CN115171366A - 用于预测交通信息的装置和方法 - Google Patents
用于预测交通信息的装置和方法 Download PDFInfo
- Publication number
- CN115171366A CN115171366A CN202111013216.8A CN202111013216A CN115171366A CN 115171366 A CN115171366 A CN 115171366A CN 202111013216 A CN202111013216 A CN 202111013216A CN 115171366 A CN115171366 A CN 115171366A
- Authority
- CN
- China
- Prior art keywords
- road
- probe data
- data generation
- probe
- generation model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- 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
-
- 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0125—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
- G08G1/0104—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
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
提供一种用于预测交通信息的装置和方法,以提高交通信息预测精度。该装置包括:存储器,存储基于道路的特性的多个探测数据生成模型;以及通信装置,从在目标道路上行驶的探测车辆接收探测数据。控制器检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型,基于所检测的探测数据生成模型生成预设数量的探测数据,并且基于所生成的探测数据和所接收的探测数据预测目标道路的交通信息。
Description
相关申请的交叉引用
本申请要求于2021年4月5日向韩国知识产权局提交的韩国专利申请第10-2021-0044210号的优先权,其全部内容通过引用并入本文。
技术领域
本公开涉及用于基于生成探测数据的学习模型预测关于道路的交通信息的技术。
背景技术
通常,导航系统响应于用户的请求使用实时交通信息向用户提供特定区域的实时交通信息或到目的地的最优路线。在这方面,实时交通信息是指在生成用户的交通信息请求的时间点的交通信息。
由于这种交通信息随时间变化,因此当用户使用实时交通信息沿着最优路线行驶并到达特定点时,该特定点处的实时交通信息与生成交通信息请求的时间点处的实时交通信息不同。因此,最初提供给用户的交通信息的有效性较差。为了防止这种情况,已经提出了使用过去的交通信息和实时交通信息来预测用户期望到达特定点的时间点的特定点处的交通信息的方法。
在这方面,基于从在道路上行驶的探测车辆接收的探测数据(例如,GPS数据)来预测实时交通信息(例如,ETA:预期到达时间)。在这方面,为了预测准确的交通信息(例如,通过道路所花费的时间),在参考时间(例如,5分钟)期间通过道路(或道路的参考路段)的探测车辆的数量必须超过参考值(例如,30),但是探测车辆的数量是有限的。最后,常规的交通信息预测技术使用少于参考数量(例如,30)的探测数据来预测道路的交通信息,并且因此精度显着降低。
本背景技术中描述的内容旨在增强对本发明的背景技术的理解,本发明的背景技术可以包括除了本技术所属领域的普通技术人员已知的现有技术之外的内容。
发明内容
已经做出本公开以解决现有技术中出现的上述问题,同时保持由现有技术实现的优点不变。本公开的一个方面提供一种用于预测交通信息的装置和方法,该装置和方法具有已经针对道路的每个特性完成学习的多个探测数据生成模型,检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型,基于所检测的探测数据生成模型生成预定探测数据,并且基于所生成的预定探测数据和从在目标道路上行驶的探测车辆接收的探测数据预测目标道路的交通信息,从而提高交通信息预测精度。
本发明构思要解决的技术问题不限于上述问题,并且本公开所属领域的技术人员将从以下描述中清楚地理解本文未提及的任何其他技术问题。
根据本公开的一个方面,用于预测交通信息的装置可以包括:存储器,用于存储基于道路的特性的多个探测数据生成模型;通信装置,其被配置为从在目标道路上行驶的探测车辆接收探测数据;以及控制器,其被配置为:检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型;基于所检测的探测数据生成模型生成预设数量的探测数据;并且基于所生成的探测数据和所接收的探测数据预测目标道路的交通信息。
在一种实现方式中,探测数据可以是道路通行时间(road transit time)。控制器可以被配置为基于所检测的探测数据生成模型生成预设数量的道路通行时间;并且基于所生成的道路通行时间和从探测车辆接收的道路通行时间计算目标道路的通行时间。另外,控制器可以被配置为计算所生成的道路通行时间和所接收的道路通行时间的平均值作为目标道路的通行时间。
道路的特性可以包括探测车辆的数量、道路的类型、线路的数量、道路的长度和道路的形状中的至少一个。在一种实施方式中,控制器可以被配置为基于目标道路的特性计算与道路的每个特性的相似度;并且检测与道路的具有最高相似度的特性相对应的探测数据生成模型作为目标道路的探测数据生成模型。控制器可以被配置为当基于所计算的相似度未检测到目标道路的探测数据生成模型时,检测具有与目标道路的探测车辆的数量具有最小差异的探测车辆的数量作为道路的特性的探测数据生成模型作为目标道路的探测数据生成模型。
根据本公开的另一方面,用于预测交通信息的方法可以包括:由存储器存储基于道路的特性的多个探测数据生成模型;由通信装置接收在目标道路上行驶的探测车辆的探测数据;由控制器检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型;并且由控制器基于所检测的探测数据生成模型生成预设数量的探测数据,并且基于所生成的探测数据和所接收的探测数据预测目标道路的交通信息。
在一种实施方式中,预测目标道路的交通信息可以包括:基于所检测的探测数据生成模型生成预设数量的道路通行时间;并且基于所生成的道路通行时间和从探测车辆接收的道路通行时间计算目标道路的通行时间。计算目标道路的通行时间可以包括:计算所生成的道路通行时间和所接收的道路通行时间的平均值作为目标道路的通行时间。
另外,检测与目标道路的特性相对应的探测数据生成模型可以包括:基于目标道路的特性计算与道路的每个特性的相似度;并且检测与道路的具有最高相似度的特性相对应的探测数据生成模型作为目标道路的探测数据生成模型。检测与目标道路的特性相对应的探测数据生成模型可以进一步包括:当基于所计算的相似度未检测到目标道路的探测数据生成模型时,检测具有与目标道路的探测车辆的数量具有最小差异的探测车辆的数量作为道路的特性的探测数据生成模型作为目标道路的探测数据生成模型。
附图说明
从结合附图的以下详细描述中,本公开的以上和其他目的、特征和优点将更显而易见:
图1是根据本公开的实施例的交通信息预测装置的框图;
图2是示出在根据本公开的实施例的交通信息预测装置中使用的探测数据生成模型的结构的示例性示图;
图3是示出根据本公开的实施例的用于交通信息预测装置的探测数据生成模型中的发生器的操作的示例性示图;
图4是示出根据本公开的实施例的用于交通信息预测装置的探测数据生成模型中的鉴别器的操作的示例性示图;以及
图5是根据本公开的实施例的交通信息预测方法的实施例的流程图。
具体实施方式
在下文中,将参考示例性附图详细描述本公开的一些实施例。在将参考数字添加到每个附图的组件时,应当注意,即使在其他附图上显示相同或等效的组件时,也用相同的数字表示相同或等效的组件。此外,在描述本公开的实施例时,当确定相关已知配置或功能干扰本公开的实施例的理解时,将省略相关已知配置或功能的详细描述。
在描述根据本公开的实施例的组件时,可以使用诸如第一、第二、A、B、(a)、(b)等的术语。这些术语仅旨在将组件与其他组件区分开,并且这些术语不限制组件的性质、顺序或次序。除非另有定义,否则本文所使用的所有术语(包括技术术语或科学术语)具有与本公开所属领域的普通技术人员通常理解的含义相同的含义。将进一步理解,术语(诸如在常用词典中定义的那些术语)应被解释为具有与其在相关领域的上下文中的含义一致的含义,并且不会以理想化或过于正式的含义进行解释,除非本文明确如此定义。
应当理解,本文所使用的术语“车辆(vehicle)”或“车辆的(vehicular)”或其他类似的术语通常包括机动车辆,诸如包括运动型多用途车辆(SUV)、公共汽车、卡车、各种商用车辆的载客汽车;包括各种船只和船舶的水运工具;飞机等,并且包括混合动力车辆、电动车辆、内燃机、插电式混合动力车辆、氢动力车辆和其他替代燃料车辆(例如,源自除石油之外的资源的燃料)。
尽管示例性实施例被描述为使用多个单元来执行示例性过程,但是应当理解,也可以由一个或多个模块执行示例性过程。另外,应当理解,术语控制器/控制单元是指包括存储器和处理器的硬件装置并且具体地被编程以执行本文所描述的过程。存储器被配置为存储模块,并且处理器具体地被配置为执行所述模块以执行下面进一步描述的一个或多个过程。
此外,本公开的控制逻辑可以体现为包含由处理器、控制器/控制单元等执行的可执行程序指令的计算机可读介质上的非暂时性计算机可读介质。计算机可读介质的示例包括但不限于ROM、RAM、光盘(CD)-ROM、磁带、软盘、闪存驱动器、智能卡以及光学数据存储装置。计算机可读介质还可以分布在网络耦接的计算机系统中,使得计算机可读介质例如通过远程信息处理服务器或控制器局域网(CAN)以分布式方式存储和执行。
图1是根据本公开的实施例的交通信息预测装置的框图。如图1所示,根据本公开的实施例的交通信息预测装置100可以包括存储器10、通信装置20、输出装置30和控制器40。在这方面,根据用于实现根据本公开的实施例的交通信息预测装置100的方法,组件可以相互组合以实现为一个组件,并且可以省略一些组件。
将描述每个组件。首先,存储器10可以被配置为存储已经针对道路的每个特性完成学习的多个探测数据生成模型。在这方面,作为基于探测车辆200的真道路通行时间(通过道路所花费的时间)和潜在矢量“z”生成假道路通行时间的模型的探测数据生成模型例如可以用已经完成学习的条件生成对抗网络(CGAN)来实现。在这方面,CGAN可以被配置为基于设计者的意图执行用于生成每条道路的通行时间的学习,或者更具体地,执行用于生成每条道路的每个路段的通行时间的学习。
存储器10可以被配置为存储在检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型的过程中所需的各种逻辑、算法和程序,基于所检测的探测数据生成模型生成预定探测数据(预设数量的探测数据),并且基于所生成的预定探测数据和从在目标道路上行驶的探测车辆200接收的探测数据(例如,GPS数据)预测目标道路的交通信息(例如,穿越目标道路所花费的时间或通过目标道路的参考路段所花费的时间)。在这方面,GPS数据包括时间数据以及坐标数据。
存储器10可以包括闪存类型、硬盘类型、微型类型、卡类型(例如,安全数字卡(SD卡)或eXtream数字卡(XD卡))等中的至少一种类型的记录介质(存储介质),以及随机存取存储器(RAM)、静态RAM(SRAM)、只读存储器(ROM)、可编程ROM(PROM)、电可擦除PROM(EEPROM)、磁性RAM(MRAM)、磁盘和光盘类型的存储器。
作为提供与在道路上行驶的探测车辆200的通信接口的模块的通信装置20可以被配置为周期性地从探测车辆200接收探测数据。在这方面,探测车辆200可以具有远程信息处理终端作为车辆终端。通信装置20可以包括移动通信模块、无线互联网模块和/或短程通信模块中的至少一种以与探测车辆200通信。
移动通信模块可以被配置为通过基于用于移动通信的技术标准或通信方案(例如,全球移动通信系统(GSM)、码分多址(CDMA)、码分多址2000(CDMA2000)、增强型语音数据优化或仅增强型语音数据(EV-DO)、宽带CDMA(WCDMA)、高速下行链路分组接入(HSDPA)、高速上行链路分组接入(HSUPA)、长期演进(LTE)、先进的长期演进(LTEA)等)、第四代移动通信(4G)和第五代移动通信(5G)构建的移动通信网络与探测车辆200通信。
作为用于无线互联网接入的模块的无线互联网模块可以被配置为经由无线LAN(WLAN)、无线保真(Wi-Fi)、无线保真(Wi-Fi)直连、数字生活网络联盟(DLNA)、无线宽带(WiBro)、全球微波接入互操作性(WiMAX)、高速下行分组接入(HSDPA)、高速上行分组接入(HSUPA)、长期演进(LTE)、先进的长期演进(LTE-A)等与探测车辆200通信。短程通信模块可以支持使用蓝牙TM、射频识别(RFID)、红外数据协会(IrDA)、超宽带(UWB)、ZigBee、近场通信(NFC)和无线通用串行总线(无线USB)中的至少一种技术的短程通信。
例如,输出装置30可以向用户提供通过目标道路所需的时间或通过目标道路的参考路段所需的时间(这是由控制器40预测的目标道路的交通信息)。控制器40可以被配置为执行整体控制,使得每个组件可以正常地执行其功能。控制器40可以以硬件、软件或者硬件和软件的组合的形式实现。优选地,控制器40可以被实现为微处理器,但是可以不限于此。
具体地,控制器40可以包括已经针对道路的每个特性完成学习的多个探测数据生成模型,并且执行以下过程中的各种控制:检测多个探测数据生成模型中与目标道路特性相对应的探测数据生成模型,基于所检测的探测数据生成模型生成预定探测数据,并且基于所生成的预定探测数据和从在目标道路上行驶的探测车辆200接收的探测数据预测目标道路的交通信息。在这方面,道路的特性可以包括探测车辆200的数量、道路的类型、线路的数量、道路的长度、道路的形状等。
作为示例,控制器40可以被配置为基于所检测的探测数据生成模型生成预设数量的道路通行时间(通行道路所花费的时间),并且基于所生成的道路通行时间和从在目标道路上行驶的探测车辆200接收的道路通行时间计算目标道路通行时间。在这方面,控制器40可以被配置为计算基于探测数据生成模型生成的道路通行时间和从探测车辆200接收的道路通行时间的平均值作为目标道路的通行时间。
由于控制器40可以经由通信装置20周期性地从探测车辆200接收GPS数据(包括时间数据),因此可以实时识别探测车辆200的位置。因此,控制器40可以被配置为识别探测车辆200的目标道路或目标道路的参考路段的进入时间点,并且基于进入时间点和所计算的目标道路通行时间计算通过目标道路所需的时间(所需时间)或通过目标道路的参考路段所需的时间(所需时间)作为交通信息。控制器40可以被配置为与导航系统(未示出)相关联地实时识别探测车辆200的位置。换句话说,控制器40可以被配置为基于从探测车辆200接收的GPS数据来检测探测车辆200在道路上的位置。
控制器40可以在检测与道路的特性相对应的多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型的过程中使用通常公知的相似度计算算法。换句话说,控制器40可以被配置为基于目标道路的特性计算与道路的每个特性的相似度,并且检测与道路的具有最高相似度的特性相对应的探测数据生成模型作为目标道路的探测数据生成模型。在这方面,当不存在相似度超过参考值的探测数据生成模型时,控制器40可以被配置为确定具有与目标道路的探测车辆200的数量(从探测车辆200接收的探测数据的数量)最相似的探测车辆200的数量作为道路的特性的探测数据生成模型作为目标道路的探测数据生成模型。
在下文中,将参考图2至图4描述探测数据生成模型的结构和控制器40训练探测数据生成模型的过程。图2是示出在根据本公开的实施例的交通信息预测装置中使用的探测数据生成模型的结构的示例性示图。
如图2所示,用于根据本公开的实施例的交通信息预测装置的探测数据生成模型例如可以用条件生成对抗网络(CGAN)来实现。这种CGAN可以包括发生器210和鉴别器220。在这方面,为了使鉴别器220难以确定探测数据是真探测数据还是假探测数据,试图生成尽可能真的假探测数据的发生器210和试图以高精度区分真探测数据和假探测数据的鉴别器220以彼此敌对的方式学习。
控制器40可以被配置为重复地执行敌对学习,该敌对学习是首先训练鉴别器220并且然后通过反映鉴别器220的学习结果来训练发生器210的过程。鉴别器220的训练由两个主要过程组成。第一个过程是将真探测数据输入鉴别器220并训练鉴别器220以将真探测数据鉴别为真的过程。第二个过程是输入由发生器210生成的假探测数据并训练鉴别器220以将假探测数据鉴别为假的过程。通过这样的过程,鉴别器220可以被配置为鉴别真探测数据是真的和假探测数据是假的。在这样训练鉴别器220之后,有必要在欺骗训练过的鉴别器220的方向上训练发生器210。换句话说,控制器40可以被配置为训练发生器210以生成与真探测数据相似的假探测数据,该假探测数据足以被鉴别器220确定为真。
当重复这样的训练过程时,鉴别器220和发生器210彼此识别为敌对的竞争者并且两者都发展。因此,发生器210可以被配置为生成与真探测数据完全相似的假探测数据。因此,鉴别器220不能区分真探测数据和假探测数据。换句话说,发生器210和鉴别器220以发生器210试图降低鉴别器220的鉴别成功概率而鉴别器220试图增加鉴别成功概率的方式相互竞争,使得发生器210和鉴别器220相互发展。
更具体地,CGAN使用目标函数V(D,G)在如以下等式1所示的求解“最小最大化(minmax)问题”的方案中训练。
等式1
在这方面,x~pdata(x)表示从真探测数据的概率分布中采样的数据,z~pz(z)通常表示使用高斯分布从随机噪声中采样的数据,并且“z”表示潜在矢量(潜在空间中的矢量)。D(x|y)是鉴别器220,并且当探测数据为真时为1,而当探测数据为假时为0。D(G(z|y))在由发生器210生成的探测数据被确定为真时为1,而在探测数据被鉴别为假时为0。
首先,在通过作为鉴别器220的D使V(D,G)最大化以使等式1最大化方面,右侧的第一项和第二项两者都必须是最大的,使得log D(x|y)和log(1-D(G(z|y)))两者都应该是最大的。因此,D(x|y)应该是1,这意味着训练D将真探测数据分类为真。类似地,因为1-D(G(z|y))应该是1,所以D(G(z|y))应该是0,这意味着训练鉴别器220将由发生器210生成的假探测数据鉴别为假。最后,允许V(D,G)变为最大的D的训练是训练鉴别器220以区分真探测数据为真和假探测数据为假的过程。
接下来,在通过作为发生器210的G使V(D,G)最小化方面,由于G不包括在等式1右侧的第一项中,因此可以省略第一项,因为与发生器210无关。为了使第二项最小化,必须使log(1-D(G(z|y)))最小化。因此,log(1-D(G(z|y)))应该为0,并且D(G(z|y))应该为1。这意味着训练发生器210以生成足够完美以被鉴别器220鉴别为真的假探测数据。因此,在使V(D,G)最大化的方向上训练鉴别器220和在使V(D,G)最小化的方向上训练发生器210被称为“最小最大化问题”。
图3是示出根据本公开的实施例的用于交通信息预测装置的探测数据生成模型中的发生器的操作的示例性示图。如图3所示,根据本公开的实施例的用于交通信息预测装置的探测数据生成模型中的发生器210可以被配置为从探测车辆200接收真探测数据“y”和潜在矢量“z”,并且按照真探测数据“y”的分布生成假探测数据G(z|y)。在这方面,发生器210可以被配置为生成多个假探测数据(G(z|y))。
图4是示出根据本公开的实施例的用于交通信息预测装置的探测数据生成模型中的鉴别器的操作的示例性示图。如图4所示,根据本公开的实施例的用于交通信息预测装置的探测数据生成模型中的鉴别器220可以被配置为接收来自探测车辆200的真探测数据“y”和由发生器210生成的假探测数据G(z|y),确定真探测数据“y”为真(D(y)),并且确定假探测数据G(z|y)为假(D(G(z|y)))。
图5是根据本公开的实施例的交通信息预测方法的实施例的流程图。首先,存储器10可以被配置为存储基于道路的特性的多个探测数据生成模型(501)。此后,通信装置20可以被配置为从在目标道路上行驶的探测车辆接收探测数据(502)。
此后,控制器40可以被配置为检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型(503)。此后,控制器40可以被配置为基于所检测的探测数据生成模型生成预设数量的探测数据,并且基于所生成的探测数据和所接收的探测数据预测目标道路的交通信息(504)。在这方面,控制器40可以被配置为预测通过目标道路所需的时间作为目标道路的交通信息。
以上描述仅是本公开的技术思想的说明,并且本领域技术人员可以在不脱离本公开的基本特征的情况下进行各种修改和改变。因此,本公开中公开的实施例并非旨在限制本公开的技术思想而是用于说明本公开,并且本公开的技术思想的范围不受实施例的限制。本公开的范围应被解释为由所附权利要求的范围覆盖,并且落入权利要求的范围内的所有技术思想都应被解释为包括在本公开的范围内。
如上所述的根据本公开的实施例的用于预测交通信息的装置和方法可以具有已经针对道路的每个特性完成学习的多个探测数据生成模型,检测多个探测数据生成模型中与目标道路的特性相对应的探测数据生成模型,基于所检测的探测数据生成模型生成预定探测数据,并且基于所生成的预定探测数据和从在目标道路上行驶的探测车辆接收的探测数据预测目标道路的交通信息,从而提高交通信息预测精度。
在上文中,尽管已经参考示例性实施例和附图描述了本公开,但是本公开不限于此,而是可以由本公开所属领域的技术人员在不脱离所附权利要求中要求保护的本公开的精神和范围的情况下进行各种修改和改变。
Claims (14)
1.一种用于预测交通信息的装置,包括:
存储器,被配置为存储基于道路的特性的多个探测数据生成模型;
通信装置,被配置为从在目标道路上行驶的探测车辆接收探测数据;以及
控制器,被配置为:
检测所述多个探测数据生成模型中与所述目标道路的特性相对应的探测数据生成模型;
基于所检测的探测数据生成模型生成预设数量的探测数据;并且
基于所生成的探测数据和所接收的探测数据预测所述目标道路的交通信息。
2.根据权利要求1所述的装置,其中,所述探测数据是道路通行时间。
3.根据权利要求2所述的装置,其中,所述控制器被配置为:
基于所检测的探测数据生成模型生成预设数量的道路通行时间;并且
基于所生成的道路通行时间和从所述探测车辆接收的道路通行时间计算所述目标道路的通行时间。
4.根据权利要求3所述的装置,其中,所述控制器被配置为计算所生成的道路通行时间和所接收的道路通行时间的平均值作为所述目标道路的所述通行时间。
5.根据权利要求1所述的装置,其中,所述道路的所述特性包括所述探测车辆的数量、所述道路的类型、线路的数量、所述道路的长度和所述道路的形状中的至少一个。
6.根据权利要求5所述的装置,其中,所述控制器被配置为:
基于所述目标道路的所述特性计算与所述道路的每个特性的相似度;并且
检测与所述道路的具有最高相似度的特性相对应的探测数据生成模型作为所述目标道路的探测数据生成模型。
7.根据权利要求6所述的装置,其中,所述控制器被配置为当基于所计算的相似度未检测到所述目标道路的所述探测数据生成模型时,检测具有与所述目标道路的所述探测车辆的数量具有最小差异的探测车辆的数量作为所述道路的所述特性的探测数据生成模型作为所述目标道路的所述探测数据生成模型。
8.一种用于预测交通信息的方法,包括以下步骤:
由存储器存储基于道路的特性的多个探测数据生成模型;
由通信装置接收在目标道路上行驶的探测车辆的探测数据;
由控制器检测所述多个探测数据生成模型中与所述目标道路的特性相对应的探测数据生成模型;并且
由所述控制器基于所检测的探测数据生成模型生成预设数量的探测数据,并且基于所生成的探测数据和所接收的探测数据预测所述目标道路的交通信息。
9.根据权利要求8所述的方法,其中,所述探测数据是道路通行时间。
10.根据权利要求9所述的方法,其中,预测所述目标道路的所述交通信息包括以下步骤:
基于所检测的探测数据生成模型生成预设数量的道路通行时间;并且
基于所生成的道路通行时间和从所述探测车辆接收的道路通行时间计算所述目标道路的通行时间。
11.根据权利要求10所述的方法,其中,计算所述目标道路的所述通行时间包括以下步骤:
计算所生成的道路通行时间和所接收的道路通行时间的平均值作为所述目标道路的所述通行时间。
12.根据权利要求8所述的方法,其中,所述道路的所述特性包括所述探测车辆的数量、所述道路的类型、线路的数量、所述道路的长度和所述道路的形状中的至少一个。
13.根据权利要求12所述的方法,其中,检测与所述目标道路的所述特性相对应的所述探测数据生成模型包括以下步骤:
基于所述目标道路的所述特性计算与所述道路的每个特性的相似度;并且
检测与所述道路的具有最高相似度的特性相对应的探测数据生成模型作为所述目标道路的探测数据生成模型。
14.根据权利要求13所述的方法,其中,检测与所述目标道路的所述特性相对应的所述探测数据生成模型进一步包括以下步骤:
当基于所计算的相似度未检测到所述目标道路的所述探测数据生成模型时,检测具有与所述目标道路的所述探测车辆的数量具有最小差异的探测车辆的数量作为所述道路的所述特性的探测数据生成模型作为所述目标道路的所述探测数据生成模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0044210 | 2021-04-05 | ||
KR1020210044210A KR20220138263A (ko) | 2021-04-05 | 2021-04-05 | 교통정보 예측 장치 및 그 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115171366A true CN115171366A (zh) | 2022-10-11 |
Family
ID=83476074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111013216.8A Pending CN115171366A (zh) | 2021-04-05 | 2021-08-31 | 用于预测交通信息的装置和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220327918A1 (zh) |
KR (1) | KR20220138263A (zh) |
CN (1) | CN115171366A (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6408770B2 (ja) * | 2014-03-03 | 2018-10-17 | 株式会社ゼンリン | プローブ情報の収集方法、収集装置、そのプログラム、及び、旅行時間算出装置 |
US10175054B2 (en) * | 2015-01-11 | 2019-01-08 | Microsoft Technology Licensing, Llc | Predicting and utilizing variability of travel times in mapping services |
TWI619036B (zh) * | 2016-02-22 | 2018-03-21 | 財團法人資訊工業策進會 | 交通時間預測系統、交通時間預測方法以及交通模型建立方法 |
US10042055B2 (en) * | 2016-04-20 | 2018-08-07 | Here Global B.V. | Traffic volume estimation |
US11486718B2 (en) * | 2017-10-25 | 2022-11-01 | Tata Consultancy Services Limited | Predicting vehicle travel time on routes of unbounded length in arterial roads |
US20200134494A1 (en) * | 2018-10-26 | 2020-04-30 | Uatc, Llc | Systems and Methods for Generating Artificial Scenarios for an Autonomous Vehicle |
-
2021
- 2021-04-05 KR KR1020210044210A patent/KR20220138263A/ko active Search and Examination
- 2021-08-09 US US17/397,391 patent/US20220327918A1/en active Pending
- 2021-08-31 CN CN202111013216.8A patent/CN115171366A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220327918A1 (en) | 2022-10-13 |
KR20220138263A (ko) | 2022-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10990096B2 (en) | Reinforcement learning on autonomous vehicles | |
CN109782763B (zh) | 一种动态环境下的移动机器人路径规划方法 | |
US20180255562A1 (en) | Method for adaptively adjusting security level of v2x communication message and apparatus therefor | |
US20140244144A1 (en) | Vehicle apparatus and system for controlling platoon travel and method for selecting lead vehicle | |
Tizghadam et al. | Machine learning in transportation | |
US10678245B2 (en) | Systems and methods for predicting entity behavior | |
US11619946B2 (en) | Method and apparatus for generating U-turn path in deep learning-based autonomous vehicle | |
CN112230657B (zh) | 面向智能车辆的区域协同驾驶意图调度方法、系统和介质 | |
US20210094571A1 (en) | Method and apparatus for controlling vehicle, device and storage medium | |
KR102050426B1 (ko) | 운전자 모사 모델 기반의 자율주행 제어 장치 및 방법 | |
CN115171366A (zh) | 用于预测交通信息的装置和方法 | |
US11598646B2 (en) | Apparatus and method for providing traffic information | |
CN113868875A (zh) | 测试场景自动生成方法、装置、设备和存储介质 | |
US20230024838A1 (en) | Apparatus for predicting traffic information and method thereof | |
CN113420743A (zh) | 基于雷达的目标分类方法、系统及存储介质 | |
CN115683136A (zh) | 用于搜索导航路径的装置和方法 | |
US20240038064A1 (en) | Traffic Speed Prediction Device and Method Therefor | |
US11869367B2 (en) | Device and method for controlling flight of unmanned aerial vehicle | |
US20230298461A1 (en) | Apparatus for predicting congestion time point and method thereof | |
US20230245555A1 (en) | Apparatus for predicting traffic information and method thereof | |
US20240193999A1 (en) | Method and system for dynamically predicting driving range of vehicles | |
RU2724596C1 (ru) | Способ, устройство, центральное устройство и система для распознавания сдвига распределения в распределении данных и/или признаков входных данных | |
US20230324498A1 (en) | Determination device, determination method, and determination system | |
US20240060786A1 (en) | System for modelling energy consumption efficiency of an electric vehicle and a method thereof | |
US20240061971A1 (en) | System for modelling energy consumption efficiency of an electric vehicle and a method thereof |
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 |