CN117037499B - 拥堵路段预测方法、装置、计算机设备和存储介质 - Google Patents
拥堵路段预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117037499B CN117037499B CN202311296417.2A CN202311296417A CN117037499B CN 117037499 B CN117037499 B CN 117037499B CN 202311296417 A CN202311296417 A CN 202311296417A CN 117037499 B CN117037499 B CN 117037499B
- Authority
- CN
- China
- Prior art keywords
- congestion
- time point
- time
- target
- road section
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 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
- G08G1/0125—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
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096805—Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
- G08G1/0969—Systems involving transmission of navigation instructions to the vehicle having a display in the form of a map
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种拥堵路段预测方法、装置、计算机设备、存储介质和计算机程序产品。本申请实施例可应用于交通领域。所述方法包括:针对目标区域中任意路段,基于初始拥堵预测参数集和路段在多个时间点分别对应的历史拥堵指数确定目标拥堵时间点,基于路段在多个时间点分别对应的当前拥堵指数确定第二拥堵时间点;基于存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程;基于历史时空里程和当前时空里程之间的差异,调整初始拥堵预测参数集,得到目标拥堵预测参数集。采用本方法能够提高拥堵路段预测准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种拥堵路段预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
目前,交通拥堵已成为各大城市日益突显的问题,为了有效地缓解交通拥堵,需要及时掌握路段拥堵信息,以便实现针对拥堵路段的精准干预。
传统技术中,通常是基于历史数据预测拥堵路段,将过去在某一时间点发生过拥堵的路段作为未来在同一时间点会发生拥堵的路段。例如,若某一路段在当天9点发生了拥堵,则预测该路段明天9点也会发生拥堵。然而,这种拥堵路段预测方式过于粗放,容易将偶发性拥堵误判为常发性拥堵,拥堵路段预测准确性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高拥堵路段预测准确性的拥堵路段预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
本申请提供了一种拥堵路段预测方法,包括:
获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数;
针对所述各个路段中任意一个路段,基于所述历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于所述初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点;
针对所述各个路段中任意一个路段,基于所述当前拥堵指数,从所述各个时间点中确定第二拥堵时间点;
基于所述目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定所述目标区域对应的历史时空里程,基于所述目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定所述目标区域对应的当前时空里程;
基于所述历史时空里程和所述当前时空里程之间的时空里程差异,调整所述初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;所述目标拥堵预测参数集,用于基于所述当前拥堵指数预测所述目标区域中存在目标拥堵时间点的路段。
本申请还提供了一种拥堵路段预测装置,包括:
拥堵指数获取模块,用于获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数;
拥堵时间点确定模块,用于针对所述各个路段中任意一个路段,基于所述历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于所述初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点;
所述拥堵时间点确定模块,还用于针对所述各个路段中任意一个路段,基于所述当前拥堵指数,从所述各个时间点中确定第二拥堵时间点;
时空里程确定模块,用于基于所述目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定所述目标区域对应的历史时空里程,基于所述目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定所述目标区域对应的当前时空里程;
拥堵预测参数调整模块,用于基于所述历史时空里程和所述当前时空里程之间的时空里程差异,调整所述初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;所述目标拥堵预测参数集,用于基于所述当前拥堵指数预测所述目标区域中存在目标拥堵时间点的路段。
本申请还提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述拥堵路段预测方法所述的步骤。
本申请还提供了一种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上述拥堵路段预测方法所述的步骤。
本申请还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现上述拥堵路段预测方法所述的步骤。
上述拥堵路段预测方法、装置、计算机设备、存储介质和计算机程序产品,获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数;针对各个路段中任意一个路段,基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点;针对各个路段中任意一个路段,基于当前拥堵指数,从各个时间点中确定第二拥堵时间点;基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程;基于历史时空里程和当前时空里程之间的时空里程差异,调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;目标拥堵预测参数集,用于基于当前拥堵指数预测目标区域中存在目标拥堵时间点的路段。这样,基于历史拥堵指数和初始拥堵预测参数集,预测路段对应的目标拥堵时间点,基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于当前拥堵指数确定第二拥堵时间点,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。可以理解,历史时空里程可以反映基于初始拥堵预测参数集预测得到的拥堵路段的路段相关信息,当前时空里程可以反映当前拥堵路段的路段相关信息,历史时空里程和当前时空里程之间的时空里程差异可以反映预测的拥堵路段和当前拥堵路段之间的差异,即可以反映拥堵路段的预测准确性,基于时空里程差异调整初始拥堵预测参数集,能够得到可以准确预测拥堵路段的目标拥堵预测参数集,基于目标拥堵预测参数集预测拥堵路段,可以有效提高拥堵路段预测准确性。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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获得其他的附图。
图1为一个实施例中拥堵路段预测方法的应用环境图;
图2为一个实施例中拥堵路段预测方法的流程示意图;
图3为另一个实施例中拥堵路段预测方法的流程示意图;
图4为另一个实施例中拥堵路段预测方法的流程示意图;
图5为另一个实施例中拥堵路段预测方法的流程示意图;
图6为一个实施例中基于拥堵预测参数集确定常发拥堵时间点的流程示意图;
图7为另一个实施例中拥堵路段预测方法的流程示意图;
图8为一个实施例中确定目标拥堵预测参数集的示意图;
图9为一个实施例中导航界面的界面示意图;
图10为一个实施例中拥堵路段预测装置的结构框图;
图11为另一个实施例中拥堵路段预测装置的结构框图;
图12为另一个实施例中拥堵路段预测装置的结构框图;
图13为一个实施例中计算机设备的内部结构图;
图14为另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。
本申请中相关数据收集处理在实例应用时应该严格根据相关法律法规的要求,获取个人信息主体的知情同意或单独同意,并在法律法规及个人信息主体的授权范围内,开展后续数据使用及处理行为。
本申请实施例可应用于各种场景,包括但不限于云技术、人工智能、智慧交通、辅助驾驶等。
本申请实施例提供的拥堵路段预测方法,可以应用于如图1所示的应用环境中。其中,终端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。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端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、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、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可以用独立的服务器或者是多个服务器组成的服务器集群或者云服务器来实现。
终端和服务器均可单独用于执行本申请实施例中提供的拥堵路段预测方法。
例如,服务器获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数。针对各个路段中任意一个路段,服务器基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点。针对各个路段中任意一个路段,服务器基于当前拥堵指数,从各个时间点中确定第二拥堵时间点。服务器基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。服务器基于历史时空里程和当前时空里程之间的时空里程差异,调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集。目标拥堵预测参数集,用于基于当前拥堵指数预测目标区域中存在目标拥堵时间点的路段。
可以理解,终端和服务器也可协同用于执行本申请实施例中提供的拥堵路段预测方法。
在一个实施例中,如图2所示,提供了一种拥堵路段预测方法,以该方法应用于计算机设备来举例说明,计算机设备可以是终端或服务器。可以理解,该方法可以由终端或服务器自身单独执行,也可以通过终端和服务器之间的交互来实现。其中:
步骤S202,获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数。
其中,目标区域是指待识别拥堵路段的区域。目标区域具体可以根据实际需要进行选择,例如,目标区域可以是一个城市;目标区域可以是一个城市中的一个市辖区;等等。目标区域包括至少一个路段。
