CN114638428A - 一种交通路况预测方法、装置及车辆 - Google Patents
一种交通路况预测方法、装置及车辆 Download PDFInfo
- Publication number
- CN114638428A CN114638428A CN202210312370.3A CN202210312370A CN114638428A CN 114638428 A CN114638428 A CN 114638428A CN 202210312370 A CN202210312370 A CN 202210312370A CN 114638428 A CN114638428 A CN 114638428A
- Authority
- CN
- China
- Prior art keywords
- predicted
- unitized
- road
- prediction
- time
- 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.)
- Withdrawn
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"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Abstract
本发明公开了一种交通路况预测方法、装置及车辆,其中方法包括:获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
Description
技术领域
本发明涉及智能驾驶技术领域,尤其涉及一种交通路况预测方法、装置及车辆。
背景技术
随着经济水平的提高,交通出行越来越成为日常生活不可或缺的一部分,为了提高出行效率,避开交通拥堵和交通事故,合理安排出行路线和出行计划,路况信息的准确预测日益成为人们的迫切需求。
目前,路况的预测,主要根据起点至终点的路段的基础路况信息和历史平均车速等进行预测模型建立,在对全程路段进行预测时,获取相应的路况信息,与预测模型进行匹配计算,进而实现对该路段的预测,参考数据相对单一,预测准确性难以得到保证。
因此现有技术还有待于进一步发展。
发明内容
针对上述技术问题,本发明提供了一种交通路况预测方法、装置及车辆。
本发明的第一方面,提供一种交通路况预测方法,包括:
获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
可选地,所述将所述待预测路程进行分段处理,包括:
将所述待预测路程上存在的交叉路口为节点,根据所述待预测路程上的各节点对所述待预测路程进行分段处理,得到多个单元化路段。
可选地,所述将所述待预测路程进行分段处理,包括:
将所述待预测路程上存在的交叉路口作为节点,将所述待预测路程上的各节点属性相似的节点做合并处理,以距离较远的节点为划分节点,根据所述待预测路程上的各划分节点对所述待预测路程进行分段处理,得到多个单元化路段。
可选地,所述分别获取所述单元化路段的历史路况信息,包括:
获取单元化路段的历史路况信息包括:路面施工情况、天气情况、交通事故率、正常通行时间、路段限速、路段测速位置、历史通行时间;对所述历史路况信息做影响等级划分。
可选地,所述基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子,包括:
将各所述单元化路段的历史路况信息按照历史时间的数据组输入至多元回归模型中进行模型计算,并基于所述历史时间在各所单元化路段通行预测使用的预测模型的参数及预测影响因子。
可选地,所述基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,包括:
计算所述待预测路程的理论通行时间,基于所述理论通行时间及所述预测模型的参数及预测影响因子构建对应所述单元化路段的预测模型,利用所述预测模型计算所述单元化路段的通行时间。
可选地,所述方法还包括:
获取与所述待预测路程相关的备选路段,利用预测所述待预测路程行程时间的方法预测所述备选路段的行程时间。
可选地,所述方法还包括:
采集用户在所述各单元化路段的实际出行数据,利用所述实际出行数据对所述预测模型进行优化与修正。
本发明的第二方面,提供一种交通路况预测方法,包括:
获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
将所述待预测路程进行分段处理,形成单元化路段;
将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息;
基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间。
可选地,所述将所述待预测路程进行分段处理,包括:
将所述待预测路程上存在的交叉路口为节点,根据所述待预测路程上的各节点对所述待预测路程进行分段处理,得到多个单元化路段;
或将所述待预测路程上存在的交叉路口作为节点,将所述待预测路程上的各节点属性相似的节点做合并处理,以距离较远的节点为划分节点,根据所述待预测路程上的各划分节点对所述待预测路程进行分段处理,得到多个单元化路段。
本发明的第三方面,提供一种交通路况预测方法,包括:
获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间;
记录所述待预测路程的实际路况信息,利用所述实际路况信息更新所述预测模型。
本发明的第四方面,提供一种交通路况预测装置,包括:
获取模块,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段处理模块,用于将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
预测计算模块,用于基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
本发明的第五方面,提供一种交通路况预测装置,包括:
获取模块,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段模块,用于将所述待预测路程进行分段处理,形成单元化路段;
预测模块,用于将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息;
计算模块,用于基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间。
本发明的第六方面,提供一种交通路况预测装置,包括:
获取模块,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段模块,用于将所述待预测路程进行分段处理,形成单元化路段;
预测模块,用于将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息;
计算模块,用于基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间;
反馈优化模块,用于记录所述待预测路程的实际路况信息,利用所述实际路况信息更新所述预测模型。
本发明的第七方面,提供一种车辆,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述的交通路况预测方法的步骤。
本发明的第八方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述的交通路况预测方法的步骤。
本发明提供的技术方案中,获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。通过采用本发明的技术方案,可以针对待预测路程的各构成单元化路段分别预测,利用大数据建立各单元化路段的独立数据分析与预测模型,提高路况预测的准确性。通过获取行驶路程的实际路况信息,保持预测模型的可持续预测优化。
附图说明
图1为本发明实施例中一种交通路况预测方法的流程示意图;
图2为本发明实施例中待预测路程及备选路段的示意图;
图3为本发明实施例中另一种交通路况预测方法的流程示意图;
图4为本发明实施例中又一种交通路况预测方法的流程示意图;
图5为本发明实施例中又一种交通路况预测方法的流程示意图;
图6为本发明实施例中一种交通路况预测装置的示意图;
图7为本发明实施例中另一种交通路况预测装置的示意图。
具体实施方式
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,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例中一种交通路况预测方法的流程示意图。所述交通路况预测方法,应用于导航系统,包括以下步骤:
步骤S100:获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定。
用户可以通过输入的方式确定出发地和目的地,根据出发地和目的地可以根据导航路径规划形成行驶路径以及备选路径。其中所述的时间为预测时间,即需要进行路况预测的时间,例如需要预测今天下午3点的路况,或者在用户开启导航时预测当前时刻的预测的当前时间。
在本发明的其他实施例中,本发明提供的交通路况预测方法还可以应用于公交等其他交通工具的交通预测方法。例如,需要乘坐公交时,可以公司设定预测时间,确定待预测路程。可以理解为,本发明方法适用于多种路径规划、交通状态、交通出行等应用场景。
步骤S200:将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子。
由于用户输入的出发地与目的之间的路径通常有多条路段组成,为获得更准确的预测结果以及更方便的计算方式,可以将待预测路程进行分段预测,具体通过将待预测路程进行分段成为单多个元化路段。通常导航或路径规划出行过程中,如果路径仅有一段路,则表示距离比较近,导航一般仅具有指示走向作用,无需对路况进行预测。
作为一种实现方式,可以根据各红绿灯、各交叉路口对所述待预测路程做分段处理。例如,将所述待预测路程上存在的交叉路口为节点,根据所述待预测路程上的各节点对所述待预测路程进行分段处理,得到多个单元化路段。
如图2所示,从A地到C地的道路,以路口B1,B2……Bn为节点,划分为路段单元AB1,B1B2,B3Bn……BnC。备选路段由AB2,B2C……等。
将所述待预测路程分成多个单元化路段后,可以基于大数据库获取多个单元化路段的历史路况信息。所述历史路况信息包括:路面施工情况、天气情况、交通事故率、正常通行时间、路段限速、路段测速位置、历史通行时间。进一步地,所述的历史路况信息可以是多个用户记录的一段时间内的历史数据,也可以是使用预测功能的用户端在一段时间内采集记录的历史数据。其中,如果历史数据是用户端采集的,则采集数据隐含了用户的驾驶是习惯,相对数据优先级较高。
公路交通事故数据的统计,来自于相关公路路段的事故记录,包括事故的地点、时间等关键信息。获得了路段各个单元化路段的事故概率密度,就可以基于各个单元化路段的路况参数和事故概率密度之间的对应关系,建立回归模型,通过回归分析确定公路路况参数和事故发生概率之间的关系。
