CN117273230A - 车辆出行时间预测的方法、装置、电子设备和车辆 - Google Patents
车辆出行时间预测的方法、装置、电子设备和车辆 Download PDFInfo
- Publication number
- CN117273230A CN117273230A CN202311266684.5A CN202311266684A CN117273230A CN 117273230 A CN117273230 A CN 117273230A CN 202311266684 A CN202311266684 A CN 202311266684A CN 117273230 A CN117273230 A CN 117273230A
- Authority
- CN
- China
- Prior art keywords
- time
- travel
- vehicle
- historical
- travel time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 42
- 238000004891 communication Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012216 screening Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 240000004282 Grewia occidentalis Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车辆出行时间预测的方法、装置、电子设备和车辆,该方法应用于车辆驾驶领域,该方法包括:获取车辆在目标日期之前第一时长内的历史行车数据,第一时长是基于车辆在目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域;根据第一时长内的历史行车数据,确定车辆在目标日期的预测出行时间。该方法能够在预测车辆出行时间过程中,选取目标日期之前预测出行时间的准确率最高的时间区域中的历史行车数据,预测车辆在目标日期的出行时间,保证了预测出行时间的准确性。
Description
技术领域
本申请涉及车辆驾驶领域,并且更具体地,涉及车辆驾驶领域中一种车辆出行时间预测的方法、装置、电子设备和车辆。
背景技术
目前在车辆行业,为了保证用户的舒适性,可以利用模型对车辆的出行时间进行预测,以提前开启车辆为用户提供舒适的车内环境。
相关技术中采用模型对预测车辆出行时间时,通常是收集所有车辆的历史行车数据统一进行预测,对于不同的车辆而言,由于用户的出行时间和使用需求的不同,历史行车数据之间也会存在差异。上述预测方式可能导致车辆出行时间预测的准确率较低,用户的体验较差。
发明内容
本申请提供了一种车辆出行时间预测的方法、装置、电子设备和车辆,该方法能够在预测车辆出行时间过程中,选取目标日期之前预测出行时间的准确率最高的时间区域中的历史行车数据,预测车辆在目标日期的出行时间,保证了预测出行时间的准确性。
第一方面,提供了一种车辆出行时间预测的方法,该方法包括:获取车辆在目标日期之前第一时长内的历史行车数据,该第一时长是基于该车辆在该目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域;根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间。
上述技术方案中,在用户使用车辆过程中,为了给用户提供一种智能化的出行方式,本申请提出了一种车辆出行时间预测的方法。该方法在车辆需要出行的目标日期,可以获取目标日期之前第一时长内的历史行车数据,并通过第一时长内的历史行车数据,确定车辆在目标日期的预测出行时间。其中,第一时长是基于车辆在目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域。因此,上述预测过程能够保证预测出行时间的高准确率。此外,不同的车辆或者不同的用户对应的历史行车数据也是不同的,上述第一时长还可以根据车辆和用户进行变化,使得本申请的出行时间预测方法具有较强的泛化能力,适用性更广。
结合第一方面,在某些可能的实现方式中,该第一时长内的历史行车数据包括多个第一历史出行时间,该根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间,包括:根据多个该第一历史出行时间,确定该车辆在多个该第一历史出行时间对应各个时段的多个第一出行次数;根据多个该第一出行次数和多个该第一历史出行时间,确定该预测出行时间。
上述技术方案中,第一时长内的历史行车数据包括多个第一历史出行时间。在具体确定预测出行时间时,本申请可以先根据多个第一历史出行时间,确定多个第一历史出行时间在各个时段的多个第一出行次数,也就是得到车辆在多个第一历史出行时间出发时出行频率的分布情况。进一步根据多个第一出行次数和多个第一历史出行时间,得到预测出行时间。上述出行次数能够反映出车辆在各个时段出行的频繁程度,因此上述在确定预测出行时间时,考虑了用户的出行习惯,能够保证预测出行时间的准确性。
结合第一方面和上述实现方式,在某些可能的实现方式中,该根据多个该第一出行次数和多个该第一历史出行时间,确定该预测出行时间,包括:从多个该第一出行次数中确定出行次数大于或等于第一预设次数的多个第二出行次数;在多个该第一历史出行时间中,确定多个该第二出行次数对应的多个第二历史出行时间;从多个该第二历史出行时间中确定该预测出行时间,该预测出行时间为历史出行时间在第一预设时间之前的该第二历史出行时间。
上述技术方案中,具体确定预测出行时间时,首先从多个第一出行次数中,确定出大于或等于第一预设次数的多个第二出行次数。然后从多个第一历史出行时间中,确定多个第二出行次数对应的多个第二历史出行时间。上述通过筛选用户出行比较频繁的历史出行时间,能够保证预测出行时间的准确率更高,更加能贴合用户出行过程中的用车习惯。进一步将多个第二历史出行时间中,第一预设时间之前的第二历史出行时间确定为预测出行时间,上述优先选择时间靠前的第二历史出行时间作为预测出行时间,能够保证在目标日期的较早时间完成对车辆的出行控制,避免预测出行时间靠后,用户可能需要手动启动车辆导致用户体验下降的问题。
结合第一方面和上述实现方式,在某些可能的实现方式中,该根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间之后,该方法还包括:在时间到达该预测出行时间之前,获取该车辆在当前时刻之前第二时长内的出行次数,该第二时长小于该第一时长;根据该第二时长内的出行次数,确定是否向该车辆下发该预测出行时间。
上述技术方案中,预测出行时间表示预测结果,不能代表车辆的目标出行时间,也就是实际出行时间。在得到预测出行时间之后,还需要进一步判断预测出行时间是否能作为车辆的目标出行时间,实现对车辆的控制。具体的,可以获取车辆在此之前第二时长内的出行次数,根据第二时长内的出行次数来判断是否将预测出行时间下发至车辆。其中,第二时长内的出行次数能够表示车辆在第二时长内是否出行,若车辆在第二时长内已经出行,本申请的预测过程就不能起到提前对车辆调度的作用,此时下发预测出行时间对于车辆而言没有意义,还有可能导致用户体验下降。上述通过第二时长内的出行次数,判断是否向车辆下发预测出行时间,能够保证下发预测出行时间的合理性和有效性。
结合第一方面和上述实现方式,在某些可能的实现方式中,该根据该第二时长内的出行次数,确定是否向该车辆下发该预测出行时间,包括:根据该第二时长内的出行次数,确定该车辆在该第二时长内是否出行;在该车辆在该第二时长内出行的情况下,不向该车辆下发该预测出行时间;在该车辆在该第二时长内未出行的情况下,向该车辆下发该预测出行时间。
上述技术方案中,具体在确定是否下发预测出行时间时,当第二时长内车辆已经出行,则确定不下发预测出行时间;当第二时长内车辆未出行,则确定下发预测出行时间,上述过程能够保证下发预测出行时间的准确性。
结合第一方面和上述实现方式,在某些可能的实现方式中,该第一时长内的历史行车数据包括多个第一历史出行时间,以及多个该第一历史出行时间对应的多个历史位置,该向该车辆下发该预测出行时间,包括:对该预测出行时间和多个该第一历史出行时间进行时间匹配,从多个该历史位置中确定出该预测出行时间对应的目标历史位置;对该车辆在该当前时刻的实时位置和该目标历史位置进行相似度匹配,确定该实时位置和该目标历史位置之间的相似度;在该相似度大于或等于预设相似度的情况下,向该车辆下发该预测出行时间。
上述技术方案中,具体向车辆下发预测出行时间时,第一时长内的历史行车数据包括多个第一历史出行时间,以及多个第一历史出行时间对应的多个历史位置。本申请首先可以根据预测出行时间,从多个第一历史出行时间匹配出对应的第一历史出行时间,得到该第一历史出行时间对应的目标历史位置。进一步,计算当前车辆的实时位置和目标历史位置之间的相似度,能够得到实时位置和目标历史位置之间的差异情况。当相似度大于或等于预设相似度时,向车辆下发预测出行时间,能够兼顾车辆当前位置与预测出行时间对应的历史位置的高度匹配性,使车辆当前的行车场景与历史行车场景重合,保证了下发预测出行时间的准确性。
结合第一方面和上述实现方式,在某些可能的实现方式中,该获取车辆在目标日期之前第一时长内的历史行车数据之前,该方法还包括:基于多个时间区域,分别在该车辆在该目标日期之前的历史行车数据中进行采样,得到各个该时间区域对应的多个样本行车数据;基于各个该时间区域对应的多个该样本行车数据,以及各个该样本行车数据对应的实际出行时间,确定各个该时间区域对应的预测出行时间的准确率;将多个该时间区域中预测出行时间的准确率最高的该时间区域确定为该第一时长。
上述技术方案中,提出了一种如何确定第一时长的方案。具体可以通过多个时间区域,对目标日期之前的历史行车数据进行采样,得到各个时间区域对应的多个样本行车数据。然后通过各个时间区域对应的多个样本行车数据,以及各个样本行车数据对应的实际出行时间,确定各个时间区域对应的预测出行时间的准确率。最后选择预测出行时间的准确率最高的时间区域确定为第一时长。上述得到车辆出行时间预测所需的第一时长的过程,能够实现对车辆个性化历史出行数据的最优查找,使得本申请的预测方法能够在车辆不同时,也能得到较为准确的预测结果,使本申请的预测过程具有较强的泛化能力。
综上,在用户使用车辆过程中,为了给用户提供一种智能化的出行方式,本申请提出了一种车辆出行时间预测的方法。该方法在车辆需要出行的目标日期,可以获取目标日期之前第一时长内的历史行车数据,并通过第一时长内的历史行车数据,确定车辆在目标日期的预测出行时间。其中,第一时长是基于车辆在目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域。因此,上述预测过程能够保证预测出行时间的高准确率。此外,不同的车辆或者不同的用户对应的历史行车数据也是不同的,上述第一时长还可以根据车辆和用户进行变化,使得本申请的出行时间预测方法具有较强的泛化能力,适用性更广。
第一时长内的历史行车数据包括多个第一历史出行时间。在具体确定预测出行时间时,本申请可以先根据多个第一历史出行时间,确定多个第一历史出行时间在各个时段的多个第一出行次数,也就是得到车辆在多个第一历史出行时间出发时出行频率的分布情况。进一步根据多个第一出行次数和多个第一历史出行时间,得到预测出行时间。上述出行次数能够反映出车辆在各个时段出行的频繁程度,因此上述在确定预测出行时间时,考虑了用户的出行习惯,能够保证预测出行时间的准确性。
具体确定预测出行时间时,首先从多个第一出行次数中,确定出大于或等于第一预设次数的多个第二出行次数。然后从多个第一历史出行时间中,确定多个第二出行次数对应的多个第二历史出行时间。上述通过筛选用户出行比较频繁的历史出行时间,能够保证预测出行时间的准确率更高,更加能贴合用户出行过程中的用车习惯。进一步将多个第二历史出行时间中,第一预设时间之前的第二历史出行时间确定为预测出行时间,上述优先选择时间靠前的第二历史出行时间作为预测出行时间,能够保证在目标日期的较早时间完成对车辆的出行控制,避免预测出行时间靠后,用户可能需要手动启动车辆导致用户体验下降的问题。
预测出行时间表示预测结果,不能代表车辆的目标出行时间,也就是实际出行时间。在得到预测出行时间之后,还需要进一步判断预测出行时间是否能作为车辆的目标出行时间,实现对车辆的控制。具体的,可以获取车辆在此之前第二时长内的出行次数,根据第二时长内的出行次数来判断是否将预测出行时间下发至车辆。其中,第二时长内的出行次数能够表示车辆在第二时长内是否出行,若车辆在第二时长内已经出行,本申请的预测过程就不能起到提前对车辆调度的作用,此时下发预测出行时间对于车辆而言没有意义,还有可能导致用户体验下降。上述通过第二时长内的出行次数,判断是否向车辆下发预测出行时间,能够保证下发预测出行时间的合理性和有效性。
具体在确定是否下发预测出行时间时,当第二时长内车辆已经出行,则确定不下发预测出行时间;当第二时长内车辆未出行,则确定下发预测出行时间,上述过程能够保证下发预测出行时间的准确性。
具体向车辆下发预测出行时间时,第一时长内的历史行车数据包括多个第一历史出行时间,以及多个第一历史出行时间对应的多个历史位置。本申请首先可以根据预测出行时间,从多个第一历史出行时间匹配出对应的第一历史出行时间,得到该第一历史出行时间对应的目标历史位置。进一步,计算当前车辆的实时位置和目标历史位置之间的相似度,能够得到实时位置和目标历史位置之间的差异情况。当相似度大于或等于预设相似度时,向车辆下发预测出行时间,能够兼顾车辆当前位置与预测出行时间对应的历史位置的高度匹配性,使车辆当前的行车场景与历史行车场景重合,保证了下发预测出行时间的准确性。
此外,本申请还提出了一种如何确定第一时长的方案。具体可以通过多个时间区域,对目标日期之前的历史行车数据进行采样,得到各个候时间区域对应的多个样本行车数据。然后通过各个时间区域对应的多个样本行车数据,以及各个样本行车数据对应的实际出行时间,确定各个时间区域对应的预测出行时间的准确率。最后选择预测出行时间的准确率最高的时间区域确定为第一时长。上述得到车辆出行时间预测所需的第一时长的过程,能够实现对车辆个性化历史出行数据的最优查找,使得本申请的预测方法能够在车辆不同时,也能得到较为准确的预测结果,使本申请的预测过程具有较强的泛化能力。
第二方面,提供了一种车辆出行时间预测的装置,该装置包括:获取模块,用于获取车辆在目标日期之前第一时长内的历史行车数据,该第一时长是基于该车辆在该目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域;第一确定模块,用于根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间。
结合第二方面和上述实现方式,在某些可能的实现方式中,该第一时长内的历史行车数据包括多个第一历史出行时间,该第一确定模块具体用于:根据多个该第一历史出行时间,确定该车辆在多个该第一历史出行时间对应各个时段的多个第一出行次数;根据多个该第一出行次数和多个该第一历史出行时间,确定该预测出行时间。
结合第二方面,在某些可能的实现方式中,该第一确定模块还用于:从多个该第一出行次数中确定出行次数大于或等于第一预设次数的多个第二出行次数;在多个该第一历史出行时间中,确定多个该第二出行次数对应的多个第二历史出行时间;从多个该第二历史出行时间中确定该预测出行时间,该预测出行时间为历史出行时间在第一预设时间之前的该第二历史出行时间。
结合第二方面和上述实现方式,在某些可能的实现方式中,该根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间之后,该装置还包括:第二确定模块,用于在时间到达该预测出行时间之前,获取该车辆在当前时刻之前第二时长内的出行次数,该第二时长小于该第一时长;根据该第二时长内的出行次数,确定是否向该车辆下发该预测出行时间。
结合第二方面和上述实现方式,在某些可能的实现方式中,该第二确定模块具体用于:根据该第二时长内的出行次数,确定该车辆在该第二时长内是否出行;在该车辆在该第二时长内出行的情况下,不向该车辆下发该预测出行时间;在该车辆在该第二时长内未出行的情况下,向该车辆下发该预测出行时间。
结合第二方面和上述实现方式,在某些可能的实现方式中,该第一时长内的历史行车数据包括多个第一历史出行时间,以及多个该第一历史出行时间对应的多个历史位置,该第二确定模块还用于:对该预测出行时间和多个该第一历史出行时间进行时间匹配,从多个该历史位置中确定出该预测出行时间对应的目标历史位置;对该车辆在该当前时刻的实时位置和该目标历史位置进行相似度匹配,确定该实时位置和该目标历史位置之间的相似度;在该相似度大于或等于预设相似度的情况下,向该车辆下发该预测出行时间。
结合第二方面和上述实现方式,在某些可能的实现方式中,该获取车辆在目标日期之前第一时长内的历史行车数据之前,该装置还包括:第三确定模块,用于基于多个时间区域,分别在该车辆在该目标日期之前的历史行车数据中进行采样,得到各个该时间区域对应的多个样本行车数据;基于各个该时间区域对应的多个该样本行车数据,以及各个该样本行车数据对应的实际出行时间,确定各个该时间区域对应的预测出行时间的准确率;将多个该时间区域中预测出行时间的准确率最高的该时间区域确定为该第一时长。
第三方面,提供了一种电子设备,包括存储器和处理器。该存储器用于存储可执行程序代码,该处理器用于从存储器中调用并运行该可执行程序代码,使得该电子设备执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第四方面,提供了一种车辆,包括存储器和处理器。该存储器用于存储可执行程序代码,该处理器用于从存储器中调用并运行该可执行程序代码,使得该车辆执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第五方面,提供了一种计算机程序产品,该计算机程序产品包括:计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
第六方面,提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序代码,当该计算机程序代码在计算机上运行时,使得该计算机执行上述第一方面或第一方面任意一种可能的实现方式中的方法。
附图说明
图1是本申请实施例提供的一种车辆出行时间预测的场景示意图;
图2是本申请实施例提供的一种车辆出行时间预测的方法的示意性流程图;
图3是本申请实施例提供的一种确定预测出行时间的场景示意图;
图4是本申请实施例提供的一种确定第一时长的场景示意图;
图5是本申请实施例提供的一种确定单个时间区域对应的预测出行时间的准确率的方法的示意性流程图;
图6是本申请实施例提供的一种云平台的结构示意图;
图7是本申请实施例提供的一种车辆出行时间预测的装置的结构示意图;
图8是本申请实施例提供的一种电子设备的结构示意图;
图9是本申请实施例提供的一种车辆的结构示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行清楚、详尽地描述。其中,在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B:文本中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,另外,在本申请实施例的描述中,“多个”是指两个或多于两个。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
图1是本申请实施例提供的一种车辆出行时间预测的场景示意图。
示例性的,如图1所示,车辆101在行驶过程中,对应有行车数据。行车数据可以反映车辆101的出行情况。车辆101可以将行车数据发送至云平台102进行存储,以便于云平台102根据行车数据进行分析和处理。
具体的,车辆101可以通过车辆101中的远程信息处理盒子(Telematics-Box,T-Box,也称为车载终端,远程通信模块等),将行车数据发送至云平台102。
一种可能的实现方式中,云平台102接收到历史行车数据后,可以根据历史行车数据,对车辆101的出行时间进行预测。
示例性的,云平台102在接收到历史行车数据后,可以先对历史行车数据进行预处理,例如数据清洗、归一化处理等,从而得到预处理后的历史行车数据。进一步云平台102对历史行车数据进行筛选处理,得到其中的出发小时、起点位置、终点位置、总里程等多种历史行车数据。然后基于多种历史行车数据建立出行时间预测模型。将历史行车数据作为出行时间预测模型的输入参数,预测得到出行预测时间。随着时间的推移,不断通过历史行车数据更新模型中的参数,对车辆的出行时间进行预测。
上述通过预测车辆的出行时间,通常是收集所有车辆的历史行车数据统一进行预测,对于不同的车辆而言,由于用户的出行时间和使用需求的不同,历史行车数据之间也会存在差异。上述预测方式可能导致车辆出行时间预测的准确率较低,用户的体验较差。
基于上述问题,本申请实施例提出了一种车辆出行时间预测的方法,该方法能够在预测车辆出行时间过程中,选取目标日期之前预测出行时间的准确率最高的时间区域中的历史行车数据,预测车辆在目标日期的出行时间,保证了预测出行时间的准确性。
图2是本申请实施例提供的一种车辆出行时间预测的方法的示意性流程图。应理解,该方法可以应用于如图1所示的场景,具体可以应用于图1中的云平台102,也可以应用于图1中的车辆101,本申请实施例对执行该方法的设备不做限定。下面本申请实施例以云平台102为例,对本申请实施例提供的一种车辆出行时间预测的方法进行详细的介绍。
示例性的,如图2所示,该方法200包括:
201,获取车辆在目标日期之前第一时长内的历史行车数据,第一时长是基于车辆在目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域。
应理解,车辆在行驶过程中对应有行车数据,例如车速、出行时间、位置、总里程等。车辆可以将行车数据发送至云平台,以使云平台存储和分析行车数据。
一种可能的实现方式中,车辆可以通过车辆中的T-Box将行车数据发送至云平台。
示例性的,车辆中配置有多种传感器和多种电子控制单元(Electronic ControlUnit,ECU,也称为控制器),例如多种传感器包括温度传感器、雨量传感器、加速度传感器、横摆角速度传感器、车速传感器、轮速传感器、液位传感器、转角传感器等。例如多种ECU包括发动机控制模块(Engine Control Module,ECM)或者发动机电子控制单元(EngineControl Unit,ECU)、混合动力控制单元(Hybrid Control Unit,HCU)、电池管理系统(Battery Management System,BMS)、变速箱控制单元(Transmission Control Unit,TCU)、多媒体控制器、导航定位系统控制器、防抱死制动系统(Anti-locked BrakingSystem,ABS)等。
多个ECU可以通过多种传感器获取上述行车数据,例如ABS可以通过车速传感器获取到车速、多媒体控制器可以获取到出行时间、导航定位系统控制器可以获取到车辆的位置和总里程等。
进一步,不同的ECU可以将获取到的行车数据,以车辆支持的通信方式发送至T-Box,以使T-Box将行车数据以无线通信的方式发送至云平台。
可选的,云平台可以为车辆远程服务提供商(Telematics Service Provider,TSP)。
可选的,车辆支持的通信方式包括控制器局域网(Controller Area Network,CAN)总线连接、局域互联网络(Local Interconnect Network,LIN)总线连接、Flex Ray总线连接、面向媒体的系统传输(Media Oriented Systems Transport,MOST)总线连接、以太网(Ethernet)连接。对应的,ECU之间的通信方式包括CAN总线通信、LIN总线通信、Flex Ray总线通信、MOST总线通信、以太网通信。本申请实施例以CAN通信为例进行说明。不同的ECU在基于CAN通信实现数据传输时,主要是通过CAN总线,将行车数据以CAN信号的形式传输至T-Box。
通过上述过程,云平台可以获取并存储车辆每一次出行过程中的历史行车数据。
进一步,本申请实施例中,为提升用户的驾车体验,在获取到车辆的历史行车数据后,云平台可以通过历史行车数据,确定车辆在目标日期的预测出行时间,以达到提前对车辆控制的目的,目标日期可以理解为预测出行时间对应的任意一天。
其中,对车辆的控制可以体现在两方面,一方面在于当时间到达预测出行时间时,智能化地启动车辆,达到对发动机进行预热的效果。另一方面在于控制车辆的部件运行,以调节车内环境。
应理解,云平台在确定目标日期的预测出行时间时,为了保证预测结果的准确性,可以通过获取目标日期之前的第一时长内的历史行车数据,实现出行时间的预测,第一时长是根据目标日期之前的历史行车数据得到的预测出行时间的准确率最高的时间区域。
具体的,本申请实施例中,目标日期之前的历史行车数据指的是目标日期之前第三时长内的历史行车数据。第三时长可以为一个月、两个月、三个月等,本申请实施例对此不做限定。也就是说,本申请实施例是通过目标日期之前第三时长内的历史行车数据,得到预测出行时间的准确率最高的时间区域作为第一时长。
本申请实施例中,根据第三时长内的历史行车数据确定第一时长的过程,与车辆在目标日期的预测出行时间的确定过程有相同的发明构思,本申请实施例将在后面对第一时长的确定过程进行详细的说明。
在得到第一时长之后,云平台可以基于车辆的历史行车数据,筛选出目标日期之前第一时长内的历史行车数据,以预测出行时间。
示例性的,假设目标日期为2023.2.1,第一时长为5天。云平台基于存储的历史行车数据,可以获取到2023.1.27-2023.1.31内的历史行车数据。
202,根据第一时长内的历史行车数据,确定车辆在目标日期的预测出行时间。
可选的,车辆在目标日期的预测出行时间的数量可以为1个,也可以为多个,本申请实施例对此不做限定。
一种可能的实现方式中,第一时长内的历史行车数据包括多个第一历史出行时间,根据第一时长内的历史行车数据,确定车辆在目标日期的预测出行时间,包括:
根据多个第一历史出行时间,确定车辆在多个第一历史出行时间对应各个时段的多个第一出行次数;
根据多个第一出行次数和多个第一历史出行时间,确定预测出行时间。
上述确定多个第一出行次数的过程,也就是统计车辆在多个第一历史出行时间时,具体对应在各个时段中每一时段的出行次数。
可选的,各个时段可以理解为每一天的各个时段,例如8:00-9:00、9:00-10:00等多个时段,也可以为0:00-3:00、3:00-6:00等多个时段,凡是能够用于划分一天中的24小时的方式均可适用于本申请实施例,下面本申请实施例以每一小时为一个时段进行介绍。
图3是本申请实施例提供的一种确定预测出行时间的场景示意图。
示例性的,如图3中的(a)所示,横坐标表示日期,纵坐标表示历史出行时间。云平台基于2023.1.27-2023.1.31内的历史行车数据,得到多个第一历史出行时间。如图3中的(a)中所示,每一个四角星对应一个第一历史出行时间,在2023.1.27-2023.1.31内,一共对应16个第一历史出行时间,且主要集中在每一天的9:00-18:00。
云平台基于16个第一历史出行时间,可以确定出16个第一历史出行时间在各个时段的出行次数。
如图3中的(b)所示,结合图3中的(a),可以看到:16个第一历史出行时间中,第一历史出行时间在9:00-10:00的出行次数有4个,分别对应的日期为1.27、1、28、1.29和1.31。第一历史出行时间在10:00-11:00的出行次数有1个,对应的日期为1.30。第一历史出行时间在11:00-12:00的出行次数有1个,对应的日期为1.28。第一历史出行时间在12:00-13:00的出行次数有2个,对应的日期为1.27和1.31。第一历史出行时间在13:00-14:00的出行次数有1个,对应的日期为1.30。第一历史出行时间在14:00-15:00的出行次数有1个,对应的日期为1.28。第一历史出行时间在15:00-16:00的出行次数有1个,对应的日期为1.29。第一历史出行时间在16:00-17:00的出行次数有0个。第一历史出行时间在17:00-18:00的出行次数有5个,对应的日期为1.27、1.28、1.29、1.30和1.31。
通过上述过程,即可得到多个第一出行次数分别为4、1、1、2、1、1、1、0和5。
在得到多个第一出行次数后,结合多个第一历史出行时间,可以得到预测出行时间。
上述技术方案中,第一时长内的历史行车数据包括多个第一历史出行时间。在具体确定预测出行时间时,本申请可以先根据多个第一历史出行时间,确定多个第一历史出行时间在各个时段的多个第一出行次数,也就是得到车辆在多个第一历史出行时间出发时出行频率的分布情况。进一步根据多个第一出行次数和多个第一历史出行时间,得到预测出行时间。上述出行次数能够反映出车辆在各个时段出行的频繁程度,因此上述在确定预测出行时间时,考虑了用户的出行习惯,能够保证预测出行时间的准确性。
一种可能的实现方式中,根据多个第一出行次数和多个第一历史出行时间,确定预测出行时间,具体包括:
从多个第一出行次数中确定出行次数大于或等于第一预设次数的多个第二出行次数;
在多个第一历史出行时间中,确定多个第二出行次数对应的多个第二历史出行时间;
从多个第二历史出行时间中确定预测出行时间,预测出行时间为历史出行时间在第一预设时间之前的第二历史出行时间。
应理解,由于出行次数可以反映用户的出行习惯,比如出行次数越多,说明用户在该出行次数对应的出行时间开车的可能性最大。因此基于多个第一出行次数,本申请实施例可以从中确定出大于或等于第一预设次数的多个第二出行次数。
可选的,本申请实施例中的第一预设次数可以基于多个第一出行次数的四分位数得到,具体是通过多个第一出行次数的上四分位数计算得到。此外,第一预设次数也可以是根据实际情况指定的一个固定次数,比如10次、20次等。本申请实施例中以多个第一出行次数的上四分位数为第一预设次数举例说明。
其中,四分位数也称为四分位点,是指在统计学中把所有数值从小到大排列并分成四等分,上四分位数指处在75%位置上的数值。
示例性的,如图3中的(b)所示,在得到多个第一出行次数——4、1、1、2、1、1、1、0和5,对多个第一出行次数按照从小到大的顺序排序,得到排序结果:0、1、1、1、1、1、2、4、5。
根据上四分位数的计算方法,可以得到上述多个第一出行次数的上四分位数为3,也就是第一预设次数为3。基于此,可以从多个第一出行次数中确定出大于或等于3次的多个第二出行次数,如图3中的(b)所示,多个第二出行次数为4和5。
在得到多个第二出行次数之后,云平台可以从多个第一历史出行时间中,确定出多个第二出行次数对应的多个第二历史出行时间。
示例性的,结合图3中的(a)和(b),在多个第二出行次数为4和5的情况下,云平台可以确定出行次数为4和5对应的第二历史出行时间,分别为9:00-10:00内的4个第二历史出行时间,以及17:00-18:00内的5个第二历史出行时间,一共得到9个第二历史出行时间。
假设9:00-10:00内的4个第二历史出行时间分别为9:30、9:18、9:25和9:05。17:00-18:00内的5个第二历史出行时间分别为17:35、17:40、17:25、17:50和17:52。
由于得到的第二历史出行时间是以小时为单位统计的,为了保证预测出行时间的精确性,减小误差。本申请实施例中可以先对9个第二历史出行时间进行离散化处理,得到以分钟为单位的9个第二历史出行时间。
示例性的,以目标日期的0:00开始计时,0:01记为目标日期的第一分钟、0:30记为目标日期的第30分钟,1:00记为目标日期的第60分钟。基于该离散化方式,可以得到上述9个第二历史出行时间离散化后的结果分别为:第545min、第558min、第565min、第570min、第1045min、第1055min、第1060min、第1070min和第1072min。
另外一种可能情况下,在获取多个第一历史出行时间时,也可以直接获取到以分钟为单位的第一历史出行时间。
可选的,本申请实施例可以通过多个第二历史出行时间的上四分位数,得到第一预设时间,也可以指定一个时间阈值作为第一预设时间,本申请实施例对此不做限定,下面本申请实施例以多个第二历史出行时间的上四分位数为第一预设时间举例说明。
按照上四分位数的计算方法,可以得到上述离散化后的9个第二历史出行时间的上四分位数为1065min,即得到第一预设时间。
进一步,云平台可以基于从离散化后的9个第二历史出行时间中,得到1065min之前的第二历史出行时间为:第545min、第558min、第565min、第570min、第1045min、第1055min、第1060min,也就是本申请实施例中车辆在目标日期的预测出行时间。
上述技术方案中,具体确定预测出行时间时,首先从多个第一出行次数中,确定出大于或等于第一预设次数的多个第二出行次数。然后从多个第一历史出行时间中,确定多个第二出行次数对应的多个第二历史出行时间。上述通过筛选用户出行比较频繁的历史出行时间,能够保证预测出行时间的准确率更高,更加能贴合用户出行过程中的用车习惯。进一步将多个第二历史出行时间中,第一预设时间之前的第二历史出行时间确定为预测出行时间,上述优先选择时间靠前的第二历史出行时间作为预测出行时间,能够保证在目标日期的较早时间完成对车辆的出行控制,避免预测出行时间靠后,用户可能需要手动启动车辆导致用户体验下降的问题。
通过上述过程,本申请实施例即可确定出车辆在目标日期的预测出行时间。预测出行时间作为预测结果,具体能不能作为车辆在目标日期行车过程中的实际出行时间,还需要结合下发条件来判断。下发条件具体可以理解为云平台将预测出行时间下发至车辆,作为车辆在目标日期的实际出行时间所需要满足的条件。
可选的,下发条件包括车辆的出行次数。
一种可能的实现方式中,在确定出预测出行时间后,本申请可以通过出行次数,判断是否向车辆下发预测出行时间,具体包括:
在时间到达预测出行时间之前,获取车辆在当前时刻之前第二时长内的出行次数,第二时长小于第一时长;
根据第二时长内的出行次数,确定是否向车辆下发预测出行时间。
其中,目标出行时间即为车辆在目标日期的实际出行时间,也就是满足下发条件,云平台实际下发至车辆的出行时间。
可选的,当前时刻具体可以为预测出行时间之前的1min、2min、3min等,本申请实施例对此不做限定。
可选的,第二时长可以为5min、10min、15min等,本申请实施例对此不做限定。
示例性的,假设预测出行时间为目标日期的第900min,云平台可以在目标日期的第899min,获取车辆在第899min之前5min内(第883min-第888min)的出行次数。
应理解,本申请实施例中,计算预测出行时间的目的是为了解放用户的双手,为用户带来更好的体验,可以在用户上车之前提前开启车辆。因此,对于任意一个预测出行时间而言,在基于预测出行时间控制车辆时,需要判断车辆在该预测出行时间之前临近时间(第二时长)内是否已经启动。若车辆在该预测出行时间之前临近时间内已经启动,表示车辆已经处于行驶状态,此时再基于该预测出行时间控制车辆反而会降低用户的体验。
出行次数可以通过预测出行时间之前第二时长内的历史出行时间来体现。具体来说,若云平台可以获取到第二时长内的1个历史出行时间,说明第二时长内的出行次数为1;若云平台未获取到第二时长内的历史出行时间,说明第二时长内的出行次数为0。
基于上述获取的车辆在第二时长内的出行次数,云平台可以判断是否向车辆下发预测出行时间。
上述技术方案中,预测出行时间表示预测结果,不能代表车辆的目标出行时间,也就是实际出行时间。在得到预测出行时间之后,还需要进一步判断预测出行时间是否能作为车辆的目标出行时间,实现对车辆的控制。具体的,可以获取车辆在此之前第二时长内的出行次数,根据第二时长内的出行次数来判断是否将预测出行时间下发至车辆。其中,第二时长内的出行次数能够表示车辆在第二时长内是否出行,若车辆在第二时长内已经出行,本申请的预测过程就不能起到提前对车辆调度的作用,此时下发预测出行时间对于车辆而言没有意义,还有可能导致用户体验下降。上述通过第二时长内的出行次数,判断是否向车辆下发预测出行时间,能够保证下发预测出行时间的合理性和有效性。
结合上述根据第二时长内的出行次数,判断是否向车辆下发预测出行时间时,具体包括以下两种情况:
根据第二时长内的出行次数,确定车辆在第二时长内是否出行;
在车辆在第二时长内出行的情况下,不向车辆下发预测出行时间;
在车辆在第二时长内未出行的情况下,向车辆下发预测出行时间。
示例性的,结合前述举例,若车辆在第二时长内的出行次数为0,则确定车辆在第二时长内未出行,则向车辆下发预测出行时间。若车辆在第二时长内的出行次数不为0,则确定车辆在第二时长内已经出行,则不向车辆下发预测出行时间。
上述技术方案中,具体在确定是否下发预测出行时间时,当第二时长内车辆已经出行,则确定不下发预测出行时间;当第二时长内车辆未出行,则确定下发预测出行时间,上述过程能够保证下发预测出行时间的准确性。
在具体向车辆下发预测出行时间时,除了考虑时间上的匹配之外,还需要结合预测出行时间对应的历史位置和车辆当前的实时位置,确定位置之间的匹配性,以使车辆当前的行驶状态更贴近与预测出行时间对应的历史行驶状态。
一种可能的实现方式中,在下发预测出行时间时,第一时长内的历史行车数据包括多个第一历史出行时间,以及多个第一历史出行时间对应的多个历史位置,下发过程具体包括:
对预测出行时间和多个第一历史出行时间进行时间匹配,从多个历史位置中确定出预测出行时间对应的目标历史位置;
对车辆在当前时刻的实时位置和目标历史位置进行相似度匹配,确定实时位置和目标历史位置之间的相似度;
在相似度大于或等于预设相似度的情况下,向车辆下发预测出行时间。
其中,云平台可以通过车辆中的T-Box和导航定位系统控制器,获取车辆的历史位置或者实时位置。
基于预测出行时间和多个第一历史出行时间,云平台通过匹配,可以从多个第一历史出行时间中匹配出与预测出行时间对应的第一历史出行时间,以及该第一历史出行时间对应的目标历史位置。
示例性的,结合图3,在得到预测出行时间为目标日期的第545min、第558min、第565min、第570min、第1045min、第1055min、第1060min后,以预测出行时间为第545min为例说明。
云平台可以从2023.1.27-2023.1.31内的历史行车数据的多个第一历史出行时间,以及多个第一历史出行时间对应的多个历史位置中,确定出历史出行时间为第545min对应的历史位置,作为目标历史位置。
进一步,云平台可以通过相似度匹配,计算目标历史位置和实时位置之间的相似度。
可选的,计算相似度的方法包括但不限于欧几里得距离、曼哈顿距离、余弦相似度、明可夫斯基距离、皮尔森相关系数、杰拉德相似度、海明距离,本申请实施例对计算相似度的方法不做限定。
可选的,预设相似度为98%。
当相似度大于或等于98%,说明车辆在预测出行时间之前实时位置和目标历史位置的差距不大,这种情况下,云平台可以将预测出行时间作为目标出行时间下发至车辆。
在下发预测出行时间过程中,云平台可以通过车辆中的T-Box,将预测出行时间发送至车辆。当时间到达该目标出行时间时,车辆自行启动,并且按照用户上一次使用空调过程中的空调工作参数,或者车内默认的空调工作参数,控制车内空调运行。
除了控制车内的空调以外,车辆还可以按照用户对车辆中应用软件或者部件的使用习惯,完成对车辆中应用软件以及其他部件的调度,比如提前开启车辆中的音乐软件、提前将座椅调节至预设角度(预设角度可以是上一次使用过程中的角度,也可以是默认角度)、提前调节氛围灯的模式等等,本申请实施例对此不做限定。
上述技术方案中,具体向车辆下发预测出行时间时,第一时长内的历史行车数据包括多个第一历史出行时间,以及多个第一历史出行时间对应的多个历史位置。本申请首先可以根据预测出行时间,从多个第一历史出行时间匹配出对应的第一历史出行时间,得到该第一历史出行时间对应的目标历史位置。进一步,计算当前车辆的实时位置和目标历史位置之间的相似度,能够得到实时位置和目标历史位置之间的差异情况。当相似度大于或等于预设相似度时,向车辆下发预测出行时间,能够兼顾车辆当前位置与预测出行时间对应的历史位置的高度匹配性,使车辆当前的行车场景与历史行车场景重合,保证了下发预测出行时间的准确性。
在介绍完如何基于预测出行时间控制车辆后,下面结合步骤202中确定预测出行时间的过程,对第一时长的确定过程进行详细的介绍。
一种可能的实现方式中,具体得到第一时长的过程可以包括:
基于多个时间区域,分别在车辆在目标日期之前的历史行车数据中进行采样,得到各个时间区域对应的多个样本行车数据;
基于各个时间区域对应的多个样本行车数据,以及各个样本行车数据对应的实际出行时间,确定各个时间区域对应的预测出行时间的准确率;
将多个时间区域中预测出行时间的准确率最高的时间区域确定为第一时长。
可选的,时间区域的含义可以为时间窗口、也可以为候选时长等,多个时间区域具体可以为3天、5天、6天、7天等,本申请实施例对多个时间区域不做限定,可以根据实际需要调整多个时间区域。
结合步骤201中的介绍,上述目标日期之前的历史行车数据具体也是指目标日期之前第三时长内的历史行车数据。
其中,对目标日期之前的历史行车数据采样,对应指的是对目标日期之前的第三时长内的历史行车数据进行采样。基于此,上述采样之后,得到各个时间区域对应的多个样本行车数据的过程可以概括为:基于多个时间区域对目标日期之前的第三时长内的历史行车数据采样,得到用于预测第三时长内的车辆出行时间的历史出行时间,也就是样本行车数据。
图4是本申请实施例提供的一种确定第一时长的场景示意图。
示例性的,假设目标日期为2023.2.1,第三时长为一个月。目标日期之前的历史行车数据为目标日期之前一个月内的历史行车数据,也就是2023.1.1-2023.1.31内的历史行车数据。
以时间区域为7天举例,如图4中的(a)所示,横坐标表示日期,纵坐标表示车辆的历史出行时间。基于时间区域7天,对目标日期之前第三时长内的历史行车数据采样,可以表示为:以2023.1.1这一天为基准,获取2023.1.1之前7天内的历史出行时间,也就是图4中的(a)所示的加粗矩形中所包括的2022.12.25-2022.12.31内的19个历史出行时间,记为“样本行车数据1”。接着,再以2023.1.2这一天为基准,获取2023.1.2之前7天内的历史出行时间,也就是2022.12.26-2022.1.1内的历史出行时间,记为“样本行车数据2”。再以2023.1.3这一天为基准,获取2023.1.3之前7天内的历史出行时间,也就是2022.12.27-2022.1.2内的历史出行时间,记为“样本行车数据3”。以此类推,一直到获取到以2023.1.31这一天为基准,2023.1.31之前7天的历史出行时间,也就是2023.1.24-2023.1.30内的历史出行时间,记为“样本行车数据n”。
通过上述过程,即可获取到时间区域7天对应的多个样本行车数据,即样本行车数据1、样本行车数据2、……样本行车数据n。
此外,本申请实施例还可以通过2023.1.1-2023.1.31内的历史行车数据,分别获取到车辆在2023.1.1、2023.1.2、……2023.1.31内的实际出行时间,分别记为“实际出行时间1、实际出行时间2、……实际出行时间n”。
基于上述样本行车数据1、样本行车数据2、……样本行车数据n,以及实际出行时间1、实际出行时间2、……实际出行时间n,云平台可以计算得到时间区域7天对应的预测出行时间的准确率。
具体在计算单个时间区域对应的预测出行时间的准确率时,可参见下图5。
图5是本申请实施例提供的一种确定单个时间区域对应的预测出行时间的准确率的方法的示意性流程图。
示例性的,如图5所示,该方法500包括:
501,对于时间区域的多个样本行车数据中的任一样本行车数据,根据样本行车数据,确定车辆在各个时段的多个第三出行次数。
示例性的,当时间区域为7天时,多个样本行车数据包括样本行车数据1、样本行车数据2、……样本行车数据n。以其中的样本行车数据1为例,如图4所示,样本行车数据1具体为2022.12.25-2022.12.31之间的19个历史出行时间。
步骤501中,确定车辆在各个时段的多个第三出行次数,也就是统计样本行车数据对应各个时段的出行次数。
步骤501与前述步骤202中,“根据多个第一历史出行时间,确定车辆在多个第一历史出行时间对应各个时段的多个第一出行次数”属于同一发明构思,此处进行简单的概括介绍,详细过程可参见步骤202。
示例性的,如图4中的(b)所示,基于上述19个历史出行时间对应的出行次数,本申请实施例可以确定出多个第三出行次数分别为5、1、1、1、2、2、1和6。
502,从多个第三出行次数中确定出行次数大于或等于第二预设次数的多个第四出行次数。
第二预设次数与第一预设次数的确定过程同理,具体可以通过多个第三出行次数的上四分位数计算得到。
示例性的,如图4中的(b)所示,按照从小到大的顺序,将多个第三出行次数进行排序,得到排序结果为1、1、1、1、2、2、5、6。按照上四分位数的计算方法,得到多个第三出行次数的上四分位数=4.25次,也就是第二预设次数。
进一步,可以从多个第三出行次数中选取大于或等于第二预设次数的多个第四出行次数,也就是图4中的(b)中虚框矩形包括的5次和6次。
503,从样本行车数据中,确定出多个第四出行次数对应的多个第三历史出行时间。
步骤503与步骤202中“从多个第一历史出行时间中,确定多个第二出行次数对应的多个第二历史出行时间”属于同一发明构思,具体可参见步骤202,此处进行简单介绍。
示例性的,如图4所示,基于2022.12.25-2022.12.31之间的19个历史出行时间,云平台可以确定出5次和6次分别对应的11个第三历史出行时间,假设分别为9:25、9:26、9:20、9:30、9:35,以及17:25、17:30、17:35、17:24、17:20、17:22。
504,从多个第三历史出行时间中确定车辆在目标日期之前的预测出行时间,车辆在目标日期之前的预测出行时间为历史出行时间在第二预设时间之前的第三历史出行时间。
其中,车辆在目标日期之前的预测出行时间,具体指的是车辆在目标日期之前第三时长内的预测出行时间。
步骤504与步骤202中“从多个第二历史出行时间中确定预测出行时间”属于同一发明构思,具体可参见步骤202,此处进行简单介绍。
具体的,对上述11个第三历史出行时间进行离散化处理,分别得到上离散化后的9个第三历史出行时间为:第565min、第566min、第560min、第570min、第575min、第1045min、第1050min、第1055min、第1044min、第1040min、第1042min。
同理,按照第一预设时间的确定方式,本申请也可以得到离散化后的9个第三历史出行时间上四分位数=1045min,即第二预设时间。进一步,云平台可以确定出车辆在2023.1.1这一天的预测出行时间包括第565min、第566min、第560min、第570min、第575min、第1045min。
505,根据车辆在目标日期之前的预测出行时间,以及车辆在目标日期之前的历史行车数据,确定时间区域对应的预测出行时间的准确率。
一种可能的实现方式中,根据车辆在目标日期之前的预测出行时间,以及车辆在目标日期之前的历史行车数据,确定时间区域对应的预测出行时间的准确率,包括:
根据预测出行时间和车辆在目标日期之前的历史行车数据,得到车辆在目标日期之前的待下发出行时间;
根据车辆在目标日期之前的待下发出行时间,以及车辆的实际出行时间,确定各个时间区域对应的预测出行时间的准确率,车辆在目标日期之前的历史行车数据包括车辆的实际出行时间。
具体的,步骤505在得到车辆在目标日期之前第三时长内的预测出行时间后,同理,可以按照步骤2中的下发条件,来确定预测出行时间是否能作为待下发出行时间。具体过程可参见步骤202,此处不再赘述。
云平台还可以进一步从目标日期之前第三时长内的历史行车数据中,获取到车辆在目标日期之前第三时长内的实际出行时间。
在确定预测出行时间的准确率时,主要是基于待下发出行时间是否与实际出行时间匹配来确定的。具体的,对于任意一个时间区域,当在第三时长内的某一天,待下发出行时间与实际出行时间匹配,则给时间区域在这一天的出行时间的正确计数加1。相反时,则给时间区域在这一天的出行时间的错误计数加1。
表1是本申请实施例提供的一种计算时间区域对应的预测出行时间的准确率的示意性表格。
表1
示例性的,如表1所示,假设时间区域为7天,以第三时长内的2023.1.1为例。假设步骤505中确定的2023.1.1对应的待下发出行时间为15:30,而车辆在2023.1.1这天的实际出行时间为16:00。这种情况下,表示车辆在2023.1.1这天并不是按照待下发出行时间启动的,则给2023.1.1这一天的出行时间的错误计数加1。另外一种情况下,2023.1.1对应的待下发出行时间为15:30,车辆在2023.1.1这天的实际出行时间为15:30。这种情况下,表示车辆在2023.1.1这一天是按照待下发出行时间启动的,给2023.1.1这一天的出行时间的正确计数加1。
基于上述过程,可以依次得到时间区域为7天时,2023.1.2、2023.1.3、……2023.1.31对应的出行时间的多个正确计数和多个错误计数。将多个正确计数和多个错误计数求和,得到时间区域为7天时,第三时长内的总计数。然后计算多个正确计数占总计数的比例,即可得到该时间区域对应的预测出行时间的准确率。
当时间区域为5天时、3天等,可以按照上述同样确定预测出行时间的准确率的方式,得到每一个时间区域对应的预测出行时间的准确率。
506,将多个时间区域中的预测出行时间的准确率最大的时间区域确定为第一时长。
在得到多个预测出行时间的准确率后,从中选择出预测出行时间的准确率最高的时间区域作为第一时长。
上述技术方案中,提出了一种如何确定第一时长的方案。具体可以通过多个时间区域,对目标日期之前的历史行车数据进行采样,得到各个候时间区域对应的多个样本行车数据。然后通过各个时间区域对应的多个样本行车数据,以及各个样本行车数据对应的实际出行时间,确定各个时间区域对应的预测出行时间的准确率。最后选择预测出行时间的准确率最高的时间区域确定为第一时长。上述得到车辆出行时间预测所需的第一时长的过程,能够实现对车辆个性化历史出行数据的最优查找,使得本申请的预测方法能够在车辆不同时,也能得到较为准确的预测结果,使本申请的预测过程具有较强的泛化能力。
图6是本申请实施例提供的一种云平台的结构示意图。
示例性的,如图6所示,该云平台102包括:第一计算单元601、第二计算单元602和第三计算单元603。不同的计算单元用于确定不同的参数。
其中,
第一计算单元601用于根据目标日期之前的历史行车数据,得到第一时长。
第二计算单元602用于根据目标日期之前的历史行车数据,得到预测出行时间。
第三计算单元603用于根据预测出行时间,确定车辆在目标日期的目标出行时间。
可选的,上述第一计算单元601的计算过程可以为离线计算,第二计算单元602和第三计算单元603的计算过程可以为实时计算。
图7是本申请实施例提供的一种车辆出行时间预测的装置的结构示意图。
示例性的,如图7所示,该装置700包括:
获取模块701,用于获取车辆在目标日期之前第一时长内的历史行车数据,该第一时长是基于该车辆在目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域;
第一确定模块702,用于根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间。
一种可能的实现方式中,该第一时长内的历史行车数据包括多个第一历史出行时间,该第一确定模块702具体用于:根据多个该第一历史出行时间,确定该车辆在多个该第一历史出行时间对应各个时段的多个第一出行次数;根据多个该第一出行次数和多个该第一历史出行时间,确定该预测出行时间。
一种可能的实现方式中,该第一确定模块702还用于:从多个该第一出行次数中确定出行次数大于或等于第一预设次数的多个第二出行次数;在多个该第一历史出行时间中,确定多个该第二出行次数对应的多个第二历史出行时间;从多个该第二历史出行时间中确定该预测出行时间,该预测出行时间为历史出行时间在第一预设时间之前的该第二历史出行时间。
可选的,该根据该第一时长内的历史行车数据,确定该车辆在该目标日期的预测出行时间之后,该装置还包括:第二确定模块,用于在时间到达该预测出行时间之前,获取该车辆在当前时刻之前第二时长内的出行次数,该第二时长小于该第一时长;根据该第二时长内的出行次数,确定是否向该车辆下发该预测出行时间。
一种可能的实现方式中,该第二确定模块具体用于:根据该第二时长内的出行次数,确定该车辆在该第二时长内是否出行;在该车辆在该第二时长内出行的情况下,不向该车辆下发该预测出行时间;在该车辆在该第二时长内未出行的情况下,向该车辆下发该预测出行时间。
一种可能的实现方式中,该第一时长内的历史行车数据包括多个第一历史出行时间,以及多个该第一历史出行时间对应的多个历史位置,该第二确定模块还用于:对该预测出行时间和多个该第一历史出行时间进行时间匹配,从多个该历史位置中确定出该预测出行时间对应的目标历史位置;对该车辆在该当前时刻的实时位置和该目标历史位置进行相似度匹配,确定该实时位置和该目标历史位置之间的相似度;在该相似度大于或等于预设相似度的情况下,向该车辆下发该预测出行时间。
可选的,该获取车辆在目标日期之前第一时长内的历史行车数据之前,该装置还包括:第三确定模块,用于基于多个时间区域,分别在该车辆在该目标日期之前的历史行车数据中进行采样,得到各个该时间区域对应的多个样本行车数据;基于各个该时间区域对应的多个该样本行车数据,以及各个该样本行车数据对应的实际出行时间,确定各个该时间区域对应的预测出行时间的准确率;将多个该时间区域中预测出行时间的准确率最高的该时间区域确定为该第一时长。
图8是本申请实施例提供的一种电子设备的结构示意图。当该电子设备应用于车辆101时,可以使车辆101执行一种车辆出行时间预测的方法。当该电子设备应用于云平台102时,可以使云平台102执行一种车辆出行时间预测的方法。
示例性的,如图8所示,该电子设备800包括:存储器801和处理器802,其中,存储器801中存储有可执行程序代码8011,处理器802用于调用并执行该可执行程序代码8011执行一种车辆出行时间预测的方法。
图9是本申请实施例提供的一种车辆的结构示意图。
示例性的,如图9所示,该车辆101包括:存储器901和处理器902,其中,存储器901中存储有可执行程序代码9011,处理器902用于调用并执行该可执行程序代码9011执行一种车辆出行时间预测的方法。
本实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,可以对应各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中,上述集成的模块可以采用硬件的形式实现。需要说明的是,本实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用对应各个功能划分各个功能模块的情况下,该电子设备可以包括:获取模块和第一确定模块等。需要说明的是,上述方法实施例涉及的各个步骤的所有相关内容的可以援引到对应功能模块的功能描述,在此不再赘述。
本实施例提供的电子设备,用于执行上述一种车辆出行时间预测的方法,因此可以达到与上述实现方法相同的效果。
在采用集成的单元的情况下,电子设备可以包括处理模块、存储模块。其中,处理模块可以用于对电子设备的动作进行控制管理。存储模块可以用于支持电子设备执行相互程序代码和数据等。
其中,处理模块可以是处理器或控制器,其可以实现或执行结合本申请公开内容所藐视的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包括一个或多个微处理器组合,数字信号处理(digital signal processing,DSP)和微处理器的组合等等,存储模块可以是存储器。
本实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序代码,当该计算机程序代码在计算机上运行时,使得计算机执行上述相关方法步骤实现上述实施例中的一种车辆出行时间预测的方法。
本实施例还提供了一种计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述相关步骤,以实现上述实施例中的一种车辆出行时间预测的方法。
另外,本申请的实施例提供的电子设备具体可以是芯片,组件或模块,该电子设备可包括相连的处理器和存储器;其中,存储器用于存储指令,当电子设备运行时,处理器可调用并执行指令,以使芯片执行上述实施例中的一种车辆出行时间预测的方法。
其中,本实施例提供的电子设备、计算机可读存储介质、计算机程序产品或芯片均用于执行上文所提供的对应的方法,因此,其所能达到的有益效果可参考上文所提供的对应的方法中的有益效果,此处不再赘述。
通过以上实施方式的描述,所属领域的技术人员可以了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
以上内容,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种车辆出行时间预测的方法,其特征在于,所述方法包括:
获取车辆在目标日期之前第一时长内的历史行车数据,所述第一时长是基于所述车辆在所述目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域;
根据所述第一时长内的历史行车数据,确定所述车辆在所述目标日期的预测出行时间。
2.根据权利要求1所述的方法,其特征在于,所述第一时长内的历史行车数据包括多个第一历史出行时间,所述根据所述第一时长内的历史行车数据,确定所述车辆在所述目标日期的预测出行时间,包括:
根据多个所述第一历史出行时间,确定所述车辆在多个所述第一历史出行时间对应各个时段的多个第一出行次数;
根据多个所述第一出行次数和多个所述第一历史出行时间,确定所述预测出行时间。
3.根据权利要求2所述的方法,其特征在于,所述根据多个所述第一出行次数和多个所述第一历史出行时间,确定所述预测出行时间,包括:
从多个所述第一出行次数中确定出行次数大于或等于第一预设次数的多个第二出行次数;
在多个所述第一历史出行时间中,确定多个所述第二出行次数对应的多个第二历史出行时间;
从多个所述第二历史出行时间中确定所述预测出行时间,所述预测出行时间为历史出行时间在第一预设时间之前的所述第二历史出行时间。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一时长内的历史行车数据,确定所述车辆在所述目标日期的预测出行时间之后,所述方法还包括:
在时间到达所述预测出行时间之前,获取所述车辆在当前时刻之前第二时长内的出行次数,所述第二时长小于所述第一时长;
根据所述第二时长内的出行次数,确定是否向所述车辆下发所述预测出行时间。
5.根据权利要求4所述的方法,其特征在于,所述根据所述第二时长内的出行次数,确定是否向所述车辆下发所述预测出行时间,包括:
根据所述第二时长内的出行次数,确定所述车辆在所述第二时长内是否出行;
在所述车辆在所述第二时长内出行的情况下,不向所述车辆下发所述预测出行时间;
在所述车辆在所述第二时长内未出行的情况下,向所述车辆下发所述预测出行时间。
6.根据权利要求5所述的方法,其特征在于,所述第一时长内的历史行车数据包括多个第一历史出行时间,以及多个所述第一历史出行时间对应的多个历史位置,所述向所述车辆下发所述预测出行时间,包括:
对所述预测出行时间和多个所述第一历史出行时间进行时间匹配,从多个所述历史位置中确定出所述预测出行时间对应的目标历史位置;
对所述车辆在所述当前时刻的实时位置和所述目标历史位置进行相似度匹配,确定所述实时位置和所述目标历史位置之间的相似度;
在所述相似度大于或等于预设相似度的情况下,向所述车辆下发所述预测出行时间。
7.根据权利要求1所述的方法,其特征在于,所述获取车辆在目标日期之前第一时长内的历史行车数据之前,所述方法还包括:
基于多个时间区域,分别在所述目标日期之前的历史行车数据中进行采样,得到各个所述时间区域对应的多个样本行车数据;
基于各个所述时间区域对应的多个所述样本行车数据,以及各个所述样本行车数据对应的实际出行时间,确定各个所述时间区域对应的预测出行时间的准确率;
将多个所述时间区域中预测出行时间的准确率最高的所述时间区域确定为所述第一时长。
8.一种车辆出行时间预测的装置,其特征在于,所述装置包括:
获取模块,用于获取车辆在目标日期之前第一时长内的历史行车数据,所述第一时长是基于所述车辆在所述目标日期之前的历史行车数据确定出的预测出行时间的准确率最高的时间区域;
第一确定模块,用于根据所述第一时长内的历史行车数据,确定所述车辆在所述目标日期的预测出行时间。
9.一种车辆出行时间预测的电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行程序代码;
处理器,用于从所述存储器中调用并运行所述可执行程序代码,使得所述电子设备执行如权利要求1至7中任意一项所述的方法。
10.一种车辆,其特征在于,所述车辆包括如权利要求9所述的用于执行如权利要求1至7中任意一项所述的方法的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266684.5A CN117273230A (zh) | 2023-09-27 | 2023-09-27 | 车辆出行时间预测的方法、装置、电子设备和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311266684.5A CN117273230A (zh) | 2023-09-27 | 2023-09-27 | 车辆出行时间预测的方法、装置、电子设备和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273230A true CN117273230A (zh) | 2023-12-22 |
Family
ID=89221083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311266684.5A Pending CN117273230A (zh) | 2023-09-27 | 2023-09-27 | 车辆出行时间预测的方法、装置、电子设备和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273230A (zh) |
-
2023
- 2023-09-27 CN CN202311266684.5A patent/CN117273230A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7706938B2 (en) | Automated synchronized service intervals for vehicles | |
US20120209632A1 (en) | Telematics smart pinging systems and methods | |
US20040088205A1 (en) | Driving workload estimation | |
KR101483994B1 (ko) | 다중 센서 기반의 차량용 정보 처리 방법 및 장치 | |
KR101500364B1 (ko) | 차량 주행환경 제공 시스템 및 그 방법 | |
US20100185356A1 (en) | Compiling Source Information From A Motor Vehicle Data System and Configuring A Telematic Module | |
CN110770799A (zh) | 基于车载终端的出租车计程计价方法与系统 | |
CN112435469A (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
CN112947137A (zh) | 氢能源汽车控制方法、氢能源汽车及物联网系统 | |
EP3905214A1 (en) | Mobile body management apparatus, control method, program, and storage medium | |
CN112629524A (zh) | 出行路径推荐管理方法、装置和电子设备 | |
US20190344681A1 (en) | Controlling transfer of data | |
CN112819181B (zh) | 用于管理车辆的方法、设备、计算机可读存储介质 | |
JP7146097B2 (ja) | トンネル工事車両の出勤評価方法、コンピューター装置及びコンピューター読み取り可能な記憶媒体 | |
WO2021164438A1 (zh) | 用于租赁车辆的方法、电子设备和计算机存储介质 | |
CN117273230A (zh) | 车辆出行时间预测的方法、装置、电子设备和车辆 | |
CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
CN110415518B (zh) | 一种客流与运力的监控预警方法、装置、设备及介质 | |
CN115713168A (zh) | 用车出行时间预测方法、装置、服务器及存储介质 | |
CN117273228A (zh) | 车辆终点预测的方法、装置、电子设备和车辆 | |
CN115271239A (zh) | 净水量的校验方法、装置、设备和介质 | |
WO2013106818A1 (en) | Telematics smart pinging systems and methods | |
CN111861498B (zh) | 出租车的监控方法、装置、设备和存储介质 | |
CN113887834A (zh) | 一种公车的智能管控方法及系统 | |
US9052987B2 (en) | Vehicle information system for motor vehicles with at least two engines, motor vehicle and method |
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 |