CN115083162A - 路况预测方法、装置、设备以及存储介质 - Google Patents
路况预测方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115083162A CN115083162A CN202210682007.0A CN202210682007A CN115083162A CN 115083162 A CN115083162 A CN 115083162A CN 202210682007 A CN202210682007 A CN 202210682007A CN 115083162 A CN115083162 A CN 115083162A
- Authority
- CN
- China
- Prior art keywords
- track
- type
- road condition
- driving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000006870 function Effects 0.000 claims description 22
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路况预测方法、装置、设备以及存储介质，属于交通领域。本申请基于丰富的轨迹数据进行路况预测，在针对目标路口进行路况预测时，会获取第一类行驶轨迹和第二类行驶轨迹，第一类行驶轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，第二类行驶轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹；而轨迹数据的多样化能够提升路况预测的准确率。另外，本申请还会根据第一类行驶轨迹在目标路口的转向信息对第二类行驶轨迹进行转向预测；进而基于第一类行驶轨迹和第二类行驶轨迹进行分车道路况预测。该种路况预测方式实现了基于区分转向的轨迹数据对不同类型车道进行路况预测，进一步确保了路况预测准确率。
Description
技术领域
本申请涉及交通领域，特别涉及一种路况预测方法、装置、设备以及存储介质。
背景技术
随着社会的不断发展，交通拥堵问题和行车安全问题日益凸显，为了缓解交通拥堵情况以及保障行车安全，合理地进行路况预测显得尤为重要。一方面基于路况信息能够提示驾驶者避开拥堵路段，合理规划行车路线；另一方面，路况信息也为驾驶者提供了基本的安全保障，比如基于路况信息提示驾驶者道路湿滑需减速慢行等。然而，在进行路况预测时如何确保预测准确率是十分重要的，因为这会严重影响驾驶者的行车体验。基于此，目前亟需一种新的路况预测方法来提升预测准确率。
发明内容
本申请实施例提供了一种路况预测方法、装置、设备以及存储介质，能够提高路况预测的准确率。所述技术方案如下：
一方面，提供了一种路况预测方法，所述方法包括：
获取第一类行驶轨迹和第二类行驶轨迹；其中，所述第一类行驶轨迹是进入目标路口所在路段且已通过所述目标路口的车辆的轨迹，所述第二类行驶轨迹是进入所述目标路口所在路段且待通过所述目标路口的车辆的轨迹；
根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息；
在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；
对于所述目标路段的任意一类型车道，根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息；其中，所述目标轨迹集合的转向信息与所述类型车道相匹配。
在一些可能的实现方式中，所述根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息，包括：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
对于任意一个类别，根据所述类别下多条第一类行驶轨迹的行驶特征，获取所述类别的行驶特征；
获取所述第二类行驶轨迹的行驶特征；确定所述第二类行驶轨迹的行驶特征和不同类别的行驶特征之间的相似程度；
根据所述相似程度和所述目标路口的历史转向热度，生成所述第二类行驶轨迹的转向信息；其中，所述历史转向热度用于衡量所述目标路口处的历史转向趋势。
在一些可能的实现方式中，所述行驶特征包括多个维度；所述根据所述类别下多条第一类行驶轨迹的行驶特征，获取所述类别的行驶特征，包括：
将所述多条第一类行驶轨迹的任意维度行驶特征的均值，作为所述类别的相应维度的行驶特征；或，
将所述多条第一类行驶轨迹的任意维度行驶特征的中位数，作为所述类别的相应维度的行驶特征。
在一些可能的实现方式中，所述在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合，包括：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
按照所述第二类行驶轨迹在所述目标路口的转向信息，将所述第二类行驶轨迹加入到相应类别中，得到所述多个轨迹集合。
在一些可能的实现方式中，所述目标轨迹集合中的行驶轨迹是与所述目标路口相关联的指定时段内的轨迹；所述根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息，包括：
以目标时长作为分桶指标，对所述目标轨迹集合中的行驶轨迹进行分桶处理，得到多个分桶轨迹；一个所述分桶轨迹对应所述指定时段内的一个子时段；
按照目标顺序，根据所述多个分桶轨迹顺次对所述类型车道进行路况预测，得到所述类型车道在所述指定时段后的路况预测信息。
在一些可能的实现方式中，所述根据所述多个分桶数据顺次对所述类型车道进行路况预测，得到所述类型车道在所述指定时段后的路况预测信息，包括：
对于任意一个分桶轨迹，获取所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征；
将所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征输入路况预测模型，得到所述类型车道在所述指定时段后的路况预测信息；
其中，所述路况预测模型的训练过程包括：
获取样本行驶轨迹的行驶特征和所述样本行驶轨迹的路况标签；
将所述样本行驶轨迹的行驶特征输入构建有目标损失函数的机器学习模型，获取所述机器学习模型输出的路况预测结果；基于所述目标损失函数，确定所述路况标签指示的路况与所述路况预测结果是否匹配；
响应于所述路况标签指示的路况与所述路况预测结果不匹配，反复循环地迭代更新所述机器学习模型的模型参数直至模型收敛，得到所述路况预测模型。
另一方面，提供了一种路况预测装置，所述装置包括：
获取模块，被配置为获取第一类行驶轨迹和第二类行驶轨迹；其中，所述第一类行驶轨迹是进入目标路口所在路段且已通过所述目标路口的车辆的轨迹，所述第二类行驶轨迹是进入所述目标路口所在路段且待通过所述目标路口的车辆的轨迹；
第一预测模块，被配置为根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息；
处理模块，被配置为在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；
第二预测模块，被配置为对于所述目标路段的任意一类型车道，根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息；其中，所述目标轨迹集合的转向信息与所述类型车道相匹配。
在一些可能的实现方式中，所述第一预测模块，被配置为：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
对于任意一个类别，根据所述类别下多条第一类行驶轨迹的行驶特征，获取所述类别的行驶特征；
获取所述第二类行驶轨迹的行驶特征；确定所述第二类行驶轨迹的行驶特征和不同类别的行驶特征之间的相似程度；
根据所述相似程度和所述目标路口的历史转向热度，生成所述第二类行驶轨迹的转向信息；其中，所述历史转向热度用于衡量所述目标路口处的历史转向趋势。
在一些可能的实现方式中，所述第一预测模块，被配置为：
将所述多条第一类行驶轨迹的任意维度行驶特征的均值，作为所述类别的相应维度的行驶特征；或，
将所述多条第一类行驶轨迹的任意维度行驶特征的中位数，作为所述类别的相应维度的行驶特征。
在一些可能的实现方式中，所述处理模块，被配置为：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
按照所述第二类行驶轨迹在所述目标路口的转向信息，将所述第二类行驶轨迹加入到相应类别中，得到所述多个轨迹集合。
在一些可能的实现方式中，所述目标轨迹集合中的行驶轨迹是与所述目标路口相关联的指定时段内的轨迹；所述第二预测模块，被配置为：
以目标时长作为分桶指标，对所述目标轨迹集合中的行驶轨迹进行分桶处理，得到多个分桶轨迹；一个所述分桶轨迹对应所述指定时段内的一个子时段；
按照目标顺序，根据所述多个分桶轨迹顺次对所述类型车道进行路况预测，得到所述类型车道在所述指定时段后的路况预测信息。
在一些可能的实现方式中，所述第二预测模块，被配置为：
对于任意一个分桶轨迹，获取所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征；
将所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征输入路况预测模型，得到所述类型车道在所述指定时段后的路况预测信息；
其中，所述路况预测模型的训练过程包括：
获取样本行驶轨迹的行驶特征和所述样本行驶轨迹的路况标签；
将所述样本行驶轨迹的行驶特征输入构建有目标损失函数的机器学习模型，获取所述机器学习模型输出的路况预测结果；基于所述目标损失函数，确定所述路况标签指示的路况与所述路况预测结果是否匹配；
响应于所述路况标签指示的路况与所述路况预测结果不匹配，反复循环地迭代更新所述机器学习模型的模型参数直至模型收敛，得到所述路况预测模型。
另一方面，提供了一种计算机设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行以实现上述的路况预测方法。
另一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现上述的路况预测方法。
另一方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述的路况预测方法。
本申请实施例基于丰富的轨迹数据进行路况预测，比如在针对目标路口进行路况预测时，会获取第一类行驶轨迹和第二类行驶轨迹，其中，第一类行驶轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，第二类行驶轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹；而轨迹数据的多样化能够提升路况预测的准确率。除此之外，本申请实施例还会根据第一类行驶轨迹在目标路口的转向信息对第二类行驶轨迹进行转向预测；之后，基于已知转向信息的第一类行驶轨迹和预测转向后第二类行驶轨迹进行分车道路况预测。详细来讲，首先在第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；之后，对于目标路段的任意一类型车道，根据多个轨迹集合中的目标轨迹集合生成该类型车道的路况预测信息；其中，目标轨迹集合的转向信息与该类型车道相匹配。该种分车道进行路况预测的方式实现了基于区分转向的轨迹数据对不同类型车道进行路况预测，进一步确保了路况预测的准确率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种路况预测方法的实施环境示意图；
图2是根据一示例性实施例示出的一种路况预测方法的流程图；
图3是根据一示例性实施例示出的另一种路况预测方法的流程图；
图4是根据一示例性实施例示出的一种转向预测流程的示意图；
图5是根据一示例性实施例示出的一种路况预测流程的示意图；
图6是根据一示例性实施例示出的一种路况预测装置的结构示意图；
图7是根据一示例性实施例示出的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
本申请中术语“第一”、“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”、“第n”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。还应理解，尽管以下描述使用术语第一、第二等来描述各种元素，但这些元素不应受术语的限制。
这些术语只是用于将一个元素与另一个元素区别开。例如，在不脱离各种示例的范围的情况下，第一元素能够被称为第二元素，并且类似地，第二元素也能够被称为第一元素。第一元素和第二元素都可以是元素，并且在某些情况下，可以是单独且不同的元素。
其中，至少一个是指一个或一个以上，例如，至少一个元素可以是一个元素、两个元素、三个元素等任意大于等于一的整数个元素。而多个是指两个或者两个以上，例如，多个元素可以是两个元素、三个元素等任意大于等于二的整数个元素。
需要说明的是，本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
下面对本申请实施例提供的路况预测方法的实施环境进行介绍。
图1是根据一示例性实施例示出的一种路况预测方法的实施环境示意图。
该实施环境包括：终端101和服务器102。其中，终端101和服务器102通过网络连接。服务器102负责进行分车道路况预测并将路况预测信息下发至终端101，而终端101负责展示路况预测信息。
在一些可能的实现方式中，终端101可以是智能手机、与车辆一体的车载终端等，但并不局限于此。图1仅是以终端101为智能手机为例进行举例说明。
在另一些可能的实现方式中，终端101泛指多个设备中的一个，本申请实施例仅以终端101来举例说明。本领域技术人员能够知晓，上述终端101的数量能够更多。比如上述终端101为几十个或几百个，或者更多数量，此时上述路况预测方法的实施环境还包括其他终端。本申请实施例对终端的数量和类型不加以限定。
在另一些可能的实现方式中，服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群，本申请在此不做限制。
下面对本申请实施例提供的路况预测方法进行详细地解释说明。
图2是根据一示例性实施例示出的一种路况预测方法的流程图，该路况预测方法的执行主体为计算机设备，比如图1中的服务器。参见图2，该路况预测方法包括以下步骤：
201、计算机设备获取第一类行驶轨迹和第二类行驶轨迹；其中，第一类行驶轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，第二类行驶轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹。
在本申请实施例中，目标路口泛指任意一个信号灯(也称红绿灯)路口。第一类行驶轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，由于这类行驶轨迹在目标路口的转向情况已经明确，因此第一类行驶轨迹也被称为已转轨迹。第二类行驶轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹。其中，待通过目标路口的车辆在目标路段上等待信号灯的指示通过目标路口。由于这类行驶轨迹在目标路口的转向情况未知，因此第二类行驶轨迹也被称为未转轨迹。另外，目标路口所在路段在本文中被称为目标路段。
在一些可能的实现方式中，第一类行驶轨迹可以是车辆进入目标路段开始直至通过目标路口后产生的轨迹；或者，第一类行驶轨迹还可以是车辆在目标路段上距离目标路口数百米开始直至通过目标路口后产生的轨迹，本申请在此不做限制。另外，第二类行驶轨迹可以是车辆进入目标路段后且通过目标路口前产生的轨迹；或者，第二类行驶轨迹还可以是车辆在目标路段上距离目标路口数百米开始且通过目标路口前产生的轨迹，本申请在此同样不做限制。
202、计算机设备根据第一类行驶轨迹在目标路口的转向信息，对第二类行驶轨迹进行转向预测，得到第二类行驶轨迹在目标路口的转向信息。
本步骤即是通过已转轨迹对未转轨迹进行转向预测。示例性地，转向信息分为下述几类，左转、右转、不转(即直行)和调头。
203、计算机设备在第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；对于目标路段的任意一类型车道，根据多个轨迹集合中的目标轨迹集合，生成该类型车道的路况预测信息；其中，目标轨迹集合的转向信息与车道的类型相匹配。
需要说明的第一点是，本步骤具体涉及轨迹分桶、行驶特征提取、分车道路况预测等步骤，详细描述参见后文。
需要说明的第二点是，现实生活中红绿灯前的车道数量往往是不固定的，也就意味着红绿灯路口处可能对应数量不等的转向可能，考虑到红绿灯前不同车道可能存在不同的路况，因此在完成对未转轨迹的转向预测后，本申请实施例通过对已转轨迹和预测转向后的未转轨迹进行分类，进而实现对红绿灯前不同车道进行分车道路况预测。换一种表达方式，本申请实施例能够依据路网实际情况动态调整输出，即动态调整进行路况预测的车道数量。例如，当某个红绿灯路口只能左转时，本申请实施例会利用左转的轨迹数据来对红绿灯前的左转车道进行路况预测，即预测红绿灯前左转方向的路况；当一个红绿灯路口既能左转也能右转时，本申请实施例会利用左转的轨迹数据来对红绿灯前的左转车道进行路况预测，利用右转的轨迹数据来对红绿灯前的右转车道进行路况预测，即分别预测红绿灯前左转方向和右转方向的路况。
本申请实施例基于丰富的轨迹数据进行路况预测，比如针对目标路口进行路况预测时，会获取已转轨迹和未转轨迹，其中，已转轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，未转轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹；而轨迹数据的多样化能够提升路况预测的准确率。除此之外，本申请实施例还会根据已转轨迹在目标路口的转向信息对未转轨迹进行转向预测；之后，基于已知转向信息的已转轨迹和预测转向后未转轨迹对目标路口所在路段进行分车道路况预测，进而实现对目标路口处的不同转向方向完成路况预测。该种路况预测的方式实现了基于区分转向的轨迹数据对不同类型车道进行路况预测，进一步确保了路况预测的准确率。
以上通过图2对应的实施例简要介绍了本申请实施例提供的路况预测方法。下面通过图3对应的实施例对本申请实施例提供的路况预测方法进行详细介绍。
图3是根据一示例性实施例示出的另一种路况预测方法的流程图，以终端和服务器之间交互为例，参见图3，该路况预测方法包括以下步骤：
301、服务器获取第一类行驶轨迹和第二类行驶轨迹；其中，第一类行驶轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，第二类行驶轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹。
请参见对上述步骤201的相关描述，此处不再赘述。
在一些可能的实现方式中，已转轨迹的数量多于未转轨迹的数量，即已转轨迹的数量占比大于未转轨迹的数量占比，本申请在此不做限制。
在另一些可能的实现方式中，由于路况预测是具有时效性的，因此本申请实施例具体是基于某一时段内的轨迹对未来时刻进行路况预测。示例性地，假设预测目标路口在某一天上午9时的路况，那么获取的可以是目标路口在该天上午9时之前的轨迹，比如8点50至9时这十分钟内的已转轨迹和未转轨迹，本申请在此不做限制。
302、服务器根据第一类行驶轨迹在目标路口的转向信息，对第二类行驶轨迹进行转向预测，得到第二类行驶轨迹在目标路口的转向信息。
在一些可能的实现方式中，根据第一类行驶轨迹在目标路口的转向信息，对第二类行驶轨迹进行转向预测，得到第二类行驶轨迹在目标路口的转向信息，包括但不限于如下步骤：
3021、按照第一类行驶轨迹在目标路口的转向信息，对第一类行驶轨迹进行分类，得到多个类别。
本步骤即对应图4中对已转轨迹进行分类的步骤。示例性地，已转轨迹按照在目标路口的转向信息被分为下述几类，分别是左转的已转轨迹、右转的已转轨迹、不转(即直行)的已转轨迹和在目标路口调头的已转轨迹，本申请在此不做限制。
3022、对于任意一个类别，根据该类别下多条第一类行驶轨迹的行驶特征，获取该类别的行驶特征。
本步骤即对应图4中对已转轨迹进行特征提取的步骤。示例性地，每一类别的行驶特征为统计特征。换一种表达方式，在对已转轨迹进行分类后，本申请实施例提取的是每个类别下的已转轨迹的统计特征。示例性地，本申请实施例采用具体到轨迹点的细粒度特征。其中，任意一条轨迹由多个轨迹点组成。
在一些可能的实现方式中，转向预测阶段使用的行驶特征覆盖多个维度；相应地，根据该类别下多条第一类行驶轨迹的行驶特征，获取该类别的行驶特征，包括但不限于如下两种方式：
将该类别下多条已转轨迹的任意维度行驶特征的均值，作为该类别的相应维度的行驶特征；或，将该类别下多条已转轨迹的任意维度行驶特征的中位数，作为该类别的相应维度的行驶特征。
在另一些可能的实现方式中，上述行驶特征包括但不限于：轨迹点速度分布均值、轨迹加减速次数均值、轨迹停车次数均值、轨迹通过速度均值、轨迹通过时长均值、轨迹点按到目标路口距离加权的均值等，本申请在此不做限制。其中，轨迹通过速度均值用于衡量通过目标路口的平均速度；轨迹通过时长均值用于衡量通过目标路口所用的平均时间；轨迹点按到目标路口距离加权的均值用于衡量轨迹在目标路口潜在的转向趋势，比如预计在目标路口处左转的车辆越靠近目标路口轨迹越偏左。
在另一些可能的实现方式中，上述行驶特征包括但不限于：轨迹点速度分布中位数、轨迹加减速次数中位数、轨迹停车次数中位数、轨迹通过速度中位数、轨迹通过时长中位数、轨迹点按到路口距离加权的中位数等，本申请在此不做限制。
3023、获取第二类行驶轨迹的行驶特征。
本步骤即对应图4中对未转轨迹进行特征提取的步骤。在另一些可能的实现方式中，未转轨迹(单轨迹)的行驶特征包括但不限于：轨迹点速度分布、轨迹加减速次数、轨迹停车次数、轨迹点按到目标路口的距离加权等，本申请在此不做限制。
3024、确定第二类行驶轨迹的行驶特征和不同类别的行驶特征之间的相似程度；根据该相似程度和目标路口的历史转向热度，生成第二类行驶轨迹的转向信息。
如图4所示，转向预测的核心理念是向转向预测模型输入不同类别下的已转轨迹(多轨迹)的统计特征以及需要进行转向预测的未转轨迹(单轨迹)的行驶特征，进而转向预测模型采用机器学习方法自动发掘需要预测转向的未转轨迹的行驶特征和不同类别下的已转轨迹的统计特征之间的相似程度，从而实现转向预测。即上述步骤3024由转向预测模型执行，对应图4中进行转向预测，为未转轨迹添加预测的转向信息的步骤。
示例性地，该转向预测模型可以是DNN(Deep Neural Networks，深度神经网络)、RNN(Recurrent Neural Network，循环神经网络)或CNN(Convolutional Neural Network，卷积神经网络)等，本申请在此不做限制。
其中，该历史转向热度用于衡量目标路口处的历史转向趋势。示例性地，假设经过目标路口的车辆有70％发生左转，那么该历史转向热度即用于说明车辆在目标路口处趋向于左转。
示例性地，该历史转向热度可以用于对该转向预测模型预测的转向信息进行进一步的验证。比如，该转向预测模型基于轨迹间的相似程度预测某一条未转轨迹在目标路口的转向信息是左转，而该历史转向热度指示车辆在目标路口向左转的历史热度高达目标阈值(比如90％)，那么为该条未转轨迹预测的转向信息即为左转。
在另一些可能的实现方式中，确定第二类行驶轨迹的行驶特征和不同类别的行驶特征之间的相似程度，可以是：对于任意一个类别，确定单条未转轨迹各个维度下的特征与该类别在相应维度的特征的相似程度。比如确定该条未转轨迹的轨迹点速度分布与该类别的轨迹点速度分布的相似程度，确定该条未转轨迹的轨迹加减速次数与该类别的轨迹加减速次数的相似程度，以此类推，直至完成所有维度下的对比。
在另一些可能的实现方式中，该转向预测模型的训练过程包括：
获取训练集，该训练集中包括样本已转轨迹和该样本已转轨迹在相应路口的真实转向标签，样本未转轨迹和该样本未转轨迹在相应路口的真实转向标签。其中，该步骤涵盖了离线特征制作和真值制作、轨迹清洗等。其中，轨迹清洗用于过滤掉不符合要求的轨迹数据，也即将脏数据洗掉。离线特征制作用于定义轨迹特征，真值制作用于为构建的离线特征赋予具体的值。在经过离线特征制作和真值制作、轨迹清洗等便得到了上述训练数据。
之后，按照与上述步骤3021-3032类似的方式分别对样本已转轨迹和样本未转轨迹进行行驶特征提取。之后，针对同一路口，将样本未转轨迹的行驶特征和不同类别下的样本已转轨迹的行驶特征输入构建有特定损失函数的机器学习模型，获取该机器学习模型输出的预测转向标签；基于特定损失函数，确定未转轨迹的真实转向标签与预测转向标签是否匹配；响应于未转轨迹的真实转向标签与预测转向标签不匹配，反复循环地迭代更新机器学习模型的模型参数直至模型收敛，得到转向预测模型。示例性地，该特定损失函数可以是交叉熵损失函数或负对数似然损失函数，本申请在此不做限制。
需要说明的是，此处仅是给出了转向预测模型的一种可能训练方式，还可以采用其他方式训练转向预测模型，本申请在此不做限制。
303、服务器在第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；对于目标路段的任意一类型车道，根据多个轨迹集合中的目标轨迹集合，生成该类型车道的路况预测信息；其中，目标轨迹集合的转向信息与该类型车道相匹配。
在一些可能的实现方式中，在第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合，包括但不限于如下方式：按照第一类行驶轨迹在目标路口的转向信息，对第一类行驶轨迹进行分类，得到多个类别；按照第二类行驶轨迹在目标路口的转向信息，将第二类行驶轨迹加入到相应类别中，得到多个轨迹集合。
示例性地，以一个类别对应一个轨迹池为例，本步骤即是根据已转轨迹的转向信息建立不同的轨迹池，之后，将经过转向预测的未转轨迹按照预测的转向信息放入到相应的轨迹池中。
其中，目标轨迹集合的转向信息与该类型车道相匹配的含义是，在分车道进行路况预测时，利用左转的已转轨迹和预测左转的未转轨迹进行左车道的路况预测，利用右转的已转轨迹和预测右转的未转轨迹进行右车道的路况预测，利用直行的已转轨迹和预测直行的未转轨迹进行直行车道的路况预测。
在另一些可能的实现方式中，已转轨迹和未转轨迹是与目标路口相关联的指定时段内的轨迹；在得到多个轨迹集合后，本申请实施例还涉及图5所示的轨迹分桶处理和轨迹特征提取步骤；即，根据多个轨迹集合中的目标轨迹集合，生成该类型车道的路况预测信息，包括但不限于如下方式：
3031、以目标时长作为分桶指标，对目标轨迹集合中的行驶轨迹进行分桶处理，得到多个分桶轨迹；其中，一个分桶轨迹对应指定时段内的一个子时段；
以指定时段的时间跨度为10分钟为例，那么目标时长可以是2分钟，假设该指定时段为某一天上午的8点50至9时这十分钟，那么对于一个轨迹集合来说，十分钟内的已转轨迹和未转轨迹总共被划分到5个分桶中，即每2分钟内的已转轨迹和未转轨迹在同一个分桶中。
3032、按照目标顺序，根据多个分桶轨迹顺次对该类型车道进行路况预测，得到该类型车道在指定时段后的路况预测信息。
示例性地，上述目标顺序可以是时间由远及近的顺序，本申请在此不做限制。继续以每2分钟内的已转轨迹和未转轨迹在同一个分桶中为例，则按照时间由远及近的顺序，根据多个分桶轨迹顺次对该类型车道进行路况预测，可以是：先根据首个2分钟对应的分桶轨迹对该类型车道进行路况预测；之后，再根据第二个2分钟对应的分桶轨迹对该类型车道进行路况预测；以此类推，直至根据最后一个2分钟对应的分桶轨迹对该类型车道进行路况预测。
需要说明的是，多次预测的路况信息可以分批下发至终端，本申请在此不做限制。而上述步骤3031-3032即对应图5中的分桶进行路况预测的步骤。
示例性地，根据多个分桶数据顺次对该类型车道进行路况预测，得到该类型车道在指定时段后的路况预测信息，包括但不限于如下方式：
3032-1、对于任意一个分桶轨迹，获取该分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征。
示例性地，路况预测阶段使用的行驶特征同样包括多个维度，其中，已转轨迹的行驶特征包括但不限于：轨迹停车次数、轨迹停车时长、停车位置距离信号灯距离、轨迹点速度分布、轨迹通过时长等；未转轨迹的行驶特征包括但不限于：第一次停车位置距离信号灯距离、轨迹停车次数、轨迹停车时长、已使用时长等；其中，已使用时长是指为通过目标路口已消耗的时长。
3032-1、将该分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征输入路况预测模型，得到该类型车道在指定时段后的路况预测信息。
在另一些可能的实现方式中，路况预测模型的训练过程包括：
首先，获取样本行驶轨迹的行驶特征和样本行驶轨迹的路况标签；其中，样本行驶轨迹既可以是已转轨迹也可以是未转轨迹，还可以是已转轨迹和未转轨迹的组合，本申请在此不做限制。示例性地，路况标签可以分为：拥堵、畅通、塌方或积水等，本申请在此同样不做限制。另外，该步骤涵盖了离线特征制作和真值制作、轨迹清洗等。其中，轨迹清洗用于过考虑掉不符合要求的轨迹数据，也即将脏数据洗掉。离线特征制作用于定义轨迹特征，真值制作用于为构建的离线特征赋予具体的值。在经过离线特征制作和真值制作、轨迹清洗等便得到了上述训练数据。
之后，将样本行驶轨迹的行驶特征输入构建有目标损失函数的机器学习模型，获取机器学习模型输出的路况预测结果；基于目标损失函数，确定路况标签指示的路况与路况预测结果是否匹配；响应于路况标签指示的路况与路况预测结果不匹配，反复循环地迭代更新机器学习模型的模型参数直至模型收敛，得到路况预测模型。示例性地，该目标损失函数可以是交叉熵损失函数或负对数似然损失函数，路况预测模型可以是树模型或时序模型等，本申请在此不做限制。
304、服务器向终端下发路况预测信息并由终端展示下发的路况预测信息。
在一些可能的实现方式中，服务器以目标路口为中心，向方圆几百米内车辆对应的终端下发该路况预测信息，本申请在此不做限制。
示例性地，终端在接收到路况预测信息后，既可以通过语音播报的形式播报该路况预测信息，也可以通过显示屏幕显示该路况预测信息，还可以采用语音播报和显示屏幕显示组合的方式通知用户，本申请在此不做限制。
本申请实施例基于丰富的轨迹数据进行路况预测，比如针对目标路口进行路况预测时，会获取已转轨迹和未转轨迹，其中，已转轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，未转轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹；而轨迹数据的多样化能够提升路况预测的准确率。除此之外，本申请实施例还会根据已转轨迹在目标路口的转向信息对未转轨迹进行转向预测；之后，基于已知转向信息的已转轨迹和预测转向后未转轨迹对目标路口所在路段进行分车道路况预测，进而实现对目标路口处的不同转向方向完成路况预测。该种路况预测的方式实现了基于区分转向的轨迹数据对不同类型车道进行路况预测，进一步确保了路况预测的准确率。
图6是根据一示例性实施例示出的一种路况预测装置的结构示意图。参见图6，该装置包括：
获取模块601，被配置为获取第一类行驶轨迹和第二类行驶轨迹；其中，所述第一类行驶轨迹是进入目标路口所在路段且已通过所述目标路口的车辆的轨迹，所述第二类行驶轨迹是进入所述目标路口所在路段且待通过所述目标路口的车辆的轨迹；
第一预测模块602，被配置为根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息；
处理模块603，被配置为在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；
第二预测模块604，被配置为对于所述目标路段的任意一类型车道，根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息；其中，所述目标轨迹集合的转向信息与所述类型车道相匹配。
本申请实施例基于丰富的轨迹数据进行路况预测，比如在针对目标路口进行路况预测时，会获取第一类行驶轨迹和第二类行驶轨迹，其中，第一类行驶轨迹是进入目标路口所在路段且已通过目标路口的车辆的轨迹，第二类行驶轨迹是进入目标路口所在路段且待通过目标路口的车辆的轨迹；而轨迹数据的多样化能够提升路况预测的准确率。除此之外，本申请实施例还会根据第一类行驶轨迹在目标路口的转向信息对第二类行驶轨迹进行转向预测；之后，基于已知转向信息的第一类行驶轨迹和预测转向后第二类行驶轨迹进行分车道路况预测。详细来讲，首先在第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；之后，对于目标路段的任意一类型车道，根据多个轨迹集合中的目标轨迹集合生成该类型车道的路况预测信息；其中，目标轨迹集合的转向信息与该类型车道相匹配。该种分车道进行路况预测的方式实现了基于区分转向的轨迹数据对不同类型车道进行路况预测，进一步确保了路况预测的准确率。
在一些可能的实现方式中，第一预测模块602，被配置为：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
对于任意一个类别，根据所述类别下多条第一类行驶轨迹的行驶特征，获取所述类别的行驶特征；
获取所述第二类行驶轨迹的行驶特征；确定所述第二类行驶轨迹的行驶特征和不同类别的行驶特征之间的相似程度；
根据所述相似程度和所述目标路口的历史转向热度，生成所述第二类行驶轨迹的转向信息；其中，所述历史转向热度用于衡量所述目标路口处的历史转向趋势。
在一些可能的实现方式中，第一预测模块602，被配置为：
将所述多条第一类行驶轨迹的任意维度行驶特征的均值，作为所述类别的相应维度的行驶特征；或，
将所述多条第一类行驶轨迹的任意维度行驶特征的中位数，作为所述类别的相应维度的行驶特征。
在一些可能的实现方式中，处理模块603，被配置为：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
按照所述第二类行驶轨迹在所述目标路口的转向信息，将所述第二类行驶轨迹加入到相应类别中，得到所述多个轨迹集合。
在一些可能的实现方式中，所述目标轨迹集合中的行驶轨迹是与所述目标路口相关联的指定时段内的轨迹；所述第二预测模块，被配置为：
以目标时长作为分桶指标，对所述目标轨迹集合中的行驶轨迹进行分桶处理，得到多个分桶轨迹；一个所述分桶轨迹对应所述指定时段内的一个子时段；
按照目标顺序，根据所述多个分桶轨迹顺次对所述类型车道进行路况预测，得到所述类型车道在所述指定时段后的路况预测信息。
在一些可能的实现方式中，第二预测模块604，被配置为：
对于任意一个分桶轨迹，获取所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征；
将所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征输入路况预测模型，得到所述类型车道在所述指定时段后的路况预测信息；
其中，所述路况预测模型的训练过程包括：
获取样本行驶轨迹的行驶特征和所述样本行驶轨迹的路况标签；
将所述样本行驶轨迹的行驶特征输入构建有目标损失函数的机器学习模型，获取所述机器学习模型输出的路况预测结果；基于所述目标损失函数，确定所述路况标签指示的路况与所述路况预测结果是否匹配；
响应于所述路况标签指示的路况与所述路况预测结果不匹配，反复循环地迭代更新所述机器学习模型的模型参数直至模型收敛，得到所述路况预测模型。
上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。
需要说明的是：上述实施例提供的路况预测装置在预测路况时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的路况预测装置与路况预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图7是根据一示例性实施例示出的一种计算机设备700的结构示意图。该计算机700可以是服务器。该计算机设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(Central Processing Units，CPU)701和一个或一个以上的存储器702，其中，所述存储器702中存储有至少一条程序代码，所述至少一条程序代码由所述处理器701加载并执行以实现上述各个方法实施例提供的路况预测方法。当然，该计算机设备700还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该计算机设备700还可以包括其他用于实现设备功能的部件，在此不做赘述。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括程序代码的存储器，上述程序代码可由计算机设备中的处理器执行以完成上述实施例中的路况预测方法。例如，所述计算机可读存储介质可以是只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、光盘只读存储器(Compact Disc Read-OnlyMemory，CD-ROM)、磁带、软盘和光数据存储设备等。
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得该计算机设备执行上述路况预测方法。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也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，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种路况预测方法，其特征在于，所述方法包括：
获取第一类行驶轨迹和第二类行驶轨迹；其中，所述第一类行驶轨迹是进入目标路口所在路段且已通过所述目标路口的车辆的轨迹，所述第二类行驶轨迹是进入所述目标路口所在路段且待通过所述目标路口的车辆的轨迹；
根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息；
在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；
对于所述目标路段的任意一类型车道，根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息；其中，所述目标轨迹集合的转向信息与所述类型车道相匹配。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息，包括：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
对于任意一个类别，根据所述类别下多条第一类行驶轨迹的行驶特征，获取所述类别的行驶特征；
获取所述第二类行驶轨迹的行驶特征；确定所述第二类行驶轨迹的行驶特征和不同类别的行驶特征之间的相似程度；
根据所述相似程度和所述目标路口的历史转向热度，生成所述第二类行驶轨迹的转向信息；其中，所述历史转向热度用于衡量所述目标路口处的历史转向趋势。
3.根据权利要求2所述的方法，其特征在于，所述行驶特征包括多个维度；所述根据所述类别下多条第一类行驶轨迹的行驶特征，获取所述类别的行驶特征，包括：
将所述多条第一类行驶轨迹的任意维度行驶特征的均值，作为所述类别的相应维度的行驶特征；或，
将所述多条第一类行驶轨迹的任意维度行驶特征的中位数，作为所述类别的相应维度的行驶特征。
4.根据权利要求1所述的方法，其特征在于，所述在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合，包括：
按照所述第一类行驶轨迹在所述目标路口的转向信息，对所述第一类行驶轨迹进行分类，得到多个类别；
按照所述第二类行驶轨迹在所述目标路口的转向信息，将所述第二类行驶轨迹加入到相应类别中，得到所述多个轨迹集合。
5.根据权利要求1所述的方法，其特征在于，所述目标轨迹集合中的行驶轨迹是与所述目标路口相关联的指定时段内的轨迹；所述根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息，包括：
以目标时长作为分桶指标，对所述目标轨迹集合中的行驶轨迹进行分桶处理，得到多个分桶轨迹；一个所述分桶轨迹对应所述指定时段内的一个子时段；
按照目标顺序，根据所述多个分桶轨迹顺次对所述类型车道进行路况预测，得到所述类型车道在所述指定时段后的路况预测信息。
6.根据权利要求5所述的方法，其特征在于，所述根据所述多个分桶数据顺次对所述类型车道进行路况预测，得到所述类型车道在所述指定时段后的路况预测信息，包括：
对于任意一个分桶轨迹，获取所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征；
将所述分桶轨迹中第一类行驶轨迹的行驶特征和第二类行驶轨迹的行驶特征输入路况预测模型，得到所述类型车道在所述指定时段后的路况预测信息；
其中，所述路况预测模型的训练过程包括：
获取样本行驶轨迹的行驶特征和所述样本行驶轨迹的路况标签；
将所述样本行驶轨迹的行驶特征输入构建有目标损失函数的机器学习模型，获取所述机器学习模型输出的路况预测结果；基于所述目标损失函数，确定所述路况标签指示的路况与所述路况预测结果是否匹配；
响应于所述路况标签指示的路况与所述路况预测结果不匹配，反复循环地迭代更新所述机器学习模型的模型参数直至模型收敛，得到所述路况预测模型。
7.一种路况预测装置，其特征在于，所述装置包括：
获取模块，被配置为获取第一类行驶轨迹和第二类行驶轨迹；其中，所述第一类行驶轨迹是进入目标路口所在路段且已通过所述目标路口的车辆的轨迹，所述第二类行驶轨迹是进入所述目标路口所在路段且待通过所述目标路口的车辆的轨迹；
第一预测模块，被配置为根据所述第一类行驶轨迹在所述目标路口的转向信息，对所述第二类行驶轨迹进行转向预测，得到所述第二类行驶轨迹在所述目标路口的转向信息；
处理模块，被配置为在所述第一类行驶轨迹和第二类行驶轨迹中，将具有相同转向信息的轨迹划分到同一个轨迹集合中，得到多个轨迹集合；
第二预测模块，被配置为对于所述目标路段的任意一类型车道，根据所述多个轨迹集合中的目标轨迹集合，生成所述类型车道的路况预测信息；其中，所述目标轨迹集合的转向信息与所述类型车道相匹配。
8.一种计算机设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条程序代码，所述至少一条程序代码由所述处理器加载并执行以实现如权利要求1至6中任一项权利要求所述的路况预测方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如权利要求1至6中任一项权利要求所述的路况预测方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述计算机程序代码，所述处理器执行所述计算机程序代码，使得所述计算机设备执行如权利要求1至6中任一项权利要求所述的路况预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210682007.0A CN115083162B (zh) | 2022-06-15 | 2022-06-15 | 路况预测方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210682007.0A CN115083162B (zh) | 2022-06-15 | 2022-06-15 | 路况预测方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115083162A true CN115083162A (zh) | 2022-09-20 |
| CN115083162B CN115083162B (zh) | 2023-11-17 |
Family
ID=83252624
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210682007.0A Active CN115083162B (zh) | 2022-06-15 | 2022-06-15 | 路况预测方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115083162B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 |
| CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
| US20200257301A1 (en) * | 2017-03-20 | 2020-08-13 | Mobileye Vision Technologies Ltd. | Navigation by augmented path prediction |
| CN111930791A (zh) * | 2020-05-28 | 2020-11-13 | 中南大学 | 一种车辆轨迹的相似度计算方法、系统及存储介质 |
| CN112147658A (zh) * | 2019-06-27 | 2020-12-29 | 财付通支付科技有限公司 | 一种车辆移动方向的判断方法、装置、设备及存储介质 |
| CN113380027A (zh) * | 2021-05-31 | 2021-09-10 | 中山大学 | 一种基于多源数据的交叉口交通状态参数估计方法及系统 |
| CN113377743A (zh) * | 2021-06-03 | 2021-09-10 | 北京邮电大学 | 车辆终端服务迁移方法及系统 |
| CN114283576A (zh) * | 2020-09-28 | 2022-04-05 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
-
2022
- 2022-06-15 CN CN202210682007.0A patent/CN115083162B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104504897A (zh) * | 2014-09-28 | 2015-04-08 | 北京工业大学 | 一种基于轨迹数据的交叉口交通流特性分析及车辆运动预测方法 |
| US20200257301A1 (en) * | 2017-03-20 | 2020-08-13 | Mobileye Vision Technologies Ltd. | Navigation by augmented path prediction |
| CN108346284A (zh) * | 2018-01-29 | 2018-07-31 | 河海大学 | 一种基于马尔科夫模型的不确定性路网车辆轨迹预测方法 |
| CN112147658A (zh) * | 2019-06-27 | 2020-12-29 | 财付通支付科技有限公司 | 一种车辆移动方向的判断方法、装置、设备及存储介质 |
| CN111930791A (zh) * | 2020-05-28 | 2020-11-13 | 中南大学 | 一种车辆轨迹的相似度计算方法、系统及存储介质 |
| CN114283576A (zh) * | 2020-09-28 | 2022-04-05 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
| CN113380027A (zh) * | 2021-05-31 | 2021-09-10 | 中山大学 | 一种基于多源数据的交叉口交通状态参数估计方法及系统 |
| CN113377743A (zh) * | 2021-06-03 | 2021-09-10 | 北京邮电大学 | 车辆终端服务迁移方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 祁宏生;王殿海;: "信号控制交叉路口车辆排队长度", 吉林大学学报(工学版), no. 06, pages 1457 - 1462 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115083162B (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11899411B2 (en) | Hybrid reinforcement learning for autonomous driving | |
| CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
| Dong et al. | Characterizing driving styles with deep learning | |
| CN108332977B (zh) | 一种对智能网联汽车测试场景的分类分析方法 | |
| US11256964B2 (en) | Recursive multi-fidelity behavior prediction | |
| CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
| KR102544760B1 (ko) | 교통 사고 인식 방법, 장치, 기기 및 컴퓨터 기록 매체 | |
| CN110597086A (zh) | 仿真场景生成方法和无人驾驶系统测试方法 | |
| CN107389085B (zh) | 一种道路通行属性的确定方法、装置、计算机及存储介质 | |
| CN112382099B (zh) | 交通路况预测方法、装置、电子设备及存储介质 | |
| CN111666714B (zh) | 自动驾驶仿真场景识别的方法及装置 | |
| Katariya et al. | Deeptrack: Lightweight deep learning for vehicle trajectory prediction in highways | |
| CN113312760A (zh) | 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 | |
| CN116467615A (zh) | 车辆轨迹的聚类方法和装置、存储介质和电子装置 | |
| CN114162144A (zh) | 自动驾驶决策方法、装置以及电子设备 | |
| Wei et al. | Controllable probability-limited and learning-based human-like vehicle behavior and trajectory generation for autonomous driving testing in highway scenario | |
| CN111126311B (zh) | 城市道路的潜在危险区域识别方法、装置及电子设备 | |
| CN115083162A (zh) | 路况预测方法、装置、设备以及存储介质 | |
| CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
| CN115540880A (zh) | 一种导航路径匹配方法及装置、电子设备、存储介质 | |
| CN114707567A (zh) | 轨迹分类方法、轨迹分类模型训练方法及计算机程序产品 | |
| CN113298309A (zh) | 用于交通拥堵状态预测的方法、装置及终端 | |
| CN111735456A (zh) | 一种导航方法、装置、设备以及存储介质 | |
| Nabhan | Models and Algorithms for the Exploration of the Space of Scenarios: Toward the Validation of the Autonomous Vehicle | |
| KR102472649B1 (ko) | 객체를 트래킹하기 위한 방법 및 장치 |
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 |