CN110782652A - 速度预测***和方法 - Google Patents

速度预测***和方法 Download PDF

Info

Publication number
CN110782652A
CN110782652A CN201811316498.7A CN201811316498A CN110782652A CN 110782652 A CN110782652 A CN 110782652A CN 201811316498 A CN201811316498 A CN 201811316498A CN 110782652 A CN110782652 A CN 110782652A
Authority
CN
China
Prior art keywords
speed
previous
road segment
time window
current
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.)
Granted
Application number
CN201811316498.7A
Other languages
English (en)
Other versions
CN110782652B (zh
Inventor
仇辉
李海波
江梦华
秦宇皓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ditu Beijing Technology Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN201811316498.7A priority Critical patent/CN110782652B/zh
Priority to PCT/CN2018/114763 priority patent/WO2020093357A1/en
Publication of CN110782652A publication Critical patent/CN110782652A/zh
Application granted granted Critical
Publication of CN110782652B publication Critical patent/CN110782652B/zh
Priority to US17/093,542 priority patent/US11004335B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • 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
    • G08G1/0104—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G08G1/0125—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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开了速度预测方法和***。所述速度预测方法包括：获取与在当前时间窗内通过目标路段的第一车辆相关的当前车辆速度；基于所述当前车辆速度，确定在所述当前时间窗内，与所述目标路段相关的当前路段速度；基于所述当前路段速度和训练后的预测模型，确定所述当前路段速度和未来时间窗内与所述目标路段相关的未来路段速度之间的预测速度差；以及基于所述预测速度差和所述当前路段速度，估计所述未来路段速度。本申请通过使用至少两个先前速度差训练初始预测模型来生成训练后的预测模型。这种方法可以减少或省略路段的特征，节省计算能力和数据存储空间，以及提高训练后的预测模型的准确度和效率。

Description

速度预测***和方法
技术领域
本申请一般涉及数据处理，更具体地，涉及速度预测***和方法。
背景技术
在许多情况下，对随时间变化的参数进行可靠的预测是必要的和/或可取的。例如，在运输***中，预测路段速度通常是重要的。预测路段速度是指在一段时间内通过路段的车辆的平均速度或中间速度。路段速度的预测可用于确定该路段是否拥塞和/或估计通过该路段的行驶时间。在一些情况下，可以使用机器学习模型来预测路段速度。然而，使用机器学习模型进行路段速度预测的传统方法中，通常使用来自各种路段的，且包括大量特征的历史路段速度数据训练模型。然而，由于不同路段的路段速度的波动以及特征值的剧烈变化，这种传统方法可能无法提供准确和/或有效的机器学习模型。因此，期望提供能够有效且准确地进行路段速度预测的***，方法和模型。
发明内容
本申请实施例之一提供一种速度预测方法。所述速度预测方法包括：获取与在当前时间窗内通过目标路段的第一车辆相关的当前车辆速度；基于所述当前车辆速度，确定在所述当前时间窗内，与所述目标路段相关的当前路段速度；基于所述当前路段速度和训练后的预测模型，确定所述当前路段速度和未来时间窗内与所述目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成，其中，所述当前时间窗和所述未来时间窗由第一时间段分开；以及基于所述预测速度差和所述当前路段速度，估计所述未来路段速度。
本申请实施例之一提供一种速度预测***。所述速度预测***包括：车辆速度获取模块，用于获取与在当前时间窗内通过目标路段的第一车辆相关的当前车辆速度；当前速度确定模块，用于基于所述当前车辆速度，确定在所述当前时间窗内，与所述目标路段相关的当前路段速度；速度差确定模块，用于基于所述当前路段速度和训练后的预测模型，确定所述当前路段速度和未来时间窗内与所述目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成，其中，所述当前时间窗和所述未来时间窗由第一时间段分开；以及未来速度估计模块，用于基于所述预测速度差和所述当前路段速度，估计所述未来路段速度。
本申请实施例之一提供又一种速度预测***。所述速度预测***包括：至少一个存储介质，所述存储介质包括一组指令；与所述至少一个存储介质通信的至少一个处理器，其中，当执行所述组指令时，所述至少一个处理器使所述速度预测***执行以下操作：获取与在当前时间窗内通过目标路段的第一车辆相关的当前车辆速度；基于所述当前车辆速度，确定在所述当前时间窗内，与所述目标路段相关的当前路段速度；基于所述当前路段速度和训练后的预测模型，确定所述当前路段速度和未来时间窗内与所述目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成，其中，所述当前时间窗和所述未来时间窗由第一时间段分开；以及基于所述预测速度差和所述当前路段速度，估计所述未来路段速度。
在一些实施例中，根据以下操作得到所述训练后的预测模型：获得先前时间窗内与至少两个路段相关的先前路段速度；确定至少两个先前速度差，所述至少两个先前速度差的每一个为所述先前路段速度中的两个之间的差值；以及用所述至少两个先前速度差训练初始预测模型，以生成所述训练后的预测模型。
在一些实施例中，所述获得先前时间窗内与至少两个路段相关的先前路段速度，包括：获得与在所述先前时间窗内通过所述至少两个路段的第二车辆相关的瞬时速度；预处理所述瞬时速度；基于所述预处理后的瞬时速度，确定在所述先前时间窗内，与所述第二车辆相关的先前车辆速度；以及基于所述先前车辆速度，确定所述先前路段速度。
在一些实施例中，所述用所述至少两个先前速度差训练所述初始预测模型，以生成所述训练后的预测模型，包括：将所述至少两个先前速度差分为至少两个组；以及分别基于所述至少两个组，训练所述初始预测模型，以生成所述训练后的预测模型。
在一些实施例中，进一步根据以下操作得到所述训练后的预测模型：确定与第二时间段相关的先前速度差，所述第二时间段紧接在当前时间点之前；以及基于所述与第二时间段相关的先前速度差，更新所述训练后的预测模型的参数，所述参数用于确定与所述第一时间段相关的所述预测速度差。
在一些实施例中，当执行所述组指令时，所述至少一个处理器使所述速度预测***进一步执行以下操作：预测所述目标路段在所述未来时间窗内是否拥塞。
在一些实施例中，当执行所述组指令时，所述至少一个处理器使所述速度预测***进一步执行以下操作：将速度警报发送到与运输服务的用户相关联的用户设备，其中，所述用户可以选择是否在所述未来时间窗内通过所述目标路段。
在一些实施例中，所述速度警报进一步包括询问所述用户选择通向所述目标路段的路线或选择绕开所述目标路段的路线。
本申请实施例之一提供一种速度预测装置，包括处理器，所述处理器用于执行所述速度预测方法。
本申请实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行所述速度预测方法。
其他特征将在以下部分描述中进行阐述，并且在检视以下及附图之后，部分特征对于本领域的普通技术人员来讲是显而易见的，或可以通过实例的生产及操作来了解。本申请的特征可以通过实践或使用以下实例中详细讨论的方法，手段及组合的各个方面来达成。
附图说明
本申请将结合示例性实施例进一步进行描述。这些示例性的实施例将结合参考附图进行详细描述。这些实施例是非限制性的示例性实施例，这些实施例中的附图的各个视图中相似的的标号表示相似的部件：
图1是根据本申请的一些实施例所示的示例性速度预测***的示意图；
图2是根据本申请的一些实施例所示的可以在其上实施处理引擎的计算设备的示例性硬件和/或软件组件的示意图；
图3是根据本申请的一些实施例所示的可以在其上实施用户终端的移动设备的示例性硬件和/或软件组件的示意图；
图4是根据本申请的一些实施例所示的示例性处理引擎的示意性框图。
图5是根据本申请的一些实施例所示的速度预测的示例性过程的流程图；
图6是根据本申请的一些实施例所示的生成训练后的预测模型的示例性过程的流程图；
图7是根据本申请的一些实施例所示的对应不同路段的路段速度的样本数量分布的示例性示意图；
图8是根据本申请的一些实施例所示的对应不同路段的速度差的样本数量分布的示例性示意图；
图9是根据本申请的一些实施例所示的两种路段的路段速度分布的示例性示意图；以及
图10是根据本申请的一些实施例所示的两种路段的速度差分布的示例性示意图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并在特定应用及其要求的上下文中提供。对于本领域的普通技术人员来讲，对本申请披露的实施例进行的各种修改是显而易见的，并且在不脱离本申请的精神和范围的情况下，本申请定义的一般原理可以应用于其他实施例和应用。因此，本申请不限于所示的实施例，但是符合与权利要求一致的最宽范围。
本申请中所使用的术语仅用于描述特定示例性实施例，并不限制本申请的范围。除非上下文明确提示例外情形，如本申请使用的，单数形式“一”、“一个”及“所述”可以同样包括复数形式。将进一步理解的是，当在本说明书中使用时，术语“包括”和/或“包含”指定所述特征、整数、步骤、操作、元素和/或组件的存在，但不排除存在或添加一个或以上其他特征、整数、步骤、操作、元素、组件、和/或其组合。
根据以下对附图的描述，本申请的这些和其他的特征、特点、以及结构的相关元件的功能和操作方法，以及部件组合和制造经济更加显而易见，这些都构成说明书的一部分。然而，应当理解，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是附图并不是按比例的。
本申请中使用了流程图来说明根据本申请的实施例的***所执行的操作。应当明确理解，流程图中的操作可以不按顺序实施。相反，可以按照倒序或同时处理各个步骤。此外，可以向流程图中添加一个或以上其他操作。一个或以上操作也可以从流程图中删除。
本申请中的***和方法可以应用于不同的场景，在这些场景中需要预测随时间变化的因素(例如，产品的销售量，路段的路段速度等)。例如，本申请中的***和方法可以应用于电子商务或涉及陆地、海洋、航空航天等或其任何组合的运输***。运输***的车辆可以包括出租车、私家车、电车、公共汽车、火车、子弹火车、高速铁路、地铁、船只、飞机、宇宙飞船、热气球、无人驾驶车辆、自行车、三轮车、摩托车等，或其任意组合。运输***可以包括打车，司机服务，送货服务，拼车，公共汽车服务，外卖服务，司机租用，车辆租用，自行车共享服务，火车服务，地铁服务，班车服务，位置服务，地图服务等。
在本申请中，使用运输***中的路段的速度预测作为示例。应当注意的是，速度预测仅用于说明目的，并非旨在限制本申请的范围。在一些实施例中，本公开可以应用于其他类似的情景，例如但不限于电子商务中的销售量预测。
在速度预测的过程中，可以将路段的当前路段速度(例如，在当前时间窗内，通过路段的车辆的速度的平均值或中间值)和时间段输入到训练后的预测模型。训练后的预测模型可以输出当前路段速度与在当前时间窗之后的时间段内的未来路段速度之间的预测速度差，而不是直接输出未来路段速度。然后，可以通过当前路段速度加预测速度差来确定未来路段速度。
在根据训练后的预测模型确定预测速度差之前，可以根据紧接当前时间窗之前的时间段内的先前速度差来更新训练后的预测模型。
在生成训练后的预测模型的过程中，可以获得至少两个先前速度差。可以通过使用至少两个先前速度差训练初始预测模型来生成训练后的预测模型。不同路段的先前速度差可能都在0左右波动。在一些实施例中，当训练初始预测模型时，可以减少或省略路段的特征，因为先前速度差可以减小不同路段的路段速度的差异和不同路段的差异。因此，使用先前速度差训练初始预测模型通常会节省计算能力和数据存储空间。另外，与使用不同路段的先前路段速度训练初始预测模型相比，这种方法可以提高训练后的预测模型的准确度和效率。
图1是根据本申请的一些实施例所示的示例性速度预测***的示意图。速度预测***100可以包括服务器110、网络120、用户终端140、存储设备150和定位***160。
在一些实施例中，服务器110可以是单一服务器或服务器组。该服务器组可以是集中式或分布式的(例如，服务器110可以是分布式***)。在一些实施例中，服务器110可以是本地的或远程的。例如，服务器110可以经由网络120访问存储在用户终端140和/或存储设备150中的信息和/或数据。又如此，服务器110可以直接连接到用户终端140和/或存储设备150以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实施。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中，服务器110可以在本申请图2中描述的包含了一个或者多个组件的计算设备200上执行。
在一些实施例中，服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请中描述的一个或以上功能。例如，处理引擎112可以使用训练后的预测模型确定目标路段的当前路段速度和未来路段速度之间的预测速度差，并且基于该预测速度差估计目标路段的未来路段速度。在一些实施例中，处理引擎112可包括一个或者以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理引擎112可以包括一个或以上硬件处理器，例如中央处理单元(CPU)、特定应用集成电路(ASIC)、特定应用指令集处理器(ASIP)、图像处理单元(GPU)、物理运算处理单元(PPU)、数字信号处理器(DSP)、现场可程序门阵列(FPGA)、可程序逻辑装置(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器等或上述举例的任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中，速度预测***100中的一个或以上组件(例如，服务器110、用户终端140、存储设备150和定位***160)可以通过网络120，发送/获得信息和/或数据到/从速度预测***100中的其他组件。例如，处理引擎112可以经由网络120从存储设备150和/或用户终端140获得车辆的瞬时速度。在一些实施例中，网络120可以是有线网络或无线网络中的任意一种，或其组合。仅作为示例，网络120可以包括电缆网络、有线网络、光纤网络、远程通信网络、内部网络、因特网、局域网(LAN)、广域网(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络、近场通讯(NFC)网络等或上述举例的任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，如基站和/或互联网交换点120-1、120-2、......，通过这些接入点，速度预测***100的一个或以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中，用户终端140可以与速度预测***100的用户(例如，驾驶员、乘客或快递员)相关。用户终端140可以包括移动设备140-1、平板电脑140-2、膝上型计算机140-3、机动车辆140-4中的内置设备等，或其组合。在一些实施例中，移动设备140-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等，或其任意组合。在一些实施例中，智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等，或其任意组合。在一些实施例中，可穿戴设备可以包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能服饰、智能背包、智能配件等或其任意组合。在一些实施例中，智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、POS机等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括GoogleGlassTM，RiftConTM，FragmentsTM，Gear VRTM等。在一些实施例中，机动车辆140-4中的内置设备可以包括车载计算机、车载电视、行驶记录仪等。在一些实施例中，用户终端140可以是具有定位用户和/或用户终端140的位置的定位技术的设备。
在一些实施例中，用户终端140可以与其他定位设备(例如，定位***160)通信以确定用户和/或用户终端140的位置。在一些实施例中，用户终端140可以将定位信息发送到服务器110。
存储设备150可以存储数据和/或指令。在一些实施例中，存储设备150可以存储从用户终端140和/或服务器110获得的数据。例如，存储设备150可以存储从用户终端140获得的车辆的瞬时速度。在一些实施例中，存储设备150可以存储数据和/或指令，服务器110可以执行或使用该数据和/或指令来完成本申请中描述的示例性方法。例如，存储设备150可以存储指令，处理引擎112可以执行所述指令，以基于预测速度差来估计目标路段的未来路段速度。在一些实施例中，存储设备150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量储存器可以包括磁盘、光盘、固态驱动等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性的易失性读写存储器可以包括随机存取存储器(RAM)。示例性的随机存取存储器可包括动态随机存取存储器(DRAM)、双倍速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、闸流体随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性的只读存储器可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电子可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字通用磁盘只读存储器等。在一些实施例中，所述存储设备150可以在云平台上实现。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
在一些实施例中，存储设备150可以连接到网络120以与速度预测***100中的一个或以上组件(例如，服务器110、用户终端140、定位***160)通信。速度预测***100中的一个或以上组件可以经由网络120访问存储设备150中存储的数据或指令。在一些实施例中，存储设备150可以直接连接到速度预测***100中的一个或以上组件(例如，服务器110、用户终端140、定位***160)或与之通信。在一些实施例中，存储设备150可以是服务器110的一部分。
定位***160可以确定与对象，例如，用户终端140相关的信息。在一些实施例中，定位***160可以是全球定位***(GPS)、全球导航卫星***(GLONASS)、罗盘导航***(COMPASS)、北斗导航卫星***、伽利略定位***、准天顶卫星***(QZSS)等。位置可以是坐标的形式，例如纬度坐标和经度坐标等。定位***160可以包括一个或以上卫星，例如卫星160-1、卫星160-2和卫星160-3。卫星160-1至160-3可以独立地或共同地确定上述信息。卫星定位***160可以通过无线连接将上述信息发送到网络120或用户终端140。
图2是根据本申请的一些实施例所示的可以在其上实施处理引擎112的计算设备的示例性硬件和/或软件组件的示意图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出(I/O)230和通信端口240。
处理器210(例如，逻辑电路)可以执行计算机指令(例如，程序代码)并且根据本申请描述的技术来执行处理引擎112的功能。例如，处理器210可以包括接口电路210-a和其中的处理电路210-b。接口电路可以被配置为接收来自总线(图2中未示出)的电子信号，其中所述电子信号编码/包括用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算，然后确定编码为电子信号的结论、结果和/或指令。然后，接口电路可以经由总线从处理电路发出电子信号。
计算机指令可以包括例如执行在本申请描述的特定功能的例程、程序、对象、组件、数据结构、过程、模块和功能。例如，处理器210可以使用训练后的预测模型确定目标路段的当前路段速度和未来路段速度之间的预测速度差，并且基于预测速度差，估计目标路段的未来路段速度。在一些实施例中，处理器210可以包括一个或以上硬件处理器，例如微控制器、微处理器、精简指令集计算器(RISC)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、中央处理单元(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门数组(FPGA)、高级RISC机器(ARM)、可编程逻辑器件(PLD)、能够执行一个或以上功能的任何电路或处理器等，或其任何组合。
仅仅为了说明，在计算设备200中仅描述了一个处理器。然而，应该注意的是，本申请中的计算设备200还包括多个处理器，因此，如本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器共同或分别执行。例如，在本申请中，计算设备200的处理器执行步骤A和步骤B，应当理解的是，步骤A和步骤B也可以由计算设备200的两个或以上不同的处理器共同地或独立地执行(例如，第一处理器执行步骤A、第二处理器执行步骤B，或者第一和第二处理器共同地执行步骤A和步骤B)。
存储器220可以存储从用户终端140、存储设备150和/或速度预测***100的任何其他组件获得的数据/信息。在一些实施例中，存储器220可以包括大容量存储器、可移动存储器、失性读写存储器和只读存储器(ROM)等，或其任意组合。例如，大容量存储器可以包括磁盘、光盘、固态驱动等。可移动存储器可以包括闪存驱动器，软盘，光盘，存储卡，压缩盘和磁带等。失性读写存储器可以包括随机存取存储器(RAM)。随机存取存储器可以包括动态随机存取存储器(DRAM)，双倍速率同步动态随机存取存储器(DDR SDRAM)，静态随机存取存储器(SRAM)，闸流体随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。只读存储器可以包括掩模只读存储器(MROM)，可编程只读存储器(PROM)，可擦除可编程只读存储器(PEROM)，电子可擦除可编程只读存储器(EEPROM)，光盘只读存储器(CD-ROM)和数字通用盘只读存储器等。在一些实施例中，存储器220可以存储一个或以上程序和/或指令以执行在本申请中描述的示例性方法。例如，存储器220可以存储用于处理引擎112的程序，用于基于预测速度差来估计目标路段的未来路段速度。
输入/输出230可以输入和/或输出信号、数据、信息等。在一些实施例中，输入/输出230可以使用户与处理引擎112交互。在一些实施例中，输入/输出230可以包括输入设备和输出设备。示例性的输入设备可以包括键盘、鼠标、触摸屏、麦克风等，或其任何组合。示例性的输出设备可以包括显示设备、扬声器、打印机、投影仪等，或其任何组合。示例性的显示设备可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等，或其任何组合。
通信端口240可以连接到网络(例如，网络120)以促进数据通信。通信端口240可以在处理引擎112、用户终端140、定位***160或存储设备150之间建立连接。该连接可以是有线连接、无线连接、能够进行数据发送和/或接收的任何其他通信连接，和/或这些连接的任何组合。有线连接可以包括例如电缆、光缆、电话线等或其任意组合。无线连接可以包括例如蓝牙链路、Wi-FiTM链路、WiMaxTM链路、WLAN链路、ZigBee链路、移动网络链路(例如3G、4G、5G等)等或其组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，例如RS232、RS485等。
图3是根据本申请的一些实施例所示的可以在其上实现用户终端140的移动设备的示例性硬件和/或软件组件的示意图。如图3所示，移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出350、内存360和存储器390。在一些实施例中，任何其他合适的组件，包括但不限于***总线或控制器(未示出)，也可包括在移动设备300内。在一些实施例中，移动操作***370(如，iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用380可以从存储器390加载到内存360中，以便由中央处理单元340执行。应用380(例如，打车应用)可以包括浏览器或任何其他合适的移动应用，用于从处理引擎112接收和呈现与运输服务或其他信息有关的信息。用户与信息流的交互可以通过输入/输出350实现，并通过网络120提供给处理引擎112和/或速度预测***100的其他组件。仅作为示例，可以通过显示器320在用户终端140中显示发送给服务请求者的道路特征。又例如，服务提供者可以通过输入/输出350输入与路段相关的图像。
为了实施本申请描述的各种模块、单元及其功能，计算机硬件平台可用作本申请中描述的一个或以上组件的硬件平台。具有用户接口组件的计算机可用于实施个人计算机(PC)或任何其他类型的工作站或终端设备。若程控得当，计算机亦可用作服务器。
本领域普通技术人员将理解，当速度预测***100的组件执行时，该组件可以通过电信号和/或电磁信号执行。例如，当处理引擎112处理例如做出确定或识别信息的任务时，处理引擎112可以在其处理器中操作逻辑电路以处理这样的任务。当处理引擎112从用户终端140接收数据(例如，至少两个车辆的瞬时速度)时，处理引擎112的处理器可以接收编码/包括该数据的电信号。处理引擎112的处理器可以通过一个或以上信息交换端口接收电信号。如果用户终端140经由有线网络与处理引擎112通信，则信息交换端口可以物理地连接到电缆。如果用户终端140经由无线网络与处理引擎112通信，则处理引擎112的信息交换端口可以是一个或以上天线，其可以将电信号转换为电磁信号。在电子设备，例如用户终端140和/或服务器110内，当电子设备的处理器处理指令、发出指令和/或执行动作时，该指令和/或动作是通过电信号传导的。例如，当处理器从存储介质(例如，存储设备150)检索或保存数据时，处理器可以将电信号发送到存储介质的读/写设备，该读/写设备可以在存储介质中读取或写入结构化数据。结构化数据可以电信号的形式经由电子设备的总线传输至处理器。此处，电信号可以指一个电信号、一系列电信号和/或至少两个不连续的电信号。
图4是根据本申请的一些实施例所示的示例性处理引擎的示意性框图。处理引擎112可以包括车辆速度获取模块410、当前速度确定模块420、速度差确定模块430、未来速度估计模块440和应用模块450。
车辆速度获取模块410可以被配置为获取在当前时间窗内通过目标路段的第一车辆的当前车辆速度。
路段可以指道路的一部分(或一段)，路段具有一定长度(例如，100米、200米等)。例如，路段可以包括直路段、弯曲路段、十字路口、一个或以上交叉路口，或三叉路口等。长路线(例如，计划行程的路线)或区域(例如，北京)的道路***可以被划分为具有相同或不同长度的至少两个路段。该至少两个路段可以具有空间关系，并且如果以空间顺序布置，则形成所述长路线或区域的道路***。在一些实施例中，路段可以指道路链路，该道路链路是具有特定方向的道路的一段。在一些实施例中，路段可以指道路链路的组合，例如具有相反或几乎相反方向，但属于道路的相同路段的链路。
当前时间窗可以指当前时间点之前的时间段(例如，1分钟、2分钟、5分钟等)。例如，当前时间点是上午10：00，当前时间窗可以是上午9:55至上午10:00。
在一些实施例中，用户终端140可以经由安装在用户终端140中的应用与处理引擎112建立通信(例如，无线通信)。例如，应用可以是打车应用或导航应用。
第一车辆的瞬时速度和实时位置可以通过与用户终端140或车辆相关的定位技术获得，该定位技术例如GPS、GLONASS、COMPASS、QZSS、WiFi定位技术等，或其任何组合。安装在用户终端140中的应用可以指示用户终端140不断地将瞬时速度和第一车辆的实时位置发送到处理引擎112和/或存储设备150。因此，处理引擎112和/或存储设备150可以实时或基本实时地获取瞬时速度和第一车辆的位置。
在一些实施例中，车辆速度获取模块410可以预先处理在当前时间窗内的目标路段的瞬时速度，以找出瞬时速度中的误差或不一致性，并确保瞬时速度的完整性和准确性。如果验证、断定或确定这种错误或不一致性可能很高，则可以通过例如修改、替换或忽略来预处理速度。
例如，如果车辆速度获取模块410检测到某个时间点处的车辆的瞬时速度是-1km/h，则车辆速度获取模块410可以确定与瞬时速度-1km/h相邻的该车辆的瞬时速度(例如，紧接瞬时速度-1km/h之前和之后的该车辆的10个瞬时速度)的平均值。车辆速度获取模块410可以忽略-1km/h的瞬时速度或者使用该平均值来代替-1km/h的瞬时速度。
又例如，对于目标路段中一个车辆的瞬时速度，如果车辆速度获取模块410检测到存在等于0的瞬时速度，则车辆速度获取模块410可以检查其他车辆的其他瞬时速度，这些瞬时速度与瞬时速度为0的时间点相似。如果其他瞬时速度中的大多数(例如，大于90％)等于0，则车辆速度获取模块410可以确定瞬时速度为0是由交通拥堵引起的，并且确定瞬时速度为0是正常数据。如果其他瞬时速度中的少数(例如，小于5％)等于0，则车辆速度获取模块410可以确定瞬时速度为0是由违规或错误测量引起的，并且确定瞬时速度为0是异常数据。车辆速度获取模块410可以确定目标路段中该车辆的非零瞬时速度的平均值。车辆速度获取模块410可以忽略为0的瞬时速度或者使用该平均值来代替为0的瞬时速度。
在一些实施例中，在一个时间窗内的一个车辆的车辆速度可以指在该时间窗内的该车辆的平均速度。车辆速度获取模块410可以将在该时间窗内的该车辆的瞬时速度的平均值确定为在该时间窗内的该车辆的车辆速度。可选地，车辆速度获取模块410可以通过将该车辆在该时间窗内行进的距离除以该时间窗来确定在该时间窗内的该车辆的车辆速度。
当前速度确定模块420可以被配置为基于当前车辆速度确定在当前时间窗内的与目标路段相关的当前路段速度。在一些实施例中，路段的路段速度可以指在某个时间窗内的通过该路段的车辆的车辆速度的算术或加权平均值。仅作为示例，当使用加权平均值确定路段速度时，车辆离开该路段时的时间点越接近当前时间点，对应于车辆的权重越大。
速度差确定模块430可以被配置为在基于当前路段速度和训练后的预测模型，确定当前路段速度和未来时间窗内与目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成。当前时间窗和未来时间窗可以由第一时间段分开。例如，当前时间窗可以是上午9:25到上午9:30。未来时间窗可以是上午10:00到上午10:05，第一时间段可以是从上午9:30到上午10:00的30分钟。
在一些实施例中，速度差确定模块430可以将当前路段速度和第一时间段输入到训练后的预测模型中。速度差确定模块430还可以将第一时间段的时间信息输入到训练后的预测模型中。第一时间段的时间信息可以包括例如但不限于第一时间段的日期、第一时间段期间的预测天气、第一时间段是否是高峰时间等或其任何组合。训练后的预测模型可以基于当前路段速度、第一时间段、以及第一时间段的时间信息，输出当前路段速度和未来路段速度之间预测速度差，而不是直接输出预测的未来路段速度。在一些实施例中，训练后的预测模型可以包括XGboost模型、因子分解机(FM)模型、自回归积分滑动平均模型(ARIMA)等。
在一些实施例中，训练后的预测模型可以在线或离线生成。在一些实施例中，训练后的预测模型可以由处理引擎112(例如，速度差确定模块430)或与速度预测***100通信的第三方设备生成。在一些实施例中，速度差确定模块430可以预先生成训练后的预测模型并且将训练后的预测模型存储在存储介质(例如，存储设备150、处理引擎112的存储器220)中。在一些实施例中，速度差确定模块430可以从存储介质获取训练后的预测模型。在一些实施例中，速度差确定模块430可以在线生成训练后的预测模型。在一些实施例中，第三方设备可以预先生成训练后的预测模型并且将训练后的预测模型存储在本地或者速度预测***100的存储介质(例如，存储设备150、处理引擎112的存储器220)中。速度差确定模块430可以从速度预测***100的存储介质或第三方设备获取训练后的预测模型。在一些实施例中，第三方设备可以在线生成训练后的预测模型，并将训练后的预测模型发送到速度差确定模块430。关于生成训练后的预测模型的详细描述可以在本申请的其他地方找到(例如，在图6中)。
在一些实施例中，在获得训练后的预测模型之后，在确定预测速度差之前，速度差确定模块430可以使用最新的速度差(例如，最接近当前时间点的时间段内的速度差)更新训练后的预测模型以提高训练后的预测模型的准确性。
仅作为示例，速度差确定模块430可以在紧接在当前时间点之前的第二时间段中确定先前速度差，并且根据所述第二时间段的先前速度差更新训练后的预测模型的参数，用于确定在第一时间段内的预测速度差。第一时间段和第二时间段的持续时间可以相同或不同。例如，当前时间点是上午10:00，第一时间段是从上午10:00到上午10:30的30分钟。第二时间段可以是从上午9:30到上午10:00的30分钟。
速度差确定模块430可以从例如存储介质(例如，存储设备150和/或处理引擎112的存储器220)获得在第二时间段内通过一个或以上路段(例如，目标路段)的车辆的瞬时速度。第二时间段可以被划分为至少两个时间窗(例如，先前时间窗和当前时间窗)。例如，当前时间点是上午10:00，第二时间段可以是从上午9:30分到上午10:00的30分钟。第二时间段可以被划分为6个时间窗，每个时间窗持续5分钟，例如上午9:30至上午9:35、上午9:35至上午9:40、上午9:40至上午9:45、上午9:45至9:50、上午9:50至上午9:55、上午9:55至上午10:00(当前时间窗)。速度差确定模块430可以确定在所述至少两个时间窗内的一个或以上路段的路段速度(例如，一个或以上路段的先前路段速度和当前路段速度)。速度差确定模块430可以通过确定相同路段的两个路段速度的差来确定先前速度差。例如，对于每个路段，速度差确定模块430可以通过分别确定该路段的先前路段速度和该路段的当前路段速度之间的差来确定先前速度差。
未来速度估计模块440可以被配置为基于预测速度差和当前路段速度来估计未来路段速度。例如，未来速度估计模块440可以通过将当前路段速度和未来路段速度之间的预测速度差与当前路段速度相加来估计未来路段速度。
在一些实施例中，处理引擎112可以通过逐个或同时执行过程500来预测至少两个路段的未来路段速度。
在一些实施例中，需要预测未来路段速度，使得用户可以知道哪些道路将会发生拥堵或慢行，这可以在用户选择行驶路线时提供参考。在这种情况下，过程500可以周期性地(例如，每半小时)执行或由特定条件触发。例如，处理引擎112可以在高峰时间(例如，上午7:00至上午10:00和下午5:00至下午8:00)每半小时自动预测至少两个路段的未来路段速度。又例如，用户可以向处理引擎112发送询问一条或以上道路的交通状况的请求。处理引擎112可以执行过程500响应该请求。
以目标路段为例，应用模块450可以被配置为预测目标路段在未来时间窗内是否拥堵。应用模块450可以确定目标路段的未来路段速度是否大于速度阈值。响应于未来路段速度小于或等于速度阈值的确定结果，应用模块450可以确定目标路段在未来时间窗内拥堵。响应于未来路段速度大于速度阈值的确定结果，应用模块450可以确定目标路段在未来时间窗内没有拥堵。应用模块450可以向与速度预测***100相关的运输服务(例如，具有速度预测***100的应用的用户终端，例如打车应用或导航应用)的用户的用户终端(例如，用户终端140)，和/或发送交通状况请求的用户发送速度警报，该速度警报指示目标路段在未来时间窗内是否拥堵。速度警报可以包括目标路段的位置以及目标路段是否拥堵。速度警报可以是文本、语音、图片、视频等或其任何组合的形式。例如，应用模块450可以发送速度警报以指示用户终端140以明显的颜色(例如，红色)显示拥堵的路段，并且在用户终端140的电子地图中以绿色显示未拥堵的路段。用户可以选择在未来时间窗内通过目标路段，或者选择替代路线。速度警报可以进行一步包括询问用户选择通向目标路段的路线或绕过目标路段的路线。在一些实施例中，处理器112在确定特定路段拥堵之后，可以重新计算行驶路线。例如，在正常情况下，目标路段被选择作为行驶路线的一部分，预测目标路段将会发生拥堵后，处理器会选择替代路段代替目标路段。同时，在一些实施例中，处理器可以向用户终端发送消息(例如，类似于速度警报)，以解释为什么不选择目标路段作为行驶路线的一部分。
处理引擎112还可以包括训练模块460，用于生成训练后的预测模型和/或更新训练后的预测模型。当生成训练后的预测模型和更新训练后的预测模型的操作由速度差确定模块430执行时，训练模块460可以省略。
处理引擎112中的模块可以通过有线连接或无线连接互相连接或互相通讯。有线连接可以包括金属线缆、光缆、混合电缆等或其任意组合。无线连接可以包括局域网(LAN)、广域网(WAN)、蓝牙、ZigBee网络、近场通讯(NFC)等或上述举例的任意组合。两个或以上模块可以合并成一个模块，以及任意一个模块可以被拆分成两个或多个单元。例如，车辆速度获取模块410和当前速度确定模块420可以组合成单个模块，该组合的单个模块可以确定车辆速度和路段速度。又例如，车辆速度获取模块410可以被划分为两个单元。第一单元可以从用户终端获得瞬时速度。第二单元可基于瞬时速度确定车辆速度。
应该注意的是，以上描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域技术人员而言，在本申请内容的指导下，可作出多种变形和修改。然而，这些变形和修改不会背离本申请的范围。例如，处理引擎112可以进一步包括存储模块(图4中未示出)。存储模块可以被配置为存储在处理引擎112中的任何组件执行的任何过程中生成的数据。又例如，处理引擎112的每个组件可以分别对应于存储模块。另外或替代地，处理引擎112的组件可以共享公共存储模块。
图5是根据本申请的一些实施例所示的速度预测的示例性过程的流程图。在一些实施例中，过程500可以在图1所示的速度预测***100中实现。例如，过程500可以以指令的形式存储在存储介质(例如，存储设备150或处理引擎112的存储器220)中，并且可以由服务器110(例如，服务器110的处理引擎112、处理引擎112的处理器210、或图4所示的处理引擎112中的一个或以上模块)调用和/或执行。以下呈现的所示过程500的操作旨在是说明性的。在一些实施例中，过程500在实现时可以添加一个或以上未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图5中所示和下面描述的过程500的操作的顺序不是限制性的。
在510中，车辆速度获取模块410(或处理引擎112，和/或处理电路210-b)可以获取在当前时间窗内通过目标路段的第一车辆的当前车辆速度。
路段可以指道路的一部分(或一段)，路段具有一定长度(例如，100米、200米等)。例如，路段可以包括直路段、弯曲路段、十字路口、一个或以上交叉路口，或三叉路口等。长路线(例如，计划行程的路线)或区域(例如，北京)的道路***可以被划分为具有相同或不同长度的至少两个路段。该至少两个路段可以具有空间关系，并且如果按空间顺序排列，则形成所述长路线或区域的道路***。在一些实施例中，路段可以指道路链路，该道路链路是具有特定方向的道路的一段。在一些实施例中，路段可以指道路链路的组合，例如具有相反或几乎相反方向，但属于道路的相同路段的链路。
当前时间窗可以指当前时间点之前的时间段(例如，1分钟、2分钟、5分钟等)。例如，当前时间点是上午10:00，当前时间窗可以是上午9:55至上午10:00。
在一些实施例中，用户终端140可以经由安装在用户终端140中的应用与处理引擎112建立通信(例如，无线通信)。例如，应用可以是打车应用或导航应用。
第一车辆的瞬时速度和实时位置可以通过与用户终端140或车辆相关联的定位技术获得，所述定位技术例如GPS、GLONASS、COMPASS、QZSS、WiFi定位技术等，或其任何组合。安装在用户终端140中的应用可以指示用户终端140不断地将瞬时速度和第一车辆的实时位置发送到处理引擎112和/或存储设备150。因此，处理引擎112和/或存储设备150可以实时或基本实时地获取瞬时速度和第一车辆的位置。
在一些实施例中，车辆速度获取模块410可以预先处理当前时间窗内的目标路段的瞬时速度，以发现瞬时速度中的误差或不一致性，并确保瞬时速度的完整性和准确性。如果验证、断定或确定这种错误或不一致性可能很高，则可以通过例如修改、替换或忽略来预处理速度。
例如，如果车辆速度获取模块410检测到某个时间点处的车辆的瞬时速度是-1km/h，则车辆速度获取模块410可以确定与瞬时速度-1km/h相邻的该车辆的瞬时速度(例如，紧接瞬时速度-1km/h之前和之后的该车辆的10个瞬时速度)的平均值。车辆速度获取模块410可以忽略-1km/h的瞬时速度或者使用该平均值来代替-1km/h的瞬时速度。
又例如，对于目标路段中一个车辆的瞬时速度，如果车辆速度获取模块410检测到存在等于0的瞬时速度，则车辆速度获取模块410可以检查其他车辆的其他瞬时速度，这些瞬时速度与瞬时速度为0的时间点相似。如果其他瞬时速度中的大多数(例如，大于90％)等于0，则车辆速度获取模块410可以确定瞬时速度为0是由交通拥堵引起的，并且确定瞬时速度为0是正常数据。如果其他瞬时速度中的少数(例如，小于5％)等于0，则车辆速度获取模块410可以确定瞬时速度为0是由违规或错误测量引起的，并且确定瞬时速度为0是异常数据。车辆速度获取模块410可以确定目标路段中该车辆的非零瞬时速度的平均值。车辆速度获取模块410可以忽略为0的瞬时速度或者使用该平均值来代替为0的瞬时速度。
在一些实施例中，在一个时间窗内的一个车辆的车辆速度可以指在该时间窗内的该车辆的平均速度。车辆速度获取模块410可以将在该时间窗内的该车辆的瞬时速度的平均值确定为在该时间窗内的该车辆的车辆速度。可选地，车辆速度获取模块410可以通过将该车辆在该时间窗内行进的距离除以该时间窗来确定在该时间窗内的该车辆的车辆速度。
在520中，当前速度确定模块420(或处理引擎112，和/或处理电路210-b)可以基于当前车辆速度，确定在当前时间窗内的与目标路段相关的当前路段速度。在一些实施例中，路段的路段速度可以指在某个时间窗内的通过该路段的车辆的车辆速度的算术或加权平均值。仅作为示例，当使用加权平均值确定路段速度时，车辆离开该路段时的时间点越接近当前时间点，对应于车辆的权重越大。
在530中，速度差确定模块430(或处理引擎112，和/或处理电路210-b)可以基于当前路段速度和训练后的预测模型，确定当前路段速度和未来时间窗内与目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成。当前时间窗和未来时间窗可以由第一时间段分开。例如，当前时间窗可以是上午9:25到上午9:30，未来时间窗可以是上午10:00到上午10:05，第一时间段可以是从上午9:30到上午10:00的30分钟。
在一些实施例中，速度差确定模块430可以将当前路段速度和第一时间段输入到训练后的预测模型中。速度差确定模块430还可以将第一时间段的时间信息输入到训练后的预测模型中。第一时间段的时间信息可以包括例如但不限于第一时间段的日期、第一时间段期间的预测天气、第一时间段是否是高峰时间的信息等或其任何组合。训练后的预测模型可以基于当前路段速度、第一时间段、以及第一时间段的时间信息，输出当前路段速度和未来路段速度之间预测速度差，而不是直接输出预测的未来路段速度。在一些实施例中，训练后的预测模型可以包括XGboost模型、因子分解机器(FM)模型、自回归积分滑动平均模型(ARIMA)等。
在一些实施例中，训练后的预测模型可以在线或离线生成。在一些实施例中，训练后的预测模型可以由处理引擎112(例如，速度差确定模块430)或与速度预测***100通信的第三方设备生成。在一些实施例中，速度差确定模块430可以预先生成训练后的预测模型并且将训练后的预测模型存储在存储介质中(例如，存储设备150、处理引擎112的存储器220)。在一些实施例中，速度差确定模块430可以从存储介质获取训练后的预测模型。在一些实施例中，速度差确定模块430可以在线生成训练后的预测模型。在一些实施例中，第三方设备可以预先生成训练后的预测模型并且将训练后的预测模型存储在本地或者速度预测***100的存储介质(例如，存储设备150、处理引擎112的存储器220)中。速度差确定模块430可以从速度预测***100的存储介质或第三方设备获取训练后的预测模型。在一些实施例中，第三方设备可以在线生成训练后的预测模型，并将训练后的预测模型发送到速度差确定模块430。关于生成训练后的预测模型的详细描述可以在本申请的其他地方找到(例如，在图6中)。
在一些实施例中，在获得训练后的预测模型之后，在确定预测速度差之前，速度差确定模块430可以使用最新的速度差(例如，最接近当前时间点的时间段内的速度差)更新训练后的预测模型以提高训练后的预测模型的准确性。
仅作为示例，速度差确定模块430可以在紧接在当前时间点之前的第二时间段中确定先前速度差，并且根据所述第二时间段的先前速度差更新训练后的预测模型的参数，用于确定在第一时间段内的预测速度差。第一时间段和第二时间段的持续时间可以相同或不同。例如，当前时间点是上午10:00，第一时间段是从上午10:00到上午10:30的30分钟。第二时间段可以是从上午9:30到上午10:00的30分钟。
速度差确定模块430可以从例如存储介质(例如，存储设备150和/或处理引擎112的存储器220)获得在第二时间段内通过一个或以上路段(例如，目标路段)的车辆的瞬时速度。第二时间段可以被划分为至少两个时间窗(例如，先前时间窗和当前时间窗)。例如，当前时间点是上午10:00，第二时间段可以是从上午9:30分到上午10:00的30分钟。第二时间段可以被划分为6个时间窗，每个时间窗持续5分钟，例如上午9:30至上午9:35、上午9:35至上午9:40、上午9:40至上午9:45、上午9:45至9:50、上午9:50至上午9:55、上午9:55至上午10:00(当前时间窗)。速度差确定模块430可以确定在所述至少两个时间窗内的一个或以上路段的路段速度(例如，一个或以上路段的先前路段速度和当前路段速度)。速度差确定模块430可以通过确定相同路段的两个路段速度的差来确定先前速度差。例如，对于每个路段，速度差确定模块430可以通过分别确定该路段的先前路段速度和该路段的当前路段速度之间的差来确定先前速度差。
在540中，未来速度估计模块440(或处理引擎112，和/或处理电路210-b)可基于预测速度差和当前路段速度来估计未来路段速度。例如，未来速度估计模块440可以通过将当前路段速度和未来路段速度之间的预测速度差与当前路段速度相加来估计未来路段速度。
在一些实施例中，处理引擎112可以通过逐个或同时执行过程500来预测至少两个路段的未来路段速度。
在一些实施例中，需要预测未来路段速度，使得用户可以知道哪些道路将会发生拥堵或慢行，这可以在用户选择行驶路线时提供参考。在这种情况下，过程500可以周期性地(例如，每半小时)执行或由特定条件触发。例如，处理引擎112可以在高峰时间(例如，上午7:00至上午10:00和下午5:00至下午8:00)每半小时自动预测至少两个路段的未来路段速度。又例如，用户可以向处理引擎112发送询问一条或以上道路的交通状况的请求。处理引擎112可以执行过程500响应该请求。
以目标路段为例，应用模块450可以预测目标路段在未来时间窗内是否拥堵。应用模块450可以确定目标路段的未来路段速度是否大于速度阈值。响应于未来路段速度小于或等于速度阈值的确定结果，应用模块450可以确定目标路段在未来时间窗内拥堵。响应于未来路段速度大于速度阈值的确定结果，应用模块450可以确定目标路段在未来时间窗内没有拥堵。应用模块450可以向与速度预测***100相关的运输服务(例如，具有速度预测***100的应用的用户终端，例如打车应用或导航应用)的用户的用户终端(例如，用户终端140)，和/或发送交通状况请求的用户发送速度警报，该速度警报指示目标路段在未来时间窗内是否拥堵。速度警报可以包括目标路段的位置以及目标路段是否拥堵。速度警报可以是文本、语音、图片、视频等或其任何组合的形式。例如，应用模块450可以发送速度警报以指示用户终端140以明显的颜色(例如，红色)显示拥堵的路段，并且在用户终端140的电子地图中以绿色显示未拥堵的路段。用户可以选择在未来时间窗内通过目标路段，或者选择替代路线。速度警报可以进行一步包括询问用户选择通向目标路段的路线或绕过目标路段的路线。在一些实施例中，处理器112在确定特定路段拥堵之后，可以重新计算行驶路线。例如，在正常情况下，目标路段被选择作为行驶路线的一部分，预测目标路段将会发生拥堵后，处理器会选择替代路段代替目标路段。同时，在一些实施例中，处理器可以向用户终端发送消息(例如，类似于速度警报)，以解释为什么不选择目标路段作为行驶路线的一部分。
应该注意的是，以上描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域技术人员而言，在本申请内容的指导下，可作出多种变形和修改。然而，这些变形和修改不会背离本申请的范围。例如，过程500中生成训练后的预测模型和/或更新训练后的预测模型的操作可以由训练模块460执行。
图6是根据本申请的一些实施例所示的生成训练后的预测模型的示例性过程的流程图。在一些实施例中，过程600可以在图1中所示的速度预测***100中实现。例如，过程600可以以指令的形式存储在存储介质(例如，存储设备150或处理引擎112的存储220器)中，并且可以由服务器110(例如，服务器110的处理引擎112、处理引擎112的处理器210、或图4所示的处理引擎112中的一个或以上模块)调用和/或执行。以下呈现的所示过程600的操作旨在是说明性的。在一些实施例中，流程600在实现时可以添加一个或以上未描述的额外操作，和/或删减一个或以上此处所描述的操作。另外，如图6中所示和下面描述的过程600的操作的顺序不是限制性的。在一些实施例中，可以基于过程600提供图5中的530中描述的训练后的预测模型。
在610中，速度差确定模块430(或处理引擎112，和/或处理电路210-b)可以获取在第一先前时间窗内的与至少两个第一路段相关的第一先前路段速度。
先前时间窗可以指当前时间点之前的时间段(例如，1分钟、2分钟、5分钟等)并且与当前时间点分开。例如，当前时间点是2018年7月31日上午10:00，先前时间窗可以是2018年7月31日上午8:00至8:05或2018年7月30日上午10:30至10:35点。又例如，可将一天划分为持续时间相同或不同的至少两个时间窗。当前时间点之前的一天中的时间窗可以是先前时间窗。
速度差确定模块430可以从存储介质(例如，存储设备150或处理引擎112的存储器220)获得在第一先前时间窗内通过至少两个第一路段的第二车辆的至少两个先前瞬时速度。速度差确定模块430可以基于在第一先前时间窗内的第二车辆的先前瞬时速度来确定在第一先前时间窗内的第二车辆的先前车辆速度。例如，对于在第一先前时间窗内的第二车辆的先前车辆速度，速度差确定模块430可以确定在第一先前时间窗内的第二车辆的先前瞬时速度的平均值，作为在第一先前时间窗内的第二车辆的先前车辆速度。可选地，速度差确定模块430可以通过将在第一先前时间窗内的第二车辆的行驶距离除以第一先前时间窗，来确定先前车辆速度。
在一些实施例中，确定先前车辆速度之前，速度差确定模块430可以预处理在第一先前时间窗内的至少两个先前瞬时速度，以发现至少两个先前瞬时速度中的误差或不一致性，确保该至少两个先前瞬时速度的完整性和准确度。如果验证、断定或确定这种错误或不一致性可能很高，则可以通过例如修改、替换或忽略来预处理速度。
例如，如果速度差确定模块430检测到在一个先前时间点处的一个车辆的先前瞬时速度是-1km/h，则速度差确定模块430可以确定与先前瞬时速度-1km/h相邻的该车辆的先前瞬时速度(例如，紧接先前瞬时速度-1km/h之前和之后的该车辆的10个先前瞬时速度)的平均值。速度差确定模块430可忽略-1km/h的先前瞬时速度或使用该平均值来替换-1km/h的先前瞬时速度。
又例如，对于在某路段的一个车辆的先前瞬时速度，如果速度差确定模块430检测到存在等于0的先前瞬时速度，则速度差确定模块430可以检查其它车辆的其他先前瞬时速度，这些先前瞬时速度与先前瞬时速度为0的时间点相似。如果其他先前瞬时速度中的大多数(例如，大于90％)等于0，则速度差确定模块430可以确定先前瞬时速度为0是由交通拥堵引起的，并且确定先前的瞬时速度为0是正常数据。如果其他先前瞬时速度中的少数(例如，小于5％)等于0，则速度差确定模块430可以确定先前的瞬时速度为0是由违规或错误测量引起的，并且确定先前的瞬时速度为0是异常数据。速度差确定模块430可以确定该路段中该车辆的非零先前瞬时速度的平均值。速度差确定模块430可以忽略为0的先前瞬时速度，或使用该平均值来代替为0的先前的瞬时速度。
速度差确定模块430可以通过确定在第一先前时间窗内通过第一路段的车辆的先前车辆速度的算术或加权平均值，来确定在第一先前时间窗内的第一路段的第一先前路段速度。
在620中，速度差确定模块430(或处理引擎112、和/或处理电路210-b)可以确定至少两个先前速度差，该至少两个先前速度差中的每一个为相同的路段的先前路段速度中的其中两个之间的差值。
在一些实施例中，可以将所述至少两个先前速度差划分为至少两个样本组。每个样本组中的先前速度差可以对应于一个先前时间段(例如，30分钟、1小时)和不同路段。对应于一个先前时间段的样本组可以包括该先前时间段内的最后一个先前时间窗的先前车辆速度与该先前时间段内的其他先前时间窗的先前车辆速度之间的先前速度差。例如，上午10:00至上午10:30的先前时间段可以包括6个先前时间窗，例如上午10:00至上午10:05、上午10:05至上午10:10、上午10:10至上午10:15、上午10:15至上午10:20、上午10:20至上午10:25、上午10:25至上午10:30。对应于先前时间段上午10:00到10:30的样本组可以包括在上午10:25至上午10:30的先前车辆速度分别与在其他5个先前时间窗的先前车辆速度的先前速度差。在一些实施例中，至少两个样本组的先前时间段可以覆盖或基本上覆盖一天的24小时。
在630中，速度差确定模块430(或处理引擎112，和/或处理电路210-b)可以用至少两个先前速度差训练初始预测模型以生成训练后的预测模型。在一些实施例中，至少两个样本组的时间信息也可用于训练初始预测模型。样本组的时间信息可以包括对应于样本组的先前时间段的日期、对应于样本组的先前时间段的天气、对应于样本组的先前时间段是否是高峰时间等，或其任何组合。
在一些实施例中，训练后的预测模型可以适用于任何路段，可以估计在任何两个时间点之间并具有任何持续时间的速度差。
在一些实施例中，速度差确定模块430可以使用在第二先前时间窗内的至少两个第二路段的至少两个第二先前路段速度，来测试训练后的预测模型的准确性。第二先前路段速度可以与第一先前路段速度不同。第二路段可以与第一路段相同或不同。第二先前时间窗可以与第一先前时间窗不同。例如，第一先前时间窗可以在上周内，并且第二先前时间窗可以在上周前。速度差确定模块430可以将第二先前路段速度和测试时间段(例如，30分钟、1小时等)输入到训练后的预测模型。训练后的预测模型可以输出测试时间段中的测试速度差。速度差确定模块430可以基于第二先前路段速度，确定测试时间段中的真实速度差。速度差确定模块430可以确定测试速度差与真实速度差之间的平均绝对误差(MeanAbsolute Error，MAE)。平均绝对误差越大，训练后的预测模型可能越精确。如果平均绝对误差小于阈值，则速度差确定模块430可以输出训练后的预测模型。如果平均绝对误差大于或等于阈值，则速度差确定模块430可以再次训练初始预测模型。
图7是根据本申请的一些实施例所示的对应不同路段的路段速度的样本数量分布的示例性示意图。如图7所示，横轴表示路段速度，纵轴表示路段速度对应的样本数量。如图7所示，高路段速度(例如，80-120km/h)和低路段速度(例如，0-10km/h)对应的样本数量相对较少。如果通过直接使用这些路段速度训练初始预测模型而生成训练预测模型，由于高路段速度(例如，80-120km/h)和低路段速度(例如，0-10km/h)对应的样本数量不足，得到的训练预测模型的准确性会降低。另外，如果通过直接使用这些路段速度训练初始预测模型而生成训练预测模型，会需要大量的特征(例如，与不同路段相关的特征)。因此，由于不同路段的路段速度的波动以及特征值的剧烈变化，直接使用这些路段速度训练初始预测模型的方法可能无法提供准确和/或有效的机器学习模型。
图8是根据本申请的一些实施例所示的对应不同路段的速度差的样本数量分布的示例性示意图。如图8所示，横轴表示速度差，纵轴表示速度差对应的样本数量。如图8所示，不同路段的速度差作为整体可以在0附近波动。当训练初始预测模型时，可以忽略路段的特征，因为速度差可以减小不同路段的路段速度的差异和不同路段的差异。因此，使用速度差训练初始预测模型可以提高训练后的预测模型的准确性和效率。
例如，图9是根据本申请的一些实施例所示的两种路段的路段速度分布的示例性示意图。如图9所示，横轴表示时间窗，纵轴表示路段速度。曲线910表示第一类路段对应20个时间窗的路段速度的分布。曲线920表示第二类路段对应所述相同的20个时间窗的路段速度的分布。如图9所示，第一类路段的路段速度相对较大(例如，在50-60km/h的范围内)，第二类路段的路段速度相对较小(例如，在10-20km/h的范围内)。如果通过直接使用这些路段速度训练初始预测模型而生成训练预测模型，训练初始预测模型时会需要与路段类型相关的特征(例如，高速路段、限速路段等)。
图10是根据本申请的一些实施例所示的两种路段的速度差分布的示例性示意图。对于图9中的每个路段速度，可以确定所述路段速度与相同路段的另一个路段速度(例如，对应时间窗20的路段速度)的差值。如图10所示，横轴表示时间窗，纵轴表示速度差。曲线1010表示第一类路段对应所述20个时间窗的速度差的分布。曲线1020表示第二类路段对应所述20个时间窗的速度差的分布。如图10所示，两种路段的速度差都落在相同的范围内(例如，-4–4km/h)。如果通过使用速度差训练初始预测模型而生成训练预测模型，路段类型特征的影响会降低，从而可以省略路段类型特征，达到特征降维的目的。
应该注意的是，以上描述仅出于说明性目的而提供，并不旨在限制本申请的范围。对于本领域技术人员而言，在本申请内容的指导下，可作出多种变形和修改。然而，这些变形和修改不会背离本申请的范围。例如，本申请中的过程600可以由其他设备执行，例如与速度预测***100通信的第三方设备或训练模块460。
上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述详细披露仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域普通技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修旨在由本申请提出，并且在本申请的示例性实施例的精神和范围内。
此外，某些术语已被用于描述本申请的实施例。例如术语“一实施例”、“一个实施例”和/或“一些实施例”，表示与它们相关的特定的特征、结构或特点是包含在本申请的至少一个实施例之中的。因此，应该强调并且应当理解，在本说明书的各个部分中对“一实施例”或“一个实施例”或“一个替代实施例”的两个或以上引用不一定都指代相同的实施例。此外，特定特征、结构或特点可以在本申请的一个或以上实施例中适当地组合。
此外，本领域技术人员将理解，本申请的各方面可以在许多可专利的类别或上下文中的任何一个中示出和描述，包括任何新的和有用的过程、机器、制造、物质组成或任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“***”。此外，本申请的各方面可以呈现为位于一个或以上计算机可读介质中的计算机程序产品的形式，该产品具有计算机可读程序编码。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如，该计算机程序编码可以嵌入在基带中或作为载波的一部分。此类传播讯号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至指令执行***、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF等，或任何合适的前述组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象程序设计如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，常规程序编程语言如"C"编程语言、Visual Basic、Fortran 2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其它编程语言。程序代码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机上运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算器连接，例如，局域网络(LAN)或广域网(WAN)，或连接至外部计算器(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，否则所述处理元素或序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (18)

1.一种速度预测方法，其特征在于，包括：
获取与在当前时间窗内通过目标路段的第一车辆相关的当前车辆速度；
基于所述当前车辆速度，确定在所述当前时间窗内，与所述目标路段相关的当前路段速度；
基于所述当前路段速度和训练后的预测模型，确定所述当前路段速度和未来时间窗内与所述目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成，其中，所述当前时间窗和所述未来时间窗由第一时间段分开；以及
基于所述预测速度差和所述当前路段速度，估计所述未来路段速度。
2.根据权利要求1所述的速度预测方法，其特征在于，根据以下操作得到所述训练后的预测模型：
获得先前时间窗内与至少两个路段相关的先前路段速度；
确定至少两个先前速度差，所述至少两个先前速度差的每一个为所述先前路段速度中的两个之间的差值；以及
用所述至少两个先前速度差训练初始预测模型，以生成所述训练后的预测模型。
3.根据权利要求2所述的速度预测方法，其特征在于，所述获得先前时间窗内与至少两个路段相关的先前路段速度，包括：
获得与在所述先前时间窗内通过所述至少两个路段的第二车辆相关的瞬时速度；
预处理所述瞬时速度；
基于所述预处理后的瞬时速度，确定在所述先前时间窗内，与所述第二车辆相关的先前车辆速度；以及
基于所述先前车辆速度，确定所述先前路段速度。
4.根据权利要求2所述的速度预测方法，其特征在于，所述用所述至少两个先前速度差训练所述初始预测模型，以生成所述训练后的预测模型，包括：
将所述至少两个先前速度差分为至少两个组；以及
分别基于所述至少两个组，训练所述初始预测模型，以生成所述训练后的预测模型。
5.根据权利要求4所述的速度预测方法，其特征在于，进一步根据以下操作得到所述训练后的预测模型：
确定与第二时间段相关的先前速度差，所述第二时间段紧接在当前时间点之前；以及
基于所述与第二时间段相关的先前速度差，更新所述训练后的预测模型的参数，所述参数用于确定与所述第一时间段相关的所述预测速度差。
6.根据权利要求1-5中任一项所述的速度预测方法，其特征在于，所述方法进一步包括：
预测所述目标路段在所述未来时间窗内是否拥塞。
7.根据权利要求6所述的速度预测方法，其特征在于，所述方法进一步包括：
将速度警报发送到与运输服务的用户相关联的用户设备，其中，所述用户可以选择是否在所述未来时间窗内通过所述目标路段。
8.根据权利要求7所述的速度预测方法，其特征在于，所述速度警报进一步包括询问所述用户选择通向所述目标路段的路线或选择绕开所述目标路段的路线。
9.一种速度预测***，其特征在于，包括：
车辆速度获取模块，用于获取与在当前时间窗内通过目标路段的第一车辆相关的当前车辆速度；
当前速度确定模块，用于基于所述当前车辆速度，确定在所述当前时间窗内，与所述目标路段相关的当前路段速度；
速度差确定模块，用于基于所述当前路段速度和训练后的预测模型，确定所述当前路段速度和未来时间窗内与所述目标路段相关的未来路段速度之间的预测速度差，所述训练后的预测模型基于先前速度差生成，其中，所述当前时间窗和所述未来时间窗由第一时间段分开；以及
未来速度估计模块，用于基于所述预测速度差和所述当前路段速度，估计所述未来路段速度。
10.根据权利要求9所述的速度预测***，其特征在于，还包括训练模块，所述训练模块用于执行以下操作得到所述训练后的预测模型：
获得先前时间窗内与至少两个路段相关的先前路段速度；
确定至少两个先前速度差，所述至少两个先前速度差的每一个为所述先前路段速度中的两个之间的差值；以及
用所述至少两个先前速度差训练初始预测模型，以生成所述训练后的预测模型。
11.根据权利要求10所述的速度预测***，其特征在于，所述训练模块还用于：
获得与在所述先前时间窗内通过所述至少两个路段的第二车辆相关的瞬时速度；
预处理所述瞬时速度；
基于所述预处理后的瞬时速度，确定在所述先前时间窗内，与所述第二车辆相关的先前车辆速度；以及
基于所述先前车辆速度，确定所述先前路段速度。
12.根据权利要求10所述的速度预测***，其特征在于，所述训练模块还用于：
将所述至少两个先前速度差分为至少两个组；以及
分别基于所述至少两个组，训练所述初始预测模型，以生成所述训练后的预测模型。
13.根据权利要求12所述的速度预测***，其特征在于，所述训练模块还用于：
确定与第二时间段相关的先前速度差，所述第二时间段紧接在当前时间点之前；以及
基于所述与第二时间段相关的先前速度差，更新所述训练后的预测模型的参数，所述参数用于确定与所述第一时间段相关的所述预测速度差。
14.根据权利要求9-13中任一项所述的速度预测***，其特征在于，所述***进一步包括：
应用模块，用于预测所述目标路段在所述未来时间窗内是否拥塞。
15.根据权利要求14所述的速度预测***，其特征在于，所述应用模块进一步用于将速度警报发送到与运输服务的用户相关联的用户设备，其中，所述用户可以选择是否在所述未来时间窗内通过所述目标路段。
16.根据权利要求15所述的速度预测***，其特征在于，所述速度警报进一步包括询问所述用户选择通向所述目标路段的路线或选择绕开所述目标路段的路线。
17.一种速度预测装置，其特征在于，包括至少一个存储介质以及至少一个处理器；
所述至少一个存储介质用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令以实现如权利要求1～8中任一项所述的速度预测方法。
18.一种计算机可读存储介质，所述存储介质存储有计算机指令，当所述计算机指令被处理器执行时，实现如权利要求1～8任一项所述的速度预测方法。
CN201811316498.7A 2018-11-07 2018-11-07 速度预测***和方法 Active CN110782652B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811316498.7A CN110782652B (zh) 2018-11-07 2018-11-07 速度预测***和方法
PCT/CN2018/114763 WO2020093357A1 (en) 2018-11-07 2018-11-09 Systems and methods for speed prediction
US17/093,542 US11004335B2 (en) 2018-11-07 2020-11-09 Systems and methods for speed prediction

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811316498.7A CN110782652B (zh) 2018-11-07 2018-11-07 速度预测***和方法

Publications (2)

Publication Number Publication Date
CN110782652A true CN110782652A (zh) 2020-02-11
CN110782652B CN110782652B (zh) 2020-10-16

Family

ID=69382817

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811316498.7A Active CN110782652B (zh) 2018-11-07 2018-11-07 速度预测***和方法

Country Status (3)

Country Link
US (1) US11004335B2 (zh)
CN (1) CN110782652B (zh)
WO (1) WO2020093357A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113299074A (zh) * 2021-04-28 2021-08-24 广州铁路职业技术学院（广州铁路机械学校） 一种基于分布式光纤监测汽车超速的方法
CN113971885A (zh) * 2020-07-06 2022-01-25 华为技术有限公司 车速预测的方法、装置及***

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220081208A (ko) * 2020-12-08 2022-06-15 현대자동차주식회사 차량 속도 예측 장치 및 차량 속도 예측 방법
CN113673756B (zh) * 2021-08-16 2024-06-07 一汽解放汽车有限公司 车辆的推荐车速确定方法、装置及计算机设备

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理***
CN101625796A (zh) * 2008-07-10 2010-01-13 现代自动车株式会社 交通信息的估计方法
CN102289936A (zh) * 2006-03-03 2011-12-21 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN102610092A (zh) * 2012-03-23 2012-07-25 天津大学 基于rbf神经网络城市道路速度预测方法
KR20150076307A (ko) * 2013-12-26 2015-07-07 건국대학교 산학협력단 Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템
US20160110654A1 (en) * 2012-11-09 2016-04-21 International Business Machines Corporation Statistical estimation of origin and destination points of trip using plurality of types of data sources
CN105679021A (zh) * 2016-02-02 2016-06-15 重庆云途交通科技有限公司 基于交通大数据的行程时间融合预测及查询方法
WO2017149356A1 (en) * 2016-03-02 2017-09-08 Hernandez Suarez Carlos Moises Method and system to forecast bus arrivals to any location within a bus route
CN107369318A (zh) * 2016-05-11 2017-11-21 杭州海康威视数字技术股份有限公司 一种速度预测方法及装置
DE102017010832A1 (de) * 2017-11-23 2018-05-09 Daimler Ag Verfahren zur Bewertung einer erkannten Geschwindigkeitsbegrenzung
CN108242147A (zh) * 2016-12-27 2018-07-03 杭州海康威视***技术有限公司 交通路况估计方法、装置及***
CN108269401A (zh) * 2018-01-30 2018-07-10 银江股份有限公司 一种基于数据驱动的高架桥交通拥堵预测方法
US20180286224A1 (en) * 2017-04-04 2018-10-04 Gregory Brodski System and method of traffic survey, traffic signal retiming and traffic control

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7912628B2 (en) * 2006-03-03 2011-03-22 Inrix, Inc. Determining road traffic conditions using data from multiple data sources
US8014936B2 (en) * 2006-03-03 2011-09-06 Inrix, Inc. Filtering road traffic condition data obtained from mobile data sources
US20070208498A1 (en) * 2006-03-03 2007-09-06 Inrix, Inc. Displaying road traffic condition information and user controls
WO2012138974A1 (en) * 2011-04-08 2012-10-11 Navteq B.V. Trend based predictive traffic
US9390622B2 (en) * 2013-04-16 2016-07-12 International Business Machines Corporation Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream
EP2853457B1 (en) * 2013-09-30 2019-11-27 Hitachi, Ltd. Method and apparatus for performing driving assistance
CN104680785B (zh) * 2013-11-28 2017-02-22 ***通信集团公司 一种路段交通状况确定方法及装置
CN103745106A (zh) 2014-01-10 2014-04-23 浙江银江研究院有限公司 一种短时交通流预测方法
US9536424B2 (en) 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
CN103903452B (zh) 2014-03-11 2015-10-07 东南大学 交通流短时预测方法
CN107111941A (zh) 2014-09-01 2017-08-29 韩国交通研究院 交通链路速度预测方法及用于其的装置
CN104269055A (zh) * 2014-09-24 2015-01-07 四川省交通科学研究所 基于时间序列的高速公路交通流量预测方法
CN104464304A (zh) 2014-12-25 2015-03-25 北京航空航天大学 一种基于路网特性的城市道路车辆行驶速度预测方法
US10055504B2 (en) * 2015-04-09 2018-08-21 International Business Machines Corporation Aggregation of traffic impact metrics
CN105389987B (zh) * 2015-12-03 2018-03-23 青岛海信网络科技股份有限公司 一种道路交通状况预测方法及装置
TWI619036B (zh) 2016-02-22 2018-03-21 財團法人資訊工業策進會 交通時間預測系統、交通時間預測方法以及交通模型建立方法
CN106448159B (zh) 2016-09-09 2018-11-02 蔡诚昊 一种基于动态交通信息的道路交通分级预警方法
CN107293118B (zh) * 2017-07-18 2020-10-20 扬州大学 一种交通速度动态区间短时预测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1434946A (zh) * 2000-07-21 2003-08-06 交通预测.Com公司 一种提供旅行时间预测的方法
CN102289936A (zh) * 2006-03-03 2011-12-21 因瑞克斯有限公司 使用来自移动数据源的数据估算道路交通状况
CN101488284A (zh) * 2008-01-16 2009-07-22 闵万里 道路交通状况即时预测的智能管理***
CN101625796A (zh) * 2008-07-10 2010-01-13 现代自动车株式会社 交通信息的估计方法
CN102610092A (zh) * 2012-03-23 2012-07-25 天津大学 基于rbf神经网络城市道路速度预测方法
US20160110654A1 (en) * 2012-11-09 2016-04-21 International Business Machines Corporation Statistical estimation of origin and destination points of trip using plurality of types of data sources
KR20150076307A (ko) * 2013-12-26 2015-07-07 건국대학교 산학협력단 Cctv 영상 분석을 이용한 교통 파라미터 추정 시스템
CN105679021A (zh) * 2016-02-02 2016-06-15 重庆云途交通科技有限公司 基于交通大数据的行程时间融合预测及查询方法
WO2017149356A1 (en) * 2016-03-02 2017-09-08 Hernandez Suarez Carlos Moises Method and system to forecast bus arrivals to any location within a bus route
CN107369318A (zh) * 2016-05-11 2017-11-21 杭州海康威视数字技术股份有限公司 一种速度预测方法及装置
CN108242147A (zh) * 2016-12-27 2018-07-03 杭州海康威视***技术有限公司 交通路况估计方法、装置及***
US20180286224A1 (en) * 2017-04-04 2018-10-04 Gregory Brodski System and method of traffic survey, traffic signal retiming and traffic control
DE102017010832A1 (de) * 2017-11-23 2018-05-09 Daimler Ag Verfahren zur Bewertung einer erkannten Geschwindigkeitsbegrenzung
CN108269401A (zh) * 2018-01-30 2018-07-10 银江股份有限公司 一种基于数据驱动的高架桥交通拥堵预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李琦: "基于多源数据的交通状态监测与预测方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113971885A (zh) * 2020-07-06 2022-01-25 华为技术有限公司 车速预测的方法、装置及***
CN113971885B (zh) * 2020-07-06 2023-03-03 华为技术有限公司 车速预测的方法、装置及***
CN113299074A (zh) * 2021-04-28 2021-08-24 广州铁路职业技术学院（广州铁路机械学校） 一种基于分布式光纤监测汽车超速的方法
CN113299074B (zh) * 2021-04-28 2022-07-12 广州铁路职业技术学院（广州铁路机械学校） 一种基于分布式光纤监测汽车超速的方法

Also Published As

Publication number Publication date
US11004335B2 (en) 2021-05-11
CN110782652B (zh) 2020-10-16
US20210090435A1 (en) 2021-03-25
WO2020093357A1 (en) 2020-05-14

Similar Documents

Publication Publication Date Title
CN110050300B (zh) 交通拥堵监控***和方法
CN110782652B (zh) 速度预测***和方法
CN111656140B (zh) 预测交通事故发生地的人工智能***和方法
US11017662B2 (en) Systems and methods for determining a path of a moving device
AU2017411519B2 (en) Systems and methods for determining an estimated time of arrival
CN110998239B (zh) 用于确定地图中的新路径的***和方法
WO2021012342A1 (en) Systems and methods for traffic prediction
CN109313036B (zh) 路线规划的***及方法
JP7047096B2 (ja) オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法
CN111507732B (zh) 用于识别相似轨迹的***和方法
US20180091950A1 (en) Systems and methods for predicting service time point
WO2019223745A1 (en) Methods and systems for informing a user of carpooling information
US20200141741A1 (en) Systems and methods for determining recommended information of a service request
US20210049523A1 (en) Systems and methods for predicting destination in online to offline service
CN110800030B (zh) 用于拼车服务的方法和***
CN110781412B (zh) 用于识别路网中孤岛区域的***和方法
CN110651305B (zh) 车辆价值评估的***和方法
CN111385340A (zh) 数据处理方法和***
WO2020093351A1 (en) Systems and methods for identifying a road feature
WO2022126354A1 (en) Systems and methods for obtaining estimated time of arrival in online to offline services
CN111587429B (zh) 用于关联数据集的***和方法
US20230230472A1 (en) Method and apparatus for road segment traffic tendency determinations
CN110832811A (zh) 用于发送空间数据的***和方法

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
TA01 Transfer of patent application right

Effective date of registration: 20200806

Address after: Room 201, 2 / F, building 3, yard 29, Dongbei Wangnan Road, Haidian District, Beijing 100193

Applicant after: Ditu (Beijing) Technology Co.,Ltd.

Address before: 100193 building 34, 8 West Road, Northeast Road, Haidian District, Beijing.

Applicant before: BEIJING DIDI INFINITY TECHNOLOGY AND DEVELOPMENT Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant