CN116443032A - 一种未来长时车速预测方法、系统、设备和存储介质 - Google Patents
一种未来长时车速预测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN116443032A CN116443032A CN202310576058.XA CN202310576058A CN116443032A CN 116443032 A CN116443032 A CN 116443032A CN 202310576058 A CN202310576058 A CN 202310576058A CN 116443032 A CN116443032 A CN 116443032A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- vehicle speed
- driving
- future
- 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 51
- 230000007774 longterm Effects 0.000 title claims abstract description 22
- 230000003068 static effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种未来长时车速预测方法,包括如下步骤:建立历史数据库,将包括本车在内的同类型车辆的历史行驶数据录入数据库以形成用于车速预测的历史数据库;预测车速,将本车的实时行驶数据与所述历史行驶数据匹配并计算以预测本车的未来车速,还公开了一种长时间车速预测系统,一种电子设备,一种非暂态计算机可读存储介质。本发明具有正确性、有效性和适用性的优点,能提前预测车辆未来旅途的全局车速,为车辆智能化、智慧交通等方面提供支撑。
Description
技术领域
本发明涉及智能驾驶技术领域,特别涉及一种未来长时车速预测方法、系统、设备和存储介质。
背景技术
随着汽车工业和人工智能技术的快速发展,汽车高度智能化成为新的发展趋势。在汽车智能化发展过程中,车速预测的相关解决方案尤为重要。
车速预测可分为短时预测和长时预测,短时车速预测大多通过一些数据驱动模型来预测未来几秒内的车速。长时车速预测则是预测未来较长时间内的车速。
长时车速预测对于未来智慧交通、车辆长旅途全局规划等方面十分关键。影响车辆未来行驶车速的因素很多,比如驾驶风格、道路类型、道路拥堵情况等,因此如何预测车辆在未来很长一段驾驶过程中的车速一直是本领域内的技术难点。
发明内容
为了解决上述问题,本发明的目的之一是提供一种未来长时车速预测方法,其技术方案如下:
一种未来长时车速预测方法,包括:
建立历史数据库,将包括本车在内的同类型车辆的历史行驶数据录入数据库以形成用于车速预测的历史数据库;
预测车速,将本车的实时行驶数据与所述历史行驶数据匹配并计算以预测本车的未来车速。
在一些优选的实施方式中,所述历史行驶数据和实时行驶数据均包括驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据,所述驾驶风格数据通过驾驶风格模型产生;
在一些优选的实施方式中,所述建立历史数据库包括:将车辆的VIN码、行驶里程数据、地理定位数据和车速数据存储在历史数据库中。
在一些优选的实施方式中,所述行驶里程数据为实时采集的里程数据。
在一些优选的实施方式中,所述建立历史数据库包括:在车辆每个驾驶循环结束后,生成对应的驾循识别信息,并存储到历史数据库中。
在一些优选的实施方式中,所述建立历史数据库包括:在车辆每个驾驶循环结束后,通过驾驶风格模型得到相应驾驶循环的驾驶风格数据标签,并存储到历史数据库中。
在一些优选的实施方式中,所述建立历史数据库包括:每个驾驶循环中所采用导航信息的路况交通数据为第一路况交通数据,将该第一路况交通数据存储到历史数据库中,且所述第一路况交通数据包括相应的第一拥堵等级数据,第一路名数据和首末位置的第一地理定位数据。
在一些优选的实施方式中,所述预测车速包括:将本车行驶n分钟内的实时数据输入驾驶风格模型,以获取当前驾驶的驾驶风格数据。
在一些优选的实施方式中,所述预测车速包括:获取本车行驶中所采用导航的路线数据和路况交通数据,且该路况交通数据为第二路况交通数据,所述第二路况交通数据包括第二拥堵等级数据,第二路名数据和首末位置的第二地理定位数据。
在一些优选的实施方式中,所述预测车速包括:根据所述路线数据和第二地理定位数据搜索历史行驶数据库中的第一地理定位数据,并进行地理位置信息匹配;
匹配当前驾驶和历史行驶数据中的驾驶风格数据;
匹配第一拥堵数据和第二拥堵数据;
以上均匹配成功,则获取历史行驶数据中所有匹配成功数据对应的车速数据和里程数据;
里程数据对每一个地理空间上的所有车速数据做平均,并返回每m米一个预测车速数据,即为预测车速。
在一些优选的实施方式中,所述地理位置信息匹配时通过数据修正以提高匹配中的位置精度。
在一些优选的实施方式中,所述第一地理定位数据和第二地理定位数据为卫星定位数据或/和陆基定位数据。
本发明的目的之二是提供一种长时间车速预测系统,包括:
数据获取模块,用于获取车辆行进中的驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据;
存储模块,用于存储车辆的驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据;
计算模块,用于匹配数据并根据匹配结果预测未来车速。
所述数据获取模块连接到所述存储模块,所述存储模块连接到所述计算模块。
本发明的目的之三是提供一种电子设备,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命令,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所述的未来长时车速预测方法。
本发明的目的之四是提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行所述的未来长时车速预测方法。
有益效果:本发明在车辆形成的场景中,基于各车辆行驶数据,驾驶风格数据、路线数据和路况交通数据进行了车辆未来车速预测,基于数据的即时性,在导航路况更新时,所预测的未来车速也及时更新;本发明的历史数据是同类型车的所有行驶数据,因此在当前车辆没有行驶过的路线情形下,也能通过驾驶风格匹配后获得相似的预测车速序列;本发明是在同一段路上去进一步进行交通拥堵等级匹配的,因此不用考虑道路等级、道路类型、道路限速等因素对车速的影响;与大多数只依赖于历史数据,或只依赖于导航信息的传统车速预测方法相比,本发明具有正确性、有效性和适用性的优点,能提前预测车辆未来旅途的全局车速,为车辆智能化、智慧交通等方面提供支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1是本发明方法的步骤框图。
图2是本发明方法的一子步骤框图。
图3是本发明方法的一子步骤框图。
图4是本发明系统的结构示意图。
图5是本发明电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,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所有其他实施例,都属于本发明保护的范围。
需要说明,若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
车与云平台间的通信是指车辆通过卫星无线通信或移动蜂窝等无线通信技术实现与车联网服务平台的信息传输,接受平台下达的控制指令,实时共享车辆数据。
车内设备间的通信是指车辆内部各设备间的信息数据传输,用于对设备状态的实时监测与运行控制,建立数字化的车内控制系统。
参考图4所示,一种长时间车速预测系统,包括有数据获取模块100、存储模块200和计算模块300。
数据获取模块100用于获取车辆的驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据。
数据获取模块100是具有数据获取和识别能力的软件模块。
驾驶风格数据来自于驾驶风格模型输出。车辆静态数据包括有车辆的VIN码等关于车辆的配置和参数数据等。车辆动态数据包括车辆的车速、即时行驶里程和polyline点数据等。路线数据为一个驾驶循环中所采用的行驶路线数据,为具体的道路数据。路况交通数据为一个驾驶循环中包括交通拥堵情况数据,红绿灯数据和事故数据等。
以上路线数据和路况交通数据来自于地图导航。
存储模块200用于存储车辆的驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据。
计算模块300,用于将过去所采集的用于车速预测的数据和本车实时行驶相关数据进行匹配,并根据匹配结果计算未来车速。计算模块300包括实现数据计算的软件模块和运行该软件模块的处理器。
基于以上软件和硬件环境,参考图1,本发明公开一种未来长时车速预测方法,包括以下步骤:
S100、建立历史数据库,将包括本车在内的同类型车辆的历史行驶数据录入数据库以形成用于车速预测的历史数据库。
本步骤中,通过获取之前多个车辆的历史行驶数据,形成大数据,并将该大数据录入数据库进而形成为用于车速预测的历史数据库。该历史数据库作为后续对本车未来车速进行预测的数据基础。
S200、预测车速,将本车的实时行驶数据与所述历史行驶数据匹配并计算以预测本车的未来车速。
本步骤中,通过将行驶中本车的实时行驶数据与历史行驶数据进行匹配和计算,进而实现本车的未来车速预测。
以上两个步骤中所述的历史行驶数据和实时行驶数据均包括驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据。
其中,驾驶风格数据来自于驾驶风格模型输出,且所采用的驾驶风格模型为现有驾驶风格算法中的任意一种,但在本方案中采用统一的驾驶风格算法。
在具体实施时,参考图2,S100包括如下子步骤。
S101、将车辆的VIN码、行驶里程数据、地理定位数据和车速数据存储在历史数据库中。
本步骤中将车辆的部分车辆静态数据和车辆动态数据,以及车辆行驶中的部分路线数据存储到历史数据库中。VIN码为车辆的唯一识别码。行驶里程数据可以有多种数据采样方式,例如一个驾驶循环的总里程数据,或者实时行程累计产生的行驶里程数据,又或者定时采样产生的行驶里程数据。
本步骤中,地理定位数据在一些优选的实施方式中为卫星定位数据或/和陆基定位数据。
S102、在车辆每个驾驶循环结束后,生成对应的驾循识别信息,并存储到历史数据库中。
将一个驾驶循环作为数据的归纳标准,在后续的数据获取和比对中也是以一个驾驶循环作为标准,因此在本步骤中对每个驾驶循环结束后生成用于识别驾驶循环的驾循识别信息(驾驶循环ID)。
S103、在车辆每个驾驶循环结束后,通过驾驶风格模型得到相应驾驶循环的驾驶风格数据标签,并存储到历史数据库中。
同样基于对驾驶风格数据的归纳为以一个驾驶循环作为数据的归纳标准。因此,通过驾驶风格模型得到相应驾驶循环的驾驶风格数据,并将驾驶风格数据打上标签,以便于后续读取。
S104、每个驾驶循环中所采用导航信息的路况交通数据为第一路况交通数据,将该第一路况交通数据存储到历史数据库中,且所述第一路况交通数据包括相应的第一拥堵等级数据,第一路名数据和首末位置的第一地理定位数据。
本步骤中,提取之前车辆的每个驾驶循环中所使用的导航信息作为道路和路况数据基础,具体地,包括有涉及到路况的拥堵等级数据、路名数据和地理定位数据,为了区分,并将其定义为第一拥堵等级数据,第一路名数据和第一地理定位数据。
参考图3所示,S200包括如下子步骤。
S201、将本车行驶n分钟内的实时数据输入驾驶风格模型,以获取当前驾驶的驾驶风格数据。
本步骤中获取本车行驶的驾驶风格数据,即通过将本车行驶n分钟内的实时数据输入到驾驶风格模型中处理,再输出即当前的驾驶风格数据。
在具体实时时n值可以根据实际设定,例如5、8、13、20……
S202、获取本车行驶中所采用导航的路线数据和路况交通数据,且该路况交通数据为第二路况交通数据,所述第二路况交通数据包括第二拥堵等级数据,第二路名数据和首末位置的第二地理定位数据。
本步骤中获取本车行驶中实时的路线数据和路况交通数据,即某个具体的行驶路线中的实时交通路况,依据后续的匹配需求,所涉及的路况交通数据包括拥堵等级数据、路名数据和地理定位数据,为了区分定义为第二拥堵等级数据、第二路名数据和第二地理定位数据。
其中所涉及的地理定位数据同样可以是卫星定位数据或/和陆基定位数据。
S203、根据所述路线数据和第二地理定位数据搜索历史行驶数据库中的第一地理定位数据,并进行地理位置信息匹配;匹配当前驾驶和历史行驶数据中的驾驶风格数据;匹配第一拥堵数据和第二拥堵数据;以上均匹配成功,则获取历史行驶数据中所有匹配成功数据对应的车速数据和里程数据;里程数据对每一个地理空间上的所有车速数据做平均,并返回每m米一个预测车速数据,即为预测车速。
本步骤中,将本车行驶过程中的地理定位数据、驾驶风格数据和拥堵数据和历史数据库中相应的数据进行匹配,在均匹配成功的基础上就获取历史数据库中所有满足匹配成功条件驾驶循环的车速数据和里程数据,其中里程数据为实时累计的里程数据。本车在行进过程中,对自身地理位置周围空间的所有车速数据做平均处理,得到平均值,且每m米产生的一个车速数据即为预测车速。
在具体实施时,m的值可以根据现实情况确定,例如50、100、120、150、200……
进一步地,为了不用考虑道路等级、道路类型、道路限速等因素对车速的影响,在具体实施时,在完成地理位置信息匹配的基础上,再进行驾驶风格数据匹配,然后再进行拥堵数据匹配。
进一步地,在做地理位置信息匹配时通过数据修正以提高匹配中的位置精度。例如通过卫星定位数据进行地理位置信息匹配时,考虑到数据上传误差,则将相应的修正参数加入实际地理位置数据即可。具体地,修正参数为通过换算为地理距离150米或200米等。
进一步地,在一些优选的实施方式中,通过路线中第一路名数据和第二路名数据进行匹配来取代地理定位数据的匹配,或者通过地图数据中的polyline点数据匹配来取代地理定位数据的匹配。
本发明基于车辆行驶过程中导航返回的道路拥堵信息分析未来行驶道路上的路况,并结合本车和同类型车辆在同一条道路上行驶的历史实际车速信息,对当前车辆驾驶风格和历史车辆驾驶风格进行匹配,筛选出和当前车辆驾驶风格一致的同类型车辆的历史行驶数据,进一步对当前道路拥堵等级和历史数据中同段路的拥堵等级进行匹配,匹配成功的历史同段路的车速信息用来表示当前车辆未来同段路的预测车速。
通过遍历导航给的整个驾驶循环不同段的路况信息,用以上车速匹配方法便能得到车辆未来在整个驾驶循环的预测车速。
随着导航路况信息的更新,预测的车速也能随之更新。
因为本发明的历史数据是同类型车的所有行驶数据,因此在当前车辆没有行驶过的路线情形下,也能通过驾驶风格匹配后获得相似的预测车速序列。
再者,因为本发明是在同一段路上去进一步进行交通拥堵等级匹配的,因此不用考虑道路等级、道路类型、道路限速等因素对车速的影响。
与大多数只依赖于历史数据,或只依赖于导航信息的传统车速预测方法相比,本发明具有正确性、有效性和适用性,能提前预测车辆未来旅途的全局车速,为车辆智能化、智慧交通等方面提供支撑。
参考图5所示,本发明实施例还提供了一种电子设备400,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
该存储器存储有可被所述至少一个处理器执行的命令,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上述未来长时车速预测方法。
本发明实施例还提供了一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行上述未来长时车速预测方法。
如图5所示,其示出了适于用来实现本申请实施例的电子设备400的结构示意图。本申请实施例中的电子设备400可以包括但不限于诸如笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、服务器、PMP(便携式多媒体播放器)等等的移动电子设备以及诸如数字TV、台式计算机等等的固定电子设备。图5示出的电子设备400仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置404;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
上述长时间车速预测系统搭载于上述电子设备400上,其中存储模块200视为存储装置408,计算模块300可以视为处理装置401,数据获取模块100为软件功能模块,存储于存储装置408中,并通过处理装置401实现运行。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (15)
1.一种未来长时车速预测方法,其特征在于包括:
建立历史数据库,将包括本车在内的同类型车辆的历史行驶数据录入数据库以形成用于车速预测的历史数据库;
预测车速,将本车的实时行驶数据与所述历史行驶数据匹配并计算以预测本车的未来车速。
2.如权利要求1所述的未来长时车速预测方法,其特征在于,所述历史行驶数据和实时行驶数据均包括驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据,所述驾驶风格数据通过驾驶风格模型产生。
3.如权利要求2所述的未来长时车速预测方法,其特征在于,所述建立历史数据库包括:将车辆的VIN码、行驶里程数据、地理定位数据和车速数据存储在历史数据库中。
4.如权利要求3所述的未来长时车速预测方法,其特征在于,所述行驶里程数据为实时采集的里程数据。
5.如权利要求3所述的未来长时车速预测方法,其特征在于,所述建立历史数据库包括:在车辆每个驾驶循环结束后,生成对应的驾循识别信息,并存储到历史数据库中。
6.如权利要求5所述的未来长时车速预测方法,其特征在于,所述建立历史数据库包括:在车辆每个驾驶循环结束后,通过驾驶风格模型得到相应驾驶循环的驾驶风格数据标签,并存储到历史数据库中。
7.如权利要求6所述的未来长时车速预测方法,其特征在于,所述建立历史数据库包括:每个驾驶循环中所采用导航信息的路况交通数据为第一路况交通数据,将该第一路况交通数据存储到历史数据库中,且所述第一路况交通数据包括相应的第一拥堵等级数据,第一路名数据和首末位置的第一地理定位数据。
8.如权利要求7所述的未来长时车速预测方法,其特征在于,所述预测车速包括:将本车行驶n分钟内的实时数据输入驾驶风格模型,以获取当前驾驶的驾驶风格数据。
9.如权利要求8所述的未来长时车速预测方法,其特征在于,所述预测车速包括:获取本车行驶中所采用导航的路线数据和路况交通数据,且该路况交通数据为第二路况交通数据,所述第二路况交通数据包括第二拥堵等级数据,第二路名数据和首末位置的第二地理定位数据。
10.如权利要求9所述的未来长时车速预测方法,其特征在于,所述预测车速包括:根据所述路线数据和第二地理定位数据搜索历史行驶数据库中的第一地理定位数据,并进行地理位置信息匹配;
匹配当前驾驶和历史行驶数据中的驾驶风格数据;
匹配第一拥堵数据和第二拥堵数据;
以上均匹配成功,则获取历史行驶数据中所有匹配成功数据对应的车速数据和里程数据;
里程数据对每一个地理空间上的所有车速数据做平均,并返回每m米一个预测车速数据,即为预测车速。
11.如权利要求10所述的未来长时车速预测方法,其特征在于,所述预测车速包括:所述地理位置信息匹配时通过数据修正以提高匹配中的位置精度。
12.如权利要求11所述的未来长时车速预测方法,其特征在于,所述第一地理定位数据和第二地理定位数据为卫星定位数据或/和陆基定位数据。
13.一种长时间车速预测系统,其特征在于,包括:
数据获取模块,用于获取车辆行进中的驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据;
存储模块,用于存储车辆的驾驶风格数据、车辆静态数据、车辆动态数据、路线数据和路况交通数据;
计算模块,用于匹配数据并根据匹配结果预测未来车速;
所述数据获取模块连接到所述存储模块,所述存储模块连接到所述计算模块。
14.一种电子设备,其特征在于,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命令,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所述权利要求1-12中任意一项所述的未来长时车速预测方法。
15.一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令用于使该计算机执行所述权利要求1-12中任意一项所述的未来长时车速预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310576058.XA CN116443032A (zh) | 2023-05-22 | 2023-05-22 | 一种未来长时车速预测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310576058.XA CN116443032A (zh) | 2023-05-22 | 2023-05-22 | 一种未来长时车速预测方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116443032A true CN116443032A (zh) | 2023-07-18 |
Family
ID=87135793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310576058.XA Pending CN116443032A (zh) | 2023-05-22 | 2023-05-22 | 一种未来长时车速预测方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116443032A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117325875A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
-
2023
- 2023-05-22 CN CN202310576058.XA patent/CN116443032A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117325875A (zh) * | 2023-12-01 | 2024-01-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
CN117325875B (zh) * | 2023-12-01 | 2024-02-02 | 北京航空航天大学 | 一种基于个性驾驶特征的车辆长时速度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109215372B (zh) | 路网信息更新方法、装置及设备 | |
US10551199B2 (en) | Utilizing artificial neural networks to evaluate routes based on generated route tiles | |
CN108955713B (zh) | 行驶轨迹的显示方法及装置 | |
US10036639B1 (en) | Systems and methods for determining and displaying a route using information determined from a vehicle, user feedback, and a mobile electronic device | |
CN109543909B (zh) | 车辆案件数量的预测方法、装置和计算机设备 | |
CN112732857B (zh) | 路网处理方法、装置、电子设备以及存储介质 | |
CN104584094B (zh) | 位置估计方法及系统 | |
CN110689804B (zh) | 用于输出信息的方法和装置 | |
CN110110029B (zh) | 用于匹配车道的方法和装置 | |
CN107883974B (zh) | 导航路径的规划方法、导航服务器及计算机可读介质 | |
US20140136453A1 (en) | Statistical estimation of origin and destination points of trip using plurality of types of data sources | |
CN114212110B (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN113587944B (zh) | 准实时的车辆行驶路线生成方法、系统及设备 | |
JP5990018B2 (ja) | ナビゲーション装置、情報提供方法及びプログラム | |
CN113808400A (zh) | 车流迁徙情况的展示方法、装置、设备及介质 | |
CN116443032A (zh) | 一种未来长时车速预测方法、系统、设备和存储介质 | |
Abdelrahman et al. | Crowdsensing-based personalized dynamic route planning for smart vehicles | |
CN111091215A (zh) | 车辆识别方法、装置、计算机设备和存储介质 | |
US11770685B2 (en) | Systems for predicting and classifying location data based on machine learning | |
CN110542425B (zh) | 导航路径选择方法、导航装置、计算机设备及可读介质 | |
CN112616118B (zh) | 一种车辆所经过的etc门架确定方法、装置及存储介质 | |
US20220219699A1 (en) | On-board apparatus, driving assistance method, and driving assistance system | |
CN116088538B (zh) | 车辆轨迹信息生成方法、装置、设备和计算机可读介质 | |
JP2018180907A (ja) | 交通予測プログラム、交通予測装置、及び交通予測方法 | |
CN110389577B (zh) | 一种确定驾驶风格的方法及装置 |
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 |