CN113393011B - 预测限速信息的方法、装置、计算机设备和介质 - Google Patents

Abstract

本公开提供了一种预测限速信息的方法，包括：获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息。然后，对于每个交通轨迹，基于该交通轨迹的多个轨迹点的位置信息和速度信息，确定该交通轨迹的降速行为数据。基于多个交通轨迹各自的降速行为数据，确定候选位置区域，并确定候选位置区域的特征。接着，将候选位置区域的特征输入至目标分类模型，以利用目标分类模型预测候选位置区域的限速信息。本公开还提供了一种预测限速信息的装置、计算机设备和介质。

Description

预测限速信息的方法、装置、计算机设备和介质

技术领域

本公开涉及计算机技术领域，更具体地，涉及一种预测限速信息的方法、装置、计算机设备和介质。

背景技术

道路限速(speed limit)作为交通管理的一项重要安全措施，在交通安全管理和城市交通规划中占有重要的地位。

目前，国内外对道路限速信息的获取主要是基于图像识别技术对道路上设置的限速标志牌进行识别提取。例如，针对通过全景采集所获得的道路图像的识别提取，针对通过卫星采集的道路图像的识别提取等。或者通过用户人为反馈的方式来获知当前各道路、各位置的限速信息等。

然而，以上方式均具有更新成本高、更新周期长、准确性差、存在一定滞后性等问题，不符合道路限速信息的时空变化性，难以有效满足道路限速信息的实际应用需求。

发明内容

有鉴于此，本公开提供了一种预测限速信息的方法、装置、计算机设备和介质。

本公开的一个方面提供了一种预测限速信息的方法，包括：获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息。然后，对于每个交通轨迹，基于该交通轨迹的多个轨迹点的位置信息和速度信息，确定该交通轨迹的降速行为数据。基于多个交通轨迹各自的降速行为数据，确定候选位置区域，并确定候选位置区域的特征。接着，将候选位置区域的特征输入至目标分类模型，以利用目标分类模型预测候选位置区域的限速信息。

根据本公开的实施例，上述确定交通轨迹的降速行为数据包括：根据该交通轨迹中多个轨迹点的速度信息，确定该多个轨迹点中符合降速行为规则的轨迹点。接着，将符合降速行为规则的轨迹点的位置信息和速度信息作为该交通轨迹的降速行为数据。

根据本公开的实施例，上述确定交通轨迹的降速行为数据还包括：如果该交通轨迹的多个轨迹点中不存在符合降速行为规则的轨迹点，则确定该交通轨迹的降速行为数据为零。

根据本公开的实施例，上述根据交通轨迹中多个轨迹点的速度信息，确定该多个轨迹点中符合降速行为规则的轨迹点包括：对于该多个轨迹点中连续排列的L个轨迹点，根据每个轨迹点的速度信息来确定是否该L个轨迹点中前M个轨迹点的速度持续降低且该L个轨迹点中后L-M个轨迹点的速度均在预定速度范围内。如果是，则确定该L个轨迹点符合降速行为规则。其中，L和M均为大于1的整数，且L大于M。

根据本公开的实施例，上述预定速度范围包括：相对于预设限速值的波动幅度小于第一阈值的速度范围。

根据本公开的实施例，上述基于多个交通轨迹各自的降速行为数据，确定候选位置区域包括：对多个交通轨迹各自的降速行为数据进行密度聚类，以得到至少一个聚类结果和该至少一个聚类结果各自的密度。然后，确定该至少一个聚类结果中密度大于第二阈值的聚类结果。接着，根据针对密度大于第二阈值的聚类结果中的多个轨迹点的位置信息，确定候选位置区域的位置信息。

根据本公开的实施例，上述确定候选位置区域的特征包括：从多个交通轨迹中选取关于该候选位置区域的交通轨迹。然后，基于关于该候选位置区域的交通轨迹，确定该候选位置区域的特征。

根据本公开的实施例，上述基于关于候选位置区域的交通轨迹，确定候选位置区域的特征包括：根据关于该候选位置区域的交通轨迹中轨迹点的速度信息，确定该候选位置区域的速度相关特征。

根据本公开的实施例，上述基于关于候选位置区域的交通轨迹，确定该候选位置区域的特征还包括：根据关于该候选位置区域的交通轨迹中轨迹点的位置信息，确定该候选位置区域的道路属性特征。

根据本公开的实施例，上述方法还包括：在上述将候选位置区域的特征输入至目标分类模型之前，构建目标分类模型。构建目标分类模型包括：构建初始分类模型，然后获取至少一个位置区域的样本数据和标签。其中，对于每个位置区域，样本数据包括第二预定时段内该位置区域的特征，标签包括在第二预定时段之后该位置区域的限速信息。接着，利用至少一个位置区域的样本数据和标签对初始分类模型进行训练，以得到目标分类模型。

根据本公开的实施例，上述利用目标分类模型预测候选位置区域的限速信息包括：预测针对第一预定时段之后的第一时间区间的该候选位置区域的限速信息。并且，在构建目标分类模型时，每个位置区域的标签包括在第二预定时段之后的第二时间区间内的该位置区域的限速信息，第二时间区间与第一时间区间长度相等。

根据本公开的实施例，上述获取至少一个位置区域的样本数据和标签包括：对于至少一个位置区域中的每个位置区域，获取在第二预定时段内关于该位置区域的交通轨迹。然后，基于关于该位置区域的交通轨迹，确定在第二预定时段内该位置区域的特征，以作为该位置区域的样本数据。

根据本公开的实施例，上述方法还包括：基于候选位置区域的限速信息，在地图上对该候选位置区域的限速信息标识进行更新。

本公开的另一方面提供了一种预测限速信息的装置，包括：获取模块、降速检测模块、候选位置确定模块、特征提取模块和预测模块。获取模块用于获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息。然后，降速检测模块用于对于每个交通轨迹，基于该交通轨迹的多个轨迹点的位置信息和速度信息，确定该交通轨迹的降速行为数据。候选位置确定模块用于基于多个交通轨迹各自的降速行为数据，确定候选位置区域。特征提取模块用于确定候选位置区域的特征。接着，预测模块用于将候选位置区域的特征输入至目标分类模型，以利用目标分类模型预测候选位置区域的限速信息。

根据本公开的实施例，上述降速检测模块包括：降速判定子模块和第一确定子模块。降速判定子模块用于根据该交通轨迹中多个轨迹点的速度信息，确定该多个轨迹点中符合降速行为规则的轨迹点。接着，第一确定子模块用于将符合降速行为规则的轨迹点的位置信息和速度信息作为该交通轨迹的降速行为数据。

根据本公开的实施例，上述降速检测模块还包括第二确定子模块，用于在交通轨迹的多个轨迹点中不存在符合降速行为规则的轨迹点时，确定该交通轨迹的降速行为数据为零。

根据本公开的实施例，上述降速判定子模块具体用于对于该多个轨迹点中连续排列的L个轨迹点，根据每个轨迹点的速度信息来确定是否该L个轨迹点中前M个轨迹点的速度持续降低且该L个轨迹点中后L-M个轨迹点的速度均在预定速度范围内。如果是，则确定该L个轨迹点符合降速行为规则。其中，L和M均为大于1的整数，且L大于M。

根据本公开的实施例，上述预定速度范围包括：相对于预设限速值的波动幅度小于第一阈值的速度范围。

根据本公开的实施例，上述候选位置确定模块包括：聚类子模块、阈值判定子模块和第三确定子模块。聚类子模块用于对多个交通轨迹各自的降速行为数据进行密度聚类，以得到至少一个聚类结果和该至少一个聚类结果各自的密度。然后，阈值判定子模块用于确定该至少一个聚类结果中密度大于第二阈值的聚类结果。接着，第三确定子模块用于根据针对密度大于第二阈值的聚类结果中的多个轨迹点的位置信息，确定候选位置区域的位置信息。

根据本公开的实施例，上述特征提取模块包括：选取子模块和第四确定子模块。选取子模块用于从多个交通轨迹中选取关于该候选位置区域的交通轨迹。然后，第四确定子模块用于基于关于该候选位置区域的交通轨迹，确定该候选位置区域的特征。

根据本公开的实施例，上述第四确定子模块具体用于根据关于该候选位置区域的交通轨迹中轨迹点的速度信息，确定该候选位置区域的速度相关特征。

根据本公开的实施例，上述第四确定子模块还具体用于根据关于该候选位置区域的交通轨迹中轨迹点的位置信息，确定该候选位置区域的道路属性特征。

根据本公开的实施例，上述装置还包括构建模块，用于在上述将候选位置区域的特征输入至目标分类模型之前，构建目标分类模型。构建模块包括：初始构建子模块、样本获取子模块和训练子模块。初始构建子模块用于构建初始分类模型，然后样本获取子模块用于获取至少一个位置区域的样本数据和标签。其中，对于每个位置区域，样本数据包括第二预定时段内该位置区域的特征，标签包括在第二预定时段之后该位置区域的限速信息。接着，训练子模块用于利用至少一个位置区域的样本数据和标签对初始分类模型进行训练，以得到目标分类模型。

根据本公开的实施例，上述预测模块具体用于预测针对第一预定时段之后的第一时间区间的该候选位置区域的限速信息。并且，在构建目标分类模型时，每个位置区域的标签包括在第二预定时段之后的第二时间区间内的该位置区域的限速信息，第二时间区间与第一时间区间长度相等。

根据本公开的实施例，上述样本获取子模块具体用于对于至少一个位置区域中的每个位置区域，获取在第二预定时段内关于该位置区域的交通轨迹。然后，基于关于该位置区域的交通轨迹，确定在第二预定时段内该位置区域的特征，以作为该位置区域的样本数据。

根据本公开的实施例，上述装置还包括更新模块，用于基于候选位置区域的限速信息，在地图上对该候选位置区域的限速信息标识进行更新。

本公开的另一方面提供了一种计算机设备，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，所述处理器执行所述程序时实现如上所述的方法。

本公开的另一方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开的另一方面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用于实现如上所述的方法。

根据本公开的实施例，基于交通轨迹来对道路的未来限速信息进行预测。具体地，先获取已知时段内的多个交通轨迹，根据交通轨迹中各轨迹点的位置信息和速度信息能够确定交通轨迹所发生的降速行为的速度变化情况以及发生降速行为的位置信息，从而能够基于海量交通轨迹的降速行为来从交通路网中挖掘出可能存在限速的候选位置区域。从交通路网的无数位置区域中挖掘出一个或多个候选位置区域，能够为后续目标分类模型的处理过程节省大量计算时间和计算资源。再利用预先训练好的目标分类模型对候选位置区域的特征进行处理，从而预测得到未来的限速信息，例如未来某个时间区间在某个位置区域的限速信息。该过程依赖于日常生活中行驶于各个道路的海量交通轨迹进行，无需单独花费人力物力来进行道路限速信息的采集，极大地降低了道路限速信息的更新成本和更新周期。并且由于交通轨迹的数据量充足且与实际道路情况相符，可以满足预测过程中的数据需求，因此可以更为快速、准确地针对未来某个时间区间的道路限速信息进行预测，不存在滞后性，符合道路限速信息的时空变化性，能够有效满足道路限速信息的应用需求。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1A示意性示出了根据本公开实施例的预测限速信息的方法和装置的示例性应用场景；

图1B示意性示出了根据本公开实施例的应用预测限速信息的方法和装置的示例性架构；

图2示意性示出了根据本公开实施例的预测限速信息的方法的流程图；

图3示意性示出了根据本公开实施例的交通轨迹的获取方式的示例图；

图4示意性示出了根据本公开另一实施例的预测限速信息的方法的示例流程图；

图5示意性示出了根据本公开另一实施例的预测限速信息的方法的示例流程图；

图6A示意性示出了根据本公开实施例的交通轨迹的降速行为数据的示例图；

图6B示意性示出了根据本公开实施例的确定候选位置区域的示例图；

图7示意性示出了根据本公开实施例的频数-速度曲线的示例图；

图8示意性示出了根据本公开实施例的构建目标分类模型的示例流程图；

图9示意性示出了根据本公开实施例的预测限速信息的装置的框图；以及

图10示意性示出了根据本公开实施例的计算机设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

本公开的实施例提供了一种预测限速信息的方法、装置、计算机设备和介质。该预测限速信息的方法可以包括获取过程、降速检测过程、候选位置确定过程、特征提取过程和预测过程。在获取过程中，获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息。在降速检测过程中，对于每个交通轨迹，基于该交通轨迹的多个轨迹点的位置信息和速度信息，确定该交通轨迹的降速行为数据。在候选位置确定过程中，基于多个交通轨迹各自的降速行为数据，确定候选位置区域。在特征提取过程中，确定候选位置区域的特征。在预测过程中，将候选位置区域的特征输入至目标分类模型，以利用目标分类模型预测候选位置区域的限速信息。

图1A示意性示出了根据本公开实施例的预测限速信息的方法和装置的示例性应用场景。需要注意的是，图1A所示仅为可以应用本公开实施例的场景的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1A所示，展示了车辆在道路上行驶的场景。当前在该道路上，包括第一位置P1、第二位置P2和第三位置P3，第一位置P1和第二位置P2之间的距离为L1，第二位置P2和第三位置P3之间的距离为L2。从第一位置P1至第二位置P2，具有限速信息50km/h；从第二位置P2至第三位置P3，具有限速信息30km/h。示例性地，为保证车辆基于限速信息的正确行使，可以通过终端设备(例如智能手机、智能手表、车载导航仪等)向驾驶者预先推送前方道路的限速信息，以提示驾驶者按照限速信息的要求驾驶车辆。

由于道路限速信息具有动态变化性，例如交通管理部门会根据道路的交通流量、周边区域的开发情况、交通饱和度等条件的变化，适时地进行不同时段与路段限速的调整。因此，为保证上述推送限速信息的预先性和准确性，需要针对道路限速信息进行预测和挖掘，从而能够及时对地图、导航中的道路限速信息进行更新。

图1B示意性示出了根据本公开实施例的可以应用预测限速信息的方法和装置的示例性架构。需要注意的是，图1B所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开实施例的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1B所示，系统架构100可以包括终端设备101、102、103、网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105进行通信，以接收或发送消息等。终端设备101、102、103上可以安装具有各种功能的客户端应用，例如导航类应用、地图类应用、搜索类应用、即时通信工具等。终端设备101、102、103可以是各种电子设备，包括但不限于车载导航仪、智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以对终端设备101、102、103中的各种客户端应用提供后台管理服务。例如，服务器可以根据预测限速信息的方法确定某一时间区间内各路段的限速信息，并可以基于所确定的限速信息向终端设备101、102、103推送限速信息提示消息。

需要说明的是，根据本公开实施例的预测限速信息的方法可以在终端设备101、102、103中实施，相应地，根据本公开实施例的预测限速信息的装置可以设置于终端设备101、102、103中。或者，根据本公开实施例的预测限速信息的方法也可以在服务器105中实施，相应地，根据本公开实施例的预测限速信息的装置可以设置于服务器105中。或者，根据本公开实施例的预测限速信息的方法也可以在能够与终端设备101、102、103和/或服务器105通信的其它计算机设备中实施，相应地，根据本公开实施例的预测限速信息的装置可以设置于能够与终端设备101、102、103和/或服务器105通信的其它计算机设备中。

应该理解，图1B中的终端设备、网络和服务器的数目和类型仅仅是示意性的。根据实际需要，可以具有任意数目、任意类型的终端设备、网络和服务器。

相关技术中，道路限速信息的获取主要依赖以下三种方式。第一种方式，全景采集。将专业全景采集设备装备到汽车、摩托车等机动车上，一些情况下甚至采用人工负载采集设备的方式，对现实世界的道路进行地毯式扫街采集道路图像。采集后，对所采集的道路图像进行分析处理，提取有效信息，从而确定道路各位置的限速信息。第二种方式，用户反馈。通过提供给用户各种反馈途径，如客服、应用客户端反馈窗口等，收集用户针对道路限速信息的反馈意见，核实后确定道路各位置的限速信息。第三种方式，卫星影像。针对通过卫星采集的道路图像进行道路信息数据识别，以提取确定道路各位置的限速信息。

然而，由于道路周边环境等因素的变化，道路限度信息具有时空变化性。面对交通道路建设的高速发展，以上三种方式均是针对当前已有道路限速信息的实地采集，无法针对未来道路限速信息的变化进行预测，具有一定的滞后性。且以上三种方式均具有更新成本高、更新周期长、准确性差等问题，难以有效满足道路限速信息的实际应用需求。

根据本公开实施例，提供了一种预测限速信息的方法。下面通过图例对该方法进行示例性说明。应注意，以下方法中各个操作的序号仅作为该操作的表示以便描述，而不应被看作表示该各个操作的执行顺序。除非明确指出，否则该方法不需要完全按照所示顺序来执行。

图2示意性示出了根据本公开实施例的预测限速信息的方法的流程图。

如图2所示，该方法可以包括操作S210～操作S250。

在操作S210，获取第一预定时段内的多个交通轨迹(traffic trajectory)。

示例性地，第一预定时段可以是待预测的时间区间之前第一预定时段。其中第一预定时段的时间长度、开始时间和结束时间均可根据实际需要进行设置，待预测的时间区间的时间长度也可根据实际需要进行设置。第一预定时段内的多个交通轨迹中的每个交通轨迹可以包括多个轨迹点，每个轨迹点可以具有位置信息和速度信息。

如图3所示，交通轨迹可以由各种终端设备在各种场景下上传至服务器。例如，驾驶者在使用智能手机、智能手表等终端设备中安装的地图应用进行导航的过程中，或者驾驶者在使用各种终端设备中安装的搜索应用查询店铺并行驶至相应位置的过程中，或者一些车载设备在行车记录的过程中，或者用于采集道路实况的全景采集车辆在行驶的过程中，上述各种终端设备、车载设备、全景采集车辆中的终端设备等均可以周期性地或根据需要将行驶过程中产生的轨迹数据上传至服务器。轨迹数据例如可以包括时间信息和位置信息，或者轨迹数据可以包括时间信息、位置信息和速度信息。服务器基于这些轨迹数据建立轨迹点，属于同一行驶过程的多个轨迹点按照时间先后顺序构成交通轨迹。

继续参考图2，在操作S220，对于每个交通轨迹，基于该交通轨迹中多个轨迹点的位置信息和速度信息，确定该交通轨迹的降速行为数据。

示例性地，每个交通轨迹的降速行为数据可以用于表征与该交通轨迹对应的行驶过程中是否发生降速行为、以及在发生降速行为期间的位置信息和速度信息。

在操作S230，基于多个交通轨迹各自的降速行为数据，确定候选位置区域。

其中，候选位置区域是基于各个交通轨迹的降速行为数据初步分析得到、在待预测的时间区间内可能存在限速的位置区域。本操作S230从交通路网的无数位置区域中挖掘出一个或多个候选位置区域，能够为后续操作节省大量计算资源。

在操作S240，确定候选位置区域的特征。

其中，候选位置区域的特征可以从一个或多个维度对候选位置区域进行描述。

在操作S250，将候选位置区域的特征输入至目标分类模型，以利用目标分类模型预测候选位置区域的限速信息。

其中，目标分类模型是预先训练得到的模型，用于对输入的特征进行分类。例如，在将一个候选位置区域的特征输入至目标分类模型后，目标分类模型经过处理可以输出表征在待预测的时间区间内该候选特征区域是否存在限速行为的二分类结果。又例如，在将一个候选位置区域的特征输入至目标分类模型后，目标分类模型经过处理可以输出表征在待预测的时间区间内该候选特征区域的限速值大小的多分类结果。

本领域技术人员可以理解，根据本公开实施例的预测限速信息的方法基于交通轨迹来对未来道路限速信息进行预测。具体地，先获取已知时段内的多个交通轨迹，根据交通轨迹中各轨迹点的位置信息和速度信息能够确定交通轨迹所发生的降速行为的速度变化情况以及发生降速行为的位置信息，从而能够基于海量交通轨迹的降速行为来从交通路网中挖掘出可能存在限速的候选位置区域。从交通路网的无数位置区域中挖掘出一个或多个候选位置区域，能够为后续目标分类模型的处理过程节省大量计算时间和计算资源。再利用预先训练好的目标分类模型对候选位置区域的特征进行处理，从而预测得到未来某个时间区间内相应候选位置区域的限速信息。该过程依赖于日常生活中行驶于各个道路的海量交通轨迹进行，无需单独花费人力物力来进行道路限速信息的采集，极大地降低了道路限速信息的更新成本和更新周期。并且由于交通轨迹的数据量充足且与实际道路情况相符，可以满足预测过程中的数据需求，因此可以更为快速、准确地针对未来某个时间区间的道路限速信息进行预测，不存在滞后性，符合道路限速信息的时空变化性，能够有效满足道路限速信息的应用需求。

图4示意性示出了根据本公开另一实施例的预测限速信息的方法的示例流程图，用于示例性地说明上述操作S220确定交通轨迹的降速行为数据的过程。

如图4所示，上述确定交通轨迹的降速行为数据的过程可以包括操作S221～操作S223。

在操作S221，根据该交通轨迹中多个轨迹点的速度信息，判断该多个轨迹点中是否存在符合降速行为规则的轨迹点。如果是，则执行操作S222，如果否，则执行操作S223。

根据本公开的实施例，本操作S221根据交通轨迹中多个轨迹点的速度信息，确定该多个轨迹点中符合降速行为规则的轨迹点的过程可以包括：对于该多个轨迹点中连续排列的L个轨迹点，根据每个轨迹点的速度信息来确定是否该L个轨迹点中前M个轨迹点的速度持续降低且该L个轨迹点中后L-M个轨迹点的速度均在预定速度范围内。如果是，则确定该L个轨迹点符合降速行为规则。其中，L和M均为大于1的整数，且L大于M。L和M的具体取值可以根据实际需要进行设置。

示例性地，上述前M个轨迹点的速度持续降低是指：对于这M个轨迹点中任意相邻两个轨迹点，在后轨迹点的速度小于在前轨迹点的速度。上述预定速度范围包括：相对于预设限速值的波动幅度小于第一阈值的速度范围。预设限速值例如可以是交通管理部门规定的多个标准限速值中的任意一个，如30km/h、40km/h、50km/h、70km/h、100km/h、120km/h等中的任意一个，第一阈值可以根据实际需要进行设置。

可以理解，如果一个交通轨迹中存在连续多个轨迹点的速度持续降低然后稳定在一个标准限速值附近，表明该交通轨迹发生了针对该标准限速值的降速行为。该方式能够合理且准确地判定一个交通轨迹是否发生降速行为。

继续参考图4，在操作S222，将符合降速行为规则的轨迹点的位置信息和速度信息作为该交通轨迹的降速行为数据。

在操作S223，如果该交通轨迹的多个轨迹点中不存在符合降速行为规则的轨迹点，则表明该交通轨迹未发生降速行为，从而确定该交通轨迹的降速行为数据为零。未发生降速行为的交通轨迹是否参与后续密度聚类过程均对聚类结果没有影响。

图5示意性示出了根据本公开另一实施例的预测限速信息的方法的示例流程图。

如图5所示，该方法可以包括操作S501～操作S512。

在操作S501，获取多个交通轨迹。

其中，本操作S501获取多个交通轨迹的过程可以采用如图2中操作S210的实施方式进行，上文已详细说明，在此不再赘述。

在操作S502，对多个交通轨迹进行预处理。

其中，预处理过程例如可以包括清洗数据异常的交通轨迹、清洗交通轨迹中数据异常的轨迹点等，以避免异常数据的存在干扰后续处理过程。在其他实施例中，预处理过程可以根据实际需要选择性地实施。

在操作S503，确定发生降速行为的交通轨迹。

其中，在判断交通轨迹是否发生降速行为时，可以采用如图4所示的实施方式进行，从而确定交通轨迹的降速行为数据。该过程在上文中已详细说明，在此不再赘述。

在操作S504，对发生降速行为的交通轨迹进行密度聚类(density-basedclustering)。

根据本公开的实施例，本操作S504中，可以对多个交通轨迹各自的降速行为数据进行密度聚类，以得到至少一个聚类结果和该至少一个聚类结果各自的密度。其中，密度聚类过程是以数据集在空间分布上的稠密程度为依据进行聚类，可以得到数据量集中的一个或多个高密度区域，每个高密度区域可称为一个聚类结果，或称为一个聚类簇，每个聚类结果中聚集的数据量为该聚类结果的密度。

在操作S505，确定聚类结果的密度是否大于第二阈值。如果是，则执行操作S506。如果否，则确定当前交通轨迹数量不足，还无法确定出候选位置区域，故返回执行操作S501。

在操作S506，确定候选位置区域。

根据本公开的实施例，在进行密度聚类之后，可以确定该至少一个聚类结果中密度大于第二阈值的聚类结果。根据针对密度大于第二阈值的聚类结果中的多个轨迹点的位置信息，可以确定候选位置区域的位置信息。例如，在操作S504～S506中，可以利用基于密度的聚类算法如DBSCAN(Density-Based Spatial Clustering of Application withNoise，具有噪声的基于密度的聚类)算法来对多个交通轨迹的降速行为数据进行密度聚类，以得到一个或多个聚类结果。每个聚类结果所对应的交通轨迹的数量可作为该聚类结果的密度。选取密度大于第二阈值的聚类结果所针对的位置区域，由于该位置区域存在大量降速行为的聚集，表明该位置区域可能存在限速行为，因此将该位置区域作为候选位置区域。针对降速行为数据的密度聚类过程具有聚类准确度高、聚类速度快的特点，能够快速地划分出存在大量降速行为聚集的位置区域，从而从大量道路位置中筛选出候选位置区域，大幅降低后续计算量。

图6A示意性示出了根据本公开实施例的交通轨迹的降速行为数据的示例图。

如图6A所示，展示了多个交通轨迹的轨迹点的速度随时间的变化情况。横坐标为轨迹点的时间信息或轨迹点的序号，纵坐标为轨迹点的速度信息。对于每个交通轨迹，该交通轨迹落入方框610中的轨迹点符合降速行为规则，表明该交通轨迹发生降速行为。该交通轨迹落入方框610中的轨迹点的速度信息和位置信息可以作为该交通轨迹的降速行为数据。针对多个交通轨迹的降速行为数据进行密度聚类，以从空间分布角度来划分出聚集大量降速行为的候选位置区域。

图6B示意性示出了根据本公开实施例的确定候选位置区域的示例图。

如图6B所示，实线圆圈表示交通轨迹中的轨迹点，虚线箭头表示交通轨迹的方向，点划线圆圈表示预先确定的路口位置区域A、B、C和D。对多个交通轨迹的降速行为数据进行密度聚类，以确定聚集大量降速行为的聚类结果，该聚类结果的密度大于第二阈值，该聚类结果对应于位置区域620。根据本公开的实施例，可以将该位置区域620作为候选位置区域。或者，由于实际应用中限速牌往往设置于路口区域，因此可以从位置区域620中选取所包含的路口位置区域A作为候选位置区域。

继续参考图5，在确定候选位置区域后，可以提取候选位置区域的特征以进行针对候选位置区域的分类。

在操作S507，提取候选位置区域的特征。

根据本公开的实施例，在步骤S507中，可以从多个交通轨迹中选取关于该候选位置区域的交通轨迹，并基于关于该候选位置区域的交通轨迹，确定该候选位置区域的特征。示例性地，当一个交通轨迹中存在一个或多个落入该候选位置区域的轨迹点时，可以确定该交通轨迹为关于该候选位置区域的交通轨迹。

示例性地，可以根据关于该候选位置区域的交通轨迹中轨迹点的速度信息，确定该候选位置区域的速度相关特征。速度相关特征例如可以包括速度时序特征和速度频数特征中的至少一项，下面分别对速度时序特征和速度频数特征进行说明。

(1)速度时序特征。实际场景中，交通轨迹中轨迹点的速度具有潮汐性，即在不同时间段，道路行车速度不同。如早、晚高峰时平均速度低，其余时间段平均速度高。为此，速度相关特征需要充分考虑不同时间段的影响。例如对于平均速度较大的时间段，该时间段行车速度受道路拥堵的影响较小，而主要受道路限速约束。故本公开实施例可以设置交通轨迹的获取周期，将每个周期再划分为更小粒度的时间段，基于交通轨迹在这些小粒度时间段内的速度信息来确定速度相关特征。例如，以天为周期，将全天的交通轨迹按小时划分到24个时间段，计算每个时间段的平均瞬时速度，并由大到小进行排序，取前预定数量(例如6)个值，作为第一速度时序特征，以避免某些时间段由于交通拥堵或特殊路况等造成的瞬时速度相对偏低所带来的扰动。在另一个例子中，示例性地，本公开实施例可以将每个周期内的平均速度和标准差也加入到速度时序特征，分别作为第二速度时序特征和第三速度时序特征，这两个特征的分布代表了与实际路况近似的高斯拟合曲线分布。

(2)速度频数特征。本公开实施例可以参考交通轨迹的速度和频数的对应曲线来提取速度相关特征。图7示意性示出了根据本公开实施例的频数-速度曲线的示例图，如图7所示，该频数-速度曲线为针对速度的频次分布所作的拟合曲线。实际场景中，交通管理部门通常将如图7所示的频数-速度曲线中最高频数的85％所对应的速度值作为制定路段限速值的重要参考。根据本公开的实施例，例如可以将如图7所示的频数-速度曲线中最高频数(在图7中为大约120)的多个预定百分比(例如5％、15％、85％、95％)所对应的多个速度值(在图7中分别对应8个速度值)加入到速度相关特征中，以作为第一速度频数特征。在另一个实施例中，由于车辆离散度能够反映大量交通轨迹的轨迹点的速度信息的变化范围和离散幅度，上述离散度例如可以取如图7所示的频数-速度曲线中从最高频数的95％至最高频数的5％所对应的速度值之间的差异程度，以作为第二速度频数特征。在又一个实施例中，可以将速度的众数，即频数最高的速度值加入到速度相关特征中，以作为第三速度频数特征，该特征能够反映路段大多数车辆的行驶速度，对路况速度判断有参考意义。

进一步地，根据本公开的实施例，候选位置区域的特征不仅可以包括速度相关特征，还可以包括道路属性特征。例如可以根据关于候选位置区域的交通轨迹中轨迹点的位置信息，确定该候选位置区域的道路属性特征。

示例性地，对道路属性特征进行说明。一般交通部等相关部门进行道路建设中，高速、城市快速路等道路车道数会比乡间路、城镇路多，道路宽度更大。故本公开实施例可以将候选位置区域的相应路段的道路宽度、车道数等属性加入到道路属性特征中，以从道路属性维度对候选位置区域进行描述，从而目标分类模型可以基于针对候选位置区域的以上多个维度的描述对候选位置区域的限速信息进行分类。

继续参考图5，在操作S508，利用目标分类模型对候选位置区域的特征进行处理。

在操作S509，以目标分类模型为二分类模型为例，判断针对候选位置区域的输出结果是否为两个类别(例如，类别1表示存在限速行为，类别2表示不存在限速行为)中的一个类别(例如类别1)。如果是，则执行操作S510。如果否，则确定候选位置区域不存在限速行为，返回执行操作S501。

在其他例子中，如果目标分类模型为多分类模型，多分类模型针对候选位置区域的输出结果包括多个类别，例如包括：类别0，不存在限速行为；类别1’，存在限速行为且限速值为第一限速值；类别2’，存在限速行为且限速值为第二限速值；类别3’，存在限速行为且限速值为第三限速值等。

在操作S510，确定候选位置区域存在限速行为。

在操作S511，确定候选位置区域的限速信息标识。

其中，在利用二分类模型确定候选位置区域是否存在限速行为的例子中，限速信息标识可以为用于表征是否存在限速的标识，例如标识1表征存在限速，标识2表征不存在限速。在利用多分类模型确定候选位置区域的限速信息的例子中，限速信息标识可以为用于表征限速值的标识，例如标识1’表征限速值为30，标识2’表征限速值为50，标识3’表征限速值为80等。

在操作S512，在地图上对该候选位置区域的限速信息标识进行更新。

其中，在地图上对候选位置区域的限速信息标识进行更新时，需要建立限速信息标识与实际道路之间的映射关系。例如可以对确定存在限速行为的候选位置区域进行去重、区域位置优化(例如图6B中从候选位置区域中选择路口位置区域A)等处理过程，以最终确定限速信息标识所针对的道路位置区域。然后，可以利用限速信息标识对地图上的相应道路位置区域进行更新。以使驾驶者在行驶经过该候选位置区域时，可以基于更新后的限速信息标识驾驶车辆。上述操作S511～S512可以根据实际需要选择性地实施。在其他实施例中，也可以将所确定的候选位置区域的限速信息应用于其他场景。例如，将所确定的候选位置区域的限速信息以各种交互形式(例如即时消息推送、邮件推送等)向用户进行展示。

在根据本公开实施例的预测限速信息的方法中，在将候选位置区域的特征输入至目标分类模型之前，可以进行目标分类模型的获取。例如，构建目标分类模型。

图8示意性示出了根据本公开实施例的构建目标分类模型的示例流程图。

如图8所示，构建目标分类模型的过程可以包括操作S810～操作S830。需要说明的是，该构建目标分类模型的过程可以与上文中操作S210～操作S250在同一计算机设备中实施，也可以在不同计算机设备中实施，在此不做限制。

在操作S810，构建初始分类模型。

然后，在操作S820，获取至少一个位置区域的样本数据和标签。

其中，对于每个位置区域，样本数据包括第二预定时段内该位置区域的特征，标签包括在第二预定时段之后该位置区域的限速信息。第二预定时段可以与第一预定时段相同，例如二者时间长度相同且完全重叠，或者，第二预定时段可以与第一预定时段不同，例如二者部分重叠或完全不重叠，例如二者时间长度不相同。

根据本公开的实施例，上述获取至少一个位置区域的样本数据和标签包括：对于至少一个位置区域中的每个位置区域，获取在第二预定时段内关于该位置区域的交通轨迹。然后，基于关于该位置区域的交通轨迹，确定在第二预定时段内该位置区域的特征，以作为该位置区域的样本数据。

接着，在操作S830，利用至少一个位置区域的样本数据和标签对初始分类模型进行训练，以得到目标分类模型。

根据本公开的实施例，在构建目标分类模型时，可以将一个位置区域在某个时间区间(例如第二时间区间)内的限速信息作为标签。并获取该第二时间区间的在前第二预定时段内关于该位置区域的交通轨迹，基于该在前第二预定时间内关于该位置区域的交通轨迹，提取该位置区域的特征，以将该位置区域的特征作为样本数据。上述所确定标签和该样本数据相对应。其中，提取该位置区域的特征的方式可以与上文中提取候选位置区域的特征的方式同理，在此不再赘述。

示例性地，经过上述训练过程训练得到目标分类模型后，利用第一时间区间的在前第一预定时间内关于候选位置区域的交通轨迹提取候选位置区域的特征，然后利用该目标分类模型预测在第一时间区间内该候选位置区域的限速信息。其中，第一时间区间与第二时间区间的时间长度可以相同，第一预定时段与第二预定时段的时间长度可以相同。

例如，如果期望利用已发生的一周(第一预定时段)内的交通轨迹来预测尚未发生的一天(第一时间区间)内的限速信息，则在进行目标分类模型的构建过程中，可以按照如下方式获取针对多个位置区域的样本数据和标签。对于每个位置区域，例如将已发生的任意一天(例如2020年2月20日)作为第二时间区间，将这一天的在前7天时间作为第二预定时段。获取在该第二预定时段(例如2020年2月20日的在前7天时间)内关于该位置区域的大量交通轨迹，从中提取出该位置区域的特征以作为针对该位置区域的一个样本数据。获取在第二时间区间(例如2020年2月20日)内该位置区域的已知限速信息以作为样本数据的标签。基于此原理，可以获得多个样本数据及标签，利用这些样本数据和标签对初始分类模型进行训练，以得到目标分类模型。

在使用该目标分类模型对候选位置区域进行处理时，例如将尚未发生的一天(例如2020年2月29日)作为第一时间区间，获取该第一时间区间的在前第一预定时段(例如2020年2月29日的在前7天时间)内关于候选位置区域的交通轨迹，从中提取出候选位置区域的特征。利用该目标分类模型对候选位置区域的特征进行处理，以预测第一时间区间(例如2020年2月29日)内该候选位置区域的限速信息。

图9示意性示出了根据本公开实施例的预测限速信息的装置的框图。

如图9所示，预测限速信息的装置900可以包括：获取模块910、降速检测模块920、候选位置确定模块930、特征提取模块940和预测模块950。

获取模块910用于获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息。

降速检测模块920用于对于每个交通轨迹，基于该交通轨迹的多个轨迹点的位置信息和速度信息，确定该交通轨迹的降速行为数据。

候选位置确定模块930用于基于多个交通轨迹各自的降速行为数据，确定候选位置区域。

特征提取模块940用于确定候选位置区域的特征。

预测模块950用于将候选位置区域的特征输入至目标分类模型，以利用目标分类模型预测候选位置区域的限速信息。

根据本公开的实施例，上述降速检测模块920可以包括：降速判定子模块和第一确定子模块。降速判定子模块用于根据该交通轨迹中多个轨迹点的速度信息，确定该多个轨迹点中符合降速行为规则的轨迹点。接着，第一确定子模块用于将符合降速行为规则的轨迹点的位置信息和速度信息作为该交通轨迹的降速行为数据。

根据本公开的另一实施例，上述降速检测模块920还可以包括第二确定子模块，用于在交通轨迹的多个轨迹点中不存在符合降速行为规则的轨迹点时，确定该交通轨迹的降速行为数据为零。

示例性地，上述降速判定子模块具体用于对于该多个轨迹点中连续排列的L个轨迹点，根据每个轨迹点的速度信息来确定是否该L个轨迹点中前M个轨迹点的速度持续降低且该L个轨迹点中后L-M个轨迹点的速度均在预定速度范围内。如果是，则确定该L个轨迹点符合降速行为规则。其中，L和M均为大于1的整数，且L大于M。

例如，上述预定速度范围包括：相对于预设限速值的波动幅度小于第一阈值的速度范围。

根据本公开的实施例，上述候选位置确定模块930可以包括：聚类子模块、阈值判定子模块和第三确定子模块。聚类子模块用于对多个交通轨迹各自的降速行为数据进行密度聚类，以得到至少一个聚类结果和该至少一个聚类结果各自的密度。然后，阈值判定子模块用于确定该至少一个聚类结果中密度大于第二阈值的聚类结果。接着，第三确定子模块用于根据针对密度大于第二阈值的聚类结果中的多个轨迹点的位置信息，确定候选位置区域的位置信息。

根据本公开的实施例，上述特征提取模块940可以包括：选取子模块和第四确定子模块。选取子模块用于从多个交通轨迹中选取关于该候选位置区域的交通轨迹。然后，第四确定子模块用于基于关于该候选位置区域的交通轨迹，确定该候选位置区域的特征。

示例性地，上述第四确定子模块具体可以用于根据关于该候选位置区域的交通轨迹中轨迹点的速度信息，确定该候选位置区域的速度相关特征。

根据本公开的实施例，上述第四确定子模块具体还可以用于根据关于该候选位置区域的交通轨迹中轨迹点的位置信息，确定该候选位置区域的道路属性特征。

根据本公开的实施例，上述预测限速信息的装置900还可以包括构建模块，用于在上述将候选位置区域的特征输入至目标分类模型之前，构建目标分类模型。构建模块可以包括：初始构建子模块、样本获取子模块和训练子模块。初始构建子模块用于构建初始分类模型，然后样本获取子模块用于获取至少一个位置区域的样本数据和标签。其中，对于每个位置区域，样本数据包括第二预定时段内该位置区域的特征，标签包括在第二预定时段之后该位置区域的限速信息。接着，训练子模块用于利用至少一个位置区域的样本数据和标签对初始分类模型进行训练，以得到目标分类模型。

示例性地，上述预测模块具体用于预测针对第一预定时段之后的第一时间区间的该候选位置区域的限速信息。并且，在构建目标分类模型时，每个位置区域的标签包括在第二预定时段之后的第二时间区间内的该位置区域的限速信息，第二时间区间与第一时间区间长度相等。

示例性地，上述样本获取子模块具体用于对于至少一个位置区域中的每个位置区域，获取在第二预定时段内关于该位置区域的交通轨迹。然后，基于关于该位置区域的交通轨迹，确定在第二预定时段内该位置区域的特征，以作为该位置区域的样本数据。

根据本公开的实施例，上述预测限速信息的装置900还可以包括更新模块，用于基于候选位置区域的限速信息，在地图上对该候选位置区域的限速信息标识进行更新。

需要说明的是，装置部分实施例中各模块/单元/子单元等的实施方式、解决的技术问题、实现的功能、以及达到的技术效果分别与方法部分实施例中各对应的步骤的实施方式、解决的技术问题、实现的功能、以及达到的技术效果相同或类似，在此不再赘述。

根据本公开的实施例的模块、子模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，获取模块910、降速检测模块920、候选位置确定模块930、特征提取模块940和预测模块950中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块910、降速检测模块920、候选位置确定模块930、特征提取模块940和预测模块950中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块910、降速检测模块920、候选位置确定模块930、特征提取模块940和预测模块950中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

图10示意性示出了根据本公开实施例的适于实现上文描述的方法的计算机设备的框图。图10示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图10所示，根据本公开实施例的计算机设备1000包括处理器1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。处理器1001例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1001还可以包括用于缓存用途的板载存储器。处理器1001可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1003中，存储有设备1000操作所需的各种程序和数据。处理器1001、ROM1002以及RAM 1003通过总线1004彼此相连。处理器1001通过执行ROM 1002和/或RAM 1003中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 1002和RAM 1003以外的一个或多个存储器中。处理器1001也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，设备1000还可以包括输入/输出(I/O)接口1005，输入/输出(I/O)接口1005也连接至总线1004。设备1000还可以包括连接至I/O接口1005的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被处理器1001执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机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。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1002和/或RAM 1003和/或ROM 1002和RAM 1003以外的一个或多个存储器。

本公开还提供了一种计算机程序产品，该计算机程序产品包括计算机程序。当上述计算机程序被处理器执行时，实现根据本公开上述任意实施例的方法。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (16)

1.一种预测限速信息的方法，包括：

获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息；

对于每个交通轨迹，基于所述交通轨迹的多个轨迹点的位置信息和速度信息，确定所述交通轨迹的降速行为数据；

基于所述多个交通轨迹各自的降速行为数据，确定候选位置区域；

确定所述候选位置区域的特征；以及

将所述候选位置区域的特征输入至目标分类模型，以利用所述目标分类模型预测所述候选位置区域的限速信息；

其中，所述基于所述多个交通轨迹各自的降速行为数据，确定候选位置区域包括：

对所述多个交通轨迹各自的降速行为数据进行密度聚类，以得到至少一个聚类结果和所述至少一个聚类结果各自的密度；

确定所述至少一个聚类结果中密度大于第二阈值的聚类结果；以及

根据针对所述密度大于第二阈值的聚类结果中的多个轨迹点的位置信息，确定所述候选位置区域的位置信息。

2. 根据权利要求1所述的方法，其中，所述确定所述交通轨迹的降速行为数据包括：

根据所述交通轨迹中多个轨迹点的速度信息，确定所述多个轨迹点中符合降速行为规则的轨迹点；以及

将所述符合降速行为规则的轨迹点的位置信息和速度信息作为所述交通轨迹的降速行为数据。

3.根据权利要求1所述的方法，其中，所述确定所述交通轨迹的降速行为数据还包括：如果所述交通轨迹的多个轨迹点中不存在符合降速行为规则的轨迹点，则确定所述交通轨迹的降速行为数据为零。

4.根据权利要求2所述的方法，其中，所述根据所述交通轨迹中多个轨迹点的速度信息，确定所述多个轨迹点中符合降速行为规则的轨迹点包括：

对于所述多个轨迹点中连续排列的L个轨迹点，根据每个轨迹点的速度信息来确定是否所述L个轨迹点中前M个轨迹点的速度持续降低且所述L个轨迹点中后L-M个轨迹点的速度均在预定速度范围内，如果是，则确定所述L个轨迹点符合降速行为规则，其中，L和M均为大于1的整数，且L大于M。

5.根据权利要求4所述的方法，其中，所述预定速度范围包括：相对于预设限速值的波动幅度小于第一阈值的速度范围。

6. 根据权利要求1所述的方法，其中，所述确定所述候选位置区域的特征包括：

从所述多个交通轨迹中选取关于所述候选位置区域的交通轨迹；以及

基于所述关于所述候选位置区域的交通轨迹，确定所述候选位置区域的特征。

7.根据权利要求6所述的方法，其中，所述基于所述关于所述候选位置区域的交通轨迹，确定所述候选位置区域的特征包括：

根据所述关于所述候选位置区域的交通轨迹中轨迹点的速度信息，确定所述候选位置区域的速度相关特征。

8.根据权利要求6所述的方法，其中，所述基于所述关于所述候选位置区域的交通轨迹，确定所述候选位置区域的特征还包括：

根据所述关于所述候选位置区域的交通轨迹中轨迹点的位置信息，确定所述候选位置区域的道路属性特征。

9.根据权利要求1所述的方法，还包括：在所述将所述候选位置区域的特征输入至目标分类模型之前，构建所述目标分类模型；

所述构建所述目标分类模型包括：

构建初始分类模型；

获取至少一个位置区域的样本数据和标签，其中，对于每个位置区域，所述样本数据包括第二预定时段内所述位置区域的特征，所述标签包括在所述第二预定时段之后所述位置区域的限速信息；以及

利用所述至少一个位置区域的样本数据和标签对所述初始分类模型进行训练，以得到所述目标分类模型。

10. 根据权利要求9所述的方法，其中，

所述利用所述目标分类模型预测所述候选位置区域的限速信息包括：预测针对所述第一预定时段之后的第一时间区间的所述候选位置区域的限速信息；并且

在构建所述目标分类模型时，每个位置区域的标签包括在所述第二预定时段之后的第二时间区间内的所述位置区域的限速信息，所述第二时间区间与所述第一时间区间长度相等。

11. 根据权利要求9所述的方法，其中，所述获取至少一个位置区域的样本数据和标签包括：

对于所述至少一个位置区域中的每个位置区域，获取在所述第二预定时段内关于所述位置区域的交通轨迹；以及

基于所述关于所述位置区域的交通轨迹，确定在所述第二预定时段内所述位置区域的特征，以作为所述位置区域的样本数据。

12.根据权利要求1所述的方法，还包括：

基于所述候选位置区域的限速信息，在地图上对所述候选位置区域的限速信息标识进行更新。

13.一种预测限速信息的装置，包括：

获取模块，用于获取第一预定时段内的多个交通轨迹，其中每个交通轨迹包括多个轨迹点，每个轨迹点具有位置信息和速度信息；

降速检测模块，用于对于每个交通轨迹，基于所述交通轨迹中多个轨迹点的位置信息和速度信息，确定所述交通轨迹的降速行为数据；

候选位置确定模块，用于基于所述多个交通轨迹各自的降速行为数据，确定候选位置区域；

特征提取模块，用于确定所述候选位置区域的特征；以及

预测模块，用于将所述候选位置区域的特征输入至目标分类模型，以利用所述目标分类模型预测所述候选位置区域的限速信息；

其中，所述候选位置确定模块基于所述多个交通轨迹各自的降速行为数据，确定候选位置区域包括：

对所述多个交通轨迹各自的降速行为数据进行密度聚类，以得到至少一个聚类结果和所述至少一个聚类结果各自的密度；

确定所述至少一个聚类结果中密度大于第二阈值的聚类结果；以及

根据针对所述密度大于第二阈值的聚类结果中的多个轨迹点的位置信息，确定所述候选位置区域的位置信息。

14. 一种计算机设备，包括：

存储器，其上存储有计算机指令；以及

至少一个处理器；

其中，所述处理器执行所述计算机指令时实现根据权利要求1~12中任一项所述的方法。

15.一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令被处理器执行时实现根据权利要求1~12中任一项所述的方法。

16.一种计算机程序产品，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1~12中任一项所述的方法。