据所述待预测路段的路段图像数据确定所述待预测路段的图像预测路况信息;
目标预测路况信息确定模块,用于根据所述轨迹预测路况信息和/或所述图像预测路况信息确定所述待预测路段的目标预测路况信息。
12.根据权利要求11所述的装置,其中,所述轨迹预测路况信息确定模块具体用于:
获取目标地图客户端针对所述待预测路段实时回传的导航轨迹数据;
提取所述导航轨迹数据的导航轨迹特征;
将所述导航轨迹特征输入至轨迹计算模型,得到所述轨迹预测路况信息。
13.根据权利要求11所述的装置,其中,所述图像预测路况信息确定模块具体用于:
获取所述待预测路段的路段关联数据;其中,所述路段关联数据包括路段类型以及当前系统时间;
在确定所述路段关联数据满足路段类型时间约束条件的情况下,确定所述待预测路段满足所述图像预测调度条件;
获取目标地图客户端针对所述待预测路段实时回传的路段图像数据;
将所述路段图像数据输入至图像计算模型,得到所述图像预测路况信息。
14.根据权利要求13所述的装置,其中,所述目标预测路况信息确定模块具体用于:
在确定所述路段类型为第一路段类型的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息;
在确定所述路段类型为第二路段类型且所述当前系统时间满足融合策略调度时间的情况下,根据所述轨迹预测路况信息、所述图像预测路况信息和预测结果融合规则确定所述目标预测路况信息。
15.根据权利要求14所述的装置,其中,所述第二路段类型包括低速轨迹量路段和轨迹量易错路段中的至少一个;所述装置还包括:
路段轨迹统计数据获取模块,用于获取各个路段的路段轨迹统计数据;
低速轨迹量路段确定模块,用于在根据所述路段轨迹统计数据确定目标路段在预设时间段内的低速轨迹数量大于或等于第一设定轨迹量阈值的情况下,将所述目标路段确定为所述低速轨迹量路段;
轨迹量易错路段确定模块,用于在根据所述路段轨迹统计数据确定目标路段的错误轨迹数量大于或等于第二设定轨迹量阈值的情况下,将所述目标路段确定为所述轨迹量易错路段。
16.根据权利要求15所述的装置,所述装置还包括映射关系建立模块,用于:
获取所述低速轨迹量路段中目标数量的时间窗口的轨迹数据量,并根据各所述轨迹数据量计算轨迹量方差;
在确定所述轨迹量方差大于或等于预设方差阈值的情况下,将所述目标数量的时间窗口构成的时间区间确定为第一融合策略调度时间;
建立所述低速轨迹量路段与所述第一融合策略调度时间之间的映射关系;
计算所述轨迹量易错路段中错误轨迹量的集中时间区间,将所述集中时间区间确定为第二融合策略调度时间;
建立所述轨迹量易错路段与所述第二融合策略调度时间之间的映射关系。
17.根据权利要求14所述的装置,其中,所述目标预测路况信息确定模块具体用于:
获取所述图像预测路况信息的图像预测信息置信度和图像计算特征;
根据所述图像预测信息置信度的取值确定所述轨迹预测路况信息或所述图像预测路况信息作为所述目标预测路况信息。
18.根据权利要求17所述的装置,其中,所述目标预测路况信息确定模块具体用于:
在确定所述图像预测信息置信度的取值属于高置信度区间的情况下,将所述图像预测路况信息确定为所述目标预测路况信息;
在确定所述图像预测信息置信度的取值属于低置信度区间的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息。
19.根据权利要求17所述的装置,其中,所述目标预测路况信息确定模块具体用于:
在确定所述图像预测信息置信度的取值属于中置信度区间的情况下,将所述图像计算特征输入至预测结果决策模型,并获取所述预测结果决策模型的决策结果;
在确定所述决策结果为第一决策结果的情况下,将所述图像预测路况信息确定为所述目标预测路况信息;
在确定所述决策结果为第二决策结果的情况下,将所述轨迹预测路况信息确定为所述目标预测路况信息。
20.根据权利要求17所述的装置,所述装置还包括置信度区间确定模块,用于:
获取正确图像预测路况样本的第一置信度分布数据和错误图像预测路况样本的第二置信度分布数据;
根据所述第一置信度分布数据确定高置信度阈值和中置信度上边界阈值;
根据所述第二置信度分布数据确定低置信度阈值和中置信度下边界阈值;
根据所述高置信度阈值、所述中置信度上边界阈值、所述中置信度下边界阈值和所述低置信度阈值确定所述高置信度区间、所述中置信度区间和所述低置信度区间。
21.一种电子设备,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1-10中任一项所述的路况信息确定方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行权利要求1-10中任一项所述的路况信息确定方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-10中任一项所述的路况信息确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275617.4A CN113066285B (zh) | 2021-03-15 | 2021-03-15 | 一种路况信息确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110275617.4A CN113066285B (zh) | 2021-03-15 | 2021-03-15 | 一种路况信息确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113066285A true CN113066285A (zh) | 2021-07-02 |
CN113066285B CN113066285B (zh) | 2022-12-09 |
Family
ID=76560634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110275617.4A Active CN113066285B (zh) | 2021-03-15 | 2021-03-15 | 一种路况信息确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113066285B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113379334A (zh) * | 2021-08-12 | 2021-09-10 | 北京交通发展研究院 | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 |
CN113570860A (zh) * | 2021-07-26 | 2021-10-29 | 福州大学 | 一种针对稀疏轨迹数据的城市道路交通状态精细划分与识别的方法 |
CN113807221A (zh) * | 2021-09-07 | 2021-12-17 | 丰图科技(深圳)有限公司 | 轨迹质量识别方法、装置、电子设备及可读存储介质 |
CN114495490A (zh) * | 2021-12-31 | 2022-05-13 | 联通智网科技股份有限公司 | 交通情况预测方法、设备终端及存储介质 |
CN114648504A (zh) * | 2022-03-17 | 2022-06-21 | 小米汽车科技有限公司 | 自动驾驶方法、装置、电子设备和存储介质 |
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
CN110148294A (zh) * | 2018-06-07 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 路况状态确定方法及装置 |
CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN111429744A (zh) * | 2020-04-01 | 2020-07-17 | 中煤航测遥感集团有限公司 | 一种路况信息融合分析的方法、装置及存储介质 |
CN111695627A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
EP3767605A1 (en) * | 2019-03-28 | 2021-01-20 | Beijing Baidu Netcom Science and Technology Co., Ltd. | Road conditions prediction method, apparatus, and device, and computer storage medium |
-
2021
- 2021-03-15 CN CN202110275617.4A patent/CN113066285B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148294A (zh) * | 2018-06-07 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 路况状态确定方法及装置 |
CN111383444A (zh) * | 2018-12-28 | 2020-07-07 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN109993969A (zh) * | 2019-03-08 | 2019-07-09 | 腾讯大地通途(北京)科技有限公司 | 一种路况判定信息获取方法、装置及设备 |
EP3767605A1 (en) * | 2019-03-28 | 2021-01-20 | Beijing Baidu Netcom Science and Technology Co., Ltd. | Road conditions prediction method, apparatus, and device, and computer storage medium |
CN111739283A (zh) * | 2019-10-30 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 一种基于聚类的路况计算方法、装置、设备及介质 |
CN111429744A (zh) * | 2020-04-01 | 2020-07-17 | 中煤航测遥感集团有限公司 | 一种路况信息融合分析的方法、装置及存储介质 |
CN111695627A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 路况检测方法、装置、电子设备及可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570860A (zh) * | 2021-07-26 | 2021-10-29 | 福州大学 | 一种针对稀疏轨迹数据的城市道路交通状态精细划分与识别的方法 |
CN113570860B (zh) * | 2021-07-26 | 2022-07-08 | 福州大学 | 针对轨迹数据的城市道路交通状态精细划分与识别的方法 |
CN113379334A (zh) * | 2021-08-12 | 2021-09-10 | 北京交通发展研究院 | 基于有噪声轨迹数据的路段自行车骑行质量鉴别方法 |
CN113807221A (zh) * | 2021-09-07 | 2021-12-17 | 丰图科技(深圳)有限公司 | 轨迹质量识别方法、装置、电子设备及可读存储介质 |
CN114495490A (zh) * | 2021-12-31 | 2022-05-13 | 联通智网科技股份有限公司 | 交通情况预测方法、设备终端及存储介质 |
CN114495490B (zh) * | 2021-12-31 | 2023-03-28 | 联通智网科技股份有限公司 | 交通情况预测方法、设备终端及存储介质 |
CN114648504A (zh) * | 2022-03-17 | 2022-06-21 | 小米汽车科技有限公司 | 自动驾驶方法、装置、电子设备和存储介质 |
CN114648504B (zh) * | 2022-03-17 | 2022-12-02 | 小米汽车科技有限公司 | 自动驾驶方法、装置、电子设备和存储介质 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113066285B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
US11265252B2 (en) | Wireless network optimization | |
CN110709908B (zh) | 用于交通系统的状态预测的计算机系统和方法 | |
CN111739344B (zh) | 一种预警方法、装置及电子设备 | |
CN112634611B (zh) | 用于识别路况的方法、装置、设备以及存储介质 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN115601983A (zh) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 | |
KR20240032811A (ko) | 교통 정보를 생성하는 서버, 방법 및 컴퓨터 프로그램 | |
CN116264038A (zh) | 信号灯控制方法及装置、电子设备和存储介质 | |
CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN112541135A (zh) | 信息共享方法、装置、电子设备、存储介质及程序产品 | |
CN114944060A (zh) | 一种拥堵处理方法、装置、设备及存储介质 | |
CN112435468B (zh) | 车辆分流方法及装置 | |
CN113706866A (zh) | 道路堵塞监测方法及装置、电子设备、存储介质 | |
CN114419896A (zh) | 基于数字孪生的交通信号灯控制方法、装置、设备及介质 | |
CN112836626A (zh) | 事故确定方法及装置、模型训练方法及装置、电子设备 | |
CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
KR20220063035A (ko) | 도로 분기점 방향별 통행시간 산출 기반의 교통정보 서비스 방법 | |
CN112784789B (zh) | 识别道路的交通流量的方法、装置、电子设备和介质 | |
CN114413922B (zh) | 电子地图的导航方法、装置、设备、介质及产品 | |
CN114639253B (zh) | 交通信号控制方法、边缘计算设备、存储介质及产品 | |
CN117789460A (zh) | 路况预测方法、装置、设备以及存储介质 | |
CN116401554A (zh) | 数据分类方法、装置、设备及介质 | |
CN118500395A (zh) | 一种应用于车辆驾驶辅助的数据处理方法及相关设备 | |
CN116129393A (zh) | 一种信号灯的切换识别方法、装置、设备及存储介质 |
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 |