CN114926980A - 交通数据挖掘方法、装置、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交通数据挖掘方法、装置、电子设备及计算机程序产品，所述方法包括：获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。该技术方案能够提高路口红绿灯变灯时间的预测准确度。

Description

交通数据挖掘方法、装置、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，具体涉及一种交通数据挖掘方法、装置、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，红绿灯的周期时长以及变灯时间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，如果能够将前方路口红绿灯的状态变化提前告知用户，用户可以据此提前做出驾驶动作(比如提前刹车、保持车速等)，能够降低不必要的油耗，缓解用户的通行焦虑，并提高路口通行效率。已有技术中，红绿灯的状态变化通常依赖于交管局提供的红绿灯周期等，但是这种方式能够获得的红绿灯数据覆盖的路口范围有限，并且无法做到实时更新，容易导致用户获知的红绿灯变灯时间不够准确。因此，需要提出一种解决方案，用于挖掘红绿灯的变灯时间，以扩大红绿灯数据覆盖的路口范围，以及提高红绿灯数据的准确率。

发明内容

本公开实施例提供一种交通数据挖掘方法、装置、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交通数据挖掘方法，其中，包括：

获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；

基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；

输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。

进一步地，基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间，包括：

基于所述通行轨迹数据确定所述预测前时间范围的历史时段内的各个时刻，通过所述目标红绿灯路口的通行对象的第一变化数量；

基于所述第一变化数量的峰值周期确定候选周期长度范围；

针对所述候选周期长度范围内选取的候选周期长度对应的候选偏移时间，确定所述候选周期长度及所述候选偏移时间形成的候选周期组合所对应的周期开始时以及周期结束时所述通行对象的第二变化数量；

基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间。

进一步地，基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间，包括：

将所述第二变化数量符合预设条件的所述候选周期组合中的候选周期长度确定为所述红绿灯周期，以及将所述第二变化数量符合预设条件的所述候选周期组合中的候选偏移时间确定为所述红绿灯周期对应的一个变灯偏移时间。

进一步地，所述方法还包括：

基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间；所述第一目标轨迹数据包括所述预测前时间范围的历史时段内在所述目标红绿灯路口前存在先停止后启动动作的通行轨迹数据；

基于所述预测变灯时间矫正相应的所述变灯偏移时间。

进一步地，基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间，包括：

确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间。

进一步地，所述方法还包括：

获取所述预测时段内通行对象已产生的第二目标轨迹数据；

基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间；所述第二目标轨迹数据包括所述目标红绿灯路口前存在先停止后启动动作的轨迹数据；

利用所述实际变灯时间对所述预测时段对应的所述变灯偏移时间进行校验。

进一步地，基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间，包括：

确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测时段内所述目标红绿灯路口的所述实际变灯时间。

第二方面，本公开实施例中提供了一种交通预测模型训练方法，其中，包括：

获取样本红绿灯路口的样本数据；所述样本数据包括历史时间范围的历史时段内经过所述样本红绿灯路口的通行轨迹数据；

基于所述通行轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

将所述历史时间范围内连续多天的历史时段内的所述变灯偏移时间作为输入，将所述连续多天的后一天历史时段内的所述变灯偏移时间作为标签，训练交通预测模型。

进一步地，所述方法还包括：

基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间；所述目标轨迹数据包括所述历史时间范围的历史时段内在所述样本红绿灯路口前存在先停止后启动动作的通行轨迹数据；

基于所述预测变灯时间矫正相应的所述变灯偏移时间。

进一步地，基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间，包括：

确定所述目标轨迹数据对应的通行对象在所述样本红绿灯路口停车时的停止参数；

确定所述目标轨迹数据对应的车辆在所述样本红绿灯路口从停车至有速度后的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间。

第三方面，本公开实施例中提供了一种导航服务方法，包括：利用权利要求第一方面所述的方法挖掘的目标红绿灯路口的红绿灯周期及变灯偏移时间，为被服务对象提供动态交通服务。

第四方面，本公开实施例中提供了一种交通数据挖掘装置，其中，包括：

第一获取模块，被配置为获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；

第一确定模块，被配置为基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

第二获取模块，被配置为将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；

输出模块，被配置为输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。

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：

本公开实施例中，针对目标红绿灯路口收集预测前时间范围的历史时段内经过该路口的通行轨迹数据，并基于通行轨迹数据确定该预测前时间范围的历史时段内该目标红绿灯路口的红绿灯周期以及红绿灯周期对应的变灯偏移时间，基于该预测前时间范围的历史时段内变灯偏移时间以及预训练的交通预测模型可以确定预测时间范围的预测时段内的变灯偏移时间。通过本公开实施例，可以基于经过路口的通行轨迹数据确定该红绿灯路口的红绿灯周期以及变灯偏移时间，并利用预测前时间范围的历史时段内变灯偏移时间估计预测时间范围相同时段的变灯偏移时间，从而能够提高路口红绿灯变灯时间的预测准确度；另外该方式仅依赖于通行轨迹数据，实时性较好，能够扩大路口覆盖范围。

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交通数据挖掘方法的流程图；

图2A示出根据本公开一实施方式的定时周期红绿灯路口的通行对象进入时间聚合示意图；

图2B示出根据本公开一实施方式的非定时周期红绿灯路口的通行对象进入时间聚合示意图；

图3示出根据本公开一实施方式的通行对象的数量变化梯度图；

图4示出了本公开实施例的变灯时间矫正模型的一种实现示意图；

图5示出根据本公开一实施方式的交通数据挖掘方法的流程图；

图6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7是适于用来实现根据本公开一实施方式的交通数据挖掘方法、交通预测模型训练方法以及导航服务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交通数据挖掘方法的流程图。如图1所示，该交通数据挖掘方法包括以下步骤：

在步骤S101中，获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；

在步骤S102中，基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

在步骤S103中，将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；

在步骤S104中，输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。

本实施例中，该交通数据挖掘方法可以在服务器上离线执行。特征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。预测前时间范围的历史时段内的特征数据可以包括该预测前时间范围的历史时段内经过该目标红绿灯路口的所有或者部分通行对象的通行轨迹数据。通行对象可以是机动车辆、非机动车辆、能够在道路上行驶的机器设备等。在一些实施例中，通行对象可以携带GPS并行驶在道路上，并且该通行对象的GPS数据可以回传至服务器中。预测前时间范围可以是过去连续多天，历史时段可以是该过去连续多天中相同的任意一个或多个时段，例如一周内每天早上8点-10点的2个时段。预测时间范围可以是未来的一天或多天，预测时段可以是历史时段的相同时段，比如预测前时间范围为过去一周7天，历史时段可以是该7天内的A时段，预测时间范围可以是明天一天，预测时段可以是明天的A时段。

目标红绿灯路口可以是目标红绿灯所在路口。在一些实施例中，目标红绿灯路口可以是定时周期红绿灯路口，定时周期红绿灯路口可以理解为一天中至少有一段时间内红绿灯周期是固定不变的。

在一些实施例中，可以针对任意的红绿灯路口收集通行轨迹数据，进而基于收集到的通行轨迹数据推测通行对象进入该红绿灯路口的时间。统计预测前时间范围的历史时段内全部或部分通行对象进入该红绿灯路口的数量，可以得到该红绿灯路口的通行对象进入时间聚合图，如图2A和图2B所示。图2A示出根据本公开一实施方式的定时周期红绿灯路口的通行对象进入时间聚合示意图，而图2B示出根据本公开一实施方式的非定时周期红绿灯路口的通行对象进入时间聚合示意图。通过聚类算法，可以基于通行对象进入红绿灯路口的数量，区分出定时周期红绿灯路口和非定时周期红绿灯路口，从而将定时周期红绿灯路口确定为目标红绿灯路口。

也就是说，目标红绿灯路口为定时周期红绿灯路口，即目标红绿灯路口的红绿灯周期在至少一段时间内固定不变。在一些实施例中，可以通过统计一段时间范围内进入红绿灯路口的通行对象数量判断该红绿灯路口是否为定时周期红绿灯路口。

通行轨迹数据可以是GPS轨迹，包括时间、位置以及速度等信息。

本公开实施例中，由于目标红绿灯路口为定时周期红绿灯路口，所以通过该目标红绿灯路口的通行对象的数量是周期性变化的，因此基于通行轨迹数据可以统计分析通行对象在预测前时间范围的历史时段内经过目标红绿灯路口的数量变化情况，进而再基于该数量变化情况可以确定目标红绿灯路口的红绿灯周期以及每个红绿灯周期对应的变灯偏移时间。也就是说，本公开实施例中基于通行轨迹数据中通行对象的数量的周期性变化特征预测目标红绿灯路口的红绿灯周期以及每个红绿灯周期对应的变灯偏移时间。

在一些实施例中，红绿灯周期可以包括但不限于红灯变绿灯的周期、绿灯变红灯的周期和/或两相邻红灯或两相邻绿灯之间的周期等。变灯偏移时间可以理解为该预测前时间范围的历史时段内一个红绿灯周期的开始时间，该开始时间例如可以是红灯变绿灯的时间和/或绿灯变红灯的时间。需要说明的是，预测前时间范围的历史时段可以包括多个红绿灯周期，并且每个红绿灯周期的时长固定不变；预测前时间范围的历史时段内的变灯偏移时间可以是该预测前时间范围的历史时段内第一个红绿灯周期相对于该预测前时间范围的历史时段的起始时刻的时间偏移。举例说明：假如预测前时间范围的历史时段为某天的下午3点-4点，而该一个小时时段中的红绿灯周期为1分钟，变灯偏移时间可以为第一个红绿灯周期的开始时间，如3点20秒。

通过上述方式，可以获取连续多天同一时段内的变灯偏移时间。需要说明的是，同一目标红绿灯路口的红绿灯周期在连续多天的同一时段内可以是相同的，然而考虑到不同时段该目标红绿灯路口的红绿灯周期可能是不同的(例如平峰期和高峰期的红绿灯周期可能有所不同)，或者每天每个时间段该目标红绿灯路口的红绿灯周期即使是相同的，如果一天的总时长不能整除红绿灯周期的话，每天同一时段内红绿灯周期对应的变灯偏移时间也可能是不一致的，因此可以通过上述方式确定一个周期内连续多天该同一时段内的变灯偏移时间，并将该连续多天对应的变灯偏移时间序列作为交通预测模型的输入，进而由该变灯时间模型输出该连续多天之后一天或多天同一时段内的变灯偏移时间。

在一些实施例中，该变灯偏移预测模型可以是机器学习模型，例如可以是神经网络模型、自回归模型等。该变灯偏移预测模型可以预先训练得到。样本数据的收集与上文中提到的目标红绿灯的通行轨迹数据类似，并且对收集到的样本数据的处理过程与目标红绿灯的通行轨迹数据的处理也类似，细节可以参见上文中的描述，在此不再赘述。

在训练得到交通预测模型之后，可以利用该交通预测模型，基于过去多天的红绿灯变灯偏移时间预测未来一天或多天的红绿灯变灯偏移时间。

举例说明，可以收集过去7天经过某个红绿灯路口的车辆轨迹数据，从而基于上述方法从车辆轨迹数据提取出过去7天每个时段(假设一个时段为1个小时)的红绿灯周期以及变灯偏移时间，之后将该7天任意一个时段的变灯偏移时间序列输入至上述交通预测模型，得到第二天该时段的变灯偏移时间，从而可以挖掘出第二天所有时段的红绿灯周期(该红绿灯周期可以与过去7天的红绿灯周期相同)以及变灯偏移时间。在第二天的动态交通服务过程中，可以基于该挖掘出的红绿灯周期以及变灯偏移时间为用户提供动态交通服务，例如预先告知车辆前方红绿灯的变灯时间、当前路段的预测通行时间等。

本公开实施例中，针对目标红绿灯路口收集预测前时间范围的历史时段内经过该路口的通行轨迹数据，并基于通行轨迹数据确定该预测前时间范围的历史时段内该目标红绿灯路口的红绿灯周期以及红绿灯周期对应的变灯偏移时间，基于该预测前时间范围的历史时段内变灯偏移时间以及预训练的交通预测模型可以确定预测时间范围的预测时段内的变灯偏移时间。通过本公开实施例，可以基于经过路口的通行轨迹数据确定该红绿灯路口的红绿灯周期以及变灯偏移时间，并利用预测前时间范围的历史时段内变灯偏移时间估计预测时间范围相同时段的变灯偏移时间，从而能够提高路口红绿灯变灯时间的预测准确度；另外该方式仅依赖于通行轨迹数据，实时性较好，能够扩大路口覆盖范围。

在本实施例的一个可选实现方式中，步骤S102，即基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间的步骤，进一步包括以下步骤：

基于所述通行轨迹数据确定所述预测前时间范围的历史时段内的各个时刻，通过所述目标红绿灯路口的通行对象的第一变化数量；

基于所述第一变化数量的峰值周期确定候选周期长度范围；

针对所述候选周期长度范围内选取的候选周期长度对应的候选偏移时间，确定所述候选周期长度及所述候选偏移时间形成的候选周期组合所对应的周期开始时以及周期结束时所述通行对象的第二变化数量；

基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间。

该可选的实现方式中，基于通行轨迹数据可以确定产生该条通行轨迹数据的通行对象经过目标红绿灯路口的时间。在一些实施例中，可以预先确定目标红绿灯路口的边界范围，该条通行轨迹数据中与该边界范围相交的轨迹点对应的时间可以确定为通行对象经过该目标红绿灯路口的时间。

通过该时间可以统计出该预测前时间范围的历史时段内每一时刻比如每一秒前后一段时间(例如该时刻前20秒以及后20秒)通行对象的第一变化数量。例如，第一变化数量为每一时刻后20秒的通行对象的数量与前20秒通行对象的数量之差。

在一些实施例中，可以通过计算第一变化数量的梯度，得到如图3所示的曲线图，该曲线图为通行对象的数量变化梯度图。该曲线的峰值可以认为是红灯变绿灯的时间点，连续两个峰值之间的时长可以认为是红绿灯周期。

