CN108665699B - 一种预测车辆出现地点的方法及装置 - Google Patents

一种预测车辆出现地点的方法及装置 Download PDF

Info

Publication number
CN108665699B
CN108665699B CN201710200201.XA CN201710200201A CN108665699B CN 108665699 B CN108665699 B CN 108665699B CN 201710200201 A CN201710200201 A CN 201710200201A CN 108665699 B CN108665699 B CN 108665699B
Authority
CN
China
Prior art keywords
vehicle
road gate
target
passing
historical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710200201.XA
Other languages
English (en)
Other versions
CN108665699A (zh
Inventor
张兴凤
王辉
王龙
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201710200201.XA priority Critical patent/CN108665699B/zh
Priority to PCT/CN2018/081365 priority patent/WO2018177421A1/zh
Priority to EP18777437.7A priority patent/EP3605490A4/en
Priority to US16/499,429 priority patent/US20200027340A1/en
Publication of CN108665699A publication Critical patent/CN108665699A/zh
Application granted granted Critical
Publication of CN108665699B publication Critical patent/CN108665699B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3605—Destination input or retrieval
    • G01C21/3617—Destination input or retrieval using user history, behaviour, conditions or preferences, e.g. predicted or inferred from previous use or current movement
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供了一种预测车辆出现地点的方法及装置，方法包括：获取目标车辆的静态属性信息；根据当前道路卡口的过车记录信息确定与静态属性信息相对应的车辆集合；确定目标车辆从当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，确定各类车辆集合从当前道路卡口到各相邻道路卡口对应的第二类历史过车次数集合；进而确定目标车辆从当前道路卡口到各相邻道路卡口对应的过车概率集合；将过车概率集合中、最大过车概率对应的相邻道路卡口确定为目标道路卡口。应用本发明实施例能够将目标车辆的静态属性信息和历史过车次数结合起来，预测目标车辆经过当前道路卡口之后出现的目标道路卡口，提高预测目标道路卡口的准确率。

