CN114996372A - 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
- CN114996372A CN114996372A CN202210302714.2A CN202210302714A CN114996372A CN 114996372 A CN114996372 A CN 114996372A CN 202210302714 A CN202210302714 A CN 202210302714A CN 114996372 A CN114996372 A CN 114996372A
- Authority
- CN
- China
- Prior art keywords
- intersection
- predicted
- sample
- traffic
- prediction
- 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
- 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:获取待预测路口的预测数据;所述预测数据包括涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据,以及预测之前从所述待预测路口的上游路段经过所述待预测路口后进入所述下游路段的已知通行特征;将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的预测通行特征。该技术方案通过将待预测路口与其上游路段作为一个整体统计通行特征,能够避免造成路口通行特征与上下游路段的通行特征的混淆。
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
随着互联网技术的发展,越来越多的应用需要基于位置服务系统向用户提供服务。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路段是否拥堵、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。然而,由于路口的通行情况比较复杂,比如,同一个时段同一个路口的不同通行方向的通行情况存在区别,这导致精细化预测路口的通行特征的预测难度较大,因此,现有技术是将路口作为一个整体预测其通行特征,但这会导致预测结果并不能真实反映路口的通行能力,进而使得基于该预测结果所确定的预计通行时间或者预计到达。因此,如何提高通行特征的预测精细化程度,使得预测结果更加符合实际情况,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:
获取待预测路口的预测数据;所述预测数据包括涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据,以及预测之前从所述待预测路口的上游路段经过所述待预测路口后进入所述下游路段的已知通行特征;
将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的预测通行特征。
进一步地,所述已知通行特征包括按时序排列的多个历史时间片段对应的已知通行特征序列;所述未来通行特征包括按时序排列的多个未来时间片段对应的未来通行特征序列。
进一步地,将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的未来通行特征,包括:
利用预测模型中的时域卷积层提取所述已知通行特征序列在时域维度上的序列特征;
利用预测模型中由线性子模型和深度神经网络子模型构成的混合模型,对所述序列特征和涉及所述待预测路口、所述待预测路口的上游路段和下游路段三者的特征数据进行预测,得到所述预测通行特征序列。
进一步地,涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据包括所述待预测路口的属性特征、所述上游路段的属性特征和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述待预测路口的转向动作特征。
第二方面,本公开实施例中提供了一种模型训练方法,其中,包括:
获取多个样本路口的样本数据以及所述样本路口的标注信息;所述样本数据包括涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,以及在历史时间范围之前从所述上游路段经过所述样本路口进入所述下游路段的样本通行特征;所述标注信息包括所述历史时间范围之后从所述上游路段经过所述样本路口进入所述下游路段的实际通行特征;
利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征。
进一步地,所述样本通行特征包括按时序排列的多个历史时间片段对应的样本通行特征序列;所述实际通行特征包括按时序排列的多个未来时间片段对应的实际通行特征序列。
进一步地,利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征,包括:
将所述样本通行特征序列输入至所述预测模型中的时域卷积层,以提取所述样本通行特征序列在时域维度上的序列特征;
将所述样本通行特征序列在时域维度上的序列特征,以及所述样本数据中涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,输入至所述预测模型中由线性子模型和深度神经网络子模型构成的混合模型,得到输出结果;
基于所述输出结果与所述实际通行特征序列之间的差距调整所述预测模型的模型参数。
进一步地,涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据包括所述样本路口、所述上游路段和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述样本路口的转向动作特征。
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,包括:利用第一方面所述的方法预测的路口通行特征,或者利用第二方面所述的方法得到的预测模型预测的路口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。
第四方面,本发明实施例中提供了一种通行特征预测装置,包括:
第一获取模块,被配置为获取待预测路口的预测数据;所述预测数据包括涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据,以及预测之前从所述待预测路口的上游路段经过所述待预测路口后进入所述下游路段的已知通行特征;
输入模块,被配置为将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的预测通行特征。
第五方面,本发明实施例中提供了一种模型训练装置,包括:
第二获取模块,被配置为获取多个样本路口的样本数据以及所述样本路口的标注信息;所述样本数据包括涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,以及在历史时间范围之前从所述上游路段经过所述样本路口进入所述下游路段的样本通行特征;所述标注信息包括所述历史时间范围之后从所述上游路段经过所述样本路口进入所述下游路段的实际通行特征;
训练模块,被配置为利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征。
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,利用上述通行特征预测装置预测的路口通行特征,或者利用上述模型训练装置得到的预测模型预测的路口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。
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,利用预先训练完成的预测模型预测待预测路口在未来的通行特征时,所获取的该待预测路口的预测数据除了包括该待预测路口的特征数据、上游路段的特征数据和下游路段的特征数据之外,还包括从上游路段经过该待预测路口后进入下游路段的已知通行特征,预测模型基于上述预测数据预测得到从上游路段经过该待预测路口后进入下游路段的未来通行特征。本公开实施例通过将待预测路口与其上游路段作为一个整体统计通行特征,能够避免造成路口通行特征与上下游路段的通行特征的混淆,并且由于本公开实施例中所输入的已知通行特征为从上游路段经过该预测路口后进入下游路段的通行特征,并且输出的未来通行特征也为从上游路段经过该预测路口后进入下游路段的通行特征,也即本公开实施例将同一路口对应的通行特征按照不同通行方向进行了细分,能够提高通行特征的预测精细化程度,使得预测结果更加符合时机情况,并且还能够避免已有技术中针对同一路口使用统一历史统计值所带来的统计误差。
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示出本公开实施例中待预测路口通行时间的确定示意图;
图3示出根据本公开一实施方式中预测模型的结构示意图;
图4示出根据本公开一实施方式的模型训练方法的流程图;
图5示出根据本公开一实施方式中通行特征的预测服务在路径规划场景下的应用示意图;
图6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、模型训练方法和/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,获取待预测路口的预测数据;所述预测数据包括涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据,以及预测之前从所述待预测路口的上游路段经过所述待预测路口后进入所述下游路段的已知通行特征;
在步骤S102中,将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的预测通行特征。
本实施例中,通行特征可以是运载工具行驶经过路口的平均通行速度或者平均通行时间。在一些实施例中,待预测路口的通行特征可以从运载工具进入上游路段开始算起,并经过该待预测路口后进入下游路段为止的整个通行特征。
图2示出本公开实施例中待预测路口通行时间的确定示意图。如图2所示,link A为转向路口JAB的上游路段,link B为转向路口JAB的下游路段。
为避免link A、link B及转向路口JAB通行时间之间存在依赖与耦合,本公开实施例把路段(link)和路口(比如图2中所示的link A和JAB)组成的整体(link+转向动作,记作VAB)作为一个路段级的预测单位,进而预测该预测单位VAB的通行时间。从图2可以看出,VAB的通行时间可以用下游路段link B的进入时间减去上游路段link A的进入时间得到,因此,该通行时间的统计依赖于由link A经JAB进入link B的行驶轨迹,其中所述行驶轨迹中包括由link A经JAB进入link B的多个连续GPS轨迹点。
因此,本公开实施例中的预测模型用于预测每个路口的通行时间,而该通行时间则是以进入路口的路段也即上文中提到的上游路段和该路口为整体进行统计得到的时间,可以理解为从进入上游路段并经过该路口进入下游路段的通行时间。
在一些实施例中,预测模型可以采用基于深度学习的神经网络模型。
在利用预测模型预测通行特征的过程中,本公开实施例所要输入至预测模型的预测数据为与当前待预测路口相关的数据,可以包括但不限于该待预测路口的特征数据、该待预测路口的上游路段的特征数据、该待预测路口的下游路段的特征数据。本公开实施例中的预测模型除了考虑待预测路口的特征数据、该待预测路口的上游路段的特征数据和该待预测路口的下游路段的特征数据预测待预测路口的通行特征之外,还考虑在预测之前该待预测路口的已知通行特征,因此,为了预测待预测路口的未来通行特征,所获取的预测数据可以包括但不限于该待预测路口的特征数据、该待预测路口的上游路段的特征数据、该待预测路口的下游路段的特征数据以及该待预测路口在预测之前的已知通行特征。
需要说明的是,该已知通行特征可以是在预测之前部分时段的通行特征,可以包括当前的实时通行特征以及之前的历史通行特征。例如,当前需要预测后一时段(比如后一小时)待预测路口的通行特征,已知通行特征可以包括当前一个小时范围内的已知通行特征;再例如,当前需要预测下一日待预测路口的通行特征,已知通行特征可以是包括当天的已知通行特征等。
还需要说明的是,预测模型可以是预先训练得到的。从上面预测模型的输入可以看出,该预测模型的训练过程中,所收集的样本数据是样本路口相关的数据,可以包括但不限于样本路口的特征数据、该样本路口上游路段的特征数据以及该样本路口下游路段的特征数据;此外样本数据还可以包括在历史时段中从上游路段经过样本路口后进入下游路段的样本通行特征,而对应于该样本数据的标签信息可以是在历史时段之后从上游路段经过样本路口进入下游路段的实际通行特征。
在预测模型的训练过程中,通过将样本数据输入至预测模型,进而比较预测模型的输出与标签信息中的实际通行特征之间的差距,并基于该差距调整预测模型的模型参数,使得调整了模型参数的预测模型预测得到的输出与实际通行特征更加接近。经过大量样本数据的训练之后,可以得到训练完成的预测模型。
本公开实施例,利用预先训练完成的预测模型预测待预测路口在未来的通行特征时,所获取的该待预测路口的预测数据除了包括该待预测路口的特征数据、上游路段的特征数据和下游路段的特征数据之外,还包括从上游路段经过该待预测路口后进入下游路段的已知通行特征,预测模型基于上述预测数据预测得到从上游路段经过该待预测路口后进入下游路段的未来通行特征。本公开实施例通过将待预测路口与其上游路段作为一个整体统计通行特征,能够避免造成路口通行特征与上下游路段的通行特征的混淆,并且由于本公开实施例中所输入的已知通行特征为从上游路段经过该预测路口后进入下游路段的通行特征,并且输出的未来通行特征也为从上游路段经过该预测路口后进入下游路段的通行特征,也即本公开实施例将同一路口对应的通行特征按照不同通行方向进行了细分,能够提高通行特征的预测精细化程度,使得预测结果更加符合时机情况,并且还能够避免已有技术中针对同一路口使用统一历史统计值所带来的统计误差。
在本实施例的一个可选实现方式中,涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据包括所述待预测路口的属性特征、所述上游路段的属性特征和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述待预测路口的转向动作特征。。
该可选的实现方式中,输入至预测模型的预测数据可以包括待预测路口、上游路段和下游路段的特征数据,该特征数据可以包括待预测路口的属性特征、该待预测路口的上游路段的属性特征以及该待预测路口的下游路段的属性特征等,该特征数据还可以包括从上游路段经过该待预测路口进入下游路段的转向动作特征。待预测路口的属性特征例如可以包括但不限于简单路口、复杂路口、有无红绿灯等,待预测路口的属性特征可以预先设定,在此不做限制。上游路段和下游路段的属性特征可以包括路段属性,路段属性可以包括但不限于车道数、路段长度、路段等级(比如国道、高速、县道、市内路段、主路、辅路等)、所在城市的等级等。路段属性也可以预先设定,在此不做限制。
本公开实施例中,预测模型在预测待预测路口的通行特征时,除了基于待预测路口的属性特征、该待预测路口的上游路段的属性特征以及该待预测路口的下游路段的属性特征之外,还基于待预测路口的转向动作特征,该转向动作特征是指从上游路段经过该预测路口进入下游路段的转向动作特征。也就是说,该预测模型在预测待预测路口的通行特征时,会区分同一路口在不同车道或者相同车道进行不同转向对通行特征的影响因素,进一步将路口的通行特征按照不同的转向进行了细化,使得预测模型所预测得到的通行特征更加精确。
在本实施例的一个可选实现方式中,所述已知通行特征包括按时序排列的多个历史时间片段对应的已知通行特征序列;所述未来通行特征包括按时序排列的多个未来时间片段对应的未来通行特征序列。
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路口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。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划分成多个时间片段,针对每个时间片段统计得到的平均通行特征,比如平均通行时间或平均通行速度等。在一些实施例中,一个时间片段的时间范围可以是分钟级别的。例如,已知通行特征可以是待预测路口前一小时的已知通行特征,那么该已知通行特征可以包括前一小时中所有历史时间片段对应的平均通行特征,假如时间片段长度为5分钟时,该已知通行特征为包括12个平均通行特征的序列。同理,所预测的未来通行特征也是包括未来多个时间片段对应的多个平均通行特征的序列。
在本实施例的一个可选实现方式中,步骤S102,即将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的未来通行特征的步骤,进一步包括以下步骤:
利用预测模型中的时域卷积层提取所述已知通行特征序列在时域维度上的序列特征;
利用预测模型中由线性子模型和深度神经网络子模型构成的混合模型,对所述序列特征和涉及所述待预测路口、所述待预测路口的上游路段和下游路段三者的特征数据进行预测,得到所述预测通行特征序列。
该可选的实现方式中,预测模型可以包括多个时域卷积层和由线性子模型和深度神经网络子模型构成的混合模型。时域卷积层用于对已知通行特征序列进行时域卷积,进而提取已知通行特征序列对应的基于时间维度的序列特征。在一些实施例中,时域卷积层可以采用带门控的时域卷积,预测模型可以设置两个带门控的时域卷积层,已知通行特征序列输入至第一个时域卷积层,该第一个时域卷积层的输出作为第二个时域卷积层的输入,第二个时域卷积层的输出则是该已知通行特征序列在时域维度上对应的序列特征。
该序列特征、待预测路口的属性特征、上游路段的属性特征、下游路段的属性特征以及从上游路段进入下游路段时在该待预测路口所执行的转向动作特征均输入至线性子模型和深度神经网络子模型构成的混合模型,最终输出未来通行特征序列。
在一些实施例中,线性子模型和的神经网络子模型构成的混合模型可以采用已有的wide&deep模型,wide&deep模型具体细节可以参见已有技术,在此不再赘述。
图3示出根据本公开一实施方式中预测模型的结构示意图。如图3所示,预测模型包括两个依次连接的时域卷积网络层(Temporal Gated Convolution),已知通行特征序列(v1,v2,...,vn)表示图2所示VAB的在当前时间范围内(例如当前一个小时内)的n个时间片段对应的速度序列,该已知通行特征序列依次经过两个时域卷积网络层之后,得到速度序列的特征表达,该速度序列的特征表达与linkA的属性、linkB的属性、JAB路口的属性和JAB路口的转向动作输入至Wide&Deep模型,并由Wide&Dedp模型输出预测值。该预测值可以为VAB的通行速度序列。
图4示出根据本公开一实施方式的模型训练方法的流程图。如图4所示,该模型训练方法包括以下步骤:
在步骤S401中,获取多个样本路口的样本数据以及所述样本路口的标注信息;所述样本数据包括涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,以及在历史时间范围之前从所述上游路段经过所述样本路口进入所述下游路段的样本通行特征;所述标注信息包括所述历史时间范围之后从所述上游路段经过所述样本路口进入所述下游路段的实际通行特征;
在步骤S402中,利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征。
本实施例中,样本通行特征可以是运载工具行驶经过路口的平均通行速度或者平均通行时间。在一些实施例中,样本路口的样本通行特征可以从运载工具进入上游路段开始算起,并经过该样本路口后进入下游路段为止的整个样本通行特征。
在一些实施例中,预测模型可以采用基于深度学习的神经网络模型。
在对预测模型进行训练的过程中,可以基于导航数据收集各种样本路口的样本数据。导航数据可以包括但不限于经过样本路口的运载工具的轨迹,基于该轨迹可以确定运载工具经过样本路口时的上游路段和下游路段,还可以计算出运载工具从进入上游路段,并经过样本路口后至下游路段所花费的通行时间、通行速度等样本通行特征。因此,为了训练预测模型,所收集的样本数据为与样本路口相关的数据,可以包括但不限于该样本路口的特征数据、该样本路口的上游路段的特征数据、该样本路口的下游路段的特征数据。本公开实施例中的预测模型除了考虑样本路口的特征数据、该样本路口的上游路段的特征数据和该样本路口的下游路段的特征数据预测样本路口的样本通行特征之外,还考虑在预测之前该样本路口的已知样本通行特征,因此,为了使得预测模型能够准确预测路口的未来样本通行特征,对其进行训练的样本数据可以包括但不限于该样本路口的特征数据、该样本路口的上游路段的特征数据、该样本路口的下游路段的特征数据以及在历史时间范围内从进入上游路段,并经过该样本路口后至下游路段的已知样本通行特征。而该样本数据对应的标注信息则可以包括在历史时间范围之后从进入上游路段,并经过该样本路口后至下游路段的已知样本通行特征。
需要说明的是,收集样本数据时,可以先选定样本路口和历史时间范围。在一些实施例中样本路口可以选定多个,历史时间范围也可以选定多个。针对每个样本路口,可以从导航系统获取在所选定的一个或多个历史时间范围内以及历史时间范围之后一段时间的轨迹数据,进而通过对轨迹数据进行处理,获得每个样本路口对应的样本数据。需要说明的是,历史时间范围可以是以天、小时等为单位的时间范围,而历史时间范围之后的一段时间也可以是以天、小时、分钟等为单位的时间范围。
在预测模型的训练过程中,通过将样本数据输入至预测模型,进而比较预测模型的输出与标签信息中的实际通行特征之间的差距,并基于该差距调整预测模型的模型参数,使得调整了模型参数的预测模型预测得到的输出与实际通行特征更加接近。经过大量样本数据的训练之后,可以得到训练完成的预测模型。
本公开实施例,在训练预测模型的过程中,所收集的样本数据为样本路口相关的数据,除了包括该样本路口、上游路段和下游路段的特征数据之外,还包括在历史时间范围内从上游路段经过该样本路口后进入下游路段的样本通行特征,样本数据作为预测模型的输入数据,而作为监督信息的标签信息则使用的是历史时间范围之后从上游路段经过该样本路口后进入下游路段的实际通行特征,该预测模型所输出的是用于表示历史时间范围之后从上游路段经过该样本路口后进入下游路段的通行特征的预测值。本公开实施例通过将样本路口与其上游路段作为一个整体统计样本通行特征,能够避免造成路口通行特征与上下游路段的通行特征的混淆,并且由于本公开实施例中样本数据中包括的样本通行特征为从上游路段经过该样本路口后进入下游路段的样本通行特征,并且该预测模型的标签信息为从上游路段经过该样本路口后进入下游路段的实际通行特征,也即本公开实施例在训练预测模型的过程中,分别统计将同一路口对应的驶往不同方向上的运载工具的样本通行特征,因此能够避免已有技术中针对同一路口使用统一历史统计值所带来的统计误差,能够提高预测模型对于路口通行特征的预测准确率。
在本实施例的一个可选实现方式中,涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据包括所述样本路口、所述上游路段和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述样本路口的转向动作特征。
该可选的实现方式中,输入至预测模型的样本数据可以包括样本路口、上游路段和下游路段的特征数据,该特征数据可以包括样本路口的属性特征、该样本路口的上游路段的属性特征以及该样本路口的下游路段的属性特征等,该特征数据还可以包括从上游路段经过该样本路口进入下游路段的转向动作特征。样本路口的属性特征例如可以包括但不限于简单路口、复杂路口、有无红绿灯等,样本路口的属性特征可以预先设定,在此不做限制。上游路段和下游路段的属性特征可以包括路段属性,路段属性可以包括但不限于车道数、路段长度、路段等级(比如国道、高速、县道、市内路段、主路、辅路等)、所在城市的等级等。路段属性也可以预先设定,在此不做限制。
本公开实施例中,在训练预测模型的过程中,除了基于样本路口的属性特征、该样本路口的上游路段的属性特征以及该样本路口的下游路段的属性特征之外,还基于样本路口的转向动作特征,该转向动作特征是指从上游路段经过该预测路口进入下游路段的转向动作特征。也就是说,在训练预测模型的过程中,预测模型会区分学习同一路口在不同车道或者相同车道进行不同转向的样本通行特征,使得预测模型所预测得到的样本通行特征更加精确。
在本实施例的一个可选实现方式中,所述样本通行特征包括按时序排列的多个历史时间片段对应的样本通行特征序列;所述实际通行特征包括按时序排列的多个未来时间片段对应的实际通行特征序列。
该可选的实现方式中,样本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路口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样本通行特征。为了使得样本通行特征能够更加精确地描述样本路口的通行特征,本公开实施例将时间划分成多个时间片段,针对每个时间片段统计得到的平均通行特征,进而得到的样本通行特征为历史时间范围内多个时间片段对应的多个平均通行特征构成的序列。在一些实施例中,一个时间片段的时间范围可以是分钟级别的。例如,样本通行特征可以是样本路口在历史时间范围例如某天某小时内的样本通行特征,那么该样本通行特征可以包括该小时内所有历史时间片段对应的平均通行特征,假如时间片段长度为5分钟,则该样本通行特征为包括该1个小时里12个历史时间片段对应的12个平均通行特征的序列。同理,实际通行特征为历史时间范围之后一段时间中所有未来时间片段对应的多个实际通行特征构成的序列,在上述例子中,实际通行特征可以为该小时后一小时内所有未来时间片段对应的平均通行特征序列。
在本实施例的一个可选实现方式中,步骤S402,即利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征的步骤,进一步包括以下步骤:
将所述样本通行特征序列输入至所述预测模型中的时域卷积层,以提取所述样本通行特征序列在时域维度上的序列特征;
将所述样本通行特征序列在时域维度上的序列特征,以及所述样本数据中涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据输入至所述预测模型中由线性子模型和深度神经网络子模型构成的混合模型,得到输出结果将所述样本通行特征序列在时域维度上的序列特征;
基于所述输出结果与所述实际通行特征序列之间的差距调整所述预测模型的模型参数。
该可选的实现方式中,预测模型可以包括多个时域卷积层和由线性子模型和深度神经网络子模型构成的混合模型。时域卷积层用于对已知样本通行特征序列进行时域卷积,进而提取已知样本通行特征序列对应的基于时间维度的序列特征。在一些实施例中,时域卷积层可以采用带门控的时域卷积,预测模型可以设置两个带门控的时域卷积层,样本通行特征序列输入至第一个时域卷积层,该第一个时域卷积层的输出作为第二个时域卷积层的输入,第二个时域卷积层的输出则是该样本通行特征序列在时域维度上对应的序列特征。
该序列特征、样本路口的属性特征、上游路段的属性特征、下游路段的属性特征以及从上游路段进入下游路段时在该样本路口所执行的转向动作特征均输入至线性子模型和深度神经网络子模型构成的混合模型,最终得到预测模型的输出结果,该输出结果为历史时间范围之后该样本路口的通行特征序列的预测值。
通过比较该预测值与实际通行特征序列,例如可以将该预测值以及实际通行特征序列代入预先构建的损失函数计算本次训练的损失,进而再利用该损失通过反向传播发方法调整预测模型的模型参数,模型参数可以包括预测模型所包括的多个时域卷积层的模型参数、由线性子模型和深度神经网络模型构成的混合模型的模型参数。
在一些实施例中,线性子模型和的神经网络子模型构成的混合模型可以采用已有的wide&deep模型,wide&deep模型具体细节可以参见已有技术,在此不再赘述。
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的路口通行特征或者利用上述模型训练方法得到的预测模型预测的路口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,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,可以针对任意路段或者预先选中的路段例如热门路段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)预测服务等。
被服务对象可以是手机、ipad、电脑、智能手表、车辆、机器人等。在为被服务对象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路段的通行特征,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路段通行特征预测方法的描述,在此不再赘述。
图5示出根据本公开一实施方式中通行特征的预测服务在路径规划场景下的应用示意图。如图5所示,在离线场景下,预测服务器从导航服务器获取城市A在几个月内车辆的导航数据,并从导航数据中筛选出具有代表性路口的车辆轨迹,并针对每个代表性路口,可以以天或周为单位,统计每天或者每周所有时间片段内车辆的平均通行速度或者平均通行时间,将各时间片段对应的平均通行速度或者平均通行时间表示为序列的形式;此外,还需要确定每个路口对应的上游路段和下游路段的属性,该路口的属性以及从上游路段经过该路口进入下游路段的转向动作。预测服务器利用所获取的上述数据训练预测模型,该预测模型的结构可以参见图3所示的结构。
在线预测阶段,针对每个待预测的路口,预测服务器从导航服务器获取该路口的属性特征、该路口上下游路段的属性特征以及从上游路段经过该路口进入下游路段的转向动作特征,并获取预测时间点之前一段时间内经过该路口的车辆轨迹,基于车辆轨迹获得该一段时间内各时间片段中从上游路段经过该路口进入下游路段的平均通行时间或者平均通行速度,形成该一段时间对应的通行特征序列。将该通行特征序列输入至预测模型的时域卷积层,得到该通行特征序列在时域维度上的序列特征,进而再将该序列特征、路口的属性特征、上下游路段的属性特征以及从上游路段经过该路口进入下游路段的转向动作特征输入至预测模型中由线性子模型和深度神经网络子模型构成的混合模型中,得到该路口在下一时间段的通行特征序列。
预测服务器将预测的每个路口的通行特征序列发送给导航服务器,导航服务器基于上述通行特征序列可用于预测该路口相关的上下游路段在未来的通行特征,进而在接收到车辆的导航请求时,基于该通行特征进行路径规划。
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,被配置为获取待预测路口的预测数据;所述预测数据包括涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据,以及预测之前从所述待预测路口的上游路段经过所述待预测路口后进入所述下游路段的已知通行特征;
输入模块,被配置为将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的预测通行特征。
在本实施例的一个可选实现方式中,涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据包括所述待预测路口的属性特征、所述上游路段的属性特征和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述待预测路口的转向动作特征。
在本实施例的一个可选实现方式中,所述已知通行特征包括按时序排列的多个历史时间片段对应的已知通行特征序列;所述未来通行特征包括按时序排列的多个未来时间片段对应的未来通行特征序列。
在本实施例的一个可选实现方式中,所述输入模块,包括:
提取子模块,被配置为利用预测模型中的时域卷积层提取所述已知通行特征序列在时域维度上的序列特征;
处理子模块,被配置为利用预测模型中由线性子模型和深度神经网络子模型构成的混合模型,对所述序列特征和涉及所述待预测路口、所述待预测路口的上游路段和下游路段三者的特征数据进行预测,得到所述预测通行特征序列。
本实施例中的通行特征预测装置与上文中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通行特征预测方法的描述,在此不再赘述。
根据本公开一实施方式的模型训练装置,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。该模型训练装置包括:
第二获取模块,被配置为获取多个样本路口的样本数据以及所述样本路口的标注信息;所述样本数据包括涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,以及在历史时间范围之前从所述上游路段经过所述样本路口进入所述下游路段的样本通行特征;所述标注信息包括所述历史时间范围之后从所述上游路段经过所述样本路口进入所述下游路段的实际通行特征;
训练模块,被配置为利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征。
在本实施例的一个可选实现方式中,涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据包括所述样本路口、所述上游路段和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述样本路口的转向动作特征。
在本实施例的一个可选实现方式中,所述样本通行特征包括按时序排列的多个历史时间片段对应的样本通行特征序列;所述实际通行特征包括按时序排列的多个未来时间片段对应的实际通行特征序列。
在本实施例的一个可选实现方式中,所述训练模块,包括:
第一输入子模块,被配置为将所述样本通行特征序列输入至所述预测模型中的时域卷积层,以提取所述样本通行特征序列在时域维度上的序列特征;
第二输入子模块,被配置为将所述样本通行特征序列在时域维度上的序列特征,以及所述样本数据中涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据输入至所述预测模型中由线性子模型和深度神经网络子模型构成的混合模型,得到输出结果将所述样本通行特征序列在时域维度上的序列特征;
调整子模块,被配置为基于所述输出结果与所述实际通行特征序列之间的差距调整所述预测模型的模型参数。
本实施例中的模型训练装置与上文中所描述的模型训练方法对应一致,具体细节可以参见上文中对模型训练方法的描述,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的路口通行特征,或者利用上述模型训练装置得到的预测模型预测的路口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。
本实施例中的基于位置的服务提供装置与上文中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对基于位置的服务提供方法的描述,在此不再赘述。
图6是适于用来实现根据本公开实施方式的通行特征预测方法、模型训练方法和/或基于位置的服务提供方法的电子设备的结构示意图。
如图6所示,电子设备600包括处理单元601,其可实现为CPU、GPU、FPGA、NPU等处理单元。处理单元601可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行本公开上述任一方法的实施方式中的各种处理。在RAM603中,还存储有电子设备600操作所需的各种程序和数据。处理单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本公开的实施方式,上文参考本公开实施方式中的任一方法可以被实现为计算机软件程序。例如,本公开的实施方式包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行本公开实施方式中任一方法的程序代码。在这样的实施方式中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。
附图中的流程图和框图,图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本公开还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种通行特征预测方法,其中,包括:
获取待预测路口的预测数据;所述预测数据包括涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据,以及预测之前从所述待预测路口的上游路段经过所述待预测路口后进入所述下游路段的已知通行特征;
将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的预测通行特征。
2.根据权利要求1所述的方法,其中,所述已知通行特征包括按时序排列的多个历史时间片段对应的已知通行特征序列;所述未来通行特征包括按时序排列的多个未来时间片段对应的未来通行特征序列。
3.根据权利要求2所述的方法,其中,将所述预测数据输入至预测模型,以获得从所述待预测路口的上游路段经过所述待预测路口后进入所述待预测路口的下游路段的未来通行特征,包括:
利用预测模型中的时域卷积层提取所述已知通行特征序列在时域维度上的序列特征;
利用预测模型中由线性子模型和深度神经网络子模型构成的混合模型,对所述序列特征和涉及所述待预测路口、所述待预测路口的上游路段和下游路段三者的特征数据进行预测,得到所述预测通行特征序列。
4.根据权利要求1-3任一项所述的方法,其中,涉及所述待预测路口、所述待预测路口的上游路段和所述待预测路口的下游路段三者的特征数据包括所述待预测路口的属性特征、所述上游路段的属性特征和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述待预测路口的转向动作特征。
5.一种模型训练方法,其中,包括:
获取多个样本路口的样本数据以及所述样本路口的标注信息;所述样本数据包括涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,以及在历史时间范围之前从所述上游路段经过所述样本路口进入所述下游路段的样本通行特征;所述标注信息包括所述历史时间范围之后从所述上游路段经过所述样本路口进入所述下游路段的实际通行特征;
利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征。
6.根据权利要求5所述的方法,其中,所述样本通行特征包括按时序排列的多个历史时间片段对应的样本通行特征序列;所述实际通行特征包括按时序排列的多个未来时间片段对应的实际通行特征序列。
7.根据权利要求6所述的方法,其中,利用所述样本数据以及所述标注信息训练预测模型,以使所述预测模型用于预测路口的未来通行特征,包括:
将所述样本通行特征序列输入至所述预测模型中的时域卷积层,以提取所述样本通行特征序列在时域维度上的序列特征;
将所述样本通行特征序列在时域维度上的序列特征,以及所述样本数据中涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据,输入至所述预测模型中由线性子模型和深度神经网络子模型构成的混合模型,得到输出结果;
基于所述输出结果与所述实际通行特征序列之间的差距调整所述预测模型的模型参数。
8.根据权利要求5-7任一项所述的方法,其中,涉及所述样本路口、所述样本路口的上游路段和下游路段三者的特征数据包括所述样本路口、所述上游路段和所述下游路段的属性特征,以及从所述上游路段进入所述下游路段时在所述样本路口的转向动作特征。
9.一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1-4任一项所述的方法预测的路口通行特征,或者利用权利要求5-8任一项所述的方法得到的预测模型预测的路口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。
10.一种电子设备,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1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210302714.2A CN114996372A (zh) | 2022-03-24 | 2022-03-24 | 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 |
---|---|---|---|
CN202210302714.2A CN114996372A (zh) | 2022-03-24 | 2022-03-24 | 通行特征预测方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114996372A true CN114996372A (zh) | 2022-09-02 |
Family
ID=83023795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210302714.2A Pending CN114996372A (zh) | 2022-03-24 | 2022-03-24 | 通行特征预测方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114996372A (zh) |
-
2022
- 2022-03-24 CN CN202210302714.2A patent/CN114996372A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919347B (zh) | 路况生成方法、相关装置和设备 | |
Lin et al. | Real-time bus arrival time prediction: case study for Jinan, China | |
CN114973677A (zh) | 用于确定预计到达时间的方法和设备 | |
Tian et al. | Connected vehicle-based lane selection assistance application | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
Stipancic et al. | Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data | |
Gómez et al. | Evaluation of trade-offs between two data sources for the accurate estimation of origin–destination matrices | |
Rey et al. | An extension of Newell’s simplified kinematic wave model to account for first-in-first-out violation: With an application to vehicle trajectory estimation | |
KR20210000198A (ko) | 도로 교통 혼잡도 예측 및 모의 방법 | |
CN110009904A (zh) | 车辆偏离车道的预测方法、装置、设备及存储介质 | |
CN114822050B (zh) | 路况识别方法、电子设备及计算机程序产品 | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
CN114996372A (zh) | 通行特征预测方法、电子设备及存储介质 | |
CN114781243A (zh) | Eta预测及模型训练方法、设备、介质及产品 | |
CN115762166A (zh) | 确定路口通行时长的方法、装置、电子设备及存储介质 | |
CN110807912A (zh) | 一种道路行车速度预测方法、终端设备及存储介质 | |
CN111831931B (zh) | 一种上车点排序、信息排序的方法及装置 | |
CN107121145A (zh) | 一种交通信息处理方法及装置 | |
CN106781470B (zh) | 城市道路的运行速度的处理方法及装置 | |
KR20220063035A (ko) | 도로 분기점 방향별 통행시간 산출 기반의 교통정보 서비스 방법 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN114999143B (zh) | 红灯时长挖掘方法、电子设备及计算机程序产品 | |
CN114719880B (zh) | 模型训练方法、装置及电子设备 | |
WO2022230144A1 (ja) | 集計装置、集計方法及び集計プログラム | |
CN116189438B (zh) | 智能网联公交车通行效率综合评价方法与系统 |
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 |