CN117392847A - 一种道路拥堵检测方法、装置、系统、设备及存储介质 - Google Patents

一种道路拥堵检测方法、装置、系统、设备及存储介质 Download PDF

Info

Publication number
CN117392847A
CN117392847A CN202311425037.4A CN202311425037A CN117392847A CN 117392847 A CN117392847 A CN 117392847A CN 202311425037 A CN202311425037 A CN 202311425037A CN 117392847 A CN117392847 A CN 117392847A
Authority
CN
China
Prior art keywords
information
navigation
target
user
sub
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
Application number
CN202311425037.4A
Other languages
English (en)
Inventor
赵志
彭飞
刘孟
张达理
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.)
Beijing 58 Information Technology Co Ltd
Original Assignee
Beijing 58 Information Technology 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 Beijing 58 Information Technology Co Ltd filed Critical Beijing 58 Information Technology Co Ltd
Priority to CN202311425037.4A priority Critical patent/CN117392847A/zh
Publication of CN117392847A publication Critical patent/CN117392847A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本申请实施例提供一种道路拥堵检测方法、装置、系统、设备及存储介质。在该方法中，在用户使用导航应用进行导航时，获取导航应用的目标导航信息；利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息；并将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度；接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。通过这种方式，目标插件可对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。

Description

一种道路拥堵检测方法、装置、系统、设备及存储介质
技术领域
本申请涉及互联网技术领域，尤其涉及一种道路拥堵检测方法、装置、系统、设备及存储介质。
背景技术
目前，感知用户是否处于拥堵道路的方式，一般可利用用户使用的地图导航软件来反映拥堵级别。常见的地图导航软件在拥堵系数计算上，通常可采用以下方式：采集用户端导航的时速数据来做汇总的统计，利用多个用户端的地理位置信息和时速信息进行运算，在同一路段同一时间段出现多个用户端时速数据较慢的情况下，上调道路拥堵系数，并将道路拥堵系数反馈到地图的用户端，以便于用户实时查看。
但是，上述现有技术存在一个问题。因为即使在道路未拥堵的情况下，用户端仍会上报导航数据，所以很容易出现误报或者错报的现象。比如，当前的一些网约车案例中出现过故意制造拥堵现象，即采用多个用户端同时开启导航但是却保持静止，当一定量级的用户在同一地点静止时，便能呈现出道路严重拥堵的现象。简而言之，现有技术中存在道路拥堵检测的准确度较低的技术问题。
因此，亟待提出一种解决方案。
发明内容
本申请的多个方面提供一种道路拥堵检测方法、装置、系统、设备及存储介质，用以对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。
本申请实施例提供一种道路拥堵检测方法，适用于终端设备上的目标插件，所述目标插件集成在所述终端设备的操作系统中，所述终端设备上安装有导航应用，所述方法包括：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果。
进一步可选地，在用户使用所述导航应用进行导航时，获取所述导航应用的导航信息，包括：在所述用户利用所述导航应用进行导航时，采集所述用户针对所述导航应用的第一导航信息；根据预设的无效检测规则，检测并去除所述第一导航信息中的无效信息，得到第二导航信息；识别所述第二导航信息中的缺失值，并根据预设的缺失值修正规则，对所述缺失值进行修正，得到第三导航信息；去除所述第三导航信息中的重复数据，得到所述目标导航信息。
进一步可选地，所述行为习惯模型预先根据所述用户利用所述导航应用进行导航的历史导航信息训练得到；所述历史导航信息包括以下至少一种历史子信息：历史导航应用类型、历史导航路段信息、历史导航时速信息、历史导航时间段信息和历史导航地点信息。
进一步可选地，所述行为习惯模型的训练过程包括：将所述历史导航信息输入到预设的深度学习网络；利用所述深度学习网络，学习所述历史导航信息中的至少一种历史子信息各自所占的权重以及每种历史子信息的取值范围，得到所述行为习惯模型。
进一步可选地，利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息，包括：利用与所述用户对应的行为习惯模型，将所述目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的子信息作为符合所述用户的行为习惯的目标子信息；和/或，根据所述至少一种子信息与对应的预设的取值范围之间的偏差，确定所述至少一种子信息的准确度；将所述目标导航信息的至少一种子信息中的准确度大于预设准确度阈值的子信息作为符合所述用户的行为习惯的目标子信息。
本申请实施例还提供一种道路拥堵检测方法，适用于服务器，所述方法包括：接收目标插件发送的符合用户的行为习惯的目标子信息；所述目标插件集成在终端设备的操作系统中，所述终端设备上安装有导航应用；所述目标子信息由所述目标插件利用与所述用户对应的行为习惯模型从所述导航应用的目标导航信息的至少一种子信息中筛选得到；所述目标导航信息由所述目标插件在所述用户使用所述导航应用进行导航时获取；利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；向所述目标插件返回预测结果，以使所述目标插件在所述导航应用的应用界面中向用户展示所述预测结果。
本申请实施例还提供一种道路拥堵检测装置，适用于终端设备上的目标插件，所述目标插件集成在所述终端设备的操作系统中，所述终端设备上安装有导航应用，所述装置包括：获取模块，用于：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；筛选模块，用于：利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；发送模块，用于：将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；展示模块，用于：接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果。
本申请实施例还提供一种道路拥堵检测系统，包括：终端设备和服务器；所述终端设备的操作系统中集成有目标插件，所述终端设备上安装有导航应用；所述目标插件，用于：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果；所述服务器，用于：接收目标插件发送的符合用户的行为习惯的目标子信息；所述目标插件集成在终端设备的操作系统中，所述终端设备上安装有导航应用；所述目标子信息由所述目标插件利用与所述用户对应的行为习惯模型从所述导航应用的目标导航信息的至少一种子信息中筛选得到；所述目标导航信息由所述目标插件在所述用户使用所述导航应用进行导航时获取；利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；向所述目标插件返回预测结果，以使所述目标插件在所述导航应用的应用界面中向用户展示所述预测结果。
本申请实施例还提供一种电子设备，包括：存储器和处理器；其中，所述存储器用于：存储一个或多个计算机指令；所述处理器用于执行所述一个或多个计算机指令，以用于：执行所述道路拥堵检测方法中的步骤。
本申请实施例还提供一种计算机可读存储介质，当所述计算机程序被处理器执行时，致使所述处理器能够实现所述道路拥堵检测方法中的步骤。
在本实施例中，在用户使用导航应用进行导航时，获取导航应用的目标导航信息；利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息；并将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度；接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。通过这种方式，目标插件可对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请一示例性实施例提供的道路拥堵检测系统的架构图；
图2为本申请一示例性实施例提供的道路拥堵检测方法的流程图；
图3为本申请一示例性实施例提供的另一道路拥堵检测方法的流程图；
图4为本申请一示例性实施例提供的道路拥堵检测装置的架构图；
图5为本申请一示例性实施例提供的电子设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
目前，感知用户是否处于拥堵道路的方式，一般可利用用户使用的地图导航软件来反映拥堵级别。常见的地图导航软件在拥堵系数计算上，通常可采用以下方式：采集用户端导航的时速数据来做汇总的统计，利用多个用户端的地理位置信息和时速信息进行运算，在同一路段同一时间段出现多个用户端时速数据较慢的情况下，上调道路拥堵系数，并将道路拥堵系数反馈到地图的用户端，以便于用户实时查看。