一段时间可以划分为多个时间点。例如,一天可以按照5分钟进行划分,得到288个时间点;一天可以按照1分钟进行划分,得到1440个时间点;等等。拥堵指数用于表示拥堵程度,可以是根据路段的车流量、车运行速度等道路数据计算得到的。路段在时间点对应的拥堵指数,用于表示路段在该时间点的拥堵情况、拥堵程度。路段在时间点对应的历史拥堵指数,用于表示路段在历史时候在该时间点的拥堵情况、拥堵程度。路段在时间点对应的当前拥堵指数,用于表示路段在当前时候在该时间点的拥堵情况、拥堵程度。例如,若时间点为9点,则路段在9点对应的历史拥堵指数可以是路段在昨天9点对应的拥堵指数,路段在9点对应的当前拥堵指数可以是路段在当天9点对应的拥堵指数。
具体地,计算机设备可以在本地或从其他设备上获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数,基于历史拥堵指数和当前拥堵指数,确定用于预测拥堵路段的拥堵预测参数集。
步骤S204,针对各个路段中任意一个路段,基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点。
其中,拥堵预测参数集包括至少两个参数,拥堵预测参数集用于预测拥堵路段。拥堵预测参数集包括拥堵指数参数和拥堵时长参数。拥堵指数参数是针对拥堵指数的阈值,用于基于时间点对应的拥堵指数判断时间点是否为拥堵时间点。拥堵指数参数表示可接受的最低拥堵指数。拥堵时长参数是针对拥堵时长的阈值,用于基于拥堵时间点对应的拥堵时长判断拥堵时间点是否为目标拥堵时间点。拥堵时长参数表示可接受的最短拥堵持续时长。可以理解,初始拥堵预测参数集是指待调整的拥堵预测参数集。
第一拥堵时间点是基于历史拥堵指数和拥堵指数参数,从各个时间点中确定的。第一拥堵时间点代表初始的拥堵时间点,初始的拥堵时间点可以反映路段的短暂性拥堵。目标拥堵时间点是基于拥堵时长参数,从各个第一拥堵时间点中确定的。目标拥堵时间点代表目标的拥堵时间点、常发拥堵时间点,目标的拥堵时间点可以反映路段的常发性拥堵。
具体地,针对目标区域中任意一个路段,计算机设备可以基于初始拥堵预测参数集和路段在各个时间点分别对应的历史拥堵指数,从各个时间点中确定路段对应的目标拥堵时间点。针对目标区域中任意一个路段,基于初始拥堵预测参数集中的拥堵指数参数和路段在各个时间点分别对应的历史拥堵指数,从各个时间点中确定第一拥堵时间点,得到路段对应的第一拥堵时间点。例如,若时间点对应的历史拥堵指数越大,则路段在该时间点越拥堵,可以将历史拥堵指数大于或等于拥堵指数参数的时间点作为第一拥堵时间点。可以理解,第一拥堵时间点可能是偶发拥堵时间点,也可能是常发拥堵时间点,为了进一步确定常发拥堵时间点,基于初始拥堵预测参数集中的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点,得到路段对应的目标拥堵时间点。例如,若时间上连续相邻的多个第一拥堵时间点的累计时长大于或等于拥堵时长参数,则可以将这多个第一拥堵时间点分别作为目标拥堵时间点。
步骤S206,针对各个路段中任意一个路段,基于当前拥堵指数,从各个时间点中确定第二拥堵时间点。
其中,第二拥堵时间点是基于当前拥堵指数从各个时间点中确定的。
具体地,针对目标区域中任意一个路段,计算机设备可以基于路段在各个时间点分别对应的当前拥堵指数,从各个时间点中确定第二拥堵时间点,得到路段对应的第二拥堵时间点。例如,可以将当前拥堵指数大于预设阈值的时间点作为第二拥堵时间点。
步骤S208,基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。
其中,时空里程是基于拥堵路段对应的拥堵时间和路段长度确定的数据,用于反映拥堵路段在时间和空间上的特点。目标区域对应的历史时空里程是基于目标区域中历史拥堵路段对应的拥堵时间和路段长度确定的数据。目标区域对应的当前时空里程是基于目标区域中当前拥堵路段对应的拥堵时间和路段长度确定的数据。
具体地,路段对应的目标拥堵时间点是基于历史拥堵指数确定的,目标区域中存在目标拥堵时间点的路段可以认为是目标区域中的历史拥堵路段。计算机设备可以基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程。例如,可以融合同一路段对应的路段长度和目标拥堵时间点,得到路段对应的历史时空里程,融合各个路段分别对应的历史时空里程得到目标区域对应的历史时空里程。
路段对应的第二拥堵时间点是基于当前拥堵指数确定的,目标区域中存在第二拥堵时间点的路段可以认为是目标区域中的当前拥堵路段。计算机设备可以基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。例如,可以融合同一路段对应的路段长度和第二拥堵时间点,得到路段对应的当前时空里程,融合各个路段分别对应的当前时空里程得到目标区域对应的当前时空里程。
步骤S210,基于历史时空里程和当前时空里程之间的时空里程差异,调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;目标拥堵预测参数集,用于基于当前拥堵指数预测目标区域中存在目标拥堵时间点的路段。
其中,预设条件是预先设置的、用于确定是否结束参数调整的条件。预设条件可以是时空里程差异小于预设差异,也可以是时长里程差异最小化。可以理解,目标拥堵预测参数集是指完成调整的拥堵预测参数集。
具体地,路段的拥堵可以分为常发性拥堵和偶发性拥堵,即可以分为正常性拥堵和非正常性拥堵。常发性拥堵属于周期性的拥堵,具有一定的可预见性。基于初始拥堵预测参数集确定的目标拥堵时间点可以代表常发拥堵时间点,基于当前拥堵指数确定的第二拥堵时间点可以代表当前拥堵时间点,若当前拥堵时间点和常发拥堵时间点一致或相近,可以反映初始拥堵预测参数集能够识别出正确的常发拥堵时间点,能够识别、预测常发拥堵路段。因此,在确定目标区域对应的历史时空里程和当前时空里程后,计算机设备可以计算历史时空里程和当前时空里程之间的时空里程差异,若时空里程差异满足预设条件,则将初始拥堵预测参数集作为目标拥堵预测参数集;若时空里程差异不满足预设条件,则基于时空里程差异调整初始拥堵预测参数集,基于调整后的初始拥堵预测参数集重新确定时空里程差异,直至基于调整后的初始拥堵预测参数集确定的时空里程差异满足预设条件,则将调整后的初始拥堵预测参数集作为目标拥堵预测参数集。
目标拥堵预测参数集可以用于识别常发拥堵路段,常发拥堵路段是指经常发生拥堵的路段,也就是常发拥堵路段可以指示在未来会发生拥堵的路段,目标拥堵预测参数集可以用于预测常发拥堵路段。具体可以基于当前拥堵指数和目标拥堵预测参数集预测目标区域中存在目标拥堵时间点的路段。例如,针对目标区域中任意一个路段,基于目标拥堵预测参数集中的拥堵指数参数和路段在各个时间点分别对应的当前拥堵指数,从各个时间点中确定第一拥堵时间点,基于目标拥堵预测参数集中的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点。可以理解,针对目标区域中任意一个路段,基于目标拥堵预测参数集预测得到的目标拥堵时间点,可以代表路段在未来时候的目标拥堵时间点很可能发生拥堵。基于目标拥堵预测参数集确定的预测结果可以用于交通管理、出行导航等应用场景。例如,在交通管理场景下,针对预测得到的目标区域中存在目标拥堵时间点的路段,可以在目标拥堵时间点附近进行交通管制以减少或避免交通拥堵。若目标拥堵时间点为9点,则可以在明日9点前后进行路段的交通管制。又例如,在出行导航场景下,针对预测得到的目标区域中存在目标拥堵时间点的路段,可以提前提醒用户可能会发生拥堵或减少涉及该路段在目标拥堵时间点附近的导航规划,降低用户出行的时间成本。若目标拥堵时间点为9点,则针对明日9点前后的导航规划,可以规划途经其他路段到达目的地的导航路线。
在一个实施例中,可以确定目标区域对应的多个时空里程对,一个时空里程对包括一对历史时空里程和当前时空里程,计算各个时空里程对各自的时空里程差异,基于各个时空里程差异得到综合时空里程差异,基于综合时空里程差异调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集。
例如,针对9月份,计算目标区域在9月份每天分别对应的时空里程对,一天对应的时空里程对包括目标区域当天的当前时空里程和历史时空里程,当天的当前时空里程是基于当天的当前拥堵指数确定的,历史时空里程是基于当天之前的历史拥堵指数确定的。计算各个时空里程对各自的时空里程差异,基于各个时空里程差异的均值得到综合时空里程差异,基于综合时空里程差异调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集。
上述拥堵路段预测方法中,基于历史拥堵指数和初始拥堵预测参数集,预测路段对应的目标拥堵时间点,基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于当前拥堵指数确定第二拥堵时间点,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。可以理解,历史时空里程可以反映基于初始拥堵预测参数集预测得到的拥堵路段的路段相关信息,当前时空里程可以反映当前拥堵路段的路段相关信息,历史时空里程和当前时空里程之间的时空里程差异可以反映预测的拥堵路段和当前拥堵路段之间的差异,即可以反映拥堵路段的预测准确性,基于时空里程差异调整初始拥堵预测参数集,能够得到可以准确预测拥堵路段的目标拥堵预测参数集,基于目标拥堵预测参数集预测拥堵路段,可以有效提高拥堵路段预测准确性。
在一个实施例中,获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数,包括:
将目标区域中各个路段分别作为目标路段;获取目标路段在多个时间点分别对应的多个历史交通指数;同一时间点对应的多个历史交通指数是同一时间点在多个历史统计周期分别对应的交通指数;针对各个时间点中任意一个时间点,确定各个历史交通指数分别对应的交通拥堵级别,基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定目标路段在时间点对应的历史拥堵指数;获取目标路段在各个时间点分别对应的当前交通指数作为目标路段在各个时间点分别对应的当前拥堵指数;当前交通指数是在当前统计周期对应的交通指数。
其中,交通指数是综合反映道路网畅通或拥堵的概念性指数值。交通指数数值越高表明交通拥堵状况越严重。例如,交通指数可以是实际行程时间与畅通行程时间的比值。交通指数也可以称为交通运行指数(Traffic Performance Index,TPI)。
交通指数的取值范围可以划分为多个区间,不同的区间对应不同的交通拥堵级别,交通拥堵级别越高表明交通指数数值越高。例如,交通指数根据取值范围可以划分为4个交通拥堵级别,0~1.5为畅通,1.5~1.8为缓行,1.8~2.0为拥堵,2.0及以上为严重拥堵。
同一路段同一时间点在不同的统计周期有相应的交通指数。统计周期是对交通指数进行统计的周期。统计周期可以根据实际需要进行设置。例如,统计周期可以是一天、一天中的早高峰、一天中的晚高峰、一天中的其他时间段等。对统计周期进行时间划分得到多个时间点。例如,若统计周期为一天,可以按照5分钟进行时间划分,得到288个时间点。
路段在时间点对应的当前交通指数,是指路段在该时间点在当前统计周期对应的交通指数。路段在时间点对应的历史交通指数,是指路段在该时间点在历史统计周期对应的交通指数。若路段在同一时间点对应多个历史交通指数,则同一时间点对应的多个历史交通指数是同一时间点在多个历史统计周期分别对应的交通指数。可以理解,当前统计周期是指当前所处的统计周期,历史统计周期是指在当前统计周期之前的统计周期,例如,历史统计周期可以是上一统计周期。
进一步举例说明,若统计周期为一天,则当前统计周期可以为今日,多个历史统计周期可以是历史15天的每天。若时间点为7点,则路段在7点对应的当前交通指数为路段在今日7点对应的交通指数,则路段在7点对应的多个历史交通指数可以是路段在历史15天中每天7点对应的交通指数。
路段在时间点对应的当前拥堵指数是基于路段在时间点对应的当前交通指数确定的,具体是将当前交通指数作为当前拥堵指数。
路段在时间点对应的历史拥堵指数是基于路段在时间点对应的历史交通指数确定的,具体是基于路段在同一时间点对应的多个历史交通指数中,交通拥堵级别为目标拥堵级别的历史交通指数确定的。目标拥堵级别是表示道路处于拥堵状态的拥堵级别。例如,交通指数根据取值范围可以划分为4个交通拥堵级别,0~1.5为畅通,1.5~1.8为缓行,1.8~2.0为拥堵,2.0及以上为严重拥堵,目标拥堵级别可以是拥堵和严重拥堵。
具体地,计算机设备可以将目标区域中各个路段分别作为目标路段,基于目标路段在多个时间点分别对应的历史交通指数确定目标路段在多个时间点分别对应的历史拥堵指数,基于目标路段在多个时间点分别对应的当前交通指数确定目标路段在多个时间点分别对应的当前拥堵指数,分别确定目标区域中各个路段在各个时间点分别对应的历史拥堵指数和当前拥堵指数。
针对当前拥堵指数,计算机设备可以获取目标路段在各个时间点分别对应的当前交通指数作为目标路段在各个时间点分别对应的当前拥堵指数。例如,若时间点为9点,可以获取目标路段在今日9点的TPI数据作为目标路段在今日9点的当前拥堵指数。
