CN109644144B - 无线网络优化 - Google Patents
无线网络优化 Download PDFInfo
- Publication number
- CN109644144B CN109644144B CN201780053068.8A CN201780053068A CN109644144B CN 109644144 B CN109644144 B CN 109644144B CN 201780053068 A CN201780053068 A CN 201780053068A CN 109644144 B CN109644144 B CN 109644144B
- Authority
- CN
- China
- Prior art keywords
- network
- data
- area
- geographic
- traffic
- 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
Links
- 238000005457 optimization Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 30
- 206010039203 Road traffic accident Diseases 0.000 claims abstract description 22
- 230000001413 cellular effect Effects 0.000 claims description 86
- 230000015654 memory Effects 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 13
- 230000001965 increasing effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 description 117
- 238000004891 communication Methods 0.000 description 26
- 230000009471 action Effects 0.000 description 15
- 230000005540 biological transmission Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000037406 food intake Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001747 exhibiting effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 240000008168 Ficus benjamina Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002311 subsequent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/12—Avoiding congestion; Recovering from congestion
- H04L47/127—Avoiding congestion; Recovering from congestion by using congestion prediction
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
-
- 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
- G08G1/0104—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
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
- Operations Research (AREA)
Abstract
提供了用于优化无线网络的方法和装置。接收交通事故的描述。根据描述生成影响区域。基于影响区域生成地理多边形。确定地理多边形的网络使用。可以向移动网络运营方传输包括地理多边形的网络使用的消息。
Description
技术领域
以下公开涉及运输***和运输相关的应用,并且更具体地涉及接收事件,确定影响区域和计算网络负载。
背景技术
随着连接设备的使用增加,旨在仅支持少数设备的无线网络现在支持更多连接设备。此外,连接设备可能正在运行带宽密集型应用,诸如流式视频。在设计无线网络时,移动网络运营方(MNO)可以使用所有设备的峰值带宽来为每个区域分配网络装置。如果峰值带宽由正常操作定义,则导致连接设备的意外拥塞的事故可能导致无线网络丢弃或忽略请求。如果峰值带宽基于特殊或隔离事故,则对于正常操作,高于平均使用的容量是可能未使用的浪费带宽。如果MNO可以提前标识事故并且采取先发制人的动作,则可以将峰值带宽定义为更接近正常操作,从而节省大量否则将部署的网络装置。
发明内容
在一个实施例中,提供了一种用于优化无线网络的方法。接收交通事故的描述。基于描述生成地理多边形。计算地理多边形的估计的网络使用。向移动网络运营方传输所估计的网络使用。
在一个实施例中,提供了一种用于优化无线网络的装置。该装置包括至少一个处理器和至少一个存储器。该装置被配置为接收事故的描述。该装置基于描述生成第一影响区域,并且基于第一影响区域生成第一地理多边形。该装置生成用于第一地理多边形的第一带宽水平。该装置基于描述生成第二时间段的第二影响区域。该装置生成第二地理多边形和第二带宽水平。向移动网络运营方传输第一带宽水平和第二带宽水平。
在一个实施例中,提供了一种用于优化无线网络的方法。接收事故的描述。确定影响区域。确定影响区域的网络数据拥塞水平。标识与网络数据水平拥塞水平相关联的一个或多个小区。向被预测为要穿过一个或多个小区的一个或多个设备传输消息。
附图说明
本文参考以下附图描述了本发明的示例性实施例。
图1A和1B示出了覆盖道路网络的无线网络的示例。
图2示出了用于优化无线网络的示例***。
图3示出了地理地区的示例地图。
图4示出了图2的示例地理数据库。
图5示出了图4的地理数据库的示例组件。
图6示出了用于优化无线网络的示例工作流程。
图7示出了示例道路事件的地图。
图8示出了用于图7的事件的示例地理多边形。
图9A、9B和9C示出了图8的地理多边形的演变。
图10示出了叠加在蜂窝网络地图上的地理多边形的示例。
图11示出了图2的示例位置云。
图12示出了用于优化无线网络的示例工作流程。
图13示出了示例蜂窝地图和示例事件。
图14A、14B和14C示出了示例网络使用图。
图15示出了图2的示例设备。
具体实施方式
提供了通过基于交通事件标识和预测网络使用来帮助设计和管理有效无线网络的实施例。可以基于与流过无线网络的连接设备相关的信息来管理无线网络。网络利用率要求可以基于包括连接设备的数目和使用简档的信息。该信息可以用于创建基础设施并且通过峰值网络需求来支持连接设备。通过估计由交通事件导致的设备数目及其使用,可以管理无线网络以使用先发制人方法有效地平衡网络负载。
图1A和1B示出了覆盖道路网络的无线网络的示例。图1A和1B包括由车辆表示的三个连接设备11、12和13。连接设备11、12、13通过无线蜂窝网络传输和请求信息。无线蜂窝网络包括多个小区。图1A和1B还包括三个小区15、16和17。小区15、16、17中的每个小区可以由一个或多个塔、基站和/或网络装置提供服务。虽然小区之间可能存在叠加,但每个小区可以处理小区内的每个设备的数据负载。因此,每个小区为最大预期数目的用户提供带宽。
道路10穿过小区15、16和17中的每个小区。当连接设备11、12和13穿过小区15、16和17时,连接设备14与每个小区15、16、17中的相应的基站通信。针对图1A,连接设备沿着道路10大致相等地间隔开。连接设备11使用第一小区17进行通信。连接设备12使用小区15进行通信;连接设备13使用小区16进行通信。如果车辆间隔相等,则基站可能只需要在任何时间点与一个设备通信。无线网络可以被设计为一次仅支持最多一个设备。本文的示例使用一个连接设备,然而,在现实世界中,基站可以在任何时间支持数百或数千个连接设备。
在图1B中,连接设备11、12和13在小区16中聚集。连接设备11、12和13中的每个连接设备使用小区16进行通信。小区16中的拥塞可能是由例如沿着道路10的事故或施工引起的。由于拥塞,显然,可能需要小区16向至少三个连接设备提供无线网络,将图1A中的示例所需的最大带宽增加三倍。另外,由于拥塞,每个连接设备可能正在传输和请求比正常情况下更多的信息。例如,自主车辆可能需要附加的地图数据来识别道路10中的任何备选。此外,由于引起小区16中的拥塞的事故可能发生在沿着道路10的任何点,因此可能需要每个小区15、16和17始终支持三个设备的最大带宽,以在正常操作期间产生过剩的带宽。如图1B所示,小区15和17未充分利用。
带宽问题的解决方案是设计无线网络以先发制人地向将要进入拥塞小区的连接设备传输数据,以减轻该小区上的负载。在图1A和1B的示例中,每个小区可以被设计为支持两个连接设备。在这种情况下,图1B中的示例将使小区16过载。然而,如果无线网络能够识别出在小区16中发生或将要发生拥塞,则无线网络可以先发制人使用小区15和17来下载或向预期进入小区16的连接设备11、12和14传输数据。因此,一旦连接设备11、12和14确实进入小区16,则连接设备11、12和14可以生成更少的请求并且占用更少的带宽,从而允许利用仅能够支持两个设备的带宽的装置来管理小区16。每个小区的节省可能很小,但在整个网络中成倍增加,益处很明显。这样优化现有无线网络也可以延迟对升级或更换装置的需要。
以下实施例涉及事件的接收(例如,从车辆或路边传感器)、过滤、处理和到移动网络运营方(MNO)的消息的传输。实施例利用准确的地图、实时和历史交通流量信息和分析来确定事故将具有的影响。产生的分析基于将受事故影响的区域和道路来生成地理多边形。可以基于历史网络使用信息来确定地理多边形的预测的网络使用。可以基于预测的网络使用和事件数据来采取先发制人的动作以平衡网络的使用。基于事故的性质及其随时间的影响,多边形和预测的网络使用持续更新由持续影响分析定义的参数,这些参数预测未来的网络使用和需求。
可以实现所公开的实施例以优化管理无线网络,从而产生计算***的改进。实施例改善了MNO的蜂窝网络的效率和功能。资源的效率和使用的增加可以带来更少的设置(更少的装置)、更少的通信错误以及更少的无线网络维护。
图2示出了用于优化无线网络的示例***。该***包括一个或多个设备122、网络127、蜂窝***129和位置云121。设备122与网络127耦合或无线地连接到网络127,网络127与蜂窝***129和位置云121两者耦合或无线地连接到蜂窝***129和位置云121两者。位置云121与蜂窝***129耦合。本文中,短语“与......耦合”被定义为意指直接连接或通过一个或多个中间组件间接连接。这样的中间组件可以包括基于硬件和软件的组件。可以包括附加的、不同的或更少的组件。例如,在某些实施例中,***可以包括附加的或不同的组件,诸如交通管理中心。蜂窝***129可以包括网络127或者可以管理网络127的一部分。
