CN115063968A - 道路拥堵预测方法、装置、电子设备、介质及程序产品 - Google Patents
道路拥堵预测方法、装置、电子设备、介质及程序产品 Download PDFInfo
- Publication number
- CN115063968A CN115063968A CN202210220454.4A CN202210220454A CN115063968A CN 115063968 A CN115063968 A CN 115063968A CN 202210220454 A CN202210220454 A CN 202210220454A CN 115063968 A CN115063968 A CN 115063968A
- Authority
- CN
- China
- Prior art keywords
- specified
- traffic flow
- time slice
- vehicle speed
- time
- 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 44
- 238000009499 grossing Methods 0.000 claims description 30
- 238000011144 upstream manufacturing Methods 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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"
-
- G06Q50/40—
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本公开实施例公开了一种道路拥堵预测方法、装置、电子设备、介质及程序产品。所述方法包括:获取指定道路位置在指定时间段内的车速信息;获取所述指定道路位置在所述指定时间段内的车流量信息;根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
Description
技术领域
本公开涉及智能交通技术领域,具体涉及一种道路拥堵预测方法、装置、电子设备、介质及程序产品。
背景技术
高速公路实时路况是高速公路运营管理机构需要掌握的重要信息。在高速公路运行中,因为高速公路的物理结构因素,一旦相关诱因条件满足,则经常会发生拥堵,如果得不到及时疏通,会使得道路服务水平降低,更有可能诱发交通事故。一个系统性的拥堵预警系统,可以在拥堵发生之前提前预判,提早部署管控疏导,其价值显得尤为重要。
发明内容
为了解决相关技术中的问题,本公开实施例提供一种道路拥堵预测方法、装置、电子设备、介质及程序产品。
第一方面,本公开实施例中提供了一种道路拥堵预测方法,包括:
获取指定道路位置在指定时间段内的车速信息;
获取所述指定道路位置在所述指定时间段内的车流量信息;
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
根据本公开的实施例,其中:
所述指定道路位置包括指定路段或经过道路上指定位置点且横跨所述道路的虚拟线段所在位置;
所述指定时间段内的车速信息包括所述指定时间的预测车速和所述指定时间之前的实际车速和/或预测车速;
所述指定时间段内的车流量信息包括所述指定时间的预测车流量和所述指定时间之前的实际车流量和/或预测车流量。
根据本公开的实施例,其中:
所述指定时间段包括多个时间片;
所述指定时间包括指定时间片;
所述指定时间之前的实际车速包括所述指定时间片之前的时间片的实际车速;
所述指定时间之前的预测车速包括所述指定时间片之前的无实际车速的时间片的预测车速;
所述指定时间之前的实际车流量包括所述指定时间片之前的时间片的实际车流量;
所述指定时间之前的预测车流量包括所述指定时间片之前的无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中:
所述获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车速;根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速;
所述获取所述指定道路位置在所述指定时间段内的车流量信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车流量;根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
根据本公开的实施例,其中:
所述指定时间段内的任一时间片的预测车速,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车速或车速预测结果对所述任一时间片的车速预测结果进行平滑后得到的平滑结果;
所述指定时间段内的任一时间片的预测车流量,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车流量或车流量预测结果对所述任一时间片的车流量预测结果进行平滑后得到的平滑结果。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况,包括:
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
根据本公开的实施例,所述方法还包括:
根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;
根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。
第二方面,本公开实施例中提供了一种道路拥堵预测装置,包括:
第一获取模块,被配置为获取指定道路位置在指定时间段内的车速信息;
第二获取模块,被配置为获取所述指定道路位置在所述指定时间段内的车流量信息;
预测模块,被配置为根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
根据本公开的实施例,其中:
所述指定道路位置包括指定路段或经过道路上指定位置点且横跨所述道路的虚拟线段所在位置;
所述指定时间段内的车速信息包括所述指定时间的预测车速和所述指定时间之前的实际车速和/或预测车速;
所述指定时间段内的车流量信息包括所述指定时间的预测车流量和所述指定时间之前的实际车流量和/或预测车流量。
根据本公开的实施例,其中:
所述指定时间段包括多个时间片;
所述指定时间包括指定时间片;
所述指定时间之前的实际车速包括所述指定时间片之前的时间片的实际车速;
所述指定时间之前的预测车速包括所述指定时间片之前的无实际车速的时间片的预测车速;
所述指定时间之前的实际车流量包括所述指定时间片之前的时间片的实际车流量;
所述指定时间之前的预测车流量包括所述指定时间片之前的无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中:
所述获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车速;根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速;
所述获取所述指定道路位置在所述指定时间段内的车流量信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车流量;根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
根据本公开的实施例,其中:
所述指定时间段内的任一时间片的预测车速,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车速或车速预测结果对所述任一时间片的车速预测结果进行平滑后得到的平滑结果;
所述指定时间段内的任一时间片的预测车流量,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车流量或车流量预测结果对所述任一时间片的车流量预测结果进行平滑后得到的平滑结果。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况,包括:
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
根据本公开的实施例,所述装置还包括:
第三获取模块,被配置为根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;
第四获取模块,被配置为根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。第三方面,本公开实施例提供了一种电子设备,包括存储器和处理器,其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现如第一方面所述的方法。
第四方面,本公开实施例中提供了一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现如第一方面所述的方法。
第五方面,本公开实施例中提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现如第一方面所述的方法步骤。
根据本公开实施例提供的技术方案,可以实现对全部机动车辆的监测,结合实际交通流信息,使用机器学习建模方式对拥堵情况进行预测,预警判断误报概率低。
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1A示出根据本公开的实施例的道路拥堵预测方法的流程图。
图1B和1C示出了根据本公开实施例的指定道路位置的示意图。
图2A、2B和2C示出了根据本公开实施例的指定时间段和指定时间的示意图。
图3A示出了根据本公开实施例的指定道路位置的车辆密度与车流量之间的示例性关系。
图3B示出了根据本公开实施例的指定道路位置的常发拥堵时间的示例。
图4示出了根据本公开实施例的道路拥堵预测方法的整体流程图。
图5示出根据本公开的实施例的道路拥堵预测装置的结构框图。
图6示出根据本公开的实施例的电子设备的结构框图。
图7示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
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例,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例无关的部分。
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,并且不欲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。
在本公开中,对用户信息或用户数据的获取均为经用户授权、确认,或由用户主动选择的操作。
如上所述,高速公路实时路况是高速公路运营管理机构需要掌握的重要信息。在高速公路运行中,因为高速公路的物理结构因素,一旦相关诱因条件满足,则经常会发生拥堵,如果得不到及时疏通,会使得道路服务水平降低,更有可能诱发交通事故。一个系统性的拥堵预警系统,可以在拥堵发生之前提前预判,提早部署管控疏导,其价值显得尤为重要。
一种已有的拥堵预警方法收集选定区域内的各收费站数据、进出站流量数据以及各进站用户的手机信令数据,构建收费站的OD(Origin-Destination,起终点)矩阵模型及各OD对内各路径的路阻系数,并确定各OD对的优选路径,根据前述所收集的手机信令数据估计车速,并计算车辆行驶至瓶颈路段所需的时间,统计在特定时段内到达瓶颈路段的车流量,若该车流量超出瓶颈路段的通行流量阈值,则进行拥堵预警。这种方法的缺点是流量阈值判断机械,而且很容易出现误报,只监测进出站流量,无法覆盖管控全路段,缺少对未来趋势的预测,预警判断条件单一。
一种已有的基于重点营运车辆定位信息的高速公路拥堵预警系统包括:GNSS(Global Navigation Satellite System,全球导航卫星系统)定位单元,用于获取在预设时间内行驶在目标高速公路上所有重点营运车辆的定位信息;视频摄像机,安装在高速公路的沿线,用于拍摄行驶在目标高速公路上的重点营运车辆的视频监测图像;车辆检测器,安装在高速公路沿线,用于获取在预设时间内经过的重点营运车辆的速度、交通量及占有率;监测设备,通过高速公路通信专网与GNSS定位单元、视频摄像机及车辆检测器连接,接收定位信息、视频监测图像与速度、交通量及占有率,并输出拥堵告警指令;告警器,通过高速公路通信专网与监测设备连接,用于接收拥堵告警指令,执行告警。这种系统的缺点是只关注重点营运车辆,缺少对全部车辆的监测,缺少对未来趋势的预测,预警判断条件单一,流量阈值判断机械,而且很容易出现误报。
本公开实施例提供了一种道路拥堵预测方法,包括:获取指定道路位置在指定时间段内的车速信息;获取所述指定道路位置在所述指定时间段内的车流量信息;根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
根据本公开的实施例,可以实现对全部机动车辆的监测,结合实际交通流信息,使用机器学习建模方式对拥堵情况进行预测,预警判断误报概率低。
图1A示出根据本公开的实施例的道路拥堵预测方法的流程图。如图1所示,所述道路拥堵预测方法包括以下步骤S101-S103:
在步骤S101中,获取指定道路位置在指定时间段内的车速信息;
在步骤S102中,获取所述指定道路位置在所述指定时间段内的车流量信息;
在步骤S103中,根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
