CN114840618A - 通行特征预测方法、电子设备及存储介质 - Google Patents
通行特征预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114840618A CN114840618A CN202210323612.9A CN202210323612A CN114840618A CN 114840618 A CN114840618 A CN 114840618A CN 202210323612 A CN202210323612 A CN 202210323612A CN 114840618 A CN114840618 A CN 114840618A
- Authority
- CN
- China
- Prior art keywords
- historical
- index
- time
- traffic
- time period
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
Abstract
本公开实施例公开了一种通行特征预测方法、电子设备及存储介质,所述方法包括:获取目标道路在当前时间段内的当前索引;所述当前索引包括所述目标道路的已知通行特征;将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引;其中,所述历史索引及其对应的历史索引值预先关联存储在数据库中,所述历史索引包括所述目标道路的第一历史通行特征;所述历史索引值包括所述历史时间段之后的一设定时间段内所述目标道路的第二历史通行特征;基于所述目标索引对应的所述历史索引值确定所述预测时间段内所述目标道路的预测通行特征。
Description
技术领域
本公开涉及导航技术领域,具体涉及一种通行特征预测方法、电子设备及存储介质。
背景技术
随着城市规模的不断扩大、私家车保有量不断增多、人们出行需求的持续上涨,基于位置服务系统的应用越来越广泛。基于位置服务系统的其中一个重要服务是动态交通服务,动态交通服务提供的信息包括道路是否拥堵、车辆的平均通行特征和/或车辆的平均通行速度等。例如,具备地图导航功能的应用通常会在用户发起路径规划请求时,基于动态交通服务为用户规划导航路线并计算用户沿导航路线抵达目的地时所需的预计通行时间或预计到达时间。。已有技术中,当前道路的车辆平均通行速度和/或车辆平均通行时间采用历史同期的速度或时间估计得到,但是历史同期的道路路况和当前的道路路况千差万别,且每年道路路况会受到外部因素的影响,如果采用历史同期的速度或时间估计车辆平均通行速度和/或车辆平均通行时间,容易引入历史噪音误差,导致所预测的路况信息不准。因此,如何提高道路通行速度、通行时间等通行特征的预测准确度是当前需要解决的技术问题之一。
发明内容
本公开实施例提供一种通行特征预测方法、电子设备及存储介质。
第一方面,本公开实施例中提供了一种通行特征预测方法,其中,包括:
获取目标道路在当前时间段内的当前索引;所述当前索引包括所述目标道路的已知通行特征;
将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引;其中,所述历史索引及其对应的历史索引值预先关联存储在数据库中,所述历史索引包括所述目标道路的第一历史通行特征;所述历史索引值包括所述历史时间段之后的一设定时间段内所述目标道路的第二历史通行特征;
基于所述目标索引对应的所述历史索引值确定所述预测时间段内所述目标道路的预测通行特征。
进一步地,所述历史索引包括所述目标道路的第一历史通行特征,具体为:按时序排列的多个时间片对应的第一历史通行特征序列;
所述历史索引值包括所述目标道路的第二历史通行特征,具体为:按时序排列的多个时间片对应的第二历史通行特征序列;
所述当前索引包括已知通行特征序,具体为:按时序排列的多个时间片对应的已知通行特征序列;
所述预测通行特征具体为:按时序排列的多个时间片对应的预测通行特征序列。
进一步地,将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引,包括:
针对每一所述历史时间段对应的所述历史索引,将所述第一历史通行特征序列和所述当前通行特征序列中,相同时间片对应的序列元素进行相似性比较,以获得所述序列元素的相似度值并计算所述多个相似度值的平均值;
将所述平均值最大的所述历史索引确定为与所述当前索引相似度最大的目标索引。
进一步地,所述方法还包括:
获取目标道路上运载工具的历史轨迹数据;
将所述历史轨迹数据按照时间片进行划分;
基于划分结果统计每一时间片对应的历史通行特征;
基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
将所述历史索引及其对应的所述历史索引值关联存储至数据库。
进一步地,所述方法还包括:
确定预测时间段的时间画像特征;
确定与所述预测时间段的时间画像特征对应一致的多个历史时间段。
进一步地,所述历史通行特征、所述已知通行特征和/或所述预测通行特征包括道路通行速度和道路通行时间。
第二方面,本公开实施例中提供了一种通行特征预测方法,其中,包括:
获取目标道路上运载工具的历史轨迹数据;
将所述历史轨迹数据按照时间片进行划分;
基于划分结果统计每一时间片对应的历史通行特征;
基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
将所述历史索引及其对应的所述历史索引值关联存储至数据库,以便通过比较当前时间段的当前索引对应的已知通行特征与所述历史索引对应的历史通行特征之间的相似性,获得预测时间段的预测通行特征。
第三方面,本公开实施例中提供了一种基于位置的服务提供方法,其中,该基于位置的服务提供方法利用第一方面所述的方法预测目标道路在预测时间段的预测通行特征,并基于预测得到的所述预测通行特征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:实时交通预测、导航路线规划或者导航路线ETA预测。
第四方面,本发明实施例中提供了一种通行特征预测装置,其中,包括:
第一获取模块,被配置为获取目标道路在当前时间段内的当前索引;所述当前索引包括所述目标道路的已知通行特征;
比较模块,被配置为将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引;其中,所述历史索引及其对应的历史索引值预先关联存储在数据库中,所述历史索引包括所述目标道路的第一历史通行特征;所述历史索引值包括所述历史时间段之后的一设定时间段内所述目标道路的第二历史通行特征;
第一确定模块,被配置为基于所述目标索引对应的所述历史索引值确定所述预测时间段内所述目标道路的预测通行特征。
第五方面,本发明实施例中提供了通行特征预测装置,其中,包括:
第三获取模块,被配置为获取目标道路上运载工具的历史轨迹数据;
第二划分模块,被配置为将所述历史轨迹数据按照时间片进行划分;
第二统计模块,被配置为基于划分结果统计每一时间片对应的历史通行特征;
第二建立模块,被配置为基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
第三存储模块,被配置为将所述历史索引及其对应的所述历史索引值关联存储至数据库,以便通过比较当前时间段的当前索引对应的已知通行特征与所述历史索引对应的历史通行特征之间的相似性,预测预测时间段的预测通行特征。
第六方面,本发明实施例中提供了一种基于位置的服务提供装置,其中,该基于位置的服务提供装置利用上述第一方面所述的通行特征预测装置预测目标道路在预测时间段的预测通行特征,并基于预测得到的所述预测通行特征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。
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。
第七方面,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。
第八方面,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。
第九方面,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:
本公开实施例中在预测预测时间段内目标道路上的道路通行特征时,通过获取目标道路在当前时间段内的当前索引,该当前索引包括目标道路在当前时间段内的已知通行特征;并将该当前索引与数据库预先存储的历史时间段内的历史索引进行相似性比较,该历史索引包括目标道路在历史时间段内的第一历史通行特征,历史索引值包括目标道路在历史时间段之后的一设定时间段内的第二历史通行特征;进而基于最为相似的历史时间段对应的历史索引值预测预测时间段内目标道路的预测通行特征。本公开实施例通过筛选出与当前时间段的已知通行特征最为相似的历史时间段,并基于该筛选出的历史时间段之后的一设定时间段的第二历史通行特征预测预测时间段的预测通行特征,由于用于预测的历史时间段不固定为历史上的同期时间段,而可能是距离当前时间最近的一段时间,因此可以避免由于道路受时间因素的影响而使得道路通行特征发生较大变化时,道路通行特征预测不准确的情况。
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通行特征预测方法的流程图;
图2示出根据本公开另一实施方式的通行特征预测方法的流程图;
图3示出根据本公开一实施方式在节假日道路速度预测场景中的应用示意图;
图4示出根据本公开一实施方式的通行特征预测方法在导航场景中的应用示意图;
图5是适于用来实现根据本公开实施方式的通行特征预测方法和/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通行特征预测方法的流程图。如图1所示,该通行特征预测方法包括以下步骤:
在步骤S101中,获取目标道路在当前时间段内的当前索引;所述当前索引包括所述目标道路的已知通行特征;
在步骤S102中,将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引;其中,所述历史索引及其对应的历史索引值预先关联存储在数据库中,所述历史索引包括所述目标道路的第一历史通行特征;所述历史索引值包括所述历史时间段之后的一设定时间段内所述目标道路的第二历史通行特征;
在步骤S103中,基于所述目标索引对应的所述历史索引值确定所述预测时间段内所述目标道路的预测通行特征。
本实施例中,道路(link)可以是根据实际道路划分的有向逻辑道路单元中的其中一个,每个道路可以具有独立的道路标识,每个道路可以包含一个入口和一个出口。目标道路可以是任意一个道路。
道路的通行特征可以用于描述道路的路况信息,例如道路的通畅情况。在一些实施例中,道路的通行特征可以包括但不限于道路的通行速度、道路的通行时间等。在一些实施例中,道路的通行速度可以是运载工具在该条道路上的平均通行速度,道路通行时间可以是运载工具在该道路上的平均通行时间。
在一些实施例中,历史时间段可以是分钟级别、小时级别、天级别、周级别或者特征日级别(特征日例如可以是工作日、周末、节假日)等的时间段。当前时间段也可以是分钟级别、小时级别、天级别或者特征日级别(特征日例如可以是工作日、周末、节假日等)的时间段。在一些实施例中,历史时间段和当前时间段的长度可以对应一致,或者历史时间段长于当前时间段,并且历史时间段和当前时间段的长度可以以分钟、小时、天、周或特征日等为单位进行衡量。例如,历史时间段可以为最近几个月中包括5个工作日的时间段,而当前时间段可以是包括当前时间在内的5天或少于5天的工作日时间段。
在一些实施例中,历史时间段之后的一设定时间段可以是相继历史时间段的一段时间,历史时间段之后的一设定时间段可以是分钟级别、小时级别、天级别、周级别或者特征日级别(特征日例如可以是工作日、周末、节假日)等的时间段,预测时间段可以是相继当前时间段的一段时间,当前时间段可以是包括当前时间的一段时间,而预测时间段可以是当前时间之后的一段时间,比如当前时间的后几分钟、后几个小时、后几日、后几周等,预测时间段也可以是分钟级别、小时级别、天级别、周级别或者特征日级别(特征日例如可以是工作日、周末、节假日)等的时间段。在一些实施例中,预测时间段与历史时间段之后的一设定时间段的长度可以对应一致,或者预测时间段长于历史时间段之后的一设定时间段。
下面举例说明历史时间段、历史时间段之后的一设定时间段、当前时间段和预测时间段。假如,当前要预测的是下一日的道路通行特征,那么预测时间段则是下一日(可以是下一日24小时,也可以是下一日白天12个小时),而当前时间段可以是包括当日在内的过去几天,比如包括当日的过去四天,而历史时间段则可以是历史上的连续四天时间。假如过去三天、当日以及下一日均是本周的工作日,且当前时间段为包括当日在内的4个工作日,而预测时间段为下一日,也即下一工作日,则历史时间段可以是上周前四个工作日、上上周前四个工作日、……等;而历史时间段之后的一设定时间段可以是上周最后一个工作日、上上周最后一个工作日,……等。
本公开实施例中,为了预测预测时间段内目标道路上的预测通行特征,可以将当前时间段内的已知通行特征与历史时间段内的第一历史通行特征进行对比,如果当前时间段内的已知通行特征与某一个历史时间段内的第一历史通行特征较为相似,可以确定预测时间段内的预测通行特征与该历史时间段之后的一设定时间段的第二历史通行特征大概率相似,因此可以基于历史时间段之后的一设定时间段的第二历史通行特征确定预测时间段的道路通行特征的预测值。
为了通过上述方式预测预测时间段内目标道路上的预测通行特征,本公开实施例将当前时间段内的已知通行特征与多个历史时间段内的第一历史通行特征进行相似性比较,并从多个历史时间段确定通行特征最为相似的一个历史时间段,进而再使用该最为相似的历史时间段之后的一设定时间段的第二历史通行特征获得预测时间段的预测通行特征。需要说明的是,当前时间段可以是包括当日的一段时间,以及当前时间段的已知通行特征基于运载工具在目标道路上的真实轨迹统计得到。当然可以理解的是,历史时间段对应的第一历史通行特征和历史时间段之后的一设定时间段对应的第二历史通行特征也均基于运载工具在目标道路上的真实轨迹统计得到。