在基于上述方式计算出历史时段(比如一个小时或者更长时间)内所有的红绿灯周期后，如果该红绿灯周期偏差小于设定阈值，则可以被认为该历史时段内都是相同的红绿灯周期。

之后，可以通过遍历所有可能的红绿灯周期，也即候选周期，选出最为可能的红绿灯周期以及该红绿灯周期对应的变灯偏移时间。

在一些实施例中，可以通过上述曲线图中第一变化数量的峰值周期来确定候选周期，例如可以确定第一变化数量的峰值周期的最大长度和最小长度，将最小长度至最大长度限定的范围确定为候选周期长度范围，并将该候选周期长度范围内的每一长度(周期长度之间的间隔可以是秒级的)确定为候选周期长度，而将该候选周期长度内的每一时刻(比如每秒或者更短/长)确定为该候选周期长度内的候选偏移时间。

经过上述处理，可以针对候选周期长度范围选取多个候选周期长度，而每一候选周期长度对应多个候选偏移时间，因此候选周期长度和候选偏移时间可以构成多种候选周期组合。

针对每一组合，可以统计候选偏移时间对应的该候选周期开始后一段时间内的通行对象数量与该候选周期结束后一段时间内的通行对象数量之差，也即第二变化数量。

基于该第二变化数量可以从候选周期组合中选出最为可能的红绿灯周期以及变灯偏移时间。最为可能的红绿灯周期以及变灯偏移时间的选取原则是：在绿灯开始后有最多的通行对象通过，红灯结束前有最少的通行对象通过。

在本实施例的一个可选实现方式中，基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间的步骤，进一步包括以下步骤：

将所述第二变化数量符合预设条件的所述候选周期组合中的候选周期长度确定为所述红绿灯周期，以及将所述第二变化数量符合预设条件的所述候选周期组合中的候选偏移时间确定为所述红绿灯周期对应的其中一个变灯偏移时间。

该可选的实现方式中，如上文中所述，最为可能的红绿灯周期以及变灯偏移时间下，在绿灯开始后有最多的通行对象通过，红灯结束前有最少的通行对象通过。因此为了从上述多个候选周期以及多个候选偏移时间形成的各种候选周期组合中找出符合上述要求的候选周期组合，可以统计每一个候选周期组合下周期开始(例如绿灯开始)后的一段时间(比如20秒)内的通行对象的通过数量，以及该周期结束(例如红灯结束)前的相同时长(比如20秒)的内通行对象的通过数量，两者之差即为该候选周期组合对应的第二变化数量。

针对同一候选周期长度对应的多个候选周期组合，统计第二变化数量之和；针对多个候选周期长度，通过比较该第二变化数量之和来确定红绿灯周期。在一些实施例中，可以将第二变化数量之和最大的候选周期长度确定为红绿灯周期。

在确定了红绿灯周期后，从该红绿灯周期对应的多个候选周期组合中，选取其中一个候选偏移时间为变灯偏移时间。在一些实施例中，可以将第二变化数量最大的候选偏移时间确定为变灯偏移时间。

在一些实施例中，预设条件可以设置为红绿灯周期对应的多个候选周期组合的第二变化数量之和最大，且在该红绿灯周期对应的多个候选周期组合中，该变灯偏移时间对应的第二变化数量最大。

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：

基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间；所述第一目标轨迹数据包括所述预测前时间范围的历史时段内在所述目标红绿灯路口前存在先停止后启动动作的通行轨迹数据；

基于所述预测变灯时间矫正相应的所述变灯偏移时间。

该可选的实现方式中，通过上文中提到的通过统计通行对象的通行数量变化而估计的红绿灯周期以及变灯偏移时间中，红绿灯周期是一个较为准确的值。这是因为如果该红绿灯周期不够准确的话，误差会积累，以至于会出现绿灯开始时没有通行对象通过该目标红绿灯路口，因此这与上述确定红绿灯周期的方式是相悖的。

然而，变灯偏移时间由于只是估计值，存在一定的误差。这是由于通行轨迹数据的采样时间较长(长达数秒)，进入目标红绿灯路口的时间也只是一个估计值，且受排队长度、通行对象的反应时间、路口等因素的影响，梯度最大的时刻也不一定对应红变绿时间点，因此上文中得到的变灯偏移时间仅是一个估计值，与真实值存在偏差，可能提前，也可能落后。

为此，本公开实施例中通过从预测前时间范围的历史时段内的通行轨迹数据筛选出第一目标轨迹数据，第一目标轨迹数据包括在该预测前时间范围的历史时段内在该目标红绿灯前存在先停止、后启动动作的通行轨迹数据，也即从通行轨迹数据中找出在该预测前时间范围的历史时段内该目标红绿灯前因红灯停下后，在变绿灯后启动并通过该目标红绿灯路口的通行对象的轨迹数据。

在一些实施例中，第一目标轨迹数据中在目标红绿灯前通行对象的停止位置以及启动后的位置距离该目标红绿灯路口均小于预设距离阈值。该预设距离阈值的设置是期望所找出的第一目标轨迹数据中，通行对象的停止以及启动动作均是受红绿灯的影响而产生的。在另一些实施例中，第一目标轨迹数据中，小于预设距离阈值的距离范围内，通行对象可以至少有一次停止后又启动的动作。

基于该些第一目标轨迹数据可以预测该预测前时间范围的历史时段内多个红绿灯周期对应的预测变灯时间。在一些实施例中，该预测变灯时间可以为红灯变绿灯的时间点。

基于该预测变灯时间矫正上文中得到的变灯偏移时间，得到矫正后的变灯偏移时间。在矫正时，可以比较预测变灯时间与变灯偏移时间，将最接近的预测变灯时间以及变灯偏移时间确定为相对应的时间，并将相对应的该变灯偏移时间矫正为对应的预测变灯时间。举例说明：其中一个变灯偏移时间为下午3点20秒，而其中一个预测变灯时间为下午3点19秒，且没有更接近的预测变灯时间，则可以使用预测变灯时间矫正该变灯偏移时间，使得矫正后该变灯偏移时间为下午3点19秒。

在本实施例的一个可选实现方式中，基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间的步骤，进一步包括以下步骤：

确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间。

该可选的实现方式中，为了基于上文中提到的第一目标轨迹数据得到预测前时间范围的历史时段内更加准确的预测变灯时间，可以预先训练变灯时间矫正模型，该变灯时间矫正模型可以从通行对象的行为计算红绿灯变灯时间，从而提高红绿灯变灯偏移时间的准确率。

在一些实施例中，该变灯时间矫正模型可以采用机器自学习模型。该变灯时间矫正模型可以预先训练得到。

下面举例说明变灯时间矫正模型的一种实现方式：

变灯时间矫正模型可以采用线性模型，该模型可以使用红绿灯路口前有先停车后启动动作的通行对象的目标轨迹中提取出的停止参数和启动参数。在一些实施例中，该停止参数可以是多个参数的组合，该启动参数也可以是多个参数的组合。

在一些实施例中，停止参数可以包括但不限于通行对象在红绿灯路口前停车时的停止时间和/或与红绿灯路口的第一距离等，而启动参数可以包括但不限于通行对象在红绿灯路口停车后又启动的启动时间、启动速度和/或启动时与红绿灯路口的第二距离等。在实际应用中，通行对象在与红绿灯路口的距离小于预设距离阈值的情况下第一次速度降为0的GPS轨迹点对应的时间可以为停止参数中的停止时间，该GPS轨迹点与红绿灯路口的距离为第一距离，该通行对象从停止到启动后第一次有速度的GPS轨迹点对应的时间为启动时间，启动速度为该GPS轨迹点对应的速度，第二距离为该GPS轨迹点与红绿灯路口的距离。需要说明的是，如果通行对象在小于预设距离阈值的范围内有多次停止后又启动的动作，可以使用最后一次停止后又启动的动作对应的参数。

图4示出了本公开实施例的变灯时间矫正模型的一种实现示意图。如图4所示，该变灯时间矫正模型中可以使用小于M米(M为大于0的自然数)内有一个停启动作的车辆。所使用的特征包括分别为图4中的(t2-t1)、(Distance1-Distance2)、Distance2、Speed。其中，t1为车辆的停止时间，t1对应的GPS点的速度为0；t2为车辆的启动时间，Distance1为车辆停止时与红绿灯路口的第一距离，Distance2为车辆启动并有速度之后第一个GPS点对应的第二距离，Speed为有速度之后第一个GPS点对应的速度。该变灯时间矫正模型学习的目标为红绿灯真实变灯时间与t2的差值。在一些实施例中，该真实变灯时间可以为红灯变绿灯时间。

在建立了上文中提到的变灯时间矫正模型之后，可以通过收集样本进行训练，训练的过程中可以选择多个样本路口前的样本轨迹数据进行训练。需要说明的是，训练变灯时间矫正模型所使用的样本路口与上文中提到的用于训练交通预测模型所使用的目标红绿灯路口可以相同也可以不同。该训练过程可以是一个单独的过程，与上文中对交通预测模型的训练过程可以是相互独立的。该变灯时间矫正模型训练好之后，在该交通预测模型的训练过程以及第二天的预测变灯时间的预测过程中均可以使用。

在一些实施例中，可以将停止参数和启动参数中的启动时间与停止时间之差、第一距离与第二距离之差、第二距离以及启动速度作为变灯时间矫正模型的输入，该变灯时间矫正模型输出预测变灯时间与第二时间之差，基于该第二时间即可确定预测变灯时间。

在一些实施例中，该预测变灯时间为红灯变绿灯时间，而上文中通过通行轨迹数据得到的变灯偏移时间也可以是红灯变绿灯时间。当然，可以理解的是，上文中通过通行轨迹数据得到的变灯偏移时间也可以是绿灯变红灯时间，而该预测变灯时间也为红灯变绿灯时间；或者变灯偏移时间和预测变灯时间中一个为红灯变绿灯时间，一个为绿灯变红灯时间。在使用预测变灯时间矫正变灯偏移时间时，如果预测变灯时间和待矫正的变灯偏移时间为不同灯态之间的变化，比如变灯偏移时间和预测变灯时间中一个为红灯变绿灯时间，一个为绿灯变红灯时间，可以利用上文中得到的红绿灯周期将两者的灯态变化转换成一致，也即变灯偏移时间和预测变灯时间均为红灯变绿灯时间，或者均为绿灯变红灯时间，具体根据实际需要而定，在此不做限制。

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：

获取所述预测时段内通行对象已产生的第二目标轨迹数据；

基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间；所述第二目标轨迹数据包括所述目标红绿灯路口前存在先停止后启动动作的轨迹数据；

确定所述实际变灯时间与所述预测时段对应的所述变灯偏移时间之间的误差；

基于所述误差更新所述预测时段对应的所述变灯偏移时间。

该可选的实现方式中，利用本公开实施例中公开的而上述交通数据挖掘方法可以预先挖掘出预测时间范围的预测时段内的红绿灯周期以及变灯偏移时间。在该预测时段到来之后，还可以利用上文中提到的变灯时间矫正模型以及通行对象已经在该预测时段内产生的第二目标轨迹数据对该预测时段内的变灯偏移时间进行校验。

需要说明的是，可以利用预测时段已经过去的一段时间内的第二目标轨迹数据验证整个该预测时段的变灯偏移时间。这是因为利用第二目标轨迹数据以及变灯时间矫正模型确定了该预测时段已经过去的该段时间内的实际变灯时间后，通过比较该实际变灯时间以及所预测出来的对应的变灯偏移时间之差，相差较大，比如对应的累计误差超过预设误差阈值时，可以认为该变灯偏移时间并不准确，此时可以下线该变灯偏移时间，或者可以利用该实际变灯时间矫正该变灯偏移时间。可以理解的是，虽然能够确定的仅仅是已经过去这段时间内变灯偏移时间是否准确，但是由于红绿灯周期在该预测时段内是固定的，所以基于该红绿灯周期以及已经过去这段时间内实际变灯时间，可以调整整个预测时段内的变灯偏移时间，使得在线应用中的变灯偏移时间能够基于实时数据被调整，进一步提高了变灯偏移时间的准确率。

变灯时间矫正模型的具体细节可以参见上文中的描述，在此不再赘述。

在本实施例的一个可选实现方式中，基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间的步骤，进一步包括以下步骤：

确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测时段内所述目标红绿灯路口的所述实际变灯时间。

该可选的实现方式中，从第二目标轨迹数据提取停止参数以及启动参数的过程、以及利用变灯时间矫正模型从停止参数和启动参数预测实际变灯偏移时间的过程，与从第一目标轨迹数据的处理过程类似，具体细节可以参见上文中对第一目标轨迹数据的处理过程的描述，在此不再赘述。

图5示出根据本公开一实施方式的交通数据挖掘方法的流程图。如图5所示，该交通数据挖掘方法包括以下步骤：

在步骤S501中，获取样本红绿灯路口的样本数据；所述样本数据包括历史时间范围的历史时段内经过所述样本红绿灯路口的通行轨迹数据；

在步骤S502中，基于所述通行轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

在步骤S503中，将所述历史时间范围内连续多天的历史时段内的所述变灯偏移时间作为输入，将所述连续多天的后一天历史时段内的所述变灯偏移时间作为标签，训练交通预测模型。

本实施例中，该交通预测模型训练方法可以在服务器上离线执行。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。历史时间范围的历史时段内的样本数据可以包括该历史时间范围的历史时段内经过该样本红绿灯路口的所有或者部分通行对象的通行轨迹数据。通行对象可以是机动车辆、非机动车辆、能够在道路上行驶的机器设备等。在一些实施例中，通行对象可以携带GPS并行驶在道路上，并且该通行对象的GPS数据可以回传至服务器中。历史时间范围可以是过去连续多天，历史时段可以是该过去连续多天中相同的任意一个或多个时段，例如一周内每天早上8点-10点的2个时段。

样本红绿灯路口可以是样本红绿灯所在路口，需要说明的是样本红绿灯路口可以包括多个。在一些实施例中，样本红绿灯路口可以是定时周期红绿灯路口，定时周期红绿灯路口可以理解为一天中至少有一段时间内红绿灯周期是固定不变的。

在一些实施例中，可以针对任意的红绿灯路口收集通行轨迹数据，进而基于轨迹数据推测通行对象进入该红绿灯路口的时间。统计一段时间范围内全部或部分通行对象进入该红绿灯路口的数量，可以得到该红绿灯路口的通行对象进入时间聚合图，如图2A和图2B所示。图2A示出的是定时周期红绿灯路口的通行对象进入时间聚合示意图，而图2B示出的是非定时周期红绿灯路口的通行对象进入时间聚合示意图。通过聚类算法，可以基于通行对象进入红绿灯路口的数量，区分出定时周期红绿灯路口和非定时周期红绿灯路口，从而将定时周期红绿灯路口确定为样本红绿灯路口。

也就是说，样本红绿灯路口为定时周期红绿灯路口，即样本红绿灯路口的红绿灯周期在至少一段时间内固定不变。在一些实施例中，可以通过统计一段时间范围内进入红绿灯路口的通行对象数量判断该红绿灯路口是否为定时周期红绿灯路口。

通行轨迹数据可以是GPS轨迹，包括时间、位置以及速度等信息。

本公开实施例中，由于样本红绿灯路口为定时周期红绿灯路口，所以通过该样本红绿灯路口的通行对象的数量是周期性变化的，因此基于通行轨迹数据可以统计分析通行对象在历史时间范围的历史时段内经过样本红绿灯路口的数量变化情况，进而再基于该数量变化情况可以确定样本红绿灯路口的红绿灯周期以及每个红绿灯周期对应的变灯偏移时间。

在一些实施例中，红绿灯周期可以包括但不限于红灯变绿灯的周期、绿灯变红灯的周期和/或两相邻红灯或两相邻绿灯之间的周期等。变灯偏移时间可以理解为该历史时间范围的历史时段内一个红绿灯周期的开始时间，该开始时间例如可以是红灯变绿灯的时间和/或绿灯变红灯的时间。需要说明的是，历史时间范围可以包括多个红绿灯周期，并且每个红绿灯周期的时长固定不变；历史时间范围的历史时段内的变灯偏移时间可以是该历史时间范围的历史时段内第一个红绿灯周期相对于该历史时间范围的起始时刻的时间偏移。举例说明：假如历史时间范围为某天的下午3点-4点，而该一个小时时段中的红绿灯周期为1分钟，变灯偏移时间可以为第一个红绿灯周期的开始时间，如3点20秒。

通过上述方式，可以获取连续多天同一时段内的变灯偏移时间。需要说明的是，同一样本红绿灯路口的红绿灯周期在连续多天的同一时段内可以是相同的，然而考虑到不同时段该样本红绿灯路口的红绿灯周期可能是不同的(例如平峰期和高峰期的红绿灯周期可能有所不同)，或者每天每个时间段该样本红绿灯路口的红绿灯周期即使是相同的，如果一天的总时长不能整除红绿灯周期的话，每天同一时段内红绿灯周期对应的变灯偏移时间也可能是不一致的，因此可以通过上述方式确定一个周期内连续多天该同一时段内的变灯偏移时间，并将该连续多天对应的变灯偏移时间序列作为待训练的交通预测模型的输入；此外，还可以基于上述方式确定该连续多天的后一天该同一时段内的变灯偏移时间，并将该后一天对应的变灯偏移时间作为该待训练的交通预测模型的标签，训练该交通预测模型；使得该交通预测模型能够基于输入的过去多天的变灯偏移时间预测出未来一天或多天同一时段内的变灯偏移时间。

在一些实施例中，该变灯偏移预测模型可以是机器学习模型，例如可以是神经网络模型、自回归模型等。

在利用本公开实施例提出的上述方法训练得到交通预测模型之后，可以利用该交通预测模型，基于过去多天的红绿灯变灯偏移时间预测未来一天或多天的红绿灯变灯偏移时间。

举例说明，可以收集过去7天经过某个红绿灯路口的车辆轨迹数据，从而基于上述方法从车辆轨迹数据提取出过去7天每个时段(假设一个时段为1个小时)的红绿灯周期以及变灯偏移时间，之后将该7天任意一个时段的变灯偏移时间序列输入至上述交通预测模型，得到第二天该时段的变灯偏移时间，从而可以挖掘出第二天所有时段的红绿灯周期(该红绿灯周期可以与过去7天的红绿灯周期相同)以及变灯偏移时间。在第二天的动态交通服务过程中，可以基于该挖掘出的红绿灯周期以及变灯偏移时间为用户提供动态交通服务，例如预先告知车辆前方红绿灯的变灯时间、当前路段的预测通行时间等。

本公开实施例中，针对样本红绿灯路口收集历史时间范围的历史时段内经过该路口的通行轨迹数据，并基于通行轨迹数据确定该历史时间范围的历史时段内该样本红绿灯路口的红绿灯周期以及红绿灯周期对应的变灯偏移时间，基于该变灯偏移时间可以训练得到交通预测模型。通过本公开实施例，可以基于经过路口的通行轨迹数据确定该红绿灯路口的红绿灯周期以及变灯偏移时间，并利用变灯偏移时间训练交通预测模型，从能够提高路口红绿灯变灯时间的预测准确度；另外该方式仅依赖于通行轨迹数据，实时性较好，能够扩大路口覆盖范围。

在本实施例的一个可选实现方式中，步骤S502，即基于所述通行轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间的步骤，进一步包括以下步骤：

基于所述通行轨迹数据确定所述历史时间范围的历史时段内的各个时刻，通过所述样本红绿灯路口的通行对象的第一变化数量；

基于所述第一变化数量的峰值周期确定候选周期长度范围；

针对所述候选周期长度范围内选取的候选周期长度对应的候选偏移时间，确定所述候选周期长度及所述候选偏移时间形成的候选周期组合所对应的周期开始时以及周期结束时所述通行对象的第二变化数量；

基于所述第二变化数量及其对应的所述候选周期组合确定所述历史时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间。

该可选的实现方式中，基于通行轨迹数据可以确定产生该条通行轨迹数据的通行对象经过样本红绿灯路口的时间。在一些实施例中，可以预先确定每一样本红绿灯路口的边界范围，该条通行轨迹数据中与该边界范围相交的轨迹点对应的时间可以确定为通行对象经过该样本红绿灯路口的时间。

通过该时间可以统计出该历史时间范围的历史时段内每一时刻比如每一秒或每一分钟前后一段时间(例如该时刻前20秒以及后20秒)通行对象的第一变化数量。例如，第一变化数量为每一时刻后20秒的通行对象的数量与前20秒通行对象的数量之差

在一些实施例中，可以通过计算第一变化数量的梯度，可以得到如图3所示的曲线图，该曲线图为通行对象的数量变化梯度图。该曲线的峰值可以认为是红灯变绿灯的时间点，连续两个峰值之间的时长可以认为是红绿灯周期。

在基于上述方式计算出一个时段内(比如一个小时或者更长时间)内所有的红绿灯周期后，如果该红绿灯周期偏差小于设定阈值，则可以被认为这个时段内都是相同的红绿灯周期。

之后，可以通过遍历所有可能的红绿灯周期，也即候选周期，选出最为可能的红绿灯周期以及该红绿灯周期对应的变灯偏移时间。

在一些实施例中，可以通过上述曲线图中第一变化数量的峰值周期来确定候选周期，例如可以确定第一变化数量的峰值周期的最大长度和最小长度，将最小长度至最大长度限定的范围确定为候选周期长度范围，并将该候选周期长度范围内的每一长度(周期长度之间的间隔可以是秒级的)确定为候选周期长度，而将该候选周期长度内的每一时刻(比如每秒或者更短/长)确定为该候选周期长度内的候选偏移时间。

经过上述处理，可以针对候选周期长度范围选取多个候选周期长度，而每一候选周期长度对应有多个候选偏移时间，因此候选周期长度和候选偏移时间可以构成多种候选周期组合。

针对每一组合，可以统计候选偏移时间对应的该候选周期开始一段时间内的通行对象数量与该候选周期结束一段时间内的通行对象数量之差，也即第二变化数量。

基于该第二变化数量可以从候选周期组合中选出最为可能的红绿灯周期以及变灯偏移时间。最为可能的红绿灯周期以及变灯偏移时间的选取原则是：在绿灯开始后有最多的通行对象通过，红灯结束前有最少的通行对象通过。

在本实施例的一个可选实现方式中，基于所述第二变化数量及其对应的所述候选周期组合确定所述历史时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间的步骤，进一步包括以下步骤：

将所述第二变化数量符合预设条件的所述候选周期组合中的候选周期长度确定为所述红绿灯周期，以及将所述第二变化数量符合预设条件的所述候选周期组合中的候选偏移时间确定为所述红绿灯周期对应的一个变灯偏移时间。

该可选的实现方式中，如上文中所述，最为可能的红绿灯周期以及变灯偏移时间下，在绿灯开始后有最多的通行对象通过，红灯结束前有最少的通行对象通过。因此为了从上述多个候选周期以及多个候选偏移时间形成的各种候选周期组合中找出符合上述要求的候选周期组合，可以统计每一个候选周期组合下周期开始(例如绿灯开始)后的一段时间(比如20秒)内的通行对象的通过数量，以及该周期结束(例如红灯结束)前的相同时长(比如20秒)的内通行对象的通过数量，两者之差即为该候选周期组合对应的第二变化数量。

针对同一候选周期长度对应的多个候选周期组合，统计第二变化数量之和；针对多个候选周期长度，通过比较该第二变化数量之和来确定红绿灯周期。在一些实施例中，可以将第二变化数量之和最大的候选周期长度确定为红绿灯周期。

在确定了红绿灯周期后，从该红绿灯周期对应的多个候选周期组合中，选取其中一个候选偏移时间为变灯偏移时间。在一些实施例中，可以将第二变化数量最大的候选偏移时间确定为变灯偏移时间。

在一些实施例中，预设条件可以设置为红绿灯周期对应的多个候选周期组合的第二变化数量之和最大，且在该红绿灯周期对应的多个候选周期组合中，该变灯偏移时间对应的第二变化数量最大。

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：

基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间；所述目标轨迹数据包括所述历史时间范围的历史时段内在所述样本红绿灯路口前存在先停止后启动动作的通行轨迹数据；

基于所述预测变灯时间矫正相应的所述变灯偏移时间。

该可选的实现方式中，通过上文中提到的通过统计通行对象的通行数量变化而估计的红绿灯周期以及变灯偏移时间中，红绿灯周期是一个较为准确的值。这是因为如果该红绿灯周期不够准确的话，误差会积累，以至于会出现绿灯开始时没有通行对象通过该样本红绿灯路口，因此这与上述确定红绿灯周期的方式是相悖的。

然而，变灯偏移时间由于只是估计值，存在一定的误差。这是由于通行轨迹数据的采样时间较长(长达数秒)，进入样本红绿灯路口的时间也只是一个估计值，且受排队长度、通行对象的反应时间、路口等因素的影响，梯度最大的时刻也不一定对应红变绿时间点，因此上文中得到的变灯偏移时间仅是一个估计值，与真实值存在偏差，可能提前，也可能落后。

为此，本公开实施例中通过从历史时间范围的历史时段内的通行轨迹数据筛选出目标轨迹数据，目标轨迹数据包括在该历史时间范围的历史时段内在该样本红绿灯前存在先停止、后启动动作的通行轨迹数据，也即从通行轨迹数据中找出在该历史时间范围的历史时段内该样本红绿灯前因红灯停下后，在变绿灯后启动并通过该样本红绿灯路口的通行对象的轨迹数据。

在一些实施例中，目标轨迹数据中在样本红绿灯前通行对象的停止位置以及启动后的位置距离该样本红绿灯路口均小于预设距离阈值。该预设距离阈值的设置是期望所找出的目标轨迹数据中，通行对象的停止以及启动动作均是受红绿灯的影响而产生的。在另一些实施例中，目标轨迹数据中，小于预设距离阈值的距离范围内，通行对象可以至少有一次停止后又启动的动作。

基于该些目标轨迹数据可以预测该历史时间范围的历史时段内多个红绿灯周期对应的预测变灯时间。在一些实施例中，该预测变灯时间可以为红灯变绿灯的时间点。

基于该预测变灯时间矫正上文中得到的变灯偏移时间，得到矫正后的变灯偏移时间。在矫正时，可以比较预测变灯时间与变灯偏移时间，将最接近的预测变灯时间以及变灯偏移时间确定为相对应的时间，并将相对应的该变灯偏移时间矫正为对应的预测变灯时间。举例说明：其中一个变灯偏移时间为下午3点20秒，而其中一个预测变灯时间为下午3点19秒，且没有更接近的预测变灯时间，则可以使用预测变灯时间矫正该变灯偏移时间，使得矫正后该变灯偏移时间为下午3点19秒。

在本实施例的一个可选实现方式中，基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间的步骤，进一步包括以下步骤：

确定所述目标轨迹数据对应的车辆在所述样本红绿灯路口停车时的停止参数样本红绿灯；

确定所述目标轨迹数据对应的车辆在所述样本红绿灯路口从停车至有速度后的启动参数样本红绿灯；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间。

该可选的实现方式中，为了基于上文中提到的目标轨迹数据得到历史时间范围的历史时段内更加准确的预测变灯时间，可以预先训练变灯时间矫正模型，该变灯时间矫正模型可以从通行对象的行为计算红绿灯变灯时间，从而提高红绿灯变灯偏移时间的准确率。

在一些实施例中，该变灯时间矫正模型可以采用机器自学习模型。该变灯时间矫正模型可以预先训练得到。

下面举例说明变灯时间矫正模型的一种实现方式：

变灯时间矫正模型可以采用线性模型，该模型可以使用红绿灯路口前有先停车后启动动作的通行对象的目标轨迹中提取出的停止参数和启动参数。在一些实施例中，该停止参数可以是多个参数的组合，该启动参数也可以是多个参数的组合。

在一些实施例中，停止参数可以包括但不限于通行对象在红绿灯路口前停车时的停止时间和/或与红绿灯路口的第一距离等，而启动参数可以包括但不限于通行对象在红绿灯路口停车后又启动后的启动时间、启动速度和/或启动时与红绿灯路口的第二距离等。在实际应用中，停止时间可以取通行对象在与红绿灯路口的距离小于预设距离阈值的情况下第一次速度降为0的GPS轨迹点对应的时间为停止参数中的停止时间，该GPS轨迹点与红绿灯路口的距离为第一距离，该通行对象再次启动后第一次有速度的GPS轨迹点对应的时间为启动时间，启动速度为该GPS轨迹点对应的速度，第二距离为该GPS轨迹点与红绿灯路口的距离。需要说明的是，如果通行对象在小于预设距离阈值的范围内有多次停止后又启动的动作，可以使用最后一次停止后又启动的动作对应的参数。

在建立了上文中提到的变灯时间矫正模型之后，可以通过收集样本进行训练，训练的过程中可以选择多个样本路口前的样本轨迹数据进行训练。需要说明的是，训练变灯时间矫正模型所使用的样本路口与上文中提到的用于训练交通预测模型所使用的样本红绿灯路口可以相同也可以不同。该训练过程可以是一个单独的过程，与上文中对交通预测模型的训练过程可以是相互独立的。

该变灯时间矫正模型训练好之后，可以在该交通预测模型的训练过程所使用。

因此，在该交通预测模型的训练过程中，选出目标轨迹数据之后，从目标轨迹数据提取出上文中提到的停止参数和启动参数，进而再利用停止参数和启动参数以及该训练好的变灯时间矫正模型得到历史时间范围的历史时段内该样本红绿灯路口的预测变灯时间。

在一些实施例中，可以将停止参数和启动参数中的启动时间与停止时间之差、第一距离与第二距离之差、第二距离以及启动速度作为变灯时间矫正模型的输入，该变灯时间矫正模型输出预测变灯时间与第二时间之差，基于该第二时间即可确定预测变灯时间。

在一些实施例中，该预测变灯时间为红灯变绿灯时间，而上文中通过通行轨迹数据得到的变灯偏移时间也可以是红灯变绿灯时间。当然，可以理解的是，上文中通过通行轨迹数据得到的变灯偏移时间也可以是绿灯变红灯时间，而该预测变灯时间也为红灯变绿灯时间；或者变灯偏移时间和预测变灯时间中一个为红灯变绿灯时间，一个为绿灯变红灯时间。在使用预测变灯时间矫正变灯偏移时间时，如果预测变灯时间和待矫正的变灯偏移时间为不同灯态之间的变化，比如变灯偏移时间和预测变灯时间中一个为红灯变绿灯时间，一个为绿灯变红灯时间，可以利用上文中得到的红绿灯周期将两者的灯态变化转换成一致，也即变灯偏移时间和预测变灯时间均为红灯变绿灯时间，或者均为绿灯变红灯时间，具体根据实际需要而定，在此不做限制。

根据本公开一实施方式的导航服务方法，该导航服务方法包括：利用上述交通数据挖掘方法挖掘的目标红绿灯路口的红绿灯周期及变灯偏移时间，为被服务对象提供动态交通服务。

本实施例中，动态交通状况可以包括任意与红绿灯周期以及红绿灯的变灯偏移时长相关的道路状况，例如道路拥堵状态、拥堵消散状况、前方红绿灯状态、状态变化时间等。本公开实施例可以利用上述交通数据挖掘方法挖掘出道路上各个红绿灯的周期以及变灯偏移时间，并可以基于红绿灯周期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。此外，还可以及时为用户提供前方红绿灯当前状态、下一状态的变化时间等。

交通数据挖掘的细节可以参见上述对交通数据挖掘方法的描述，在此不再赘述。

在一些实施例中，可以利用上述交通数据挖掘方法挖掘出红绿灯在一天各个时段的红绿灯周期以及变灯偏移时间，进而基于该红绿灯周期以及变灯偏移时间、历史的车辆通行数据等分析当前的红绿灯周期以及变灯偏移时间的设置是否合理，还可以基于每天中车辆在不同时段的通过数量等，给出优化后的红绿灯周期以及变灯偏移时间，该优化后的红绿灯周期以及变灯偏移时间可以提供给相关部门，辅助相关部门改进对红绿灯周期以及变灯偏移时间的设置。

图6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6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路口的红绿灯周期以及变灯偏移时间，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红绿灯周期以及变灯偏移时间，并且基于该小时级别的红绿灯周期以及变灯偏移时间聚合得到各个红绿灯在一整天的红绿灯周期以及变灯偏移时间的分布情况。挖掘服务器可以将红绿灯周期以及变灯偏移时间的分布情况提供给导航服务器。

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红绿灯周期以及变灯偏移时间，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。

根据本公开一实施方式的交通数据挖掘装置，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。该交通数据挖掘装置包括：

第一获取模块，被配置为获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；

第一确定模块，被配置为基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

第二获取模块，被配置为将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；

输出模块，被配置为输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。

在本实施例的一个可选实现方式中，所述第一确定模块，包括：

第一确定子模块，被配置为基于所述通行轨迹数据确定所述预测前时间范围的历史时段内的各个时刻，通过所述目标红绿灯路口的通行对象的第一变化数量；

第二确定子模块，被配置为基于所述第一变化数量的峰值周期确定候选周期长度范围；

第三确定子模块，被配置为针对所述候选周期长度范围内选取的候选周期长度对应的候选偏移时间，确定所述候选周期长度及所述候选偏移时间形成的候选周期组合所对应的周期开始时以及周期结束时所述通行对象的第二变化数量；

第四确定子模块，被配置为基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间。

在本实施例的一个可选实现方式中，所述第四确定子模块，包括：

第五确定子模块，被配置为将所述第二变化数量符合预设条件的所述候选周期组合中的候选周期长度确定为所述红绿灯周期，以及将所述第二变化数量符合预设条件的所述候选周期组合中的候选偏移时间确定为所述红绿灯周期对应的一个变灯偏移时间。

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，被配置为基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间；所述第一目标轨迹数据包括所述预测前时间范围的历史时段内在所述目标红绿灯路口前存在先停止后启动动作的通行轨迹数据；

矫正模块，被配置为基于所述预测变灯时间矫正相应的所述变灯偏移时间。

在本实施例的一个可选实现方式中，所述第二确定模块，包括：

第六确定子模块，被配置为确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

第七确定子模块，被配置为确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

第八确定子模块，被配置为利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间。

在本实施例的一个可选实现方式中，所述装置还包括：

第三获取模块，被配置为获取所述预测时段内通行对象已产生的第二目标轨迹数据；

第三确定模块，被配置为基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间；所述第二目标轨迹数据包括所述目标红绿灯路口前存在先停止后启动动作的轨迹数据；

校验模块，被配置为利用所述实际变灯时间对所述预测时段对应的所述变灯偏移时间进行校验。

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：

第九确定子模块，被配置为确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

第十确定子模块，被配置为确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

第十一确定子模块，被配置为利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测时段内所述目标红绿灯路口的所述实际变灯时间。

根据本公开一实施方式的交通预测模型训练装置，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。该交通预测模型训练装置包括：

第四获取模块，被配置为获取样本红绿灯路口的样本数据；所述样本数据包括历史时间范围的历史时段内经过所述样本红绿灯路口的通行轨迹数据；

第四确定模块，被配置为基于所述通行轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

训练模块，被配置为将所述历史时间范围内连续多天的历史时段内的所述变灯偏移时间作为输入，将所述连续多天的后一天历史时段内的所述变灯偏移时间作为标签，训练交通预测模型。

在本实施例的一个可选实现方式中，所述装置还包括：

第五确定模块，被配置为基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间；所述目标轨迹数据包括所述历史时间范围的历史时段内在所述样本红绿灯路口前存在先停止后启动动作的通行轨迹数据；

第二校正模块，被配置为基于所述预测变灯时间矫正相应的所述变灯偏移时间。

在本实施例的一个可选实现方式中，所述第五模块，包括：

第十二确定子模块，被配置为确定所述目标轨迹数据对应的通行对象在所述样本红绿灯路口停车时的停止参数；

第十三确定子模块，被配置为确定所述目标轨迹数据对应的车辆在所述样本红绿灯路口从停车至有速度后的启动参数；

第十四确定子模块，被配置为利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间。

根据本公开一实施方式的导航服务装置，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。该导航服务装置包括：包括：利用上述交通数据挖掘装置挖掘的目标红绿灯路口的红绿灯周期及变灯偏移时间，为被服务对象提供动态交通服务。

这里需要说明：上述实施例提供的交通数据挖掘装置、交通预测模型训练装置以及导航服务装置可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述各方法实施例中的相应内容，此处不再赘述。

图7是适于用来实现根据本公开一实施方式的交通数据挖掘方法、交通预测模型训练方法以及导航服务方法的电子设备的结构示意图。

如图7所示，电子设备700包括处理单元701，其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元701可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703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RAM703中，还存储有电子设备700操作所需的各种程序和数据。处理单元701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；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707；包括硬盘等的存储部分708；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709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，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710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708。

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709从网络上被下载和安装，和/或从可拆卸介质711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 (14)

1.一种交通数据挖掘方法，其中，包括：

获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；

基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；

输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。

2.根据权利要求1所述的方法，其中，基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间，包括：

基于所述通行轨迹数据确定所述预测前时间范围的历史时段内的各个时刻，通过所述目标红绿灯路口的通行对象的第一变化数量；

基于所述第一变化数量的峰值周期确定候选周期长度范围；

针对所述候选周期长度范围内选取的候选周期长度对应的候选偏移时间，确定所述候选周期长度及所述候选偏移时间形成的候选周期组合所对应的周期开始时以及周期结束时所述通行对象的第二变化数量；

基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间。

3.根据权利要求2所述的方法，其中，基于所述第二变化数量及其对应的所述候选周期组合确定所述预测前时间范围的历史时段内的所述红绿灯周期及其对应的变灯偏移时间，包括：

将所述第二变化数量符合预设条件的所述候选周期组合中的候选周期长度确定为所述红绿灯周期，以及将所述第二变化数量符合预设条件的所述候选周期组合中的候选偏移时间确定为所述红绿灯周期对应的一个变灯偏移时间。

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：

基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间；所述第一目标轨迹数据包括所述预测前时间范围的历史时段内在所述目标红绿灯路口前存在先停止后启动动作的通行轨迹数据；

基于所述预测变灯时间矫正相应的所述变灯偏移时间。

5.根据权利要求4所述的方法，其中，基于所述通行轨迹数据中第一目标轨迹数据以及预训练的变灯时间矫正模型确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间，包括：

确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

确定所述第一目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测前时间范围的历史时段内所述目标红绿灯路口的预测变灯时间。

6.根据权利要求1-3、5任一项所述的方法，其中，所述方法还包括：

获取所述预测时段内通行对象已产生的第二目标轨迹数据；

基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间；所述第二目标轨迹数据包括所述目标红绿灯路口前存在先停止后启动动作的轨迹数据；

利用所述实际变灯时间对所述预测时段对应的所述变灯偏移时间进行校验。

7.根据权利要求6所述的方法，其中，基于所述第二目标轨迹数据以及所述变灯时间矫正模型确定所述预测时段内所述目标红绿灯路口已产生的实际变灯时间，包括：

确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口停车时的停止参数；

确定所述第二目标轨迹数据对应的通行对象在所述目标红绿灯路口从停车至有速度时的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述预测时段内所述目标红绿灯路口的所述实际变灯时间。

8.一种交通预测模型训练方法，其中，包括：

获取样本红绿灯路口的样本数据；所述样本数据包括历史时间范围的历史时段内经过所述样本红绿灯路口的通行轨迹数据；

基于所述通行轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

将所述历史时间范围内连续多天的历史时段内的所述变灯偏移时间作为输入，将所述连续多天的后一天历史时段内的所述变灯偏移时间作为标签，训练交通预测模型。

9.根据权利要求8所述的方法，其中，所述方法还包括：

基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间；所述目标轨迹数据包括所述历史时间范围的历史时段内在所述样本红绿灯路口前存在先停止后启动动作的通行轨迹数据；

基于所述预测变灯时间矫正相应的所述变灯偏移时间。

10.根据权利要求9所述的方法，其中，基于所述通行轨迹数据中目标轨迹数据确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间，包括：

确定所述目标轨迹数据对应的通行对象在所述样本红绿灯路口停车时的停止参数；

确定所述目标轨迹数据对应的车辆在所述样本红绿灯路口从停车至有速度后的启动参数；

利用预训练的变灯时间矫正模型，基于所述停止参数以及所述启动参数确定所述历史时间范围的历史时段内所述样本红绿灯路口的预测变灯时间。

11.一种导航服务方法，包括：利用权利要求1-7任一项所述的方法挖掘的目标红绿灯路口的红绿灯周期及变灯偏移时间，为被服务对象提供动态交通服务。

12.一种交通数据挖掘装置，其中，包括：

第一获取模块，被配置为获取预测前时间范围的历史时段内经过目标红绿灯路口的通行轨迹数据；

第一确定模块，被配置为基于所述通行轨迹数据确定所述预测前时间范围的历史时段内所述目标红绿灯路口的红绿灯周期以及所述红绿灯周期对应的变灯偏移时间；

第二获取模块，被配置为将所述预测前时间范围的历史时段内连续多天的历史时段内的所述变灯偏移时间作为预训练的交通预测模型的输入，获得预测时间范围内与所述历史时段相同的预测时段的所述变灯偏移时间；

输出模块，被配置为输出所述红绿灯周期以及所预测时间范围的所述预测时段内的所述变灯偏移时间。

13.一种电子设备，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1-11任一项所述的方法。

14.一种计算机程序产品，其包括计算机指令，其中，该计算机指令被处理器执行时实现权利要求1-11任一项所述的方法。

Images