CN114154711A - 交通信息推荐方法、装置、电子设备及计算机存储介质 - Google Patents

交通信息推荐方法、装置、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN114154711A
CN114154711A CN202111449723.6A CN202111449723A CN114154711A CN 114154711 A CN114154711 A CN 114154711A CN 202111449723 A CN202111449723 A CN 202111449723A CN 114154711 A CN114154711 A CN 114154711A
Authority
CN
China
Prior art keywords
target object
road section
frequency
target
frequency distribution
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.)
Pending
Application number
CN202111449723.6A
Other languages
English (en)
Inventor
刘静
吴萌
侯晓宇
胡思宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Century Xinyun Transportation Technology Application Research Institute
Original Assignee
Beijing Century Xinyun Transportation Technology Application Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Century Xinyun Transportation Technology Application Research Institute filed Critical Beijing Century Xinyun Transportation Technology Application Research Institute
Priority to CN202111449723.6A priority Critical patent/CN114154711A/zh
Publication of CN114154711A publication Critical patent/CN114154711A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本申请提供交通信息推荐方法、装置、电子设备及计算机存储介质，涉及人工智能技术领域。本申请实施例在确定预设类型的交通事件发生后，确定与发生交通事件的目标路段在预设距离范围的目标对象；根据目标对象的历史出行数据，确定用于表示目标对象在包含交通事件发生时刻的预设时长内经过目标路段频率的第一频率分布特征，以及用于表示目标对象在预设时长内经过目标对象当前所在路段频率的第二频率分布特征；根据目标对象的第一频率分布特征以及第二频率分布特征，预测目标对象需要经过目标路段后，向目标对象推荐目标路段的交通信息。本申请实施例结合对象的历史出行数据，主动向用户推荐发生交通事件的交通信息，提高交通信息推荐的灵活性。

Description

交通信息推荐方法、装置、电子设备及计算机存储介质
技术领域
本申请涉及人工智能技术领域，特别涉及交通信息推荐方法、装置、电子设备及计算机存储介质。
背景技术
随着移动互联技术的发展，人们的日常出行也越来越便捷，在出行前往往需要了解道路交通信息。目前，交通信息的数据来源、信息内容、服务方式呈现出多样化的发展趋势；例如，一种常用的方式为将雷达、视频等固定检测设备采集的数据，以及卫星定位、手机信令等移动设备采集的数据，计算成反映路况的交通信息，如拥堵、缓慢、畅通等交通信息。
目前，通过移动终端向用户提供道路交通信息的方式为，用户在出行前设置起点和终点，根据用户的起点和终点规划出用户的出行路径，并将用户出行路径中各个路段的交通信息推送给用户。这种交通信息推送方式依赖于根据用户设置的起点和终点所规划的路径，目前的交通信息推送方式不够灵活。
发明内容
本申请提供交通信息推荐方法、装置、电子设备及计算机存储介质，用以提高交通信息推送方式的灵活性。
第一方面，本申请实施例提供一种交通信息推荐方法，包括：
在确定预设类型的交通事件发生后，确定与发生所述交通事件的目标路段在预设距离范围的目标对象；
根据所述目标对象的历史出行数据，确定用于表示所述目标对象在包含所述交通事件发生时刻的预设时长内经过所述目标路段频率的第一频率分布特征，以及用于表示所述目标对象在所述预设时长内经过所述目标对象当前所在路段频率的第二频率分布特征；
根据所述目标对象的第一频率分布特征以及所述第二频率分布特征，预测所述目标对象需要经过所述目标路段后，向所述目标对象推荐所述目标路段的交通信息。
由于本申请实施例提供的交通信息推荐方法为，在有预设类型的交通事件发生后，根据目标对象的历史出行数据，预测目标对象是否会经过发生交通事件的目标路段，在确定目标对象需要经过目标路段后，向目标对象推送交通事件的交通信息。在预测目标对象是否会经过目标路段时，本申请实施例根据目标对象的历史出行数据，确定用于表示目标对象在包含所述交通事件发生时刻的预设时长内经过目标路段频率的第一频率分布特征，以及用于表示目标对象在预设时长内经过目标对象当前所在路段频率的第二频率分布特征，根据目标对象的第一频率分布特征以及第二频率分布特征，预测目标对象是否会经过目标路段。本申请实施例提供的交通信息推荐方法为一种结合对象的历史出行数据，主动向用户推荐预测到需要经过发生交通事件的路段的交通信息，全程不需要用户参与，提高交通信息推荐的灵活性，且提高用户体验。
可选地，根据下列方式预测所述目标对象需要经过所述目标路段：
基于预测网络模型，将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数；
在确定所述预测参数为表示所述目标对象需要经过所述目标路段的参数后，确定所述目标对象需要经过所述目标路段。