本公开实施例中在预测预测时间段内目标道路上的道路通行特征时,通过获取目标道路在当前时间段内的当前索引,该当前索引包括目标道路在当前时间段内的已知通行特征;并将该当前索引与数据库预先存储的历史时间段内的历史索引进行相似性比较,该历史索引包括目标道路在历史时间段内的第一历史通行特征,历史索引值包括目标道路在历史时间段之后的一设定时间段内的第二历史通行特征;进而基于最为相似的历史时间段对应的历史索引值预测预测时间段内目标道路的预测通行特征。本公开实施例通过筛选出与当前时间段的已知通行特征最为相似的历史时间段,并基于该筛选出的历史时间段之后的一设定时间段的第二历史通行特征预测预测时间段的预测通行特征,由于用于预测的历史时间段不固定为历史上的同期时间段,而可能是距离当前时间最近的一段时间,因此可以避免由于道路受时间因素的影响而使得道路通行特征发生较大变化时,道路通行特征预测不准确的情况。
在本实施例的一个可选实现方式中,所述历史索引包括所述目标道路的第一历史通行特征,具体为:按时序排列的多个时间片对应的第一历史通行特征序列;
所述历史索引值包括所述目标道路的第二历史通行特征,具体为:按时序排列的多个时间片对应的第二历史通行特征序列;
所述当前索引包括已知通行特征序,具体为:按时序排列的多个时间片对应的已知通行特征序列;
所述预测通行特征具体为:按时序排列的多个时间片对应的预测通行特征序列。
该可选的实现方式中,通行特征通常采用平均通行特征,也即通过收集一段时间内经过目标道路的多个运载工具的通行特征,进而再计算平均值得到相应的通行特征,通行特征可以包括但不限于通行时间和通行速度。
为了使得所预测的通行特征更加准确,本公开实施例将时间段(包括历史时间段、历史时间段之后的一设定时间段、当前时间段、预测时间段)划分成多个时间片,针对每个时间片统计运载工具在该目标道路上的平均通行特征。在一些实施例中,一个时间片可以是分钟级别的。例如,对于1个小时而言,假如一个时间片为5分钟,则该1个小时包括12个时间片,而该1个小时对应的通行特征包括12个平均通行特征构成的序列,可以表示为{v1,v2,……,v12},其中,v1用于表示第一个时间片也即前5分钟对应的通行特征,而v2表示第二个5分钟对应的通行特征,v12表示一个小时内最后一个5分钟对应的通行特征。
在一些实施例中,为了便于检索,历史索引包括的第一历史通行特征序列的元素数目和当前索引包括的已知通行特征序列的元素数目相同,也即第一历史通行特征序列和已知通行特征序列中的元素一一对应;而相应地,历史时间段中的时间片数目和当前时间段中的时间片数目也相同。在另一些实施例中,历史时间段中的时间片长度和当前时间段中的时间片长度也可以相同。
在一些实施例中,历史索引值包括的第二历史通行特征序列的元素数目和预测通行特征序列的元素数目相同,也即第二历史通行特征序列和预测通行特征序列中的元素一一对应。相应地,历史时间范围之后的一设定时间段内的时间片数目和需要预测通行特征的预测时间段内的时间片数目也相同。在另一些实施例中,历史时间范围之后的一设定时间段中的时间片长度和预测时间段中的时间片长度也相同。例如,在5天小长假中,前2天对应的历史索引包括目标道路在该前2天对应的第一历史通行特征,而历史索引值则为该5天小长假中目标道路在第3天对应的第二历史通行特征;假如一天按照白天12个小时进行时间片划分,而每个时间片为5分钟,则一天可以被划分成144个时间片,那么上述小长假的前2天的历史索引则可以包括144*2=288个时间片对应的第一历史通行特征,历史索引值则包括第3天中144个第二历史通行特征,也即该前2天的历史索引包括由288个第一历史通行特征构成的序列,而历史索引值则包括由144个第二历史通行特征构成的序列。
在一些实施例中,可以通过将第二历史通行特征序列直接预测为预测通行特征序列的方式得到预测时间段的预测通行特征。而在另一些实施例中,预测得到的预测通行特征序列可以与第二历史通行特征序列不一致,例如预测得到的预测通行特征序列可以是在第二历史通行特征序列基础上考虑其他因素影响而得到的结果。
在本实施例的一个可选实现方式中,所述历史索引包括多个历史时间段对应的多个历史索引,步骤S102,即将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引的步骤,进一步包括以下步骤:
针对每一所述历史时间段对应的所述历史索引,将所述第一历史通行特征序列和所述当前通行特征序列中,相同时间片对应的序列元素进行相似性比较,以获得所述序列元素的相似度值并计算所述多个相似度值的平均值;
将所述平均值最大的所述历史索引确定为与所述当前索引相似度最大的所述目标索引。
该可选的实现方式中,历史索引对应的第一历史通行特征序列包括多个序列元素,每个序列元素对应一个时间片内的历史通行特征,而当前索引对应的当前通行特征序列中也包括多个序列元素,并且每个序列元素对应一个时间片内的已知通行特征。历史索引和当前索引所对应的时间片一致,也即历史索引对应的第一历史通行特征序列所对应的时间片和当前索引对应的当前通行特征序列所对应的时间片在数量和每个时间片的时间取值上均一致。因此,在使用当前索引检索数据库时,可以通过将当前索引中各时间片对应的序列元素与历史索引中相同时间片对应的序列元素分别进行相似性比较的方式,可以得到多个相似度值,对所得到的多个相似度值求平均后可以得到当前索引与历史索引之间的相似度值。
继续以上文中的例子说明,假如当前索引包括由288个时间片对应的288个通行特征构成的序列,历史索引也包括由288个时间片对应的288个通行特征构成的序列,则可以通过将当前索引中第一个时间片(也即0点至0点10分)对应的通行特征与历史索引中第一个时间片对应的通行特征进行相似性比较,可以得到第一个相似度值,当前索引中第二个时间片对应的通行特征与历史索引中第二个时间片对应的通行特征进行比较,可以得到第二个相似度值,以此类推,总共可以得到288个相似度值,将该288个相似度值求平均值可以得到当前索引与历史索引之间的相似度值。
通过上述方式,将当前索引与数据库中的各个历史时间段内的历史索引进行相似性比较,将相似度值最大的历史索引确定为目标索引。通过这种方式,可以确定与当前时间段对应的已知通行特征序列最为相似的历史时间段对应的第一历史通行特征序列,也即所匹配得到的目标索引对应的第一历史通行特征序列与当前时间段对应的已知通行特征序列最为相似,那么当前时间段之后的预测时间段的预测通行特征序列大概率也与该历史时间段之后的一设定时间段的第二历史通行特征序列最为相似,因此可以使用该后一时间段的第二历史通行特征序列来预测预测时间段的预测通行特征序列。在一些实施例中,可以直接将后一时间段的第二历史通行特征序列确定为预测时间段的预测通行特征序列,也即可以将该目标索引对应的历史索引值确定为预测时间段的预测通行特征序列。
在本实施例的一个可选实现方式中,所述方法进一步还包括以下步骤:
获取目标道路上运载工具的历史轨迹数据;
将所述历史轨迹数据按照时间片进行划分;
基于划分结果统计每一时间片对应的历史通行特征;
