CN113343956A - 路况信息的预测方法、装置和存储介质及电子设备 - Google Patents
路况信息的预测方法、装置和存储介质及电子设备 Download PDFInfo
- Publication number
- CN113343956A CN113343956A CN202110899211.3A CN202110899211A CN113343956A CN 113343956 A CN113343956 A CN 113343956A CN 202110899211 A CN202110899211 A CN 202110899211A CN 113343956 A CN113343956 A CN 113343956A
- Authority
- CN
- China
- Prior art keywords
- road condition
- target
- information
- predicted
- 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
Images
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种路况信息的预测方法、装置和存储介质及电子设备。其中,该方法包括:获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息;基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型;基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型;将第一预测路况信息输入第二目标预测模型,得到第二预测路况信息。本发明还可应用在车联网场景中,具体的,本发明还涉及区块链、机器学习、环境感知等技术。本发明解决了相关技术中缺乏一种可以准确性预测路况信息的方法的技术问题。
Description
技术领域
本发明涉及计算机领域,具体而言,涉及一种路况信息的预测方法、装置和存储介质及电子设备。
背景技术
路况信息作为车辆行驶过程中的重要依据,为用户对车辆的操作提供了参考信息(如道路湿滑需执行减速行驶操作等),也为用户在驾驶车辆的行驶过程中提供了基本的安全保障(如前方道路塌方需绕道行驶等),而相关技术针对如何获取路况信息,也提供了多种方法,如采用安装在道路上的激光探测器对路况信息进行采集等。
但相关技术中的上述方法,针对的都是如何获取当前时刻的路况信息,而对于未来时刻的路况信息,并未提供一种准确性较高的路况信息的预测方法。因此,相关技术存在缺乏一种可以准确性预测路况信息的方法的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种路况信息的预测方法、装置和存储介质及电子设备,以至少解决相关技术中缺乏一种可以准确性预测路况信息的方法的技术问题。
根据本发明实施例的一个方面,提供了一种路况信息的预测方法,包括:获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,上述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,上述第一预测路况信息为通过预测得到的上述目标地理位置在上述第二时刻的路况信息,上述第二时刻晚于上述第一时刻;基于上述第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,上述第一目标预测模型用于表示上述第一实际路况信息和上述第一预测路况信息之间的关系;基于上述第二实际路况信息以及上述第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到上述第二目标预测模型用于表示上述第一预测路况信息和上述目标地理位置在第三时刻的预测路况信息之间的关系,上述第三时刻晚于上述第二时刻;将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息。
根据本发明实施例的一个方面,提供了另一种路况信息的预测方法,包括:获取目标帐号发起的路况信息预测请求,其中,上述路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,上述第三时刻晚于当前时刻;响应上述路况信息预测请求,获取上述目标地图中的上述目标地理位置在上述第三时刻的预测路况信息,其中,上述第三时刻的预测路况信息是根据第二时刻的预测路况信息以及上述第二时刻的预测路况信息与上述第三时刻的预测路况信息之间的第一关联关系确定的,上述第一关联关系是根据上述第二时刻的实际路况信息以及第一时刻的实际路况信息和上述第二时刻的预测路况信息之间的第二关联关系确定的,上述第二关联关系是根据第一时刻的实际路况信息预测的,上述第二时刻为上述当前时刻,上述第一时刻早于上述当前时刻;向上述目标帐号展示上述第三时刻的预测路况信息。
根据本发明实施例的另一方面,还提供了一种路况信息的预测装置,包括:第一获取单元,用于获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,上述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,上述第一预测路况信息为通过预测得到的上述目标地理位置在上述第二时刻的路况信息,上述第二时刻晚于上述第一时刻;第二获取单元,用于基于上述第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,上述第一目标预测模型用于表示上述第一实际路况信息和上述第一预测路况信息之间的关系;第三获取单元,用于基于上述第二实际路况信息以及上述第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到上述第二目标预测模型用于表示上述第一预测路况信息和上述目标地理位置在第三时刻的预测路况信息之间的关系,上述第三时刻晚于上述第二时刻;第一输入单元,用于将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息。
作为一种可选的方案,上述第二获取单元,包括:第一输入模块,用于将上述第一实际路况信息输入当前上述第一初始预测模型,得到当前上述第一初始预测模型输出的当前预测结果,其中,上述当前预测结果为预测出的上述目标地理位置在上述第二时刻的路况信息;调整模块,用于在上述当前预测结果未达到收敛条件的情况下,调整当前上述第一初始预测模型的当前参数集合中的参数,并将上述第一实际路况信息输入调整后的上述第一初始预测模型,直至调整后的上述第一初始预测模型输出的预测结果达到上述收敛条件;第一确定模块,用于在上述当前预测结果达到上述收敛条件的情况下,将上述当前参数集合确定为上述第一参数集合,得到上述第一目标预测模型。
作为一种可选的方案,上述第三获取单元,包括:第二输入模块,用于将上述第二实际路况信息输入上述第一目标预测模型,得到上述第一目标预测模型输出的第一概率值以及第二概率值,其中,上述第一概率值用于指示上述目标地理位置在上述第二时刻的路况为目标路况的条件下在上述第三时刻的路况为上述目标路况的概率,上述第二概率值用于指示上述目标地理位置在上述第二时刻的路况不为上述目标路况的条件下在上述第三时刻的路况为上述目标路况的概率;第二确定模块,用于根据上述第一概率值以及上述第二概率值确定上述第二参数集合;第三输入模块,用于将上述第二参数集合输入上述第二初始预测模型,得到上述第二目标预测模型。
作为一种可选的方案,上述第一输入单元,包括:第一计算模块,用于计算上述第一概率值和第三概率值的第一乘积值,其中,上述第三概率值用于表示上述目标地理位置在上述第二时刻所处的路况为上述目标路况的预测概率,上述第一预测路况信息包括上述第三概率值;第二计算模块,用于计算上述第二概率值和第四概率值的第二乘积值,其中,上述第四概率值与上述第三概率值之和为1;第三计算模块,用于对上述第一乘积值以及上述第二乘积值进行相加计算,得到目标概率值作为上述第二预测路况信息,其中,上述目标概率值用于表示上述目标地理位置在上述第三时刻所处的路况为上述目标路况的预测概率。
作为一种可选的方案,上述第一获取单元,包括:第一获取模块,用于从目标区块链中获取上述第二时刻对应的目标区块,其中,在上述目标区块链中是按照时刻划分区块的,上述目标区块链所包括的区块中记录了上述区块对应的时刻的实际路况信息和预测路况信息,以及,上述区块对应的时刻之前的全部历史时刻的实际路况信息和预测路况信息;第二获取模块,用于从上述目标区块中获取上述第一实际路况信息、上述第一预测路况信息以及上述第二实际路况信息。
作为一种可选的方案,上述第一获取单元包括:第三获取模块,用于在上述第二时刻获取目标应用上触发的积水路况查询请求,其中,上述目标应用为目标账号所登录的用于查询上述目标地图中每个地理位置的路况信息的应用,上述积水路况查询请求用于请求查询上述目标地理位置在上述第三时刻的积水路况信息;第四获取模块,用于响应上述积水路况查询请求,获取第一实际积水信息,第二实际积水信息,以及第一预测积水信息,其中,上述第一实际路况信息包括上述第一实际积水信息,上述第二实际路况信息包括上述第二实际积水信息,上述第一预测路况信息包括上述第一预测积水信息。
作为一种可选的方案,上述第四获取模块包括以下至少之一:第一获取子模块,用于通过配置在上述目标地理位置所处的预设范围内的图像采集装置,采集上述目标地理位置在上述第二时刻的路况图像;识别上述路况图像,得到上述第二实际积水信息;第二获取子模块,用于获取上述第二时刻位于在上述目标地理位置的第一车辆上报的水位信息,其中,上述水位信息用于表示上述目标地理位置处的积水相对于上述第一车辆的水位高度;识别上述水位信息,得到上述第二实际积水信息。
作为一种可选的方案,上述装置还包括以下至少之一:第五获取模块,用于在将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息之后,在上述第二预测积水信息所指示的积水深度大于或者等于预警阈值的情况下,在上述目标应用上显示第一预警信息,其中,上述第一预警信息用于对上述目标地理位置在上述第三时刻的积水深度将达到上述预警阈值的事件进行预警;第六获取模块,用于在将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息之后,获取上述目标账号绑定的第二车辆的车辆尺寸信息所指示的上述第二车辆的最小离地间隙;在上述第二预测积水信息所指示的积水深度大于或者等于上述最小离地间隙的情况下,在上述目标应用上显示第二预警信息,其中,上述第二预警信息用于对上述目标地理位置在上述第三时刻的积水深度将达到或者超过上述最小离地间隙的事件进行预警。
作为一种可选的方案,包括:第四获取单元,用于在上述获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,上述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,在上述第一时刻为初始时刻的情况下,获取上述第一实际路况信息;第二输入单元,用于在上述获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,上述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,将上述第一实际路况信息输入第三目标预测模型,其中,上述第三目标预测模型为利用多个标注了路况信息的样本路况特征对第三初始预测模型进行训练得到的;第五获取单元,用于在上述获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,上述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,获取上述第三目标预测模型输出的预测路况信息作为上述第一预测路况信息。
作为一种可选的方案,包括:第六获取单元,用于在上述将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息之后,获取上述第二实际路况信息,上述目标地理位置在上述第三时刻的第三实际路况信息以及上述第二预测路况信息;第七获取单元,用于在上述将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息之后,基于上述第二实际路况信息获取上述第一初始预测模型的第三参数集合,得到第四目标预测模型,其中,上述第四目标预测模型用于表示上述第二实际路况信息和上述第二预测路况信息之间的关系;第八获取单元,用于在上述将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息之后,基于上述第三实际路况信息以及上述第四目标预测模型获取上述第二初始预测模型的第四参数集合,得到第五目标预测模型,其中,上述第五目标预测模型用于表示上述第二预测路况信息和上述目标地理位置在第四时刻的预测路况信息之间的关系,上述第四时刻晚于上述第三时刻;第三输入单元,用于在上述将上述第一预测路况信息输入上述第二目标预测模型,得到上述目标地理位置在上述第三时刻的第二预测路况信息之后,将上述第二预测路况信息输入上述第五目标预测模型,得到上述目标地理位置在上述第四时刻的第三预测路况信息。
