CN116704765A - 路况预测方法、装置及可读存储介质 - Google Patents
路况预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN116704765A CN116704765A CN202310701702.1A CN202310701702A CN116704765A CN 116704765 A CN116704765 A CN 116704765A CN 202310701702 A CN202310701702 A CN 202310701702A CN 116704765 A CN116704765 A CN 116704765A
- Authority
- CN
- China
- Prior art keywords
- vehicles
- vehicle
- road
- aggregation
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 230000002776 aggregation Effects 0.000 claims description 222
- 238000004220 aggregation Methods 0.000 claims description 222
- 238000013507 mapping Methods 0.000 claims description 20
- 230000000875 corresponding effect Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 20
- 238000013461 design Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- PHIQHXFUZVPYII-UHFFFAOYSA-N carnitine Chemical compound C[N+](C)(C)CC(O)CC([O-])=O PHIQHXFUZVPYII-UHFFFAOYSA-N 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路况预测方法、装置及可读存储介质,涉及道路安全技术领域,用于提高预测路况状态的准确率。该方法包括:获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况;多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆;根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数,车辆动态参数用于表征目标路段的拥堵情况;根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。
Description
技术领域
本申请实施例涉及道路安全技术领域,尤其涉及一种路况预测方法、装置及可读存储介质。
背景技术
一般来说,为了方便出行,用户会在终端中安装各种导航应用,这些导航应用大都具有实时路况的显示功能,以及对未来一段时间内路况的预测功能,可以更加合理地为用户安排出行路线,提高用户的出行效率。
目前,在使用上述路况的预测功能时,导航应用通常基于车辆的全球定位系统(global positioning system,gps)获取路段中所有车辆的位置信息,并根据所有车辆的位置信息预测该路段在未来一段时间内的路况。但是,上述路况的预测功能仅使用位置信息进行预测,并未结合具体的路段场景,可能会导致预测到的路况准确率较低。
发明内容
本申请提供了一种路况预测方法、装置及可读存储介质,用于提高预测路况状态的准确率。
为达到上述目的,本申请采用如下技术方案:
第一方面,提供了一种路况预测方法,包括:获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况;多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆;根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数,车辆动态参数用于表征目标路段的拥堵情况;根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。
基于本申请提供的技术方案,可以在获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况之后,根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数。由于多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆,即可以反映车辆在目标路段的拥堵情况。进一步的,根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。如此,可以多元化的结合当前目标路段的拥堵情况、路段信息以及历史路况,去预测目标路段在目标时间段内的目标路况,提高了预测路况的准确率,进而可以更加合理地为用户安排出行路线,提高用户的出行效率。
可选的,车辆动态参数包括车辆种类占比;根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数包括:根据多种车辆中每种车辆的数量与多种车辆的数量的比值,确定车辆种类占比。
可选的,车辆动态参数包括路段聚集占比;根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数包括:根据多种车辆的速度和多种车辆的位置,确定多种车辆中的聚集车辆和聚集车辆的聚集次数,聚集车辆满足聚集条件,聚集条件包括:聚集车辆的速度小于第一预设速度,且与聚集车辆距离小于预设距离的相邻车辆的速度小于第二预设速度;根据聚集车辆的位置确定每种车辆在目标路段的不同子路段中,聚集车辆的数量与每种车辆的数量的比值,确定路段聚集占比。
可选的,车辆动态参数包括聚集次数参数;聚集次数参数包括聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数包括:根据多种车辆的速度和多种车辆的位置,确定聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,并将聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数的至少一项确定为聚集次数参数。
可选的,根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况,包括:根据历史路况以及第一映射关系确定历史路况对应的历史拥堵值;第一映射关系包括不同路况和对应的拥堵值,历史拥堵值与历史路况表征的拥堵情况正相关;将路段信息、车辆动态参数和历史拥堵值,输入路况预测模型,得到目标路段的目标拥堵值,并基于目标拥堵值和第一映射关系确定目标路况。
可选的,该方法还包括:获取多组样本数据,多组样本数据包括样本路段的路段信息、样本路段在第一时间段内的样本车辆动态参数和样本路况以及在第二时间段内的样本路况;根据多组样本数据,对预设的决策树GBDT模型进行训练,得到路况预测模型。
第二方面,提供了一种路况预测装置,包括获取单元、确定单元、预测单元;
获取单元,用于获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况;多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆;确定单元,用于根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数,车辆动态参数用于表征目标路段的拥堵情况;预测单元,用于根据路段信息、车辆动态参数和历史路况,以及路况预测模型,预测目标路段在目标时间段内的目标路况。
可选的,车辆动态参数包括车辆种类占比;确定单元,具体用于:根据多种车辆中每种车辆的数量与多种车辆的数量的比值,确定车辆种类占比。
可选的,车辆动态参数包括路段聚集占比;确定单元,具体用于:根据多种车辆的速度和多种车辆的位置,确定多种车辆中的聚集车辆和聚集车辆的聚集次数,聚集车辆满足聚集条件,聚集条件包括:聚集车辆的速度小于第一预设速度,且与聚集车辆距离小于预设距离的相邻车辆的速度小于第二预设速度;根据聚集车辆的位置确定每种车辆在目标路段的不同子路段中,聚集车辆的数量与每种车辆的数量的比值,确定路段聚集占比。
可选的,车辆动态参数包括聚集次数参数;聚集次数参数包括聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,确定单元,具体用于:根据多种车辆的速度和多种车辆的位置,确定聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,并将聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数的至少一项确定为聚集次数参数。
可选的,预测单元,具体用于:根据历史路况以及第一映射关系确定历史路况对应的历史拥堵值;第一映射关系包括不同路况和对应的拥堵值,历史拥堵值与历史路况表征的拥堵情况正相关;将路段信息、车辆动态参数和历史拥堵值,输入路况预测模型,得到目标路段的目标拥堵值,并基于目标拥堵值和第一映射关系确定目标路况。
可选的,该装置还包括:训练单元;获取单元,还用于:获取多组样本数据,多组样本数据包括样本路段的路段信息、样本路段在第一时间段内的样本车辆动态参数和样本路况以及在第二时间段内的样本路况;训练单元,用于根据多组样本数据,对预设的决策树GBDT模型进行训练,得到路况预测模型。
第三方面,提供了一种路况预测装置,该路况预测装置可以实现上述各方面或者各可能的设计中路况预测装置所执行的功能,功能可以通过硬件实现,如:一种可能的设计中,该路况预测装置可以包括:处理器和通信接口,处理器可以用于支持路况预测装置实现上述第一方面或者第一方面的任一种可能的设计中所涉及的功能。
在又一种可能的设计中,路况预测装置还可以包括存储器,存储器用于保存路况预测装置必要的计算机执行指令和数据。当该路况预测装置运行时,该处理器执行该存储器存储的该计算机执行指令,以使该路况预测装置执行上述第一方面或者第一方面的任一种可能的路况预测方法。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质可以为可读的非易失性存储介质,该计算机可读存储介质存储有计算机指令或者程序,当其在计算机上运行时,使得计算机可以执行上述第一方面或者上述方面的任一种可能的路况预测方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机可以执行上述第一方面或者上述方面的任一种可能的设计的路况预测方法。
第六方面,提供了一种路况预测装置,该路况预测装置包括一个或者多个处理器以及和一个或多个存储器。一个或多个存储器与一个或多个处理器耦合,一个或多个存储器用于存储计算机程序代码,计算机程序代码包括计算机指令,当一个或多个处理器执行计算机指令时,使得路况预测装置执行如上述第一方面或者第一方面的任一可能的设计的路况预测方法。
第七方面,提供了一种芯片系统,该芯片系统包括处理器以及通信接口,该芯片系统可以用于实现上述第一方面或第一方面的任一可能的设计中路况预测装置所执行的功能。
在一种可能的设计中,芯片系统还包括存储器,存储器,用于保存程序指令和/或数据。该芯片系统可以由芯片构成,也可以包含芯片和其他分立器件,不予限制。
附图说明
图1为本申请实施例提供的一种路况预测系统的结构示意图;
图2为本申请实施例提供的一种路况预测装置的结构示意图;
图3为本申请实施例提供的一种路况预测方法的流程示意图;
图4为本申请实施例提供的又一种路况预测方法的流程示意图;
图5为本申请实施例提供的又一种路况预测方法的流程示意图;
图6为本申请实施例提供的又一种路况预测方法的流程示意图;
图7为本申请实施例提供的一种路况预测模型优化前后的准确率示意图;
图8为本申请实施例提供的一种使用路况预测模型预测的目标路况的示意图;
图9为本申请实施例提供的一种未使用路况预测模型预测的目标路况的示意图;
图10为本申请实施例提供的又一种路况预测装置的结构示意图。
具体实施方式
为了使本领域普通人员更好地理解本公开的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请实施例的一些方面相一致的装置和方法的例子。
还应当理解的是,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其他特征、整体、步骤、操作、元素和/或组件的存在或添加。
在介绍本申请实施例之前,对本申请内出现的名词进行介绍:
1、路段link:路段link:link是组成道路的最小的数字单元。一段道路通常由一个或者多个link组成。例如,长度为500m的A路段可以由3个link组成。每个link的长度可以相同,也可以不同。link的长度可以根据道路的实际情况进行设定。每个link拥有自身的唯一身份标识(Identity,ID),并且各个link具有对应link信息。例如,link信息还可以包括link的位置信息、长度等。link的位置信息可以包括多个经纬度。
一般来说,为了方便出行,用户会在终端中安装各种导航应用,这些导航应用大都具有实时路况的显示功能,以及对未来一段时间内路况的预测功能,可以更加合理地为用户安排出行路线,提高用户的出行效率。
目前,在使用上述路况的预测功能时,导航应用通常基于车辆的gps获取路段中所有车辆的位置信息,并根据所有车辆的位置信息预测该路段在未来一段时间内的路况。但是,上述路况的预测功能仅使用位置信息进行预测,并未结合具体的路段场景,可能会导致预测到的路况准确率较低。
鉴于此,本申请实施例提供一种路况预测方法,包括:获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况;多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆;根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数,车辆动态参数用于表征目标路段的拥堵情况;根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。
下面结合说明书附图对本申请实施例提供的方法进行详细说明。
需要说明的是,本申请实施例描述的网络系统是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络系统的演变和其他网络系统的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
图1示出的是本申请实施例提供的一种路况预测系统的结构示意图。如图1所示,该路况预测系统可以包括数据存储装置11、路况预测装置12。
其中,本申请的实施例中涉及的数据存储装置11,可以为路网数据库等,本申请的实施例对数据存储装置11所采用的具体技术、具体数量和具体设备形态不做限定。
其中,本申请的实施例中涉及的路况预测装置12,也可以称为服务器,计算机等。本申请的实施例对路况预测装置12所采用的具体技术、具体数量和具体设备形态不做限定。
其中,数据存储装置11可以用于存储目标路段的路段信息,以及目标路段在历史时间段内的车辆动态参数和历史路况,并将存储的目标路段的路段信息,以及目标路段在历史时间段内的车辆动态参数和历史路况反馈给路况预测装置12。路况预测装置12,用于接收数据存储装置11发送的目标路段的路段信息,以及目标路段在历史时间段内的车辆动态参数和历史路况,并根据目标路段的路段信息,以及目标路段在历史时间段内的车辆动态参数和历史路况,确定目标路段在目标时段内的路况状态。
在不同的应用场景中,数据存储装置11、路况预测装置12可以为相互独立的设备,也可以集成于同一设备中。本发明实施例对此不作具体限定。
需要说明的是,图1仅为示例性框架图,图1中包括的各个设备的名称不受限制,且除图1所示功能节点外,还可以包括其他节点,本申请实施例对此不进行限定。
具体实现时,图1中的各个设备均可以采用图2所示的组成结构,或者包括图2所示的部件。图2为本申请实施例提供的一种路况预测装置200的组成示意图,该路况预测装置200可以为服务器,或者,该路况预测装置200可以为服务器中的芯片或者片上系统。如图2所示,该路况预测装置200包括处理器201,通信接口202以及通信线路203。
进一步的,该路况预测装置200还可以包括存储器204。其中,处理器201,存储器204以及通信接口202之间可以通过通信线路203连接。
其中,处理器201是CPU、通用处理器、网络处理器(network processor,NP)、数字信号处理器(digital signal processing,DSP)、微处理器、微控制器、可编程逻辑器件(programmable logic device,PLD)或它们的任意组合。处理器201还可以是其它具有处理功能的装置,例如电路、器件或软件模块,不予限制。
通信接口202,用于与其他设备或其它通信网络进行通信。通信接口202可以是模块、电路、通信接口或者任何能够实现通信的装置。
通信线路203,用于在路况预测装置200所包括的各部件之间传送信息。
存储器204,用于存储指令。其中,指令可以是计算机程序。
其中,存储器204可以是只读存储器(read-only memory,ROM)或可存储静态信息和/或指令的其他类型的静态存储设备,也可以是随机存取存储器(random accessmemory,RAM)或可存储信息和/或指令的其他类型的动态存储设备,还可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或其他磁存储设备等,不予限制。
需要指出的是,存储器204可以独立于处理器201存在,也可以和处理器201集成在一起。存储器204可以用于存储指令或者程序代码或者一些数据等。存储器204可以位于路况预测装置200内,也可以位于路况预测装置200外,不予限制。处理器201,用于执行存储器204中存储的指令,以实现本申请下述实施例提供的路况预测方法。
在一种示例中,处理器201可以包括一个或多个CPU,例如,图2中的CPU0和CPU1。
作为一种可选的实现方式,路况预测装置200包括多个处理器,例如,除图2中的处理器201之外,还可以包括处理器205。
需要指出的是,图2中示出的组成结构并不构成对该图1中的各个设备的限定,除图2所示部件之外,图1在的各个设备可以包括比图2更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本申请实施例中,芯片系统可以由芯片构成,也可以包括芯片和其他分立器件。
此外,本申请的各实施例之间涉及的动作、术语等均可以相互参考,不予限制。本申请的实施例中各个设备之间交互的消息名称或消息中的参数名称等只是一个示例,具体实现中也可以采用其他的名称,不予限制。
为了便于清楚描述本申请实施例的技术方案,在本申请的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本申请中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,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的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
下面结合图1所示路况预测系统,对本申请实施例提供的路况预测方法进行描述。
图3为本申请实施例提供了一种路况预测方法,应用于服务器,也可以应用于路况预测装置,该路况预测装置可以为图1中的路况预测装置12,还可以为路况预测装置12中的器件,如芯片等。本申请实施例以应用于路况预测装置12为例进行说明,如图3所示,该方法包括下述S301-S303:
S301、获取目标路段的路段信息,多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况。
其中,多种车辆包括在历史时间段内驶离目标路段的车辆(也可以称为npass车辆),以及在历史时间段内未驶离所述目标路段的车辆。驶离目标路段的车辆可以为通过该路段对应的红绿灯的车辆。历史时间段内未驶离目标路段的车辆可以包括:在第一历史时间段内的车辆(也可以称为fast车辆)和在第二历史时间段内的车辆(也可以称为near车辆)。例如,在历史时间段为当前时刻的前5分钟的情况下,第一历史时间段内为当前时刻的前5分钟到前4分钟,第二历史时间段内为当前时刻的前3分钟。例如,当前时刻为8:00,历史时间段为7:55-7:59。第一历史时间段内为7:55-7:56,第二历史时间段内为7:57-7:59。
路段信息包括路段长度、车道数、路段宽度、时间标志中的至少一项,时间标志用于指示历史时间段所在的时间区间,时间区间包括高峰区间、非高峰区间。例如,如下表1所示,高峰区间可以包括早高峰区间和晚高峰区间,非高峰区间可以包括深夜区间和其他区间。
表1时间区间示意表
需要说明的,表1的数据仅为示例性的。本申请实施例中,时间区间的划分方式还可以包括其他方式,不予限制。
其中,目标路段可以为固定长度的路段。例如,可以为一个link,也可以为多个link组成的link组(也可以称为linkGroup),目标路段的场景可以为红绿灯前的路段。历史时间段可以为当前时刻之前的时间段。例如,可以为当前时刻的前5分钟。历史路况可以包括历史时间段内每分钟的路况,以及每分钟的路况的标准差。例如,在历史时间段为当前时刻的前5分钟的情况下,每分钟的路况的标准差(last5minStd)可以为status表示每分钟的路况的拥堵值。
作为一种可能的实现方式,可以通过软件定义的无线电(software definedradio,SDR)获取路段信息、车辆动态参数和历史路况。
S302、根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数。
其中,车辆动态参数用于表征目标路段的拥堵情况。车辆动态参数可以包括车辆种类占比、路段聚集占比、聚集次数参数。车辆种类占比为目标路段上的多种车辆中,每种车辆与多种车辆数量的比值。路段聚集占比为每种车辆在目标路段的不同子路段中,聚集车辆与每种车辆数量的比值;聚集次数参数用于指示每种车辆中,不同聚集次数的聚集车辆聚集的严重程度。
需要说明的,确定车辆种类占比、路段聚集占比、聚集次数参数的具体实现方式可以参考后续说明,不予赘述。
S303、根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。
其中,目标时间段可以根据需要设置。例如,可以为当前时刻之后的6分钟。路况预测模型具体可以根据需要设置。例如,可以为决策树(gradient boosting decision tree,GBDT)模型。
作为一种可能的实现方式,可以在获取到路段信息、车辆动态参数和历史路况之后,可以将路段信息、车辆动态参数和历史路况输入到路况预测模型,预测目标路段在目标时间段内的目标路况。
作为又一种可能的实现方式,在获取到路段信息、车辆动态参数和历史路况之后,可以将路段信息、车辆动态参数和历史路况进行编码处理、以及数据格式转换处理,并将处理后的路段信息、车辆动态参数和历史路况输入到路况预测模型,预测目标路段在目标时间段内的目标路况。
需要说明的,编码处理可以为独热(One-Hot)编码处理。格式转换后的数据可以为libsvm格式,还可以为其他格式,不予限制。
基于本申请提供的技术方案,可以在获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况之后,根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数。由于多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆,即可以反映车辆在目标路段的拥堵情况。进一步的,根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。如此,可以多元化的结合当前目标路段的拥堵情况、路段信息以及历史路况,去预测目标路段在目标时间段内的目标路况,提高了预测路况的准确率,进而可以更加合理地为用户安排出行路线,提高用户的出行效率。
一种可能的实施例,车辆动态参数包括车辆种类占比,为了确定车辆种类占比,本申请的路况预测方法可以具体包括下述S401。
S401、根据多种车辆中每种车辆的数量与多种车辆的数量的比值,确定车辆种类占比。
其中,历史拥堵值与历史路况表征的拥堵情况正相关。
作为一种可能的实现方式,可以按照随机序列,根据多种车辆中每种车辆的数量与多种车辆的数量的比值,确定车辆种类占比。
作为又一种可能的实现方式,可以按照预先设置序列,根据多种车辆中每种车辆的数量与多种车辆的数量的比值,确定车辆种类占比。
例如,多种车辆中包括上述npass车辆、fast车辆、near车辆的情况下,预先设置序列可以为npass车辆、fast车辆、near车辆。
每种车辆与多种车辆数量的比值可以包括:npass车辆/(npass车辆+fast车辆+near车辆)、fast车辆/(npass车辆+fast车辆+near车辆)、near车辆/(npass车辆+fast车辆+near车辆)。
一种可能的实施例,如图4所示,车辆动态参数包括路段聚集占比,为了确定路段聚集占比,本申请的路况预测方法具体还可以包括下述S501-S502。
S501、根据多种车辆的速度和多种车辆的位置,确定多种车辆中的聚集车辆和聚集车辆的聚集次数。
其中,聚集车辆满足聚集条件,聚集条件包括:聚集车辆的速度小于第一预设速度,且与聚集车辆距离小于预设距离的相邻车辆的速度小于第二预设速度。例如,第一预设速度可以为1,预设距离可以为20米,第二预设速度可以为5米/秒。
作为一种可能的实现方式,可以在确定第一车辆的速度小于第一预设速度,且距离第一车辆小于预设距离的相邻车辆的速度小于第二预设速度时,确定第一车辆为聚集车辆,并为第一车辆累计一次聚集次数,得到多种车辆中的聚集车辆和聚集车辆的聚集次数。
其中,第一车辆为多种车辆中的任一个。
作为又一种可能的实现方式,可以在确定第一车辆的速度等于第一预设速度,且距离第一车辆小于预设距离的相邻车辆的速度小于第二预设速度时,确定第一车辆为聚集车辆,
S502、根据聚集车辆的位置确定每种车辆在目标路段的不同子路段中,聚集车辆的数量与每种车辆的数量的比值,确定路段聚集占比。
其中,目标路段的不同子路段可以根据需要划分。例如,包括第一子目标路段、第二子目标路段、第三子目标路段、第四子目标路段、第五子目标路段。第一子目标路段可以为与目标路段的红绿灯距离80米内的路段,第二子目标路段可以为与目标路段的红绿灯距离160米内的路段,第三子目标路段可以为与目标路段的红绿灯距离240米内的路段,第四子目标路段可以为与目标路段的红绿灯距离300米内的路段,第五子目标路段可以为与目标路段的红绿灯距离300米以上的路段。
例如,在目标路段的不同子路段中,聚集车辆与每种车辆数量的比值可以为:
其中,i表示子路段标识。factorsi near表示near车辆在目标路段的第i子目标路段中的聚集车辆,carNumListi near表示第i子目标路段中的near车辆总数。factorsi fast表示fast车辆在目标路段的第i子目标路段中的聚集车辆,carNumListi fast表示第i子目标路段中的fast车辆总数。factorsi npass表示npass车辆在目标路段的第i子目标路段中的聚集车辆,carNumListi npass表示第i子目标路段中的npass车辆总数。
一种可能的实施例,车辆动态参数包括聚集次数参数;聚集次数参数包括聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项。为了确定聚集次数参数,本申请的路况预测方法具体还可以包括下述S601。
S601、根据多种车辆的速度和多种车辆的位置,确定聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,并将聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数的至少一项确定为聚集次数参数。
作为一种可能的实现方式,可以从聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的挑选大于预设数量的参数确定为聚集次数参数。例如,预设数量可以为3。
作为又一种可能的实现方式,可以确定聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数的置信度,并将聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的置信度大于置信度阈值的参数确定为聚集次数参数。例如,置信度阈值可以为0.9。
下面对聚集车辆占比、聚集时长参数、排队长度参数依次进行说明。
1、聚集车辆占比。
聚集车辆占比为每种车辆中,不同聚集次数的聚集车辆与每种车辆数量的比值。
其中,不同聚集次数可以根据需要划分。例如,可以包括聚集次数为0的车辆、聚集次数为1的车辆、聚集次数为2的车辆、聚集次数为3的车辆、聚集次数为大于的车辆。
例如,每种车辆中,不同聚集次数的聚集车辆与每种车辆数量的比值可以为:
其中,m表示聚集次数标识,m取值分别为0、1、2、3、>3。carnumm near表示near车辆中在目标路段的聚集次数为m的数量,numnear表示near车辆总数。carnumm fast表示fast车辆中目标路段的聚集次数为m的数量,numfast表示fast车辆总数。carnumm npass表示npass车辆中在目标路段的聚集次数为m的数量,numnpass表示npass车辆总数。
2、聚集时长参数。
聚集时长参数包括每种车辆中,不同聚集次数聚集车辆的聚集时长的均值、方差、最大值和最小值中的至少一项;聚集时长为满足聚集条件的时长。
需要说明的,聚集车辆的聚集时长为车辆满足聚集条件的时长。
例如,每种车辆中,不同聚集次数的聚集车辆的聚集时长的均值可以为:[Avg([waittime])m near、[Avg([waittime])m fast、[Avg([waittime])m npass。
其中,[Avg([waittime])m near为near车辆中,聚集次数为m次的聚集车辆的聚集时长的均值。[Avg([waittime])m fast为fast车辆中,聚集次数为m次的聚集车辆的聚集时长的均值。[Avg([waittime])m npass为npass车辆中,聚集次数为m次的聚集车辆的聚集时长的均值。
例如,每种车辆中,不同聚集次数的聚集车辆的聚集时长的方差可以为:[Variance([waittime])m near、[Variance([waittime])m fast、[Variance([waittime])m npass。
其中,[Variance([waittime])m near为near车辆中,聚集次数为m次的聚集车辆的聚集时长的方差。[Variance([waittime])m fast为fast车辆中,聚集次数为m次的聚集车辆的聚集时长的方差。[Variance([waittime])m npass为npass车辆中,聚集次数为m次的聚集车辆的聚集时长的方差。
例如,每种车辆中,不同聚集次数的聚集车辆的聚集时长的最大值可以为:[Max([waittime])m near、[Max([waittime])m fast、[Max([waittime])m npass。
其中,[Max([waittime])m near为near车辆中,聚集次数为m次的聚集车辆的聚集时长的最大值。[Max([waittime])m fast为fast车辆中,聚集次数为m次的聚集车辆的聚集时长的最大值。[Max([waittime])m npass为npass车辆中,聚集次数为m次的聚集车辆的聚集时长的最大值。
例如,每种车辆中,不同聚集次数的聚集车辆的聚集时长的最小值可以为:[Min([waittime])m near、[Min([waittime])m fast、[Min([waittime])m npass。
其中,[Min([waittime])m near为near车辆中,聚集次数为m次的聚集车辆的聚集时长的最小值。[Min([waittime])m fast为fast车辆中,聚集次数为m次的聚集车辆的聚集时长的最小值。[Min([waittime])m npass为npass车辆中,聚集次数为m次的聚集车辆的聚集时长的最小值。
3、行驶时长参数。
其中,行驶时长参数包括每种车辆中,不同聚集次数的聚集车辆通过目标路段的时长的均值、方差、最大值和最小值。
例如,每种车辆中,不同聚集次数的聚集车辆通过目标路段的时长的均值可以为:[Avg([travelTime])m near、[Avg([travelTime])m fast、[Avg([travelTime])m npass。
其中,[Avg([travelTime])m near为near车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的均值。[Avg([travelTime])m fast为fast车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的均值。[Avg([travelTime])m npass为npass车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的均值。
例如,每种车辆中,不同聚集次数的聚集车辆通过目标路段的时长的方差可以为:[Variance([travelTime])m near、[Variance([travelTime])m fast、[Variance([travelTime])m npass。
其中,[Variance([travelTime])m near为near车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的方差。[Variance([travelTime])m fast为fast车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的方差。[Variance([travelTime])m npass为npass车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的方差。
例如,每种车辆中,不同聚集次数的聚集车辆的通过目标路段的时长的最大值可以为:[Max([travelTime])m near、[Max([travelTime])m fast、[Max([travelTime])m npass。
其中,[Max([travelTime])m near为near车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的最大值。[Max([travelTime])m fast为fast车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的最大值。[Max([travelTime])m npass为npass车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的最大值。
例如,每种车辆中,不同聚集次数的聚集车辆通过目标路段的时长的最小值可以为:[Min([waittime])m near、[Min([waittime])m fast、[Min([waittime])m npass。
其中,[Min([waittime])m near为near车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的最小值。[Min([waittime])m fast为fast车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的最小值。[Min([waittime])m npass为npass车辆中,聚集次数为m次的聚集车辆通过目标路段的时长的最小值。
4、排队长度参数。
排队长度参数包括每种车辆中,不同聚集次数的聚集车辆的排队长度的均值、方差、最大值和最小值中的至少一项;排队长度为最远聚集车辆与驶离目标路段处的长度,最远聚集车辆为聚集车辆中,距离驶离目标路段处长度最大的聚集车辆。
例如,每种车辆中,不同聚集次数的聚集车辆的排队长度的均值可以为:[Avg([QueueLen])m near、[Avg([QueueLen])m fast、[Avg([QueueLen])m npass。
其中,[Avg([QueueLen])m near为near车辆中,聚集次数为m次的聚集车辆的排队长度的均值。[Avg([QueueLen])m fast为fast车辆中,聚集次数为m次的聚集车辆的排队长度的均值。[Avg([QueueLen])m npass为npass车辆中,聚集次数为m次的聚集车辆的排队长度的均值。
例如,每种车辆中,不同聚集次数的聚集车辆的排队长度的方差可以为:[Variance([QueueLen])m near、[Variance([QueueLen])m fast、[Variance([QueueLen])m npass。
其中,[Variance([QueueLen])m near为near车辆中,聚集次数为m次的聚集车辆的排队长度的方差。[Variance([QueueLen])m fast为fast车辆中,聚集次数为m次的聚集车辆的排队长度的方差。[Variance([QueueLen])m npass为npass车辆中,聚集次数为m次的聚集车辆的排队长度的方差。
例如,每种车辆中,不同聚集次数的聚集车辆的的排队长度的最大值可以为:[Max([QueueLen])m near、[Max([QueueLen])m fast、[Max([QueueLen])m npass。
其中,[Max([QueueLen])m near为near车辆中,聚集次数为m次的聚集车辆的排队长度的最大值。[Max([QueueLen])m fast为fast车辆中,聚集次数为m次的聚集车辆的排队长度的最大值。[Max([QueueLen])m npass为npass车辆中,聚集次数为m次的聚集车辆的排队长度的最大值。
例如,每种车辆中,不同聚集次数的聚集车辆的排队长度的最小值可以为:[Min([QueueLen])m near、[Min([QueueLen])m fast、[Min([QueueLen])m npass。
其中,[Min([QueueLen])m near为near车辆中,聚集次数为m次的聚集车辆的排队长度的最小值。[Min([QueueLen])m fast为fast车辆中,聚集次数为m次的聚集车辆的排队长度的最小值。[Min([QueueLen])m npass为npass车辆中,聚集次数为m次的聚集车辆的排队长度的最小值。
一种可能的实施例,如图5所示,为了预测目标路段在目标时间段内的目标路况,本申请的路况预测方法具体还可以包括下述S701-S702。
S701、根据历史路况以及第一映射关系确定历史路况对应的历史拥堵值。
其中,第一映射关系包括不同路况和对应的拥堵值,历史拥堵值与历史路况表征的拥堵情况正相关。
例如,在拥堵值为0的情况下,路况为畅通;在拥堵值为0.6的情况下,路况为缓慢;在拥堵值为1的情况下,路况为拥堵。
S702、将路段信息、车辆动态参数和历史拥堵值,输入路况预测模型,得到目标路段的目标拥堵值,并基于目标拥堵值和第一映射关系确定目标路况。
其中,目标拥堵值与目标路况表征的拥堵情况正相关。路况预测模型可以为预先配置的,也可以为从其他设备处获取到的,不予限制。
作为一种可能的实现方式,在预先配置有路况预测模型的情况下,确定将路段信息、车辆动态参数和历史拥堵值直接输入到路况预测模型中,得到目标路况的目标拥堵值,进一步的,在确定目标路况的目标拥堵值后,可以根据第一映射关系和目标拥堵值确定目标路况。
作为又一种可能的实现方式,预先配置有路况预测模型的情况下,可以将路段信息、车辆动态参数和历史拥堵值进行数据清洗,并将清洗后的数据输入到路况预测模型中,得到目标路况的目标拥堵值,进一步的,在确定目标路况的目标拥堵值后,可以根据第一映射关系和目标拥堵值确定目标路况。
需要说明的,若第一映射关系为:在拥堵值为0的情况下,路况为畅通;在拥堵值为0.6的情况下,路况为缓慢;在拥堵值为1的情况下,路况为拥堵。若目标拥堵值为不为第一映射关系中的拥堵值,可以根据目标拥堵值与第一映射关系中的拥堵值的接近程度,确定目标路况。
例如,若目标拥堵值为0.7,0.7接近0.6,则确定目标路况为缓慢。若目标拥堵值为0.8,0.7接近1,则确定目标路况为拥堵。若目标拥堵值为0.2,0.2接近0,则确定目标路况为畅通。
如此,可以根据路段信息、车辆动态参数和历史拥堵值确定目标路况的目标拥堵值,并基于目标拥堵值确定目标路况,将拥堵情况以拥堵值的方式具体量化,可以提高预测路况状态的准确率。
一种可能的实施例,如图6所示,为了得到训练好的路况预测模型,本申请的路况预测方法具体还可以包括下述S801-S802。
S801、获取多组样本数据。
其中,多组样本数据包括样本路段的路段信息、样本路段在第一时间段内的样本车辆动态参数和样本路况以及在第二时间段内的样本路况。第二时间段位于第一时间段之后。
S802、根据多组样本数据,对预设的决策树GBDT模型进行训练,得到路况预测模型。
作为一种可能的实现方式,可以对样本路段的路段信息、样本路段在第一时间段内的样本车辆动态参数和样本路况、以及在第二时间段内的样本路况进行区分并进行标签化,根据预设比例,将标签化的多组样本数据分为训练集和测试集。例如,预设比例可以为9:1,也可以为7:1还可以为4:1等。
进一步的,将训练集的样本路段的路段信息、样本路段在第一时间段内的样本车辆动态参数和样本路况输入路况预测模型中进行训练,调节路况预测模型中的模型参数,直至输出的结果为与对应的标签化结果相同,得到训练后的路况预测模型。
进一步的,将测试集的样本路段的路段信息、样本路段在第一时间段内的车辆动态参数和真实路况输入训练后的路况预测模型,并在输出的结果的准确率大于第二阈值的情况下,确定训练后的路况预测模型为训练好的路况预测模型。
其中,可以对不同的真实路况设置不同的标签。例如,可以将拥堵路况对应的标签设置为2,将缓慢路况对应的标签设置为1,将畅通路况对应的标签设置为0。
其中,第二阈值可以根据需要设置。例如,可以为80%,也可以为90%,还可以为95%等。
在实际应用中,为了防止迭代次数过多,影响计算效率,还可以设置有模型参数的取值范围,或者迭代次数阈值。
例如,如图7所示,示出了一种路况预测模型优化前、路况预测模型优化后的整体准确率、畅通准确率、拥堵准确率示意图。路况预测模型优化后相比于路况预测模型优化前的拥堵准确率明显提升。
例如,如图8所示,示出了一种使用路况预测模型预测的目标路况的示意图,如图9所示,示出了一种未使用本申请中路况预测模型预测的目标路况的示意图。
实际应用中,可以获得每分钟目标城市每根link的道路状态,然后对外提供实时的数据服务接口,终端通过数据服务接口,获取目标城市当前时刻及未来1分钟的全城市道路路况。终端可以根据路况描画每根道路的路况作为应用软件端、导航端或大数据平台道路监控等各场景的路况应用。
如此,可以通过样本数据对路况预测模型进行迭代训练,直至迭代训练后的路况预测模型对应的输出的结果的准确率大于第二阈值,由于迭代训练后的路况预测模型的输出结果准确率较高,可以更准确的预测目标路况。
一种可能的实施例,为了更准确的预测目标路况,本申请的路况预测方法还可以包括将异常数据过滤。例如,可以将车辆数为-1数据删除,还可以聚集时长大于预设时长阈值的数据删除,还可以将聚集车辆数量预设聚集车辆数量阈值的数据删除。预设时长阈值和预设聚集车辆数量阈值可以根据需要设置。例如,预设时长可以为12小时,预设聚集车辆数量阈值可以为220。
本申请上述实施例中的各个方案在不矛盾的前提下,均可以进行结合。
本申请实施例可以根据上述方法示例对路况预测装置进行功能模块或者功能单元的划分,例如,可以对应各个功能划分各个功能模块或者功能单元,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块或者功能单元的形式实现。其中,本申请实施例中对模块或者单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,图10示出了一种路况预测装置的结构示意图,该路况预测装置可以为服务器,也可以为应用于服务器中的芯片,该路况预测装置可以用于执行上述实施例中涉及的对服务器的功能。图10所示的路况预测装置可以包括:获取单元901、确定单元902、预测单元903;获取单元901,用于获取目标路段的路段信息、多种车辆的数量、多种车辆的速度、多种车辆的位置以及在历史时间段内的历史路况;多种车辆包括在历史时间段内驶离目标路段的车辆,以及在历史时间段内未驶离目标路段的车辆;确定单元902,用于根据多种车辆的数量、多种车辆的速度和多种车辆的位置确定车辆动态参数,车辆动态参数用于表征目标路段的拥堵情况;预测单元903,用于根据路段信息、车辆动态参数和历史路况,预测目标路段在目标时间段内的目标路况。
一种可能的设计中,车辆动态参数包括车辆种类占比;确定单元902,具体用于:根据多种车辆中每种车辆的数量与多种车辆的数量的比值,确定车辆种类占比。
一种可能的设计中,车辆动态参数包括路段聚集占比;确定单元902,具体用于:根据多种车辆的速度和多种车辆的位置,确定多种车辆中的聚集车辆和聚集车辆的聚集次数,聚集车辆满足聚集条件,聚集条件包括:聚集车辆的速度小于第一预设速度,且与聚集车辆距离小于预设距离的相邻车辆的速度小于第二预设速度;根据聚集车辆的位置确定每种车辆在目标路段的不同子路段中,聚集车辆的数量与每种车辆的数量的比值,确定路段聚集占比。
一种可能的设计中,车辆动态参数包括聚集次数参数;聚集次数参数包括聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,确定单元902,具体用于:根据多种车辆的速度和多种车辆的位置,确定聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,并将聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数的至少一项确定为聚集次数参数。
一种可能的设计中,预测单元903,具体用于:根据历史路况以及第一映射关系确定历史路况对应的历史拥堵值;第一映射关系包括不同路况和对应的拥堵值,历史拥堵值与历史路况表征的拥堵情况正相关;将路段信息、车辆动态参数和历史拥堵值,输入路况预测模型,得到目标路段的目标拥堵值,并基于目标拥堵值和第一映射关系确定目标路况。
一种可能的设计中,该装置还包括:训练单元904;获取单元901,还用于:获取多组样本数据,多组样本数据包括样本路段的路段信息、样本路段在第一时间段内的样本车辆动态参数和样本路况以及在第二时间段内的样本路况;训练单元904,用于根据多组样本数据,对预设的决策树GBDT模型进行训练,得到路况预测模型。
本申请实施例还提供了一种计算机可读存储介质。上述方法实施例中的全部或者部分流程可以由计算机程序来指令相关的硬件完成,该程序可存储于上述计算机可读存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。计算机可读存储介质可以是前述任一实施例的路况预测装置(包括数据发送端和/或数据接收端)的内部存储单元,例如路况预测装置的硬盘或内存。上述计算机可读存储介质也可以是上述终端装置的外部存储设备,例如上述终端装置上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flash card)等。进一步地,上述计算机可读存储介质还可以既包括上述路况预测装置的内部存储单元也包括外部存储设备。上述计算机可读存储介质用于存储上述计算机程序以及上述路况预测装置所需的其他程序和数据。上述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,本申请的说明书、权利要求书及附图中的术语“第一”和“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上,“至少两个(项)”是指两个或三个及三个以上,“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个可读取存储介质中。基于这样的理解,本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种路况预测方法,其特征在于,所述方法包括:
获取目标路段的路段信息、多种车辆的数量、所述多种车辆的速度、所述多种车辆的位置以及在历史时间段内的历史路况;所述多种车辆包括在所述历史时间段内驶离所述目标路段的车辆,以及在所述历史时间段内未驶离所述目标路段的车辆;
根据所述多种车辆的数量、所述多种车辆的速度和所述多种车辆的位置确定车辆动态参数,所述车辆动态参数用于表征所述目标路段的拥堵情况;
根据所述路段信息、所述车辆动态参数和所述历史路况预测所述目标路段在目标时间段内的目标路况。
2.根据权利要求1所述的方法,其特征在于,所述车辆动态参数包括车辆种类占比;所述根据所述多种车辆的数量、所述多种车辆的速度和所述多种车辆的位置确定车辆动态参数包括:
根据所述多种车辆中每种车辆的数量与所述多种车辆的数量的比值,确定所述车辆种类占比。
3.根据权利要求1或2所述的方法,其特征在于,所述车辆动态参数包括路段聚集占比;所述根据所述多种车辆的数量、所述多种车辆的速度和所述多种车辆的位置确定车辆动态参数包括:
根据所述多种车辆的速度和所述多种车辆的位置,确定所述多种车辆中的聚集车辆和所述聚集车辆的聚集次数,所述聚集车辆满足聚集条件,所述聚集条件包括:所述聚集车辆的速度小于第一预设速度,且与所述聚集车辆距离小于预设距离的相邻车辆的速度小于第二预设速度;
根据所述聚集车辆的位置确定所述每种车辆在所述目标路段的不同子路段中,所述聚集车辆的数量与所述每种车辆的数量的比值,确定所述路段聚集占比。
4.根据权利要求1或2所述的方法,其特征在于,所述车辆动态参数包括聚集次数参数;所述聚集次数参数包括聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,所述根据所述多种车辆的数量、所述多种车辆的速度和所述多种车辆的位置确定车辆动态参数包括:
根据所述多种车辆的速度和所述多种车辆的位置,确定聚集车辆占比参数、聚集时长参数、行驶时长参数、排队长度参数中的至少一项,并将所述聚集车辆占比参数、所述聚集时长参数、所述行驶时长参数、所述排队长度参数的至少一项确定为所述聚集次数参数。
5.根据权利要求1或2所述的方法,其特征在于,所述根据所述路段信息、所述车辆动态参数和所述历史路况预测所述目标路段在目标时间段内的目标路况,包括:
根据所述历史路况以及第一映射关系确定所述历史路况对应的历史拥堵值;所述第一映射关系包括不同路况和对应的拥堵值,所述历史拥堵值与所述历史路况表征的拥堵情况正相关;
将所述路段信息、所述车辆动态参数和所述历史拥堵值,输入路况预测模型,得到所述目标路段的目标拥堵值,并基于所述目标拥堵值和所述第一映射关系确定所述目标路况。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述方法还包括:
获取多组样本数据,所述多组样本数据包括样本路段的路段信息、所述样本路段在第一时间段内的样本车辆动态参数和样本路况以及在第二时间段内的样本路况;所述第二时间段位于所述第一时间段之后;
根据所述多组样本数据,对预设的决策树GBDT模型进行训练,得到所述路况预测模型。
7.一种路况预测装置,其特征在于,所述装置包括获取单元、确定单元、预测单元;
所述获取单元,用于获取目标路段的路段信息、多种车辆的数量、所述多种车辆的速度、所述多种车辆的位置以及在历史时间段内的历史路况;所述多种车辆包括在所述历史时间段内驶离所述目标路段的车辆,以及在所述历史时间段内未驶离所述目标路段的车辆;
所述确定单元,用于根据所述多种车辆的数量、所述多种车辆的速度和所述多种车辆的位置确定车辆动态参数,所述车辆动态参数用于表征所述目标路段的拥堵情况;
所述预测单元,用于根据所述路段信息、所述车辆动态参数和所述历史路况,预测所述目标路段在目标时间段内的目标路况。
8.根据权利要求7所述的装置,其特征在于,所述车辆动态参数包括车辆种类占比;所述确定单元具体用于:
根据所述多种车辆中每种车辆的数量与所述多种车辆的数量的比值,确定所述车辆种类占比。
9.一种计算机可读存储介质,所述可读存储介质中存储有指令或计算机程序,和/或一种计算机程序,其特征在于,当所述指令或计算机程序被执行时,实现如权利要求1-6中任一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器、用于存储所述处理器可执行的指令的存储器;其中,所述处理器被配置为执行指令,以实现所述权利要求1-6中任一项所述的路况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701702.1A CN116704765A (zh) | 2023-06-13 | 2023-06-13 | 路况预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310701702.1A CN116704765A (zh) | 2023-06-13 | 2023-06-13 | 路况预测方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116704765A true CN116704765A (zh) | 2023-09-05 |
Family
ID=87833554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310701702.1A Pending CN116704765A (zh) | 2023-06-13 | 2023-06-13 | 路况预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116704765A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493820A (zh) * | 2024-01-03 | 2024-02-02 | 中国电子工程设计院股份有限公司 | 一种数据要素处理方法和装置 |
-
2023
- 2023-06-13 CN CN202310701702.1A patent/CN116704765A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493820A (zh) * | 2024-01-03 | 2024-02-02 | 中国电子工程设计院股份有限公司 | 一种数据要素处理方法和装置 |
CN117493820B (zh) * | 2024-01-03 | 2024-04-02 | 中国电子工程设计院股份有限公司 | 一种数据要素处理方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8930123B2 (en) | Systems and methods for determining traffic intensity using information obtained through crowdsourcing | |
US20130179056A1 (en) | System for Constructing a Spanning Forest in a Vehicular Network | |
CN107045794B (zh) | 路况处理方法及装置 | |
CN104851315A (zh) | 一种停车管理方法和系统、以及车载装置和服务器 | |
CN116704765A (zh) | 路况预测方法、装置及可读存储介质 | |
RU2664034C1 (ru) | Способ и система создания информации о трафике, которая будет использована в картографическом приложении, выполняемом на электронном устройстве | |
CN109661692A (zh) | 交通事件预测方法、装置及终端设备 | |
CN114036411A (zh) | 一种路线规划方法、装置、设备及介质 | |
CN108665723B (zh) | 一种信息获取方法及装置 | |
CN111695713A (zh) | 一种历史轨迹数据处理方法及装置 | |
CN104732760A (zh) | 一种道路等级的更新方法和装置 | |
CN111199650B (zh) | 一种基于5g网络的云车道控制方法和系统 | |
CN109945880A (zh) | 路径规划方法、相关设备及可读存储介质 | |
CN110956299B (zh) | 一种到达时间预估方法及装置 | |
CN113497670A (zh) | 地图数据采集方法、装置及系统 | |
CN116664025A (zh) | 装卸货位置点生成方法、装置及设备 | |
JP6319010B2 (ja) | プローブ情報収集装置、及びプローブ情報収集方法 | |
CN115273468B (zh) | 一种交通拥堵控制策略生成方法及装置 | |
CN111402571A (zh) | 一种勤务车队冲突异常预警及调整方案生成的方法及装置 | |
CN110619748A (zh) | 基于交通大数据的交通状况分析与预测方法、装置及系统 | |
CN115495500A (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN112885128B (zh) | 识别封堵路段的方法、装置、设备及存储介质 | |
CN115440037A (zh) | 交通流量数据采集方法、装置、电子设备及存储介质 | |
CN106887138B (zh) | 一种堵车蔓延态势侦测方法与系统 | |
CN114495505A (zh) | 拥堵路段通过时长的预测方法、装置、介质及服务器 |
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 |