CN110631600A - 一种基于云计算的堵车风险预测方法及*** - Google Patents

Abstract

本发明公开了一种基于云计算的堵车风险预测方法及***，包括以下步骤，数据采集模块采集当前时刻所有车辆的行驶状态数据；部署在云端的服务器周期性获取由所述数据采集模块上传的所述行驶状态数据并进行更新；处理模块计算出所述道路热度和所述平均通行速度之间的模型关系；预测模块预测出未来某个时刻在整个地图上各条道路的预估通行时间，所述预估通行时间与理想通行时间对比后生成预测结果；所述服务器接收路径规划请求后，根据所述预测结果选出最优的路径。本发明的有益效果：不仅能够标明道路当前拥塞状态，并能预测驾驶时间内可能出现的拥塞状态，辅助驾驶员选择更优的路径，从而有效缓解交通拥堵。

Description

一种基于云计算的堵车风险预测方法及***

技术领域

本发明涉及云计算导航的技术领域，尤其涉及一种基于云计算的堵车风险预测方法及其预测***。

背景技术

近年来导航软件发展迅速，通常导航指利用车载、手持终端通过电子地图的卫星定位进行移动路线的引导。现在国际上通用的是上文提到的GPS卫星导航，还有就是我国自行研发的北斗卫星导航***。导航软件就是通过在终端硬件上利用卫星进行定位、引导等一系列服务的软件。GPS要实现导航，除了硬件外，还需要软件地图的支持，俗称GPS导航软件。

目前使用时当驾驶员在导航软件上设置目的地时，导航软件会推荐多条路径，并标明每条路径的当前拥塞情况及预估用时，导航软件是根据当前路况标明每条道路的拥塞情况，但是并不能预测驾驶时间内未来可能出现的拥塞情况和区间化的通行时间。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的一个技术问题是：提供一种基于云计算的堵车风险预测方法，预测驾驶时间内可能出现的拥塞情况。

为解决上述技术问题，本发明提供如下技术方案：一种基于云计算的堵车风险预测方法，包括以下步骤，数据采集模块采集当前时刻所有车辆的行驶状态数据；部署在云端的服务器周期性获取由所述数据采集模块上传的所述行驶状态数据并进行更新；处理模块根据接收的当前时刻所有车辆的所述行驶状态数据，统计出地图上所有道路的热度和平均通行速度，并计算出所述道路热度和所述平均通行速度之间的模型关系；预测模块根据所述模型关系并结合每辆车已规划的路径，预测出未来某个时刻在整个地图上各条道路的预估通行时间，所述预估通行时间与理想通行时间对比后生成预测结果；所述服务器接收路径规划请求后，根据所述预测结果选出最优的路径，以及将路径上每条道路的预估拥塞情况发送给导航软件。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述数据采集模块包括以下数据采集步骤，定位模块采集车辆当前的速度和坐标数据；软件模块接收车辆当下采集的所述坐标数据并收集根据驾驶者输入的目的地坐标。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述预测模块生成所述预测结果包括以下步骤，假设一条道路按照最高限速通过的时间为理想通行时间；如果预估通行时间小于或者等于理想通行时间，则判断该条道路不拥塞；如果预估通行时间超过理想通行时间1％～30％，则判断是轻微拥塞；如果预估通行时间超过理想通行时间30％或以上，则判断是严重拥塞。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述模型关系包括以下计算步骤，定义道路热度H和平均通行时间T；采用区间线性模型T＝R*H，区间指热度区间，将热度等分成N个区间，每个区间的系数R不同，用Rn表示；对于每条道路，生成各自的关系模型。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述系数R包括以下获取步骤，假设道路x，采样不同时间点的道路热度H和平均通行时间T；在各N个区间内分别计算平均系数；假设道路x在区间n内采样到m个数据：，，…，，那么这条道路在区间n的平均系数为Rn＝/。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述道路热度H通过道路上的所有车辆会每隔1秒报告当前状态给所述服务器，所述服务器统计到当前时刻位于该条道路上的车辆数，所述统计的车辆数为所述道路热度H。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述平均通行时间T的获取步骤，所述软件模块获取全部地图上各道路的长度L；所述定位模块采集各车辆当前的速度并计算平均车速V；所述长度L除以道路上采集的平均车速V得到，即T＝L/V。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：包括以下路径规划步骤，当有驾驶者输入目的地后开始导航时；云端的所述服务器内根据计算出的实时各区间的平均系数Rn，利用Tn＝Rn*H，输入当前道路热度H和所述平均系数Rn预估出各区间的所述预估通行时间Tn；所述预估通行时间Tn与当前所有路径的理想通行时间对比生成预测结果；所述服务器根据预测结果选出驾驶时间最短的路径。

作为本发明所述的基于云计算的堵车风险预测方法的一种优选方案，其中：所述服务器选出驾驶时间最短的路径的同时，还包括以下步骤，根据预测的所述预估通行时间Tn；利用Vn＝L/Tn，预测出当前各道路区间上的预估通行速度Vn；生成所述预测结果后，将所述预测结果、预估通行时间Tn、预估通行速度Vn和规划路径发送至车辆内的导航软件。

本发明解决的另一个技术问题是：提供一种基于云计算的堵车风险预测***，上述预测方法依托于本***实现。

为解决上述技术问题，本发明提供如下技术方案：一种基于云计算的堵车风险预测***，包括数据采集模块、服务器、处理模块和预测模块；所述据采集模块包括设置于车辆内的定位模块和软件模块，所述定位模块和用于定位车辆的当前坐标，所述软件模块用于根据各驾驶员输入的目的地坐标和当前坐标生成未来导航路径；所述服务器部署于云端，与所述数据采集模块网络通信连接，且所述处理模块和预测模块均部署于所述服务器上，分别用于数据的处理和数据的预测。

本发明的有益效果：利用本发明方法不仅能够标明道路当前拥塞状态，并能预测驾驶时间内可能出现的拥塞状态，辅助驾驶员选择更优的路径，从而有效缓解交通拥堵。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一种实施例所述基于云计算的堵车风险预测方法的整体流程示意图；

图2为本发明第一种实施例所述车载导航具有路径规划与导航模块的规划流程结构示意图；

图3为本发明第一种实施例所述道路和热度区间映射示意图；

图4为本发明第一种实施例所述实际选择的测试路径的示意图；

图5为本发明第一种实施例所述道路的热度和平均通行时间的区间线性模型关系示意图；

图6为本发明第一种实施例所述测试道路的拥堵情况示意图；

图7为本发明第二种实施例所述基于云计算的堵车风险预测***的整体结构示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

通常导航***(也称导航软件)是一些基础功能的集合，包括定位、目的地选择、路径计算和路径指导，该***在其较高的性能系列中也提供彩色地图显示，所有这些功能要求有一个道路网的数字化地图，它通常存储在CDROM中。其基本实现原理：查找位置依靠合成定位法，其方法是将路线单元按照数量和角度轮翻地不断相加。这个过程包括了误差的积累，但这些误差被不断地与数字地图(地图匹配)的道路位置相对照而得到补偿。由于有GPS卫星定位***，车辆超出数字化道路网络范围的短途旅行或经海运或铁路运输后，导航***仍然能正常导航，没有任何问题。为查找位置，经常使用2个车轮传感器测定旅程和方向的变化，用地磁传感器测定旅行的绝对方向。实质上在数字地图范围以外的旅行，GPS定位***修正大的传感器干涉，或确定重新进入储存道路网络的修正点。更现代化***，仅需要一种简单的旅行信号，如经常利用速度决定汽车无线电的音量控制，方向的变化用偏航率传感器来确定。但是现有方案中导航软件和导航***只能显示地图上每条道路的当前拥塞状态。

参照图1的示意，因此本实施例提出一种基于云计算的堵车风险预测方法的整体流程示意图，设置于车辆内的导航软件与云端的计算数据结合，不仅能够标明道路当前拥塞状态，并能预测驾驶时间内可能出现的拥塞状态，辅助驾驶员选择更优的路径，从而有效缓解交通拥堵。

为驾驶员选择不仅是当前最优，也是整个驾驶过程中最优的路径，导航软件规划的路径是当前时刻最优，但不是全程的最优解，每个与云端连接的驾驶员都选择最优路径，就能有效缓解交通拥塞。

进一步更加具体的，本实施例中基于云计算的堵车风险预测方法，具体包括以下步骤：

S1：数据采集模块100采集当前时刻所有车辆的行驶状态数据；本步骤中数据采集模块100包括以下数据采集步骤，

定位模块101采集车辆当前的速度和坐标数据；

软件模块102接收车辆当下采集的坐标数据并收集根据驾驶者输入的目的地坐标。

需要说明的是，数据采集模块100为部署于汽车上的导航软件***，其中包括定位模块101和软件模块102，定位模块101为GPS模块，利用该GPS模块得到车辆实时速度和坐标数据，软件模块102为部署于导航软件***中的软件操作界面，包括驾驶者输入目的地坐标生成导航路径、提供数据至界面供驾驶者查看等导航相关操作。定位模块101实时定位车辆的当前坐标，与软件模块102输入的目的地坐标生成导航路径。

目前道路搜索优化算法以及最佳路线问题的解决方法至少有几十个方案，其中包括动态道路规划方法、神经元搜索网格、Dijkstra以及A-Star等，其中Dijkstra被GPS导航***普遍采用，其主要思想是从近到远加入权值的搜索方式，从而找到最佳的路线方案，直达目标终点。

参照图2的示意，示意为车载导航具有路径规划与导航模块的规划流程结构，其该功能模块主要分为路径规划和重新规划，导航信息引导和模拟路径导航三大部分，路径规划和重新规划，当用户在地图上选择了起点坐标，终点坐标后，***会根据点选的起终点坐标进行路径规划，使用路径搜索算法规划出一条最优路径，假如在导航的过程中，由于偏差等原因偏离了原来的预设路径，则会启动重新路径规划算法，根据当前的行驶坐标点作为起点再进行路径规划，保证用户能及时安全的到达预定终点，支持同时多条路径规划功能。

S2：部署在云端的服务器200周期性获取由数据采集模块100上传的行驶状态数据并进行更新；在驾驶过程中，地图软件每隔一段时间同步一次车辆坐标及车速数据给服务器，本实施例中每隔一段的时间周期为1秒。

S3：处理模块300根据接收的当前时刻所有车辆的行驶状态数据，统计出地图上所有道路的热度和平均通行速度，并计算出道路热度和平均通行速度之间的模型关系；

参照图3的示意，示意为道路的热度和平均通行时间之间的区间线性模型关系，具体的该模型关系包括以下计算步骤，

定义道路热度H和平均通行时间T；

采用区间线性模型T＝R*H，区间指热度区间，将热度等分成N个区间，每个区间的系数R不同，用Rn表示；

对于每条道路，生成各自的关系模型。

需要说明的是，道路热度H通过道路上的所有车辆会每隔1秒报告当前状态给服务器200，服务器200统计到当前时刻位于该条道路上的车辆数，统计的车辆数为道路热度H。

平均通行时间T的获取步骤，

软件模块102获取全部地图上各道路的长度L；

定位模块101采集各车辆当前的速度并计算平均车速V；

长度L除以道路上采集的平均车速V得到，即T＝L/V。

进一步的，本实施例中系数R包括以下获取步骤，

假设道路x，

采样不同时间点的道路热度H和平均通行时间T；

在各N个区间内分别计算平均系数；

假设道路x在区间n内采样到m个数据：H1，T1，H2，T2，…，Hm，Tm，那么这条道路在区间n的平均系数为Rn＝T1+T2+…+Tm/H1+H2+…+Hm。

S4：预测模块400根据模型关系并结合每辆车已规划的路径，预测出未来某个时刻在整个地图上各条道路区间的预估通行时间，预估通行时间与理想通行时间对比后生成预测结果；

预测模块400生成预测结果包括以下步骤，

假设一条道路按照最高限速通过的时间为理想通行时间；

如果预估通行时间小于或者等于理想通行时间，则判断该条道路不拥塞；

如果预估通行时间超过理想通行时间1％～30％，则判断是轻微拥塞；

如果预估通行时间超过理想通行时间30％或以上，则判断是严重拥塞。

S5：服务器200接收路径规划请求后，根据预测结果选出最优的路径，以及将路径上每条道路的预估拥塞情况发送给导航软件。

包括以下路径规划步骤，

当有驾驶者输入目的地后开始导航时；

云端的服务器200内根据计算出的实时各区间的平均系数Rn，利用Tn＝Rn*H，输入当前道路热度H和平均系数Rn预估出各区间的预估通行时间Tn；

预估通行时间Tn与当前所有路径的理想通行时间对比生成预测结果；

服务器200根据预测结果选出驾驶时间最短的路径。

本实施例中不仅为了能够预测拥堵的结果，还为了能够将拥堵的情况以及当前路径上每条道路的预估拥塞情况、各条道路的热度、预估通行速度和时间一并发送至车载导航软件上，报告给驾驶员查看。因此本实施例服务器200选出驾驶时间最短的路径的同时，还包括以下步骤：

根据预测的预估通行时间Tn；

利用Vn＝L/Tn，预测出当前各道路区间上的预估通行速度Vn；

生成预测结果后，将预测结果、预估通行时间Tn、预估通行速度Vn和规划路径发送至车辆内的导航软件。

场景一：

参照图4的示意，本实施例中以假设限速60公里每小时、长度2公里的一条道路为例，该道路选择为本司地址旁天元西路地铁站1号口至胜太西路4号口的路段，该路段为行程为2公里的直线段，选择70台车辆作为实验模拟对象，并将每台测试车辆部署的车载导航利用TCP协议接入本方案的提出服务器200内，同时将该路段区分为6个热度区间，分别定义热度值H为1-20、21-30、31-40、41-50、51-60和61-70，将70台车辆进入路段行驶，并由第一辆车进入该路段至最后一辆车进入路段后的数量来控制路段内的热度值H，每个区间的采用最高的车辆数为热度值H，例如1-20的区间取值为20，计算20辆车平均平均车速V得出平均通行时间T。

因此分别采集位于6个热度区间内各测试车辆位于当下时刻上报的行驶速度并计算出平均车速V，利用上述T＝L/V获取各区间的平均通行时间T，本实施例针对上述区间的采样数据如下表1的示意：

表1：

参照图5的示意，由上表1可以得出位于各区间下此路段的道路的热度H和平均通行时间T之间的区间线性模型，即平均系数为Rn的取值，即图4中的每个区间线段的斜率。同时该道路上以最高车速60公里每小时计算，其各个区间的理想通行时间为120s，利用Tn＝Rn*H，求出每个区间的线段斜率(即Rn)，由于因为每个时刻上传的速度并不一致，因此Rn和平均通行时间T为实时变化的变量，得到各区间的平均系数为Rn。

本实施例另通过部署本方案的其他测试车辆向服务器200发送导航请求，输入起始坐标和目的地坐标请求后，分别在上述采样时刻的模拟环境中输入热度H为10、25、35、45、55、65，根据图4得出的道路的热度和平均通行时间之间的区间线性模型，利用Tn＝Rn*H，将不同热度值H输入计算得出预估通行时间Tn与理想通行时间为120s对比得出预测结果，获取的预估通行时间Tn和预测结果如下表2的示意：

表2：

道路热度H	预估通行时间Tn(秒)	超过理想通行时间比例	拥堵结果
				10	120.0	0	不拥塞
25	128.7	7.25％	轻微拥塞
				35	155.1	29.25％	轻微拥塞
45	190.2	58.5％	严重拥塞
				55	277.0	130％	严重拥塞
65	450.8	275.6％	严重拥塞

参照图6的示意，可以看出本实施例中对于本测试路段，当车辆越多时拥堵情况越严重，因此根据当前道路热度H(路段上的车辆数量)预测出本路段的预估通行时间、拥堵情况以及超过比例。当然的，本实施例仅是选择地图软件中某个路段进行测试示例说明。不难理解的，而本方案则是基于地图软件内的所有路段进行云端的数据分析，也即导航软件中地图内的所有路段都会预测出当下时刻的预估通行时间、拥堵情况以及超过比例，当有驾驶员打开导航软件有导航需求时，云端服务器200根据输入的目的地坐标提供驾驶员所有的到达路径，并根据当下时刻所有路径的预估通行时间，由于每个路段上车辆的数量差异，因此预估通行时间也具有较大的差异，服务器200会为驾驶员选择通行时间最短的路径并生成新的预测导航路径，上报驾驶员道路拥堵情况，当然驾驶员也可以根据导航软件自动生成的路程最短路径进行手动选择采用哪种方式进行导航。

实施例2

参照图3的示意，示意为本实施例提出的一种基于云计算的堵车风险预测***，上述基于云计算的堵车风险预测方法能够依托于本***实现。具体的，该***包括数据采集模块100、服务器200、处理模块300和预测模块400；其中数据采集模块100包括设置于车辆内的定位模块101和软件模块102，定位模块101和用于定位车辆的当前坐标，软件模块102用于根据各驾驶员输入的目的地坐标和当前坐标生成未来导航路径；服务器200部署于云端，与数据采集模块100网络通信连接，且处理模块300和预测模块400均部署于服务器200上，分别用于数据的处理和数据的预测。

还需要说明的是，本实施例中数据采集模块100即为车载GPS，定位模块101为设置于导航中央芯片上的GPS模块，同时定位模块101也可以采用数据采集器8051单片机来获取速度和位置坐标，包括与数据采集器8051单片机连接的GPS接收机、陀螺仪和里程计。同时数据采集模块100内还包括控制器80196单片机作为计算芯片，与控制器80196单片机连接的CSM通信接口，用于将采集的速度和位置坐标信息与服务器200之间进行传输。而软件模块102以用户界面呈现提供驾驶员参考和操作，包括LCD显示屏和按键等，用于驾驶员和导航***间的交互。

服务器200为部署于云端的服务器，也就是云服务器，其是一个服务器集群，有很多服务器，并且不需要购买服务器硬件的云服务器，是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。其管理方式比物理服务器更简单高效。云服务器无需提前购买硬件，即可迅速创建或释放任意多台云服务器。云服务器能够快速构建更稳定、安全的应用，降低开发运维的难度和整体IT成本。同时服务器200也称伺服器，是提供计算服务的设备。由于服务器需要响应服务请求并进行处理，因此一般来说服务器应具备承担服务并且保障服务的能力，服务器的构成包括处理器、硬盘、内存和***总线等。在网络环境下，根据服务器提供的服务类型不同，分为文件服务器、数据库服务器、应用程序服务器、WEB服务器等。

在本实施例中服务器200用于对数据的处理，处理模块300和预测模块400为部署于该服务器200的处理器集成芯片硬件，将上述实施例的算法通过程序分别写入处理模块300和预测模块400中，并与服务器200的中央处理器芯片集成，用于将利用网络通信由数据采集模块100上传的数据进行预测处理生成预测结果并发送至导航软件中生成预测路径和显示当前路径下的预估拥塞情况、各条道路的热度、预估通行速度和时间一并发送至车载导航软件上，报告给驾驶员查看。

如在本申请所使用的，术语“组件”、“模块”、“***”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地***、分布式***中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它***进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于云计算的堵车风险预测方法，其特征在于：包括以下步骤，

数据采集模块(100)采集当前时刻所有车辆的行驶状态数据；

部署在云端的服务器(200)周期性获取由所述数据采集模块(100)上传的所述行驶状态数据并进行更新；

处理模块(300)根据接收的当前时刻所有车辆的所述行驶状态数据，统计出地图上所有道路的热度和平均通行速度，并计算出所述道路热度和所述平均通行速度之间的模型关系；

预测模块(400)根据所述模型关系并结合每辆车已规划的路径，预测出未来某个时刻在整个地图上各条道路的预估通行时间，所述预估通行时间与理想通行时间对比后生成预测结果；

所述服务器(200)接收路径规划请求后，根据所述预测结果选出最优的路径，以及将路径上每条道路的预估拥塞情况发送给导航软件。

2.如权利要求1所述的基于云计算的堵车风险预测方法，其特征在于：所述数据采集模块(100)包括以下数据采集步骤，

定位模块(101)采集车辆当前的速度和坐标数据；

软件模块(102)接收车辆当下采集的所述坐标数据并收集根据驾驶者输入的目的地坐标。

3.如权利要求1或2所述的基于云计算的堵车风险预测方法，其特征在于：所述预测模块(400)生成所述预测结果包括以下步骤，

假设一条道路按照最高限速通过的时间为理想通行时间；

如果预估通行时间小于或者等于理想通行时间，则判断该条道路不拥塞；

如果预估通行时间超过理想通行时间1％～30％，则判断是轻微拥塞；

如果预估通行时间超过理想通行时间30％或以上，则判断是严重拥塞。

4.如权利要求3所述的基于云计算的堵车风险预测方法，其特征在于：所述模型关系包括以下计算步骤，

定义道路热度H和平均通行时间T；

采用区间线性模型T＝R*H，区间指热度区间，将热度等分成N个区间，每个区间的系数R不同，用Rn表示；

对于每条道路，生成各自的关系模型。

5.如权利要求4所述的基于云计算的堵车风险预测方法，其特征在于：所述系数R包括以下获取步骤，

假设道路x，

采样不同时间点的道路热度H和平均通行时间T；

在各N个区间内分别计算平均系数；

假设道路x在区间n内采样到m个数据：(H1，T1)，(H2，T2)，…，(Hm，Tm)，那么这条道路在区间n的平均系数为Rn＝(T1+T2+…+Tm)/(H1+H2+…+Hm)。

6.如权利要求4或5所述的基于云计算的堵车风险预测方法，其特征在于：所述道路热度H通过道路上的所有车辆会每隔1秒报告当前状态给所述服务器(200)，所述服务器(200)统计到当前时刻位于该条道路上的车辆数，所述统计的车辆数为所述道路热度H。

7.如权利要求6所述的基于云计算的堵车风险预测方法，其特征在于：所述平均通行时间T的获取步骤，

所述软件模块(102)获取全部地图上各道路的长度L；

所述定位模块(101)采集各车辆当前的速度并计算平均车速V；

所述长度L除以道路上采集的平均车速V得到，即T＝L/V。

8.如权利要求7所述的基于云计算的堵车风险预测方法，其特征在于：包括以下路径规划步骤，

当有驾驶者输入目的地后开始导航时；

云端的所述服务器(200)内根据计算出的实时各区间的平均系数Rn，利用Tn＝Rn*H，输入当前道路热度H和所述平均系数Rn预估出各区间的所述预估通行时间Tn；

所述预估通行时间Tn与当前所有路径的理想通行时间对比生成预测结果；

所述服务器(200)根据预测结果选出驾驶时间最短的路径。

9.如权利要求7所述的基于云计算的堵车风险预测方法，其特征在于：所述服务器(200)选出驾驶时间最短的路径的同时，还包括以下步骤，

根据预测的所述预估通行时间Tn；

利用Vn＝L/Tn，预测出当前各道路区间上的预估通行速度Vn；

生成所述预测结果后，将所述预测结果、预估通行时间Tn、预估通行速度Vn和规划路径发送至车辆内的导航软件。

10.一种基于云计算的堵车风险预测***，其特征在于：包括数据采集模块(100)、服务器(200)、处理模块(300)和预测模块(400)；

所述据采集模块(100)包括设置于车辆内的定位模块(101)和软件模块(102)，所述定位模块(101)和用于定位车辆的当前坐标，所述软件模块(102)用于根据各驾驶员输入的目的地坐标和当前坐标生成未来导航路径；

所述服务器(200)部署于云端，与所述数据采集模块(100)网络通信连接，且所述处理模块(300)和预测模块(400)均部署于所述服务器(200)上，分别用于数据的处理和数据的预测。

Images