但是，上述现有技术存在一个问题。因为即使在道路未拥堵的情况下，用户端仍会上报导航数据，所以很容易出现误报或者错报的现象。比如，当前的一些网约车案例中出现过故意制造拥堵现象，即采用多个用户端同时开启导航但是却保持静止，当一定量级的用户在同一地点静止时，便能呈现出道路严重拥堵的现象。简而言之，现有技术中存在道路拥堵检测的准确度较低的技术问题。
针对此技术问题，在本申请一些实施例中，提供了一种解决方案。以下将结合附图，详细说明本申请各实施例提供的技术方案。
图1为本申请一示例性实施例提供的道路拥堵检测系统的结构示意图，如图1所示，道路拥堵检测系统包含：终端设备和服务器。
其中，终端设备可为手机、平板电脑、车载电脑或计算机等，本实施例不做限制。终端设备可配置有预先训练的行为习惯模型。终端设备上可运行有操作系统，操作系统中可运行有导航应用并可集成有目标插件，该目标插件可用于对导航应用的目标导航信息进行信息过滤筛选。
该服务器可实现为云端服务器或者本地服务器等等，本实施例不做限制。其中，云端服务器可实现为云主机、云端的虚拟中心、云端的弹性计算实例等，本实施例对此不做限制。其中，服务器的构成主要包括处理器、硬盘、内存、系统总线等，和通用的计算机架构类似，不再赘述。该服务器上可配置有预先训练的拥堵预测模型。
在道路拥堵检测系统中，服务器与终端设备之间，可建立无线通信连接，具体的通信连接方式可视不同应用场景而定。在一些实施例中，该无线通信连接，可基于专用虚拟网络(Virtual Private Network，VPN)实现，以确保通信安全。
在道路拥堵检测系统中，终端设备上的目标插件主要用于：在用户使用导航应用进行导航时，获取导航应用的目标导航信息。其中，目标导航信息用于描述用户对导航应用做出的导航行为的详情信息，目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息，比如，目标导航信息可包括以下子信息：车机导航应用(导航应用类型)，路段A1(导航路段信息)、50km/h(导航时速信息)、12：00-2：00(导航时间段信息)和位置L(导航地点信息)。
其中，在用户使用所述导航应用进行导航时，目标插件可基于导航行为监控功能，对用户针对导航应用做出的导航操作进行监测，从而得到导航应用的目标导航信息。
获取到导航应用的目标导航信息，目标插件可利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息，并将目标子信息发送至服务器。需要说明的是，行为习惯模型与用户相对应，换句话说，行为习惯模型是根据用户的导航行为习惯适配得到的模型。目标插件可利用该行为习惯模型，对至少一种子信息进行信息筛选，以排除不符合用户的行为习惯的子信息，从而避免将这些不符合用户的行为习惯的存在异常的子信息发送至服务器。即使用户为了刻意造成“假拥堵”现象而做出一些异常的不符合用户的行为习惯的导航行为，目标插件也可对用户的异常导航行为进行感知且不会上传至服务器。
对应地，服务器可接收目标子信息，利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度，并向目标插件返回预测结果。其中，拥堵预测模型通过预先的训练具备根据目标子信息预测用户当前所处道路的拥堵程度的能力。其中，预测结果用于描述用户当前所处道路的拥堵程度。
对应地，目标插件可接受该预测结果，并在导航应用的应用界面中向用户展示预测结果。其中，目标插件可在导航应用的应用界面中，以浮窗形式、弹窗形式或图标形式向用户展示预测结果。
在本实施例中，在用户使用导航应用进行导航时，获取导航应用的目标导航信息；利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息；并将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度；接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。通过这种方式，目标插件可对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。
在一些可选的实施例中，目标插件在用户使用导航应用进行导航时获取导航应用的导航信息，可基于以下方式实现：
目标插件可在用户利用导航应用进行导航时，采集用户针对导航应用的第一导航信息。其中，第一导航信息可理解为对用户针对导航应用做出的导航操作进行监测得到的原始监测数据。由于该原始监测数据可能存在信息冗余或错误的问题，所以后续需要进一步的数据预处理。
目标插件可根据预设的无效检测规则，检测并去除第一导航信息中的无效信息，得到第二导航信息。之后，目标插件可识别第二导航信息中的缺失值，并根据预设的缺失值修正规则，对缺失值进行修正，得到第三导航信息。目标插件可去除第三导航信息中的重复数据，得到目标导航信息。其中，使用“第一”、“第二”和“第三”对导航信息进行限定，仅为了对导航信息进行区分。
通过这种方式，目标插件可对监测得到的原始监测数据进行无效数据去除、缺失值修正以及数据去重的数据预处理操作，从而对原始监测数据进行优化得到目标导航信息。
在一些可选的实施例中，前述实施例中的行为习惯模型可预先根据用户利用导航应用进行导航的历史导航信息训练得到。其中，历史导航信息可包括以下至少一种历史子信息：历史导航应用类型、历史导航路段信息、历史导航时速信息、历史导航时间段信息和历史导航地点信息。其中，目标插件可根据用户的历史导航信息对预设的行为习惯网络进行迭代训练，行为习惯网络在迭代训练中可根据历史导航信息学习到用户的历史行为习惯，从而得到行为习惯模型。
基于此，行为习惯模型的训练过程可基于以下步骤：
目标插件可将历史导航信息输入到预设的深度学习网络，并利用深度学习网络，学习历史导航信息中的至少一种历史子信息各自所占的权重以及每种历史子信息的取值范围，得到行为习惯模型。
其中，每种历史子信息所占的权重与该历史子信息的置信度呈正相关关系。换句话说，若历史子信息的样本较少可能会导致根据该历史子信息得到的行为习惯信息的准确度较低，该历史子信息的置信度也较低，对应地，该历史子信息所占的权重也较低。其中，目标插件可将学习到的每种历史子信息所占的权重作为该历史子信息对应的子信息的权重阈值。比如，学习到的历史导航时间段信息所占的权重为25％，那么在后续模型应用过程中，导航时间段信息对应的预设权重阈值即为25％。
比如，深度学习网络学习到的历史导航信息中的至少一种历史子信息各自所占的权重分别为：历史导航应用类型20％、历史导航路段信息30％、历史导航时速信息25％和历史导航时间段信息25％，并且，该至少一种历史子信息的取值范围分别为：历史导航应用类型-车机导航应用，历史导航路段信息-路段A2、路段A3和路段A10，历史导航时速信息-30km/h～100km/h，历史导航时间段信息-10:00-16:00。其中，上述历史子信息的取值范围即为后文中的预设的取值范围。
通过这种方式，可对行为习惯模型进行训练，使得行为习惯模型与用户的行为习惯相适配，从而使行为习惯模型可较为准确地反映用户的导航行为习惯。
可选地，在用户未来时刻使用导航应用进行导航中，目标插件可继续收集历史导航信息作为样本，继续对行为习惯模型进行迭代训练，以对行为习惯模型进行更新，使得该模型的准确度更高。
在一些可选的实施例中，目标插件在利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息时，可基于以下实施方式实现：
实施方式一、目标插件可利用与用户对应的行为习惯模型，将目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的子信息作为符合用户的行为习惯的目标子信息。其中，至少一种子信息中预设权重阈值是行为习惯模型通过预先训练过程学习到的。
沿用前述例子举例说明，假设导航应用类型对应的预设权重阈值为20％、导航路段信息对应的预设权重阈值为30％、导航时速信息对应的预设权重阈值为25％和导航时间段信息对应的预设权重阈值为25％，若目标导航信息的至少一种子信息中的权重分别为：导航应用类型15％，导航路段信息25％、导航时速信息30％、导航时间段信息30％。那么，目标插件可将目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的导航时速信息和导航时间段信息作为符合用户的行为习惯的目标子信息。
实施方式二、根据至少一种子信息与对应的预设的取值范围之间的偏差，确定至少一种子信息的准确度。将目标导航信息的至少一种子信息中的准确度大于预设准确度阈值的子信息作为符合用户的行为习惯的目标子信息。
其中，任一种子信息对应的预设的取值范围，即为前文中行为习惯模型学习到的与该子信息对应的历史子信息的取值范围。
其中，任一种子信息与对应的预设的取值范围之间的偏差与该子信息的准确度呈反比。其中，准确度阈值可根据设计需求自定义设定为任意值，本实施例不做限制。
沿用前述例子举例说明，假设导航时速信息对应的取值范围为
30km/h～100km/h，若导航时速信息为5km/h，那么目标插件可根据预设的准确度计算规则，计算得到准确度为20％。在这种情况下，若准确度阈值为80％，目标插件可将该子信息作为不符合用户的行为习惯的目标子信息。
若导航时速信息为25km/h，那么目标插件可根据预设的准确度计算规则，计算得到准确度为90％。在这种情况下，若准确度阈值为80％，目标插件可将该子信息作为符合用户的行为习惯的目标子信息。
需要说明的是，上述两种实施方式，可单独执行，也可组合执行，本实施例不做限制。
通过这种方式，目标插件可利用与用户对应的行为习惯模型从目标导航信息的至少一种子信息中较为准确地筛选出符合用户的行为习惯的目标子信息。
本申请实施例还提供一种道路拥堵检测方法，适用于终端设备上的目标插件，目标插件集成在终端设备的操作系统中，终端设备上还安装并运行导航应用。
以下将结合图2进行说明。如图2所示，该道路拥堵检测方法可包括：
步骤21、在用户使用导航应用进行导航时，获取导航应用的目标导航信息；目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息。
步骤22、利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息。
步骤23、将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度。
步骤24、接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。
在一些可选的实施例中，在用户使用所述导航应用进行导航时，获取所述导航应用的导航信息，包括：在所述用户利用所述导航应用进行导航时，采集所述用户针对所述导航应用的第一导航信息；根据预设的无效检测规则，检测并去除所述第一导航信息中的无效信息，得到第二导航信息；识别所述第二导航信息中的缺失值，并根据预设的缺失值修正规则，对所述缺失值进行修正，得到第三导航信息；去除所述第三导航信息中的重复数据，得到所述目标导航信息。
在一些可选的实施例中，所述行为习惯模型预先根据所述用户利用所述导航应用进行导航的历史导航信息训练得到；所述历史导航信息包括以下至少一种历史子信息：历史导航应用类型、历史导航路段信息、历史导航时速信息、历史导航时间段信息和历史导航地点信息。
在一些可选的实施例中，行为习惯模型的训练过程包括：将历史导航信息输入到预设的深度学习网络；利用深度学习网络，学习历史导航信息中的至少一种历史子信息各自所占的权重以及每种历史子信息的取值范围，得到行为习惯模型。
在一些可选的实施例中，利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息，包括：利用与用户对应的行为习惯模型，将目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的子信息作为符合用户的行为习惯的目标子信息；和/或，根据至少一种子信息与对应的预设的取值范围之间的偏差，确定至少一种子信息的准确度；将目标导航信息的至少一种子信息中的准确度大于预设准确度阈值的子信息作为符合用户的行为习惯的目标子信息。
在本实施例中，在用户使用导航应用进行导航时，获取导航应用的目标导航信息；利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息；并将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度；接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。通过这种方式，目标插件可对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。
本申请实施例还提供一种道路拥堵检测方法，适用于服务器。以下将结合图3进行说明。如图3所示，该道路拥堵检测方法可包括：
步骤31、接收目标插件发送的符合用户的行为习惯的目标子信息；目标插件集成在终端设备的操作系统中，终端设备上安装有导航应用；目标子信息由目标插件利用与用户对应的行为习惯模型从导航应用的目标导航信息的至少一种子信息中筛选得到；目标导航信息由目标插件在用户使用导航应用进行导航时获取。
步骤32、利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度。
步骤33、向目标插件返回预测结果，以使目标插件在导航应用的应用界面中向用户展示预测结果。
在本实施例中，在用户使用导航应用进行导航时，获取导航应用的目标导航信息；利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息；并将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度；接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。通过这种方式，目标插件可对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。
需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤21至步骤25的执行主体可以为设备A；又比如，步骤21到23的执行主体可以为设备A，步骤24和25的执行主体可以为设备B；等等。
另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如21、22等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。
需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。
本申请实施例提供一种道路拥堵检测装置，适用于终端设备上的目标插件，所述目标插件集成在所述终端设备的操作系统中，所述终端设备上安装有导航应用。如图4所示，所述装置包括：获取模块401，用于：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；筛选模块402，用于：利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；发送模块403，用于：将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；展示模块404，用于：接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果。
进一步可选地，获取模块401在用户使用所述导航应用进行导航时，获取所述导航应用的导航信息时，具体用于：在所述用户利用所述导航应用进行导航时，采集所述用户针对所述导航应用的第一导航信息；根据预设的无效检测规则，检测并去除所述第一导航信息中的无效信息，得到第二导航信息；识别所述第二导航信息中的缺失值，并根据预设的缺失值修正规则，对所述缺失值进行修正，得到第三导航信息；去除所述第三导航信息中的重复数据，得到所述目标导航信息。
进一步可选地，所述行为习惯模型预先根据所述用户利用所述导航应用进行导航的历史导航信息训练得到；所述历史导航信息包括以下至少一种历史子信息：历史导航应用类型、历史导航路段信息、历史导航时速信息、历史导航时间段信息和历史导航地点信息。
进一步可选地，筛选模块402在所述行为习惯模型的训练过程中，具体用于：将所述历史导航信息输入到预设的深度学习网络；利用所述深度学习网络，学习所述历史导航信息中的至少一种历史子信息各自所占的权重以及每种历史子信息的取值范围，得到所述行为习惯模型。
进一步可选地，筛选模块402利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息时，具体用于：利用与所述用户对应的行为习惯模型，将所述目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的子信息作为符合所述用户的行为习惯的目标子信息；和/或，根据所述至少一种子信息与对应的预设的取值范围之间的偏差，确定所述至少一种子信息的准确度；将所述目标导航信息的至少一种子信息中的准确度大于预设准确度阈值的子信息作为符合所述用户的行为习惯的目标子信息。
在本实施例中，在用户使用导航应用进行导航时，获取导航应用的目标导航信息；利用与用户对应的行为习惯模型，从目标导航信息的至少一种子信息中筛选出符合用户的行为习惯的目标子信息；并将目标子信息发送至服务器，以使服务器利用预先训练的拥堵预测模型根据目标子信息预测用户当前所处道路的拥堵程度；接收服务器返回的预测结果，并在导航应用的应用界面中向用户展示预测结果。通过这种方式，目标插件可对导航应用的目标导航信息进行信息过滤筛选，从而使服务器基于过滤筛选后的信息更加准确地预测道路的拥堵程度。
图5是本申请一示例性实施例提供的电子设备的结构示意图，该电子设备适用于前述实施例提供的道路拥堵检测方法，如图5所示，该电子设备可包括：存储器501、处理器502以及通信组件503。
存储器501，用于存储计算机程序，并可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。
在一些实施例中，处理器502，与存储器501耦合，用于执行存储器501中的计算机程序，以用于：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果。
进一步可选地，处理器502在用户使用所述导航应用进行导航时，获取所述导航应用的导航信息时，具体用于：在所述用户利用所述导航应用进行导航时，采集所述用户针对所述导航应用的第一导航信息；根据预设的无效检测规则，检测并去除所述第一导航信息中的无效信息，得到第二导航信息；识别所述第二导航信息中的缺失值，并根据预设的缺失值修正规则，对所述缺失值进行修正，得到第三导航信息；去除所述第三导航信息中的重复数据，得到所述目标导航信息。
进一步可选地，所述行为习惯模型预先根据所述用户利用所述导航应用进行导航的历史导航信息训练得到；所述历史导航信息包括以下至少一种历史子信息：历史导航应用类型、历史导航路段信息、历史导航时速信息、历史导航时间段信息和历史导航地点信息。
进一步可选地，处理器502在所述行为习惯模型的训练过程中，具体用于：将所述历史导航信息输入到预设的深度学习网络；利用所述深度学习网络，学习所述历史导航信息中的至少一种历史子信息各自所占的权重以及每种历史子信息的取值范围，得到所述行为习惯模型。
进一步可选地，处理器502利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息时，具体用于：利用与所述用户对应的行为习惯模型，将所述目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的子信息作为符合所述用户的行为习惯的目标子信息；和/或，根据所述至少一种子信息与对应的预设的取值范围之间的偏差，确定所述至少一种子信息的准确度；将所述目标导航信息的至少一种子信息中的准确度大于预设准确度阈值的子信息作为符合所述用户的行为习惯的目标子信息。
在另一些实施例中，处理器502，与存储器501耦合，用于执行存储器501中的计算机程序，以用于：接收目标插件发送的符合用户的行为习惯的目标子信息；所述目标插件集成在终端设备的操作系统中，所述终端设备上安装有导航应用；所述目标子信息由所述目标插件利用与所述用户对应的行为习惯模型从所述导航应用的目标导航信息的至少一种子信息中筛选得到；所述目标导航信息由所述目标插件在所述用户使用所述导航应用进行导航时获取；利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；向所述目标插件返回预测结果，以使所述目标插件在所述导航应用的应用界面中向用户展示所述预测结果。
可选地，该电子设备还可包括：显示组件504。图5中仅示意性给出部分组件，并不意味着电子设备只包括图5所示组件。
相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。
上述图5中的存储器501可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
上述图5中的通信组件503被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如WiFi，2G、3G、4G或5G，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种道路拥堵检测方法，其特征在于，适用于终端设备上的目标插件，所述目标插件集成在所述终端设备的操作系统中，所述终端设备上安装有导航应用，所述方法包括：
在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；
利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；
将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；
接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果。
2.根据权利要求1所述的方法，其特征在于，在用户使用所述导航应用进行导航时，获取所述导航应用的导航信息，包括：
在所述用户利用所述导航应用进行导航时，采集所述用户针对所述导航应用的第一导航信息；
根据预设的无效检测规则，检测并去除所述第一导航信息中的无效信息，得到第二导航信息；
识别所述第二导航信息中的缺失值，并根据预设的缺失值修正规则，对所述缺失值进行修正，得到第三导航信息；
去除所述第三导航信息中的重复数据，得到所述目标导航信息。
3.根据权利要求1所述的方法，其特征在于，所述行为习惯模型预先根据所述用户利用所述导航应用进行导航的历史导航信息训练得到；所述历史导航信息包括以下至少一种历史子信息：历史导航应用类型、历史导航路段信息、历史导航时速信息、历史导航时间段信息和历史导航地点信息。
4.根据权利要求3所述的方法，其特征在于，所述行为习惯模型的训练过程包括：
将所述历史导航信息输入到预设的深度学习网络；
利用所述深度学习网络，学习所述历史导航信息中的至少一种历史子信息各自所占的权重以及每种历史子信息的取值范围，得到所述行为习惯模型。
5.根据权利要求1所述的方法，其特征在于，利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息，包括：
利用与所述用户对应的行为习惯模型，将所述目标导航信息的至少一种子信息中的权重大于对应的预设权重阈值的子信息作为符合所述用户的行为习惯的目标子信息；和/或，
根据所述至少一种子信息与对应的预设的取值范围之间的偏差，确定所述至少一种子信息的准确度；将所述目标导航信息的至少一种子信息中的准确度大于预设准确度阈值的子信息作为符合所述用户的行为习惯的目标子信息。
6.一种道路拥堵检测方法，其特征在于，适用于服务器，所述方法包括：
接收目标插件发送的符合用户的行为习惯的目标子信息；所述目标插件集成在终端设备的操作系统中，所述终端设备上安装有导航应用；所述目标子信息由所述目标插件利用与所述用户对应的行为习惯模型从所述导航应用的目标导航信息的至少一种子信息中筛选得到；所述目标导航信息由所述目标插件在所述用户使用所述导航应用进行导航时获取；
利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；
向所述目标插件返回预测结果，以使所述目标插件在所述导航应用的应用界面中向用户展示所述预测结果。
7.一种道路拥堵检测装置，其特征在于，适用于终端设备上的目标插件，所述目标插件集成在所述终端设备的操作系统中，所述终端设备上安装有导航应用，所述装置包括：
获取模块，用于：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；
筛选模块，用于：利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；
发送模块，用于：将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；
展示模块，用于：接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果。
8.一种道路拥堵检测系统，其特征在于，包括：终端设备和服务器；所述终端设备的操作系统中集成有目标插件，所述终端设备上安装有导航应用；
所述目标插件，用于：在用户使用所述导航应用进行导航时，获取所述导航应用的目标导航信息；所述目标导航信息包括以下至少一种子信息：导航应用类型、导航路段信息、导航时速信息、导航时间段信息和导航地点信息；利用与所述用户对应的行为习惯模型，从所述目标导航信息的至少一种子信息中筛选出符合所述用户的行为习惯的目标子信息；将所述目标子信息发送至服务器，以使所述服务器利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；接收所述服务器返回的预测结果，并在所述导航应用的应用界面中向用户展示所述预测结果；
所述服务器，用于：接收目标插件发送的符合用户的行为习惯的目标子信息；所述目标插件集成在终端设备的操作系统中，所述终端设备上安装有导航应用；所述目标子信息由所述目标插件利用与所述用户对应的行为习惯模型从所述导航应用的目标导航信息的至少一种子信息中筛选得到；所述目标导航信息由所述目标插件在所述用户使用所述导航应用进行导航时获取；利用预先训练的拥堵预测模型根据所述目标子信息预测所述用户当前所处道路的拥堵程度；向所述目标插件返回预测结果，以使所述目标插件在所述导航应用的应用界面中向用户展示所述预测结果。
9.一种电子设备，其特征在于，包括：存储器和处理器；其中，所述存储器用于：存储一个或多个计算机指令；所述处理器用于执行所述一个或多个计算机指令，以用于：执行权利要求1-5或权利要求6中任一项所述方法中的步骤。
10.一种计算机可读存储介质，其特征在于，当所述计算机程序被处理器执行时，致使所述处理器能够实现权利要求1-5或权利要求6中任一项所述方法中的步骤。
CN202311425037.4A 2023-10-30 2023-10-30 一种道路拥堵检测方法、装置、系统、设备及存储介质 Pending CN117392847A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311425037.4A CN117392847A (zh) 2023-10-30 2023-10-30 一种道路拥堵检测方法、装置、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311425037.4A CN117392847A (zh) 2023-10-30 2023-10-30 一种道路拥堵检测方法、装置、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117392847A true CN117392847A (zh) 2024-01-12

Family

ID=89464613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311425037.4A Pending CN117392847A (zh) 2023-10-30 2023-10-30 一种道路拥堵检测方法、装置、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117392847A (zh)

Similar Documents

Publication Publication Date Title
EP2876622B1 (en) Vehicle-surroundings monitoring device and vehicle-surroundings monitoring system
CN112435469B (zh) 车辆预警控制方法、装置、计算机可读介质及电子设备
CN111291071B (zh) 数据处理方法、装置及电子设备
CN108053653A (zh) 基于lstm的车辆行为预测方法和装置
CN110619027B (zh) 一种房源信息的推荐方法、装置、终端设备及介质
CN110307856A (zh) 一种导航路线推荐方法及装置
CN110287817B (zh) 目标识别及目标识别模型的训练方法、装置和电子设备
US11810053B2 (en) Methods and systems for detecting delivery trip events and improving delivery driver safety
US11417114B2 (en) Method and apparatus for processing information
CN117727182A (zh) 一种交叉路口的车流量检测方法、装置、设备和介质
CN117392847A (zh) 一种道路拥堵检测方法、装置、系统、设备及存储介质
KR101533272B1 (ko) 교통정보 제공 장치 및 교통정보 제공 방법
CN116989809A (zh) 导航信息更新方法、装置、电子设备及存储介质
CN110852253A (zh) 梯控场景检测方法、装置及电子设备
CN111739322B (zh) 数据处理方法及其装置
CN116828398B (zh) 一种跟踪行为识别方法、装置、电子设备和存储介质
CN117295008B (zh) 信息推送方法及设备
CN112907940B (zh) 车辆行为的检测方法、装置、设备及存储介质
CN111835830B (zh) 一种数据感知系统、方法及装置
US11243548B2 (en) Detecting autonomous vehicles causing increased vehicle queueing
JP2018190117A (ja) 交通情報管理システム、および、交通情報管理方法
CN110263852B (zh) 数据处理方法、装置及电子设备
CN115830800A (zh) 车祸预警方法、系统、装置及存储介质
CN116358530A (zh) 姿态信息估计方法、装置、存储介质及设备
CN116821401A (zh) 一种交通数据收集方法、装置、电子设备及存储介质

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