CN114970949B - 行驶速度预测方法、装置、电子设备及存储介质 - Google Patents
行驶速度预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114970949B CN114970949B CN202210381802.6A CN202210381802A CN114970949B CN 114970949 B CN114970949 B CN 114970949B CN 202210381802 A CN202210381802 A CN 202210381802A CN 114970949 B CN114970949 B CN 114970949B
- Authority
- CN
- China
- Prior art keywords
- road section
- road
- driving
- section
- pair
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008447 perception Effects 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了行驶速度预测方法、装置、电子设备及存储介质，涉及智能交通以及深度学习等人工智能领域，其中的方法可包括：基于拥堵感知图，生成待处理的行车路径对应的路网子图，路网子图中包括行车路段以及关联路段，行车路段为位于行车路径上的路段，关联路段为与行车路段存在拥堵传播关系的路段，拥堵感知图中记录有不同路段间的拥堵传播关系；根据路网子图预测出行车路径的行驶速度。应用本公开所述方案，可提升预测结果的准确性。
Description
技术领域
本公开涉及人工智能技术领域，特别涉及智能交通以及深度学习等领域的行驶速度预测方法、装置、电子设备及存储介质。
背景技术
到达时间预测(预估)问题是智能交通领域的重要问题，也是地图导航、路径规划以及约车服务等的基础技术。
比如，针对用户选择的一条行车路径，可预测出车辆在该行车路径上的行驶速度，进而可根据预测出的行驶速度确定出到达时间，即终点的到达时间。但目前的预测方式的准确性通常都较差。
发明内容
本公开提供了行驶速度预测方法、装置、电子设备及存储介质。
一种行驶速度预测方法，包括：
基于拥堵感知图，生成待处理的行车路径对应的路网子图，所述路网子图中包括行车路段以及关联路段，所述行车路段为位于所述行车路径上的路段，所述关联路段为与所述行车路段存在拥堵传播关系的路段，所述拥堵感知图中记录有不同路段间的拥堵传播关系；
根据所述路网子图预测出所述行车路径的行驶速度。
一种行驶速度预测装置，包括：生成模块以及预测模块；
所述生成模块，用于基于拥堵感知图，生成待处理的行车路径对应的路网子图，所述路网子图中包括行车路段以及关联路段，所述行车路段为位于所述行车路径上的路段，所述关联路段为与所述行车路段存在拥堵传播关系的路段，所述拥堵感知图中记录有不同路段间的拥堵传播关系；
所述预测模块，用于根据所述路网子图预测出所述行车路径的行驶速度。
一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品，包括计算机程序/指令，所述计算机程序/指令被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果：可构建出拥堵感知图，其中记录有不同路段间的拥堵传播关系，进而可基于拥堵感知图预测出行车路径的行驶速度，从而实现了交通拥堵感知，能够更好地解决交通拥堵传播问题，进而提升了预测结果的准确性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开所述行驶速度预测方法实施例的流程图；
图2为现有交通拥堵第一传播模式的示意图；
图3为现有交通拥堵第二传播模式的示意图；
图4为本公开所述收集到的一条车辆行驶轨迹的示意图；
图5为本公开所述路网子图的示意图；
图6为本公开所述增加位置序号后的路网子图的示意图；
图7为本公开所述增加转向标识后的路网子图的示意图；
图8为本公开所述行驶速度预测装置第一实施例800的组成结构示意图；
图9为本公开所述行驶速度预测装置第二实施例900的组成结构示意图；
图10示出了可以用来实施本公开的实施例的电子设备1000的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
图1为本公开所述行驶速度预测方法实施例的流程图。如图1所示，包括以下具体实现方式。
在步骤101中，基于拥堵感知图，生成待处理的行车路径对应的路网子图，所述路网子图中包括行车路段以及关联路段，行车路段为位于行车路径上的路段，关联路段为与行车路段存在拥堵传播关系的路段，拥堵感知图中记录有不同路段间的拥堵传播关系。
在步骤102中，根据生成的路网子图预测出行车路径的行驶速度。
采用上述方法实施例所述方案，可构建出拥堵感知图，其中记录有不同路段间的拥堵传播关系，进而可基于拥堵感知图预测出行车路径的行驶速度，从而实现了交通拥堵感知，能够更好地解决交通拥堵传播问题，进而提升了预测结果的准确性。
拥堵感知图可预先构建。本公开的一个实施例中，可收集预定时长内生成的车辆行驶轨迹，根据所述车辆行驶轨迹构建出所述拥堵感知图。
车辆行驶轨迹即指用户的开车行为轨迹，其中可包括以下信息：经过了哪些路段、每个路段上的平均行驶速度以及每个路段上的行驶时间等。
即可通过对用户的开车行为轨迹进行挖掘来获取不同路段间的拥堵传播关系(也可称为交通关联关系)，相应地，可高效准确地构建出所需的拥堵感知图。
所述预定时长的具体取值可根据实际需要而定，比如，最近一天(24小时)。
在实际应用中，交通拥堵的传播主要有两种模式。图2为现有交通拥堵第一传播模式的示意图。如图2所示，在车辆启动时，拥堵并未发生在行车路径上，当车辆行驶到一半的时候，拥堵传播到达。图3为现有交通拥堵第二传播模式的示意图。如图3所示，在车辆启动时，能够感知到行车路径上的拥堵，但是未能预见，拥堵随着路径快速地传播出去。如图2和图3所示，加粗路段表示发生拥堵，路段越粗，表示拥堵越严重。
本公开所述方案中，可针对预定区域，如北京市对应的区域，构建出一个拥堵感知图。
本公开的一个实施例中，针对任一车辆行驶轨迹，可分别按照以下方式得到该车辆行驶轨迹对应的路段对：遍历该车辆行驶轨迹中的各路段，针对每次遍历到的路段，构建对应的路段对，路段对中包括基准路段以及邻近路段，基准路段为当前遍历到的路段，邻近路段为包含在该车辆行驶轨迹中且符合预定要求的路段，进而可结合各车辆行驶轨迹对应的路段对确定出不同路段间的拥堵传播关系，从而得到拥堵感知图。
本公开的一个实施例中，符合预定要求的路段可以是指，与基准路段之间间隔的路段数大于或等于第一阈值、且小于或等于第二阈值的路段，第一阈值和第二阈值均为正整数，且第一阈值小于第二阈值。
第一阈值和第二阈值的具体取值均可根据实际需要而定。
图4为本公开所述收集到的一条车辆行驶轨迹的示意图。如图4所示，该车辆行驶轨迹中包括路段a’、路段b’、路段c’、路段d’、路段g’、路段h’和路段i’共7个路段，假设第一阈值的取值为1，第二阈值的取值4，那么可遍历各路段，其中，针对路段a’，可构建对应的路段对，包括(a’，c’)、(a’，d’)、(a’，g’)和(a’，h’)，针对路段b’，可构建对应的路段对，包括(b’，d’)、(b’，g’)、(b’，h’)和(b’，i’)，针对路段c’，可构建对应的路段对，包括(a’，c’)、(c’，g’)、(c’，h’)和(c’，i’)，其它类推。
通过上述处理，可基于收集到的车辆行驶轨迹快速地构建出各个路段对，从而为后续处理奠定了良好的基础。
如前所述，可结合各车辆行驶轨迹对应的路段对确定出不同路段间的拥堵传播关系。本公开的一个实施例中，可利用各车辆行驶轨迹对应的路段对组成第一集合，并可对第一集合中的路段对进行去重处理，得到第二集合，之后可分别获取第二集合中的各路段对对应的权重，进而可针对任一基准路段，分别从该基准路段所在的路段对中选出对应的权重最高的K个路段对，K为正整数，将选出的路段对中的邻近路段作为与该基准路段存在拥堵传播关系的路段。K的具体取值可根据实际需要而定。
本公开的一个实施例中，针对第二集合中的任一路段对，可分别进行以下处理：若确定该路段对在第一集合中的出现次数为1，则获取该路段对对应的皮尔森系数，并将所述皮尔森系数作为该路段对对应的权重，所述皮尔森系数为基于该路段对对应的车辆行驶轨迹确定出的车辆通过该路段对中的两个路段的平均速度，若确定该路段对在第一集合中的出现次数为M，M大于1，则分别获取M个该路段对对应的皮尔森系数，并将获取到的M个皮尔森系数相加，将相加之和作为该路段对对应的权重。
比如，对于路段a’和路段c’组成的路段对(a’，c’)，对应10条车辆行驶轨迹，即在第一集合中的出现次数为10，那么基于每条车辆行驶轨迹，可分别确定出一个皮尔森系数，进而可将确定出的10个皮尔森系数相加，将相加之和作为路段对(a’，c’)对应的权重。
对于任一路段，如路段a’，其可能出现在多个不同的路段对中，比如，这多个不同的路段对中的基准路段均为路段a’，但邻近路段不同，每个路段对均对应各自的权重，假设K的取值为2，那么针对路段a’，可从这多个(假设大于2)不同的路段对中选出权重最高的2个路段对，将选出的路段对中的邻近路段作为与路段a’存在拥堵传播关系的路段。
如何在拥堵感知图中记录不同路段间的拥堵传播关系不作限制，比如，可通过某种方式将存在拥堵传播关系的路段相连，以记录/标记路段间的拥堵传播关系。
基于构建出的拥堵感知图，可进行行车路径的行驶速度预测。另外，所述拥堵感知图可周期性进行更新。
比如，用户需要去往某一地点并选择了一条行车路径，那么可将该行车路径作为本公开所述的待处理的行车路径，并可按照本公开所述方式进行行驶速度的预测。
首先，可基于拥堵感知图，生成待处理的行车路径对应的路网子图，其中可包括行车路段以及关联路段，行车路段为位于行车路径上的路段，关联路段为与行车路段存在拥堵传播关系的路段。
图5为本公开所述路网子图的示意图。如图5所示，其中的加粗路径表示行车路径，相应地，行车路径上的各路段均为行车路段，其它路段均为非行车路段，其中可包括关联路段，另外还可包括一些其它路段，如将关联路段与行车路段相连的路段等。
根据路网子图，可预测出行车路径的行驶速度。本公开的一个实施例中，可分别获取路网子图中的各路段的特征，并可根据各路段的特征以及预先训练得到的图转换(GraphTransformer)模型，得到预测出的行车路径的行驶速度。
图转换模型可为预先训练得到的，可利用回归损失函数(Huber Loss)来计算预测结果与真实结果之间的差距，并可采用自适应矩估计(ADAM，Adaptive MomentEstimation)优化器来进行优化。
图转换模型可通过注意力机制来建模路段间的关系，相应地，结合各路段的特征以及图转换模型，可准确地预测出所需的行驶速度，而且，图转换模型在训练完成后可直接使用，从而提升了预测效率。
针对路网子图中的各路段，获取到的特征中具体包括哪些内容可根据实际需要而定。
本公开的一个实施例中，所述特征中可包括：位置序号(Positiion Encoding)，相应地，针对路网子图中的各行车路段，可按照距离行车路径的起点由近到远的顺序，按照递增的方式依次生成各行车路段的位置序号，另外，针对路网子图中的任一非行车路段，可分别进行以下处理：确定出该非行车路段的最近行车路段，最近行车路段为各行车路段中与该非行车路段距离最近的行车路段，基于最近行车路段的位置序号生成该非行车路段的位置序号，其中，该非行车路段的位置序号大于最近行车路段的位置序号，且该非行车路段距离最近行车路段越远，该非行车路段的位置序号越大。
图6为本公开所述增加位置序号后的路网子图的示意图。如图6所示，针对图5中所示的路网子图，可分别将行车路径上的各行车路段的位置序号设置为0、1、2、3和4，其它非行车路段的位置序号如图所示，以路段m为例，其对应的最近行车路段为路段c，路段c的位置序号为2，那么则可将路段m的位置序号设置为3，再以路段l为例，其对应的最近行车路段为路段a，路段a的位置序号为0，那么则可将路段l的位置序号设置为1，其它类推，不再赘述。
本公开的一个实施例中，所述特征中还可包括：转向标识(Route Identifier)，可将路网子图中的各行车路段的转向标识分别设置为第一预定值，将路网子图中的各非行车路段的转向标识分别设置为第二预定值。
图7为本公开所述增加转向标识后的路网子图的示意图。如图7所示，可将各行车路段的转向标识分别设置为1，并可将各非行车路段的转向标识分别设置为0。
除上述位置序号和转向标识外，在实际应用中，路段的特征中还可包括有无十字路口、有无智能交通控制灯、车道数、限速等信息。
在基于图转换模型预测出行车路径的行驶速度后，还可进一步确定出到达时间。
本公开的一个实施例中，预测出行车路径的行驶速度可包括：分别预测出行车路径上的各行车路段的平均行驶速度，相应地，可根据各行车路段的长度以及各行车路段的平均行驶速度，分别确定出各行车路段的行驶时间，并可将各行驶时间相加，将相加之和作为行车路径的行驶时间，进而可根据行车路径的行驶时间确定出终点的到达时间。
通过上述处理，可实现到达时间预估，从而使得用户可以方便直接地获知到达时间，便于用户进行路径选择等处理。
比如，用户需要去往某一地点，并针对该地点获取到了多条行车路径，那么针对每条行车路径，可分别获取对应的路网子图，并可获取路网子图中的各路段的特征，如可包括位置序号、转向标识、有无十字路口、有无智能交通控制灯、车道数、限速等信息，之后可根据各路段的特征以及图转换模型，得到预测出的该行车路径的行驶速度，进而可根据所述行驶速度确定出到达时间，相应地，可选择到达时间最早的行车路径作为实际的行车路径，从而提升了行车效率等。
需要说明的是，对于前述的方法实施例，为了简单描述，将其表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图8为本公开所述行驶速度预测装置第一实施例800的组成结构示意图。如图8所示，包括：生成模块801以及预测模块802。
生成模块801，用于基于拥堵感知图，生成待处理的行车路径对应的路网子图，路网子图中包括行车路段以及关联路段，行车路段为位于行车路径上的路段，关联路段为与行车路段存在拥堵传播关系的路段，拥堵感知图中记录有不同路段间的拥堵传播关系。
预测模块802，用于根据路网子图预测出行车路径的行驶速度。
采用上述装置实施例所述方案，可构建出拥堵感知图，其中记录有不同路段间的拥堵传播关系，进而可基于拥堵感知图预测出行车路径的行驶速度，从而实现了交通拥堵感知，能够更好地解决交通拥堵传播问题，进而提升了预测结果的准确性。
图9为本公开所述行驶速度预测装置第二实施例900的组成结构示意图。如图9所示，包括：生成模块801、预测模块802以及预处理模块803。
其中，生成模块801以及预测模块802与图8所示实施例中相同。
预处理模块803，用于收集预定时长内生成的车辆行驶轨迹，根据所述车辆行驶轨迹构建出拥堵感知图。
车辆行驶轨迹即指用户的开车行为轨迹，其中可包括以下信息：经过了哪些路段、每个路段上的平均行驶速度以及每个路段上的行驶时间等。
所述预定时长的具体取值可根据实际需要而定，比如，最近一天(24小时)。
本公开的一个实施例中，预处理模块803针对任一车辆行驶轨迹，可分别按照以下方式得到该车辆行驶轨迹对应的路段对：遍历该车辆行驶轨迹中的各路段，针对每次遍历到的路段，构建对应的路段对，路段对中包括基准路段以及邻近路段，基准路段为当前遍历到的路段，邻近路段为包含在该车辆行驶轨迹中且符合预定要求的路段，进而可结合各车辆行驶轨迹对应的路段对确定出不同路段间的拥堵传播关系，从而得到拥堵感知图。
本公开的一个实施例中，符合预定要求的路段可以是指，与基准路段之间间隔的路段数大于或等于第一阈值、且小于或等于第二阈值的路段，第一阈值和第二阈值均为正整数，且第一阈值小于第二阈值。
本公开的一个实施例中，预处理模块803可利用各车辆行驶轨迹对应的路段对组成第一集合，并可对第一集合中的路段对进行去重处理，得到第二集合，之后可分别获取第二集合中的各路段对对应的权重，进而可针对任一基准路段，分别从该基准路段所在的路段对中选出对应的权重最高的K个路段对，K为正整数，将选出的路段对中的邻近路段作为与该基准路段存在拥堵传播关系的路段。
本公开的一个实施例中，预处理模块803针对第二集合中的任一路段对，可分别进行以下处理：若确定该路段对在第一集合中的出现次数为1，则获取该路段对对应的皮尔森系数，并将所述皮尔森系数作为该路段对对应的权重，所述皮尔森系数为基于该路段对对应的车辆行驶轨迹确定出的车辆通过该路段对中的两个路段的平均速度，若确定该路段对在第一集合中的出现次数为M，M大于1，则分别获取M个该路段对对应的皮尔森系数，并将获取到的M个皮尔森系数相加，将相加之和作为该路段对对应的权重。
如何在拥堵感知图中记录不同路段间的拥堵传播关系不作限制，比如，可通过某种方式将存在拥堵传播关系的路段相连，以记录/标记路段间的拥堵传播关系。
基于构建出的拥堵感知图，可进行行车路径的行驶速度预测。另外，所述拥堵感知图可周期性进行更新。
如图8和图9所示，生成模块801可基于拥堵感知图，生成待处理的行车路径对应的路网子图，其中可包括行车路段以及关联路段，行车路段为位于行车路径上的路段，关联路段为与行车路段存在拥堵传播关系的路段。
根据路网子图，预测模块802可预测出行车路径的行驶速度。本公开的一个实施例中，可分别获取路网子图中的各路段的特征，并可根据各路段的特征以及预先训练得到的图转换模型，得到预测出的行车路径的行驶速度。
针对路网子图中的各路段，获取到的特征中具体包括哪些内容可根据实际需要而定。
本公开的一个实施例中，所述特征中可包括：位置序号，相应地，预测模块802针对路网子图中的各行车路段，可按照距离行车路径的起点由近到远的顺序，按照递增的方式依次生成各行车路段的位置序号，另外，针对路网子图中的任一非行车路段，可分别进行以下处理：确定出该非行车路段的最近行车路段，最近行车路段为各行车路段中与该非行车路段距离最近的行车路段，基于最近行车路段的位置序号生成该非行车路段的位置序号，其中，该非行车路段的位置序号大于最近行车路段的位置序号，且该非行车路段距离最近行车路段越远，该非行车路段的位置序号越大。
本公开的一个实施例中，所述特征中还可包括：转向标识，预测模块802可将路网子图中的各行车路段的转向标识分别设置为第一预定值，将路网子图中的各非行车路段的转向标识分别设置为第二预定值。比如，第一阈值可为1，第二预定值可为0。
除上述位置序号和转向标识外，在实际应用中，路段的特征中还可包括有无红绿灯、车道数、限速等信息。
本公开的一个实施例中，预测出的行车路径的行驶速度可包括：分别预测出的行车路径上的各行车路段的平均行驶速度，相应地，预测模块802还可根据各行车路段的长度以及各行车路段的平均行驶速度，分别确定出各行车路段的行驶时间，并可将各行驶时间相加，将相加之和作为行车路径的行驶时间，进而可根据行车路径的行驶时间确定出终点的到达时间。
图8和图9所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明，不再赘述。
总之，采用本公开所述方案，可通过用户的开车行为轨迹挖掘得到拥堵感知图，并可基于拥堵感知图预测出行车路径的行驶速度，从而实现了交通拥堵感知，能够更好地解决交通拥堵传播问题，实验显示，采用本公开所述方案可较好地提升预测结果的准确性。
本公开所述方案可应用于人工智能领域，特别涉及智能交通以及深度学习等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术，人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术，人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
本公开所述实施例中的车辆行驶轨迹并不是针对某一特定用户的，并不能反映出某一特定用户的个人信息，另外，本公开所述方法的执行主体可以通过各种公开、合法合规的方式获取所述车辆行驶轨迹，如经过了用户的授权从用户处获取等。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的电子设备1000的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示，设备1000包括计算单元1001，其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序，来执行各种适当的动作和处理。在RAM1003中，还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005，包括：输入单元1006，例如键盘、鼠标等；输出单元1007，例如各种类型的显示器、扬声器等；存储单元1008，例如磁盘、光盘等；以及通信单元1009，例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如本公开所述的方法。例如，在一些实施例中，本公开所述的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时，可以执行本公开所述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (14)
1.一种行驶速度预测方法，包括：
基于拥堵感知图，生成待处理的行车路径对应的路网子图，所述路网子图中包括行车路段以及关联路段，所述行车路段为位于所述行车路径上的路段，所述关联路段为与所述行车路段存在拥堵传播关系的路段，所述拥堵感知图中记录有不同路段间的拥堵传播关系；
根据所述路网子图预测出所述行车路径的行驶速度，包括：分别获取所述路网子图中的各路段的特征，根据各路段的特征以及预先训练得到的图转换模型，得到预测出的所述行车路径的行驶速度；
其中，得到所述拥堵感知图的方式包括：收集预定时长内生成的车辆行驶轨迹，针对任一车辆行驶轨迹，分别按照以下方式得到所述车辆行驶轨迹对应的路段对：遍历所述车辆行驶轨迹中的各路段，针对每次遍历到的路段，构建对应的路段对，所述路段对中包括基准路段以及邻近路段，所述基准路段为当前遍历到的路段，所述邻近路段为包含在所述车辆行驶轨迹中且符合预定要求的路段；利用各车辆行驶轨迹对应的路段对组成第一集合，对所述第一集合中的路段对进行去重处理，得到第二集合，分别获取所述第二集合中的各路段对对应的权重，针对任一基准路段，从所述基准路段所在的路段对中选出对应的权重最高的K个路段对，K为正整数，将选出的路段对中的邻近路段作为与所述基准路段存在拥堵传播关系的路段。
2.根据权利要求1所述的方法，其中，所述符合预定要求的路段包括：
与所述基准路段之间间隔的路段数大于或等于第一阈值、且小于或等于第二阈值的路段，所述第一阈值和所述第二阈值均为正整数，且所述第一阈值小于所述第二阈值。
3.根据权利要求1所述的方法，其中，所述分别获取所述第二集合中的各路段对对应的权重包括：
针对所述第二集合中的任一路段对，分别进行以下处理：
若确定所述路段对在所述第一集合中的出现次数为1，则获取所述路段对对应的皮尔森系数，将所述皮尔森系数作为所述路段对对应的权重，所述皮尔森系数为基于所述路段对对应的车辆行驶轨迹确定出的车辆通过所述路段对中的两个路段的平均速度；
若确定所述路段对在所述第一集合中的出现次数为M，M大于1，则分别获取M个所述路段对对应的皮尔森系数，并将获取到的M个皮尔森系数相加，将相加之和作为所述路段对对应的权重。
4.根据权利要求1所述的方法，其中，
所述特征包括：位置序号；
所述分别获取所述路网子图中的各路段的特征包括：
针对所述路网子图中的各行车路段，按照距离所述行车路径的起点由近到远的顺序，按照递增的方式依次生成各行车路段的位置序号；
针对所述路网子图中的任一非行车路段，分别进行以下处理：确定出所述非行车路段的最近行车路段，所述最近行车路段为各行车路段中与所述非行车路段距离最近的行车路段，基于所述最近行车路段的位置序号生成所述非行车路段的位置序号，所述非行车路段的位置序号大于所述最近行车路段的位置序号，且所述非行车路段距离所述最近行车路段越远，所述非行车路段的位置序号越大。
5.根据权利要求1所述的方法，其中，
所述特征包括：转向标识；
所述分别获取所述路网子图中的各路段的特征包括：
将所述路网子图中的各行车路段的转向标识分别设置为第一预定值，将所述路网子图中的各非行车路段的转向标识分别设置为第二预定值。
6.根据权利要求1-5中任一项所述的方法，其中，
所述预测出所述行车路径的行驶速度包括：分别预测出所述行车路径上的各行车路段的平均行驶速度；
所述方法还包括：根据各行车路段的长度以及各行车路段的平均行驶速度，分别确定出各行车路段的行驶时间，将各行驶时间相加，将相加之和作为所述行车路径的行驶时间，根据所述行车路径的行驶时间确定出终点的到达时间。
7.一种行驶速度预测装置，包括：预处理模块、生成模块以及预测模块；
所述生成模块，用于基于拥堵感知图，生成待处理的行车路径对应的路网子图，所述路网子图中包括行车路段以及关联路段，所述行车路段为位于所述行车路径上的路段，所述关联路段为与所述行车路段存在拥堵传播关系的路段，所述拥堵感知图中记录有不同路段间的拥堵传播关系；
所述预测模块，用于根据所述路网子图预测出所述行车路径的行驶速度，包括：分别获取所述路网子图中的各路段的特征，根据各路段的特征以及预先训练得到的图转换模型，得到预测出的所述行车路径的行驶速度；
所述预处理模块，用于收集预定时长内生成的车辆行驶轨迹，根据所述车辆行驶轨迹构建出所述拥堵感知图，包括：针对任一车辆行驶轨迹，分别按照以下方式得到所述车辆行驶轨迹对应的路段对：遍历所述车辆行驶轨迹中的各路段，针对每次遍历到的路段，构建对应的路段对，所述路段对中包括基准路段以及邻近路段，所述基准路段为当前遍历到的路段，所述邻近路段为包含在所述车辆行驶轨迹中且符合预定要求的路段；利用各车辆行驶轨迹对应的路段对组成第一集合，对所述第一集合中的路段对进行去重处理，得到第二集合，分别获取所述第二集合中的各路段对对应的权重，针对任一基准路段，从所述基准路段所在的路段对中选出对应的权重最高的K个路段对，K为正整数，将选出的路段对中的邻近路段作为与所述基准路段存在拥堵传播关系的路段。
8.根据权利要求7所述的装置，其中，
所述符合预定要求的路段包括：与所述基准路段之间间隔的路段数大于或等于第一阈值、且小于或等于第二阈值的路段，所述第一阈值和所述第二阈值均为正整数，且所述第一阈值小于所述第二阈值。
9.根据权利要求7所述的装置，其中，
所述预处理模块针对所述第二集合中的任一路段对，分别进行以下处理：若确定所述路段对在所述第一集合中的出现次数为1，则获取所述路段对对应的皮尔森系数，将所述皮尔森系数作为所述路段对对应的权重，所述皮尔森系数为基于所述路段对对应的车辆行驶轨迹确定出的车辆通过所述路段对中的两个路段的平均速度；若确定所述路段对在所述第一集合中的出现次数为M，M大于1，则分别获取M个所述路段对对应的皮尔森系数，并将获取到的M个皮尔森系数相加，将相加之和作为所述路段对对应的权重。
10.根据权利要求7所述的装置，其中，
所述特征包括：位置序号；
所述预测模块针对所述路网子图中的各行车路段，按照距离所述行车路径的起点由近到远的顺序，按照递增的方式依次生成各行车路段的位置序号，针对所述路网子图中的任一非行车路段，分别进行以下处理：确定出所述非行车路段的最近行车路段，所述最近行车路段为各行车路段中与所述非行车路段距离最近的行车路段，基于所述最近行车路段的位置序号生成所述非行车路段的位置序号，所述非行车路段的位置序号大于所述最近行车路段的位置序号，且所述非行车路段距离所述最近行车路段越远，所述非行车路段的位置序号越大。
11.根据权利要求7所述的装置，其中，
所述特征包括：转向标识；
所述预测模块将所述路网子图中的各行车路段的转向标识分别设置为第一预定值，将所述路网子图中的各非行车路段的转向标识分别设置为第二预定值。
12.根据权利要求7-11中任一项所述的装置，其中，
预测出的所述行车路径的行驶速度包括：分别预测出的所述行车路径上的各行车路段的平均行驶速度；
所述预测模块进一步用于，根据各行车路段的长度以及各行车路段的平均行驶速度，分别确定出各行车路段的行驶时间，将各行驶时间相加，将相加之和作为所述行车路径的行驶时间，根据所述行车路径的行驶时间确定出终点的到达时间。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210381802.6A CN114970949B (zh) | 2022-04-12 | 2022-04-12 | 行驶速度预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210381802.6A CN114970949B (zh) | 2022-04-12 | 2022-04-12 | 行驶速度预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970949A CN114970949A (zh) | 2022-08-30 |
| CN114970949B true CN114970949B (zh) | 2023-03-24 |
Family
ID=82977038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210381802.6A Active CN114970949B (zh) | 2022-04-12 | 2022-04-12 | 行驶速度预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970949B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751828A (zh) * | 2019-09-10 | 2020-02-04 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106530694B (zh) * | 2016-11-07 | 2019-01-11 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
| CN112382082B (zh) * | 2020-09-30 | 2022-06-14 | 银江技术股份有限公司 | 一种拥堵区域交通运行状态预测方法及系统 |
| CN113160570A (zh) * | 2021-05-27 | 2021-07-23 | 长春理工大学 | 一种交通拥堵预测方法及系统 |
| CN113506439B (zh) * | 2021-07-09 | 2022-12-09 | 阿波罗智联(北京)科技有限公司 | 路网交通瓶颈的识别方法、装置及电子设备 |
-
2022
- 2022-04-12 CN CN202210381802.6A patent/CN114970949B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110751828A (zh) * | 2019-09-10 | 2020-02-04 | 平安国际智慧城市科技股份有限公司 | 一种路段拥堵测量方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970949A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10809723B2 (en) | Method and apparatus for generating information | |
| EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
| CN113538915A (zh) | 交通拥堵事件的处理方法、设备、存储介质及程序产品 | |
| CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
| CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
| CN114689069A (zh) | 自动驾驶设备的导航路线处理方法、装置及电子设备 | |
| CN113806585A (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
| CN113344277A (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
| CN117523838A (zh) | 道路状态确定方法、装置、车辆和存储介质 | |
| CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
| EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
| CN113741459B (zh) | 确定训练样本的方法和自动驾驶模型的训练方法、装置 | |
| CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
| CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
| CN114944060A (zh) | 一种拥堵处理方法、装置、设备及存储介质 | |
| CN114674327A (zh) | 行驶轨迹的推送方法、装置、电子设备和导航设备 | |
| CN113847923A (zh) | 预估到达时间的计算方法、装置、电子设备和可读存储介质 | |
| CN114584949A (zh) | 车路协同确定障碍物属性值的方法、设备及自动驾驶车辆 | |
| CN114781243A (zh) | Eta预测及模型训练方法、设备、介质及产品 | |
| CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
| CN114419876B (zh) | 道路饱和度评价方法、装置、电子设备及存储介质 | |
| CN116245215A (zh) | 预测模型获取及通行时长预测方法、装置、设备及介质 | |
| CN116246460A (zh) | 路段通行时长的确定方法、装置、电子设备和介质 | |
| CN115512554A (zh) | 参数模型训练及交通信号控制方法、装置、设备和介质 | |
| CN116189417A (zh) | 交通灯场景的路况识别方法、装置、电子设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |