CN114596709B - 数据处理方法、装置、设备以及存储介质 - Google Patents
数据处理方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN114596709B CN114596709B CN202210266189.3A CN202210266189A CN114596709B CN 114596709 B CN114596709 B CN 114596709B CN 202210266189 A CN202210266189 A CN 202210266189A CN 114596709 B CN114596709 B CN 114596709B
- Authority
- CN
- China
- Prior art keywords
- road
- speed
- road section
- adjacent
- sections
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 72
- 230000008859 change Effects 0.000 claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000034 method Methods 0.000 claims description 25
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种数据处理方法、装置、设备以及存储介质。涉及数据处理技术领域，具体涉及智能交通、智能导航等人工智能领域。具体实现方案为：获取路段组的多个路段的速度特征向量；根据多个路段的速度特征向量，得到路段组的速度特征向量；根据路段组的速度特征向量，确定路段组的道路变化信息。根据本公开的技术方案，能提高道路信息变化的识别效率。
Description
技术领域
本公开涉及数据处理技术领域，具体涉及智能交通、智能导航等人工智能领域。
背景技术
随着交通路网的复杂化，道路信息的采集、更新的效率直接影响电子地图导航的准确性。实际应用中，道路信息的变化主要体现在测速电子眼、限速标牌等限速类要素的添加或变更。相关技术中，道路信息变化的识别效率低。
发明内容
本公开提供了一种数据处理方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种数据处理方法，包括：
获取路段组的多个路段的速度特征向量；
根据多个路段的速度特征向量，得到路段组的速度特征向量；
根据路段组的速度特征向量，确定路段组的道路变化信息。
根据本公开的第二方面，提供了一种数据处理装置，包括：
获取模块，用于获取路段组的多个路段的速度特征向量；
第一确定模块，用于根据多个路段的速度特征向量，得到路段组的速度特征向量；
第二确定模块，用于根据路段组的速度特征向量，确定路段组的道路变化信息。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述第一方面所提供的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行上述第一方面所提供的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述第一方面所提供的方法。
本公开实施例，能够提高道路信息变化的识别效率。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的数据处理方法的流程示意图；
图2是根据本公开实施例的路段组的示意图；
图3是根据本公开实施例的路段组的速度特征向量示意图；
图4是根据本公开实施例的对道路信息进行监测的流程示意图；
图5是根据本公开实施例的基于时序卷积网络的预测模型；
图6是根据本公开实施例的数据处理装置的示意图一；
图7是根据本公开实施例的数据处理装置的示意图二；
图8是根据本公开实施例的数据处理场景示意图；
图9是用来实现本公开实施例的数据处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开的说明书实施例和权利要求书及上述附图中的术语"第一"、"第二"和"第三"等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语"包括"和"具有"以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元。方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在对本公开实施例的技术方案进行介绍之前，先对本公开可能使用到的技术术语做进一步说明：
1)高速道路(Road)：是全国范围的骨干道路网，连接城市与城市之间的全封闭道路。比如，京港澳高速(G4)为一条高速道路，全长2285km。
2)路段组(Segments或Segment Group)：以高速道路的主站或收费站为节点，将一条高速道路划分成多个路段组，每一路段组包含多条路段。比如，将一条高速道路划分成50～100km不等的路段组，每一路段组包含多条路段50～100个。
3)路段(Segment)：是导航电子地图中道路的基本表达单元；长度通常在在100m～2000m不等，也是车辆轨迹速度计算的单位。
本公开提供了一种数据处理方法，该数据处理方法可以应用于电子设备。该电子设备包括但不限于固定设备和/或移动设备，例如，固定设备包括但不限于服务器，服务器可以是云服务器或普通服务器。例如，移动设备包括但不限于车载终端、导航设备、手机、平板电脑等。如图1所示，该数据处理方法包括：
S101，获取路段组的多个路段的速度特征向量；
S102，根据多个路段的速度特征向量，得到路段组的速度特征向量；
S103，根据路段组的速度特征向量，确定路段组的道路变化信息。
本公开实施例中，路段组是由多个路段组成的。
在一些实施方式中，路段组以道路如高速道路上相邻收费站为起点和终点。这里的收费站可以是道路上满足一定条件的收费站。比如，地处行政级别大于一定级别阈值的收费站。又比如，车流量大于一定车流量阈值的收费站。
在另一些实施方式中，路段组还可以道路如高速道路上的相邻服务区为起点和终点。这里的服务区可以是道路上满足一定条件的服务区。比如，地处行政级别大于一定级别阈值的服务区。又比如，车流量大于一定车流量阈值的服务区。
在又一些实施方式中，路段组还可以按照监测需求设定。该划分需求包括但不限于预监测的道路区域、划分精度、监测精度等。
图2示出了路段组的示意图，如图2所示，将收费站A与收费站B之间的道路记为一个路段组，该路段组分成路段1、路段2、路段3、路段4和路段5共五个路段。
需要说明的是，不同路段组包括的路段的数量可以相同，也可以不同。同一路段组包括的多个路段中，不同路段的长度可以相同，也可以不同。
本公开实施例中，每个路段的速度特征向量，根据在该路段上的车辆行驶轨迹而确定。
本公开实施例中，路段组中每个路段的速度特征向量采用一个大小为(1，M)的向量来表达，M为预设的时间切片的数量。
举例来说，若取时间切片尺度T＝15min，一天24小时被切分成96个时间片，则M＝96。
又举例来说，若取时间切片尺度T＝30min，一天24小时被切分成48个时间片，则M＝48。
在一些实施方式中，根据路段组中N个路段的速度特征向量，拼接得到路段组的速度特征向量，路段组的速度特征向量采用(N，M)大小的向量来表达。
本公开实施例中，道路变化信息包括道路状态是否发生变化的信息。
本公开实施例中，道路状态包括因限速类要素引起的速度限制变化。限速类要素包括测速电子眼、限速标牌等。比如，道路变化信息包括但不限于道路上新安装了测速电子眼、新安装了限速标牌，道路上拆除了测速电子眼，道路上拆除了限速标牌，道路上的限速标牌的值发生了变化。
在一些实施方式中，道路变化信息可采用二分类值来表示，即道路变化信息的值为0，表示道路信息未发生变化；道路变化信息的值为1，表示道路信息发生变化。
在另一些实施方式中，道路变化信息可采用概率值来表示，具体可采用[0,1]范围内的数值来表示，即：道路变化信息的值为0，表示道路信息未发生变化；道路变化信息的值越趋近于1，表示道路信息发生变化的概率越大；道路变化信息的值等于1，表示道路信息发生变化的概率为100％。
本公开实施例的技术方案，获取路段组的多个路段的速度特征向量；根据多个路段的速度特征向量，得到路段组的速度特征向量；根据路段组的速度特征向量，确定路段组的道路变化信息；如此，由于根据路段组的速度特征向量确定道路变化信息，不仅满足了从空间上对相邻路段间速度变化的连续性的感知，还能满足从时间上对同一路段不同时刻的速度波动的关联性，从而能提升高速道路信息变化的发现能力，提升对道路信息变化的识别效率，进而有助于提高对电子地图上限速类要素的更新时效。
在一些实施例中，获取路段组的多个路段的速度特征向量，包括：
获取多个路段中每个路段的至少一条目标轨迹的位置信息和时间信息；
根据多个路段中每个路段的至少一条目标轨迹的位置信息和时间信息，得到多个路段的速度特征向量。
这里，每个路段可对应多个车辆行驶轨迹(简称轨迹)，目标轨迹是行驶速度满足预设速度阈值的车辆行驶轨迹。若预设速度阈值为[vlow,vtop]，则行驶速度低于vlow或高于vtop的车辆行驶轨迹判定为异常轨迹；行驶速度在[vlow,vtop]范围内的车辆行驶轨迹判定为正常轨迹。vlow和vtop均可根据实际情况如道路的车道数或事故发生概率等因素进行设定或调整。
为了更准确地获取每个路段的速度特征向量，在获取每个路段的速度特征向量之前，先根据预先设定的过滤规则过滤掉路段中的异常轨迹，比如，过滤规则为：过滤掉速度大于130km/h的轨迹。再比如，过滤规则为：过滤掉特定车辆的轨迹该特征车辆包括救护车、救火车等执行一定任务的车辆。
下面，对如何确定每个目标轨迹的速度进行描述。一个路段会有多条轨迹经过，对每一条目标轨迹，获取目标轨迹落在该路段的第一个点(x1,y1,t1)和最后一个点(x2,y2,t2)，每个目标轨迹的速度计算公式如公式(1)所示：
其中，S(x1,y1,x2,y2)表示两点的球面距离，t2-t1表示两点的时间间隔；x1表示该目标轨迹在该路段的第一点的经度，y1表示该目标轨迹在该路段的第一点的维度，t1表示该目标轨迹在该路段的第一点对应的时间；x2表示该目标轨迹在该路段的最后一个点的经度，y2表示该目标轨迹在该路段的最后一个点的维度，t2表示该目标轨迹在该路段的最后一个点的时间。
路段s在某一天d的第t个时间切片的速度，取该时段内目标轨迹的速度平均值，记作若取时间切片尺度T＝15min，一天24小时被切分成96个时间片，则/>可以使用一个大小为(1，96)的向量来表达，每个维度的值即速度平均值。若一个路段组由N条路段组成，则一个路段组在某一天d的速度向量可以由N个路段的速度向量/>拼接起来，记作vN。路段组的速度特征向量表达示例如图3所示，在图3中，颜色的深浅表示速度的大小，颜色越浅表示速度越大，颜色越深表示速度越小。
如此，能够充分利用道路的路段时空拓扑信息的速度变化，来监测道路信息的变化，提升对道路信息变化的识别效果。
在一些实施例中，上述数据处理方法还可以包括：
在道路变化信息为道路状态发生变化的情况下，下发针对路段组的采集任务。在道路变化信息为道路状态未发生变化的情况下，不下发针对路段组的采集任务。
其中，采集任务包括路段组的标识信息。不同路段组对应不同的标识信息。进一步地，采集任务还可包括采集时间、采集次数、采集对象、采集结果上报时间等信息。这里的采集对象包括限速类要素。
在一些实施方式中，将针对路段组的采集任务下发至采集车，以由采集车采集路段组的道路信息。
需要说明的是，一辆采集车可采集多个路段组的道路信息。
如此，在预测出当前路段组的道路信息发生变化的情况下，及时下发采集任务，能够便于采集车有针对性地对当前路段组的道路信息进行采集，从而有助于提高电子地图上限速类要素的更新时效。
在一些实施例中，上述数据处理方法还可以包括：
接收基于采集任务返回的道路数据；
基于道路数据生成路段组的电子地图数据。
这里，道路数据包括限速类要素的图像数据。
如此，能够根据采集车采集到的道路数据，进行道路信息变化核实与地图更新制作，从而有助于提高电子地图上限速类要素的更新时效。
在一些实施例中，上述数据处理方法还可以包括：
从路段组的多个路段中确定至少一个目标路段；
其中，下发针对路段组的采集任务，包括：
下发针对路段组的至少一个目标路段的采集任务。
这里，目标路段可以是路段组的多个路段中的随机路段，也可以是路段组中道路信息变化满足一定条件的路段。这里，一定条件可以理解为道路速度变化的持续时间达到一定阈值，一定条件还可以理解为道路速度变化的程度达到一定阈值。
如此，通过向采集车下发针对路段组的至少一个目标路段的采集任务，能减少采集车的采集任务量，提高采集车的采集效率，从而有助于提高电子地图上限速类要素的更新时效。
在一些实施例中，从路段组的多个路段中确定至少一个目标路段，包括：
根据多个路段在第一时间范围内的速度以及第二时间范围内的平均速度，确定多个路段的速度变化差值，第二时间范围的持续时长大于第一时间范围的持续时长；
将多个路段中速度变化差值大于预设阈值的路段确定为目标路段。
在一些实施方式中，第二时间范围与第一时间范围可存在时间段交叉，比如，第二时间范围包括第一时间范围，即第一时间范围位于第二时间范围内，第一时间范围是第二时间范围的一部分；又比如，第二时间范围与第一时间范围存在共同的时间部分，即第二时间范围的尾部时间段作为第一时间范围的起始时间段。
在另一些实施方式中，第二时间范围与第一时间范围不存在时间段交叉，比如，第二时间范围的结束时间点是第一时间范围的起始时间点，又比如，第二时间范围的结束时间点与第一时间范围的起始时间点之间存在一定的时间差。
举例来说，设当天的速度特征向量为前K天时间窗口内速度特征向量为计算路段组中每一路段的在时间窗口K内的平均速度与当天速度的变化差值百分比，按降序排列后，根据速度变化阈值参数选取变化差值大的部分路段，作为目标路段。或者，根据速度变化阈值参数与采集资源预算选取变化差值大的部分路段，作为目标路段。
如此，能够从预测为异常的路段组中，筛选出异常比例高的部分路段，不仅减少采集车的采集工作量，还能提高采集车的采集效率，从而有助于提高电子地图上限速类要素的更新时效。
图4示出了对道路信息进行监测的流程示意图，如图4所示，该流程包括：
S401，获取路段组的多个路段的速度特征向量；
S402，根据路段组的多个路段的速度特征向量，确定路段组的速度特征向量；
S403，将路段组的速度特征向量输入预测模型，得到预测模型输出的表征路段组的道路状态的预测值；
S404，对于预测值为1的路段组，筛选出该路段组中的部分路段，对部分路段进行监测。
其中，预测值为1表示道路状态异常，即表示道路信息发生变化。预测值为0表示道路状态正常，即表示道路信息未发生变化。
这里，预测模型是预先训练好的模型，该预测模型能根据输入路段组的速度特征向量，输出预测值。
其中，预测模型可以是一个端到端的二分类模型，该预测模型可基于卷积网络训练得到。
假设给定一个序列输入x1,x2,…,xi…,xt，其中，xi为一个路段组的速度特征向量vN，期望的目标输出yt表示该时刻道路状态是否有显著速度变化。该预测模型可用如下公式(2)表示：
yt＝f(xl，x2，...，xt) (2)
其中，一个路段组每一个t时间段的输出yt只有一个(0或者1)，和它过去1～t的时空特征x1,x2,…,xt有关。
图5示出了基于时序卷积网络的预测模型，如图5所示，该预测模型主要包含两部分：
1)使用时序卷积网络提取每一样本的速度时序变化特征；一个实心填充圆表示一个样本在第d天的特征向量，一个米状填充圆表示该样本在第d天的时序特征编码结果。
2)将时序特征编码输入到全连接层，并经过sigmoid函数映射为二分类结果。
该预测模型的训练过程包括：
a)收集样本
样本特征向量X从采集车的车载轨迹获得，按前文进行数据预处理获得速度特征向量即可；样本标签y(y＝0,1)从采集车第t1天与第t2天两次采集图像作业结果，用户原创内容(User Generated Content，UGC)信息上报等多个数据源获得。如果在第t天某一路段组有过道路限速要素新增操作、道路UGC情报(核实正确)等反馈，且t1<t<t2，则将第t天的样本标签标注为1，否则标注为0。
b)数据建模使用离线数据集，应用图5中的模型结构，得到训练好的模型，即获得公式(2)中的模型参数值。
可以理解，预测模型的训练方式包括但不限于上述方式，凡是能够训练得到二分类模型的方式，均可作为预测模型的训练方式。
应理解，图5所示的模型图仅仅是示意性的，本领域技术人员可以基于图5的例子进行各种显而易见的变化和/或替换，得到的技术方案仍属于本公开实施例的公开范围。
本公开实施例提供了一种数据处理装置，如图6所示，该数据处理装装置可以包括：
获取模块610，用于获取路段组的多个路段的速度特征向量；
第一确定模块620，用于根据多个路段的速度特征向量，得到路段组的速度特征向量；
第二确定模块630，用于根据路段组的速度特征向量，确定路段组的道路变化信息。
在一些实施例中，该获取模块610，用于：
获取多个路段中每个路段的至少一条目标轨迹的位置信息和时间信息；
根据多个路段中每个路段的至少一条目标轨迹的位置信息和时间信息，得到多个路段的速度特征向量。
在一些实施例中，如图7所示，上述数据处理装置还可以包括：
下发模块640，用于在道路变化信息为道路状态发生变化的情况下，下发针对路段组的采集任务。
在一些实施例中，如图7所示，上述数据处理装置还可以包括：
接收模块650，用于接收基于采集任务返回的道路数据；
生成模块660，用于基于道路数据生成路段组的电子地图数据。
在一些实施例中，如图7所示，上述数据处理装置还可以包括：
第三确定模块670，用于从路段组的多个路段中确定至少一个目标路段。对应地，该下发模块640，还用于：下发针对路段组的至少一个目标路段的采集任务。
在一些实施例中，该第三确定模块670，具体用于：
根据多个路段在第一时间范围内的速度以及在第二时间范围内的平均速度，确定多个路段的速度变化差值，第二时间范围的持续时长大于第一时间范围的持续时长；
将多个路段中速度变化差值大于预设阈值的路段确定为目标路段。
本领域技术人员应当理解，本公开实施例的数据处理装置中各处理模块的功能，可参照前述的数据处理方法的相关描述而理解，本公开实施例的数据处理装置中各处理模块，可通过实现本公开实施例所述的功能的模拟电路而实现，也可以通过执行本公开实施例所述的功能的软件在电子设备上的运行而实现。
本公开实施例的数据处理装置，能提升高速道路信息变化的发现能力，提升对道路信息变化的识别效率，进而提高对电子地图上限速类要素的更新时效。
本公开实施例还提供了一种数据处理的场景示意图，如图8所示，电子设备如云服务器负责接收终端设备发送的路段组及路段组划分信息，采集资源预算及速度阈值变化参数；电子设备还负责接收采集车的车辆行驶轨迹信息，基于车辆行驶轨迹信息收集样本数据，并基于采集资源预算及速度阈值变化参数生成预测模型。电子设备还负责获取路段组的多个路段的速度特征向量；根据多个路段的速度特征向量，得到路段组的速度特征向量；根据路段组的速度特征向量，确定路段组的道路变化信息；在道路变化信息为道路状态发生变化的情况下，向采集车下发针对路段组的采集任务。电子设备还负责接收基于采集任务返回的道路数据；基于道路数据生成路段组的电子地图数据。电子设备还负责向人工驾驶车辆或自动驾驶车辆发送电子导航数据。这样，对道路速度变化的识别效果更好，使得限速类要素的更新时效更高、覆盖更全面，并应用到导航电子地图限速类要素的高效更新中，进而能提供更准确的电子导航，保障了驾驶安全，也有助于提升用户的驾驶体验。
本公开不对采集车、车辆、终端设备和电子设备的个数进行限定，实际应用中可包括多个采集车、多个车辆、多个终端设备、多个电子设备。
需要说明的是，本公开的数据处理方法不是针对某一特定用户的人头模型，并不能反映出某一特定用户的个人信息。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(Read-OnlyMemory，ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RandomAccess Memory，RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(Input/Output，I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、各种专用的人工智能(ArtificialIntelligence，AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(Digital Signal Processor，DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如数据处理方法。例如，在一些实施例中，数据处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的数据处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行数据处理方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(Field Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(Application-Specific Standard Products，ASSP)、芯片上***的***(System on Chip，SOC)、负载可编程逻辑设备(Complex Programmable Logic Device，CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、快闪存储器、光纤、便捷式紧凑盘只读存储器(Compact Disk Read Only Memory，CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管(Cathode Ray Tube，CRT)或者液晶显示器(Liquid Crystal Display，LCD)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端和服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式***的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (8)
1.一种数据处理方法，包括：
获取需要监测的路段组的多个相邻路段的速度特征向量，其中，道路预先按照划分需求被分成至少一个路段组，所述路段组被分成多个路段，根据预设的时间切片，得到所述多个相邻路段中每个路段的所述速度特征向量,其中，所述速度特征向量根据每个路段的至少一条目标轨迹的位置信息和时间信息得到；
根据所述多个相邻路段的速度特征向量，拼接得到所述路段组的速度特征向量；
根据所述路段组的速度特征向量，确定所述路段组的道路变化信息；
在所述道路变化信息为道路状态发生变化的情况下，从所述路段组的所述多个相邻路段中确定至少一个目标路段，包括：根据所述多个相邻路段在第一时间范围内的速度以及第二时间范围内的平均速度，确定所述多个相邻路段的速度变化差值，所述第二时间范围的持续时长大于所述第一时间范围的持续时长，将所述多个相邻路段中所述速度变化差值大于预设阈值的路段确定为所述目标路段；下发针对所述路段组的所述至少一个目标路段的采集任务。
2.根据权利要求1所述的方法，其中，所述获取需要监测的路段组的多个相邻路段的速度特征向量，包括：
获取所述多个相邻路段中每个路段的至少一条目标轨迹的位置信息和时间信息；
根据所述多个相邻路段中每个路段的至少一条目标轨迹的位置信息和时间信息，得到所述多个相邻路段的速度特征向量。
3.根据权利要求1所述的方法，还包括：
接收基于所述采集任务返回的道路数据；
基于所述道路数据生成所述路段组的电子地图数据。
4.一种数据处理装置，包括：
获取模块，用于获取需要监测的路段组的多个相邻路段的速度特征向量，其中，道路预先按照划分需求被分成至少一个路段组，所述路段组被分成多个路段，根据预设的时间切片，得到所述多个相邻路段中每个路段的所述速度特征向量,其中，所述速度特征向量根据每个路段的至少一条目标轨迹的位置信息和时间信息得到；
第一确定模块，用于根据所述多个相邻路段的速度特征向量，拼接得到所述路段组的速度特征向量；
第二确定模块，用于根据所述路段组的速度特征向量，确定所述路段组的道路变化信息；
第三确定模块，用于在所述道路变化信息为道路状态发生变化的情况下，所述第三确定模块从所述路段组的所述多个相邻路段中确定至少一个目标路段，包括：根据所述多个相邻路段在第一时间范围内的速度以及第二时间范围内的平均速度，确定所述多个相邻路段的速度变化差值，所述第二时间范围的持续时长大于所述第一时间范围的持续时长，将所述多个相邻路段中所述速度变化差值大于预设阈值的路段确定为所述目标路段；
下发模块，用于在所述道路变化信息为道路状态发生变化的情况下，下发针对所述路段组的所述至少一个目标路段的采集任务。
5.根据权利要求4所述的装置，其中，所述获取模块，用于：
获取所述多个相邻路段中每个路段的至少一条目标轨迹的位置信息和时间信息；
根据所述多个相邻路段中每个路段的至少一条目标轨迹的位置信息和时间信息，得到所述多个相邻路段的速度特征向量。
6.根据权利要求4所述的装置，还包括：
接收模块，用于接收基于所述采集任务返回的道路数据；
生成模块，用于基于所述道路数据生成所述路段组的电子地图数据。
7.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的方法。
8.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-3中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210266189.3A CN114596709B (zh) | 2022-03-15 | 2022-03-15 | 数据处理方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210266189.3A CN114596709B (zh) | 2022-03-15 | 2022-03-15 | 数据处理方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114596709A CN114596709A (zh) | 2022-06-07 |
| CN114596709B true CN114596709B (zh) | 2023-12-05 |
Family
ID=81820244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210266189.3A Active CN114596709B (zh) | 2022-03-15 | 2022-03-15 | 数据处理方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114596709B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953904B (zh) * | 2023-03-15 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速交通流速度稳定性分析方法、电子设备及其存储介质 |
| CN117271918B (zh) * | 2023-11-06 | 2024-03-08 | 腾讯科技（深圳）有限公司 | 信息处理方法、装置、设备、介质及产品 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067902A (zh) * | 2006-11-30 | 2007-11-07 | 上海交通大学 | 交通流状态分析所需的探测车采样量的获取方法 |
| CN102568208A (zh) * | 2012-02-07 | 2012-07-11 | 福建工程学院 | 基于浮动车技术的路段限速信息识别方法 |
| CN110796854A (zh) * | 2019-08-15 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种校验道路限速值的方法及相关装置 |
| CN112950937A (zh) * | 2021-02-05 | 2021-06-11 | 北京中交兴路信息科技有限公司 | 基于车辆轨迹预测道路限速值的方法、装置、设备及介质 |
| CN113393011A (zh) * | 2020-03-13 | 2021-09-14 | 百度在线网络技术（北京）有限公司 | 预测限速信息的方法、装置、计算机设备和介质 |
-
2022
- 2022-03-15 CN CN202210266189.3A patent/CN114596709B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101067902A (zh) * | 2006-11-30 | 2007-11-07 | 上海交通大学 | 交通流状态分析所需的探测车采样量的获取方法 |
| CN102568208A (zh) * | 2012-02-07 | 2012-07-11 | 福建工程学院 | 基于浮动车技术的路段限速信息识别方法 |
| CN110796854A (zh) * | 2019-08-15 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 一种校验道路限速值的方法及相关装置 |
| CN113393011A (zh) * | 2020-03-13 | 2021-09-14 | 百度在线网络技术（北京）有限公司 | 预测限速信息的方法、装置、计算机设备和介质 |
| CN112950937A (zh) * | 2021-02-05 | 2021-06-11 | 北京中交兴路信息科技有限公司 | 基于车辆轨迹预测道路限速值的方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114596709A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109754594B (zh) | 一种路况信息获取方法及其设备、存储介质、终端 | |
| CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
| KR102618445B1 (ko) | 도로 상황 예측 방법, 도로 상황 예측 모델을 구축하는 방법, 대응되는 장치, 전자 기기, 저장 매체 및 컴퓨터 프로그램 제품 | |
| CN110782120B (zh) | 一种交通流模型的评测方法、***、设备及介质 | |
| CN110807924A (zh) | 基于全量全样实时交通数据的多参数融合方法及*** | |
| JP7292355B2 (ja) | 車両整列情報を特定する方法及び装置、電子機器、路側機器、クラウド制御プラットフォーム、記憶媒体並びにコンピュータプログラム製品 | |
| CN111291916B (zh) | 驾驶行为安全性预测方法、装置、电子设备及存储介质 | |
| CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
| CN114187412B (zh) | 高精地图生成方法、装置、电子设备及存储介质 | |
| CN114140300A (zh) | 基于gps数据识别车辆停靠点方法、装置、存储介质及终端 | |
| CN112434260A (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
| CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
| CN112559371A (zh) | 一种自动驾驶测试方法、装置及电子设备 | |
| CN111862583B (zh) | 一种车流量预测方法及装置 | |
| CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
| CN113344277B (zh) | 预测模型训练方法、状态更新方法、装置、设备和介质 | |
| CN113284369B (zh) | 一种基于ads-b实测航路数据的预测方法 | |
| CN113821579A (zh) | 路线的生成方法、装置、电子设备和存储器 | |
| CN115330067B (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
| EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
| CN114720148A (zh) | 车辆感知能力的确定方法、装置、设备及存储介质 | |
| CN114218504A (zh) | 阻断路段识别方法、装置、电子设备及存储介质 | |
| CN113344278A (zh) | 电量预测方法、装置、设备、存储介质和程序产品 | |
| CN113609956A (zh) | 训练方法、识别方法、装置、电子设备以及存储介质 | |
| CN113051490A (zh) | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 |
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 |