CN108399778A - 群体智能拥堵提示方法、***及计算机可读存储介质 - Google Patents
群体智能拥堵提示方法、***及计算机可读存储介质 Download PDFInfo
- Publication number
- CN108399778A CN108399778A CN201810430004.1A CN201810430004A CN108399778A CN 108399778 A CN108399778 A CN 108399778A CN 201810430004 A CN201810430004 A CN 201810430004A CN 108399778 A CN108399778 A CN 108399778A
- Authority
- CN
- China
- Prior art keywords
- congestion
- user
- clouds
- onboard system
- information
- 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
Classifications
-
- 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
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096791—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is another vehicle
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种群体智能拥堵提示方法，该拥堵提示方法应用于拥堵提示***，拥堵提示***至少包括用户车载***以及云端，该方法包括：云端接收各个用户车载***发送的交通状态信息，其中，交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据第一位置信息和第二位置信息发送拥堵提示信息至对应的用户车载***。本发明还公开了一种***、计算机可读存储介质。本发明能够有效扩大信息采集的覆盖面积，提高信息采集的时效性，针对性的发布交通拥堵信息，提高用户体验。
Description
技术领域
本发明涉及交通技术领域，尤其涉及一种群体智能拥堵提示方法、***及计算机可读存储介质。
背景技术
群体智能(Swarm/collection intelligence)的概念来自对自然界中昆虫群体的观察，群居性生物通过协作表现出的宏观智能行为特征被称为群体智能。在自然界中，有的生物却能依靠群体的力量获得生存优势。个体之间可以分工合作、相互协调，完成复杂的任务，表现出比较高的智能，具有高度的自组织、自适应性，并表现出非线性、涌现的***特征。群体智能指的是无智能或者仅具有相对简单智能的主体通过合作表现出更高智能行为的特性；任务可有大量简单的个体组成的群体合作完成，而后者往往更具有健壮性、灵活性和经济上的优势。其中，交通技术为群体智能一个潜在应用方向。
交通技术的发展与人们的生活息息相关，随着社会经济的发展、人们生活水平的提高，机动车的数量迅速增加，交通拥堵已经成为人们出行的一大难题，影响人们的生活与工作。在现有技术中，一般通过特定的车辆或人群采集交通状态信息，然后通过发布平台以广播的方式进行发布交通拥堵信息，现有的这种交通状态信息采集方法覆盖面积小，信息的采集可能存在延时，不能根据用户位置针对性地发布交通拥堵信息。
发明内容
本发明的主要目的在于提供一种群体智能拥堵提示方法、***及计算机可读存储介质，旨在解决现有技术交通状态信息采集方法覆盖面积小，信息的采集可能存在延时，不能根据用户位置针对性地发布交通拥堵信息的问题。
为实现上述目的，本发明提供一种群体智能拥堵提示方法，所述拥堵提示方法应用于拥堵提示***，所述拥堵提示***至少包括用户车载***以及云端，所述拥堵提示方法包括：
所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；
所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
优选地，所述车辆分布信息包括车载摄像头拍摄的车辆分布图像或车载激光雷达获取的车辆分布点云数据。
优选地，所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***的步骤包括：
所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
优选地，所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息的步骤之后还包括：
所述云端根据所述第二位置信息确定各个拥堵位置的拥堵路程；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***的步骤包括：
所述云端根据各个拥堵位置的拥堵路程和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
优选地，所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息的步骤之后还包括：
所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***的步骤包括：
所述云端根据各个拥堵位置的预测拥堵时间长度和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
优选地，所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度的步骤包括：
所述云端根据所述第二位置信息基于大数据分析信息确定各个拥堵位置的预测拥堵时间长度。
优选地，其特征在于，所述交通拥堵提示情况提示方法还包括：
所述云端接收用户终端或用户车载***发送的路径规划请求，其中，所述路径规划请求包括起点信息和终点信息；
所述云端根据所述路径规划请求和交通拥堵情况进行路径规划，其中，所述交通拥堵情况至少包括所述第二位置信息、所述拥堵路程或所述预测拥堵时间长度。
为实现上述目的，本发明还提供一种拥堵提示***，其中，所述拥堵提示***至少包括存储器、处理器以及存储在所述存储器上的拥堵提示程序，所述拥堵提示程序被所述处理器执行时实现如下步骤：
所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；
所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
优选地，所述拥堵提示程序被所述处理器执行时还实现以下步骤：
所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
此外，为实现上述目的，本发明还提供一种拥堵提示计算机可读存储介质，其中，所述计算机可读存储介质上存储有拥堵提示程序，所述拥堵提示程序被处理器执行时实现如上所述的拥堵提示方法的步骤。
本发明提供一种群体智能拥堵提示方法，所述拥堵提示方法应用于拥堵提示***，所述拥堵提示***至少包括用户车载***以及云端，所述拥堵提示方法包括：所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。通过上述方式，利用作为交通群体中的各个用户车载***个体来采集交通状态信息，可以有效扩大信息采集的覆盖面积，提高信息采集的时效性；根据用户车载***的第一位置信息和拥堵位置的第二位置信息可以针对性的发布交通拥堵信息，提高用户体验。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置所属终端结构示意图；
图2为本发明拥堵提示方法和拥堵提示***第一实施例的流程示意图；
图3为本发明拥堵提示方法和拥堵提示***第二实施例的流程示意图；
图4为本发明拥堵提示方法第三实施例的流程示意图；