可选地，所述将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数，具体包括：
分别从所述第一频率分布特征和所述第二频率分布特征中截取第一时间段对应的频率分布特征，将截取出的所述第一时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第一时间卷积网络；以及
分别从所述第一频率分布特征和所述第二频率分布特征中截取第二时间段对应的频率分布特征，将截取出的所述第二时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第二时间卷积网络；
将所述第一时间卷积网络的输出结果与所述第二时间卷积网络的输出结果合并处理后输入所述预测网络模型的全连接网络，并获取所述全连接网络输出的预测参数。
可选地，根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
从预先构建的包含各个路段上在不同时段的出行频率的出行频率特征集合中，确定所述目标路段对应的出行频率特征矩阵以及所述目标对象当前所在路段对应的出行频率特征矩阵；其中，所述出行频率特征集合是根据包含所述目标对象的多个对象的历史出行数据构建的；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
可选地，根据下列方式构建的包含各个路段上在不同时段的出行频率的出行频率特征集合：
针对任意一个路段，根据包含所述目标对象的多个参考对象的历史出行数据，确定所述参考对象经过所述路段的时段和在每个时段内经过所述路段的历史出行次数，以及确定所述参考对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述路段对应的在不同时段的出行频率特征矩阵；
将各个路段对应的出行频率特征矩阵组成所述出行频率特征集合。
可选地，根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
根据所述目标对象的历史出行数据，确定所述目标对象经过所述目标路段的时段和在每个时段内经过所述目标路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述目标路段对应的在不同时段的出行频率特征矩阵；以及
根据所述目标对象的历史出行数据，确定所述目标对象经过当前所在路段的时段和在每个时段内经过当前所在路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述当前所在路段对应的在不同时段的出行频率特征矩阵；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
第二方面，本申请实施例提供一种交通信息推荐装置，包括：
确定单元，用于在确定预设类型的交通事件发生后，确定与发生所述交通事件的目标路段在预设距离范围的目标对象；
处理单元，用于根据所述目标对象的历史出行数据，确定用于表示所述目标对象在包含所述交通事件发生时刻的预设时长内经过所述目标路段频率的第一频率分布特征，以及用于表示所述目标对象在所述预设时长内经过所述目标对象当前所在路段频率的第二频率分布特征；
推荐单元，用于根据所述目标对象的第一频率分布特征以及所述第二频率分布特征，预测所述目标对象需要经过所述目标路段后，向所述目标对象推荐所述目标路段的交通信息。
可选地，所述推荐单元具体用于：
根据下列方式预测所述目标对象需要经过所述目标路段：
基于预测网络模型，将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数；在确定所述预测参数为表示所述目标对象需要经过所述目标路段的参数后，确定所述目标对象需要经过所述目标路段。
可选地，所述推荐单元具体用于：
分别从所述第一频率分布特征和所述第二频率分布特征中截取第一时间段对应的频率分布特征，将截取出的所述第一时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第一时间卷积网络；以及
分别从所述第一频率分布特征和所述第二频率分布特征中截取第二时间段对应的频率分布特征，将截取出的所述第二时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第二时间卷积网络；
将所述第一时间卷积网络的输出结果与所述第二时间卷积网络的输出结果合并处理后输入所述预测网络模型的全连接网络，并获取所述全连接网络输出的预测参数。
可选地，所述处理单元具体用于：
根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
从预先构建的包含各个路段上在不同时段的出行频率的出行频率特征集合中，确定所述目标路段对应的出行频率特征矩阵以及所述目标对象当前所在路段对应的出行频率特征矩阵；其中，所述出行频率特征集合是根据包含所述目标对象的多个对象的历史出行数据构建的；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
可选地，所述处理单元具体用于：
根据下列方式构建的包含各个路段上在不同时段的出行频率的出行频率特征集合：
针对任意一个路段，根据包含所述目标对象的多个参考对象的历史出行数据，确定所述参考对象经过所述路段的时段和在每个时段内经过所述路段的历史出行次数，以及确定所述参考对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述路段对应的在不同时段的出行频率特征矩阵；
将各个路段对应的出行频率特征矩阵组成所述出行频率特征集合。
可选地，所述处理单元具体用于：
根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
根据所述目标对象的历史出行数据，确定所述目标对象经过所述目标路段的时段和在每个时段内经过所述目标路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述目标路段对应的在不同时段的出行频率特征矩阵；以及
根据所述目标对象的历史出行数据，确定所述目标对象经过当前所在路段的时段和在每个时段内经过当前所在路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述当前所在路段对应的在不同时段的出行频率特征矩阵；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行上述第一方面中任一所述方法的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，其包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行上述第一方面中任一所述方法的步骤。
附图说明
图1为本申请实施例中的一种应用场景的示意图；
图2为本申请实施例中的一种交通信息推荐方法流程示意图；
图3为本申请实施例中的一种预测网络模型的结构示意图；
图4为本申请实施例中的另一种预测网络模型的结构示意图；
图5为本申请实施例中的一种交通信息推荐装置的结构示意图；
图6为本申请实施例中的一种电子设备的结构示意图；
图7为本申请实施例中的一种计算装置的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本申请公开的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请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，以便这里描述的本申请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。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
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，ML)是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。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。
本申请实施例在确定预设类型的交通事件发生后，确定与发生交通事件的目标路段在预设距离范围的目标对象；根据目标对象的历史出行数据，确定用于表示目标对象在包含所述交通事件发生时刻的预设时长内经过目标路段频率的第一频率分布特征，以及用于表示目标对象在预设时长内经过目标对象当前所在路段频率的第二频率分布特征；根据目标对象的第一频率分布特征以及第二频率分布特征，预测目标对象需要经过目标路段后，向目标对象推荐目标路段的交通信息。本申请实施例提供的交通信息推荐方法在有预设类型的交通事件发生后，根据目标对象的历史出行数据，预测目标对象是否会经过发生交通事件的目标路段，在确定目标对象需要经过目标路段后，向目标对象推送目标路段的交通信息。在预测目标对象是否会经过目标路段时，本申请实施例根据目标对象的历史出行数据，确定用于表示目标对象在预设时长内经过目标路段频率的第一频率分布特征，以及用于表示目标对象在预设时长内经过目标对象当前所在路段频率的第二频率分布特征，根据目标对象的第一频率分布特征以及第二频率分布特征，预测目标对象是否会经过目标路段。本申请实施例提供的交通信息推荐方法为一种结合对象的历史出行数据，主动向用户推荐预测到需要经过发生交通事件的路段的交通信息，全程不需要用户参与，提高交通信息推荐的灵活性，且提高用户体验。
在介绍完本申请实施例的设计思想之后，下面对本申请实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本申请实施例而非限定。在具体实施过程中，可以根据实际需要灵活地应用本申请实施例提供的技术方案。
如图1所示，其为本申请实施例示例性的一种应用场景的示意图，以对象为车辆为例，其中接收交通信息的设备可以为车辆中的通信终端或者为车辆中的通信模块。
如图1所示，包括车辆11、车辆12、车辆13、车辆14、车辆15，以及服务器16。服务器16接收各个车辆上报的行驶状态信息；其中车辆可以向服务器16上报当前行驶路段的交通信息，例如是否发生拥堵、是否发生交通事件、是否通行缓慢等信息。服务器16在接收到各个车辆上报的行驶状态信息，确定预设类型的交通事件发生后，确定与发生该交通事件的目标路段在预设距离范围的目标车辆；假设确定出目标车辆为车辆11、车辆12和车辆13，则服务器16根据各个目标车辆的历史出行数据，分别确定各个用于目标车辆在包含所述交通事件发生时刻的预设时长内经过目标路段频率的第一频率分布特征，以及各个用于表示目标车辆在预设时长内经过目标车辆当前所在路段频率的第二频率分布特征；根据目标车辆的第一频率分布特征以及第二频率分布特征，分别预测各个目标车辆是否需要经过目标路段，向需要经过目标路段的目标车辆推荐目标路段的交通信息。假设服务器16确定车辆11和车辆12需要经过目标路段，则服务器16将目标路段的交通信息推荐给车辆11和车辆12。
其中，本申请实施例的服务器可以为一个独立服务器，或者可以是由多个服务器组成的服务器集群。
下面结合上述描述的应用场景，参考图2-图4来描述本申请示例性实施方式提供的交通信息推荐方法。需要注意的是，上述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
如图2所示，为本申请实施例提供的一种交通信息推荐方法流程示意图，该方法可以包括以下步骤：
步骤S201、在确定预设类型的交通事件发生后，确定与发生交通事件的目标路段在预设距离范围的目标对象；
步骤S202、根据目标对象的历史出行数据，确定用于表示目标对象在包含所述交通事件发生时刻的预设时长内经过目标路段频率的第一频率分布特征，以及用于表示目标对象在预设时长内经过目标对象当前所在路段频率的第二频率分布特征；
步骤S203、根据目标对象的第一频率分布特征以及第二频率分布特征，预测目标对象需要经过目标路段后，向目标对象推荐目标路段的交通信息。
本申请实施例预设类型的交通事件包括但不限于：
交通事故、临时交通管制、临时道路施工、道路拥堵、道路通行缓慢。
需要说明的是，本申请实施例的路段为预先对路网进行划分且进行标识得到的；本申请实施例的预设距离范围为预先设置的范围值，本申请实施例的预设时长为根据交通事件类型预先设定的时长，不同类型的交通事件对应的预设时长可以不同，例如交通事故对应的预设时长可以为10分钟，道路通行缓慢对应的预设时长可以为2分钟。
在步骤S201中，本申请实施例在确定预设类型的交通事件发生后，确定出与交通事件发生所在目标路段在预设距离范围内的目标对象，将确定出的目标对象组成待接收信息对象集；
