CN109910896A - 道路拥堵预测方法和装置 - Google Patents
道路拥堵预测方法和装置 Download PDFInfo
- Publication number
- CN109910896A CN109910896A CN201910269612.3A CN201910269612A CN109910896A CN 109910896 A CN109910896 A CN 109910896A CN 201910269612 A CN201910269612 A CN 201910269612A CN 109910896 A CN109910896 A CN 109910896A
- Authority
- CN
- China
- Prior art keywords
- road
- detected
- vehicle
- road area
- congestion
- 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
Landscapes
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本申请实施例公开了道路拥堵预测方法和装置。道路拥堵预测方法的一实施例包括:确定车辆的当前行驶速度;响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域;确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例;基于所确定的车辆比例,预测待检测道路区域的拥堵概率。本申请的道路拥堵预测方案,通过车辆的当前速度来预测拥堵概率,可以有效地利用已有的车辆的当前速度信息,无需通过获取其它数据来预测拥堵概率。
Description
技术领域
本申请实施例涉及计算机领域,具体涉及导航领域,尤其涉及道路拥堵预测方法和装置。
背景技术
车载导航,通常指利用车载的定位设备确定车辆位置,配合电子地图来规划自导航起始地至导航目的地的路径的技术。
现有的电子地图服务或者导航服务中,为了向用户提供更加全面的信息,通常会增加实时路况信息提示。例如,通过设置在道路附近的图像采集设备实时采集道路图像,并基于所采集的图像分析车流速度;或者,使用第三方提供的数据判断是否发生拥堵等。
发明内容
本申请实施例提出了道路拥堵预测方法和装置。
第一方面,本申请实施例提供了一种道路拥堵预测方法,包括:确定车辆的当前行驶速度;响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域;确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例;基于所确定的车辆比例,预测待检测道路区域的拥堵概率。
在一些实施例中,方法还包括:根据基于当前时刻所属时段的时段特征,确定待检测道路区域的第一拥堵概率基准值;基于所确定的车辆比例,确定待检测道路区域的拥堵概率,包括:基于所确定的车辆比例和待检测道路区域的第一拥堵概率基准值,预测待检测道路区域的拥堵概率。
在一些实施例中,响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域,包括:响应于当前行驶速度小于预先设置的速度阈值,确定车辆的当前行驶道路;基于车辆的当前位置,从当前行驶道路中,确定出待检测道路区域。
在一些实施例中,方法还包括:确定待检测道路区域的道路属性;基于待检测道路区域的道路属性确定待检测道路区域的第二拥堵概率基准值;基于所确定的车辆比例,确定待检测道路区域的拥堵概率,包括:基于所确定的车辆比例和待检测道路区域的第二拥堵概率基准值,预测待检测道路区域的拥堵概率。
在一些实施例中,在响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域之前,方法还包括:确定车辆的当前行驶道路的道路属性;以及基于当前行驶道路的道路属性确定速度阈值。
第二方面,本申请实施例还提供了一种道路拥堵预测装置,包括:速度确定单元,被配置成确定车辆的当前行驶速度;待检测道路区域确定单元,被配置成响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域;车辆比例确定单元,被配置成确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例;预测单元,被配置成基于所确定的车辆比例,预测待检测道路区域的拥堵概率。
在一些实施例中,装置还包括:第一拥堵概率基准值确定单元,被配置成根据基于当前时刻所属时段的时段特征,确定待检测道路区域的第一拥堵概率基准值;预测单元进一步被配置成:基于所确定的车辆比例和待检测道路区域的第一拥堵概率基准值,预测待检测道路区域的拥堵概率。
在一些实施例中,待检测道路区域确定单元进一步被配置成:响应于当前行驶速度小于预先设置的速度阈值,确定车辆的当前行驶道路;基于车辆的当前位置,从当前行驶道路中,确定出待检测道路区域。
在一些实施例中,装置还包括:道路属性确定单元,被配置成确定待检测道路区域的道路属性;第二拥堵概率基准值预测单元,被配置成基于待检测道路区域的道路属性确定待检测道路区域的第二拥堵概率基准值;预测单元进一步被配置成:基于所确定的车辆比例和待检测道路区域的第二拥堵概率基准值,预测待检测道路区域的拥堵概率。