图5为本发明拥堵提示方法第四实施例的流程示意图；
图6为本发明拥堵提示方法第五实施例的流程示意图；
图7为本发明拥堵提示方法第六实施例的流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在现有技术中，一般通过特定的车辆或人群采集交通状态信息，然后通过发布平台通过广播的方式进行发布交通拥堵信息，现有的这种交通状态信息采集方法覆盖面积小，信息的采集可能存在延时，不能针对性的根据用户位置针对性地发布交通拥堵信息。
为了解决上述技术问题，本发明提供一种群体智能拥堵提示方法，在本方法中，所述拥堵提示方法应用于拥堵提示***，所述拥堵提示***至少包括用户车载***以及云端，所述云端先接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息，再根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。从而有效扩大信息采集的覆盖面积，提高信息采集的时效性，针对性的发布交通拥堵信息，提高用户体验。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的***结构示意图。
本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器、MP3(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)播放器、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块、用户接口模块以及拥堵提示程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的拥堵提示程序，并执行以下操作：
所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；
所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
进一步地，处理器1001可以调用存储器1005中存储的拥堵提示程序，还执行以下操作：
所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
进一步地，处理器1001可以调用存储器1005中存储的拥堵提示程序，还执行以下操作：
所述云端根据所述第二位置信息确定各个拥堵位置的拥堵路程；
所述云端根据各个拥堵位置的拥堵路程和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
进一步地，处理器1001可以调用存储器1005中存储的拥堵提示程序，还执行以下操作：
所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度；
所述云端根据各个拥堵位置的预测拥堵时间长度和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
进一步地，处理器1001可以调用存储器1005中存储的拥堵提示程序，还执行以下操作：
所述云端根据所述第二位置信息基于大数据分析信息确定各个拥堵位置的预测拥堵时间长度。
进一步地，处理器1001可以调用存储器1005中存储的拥堵提示程序，还执行以下操作：
所述云端接收用户终端或用户车载***发送的路径规划请求，其中，所述路径规划请求包括起点信息和终点信息；
所述云端根据所述路径规划请求和交通拥堵情况进行路径规划，其中，所述交通拥堵情况至少包括所述第二位置信息、所述拥堵路程或所述预测拥堵时间长度。
参照图2，图2为本发明拥堵提示方法第一实施例流程示意图。
群体智能(Swarm/collection intelligence)的概念来自对自然界中昆虫群体的观察，群居性生物通过协作表现出的宏观智能行为特征被称为群体智能。在自然界中，有的生物却能依靠群体的力量获得生存优势。个体之间可以分工合作、相互协调，完成复杂的任务，表现出比较高的智能，具有高度的自组织、自适应性，并表现出非线性、涌现的***特征。群体智能指的是无智能或者仅具有相对简单智能的主体通过合作表现出更高智能行为的特性；任务可有大量简单的个体组成的群体合作完成，而后者往往更具有健壮性、灵活性和经济上的优势。其中，交通技术为群体智能一个潜在应用方向。交通技术的发展与人们的生活息息相关，随着社会经济的发展、人们生活水平的提高，机动车的数量迅速增加，交通拥堵已经成为人们出行的一大难题，影响人们的生活与工作。在现有技术中，一般通过特定的车辆或人群采集交通状态信息，然后通过发布平台以广播的方式进行发布交通拥堵信息，现有的这种交通状态信息采集方法覆盖面积小，信息的采集可能存在延时，不能根据用户位置针对性地发布交通拥堵信息。本发明提供一种通过用户车载***采集交通状态信息，并根据用户的车载***采集的交通状态信息和用户的位置信息进行交通拥堵提示的方法，从而根据用户位置针对性地发布交通拥堵信息，并解决现有技术采集交通状态信息覆盖面小，可能存在延时的问题。在本实施例中，各个用户车载***作为交通群体中的个体，相互协调合作来完成交通状态信息的采集，根据用户的车载***采集的交通状态信息和用户的位置信息进行交通拥堵提示，各个车载***的用户可以获取自身附近或者与自身行程相关的交通状态信息，并针对性地规避拥堵路径。
在本实施例中，所述拥堵提示方法应用于拥堵提示***，所述拥堵提示***至少包括用户车载***以及云端，在本实施例中，车载***包括车载硬件以及管理和控制车载硬件与车载软件资源的程序***。在本实施例中，车载硬件除了包括定位装置、智能后视镜或行车记录仪等常规车载硬件外，还可以配置用于拍摄行驶路径上的车辆分布图像的摄像头或者获取行驶路径上车辆分布点云数据的激光雷达，以及用于与云端进行交互的通讯模块。云端可以与各个车载***交互，用于接收各个用户车载***发送的交通状态信息，并根据接收的交通状态信息处于拥堵状态的位置，并发送提示信息至对应的车载***。本实施例的实现包括以下步骤：
步骤S10，所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；所述车辆分布信息包括车载摄像头拍摄的车辆分布图像或车载激光雷达获取的车辆分布点云数据。
在本实施例中，交通状态信息包括各个车载***所在位置以及所在位置预设范围内的车辆分布信息。可以在用户车载***上配置用于拍摄行驶路径上的车辆分布图像的摄像头或者获取行驶路径上车辆分布点云数据的激光雷达，车辆在行驶的过程中可以利用车载摄像头定时地通过定位装置获取当前的位置信息，即第一位置信息，同时，拍摄车辆当前位置预设范围内的车辆分布图像，可以优选只拍摄车辆前进方向的车辆分布图像。各个用户车载***将自身的第一位置信息和拍摄的图像关联，生成交通状态信息通过通讯模块发送交通状态信息至云端。摄像头拍摄的范围可以通过控制云台控制摄像头的仰俯角或偏转角度来控制。当车载***上配置有车载激光雷达时，可以通过车载激光雷达获取车辆当前位置预设范围内的车辆分布点云数据。各个用户车载***将自身的第一位置信息和获取的车辆分布点云数据关联，生成交通状态信息，通过通讯模块发送交通状态信息至云端。在本实施例中，可以设置车辆在行驶的过程的过程中定时地获取交通状态信息并发送至云端，也可以设置车辆的速度低于某个预设速度阈值时定时地获取交通状态信息并发送至云端。
步骤S20，所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
基于上述步骤，上述云端接收到各个车载***发送的交通状态信息时，对接收到的交通状态信息进行处理。先从交通状态信息中获取车载***的位置信息和对应的车辆分布信息，即位置信息和车辆分布图像或车辆分布点云数据。本实施例以车辆分布图像为例进行说明，云端可以预先使用训练图像，训练出车辆识别模型。不同的对象识别***有不同的训练方法。很多方法来源于基本的机器学习技术，如boost、Winnow、支持向量机、RVM、贝叶斯理论、高斯混合模型、EM算法、决策树、决策树桩等技术。训练方法大致可分为两大类：求异法(discriminative approach)和泛化法(generative approach)。求异法试图在特征空间找到一条决策边界，将特征矢量分类，判断它是否属于某类物体。滑动窗口模型常采用求异法训练模型，SVM、决策树、决策树桩及boost类技术常用于求异法泛化法则尽可能多地找到某类对象的特征，根据这些特征出现的概率，使用贝叶斯理论、高斯混合模型判断对象的类别。基于部件的方法常采用泛化法设置、优化模型参数，EM算法常用来处理部件及其之间的关系，这种方法是一种迭代估计参数的方法，它可以处理数据缺失的问题，但不能保证找到全局最大值。具体地，云端获取车辆A的车载***A发送的车辆分布图像后，可以根据图像中车辆的分布位置和摄像头配置配置仰俯角或偏转角以及几何原理确定图像中车辆与拍车辆A的相对位置或者图像中车辆之间大概的相对位置，从而确定图像中对应位置的车辆分布密度，然后再根据车辆分布密度确定是否出现拥堵情况以及拥堵的位置。当然也可以设定车辆数量阈值，当车辆拍摄的图像中车辆数量超过车辆数量阈值时，判定该位置出现拥堵情况。在在本实施例中，当多辆不同的车处在相近的位置时，拍摄的图像可能会存在重叠的部分，也可能是在同一条路径但距离较远而不重叠，可以基于位置车辆的位置信息结合多个车辆的图像信息更准确地确定拥堵位置以及拥堵的路程或者畅通的路程。在本实施例中，第二位置信息指的是拥堵区域的位置信息，是一个位置范围的位置信息，可以包括拥堵起点和拥堵终点。在确定处于拥堵状态的第二位置信息后，再根据各个用户车载***的第一位置信息确定处于拥堵位置中或者拥堵位置附近预设范围的用户车载***，并对应将拥堵位置的位置信息与在预设范围内的用户车载***建立关联关系，根据关联关系发送交通拥堵的提示信息至关联的用户车载***。在本实施例中，还可以根据用户车载***位置信息确定对应车辆的行驶方向，再根据车辆前方的车辆分布信息确定车辆前方的拥堵路程或拥堵时间，根据拥堵路程或拥堵时间发送提示信息至对应的用户车载***，使得用户清楚具体的拥堵情况。当然在本实施例中，确定拥堵位置的第二信息后也可以通过广播的方式将拥堵情况发送至更大预设范围内的车载***，例如，当A市某段公路发生拥堵时，将拥堵提示信息发送至在A市范围内所有车载***。
在本实施例中，所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。通过上述方式，利用作为交通群体中的各个用户车载***个体来采集交通状态信息，可以有效扩大信息采集的覆盖面积，提高信息采集的时效性；根据用户车载***的第一位置信息和拥堵位置的第二位置信息可以针对性的发布交通拥堵信息，提高用户体验。
进一步地，参照图3，图3为本发明拥堵提示方法第二实施例流程示意图，基于上述本发明拥堵提示方法实施例，提出本发明的第二实施例。
基于上述实施例，在本实施例中，步骤S20包括：
步骤S30，所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
步骤S40，所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
步骤S50，所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
步骤S60，所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
基于上述实施例，在本实施例中，云端接收到各个用户车载***发送的交通状态信息后，先从交通状态信息中获取各个车载***的第一位置信息和对应的车辆分布图像，根据车辆分布图像确定用户车载***所在位置在预设范围内的车辆分布密度信息，可以根据用户车载***的位置信息将小于或等于预设距离位置的多个车载***的拍摄图像结合获得更加完整的车辆密度分布信息。本实施例以车辆分布图像为例进行说明，云端可以预先使用训练图像，训练出车辆识别模型。不同的对象识别***有不同的训练方法。很多方法来源于基本的机器学习技术，如boost、Winnow、支持向量机、RVM、贝叶斯理论、高斯混合模型、EM算法、决策树、决策树桩等技术。训练方法大致可分为两大类：求异法(discriminative approach)和泛化法(generative approach)。求异法试图在特征空间找到一条决策边界，将特征矢量分类，判断它是否属于某类物体。滑动窗口模型常采用求异法训练模型，SVM、决策树、决策树桩及boost类技术常用于求异法泛化法则尽可能多地找到某类对象的特征，根据这些特征出现的概率，使用贝叶斯理论、高斯混合模型判断对象的类别。基于部件的方法常采用泛化法设置、优化模型参数，EM算法常用来处理部件及其之间的关系，这种方法是一种迭代估计参数的方法，它可以处理数据缺失的问题，但不能保证找到全局最大值。具体地，云端获取车辆A的车载***A发送的车辆分布图像后，可以根据图像中车辆的分布位置和摄像头配置配置仰俯角或偏转角以及几何原理确定图像中车辆与拍车辆A的相对位置或者图像中车辆之间大概的相对位置，也可以根据车辆在图像中的显像大小确定图像中的车辆与车辆A的实际距离，从而确定车辆的分布位置。从而确定图像中对应位置的车辆分布密度，然后再根据车辆分布密度确定是否出现拥堵情况以及拥堵的位置。当然也可以设定车辆数量阈值，以图像中车辆的数量作为用户车载***附近预设范围内的车辆密度分布信息。当车辆拍摄的图像中车辆数量超过车辆数量阈值时，判定该位置出现拥堵情况。在在本实施例中，当多辆不同的车处在相近的位置时，拍摄的图像可能会存在重叠的部分，也可能是在同一条路径但距离较远而不重叠，可以基于位置车辆的位置信息结合多个车辆的图像信息更准确地确定拥堵位置以及拥堵的路程或者畅通的路程。具体地，可以将用户车载***A的摄像头只拍摄前进方向拍摄范围内的车辆分布图像，用户车载***A的拍摄的图像发送至云端，云端接收到用户车载***A发送的车辆分布图像时，获取车辆分布图像和用户车载***A的第一位置信息，识别车辆分布图像中的车辆，确定图像中可识别车辆的数量，判定可识别车辆的数量是否大于或等于预设数量阈值n，若大于或等于，则确定用户车载***A拍摄位置处于拥堵状态，以用户车车载***的拍摄距离确定拥堵路程。然后再根据用户车载***的第一位置信息确定与各个拥堵位置的距离小于或等于预设距离的用户车载***，并将距离小于或等于预设距离的处于拥堵状态的第二信息和用户车载***建立关联关系，例如，用户车载***A与拥堵位置甲的最短距离小于预设距离，用户车载***B与拥堵位置乙的最短距离小于预设距离，则分别将用户车载***A与拥堵位置甲建立关联关系，用户车载***B与拥堵位置乙建立关联关系。云端根据关联关系发送拥堵情况提示信息至对应的用户车载***，即将关于拥堵位置甲拥堵情况的提示信息发送至用户车载***A，将关于拥堵位置乙拥堵情况的提示信息发送至用户车载***B。
在本实施例中，所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。通过上述方式，实现根据车辆密度分布信息确定处于拥堵状态的位置，并根据用户车载***与处于拥堵状态位置的距离确定可能会受到当前拥堵情况影响的用户车载***，并与产生影响的处于拥堵状态的位置信息建立关联关系，根据关联关系针对性地发送交通拥堵情况的提示信息至关联的用户车载***。
进一步地，参照图4，图4为本发明拥堵提示方法第三实施例流程示意图，基于上述本发明拥堵提示方法实施例，提出本发明的第三实施例。
基于上述实施例，在本实施例中，步骤S40之后还包括：
步骤S70，所述云端根据所述第二位置信息确定各个拥堵位置的拥堵路程；
步骤S60包括：
步骤S80，所述云端根据各个拥堵位置的拥堵路程和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
基于上述实施例，在本实施例中，云端获取车辆A的车载***A发送的车辆分布图像后，可以根据图像中车辆的分布位置和摄像头配置配置仰俯角或偏转角以及几何原理确定图像中车辆与拍车辆A的相对位置或者图像中车辆之间大概的相对位置，也可以根据车辆在图像中的显像大小确定图像中的车辆与车辆A的实际距离，从而确定车辆的分布位置。从而确定图像中对应位置的车辆分布密度，然后再根据车辆分布密度确定是否出现拥堵情况以及拥堵的位置。当然也可以设定车辆数量阈值，以图像中车辆的数量作为用户车载***附近预设范围内的车辆密度分布信息。当车辆拍摄的图像中车辆数量超过车辆数量阈值时，判定该位置出现拥堵情况。在在本实施例中，当多辆不同的车处在相近的位置时，拍摄的图像可能会存在重叠的部分，也可能是在同一条路径但距离较远而不重叠，可以基于位置车辆的位置信息结合多个车辆的图像信息更准确地确定拥堵位置以及拥堵的路程或者畅通的路程。具体地，可以将用户车载***A的摄像头只拍摄前进方向拍摄范围内的车辆分布图像，用户车载***A的拍摄的图像发送至云端，云端接收到用户车载***A发送的车辆分布图像时，获取车辆分布图像和用户车载***A的第一位置信息，识别车辆分布图像中的车辆，确定图像中可识别车辆的数量，判定可识别车辆的数量是否大于或等于预设数量阈值n，若大于或等于，则确定用户车载***A拍摄位置处于拥堵状态，以用户车车载***的拍摄距离确定拥堵路程。然后再根据用户车载***的第一位置信息确定与各个拥堵位置的距离小于或等于预设距离的用户车载***，并将距离小于或等于预设距离的处于拥堵状态的第二信息和用户车载***建立关联关系，例如，用户车载***A与拥堵位置甲的最短距离小于预设距离，用户车载***B与拥堵位置乙的最短距离小于预设距离，则分别将用户车载***A与拥堵位置甲建立关联关系，用户车载***B与拥堵位置乙建立关联关系。云端根据关联关系发送拥堵情况提示信息至对应的用户车载***，即将关于拥堵位置甲拥堵情况的提示信息发送至用户车载***A，将关于拥堵位置乙拥堵情况的提示信息发送至用户车载***B。在本实施例中，在确定处于拥堵状态的第二位置信息时，根据第二位置信息确定各个拥堵位置的拥堵路程，即拥堵覆盖的路程，然后根据确定拥堵路程和关联关系发送拥堵情况提示信息至对应的用户车载***。具体地，基于上述实施例，当拥堵位置甲的拥堵路程为L1时，则发送提示位置甲出现拥堵路程为L1的拥堵情况提示信息至用户车载***A。在本实施例中，还可以根据用户车载***的位置变化确定用户行驶的路径和行驶方向，针对用户行驶方向的前方的拥堵情况发送提示信息，在这种情况还可以根据还可以根据第二位置信息和第一位置信息确定用户车载***距离拥堵位置的行驶路程，根据行驶距离发送拥堵情况提示信息。具体地，车辆A当前的位置为位置丙，根据位置丙以及车辆A行驶轨迹和预存的地图信息确定车辆A行驶的路径名称，当在该路径车辆A行驶方向的前方位置甲出现拥堵路程为L1的拥堵情况时，根据预存的地图信息确定位置并以及位置甲的行驶路程S，然后根据位置甲，行驶路程S以及拥堵路程L1发送拥堵情况提示信息至用户车载***A，例如，提示信息可以为“当前路径前方S处位置甲出现拥堵路程为L1的拥堵情况”，车载***可以通过语音提示或者直接在导航显示屏上显示拥堵情况的相关信息来提示用户。
在本实施例中，所述云端根据所述第二位置信息确定各个拥堵位置的拥堵路程；所述云端根据各个拥堵位置的拥堵路程和所述关联关系发送拥堵提示信息至各个关联的用户车载***。通过上述方式，实现将拥堵位置出现的拥堵路程信息发送至用户车载***，用户可以获得更加详细的拥堵情况，提高用户体验。
进一步地，参照图5，图5为本发明拥堵提示方法第四实施例流程示意图。基于上述实施例，提出本发明的第四实施例。
基于上述实施例，在本实施例中，步骤S40之后还包括：
步骤S90，所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度；
步骤S60还包括：
步骤S100，所述云端根据各个拥堵位置的预测拥堵时间长度和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
基于上述实施例，在本实施例中，云端可以获取每次交通拥堵情况的拥堵位置、对应的拥堵车辆数量、对应的拥堵路程或拥堵覆盖范围以及对应的拥堵时间长度，并存储在预设数据库中，从而构建一个大数据库。在本实施例中，确定处于拥堵状态的第二位置拥堵信息后，可以根据第二位置信息确定拥堵的地点及拥堵覆盖范围，可以将用户前方拥堵的地点和拥堵覆盖范围等信息与数据库中存储的历史拥堵情况进行匹配或者对比，从而预测当前各个拥堵位置拥堵的持续时间长度，即确定各个拥堵位置的预测时间长度，然后在根据预测拥堵时间长度和关联关系发送拥堵情况提示信息至各个拥堵位置关联的用户车载***。当然，在本实施例中，也可以根据经验或者已有数据分析确定特定拥堵覆盖面或拥堵路程的预测拥堵时间长度并存储，在根据第二位置信息确定拥堵路程或者拥堵覆盖面后直接与预存的拥堵覆盖面或拥堵路程进行对比匹配，确定预测拥堵时间长度。在本实施例中，还可以根据经验或者已有数据分析拥堵覆盖面或拥堵路程与预测拥堵时间长度的计算公式，根据计算公式确定预测拥堵时间长度。
在本实施例中，所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度；所述云端根据各个拥堵位置的预测拥堵时间长度和所述关联关系发送拥堵提示信息至各个关联的用户车载***。通过上述方式，实现将拥堵位置的预测拥堵时间长度信息发送至用户车载***，用户可以获得更加详细的拥堵情况，提高用户体验。
进一步地，参照图6，图6为本发明拥堵提示方法第五实施例流程示意图，基于上述本发明拥堵提示方法实施例，提出本发明的第五实施例。
基于上述实施例，在本实施例中，步骤S90包括：
步骤S110，所述云端根据所述第二位置信息基于大数据分析信息确定各个拥堵位置的预测拥堵时间长度。
基于上述实施例，在本实施中，云端可以获取每次交通拥堵情况的拥堵位置、对应的拥堵车辆数量、对应的拥堵路程或拥堵覆盖范围以及对应的拥堵时间长度，并存储在预设数据库中，从而构建一个大数据库。在本实施例中，确定处于拥堵状态的第二位置拥堵信息后，可以根据第二位置信息确定拥堵的地点及拥堵覆盖范围，可以将用户前方拥堵的地点和拥堵覆盖范围等信息与数据库中存储的历史拥堵情况进行匹配或者对比，从而预测当前各个拥堵位置拥堵的持续时间长度，即确定各个拥堵位置的预测时间长度，然后在根据预测拥堵时间长度和关联关系发送拥堵情况提示信息至各个拥堵位置关联的用户车载***。
在本实施例中，所述云端根据所述第二位置信息基于大数据分析信息确定各个拥堵位置的预测拥堵时间长度。通过上述方式，利用大数据分析信息可以更准确的预测各个拥堵位置的拥堵持续时间长度。
进一步的，参照图7，图7为本发明拥堵提示方法第六实施例流程示意图，基于上述本发明拥堵提示方法实施例，提出本发明的第六实施例。
基于上述实施例，在本实施例中，所述拥堵提示方法还包括：
步骤S120，所述云端接收用户终端或用户车载***发送的路径规划请求，其中，所述路径规划请求包括起点信息和终点信息；
步骤S130，所述云端根据所述路径规划请求和交通拥堵情况进行路径规划，其中，所述交通拥堵情况至少包括所述第二位置信息、所述拥堵路程或所述预测拥堵时间长度。
基于上述实施例，在本实施例中，用户在出行时，可以通过用户终端或者用户车载***的应用程序出发路径规划请求，在出发请求时，先输入起点和终点信息，当然，用户可以选择当前的定位位置作为起点。输入起点和终点信息并确定时，用户车载***通过通讯模块发送路径规划请求至云端，其中路径规划请求中还包括用户车载***或用户终端的标识信息，云端根据路径规划请求中的起点和终点信息以及预存的地图信息确定一个或者多个可行的路径，并发送至对应的用户车载***或用户终端，用户车载***或用户终端可以在导航地图上显示可行途径。云端在确定可行路径时，可以根据每条路径的拥堵情况进行筛选，例如将拥堵时间过长或拥堵路程过长的路径舍弃，保留畅通的路径，当然也可以将出现拥堵情况的路径保留，在发送路径规划信息至用户终端或用户车载***时，将拥堵路径的拥堵情况也发送至用户终端或用户车载***，以使得用户终端或用户车载***根据将路径拥堵情况的信息显示在对应的路径上。
在本实施例中，用户在通过用户终端或用户车载***查看路径规划信息时，可以选定适合的路径，用户选定路径时，用户终端或用户车载***根据用户选定的路径发送选定路径信息至云端。在用户触发到达终点指令或者更换路径前，云端监控该路径的交通状态，当该路径出现拥堵情况时，根据用户的位置信息将拥堵情况提示信息至对应的用户终端或用户车载***，也可以根据用户车载***当前位置和拥堵情况重新进行路径规划，发送路径规划建议信息至用户终端或用户车载***。
在本实施例中，所述云端接收用户终端或用户车载***发送的路径规划请求，其中，所述路径规划请求包括起点信息和终点信息；所述云端根据所述路径规划请求和交通拥堵情况进行路径规划，其中，所述交通拥堵情况至少包括所述第二位置信息、所述拥堵路程或所述预测拥堵时间长度。通过上述方式，可以根据用户的行程信息和拥堵情况进行路径规划，帮助用户规避处于拥堵状态的路径，提高用户的使用体验。
此外，本发明还提供一种拥堵提示***。
参考图2，提出本发明拥堵提示***的第一实施例。在本实施例中，所述拥堵提示***至少包括存储器、处理器以及存储在所述存储器上的拥堵提示程序，所述拥堵提示程序被所述处理器执行时实现如下步骤：
步骤S10，所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；
在本实施例中，所述拥堵提示方法应用于拥堵提示***，所述拥堵提示***至少包括用户车载***以及云端，在本实施例中，车载***包括车载硬件以及管理和控制车载硬件与车载软件资源的程序***。在本实施例中，车载硬件除了包括定位装置、智能后视镜或行车记录仪等常规车载硬件外，还可以配置用于拍摄行驶路径上的车辆分布图像的摄像头或者获取行驶路径上车辆分布点云数据的激光雷达，以及用于与云端进行交互的通讯模块。云端可以与各个车载***交互，用于接收各个用户车载***发送的交通状态信息，并根据接收的交通状态信息处于拥堵状态的位置，并发送提示信息至对应的车载***。
在本实施例中，交通状态信息包括各个车载***所在位置以及所在位置预设范围内的车辆分布信息。可以在用户车载***上配置用于拍摄行驶路径上的车辆分布图像的摄像头或者获取行驶路径上车辆分布点云数据的激光雷达，车辆在行驶的过程中可以利用车载摄像头定时地通过定位装置获取当前的位置信息，即第一位置信息，同时，拍摄车辆当前位置预设范围内的车辆分布图像，可以优选只拍摄车辆前进方向的车辆分布图像。各个用户车载***将自身的第一位置信息和拍摄的图像关联，生成交通状态信息通过通讯模块发送交通状态信息至云端。摄像头拍摄的范围可以通过控制云台控制摄像头的仰俯角或偏转角度来控制。当车载***上配置有车载激光雷达时，可以通过车载激光雷达获取车辆当前位置预设范围内的车辆分布点云数据。各个用户车载***将自身的第一位置信息和获取的车辆分布点云数据关联，生成交通状态信息，通过通讯模块发送发送交通状态信息至云端。在本实施例中，可以设置车辆在行驶的过程的过程中定时地获取交通状态信息并发送至云端，也可以设置车辆的速度低于某个预设速度阈值时定时地获取交通状态信息并发送至云端。
步骤S20，所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
基于上述步骤，上述云端接收到各个车载***发送的交通状态信息时，对接收到的交通状态信息进行处理。先从交通状态信息中获取车载***的位置信息和对应的车辆分布信息，即位置信息和车辆分布图像或车辆分布点云数据。本实施例以车辆分布图像为例进行说明，云端可以预先使用训练图像，训练出车辆识别模型。不同的对象识别***有不同的训练方法。很多方法来源于基本的机器学习技术，如boost、Winnow、支持向量机、RVM、贝叶斯理论、高斯混合模型、EM算法、决策树、决策树桩等技术。训练方法大致可分为两大类：求异法(discriminative approach)和泛化法(generative approach)。求异法试图在特征空间找到一条决策边界，将特征矢量分类，判断它是否属于某类物体。滑动窗口模型常采用求异法训练模型，SVM、决策树、决策树桩及boost类技术常用于求异法泛化法则尽可能多地找到某类对象的特征，根据这些特征出现的概率，使用贝叶斯理论、高斯混合模型判断对象的类别。基于部件的方法常采用泛化法设置、优化模型参数，EM算法常用来处理部件及其之间的关系，这种方法是一种迭代估计参数的方法，它可以处理数据缺失的问题，但不能保证找到全局最大值。具体地，云端获取车辆A的车载***A发送的车辆分布图像后，可以根据图像中车辆的分布位置和摄像头配置配置仰俯角或偏转角以及几何原理确定图像中车辆与拍车辆A的相对位置或者图像中车辆之间大概的相对位置，从而确定图像中对应位置的车辆分布密度，然后再根据车辆分布密度确定是否出现拥堵情况以及拥堵的位置。当然也可以设定车辆数量阈值，当车辆拍摄的图像中车辆数量超过车辆数量阈值时，判定该位置出现拥堵情况。在在本实施例中，当多辆不同的车处在相近的位置时，拍摄的图像可能会存在重叠的部分，也可能是在同一条路径但距离较远而不重叠，可以基于位置车辆的位置信息结合多个车辆的图像信息更准确地确定拥堵位置以及拥堵的路程或者畅通的路程。在本实施例中，第二位置信息指的是拥堵区域的位置信息，是一个位置范围的位置信息，可以包括拥堵起点和拥堵终点。在确定处于拥堵状态的第二位置信息后，再根据各个用户车载***的第一位置信息确定处于拥堵位置中或者拥堵位置附近预设范围的用户车载***，并对应将拥堵位置的位置信息与在预设范围内的用户车载***建立关联关系，根据关联关系发送交通拥堵的提示信息至关联的用户车载***。在本实施例中，还可以根据用户车载***位置信息确定对应车辆的行驶方向，再根据车辆前方的车辆分布信息确定车辆前方的拥堵路程或拥堵时间，根据拥堵路程或拥堵时间发送提示信息至对应的用户车载***，使得用户清楚具体的拥堵情况。当然在本实施例中，确定拥堵位置的第二信息后也可以通过广播的方式将拥堵情况发送至更大预设范围内的车载***，例如，当A市某段公路发生拥堵时，将拥堵提示信息发送至在A市范围内所有车载***。
在本实施例中，所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。通过上述方式，利用作为交通群体中的各个用户车载***个体来采集交通状态信息，可以有效扩大信息采集的覆盖面积，提高信息采集的时效性；根据用户车载***的第一位置信息和拥堵位置的第二位置信息可以针对性的发布交通拥堵信息，提高用户体验。
参考图3，提出本发明拥堵提示***的第二实施例。在本实施例中，所述拥堵提示程序被所述处理器执行时还实现如下步骤：
步骤S30，所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
步骤S40，所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
步骤S50，所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
步骤S60，所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
基于上述实施例，在本实施例中，云端接收到各个用户车载***发送的交通状态信息后，先从交通状态信息中获取各个车载***的第一位置信息和对应的车辆分布图像，根据车辆分布图像确定用户车载***所在位置在预设范围内的车辆分布密度信息，可以根据用户车载***的位置信息将小于或等于预设距离位置的多个车载***的拍摄图像结合获得更加完整的车辆密度分布信息。本实施例以车辆分布图像为例进行说明，云端可以预先使用训练图像，训练出车辆识别模型。不同的对象识别***有不同的训练方法。很多方法来源于基本的机器学习技术，如boost、Winnow、支持向量机、RVM、贝叶斯理论、高斯混合模型、EM算法、决策树、决策树桩等技术。训练方法大致可分为两大类：求异法(discriminative approach)和泛化法(generative approach)。求异法试图在特征空间找到一条决策边界，将特征矢量分类，判断它是否属于某类物体。滑动窗口模型常采用求异法训练模型，SVM、决策树、决策树桩及boost类技术常用于求异法泛化法则尽可能多地找到某类对象的特征，根据这些特征出现的概率，使用贝叶斯理论、高斯混合模型判断对象的类别。基于部件的方法常采用泛化法设置、优化模型参数，EM算法常用来处理部件及其之间的关系，这种方法是一种迭代估计参数的方法，它可以处理数据缺失的问题，但不能保证找到全局最大值。具体地，云端获取车辆A的车载***A发送的车辆分布图像后，可以根据图像中车辆的分布位置和摄像头配置配置仰俯角或偏转角以及几何原理确定图像中车辆与拍车辆A的相对位置或者图像中车辆之间大概的相对位置，也可以根据车辆在图像中的显像大小确定图像中的车辆与车辆A的实际距离，从而确定车辆的分布位置。从而确定图像中对应位置的车辆分布密度，然后再根据车辆分布密度确定是否出现拥堵情况以及拥堵的位置。当然也可以设定车辆数量阈值，以图像中车辆的数量作为用户车载***附近预设范围内的车辆密度分布信息。当车辆拍摄的图像中车辆数量超过车辆数量阈值时，判定该位置出现拥堵情况。在在本实施例中，当多辆不同的车处在相近的位置时，拍摄的图像可能会存在重叠的部分，也可能是在同一条路径但距离较远而不重叠，可以基于位置车辆的位置信息结合多个车辆的图像信息更准确地确定拥堵位置以及拥堵的路程或者畅通的路程。具体地，可以将用户车载***A的摄像头只拍摄前进方向拍摄范围内的车辆分布图像，用户车载***A的拍摄的图像发送至云端，云端接收到用户车载***A发送的车辆分布图像时，获取车辆分布图像和用户车载***A的第一位置信息，识别车辆分布图像中的车辆，确定图像中可识别车辆的数量，判定可识别车辆的数量是否大于或等于预设数量阈值n，若大于或等于，则确定用户车载***A拍摄位置处于拥堵状态，以用户车车载***的拍摄距离确定拥堵路程。然后再根据用户车载***的第一位置信息确定与各个拥堵位置的距离小于或等于预设距离的用户车载***，并将距离小于或等于预设距离的处于拥堵状态的第二信息和用户车载***建立关联关系，例如，用户车载***A与拥堵位置甲的最短距离小于预设距离，用户车载***B与拥堵位置乙的最短距离小于预设距离，则分别将用户车载***A与拥堵位置甲建立关联关系，用户车载***B与拥堵位置乙建立关联关系。云端根据关联关系发送拥堵情况提示信息至对应的用户车载***，即将关于拥堵位置甲拥堵情况的提示信息发送至用户车载***A，将关于拥堵位置乙拥堵情况的提示信息发送至用户车载***B。
在本实施例中，所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。通过上述方式，实现根据车辆密度分布信息确定处于拥堵状态的位置，并根据用户车载***与处于拥堵状态位置的距离确定可能会受到当前拥堵情况影响的用户车载***，并与产生影响的处于拥堵状态的位置信息建立关联关系，根据关联关系针对性地发送交通拥堵情况的提示信息至关联的用户车载***。
此外，本发明实施例还提出一种计算机可读存储介质。
本发明计算机可读存储介质上存储有拥堵提示程序，所述拥堵提示程序被处理器执行时实现如上所述的拥堵提示方法的步骤。
其中，在所述处理器上运行的拥堵提示程序被执行时所实现的方法可参照本发明拥堵提示方法各个实施例，此处不再赘述。
需要说明的是，在本文中，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、物品或者***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、物品或者***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，并不排除在包括该要素的过程、方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种群体智能拥堵提示方法，其特征在于，所述拥堵提示方法应用于拥堵提示***，所述拥堵提示***至少包括用户车载***以及云端，所述拥堵提示方法包括：
所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；
所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
2.如权利要求1所述的群体智能拥堵提示方法，其特征在于，所述车辆分布信息包括车载摄像头拍摄的车辆分布图像或车载激光雷达获取的车辆分布点云数据。
3.如权利要求1所述的群体智能拥堵提示方法，其特征在于，所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***的步骤包括：
所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
4.如权利要求3所述的群体智能拥堵提示方法，其特征在于，所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息的步骤之后还包括：
所述云端根据所述第二位置信息确定各个拥堵位置的拥堵路程；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***的步骤包括：
所述云端根据各个拥堵位置的拥堵路程和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
5.如权利要求3所述的群体智能拥堵提示方法，其特征在于，所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息的步骤之后还包括：
所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***的步骤包括：
所述云端根据各个拥堵位置的预测拥堵时间长度和所述关联关系发送拥堵提示信息至各个关联的用户车载***。
6.如权利要求5所述的群体智能拥堵提示方法，其特征在于，所述云端根据所述第二位置信息确定各个拥堵位置的预测拥堵时间长度的步骤包括：
所述云端根据所述第二位置信息基于大数据分析信息确定各个拥堵位置的预测拥堵时间长度。
7.如权利要求1至6中任一项所述的群体智能拥堵提示方法，其特征在于，所述交通拥堵提示情况提示方法还包括：
所述云端接收用户终端或用户车载***发送的路径规划请求，其中，所述路径规划请求包括起点信息和终点信息；
所述云端根据所述路径规划请求和交通拥堵情况进行路径规划，其中，所述交通拥堵情况至少包括所述第二位置信息、所述拥堵路程或所述预测拥堵时间长度。
8.一种拥堵提示***，其特征在于，所述拥堵提示***至少包括存储器、处理器以及存储在所述存储器上的拥堵提示程序，所述拥堵提示程序被所述处理器执行时实现如下步骤：
所述云端接收各个用户车载***发送的交通状态信息，其中，所述交通状态信息至少包括各个用户车载***的第一位置信息和用户车载***所在位置预设范围内的车辆分布信息；
所述云端根据接收的交通状态信息确定处于拥堵状态的第二位置信息，并根据所述第一位置信息和所述第二位置信息发送拥堵提示信息至对应的用户车载***。
9.如权利要求8所述的拥堵提示***，其特征在于，所述拥堵提示程序被所述处理器执行时还实现以下步骤：
所述云端根据接收到的交通状态信息获取各用户车载***所在位置对应的预设范围的车辆分布信息，并根据所述车辆分布信息获得车辆密度分布信息；
所述云端根据所述车辆密度分布信息确定处于拥堵状态的第二位置信息；
所述云端根据所述第一位置信息和所述第二位置信息对最短距离小于或等于预设距离阈值的用户车载***与各个第二位置信息建立关联关系；
所述云端根据所述关联关系发送拥堵提示信息至各个关联的用户车载***。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有拥堵提示程序，所述拥堵提示程序被处理器执行时实现如权利要求1至7中任一项所述的拥堵提示方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810430004.1A CN108399778A (zh) | 2018-05-08 | 2018-05-08 | 群体智能拥堵提示方法、***及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810430004.1A CN108399778A (zh) | 2018-05-08 | 2018-05-08 | 群体智能拥堵提示方法、***及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108399778A true CN108399778A (zh) | 2018-08-14 |
Family
ID=63101605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810430004.1A Pending CN108399778A (zh) | 2018-05-08 | 2018-05-08 | 群体智能拥堵提示方法、***及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108399778A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670431A (zh) * | 2018-12-11 | 2019-04-23 | 北京小马智行科技有限公司 | 一种行为检测方法及装置 |
| CN110047305A (zh) * | 2019-04-04 | 2019-07-23 | 安徽中交汇能网络科技有限公司 | 道路拥堵的提示方法、装置、***及道路监测装置 |
| CN110363991A (zh) * | 2019-07-16 | 2019-10-22 | 珠海市杰理科技股份有限公司 | 路况分析方法、装置、处理设备、路况分析***和车辆 |
| CN111640321A (zh) * | 2020-05-29 | 2020-09-08 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的拥堵缓解方法及相关设备 |
| CN113870548A (zh) * | 2020-06-30 | 2021-12-31 | 奥迪股份公司 | 交通管理装置及相应的方法、服务器、计算机设备和介质 |
| CN114241746A (zh) * | 2021-11-08 | 2022-03-25 | 广西北投交通养护科技集团有限公司 | 一种高速公路连环追尾事故安全预警装置及方法 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101391589A (zh) * | 2008-10-30 | 2009-03-25 | 上海大学 | 车载智能报警方法和装置 |
| CN101523459A (zh) * | 2006-10-13 | 2009-09-02 | 爱信艾达株式会社 | 交通信息分配装置 |
| CN102663894A (zh) * | 2012-05-20 | 2012-09-12 | 杭州妙影微电子有限公司 | 一种基于物联网的道路交通状况预知***及预知方法 |
| CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
| CN104952123A (zh) * | 2015-05-27 | 2015-09-30 | 关晓芙 | 安装在车辆中的车载设备及相关设备与方法 |
| CN105390009A (zh) * | 2015-11-17 | 2016-03-09 | 广东好帮手电子科技股份有限公司 | 一种动态交通信息发布方法及*** |
| CN105474285A (zh) * | 2013-09-06 | 2016-04-06 | 奥迪股份公司 | 用于预测至少一个拥堵参数的方法、分析***和车辆 |
| CN105488454A (zh) * | 2015-11-17 | 2016-04-13 | 天津工业大学 | 基于单目视觉的前方车辆检测与测距 |
| CN105513378A (zh) * | 2015-12-21 | 2016-04-20 | 宇龙计算机通信科技(深圳)有限公司 | 一种车联网的方法、装置及*** |
| CN105574552A (zh) * | 2014-10-09 | 2016-05-11 | 东北大学 | 一种基于单目视觉的车辆测距与碰撞预警方法 |
| CN106469503A (zh) * | 2015-08-14 | 2017-03-01 | 高德软件有限公司 | 一种预测交通事件影响范围的方法和装置 |
| CN106679633A (zh) * | 2016-12-07 | 2017-05-17 | 东华大学 | 一种车载测距***及方法 |
| CN106683401A (zh) * | 2015-11-11 | 2017-05-17 | 丰田自动车株式会社 | 车辆用图像数据传输装置 |
| CN106981212A (zh) * | 2016-01-19 | 2017-07-25 | 霍尼韦尔国际公司 | 交通可视化*** |
| CN107038885A (zh) * | 2017-05-23 | 2017-08-11 | 奇瑞汽车股份有限公司 | 交通状况提示方法及装置 |
| CN107045794A (zh) * | 2017-01-16 | 2017-08-15 | 百度在线网络技术（北京）有限公司 | 路况处理方法及装置 |
| CN207008863U (zh) * | 2017-08-11 | 2018-02-13 | 李硕 | 一种基于行车记录仪的路面交通监控*** |
| CN107945557A (zh) * | 2017-12-21 | 2018-04-20 | 江西爱驰亿维实业有限公司 | 实时路况显示方法、装置、计算设备及计算机存储介质 |
-
2018
- 2018-05-08 CN CN201810430004.1A patent/CN108399778A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101523459A (zh) * | 2006-10-13 | 2009-09-02 | 爱信艾达株式会社 | 交通信息分配装置 |
| CN101391589A (zh) * | 2008-10-30 | 2009-03-25 | 上海大学 | 车载智能报警方法和装置 |
| CN102663894A (zh) * | 2012-05-20 | 2012-09-12 | 杭州妙影微电子有限公司 | 一种基于物联网的道路交通状况预知***及预知方法 |
| CN102930735A (zh) * | 2012-10-25 | 2013-02-13 | 安徽科力信息产业有限责任公司 | 一种基于交通视频的城市实时交通路况信息发布方法 |
| CN105474285A (zh) * | 2013-09-06 | 2016-04-06 | 奥迪股份公司 | 用于预测至少一个拥堵参数的方法、分析***和车辆 |
| CN105574552A (zh) * | 2014-10-09 | 2016-05-11 | 东北大学 | 一种基于单目视觉的车辆测距与碰撞预警方法 |
| CN104952123A (zh) * | 2015-05-27 | 2015-09-30 | 关晓芙 | 安装在车辆中的车载设备及相关设备与方法 |
| CN106469503A (zh) * | 2015-08-14 | 2017-03-01 | 高德软件有限公司 | 一种预测交通事件影响范围的方法和装置 |
| CN106683401A (zh) * | 2015-11-11 | 2017-05-17 | 丰田自动车株式会社 | 车辆用图像数据传输装置 |
| JP2017091250A (ja) * | 2015-11-11 | 2017-05-25 | トヨタ自動車株式会社 | 車両用画像データ転送装置 |
| CN105488454A (zh) * | 2015-11-17 | 2016-04-13 | 天津工业大学 | 基于单目视觉的前方车辆检测与测距 |
| CN105390009A (zh) * | 2015-11-17 | 2016-03-09 | 广东好帮手电子科技股份有限公司 | 一种动态交通信息发布方法及*** |
| CN105513378A (zh) * | 2015-12-21 | 2016-04-20 | 宇龙计算机通信科技(深圳)有限公司 | 一种车联网的方法、装置及*** |
| CN106981212A (zh) * | 2016-01-19 | 2017-07-25 | 霍尼韦尔国际公司 | 交通可视化*** |
| CN106679633A (zh) * | 2016-12-07 | 2017-05-17 | 东华大学 | 一种车载测距***及方法 |
| CN107045794A (zh) * | 2017-01-16 | 2017-08-15 | 百度在线网络技术（北京）有限公司 | 路况处理方法及装置 |
| CN107038885A (zh) * | 2017-05-23 | 2017-08-11 | 奇瑞汽车股份有限公司 | 交通状况提示方法及装置 |
| CN207008863U (zh) * | 2017-08-11 | 2018-02-13 | 李硕 | 一种基于行车记录仪的路面交通监控*** |
| CN107945557A (zh) * | 2017-12-21 | 2018-04-20 | 江西爱驰亿维实业有限公司 | 实时路况显示方法、装置、计算设备及计算机存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670431A (zh) * | 2018-12-11 | 2019-04-23 | 北京小马智行科技有限公司 | 一种行为检测方法及装置 |
| CN110047305A (zh) * | 2019-04-04 | 2019-07-23 | 安徽中交汇能网络科技有限公司 | 道路拥堵的提示方法、装置、***及道路监测装置 |
| CN110047305B (zh) * | 2019-04-04 | 2021-07-06 | 安徽中交汇能网络科技有限公司 | 道路拥堵的提示方法、装置、***及道路监测装置 |
| CN110363991A (zh) * | 2019-07-16 | 2019-10-22 | 珠海市杰理科技股份有限公司 | 路况分析方法、装置、处理设备、路况分析***和车辆 |
| CN111640321A (zh) * | 2020-05-29 | 2020-09-08 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的拥堵缓解方法及相关设备 |
| CN111640321B (zh) * | 2020-05-29 | 2021-11-12 | 深圳市元征科技股份有限公司 | 一种基于边缘计算的拥堵缓解方法及相关设备 |
| CN113870548A (zh) * | 2020-06-30 | 2021-12-31 | 奥迪股份公司 | 交通管理装置及相应的方法、服务器、计算机设备和介质 |
| CN114241746A (zh) * | 2021-11-08 | 2022-03-25 | 广西北投交通养护科技集团有限公司 | 一种高速公路连环追尾事故安全预警装置及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11302031B2 (en) | System, apparatus and method for indoor positioning | |
| CN108399778A (zh) | 群体智能拥堵提示方法、***及计算机可读存储介质 | |
| JP6784854B2 (ja) | 復路遅延に基づいたユーザへの交通警告の提供 | |
| US11521371B2 (en) | Systems and methods for semantic map-based adaptive auto-exposure | |
| WO2021133789A1 (en) | Systems and methods for incident detection using inference models | |
| US10849543B2 (en) | Focus-based tagging of sensor data | |
| US11162806B2 (en) | Learning and predictive navigation system | |
| EP3037782A1 (en) | Method and apparatus for providing a steering reliability map based on driven curvatures and geometry curvature | |
| CN110239562A (zh) | 自动驾驶车辆的基于周围车辆行为的实时感知调整与驾驶调适 | |
| CN108475057A (zh) | 基于车辆周围的情境预测车辆的一个或多个轨迹的方法和*** | |
| US20210191394A1 (en) | Systems and methods for presenting curated autonomy-system information of a vehicle | |
| US10243867B2 (en) | Vehicle security system | |
| WO2022105395A1 (en) | Data processing method, apparatus, and system, computer device, and non-transitory storage medium | |
| JP2020535549A (ja) | 自律車両を乗車者にマッチングさせるためのシステムおよび方法 | |
| US10254123B2 (en) | Navigation system with vision augmentation mechanism and method of operation thereof | |
| CN111192341A (zh) | 生成高精地图的方法、装置、自动驾驶设备及存储介质 | |
| CN113205088B (zh) | 障碍物图像展示方法、电子设备和计算机可读介质 | |
| US20210382560A1 (en) | Methods and System for Determining a Command of an Occupant of a Vehicle | |
| US11186289B2 (en) | Concealment system for improved safe driving | |
| CN114882464B (zh) | 多任务模型训练方法、多任务处理方法、装置及车辆 | |
| US11874118B2 (en) | Crowdsourcing map maintenance | |
| KR20240047408A (ko) | 비전 기반 시스템을 위한 검출된 오브젝트 경로 예측 | |
| CN117130298A (zh) | 用于评估自动驾驶***的方法、装置及存储介质 | |
| EP3040682B1 (en) | Learning and predictive navigation system | |
| US20220194426A1 (en) | Method and apparatus for increasing passenger safety based on accident/road link correlation |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180814 |