由于交通事件的发生具有时效性，并不会一直存在，因此，在确定出待接收信息对象集之后，针对待接收信息对象集中的每个目标对象，预测目标对象在接下来一段时间内是否会经过该目标路段；
可选的，本申请实施例预测目标对象在交通事件发生后的预设有效时长内是否需要经过所述目标路段。
例如，交通事件发生时间为t0，交通事件发生路段为L0，假设预设有效时长为t，预设距离范围为R；则将距离路段L0的距离在R范围内的对象作为目标对象组成待接收信息对象集I。则本申请实施例需要预测待接收信息对象集I中每个目标对象在[t0，t0+t]时段内是否会经过路段L0。
下面针对任意一个目标对象，详细介绍预测目标对象是否需要经过目标路段的方式。
本申请实施例获取多个参考对象的历史出行数据，预先构建包含各个路段上在不同时段的出行频率的出行频率特征集合；
其中，出行频率特征集合中包括多个路段对应的出行频率特征矩阵；
需要说明的是，任意路段的出行频率特征矩阵为p*q的矩阵，其中，p为参考对象的个数，q为将一天划分的时段数；
例如，一天24小时，可以将1分钟作为一个时段，则q的取值为1440。下面针对任意一个路段的出行频率特征矩阵的构建方式进行详细说明：
1、根据参考对象的历史出行数据，确定每个参考对象经过该路段的时段以及在每个时段内经过该路段的历史出行次数，以及确定每个参考对象经过各个路段的累计出行次数；
需要说明的是，假设参考对象在历史出行数据中经过五个路段，五个路段的历史出行次数分别为1、1、1、2、1，则参考对象的累计出行次数为6。
2、根据每个时段对应的历史出行次数和累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建路段对应的在不同时段的出行频率特征矩阵；
需要说明的是，时段对应的出行频率为该时段对象的历史出行次数和累计出行次数的比值。
3、根据确定出的每个时段对应的出行频率，构建路段对应的在不同时段的出行频率特征矩阵；
从上述出行频率特征矩阵的确定方式可以看出，本申请实施例构建的出行频率特征矩阵表示的是每个参考对象在不同时段的出行频率。
例如，以参考对象为车辆为例，根据车辆的历史出行数据，得到任一车辆k在路段L上的出行频率特征
Figure BDA0003385503010000121
为：
Figure BDA0003385503010000122
其中，q为时段数，若以每分钟为一个时段，则全天共分为1440个时段，即q＝1440；
j为时段序数，j的取值为1、2、…q，若q取值1440，则j＝1表示时段0:00-0:01；
Figure BDA0003385503010000123
为车辆k在第j个时段里，累计通过路段L的次数；
Nk为历史出行数据中，在预设历史出行数据中车辆k的累计出行次数。
则，路段L的出行频率特征矩阵Feal为：
Figure BDA0003385503010000124
其中，p为历史出行数据中车辆的个数。
需要说明的是，由于个体出行时间的随机性、出行范围的差异性、交通状态的不确定性，Feal是一个稀疏矩阵，即0元素数目远远多于非0元素的数目，并且非0元素分布没有规律。
本申请实施例在预测目标对象是否需要经过目标路段的方式时，从预先构建的出行频率特征集合中，确定目标路段对应的出行频率特征矩阵以及目标对象当前所在路段对应的出行频率特征矩阵；
根据交通事件发生的时段，从目标路段对应的出行频率特征矩阵中获取目标对象对应的第一频率分布特征，以及从目标对象当前所在路段对应的出行频率特征矩阵中获取目标对象对应的第二频率分布特征。
假设交通事件发生时间为t0，预设有效时长为t，即预测目标对象在[t0，t0+t]时段内是否需要经过目标路段。
需要说明的是，受到个体出行时间的随机性、交通状态的不确定性的影响，目标对象以往通过目标路段的时间是不确定的。因此，在从目标路段对应的出行频率特征矩阵中获取目标对象对应的第一频率分布特征，以及从目标对象当前所在路段对应的出行频率特征矩阵中获取目标对象对应的第二频率分布特征时，可以在预设时长前后多选取一段时长，构建目标对象在目标路段上预设时长内的频率分布特征以及在当前路段上预设时长内的频率分布特征；
例如，预设时长为t，选取目标对象在目标路段的[t0-t，t0+2t]时段，构建目标对象在目标路段上预设时长内的频率分布特征。
需要说明的是，本申请实施例中的出行频率特征集合是根据多个参考对象的历史出行数据构建的，在有新的历史出行数据后，可以对出行频率特征集合进行更新。出行频率特征集合中每个路段对应的出行频率特征是根据历史出行数据得到的，反映的是不同时段的路段频繁特征。
例如，针对交通事故的预设时长为10分钟，假设发生交通事故的时刻为8：00，根据预设时长选取时段7:50～8:20。本申请实施例从根据历史出行数据构建的发生交通事故的路段对应的出行频率特征矩阵中截取7:50～8:20时段内的特征作为预设时长内的频率分布特征。
可选地，目标对象在目标路段上的第一频率分布特征为：
Figure BDA0003385503010000131
其中，
Figure BDA0003385503010000132
为目标路段L0对应的出行频率特征矩阵中，目标对象i的出行频率特征
Figure BDA0003385503010000133
中[t0-t，t0+2t]时段的特征向量，共3t+1个特征；若目标对象i在[t0-t，t0+2t]时段，从未通过目标路段L0，则目标路段L0对应的出行频率特征矩阵无
Figure BDA0003385503010000134
Figure BDA0003385503010000135
目标对象在当前所在路段上的第二频率分布特征为：
Figure BDA0003385503010000136
其中，
Figure BDA0003385503010000141
为目标对象i当前所在路段L对应的出行频率特征矩阵中，目标对象i的出行频率特征
Figure BDA0003385503010000142
中[t0-t，t0+2t]时段的特征向量，共3t+1个特征；若目标对象i在[t0-t，t0+2t]时段，从未通过路段L，则路段L对应的出行频率特征矩阵无
Figure BDA0003385503010000143
Figure BDA0003385503010000144
需要说明的是，在待接收信息对象集I中，只有少数对象即将经过目标路段，大多数对象不会经过目标路段，且从未经过目标路段。因此，出行频率特征集合中目标路段的出行频率特征矩阵中目标对象的出行频率特征为[0，0，…，0]；从未经过目标路段的对象，可以称之为“新用户”，即针对“新用户”的推荐系统称之为“冷启动”。为了解决“冷启动”的问题，本申请实施例引入的目标对象在当前所在路段上的第二频率分布特征可以用于预测目标对象是否需要经过目标路段。
本申请实施例是基于获取到的多个参考对象的历史出行数据，预先构建出行频率特征集合，且该出行频率特征集合可以根据最新的历史出行数据动态更新；本申请实施例在确定交通事件发生后，直接使用预先构建的出行频率特征集合预测目标对象是否会经过发生交通事件的目标路段。
另外，本申请实施例还可以通过另外一种方式确定目标对象对应的第一频率分布特征和第二频率分布特征，具体方式如下：
本申请实施例在确定预设类型的交通事件发生后，获取目标对象的历史出行数据，根据目标对象的历史出行数据，确定目标对象经过目标路段的时段和在每个时段内经过目标路段的历史出行次数，以及确定目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建目标路段对应的在不同时段的出行频率特征矩阵；根据交通事件发生的时段，从目标路段对应的出行频率特征矩阵中获取目标对象对应的第一频率分布特征；以及
根据目标对象的历史出行数据，确定目标对象经过当前所在路段的时段和在每个时段内经过当前所在路段的历史出行次数，以及确定目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建当前所在路段对应的在不同时段的出行频率特征矩阵；根据交通事件发生的时段，从目标对象当前所在路段对应的出行频率特征矩阵中获取目标对象对应的第二频率分布特征。
本申请实施例在预测目标对象是否经过目标路段时，是预测目标对象在交通事件发生后的预设有效时长内是否需要经过目标路段，并且，不同类型的交通事件，对应的预设有效时长不同；例如，道路拥堵、道路通行缓慢等类型的交通事件对应的预设有效时长较短，假设可以为2～5分钟；交通事故、交通管制、道路施工等类型的交通事件对应的预设有效时长较长，一般可以从几分钟到几十分钟不等。
需要说明的是，由于针对不同类型的交通事件设置不同的预设有效时长，因此本申请实施例针对不同类型的交通事件，目标对象对应的第一频率分布特征和第二频率分布特征的特征个数是不同的。
本申请实施例基于预测网络模型，预测目标对象是否需要经过目标路段；
实施中，本申请实施例将目标对象的第一频率分布特征以及第二频率分布特征输入预测网络模型，并获取预测网络模型输出的预测参数；在确定预测参数为表示目标对象需要经过目标路段的参数后，确定目标对象需要经过目标路段。
如图3所示，本申请实施例的预测网络模型包括第一时间卷积网络(TemporalConvolutional Networks，TCN)、第二时间卷积网络和全连接网络；
一种可选的实施方式为，分别从所述第一频率分布特征和所述第二频率分布特征中截取第一时间段对应的频率分布特征，将截取出的所述第一时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第一时间卷积网络；以及分别从所述第一频率分布特征和所述第二频率分布特征中截取第二时间段对应的频率分布特征，将截取出的所述第二时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第二时间卷积网络；将所述第一时间卷积网络的输出结果与所述第二时间卷积网络的输出结果合并处理后输入所述预测网络模型的全连接网络，并获取所述全连接网络输出的预测参数。
例如，假设第一频率分布特征和第二频率分布特征为[t0-t，t0+2t]时段的特征，可以将[t0-t，t0+t]作为第一时间段，将[t0，t0+2t]作为第二时间段。从第一频率分布特征中截取[t0-t，t0+t]时间段内的特征，以及从第二频率分布特征中截取[t0-t，t0+t]时间段内的特征，件截取到的特征按照相同时间段进行组合，每一个组合结果作为第一时间卷积网络输入特征序列中的一个元素。从第一频率分布特征中截取[t0，t0+2t]时间段内的特征，以及从第二频率分布特征中截取[t0，t0+2t]时间段内的特征，件截取到的特征按照相同时间段进行组合，每一个组合结果作为第二时间卷积网络输入特征序列中的一个元素。因此，第一时间卷积网络的输入特征序列和第二时间卷积网络的输入特征序列中的元素是二维的。
第一时间卷积网络的输入特征序列为：
Figure BDA0003385503010000161
第二时间卷积网络的输入特征序列为：
Figure BDA0003385503010000162
需要说明的是，根据时间卷积网络的基本原理，任意一个时间的输出，只与该时间之前的输入有关，而与该时间之后的输入无关。然而，在现实中，由于受到个体出行时间的随机性、交通状态的不确定性的影响，目标对象经过某路段的时间是不稳定的，比[t0，t0+t]时段早，或者比[t0，t0+t]时段晚的情况同时存在。因此，为预测目标对象在[t0，t0+t]时段是否会通过交通事件发生路段，本申请实施例获取[t0-t，t0+t]时段内的输入特征序列和[t0，t0+2t]时间段内的输入特征序列。
其中，Xi-体现比[t0，t0+t]时段早的情况，取[t0-t，t0+t]时段的特征序列；Xi+体现比[t0，t0+t]时段晚的情况，取[t0，t0+2t]时段的特征序列并逆序排列。Xi-和Xi+各有2t+1个特征。
如图4所示，本申请实施例的第一时间卷积网络包括输入层、卷积层和输出层；第二时间卷积网络包括输入层、卷积层和输出层；全连接网络包括融合层和全连接层。
其中，第一时间卷积网络和第二时间卷积网络的输入层中，2t+1表示输入特征序列的特征项的数量，2表示每个特征项有两个特征值；
第一时间卷积网络的卷积层的输出序列的时序为t0-t,…,t0,t0+1,…,t0+t；第二时间卷积网络的卷积层的输出序列的时序为t0+2t,…,t0+t,…,t0；
在第一时间卷积网络的输出层中截取卷积层输出的后t+1项，以及在第二时间卷积网络的输出层中截取卷积层输出的后t+1项，从而得到[t0，t0+t]时段的输出结果；Yi-和Yi+的输出都按照t0,t0+1,t0+2,…,t0+t的顺序排列；
在全连接网络的融合层将Yi-和Yi+相加，最后通过全连接层，将输出转换为n_classes维；本申请实施例可以采用二分类网络，则n_classes取值为2；
在全连接层的输出为预测参数，在预测参数大于阈值时，确定目标对象需要经过发生交通事件的目标路段，在预测参数不大于阈值时，确定目标对象不需要经过发生交通事件的目标路段；
其中，预测参数的取值范围可以为[0，1]，阈值可以设置为0.5。
本申请实施例在确定目标对象需要经过发生交通事件的目标路段后，向目标对象推荐目标路段的交通信息；
可选的，交通信息可以为道路当前状态(通畅、拥堵等)、道路通行速度(缓慢通行、高速通行等)、出现交通事故的类型、交通事故发生时间、交通管制时间、道路施工时间等信息。
如图5所示，为本申请实施例提供的一种交通信息推荐装置500的结构示意图，包括：
确定单元501，用于在确定预设类型的交通事件发生后，确定与发生所述交通事件的目标路段在预设距离范围的目标对象；
处理单元502，用于根据所述目标对象的历史出行数据，确定用于表示所述目标对象在包含所述交通事件发生时刻的预设时长内经过所述目标路段频率的第一频率分布特征，以及用于表示所述目标对象在所述预设时长内经过所述目标对象当前所在路段频率的第二频率分布特征；
推荐单元503，用于根据所述目标对象的第一频率分布特征以及所述第二频率分布特征，预测所述目标对象需要经过所述目标路段后，向所述目标对象推荐所述目标路段的交通信息。
可选地，所述推荐单元503具体用于：
根据下列方式预测所述目标对象需要经过所述目标路段：
基于预测网络模型，将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数；在确定所述预测参数为表示所述目标对象需要经过所述目标路段的参数后，确定所述目标对象需要经过所述目标路段。
可选地，所述推荐单元503具体用于：
分别从所述第一频率分布特征和所述第二频率分布特征中截取第一时间段对应的频率分布特征，将截取出的所述第一时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第一时间卷积网络；以及
分别从所述第一频率分布特征和所述第二频率分布特征中截取第二时间段对应的频率分布特征，将截取出的所述第二时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第二时间卷积网络；
将所述第一时间卷积网络的输出结果与所述第二时间卷积网络的输出结果合并处理后输入所述预测网络模型的全连接网络，并获取所述全连接网络输出的预测参数。
可选地，所述处理单元502具体用于：
根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
从预先构建的包含各个路段上在不同时段的出行频率的出行频率特征集合中，确定所述目标路段对应的出行频率特征矩阵以及所述目标对象当前所在路段对应的出行频率特征矩阵；其中，所述出行频率特征集合是根据包含所述目标对象的多个对象的历史出行数据构建的；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
可选地，所述处理单元502具体用于：
根据下列方式构建的包含各个路段上在不同时段的出行频率的出行频率特征集合：
针对任意一个路段，根据包含所述目标对象的多个参考对象的历史出行数据，确定所述参考对象经过所述路段的时段和在每个时段内经过所述路段的历史出行次数，以及确定所述参考对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述路段对应的在不同时段的出行频率特征矩阵；
将各个路段对应的出行频率特征矩阵组成所述出行频率特征集合。
可选地，所述处理单元502具体用于：
根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
根据所述目标对象的历史出行数据，确定所述目标对象经过所述目标路段的时段和在每个时段内经过所述目标路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述目标路段对应的在不同时段的出行频率特征矩阵；以及
根据所述目标对象的历史出行数据，确定所述目标对象经过当前所在路段的时段和在每个时段内经过当前所在路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述当前所在路段对应的在不同时段的出行频率特征矩阵；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本申请时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
所属技术领域的技术人员能够理解，本申请的每个方面可以实现为系统、方法或程序产品。因此，本申请的每个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，本申请实施例还提供一种电子设备，参阅图6所示，电子设备600可以至少包括至少一个处理器601、以及至少一个存储器602。其中，存储器602存储有程序代码，当程序代码被处理器601执行时，使得处理器601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交通信息推荐方法中的步骤，例如，处理器601可以执行如图2所示的步骤。
在一些可能的实施方式中，本申请实施例还提供一种计算装置，可以至少包括至少一个处理单元、以及至少一个存储单元。其中，存储单元存储有程序代码，当程序代码被处理单元执行时，使得处理单元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交通信息推荐方法中的步骤，例如，处理器601可以执行如图2中所示的步骤。
下面参照图7来描述根据本申请的这种实施方式的计算装置700。图7的计算装置700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7，计算装置700以通用计算装置的形式表现。计算装置700的组件可以包括但不限于：上述至少一个处理单元701、上述至少一个存储单元702、连接不同系统组件(包括存储单元702和处理单元701)的总线703。
总线703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。
存储单元702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)721或高速缓存存储器722，还可以进一步包括只读存储器(ROM)723。
存储单元702还可以包括具有一组(至少一个)程序模块724的程序/实用工具725，这样的程序模块724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。
计算装置700也可以与一个或多个外部设备704(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计算装置700交互的设备通信，或与使得该计算装置700能与一个或多个其它计算装置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705进行。并且，计算装置700还可以通过网络适配器706与一个或者多个网络(例如局域网(LAN)，广域网(WAN)或公共网络，例如因特网)通信。如图所示，网络适配器706通过总线703与用于计算装置700的其它模块通信。应当理解，尽管图中未示出，可以结合计算装置700使用其它硬件或软件模块，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。
在一些可能的实施方式中，本申请提供的交通信息推荐方法的每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交通信息推荐方法中的步骤，例如，计算机设备可以执行如图2中所示的步骤。
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。
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 (10)

1.一种交通信息推荐方法，其特征在于，该方法包括：
在确定预设类型的交通事件发生后，确定与发生所述交通事件的目标路段在预设距离范围的目标对象；
根据所述目标对象的历史出行数据，确定用于表示所述目标对象在包含所述交通事件发生时刻的预设时长内经过所述目标路段频率的第一频率分布特征，以及用于表示所述目标对象在所述预设时长内经过所述目标对象当前所在路段频率的第二频率分布特征；
根据所述目标对象的第一频率分布特征以及所述第二频率分布特征，预测所述目标对象需要经过所述目标路段后，向所述目标对象推荐所述目标路段的交通信息。
2.如权利要求1所述的方法，其特征在于，根据下列方式预测所述目标对象需要经过所述目标路段：
基于预测网络模型，将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数；
在确定所述预测参数为表示所述目标对象需要经过所述目标路段的参数后，确定所述目标对象需要经过所述目标路段。
3.如权利要求2所述的方法，其特征在于，所述将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数，具体包括：
分别从所述第一频率分布特征和所述第二频率分布特征中截取第一时间段对应的频率分布特征，将截取出的所述第一时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第一时间卷积网络；以及
分别从所述第一频率分布特征和所述第二频率分布特征中截取第二时间段对应的频率分布特征，将截取出的所述第二时间段对应的频率分布特征进行融合处理后输入所述预测网络模型的第二时间卷积网络；
将所述第一时间卷积网络的输出结果与所述第二时间卷积网络的输出结果合并处理后输入所述预测网络模型的全连接网络，并获取所述全连接网络输出的预测参数。
4.如权利要求1所述的方法，其特征在于，根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
从预先构建的包含各个路段上在不同时段的出行频率的出行频率特征集合中，确定所述目标路段对应的出行频率特征矩阵以及所述目标对象当前所在路段对应的出行频率特征矩阵；其中，所述出行频率特征集合是根据包含所述目标对象的多个对象的历史出行数据构建的；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
5.如权利要求4所述的方法，其特征在于，根据下列方式构建的包含各个路段上在不同时段的出行频率的出行频率特征集合：
针对任意一个路段，根据包含所述目标对象的多个参考对象的历史出行数据，确定所述参考对象经过所述路段的时段和在每个时段内经过所述路段的历史出行次数，以及确定所述参考对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述路段对应的在不同时段的出行频率特征矩阵；
将各个路段对应的出行频率特征矩阵组成所述出行频率特征集合。
6.如权利要求1所述的方法，其特征在于，根据下列方式确定所述第一频率分布特征和所述第二频率分布特征：
根据所述目标对象的历史出行数据，确定所述目标对象经过所述目标路段的时段和在每个时段内经过所述目标路段的历史出行次数，以及确定所述目标对象经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述目标路段对应的在不同时段的出行频率特征矩阵；以及
根据所述目标对象的历史出行数据，确定所述目标对象经过当前所在路段的时段和在每个时段内经过当前所在路段的历史出行次数，以及确定所述目标对象在经过各个路段的累计出行次数；根据每个时段对应的历史出行次数和所述累计出行次数，确定每个时段对应的出行频率；根据确定出的每个时段对应的出行频率，构建所述当前所在路段对应的在不同时段的出行频率特征矩阵；
根据所述交通事件发生的时段，从所述目标路段对应的出行频率特征矩阵中获取所述目标对象对应的第一频率分布特征，以及从所述目标对象当前所在路段对应的出行频率特征矩阵中获取所述目标对象对应的第二频率分布特征。
7.一种交通信息推荐装置，其特征在于，包括：
确定单元，用于在确定预设类型的交通事件发生后，确定与发生所述交通事件的目标路段在预设距离范围的目标对象；
处理单元，用于根据所述目标对象的历史出行数据，确定用于表示所述目标对象在包含所述交通事件发生时刻的预设时长内经过所述目标路段频率的第一频率分布特征，以及用于表示所述目标对象在所述预设时长内经过所述目标对象当前所在路段频率的第二频率分布特征；