在一些实施例中,装置还包括速度阈值确定单元,被配置成:确定车辆的当前行驶道路的道路属性;以及基于当前行驶道路的道路属性确定速度阈值。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面描述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现如第一方面描述的方法。
本申请实施例提供的道路拥堵预测的方案,通过确定车辆的当前行驶速度,并在车辆的当前行驶速度小于预先设置的速度阈值的情况下,进一步确定待检测道路区域内的车辆的当前行驶速度低于该速度阈值的比例,并根据该比例来确定待检测道路区域的拥堵概率,使得可以利用待检测道路区域多个车辆的当前速度来确定拥堵概率。进一步地,由于用户在使用电子地图类服务或者导航类服务时,为了将车辆的当前位置呈现在地图中,这些服务的服务提供方通常需要获取车辆的当前速度,本申请实施例提供的道路拥堵预测的方案通过车辆的当前速度来预测拥堵概率,可以有效地利用已有的车辆的当前速度信息,无需通过获取其它数据来预测拥堵概率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请一个实施例的道路拥堵预测***或道路拥堵预测方法可以应用于其中的示例性***架构图;
图2是根据本申请的道路拥堵预测方法的一个实施例的示意性流程图;
图3是根据本申请的道路拥堵预测方法的一个应用场景的示意图;
图4是根据本申请的道路拥堵预测方法的另一个实施例的示意性流程图;
图5是根据本申请的道路拥堵预测方法的又一个实施例的示意性流程图;
图6是根据本申请的道路拥堵预测装置的一个实施例的示意性结构图;
图7是适于用来实现本申请实施例的道路拥堵预测方法的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的道路拥堵预测方法或道路拥堵预测装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户110可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如电子地图类应用、导航类应用等。
终端设备101、102、103可以是具有屏幕的各种电子设备,包括但不限于智能手机、平板电脑、智能手表、膝上型便携计算机和设置在有人驾驶或者自动驾驶车辆上的车载终端设备等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103发送的定位信息进行处理的后台服务器。后台服务器可以基于接收到的车辆的定位信息确定其当前行驶速度,并将处理结果(例如,用于指示车辆的当前行驶路段的拥堵概率的结果)反馈给终端设备101、102、103。
需要说明的是,本申请实施例所提供的道路拥堵预测方法一般由服务器105执行。相应地,道路拥堵预测装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。例如服务器可以为集群式的服务器,包括部署了不同进程的多台服务器。
继续参考图2,其示出了根据本申请的道路拥堵预测方法的一个实施例的流程200。
该道路拥堵预测方法,包括以下步骤:
步骤201,确定车辆的当前行驶速度。
本实施例的道路拥堵预测方法的执行主体(例如,图1所示的服务器105)可以直接获取使用其提供的服务的终端设备所处车辆的当前行驶速度。
在一些应用场景中,执行主体可以对使用其提供的服务(例如,导航服务或电子地图服务等)的终端设备进行速度采样,从而确定终端设备所处的车辆的当前行驶速度。例如,执行主体可以每间隔一定的时段,从其所提供的服务的覆盖区域内,选取部分使用其服务的终端设备,并确定这些终端设备所处车辆的当前行驶速度。具体地,若执行主体为提供导航服务的服务器,其可提供中国范围(即,服务的覆盖区域)内的导航服务,服务器可以每间隔一段时间,在覆盖区域内,选取一些正在使用该导航服务的终端设备,例如,选取处于北京市道路A的a路段的终端设备a1,从并确定a1所处车辆的当前行驶速度。
在另一些应用场景中,使用执行主体所提供服务的终端设备可以每间隔一定的时段,主动向执行主体上报其所处车辆的当前行驶速度。
此外,执行主体还可以通过其它可行的方式间接获取车辆的当前行驶速度。例如,在一些应用场景中,执行主体为提供导航类服务的服务器。在这些应用场景中,设置在车辆中的终端设备可以每隔时间间隔t0向服务器发送一次自身的当前位置。这样一来,执行主体可以获取t时刻的终端设备位置p1以及t+t0时刻的终端设备位置p2,并将|p1-p2|/t0作为终端设备所处的车辆的当前行驶速度。其中,|p1-p2|为位置p1和位置p2之间的距离。
步骤202,响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域。
正如在步骤201中已描述的,执行主体具有获取车辆当前位置以及当前行驶速度的能力。这样一来,可以将所确定的车辆的当前行驶速度和预先设置的速度阈值进行比较,以确定车辆的当前行驶速度是否小于该预先设置的速度阈值。
若车辆的当前行驶速度小于该预先设置的速度阈值,则可以进一步基于车辆的当前位置,确定待检测道路区域。在这里,待检测道路区域可以理解为执行主体即将对其进行道路拥堵预测的道路区域。
例如,在一些可选的实现方式中,可以以该车辆的当前位置为圆心,以某一距离为半径确定出一圆形区域,作为待检测道路区域。
步骤203,确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例。
在这里,若执行主体为导航服务或电子地图服务等的服务器,执行主体可以确定出在根据步骤202得到的待检测道路区域中,使用其提供的服务的车辆,进而,确定这些车辆中,行驶速度小于预先设置的速度阈值的那部分车辆。那么,待检测道路区域中,行驶速度小于预先设置的速度阈值的那部分车辆,以及该待检测道路区域中的车辆总数之比,即可作为该待检测道路区域中,当前行驶速度小于所述速度阈值的车辆比例。
例如,执行主体在根据步骤202确定出的待检测道路区域中,确定出的车辆总数为n,并且,该待检测道路区域中,当前行驶速度小于预先设置的速度阈值v0的车辆的数量为m,那么,m/n即为当前行驶速度小于速度阈值的车辆比例。
步骤204,基于所确定的车辆比例,预测待检测道路区域的拥堵概率。
在这里,预测可以理解为,确定自当前时刻起的某一段时间内,该待检测道路区域的拥堵概率。
此外,在这里,拥堵概率例如可以理解为,该待检测道路区域是否拥堵的定性描述,例如,不拥堵、略拥堵、较拥堵、非常拥堵等等;或者,拥堵概率还可以理解为,待检测道路区域是否拥堵的定量描述,例如,用某个处于[0,1]数值区间的实数作为概率值,来表征拥堵概率;或者,拥堵概率还可以理解为,在自当前时刻起的某一段时间内,拥堵概率的变化趋势,例如,自当前时刻t0至将来的某个时刻t1这一时间区间中,拥堵概率的变化趋势。可以理解的是,此处的拥堵概率的变化趋势可以是包含多个描述拥堵程度的描述词构成的描述词序列,或者可以是包含多个拥堵概率值构成的拥堵概率值序列,或者,还可以是拥堵概率值在[t0,t1]这一时间区间内的变化曲线。
可以理解的是,在某一个确定的时段内的某一个确定的待检测道路区域中,当前行驶速度小于速度阈值的车辆比例越大,该待检测道路区域的拥堵概率就越高。相反,若当前行驶速度小于速度阈值的车辆比例越小,该待检测道路区域的拥堵概率就越低。
在一些可选的实现方式中,可以预先设置一个车辆比例的阈值,若当前行驶速度小于速度阈值的车辆比例超过该车辆比例的阈值,则预测该待检测道路区域拥堵(即,拥堵概率为100%),相反,若当前行驶速度小于速度阈值的车辆比例未超过该车辆比例的阈值,则预测该待检测道路区域不拥堵(即,拥堵概率为0%)。
或者,在另一些可选的实现方式中,可以预先设置一车辆比例范围和拥堵概率之间的对应关系。例如,若当前行驶速度小于速度阈值的车辆比例小于10%则预测该待检测道路区域的拥堵概率为0%;若当前行驶速度小于速度阈值的车辆比例在10%~40%,则预测该待检测道路区域的拥堵概率为30%;若当前行驶速度小于速度阈值的车辆比例在40%~70%,则预测该待检测道路区域的拥堵概率为60%;若当前行驶速度小于速度阈值的车辆比例在70%以上,则预测该待检测道路区域的拥堵概率为100%。
本实施例提供的道路拥堵预测的方法,通过确定车辆的当前行驶速度,并在车辆的当前行驶速度小于预先设置的速度阈值的情况下,进一步确定待检测道路区域内的车辆的当前行驶速度低于该速度阈值的比例,并根据该比例来确定待检测道路区域的拥堵概率,使得可以利用待检测道路区域多个车辆的当前速度来确定拥堵概率。进一步地,由于用户在使用电子地图类服务或者导航类服务时,为了将车辆的当前位置呈现在地图中,这些服务的服务提供方通常需要获取车辆的当前速度,本申请实施例提供的道路拥堵预测的方案通过车辆的当前速度来预测拥堵概率,可以有效地利用已有的车辆的当前速度信息,无需通过获取其它数据来预测拥堵概率。
继续参见图3,图3是根据本实施例的道路拥堵预测方法的应用场景的一个示意图300。
在图3所示的应用场景中,假设车辆301上的用户正在通过其使用的手机上安装的导航应用使用导航服务。当车辆301行驶至如图3所示的位置时,导航服务的服务方确定出该车辆301的当前行驶速度v小于预先设置的速度阈值v0。
接着,服务方可以以车辆301的当前位置为圆心,以距离r为半径,确定出一待检测道路区域302,并进一步确认该待检测道路区域302中的六个车辆的当前行驶速度。
若待检测道路区域302中有4辆车的当前行驶速度低于30千米/小时,则根据4/6×100%=66.7%这一车辆比例,确定出当前的待检测道路区域302的拥堵概率为70%。可以理解的是,正如对图2所示实施例的步骤204的描述中提到的,车辆比例和拥堵概率之间的数值关系可以是预先设置的。
由此,可以预测出待检测区域302的拥堵概率,并且,服务端可以仅利用使用其服务的终端的定位信息和速度信息进行拥堵概率的预测,减少了预测拥堵概率所需的数据的种类,从而减少额外接收和/或生成其它种类的数据所需的网络资源和计算资源。进一步地,服务端还可以利用使用其服务的终端的定位信息来计算得到相应的速度信息,从而进一步减少数据传输所需的网络资源。
参见图4所示,为本申请的道路拥堵预测方法的另一个实施例的示意性流程400。
该道路拥堵预测方法,包括以下步骤:
步骤401,确定车辆的当前行驶速度。
该步骤401可以采用如图2所示实施例中步骤201类似的方式执行,在此不再赘述。
步骤402,响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域。
该步骤402可以采用如图2所示实施例中步骤202类似的方式执行,在此不再赘述。
步骤403,根据基于当前时刻所属时段的时段特征,确定待检测道路区域的第一拥堵概率基准值。
在这里,当前时刻所属时段的时段特征可以理解为任何能够对道路拥堵情况产生影响的特征。
在一些可选的实现方式中,可以预先设置时段和时段特征之间的对应关系。这样一来,便可以根据该对应关系,确定出当前时刻所属时段的时段特征。
例如,在一些应用场景中,时段特征可以包括工作日和节假日。在这些应用场景中,可以根据当前时刻(包括时间值和日期),来确定当前时刻的时段特征是工作日还是节假日。
或者,在另一些应用场景中,时段特征还可以包括高峰时段和平峰时段,此外,高峰时段还可以进一步包括上班高峰时段、下班高峰时段等。在这些应用场景中,可以根据当前时刻,来确定当前时刻的时段特征是高峰时段还是平峰时段。
可以理解的是,在一些应用场景中,时段特征不仅可以包括工作日和节假日,还可以分别对工作日和节假日进行进一步细分,例如,针对“工作日”这一时段特征,可以进一步细分为上班高峰时段、下班高峰时段、平峰时段等。类似地,针对“节假日”这一时段特征,可以进一步细分为高峰时段和平峰时段等。此外,时段特征可以具有任意可行的形式,例如,可以用不同的文字等字符来表征不同的时段特征,或者,可以用不同的数字来表征不同的时段特征,等等。
进一步地,可以预先设置时段特征和拥堵概率基准值之间的对应关系,从而使得执行主体可以基于当前时刻确定时段特征,再基于时段特征确定拥堵概率基准值。例如,如下表1所示,为时段、时段特征和拥堵概率基准值之间的对应关系。
表1时段、时段特征和拥堵概率基准值之间的对应关系
工作日 | 拥堵概率基准值 | 节假日 | 拥堵概率基准值 | |
00:00~06:59 | 平峰时段 | 0% | 平峰时段 | 0% |
07:00~08:59 | 上班高峰时段 | 20% | 平峰时段 | 0% |
09:00~16:59 | 平峰时段 | 0% | 高峰时段 | 20% |
17:00~18:59 | 下班高峰时段 | 20% | 高峰时段 | 20% |
19:00~23:59 | 平峰时段 | 0% | 平峰时段 | 0% |
通过如上的表1,若已知当前时刻,便可以确定出当前时刻的时段特征进而确定当前时刻的拥堵概率基准值。
进一步地,在一些可选的实现方式中,对于不同的道路和/或路段,其可以具有不同的时段特征和拥堵概率基准值。在这些可选的实现方式中,可以根据待检测道路区域所属的道路和/或路段,以及当前时刻所处的时段特征,来确定待检测道路区域的拥堵概率基准值。
步骤404,确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例。
该步骤404可以采用如图2所示实施例中步骤203类似的方式执行,在此不再赘述。
步骤405,基于所确定的车辆比例和待检测道路区域的第一拥堵概率基准值,预测待检测道路区域的拥堵概率。
与图2所示的实施例中的步骤204类似的,本实施例的步骤405中,在进行待检测道路区域的拥堵概率的预测时,也需要考虑根据步骤404确定出的车辆比例。
与图2所示的实施例中的步骤204不同的是,本实施例的步骤405中,在进行待检测道路区域的拥堵概率的预测时,还进一步考虑了待检测道路区域的拥堵概率基准值,即第一拥堵概率基准值。
在一些可选的实现方式中,可以直接将所确定的第一拥堵概率基准值和基于车辆比例确定出的拥堵概率的概率值相加,若二者之和不超过100%,则直接将二者之和作为最终预测的拥堵概率的概率值;若二者之和超过100%,则最终预测得到的拥堵概率的概率值为100%。
在另一些可选的实现方式中,可以根据预先设置的权重为第一拥堵概率基准值何根据车辆比例确定出的拥堵概率的概率值进行加权,并将加权和作为最终预测的拥堵概率的概率值。
本实施例的道路拥堵预测方法,与图2所示的实施例相比,在对待检测道路区域的拥堵概率进行预测时,进一步考虑了当前时刻所属的时段特征,有利于提升预测得到拥堵概率的准确性。
参见图5所示,为本申请的道路拥堵预测方法的又一个实施例的示意性流程500。
该道路拥堵预测方法,包括以下步骤:
步骤501,确定车辆的当前行驶速度。
该步骤501可以采用如图2所示实施例中步骤201类似的方式执行,在此不再赘述。
步骤502,响应于当前行驶速度小于预先设置的速度阈值,确定车辆的当前行驶道路。
本步骤中,若执行主体确定当前行驶速度小于预先设置的速度阈值,则可以利用各种可行的方式确定出车辆当前所行驶的道路。
例如,在一些可选的实现方式中,执行主体可以根据连续两次终端上传的其所处车辆的定位信息,来确定终端所处车辆的行驶轨迹,再根据行驶轨迹来确定该车辆的当前行驶道路。例如,若车辆的行驶轨迹完全落入某条道路R的覆盖区域内,则可认为该车辆的当前行驶道路为道路R。
步骤503,基于车辆的当前位置,从当前行驶道路中,确定出待检测道路区域。
本步骤中,例如可以将车辆的当前位置作为参考位置,沿着当前行驶道路向前和/或向后的延伸方向,确定距离值,并将在当前行驶道路的延伸方向上,距该车辆处于该距离值之内的道路区域作为待检测道路区域。
步骤504,确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例。
该步骤504可以采用如图2所示实施例中步骤203类似的方式执行,在此不再赘述。
步骤505,基于所确定的车辆比例,预测待检测道路区域的拥堵概率。
该步骤505可以采用如图2所示实施例中步骤204类似的方式执行,在此不再赘述。
本实施例的道路拥堵预测方法,与图2所示的实施例相比,进一步限定了确定待检测道路区域的方式,使得所确定出的待检测道路区域为触发执行道路拥堵预测方法的车辆所行驶的当前行驶道路,进而使得最终预测得到的拥堵概率对该条道路上行驶的车辆更具参考价值。
在本实施例的一些可选的实现方式中,道路拥堵预测方法还可以进一步包括:确定待检测道路区域的道路属性;以及基于待检测道路区域的道路属性确定待检测道路区域的拥堵概率基准值。
在这里,道路属性可以理解为能够从某些方面或者某种程度区分各条道路的特征。例如,道路属性可以包括按照功能等级划分的道路等级(例如,高速公路、一级公路,二级公路等),和/或,道路属性还可以包括按照行驶速度划分的道路等级(例如,高速公路、快速公路、普通公路等),和/或,道路属性还可以表征道路所处的区域(例如,某城市的二环路、三环路、四环路等),和/或,还可以根据预先为道路/路段设置的交通标识来确定道路属性(例如,禁止停车标识、单行线标识、限速标识等),和/或,还可以根据作为用于将其它道路相互连通的连通道路的连通方式来确定该连通道路的道路属性(例如,匝道、环岛、立交桥等等)。
在这些可选的实现方式中,本实施例中的步骤505还可以进一步包括:基于所确定的车辆比例和待检测道路区域的第二拥堵概率基准值,预测待检测道路区域的拥堵概率。
这样一来,可以进一步根据当前行驶路段的道路属性来确定前行驶路段的拥堵概率基准值,有利于预测得到的拥堵概率的准确性的提升。
可以理解的是,在根据第二拥堵概率基准值和车辆比例共同预测待检测道路区域的拥堵概率时,可以图4所示实施例中的步骤404的执行方式,也即,可以根据第二拥堵概率基准值和基于待检测道路区域的车辆比例确定出的拥堵概率之和来预测待检测道路区域的拥堵概率。或者,可以先对第二拥堵概率基准值和基于待检测道路区域的车辆比例确定出的拥堵概率分别加权,并将加权和作为预测得到待检测道路区域的拥堵概率的概率值。
进一步地,本领域技术人员可以理解,在不冲突的情况下,还可以根据图4所示实施例中的第一拥堵概率基准值、本实施例中的第二拥堵概率基准值以及基于待检测道路区域的车辆比例确定出的拥堵概率,共同确定待检测道路区域的拥堵概率的概率值。
在本申请各实施例的道路拥堵预测方法的一些可选的实现方式中,在响应于所述当前行驶速度小于预先设置的速度阈值,基于所述车辆的当前位置,确定待检测道路区域之前,道路拥堵预测方法还可以进一步包括:确定车辆的当前行驶道路的道路属性;以及基于当前行驶道路的道路属性确定速度阈值。
在这些可选的实现方式中,道路属性的确定方式可以采用如上所述的方式中任意一种或者任意几种的结合。
这样一来,通过根据道路属性来为不同的道路设置匹配其道路属性的速度阈值,可以进一步有利于预测得到的拥堵概率的准确性的提升。
作为对上述各图所示方法的实现,本申请提供了一种道路拥堵预测装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的道路拥堵预测装置600包括速度确定单元601、待检测道路区域确定单元602、车辆比例确定单元603以及预测单元604。
其中,速度确定单元601,可被配置成确定车辆的当前行驶速度。
待检测道路区域确定单元602,可被配置成响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域。
车辆比例确定单元603,可被配置成确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例。
预测单元604,可被配置成基于所确定的车辆比例,预测待检测道路区域的拥堵概率。
在一些可选的实现方式中,本实施例的道路拥堵预测装置还可以包括第一拥堵概率基准值确定单元(图中未示出)。
在这些可选的实现方式中,第一拥堵概率基准值确定单元可被配置成根据基于当前时刻所属时段的时段特征,确定待检测道路区域的第一拥堵概率基准值。此外,在这些可选的实现方式中,预测单元604可以进一步被配置成:基于所确定的车辆比例和待检测道路区域的第一拥堵概率基准值,预测待检测道路区域的拥堵概率。
在一些可选的实现方式中,待检测道路区域确定单元602可以进一步被配置成:响应于当前行驶速度小于预先设置的速度阈值,确定车辆的当前行驶道路;以及,基于车辆的当前位置,从当前行驶道路中,确定出待检测道路区域。
在一些可选的实现方式中,本实施例的道路拥堵预测装置还可以进一步包括道路属性确定单元(图中未示出)和第二拥堵概率基准值预测单元(图中未示出)。
在这些可选的实现方式中,道路属性确定单元可以被配置成确定待检测道路区域的道路属性。第二拥堵概率基准值预测单元可以被配置成基于待检测道路区域的道路属性确定待检测道路区域的第二拥堵概率基准值。此外,在这些可选的实现方式中,预测单元604还可以进一步被配置成:基于所确定的车辆比例和待检测道路区域的第二拥堵概率基准值,预测待检测道路区域的拥堵概率。
在一些可选的实现方式中,本实施例的道路拥堵预测装置还可以进一步包括速度阈值确定单元(图中未示出)。
在这些可选的实现方式中,速度阈值确定单元可以被配置成:确定车辆的当前行驶道路的道路属性;以及基于当前行驶道路的道路属性确定速度阈值。
下面参考图7,其示出了适于用来实现本申请实施例的道路拥堵预测方法的电子设备的计算机***700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机***700包括一个或多个处理器701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分706加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有***700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括硬盘等的存储部分706;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器708也根据需要连接至I/O接口705。可拆卸介质709,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器708上,以便于从其上读出的计算机程序根据需要被安装入存储部分706。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分707从网络上被下载和安装,和/或从可拆卸介质709被安装。在该计算机程序被处理器701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括速度确定单元、待检测道路区域确定单元、车辆比例确定单元以及预测单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,速度确定单元还可以被描述为“确定车辆的当前行驶速度的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:确定车辆的当前行驶速度;响应于当前行驶速度小于预先设置的速度阈值,基于车辆的当前位置,确定待检测道路区域;确定待检测道路区域中,当前行驶速度小于速度阈值的车辆比例;基于所确定的车辆比例,预测待检测道路区域的拥堵概率。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种道路拥堵预测方法,包括:
确定车辆的当前行驶速度;
响应于所述当前行驶速度小于预先设置的速度阈值,基于所述车辆的当前位置,确定待检测道路区域;
确定所述待检测道路区域中,当前行驶速度小于所述速度阈值的车辆比例;
基于所确定的车辆比例,预测所述待检测道路区域的拥堵概率。
2.根据权利要求1所述的方法,其中,所述方法还包括:
根据基于当前时刻所属时段的时段特征,确定所述待检测道路区域的第一拥堵概率基准值;
所述基于所确定的车辆比例,确定所述待检测道路区域的拥堵概率,包括:
基于所确定的车辆比例和所述待检测道路区域的第一拥堵概率基准值,预测所述待检测道路区域的拥堵概率。
3.根据权利要求1所述的方法,其中,所述响应于所述当前行驶速度小于预先设置的速度阈值,基于所述车辆的当前位置,确定待检测道路区域,包括:
响应于所述当前行驶速度小于预先设置的速度阈值,确定所述车辆的当前行驶道路;
基于所述车辆的当前位置,从所述当前行驶道路中,确定出待检测道路区域。
4.根据权利要求3所述的方法,其中,所述方法还包括:
确定所述待检测道路区域的道路属性;
基于所述待检测道路区域的道路属性确定所述待检测道路区域的第二拥堵概率基准值;
所述基于所确定的车辆比例,确定所述待检测道路区域的拥堵概率,包括:
基于所确定的车辆比例和所述待检测道路区域的第二拥堵概率基准值,预测所述待检测道路区域的拥堵概率。
5.根据权利要求1-3任意一项所述的方法,其中,在所述响应于所述当前行驶速度小于预先设置的速度阈值,基于所述车辆的当前位置,确定待检测道路区域之前,所述方法还包括:
确定所述车辆的当前行驶道路的道路属性;以及
基于所述当前行驶道路的道路属性确定所述速度阈值。
6.一种道路拥堵预测装置,包括:
速度确定单元,被配置成确定车辆的当前行驶速度;
待检测道路区域确定单元,被配置成响应于所述当前行驶速度小于预先设置的速度阈值,基于所述车辆的当前位置,确定待检测道路区域;
车辆比例确定单元,被配置成确定所述待检测道路区域中,当前行驶速度小于所述速度阈值的车辆比例;
预测单元,被配置成基于所确定的车辆比例,预测所述待检测道路区域的拥堵概率。
7.根据权利要求6所述的装置,其中,所述装置还包括:
第一拥堵概率基准值确定单元,被配置成根据基于当前时刻所属时段的时段特征,确定所述待检测道路区域的第一拥堵概率基准值;
所述预测单元进一步被配置成:
基于所确定的车辆比例和所述待检测道路区域的第一拥堵概率基准值,预测所述待检测道路区域的拥堵概率。
8.根据权利要求6所述的装置,其中,所述待检测道路区域确定单元进一步被配置成:
响应于所述当前行驶速度小于预先设置的速度阈值,确定所述车辆的当前行驶道路;
基于所述车辆的当前位置,从所述当前行驶道路中,确定出待检测道路区域。
9.根据权利要求8所述的装置,其中,所述装置还包括:
道路属性确定单元,被配置成确定所述待检测道路区域的道路属性;
第二拥堵概率基准值预测单元,被配置成所述基于所述待检测道路区域的道路属性确定所述待检测道路区域的第二拥堵概率基准值;
所述预测单元进一步被配置成:
基于所确定的车辆比例和所述待检测道路区域的第二拥堵概率基准值,预测所述待检测道路区域的拥堵概率。
10.根据权利要求6-8任意一项所述的装置,其中,所述装置还包括速度阈值确定单元,被配置成:
确定所述车辆的当前行驶道路的道路属性;以及
基于所述当前行驶道路的道路属性确定所述速度阈值。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269612.3A CN109910896A (zh) | 2019-04-04 | 2019-04-04 | 道路拥堵预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910269612.3A CN109910896A (zh) | 2019-04-04 | 2019-04-04 | 道路拥堵预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109910896A true CN109910896A (zh) | 2019-06-21 |
Family
ID=66968604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910269612.3A Pending CN109910896A (zh) | 2019-04-04 | 2019-04-04 | 道路拥堵预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109910896A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105614A (zh) * | 2019-12-06 | 2020-05-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于道路社交圈的交通状况预测方法 |
CN112881661A (zh) * | 2019-11-29 | 2021-06-01 | 丰田自动车株式会社 | 路面损坏检测装置、路面损坏检测方法及存储介质 |
CN113380037A (zh) * | 2021-07-05 | 2021-09-10 | 中国建设银行股份有限公司 | 一种交通信息采集方法和装置 |
CN113706907A (zh) * | 2021-07-09 | 2021-11-26 | 新奇点智能科技集团有限公司 | 一种车辆控制指令发送方法及*** |
CN114973732A (zh) * | 2022-04-20 | 2022-08-30 | 安徽皖通科技股份有限公司 | 基于路网智能监控的语音指引***及方法 |
CN116631196A (zh) * | 2023-07-25 | 2023-08-22 | 南京农业大学 | 一种基于大数据的交通路况预测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169674A (ja) * | 2008-01-16 | 2009-07-30 | Nec Corp | 交通渋滞検知方法、システムおよびプログラム |
CN101710449A (zh) * | 2009-12-04 | 2010-05-19 | 吉林大学 | 基于公交车gps数据的交通流运行状态识别方法 |
CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
US20150081196A1 (en) * | 2013-09-18 | 2015-03-19 | Iteris, Inc | Traffic bottleneck detection and classification on a transportation network graph |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警***及方法 |
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*** |
CN105915463A (zh) * | 2016-06-06 | 2016-08-31 | 东软集团股份有限公司 | 拥塞控制方法和装置 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN108168570A (zh) * | 2017-12-13 | 2018-06-15 | 广东欧珀移动通信有限公司 | 定位模块的控制方法、装置、存储介质及移动终端 |
CN109029479A (zh) * | 2018-06-25 | 2018-12-18 | 北京小米移动软件有限公司 | 导航提醒方法及装置、电子设备、计算机可读存储介质 |
-
2019
- 2019-04-04 CN CN201910269612.3A patent/CN109910896A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169674A (ja) * | 2008-01-16 | 2009-07-30 | Nec Corp | 交通渋滞検知方法、システムおよびプログラム |
CN101710449A (zh) * | 2009-12-04 | 2010-05-19 | 吉林大学 | 基于公交车gps数据的交通流运行状态识别方法 |
CN104282165A (zh) * | 2013-07-12 | 2015-01-14 | 深圳市赛格导航科技股份有限公司 | 路段拥堵预警方法及装置 |
US20150081196A1 (en) * | 2013-09-18 | 2015-03-19 | Iteris, Inc | Traffic bottleneck detection and classification on a transportation network graph |
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*** |
CN105469612A (zh) * | 2016-01-22 | 2016-04-06 | 大连楼兰科技股份有限公司 | 一种交通拥堵报警***及方法 |
CN105915463A (zh) * | 2016-06-06 | 2016-08-31 | 东软集团股份有限公司 | 拥塞控制方法和装置 |
CN106504534A (zh) * | 2016-11-28 | 2017-03-15 | 北京世纪高通科技有限公司 | 一种预测道路路况的方法、装置及用户设备 |
CN108168570A (zh) * | 2017-12-13 | 2018-06-15 | 广东欧珀移动通信有限公司 | 定位模块的控制方法、装置、存储介质及移动终端 |
CN109029479A (zh) * | 2018-06-25 | 2018-12-18 | 北京小米移动软件有限公司 | 导航提醒方法及装置、电子设备、计算机可读存储介质 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112881661A (zh) * | 2019-11-29 | 2021-06-01 | 丰田自动车株式会社 | 路面损坏检测装置、路面损坏检测方法及存储介质 |
CN112881661B (zh) * | 2019-11-29 | 2023-04-25 | 丰田自动车株式会社 | 路面损坏检测装置、路面损坏检测方法及存储介质 |
CN111105614A (zh) * | 2019-12-06 | 2020-05-05 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于道路社交圈的交通状况预测方法 |
CN113380037A (zh) * | 2021-07-05 | 2021-09-10 | 中国建设银行股份有限公司 | 一种交通信息采集方法和装置 |
CN113706907A (zh) * | 2021-07-09 | 2021-11-26 | 新奇点智能科技集团有限公司 | 一种车辆控制指令发送方法及*** |
CN114973732A (zh) * | 2022-04-20 | 2022-08-30 | 安徽皖通科技股份有限公司 | 基于路网智能监控的语音指引***及方法 |
CN114973732B (zh) * | 2022-04-20 | 2023-09-08 | 安徽皖通科技股份有限公司 | 基于路网智能监控的语音指引***及方法 |
CN116631196A (zh) * | 2023-07-25 | 2023-08-22 | 南京农业大学 | 一种基于大数据的交通路况预测方法及装置 |
CN116631196B (zh) * | 2023-07-25 | 2023-11-28 | 南京农业大学 | 一种基于大数据的交通路况预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109910896A (zh) | 道路拥堵预测方法和装置 | |
US10731995B2 (en) | Generating a road network from location data | |
US10999299B2 (en) | Location-spoofing detection system for a network service | |
US9286801B2 (en) | Leveraging information for use in a traffic prediction scenario | |
US9723454B2 (en) | Freight vehicle monitoring using telecommunications data | |
US20180238705A1 (en) | System and methods for performing multivariate optimizations based on location data | |
CN110689804B (zh) | 用于输出信息的方法和装置 | |
US9818296B2 (en) | System for providing a city planning tool | |
CN107765691B (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN112700636B (zh) | 用于更新信息的方法和装置 | |
WO2024045248A1 (zh) | 一种基于端边云协同计算的车路协同驾驶方法及*** | |
US11200798B2 (en) | Grouping of moving objects | |
CN104636966B (zh) | 用于发送订单的方法及设备 | |
CN111337045A (zh) | 车辆导航方法和装置 | |
CN113380037A (zh) | 一种交通信息采集方法和装置 | |
CN111896020B (zh) | 用于信息处理的方法、电子设备和存储介质 | |
CN110376622A (zh) | 定位方法和装置 | |
US10834524B2 (en) | Delegating cloud-side roles to devices | |
CN112598897B (zh) | 交通参与者行为检测方法、装置、电子设备和介质 | |
CN112052276B (zh) | 乘车路线的挖掘方法和装置 | |
CN113008246B (zh) | 地图匹配方法和装置 | |
CN114862491A (zh) | 车辆位置确定方法、派单方法、装置、服务器及存储介质 | |
CN114267176A (zh) | 导航方法、装置、电子设备及计算机可读存储介质 | |
CN105448044A (zh) | 一种确定司机疲劳状态的方法与设备 | |
Asprone et al. | Improving sensing coverage of probe vehicles with probabilistic routing |
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 |