CN113276874B - 一种车辆行驶轨迹处理方法及相关装置 - Google Patents
一种车辆行驶轨迹处理方法及相关装置 Download PDFInfo
- Publication number
- CN113276874B CN113276874B CN202110653184.1A CN202110653184A CN113276874B CN 113276874 B CN113276874 B CN 113276874B CN 202110653184 A CN202110653184 A CN 202110653184A CN 113276874 B CN113276874 B CN 113276874B
- Authority
- CN
- China
- Prior art keywords
- path
- data
- acquisition
- communication path
- target
- 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.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
Abstract
本申请实施例提供一种车辆行驶轨迹处理方法及相关装置,通过获取到目标车辆当前所在的目标路径后,根据该目标路径和目标车辆的历史行程数据来确定目标车辆从该目标路径行驶到与该目标路径相连接的各连通路径的行驶概率。进一步的,获取各连通路径当前路况的实时拥堵率,基于每一连通路径对应的行驶概率和实时拥堵率确定预测结果。该预测结果即表示目标车辆从该目标路径行驶到各连通路径的概率。上述流程采用多维度特征进行预测,在确定各连通路径的行驶概率后,通过加入各连通路径的实时拥堵率来获取更符合车辆行驶路线的预测结果,用以对车辆的行驶轨迹进行预测,提高对车辆的稽查效率,降低布控管理成本。
Description
技术领域
本发明涉及交通监管技术领域,特别涉及一种车辆行驶轨迹处理方法及相关装置。
背景技术
随着上路车辆数目的逐年上升,交通违法情况和交通警情事件也随之增加。在交通管理过程中,通过大数据分析车辆的时序数据能够对如套牌车、事故车等稽查车辆进行识别。对稽查车辆进行布控时,多由车辆调度中心或车辆稽查管理人员采取路口联动管制措施对稽查车辆进行布控。这种布控方式缺少对待稽查车辆出现的时间和地点的预判,造成人力资源的浪费和布控管理成本的增多。基于此,如何准确预测出车辆的行驶轨迹显得尤为重要。
发明内容
本申请实施例提供一种车辆行驶轨迹处理方法及相关装置,用以对车辆的行驶轨迹进行预测,提高对车辆的稽查效率,降低布控管理成本。
第一方面,本申请实施例提供了一种车辆行驶轨迹处理方法,所述方法包括:
获取目标车辆当前所在的目标路径;
将所述目标路径输入轨迹预测模型,得到与所述目标路径相连接的各连通路径的行驶概率;
针对每一连通路径,获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果;其中,所述预测结果表示所述目标车辆从所述目标车辆行驶到所述连通路径的概率。
在一些可能的实施例中,所述连通路径的行驶概率是通过以下方式确定的:
从样本数据集中获取包含所述目标路径的样本数据的第一样本数量,并从所述样本数据集中获取包含所述目标路径和所述连通路径的样本数据的第二样本数量;其中,所述样本数据集是用于对原始模型进行训练得到所述轨迹预测模型过程中使用的样本数据集;
将所述第二样本数量与所述第一样本数量的比值作为所述连通路径的行驶概率。
在一些可能的实施例中,所述获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果,包括:
对所述实时拥堵率和所述行驶概率加权求和,得到所述预测结果;或,
确定所述实时拥堵率对应的非拥堵率,将所述非拥堵率与所述行驶概率的乘积作为所述预测结果。
在一些可能的实施例中,所述轨迹预测模型是基于样本数据集对原始模型进行训练得到的;
所述样本数据集是通过以下方式确定的:
获取所述目标车辆的历史行程数据集,所述历史行程数据集是所述目标车辆的多条历史行驶路线的集合,所述历史行程数据包括采集到所述目标车辆图像的采集点和采集时间;
针对每一历史行程数据,将所述历史行程数据中每相邻两个采集点构成相邻采集点对,并基于所述相邻采集点对中各采集点的采集时间确定所述相邻采集点对的时间间隔;
根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据。
在一些可能的实施例中,所述相邻采集点对表示一段路径,所述根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据,包括:
基于所述历史行程数据中包含的各相邻采集点对,将所述历史行程数据划分为多段相连接的路径数据;
若所述相邻采集点对的时间间隔大于时间阈值,则确定所述相邻采集点对表示的路径数据为无效数据,并将所述无效数据从所述历史行程数据中剔除;
针对剔除所述无效数据后的所述历史行程数据,将相连接的路径数据作为一条所述样本数据。
在一些可能的实施例中,将所述历史行程数据中每相邻两个采集点构成相邻采集点对之前,所述方法还包括:
基于所述采集点的位置信息和采集时间确定所述目标车辆在每相邻两个采集点间的行驶速度;