推荐单元，用于根据所述目标对象的第一频率分布特征以及所述第二频率分布特征，预测所述目标对象需要经过所述目标路段后，向所述目标对象推荐所述目标路段的交通信息。
8.如权利要求7所述的装置，其特征在于，所述推荐单元具体用于：
根据下列方式预测所述目标对象需要经过所述目标路段：
基于预测网络模型，将所述目标对象的第一频率分布特征以及所述第二频率分布特征输入所述预测网络模型，并获取所述预测网络模型输出的预测参数；在确定所述预测参数为表示所述目标对象需要经过所述目标路段的参数后，确定所述目标对象需要经过所述目标路段。
9.一种电子设备，其特征在于，包括处理器和存储器，其中，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行权利要求1～6中任一所述方法的步骤。
10.一种计算机可读存储介质，其特征在于，包括程序代码，当所述程序代码在电子设备上运行时，所述程序代码用于使所述电子设备执行权利要求1～6中任一所述方法的步骤。
CN202111449723.6A 2021-11-30 2021-11-30 交通信息推荐方法、装置、电子设备及计算机存储介质 Pending CN114154711A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111449723.6A CN114154711A (zh) 2021-11-30 2021-11-30 交通信息推荐方法、装置、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111449723.6A CN114154711A (zh) 2021-11-30 2021-11-30 交通信息推荐方法、装置、电子设备及计算机存储介质

Publications (1)

Publication Number Publication Date
CN114154711A true CN114154711A (zh) 2022-03-08

Family

ID=80455407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111449723.6A Pending CN114154711A (zh) 2021-11-30 2021-11-30 交通信息推荐方法、装置、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114154711A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011600A (zh) * 2023-01-17 2023-04-25 北京交通发展研究院 无拥堵出行的预约方法、装置、系统、电子设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116011600A (zh) * 2023-01-17 2023-04-25 北京交通发展研究院 无拥堵出行的预约方法、装置、系统、电子设备及介质
CN116011600B (zh) * 2023-01-17 2023-06-23 北京交通发展研究院 无拥堵出行的预约方法、装置、系统、电子设备及介质

Similar Documents

Publication Publication Date Title
CN107038478B (zh) 路况预测方法及装置、计算机设备与可读介质
CN110210227B (zh) 风险检测方法、装置、设备和存储介质
CN109872535B (zh) 一种智慧交通通行预测方法、装置及服务器
US10636293B2 (en) Uncertainty modeling in traffic demand prediction
CN109035761B (zh) 基于辅助监督学习的行程时间估计方法
CN112863180B (zh) 交通速度预测方法、装置、电子设备及计算机可读介质
CN112435469A (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN112216101A (zh) 一种基于弹性学习框架的交通预测方法及系统
Nguyen et al. Big data processing in fog-smart parking case study
CN111667693A (zh) 用于确定预计到达时间的方法、装置、设备及介质
Mahmoud et al. Estimating cycle-level real-time traffic movements at signalized intersections
CN110322693B (zh) 一种交通数据补全方法、系统、设备及介质
CN116453343A (zh) 智能网联环境下基于流量预测的智能交通信号控制优化算法、软件与系统
CN114154711A (zh) 交通信息推荐方法、装置、电子设备及计算机存储介质
CN115222089A (zh) 一种道路交通拥堵预测方法、装置、设备及可读存储介质
CN109448402B (zh) 匝道控制方法及装置
Amirat et al. Nextroute: a lossless model for accurate mobility prediction
Alkhatib et al. Novel system for road traffic optimisation in large cities
Vu et al. Bus running time prediction using a statistical pattern recognition technique
CN113192315B (zh) 一种交通流量分布预测方法、预测装置及终端设备
CN114329058A (zh) 图像聚档方法、装置和电子设备
CN114785701A (zh) 光传送网流量预测方法、装置、电子设备及存储介质
CN106781470B (zh) 城市道路的运行速度的处理方法及装置
Shein et al. Discovery of loose group companion from trajectory data streams

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