设备122(也称为连接设备122)可以是移动设备或传感器,其提供设备122或车辆的位置的数据样本。设备122可以是运行专用应用的移动电话,当人们作为日常生活的一部分沿着道路行进时,这些专用应用收集位置数据。设备122还可以集成在车辆中或与车辆集成。作为车辆上的标准或可选装置的应用、计算机子***或传感器可以收集和聚合关于车辆操作的信息。设备122还可以是传感器或传感器集合,诸如电感环或光学检测器(例如,相机、光检测和测距(LiDAR)或雷达设备)。设备122可以是用于收集图像数据的相机/成像传感器(例如,相机传感器可以自动捕获交通流量信息、异常事故和/或交通灯信息)。设备可以是位于车辆的周边的传感器,以便检测车辆与车道或道路的相对距离、其他车辆、行人、交通灯、坑洼和任何其他物体的存在、或者其组合。在一种情况下,传感器可以检测天气数据、交通信息或其组合。
设备122和/或其他传感器可以是用于从一个或多个车辆收集数据并且将数据聚合成包括车辆数据或道路状况数据的事件数据的部件。数据可以通过网络或通过蜂窝***129进行传输。设备122还可以被配置为通过网络和/或与其连接的位置云从蜂窝***129接收数据。所接收的数据可以包括路由或导航数据、视频数据、音频数据或者与设备或车辆相关的数据。
蜂窝***129可以包括一个或多个蜂窝网络管理器和一个或多个蜂窝边界生成器。设备122可以使用网络127与蜂窝***129通信。蜂窝***129可以由MNO操作。MNO可以是无线服务提供方。MNO可以控制无线或蜂窝***操作所需的装置。MNO可以向多个订户提供无线通信。蜂窝***129可以包括一个或多个小区,该一个或多个小区包括一个或多个网络装置。在某些实施例中,网络装置和蜂窝结构可以是网络127的一部分并且由蜂窝***129控制。
蜂窝***129可以是用于标识和存储整个网络和/或一个或多个小区的网络使用的部件。蜂窝***129可以存储订户或连接设备122的使用简档。蜂窝***129可以标识和存储网络使用模式。蜂窝***129可以被配置为从位置云121接收与交通事件和/或影响移动性的天气或条件的变化相关的信息,并且生成先发制人的动作以平衡网络业务或者将网络业务从一个小区转移到另一小区。
网络127可以包括有线网络、无线网络或其组合。无线网络可以是蜂窝电话网络、LTE(长期演进)、4G LTE、无线局域网(诸如802.11、802.16、802.20)、WiMax(全球微波接入互操作性)网络或无线短程网络(诸如数字短程通信(DSRC/802.11P))。此外,网络127可以是诸如因特网的公共网络、诸如内联网的专用网络或其组合,并且可以利用现在可用或以后开发的各种网络协议,包括但不限于基于TCP/IP的网络协议。网络127可以是用于在设备122、蜂窝***129、位置云121和/或***中的其他装置或设备之间传输数据的部件。
位置云121可以包括一个或多个服务器、工作站、数据库和连接在一起并且由连接的车辆数据的管理器维持的其他机器,包括但不限于地图、传感器、无线网络、时间气候和事故数据。位置云121(或交通管理***)可以包括一个或多个服务器125,诸如传感器摄取服务器、交通管理服务器和/或分析服务器。位置云121还可以包括数据库123。位置云121可以被配置为提供最新信息并且映射到外部地图数据库或地图绘制应用。位置云121从多个源收集或摄取数据,诸如通过网络127,以便维持最新的道路状况。处理诸如传感器数据、天气、道路状况、交通流量和历史数据的数据以确定当前和未来的交通状况。
位置云121可以是用于根据收集的数据来确定事故类型、事故位置、影响区域和事故持续时间的部件。在收集附加数据并且事故随时间演变时,位置云121更新事故。术语位置云121在本文中用于共同地包括驻留在本地和基于云的***两者中的摄取、分析/计算、接口API和消息分发能力,包括用于创建、维持、访问和更新一个或多个数据库123的***。
位置云121可以从蜂窝***129、网络127或设备122接收与网络使用相关的信息。网络使用信息可以是实时数据或历史数据。位置云121可以被配置为基于交通事件的影响和网络使用信息来估计或预测当前或未来的网络使用。位置云121可以将估计的或预测的网络使用存储在数据库123中。位置云121可以生成用于向设备122传输的消息,该消息描述了为避免过度拥塞的小区而采取的先发制人的动作。
数据库123(也称为动态内容数据库、传感器摄取数据库、交通数据库、地图数据库或地理数据库)可以包括用于网络、交通和/或导航相关应用的地理数据。
为了向终端用户提供导航相关的特征和功能,映射***121使用地理数据库123。地理数据库123包括关于一个或多个地理地区的信息。图3示出了地理地区202的地图。地理地区202可以对应于都市或乡村区域、州、国家或其组合、或任何其他区域。位于地理地区202中的是物理地理特征,诸如道路、兴趣点(包括企业、市政设施等)、湖泊、河流、铁路、市政等。
图3还描绘了地理地区202的一部分206的放大地图204。放大地图204示出了地理地区202中的道路网络208的一部分。除了其他方面,道路网络208包括位于地理地区202中的道路和交叉点。如部分206中所示,地理地区202中的每条道路由一个或多个路段210组成。路段210表示道路的一部分。每个路段210被示出为具有与路段210相关联的两个节点212;一个节点表示路段的一端的点,并且另一节点表示路段的另一端的点。路段210的任一端的节点212可以对应于道路与另一道路相交的位置,即交叉路口,或者对应于道路尽头的位置。
图4描绘了示例地理数据库123。地理数据库123包含表示图3中描绘的地理地区202中的一些物理地理特征的数据302。地理数据库123中包含的数据302可以包括表示道路网络208的数据。在图4的实施例中,表示地理地区202的地理数据库123可以包含地理地区202中的每个路段210的至少一个路段数据库记录304(也称为“实体”或“条目”)。表示地理地区202的地理数据库123还可以包括地理地区202中的每个节点212的节点数据库记录306(或“实体”或“条目”)。术语“节点”和“段”仅表示用于描述物理地理特征的一个术语,并且用于描述特征的其他术语旨在包含在这些概念的范围内。
地理数据库123还可以包括其他种类的数据312。其他种类的数据312可以表示其他种类的地理特征或任何其他内容。其他种类的数据可以包括兴趣点数据。例如,兴趣点数据可以包括兴趣点记录,包括类型(例如,兴趣点的类型,诸如餐馆、旅馆、市政厅、警察局、历史标记、ATM、高尔夫球场等)、兴趣点的位置、电话号码、操作小时数等。地理数据库123还包括索引314。索引314可以包括各种类型的索引,这些索引将不同类型的数据彼此相关或与地理数据库123中包含的数据的其他方面相关。例如,索引314可以将节点数据记录306中的节点与路段数据记录304中的路段的端点相关。作为另一示例,索引314可以将其他数据记录312中的兴趣点数据与路段数据记录304中的路段相关。
图5描绘了根据一个实施例的地理数据库123中包含的路段数据记录304的一些组成。路段数据记录304可以包括段ID 304(1),通过该段ID可以在地理数据库123中标识数据记录。每个路段数据记录304可以具有与其相关联的信息(诸如“属性”、“字段”等),该信息描述所表示的路段的特征。路段数据记录304可以包括数据304(2),该数据304(2)指示对所表示的路段上允许的车辆行驶方向的限制(如果有的话)。路段数据记录304可以包括数据304(3),该数据304(3)指示所表示的路段上的速度限制或速度类别(即,最大许可行驶车速)。路段数据记录304还可以包括数据304(4),该数据304(4)指示所表示的路段是否是受控访问道路(诸如高速公路)的一部分、到受控访问道路的坡道、桥梁、隧道、收费站道路、渡轮等。
用于网络使用、带宽限制或连接设备122的数据可以存储为单独的记录308、310,或者存储在路段数据记录304中。网络使用数据308和连接设备数据310可以包括诸如一个或多个连接设备122的网络使用或简档数据的数据。记录308可以包括与蜂窝网络的一个或多个小区相关的数据。一个或多个小区的数据可以包括每个小区的容量,因为它涉及地理数据库中的其他信息,诸如路段数据记录304。地理数据库123可以包括描述诸如设备数目304(5)或带宽估计304(6)的特征的路段数据记录304(或数据实体)。估计的带宽或峰值带宽可以使用诸如从1到100的值的范围(1表示低带宽,100表示高带宽)、与吞吐量相关的值或基于诸如每秒数据(Mb/s、Gb/s)或其范围的测量尺度来存储为字段或记录。估计的带宽可以使用诸如低、中、高的类别来存储。估计的网络使用或带宽可以从蜂窝***129接收。估计的网络使用或带宽可以从预期车辆的数目来导出,预期车辆的数目可以从在路段上标识的交通流量和/或传感器车辆的数目来导出。可以针对不同的时间段或事件来存储估计的网络使用或带宽。例如,可以针对在一天内(针对一周中的每一天)以15分钟的增量来存储路段的估计的网络使用。可以针对诸如施工或事故的特定事件来存储估计的网络使用。可以使用附加方案来描述估计的网络使用或带宽。地理数据库123可以存储与网络使用相关的其他数据310,诸如与非车载连接设备122相关的数据。连接设备数据310可以存储连接设备122的个体或组的用户简档或估计的数据使用。连接设备数据310可以存储不同位置或时间段的连接设备122的使用模式。附加的地理和网络使用数据可以存储在其他数据312中。属性数据可以关于链路/段304、节点306、链路串、区域或地区来进行存储。
地理数据库123可以存储显示偏好的信息或设置。地理数据库123可以耦合到显示器。显示器可以被配置为使用不同的颜色或方案显示道路网络和数据实体。地理数据库123可以存储与带宽问题状况可能存在的位置相关的信息,例如,通过分析数据记录、当前/历史交通状况、蜂窝信息和蜂窝地图。具有有限带宽或接近带宽峰值的路段可以用于标识或补充其他数据实体,诸如潜在危险。网络使用或带宽数据记录以及地理数据记录可以通过状况的组合来指示道路上的位置是不安全的。
路段数据记录304还包括数据304(7),该数据304(7)提供所表示的路段的端点的地理坐标(例如,纬度和经度)。在一个实施例中,数据304(7)可以为节点数据记录306提供参考,节点数据记录306表示与所表示的路段的端点相对应的节点。
路段数据记录304还可以包括或与其他数据304(7)相关联,该其他数据304(7)涉及所表示的路段的各种其他属性。与路段相关联的各种属性可以被包括在单个路段记录中,或者可以被包括在彼此交叉引用的多于一种类型的记录中。例如,路段数据记录304可以包括标识在与由路段表示的道路部分的末端处的交叉点相对应的每个节点处存在哪些转弯限制的数据、由所表示的路段已知的名称、沿着所表示的路段的街道地址范围等。
图5还示出了可以包含在地理数据库123中的节点数据记录306的一些组件。每个节点数据记录306可以具有相关联的信息(诸如“属性”、“字段”等),该信息允许标识连接到它的路段和/或地理位置(例如,其在蜂窝地图或网络中的纬度和经度坐标或位置)。针对图5中所示的实施例,节点数据记录306(1)和306(2)包括其节点的纬度和经度坐标306(1)(1)和306(2)(1)。节点数据记录包括蜂窝数据306(1)(2)和306(2)(2)。每个节点的蜂窝数据可以存储信号强度、一个时间段的连接设备的数目。蜂窝数据可以包括节点处或特定距离内的无线网络设备的数目和类型。蜂窝数据可以包括容量或带宽的阈值。节点数据记录306(1)和306(2)还可以包括参考节点的各种其他属性的其他数据306(1)(3)和306(2)(3)。例如,节点数据记录可以存储网络数据使用,诸如带宽或连接设备的数目。