根据本发明实施例的另一方面,还提供了另一种路况信息的预测装置,包括:第九获取单元,用于获取目标帐号发起的路况信息预测请求,其中,上述路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,上述第三时刻晚于当前时刻;第十获取单元,用于响应上述路况信息预测请求,获取上述目标地图中的上述目标地理位置在上述第三时刻的预测路况信息,其中,上述第三时刻的预测路况信息是根据第二时刻的预测路况信息以及上述第二时刻的预测路况信息与上述第三时刻的预测路况信息之间的第一关联关系确定的,上述第一关联关系是根据上述第二时刻的实际路况信息以及第一时刻的实际路况信息和上述第二时刻的预测路况信息之间的第二关联关系确定的,上述第二关联关系是根据第一时刻的实际路况信息预测的,上述第二时刻为上述当前时刻,上述第一时刻早于上述当前时刻;展示单元,用于向上述目标帐号展示上述第三时刻的预测路况信息。
根据本发明实施例的又一方面,还提供了一种计算机可读的存储介质,该计算机可读的存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述路况信息的预测方法。
根据本发明实施例的又一方面,还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,上述处理器通过计算机程序执行上述的路况信息的预测方法。
在本发明实施例中,通过历史时刻(第一时刻)以及当前时刻(第二时刻)的实际路况信息(如第一实际路况信息、第二实际路况信息)和预测路况信息(如第一预测路况信息),获取预测模型(如第一目标预测模型、第二目标预测模型)的参数集合(如第一参数集合、第二参数即和),并基于获取到的预测模型对未来时刻(第三时刻)的路况信息进行预测(得到第二预测路况信息),即提供了一种可以预测路况信息的方法。
具体的,在本发明实施例中,先利用历史时刻的实际信息对初始的预测模型(如第一初始预测模型)进行处理(以获取第一参数集合),得到历史时刻的实际路况信息和当前时刻的预测路况信息之间的关系,再利用上述历史时刻的实际路况信息和当前时刻的预测路况信息之间的关系结合当前时刻的实际信息的方式,对另一初始的预测模型(如第二初始预测模型)进行处理(以获取第二参数集合),得到上述当前时刻的预测路况信息和未来时刻的预测路况信息之间的关系;进一步,利用当前时刻的预测路况信息和未来时刻的预测路况信息之间的关系结合预先获取到的当前时刻的预测路况信息的方式,就可以得到未来时刻的预测路况信息;由于在上述路况信息的预测过程中结合了历史时刻以及当前时刻的实况信息,使得预测得到的结果(第二预测路况信息)符合实况信息在历史时刻以及当前时刻中的规律分布;此外,由于在上述路况信息的预测过程中还涉及当前时刻的预测信息,其可理解为结合了预测信息在当前时刻的反馈(如预测信息与实际信息是否匹配),使路况信息的预测具有一定的实时性(如预测信息与实际信息不匹配则对应修改预测模型的相关参数等),更贴近实际,拥有更高的预测准确性,即提供了一种可以准确预测路况信息的方法。
概括而言,在本发明实施例中,既提供了一种可以预测路况信息的方法,还利用结合历史时刻与当前时刻的实况信息,以及当前时刻的预测信息的方式,提高了上述路况信息的预测准确性,进而达到了可以准确预测未来时刻的路况信息的目的,从而实现了提供一种可以准确预测路况信息的方法的技术效果,以解决相关技术中缺乏一种可以准确性预测路况信息的方法的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的路况信息的预测方法的应用环境的示意图;
图2是根据本发明实施例的一种可选的路况信息的预测方法的流程的示意图;
图3是根据本发明实施例的一种可选的路况信息的预测方法的示意图;
图4是根据本发明实施例的另一种可选的路况信息的预测方法的示意图;
图5是根据本发明实施例的另一种可选的路况信息的预测方法的示意图;
图6是根据本发明实施例的另一种可选的路况信息的预测方法的示意图;
图7是根据本发明实施例的另一种可选的路况信息的预测方法的示意图;
图8是根据本发明实施例的一种可选的路况信息的预测装置的示意图;
图9是根据本发明实施例的另一种可选的路况信息的预测装置的示意图;
图10是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先,为方便理解本发明实施例,下面对本发明中所涉及的部分术语或名词进行解释说明:
区块链:一个分布式的共享账本和数据库,具有去中心化、不可篡改、全程留痕、可以追溯、集体维护、公开透明等特点。
私钥:通过一种算法得到的一个密钥对中用户自己保留的密钥。
公钥:通过一种算法得到的一个密钥对中向外界公开的密钥。
车辆最小离地间隙:汽车在满载(允许最大荷载质量)的情况下,底盘最低点距离地面的距离。最小离地间隙反映的是汽车无碰撞通过有障碍物或凹凸不平的地面的能力。
状态转移机器学习算法:一种基于历史分类状态修正的机器学习模型。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个综合技术,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科,涉及领域广泛,既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
机器学习(Machine Learning,简称ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
本申请实施例提供的方案涉及人工智能的机器学习、环境感知等技术,具体通过如下实施例进行说明:
根据本发明实施例的一个方面,提供了一种路况信息的预测方法,可选地,作为一种可选的实施方式,上述路况信息的预测方法可以但不限于应用于如图1所示的环境中。其中,可以但不限于包括用户设备102、网络110及服务器112,其中,该用户设备102上可以但不限于包括显示器108、处理器106及存储器104。
具体过程可如下步骤:
步骤S102,用户设备102获取导航客户端中目标地图1022上触发的导航请求;
步骤S104-S106,用户设备102通过网络110将导航请求发送给服务器112;
步骤S108,服务器112通过数据库114查找导航请求中携带的起点地理位置与终点地理位置,进而生成与起点地理位置与终点地理位置相匹配的过程路线,再通过处理引擎116将过程路线中可能/已会发生积水状况的地理位置进行汇集处理,从而生成预警信息1024,其中,该预警信息用于预警过程路线中可能/已会发生积水状况的地理位置;
步骤S110-S112,服务器112通过网络110将预警信息1024发送给用户设备102;
步骤S114,用户设备102中的处理器106将预警信息1024显示在显示器108中(如“该道路路段最深积水超过50mm,并造成道路堵塞,请注意行车安全”),并将预警信息1024对应的可能/已会发生积水状况的地理位置存储在存储器104中。
除图1示出的示例之外,上述步骤可以由用户设备102独立完成,即由用户设备102执行查找导航请求中携带的起点地理位置与终点地理位置、生成与起点地理位置与终点地理位置相匹配的过程路线、将过程路线中可能/已会发生积水状况的地理位置进行汇集处理或生成预警信息等步骤,从而减轻服务器的处理压力。该用户设备102包括但不限于手持设备(如手机)、笔记本电脑、台式电脑、车载设备等,本发明并不限制用户设备102的具体实现方式。
可选地,作为一种可选的实施方式,如图2所示,路况信息的预测方法包括:
S202,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,第一预测路况信息为通过预测得到的目标地理位置在第二时刻的路况信息,第二时刻晚于第一时刻;
S204,基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,第一目标预测模型用于表示第一实际路况信息和第一预测路况信息之间的关系;
S206,基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到第二目标预测模型用于表示第一预测路况信息和目标地理位置在第三时刻的预测路况信息之间的关系,第三时刻晚于第二时刻;
S208,将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息。
可选地,在本实施例中,上述路况信息的预测方法可以但不限于应用在地图导航场景下,例如在导航客户端上触发开始导航请求的情况下,根据导航请求中携带的起始位置以及终点位置生成对应的一条或多条路线,再对该一条或多条路线中的每个或部分地理位置的预测路况信息进行判断,例如在判断预测路况信息指示行驶至该地理位置的路况时会存在风险的情况下,生成对应的预警信息,以预警存在风险的地理位置,以及该地理位置的路况详情等。
可选地,在本实施例中,目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息等信息的获取,可以但不限于预先通过云服务器的存储库、本地客户端的数据库或区块链中的区块对目标地图中全部或部分地理位置在全部或部分时刻的全部或部分实际路况信息/预测路况信息;
进一步在确定预测的时刻为第三时刻(未来时刻)、预测的地理位置为目标地理位置的情况下,指定获取作为第三时刻的上一时刻的第二时刻(当前时刻)在目标地理位置的实际路况信息以及预测路况信息,以及获取作为第二时刻的上一时刻的第一时刻(历史实例)在目标地理位置的实际路况信息,再基于获取到的信息执行上述路况信息的预测方法,得到目标地理位置在第三时刻的预测路况信息;
此外,上述路况信息的预测方法可以但不限于为实时执行的,或可理解预测信息的获取是每时每刻执行的,例如假设处于当前时刻(第二时刻),无论是否接收到用于预测未来时刻(第三时刻)目标地理位置所处的预测路况信息,都将采用上述路况信息的预测方法以获取目标地理位置在第三时刻的预测路况信息,并将该预测路况信息进行存储,从而在接收到对应的预测请求时可以最快地速度进行响应,并提供对应的预测路况信息,其中,存储方式可以但不限于包括以下至少之一:云服务器、本地数据库、区块链等。
可选地,在本实施例中,目标地理位置可以但不限于为目标地图中的任一地理位置,也可以但不限于为响应于目标请求而在目标地图中选取的地理位置,其中,目标请求可以但不限用于请求生成导航路线、请求获取多个地理位置或请求获取目标地理位置的预测路况信息等;
进一步,在目标请求用于请求生成导航路线的情况下,目标地理位置可以但不限于为该导航路线中的每个地理位置;在目标请求用于请求获取多个地理位置的情况下,目标地理位置可以但不限于为该多个地理位置中的每个地理位置。
可选地,在本实施例中,第一时刻可以但不限用于表示历史时刻中的一个时刻或多个时刻所组成的时刻集合,进而在第一时刻用于表示历史时刻中多个时刻所组成的时刻集合的情况下,第一实际路况信息可以但不限于为上述多个时刻中每个时刻对应的实际路况信息的信息集合。
可选地,在本实施例中,第二时刻可以但不限于理解为当前时刻,进而在响应于目标请求的场景下,获取目标请求的时刻可以但不限于理解为当前时刻(第二时刻)。
可选地,在本实施例中,第三时刻可以但不限于理解为当前时刻的下一或多时刻,进而在响应于用于请求生成导航路线的目标请求的场景下,导航路线上包括了起始位置、终点位置以及多个中间位置,则第三时刻可以但不限于为预测达到每个位置的未来时刻;
进一步举例说明,可选地例如图3所示,获取在第二时刻在导航客户端上触发的开启导航请求,其中,该开启导航请求中携带有图3中的(a)所示在导航客户端上输入的起点位置“XX”以及终点位置“YY”;按照起点位置“XX”以及终点位置“YY”在导航客户端的目标地图302上显示导航路线304,如图3中的(b)所示;
基于此,可选的采用上述路况信息的预测方法获取导航路线304上每个地理位置在未来时刻(第二时刻)的预测路况信息,并将指示存在危险路况的预测路况信息对应的地理位置标注出来,如图3中的(c)所示。
可选地,在本实施例中,第一实际路况信息可以但不限于包括路况特征以及路况标签,其中,路况特征用于表示目标地理位置在第一时刻所表现的路况信息,以路况信息为拥堵信息为例说明,路况特征可以但不限用于表示目标地理位置在第一时刻所表现的车流密度、车辆通行速度、红绿灯的配置情况、是否有管理人员疏散密集车辆等与拥堵相关的路况信息;再以路况信息为积水信息为例说明,路况特征可以但不限用于表示目标地理位置在第一时刻所表现的积水深度、被降雨量、排水速度、排水设施的配置情况等;
而路况标签可以但不限用于表示目标地理位置在第一时刻所处的路况类型,以路况信息为拥堵信息为例说明,路况标签可以但不限用于表示目标地理位置在第一时刻所处的拥堵等级,例如拥堵一级最低,拥堵九级最高等,或拥堵车辆密度大于密度阈值视为积水路况类型,拥堵车辆密度小于密度阈值视为非积水路况类型等;而以路况信息为积水信息为例说明,路况标签可以但不限用于表示目标地理位置在第一时刻所处的积水等级,例如积水一级最低,积水九级最高等,或积水深度大于深度阈值视为积水路况类型,积水深度小于深度阈值视为非积水路况类型等。
可选地,在本实施例中,第一预测路况信息可以但不限于在第一时刻利用上述路况信息的预测方法预测到的目标地理位置在第二时刻的预测路况信息,第一预测路况信息也可以但不限于在第一时刻利用其他路况信息的预测方法预测到的目标地理位置在第二时刻的预测路况信息;
或可理解为上述路况信息的预测方法进行预测所需的依据元素可以但不限于至少包括上一时刻的实际路况信息、当前时刻的实际路况信息、在上一时刻预测到的当前时刻的预测路况信息。
可选地,在本实施例中,第一初始预测模型可以但不限于为配置有待输入参数以及训练参数的算法模型,其中,训练参数包括第一参数集合中的部分或全部参数;例如第一初始预测模型为:y=ax+b,其中y用于表示第一初始预测模型的输出结果,x用于表示第一初始预测模型的输入参数,a、b用于表示第一初始预测模型的训练参数;
基于此,第一目标预测模型的获取可以但不限于理解为输入带有标签的数据(如第一实际路况信息),且该样本包括输入参数x1(如第一实际路况信息的路况特征)以及标签y1(如第一实际路况信息的路况标签),则在第一初始预测模型的初始训练参数a0、b0的基础上,获得第一初始预测模型的当前输出结果,即a0×x1+b0;再使用该当前输出结果与标签y1作比较,以确定当前的第一初始预测模型是否达到收敛条件,若是,则将初始训练参数a0、b0作为最终的训练参数(第一参数集合);若否,则根据比较结果调整初始训练参数,并基于调整后的初始训练参数继续下一次的模型训练,直至达到收敛条件,将配置有最终的训练参数的第一初始预测模型确定为第一目标预测模型。
可选地,在本实施例中,第二初始预测模型可以但不限于为配置有待输入参数、固定参数,以及条件参数的算法模型,其中,训练参数包括第二参数集合中的部分或全部参数;例如第二初始预测模型包括:P(d=1)=cx,P(d=0)=cx,其中P用于表示第二初始预测模型的输出结果,x用于表示第二初始预测模型的输入参数,c用于表示第二初始预测模型的固定参数(可理解为不随着模型的变化而变化的参数),d用于表示第二初始预测模型的条件参数(可理解为根据输入参数是否满足或满足何种条件的判断结果而发生变化的参数);
基于此,第二目标预测模型的获取可以但不限于理解为输入带有标签的数据,且该样本包括输入参数x2(如第二实际路况信息输入第一目标预测模型后得到的输出结果)以及标签y2(如第二实际路况信息的路况标签),则假设标签y2指示满足条件参数,则d=1;反之,如果标签y2指示不满足条件参数,则d=0;根据上述计算方式,得到的模型输出参数至少包括以下至少之一:P(d=1)=cx2、P(d=0)=cx2;将模型输出参数确定为第二参数集合,得到第二目标预测模型。
可选地,在本实施例中,第二目标预测模型可以但不限于为配置有待输入参数以及固定参数的算法模型,在将第一预测路况信息(输入参数)输入第二目标预测模型后,结合固定参数通过第二目标预测模型完成对第一预测路况信息的计算,得到的模型输出结果即为目标地理位置在第三时刻的第二预测路况信息。
需要说明的是,通过历史时刻(第一时刻)以及当前时刻(第二时刻)的实际路况信息(如第一实际路况信息、第二实际路况信息)和预测路况信息(如第一预测路况信息),获取预测模型(如第一目标预测模型、第二目标预测模型)的参数集合(如第一参数集合、第二参数即和),并基于获取到的预测模型对未来时刻(第三时刻)的路况信息进行预测(得到第二预测路况信息),即提供了一种可以预测路况信息的方法。
具体的,在本发明实施例中,先利用历史时刻的实际信息对初始的预测模型(如第一初始预测模型)进行处理(以获取第一参数集合),得到历史时刻的实际路况信息和当前时刻的预测路况信息之间的关系,再利用上述历史时刻的实际路况信息和当前时刻的预测路况信息之间的关系结合当前时刻的实际信息的方式,对另一初始的预测模型(如第二初始预测模型)进行处理(以获取第二参数集合),得到当前时刻的预测路况信息和未来时刻的预测路况信息之间的关系;进一步,利用当前时刻的预测路况信息和未来时刻的预测路况信息之间的关系结合预先获取到的当前时刻的预测路况信息的方式,就可以得到未来时刻的预测路况信息;由于在上述路况信息的预测过程中结合了历史时刻以及当前时刻的实况信息,使得预测得到的结果(第二预测路况信息)符合实况信息在历史时刻以及当前时刻中的规律分布;此外,由于在上述路况信息的预测过程中还涉及当前时刻的预测信息,其可理解为结合了预测信息在当前时刻的反馈(如预测信息与实际信息是否匹配),使路况信息的预测具有一定的实时性(如预测信息与实际信息不匹配则对应修改预测模型的相关参数等),更贴近实际,拥有更高的预测准确性,即提供了一种可以准确预测路况信息的方法。
进一步举例说明,可选的例如图4所示,具体步骤如下:
S402,在获取到目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息的情况下,基于第一实际路况信息获取第一初始预测模型的第一参数集合;
S404,依据第一参数集合得到第一目标预测模型;
S406,基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合;
S408,依据第二参数集合得到第二目标预测模型;
S410,将第一预测路况信息输入第二目标预测模型;
S412,得到目标地理位置在第三时刻的第二预测路况信息。
通过本申请提供的实施例,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息;基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型;基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型;将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息,既提供了一种可以预测路况信息的方法,还利用结合历史时刻与当前时刻的实况信息,以及当前时刻的预测信息的方式,提高了上述路况信息的预测准确性,进而达到了可以准确预测未来时刻的路况信息的目的,从而实现了提供一种可以准确预测路况信息的方法的技术效果。
作为一种可选的方案,基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,包括:
S1,将第一实际路况信息输入当前第一初始预测模型,得到当前第一初始预测模型输出的当前预测结果,其中,当前预测结果为预测出的目标地理位置在第二时刻的路况信息;
S2,在当前预测结果未达到收敛条件的情况下,调整当前第一初始预测模型的当前参数集合中的参数,并将第一实际路况信息输入调整后的第一初始预测模型,直至调整后的第一初始预测模型输出的预测结果达到收敛条件;
S3,在当前预测结果达到收敛条件的情况下,将当前参数集合确定为第一参数集合,得到第一目标预测模型。
可选地,在本实施例中,第一初始预测模型可以但不限于为配置有待输入参数以及训练参数的算法模型,其中,训练参数包括第一参数集合中的部分或全部参数;例如第一初始预测模型为:y=ax+b,其中y用于表示第一初始预测模型的输出结果,x用于表示第一初始预测模型的输入参数,a、b用于表示第一初始预测模型的训练参数;
可选地,在本实施例中,收敛条件可以但不限于与第一实际路况信息中的路况标签相关,例如假设将第一目标预测模型的获取理解为输入带有标签的数据(如第一实际路况信息),且该样本包括输入参数x1(如第一实际路况信息的路况特征)以及标签y1(如第一实际路况信息的路况标签),则在第一初始预测模型的初始训练参数a0、b0的基础上,获得第一初始预测模型的当前输出结果,即a0×x1+b0;再使用该当前输出结果与标签y1作比较,以确定当前的第一初始预测模型是否达到收敛条件,若是,则将初始训练参数a0、b0作为最终的训练参数(第一参数集合);若否,则根据比较结果调整初始训练参数,并基于调整后的初始训练参数继续下一次的模型训练,直至达到收敛条件,将配置有最终的训练参数的第一初始预测模型确定为第一目标预测模型。
通过本申请提供的实施例,将第一实际路况信息输入当前第一初始预测模型,得到当前第一初始预测模型输出的当前预测结果,其中,当前预测结果为预测出的目标地理位置在第二时刻的路况信息;在当前预测结果未达到收敛条件的情况下,调整当前第一初始预测模型的当前参数集合中的参数,并将第一实际路况信息输入调整后的第一初始预测模型,直至调整后的第一初始预测模型输出的预测结果达到收敛条件;在当前预测结果达到收敛条件的情况下,将当前参数集合确定为第一参数集合,得到第一目标预测模型,实现了提高预测模型的预测准确性的效果。
作为一种可选的方案,基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,包括:
S1,将第二实际路况信息输入第一目标预测模型,得到第一目标预测模型输出的第一概率值以及第二概率值,其中,第一概率值用于指示目标地理位置在第二时刻的路况为目标路况的条件下在第三时刻的路况为目标路况的概率,第二概率值用于指示目标地理位置在第二时刻的路况不为目标路况的条件下在第三时刻的路况为目标路况的概率;
S2,根据第一概率值以及第二概率值确定第二参数集合;
S3,将第二参数集合输入第二初始预测模型,得到第二目标预测模型。
可选地,在本实施例中,第二初始预测模型可以但不限于为配置有待输入参数、固定参数,以及条件参数的算法模型,其中,训练参数包括第二参数集合中的部分或全部参数;例如第二初始预测模型包括:P(d=1)=cx,P(d=0)=cx,其中P用于表示第二初始预测模型的输出结果,x用于表示第二初始预测模型的输入参数,c用于表示第二初始预测模型的固定参数(可理解为不随着模型的变化而变化的参数),d用于表示第二初始预测模型的条件参数(可理解为根据输入参数是否满足或满足何种条件的判断结果而发生变化的参数);
基于此,第二目标预测模型的获取可以但不限于理解为输入带有标签的数据,且该样本包括输入参数x2(如第二实际路况信息输入第一目标预测模型后得到的输出结果)以及标签y2(如第二实际路况信息的路况标签),则假设标签y2指示满足条件参数,则d=1;反之,如果标签y2指示不满足条件参数,则d=0;根据上述计算方式,得到的模型输出参数至少包括以下至少之一:P(d=1)=cx2(第一概率值)、P(d=0)=cx2(第二概率值);将模型输出参数确定为第二参数集合,得到第二目标预测模型。
通过本申请提供的实施例,将第二实际路况信息输入第一目标预测模型,得到第一目标预测模型输出的第一概率值以及第二概率值,其中,第一概率值用于指示目标地理位置在第二时刻的路况为目标路况的条件下在第三时刻的路况为目标路况的概率,第二概率值用于指示目标地理位置在第二时刻的路况不为目标路况的条件下在第三时刻的路况为目标路况的概率;根据第一概率值以及第二概率值确定第二参数集合;将第二参数集合输入第二初始预测模型,得到第二目标预测模型,实现了提高预测模型的预测准确性的效果。
作为一种可选的方案,将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息,包括:
S1,计算第一概率值和第三概率值的第一乘积值,其中,第三概率值用于表示目标地理位置在第二时刻所处的路况为目标路况的预测概率,第一预测路况信息包括第三概率值;
S2,计算第二概率值和第四概率值的第二乘积值,其中,第四概率值与第三概率值之和为1;
S3,对第一乘积值以及第二乘积值进行相加计算,得到目标概率值作为第二预测路况信息,其中,目标概率值用于表示目标地理位置在第三时刻所处的路况为目标路况的预测概率。
进一步举例说明,可选的例如假设第一概率值为P1,第二概率值为P2,第三概率值为P3,目标概率值为P4,则第四概率值可以但不限于为(1-P3);
基于此,目标概率值的计算可以但不限可表达为:P4=P1×P3+P1×(1-P3)。
作为一种可选的方案,将第二实际路况信息输入第一目标预测模型,得到第一目标预测模型输出的第一概率值以及第二概率值,包括:
其中,t为第二时刻,t+1为第三时刻,X用于表示实际路况信息,Y用于表示预测路况信息,为第一概率值,为第二概率值,第一参数集合包括Wx和wy,Y=1用于表示路况为目标路况,Y=0用于表示路况不为目标路况。
作为一种可选的方案,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,包括:
S1,从目标区块链中获取第二时刻对应的目标区块,其中,在目标区块链中是按照时刻划分区块的,目标区块链所包括的区块中记录了区块对应的时刻的实际路况信息和预测路况信息,以及,区块对应的时刻之前的全部历史时刻的实际路况信息和预测路况信息;
S2,从目标区块中获取第一实际路况信息、第一预测路况信息以及第二实际路况信息。
可选地,在本实施例中,目标区块链可以但不限于理解为一个共享数据库,存储于其中的数据或信息,具有不可伪造、全程留痕、可以追溯、公开透明、集体维护等特性。
进一步,在本实施例中,利用目标区块链的不可伪造、公开透明等特性,保证了上述路况信息的预测方法的执行过程中的安全性。
再者,在本实施例中,利用目标区块链的全程留痕、可以追溯,将目标地图中的部分或全部的地理位置(包括目标地理位置)在部分或全部时刻(包括第一时刻、第二时刻、第三时刻)的实际路况信息(包括第一实际路况信息、第二实际路况信息)以及预测路况信息(包括第一预测路况信息、第二预测路况信息),还可以但不限于包括执行过程中产生的全部或部分参数集合(包括第一参数集合、第二参数集合)、目标预测模型(包括第一目标预测模型、第二目标预测模型)全都存储在目标区块链(即上链),存储方式可以但不限于采用时刻对应区块的方式,具体的将第一时刻对应的实际路况信息、预测路况信息、参数集合、目标预测模型存储至带有第一时刻时间戳的区块中;同理将第二时刻对应的实际路况信息、预测路况信息、参数集合、目标预测模型存储至带有第二时刻时间戳的区块中;
可选地,带有第一时刻时间戳的区块中还可以但不限于存储有第一时刻之前的全部实际路况信息、预测路况信息、参数集合、目标预测模型等信息;同理带有第二时刻时间戳的区块中还可以但不限于存储有第二时刻之前的全部实际路况信息、预测路况信息、参数集合、目标预测模型等信息(至少包括第一时刻对应的实际路况信息、预测路况信息、参数集合、目标预测模型)。
此外,利用目标区块链的集体维护等特性,还可通过多个设施并行地对实际路况信息进行实时采集,并将实时采集的相关信息进行上链,以提高信息的获取效率。
可选地,在本实施例中,每个区块都采用哈希算法加密,但可通过区块链的公钥技术可以实现区块上的信息共享,同时通过私钥技术,可以防止恶意篡改数据,验证信息的真实性。例如在基于历史特征及标签的概率预测上,使用公钥技术解码上一区块的信息,将使用本期(时刻)特征及标签预测的概率a和b及基于所有历史特征数据和标签预测的概率pt进行相乘后求和,得到t+1期基于所有历史特征数据和标签序列得到的预测概率pt+1,并使用哈希加密将当期区块进行加密,并生成私钥发放给目标地图对应的客户端系统,进而使用客户端系统的每个合法账户都将分配一个公钥和私钥,以实现在区块链上获取路况预测信息的方法。同时将本期的区块哈希值作为父区块哈希值传给下一区块节点(在该区块链上将下一期作为下一区块节点)。
需要说明的是,从目标区块链中获取第二时刻对应的目标区块;从目标区块中获取第一实际路况信息、第一预测路况信息以及第二实际路况信息。
进一步举例说明,可选的例如图5所示的目标区块链502(省略号用于表示未显示出来但可以但不限于存在的区块),目标区块链502的每个区块中都存储有多项数据/信息,如区块ID、父区块哈希值、时间戳、随机数、历史特征以及特征序列、历史标签以及标签序列、预测概率、分类概率等;
其中,假设t用于表示当前时刻(第二时刻),t-1用于表示历史时刻(第一时刻),t+1用于表示未来时刻(第三时刻),则带有时间戳(t-1)的区块为第一时刻对应的区块、带有时间戳(t)的区块为第二时刻对应的区块、带有时间戳(t+1)的区块为第三时刻对应的区块;
此外,还例如图5所示,假设Xt用于表示当前时刻的特征,Yt用于表示当前时刻的标签,且当前时刻的实际路况信息包括Xt与Yt;则同理,Xt-1、Xt-2、Xt-3……用于表示历史时刻的特征序列,Yt-1、Yt-2、Yt-3……用于表示历史时刻的标签序列;
以及假设Pt用于表示当前时刻的预测概率,且当前时刻的预测路况信息包括Pt;则同理Pt-1用于表示历史时刻的预测概率,Pt+1用于表示未来时刻的预测概率;
而图5中所示的分类概率(如at、bt)可理解为用于计算当前时刻的预测概率Pt的参考概率值;
进一步举例说明,可选地以带有时间戳(t-1)的区块(假设为第一区块)为例说明,区块ID用于表示第一区块的区块标识;父区块哈希值为上一个区块的所有信息的哈希值;而随机数对于区块链来说非常关键,本质来说该随机数的作用为被全网确认、且不能被操控、也不能被预测;历史特征序列为多个历史时刻对应的带有时序的路况特征集合,可以但不限于包括t-1期(时刻)的路况特征;历史标签序列为多个历史时刻对应的带有时序的路况标签集合,可以但不限于包括t-1期(时刻)的路况标签;预测概率Pt-1为在t-2期(时刻)进行预测所得到的t-1期的预测概率;分类概率[at,bt]为用于计算预测概率Pt的参考概率值。
通过本申请提供的实施例,从目标区块链中获取第二时刻对应的目标区块,其中,在目标区块链中是按照时刻划分区块的,目标区块链所包括的区块中记录了区块对应的时刻的实际路况信息和预测路况信息,以及,区块对应的时刻之前的全部历史时刻的实际路况信息和预测路况信息;从目标区块中获取第一实际路况信息、第一预测路况信息以及第二实际路况信息,达到了利用区块链的技术特性以提高路况信息的预测效果。
作为一种可选的方案,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息包括:
S1,在第二时刻获取目标应用上触发的积水路况查询请求,其中,目标应用为目标账号所登录的用于查询目标地图中每个地理位置的路况信息的应用,积水路况查询请求用于请求查询目标地理位置在第三时刻的积水路况信息;
S2,响应积水路况查询请求,获取第一实际积水信息,第二实际积水信息,以及第一预测积水信息,其中,第一实际路况信息包括第一实际积水信息,第二实际路况信息包括第二实际积水信息,第一预测路况信息包括第一预测积水信息。
可选地,在本实施例中,在路况信息包括积水(路况)信息的场景中,用户可以但不限于通过用于查询目标地图中每个地理位置的路况信息的目标应用以主动查询目标地理位置在未来时刻(第三时刻)的预测路况信息。
可选地,在本实施例中,积水场景可以但不限于与区块链技术相结合,例如响应积水路况查询请求,从目标区块链上与第三时刻对应的区块中直接获取第二预测积水信息。换言之,已将根据第一实际积水信息,第二实际积水信息,以及第一预测积水信息计算得到的第二预测积水信息存储至第三时刻对应的区块,进而在获取到积水路况查询请求的情况下,可直接调取第三时刻对应的区块中存储的第二预测积水信息,进而实现了提高预测积水信息的获取及时性。
需要说明的是,积水场景相比于其他路况场景(如拥堵场景、修路场景等)其所需预测路况信息的及时性要求更高,原因在于积水过深会产生一定的危险性,且由于雨水等元素所导致的积水路况其速度较快,如果不进行及时预测,则会导致用户行驶至积水路况而产生危险,使得预测出来的积水信息无法起到应有的作用。概括而言,采用区块链技术并应用至积水场景,可利用区块链技术的特性以提高预测信息的获取及时性,从而契合积水场景的场景特征(需高及时性的预测信息),以提高对积水信息进行预测的实用性。
作为一种可选的方案,获取第二实际积水路况信息包括以下至少之一:
S1,通过配置在目标地理位置所处的预设范围内的图像采集装置,采集目标地理位置在第二时刻的路况图像;识别路况图像,得到第二实际积水信息;
S2,获取第二时刻位于在目标地理位置的第一车辆上报的水位信息,其中,水位信息用于表示目标地理位置处的积水相对于第一车辆的水位高度;识别水位信息,得到第二实际积水信息。
可选地,在本实施例中,对于实际积水信息的采集,可以但不限于通过安装在车辆外部或道路周边的图像采集装置进行采集,如涉水警示系统、激光探测器、提示柱、微处理器、水位浮标、红绿灯开关、充电电池等。
可选地,在本实施例中,对于实际积水信息的采集,由于安装在外部的图像采集设别往往容易损坏,购买成本和维护成本极高,因此还可以但不限于将第二时刻位于在目标地理位置的车辆作为另一种形式的信息采集设备,对第二时刻位于在目标地理位置的实际路况信息进行采集,例如将图像采集设备安装在车辆外部(如车身、车头、车尾等)、车辆通过安装在车身的水位传感器以采集积水相对于车辆的深度等。
通过本申请提供的实施例,通过配置在目标地理位置所处的预设范围内的图像采集装置,采集目标地理位置在第二时刻的路况图像;识别路况图像,得到第二实际积水信息;获取第二时刻位于在目标地理位置的第一车辆上报的水位信息,其中,水位信息用于表示目标地理位置处的积水相对于第一车辆的水位高度;识别水位信息,得到第二实际积水信息,达到了提高信息采集的全面度的目的,且在通过车辆上报以获得水位信息的场景下,还可实现有效降低硬件的购买和维护成本的效果。
作为一种可选的方案,在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,方法还包括以下至少之一:
S1,在第二预测积水信息所指示的积水深度大于或者等于预警阈值的情况下,在目标应用上显示第一预警信息,其中,第一预警信息用于对目标地理位置在第三时刻的积水深度将达到预警阈值的事件进行预警;
S2,获取目标账号绑定的第二车辆的车辆尺寸信息所指示的第二车辆的最小离地间隙;在第二预测积水信息所指示的积水深度大于或者等于最小离地间隙的情况下,在目标应用上显示第二预警信息,其中,第二预警信息用于对目标地理位置在第三时刻的积水深度将达到或者超过最小离地间隙的事件进行预警。
可选地,在本实施例中,对于预警信息的显示,可以但不限于仅对积水深度进行预警;此外,还可以但不限于结合积水深度与车辆尺寸进行预警。
进一步举例说明,可选的例如图6所示,获取目标账号绑定的第二车辆602的车辆尺寸信息所指示的第二车辆的最小离地间隙;在第二预测积水信息所指示的预测积水604的积水深度大于或者等于最小离地间隙的情况下,在目标应用上显示第二预警信息(图中未示出)。
通过本申请提供的实施例,在第二预测积水信息所指示的积水深度大于或者等于预警阈值的情况下,在目标应用上显示第一预警信息,其中,第一预警信息用于对目标地理位置在第三时刻的积水深度将达到预警阈值的事件进行预警;获取目标账号绑定的第二车辆的车辆尺寸信息所指示的第二车辆的最小离地间隙;在第二预测积水信息所指示的积水深度大于或者等于最小离地间隙的情况下,在目标应用上显示第二预警信息,其中,第二预警信息用于对目标地理位置在第三时刻的积水深度将达到或者超过最小离地间隙的事件进行预警,实现了提高预警信息的显示及时性的效果。
作为一种可选的方案,在获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,包括:
S1,在第一时刻为初始时刻的情况下,获取第一实际路况信息;
S2,将第一实际路况信息输入第三目标预测模型,其中,第三目标预测模型为利用多个标注了路况信息的样本路况特征对第三初始预测模型进行训练得到的;
S3,获取第三目标预测模型输出的预测路况信息作为第一预测路况信息。
需要说明的是,由于在上述路况信息的预测方法的执行过程中,得到目标地理位置在第三时刻的第二预测路况信息所需的信息包括第一实际路况信息、第二实际路况信息以及第一预测路况信息,而第一预测路况信息可以但不限于为在第一时刻采用相同的上述路况信息的预测方法对第二时刻进行预测得到的预测路况信息,但在第一时刻为初始时刻的情况下,不存在第一时刻的上一时刻的路况信息,因此需要获取第一实际路况信息,再将第一实际路况信息输入第三目标预测模型,并获取第三目标预测模型输出的预测路况信息作为第一预测路况信息,以达到利用其它路况信息的预测方法获取第一预测路况信息的目的。
通过本申请提供的实施例,在第一时刻为初始时刻的情况下,获取第一实际路况信息;将第一实际路况信息输入第三目标预测模型,其中,第三目标预测模型为利用多个标注了路况信息的样本路况特征对第三初始预测模型进行训练得到的;获取第三目标预测模型输出的预测路况信息作为第一预测路况信息,实现了提高预测路况方案的完整性的效果。
作为一种可选的方案,在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,包括:
S1,获取第二实际路况信息,目标地理位置在第三时刻的第三实际路况信息以及第二预测路况信息;
S2,基于第二实际路况信息获取第一初始预测模型的第三参数集合,得到第四目标预测模型,其中,第四目标预测模型用于表示第二实际路况信息和第二预测路况信息之间的关系;
S3,基于第三实际路况信息以及第四目标预测模型获取第二初始预测模型的第四参数集合,得到第五目标预测模型,其中,第五目标预测模型用于表示第二预测路况信息和目标地理位置在第四时刻的预测路况信息之间的关系,第四时刻晚于第三时刻;
S4,将第二预测路况信息输入第五目标预测模型,得到目标地理位置在第四时刻的第三预测路况信息。
需要说明的是,在第三时刻为当前时刻的情况下,为预测目标地理位置在第三时刻的下一时刻(第四时刻)的预测路况信息,获取第二实际路况信息,目标地理位置在第三时刻的第三实际路况信息以及第二预测路况信息;基于第二实际路况信息获取第一初始预测模型的第三参数集合,得到第四目标预测模型;基于第三实际路况信息以及第四目标预测模型获取第二初始预测模型的第四参数集合,得到第五目标预测模型;将第二预测路况信息输入第五目标预测模型,得到目标地理位置在第四时刻的第三预测路况信息。
通过本申请提供的实施例,获取第二实际路况信息,目标地理位置在第三时刻的第三实际路况信息以及第二预测路况信息;基于第二实际路况信息获取第一初始预测模型的第三参数集合,得到第四目标预测模型,其中,第四目标预测模型用于表示第二实际路况信息和第二预测路况信息之间的关系;基于第三实际路况信息以及第四目标预测模型获取第二初始预测模型的第四参数集合,得到第五目标预测模型,其中,第五目标预测模型用于表示第二预测路况信息和目标地理位置在第四时刻的预测路况信息之间的关系,第四时刻晚于第三时刻;将第二预测路况信息输入第五目标预测模型,得到目标地理位置在第四时刻的第三预测路况信息,实现了提高预测路况方案的完整性的效果。
作为一种可选的方案,为方便理解,将上述路况信息的预测方法结合区块链技术,并应用具体的道路积水场景中,内容如下:
采用所有历史地理位置信息特征、车主上传水位信息特征,构成的特征序列(其中,表示t期由地理位置信息特征与车主上传的水位信息特征构成的t期特征信息),及t-1期道路积水标签(1表示道路积水深度超过50mm;0表示道路积水深度不超过50mm),并构建基于历史特征序列与道路积水标签的分类模型如下述公式(1)所示:
其中,
在技术实现上,采用区块链方法,将历史特征序列及标签序列上链。采用t-1期的特征Xt-1、标签Yt-1及t期标签Yt,通过LR模型训练得到t期模型Wt,代入t期的特征Xt及t期标签Yt,分别得到t+1期预测概率,即如下述公式(2)所示:
其中,LR模型的公式可表达为:
区块链上每一个区块都包含上一个区块的所有信息的哈希值。区块链上每一个区块的信息包括:区块ID、父区块哈希值、时间戳、随机数、历史特征数据序列、历史标签数据序列、本期区块包含上期基于历史特征数据及标签预测的预测概率。采用哈希算法加密,每辆车都拥有一个私钥和一个公钥。通过区块链的公钥技术可以实现区块上的信息共享,同时通过私钥技术,可以防止恶意篡改数据,验证信息的真实性。在基于历史特征及标签的概率预测上,使用公钥技术解码上一区块的信息,将使用本期特征及标签预测的概率a和b及基于所有历史特征数据和标签预测的概率Pt进行相乘后求和,得到t+1期基于所有历史特征数据和标签序列得到的预测概率Pt+1,并使用哈希加密将当期区块进行加密,并生成私钥发放给每辆车的地图系统。同时将本期的区块哈希值作为父区块哈希值传给下一区块节点(在该区块链上将下一期作为下一区块节点)。
以及在构建分类模型时候,采用所有历史特征序列数据和道路积水分类标签序列数据,并通过严格的数据推导得到基于历史特征数据及历史特征标签的分类概率算法迭代模型。本方案的分类算法,能够解决特征数据不足情况下的模型训练和预测问题,此外,通过算法迭代,能够极大降低模型训练成本和预测成本,提高训练效率。同时,通过加入所有历史特征及标签数据,考虑了历史账户状态信息的影响,为了提高模型分类的精准度,其中,分类概率算法迭代模型可表达为:
此外,在构建分类模型时候,通过构建区块链方法,实现算法迭代运算。同时,并将每一期历史特征数据序列、标签序列、基于历史特征及标签计算的分类概率Pt、基于上一期特征及标签计算的分类概率at+1、bt+1上链,并利用区块链的特性构建下一期基于历史数据特征的分类概率Pt+1模型。实现了分类概率的实时变更、防篡改、可回溯、安全性高等特性。
在利用历史数据预测t+1期分类概率Pt+1后,进行二分类,1表示Pt+1>0.5(即,道路积水深度超过50mm),0表示Pt+1<=0.5道路积水深度不超过50mm。同时,将分类结果通过地图展示给用户,并将该分类结果与每辆车辆的最小离地间隙进行对比,如果超过道路积水深度超过50mm,则通过地图展示预警情况,提醒用户注意行车安全。
可选地,在本实施例中,整体流程主要可分为以下六个阶段:账户关联阶段、数据采集阶段、标签生成阶段、样本处理阶段、模型训练测试阶段、模型预测阶段、区块链构建阶段、分类预测阶段、提示用户阶段。如图7所示,具体步骤如下:
S702,账户关联阶段:用户分别在地图中及车机系统中使用车牌号、手机号、身份证号等用户id进行关联,实现地图与车机端之间信息互通。从而使得地图能够获取车机的车辆特征信息(包括但不限于,车俩型号、车辆品牌、车辆长宽高、轴距、最小离地间隙等)。
S704,数据采集阶段:数据采集阶段主要涉及历史地理位置信息特征、车主上传水位信息特征、车机端车辆特征信息。将上述特征根据用户id进行对接,构建乘客出行信用样本特征数据作为输出并存放至云端服务器。
S706,标签生成阶段:输入车主上传水位信息特征,按照道路积水深度超过50mm进行分类标记。1表示道路积水深度超过50mm;0表示道路积水深度不超过50mm,从而道路积水分类标签,存放至云端服务器。
S708,样本处理阶段:输入数据采集阶段的历史地理位置信息特征、车主上传水位信息特征、标签生成阶段的道路积水分类标签数据,并分别构建特征数据序列和标签数据序列。通过统一账号ID(手机号、车牌号、身份证号等)将特征数据与分类标签数据进行对接,对接规则为同时期的特征和标签对接,即:t-1期的特征与t-1期的标签对接。从而得到样本数据序列,对t-1期的样本按一定比例随机切分为训练样本(比例为а)和测试样本(比例为1-а),例如,按照通用经验将样本随机切分为训练样本:测试样本=8:2(即,按8:2的比例随机切分训练样本和测试样本)。采用特征样本序列构建预测样本序列,并将t期的特征数据xt作为预测样本。将处理好的样本数据序列、标签样本序列、预测样本序列、t-1期训练样本和测试样本、t期预测样本存放至云端服务器。
S710,模型训练测试阶段:输入样本处理阶段中云端服务器存储的训练样本、测试样本、t-1期分类标签。采用状态转移的机器学习模型进行训练和测试,并输出t-1期模型。云端服务器存放模型、t期预测样本、t期分类标签Yt。
S712,模型预测阶段:输入模型训练测试阶段的模型、t期预测样本、t期分类标签Yt,代入算法模型中,得到t+1期的基于t期样本数据及t期分类标签的特征数据的分类预测概率。如此类推,构建分类预测概率序列并将存储到云端服务器的数据库中。
S716,区块链构建阶段:输入模型预测阶段的,初期概率计算阶段的初始概率。采用区块链技术,将每一期的特征数据序列、标签数据序列、分类预测概率序列结果上链,并通过分类概率算法迭代模型,计算基于历史特征数据及分类标签的分类预测概率序列。区块链上每一个区块的信息包括:区块ID、父区块哈希值、时间戳、随机数、分类预测概率。采用哈希算法加密,每个乘客都拥有一个私钥和一个公钥。在区块链上计算本期基于历史特征及标签序列数据的分类预测概率上,使用公钥技术解码上一区块的信息,将本期模型计算出的分类概率加入上期区块的基于历史特征及标签序列数据的分类预测概率上,并使用哈希加密将当期区块进行加密,并生成私钥发放给乘客。同时将本期的区块哈希值作为父区块哈希值传给下一区块节点(在区块链上将下一期作为下一区块节点)。
S718,分类阶段:对上述t+1期预测概率按照一定阈值(一般为0.5)进行正负样本划分(其中,当Pt+1>0.5,标记为1,即道路积水超过50mm;当Pt+1≤0.5,标记为0,即道路积水不超过50mm),将分类数据存放在云端服务器中。
S720,地图提示道路积水阶段:输入分类阶段得到的道路积水分类数据,输入车机端车辆特征信息。对分类为1的车辆,通过地图APP端发送信息提示道路积水状态,并比较车辆最小离地间隙,提醒车主注意行车安全等信息。发送信息的形式包括:地图APP端消息推送、手机短信消息推送推送。
通过本申请提供的实施例,采用历史地理位置信息特征、车主上传水位信息特征,构成的特征序列,及历史道路积水标签序列,构建分类模型预测道路积水深度。首次将机器学习算法技术结合数据特征应用于道路积水预测当中,不需要采用现有方案中安装过多的硬件设备信息,有效降低硬件的购买和维护成本,同时,做到提前预测道路积水状态,能有效降低交通事故率;
再者,在构建分类模型时候,采用所有历史特征序列数据和道路积水分类标签序列数据,并通过严格的数据推导得到基于历史特征数据及历史特征标签的分类概率算法迭代模型。本方案的分类算法,能够解决特征数据不足情况下的模型训练和预测问题,此外,通过算法迭代,能够极大降低模型训练成本和预测成本,提高训练效率。同时,通过加入所有历史特征及标签数据,考虑了历史账户状态信息的影响,为了提高模型分类的精准度;
进一步,在构建分类模型时候,通过构建区块链方法,实现算法迭代运算。同时,并将每一期历史特征数据序列、标签序列、基于历史特征及标签计算的分类概率Pt、基于上一期特征及标签计算的分类概率at+1、bt+1上链,并利用区块链的特性构建下一期基于历史数据特征的分类概率Pt+1模型。实现了分类概率的实时变更、防篡改、可回溯、安全性高等特性。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
可选地,作为一种可选的实施方式,另一种路况信息的预测方法还包括:
S1,获取目标帐号发起的路况信息预测请求,其中,路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,第三时刻晚于当前时刻;
S2,响应路况信息预测请求,获取目标地图中的目标地理位置在第三时刻的预测路况信息,其中,第三时刻的预测路况信息是根据第二时刻的预测路况信息以及第二时刻的预测路况信息与第三时刻的预测路况信息之间的第一关联关系确定的,第一关联关系是根据第二时刻的实际路况信息以及第一时刻的实际路况信息和第二时刻的预测路况信息之间的第二关联关系确定的,第二关联关系是根据第一时刻的实际路况信息预测的,第二时刻为当前时刻,第一时刻早于当前时刻;
S3,向目标帐号展示第三时刻的预测路况信息。
具体实施例可以参考上述第一种路况信息的预测方法中所示示例,本示例中在此不再赘述。
根据本发明实施例的另一个方面,还提供了一种用于实施上述路况信息的预测方法的路况信息的预测装置。如图8所示,该装置包括:
第一获取单元802,用于获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,第一预测路况信息为通过预测得到的目标地理位置在第二时刻的路况信息,第二时刻晚于第一时刻;
第二获取单元804,用于基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,第一目标预测模型用于表示第一实际路况信息和第一预测路况信息之间的关系;
第三获取单元806,用于基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到第二目标预测模型用于表示第一预测路况信息和目标地理位置在第三时刻的预测路况信息之间的关系,第三时刻晚于第二时刻;
第一输入单元808,用于将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息。
可选地,在本实施例中,上述路况信息的预测装置可以但不限于应用在地图导航场景下,例如在导航客户端上触发开始导航请求的情况下,根据导航请求中携带的起始位置以及终点位置生成对应的一条或多条路线,再对该一条或多条路线中的每个或部分地理位置的预测路况信息进行判断,例如在判断预测路况信息指示行驶至该地理位置的路况时会存在风险的情况下,生成对应的预警信息,以预警存在风险的地理位置,以及该地理位置的路况详情等。
可选地,在本实施例中,目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息等信息的获取,可以但不限于预先通过云服务器的存储库、本地客户端的数据库或区块链中的区块对目标地图中全部或部分地理位置在全部或部分时刻的全部或部分实际路况信息/预测路况信息;
进一步在确定预测的时刻为第三时刻(未来时刻)、预测的地理位置为目标地理位置的情况下,指定获取作为第三时刻的上一时刻的第二时刻(当前时刻)在目标地理位置的实际路况信息以及预测路况信息,以及获取作为第二时刻的上一时刻的第一时刻(历史实例)在目标地理位置的实际路况信息,再基于获取到的信息执行上述路况信息的预测装置,得到目标地理位置在第三时刻的预测路况信息;
此外,上述路况信息的预测装置可以但不限于为实时执行的,或可理解预测信息的获取是每时每刻执行的,例如假设处于当前时刻(第二时刻),无论是否接收到用于预测未来时刻(第三时刻)目标地理位置所处的预测路况信息,都将采用上述路况信息的预测装置以获取目标地理位置在第三时刻的预测路况信息,并将该预测路况信息进行存储,从而在接收到对应的预测请求时可以最快地速度进行响应,并提供对应的预测路况信息,其中,存储方式可以但不限于包括以下至少之一:云服务器、本地数据库、区块链等。
可选地,在本实施例中,目标地理位置可以但不限于为目标地图中的任一地理位置,也可以但不限于为响应于目标请求而在目标地图中选取的地理位置,其中,目标请求可以但不限用于请求生成导航路线、请求获取多个地理位置或请求获取目标地理位置的预测路况信息等;
进一步,在目标请求用于请求生成导航路线的情况下,目标地理位置可以但不限于为该导航路线中的每个地理位置;在目标请求用于请求获取多个地理位置的情况下,目标地理位置可以但不限于为该多个地理位置中的每个地理位置。
可选地,在本实施例中,第一时刻可以但不限用于表示历史时刻中的一个时刻或多个时刻所组成的时刻集合,进而在第一时刻用于表示历史时刻中多个时刻所组成的时刻集合的情况下,第一实际路况信息可以但不限于为上述多个时刻中每个时刻对应的实际路况信息的信息集合。
可选地,在本实施例中,第二时刻可以但不限于理解为当前时刻,进而在响应于目标请求的场景下,获取目标请求的时刻可以但不限于理解为当前时刻(第二时刻)。
可选地,在本实施例中,第三时刻可以但不限于理解为当前时刻的下一或多时刻,进而在响应于用于请求生成导航路线的目标请求的场景下,导航路线上包括了起始位置、终点位置以及多个中间位置,则第三时刻可以但不限于为预测达到每个位置的未来时刻;
可选地,在本实施例中,第一实际路况信息可以但不限于包括路况特征以及路况标签,其中,路况特征用于表示目标地理位置在第一时刻所表现的路况信息,以路况信息为拥堵信息为例说明,路况特征可以但不限用于表示目标地理位置在第一时刻所表现的车流密度、车辆通行速度、红绿灯的配置情况、是否有管理人员疏散密集车辆等与拥堵相关的路况信息;再以路况信息为积水信息为例说明,路况特征可以但不限用于表示目标地理位置在第一时刻所表现的积水深度、被降雨量、排水速度、排水设施的配置情况等;
而路况标签可以但不限用于表示目标地理位置在第一时刻所处的路况类型,以路况信息为拥堵信息为例说明,路况标签可以但不限用于表示目标地理位置在第一时刻所处的拥堵等级,例如拥堵一级最低,拥堵九级最高等,或拥堵车辆密度大于密度阈值视为积水路况类型,拥堵车辆密度小于密度阈值视为非积水路况类型等;而以路况信息为积水信息为例说明,路况标签可以但不限用于表示目标地理位置在第一时刻所处的积水等级,例如积水一级最低,积水九级最高等,或积水深度大于深度阈值视为积水路况类型,积水深度小于深度阈值视为非积水路况类型等。
可选地,在本实施例中,第一预测路况信息可以但不限于在第一时刻利用上述路况信息的预测装置预测到的目标地理位置在第二时刻的预测路况信息,第一预测路况信息也可以但不限于在第一时刻利用其他路况信息的预测装置预测到的目标地理位置在第二时刻的预测路况信息;
或可理解为上述路况信息的预测装置进行预测所需的依据元素可以但不限于至少包括上一时刻的实际路况信息、当前时刻的实际路况信息、在上一时刻预测到的当前时刻的预测路况信息。
可选地,在本实施例中,第二目标预测模型可以但不限于为配置有待输入参数以及固定参数的算法模型,在将第一预测路况信息(输入参数)输入第二目标预测模型后,结合固定参数通过第二目标预测模型完成对第一预测路况信息的计算,得到的模型输出结果即为目标地理位置在第三时刻的第二预测路况信息。
需要说明的是,通过历史时刻(第一时刻)以及当前时刻(第二时刻)的实际路况信息(如第一实际路况信息、第二实际路况信息)和预测路况信息(如第一预测路况信息),获取预测模型(如第一目标预测模型、第二目标预测模型)的参数集合(如第一参数集合、第二参数即和),并基于获取到的预测模型对未来时刻(第三时刻)的路况信息进行预测(得到第二预测路况信息),即提供了一种可以预测路况信息的装置。
具体的,在本发明实施例中,先利用历史时刻的实际信息对初始的预测模型(如第一初始预测模型)进行处理(以获取第一参数集合),得到历史时刻的实际路况信息和当前时刻的预测路况信息之间的关系,再利用上述历史时刻的实际路况信息和当前时刻的预测路况信息之间的关系结合当前时刻的实际信息的方式,对另一初始的预测模型(如第二初始预测模型)进行处理(以获取第二参数集合),得到当前时刻的预测路况信息和未来时刻的预测路况信息之间的关系;进一步,利用当前时刻的预测路况信息和未来时刻的预测路况信息之间的关系结合预先获取到的当前时刻的预测路况信息的方式,就可以得到未来时刻的预测路况信息;由于在上述路况信息的预测过程中结合了历史时刻以及当前时刻的实况信息,使得预测得到的结果(第二预测路况信息)符合实况信息在历史时刻以及当前时刻中的规律分布;此外,由于在上述路况信息的预测过程中还涉及当前时刻的预测信息,其可理解为结合了预测信息在当前时刻的反馈(如预测信息与实际信息是否匹配),使路况信息的预测具有一定的实时性(如预测信息与实际信息不匹配则对应修改预测模型的相关参数等),更贴近实际,拥有更高的预测准确性,即提供了一种可以准确预测路况信息的装置。
具体实施例可以参考上述路况信息的预测装置中所示示例,本示例中在此不再赘述。
通过本申请提供的实施例,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息;基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型;基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型;将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息,既提供了一种可以预测路况信息的装置,还利用结合历史时刻与当前时刻的实况信息,以及当前时刻的预测信息的方式,提高了上述路况信息的预测准确性,进而达到了可以准确预测未来时刻的路况信息的目的,从而实现了提供一种可以准确预测路况信息的方法的技术效果。
作为一种可选的方案,如图9所示,第二获取单元804,包括:
第一输入模块902,用于将第一实际路况信息输入当前第一初始预测模型,得到当前第一初始预测模型输出的当前预测结果,其中,当前预测结果为预测出的目标地理位置在第二时刻的路况信息;
调整模块904,用于在当前预测结果未达到收敛条件的情况下,调整当前第一初始预测模型的当前参数集合中的参数,并将第一实际路况信息输入调整后的第一初始预测模型,直至调整后的第一初始预测模型输出的预测结果达到收敛条件;
第一确定模块906,用于在当前预测结果达到收敛条件的情况下,将当前参数集合确定为第一参数集合,得到第一目标预测模型。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第三获取单元806,包括:
第二输入模块,用于将第二实际路况信息输入第一目标预测模型,得到第一目标预测模型输出的第一概率值以及第二概率值,其中,第一概率值用于指示目标地理位置在第二时刻的路况为目标路况的条件下在第三时刻的路况为目标路况的概率,第二概率值用于指示目标地理位置在第二时刻的路况不为目标路况的条件下在第三时刻的路况为目标路况的概率;
第二确定模块,用于根据第一概率值以及第二概率值确定第二参数集合;
第三输入模块,用于将第二参数集合输入第二初始预测模型,得到第二目标预测模型。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第一输入单元808,包括:
第一计算模块,用于计算第一概率值和第三概率值的第一乘积值,其中,第三概率值用于表示目标地理位置在第二时刻所处的路况为目标路况的预测概率,第一预测路况信息包括第三概率值;
第二计算模块,用于计算第二概率值和第四概率值的第二乘积值,其中,第四概率值与第三概率值之和为1;
第三计算模块,用于对第一乘积值以及第二乘积值进行相加计算,得到目标概率值作为第二预测路况信息,其中,目标概率值用于表示目标地理位置在第三时刻所处的路况为目标路况的预测概率。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第一获取单元802,包括:
第一获取模块,用于从目标区块链中获取第二时刻对应的目标区块,其中,在目标区块链中是按照时刻划分区块的,目标区块链所包括的区块中记录了区块对应的时刻的实际路况信息和预测路况信息,以及,区块对应的时刻之前的全部历史时刻的实际路况信息和预测路况信息;
第二获取模块,用于从目标区块中获取第一实际路况信息、第一预测路况信息以及第二实际路况信息。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第一获取单元802包括:
第三获取模块,用于在第二时刻获取目标应用上触发的积水路况查询请求,其中,目标应用为目标账号所登录的用于查询目标地图中每个地理位置的路况信息的应用,积水路况查询请求用于请求查询目标地理位置在第三时刻的积水路况信息;
第四获取模块,用于响应积水路况查询请求,获取第一实际积水信息,第二实际积水信息,以及第一预测积水信息,其中,第一实际路况信息包括第一实际积水信息,第二实际路况信息包括第二实际积水信息,第一预测路况信息包括第一预测积水信息。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,第四获取模块包括以下至少之一:
第一获取子模块,用于通过配置在目标地理位置所处的预设范围内的图像采集装置,采集目标地理位置在第二时刻的路况图像;识别路况图像,得到第二实际积水信息;
第二获取子模块,用于获取第二时刻位于在目标地理位置的第一车辆上报的水位信息,其中,水位信息用于表示目标地理位置处的积水相对于第一车辆的水位高度;识别水位信息,得到第二实际积水信息。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,装置还包括以下至少之一:
第五获取模块,用于在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,在第二预测积水信息所指示的积水深度大于或者等于预警阈值的情况下,在目标应用上显示第一预警信息,其中,第一预警信息用于对目标地理位置在第三时刻的积水深度将达到预警阈值的事件进行预警;
第六获取模块,用于在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,获取目标账号绑定的第二车辆的车辆尺寸信息所指示的第二车辆的最小离地间隙;在第二预测积水信息所指示的积水深度大于或者等于最小离地间隙的情况下,在目标应用上显示第二预警信息,其中,第二预警信息用于对目标地理位置在第三时刻的积水深度将达到或者超过最小离地间隙的事件进行预警。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,包括:
第四获取单元,用于在获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,在第一时刻为初始时刻的情况下,获取第一实际路况信息;
第二输入单元,用于在获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,将第一实际路况信息输入第三目标预测模型,其中,第三目标预测模型为利用多个标注了路况信息的样本路况特征对第三初始预测模型进行训练得到的;
第五获取单元,用于在获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,获取第三目标预测模型输出的预测路况信息作为第一预测路况信息。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
作为一种可选的方案,包括:
第六获取单元,用于在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,获取第二实际路况信息,目标地理位置在第三时刻的第三实际路况信息以及第二预测路况信息;
第七获取单元,用于在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,基于第二实际路况信息获取第一初始预测模型的第三参数集合,得到第四目标预测模型,其中,第四目标预测模型用于表示第二实际路况信息和第二预测路况信息之间的关系;
第八获取单元,用于在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,基于第三实际路况信息以及第四目标预测模型获取第二初始预测模型的第四参数集合,得到第五目标预测模型,其中,第五目标预测模型用于表示第二预测路况信息和目标地理位置在第四时刻的预测路况信息之间的关系,第四时刻晚于第三时刻;
第三输入单元,用于在将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息之后,将第二预测路况信息输入第五目标预测模型,得到目标地理位置在第四时刻的第三预测路况信息。
具体实施例可以参考上述路况信息的预测方法中所示示例,本示例中在此不再赘述。
根据本发明实施例的另一个方面,还提供了另一种用于实施上述路况信息的预测方法的路况信息的预测装置。该装置包括:
第九获取单元,用于获取目标帐号发起的路况信息预测请求,其中,路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,第三时刻晚于当前时刻;
第十获取单元,用于响应路况信息预测请求,获取目标地图中的目标地理位置在第三时刻的预测路况信息,其中,第三时刻的预测路况信息是根据第二时刻的预测路况信息以及第二时刻的预测路况信息与第三时刻的预测路况信息之间的第一关联关系确定的,第一关联关系是根据第二时刻的实际路况信息以及第一时刻的实际路况信息和第二时刻的预测路况信息之间的第二关联关系确定的,第二关联关系是根据第一时刻的实际路况信息预测的,第二时刻为当前时刻,第一时刻早于当前时刻;
展示单元,用于向目标帐号展示第三时刻的预测路况信息。
具体实施例可以参考上述第一种路况信息的预测装置中所示示例,本示例中在此不再赘述。
根据本发明实施例的又一个方面,还提供了一种用于实施上述路况信息的预测方法的电子设备,如图10所示,该电子设备包括存储器1002和处理器1004,该存储器1002中存储有计算机程序,该处理器1004被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,第一预测路况信息为通过预测得到的目标地理位置在第二时刻的路况信息,第二时刻晚于第一时刻;
S2,基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,第一目标预测模型用于表示第一实际路况信息和第一预测路况信息之间的关系;
S3,基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到第二目标预测模型用于表示第一预测路况信息和目标地理位置在第三时刻的预测路况信息之间的关系,第三时刻晚于第二时刻;
S4,将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息;或,
S1,获取目标帐号发起的路况信息预测请求,其中,路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,第三时刻晚于当前时刻;
S2,响应路况信息预测请求,获取目标地图中的目标地理位置在第三时刻的预测路况信息,其中,第三时刻的预测路况信息是根据第二时刻的预测路况信息以及第二时刻的预测路况信息与第三时刻的预测路况信息之间的第一关联关系确定的,第一关联关系是根据第二时刻的实际路况信息以及第一时刻的实际路况信息和第二时刻的预测路况信息之间的第二关联关系确定的,第二关联关系是根据第一时刻的实际路况信息预测的,第二时刻为当前时刻,第一时刻早于当前时刻;
S3,向目标帐号展示第三时刻的预测路况信息。
可选地,本领域普通技术人员可以理解,图10所示的结构仅为示意,电子设备也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图10其并不对上述电子设备的结构造成限定。例如,电子设备还可包括比图10中所示更多或者更少的组件(如网络接口等),或者具有与图10所示不同的配置。
其中,存储器1002可用于存储软件程序以及模块,如本发明实施例中的路况信息的预测方法和装置对应的程序指令/模块,处理器1004通过运行存储在存储器1002内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的路况信息的预测方法。存储器1002可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1002可进一步包括相对于处理器1004远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中,存储器1002具体可以但不限于用于存储第一实际路况信息、第二实际路况信息、第一预测路况信息以及第二预测路况信息等信息。作为一种示例,如图10所示,上述存储器1002中可以但不限于包括上述路况信息的预测装置中的第一获取单元802、第二获取单元804、第三获取单元806及第一输入单元808,上述存储器1002中还可以但不限于包括未示出的第九获取单元、第十获取单元以及展示单元。此外,还可以包括但不限于上述路况信息的预测装置中的其他模块单元,本示例中不再赘述。
可选地,上述的传输装置1006用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置1006包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置1006为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子设备还包括:显示器1008,用于显示上述第一实际路况信息、第二实际路况信息、第一预测路况信息以及第二预测路况信息等信息;和连接总线1010,用于连接上述电子设备中的各个模块部件。
在其他实施例中,上述终端设备或者服务器可以是一个分布式系统中的一个节点,其中,该分布式系统可以为区块链系统,该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中,节点之间可以组成点对点(Peer To Peer,简称P2P)网络,任意形式的计算设备,比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述路况信息的预测方法,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,第一预测路况信息为通过预测得到的目标地理位置在第二时刻的路况信息,第二时刻晚于第一时刻;
S2,基于第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,第一目标预测模型用于表示第一实际路况信息和第一预测路况信息之间的关系;
S3,基于第二实际路况信息以及第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到第二目标预测模型用于表示第一预测路况信息和目标地理位置在第三时刻的预测路况信息之间的关系,第三时刻晚于第二时刻;
S4,将第一预测路况信息输入第二目标预测模型,得到目标地理位置在第三时刻的第二预测路况信息;或,
S1,获取目标帐号发起的路况信息预测请求,其中,路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,第三时刻晚于当前时刻;
S2,响应路况信息预测请求,获取目标地图中的目标地理位置在第三时刻的预测路况信息,其中,第三时刻的预测路况信息是根据第二时刻的预测路况信息以及第二时刻的预测路况信息与第三时刻的预测路况信息之间的第一关联关系确定的,第一关联关系是根据第二时刻的实际路况信息以及第一时刻的实际路况信息和第二时刻的预测路况信息之间的第二关联关系确定的,第二关联关系是根据第一时刻的实际路况信息预测的,第二时刻为当前时刻,第一时刻早于当前时刻;
S3,向目标帐号展示第三时刻的预测路况信息。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (16)
1.一种路况信息的预测方法,其特征在于,包括:
获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,所述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,所述第一预测路况信息为预测得到的所述目标地理位置在所述第二时刻的路况信息,所述第二时刻晚于所述第一时刻;
基于所述第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,所述第一目标预测模型用于表示所述第一实际路况信息和所述第一预测路况信息之间的关系;
基于所述第二实际路况信息以及所述第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到所述第二目标预测模型用于表示所述第一预测路况信息和所述目标地理位置在第三时刻的预测路况信息之间的关系,所述第三时刻晚于所述第二时刻;
将所述第一预测路况信息输入所述第二目标预测模型,得到所述目标地理位置在所述第三时刻的第二预测路况信息。
2.根据权利要求1所述的方法,其特征在于,所述基于所述第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,包括:
将所述第一实际路况信息输入当前所述第一初始预测模型,得到当前所述第一初始预测模型输出的当前预测结果,其中,所述当前预测结果为预测出的所述目标地理位置在所述第二时刻的路况信息;
在所述当前预测结果未达到收敛条件的情况下,调整当前所述第一初始预测模型的当前参数集合中的参数,并将所述第一实际路况信息输入调整后的所述第一初始预测模型,直至调整后的所述第一初始预测模型输出的预测结果达到所述收敛条件;
在所述当前预测结果达到所述收敛条件的情况下,将所述当前参数集合确定为所述第一参数集合,得到所述第一目标预测模型。
3.根据权利要求1所述的方法,其特征在于,所述基于所述第二实际路况信息以及所述第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,包括:
将所述第二实际路况信息输入所述第一目标预测模型,得到所述第一目标预测模型输出的第一概率值以及第二概率值,其中,所述第一概率值用于指示所述目标地理位置在所述第二时刻的路况为目标路况的条件下在所述第三时刻的路况为所述目标路况的概率,所述第二概率值用于指示所述目标地理位置在所述第二时刻的路况不为所述目标路况的条件下在所述第三时刻的路况为所述目标路况的概率;
根据所述第一概率值以及所述第二概率值确定所述第二参数集合;
将所述第二参数集合输入所述第二初始预测模型,得到所述第二目标预测模型。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一预测路况信息输入所述第二目标预测模型,得到所述目标地理位置在所述第三时刻的第二预测路况信息,包括:
计算所述第一概率值和第三概率值的第一乘积值,其中,所述第三概率值用于表示所述目标地理位置在所述第二时刻所处的路况为所述目标路况的预测概率,所述第一预测路况信息包括所述第三概率值;
计算所述第二概率值和第四概率值的第二乘积值,其中,所述第四概率值与所述第三概率值之和为1;
对所述第一乘积值以及所述第二乘积值进行相加计算,得到目标概率值作为所述第二预测路况信息,其中,所述目标概率值用于表示所述目标地理位置在所述第三时刻所处的路况为所述目标路况的预测概率。
6.根据权利要求1所述的方法,其特征在于,所述获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,所述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,包括:
从目标区块链中获取所述第二时刻对应的目标区块,其中,在所述目标区块链中是按照时刻划分区块的,所述目标区块链所包括的区块中记录了所述区块对应的时刻的实际路况信息和预测路况信息,以及,所述区块对应的时刻之前的全部历史时刻的实际路况信息和预测路况信息;
从所述目标区块中获取所述第一实际路况信息、所述第一预测路况信息以及所述第二实际路况信息。
7.根据权利要求1至6中任一项所述的方法,其特征在于,获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,所述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息包括:
在所述第二时刻获取目标应用上触发的积水路况查询请求,其中,所述目标应用为目标账号所登录的用于查询所述目标地图中每个地理位置的路况信息的应用,所述积水路况查询请求用于请求查询所述目标地理位置在所述第三时刻的积水路况信息;
响应所述积水路况查询请求,获取第一实际积水信息,第二实际积水信息,以及第一预测积水信息,其中,所述第一实际路况信息包括所述第一实际积水信息,所述第二实际路况信息包括所述第二实际积水信息,所述第一预测路况信息包括所述第一预测积水信息。
8.根据权利要求7所述的方法,其特征在于,获取所述第二实际积水路况信息包括以下至少之一:
通过配置在所述目标地理位置所处的预设范围内的图像采集装置,采集所述目标地理位置在所述第二时刻的路况图像;识别所述路况图像,得到所述第二实际积水信息;
获取所述第二时刻位于在所述目标地理位置的第一车辆上报的水位信息,其中,所述水位信息用于表示所述目标地理位置处的积水相对于所述第一车辆的水位高度;识别所述水位信息,得到所述第二实际积水信息。
9.根据权利要求7所述的方法,其特征在于,在将所述第一预测路况信息输入所述第二目标预测模型,得到所述目标地理位置在所述第三时刻的第二预测路况信息之后,所述方法还包括以下至少之一:
在所述第二预测积水信息所指示的积水深度大于或者等于预警阈值的情况下,在所述目标应用上显示第一预警信息,其中,所述第一预警信息用于对所述目标地理位置在所述第三时刻的积水深度将达到所述预警阈值的事件进行预警;
获取所述目标账号绑定的第二车辆的车辆尺寸信息所指示的所述第二车辆的最小离地间隙;在所述第二预测积水信息所指示的积水深度大于或者等于所述最小离地间隙的情况下,在所述目标应用上显示第二预警信息,其中,所述第二预警信息用于对所述目标地理位置在所述第三时刻的积水深度将达到或者超过所述最小离地间隙的事件进行预警。
10.根据权利要求1至6中任一项所述的方法,其特征在于,在所述获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,所述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息之前,包括:
在所述第一时刻为初始时刻的情况下,获取所述第一实际路况信息;
将所述第一实际路况信息输入第三目标预测模型,其中,所述第三目标预测模型为利用多个标注了路况信息的样本路况特征对第三初始预测模型进行训练得到的;
获取所述第三目标预测模型输出的预测路况信息作为所述第一预测路况信息。
11.根据权利要求1至6中任一项所述的方法,其特征在于,在所述将所述第一预测路况信息输入所述第二目标预测模型,得到所述目标地理位置在所述第三时刻的第二预测路况信息之后,包括:
获取所述第二实际路况信息,所述目标地理位置在所述第三时刻的第三实际路况信息以及所述第二预测路况信息;
基于所述第二实际路况信息获取所述第一初始预测模型的第三参数集合,得到第四目标预测模型,其中,所述第四目标预测模型用于表示所述第二实际路况信息和所述第二预测路况信息之间的关系;
基于所述第三实际路况信息以及所述第四目标预测模型获取所述第二初始预测模型的第四参数集合,得到第五目标预测模型,其中,所述第五目标预测模型用于表示所述第二预测路况信息和所述目标地理位置在第四时刻的预测路况信息之间的关系,所述第四时刻晚于所述第三时刻;
将所述第二预测路况信息输入所述第五目标预测模型,得到所述目标地理位置在所述第四时刻的第三预测路况信息。
12.一种路况信息的预测方法,其特征在于,包括:
获取目标帐号发起的路况信息预测请求,其中,所述路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,所述第三时刻晚于当前时刻;
响应所述路况信息预测请求,获取所述目标地图中的所述目标地理位置在所述第三时刻的预测路况信息,其中,所述第三时刻的预测路况信息是根据第二时刻的预测路况信息以及所述第二时刻的预测路况信息与所述第三时刻的预测路况信息之间的第一关联关系确定的,所述第一关联关系是根据所述第二时刻的实际路况信息以及第一时刻的实际路况信息和所述第二时刻的预测路况信息之间的第二关联关系确定的,所述第二关联关系是根据第一时刻的实际路况信息预测的,所述第二时刻为所述当前时刻,所述第一时刻早于所述当前时刻;
向所述目标帐号展示所述第三时刻的预测路况信息。
13.一种路况信息的预测装置,其特征在于,包括:
第一获取单元,用于获取目标地图中的目标地理位置在第一时刻的第一实际路况信息,所述目标地理位置在第二时刻的第二实际路况信息以及第一预测路况信息,其中,所述第一预测路况信息为通过预测得到的所述目标地理位置在所述第二时刻的路况信息,所述第二时刻晚于所述第一时刻;
第二获取单元,用于基于所述第一实际路况信息获取第一初始预测模型的第一参数集合,得到第一目标预测模型,其中,所述第一目标预测模型用于表示所述第一实际路况信息和所述第一预测路况信息之间的关系;
第三获取单元,用于基于所述第二实际路况信息以及所述第一目标预测模型获取第二初始预测模型的第二参数集合,得到第二目标预测模型,其中,得到所述第二目标预测模型用于表示所述第一预测路况信息和所述目标地理位置在第三时刻的预测路况信息之间的关系,所述第三时刻晚于所述第二时刻;
第一输入单元,用于将所述第一预测路况信息输入所述第二目标预测模型,得到所述目标地理位置在所述第三时刻的第二预测路况信息。
14.一种路况信息的预测装置,其特征在于,包括:
第九获取单元,用于获取目标帐号发起的路况信息预测请求,其中,所述路况信息预测请求用于请求预测目标地图中的目标地理位置在第三时刻的路况信息,其中,所述第三时刻晚于当前时刻;
第十获取单元,用于响应所述路况信息预测请求,获取所述目标地图中的所述目标地理位置在所述第三时刻的预测路况信息,其中,所述第三时刻的预测路况信息是根据第二时刻的预测路况信息以及所述第二时刻的预测路况信息与所述第三时刻的预测路况信息之间的第一关联关系确定的,所述第一关联关系是根据所述第二时刻的实际路况信息以及第一时刻的实际路况信息和所述第二时刻的预测路况信息之间的第二关联关系确定的,所述第二关联关系是根据第一时刻的实际路况信息预测的,所述第二时刻为所述当前时刻,所述第一时刻早于所述当前时刻;
展示单元,用于向所述目标帐号展示所述第三时刻的预测路况信息。
15.一种计算机可读的存储介质,其特征在于,所述计算机可读的存储介质包括存储的程序,其中,所述程序运行时执行上述权利要求1至12任一项中所述的方法。
16.一种电子设备,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至12任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899211.3A CN113343956B (zh) | 2021-08-06 | 2021-08-06 | 路况信息的预测方法、装置和存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110899211.3A CN113343956B (zh) | 2021-08-06 | 2021-08-06 | 路况信息的预测方法、装置和存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343956A true CN113343956A (zh) | 2021-09-03 |
CN113343956B CN113343956B (zh) | 2021-11-19 |
Family
ID=77481047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110899211.3A Active CN113343956B (zh) | 2021-08-06 | 2021-08-06 | 路况信息的预测方法、装置和存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343956B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114132280A (zh) * | 2021-11-03 | 2022-03-04 | 东风汽车集团股份有限公司 | 一种预防车辆淹水方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
US10354523B2 (en) * | 2017-05-22 | 2019-07-16 | Alibaba Group Holding Limited | Road traffic control system, method, and electronic device |
CN111835536A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
CN111862585A (zh) * | 2019-07-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的系统和方法 |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
CN113168708A (zh) * | 2020-04-28 | 2021-07-23 | 华为技术有限公司 | 车道线跟踪方法和装置 |
-
2021
- 2021-08-06 CN CN202110899211.3A patent/CN113343956B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070208492A1 (en) * | 2006-03-03 | 2007-09-06 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN102521989A (zh) * | 2011-12-31 | 2012-06-27 | 山西省交通规划勘察设计院 | 一种动态数据驱动的高速公路出口流量预测方法 |
US10354523B2 (en) * | 2017-05-22 | 2019-07-16 | Alibaba Group Holding Limited | Road traffic control system, method, and electronic device |
CN111835536A (zh) * | 2019-04-16 | 2020-10-27 | 杭州海康威视数字技术股份有限公司 | 一种流量预测方法和装置 |
CN111862585A (zh) * | 2019-07-23 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 用于交通预测的系统和方法 |
CN113168708A (zh) * | 2020-04-28 | 2021-07-23 | 华为技术有限公司 | 车道线跟踪方法和装置 |
CN112382099A (zh) * | 2021-01-15 | 2021-02-19 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114132280A (zh) * | 2021-11-03 | 2022-03-04 | 东风汽车集团股份有限公司 | 一种预防车辆淹水方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113343956B (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109068299B (zh) | 一种基于区块链的车联网架构及其工作方法 | |
Lee et al. | Internet of Vehicles: From intelligent grid to autonomous cars and vehicular fogs | |
Rathore et al. | Efficient graph-oriented smart transportation using internet of things generated big data | |
TWI465694B (zh) | 安全路徑組態 | |
CN108648489B (zh) | 一种基于车联网的路况信息实时共享系统及方法 | |
Bilal et al. | Smart cities data: Framework, applications, and challenges | |
Rathore et al. | Exploiting real-time big data to empower smart transportation using big graphs | |
CN112163446B (zh) | 一种障碍物检测方法、装置、电子设备及存储介质 | |
Arooj et al. | Cognitive internet of vehicles and disaster management: a proposed architecture and future direction | |
Billah et al. | A systematic literature review on blockchain enabled federated learning framework for internet of vehicles | |
De Souza et al. | Itssafe: An intelligent transportation system for improving safety and traffic efficiency | |
Dimitrakopoulos et al. | Proactive, knowledge‐based intelligent transportation system based on vehicular sensor networks | |
WO2017138620A1 (ja) | メモリデバイス、蓄積可能データを扱うエッジ装置及びデータ管理方法 | |
CN113343956B (zh) | 路况信息的预测方法、装置和存储介质及电子设备 | |
Rathee et al. | A trust analysis scheme for vehicular networks within IoT-oriented green city | |
Reza et al. | A new approach for road networks-a vehicle xml device collaboration with big data | |
CN111951543B (zh) | 流量预测方法及装置 | |
Nair et al. | Preserving privacy using blockchain technology in autonomous vehicles | |
Madaan et al. | Blockchain assisted secure data sharing in intelligent transportation systems | |
Agate et al. | Reliable Reputation-Based Event Detection in V2V Networks | |
Lv et al. | Objects perceptibility prediction model based on machine learning for V2I communication load reduction | |
Bereczki et al. | Machine Learning Use-Cases in C-ITS Applications | |
Wu | Topics in Deep Learning and Optimization Algorithms for IoT Applications in Smart Transportation | |
KR20200023242A (ko) | 블록체인 기반의 교통안전 제공 시스템 및 방법 | |
Song et al. | Cloud computing for transportation cyber-physical systems |
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 |