CN114999143B - 红灯时长挖掘方法、电子设备及计算机程序产品 - Google Patents
红灯时长挖掘方法、电子设备及计算机程序产品 Download PDFInfo
- Publication number
- CN114999143B CN114999143B CN202210267940.1A CN202210267940A CN114999143B CN 114999143 B CN114999143 B CN 114999143B CN 202210267940 A CN202210267940 A CN 202210267940A CN 114999143 B CN114999143 B CN 114999143B
- Authority
- CN
- China
- Prior art keywords
- duration
- red light
- parking
- sample
- target
- 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
Classifications
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Abstract
本公开实施例公开了一种红灯时长挖掘方法、电子设备及计算机程序产品,所述方法包括:获取目标时段内的样本数据;所述样本数据包括在所述目标时间段内目标红绿灯前多个样本车辆的停车时长;将所述样本车辆按照所述停车时长排序,获得排序结果;确定以所述排序结果排列的所述样本车辆的所述停车时长的分布信息;基于所述分布信息确定所述样本车辆中所述停车时长的突变拐点;基于所述突变拐点对应的所述停车时长确定所述目标红绿灯的红灯时长。该技术方案由于利用大数据挖掘得到红绿灯的红灯时长,覆盖面积更加广泛,泛化性能更好,并且红灯时长能够精细化到一天中的某个时段,精度更高。
Description
技术领域
本公开涉及交通技术领域,具体涉及一种红灯时长挖掘方法、电子设备及计算机程序产品。
背景技术
目前,城市道路中造成拥堵的主要原因之一是红绿灯,而红绿灯的红灯时长则是各种道路交通场景下所需要的重要信息之一。例如,为了缓解用户在交通拥堵场景下的焦虑情绪,可以将用户当前要通行的红绿灯时长推送给用户。此外,红绿灯的红灯时长还可以用于精准计算通行路口代价,以作为辅助特征预测拥堵、消散等交通状况。已有技术中,红绿灯的红灯时长通常依赖于交管局提供的红绿灯周期及对应路口等,但是这种方式能够获得的红绿灯数据由于覆盖面小,无法满足大部分道路交通场景的需求。
因此,需要提出一种解决方案,用于挖掘道路上各种红绿灯的红灯时长,以满足各种道路交通场景的需求。
发明内容
本公开实施例提供一种红灯时长挖掘方法、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红灯时长挖掘方法,其中,包括:
获取目标时段内的样本数据;所述样本数据包括在所述目标时间段内目标红绿灯前多个样本车辆的停车时长;
将所述样本车辆按照所述停车时长排序,获得排序结果;
确定以所述排序结果排列的所述样本车辆的所述停车时长的分布信息;
基于所述分布信息确定所述样本车辆中所述停车时长的突变拐点;
基于所述突变拐点对应的所述停车时长确定所述目标红绿灯的红灯时长。
进一步地,所述分布信息包括以所述停车时长为纵坐标,以所述样本车辆在所述排序结果中的排序序号为横坐标的点。
进一步地,所述分布信息包括两部分:分布相对均匀的第一分布信息以及从所述第一分布信息突变后分布不均匀的第二分布信息;所述突变拐点位于基于所述第一分布信息以及所述第二分布信息之间。
进一步地,所述方法还包括:
获取基于多个目标时间段内的所述样本数据确定的多个所述红灯时长;
将多个所述红灯时长进行聚合,获得所述目标红绿灯的红灯时长的分布信息。
进一步地,所述获取目标时段内的样本数据,包括:
获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据;
基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时,所述样本车辆的停车时长是否大于或等于预设长度;
将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据,加入样本数据集。
进一步地,获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据之后,所述方法还包括:
基于预训练的轨迹分类模型确定所述轨迹数据的类别;
将所述类别为非机动车辆的所述轨迹数据剔除。
第二方面,本公开实施例中提供了一种交通状况分析方法,包括:利用第一方面所述的方法确定的目标红绿灯的红灯时长分析所述目标红绿灯所在道路的交通状况。
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,包括:利用第二方面所述的方法得到的交通状况为被导航对象提供位置服务,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。
第四方面,本公开实施例中提供了一种红灯时长挖掘装置,其中,包括:
第一获取模块,被配置为获取目标时段内的样本数据;所述样本数据包括在所述目标时间段内目标红绿灯前多个样本车辆的停车时长;
第二获取模块,被配置为将所述样本车辆按照所述停车时长排序,获得排序结果;
第一确定模块,被配置为确定以所述排序结果排列的所述样本车辆的所述停车时长的分布信息;
第二确定模块,被配置为基于所述分布信息确定所述样本车辆中所述停车时长的突变拐点;
第三确定模块,被配置为基于所述突变拐点对应的所述停车时长确定所述目标红绿灯的红灯时长。
第五方面,本公开实施例中提供了一种交通状况分析装置,包括:利用第四方面所述的装置确定的目标红绿灯的红灯时长分析所述目标红绿灯所在道路的交通状况。
第六方面,本公开实施例中提供了一种基于位置的服务提供装置,包括:利用第五方面所述的装置得到的交通状况为被导航对象提供位置服务,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:
本公开实施例在挖掘红灯时长的过程中,首先获得目标时段中样本车辆的停车时长,进而通过停车时长对样本车辆进行排序,并获得按照排序结果排列的各样本车辆的停车时长的分布信息,基于该分布信息确定样本车辆的停车时长的突变拐点,并基于突变拐点对应的停车时长确定红灯时长。本公开实施例在挖掘红灯时长时,由于不依赖于红绿灯的周期时长,准确度更高;此外,本公开实施例由于利用大数据挖掘得到红绿灯的红灯时长,覆盖面积更加广泛,泛化性能更好,并且红灯时长能够精细化到一天中的某个时段,精度更高。
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红灯时长挖掘方法的流程图;
图2示出根据本公开一实施方式中样本车辆的停车时长的分布信息示意图;
图3示出根据本公开一实施方式中停车时长的分布信息中的拐点挖掘方式的效果示意图;
图4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5示出根据本公开一实施方式的红灯时长挖掘装置的结构框图;
图6是适于用来实现根据本公开一实施方式的红灯时长挖掘方法、交通状况分析方法和/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红灯时长挖掘方法的流程图。如图1所示,该红灯时长挖掘方法包括以下步骤:
在步骤S101中,获取目标时段内的样本数据;所述样本数据包括在所述目标时间段内目标红绿灯前多个样本车辆的停车时长;
在步骤S102中,将所述样本车辆按照所述停车时长排序,获得排序结果;
在步骤S103中,确定以所述排序结果排列的所述样本车辆的所述停车时长的分布信息;
在步骤S104中,基于所述分布信息确定所述样本车辆中所述停车时长的突变拐点;
在步骤S105中,基于所述突变拐点对应的所述停车时长确定所述目标红绿灯的红灯时长。
本实施例中,该红灯时长挖掘方法可以在服务器上执行。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。目标时段内的样本数据可以包括该目标时段内经过目标红绿灯并且在目标红绿灯前停车的所有或者部分样本车辆的停车时长。目标时段可以是需要挖掘红灯时长的一天中的任意一个时段。
实际应用中,可以分别挖掘一天所有时段对应的红灯时长,这是由于红绿灯按照红灯时长可以分为单时长红灯和多时长红灯,单时长红灯在一天所有时段中红灯时长固定不变的,而多时长红灯在一天不同时段内的红灯时长可能是动态变化的。例如多时长红灯在早晚高峰时期,红灯时长可能较长,而在平峰时期,红灯时长可能较短。
本公开实施例可以针对预先划分好的所有时段分别挖掘有需求的目标红绿灯的红灯时长。
需要说明的是,在一些实施例中,一个目标时段对应的样本数据中,可以包括多天该目标时段内的样本车辆的停车时长。样本车辆可以是在目标时段内经过该目标红绿灯并且有停车行为的所有或者部分车辆,停车时长可以基于车辆的轨迹数据确定。
在获取了目标时段内的样本数据后,可以基于样本车辆在该目标红绿灯前的停车时长对样本车辆进行排序,还可以基于排序结果对每个样本车辆赋予排序序号。在一些实施例中,可以按照停车时长由小及大的顺序对样本车辆进行排序。当然可以理解的是,在另一些实施例中,也可以按照停车时长由大到小的顺序进行排序,具体可以基于应用的需要进行自由选择,在此不做具体限制。
经过本公开发明人的研究发现,在忽略目标红绿灯所在道路以及红绿灯整个周期的影响后,每个样本车辆驶入红绿灯前并由于红灯而停车的时间t1与目标红绿灯的相位关系相互独立,所以多个样本车辆在目标红绿灯前的停车时长的分布概率处于均匀分布。
因此,在理想情况下,如果样本车辆中所有停车时长都是等红绿灯的时长,则基于该均匀分布的理论可以得知,所有样本车辆的最大停车时长则为红灯时长。然而,实际道路情况是,样本车辆中可能会存在意外停车,例如一些车辆并不是因为等红灯停车,而是路边停车、发生交通事故或者其他原因导致在红绿灯前停车。而这种意外停车的样本车辆的停车时长则会较长,并且会脱离上文中提到的均匀分布规律而存在。因此,为了挖掘出目标红绿灯的真正红灯时长,可以先找出样本车辆的停车时长的分布信息,进而再基于分布信息以及样本车辆等待红灯时长的均匀分布规律挖掘出目标红绿灯的红灯时长。
本公开实施例在将样本车辆按照停车时长进行排序后,确定按照排序结果进行排列的样本车辆的停车时长的分布信息,该分布信息中遵循均匀分布规律的停车时长可以表示为趋于线性分布的点,该些线性分布的点可以被拟合为一条斜线,该斜线为从排序在最前的第一辆样本车辆的停车时长开始斜向上的线。
此外,该分布信息中还存在一些不遵循均匀分布规律的停车时长,也即不为等红绿灯的红灯而停车的样本车辆的停车时长,表示这些停车时长的点在分布信息中会表现出会脱离上述斜线,从而使得该斜线上产生一个拐点,并且在该拐点处向上突变,该拐点可以称之为分布信息中的突变拐点。
基于上述分析可以知道,在确定按照排序结果排列的样本车辆的停车时长的分布信息之后,只要从该分布信息中找出不再遵循均匀分布规律的突变拐点,即可确定该目标红绿灯的真正红灯时长;也即可以基于该突变拐点对应的停车时长确定目标红绿灯的红灯时长。需要说明的是,本实施例中提到的上述突变拐点可以为依然靠近上文中提到的斜线上的点,也即突变拐点可以理解为分布信息中依然遵循均匀分布规律的最后一个或者最后一组点。
在一些实施例中,可以直接将该突变拐点或者该些突变拐点对应的停车时长确定为目标红绿灯的红灯时长。而在另一些实施例中,还可以基于实际情况对该突变拐点或者该些突变拐点对应的停车时长进行处理后得到目标红绿灯的红灯时长,具体可以根据实际应用进行灵活选择处理,在此不做具体限制。
目前,已有的红灯时长挖掘方案大多是先挖掘红绿灯的周期,再通过找出红灯与绿灯的最大置信的分界点来分别确定红灯时长和绿灯时长。但是这种方式由于红灯时间与红绿灯的周期时长存在强耦合关系,如果周期时长本身计算有误,则红灯时长必然会错误,泛化性较差。
而本公开实施例在挖掘红灯时长的过程中,首先获得目标时段中样本车辆的停车时长,进而通过停车时长对样本车辆进行排序,并获得按照排序结果排列的各样本车辆的停车时长的分布信息,基于该分布信息确定样本车辆的停车时长的突变拐点,并基于突变拐点对应的停车时长确定红灯时长。本公开实施例在挖掘红灯时长时,由于不依赖于红绿灯的周期时长,准确度更高;此外,本公开实施例由于利用大数据挖掘得到红绿灯的红灯时长,覆盖面积更加广泛,泛化性能更好,并且红灯时长能够精细化到一天中的某个时段,精度更高。
在本实施例的一个可选实现方式中,所述分布信息包括以所述停车时长为纵坐标,以所述样本车辆在所述排序结果中的排序序号为横坐标的点。
该可选的实现方式中,为了从所有样本车辆的停车时长的分布信息中挖掘出目标红绿灯的红灯时长,本公开实施例中对样本车辆按照停车时长进行排序,例如按照停车时长由小及大的顺序进行排序,之后再确定按照排序结果排列的样本车辆的停车时长的分布信息,从中找出均匀分布的分布规律,并找出未遵循均匀分布规律的突变拐点,进而再基于该突变拐点对应的停车时长确定目标红绿灯的红灯时长。
在一些实施例中,分布信息可以如下构建:将停车时长作为纵坐标,将样本车辆在排序结果中的排序序号作为横坐标。
图2示出根据本公开一实施方式中样本车辆的停车时长的分布信息示意图。如图2所示,该图中的横坐标为将N(N为大于1的正整数)个样本车辆按照停车时长排序后得到的排序序号,而纵坐标为停车时长,分布信息为序号为1-样本车辆N的停车时长。从图中可以看出,从第1辆样本车辆开始的4000多辆车,该分布信息基本呈斜向上延伸的一条直线,而在4000多辆以后的少量样本车辆的停车时长开始向上突变,也即从该条呈直线的斜线发生向上的拐点,而该拐点即为上文中提到的突变拐点,可以基于其对应的停车时长确定目标红绿灯的红灯时长。
在本实施例的一个可选实现方式中,所述分布信息包括两部分:分布相对均匀的第一分布信息以及从所述第一分布信息突变后分布不均匀的第二分布信息;所述突变拐点位于基于所述第一分布信息以及所述第二分布信息之间。
从图2可以看出,第一分布信息对应于拐点之前的分布信息,第二分布信息对应于拐点之后的分布信息。并且第一分布信息中的停车时长小于第二分布信息中的停车时长。
图3示出根据本公开一实施方式中停车时长的分布信息中的拐点挖掘方式的效果示意图。如图3所示,在将样本车辆的停车时长按照样本车辆的排序序号形成停车时长的分布信息之后,可以通过对分布信息中的各数据(也即对应排序序号的样本车辆的停车时长)进行线性规划,从而拟合两条相交的直线,并且在拟合出的两条直线中,各数据的线性误差最小时,可以认为规划得到了最终的两条相交直线,如图3中所述的两条直线,并将该两条直线的相交点可以确定为分布信息中的突变拐点。图3中从第1个样本车辆至4000多个样本车辆对应的直线为等待红灯的样本车辆的停车时长拟合得到的直线,而4000多个样本车辆之后的另一条直线为非等待红灯的样本车辆的停车时长拟合得到的直线。
可以理解的是,上述分布信息中的拐点不限于图3所示的线性规划方式,可以采用已有的、能够从上述分布信息中找出拐点的其他任何方式。
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:
获取基于多个目标时间段内的所述样本数据确定的多个所述红灯时长;
将多个所述红灯时长进行聚合,获得所述目标红绿灯的红灯时长的分布信息。
该可选的实现方式中,如上文中所述,本公开实施例提出的上述红灯时长挖掘方案可以针对目标红绿灯,挖掘出一个目标时段内的红灯时长。通过将一天划分为多个目标时段,可以挖掘出一天多个目标时段的红灯时长,而通过将多个目标时段对应的多个红灯时长进行聚合,可以获得目标红绿灯在一天中红灯时长的分布信息。
在一些实施例中,可以将一天按照一个小时划分时段,并针对每个时段挖掘对应的红灯时长,在将一天多个红灯时长进行聚合时,如果相邻两个时段的红灯时长相差不大,例如在预定时间范围(可以是秒级)内,则可以认为这两个时段中目标红绿灯的实际红灯时长是一样的,可以将该两个红灯时长进行聚合,比如进行平均后得到该两个时段对应的红灯时长。如果相邻两个时段的红灯时长相差较大,比如大于预定时间范围,则可以认为由于该目标红绿灯为多时长红灯,因此这两个时段对应的实际红灯时长不同。通过上述方式,将一天中所有时段进行聚合之后,可以挖掘出目标红绿灯在不同时段下的红灯时长,也即可以得到目标红绿灯的红灯时长分布信息。
在本实施例的一个可选实现方式中,步骤S101,即获取目标时段内的样本数据的步骤,进一步包括以下步骤:
获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据;
基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时,所述样本车辆的停车时长是否大于或等于预设长度;
将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据,加入样本数据集。
该可选的实现方式中,可以利用样本车辆在导航过程中产生的轨迹数据获得样本车辆的停车时长。在获取样本车辆在目标红绿灯前的停车时长时,可以先将目标红绿灯所连通的两个连通路段关联起来,也即该相关联的两个连通路段中,从第一路段通过红绿灯可以行驶到第二路段,而针对同一目标红绿灯,可以建立一组或多组相关联的连通路段,每组包括两个连通路段。
因此,可以针对目标红绿灯相对应的每一组连通路段,获取样本车辆的轨迹数据,进而基于轨迹数据确定样本车辆从第一路段进入第二路段时,样本车辆的停车时长是否大于或等于预设长度,在大于或等于预设长度时,将该停车时长作为目标时段内的样本数据加入样本数据集中,而该样本车辆的停车时长如果小于预设长度,则可以将该数据丢弃,这是因为如果停车时长过短,可以认为该停车时长不一定是等红灯的时长,可能是噪声数据。预设长度可以根据经验值或者历史数据的统计等设置,在此不做具体限制。
本公开实施例通过真实车辆的轨迹数据获取在红灯前的停车时长,覆盖范围更广,并且由于可以采用大量数据能够获得更加准确的停车时长。
在本实施例的一个可选实现方式中,所述获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据的步骤之后,进一步包括以下步骤:
基于预训练的轨迹分类模型确定所述轨迹数据的类别;
将所述类别为非机动车辆的所述轨迹数据剔除。
该可选的实现方式中,考虑到轨迹数据对应的导航对象不一定都是车辆,也可能是非机动车辆,比如外卖骑手的轨迹数据,为了能够更准确的挖掘出目标红绿灯的红灯时长,可以从收集的轨迹数据中将非机动车辆的轨迹数据剔除。本实施例中,可以利用预先训练的轨迹分类模型对轨迹数据进行分类,其分类结果可以是机动车轨迹和非机动车轨迹。在分类结果为非机动车轨迹时,将该轨迹数据剔除。通过这种方式,可以将样本数据中的噪声剔除,能够进一步提升最终挖掘出的红灯时长的准确性。
根据本公开一实施方式的交通状况分析方法,该交通状况分析方法包括:利用上述红灯时长挖掘方法确定的目标红绿灯的红灯时长分析目标红绿灯所在道路的交通状况。
本实施例中,交通状况可以包括任意与红绿灯的红灯时长相关的道路状况,例如道路拥堵、消散等状况。本公开实施例可以利用上述红灯时长挖掘方法挖掘出道路上各个红绿灯的红灯时长,并可以基于红灯时长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,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。
红灯时长的挖掘细节可以参见上述对红灯时长挖掘方法的描述,在此不再赘述。
在一些实施例中,可以利用上述红灯时长挖掘方法挖掘出红绿灯在一天中的红灯时长分布信息,进而基于该分布信息以及历史的车辆通行数据分析当前红灯时长的设置是否合理,还可以基于每天中车辆在不同时段的通过数量等,给出优化后的红灯时长分布信息,该优化后的红灯时长分布信息可以提供给相关部门,辅助相关部门改进对红绿灯红灯时长的设置。
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交通状况分析方法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。
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,终端可以包括手机、ipad、电脑、智能手表、车辆等。本公开实施例,可以针对目标道路分析当前或者未来一段时间的交通状况,并基于该交通状况为被服务对象提供更精准的位置服务,例如导航服务、路径规划服务和/或地图渲染服务等。
被服务对象可以是手机、ipad、电脑、智能手表、车辆、机器人等。在为被服务对象导航、规划路径或者渲染地图上的道路时,可以基于上述方法获得当前或者未来一段时间的交通状况,或者适合在当前或未来一段时间的交通状况下的导航路线,进而基于该导航路线为被服务对象提供更好的导航服务,在地图渲染时,可以在电子地图上渲染上述导航路线,具体细节可以参见上述对交通状况分析方法的描述,在此不再赘述。
图4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4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的红灯时长,例如红灯时长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灯时长,并且基于该小时级别的红灯时长聚合得到各个红绿灯在一整天的红灯时长分布信息。挖掘服务器可以将上述红灯时长分布信息提供给导航服务器。
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灯时长分布,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。
图5示出根据本公开一实施方式的红灯时长挖掘装置的结构框图。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。如图5所示,该红灯时长挖掘装置包括:
第一获取模块501,被配置为获取目标时段内的样本数据;所述样本数据包括在所述目标时间段内目标红绿灯前多个样本车辆的停车时长;
第二获取模块502,被配置为将所述样本车辆按照所述停车时长排序,获得排序结果;
第一确定模块503,被配置为确定以所述排序结果排列的所述样本车辆的所述停车时长的分布信息;
第二确定模块504,被配置为基于所述分布信息确定所述样本车辆中所述停车时长的突变拐点;
第三确定模块505,被配置为基于所述突变拐点对应的所述停车时长确定所述目标红绿灯的红灯时长。
本实施例中,该红灯时长挖掘方法可以在服务器上执行。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。目标时段内的样本数据可以包括该目标时段内经过目标红绿灯并且在目标红绿灯前停车的所有或者部分样本车辆的停车时长。目标时段可以是需要挖掘红灯时长的一天中的任意一个时段。
实际应用中,可以分别挖掘一天所有时段对应的红灯时长,这是由于红绿灯按照红灯时长可以分为单时长红灯和多时长红灯,单时长红灯在一天所有时段中红灯时长固定不变的,而多时长红灯在一天不同时段内的红灯时长可能是动态变化的。例如多时长红灯在早晚高峰时期,红灯时长可能较长,而在平峰时期,红灯时长可能较短。
本公开实施例可以针对预先划分好的所有时段分别挖掘有需求的目标红绿灯的红灯时长。
需要说明的是,在一些实施例中,一个目标时段对应的样本数据中,可以包括多天该目标时段内的样本车辆的停车时长。样本车辆可以是在目标时段内经过该目标红绿灯并且有停车行为的所有或者部分车辆,停车时长可以基于车辆的轨迹数据确定。
在获取了目标时段内的样本数据后,可以基于样本车辆在该目标红绿灯前的停车时长对样本车辆进行排序,还可以基于排序结果对每个样本车辆赋予排序序号。在一些实施例中,可以按照停车时长由小及大的顺序对样本车辆进行排序。当然可以理解的是,在另一些实施例中,也可以按照停车时长由大到小的顺序进行排序,具体可以基于应用的需要进行自由选择,在此不做具体限制。
经过本公开发明人的研究发现,在忽略目标红绿灯所在道路以及红绿灯整个周期的影响后,每个样本车辆驶入红绿灯前并由于红灯而停车的时间t1与目标红绿灯的相位关系相互独立,所以多个样本车辆在目标红绿灯前的停车时长的分布概率处于均匀分布。
因此,在理想情况下,如果样本车辆中所有停车时长都是等红绿灯的时长,则基于该均匀分布的理论可以得知,所有样本车辆的最大停车时长则为红灯时长。然而,实际道路情况是,样本车辆中可能会存在意外停车,例如一些车辆并不是因为等红灯停车,而是路边停车、发生交通事故或者其他原因导致在红绿灯前停车。而这种意外停车的样本车辆的停车时长则会较长,并且会脱离上文中提到的均匀分布规律而存在。因此,为了挖掘出目标红绿灯的真正红灯时长,可以先找出样本车辆的停车时长的分布信息,进而再基于分布信息以及样本车辆等待红灯时长的均匀分布规律挖掘出目标红绿灯的红灯时长。
本公开实施例在将样本车辆按照停车时长进行排序后,确定按照排序结果进行排列的样本车辆的停车时长的分布信息,该分布信息中遵循均匀分布规律的停车时长可以表示为趋于线性分布的点,该些线性分布的点可以被拟合为一条斜线,该斜线为从排序在最前的第一辆样本车辆的停车时长开始斜向上的线。
此外,该分布信息中还存在一些不遵循均匀分布规律的停车时长,也即不为等红绿灯的红灯而停车的样本车辆的停车时长,表示这些停车时长的点在分布信息中会表现出会脱离上述斜线,从而使得该斜线上产生一个拐点,并且在该拐点处向上突变,该拐点可以称之为分布信息中的突变拐点。
基于上述分析可以知道,在确定按照排序结果排列的样本车辆的停车时长的分布信息之后,只要从该分布信息中找出不再遵循均匀分布规律的突变拐点,即可确定该目标红绿灯的真正红灯时长;也即可以基于该突变拐点对应的停车时长确定目标红绿灯的红灯时长。需要说明的是,本实施例中提到的上述突变拐点可以为依然靠近上文中提到的斜线上的点,也即突变拐点可以理解为分布信息中依然遵循均匀分布规律的最后一个或者最后一组点。
在一些实施例中,可以直接将该突变拐点或者该些突变拐点对应的停车时长确定为目标红绿灯的红灯时长。而在另一些实施例中,还可以基于实际情况对该突变拐点或者该些突变拐点对应的停车时长进行处理后得到目标红绿灯的红灯时长,具体可以根据实际应用进行灵活选择处理,在此不做具体限制。
目前,已有的红灯时长挖掘方案大多是先挖掘红绿灯的周期,再通过找出红灯与绿灯的最大置信的分界点来分别确定红灯时长和绿灯时长。但是这种方式由于红灯时间与红绿灯的周期时长存在强耦合关系,如果周期时长本身计算有误,则红灯时长必然会错误,泛化性较差。
而本公开实施例在挖掘红灯时长的过程中,首先获得目标时段中样本车辆的停车时长,进而通过停车时长对样本车辆进行排序,并获得按照排序结果排列的各样本车辆的停车时长的分布信息,基于该分布信息确定样本车辆的停车时长的突变拐点,并基于突变拐点对应的停车时长确定红灯时长。本公开实施例在挖掘红灯时长时,由于不依赖于红绿灯的周期时长,准确度更高;此外,本公开实施例由于利用大数据挖掘得到红绿灯的红灯时长,覆盖面积更加广泛,泛化性能更好,并且红灯时长能够精细化到一天中的某个时段,精度更高。
在本实施例的一个可选实现方式中,所述分布信息包括以所述停车时长为纵坐标,以所述样本车辆在所述排序结果中的排序序号为横坐标的点。
该可选的实现方式中,为了从所有样本车辆的停车时长的分布信息中挖掘出目标红绿灯的红灯时长,本公开实施例中对样本车辆按照停车时长进行排序,例如按照停车时长由小及大的顺序进行排序,之后再确定按照排序结果排列的样本车辆的停车时长的分布信息,从中找出均匀分布的分布规律,并找出未遵循均匀分布规律的突变拐点,进而再基于该突变拐点对应的停车时长确定目标红绿灯的红灯时长。
在一些实施例中,分布信息可以如下构建:将停车时长作为纵坐标,将样本车辆在排序结果中的排序序号作为横坐标。
在本实施例的一个可选实现方式中,所述分布信息包括两部分:分布相对均匀的第一分布信息以及从所述第一分布信息突变后分布不均匀的第二分布信息;所述突变拐点位于基于所述第一分布信息以及所述第二分布信息之间。
从图2可以看出,第一分布信息对应于拐点之前的分布信息,第二分布信息对应于拐点之后的分布信息。并且第一分布信息中的停车时长小于第二分布信息中的停车时长。
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,被配置为获取基于多个目标时间段内的所述样本数据确定的多个所述红灯时长;
第四获取模块,被配置为将多个所述红灯时长进行聚合,获得所述目标红绿灯的红灯时长的分布信息。
该可选的实现方式中,如上文中所述,本公开实施例提出的上述红灯时长挖掘方案可以针对目标红绿灯,挖掘出一个目标时段内的红灯时长。通过将一天划分为多个目标时段,可以挖掘出一天多个目标时段的红灯时长,而通过将多个目标时段对应的多个红灯时长进行聚合,可以获得目标红绿灯在一天中红灯时长的分布信息。
在一些实施例中,可以将一天按照一个小时划分时段,并针对每个时段挖掘对应的红灯时长,在将一天多个红灯时长进行聚合时,如果相邻两个时段的红灯时长相差不大,例如在预定时间范围(可以是秒级)内,则可以认为这两个时段中目标红绿灯的实际红灯时长是一样的,可以将该两个红灯时长进行聚合,比如进行平均后得到该两个时段对应的红灯时长。如果相邻两个时段的红灯时长相差较大,比如大于预定时间范围,则可以认为由于该目标红绿灯为多时长红灯,因此这两个时段对应的实际红灯时长不同。通过上述方式,将一天中所有时段进行聚合之后,可以挖掘出目标红绿灯在不同时段下的红灯时长,也即可以得到目标红绿灯的红灯时长分布信息。
在本实施例的一个可选实现方式中,所述第一获取模块,包括:
获取子模块,被配置为获取在目标时间段内所述目标红绿灯关联的两个连通路段上的轨迹数据;
确定子模块,被配置为基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时,所述样本车辆的停车时长是否大于或等于预设长度;
加入子模块,被配置为将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据,加入样本数据集。
该可选的实现方式中,可以利用样本车辆在导航过程中产生的轨迹数据获得样本车辆的停车时长。在获取样本车辆在目标红绿灯前的停车时长时,可以先将目标红绿灯所连通的两个连通路段关联起来,也即该相关联的两个连通路段中,从第一路段通过红绿灯可以行驶到第二路段,而针对同一目标红绿灯,可以建立一组或多组相关联的连通路段,每组包括两个连通路段。
因此,可以针对目标红绿灯相对应的每一组连通路段,获取样本车辆的轨迹数据,进而基于轨迹数据确定样本车辆从第一路段进入第二路段时,样本车辆的停车时长是否大于或等于预设长度,在大于或等于预设长度时,将该停车时长作为目标时段内的样本数据加入样本数据集中,而该样本车辆的停车时长如果小于预设长度,则可以将该数据丢弃,这是因为如果停车时长过短,可以认为该停车时长不一定是等红灯的时长,可能是噪声数据。预设长度可以根据经验值或者历史数据的统计等设置,在此不做具体限制。
本公开实施例通过真实车辆的轨迹数据获取在红灯前的停车时长,覆盖范围更广,并且由于可以采用大量数据能够获得更加准确的停车时长。
在本实施例的一个可选实现方式中,所述第一获取子模块之后,所述装置还包括:
第四确定模块,被配置为基于预训练的轨迹分类模型确定所述轨迹数据的类别;
剔除子模块,被配置为将所述类别为非机动车辆的所述轨迹数据剔除。
该可选的实现方式中,考虑到轨迹数据对应的导航对象不一定都是车辆,也可能是非机动车辆,比如外卖骑手的轨迹数据,为了能够更准确的挖掘出目标红绿灯的红灯时长,可以从收集的轨迹数据中将非机动车辆的轨迹数据剔除。本实施例中,可以利用预先训练的轨迹分类模型对轨迹数据进行分类,其分类结果可以是机动车轨迹和非机动车轨迹。在分类结果为非机动车轨迹时,将该轨迹数据剔除。通过这种方式,可以将样本数据中的噪声剔除,能够进一步提升最终挖掘出的红灯时长的准确性。
根据本公开一实施方式的交通状况分析装置,该交通状况分析装置包括:利用上述红灯时长挖掘装置确定的目标红绿灯的红灯时长分析目标红绿灯所在道路的交通状况。
本实施例中,交通状况可以包括任意与红绿灯的红灯时长相关的道路状况,例如道路拥堵、消散等状况。本公开实施例可以利用上述红灯时长挖掘装置挖掘出道路上各个红绿灯的红灯时长,并可以基于红灯时长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,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。
红灯时长的挖掘细节可以参见上述对红灯时长挖掘装置的描述,在此不再赘述。
在一些实施例中,可以利用上述红灯时长挖掘装置挖掘出红绿灯在一天中的红灯时长分布信息,进而基于该分布信息以及历史的车辆通行数据分析当前红灯时长的设置是否合理,还可以基于每天中车辆在不同时段的通过数量等,给出优化后的红灯时长分布信息,该优化后的红灯时长分布信息可以提供给相关部门,辅助相关部门改进对红绿灯红灯时长的设置。
根据本公开一实施方式的基于位置的服务提供装置,该基于位置的服务提供装置利用上述交通状况分析装置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。
本实施例中,该基于位置的服务提供装置可以在终端上执行,终端可以包括手机、ipad、电脑、智能手表、车辆等。本公开实施例,可以针对目标道路分析当前或者未来一段时间的交通状况,并基于该交通状况为被服务对象提供更精准的位置服务,例如导航服务、路径规划服务和/或地图渲染服务等。
被服务对象可以是手机、ipad、电脑、智能手表、车辆、机器人等。在为被服务对象导航、规划路径或者渲染地图上的道路时,可以基于上述装置获得当前或者未来一段时间的交通状况,或者适合在当前或未来一段时间的交通状况下的导航路线,进而基于该导航路线为被服务对象提供更好的导航服务,在地图渲染时,可以在电子地图上渲染上述导航路线,具体细节可以参见上述对交通状况分析装置的描述,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红灯时长挖掘方法、交通状况分析方法和/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 (9)
1.一种红灯时长挖掘方法,其中,包括:
获取目标时段内的样本数据;所述样本数据包括在所述目标时段内目标红绿灯前多个样本车辆的停车时长;
将所述样本车辆按照所述停车时长排序,获得排序结果;
以所述停车时长为纵坐标,以所述样本车辆在所述排序结果中的排序序号为横坐标,确定所述样本车辆的所述停车时长的分布信息;
基于所述分布信息确定所述样本车辆中所述停车时长的突变拐点;
基于所述突变拐点对应的所述停车时长确定所述目标红绿灯的红灯时长。
2.根据权利要求1所述的方法,其中,所述分布信息包括两部分:分布相对均匀的第一分布信息以及从所述第一分布信息突变后分布不均匀的第二分布信息;所述突变拐点位于基于所述第一分布信息以及所述第二分布信息之间。
3.根据权利要求1或2所述的方法,其中,所述方法还包括:
获取基于多个目标时段内的所述样本数据确定的多个所述红灯时长;
将多个所述红灯时长进行聚合,获得所述目标红绿灯的红灯时长的分布信息。
4.根据权利要求1或2所述的方法,其中,所述获取目标时段内的样本数据,包括:
获取在目标时段内所述目标红绿灯关联的两个连通路段上的轨迹数据;
基于所述样本车辆的所述轨迹数据确定从所述两个连通路段中的第一路段进入第二路段时,所述样本车辆的停车时长是否大于或等于预设长度;
将大于或等于所述预设长度的所述停车时长作为目标时段内的所述样本数据,加入样本数据集。
5.根据权利要求4所述的方法,其中,获取在目标时段内所述目标红绿灯关联的两个连通路段上的轨迹数据之后,所述方法还包括:
基于预训练的轨迹分类模型确定所述轨迹数据的类别;
将所述类别为非机动车辆的所述轨迹数据剔除。
6.一种交通状况分析方法,包括:利用权利要求1-5任一项所述的方法确定的目标红绿灯的红灯时长分析所述目标红绿灯所在道路的交通状况。
7.一种基于位置的服务提供方法,包括:利用权利要求6所述的方法得到的交通状况为被导航对象提供位置服务,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。
8.一种电子设备,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1-7任一项所述的方法。
9.一种计算机程序产品,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1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267940.1A CN114999143B (zh) | 2022-03-17 | 2022-03-17 | 红灯时长挖掘方法、电子设备及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210267940.1A CN114999143B (zh) | 2022-03-17 | 2022-03-17 | 红灯时长挖掘方法、电子设备及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114999143A CN114999143A (zh) | 2022-09-02 |
CN114999143B true CN114999143B (zh) | 2023-08-29 |
Family
ID=83024110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210267940.1A Active CN114999143B (zh) | 2022-03-17 | 2022-03-17 | 红灯时长挖掘方法、电子设备及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114999143B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927866A (zh) * | 2013-12-31 | 2014-07-16 | 北京航空航天大学 | 基于gps的车辆等待红绿灯时间预测方法 |
CN106297280A (zh) * | 2015-05-22 | 2017-01-04 | 高德软件有限公司 | 一种信息处理方法和装置 |
CN110775109A (zh) * | 2019-11-06 | 2020-02-11 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于调度指挥系统的高速铁路列车到站时间预测方法 |
WO2020259074A1 (zh) * | 2019-06-28 | 2020-12-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
CN112927497A (zh) * | 2021-01-14 | 2021-06-08 | 阿里巴巴集团控股有限公司 | 一种浮动车识别方法、相关方法和装置 |
CN113538916A (zh) * | 2021-07-26 | 2021-10-22 | 上海商汤科技开发有限公司 | 交通路口检测方法、装置、电子设备及存储介质 |
US11164453B1 (en) * | 2020-08-31 | 2021-11-02 | Grant Stanton Cooper | Traffic signal control system and application therefor |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106408975B (zh) * | 2016-06-17 | 2018-10-19 | 京东方科技集团股份有限公司 | 车辆行驶预测方法、装置和车载智能系统 |
-
2022
- 2022-03-17 CN CN202210267940.1A patent/CN114999143B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927866A (zh) * | 2013-12-31 | 2014-07-16 | 北京航空航天大学 | 基于gps的车辆等待红绿灯时间预测方法 |
CN106297280A (zh) * | 2015-05-22 | 2017-01-04 | 高德软件有限公司 | 一种信息处理方法和装置 |
WO2020259074A1 (zh) * | 2019-06-28 | 2020-12-30 | 佛山科学技术学院 | 一种基于大数据的交通拥堵预测系统、方法及存储介质 |
CN110775109A (zh) * | 2019-11-06 | 2020-02-11 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于调度指挥系统的高速铁路列车到站时间预测方法 |
US11164453B1 (en) * | 2020-08-31 | 2021-11-02 | Grant Stanton Cooper | Traffic signal control system and application therefor |
CN112489456A (zh) * | 2020-12-01 | 2021-03-12 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及系统 |
CN112927497A (zh) * | 2021-01-14 | 2021-06-08 | 阿里巴巴集团控股有限公司 | 一种浮动车识别方法、相关方法和装置 |
CN113538916A (zh) * | 2021-07-26 | 2021-10-22 | 上海商汤科技开发有限公司 | 交通路口检测方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于移动导航数据的信号配时反推;谭墍元;尹凯莉;李萌;郭伟伟;王力;黄怡斌;;交通运输系统工程与信息(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114999143A (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107305131B (zh) | 以节点为中心的导航优化 | |
CN104931063B (zh) | 路径规划方法 | |
US10473474B2 (en) | System and method for vehicle energy estimation, adaptive control and routing | |
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 | |
CN106415676B (zh) | 交通灯周期时间估计装置 | |
US20120173136A1 (en) | Advanced routing of vehicle fleets | |
CN111985662B (zh) | 网络约车方法、装置、电子设备和存储介质 | |
CN107270925B (zh) | 一种用户车辆导航系统、装置及方法 | |
CN110646004B (zh) | 一种基于路况预测的智能导航方法及装置 | |
CN109059952A (zh) | 一种行程时长预测方法及装置 | |
CN111982145B (zh) | 行驶路径推荐方法、装置、设备及存储介质 | |
CN108332754B (zh) | 路径优化方法、装置、电子设备及计算机存储介质 | |
CN111337045A (zh) | 车辆导航方法和装置 | |
CN110696627A (zh) | 一种车辆可达范围的反馈方法及装置、汽车、存储介质 | |
CN114999143B (zh) | 红灯时长挖掘方法、电子设备及计算机程序产品 | |
CN113793078B (zh) | 节假日氢能源需求量确定方法、装置和存储介质 | |
CN111582527A (zh) | 行程时间的预估方法、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 | |
CN114822050A (zh) | 路况识别方法、电子设备及计算机程序产品 | |
CN114036411A (zh) | 一种路线规划方法、装置、设备及介质 | |
CN114822070A (zh) | 停车场状态确定方法及电子设备 | |
CN114463969B (zh) | 红绿灯周期时长的挖掘方法、电子设备及计算机程序产品 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
CN111523702A (zh) | 网约车上车点的优化方法、系统、服务器及存储介质 | |
CN111862584A (zh) | 道路信息获取方法、装置、电子设备及可读存储介质 |
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 |