针对历史拥堵指数,计算机设备可以获取目标路段在各个时间点分别对应的多个历史交通指数,基于目标路段在一个时间点对应的多个历史交通指数,得到目标路段在一个时间点对应的历史拥堵指数。针对各个时间点中任意一个时间点,确定目标路段在一个时间点对应的各个历史交通指数分别对应的交通拥堵级别,将历史交通指数所属区间对应的交通拥堵级别作为历史交通指数对应的交通拥堵级别,进而基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定目标路段在该时间点对应的历史拥堵指数。可以理解,针对一个时间点,总指数数量是指该时间点对应的各个历史交通指数的总数,交通拥堵级别为目标拥堵级别的历史交通指数的指数数量,是指在该时间点对应的各个历史交通指数中,交通拥堵级别为目标拥堵级别的历史交通指数的总数。例如,统计周期为一天,目标路段在9点对应的历史拥堵指数=目标路段在历史15天中9点为目标拥堵级别的天数/总天数15。路段在时间点对应的历史拥堵指数可以反映路段在该时间点对应的历史拥堵概率。
上述实施例中,针对路段在一个时间点对应的多个历史交通指数,基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定目标路段在该时间点对应的历史拥堵指数,使得历史拥堵指数可以反映路段在该时间点在多个历史统计周期的平均拥堵水平。将路段在一个时间点对应的当前交通指数作为路段在该时间点对应的当前拥堵指数,使得当前拥堵指数可以直接反映路段在该时间点在当前统计周期的交通状况。
在一个实施例中,如图3所示,步骤S204,包括:
步骤S302,针对当前路段,基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,将各个时间点划分为第一拥堵时间点和第一非拥堵时间点;第一拥堵时间点对应的历史拥堵指数大于或等于拥堵指数参数。
步骤S304,将当前路段对应的各个第一拥堵时间点和第一非拥堵时间点按照时间顺序进行排列,得到初始时间点序列。
其中,当前路段是指当前处理的路段,当前路段可以是目标区域中任意一个路段。第一拥堵时间点是历史拥堵指数大于或等于拥堵指数参数的时间点,第一非拥堵时间点是历史拥堵指数小于拥堵指数参数的时间点。
具体地,针对当前路段,计算机设备可以将当前路段在各个时间点对应的历史拥堵指数分别和初始拥堵预测参数集中的拥堵指数参数进行比较,将历史拥堵指数大于或等于拥堵指数参数的时间点作为第一拥堵时间点,将历史拥堵指数小于拥堵指数参数的时间点作为第一非拥堵时间点,得到当前路段对应的各个第一拥堵时间点和各个第一非拥堵时间点。进而,计算机设备可以将当前路段对应的各个第一拥堵时间点和第一非拥堵时间点按照时间顺序进行排列,得到初始时间点序列。
步骤S306,从当前路段对应的初始时间点序列中,获取连续排列的各个第一拥堵时间点组成第一时间点集,统计第一时间点集的累计时长作为第一累计拥堵时长。
步骤S308,从当前路段对应的各个第一时间点集中,将第一累计拥堵时长大于或等于属于初始拥堵预测参数集的拥堵时长参数的第一时间点集作为第一目标时间点集,将第一目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
具体地,第一拥堵时间点可能是偶发拥堵时间点,也可能是常发拥堵时间点,考虑到常发性拥堵具有一定的持续性,在时间上连续拥堵一定时长才判断为常发性拥堵,因此,进一步基于初始拥堵预测参数集中的拥堵时长参数,从第一拥堵时间点中确定常发拥堵时间点。
从当前路段对应的初始时间点序列中,计算机设备可以获取连续排列的各个第一拥堵时间点组成第一时间点集,得到当前路段对应的各个第一时间点集。可以理解,若初始时间点序列中没有连续排列的第一拥堵时间点,则当前路段没有目标拥堵时间点。若初始时间点序列中有多组连续排列的第一拥堵时间点,则可以得到多个第一时间点集。在连续排列的各个第一拥堵时间点中,没有第一非拥堵时间点。进而,计算机设备可以统计第一时间点集的累计时长作为第一累计拥堵时长,得到各个第一时间点集分别对应的第一累计拥堵时长。可以理解,第一累计拥堵时长可以认为是常发拥堵时间段。计算机设备可以将各个第一累计拥堵时长分别和初始拥堵预测参数集中的拥堵时长参数进行比较,若第一累计拥堵时长大于或等于拥堵时长参数,表示拥堵持续时长达到一定时长,可以认为属于常发性拥堵,因此将第一累计拥堵时长大于或等于拥堵时长参数的第一时间点集作为第一目标时间点集。最终,计算机设备将第一目标时间点集中各个第一拥堵时间点分别作为当前路段对应的目标拥堵时间点,得到当前路段对应的各个目标拥堵时间点。
举例说明,假设统计周期为一天,将一天划分为24个时间点,一个时间点代表一个小时。初始时间点序列用{0,0,0,0,0,0,1,1,1,1,1,0,0,0,0,1,1,1,1,0,0,0,0,1}表示,其中第一拥堵时间点用1表示,第一非拥堵时间点用0表示,初始时间点序列中第一个时间点表示1点,最后一个时间点表示24点。从初始时间点序列中获取连续排列的各个第一拥堵时间点组成第一时间点集,可以得到两个第一时间点集,分别为{1,1,1,1,1}和{1,1,1,1}。{1,1,1,1,1}包括5个时间点,则{1,1,1,1,1}的累计时长为5个小时,{1,1,1,1}包括4个时间点,则{1,1,1,1}的累计时长为4个小时。若拥堵时长参数为5个小时,则在两个第一时间点集中,只有{1,1,1,1,1}为第一目标时间点集,将{1,1,1,1,1}中各个时间点分别作为目标拥堵时间点,从而目标拥堵时间点为7点、8点、9点、10点、11点。
上述实施例中,从当前路段对应的初始时间点序列中,获取连续排列的各个第一拥堵时间点组成第一时间点集,统计第一时间点集的累计时长作为第一累计拥堵时长,从当前路段对应的各个第一时间点集中,将第一累计拥堵时长大于或等于初始拥堵预测参数集中的拥堵时长参数的第一时间点集作为第一目标时间点集,将第一目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。这样,将拥堵持续时长大于或等于拥堵时长参数的各个第一拥堵时间点作为目标拥堵时间点,能够过滤掉代表偶发性拥堵的第一拥堵时间点,提高目标拥堵时间点的识别准确性。
在一个实施例中,如图4所示,拥堵路段预测方法还包括:
步骤S402,从当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个第一非拥堵时间点的累计时长作为第一累计非拥堵时长,在第一累计非拥堵时长小于或等于属于初始拥堵预测参数集的非拥堵时长参数时,将第一累计非拥堵时长对应的各个第一非拥堵时间点转化为第一拥堵时间点,得到第一更新时间点序列。
其中,初始拥堵预测参数集还包括非拥堵时长参数。非拥堵时长参数是针对非拥堵时长的阈值,用于基于非拥堵时间点对应的非拥堵时长判断非拥堵时间点是否可以转化为拥堵时间点。非拥堵时长参数表示可接受的最长非拥堵持续时长。
具体地,在识别常发拥堵时间段的时候,可以允许两个第一拥堵时间点之间有一定时长的非拥堵时间段,因此,进一步基于初始拥堵预测参数集中的非拥堵时长参数,从第一非拥堵时间点中确定常发拥堵时间点。
从当前路段对应的初始时间点序列中,计算机设备可以统计在两个相邻第一拥堵时间点之间连续排列的各个第一非拥堵时间点的累计时长作为第一累计非拥堵时长,得到当前路段对应的各个第一累计非拥堵时长。可以理解,若初始时间点序列中在两个相邻第一拥堵时间点之间没有连续排列的第一非拥堵时间点,则当前路段没有第一累计非拥堵时长。若初始时间点序列中有多组相邻第一拥堵时间点,一组相邻第一拥堵时间点包括两个相邻第一拥堵时间点,有多组相邻第一拥堵时间点中存在连续排列的第一非拥堵时间点,则可以得到多个第一累计非拥堵时长。在连续排列的各个第一非拥堵时间点中,没有第一拥堵时间点。进而,计算机设备可以将各个第一累计非拥堵时长分别和初始拥堵预测参数集中的非拥堵时长参数进行比较,若第一累计非拥堵时长小于或等于非拥堵时长参数,表示非拥堵持续时长小于一定时长,可以认为依然属于拥堵时间段,因此在第一累计非拥堵时长小于或等于非拥堵时长参数时,将第一累计非拥堵时长对应的各个第一非拥堵时间点转化为第一拥堵时间点,得到当前路段对应的第一更新时间点序列。
举例说明,假设统计周期为一天,将一天划分为24个时间点,一个时间点代表一个小时。初始时间点序列用{0,0,0,0,0,0,1,1,0,0,1,0,0,0,0,1,1,1,1,0,0,0,0,1}表示,其中第一拥堵时间点用1表示,第一非拥堵时间点用0表示,初始时间点序列中第一个时间点表示1点,最后一个时间点表示24点。在两个相邻第一拥堵时间点之间连续排列的各个第一非拥堵时间点包括三组,分别为{1,0,0,1}、{1,0,0,0,0,1}、{1,0,0,0,0,1}。{1,0,0,1}包括两个第一非拥堵时间点,累计非拥堵时长为2小时,{1,0,0,0,0,1}包括四个第一非拥堵时间点,累计非拥堵时长为4个小时。若非拥堵时长参数为2个小时,则只有{1,0,0,1}的累计非拥堵时长小于或等于非拥堵时长参数,将{1,0,0,1}中各个第一非拥堵时间点转化为第一拥堵时间点,得到第一更新时间点序列。第一更新时间点序列用{0,0,0,0,0,0,1,1,1,1,1,0,0,0,0,1,1,1,1,0,0,0,0,1}表示。
可以理解,当前路段对应的初始时间点序列中的第一拥堵时间点和第一非拥堵时间点是基于拥堵指数参数确定的。当前路段对应的第一更新时间点序列中的第一拥堵时间点和第一非拥堵时间点是基于拥堵指数参数、非拥堵时长参数确定的。
步骤S404,在当前路段对应的第一更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第二时间点集,统计第二时间点集的累计时长作为第二累计拥堵时长。
步骤S406,从当前路段对应的各个第二时间点集中,将第二累计拥堵时长大于或等于拥堵时长参数的第二时间点集作为第二目标时间点集,将第二目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
具体地,在当前路段对应的第一更新时间点序列中,计算机设备可以获取连续排列的各个第一拥堵时间点组成第二时间点集,得到当前路段对应的各个第二时间点集。进而,计算机设备可以统计第二时间点集的累计时长作为第二累计拥堵时长,得到各个第二时间点集分别对应的第二累计拥堵时长。可以理解,第二累计拥堵时长可以认为是常发拥堵时间段。计算机设备可以将各个第二累计拥堵时长分别和初始拥堵预测参数集中的拥堵时长参数进行比较,若第二累计拥堵时长大于或等于拥堵时长参数,表示拥堵持续时长达到一定时长,可以认为属于常发性拥堵,因此将第二累计拥堵时长大于或等于拥堵时长参数的第二时间点集作为第二目标时间点集。最终,计算机设备将第二目标时间点集中各个第二拥堵时间点分别作为当前路段对应的目标拥堵时间点,得到当前路段对应的各个目标拥堵时间点。
上述实施例中,从当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个第一非拥堵时间点的累计时长作为第一累计非拥堵时长,将小于或等于非拥堵时长参数的第一累计非拥堵时长对应的各个第一非拥堵时间点转化为第一拥堵时间点,得到当前路段对应的第一更新时间点序列,再从第一更新时间点序列中,将拥堵持续时长大于或等于拥堵时长参数的各个第一拥堵时间点作为目标拥堵时间点。这样,允许常发拥堵时间段中有少量第一非拥堵时间点,能够提高常发拥堵时间段的识别准确性,也就是,提高目标拥堵时间点的识别准确性。
在一个实施例中,如图5所示,拥堵路段预测方法还包括:
步骤S502,从当前路段对应的初始时间点序列中,将历史拥堵指数大于或等于更新指数参数的第一非拥堵时间点作为参考非拥堵时间点;更新指数参数是基于初始拥堵预测参数集中的拥堵调整参数,缩小拥堵指数参数得到的。
其中,初始拥堵预测参数集还包括拥堵调整参数。拥堵调整参数是针对拥堵指数参数的调整参数,用于缩小拥堵指数参数得到更新指数参数。例如,拥堵调整参数可以是80%,更新指数参数为拥堵指数参数的80%。更新指数参数用于指示可转化为拥堵时间点的非拥堵时间点所需的最低拥堵指数。更新指数参数表示针对非拥堵时间点可接受的最低拥堵指数。
具体地,在识别常发拥堵时间段的时候,虽然可以允许两个第一拥堵时间点之间有一定时长的非拥堵时间段,但是非拥堵时间段中时间点对应的拥堵指数需要大于一定阈值,因此,进一步基于初始拥堵预测参数集中的非拥堵时长参数和拥堵调整参数,从第一非拥堵时间点中确定常发拥堵时间点。
从当前路段对应的初始时间点序列中,计算机设备可以将各个第一非拥堵时间点分别对应的历史拥堵指数分别和更新指数参数进行比较,若第一非拥堵时间点对应的历史拥堵指数大于或等于更新指数参数,表示第一非拥堵时间点对应的历史拥堵指数接近拥堵状态,因此将历史拥堵指数大于或等于更新指数参数的第一非拥堵时间点作为参考非拥堵时间点,后续判断是否需要将参考非拥堵时间点转化为第一拥堵时间点。
可以理解,参考非拥堵时间点对应的历史拥堵指数虽然小于拥堵指数参数,但是大于或等于更新指数参数。
步骤S504,从当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个参考非拥堵时间点的累计时长作为第二累计非拥堵时长,在第二累计非拥堵时长小于或等于属于初始拥堵预测参数集的非拥堵时长参数时,将第二累计非拥堵时长对应的各个参考非拥堵时间点转化为第一拥堵时间点,得到第二更新时间点序列。
具体地,从当前路段对应的初始时间点序列中,计算机设备可以统计在两个相邻第一拥堵时间点之间连续排列的各个参考非拥堵时间点的累计时长作为第二累计非拥堵时长,得到当前路段对应的各个第二累计非拥堵时长。进而,计算机设备可以将各个第二累计非拥堵时长分别和初始拥堵预测参数集中的非拥堵时长参数进行比较,若第二累计非拥堵时长小于或等于非拥堵时长参数,表示非拥堵持续时长小于一定时长,可以认为依然属于拥堵时间段,因此在第二累计非拥堵时长小于或等于非拥堵时长参数时,将第二累计非拥堵时长对应的各个参考非拥堵时间点转化为第一拥堵时间点,得到当前路段对应的第二更新时间点序列。
可以理解,当前路段对应的初始时间点序列中的第一拥堵时间点和第一非拥堵时间点是基于拥堵指数参数确定的。当前路段对应的第二更新时间点序列中的第一拥堵时间点和第一非拥堵时间点是基于拥堵指数参数、非拥堵时长参数、调整指数参数确定的。
步骤S506,在当前路段对应的第二更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第三时间点集,统计第三时间点集的累计时长作为第三累计拥堵时长。
步骤S508,从当前路段对应的各个第三时间点集中,将第三累计拥堵时长大于或等于拥堵时长参数的第三时间点集作为第三目标时间点集,将第三目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
具体地,在当前路段对应的第二更新时间点序列中,计算机设备可以获取连续排列的各个第一拥堵时间点组成第三时间点集,得到当前路段对应的各个第三时间点集。进而,计算机设备可以统计第三时间点集的累计时长作为第三累计拥堵时长,得到各个第三时间点集分别对应的第三累计拥堵时长。可以理解,第三累计拥堵时长可以认为是常发拥堵时间段。计算机设备可以将各个第三累计拥堵时长分别和初始拥堵预测参数集中的拥堵时长参数进行比较,若第三累计拥堵时长大于或等于拥堵时长参数,表示拥堵持续时长达到一定时长,可以认为属于常发性拥堵,因此将第三累计拥堵时长大于或等于拥堵时长参数的第三时间点集作为第三目标时间点集。最终,计算机设备将第三目标时间点集中各个第三拥堵时间点分别作为当前路段对应的目标拥堵时间点,得到当前路段对应的各个目标拥堵时间点。
上述实施例中,从当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个参考非拥堵时间点的累计时长作为第二累计非拥堵时长,将历史拥堵指数大于或等于更新指数参数的第一非拥堵时间点作为参考非拥堵时间点,将第二累计非拥堵时长对应的各个参考非拥堵时间点转化为第一拥堵时间点,得到当前路段对应的第二更新时间点序列,再从第二更新时间点序列中,将拥堵持续时长大于或等于拥堵时长参数的各个第一拥堵时间点作为目标拥堵时间点。这样,允许常发拥堵时间段中有少量第一非拥堵时间点,但是这些少量的第一非拥堵时间点对应的历史拥堵指数需要大于或等于更新指数参数,能够避免将表示道路畅通的第一非拥堵时间点识别为常发拥堵时间点,能够提高常发拥堵时间段的识别准确性,也就是,提高目标拥堵时间点的识别准确性。
在一个实施例中,针对各个路段中任意一个路段,基于当前拥堵指数,从各个时间点中确定第二拥堵时间点,包括:
针对当前路段,确定各个当前拥堵指数分别对应的交通拥堵级别,得到各个时间点分别对应的当前交通拥堵级别,将当前交通拥堵级别为目标拥堵级别的时间点作为当前路段对应的第二拥堵时间点。
其中,路段在时间点对应的当前交通拥堵级别,是路段在时间点对应的当前拥堵指数所对应的交通拥堵级别。
具体地,针对当前路段,计算机设备可以确定当前路段在各个时间点对应的当前拥堵指数分别对应的交通拥堵级别,将当前拥堵指数所属区间对应的交通拥堵级别作为当前拥堵指数对应的交通拥堵级别,得到当前路段在各个时间点分别对应的当前交通拥堵级别。目标拥堵级别是表示道路处于拥堵状态的拥堵级别,计算机设备可以将当前交通拥堵级别为目标拥堵级别的时间点作为当前路段对应的第二拥堵时间点。
上述实施例中,基于当前拥堵指数确定当前交通拥堵级别,将当前交通拥堵级别为目标拥堵级别的时间点作为当前路段对应的第二拥堵时间点,这样确定的第二拥堵时间点可以直观反映当前在第二拥堵时间点道路处于拥堵状态。
在一个实施例中,基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,包括:
针对目标区域中存在目标拥堵时间点的路段,统计路段对应的各个目标拥堵时间点的累计时长作为路段对应的目标拥堵时长,融合路段对应的路段长度和目标拥堵时长,得到路段对应的历史时空里程;基于目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,得到目标区域对应的历史时空里程。
具体地,在计算目标区域对应的历史时空里程时,计算机设备可以先计算存在目标拥堵时间点的路段对应的历史时空里程,再基于目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,得到目标区域对应的历史时空里程。
针对目标区域中存在目标拥堵时间点的路段,统计路段对应的各个目标拥堵时间点的累计时长作为路段对应的目标拥堵时长。例如,假设一个目标拥堵时间点代表5分钟,若有20个目标拥堵时间点,则20个目标拥堵时间点的累计时长为100分钟,目标拥堵时长为100分钟。进而,融合路段对应的路段长度和目标拥堵时长,得到路段对应的历史时空里程。例如,将路段对应的路段长度和目标拥堵时长相乘,得到路段对应的历史时空里程。针对目标区域中各个存在目标拥堵时间点的路段,可以计算得到各个路段分别对应的历史时空里程。最终,基于各个路段分别对应的历史时空里程得到目标区域对应的历史时空里程。例如,将各个路段分别对应的历史时空里程相加,得到目标区域对应的历史时空里程。
可以理解,在计算目标区域对应的当前时空里程时,也可以先计算存在第二拥堵时间点的路段对应的当前时空里程,再基于目标区域中各个存在第二拥堵时间点的路段分别对应的当前时空里程,得到目标区域对应的当前时空里程。
上述实施例中,先计算存在目标拥堵时间点的路段对应的历史时空里程,再基于目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,得到目标区域对应的历史时空里程,使得目标区域对应的历史时空里程融合有目标区域中基于初始拥堵预测参数集识别出的各个常发拥堵路段对应的历史时空里程,目标区域对应的历史时空里程具有丰富的信息量,后续用于调整初始拥堵预测参数集来提高初始拥堵预测参数集的识别准确性。针对目标区域中存在目标拥堵时间点的路段,统计路段对应的各个目标拥堵时间点的累计时长作为路段对应的目标拥堵时长,融合路段对应的路段长度和目标拥堵时长,得到路段对应的历史时空里程,使得路段对应的历史时空里程融合有时间和空间上的信息,具有丰富的信息量,有助于提高后续数据处理的准确性。
在一个实施例中,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程,包括:
针对目标区域中同时存在目标拥堵时间点和第二拥堵时间点的路段,从路段对应的各个目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点,统计路段对应的各个公共拥堵时间点的累计时长作为路段对应的公共拥堵时长,融合路段对应的路段长度和公共拥堵时长,得到路段对应的当前时空里程;基于目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段分别对应的当前时空里程,得到目标区域对应的当前时空里程。
其中,路段对应的公共拥堵时间点是指在路段对应的各个目标拥堵时间点和第二拥堵时间点中,重复的、共有的、公共的拥堵时间点。
具体地,在计算目标区域对应的当前时空里程时,计算机设备可以先计算同时存在目标拥堵时间点和第二拥堵时间点的路段对应的当前时空里程,再基于目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段分别对应的当前时空里程,得到目标区域对应的当前时空里程。
针对目标区域中同时存在目标拥堵时间点和第二拥堵时间点的路段,从路段对应的各个目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点,统计路段对应的各个公共拥堵时间点的累计时长作为路段对应的公共拥堵时长。例如,假设一个拥堵时间点代表5分钟,目标拥堵时间点有20个,第二拥堵时间点有19个,若目标拥堵时间点和第二拥堵时间点有15个是重合的,则公共拥堵时间点有15个,15个公共拥堵时间点的累计时长为75分钟,公共拥堵时长为75分钟。进而,融合路段对应的路段长度和公共拥堵时长,得到路段对应的当前时空里程。例如,将路段对应的路段长度和公共拥堵时长相乘,得到路段对应的当前时空里程。针对目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段,可以计算得到各个路段分别对应的当前时空里程。最终,基于目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段分别对应的当前时空里程,得到目标区域对应的当前时空里程。例如,将各个路段分别对应的当前时空里程相加,得到目标区域对应的当前时空里程。
上述实施例中,针对目标区域中同时存在目标拥堵时间点和第二拥堵时间点的路段,先从路段对应的各个目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点,再基于路段对应的路段长度和各个公共拥堵时间点,得到路段对应的当前时空里程。这样,从目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点来计算当前时空里程,能够在一定程度上过滤掉代表偶发性拥堵的第二拥堵时间点,在一定程度上保障当前时空里程能够反映实际常发拥堵路段的时空特征。目标区域对应的历史时空里程能够反映基于初始拥堵预测参数集识别到的常发拥堵路段的时空特征,基于目标区域对应的当前时空里程和历史时空里程之间的时空里程差异调整初始拥堵预测参数集,让基于初始拥堵预测参数集识别到的常发拥堵路段的时空特征接近于实际常发拥堵路段的时空特征,缩小目标区域对应的当前时空里程和历史时空里程之间的时空里程差异,直至时空里程差异满足预设条件,得到目标拥堵预测参数集,目标拥堵预测参数集能够准确识别、预测常发拥堵路段。
在一个实施例中,基于历史时空里程和当前时空里程之间的时空里程差异,调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集,包括:
针对目标区域中存在当前时空里程的路段,基于同一路段对应的当前时空里程和历史时空里程之间的时空里程差异,分别得到各个路段对应的时空里程差异;针对目标区域中存在当前时空里程的路段,基于各个路段分别对应的时空里程差异的均值,得到目标区域对应的时空里程差异;基于目标区域对应的时空里程差异,调整初始拥堵预测参数集,直至目标区域对应的时空里程差异小于预设差异,得到目标拥堵预测参数集。
其中,预设差异是针对时空里程差异设置的阈值。若区域对应的时空里程差异小于预设差异,则表示参数调整结束。可以理解,针对不同的区域,可以设置相同的预设差异,也可以设置不同的预设差异。
具体地,针对目标区域中存在当前时空里程的路段,计算机设备可以计算同一路段对应的当前时空里程和历史时空里程之间的时空里程差异,分别得到各个路段对应的时空里程差异。例如,针对一个路段,可以计算路段对应的当前时空里程和历史时空里程之间的差值作为时空里程差异;可以计算路段对应的当前时空里程和历史时空里程之间的差值,将差值和当前时空里程的比值作为时空里程差异;等等。针对目标区域中存在当前时空里程的路段,计算机设备计算各个路段分别对应的时空里程差异的均值,将均值作为目标区域对应的时空里程差异。进而,计算机设备基于目标区域对应的时空里程差异,调整初始拥堵预测参数集,直至基于调整后的初始拥堵预测参数集计算得到的目标区域对应的时空里程差异小于预设差异,将调整后的初始拥堵预测参数集作为目标拥堵预测参数集。
