CN114463969B - 红绿灯周期时长的挖掘方法、电子设备及计算机程序产品 - Google Patents

Abstract

本公开实施例公开了一种红绿灯周期时长的挖掘方法、电子设备及计算机程序产品，所述方法包括：获取目标时间段内的样本数据；所述样本数据包括在所述目标时间段内停车等待目标红绿灯的样本车辆的轨迹数据；基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆；将所述起始样本车辆的启动时间作为起始时间，确定所述目标时间段内其他样本车辆的启动时间距离所述起始时间的偏移时长；统计所述样本车辆在所述偏移时长维度上的数量分布信息；基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长。该技术方案统挖掘得到的红绿灯周期的准确率更高。

Description

红绿灯周期时长的挖掘方法、电子设备及计算机程序产品

技术领域

本公开涉及交通技术领域，具体涉及一种红绿灯周期时长的挖掘方法、电子设备及计算机程序产品。

背景技术

目前，红绿灯是交通管理部门管控车辆通行秩序及调整道路交通流量的重要基础设施，红绿灯的周期时长是动态交通服务提供商针对不同道路交通场景为用户提供相应交通服务所需要的重要信息之一。例如，为了缓解用户在交通拥堵场景下的焦虑情绪，可以将根据用户当前要等待的红绿灯的周期预测用户将要等待的时长，并将该时长推送给用户。此外，红绿灯的周期时长还可以用于精准计算通行路口代价，以作为辅助特征预测道路拥堵、拥堵消散等动态交通路况。已有技术中，红绿灯的周期时长通常依赖于交管局提供的红绿灯周期及对应路口等，但是这种方式能够获得的红绿灯数据覆盖的道路范围有限。因此，需要提出一种解决方案，用于挖掘红绿灯的周期时长，以扩大红绿灯数据覆盖的道路范围。

发明内容

本公开实施例提供一种红绿灯周期时长的挖掘方法、电子设备及计算机程序产品。

第一方面，本公开实施例中提供了一种红绿灯周期时长的挖掘方法，其中，包括：

获取目标时间段内的样本数据；所述样本数据包括在所述目标时间段内停车等待目标红绿灯的样本车辆的轨迹数据；

基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆；

将所述起始样本车辆的启动时间作为起始时间，确定所述目标时间段内其他样本车辆的启动时间距离所述起始时间的偏移时长；

统计所述样本车辆在所述偏移时长维度上的数量分布信息；

基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长。

进一步地，所述轨迹数据包括多天在相同目标时间段内的轨迹数据；基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆，包括：

针对同一天的样本车辆的轨迹数据，确定在该天所述目标时间段内第一个启动的起始样本车辆；

统计所述样本车辆在所述偏移时长维度上的数量分布信息，包括：

基于多天的所述样本车辆对应的所述偏移时长，统计不同偏移时长下所述样本车辆的数量，获得所述样本车辆在所述偏移时长维度上的数量分布信息。

进一步地，基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长，包括：

利用预设的周期挖掘算法确定所述数量分布信息中的唯一周期；

基于所述唯一周期确定所述目标红绿灯在所述目标时间段的周期时长。

进一步地，当同一个目标红绿灯，在一天的不同的目标时间段分别有对应的周期时长时，所述方法还包括：

将所述目标红绿灯在不同的目标时间段对应的多个所述周期时长进行聚合，获得所述目标红绿灯的周期时长的分布信息。

进一步地，所述获取目标时间段内的样本数据，包括：

获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据；

基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时，所述样本车辆的停车时长是否大于或等于预设长度；

将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据，加入样本数据集。

进一步地，获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据之后，所述方法还包括：

基于预训练的轨迹分类模型确定所述轨迹数据的类别；

将所述类别为非机动车辆的所述轨迹数据剔除。

第二方面，本发明实施例中提供了一种交通状况分析方法，包括：利用第一方面所述的方法确定的目标红绿灯的周期时长分析所述目标红绿灯所在道路的交通状况。

第三方面，本发明实施例中提供了一种基于位置的服务提供方法，包括：利用第二方面所述的方法得到的交通状况为被导航对象提供位置服务，所述基于位置的服务包括：导航、地图渲染、路线规划中的一种或多种。

第四方面，本发明实施例中提供了一种红绿灯周期时长的挖掘装置，其中，包括：

第一获取模块，被配置为获取目标时间段内的样本数据；所述样本数据包括在所述目标时间段内停车等待目标红绿灯的样本车辆的轨迹数据；

第一确定模块，被配置为基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆；

第二确定模块，被配置为将所述起始样本车辆的启动时间作为起始时间，确定所述目标时间段内其他样本车辆的启动时间距离所述起始时间的偏移时长；

统计模块，被配置为统计所述样本车辆在所述偏移时长维度上的数量分布信息；

第三确定模块，被配置为基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长。

所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。

在一个可能的设计中，上述装置的结构中包括存储器和处理器，所述存储器用于存储一条或多条支持上述装置执行上述对应方法的计算机指令，所述处理器被配置为用于执行所述存储器中存储的计算机指令。上述装置还可以包括通信接口，用于上述装置与其他设备或通信网络通信。

第五方面，本公开实施例提供了一种电子设备，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现上述任一方面所述的方法。

第六方面，本公开实施例提供了一种计算机可读存储介质，用于存储上述任一装置所用的计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。

第七方面，本公开实施例提供了一种计算机程序产品，其包含计算机指令，该计算机指令被处理器执行时用于实现上述任一方面所述的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例在挖掘红绿灯周期时长的过程中，首先获得目标时段内的样本数据，该样本数据包括目标时间段内等待目标红绿灯的样本车辆的轨迹数据；基于轨迹数据确定在目标时间段内第一个启动的起始样车辆，进而再将起始样本车辆的启动时间作为起始时间，确定目标时间段内其他样本车辆的启动时间距离起始时间的偏移时长，统计在偏移时长维度上样本车辆的数量分布信息，基于该数量分布信息的周期性特征确定目标红绿灯的周期时长。本公开实施例通过将一天进行切片后得到多个时间段，针对每个时间段统计样本车辆在目标红绿灯前停车的时间，统计得到的数据利用率较高，相较于仅依据同一周期内的数据确定红绿灯周期的已有技术，本公开实施例依据的是一个时间段内多个周期的数据，并且本公开实施例所使用的周期性数据是样本车辆在目标时间段内，相较于起始样本车辆结束等待红灯并启动的时间的偏移时长，该偏移时长所反映的红绿灯周期特征更加准确，因此最终挖掘得到的红绿灯周期的准确率更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开一实施方式的红绿灯周期时长的挖掘方法的流程图；

图2示出根据本公开一实施方式中目标红绿灯的周期时长与样本车辆在偏移时长维度上的分布信息关系示意图；

图3示出根据本公开一实施方式中目标时间段内的样本车辆在偏移时长维度上的数量分布信息效果示意图；

图4示出根据本公开一实施方式中导航场景下的应用场景示意图；

图5示出根据本公开一实施方式的红绿灯周期时长的挖掘装置的结构框图；

图6是适于用来实现根据本公开实施方式的红绿灯周期时长的挖掘方法、交通状况分析方法和/或基于位置的服务提供方法的电子设备的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

下面通过具体实施例详细介绍本公开实施例的细节。

图1示出根据本公开一实施方式的红绿灯周期时长的挖掘方法的流程图。如图1所示，该红绿灯周期时长的挖掘方法包括以下步骤：

在步骤S101中，获取目标时间段内的样本数据；所述样本数据包括在所述目标时间段内停车等待目标红绿灯的样本车辆的轨迹数据；

在步骤S102中，基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆；

在步骤S103中，将所述起始样本车辆的启动时间作为起始时间，确定所述目标时间段内其他样本车辆的启动时间距离所述起始时间的偏移时长；

在步骤S104中，统计所述样本车辆在所述偏移时长维度上的数量分布信息；

在步骤S105中，基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长。

本实施例中，该红绿灯周期时长的挖掘方法可以在服务器上执行。样本数据可以按时段收集，例如可以将一天划分成多个时段，如一个时段为一个小时。目标时段内的样本数据可以包括该目标时段内经过目标红绿灯并且在目标红绿灯前停车的所有或者部分样本车辆的轨迹数据。目标时段可以是需要挖掘红绿灯周期时长的一天中的任意一个时段。

实际应用中，可以分别挖掘一天所有时段对应的红绿灯的周期时长，这是由于红绿灯按照红绿灯的周期时长可以分为单周期红绿灯和多周期红绿灯，单周期红绿灯在一天所有时段中红绿灯的周期时长固定不变，而多周期红绿灯在一天不同时段内的红绿灯的周期时长可能是动态变化的。例如多周期红绿灯在早晚高峰时期，红绿灯的周期时长可能较短，而在平峰时期，红绿灯的周期时长可能较长。

本公开实施例可以针对预先划分好的所有时段分别挖掘有需求的目标红绿灯的周期时长。

需要说明的是，在一些实施例中，样本数据针对的是同一个目标红绿灯的样本数据，而一个目标时段对应的样本数据中，可以包括多天该目标时段内针对该目标红绿灯的样本车辆的轨迹数据。样本车辆可以是在目标时段内经过该目标红绿灯并且有停车行为的所有或者部分车辆。

已有技术中，通过轨迹数据判断时间上相邻的两条轨迹是否处于同一周期内，把相同周期内的轨迹数据聚合在一起，基于聚合后的轨迹数据再寻找红绿灯的周期，但是这种方案数据使用率低，容易导致计算得出的红绿灯周期准确率低下。

已有技术中，另一种方案是通过将一段时间内车辆通过红绿灯路口的时间映射在一个坐标轴上，进而再基于车辆通过红绿灯路口的时间数据确定红绿灯的周期，但是这种方案只有在车流量较高的红绿灯路口才能得到较为密集的数据点，并且这种方案得到的红绿灯周期的准确率也较低。

本公开实施例按照时间段收集目标红绿灯路口的轨迹数据，进而再从中提取目标时间段内等待目标红绿灯的样本车辆的轨迹数据。例如，目标时间段为早上9点至9点半，则可以从收集的轨迹数据中，提取出在9点至9点半这个时间段在目标红绿灯前停车等待过红绿灯的样本车辆的轨迹数据。

在提取出目标时间段内等待目标红绿灯的样本车辆的轨迹数据之后，基于该些轨迹数据确定目标时间段内第一个从等待至启动的起始样本车辆。例如，目标时间段9点到9点半之间该目标红绿灯前有100辆样本车辆停车等待过红灯，那么从9点开始第一个启动的样本车辆为该100个样本车辆中的起始样本车辆。

起始样本车辆的启动时间可以确定为目标时间段内的起始时间，从而确定其他样本车辆从等待目标红绿灯的红灯到红灯结束后的启动时间，距离起始时间的偏移时长。通过这种方式，可以统计出所有样本车辆启动时间距离起始样本车辆的启动时间的偏移时长。假设在目标时间段9点到9点半之间，起始样本车辆的启动时间为9点05秒，而样本车辆A的启动时间为9点15秒，样本车辆B的启动时间为9点25分05秒，则起始样本车辆的偏移时长为0，样本车辆A的偏移时长10秒，样本车辆B的偏移时长为25分钟。

将所有样本车辆的偏移时长映射在同一坐标系下，该坐标系的横坐标为偏移时长，纵坐标为对应偏移时长的样本车辆的数量。在建立该坐标系后，可以基于所有样本车辆的偏移时长形成样本车辆在偏移时长维度上的数量分布信息；该数量分布信息中的数据点表示偏移时长为t的样本车辆数量。

由于本公开实施例通过将样本车辆在红绿灯前从等待红灯至启动的时间，转换为与目标时间段内起始样本车辆的启动时间的相对偏移时长，使得样本车辆所表现出的绿灯开始时间(或者黄灯结束时间)在时间上更加准确，从而能够使得在偏移时长维度上样本车辆的数量分布信息呈现出较强的周期性特征，基于该周期性特征即可挖掘出目标红绿灯的周期时长。可以理解的是，一个目标时间段内的起始样本车辆的启动时间对应于目标红绿灯的绿灯开启时间，而后面车辆的启动时间相对于该起始样本车辆的启动时间的偏移时长聚合在一起，可以较为准确地反映出目标红绿灯的周期性特征。

图2示出根据本公开一实施方式中目标红绿灯的周期时长与样本车辆在偏移时长维度上的分布信息关系示意图。从图2可以看出，在每一个周期开始的一段时间内(本实施例中假设为红灯时间)，样本车辆的数量分布较多且趋于恒定，而一段时间后(也即红灯结束，绿灯开启)，随着偏移时长的增加，样本车辆的数量会逐渐减少，直至为0，样本车辆的数量为0的偏移时长会持续一段时间，之后在某个偏移时长上样本车辆的数量分布又达到较高水平，并且趋于恒定，此时说明开始了一个新的周期。因此，基于图2所示的关系示意图，可以明确通过样本车辆在偏移时长维度上的数量分布信息，能够挖掘出目标红绿灯的周期时长。

图3示出根据本公开一实施方式中目标时间段内的样本车辆在偏移时长维度上的数量分布信息效果示意图。如图3所示，横坐标为偏移时长(单位为秒)，纵坐标为样本车辆的数量，从图3中可以看出，目标时间段的长度为1800秒，也即30分钟，在该30分钟内，样本车辆的数量分布明显呈周期性分布，可以通过已有的周期挖掘算法即可获得该数量分布信息中的时间周期，基于该时间周期即可确定目标红绿灯的周期时长。

在一些实施例中，可以利用已有的滤波算法(比如离散傅里叶变换)从图3所示的周期性数据中，找出稳定周期，进而可以将该稳定周期确定为目标红绿灯的周期时长。可以理解的是，本公开实施例中不限于使用离散傅里叶变换挖掘上述数量分布信息的周期，其他任意能够挖掘数据周期性特征的算法均可使用。

本公开实施例在挖掘红绿灯周期时长的过程中，首先获得目标时段内的样本数据，该样本数据包括目标时间段内等待目标红绿灯的样本车辆的轨迹数据；基于轨迹数据确定在目标时间段内第一个启动的起始样车辆，进而再将起始样本车辆的启动时间作为起始时间，确定目标时间段内其他样本车辆的启动时间距离起始时间的偏移时长，统计在偏移时长维度上样本车辆的数量分布信息，基于该数量分布信息的周期性特征确定目标红绿灯的周期时长。本公开实施例通过将一天进行切片后得到多个时间段，针对每个时间段统计样本车辆在目标红绿灯前停车的时间，统计得到的数据利用率较高，相较于仅依据同一周期内的数据确定红绿灯周期的已有技术，本公开实施例依据的是一个时间段内多个周期的数据，并且本公开实施例所使用的周期性数据是样本车辆在目标时间段内，相较于起始样本车辆结束等待红灯并启动的时间的偏移时长，该偏移时长所反映的红绿灯周期特征更加准确，因此最终挖掘得到的红绿灯周期的准确率更高。

在本实施例的一个可选实现方式中，所述轨迹数据包括多天在相同目标时间段内的轨迹数据；步骤S102，即基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆的步骤，进一步包括以下步骤：

针对同一天的样本车辆的轨迹数据，确定在该天所述目标时间段内第一个启动的起始样本车辆；

步骤S103，即统计所述样本车辆在所述偏移时长维度上的数量分布信息的步骤，进一步包括以下步骤：

基于多天的所述样本车辆对应的所述偏移时长，统计不同偏移时长下所述样本车辆的数量，获得所述样本车辆在所述偏移时长维度上的数量分布信息。

该可选的实现方式中，为了能够获得周期性特征更明显的统计数据，本公开实施例中收集的轨迹数据可以包括多天在相同的目标时间段内的轨迹数据，并且分别针对每天在目标时间段内的轨迹数据进行处理，获得每天在目标时间段内的起始样本车辆，以及其他样本车辆相对于起始样本车辆的偏移时长，这样可以获得多天内在相同目标时间段内的所有样本车辆的偏移时长；进而再对所有样本车辆的偏移时长进行聚合，也即统计不同偏移时长下样本车辆的数量，得到样本车辆在偏移时长维度上的数量分布信息。这样可以扩大数据集(也即有更多的样本车辆的偏移时长)，同时也扩充了适用场景，对于车流量相对不高但有车辆经过的路口，也能挖掘出精度较高的红绿灯周期时长，提高了路口覆盖率。

本公开实施例中，以每天目标时间段内的起始样本车辆的启动时间将各个样本车辆的数据进行对齐，并将多天的数据聚合在同一个时间坐标轴下，能够获得周期性特征明显的数据，基于该周期性特征明显的数据，采用已有的数学算法即可挖掘出红绿灯的周期时长。

在本实施例的一个可选实现方式中，步骤S105，即基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长的步骤，进一步包括以下步骤：

利用预设的周期挖掘算法确定所述数量分布信息中的唯一周期；

基于所述唯一周期确定所述目标红绿灯在所述目标时间段的周期时长。

该可选的实现方式中，基于样本车辆的轨迹数据，统计得到能够体现红绿灯周期的、在偏移时长维度上的样本车辆数量分布信息，该数量分布信息为时域数据，为了能够挖掘该时域数据中的周期性特征(也即频域特征)，可以利用已有的周期挖掘算法，例如离散傅里叶变换算法，从数量分布信息中找出唯一周期，基于该唯一周期可以确定目标红绿灯的周期时长。

在一些实施例中，可以将周期挖掘算法得到的唯一周期确定为目标红绿灯的周期时长。

在本实施例的一个可选实现方式中，当同一个目标红绿灯，在一天的不同的目标时间段分别有对应的周期时长时，所述方法进一步还包括以下步骤：

将所述目标红绿灯在不同的目标时间段对应的多个所述周期时长进行聚合，获得所述目标红绿灯的周期时长的分布信息。

该可选的实现方式中，如上文中所述，本公开实施例提出的上述目标红绿灯的周期时长挖掘方案可以针对目标红绿灯，挖掘出一个目标时段内的目标红绿灯的周期时长。通过将一天划分为多个目标时段，可以挖掘出一天多个目标时段对应的目标红绿灯的周期时长，而通过将多个目标时段对应的多个目标红绿灯的周期时长进行聚合，可以获得目标红绿灯在一天中周期时长的分布信息。

在一些实施例中，可以将一天按照半个小时划分时段，并针对每个时段挖掘对应的目标红绿灯的周期时长，在将一天多个周期时长进行聚合时，如果相邻两个时段的周期时长相差不大，例如在预定时间范围(可以是秒级)内，则可以认为这两个时段中目标红绿灯的实际周期时长是一样的，可以将该两个目标红绿灯的周期时长进行聚合，比如进行平均后得到该两个时段对应的周期时长。如果相邻两个时段的周期时长相差较大，比如大于预定时间范围，则可以认为由于该目标红绿灯为多周期红绿灯，因此这两个时段对应的实际周期时长不同。通过上述方式，将一天中所有时段进行聚合之后，可以挖掘出目标红绿灯在不同时段下的周期时长，也即可以得到目标红绿灯的周期时长分布信息。

在本实施例的一个可选实现方式中，步骤S101，即获取目标时段内的样本数据的步骤，进一步包括以下步骤：

获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据；

基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时，所述样本车辆的停车时长是否大于或等于预设长度；

将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据，加入样本数据集。

该可选的实现方式中，可以利用导航过程中产生的轨迹数据获得目标时间段内在目标红绿灯前停车等待红灯的样本车辆，进而基于样本车辆的轨迹数据确定起始样本车辆以及其他样本车辆相较于起始样本车辆的偏移时长。

本公开实施例由于统计的是，样本车辆在红绿灯前等待红灯而停车后再次启动的启动时间相较于起始样本车辆的启动时间的偏移时长，为了过滤一些虽然在红绿灯前停车并再次启动，但明显不是由于等待红灯而停车的样本车辆，本公开实施例预先设定一预设长度，将停车时长小于预设长度的轨迹数据剔除，保留停车时长大于或等于预设长度的轨迹数据，并加入目标时间段内的样本数据中。

在确定是否为在目标红绿灯前停车并等待红灯的样本车辆，本实施例中可以先将目标红绿灯所连通的两个连通路段关联起来，也即该相关联的两个连通路段中，从第一路段通过红绿灯可以行驶到第二路段，而针对同一目标红绿灯，可以建立一组或多组相关联的连通路段，每组包括两个连通路段。

因此，可以针对目标红绿灯相对应的每一组连通路段，获取样本车辆的轨迹数据，进而基于轨迹数据确定样本车辆从第一路段进入第二路段时，样本车辆的停车时长是否大于或等于预设长度，在大于或等于预设长度时，将该样本车辆的轨迹数据加入样本数据集中，而该样本车辆的停车时长如果小于预设长度，则可以将该样本车辆的轨迹数据丢弃，这是因为如果停车时长过短，可以认为该停车时长不一定是等红灯的时长，可能是噪声数据。预设长度可以根据经验值或者历史数据的统计等设置，在此不做具体限制。

在本实施例的一个可选实现方式中，所述获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据的步骤之后，进一步包括以下步骤：

基于预训练的轨迹分类模型确定所述轨迹数据的类别；

将所述类别为非机动车辆的所述轨迹数据剔除。

该可选的实现方式中，考虑到轨迹数据对应的导航对象不一定都是车辆，也可能是非机动车辆，比如外卖骑手的轨迹数据，为了能够更准确的挖掘出目标红绿灯的周期时长，可以从收集的轨迹数据中将非机动车辆的轨迹数据剔除。本实施例中，可以利用预先训练的轨迹分类模型对轨迹数据进行分类，其分类结果可以是机动车轨迹和非机动车轨迹。在分类结果为非机动车轨迹时，将该轨迹数据剔除。通过这种方式，可以将样本数据中的噪声剔除，能够进一步提升最终挖掘出的目标红绿灯的周期时长的准确性。

根据本公开一实施方式的交通状况分析方法，该交通状况分析方法包括：利用上述红绿灯周期时长挖掘方法确定的目标红绿灯的周期时长分析目标红绿灯所在道路的交通状况。

本实施例中，交通状况可以包括任意与红绿灯的周期时长相关的道路状况，例如道路拥堵、消散等状况。本公开实施例可以利用上述周期时长挖掘方法挖掘出道路上各个红绿灯的周期时长，并可以基于周期时长以及道路上的车辆的统计数据等预测道路在某个时段的拥堵、消散等信息，进而还可以预测道路上未来一段时间的交通状况，基于该交通状况可以为被导航用户或者使用电子地图服务的用户推送实时交通信息，或者进行实时路况信息的播报，还可以基于交通状况为用户推荐更佳的行驶路线，为用户预测通过某个路段的大致时长等。该交通状况还可以提供给相关部门，例如交管部门，辅助交管部门采取相应的交通管制措施等。

周期时长的挖掘细节可以参见上述对红绿灯周期时长的挖掘方法的描述，在此不再赘述。

在一些实施例中，可以利用上述红绿灯周期时长的挖掘方法挖掘出红绿灯在一天中的周期时长分布信息，进而基于该分布信息以及历史的车辆通行数据分析当前周期时长的设置是否合理，还可以基于每天中车辆在不同时段的通过数量等，给出优化后的周期时长分布信息，该优化后的周期时长分布信息可以提供给相关部门，辅助相关部门改进对红绿灯周期时长的设置。

根据本公开一实施方式的基于位置的服务提供方法，该基于位置的服务提供方法利用上述交通状况分析方法为被服务对象提供基于位置的服务，所述基于位置的服务包括：导航、地图渲染、路线规划中的一种或多种。

本实施例中，该基于位置的服务提供方法可以在终端上执行，终端可以包括手机、ipad、电脑、智能手表、车辆等。本公开实施例，可以针对目标道路分析当前或者未来一段时间的交通状况，并基于该交通状况为被服务对象提供更精准的位置服务，例如导航服务、路径规划服务和/或地图渲染服务等。

被服务对象可以是手机、ipad、电脑、智能手表、车辆、机器人等。在为被服务对象导航、规划路径或者渲染地图上的道路时，可以基于上述方法获得当前或者未来一段时间的交通状况，或者适合在当前或未来一段时间的交通状况下的导航路线，进而基于该导航路线为被服务对象提供更好的导航服务，在地图渲染时，可以在电子地图上渲染上述导航路线，具体细节可以参见上述对交通状况分析方法的描述，在此不再赘述。

图4示出根据本公开一实施方式中导航场景下的应用场景示意图。如图4所示，导航服务器收集样本车辆导航过程中产生的轨迹数据，并发送至挖掘服务器，挖掘服务器基于轨迹数据挖掘目标红绿灯的周期时长，例如挖掘服务器可以挖掘整个城市中任意一个红绿灯小时级别的周期时长，并且基于该小时级别的周期时长聚合得到各个红绿灯在一整天的周期时长分布信息。挖掘服务器可以将上述周期时长分布信息提供给导航服务器。

导航服务器接收到导航终端的导航请求后，基于从出发位置到目的位置之间的路线规划导航路径，在规划导航路径时可以基于当前的交通状况以及各个红绿灯的周期时长分布，为导航终端规划红灯等待时长最短的导航路线，进而将该导航路线推送至导航终端。

此外，导航服务器还可以在导航过程中，为等待红灯的用户及时推送通过当前红绿灯的红灯通行时长的预测值，以缓解拥堵在红灯前的用户的焦虑情绪等。

下述为本公开装置实施例，可以用于执行本公开方法实施例。

图5示出根据本公开一实施方式的红绿灯周期时长的挖掘装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。如图4所示，该红绿灯周期时长的挖掘装置包括：

第一获取模块501，被配置为获取目标时间段内的样本数据；所述样本数据包括在所述目标时间段内停车等待目标红绿灯的样本车辆的轨迹数据；

第一确定模块502，被配置为基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆；

第二确定模块503，被配置为将所述起始样本车辆的启动时间作为起始时间，确定所述目标时间段内其他样本车辆的启动时间距离所述起始时间的偏移时长；

统计模块504，被配置为统计所述样本车辆在所述偏移时长维度上的数量分布信息；

第三确定模块505，被配置为基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长。

本实施例中，该红绿灯周期时长的挖掘装置可以在服务器上执行。样本数据可以按时段收集，例如可以将一天划分成多个时段，如一个时段为一个小时。目标时段内的样本数据可以包括该目标时段内经过目标红绿灯并且在目标红绿灯前停车的所有或者部分样本车辆的轨迹数据。目标时段可以是需要挖掘红绿灯周期时长的一天中的任意一个时段。

实际应用中，可以分别挖掘一天所有时段对应的红绿灯的周期时长，这是由于红绿灯按照红绿灯的周期时长可以分为单周期红绿灯和多周期红绿灯，单周期红绿灯在一天所有时段中红绿灯的周期时长固定不变，而多周期红绿灯在一天不同时段内的红绿灯的周期时长可能是动态变化的。例如多周期红绿灯在早晚高峰时期，红绿灯的周期时长可能较短，而在平峰时期，红绿灯的周期时长可能较长。

本公开实施例可以针对预先划分好的所有时段分别挖掘有需求的目标红绿灯的周期时长。

需要说明的是，在一些实施例中，样本数据针对的是同一个目标红绿灯的样本数据，而一个目标时段对应的样本数据中，可以包括多天该目标时段内针对该目标红绿灯的样本车辆的轨迹数据。样本车辆可以是在目标时段内经过该目标红绿灯并且有停车行为的所有或者部分车辆。

已有技术中，通过轨迹数据判断时间上相邻的两条轨迹是否处于同一周期内，把相同周期内的轨迹数据聚合在一起，基于聚合后的轨迹数据再寻找红绿灯的周期，但是这种方案数据使用率低，容易导致计算得出的红绿灯周期准确率低下。