基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
将所述历史索引及其对应的所述历史索引值关联存储至数据库。
该可选的实现方式中,可以预先基于历史轨迹数据,针对每条道路建立索引数据库。该索引数据库包括道路对应的历史索引以及历史索引对应的历史索引值。历史轨迹数据可以包括在一段时间内经过道路的全部或者部分运载工具的历史轨迹。
下面以其中一条道路也即目标道路为例进行说明。
针对目标道路,可以收集过去一段时间比如近一年、近几个月等,经过目标道路的运载工具的轨迹数据。另外,还可以按照预先设定的时间片的长度将每天(可以是一天24个小时,也可以是白天12个小时)划分成多个时间片,并统计每个时间片内内的历史轨迹数据,也即将历史轨迹数据按照时间片进行划分,并统计划分至每个时间片内的历史轨迹数据对应的历史通行特征。统计历史通行特征的过程中,可以针对划分至每个时间片的历史轨迹数据计算经过该目标道路时每个运载工具的通行特征,例如该条历史轨迹数据对应运载工具在该目标道路上的通行时间或者通行速度。
针对每个时间片,可以基于每条历史轨迹数据对应的通行特征计算得到该时间片对应的历史通行特征,也即通过计算时间片内所有历史轨迹数据对应的通行特征的平均值获得时间片对应的历史通行特征。
在确定了每一时间片对应的历史通行特征之后,可以建立历史索引以及该历史索引对应的历史索引值。
下面举例说明历史索引及其对应的历史索引值的建立过程:
可以先针对每天建立历史索引及其对应的历史索引值,而在进行相似性比较的时候,基于历史时间段的范围以及每天对应的历史索引及其历史索引值组成对应的第一历史通行特征序列。
每天对应的历史索引可以包括该天中所有时间片对应的历史通行特征构成的历史通行特征序列,而该历史索引对应的历史索引值为下一日中所有时间片对应的历史通行特征构成的历史通行特征序列,所建立的历史索引及其对应的历史索引值如下表1所示。
表1:
其中,V1、V2……Vn表示某个时间范围内第1天、第2天、……第n天分别对应的历史索引,vi表示历史索引对应的第一历史通行特征序列中的元素,也即vi表示该天第i个时间片对应的通行特征。分别表示历史索引V1、V2……Vn的历史索引值,该历史索引值对应第二历史通行特征序列。在进行相似性比较时,如果其中一个历史时间段为上述第1-n天中的第i天至第i+x天,则可以确定该历史时间段对应的历史索引包括第i天至第i+x天中所有历史通行特征序列组成的序列,而历史索引值可以是第i+x天对应的历史索引值,或者第i+x天及之后的几天对应的历史索引值组成的序列。
在针对每天建立上述历史索引之后,可以将历史索引及其对应的索引值关联存储至数据库中。
需要说明的是,上述历史索引可以定期更新。在线预测过程中,针对目标道路预测预测时间段的预测通行特征时,可以基于上述方式获得当前时间段对应的已知通行特征。需要说明的是,当前时间段的时间范围可以基于实际需要选择,例如可以选择当前时间段的时间范围为当天,或者包括当天在内的近m天。在确定了当前时间段对应的已知通行特征后,将当前时间段对应的已知通行特征与历史时间段的第一历史通行特征进行相似性比较。而历史时间段的时间范围可以基于当前时间段来选择,比如当前时间段的时间范围为m天,则历史时间段也可以选择m天。在相似性比较的时候,可以将当前时间段对应的m天的通行特征构成的已知通行特征序列与历史索引中m天的历史通行特征序列进行相似性比较,可以从数据库中第1天开始选择m天对应的历史索引进行比较,也可以从数据库中第i天开始选择m天对应的历史索引进行比较。
在本实施例的一个可选实现方式中,所述方法进一步还包括以下步骤:
确定预测时间段的时间画像特征;
确定与所述预测时间段的时间画像特征对应一致的多个历史时间段。
该可选的实现方式中,如果数据库中存储的历史索引较多,在线预测预测时间段的未来通行特质时,如果与数据库中存储的所有历史索引均进行相似性对比,则所花费的时间会较长,而且消耗的计算资源也会较多。为了解决这一技术问题,考虑到时间画像特征较为相似的时间段的通行特征较为相似,而时间画像特征相差较大的时间段的通行特征相差也较大。因此,本公开实施例通过时间画像特征,确定与预测时间段的时间画像特征相似的多个历史时间段,再将当前时间段的已知通行特征与该多个时间画像特征相似的历史时间段的历史通行特征进行相似性比较。
时间画像特征可以为基于道路上通行特征的不同为不同时间段所赋予的不同画像特征。在一些实施例中,时间画像特征可以包括但不限于工作日、非工作日、小长假日、暑假、寒假、早晚高峰时段、平峰时段、夜间等,具体可以根据道路的实际通行状况进行统计分析后获得,在此不做具体限制。
例如,需要预测端午节的预测通行特征时,则可以选择历史索引中时间画像特征为节假日的历史时间段,该节假日的历史时间段可以包括当年的五一劳动节、清明节、春节、国庆节等,还可以包括往年端午节在内的各种节假日时段,进而再比较端午节之前的已知通行特征与所选择的历史时间段对应的历史通行特征之间的相似性。
图2示出根据本公开另一实施方式的通行特征预测方法的流程图。如图2所示,该通行特征预测方法包括以下步骤:
在步骤S201中,获取目标道路上运载工具的历史轨迹数据;
在步骤S202中,将所述历史轨迹数据按照时间片进行划分;
在步骤S203中,基于划分结果统计每一时间片对应的历史通行特征;
在步骤S204中,基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
在步骤S205中,将所述历史索引及其对应的所述历史索引值关联存储至数据库,以便通过比较当前时间段的当前索引对应的已知通行特征与所述历史索引对应的历史通行特征之间的相似性,获得预测时间段的预测通行特征。
本实施例中,道路(link)可以是根据实际道路划分的有向逻辑道路单元中的其中一个,每个道路可以具有独立的道路标识,每个道路可以包含一个入口和一个出口。目标道路可以是任意一个道路。
道路的通行特征可以用于描述道路的路况信息,例如道路的通畅情况。在一些实施例中,道路的通行特征可以包括但不限于道路的通行速度、道路的通行时间等。在一些实施例中,道路的通行速度可以是运载工具在该条道路上的平均通行速度,道路通行时间可以是运载工具在该道路上的平均通行时间。
在一些实施例中,历史时间段可以是分钟级别、小时级别、天级别、周级别或者特征日级别(特征日例如可以是工作日、周末、节假日)等的时间段。当前时间段也可以是分钟级别、小时级别、天级别或者特征日级别(特征日例如可以是工作日、周末、节假日等)的时间段。在一些实施例中,历史时间段和当前时间段的长度可以对应一致,或者历史时间段长于当前时间段,并且历史时间段和当前时间段的长度可以以分钟、小时、天、周或特征日等为单位进行衡量。例如,历史时间段可以为最近几个月中包括5个工作日的时间段,而当前时间段可以是包括当前时间在内的5天或少于5天的工作日时间段。
在一些实施例中,历史时间段之后的一设定时间段可以是相继历史时间段的一段时间,历史时间段之后的一设定时间段可以是分钟级别、小时级别、天级别、周级别或者特征日级别(特征日例如可以是工作日、周末、节假日)等的时间段,预测时间段可以是相继当前时间段的一段时间,当前时间段可以是包括当前时间的一段时间,而预测时间段可以是当前时间之后的一段时间,比如当前时间的后几分钟、后几个小时、后几日、后几周等,预测时间段也可以是分钟级别、小时级别、天级别、周级别或者特征日级别(特征日例如可以是工作日、周末、节假日)等的时间段。在一些实施例中,预测时间段与历史时间段之后的一设定时间段的长度可以对应一致,或者预测时间段长于历史时间段之后的一设定时间段。
下面举例说明历史时间段、历史时间段之后的一设定时间段、当前时间段和预测时间段。假如,当前要预测的是下一日的道路通行特征,那么预测时间段则是下一日(可以是下一日24小时,也可以是下一日白天12个小时),而当前时间段可以是包括当日在内的过去几天,比如包括当日的过去四天,而历史时间段则可以是历史上的连续四天时间。假如过去三天、当日以及下一日均是本周的工作日,且当前时间段为包括当日在内的4个工作日,而预测时间段为下一日,也即下一工作日,则历史时间段可以是上周前四个工作日、上上周前四个工作日、……等;而历史时间段之后的一设定时间段可以是上周最后一个工作日、上上周最后一个工作日,……等。
本公开实施例中,为了预测预测时间段内目标道路上的预测通行特征,可以将当前时间段内的已知通行特征与历史时间段内的第一历史通行特征进行对比,如果当前时间段内的已知通行特征与某一个历史时间段内的第一历史通行特征较为相似,可以确定预测时间段内的预测通行特征与该历史时间段之后的一设定时间段的第二历史通行特征大概率相似,因此可以基于历史时间段之后的一设定时间段的第二历史通行特征确定预测时间段的道路通行特征的预测值。
历史通行特征可以预先确定并存储在数据库中。在建立数据库的过程中,可以预先基于历史轨迹数据,针对每条道路建立索引数据库。该索引数据库包括道路对应的历史索引以及历史索引对应的历史索引值。历史轨迹数据可以包括在一段时间内经过道路的全部或者部分运载工具的历史轨迹。
下面以其中一条道路也即目标道路为例进行说明。
针对目标道路,可以收集过去一段时间比如近一年、近几个月等,经过目标道路的运载工具的轨迹数据。另外,还可以按照预先设定的时间片的长度将每天(可以是一天24个小时,也可以是白天12个小时)划分成多个时间片,并统计每个时间片内内的历史轨迹数据,也即将历史轨迹数据按照时间片进行划分,并统计划分至每个时间片内的历史轨迹数据对应的历史通行特征。统计历史通行特征的过程中,可以针对划分至每个时间片的历史轨迹数据计算经过该目标道路时每个运载工具的通行特征,例如该条历史轨迹数据对应运载工具在该目标道路上的通行时间或者通行速度。
针对每个时间片,可以基于每条历史轨迹数据对应的通行特征计算得到该时间片对应的历史通行特征,也即通过计算时间片内所有历史轨迹数据对应的通行特征的平均值获得时间片对应的历史通行特征。
在确定了每一时间片对应的历史通行特征之后,可以建立历史索引以及该历史索引对应的历史索引值。
需要说明的是,上述历史索引可以定期更新。在线预测过程中,针对目标道路预测预测时间段的预测通行特征时,可以基于上述方式获得当前时间段对应的已知通行特征。需要说明的是,当前时间段的时间范围可以基于实际需要选择,例如可以选择当前时间段的时间范围为当天,或者包括当天在内的近m天。在确定了当前时间段对应的已知通行特征后,将当前时间段对应的已知通行特征与历史时间段的第一历史通行特征进行相似性比较。而历史时间段的时间范围可以基于当前时间段来选择,比如当前时间段的时间范围为m天,则历史时间段也可以选择m天。在相似性比较的时候,可以将当前时间段对应的m天的通行特征构成的已知通行特征序列与历史索引中m天的历史通行特征序列进行相似性比较,可以从数据库中第1天开始选择m天对应的历史索引进行比较,也可以从数据库中第i天开始选择m天对应的历史索引进行比较。
为了预测预测时间段内目标道路上的预测通行特征,本公开实施例将当前时间段内的已知通行特征与多个历史时间段内的第一历史通行特征进行相似性比较,并从多个历史时间段确定通行特征最为相似的一个历史时间段,进而再使用该最为相似的历史时间段之后的一设定时间段的第二历史通行特征获得预测时间段的预测通行特征。需要说明的是,当前时间段可以是包括当日的一段时间,以及当前时间段的已知通行特征基于运载工具在目标道路上的真实轨迹统计得到。当然可以理解的是,历史时间段对应的第一历史通行特征和历史时间段之后的一设定时间段对应的第二历史通行特征也均基于运载工具在目标道路上的真实轨迹统计得到。
本公开实施例中在预测预测时间段内目标道路上的道路通行特征时,通过获取目标道路在当前时间段内的当前索引,该当前索引包括目标道路在当前时间段内的已知通行特征;并将该当前索引与数据库预先存储的历史时间段内的历史索引进行相似性比较,该历史索引包括目标道路在历史时间段内的第一历史通行特征,历史索引值包括目标道路在历史时间段之后的一设定时间段内的第二历史通行特征;进而基于最为相似的历史时间段对应的历史索引值预测预测时间段内目标道路的预测通行特征。本公开实施例通过筛选出与当前时间段的已知通行特征最为相似的历史时间段,并基于该筛选出的历史时间段之后的一设定时间段的第二历史通行特征预测预测时间段的预测通行特征,由于用于预测的历史时间段不固定为历史上的同期时间段,而可能是距离当前时间最近的一段时间,因此可以避免由于道路受时间因素的影响而使得道路通行特征发生较大变化时,道路通行特征预测不准确的情况。
在本实施例的一个可选实现方式中,所述历史索引包括按时序排列的多个时间片对应的第一历史通行特征序列;所述历史索引值包括按时序排列的多个时间片对应的第二历史通行特征序列;所述当前索引包括按时序排列的多个时间片对应的已知通行特征序列;所述预测通行特征包括按时序排列的多个时间片对应的预测通行特征序列。
该可选的实现方式中,通行特征通常采用平均通行特征,也即通过收集一段时间内经过目标道路的多个运载工具的通行特征,进而再计算平均值得到相应的通行特征,通行特征可以包括但不限于通行时间和通行速度。
为了使得所预测的通行特征更加准确,本公开实施例将时间段(包括历史时间段、历史时间段之后的一设定时间段、当前时间段、预测时间段)划分成多个时间片,针对每个时间片统计运载工具在该目标道路上的平均通行特征。在一些实施例中,一个时间片可以是分钟级别的。例如,对于1个小时而言,假如一个时间片为5分钟,则该1个小时包括12个时间片,而该1个小时对应的通行特征包括12个平均通行特征构成的序列,可以表示为{v1,v2,……,v12},其中,v1用于表示第一个时间片也即前5分钟对应的通行特征,而v2表示第二个5分钟对应的通行特征,v12表示一个小时内最后一个5分钟对应的通行特征。
在一些实施例中,为了便于检索,历史索引包括的第一历史通行特征序列的元素数目和当前索引包括的已知通行特征序列的元素数目相同,也即第一历史通行特征序列和已知通行特征序列中的元素一一对应;而相应地,历史时间段中的时间片数目和当前时间段中的时间片数目也相同。在另一些实施例中,历史时间段中的时间片长度和当前时间段中的时间片长度也可以相同。