根据所述行驶速度确定所述历史行程数据中的异常采集点,并将所述异常采集点剔除。
在一些可能的实施例中,所述获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果之后,所述方法还包括:
响应于训练指示,获取用户选取的参考路径;
基于所述参考路径和所述预测结果确定损失信息,采用所述损失信息调整所述轨迹预测模型的模型参数。
第二方面,本申请实施例提供了一种车辆行驶轨迹处理装置,所述装置包括:
目标路径获取模块,被配置为执行获取目标车辆当前所在的目标路径;
行驶概率确定模块,被配置为执行将所述目标路径输入轨迹预测模型,得到与所述目标路径相连接的各连通路径的行驶概率;
预测结果输出模块,被配置为执行针对每一连通路径,获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果;其中,所述预测结果表示所述目标车辆从所述目标车辆行驶到所述连通路径的概率。
在一些可能的实施例中,所述连通路径的行驶概率是通过以下方式确定的:
从样本数据集中获取包含所述目标路径的样本数据的第一样本数量,并从所述样本数据集中获取包含所述目标路径和所述连通路径的样本数据的第二样本数量;其中,所述样本数据集是用于对原始模型进行训练得到所述轨迹预测模型过程中使用的样本数据集;
将所述第二样本数量与所述第一样本数量的比值作为所述连通路径的行驶概率。
在一些可能的实施例中,执行所述获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果,所述预测结果输出模块被配置为:
对所述实时拥堵率和所述行驶概率加权求和,得到所述预测结果;或,
确定所述实时拥堵率对应的非拥堵率,将所述非拥堵率与所述行驶概率的乘积作为所述预测结果。
在一些可能的实施例中,所述轨迹预测模型是基于样本数据集对原始模型进行训练得到的;
所述行驶概率确定模块还包括样本数据获取单元,所述样本数据获取单元用于获取所述样本数据集,所述样本数据获取单元被配置为:
获取所述目标车辆的历史行程数据集,所述历史行程数据集是所述目标车辆的多条历史行驶路线的集合,所述历史行程数据包括采集到所述目标车辆图像的采集点和采集时间;
针对每一历史行程数据,将所述历史行程数据中每相邻两个采集点构成相邻采集点对,并基于所述相邻采集点对中各采集点的采集时间确定所述相邻采集点对的时间间隔;
根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据。
在一些可能的实施例中,所述相邻采集点对表示一段路径,执行所述根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据,所述样本数据获取单元被配置为:
基于所述历史行程数据中包含的各相邻采集点对,将所述历史行程数据划分为多段相连接的路径数据;
若所述相邻采集点对的时间间隔大于时间阈值,则确定所述相邻采集点对表示的路径数据为无效数据,并将所述无效数据从所述历史行程数据中剔除;
针对剔除所述无效数据后的所述历史行程数据,将相连接的路径数据作为一条所述样本数据。
在一些可能的实施例中,执行将所述历史行程数据中每相邻两个采集点构成相邻采集点对之前,所述样本数据获取单元还被配置为:
基于所述采集点的位置信息和采集时间确定所述目标车辆在每相邻两个采集点间的行驶速度;
根据所述行驶速度确定所述历史行程数据中的异常采集点,并将所述异常采集点剔除。
在一些可能的实施例中,所述装置还包括:
模型训练模块,被配置为执行响应于训练指示,获取用户选取的参考路径;
基于所述参考路径和所述预测结果确定损失信息,采用所述损失信息调整所述轨迹预测模型的模型参数。
第三方面,本申请一实施例还提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如本申请第一方面中提供的任一方法。
第四方面,本申请一实施例还提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如本申请第一方面中提供的任一方法。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的应用环境示意图;
图2a为本申请实施例提供的车辆行驶轨迹处理方法流程示意图;
图2b为本申请实施例提供的行驶路线推算示意图;
图2c为根据本申请一个实施例的相邻采集点对示意图;
图2d为本申请实施例提供的获取样本数据示意图;
图2e为本申请实施例提供的车辆位置错误捕捉示意图;
图2f为本申请实施例提供的异常采集点剔除示意图;
图2g为本申请实施例提供的真实路况示意图;
图3为本申请实施例提供的车辆行驶轨迹处理装置示意图;
图4为本申请实施例提供的车辆行驶轨迹处理方法的电子设备示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
在本申请实施例的描述中,除非另有说明,术语“多个”是指两个或两个以上,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
考虑到相关技术多通过车辆调度中心或车辆稽查管理人员采取路口联动管制措施对稽查车辆进行布控。由于车辆在道路上处于不断运动的状态,这种布控方式需要安排相关人员对稽查车辆进行尾随跟踪,并组织拦截等布控措施。并且,由于稽查管理人员只能接收对稽查车辆的预警信息后,再采取相应的举措,存在时间滞后性。
通过上述问题可知,若能够提前预测出稽查车辆的行驶轨迹即可对稽查车辆进行提前布控。基于此,本申请的发明构思为:在获取到目标车辆当前所在的目标路径后,通过该目标路径和目标车辆的历史行程数据来确定目标车辆从该目标路径行驶到与该目标路径相连接的各连通路径的行驶概率。进一步的,获取各连通路径当前路况的实时拥堵率,基于每一连通路径对应的行驶概率和实时拥堵率确定最终的预测结果。该预测结果即表示目标车辆从该目标路径行驶到各连通路径的概率。上述流程采用多维度特征进行预测,确定目标车辆从当前所在目标路径行驶到各连通路径的行驶概率后,通过加入各连通路径的实时拥堵率来获取更符合车辆行驶路线的预测结果,用以对车辆的行驶轨迹进行预测,提高对车辆的稽查效率,降低布控管理成本。
下面结合附图对本申请实施例提供的一种车辆行驶轨迹处理方法进行详细说明。
参见图1,为根据本申请一个实施例的应用环境的示意图。
如图1所示,该应用环境中例如可以包括网络10、服务器20、至少一个监控设备30以及终端设备40。其中,监控设备30可如图1示出的多种摄像头30_1、30_2,还可如图1示出的卡口相机30_N,卡口相机即可理解为交通路网中对实时路况进行监控的监控摄像头模组,卡口相机30N相比于多种摄像头30_1、30_2更适用于对路况中流动的车辆进行图像捕捉。
终端设备40可发送监控图像获取请求给服务器20,服务器20响应该监控图像获取请求,从数据库中获取相应的图像返回给终端设备40显示出来。在图1所示的应用场景中,监控设备30对经过监控设备30所监测路径的车辆进行图像采集,通过识别装置,识别车辆图像中的各监控车辆类型中符合目标车辆类型的车流量后,将数据上传给服务器20。
在一些可能的实施例中,识别目标车辆的车流量可以通过服务器20来执行,当监控设备30的处理性能不足时,监控设备30将车辆图像通过网络10发送给服务器20,服务器20通过预先配置的识别系统从车辆图像中识别目标车辆的车流量。
本申请中的描述仅就单个服务器或终端设备加以详述,但是本领域技术人员应当理解的是,示出的服务器20、监控设备30以及终端设备40旨在表示本申请的技术方案涉及的服务器、监控设备以及终端设备的操作。对单个终端设备和服务器加以详述至少为了说明方便,而非暗示对终端设备和服务器的数量、类型或是位置等具有限制。应当注意,如果向图示环境中添加附加模块或从其中去除个别模块,不会改变本申请的示例实施例的底层概念。
介绍完本申请车辆行驶轨迹处理方法的应用场景后,下面结合附图对本申请实施例中的车辆行驶轨迹处理方法进行详细说明,具体如图2a所示,包括以下步骤:
对目标车辆的行驶轨迹进行预测之前,首先执行步骤201:获取目标车辆当前所在的目标路径。由于交通路网中布控有大量卡口相机,卡口相机用于监控其所在路段的实时路况。在执行步骤201时,可通过调取卡口相机的实时监控视频流来确定目标车辆的目标路径。例如,一卡口相机监控到目标车辆。根据该卡口相机的唯一标识(例如相机编号),确定该卡口相机的所在位置为A路卡口。由此,确定目标车辆当前所在的目标路径为A路。
获取到目标车辆当前所在的目标路径后,执行步骤202:将所述目标路径输入轨迹预测模型,得到与所述目标路径相连接的各连通路径的行驶概率。
实施时,本申请预先建立原始模型,并基于目标车辆的历史行程数据构建样本数据集。通过该样本数据集对原始模型进行训练,以使训练完成后得到的轨迹预测模型通过目标车辆当前所在的目标路径和历史行程数据,预测出目标车辆从目标路径行驶到各与该目标路径相连接的各连通路径的行驶概率。
构建样本数据集时,可通过调用交通路网中卡口相机的视频流数据库来获取目标车辆的历史行程数据集。其中,历史行程数据集即为多条用于表示目标车辆历史行驶路线的历史行程数据的集合。历史行程数据包括采集到目标车辆图像的采集点和采集时间,采集点即为上述卡口相机。
历史行程数据所表示的历史行驶路线是基于卡口相机所在位置和目标车辆的历史行驶方向确定的,如图2b所示,图2b示出的了四个采集到目标车辆图像的采集点A-D,根据图像中目标车辆的历史行驶方向,基于上述四个采集点构建出目标车辆的历史行驶路线。由于该历史行驶路线是基于数据推算的,并不能获知目标车辆在由采集点A经过采集点B和C,最终行驶到采集点D的过程中具体如何行驶。例如,针对该历史行驶路线,目标车辆可能在经过采集点C后停车吃饭后再从采集点C行驶到采集点D。此时,应将该历史行驶路线视为两段行驶路线,即两段行驶记录(采集点A-C和采集点C-D)。
故此,在构建样本数据集时,针对历史行程数据集的每一历史行程数据。首先获取该历史行程数据中包含的采集点,并将每相邻两个采集点构成相邻采集点对。相邻采集点对在历史行程数据中即表示两个采集点间的路径。故此,基于该历史行程数据中包含的各采集点对,将历史行程数据划分成多段相连接的路径数据。
具体可如图2c所示,图2c中示出的历史行程数据中包括采集到目标车辆图像的采集点a-d、采集点a-d构成相邻采集点对(a,b)、(b,c)以及(c,d)。首先获取相邻采集点对的时间间隔。具体的,以相邻采集点对(a,b)为例进行说明。相邻采集点对(a,b)的路径数据中包括采集点a和采集点b的采集时间,采集时间即为采集点采集到目标车辆图像的时间。将采集点a和采集点b的采集时间做差,得到相邻采集点对(a,b)的时间间隔。
确定各相邻采集点对的时间间隔后,将时间间隔与时间阈值进行比较。若该时间间隔大于时间阈值,则表示该历史行程数据表示的历史行驶路线并非目标车辆的真实行驶路线,目标车辆在历史行驶路线中的各路径段可能存在绕弯,住宿等行为。即,时间间隔大于时间阈值的相邻采集点对表示的路径数据为无效数据。进一步的,从历史行程数据中剔除无效数据后,将相连接的路径数据作为一条所述样本数据。具体如图2d所示,以上述采集点a-d为例,若相邻采集点对(b,c)的时间间隔大于时间阈值,则将(b,c)表示的路径数据从历史行程数据中剔除,并将(a,b)和(c,d)的路径数据作为两条样本数据,存储到样本数据集中。上述流程基于时间间隔对历史行程数据集中每条历史行程数据进行筛选,由此得到符合目标车辆真实行驶路线的样本数据。
另考虑到卡口相机捕捉到的历史行程数据中存在对目标车辆定位错误的定位漂移点。定位漂移点即为对目标车辆定位与车辆实际位置存在空间偏差的噪点。例如图2e所示,A路处的卡口相机捕捉到该目标车辆正处于A路,但实际上目标车辆正处于A路的交叉路B路。则该卡口相机对应的采集点即为定位漂移点。故此,在将历史行程数据中每相邻两个采集点构成相邻采集点对之前应将定位漂移点剔除,以避免影响样本数据的准确性。
由于交通路网中记录有各卡口相机的经纬度坐标,实施时,针对历史行程数据中每相邻两个采集点,可通过获取采集点的位置信息和采集时间来确定相邻两个采集点间的行驶速度。
具体的,可基于相邻两个采集点间的经纬度坐标,通过半正矢(Haversin)公式计算出相邻两个采集点间的空间距离;并将相邻两个采集点对应的采集时间做差,得到相邻两个采集点间的时间差值;将空间距离与时间差值的比值作为目标车辆经过相邻两个采集点间的行驶速度。
在确定行驶速度后,将行驶速度大于速度阈值的采集点作为异常采集点。具体如图2f所示,历史行程数据中包括采集点a-c,其中,b和c间的行驶速度大于速度阈值,而a和b间的行驶速度未大于速度阈值。这表明采集点b为异常采集点,此时应将采集点b从历史行程数据中剔除。
通过上述流程构建出符合目标车辆真实行驶路线的样本数据集后,采用该样本数据集对原始模型进行训练,以使训练完成后得到的轨迹预测模型能够根据目标车辆当前所在的目标路径确定该目标车辆从目标路径行驶到各连通路径的行驶概率。
实施时,在确定目标车辆被采集点a采集到后,根据目标车辆的当前行驶方向确定目标车辆由该采集点a到延行驶方向的相邻采集点b行驶。此时,获取样本数据集中所有包含采集点a、b的样本数据,将所获取到的样本数据数量记为第一样本数量。进一步的,从样本数据集中获取包含目标路径和连通路径的样本数据的第二样本数量,并将第二样本数量与第一样本数量的比值作为连通路径的行驶概率。以图2g示出的真实路况为例,目标车辆被采集点a采集到时,确定目标车辆当前正处于目标路径ab中。真实路况中与采集点a、b间的路径ab相连接的连通路径包括连通路径bc和连通路径bd。在样本数据集中确定包含采集点a、b的第一样本数量为50后,从样本数据集中分别获取包含采集点a、b、c和采集点a、b、d的第二样本数量。例如,包含采集点a、b、c的第二样本数量为25,包含采集点a、b、d的第二样本数量为20,则连通路径bc的行驶概率为25/50=50%,连通路径bd的行驶概率为20/50=40%。
在一些可能的实施例中,构建样本数据集后,针对样本数据集中每一相邻采集点对,将相邻采集点对所表示的路径作为目标路径,确定该目标路径对应各连通路径的行驶概率,并将该行驶概率与该连通路径对应采集点关联。当对目标车辆的车辆行驶轨迹进行预测时,通过卡口相机获取目标车辆当前所在的目标路径。基于该目标路径,确定样本数据集中与该目标路径相匹配的路径。进一步的,确定相匹配的路径对应的各连通路径后,可直接读取各连通路径对应采集点关联的行驶概率,由此快速确定各连通路径的行驶概率。
为增加车辆行驶轨迹预测的准确性,应考虑到连通路径的当前路况。若当前路况拥堵,则目标车辆从目标路径行驶到该连通路径的概率应降低。实施时,执行步骤203:针对每一连通路径,获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果;其中,所述预测结果表示所述目标车辆从所述目标车辆行驶到所述连通路径的概率。
实施时,可通过下述公式(1)确定连通路径的实时拥堵率:
其中,P为连通路径的实时拥堵率、D为在连通路径上正在行驶的车辆数、△V表示连通路径的平均车速、V表示连通路径设置的车辆限速。
具体的,在确定连通路径的实时拥堵率时,首先获取连通路径K1设置的车辆限速V。并调取目标路径K0对应卡口相机000K0处测速装置的第一测速记录库。从第一测速记录库中选定预设数量车辆(例如15辆车)的第一时速数据V1-V15。然后,调取连通路径K1对应卡口相机000K1处测速装置的第二测速记录库,从第二测速记录库中从该测速记录中查找上述15辆车在第二测速记录库中的测速记录V’1-V’15。分别计算V1和V’1、V2和V’2……V15和V’15的平均值△V1-△V15。进一步的,将△V1-△V15与V的比值之和。该比值之和表示基于每辆车计算的当前拥堵率,最后将上述比值之和除以车辆数n,得到当前时刻在连通路径K1上行驶车辆的实时拥堵率。
在一些可能的实施例中,若△V>V,则表示连通路径K1当前并不拥挤,此时连通路径K1的实时拥堵率可设置为0。若△V≤V,则说明当前行驶在连通路径K1上从车辆未达到该路径的车辆限速,则确定连通路径K1存在拥堵情况,此时可将△V与V的比值作为该路径的实时拥堵率。
在一些可能的实施例中,确定连通路径的实时拥堵率后,可基于预设权重对实时拥堵率和行驶概率进行加权求和,并将所得结果作为该连通路径的预测结果。
在一些可能的实施例中,还可基于实时拥堵率确定该连通路径的非拥堵率,并将非拥堵率与该连通路径对应行驶概率的乘积作为该连通路径的预测结果,具体如下述公式(2)所示:
PLast=P0×(1-P) 公式(2)
其中,PLast表示连通路径的预测结果、P0表示连通路径的行驶概率、P表示连通路径的实时拥堵率、(1-P)表示连通路径的非拥堵率。
通过上述流程,采用多维度特征进行预测。在确定目标车辆从当前所在目标路径行驶到各连通路径的行驶概率后,通过加入各连通路径的实时拥堵率来获取更符合车辆行驶路线的预测结果,以此提高预测结果的准确性。
在本申请中,为进一步提高车辆轨迹的预测准确性。轨迹预测模型每次对目标车辆的行驶轨迹进行预测后,可人为将目标车辆最终出现的路径作为参考结果,并基于该参考结果和模型的预测结果来调整轨迹预测模型的模型参数。
具体的,例如针对目标车辆,轨迹预测模型的输出为该目标车辆从当前所在的目标路径d0行驶到连通路径d1的预测结果为75%、行驶到连通路径d2的预测结果为70%、行驶到连通路径d3的预测结果为56%。而相关人员最终在连通路径d3处发现该目标车辆。则可对模型参数进行调整,以使该轨迹预测模型针对连通路径d3的预测结果达到调整阈值(例如80%)。由此,将用户确认参考结果对轨迹预测模型进行反哺,使预测结果的准确率可以自动持续性优化增高,实现了算法自动优化的闭包。
基于相同的发明构思,本申请还提供一种车辆行驶轨迹处理装置300,具体如图3所示,该装置包括:
目标路径获取模块301,被配置为执行获取目标车辆当前所在的目标路径;
行驶概率确定模块302,被配置为执行将所述目标路径输入轨迹预测模型,得到与所述目标路径相连接的各连通路径的行驶概率;
预测结果输出模块303,被配置为执行针对每一连通路径,获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果;其中,所述预测结果表示所述目标车辆从所述目标车辆行驶到所述连通路径的概率。
在一些可能的实施例中,所述连通路径的行驶概率是通过以下方式确定的:
从样本数据集中获取包含所述目标路径的样本数据的第一样本数量,并从所述样本数据集中获取包含所述目标路径和所述连通路径的样本数据的第二样本数量;其中,所述样本数据集是用于对原始模型进行训练得到所述轨迹预测模型过程中使用的样本数据集;
将所述第二样本数量与所述第一样本数量的比值作为所述连通路径的行驶概率。
在一些可能的实施例中,执行所述获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果,所述预测结果输出模块303被配置为:
对所述实时拥堵率和所述行驶概率加权求和,得到所述预测结果;或,
确定所述实时拥堵率对应的非拥堵率,将所述非拥堵率与所述行驶概率的乘积作为所述预测结果。
在一些可能的实施例中,所述轨迹预测模型是基于样本数据集对原始模型进行训练得到的;
所述行驶概率确定模块302还包括样本数据获取单元,所述样本数据获取单元用于获取所述样本数据集,所述样本数据获取单元被配置为:
获取所述目标车辆的历史行程数据集,所述历史行程数据集是所述目标车辆的多条历史行驶路线的集合,所述历史行程数据包括采集到所述目标车辆图像的采集点和采集时间;
针对每一历史行程数据,将所述历史行程数据中每相邻两个采集点构成相邻采集点对,并基于所述相邻采集点对中各采集点的采集时间确定所述相邻采集点对的时间间隔;
根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据。
在一些可能的实施例中,所述相邻采集点对表示一段路径,执行所述根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据,所述样本数据获取单元被配置为:
基于所述历史行程数据中包含的各相邻采集点对,将所述历史行程数据划分为多段相连接的路径数据;
若所述相邻采集点对的时间间隔大于时间阈值,则确定所述相邻采集点对表示的路径数据为无效数据,并将所述无效数据从所述历史行程数据中剔除;
针对剔除所述无效数据后的所述历史行程数据,将相连接的路径数据作为一条所述样本数据。
在一些可能的实施例中,执行将所述历史行程数据中每相邻两个采集点构成相邻采集点对之前,所述样本数据获取单元还被配置为:
基于所述采集点的位置信息和采集时间确定所述目标车辆在每相邻两个采集点间的行驶速度;
根据所述行驶速度确定所述历史行程数据中的异常采集点,并将所述异常采集点剔除。
在一些可能的实施例中,所述装置还包括:
模型训练模块,被配置为执行响应于训练指示,获取用户选取的参考路径;
基于所述参考路径和所述预测结果确定损失信息,采用所述损失信息调整所述轨迹预测模型的模型参数。
下面参照图4来描述根据本申请的这种实施方式的电子设备130。图4显示的电子设备130仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图4所示,电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器(RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在示例性实施例中,还提供了一种包括指令的计算机可读存储介质,例如包括指令的存储器132,上述指令可由装置300的处理器131执行以完成本申请提供的车辆行驶轨迹处理方法。可选地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器131执行时实现如本申请提供的车辆行驶轨迹处理方法。
在示例性实施例中,本申请提供的一种车辆行驶轨迹处理方法的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种车辆行驶轨迹处理方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于图像缩放的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程图像缩放设备的处理器以产生一个机器,使得通过计算机或其他可编程图像缩放设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程图像缩放设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程图像缩放设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种车辆行驶轨迹处理方法,其特征在于,所述方法包括:
获取目标车辆当前所在的目标路径;
将所述目标路径输入轨迹预测模型,得到与所述目标路径相连接的各连通路径的行驶概率;
针对每一连通路径,对所述连通路径的实时拥堵率和所述行驶概率加权求和,得到预测结果;或,确定所述连通路径的实时拥堵率对应的非拥堵率,将所述非拥堵率与所述行驶概率的乘积作为预测结果;其中,所述预测结果表示所述目标车辆从所述目标路径行驶到所述连通路径的概率。
2.根据权利要求1所述的方法,其特征在于,所述连通路径的行驶概率是通过以下方式确定的:
从样本数据集中获取包含所述目标路径的样本数据的第一样本数量,并从所述样本数据集中获取包含所述目标路径和所述连通路径的样本数据的第二样本数量;其中,所述样本数据集是用于对原始模型进行训练得到所述轨迹预测模型过程中使用的样本数据集;
将所述第二样本数量与所述第一样本数量的比值作为所述连通路径的行驶概率。
3.根据权利要求1或2中所述的方法,其特征在于,所述轨迹预测模型是基于样本数据集对原始模型进行训练得到的;
所述样本数据集是通过以下方式确定的:
获取所述目标车辆的历史行程数据集,所述历史行程数据集是所述目标车辆的多条历史行驶路线的集合,所述历史行程数据包括采集到所述目标车辆图像的采集点和采集时间;
针对每一历史行程数据,将所述历史行程数据中每相邻两个采集点构成相邻采集点对,并基于所述相邻采集点对中各采集点的采集时间确定所述相邻采集点对的时间间隔;
根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据。
4.根据权利要求3所述的方法,其特征在于,所述相邻采集点对表示一段路径,所述根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据,包括:
基于所述历史行程数据中包含的各相邻采集点对,将所述历史行程数据划分为多段相连接的路径数据;
若所述相邻采集点对的时间间隔大于时间阈值,则确定所述相邻采集点对表示的路径数据为无效数据,并将所述无效数据从所述历史行程数据中剔除;
针对剔除所述无效数据后的所述历史行程数据,将相连接的路径数据作为一条所述样本数据。
5.根据权利要求3所述的方法,其特征在于,将所述历史行程数据中每相邻两个采集点构成相邻采集点对之前,所述方法还包括:
基于所述采集点的位置信息和采集时间确定所述目标车辆在每相邻两个采集点间的行驶速度;
根据所述行驶速度确定所述历史行程数据中的异常采集点,并将所述异常采集点剔除。
6.根据权利要求1或2中所述的方法,其特征在于,所述获取所述连通路径的实时拥堵率并根据所述实时拥堵率和所述行驶概率确定所述连通路径的预测结果之后,所述方法还包括:
响应于训练指示,获取用户选取的参考路径;
基于所述参考路径和所述预测结果确定损失信息,采用所述损失信息调整所述轨迹预测模型的模型参数。
7.一种车辆行驶轨迹处理装置,其特征在于,所述装置包括:
目标路径获取模块,被配置为执行获取目标车辆当前所在的目标路径;
行驶概率确定模块,被配置为执行将所述目标路径输入轨迹预测模型,得到与所述目标路径相连接的各连通路径的行驶概率;
预测结果输出模块,被配置为执行针对每一连通路径,对所述连通路径的实时拥堵率和所述行驶概率加权求和,得到预测结果;或,确定所述连通路径的实时拥堵率对应的非拥堵率,将所述非拥堵率与所述行驶概率的乘积作为预测结果;其中,所述预测结果表示所述目标车辆从所述目标路径行驶到所述连通路径的概率。
8.根据权利要求7所述的装置,其特征在于,所述连通路径的行驶概率是通过以下方式确定的:
从样本数据集中获取包含所述目标路径的样本数据的第一样本数量,并从所述样本数据集中获取包含所述目标路径和所述连通路径的样本数据的第二样本数量;其中,所述样本数据集是用于对原始模型进行训练得到所述轨迹预测模型过程中使用的样本数据集;
将所述第二样本数量与所述第一样本数量的比值作为所述连通路径的行驶概率。
9.根据权利要求7或8中所述的装置,其特征在于,所述轨迹预测模型是基于样本数据集对原始模型进行训练得到的;
所述行驶概率确定模块还包括样本数据获取单元,所述样本数据获取单元用于获取所述样本数据集,所述样本数据获取单元被配置为:
获取所述目标车辆的历史行程数据集,所述历史行程数据集是所述目标车辆的多条历史行驶路线的集合,所述历史行程数据包括采集到所述目标车辆图像的采集点和采集时间;
针对每一历史行程数据,将所述历史行程数据中每相邻两个采集点构成相邻采集点对,并基于所述相邻采集点对中各采集点的采集时间确定所述相邻采集点对的时间间隔;
根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据。
10.根据权利要求9所述的装置,其特征在于,所述相邻采集点对表示一段路径,执行所述根据所述时间间隔从所述历史行程数据集中筛选出所述样本数据,所述样本数据获取单元被配置为:
基于所述历史行程数据中包含的各相邻采集点对,将所述历史行程数据划分为多段相连接的路径数据;
若所述相邻采集点对的时间间隔大于时间阈值,则确定所述相邻采集点对表示的路径数据为无效数据,并将所述无效数据从所述历史行程数据中剔除;
针对剔除所述无效数据后的所述历史行程数据,将相连接的路径数据作为一条所述样本数据。
11.根据权利要求9所述的装置,其特征在于,执行将所述历史行程数据中每相邻两个采集点构成相邻采集点对之前,所述样本数据获取单元还被配置为:
基于所述采集点的位置信息和采集时间确定所述目标车辆在每相邻两个采集点间的行驶速度;
根据所述行驶速度确定所述历史行程数据中的异常采集点,并将所述异常采集点剔除。
12.根据权利要求7或8中所述的装置,其特征在于,所述装置还包括:
模型训练模块,被配置为执行响应于训练指示,获取用户选取的参考路径;
基于所述参考路径和所述预测结果确定损失信息,采用所述损失信息调整所述轨迹预测模型的模型参数。
13.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至6中任一项所述的车辆行驶轨迹处理方法。
14.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至6中任一项所述的车辆行驶轨迹处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653184.1A CN113276874B (zh) | 2021-06-11 | 2021-06-11 | 一种车辆行驶轨迹处理方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110653184.1A CN113276874B (zh) | 2021-06-11 | 2021-06-11 | 一种车辆行驶轨迹处理方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113276874A CN113276874A (zh) | 2021-08-20 |
CN113276874B true CN113276874B (zh) | 2022-09-02 |
Family
ID=77284255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110653184.1A Active CN113276874B (zh) | 2021-06-11 | 2021-06-11 | 一种车辆行驶轨迹处理方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113276874B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114973681B (zh) * | 2022-07-28 | 2022-11-01 | 山东高速信息集团有限公司 | 一种在途车辆感知方法及设备 |
CN115937826B (zh) * | 2023-02-03 | 2023-05-09 | 小米汽车科技有限公司 | 目标检测方法及装置 |
CN116153079B (zh) * | 2023-04-17 | 2023-06-23 | 湖南工商大学 | 基于车辆轨迹分析的道路车流量预测方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013212359A1 (de) * | 2013-06-27 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Vorhersage von Fahrpfaden eines Fahrzeugs |
CN108364461A (zh) * | 2018-01-05 | 2018-08-03 | 武汉中科通达高新技术股份有限公司 | 一种车辆行驶轨迹预测方法 |
CN108847042B (zh) * | 2018-08-24 | 2021-04-02 | 讯飞智元信息科技有限公司 | 一种路况信息发布方法及装置 |
CN109816976A (zh) * | 2019-01-21 | 2019-05-28 | 平安科技(深圳)有限公司 | 一种交通管理方法及系统 |
CN109583151B (zh) * | 2019-02-20 | 2023-07-21 | 阿波罗智能技术(北京)有限公司 | 车辆的行驶轨迹预测方法及装置 |
CN110969852A (zh) * | 2019-12-09 | 2020-04-07 | 上海宝康电子控制工程有限公司 | 基于布控车辆行驶路径实现公安实时预测及缉查布控处理的方法 |
CN111653114A (zh) * | 2020-06-12 | 2020-09-11 | 北京百度网讯科技有限公司 | 信息提醒方法、装置、电子设备及存储介质 |
-
2021
- 2021-06-11 CN CN202110653184.1A patent/CN113276874B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113276874A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113276874B (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
US20190329788A1 (en) | Road condition status prediction method, device, and server, and storage medium | |
WO2017202226A1 (zh) | 人群流量的确定方法及装置 | |
CN108898520B (zh) | 基于轨迹数据的学生安全监控方法和系统 | |
CN112435469B (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN109754598B (zh) | 一种拥堵组团识别方法及系统 | |
CN113077626B (zh) | 一种车道选择的引导方法、装置、系统、设备及存储介质 | |
CN112185124B (zh) | 一种全路网交通状态预测方法及装置 | |
CN112462774A (zh) | 一种基于无人机航行跟随的城市道路监管方法、系统及可读存储介质 | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
US20210020036A1 (en) | Predicting short-term traffic flow congestion on urban motorway networks | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN109493606A (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
CN113673311A (zh) | 一种交通异常事件检测方法、设备及计算机存储介质 | |
CN111380530A (zh) | 导航方法及相关产品 | |
Mai-Tan et al. | Mining urban traffic condition from crowd-sourced data | |
US20190088116A1 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
CN112541457B (zh) | 一种监控节点的搜索方法及相关装置 | |
CN114495505B (zh) | 拥堵路段通过时长的预测方法、装置、介质及服务器 | |
CN113643529B (zh) | 基于大数据分析的停车场车道拥堵预测方法及系统 | |
CN113128831A (zh) | 基于边缘计算的人流引导方法、装置、计算机设备和存储介质 | |
CN112464749A (zh) | 一种基于规则与学习的交通场景异常目标检测方法 | |
Hayashi et al. | Prioritization of Lane-Specific Traffic Jam Detection for Automotive Navigation Framework Utilizing Suddenness Index and Automatic Threshold Determination | |
Klandev et al. | Parking Availability Prediction Using Traffic Data Services | |
CN117475628B (zh) | 一种基于风险理论的高速公路运营方法及信息系统 |
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 |