已有技术中，另一种方案是通过将一段时间内车辆通过红绿灯路口的时间映射在一个坐标轴上，进而再基于车辆通过红绿灯路口的时间数据确定红绿灯的周期，但是这种方案只有在车流量较高的红绿灯路口才能得到较为密集的数据点，并且这种方案得到的红绿灯周期的准确率也较低。

本公开实施例按照时间段收集目标红绿灯路口的轨迹数据，进而再从中提取目标时间段内等待目标红绿灯的样本车辆的轨迹数据。例如，目标时间段为早上9点至9点半，则可以从收集的轨迹数据中，提取出在9点至9点半这个时间段在目标红绿灯前停车等待过红绿灯的样本车辆的轨迹数据。

在提取出目标时间段内等待目标红绿灯的样本车辆的轨迹数据之后，基于该些轨迹数据确定目标时间段内第一个从等待至启动的起始样本车辆。例如，目标时间段9点到9点半之间该目标红绿灯前有100辆样本车辆停车等待过红灯，那么从9点开始第一个启动的样本车辆为该100个样本车辆中的起始样本车辆。

起始样本车辆的启动时间可以确定为目标时间段内的起始时间，从而确定其他样本车辆从等待目标红绿灯的红灯到红灯结束后的启动时间，距离起始时间的偏移时长。通过这种方式，可以统计出所有样本车辆启动时间距离起始样本车辆的启动时间的偏移时长。假设在目标时间段9点到9点半之间，起始样本车辆的启动时间为9点05秒，而样本车辆A的启动时间为9点15秒，样本车辆B的启动时间为9点25分05秒，则起始样本车辆的偏移时长为0，样本车辆A的偏移时长10秒，样本车辆B的偏移时长为25分钟。

将所有样本车辆的偏移时长映射在同一坐标系下，该坐标系的横坐标为偏移时长，纵坐标为对应偏移时长的样本车辆的数量。在建立该坐标系后，可以基于所有样本车辆的偏移时长形成样本车辆在偏移时长维度上的数量分布信息；该数量分布信息中的数据点表示偏移时长为t的样本车辆数量。

由于本公开实施例通过将样本车辆在红绿灯前从等待红灯至启动的时间，转换为与目标时间段内起始样本车辆的启动时间的相对偏移时长，使得样本车辆所表现出的绿灯开始时间(或者黄灯结束时间)在时间上更加准确，从而能够使得在偏移时长维度上样本车辆的数量分布信息呈现出较强的周期性特征，基于该周期性特征即可挖掘出目标红绿灯的周期时长。可以理解的是，一个目标时间段内的起始样本车辆的启动时间对应于目标红绿灯的绿灯开启时间，而后面车辆的启动时间相对于该起始样本车辆的启动时间的偏移时长聚合在一起，可以较为准确地反映出目标红绿灯的周期性特征。

在一些实施例中，可以利用已有的滤波算法(比如离散傅里叶变换)从图3所示的周期性数据中，找出稳定周期，进而可以将该稳定周期确定为目标红绿灯的周期时长。可以理解的是，本公开实施例中不限于使用离散傅里叶变换挖掘上述数量分布信息的周期，其他任意能够挖掘数据周期性特征的算法均可使用。

本公开实施例在挖掘红绿灯周期时长的过程中，首先获得目标时段内的样本数据，该样本数据包括目标时间段内等待目标红绿灯的样本车辆的轨迹数据；基于轨迹数据确定在目标时间段内第一个启动的起始样车辆，进而再将起始样本车辆的启动时间作为起始时间，确定目标时间段内其他样本车辆的启动时间距离起始时间的偏移时长，统计在偏移时长维度上样本车辆的数量分布信息，基于该数量分布信息的周期性特征确定目标红绿灯的周期时长。本公开实施例通过将一天进行切片后得到多个时间段，针对每个时间段统计样本车辆在目标红绿灯前停车的时间，统计得到的数据利用率较高，相较于仅依据同一周期内的数据确定红绿灯周期的已有技术，本公开实施例依据的是一个时间段内多个周期的数据，并且本公开实施例所使用的周期性数据是样本车辆在目标时间段内，相较于起始样本车辆结束等待红灯并启动的时间的偏移时长，该偏移时长所反映的红绿灯周期特征更加准确，因此最终挖掘得到的红绿灯周期的准确率更高。

在本实施例的一个可选实现方式中，所述轨迹数据包括多天在相同目标时间段内的轨迹数据；所述第一确定模块，包括：

第一确定子模块，被配置为针对同一天的样本车辆的轨迹数据，确定在该天所述目标时间段内第一个启动的起始样本车辆；

所述统计模块，包括：

统计子模块，被配置为基于多天的所述样本车辆对应的所述偏移时长，统计不同偏移时长下所述样本车辆的数量，获得所述样本车辆在所述偏移时长维度上的数量分布信息。

该可选的实现方式中，为了能够获得周期性特征更明显的统计数据，本公开实施例中收集的轨迹数据可以包括多天在相同的目标时间段内的轨迹数据，并且分别针对每天在目标时间段内的轨迹数据进行处理，获得每天在目标时间段内的起始样本车辆，以及其他样本车辆相对于起始样本车辆的偏移时长，这样可以获得多天内在相同目标时间段内的所有样本车辆的偏移时长；进而再对所有样本车辆的偏移时长进行聚合，也即聚合在同一个时间坐标轴上，这样可以获得更多的数据，在扩大了数据集的同时也扩充了适用场景，对于车流量相对不高但有车辆经过的路口，也能挖掘出精度较高的红绿灯周期时长，提高了路口覆盖率。