Description

一种预测车辆出现地点的方法及装置
技术领域
本发明涉及智能交通监控领域，特别是涉及一种预测车辆出现地点的方法及装置。
背景技术
随着我国社会经济的快速发展，机动车的数量也随之迅猛增加，这给机动车的管理工作带来了巨大挑战，比如查处***辆、查处遮挡车牌的车辆等。近年来，智能交通技术被认为是解决机动车管理的有效方法，并得到了快速发展。具体地，智能交通技术可以通过预测目标车辆的出现地点来跟踪目标车辆；在实际场景中，可以应用于跟踪可疑的***辆。
目前，可以根据道路卡口保存的过车记录信息，预测目标车辆在经过当前道路卡口后再次出现的道路卡口；其中，过车记录信息包括经过道路卡口的车辆对应的抓拍图像，也可以包括基于抓拍图像分析得到的车辆的至少一类静态属性信息及车辆动态信息，其中，静态属性信息的类型包括车牌归属地、车辆颜色和车辆品牌等等类型，其中，车辆动态信息包括车辆经过时刻、车辆经过速度等等。这样，就可以从当前道路卡口以及各相邻道路卡口保存的抓拍图像中识别目标车辆，进而获取目标车辆从当前道路卡口到各相邻道路卡口对应的历史过车次数；最后根据所述历史过车次数，预测目标车辆在经过当前道路卡口后再次出现的道路卡口。
但是，由于仅使用了所述历史过车次数这一个有关目标车辆的有效信息，有效信息数量较少，从而导致使用上述方法预测出的车辆再次出现的道路卡口不够准确。
发明内容
本发明实施例的目的在于提供一种预测车辆出现地点的方法及装置，能够结合车辆的静态属性信息，预测车辆经过当前道路卡口后再次出现的地点，以提高预测车辆出现地点的准确率。具体技术方案如下：
本发明实施例提出了一种预测车辆出现地点的方法，所述方法包括：获取待预测的目标车辆的至少一种目标静态属性信息；根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与所述至少一种目标静态属性信息相对应的至少一个车辆集合，其中，一种目标静态属性信息对应一个车辆集合；确定所述目标车辆从所述当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及确定各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合；根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；将所述过车概率集合中、最大过车概率对应的相邻道路卡口，确定为所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口。
优选的，所述根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合的步骤，包括：根据所述第一历史过车次数集合，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口分别对应的第一类历史过车概率集合；以及根据所述第二历史过车次数集合，计算各车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车概率集合；从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合。
优选的，所述从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合的步骤，包括：使用如下公式，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
Figure GDA0002350617240000021
其中，j＝1,2,3…为所述当前道路卡口对应的相邻道路卡口；i＝1,2,3…为所述至少一个车辆集合中的第i个车辆集合，I为所述车辆集合的个数；Pj为所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的过车概率；S0为所述第一类历史过车概率集合中、所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；Si为所述第二类历史过车概率集合中、所述第i个车辆集合从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；B0为所述目标车辆对应的预设目标车辆权重；Bi为所述第i个车辆集合对应的预设第i个权重。
优选的，所述确定所述各车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合的步骤，包括：对每一个车辆集合，按照如下方式计算从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合：确定车辆集合中各个车辆从所述当前道路卡口到所述各相邻道路卡口对应的历史过车次数；对各个车辆从所述当前道路卡口到所述同一相邻道路卡口对应的历史过车次数求平均，得到多个平均值，一个相邻道路卡口对应一个平均值；将多个平均值构成的集合，确定为所述车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合。
优选的，所述方法还包括：在所述预测所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口的步骤之后，根据所述当前道路卡口与所述目标道路卡口之间的预设距离，以及所述目标车辆通过所述当前道路卡口的历史经过速度，预测所述目标车辆从所述当前道路卡口到所述目标道路卡口所需的时长；将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述时长，确定所述目标车辆出现在所述目标道路卡口的预测时间，其中，从所述当前道路卡口的车辆记录信息中，获取所述目标车辆的所述经过时刻。
优选的，所述方法还包括：从所述当前道路卡口的过车记录信息中，获取所述目标车辆经过所述当前道路卡口的历史经过时刻；在所述目标道路卡口的过车记录信息中，确定所述当前道路卡口的历史经过时刻对应的、所述目标车辆经过所述目标道路卡口的历史经过时刻；确定所述当前道路卡口的历史经过时刻，与所述目标道路卡口的历史经过时刻之间的时间差；对所述时间差进行平均计算，将所述时间差的平均值确定为所述当前道路卡口与所述目标道路卡口之间的历史时长；将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述历史时长，生成所述目标车辆出现在所述目标道路卡口的预测时间。
优选的，所述方法还包括：在所述生成所述目标车辆出现在所述目标道路卡口的预测时间的步骤之后，判断所述预测时间是否为预设的目的时间；若为否，将所述目标道路卡口作为中间道路卡口放入所述目标车辆对应的轨迹集合，并将所述目标车辆对应的轨迹集合发送至所述目标道路卡口，其中，所述目标车辆对应的轨迹集合中记录有各个道路卡口作为当前道路卡口时所预测出的所述目标车辆再次出现的道路卡口；若为是，将所述目标道路卡口作为目的道路卡口放入所述目标车辆对应的轨迹集合，并按照所述目标车辆当前对应的轨迹集合中的各个道路卡口，生成所述目标车辆的预测行驶轨迹。
本发明实施例还提出了一种预测车辆出现地点的装置，所述装置包括：第一获取单元，用于获取待预测的目标车辆的至少一种目标静态属性信息；第一确定单元，用于根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与所述至少一种目标静态属性信息相对应的至少一个车辆集合，其中，一种目标静态属性信息对应一个车辆集合；第二确定单元，用于确定所述目标车辆从所述当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及确定各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合；第三确定单元，用于根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；第四确定单元，用于将所述过车概率集合中、最大过车概率对应的相邻道路卡口，确定为所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口。
优选的，所述第三确定单元，包括：第一计算子单元、第二计算子单元和第三计算子单元；所述第一计算子单元，用于根据所述第一历史过车次数集合，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口分别对应的第一类历史过车概率集合；以及所述第二计算子单元，用于根据所述第二历史过车次数集合，计算各车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车概率集合；所述第三计算子单元，用于从所述第一计算子单元得到的所述第一类历史过车概率集合和所述第二计算子单元得到的所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合。
优选的，所述第三计算子单元，具体用于使用如下公式，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
Figure GDA0002350617240000051
其中，j＝1,2,3…为所述当前道路卡口对应的相邻道路卡口；i＝1,2,3…为所述至少一个车辆集合中的第i个车辆集合，I为所述车辆集合的个数；Pj为所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的过车概率；S0为所述第一类历史过车概率集合中、所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；Si为所述第二类历史过车概率集合中、所述第i个车辆集合从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；B0为所述目标车辆对应的预设目标车辆权重；Bi为所述第i个车辆集合对应的预设第i个权重。
优选的，所述第二确定单元，包括：第一确定子单元、求平均子单元和第二确定子单元；对每一个车辆集合，使用如下子单元，计算从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合：所述第一确定子单元，用于确定车辆集合中各个车辆从所述当前道路卡口到所述各相邻道路卡口对应的历史过车次数；所述求平均子单元，用于对各个车辆从所述当前道路卡口到所述同一相邻道路卡口对应的历史过车次数求平均，得到多个平均值，一个相邻道路卡口对应一个平均值；所述第二确定子单元，用于将多个平均值构成的集合，确定为所述车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合。
优选的，所述装置还包括：预测单元，用于在执行所述第一预测单元之后，根据所述当前道路卡口与所述目标道路卡口之间的预设距离，以及所述目标车辆通过所述当前道路卡口的历史经过速度，预测所述目标车辆从所述当前道路卡口到所述目标道路卡口所需的时长；第五确定单元，用于将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述时长，确定所述目标车辆出现在所述目标道路卡口的预测时间，其中，从所述当前道路卡口的车辆记录信息中，获取所述目标车辆的所述经过时刻。
优选的，所述装置还包括：第二获取单元，用于从所述当前道路卡口的过车记录信息中，获取所述目标车辆经过所述当前道路卡口的历史经过时刻；第六确定单元，用于在所述目标道路卡口的过车记录信息中，确定所述当前道路卡口的历史经过时刻对应的、所述目标车辆经过所述目标道路卡口的历史经过时刻；确定所述当前道路卡口的历史经过时刻，与所述目标道路卡口的历史经过时刻之间的时间差；计算单元，用于对所述时间差进行平均计算，将所述时间差的平均值确定为所述当前道路卡口与所述目标道路卡口之间的历史时长；第一生成单元，用于将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述历史时长，生成所述目标车辆出现在所述目标道路卡口的预测时间。
优选的，所述装置还包括：判断单元，用于在执行所述第一生成单元之后，判断所述预测时间是否为预设的目的时间；发送单元，用于若所述判断单元的结果为否，将所述目标道路卡口作为中间道路卡口放入所述目标车辆对应的轨迹集合，并将所述目标车辆对应的轨迹集合发送至所述目标道路卡口，其中，所述目标车辆对应的轨迹集合中记录有各个道路卡口作为当前道路卡口时所预测出的所述目标车辆再次出现的道路卡口；第二生成单元，用于若所述判断单元的结果为是，将所述目标道路卡口作为目的道路卡口放入所述目标车辆对应的轨迹集合，并按照所述目标车辆当前对应的轨迹集合中的各个道路卡口，生成所述目标车辆的预测行驶轨迹。
本发明实施例提供的一种预测车辆出现地点的方法及装置，首先，获得待预测的目标车辆的至少一种目标静态属性信息；然后，根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与至少一种目标静态属性信息相对应的至少一个车辆集合，其中，一种目标静态属性信息对应一个车辆集合；接下来，确定目标车辆从当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及确定各车辆集合从当前道路卡口到各相邻道路卡口分别对应的第二类历史过车次数集合；根据第一类历史过车次数集合和第二类历史过车次数集合，确定目标车辆从当前道路卡口到各相邻道路卡口对应的过车概率集合；最后，将过车概率集合中、最大过车概率对应的相邻道路卡口，确定为目标车辆在经过当前道路卡口之后出现的目标道路卡口。
这样，能够将目标车辆的静态属性信息和历史过车次数结合起来，预测目标车辆经过当前道路卡口之后出现的目标道路卡口，以提高预测目标车辆出现的目标道路卡口的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的预测车辆出现地点的方法的一种流程图；
图2为图1所示实施例中，步骤104的一种具体流程图；
图3为本发明实施例中，预测目标车辆出现在目标道路卡口的时间的一种流程图；
图4为本发明实施例中，预测目标车辆出现在目标道路卡口的时间的又一种流程图；
图5为本发明实施例中，预测目标车辆行驶轨迹的一种流程图；
图6为本发明实施例的目标车辆的行驶轨迹的一种示意图；
图7为本发明实施例的预测车辆出现地点的装置的一种结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明实施例公开了一种预测车辆出现地点的方法。
需要强调的是，实现一种预测车辆出现地点的方法的功能软件可以运行于任一道路卡口的摄像头中，也可以运行于任一道路卡口的与摄像头相关联的控制设备中，该控制设备是道路卡口的核心设备，主要用于对道路卡口的各类数据的处理、与其他道路卡口进行数据交互，等等。
参见图1，图1为本发明实施例的预测车辆出现地点的方法报文检测方法的一种流程图，该方法包括如下步骤：
步骤101，获得待预测的目标车辆的至少一种目标静态属性信息；
在实际应用中，道路卡口的过车记录信息可以包括经过道路卡口的车辆对应的抓拍图像和车辆动态信息、以及通过解析抓拍图像得到的车辆静态属性信息，其中，车辆动态信息可以包括车辆经过时刻、车辆经过速度等。
在本步骤中，目标静态属性信息具体可以包括目标车辆的车牌归属地、目标车辆的车身颜色和目标车辆的车辆品牌中的至少一种，当然并不局限于此。
具体地，车牌归属地可以是车牌号码所属的省份，比如北京、上海、浙江省杭州市等；车身颜色可以是车身的颜色，比如白色、红色、黑色等；车辆品牌可以是车辆生产厂家的品牌，比如大众、福特、宝马等。
比如，目标车辆京的目标静态属性信息可以包括：上海、白色和大众。
当然，也可以根据实际需求，更改目标静态属性信息的具体内容，比如，车辆的车身长度，车辆是否配置天窗等，本发明对目标静态属性信息的具体内容不加以限制。
需要说明的是，可以在当前道路卡口安装的摄像头拍摄到目标车辆对应的抓拍图像时触发执行步骤101，也可以在将目标车辆的目标静态属性信息及在当前道路卡口的车辆的动态信息输入到当前道路卡口的过车记录信息、或者车辆信息库中时，触发执行步骤101，当然并不局限于此。
步骤102，根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与所述至少一种目标静态属性信息相对应的至少一个车辆集合；
其中，一种目标静态属性信息对应一个车辆集合。
在本步骤中，可以根据目标车辆的目标静态属性信息，在当前道路卡口的过车记录信息中，确定与目标静态属性信息对应的车辆集合。
比如，当目标车辆的目标静态属性信息包括目标车辆归属地“上海”、目标车身颜色“白色”和目标车辆品牌“大众”时，在当前道路卡口的过车记录信息中，将车辆归属地同为“上海”的多台车辆作为一个车辆集合，将车身颜色同为“白色”的多台车辆作为一个车辆集合，将车辆品牌同为“大众”的多台车辆作为一个车辆集合；可见，最终得到的、与目标静态属性信息对应的车辆集合具体包括三个车辆集合，可以理解的，一种目标静态属性信息只对应一个车辆集合。
为了使车辆集合更加贴近目标车辆，缩小车辆集合的范围，可以根据目标车辆经过当前道路卡口的目标经过时刻，确定一个相似的历史时间段，选取所述历史时间段内的车辆集合、作为预测目标车辆在经过所述当前道路卡口之后出现的目标道路卡口的依据。
通常，所述历史时间段的范围可以是目标经过时刻所在年份的前一年中、目标经过时刻的前后48小时为所述历史时间段；比如，目标车辆的目标经过时刻为2017年1月3日15:00，对应的历史时间段可以是2016年1月1日14:59至2016年1月5日14:59；那么，可以从当前道路卡口的过车信息记录中获取2016年1月1日14:59至2016年1月5日14:59这一时间段内的过车信息记录，根据所述时间段内的过车信息记录确定目标静态属性信息对应的车辆集合。
当然，也可以根据实际需求确定历史时间段的具体确定方法，本发明对确定历史时间段的具体方法不加以限制。
步骤103，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的第一类历史过车次数集合，以及确定各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合；
在本步骤中，由于道路卡口的过车记录信息中包括经过道路卡口的车辆对应的抓拍图像和车辆动态信息、以及通过解析抓拍图像得到的车辆静态属性信息，其中，车辆静态属性信息还可以包括车辆的车牌号；因此，可以根据当前道路卡口的过车记录信息，以及各相邻道路卡口的过车记录信息，获取目标车辆从当前道路卡口到各相邻道路卡口对应的第一类历史过车次数，以及获取由步骤102得到的至少一个车辆集合从当前道路卡口到各相邻道路卡口对应的第二类历史过车次数。
可选地，在一种具体实现方式中，所述确定各车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合的步骤，具体可以包括：
对每一个车辆集合，按照如下方式计算从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合：
确定车辆集合中各个车辆从所述当前道路卡口到所述各相邻道路卡口对应的历史过车次数；
对各个车辆从所述当前道路卡口到所述同一相邻道路卡口对应的历史过车次数求平均，得到多个平均值，一个相邻道路卡口对应一个平均值；
将多个平均值构成的集合，确定为所述车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合。
需要说明的是，由于一个车辆集合中包括多个车辆，因此，需要先计算一个车辆集合中的每个车辆从当前道路卡口到同一相邻道路卡口对应的历史过车次数；然后，得到所述一个车辆集合中所有车辆从当前道路卡口对同一相邻道路卡口对应的历史过车次数的平均值，可以理解的，对于一个车辆集合来说，一个相邻道路卡口对应一个历史过车次数的平均值；最后，将各相邻道路卡口对应的历史过车次数的平均值构成的集合，作为所述一个车辆集合从当前道路卡口到各相邻道路卡口对应的第二类历史过车次数集合。可以理解的，按照同样的方法就可以计算出所有车辆集合从当前道路卡口到各相邻道路卡口对应的第二类历史过车次数集合。
为了方便理解，下面对第二类历史过车次数集合进行举例说明：
当前道路卡口在2017年1月19日上午9点获取到目标车辆的抓拍图像，解析目标车辆的抓拍图像，可知目标车辆的车牌号为沪A88888，车辆颜色为白色，车辆品牌为大众，同时，当前道路卡口临近的道路卡口为相邻道路卡口A和相邻道路卡口B；根据车辆信息库中2016年1月17日上午9点到2016年1月21日上午8点59分这一历史时间段内的车辆信息，可得到目标车辆对应的车辆归属地同为“上海”的第一车辆集合包括2个车辆，目标车辆对应的车辆品牌同为“大众”的第二车辆集合包括3个车辆，目标车辆对应的车身颜色同为“白色”的第三车辆集合包括4个车辆；
其中，第一车辆集合中的2个车辆从当前道路卡口到相邻道路卡口A的历史过车次数分别为5和7，以及从当前道路卡口到相邻道路卡口B的历史过车次数分别为3和5，那么，对于相邻道路卡口A，第一车辆集合对应的第二类历史过车次数的平均值为
Figure GDA0002350617240000111
对于相邻道路卡口B，第一车辆集合对应的第二类历史过车次数的平均值为
Figure GDA0002350617240000112
那么，第一车辆集合对应的第二类历史过车次数集合为{6,4}；
同理，第二车辆集合中的3个车辆从当前道路卡口到相邻道路卡口A的历史过车次数分别为1、2和3，以及从当前道路卡口到相邻道路卡口B的历史过车次数分别为4、5和6，那么，对于相邻道路卡口A，第二车辆集合对应的第二类历史过车次数的平均值为
Figure GDA0002350617240000113
对于相邻道路卡口B，第二车辆集合对应的第二类历史过车次数的平均值为
Figure GDA0002350617240000114
那么，第二车辆集合对应的第二类历史过车次数集合为{2,5}；
第三车辆集合中的4个车辆从当前道路卡口到相邻道路卡口A的历史过车次数分别为6、7、9和10，以及从当前道路卡口到相邻道路卡口B的历史过车次数分别为5、6、7和8，那么，对于相邻道路卡口A，第三车辆集合对应的第二类历史过车次数的平均值为
Figure GDA0002350617240000115
对于相邻道路卡口B，第三车辆集合对应的第二类历史过车次数的平均值为
Figure GDA0002350617240000116
那么，第二车辆集合对应的第二类历史过车次数集合为{8,6}。
这样，就能够根据目标车辆的静态属性信息和历史过车次数，得到目标车辆对应的第一类历史过车次数集合和第二类历史过车次数集合。
步骤104，根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
在本步骤中，可以根据目标车辆对应的第一类历史过车次数集合和第二类历史过车次数集合，确定目标车辆从当前道路卡口到各相邻道路卡口对应的过车概率集合，其中，目标道路卡口为各相邻道路卡口中的一个。
可选地，在一种具体实现方式中，参见图2，图2为图1所示实施例中，步骤104的一种具体流程图，步骤104具体可以包括：
子步骤11，根据所述第一历史过车次数集合，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口分别对应的第一类历史过车概率集合；以及
子步骤12，根据所述第二历史过车次数集合，计算各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车概率集合；
为了方便理解，在步骤103所述例子的基础上，对于第一历史过车概率集合和第二历史过车概率集合的计算过程进行说明：
根据车辆信息库中2016年1月17日上午9点到2016年1月21日上午8点59分这一历史时间段内的车辆信息，目标车辆从当前道路卡口到相邻道路卡口A的历史过车次数分别为3，从当前道路卡口到相邻道路卡口B的历史过车次数分别为5，可知，目标车辆对应的第一类历史过车次数集合为{3,5}；进而，可计算得到目标车辆从当前道路卡口到相邻道路卡口A的历史过车概率为
Figure GDA0002350617240000121
目标车辆从当前道路卡口到相邻道路卡口B的历史过车概率为
Figure GDA0002350617240000122
同理，已知目标车辆对应的车辆归属地同为“上海”的第一车辆集合对应的第二类历史过车次数集合为{6,4}；进而，可计算得到第一车辆集合从当前道路卡口到相邻道路卡口A的历史过车概率为
Figure GDA0002350617240000123
第一车辆集合从当前道路卡口到相邻道路卡口B的历史过车概率为
Figure GDA0002350617240000124
已知目标车辆对应的车辆品牌同为“大众”的第二车辆集合对应的第二类历史过车次数集合为{2,5}；进而，可计算得到第二车辆集合从当前道路卡口到相邻道路卡口A的历史过车概率为
Figure GDA0002350617240000131
第二车辆集合从当前道路卡口到相邻道路卡口B的历史过车概率为
Figure GDA0002350617240000132
已知目标车辆对应的车身颜色同为“白色”的第三车辆集合对应的第二类历史过车次数集合为{8,6}；进而，可计算得到第三车辆集合从当前道路卡口到相邻道路卡口A的历史过车概率为
Figure GDA0002350617240000133
第三车辆集合从当前道路卡口到相邻道路卡口B的历史过车概率为
Figure GDA0002350617240000134
可知，目标车辆从当前道路卡口到各相邻道路卡口分别对应的第一类历史过车概率集合为{37.5％，62.5％}；各车辆集合从当前道路卡口到各相邻道路卡口分别对应的第二类历史过车概率集合为{{60％，40％}，{28.6％，71.4％}，{57.1％，42.9％}}。
子步骤13，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合。
在本步骤中，能够根据目标车辆对应的第一类历史过车概率集合和第二类历史过车概率集合，预测目标车辆从当前道路卡口到所述各相邻道路卡口对应的过车概率。
可选的，在本发明的一种具体实现方式中，子步骤13具体可以包括：
使用如下公式，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
Figure GDA0002350617240000141
在公式(1)中，j＝1,2,3…为所述当前道路卡口对应的相邻道路卡口；i＝1,2,3…为所述至少一个车辆集合中的第i个车辆集合，I为所述车辆集合的个数；Pj为所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的过车概率；S0为所述第一类历史过车概率集合中、所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；Si为所述第二类历史过车概率集合中、所述第i个车辆集合从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；B0为所述目标车辆对应的预设目标车辆权重；Bi为所述第i个车辆集合对应的预设第i个权重。
其中，目标车辆权重B0和车辆集合的权重Bi的具体数值均可以根据实际情况进行设置，本发明对权重的的具体数值不加以限制。
为了方便理解，在子步骤12所述例子的基础上，对于目标车辆从当前道路卡口到各相邻道路卡口对应的过车概率集合的计算过程进行说明：
已知对于相邻道路卡口A，目标车辆从当前道路卡口到相邻道路卡口A的历史过车概率为37.5％，第一车辆集合从当前道路卡口到相邻道路卡口A的历史过车概率为60％，第二车辆集合从当前道路卡口到相邻道路卡口A的历史过车概率为28.6％，第三车辆集合从当前道路卡口到相邻道路卡口A的历史过车概率为57.1％；
已知对于相邻道路卡口B，目标车辆从当前道路卡口到相邻道路卡口B的历史过车概率为62.5％，第一车辆集合从当前道路卡口到相邻道路卡口B的历史过车概率为40％，第二车辆集合从当前道路卡口到相邻道路卡口B的历史过车概率为71.4％，第三车辆集合从当前道路卡口到相邻道路卡口B的历史过车概率为42.9％。
同时，预设的目标车辆权重为4，预设的针对第一车辆集合的第一权重为2，预设的针对第二车辆集合的第二权重为2，预设的针对第三车辆集合的第三权重为1；那么，根据公式(1)，可以预测出目标车辆从当前道路卡口到相邻道路卡口A对应的过车概率P1：
Figure GDA0002350617240000151
目标车辆从当前道路卡口到相邻道路卡口B对应的过车概率P2：
Figure GDA0002350617240000152
这样，计算出目标车辆对于每个相邻道路卡口的过车概率。
在图1中，步骤105，将所述过车概率集合中、最大过车概率对应的相邻道路卡口，确定为所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口。
在本步骤中，可以将目标车辆对应各相邻道路卡口的过车概率中的最大过车概率，作为目标车辆经过当前道路卡口之后出现的目标道路卡口。
为了方便理解，在子步骤13所述例子的基础上，对于确定目标车辆经过当前道路卡口之后出现的目标道路卡口的过程进行说明：
已知目标车辆从当前道路卡口到相邻道路卡口A对应的过车概率P1为42.7％，从当前道路卡口到相邻道路卡口B对应的过车概率P2为57.3％，可以确定过车概率P2为最大过车概率，进而可以将相邻道路卡口B作为目标车辆经过当前道路卡口之后出现的目标道路卡口。
可见，本发明实施例能够将目标车辆的静态属性信息和动态信息结合起来，预测目标车辆经过当前道路卡口之后出现的目标道路卡口，以提高预测目标车辆出现的目标道路卡口的准确率。
此外，在预测出目标车辆再次出现的目标道路卡口后，还可以确定所述目标车辆出现在所述目标道路卡口的预测时间，以提高预测的全面性。因此，本发明实施例所提供的另一种预测车辆出现地点的方法，除包含图1所示实施例的步骤之外，还可以包括：
步骤301，在所述预测所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口的步骤之后，根据所述当前道路卡口与所述目标道路卡口之间的预设距离，以及所述目标车辆通过所述当前道路卡口的历史经过速度，预测所述目标车辆从所述当前道路卡口到所述目标道路卡口所需的时长；
其中，目标车辆的目标道路卡口是已确定的，可以根据城市交通地图，确定从当前道路卡口到目标道路卡口之间的距离，以及从当前道路卡口的过车记录信息中，获取目标车辆通过所述当前道路卡口的历史车辆速度；进而，可以根据将所述路程除以所述历史车辆速度，得到目标车辆从当前道路卡口到目标道路卡口的预测所需时长。
比如，根据城市交通地图获得当前道路卡口与目标道路卡口之间的距离为5千米；从当前道路卡口的过车记录信息中可以获取目标车辆经过当前道路卡口的历史车辆速度是50千米/时；进而，可以预测目标车辆从当前道路卡口到目标道路卡口的所需时长为0.1小时。
步骤302，将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述时长，确定所述目标车辆出现在所述目标道路卡口的预测时间。
其中，从当前道路卡口的车辆记录信息中、获取目标车辆经过当前道路卡口的经过时刻。
在本步骤中，可以将目标车辆通过当前道路卡口的经过时刻，加上预测出的、目标车辆从当前道路卡口到目标道路卡口所需的时长，可以确定目标车辆出现在所述目标道路卡口的预测时间。
比如，已知预测出的、目标车辆从当前道路卡口到目标道路卡口的所需时长为0.1小时，可以从当前道路卡口的车辆记录信息中获取目标车辆经过当前道路卡口的经过时刻为2017年1月19日上午10点，那么，可得目标车辆出现在目标道路卡口的预测时间为2017年1月19日上午10点6分。
此外，在预测出目标车辆再次出现的目标道路卡口后，还可以确定所述目标车辆出现在所述目标道路卡口的预测时间，以提高预测的全面性。因此，本发明实施例所提供的另一种预测车辆出现地点的方法，除包含图1所示实施例的步骤之外，还可以包括：
步骤401，从所述当前道路卡口的过车记录信息中，获取所述目标车辆经过所述当前道路卡口的历史经过时刻；
需要说明的是，在当前道路卡口的过车记录信息中，保存有目标车辆经过当前道路卡口的至少一个历史经过时刻。
步骤402，在所述目标道路卡口的过车记录信息中，确定所述当前道路卡口的历史经过时刻对应的、所述目标车辆经过所述目标道路卡口的历史经过时刻；确定所述当前道路卡口的历史经过时刻，与所述目标道路卡口的历史经过时刻之间的时间差；
在本步骤中，可以确定与每一个当前道路卡口的历史经过时刻对应的、目标车辆经过目标道路卡口的历史经过时刻；以及确定当前道路卡口的历史经过时刻、与目标道路卡口的历史经过时刻之间的时间差。
比如，所述目标车辆经过所述当前道路卡口的历史经过时刻分别为2015年1月19日上午10点、2016年12月1日下午5点和2017年1月19日上午10点；进而可以确定目标车辆对应经过目标道路卡口的历史经过时刻为2015年1月19日上午11点、2016年12月1日下午4点40分和017年1月19日上午10点10分；
接下来，可以确定当前道路卡口的历史经过时刻，与目标道路卡口的历史经过时刻之间的时间差分别为60分钟，40分钟和70分钟。
步骤403，对所述时间差进行平均计算，将所述时间差的平均值确定为所述当前道路卡口与所述目标道路卡口之间的历史时长；
比如，在步骤403中所述的例子基础上，可以确定当前道路卡口与目标道路卡口之间的历史时长为
Figure GDA0002350617240000171
步骤404，将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述历史时长，生成所述目标车辆出现在所述目标道路卡口的预测时间。
比如，已知从当前道路卡口的车辆记录信息中获取目标车辆经过当前道路卡口的经过时刻为2017年1月19日下午1点，可以生成目标车辆出现在目标道路卡口的预测时间为2017年1月19日下午1点57分。
可见，本发明实施例能够在已确定目标车辆的目标道路卡口的前提下，根据当前道路卡口的车辆记录信息，预测出目标车辆出现在目标道路卡口的时间。
此外，在预测出目标车辆出现在所述目标道路卡口的预测时间后，还可以预测目标车辆的行驶轨迹，以提高预测的全面性。因此，本发明实施例所提供的另一种预测车辆出现地点的方法中，在所述得到所述目标车辆出现在所述目标道路卡口的预测时间的步骤之后，还可以包括：
步骤501，判断所述预测时间是否为预设的目的时间，若为否，执行步骤502，若为是，执行步骤503；
在实际应用中，可以先根据实际需求，为目标车辆确定一个目的时间，以预测出目标车辆在目的时间之前的行驶轨迹。
步骤502，若所述预测时间不为预设的目的时间，将所述目标道路卡口作为中间道路卡口放入所述目标车辆对应的轨迹集合，并将所述目标车辆对应的轨迹集合发送至所述目标道路卡口；
其中，所述目标车辆对应的轨迹集合中记录有各个道路卡口作为当前道路卡口时所预测出的所述目标车辆再次出现的道路卡口。
在本步骤中，已知目标车辆在经过当前道路卡口之后出现在目标道路卡口的预测时间；如果预测时间不是预设的目标时间，则可以将目标道路卡口放入目标车辆的轨迹集合，并将所述轨迹集合保存在当前道路卡口的车辆记录信息中。
可见，在预测时间达到目的时间之前，可以重复执行步骤502，这样，轨迹集合中保存了在达到目的时间之前，目标车辆对应的所有预测目标道路卡口。
步骤503，若所述预测时间为预设的目的时间，将所述目标道路卡口作为目的道路卡口放入所述目标车辆对应的轨迹集合，并按照所述目标车辆当前对应的轨迹集合中的各个道路卡口，生成所述目标车辆的预测行驶轨迹。
在本步骤中，如果目标车辆出现在目标道路卡口的预测时间是预设的目的时间，则可以将目标道路卡口作为目的道路卡口，放入目标车辆的轨迹集合中，这样，可以按照目标车辆的轨迹集合中的各个道路卡口，预测目标车辆的行驶轨迹。
这样，就能够根据达到目的时间之前、目标车辆对应的、预测出的所有目标道路卡口，生成目标车辆对应的预测行驶轨迹。
下面结合具体实施例，对本发明实施例所提供的预测车辆出现地点的方法进行介绍：
第一步：根据目标车辆的抓拍图像，获取目标静态属性信息，并预设历史时间段；
具体地，位于道路卡口2的摄像头拍摄到的车牌号码为“浙D21J19”的目标车辆抓拍图像，解析目标车辆抓拍图像，获得目标车辆浙D21J19的目标静态属性信息：车牌归属地为“浙江”，车身颜色为“红色”，车身长度为“小轿车”，车辆品牌为“宝马MINI”；拍摄时间为“2016-02-10 16:25:49”，根据拍摄时间，预设历史时间段为[2015-02-08 16:25:49，2015-02-12 16:25:49]。
第二步：获取预设历史时间段内，目标静态属性信息分别对应的各类车辆集合；
具体地，在道路卡口A的车辆记录信息中，获取[2015-02-08 16:25:49，2015-02-12 16:25:49]时间段内的车辆信息；从所述时间段内的车辆信息中，获取与目标静态属性信息对应的车辆集合，将车牌归属地同为“浙江”的车辆放入车辆集合S1，将车身颜色同为“红色”的车辆放入车辆集合S2，将车身长度同为“小轿车”的车辆放入车辆集合S3，将车辆品牌同为“宝马MINI”的车辆放入车辆集合S4；
第三步：确定目标车辆从当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及各类车辆集合从当前道路卡口到各相邻道路卡口对应的第二类历史过车次数集合；
具体地，已知道路卡口2的相邻道路卡口为道路卡口4、道路卡口8和道路卡口5；
确定目标车辆浙D21J19从道路卡口2到道路卡口4的历史过车次数为15，记为(浙D21J19，2→4：15)；
确定目标车辆浙D21J19从道路卡口2到道路卡口8的历史过车次数为6，记为(浙D21J19，2→8：6)；
确定目标车辆浙D21J19从道路卡口2到道路卡口5的历史过车次数为3，记为(浙D21J19，2→5：3)；
将车辆集合S1中各车辆从道路卡口2到道路卡口4的历史过车次数的平均值10，作为车辆集合S1从道路卡口2到道路卡口4的历史过车次数，记为(S1，2→4：10)；
将车辆集合S1中各车辆从道路卡口2到道路卡口8的历史过车次数的平均值8，作为车辆集合S1从道路卡口2到道路卡口8的历史过车次数，记为(S1，2→8：8)；
将车辆集合S1中各车辆从道路卡口2到道路卡口5的历史过车次数的平均值10，作为车辆集合S1从道路卡口2到道路卡口5的历史过车次数，记为(S1，2→5：10)；
将车辆集合S2中各车辆从道路卡口2到道路卡口4的历史过车次数的平均值7，作为车辆集合S2从道路卡口2到道路卡口4的历史过车次数，记为(S2，2→4：7)；
将车辆集合S2中各车辆从道路卡口2到道路卡口8的历史过车次数的平均值9，作为车辆集合S2从道路卡口2到道路卡口8的历史过车次数，记为(S2，2→8：9)；
将车辆集合S2中各车辆从道路卡口2到道路卡口5的历史过车次数的平均值8，作为车辆集合S2从道路卡口2到道路卡口5的历史过车次数，记为(S2，2→5：8)；
将车辆集合S3中各车辆从道路卡口2到道路卡口4的历史过车次数的平均值14，作为车辆集合S3从道路卡口2到道路卡口4的历史过车次数，记为(S3，2→4：14)；
将车辆集合S3中各车辆从道路卡口2到道路卡口8的历史过车次数的平均值9，作为车辆集合S3从道路卡口2到道路卡口5的历史过车次数，记为(S3，2→8：9)；
将车辆集合S3中各车辆从道路卡口2到道路卡口5的历史过车次数的平均值13，作为车辆集合S3从道路卡口2到道路卡口5历史过车次数，记为(S3，2→5：13)；
将车辆集合S4中各车辆从道路卡口2到道路卡口4的历史过车次数的平均值5，作为车辆集合S4从道路卡口2到道路卡口4历史过车次数，记为(S4，2→4：5)；
将车辆集合S4中各车辆从道路卡口2到道路卡口8的历史过车次数的平均值5，作为车辆集合S2从道路卡口2到道路卡口8历史过车次数，记为(S4，2→8：5)；
将车辆集合S4中各车辆从道路卡口2到道路卡口5的历史过车次数的平均值6，作为车辆集合S2从道路卡口2到道路卡口5历史过车次数，记为(S4，2→5：6)；
第四步：计算目标车辆从当前道路卡口到各相邻道路卡口分别对应的第一类历史过车概率，以及各类车辆集合从当前道路卡口到各相邻道路卡口分别对应的第二类历史过车概率；
具体地，目标车辆浙D21J19从道路卡口2到道路卡口4的第一类过车概率为62.50％，记为(浙D21J19，P(4|2)：62.50％)；
目标车辆浙D21J19从道路卡口2到道路卡口8的第一类过车概率为25％，记为(浙D21J19，P(8|2)：25％)；
目标车辆浙D21J19从道路卡口2到道路卡口5的第一类过车概率为12.50％，记为(浙D21J19，P(5|2)：12.50％)；
车辆集合S1从道路卡口2到道路卡口4的第二类过车概率为35.71％，记为(S1，P(4|2)：35.71％)；
车辆集合S1从道路卡口2到道路卡口8的第二类过车概率为28.57％，记为(S1，P(8|2)：28.57％)；
车辆集合S1从道路卡口2到道路卡口5的第二类过车概率为35.72％，记为(S1，P(5|2)：35.72％)；
车辆集合S2从道路卡口2到道路卡口4的第二类过车概率为29.17％，记为(S2，P(4|2)：29.17％)；
车辆集合S2从道路卡口2到道路卡口8的第二类过车概率为37.50％，记为(S2，P(8|2)：37.50％)；
车辆集合S2从道路卡口2到道路卡口5的第二类过车概率为33.33％，记为(S2，P(5|2)：33.33％)；
车辆集合S3从道路卡口2到道路卡口4的第二类过车概率为38.89％，记为(S3，P(4|2)：38.89％)；
车辆集合S3从道路卡口2到道路卡口8的第二类过车概率为25％，记为(S3，P(8|2)：25.00％)；
车辆集合S3从道路卡口2到道路卡口5的第二类过车概率为36.11％，记为(S3，P(5|2)：36.11％)；
车辆集合S4从道路卡口2到道路卡口4的第二类过车概率为31.25％，记为(S4，P(4|2)：31.25％)；
车辆集合S4从道路卡口2到道路卡口8的第二类过车概率为31.25％，记为(S4，P(8|2)：31.25％)；
车辆集合S4从道路卡口2到道路卡口5的第二类过车概率为37.50％，记为(S4，P(5|2)：37.50％)。
第五步：根据预设的加权值，预测目标车辆从当前道路卡口到各相邻道路卡口分别对应的过车概率；
具体地，预设的目标车辆权重为15、针对车辆集合S1的权重为10，针对车辆集合S2的权重为7，针对车辆集合S3的权重为14，针对车辆集合S4的权重为5：
目标车辆浙D21J19从道路卡口2到道路卡口4的过车概率为43.13％，记为(浙D21J19，
Figure GDA0002350617240000231
)；
目标车辆浙D21J19从道路卡口2到道路卡口8的过车概率为29.66％，记为(浙D21J19，
Figure GDA0002350617240000232
)；
目标车辆浙D21J19从道路卡口2到道路卡口5的过车概率为27.21％，记为(浙D21J19，
Figure GDA0002350617240000233
)。
第六步：将最大过车概率对应的相邻道路卡口，确定为目标车辆在经过当前道路卡口之后出现的目标道路卡口；
具体地，目标车辆浙D21J19在经过当前道路卡口之后出现的目标道路卡口为道路卡口4。
第七步，确定目标车辆出现在目标道路卡口的预测时间；
具体地，已知目标车辆经过道路卡口2的经过时刻为“2016-02-10 16:25:49”，目标车辆经过道路卡口2的车速为20千米/时，道路卡口2与道路卡口4之间的距离为2千米，可得目标车辆出现在道路卡口4的预测时间为“2016-02-1016:31:49”。
第八步，根据目标车辆的目的时间，预测目标车辆的行驶轨迹。
具体地，已知目的时间为“2016-02-10 16:51:00”。
如图6所示，图6为本发明实施例的目标车辆的行驶轨迹的一种示意图，在图6中，每个椭圆形均代表一个道路卡口，椭圆形中的标号为道路卡口的序号。
首先，按照同确定道路卡口4为目标道路卡口的方法，预测目标车辆经过道路卡口4后出现的目标道路卡口为道路卡口11，且目标车辆出现在道路卡口11的预测时间未达到目的时间；
接下来，预测目标车辆经过道路卡口11后出现的目标道路卡口为道路卡口21，且目标车辆出现在道路卡口21的预测时间达到了目的时间；
因此，可以将道路卡口21确定为目的道路卡口，并且可以根据道路卡口4、道路卡口11、道路卡口21来预测目标车辆的行驶轨迹，最终预测的目标车辆的行驶轨迹如图6中的加粗线条所示。
可见，本发明实施例能够从道路卡口的过车记录信息中获取目标车辆的静态属性信息和历史过车次数，进而根据目标车辆的静态属性信息和历史过车次数预测目标车辆的目标道路卡口、出现在目标道路卡口的时间和行驶轨迹。
本发明实施例又公开了一种预测车辆出现地点的装置。参见图7，图7为本发明实施例的预测车辆出现地点的装置的一种结构图，所述装置包括：
第一获取单元701，用于获取待预测的目标车辆的至少一种目标静态属性信息；
第一确定单元702，用于根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与所述至少一种目标静态属性信息相对应的至少一个车辆集合，其中，一种目标静态属性信息对应一个车辆集合；
第二确定单元703，用于确定所述目标车辆从所述当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及确定各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合；
第三确定单元704，用于根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
第四确定单元705，用于将所述过车概率集合中、最大过车概率对应的相邻道路卡口，确定为所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口。
可选地，所述第三确定单元704，包括：第一计算子单元、第二计算子单元和第三计算子单元；
所述第一计算子单元，用于根据所述第一历史过车次数集合，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口分别对应的第一类历史过车概率集合；以及
所述第二计算子单元，用于根据所述第二历史过车次数集合，计算各车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车概率集合；
所述第三计算子单元，用于从所述第一计算子单元得到的所述第一类历史过车概率集合和所述第二计算子单元得到的所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合。
可选地，所述第三计算子单元，具体用于使用如下公式，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
Figure GDA0002350617240000251
其中，j＝1,2,3…为所述当前道路卡口对应的相邻道路卡口；i＝1,2,3…为所述至少一个车辆集合中的第i个车辆集合，I为所述车辆集合的个数；Pj为所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的过车概率；S0为所述第一类历史过车概率集合中、所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；Si为所述第二类历史过车概率集合中、所述第i个车辆集合从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；B0为所述目标车辆对应的预设目标车辆权重；Bi为所述第i个车辆集合对应的预设第i个权重。
可选地，所述第二确定单元703，包括：第一确定子单元、求平均子单元和第二确定子单元；
对每一个车辆集合，使用如下子单元，计算从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合：
所述第一确定子单元，用于确定车辆集合中各个车辆从所述当前道路卡口到所述各相邻道路卡口对应的历史过车次数；
所述求平均子单元，用于对各个车辆从所述当前道路卡口到所述同一相邻道路卡口对应的历史过车次数求平均，得到多个平均值，一个相邻道路卡口对应一个平均值；
所述第二确定子单元，用于将多个平均值构成的集合，确定为所述车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合。
可选地，所述装置还包括：
预测单元，用于在执行所述第一预测单元704之后，根据所述当前道路卡口与所述目标道路卡口之间的预设距离，以及所述目标车辆通过所述当前道路卡口的历史经过速度，预测所述目标车辆从所述当前道路卡口到所述目标道路卡口所需的时长；
第五确定单元，用于将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述时长，确定所述目标车辆出现在所述目标道路卡口的预测时间，其中，从所述当前道路卡口的车辆记录信息中，获取所述目标车辆的所述经过时刻。
可选地，所述装置还包括：
第二获取单元，用于从所述当前道路卡口的过车记录信息中，获取所述目标车辆经过所述当前道路卡口的历史经过时刻；
第六确定单元，用于在所述目标道路卡口的过车记录信息中，确定所述当前道路卡口的历史经过时刻对应的、所述目标车辆经过所述目标道路卡口的历史经过时刻；确定所述当前道路卡口的历史经过时刻，与所述目标道路卡口的历史经过时刻之间的时间差；
计算单元，用于对所述时间差进行平均计算，将所述时间差的平均值确定为所述当前道路卡口与所述目标道路卡口之间的历史时长；
第一生成单元，用于将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述历史时长，生成所述目标车辆出现在所述目标道路卡口的预测时间。
可选地，所述装置还包括：
判断单元，用于在执行所述第一生成单元之后，判断所述预测时间是否为预设的目的时间；
发送单元，用于若所述判断单元的结果为否，将所述目标道路卡口作为中间道路卡口放入所述目标车辆对应的轨迹集合，并将所述目标车辆对应的轨迹集合发送至所述目标道路卡口，其中，所述目标车辆对应的轨迹集合中记录有各个道路卡口作为当前道路卡口时所预测出的所述目标车辆再次出现的道路卡口；
第二生成单元，用于若所述判断单元的结果为是，将所述目标道路卡口作为目的道路卡口放入所述目标车辆对应的轨迹集合，并按照所述目标车辆当前对应的轨迹集合中的各个道路卡口，生成所述目标车辆的预测行驶轨迹。
可见，本发明实施例能够将目标车辆的静态属性信息和历史过车次数结合起来，预测目标车辆经过当前道路卡口之后出现的目标道路卡口，以提高预测目标车辆出现的目标道路卡口的准确率。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (14)

1.一种预测车辆出现地点的方法，其特征在于，所述方法包括：
获取待预测的目标车辆的至少一种目标静态属性信息；
根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与所述至少一种目标静态属性信息相对应的至少一个车辆集合，其中，一种目标静态属性信息对应一个车辆集合；每一车辆集合中的车辆与所述目标车辆具有同一种静态属性信息；
确定所述目标车辆从所述当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及确定各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合；其中，所述第一类历史过车次数集合中的每一次数对应一个相邻道路卡口，且为所述目标车辆从所述当前道路卡口到所对应相邻道路卡口的历史过车次数；所述第二类历史过车次数集合中的每一次数对应一个相邻道路卡口，且为相应的车辆集合从所述当前道路卡口到所对应相邻道路卡口的历史过车次数；
根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；其中，所述过车概率集合中的每一概率对应一个相邻道路卡口，且为所述目标车辆从所述当前道路卡口到所对应相邻道路卡口对应的过车概率；
将所述过车概率集合中、最大过车概率对应的相邻道路卡口，确定为所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合的步骤，包括：
根据所述第一类历史过车次数集合，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口分别对应的第一类历史过车概率集合；以及
根据所述第二类历史过车次数集合，计算各车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车概率集合；
从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合。
3.根据权利要求2所述的方法，其特征在于，所述从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合的步骤，包括：
使用如下公式，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
Figure FDA0002368106060000021
其中，j＝1,2,3…为所述当前道路卡口对应的相邻道路卡口；i＝1,2,3…为所述至少一个车辆集合中的第i个车辆集合，I为所述车辆集合的个数；Pj为所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的过车概率；S0为所述第一类历史过车概率集合中、所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；Si为所述第二类历史过车概率集合中、所述第i个车辆集合从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；B0为所述目标车辆对应的预设目标车辆权重；Bi为所述第i个车辆集合对应的预设第i个权重。
4.根据权利要求1所述的方法，其特征在于，所述确定所述各车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合的步骤，包括：
对每一个车辆集合，按照如下方式计算从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合：
确定车辆集合中各个车辆从所述当前道路卡口到所述各相邻道路卡口对应的历史过车次数；
对各个车辆从所述当前道路卡口到所述同一相邻道路卡口对应的历史过车次数求平均，得到多个平均值，一个相邻道路卡口对应一个平均值；
将多个平均值构成的集合，确定为所述车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在确定出所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口的步骤之后，根据所述当前道路卡口与所述目标道路卡口之间的预设距离，以及所述目标车辆通过所述当前道路卡口的历史经过速度，预测所述目标车辆从所述当前道路卡口到所述目标道路卡口所需的时长；
将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述时长，确定所述目标车辆出现在所述目标道路卡口的预测时间，其中，从所述当前道路卡口的车辆记录信息中，获取所述目标车辆的所述经过时刻。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
从所述当前道路卡口的过车记录信息中，获取所述目标车辆经过所述当前道路卡口的历史经过时刻；
在所述目标道路卡口的过车记录信息中，确定所述当前道路卡口的历史经过时刻对应的、所述目标车辆经过所述目标道路卡口的历史经过时刻；确定所述当前道路卡口的历史经过时刻，与所述目标道路卡口的历史经过时刻之间的时间差；
对所述时间差进行平均计算，将所述时间差的平均值确定为所述当前道路卡口与所述目标道路卡口之间的历史时长；
将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述历史时长，生成所述目标车辆出现在所述目标道路卡口的预测时间。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
在所述生成所述目标车辆出现在所述目标道路卡口的预测时间的步骤之后，判断所述预测时间是否为预设的目的时间；
若为否，将所述目标道路卡口作为中间道路卡口放入所述目标车辆对应的轨迹集合，并将所述目标车辆对应的轨迹集合发送至所述目标道路卡口，其中，所述目标车辆对应的轨迹集合中记录有各个道路卡口作为当前道路卡口时所预测出的所述目标车辆再次出现的道路卡口；
若为是，将所述目标道路卡口作为目的道路卡口放入所述目标车辆对应的轨迹集合，并按照所述目标车辆当前对应的轨迹集合中的各个道路卡口，生成所述目标车辆的预测行驶轨迹。
8.一种预测车辆出现地点的装置，其特征在于，所述装置包括：
第一获取单元，用于获取待预测的目标车辆的至少一种目标静态属性信息；
第一确定单元，用于根据当前道路卡口的过车记录信息，确定在预设历史时间段内、与所述至少一种目标静态属性信息相对应的至少一个车辆集合，其中，一种目标静态属性信息对应一个车辆集合；每一车辆集合中的车辆与所述目标车辆具有同一种静态属性信息；
第二确定单元，用于确定所述目标车辆从所述当前道路卡口到各相邻道路卡口对应的第一类历史过车次数集合，以及确定各类车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车次数集合；其中，所述第一类历史过车次数集合中的每一次数对应一个相邻道路卡口，且为所述目标车辆从所述当前道路卡口到所对应相邻道路卡口的历史过车次数；所述第二类历史过车次数集合中的每一次数对应一个相邻道路卡口，且为相应的车辆集合从所述当前道路卡口到所对应相邻道路卡口的历史过车次数；
第三确定单元，用于根据所述第一类历史过车次数集合和所述第二类历史过车次数集合，确定所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；其中，所述过车概率集合中的每一概率对应一个相邻道路卡口，且为所述目标车辆从所述当前道路卡口到所对应相邻道路卡口对应的过车概率；
第四确定单元，用于将所述过车概率集合中、最大过车概率对应的相邻道路卡口，确定为所述目标车辆在经过所述当前道路卡口之后出现的目标道路卡口。
9.根据权利要求8所述的装置，其特征在于，所述第三确定单元，包括：第一计算子单元、第二计算子单元和第三计算子单元；
所述第一计算子单元，用于根据所述第一类历史过车次数集合，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口分别对应的第一类历史过车概率集合；以及
所述第二计算子单元，用于根据所述第二类历史过车次数集合，计算各车辆集合从所述当前道路卡口到所述各相邻道路卡口分别对应的第二类历史过车概率集合；
所述第三计算子单元，用于从所述第一计算子单元得到的所述第一类历史过车概率集合和所述第二计算子单元得到的所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合。
10.根据权利要求9所述的装置，其特征在于，
所述第三计算子单元，具体用于使用如下公式，从所述第一类历史过车概率集合和所述第二类历史过车概率集合中，计算所述目标车辆从所述当前道路卡口到所述各相邻道路卡口对应的过车概率集合；
Figure FDA0002368106060000051
其中，j＝1,2,3…为所述当前道路卡口对应的相邻道路卡口；i＝1,2,3…为所述至少一个车辆集合中的第i个车辆集合，I为所述车辆集合的个数；Pj为所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的过车概率；S0为所述第一类历史过车概率集合中、所述目标车辆从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；Si为所述第二类历史过车概率集合中、所述第i个车辆集合从所述当前道路卡口到相邻道路卡口j对应的历史过车概率；B0为所述目标车辆对应的预设目标车辆权重；Bi为所述第i个车辆集合对应的预设第i个权重。
11.根据权利要求8所述的装置，其特征在于，所述第二确定单元，包括：第一确定子单元、求平均子单元和第二确定子单元；
对每一个车辆集合，使用如下子单元，计算从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合：
所述第一确定子单元，用于确定车辆集合中各个车辆从所述当前道路卡口到所述各相邻道路卡口对应的历史过车次数；
所述求平均子单元，用于对各个车辆从所述当前道路卡口到所述同一相邻道路卡口对应的历史过车次数求平均，得到多个平均值，一个相邻道路卡口对应一个平均值；
所述第二确定子单元，用于将多个平均值构成的集合，确定为所述车辆集合从所述当前道路卡口到所述各相邻道路卡口对应的第二类历史过车次数集合。
12.根据权利要求8所述的装置，其特征在于，所述装置还包括：
预测单元，用于在执行所述第四确定单元之后，根据所述当前道路卡口与所述目标道路卡口之间的预设距离，以及所述目标车辆通过所述当前道路卡口的历史经过速度，预测所述目标车辆从所述当前道路卡口到所述目标道路卡口所需的时长；
第五确定单元，用于将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述时长，确定所述目标车辆出现在所述目标道路卡口的预测时间，其中，从所述当前道路卡口的车辆记录信息中，获取所述目标车辆的所述经过时刻。
13.根据权利要求8所述的装置，其特征在于，所述装置还包括：
第二获取单元，用于从所述当前道路卡口的过车记录信息中，获取所述目标车辆经过所述当前道路卡口的历史经过时刻；
第六确定单元，用于在所述目标道路卡口的过车记录信息中，确定所述当前道路卡口的历史经过时刻对应的、所述目标车辆经过所述目标道路卡口的历史经过时刻；确定所述当前道路卡口的历史经过时刻，与所述目标道路卡口的历史经过时刻之间的时间差；
计算单元，用于对所述时间差进行平均计算，将所述时间差的平均值确定为所述当前道路卡口与所述目标道路卡口之间的历史时长；
第一生成单元，用于将所述目标车辆通过所述当前道路卡口的经过时刻，加上所述历史时长，生成所述目标车辆出现在所述目标道路卡口的预测时间。
14.根据权利要求13所述的装置，其特征在于，所述装置还包括：
判断单元，用于在执行所述第一生成单元之后，判断所述预测时间是否为预设的目的时间；
发送单元，用于若所述判断单元的结果为否，将所述目标道路卡口作为中间道路卡口放入所述目标车辆对应的轨迹集合，并将所述目标车辆对应的轨迹集合发送至所述目标道路卡口，其中，所述目标车辆对应的轨迹集合中记录有各个道路卡口作为当前道路卡口时所预测出的所述目标车辆再次出现的道路卡口；
第二生成单元，用于若所述判断单元的结果为是，将所述目标道路卡口作为目的道路卡口放入所述目标车辆对应的轨迹集合，并按照所述目标车辆当前对应的轨迹集合中的各个道路卡口，生成所述目标车辆的预测行驶轨迹。
CN201710200201.XA 2017-03-30 2017-03-30 一种预测车辆出现地点的方法及装置 Active CN108665699B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201710200201.XA CN108665699B (zh) 2017-03-30 2017-03-30 一种预测车辆出现地点的方法及装置
PCT/CN2018/081365 WO2018177421A1 (zh) 2017-03-30 2018-03-30 一种预测车辆出现地点的方法及装置
EP18777437.7A EP3605490A4 (en) 2017-03-30 2018-03-30 METHOD AND DEVICE FOR PREDICTING AN EMERGENCY POINT OF A VEHICLE
US16/499,429 US20200027340A1 (en) 2017-03-30 2018-03-30 A method and apparatus for predicting a location where a vehicle appears

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710200201.XA CN108665699B (zh) 2017-03-30 2017-03-30 一种预测车辆出现地点的方法及装置

Publications (2)

Publication Number Publication Date
CN108665699A CN108665699A (zh) 2018-10-16
CN108665699B true CN108665699B (zh) 2020-04-03

Family

ID=63675258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710200201.XA Active CN108665699B (zh) 2017-03-30 2017-03-30 一种预测车辆出现地点的方法及装置

Country Status (4)

Country Link
US (1) US20200027340A1 (zh)
EP (1) EP3605490A4 (zh)
CN (1) CN108665699B (zh)
WO (1) WO2018177421A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111540202B (zh) * 2020-04-23 2021-07-30 杭州海康威视***技术有限公司 一种相似卡口确定方法、装置、电子设备及可读存储介质
CN111554094A (zh) * 2020-05-20 2020-08-18 四川万网鑫成信息科技有限公司 基于车辆行程、驾驶行为和交通信息的行程预测模型
CN115294776B (zh) * 2022-06-23 2024-04-12 北京北大千方科技有限公司 基于时间切片统计车辆通行量的方法、装置、设备及介质
CN115600866A (zh) * 2022-10-18 2023-01-13 南京莱斯信息技术股份有限公司（Cn） 一种针对特定车辆拦截的警员调度方法及终端
CN117634843B (zh) * 2023-12-15 2024-05-24 青岛交通科技信息有限公司 一种基于多源数据的交通运输数据共享管理***及方法
CN117609415A (zh) * 2024-01-23 2024-02-27 山东高速信息集团有限公司 一种高速公路车辆出口预测***及预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325245A (zh) * 2013-06-25 2013-09-25 中国科学院信息工程研究所 一种黑名单车辆的时空行驶轨迹预测方法
CN103366566A (zh) * 2013-06-25 2013-10-23 中国科学院信息工程研究所 一种针对特定车辆潜在群体的行驶轨迹预测方法
CN104134352A (zh) * 2014-08-15 2014-11-05 青岛比特信息技术有限公司 基于长短曝光结合的视频车辆特征检测***及其检测方法
CN105719489A (zh) * 2016-03-24 2016-06-29 银江股份有限公司 一种基于卡口车辆流向概率的***检测方法
CN106022296A (zh) * 2016-06-01 2016-10-12 银江股份有限公司 一种基于车辆热点区域的概率聚合的***检测方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007140745A (ja) * 2005-11-16 2007-06-07 Sumitomo Electric Ind Ltd 渋滞予測システム及び渋滞要因推定システム、並びに渋滞予測方法及び渋滞要因推定方法
JP2010107305A (ja) * 2008-10-29 2010-05-13 Aisin Aw Co Ltd 道路情報生成装置、道路情報生成方法および道路情報生成プログラム
US9566982B2 (en) * 2009-06-16 2017-02-14 Tomtom North America, Inc. Methods and systems for generating a horizon for use in an advanced driver assistance system (ADAS)
US8768616B2 (en) * 2012-01-09 2014-07-01 Ford Global Technologies, Llc Adaptive method for trip prediction
US9091561B1 (en) * 2013-10-28 2015-07-28 Toyota Jidosha Kabushiki Kaisha Navigation system for estimating routes for users
EP3114574A4 (en) * 2014-03-03 2018-03-07 Inrix, Inc. Traffic obstruction detection
US10175054B2 (en) * 2015-01-11 2019-01-08 Microsoft Technology Licensing, Llc Predicting and utilizing variability of travel times in mapping services

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103325245A (zh) * 2013-06-25 2013-09-25 中国科学院信息工程研究所 一种黑名单车辆的时空行驶轨迹预测方法
CN103366566A (zh) * 2013-06-25 2013-10-23 中国科学院信息工程研究所 一种针对特定车辆潜在群体的行驶轨迹预测方法
CN104134352A (zh) * 2014-08-15 2014-11-05 青岛比特信息技术有限公司 基于长短曝光结合的视频车辆特征检测***及其检测方法
CN105719489A (zh) * 2016-03-24 2016-06-29 银江股份有限公司 一种基于卡口车辆流向概率的***检测方法
CN106022296A (zh) * 2016-06-01 2016-10-12 银江股份有限公司 一种基于车辆热点区域的概率聚合的***检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卡口***的路段旅行时间预测及***原型设计;刘家东;《中国优秀硕士论文全文数据库》;20160229;全文 *

Also Published As

Publication number Publication date
CN108665699A (zh) 2018-10-16
WO2018177421A1 (zh) 2018-10-04
EP3605490A1 (en) 2020-02-05
US20200027340A1 (en) 2020-01-23
EP3605490A4 (en) 2020-04-01

Similar Documents

Publication Publication Date Title
CN108665699B (zh) 一种预测车辆出现地点的方法及装置
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
Zheng et al. From univariate to bivariate extreme value models: Approaches to integrate traffic conflict indicators for crash estimation
Sun et al. Lane‐changing behavior on urban streets: An “in‐vehicle” field experiment‐based study
CN108877213B (zh) 交通事故的识别方法及***
CN107645709B (zh) 一种确定人员信息的方法及装置
CN110599774B (zh) 基于区块链的交通违章处理方法及***
CN108734008B (zh) 基于停车记录对车辆匿名的移动轨迹数据去匿名的方法
Hu et al. Advancing usage‐based insurance–a contextual driving risk modelling and analysis approach
CN109711276B (zh) 一种套牌检测方法及装置
Liu et al. A comparative study of driving performance in metropolitan regions using large-scale vehicle trajectory data: Implications for sustainable cities
CN106227859A (zh) 从gps数据中识别交通工具的方法
CN114509081B (zh) 基于差异化收费计算车辆通行成本的方法以及装置
Harilakshmi et al. Intelligent vehicle counter-a road to sustainable development and pollution prevention (P2)
Jia et al. A microscopic model of vehicle co₂ emissions based on deep learning—A spatiotemporal analysis of taxicabs in Wuhan, China
CN111369810A (zh) 车辆出行特征获取方法、装置、电子设备及存储介质
Kumar et al. Effect of vehicle size on crash risk in a heterogeneous traffic scenario: a bivariate extreme value approach
Yu et al. Time headway distribution analysis of naturalistic road users based on aerial datasets
Hegde et al. Real-world driving features for identifying intelligent driver model parameters
Robinson et al. Overtaking rule method for the cleaning of matched license-plate data
CN115204755A (zh) 服务区入区率测算方法、装置、电子设备及可读存储介质
Yao et al. VSP‐based emission factor calibration and signal timing optimisation for arterial streets
CN116259173A (zh) 一种基于d-s证据理论的多检测方式交通事件融合方法
CN108268678A (zh) 驾驶行为分析方法、装置及***
Jomrich et al. Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant