CN116811895B - 车辆运行速度确定模型处理方法和车辆运行速度确定方法 - Google Patents

车辆运行速度确定模型处理方法和车辆运行速度确定方法 Download PDF

Info

Publication number
CN116811895B
CN116811895B CN202311113564.1A CN202311113564A CN116811895B CN 116811895 B CN116811895 B CN 116811895B CN 202311113564 A CN202311113564 A CN 202311113564A CN 116811895 B CN116811895 B CN 116811895B
Authority
CN
China
Prior art keywords
data
observation
running speed
initial
vehicle
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.)
Active
Application number
CN202311113564.1A
Other languages
English (en)
Other versions
CN116811895A (zh
Inventor
程宇航
刘畅
李欣
袁义龙
张鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202311113564.1A priority Critical patent/CN116811895B/zh
Publication of CN116811895A publication Critical patent/CN116811895A/zh
Application granted granted Critical
Publication of CN116811895B publication Critical patent/CN116811895B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、设备和存储介质。所述方法涉及人工智能，应用于地图领域或智慧交通领域，包括：获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据，基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据，根据各观测样本数据对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，根据车辆运行速度确定模型对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。采用本方法可仅根据车辆惯性测量数据即可实现准确预测车辆运行速度，提升车辆运行速度的预测处理效率。

Description

车辆运行速度确定模型处理方法和车辆运行速度确定方法
技术领域
本申请涉及人工智能技术领域，特别是涉及一种车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着人工智能技术的发展，以及各类导航应用程序或应用系统的广泛使用，对于导航应用获得的车辆航迹推算结果、以及车辆导航效果的准确度要求日益提升。其中，通常需要确定出车辆运行过程中的车辆运行速度，并根据车辆运行速度进行车辆航迹推算，以推算得到车辆的瞬时位置，实现连续式自主定位，以达到车辆导航的目的。
传统上，通常通过车辆上的智能设备比如智能手机等，获取GNSS（即the GlobalNavigation Satellite System，理解为全球卫星导航系统）观测数据，以基于GNSS观测数据进行车辆运行速度估计，确定出车辆当前运行过程中的运行速度，再基于运行速度以及车辆航迹等实现驾车导航。
然而，传统上基于GNSS观测数据进行车辆运行速度估计的方式，由于GNSS观测数据对观测环境要求较高，在比如隧道或高架下等恶劣观测环境下，智能手机则无法即时获得准确的GNSS观测数据，存在观测数据延迟导致的运行速度误差较大的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升车辆运行过程中所确定出的运行速度的准确度的车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种车辆运行速度确定模型处理方法。所述方法包括：
获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；
根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
第二方面，本申请提供了一种车辆运行速度确定方法。所述方法包括：
接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
第三方面，本申请还提供了一种车辆运行速度确定模型处理装置。所述装置包括：
初始数据获得模块，用于获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
观测样本数据构建模块，用于基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；
车辆运行速度确定模型获得模块，用于根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
第四方面，本申请还提供了一种车辆运行速度确定装置。所述装置包括：
实际惯性测量数据获得模块，用于接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
格式转换处理模块，用于基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
运行速度预测处理模块，用于根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
第五方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；
根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
第六方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
第七方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；
根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
第八方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
第九方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
基于所述初始惯性测量数据和所述初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；
根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
第十方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
上述车辆运行速度确定模型处理方法、车辆运行速度确定方法、装置、计算机设备、存储介质和计算机程序产品中，通过获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据，并基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据。进一步地，根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，通过综合考虑初始惯性测量数据和初始定位观测数据，可提升所获得的车辆运行速度确定模型的模型精度和预测准确度，从而后续可根据训练好的车辆运行速度确定模型，对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度，在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，仅根据车辆的实际惯性测量数据即可实现准确预测车辆运行速度，也无需额外接入观测设备或组件，提升了车辆运行速度的预测准确度和预测处理效率。
附图说明
图1为一个实施例中车辆运行速度确定模型处理方法、以及车辆运行速度确定方法的应用环境图；
图2为一个实施例中车辆运行速度确定模型处理方法的流程示意图；
图3为一个实施例中获得训练好的车辆运行速度确定模型的流程示意图；
图4为另一个实施例中获得训练好的车辆运行速度确定模型的流程示意图；
图5为一个实施例中车辆运行速度确定模型的架构示意图；
图6为一个实施例中获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据的流程示意图；
图7为另一个实施例中车辆运行速度确定模型处理方法的流程示意图；
图8为一个实施例中车辆运行速度确定方法的流程示意图；
图9为另一个实施例中车辆运行速度确定方法的流程示意图；
图10为一个实施例中车辆运行速度确定模型处理装置的结构框图；
图11为一个实施例中车辆运行速度确定装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的车辆运行速度确定模型处理方法、以及车辆运行速度确定方法，具体涉及人工智能技术，可应用于智慧交通、地图导航、辅助驾驶、以及网络媒体等各种场景。其中，人工智能(Artificial Intelligence, AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。同时，人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术，人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、预训练模型技术、操作/交互系统、以及机电一体化等。其中，预训练模型又称大模型、基础模型，经过微调后可以广泛应用于人工智能各大方向下游任务。具体来说，人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
其中，机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、以及算法复杂度理论等多门学科，其专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。其中，机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。具体来说，机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、以及式教学习等技术。而预训练模型是深度学习的最新发展成果，融合了以上技术。而智能车路协同系统(Intelligent Vehicle InfrastructureCooperative Systems，IVICS)，简称车路协同系统，是智能交通系统(ITS)的一个发展方向。车路协同系统是采用先进的无线通信和新一代互联网等技术，全方位实施车车、车路动态实时信息交互，并在全时空动态交通信息采集与融合的基础上开展车辆主动安全控制和道路协同管理，充分实现人车路的有效协同，保证交通安全，提高通行效率，形成的安全、高效和环保的道路交通系统。
随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、数字孪生、虚拟人、机器人、人工智能生成内容（即AIGC）、对话式交互、智能医疗、智能客服、以及游戏AI等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。
本申请实施例提供的车辆运行速度确定模型处理方法、以及车辆运行速度确定方法，具体涉及人工智能技术中的机器学习、智慧交通等技术，可以应用于如图1所示的应用环境中。其中，智能终端设备102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以单独设置，可以集成在服务器104上，也可以放在云上或其他网络播控服务器上。其中，智能终端设备102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备、便携式可穿戴设备以及飞行器等，物联网设备可为智能音箱、智能电视、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以是独立的物理播控服务器，也可以是多个物理播控服务器构成的播控服务器集群，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云播控服务器，智能终端设备102以及服务器104可以通过有线或无线通信方式进行直接或间接地连接，本申请实施例中不对此进行限制。
其中，智能终端设备102和服务器104均可单独用于执行本申请实施例中提供的车辆运行速度确定模型处理方法、以及车辆运行速度确定方法，智能终端设备102和服务器104也可以协同执行本申请实施例提供的车辆运行速度确定模型处理方法、以及车辆运行速度确定方法。举例来说，以智能终端设备102和服务器104也可以协同执行本申请实施例提供的车辆运行速度确定模型处理方法为例，服务器104通过获取车辆历史运行过程中与智能终端设备102对应的初始惯性测量数据和初始定位观测数据，并基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据。进一步地，服务器104可根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型。其中，基于训练好的车辆运行速度确定模型，可对智能终端设备102获取的车辆运行过程中的实际惯性测量数据，进行预测处理，获得相应的车辆运行速度。其中，在获得车辆运行速度后，服务器104可将预测得到的车辆运行速度用于进行车辆航迹推算，以推算得到车辆的瞬时位置，并将获得的车辆位置在智能终端设备102进行展示，以基于智能终端设备102实现对车辆的连续式自主定位，达到车辆导航的目的。
同样地，以智能终端设备102和服务器104协同执行本申请实施例提供的车辆运行速度确定方法为例，服务器104通过接收智能终端设备102反馈的车辆运行速度确定请求，并获取车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据。进一步地，服务器104基于车辆运行过程中的实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据，从而根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度。其中，训练好的车辆运行速度确定模型，是服务器104根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。其中，在获得车辆运行速度后，服务器104可将预测得到的车辆运行速度用于进行车辆航迹推算，以推算得到车辆的瞬时位置，并将获得的车辆位置在智能终端设备102进行展示，以基于智能终端设备102实现对车辆的连续式自主定位，达到车辆导航的目的。其中，车辆历史运行过程中的初始惯性测量数据、初始定位观测数据、多个观测样本数据、以及车辆运行过程中的实际惯性测量数据等数据，可存储在服务器104的云端存储中、或数据存储系统中、或智能终端设备102的本地存储中，当需要进行车辆运行速度确定模型处理、或车辆运行速度确定处理时，可从服务器104、或数据存储系统、或智能终端设备102的本地存储中获取。
在一个实施例中，如图2所示，提供了一种车辆运行速度确定模型处理方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S202，获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据。
其中，智能终端设备具体可以是智能手机、平板电脑、以及智能手环等设备，在车辆运行过程中，通过智能手机等智能终端设备，可确定出车辆运行速度，以基于车辆运行速度进行车辆航迹推算，实现车辆定位和导航。
初始惯性测量数据和初始定位观测数据用于构建得到进行模型训练的各观测样本数据，其中，初始惯性测量数据，表示与智能终端设备的运行观测组件对应的运行数据，具体包括车辆历史运行过程中的运行时间戳和加速度等数据，而初始定位观测数据，表示与过智能终端设备的定位观测组件对应的定位数据，具体包括车辆历史运行过程中的运行时间戳、坐标位置和速度等数据。
具体地，通过智能终端设备设置的不同观测组件（具体可以是不同数据采集传感器），分别采集车辆历史运行过程中的原始惯性测量数据、以及原始定位观测数据，并通过对原始惯性测量数据、以及原始定位观测数据进行异常校验，获得对应的初始惯性测量数据、以及初始定位观测数据。
其中，具体是通过与智能终端设备对应的运行观测组件，采集车辆历史运行过程中的原始惯性测量数据，以及与智能终端设备对应的定位观测组件，采集车辆历史运行过程中的原始定位观测数据，并基于原始惯性测量数据进行缺失值校验和异常值校验，获得通过缺失值校验和异常值校验的初始惯性测量数据，以及对原始定位观测数据进行定位点校验和观测质量校验，获得通过定位点校验和观测质量校验的初始定位观测数据。
进一步地，智能终端设备的运行观测组件和定位观测组件，具体可以是智能手机内置的不同数据采集传感器，其中，运行观测组件可以是智能手机内置的惯性测量传感器，比如IMU传感器（即Inertial Measurement Unit，理解为惯性测量单元，具体包括加速度计、陀螺仪组成，用于测量和观测物体的运动状态和方向），通过IMU传感器采集的原始惯性测量数据，具体包括车辆历史运行过程中的运行时间戳、三轴加速度和三轴角速度等数据。其中，针对IMU传感器采集的原始惯性测量数据，进行缺失值校验和异常值校验时，具体是判断车辆历史运行过程中的运行时间戳、三轴加速度和三轴角速度等数据，是否存在缺失值和异常值，通过将确定出的异常值和缺失值进行剔除，以获得通过缺失值校验和异常值校验的初始惯性测量数据。
同样地，定位观测组件具体可以是智能手机内置的定位观测传感器，比如GNSS传感器传感器（the Global Navigation Satellite System，理解为全球导航卫星系统，用于提供物体的三维坐标、速度以及时间信息），通过GNSS传感器采集的原始定位观测数据，具体包括车辆历史运行过程中的运行时间戳、坐标位置、速度、卫星数和平面坐标精度因子值（即HDOP值，全称为horizontal dilution ofprecision）等数据。其中，针对GNSS传感器采集的原始定位观测数据，进行定位点校验和观测质量校验时，具体是判断车辆历史运行过程中的运行时间戳、坐标位置、速度、卫星数和平面坐标精度因子值等数据，是否存在网络定位点、航位推算点以及异常重帧点，以及根据卫星数和平面坐标精度因子值，对观测质量较差的原始定位数据进行过滤，从而获得通过定位点校验和观测质量校验的初始定位观测数据。
步骤S204，基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据。
具体地，通过获取当前观测周期中初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据，并将当前观测周期中初始定位观测数据中的速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据，进而按照预设观测周期，依次基于每一初始惯性测量数据及其对应的标注数据，分别构建得到多个观测样本数据。其中，观测周期表示预先设置的针对惯性测量数据和定位观测数据的数据观测周期，可根据实际应用场景和需求进行设置和调整，比如设置为1秒、2秒、5秒等不同取值。
举例来说，本申请实施例中，观测周期具体可设置为1秒，即具体是获取当前观测周期即当前1秒内的初始定位观测数据中的速度数据，并获取当前观测周期的前1秒内的初始惯性测量数据，并将当前观测周期中初始定位观测数据中的速度数据，确定为前1秒内的初始惯性测量数据对应的标注数据，即一个观测周期内的初始惯性测量数据及其对应的标注数据，可构建得到一个观测样本数据。进而在车辆历史运行过程中，按照多个观测周期，可分别基于每一初始惯性测量数据及其对应的标注数据，构建得到多个观测样本数据。
进一步地，由于观测样本数据为初始惯性测量数据及其对应的标注数据构建得到，而初始惯性测量数据具体包括运行过程中的运行时间戳、三轴加速度和三轴角速度，以观测周期为1秒，观测频率为100HZ为例，则获得的初始惯性测量数据为100*6维（即三轴加速度+三轴角速度共6轴数据）数据，即在观测周期1秒内，需获取100次数据，从而在观测周期1秒内，共获得100*6维的初始惯性测量数据，即一个观测样本数据具体包括携带标注数据（即速度数据）的100*6维的初始惯性测量数据。
步骤S206，根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
其中，初始运行速度确定模型具体包括时域卷积层、线性叠加结构、扁平化处理层、张量切分层、以及全连接层。其中，时域卷积层用于对各观测样本数据进行卷积处理和池化处理，以提取各观测样本数据对应的观测样本特征。而线性叠加结构用于对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量。
线性叠加结构包括多个线性叠加层，线性叠加层则包括信息叠加层和多个时域卷积层。其中，线性叠加层用于对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，还可用于对各观测样本数据、以及上一个线性叠加层中最后一个时域卷积层的输出数据，进行叠加处理和卷积处理，以获得观测特征张量。
扁平化处理层用于对观测特征张量进行扁平化处理，获得一维观测特征张量，而基于张量切分层，按照时间步长对一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量。最终，全连接层用于对各子观测特征张量进行速度值预测处理，获得对应的预测速度值。
具体地，根据各观测样本数据，对初始运行速度确定模型的时域卷积层、线性叠加结构、扁平化处理层、张量切分层、以及全连接层进行训练，获得模型的输出结果，并根据模型输出的预测速度值、以及观测样本数据携带的标注数据，确定训练过程中的模型训练损失值，在确定模型训练损失值满足训练结束条件时，获得训练好的车辆运行速度确定模型。
其中，通过获取与训练结束条件对应的损失阈值，并将训练过程中的模型训练损失值和损失阈值进行比对，若确定训练过程中的模型训练损失值达到损失阈值，则确定满足训练结束条件，并将训练结束时的初始运行速度确定模型确定为训练好的车辆运行速度确定模型。
进一步地，在获得训练好的车辆运行速度确定模型后，通过获取车辆当前运行过程中，智能终端设备对应的实际惯性测量数据，并根据训练好的车辆运行速度确定模型，对实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度。也就是说，在车辆当前运行过程中，出现当前定位数据观测环境较差的问题时，仅根据智能终端设备采集的实际惯性测量数据，即可实现准确预测车辆运行速度，也无需额外接入观测设备或组件来获取相应的定位观测数据，从而减少资源消耗、提升车辆运行速度的确定效率。
其中，车辆运行速度包括车辆运行过程中的车辆纵向速度，进而在利用训练好的车辆运行速度模型，对车辆运行过程中的实际惯性测量数据进行运行速度预测处理时，获得的车辆运行速度具体为车辆纵向速度。
上述车辆运行速度确定模型处理方法中，通过获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据，并基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据。进一步地，根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，通过综合考虑初始惯性测量数据和初始定位观测数据，可提升所获得的车辆运行速度确定模型的模型精度和预测准确度，从而后续可根据训练好的车辆运行速度确定模型，对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度，在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，仅根据车辆的实际惯性测量数据即可实现准确预测车辆运行速度，也无需额外接入观测设备或组件，提升了车辆运行速度的预测准确度和预测处理效率。
在一个实施例中，如图3所示，获得训练好的车辆运行速度确定模型的步骤，即根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型的步骤，具体包括：
步骤S302，根据初始运行速度确定模型的时域卷积层，对各观测样本数据进行卷积处理和池化处理，提取各观测样本数据对应的观测样本特征。
其中，初始运行速度确定模型的时域卷积层，具体可以是TCN层（即TemporalConvolutional Network，理解为时域卷积网络层），TCN层的作用是对输入数据进行卷积和池化操作，以提取特征信息。其中，TCN层的参数包括nb_filters（即卷积核数量）、dropout_rate（即丢弃比率，表示在神经网络中丢弃隐藏或可见神经元的比率）、dilations（即卷积核的扩张率）、padding（即填充方式）、use_batch_norm（即是否使用批归一化）以及activation（即激活函数）等。
具体地，根据初始运行速度确定模型的时域卷积层即TCN层，对输入的各观测样本数据进行卷积处理，包括进行特征编码处理和数据特征提取处理，获得各观测样本的样本特征，并进一步对各样本特征进行池化处理，以获得池化处理后的各观测样本特征。
其中，卷积处理可理解为对输入数据进行降维和特征抽取，属于线性操作，通常需要结合activation（即激活函数）提供非线性拟合处理功能，提取得到各观测样本的样本特征。而池化处理可理解为对卷积处理后的样本特征进行分块后，再计算不同块的最大值或者均值，用不同块的最大值或者均值替代相应样本特征块，以得到池化后的各观测样本特征。
步骤S304，基于线性叠加结构，对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量。
其中，线性叠加结构包括多个线性叠加层，线性叠加结构中的各线性叠加层可用于对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，还可用于对各观测样本数据、以及上一个线性叠加层中最后一个时域卷积层的输出数据，进行叠加处理和卷积处理。
具体地，基于线性叠加结构中的线性叠加层，对各观测样本数据和时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果，并根据线性叠加结构中的下一线性叠加层，对各观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得观测特征张量。
其中，线性叠加结构包括多个线性叠加层，具体包括首层线性叠加层、以及多个其他线性叠加层，每一线性叠加层则包括信息叠加层和多个时域卷积层。具体来说，通过首层线性叠加层中的信息叠加层，对初始运行速度确定模型的时域卷积层输出的观测样本特征、以及输入初始运行速度确定模型的观测样本数据，进行叠加处理，获得叠加处理后的观测样本特征，并利用首层线性叠加层中的各时域卷积层，进一步对叠加处理后的观测样本特征进行卷积处理后，获得该首层线性叠加层的输出结果。其中，通过利用线性叠加层中的信息叠加层进行叠加处理，可增强模型的非线性表达能力。
进一步地，首层线性叠加层的下一线性叠加层，同样包括信息叠加层和多个时域卷积层，而下一线性叠加层中的信息叠加层，则用于对输入初始运行速度确定模型的观测样本数据、以及首层线性叠加层的输出结果，进一步进行叠加处理，获得叠加处理后的观测样本特征，同样需利用该下一线性叠加层中各时域卷积层，进一步对叠加处理后的观测样本特征进行卷积处理后，获得该下一线性叠加层的输出结果。
可以理解的是，由于线性叠加结构包括多个线性叠加层，在实际处理过程中，需要不断利用当前线性叠加层的下一线性叠加层，对当前线性叠加层的输出结果、以及输入初始运行速度确定模型的观测样本数据，进行叠加处理和卷积处理，直至经过线性叠加结构中所有线性叠加层的处理之后，获得用于进行速度值预测处理的观测特征张量。
步骤S306，根据全连接层，对各观测特征张量进行速度值预测处理，获得对应的预测速度值。
具体地，初始运行速度确定模型的全连接层，用于对各观测特征张量进行组合、转换以及预测处理，获得对应的预测速度值。其中，全连接层的参数包括神经元数量和激活函数，通过各全连接层，提取各观测特征张量的特征信息并进行整合，再将整合后的特征信息映射成为一维向量，以获得与观测特征张量对应的预测速度值。
步骤S308，基于预测速度值和对应观测样本数据携带的标注数据，确定模型训练损失值。
具体地，通过获取针对初始运行速度确定模型设置的目标训练损失函数，并基于预测速度值以及对应观测样本数据携带的标注数据，进行损失值计算，计算该目标损失函数下的模型训练损失值。
其中，候选损失函数具体包括均方误差损失函数（即Mean Squared Error，MSE）、交叉熵损失函数（Cross Entropy）等，可基于候选损失函数确定相应的目标训练损失函数，比如确定目标损失函数为交叉熵损失函数时，则具体是基于预测速度值以及对应观测样本数据携带的标注数据，计算交叉熵损失值，作为模型训练损失值。又比如确定目标损失函数为均方误差损失函数时，则具体是基于预测速度值以及对应观测样本数据携带的标注数据，计算均方误差损失值，作为模型训练损失值。
步骤S310，若模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
具体地，通过获取与训练结束条件对应的损失阈值，并将模型训练损失值和损失阈值进行比对，若确定模型训练损失值达到损失阈值，则确定模型训练损失值满足训练结束条件，并将训练结束时的初始运行速度确定模型，确定为训练好的车辆运行速度确定模型。
本实施例中，根据初始运行速度确定模型的时域卷积层，对各观测样本数据进行卷积处理和池化处理，提取各观测样本数据对应的观测样本特征，并基于线性叠加结构，对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量。进一步地，根据全连接层，对各观测特征张量进行速度值预测处理，获得对应的预测速度值，以基于预测速度值和对应观测样本数据携带的标注数据，确定模型训练损失值，若模型训练损失值满足训练结束条件，则获得训练好的车辆运行速度确定模型。实现了根据所确定的各观测样本数据对初始运行速度确定模型的各组件进行训练，可减少模型训练过程中的误差数据，以在模型训练损失值满足训练结束条件时，获得模型精度符合要求的车辆运行速度确定模型，提升了模型训练效果。
在一个实施例中，如图4所示，获得训练好的车辆运行速度确定模型的步骤，即根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型的步骤，具体包括：
步骤S402，根据初始运行速度确定模型的时域卷积层，对各观测样本数据进行卷积处理和池化处理，提取各观测样本数据对应的观测样本特征。
具体地，根据初始运行速度确定模型的时域卷积层即TCN层，对输入的各观测样本数据进行卷积处理，包括进行特征编码处理和数据特征提取处理，获得各观测样本的样本特征，并进一步对各样本特征进行池化处理，以获得池化处理后的各观测样本特征。
步骤S404，基于线性叠加结构，对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量。
具体地，基于线性叠加结构中的线性叠加层，对各观测样本数据和时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果，并根据线性叠加结构中的下一线性叠加层，对各观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得观测特征张量。
可以理解的是，由于线性叠加结构包括多个线性叠加层，在实际处理过程中，需要不断利用当前线性叠加层的下一线性叠加层，对当前线性叠加层的输出结果、以及输入初始运行速度确定模型的观测样本数据，进行叠加处理和卷积处理，直至经过线性叠加结构中所有线性叠加层的处理之后，获得用于进行速度值预测处理的观测特征张量。
步骤S406，根据扁平化处理层，对观测特征张量进行扁平化处理，获得一维观测特征张量。
具体地，初始运行速度确定模型的扁平化处理层，用于将输入的数据进行“压平处理”，即把多维的观测特征张量进行扁平化处理，获得一维化的观测特征向量即一维观测特征张量，通常用于从卷积层到全连接层的过渡，且扁平化处理层不影响输入数据的批次的大小，起到的是输入数据一维化的作用。
步骤S408，基于张量切分层，按照时间步长对一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量。
具体地，初始运行速度确定模型的张量切分层，通过获取时间步长，并按照时间步长对一维观测特征张量进行切分处理，获得多个子观测特征张量，并将多个子观测特征张量输入至全连接层中。其中，全连接层通常包括多个子全连接层，通过将各子观测特征张量输入全连接层中，通过全连接层中的各子全连接层共同进行预测处理，以获得与相应观测样本数据对应的预测速度值。
步骤S410，根据全连接层，对各子观测特征张量进行速度值预测处理，获得对应的预测速度值。
具体地，初始运行速度确定模型的全连接层，用于对各子观测特征张量进行组合、转换以及预测处理，获得对应的预测速度值。其中，由于全连接层通常包括多个子全连接层，则可将各子观测特征张量输入全连接层中，通过全连接层中的各子全连接层共同进行处理，包括利用各子全连接层提取各观测特征张量的特征信息并进行整合，再将整合后的特征信息映射成为一维向量，即可获得与观测样本数据对应的预测速度值。
步骤S412，基于预测速度值和对应观测样本数据携带的标注数据，确定模型训练损失值。
具体地，通过获取针对初始运行速度确定模型设置的目标训练损失函数，并基于预测速度值以及对应观测样本数据携带的标注数据，进行损失值计算，计算该目标损失函数下的模型训练损失值。
举例来说，比如确定目标损失函数为均方误差损失函数时，则具体是基于预测速度值以及对应观测样本数据携带的标注数据，计算均方误差损失值，作为模型训练损失值。又比如确定目标损失函数为交叉熵损失函数时，则具体是基于预测速度值以及对应观测样本数据携带的标注数据，计算交叉熵损失值，作为模型训练损失值。
步骤S414，若模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
具体地，通过获取与训练结束条件对应的损失阈值，并将模型训练损失值和损失阈值进行比对，若确定模型训练损失值达到损失阈值，则确定模型训练损失值满足训练结束条件，并将训练结束时的初始运行速度确定模型，确定为训练好的车辆运行速度确定模型。
在一个实施例中，在确定模型训练损失值之后，还包括：
根据模型训练损失值确定训练梯度信息，并基于训练梯度信息，对初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。根据更新后的模型参数对模型训练损失值进行更新，获得更新后的模型训练损失值，并将更新后的模型训练损失值和损失阈值进行比对，若更新后的模型训练损失值达到损失阈值，确定模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
其中，在模型训练过程中通常设置有优化器（即Optimizer），用于调整模型参数以最小化损失函数，可根据损失函数的梯度信息来更新模型的权重（即模型参数）和偏置，优化器具体包括随机梯度下降（即SGD，Stochastic Gradient Descent）、Adam（即AdaptiveMoment Estimation，理解为自适应矩估计方法）、RMSprop（即Root Mean Square prop，理解为均方根支方法）等，且不同的优化器具有不同的更新策略和超参数（包括学习率、动量、衰减率），实际训练过程中可根据需求选择不同的优化器进行模型参数更新和调整。
具体地，根据模型训练损失值确定优化器对应的训练梯度信息，并基于优化器对应的训练梯度信息，对初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。
其中，通过对模型参数进行更新，以根据更新后的模型参数最小化损失函数，即根据更新后的模型参数对模型训练损失值进行更新，获得更新后的模型训练损失值。进一步地，通过将更新后的模型训练损失值和损失阈值进行比对，若确定更新后的模型训练损失值达到损失阈值，则确定模型训练损失值满足训练结束条件，并训练结束时的初始运行速度确定模型，确定为训练好的车辆运行速度确定模型。
在一个实施例中，如图5所示，提供了一种车辆运行速度确定模型的模型架构，具体包括：模型输入（即Input）、时域卷积层（即TCN层）、多个信息叠加层（即Add层）和时域卷积层（即TCN层）构建的线性叠加层（其中，多个线性叠加层可构建得到线性叠加结构）、扁平化处理层（即Flatten层）、张量切分层（即Lambda层）、全连接层（即Dense层）、以及模型输出（即Output）。
其中，初始运行速度确定模型的模型输入具体包括多个观测周期（比如1秒内）对应的观测样本数据，即每个观测周期可构建得到一个观测样本数据，参照图5可知，观测周期为1秒，观测频率为100HZ时，每一观测样本数据具体为100*6维数据（即在1秒内获取100次6轴的初始惯性测量数据及其携带的速度数据），对应图5中的虚线框包括的Tk-99时刻至Tk时刻的IMU数据，即将速度数据作为标注数据的100*6维的初始惯性测量数据。
具体地，初始运行速度确定模型通过使用Keras框架（即封装有全连接层、卷积层、以及长短时记忆模型等的神经网络模块）的Input函数（即输入函数）定义输入张量input_data，和输出张量predict，其中，输入张量input_data的形状为(100,6)，而输入张量predict的形状为(1)。可以理解的是，初始运行速度确定模型的输入为100*6维数据，即携带标注数据的100*6维的初始惯性测量数据，其输出为1维数据，即输出得到的与初始惯性测量数据对应的预测速度值。
进一步地，初始运行速度确定模型的TCN层，用于对输入数据进行卷积和池化操作，提取特征信息。其中，每个TCN层的参数包括nb_filters（卷积核数量）、dropout_rate（丢弃比率）、dilations（卷积核的扩张率）、padding（填充方式）、use_batch_norm（是否使用批归一化）和activation（激活函数）等。而Add层的作用是利用Keras框架的add函数（即叠加函数），将输入层和TCN层的输出进行相加，得到一个新的观测特征张量，用于增强模型的非线性表达能力。Flatten层的作用是使用Keras框架的Flatten函数（即扁平处理函数），将观测特征张量进行扁平化处理，获得一维观测特征张量。Lambda层的作用是使用Keras框架的Lambda函数（即张量切分函数），将一维观测特征张量按照时间步长进行切分，得到多个子观测特征张量，多个子观测特征张量用于输入Dense层进行处理。Dense层的作用是使用Keras框架的Dense函数（全连接函数）定义多个子全连接层，每个层的参数包括神经元数量和激活函数等，通过多个子全连接层，将卷积层提取的特征信息进行组合和转换，以及预测处理，得到最终的预测结果，即与初始惯性测量数据对应的预测速度值。
本实施例中，通过根据初始运行速度确定模型的时域卷积层，对各观测样本数据进行卷积处理和池化处理，提取各观测样本数据对应的观测样本特征，并基于线性叠加结构，对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量。进一步地，根据扁平化处理层，对观测特征张量进行扁平化处理，获得一维观测特征张量，以及基于张量切分层，按照时间步长对一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量，以实现根据全连接层对各子观测特征张量进行速度值预测处理，获得对应的预测速度值。其中，具体是基于预测速度值和对应观测样本数据携带的标注数据，确定模型训练损失值，并在确定模型训练损失值满足训练结束条件时，获得训练好的车辆运行速度确定模型。实现了根据所确定的各观测样本数据对初始运行速度确定模型的各组件进行训练，可减少模型训练过程中的误差数据，以在模型训练损失值满足训练结束条件时，获得模型精度符合要求的车辆运行速度确定模型，提升了模型训练效果。
在一个实施例中，如图6所示，获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据的步骤，具体包括：
步骤S602，获取智能终端设备的惯性测量传感器采集的原始惯性测量数据、以及定位观测传感器采集的原始定位观测数据。
其中，智能终端设备具体可以是智能手机、平板电脑以及智能手环等设备，通过智能终端设备设置的不同观测组件（具体可以是不同数据采集传感器），分别采集车辆历史运行过程中的原始惯性测量数据和原始定位观测数据，并通过对原始惯性测量数据和原始定位观测数据进行异常校验，获得通过校验的初始惯性测量数据和初始定位观测数据。
具体地，智能终端设备的惯性测量组件和定位观测组件，可以是智能手机内置的数据采集传感器，其中，运行观测组件具体可以是智能手机内置的惯性测量传感器，比如IMU传感器（即Inertial Measurement Unit，理解为惯性测量单元，具体包括加速度计、陀螺仪组成，用于测量和观测物体的运动状态和方向），通过IMU传感器采集的原始惯性测量数据，具体包括车辆历史运行过程中的运行时间戳、三轴加速度和三轴角速度等数据。
同样地，定位观测组件具体可以是智能手机内置的定位观测传感器，比如GNSS传感器传感器（the Global Navigation Satellite System，理解为全球导航卫星系统，用于提供物体的三维坐标、速度以及时间信息），通过GNSS传感器采集的原始定位观测数据，具体包括车辆历史运行过程中的运行时间戳、坐标位置、速度、卫星数和平面坐标精度因子值（即HDOP值，全称为horizontal dilution ofprecision）等数据。
步骤S604，基于原始惯性测量数据进行缺失值校验和异常值校验，获得通过缺失值校验和异常值校验的初始惯性测量数据。
具体地，针对惯性测量传感器（比如IMU传感器）采集的原始惯性测量数据，进行缺失值校验和异常值校验时，具体是判断车辆历史运行过程中的运行时间戳、三轴加速度和三轴角速度等数据，是否存在缺失值和异常值，通过将确定出的异常值和缺失值进行剔除，以获得通过缺失值校验和异常值校验的初始惯性测量数据。
其中，缺失值校验表示需要判断是否存在超过预设时长未获取到惯性测量数据的情况，而异常值校验则表示需要判断是否存在数值异常的惯性测量数据，即判断是否存在大于某预设最大值或小于预设最小值的惯性测量数据，具体是将大于某预设最大值或小于预设最小值的惯性测量数据，确定为异常数据。
步骤S606，对原始定位观测数据进行定位点校验和观测质量校验，获得通过定位点校验和观测质量校验的初始定位观测数据。
具体地，针对定位观测传感器（比如GNSS传感器）采集的原始定位观测数据，进行定位点校验和观测质量校验时，具体是判断车辆历史运行过程中的运行时间戳、坐标位置、速度、卫星数和平面坐标精度因子值等数据，是否存在网络定位点、航位推算点以及异常重帧点，以及根据卫星数和平面坐标精度因子值，对观测质量较差的原始定位数据进行过滤，从而获得通过定位点校验和观测质量校验的初始定位观测数据。
其中，进行定位点校验时，具体是根据车辆历史运行过程中的各坐标位置，确定是否存在网络定位点（即本身用于进行网络定位的坐标位置）以及航位推算点（即本身用于进行航位推算的坐标位置），以及判断是否存在异常重帧点（即前行驶速度不为0时，运行时间戳不一样、但坐标位置一样的坐标点），若确定为网络定位点、航位推算段以及异常重帧点，则表明定位点校验不通过，需要将该些网络定位点、航位推算段以及异常重帧点进行剔除。
同样地，进行观测质量校验时，具体是根据卫星数和平面坐标精度因子值，对观测质量较差的原始定位数据进行过滤，从而获得通过定位点校验和观测质量校验的初始定位观测数据。
本实施例中，通过获取智能终端设备的惯性测量传感器采集的原始惯性测量数据、以及定位观测传感器采集的原始定位观测数据，并基于原始惯性测量数据进行缺失值校验和异常值校验，可获得通过缺失值校验和异常值校验的初始惯性测量数据，以及对原始定位观测数据进行定位点校验和观测质量校验，可获得通过定位点校验和观测质量校验的初始定位观测数据。实现了基于原始惯性测量数据和原始定位观测数据进行异常校验，以获得通过校验的初始惯性测量数据和初始定位观测数据，进而可基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据，从而减少了样本数据构建过程中的异常数据和误差数据，进一步提升后续根据观测样本数据训练得到的车辆运行速度确定模型的模型精度和预测准确度。
在一个实施例中，如图7所示，提供了一种车辆运行速度确定模型处理方法，具体包括以下步骤：
步骤S701，获取智能终端设备的惯性测量传感器采集的原始惯性测量数据、以及定位观测传感器采集的原始定位观测数据。
步骤S702，基于原始惯性测量数据进行缺失值校验和异常值校验，获得通过缺失值校验和异常值校验的初始惯性测量数据。
步骤S703，对原始定位观测数据进行定位点校验和观测质量校验，获得通过定位点校验和观测质量校验的初始定位观测数据。
步骤S704，获取当前观测周期中初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据。
步骤S705，将当前观测周期中初始定位观测数据中的速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据。
步骤S706，按照预设观测周期，依次基于每一初始惯性测量数据及其对应的标注数据，分别构建得到多个观测样本数据。
步骤S707，根据初始运行速度确定模型的时域卷积层，对各观测样本数据进行卷积处理和池化处理，提取各观测样本数据对应的观测样本特征。
步骤S708，基于线性叠加结构中的线性叠加层，对各观测样本数据和时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果。
步骤S709，根据线性叠加结构中的下一线性叠加层，对各观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得观测特征张量。
步骤S710，根据扁平化处理层，对观测特征张量进行扁平化处理，获得一维观测特征张量。
步骤S711，基于张量切分层，按照时间步长对一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量。
步骤S712，根据全连接层，对各子观测特征张量进行速度值预测处理，获得对应的预测速度值。
步骤S713，基于预测速度值和对应观测样本数据携带的标注数据，确定模型训练损失值。
步骤S714，根据模型训练损失值确定训练梯度信息，并基于训练梯度信息，对初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。
步骤S715，根据更新后的模型参数对模型训练损失值进行更新，获得更新后的模型训练损失值。
步骤S716，获取与训练结束条件对应的损失阈值，并将更新后的模型训练损失值和损失阈值进行比对。
步骤S717，若更新后的模型训练损失值达到损失阈值，确定模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
上述车辆运行速度确定模型处理方法中，通过获取车辆历史运行过程中与智能终端设备对应的初始惯性检测数据和初始定位观测数据，并基于初始惯性检测数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据。进一步地，根据各观测样本数据，对初始运行速度确定模型进行训练，在满足训练结束条件时获得训练好的车辆运行速度确定模型，通过综合考虑初始惯性测量数据和初始定位观测数据，可提升所获得的车辆运行速度确定模型的模型精度和预测准确度，从而后续可根据训练好的车辆运行速度确定模型，对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度，在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，仅根据实际惯性测量数据即可实现准确预测车辆运行速度，也无需额外接入观测设备或组件，提升了车辆运行速度的预测准确度和预测处理效率。
在一个实施例中，如图8所示，提供了一种车辆运行速度确定方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤S802，接收车辆运行速度确定请求，获取车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据。
具体地，服务器通过接收智能终端设备触发的车辆运行速度确定请求，并获取车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据。其中，车辆运行过程中的实际惯性测量数据表示在当前车辆运行过程中，通过智能终端设备设置的惯性测量传感器（比如IMU传感器）所实时采集的车辆运行过程中的运行时间戳、三轴加速度和三轴角速度等数据。
步骤S804，基于实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据。
其中，对初始运行速度确定模型进行训练时使用的观测样本数据，具体是在观测周期为1秒，观测频率为100HZ的情况下进行采集得到的，即所获得的具体是为携带标注数据的100*6维（即三轴加速度+三轴角速度共6轴数据）的初始惯性测量数据，即初始运行速度确定模型的输入数据格式为（100*6），进而在利用训练好的车辆运行速度确定模型进行预测处理时，需要输入和观测样本数据为相同格式的实际惯性测量数据。
具体地，通过获取训练初始运行速度确定模型时所应用的观测样本数据的格式，并将观测样本数据的格式作为进行格式转换处理的目标格式，即具体是按照观测样本数据对应的目标格式，对实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据，即获得和观测样本数据相同格式的实际惯性测量数据。
步骤S806，根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度，训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
具体地，根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，以获得对应的车辆运行速度。其中，由于训练好的车辆运行速度确定模型，可直接基于目标格式的实际惯性测量数据进行运行速度预测处理，而无需额外接入观测设备或组件来获取车辆实际运行过程中的定位观测数据，进而可在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，根据实际惯性测量数据即可实现准确预测车辆运行速度。
其中，车辆运行速度包括车辆运行过程中的车辆纵向速度，进而在利用训练好的车辆运行速度模型，对车辆运行过程中的实际惯性测量数据进行运行速度预测处理时，所获得的车辆运行速度具体为车辆纵向速度。
在一个实施例中，通过获取车辆历史运行过程中的初始惯性测量数据和初始定位观测数据，并根据初始惯性测量数据和初始定位观测数据构建得到多个观测样本数据，以根据各观测样本数据对初始运行速度确定模型进行训练，在满足训练结束条件时，将训练结束时的初始运行速度确定模型，确定为训练好的车辆运行速度确定模型。
上述车辆运行速度确定方法中，通过接收车辆运行速度确定请求，获取车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据，并基于实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据，进而可根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度。而由于训练好的车辆运行速度确定模型，可直接基于目标格式的实际惯性测量数据进行运行速度预测处理，而无需额外接入观测设备或组件来获取车辆实际运行过程中的定位观测数据，进而可在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，根据实际惯性测量数据即可实现准确预测车辆运行速度，提升了定位数据观测环境较差时的车辆运行速度获取效率以及数据准确度。
在一个实施例中，如图9所示，提供了一种车辆运行速度确定方法，具体包括以下处理阶段：
A、训练阶段，包括：
A1、传感器数据采集：通过获取智能手机内置的定位观测传感器（比如GNSS传感器）采集的车辆历史运行过程中的原始定位观测数据，以及内置的惯性测量传感器（比如IMU传感器）采集的车辆历史运行过程中的原始惯性测量数据，其中，GNSS传感器采集的原始定位观测数据包括车辆运行过程中的运行时间戳、位置、速度、卫星数、HDOP值（即平面座标精度因子值）等，IMU传感器采集的原始惯性测量数据包括车辆历史运行过程中的运行时间戳、三轴加速度、三轴角速度等。
A2、传感器数据处理：对GNSS传感器采集的原始定位观测数据、以及IMU传感器采集的原始惯性测量数据进行处理，包括：
1）针对IMU传感器采集的原始惯性测量数据，进行缺失值校验和异常值校验，具体是判断车辆运行过程中的运行时间戳、三轴加速度和三轴角速度等数据，是否存在缺失值和异常值，通过将确定出的异常值和缺失值进行剔除，以获得通过缺失值校验和异常值校验的初始惯性测量数据。
2）针对GNSS传感器采集的原始定位观测数据，进行定位点校验和观测质量校验，具体是判断车辆运行过程中的运行时间戳、坐标位置、速度、卫星数和平面坐标精度因子值等数据，是否存在网络定位点、航位推算点以及异常重帧点，以及根据卫星数和平面坐标精度因子值，对观测质量较差的原始定位数据进行过滤，从而获得通过定位点校验和观测质量校验的初始定位观测数据。
A3、训练数据构建：
具体地，通过获取当前观测周期中初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据，并将当前观测周期中初始定位观测数据中的速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据，进而按照预设观测周期，依次基于每一初始惯性测量数据及其对应的标注数据，分别构建得到多个观测样本数据。
其中，观测周期表示预先设置的针对惯性测量数据和定位观测数据的数据观测周期，可根据实际应用场景和需求进行设置和调整，比如设置为1秒、2秒、5秒等不同取值。
举例来说，本申请实施例中，观测周期具体可设置为1秒，即具体是获取当前观测周期即当前1秒内的初始定位观测数据中的速度数据，并获取当前观测周期的前1秒内的初始惯性测量数据，并将当前观测周期中初始定位观测数据中的速度数据，确定为前1秒内的初始惯性测量数据对应的标注数据，即一个观测周期内的初始惯性测量数据及其对应的标注数据，可构建得到一个观测样本数据。进而在车辆历史运行过程中，按照多个观测周期，可分别基于每一初始惯性测量数据及其对应的标注数据，构建得到多个观测样本数据。
进一步地，由于观测样本数据为初始惯性测量数据及其对应的标注数据构建得到，而初始惯性测量数据具体包括运行过程中的运行时间戳、三轴加速度和三轴角速度，以观测周期为1秒，观测频率为100HZ为例，则获得的初始惯性测量数据为100*6维（即三轴加速度+三轴角速度共6轴数据）数据，即在观测周期1秒内，需获取100次数据，从而在观测周期1秒内，共获得100*6维的初始惯性测量数据，即一个观测样本数据具体包括携带标注数据（即速度数据）的100*6维的初始惯性测量数据。
A4、训练模型搭建：
1）定义模型输入和模型输出：初始运行速度确定模型通过使用Keras框架（即封装有全连接层、卷积层、以及长短时记忆模型等的神经网络模块）的Input函数（即输入函数）定义输入张量input_data，和输出张量predict，其中，输入张量input_data的形状为(100,6)，而输入张量predict的形状为(1)。可以理解的是，初始运行速度确定模型的输入为100*6维数据，即携带标注数据的100*6维的初始惯性测量数据，其输出为1维数据，即输出得到的与初始惯性测量数据对应的预测速度值。
2）定义模型结构：初始运行速度确定模型包括：模型输入（即Input）、时域卷积层（即TCN层）、多个信息叠加层（即Add层）和时域卷积层（即TCN层）构建的线性叠加层（其中，多个线性叠加层可构建得到线性叠加结构）、扁平化处理层（即Flatten层）、张量切分层即（Lambda层）、全连接层（即Dense层）、以及模型输出（即Output）。
其中，初始运行速度确定模型的TCN层（即时域卷积层），用于对输入数据进行卷积和池化操作，提取特征信息。其中，每个TCN层的参数包括nb_filters（卷积核数量）、dropout_rate（丢弃比率）、dilations（卷积核的扩张率）、padding（填充方式）、use_batch_norm（是否使用批归一化）和activation（激活函数）等。而Add层的作用是利用Keras框架的add函数（即叠加函数），将输入层和TCN层的输出进行相加，得到一个新的观测特征张量，用于增强模型的非线性表达能力。Flatten层的作用是使用Keras框架的Flatten函数（即扁平处理函数），将观测特征张量进行扁平化处理，获得一维观测特征张量。Lambda层的作用是使用Keras框架的Lambda函数（即张量切分函数），将一维观测特征张量按照时间步长进行切分，得到多个子观测特征张量，多个子观测特征张量用于输入Dense层进行处理。Dense层的作用是使用Keras框架的Dense函数（全连接函数）定义多个子全连接层，每个层的参数包括神经元数量和激活函数等，通过多个子全连接层，将卷积层提取的特征信息进行组合和转换，以及预测处理，得到最终的预测结果，即与初始惯性测量数据对应的预测速度值。
A5、编译模型：使用Keras框架的compile函数（即编译函数）对模型进行编译，设置损失函数、优化器和评估指标等。在这个过程中，需要选择适当的损失函数和优化器，以及评估指标，以便在训练过程中对模型进行优化和评估。其中：
1.训练损失函数（即Loss Function）：损失函数用于衡量模型的预测结果与实际标签之间的差异，作为训练过程中的目标函数，用于衡量模型的性能。其中，候选损失函数具体包括均方误差损失函数（即Mean Squared Error，MSE）、交叉熵损失函数（CrossEntropy）等，可基于候选损失函数确定相应的目标训练损失函数，比如确定目标损失函数为交叉熵损失函数时，则具体是基于预测速度值以及对应观测样本数据携带的标注数据，计算交叉熵损失值，作为模型训练损失值。
2.优化器（即Optimizer）：用于调整模型参数以最小化损失函数，可根据损失函数的梯度信息来更新模型的权重（即模型参数）和偏置，优化器具体包括随机梯度下降（即SGD，Stochastic Gradient Descent）、Adam（即Adaptive Moment Estimation，理解为自适应矩估计方法）、RMSprop（即Root Mean Square prop，理解为均方根支方法）等，且不同的优化器具有不同的更新策略和超参数（超参数包括学习率、动量、衰减率），实际训练过程中可根据需求选择不同的优化器进行模型参数更新和调整。
3.评估指标（即Evaluation Metrics）：评估指标用于衡量模型的性能和效果，用于提供对模型在测试集或验证集上的表现的定量度量。其中，评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）以及F1分数（F1 Score）等。
A6、训练模型：使用Keras框架的fit函数（即训练参数设置函数）对模型进行训练，通过设置训练数据、批次大小以及训练轮数，在训练过程中，模型将根据训练数据进行反向传播和参数更新，以最小化损失函数。
A7、评估模型：使用Keras框架的evaluate函数（即评估函数）对模型进行评估，计算模型在测试数据上的损失和评估指标，其中，通常需要使用与训练数据相同的评估指标，获得准确的评估结果，比如均采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）等评估指标进行评估。
B、应用阶段，包括：
具体地，利用训练好的车辆运行速度确定模型预测得到车辆运行速度（具体可以是车辆纵向速度）。其中。在利用训练好的车辆运行速度确定模型预测得到车辆运行速度时，需要使用Keras框架的predict函数（即输出函数）对实时采集的车辆运行过程中的实际惯性测量数据进行预测处理，输出模型的预测结果，即获得车辆运行速度。
其中，对初始运行速度确定模型进行训练时使用的观测样本数据，具体是在观测周期为1秒，观测频率为100HZ的情况下采集得到的，即具体是为100*6维（即三轴加速度+三轴角速度共6轴数据）数据，即初始运行速度确定模型的输入格式为（100*6），进而在利用训练好的车辆运行速度确定模型进行预测处理时，需要输入和观测样本数据相同格式的实际惯性测量数据。
具体地，通过获取训练初始运行速度确定模型时所应用的观测样本数据的格式，并将观测样本数据的格式作为进行格式转换处理的目标格式，即具体是按照观测样本数据的格式，对实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据，即获得和观测样本数据相同格式的实际惯性测量数据。
进一步地，根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，以获得对应的车辆运行速度。其中，由于训练好的车辆运行速度确定模型，可直接基于目标格式的实际惯性测量数据进行运行速度预测处理，而无需额外接入观测设备或组件来获取车辆实际运行过程中的定位观测数据，进而可在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，根据实际惯性测量数据即可实现准确预测车辆运行速度。
上述车辆运行速度确定方法中，通过训练好的车辆运行速度确定模型，直接基于目标格式的实际惯性测量数据进行运行速度预测处理，而无需额外接入观测设备或组件来获取车辆实际运行过程中的定位观测数据，进而可在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，根据实际惯性测量数据即可实现准确预测车辆运行速度，提升了定位数据观测环境较差时的车辆运行速度获取效率以及数据准确度。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的车辆运行速度确定模型处理方法、以及车辆运行速度确定方法的车辆运行速度确定模型处理装置、以及车辆运行速度确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个车辆运行速度确定模型处理装置、以及车辆运行速度确定装置实施例中的具体限定可以参见上文中对于车辆运行速度确定模型处理方法、以及车辆运行速度确定方法的限定，在此不再赘述。
在一个实施例中，如图10所示，提供了一种车辆运行速度确定模型处理装置，包括：初始数据获得模块1002、观测样本数据构建模块1004、以及车辆运行速度确定模型获得模块1006，其中：
初始数据获得模块1002，用于获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
观测样本数据构建模块1004，用于基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据；
车辆运行速度确定模型获得模块1006，用于根据各观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
上述车辆运行速度确定模型处理装置中，通过获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据，进而基于初始惯性测量数据和初始定位观测数据，按照预设观测周期依次构建得到多个观测样本数据。进一步地，根据各观测样本数据，对初始运行速度确定模型进行训练，在满足训练结束条件时获得训练好的车辆运行速度确定模型，通过综合考虑初始惯性测量数据和初始定位观测数据，可提升所获得的车辆运行速度确定模型的模型精度和预测准确度，从而后续可根据训练好的车辆运行速度确定模型，对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度，在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，仅根据实际惯性测量数据即可实现准确预测车辆运行速度，也无需额外接入观测设备或组件，提升了车辆运行速度的预测准确度和预测处理效率。
在一个实施例中，初始数据获得模块，还用于：获取智能终端设备的惯性测量传感器采集的原始惯性测量数据、以及定位观测传感器采集的原始定位观测数据；基于原始惯性测量数据进行缺失值校验和异常值校验，获得通过缺失值校验和异常值校验的初始惯性测量数据；对原始定位观测数据进行定位点校验和观测质量校验，获得通过定位点校验和观测质量校验的初始定位观测数据。
在一个实施例中，观测样本数据构建模块，还用于：获取当前观测周期中初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据；将当前观测周期中初始定位观测数据中的速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据；按照预设观测周期，依次基于每一初始惯性测量数据及其对应的标注数据，分别构建得到多个观测样本数据。
在一个实施例中，车辆运行速度确定模型获得模块，还用于：根据初始运行速度确定模型的时域卷积层，对各观测样本数据进行卷积处理和池化处理，提取各观测样本数据对应的观测样本特征；基于线性叠加结构，对各观测样本数据、以及时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量；根据全连接层，对各观测特征张量进行速度值预测处理，获得对应的预测速度值；基于预测速度值和对应观测样本数据携带的标注数据，确定模型训练损失值；若模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
在一个实施例中，车辆运行速度确定模型获得模块，还用于：根据扁平化处理层，对观测特征张量进行扁平化处理，获得一维观测特征张量；基于张量切分层，按照时间步长对一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量；其中，全连接层用于对各子观测特征张量进行速度值预测处理。
在一个实施例中，车辆运行速度确定模型获得模块，还用于：基于线性叠加结构中的线性叠加层，对各观测样本数据和时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果；根据线性叠加结构中的下一线性叠加层，对各观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得观测特征张量。
在一个实施例中，车辆运行速度确定模型获得模块，还用于：根据模型训练损失值确定训练梯度信息；基于训练梯度信息，对初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。
在一个实施例中，车辆运行速度确定模型获得模块，还用于：根据更新后的模型参数对模型训练损失值进行更新，获得更新后的模型训练损失值；获取与训练结束条件对应的损失阈值，并将更新后的模型训练损失值和损失阈值进行比对；若更新后的模型训练损失值达到损失阈值，确定模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
在一个实施例中，如图11所示，提供了一种车辆运行速度确定装置，包括：实际惯性测量数据获得模块1102、格式转换处理模块1104、以及运行速度预测处理模块1106，其中：
实际惯性测量数据获得模块1102，用于接收车辆运行速度确定请求，获取车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
格式转换处理模块1104，用于基于实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
运行速度预测处理模块1106，用于根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；其中，训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的。
上述车辆运行速度确定装置中，通过接收车辆运行速度确定请求，获取车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据，并基于实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据，进而可根据训练好的车辆运行速度确定模型，对目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度。而由于训练好的车辆运行速度确定模型，可直接基于目标格式的实际惯性测量数据进行运行速度预测处理，而无需额外接入观测设备或组件来获取车辆实际运行过程中的定位观测数据，进而可在当前定位数据观测环境较差，无法准确获得车辆的定位观测数据时，根据实际惯性测量数据即可实现准确预测车辆运行速度，提升了定位数据观测环境较差时的车辆运行速度获取效率以及数据准确度。
在一个实施例中，格式转换处理模块，还用于：获取与观测样本数据对应的目标格式，并按照目标格式对实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；其中，车辆运行速度包括车辆运行过程中的车辆纵向速度，目标格式的实际惯性测量数据用于确定车辆运行过程中的车辆纵向速度。
上述车辆运行速度确定模型处理装置、以及车辆运行速度确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O）和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储初始惯性测量数据和初始定位观测数据、观测样本数据、初始运行速度确定模型、训练好的车辆运行速度确定模型数据、车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据、目标格式的实际惯性测量数据以及车辆运行速度等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种车辆运行速度确定模型处理方法、以及车辆运行速度确定方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (21)

1.一种车辆运行速度确定模型处理方法，其特征在于，所述方法包括：
获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
获取当前观测周期中所述初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据；所述初始惯性测量数据包括运行过程中的运行时间戳、三轴加速度和三轴角速度；
将当前观测周期中初始定位观测数据中的所述速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据；
按照预设观测周期，依次基于每一所述初始惯性测量数据及其对应的所述标注数据，分别构建得到多个观测样本数据；每一所述观测样本数据包括当前观测周期的速度数据、以及前一个观测周期中运行时间戳、三轴加速度和三轴角速度；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
2.根据权利要求1所述的方法，其特征在于，所述初始运行速度确定模型包括时域卷积层、线性叠加结构以及全连接层；根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型，包括：
根据所述初始运行速度确定模型的时域卷积层，对各所述观测样本数据进行卷积处理和池化处理，提取各所述观测样本数据对应的观测样本特征；
基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量；
根据所述全连接层，对各所述观测特征张量进行速度值预测处理，获得对应的预测速度值；
基于所述预测速度值和对应所述观测样本数据携带的标注数据，确定模型训练损失值；
若所述模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
3.根据权利要求2所述的方法，其特征在于，所述初始运行速度确定模型还包括扁平化处理层、以及张量切分层；在所述基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量之后，还包括：
根据所述扁平化处理层，对所述观测特征张量进行扁平化处理，获得一维观测特征张量；
基于所述张量切分层，按照时间步长对所述一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量；
其中，所述全连接层用于对各所述子观测特征张量进行速度值预测处理。
4.根据权利要求2所述的方法，其特征在于，所述线性叠加结构包括多个线性叠加层，所述线性叠加层包括信息叠加层和多个时域卷积层；所述线性叠加结构中的线性叠加层，用于对各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，以及用于对各所述观测样本数据、以及上一个线性叠加层中最后一个时域卷积层的输出数据，进行叠加处理和卷积处理。
5.根据权利要求4所述的方法，其特征在于，所述基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量，包括：
基于所述线性叠加结构中的线性叠加层，对各所述观测样本数据和所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果；
根据所述线性叠加结构中的下一线性叠加层，对各所述观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得所述观测特征张量。
6.根据权利要求2所述的方法，其特征在于，在所述基于所述预测速度值和对应所述观测样本数据携带的标注数据，确定模型训练损失值之后，还包括：
根据所述模型训练损失值确定训练梯度信息；
基于所述训练梯度信息，对所述初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。
7.根据权利要求6所述的方法，其特征在于，所述若所述模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型，包括：
根据所述更新后的模型参数对所述模型训练损失值进行更新，获得更新后的模型训练损失值；
获取与所述训练结束条件对应的损失阈值，并将所述更新后的模型训练损失值和所述损失阈值进行比对；
若所述更新后的模型训练损失值达到所述损失阈值，确定所述模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
8.根据权利要求1至7任意一项所述的方法，其特征在于，所述智能终端设备设置有惯性测量传感器和定位观测传感器；所述获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据，包括：
获取所述智能终端设备的惯性测量传感器采集的原始惯性测量数据、以及所述定位观测传感器采集的原始定位观测数据；
基于所述原始惯性测量数据进行缺失值校验和异常值校验，获得通过所述缺失值校验和异常值校验的初始惯性测量数据；
对所述原始定位观测数据进行定位点校验和观测质量校验，获得通过所述定位点校验和观测质量校验的初始定位观测数据。
9.一种车辆运行速度确定方法，其特征在于，所述方法包括：
接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；
其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的；其中，通过获取当前观测周期中所述初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据，并将当前观测周期中初始定位观测数据中的所述速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据，并按照预设观测周期，依次基于每一所述初始惯性测量数据及其对应的所述标注数据，分别构建得到多个观测样本数据；所述初始惯性测量数据包括运行过程中的运行时间戳、三轴加速度和三轴角速度，每一所述观测样本数据包括当前观测周期的速度数据、以及前一个观测周期中运行时间戳、三轴加速度和三轴角速度。
10.根据权利要求9所述的方法，其特征在于，所述基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据，包括：
获取与所述观测样本数据对应的目标格式，并按照所述目标格式对所述实际惯性测量数据进行格式转换处理，获得所述目标格式的实际惯性测量数据；
其中，所述车辆运行速度包括车辆运行过程中的车辆纵向速度，所述目标格式的实际惯性测量数据用于确定车辆运行过程中的所述车辆纵向速度。
11.一种车辆运行速度确定模型处理装置，其特征在于，所述装置包括：
初始数据获得模块，用于获取车辆历史运行过程中与智能终端设备对应的初始惯性测量数据和初始定位观测数据；
观测样本数据构建模块，用于获取当前观测周期中所述初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据；所述初始惯性测量数据包括运行过程中的运行时间戳、三轴加速度和三轴角速度；将当前观测周期中初始定位观测数据中的所述速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据；按照预设观测周期，依次基于每一所述初始惯性测量数据及其对应的所述标注数据，分别构建得到多个观测样本数据；每一所述观测样本数据包括当前观测周期的速度数据、以及前一个观测周期中运行时间戳、三轴加速度和三轴角速度；
车辆运行速度确定模型获得模块，用于根据各所述观测样本数据，对初始运行速度确定模型进行训练，若满足训练结束条件，获得训练好的车辆运行速度确定模型；所述车辆运行速度确定模型用于对车辆运行过程中的实际惯性测量数据进行预测处理，获得车辆运行速度。
12.根据权利要求11所述的装置，其特征在于，所述初始运行速度确定模型包括时域卷积层、线性叠加结构以及全连接层；所述车辆运行速度确定模型获得模块，还用于：根据所述初始运行速度确定模型的时域卷积层，对各所述观测样本数据进行卷积处理和池化处理，提取各所述观测样本数据对应的观测样本特征；基于所述线性叠加结构，对所述各所述观测样本数据、以及所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得观测特征张量；根据所述全连接层，对各所述观测特征张量进行速度值预测处理，获得对应的预测速度值；基于所述预测速度值和对应所述观测样本数据携带的标注数据，确定模型训练损失值；若所述模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
13.根据权利要求12所述的装置，其特征在于，所述初始运行速度确定模型还包括扁平化处理层、以及张量切分层；所述车辆运行速度确定模型获得模块，还用于：
根据所述扁平化处理层，对所述观测特征张量进行扁平化处理，获得一维观测特征张量；基于所述张量切分层，按照时间步长对所述一维观测特征张量进行切分处理，获得切分后的多个子观测特征张量；其中，所述全连接层用于对各所述子观测特征张量进行速度值预测处理。
14.根据权利要求12所述的装置，其特征在于，所述车辆运行速度确定模型获得模块，还用于：
基于所述线性叠加结构中的线性叠加层，对各所述观测样本数据和所述时域卷积层输出的观测样本特征，进行叠加处理和卷积处理，获得该线性叠加层的输出结果；根据所述线性叠加结构中的下一线性叠加层，对各所述观测样本数据、以及上一线性叠加层的输出结果，进行叠加处理和卷积处理，获得所述观测特征张量。
15.根据权利要求12所述的装置，其特征在于，所述车辆运行速度确定模型获得模块，还用于：
根据所述模型训练损失值确定训练梯度信息；基于所述训练梯度信息，对所述初始运行速度确定模型进行反向传播和模型参数更新，获得更新后的模型参数。
16.根据权利要求15所述的装置，其特征在于，所述车辆运行速度确定模型获得模块，还用于：
根据所述更新后的模型参数对所述模型训练损失值进行更新，获得更新后的模型训练损失值；获取与所述训练结束条件对应的损失阈值，并将所述更新后的模型训练损失值和所述损失阈值进行比对；若所述更新后的模型训练损失值达到所述损失阈值，确定所述模型训练损失值满足训练结束条件，获得训练好的车辆运行速度确定模型。
17.根据权利要求11至16任意一项所述的装置，其特征在于，所述智能终端设备设置有惯性测量传感器和定位观测传感器；所述初始数据获得模块，还用于：
获取所述智能终端设备的惯性测量传感器采集的原始惯性测量数据、以及所述定位观测传感器采集的原始定位观测数据；基于所述原始惯性测量数据进行缺失值校验和异常值校验，获得通过所述缺失值校验和异常值校验的初始惯性测量数据；对所述原始定位观测数据进行定位点校验和观测质量校验，获得通过所述定位点校验和观测质量校验的初始定位观测数据。
18.一种车辆运行速度确定装置，其特征在于，所述装置包括：
实际惯性测量数据获得模块，用于接收车辆运行速度确定请求，获取所述车辆运行速度确定请求对应的车辆运行过程中的实际惯性测量数据；
格式转换处理模块，用于基于所述实际惯性测量数据进行格式转换处理，获得目标格式的实际惯性测量数据；
运行速度预测处理模块，用于根据训练好的车辆运行速度确定模型，对所述目标格式的实际惯性测量数据进行运行速度预测处理，获得对应的车辆运行速度；其中，所述训练好的车辆运行速度确定模型，是根据初始惯性测量数据和初始定位观测数据构建得到的多个观测样本数据，对初始运行速度确定模型的训练过程中，在满足训练结束条件时获得的；其中，通过获取当前观测周期中所述初始定位观测数据中的速度数据，以及前一个观测周期中的初始惯性测量数据，并将当前观测周期中初始定位观测数据中的所述速度数据，确定为前一个观测周期中的初始惯性测量数据对应的标注数据，并按照预设观测周期，依次基于每一所述初始惯性测量数据及其对应的所述标注数据，分别构建得到多个观测样本数据；所述初始惯性测量数据包括运行过程中的运行时间戳、三轴加速度和三轴角速度，每一所述观测样本数据包括当前观测周期的速度数据、以及前一个观测周期中运行时间戳、三轴加速度和三轴角速度。
19.根据权利要求18所述的装置，其特征在于，所述格式转换处理模块，还用于：
获取与所述观测样本数据对应的目标格式，并按照所述目标格式对所述实际惯性测量数据进行格式转换处理，获得所述目标格式的实际惯性测量数据；其中，所述车辆运行速度包括车辆运行过程中的车辆纵向速度，所述目标格式的实际惯性测量数据用于确定车辆运行过程中的所述车辆纵向速度。
20.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
21.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
CN202311113564.1A 2023-08-31 2023-08-31 车辆运行速度确定模型处理方法和车辆运行速度确定方法 Active CN116811895B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311113564.1A CN116811895B (zh) 2023-08-31 2023-08-31 车辆运行速度确定模型处理方法和车辆运行速度确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311113564.1A CN116811895B (zh) 2023-08-31 2023-08-31 车辆运行速度确定模型处理方法和车辆运行速度确定方法

Publications (2)

Publication Number Publication Date
CN116811895A CN116811895A (zh) 2023-09-29
CN116811895B true CN116811895B (zh) 2023-11-21

Family

ID=88127921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311113564.1A Active CN116811895B (zh) 2023-08-31 2023-08-31 车辆运行速度确定模型处理方法和车辆运行速度确定方法

Country Status (1)

Country Link
CN (1) CN116811895B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113734180A (zh) * 2020-05-29 2021-12-03 通用汽车环球科技运作有限责任公司 用于确定交通工具速度的方法和装置
CN113807470A (zh) * 2021-11-17 2021-12-17 腾讯科技（深圳）有限公司 一种车辆行驶状态确定方法和相关装置
CN114676870A (zh) * 2020-12-24 2022-06-28 上海汽车集团股份有限公司 车速预测方法、车速预测模型训练方法和相关装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3126958C (en) * 2020-03-17 2022-08-23 Freeport-Mcmoran Inc. Methods and systems for determining and controlling vehicle speed

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113734180A (zh) * 2020-05-29 2021-12-03 通用汽车环球科技运作有限责任公司 用于确定交通工具速度的方法和装置
CN114676870A (zh) * 2020-12-24 2022-06-28 上海汽车集团股份有限公司 车速预测方法、车速预测模型训练方法和相关装置
CN113807470A (zh) * 2021-11-17 2021-12-17 腾讯科技（深圳）有限公司 一种车辆行驶状态确定方法和相关装置

Also Published As

Publication number Publication date
CN116811895A (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN109492830B (zh) 一种基于时空深度学习的移动污染源排放浓度预测方法
Chen et al. Learning deep representation from big and heterogeneous data for traffic accident inference
Le et al. Spatiotemporal deep learning model for citywide air pollution interpolation and prediction
US10496881B2 (en) PU classifier for detection of travel mode associated with computing devices
Li et al. A new clustering algorithm for processing GPS-based road anomaly reports with a mahalanobis distance
CN107111794A (zh) 预测和利用地图服务中出行时间的可变性
US10952026B2 (en) Neural network classifier for detection of travel mode associated with computing devices
Huang et al. Physics-informed deep learning for traffic state estimation: Illustrations with LWR and CTM models
CN111047078B (zh) 交通特征预测方法、系统及存储介质
CN111428558A (zh) 一种基于改进YOLOv3方法的车辆检测方法
CN106776928A (zh) 基于内存计算框架、融合社交环境及时空数据的位置推荐方法
JP7054255B2 (ja) マルチソースのリアルタイムかつコンテキストアウェアな実世界データによる仮想知能および最適化
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN115599779B (zh) 一种城市道路交通缺失数据插值方法及相关设备
Chen et al. A context-aware nonnegative matrix factorization framework for traffic accident risk estimation via heterogeneous data
Dai et al. Spatio-temporal deep learning framework for traffic speed forecasting in IoT
CN113742163A (zh) 一种故障预警方法、装置、设备及存储介质
CN115099328A (zh) 基于对抗网络的交通流量预测方法、系统、设备及存储介质
CN114566052A (zh) 一种基于车流方向判别高速公路车流监控设备转动的方法
CN116811895B (zh) 车辆运行速度确定模型处理方法和车辆运行速度确定方法
CN111160594B (zh) 一种到达时间的预估方法、装置及存储介质
CN116699731A (zh) 一种热带气旋路径短期预报方法、系统及存储介质
Xia et al. Deeprailway: a deep learning system for forecasting railway traffic
CN115691140A (zh) 一种汽车充电需求时空分布的分析与预测方法
CN111371609B (zh) 基于深度学习的车联网连通预测方法

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
GR01 Patent grant
GR01 Patent grant