本公开实施例中，以每天目标时间段内的起始样本车辆的启动时间将各个样本车辆的数据进行对齐，并将多天的数据聚合在同一个时间坐标轴下，能够获得周期性特征明显的数据，基于该周期性特征明显的数据，采用已有的数学算法即可挖掘出红绿灯的周期时长。

在本实施例的一个可选实现方式中，所述第三确定模块，包括：

第二确定子模块，被配置为利用预设的周期挖掘算法确定所述数量分布信息中的唯一周期；

第三确定子模块，被配置为基于所述唯一周期确定所述目标红绿灯在所述目标时间段的周期时长。

该可选的实现方式中，基于样本车辆的轨迹数据，统计得到能够体现红绿灯周期的、在偏移时长维度上的样本车辆数量分布信息，该数量分布信息为时域数据，为了能够挖掘该时域数据中的周期性特征(也即频域特征)，可以利用已有的周期挖掘算法，例如离散傅里叶变换算法，从数量分布信息中找出唯一周期，基于该唯一周期可以确定目标红绿灯的周期时长。

在一些实施例中，可以将周期挖掘算法得到的唯一周期确定为目标红绿灯的周期时长。

在本实施例的一个可选实现方式中，当同一个目标红绿灯，在一天的不同的目标时间段分别有对应的周期时长时，所述装置还包括：

聚合模块，被配置为将所述目标红绿灯在不同的目标时间段对应的多个所述周期时长进行聚合，获得所述目标红绿灯的周期时长的分布信息。

该可选的实现方式中，如上文中所述，本公开实施例提出的上述目标红绿灯的周期时长挖掘方案可以针对目标红绿灯，挖掘出一个目标时段内的目标红绿灯的周期时长。通过将一天划分为多个目标时段，可以挖掘出一天多个目标时段对应的目标红绿灯的周期时长，而通过将多个目标时段对应的多个目标红绿灯的周期时长进行聚合，可以获得目标红绿灯在一天中周期时长的分布信息。

在一些实施例中，可以将一天按照半个小时划分时段，并针对每个时段挖掘对应的目标红绿灯的周期时长，在将一天多个周期时长进行聚合时，如果相邻两个时段的周期时长相差不大，例如在预定时间范围(可以是秒级)内，则可以认为这两个时段中目标红绿灯的实际周期时长是一样的，可以将该两个目标红绿灯的周期时长进行聚合，比如进行平均后得到该两个时段对应的周期时长。如果相邻两个时段的周期时长相差较大，比如大于预定时间范围，则可以认为由于该目标红绿灯为多周期红绿灯，因此这两个时段对应的实际周期时长不同。通过上述方式，将一天中所有时段进行聚合之后，可以挖掘出目标红绿灯在不同时段下的周期时长，也即可以得到目标红绿灯的周期时长分布信息。

在本实施例的一个可选实现方式中，所述第一获取模块，包括：

获取子模块，被配置为获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据；

第四确定子模块，被配置为基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时，所述样本车辆的停车时长是否大于或等于预设长度；

加入子模块，被配置为将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据，加入样本数据集。

该可选的实现方式中，可以利用导航过程中产生的轨迹数据获得目标时间段内在目标红绿灯前停车等待红灯的样本车辆，进而基于样本车辆的轨迹数据确定起始样本车辆以及其他样本车辆相较于起始样本车辆的偏移时长。

本公开实施例由于统计的是，样本车辆在红绿灯前等待红灯而停车后再次启动的启动时间相较于起始样本车辆的启动时间的偏移时长，为了过滤一些虽然在红绿灯前停车并再次启动，但明显不是由于等待红灯而停车的样本车辆，本公开实施例预先设定一预设长度，将停车时长小于预设长度的轨迹数据剔除，保留停车时长大于或等于预设长度的轨迹数据，并加入目标时间段内的样本数据中。

在确定是否为在目标红绿灯前停车并等待红灯的样本车辆，本实施例中可以先将目标红绿灯所连通的两个连通路段关联起来，也即该相关联的两个连通路段中，从第一路段通过红绿灯可以行驶到第二路段，而针对同一目标红绿灯，可以建立一组或多组相关联的连通路段，每组包括两个连通路段。

因此，可以针对目标红绿灯相对应的每一组连通路段，获取样本车辆的轨迹数据，进而基于轨迹数据确定样本车辆从第一路段进入第二路段时，样本车辆的停车时长是否大于或等于预设长度，在大于或等于预设长度时，将该样本车辆的轨迹数据加入样本数据集中，而该样本车辆的停车时长如果小于预设长度，则可以将该样本车辆的轨迹数据丢弃，这是因为如果停车时长过短，可以认为该停车时长不一定是等红灯的时长，可能是噪声数据。预设长度可以根据经验值或者历史数据的统计等设置，在此不做具体限制。

在本实施例的一个可选实现方式中，所述获取子模块之后，所述装置还包括：

第四确定模块，被配置为基于预训练的轨迹分类模型确定所述轨迹数据的类别；

剔除模块，被配置为将所述类别为非机动车辆的所述轨迹数据剔除。

该可选的实现方式中，考虑到轨迹数据对应的导航对象不一定都是车辆，也可能是非机动车辆，比如外卖骑手的轨迹数据，为了能够更准确的挖掘出目标红绿灯的周期时长，可以从收集的轨迹数据中将非机动车辆的轨迹数据剔除。本实施例中，可以利用预先训练的轨迹分类模型对轨迹数据进行分类，其分类结果可以是机动车轨迹和非机动车轨迹。在分类结果为非机动车轨迹时，将该轨迹数据剔除。通过这种方式，可以将样本数据中的噪声剔除，能够进一步提升最终挖掘出的目标红绿灯的周期时长的准确性。

根据本公开一实施方式的交通状况分析装置，该交通状况分析装置包括：利用上述红绿灯周期时长挖掘装置确定的目标红绿灯的周期时长分析目标红绿灯所在道路的交通状况。

本实施例中，交通状况可以包括任意与红绿灯的周期时长相关的道路状况，例如道路拥堵、消散等状况。本公开实施例可以利用上述周期时长挖掘装置挖掘出道路上各个红绿灯的周期时长，并可以基于周期时长以及道路上的车辆的统计数据等预测道路在某个时段的拥堵、消散等信息，进而还可以预测道路上未来一段时间的交通状况，基于该交通状况可以为被导航用户或者使用电子地图服务的用户推送实时交通信息，或者进行实时路况信息的播报，还可以基于交通状况为用户推荐更佳的行驶路线，为用户预测通过某个路段的大致时长等。该交通状况还可以提供给相关部门，例如交管部门，辅助交管部门采取相应的交通管制措施等。

周期时长的挖掘细节可以参见上述对红绿灯周期时长的挖掘装置的描述，在此不再赘述。

在一些实施例中，可以利用上述红绿灯周期时长的挖掘装置挖掘出红绿灯在一天中的周期时长分布信息，进而基于该分布信息以及历史的车辆通行数据分析当前周期时长的设置是否合理，还可以基于每天中车辆在不同时段的通过数量等，给出优化后的周期时长分布信息，该优化后的周期时长分布信息可以提供给相关部门，辅助相关部门改进对红绿灯周期时长的设置。

根据本公开一实施方式的基于位置的服务提供装置，该基于位置的服务提供装置利用上述交通状况分析装置为被服务对象提供基于位置的服务，所述基于位置的服务包括：导航、地图渲染、路线规划中的一种或多种。

本实施例中，该基于位置的服务提供装置可以在终端上执行，终端可以包括手机、ipad、电脑、智能手表、车辆等。本公开实施例，可以针对目标道路分析当前或者未来一段时间的交通状况，并基于该交通状况为被服务对象提供更精准的位置服务，例如导航服务、路径规划服务和/或地图渲染服务等。

被服务对象可以是手机、ipad、电脑、智能手表、车辆、机器人等。在为被服务对象导航、规划路径或者渲染地图上的道路时，可以基于上述装置获得当前或者未来一段时间的交通状况，或者适合在当前或未来一段时间的交通状况下的导航路线，进而基于该导航路线为被服务对象提供更好的导航服务，在地图渲染时，可以在电子地图上渲染上述导航路线，具体细节可以参见上述对交通状况分析装置的描述，在此不再赘述。

图6是适于用来实现根据本公开实施方式的红绿灯周期时长的挖掘方法、交通状况分析方法和/或基于位置的服务提供方法的电子设备的结构示意图。

如图6所示，电子设备600包括处理单元601，其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元601可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行本公开上述任一方法的实施方式中的各种处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。

特别地，根据本公开的实施方式，上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行本公开实施方式中任一方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

附图中的流程图和框图，图示了按照本公开各种实施方式的系统、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，路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，所述模块、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，框图和/或流程图中的每个方框、以及框图和/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。

描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，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方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种红绿灯周期时长的挖掘方法，其中，包括：

获取目标时间段内的样本数据；所述样本数据包括在所述目标时间段内停车等待目标红绿灯的样本车辆的轨迹数据；

基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆；

将所述起始样本车辆的启动时间作为起始时间，确定所述目标时间段内其他样本车辆的启动时间距离所述起始时间的偏移时长；

基于多天的所述样本车辆对应的所述偏移时长，统计不同偏移时长下所述样本车辆的数量，获得所述样本车辆在偏移时长维度上的数量分布信息；

基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长。

2.根据权利要求1所述的方法，其中，所述轨迹数据包括多天在相同目标时间段内的轨迹数据；基于所述样本车辆的轨迹数据，确定在所述目标时间段内第一个启动的起始样本车辆，包括：

针对同一天的样本车辆的轨迹数据，确定在该天所述目标时间段内第一个启动的起始样本车辆。

3.根据权利要求1或2所述的方法，其中，基于所述数量分布信息的周期性特征确定所述目标红绿灯的周期时长，包括：

利用预设的周期挖掘算法确定所述数量分布信息中的唯一周期；

基于所述唯一周期确定所述目标红绿灯在所述目标时间段的周期时长。

4.根据权利要求3所述的方法，其中，当同一个目标红绿灯，在一天的不同的目标时间段分别有对应的周期时长时，所述方法还包括：

将所述目标红绿灯在不同的目标时间段对应的周期时长进行聚合，获得所述目标红绿灯的周期时长的分布信息。

5.根据权利要求1或2所述的方法，其中，所述获取目标时间段内的样本数据，包括：

获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据；

基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时，所述样本车辆的停车时长是否大于或等于预设长度；

将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据，加入样本数据集。

6.根据权利要求5所述的方法，其中，获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据之后，所述方法还包括：

基于预训练的轨迹分类模型确定所述轨迹数据的类别；

将所述类别为非机动车辆的所述轨迹数据剔除。

7.一种交通状况分析方法，包括：利用权利要求1-6任一项所述的方法确定的目标红绿灯的周期时长分析所述目标红绿灯所在道路的交通状况。

8.一种基于位置的服务提供方法，包括：利用权利要求7所述的方法得到的交通状况为被导航对象提供位置服务，所述基于位置的服务包括：导航、地图渲染、路线规划中的一种或多种。

9.一种电子设备，其中，包括存储器、处理器以及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其其上存储有计算机指令，其中，该计算机指令被处理器执行时实现权利要求1-8任一项所述的方法。

Images