CN116189417A - 交通灯场景的路况识别方法、装置、电子设备及存储介质 - Google Patents
交通灯场景的路况识别方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116189417A CN116189417A CN202211583103.6A CN202211583103A CN116189417A CN 116189417 A CN116189417 A CN 116189417A CN 202211583103 A CN202211583103 A CN 202211583103A CN 116189417 A CN116189417 A CN 116189417A
- Authority
- CN
- China
- Prior art keywords
- road
- time
- training
- vehicle
- traffic light
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012549 training Methods 0.000 claims description 206
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003203 everyday effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种交通灯场景的路况识别方法、装置、电子设备及存储介质,涉及智能交通、自动驾驶等技术领域。具体实现方案为:采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;基于指定转向上、各时间窗口内通过交通灯的车辆行驶信息,获取指定转向上各时间窗口的车辆行驶特征;基于指定转向上、各时间窗口的车辆行驶特征,预测当前时刻、指定转向上交通灯的影响道路的路况;基于当前时刻、指定转向上影响道路的路况以及影响道路对应的路段标识,识别当前时刻、指定转向上各路段标识对应的路况。本公开的技术,能够有效地提高交通灯场景中识别的路段的路况的准确性。
Description
技术领域
本公开涉及计算机技术领域,具体涉及智能交通、自动驾驶等技术领域,尤其涉及一种交通灯场景的路况识别方法、装置、电子设备及存储介质。
背景技术
在用户驾车导航中,地图产品在为用户规划路线时,会综合考虑路程、预估达到时间等,为用户规划最佳驾车路线。而预估用户达到时间,依赖道路的拥堵情况。所以,道路的路况识别至关重要。
由于不同道路等级的车辆限速不同,所以,可以基于道路等级以及道路的路段上通行的所有车辆的车速统计特征,预估路段的路况。
发明内容
本公开提供了一种交通灯场景的路况识别方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种交通灯场景的路况识别方法,包括:
采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;
基于所述指定转向上、各所述时间窗口内通过所述交通灯的车辆行驶信息,获取所述指定转向上各所述时间窗口的车辆行驶特征;
基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况;
基于所述当前时刻、所述指定转向上所述交通灯的影响道路的路况以及所述影响道路对应的路段标识,识别所述当前时刻、所述指定转向上各所述路段标识对应的路况。
根据本公开的另一方面,提供了一种路况预测模型的训练方法,包括:
从历史行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的车辆行驶信息,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征;
基于所述行驶信息数据库,获取各所述转向上、各所述训练时刻所述交通灯的影响道路的真实路况;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征、以及各所述转向上、各所述训练时刻的所述影响道路的真实路况,对路况预测模型进行训练。
根据本公开的再一方面,提供了一种交通灯场景的路况确定装置,包括:
采集模块,用于采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;
获取模块,用于基于所述指定转向上、各所述时间窗口内通过所述交通灯的车辆行驶信息,获取所述指定转向上各所述时间窗口的车辆行驶特征;
预测模块,用于基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况;
识别模块,用于基于所述当前时刻、所述指定转向上所述交通灯的影响道路的路况以及所述影响道路对应的路段标识,识别所述当前时刻、所述指定转向上各所述路段标识对应的路况。
根据本公开的又一方面,提供了一种路况预测模型的训练装置,包括:
采集模块,用于从历史行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息;
特征获取模块,用于基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的车辆行驶信息,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征;
路况获取模块,用于基于所述行驶信息数据库,获取各所述转向上、5各所述训练时刻所述交通灯的影响道路的真实路况;
训练模块,用于基于各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征、以及各所述转向上、各所述训练时刻的所述影响道路的真实路况,对路况预测模型进行训练。
根据本公开的再另一方面,提供了一种电子设备,包括:0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如上所述的方面和任一可能的实现方式的方法。
5根据本公开的再又一方面,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如上所述的方面和任一可能的实现方式的方法。
根据本公开的又另一方面,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如上所述的方面和任一可能0的实现方式的方法。
根据本公开的技术,能够有效地提高交通灯场景中识别的路段的路况的准确性。
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5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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开第五实施例的示意图;
图6是根据本公开第六实施例的示意图;
图7是根据本公开第七实施例的示意图;
图8是用来实现本公开实施例的方法的电子设备的框图。
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。
显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
需要说明的是,本公开实施例中所涉及的终端设备可以包括但不限于手机、个人数字助理(Personal Digital Assistant,PDA)、无线手持设备、平板电脑(TabletComputer)等智能设备;显示设备可以包括但不限于个人电脑、电视等具有显示功能的设备。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
现有技术中,是基于路段上通行的所有车辆的车速统计特征,识别路段的路况。采用该方法,识别交通灯场景中的路段的路况时,准确性欠佳。例如,在交通灯路口,即使交通灯路口的路段是畅通的,由于车辆需要等红灯,导致车辆平均车速非常慢,进而导致对应路段的路况被识别为拥堵。所以,现有技术的上述方法,识别交通灯场景中路段的路况的准确性非常低。
图1是根据本公开第一实施例的示意图;如图1所示,本实施例提供一种交通灯场景的路况识别方法,可以用于导航服务器中,具体可以包括如下步骤:
S101、采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;
S102、基于指定转向上、各时间窗口内通过交通灯的车辆行驶信息,获取指定转向上各时间窗口的车辆行驶特征;
S103、基于指定转向上、多个时间窗口中各时间窗口的车辆行驶特征,预测当前时刻、指定转向上交通灯的影响道路的路况;
S104、基于当前时刻、指定转向上交通灯的影响道路的路况以及影响道路对应的路段标识,识别当前时刻、所述指定转向上各路段标识对应的路况。
本实施例的路段即Link,为电子地图中的标识路的最小单元。在导航服务器进行导航时,需要参考各路段link的路况,进而进行准确地导航规划。而道路是从车辆行驶的角度,描述车辆行驶的路。道路可以串行地包括一段、两段或者多段路段link。而且,有些道路中也可以仅包括一段路段link的其中一段路。在电子地图中,标识路况的时候,一个路段link不能再被拆分,不存在同一个路段link中不同片段对应不同的路况。本实施例的目的,即用于准确地识别交通灯场景中各路段link的路况,尤其是交通灯的影响道路上各路段link的路况,以为导航应用提供更加准确地导航服务。交通灯的影响道路指的是与交通灯直接相连,影响车辆通过交通灯的一段路。交通灯的影响道路中可以包括一段、两段或者多段路段link。
结合实际的交通应用场景中路况变化的周期,可以选定当前时刻的粒度大小。例如,若认为路况可以每分钟更新一次,则当前时刻的粒度可以为分钟级别。当前时刻即指的是当前分钟内,如1点10分的当前时刻可以指的是1点10分0秒到59秒的时刻。
连续的多个时间窗口中可以包括5个、8个、10个或者其他数量的时间窗口。具体数量可以基于历史行驶信息,分析的一个时刻之前、能够预测该时刻路况的车辆行驶信息的时间长度,以及每个时间窗口的大小来确定。例如,经过分析,确定每个时刻前10分钟的车辆行驶信息可以预测该时刻的路况,时间窗口为2分钟,那么可以设置5个连续的时间窗口。具体地,实际应用中,每个时间窗口的大小也可以根据经验来设置,例如可以为1分钟,也可以为2分钟,90秒或者其他时间长度,在此不做限定。
本实施例中,可以采用统计学的方式,基于指定转向上、各时间窗口内通过交通灯的车辆行驶信息,获取指定转向上各时间窗口的车辆行驶特征。本实施例的指定转向指的是通过交通灯时的任意一个转向,如可以为直行、左转或者右转。由于左转和掉头通常在同一车道上,本实施例中可以将掉头的情况包含在左转中。并进一步参考多个时间窗口中各时间窗口的车辆行驶特征,预测当前时刻的指定转向上交通灯的影响道路的路况。连续的多个时间窗口可以指的是当前时刻之前最近邻的多个时间窗口序列,所以,连续的多个时间窗口的车辆行驶特征,对当前时刻的路况的影响非常大。本实施例中,可以通过分析指定转向上、连续的多个时间窗口中各时间窗口的车辆行驶特征,准确地预测当前时刻、指定转向上交通灯的影响道路的路况。进而,再结合影响道路对应的路段标识,识别当前时刻、指定转向上各路段标识对应的路况。与现有技术中各路段仅对应一个路况不同的是,本实施例中,影响道路对应的路段可以包括各转向的路况。由于影响道路直接与交通灯相邻,对穿过交通灯的车辆影响非常大,而且不同转向的车辆的影响也不同。采用本实施例的技术方案,可以准确地识别当前时刻的任意一个指定转向上各路段的路况,有效地提高交通灯场景中路段的路况识别的准确性,进而可以提高导航规划的准确性。
本实施例的交通灯场景的路况识别方法,能够基于指定转向上、各时间窗口内通过交通灯的车辆行驶信息,获取指定转向上各时间窗口的车辆行驶特征,由于充分考虑了交通灯对车辆行驶信息的影响,可以有效地确保获取的车辆行驶特征的准确性。进一步地,基于指定转向上、当前时刻之前连续的多个时间窗口中各时间窗口的车辆行驶特征,可以准确地预测当前时刻、指定转向上交通灯的影响道路的路况;进而基于当前时刻、指定转向上交通灯的影响道路的路况以及影响道路对应的路段标识,能够准确地识别各路段标识对应的路况。本实施例的技术方案,由于充分考虑了交通灯的信息,与现有技术的不考虑交通灯识别路段的路况的方式相比,能够有效地提高识别的交通灯场景中路段的路况的准确性。
图2是根据本公开第二实施例的示意图;本实施例的交通灯场景的路况识别方法,在上述图1所示实施例的技术方案的基础上,进一步更加详细地描述本公开的技术方案。如图2所示,本实施例的交通灯场景的路况识别方法,具体可以包括如下步骤:
S201、基于行驶信息数据库,分析车辆通过交通灯排队的最长距离对应的道路,作为交通灯的影响道路;
具体地,在行驶信息数据库中,可以记录有所有通过该交通灯的历史行驶信息。基于对车速等特征的分析,可以分析出车辆通过该交通灯的时候,排队的最长距离对应的那一段道路,作为该交通灯的影响道路。也就是说,该影响道路指的是车辆通过交通灯之前行驶的一段道路。该影响道路与交通灯相连,即影响道路的一个端点为交通灯的位置,另一个端点为路段中的一个点。影响道路的分析过程中,不区分排队的车辆的穿过交通灯的转向问题,综合分析排队的最长距离对应的道路。由于该影响道路的路口受交通灯的影响较大,所以,本实施例中,需要分析出该影响道路,以提高交通灯场景下识别的路况的准确性。
而且本实施例的交通灯的影响道路上可以包括一段、两段或者多段路段link。所以该交通灯的影响道路可以对应一个路段标识序列,该路段标识序列中可以包括从交通灯到远离交通灯的方向上、该影响道路上依次包括的各路段link的标识。需要说明的是,该路段标识序列中最后一个路段link标识对应的路段,即影响道路上距离交通灯最远的一个路段link,可以全部包括在影响道路内,也可以仅部分包括在影响道路内。另外,本实施例的交通灯可以指的是十字路口设置的红绿灯。
影响道路的长度可以称为影响长度或者影响距离。实际应用中,不同的交通灯,路况不同,对应的影响道路的不同,影响长度也可以不同。
S202、采集当前时刻之前各时间窗口内、指定转向上通过交通灯的所有车辆中各车辆的停车次数、通过时间长度、以及平均速度;
可选地,在本公开的一个实施例中,可以根据需求,仅采集停车次数、通过时间长度、以及平均速度中的至少一个特征即可。实际应用中,采集的特征越多,识别的交通灯场景下的路段的路况越准确。本实施例中以同时采集三种特征为例。
本实施例中,车辆的停车次数指的是车辆从进入影响道路到通过交通灯的停车次数。具体实现时,可以基于车辆行驶过程中的车速,分析车辆的停车次数。例如车速为0,则对应1次停车。
通过时间长度指的是车辆从进入影响道路到通过交通灯所消耗的时间长度;具体实现时,可以从车辆的历史行驶信息中获取车辆进入影响道路时的时刻以及到达交通灯的时刻,进而可以获取到车辆从进入影响道路到通过交通灯所消耗的时间长度。
平均速度指的是车辆从进入影响道路到通过交通灯的平均速度。同时,具体实现时,就是统计该车辆在影响道路上的平均速度。
S203、基于指定转向上、各时间窗口内通过交通灯的所有车辆中各车辆的停车次数,获取指定转向上各时间窗口的停车次数均值;
S204、基于指定转向上、各时间窗口内通过交通灯的所有车辆中各车辆的通过时间长度,获取指定转向上各时间窗口的通过时间长度均值;
S205、基于指定转向上、各时间窗口内通过交通灯的所有车辆中各车辆的平均速度,获取指定转向上各时间窗口的平均速度均值;
S206、基于上述指定转向上各时间窗口的停车次数均值、通过时间长度均值以及平均速度均值,构建指定转向上、各时间窗口的车辆行驶特征;
通过上述方式,构建的指定转向上的各时间窗口的车辆行驶特征非常合理、准确。
S207、采用预先训练的路况预测模型,基于指定转向上、多个时间窗口中各时间窗口的车辆行驶特征,预测当前时刻、指定转向上交通灯的影响道路的路况;
具体地,每个时间窗口对应一个车辆行驶特征,连续的多个时间窗口构成一个车辆行驶特征序列。且该车辆行驶特征序列中按照对应的各时间窗口的先后顺序依次排列。
使用时,将多个时间窗口对应的车辆行驶特征序列,输入至该路况预测模型中,该路况预测模型可以预测并输出当前时刻、指定转向上交通灯的影响道路的路况。
由于上述各时间窗口的车辆行驶特征对应的都是影响道路的车辆行驶特征,所以,此处预测的也是交通灯的影响道路的路况。
本实施例中,该路况预测模型中可以包括不同转向的路况预测子模型,该步骤具体实现时,可以同时获取三个指定转向的多个时间窗口中各时间窗口的车辆行驶特征,分别输入至对应转向的路况预测子模型中,可以准确地预测得到各转向的当前时刻的交通灯的影响道路的路况。当然,实际应用中,若仅需要获取一个转向上的路况,仅获取该转向的多个时间窗口中各时间窗口的车辆行驶特征,输入至该转向的路况预测子模型中,可以准确地预测得到该转向的当前时刻的交通灯的影响道路的路况。
S208、检测当前时刻、指定转向上交通灯的影响道路的路况为拥堵、畅通或者缓行;若为拥堵,执行步骤S209;若为畅通,执行步骤S210;若为缓行,执行步骤S211;
S209、确定当前时刻、指定转向上影响道路包括的各路段的路段标识对应的路况为拥堵;执行步骤S212;
结合实际应用中的交通场景,影响道路的路况为拥堵时,影响道路中包括的各路段的路况必然为拥堵。
影响道路对应的路段包括两种情况,一种是路段完全包括在影响道路内,另一种是路段部分包括在影响道路内。
具体实现时,可以参考影响道路的路段标识序列,其中路段标识序列中最后一个路段标识之前的所有路段标识对应的道路,都包括在影响道路内,而最后一个路段标识对应的路段可能也包括在影响道路内,也可能仅部分包括在影响道路内,具体需要根据最后一个路段的具体位置和影响道路的所覆盖的所有路段的具体情况进行分析。
S210、确定当前时刻、指定转向上影响道路包括的各路段的路段标识对应的路况为畅通;结束。
结合实际应用中的交通场景,影响道路的路况为畅通时,影响道路中包括的各路段的路况必然为畅通。
S211、基于影响道路的影响长度、影响道路对应的路段标识以及预设长度比例,确定当前时刻、指定转向上各路段标识对应的路况,结束。
结合实际应用中的交通场景,影响道路的路况为缓行时,影响道路中包括的各路段的路况可以不同。例如靠近交通灯的路段的路况可以为缓行,而远离交通灯的路段的路况可能已经畅通。
例如,该步骤S211具体实现时,可以包括如下步骤:
(1)基于影响长度和预设长度比例,获取参考长度;
(2)检测影响道路对应的路段标识对应的路段,是否包括在交通灯之前的参考长度范围内的道路上;若是,执行步骤(3);否则,若未包括在,执行步骤(4);
(3)确定当前时刻、指定转向上路段标识对应的路况为缓行;
(4)确定当前时刻、指定转向上路段标识对应的路况为畅通。
本实施例中,通过设置一个预设长度比例,认为影响道路中靠近交通灯、预设长度比例的这一段道路上的路况仍为缓行;而远离交通灯、影响道路中预设长度比例之外的那一段道路上的路况可以为畅通。本实施例的预设长度比例可以根据经验来设置,例如可以为2/3、3/5等比例,在此不做限定。基于此原理,根据上述步骤(1)-(4),可以实现准确地识别影响道路对应的各路段的路况。
进一步地,在本公开的一个实施例中,步骤S211具体实现时,还可以包括如下步骤:
(a)检测影响道路对应的路段标识对应的路段中,是否仅第一部分路段包括在交通灯之前的参考长度范围内的道路;若是,执行步骤(b);
(b)获取第一部分路段的长度与路段标识对应的路段的第一比例;执行步骤(c);
(c)检测第一比例是否大于或者等于第一预设比例阈值,若是,执行步骤(d);否则,若第一比例小于第一预设比例阈值,执行步骤(e);
(d)确定当前时刻、指定转向上路段标识对应的路况为缓行;
(e)确定当前时刻、指定转向上路段标识对应的路况为畅通。
结合实际应用中的交通场景,存在某个路段仅部分如第一部分路段在参考长度范围内的道路上,此时可以进一步分析,第一部分路段的长度占整个路段link的长度的第一比例,若第一比例较大,如大于或者等于第一
预设比例阈值,可以将该路段的路况设置的与参考长度范围内包括的其他5路段的路况一样,即缓行。而若第一比例较小,可以将该路段的路况设置的与影响道路上、参考长度范围外的道路的路况一样,即畅通。其中第一预设比例阈值可以基于经验来设置,如55%、60%等。基于此原理,结合上述步骤(a)-(e),可以实现对当前时刻、指定转向上影响道路对应的各路段的路况进行准确地识别。
0S212、检测影响道路对应的路段标识对应的路段,是否仅第二部分路
段包括在影响道路中;若是,执行步骤S213;
S213、获取第二部分路段的长度与路段标识对应的路段的长度的第二
比例;执行步骤S214;
S214、检测第二比例是否大于或者等于第二预设比例阈值,若是,执5行步骤S215;否则,若第二比例小于第二预设比例阈值,执行步骤S216;
S215、确定当前时刻、指定转向上该路段标识对应的路况为拥堵;结束。
S216、基于路段标识对应的路段中第二部分路段之外的其他路段的路况,确定路段标识对应的路况,结束。
0在影响道路对应的路口为拥堵时,若路段link中仅第二部分路段包括
在影响道路中,即该路段位于影响道路上远离交通灯方向的尾部。该路段的第二部分路段之外的其他路段,不在影响道路范围内,受交通灯影响较小,也不用分转向识别路况,具体路况的预测,参考通用的路段的路况的预测方式,在此不再赘述。
5对于影响道路包括的各路段的路况为畅通时,影响道路之后的路段的
路况必然为畅通。所以影响道路对应的路段标识序列中最后一个路段的路况,无论是全部包括在影响道路内,还是部分包括在影响道路内,其前后相邻的路段的路况都是畅通,其必然也是畅通。
而对于影响道路包括的各路段的路况为拥堵时,影响道路之后的路段的路况可能是拥堵,也可能是缓行。由于影响道路之后的路段距离交通灯较远,不考虑交通灯的影响,采用通用的路段的路况的预测方式,实现预测。对于影响道路对应的路段标识序列中最后一个路段标识对应的路段,若仅部分包括在影响道路中,具体根据步骤S212-S216,可以实现对当前时刻、指定转向上影响道路对应的最后一个路段的路况进行准确地识别。
本实施例的交通灯场景的路况别方法,能够基于交通灯的影响道路的路况,充分考虑各种情形下影响道路对应的路段的情况,准确地分析影响道路对应的各路段的路况,能够有效地提高交通灯场景中识别路段的路况的准确性,进而可以有效地提高导航规划的准确性。
实际应用中,超过一半的地图导航用户在导航过程中会遇到红绿灯,平均每个用户每天能够通过超过20次的红绿灯,全国的地图导航用户每天能够通过超过5亿次红绿灯,本公开的上述技术方案,可以有效地提高红绿灯场景下的路况准确判断,能够给用户带来更加舒适的用户体验,提升用户对于地图的整体口碑。
图3是根据本公开第三实施例的示意图;如图3所示,本实施例提供一种路况预测模型的训练方法,具体可以包括如下步骤:
S301、从行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息;
S302、基于各转向上、各训练时刻之前的各时间窗口内通过交通灯的车辆行驶信息,获取各转向上、各训练时刻之前的各时间窗口的车辆行驶特征;
S303、基于历史行驶信息数据库,获取各转向上、各训练时刻交通灯的影响道路的真实路况;
S304、基于各转向上、各训练时刻之前的各时间窗口的车辆行驶特征、以及各转向上、各训练时刻的影响道路的真实路况,对路况预测模型进行训练。
本实施例中,步骤S301-步骤S302的具体实现方式,可以参考上述图1所示实施例的相关记载,在此不再赘述。
在训练时,各转向上、各训练时刻之前的各时间窗口的车辆行驶特征作为输入特征数据,各转向上、各训练时刻的影响道路的真实路况作为标签数据,对路况预测模型进行训练,使得该路况预测模型学习预测影响道路的路况的能力。
本实施例中,以同时采集多个转向的数据为例,对路况预测模型进行训练时,使得路况预测模型同时学习各转向的影响道路的路况预测能力。
本实施例中,影响道路的真实路况可以包括拥堵、畅通或者缓行。
本实施例的路况预测模型的训练方法,通过采用上述方式,能够准确地对路况预测模型进行训练,使得路况预测模型学习到预测影响道路的路况的能力,得到准确性较高的路况预测模块,进而可以在路况预测中,能够有效地提高交通灯场景中路段的路况的准确性
图4是根据本公开第四实施例的示意图;本实施例也提供一种路况预测模型的训练方法,在上述图3所示实施例的技术方案的基础上,进一步更加详细地介绍本公开的技术方案。如图4所示,本实施例的路况预测模型的训练方法,具体可以包括如下步骤:
S401、从行驶信息数据库中,采集各训练时刻之前的各时间窗口内、各个转向上通过交通灯的所有车辆中各车辆的停车次数、通过时间长度、以及平均速度;
其中,车辆的停车次数指的是车辆从进入影响道路到通过交通灯的停车次数;通过时间长度指的是车辆从进入影响道路到通过交通灯所消耗的时间长度;平均速度指的是车辆从进入影响道路到通过交通灯的平均速度。
同理,在本公开的一个实施例中,可以根据需求,可以仅采集停车次数、通过时间长度、以及平均速度中的至少一个特征即可。实际应用中,采集的特征越多,交通灯场景下识别的路段的路况越准确。本实施例中以同时采集三种特征为例。
S402、基于各转向上、各训练时刻之前的各时间窗口内通过交通灯的所有车辆中各车辆的停车次数,获取各转向上、各训练时刻之前的各时间窗口的停车次数均值;
S403、基于各转向上、各训练时刻之前的各时间窗口内通过交通灯的所有车辆中各车辆的通过时间长度,获取各转向上、各训练时刻之前的各时间窗口的通过时间长度均值;
S404、基于各转向上、各训练时刻之前的各时间窗口内通过交通灯的所有车辆中各车辆的平均速度,获取各转向上、各训练时刻之前的各时间窗口的平均速度均值;
S405、基于上述各转向上、各训练时刻之前的各时间窗口的停车次数均值、通过时间长度均值以及平均速度均值,构成各转向上、各时间窗口的车辆行驶特征;
本实施例的步骤S401-S405的具体实施,可以参考上述图2所示实施例的相关实现方式记载,在此不再赘述。
S406、从行驶信息数据库中,获取各转向上、各训练时刻对应的多个参考车辆的历史行驶信息;
例如,在本公开的一个实施例中,该步骤具体可以采用如下至少一种方式来实现:
第一种方式、从行驶信息数据库中,获取各训练时刻、各转向上通过交通灯的多个参考车辆的历史行驶信息;
该方式获取的是训练时刻的当前时刻通过交通灯的参考车辆的历史行驶信息,这部分参考车辆的行驶状态可以标识影响道路的路况。
第二种方式、从行驶信息数据库中,获取各训练时刻在影响道路内、并在对应的训练时刻之后经由各转向通过交通灯的多个参考车辆的行驶信息。
该方式获取的是训练时刻在影响道路上,但还没有通过交通灯的参考车辆的行驶信息。由于该部分参考车辆的行驶状态在当前时刻,正处于影响道路上,所以,这部分车辆的行驶信息也能够标识影响道路的路况。
由于上述第一种方式中数据较少,实际应用中,优选地,将第一种方式和第二种方式联合使用,可以更加准确地识别影响道路的真实路况。
S407、基于各转向上、各训练时刻对应的多个参考车辆的历史行驶信息,确定各转向上、各训练时刻影响道路的真实路况;
具体地,该步骤具体实现时,可以包括如下步骤:
(a1)对于各转向上的各训练时刻对应的各参考车辆,基于对应的参考车辆的历史行驶信息,获取对应的转向上、对应的训练时刻的影响道路的预测路况;
按照此方式,在每个转向上、每个训练时刻、每个参考车辆,可以对5应获取到一个影响道路的预测路口。对于同一转向,同一训练时刻的多个
参考车辆,可以对应获取到多个预测路况。
(b1)基于多个参考车辆对应的多个预测路况,获取对应的转向上、对应的训练时刻影响道路的真实路况,
例如,可以基于投票机制,根据多个参考车辆对应的多个预测路况,0获取对应的转向上、对应的训练时刻影响道路的真实路况。例如,若统计
得到某个训练时刻、某个转向上的100个参考车辆预测的预测路况中,有80个是畅通,15个缓行,5个拥堵,则可以以占比最大的路况为准,取当前训练时刻,当前转向上影响道路的真实路况为畅通。
具体地,步骤(a1)具体实施时,可以包括如下步骤:5(a2)对于各转向上的各训练时刻对应的各参考车辆,基于对应的参
考车辆的历史行驶信息,获取对应的参考车辆的车辆行驶特征;
(b2)基于各参考车辆的车辆行驶特征以及预设的路况确定策略,确定对应的转向上、训练时刻影响道路的预测路况。
其中,步骤(b2)具体实施时,可以包括如下情形:0情形一、对于各参考车辆,若参考车辆的停车次数小于等于第一预设
次数阈值,确定对应的转向上、训练时刻影响道路的预测路况为畅通;
情形二、若参考车辆的停车次数大于或者等于第一预设次数阈值且小于第二预设次数阈值,但是参考车辆的通过时间长度小于第一预设时长阈
值,确定对应的转向上、训练时刻影响道路的预测路况为畅通;5情形三、若参考车辆的停车次数大于或者等于第一预设次数阈值且小
于第二预设次数阈值,参考车辆的平均速度大于或者等于第一预设平均速度阈值,确定对应的转向上、训练时刻影响道路的预测路况为畅通;
情形四、若参考车辆的停车次数大于第一预设次数阈值,参考车辆的通过时间长度大于或者等于第一预设时长阈值且小于第二预设时长阈值,确定对应的转向上、训练时刻影响道路的预测路况为缓行;
情形五、若参考车辆的停车次数大于第一预设次数阈值,参考车辆的平均速度小于第一预设平均速度阈值且大于第二预设平均速度阈值,确定对应的转向上、训练时刻影响道路的预测路况为缓行;
情形六、若参考车辆的停车次数大于第二预设次数阈值,参考车辆的通过时间长度大于第二预设时长阈值,确定对应的转向上、训练时刻影响道路的预测路况为拥堵;第二预设次数阈值大于第一预设次数阈值;或者
情形七、若参考车辆的停车次数大于第二预设次数阈值,参考车辆的平均速度小于第二预设平均速度阈值,确定对应的转向上、训练时刻影响道路的预测路况为拥堵。
实际应用中,还可以基于各参考车辆的车辆行驶特征,并结合其他预设的路况确定策略,准确地确定对应的转向上、训练时刻影响道路的预测路况,在此不在举例赘述。
采用上述方式,可以准确地确定各训练时刻各转向的影响道路的预测路况;进而可以准确地确定各转向、各训练时刻的影响道路的真实路况。
S408、基于各转向上、各训练时刻之前的各时间窗口的车辆行驶特征、以及对应的转向上、对应训练时刻的影响道路的真实路况,对路况预测模型进行训练。
本实施例的路况预测模型可以包括三个路况预测子模型,三个路况预测子模型可以共用特征处理层,仅预测时,采用不同的预测模块。
例如,该路况预测模型可以采用encoder-decoder结构构建的模型。encoder阶段采用GRU、transformer等基础网络,用三个decoder预估三个转向的路况情况。本实施例中,使得三个方向的预估更为精准,decoder阶段采用GRU、tranformer等基础网络结构,由于拥堵和缓行整体占比比较低,在训练中使用focal loss,使得模型更好的拟合。
需要注意的是,上述获取到的训练数据包括各转向上的训练数据,而本实施例中不同转向的训练数据需要单独训练对应的路况预测子模型,所以在训练之前,需要按照转向,将训练数据分为三大组。为了便于训练,也可以在训练过程中输入训练数据时,增加转向的标识,以便于标识输入的训练数据是用于训练哪个转向的路况预测子模型。在每个转向上的每一条训练数据中可以包括训练时刻对应的各时间窗口的车辆行驶特征、以及训练时刻的影响道路的真实路况。该转向的路况预测子模型可以根据输入的车辆行驶特征,预测训练时刻影响道路的预测路况。然后基于预测路况和标签数据中的真实路况,构建损失函数,并超损失函数收敛的方向调整模型的参数,使模型收敛。按照上述方式,通过不断地训练,可以使得三个转向上的路况预测子模型都收敛,得到最终的路况预测模型。
本实施例的路况预测模型的训练方法,通过采用上述方式,能够准确地对路况预测模型进行训练,使得路况预测模型学习到预测影响道路的路况的能力,能够训练得到准确地路况预测模型;进而可以基于该路况预测模型,对交通灯的影响道路的路况进行准确地预测,并进一步可以准确地识别影响道路对应的各路段的路况。
图5是根据本公开第五实施例的示意图;如图5所示,本实施例提供一种交通灯场景的路况确定装置500,包括:
采集模块501,用于采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;
获取模块502,用于基于所述指定转向上、各所述时间窗口内通过所述交通灯的车辆行驶信息,获取所述指定转向上各所述时间窗口的车辆行驶特征;
预测模块503,用于基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况;
识别模块504,用于基于所述当前时刻、所述指定转向上所述交通灯的影响道路的路况以及所述影响道路对应的路段标识,识别所述当前时刻、所述指定转向上各所述路段标识对应的路况。
本实施例的交通灯场景的路况确定装置500,通过采用上述模块实现交通灯场景的路况确定的实现原理,以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图6是根据本公开第六实施例的示意图;如图6所示,本实施例也提供一种交通灯场景的路况确定装置600,包括上述图5所示的同名同功能模块:采集模块601、获取模块602、预测模块603和识别模块604。
在本实施例中,采集模块601,用于:
采集所述当前时刻之前各所述时间窗口内、所述指定转向上通过所述交通灯的所有车辆中各所述车辆的停车次数、通过时间长度、以及平均速度中至少一个;
其中,所述车辆的停车次数指的是所述车辆从进入所述影响道路到通过所述交通灯的停车次数;通过时间长度指的是所述车辆从进入所述影响道路到通过所述交通灯所消耗的时间长度;所述平均速度指的是所述车辆从进入所述影响道路到通过所述交通灯的平均速度。
可选地,在本公开的一个本实施例中,获取模块602,用于执行如下至少一种操作:
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的停车次数,获取所述指定转向上各所述时间窗口的停车次数均值;
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的通过时间长度,获取所述指定转向上各所述时间窗口的通过时间长度均值;和
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的平均速度,获取所述指定转向上各所述时间窗口的平均速度均值。
可选地,在本公开的一个本实施例中,预测模块603,用于:
采用预先训练的路况预测模型,基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况。
可选地,在本公开的一个本实施例中,识别模块604,用于:
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为拥堵,确定所述当前时刻、所述指定转向上所述影响道路包括的各路段的所述路段标识对应的路况为拥堵;
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为畅通,确定所述当前时刻、所述指定转向上所述影响道路包括的各路段的所述路段标识对应的路况为畅通;
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为缓行,基于所述影响道路的影响长度、所述影响道路对应的路段标识以及预设长度比例,确定所述当前时刻、所述指定转向上各所述路段标识对应的路况。
可选地,在本公开的一个本实施例中,识别模块604,用于:
基于所述影响长度和所述预设长度比例,获取参考长度;
若所述路段标识对应的路段,包括在所述交通灯之前的所述参考长度范围内的道路上,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为缓行;
若所述路段标识对应的路段,未包括在所述交通灯之前的所述参考长度范围内的道路上,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为畅通。
可选地,在本公开的一个本实施例中,识别模块604,还用于:
若所述路段标识对应的路段中仅第一部分路段包括在所述交通灯之前的所述参考长度范围内的道路上,获取所述第一部分路段的长度与所述路段标识对应的路段的长度的第一比例;
若所述第一比例大于或者等于第一预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为缓行;
若所述第一比例小于所述第一预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为畅通。
可选地,在本公开的一个本实施例中,识别模块604,还用于:
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为拥堵,所述路段标识对应的路段中仅第二部分路段包括在所述影响道路中,获取所述第二部分路段的长度与所述路段标识对应的路段的长度的第二比例;
若所述第二比例大于或者等于第二预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为拥堵;
若所述第二比例小于所述第二预设比例阈值,基于所述路段标识对应的路段中所述第二部分路段之外的其他路段的路况,确定所述路段标识对应的路况。
可选地,如图6所示,在本公开的一个本实施例中,交通灯场景的路况确定装置600,还包括:
分析模块605,用于基于行驶信息数据库,分析车辆通过所述交通灯排队的最长距离对应的道路,作为所述交通灯的所述影响道路。
本实施例的交通灯场景的路况确定装置600,通过采用上述模块实现交通灯场景的路况确定的实现原理,以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图7是根据本公开第七实施例的示意图;如图7所示,本实施例提供一种路况预测模型的训练装置700,包括:
采集模块701,用于从历史行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息;
特征获取模块702,用于基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的车辆行驶信息,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征;
路况获取模块703,用于基于所述行驶信息数据库,获取各所述转向上、各所述训练时刻所述交通灯的影响道路的真实路况;
训练模块704,用于基于各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征、以及各所述转向上、各所述训练时刻的所述影响道路的真实路况,对路况预测模型进行训练。
本实施例的路况预测模型的训练装置700,通过采用上述模块实现路况预测模型的训练的实现原理,以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
进一步可选地,在本公开的一个实施例中,采集模块701,用于:
从所述行驶信息数据库中,采集各所述训练时刻之前的各所述时间窗口内、各个所述转向上通过所述交通灯的所有车辆中各所述车辆的停车次数、通过时间长度、以及平均速度中至少一个;
其中,所述车辆的停车次数指的是所述车辆从进入所述影响道路到通过所述交通灯的停车次数;通过时间长度指的是所述车辆从进入所述影响道路到通过所述交通灯所消耗的时间长度;所述平均速度指的是所述车辆从进入所述影响道路到通过所述交通灯的平均速度。
进一步可选地,在本公开的一个实施例中,特征获取模块702,用于执行如下至少一种操作:
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的停车次数,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的停车次数均值;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的通过时间长度,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的通过时间长度均值;和
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的平均速度,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的平均速度均值。
进一步可选地,在本公开的一个实施例中,路况获取模块703,用于:
从所述行驶信息数据库中,获取各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息;
基于各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息,确定各所述转向上、各所述训练时刻所述影响道路的真实路况。
进一步可选地,在本公开的一个实施例中,路况获取模块703,用于:
从所述行驶信息数据库中,获取各所述训练时刻、各所述转向上通过所述交通灯的多个参考车辆的历史行驶信息;和/或
从所述行驶信息数据库中,获取各所述训练时刻在所述影响道路内、并在对应的所述训练时刻之后经由各所述转向通过所述交通灯的多个参考车辆的行驶信息。
进一步可选地,在本公开的一个实施例中,路况获取模块703,用于:
对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述转向上、对应的所述训练时刻的所述影响道路的预测路况;
基于所述多个参考车辆对应的多个所述预测路况,获取对应的所述转向上、对应的所述训练时刻所述影响道路的真实路况,
进一步可选地,在本公开的一个实施例中,路况获取模块703,用于:
对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述参考车辆的车辆行驶特征;
基于各所述参考车辆的车辆行驶特征以及预设的路况确定策略,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况。
进一步可选地,在本公开的一个实施例中,路况获取模块,用于:
对于各所述参考车辆,若所述参考车辆的停车次数小于等于第一预设次数阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于或者等于所述第一预设次数阈值且小于第二预设次数阈值,但是所述参考车辆的通过时间长度小于第一预设时长阈值,确定所述对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于或者等于所述第一预设次数阈值且小于第二预设次数阈值,所述参考车辆的平均速度大于或者等于第一预设平均速度阈值,确定所述对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于所述第一预设次数阈值,所述参考车辆的通过时间长度大于或者等于所述第一预设时长阈值且小于第二预设时长阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为缓行;
若所述参考车辆的停车次数大于所述第一预设次数阈值,所述参考车辆的平均速度小于所述第一预设平均速度阈值且大于第二预设平均速度阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为缓行;
若所述参考车辆的停车次数大于第二预设次数阈值,所述参考车辆的通过时间长度大于所述第二预设时长阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为拥堵;所述第二预设次数阈值大于第一预设次数阈值;或者
若所述参考车辆的停车次数大于所述第二预设次数阈值,所述参考车辆的平均速度小于所述第二预设平均速度阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为拥堵。…
上述实施例的路况预测模型的训练装置700,通过采用上述模块实现路况预测模型的训练的实现原理,以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,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8示出了可以用来实施本公开的实施例的示例电子设备800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8所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800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801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801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801执行上文所描述的各个方法和处理,例如本公开的上述方法。例如,在一些实施例中,本公开的上述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808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的本公开的上述方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开的上述方法。
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、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)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,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (37)
1.一种交通灯场景的路况识别方法,包括:
采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;
基于所述指定转向上、各所述时间窗口内通过所述交通灯的车辆行驶信息,获取所述指定转向上各所述时间窗口的车辆行驶特征;
基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况;
基于所述当前时刻、所述指定转向上所述交通灯的影响道路的路况以及所述影响道路对应的路段标识,识别所述当前时刻、所述指定转向上各所述路段标识对应的路况。
2.根据权利要求1所述的方法,其中,采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息,包括:
采集所述当前时刻之前各所述时间窗口内、所述指定转向上通过所述交通灯的所有车辆中各所述车辆的停车次数、通过时间长度、以及平均速度中至少一个;
其中,所述车辆的停车次数指的是所述车辆从进入所述影响道路到通过所述交通灯的停车次数;通过时间长度指的是所述车辆从进入所述影响道路到通过所述交通灯所消耗的时间长度;所述平均速度指的是所述车辆从进入所述影响道路到通过所述交通灯的平均速度。
3.根据权利要求2所述的方法,其中,基于所述指定转向上、各所述时间窗口内通过所述交通灯的车辆行驶信息,获取所述指定转向上各所述时间窗口的车辆行驶特征,包括如下至少一种:
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的停车次数,获取所述指定转向上各所述时间窗口的停车次数均值;
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的通过时间长度,获取所述指定转向上各所述时间窗口的通过时间长度均值;和
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的平均速度,获取所述指定转向上各所述时间窗口的平均速度均值。
4.根据权利要求1所述的方法,其中,基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况,包括:
采用预先训练的路况预测模型,基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况。
5.根据权利要求1-4任一所述的方法,其中,基于所述当前时刻、所述指定转向上所述交通灯的影响道路的路况以及所述影响道路对应的路段标识,识别所述当前时刻、所述指定转向上各所述路段标识对应的路况,包括:
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为拥堵,确定所述当前时刻、所述指定转向上所述影响道路包括的各路段的所述路段标识对应的路况为拥堵;
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为畅通,确定所述当前时刻、所述指定转向上所述影响道路包括的各路段的所述路段标识对应的路况为畅通;
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为缓行,基于所述影响道路的影响长度、所述影响道路对应的路段标识以及预设长度比例,确定所述当前时刻、所述指定转向上各所述路段标识对应的路况。
6.根据权利要求5所述的方法,其中,基于所述影响道路的影响长度、所述影响道路对应的路段标识以及预设长度比例,确定所述当前时刻、所述指定转向上各所述路段标识对应的路况,包括:
基于所述影响长度和所述预设长度比例,获取参考长度;
若所述路段标识对应的路段,包括在所述交通灯之前的所述参考长度范围内的道路上,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为缓行;
若所述路段标识对应的路段,未包括在所述交通灯之前的所述参考长度范围内的道路上,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为畅通。
7.根据权利要求6所述的方法,其中,所述方法还包括:
若所述路段标识对应的路段中仅第一部分路段包括在所述交通灯之前的所述参考长度范围内的道路上,获取所述第一部分路段的长度与所述路段标识对应的路段的长度的第一比例;
若所述第一比例大于或者等于第一预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为缓行;
若所述第一比例小于所述第一预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为畅通。
8.根据权利要求5所述的方法,其中,所述方法还包括:
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为拥堵,所述路段标识对应的路段中仅第二部分路段包括在所述影响道路中,获取所述第二部分路段的长度与所述路段标识对应的路段的长度的第二比例;
若所述第二比例大于或者等于第二预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为拥堵;
若所述第二比例小于所述第二预设比例阈值,基于所述路段标识对应的路段中所述第二部分路段之外的其他路段的路况,确定所述路段标识对应的路况。
9.根据权利要求1-4和6-8中任一所述的方法,其中,基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况之前,所述方法还包括:
基于行驶信息数据库,分析车辆通过所述交通灯排队的最长距离对应的道路,作为所述交通灯的所述影响道路。
10.一种路况预测模型的训练方法,包括:
从历史行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的车辆行驶信息,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征;
基于所述行驶信息数据库,获取各所述转向上、各所述训练时刻所述交通灯的影响道路的真实路况;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征、以及各所述转向上、各所述训练时刻的所述影响道路的真实路况,对路况预测模型进行训练。
11.根据权利要求10所述的方法,其中,从历史行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息,包括:
从所述行驶信息数据库中,采集各所述训练时刻之前的各所述时间窗口内、各个所述转向上通过所述交通灯的所有车辆中各所述车辆的停车次数、通过时间长度、以及平均速度中至少一个;
其中,所述车辆的停车次数指的是所述车辆从进入所述影响道路到通过所述交通灯的停车次数;通过时间长度指的是所述车辆从进入所述影响道路到通过所述交通灯所消耗的时间长度;所述平均速度指的是所述车辆从进入所述影响道路到通过所述交通灯的平均速度。
12.根据权利要求11所述的方法,其中,基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的车辆行驶信息,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征,包括如下至少一种:
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的停车次数,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的停车次数均值;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的通过时间长度,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的通过时间长度均值;和
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的平均速度,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的平均速度均值。
13.根据权利要求10所述的方法,其中,基于所述行驶信息数据库,获取各所述转向上、各所述训练时刻所述交通灯的影响道路的真实路况,包括:
从所述行驶信息数据库中,获取各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息;
基于各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息,确定各所述转向上、各所述训练时刻所述影响道路的真实路况。
14.根据权利要求13所述的方法,其中,从所述行驶信息数据库中,获取各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息,包括:
从所述行驶信息数据库中,获取各所述训练时刻、各所述转向上通过所述交通灯的多个参考车辆的历史行驶信息;和/或
从所述行驶信息数据库中,获取各所述训练时刻在所述影响道路内、并在对应的所述训练时刻之后经由各所述转向通过所述交通灯的多个参考车辆的行驶信息。
15.根据权利要求13或者14所述的方法,其中,基于各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息,确定各所述转向上、各所述训练时刻所述影响道路的真实路况,包括:
对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述转向上、对应的所述训练时刻的所述影响道路的预测路况;
基于所述多个参考车辆对应的多个所述预测路况,获取对应的所述转向上、对应的所述训练时刻所述影响道路的真实路况。
16.根据权利要去15所述的方法,其中,对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述转向上、对应的所述训练时刻的所述影响道路的预测路况,包括:
对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述参考车辆的车辆行驶特征;
基于各所述参考车辆的车辆行驶特征以及预设的路况确定策略,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况。
17.根据权利要求16所述的方法,其中,基于各所述参考车辆的车辆行驶特征以及预设的路况确定策略,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况,包括:
对于各所述参考车辆,若所述参考车辆的停车次数小于等于第一预设次数阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于或者等于所述第一预设次数阈值且小于第二预设次数阈值,但是所述参考车辆的通过时间长度小于第一预设时长阈值,确定所述对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于或者等于所述第一预设次数阈值且小于第二预设次数阈值,所述参考车辆的平均速度大于或者等于第一预设平均速度阈值,确定所述对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于所述第一预设次数阈值,所述参考车辆的通过时间长度大于或者等于所述第一预设时长阈值且小于第二预设时长阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为缓行;
若所述参考车辆的停车次数大于所述第一预设次数阈值,所述参考车辆的平均速度小于所述第一预设平均速度阈值且大于第二预设平均速度阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为缓行;
若所述参考车辆的停车次数大于第二预设次数阈值,所述参考车辆的通过时间长度大于所述第二预设时长阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为拥堵;所述第二预设次数阈值大于第一预设次数阈值;或者
若所述参考车辆的停车次数大于所述第二预设次数阈值,所述参考车辆的平均速度小于所述第二预设平均速度阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为拥堵。
18.一种交通灯场景的路况识别装置,包括:
采集模块,用于采集当前时刻之前连续的多个时间窗口中各时间窗口内、指定转向上通过交通灯的车辆的行驶信息;
获取模块,用于基于所述指定转向上、各所述时间窗口内通过所述交通灯的车辆行驶信息,获取所述指定转向上各所述时间窗口的车辆行驶特征;
预测模块,用于基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况;
识别模块,用于基于所述当前时刻、所述指定转向上所述交通灯的影响道路的路况以及所述影响道路对应的路段标识,识别所述当前时刻、所述指定转向上各所述路段标识对应的路况。
19.根据权利要求18所述的装置,其中,所述采集模块,用于:
采集所述当前时刻之前各所述时间窗口内、所述指定转向上通过所述交通灯的所有车辆中各所述车辆的停车次数、通过时间长度、以及平均速度中至少一个;
其中,所述车辆的停车次数指的是所述车辆从进入所述影响道路到通过所述交通灯的停车次数;通过时间长度指的是所述车辆从进入所述影响道路到通过所述交通灯所消耗的时间长度;所述平均速度指的是所述车辆从进入所述影响道路到通过所述交通灯的平均速度。
20.根据权利要求19所述的装置,其中,所述获取模块,用于执行如下至少一种操作:
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的停车次数,获取所述指定转向上各所述时间窗口的停车次数均值;
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的通过时间长度,获取所述指定转向上各所述时间窗口的通过时间长度均值;和
基于所述指定转向上、各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的平均速度,获取所述指定转向上各所述时间窗口的平均速度均值。
21.根据权利要求18所述的装置,其中,所述预测模块,用于:
采用预先训练的路况预测模型,基于所述指定转向上、所述多个时间窗口中各所述时间窗口的车辆行驶特征,预测所述当前时刻、所述指定转向上所述交通灯的影响道路的路况。
22.根据权利要求18-21任一所述的装置,其中,所述识别模块,用于:
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为拥堵,确定所述当前时刻、所述指定转向上所述影响道路包括的各路段的所述路段标识对应的路况为拥堵;
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为畅通,确定所述当前时刻、所述指定转向上所述影响道路包括的各路段的所述路段标识对应的路况为畅通;
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为缓行,基于所述影响道路的影响长度、所述影响道路对应的路段标识以及预设长度比例,确定所述当前时刻、所述指定转向上各所述路段标识对应的路况。
23.根据权利要求22所述的装置,其中,所述识别模块,用于:
基于所述影响长度和所述预设长度比例,获取参考长度;
若所述路段标识对应的路段,包括在所述交通灯之前的所述参考长度范围内的道路上,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为缓行;
若所述路段标识对应的路段,未包括在所述交通灯之前的所述参考长度范围内的道路上,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为畅通。
24.根据权利要求23所述的装置,其中,所述识别模块,还用于:
若所述路段标识对应的路段中仅第一部分路段包括在所述交通灯之前的所述参考长度范围内的道路上,获取所述第一部分路段的长度与所述路段标识对应的路段的长度的第一比例;
若所述第一比例大于或者等于第一预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为缓行;
若所述第一比例小于所述第一预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为畅通。
25.根据权利要求22所述的装置,其中,所述识别模块,还用于:
若所述当前时刻、所述指定转向上所述交通灯的影响道路的路况为拥堵,所述路段标识对应的路段中仅第二部分路段包括在所述影响道路中,获取所述第二部分路段的长度与所述路段标识对应的路段的长度的第二比例;
若所述第二比例大于或者等于第二预设比例阈值,确定所述当前时刻、所述指定转向上所述路段标识对应的路况为拥堵;
若所述第二比例小于所述第二预设比例阈值,基于所述路段标识对应的路段中所述第二部分路段之外的其他路段的路况,确定所述路段标识对应的路况。
26.根据权利要求18-21和23-25中任一所述的装置,其中,所述装置还包括:
分析模块,用于基于行驶信息数据库,分析车辆通过所述交通灯排队的最长距离对应的道路,作为所述交通灯的所述影响道路。
27.一种路况预测模型的训练装置,包括:
采集模块,用于从历史行驶信息数据库中,采集多个训练时刻中各训练时刻之前连续的多个时间窗口中各时间窗口内、各个转向上通过交通灯的车辆的行驶信息;
特征获取模块,用于基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的车辆行驶信息,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征;
路况获取模块,用于基于所述行驶信息数据库,获取各所述转向上、各所述训练时刻所述交通灯的影响道路的真实路况;
训练模块,用于基于各所述转向上、各所述训练时刻之前的各所述时间窗口的车辆行驶特征、以及各所述转向上、各所述训练时刻的所述影响道路的真实路况,对路况预测模型进行训练。
28.根据权利要求27所述的装置,其中,所述采集模块,用于:
从所述行驶信息数据库中,采集各所述训练时刻之前的各所述时间窗口内、各个所述转向上通过所述交通灯的所有车辆中各所述车辆的停车次数、通过时间长度、以及平均速度中至少一个;
其中,所述车辆的停车次数指的是所述车辆从进入所述影响道路到通过所述交通灯的停车次数;通过时间长度指的是所述车辆从进入所述影响道路到通过所述交通灯所消耗的时间长度;所述平均速度指的是所述车辆从进入所述影响道路到通过所述交通灯的平均速度。
29.根据权利要求28所述的装置,其中,所述特征获取模块,用于执行如下至少一种操作:
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的停车次数,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的停车次数均值;
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的通过时间长度,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的通过时间长度均值;和
基于各所述转向上、各所述训练时刻之前的各所述时间窗口内通过所述交通灯的所有车辆中各所述车辆的平均速度,获取各所述转向上、各所述训练时刻之前的各所述时间窗口的平均速度均值。
30.根据权利要求27所述的装置,其中,所述路况获取模块,用于:
从所述行驶信息数据库中,获取各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息;
基于各所述转向上、各所述训练时刻对应的多个参考车辆的历史行驶信息,确定各所述转向上、各所述训练时刻所述影响道路的真实路况。
31.根据权利要求30所述的装置,其中,所述路况获取模块,用于:
从所述行驶信息数据库中,获取各所述训练时刻、各所述转向上通过所述交通灯的多个参考车辆的历史行驶信息;和/或
从所述行驶信息数据库中,获取各所述训练时刻在所述影响道路内、并在对应的所述训练时刻之后经由各所述转向通过所述交通灯的多个参考车辆的行驶信息。
32.根据权利要求30或者31所述的装置,其中,所述路况获取模块,用于:
对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述转向上、对应的所述训练时刻的所述影响道路的预测路况;
基于所述多个参考车辆对应的多个所述预测路况,获取对应的所述转向上、对应的所述训练时刻所述影响道路的真实路况。
33.根据权利要去32所述的装置,其中,所述路况获取模块,用于:
对于各所述转向上的各所述训练时刻对应的各所述参考车辆,基于对应的所述参考车辆的历史行驶信息,获取对应的所述参考车辆的车辆行驶特征;
基于各所述参考车辆的车辆行驶特征以及预设的路况确定策略,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况。
34.根据权利要求33所述的装置,其中,所述路况获取模块,用于:
对于各所述参考车辆,若所述参考车辆的停车次数小于等于第一预设次数阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于或者等于所述第一预设次数阈值且小于第二预设次数阈值,但是所述参考车辆的通过时间长度小于第一预设时长阈值,确定所述对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于或者等于所述第一预设次数阈值且小于第二预设次数阈值,所述参考车辆的平均速度大于或者等于第一预设平均速度阈值,确定所述对应的所述转向上、所述训练时刻所述影响道路的预测路况为畅通;
若所述参考车辆的停车次数大于所述第一预设次数阈值,所述参考车辆的通过时间长度大于或者等于所述第一预设时长阈值且小于第二预设时长阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为缓行;
若所述参考车辆的停车次数大于所述第一预设次数阈值,所述参考车辆的平均速度小于所述第一预设平均速度阈值且大于第二预设平均速度阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为缓行;
若所述参考车辆的停车次数大于第二预设次数阈值,所述参考车辆的通过时间长度大于所述第二预设时长阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为拥堵;所述第二预设次数阈值大于第一预设次数阈值;或者
若所述参考车辆的停车次数大于所述第二预设次数阈值,所述参考车辆的平均速度小于所述第二预设平均速度阈值,确定对应的所述转向上、所述训练时刻所述影响道路的预测路况为拥堵。
35.一种电子设备,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1-9或者10-17中任一项所述的方法。
36.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9或者10-17中任一项所述的方法。
37.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-9或者10-17中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583103.6A CN116189417A (zh) | 2022-12-09 | 2022-12-09 | 交通灯场景的路况识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211583103.6A CN116189417A (zh) | 2022-12-09 | 2022-12-09 | 交通灯场景的路况识别方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116189417A true CN116189417A (zh) | 2023-05-30 |
Family
ID=86445104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211583103.6A Pending CN116189417A (zh) | 2022-12-09 | 2022-12-09 | 交通灯场景的路况识别方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116189417A (zh) |
-
2022
- 2022-12-09 CN CN202211583103.6A patent/CN116189417A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210302585A1 (en) | Smart navigation method and system based on topological map | |
US10642268B2 (en) | Method and apparatus for generating automatic driving strategy | |
US20190179312A1 (en) | Method and Apparatus for Generating Information | |
CN112634611B (zh) | 用于识别路况的方法、装置、设备以及存储介质 | |
JP7292355B2 (ja) | 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品 | |
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 | |
CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
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 | |
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 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN115973190A (zh) | 自动驾驶车辆的决策方法、装置和电子设备 | |
CN114582125B (zh) | 道路通行方向的识别的方法、装置、设备及存储介质 | |
CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
CN113850297B (zh) | 道路数据的监测方法、装置、电子设备及存储介质 | |
CN116189417A (zh) | 交通灯场景的路况识别方法、装置、电子设备及存储介质 | |
CN114973656A (zh) | 交通交互性能的评估方法、装置、设备、介质和产品 | |
CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
CN112907949B (zh) | 交通异常的检测方法、模型的训练方法及装置 | |
CN113947897B (zh) | 获取道路交通状况的方法、装置、设备及自动驾驶车辆 | |
CN114419876B (zh) | 道路饱和度评价方法、装置、电子设备及存储介质 | |
CN114419896B (zh) | 基于数字孪生的交通信号灯控制方法、装置、设备及介质 | |
CN114093170B (zh) | 一种信号机控制方案的生成方法、系统、装置及电子设备 | |
CN114898576B (zh) | 交通控制信号的生成方法、目标网络模型的训练方法 |
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 |