CN114999150A - 路段拥堵判别方法、装置、车辆及存储介质 - Google Patents
路段拥堵判别方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN114999150A CN114999150A CN202210564774.1A CN202210564774A CN114999150A CN 114999150 A CN114999150 A CN 114999150A CN 202210564774 A CN202210564774 A CN 202210564774A CN 114999150 A CN114999150 A CN 114999150A
- Authority
- CN
- China
- Prior art keywords
- time
- vehicle
- running
- congestion
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000006399 behavior Effects 0.000 claims description 44
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 19
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
-
- 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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路段拥堵判别方法、装置、车辆及存储介质，其中，方法包括：利用车辆的T‑BOX采集的行驶时序数据；根据行驶时序数据识别车辆在行驶中的用户场景；以及基于用户场景确定车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。由此，解决了相关技术中通过调用地图导航进行道路状况分析，需要额外API接口，成本较高，且实时上传数据导致通信通道压力较大，无法有效满足路段拥堵判别需求的技术问题。
Description
技术领域
本申请涉及车联网技术领域，特别涉及一种路段拥堵判别方法、装置、车辆及存储介质。
背景技术
随着车联网的迅速发展，基于行驶数据的大数据分析变得越来越多，其中驾驶行为分析已经成了很多大厂分析的主要内容。驾驶行为就是驾驶员在驾驶汽车行驶过程中的一系列行为组合，包括驾驶员直接的驾驶行为，例如在道路通畅情况下产生的驾驶行为如急加速、急转弯等，也包括在特定环境下产生的驾驶行为如急减速、拥堵等。对于主机厂来说，收集数据建立相应的数据模型，不仅有助于不断完善相应软硬件设计，提升车辆安全性能和驾驶乐趣，还可以将行为信息反馈给车主，给出车主每一次驾驶的驾驶行为评分并且提出适当的驾驶建议，例如行驶过程中的疲劳驾驶干预和提醒，进行道路规划避开拥堵路段等。
相关技术中的驾驶行为分析可以通过导航地图采集行驶过程中的各类数据，将车主的驾驶行为及时反馈到车主，并且对不良驾驶行为进行提醒和干预，对优秀驾驶行为进行记录并在行程结束后进行报告推送反馈给车主。
然而，相关技术需要调用地图导航等API(Application Programming Interface，应用程序接口)接口，成本相对较高，且需要实时数据上传，占用通信通道，容易造成数据延迟，从而影响分析结果的适用性，有待改进。
发明内容
本申请提供一种路段拥堵判别方法、装置、车辆及存储介质，以解决相关技术中需要通过调用地图导航进行道路状况分析，成本较高，且需要实时上传数据，从而占用通信通道，无法有效满足路段拥堵判别需求的技术问题。
本申请第一方面实施例提供一种路段拥堵判别方法，包括以下步骤：利用车辆的T-BOX(Telematics BOX，远程车载终端)采集的行驶时序数据；根据所述行驶时序数据识别所述车辆在行驶中的用户场景；以及基于所述用户场景确定所述车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。
可选地，在本申请的一个实施例中，所述根据所述行驶时序数据识别所述车辆在行驶中的用户场景，包括：从所述行驶时序数据中提取车架号、点火时间、驾驶时间和速度信息；根据所述车架号和所述点火时间确定所述车辆的身份信息和行程，并根据所述驾驶时间和速度信息确定所述实际行驶状态。
可选地，在本申请的一个实施例中，在确定所述实际行驶状态之前，还包括：根据所述驾驶时间按照升序进行排序，得到所述驾驶时间对应的速度；计算总行程时间，并剔除不满足预设条件的行程，得到实际总行程；基于所述实际总行程，以预设时长将所述实际总行程划分为多个行驶区间，并计算每个行驶区间的行驶时长；在任一行驶区间的行驶时长大于预设时间且与上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，判定所述任一行驶区间处于拥堵场景。
可选地，在本申请的一个实施例中，所述基于所述用户场景确定所述车辆的至少一次拥堵驾驶行为，包括：确定所述车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，计算在每个时刻的所述车辆与其它车辆之间的实际距离；基于所述实际距离确定距离所述车辆小于预设距离的车辆个数，并在所述车辆个数大于预设阈值且所述其它车辆的平均速度小于或等于预设速度时，判定当前时刻产生拥堵驾驶行为。
本申请第二方面实施例提供一种路段拥堵判别装置，包括：采集模块，用于利用车辆的T-BOX采集的行驶时序数据；识别模块，用于根据所述行驶时序数据识别所述车辆在行驶中的用户场景；以及判定模块，用于基于所述用户场景确定所述车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。
可选地，在本申请的一个实施例中，所述识别模块包括：提取单元，用于从所述行驶时序数据中提取车架号、点火时间、驾驶时间和速度信息；确定单元，用于根据所述车架号和所述点火时间确定所述车辆的身份信息和行程，并根据所述驾驶时间和速度信息确定所述实际行驶状态。
可选地，在本申请的一个实施例中，所述识别模块还包括：排序单元，用于根据所述驾驶时间按照升序进行排序，得到所述驾驶时间对应的速度；第一计算单元，用于计算总行程时间，并剔除不满足预设条件的行程，得到实际总行程；第二计算单元，用于基于所述实际总行程，以预设时长将所述实际总行程划分为多个行驶区间，并计算每个行驶区间的行驶时长；第一判定单元，用于在任一行驶区间的行驶时长大于预设时间且与上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，判定所述任一行驶区间处于拥堵场景。
可选地，在本申请的一个实施例中，所述判定模块包括：第三计算单元，用于确定所述车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，计算在每个时刻的所述车辆与其它车辆之间的实际距离；第二判定单元，用于基于所述实际距离确定距离所述车辆小于预设距离的车辆个数，并在所述车辆个数大于预设阈值且所述其它车辆的平均速度小于或等于预设速度时，判定当前时刻产生拥堵驾驶行为。
本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的路段拥堵判别方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上述实施例所述的路段拥堵判别方法。
本申请实施例可以利用车辆的T-BOX采集的行驶时序数据识别车辆在行驶中的用户场景，进而确定车辆的拥堵驾驶行为，建立路段拥堵模型，从而进行拥堵路段判定，无需额外API接口，可以有效降低成本，且数据无需实时上传，从而减轻通信通道压力，实用性高。由此，解决了相关技术中通过调用地图导航进行道路状况分析，需要额外API接口，成本较高，且实时上传数据导致通信通道压力较大，无法有效满足路段拥堵判别需求的技术问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种路段拥堵判别方法的流程图；
图2为根据本申请一个实施例的路段拥堵判别方法的流程图；
图3为根据本申请一个实施例的路段拥堵判别方法的时间-速度折线示意图；
图4为根据本申请一个实施例的路段拥堵判别方法的拥堵场景示意图；
图5为根据本申请实施例提供的一种路段拥堵判别装置的结构示意图；
图6为根据本申请实施例提供的车辆的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的路段拥堵判别方法、装置、车辆及存储介质。针对上述背景技术中心提到的相关技术中通过调用地图导航进行道路状况分析，需要额外API接口，成本较高，且实时上传数据导致通信通道压力较大，无法有效满足路段拥堵判别需求的技术问题，本申请提供了一种路段拥堵判别方法，在该方法中，可以利用车辆的T-BOX采集的行驶时序数据识别车辆在行驶中的用户场景，进而确定车辆的拥堵驾驶行为，建立路段拥堵模型，从而进行拥堵路段判定，无需额外API接口，可以有效降低成本，且数据无需实时上传，从而减轻通信通道压力，实用性高。由此，解决了相关技术中通过调用地图导航进行道路状况分析，需要额外API接口，成本较高，且实时上传数据导致通信通道压力较大，无法有效满足路段拥堵判别需求的技术问题。
具体而言，图1为本申请实施例所提供的一种路段拥堵判别方法的流程示意图。
如图1所示，该路段拥堵判别方法包括以下步骤：
在步骤S101中，利用车辆的T-BOX采集的行驶时序数据。
在实际执行过程中，本申请实施例可以通过车辆的T-BOX采集车辆的行驶时序数据，并间隔一定的时间进行上传，如但不限于10s间隔，无需实时上传数据，从而可以减轻通信通道压力，有效满足判定需求。
在步骤S102中，根据行驶时序数据识别车辆在行驶中的用户场景。
进一步地，本申请实施例可以从T-BOX采集的行驶时序数据中，提取相应的信息及参数，从而识别车辆在行驶中的用户场景，其中，车辆在行驶中的用户场景可以包括用户的行程信息及车辆的当前行驶状态，便于本申请实施例后续通过用户场景，确定拥堵驾驶行为并建立路段拥堵模型，实现路段拥堵判别。
可选地，在本申请的一个实施例中，根据行驶时序数据识别车辆在行驶中的用户场景，包括：从行驶时序数据中提取车架号、点火时间、驾驶时间和速度信息；根据车架号和点火时间确定车辆的身份信息和行程，并根据驾驶时间和速度信息确定实际行驶状态。
具体地，本申请实施例可以从行驶时序数据中提取车架号、点火时间、驾驶时间t，速度s等信息，其中，车架号和点火时间可以用以区分车辆和行程，驾驶时间t和速度s可以直观地展示车辆行驶状态。
可以理解的是，车架号即车辆识别码，由十七位字母、数字共同组成的一组用于表示车辆信息的编码，车架号表示信息可以包括：生产商、生产地、生产年代、引擎底盘序号等，通过车架号可以获得车辆的基础信息。点火时间则可以用于区分车辆的不同行程，即根据点火起始到熄火为止的时间长短，确定车辆的行程，如短程或长途等。
进一步地，根据驾驶时间t和速度s，可以判断车辆的当前行驶状态，如减速行驶等。
可选地，在本申请的一个实施例中，在确定实际行驶状态之前，还包括：根据驾驶时间按照升序进行排序，得到驾驶时间对应的速度；计算总行程时间，并剔除不满足预设条件的行程，得到实际总行程；基于实际总行程，以预设时长将实际总行程划分为多个行驶区间，并计算每个行驶区间的行驶时长；在任一行驶区间的行驶时长大于预设时间且与上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，判定任一行驶区间处于拥堵场景。
在一些具体的实施例中，本申请实施例可以根据驾驶时间t升序进行排序，得到此驾驶时间对应的速度s，并且此速度唯一，计算总行程时间tmax-tmin，剔除不满足预设条件的行程，如剔除行驶时间tmax-tmin<5min的行程，得到实际总行程。
进一步地，基于实际总行程，本申请实施例可以以预设时长将实际总行程划分为多个行驶区间，举例而言，以速度等于20km/h作为界限，根据速度界限，本申请实施例可以把行程分为小于20km/h和大于20km/h的各个行驶区间，并计算Δs＝si-si-1，Δt＝tmax-tmin，其中，Δs为某一刻的速度减去上一个10秒的速度，Δt为各个区间的行驶时长。
进一步地，如果任一行驶区间的行驶时长大于预设时间，如Δt>3min并且这段区间内，上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，如|Δs|>10km/h的时刻数大于2时，即认为此段行程的此段区间可能发生了拥堵的驾驶行为，反之，速度较低时，说明车辆处于正常行驶过程。
在步骤S103中，基于用户场景确定车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。
在实际执行过程中，本申请实施例可以基于用户场景确定车辆的至少一次拥堵驾驶行为，进而判断至少一个拥堵路段，本申请实施例可以通过建立路段拥堵模型，实现路段拥堵判别，无需额外API接口，可以有效降低成本，且数据无需实时上传，从而减轻通信通道压力，实用性高。
可选地，在本申请的一个实施例中，基于用户场景确定车辆的至少一次拥堵驾驶行为，包括：确定车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，计算在每个时刻的车辆与其它车辆之间的实际距离；基于实际距离确定距离车辆小于预设距离的车辆个数，并在车辆个数大于预设阈值且其它车辆的平均速度小于或等于预设速度时，判定当前时刻产生拥堵驾驶行为。
作为一种可能实现的方式，本申请实施例可以找出车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，如Δs<-10km/h的时刻点，假设为tn时刻，查找(tn-5，tn+5]时刻正在行驶的车辆数据，由于T-BOX数据10秒采集一次，故每一辆车在此时刻区间只会被采集一次数据。
进一步地，本申请实施例可以计算被采集到的车辆与当前车辆的距离，由于只有经纬度数据，通过经纬度计算两车之间的实际距离，其中，根据经纬度计算距离，可以将地球近似看做一个球体，并假设地球上有两点P(X1,Y1)、Q(X2,Y2)，其中X1、X2和Y1、Y2分别为P和Q两点的经度和纬度，PQ的球面距离就是弧长，弧长＝R*角POQ，R是地球半径，从而根据公式求出这两点的夹角∠POQ。
进一步地，本申请实施例可以根据经纬度以及地球半径将两点的经纬度坐标转换成球体三维坐标：
根据两点三维坐标求出两点直线距离PQ：
L2＝PQ2＝(A1-A2)2+(B1-B2)2+(C1-C2)2＝2R2(1-CosY1CosY2Cos(X2-X1-SinY1SinY2)。
根据余弦定理求出两点夹角：
弧长PQ＝R*∠POQ：
弧长PQ＝Rarccos(CosY1CosY2Cos(X2-X1)+SinY1SinY2)。
进一步地，本申请实施例可以将两辆车的经纬度处理成三维坐标后分别为(X1,Y1)、(X2,Y2)，则两辆车的距离计算公式可以为：
D＝Rarccos(CosY1CosY2Cos(X2-X1)+SinY1SinY2)，
其中，R为地球半径取为6370km。
计算出距离D，找出与此车辆距离小于预设距离，如10米，的所有车辆的个数N。
计算这N个车辆此刻的平均速度
，如果N大于等于预设阈值，如5个，并且
小于等于预设速度，如10km/h时，可以判定为该时刻产生了拥堵的驾驶行为。
综上所述，本申请实施例可以通过简单的“时间-速度”关系，定义逻辑并且推算出车辆行驶中可能发生拥堵的过程，在速度限制下，汽车速度发生了至少两次幅度较大的变化，即认为车辆处于正常行驶中，再利用统计学中基于距离的判别分析方法建立路段拥堵模型，基于T-BOX的数据就可以判断车辆是否发生了拥堵。
下面结合图2至图4所示，以一个具体实施例对本申请实施例的路段拥堵判别方法的工作原理进行详细阐述。
如图2所示，本申请实施例可以包括以下步骤：
步骤S201：通过(t1,s1)(t2,s2),…(ti,si)表示对应驾驶时间的驾驶速度si。本申请实施例可以对车辆T-BOX每10秒上传的车辆行驶数据根据发生时间进行排序，并通过(t1,s1)(t2,s2),…(ti,si)表示对应驾驶时间的驾驶速度si。
步骤S202：判断tmax-tmin>5分钟。本申请实施例可以对驾驶时间进行判断，其中总行程时间可以表示为tmax-tmin，进而本申请实施例可以判断总行程时间是否大于5分钟，若大于5分钟则进入步骤S204，反之则S203。
步骤S203：剔除整段短行程。本申请实施例可以剔除总行程时间小于5分钟的行程。
步骤S204：根据驾驶时间升序，提取出si<20km/h的速度区间。当总行程时间大于5分钟时，本申请实施例可以取出驾驶时间在5分钟以上的行程，并取出速度小于20km/h的连续行驶区间。
步骤S205：计算Δs＝si-si-1，Δt＝tmax-tmin。本申请实施例的速度小于20km/h的连续行驶区间的时间顺序应满足前后差值为10，Δs为某一刻的速度减去上一个10秒的速度，Δt为各个区间的行驶时长
步骤S206：计算相邻时刻速度差和区间行程时间。本申请实施例的速度小于20km/h的连续行驶区间的时间顺序应满足前后差值为10，在此区间内计算相邻时刻后一时刻的速度与前以时刻的速度差，并且计算该区间行驶时长。
步骤S207：判断|Δs|>10的次数大于2且Δt>3min。本申请实施例可以根据速度变化幅度超过10km/h的次数是否超过两次，且行驶区间时长是否大于3分钟进行判断，若速度变化幅度超过10km/h的次数超过两次，且行驶区间时长大于3分钟，则可以判断当前路段拥堵。
步骤S208：Δs<-10时，计算距离此车辆15米的其他车辆数n。本申请实施例可以取出的行驶区间的行驶时间—行驶速度图如图3所示，从图3中可以看到在第25个时刻点速度下降超过了10km/h，此刻时间戳为1636021261，故可以找出行驶时间的时间戳在(1636021256，1636021266]的所有行驶数据，通过经纬度计算其他车辆与此车辆的距离，并获得距离此车辆15米的其他车辆数n。
步骤S209：判断n≥5。判断距离此车辆15米的其他车辆数是否大于5，举例而言，本申请实施例可以将车辆的经纬度处理成三维坐标后分别为(X1,Y1)、(X2,Y2)，则两辆车的距离计算公式为D＝Rarccos(CosY1CosY2Cos(X2-X1)+SinY1SinY2)。
例如，R为地球半径取为6370km，计算得出其他车辆与此车的距离，如计算结果为距离小于10米总共有6辆车，距离分别为：6.13，12.03，4.82，7.74，9.33，10.83米，此时，距离此车辆15米的其他车辆数大于5，则进入步骤S211，反之则S208。
步骤S210：继续对下一个区间进行查找计算。
步骤S211：这5辆车辆的平均速度小于10。进一步地，以上述举例计算，这5辆车辆的平均速度为4.55km/h，此时平均速度小于10km/h，则进入步骤S213，反之则S212。
步骤S212：无拥堵行为。
步骤S213：此车辆此行程产生了拥堵行为。
综上所示，根据图4的拥堵示意图，中心车辆为需要判断状态的车辆，如果所有车辆平均速度在10km/h以下，本申请实施例可以认为其属于拥堵状态，判断依据为前方和后方各自至少堆积了两辆车，此为最小口径。
根据本申请实施例提出的路段拥堵判别方法，可以利用车辆的T-BOX采集的行驶时序数据识别车辆在行驶中的用户场景，进而确定车辆的拥堵驾驶行为，建立路段拥堵模型，从而进行拥堵路段判定，无需额外API接口，可以有效降低成本，且数据无需实时上传，从而减轻通信通道压力，实用性高。由此，解决了相关技术中通过调用地图导航进行道路状况分析，需要额外API接口，成本较高，且实时上传数据导致通信通道压力较大，无法有效满足路段拥堵判别需求的技术问题。
其次参照附图描述根据本申请实施例提出的路段拥堵判别装置。
图5是本申请实施例的路段拥堵判别装置的方框示意图。
如图5所示，该路段拥堵判别装置10包括：采集模块100、识别模块200和判定模块300。
具体地，采集模块100，用于利用车辆的T-BOX采集的行驶时序数据。
识别模块200，用于根据行驶时序数据识别车辆在行驶中的用户场景。
判定模块300，用于基于用户场景确定车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。
可选地，在本申请的一个实施例中，识别模块200包括：提取单元和确定单元。
其中，提取单元，用于从行驶时序数据中提取车架号、点火时间、驾驶时间和速度信息。
确定单元，用于根据车架号和点火时间确定车辆的身份信息和行程，并根据驾驶时间和速度信息确定实际行驶状态。
可选地，在本申请的一个实施例中，识别模块200还包括：排序单元、第一计算单元、第二计算单元和第一判定单元。
其中，排序单元，用于根据驾驶时间按照升序进行排序，得到驾驶时间对应的速度。
第一计算单元，用于计算总行程时间，并剔除不满足预设条件的行程，得到实际总行程。
第二计算单元，用于基于实际总行程，以预设时长将实际总行程划分为多个行驶区间，并计算每个行驶区间的行驶时长。
第一判定单元，用于在任一行驶区间的行驶时长大于预设时间且与上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，判定任一行驶区间处于拥堵场景。
可选地，在本申请的一个实施例中，判定模块300包括：第三计算单元和第二判定单元。
第三计算单元，用于确定车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，计算在每个时刻的车辆与其它车辆之间的实际距离。
第二判定单元，用于基于实际距离确定距离车辆小于预设距离的车辆个数，并在车辆个数大于预设阈值且其它车辆的平均速度小于或等于预设速度时，判定当前时刻产生拥堵驾驶行为。
需要说明的是，前述对路段拥堵判别方法实施例的解释说明也适用于该实施例的路段拥堵判别装置，此处不再赘述。
根据本申请实施例提出的路段拥堵判别装置，可以利用车辆的T-BOX采集的行驶时序数据识别车辆在行驶中的用户场景，进而确定车辆的拥堵驾驶行为，建立路段拥堵模型，从而进行拥堵路段判定，无需额外API接口，可以有效降低成本，且数据无需实时上传，从而减轻通信通道压力，实用性高。由此，解决了相关技术中通过调用地图导航进行道路状况分析，需要额外API接口，成本较高，且实时上传数据导致通信通道压力较大，无法有效满足路段拥堵判别需求的技术问题。
图6为本申请实施例提供的车辆的结构示意图。该车辆可以包括：
存储器601、处理器602及存储在存储器601上并可在处理器602上运行的计算机程序。
处理器602执行程序时实现上述实施例中提供的路段拥堵判别方法。
进一步地，车辆还包括：
通信接口603，用于存储器601和处理器602之间的通信。
存储器601，用于存放可在处理器602上运行的计算机程序。
存储器601可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器601、处理器602和通信接口603独立实现，则通信接口603、存储器601和处理器602可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器601、处理器602及通信接口603，集成在一块芯片上实现，则存储器601、处理器602及通信接口603可以通过内部接口完成相互间的通信。
处理器602可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的路段拥堵判别方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种路段拥堵判别方法，其特征在于，包括以下步骤：
利用车辆的T-BOX采集的行驶时序数据；
根据所述行驶时序数据识别所述车辆在行驶中的用户场景；以及
基于所述用户场景确定所述车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。
2.根据权利要求1所述的方法，其特征在于，所述根据所述行驶时序数据识别所述车辆在行驶中的用户场景，包括：
从所述行驶时序数据中提取车架号、点火时间、驾驶时间和速度信息；
根据所述车架号和所述点火时间确定所述车辆的身份信息和行程，并根据所述驾驶时间和速度信息确定所述实际行驶状态。
3.根据权利要求2所述的方法，其特征在于，在确定所述实际行驶状态之前，还包括：
根据所述驾驶时间按照升序进行排序，得到所述驾驶时间对应的速度；
计算总行程时间，并剔除不满足预设条件的行程，得到实际总行程；
基于所述实际总行程，以预设时长将所述实际总行程划分为多个行驶区间，并计算每个行驶区间的行驶时长；
在任一行驶区间的行驶时长大于预设时间且与上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，判定所述任一行驶区间处于拥堵场景。
4.根据权利要求3所述的方法，其特征在于，所述基于所述用户场景确定所述车辆的至少一次拥堵驾驶行为，包括：
确定所述车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，计算在每个时刻的所述车辆与其它车辆之间的实际距离；
基于所述实际距离确定距离所述车辆小于预设距离的车辆个数，并在所述车辆个数大于预设阈值且所述其它车辆的平均速度小于或等于预设速度时，判定当前时刻产生拥堵驾驶行为。
5.一种路段拥堵判别装置，其特征在于，包括：
采集模块，用于利用车辆的T-BOX采集的行驶时序数据；
识别模块，用于根据所述行驶时序数据识别所述车辆在行驶中的用户场景；以及
判定模块，用于基于所述用户场景确定所述车辆的至少一次拥堵驾驶行为，并由每次拥堵驾驶行为判定至少一个拥堵路段。
6.根据权利要求5所述的装置，其特征在于，所述识别模块包括：
提取单元，用于从所述行驶时序数据中提取车架号、点火时间、驾驶时间和速度信息；
确定单元，用于根据所述车架号和所述点火时间确定所述车辆的身份信息和行程，并根据所述驾驶时间和速度信息确定所述实际行驶状态。
7.根据权利要求6所述的装置，其特征在于，所述识别模块还包括：
排序单元，用于根据所述驾驶时间按照升序进行排序，得到所述驾驶时间对应的速度；
第一计算单元，用于计算总行程时间，并剔除不满足预设条件的行程，得到实际总行程；
第二计算单元，用于基于所述实际总行程，以预设时长将所述实际总行程划分为多个行驶区间，并计算每个行驶区间的行驶时长；
第一判定单元，用于在任一行驶区间的行驶时长大于预设时间且与上一采样时刻之间的速度差值大于预设差值的时刻的个数大于预设个数时，判定所述任一行驶区间处于拥堵场景。
8.根据权利要求7所述的装置，其特征在于，所述判定模块包括：
第三计算单元，用于确定所述车辆的所有与上一采样时刻之间的速度差值大于预设差值的时刻，计算在每个时刻的所述车辆与其它车辆之间的实际距离；
第二判定单元，用于基于所述实际距离确定距离所述车辆小于预设距离的车辆个数，并在所述车辆个数大于预设阈值且所述其它车辆的平均速度小于或等于预设速度时，判定当前时刻产生拥堵驾驶行为。
9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的路段拥堵判别方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的路段拥堵判别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564774.1A CN114999150A (zh) | 2022-05-23 | 2022-05-23 | 路段拥堵判别方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210564774.1A CN114999150A (zh) | 2022-05-23 | 2022-05-23 | 路段拥堵判别方法、装置、车辆及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114999150A true CN114999150A (zh) | 2022-09-02 |
Family
ID=83027570
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210564774.1A Pending CN114999150A (zh) | 2022-05-23 | 2022-05-23 | 路段拥堵判别方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114999150A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117091610A (zh) * | 2023-10-17 | 2023-11-21 | 青岛杰瑞自动化有限公司 | 基于卫惯组合导航的车辆路径规划方法及系统、电子设备 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06191319A (ja) * | 1992-12-24 | 1994-07-12 | Toyota Motor Corp | 車両用走行制御装置 |
| JP2009140007A (ja) * | 2007-12-03 | 2009-06-25 | Sumitomo Electric Ind Ltd | 交通量算出装置、交通量算出プログラム及び交通量算出方法 |
| WO2015003481A1 (zh) * | 2013-07-12 | 2015-01-15 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
| CN106297320A (zh) * | 2015-06-04 | 2017-01-04 | 高德软件有限公司 | 一种获取车辆行驶速度的方法及装置 |
| US20170229015A1 (en) * | 2016-02-09 | 2017-08-10 | Honda Motor Co., Ltd. | Device and method for providing congestion location information and medium storing congestion location information providing program |
| CN107886718A (zh) * | 2017-11-01 | 2018-04-06 | 沈阳世纪高通科技有限公司 | 一种路况分析方法、装置及网络系统 |
| CN108717793A (zh) * | 2018-06-22 | 2018-10-30 | 泉州创先力智能科技有限公司 | 一种道路堵车监控方法、装置、设备和存储介质 |
| CN109410584A (zh) * | 2018-12-11 | 2019-03-01 | 北京小马智行科技有限公司 | 一种路况检测方法及装置 |
| CN111105614A (zh) * | 2019-12-06 | 2020-05-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于道路社交圈的交通状况预测方法 |
| CN111833632A (zh) * | 2020-07-03 | 2020-10-27 | 重庆蓝岸通讯技术有限公司 | 基于导航定位的拥堵点拥堵车道精准定位提示方法 |
| CN111967451A (zh) * | 2020-10-21 | 2020-11-20 | 蘑菇车联信息科技有限公司 | 一种道路拥堵检测方法及装置 |
| CN112053558A (zh) * | 2020-08-25 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通拥堵状态识别方法及装置和设备 |
| CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN114348015A (zh) * | 2020-10-14 | 2022-04-15 | 丰田自动车株式会社 | 车辆控制装置和车辆控制方法 |
-
2022
- 2022-05-23 CN CN202210564774.1A patent/CN114999150A/zh active Pending
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06191319A (ja) * | 1992-12-24 | 1994-07-12 | Toyota Motor Corp | 車両用走行制御装置 |
| JP2009140007A (ja) * | 2007-12-03 | 2009-06-25 | Sumitomo Electric Ind Ltd | 交通量算出装置、交通量算出プログラム及び交通量算出方法 |
| WO2015003481A1 (zh) * | 2013-07-12 | 2015-01-15 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
| CN106297320A (zh) * | 2015-06-04 | 2017-01-04 | 高德软件有限公司 | 一种获取车辆行驶速度的方法及装置 |
| US20170229015A1 (en) * | 2016-02-09 | 2017-08-10 | Honda Motor Co., Ltd. | Device and method for providing congestion location information and medium storing congestion location information providing program |
| CN107886718A (zh) * | 2017-11-01 | 2018-04-06 | 沈阳世纪高通科技有限公司 | 一种路况分析方法、装置及网络系统 |
| CN108717793A (zh) * | 2018-06-22 | 2018-10-30 | 泉州创先力智能科技有限公司 | 一种道路堵车监控方法、装置、设备和存储介质 |
| CN109410584A (zh) * | 2018-12-11 | 2019-03-01 | 北京小马智行科技有限公司 | 一种路况检测方法及装置 |
| CN111105614A (zh) * | 2019-12-06 | 2020-05-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于道路社交圈的交通状况预测方法 |
| CN111833632A (zh) * | 2020-07-03 | 2020-10-27 | 重庆蓝岸通讯技术有限公司 | 基于导航定位的拥堵点拥堵车道精准定位提示方法 |
| CN114078327A (zh) * | 2020-08-20 | 2022-02-22 | 浙江宇视科技有限公司 | 道路拥堵状态检测方法、装置、设备和存储介质 |
| CN112053558A (zh) * | 2020-08-25 | 2020-12-08 | 青岛海信网络科技股份有限公司 | 一种交通拥堵状态识别方法及装置和设备 |
| CN114348015A (zh) * | 2020-10-14 | 2022-04-15 | 丰田自动车株式会社 | 车辆控制装置和车辆控制方法 |
| CN111967451A (zh) * | 2020-10-21 | 2020-11-20 | 蘑菇车联信息科技有限公司 | 一种道路拥堵检测方法及装置 |
| CN112489433A (zh) * | 2020-12-17 | 2021-03-12 | 华为技术有限公司 | 交通拥堵分析方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117091610A (zh) * | 2023-10-17 | 2023-11-21 | 青岛杰瑞自动化有限公司 | 基于卫惯组合导航的车辆路径规划方法及系统、电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860561B (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
| CN103562978B (zh) | 车辆数据分析方法和车辆数据分析系统 | |
| CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
| CN108001453B (zh) | 一种识别高能耗驾驶行为的方法及系统 | |
| CN105426863B (zh) | 检测车道线的方法和装置 | |
| JP5255945B2 (ja) | 車両用運転評価装置 | |
| Wang et al. | Characterization of longitudinal driving behavior by measurable parameters | |
| JP2021026718A (ja) | 運転行動評価装置及びプログラム | |
| CN106564503B (zh) | 产生异常驾驶行为的行为信息确定方法及装置 | |
| CN108556847B (zh) | 能量回收方法、装置和系统 | |
| CN114999150A (zh) | 路段拥堵判别方法、装置、车辆及存储介质 | |
| TWI744742B (zh) | 潛在危險道路鑑別及資訊共享的方法、雲端伺服器、電腦可讀取的記錄媒體及特殊應用積體電路晶片 | |
| CN117836829A (zh) | 用于监测车辆的系统和方法 | |
| CN114379560B (zh) | 确定车辆工况的方法、装置、存储介质和处理器 | |
| WO2020115081A1 (en) | System and method for providing an indication of driving performance | |
| CN113468678A (zh) | 一种自动驾驶算法准确度的计算方法及装置 | |
| CN107539038B (zh) | 一种车辆胎压状态监控方法及装置 | |
| US10807602B2 (en) | Evaluating apparatus | |
| JP7302411B2 (ja) | 運転技量評価装置 | |
| CN112417960A (zh) | 一种基于大数据的城市车流预警检测方法和系统 | |
| CN116753938A (zh) | 车辆测试场景生成方法、装置、存储介质及设备 | |
| JP6677074B2 (ja) | 運転診断装置 | |
| CN114802264A (zh) | 车辆控制方法、装置、电子设备 | |
| CN113569666A (zh) | 车辆连续违法变道的检测方法及计算机设备 | |
| CN111612140A (zh) | 基于路侧单元的自动驾驶安全判别方法、设备、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 |