地理数据库123可以由内容提供方(例如,地图开发者)维持。举例来说,地图开发者可以收集地理数据以生成和增强地理数据库123。地图开发者可以从诸如企业、市政当局或各自的地理当局的来源获得数据。另外,地图开发者可以雇用现场人员在整个地理地区中行进以观察特征和/或记录关于道路的信息。可以使用遥感,诸如航空或卫星摄影。地理数据库123可以从蜂窝***129接收与路段、小区或区域的网络使用或带宽相关的数据。地理数据库123可以存储一个或多个蜂窝地图,该一个或多个蜂窝地图与由一个或多个MNO操作的一个或多个蜂窝网络的无线覆盖区域相对应。蜂窝地图可以包括蜂窝地图的每个小区中的装置的配置,包括诸如每个小区的传输容量的信息。
地理数据库123可以存储与交通事件的影响区域相关的数据。地理数据库123可以存储针对不同类型的交通事件而生成的多边形以及与生成的多边形如何随时间变化相关的信息。地理数据库123可以存储与交通事件如何影响所生成的多边形内的网络使用相关的信息。
可以按需来许可或传送地理数据库123和存储在地理数据库123内的数据。其他导航服务或MNO可以访问存储在地理数据库123中的交通数据和网络使用数据。包括链路或小区的网络使用数据的数据可以作为服务进行广播。
图6示出了用于无线网络优化的方法的流程图。如以下部分中所示,这些动作可以使用图2中指示的组件的任何组合来执行。以下动作可以由蜂窝***129、位置云121或其组合来执行。可以提供附加的、不同的或更少的动作。动作按所示顺序或其他顺序来执行。这些动作也可以重复。
在动作A110,位置云121通过网络127接收道路事件或事故的描述。道路事件可以包括道路描述、事故和/或道路状况的描述、道路位置和时间。道路事件可以从各种来源确定。道路事件可以源自终端用户手动输入、来自诸如探针或传感器的收集设备122的自动响应。设备122可以被配置为从多个来源收集数据以创建道路事件。车辆(或集成到车辆中的设备122)可以通过网络传输关于其操作或道路状况的数据。可以使用诸如航空或卫星摄影的遥感来收集信息。现场人员可以报告可以自动或手动收集的道路状况。道路事件可以从社交网络或从其他基于互联网的来源收集。设备122还可以用作一个或多个探针或传感器以收集道路数据。道路事件可以包括道路位置(来自GPS、导航设备、移动设备或可以收集位置数据的其他设备)和事件的时间(或传输时间)。
道路事件可以从所接收的信息中导出或预测。可以基于指定路段或节点的路线数目的增加来预测增加的交通拥塞。例如,位置云121可以向一个或多个设备提供路由服务。位置云121可以基于所请求的或接收的路线来预测路段可能看到异常交通。例如,连接设备122可以向位置云121传输路线。可以分析所收集的路线以确定任何未来的异常交通模式。任何异常交通模式都可能导致(或成为)道路事件。可以由位置云121预测其他异常交通模式,例如针对特殊事件(音乐会、体育事件等),而不从设备接收道路事件的描述。从设备或传感器接收的道路事件的描述可以用于补充或微调从路由或特殊事件数据而生成的事件的描述。
图7示出了位置55处的示例道路事件。图7包括道路网络,该道路网络包括节点A到J。图7还包括由任何一端的节点标识的路段,例如路段AD是在节点A和D之间示出的路段;路段DH是在节点D和H之间的路段;等等。道路事件发生在位置55处。道路事件55可以是例如施工事件或事故。道路事件55可以由设备122或传感器检测或标识和/或传送。道路事件的描述可以通过来自多个设备或传感器的收集数据来生成。例如,路段HI、DH和GH上的车辆可以都比典型速度更慢地报告。道路事件55可以从报告的组合中导出。道路事件的描述可以包括许多各种不同的道路信息,从事故、天气状况、障碍物到拥塞和延迟。道路描述还可以处理公共交通,从铁路、公共汽车到空中交通和渡轮服务。其他道路事件或道路描述可以包括:车辆操作(诸如刹车灯、速度减慢、挡风玻璃刮水器操作、或监测车辆操作的其他车辆传感器)、施工、事故、道路封闭、道路拥塞、道路速度、道路表面状况、道路环境状况、道路穿越能源信息(用于绿色路线应用)或其他“非正常”道路状况。这些描述可以参考当前状况或先前状况。
在动作A120,位置云121基于描述生成地理多边形。地理多边形可以基于从当前和历史流数据以及存储在数据库中的基于探针的分析中导出的影响区域。影响区域可以包括被预测为由于交通事故而具有改变的交通模式或拥塞的任何区域。位置云121可以标识事故的影响区域。从影响区域,位置云121可以生成地理多边形(也称为多边形)。
道路描述可以是对先前接收的事件的更新,诸如具有车辆操作的当前描述的更新事件(可能包括当前速度)。每个道路事件都被分类为与先前事故或新事故相关。多个道路事件可以被分类为与单个事故相关。例如,位置云121可以接收关于事故的多个事件,从视觉(图像)到音频到指示多个车辆已经减速的报告。事件可以在一段时间内从不同来源收集。位置云121处理每个事件以确定事件是否与当前正在进行的事故相关。与正在进行的事故相关的每个附加事件是事故信息流的一部分,并且随着事故随时间演变可能影响影响区域或地理多边形。
除了从不同来源接收事件之外,位置云121还可以从单个源接收多个事件。在这样的示例中,新事件可以更新先前接收的事件。例如,第一事件可以指示车辆正在减速或停止。随后从同一车辆接收的第二事件可以指示车辆以预期速度移动。根据所包含的信息,后续事件可能指示事故已经过去并且网络使用已经恢复到正常操作。在其他实施例中,由位置云121使用后续事件来演变或更新影响区域,如下所述。
如上所述,位置云121可以使用来自多个事件的数据。位置云121还可以分析关于天气状况、道路状况、当前交通状况和历史交通状况的数据。历史交通状况还可以包括先前事件数据。影响区域通过查看当前和历史交通状况并且比较事件如何影响周围的道路网络来生成。例如,先前事件(诸如事故)可能已经影响了发生事故的路段,但也可能影响了多个其他周围区域。受影响区域也可能受到一天中的时间、天气状况和其他因素的影响。
仅当交通模式的改变超过阈值水平时,才可以针对区域标识影响区域。例如,可能有数千到数百万个交通事故导致轻微的交通模式改变。在某个位置减速的单个车辆可能会导致一段时间内的拥塞略微增加。如果拥塞没有增加或减少高于或低于阈值水平,则可以暂时忽略该事故。可以合并轻微的事故以确定超过阈值水平的较大事故。用于拥塞增加的阈值水平可以通过百分比或预定拥塞水平来确定。例如,路段可能具有在每100辆车(100、200、300、400......)处指定的拥塞水平。阈值增加或减少可以设置为跨越多个水平的增加或减少。例如,从100水平到200水平的增加可能不被标识为影响,然而,从200水平到400水平的增加可能表示受影响路段。可以使用用于确定阈值的备选方案。
位置云121可以使用分析来基于将受事故影响的道路来生成地理多边形(“多边形”)。多边形可以是影响区域的轮廓。多边形可以是受事故影响的路段的收集(例如,至少部分地在影响区域中)。多边形可以使用诸如纬度和经度的地理坐标来描述。多边形可以是包括三条或更多条直线的闭合形状。多边形可以是圆形或椭圆形。
图8示出了图7的事故55的地理多边形61。针对图7中的示例事故,位置云121可以确定段DH、GH、HI、IF和IJ可能在特定时间段内受到影响。图8中生成的多边形61示出了由于事故而可能看到增加或减少的交通流量或拥塞的区域。多边形61可以是具有改变的交通流量或拥塞的区域的简单表示。可以使用多个多边形来指定改变的类型。例如,第一多边形可以表示具有第一水平的增加拥塞的区域。第二多边形可以表示具有第二水平的增加拥塞的区域。第三多边形可以表示具有第一水平的减少拥塞的区域。交通影响增加或减少的水平可以存储在路段水平处。例如,针对图8中的多边形61,数据可以使用符号[路段(交通拥塞增加)]存储为DH(1)、GH(4)、HI(6)、IF(8)和IJ(4)。可以使用用于存储多边形和相关数据的备选方案。
在某些实施例中,可以为事故生成多于一个多边形。例如,位置云121可以为描述随时间的影响的事故生成多个多边形。位置云121可以生成多个多边形,该多个多边形描述由于事故导致的不同影响水平。例如,图8所示的多边形可以表示具有任何减少或增加拥塞的区域。可以生成表示具有不同增加水平的区域的一个或多个不同的多边形。例如,可以生成表示比边远区域更受事故影响的区域(或者,例如,包括更多交通并且可能具有更大拥塞增加的主要道路)的较小多边形。
当位置云121接收到附加事件时,基于事故信息流实时地对多边形进行整形。信息流中与事故相关的每个附加事件都被过滤和处理。来自每个附加事件的信息可以用于调整影响区域。例如,交通拥塞事故可能会随时间而恶化。初始事件可能指示某个区域将受到影响。然而,当接收和分析来自其他车辆的附加事件时,受影响区域可能随时间而演变。可能会影响更大或更小的区域。在某些实施例中,即使没有附加事件,也可能随时间改变影响区域。使用历史数据,位置云121可以预测事故的演变,而无需附加的实时数据输入。例如,在某些道路和天气状况下在某个时间在已知交叉口处的交通拥塞事故可以基于历史数据以已知的速率消散。位置云121可以预测事故可能影响边远路段,但仅限于有限的时间量。多边形最初将包括该路段,但多边形可能随时间演变,并且随后生成的多边形可能不会覆盖该路段或小区。
图9A、9B和9C示出了图8的多边形61随时间(T=1、2、3)的演变。图9A示出了由于在位置55处的事故而生成的第一多边形61。多边形61包括由图7和8的节点定义的段DH、GH、HI、IF和IJ。
在随后的时间,生成具有事故的更新影响的第二多边形62。第二多边形如图9B所示。段IF和IJ已经返回到正常交通流量,而段AD已径被添加到多边形62。第二多边形62可以由于接收交通事故的第二描述而生成。第二多边形62也可以由于机器学习或由类似历史交通事故做出的预测而生成。如果在类似时间在位置55处发生类似事故,则可以从实际先前数据生成第二多边形62。如果在类似时间在位置55处没有类似事故,则位置云121可以基于类似位置处的其他事故来估计结果。当更新多边形时,从区域中的设备122接收的附加实时信息也可能影响多边形的大小。
在随后的时间,生成具有事故的更新影响的第三多边形63。第三多边形63在图9C中示出。图9B中受影响的段AD现在已径恢复到正常交通流量。段DH、GH和HI此时仍然受到影响。可以生成附加多边形,直到事故的影响消退为止。
为了生成一个或多个多边形,位置云121使用历史以及实时交通和事故数据。该数据提供了围绕多边形的创建的预测分析元素。历史交通数据(例如,速度或流量或容量)可以与每个路段或节点并排存储在数据库内。每个路段可以包含每个天气状况、道路状况或一天中的时间的历史交通数据。可以在处理新数据时更新每个段的交通数据。为了减少计算多边形的延迟,可以根据段的历史交通模式或公共属性将段分组为分类。例如,相似的某些路段可以共享公共简档,而不是具有单独的历史简档。除了路段或节点的交通数据之外的其他数据也可以用作历史数据。还可以为路段或地理位置存储历史交通模式和流量容量。历史交通数据也可以按事件(或按事故)保存、存档或组织。例如,某个位置的道路施工警告可能不仅是该位置而且是其他类似位置的可重复事件。事件和随后的影响可以存储在数据库中,既用作特定位置的模型,也用作在不同位置发生的类似事件的模型。
还可以使用驾驶员倾向来提供可能影响从所述数据生成的预测分析和随后影响区域的附加信息。例如,不同地区或国家的不同驾驶员在遇到某些障碍或状况时做出不同的决定。可以存储决策并且用于预测影响区域如何随时间演变。