在一些实施例中,历史索引值包括的第二历史通行特征序列的元素数目和预测通行特征序列的元素数目相同,也即第二历史通行特征序列和预测通行特征序列中的元素一一对应。相应地,历史时间范围之后的一设定时间段内的时间片数目和需要预测通行特征的预测时间段内的时间片数目也相同。在另一些实施例中,历史时间范围之后的一设定时间段中的时间片长度和预测时间段中的时间片长度也相同。例如,在5天小长假中,前2天对应的历史索引包括目标道路在该前2天对应的第一历史通行特征,而历史索引值则为该5天小长假中目标道路在第3天对应的第二历史通行特征;假如一天按照白天12个小时进行时间片划分,而每个时间片为5分钟,则一天可以被划分成144个时间片,那么上述小长假的前2天的历史索引则可以包括144*2=288个时间片对应的第一历史通行特征,历史索引值则包括第3天中144个第二历史通行特征,也即该前2天的历史索引包括由288个第一历史通行特征构成的序列,而历史索引值则包括由144个第二历史通行特征构成的序列。
在一些实施例中,可以通过将第二历史通行特征序列直接预测为预测通行特征序列的方式得到预测时间段的预测通行特征。而在另一些实施例中,预测得到的预测通行特征序列可以与第二历史通行特征序列不一致,例如预测得到的预测通行特征序列可以是在第二历史通行特征序列基础上考虑其他因素影响而得到的结果。
在本实施例的一个可选实现方式中,所述历史通行特征、所述已知通行特征和/或所述预测通行特征包括道路通行速度和道路通行时间。
图3示出根据本公开一实施方式在节假日道路速度预测场景中的应用示意图。如图3所示,该场景中,首先构建索引数据库,该索引数据库包含两个部分:索引以及索引对应的值。如表1所示,其中第一列表示的是索引,在本实施例中指我们的方案里指节假日前的通行速度序列,第二列表示的是该索引对应时间范围的后一段时间的通行速度序列或者通行速度序列对应的均值。
其次,计算当前时间段和历史时间段对应的历史索引中通行速度序列或通行时间序列的相似度,假设当前时间段的已知通行速度序列为{v′k},k为正整数;k的最大值为当前时间段对应的时间片数量;计算数据库中每个历史时间段对应的历史通行速度序列与当前时间段的已知通行速度序列的相似度值,在历史时间段对应的历史索引为n条时,总共可以得到n个相似度值S1、S2、……Sn,如下表2所示:
表2:
索引 | 当前序列 | 相似度值 |
{v<sub>i</sub>},v<sub>i</sub>∈V<sub>1</sub> | {v′<sub>k</sub>} | s<sub>1</sub> |
...... | {v′<sub>k</sub>} | ...... |
...... | {v′<sub>k</sub>} | ...... |
...... | {v′<sub>k</sub>} | ...... |
...... | {v′<sub>k</sub>} | ...... |
...... | {v′<sub>k</sub>} | ...... |
{v<sub>i</sub>},v<sub>i</sub>∈V<sub>n</sub> | {v′<sub>k</sub>} | s<sub>n</sub> |
基于上述相似度值可以得到预测时间段内道路的通行速度序列,可以按下方公式计算:
图4示出根据本公开一实施方式的通行特征预测方法在导航场景中的应用示意图。如图4所示,索引服务器从导航服务器获取近一年来目标道路上运载工具的历史轨迹数据。索引数据库按照5分钟一个时间片,将每天的上述历史轨迹数据按照时间片进行划分,统计每个时间片对应的通行速度或者通行时间。最终得到近一年来每天中所有时间片对应的通行速度或者通行时间序列,将每天对应的所有通行速度或者通行时间序列作为索引,而该天下一日的通行速度或者通行时间序列作为索引值构建索引数据库。
导航服务器接收到导航设备A的道路规划请求,该道路规划请求包括下一日从城市B至城市C的路线以及行驶时间的请求信息;导航服务器基于该道路规划请求向索引服务器请求从城市B至城市C的路线涉及的一条或多条道路在下一日的通行速度预测值。索引数据库在接收到上述请求之后,基于索引数据库中的历史索引及其索引值预测得到该一条或多条道路的通行速度预测值,并将其返回给导航服务器。导航服务器基于接收到的通行速度预测值形成下一日从城市B至城市C的规划路线以及预计通行时间后,返回给导航设备A。
根据本公开一实施方式中利用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通行特征预测方法预测目标道路在预测时间段的预测通行特征,并基于预测得到的所述预测通行特征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:实时交通预测、导航路线规划或者导航路线ETA预测。
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,终端是手机、ipad、电脑、智能手表、车辆等。本公开实施例,可以针对任意道路或者预先选中的道路例如热门道路利用上文提及的方法预测路口在未来一段时间的通行特征,进而在基于位置的服务过程中,可以使用该通行特征为被服务对象提供更精准的位置服务,例如实时交通预测、导航路线规划或者导航路线ETA(预计到达时间)预测。
被服务对象可以是手机、ipad、电脑、智能手表、车辆、机器人等。在为被服务对象提供实时交通预测服务、导航路线规划服务和/或导航路线ETA(预计到达时间)预测服务时,可以基于上述方法获得道路的通行特征,进而在实时交通预测、导航路线规划时基于通行特征预测被服务对象在路段上的通行时间、通行速度等,以及在ETA预测时,基于通行时间、通行速度等预测到达导航目的地的时间,具体细节可以参见上述对道路拥堵预测方法的描述,在此不再赘述。
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。
根据本公开一实施方式的通行特征预测装置,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。该通行特征预测装置包括:
第一获取模块,被配置为获取目标道路在当前时间段内的当前索引;所述当前索引包括所述目标道路的已知通行特征;
比较模块,被配置为将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引;其中,所述历史索引及其对应的历史索引值预先关联存储在数据库中,所述历史索引包括所述目标道路的第一历史通行特征;所述历史索引值包括所述历史时间段之后的一设定时间段内所述目标道路的第二历史通行特征;
第一确定模块,被配置为基于所述目标索引对应的所述历史索引值确定所述预测时间段内所述目标道路的预测通行特征。
在本实施例的一个可选实现方式中,所述历史索引包括所述目标道路的第一历史通行特征,具体为:按时序排列的多个时间片对应的第一历史通行特征序列;
所述历史索引值包括所述目标道路的第二历史通行特征,具体为:按时序排列的多个时间片对应的第二历史通行特征序列;
所述当前索引包括已知通行特征序,具体为:按时序排列的多个时间片对应的已知通行特征序列;
所述预测通行特征具体为:按时序排列的多个时间片对应的预测通行特征序列。
在本实施例的一个可选实现方式中,所述历史索引包括多个历史时间段对应的多个历史索引,所述比较模块,包括:
获取子模块,被配置为针对每一所述历史时间段对应的所述历史索引,将所述第一历史通行特征序列和所述当前通行特征序列中,相同时间片对应的序列元素进行相似性比较,以获得所述序列元素的相似度值并计算所述多个相似度值的平均值;
确定子模块,被配置为将所述平均值最大的所述历史索引确定为与所述当前索引相似度最大的目标索引。
在本实施例的一个可选实现方式中,所述装置还包括:
第二获取模块,被配置为获取目标道路上运载工具的历史轨迹数据;
第一划分模块,被配置为将所述历史轨迹数据按照时间片进行划分;
第一统计模块,被配置为基于划分结果统计每一时间片对应的历史通行特征;
第一建立模块,被配置为基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
第一存储模块,被配置为将所述历史索引及其对应的所述历史索引值关联存储至数据库。
在本实施例的一个可选实现方式中,所述装置还包括:
第二确定模块,被配置为确定预测时间段的时间画像特征;
第三确定模块,被配置为确定与所述预测时间段的时间画像特征对应一致的多个历史时间段。
在本实施例的一个可选实现方式中,所述历史通行特征、所述已知通行特征和/或所述预测通行特征包括道路通行速度和道路通行时间。
本实施例中通行特征预测装置与上文中图1及相关实施例所描述的通行特征预测方法对应一致,具体细节可以参见上文中对图1及相关实施例所描述的通行特征预测方法,在此不再赘述。
根据本公开一实施方式的通行特征预测装置,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。该通行特征预测装置包括:
第三获取模块,被配置为获取目标道路上运载工具的历史轨迹数据;
第二划分模块,被配置为将所述历史轨迹数据按照时间片进行划分;
第二统计模块,被配置为基于划分结果统计每一时间片对应的历史通行特征;
第二建立模块,被配置为基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
第三存储模块,被配置为将所述历史索引及其对应的所述历史索引值关联存储至数据库,以便通过比较当前时间段的当前索引对应的已知通行特征与所述历史索引对应的历史通行特征之间的相似性,获得预测时间段的预测通行特征。
本实施例中通行特征预测装置与上文中图2及相关实施例所描述的通行特征预测方法对应一致,具体细节可以参见上文中对图2及相关实施例所描述的通行特征预测方法,在此不再赘述。
根据本公开一实施方式的基于位置的服务提供装置,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。该基于位置的服务提供装置利用上述通行特征预测装置预测目标道路在预测时间段的预测通行特征,并基于预测得到的所述预测通行特征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:实时交通预测、导航路线规划或者导航路线ETA预测中的一种或多种。
本实施例中通行特征预测装置与上文中相关实施例所描述的基于位置的服务提供方法对应一致,具体细节可以参见上文中相关实施例所描述的基于位置的服务提供方法,在此不再赘述。
图5是适于用来实现根据本公开实施方式的通行特征预测方法和/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5所示,电子设备500包括处理单元501,其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元501可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503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RAM503中,还存储有电子设备500操作所需的各种程序和数据。处理单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;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507;包括硬盘等的存储部分508;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509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,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510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508。
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509从网络上被下载和安装,和/或从可拆卸介质511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)
1.一种通行特征预测方法,其中,包括:
获取目标道路在当前时间段内的当前索引;所述当前索引包括所述目标道路的已知通行特征;
将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引;其中,所述历史索引及其对应的历史索引值预先关联存储在数据库中,所述历史索引包括所述目标道路的第一历史通行特征;所述历史索引值包括所述历史时间段之后的一设定时间段内所述目标道路的第二历史通行特征;
基于所述目标索引对应的所述历史索引值确定预测时间段内所述目标道路的预测通行特征。
2.根据权利要求1所述的方法,其中,
所述历史索引包括所述目标道路的第一历史通行特征,具体为:按时序排列的多个时间片对应的第一历史通行特征序列;
所述历史索引值包括所述目标道路的第二历史通行特征,具体为:按时序排列的多个时间片对应的第二历史通行特征序列;
所述当前索引包括已知通行特征序,具体为:按时序排列的多个时间片对应的已知通行特征序列;
所述预测通行特征具体为:按时序排列的多个时间片对应的预测通行特征序列。
3.根据权利要求2所述的方法,其中,所述历史索引包括多个历史时间段对应的多个历史索引,将所述当前索引与历史时间段内的历史索引进行相似性比较,确定与所述当前索引相似度最大历史索引作为目标索引,包括:
针对每一所述历史时间段对应的所述历史索引,将所述第一历史通行特征序列和所述当前通行特征序列中,相同时间片对应的序列元素进行相似性比较,以获得所述序列元素的相似度值并计算所述多个相似度值的平均值;
将所述平均值最大的所述历史索引确定为与所述当前索引相似度最大的目标索引。
4.根据权利要求1-3任一项所述的方法,其中,所述方法还包括:
获取目标道路上运载工具的历史轨迹数据;
将所述历史轨迹数据按照时间片进行划分;
基于划分结果统计每一时间片对应的历史通行特征;
基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
将所述历史索引及其对应的所述历史索引值关联存储至数据库。
5.根据权利要求1-3任一项所述的方法,其中,所述方法还包括:
确定预测时间段的时间画像特征;
确定与所述预测时间段的时间画像特征对应一致的多个历史时间段。
6.根据权利要求1-3任一项所述的方法,其中,所述历史通行特征、所述已知通行特征和/或所述预测通行特征包括道路通行速度和道路通行时间。
7.一种通行特征预测方法,其中,包括:
获取目标道路上运载工具的历史轨迹数据;
将所述历史轨迹数据按照时间片进行划分;
基于划分结果统计每一时间片对应的历史通行特征;
基于所述历史通行特征建立多个历史索引以及每个所述历史索引对应的历史索引值;
将所述历史索引及其对应的所述历史索引值关联存储至数据库,以便通过比较当前时间段的当前索引对应的已知通行特征与所述历史索引对应的历史通行特征之间的相似性,获得预测时间段的预测通行特征。
8.一种基于位置的服务提供方法,其中,该基于位置的服务提供方法利用权利要求1-6任一项所述的方法预测目标道路在预测时间段的预测通行特征,并基于预测得到的所述预测通行特征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:实时交通预测、导航路线规划或者导航路线ETA预测中的一种或多种。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210323612.9A CN114840618A (zh) | 2022-03-29 | 2022-03-29 | 通行特征预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210323612.9A CN114840618A (zh) | 2022-03-29 | 2022-03-29 | 通行特征预测方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114840618A true CN114840618A (zh) | 2022-08-02 |
Family
ID=82564388
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210323612.9A Pending CN114840618A (zh) | 2022-03-29 | 2022-03-29 | 通行特征预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114840618A (zh) |
-
2022
- 2022-03-29 CN CN202210323612.9A patent/CN114840618A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108286980B (zh) | 一种预测目的地和推荐驾驶路线的方法 | |
Xu et al. | Bus arrival time prediction with real-time and historic data | |
CN108734955B (zh) | 预测路况状态的方法及装置 | |
CN110491158B (zh) | 一种基于多元数据融合的公交车到站时间预测方法及系统 | |
CN102297700B (zh) | 用于时间相关的路线计划的方法和导航装置 | |
WO2020237710A1 (en) | Systems and methods for route planning | |
US7538690B1 (en) | Method of collecting parking availability information for a geographic database for use with a navigation system | |
CN105589939B (zh) | 识别群体运动轨迹方法和装置 | |
CN109544929B (zh) | 一种基于大数据的车辆低碳控制与诱导方法、系统、设备和存储介质 | |
Huang et al. | Travel time prediction using tree-based ensembles | |
CN113723191B (zh) | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 | |
Fayazi et al. | Crowdsourcing phase and timing of pre-timed traffic signals in the presence of queues: Algorithms and back-end system architecture | |
US10489431B2 (en) | Digital location-based data methods and product | |
JPWO2017168651A1 (ja) | 人口推定装置、プログラム及び人口推定方法 | |
CN110874668A (zh) | 一种轨道交通od客流预测方法、系统及电子设备 | |
AU2018217973A1 (en) | Dynamic selection of geo-based service options in a network system | |
CN114840618A (zh) | 通行特征预测方法、电子设备及存储介质 | |
CN110619748A (zh) | 基于交通大数据的交通状况分析与预测方法、装置及系统 | |
CN110986992A (zh) | 无人售卖车辆的导航方法、装置、电子设备和存储介质 | |
CN114781243A (zh) | Eta预测及模型训练方法、设备、介质及产品 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
EP3809344A1 (en) | Information processing apparatus, non-transitory storage medium, and system for routing vehicles to areas with high demand | |
US11250363B2 (en) | Resource allocation using scalable non-myopic atomic game for smart parking and other applications | |
Li et al. | Near-optimal fixed-route scheduling for crowdsourced transit system | |
CN114999143B (zh) | 红灯时长挖掘方法、电子设备及计算机程序产品 |
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 |