上述实施例中,基于同一路段对应的当前时空里程和历史时空里程之间的时空里程差异,分别得到各个路段对应的时空里程差异,基于各个路段分别对应的时空里程差异的均值,得到目标区域对应的时空里程差异,使得目标区域对应的时空里程差异能够反映目标区域内路段的平均时空里程差异,基于目标区域对应的时空里程差异,调整初始拥堵预测参数集,直至目标区域对应的时空里程差异小于预设差异,得到目标拥堵预测参数集,使得目标拥堵预测参数集能够普遍地适用于目标区域中各个路段。
在一个具体的实施例中,参考图6说明通过本申请方法预测常发拥堵路段。
获取目标区域中各个路段在当天各个时刻的TPI拥堵指数。可以理解,这里的时刻可以根据需要进行设置,例如,可以是分钟级别的,可以是5分钟时间间隔的。TPI拥堵指数根据值的大小可以划分为4个级别,0-1.5为畅通,1.5-1.8为缓行,1.8-2.0为拥堵,2.0及以上为严重拥堵。针对任意一个路段,将TPI拥堵指数所属级别为拥堵级别或严重拥堵级别的时刻作为路段的当天拥堵时刻。
获取目标区域中各个路段在历史N天中各个时刻的TPI拥堵指数。针对任意一个路段,基于路段在历史N天中各个时刻的TPI拥堵指数计算路段在各个时刻的历史平均拥堵指数。当前时刻为任意一个时刻,当前时刻的历史平均拥堵指数=当前时刻为拥堵级别或严重拥堵级别的天数/总天数N。
拥堵预测参数集包括四个参数,分别为beta、gamma、delta和alpha。
beta(即拥堵指数参数)代表最低拥堵概率,表示历史平均拥堵指数最低为beta时才能够满足作为常发拥堵路段的条件,即常发拥堵路段的历史平均拥堵指数最低为beta。
gamma(即拥堵时长参数)代表最低持续时长,表示按照时间先后顺序,从第一个≥beta值的时间点开始到最后一个≥beta值的时间点结束,这段时间的时间长度应该最低为gamma才能够被认为是常发拥堵路段,即这段时间的所有时间点的历史平均拥堵指数都必须≥beta。
delta(即非拥堵时长参数)代表容忍最长不拥堵时长,表示在识别常发拥堵路段的常发拥堵时间段的时候,可以允许两个历史平均拥堵指数≥beta值的时间点之间最长有delta的时间段的历史平均拥堵指数小于beta,并且这段历史平均拥堵指数小于beta值的时间段也会被包含在常发拥堵时间段内。例如,早晨7点的历史平均拥堵指数大于0.5,7点05的历史平均拥堵指数小于0.5,7点10分的历史平均拥堵指数大于0.5,假设beta为0.5,那么若从7点到7点10这个时间段都被识别为常发拥堵时间段,则这段常发拥堵时间段包含了5分钟的历史平均拥堵指数小于0.5的时间段。
alpha(即拥堵调整参数)代表允许delta的时间段内时间点的历史平均拥堵指数低于beta的比例。例如,前面举例7点05的历史平均拥堵指数低于beta,那么7点05的历史平均拥堵指数应该满足最低为beta的alpha%,7点05才能允许包含到常发拥堵时间段中delta时长内。
针对目标区域中的当前路段,按照5分钟间隔将一天划分为288个时刻,一个时刻代表5分钟,计算各个时刻的历史平均拥堵指数,将288个时刻按照时间先后进行排序。从第一个时刻开始,将第一个时刻作为目标时刻,判断目标时刻的历史平均拥堵指数是否≥beta,如果目标时刻的历史平均拥堵指数≥beta,将目标时刻加入List2,再获取下一个时刻作为目标时刻,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
如果目标时刻的历史平均拥堵指数<beta、且List2为空,获取下一个时刻作为目标时刻,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
如果目标时刻的历史平均拥堵指数<beta、且List2不为空,判断目标时刻的历史平均拥堵指数是否≥beta* alpha%。如果目标时刻的历史平均拥堵指数<beta* alpha%,获取下一个时刻作为目标时刻,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
如果目标时刻的历史平均拥堵指数≥beta* alpha%,判断List2中<beta的连续累计时长是否>delta。如果连续累计时长≤delta,将目标时刻加入List2,获取下一个时刻作为目标时刻,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
如果连续累计时长>delta,判断List2中第一个≥beta的时刻到最后一个≥beta的时刻的时间差是否≥gamma。如果<gamma,清空List2,获取下一个时刻作为目标时刻,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
如果>gamma,将List2中从第一个≥beta的时刻到最后一个≥beta的时刻的各个时刻插入List1,并清空List2,获取下一个时刻作为目标时刻,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
在获取下一个时刻作为目标时刻时,判断目标时刻是否<t_max(t_max为288)。若目标时刻≥t_max,结束判断。若目标时刻<t_max,返回判断目标时刻的历史平均拥堵指数是否≥beta的步骤执行。
在结束判断后,将List1中各个时刻作为当前路段的常发拥堵时刻。基于当前路段的路段长度和当前路段的各个常发拥堵时刻的累计时长,得到当前路段的常发拥堵时空里程。最终,可以得到目标区域中各个路段的常发拥堵时空里程。
针对当前路段,获取当前路段的当前拥堵时刻和常发拥堵时刻之间的交集,得到公共拥堵时刻,基于当前路段的路段长度和当前路段的各个公共拥堵时刻的累计时长,得到当前路段的当前拥堵时空里程。最终,可以得到目标区域中各个路段的当前拥堵时空里程。
计算目标区域中同一路段的常发拥堵时空里程和当前拥堵时空里程之间的时空里程差异,将目标区域中各个路段的时空里程差异的均值作为目标区域的时空里程差异,基于目标区域的时空里程差异调整拥堵预测参数集,直至目标区域的时空里程差异满足预设条件,得到目标拥堵预测参数集。
目标拥堵预测参数可以用于预测目标区域中的常发拥堵路段和常发拥堵路段的常发拥堵时间段。
本申请方法在实际业务中的效果相比传统算法有了显著提升,以A市为例,如表1所示,在找到相同的常发拥堵里程情况下,早晚高峰的时空里程提升了10%以上,而在非早晚高峰时段相比之下时空里程降低了12%,说明本申请方法找到的常发拥堵路段在早晚高峰更容易发生常发拥堵而在非高峰时期发生常发拥堵的比例更低,这与常发拥堵本身更容易发生在早晚高峰且具有规律性的结论一致。从时空分布上来说,本申请方法找到的常发拥堵路段相比传统算法更多分布在城市快速路上,如表1所示,相比传统算法,本申请方法找到的四环内环线常发拥堵里程提升了30%-40%,所有环线的常发拥堵里程提升了15%-20%。其中,常发拥堵里程是指区域中常发拥堵路段的路段长度总和。
表1
在一个实施例中,拥堵路段预测方法还包括:
基于各个路段在各个时间点分别对应的当前拥堵指数,确定各个路段在各个时间点分别对应的目标拥堵指数;针对各个路段中任意一个路段,在基于目标拥堵指数和目标拥堵预测参数集,从各个时间点中预测出目标拥堵时间点时,确定路段为目标拥堵路段;基于目标拥堵路段和目标拥堵路段对应的目标拥堵时间点,生成目标区域对应的交通拥堵预警消息。
其中,目标拥堵指数是基于当前拥堵指数确定的。可以理解,目标拥堵指数的确定方式可以参考前述历史拥堵指数的确定方式。例如,针对当前路段,确定同一时间点对应的历史交通指数和当前交通指数分别对应的交通拥堵级别,针对各个时间点中任意一个时间点,基于交通拥堵级别为目标拥堵级别的交通指数的指数数量在总指数数量中的占比,确定当前路段在时间点对应的目标拥堵指数。
具体地,在确定目标拥堵预测参数集后,计算机设备可以基于目标拥堵预测参数集和目标区域中各个路段在各个时间点分别对应的当前拥堵指数,从各个时间点中确定目标拥堵时间点,将目标拥堵时间点作为目标区域在下一统计周期对应的常发拥堵时间点,基于目标拥堵预测参数集识别出的目标拥堵时间点用于交通拥堵预警。
针对目标区域中任意一个路段,可以基于路段在各个时间点分别对应的当前拥堵指数,确定路段在各个时间点分别对应的目标拥堵指数,基于目标拥堵预测参数集和路段在各个时间点分别对应的目标拥堵指数,从各个时间点中预测、识别目标拥堵时间点。若预测出、识别出目标拥堵时间点,则确定路段为目标拥堵路段。
目标拥堵路段代表常发拥堵路段,目标拥堵路段对应的目标拥堵时间点代表常发拥堵路段会出现拥堵的时间点,基于目标拥堵路段对应的各个目标拥堵时间点可以确定目标拥堵路段对应的常发拥堵时间段。针对目标区域中的目标拥堵路段,基于目标拥堵路段和目标拥堵路段对应的目标拥堵时间点,生成目标区域对应的交通拥堵预警消息。交通拥堵预警信息可以用于提示相关人员目标拥堵路段在目标拥堵时间点很可能会发生拥堵。例如,交通拥堵预警信息可以发送至交通部门对应的交通管理设备,以便交通部门及时对目标拥堵路段进行交通管制;交通拥堵预警信息可以发送至导航设备,以便导航人员及时获知目标拥堵路段和目标拥堵时间点。
在一个实施例中,基于目标拥堵路段和目标拥堵路段对应的目标拥堵时间点,生成目标拥堵路段在当前统计周期的下一统计周期对应的交通拥堵预警消息。交通拥堵预警信息可以用于提示相关人员目标拥堵路段在下一统计周期的目标拥堵时间点很可能会发生拥堵。例如,统计周期为一天,当前统计周期为今日,下一统计周期为明日,若目标拥堵时间点为9点,交通拥堵预警信息可以用于提示相关人员目标拥堵路段在明日9点很可能会发生拥堵。
上述实施例中,目标拥堵预测参数集可以用于预测、识别常发拥堵路段和常发拥堵时间点,目标拥堵预测参数集的预测结果可以用于交通拥堵预警,以便相关人员及时采取相应措施缓解交通拥堵或避开交通拥堵。
在一个实施例中,拥堵路段预测方法还包括:
获取导航请求;导航请求携带出发点和目的地;响应导航请求,获取从出发点到达目的地的候选导航路线;将途经目标拥堵路段的候选导航路线作为第一类导航路线,将剩余的候选导航路线作为第二类导航路线;将第一类导航路线和第二类导航路线发送至导航请求对应的请求端,以使请求端将第一类导航路线和第二类导航路线区别展示。
其中,区别展示是指展示方式不同。
具体地,计算机设备基于各个路段在各个时间点分别对应的当前拥堵指数和目标拥堵预测参数集,确定目标区域中的目标拥堵路段和目标拥堵路段对应的目标拥堵时间点。
用户可以通过终端触发导航请求,导航请求携带出发点和目的地。例如,用户可以在地图应用中输入出发点和目的地,进而触发导航请求。终端可以将导航请求发送至计算机设备,计算机设备响应导航请求进行导航路线规划,确定从出发点到达目的地的候选导航路线。计算机设备可以基于已经确定的目标拥堵路段对各个候选导航路线进行分类,若候选导航路线途经目标拥堵路段,则将候选导航路线作为第一类导航路线,若候选导航路线不途经目标拥堵路段,则将候选导航路线作为第二类导航路线。计算机设备可以向导航请求对应的请求端返回第一类导航路线和第二类导航路线,即向终端返回第一类导航路线和第二类导航路线。终端可以将第一类导航路线和第二类导航路线进行区别展示,例如,在展示第一类导航路线时同步展示用于提示导航路线会途经拥堵路段的提示信息,第二类导航路线则直接展示;先展示第二类导航路线,隐藏第一类导航路线,若用户想要查看第一类导航路线,再基于用户操作展示第一类导航路线。
在一个实施例中,第一类导航路线携带目标拥堵路段对应的目标拥堵时间点,在展示第一类导航路线时,可以同步展示途经的目标拥堵路段对应的目标拥堵时间点,以便用户获知拥堵路段的拥堵时间点。
上述实施例中,在规划导航路线时,基于目标拥堵路段对候选导航路线进行分类,得到第一类导航路线和第二类导航路线,将第一类导航路线和第二类导航路线区别展示能够方便用户从第一类导航路线和第二类导航路线中按需选择最终的导航路线。
在一个具体的实施例中,如图7所示,提供了一种拥堵路段预测方法,以该方法应用于计算机设备来举例说明,计算机设备可以是终端或服务器。可以理解,该方法可以由终端或服务器自身单独执行,也可以通过终端和服务器之间的交互来实现。本实施例中,该方法包括以下步骤:
步骤S702,针对目标区域中当前路段,获取当前路段在各个时间点分别对应的多个历史交通指数,针对各个时间点中任意一个时间点,确定各个历史交通指数分别对应的交通拥堵级别,基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定当前路段在时间点对应的历史拥堵指数。
步骤S704,基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,将各个时间点划分为第一拥堵时间点和第一非拥堵时间点,将当前路段对应的各个第一拥堵时间点和第一非拥堵时间点按照时间顺序进行排列,得到初始时间点序列;第一拥堵时间点对应的历史拥堵指数大于或等于拥堵指数参数。
步骤S706,从当前路段对应的初始时间点序列中,将历史拥堵指数大于或等于更新指数参数的第一非拥堵时间点作为参考非拥堵时间点,统计在两个相邻第一拥堵时间点之间连续排列的各个参考非拥堵时间点的累计时长作为第二累计非拥堵时长,在第二累计非拥堵时长小于或等于初始拥堵预测参数集中的非拥堵时长参数时,将第二累计非拥堵时长对应的各个参考非拥堵时间点转化为第一拥堵时间点,得到第二更新时间点序列;更新指数参数是基于初始拥堵预测参数集中的拥堵调整参数,缩小拥堵指数参数得到的。
步骤S708,在当前路段对应的第二更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第三时间点集,统计第三时间点集的累计时长作为第三累计拥堵时长,从当前路段对应的各个第三时间点集中,将第三累计拥堵时长大于或等于初始拥堵预测参数集中的拥堵时长参数的第三时间点集作为第三目标时间点集,将第三目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
步骤S710,获取当前路段在各个时间点分别对应的当前交通指数,将当前交通指数作为当前拥堵指数,确定各个时间点对应的当前拥堵指数分别对应的交通拥堵级别,将当前交通拥堵级别为目标拥堵级别的时间点作为当前路段对应的第二拥堵时间点。
步骤S712,针对目标区域中存在目标拥堵时间点的路段,统计路段对应的各个目标拥堵时间点的累计时长作为路段对应的目标拥堵时长,融合路段对应的路段长度和目标拥堵时长,得到路段对应的历史时空里程,基于目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,得到目标区域对应的历史时空里程。
步骤S714,针对目标区域中同时存在目标拥堵时间点和第二拥堵时间点的路段,从路段对应的各个目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点,统计路段对应的各个公共拥堵时间点的累计时长作为路段对应的公共拥堵时长,融合路段对应的路段长度和公共拥堵时长,得到路段对应的当前时空里程,基于目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段分别对应的当前时空里程,得到目标区域对应的当前时空里程。
步骤S716,针对目标区域中存在当前时空里程的路段,基于同一路段对应的当前时空里程和历史时空里程之间的时空里程差异,分别得到各个路段对应的时空里程差异,基于各个路段分别对应的时空里程差异,得到目标区域对应的时空里程差异,基于目标区域对应的时空里程差异,调整初始拥堵预测参数集,直至目标区域对应的时空里程差异小于预设差异,得到目标拥堵预测参数集。
步骤S718,基于目标区域中各个路段在各个时间点分别对应的当前拥堵指数,确定各个路段在各个时间点分别对应的目标拥堵指数,针对各个路段中任意一个路段,在基于目标拥堵指数和目标拥堵预测参数集,从各个时间点中预测出目标拥堵时间点时,确定路段为目标拥堵路段。
在一个具体的实施例中,本申请方法可以应用于交通管理场景,基于目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数,确定目标区域对应的目标拥堵预测参数集,通过目标拥堵预测参数集预测目标区域的常发拥堵路段和常发拥堵路段的常发拥堵时间段,常发拥堵路段和常发拥堵路段的常发拥堵时间段可以用于制定针对目标区域的交通管理方案,以减少或避免目标区域出现交通拥堵。
参考图8,服务器获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数。针对目标区域中任意一个路段,服务器基于历史拥堵指数和初始拥堵预测参数集,从各个时间点中确定常发拥堵时间点(即目标拥堵时间点)。服务器基于目标区域中各个路段分别对应的常发拥堵时间点和路段长度,计算目标区域对应的历史时空里程。针对目标区域中任意一个路段,服务器基于当前拥堵指数,从各个时间点中确定当前拥堵时间点(即第二拥堵时间点),从路段对应的常发拥堵时间点和当前拥堵时间点中确定公共拥堵时间点。服务器基于目标区域中各个路段分别对应的公共拥堵时间点和路段长度,计算目标区域对应的当前时空里程。服务器基于目标区域对应的当前时空里程和历史时空里程之间的时空里程差异,调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集。
在一个具体的实施例中,本申请方法可以应用于出行导航场景,基于目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数,确定目标区域对应的目标拥堵预测参数集,通过目标拥堵预测参数集预测目标区域的常发拥堵路段和常发拥堵路段的常发拥堵时间段,在规划导航路线时,可以在常发拥堵时间段避开常发拥堵路段,也可以在导航界面上提示用户规划的导航路线涉及常发拥堵路段以及常发拥堵路段的常发拥堵时间段。例如,参考图9,根据起点和终点确定的导航方案有三种,即导航路线有三种,导航方案二的导航路线途经常发拥堵路段,在用户查看导航方案二时,可以在导航界面上提示用户导航方案二的导航路线涉及常发拥堵路段以及常发拥堵路段的常发拥堵时间段。
应该理解的是,虽然如上所述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,如上所述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拥堵路段预测方法的拥堵路段预测装置。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拥堵路段预测装置实施例中的具体限定可以参见上文中对于拥堵路段预测方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种拥堵路段预测装置,包括:拥堵指数获取模块1002、拥堵时间点确定模块1004、时空里程确定模块1006和拥堵预测参数调整模块1008,其中:
拥堵指数获取模块1002,用于获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数。
拥堵时间点确定模块1004,用于针对各个路段中任意一个路段,基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点。
拥堵时间点确定模块1004,还用于针对各个路段中任意一个路段,基于当前拥堵指数,从各个时间点中确定第二拥堵时间点。
时空里程确定模块1006,用于基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。
拥堵预测参数调整模块1008,用于基于历史时空里程和当前时空里程之间的时空里程差异,调整初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;目标拥堵预测参数集,用于基于当前拥堵指数预测目标区域中存在目标拥堵时间点的路段。
在一个实施例中,拥堵指数获取模块1002还用于:
将目标区域中各个路段分别作为目标路段;
获取目标路段在多个时间点分别对应的多个历史交通指数;同一时间点对应的多个历史交通指数是同一时间点在多个历史统计周期分别对应的交通指数;
针对各个时间点中任意一个时间点,确定各个历史交通指数分别对应的交通拥堵级别,基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定目标路段在时间点对应的历史拥堵指数;
获取目标路段在各个时间点分别对应的当前交通指数作为目标路段在各个时间点分别对应的当前拥堵指数;当前交通指数是在当前统计周期对应的交通指数。
在一个实施例中,拥堵时间点确定模块1004还用于:
针对当前路段,基于历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,将各个时间点划分为第一拥堵时间点和第一非拥堵时间点;第一拥堵时间点对应的历史拥堵指数大于或等于拥堵指数参数;
将当前路段对应的各个第一拥堵时间点和第一非拥堵时间点按照时间顺序进行排列,得到初始时间点序列;
从当前路段对应的初始时间点序列中,获取连续排列的各个第一拥堵时间点组成第一时间点集,统计第一时间点集的累计时长作为第一累计拥堵时长;
从当前路段对应的各个第一时间点集中,将第一累计拥堵时长大于或等于属于初始拥堵预测参数集的拥堵时长参数的第一时间点集作为第一目标时间点集,将第一目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
在一个实施例中,拥堵时间点确定模块1004还用于:
从当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个第一非拥堵时间点的累计时长作为第一累计非拥堵时长,在第一累计非拥堵时长小于或等于属于初始拥堵预测参数集的非拥堵时长参数时,将第一累计非拥堵时长对应的各个第一非拥堵时间点转化为第一拥堵时间点,得到第一更新时间点序列;
在当前路段对应的第一更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第二时间点集,统计第二时间点集的累计时长作为第二累计拥堵时长;
从当前路段对应的各个第二时间点集中,将第二累计拥堵时长大于或等于拥堵时长参数的第二时间点集作为第二目标时间点集,将第二目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
在一个实施例中,拥堵时间点确定模块1004还用于:
从当前路段对应的初始时间点序列中,将历史拥堵指数大于或等于更新指数参数的第一非拥堵时间点作为参考非拥堵时间点;更新指数参数是基于初始拥堵预测参数集中的拥堵调整参数,缩小拥堵指数参数得到的;
从当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个参考非拥堵时间点的累计时长作为第二累计非拥堵时长,在第二累计非拥堵时长小于或等于属于初始拥堵预测参数集的非拥堵时长参数时,将第二累计非拥堵时长对应的各个参考非拥堵时间点转化为第一拥堵时间点,得到第二更新时间点序列;
在当前路段对应的第二更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第三时间点集,统计第三时间点集的累计时长作为第三累计拥堵时长;
从当前路段对应的各个第三时间点集中,将第三累计拥堵时长大于或等于拥堵时长参数的第三时间点集作为第三目标时间点集,将第三目标时间点集中各个第一拥堵时间点作为当前路段对应的目标拥堵时间点。
在一个实施例中,拥堵时间点确定模块1004还用于:
针对当前路段,确定各个当前拥堵指数分别对应的交通拥堵级别,得到各个时间点分别对应的当前交通拥堵级别,将当前交通拥堵级别为目标拥堵级别的时间点作为当前路段对应的第二拥堵时间点。
在一个实施例中,时空里程确定模块1006还用于:
针对目标区域中存在目标拥堵时间点的路段,统计路段对应的各个目标拥堵时间点的累计时长作为路段对应的目标拥堵时长,融合路段对应的路段长度和目标拥堵时长,得到路段对应的历史时空里程;
基于目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,得到目标区域对应的历史时空里程。
在一个实施例中,时空里程确定模块1006还用于:
针对目标区域中同时存在目标拥堵时间点和第二拥堵时间点的路段,从路段对应的各个目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点,统计路段对应的各个公共拥堵时间点的累计时长作为路段对应的公共拥堵时长,融合路段对应的路段长度和公共拥堵时长,得到路段对应的当前时空里程;
基于目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段分别对应的当前时空里程,得到目标区域对应的当前时空里程。
在一个实施例中,拥堵预测参数调整模块1008还用于:
针对目标区域中存在当前时空里程的路段,基于同一路段对应的当前时空里程和历史时空里程之间的时空里程差异,分别得到各个路段对应的时空里程差异;
针对目标区域中存在当前时空里程的路段,基于各个路段分别对应的时空里程差异的均值,得到目标区域对应的时空里程差异;
基于目标区域对应的时空里程差异,调整初始拥堵预测参数集,直至目标区域对应的时空里程差异小于预设差异,得到目标拥堵预测参数集。
在一个实施例中,如图11所示,拥堵路段预测装置还包括:
交通预警模块1102,用于基于各个路段在各个时间点分别对应的当前拥堵指数,确定各个路段在各个时间点分别对应的目标拥堵指数;针对各个路段中任意一个路段,在基于目标拥堵指数和目标拥堵预测参数集,从各个时间点中预测出目标拥堵时间点时,确定路段为目标拥堵路段;基于目标拥堵路段和目标拥堵路段对应的目标拥堵时间点,生成目标区域对应的交通拥堵预警消息。
在一个实施例中,如图12所示,拥堵路段预测装置还包括:
导航模块1202,用于获取导航请求;导航请求携带出发点和目的地;响应导航请求,获取从出发点到达目的地的候选导航路线;将途经目标拥堵路段的候选导航路线作为第一类导航路线,将剩余的候选导航路线作为第二类导航路线;将第一类导航路线和第二类导航路线发送至导航请求对应的请求端,以使请求端将第一类导航路线和第二类导航路线区别展示。
上述拥堵路段预测装置,基于历史拥堵指数和初始拥堵预测参数集,预测路段对应的目标拥堵时间点,基于目标区域中存在目标拥堵时间点的路段对应的路段长度和目标拥堵时间点,确定目标区域对应的历史时空里程,基于当前拥堵指数确定第二拥堵时间点,基于目标区域中存在第二拥堵时间点的路段对应的路段长度和第二拥堵时间点,确定目标区域对应的当前时空里程。可以理解,历史时空里程可以反映基于初始拥堵预测参数集预测得到的拥堵路段的路段相关信息,当前时空里程可以反映当前拥堵路段的路段相关信息,历史时空里程和当前时空里程之间的时空里程差异可以反映预测的拥堵路段和当前拥堵路段之间的差异,即可以反映拥堵路段的预测准确性,基于时空里程差异调整初始拥堵预测参数集,能够得到可以准确预测拥堵路段的目标拥堵预测参数集,基于目标拥堵预测参数集预测拥堵路段,可以有效提高拥堵路段预测准确性。
上述拥堵路段预测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13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交通指数、拥堵预测参数集等数据。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拥堵路段预测方法。
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终端,其内部结构图可以如图14所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。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、显示单元和输入装置通过输入/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和计算机程序。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进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种拥堵路段预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13、14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,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,该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、使用和处理需要符合相关规定。
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,所述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 Access Memory,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。
以上所述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 (15)
1.一种拥堵路段预测方法,其特征在于,所述方法包括:
获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数;
针对所述各个路段中任意一个路段,基于所述历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于所述初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点;
针对所述各个路段中任意一个路段,基于所述当前拥堵指数,从所述各个时间点中确定第二拥堵时间点;
针对所述目标区域中存在目标拥堵时间点的路段,基于路段对应的目标拥堵时间点确定路段对应的目标拥堵时长,融合路段对应的路段长度和目标拥堵时长得到路段对应的历史时空里程,基于所述目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,确定所述目标区域对应的历史时空里程;
针对所述目标区域中存在第二拥堵时间点的路段,基于路段对应的第二拥堵时间点确定路段对应的第二拥堵时长,融合路段对应的路段长度和第二拥堵时长得到路段对应的当前时空里程,基于所述目标区域中各个存在第二拥堵时间点的路段分别对应的当前时空里程,确定所述目标区域对应的当前时空里程;
基于所述目标区域对应的历史时空里程和当前时空里程之间的时空里程差异,调整所述初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;所述目标拥堵预测参数集,用于基于所述当前拥堵指数预测所述目标区域中存在目标拥堵时间点的路段。
2.根据权利要求1所述的方法,其特征在于,所述获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数,包括:
将目标区域中各个路段分别作为目标路段;
获取目标路段在多个时间点分别对应的多个历史交通指数;同一时间点对应的多个历史交通指数是同一时间点在多个历史统计周期分别对应的交通指数;
针对各个时间点中任意一个时间点,确定各个历史交通指数分别对应的交通拥堵级别,基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定目标路段在时间点对应的历史拥堵指数;
获取目标路段在所述各个时间点分别对应的当前交通指数作为目标路段在所述各个时间点分别对应的当前拥堵指数;所述当前交通指数是在当前统计周期对应的交通指数。
3.根据权利要求1所述的方法,其特征在于,所述针对所述各个路段中任意一个路段,基于所述历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于所述初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点,包括:
针对当前路段,基于所述历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,将各个时间点划分为第一拥堵时间点和第一非拥堵时间点;所述第一拥堵时间点对应的历史拥堵指数大于或等于所述拥堵指数参数;
将所述当前路段对应的各个第一拥堵时间点和第一非拥堵时间点按照时间顺序进行排列,得到初始时间点序列;
从所述当前路段对应的初始时间点序列中,获取连续排列的各个第一拥堵时间点组成第一时间点集,统计所述第一时间点集的累计时长作为第一累计拥堵时长;
从所述当前路段对应的各个第一时间点集中,将所述第一累计拥堵时长大于或等于属于所述初始拥堵预测参数集的拥堵时长参数的第一时间点集作为第一目标时间点集,将所述第一目标时间点集中各个第一拥堵时间点作为所述当前路段对应的目标拥堵时间点。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
从所述当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个第一非拥堵时间点的累计时长作为第一累计非拥堵时长,在所述第一累计非拥堵时长小于或等于属于所述初始拥堵预测参数集的非拥堵时长参数时,将所述第一累计非拥堵时长对应的各个第一非拥堵时间点转化为第一拥堵时间点,得到第一更新时间点序列;
在所述当前路段对应的第一更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第二时间点集,统计所述第二时间点集的累计时长作为第二累计拥堵时长;
从所述当前路段对应的各个第二时间点集中,将所述第二累计拥堵时长大于或等于所述拥堵时长参数的第二时间点集作为第二目标时间点集,将所述第二目标时间点集中各个第一拥堵时间点作为所述当前路段对应的目标拥堵时间点。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
从所述当前路段对应的初始时间点序列中,将所述历史拥堵指数大于或等于更新指数参数的第一非拥堵时间点作为参考非拥堵时间点;所述更新指数参数是基于所述初始拥堵预测参数集中的拥堵调整参数,缩小所述拥堵指数参数得到的;
从所述当前路段对应的初始时间点序列中,统计在两个相邻第一拥堵时间点之间连续排列的各个参考非拥堵时间点的累计时长作为第二累计非拥堵时长,在所述第二累计非拥堵时长小于或等于属于所述初始拥堵预测参数集的非拥堵时长参数时,将所述第二累计非拥堵时长对应的各个参考非拥堵时间点转化为第一拥堵时间点,得到第二更新时间点序列;
在所述当前路段对应的第二更新时间点序列中,获取连续排列的各个第一拥堵时间点组成第三时间点集,统计所述第三时间点集的累计时长作为第三累计拥堵时长;
从所述当前路段对应的各个第三时间点集中,将所述第三累计拥堵时长大于或等于所述拥堵时长参数的第三时间点集作为第三目标时间点集,将所述第三目标时间点集中各个第一拥堵时间点作为所述当前路段对应的目标拥堵时间点。
6.根据权利要求1所述的方法,其特征在于,所述针对所述各个路段中任意一个路段,基于所述当前拥堵指数,从所述各个时间点中确定第二拥堵时间点,包括:
针对当前路段,确定各个当前拥堵指数分别对应的交通拥堵级别,得到所述各个时间点分别对应的当前交通拥堵级别,将当前交通拥堵级别为目标拥堵级别的时间点作为所述当前路段对应的第二拥堵时间点。
7.根据权利要求1所述的方法,其特征在于,所述针对所述目标区域中存在目标拥堵时间点的路段,基于路段对应的目标拥堵时间点确定路段对应的目标拥堵时长,包括:
针对所述目标区域中存在目标拥堵时间点的路段,统计路段对应的各个目标拥堵时间点的累计时长作为路段对应的目标拥堵时长。
8.根据权利要求1所述的方法,其特征在于,所述针对所述目标区域中存在第二拥堵时间点的路段,基于路段对应的第二拥堵时间点确定路段对应的第二拥堵时长,融合路段对应的路段长度和第二拥堵时长得到路段对应的当前时空里程,基于所述目标区域中各个存在第二拥堵时间点的路段分别对应的当前时空里程,确定所述目标区域对应的当前时空里程,包括:
针对所述目标区域中同时存在目标拥堵时间点和第二拥堵时间点的路段,从路段对应的各个目标拥堵时间点和第二拥堵时间点中确定公共拥堵时间点,统计路段对应的各个公共拥堵时间点的累计时长作为路段对应的公共拥堵时长,将路段对应的公共拥堵时长作为路段对应的第二拥堵时长,融合路段对应的路段长度和第二拥堵时长,得到路段对应的当前时空里程;
基于所述目标区域中各个同时存在目标拥堵时间点和第二拥堵时间点的路段分别对应的当前时空里程,得到所述目标区域对应的当前时空里程。
9.根据权利要求8所述的方法,其特征在于,所述基于所述目标区域对应的历史时空里程和当前时空里程之间的时空里程差异,调整所述初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集,包括:
针对所述目标区域中存在当前时空里程的路段,基于同一路段对应的当前时空里程和历史时空里程之间的时空里程差异,分别得到各个路段对应的时空里程差异;
针对所述目标区域中存在当前时空里程的路段,基于各个路段分别对应的时空里程差异的均值,得到所述目标区域对应的时空里程差异;
基于所述目标区域对应的时空里程差异,调整所述初始拥堵预测参数集,直至所述目标区域对应的时空里程差异小于预设差异,得到目标拥堵预测参数集。
10.根据权利要求1至9中任一项所述的方法,其特征在于,所述方法还包括:
基于所述各个路段在所述各个时间点分别对应的当前拥堵指数,确定所述各个路段在所述各个时间点分别对应的目标拥堵指数;
针对所述各个路段中任意一个路段,在基于所述目标拥堵指数和所述目标拥堵预测参数集,从所述各个时间点中预测出目标拥堵时间点时,确定路段为目标拥堵路段;
基于所述目标拥堵路段和所述目标拥堵路段对应的目标拥堵时间点,生成所述目标区域对应的交通拥堵预警消息。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
获取导航请求;所述导航请求携带出发点和目的地;
响应所述导航请求,获取从所述出发点到达所述目的地的候选导航路线;
将途经所述目标拥堵路段的候选导航路线作为第一类导航路线,将剩余的候选导航路线作为第二类导航路线;
将所述第一类导航路线和所述第二类导航路线发送至所述导航请求对应的请求端,以使所述请求端将所述第一类导航路线和所述第二类导航路线区别展示。
12.一种拥堵路段预测装置,其特征在于,所述装置包括:
拥堵指数获取模块,用于获取目标区域中各个路段在多个时间点分别对应的历史拥堵指数和当前拥堵指数;
拥堵时间点确定模块,用于针对所述各个路段中任意一个路段,基于所述历史拥堵指数和属于初始拥堵预测参数集的拥堵指数参数,从各个时间点中确定第一拥堵时间点,基于属于所述初始拥堵预测参数集的拥堵时长参数,从各个第一拥堵时间点中确定目标拥堵时间点;
所述拥堵时间点确定模块,还用于针对所述各个路段中任意一个路段,基于所述当前拥堵指数,从所述各个时间点中确定第二拥堵时间点;
时空里程确定模块,用于针对所述目标区域中存在目标拥堵时间点的路段,基于路段对应的目标拥堵时间点确定路段对应的目标拥堵时长,融合路段对应的路段长度和目标拥堵时长得到路段对应的历史时空里程,基于所述目标区域中各个存在目标拥堵时间点的路段分别对应的历史时空里程,确定所述目标区域对应的历史时空里程;
所述时空里程确定模块,还用于针对所述目标区域中存在第二拥堵时间点的路段,基于路段对应的第二拥堵时间点确定路段对应的第二拥堵时长,融合路段对应的路段长度和第二拥堵时长得到路段对应的当前时空里程,基于所述目标区域中各个存在第二拥堵时间点的路段分别对应的当前时空里程,确定所述目标区域对应的当前时空里程;
拥堵预测参数调整模块,用于基于所述目标区域对应的历史时空里程和当前时空里程之间的时空里程差异,调整所述初始拥堵预测参数集,直至时空里程差异满足预设条件,得到目标拥堵预测参数集;所述目标拥堵预测参数集,用于基于所述当前拥堵指数预测所述目标区域中存在目标拥堵时间点的路段。
13.根据权利要求12所述的装置,其特征在于,所述拥堵指数获取模块还用于:
将目标区域中各个路段分别作为目标路段;
获取目标路段在多个时间点分别对应的多个历史交通指数;同一时间点对应的多个历史交通指数是同一时间点在多个历史统计周期分别对应的交通指数;
针对各个时间点中任意一个时间点,确定各个历史交通指数分别对应的交通拥堵级别,基于交通拥堵级别为目标拥堵级别的历史交通指数的指数数量在总指数数量中的占比,确定目标路段在时间点对应的历史拥堵指数;
获取目标路段在所述各个时间点分别对应的当前交通指数作为目标路段在所述各个时间点分别对应的当前拥堵指数;所述当前交通指数是在当前统计周期对应的交通指数。
14.一种计算机设备,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11中任一项所述的方法的步骤。
15.一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11中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296417.2A CN117037499B (zh) | 2023-10-09 | 2023-10-09 | 拥堵路段预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311296417.2A CN117037499B (zh) | 2023-10-09 | 2023-10-09 | 拥堵路段预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117037499A CN117037499A (zh) | 2023-11-10 |
CN117037499B true CN117037499B (zh) | 2024-01-05 |
Family
ID=88643483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311296417.2A Active CN117037499B (zh) | 2023-10-09 | 2023-10-09 | 拥堵路段预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117037499B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851293A (zh) * | 2015-05-18 | 2015-08-19 | 安徽科力信息产业有限责任公司 | 一种基于地点车速的路段交通拥堵指数评价方法 |
CN104882020A (zh) * | 2015-06-05 | 2015-09-02 | 刘光明 | 预测交通状况和行车时间 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN112509338A (zh) * | 2020-09-11 | 2021-03-16 | 博云视觉(北京)科技有限公司 | 一种静默式低点视频监控交通拥堵事件检测方法 |
CN113159374A (zh) * | 2021-03-05 | 2021-07-23 | 北京化工大学 | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 |
CN113420835A (zh) * | 2021-07-21 | 2021-09-21 | 中睿信数字技术有限公司 | 一种基于cpso-lstm的短期交通拥堵指数预测方法 |
CN113470362A (zh) * | 2021-08-13 | 2021-10-01 | 中南大学 | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 |
CN114613162A (zh) * | 2022-02-09 | 2022-06-10 | 阿里云计算有限公司 | 交通控制方法、系统及设备 |
CN114639233A (zh) * | 2020-12-15 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
WO2022142418A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN115294768A (zh) * | 2022-08-02 | 2022-11-04 | 阿波罗智联(北京)科技有限公司 | 交通拥堵状态分析方法、装置、设备及存储介质 |
CN115798189A (zh) * | 2022-10-26 | 2023-03-14 | 北京红山信息科技研究院有限公司 | 一种交通拥堵指数评价方法 |
CN116758744A (zh) * | 2023-06-21 | 2023-09-15 | 山东宜鑫致远信息科技有限公司 | 基于人工智能的智慧城市运维管理方法、系统及存储介质 |
-
2023
- 2023-10-09 CN CN202311296417.2A patent/CN117037499B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851293A (zh) * | 2015-05-18 | 2015-08-19 | 安徽科力信息产业有限责任公司 | 一种基于地点车速的路段交通拥堵指数评价方法 |
CN104882020A (zh) * | 2015-06-05 | 2015-09-02 | 刘光明 | 预测交通状况和行车时间 |
CN108269401A (zh) * | 2018-01-30 | 2018-07-10 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN112509338A (zh) * | 2020-09-11 | 2021-03-16 | 博云视觉(北京)科技有限公司 | 一种静默式低点视频监控交通拥堵事件检测方法 |
CN114639233A (zh) * | 2020-12-15 | 2022-06-17 | 腾讯科技(深圳)有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
WO2022142418A1 (zh) * | 2020-12-31 | 2022-07-07 | 深圳云天励飞技术股份有限公司 | 一种基于gis地图信息的交通拥堵指数预测方法及装置 |
CN113159374A (zh) * | 2021-03-05 | 2021-07-23 | 北京化工大学 | 一种数据驱动的城市交通流速模式识别与实时预测预警方法 |
CN113420835A (zh) * | 2021-07-21 | 2021-09-21 | 中睿信数字技术有限公司 | 一种基于cpso-lstm的短期交通拥堵指数预测方法 |
CN113470362A (zh) * | 2021-08-13 | 2021-10-01 | 中南大学 | 基于svr-dea模型的城市路段交通拥堵时空精准判别方法 |
CN114613162A (zh) * | 2022-02-09 | 2022-06-10 | 阿里云计算有限公司 | 交通控制方法、系统及设备 |
CN115294768A (zh) * | 2022-08-02 | 2022-11-04 | 阿波罗智联(北京)科技有限公司 | 交通拥堵状态分析方法、装置、设备及存储介质 |
CN115798189A (zh) * | 2022-10-26 | 2023-03-14 | 北京红山信息科技研究院有限公司 | 一种交通拥堵指数评价方法 |
CN116758744A (zh) * | 2023-06-21 | 2023-09-15 | 山东宜鑫致远信息科技有限公司 | 基于人工智能的智慧城市运维管理方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117037499A (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2875735C (en) | Updating cached database query results | |
US9235620B2 (en) | Updating cached database query results | |
US20160335576A1 (en) | Location-based prediction of transport services | |
US20080222057A1 (en) | Method and apparatus for fusing context data | |
US20160171008A1 (en) | Updating cached database query results | |
WO2017133539A1 (zh) | 业务数据的处理方法、装置及系统 | |
CN116362431B (zh) | 共享车辆的调度方法、装置、计算机设备和存储介质 | |
CN116363854B (zh) | 共享出行车辆调度方法、装置和计算机设备 | |
Ishiguro et al. | Taxi demand forecast using real-time population generated from cellular networks | |
CN110083666B (zh) | 服务器装置、信息收集系统、信息收集方法以及记录介质 | |
CN116028730A (zh) | 搜索资源异常识别方法、装置及电子设备 | |
CN117037499B (zh) | 拥堵路段预测方法、装置、计算机设备和存储介质 | |
CN116304393B (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN116151600A (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
EP2698729B1 (en) | Updating cached database query results | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
CN111723169B (zh) | 一种地图显示方法、装置、电子设备和存储介质 | |
JP6132345B2 (ja) | 表示割合に応じて分割地図画像の表示を制御する表示装置、方法及びプログラム | |
CN113763099A (zh) | 一种数据查找方法、装置、设备和存储介质 | |
CN116822916B (zh) | 订单量获取方法、装置、计算机设备和存储介质 | |
CN115440038B (zh) | 一种交通信息确定方法以及电子设备 | |
CN113641780B (zh) | 搜索方法、系统、设备、存储介质和计算机程序产品 | |
CN112822045B (zh) | 基于多特征混合神经网络的内容传播热区预测方法 | |
CN116862358A (zh) | 多仓库路径规划方法、装置、计算机设备、介质和产品 |
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 |