路面施工情况可以通过各路政平台或导航软件获取,通常路面施工会使得多通行道路变成单通行道路或将通行道路减少,会导致通行效率降低,增加通行时间。或者因为路面施工导致某段路直接禁止通行。天气情况也会影响通行速度,例如大雨天气,驾驶者通常会降低驾驶速度,提高驾驶警觉性,红绿灯通行率不高等;也会影响用户通行时间。基于上述驾驶规律可以通过计算做回归分析。
应当理解的是上述提供的历史路况信息包含的数据信息并不一定需要全部利用,计算过程中可能仅需用到其中的一部分数据。因此,可以对所述历史路况信息做影响等级划分,然后通过影像等级提供路况预测选项供用户选择。路面施工情况、天气状况、交通事故率、节假日通行和交通高峰通行等因素,对这些不确定的影响因素进行影响等级划分,在保证预测准确性的前提下,为了减少计算难度,缩短计算时间,可剔除影响过小的影响因素。
预测模型的预测和计算结果,可以给用户展示所有的出行方案和对应的预测出行时间,结合用户的出行需求,为用户制定出最佳的出行方案。历史路况信息可以包含用户输入时间之前任意时间,包括当前时间未到达的单元化路段。假如未到达路段出现了影像出现的影响因素,可提供多种出行方案,并可以给与预测通行时间。如果用户选择受影响较大的出行方案,则为用户展示预计出行时间的同时,根据影响等级程度的大小,依次展示和警示影响出行较为严重的影响因素。
具体的,如果待预测路程上存在影响较大的影响因素发生,某路段发生车祸等交通事故,用户选择了通过该发生交通事故的路段,则为用户展示预测出行时间,并根据该交通事故的影响等级程度展示该次交通事故。
基于各所述单元化路段的历史路况信息可以通过多元回归模型确定单元化路段对应的预测模型的参数及预测影响因子,具体容后详述。通过大数据系统,建立各个路段独自的数据分系统和预测模型,可以有效提高预测准确性。
步骤S300:基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
即通过每个单元化路段的预测模型本路段的以及通行时间,然后将待预测路程上的多个单元化路段的通行时间相加即为待预测路程所需的通行时间。
本发明以各个单元化路段的相交路口为节点,对整个路段进行分段,实现路段的区域的单元化和网格化,并以此为基础后续搭建路况预测模型,进行路况预测计算和新路线合理规划,可以提高预测准确性,从而实施反映各时间段的路况。
请参阅图3,图3为本发明实施例中另一种交通路况预测方法的流程示意图。所述交通路况预测方法包括如下步骤:
步骤S301:获取待预测路程以及关联路程。
通过导航获取通行路径作为待预测路程。同时获取可以供用户选择的关联路程作为备选路段。由于本发明是对单个路段进行的预测,因此对待大待预测路程的路况预测也可以同时对备选路段的路况预测。其中,所述待预测路程与所述备选路段路径不同,但出发地与目的地相同,且预测的时间也相同。
作为一种实施方式。获取的与所述待预测路程相关的备选路段,利用预测所述待预测路程行程时间的方法预测所述备选路段的行程时间。
步骤S302:将所述待预测路程上存在的交叉路口作为节点,对所述待预测路程进行分段处理。
具体的,将所述待预测路程上存在的红绿灯或交叉路口作为节点,将所述待预测路程上的各节点属性相似的节点做合并处理,以距离较远的节点为划分节点,根据所述待预测路程上的各划分节点对所述待预测路程进行分段处理,得到多个单元化路段。
例如,待预测路程上存在两个红绿灯节点,这两个红绿灯节点的亮灯规律一致,距离较短,其拥堵与正常通行效率相似,则可以将两个节点合并处理,通常将距离出发地较远的节点作为划分节点。该划分节点即用于将待检测路段分段处理的依据点。
通过这种方式可以将临近计算节点、单元化路段进行合并处理,可以大大降低计算量,处理的预测行程时间误差可以忽略。
步骤S303:将各所述单元化路段的历史路况信息按照历史时间的数据组计算预测模型的参数及预测影响因子。
其中,所述历史时间可以是历史时间段,例如从出发地至目的地正常状态下、无拥堵等特殊情况出现时的通行时间段。计算所述待预测路程的理论通行时间,基于所述理论通行时间及所述预测模型的参数及预测影响因子构建对应所述单元化路段的预测模型,利用所述预测模型计算所述单元化路段的通行时间。
调用存储的交通信息基础数据,计算每个路段单元的理论通过时间。如,路段的宽度、限速红绿灯时长等,这些因素的影响相对固定和有规律可循,可直接作为路段的基础数据特征,计算出相对固定的理论通过时间。
例如从A地到B地全程正常通行需要30分钟,则根据用户输入的时间为起点的30分钟的历史数据组作为计算数据获得模型计算的参数及预测影响因子。
具体的,可将各所述单元化路段的历史路况信息按照历史时间的数据组输入至多元回归模型中进行模型计算,并基于所述历史时间在各所单元化路段通行预测使用的预测模型的参数及预测影响因子。
建立多元回归模型,采用以下公式实现:
将各历史数据路况信息作为影响因子计算,形成矩阵表达式:
其中,(1,x11,x12…x1m)是某个历史时间段,(β0,β1,…βm)是各个影响因素对应的影响系数组成的影响因子矩阵;y是某个历史时间段,指定路段的实际历史通过时间,在该路段,不同时间段的历史通过时间共同组成因变量矩阵(y1,y2…yn)。
该路段的各个影响因素组成的自变量向量,如,x11对应路面施工情况的影响,x12对应天气情况的影响,x1m对应交通事故拥堵的影响等,该路段上,不同历史时间的多组影响因素的数据向量共同组成影响因素的设计矩阵。