图1B和1C示出了根据本公开实施例的指定道路位置的示意图。
根据本公开的实施例,道路可以包括高速公路、国道、省道、县道等任意道路,但不限于此。
根据本公开的实施例,指定道路位置可以包括道路上的指定路段,如图2A中阴影部分所示。或者,指定道路位置可以包括经过道路上指定位置点且横跨所述道路的虚拟线段所在位置,如图2B中虚线所示。当指定道路位置包括指定路段时,任一车辆经过所述指定道路位置时的车速信息可以包括所述车辆经过所述指定路段的平均车速或最高车速或最低车速,所述指定道路位置的车流量信息包括经过所述指定路段的车流量。当指定道路位置包括经过道路上指定位置点且横跨所述道路的虚拟线段所在位置时,任一车辆经过所述指定道路位置时的车速信息可以包括所述车辆经过所述虚拟线段所在位置的即时车速,所述指定道路位置的车流量信息包括经过所述虚拟线段所在位置的车流量。
根据本公开的实施例,可以使用车辆上的地图应用程序或车辆驾驶员的移动终端上的地图应用程序的测速功能获取车速信息,可以使用道路上安装的摄像头获取车流量信息。
指定道路位置在指定时间的拥堵情况与所述指定道路位置在所述指定时间和所述指定时间之前的时间内的车速和车流量有关,因此,根据指定道路位置在包含所述指定时间的指定时间段内的车速信息和车流量信息,可以通过机器学习建模方式,使用训练好的道路拥堵预测模型,对拥堵情况进行预测。
图2A、2B和2C示出了根据本公开实施例的指定时间段和指定时间的示意图。
如2A所示,指定时间段包括时段19:00~19:45,指定时间1包括时段19:25~19:30,指定时间2包括时段19:30~19:35,指定时间3包括时段19:35~19:40,指定时间4包括时段19:40~19:45。根据指定时间段中指定时间1之前的时段19:00~19:25和指定时间1的车速信息和车流量信息,可以预测指定时间1的拥堵情况。类似地,根据指定时间段中指定时间1之前的时段19:00~19:25和指定时间1、2的车速信息和车流量信息,可以预测指定时间2的拥堵情况;根据指定时间段中指定时间1之前的时段19:00~19:25和指定时间1、2、3的车速信息和车流量信息,可以预测指定时间3的拥堵情况;根据指定时间段中指定时间1之前的时段19:00~19:25和指定时间1、2、3、4的车速信息和车流量信息,可以预测指定时间4的拥堵情况。
根据本公开的实施例,所述指定时间段内的车速信息包括所述指定时间的预测车速和所述指定时间之前的实际车速和/或预测车速;所述指定时间段内的车流量信息包括所述指定时间的预测车流量和所述指定时间之前的实际车流量和/或预测车流量。
例如,在图2A所示的指定时间段中,假设当前时间是19:25,则指定时间1之前的时段19:00~19:25具有实际车速信息和实际车流量信息,而指定时间1~4没有实际车速信息和实际车流量信息,则使用时段19:00~19:25的实际车速和实际车流量信息和指定时间1的预测车速和预测车流量信息,对指定时间1的拥堵情况进行预测,使用时段19:00~19:25的实际车速和实际车流量信息和指定时间1、2的预测车速和预测车流量信息,对指定时间2的拥堵情况进行预测,使用时段19:00~19:25的实际车速和实际车流量信息和指定时间1~3的预测车速和预测车流量信息,对指定时间3的拥堵情况进行预测,使用时段19:00~19:25的实际车速和实际车流量信息和指定时间1~4的预测车速和预测车流量信息,对指定时间4的拥堵情况进行预测。
根据本公开的实施例,所述指定时间段包括多个时间片;所述指定时间包括指定时间片;所述指定时间之前的实际车速包括所述指定时间片之前的时间片的实际车速;所述指定时间之前的预测车速包括所述指定时间片之前的无实际车速的时间片的预测车速;所述指定时间之前的实际车流量包括所述指定时间片之前的时间片的实际车流量;所述指定时间之前的预测车流量包括所述指定时间片之前的无实际车流量的时间片的预测车流量。
根据本公开的实施例,如果时间片在当前时间之后,则该时间片无实际车速和车流量信息。或者,如果时间片在当前时间之前,但由于系统延迟或其他原因未获取到其实际车速和车流量信息,则该时间片也没有实际车速和车流量信息。
例如,如图2B所示,指定时间段19:00~19:35包括时间片1~7,其中指定时间为时间片6和时间片7。假设当前时间是19:25,则时间片6之前的实际车速包括所述时间片6之前的时间片1~5的实际车速,时间片6之前的实际车流量包括时间片6之前的时间片1~5的实际车流量。时间片7之前的实际车速包括时间片7之前的时间片1~5的实际车速,时间片7之前的预测车速包括时间片7之前的无实际车速的时间片6的预测车速,时间片7之前的实际车流量包括时间片7之前的时间片1~5的实际车流量,时间片7之前的预测车流量包括时间片7之前的无实际车流量的时间片6的预测车流量。
例如,如图2C所示,指定时间段包括时间片1~6和时间片p、q,指定时间为时间片6,时间片p是上周同一天与时间片6相同的时间片19:25~19:30,时间片q是前一天与时间片6相同的时间片19:25~19:30。假设当前时间是19:25,则时间片6之前的实际车速包括时间片6之前的时间片1~5、p、q的实际车速,时间片6之前的实际车流量包括时间片6之前的时间片1~5、p、q的实际车流量。
根据本公开的实施例,所述获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车速;根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速;
所述获取所述指定道路位置在所述指定时间段内的车流量信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车流量;根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量。
以图2B为例,假设指定时间片是时间片6,即,要对时间片6的拥堵情况进行预测,则获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在时间片6之前的时间片1~5的实际车速,根据所述指定道路位置在时间片6之前的时间片1~5的实际车速,获取所述指定道路位置在时间片6的预测车速。由于指定时间段内时间片6之前没有无实际车速的时间片,所以无需获取时间片6之前的时间片的预测车速。同时,当指定时间片是时间片6时,获取指定道路位置在指定时间段内的车流量信息,包括:获取所述指定道路位置在时间片6之前的时间片1~5的实际车流量,根据所述指定道路位置在时间片6之前的时间片1~5的实际车流量,获取所述指定道路位置在时间片6的预测车流量。由于指定时间段内时间片6之前没有无实际车流量的时间片,所以无需获取时间片6之前的时间片的预测车流量。
仍旧以图2B为例,假设指定时间片是时间片7,即,要对时间片7的拥堵情况进行预测,则获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在时间片7之前的时间片1~5的实际车速,根据所述指定道路位置在时间片7之前的时间片1~5的实际车速,获取所述指定道路位置在时间片7的预测车速和时间片7之前无实际车速的时间片6的预测车速。同时,当指定时间片是时间片7时,即,要对时间片7的拥堵情况进行预测,则获取指定道路位置在指定时间段内的车流量信息,包括:获取所述指定道路位置在时间片7之前的时间片1~5的实际车流量,根据所述指定道路位置在时间片7之前的时间片1~5的实际车流量,获取所述指定道路位置在时间片7的预测车流量和时间片7之前无实际车流量的时间片6的预测车流量。
根据本公开的实施例,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
以图2C为例,假设指定时间片是时间片6,则可以使用以下任意一项或多项,使用训练好的车速预测模型,获取所述时间片6的预测车速:与所述时间片6具有周期关系的一个或多个其他时间片(例如,时间片p和/或时间片q的实际车速);所述道路位置的地理位置特征(例如,道路位置是辅路还是主路,车道数有几条,等等);所述指定时间片附近的交通事件特征(例如,是否有事故或交通管制等);距离所述指定时间片最近的多个时间片之间的实际车速差值(例如,时间片1与时间片2之间的实际车速差值、时间片2与时间片3之间的实际车速差值、时间片3与时间片4之间的实际车速差值、时间片4与时间片5之间的实际车速差值);在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值(例如,在时间片1~5中的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值)。
根据本公开的实施例,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
仍旧以图2C为例,假设指定时间片是时间片6,则可以使用以下任意一项或多项,使用训练好的车流量预测模型,获取所述时间片6的预测车流量:与所述时间片6具有周期关系的一个或多个其他时间片(例如,时间片p和/或时间片q的实际车流量);所述道路位置的地理位置特征(例如,道路位置是辅路还是主路,车道数有几条,等等);所述指定时间片附近的交通事件特征(例如,是否有事故或交通管制等);距离所述指定时间片最近的多个时间片之间的实际车流量差值(例如,时间片1与时间片2之间的实际车流量差值、时间片2与时间片3之间的实际车流量差值、时间片3与时间片4之间的实际车流量差值、时间片4与时间片5之间的实际车流量差值);在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值(例如,在时间片1~5中的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值)。
根据本公开的实施例,车速预测模型和车流量预测模型可以是利用历史数据离线训练得到的,并且可以使用新获取的历史数据而不断更新。例如,1月6日可以使用基于1月1日到1月5日的历史数据训练得到的车速预测模型和车流量预测模型,1月7日可以使用基于1月2日到1月6日的历史数据训练得到的车速预测模型和车流量预测模型,以此类推。
在训练车速预测模型时,车速预测模型的输入可以是距离指定历史时间片最近的多个历史时间片的平均实际车速和以下任意一项或多项数据:与所述指定历史时间片具有周期关系的一个或多个其他历史时间片的实际车速;所述道路位置的地理位置特征;所述指定历史时间片附近的交通事件特征;距离所述指定历史时间片最近的多个历史时间片之间的实际车速差值;在距离所述指定历史时间片最近的一个或多个历史时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。车速预测模型的输出可以是指定历史时间片的预测车速。调整车速预测模型的参数,当指定历史时间片的预测车速与指定历史时间片的实际车速的差值满足预设条件(例如,小于预设阈值)时,车速预测模型训练完毕。
在训练车流量预测模型时,车流量预测模型的输入可以是距离指定历史时间片最近的多个历史时间片的平均实际车流量和以下任意一项或多项数据:与所述指定历史时间片具有周期关系的一个或多个其他历史时间片的实际车流量;所述道路位置的地理位置特征;所述指定历史时间片附近的交通事件特征;距离所述指定历史时间片最近的多个历史时间片之间的实际车流量差值;在距离所述指定历史时间片最近的一个或多个历史时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。车流量预测模型的输出可以是指定历史时间片的预测车流量。调整车流量预测模型的参数,当指定历史时间片的预测车流量与指定历史时间片的实际车流量的差值满足预设条件(例如,小于预设阈值)时,车流量预测模型训练完毕。
根据本公开的实施例,所述指定时间段内的任一时间片的预测车速,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车速或车速预测结果对所述任一时间片的车速预测结果进行平滑后得到的平滑结果;
所述指定时间段内的任一时间片的预测车流量,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车流量或车流量预测结果对所述任一时间片的车流量预测结果进行平滑后得到的平滑结果。
例如,如图2B所示,时间片6的预测车速包括根据时间片1~5的实际车速对时间片6的车速预测结果进行平滑得到的平滑结果,时间片7的预测车速包括根据时间片1~5的实际车速和时间片6的预测车速对时间片7的车速预测结果进行平滑得到的平滑结果。时间片6的预测车流量包括根据时间片1~5的实际车流量对时间片6的车流量预测结果进行平滑得到的平滑结果,时间片7的预测车流量包括根据时间片1~5的实际车流量和时间片6的预测车流量对时间片7的车流量预测结果进行平滑得到的平滑结果。
根据本公开的实施例,所述根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况,包括:
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
根据本公开的实施例,根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。
图3A示出了根据本公开实施例的指定道路位置的车辆密度与车流量之间的示例性关系。
在连续的交通流中,车速V、车流量Q与车辆密度之间的关系是Q=VK,因此,可以根据指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系,例如图3A所示。
图3B示出了根据本公开实施例的指定道路位置的常发拥堵时间的示例。
根据本公开的实施例,根据指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间,例如一周中的哪一天的哪个时间发生拥堵。
根据本公开的实施例,可以将指定道路位置在所述指定时间段内的车速信息和车流量信息,以及所述指定道路位置的车辆密度与车流量之间的关系和/或所述指定道路位置的常发拥堵时间输入训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
根据本公开的实施例,可以使用指定道路位置在指定历史时间段内的车速信息和车流量信息,以及所述指定道路位置的车辆密度与车流量之间的关系和/或所述指定道路位置的常发拥堵时间训练道路拥堵预测模型,将指定道路位置在指定历史时间段内的车速信息和车流量信息,以及所述指定道路位置的车辆密度与车流量之间的关系和/或所述指定道路位置的常发拥堵时间作为道路拥堵预测模型的输入,将指定道路位置在所述指定历史时间段内的指定历史时间的拥堵情况预测结果作为输出,调整所述道路拥堵预测模型的参数,直到所述预测结果与实际拥堵情况的差值满足预设条件,道路拥堵预测模型训练完毕。
图4示出了根据本公开实施例的道路拥堵预测方法的整体流程图。
根据本公开的实施例,针对道路上多个指定道路位置执行如图4所示的方法流程。
如图4所示,从道路上行驶的车辆上的地图应用程序,或者根据道路上的摄像头拍摄的车辆视频获取指定道路位置的车辆的实时车速,从道路上的摄像头获取指定道路位置的实时车流量。记录车辆的实时车速作为车辆的历史车速数据,记录车辆的实时车流量作为车辆的历史车流量数据。
使用历史车速数据训练车速预测模型,例如,车速预测模型的输入可以是距离指定历史时间片最近的多个历史时间片的平均实际车速,或者可以是距离指定历史时间片最近的多个历史时间片的平均实际车速和以下任意一项或多项数据:与所述指定历史时间片具有周期关系的一个或多个其他历史时间片的实际车速;所述道路位置的地理位置特征;所述指定历史时间片附近的交通事件特征;距离所述指定历史时间片最近的多个历史时间片之间的实际车速差值;在距离所述指定历史时间片最近的一个或多个历史时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。车速预测模型的输出可以是指定历史时间片的预测车速。调整车速预测模型的参数,当指定历史时间片的预测车速与指定历史时间片的实际车速的差值满足预设条件(例如,小于预设阈值)时,车速预测模型训练完毕。
使用历史车流量数据训练车流量预测模型,例如,车流量预测模型的输入可以是距离指定历史时间片最近的多个历史时间片的平均实际车流量,或者可以是距离指定历史时间片最近的多个历史时间片的平均实际车流量和以下任意一项或多项数据:与所述指定历史时间片具有周期关系的一个或多个其他历史时间片的实际车流量;所述道路位置的地理位置特征;所述指定历史时间片附近的交通事件特征;距离所述指定历史时间片最近的多个历史时间片之间的实际车流量差值;在距离所述指定历史时间片最近的一个或多个历史时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。车流量预测模型的输出可以是指定历史时间片的预测车流量。调整车流量预测模型的参数,当指定历史时间片的预测车流量与指定历史时间片的实际车流量的差值满足预设条件(例如,小于预设阈值)时,车流量预测模型训练完毕。
然后,根据距离所述指定时间片最近的多个时间片的平均实际车速,或者根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
根据距离所述指定时间片最近的多个时间片的平均实际车流量,或者根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
在得到任一时间片的车速预测结果之后,可以根据该时间片之前的时间片的实际车速和该时间片之前的无实际车速的时间片的车速预测结果,对该时间片的车速预测结果进行平滑,得到该时间片的预测车速。在得到任一时间片的车流量预测结果之后,可以根据该时间片之前的时间片的实际车流量和该时间片之前的无实际车流量的时间片的车流量预测结果,对该时间片的车流量预测结果进行平滑,得到该时间片的预测车流量。
根据指定道路位置的历史车流量数据,可以判断该指定道路位置是否是可信点。如果该指定道路位置的历史车流量数据不存在断流或异常,则该指定道路位置是可信点,根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。如果该指定道路位置的历史车流量数据存在断流或异常,则该指定道路位置不是可信点,则不对该指定道路位置进行拥堵情况预测。
根据本公开的实施例,可以在图4所示的整个流程开始处判断指定道路位置是否是可信点,如果不是可信点,则不预测其拥堵情况,以减少不必要的计算量。
然后,使用所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
根据本公开的实施例,不但使用实际的交通流信息,而且结合车辆密度与车流量之间的关系和/或常发拥堵时间对指定道路位置的拥堵情况进行预测,可以进一步提高预测的准确率。
图5示出根据本公开的实施例的道路拥堵预测装置的结构框图。其中,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,所述道路拥堵预测装置500包括第一获取模块510、第二获取模块520、预测模块530。
第一获取模块510被配置为获取指定道路位置在指定时间段内的车速信息;
第二获取模块520被配置为获取所述指定道路位置在所述指定时间段内的车流量信息;
预测模块530被配置为根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
根据本公开的实施例,其中:
所述指定道路位置包括指定路段或经过道路上指定位置点且横跨所述道路的虚拟线段所在位置;
所述指定时间段内的车速信息包括所述指定时间的预测车速和所述指定时间之前的实际车速和/或预测车速;
所述指定时间段内的车流量信息包括所述指定时间的预测车流量和所述指定时间之前的实际车流量和/或预测车流量。
根据本公开的实施例,其中:
所述指定时间段包括多个时间片;
所述指定时间包括指定时间片;
所述指定时间之前的实际车速包括所述指定时间片之前的时间片的实际车速;
所述指定时间之前的预测车速包括所述指定时间片之前的无实际车速的时间片的预测车速;
所述指定时间之前的实际车流量包括所述指定时间片之前的时间片的实际车流量;
所述指定时间之前的预测车流量包括所述指定时间片之前的无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中:
所述获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车速;根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速;
所述获取所述指定道路位置在所述指定时间段内的车流量信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车流量;根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
根据本公开的实施例,其中:
所述指定时间段内的任一时间片的预测车速,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车速或车速预测结果对所述任一时间片的车速预测结果进行平滑后得到的平滑结果;
所述指定时间段内的任一时间片的预测车流量,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车流量或车流量预测结果对所述任一时间片的车流量预测结果进行平滑后得到的平滑结果。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况,包括:
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
根据本公开的实施例,所述装置500还包括:
第三获取模块540,被配置为根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;
第四获取模块550,被配置为根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。
本公开还公开了一种电子设备,图6示出根据本公开的实施例的电子设备的结构框图。
如图6所示,所述电子设备600包括存储器601和处理器602,其中,存储器601用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器602执行以实现根据本公开的实施例的方法。
本公开实施例公开了一种道路拥堵预测方法,包括:
获取指定道路位置在指定时间段内的车速信息;
获取所述指定道路位置在所述指定时间段内的车流量信息;
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
根据本公开的实施例,其中:所述指定道路位置包括指定路段或经过道路上指定位置点且横跨所述道路的虚拟线段所在位置;所述指定时间段内的车速信息包括所述指定时间的预测车速和所述指定时间之前的实际车速和/或预测车速;所述指定时间段内的车流量信息包括所述指定时间的预测车流量和所述指定时间之前的实际车流量和/或预测车流量。
根据本公开的实施例,其中:所述指定时间段包括多个时间片;所述指定时间包括指定时间片;所述指定时间之前的实际车速包括所述指定时间片之前的时间片的实际车速;所述指定时间之前的预测车速包括所述指定时间片之前的无实际车速的时间片的预测车速;所述指定时间之前的实际车流量包括所述指定时间片之前的时间片的实际车流量;所述指定时间之前的预测车流量包括所述指定时间片之前的无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中:所述获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车速;根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速;所述获取所述指定道路位置在所述指定时间段内的车流量信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车流量;根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速,包括:根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
根据本公开的实施例,其中:所述指定时间段内的任一时间片的预测车速,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车速或车速预测结果对所述任一时间片的车速预测结果进行平滑后得到的平滑结果;所述指定时间段内的任一时间片的预测车流量,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车流量或车流量预测结果对所述任一时间片的车流量预测结果进行平滑后得到的平滑结果。
根据本公开的实施例,其中,所述根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况,包括:根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
根据本公开的实施例,所述方法还包括:根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;
根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。
图7示出适于用来实现根据本公开实施例的方法的计算机系统的结构示意图。
如图7所示,计算机系统700包括处理单元701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行上述实施例中的各种处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。处理单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。其中,所述处理单元701可实现为CPU、GPU、TPU、FPGA、NPU等处理单元。
特别地,根据本公开的实施例,上文描述的方法可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括计算机指令,该计算机指令被处理器执行时实现上文所述的方法步骤。在这样的实施例中,该计算机程序产品可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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,流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。
描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过可编程硬件的方式来实现。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例中电子设备或计算机系统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 (13)
1.一种道路拥堵预测方法,包括:
获取指定道路位置在指定时间段内的车速信息;
获取所述指定道路位置在所述指定时间段内的车流量信息;
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
2.根据权利要求1所述的方法,其中:
所述指定道路位置包括指定路段或经过道路上指定位置点且横跨所述道路的虚拟线段所在位置;
所述指定时间段内的车速信息包括所述指定时间的预测车速和所述指定时间之前的实际车速和/或预测车速;
所述指定时间段内的车流量信息包括所述指定时间的预测车流量和所述指定时间之前的实际车流量和/或预测车流量。
3.根据权利要求2所述的方法,其中:
所述指定时间段包括多个时间片;
所述指定时间包括指定时间片;
所述指定时间之前的实际车速包括所述指定时间片之前的时间片的实际车速;
所述指定时间之前的预测车速包括所述指定时间片之前的无实际车速的时间片的预测车速;
所述指定时间之前的实际车流量包括所述指定时间片之前的时间片的实际车流量;
所述指定时间之前的预测车流量包括所述指定时间片之前的无实际车流量的时间片的预测车流量。
4.根据权利要求3所述的方法,其中:
所述获取指定道路位置在指定时间段内的车速信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车速;根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速;
所述获取所述指定道路位置在所述指定时间段内的车流量信息,包括:获取所述指定道路位置在所述指定时间片之前的时间片的实际车流量;根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量。
5.根据权利要求4所述的方法,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车速,获取所述指定道路位置在所述指定时间片的预测车速和所述指定道路位置在所述指定时间片之前无实际车速的时间片的预测车速,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车速和以下任意一项或多项数据,使用训练好的车速预测模型,获取所述指定时间片的预测车速:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车速;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车速差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车速差值。
6.根据权利要求4所述的方法,其中,所述根据所述指定道路位置在所述指定时间片之前的时间片的实际车流量,获取所述指定道路位置在所述指定时间片的预测车流量和所述指定道路位置在所述指定时间片之前无实际车流量的时间片的预测车流量,包括:
根据距离所述指定时间片最近的多个时间片的平均实际车流量和以下任意一项或多项数据,使用训练好的车流量预测模型,获取所述指定时间片的预测车流量:与所述指定时间片具有周期关系的一个或多个其他时间片的实际车流量;所述道路位置的地理位置特征;所述指定时间片附近的交通事件特征;距离所述指定时间片最近的多个时间片之间的实际车流量差值;在距离所述指定时间片最近的一个或多个时间片内,所述指定道路位置的上游道路位置与下游道路位置的实际车流量差值。
7.根据权利要求3所述的方法,其中:
所述指定时间段内的任一时间片的预测车速,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车速或车速预测结果对所述任一时间片的车速预测结果进行平滑后得到的平滑结果;
所述指定时间段内的任一时间片的预测车流量,包括根据所述指定时间段内所述任一时间片之前的时间片的实际车流量或车流量预测结果对所述任一时间片的车流量预测结果进行平滑后得到的平滑结果。
8.根据权利要求1所述的方法,其中,所述根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况,包括:
根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,以及以下中的任意一项或多项,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况:所述指定道路位置的车辆密度与车流量之间的关系;所述指定道路位置的常发拥堵时间。
9.根据权利要求8所述的方法,还包括:
根据所述指定道路位置的历史车速数据和历史车流量数据,获取所述指定道路位置的车辆密度与车流量之间的关系;
根据所述指定道路位置的历史拥堵记录,获取所述指定道路位置的常发拥堵时间。
10.一种道路拥堵预测装置,包括:
第一获取模块,被配置为获取指定道路位置在指定时间段内的车速信息;
第二获取模块,被配置为获取所述指定道路位置在所述指定时间段内的车流量信息;
预测模块,被配置为根据所述指定道路位置在所述指定时间段内的车速信息和车流量信息,使用训练好的道路拥堵预测模型,预测所述指定道路位置在所述指定时间段内的指定时间的拥堵情况。
11.一种电子设备,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行以实现权利要求1~9任一项所述的方法步骤。
12.一种可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现权利要求1~9任一项所述的方法步骤。
13.一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现权利要求1~9任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220454.4A CN115063968A (zh) | 2022-03-08 | 2022-03-08 | 道路拥堵预测方法、装置、电子设备、介质及程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210220454.4A CN115063968A (zh) | 2022-03-08 | 2022-03-08 | 道路拥堵预测方法、装置、电子设备、介质及程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115063968A true CN115063968A (zh) | 2022-09-16 |
Family
ID=83197072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210220454.4A Pending CN115063968A (zh) | 2022-03-08 | 2022-03-08 | 道路拥堵预测方法、装置、电子设备、介质及程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115063968A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492555A (zh) * | 2018-03-20 | 2018-09-04 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
JP2019169028A (ja) * | 2018-03-26 | 2019-10-03 | 東日本高速道路株式会社 | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル |
CN111341099A (zh) * | 2020-02-27 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN113038382A (zh) * | 2019-12-09 | 2021-06-25 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
-
2022
- 2022-03-08 CN CN202210220454.4A patent/CN115063968A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492555A (zh) * | 2018-03-20 | 2018-09-04 | 青岛海信网络科技股份有限公司 | 一种城市路网交通状态评价方法及装置 |
JP2019169028A (ja) * | 2018-03-26 | 2019-10-03 | 東日本高速道路株式会社 | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル |
CN113038382A (zh) * | 2019-12-09 | 2021-06-25 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
CN111341099A (zh) * | 2020-02-27 | 2020-06-26 | 阿里巴巴集团控股有限公司 | 一种数据处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9171461B1 (en) | Method and apparatus for providing estimated patrol properties and historic patrol records | |
Hans et al. | Real-time bus route state forecasting using particle filter and mesoscopic modeling | |
EP2727098B1 (en) | Method and system for collecting traffic data | |
US9779357B1 (en) | Method and apparatus for providing estimated patrol properties and historic patrol records | |
CN111712862B (zh) | 用于生成交通量或交通密度数据的方法和系统 | |
KR20140128063A (ko) | 교통 상황 예측 시스템 | |
WO2013113588A1 (de) | Verfahren zur bereitstellung von parkinformationen zu freien parkplätzen | |
US11508022B1 (en) | Method and apparatus for utilizing estimated patrol properties and historic patrol records | |
Xinghao et al. | Predicting bus real-time travel time basing on both GPS and RFID data | |
KR101887265B1 (ko) | 교통 시뮬레이션을 수행하는 방법 및 시스템 | |
Stipancic et al. | Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data | |
CN109493606B (zh) | 一种高速公路上违停车辆的识别方法及系统 | |
Aljamal et al. | Real-time estimation of vehicle counts on signalized intersection approaches using probe vehicle data | |
CN113971884B (zh) | 一种道路交通拥堵确定方法、装置、电子设备及存储介质 | |
Oskarbski et al. | Estimating the average speed of public transport vehicles based on traffic control system data | |
CN111915893A (zh) | 一种道路瓶颈点识别方法、装置、电子设备及存储介质 | |
KR101572582B1 (ko) | 네비게이션 장치, 교통 예측 서비스 장치, 교통 예측 서비스 시스템 및 그 방법 | |
CN115547084A (zh) | 道路通行状况预测方法、装置、电子设备及计算机程序产品 | |
Vanajakshi | Estimation and prediction of travel time from loop detector data for intelligent transportation systems applications | |
CN111667689B (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN115731693A (zh) | 一种车道划分方法以及相关装置 | |
CN115063968A (zh) | 道路拥堵预测方法、装置、电子设备、介质及程序产品 | |
Hobeika et al. | Real-time traffic diversion model: Conceptual approach | |
CN114781243A (zh) | Eta预测及模型训练方法、设备、介质及产品 | |
Sananmongkhonchai et al. | Cell-based traffic estimation from multiple GPS-equipped cars |
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 |