CN109937344B - 用于产生电子地图的段的分布曲线数据的方法和*** - Google Patents
用于产生电子地图的段的分布曲线数据的方法和*** Download PDFInfo
- Publication number
- CN109937344B CN109937344B CN201780069610.9A CN201780069610A CN109937344B CN 109937344 B CN109937344 B CN 109937344B CN 201780069610 A CN201780069610 A CN 201780069610A CN 109937344 B CN109937344 B CN 109937344B
- Authority
- CN
- China
- Prior art keywords
- time
- parking
- segment
- segments
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000009826 distribution Methods 0.000 title claims description 43
- 230000036962 time dependent Effects 0.000 claims abstract description 65
- 239000013598 vector Substances 0.000 claims description 16
- 230000001131 transforming effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 25
- 230000006399 behavior Effects 0.000 description 18
- 230000008859 change Effects 0.000 description 17
- 238000012545 processing Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 238000013439 planning Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 11
- 238000005259 measurement Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 230000001747 exhibiting effect Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000003442 weekly effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
- G08G1/147—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas where the parking area is within an open public zone, e.g. city centre
-
- 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
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3685—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities the POI's being parking facilities
-
- 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
- G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental 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
- G08G1/0112—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
- G08G1/0125—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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental & Geological Engineering (AREA)
- Environmental Sciences (AREA)
- Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明揭示一种用于产生指示关于地理区域内的可导航网络的一或多个可导航要素的时间相依参数(例如停车相关参数)的时间相依性的分布曲线数据的方法,每一可导航要素由电子地图的一段表示。所述方法包括:针对至少一组多个不同时间周期中的每一个,获得关于所述时间周期的与所述电子地图的多个段中的每一个相关联的所述时间相依参数的相对值。所述方法另外包括针对所述组或每一组时间周期,基于在所述组的每一时间周期内获得的所述段的所述时间相依参数的所述相对值,将所述段集群到段群组中。所述方法另外包括针对每一群组,使用与所述群组的所述段相关联的相对时间相依参数数据来获得指示所述时间相依参数的所述相对值的所述时间相依性的聚合分布曲线,所述聚合分布曲线适用于所述群组的所述段中的每一个。
Description
技术领域
本发明涉及获得指示与电子地图的一或多个段相关联的时间相依参数的时间相依性的分布曲线数据的方法,以及可在其上实施所述方法的部分或全部的***,例如服务器。所述参数可为(但不一定是)停车相关参数。本发明的实施例与产生表示一或多个段的停车概率值的分布曲线数据有关,所述停车概率值指示在所述段上找到停车空间的可能性。特定来说但非排它地,可在电子导航装置例如便携式导航装置(PND)的停车时间预测和停车空间搜索路线产生中使用产生的停车相关段数据。
背景技术
包含全球定位***(GPS)信号接收和处理功能性的便携式导航装置(PND)是众所周知的,且广泛地用作车内或其它车辆导航***。
一般来说,现代PND包括处理器、存储器(易失性和非易失性中的至少一个,且通常为易失性和非易失性两者),以及存储在所述存储器内的地图数据。处理器与存储器协作以提供执行环境,在所述执行环境中可建立软件操作***,且另外,常常提供一或多个额外软件程序以使得能够控制PND的功能性且提供各种其它功能。
通常,这些装置另外包括一或多个输入接口,其允许用户与所述装置交互并控制所述装置,以及一或多个输出接口,借助于所述输出接口可将信息转送给用户。输出接口的说明性实例包含视觉显示器和用于声频输出的扬声器。输入接口的说明性实例包含一或多个物理按钮,其用以控制所述装置的开/关操作或其它特征(如果所述装置内置于车辆内,那么所述按钮没有必要位于所述装置自身上,而是可位于方向盘上),以及麦克风,其用于检测用户话语。在特别优选的布置中,可将输出接口显示器配置为触敏式显示器(借助于触敏式覆盖物或以其它方式)以额外地提供输入接口,用户可借助于所述输入接口通过触摸来操作所述装置。
导航装置通常还可接入表示车辆在上面行驶的可导航网络的数字地图。数字地图(或有时被称为数学图表)的最简单形式实际上是含有如下数据的数据库:表示节点,最常见的是表示道路交叉点,以及所述节点之间的表示所述交叉点之间的道路的线路。在更详细的数字地图中,线路可以划分成由开始节点和结束节点界定的段。这些节点可以是“真实的”,因为其表示最少3条线路或段相交的道路交叉点,或者可以是“人造的”,因为其作为并非界定在真实节点的一端或两端处的段的锚点提供,以提供特定路段的形状信息等等,或者是识别沿着道路的位置的装置,在所述位置处,所述道路的某一特性(例如,限速)改变。在几乎所有现代数字地图中,节点和段另外由同样由数据库中的数据表示的各个属性定义。举例来说,每一节点通常会有地理坐标来界定其现实世界位置,例如纬度和经度。节点通常还具有与其相关联的操控数据,其指示在交叉点处是否有可能从一条道路移动到另一条道路;而段还具有相关联的属性,例如最大准许速度、车道大小、车道数目、中间是否存在分隔带等。
此类型的装置通常还包含一或多个物理连接器接口,借助于所述物理连接器接口可将电力和任选地数据信号发射到所述装置以及从所述装置接收电力和任选地数据信号;以及任选地一或多个无线发射器/接收器,其用以允许经由蜂窝式电信以及其它信号和数据网络(例如Wi-Fi、Wi-Max GSM等)进行通信。
此类型的PND装置还包含GPS天线,借助于所述GPS天线可接收卫星广播信号(包含地点数据)且随后对其进行处理以确定所述装置的当前地点。
PND装置还可包含电子陀螺仪和加速器,其产生的信号可经处理以确定当前角加速度和线加速度,且继而结合从GPS信号导出的地点信息,确定装置以及因此其中安装所述装置的车辆的速度和相对位移。通常,所述特征最常见地提供于车辆内导航***中,但也可提供于PND装置中(如果此举是有利的话)。
所述PND的效用主要表现在其确定第一地点(通常为出发地点或当前地点)与第二地点(通常为目的地)之间的路线的能力。这些地点可由装置的用户通过各种各样不同方法中的任一种来输入,例如通过邮政编码、街道名和门牌号、先前存储的“众所周知”目的地(例如著名地点、市政地点(例如体育场或游泳池)或其它关注点)以及喜爱的或最近去过的目的地。
通常,通过用于从地图数据搜索出发地址位置与目的地地址地点之间的“最佳”或“最优”路线的软件来启用所述PND。“最佳”或“最优”路线是基于预定标准来确定的且没有必要是最快或最短路线。对引导驾驶者所沿循的路线的搜索可为非常复杂的,且所述搜索可考虑历史、现有和/或预测的交通和道路信息。
此外,所述装置可连续监视道路和交通状况,且由于条件状况而提供或选择改变路线,在此路线上将进行剩下的路程。基于各种技术(例如移动电话数据交换、固定相机、GPS车队跟踪)的实时交通监视***正用来识别交通延迟并将信息馈送到通知***中。
此类型的PND通常可安装在车辆的仪表板或挡风玻璃上,但还可形成为车辆无线电的机载计算机的一部分或实际上形成为车辆本身的控制***的一部分。导航装置还可为手持式***(例如PDA(便携式数字助理)、媒体播放器、移动电话等)的一部分,且在这些情况下,手持式***的常规功能性借助于将软件安装于装置上而得以延伸以便执行路线计算和沿着计算出的路线导航两者。
路线规划和导航功能性还可由运行适当软件的桌上型或移动计算资源来提供。举例来说,在routes.tomtom.com处提供在线路线规划和导航设施,此设施允许用户输入出发点和目的地,用户的PC连接到的服务器可依据所述出发点和目的地计算路线(其方面可为用户指定的),产生地图,并且产生用于将用户从所选择的出发点引导到所选择的目的地的详尽导航指令集。所述设施还提供所计算的路线的伪三维呈现,以及路线预览功能性,其模拟沿着所述路线的用户行驶并且进而为用户提供所计算的路线的预览。
在PND的上下文中,一旦已计算出了路线,用户便与导航装置交互以任选地从所建议路线的列表中选择所需的计算出的路线。任选地,用户可干涉或引导路线选择过程,例如通过指定对于特定行程应避免或必须遵循某些路线、道路、地点或标准。PND的路线计算方面形成一个主要功能,且沿着此路线导航为另一主要功能。
在沿着计算出的路线导航期间,所述PND通常提供可视和/或可听指令以沿着所选择的路线将用户引导到那条路线的终点,即所需的目的地。PND还通常在导航期间在屏幕上显示地图信息,所述信息在屏幕上定期更新,使得所显示的地图信息表示装置的当前位置且因此表示用户或用户车辆的当前地点(在装置正用于车辆内导航的情况下)。
在屏幕上显示的图标通常指示当前装置地点且居中,其中还显示当前装置地点附近的当前和周围道路的地图信息以及其它地图特征。另外,可任选地在位于所显示地图信息上方、下方或一侧的状态栏中显示导航信息,导航信息的实例包含到用户需要采取的从当前道路的下一偏离的距离,其中所述偏离的性质可能由表明特定偏离类型(例如,左转弯或右转弯)的另外的图标来表示。导航功能还确定可听指令的内容、持续时间和时序,可借助于所述可听指令来沿着路线引导用户。如可了解的,例如“100m后左转”等简单指令需要大量处理和分析。如先前提及的,用户与装置的交互可通过触摸屏或者另外地或替代地通过转向柱安装式遥控器、通过语音激活或通过任何其它适合方法来进行。
所述装置所提供的另一重要功能是在以下情况下进行自动路线重新计算:(i)用户在导航期间偏离先前计算出的路线(无意或有意);(ii)实时交通状况指示替代路线将更有利且所述装置适宜地经启用以自动辨识此类状况;或(iii)用户出于任何原因而主动地致使装置执行路线重新计算。
虽然路线计算和导航功能对于PND的总体效用来说是基本的,但有可能将装置纯粹用于信息显示或“自由驾驶”,在“自由驾驶”中仅显示与当前装置地点相关的地图信息,且在“自由驾驶”中尚未计算出任何路线且装置当前不执行导航。此操作模式通常适用于当用户已经知道需要沿其行驶的路线且不需要导航辅助时。
上述类型的装置提供用于使得用户能够从一个位置导航到另一位置的可靠装置。
已提出使指示停车概率的数据与数字(或电子地图)的段相关联。此类数据指示驾驶者在所述段上找到停车空间的可能性,并且通常是时间相依的。已提出确定和使用停车概率数据的各种方法。举例来说,WO 2010/081546 A1揭示基于指示停车地点占用的数据的分析确定段的时间相依停车概率数据的方法,所述WO 2010/081546 A1的整个内容以引用的方式并入本文中。可从指示车辆在行程结束时处于停止的位置数据推断停车地点。可确定与段相关联的停车概率分布曲线,可从所述停车概率分布曲线获得一组预定时间周期(例如一天中每30分钟)中的每一个内的停车概率。
可以各种方式使用关于段的停车概率数据。PND上的路线规划算法可使用停车概率数据,在所述PND上处理地图。举例来说,可在用户的PND上向用户呈现如下选项:使PND从当前位置产生使在附近找到停车空间的可能性最大化的路线。在WO 2011/157296 A1中描述此类的一些示范性方法,所述WO 2011/157296 A1的整个内容以引用的方式并入本文中,
申请人已意识到产生关于电子地图的段的停车相关数据(例如停车概率或期望的停车搜索时间)的方法有待改进。
发明内容
根据本发明的第一方面,提供一种用于产生关于地理区域内的可导航网络的一或多个可导航要素的停车相关数据的方法,每一可导航要素由电子地图的一段表示,所述电子地图包括表示所述可导航网络的多个段,所述方法包括:
获得与车辆在所述可导航网络中进行的行程有关的位置数据,每一行程是指示所述车辆处于停车状态的静止周期之间的路程;
对于所述多个行程中的每一个,分析关于所述行程的所述位置数据以识别所述行程的停车空间搜索部分;
分析对应于所述行程的所述停车空间搜索部分的所述位置数据,以获得所述电子地图的多个段中的每一个的停车相关参数;和
使所述获得的停车相关参数中的每一个与相应段相关联。
根据本发明,基于与车辆在所述可导航网络中进行的行程有关的位置数据确定停车相关参数数据。与用于基于位置数据确定段的停车相关数据例如停车概率数据的现有技术相比,所述现有技术仅考虑在行程结束时指示驾驶者已在给定段上停车的静止周期,本发明考虑被视为对应于搜索停车空间所花费的周期的行程的末端部分。此周期可界定于驾驶者被视为已开始停车空间搜索所在的点与行程结束时的静止周期之间。因此,并非仅查看在成功停车尝试之后的车辆的最终静止地点,而是考虑直达所述最终停车地点的行程的延伸部分。已发现这提供段的更准确停车参数数据,这是因为可能使所述数据不仅基于车辆的最终成功停车,而且还基于之前的搜索,以及在搜索期间停车不成功的情况下的段穿行。
如本文中所使用,“行程”是指车辆在指示车辆处于停车状态的静止周期之间进行的路程。
本发明还延伸到用于执行根据本文中所描述的本发明的方面或实施例中的任一个的方法的***。
根据本发明的另一方面,提供一种用于产生关于地理区域内的可导航网络的一或多个可导航要素的停车相关数据的***,每一可导航要素由电子地图的一段表示,所述电子地图包括表示所述可导航网络的多个段,所述***包括:
用于获得与车辆在所述可导航网络中进行的行程有关的位置数据的装置,每一行程是指示所述车辆处于停车状态的静止周期之间的路程;
用于对于所述多个行程中的每一个,分析关于所述行程的所述位置数据以识别所述行程的停车空间搜索部分的装置;
用于分析对应于所述行程的所述停车空间搜索部分的所述位置数据,以获得所述电子地图的多个段中的每一个的停车相关参数的装置;和
用于使所述获得的停车相关参数中的每一个与相应段相关联的装置。
本发明的此另外的方面可视需要包含并且优选地确实包含本文中关于本发明的任何其它方面或实施例所描述的本发明的优选和任选特征中的一或多种或全部举例来说,即使未明确陈述,所述***仍可包括用于执行关于在其方面或实施例中的任一个中的本文的方法描述的任何一或多个步骤的装置,且反之亦然。所述用于执行关于所述方法或***描述的所述步骤中的任一个的装置可包括一或多个处理器和/或处理电路。本发明因而优选地是计算机实施的发明,且可在一组一或多个处理器和/或处理电路的控制下执行关于本发明的方面或实施例中的任一个描述的步骤中的任一个。
所述***和/或一或多个处理器和/或处理电路可至少为服务器或导航装置的部分因而可部分地由服务器和/或部分地由导航装置进行在其方面或实施例中的任一个中的本发明方法的步骤。举例来说,可仅在服务器上执行方法的步骤,或以任何组合在服务器上执行方法的步骤中的一些并且在导航装置上执行方法的其它步骤,或仅在导航装置上执行方法的步骤。在服务器上执行所述步骤中的一或多个可为高效的并且可减小置于导航装置上的计算负担。替代地,如果在导航装置上执行一或多个步骤,那么这可减小网络通信所需的任何带宽。相应地,本发明可涵盖被布置成产生与电子地图的一或多个段相关联的停车相关参数数据的服务器。
可导航网络可包括道路网,其中每一可导航要素表示道路或道路的一部分。举例来说,可导航要素可表示道路网的两个相邻交叉点之间的道路,或可导航要素可表示道路网的两个相邻交叉点之间的道路的一部分。然而,如将了解,可导航网络不限于道路网,并且可包含例如人行道、自行车道、河流等的网络。应注意,如本文中所使用的术语“段”取其在所属领域中的常见含义。电子地图的段是连接两个点或节点的可导航链接。虽然特别参考路段描述本发明的实施例,但应明白,本发明也可适用于其它可导航段,例如道路、河流、运河、自行车道、拖车道、铁路线等的段。因此,对“路段”的任何参考可替换为对“可导航段”或任一或多种具体类型的此类段的参考。
电子地图(或有时被称为数学图表)的最简单形式实际上是含有如下数据的数据库:表示节点,最常见的是表示道路交叉点,以及所述节点之间的表示所述交叉点之间的道路的线路。在更详细的数字地图中,线路可以划分成由开始节点和结束节点界定的段。这些节点可以是“真实的”,因为其表示最少3条线路或段相交的道路交叉点,或者可以是“人造的”,因为其作为并非界定在真实节点的一端或两端处的段的锚点提供,以提供特定路段的形状信息等等,或者是识别沿着道路的位置的装置,在所述位置处,所述道路的某一特性(例如,限速)改变。在几乎所有现代数字地图中,节点和段另外由同样由数据库中的数据表示的各个属性定义。举例来说,每一节点通常会有地理坐标来界定其现实世界位置,例如纬度和经度。节点通常还具有与其相关联的操控数据,其指示在交叉点处是否有可能从一条道路移动到另一条道路;而段还具有相关联的属性,例如最大准许速度、车道大小、车道数目、中间是否存在分隔带等。
在本发明中,电子地图的至少一些但未必所有段具有与其相关联的停车相关参数的值,例如停车概率、预期停车搜索时间等。如将在下文更详细地论述,段可具有停车相关参数的多个值,例如与其相关联的停车概率值,每一值关于不同时间周期。
本发明涉及获得与多个装置沿着可导航网络的一或多个可导航要素相对于时间的移动有关的位置数据。参考指示表示网络的可导航要素的段的电子地图数据执行所述获得与沿着可导航要素的装置移动有关的位置数据的步骤。所述方法可涉及使与包含可导航要素的网络的地理区中的装置移动有关的位置数据匹配到根据本发明考虑的电子地图的每一段的步骤。
在一些布置中,获得位置数据的步骤可包括存取数据,即先前接收和存储的数据。位置数据优选地是历史数据。在此上下文中,词语历史应视为指示不直接反映当前时间或最近(可能在大致最近五、十、十五或三十分钟内)所述段上的状况的数据。历史数据可例如与在过去数天、数周或甚至数年发生的事件有关。
在一些布置中,所述方法可包括从装置接收位置数据。在其中获得数据的步骤涉及从装置接收数据的实施例中,所述方法可另外包括在继续执行本发明的其它步骤之前存储所接收的位置数据。接收位置数据的步骤无需与方法的一或多个其它步骤在相同时间或位置发生。
如上文所论述,可从多个装置收集位置数据,并且与那些装置相对于时间的移动有关。因此,装置是移动装置。位置数据优选地与时间数据例如时间戳相关联。位置数据可用以提供所述装置取得的路径的位置“轨迹”。所述装置可以是能够出于本发明的目的提供位置数据和足够相关联的时序数据的任何移动装置。所述装置可以是具有位置确定能力的任何装置。举例来说,所述装置可包括用于从WiFi接入点或蜂窝通信网络例如GSM装置存取和接收信息,并且使用此信息确定其地点的装置。然而,在优选实施例中,所述装置包括全球导航卫星***(GNSS)接收器,例如GPS接收器,其用于接收指示接收器在特定时间点的位置的卫星信号,并且优选地以规律时间间隔接收经更新位置信息。此类装置可包含导航装置、具有定位能力的移动电信装置、位置传感器等。优选地,所述装置与车辆相关联。在这些实施例中,所述装置的位置将对应于车辆的位置。在未明确提及的情况下,对从与车辆相关联的装置获得的位置数据的参考可替换为对从车辆获得的位置数据的参考,且对一或多个装置的移动的参考可替换为对车辆的移动的参考,且反之亦然。所述装置可与车辆集成在一起,或可为与车辆相关联的单独装置,例如便携式导航设备。
从多个装置获得的位置数据通常被称为“探测数据”。从与车辆相关联的装置获得的数据可以被称作车辆探测数据。因而,在本文中对“探测数据”的参考应理解为可与术语“位置数据”互换,且在本文中为简洁起见,所述位置数据可以被称作探测数据。
当然,位置数据可从不同装置的组合或单个类型的装置获得。然而,本发明不限于使用从特定类型的装置或与特定形式的运输例如车辆相关联的装置获得的位置数据,且可同样考虑来自与多个形式的运输相关联的装置的探测数据。通常,可使用指示装置相对于时间沿着可导航要素的移动的任何探测数据。
如上文所论述,段的位置数据优选地包括指示多个不同装置的移动的带时戳位置序列。可分析单个装置的位置的序列以识别对应于车辆(例如在适用时间周期内)进行的一或多个个别行程的数据以供在本发明的方法中使用。
根据本发明在其方面或实施例中的任一个中获得的位置数据可已经与车辆进行的个别行程有关,或所述方法可包括如下初始步骤:获得与例如在给定周期的可导航网络中的车辆移动有关的位置数据,并且分析所述位置数据以获得与车辆进行的行程有关的位置数据。举例来说,位置数据可由指示在预定周期例如24小时内的多个车辆中的每一个的位置的轨迹组成。每一车辆的位置数据接着将通常由多个个别行程组成。可以所属领域中已知的任何合适方式,使用适合准则从车辆的位置数据识别行程,以识别可被视为指示车辆处于停车状态而非仅处于较大暂时性停止状态的静止周期。举例来说,停车状态可对应于超过预定阈值的持续时间的静止周期。可执行对行程数据的某一初始滤波以识别行程数据以供在确定根据本发明的停车相关参数数据即停车相关行程时使用。举例来说,行程可需要具有超过预定阈值的长度。如果车辆表现为在启程之后不久停车,那么这实际上可仅仅是较长行程中的暂时性停止周期,而非行程结束。举例来说,驾驶者可暂时停下来以把某人放下。可丢弃有过度噪声的位置数据,尤其是在对于获得根据本发明的停车数据来说关键的结尾部分。可类似地丢弃在高于预定阈值的速度下结束的行程,尤其是当行程在高功能性道路等级(FRC)段结束时。
根据本发明,分析与出于本发明的目的考虑的车辆进行的每一行程有关的位置数据,以识别行程的停车空间搜索部分。行程的停车空间搜索部分对应于在指示车辆在行程结束时处于停车状态的静止周期中终止的行程的结尾部分。优选地,分析位置数据以识别行程的停车空间搜索部分的步骤包括分析关于行程的位置数据以识别在行程期间的停车空间搜索的开始,所述停车空间搜索的开始定义行程的停车空间搜索部分的开始。停车空间搜索的开始是假设驾驶者已经开始搜索停车空间所在的行程中的点(参考行程内的时间或位置)。可基于一或多个准则使用位置数据检测停车空间搜索部分(或停车空间搜索的开始)。应了解,可分析位置数据以确定是否存在指示搜索停车空间(的开始)的一或多个特征。在优选实施例中,所述准则包含位置数据指示以下中的一或多个:车辆执行一或多个转弯;车辆执行一或多个环圈;和车辆在低于预定阈值的速度下行驶。现将更详细地论述这些准则。
使用与可被视为指示停车空间搜索的开始的行程有关的位置数据识别各个特征。一般来说,所述特征中的单个特征不大可能决定性地指示停车空间搜索的开始。因而可考虑所述特征中的多个特征。可使用基于对多个特征的检测以任何合适方式组合准则的算法。
识别停车空间搜索的开始的步骤可包括分析与行程有关的位置数据以识别车辆的行驶速度低于预定阈值所在的点。可相对于所述段的自由流速度设置预定阈值。举例来说,所述阈值可为自由流速度的某一分数。此类点可被视为停车空间搜索的开始的候选点。应了解,与行程有关的位置数据通常将包括相对于不同时间的多个位置数据样本。可通过考虑相连的位置数据样本确定车辆的行驶速度。所述方法可包括重复针对在行程结束时开始的相连对的位置数据样本确定车辆的行驶速度的步骤,并且向后工作以识别停车空间搜索开始的候选点。
如本文中所提及的段的自由流速度定义为在其中不存在交通量或存在相当少的交通量的时间周期期间跨所述段表示的要素的行驶的平均速度。此周期可例如为一或多个夜间小时,其中所述段上的速度可受其它用户较小影响。可使用上文所描述的位置数据确定自由流速度。自由流速度的此类测量值仍将反映例如速度限制、道路布局和交通管理基础设施的影响并且比标示的速度限制、法定速度或基于道路类别的速度指配更准确。
候选点对应于停车空间搜索的开始的确定可要求满足一或多个另外的准则。每当候选点经识别,可考虑一或多个另外的准则来确定所述候选点是否可确认为停车空间搜索的开始。所述方法可进一步要求所述点在行程结尾的预定距离内。朝向行程结尾的低速更可能指示停车空间搜索的开始。所述方法可替代地或另外要求所述点在车辆执行的转弯的预定距离内和/或在车辆执行的环圈内。替代地或另外,所述方法可考虑在低于预定阈值的速度下行驶的距离。举例来说,可需要车辆在低速下行驶预定距离。
在优选实施例中,停车空间搜索的开始的识别是基于检测车辆在到行程结尾的给定接近度中和/或在到车辆执行的一或多个转弯和/或车辆执行的环圈的给定接近度中在低于预定阈值的速度下行驶所在的点。在检测到车辆执行的环圈的情况下,所述点可需要在此环圈内。然而,应了解,替代地,停车空间搜索的开始可基于检测车辆执行的转弯和/或环圈,以及任选地一或多个另外的测量值,且无需考虑车辆的行驶速度。
可使用位置数据以任何合适方式检测车辆执行的转弯或环圈。转弯或环圈是指车辆的轨迹中的此类特征。此类特征可基于其原始状态下的位置数据被检测,或可涉及首先使地图匹配位置数据并且接着检测关于地图匹配的段的此类特征。在优选实施例中,转弯的检测是基于检测沿着段或段之间的大于预定阈值的方位改变。所述方位改变可为例如段的结尾处或段之间的相连的地图匹配的位置数据样本之间的方位改变,或可为由相连的地图匹配的位置数据样本之间的多个较小方位改变的整合产生的经整合方位改变。应理解,类似技术可应用于原始位置数据。所述方法可包括将转弯分类为U形转弯或直角转弯。检测环圈可基于检测在相同方向上的方位的一致改变(在原始或优选地地图匹配的位置数据中),从而产生大致360度的总角度改变。
停车空间搜索的开始定义延伸到行程结尾的行程的一部分的开始,所述部分被称为行程的停车空间搜索部分。根据本发明,在获得段的停车相关参数时使用行程的停车空间搜索部分。所述方法包括分析对应于行程的停车空间搜索部分的位置数据以获得电子地图的多个段中的每一个的停车相关参数。所述方法可包括仅分析对应于行程的停车空间搜索部分(即并非行程的其它部分,即并非行程的最初部分)的位置数据的子集。行程的停车空间部分可涉及穿行一或多个段。在一些实施例中,行程的停车空间部分可涉及穿行多个段。
获得的每一段的停车相关参数可以是可使用指示行程的停车空间搜索部分的数据导出的任何适合参数。然而,优选地,停车相关参数是所述段的停车概率或所述段的预期停车搜索时间。如本文中所使用的术语“预期停车搜索时间”是指在到达为目标停车段的所述段之后在附近找到停车空间的预期时间。本文中所使用的术语“段的停车概率”是指在所述段上找到停车空间的可能性。虽然将特别参考其中数据是停车概率数据的情况描述本发明的实施例,但应了解,除非上下文需要,否则实施例同样可适用于获得预期停车搜索时间数据。
停车相关参数的值例如停车概率值或预期停车搜索时间值是反映由相应段表示的要素上或视需要在其附近的典型停车情境的测量值。停车相关参数值因此是表示参数的期望值的历史测量值,所述参数的期望值例如在可导航要素上找到停车空间的可能性或基于历史数据的分析找到停车空间的预期时间。在其中停车相关参数是停车概率的优选实施例中,停车概率参数值越高,在所述段表示的可导航要素上成功停车的可能性越大。但应了解,可定义停车概率参数值以使得停车概率参数值越低,在所述段表示的可导航要素上成功停车的可能性越大。
获得的段的停车相关参数是基于分析对应于多个行程的停车空间搜索部分的位置数据。此位置数据可以被称作停车空间搜索部分数据。与现有技术相比,所述行程不一定是致使在所述段上成功停车的行程。
在其中获得段的停车概率的一些优选实施例中,获得的停车概率是基于根据停车空间搜索部分数据在所述段上成功找到停车空间的次数与根据停车空间搜索部分数据在未找到停车空间的情况下穿行所述段的次数的比。停车空间搜索部分数据包含对应于多个行程的停车空间搜索部分的位置数据。确定根据停车空间搜索部分数据在未找到停车空间的情况下穿行段的次数可包括将在不在所述段上停车的情况下在行程的停车空间搜索部分中穿行所述段的次数计数。在此情况下,最终停车可稍后在不同段上或在相同段上发生。可在每一行程的停车空间搜索部分一次或多次穿行段。确定根据停车空间搜索部分数据在所述段上成功找到停车空间的次数可包括将行程的停车空间搜索部分在所述段上终止的次数计数。可使用一或多个准则滤除其中停车空间搜索部分在段上终止但不被视为指示在所述段上停车的任何行程。举例来说,这可能是用户在交通灯处关断其导航装置,因此结束位置数据轨迹等的情况。确定的段的停车概率是基于考虑的位置数据的平均值。
在其中获得段的预期停车空间搜索时间的实施例中,预期停车空间搜索时间优选地基于根据停车空间搜索部分数据在穿行所述段之后搜索停车空间所花费的平均剩余时间。预期停车空间搜索时间是基于根据行程的停车空间搜索部分在穿行所述段之后的多个行程的停车空间搜索的剩余部分的持续时间。在行程的给定停车空间搜索部分中多次穿行段的情况下,第一穿行应优选地用以确定搜索停车空间所花费的剩余时间。在穿行所述段之后搜索停车空间所花费的剩余时间对应于从穿行所述段直到指示车辆处于停车状态的最终静止周期的开始的剩余时间。通常,这对应于停车空间搜索部分的结尾。因此,根据停车空间搜索部分数据搜索停车空间所花费的剩余时间可仅对应于停车空间搜索部分的剩余部分的持续时间。
如将了解,对于多个可导航要素,与所述段相关联的停车相关参数例如在其上找到停车空间的可能性倾向于在一天中且实际上还在一周中波动。举例来说,段可位于商业区,在商业区,停车空间在非上班时间更可能为空闲的。相反地,在上班时间期间可更容易在住宅区找到空间。优选地,停车相关参数是时间相依的。所确定的停车相关参数的所确定值优选地是相对于给定的预定时间周期。
在本发明的优选实施例中,确定每一段的停车相关参数的多个值,例如停车概率或预期停车搜索时间,每一值是相对于不同时间周期,例如每一小时。所述时间周期优选地是重复发生的时间周期,例如在每周基础上重复发生的时间周期,例如在星期一介于9h00与10h00之间的时间周期。在这类实施例中,在相应时间周期中使用与行程的停车搜索部分有关的位置数据确定每一时间周期的所述段的停车相关参数的值。
可基于与车辆在适用时间周期内进行的行程的停车空间搜索部分有关的位置数据,确定相对于给定时间周期的时间相依停车参数的值。优选地,所述方法包括对于一或多个(并且优选地多个)预定时间周期,获得与车辆在预定时间周期内在可导航网络中进行的行程的停车空间搜索部分有关的位置数据,并且分析所述位置数据以针对电子地图的多个段中的每一个,获得相对于预定时间周期的停车相关参数的值。举例来说,这可为预定周期内的停车概率,即在预定周期内找到停车空间的可能性,或所述周期内的预期停车搜索时间,即在预定周期内在为停车目的穿行所述段之后找到停车空间的预期时间。如上文所描述,可确定与每一行程的停车空间部分有关的位置数据。
在一些优选实施例中,相对于给定时间周期获得的段的停车概率是基于在给定时间周期内根据停车空间搜索部分数据在未找到停车空间的情况下穿行所述段的次数与在给定时间周期内根据停车空间搜索部分数据在所述段上成功找到停车空间的次数的比。在给定时间周期内的停车概率因而是在所述周期内的平均概率。
优选地,所述方法包括确定关于每一段的时间相依停车相关参数的分布曲线,其指示所述段的所述停车相关参数相对于时间的变化。可从一组预定时间周期中的每一个内的所述段的停车相关参数分布曲线导出所述段的停车相关参数的值。
所述方法优选地包括使指示所述所确定的所述段的停车相关参数的数据与确定此类数据所针对的电子地图中的每一段相关联。在其中获得关于不同时间周期的所述段的停车相关参数的多个值的实施例中,所述数据可包括停车相关参数的多个值本身。替代地,所述数据可包括指示参数随时间的变化的分布曲线,例如停车概率分布曲线,或到其上的指针。
应了解,可在可用位置数据中识别的在段上的停车事件的密度通常不高。每一行程将仅产生一个可引起成功停车的停车空间搜索。与行程有关的大部分位置数据不具有与停车的相关性。因此,相反地,举例来说,例如在其整个内容以引用的方式并入本文中的WO2009/053411 A1中所描述,为使用位置数据确定速度曲线数据,在存在可用以确定与电子地图的段相关联的行驶的平均速度的大量相关位置数据的情况下,当使用位置数据获得停车相关参数数据时,所述大量数据可不足以获得区域中的所有段的可靠停车相关参数数据。特定来说,没有足够的数据可用以可靠地描述时间相依停车相关参数随时间的变化,例如停车概率分布曲线。因此,停车相关参数数据可显著受噪声影响,尤其是在发生较少停车事件的时间周期例如整夜内。举例来说,所述数据可指示参数的显著变化,例如不同周期例如隔夜周期内的1小时时间周期内的停车概率。需要能够提供受噪声较小影响的更可靠停车相关参数数据,即更平滑数据,并且提供关于地理区域中的段的描述在一天的时间内以及在一周中的不同天内的停车相关参数的变化的此类数据。申请人已认识到,区域中的不同段可呈现停车相关参数的相对值的类似时间相依性。因此,通过聚合呈现其停车相关参数的相对值的类似时间相依性的不同段的停车相关参数数据,变得有可能提供可被视为适用于共享其相对停车参数数据的类似时间相依性的段中的每一个的更详细时间相依相对停车参数数据。此类更详细时间相依相对停车参数数据接着可用以获得在适用时间的给定段的停车相关参数的绝对值。
因此,在停车相关参数是时间相依停车相关参数的情况下,所述方法可包括分析对应于行程的停车空间搜索部分的位置数据以针对多个第一时间周期中的每一个,获得关于第一时间周期的与电子地图的多个段中的每一个相关联的停车相关参数的相对值。所述第一时间周期可重叠。所述方法接着可包括基于识别到在第一时间周期内的相对值的变化的类似性,将所述段集群到段群组中,使得每一群组中的段被视为在第一时间周期内以类似方式变化,例如在由所述组第一时间周期定义的时间周期内具有类似分布曲线。一旦所述段已分类成多个群组,所述方法接着就可包括长的每一段群组,分析对应于行程的停车空间搜索部分的位置数据以针对多个第二时间周期中的每一个,获得关于第二时间周期的与群组中的段相关联的停车相关参数的相对值。第二时间周期优选地小于第一时间周期。第二时间周期优选地不重叠。因此,对于每一段群组,获得指示在第二时间周期内的相对值的变化的分布曲线。由于分布曲线是基于来自多个段的数据,因此所述分布曲线可被视为聚合分布曲线。
相信,如下过程通常是有利的并且不限于根据本发明的较早方面确定的停车相关参数的情境:识别具有以类似方式变化的时间相依参数的相对值的段的群组,并且使用指示关于每一群组的不同段的参数的相对值的数据获得适用于群组的所有成员的参数的相对值的时间变化的聚合分布曲线。这些技术通常可在关于个别段的可用数据量可不足以获得指示相对于时间的时间相依参数的变化的平滑分布曲线的情况下适用。
根据本发明的另一方面,提供一种产生指示关于地理区域内的可导航网络的一或多个可导航要素的时间相依参数的时间相依性的分布曲线数据的方法,每一可导航要素由电子地图的一段表示,所述电子地图包括表示所述可导航网络的多个段,所述方法包括:
针对多个第一时间周期中的每一个,获得关于第一时间周期的与电子地图的多个段中的每一个相关联的时间相依参数的相对值;
对于所述或每一组时间周期,基于在所述组的每一时间周期内获得的所述段的所述时间相依参数的所述相对值,将所述段集群到段群组中,其中对于所述组时间周期中的所述时间周期中的每一个,每一段群组中的所述段被视为具有所述停车相关参数的类似相对值;
针对每一群组,使用与所述群组的所述段相关联的相对时间相依参数获得指示所述时间相依参数的所述相对值的时间相依性的聚合分布曲线,所述聚合分布曲线适用于所述群组的所述段中的每一个。
根据本发明的另一方面,提供一种产生指示关于地理区域内的可导航网络的一或多个可导航要素的时间相依参数的时间相依性的分布曲线数据的***,每一可导航要素由电子地图的一段表示,所述电子地图包括表示所述可导航网络的多个段,所述***包括:
用于针对至少一组多个不同时间周期中的每一个,获得关于所述时间周期的与电子地图的多个段中的每一个相关联的时间相依参数的相对值的装置;
用于对于所述或每一组时间周期,基于在所述组的每一时间周期内获得的所述段的所述时间相依参数的所述相对值,将所述段集群到段群组中的装置,其中对于所述组时间周期中的所述时间周期中的每一个,每一段群组中的所述段被视为具有所述停车相关参数的类似相对值;和
用于针对每一群组,使用与所述群组的所述段相关联的相对时间相依参数获得指示所述时间相依参数的所述相对值的时间相依性的聚合分布曲线的装置,所述聚合分布曲线适用于所述群组的所述段中的每一个。
本发明的这些另外方面中的本发明可在互不排斥的程度上并入有相对于本发明的较早方面描述的特征中的任一个或全部。
在本发明的这些另外方面中,时间相依参数可以是可与可导航网络的可导航要素相关联并且因此与其可导航段相关联的任何适合参数。所述参数优选地是停车相关参数。所述参数优选地是预期停车搜索时间或停车概率。这些参数如较早定义。优选地,时间相依参数是其时间相依性例如在每天或每周基础上展现重复发生的行为的参数。举例来说,如上文所描述,停车概率可被视为每一星期一或每一工作日上的对应时间周期内具有相同值。停车搜索时间参数可类似地呈现重复发生的行为。
在本发明的这些进一步方面和实施例中,获得关于至少一组多个不同时间周期中的每一个的每一时间周期的与电子地图的多个段中的每一个相关联的时间相依参数的相对值。所述或每一组多个不同时间周期中的时间周期优选地是重复发生的时间周期,例如在每周或每天基础上重复发生的时间周期。所述时间周期优选地是较长时间周期内的较短时间周期。较短时间周期可具有选自例如由以下组成的长度群组的长度:≤2小时、3小时、4小时。一组多个时间周期中的不同时间周期的较短周期可相同或不同。较长时间周期可以是例如大致等于一天,或周,或一组天,例如周末或工作日。举例来说,第一组时间周期中的时间周期可为每一工作日重复发生的时间周期。举例来说,在每一工作日中可存在从四到十个此类重复发生的时间周期,例如四个周期可能对应于早晨、中午、下午、夜间。一组时间周期中的时间周期的长度可相等或可不相等。举例来说,较长时间周期可用于夜间周期。一般来说,可在所述或每一组多个不同时间周期中存在预定数目个时间周期。预定数目可为大于4的数目,并且任选地在从4到10例如从4到6的范围内。在使用多组多个不同时间周期的情况下,每一组时间周期中的时间周期的预定数目可相同或不同。可基于指示相对于时间的参数的值的数据点的预期密度选择每一组中使用的时间周期的数目。对于随时间的较稀疏数据,可使用较长时间周期。应了解,每一组时间周期中的时间周期可重叠。
在一些实施例中,针对第二组多个时间周期中的每一个另外执行所述方法。所述第二组时间周期优选地是不同于与第一组时间周期中的时间周期相关联的较长时间周期的较长时间周期内的重复发生的时间周期。举例来说,第一组时间周期的较长时间周期可为工作日,且所述第二组时间周期可为周末。可考虑特定工作日的给定时间周期内的时间相依参数的相同相对值适用于当在另一工作日上重复发生时的所述时间周期,或相反地,给定周末的时间周期内获得的相对值可被视为适用于其它周末。当然,可按需要选择时间周期的组的数目,且每一组可含有关于不同的较长时间周期的重复发生的时间周期。举例来说,可提供包含在周末的每天或在一周的每天上的重复发生的时间周期的不同组时间周期。所述或每一另外组的多个时间周期中的时间周期的数目可与(第一)此类组中的时间周期的数目相同或不同。优选地,针对第一组多个时间周期中的每一个,并且针对第二组多个时间周期中的每一个执行所述方法,其中所述第一组和第二组时间周期中的时间周期是相应较长时间周期内的重复发生的时间周期,其中第二组时间周期是不同于与第一组时间周期中的时间周期相关联的较长时间周期的较长时间周期内的重复发生的时间周期。
可通过分析指示车辆在可导航网络中相对于时间的移动的位置数据,执行针对至少一组多个不同时间周期中的每一个,获得关于时间周期的与地图的多个段中的每一个相关联的时间相依参数的相对值的步骤。考虑关于车辆在相关时间周期内在可导航网络中的移动的数据。所述数据可为如关于本发明的较早方面所述从车辆获得的数据,即探测数据。在一些优选实施例中,所分析的位置数据指示车辆在可导航网络中进行的行程。如在本发明的较早方面和实施例中,所述行程可界定于指示车辆处于停车状态的静止周期之间。这些实施例在参数是停车相关参数的情况下是适当的。优选地,时间相依参数是如下参数:其时间相依性展现重复发生的行为,例如使得可在周的对应天或在每一周的同一天等的给定时间周期内预期相同行为。在其中参数是停车相关参数的优选实施例中,优选地基于与涉及在时间周期内到过所述段的多个行程有关的数据例如位置数据获得相对值。
确定的关于时间周期(例如所述或每一组时间周期中的每一时间周期)的每一段的时间相依参数的相对值优选地是时间周期内的参数的平均相对值。在其中时间相依参数是停车概率的一些优选实施例中,获得关于时间周期的段的停车概率是基于在时间周期内在未找到停车空间的情况下穿行所述段的次数与在所述段上成功找到停车空间的次数的比。在其中参数是预期停车空间搜索时间的实施例中,获得的关于时间周期的段的预期停车空间搜索时间优选地基于在穿行所述段之后搜索停车空间所花费的平均剩余时间。因此,确定时间周期的段的时间相依参数的相对值可涉及考虑与其它段例如在较早方面和实施例中形成行程的停车空间搜索部分的部分的那些段有关的数据,或可仅考虑与相关段有关的例如确定所述段上的成功停车事件的数据。可以设想,可使用类似于现有技术的用于确定停车概率的方法,例如其仅关注对指示停车事件的在段上的行程结束的次数计数。
平均相对值可以是任何类型的平均值,例如均值。可通过计算时间周期中的不同时间的参数的个别值并且接着平均化所述个别值,或通过收集整个时间周期内的数据,并确定所述周期的参数的单个值,确定平均值。
可通过使用所述组时间周期中的每一时间周期作为一区间(bin),并且将指示获得的在时间周期内的时间的参数的值的数据分成适用区间,获得所述或每一组多个不同时间周期中的每一个的时间相依参数的相对值。指示参数的值的数据可为参数的实际值,或使得能够确定此类值的数据。接着可平均化每一个区间中的数据以获得所述区间或时间周期内的参数的相对值。
所述方法可包括获得关于每一段的向量,所述向量具有多个分量,每一分量指示所述组多个不同时间周期中的一组的时间周期中的相应时间周期内的时间相依参数的相对值。可获得关于每一组时间周期的段的相应向量。每一向量将具有对应于相关组时间周期中的时间周期的数目的数个分量。
在其中获得给定时间周期的时间相依参数的相对值的本发明的这些另外方面和实施例中,这可以任何合适方式执行。相对值是准许在关于不同段获得的值之间进行比较以便使得段能够集群到呈现类似行为的群组中的值。相对值可为归一化值。可使用确定的时间周期的参数的均值确定关于时间周期的相对值。举例来说,时间周期的绝对值可除以均值,或可从其减去均值。
所述方法包括针对所述或每一组时间周期,基于获得的所述组的每一时间周期中的段的时间相依参数的相对值,将段集群到段群组中。分析时间周期中的所述段的时间相依参数的相对值,例如向量的分量,以便能够识别在所述组时间周期中的时间周期内具有相对时间相依参数的类似时间相依行为的段群组。获得关于获得参数的相对值所针对的每一组时间周期的一组群组。
所述或每一组群组包含多个段群组。每一段群组是在考虑的时间周期内展现时间相依参数的类似相对行为的集群。已发现,与段相关联的参数的相对值的时间相依性往往会落到有限组模式中的一个中。因此,在给定组时间周期中,可识别在考虑的每一对应时间周期中具有参数的大致类似相对值的段群组。可使用在所属领域中已知的任何适合的集群技术例如k均值集群执行段的集群。可按需要选择每一组中的群组的数目,且每一组中的群组的数目可在获得多组群组的情况下为相同或不同的。这可经执行以达成处理效率与所得数据的间隔尺寸之间的平衡。这可例如通过适当控制集群过程来达成。所述集群可考虑除了可为可具有参数的时间相依性的类似模式的相关识别段的时间相依参数的相对值之外的其它因素,例如道路等级等。
在一个示范性实施例中,获得星期一的第一组四个时间周期和星期天的第二组四个时间周期中的每一时间周期中的段的停车概率的相对值。关于每一组时间周期将所述段集群到一组六个群组中,即星期一的六个群组和星期天的六个群组。每一群组包含其相对停车概率值在每一相关时间周期内为类似的段。举例来说,相对停车概率值可在早晨、下午、傍晚和夜间类似,其中这些是考虑的四个周期。当然,不同数目的群组可用于每一组时间周期。
一旦已为所述段指配群组,就基于与群组的段中的每一个相关联的时间相依参数的相对值,获得每一群组的聚合分布曲线。因此,聚合分布曲线考虑所获得的关于时间周期内的段中的多个段的参数的相对值。这提供比尝试获得关于单个段的分布曲线的情况更大的数据池。举例来说,在停车相关参数的情况下,将存在需考虑的相对于群组的段中的任一个发生的停车事件要大得多的数目个停车事件。在任何时间周期中,可用以获得聚合分布曲线的数据量将大于当基于与单个段有关的数据确定分布曲线时的数据量,减小可当尝试使用相对稀疏的数据确定时间相依参数的分布曲线时发生的噪声问题。获得指示随时间的时间相依参数的相对值的时间相依性的单个聚合分布曲线,所述分布曲线可被视为适用于群组的段中的每一个。因此,可假设根据分布曲线的参数的值为相关时间处的群组的每一成员的值。聚合分布曲线在在识别所述群组时使用的所述组时间周期所涉及的时间周期例如工作日、周末等内适用。应了解,相同段可集群到关于不同组时间周期的不同群组中,且因此可与不同聚合分布曲线相关联。
获得聚合分布曲线的步骤可包括使用与群组的段相关联的相对时间相依参数数据确定关于多个时间周期的参数的多个相对值。所述多个时间周期是重复发生的时间周期。优选地,所述多个时间周期中的时间周期的数目大于用以获得在识别群组时使用的段的相对停车概率值的所述组时间周期中的时间周期的数目。优选地,所述多个时间周期中的时间周期短于用以获得在识别群组时使用的段的相对停车概率值的所述组时间周期中的时间周期。举例来说,确定聚合分布曲线可涉及获得关于重复发生的每小时时间周期的参数的相对值。可按需要选择在获得聚合分布曲线时使用的时间周期的数目以提供数据的给定间隔尺寸水平。获得的关于每一时间周期的参数的相对值可为基于与群组中的段相关联的参数的值的平均值。应了解,并非群组中的每个段都可提供每一时间周期的参数的值。这是因为数据对于一些段至少在某些时间周期可为相对稀疏的。平均值优选地是中位值。已经发现此类平均值比均值提供更有意义的聚合分布曲线,不过替代地,可使用均值。
聚合分布曲线使得能够获得群组的任何段的任何所要时间的参数的值。在获得段的每一群组的聚合分布曲线时,聚合分布曲线可用于所考虑的每一段。可以设想,本发明的方法可用以获得关于地理区域的每一段例如城市的此类数据,例如所述段的停车概率或预期停车搜索时间。以此方式,可获得每一段的指示相对于时间的参数的变化的详细数据,即使是关于个别段的实际数据可太稀疏而无法获得至少某些时间周期中的参数的变化的有意义的分布曲线。
所述方法优选地包括使例如存储的指示聚合分布曲线的数据与群组的每一段相关联。所述数据可为分布曲线,或可为分布曲线的参照或指针。应了解,所述方法产生一组多个标准聚合分布曲线。每一段可与所述段的适用分布曲线的参照或指针相关联,即基于指配给其的群组。
聚合分布曲线可提供所述段的参数的相对值。在使用分布曲线或从其获得的给定时间的值之前,所述方法可包括变换所述分布曲线以便指示所述段的参数的绝对值,或将从分布曲线获得的相对值变换成所述段的参数的绝对值。所述变换可涉及按比例缩放过程。可使用在给定的一或多个时间的所述段的已知参数的绝对值或值执行所述变换。可需要将所得分布曲线,或从其获得的值限制在限定范围例如0到1内。
在一些实施例中,所述方法另外包括使群组的每一段与供在变换分布曲线以便指示所述段的参数的绝对值时使用或用于将从分布曲线获得的相对值变换成所述段的参数的绝对值的数据相关联。此类数据可包括关于给定的一或多个时间的所述段的参数的绝对值或值。
在其它实施例中,与其相关联的段的聚合分布曲线可指示所述段的参数的绝对值。换句话说,可在使指示分布曲线的数据与所述段相关联之前执行分布曲线的变换。根据技术方案所述的方法接着可包括变换聚合分布曲线以便指示所述段的参数的绝对值,并且使指示经变换分布曲线的数据与所述段相关联。
任何适合数据可用于将参数的相对值变换成绝对值时,或用于如此变换分布曲线。所述数据无需例如从位置数据获得。所述数据可为与所述段的参数的一或多个值有关的经测量数据或者以其它方式预期或已知的数据。
在获得多组段群组的情况下,每一段可与指示适用于不同时间周期(例如周末、工作日等)的多个聚合分布曲线的数据相关联。
根据本发明在其各方面或实施例中的任一个中产生的停车相关参数数据(不管是呈停车相关参数分布曲线形式,还是从停车相关参数分布曲线获得)可输出和/或以任何所要且适合方式使用。所述方法扩展到输出和/或使用根据本发明在其各方面中的任一个中获得或从关于根据本发明在其各方面中的任一个中获得的参数的聚合分布曲线获得的停车相关参数数据。停车相关参数数据(例如停车概率数据)可用以产生停车搜索路线。此路线可产生作为从原点到目的地的路线的初始规划的一部分而产生,即,使得路线的结尾部分并入有停车搜索区。然而,通常,停车搜索路线是从当前位置产生。无论是否响应于用户请求,所述停车搜索路线均可朝向预规划路线的结尾,或更典型地,停车搜索路线产生的起始可为正在自由驾驶时响应于用户的请求而发生。应使用针对适用时间的停车相关参数,例如停车概率数据。前述WO 2010/157296 A1揭示用于基于停车概率数据规划停车搜索路线的技术。
在优选实施例中,所述方法可另外包括将与一或多个段相关联的电子地图和/或指示与一或多个段相关联的停车相关参数(例如停车概率)的数据提供到计算装置(例如远程计算装置,例如导航装置),以供在以下操作中的一或多个中使用:使用电子地图(例如)从当前位置确定停车搜索路线;和使用电子地图从当前位置确定估计的停车时间。
在实施例中,所述方法可另外包括使用计算装置来执行前述操作中的一或多个。举例来说,路线规划算法可使用停车相关参数数据来规划优选地具有相关联搜索时间或估计的到达时间(ETA)的一或多个停车搜索路线。因此,在一些实施例中,所述方法包括确定跨被电子地图覆盖的区域的路线。这可包括基于停车概率数据查看路线并且接着产生可导航路线。
本发明方法可相应地实施于导航操作的情境中。因此,所述方法可至少部分地由具有导航功能性的***或装置执行。然而,应了解,所述方法也可由具有路线产生能力但不一定是导航功能性的任何适合的***或装置执行。举例来说,所述方法可由不具有导航功能性的计算机***例如台式计算机或手提式计算机***实施。可向用户呈现产生的路线,所述路线接着可印刷或以其它方式用以辅助后续时间的路线选择,或举例来说,可存储所述路线以供未来使用,例如下载到导航装置。
在一些实施例中,在服务器上执行所述确跨被电子地图覆盖的区域的路线定步骤。在其它实施例中,将段的停车概率数据发送到导航装置(从服务器)并且在导航装置上执行确定步骤。因此,如上文所论述,可至少部分地使用导航装置执行所述方法。所述导航装置可为PND或集成式例如车载装置。所述导航装置可包括用于向用户显示电子地图的显示器、被配置成存取数字地图数据并且经由显示器向用户显示电子地图的一组一或多个处理器,以及用户可操作以使得用户能够与所述装置交互的用户界面。
在优选实施例中,所述方法另外包括将指示产生的停车搜索路线的信息提供到用户。这可涉及将其指示性路线或信息输出给用户。所述信息可以任何方式指示路线,例如指令集,其可为视觉、听觉和/或触觉的,但优选地是路线的视觉表示。
在优选实施例中,所述方法包括向用户显示停车搜索路线。在优选实施例中,显示路线的步骤可包括在电子地图上叠加路线。然而,可使用其它形式的输出。举例来说,所述方法可替代地或另外包括印刷指示至少一个路线的信息。因此,指示路线的信息优选地经由导航装置输出到用户,但在其它实施例中,所述信息可由任何适合处理装置例如通过具有路线产生能力但不一定是导航能力的计算机设备进行显示来输出等。这在路线是由服务器产生的情况下可为相关的。
应了解,根据本发明的方法可至少部分地使用软件实施。因此将发现,当从另外的方面观察时且在另外的实施例中,本发明扩展到包括适于在适合数据处理装置上执行时执行本文中所描述的方法中的任一个或全部的计算机可读指令的计算机程序产品。本发明还扩展到包括此类软件的计算机软件载体。此类软件载体可为物理(或非暂时性)存储媒体或可为信号,例如经过导线的电子信号、光学信号或例如送往卫星的无线电信号等。
应注意,除非另外的情境需求,否则本文中对停车相关参数、或停车相关参数的值、或停车概率或停车概率值、或预期停车搜索时间或预期停车搜索时间值的参考应理解为指代指示这些因素的的数据。所述数据可以任何方式指示相关参数,和可直接或间接指示相关参数。因此,对停车相关参数例如停车概率的任何参考可替换为指示其的参考数据,即停车概率数据。还应注意,关于一或多个段的片语“与其相关联的”不应解释为要求对数据存储地点的任何特定限制。所述片语仅需要所述特征可识别地与段和较短时间周期有关。因而,关联可例如借助与对潜在位于远程服务器中的副文件的参考达成。
根据本发明的另外方面或实施例中的任一个的本发明可包含以并非彼此不一致的程度参考本发明的其它方面或实施例所描述的特征中的任一个。
附图说明
现在将参考附图仅以举例的方式描述本发明的实施例,在附图中:
图1示出概述用于将轨迹内的GPS固定点匹配到地图的段的实施例的流程图;
图2示出概述用于确定个别路段的停车成功概率的实施例的流程图;
图3示意性地示出可如何检测行程内的环圈以供在检测停车搜索开始时使用;
图4示出段的停车成功概率分布曲线的实例;
图5示出概述用于确定个别路段的停车成功概率的另一实施例的流程图;
图6示出可用以模型化段的停车成功概率分布曲线的可能的相对停车成功概率分布曲线;
图7示出地图区内的不同段可如何基于段的属性与不同的相对停车成功概率分布曲线相关联;和
图8示出根据一个实施例可如何集群不同路段。
具体实施方式
现将特别参考被布置成存取从多个移动装置接收的位置数据的数据存储装置并且可在车辆内相关联的处理装置(例如服务器)描述本发明的实施例,所述移动装置例如被配置成执行导航软件以便提供路线规划和导航功能性的便携式导航装置(PND)。移动装置的位置数据优选地包括一或多个轨迹;其中每一轨迹表示所述装置在特定时间周期内例如在24小时周期内的移动。每一24小时周期通常布置成与日历日一致,但并非一定如此。服务器还存取包括表示移动装置可在上面移动的道路网的多个段的电子地图,其还被称作地图数据。
本发明的实施例大体涉及确定电子地图的个别段的停车相关数据例如停车成功概率或平均停车时间的方法。通过分析轨迹数据或更特定地行程数据,即通过分析来自穿行所述段的驾驶者的历史位置或探测数据,确定停车相关数据。特定地,可分析轨迹或行程数据以检测个别成功停车事件。除了实际停车事件之外,还可进一步分析轨迹或行程数据以检测指示用户搜索停车空间(在下文为‘停车搜索’)的驾驶行为。通过检测停车搜索,或特定地停车搜索的开始,不仅可获得关于成功停车事件的信息,而且还可获得关于不成功停车事件或在停车搜索期间在所穿行的段上的停车尝试的信息。此信息接着可用以例如通过聚合来自多个轨迹的数据,确定所述段的停车概率。由于探测数据带时戳,所以此信息可进一步用以确定所述段的停车概率分布曲线(即,展示停车概率的时间变化)。类似地,可分析与停车搜索相关联的轨迹数据以确定与个别段相关联的平均停车搜索时间。停车相关数据可在停车搜索路线的产生时使用,即提供停车搜索向导,或可用以向用户提供找到停车空间的概率和/或从其当前位置这样做的期望时间的指示。
作为第一过程,服务器可被布置成执行地图数据与已经接收的位置数据内含有的GPS固定点之间的地图匹配功能,关于图1描述此类过程。可以所谓的实时方式执行此类地图匹配;即在接收到位置数据时或可在已从数据存储装置召回位置数据之后的稍晚时间执行。然而,应了解,本文中所描述的技术也可至少部分地使用原始探测数据,即不经地图匹配的GPS固定点予以实施。
为了增加地图匹配的准确度,如下执行位置数据的预处理。将每一GPS轨迹(即,24小时周期的GPS数据)划分100成一或多个行程,其中每一行程表示移动装置的单个路程,随后存储所述行程以用于稍后的处理。
在每一行程内,拒绝102从移动装置接收的准确度报告不足够高的GPS固定点。因此,在一些实施例中,可在准确度报告指示移动装置正在从小于三个卫星接收关于GPS固定点的信号的情况下拒绝固定点。此外,当固定点之间的所报告时间高于阈值时截削104每一行程。通过此预处理阶段的每一行程转到地图匹配。
在此上下文中,截削的行程是其中在大于预定时间的相连GPS固定点之间存在一时间周期的行程。因而,可能推断车辆保持静止并且因此应被视为第一行程已经结束且第二行程已经开始。因此,截削的行程变成两个单独行程。
然而,在划分行程之前,进行关于车辆的位置是否已在最后两个固定点之间改变的检查,这是由于高于GPS固定点之间的预定时间的间隙也可以由GPS信号的丢失引起且在此类情况下,不划分行程。在正在描述的实施例中,预定时间为大致3分钟。然而,所属领域的技术人员应了解,所述间隙可以是任何其它合适的时间,例如大致为以下中的任一个:15秒、30秒、1分钟、90秒、2分钟、5分钟、10分钟或这些之间的任何时间。如在下文所论述,如果从其发送GPS固定点的导航装置200的平均速度低于预定阈值,那么在一些实施例中,可在稍后处理中拒绝数据。此类实施例可为有用的,这是因为其可消除与在例如碰撞等事故之后发生的所谓的时停时走交通有关的数据,这可保持剩余数据更能表示稳态交通流。
接着,继而取得每一行程并且将所述行程内的固定点匹配到来自地图数据内的地图。每一地图包括有可能行驶所沿循的多个路段,其中每一段在地图内表示为直线向量。
在服务器的处理器上运行的程序代码提供地图匹配器,其被布置成单步执行正在处理的行程中的所述或每一固定点,直到找到处于段内或足够接近段以便假设其已在所述段上发生(即,在所述段的距离阈值内)的固定点。此阈值允许小于100%GPS准确度以及将道路拆分成一组直线向量的压缩效应。每一行程具有初始固定点(即,行程内的第一固定点),其与行程内的其它固定点相比较难与段相关联,这是由于不存在已经识别的可用以约束段选择的段。如果对于此第一固定点,多个段在阈值内106,那么算法转向行程内的下一GPS固定点(即,第2固定点)并且基于随2个固定点(即,第1固定点与第2固定点之间)之间的距离而变的可能行驶而从所述多个段产生一组根。如果第2固定点不产生针对第1固定点的唯一候选段,那么算法移动到行程内的第3固定点并且再次产生可能的路线并将所述可能的路线进行比较以尝试和提供针对第一固定点的唯一候选108。此过程可继续直到行程内的剩余GPS固定点经处理。
此类实施例的优点是虽然任何一个第一固定点可孤立地靠近多个段,且无法孤立地区分这些段,但可能使用另一行驶(即,第2固定点和第3固定点)确定与第一固定点相关联的段的标识。因此,地图匹配器确定行程的第一段。
一旦行程的第一段已经识别,就处理另外的固定点以便识别另外的段。行程的下一固定点当然有可能与第一固定点112处于相同段内。
因此,处理110行程的后续固定点以确定其是否在所述段的距离阈值内,且地图匹配器被布置成使所述段与处于距离阈值内的固定点中的每一个相关联。当地图匹配器处理在距离阈值之外的固定点时,其被布置成产生针对所述固定点的一组新的候选段。然而,现在有可能添加如下的另一约束条件:下一段是连接到刚好经处理的段的末端的段。地图匹配器从下面的地图数据获得这些相邻段。如果在任一点处,地图匹配器因为不存在阈值内的段,或无法唯一地识别单个段而未能识别跟在前一段之后的给定固定点的段,那么地图匹配器被布置成单步调试后续固定点116以便进一步约束路程直到其可识别到为唯一匹配的段。即,如果第n固定点无法唯一地与一段相关联,那么使用第n+1段进一步约束段的识别。如果第n+1固定点不产生唯一段,那么使用第n+2固定点。在一些实施例中,此过程可继续直到识别唯一段或已处理针对行程的所有GPS固定点。
地图匹配器被布置成尝试并且唯一地识别段;在正在描述的实施例中,不尝试创建连续路线,仅尝试和匹配到固定点的段。在其它实施例中,可能需要尝试连续路线并且使地图匹配器产生连续路线。
图2示意性地示出根据本发明的实施例的可用以确定或估计个别路段的停车相关数据例如停车成功概率或平均停车时间的算法。算法分析历史轨迹,其各自表示特定时间周期内的单个浮动车的探测数据。轨迹可首先拆分成多个行程,如上文所解释,其中每一行程表示从初始停车(即,静止)位置到目的地停车位置的路程。即,轨迹拆分成至少潜在以停车事件结束的行程。在拆分过程之后的所得行程应具有最小长度,并且可丢弃较短行程。此类较短行程可与例如可由进行规律停止但不停车的交货车辆所产生的出于除停车以外的原因的驾驶者停止有关。也可修整所得行程例如以消除仅为GPS噪声或具有不足够的GPS准确度尤其是在行程结尾的固定点。实际上,各种滤波器或变换器可应用于轨迹或行程数据。这些滤波器可在行程拆分之前应用于轨迹数据(‘轨迹滤波器’)。另外或替代地,滤波器可在拆分之后,在地图匹配之前或之后应用于行程数据(‘行程滤波器’)。举例来说,可应用滤波器消除很可能不在停车事件中结束例如其中行程在高速公路上或交汇处结束的行程。举例来说,可在驾驶者在行程期间关断导航装置的情况下产生此类数据点。类似地,可应用滤波器消除在道路之外结束的行程,这是因为这些行程对于街道上停车来说是不相关的。也可在停车检测之后应用行程滤波器。一般来说,可存储轨迹或行程数据,并且可在数据存储阶段或在后处理期间执行行程拆分和滤波。因此可使用轨迹数据执行图2中示出的算法,且所述算法包含将轨迹数据拆分成行程的初始步骤,或可对行程数据直接执行所述算法。
在第一步骤201中,所述算法可检测实际成功停车事件。由于停车事件通常反映行程结束,因此此步骤可以是行程拆分过程的部分。举例来说,第一步骤201可仅涉及确定很可能在停车事件中结束的行程的结束。
所述算法接着在第二步骤202进行到分析每一行程内的探测数据以检测指示停车搜索开始的驾驶行为。一般来说,停车搜索检测算法分析指示停车搜索的行为的GPS固定点(或更精确地成对的相连固定点上,为导出速度所必需)。停车搜索算法可作用于原始GPS固定点,或作用于地图匹配的GPS固定点,或部分地作用于这两者。为了确定行程内的停车搜索的开始,算法可在所述行程的所有GPS固定点上以反向时间次序重复,即从行程/实际停车事件的结尾向后工作。接着可处理每一固定点(或固定点对)以提取可用以确定所述固定点是否是停车搜索的部分的相关参数。
举例来说,对于每一固定点,可确定所述固定点与其后续固定点之间的平均地面速度是否小于与所述固定点相关联的地图匹配段上的平均或期望自由流速度度。因此,固定点可在速度低于常见或期望自由流速度度的情况下标记为‘慢’。与每一固定点相关联的速度可与可配置阈值进行比较,使得固定点可在速度低于阈值的情况下标记为‘慢’。算法也可以检测相连缓慢段,即使其中间杂有非缓慢段的小间隙仍是连续缓慢段,这是因为此行为也可指示停车搜索行为(例如其中非缓慢段表示驾驶者穿行不可能停车的段)。
作为其它实例,可分析固定点以确定其是接近转弯例如U形转弯或环圈还是为转弯例如U形转弯或环圈的部分。
可在停车搜索检测算法内执行转弯检测以用于识别行程内的显著方向改变。这些转弯接着可划分成直角(即,正常的右/左转弯)或U形转弯。转弯检测可主要使用地图匹配的数据执行,并且从根本上分析方位改变。对于高于阈值角度的每一方位改,算法产生转弯对象。在检测到所有显著的转弯之后,算法尝试汇合相连的连续转弯。可在检测到‘180度’转弯的情况下直接识别或从一系列相连转弯识别U形转弯。
也可执行环圈检测以识别行程的轨迹内的环圈。环圈定义为例如如在图3中示意性地示出,在空间限定的行程子序列上的累积角度指示‘360度’操控的一致方位改变。在实施例中,环圈可确定为以相同段开始和结束的行程数据子序列。在固定点层面,环圈因此在匹配到多次穿行段的第一发生的第一固定点开始并且在匹配到所述段的第二发生的最后一个固定点结束。这两个固定点和其之间的每一固定点因此可标记为环圈的部分。因此,可分析每一固定点以确定其在时间上是否处于环圈的第一转弯与最后一次转弯之间。
作为其它实例,针对每一固定点可确定所述固定点是接近行程的结尾,还是接近行程目的地(其中为已知的)。举例来说,在驾驶者在距行程的结尾的特定距离内的情况下,有可能开始搜索停车空间。
应了解,低于期望的速度或多个转弯或环圈可指示驾驶者不再自由驱动而是替代地开始搜索停车空间。可针对每一固定点提取这些参数中的一些或全部。为易于数据处理,这些参数可例如通过设置用于比较的适当阈值实施为二进制特征。
停车搜索算法无需分析所有固定点。举例来说,可对数据进行滤波以便不分析不大可能时停车搜索的部分的固定点(例如接近行程的起点的固定点)。因此,停车搜索算法可包含与驾驶者的最初目的地、或附近关注点、或甚至个人化知识例如被配置的家庭或工作地点有关的信息,这是因为驾驶者更有可能在其目的地或其它关注点附近开始停车搜索。还可使用地图属性例如已知停车限制、单向街道等帮助丢弃可能不会是停车事件的数据点,即与所述地图数据抵触的数据点。
步骤201、202的结果是确定每一轨迹或更特定地每一行程的停车搜索部分。行程的停车搜索部分包含在停车搜索期间穿行的所有段。因此,对在停车搜索期间穿行的每一段,可确定停车搜索是否在所述段上成功地结束,即驾驶者是否能够成功停车,或停车尝试是否失败,即驾驶者不能够停车且替代地移动到相邻段上。停车成功和停车尝试通常可被称作‘停车可观测量’。接着可聚合来自多个轨迹或行程的所有停车可观测量以便产生数据集(步骤203)。此数据的统计分析允许确定所述段上的停车概率和/或从所述段的平均搜索时间(步骤204)。举例来说,段上的停车概率通常可确定为在所述段上成功结束的停车搜索的次数与在停车搜索期间穿行所述段的次数的比。通过平均化驾驶员在过去已穿行段之后搜索停车空间所花费的时间来确定段的平均搜索时间。
因此,通过以下步骤有可能以统计方式估计道路网中的每一个别段的各个停车相关测量值:确定用户何时在停车搜索上,并且接着确定驾驶者管理或不管理在停车搜索期间穿行的哪些段以成功地停车,并且聚合多个轨迹/行程的此信息。用户反馈可用以优化参数估计或部分用于参数估计。
GPS固定点带时戳。因此,通过将上述分析限定到某些时间片,例如一周中的特定哪些天和/或一天中的时间,可确定每一段的特定时间处或特定时间片内的停车相关数据。以此方式,可构建停车成功概率分布曲线,所述分布曲线示出包括多个时间片的时间间隔的进程内,例如一天或一周的进程内的停车相关参数的时间变化。可适当选择时间片的数目以确定分布曲线的分辨率或间隔尺寸。举例来说,使用更多数目的时间片可增加分辨率。然而,使用更多数目的时间片也可以增加噪声,这是因为在每一时间片内存在较少观测结果。因此,可基于数据量选择时间片的数目。通常,可能需要确定一天中每小时的停车成功概率,不过这并非总是切实可行的。为增加数据量,可将来自不同天的数据聚合在一起。可预期工作日和周末展示不同行为,因此,在实施例中,可单独地聚合工作日数据和周末数据以产生单独的工作日分布曲线和周末分布曲线。
图4示出可使用上文概述的方法获得的特定段的停车成功概率分布曲线的实例。图4中示出的分布曲线表示工作日(左图)和周末(右图)的每小时停车概率。
应了解,停车事件的性质是在某些段或时间间隔内可存在非常少的数据点,这是因为大部分轨迹数据不与路程的停车搜索部分有关并且是冗余的。因此,虽然上方关于图2概述的方法允许获得更多信息,即与整个停车搜索有关而非仅与停车事件有关的数据,但至少对于一些段,仍不存在足以计算具有足够置信度的概率的数据。所得概率分布曲线因而可具有高不确定性并且显著受噪声影响,如由图4中示出的概率分布曲线的不稳定移动所说明。尤其在可能存在更少数据点的夜间小时期间,所估计的概率展示显著变化,即使不存在如此变化的现实世界原因。然而,图4中示出的概率分布曲线表明可存在基本动力学,这是因为停车概率通常在中午比在早晨/夜晚更高。
为有助于其中有限量的数据可用的情况,申请人已开发图5中示意性地示出的另一算法,其将现实世界动力学注入到停车概率分布曲线中并且有助于消除噪声或使分布曲线平滑。应了解,因此除上文所描述的技术之外或替代地,还可使用图5中所示出的算法。举例来说,图5中示出的算法可用以使使用上文所描述的方法获得的分布曲线平滑,尤其是在存在相对少的观测结果的情况下。然而,在其中存在足够数据以使得使用关于图2描述的方法获得的停车概率分布曲线已经足够平滑的情况下,图5中描述的技术可为不必要的。尽管现将参考停车概率分布曲线解释图5中示出的实施例,但应了解,所述算法可同样用于其它停车相关测量值,尤其是包含平均停车搜索时间的其它时间相依停车相关测量值。
图5中所示出的算法是基于如下假设:存在有限组停车概率动力学,且共享类似属性(例如地图属性)的不同路段可能共享类似的相对停车概率动力学,即使其仍可相对于其全局或平均停车概率为不同的。这些假设受如下观测结果启发:一些道路总是比其它道路更好停车,且停车概率随需求和供应而变,使得相对停车动力学应反映路段上的建筑物的类型、人口密度、工作时间等,所有这些属性对于多个不同段可为共同的。举例来说,包含学校的段的停车概率可能在早晨和午后相对低,但潜在地在夜间小时期间较高。
因此算法使用来自类似段的数据优化或产生特定段的停车分布曲线,在所述特定段中原本可归因于缺失数据而不可能进行所述停车分布曲线的优化或产生(或不可能具有足够置信度)。
在第一步骤501中,可例如使用图2中所示出的技术产生每一段的初始停车概率分布曲线。基于初始分布曲线,接着可将展示类似分布曲线或行为的段分组在一起(步骤502)。替代地或另外,可基于段的共享的共同道路属性将所述段分组,这在其中特定段的数据因为其不可能产生有意义的停车概率分布曲线而因此为不完整的情况下可为有用的。借助于说明,图6示出与六个不同群组相关联的一组六个相对停车概率分布曲线。分布曲线是群组的特性。即,群组是由其分布曲线共享共同的时间变化的段定义。图7说明如何由于分组将地图中的不同段分组成图6中示出的群组中的一个。每一群组内的道路与所述群组的相对停车概率分布曲线相关联。
分组可由集群或其它类构建方法执行。举例来说,分组可由阶层式或模糊集群技术执行。优选地,分组借助于所谓的k均值集群技术执行,其中k是所要的集群数目。此非阶层式方法通常开始于k随机种源并且根据最小误差准则基于选择的度量重新分布类成员。算法仅产生局部最小值,因而为了最优解,其必须运行多次。用最小误差估计值的运行给出可为优选解的项。最终集群的质心形成预定义集群。可适当选择k值以保持集群量为相当小的,同时仍允许集群之间的丰富的设置多样性。
在图8中说明k均值集群过程。在图8中示出的过程中,定义四个时间区间(一般来说,早晨、中午、傍晚和夜间),且这些区间用以识别段之间的共同的相对行为。时间区间可部分地重叠以有助于考虑跨不同时间区间延伸的行程。虽然图8示出四个时间区间,但应了解,当然可按需要基于所要分辨率和可用数据量调整时间区间的数目。一般来说,在使用N个时间区间的情况下,结果是确定每一段的N维向量,其中每一尺寸表示时间区间中的一个,且向量的每一元素因而表示相应时间区间数的停车概率。因此,对于图8中所示出的实施例,产生每一段的四维向量。因此每一段的所有停车可观测量(停车成功、停车尝试)累积成四个时间区间,以及在每一段的区间中的每一个中计算的概率估计。可通过从所述元素中的每一个减去向量的均值以使得向量均值为零,归一化每一段的四维向量。接着分析地图内的每一段的(归一化的)四维向量以便将在四个时间区间内展示类似行为的段集群在一起。
如图8中所说明的此集群的结果是呈现类似停车分布曲线的段一起集群成所述集群(在图8中标记为0到5)中的一个。图8因此示出所述段中的每一个可与六种不同类型的相对停车行为中的一种相关联。从图8中示出的箱线图应了解,可存在所述群组中的每一个的显著变化,且所述分组是相对粗糙的。应理解,仅出于可视化目的示出所述箱线图。在实践中,计算的所有项可为每一时间周期内的中值。自然地,可添加另外的集群以尝试和形成较紧密的群组。也可形成例如具有平坦线分布曲线的空集群,以用于集群不具有可信趋势且无法与其它段可靠地分组在一起的段。
集群因此用以定位呈现类似停车数据的段。通过作为集群过程的部分归一化所述数据,可将与不同道路等级等有关的类似的偶数段集群在一起。
即使集群分析程序中使用的时间分辨率本身比最后所要的更粗(这可为了在任何一个预定时间周期内存在足够数量的可靠平均速度而发生),仍可随后修改时间分辨率。举例来说,可将其修改为更细分辨率以符合既定用途的要求。举例来说,可能有利的是具有更细分辨率,期望在适当位置具有更连续分布曲线以提供更平滑路线,其原本可能在时间分辨率太粗的情况下在时间界限上“跳过”。在正在描述的实施例中,可内插集群产生的分布曲线以便其具有大致每小时时间间隔的分辨率,如图4中示出的分布曲线,不过可使用任何其它周期。此类周期可便于稍后使用集群产生的速度分布曲线进行处理。
一旦形成群组或集群,接着就可将群组中的段中的每一个的所获得数据聚合在一起并且进行分析以产生群组的详细相对停车概率分布曲线(步骤503)。即,可聚合集群内的所有段(即,显示相同相对停车行为的那些段)的数据以确定集群的相对停车分布曲线。如上文所提及,如果每一群组内的段的数目足够大,那么可存在产生更细停车概率分布曲线的足够数据点。即,可产生展示每小时时间间隔(或依据数据量为任何其它合适的时间间隔)处的相对停车概率的详细分布曲线。
步骤503的结果是每一段与相对小组的相对概率分布曲线中的一个相关联。然而,最终,目标是确定每一段的绝对概率分布曲线(步骤504)。可通过适当平移与每一段相关联的相对分布曲线,产生所述段的停车概率。可基于实际上所测量的所述段的停车概率(例如使用上文关于图2所描述的技术)确定平移量。替代地或另外,可基于所述段的已知或预期停车概率确定平移因子。必要时,可需要将平移的停车分布曲线封端于例如[0,1]之间。特定段的停车分布曲线因而可作为所述段的相应相对分布曲线和绝对概率的识别符(或允许从相对分布曲线获得绝对概率的适合变换因子)与所述段相关联。还预期,绝对分布曲线或更特定地七个分布曲线(每天一个)可与每一段存储在一起,这是因为这可例如在需要使用现时数据动态地调整分布曲线的情况下允许更大灵活性。
一旦例如以上文所论述的方式确定段的停车相关数据,就可以各种形式将停车相关信息显示给用户。
举例来说,如上文所提及,停车相关数据可包括段的停车成功概率。在段上找到停车空间的概率可确定为停车搜索在所述段上结束的次数与在停车搜索期间穿行所述段的次数的比。此值可基于相应段的长度经归一化。自然地,这是在特定段上找到停车空间的概率的测量值,且此概率可显示给当前在停车空间搜索中的驾驶者,或例如显示给趋近目的地的驾驶者。另外或替代地,可在路线规划中使用此信息,例如以使任选地在经历时间约束条件的情况下在目的地附近内找到停车空间的概率最大化的路线。
也上文所提及的另一有用测量值是穿行特定路段找到停车空间的预期时间。此信息可易于基于先前用户在穿行特定段之后搜索停车空间所花费的平均时间,即在停车搜索期间在穿越此段之后在实际停车事件之前的剩余时间,从使用上文所描述的技术获得的数据集获得。自然地,此测量值指示在段附近找到停车空间所需的时间。因此,此信息可在路线规划阶段期间或之后提供给驾驶者。举例来说,此信息可当到达段时提供给用户,其中用户准备在所述段停车。此信息可单独提供,或作为停车搜索向导功能性的部分。另外或替代地,此信息可并入到路线规划和预计到达时间计算中。
另一有用测量值是完全可能在段上停车的概率。此测量值可与找到停车空间的概率一起或替代地用于停车搜索向导或路线规划算法中,尤其是在找到停车空间的概率不可用或置信度为低的情况下。停车为可能的概率可基于通过流程适当归一化的探测数据中的段部分穿行与完全穿行之间的比。
对于这些测量值中的每一个,可提供具有两个分量的相应置信度:基于可用数据量(例如穿行段的停车搜索的量)的统计置信度;和表示正确地识别停车搜索所依据的置信度的方法置信度。
将了解,虽然至此已描述了本发明的各种方面和实施例,但本发明的范围不限于本文中所阐述的特定布置,而是扩展为涵盖属于所附权利要求书的范围内的所有布置以及对其的修改和更改。
举例来说,所属领域的技术人员应了解,尽管术语GPS数据已用以指代从GPS全球定位***导出的定位数据。可以与如本文中所描述的方法类似的方式处理其它定位数据。因此,术语GPS数据可替换为片语定位数据。此类定位数据可源自例如从移动电话操作导出的位置数据、在收费处路障处接收的数据、从嵌入于道路中的感应环圈获得的数据、从号码牌辨识***获得的数据或任何其它合适的数据。
最后,应注意,虽然所附权利要求书阐述了本文中所描述的特征的特定组合,但本发明的范围不限于上文所主张的特定组合,而是本发明的范围扩展为涵盖本文中所揭示的特征或实施例的任何组合,而不管此时是否已在所附权利要求书中具体列举了所述特定组合。
Claims (17)
1.一种用于产生指示关于地理区域内的可导航网络的一或多个可导航要素的时间相依参数的时间相依性的分布曲线数据的方法,每一可导航要素由电子地图的一段表示,所述电子地图包括表示所述可导航网络的多个段,所述方法包括:
针对至少一组多个不同时间周期中的每一个,获得关于所述时间周期的与所述电子地图的多个段中的每一个相关联的所述时间相依参数的相对值;
针对所述组或每一组时间周期,基于在所述组的每一时间周期内获得的所述段的所述时间相依参数的所述相对值,将所述段集群到段群组中,其中针对所述组时间周期中的所述时间周期中的每一个,每一段群组中的所述段被视为具有所述参数的类似相对值;和
针对每一群组,使用与所述群组的所述段相关联的相对时间相依参数数据获得指示所述时间相依参数的所述相对值的所述时间相依性的聚合分布曲线,所述聚合分布曲线适用于所述群组的所述段中的每一个。
2.根据权利要求1所述的方法,其中所述参数是其时间相依性展现重复发生的行为的参数。
3.根据权利要求1或2所述的方法,其中针对第一组多个时间周期中的每一个,并且针对第二组多个时间周期中的每一个执行所述方法,其中所述第一组和第二组时间周期中的所述时间周期是在相应较长时间周期内的重复发生的时间周期,其中所述第二组时间周期是在不同于与所述第一组时间周期中的所述时间周期相关联的较长时间周期的较长时间周期内的重复发生的时间周期。
4.根据前述权利要求1所述的方法,其中所述方法包括分析指示车辆在所述可导航网络中相对于时间的移动的位置数据,以针对所述至少一组多个不同时间周期中的每一个,获得关于所述时间周期的与所述电子地图的多个段中的每一个相关联的所述时间相依参数的所述相对值。
5.根据前述权利要求1所述的方法,其中关于时间周期的每一段的所述时间相依参数的所述相对值是在所述时间周期内的所述参数的平均相对值。
6.根据前述权利要求1所述的方法,其中所述方法包括获得关于每一段的向量,所述向量具有多个分量,每一分量指示所述组多个不同时间周期中的一组的所述时间周期中的相应时间周期中的所述时间相依参数的所述相对值。
7.根据前述权利要求1所述的方法,其中所述组或每一组多个不同时间周期中的每一时间周期是重复发生的时间周期。
8.根据前述权利要求1所述的方法,其中所述获得所述聚合分布曲线的步骤包括使用与所述群组的所述段相关联的相对时间相依参数数据来确定关于多个时间周期的所述参数的多个相对值。
9.根据权利要求8所述的方法,其中所述多个时间周期中的时间周期的数目大于用以获得在识别所述段群组时使用的所述段的所述参数的所述相对值的所述组时间周期中的时间周期的数目。
10.根据前述权利要求1所述的方法,其包括使指示所述聚合分布曲线的数据与所述群组的每一段相关联。
11.根据权利要求10所述的方法,其另外包括使所述群组的每一段与供在变换所述分布曲线以便指示所述段的所述参数的绝对值时使用或用于将从所述分布曲线获得的相对值变换成所述段的所述参数的绝对值的数据相关联。
12.根据权利要求10所述的方法,其另外包括变换所述聚合分布曲线以便指示所述段的所述参数的绝对值,并且使指示所述经变换分布曲线的数据与所述段相关联。
13.根据前述权利要求1所述的方法,其中所述时间相依参数是停车相关参数。
14.根据权利要求13所述的方法,其中所述停车相关参数是预期停车搜索时间或停车概率。
15.根据权利要求13或14所述的方法,其另外包括使用在产生停车搜索路线时或在确定找到停车空间的估计时间时获得的所述停车相关参数数据。
16.一种用于产生指示关于地理区域内的可导航网络的一或多个可导航要素的时间相依参数的时间相依性的分布曲线数据的***,每一可导航要素由电子地图的一段表示,所述电子地图包括表示所述可导航网络的多个段,所述***包括:
用于针对至少一组多个不同时间周期中的每一个获得关于所述时间周期的与所述电子地图的多个段中的每一个相关联的所述时间相依参数的相对值的装置;
用于针对所述组或每一组时间周期基于获得的所述段的所述时间相依参数的所述相对值将所述段集群到段群组中的装置,其中针对所述组时间周期中的所述时间周期中的每一个,每一段群组中的所述段被视为具有所述参数的类似相对值;和
用于针对每一群组使用与所述群组的所述段相关联的相对时间相依参数数据来获得指示所述时间相依参数的所述相对值的所述时间相依性的聚合分布曲线的装置,所述聚合分布曲线适用于所述群组的所述段中的每一个。
17.一种非暂时性计算机可读媒体,其上存储有指令,所述指令在被计算机装置读取时,致使所述计算机装置根据权利要求1至15中任意一项所述的方法进行操作。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662401822P | 2016-09-29 | 2016-09-29 | |
US62/401,822 | 2016-09-29 | ||
PCT/EP2017/074860 WO2018060472A1 (en) | 2016-09-29 | 2017-09-29 | Methods and systems for generating profile data for segments of an electronic map |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109937344A CN109937344A (zh) | 2019-06-25 |
CN109937344B true CN109937344B (zh) | 2024-02-23 |
Family
ID=59982395
Family Applications (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780069610.9A Active CN109937344B (zh) | 2016-09-29 | 2017-09-29 | 用于产生电子地图的段的分布曲线数据的方法和*** |
CN202410182583.8A Pending CN118053319A (zh) | 2016-09-29 | 2017-09-29 | 用于产生停车相关数据的方法和*** |
CN201780071803.8A Active CN109983306B (zh) | 2016-09-29 | 2017-09-29 | 用于产生停车相关数据的方法和*** |
Family Applications After (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410182583.8A Pending CN118053319A (zh) | 2016-09-29 | 2017-09-29 | 用于产生停车相关数据的方法和*** |
CN201780071803.8A Active CN109983306B (zh) | 2016-09-29 | 2017-09-29 | 用于产生停车相关数据的方法和*** |
Country Status (4)
Country | Link |
---|---|
US (2) | US20190228661A1 (zh) |
EP (3) | EP3519774B1 (zh) |
CN (3) | CN109937344B (zh) |
WO (2) | WO2018060468A2 (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11835343B1 (en) * | 2004-08-06 | 2023-12-05 | AI Incorporated | Method for constructing a map while performing work |
CN109937344B (zh) * | 2016-09-29 | 2024-02-23 | 通腾运输公司 | 用于产生电子地图的段的分布曲线数据的方法和*** |
US20180189669A1 (en) * | 2016-12-29 | 2018-07-05 | Uber Technologies, Inc. | Identification of event schedules |
WO2019241974A1 (zh) * | 2018-06-21 | 2019-12-26 | 深圳先进技术研究院 | 停车场的数据修补方法、装置、设备及存储介质 |
US11035686B2 (en) | 2018-08-31 | 2021-06-15 | Here Global B.V. | Use of geographic database comprising lane level information for traffic parameter prediction |
US11016999B2 (en) | 2018-08-31 | 2021-05-25 | Here Global B.V. | Use of geographic database comprising lane level information for traffic parameter prediction |
CN109785663A (zh) * | 2019-02-28 | 2019-05-21 | 温州美旅网络技术服务有限公司 | 一种路边停车管理*** |
DE102019203638A1 (de) * | 2019-03-18 | 2020-09-24 | Neusoft Technology Solutions Gmbh | Verfahren zur Berechnung einer Route unter Berücksichtigung von Parkmöglichkeiten |
CN109979233B (zh) * | 2019-04-22 | 2020-08-07 | 浙江铭盛科技有限公司 | 基于窄带物联网的停车场停车规划*** |
WO2021002223A1 (ja) * | 2019-07-01 | 2021-01-07 | 住友電気工業株式会社 | 車載装置及びその制御方法、並びに車両 |
CN110751850B (zh) * | 2019-08-30 | 2023-03-07 | 的卢技术有限公司 | 一种基于深度神经网络的车位识别方法和*** |
CN110609864B (zh) * | 2019-08-30 | 2020-06-23 | 广州奇化有限公司 | 一种面向化工供应链的数据可视化管理方法及装置 |
CN110807591B (zh) * | 2019-11-04 | 2020-07-28 | 交通运输部规划研究院 | 公路廊道货物运输指标估计方法、装置及终端 |
GB201918932D0 (en) * | 2019-12-20 | 2020-02-05 | Tomtom Traffic Bv | Methods of generating and transmitting positional data |
CN113689124A (zh) * | 2021-08-26 | 2021-11-23 | 悉地(苏州)勘察设计顾问有限公司 | 一种互联网租赁自行车需求特征评价方法及存储介质 |
CN114049788B (zh) * | 2021-11-12 | 2022-07-29 | 城云科技(中国)有限公司 | 停车盲点识别方法、装置及电子装置、计算机程序产品 |
CN114241776B (zh) * | 2021-12-31 | 2023-01-31 | 连云港杰瑞电子有限公司 | 一种基于滚动时间窗口的路段停车次数动态估计方法 |
DE102022204409A1 (de) | 2022-05-04 | 2023-11-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Ermitteln einer Abstellposition eines Fahrrades |
CN116434529B (zh) * | 2022-12-12 | 2023-10-24 | 交通运输部规划研究院 | 城际公路货运特征分析方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101836079A (zh) * | 2007-10-26 | 2010-09-15 | 通腾科技股份有限公司 | 处理定位数据的方法 |
WO2013144192A1 (en) * | 2012-03-27 | 2013-10-03 | Tomtom Belgium N.V. | Digital location-based data methods and product |
CN105531702A (zh) * | 2013-09-10 | 2016-04-27 | 微软技术许可有限责任公司 | 用于生成数字地图的技术 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009162567A (ja) * | 2007-12-28 | 2009-07-23 | Aisin Aw Co Ltd | ナビゲーション装置及びコンピュータプログラム |
EP2255349B1 (en) * | 2008-03-27 | 2013-05-08 | Aisin AW Co., Ltd. | Driving support device, driving support method, and driving support program |
CN102027325B (zh) * | 2008-06-25 | 2014-08-06 | 通腾科技股份有限公司 | 检测寻找停车设施的导航设备及方法 |
US7936284B2 (en) | 2008-08-27 | 2011-05-03 | Waze Mobile Ltd | System and method for parking time estimations |
CA2646661A1 (en) | 2008-11-18 | 2010-05-18 | Gilbert Laconi | System, apparatus and method for determining resource use and availability |
WO2010081546A1 (en) | 2009-01-14 | 2010-07-22 | Tomtom International B.V. | Apparatus for enriching a representation of a parking location and method of enriching a representation of a parking location |
US8990017B2 (en) * | 2010-04-23 | 2015-03-24 | Tomtom International B.V. | Navigation devices and methods carried out thereon |
EP3056860B1 (en) | 2010-06-17 | 2019-06-12 | TomTom Navigation B.V. | Navigation device and method |
CN105674998B (zh) * | 2010-06-17 | 2019-01-15 | 通腾科技股份有限公司 | 导航装置及方法 |
US20120161986A1 (en) * | 2010-12-27 | 2012-06-28 | Eyal Amir | Providing guidance for locating street parking |
EP2602777B1 (de) * | 2011-12-05 | 2013-11-27 | Skobbler GmbH | Verfahren zum Leiten eines Fahrzeugführers bei der Parkplatzsuche |
DE102012201472B4 (de) * | 2012-02-01 | 2024-07-11 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Bereitstellung von Parkinformationen zu freien Parkplätzen |
US20140214319A1 (en) * | 2013-01-25 | 2014-07-31 | Parkwayz, Inc. | Computer System and Method for Search of a Parking Spot |
DE102013212235A1 (de) | 2013-06-26 | 2014-12-31 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Verarbeiten von Messdaten eines Fahrzeugs zur Bestimmung des Beginns einer Parkplatzsuche |
IL234323A0 (en) * | 2014-08-27 | 2014-11-30 | Parklife Ltd | Car navigation technology for a parking space |
CN109937344B (zh) * | 2016-09-29 | 2024-02-23 | 通腾运输公司 | 用于产生电子地图的段的分布曲线数据的方法和*** |
US11237007B2 (en) * | 2019-03-12 | 2022-02-01 | Here Global B.V. | Dangerous lane strands |
-
2017
- 2017-09-29 CN CN201780069610.9A patent/CN109937344B/zh active Active
- 2017-09-29 US US16/337,906 patent/US20190228661A1/en active Pending
- 2017-09-29 US US16/338,289 patent/US10720057B2/en active Active
- 2017-09-29 WO PCT/EP2017/074855 patent/WO2018060468A2/en unknown
- 2017-09-29 WO PCT/EP2017/074860 patent/WO2018060472A1/en unknown
- 2017-09-29 CN CN202410182583.8A patent/CN118053319A/zh active Pending
- 2017-09-29 EP EP17777274.6A patent/EP3519774B1/en active Active
- 2017-09-29 EP EP17791947.9A patent/EP3519771A1/en active Pending
- 2017-09-29 EP EP22196978.5A patent/EP4130675A1/en active Pending
- 2017-09-29 CN CN201780071803.8A patent/CN109983306B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101836079A (zh) * | 2007-10-26 | 2010-09-15 | 通腾科技股份有限公司 | 处理定位数据的方法 |
WO2013144192A1 (en) * | 2012-03-27 | 2013-10-03 | Tomtom Belgium N.V. | Digital location-based data methods and product |
CN104303013A (zh) * | 2012-03-27 | 2015-01-21 | 通腾比利时公司 | 基于位置的数字数据方法及产品 |
CN105531702A (zh) * | 2013-09-10 | 2016-04-27 | 微软技术许可有限责任公司 | 用于生成数字地图的技术 |
Also Published As
Publication number | Publication date |
---|---|
CN118053319A (zh) | 2024-05-17 |
EP4130675A1 (en) | 2023-02-08 |
WO2018060472A1 (en) | 2018-04-05 |
CN109937344A (zh) | 2019-06-25 |
US20190228661A1 (en) | 2019-07-25 |
EP3519774B1 (en) | 2022-10-26 |
CN109983306A (zh) | 2019-07-05 |
EP3519774A2 (en) | 2019-08-07 |
CN109983306B (zh) | 2024-02-23 |
WO2018060468A2 (en) | 2018-04-05 |
EP3519771A1 (en) | 2019-08-07 |
US10720057B2 (en) | 2020-07-21 |
US20190311623A1 (en) | 2019-10-10 |
WO2018060468A3 (en) | 2018-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109937344B (zh) | 用于产生电子地图的段的分布曲线数据的方法和*** | |
CN108604407B (zh) | 用于生成预期行进速度的方法及*** | |
US11543834B2 (en) | Positioning system based on geofencing framework | |
US10533862B1 (en) | Biasing map matched trajectories based on planned route information | |
US10553114B2 (en) | Method, apparatus, and computer program product for parking availability estimation based on probe data collection | |
JP4491472B2 (ja) | 交通情報システム | |
US11237007B2 (en) | Dangerous lane strands | |
US10446022B2 (en) | Reversible lane active direction detection based on GNSS probe data | |
US20100309022A1 (en) | Driving support device, driving support method, and driving support program | |
CN110646004B (zh) | 一种基于路况预测的智能导航方法及装置 | |
CN101964941A (zh) | 基于动态信息的智能导航与位置服务***及方法 | |
US11915583B2 (en) | Traffic predictions at lane level | |
JP5990018B2 (ja) | ナビゲーション装置、情報提供方法及びプログラム | |
US10904853B2 (en) | Estimation of mobile device count | |
US11238735B2 (en) | Parking lot information management system, parking lot guidance system, parking lot information management program, and parking lot guidance program | |
Jones et al. | Parkus 2.0: Automated cruise detection for parking availability inference | |
US20220207995A1 (en) | Origination destination route analytics of road lanes | |
Campuzano et al. | Cooperative estimation of vehicular traffic using mobile applications | |
US20240151549A1 (en) | Method, apparatus, and computer program product for sensor data analysis | |
US20230196915A1 (en) | Method, apparatus, and computer program product for determining lane closures along a road | |
CN117636620A (zh) | 用于处理探测数据的方法及处理***以及探测器 | |
JP2018081360A (ja) | 通行不可道路区間推定システムおよび通行不可道路区間推定プログラム |
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 |