实际应用是,在数据统计处理软件中进行数据筛选和整理,然后进行回归分析,计算相关的参数和参数因子。如,安装SPSS软件后,在SPSS软件中,进行线性回归分析,得到模型系数、标准化系数、各个变量在模型中的显著性验证和共线性验证结果VIF值(方差膨胀系数)等。
步骤S304:采集用户在所述各单元化路段的实际出行数据,利用所述实际出行数据对所述预测模型进行优化与修正。
例如根据用户的选择出行路线,采集用户实际的出行路线影响因素和实际出行时间,如,根据用户在2030年10月2日,上午十点三十五分,从A地到C地,选择的采集该路线上各个单元化路段对应的实际影响因素和具体的用户实际出行时间(T);
把采集的数据整理,反馈到路况预测系统,系统根据预测结果和实际出行结果,进行对比和计算优化。例如,预测模型中有对出行较为严重的影响因素出现,选择的预测出行时间为T3,而用户的实际出行时间为T,根据采集的实际的影响因素和出行时间,对相应的路线预测模型的各个预测单元模型进行修正和优化,实现预测系统的自主优化,例如调整预测模型的参数和计算的影响因子;进一步保证和提高路况预测系统的预测准确性。
通过上述方式对各单元化路段构建预测模型进行计算预测,可以提高预测的准确性。还可以通过预测模型对每个单元化路路段分别进行计算预测,记录并更新每个单元化路段的模型参数与影响因子;具体可以通过以下方式实现:
如图4所示,本发明提供另一种交通路况预测方法,包括以下步骤:
步骤S410:获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定。
用户可以通过输入的方式确定出发地和目的地,根据出发地和目的地可以根据导航路径规划形成行驶路径以及备选路径。其中所述的时间为预测时间,即需要进行路况预测的时间,例如需要预测今天下午3点的路况,或者在用户开启导航时预测当前时刻的预测的当前时间。同时也可以获取备选路段。
步骤S410:将所述待预测路程进行分段处理,形成单元化路段。
将所述待预测路程上存在的交叉路口为节点,根据所述待预测路程上的各节点对所述待预测路程进行分段处理,得到多个单元化路段;
或将所述待预测路程上存在的交叉路口作为节点,将所述待预测路程上的各节点属性相似的节点做合并处理,以距离较远的节点为划分节点,根据所述待预测路程上的各划分节点对所述待预测路程进行分段处理,得到多个单元化路段。
步骤S420:将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息。
与上述图1至图3所述实施例不同的是,本发明采用一个预测模型计算每个单元化路段的行程时间;具体应用场景可以是云端服务器,云端服务器可以获取每个单元化路段的历史路况信息,形成单元化路段的特征信息,利用该特征信息可以进行预测每个单元化路段的形成信息。所述特征信息可以参考上述实施例中所述的模型参与预测影响因子。将所述待预测路程分段处理可以参考本发明其他实施例中描述,再次不再赘述。
具体的,所述云端服务器计算某单元化路段的行程时间时,获取该单元化路段的历史路况信息,计算出相关的模型参数与预测影响因子并保存,保存的数据与该单元化路段的ID关联。在需要调整或优化时,可以通过修改所述模型参数与预测影响因子实现,而在此计算该路段其他时间段的行程时间时则再次调用所述模型参数与预测影响因子即可。
当然采用这种方式同样可以实现备选路段的行程时间计算。
步骤S430:基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间。
即通过每个单元化路段的预测模型本路段的以及通行时间,然后将待预测路程上的多个单元化路段的通行时间相加即为待预测路程所需的通行时间。
本发明以各个单元化路段的相交路口为节点,对整个路段进行分段,实现路段的区域的单元化和网格化,并以此为基础后续搭建云端路况预测模型,进行路况预测计算和新路线合理规划,可以提高预测准确性,从而实施反映各时间段的路况。
如图5 所示,本发明还提供一种可以进行数据反馈与优化的交通路况预测方法,包括:
步骤 510:获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
步骤 520:将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
步骤 530:基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间;
步骤 540:记录所述待预测路程的实际路况信息,利用所述实际路况信息更新所述预测模型。
其中步骤 510 至步骤 540 的具体实现过程可以参考本发明前述的实施例;本实施例中提供了交通路况预测方法的自动优化过程,实现了预测的自动优化功能。在步骤540 中,用户选定的行驶路线作为待预测路程,车辆依照该行驶路线行驶,过程中车辆会自动记录该行驶路段上的路况信息,包括但不限于路面施工情况、天气情况、交通事、通行时间、平均行驶速度、路段限速、路段测速位置。以上路况信息可以作为单个单元化路段的预测模型的训练数据,也可适用于采用云端服务器训练各单元化路段的数据;从而可以确定预测的模型参数及预测影响因子。通过记录实际数据,记录用户选择路线的实际通过情况,把信息反馈到预测模型,对预测模型进行自我学习和更新。
如图6所示,本发明提供一种交通路况预测装置,包括:
获取模块61,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段处理模块62,用于将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
预测计算模块63,用于基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
如图7所示,本发明提供一种交通路况预测装置,包括:
获取模块71,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段模块72,用于将所述待预测路程进行分段处理,形成单元化路段;
预测模块73,用于将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息;
计算模块74,用于基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间。
图6及图7所示的装置可以参考图1至图6所述的具体实施例进行理解。另外在这两个实施例中,均还包括:反馈优化模块,用于记录所述待预测路程的实际路况信息,利用所述实际路况信息更新所述预测模型。
例如,用户输入出发地、目的地和出行时间。出发地与目的地共同构成预测的空间限制,出发地为A地,目的地为C地;出行时间,即路况预测时间,用户根据出行需要在预测系统进行输入,如,2030年10月2日,上午十点三十五分。
系统选择理论最佳出行路线。在没有其他不确定因素影响的情况下,根据距离和基础路况信息计算出的理论出行时间,是预测出行时间的主要部分和基础,同时能减少后期预测的大量计算,因此,系统通过理论最佳路线,初步推荐出行方案,如图2,在AC路线上,有B1,B2 ••• Bn等路口和支路的出行路线选择,而直接A地到C地的无支路的路线,理论出行时间最短,为理论最佳路线;
在确定的理论最佳出行路线的基础上,调用该路线上的预测模型,搭建预测模型(P0);在搭建预测模型同时,搭建备选路程预测模型(P1,P2 ••• Pn)。在某个小的区域范围内,区域块预测单元可作为相关预测单元的第二选择,即,在该区域范围的额外路段选择;
采集待预测路程影响因素信息,计算预计出行时间(T0)。采集用户需要预测的时间段中,理论最佳出行路线的各个预测单元模型的影响因素信息,通过云计算,计算各个路段预测莫单元模型的预计通过时间,如图3中,得到预测单元模型的预计通过时间(TAB1 ,TB1B2 ••• TBnC),累加各个单元时间,得到预计通过时间(T0)。
通过同样的方法,进行备选路程预测模型的预计通过时间计算,进而得到区域块预测模型的预计通过时间(T1,T2,Tn)。
由于,备选路程预测模型主要作为备选方案,在预测模型出现较为严重的影响因素出现时,为用户提供额外的、更佳的出行选择,故该步骤的计算优先级低于上一步。
根据预测结果和用户需求,制定最佳的出行方案。预测模型的预测和计算结果,可以给用户展示所有的出行方案和对应的预测出行时间,结合用户的出行需求,为用户制定出最佳的出行方案;如果用户选择受影响较大的出行方案,则为用户展示预计出行时间的同时,根据影响程度的大小,依次展示和警示影响出行较为严重的影响因素。
采集用户实际出行数据。根据用户的选择,采集用户实际的出行路线影响因素和实际出行时间,如,根据用户在2030年10月2日,上午十点三十五分,从A地到C地,选择的出行路线,采集该路线上各个路段对应的实际影响因素和具体的用户实际出行时间(T);
利用反馈优化模块把采集的数据整理,反馈到路况预测系统,系统根据预测结果和实际出行结果,进行对比和计算优化。如,预测模型中有对出行较为严重的影响因素出现,用户根据推荐和需求,选择的预测出行时间为T3,而用户的实际出行时间为T,根据采集的实际的影响因素和出行时间,对相应的路线预测模型的各个预测单元模型进行修正和优化,实现预测系统的自主优化,进一步保证和提高路况预测系统的预测准确性。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明还提供一种车辆,其包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如上述的交通路况预测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述的交通路况预测方法的步骤。
可以理解,计算机可读存储介质可以包括:能够携带计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、以及软件分发介质等。计算机程序包括计算机程序代码。计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、以及软件分发介质等。
在本发明的某些实施方式中,自动泊车装置可以包括控制器,控制器是一个单片机芯片,集成了处理器、存储器,通讯模块等。处理器可以是指控制器包含的处理器。处理器可以是中央处理单元(CentralProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现成可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (15)
1.一种交通路况预测方法,其特征在于,包括:
获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
2.根据权利要求1所述的方法,其特征在于,所述将所述待预测路程进行分段处理,包括:
将所述待预测路程上存在的交叉路口为节点,根据所述待预测路程上的各节点对所述待预测路程进行分段处理,得到多个单元化路段。
3.根据权利要求1所述的方法,其特征在于,所述将所述待预测路程进行分段处理,包括:
将所述待预测路程上存在的交叉路口作为节点,将所述待预测路程上的各节点属性相似的节点做合并处理,以距离较远的节点为划分节点,根据所述待预测路程上的各划分节点对所述待预测路程进行分段处理,得到多个单元化路段。
4.根据权利要求1所述的方法,其特征在于,所述分别获取所述单元化路段的历史路况信息,包括:
获取单元化路段的历史路况信息包括:路面施工情况、天气情况、交通事故率、正常通行时间、路段限速、路段测速位置、历史通行时间;对所述历史路况信息做影响等级划分。
5.根据权利要求1所述的方法,其特征在于,所述基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子,包括:
将各所述单元化路段的历史路况信息按照历史时间的数据组输入至多元回归模型中进行模型计算,并基于所述历史时间在各所单元化路段通行预测使用的预测模型的参数及预测影响因子。
6.根据权利要求1所述的方法,其特征在于,所述基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,包括:
计算所述待预测路程的理论通行时间,基于所述理论通行时间及所述预测模型的参数及预测影响因子构建对应所述单元化路段的预测模型,利用所述预测模型计算所述单元化路段的通行时间。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取与所述待预测路程相关的备选路段,利用预测所述待预测路程行程时间的方法预测所述备选路段的行程时间。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
采集用户在所述各单元化路段的实际出行数据,利用所述实际出行数据对所述预测模型进行优化与修正。
9.一种交通路况预测方法,其特征在于,包括:
获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
将所述待预测路程进行分段处理,形成单元化路段;
将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息;
基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间。
10.根据权利要求9所述的方法,其特征在于,所述将所述待预测路程进行分段处理,包括:
将所述待预测路程上存在的交叉路口为节点,根据所述待预测路程上的各节点对所述待预测路程进行分段处理,得到多个单元化路段;
或将所述待预测路程上存在的交叉路口作为节点,将所述待预测路程上的各节点属性相似的节点做合并处理,以距离较远的节点为划分节点,根据所述待预测路程上的各划分节点对所述待预测路程进行分段处理,得到多个单元化路段。
11.一种交通路况预测方法,其特征在于,包括:
获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间;
记录所述待预测路程的实际路况信息,利用所述实际路况信息更新所述预测模型。
12.一种交通路况预测装置,其特征在于,包括:
获取模块,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段处理模块,用于将所述待预测路程进行分段处理,形成单元化路段,分别获取所述单元化路段的历史路况信息,基于各所述单元化路段的历史路况信息确定单元化路段对应的预测模型的参数及预测影响因子;
预测计算模块,用于基于各所述单元化路段的预测模型预测用户输入时间时的单元化路段通行时间,通过加权处理确定所述待预测路程的行程时间。
13.一种交通路况预测装置,其特征在于,包括:
获取模块,用于获取待预测路程,所述待预测路程由用户输入的出发地、目的地及时间确定;
分段模块,用于将所述待预测路程进行分段处理,形成单元化路段;
预测模块,用于将各所述单元化路段的特征信息输入至预测模型,所述特征信息包括各所述单元化路段的历史路况信息,所述历史路况信息对应于用户输入的时间相对应的历史时间时的路况信息;
计算模块,用于基于各所述单元化路段的通行时间,通过加权处理确定所述待预测路程的行程时间。
14.一种车辆,其特征在于,包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至11中任一项所述的交通路况预测方法的步骤。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的交通路况预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210312370.3A CN114638428A (zh) | 2022-03-28 | 2022-03-28 | 一种交通路况预测方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210312370.3A CN114638428A (zh) | 2022-03-28 | 2022-03-28 | 一种交通路况预测方法、装置及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638428A true CN114638428A (zh) | 2022-06-17 |
Family
ID=81949051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210312370.3A Withdrawn CN114638428A (zh) | 2022-03-28 | 2022-03-28 | 一种交通路况预测方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638428A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543560A (zh) * | 2023-07-05 | 2023-08-04 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
-
2022
- 2022-03-28 CN CN202210312370.3A patent/CN114638428A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116543560A (zh) * | 2023-07-05 | 2023-08-04 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
CN116543560B (zh) * | 2023-07-05 | 2023-09-22 | 深圳市诚识科技有限公司 | 一种基于深度学习的智能路况预测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9599488B2 (en) | Method and apparatus for providing navigational guidance using the states of traffic signal | |
EP1532600B1 (en) | Apparatus and method for providing traffic information | |
JP4491472B2 (ja) | 交通情報システム | |
US6539300B2 (en) | Method for regional system wide optimal signal timing for traffic control based on wireless phone networks | |
EP1918895A2 (en) | Apparatus and method for providing traffic information | |
KR100820467B1 (ko) | 도로 차선 종류를 고려한 구간 교통량 예측 시스템 및 그방법 | |
US20090079586A1 (en) | Use of Pattern Matching to Predict Actual Traffic Conditions of a Roadway Segment | |
JP2016513805A (ja) | 車両ルート指定および交通管理のための車線レベル車両ナビゲーション | |
JP5081734B2 (ja) | 交通情報を生成するための交通情報提供システム、及び、カーナビゲーションシステム | |
WO2008005187A2 (en) | Inferring road speeds for context-sensitive routing | |
EP4138051A1 (en) | Method of collecting data from fleet of vehicles | |
US11430330B2 (en) | Method for predicting travel time using spatio-temporal model and apparatus thereof | |
CN114638428A (zh) | 一种交通路况预测方法、装置及车辆 | |
JP2020135231A (ja) | 交通需要予測装置及び交通需要予測システム | |
CN116698075B (zh) | 路网数据处理方法、装置、电子设备及存储介质 | |
CN114897445B (zh) | 公交线网的停靠点调整优化方法、装置及可读存储介质 | |
JP4134842B2 (ja) | 交通情報予測装置、交通情報予測方法及びプログラム | |
CN116194935B (zh) | 用于确定地理区域中的车辆的导航简档的方法和设备 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
CN113628446A (zh) | 一种基于物联网的交通信息采集分析方法及系统 | |
JP2022087906A (ja) | 交通状況予測装置、および、交通状況予測方法 | |
Hadi et al. | Application of dynamic traffic assignment to advanced managed lane modeling. | |
CN117021986B (zh) | 一种共享电动汽车的实时充电方法以及智慧充电站 | |
Hosseini Naveh et al. | A new weighted BPR model for travel time estimation sensitive to “on the road elements” | |
Ghandeharioun et al. | Link travel time estimation with spatial correlations based on OD data |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220617 |