CN116168544A - 切换点预测方法、预测模型训练方法、装置、设备及介质 - Google Patents
切换点预测方法、预测模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116168544A CN116168544A CN202310458136.6A CN202310458136A CN116168544A CN 116168544 A CN116168544 A CN 116168544A CN 202310458136 A CN202310458136 A CN 202310458136A CN 116168544 A CN116168544 A CN 116168544A
- Authority
- CN
- China
- Prior art keywords
- target
- sample
- point
- period
- switching
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from 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
-
- 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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/095—Traffic lights
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
- Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection
Abstract
本公开提供了一种切换点预测方法、预测模型训练方法、装置、设备及介质,涉及大数据、智能交通和云计算等技术,可应用于导航、车联网、智能座舱以及自动驾驶技术领域,切换点预测方法包括:获取目标路口中目标交通信号灯的切换点预测关联信息;其中,切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息;根据信号灯切换规律信息和信号灯关联轨迹信息,计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对;将特征偏差对输入至训练完成的切换点实时预测模型,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息。本公开实施例能够提高交通信号灯切换点预测的准确率和效率。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及大数据、智能交通和云计算等技术,可应用于导航、车联网、智能座舱以及自动驾驶技术领域。
背景技术
交通信号灯是交通管理部门管控车辆通行秩序及调整道路交通流量的重要基础设施,同时交通信号灯是出行导航最复杂、也是用户感知最强的交通场景。利用大数据和云计算等技术挖掘交通信号灯的切换点信息有助于智能交通建设,可以精准计算通行路口代价,以作为辅助特征预测道路拥堵、拥堵消散等动态交通路况,在导航、车联网、智能座舱以及自动驾驶技术领域等各种相关领域都具有极高的应用价值。同时,对用户展示交通信号灯的切换点信息可以缓解用户在等红灯时,因未知红灯时长而产生的焦虑。因此,如何精准地挖掘出交通信号灯的切换点是非常重要的。
发明内容
本公开实施例提供了一种切换点预测方法、预测模型训练方法、装置、设备及介质,能够提高交通信号灯切换点预测的准确率和效率。
第一方面,本公开实施例提供了一种切换点预测方法,包括:
获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息;
根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对;
将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
第二方面,本公开实施例提供了一种预测模型训练方法,包括:
获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息;
根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本;
将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练;
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
第三方面,本公开实施例提供了一种切换点预测装置,包括:
切换点预测关联信息获取模块,用于获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息;
特征偏差对计算模块,用于根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对;
目标切换点信息确定模块,用于将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
第四方面,本公开实施例提供了一种预测模型训练装置,包括:
切换点预测关联样本信息获取模块,用于获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息;
特征偏差对样本计算模块,用于根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本;
切换点实时预测模型训练模块,用于将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练;
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
第五方面,本公开实施例提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面实施例所提供的切换点预测方法或第二方面实施例所提供的预测模型训练方法。
第六方面,本公开实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行第一方面实施例所提供的切换点预测方法或第二方面实施例所提供的预测模型训练方法。
第七方面,本公开实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现第一方面实施例所提供的切换点预测方法或第二方面实施例所提供的预测模型训练方法。
本公开实施例通过对目标路口中目标交通信号灯获取包括信号灯切换规律信息和信号灯关联轨迹信息的切换点预测关联信息,以根据信号灯切换规律信息和信号灯关联轨迹信息,计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对,进而将特征偏差对输入至训练完成的切换点实时预测模型,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,解决现有交通信号灯切换点预测方法存在的准确率和效率较低等问题,能够提高交通信号灯切换点预测的准确率和效率。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是本公开实施例提供的一种切换点预测方法的流程图;
图2是本公开实施例提供的一种切换点预测方法的流程图;
图3是本公开实施例提供的一种预测模型训练方法的流程图;
图4是本公开实施例提供的一种预测模型训练方法的流程图;
图5是本公开实施例提供的一种切换点生成式预测方法的流程示意图;
图6是本公开实施例提供的一种切换点实时预测模型的结构示意图;
图7是本公开实施例提供的一种切换点预测装置的结构图;
图8是本公开实施例提供的一种预测模型训练装置的结构图;
图9是用来实现本公开实施例的切换点预测方法或预测模型训练方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
交通信号灯的切换点信息也即由当前颜色的信号灯切换至另一颜色的信号灯的切换时刻,切换点信息可以精确到秒。目前,交通信号灯的切换点可以包括红切绿、绿切黄和黄切红三种类型。示例性的,红切绿指的是红灯变绿灯的那一时刻。交通信号灯的切换点预测方法是一项基于轨迹的大数据生成式方法。红绿灯场景是驾车导航出行最复杂,也是用户体验感知最强的场景。因此,挖掘出精准的交通信号灯切换点信息,有助于智能交通建设,同时可以缓解用户因排队等灯时长未知而产生的焦虑,给用户出行带来极致的绿波体验。
目前,交通信号灯的切换点预测方法目前普遍采用以下几种方案:
(一)、通过轨迹复现停车启动信息。在该方案中,通过提取当前时刻以及当前时刻前后一定时间段内的车辆轨迹信息,计算出每条轨迹在对应时刻的停车启动时刻,综合复现当前时刻的所有轨迹,判定当时的切换点时刻,取同一周期最早启动时刻作为切换点时刻。
(二)、通过人工驾车的方式核验交通信号灯的切换点。在该方案中,通过人工真实等候完整一轮红绿灯周期,记录真实的切换点时刻,可以得到精准的切换点信息。
(三)、通过统计概率分布的方式确定交通信号灯的切换点。在该方案中,可以基于目标时间段内的所有轨迹,寻找第一个(最早)启动点,计算所有轨迹和确定的启动点的偏差时长,并统计偏差时长的分布信息,基于分布信息的周期性规律特征进而确定红绿灯的切换点信息。
(四)与交管部门合作,从交管部门获取到精准的切换点数据。
然而,上述三种确定交通信号灯的切换点信息的方案存在如下问题:
方案(一)很难精准识别一次交通信号灯对应灯态的完整停车情况,比如,轨迹走走停停,停车等灯状态很难利用相应的规则判定。另外,大量的轨迹中经常存在一些无效的异常轨迹,比如违规驾驶或路边揽客而长时间停车等无效轨迹等。
方案(二)虽然可以有效解决方案(一)中无法精准识别一次对应灯态的完整停车的问题,但是实际执行会额外增加大量人力财力的开销,并且能够覆盖的道路也相对有限,无法做到大规模的采集,成本高且效率较低。
方案(三)虽然可以初步统计出交通信号灯的切换点时刻的大致范畴,但是分布的基础切换点数据严格依赖最早切换点的识别准确率,且所有轨迹距离最早启动点的偏差,会导致随机误差因素众多,很难精准基于分布情况统计出最准确的切换点。同时,在概率分布交通信号灯切换的边界处随机性很大,很大精准识别出真实的切换点,准确率较低。
方案(四)覆盖范围很低,对于部分交通信号灯无法为其提供切换点信息,同时需要安装专有设备,成本耗费大。
在一个示例中,图1是本公开实施例提供的一种切换点预测方法的流程图,本实施例可适用于根据时刻点与预测切换点之间的特征偏差对预测交通信号灯的切换点的情况,该方法可以由切换点预测装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中。该电子设备可以是终端设备,也可以是服务器设备,本公开实施例并不对电子设备的具体设备类型进行限定。相应的,如图1所示,该方法包括如下操作:
S110、获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息。
其中,目标路口可以是需要对其包括的交通信号灯的切换点信息进行预测的路口。目标路口的类型可以是十字形及丁字形等,其数量可以是多个,只要匹配有需要预测切换点信息的交通信号灯即可,本公开实施例并不对目标路口的类型进行限定。目标交通信号灯可以是目标路口涉及的部分或全部的信号灯,可以包括直行信号灯和非直行信号灯,本公开实施例并不对目标交通信号灯的内容进行限定。直行信号灯也即目标路口中用于引导车辆直行行驶的信号灯,非直行信号灯也即目标路口中用于引导车辆非直行行驶的信号灯。切换点预测关联信息可以是用于对目标交通信号灯的切换点信息进行计算的参考信息。信号灯切换规律信息例如可以是信号灯的切换周期等反应信号灯切换规律的相关信息。信号灯关联轨迹信息可以是针对目标交通信号灯采集的,与目标交通信号灯相关联的轨迹信息等。所谓与目标交通信号灯相关联,可以理解为轨迹信息由目标交通信号灯的引导而生成。
在本公开实施例中,用于预测交通信号灯的切换点信息的电子设备可以对目标路口中目标交通信号灯获取包括信号灯切换规律信息和信号灯关联轨迹信息的切换点预测关联信息,以通过获取的目标交通信号灯的切换点预测关联信息预测该目标交通信号灯的切换点信息。
S120、根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对。
其中,目标周期时刻点可以是目标交通信号灯一个完整的切换周期内包括的时刻点。预测切换点可以是对目标交通信号灯进行预测得到的切换点信息。特征偏差对可以是对目标周期时刻点与预测切换点之间的特征计算得到的偏差值,该偏差值可以反应通过预测切换点计算得到的目标周期时刻点为真实切换点的概率情况。
可以理解的是,目标交通信号灯一个完整的切换周期内包括的时刻点必然会包括该目标交通信号灯的切换点信息。示例性的,当一个目标交通信号灯A的完整切换周期为1分钟,即前20秒为红灯,中间37秒为绿灯,最后3秒为黄灯,则该完整切换周期包括黄切红的切换点(第1秒)、红切绿的切换点(第21秒)和绿切黄的切换点(第58秒)。因此,一个目标交通信号灯A的完整切换周期内的时刻点必然包括部分真实的切换点。因此,可以根据目标交通信号灯的信号灯切换规律信息确定目标交通信号灯的一个完整切换周期,并对目标交通信号灯的一个完整切换周期内包括的时刻点来确定目标周期时刻点,该目标周期时刻点可以是对应完整切换周期内的全部或部分时刻点。
进一步的,根据目标交通信号灯的信号灯关联轨迹信息可以预测该目标交通信号灯的一些切换点作为预测切换点。相应的,在得到目标交通信号灯的目标周期时刻点与预测切换点后,即可计算目标周期时刻点与预测切换点之间的特征偏差对,以利用计算得到的特征偏差对从各目标周期时刻点中精确预测最终的切换点。
S130、将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
其中,切换点实时预测模型可以是根据特征偏差对实时预测目标交通信号灯的目标切换点信息的模型。可选的,该切换点实时预测模型可以是一种二分类模型。目标切换点信息也即切换点实时预测模型从各目标周期时刻点中精确预测的切换点。可选的,目标切换点信息可以是某一种类型的切换点信息,如红切绿的切换点信息,也还可以是全部的切换点信息,本公开实施例并不对目标切换点信息的切换点类型和切换点数量进行限定。为了保证驾驶安全,可选的,可以将切换点信息总结归纳为红切绿和绿切红两种类型。其中,绿切红的时长可以包括绿切黄和黄切红的时长。相应的,切换点信息则可以包括红切绿的切换时刻和绿切红的切换时刻。
相应的,当计算得到目标周期时刻点与预测切换点之间的特征偏差对后,可以将特征偏差对作为输入,实时输入至预先训练完成的切换点实时预测模型中。切换点实时预测模型可以根据特征偏差对计算各目标周期时刻点为目标切换点的概率值,进而根据各目标周期时刻点为目标切换点的概率值确定目标交通信号灯的目标切换点信息。
示例性的,可以将概率值最大的目标周期时刻点确定为目标交通信号灯的目标切换点信息。或者,还可以将概率值排序靠前的前3个目标周期时刻点确定为目标交通信号灯备选的目标切换点信息,并进一步对目标交通信号灯备选的目标切换点信息进行计算,最终筛选出一个可靠性最高的目标周期时刻点,确定为目标交通信号灯的目标切换点信息。
可选的,切换点实时预测模型可以是线上运行的模型。因此,设备可以实时获取目标路口中目标交通信号灯的切换点预测关联信息,并实时计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对,以将实时计算的特征偏差对输入至切换点实时预测模型。相应的,切换点实时预测模型可以基于实时获取的特征偏差对对各目标周期时刻点进行计算,从而实时确定目标交通信号灯的目标切换点信息。在确定目标交通信号灯的目标切换点信息之后,可以将其下发至在目标周期内经过目标交通信号灯的车辆中的导航客户端,以使得导航客户端基于接收到的切换点信息显示目标交通信号灯的倒计时。可以理解的是,目标周期可以是目标周期时刻点对应的目标交通信号灯的切换周期。
本公开实施例提供的切换点预测方法能够在保障切换点预测效果的前提下大规模产出交通信号灯的切换点值,以供智能交通建设更快普及。同时,在成本和覆盖面上,相较于自驾车采集成本显著降低,相较于现有信控灯的覆盖,可达到大规模批量覆盖,对比概率分布统计方法,该方案预测准确率更高,解决了基于轨迹图的高误差判断以及自驾车覆盖低的问题,提高了交通信号灯切换点预测的准确率和效率。
本公开实施例通过对目标路口中目标交通信号灯获取包括信号灯切换规律信息和信号灯关联轨迹信息的切换点预测关联信息,以根据信号灯切换规律信息和信号灯关联轨迹信息,计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对,进而将特征偏差对输入至训练完成的切换点实时预测模型,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,解决现有交通信号灯切换点预测方法存在的准确率和效率较低等问题,能够提高交通信号灯切换点预测的准确率和效率。
在一个示例中,图2是本公开实施例提供的一种切换点预测方法的流程图,本公开实施例在上述各实施例的技术方案的基础上,进行了优化改进,给出了计算特征偏差对以及通过切换点实时预测模型确定目标交通信号灯的目标切换点信息多种具体可选的实现方式。
如图2所示的一种切换点预测方法,包括:
S210、获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息。
S220、根据所述信号灯切换规律信息确定目标切换周期。
其中,目标切换周期可以是需要预测的目标交通信号灯的切换点信息匹配的切换周期。
在根据信号灯切换规律信息确定目标切换周期之前,可以首先确定目标交通信号灯的信号灯切换规律信息。示例的,可以根据目标路口的车辆历史轨迹运动规律生成目标交通信号灯的信号灯切换规律信息。或者,也可以获取设备中存储的信号灯切换规律信息确定目标交通信号灯的信号灯切换规律信息等,本公开实施例并不对目标交通信号灯的信号灯切换规律信息的确定方式进行限定。相应的,在获取到信号灯切换规律信息之后,即可根据获取的信号灯切换规律信息确定目标切换周期。
S230、根据所述目标切换周期包括的周期时刻点确定所述目标周期时刻点。
其中,周期时刻点也即目标切换周期内包括的各个时刻点。可选的,周期时刻点可以是秒级的时刻点。
相应的,在确定目标交通信号灯的信号灯切换规律信息之后,可以以目标交通信号灯的信号灯切换规律信息确定一个目标切换周期。可以理解的是,目标切换周期可以是当前需要实时计算切换点对应的完整切换周期。进一步的,可以根据确定的目标切换周期包括的周期时刻点确定目标周期时刻点。
在本公开的一个可选实施例中,所述目标切换周期可以包括所述目标交通信号灯的目标切换全周期;所述根据所述目标切换周期包括的周期时刻点确定所述目标周期时刻点,可以包括:确定所述目标切换周期包括的全量周期时刻点;对各所述全量周期时刻点进行筛选,得到备用周期时刻点;将各所述备用周期时刻点确定为所述目标周期时刻点。
其中,目标切换全周期可以是目标交通信号灯在未来时间段的一个完整的切换周期。全量周期时刻点也即目标切换周期中的所有时刻点。备用周期时刻点可以是对全量周期时刻点进行筛选得到的部分周期时刻点。
示例性的,假设目标交通信号灯的信号灯切换规律信息为:每1分钟为一个完整的切换周期,且历史切换点包括但不限于10:00:01、10:00:21、10:01:01、10:01:21、10:02:01……。如果当前时刻为10:30,则目标切换全周期可以为10:30:01-10:31:00。相应的,如果目标切换全周期为10:30:01-10:31:00,则该目标切换周期包括的全量周期时刻点可以是10:30:01-10:31:00范围内的每个秒级的时刻点。
可选的,根据目标切换周期包括的周期时刻点确定目标周期时刻点时,可以将目标切换周期包括的全量周期时刻点确定为目标周期时刻点。但如果目标切换周期较长,会导致目标周期时刻点数量过大,造成较大的计算压力。因此,根据目标切换周期包括的周期时刻点确定目标周期时刻点时,还可以对全量周期时刻点进行筛选,得到部分备用周期时刻点,并将筛选得到的备用周期时刻点确定为目标周期时刻点,以降低切换点实时预测模型实时预测目标切换点信息的计算量,提高切换点预测的效率。
需要说明的是,对各全量周期时刻点筛选备用周期时刻点时,可以将最有可能为切换点的时刻点筛选出来,作为备用周期时刻点。例如,在上述示例中,如果目标切换全周期为10:30:01-10:31:00,则可以筛选出10:30:01、10:30:02、10:30:03、10:30:19、10:30:20、10:30:21、10:30:22、10:30:57、10:30:58、10:30:50以及10:31:00等作为目标周期时刻点。
可以理解的是,目标切换周期时长不同,其对应确定的目标周期时刻点也可以不同。本公开实施例并不对目标周期时刻点的数量进行限定。
S240、根据所述信号灯关联轨迹信息计算所述目标交通信号灯的预测切换点。
示例性的,可以获取用户行驶中产生的轨迹并对其进行特征提取,分析轨迹中的加速减速及停车启动等时刻信息,并结合道路属性,挖掘目标交通信号灯的预测切换点。
在本公开的一个可选实施例中,在所述根据所述信号灯关联轨迹信息计算所述目标交通信号灯的预测切换点之前,还可以包括:根据所述目标切换周期确定轨迹关联周期;获取对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息;根据对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息生成所述信号灯关联轨迹信息。
其中,轨迹关联周期可以是用于计算目标交通信号灯的预测切换点的参考时间周期。可选的,轨迹关联周期可以是目标切换周期之前的一端时间周期。关联轨迹信息也即在轨迹关联周期内采集的,与目标交通信号灯相关的轨迹信息。
在本公开实施例中,可以依据一定时间段的轨迹信息来计算目标交通信号灯的预测切换点。具体的,可以根据目标切换周期确定一个轨迹关联周期,并获取该轨迹关联周期内与目标交通信号灯相关联的轨迹信息生成信号灯关联轨迹信息。
上述技术方案,通过根据目标切换周期设定轨迹关联周期,可以实现利用最新的轨迹信息来预测目标交通信号灯的预测切换点,从而保证预测切换点的时效性和准确性。
在本公开的一个可选实施例中,所述根据所述目标切换周期确定轨迹关联周期,可以包括:根据所述目标切换周期确定参考周期时刻点;根据所述参考周期时刻点和预设预测周期间隔确定所述轨迹关联周期。
其中,参考周期时刻点可以是目标切换周期包括的时刻点。示例性的,参考周期时刻点例如可以是目标切换周期的起始时刻点和末尾时刻点等。预设预测周期间隔可以根据实际需求设定,示例性的,预设预测周期间隔例如可以是半小时或1小时等。本公开实施例并不对参考周期时刻点的具体时刻点信息和预设预测周期间隔的具体间隔长度进行限定。
可选的,根据目标切换周期确定轨迹关联周期时,可以将目标切换周期作为基准,从目标切换周期中筛选一个时刻点作为参考周期时刻点。进一步的,以参考周期时刻点为基准,叠加预设预测周期间隔即可确定参考周期时刻点之前的一段轨迹关联周期。
示例性的,假设目标切换周期为10:30:01-10:31:00,则可以将10:30:01作为参考周期时刻点,如果预设预测周期间隔为半小时,则相应待确定的轨迹关联周期为10:00:01-10:30:00。
可以理解的是,交通信号灯的切换点可能并不是固定的,部分交通信号灯可能根据不同的时段或当前的交通状态实时动态更新其切换点信息。因此,需要保证目标交通信号灯的预测切换点的时效性,不能采用固定不变的预测切换点来计算目标交通信号灯的切换点信息,避免因为预测切换点的错误信息,导致目标交通信号灯的切换点信息偏差极大的问题。上述技术方案,通过以目标切换周期确定的参考周期时刻点确定轨迹关联周期,可以保证预测切换点始终是根据目标切换周期之前的最新的轨迹关联周期来预测,可以保证目标交通信号灯的预测切换点预测的时效性和准确性。
在本公开的一个可选实施例中,所述根据对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息生成所述信号灯关联轨迹信息,可以包括:对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息进行轨迹筛选,得到高质量关联轨迹信息;将所述高质量关联轨迹信息作为所述信号灯关联轨迹信息。
其中,高质量关联轨迹信息可以是关联轨迹信息中较优的轨迹信息,其可靠性、可用性较高。
在本公开实施例中,目标交通信号灯在轨迹关联周期内采集的关联轨迹信息可以包括但不限于合作的出租车、社会化运管车辆、公交货车以及用户UGC(User GeneratedContent,也就是用户生成内容,即用户原创内容)轨迹等。获取到关联轨迹信息之后,还需要对关联轨迹信息的轨迹质量进行把关,筛选出灯前优质轨迹即高质量关联轨迹信息,作为信号灯关联轨迹信息。
上述技术方案,通过利用高质量关联轨迹信息作为信号灯关联轨迹信息,可以提高作为信号灯关联轨迹信息的准确性、可靠性和可用性,进而提高目标交通信号灯的预测切换点的准确性。
S250、计算所述目标周期时刻点与所述预测切换点之间的特征偏差对。
上述技术方案,通过确定目标切换周期,进一步根据目标切换周期包括的周期时刻点确定目标周期时刻点,再根据信号灯关联轨迹信息计算目标交通信号灯的预测切换点,从而确定了目标周期时刻点与匹配的预测切换点,进而可以计算目标周期时刻点与预测切换点之间的特征偏差对,提高了特征偏差对计算的准确率。
在本公开的一个可选实施例中,所述计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对,可以包括:获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;计算所述目标周期时刻点的第一多维轨迹特征与各所述预测切换点的第二多维轨迹特征之间的特征偏差对。
其中,第一多维轨迹特征可以是目标周期时刻点对应提取的多维的轨迹特征。第二多维轨迹特征可以是预测切换点对应提取的多维的轨迹特征。
在本公开实施例中,可以仅以预测切换点为基准计算特征偏差对。目标周期时刻点和目标交通信号灯的预测切换点都可以对应提取到多维的轨迹特征。示例性的,对目标周期时刻点和预测切换点提取的多维的轨迹特征可以包括但不限于绿波时刻、停车分布以及车辆与目标交通信号灯之间的距离等。轨迹特征的维度可以根据实际需求设置,如30维或50维等,每个维度的轨迹特征都可以表征对应的目标周期时刻点或预测切换点在某一方面体现的轨迹特性。可选的,第一多维轨迹特征与第二多维轨迹特征的维度可以相同,以便于计算特征偏差值。
相应的,针对每隔一目标周期时刻点,可以依次计算该目标周期时刻点的第一多维轨迹特征与各预测切换点的第二多维轨迹特征之间的特征偏差对。示例性的,当目标周期时刻点的数量为5,预测切换点的数量为10时,针对其中一个目标周期时刻点,可以计算得到10组特征偏差对。也即,该目标周期时刻点与每个预测切换点之间都可以计算得到一组特征偏差对。
可选的,目标周期时刻点的第一多维轨迹特征与预测切换点的第二多维轨迹特征之间的特征偏差对,也即第一多维轨迹特征与第二多维轨迹特征之间的特征偏差值,可以反应目标周期时刻点相对于预测切换点之间特征偏差程度,进而反应目标周期时刻点为目标切换点信息的可靠性程度。
可选的,切换点实时预测模型可以对各目标周期时刻点同时计算其与各预测切换点的之间的特征偏差对,还可以依次计算每个目标周期时刻点同时与各预测切换点的之间的特征偏差对,本公开实施例对此并不进行限制。
可选的,需要预测计算的目标切换点信息与预测切换点的切换类型可以相同。例如,需要预测计算的目标切换点信息与预测切换点的切换类型均为红切绿的切换点等。
上述技术方案,通过计算目标周期时刻点的第一多维轨迹特征与各预测切换点的第二多维轨迹特征之间的特征偏差对,可以通过目标周期时刻点相对于预测切换点之间特征偏差程度,反应目标周期时刻点为目标切换点信息的可靠性程度。
在本公开的一个可选实施例中,所述计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对,可以包括:获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;确定所述预测切换点匹配的预测切换点组合数量;对各所述预测切换点按照所述预测切换点组合数量进行组合,得到多个预测切换点子集合;计算所述目标周期时刻点的第一多维轨迹特征与所述预测切换点子集合中各预测切换点的第二多维轨迹特征之间的特征偏差对,作为所述目标周期时刻点的子特征偏差对;将所述目标周期时刻点的子特征偏差对的集合作为所述目标周期时刻点的特征偏差对。
其中,预测切换点组合数量可以是一个目标周期时刻点对应的一个预测切换点子集合中包括的预测切换点的数量,例如可以是2或3等,具体可以根据实际需求设定,本公开实施例并不对预测切换点组合数量的具体数值进行限定。预测切换点子集合也即由预测切换点组合数量的预测切换点做构成的集合。子特征偏差对可以是目标周期时刻点与预测切换点子集合中各预测切换点之间的特征偏差值。
在本公开实施例中,还可以通过构建预测切换点子集合的方式,扩展特征偏差对的维度,计算特征偏差对,以进一步提高特征偏差对的准确率,进而提高切换点预测的准确率。
具体的,可以首先对预测得到的各个预测切换点按照预测切换点组合数量进行组合,得到多个预测切换点子集合。示例性的,假设预测切换点包括10个切换点:点1、点2、……点10。如果预测切换点组合数量为2,则预测切换点子集合可以为(点1,点2)、(点2,点3)、……(点9,点10)等共9种预测切换点子集合。可以理解的是,每个预测切换点子集合中的每个预测切换点都可以对应提取匹配的第二多维轨迹特征。相应的,在计算目标周期时刻点的特征偏差对时,针对其中一个预测切换点子集合,可以分别计算该目标周期时刻点的第一多维轨迹特征与预测切换点子集合中各预测切换点的第二多维轨迹特征之间的特征偏差对,作为该目标周期时刻点的子特征偏差对。例如,上述示例中,针对每个预测切换点子集,目标周期时刻点的特征偏差对可以对应计算得到包括两个子特征偏差对的特征偏差对集合。可以理解的是,特征偏差对包括的子特征偏差对的数量越多,其反应的目标周期时刻点为目标切换点信息的可靠性程度越高。
S260、将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
在本公开的一个可选实施例中,所述通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息,可以包括:通过所述切换点实时预测模型根据所述特征偏差对计算各所述目标周期时刻点的得分值;将目标得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
其中,将目标得分值可以是数值最高的得分值,也还可以是数值最高的前设定数量的得分值,如数值最高的前3个的得分值等,本公开实施例对此并不进行限制。
可选的,如果仅以预测切换点为基准计算特征偏差对,则通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息时,可以直接通过切换点实时预测模型根据特征偏差对计算各目标周期时刻点的得分值。可以理解的是,目标周期时刻点的一个特征偏差对可以对应计算一个得分值。因此,对目标周期时刻点的各个特征偏差对对应的得分值进行累加得到的得分值综合,即为目标周期时刻点的最终的得分值。进一步的,对各目标周期时刻点的最终的得分值进行比较,筛选出得分值最高的一个或多个目标周期时刻点作为目标交通信号灯的目标切换点的备选集合。如果仅筛选出得分值最高的一个目标周期时刻点,则可以直接将该目标周期时刻点作为目标交通信号灯的目标切换点。如果筛选出得分值最高的多个目标周期时刻点,则可以对筛选出的各目标周期时刻点综合多种因素进一步研判,以从中进一步筛选出一个目标周期时刻点作为目标交通信号灯的目标切换点。
上述技术方案,通过切换点实时预测模型以预测切换点为基准计算得到的特征偏差对确定目标交通信号灯的目标切换点信息,可以提高目标切换点信息计算的效率。
在本公开的一个可选实施例中,所述特征偏差对包括多个子特征偏差对;所述通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息,可以包括:确定各所述目标周期时刻点的子特征偏差对匹配的权重值;通过所述切换点实时预测模型根据所述子特征偏差对计算所述目标周期时刻点的一维得分值;计算所述目标周期时刻点的一维得分值与所述目标周期时刻点的子特征偏差对匹配的权重值之间的第一乘积值;计算各所述第一乘积值之间的和值,得到所述目标周期时刻点的综合得分值;将目标综合得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
其中,一维得分值可以是根据子特征偏差对计算的目标周期时刻点的得分值。第一乘积值可以是目标周期时刻点的一维得分值与对应的子特征偏差对匹配的权重值之间乘积值。目标综合得分值可以是数值最高的综合得分值,也还可以是数值最高的前设定数量的综合得分值,如数值最高的前3个的综合得分值等,本公开实施例对此并不进行限制。
可选的,如果以预测切换点子集合为基准计算特征偏差对,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息时,可以首先确定各目标周期时刻点的子特征偏差对匹配的权重值。可选的,不同子特征偏差对匹配的权重值可以不同,可以根据各预测切换点的预测准确率配置对应子特征偏差对匹配的权重值。可以理解的是,预测切换点的预测准确率越高,其对应子特征偏差对匹配的权重值可以越大。进一步的,通过切换点实时预测模型根据子特征偏差对计算目标周期时刻点的一维得分值,一个预测切换点子集合可以计算得到预测切换点组合数量的一维得分值。进一步的,计算目标周期时刻点的一维得分值与目标周期时刻点的子特征偏差对匹配的权重值之间的第一乘积值,并综合计算各第一乘积值之间的和值,得到目标周期时刻点的综合得分值。也即,综合得分值具体是依据多个预测切换点分别计算得到的,其数值的准确率相对于一个预测切换点的得分值要高。
同理,将目标综合得分值匹配的目标周期时刻点作为目标交通信号灯的目标切换点时,可以仅筛选出得综合分值最高的一个目标周期时刻点为目标交通信号灯的目标切换点。或者,也还可以筛选出综合得分值最高的多个目标周期时刻点,并对筛选出的各目标周期时刻点综合多种因素进一步研判,以从中进一步筛选出一个目标周期时刻点作为目标交通信号灯的目标切换点。
上述技术方案,通过采用多种可选的方式计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对,并基于计算的特征偏差对,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,可以提高交通信号灯切换点信息预测的准确率和效率。
在一个示例中,图3是本公开实施例提供的一种预测模型训练方法的流程图,本实施例可适用于根据样本时刻点与预测样本切换点之间的特征偏差训练切换点实时预测模型的情况,该方法可以由预测模型训练装置来执行,该装置可以由软件和/或硬件的方式来实现,并一般可集成在电子设备中。该电子设备可以是终端设备,也可以是服务器设备,本公开实施例并不对电子设备的具体设备类型进行限定。相应的,如图3所示,该方法包括如下操作:
S310、获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息。
其中,切换点预测关联样本信息可以是用于对目标交通信号灯的切换点信息进行计算的参考样本信息。信号灯切换规律样本信息例如可以是信号灯的切换周期等反应信号灯切换规律的相关样本信息。信号灯关联轨迹样本信息可以是针对目标交通信号灯采集的,与目标交通信号灯相关联的轨迹样本信息等。
可以理解的是,切换点实时预测模型的训练过程和应用过程对输入数据的处理方式相同,区别在于训练过程对样本数据进行处理,而应用过程则对实时采集的真值数据进行处理。同时训练过程需要对模型参数不断优化,而应用过程则通常可以保持模型参数稳定不变。因此,对于切换点实时预测模型的训练过程的具体数据处理流程,可具体参考上述实施例所介绍的切换点实时预测模型的应用过程。
需要说明的是,切换点实时预测模型的训练方式可以为一种在线的训练方式。即通过获取在线的轨迹数据,来训练切换点实时预测模型的预测精度。切换点实时预测模型可以按照一定周期进行训练更新,以保证切换点实时预测模型的模型精度。同时,模型更新后,需要实时应用于切换点预测方法中,以保证切换点预测的准确度。
相应的,在本公开实施例中,用于预测交通信号灯的切换点信息的电子设备可以对目标路口中目标交通信号灯获取包括信号灯切换规律样本信息和信号灯关联轨迹样本信息的切换点预测关联样本信息,以通过获取的目标交通信号灯的切换点预测关联样本信息预测该目标交通信号灯的切换点信息。
S320、根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本。
其中,目标周期样本时刻点可以是目标交通信号灯一个完整的切换样本周期内包括的时刻点。预测样本切换点可以是对目标交通信号灯进行预测得到的切换点样本信息。特征偏差对样本可以是对目标周期样本时刻点与预测样本切换点之间的特征计算得到的偏差值,该偏差值可以反应通过预测样本切换点计算得到的目标周期样本时刻点为真实切换点的概率情况。
根据目标交通信号灯的信号灯关联轨迹样本信息可以预测该目标交通信号灯的一些样本切换点作为预测样本切换点。相应的,在得到目标交通信号灯的目标周期样本时刻点与预测样本切换点后,即可计算目标周期样本时刻点与预测样本切换点之间的特征偏差对样本,以利用计算得到的特征偏差对样本从各目标周期样本时刻点中精确预测最终的样本切换点。
S330、将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练。
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
相应的,当计算得到特征偏差对样本后,可以将特征偏差对样本作为输入,实时输入至待训练的切换点实时预测模型中。切换点实时预测模型可以根据特征偏差对样本计算各目标周期样本时刻点为实际切换点的概率值,进而根据各目标周期样本时刻点以及目标周期样本时刻点对应的真值时刻点确定切换点实时预测模型的当前训练效果。如果目标周期样本时刻点与对应的真值时刻点之间的偏差满足切换点精度预测要求,则表明切换点实时预测模型收敛,训练完成;如果目标周期样本时刻点与对应的真值时刻点之间的偏差不满足切换点精度预测要求,则表明切换点实时预测模型尚未收敛,训练尚未完成。
本公开实施例通过对目标路口中目标交通信号灯获取包括信号灯切换规律样本信息和信号灯关联轨迹样本信息的切换点预测关联样本信息,以根据信号灯切换规律样本信息和信号灯关联轨迹样本信息,计算目标周期样本时刻点与目标交通信号灯的预测样本切换点之间的特征偏差对样本,进而将特征偏差对样本输入至切换点实时预测模型对其训练,训练完成的切换点实时预测模型可以根据输入的特征偏差对从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,解决现有交通信号灯切换点预测方法存在的准确率和效率较低等问题,能够提高切换点实时预测模型的训练效率和模型的准确率,进而提高交通信号灯切换点预测的准确率和效率。
在一个示例中,图4是本公开实施例提供的一种预测模型训练方法的流程图,本公开实施例在上述各实施例的技术方案的基础上,进行了优化改进,给出了计算特征偏差对样本以及对切换点实时预测模型进行训练的多种具体可选的实现方式。
如图4所示的一种切换点预测方法,包括:
S410、获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息。
S420、根据所述信号灯切换规律样本信息确定目标切换样本周期。
其中,目标切换样本周期可以是需要预测的目标交通信号灯的切换点信息匹配的切换样本周期。
在根据信号灯切换规律样本信息确定目标切换样本周期之前,可以首先确定目标交通信号灯的信号灯切换规律样本信息。相应的,在获取到信号灯切换规律样本信息之后,即可根据获取的信号灯切换规律样本信息确定目标切换样本周期。
S430、根据所述目标切换样本周期包括的周期样本时刻点确定所述目标周期样本时刻点。
其中,周期样本时刻点也即目标切换样本周期内包括的各个样本时刻点。可选的,周期样本时刻点可以是秒级的样本时刻点。
相应的,在确定目标交通信号灯的信号灯切换规律样本信息之后,可以以目标交通信号灯的信号灯切换规律样本信息确定一个目标切换样本周期。可以理解的是,目标切换样本周期可以是当前需要实时计算切换点对应的完整切换周期。进一步的,可以根据确定的目标切换样本周期包括的周期样本时刻点确定目标周期样本时刻点。
在本公开的一个可选实施例中,所述目标切换样本周期可以包括所述目标交通信号灯的目标切换全周期样本;所述根据所述目标切换样本周期包括的周期样本时刻点确定所述目标周期样本时刻点,可以包括:确定所述目标切换样本周期包括的全量周期样本时刻点;对各所述全量周期样本时刻点进行筛选,得到备用周期样本时刻点;将各所述备用周期样本时刻点确定为所述目标周期样本时刻点。
其中,目标切换全周期样本可以是目标交通信号灯在未来时间段的一个完整的切换周期样本。全量周期样本时刻点也即目标切换样本周期中的所有的样本时刻点。备用周期样本时刻点可以是对全量周期样本时刻点进行筛选得到的部分周期样本时刻点。
可选的,根据目标切换样本周期包括的周期样本时刻点确定目标周期样本时刻点时,可以将目标切换样本周期包括的全量周期样本时刻点确定为目标周期样本时刻点。但如果目标切换样本周期较长,会导致目标周期样本时刻点数量过大,造成较大的计算压力。因此,根据目标切换样本周期包括的周期样本时刻点确定目标周期样本时刻点时,还可以对全量周期样本时刻点进行筛选,得到部分备用周期样本时刻点,并将筛选得到的备用周期样本时刻点确定为目标周期样本时刻点,以降低切换点实时预测模型在训练过程中的计算量,提高模型训练的效率和模型预测的精度。
需要说明的是,对各全量周期样本时刻点筛选备用周期样本时刻点时,可以将最有可能为切换点的样本时刻点筛选出来,作为备用周期样本时刻点。可以理解的是,目标切换样本周期时长不同,其对应确定的目标周期样本时刻点也可以不同。本公开实施例并不对目标周期样本时刻点的数量进行限定。
S440、根据所述信号灯关联轨迹样本信息计算所述目标交通信号灯的预测样本切换点。
示例性的,可以获取用户行驶中产生的样本轨迹并对其进行特征提取,分析样本轨迹中的加速减速及停车启动等样本时刻信息,并结合道路属性,挖掘目标交通信号灯的预测样本切换点。
在本公开的一个可选实施例中,在所述根据所述信号灯关联轨迹样本信息计算所述目标交通信号灯的预测样本切换点之前,还可以包括:根据所述目标切换样本周期确定轨迹关联样本周期;获取对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息;根据对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息生成所述信号灯关联轨迹样本信息。
其中,轨迹关联样本周期可以是用于计算目标交通信号灯的预测样本切换点的参考时间样本周期。可选的,轨迹关联样本周期可以是目标切换样本周期之前的一端时间周期样本。关联轨迹样本信息也即在轨迹关联样本周期内采集的,与目标交通信号灯相关的轨迹样本信息。
在本公开实施例中,可以依据一定时间段的轨迹样本信息来计算目标交通信号灯的预测样本切换点。具体的,可以根据目标切换样本周期确定一个轨迹关联样本周期,并获取该轨迹关联样本周期内与目标交通信号灯相关联的轨迹样本信息生成信号灯关联轨迹样本信息。
上述技术方案,通过根据目标切换样本周期设定轨迹关联样本周期,可以实现利用最新的轨迹样本信息来预测目标交通信号灯的预测样本切换点,从而保证预测样本切换点的时效性和准确性。
在本公开的一个可选实施例中,所述根据所述目标切换样本周期确定轨迹关联样本周期,可以包括:根据所述目标切换样本周期确定参考周期样本时刻点;根据所述参考周期样本时刻点和预设预测周期样本间隔确定所述轨迹关联样本周期。
其中,参考周期样本时刻点可以是目标切换样本周期包括的样本时刻点。示例性的,参考周期样本时刻点例如可以是目标切换样本周期的起始时刻点和末尾时刻点等。预设预测周期样本间隔可以根据实际需求设定,示例性的,预设预测周期样本间隔例如可以是半小时或1小时等。本公开实施例并不对参考周期样本时刻点的具体时刻点信息和预设预测周期样本间隔的具体间隔长度进行限定。
可选的,根据目标切换样本周期确定轨迹关联样本周期时,可以将目标切换样本周期作为基准,从目标切换样本周期中筛选一个样本时刻点作为参考周期样本时刻点。进一步的,以参考周期样本时刻点为基准,叠加预设预测周期样本间隔即可确定参考周期样本时刻点之前的一段轨迹关联样本周期。
可以理解的是,交通信号灯的切换点可能并不是固定的,部分交通信号灯可能根据不同的时段或当前的交通状态实时动态更新其切换点信息。因此,需要保证目标交通信号灯的预测样本切换点的时效性,不能采用固定不变的预测样本切换点来计算目标交通信号灯的切换点信息,避免因为预测样本切换点的错误信息,导致目标交通信号灯的切换点信息偏差极大的问题。上述技术方案,通过以目标切换样本周期确定的参考周期样本时刻点确定轨迹关联样本周期,可以保证预测样本切换点始终是根据目标切换样本周期之前的最新的轨迹关联样本周期来预测,可以保证目标交通信号灯的预测样本切换点预测的时效性和准确性。
在本公开的一个可选实施例中,所述根据对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息生成所述信号灯关联轨迹样本信息,可以包括:对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息进行轨迹筛选,得到高质量关联轨迹样本信息;将所述高质量关联轨迹样本信息作为所述信号灯关联轨迹样本信息。
其中,高质量关联轨迹样本信息可以是关联轨迹样本信息中较优的轨迹样本信息,其可靠性、可用性较高。
在本公开实施例中,目标交通信号灯在轨迹关联样本周期内采集的关联轨迹样本信息可以包括但不限于合作的出租车、社会化运管车辆、公交货车以及用户UGC轨迹等样本信息。获取到关联轨迹样本信息之后,还需要对关联轨迹样本信息的轨迹质量进行把关,筛选出灯前优质轨迹即高质量关联轨迹样本信息,作为信号灯关联轨迹样本信息。
上述技术方案,通过利用高质量关联轨迹信息作为信号灯关联轨迹信息,可以提高作为信号灯关联轨迹信息的准确性、可靠性和可用性,进而提高目标交通信号灯的预测切换点的准确性。
S450、计算所述目标周期样本时刻点与所述预测样本切换点之间的特征偏差对样本。
上述技术方案,通过确定目标切换样本周期,进一步根据目标切换样本周期包括的周期样本时刻点确定目标周期样本时刻点,在根据信号灯关联轨迹样本信息计算目标交通信号灯的预测样本切换点,从而确定了目标周期样本时刻点与匹配的预测样本切换点,进而可以计算目标周期样本时刻点与预测样本切换点之间的特征偏差对样本,提高了特征偏差对样本计算的准确率。
在本公开的一个可选实施例中,所述计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本,可以包括:获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;计算所述目标周期样本时刻点的第一多维样本轨迹特征与各所述预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本。
其中,第一多维样本轨迹特征可以是目标周期样本时刻点对应提取的多维的样本轨迹特征。第二多维样本轨迹特征可以是预测样本切换点对应提取的多维的样本轨迹特征。
在本公开实施例中,可以仅以预测样本切换点为基准计算特征偏差对样本。目标周期样本时刻点和目标交通信号灯的预测样本切换点都可以对应提取到多维的样本轨迹特征。示例性的,对目标周期样本时刻点和预测样本切换点提取的多维的样本轨迹特征可以包括但不限于绿波时刻、停车分布以及车辆与目标交通信号灯之间的距离等。样本轨迹特征的维度可以根据实际需求设置,如30维或50维等,每个维度的样本轨迹特征都可以表征对应的目标周期样本时刻点或预测样本切换点在某一方面体现的轨迹特性。可选的,第一多维样本轨迹特征与第二多维样本轨迹特征的维度可以相同,以便于计算特征偏差值。
相应的,针对每隔一目标周期样本时刻点,可以依次计算该目标周期样本时刻点的第一多维样本轨迹特征与各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本。
可选的,目标周期样本时刻点的第一多维样本轨迹特征与预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,也即第一多维样本轨迹特征与第二多维样本轨迹特征之间的特征偏差值,可以反应目标周期样本时刻点相对于预测样本切换点之间特征偏差程度,进而反应目标周期样本时刻点为真实切换点信息的可靠性程度。
可选的,切换点实时预测模型可以对各目标周期样本时刻点同时计算其与各预测样本切换点的之间的特征偏差对样本,还可以依次计算每个目标周期样本时刻点同时与各预测样本切换点的之间的特征偏差对样本,本公开实施例对此并不进行限制。
可选的,需要预测计算的真实切换点信息与预测样本切换点的切换类型可以相同。例如,需要预测计算的真实切换点信息与预测样本切换点的切换类型均为红切绿的切换点等。
上述技术方案,通过计算目标周期样本时刻点的第一多维样本轨迹特征与各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,可以通过目标周期样本时刻点相对于预测样本切换点之间特征偏差程度,反应目标周期样本时刻点为真实切换点信息的可靠性程度。
在本公开的一个可选实施例中,所述计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本,可以包括:获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;确定所述预测样本切换点匹配的预测样本切换点组合数量;对各所述预测样本切换点按照所述预测样本切换点组合数量进行组合,得到多个预测样本切换点子集合;计算所述目标周期样本时刻点的第一多维样本轨迹特征与所述预测样本切换点子集合中各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,作为所述目标周期样本时刻点的子特征偏差对样本;将所述目标周期样本时刻点的子特征偏差对样本的集合作为所述目标周期样本时刻点的特征偏差对样本。
其中,预测样本切换点组合数量可以是一个目标周期样本时刻点对应的一个预测样本切换点子集合中包括的预测样本切换点的数量,例如可以是2或3等,具体可以根据实际需求设定,本公开实施例并不对预测样本切换点组合数量的具体数值进行限定。预测样本切换点子集合也即由预测样本切换点组合数量的预测样本切换点做构成的集合。子特征偏差对样本可以是目标周期样本时刻点与预测样本切换点子集合中各预测样本切换点之间的特征偏差值。
在本公开实施例中,还可以通过构建预测样本切换点子集合的方式,扩展特征偏差对样本的维度,计算特征偏差对样本,以进一步提高特征偏差对样本的准确率,进而提高切换点预测的准确率。
具体的,可以首先对预测得到的各个预测样本切换点按照预测样本切换点组合数量进行组合,得到多个预测样本切换点子集合。可以理解的是,每个预测样本切换点子集合中的每个预测样本切换点都可以对应提取匹配的第二多维样本轨迹特征。相应的,在计算目标周期样本时刻点的特征偏差对样本时,针对其中一个预测样本切换点子集合,可以分别计算该目标周期样本时刻点的第一多维样本轨迹特征与预测样本切换点子集合中各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,作为该目标周期样本时刻点的子特征偏差对样本。
S460、将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练。
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
在本公开的一个可选实施例中,所述将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练,可以包括:获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息;获取所述目标交通信号灯的真值切换点信息;在根据所述目标切换点预测信息和所述真值切换点信息确定所述切换点实时预测模型处于未收敛状态的情况下,优化所述切换点实时预测模型的模型参数,并返回执行获取目标路口中目标交通信号灯的切换点预测关联样本信息的操作,直至确定所述切换点实时预测模型处于收敛状态。
其中,目标切换点预测信息可以是切换点实时预测模型在训练过程中,根据特征偏差对样本实时计算预测的目标交通信号灯的切换点信息。真值切换点信息可以是真值系统提供的实际的切换点信息。未收敛状态可以理解为切换点实时预测模型的精度尚不满足需求。相应的,收敛状态可以理解为切换点实时预测模型的精度满足需求。
在对切换点实时预测模型进行训练时,可以获取切换点实时预测模型根据特征偏差对样本实时计算的目标交通信号灯的目标切换点预测信息,作为模型的预测结果。进一步的,可以通过真值系统获取目标交通信号灯的真值切换点信息,并利用目标交通信号灯的真值切换点信息对模型的预测结果进行判断,以确定模型当前的预测精度。如果预测精度较低,表明模型尚未收敛,此时可以优化模型的模型参数,对模型进行反复迭代训练。如果预测精度较高,表明模型已经收敛,表示模型训练完成。
可选的,目标交通信号灯的真值切换点信息可以是目标周期样本时刻点对应的目标切换样本周期之前的一段时间周期(如半小时或1小时等)内的真实的切换点信息。
上述技术方案,通过利用目标交通信号灯的真值切换点信息辅助切换点实时预测模型进行训练,可以提高切换点实时预测模型的训练效率。
在本公开的一个可选实施例中,所述获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息,可以包括:通过所述切换点实时预测模型根据所述特征偏差对样本计算各所述目标周期样本时刻点的得分值;将目标得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
可选的,如果仅以预测样本切换点为基准计算特征偏差对样本,则通过切换点实时预测模型从各目标周期样本时刻点中实时确定目标交通信号灯的目标切换点预测信息时,可以直接通过切换点实时预测模型根据特征偏差对样本计算各目标周期样本时刻点的得分值。可以理解的是,目标周期样本时刻点的一个特征偏差对样本可以对应计算一个得分值。因此,对目标周期样本时刻点的各个特征偏差对样本对应的得分值进行累加得到的得分值综合,即为目标周期样本时刻点的最终的得分值。进一步的,对各目标周期样本时刻点的最终的得分值进行比较,筛选出得分值最高的一个或多个目标周期样本时刻点作为目标交通信号灯的目标切换点预测信息的备选集合。如果仅筛选出得分值最高的一个目标周期样本时刻点,则可以直接将该目标周期样本时刻点作为目标交通信号灯的目标切换点预测信息。如果筛选出得分值最高的多个目标周期样本时刻点,则可以对筛选出的各目标周期样本时刻点综合多种因素进一步研判,以从中进一步筛选出一个目标周期样本时刻点作为目标交通信号灯的目标切换点预测信息。
上述技术方案,通过切换点实时预测模型以预测样本切换点为基准计算得到的特征偏差对样本确定目标交通信号灯的目标切换点预测信息,可以提高目标切换点预测信息计算的效率。
在本公开的一个可选实施例中,所述特征偏差对样本包括多个子特征偏差对样本;所述获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息,可以包括:确定各所述目标周期样本时刻点的子特征偏差对样本匹配的权重值;通过所述切换点实时预测模型根据所述子特征偏差对样本计算所述目标周期样本时刻点的一维得分值;计算所述目标周期样本时刻点的一维得分值与所述目标周期样本时刻点的子特征偏差对样本匹配的权重值之间的第二乘积值;计算各所述第二乘积值之间的和值,得到所述目标周期样本时刻点的综合得分值;将目标综合得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
其中,第二乘积值可以是目标周期样本时刻点的一维得分值与对应的子特征偏差对样本匹配的权重值之间乘积值。
可选的,如果以预测样本切换点子集合为基准计算特征偏差对样本,通过切换点实时预测模型从各目标周期样本时刻点中实时确定目标交通信号灯的目标切换点预测信息时,可以首先确定各目标周期样本时刻点的子特征偏差对样本匹配的权重值。可选的,不同子特征偏差对样本匹配的权重值可以不同,可以根据各预测样本切换点的预测准确率配置对应子特征偏差对样本匹配的权重值。可以理解的是,预测样本切换点的预测准确率越高,其对应子特征偏差对样本匹配的权重值可以越大。进一步的,通过切换点实时预测模型根据子特征偏差对样本计算目标周期样本时刻点的一维得分值,一个预测样本切换点子集合可以计算得到预测样本切换点组合数量的一维得分值。进一步的,计算目标周期样本时刻点的一维得分值与目标周期样本时刻点的子特征偏差对样本匹配的权重值之间的第二乘积值,并综合计算各第二乘积值之间的和值,得到目标周期样本时刻点的综合得分值。也即,综合得分值具体是依据多个预测样本切换点分别计算得到的,其数值的准确率相对于一个预测样本切换点的得分值要高。
同理,将目标综合得分值匹配的目标周期样本时刻点作为目标交通信号灯的目标切换点预测信息时,可以仅筛选出得综合分值最高的一个目标周期样本时刻点为目标交通信号灯的目标切换点预测信息。或者,也还可以筛选出综合得分值最高的多个目标周期样本时刻点,并对筛选出的各目标周期样本时刻点综合多种因素进一步研判,以从中进一步筛选出一个目标周期样本时刻点作为目标交通信号灯的目标切换点预测信息。
在本公开的一个可选实施例中,所述目标交通信号灯的真值切换点信息可以包括以下至少一项:根据所述目标交通信号灯的信控设备输出的信号灯数据获取的目标真值切换点;根据车辆图像采集设备上传的所述目标交通信号灯的目标切换点图像确定的目标真值切换点。
其中,目标真值切换点可以是目标交通信号灯某一类型的真值切换点,如可以是红切绿的实际切换点等。目标切换点图像可以是包括目标交通信号灯的目标切换点信息的图像。
可选的,目标交通信号灯的真值切换点信息可以包括多种获取方式,例如,可以将目标交通信号灯的信控设备输出的信号灯数据推导得到目标交通信号灯的目标真值切换点。或者,还可以获取车辆图像采集设备上传的目标交通信号灯的目标切换点图像,结合车辆针对目标切换点图像上传的时间戳,确定目标交通信号灯在某一时刻的实际切换点信息作为目标真值切换点。
上述技术方案,通过采用多种可选的方式计算目标周期样本时刻点与目标交通信号灯的预测样本切换点之间的特征偏差对样本,并基于计算的特征偏差对样本,通过切换点实时预测模型从各目标周期样本时刻点中实时确定目标交通信号灯的目标切换点预测信息,可以提高切换点实时预测模型的训练效率和模型的准确率,进而提高通过切换点实时预测模型预测交通信号灯切换点信息的准确率和效率。
在一个示例中,图5是本公开实施例提供的一种切换点生成式预测方法的流程示意图,图6是本公开实施例提供的一种切换点实时预测模型的结构示意图。本公开实施例提供的切换点生成式预测方法主要是建立一套基于轨迹的大数据生成式预测切换点机制,该方法能够精准的挖掘出真实的红切绿时刻,并可以扩展应用到智能路口中。同时,可以通过低成本的方式做到大规模的生成以供实时路况和红绿灯倒计时精准产出,还可以促进自动驾驶的灯态识别、路径规划以及智能避堵等功能。如图5所示,本公开实施例提供的切换点生成式预测方法可以包括下述操作:
(一)、构建红绿灯红切绿真值系统。
由于智能交通的逐步普及,少部分路口是安装信控设备的,可以实时调整交通信号灯,缓解交通拥堵,使更多的车主可以有绿波体验,提升出行效率。因此,可以通过实时接收安装信控设备的信号灯的数据,以推导出不同时间下的红切绿真值数据。通过信控灯的秒级信息,可以构建红切绿的真值系统,作为模型评估的真值。同时,当前不少车辆安装有摄像头,可以采集不同路口、不同红绿灯以及不同时刻的红切绿时刻图像,结合图像的时间戳数据,可以确定真实的切换点信息,也可以作为红切绿真值系统的数据来源。
(二)、通过大量驾车导航轨迹筛选出同一时间段内有轨迹的红绿灯。
为了生成大规模准确的红绿灯红切绿时刻数据,且能够匹配真值系统的真值切换点,进而评估切换点实时预测模型的预测效果,需要有大量的导航驾车轨迹来作为支撑。同时,对原始的导航驾车轨迹需要筛选出高质量轨迹,进而识别出相对有效的切换点和可靠的绿波点等特征,避免因为质量问题使切换点实时预测模型不收敛。
(三)、切换点生成式预测方法原理。
基于大量高质量的轨迹可以挖掘出模糊的红切绿时刻、灯态、过灯后的绿波时刻、启动点以及停车分布等轨迹特征。对完整一个切换周期内的所有时刻点或筛选的部分时刻点构建的集合,如图6所示的A集合,与该切换周期前的时间窗口(如半小时-1小时等)内的轨迹预测出来的所有红切绿的单切换点(如B集合包括的单切换点)两两之间取偏差pair对(即特征偏差对),进而通过DNN(Deep Neural Networks,深度神经网络)进行建模,根据交叉熵来学习模型参数使损失函数误差最小,进而得到一个完整切换周期内的每个时刻点或筛选的部分时刻点的得分。选取得分最高的即为预测的红切绿时刻。再利用真值系统获取对应的真值的红切绿时刻,以评估切换点实时预测模型的准召效果,进而持续迭代优化切换点实时预测模型,最终切换点实时预测模型收敛后可大规模自动化产出批量的红切绿切换点。
本公开实施例通过大数据生成式方法,能够在保障切换点预测效果的前提下大规模产出红绿灯红切绿切换点值,以供智能交通建设更快普及。同时,在成本和覆盖面上,相较于自驾车采集成本显著降低;相较于现有信控灯的覆盖率可达到大规模批量覆盖;对比概率分布统计方法,该方案的预测效果更优,解决了基于轨迹图的高误差判断以及自驾车覆盖低的问题。将上述方法应用于路况红绿灯场景拥缓准召效果可以提升3%,红绿灯倒计时3秒准确率高达95%,从用户感知上也可以验证该方法的置信度。
本公开的技术方案中,所涉及用户个人信息(如用户的轨迹数据等)的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
需要说明的是,以上各实施例中各技术特征之间的任意排列组合也属于本公开的保护范围。
在一个示例中,图7是本公开实施例提供的一种切换点预测装置的结构图,本公开实施例可适用于根据时刻点与预测切换点之间的特征偏差对预测交通信号灯的切换点的情况,该装置通过软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是终端设备,也可以是服务器设备,本公开实施例并不对电子设备的具体设备类型进行限定。
如图7所示的一种切换点预测装置700,包括:切换点预测关联信息获取模块710、特征偏差对计算模块720和目标切换点信息确定模块730。其中,
切换点预测关联信息获取模块710,用于获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息;
特征偏差对计算模块720,用于根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对;
目标切换点信息确定模块730,用于将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
本公开实施例通过对目标路口中目标交通信号灯获取包括信号灯切换规律信息和信号灯关联轨迹信息的切换点预测关联信息,以根据信号灯切换规律信息和信号灯关联轨迹信息,计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对,进而将特征偏差对输入至训练完成的切换点实时预测模型,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,解决现有交通信号灯切换点预测方法存在的准确率和效率较低等问题,能够提高交通信号灯切换点预测的准确率和效率。
可选的,特征偏差对计算模块720还用于:根据所述信号灯切换规律信息确定目标切换周期;根据所述目标切换周期包括的周期时刻点确定所述目标周期时刻点;根据所述信号灯关联轨迹信息计算所述目标交通信号灯的预测切换点;计算所述目标周期时刻点与所述预测切换点之间的特征偏差对。
可选的,所述目标切换周期包括所述目标交通信号灯的目标切换全周期;特征偏差对计算模块720还用于:确定所述目标切换周期包括的全量周期时刻点;对各所述全量周期时刻点进行筛选,得到备用周期时刻点;将各所述备用周期时刻点确定为所述目标周期时刻点。
可选的,切换点预测装置还包括信号灯关联轨迹信息生成模块,用于:根据所述目标切换周期确定轨迹关联周期;获取对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息;根据对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息生成所述信号灯关联轨迹信息。
可选的,信号灯关联轨迹信息生成模块还用于:根据所述目标切换周期确定参考周期时刻点;根据所述参考周期时刻点和预设预测周期间隔确定所述轨迹关联周期。
可选的,信号灯关联轨迹信息生成模块还用于:对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息进行轨迹筛选,得到高质量关联轨迹信息;将所述高质量关联轨迹信息作为所述信号灯关联轨迹信息。
可选的,特征偏差对计算模块720还用于:获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;计算所述目标周期时刻点的第一多维轨迹特征与各所述预测切换点的第二多维轨迹特征之间的特征偏差对。
可选的,特征偏差对计算模块720还用于:获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;确定所述预测切换点匹配的预测切换点组合数量;对各所述预测切换点按照所述预测切换点组合数量进行组合,得到多个预测切换点子集合;计算所述目标周期时刻点的第一多维轨迹特征与所述预测切换点子集合中各预测切换点的第二多维轨迹特征之间的特征偏差对,作为所述目标周期时刻点的子特征偏差对;将所述目标周期时刻点的子特征偏差对的集合作为所述目标周期时刻点的特征偏差对。
可选的,目标切换点信息确定模块730还用于:通过所述切换点实时预测模型根据所述特征偏差对计算各所述目标周期时刻点的得分值;将目标得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
可选的,所述特征偏差对包括多个子特征偏差对;目标切换点信息确定模块730还用于:确定各所述目标周期时刻点的子特征偏差对匹配的权重值;通过所述切换点实时预测模型根据所述子特征偏差对计算所述目标周期时刻点的一维得分值;计算所述目标周期时刻点的一维得分值与所述目标周期时刻点的子特征偏差对匹配的权重值之间的第一乘积值;计算各所述第一乘积值之间的和值,得到所述目标周期时刻点的综合得分值;将目标综合得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
上述切换点预测装置可执行本公开任意实施例所提供的切换点预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开任意实施例提供的切换点预测方法。
在一个示例中,图8是本公开实施例提供的一种预测模型训练装置的结构图,本公开实施例可适用于根据样本时刻点与预测样本切换点之间的特征偏差训练切换点实时预测模型的情况,该装置通过软件和/或硬件实现,并具体配置于电子设备中。该电子设备可以是终端设备,也可以是服务器设备,本公开实施例并不对电子设备的具体设备类型进行限定。
如图8所示的一种预测模型训练装置800,包括:切换点预测关联样本信息获取模块810、特征偏差对样本计算模块820和切换点实时预测模型训练模块830。其中,
切换点预测关联样本信息获取模块810,用于获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息;
特征偏差对样本计算模块820,用于根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本;
切换点实时预测模型训练模块830,用于将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练;
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
本公开实施例通过对目标路口中目标交通信号灯获取包括信号灯切换规律样本信息和信号灯关联轨迹样本信息的切换点预测关联样本信息,以根据信号灯切换规律样本信息和信号灯关联轨迹样本信息,计算目标周期样本时刻点与目标交通信号灯的预测样本切换点之间的特征偏差对样本,进而将特征偏差对样本输入至切换点实时预测模型对其训练,训练完成的切换点实时预测模型可以根据输入的特征偏差对从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,解决现有交通信号灯切换点预测方法存在的准确率和效率较低等问题,能够提高切换点实时预测模型的训练效率和模型的准确率,进而提高交通信号灯切换点预测的准确率和效率。
可选的,特征偏差对样本计算模块820还用于:根据所述信号灯切换规律样本信息确定目标切换样本周期;根据所述目标切换样本周期包括的周期样本时刻点确定所述目标周期样本时刻点;根据所述信号灯关联轨迹样本信息计算所述目标交通信号灯的预测样本切换点;计算所述目标周期样本时刻点与所述预测样本切换点之间的特征偏差对样本。
可选的,所述目标切换样本周期包括所述目标交通信号灯的目标切换全周期样本;特征偏差对样本计算模块820还用于:确定所述目标切换样本周期包括的全量周期样本时刻点;对各所述全量周期样本时刻点进行筛选,得到备用周期样本时刻点;将各所述备用周期样本时刻点确定为所述目标周期样本时刻点。
可选的,预测模型训练装置还包括信号灯关联轨迹样本信息生成模块,用于根据所述目标切换样本周期确定轨迹关联样本周期;获取对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息;根据对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息生成所述信号灯关联轨迹样本信息。
可选的,信号灯关联轨迹样本信息生成模块还用于:根据所述目标切换样本周期确定参考周期样本时刻点;根据所述参考周期样本时刻点和预设预测周期样本间隔确定所述轨迹关联样本周期。
可选的,信号灯关联轨迹样本信息生成模块还用于:对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息进行轨迹筛选,得到高质量关联轨迹样本信息;将所述高质量关联轨迹样本信息作为所述信号灯关联轨迹样本信息。
可选的,特征偏差对样本计算模块820还用于:获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;计算所述目标周期样本时刻点的第一多维样本轨迹特征与各所述预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本。
可选的,特征偏差对样本计算模块820还用于:获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;确定所述预测样本切换点匹配的预测样本切换点组合数量;对各所述预测样本切换点按照所述预测样本切换点组合数量进行组合,得到多个预测样本切换点子集合;计算所述目标周期样本时刻点的第一多维样本轨迹特征与所述预测样本切换点子集合中各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,作为所述目标周期样本时刻点的子特征偏差对样本;将所述目标周期样本时刻点的子特征偏差对样本的集合作为所述目标周期样本时刻点的特征偏差对样本。
可选的,切换点实时预测模型训练模块830还用于:获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息;获取所述目标交通信号灯的真值切换点信息;在根据所述目标切换点预测信息和所述真值切换点信息确定所述切换点实时预测模型处于未收敛状态的情况下,优化所述切换点实时预测模型的模型参数,并返回执行获取目标路口中目标交通信号灯的切换点预测关联样本信息的操作,直至确定所述切换点实时预测模型处于收敛状态。
可选的,切换点实时预测模型训练模块830还用于:通过所述切换点实时预测模型根据所述特征偏差对样本计算各所述目标周期样本时刻点的得分值;将目标得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
可选的,所述特征偏差对样本包括多个子特征偏差对样本;切换点实时预测模型训练模块830还用于:确定各所述目标周期样本时刻点的子特征偏差对样本匹配的权重值;通过所述切换点实时预测模型根据所述子特征偏差对样本计算所述目标周期样本时刻点的一维得分值;计算所述目标周期样本时刻点的一维得分值与所述目标周期样本时刻点的子特征偏差对样本匹配的权重值之间的第二乘积值;计算各所述第二乘积值之间的和值,得到所述目标周期样本时刻点的综合得分值;将目标综合得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
可选的,所述目标交通信号灯的真值切换点信息包括以下至少一项:根据所述目标交通信号灯的信控设备输出的信号灯数据获取的目标真值切换点;根据车辆图像采集设备上传的所述目标交通信号灯的目标切换点图像确定的目标真值切换点。
上述切换点预测装置可执行本公开任意实施例所提供的切换点预测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本公开任意实施例提供的切换点预测方法。
在一个示例中,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如切换点预测方法或预测模型训练方法。例如,在一些实施例中,切换点预测方法或预测模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的切换点预测方法或预测模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行切换点预测方法或预测模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。服务器还可以分布式系统的服务器,或者是结合了区块链的服务器。
本公开实施例通过对目标路口中目标交通信号灯获取包括信号灯切换规律信息和信号灯关联轨迹信息的切换点预测关联信息,以根据信号灯切换规律信息和信号灯关联轨迹信息,计算目标周期时刻点与目标交通信号灯的预测切换点之间的特征偏差对,进而将特征偏差对输入至训练完成的切换点实时预测模型,通过切换点实时预测模型从各目标周期时刻点中实时确定目标交通信号灯的目标切换点信息,解决现有交通信号灯切换点预测方法存在的准确率和效率较低等问题,能够提高交通信号灯切换点预测的准确率和效率。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (41)
1.一种切换点预测方法,包括:
获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息;
根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对;
将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
2.根据权利要求1所述的方法,其中,所述根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对,包括:
根据所述信号灯切换规律信息确定目标切换周期;
根据所述目标切换周期包括的周期时刻点确定所述目标周期时刻点;
根据所述信号灯关联轨迹信息计算所述目标交通信号灯的预测切换点;
计算所述目标周期时刻点与所述预测切换点之间的特征偏差对。
3.根据权利要求2所述的方法,其中,所述目标切换周期包括所述目标交通信号灯的目标切换全周期;
所述根据所述目标切换周期包括的周期时刻点确定所述目标周期时刻点,包括:
确定所述目标切换周期包括的全量周期时刻点;
对各所述全量周期时刻点进行筛选,得到备用周期时刻点;
将各所述备用周期时刻点确定为所述目标周期时刻点。
4.根据权利要求2所述的方法,还包括:
根据所述目标切换周期确定轨迹关联周期;
获取对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息;
根据对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息生成所述信号灯关联轨迹信息。
5.根据权利要求4所述的方法,其中,所述根据所述目标切换周期确定轨迹关联周期,包括:
根据所述目标切换周期确定参考周期时刻点;
根据所述参考周期时刻点和预设预测周期间隔确定所述轨迹关联周期。
6.根据权利要求4所述的方法,其中,所述根据对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息生成所述信号灯关联轨迹信息,包括:
对所述目标交通信号灯在所述轨迹关联周期内采集的关联轨迹信息进行轨迹筛选,得到高质量关联轨迹信息;
将所述高质量关联轨迹信息作为所述信号灯关联轨迹信息。
7.根据权利要求1-6任一所述的方法,其中,所述计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对,包括:
获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;
计算所述目标周期时刻点的第一多维轨迹特征与各所述预测切换点的第二多维轨迹特征之间的特征偏差对。
8.根据权利要求1-6任一所述的方法,其中,所述计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对,包括:
获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;
确定所述预测切换点匹配的预测切换点组合数量;
对各所述预测切换点按照所述预测切换点组合数量进行组合,得到多个预测切换点子集合;
计算所述目标周期时刻点的第一多维轨迹特征与所述预测切换点子集合中各预测切换点的第二多维轨迹特征之间的特征偏差对,作为所述目标周期时刻点的子特征偏差对;
将所述目标周期时刻点的子特征偏差对的集合作为所述目标周期时刻点的特征偏差对。
9.根据权利要求1所述的方法,其中,所述通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息,包括:
通过所述切换点实时预测模型根据所述特征偏差对计算各所述目标周期时刻点的得分值;
将目标得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
10.根据权利要求1所述的方法,其中,所述特征偏差对包括多个子特征偏差对;所述通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息,包括:
确定各所述目标周期时刻点的子特征偏差对匹配的权重值;
通过所述切换点实时预测模型根据所述子特征偏差对计算所述目标周期时刻点的一维得分值;
计算所述目标周期时刻点的一维得分值与所述目标周期时刻点的子特征偏差对匹配的权重值之间的第一乘积值;
计算各所述第一乘积值之间的和值,得到所述目标周期时刻点的综合得分值;
将目标综合得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
11.一种预测模型训练方法,包括:
获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息;
根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本;
将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练;
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
12.根据权利要求11所述的方法,其中,所述根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本,包括:
根据所述信号灯切换规律样本信息确定目标切换样本周期;
根据所述目标切换样本周期包括的周期样本时刻点确定所述目标周期样本时刻点;
根据所述信号灯关联轨迹样本信息计算所述目标交通信号灯的预测样本切换点;
计算所述目标周期样本时刻点与所述预测样本切换点之间的特征偏差对样本。
13.根据权利要求12所述的方法,其中,所述目标切换样本周期包括所述目标交通信号灯的目标切换全周期样本;
所述根据所述目标切换样本周期包括的周期样本时刻点确定所述目标周期样本时刻点,包括:
确定所述目标切换样本周期包括的全量周期样本时刻点;
对各所述全量周期样本时刻点进行筛选,得到备用周期样本时刻点;
将各所述备用周期样本时刻点确定为所述目标周期样本时刻点。
14.根据权利要求12所述的方法,还包括:
根据所述目标切换样本周期确定轨迹关联样本周期;
获取对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息;
根据对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息生成所述信号灯关联轨迹样本信息。
15.根据权利要求14所述的方法,其中,所述根据所述目标切换样本周期确定轨迹关联样本周期,包括:
根据所述目标切换样本周期确定参考周期样本时刻点;
根据所述参考周期样本时刻点和预设预测周期样本间隔确定所述轨迹关联样本周期。
16.根据权利要求14所述的方法,其中,所述根据对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息生成所述信号灯关联轨迹样本信息,包括:
对所述目标交通信号灯在所述轨迹关联样本周期内采集的关联轨迹样本信息进行轨迹筛选,得到高质量关联轨迹样本信息;
将所述高质量关联轨迹样本信息作为所述信号灯关联轨迹样本信息。
17.根据权利要求11-16任一所述的方法,其中,所述计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本,包括:
获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;
计算所述目标周期样本时刻点的第一多维样本轨迹特征与各所述预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本。
18.根据权利要求11-16任一所述的方法,其中,所述计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本,包括:
获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;
确定所述预测样本切换点匹配的预测样本切换点组合数量;
对各所述预测样本切换点按照所述预测样本切换点组合数量进行组合,得到多个预测样本切换点子集合;
计算所述目标周期样本时刻点的第一多维样本轨迹特征与所述预测样本切换点子集合中各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,作为所述目标周期样本时刻点的子特征偏差对样本;
将所述目标周期样本时刻点的子特征偏差对样本的集合作为所述目标周期样本时刻点的特征偏差对样本。
19.根据权利要求11所述的方法,其中,所述将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练,包括:
获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息;
获取所述目标交通信号灯的真值切换点信息;
在根据所述目标切换点预测信息和所述真值切换点信息确定所述切换点实时预测模型处于未收敛状态的情况下,优化所述切换点实时预测模型的模型参数,并返回执行获取目标路口中目标交通信号灯的切换点预测关联样本信息的操作,直至确定所述切换点实时预测模型处于收敛状态。
20.根据权利要求19所述的方法,其中,所述获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息,包括:
通过所述切换点实时预测模型根据所述特征偏差对样本计算各所述目标周期样本时刻点的得分值;
将目标得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
21.根据权利要求19所述的方法,其中,所述特征偏差对样本包括多个子特征偏差对样本;所述获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息,包括:
确定各所述目标周期样本时刻点的子特征偏差对样本匹配的权重值;
通过所述切换点实时预测模型根据所述子特征偏差对样本计算所述目标周期样本时刻点的一维得分值;
计算所述目标周期样本时刻点的一维得分值与所述目标周期样本时刻点的子特征偏差对样本匹配的权重值之间的第二乘积值;
计算各所述第二乘积值之间的和值,得到所述目标周期样本时刻点的综合得分值;
将目标综合得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
22.根据权利要求19所述的方法,其中,所述目标交通信号灯的真值切换点信息包括以下至少一项:
根据所述目标交通信号灯的信控设备输出的信号灯数据获取的目标真值切换点;
根据车辆图像采集设备上传的所述目标交通信号灯的目标切换点图像确定的目标真值切换点。
23.一种切换点预测装置,包括:
切换点预测关联信息获取模块,用于获取目标路口中目标交通信号灯的切换点预测关联信息;其中,所述切换点预测关联信息包括信号灯切换规律信息和信号灯关联轨迹信息;
特征偏差对计算模块,用于根据所述信号灯切换规律信息和所述信号灯关联轨迹信息,计算目标周期时刻点与所述目标交通信号灯的预测切换点之间的特征偏差对;
目标切换点信息确定模块,用于将所述特征偏差对输入至训练完成的切换点实时预测模型,通过所述切换点实时预测模型从各所述目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
24.根据权利要求23所述的装置,其中,所述特征偏差对计算模块还用于:
根据所述信号灯切换规律信息确定目标切换周期;
根据所述目标切换周期包括的周期时刻点确定所述目标周期时刻点;
根据所述信号灯关联轨迹信息计算所述目标交通信号灯的预测切换点;
计算所述目标周期时刻点与所述预测切换点之间的特征偏差对。
25.根据权利要求24所述的装置,其中,所述目标切换周期包括所述目标交通信号灯的目标切换全周期;所述特征偏差对计算模块还用于:
确定所述目标切换周期包括的全量周期时刻点;
对各所述全量周期时刻点进行筛选,得到备用周期时刻点;
将各所述备用周期时刻点确定为所述目标周期时刻点。
26.根据权利要求23-25任一所述的装置,其中,所述特征偏差对计算模块还用于:
获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;
计算所述目标周期时刻点的第一多维轨迹特征与各所述预测切换点的第二多维轨迹特征之间的特征偏差对。
27.根据权利要求23-25任一所述的装置,其中,所述特征偏差对计算模块还用于:
获取所述目标周期时刻点匹配的第一多维轨迹特征以及所述预测切换点匹配的第二多维轨迹特征;
确定所述预测切换点匹配的预测切换点组合数量;
对各所述预测切换点按照所述预测切换点组合数量进行组合,得到多个预测切换点子集合;
计算所述目标周期时刻点的第一多维轨迹特征与所述预测切换点子集合中各预测切换点的第二多维轨迹特征之间的特征偏差对,作为所述目标周期时刻点的子特征偏差对;
将所述目标周期时刻点的子特征偏差对的集合作为所述目标周期时刻点的特征偏差对。
28.根据权利要求23所述的装置,其中,所述目标切换点信息确定模块还用于:
通过所述切换点实时预测模型根据所述特征偏差对计算各所述目标周期时刻点的得分值;
将目标得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
29.根据权利要求23所述的装置,其中,所述特征偏差对包括多个子特征偏差对;所述目标切换点信息确定模块还用于:
确定各所述目标周期时刻点的子特征偏差对匹配的权重值;
通过所述切换点实时预测模型根据所述子特征偏差对计算所述目标周期时刻点的一维得分值;
计算所述目标周期时刻点的一维得分值与所述目标周期时刻点的子特征偏差对匹配的权重值之间的第一乘积值;
计算各所述第一乘积值之间的和值,得到所述目标周期时刻点的综合得分值;
将目标综合得分值匹配的目标周期时刻点作为所述目标交通信号灯的目标切换点。
30.一种预测模型训练装置,包括:
切换点预测关联样本信息获取模块,用于获取目标路口中目标交通信号灯的切换点预测关联样本信息;其中,所述切换点预测关联样本信息包括信号灯切换规律样本信息和信号灯关联轨迹样本信息;
特征偏差对样本计算模块,用于根据所述信号灯切换规律样本信息和所述信号灯关联轨迹样本信息,计算目标周期样本时刻点与所述目标交通信号灯的预测样本切换点之间的特征偏差对样本;
切换点实时预测模型训练模块,用于将所述特征偏差对样本输入至切换点实时预测模型,以对所述切换点实时预测模型进行训练;
其中,所述切换点实时预测模型用于根据输入的特征偏差对从各目标周期时刻点中实时确定所述目标交通信号灯的目标切换点信息。
31.根据权利要求30所述的装置,其中,所述特征偏差对样本计算模块还用于:
根据所述信号灯切换规律样本信息确定目标切换样本周期;
根据所述目标切换样本周期包括的周期样本时刻点确定所述目标周期样本时刻点;
根据所述信号灯关联轨迹样本信息计算所述目标交通信号灯的预测样本切换点;
计算所述目标周期样本时刻点与所述预测样本切换点之间的特征偏差对样本。
32.根据权利要求31所述的装置,其中,所述目标切换样本周期包括所述目标交通信号灯的目标切换全周期样本;所述特征偏差对样本计算模块还用于:
确定所述目标切换样本周期包括的全量周期样本时刻点;
对各所述全量周期样本时刻点进行筛选,得到备用周期样本时刻点;
将各所述备用周期样本时刻点确定为所述目标周期样本时刻点。
33.根据权利要求30-32任一所述的装置,其中,所述特征偏差对样本计算模块还用于:
获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;
计算所述目标周期样本时刻点的第一多维样本轨迹特征与各所述预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本。
34.根据权利要求30-32任一所述的装置,其中,所述特征偏差对样本计算模块还用于:
获取所述目标周期样本时刻点匹配的第一多维样本轨迹特征以及所述预测样本切换点匹配的第二多维样本轨迹特征;
确定所述预测样本切换点匹配的预测样本切换点组合数量;
对各所述预测样本切换点按照所述预测样本切换点组合数量进行组合,得到多个预测样本切换点子集合;
计算所述目标周期样本时刻点的第一多维样本轨迹特征与所述预测样本切换点子集合中各预测样本切换点的第二多维样本轨迹特征之间的特征偏差对样本,作为所述目标周期样本时刻点的子特征偏差对样本;
将所述目标周期样本时刻点的子特征偏差对样本的集合作为所述目标周期样本时刻点的特征偏差对样本。
35.根据权利要求30所述的装置,其中,所述切换点实时预测模型训练模块还用于:
获取所述切换点实时预测模型根据所述特征偏差对样本实时计算的所述目标交通信号灯的目标切换点预测信息;
获取所述目标交通信号灯的真值切换点信息;
在根据所述目标切换点预测信息和所述真值切换点信息确定所述切换点实时预测模型处于未收敛状态的情况下,优化所述切换点实时预测模型的模型参数,并返回执行获取目标路口中目标交通信号灯的切换点预测关联样本信息的操作,直至确定所述切换点实时预测模型处于收敛状态。
36.根据权利要求35所述的装置,其中,所述切换点实时预测模型训练模块还用于:
通过所述切换点实时预测模型根据所述特征偏差对样本计算各所述目标周期样本时刻点的得分值;
将目标得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
37.根据权利要求35所述的装置,其中,所述特征偏差对样本包括多个子特征偏差对样本;所述切换点实时预测模型训练模块还用于:
确定各所述目标周期样本时刻点的子特征偏差对样本匹配的权重值;
通过所述切换点实时预测模型根据所述子特征偏差对样本计算所述目标周期样本时刻点的一维得分值;
计算所述目标周期样本时刻点的一维得分值与所述目标周期样本时刻点的子特征偏差对样本匹配的权重值之间的第二乘积值;
计算各所述第二乘积值之间的和值,得到所述目标周期样本时刻点的综合得分值;
将目标综合得分值匹配的目标周期样本时刻点作为所述目标交通信号灯的目标切换点预测信息。
38.根据权利要求35所述的装置,其中,所述目标交通信号灯的真值切换点信息包括以下至少一项:
根据所述目标交通信号灯的信控设备输出的信号灯数据获取的目标真值切换点;
根据车辆图像采集设备上传的所述目标交通信号灯的目标切换点图像确定的目标真值切换点。
39.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-10中任一项所述的切换点预测方法,或者执行权利要求11-22中任一项所述的预测模型训练方法。
40.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行权利要求1-10中任一项所述的切换点预测方法,或者执行权利要求11-22中任一项所述的预测模型训练方法。
41.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现权利要求1-10中任一项所述的切换点预测方法,或者执行权利要求11-22中任一项所述的预测模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458136.6A CN116168544B (zh) | 2023-04-25 | 2023-04-25 | 切换点预测方法、预测模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310458136.6A CN116168544B (zh) | 2023-04-25 | 2023-04-25 | 切换点预测方法、预测模型训练方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168544A true CN116168544A (zh) | 2023-05-26 |
CN116168544B CN116168544B (zh) | 2023-08-01 |
Family
ID=86416792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310458136.6A Active CN116168544B (zh) | 2023-04-25 | 2023-04-25 | 切换点预测方法、预测模型训练方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168544B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012216788A1 (de) * | 2012-09-19 | 2014-05-28 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum Erhalten von Qualitätsdaten betreffend Informationen über Schaltzeiten und/oder Schaltbedingungen von Ampeln und/oder Wechselverkehrszeichen |
CN110136438A (zh) * | 2019-05-15 | 2019-08-16 | 武汉纵横智慧城市股份有限公司 | 基于人工智能的道路切换方法、装置、设备及存储介质 |
CN110675644A (zh) * | 2019-09-27 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 道路红绿灯的识别方法、装置、电子设备及存储介质 |
CN111033594A (zh) * | 2017-05-24 | 2020-04-17 | 维特思科科技有限责任公司 | 用于在机动车行驶期间预测至少一个信号灯切换状态的方法以及控制设备、机动车和服务器设备 |
CN113257016A (zh) * | 2021-06-21 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种交通信号控制方法、装置以及可读存储介质 |
CN114116854A (zh) * | 2021-12-09 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、装置、设备和存储介质 |
CN114677657A (zh) * | 2022-02-17 | 2022-06-28 | 浙江大华技术股份有限公司 | 信号灯时域状态检测方法、模型训练方法及相关装置 |
CN115601983A (zh) * | 2022-10-14 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 |
CN115762166A (zh) * | 2022-11-30 | 2023-03-07 | 北京百度网讯科技有限公司 | 确定路口通行时长的方法、装置、电子设备及存储介质 |
CN115909731A (zh) * | 2022-11-09 | 2023-04-04 | 北京百度网讯科技有限公司 | 交通信号灯切换时刻的预测方法、装置、电子设备及介质 |
-
2023
- 2023-04-25 CN CN202310458136.6A patent/CN116168544B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012216788A1 (de) * | 2012-09-19 | 2014-05-28 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und System zum Erhalten von Qualitätsdaten betreffend Informationen über Schaltzeiten und/oder Schaltbedingungen von Ampeln und/oder Wechselverkehrszeichen |
CN111033594A (zh) * | 2017-05-24 | 2020-04-17 | 维特思科科技有限责任公司 | 用于在机动车行驶期间预测至少一个信号灯切换状态的方法以及控制设备、机动车和服务器设备 |
CN110136438A (zh) * | 2019-05-15 | 2019-08-16 | 武汉纵横智慧城市股份有限公司 | 基于人工智能的道路切换方法、装置、设备及存储介质 |
CN110675644A (zh) * | 2019-09-27 | 2020-01-10 | 百度在线网络技术(北京)有限公司 | 道路红绿灯的识别方法、装置、电子设备及存储介质 |
CN113257016A (zh) * | 2021-06-21 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 一种交通信号控制方法、装置以及可读存储介质 |
CN114116854A (zh) * | 2021-12-09 | 2022-03-01 | 腾讯科技(深圳)有限公司 | 轨迹数据处理方法、装置、设备和存储介质 |
CN114677657A (zh) * | 2022-02-17 | 2022-06-28 | 浙江大华技术股份有限公司 | 信号灯时域状态检测方法、模型训练方法及相关装置 |
CN115601983A (zh) * | 2022-10-14 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 |
CN115909731A (zh) * | 2022-11-09 | 2023-04-04 | 北京百度网讯科技有限公司 | 交通信号灯切换时刻的预测方法、装置、电子设备及介质 |
CN115762166A (zh) * | 2022-11-30 | 2023-03-07 | 北京百度网讯科技有限公司 | 确定路口通行时长的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116168544B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020034903A1 (zh) | 一种基于拓扑图的智能导航的方法和系统 | |
CN109697221B (zh) | 轨迹规律的挖掘方法、装置、存储介质及电子设备 | |
CN115879535B (zh) | 一种自动驾驶感知模型的训练方法、装置、设备和介质 | |
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
US11798408B2 (en) | Green wave speed determination method, electronic device and storage medium | |
CN114428828A (zh) | 基于行驶轨迹挖掘新增道路方法、装置及电子设备 | |
US20230091252A1 (en) | Method for processing high-definition map data, electronic device and medium | |
CN115601983A (zh) | 交通信号灯的周期时长确定方法、装置、设备和存储介质 | |
CN114170797A (zh) | 交通限制路口的识别方法、装置、设备、介质及产品 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN115471805A (zh) | 点云处理和深度学习模型训练方法、装置及自动驾驶车辆 | |
CN116168544B (zh) | 切换点预测方法、预测模型训练方法、装置、设备及介质 | |
CN112070288A (zh) | 出发时间预估方法、装置、设备以及存储介质 | |
CN115767715A (zh) | 数字钥匙区域定位方法、装置、车辆及存储介质 | |
CN111767651B (zh) | 指标预测模型的构建方法、指标预测方法和装置 | |
CN112541021A (zh) | 路线评估方法、风景区游览预估时长计算方法及装置 | |
CN116824868B (zh) | 车辆非法停驻点识别及拥堵预测方法、装置、设备及介质 | |
CN115662167B (zh) | 自动驾驶地图构建方法、自动驾驶方法及相关装置 | |
CN116343480A (zh) | 交通信号灯切换点预测方法、装置、电子设备及存储介质 | |
CN114333326B (zh) | 一种路口拥堵检测方法、装置及电子设备 | |
EP4064239A2 (en) | Method and apparatus of determining state of intersection, storage medium, and program product | |
CN114626595A (zh) | 通行时长预估方法、模型训练方法、电子设备及程序产品 | |
CN114659534A (zh) | 导航路径通行时间处理方法、装置、设备、介质及产品 | |
CN116935647A (zh) | 一种数据验证方法、装置、电子设备和存储介质 | |
CN116795131A (zh) | 基于雷达的配电线路无人机巡检方法和装置 |
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 |