TWI836208B - 一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介 - Google Patents
一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介 Download PDFInfo
- Publication number
- TWI836208B TWI836208B TW110112774A TW110112774A TWI836208B TW I836208 B TWI836208 B TW I836208B TW 110112774 A TW110112774 A TW 110112774A TW 110112774 A TW110112774 A TW 110112774A TW I836208 B TWI836208 B TW I836208B
- Authority
- TW
- Taiwan
- Prior art keywords
- grid
- grids
- dynamic
- trajectory
- module
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 34
- 238000013480 data collection Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明提供一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介，係包括資料收集模組、動態網格建構模組、軌跡預測模組以及警示模組，其中，該動態網格建構模組及該軌跡預測模組利用該資料收集模組所收集之實際路線及複數第一軌跡資料，以建構一行駛機率預測模型，俾於該警示模組接收到一車輛之第二軌跡資料時，判斷該車輛是否進入該行駛機率預測模型之警示網格或禁行網格。藉此，本發明透過該行駛機率預測模型能有效降地系統負擔，且也能較精準地預測車輛是否將會進入禁行路段，以提前預警車輛駕駛。本發明復提供一種電腦可讀媒介，係用於執行本發明之方法。
Description
本發明係有關預測軌跡之技術，尤其指一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介。
於現有技術中，貨運業者通常使用全球定位系統(Global Positioning System,GPS)追蹤貨運車輛行駛的路線，但僅利用全球定位系統(GPS)直接判斷車輛是否進入禁止行駛的路段，很容易造成系統的負擔，所以需要花費相當的成本來建置設備，才能提供較穩定的服務。
此外，透過全球定位系統(GPS)以人工方式直接觀察每台車輛的行駛狀況，此方式不只效率低，也容易造成人力成本的負擔。再者，上述方法皆難以達到自動預測車輛軌跡技術。
因此，如何克服現有技術中的判斷車輛軌跡技術所面臨的難題，以提供更有效率且更快速的自動預測車輛軌跡之技術，進而避免車輛進入禁止行駛的路段，已成為本領域技術人員目前的重要課題。
為解決上述問題，本發明提供一種應用動態網格之用於預測車輛軌跡的系統，係包括：資料收集模組，係具有實際路線之路徑資料及歷史的複數第一軌跡資料；動態網格建構模組，係通訊連接該資料收集模組，以取得該路徑資料，再將該路徑資料進行切割，以形成一具有複數網格之標準網格，俾提供設定該複數網格之至少一者為禁行網格；軌跡預測模組，係通訊連接該資料收集模組及該動態網格建構模組，以取得一段期間中的該複數第一軌跡資料及該具有複數網格之標準網格，再將該複數第一軌跡資料與該具有複數網格之標準網格結合，其中，該軌跡預測模組計算該複數網格之違規率，以令該動態網格建構模組產生一具有複數動態網格之關鍵網格，再由該軌跡預測模組將該複數動態網格之至少一者作為一警示網格，進而建構一行駛機率預測模型；以及警示模組，係通訊連接該軌跡預測模組，以取得該行駛機率預測模型，而當接收到即時回報的一車輛之第二軌跡資料時，判斷該車輛是否進入該行駛機率預測模型之警示網格或禁行網格，以發出警示或通報。
本發明又提供一種應用動態網格之用於預測車輛軌跡的方法，係包括：由動態網格建構模組向一資料收集模組取得一路徑資料，再將該路徑資料進行切割，以形成一具有複數網格之標準網格，俾提供設定該複數網格之至少一者為禁行網格；由軌跡預測模組向該資料收集模組取得一段期間中的複數第一軌跡資料，並向該動態網格建構模組取得該具有複數網格之標準網格，再將該複數第一軌跡資料與該具有複數網格之標準
網格結合；由該軌跡預測模組計算該複數網格之違規率，以令該動態網格建構模組產生一具有複數動態網格之關鍵網格；由該軌跡預測模組將該複數動態網格之至少一者作為一警示網格，進而建構一行駛機率預測模型；以及由警示模組向該軌跡預測模組取得該行駛機率預測模型，而當接收到即時回報的一車輛之第二軌跡資料時，判斷該車輛是否進入該行駛機率預測模型之警示網格或禁行網格，以發出警示或通報。
本發明另提供一種電腦可讀媒介，應用於計算裝置或電腦中，係儲存有指令，以執行前述之應用動態網格之用於預測車輛軌跡的方法。
由上可知，本發明之應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介係透過複數車輛之歷史的複數第一軌跡資料及具有複數網格之標準網格，以先建構一行駛機率預測模型，俾透過該行駛機率預測模型預先判斷車輛是否有機會進入禁行網格。因此，相較於現有技術中，僅利用全球定位系統GPS直接判斷車輛是否進入禁止行駛的路段，不但容易造成系統的負擔，以使判斷效率不佳，且往往當車輛進入禁止行駛的路段後，才會提醒駕駛注意。然而，本發明採用標準網格結合車輛的歷史軌跡資料建構一行駛機率預測模型，可減少引入資料量，使即時分析運算更有效率，且利用行駛機率預測模型之警示網格較精準地提前預警車輛駕駛。
1:應用動態網格之用於預測車輛軌跡的系統
101~115:座標序號
11:資料收集模組
12:動態網格建構模組
13:軌跡預測模組
14:警示模組
21~2N:車輛
21a~2Na:回報裝置
3:標準網格
D11~D33:動態網格
D22,D23:警示網格
L0~L2:實際路線
M:橫向網格個數
m:橫向動態網格個數
N:縱向網格個數
n:縱向動態網格個數
S11~S33:網格
S22:關鍵網格
S71~S710:步驟
Sx,Sy:基準點座標
sx,sy:子基準點座標
W,H:第一長度單位
w,h:第二長度單位
圖1係為本發明之應用動態網格之用於預測車輛軌跡的系統之架構示意圖；
圖2係為本發明之車輛行駛的實際路線之示意圖；
圖3係為本發明形成標準網格之複數網格之示意圖；
圖4-1係為本發明之實際路線結合標準網格之示意圖；
圖4-2係為本發明之複數網格之違規率之示意圖；
圖5-1係為本發明形成關鍵網格之複數動態網格之示意圖；
圖5-2係為本發明之複數動態網格之違規率之示意圖；
圖6係為本發明之行駛機率預測模型之示意圖；以及
圖7係為本發明之應用動態網格之用於預測車輛軌跡的方法之流程圖。
以下藉由特定的具體實施例說明本發明之實施方式，熟悉此技藝之人士可由本說明書所揭示之內容輕易地瞭解本發明之其他優點及功效。
須知，本說明書所附圖式所繪示之結構、比例、大小等，均僅用以配合說明書所揭示之內容，以供熟悉此技藝之人士之瞭解與閱讀，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均應仍落在本發明所揭示之技術內容得能涵蓋之範圍內。同時，本說明書中所引用之如「一」、「第一」、「第二」、
「上」及「下」等之用語，亦僅為便於敘述之明瞭，而非用以限定本發明可實施之範圍，其相對關係之改變或調整，在無實質變更技術內容下，當視為本發明可實施之範疇。
圖1係為本發明之應用動態網格之用於預測車輛軌跡的系統之架構示意圖。如圖1所示，該應用動態網格之用於預測車輛軌跡的系統1係包括：一資料收集模組11、一動態網格建構模組12、一軌跡預測模組13及一警示模組14。
具體而言，該應用動態網格之用於預測車輛軌跡的系統1係建立於一伺服器(如通用型伺服器、檔案型伺服器、儲存單元型伺服器等)或其它適當演算機制之電子設備，且該應用動態網格之用於預測車輛軌跡的系統1中的該些模組均可為軟體、硬體或韌體；若為硬體，則可為具有資料處理與運算能力之處理單元、處理器、電腦或伺服器；若為軟體或韌體，則可包括處理單元、處理器、電腦或伺服器可執行之指令，且可安裝於同一硬體裝置或分布於不同的複數硬體裝置。
再者，該應用動態網格之用於預測車輛軌跡的系統1係透過如網際網路(Internet)或其他無線通訊技術(如3G、4G、5G等)通訊連接複數車輛21~2N之回報裝置21a~2Na，以接收來自該複數車輛21~2N之回報裝置21a~2Na之複數第一軌跡資料或複數第二軌跡資料，其中，該些回報裝置21a~2Na係為具有可提供座標(經緯度資訊)(如全球定位系統(Global Positioning System,GPS))之行動裝置(如智慧型手機、智慧型手錶/手環或其他可攜式裝置)或車機等裝置，但不限於上述。又，該些回報裝置21a~2Na係包括車機等，以分別設置於該複數車輛21~2N上，並利用
全球定位系統(GPS)或該座標(經緯度資訊)紀錄該複數車輛21~2N行駛時的複數第一軌跡資料或複數第二軌跡資料。
所述之資料收集模組11，係具有實際路線之路徑資料及歷史的複數車輛21~2N之複數第一軌跡資料，其中，該複數車輛21~2N之回報裝置21a~2Na定時(如每30秒等)傳送於行駛時的該複數第一軌跡資料。
於本實施例中，如圖2所示，該路徑資料係包括實際路線及其編號，而該複數第一軌跡資料係包括該複數車輛21~2N之車牌、行駛於實際路線的編號L0~L2、座標序號、座標、傳送座標資料時間及即時速度，如表2所示，係為一第一車輛(車牌AA-123)之軌跡資料。
表1：第一車輛之軌跡資料
所述之動態網格建構模組12，係通訊連接該資料收集模組11，以從該資料收集模組11取得該路徑資料，且將該路徑資料中之實際路線L0~L2進行切割，以形成一具有複數網格之標準網格，俾提供一使用者自動或手動將該標準網格之複數網格之至少一者設定為禁行網格。
於本實施例中，如圖3所示，該動態網格建構模組12提供該使用者自動或手動設定一基準點座標(Sx,Sy)及一第一長度單位W,H(如10公尺等)，以從該基準點座標(Sx,Sy)依據該第一長度單位W,H將該路徑資料中之實際路線L0~L2進行橫向及縱向切割，俾切割成具有M個橫向網格及N個縱向網格之標準網格3(如表2所示)。
表2：標準網格之資訊
所述之軌跡預測模組13，係通訊連接該資料收集模組11及該動態網格建構模組12，以從該資料收集模組11取得一段期間(如一年等)中的該複數第一軌跡資料，以及從該動態網格建構模組12取得該標準網格3，且將該複數第一軌跡資料與該標準網格3進行結合，以建構一行駛機率預測模型。
於本實施例中，如圖4-1所示，該軌跡預測模組13係收集一段期間(如一年等)行駛於該標準網格3中的該複數第一軌跡資料，以進行分析，其中，該軌跡預測模組13依據該複數車輛21~2N行駛於該實際路線L0~L2的該複數第一軌跡資料將對應的該標準網格3之複數網格，透過其編
號序列(如S11~S33)紀錄各該複數車輛21~2N行駛於該標準網格3之複數網格軌跡，例如，該第一車輛行駛的網格軌跡係為S11→S21→S22→S32→S33。
在一實施例中，如圖4-2所示，該軌跡預測模組13依據一第一時間因子之判斷參數及該複數網格軌跡利用統計學之方式分別計算該標準網格3之複數網格的各時段(如上午及下午時段)之違規率，且該軌跡預測模組13判斷該複數網格之違規率，其中，當該軌跡預測模組13判斷該複數網格之一者(如網格S23)之違規率比該複數網格之前者(如網格S22)之違規率高於一第一門檻值時，該軌跡預測模組13將該複數網格之前者(如網格S22)作為一關鍵網格S22，且由該動態網格建構模組12將該關鍵網格S22再進行切割，以形成複數動態網格D11~D33。在一實施例中，該軌跡預測模組13所依據的該第一時間因子之判斷參數，亦即，以中午十二點為分段點分為上午及下午時段，俾分別紀錄上午及下午時段該複數網格之違規率。
在一實施例中，該軌跡預測模組13更依據一第二時間因子、一天氣因子或一災害因子之判斷參數計算該複數網格之違規率，其中，該第二時間因子係為工作日及例假日，由該軌跡預測模組13依據該第二時間因子進一步計算該複數網格軌跡係為工作日或例假日下的該複數網格之違規率；該天氣因子係為天氣狀況，例如，晴天、雨天等，由該軌跡預測模組13依據該天氣因子更進一步計算該複數網格軌跡係為晴天、雨天等天氣狀況下的該複數網格之違規率；以及該災害因子係為天災或人禍，例如，颱風、土石流、車禍，由該軌跡預測模組13依據該災害因子又進一步計算
該複數網格軌跡為係為天災或人禍，例如，颱風、土石流、車禍等災害下的該複數網格之違規率。在一實施例中，該軌跡預測模組13透過該第二時間因子、該天氣因子或該災害因子結合該第一時間因子，以更詳細地計算該複數車輛21~2N在不同情況下的該複數網格之違規率。
在一實施例中，如圖5-1所示，該動態網格建構模組12係提供該使用者自動或手動設定該關鍵網格S22的一子基準點座標(sx,sy)及一第二長度單位w,h(如3公尺等)，該動態網格建構模組12從該子基準點座標(sx,sy)依據該第二長度單位w,h將該路徑資料中之實際路線L0~L2進行橫向及縱向切割，俾切割成具有m個橫向動態網格及n個縱向動態網格之關鍵網格S22(如表3所示)。在一實施例中，該第一長度單位W,H大於該第二長度單位w,h。
表3：關鍵網格之資訊
再者，如圖5-2所示，該軌跡預測模組13再依據該第一時間因子之判斷參數及該複數網格軌跡利用統計學之方式分別計算該關鍵網格S22之複數動態網格D11~D33的各時段(如上午及下午時段)之違規率，且該軌跡預測模組13判斷該複數動態網格D11~D33之至少一者之違規率是否大於一第二門檻值，其中，當該複數動態網格之至少一者(如D22,D23)之違規率大於該第二門檻值時，該軌跡預測模組13將該複數動態網格之至少一者D22,D23作為至少一警示網格D22,D23，進而形成該行駛機率預測模型，如圖6所示。
在一實施例中，該軌跡預測模組13亦依據該第二時間因子、該天氣因子或該災害因子之判斷參數結合該第一時間因子計算該複數動態網格之違規率。
在另一實施例中，可依據使用者需求，由該軌跡預測模組13及該動態網格建構模組12可將複數動態網格D11~D33之一者再次進行切割，以提高動態網格的精準度。
所述之警示模組14，係通訊連接該軌跡預測模組13，以取得該行駛機率預測模型，且該警示模組14接收該複數車輛21~2N之回報裝置21a~2Na即時回報的複數第二軌跡資料，以判斷該複數車輛21~2N之至少一者是否進入該行駛機率預測模型之警示網格D22,D23或禁行網格S13，俾發出警示或通報。
在一實施例中，若該警示模組14判斷該複數車輛21~2N之至少一者進入該行駛機率預測模型之警示網格D22,D23中，則該複數車輛21~2N之至少一者有高機率於未來短時間範圍內進入該禁行網格S13，是以，該警示模組14發出警示至該回報裝置21a~2Na，以警示駕駛注意將進入禁行網格，或是若該警示模組14判斷則該複數車輛21~2N之至少一者已駛入該禁行網格S13，則通報管理人員進行後續應變處理。
下列實施例係為本發明之應用動態網格之用於預測車輛軌跡的系統之實施例，且一併參閱圖1~圖6說明之。此外，此實施例與前述實施例相同處不再贅述。
於本實施例中，一軌跡預測模組13從一資料收集模組11及動態網格建構模組12，以取得一年中的複數第一軌跡資料及一標準網格3，
再透過該標準網格3之複數網格之編號序列(如S11~S33)紀錄各該複數車輛21~2N行駛於該標準網格3之複數網格軌跡，且依據一第一時間因子之判斷參數以區分為上午及下午時段，如表4所示。
表4：複數網格軌跡之資料
該軌跡預測模組13依據上午及下午時段各有100筆(或1000筆等，並不限於上述)的複數網格軌跡之資料，再分析每筆該複數網格軌跡之資料的車輛於上午或下午時段通過該複數網格後是否有駛入禁行網格(如網格S13)，分析過程如表5所示，該軌跡預測模組13利用統計學之方式分別計算該標準網格3之複數網格的上午及下午時段之違規率，如圖4-2所示。
表5：複數網格之違規率
當該軌跡預測模組13判斷一網格S23之上午或/及下午時段之違規率比一網格S22之上午或/及下午時段之違規率高於一第一門檻值(如15%)時，該軌跡預測模組13將該複數網格之前者(如網格S22)作為一關鍵網格(如網格S22)。在一實施例中，該網格S23之上午或/及下午時段之違規率比該網格S22之上午或/及下午時段之違規率皆高於該第一門檻值(如15%)，故該網格S22作為上午或/及下午時段的該關鍵網格S22。此外，若該網格S23僅上午時段之違規率比該網格S22上午之違規率高於該第一門檻值(如15%)，則該網格S22僅作為上午的該關鍵網格S22。
接著，一動態網格建構模組12將該關鍵網格S22進行切割，以形成複數動態網格D11~D33，且該軌跡預測模組13再依據該第一時間因子之判斷參數及該複數網格軌跡利用統計學之方式分別計算該關鍵網格S22之複數動態網格D11~D33的上午及下午時段之違規率，如表6所示。
表6：複數動態網格之違規率
之後，該軌跡預測模組13判斷該複數動態網格D11~D33之至少一者之違規率是否大於一第二門檻值(如15%)，其中，當該複數動態網格D22,D23之違規率大於該第二門檻值(如15%)時，該軌跡預測模組13將該複數動態網格D22,D23作為警示網格D22,D23，進而形成該行駛機率預測模型，如圖6所示。在一實施例中，該第一門檻值及該第二門檻值係依據使用者實際需求手動或自動設定之。
據此，於一警示模組14接收一第二車輛之回報裝置即時回報的一第二軌跡資料(如表7所示)時，該警示模組14判斷該第二車輛是否進入該行駛機率預測模型之警示網格D22,D23，是以，當該第二車輛之回報裝置回報座標序號111之座標(x6’,y6’)時，該警示模組14判斷該第二車輛位於該警示網格D22，且該第二車輛有高機率於未來短時間範圍內進入該禁行網格S13，對此，該警示模組14發出警示至該第二車輛之回報裝置，以警示駕駛注意將進入禁行網格，或是當已駛入該禁行網格S13時，以通報管理人員進行後續應變處理。
表7：第二車輛之第二軌跡資料
圖7係為本發明之應用動態網格之用於預測車輛軌跡的方法之流程圖。同時，此應用動態網格之用於預測車輛軌跡的方法之主要內容如下，其餘內容相同於上述圖1說明，於此不再重覆敘述，其中，包含下列步驟S71至步驟S710：
於步驟S71中，由一動態網格建構模組12向一資料收集模組11取得一路徑資料，且將該路徑資料中之實際路線進行切割，以形成一具有複數網格之標準網格，俾提供設定該複數網格之至少一者為禁行網格。
於步驟S72中，由一軌跡預測模組13向該資料收集模組11取得一段期間中的複數第一軌跡資料以及向該動態網格建構模組12取得該標
準網格，俾依據該複數第一軌跡資料分別對應的該標準網格中之複數網格，以形成複數網格軌跡。
於步驟S73中，由該軌跡預測模組13依據一第一時間因子之判斷參數及該複數網格軌跡分別計算出該標準網格中之複數網格的各時段(如上午及下午時段)之違規率。
於步驟S74中，當該軌跡預測模組13判斷該複數網格之一者之違規率比該複數網格之前者之違規率高於一第一門檻值時，由該軌跡預測模組13將該複數網格之前者作為一關鍵網格。
於步驟S75中，由該動態網格建構模組12將該關鍵網格進行切割，以形成複數動態網格。
於步驟S76中，由該軌跡預測模組13依據該第一時間因子之判斷參數及該複數網格軌跡分別計算出該關鍵網格之複數動態網格的各時段(如上午及下午時段)之違規率。
於步驟S77中，當該軌跡預測模組13判斷該複數動態網格之至少一者之違規率大於一第二門檻值時，將該複數動態網格之至少一者作為一警示網格，進而形成一行駛機率預測模型。
於步驟S78中，由一警示模組14向該軌跡預測模組13取得該行駛機率預測模型，且接收即時回報的一車輛之第二軌跡資料，以判斷該車輛是否進入該行駛機率預測模型之警示網格或禁行網格，
於步驟S79中，若該警示模組14判斷該車輛進入該行駛機率預測模型之警示網格中，則該警示模組14向該車輛發出警示，
於步驟S710中，若該警示模組14判斷該車輛已駛入該禁行網格，則該警示模組14通報管理人員以進行後續應變處理。
此外，本發明還揭示一種電腦可讀媒介，係應用於具有處理器(例如，CPU、GPU等)及/或記憶體的計算裝置或電腦中，且儲存有指令，並可利用此計算裝置或電腦透過處理器及/或記憶體執行此電腦可讀媒介，以於執行此電腦可讀媒介時執行上述之方法及各步驟。
綜上所述，本發明之應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介係透過複數車輛之歷史的複數第一軌跡資料及具有複數網格之標準網格，以先建構一行駛機率預測模型，當車輛之回報裝置週期性擷取座標(經緯度資訊)並傳送本發明之應用動態網格之用於預測車輛軌跡的系統時，該系統將收集到的座標(經緯度資訊)與該行駛機率預測模型進行對比，藉此，透過該行駛機率預測模型能預先判斷車輛是否有機會進入禁行網格(即禁止行駛的路段)。
是以，相較於現有技術中，僅利用全球定位系統(GPS)直接判斷車輛是否進入禁止行駛的路段，不但容易造成系統的負擔，以使判斷效率不佳，且往往當車輛進入禁止行駛的路段時，才會提醒駕駛注意，故現有技術無法達到預先警示的作用。本發明能透過計算標準網格之複數網格及關鍵網格之複數動態網格的違規率，以形成警示網格，當車輛進入警示網格時，即可先行警示駕駛，要求駕駛返回正確路線。
再者，本發明之應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介至少具有以下技術差異及其功效：
一、本發明將禁止行駛的路段依據車輛的歷史軌跡資訊建構標準化的網格(即標準網格)，並採用標準網格結合車輛的歷史軌跡資料建構一行駛機率預測模型，可減少引入資料量，使即時分析運算更有效率。
二、本發明有別於過去採用的禁行路段座標範圍方法只能判斷車輛當下有無駛入禁行路段，而使用標準網格可藉由歷史資料建構的行駛機率預測模型，以即時分析車輛未來駛入禁行路段的機率，並藉由行駛機率預測模型建構關鍵判斷的動態網格(即作為警示網格之動態網格)，提前預警車輛駕駛，並提供管理人員作為後續應變之依據。
上述實施形態僅例示性說明本發明之原理及其功效，而非用於限制本發明。任何熟習此項技藝之人士均可在不違背本發明之精神及範疇下，對上述實施形態進行修飾與改變。因此，本發明之權利保護範圍應如申請專利範圍所列。
1:應用動態網格之用於預測車輛軌跡的系統
11:資料收集模組
12:動態網格建構模組
13:軌跡預測模組
14:警示模組
21~2N:車輛
21a~2Na:回報裝置
Claims (11)
- 一種應用動態網格之用於預測車輛軌跡的系統，係包括：資料收集模組，係具有實際路線之路徑資料及歷史的複數第一軌跡資料；動態網格建構模組，係通訊連接該資料收集模組，以取得該路徑資料，再將該路徑資料進行切割，以形成一具有複數網格之標準網格，俾提供設定該複數網格之至少一者為禁行網格；軌跡預測模組，係通訊連接該資料收集模組及該動態網格建構模組，以取得一段期間中的該複數第一軌跡資料及該具有複數網格之標準網格，再將該複數第一軌跡資料與該具有複數網格之標準網格結合，其中，該軌跡預測模組計算該複數網格之違規率，以令該動態網格建構模組產生一具有複數動態網格之關鍵網格，再由該軌跡預測模組將該複數動態網格之至少一者作為一警示網格，進而建構一行駛機率預測模型；以及警示模組，係通訊連接該軌跡預測模組，以取得該行駛機率預測模型，而當接收即時回報的一車輛之第二軌跡資料時，判斷該車輛是否進入該行駛機率預測模型之警示網格或禁行網格，俾發出警示或通報，其中，該動態網格建構模組提供設定一基準點座標及一第一長度單位，以從該基準點座標依據該第一長度單位，將該路徑資料中之實際路線進行橫向及縱向切割，俾切割成該具有複數網格之標準網格。
- 如請求項1所述之應用動態網格之用於預測車輛軌跡的系統，其中，該軌跡預測模組依據該複數第一軌跡資料分別對應的該標準網格中之複數網格形成複數網格軌跡，且該軌跡預測模組依據一第一時間因 子之判斷參數及該複數網格軌跡分別計算出該標準網格中之複數網格的各時段之違規率，以作為該關鍵網格之依據。
- 如請求項1所述之應用動態網格之用於預測車輛軌跡的系統，其中，該動態網格建構模組提供設定該關鍵網格的一子基準點座標及一第二長度單位，以從該子基準點座標依據該第二長度單位，將該路徑資料中之實際路線進行橫向及縱向切割，俾切割成該具有複數動態網格之關鍵網格。
- 如請求項2所述之應用動態網格之用於預測車輛軌跡的系統，其中，該軌跡預測模組依據該第一時間因子之判斷參數及該複數網格軌跡分別計算出該關鍵網格中之複數動態網格的各時段之違規率，以作為該警示網格之依據，進而形成該行駛機率預測模型。
- 如請求項2所述之應用動態網格之用於預測車輛軌跡的系統，其中，該軌跡預測模組復依據一第二時間因子、一天氣因子或一災害因子之判斷參數結合該第一時間因子，以計算該複數網格之違規率。
- 一種應用動態網格之用於預測車輛軌跡的方法，係包括：由動態網格建構模組向一資料收集模組取得一路徑資料，再將該路徑資料進行切割，以形成一具有複數網格之標準網格，俾提供設定該複數網格之至少一者為禁行網格；由軌跡預測模組向該資料收集模組取得一段期間中的複數第一軌跡資料，並向該動態網格建構模組取得該具有複數網格之標準網格，再將該複數第一軌跡資料與該具有複數網格之標準網格結合； 由該軌跡預測模組計算該複數網格之違規率，以令該動態網格建構模組產生一具有複數動態網格之關鍵網格；由該軌跡預測模組將該複數動態網格之至少一者作為一警示網格，進而建構一行駛機率預測模型；以及由警示模組向該軌跡預測模組取得該行駛機率預測模型，而當接收到即時回報的一車輛之第二軌跡資料時，判斷該車輛是否進入該行駛機率預測模型之警示網格或禁行網格，以發出警示或通報，其中，由該動態網格建構模組提供設定一基準點座標及一第一長度單位，以從該基準點座標依據該第一長度單位，將該路徑資料中之實際路線進行橫向及縱向切割，俾切割成該具有複數網格之標準網格。
- 如請求項6所述之應用動態網格之用於預測車輛軌跡的方法，更包括：由該軌跡預測模組依據該複數第一軌跡資料分別對應的該標準網格中之複數網格，以形成複數網格軌跡；以及由該軌跡預測模組依據一第一時間因子之判斷參數及該複數網格軌跡分別計算出該標準網格中之複數網格的各時段之違規率以作為該關鍵網格之依據。
- 如請求項6所述之應用動態網格之用於預測車輛軌跡的方法，其中，由該動態網格建構模組提供設定該關鍵網格的一子基準點座標及一第二長度單位，以從該子基準點座標依據該第二長度單位，將該路徑資料中之實際路線進行橫向及縱向切割，俾切割成該具有複數動態網格之關鍵網格。
- 如請求項7所述之應用動態網格之用於預測車輛軌跡的方法，其中，由該軌跡預測模組依據該第一時間因子之判斷參數及該複數網格軌跡分別計算出該關鍵網格中之複數動態網格的各時段之違規率，以作為該警示網格之依據，進而形成該行駛機率預測模型。
- 如請求項7所述之應用動態網格之用於預測車輛軌跡的方法，其中，由該軌跡預測模組復依據一第二時間因子、一天氣因子或一災害因子之判斷參數結合該第一時間因子，以計算該複數網格之違規率。
- 一種電腦可讀媒介，應用於計算裝置或電腦中，係儲存有指令，以執行如請求項6至10之任一者所述之應用動態網格之用於預測車輛軌跡的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110112774A TWI836208B (zh) | 2021-04-08 | 2021-04-08 | 一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW110112774A TWI836208B (zh) | 2021-04-08 | 2021-04-08 | 一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202239647A TW202239647A (zh) | 2022-10-16 |
| TWI836208B true TWI836208B (zh) | 2024-03-21 |
Family
ID=85460386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW110112774A TWI836208B (zh) | 2021-04-08 | 2021-04-08 | 一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI836208B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200420168A (en) * | 2003-03-21 | 2004-10-01 | Benq Corp | Method and apparatus for avoiding route deviation |
| CN104318799A (zh) * | 2014-10-21 | 2015-01-28 | 合肥星服信息科技有限责任公司 | 基于矩形区域的公交车辆点所属道路的快速定位法 |
| CN107255826A (zh) * | 2017-04-26 | 2017-10-17 | 国家电网公司 | 基于大数据下的物流货车修正gps定位分析方法 |
| CN108761509A (zh) * | 2018-04-09 | 2018-11-06 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
| TW201909138A (zh) * | 2017-07-13 | 2019-03-01 | 大陸商北京嘀嘀無限科技發展有限公司 | 用於確定軌跡的系統和方法 |
-
2021
- 2021-04-08 TW TW110112774A patent/TWI836208B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200420168A (en) * | 2003-03-21 | 2004-10-01 | Benq Corp | Method and apparatus for avoiding route deviation |
| CN104318799A (zh) * | 2014-10-21 | 2015-01-28 | 合肥星服信息科技有限责任公司 | 基于矩形区域的公交车辆点所属道路的快速定位法 |
| CN107255826A (zh) * | 2017-04-26 | 2017-10-17 | 国家电网公司 | 基于大数据下的物流货车修正gps定位分析方法 |
| TW201909138A (zh) * | 2017-07-13 | 2019-03-01 | 大陸商北京嘀嘀無限科技發展有限公司 | 用於確定軌跡的系統和方法 |
| CN108761509A (zh) * | 2018-04-09 | 2018-11-06 | 吉林大学 | 一种基于历史数据的汽车行驶轨迹及里程预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202239647A (zh) | 2022-10-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10984652B2 (en) | Method and system for modeling and processing vehicular traffic data and information and applying thereof | |
| Mazloumi et al. | An integrated framework to predict bus travel time and its variability using traffic flow data | |
| CN101751777B (zh) | 基于空间聚类分析的城市路网交通小区动态划分方法 | |
| WO2018122806A1 (zh) | 一种基于行程时间分布的多模态交通异常检测方法 | |
| WO2019047905A1 (zh) | 一种交通路况分析系统、方法以及装置 | |
| CN108399468A (zh) | 一种基于车时成本优化的运营时段划分方法 | |
| CN105206057B (zh) | 基于浮动车居民出行热点区域的检测方法及系统 | |
| CN104134349A (zh) | 一种基于交通多源数据融合的公交路况处理系统及方法 | |
| CN112070454B (zh) | 高速公路养护施工区域控制安全管理系统的设计方法 | |
| CN107270921A (zh) | 一种代维巡检路径规划方法及装置 | |
| CN112686407B (zh) | 基于智能网联的交通安全设施数字化系统 | |
| CN106228830A (zh) | 一种公交车到站时间实时预测系统及方法 | |
| CN107195177A (zh) | 基于分布式内存计算框架对城市交通路况的预测方法 | |
| Yao et al. | Sampled trajectory data-driven method of cycle-based volume estimation for signalized intersections by hybridizing shockwave theory and probability distribution | |
| CN106205125A (zh) | 一种救护车抵达时间实时预测系统及方法 | |
| CN113434619B (zh) | 一种4g的高速公路智能交通路况监控系统 | |
| Ding et al. | RTVEMVS: Real-time modeling and visualization system for vehicle emissions on an urban road network | |
| CN113643539A (zh) | 一种基于大数据的智慧交通管控系统 | |
| CN108447257B (zh) | 一种基于Web的交通数据分析方法及系统 | |
| TWI836208B (zh) | 一種應用動態網格之用於預測車輛軌跡的系統、方法及電腦可讀媒介 | |
| Snowdon et al. | Spatiotemporal traffic volume estimation model based on GPS samples | |
| CN105654745A (zh) | 一种基于智能手机的交通流量实时监控方法 | |
| CN112036767A (zh) | 一种基于互联网的石化生产管理系统 | |
| Ryu et al. | Path flow estimator for planning applications in small communities | |
| Gong et al. | Estimating link travel time with sparse GPS data on highway corridors |