可以通过备选路线的存在来整形多边形。交通流量可以基于历史数据进行建模,但也可以根据备选路线或旁路。如果存在备选路线,则事故的影响区域可能更小,并且可能比没有被选路线的情况下更快地消散。此外,位置云121可以考虑导航***引导多少车辆(可能影响那些车辆的路线)。例如,接收交通警报的车辆可能更有可能采取备选路线,该备选路线又可能随时间改变多边形的形状。
可以使用地图数据库以及数据库中包含的路段和节点来创建多边形。可以使用诸如纬度和经度的地理坐标系来创建多边形。例如,可以使用地理坐标来描述多边形的边界。还可以使用路段或节点的集合或列表来描述多边形。多边形可以沿着路段延伸一定距离(可能具有与起始节点的偏移)。多边形可以是叠加的两个或更多个区域的组合。多边形可以包括道路的两个方向或仅单个方向。多边形可以排除诸如停车场或不受影响的其他区域的区域。
一旦创建了多边形,就可以存档多边形以供将来使用,以减少生成所述多边形所必需的分析的延迟。一旦在事故与位置之间建立关联,就可以保存多边形。也可以存档多边形随时间的演变并且用于将来的预测中。
在某些实施例中,可以存储多边形以及对交通的相关联影响。例如,针对每个路段或多边形,可以标识增加或减少的拥塞或交通流量水平并且将其存储在数据库中。
位置云121可以被配置为标识多个事件并且确定事件的影响。例如,两个不同的交通事件可能在其影响区域中叠加。两个事件的综合影响可能会影响总体影响。第一事件可能导致道路拥塞。第二事件可能改变第一事件的影响模式。组合影响可能分别与第一影响或第二影响不同。可以为每个事件生成多边形并且存储。当两个事件在同一时间段期间发生时,可以生成第三多边形,该第三多边形组合第一事件和第二事件的影响。
在动作A130,基于描述来为地理多边形计算估计的网络使用(或负载)。估计的网络使用可以由蜂窝***129或位置云121计算。例如,位置云121可以向蜂窝***129传输影响区域,然后可以将其与蜂窝覆盖进行比较以确定哪些小区受到影响。蜂窝***129可以使用历史和/或实时网络使用数据来确定事故对网络使用的影响。在某些实施例中,位置云121可以从蜂窝***129接收和存储历史网络使用数据。位置云121可以使用交通数据和历史网络使用数据来估计当前和未来的网络使用。估计的网络使用可以是与估计的网络使用相关的值或网络使用(例如,带宽或连接设备)的增加或减少的指示。
估计的网络使用可以与影响区域中的连接设备122的数目和类型成比例。设备122的数目和类型可以使用区域中的所标识的车辆的数目来计算(例如,通过基于传感器设备或检测到的设备的数目来推断车辆和连接设备122的总数)。所标识的车辆的数目可以与总带宽相关联。位置云121或蜂窝***129可以使用与区域中的车辆或连接设备122的数目相关的历史网络信息来生成估计的网络使用。
在某些实施例中,可以使用连接设备122的一个或多个简档来估计网络使用。某些设备类型或用户可以生成更多或更少的带宽。例如,作为由于携带多个设备,导致公共汽车可以使用比单个乘用车更多的带宽。位置云121或蜂窝***129可以存储一个或多个连接设备122的使用简档。使用简档可以用于精细地或者通过例如将连接设备122分类成与平均带宽使用相关的组估计网络使用。上述示例中的公共汽车可以被包括在展示非常高带宽使用的组中。移动电话可以被包括在展示低带宽的组中。用于流式传输高水平视频的用户的移动电话可以被包括在用于中等带宽使用的组中。
图10示出了叠加在蜂窝网络地图上的地理多边形的示例。图10包括图7和8中所示的道路网络。图10将道路网络和地理多边形叠加到包含小区C81-C92的蜂窝地图。每个小区可以包括至少一个发射器或基站。在某些实施例中,蜂窝地图可以包括每个小区的发射器范围。地图可以包括地理区域上的每个发射器的范围。地图可以包括一个或多个基站收发信台(BTS)或一个或多个连接的演进UMTS陆地无线电接入网(E-UTRAN)节点B站的范围。
每个小区(基站)可以被配置为在基站的范围内从设备122传输和接收数据。图10中的小区C81-C92被示出为六边形。小区之间可以存在叠加。当设备122从一个小区行进到相邻小区时,通信可以在基站之间切换。小区的大小和范围可以随位置要求或障碍物而变化。每个小区可以具有用于传输和接收数据的最大吞吐量、负载或带宽。
可以将估计的网络使用分配给蜂窝网络的各个小区。地理多边形可以叠加在蜂窝地图上以确定哪些小区将受到事故的影响。然后可以从交通数据中导出每个连接小区的拥塞或连接设备122的数目的变化。
蜂窝地图可以先前已经从蜂窝***129生成或接收。蜂窝地图可以由小区边界生成器生成。蜂窝地图可以是指示每个单独小区的覆盖区域的地理地图。不同的无线提供方可以具有不同的蜂窝地图。例如,第一提供方可以使用与第二提供方不同的塔,并且因此具有不同的覆盖地图。位置云121可以在每个单独的蜂窝地图上叠加多边形。包含多边形的一部分的小区可能受到事故的影响。可能存在将小区指定为受影响需要多少叠加的阈值。例如,多边形可能必须至少覆盖小区的预定阈值量。预定阈值量可以是5%、10%、50%或0和1之间的另一值。
如图10所示,受地理多边形影响的小区包括C86、C87、C88、C89和C90。地理多边形覆盖小区C92的一部分,但不足以覆盖例如50%的阈值水平。在某些实施例中,可能需要覆盖小区的一定百分比以标识为受影响。为了确定小区是否受到影响,还可以考虑增加拥塞的水平。在图10的示例中,如果预测拥塞在小区C92的一部分中急剧增加,则可以将小区C92标识为受影响。
可以根据增加或减少的交通数据来计算估计的网络使用。区域中的附加车辆或设备122可以对应于附加网络使用。在某些区域,网络使用可能主要受该区域中的车辆的数目的影响。例如,覆盖高速公路的一部分的小区可以仅向除了车辆中或与车辆相关的连接车辆或连接设备122之外的一些设备传输。在其他区域中,在车辆中或与车辆相关的连接车辆或连接设备122可以构成整个设备的较小百分比,但仍然可以负责任何增加或减少。例如,市区的小区可以与办公室工作人员或行人一起传输。由于行人的潮起潮落,设备的数目可能不会远离正常波动。然而,如果车辆(仍然仅构成连接设备的一小部分)的数目增加,则设备的数目可能急剧增加。
当生成地理多边形时,可以生成增加或减少的交通数据。可以使用历史或当前交通直接计算估计的网络使用。可以使用历史网络使用数据来计算估计的网络使用。可以针对每个小区随时间跟踪网络使用。然后可以存储网络使用并且将其与发生的事件进行比较。然后,历史网络使用和相关联事件可以用于预测或估计该区域的当前或未来网络使用。
在某些实施例中,估计的网络使用可以与地理多边形分开地变化。在估计的网络使用的计算中,地理多边形可以是很多中的单个输入。例如,估计的网络使用可以用于生成负载平衡方案,该负载平衡方案将数据的下载或传输转移到不同的小区。这样,可以为原始和新受影响区域(例如,小区)生成新的或更新的估计的网络使用。
对于事故的每种类型、位置和定时,可以将蜂窝地图和对每个小区的影响存储在数据库中。
在动作A140,向MNO传输估计的网络使用。MNO可以负责管理无线网络。在某些实施例中,可以将估计的网络使用与基线网络使用进行比较。可以向移动网络运营方报告超过基线网络使用的小区或区域。还可以传输估计受影响的小区或区域超过正常操作的量。移动网络运营方可以执行先发制人的移动以保证满足峰值需求所必需的数据服务水平。
在某些实施例中,MNO可以请求预期进入受影响的小区的连接设备122执行可以限制连接设备122暴露于受影响小区的任务。连接设备122可以例如提前请求和接收地图数据。连接设备122可以缓冲视频或音轨。连接设备122可以尝试连接到用于传输的备选方法,诸如本地Wi-Fi站或不同的蜂窝提供方。
在某些实施例中,自主车辆可以在标识出受影响小区时采取动作。如果受影响小区不能保证向自主车辆的传输,则自主车辆可以避开该区域。如本文所述,自主驾驶车辆可以是指自驾驶或无人驾驶模式,其不需要乘客在车上以操作车辆。自主驾驶车辆可以被称为机器人车辆或自动驾驶车辆。自主驾驶车辆可以包括乘客,但不需要驾驶员。自主驾驶车辆可以在没有人类操作员的情况下停放自己或在位置之间移动货物。自主驾驶车辆可以包括多种模式以及模式之间的转换。
如本文所述,高度辅助驾驶(HAD)车辆可以是指不完全取代人类操作员的车辆。相反,在高度辅助驾驶模式下,车辆可以执行一些驾驶功能,并且人类操作员可以执行一些驾驶功能。车辆也可以以手动模式驾驶,其中人类操作员对车辆的运动进行一定程度的控制。车辆还可以包括完全无人驾驶模式。其他自动化水平也是可能的。
自主或高度自动化的驾驶车辆可以包括用于标识汽车的周围和位置的传感器。传感器可以包括GPS、光检测和测距(LIDAR)、雷达和用于计算机视觉的相机。接近传感器可以帮助停放车辆。接近传感器可以检测路边或相邻车辆。自主或高度自动化的驾驶车辆可以光学地跟踪和跟随道路上的车道标记或引导标记。
自主或高度自动化的驾驶车辆可能需要高清晰度的最新地图。用于服务自主车辆或HAD的带宽要求相对于连接设备122的正常使用可能较高。没有高清晰度图,自主车辆可能无法有效操作。可以提前下载高清晰度地图,但是,环境改变,并且提前太早下载地图可能缺少已经改变的某些特征。离地图下载的特征或路段越近,地图就越有可能是最新的。然而,由于带宽要求,在交通事故的情况下,如果每辆车都试图下载高清晰度地图,则可以实现小区的峰值带宽。使用估计的网络使用,蜂窝***129或位置云121可以请求一个或多个车辆从当前未受拥塞增加影响的小区下载地图。蜂窝***129或位置云121可以在多个小区上展开多个车辆的下载,以减轻无线网络的任何单个小区上的负载。
图11示出了图1的示例位置云121。位置云121包括服务器125和数据库123。服务器125可以包括传感器事故摄取模块813、实时和历史交通流量和事故模块807、天气模块809、道路状况模块811、网络使用模块815、处理器800、通信接口805和存储器801。处理器800连接到数据库。每个模块可以被包括在处理器800内。每个模块也可以连接到数据库以便访问当前和历史地理和网络使用数据。
服务器125和相关联的模块被配置为使用通信接口805接收事件消息。事件消息可以包括事故的描述。服务器125和模块被配置为使用存储在存储器801和数据库123中的当前和历史交通数据来生成事故的影响区域。服务器125被配置为基于事故的影响来生成地理多边形。服务器125被配置为标识事故对受影响区域中的网络使用的影响。服务器125可以被配置为使用通信接口805向位于地理上的MNO或一个或多个设备122传输地理多边形或网络使用。服务器125可以被配置为针对稍后的时间段生成更新的影响区域。服务器125可以被配置为生成更新的地理多边形并且标识事故在稍后的时间段对网络使用的影响。服务器125可以被配置为向一个或多个连接设备122传送网络使用和先发制人的措施。
处理器800可以包括传感器事故摄取模块、实时和历史交通流量和事故模块、天气模块和/或道路状况模块中的一个或多个。处理器800可以是用于从设备接收收集的数据,确定事件并且生成影响区域和事故事件的部件。处理器800可以被配置为通过通信接口请求和接收数据。处理器800还可以被配置为访问包括当前和历史数据的数据库。处理器800可以被配置为使用地理地图来生成精确的影响区域。
实时和历史交通数据和事故模块807(或交通模块)可以是用于基于历史数据、事故事件和其他道路事件数据来对区域中的当前和未来交通数据进行建模的部件。交通模块807可以存储当前和未来的交通数据预测以供稍后使用,以在未来类似事故发生时减少延迟。交通模块807可以估计或预测事故或事件的交通影响。
天气模块809接收并且处理天气数据。天气模块809可以从诸如车载传感器、其他地面传感器、天气服务或第三方源的传感器收集天气数据。天气模块809可以生成关于特定位置处的天气状况(诸如雾(低能见度)、雨、雪、风等)的消息。
道路状况模块811接收并且处理道路状况数据。道路状况模块811可以从诸如车载传感器、现场人员、第三方源或其他收集装置或服务的传感器收集道路状况数据。道路状况模块811可以生成关于道路状况(诸如结冰道路、洪水、某些施工问题等)的改变。
传感器事故摄取模块813可以被配置为使用通信接口805从一个或多个收集设备或其他源收集或摄取数据。传感器事故摄取模块可以被配置为确定事件是否是正在进行的事故的一部分或者事件是否是新事故。
网络使用模块815可以被配置为标识蜂窝网络的一个或多个小区的网络负载。网络负载可能与带宽或连接设备的数目相关。网络使用模块815可以收集和存储从连接设备122或蜂窝***129接收的网络使用数据。网络使用模块815可以是用于基于蜂窝网络的一个或多个受影响小区的交通数据以及历史和当前网络使用来估计当前或未来网络使用的部件。
图12示出了用于使用图11的位置云121来优化网络传输的示例工作流程。如以下部分中所示,可以使用图2中指示的组件的任何组合来执行动作。以下动作可以是由蜂窝***129、位置云121或其组合来执行。可以提供附加的、不同的或更少的动作。动作按所示顺序或其他顺序执行。动作也可以重复。
在动作A210,接收事故的描述。事故可以是交通事故,诸如事故、道路状况或任何其他交通事件。可以使用与路线请求相关的信息、从连接设备接收的路线或预期位置、特殊事件、从社交媒体导出的信息或其他导航应用来预测未来的事故。描述可以从监测道路网络的一个或多个设备122或传感器接收。可以由与单个事故相关的一个或多个设备122或传感器生成多个报告。事故的描述可以从多个报告来生成。
在动作A220,基于第一描述确定事故的影响区域。影响区域可以使用与先前接收的类似事故的描述交叉引用的当前和历史交通数据的组合来生成。影响区域可以使用道路网络上的车辆的路由信息来生成。影响区域可以由地理多边形定义,该地理多边形包括具有受交通影响的区域。影响区域可以包括一个或多个路段、一个或多个节点、和/或一个或多个部分路段。影响区域还可以包括与路段或节点相邻的区域。
可以为事故生成一个或多个影响区域。例如,可以针对单个事故针对不同时间段生成多个影响区域。每个影响区域可以对应于某个点的估计影响,例如,事故的时间(T)、T+15分钟、T+30分钟、T+45分钟等。可以使用备选时间段,取决于事故的性质和类型以及随后的影响。
在动作A230,确定影响区域的网络数据拥塞水平。网络数据拥塞水平可以涉及当前网络拥塞水平或未来的估计的网络拥塞水平。可以收集和存储历史网络数据。网络数据可以包括与连接设备122的数目、连接设备122的使用、和/或一个或多个基站或蜂窝塔的总容量相关的数据。历史网络数据和交通数据可以用于确定网络数据拥塞水平。交通数据可以预测影响区域中的拥塞或交通流量的增加。拥塞或交通流量可以指示连接设备122的增加(更多车辆可以指示与车辆相关联或车辆中的更多连接车辆或个人设备)或连接设备122的使用的增加(意外事件可能导致对来自连接设备122的信息的请求的增加)。可以标识连接设备122的简档或类型并且将其用于确定估计的带宽水平。可以将估计的带宽水平(或数据拥塞水平)与阈值水平进行比较。阈值水平可以由影响区域预测的拥塞或带宽的变化幅度确定。例如,影响区域可以指示拥塞的增加,但是不会指示将影响无线网络的水平。备选地,已经拥塞的影响区域的轻微增加可以满足阈值。
在动作A240,标识与网络数据拥塞水平变化相关联的蜂窝网络的一个或多个小区。一个或多个影响区域可以对应于蜂窝网络的一个或多个小区。蜂窝网络可以包括向连接设备122传输数据和从连接设备122接收数据的一个或多个小区。每个小区可以包括具有传输范围的一个或多个基站。每个小区的范围可以被映射并且叠加在道路网络上以标识与影响区域相对应的小区。
图13示出了包括叠加在道路网络93上的多个小区的蜂窝地图91,道路由虚线指定。事件发生在位置55处。在动作A220,可以根据事件的描述生成影响区域和/或地理多边形。影响区域可以表示当前时间或未来时间的区域,其中交通流量或拥塞已经由事件从正常状态改变。影响区域可以从类似事件的历史交通数据中导出。可以在事件发生时收集事件的交通数据,并且然后将其存储在数据库中。使用存储的数据,可以使用机器学***。备选地,可以标识与影响区域相关的一个或多个小区,并且然后针对一个或多个小区确定网络数据拥塞水平。
图14A、14B和14C示出了由于交通事故导致的多个小区的三个网络地图。估计的网络使用变化的顺序可以存储在数据库中。图14A描绘了包括受图13中的事故影响的四个小区的较小区域。针对一个黑色的小区,网络数据拥塞受到事故的严重影响。随着事件随时间而演变,地理多边形可能改变形状,并且因此,蜂窝地图上的叠加可能改变受影响的小区。每个小区可能受到不同的影响。图14B和14C描绘了三种不同的变化水平。图14B和14C描绘了图13中的事故如何增长以包括越来越多的小区。事故可以以不同的方式影响小区的数据拥塞水平。例如,拥塞的主要增加。某些小区可能只看到拥塞的轻微增加。其他小区可能会看到拥塞减少。图14A、14B和14C所示的网络地图跟踪事故影响蜂窝网络的小区的方式。网络地图可以与事故的描述和用于预测拥塞的增加或减少的任何相关交通信息一起存储。存储的地图可以稍后用于帮助分析未来事件。
每个小区可以包括阈值水平的带宽。确定不满足阈值水平可以指示特定小区未受到足够的影响以在下面在动作A250生成消息。然后,即使拥塞(交通或数据)发生变化,也可以确定小区不受影响。阈值可以是最大带宽的百分比。例如,仅在估计的使用高于80Mb/s的情况下,可以确定具有100Mb/s的最大容量的小区受到影响。备选地,即使估计的使用从例如20Mb/s上升到40Mb/s(100%增益),也可能不会确定小区受到影响,因为没有超出容量和无线服务降级的风险。
在动作A250,向被预测为要进入一个或多个小区的一个或多个设备122传输消息。一个或多个设备122可以对应于道路网络上的一个或多个车辆。可以标识一个或多个车辆的路线。在某些实施例中,路线可能已经由导航***或位置云121生成并且传输到设备122。设备122可以接收指令以通过不受影响或比其他小区受影响更小的小区来先发制人地下载或访问数据。
图15描绘了被配置为优化无线网络的示例设备122。设备122可以是用于传输和接收交通相关数据的部件。设备122可以被配置为生成或接收路线并且为用户显示路线。设备122包括输入设备403、通信接口405、控制器400、存储器404、定位电路407和输出接口411。设备122可以被配置为从蜂窝***129或位置云121接收网络拥塞消息。设备122可以被配置为采取与无线使用相关的先发制人的动作,诸如缓冲或先发制人地下载地图、交通或运输相关数据。
存储器404和/或存储器801可以是易失性存储器或非易失性存储器。存储器404和/或存储器801可以包括只读存储器(ROM)、随机存取存储器(RAM)、闪存、电子可擦除程序只读存储器(EEPROM)或其他类型的存储器中的一个或多个。存储器204和/或存储器801可以从移动设备122移除,诸如安全数字(SD)存储卡。存储器可以包含本地存储的地图数据库。
控制器400和/或处理器800可以包括通用处理器、数字信号处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、模拟电路、数字电路、其组合或者其他现在已知或以后开发的处理器。控制器400和/或处理器300可以是单个设备或设备的组合,诸如与网络、分布式处理或云计算相关联。控制器400可以被配置为从定位电路407接收位置信息,并且标识下载或缓冲数据的时间和位置。
定位电路407(其是定位***的示例)被配置为确定设备122的地理位置。定位电路可以使用例如GPS接收器来确定设备122的位置。定位电路可以包括移动电路。移动电路(即移动跟踪***的示例)被配置为确定设备122的移动。定位电路407和移动电路可以是单独的***、或相同定位或移动电路***的段。在一个实施例中,本文中关于设备122描述的组件可以实现为静态设备。
输入设备403可以是一个或多个按钮、小键盘、键盘、鼠标、设计师笔、跟踪球、摇臂开关、触摸板、语音识别电路或者用于向设备122输入数据的其他设备或组件。输入设备403和输出接口411可以组合为触摸屏,该触摸屏可以是电容性的或电阻性的。输出接口411可以是液晶显示器(LCD)面板、发光二极管(LED)屏幕、薄膜晶体管屏幕或其他类型的显示器。输出接口411还可以包括音频能力或扬声器。
通信接口405和/或通信接口805可以包括任何可操作连接。可操作连接可以是可以发送和/或接收信号、物理通信和/或逻辑通信的连接。可操作连接可以包括物理接口、电接口和/或数据接口。通信接口405和/或通信接口805以任何现在已知或以后开发的格式提供无线和/或有线通信。通信接口405和/或通信接口805可以包括用于数字无线电信号或其他广播媒体的接收器/发射器。接收器/发射器可以位于设备122外部,诸如在车辆中或车辆上。通信接口405可以被配置为从MNO或蜂窝提供方接收与缓冲或下载信息相关的指令。通信接口405可以在一个或多个小区处接收与网络拥塞相关的信息。
术语“计算机可读介质”包括单个介质或多个介质(诸如集中式或分布式数据库),和/或存储一个或多个指令集合的相关联的高速缓存和服务器。术语“计算机可读介质”还应当包括能够存储、编码或携带指令集合以供处理器执行或者使得计算机***执行本文中公开的方法或操作中的任何一个或多个的任何介质。
在特定的非限制性示例性实施例中,计算机可读介质可以包括固态存储器,诸如存储卡或者容纳一个或多个非易失性只读存储器的其他封装。此外,计算机可读介质可以是随机存取存储器或其他易失性可重写存储器。另外,计算机可读介质可以包括磁光或光学介质,诸如磁盘或磁带或者其他存储设备,以捕获载波信号,诸如通过传输介质传送的信号。可以将对电子邮件或其他自包含信息档案或档案集合的数字文件附件视为有形存储介质的分发介质。因此,本公开被认为包括计算机可读介质或分发介质以及可以存储数据或指令的其他等同物和后继介质中的任何一个或多个。
在备选实施例中,可以构造专用硬件实现,诸如专用集成电路、可编程逻辑阵列和其他硬件设备,以实现本文中描述的方法中的一个或多个。可以包括各种实施例的装置和***的应用可以广泛地包括各种电子和计算机***。本文中描述的一个或多个实施例可以使用具有可以在模块之间和通过模块传送的相关控制和数据信号的两个或更多个特定互连硬件模块或设备来实现功能,该硬件模块或设备具有可以在模块之间和通过模块传送的相关控制和数据信号,或者可以将功能实现为专用集成电路的一部分。因此,本***包括软件、固件和硬件实现。
根据本公开的各种实施例,本文中描述的方法可以由计算机***可执行的软件程序实现。此外,在示例性非限制性实施例中,实现可以包括分布式处理、组件/对象分布式处理和并行处理。备选地,可以构造虚拟计算机***处理以实现如本文所述的一个或多个方法或功能。
尽管本说明书描述了可以参考特定标准和协议在特定实施例中实现的组件和功能,但是本发明不限于这些标准和协议。例如,用于因特网和其他分组交换网络传输的标准(例如,TCP/IP、UDP/IP、HTML、HTTP、HTTPS)代表了现有技术的示例。这些标准定期被具有基本上相同功能的更快或更有效的等同物取代。因此,具有与本文中公开的那些相同或相似的功能的替换标准和协议被认为是其等同物。
计算机程序(也称为程序、软件、软件应用、脚本或代码)可以用任何形式的编程语言编写,包括编译或解释语言,并且可以以任何形式部署,包括作为独立程序或者作为模块、组件、子例程或适用于计算环境中的其他单元。计算机程序不一定对应于文件***中的文件。程序可以存储在保存其他程序或数据的文件的一部分中(例如,存储在标记语言文档中的一个或多个脚本),存储在专用于所讨论的程序的单个文件中,或者存储在多个协调文件中(例如,存储一个或多个模块、子程序或代码部分的文件)。计算机程序可以部署为在一个计算机上或者在位于一个站点处或跨多个站点分布并且通过通信网络互连的多个计算机上执行。
本说明书中描述的过程和逻辑流程可以由一个或多个可编程处理器执行一个或多个计算机程序以通过对输入数据进行操作并且生成输出来执行功能来执行。过程和逻辑流程也可以由专用逻辑电路执行,并且装置也可以实现为专用逻辑电路,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。
如在本申请中所使用的,术语“电路***(circuitry)”或“电路(circuit)”指的是以下所有内容:(a)仅硬件电路实现(诸如仅在模拟和/或数字电路中实现);(b)电路和软件(和/或固件)的组合,诸如(如适用的话):(i)处理器的组合或(ii)处理器/软件的部分(包括数字信号处理器)、软件、和共同工作以使得装置(诸如移动电话或服务器)执行各种功能的存储器)和(c)即使软件或固件物理上不存在也需要软件或固件来进行操作的电路,诸如微处理器或微处理器的一部分。
“电路***(circuitry)”的这种定义适用于该术语在本申请中的所有用途,包括在任何权利要求中。作为另一示例,如在本申请中所使用的,术语“电路***(circuitry)”还将覆盖仅处理器(或多个处理器)或处理器的一部分及其(或它们的)伴随软件和/或固件的实现。例如并且如果适用于特定的权利要求元素,术语“电路***(circuitry)”还将覆盖用于移动电话的基带集成电路或应用处理器集成电路或者服务器、蜂窝网络设备或其他网络设备中的类似集成电路。
举例来说,适合于执行计算机程序的处理器包括通用和专用微处理器两者以及任何类型的数字计算机的任何一个或多个处理器。通常,处理器从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器设备。通常,计算机还包括用于存储数据的一个或多个大容量存储设备(例如,磁盘、磁光盘或光盘),或者可操作地耦合以从一个或多个大容量存储设备接收数据或向一个或多个大容量存储设备传输数据或两者。但是,计算机不需要这样的设备。此外,计算机可以嵌入另一设备中,例如移动电话、个人数字助理(PDA)、移动音频播放器、全球定位***(GPS)接收器,仅举几例。适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、介质和存储器设备,包括例如半导体存储器设备,例如EPROM、EEPROM和闪存设备;磁盘,例如内部硬盘或可移动磁盘;磁光盘;以及CD ROM和DVD-ROM磁盘。存储器可以是非暂态介质,诸如ROM、RAM、闪存等。处理器和存储器可以由专用逻辑电路补充或并入专用逻辑电路中。
为了提供与用户的交互,本说明书中描述的主题的实施例可以在具有用于向用户显示信息的显示器(例如,CRT(阴极射线管)或LCD(液晶显示器)监测器)以及用户可以通过其向计算机提供输入的键盘和指示设备(例如,鼠标或轨迹球)的设备上实现。其他类型的设备也可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的感觉反馈,例如视觉反馈、听觉反馈或触觉反馈;并且来自用户的输入可以以任何形式接收,包括声学、语音或触觉输入。
本说明书中描述的主题的实施例可以在包括后端组件(例如,作为数据服务器)或者包括中间件组件(例如,应用服务器)或者包括前端组件(例如,具有用户可通过其与本说明书中描述的主题的实现进行交互的图形用户界面或Web浏览器的客户端计算机)或者一个或多个这样的后端、中间或前端组件的任何组合的计算***中实现。***的组件可以通过任何形式或介质的数字数据通信互连,例如通信网络。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”),例如因特网。
计算***可以包括客户端和服务器。客户端和服务器通常彼此远离,并且通常通过通信网络进行交互。客户端和服务器的关系借助于在各个计算机上运行并且彼此具有客户端服务器关系的计算机程序而产生。
本文中描述的实施例的图示旨在提供对各种实施例的结构的一般理解。这些图示不旨在用作利用本文中描述的结构或方法的装置和***的所有元件和特征的完整描述。在阅读本公开之后,很多其他实施例对于本领域技术人员而言是显而易见的。可以利用其他实施例并且可以从本公开中得出其他实施例,使得可以在不脱离本公开的范围的情况下进行结构和逻辑替换和改变。另外,这些图示仅仅是代表性的,并且可能未按比例绘制。这些图示中的某些比例可能被夸大,而其他比例可能被最小化。因此,本公开和附图应当被视为说明性的而非限制性的。
虽然本说明书包含很多细节,但这些细节不应当被解释为对本发明范围或可要求保护的内容的范围的限制,而是作为对本发明的特定实施例特有的特征的描述。在单独实施例的上下文中在本说明书中描述的某些特征也可以在单个实施例中组合实现。相反,在单个实施例的上下文中描述的各种特征也可以单独地在多个实施例中或以任何合适的子组合实现。此外,尽管特征在上面可以描述为以某些组合起作用并且甚至最初如此要求保护,但是在某些情况下可以从组合中去除来自所要求保护的组合的一个或多个特征,并且所要求保护的组合可以针对子组合或子组合的变体。
类似地,虽然在附图中描绘了操作并且本文中以特定顺序描述了操作,但是这不应当被理解为要求以所示的特定顺序或按顺序执行这些操作,或者执行所有示出的操作,以实现期望的效果。在某些情况下,多任务处理和并行处理可能是有利的。此外,上述实施例中的各种***组件的分开不应当被理解为在所有实施例中都需要这种分开,并且应当理解,所描述的程序组件和***通常可以一起集成在单个软件产品中或者打包成多个软件产品。
在本文中,本公开的一个或多个实施例可以单独和/或共同地通过术语“本发明”来引用,这仅仅是为了方便而非意图将本申请的范围自愿地限制于任何特定发明或发明构思。此外,尽管本文中已经说明和描述了特定实施例,但是应当理解,旨在实现相同或类似目的的任何随后布置可以替代所示的特定实施例。本公开旨在涵盖各种实施例的任何和所有随后修改或变化。在阅读本说明书之后,上述实施例的组合以及本文中未具体描述的其他实施例对于本领域技术人员而言是显而易见的。
本公开的“摘要”被提供以符合37 C.F.R.§1.72(b)并且被提交以理解其不会用于解释或限制权利要求的范围或含义。另外,在前面的具体实施方式中,出于简化本公开的目的,各种特征可以组合在一起或在单个实施例中描述。本公开不应当被解释为反映所要求保护的实施例需要比每个权利要求中明确记载的更多特征的意图。而是,如所附权利要求所反映的,发明主题可以针对少于任何所公开的实施例的所有特征。
Claims (20)
1.一种用于优化无线网络的方法,所述方法包括:
接收交通事故的第一描述;
根据所述第一描述、当前交通流量和历史交通流量,预测第一时间段的估计交通流量模式作为所述交通事故的结果;
基于所述估计交通流量模式对所述当前交通流量的影响,确定第一地理区域;
基于所述第一地理区域,生成第一地理多边形;
估计所述第一地理多边形中的无线网络使用的第一未来水平,作为所述交通事故的结果;以及
向移动网络运营方传输无线网络使用的所述第一未来水平。
2.根据权利要求1所述的方法,其中确定所述第一地理区域包括:
使用当前交通信息和历史交通信息,预测所述交通事故所导致的改变的交通模式;以及
确定当前交通模式受所述改变的交通模式影响的所述第一地理区域。
3.根据权利要求2所述的方法,其中所述改变的交通模式包括增加的车辆拥塞。
4.根据权利要求2所述的方法,其中所述第一地理区域包括一个或多个路段。
5.根据权利要求2所述的方法,其中预测所述改变的交通模式还使用一个或多个当前天气状况。
6.根据权利要求1所述的方法,还包括:
向被预测为要进入所述第一地理多边形的一个或多个设备传输地图数据。
7.根据权利要求1所述的方法,其中估计无线网络使用的所述第一未来水平包括:
在蜂窝地图上叠加所述第一地理多边形;
根据所述第一地理多边形和所述蜂窝地图的叠加来标识一个或多个小区;
基于所述估计交通流量模式,确定所述一个或多个小区的拥塞的变化;以及
确定所述一个或多个小区中的用于所述拥塞的带宽的变化。
8.根据权利要求1所述的方法,还包括:
接收所述交通事故的第二描述,其中预测所述估计交通流量模式是基于所述第一描述和所述第二描述的。
9.一种用于优化无线网络的装置,包括:
至少一个处理器;以及
至少一个存储器,所述至少一个存储器存储用于一个或多个程序的计算机程序代码;所述计算机程序代码被配置为当被所述至少一个处理器执行时使所述装置至少执行:
接收交通事故的描述;
基于所述描述生成第一时间段的第一影响区域;
基于所述交通事故的所述第一影响区域生成第一地理多边形;
计算用于所述第一地理多边形的第一带宽水平;
基于所述描述生成第二时间段的第二影响区域;
基于所述交通事故的所述第二影响区域生成第二地理多边形;
计算用于所述第二地理多边形的第二带宽水平;以及
向移动网络运营方传输所述第一带宽水平和所述第二带宽水平;
其中所述第二时间段晚于所述第一时间段;
其中所述第一影响区域不同于所述第二影响区域;以及
其中所述第一地理多边形不同于所述第二地理多边形。
10.根据权利要求9所述的装置,其中所述第一地理多边形对应于蜂窝网络的第一多个小区,并且所述第二地理多边形对应于所述蜂窝网络的第二多个小区。
11.根据权利要求9所述的装置,其中所述交通事故是道路网络的路段上的交通事件。
12.根据权利要求11所述的装置,其中所述第一地理多边形对应于道路网络的第一多个路段,并且所述第二地理多边形对应于所述道路网络的第二多个路段。
13.根据权利要求11所述的装置,其中所述至少一个存储器和计算机程序代码被配置为当被所述至少一个处理器执行时使所述装置还执行:
向自主车辆传输所述第一带宽水平和所述第二带宽水平。
14.根据权利要求11所述的装置,其中所述第一影响区域和所述第二影响区域是由于所述交通事故而具有增加的交通拥塞的区域。
15.一种用于优化蜂窝网络的方法,包括:
接收交通事故的描述;
根据所述描述、当前交通流量和历史交通流量,预测第一时间段的估计交通流量模式作为所述交通事故的结果;
基于所述估计交通流量模式,确定所述交通事故的第一影响区域;
估计所述第一影响区域的网络数据拥塞的未来水平,作为所述估计交通流量模式的结果;
标识与网络数据拥塞的所述未来水平相关联的所述蜂窝网络的一个或多个小区;以及
向被预测为要穿过所述蜂窝网络的所述一个或多个小区的一个或多个设备传输消息。
16.根据权利要求15所述的方法,其中确定所述第一影响区域包括:
使用所述描述、当前交通流量数据和历史流量数据来预测由于所述交通事故导致的估计的交通流量模式;以及
基于当前交通流量受所述估计交通流量模式影响的位置来确定所述第一影响区域。
17.根据权利要求15所述的方法,其中估计网络数据拥塞的未来水平包括:
标识所述第一影响区域中的连接设备的历史数目;以及
基于所述估计交通流量模式,计算所述第一影响区域中的连接设备的预测数目。
18.根据权利要求15所述的方法,其中标识一个或多个小区包括:
基于所述第一影响区域生成地理多边形;
在蜂窝地图上叠加所述地理多边形;以及
根据所述地理多边形和所述蜂窝地图的叠加来标识所述一个或多个小区。
19.根据权利要求18所述的方法,其中标识一个或多个小区还包括
在随后的时间生成所述交通事故的第二影响区域;
基于所述第二影响区域生成第二地理多边形;
在蜂窝地图上叠加所述第二地理多边形;以及
从所述第二地理多边形和所述蜂窝地图的叠加中标识所述一个或多个小区。
20.根据权利要求17所述的方法,其中估计网络数据拥塞的未来水平还包括:
根据一个或多个设备简档来标识所述预测数目的连接设备的估计带宽。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/251,302 | 2016-08-30 | ||
US15/251,302 US10749807B2 (en) | 2016-08-30 | 2016-08-30 | Wireless network optimization |
PCT/US2017/047904 WO2018044616A1 (en) | 2016-08-30 | 2017-08-22 | Wireless network optimization |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109644144A CN109644144A (zh) | 2019-04-16 |
CN109644144B true CN109644144B (zh) | 2022-09-02 |
Family
ID=59772723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780053068.8A Active CN109644144B (zh) | 2016-08-30 | 2017-08-22 | 无线网络优化 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10749807B2 (zh) |
EP (1) | EP3507942B1 (zh) |
CN (1) | CN109644144B (zh) |
WO (1) | WO2018044616A1 (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11909616B2 (en) * | 2014-04-08 | 2024-02-20 | Eino, Inc. | Mobile telecommunications network capacity simulation, prediction and planning |
US11489749B2 (en) * | 2018-06-06 | 2022-11-01 | Eino, Inc. | Mobile telecommunications network capacity simulation, prediction and planning |
US11119489B1 (en) | 2016-07-13 | 2021-09-14 | United Services Automobile Association (Usaa) | Autonomous vehicle haven seeking system and method |
EP3358542B1 (en) * | 2017-02-01 | 2020-12-09 | Kapsch TrafficCom AG | A method of predicting a traffic behaviour in a road system |
US10477416B2 (en) | 2017-10-13 | 2019-11-12 | At&T Intellectual Property I, L.P. | Network traffic forecasting for non-ticketed events |
US10631198B2 (en) * | 2017-11-14 | 2020-04-21 | T-Mobile Usa, Inc. | Data congestion management system and method |
US10721631B2 (en) * | 2018-04-11 | 2020-07-21 | At&T Intellectual Property I, L.P. | 5D edge cloud network design |
JP6927135B2 (ja) * | 2018-04-24 | 2021-08-25 | 日本電信電話株式会社 | トラヒック推定装置、トラヒック推定方法及びプログラム |
EP3804226A1 (en) * | 2018-06-06 | 2021-04-14 | The Joan and Irwin Jacobs Technion-Cornell Institute | Telecommunications network traffic metrics evaluation and prediction |
CA3057032C (en) | 2018-09-28 | 2023-03-21 | Element Ai Inc. | System and method for managing network resources |
CN109615852B (zh) * | 2018-11-20 | 2021-03-30 | 上海海事大学 | 一种突发事故下路段交通流分配快速预测的方法 |
JP2020167550A (ja) * | 2019-03-29 | 2020-10-08 | 本田技研工業株式会社 | 通信装置、通信方法及びプログラム |
CN112488144B (zh) * | 2019-09-12 | 2024-03-19 | ***通信集团广东有限公司 | 网络设置提示生成方法、装置及电子设备、存储介质 |
CN112637886B (zh) * | 2019-09-24 | 2022-05-17 | 深圳市万普拉斯科技有限公司 | 基站与终端的通信资源共享方法及*** |
CN114730522A (zh) * | 2019-10-14 | 2022-07-08 | 华为云计算技术有限公司 | 交通推理器 |
CN111050341B (zh) * | 2019-12-24 | 2022-02-22 | 展讯通信(上海)有限公司 | 双连接场景下空口拥塞状态的判定方法及装置 |
US11455890B2 (en) * | 2020-03-23 | 2022-09-27 | Toyota Motor Eng & Mfg North America, Inc. | Traffic-adaptive deployment of vehicle functions |
FR3110751A1 (fr) * | 2020-05-25 | 2021-11-26 | Psa Automobiles Sa | Procédé d’estimation du trafic automobile |
JP2021197701A (ja) * | 2020-06-17 | 2021-12-27 | ソフトバンク株式会社 | 情報処理装置、通信管理システム、プログラム、及び、情報処理方法 |
CN111679813B (zh) * | 2020-08-11 | 2020-11-06 | 南京云联数科科技有限公司 | 用于信息处理的方法、电子设备和存储介质 |
US20220292955A1 (en) * | 2021-03-11 | 2022-09-15 | International Business Machines Corporation | Calculating traffic flow changes due to traffic events |
US11605139B1 (en) | 2022-06-23 | 2023-03-14 | World Answer Zone Llc | Method of collating, abstracting, and delivering worldwide viewpoints |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763682A (zh) * | 2013-12-31 | 2014-04-30 | 同济大学 | 面向平安出行的异构网络环境中安全消息广播方法 |
EP3054721A1 (en) * | 2015-02-04 | 2016-08-10 | HERE Global B.V. | Traffic adjustment for variable network state |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2714695C3 (de) | 1977-04-01 | 1979-09-20 | Siemens Ag, 1000 Berlin Und 8000 Muenchen | Fixiervorrichtung für einen Patienten |
WO1982000247A1 (en) | 1980-07-11 | 1982-02-04 | Schnitzler A | Hand-barrow |
US5040546A (en) | 1989-12-21 | 1991-08-20 | Lunar Corporation | Patient positioning device and method |
DE4229998A1 (de) | 1992-09-08 | 1994-03-10 | Marion Schnitzler | Krankentrage mit Patientenrückhaltesystem |
US5384926A (en) | 1993-10-20 | 1995-01-31 | Al-Bargi; Hamed H. | Expandable litter apparatus |
DE19832089A1 (de) | 1998-07-16 | 2000-01-20 | Bsh Bosch Siemens Hausgeraete | Drehschalter für Haushaltsgeräte |
US20040080430A1 (en) | 2002-10-28 | 2004-04-29 | Videtich Matt C. | Method and system for delivering location dependent severe weather information |
US7663369B2 (en) | 2007-02-06 | 2010-02-16 | Kabushiki Kaisha Toshiba | Patient couch, magnetic resonance imaging (MRI) apparatus, and MRI method |
WO2008128133A1 (en) | 2007-04-13 | 2008-10-23 | Pelago, Inc. | Location-based information determination |
US8275349B2 (en) * | 2007-11-29 | 2012-09-25 | Rivada Networks, Llc | Method and system for providing tiered priority access to communication network resources |
US8301112B2 (en) * | 2008-01-08 | 2012-10-30 | Global Alert Network, Inc. | Mobile alerting network |
US20090247186A1 (en) | 2008-03-28 | 2009-10-01 | University Of South Carolina | Dynamic Localization Using Geographical Information Systems |
US20100015926A1 (en) * | 2008-07-18 | 2010-01-21 | Luff Robert A | System and methods to monitor and analyze events on wireless devices to predict wireless network resource usage |
WO2010054681A1 (en) | 2008-11-11 | 2010-05-20 | Telefonaktiebolaget Lm Ericsson (Publ) | Method for sending emergency messages to mobile terminals |
US9247523B1 (en) | 2012-01-17 | 2016-01-26 | Cox Communications, Inc. | System, method and device for initiating actions for mobile devices prior to a mobile user entering problem zones |
US9332387B2 (en) | 2012-05-02 | 2016-05-03 | Google Inc. | Prefetching and caching map data based on mobile network coverage |
WO2014153130A1 (en) * | 2013-03-14 | 2014-09-25 | Sirius Xm Radio Inc. | High resolution encoding and transmission of traffic information |
CN104123845A (zh) * | 2013-04-28 | 2014-10-29 | 朱孝杨 | 基于现代控制理论的智能型动态导航 |
US10715453B2 (en) | 2013-07-24 | 2020-07-14 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and network node for congestion management in a wireless communications network |
US20160028648A1 (en) | 2014-07-25 | 2016-01-28 | At&T Intellectual Property I, L.P. | Resource Management Service |
US9729636B2 (en) * | 2014-08-01 | 2017-08-08 | Magna Electronics Inc. | Smart road system for vehicles |
CN104952258B (zh) * | 2015-06-18 | 2017-05-10 | 安徽四创电子股份有限公司 | 基于交通场面雷达的交通事件影响范围计算方法 |
US10395183B2 (en) * | 2016-03-15 | 2019-08-27 | Nec Corporation | Real-time filtering of digital data sources for traffic control centers |
-
2016
- 2016-08-30 US US15/251,302 patent/US10749807B2/en active Active
-
2017
- 2017-08-22 CN CN201780053068.8A patent/CN109644144B/zh active Active
- 2017-08-22 EP EP17761654.7A patent/EP3507942B1/en active Active
- 2017-08-22 WO PCT/US2017/047904 patent/WO2018044616A1/en unknown
-
2020
- 2020-07-20 US US16/933,385 patent/US11265252B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763682A (zh) * | 2013-12-31 | 2014-04-30 | 同济大学 | 面向平安出行的异构网络环境中安全消息广播方法 |
EP3054721A1 (en) * | 2015-02-04 | 2016-08-10 | HERE Global B.V. | Traffic adjustment for variable network state |
Non-Patent Citations (1)
Title |
---|
Usage Examples and Explanation of CR on Location Filtering;Qualcomm Incorporated等;《http://www.3gpp.org/ftp/tsg_sa/WG4_CODEC/Ad-hoc_MBS/Docs_AH》;20120918;全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2018044616A1 (en) | 2018-03-08 |
EP3507942B1 (en) | 2023-04-05 |
US10749807B2 (en) | 2020-08-18 |
CN109644144A (zh) | 2019-04-16 |
EP3507942A1 (en) | 2019-07-10 |
US11265252B2 (en) | 2022-03-01 |
US20180063002A1 (en) | 2018-03-01 |
US20200351205A1 (en) | 2020-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109644144B (zh) | 无线网络优化 | |
EP3357049B1 (en) | Transmission of targeted roadway alerts | |
US9672735B2 (en) | Traffic classification based on spatial neighbor model | |
EP3533041B1 (en) | Automated traffic signal outage notification without signal timing and phase information | |
US9666072B2 (en) | Dynamic speed limit | |
US9518837B2 (en) | Monitoring and visualizing traffic surprises | |
US20120130625A1 (en) | Systems and methods for determining traffic intensity using information obtained through crowdsourcing | |
US11270578B2 (en) | Method, apparatus, and system for detecting road closures based on probe activity | |
CN113748316A (zh) | 用于车辆遥测的***和方法 | |
US20210209937A1 (en) | A roadside unit system and method thereof | |
WO2022177783A1 (en) | Collaborative automated driving system | |
EP3671126A1 (en) | Method, apparatus, and system for providing road closure graph inconsistency resolution | |
JP2023503369A (ja) | 車両のインターネットベースの動的情報送信方法及びデバイス | |
US20230204372A1 (en) | Method, apparatus, and system for determining road work zone travel time reliability based on vehicle sensor data | |
US20220207995A1 (en) | Origination destination route analytics of road lanes | |
Sakr et al. | Intelligent Traffic Management Systems: A review | |
Prevedouros et al. | Potential effects of wet conditions on signalized intersection LOS | |
US20230206753A1 (en) | Method, apparatus, and system for traffic prediction based on road segment travel time reliability | |
US12010585B2 (en) | Method, apparatus, and system for identifying mobile work zones | |
El-afifi et al. | Intelligent Traffic Management Systems: A review | |
CN115457759A (zh) | 基于车路协同的道路交通实时路况信息分析***和方法 | |
CN111337043B (zh) | 一种路径的规划方法、装置、存储介质和电子设备 | |
US12020566B2 (en) | Machine-learning based control of traffic operation | |
Pack et al. | Considerations of current and emerging transportation management center data | |
US20220375340A1 (en) | Machine-learning based control of traffic operation |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40007220 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |