WO2017193556A1 - 一种速度预测方法及装置 - Google Patents

一种速度预测方法及装置 Download PDF

Info

Publication number
WO2017193556A1
WO2017193556A1 PCT/CN2016/104495 CN2016104495W WO2017193556A1 WO 2017193556 A1 WO2017193556 A1 WO 2017193556A1 CN 2016104495 W CN2016104495 W CN 2016104495W WO 2017193556 A1 WO2017193556 A1 WO 2017193556A1
Authority
WO
WIPO (PCT)
Prior art keywords
parameter information
traffic
influence parameter
time period
speed
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.)
Ceased
Application number
PCT/CN2016/104495
Other languages
English (en)
French (fr)
Inventor
徐宇垚
赵世范
王龙
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.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology 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 Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to EP16901511.2A priority Critical patent/EP3457378B1/en
Priority to US16/099,785 priority patent/US10872525B2/en
Publication of WO2017193556A1 publication Critical patent/WO2017193556A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • 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
    • 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
    • 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
    • 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

Definitions

  • the present application relates to the field of data processing technologies, and in particular, to a speed prediction method and apparatus.
  • the purpose of the embodiment of the present application is to provide a speed prediction method and device, which can predict the vehicle speed on a road segment.
  • the embodiment of the present application discloses a speed prediction method, and the method includes:
  • the traffic influence parameter information includes an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and an influence parameter of the special event on the traffic
  • Predicting the vehicle of the first road segment according to the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database The first speed corresponding to a time period.
  • the method may further include:
  • the method may further include:
  • the congestion level of the vehicle of the first road segment in the next time period is predicted according to the predicted speed of the vehicle of the first road segment in the next time period and the preset correspondence between each speed and the congestion level.
  • the process of obtaining the second speed corresponding to the vehicle of each second road segment in the current time period may include:
  • the average of the speeds of the mobile devices on the plurality of vehicles between the first base station and the second base station is used as the second speed corresponding to the vehicle of the second road segment in the current time period.
  • the determining the similarity between the traffic impact parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database may include:
  • the traffic influence parameter information includes an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and an influence parameter of the special event on the traffic
  • the determining the similarity between the traffic impact parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database may include:
  • W, H and E are respectively the influence parameters of the current weather on the traffic included in the traffic influence parameter information, the influence parameters of the current date attribute on the traffic, and the influence parameters of the special event on the traffic
  • W h , H h and E h is the influence parameter of historical weather on traffic included in historical traffic influence parameter information, the influence parameter of historical date attribute on traffic and the influence parameter of special event on traffic.
  • the determining the target historical traffic influence parameter information according to the determined similarity may include:
  • the historical traffic influence parameter information having the greatest similarity with the traffic influence parameter information is determined as the target historical traffic influence parameter information.
  • the determining the target historical traffic influence parameter information according to the determined similarity may include:
  • the at least two historical traffic influence parameter information whose similarity with the traffic influence parameter information is greater than the first preset threshold is determined as the target historical traffic influence parameter information.
  • the vehicle of the first road segment is predicted to be in a next time period according to a speed of a vehicle corresponding to a next time period of a time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database.
  • the corresponding first speed may include:
  • Predicting the first road segment according to the weight corresponding to each target historical traffic influence parameter information and the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database The vehicle corresponds to the first speed in the next time period.
  • the information according to the traffic influence parameter and the target historical traffic influence parameter information may include:
  • K is the number of target historical traffic influence parameter information
  • d i is the distance between the i-th target historical traffic influence parameter information and the traffic influence parameter information.
  • an embodiment of the present application further discloses a speed prediction apparatus, where the apparatus includes:
  • the first obtaining module is configured to obtain traffic influence parameter information of the first road segment in the current time period, where the traffic influence parameter information includes a current weather impact parameter, a current date attribute, a traffic impact parameter, and a special event. At least one of the parameters affecting traffic;
  • a first determining module configured to determine a similarity between the traffic influence parameter information and historical traffic influence parameter information of the first road segment stored in the historical traffic database
  • a second determining module configured to determine target historical traffic influence parameter information according to the similarity determined by the first determining module
  • a first prediction module configured to predict, according to the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database, the vehicle of the first road segment is next The first speed corresponding to the time period.
  • the device may further include:
  • An identification module configured to identify at least one second road segment that is within a second preset threshold from the first road segment
  • a second acquiring module configured to acquire a second speed corresponding to the current time period of the vehicle of each second road segment
  • a second prediction module configured to predict, according to the first speed and the second speed, a third speed corresponding to the vehicle of the first road segment in a next time period.
  • the device may further include:
  • a third determining module configured to predict, according to the predicted speed of the vehicle of the first road segment in the next time period, and the preset correspondence between each speed and the congestion level, predicting the vehicle of the first road segment in the next time period Congestion level.
  • the second acquiring module may include:
  • a calculation submodule configured to calculate a speed of the mobile device on the vehicle between the first base station and the second base station according to the obtained distance, the first time, and the second time obtained by the submodule; An average of speeds of the mobile devices on the plurality of vehicles between the first base station and the second base station is used as a second speed corresponding to the vehicle of the second road segment in the current time period.
  • the first determining module may include:
  • a first determining submodule configured to determine a target time period corresponding to the current time period in the historical traffic database
  • a second determining submodule configured to determine a similarity between the traffic impact parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database in the target time period.
  • the first determining module specifically Can be used for:
  • W, H and E are respectively the influence parameters of the current weather on the traffic included in the traffic influence parameter information, the influence parameters of the current date attribute on the traffic, and the influence parameters of the special event on the traffic
  • Wh, Hh and Eh respectively Historical weather affecting traffic included in historical traffic impact parameter information
  • the second determining module is specifically configured to:
  • the historical traffic influence parameter information having the greatest similarity with the traffic influence parameter information is determined as the target historical traffic influence parameter information.
  • the second determining module is specifically configured to:
  • the at least two historical traffic influence parameter information whose similarity with the traffic influence parameter information is greater than the first preset threshold is determined as the target historical traffic influence parameter information.
  • the first prediction module may include:
  • a third determining submodule configured to determine, according to the distance between the traffic influence parameter information and the target historical traffic influence parameter information, a weight corresponding to each target historical traffic influence parameter information
  • a prediction submodule configured to: according to a weight corresponding to each target historical traffic influence parameter information and a speed of the vehicle corresponding to a next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database, Predicting a first speed corresponding to the vehicle of the first road segment at a next time period.
  • the third determining submodule is specifically configured to:
  • K is the number of target historical traffic influence parameter information
  • d i is the distance between the i-th target historical traffic influence parameter information and the traffic influence parameter information.
  • an embodiment of the present application further discloses an electronic device, including: a housing, a processor, a memory, a circuit board, and a power supply circuit, wherein the circuit board is disposed inside the space enclosed by the housing, the processor and the The memory is disposed on the circuit board; the power circuit is configured to supply power to each circuit or device of the electronic device; the memory is used to store the executable program code; and the processor runs the executable program by reading the executable program code stored in the memory. Code corresponding to the program for execution The above speed prediction method.
  • an embodiment of the present application further discloses an executable program code for being executed to execute the above-described speed prediction method.
  • an embodiment of the present application further discloses a storage medium for storing executable program code for being executed to execute the above-described speed prediction method.
  • the traffic influence parameter information of the first road segment in the current time period is obtained, wherein the traffic influence parameter information includes an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and a special event pair. At least one of the influence parameters of the traffic; determining a similarity between the traffic influence parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database, and determining the target historical traffic according to the determined similarity Influencing the parameter information; predicting, according to the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database, predicting the vehicle of the first road segment to correspond to the next time period The first speed.
  • the embodiment shown in the present application according to at least one of the influence parameter of the traffic on the current weather, the influence parameter of the attribute of the current date on the traffic, and the influence parameter of the special event on the traffic, determining that the first road segment is currently The state of the time period closest to the historical state, according to the speed of the vehicle corresponding to the next time period in the closest historical state, predicting the speed of the vehicle in the first road segment in the next time period, and realizing the prediction of the vehicle speed on the road segment.
  • FIG. 1 is a schematic diagram of a first flow chart of a speed prediction method according to an embodiment of the present application
  • FIG. 2 is a second schematic flowchart of a speed prediction method according to an embodiment of the present application.
  • FIG. 3 is a schematic diagram of a third process of a speed prediction method according to an embodiment of the present application.
  • FIG. 4 is a schematic diagram of a first structure of a speed prediction apparatus according to an embodiment of the present application.
  • FIG. 5 is a schematic diagram of a second structure of a speed prediction apparatus according to an embodiment of the present application.
  • FIG. 6 is a third schematic structural diagram of a speed prediction apparatus according to an embodiment of the present application.
  • FIG. 7 is a schematic structural diagram of an electronic device according to an embodiment of the present application.
  • the embodiment of the present application provides a speed prediction method and apparatus, which can be applied to a computer, a single chip microcomputer, an integrated circuit, or a microprocessor of a handheld mobile device, etc., and is not limited herein.
  • a speed prediction method provided by an embodiment of the present application is first described in detail below.
  • FIG. 1 is a schematic diagram of a first process of a speed prediction method according to an embodiment of the present disclosure, including:
  • the traffic influence parameter information includes at least one of an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and an influence parameter of the special event on the traffic.
  • S102 Determine a similarity between the traffic influence parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database.
  • the traffic influence parameter information may be obtained according to the following formula:
  • W, H and E are the influence parameters of current weather on traffic included in the traffic influence parameter information, the influence parameters of the current date attribute on traffic, and the influence parameters of special events on traffic, W h , H h and E h It is the influence parameter of historical weather on traffic included in historical traffic influence parameter information, the influence parameter of historical date attribute on traffic and the influence parameter of special event on traffic.
  • S102 may include:
  • the target time period is described below. It is assumed that the current time is 9:15 am. According to the division of the time period, the current time period is 9:9-9:30.
  • the target time period is the time period from 9:00 to 9:30 am in the historical date stored in the historical traffic database.
  • time period may be divided according to the actual situation, and may be a time period every half hour or a time period of one hour, which is not limited herein.
  • S103 Determine target historical traffic influence parameter information according to the determined similarity.
  • Determining the target historical traffic impact parameter information may be, but is not limited to, adopting the following methods:
  • the historical traffic influence parameter information having the greatest similarity with the traffic influence parameter information is determined as the target historical traffic influence parameter information.
  • the target historical traffic influence parameter information is determined, that is, the historical state closest to the state of the first road segment in the current time period is selected, and the speed history is predicted by using the closest historical state, and the prediction result is more accurate.
  • the at least two historical traffic influence parameter information whose similarity with the traffic influence parameter information is greater than the first preset threshold is determined as the target historical traffic influence parameter information.
  • the similarity between each historical traffic influence parameter information and the traffic influence parameter information is Sort from large to small, and select at least two historical traffic influence parameter information ranked as the target historical traffic influence parameter information.
  • the predicted vehicle speed avoids the contingency in determining the closest historical state, and improves the accuracy of the prediction.
  • S104 predict, according to the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database, the first speed corresponding to the vehicle of the first road segment in the next time period.
  • the S104 may include: determining, according to the distance between the traffic influence parameter information and the target historical traffic influence parameter information, a weight corresponding to each target historical traffic influence parameter information; The weight corresponding to the target historical traffic influence parameter information and the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database, and the number of vehicles corresponding to the first road segment predicted in the next time period A speed.
  • the weight corresponding to each target historical traffic influence parameter information may be determined by the following formula:
  • K is the number of target historical traffic influence parameter information
  • d i is the distance between the i-th target historical traffic influence parameter information and the traffic influence parameter information.
  • the proximity algorithm (KNN algorithm) can be used for sample training, and the K target historical traffic influence parameter information with the similarity of the traffic influence parameter information of the current time period and the traffic influence parameter of the current time period are determined according to the similarity degree.
  • the traffic influence parameter information includes the influence parameter of the current weather on the traffic, the influence parameter of the attribute of the current date on the traffic, and the influence parameter of the special event on the traffic.
  • the influence of weather factors, holiday factors, and special event factors on traffic can be quantified into a gradation value, that is, the influence parameter of the current weather on traffic, current
  • the parameters of the date attribute to the traffic and the influence of the special event on the traffic may be grading values.
  • the current weather impact on traffic parameters W can be defined as follows:
  • the similarity between the traffic influence parameter information and all historical traffic influence parameter information of the link A stored in the historical traffic database may be calculated, or the historical traffic of the road segment A stored in the historical traffic database at 9:00-9:30 am may be selected first.
  • the parameter information is affected, and the similarity between the traffic influence parameter information and the selected historical traffic influence parameter information is calculated.
  • the historical traffic influence parameter information of the link A stored in the historical traffic database at 9:00-9:30 am is first selected, and the similarity between the traffic influence parameter information and the selected historical traffic influence parameter information is calculated.
  • the similarity between the traffic influence parameter information and the historical traffic influence parameter information of the road segment A stored in the historical traffic database at 9:00-9:30 am is determined according to the following formula:
  • the historical traffic influence parameter information with the greatest similarity to the traffic influence parameter information may be determined as the target historical traffic influence parameter information, that is, the historical traffic influence parameter information numbered 3 is determined as the target historical traffic influence parameter information.
  • At least two historical traffic influence parameter information whose similarity with the traffic influence parameter information is greater than the first preset threshold may also be determined as the target historical traffic influence parameter information. Assume the first preset threshold When the value is 0.8, the target historical traffic influence parameter information whose similarity with the obtained traffic influence parameter information is greater than 0.8 is determined, that is, the historical traffic influence parameter information with numbers 2 and 3 is determined as the target historical traffic influence parameter information.
  • the historical traffic database stores the historical traffic influence parameter information, the time period and the speed of the vehicle. It is assumed that the contents of the “historical traffic influence parameter information, time period and vehicle speed” stored in the historical traffic database are shown in Table 2. In order to simplify the explanation, Table 2 only explains the contents of the "historical traffic influence parameter information, time period and vehicle speed" portion, and does not represent all the contents stored in the historical traffic database.
  • each target historical traffic influence parameter information and the obtained traffic influence parameter information may be determined by, but not limited to, calculation methods such as Euclidean distance, Manhatan distance, Mahalanobis distance, and Hamming distance.
  • the vehicle of the first road segment is predicted to be in the next time period according to the weight corresponding to each target historical traffic influence parameter information and the speed of the vehicle corresponding to the next time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database.
  • the corresponding first speed may be implemented by performing weighted averaging on the speed of the vehicle corresponding to the next time period of the time period corresponding to each target historical traffic influence parameter information.
  • the historical traffic influence parameter information numbered 3 may be determined as the target historical traffic influence parameter information.
  • the speed of the vehicle corresponding to the next time period corresponding to the historical traffic influence parameter information numbered 3 is 60 km/h, and the vehicle predicting the first road segment is next.
  • the first speed corresponding to the time period is 60 km/h.
  • the first speed can reflect the average vehicle speed on the first road segment of the next time period, and the vehicle speed on the road segment is predicted.
  • FIG. 2 is a second schematic flowchart of a speed prediction method according to an embodiment of the present application.
  • the embodiment shown in FIG. 2 of the present application adds the following steps to the embodiment shown in FIG. 1 of the present application:
  • S105 Identify at least one second road segment whose distance from the first road segment is within a second preset threshold.
  • the second road section may be a road section ahead or behind, or a road section connected to the first road section through an intersection.
  • S106 Acquire a second speed corresponding to the vehicle of each second road segment in the current time period.
  • the process of acquiring the second speed corresponding to the vehicle of each second road segment in the current time period may include:
  • the second speed corresponding to the vehicle of each second road segment in the current time period may be obtained by other methods, for example, using a camera disposed on the second road segment to measure the current speed of the vehicle of the second road segment, or
  • the satellite cloud map measures the current speed of the vehicle in the second road segment, or uses the GPS positioning system of the vehicle to measure the current speed of the vehicle in the second road segment, and the like.
  • S107 predicting the first road segment of the vehicle at the next time according to the first speed and each second speed The third speed corresponding to the segment.
  • a second preset threshold is assumed to be 1 km, and a second road segment whose distance from the first road segment is within a second preset threshold is identified. Also explained with the above example, it is assumed that the second road section that recognizes that the distance from the first road section (road section A) is within 1 km includes the road section B and the road section C.
  • the second speed corresponding to the current period of the vehicle of the road segment B and the road segment C can be obtained by the following process:
  • the time of the mobile device on the vehicle passing through the base station X in the current time period (9: 9-9:00 am) is 9:16
  • the movement on the vehicle The time when the device passes through the base station Y is 9:18.
  • the mobile device on the vehicle may be a mobile device used by a user who uses the vehicle as a travel mode.
  • the device using the speed prediction method in the embodiment of the present application may be based on the prediction of the vehicle speed. Calculate the path and predict the time to the destination to optimize the navigation path.
  • the speeds of the mobile devices on the plurality of vehicles between the base station X and the base station Y are obtained, assuming that the speeds of the mobile devices on the six vehicles between the base station X and the base station Y are respectively: 18 km/h, 40km/h, 30km/h, 20km/h, 26km/h, 28km/h.
  • the average of the above six values, that is, 27 km/h, is taken as the second speed corresponding to the vehicle of the link B in the current time period (9: 9:30 am).
  • the second speed corresponding to the vehicle of the road segment C at the current time period (9: 9:30 am) is assumed to be 45 km/h.
  • the correlation coefficient of each second road segment for the first road segment may be preset according to the traffic impact condition of the second road segment on the first road segment, and the greater the influence, the larger the correlation coefficient.
  • the correlation coefficient of the road segment B for the first road segment A is 20%
  • the correlation coefficient of the road segment C for the first road segment A is 30%.
  • the sum of the weights of the second road segment for the correlation coefficient of the first road segment and the predicted first speed should be a fixed value, which is assumed to be 1.
  • the first speed The degree corresponds to a weight of 50%.
  • the third speed can reflect the average vehicle speed on the first road segment of the next time period, and the vehicle speed on the road segment is predicted.
  • FIG. 3 is a third schematic flowchart of a speed prediction method according to an embodiment of the present application.
  • the embodiment shown in FIG. 3 is added to the embodiment shown in FIG. 1 and S108 is added: according to the predicted first road segment.
  • the congestion level corresponding to the predicted speed is determined by the speed corresponding to the next time period and the preset correspondence between each speed and the congestion level.
  • the corresponding relationship between the preset speed and the congestion level includes: when the speed is ⁇ 50km/h, the corresponding congestion level is smooth, and when the speed is 30km/h ⁇ speed ⁇ 50km/h, the corresponding congestion level is crowded. The congestion level corresponding to 10km/h ⁇ speed ⁇ 30km/h is blocked, and the corresponding congestion level is deadlock when the speed is ⁇ 10km/h.
  • the example in the embodiment shown in FIG. 1 of the present application is used to predict that the speed corresponding to the vehicle in the first road segment is 52.5 km/h in the next time period, and the congestion level corresponding to 52.5 km/h is smooth, that is, the first road segment is indicated.
  • the congestion level in the next period is smooth.
  • the above S108 may also be added based on the embodiment shown in FIG. 2 of the present application.
  • the congestion of the road segment in the next time period can be further predicted. grade.
  • the embodiment of the present application further provides a speed prediction apparatus.
  • FIG. 4 is a schematic diagram of a first structure of a speed prediction apparatus according to an embodiment of the present disclosure, including:
  • the first obtaining module 201 is configured to obtain traffic influence parameter information of the first road segment in the current time period, where the traffic influence parameter information includes a current weather impact parameter, a current date attribute, a traffic impact parameter, and a special event. At least one of the parameters affecting traffic;
  • the first determining module 202 is configured to determine a similarity between the traffic influence parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database;
  • the first determining module 202 may include: a first determining submodule and a second determining submodule (not shown), where
  • a first determining submodule configured to determine a target time period corresponding to the current time period in the historical traffic database
  • the second determining submodule is configured to determine the similarity between the traffic influence parameter information and the historical traffic influence parameter information of the first road segment stored in the historical traffic database in the target time period.
  • the first determining module 202 specifically can be used to:
  • W, H and E are the influence parameters of the current weather on the traffic included in the traffic influence parameter information, the influence parameters of the current date attribute on the traffic, and the influence parameters of the special event on the traffic
  • W h , H h and E h is the influence parameter of historical weather on traffic included in historical traffic influence parameter information, the influence parameter of historical date attribute on traffic and the influence parameter of special event on traffic.
  • a second determining module 203 configured to determine target historical traffic impact parameter information according to the similarity determined by the first determining module
  • the second determining module 203 may be specifically configured to:
  • the historical traffic influence parameter information with the greatest similarity with the traffic influence parameter information is determined as the target historical traffic influence parameter information.
  • the second determining module 203 may be specifically configured to:
  • the at least two historical traffic influence parameter information whose similarity with the traffic influence parameter information is greater than the first preset threshold is determined as the target historical traffic influence parameter information.
  • the first prediction module 204 is configured to predict, according to the speed of the vehicle corresponding to the next time period of the time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database, the first corresponding segment of the vehicle in the next time segment A speed.
  • the first prediction module 204 may include: a third determining submodule and a prediction submodule (not shown), where
  • a third determining submodule configured to determine a weight corresponding to each target historical traffic influence parameter information according to the distance between the traffic influence parameter information and the target historical traffic influence parameter information;
  • a prediction submodule configured to predict a first road segment according to a weight corresponding to each target historical traffic influence parameter information and a speed of a vehicle corresponding to a next time period of a time period corresponding to the target historical traffic influence parameter information stored in the historical traffic database The vehicle corresponds to the first speed in the next time period.
  • the third determining sub-module may be specifically used to:
  • K is the number of target historical traffic influence parameter information
  • d i is the distance between the i-th target historical traffic influence parameter information and the traffic influence parameter information.
  • FIG. 5 is a schematic diagram of a second structure of the speed prediction apparatus according to the embodiment of the present application.
  • the embodiment shown in FIG. 5 of the present application may further include:
  • the identification module 205 is configured to identify at least one second road segment that is within a second preset threshold from the first road segment;
  • a second obtaining module 206 configured to acquire a second speed corresponding to a vehicle of each second road segment in a current time period
  • the second obtaining module 206 may include: obtaining a submodule and a computing submodule (not shown), where
  • Obtaining a sub-module configured to obtain a distance between the first base station and the second base station in the second road segment, a first time when the current time period of the mobile device on the vehicle passes the first base station, and a mobile device on the vehicle passes the second base station Second moment;
  • a calculation submodule configured to calculate a speed of the mobile device on the vehicle between the first base station and the second base station according to the distance obtained by obtaining the submodule, the first time and the second time; and move the mobile device on the multiple vehicles
  • the average of the speeds between the first base station and the second base station is used as the second speed of the second road segment corresponding to the vehicle in the current time period.
  • the second prediction module 207 is configured to predict, according to the first speed and the second speed, a third speed corresponding to the vehicle of the first road segment in the next time period.
  • FIG. 6 is a schematic diagram of a third structure of a speed prediction apparatus according to an embodiment of the present application.
  • the embodiment shown in FIG. 6 may further include: based on the embodiment shown in FIG. 4 of the present application,
  • the third determining module 208 is configured to predict, according to the predicted speed of the vehicle of the first road segment in the next time period, and the preset correspondence between each speed and the congestion level, predicting the vehicle of the first road segment in the next time period Congestion level.
  • the foregoing third determining module 208 can also be added based on the embodiment shown in FIG. 5 of the present application.
  • the congestion of the road segment in the next time period can be further predicted. grade.
  • the embodiment of the present application further provides an electronic device, as shown in FIG. 7, comprising: a housing 701, a processor 702, a memory 703, a circuit board 704, and a power circuit 705, wherein the circuit board 704 is disposed in the housing 701.
  • the processor 702 and the memory 703 are disposed on the circuit board 704;
  • the power circuit 705 is used to supply power to the various circuits or devices of the electronic device;
  • the memory 703 is used to store executable program code;
  • the processor 702 is read by
  • the executable program code stored in the memory 703 is configured to execute a program corresponding to the executable program code for executing the speed prediction method, the method comprising:
  • the traffic influence parameter information includes an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and an influence parameter of the special event on the traffic
  • the embodiment of the present application further provides an executable program code, where the executable program code is used to be executed to execute the speed prediction method, and the method includes:
  • the traffic influence parameter information includes an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and an influence parameter of the special event on the traffic
  • determining the state of the first road segment in the current time period according to at least one of the influence parameter of the traffic on the current weather, the influence parameter of the attribute of the current date on the traffic, and the influence parameter of the special event on the traffic.
  • the closest historical state predicts the speed of the vehicle in the first road segment in the next time period according to the speed of the vehicle corresponding to the next historical period in the next historical period, and realizes the prediction of the vehicle speed on the road segment.
  • the embodiment of the present application further provides a storage medium for storing executable program code, the executable program code is configured to be executed to execute the speed prediction method, and the method includes:
  • the traffic influence parameter information includes an impact parameter of the current weather on the traffic, an influence parameter of the attribute of the current date on the traffic, and an influence parameter of the special event on the traffic
  • the speed of the vehicle corresponding to the next time period of the corresponding time period predicts the first speed corresponding to the vehicle of the first road segment in the next time period.
  • determining the state of the first road segment in the current time period according to at least one of the influence parameter of the traffic on the current weather, the influence parameter of the attribute of the current date on the traffic, and the influence parameter of the special event on the traffic.
  • the closest historical state predicts the speed of the vehicle in the first road segment in the next time period according to the speed of the vehicle corresponding to the next historical period in the next historical period, and realizes the prediction of the vehicle speed on the road segment.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Automation & Control Theory (AREA)
  • Environmental Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

一种速度预测方法及装置，该方法包括：获取第一路段在当前时间段的交通影响参数信息(S101)，其中，该交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；确定该交通影响参数信息与历史交通数据库中存储的该第一路段的历史交通影响参数信息的相似度(S102)，并根据确定的相似度，确定目标历史交通影响参数信息(S103)；根据该历史交通数据库中存储的、该目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测该第一路段的车辆在下一时间段对应的第一速度(S104)。

Description

一种速度预测方法及装置
本申请要求于2016年5月11日提交中国专利局、申请号为201610309481.3、发明名称为“一种速度预测方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及数据处理技术领域，特别涉及一种速度预测方法及装置。
背景技术
随着经济的不断发展，交通拥堵问题已成为一大社会问题。目前，已经能够实现对路况的实时播报，使用车辆出行的用户能够根据对路况的实时播报，尽量改换不太拥堵的线路。
但是，交通拥堵的治理应首在预防，现有技术并不能对下一时间段的路况进行预测。仅通过对路况的实时播报并不能准确的引导使用车辆出行的用户改换线路，比如一路段的车辆在当前时间段行驶顺畅，但是有可能下一时间段便会非常拥堵。因此，对路段上的车速进行预测变得十分必要。
发明内容
本申请实施例的目的在于提供一种速度预测方法及装置，实现对路段上的车速进行预测。
为达到上述目的，本申请实施例公开了一种速度预测方法，所述方法包括：
获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，并根据确定的相似度，确定目标历史交通影响参数信息；
根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下 一时间段对应的第一速度。
可选的，所述方法还可以包括：
识别与所述第一路段的距离在第二预设阈值之内的至少一个第二路段，并获取每个第二路段的车辆在当前时间段对应的第二速度；
根据所述第一速度和所述第二速度，预测所述第一路段的车辆在下一时间段对应的第三速度。
可选的，所述方法还可以包括：
根据所预测的第一路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，预测所述第一路段的车辆在下一时间段的拥堵等级。
可选的，获取每个第二路段的车辆在当前时间段对应的第二速度的过程可以包括：
获得位于第二路段中的第一基站与第二基站的距离、所述车辆上的移动设备当前时间段经过所述第一基站的第一时刻及所述车辆上的移动设备经过所述第二基站的第二时刻；
根据获得的距离、第一时刻和第二时刻，计算所述车辆上的移动设备在所述第一基站与所述第二基站之间的速度；
将多个车辆上的移动设备在所述第一基站与所述第二基站之间的速度的平均值作为所述第二路段的车辆在当前时间段对应的第二速度。
可选的，所述确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，可以包括：
确定所述当前时间段在历史交通数据库中对应的目标时间段；
确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段在所述目标时间段的历史交通影响参数信息的相似度。
可选的，在所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数、和特殊事件对交通的影响参数的情况下， 所述确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，可以包括：
根据下式得到所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度：
Figure PCTCN2016104495-appb-000001
其中，W、H和E分别为所述交通影响参数信息中包括的当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数，Wh、Hh和Eh分别为历史交通影响参数信息中包括的历史天气对交通的影响参数、历史日期的属性对交通的影响参数和特殊事件对交通的影响参数。
可选的，所述根据确定的相似度，确定目标历史交通影响参数信息，可以包括：
将与所述交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息。
可选的，所述根据确定的相似度，确定目标历史交通影响参数信息，可以包括：
将与所述交通影响参数信息的相似度大于第一预设阈值的至少两个历史交通影响参数信息确定为目标历史交通影响参数信息。
可选的，所述根据所述历史交通数据库中存储的所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度，可以包括：
根据所述交通影响参数信息与所述目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重；
根据每条目标历史交通影响参数信息对应的权重及所述历史交通数据库中存储的所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
可选的，所述根据所述交通影响参数信息与所述目标历史交通影响参数 信息的距离，确定每条目标历史交通影响参数信息对应的权重，可以包括：
通过下式确定每条目标历史交通影响参数信息对应的权重βi
Figure PCTCN2016104495-appb-000002
其中，K为目标历史交通影响参数信息的数量，di为第i条目标历史交通影响参数信息与所述交通影响参数信息的距离。
为达到上述目的，本申请实施例还公开了一种速度预测装置，所述装置包括：
第一获取模块，用于获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
第一确定模块，用于确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度；
第二确定模块，用于根据所述第一确定模块确定的相似度，确定目标历史交通影响参数信息；
第一预测模块，用于根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
可选的，所述装置还可以包括：
识别模块，用于识别与所述第一路段的距离在第二预设阈值之内的至少一个第二路段；
第二获取模块，用于获取每个第二路段的车辆在当前时间段对应的第二速度；
第二预测模块，用于根据所述第一速度和所述第二速度，预测所述第一路段的车辆在下一时间段对应的第三速度。
可选的，所述装置还可以包括：
第三确定模块，用于根据所预测的第一路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，预测所述第一路段的车辆在下一时间段的拥堵等级。
可选的，所述第二获取模块，可以包括：
获得子模块，用于获得位于第二路段中的第一基站与第二基站的距离、所述车辆上的移动设备当前时间段经过所述第一基站的第一时刻及所述车辆上的移动设备经过所述第二基站的第二时刻；
计算子模块，用于根据所述获得子模块获得的距离、第一时刻和第二时刻，计算所述车辆上的移动设备在所述第一基站与所述第二基站之间的速度；将多个车辆上的移动设备在所述第一基站与所述第二基站之间的速度的平均值作为所述第二路段的车辆在当前时间段对应的第二速度。
可选的，所述第一确定模块，可以包括：
第一确定子模块，用于确定所述当前时间段在历史交通数据库中对应的目标时间段；
第二确定子模块，用于确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段在所述目标时间段的历史交通影响参数信息的相似度。
可选的，在所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数、和特殊事件对交通的影响参数的情况下，所述第一确定模块，具体可以用于：
根据下式得到所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度：
Figure PCTCN2016104495-appb-000003
其中，W、H和E分别为所述交通影响参数信息中包括的当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数，Wh、Hh和Eh分别为历史交通影响参数信息中包括的历史天气对交通的影 响参数、历史日期的属性对交通的影响参数和特殊事件对交通的影响参数。
可选的，所述第二确定模块，具体可以用于：
将与所述交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息。
可选的，所述第二确定模块，具体可以用于：
将与所述交通影响参数信息的相似度大于第一预设阈值的至少两个历史交通影响参数信息确定为目标历史交通影响参数信息。
可选的，所述第一预测模块，可以包括：
第三确定子模块，用于根据所述交通影响参数信息与所述目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重；
预测子模块，用于根据每条目标历史交通影响参数信息对应的权重及所述历史交通数据库中存储的所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
可选的，所述第三确定子模块，具体可以用于：
通过下式确定每条目标历史交通影响参数信息对应的权重βi
Figure PCTCN2016104495-appb-000004
其中，K为目标历史交通影响参数信息的数量，di为第i条目标历史交通影响参数信息与所述交通影响参数信息的距离。
为达到上述目的，本申请实施例还公开了一种电子设备，包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行 上述速度预测方法。
为达到上述目的，本申请实施例还公开了一种可执行程序代码，所述可执行程序代码用于被运行以执行上述速度预测方法。
为达到上述目的，本申请实施例还公开了一种存储介质，所述存储介质用于存储可执行程序代码，所述可执行程序代码用于被运行以执行上述速度预测方法。
由上述技术方案可见，获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，并根据确定的相似度，确定目标历史交通影响参数信息；根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
由此可见，应用本申请所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的速度，实现了对路段上的车速进行预测。
附图说明
为了更清楚地说明本申请实施例和现有技术的技术方案，下面对实施例和现有技术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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的速度预测方法的第一种流程示意图；
图2为本申请实施例提供的速度预测方法的第二种流程示意图；
图3为本申请实施例提供的速度预测方法的第三种流程示意图；
图4为本申请实施例提供的速度预测装置的第一种结构示意图；
图5为本申请实施例提供的速度预测装置的第二种结构示意图；
图6为本申请实施例提供的速度预测装置的第三种结构示意图；
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案、及优点更加清楚明白，以下参照附图并举实施例，对本申请进一步详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了解决现有技术问题，本申请实施例提供了一种速度预测方法及装置，可以应用于计算机、单片机、集成电路，或者是手持移动设备的微处理器等等，在此不做限制。下面首先对本申请实施例提供的一种速度预测方法进行详细说明。
图1为本申请实施例提供的速度预测方法的第一种流程示意图，包括：
S101：获取第一路段在当前时间段的交通影响参数信息。其中，交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种。
S102：确定该交通影响参数信息与历史交通数据库中存储的第一路段的历史交通影响参数信息的相似度。
具体的，在该交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数的情况下，可以根据下式得到该交通影响参数信息与历史交通数据库中存储的第一路段的历史交通影响参数信息的相似度：
Figure PCTCN2016104495-appb-000005
其中，W、H和E分别为交通影响参数信息中包括的当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数， Wh、Hh和Eh分别为历史交通影响参数信息中包括的历史天气对交通的影响参数、历史日期的属性对交通的影响参数和特殊事件对交通的影响参数。
作为本申请的一种实施方式，S102可以包括：
确定当前时间段在历史交通数据库中对应的目标时间段；
确定第一路段在当前时间段的交通影响参数信息与历史交通数据库中存储的第一路段在目标时间段的历史交通影响参数信息的相似度。
下面对目标时间段进行说明，假设当前时刻为上午9：15，根据对时间段的划分，当前时间段为上午9点-9点半。目标时间段即为历史交通数据库中存储的历史日期中的上午9点-9点半的时间段。
也就是说，确定相似度时，仅挑选历史交通数据库中存储的、第一路段在上午9点-9点半的历史交通影响参数信息计算相似度，而不是对历史交通数据库中存储的、第一路段的所有历史交通影响参数信息计算相似度，一方面，不同日期中的相同时间段的交通影响参数信息对速度预测更具指导意义，另一方面，极大地降低了计算量。
需要说明的是，可以根据实际情况划分时间段，可以每半个小时为一个时间段，也可以一个小时为一个时间段，在此不做限定。
S103：根据确定的相似度，确定目标历史交通影响参数信息。
确定目标历史交通影响参数信息，可以但不限于采用如下方式：
将与该交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息。
应用这种方式确定目标历史交通影响参数信息，也就是挑选与第一路段在当前时间段的状态最接近的历史状态，利用最接近的历史状态进行速度预测，预测结果更准确。
或者，将与该交通影响参数信息的相似度大于第一预设阈值的至少两个历史交通影响参数信息确定为目标历史交通影响参数信息。
或者，将各个历史交通影响参数信息与该交通影响参数信息的相似度从 大到小进行排序，选取排名靠前的至少两个历史交通影响参数信息作为目标历史交通影响参数信息。
在确定至少两个目标历史交通影响参数信息的情况下，预测车速，避免了确定最接近的历史状态过程中存在的偶然性，提高了预测的准确性。
S104：根据历史交通数据库中存储的、目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度。
当确定了至少两个目标历史交通影响参数信息时，S104可以包括：根据该交通影响参数信息与目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重；根据每条目标历史交通影响参数信息对应的权重及历史交通数据库中存储的目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度。
作为本申请的一种实施方式，可以通过下式确定每条目标历史交通影响参数信息对应的权重
Figure PCTCN2016104495-appb-000006
其中，K为目标历史交通影响参数信息的数量，di为第i条目标历史交通影响参数信息与所述交通影响参数信息的距离。
例如，可以利用邻近算法(KNN算法)进行样本训练，根据相似度确定与当前时间段的交通影响参数信息的相似度较大的K个目标历史交通影响参数信息，以及当前时间段的交通影响参数信息与目标历史交通影响参数信息的距离di，并进一步确定每条目标历史交通影响参数信息对应的权重βi。
在本申请所示实施例中，假设交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数。
作为本申请的一种实施方式，可以将天气因素、节假日因素和特殊事件因素对交通的影响量化成等级值，即上述当前天气对交通的影响参数、当前 日期的属性对交通的影响参数和特殊事件对交通的影响参数可以为等级值。比如，当前天气对交通的影响参数W可以定义如下：
Figure PCTCN2016104495-appb-000007
当前日期的属性对交通的影响参数H可以定义为：当前日期的属性为非节假日时，则H＝0.1；当前日期的属性为周六或周日时，则H＝0.3；当前日期的属性为三天假期中的某天时，则H＝0.5；当前日期的属性为国庆假期中的某天时，则H＝0.7；当前日期的属性为春节假期中的某天时，则H＝0.9。
特殊事件对交通的影响参数E可以定义为：当有道路维修、交通事故、重大赛事等特殊事件发生时，E＝0.1；当没有特殊事件发生时，E＝0。
假设当前时刻为上午9：15，根据对时间段的划分，当前时间段为上午9点-9点半，获得第一路段(路段A)在当前时间段(上午9点-9点半)的交通影响参数信息：W＝0.5，H＝0.3，E＝0.1。
可以计算上述交通影响参数信息与历史交通数据库中存储的路段A的所有历史交通影响参数信息的相似度，也可以先挑选历史交通数据库中存储的路段A在上午9点-9点半的历史交通影响参数信息，计算上述交通影响参数信息与挑选出的历史交通影响参数信息的相似度。
在本实施例中，先挑选历史交通数据库中存储的路段A在上午9点-9点半的历史交通影响参数信息，计算上述交通影响参数信息与挑选出的历史交通影响参数信息的相似度。
根据下式确定上述交通影响参数信息与历史交通数据库中存储的路段A在上午9点-9点半的历史交通影响参数信息的相似度：
Figure PCTCN2016104495-appb-000008
假设历史交通数据库中存储的路段A在上午9点-9点半这一时间段的历史交通影响参数信息如表1所示，为了简化说明，表1仅针对“路段A在上午9点-9点半这一时间段的历史交通影响参数信息”部分的内容进行说明，并不代表历史交通数据库中存储的全部内容。
表1
编号 Wh Hh Eh
1 0.1 0.9 0.1
2 0.9 0.1 0
3 0.3 0.3 0.1
根据
Figure PCTCN2016104495-appb-000009
计算得到：
Figure PCTCN2016104495-appb-000010
Figure PCTCN2016104495-appb-000011
Figure PCTCN2016104495-appb-000012
可以将与该交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息，即，将编号为3的历史交通影响参数信息确定为目标历史交通影响参数信息。
也可以将与该交通影响参数信息的相似度大于第一预设阈值的至少两个历史交通影响参数信息确定为目标历史交通影响参数信息。假设第一预设阈 值为0.8，则确定与获得的交通影响参数信息的相似度大于0.8的目标历史交通影响参数信息，即，将编号为2和3的历史交通影响参数信息确定为目标历史交通影响参数信息。
历史交通数据库中对应存储了历史交通影响参数信息、时间段和车辆的速度，假设历史交通数据库中存储的“历史交通影响参数信息、时间段和车辆的速度”的部分内容如表2所示，为了简化说明，表2仅针对“历史交通影响参数信息、时间段和车辆的速度”部分的内容进行说明，并不代表历史交通数据库中存储的全部内容。
表2
Figure PCTCN2016104495-appb-000013
假设将编号为2和3的历史交通影响参数信息确定为目标历史交通影响参数信息。
可以但不限于通过欧几里得距离、曼哈坦距离、马氏距离、汉明距离等计算方式，确定每条目标历史交通影响参数信息与获得的交通影响参数信息 的距离di。
以曼哈坦距离计算方式为例说明如何获取目标历史交通影响参数信息与当前时间段的交通影响参数信息之间的距离：
假设当前时间段的交通影响参数信息A的向量为(Wha，Hha，Eha)，目标历史交通影响参数信息B的向量为(Whb，Hhb，Ehb)，运用曼哈坦距离公式计算A与B的距离dab：
dab＝︱Whb-Wha︱+︱Hhb-Hha︱+︱Ehb-Eha︱
假设编号为2的历史交通影响参数信息与路段A在上午9点-9点半的交通影响参数信息之间的距离d1＝5，编号为3的历史交通影响参数信息与路段A在上午9点-9点半的交通影响参数信息之间的距离d2＝3。
确定每条目标历史交通影响参数信息对应的权重
Figure PCTCN2016104495-appb-000014
其中，K为目标历史交通影响参数信息的数量。
则编号为2的历史交通影响参数信息对应的权重β1＝3/8，编号为3的历史交通影响参数信息对应的权重β2＝5/8。
根据每条目标历史交通影响参数信息对应的权重及历史交通数据库中存储的目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度，可以通过对每个目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度进行加权平均实现。
例如，编号为2的历史交通影响参数信息对应的权重为3/8，对应的时间段的下一时间段对应的车辆的速度为40km/h；编号为3的历史交通影响参数信息对应的权重为5/8，对应的时间段的下一时间段对应的车辆的速度为60km/h；预测第一路段的车辆在下一时间段对应的第一速度＝40km/h*3/8+60km/h*5/8＝52.5km/h。
在本申请的另一个实施例中，可以将编号为3的历史交通影响参数信息确定为目标历史交通影响参数信息。编号为3的历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度为60km/h，预测第一路段的车辆在下一 时间段对应的第一速度为60km/h。
该第一速度可以反应下一时间段第一路段上的平均车速，实现了对路段上的车速进行预测。
应用本申请图1所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的速度，实现了对路段上的车速进行预测。
图2为本申请实施例提供的速度预测方法的第二种流程示意图，本申请图2所示实施例在本申请图1所示实施例的基础上，增加如下步骤：
S105：识别与第一路段的距离在第二预设阈值之内的至少一个第二路段。
第二路段可以是前方或后方的路段，或者是通过十字路口与第一路段连接的路段等。
S106：获取每个第二路段的车辆在当前时间段对应的第二速度。
作为本申请的一种实施方式，获取每个第二路段的车辆在当前时间段对应的第二速度的过程可以包括：
获得位于第二路段中的第一基站与第二基站的距离、该车辆上的移动设备当前时间段经过第一基站的第一时刻及该车辆上的移动设备经过第二基站的第二时刻；根据获得的距离、第一时刻和第二时刻，计算该车辆上的移动设备在第一基站与第二基站之间的速度；将多个车辆上的移动设备在第一基站与第二基站之间的速度的平均值作为第二路段的车辆在当前时间段对应的第二速度。
或者，还可以通过其它方式获取每个第二路段的车辆在当前时间段对应的第二速度，比如，利用设置在第二路段上的摄像头对第二路段的车辆的当前速度进行测量，或者通过卫星云图对第二路段的车辆的当前速度进行测量，或者利用车辆的GPS定位系统对第二路段的车辆的当前速度进行测量等等。
S107：根据第一速度和每个第二速度，预测第一路段的车辆在下一时间 段对应的第三速度。
在本申请所示实施例中，假设第二预设阈值为1km，识别与第一路段的距离在第二预设阈值之内的第二路段。还以上述例子进行说明，假设识别到与第一路段(路段A)的距离在1km之内的第二路段包括路段B和路段C。
具体的，可以通过如下过程获取路段B和路段C的车辆在当前时间段对应的第二速度：
假设位于路段B中的基站X与基站Y的距离为600m，车辆上的移动设备在当前时间段(上午9点-9点半)经过基站X的时刻为9点16分，该车辆上的移动设备经过基站Y的时刻为9点18分。
需要说明的是，上述车辆上的移动设备可以为使用车辆做为出行方式的用户使用的移动设备，在这种情况下，采用本申请实施例中的速度预测方法的设备，可以基于车速的预测计算路径，预测到目的地的时间，从而优化导航路径。
根据获得的距离600m、第一时刻9点16分和第二时刻9点18分，计算该车辆上的移动设备在第一基站与第二基站之间的速度＝600m/2分钟＝18km/h。
利用上述方法，获取多个车辆上的移动设备在基站X与基站Y之间的速度，假设获取了6个车辆上的移动设备在基站X与基站Y之间的速度分别为：18km/h、40km/h、30km/h、20km/h、26km/h、28km/h。将上述6个值的平均值，即27km/h作为路段B的车辆在当前时间段(上午9点-9点半)对应的第二速度。
以同样的方法，获取路段C的车辆在当前时间段(上午9点-9点半)对应的第二速度，假设为45km/h。
在实际应用中，可以根据第二路段对第一路段的交通影响情况，预先设置每个第二路段针对第一路段的相关系数，影响越大，相关系数越大。
假设路段B针对第一路段路段A的相关系数为20％，路段C针对第一路段路段A的相关系数为30％。在实际应用中，第二路段针对第一路段的相关系数与预测的第一速度对应的权重之和应为固定值，假设为1。因而，第一速 度对应的权重为50％。
可以由此来预测第一路段的车辆在下一时间段对应的第三速度＝52.5km/h*50％+27km/h*20％+45km/h*30％＝45.15km/h。
该第三速度可以反应下一时间段第一路段上的平均车速，实现了对路段上的车速进行预测。
应用本申请图2所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度；并结合与第一路段的距离在第二预设阈值之内的每个第二路段的车辆在当前时间段对应的第二速度，预测第一路段的车辆在下一时间段对应的第三速度，实现了对路段上的车速进行更精确的预测。
图3为本申请实施例提供的速度预测方法的第三种流程示意图，本申请图3所示实施例在图1所示实施例的基础上，增加S108：根据所预测的第一路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，确定预测的速度对应的拥堵等级。
在实际应用中，假设预设的速度与拥堵等级的对应关系包括：速度≥50km/h时，对应的拥堵等级为顺畅，30km/h<速度<50km/h时，对应的拥堵等级为拥挤，10km/h≤速度≤30km/h对应的拥堵等级为堵塞，速度<10km/h时对应的拥堵等级为死锁。
以本申请图1所示实施例中的例子进行说明，预测第一路段的车辆在下一时间段对应的速度为52.5km/h，52.5km/h对应的拥堵等级为顺畅，即表示第一路段在下一时间段的拥堵等级为顺畅。
或者，上述S108也可以在本申请图2所示实施例的基础上增加。
应用本申请图3所示实施例，根据所预测的路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，可以进一步的预测路段在下一时间段的拥堵等级。
与上述的方法实施例相对应，本申请实施例还提供一种速度预测装置。
图4为本申请实施例提供的速度预测装置的第一种结构示意图，包括：
第一获取模块201，用于获取第一路段在当前时间段的交通影响参数信息，其中，该交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
第一确定模块202，用于确定该交通影响参数信息与历史交通数据库中存储的第一路段的历史交通影响参数信息的相似度；
作为本申请的一种实施方式，第一确定模块202，可以包括：第一确定子模块和第二确定子模块(图中未示出)，其中，
第一确定子模块，用于确定当前时间段在历史交通数据库中对应的目标时间段；
第二确定子模块，用于确定该交通影响参数信息与历史交通数据库中存储的第一路段在目标时间段的历史交通影响参数信息的相似度。
作为本申请的一种实施方式，在该交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数、和特殊事件对交通的影响参数的情况下，第一确定模块202，具体可以用于：
根据下式得到该交通影响参数信息与历史交通数据库中存储的第一路段的历史交通影响参数信息的相似度：
Figure PCTCN2016104495-appb-000015
其中，W、H和E分别为该交通影响参数信息中包括的当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数，Wh、Hh和Eh分别为历史交通影响参数信息中包括的历史天气对交通的影响参数、历史日期的属性对交通的影响参数和特殊事件对交通的影响参数。
第二确定模块203，用于根据第一确定模块确定的相似度，确定目标历史交通影响参数信息；
作为本申请的一种实施方式，第二确定模块203，具体可以用于：
将与交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息。
作为本申请的另一种实施方式，第二确定模块203，具体可以用于：
将与该交通影响参数信息的相似度大于第一预设阈值的至少两个历史交通影响参数信息确定为目标历史交通影响参数信息。
第一预测模块204，用于根据历史交通数据库中存储的、目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度。
作为本申请的一种实施方式，第一预测模块204，可以包括：第三确定子模块和预测子模块(图中未示出)，其中，
第三确定子模块，用于根据该交通影响参数信息与目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重；
预测子模块，用于根据每条目标历史交通影响参数信息对应的权重及历史交通数据库中存储的目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度。
作为本申请的一种实施方式，第三确定子模块，具体可以用于：
通过下式确定每条目标历史交通影响参数信息对应的权重βi
Figure PCTCN2016104495-appb-000016
其中，K为目标历史交通影响参数信息的数量，di为第i条目标历史交通影响参数信息与所述交通影响参数信息的距离。
应用本申请图1所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态 在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的速度，实现了对路段上的车速进行预测。
图5为本申请实施例提供的速度预测装置的第二种结构示意图，本申请图5所示实施例在本申请图4所示实施例的基础上，还可以包括：
识别模块205，用于识别与第一路段的距离在第二预设阈值之内的至少一个第二路段；
第二获取模块206，用于获取每个第二路段的车辆在当前时间段对应的第二速度；
在实际应用中，第二获取模块206，可以包括：获得子模块和计算子模块(图中未示出)，其中，
获得子模块，用于获得位于第二路段中的第一基站与第二基站的距离、车辆上的移动设备当前时间段经过第一基站的第一时刻及该车辆上的移动设备经过第二基站的第二时刻；
计算子模块，用于根据获得子模块获得的距离、第一时刻和第二时刻，计算该车辆上的移动设备在第一基站与第二基站之间的速度；将多个车辆上的移动设备在第一基站与第二基站之间的速度的平均值作为第二路段的车辆在当前时间段对应的第二速度。
第二预测模块207，用于根据第一速度和第二速度，预测第一路段的车辆在下一时间段对应的第三速度。
应用本申请图5所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的第一速度；并结合与第一路段的距离在第二预设阈值之内的每个第二路段的车辆在当前时间段对应的第二速度，预测第一路段的车辆在下一时间段对应的第三速度，实现了对路段上的车速进行更精确的预测。
图6为本申请实施例提供的速度预测装置的第三种结构示意图，本申请 图6所示实施例在本申请图4所示实施例的基础上，还可以包括：
第三确定模块208，用于根据所预测的第一路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，预测第一路段的车辆在下一时间段的拥堵等级。
上述第三确定模块208还可以在本申请图5所示实施例的基础上增加。
应用本申请图6所示实施例，根据所预测的路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，可以进一步的预测路段在下一时间段的拥堵等级。
本申请实施例还提供了一种电子设备，如图7所示，包括：壳体701、处理器702、存储器703、电路板704和电源电路705，其中，电路板704安置在壳体701围成的空间内部，处理器702和存储器703设置在电路板704上；电源电路705，用于为电子设备的各个电路或器件供电；存储器703用于存储可执行程序代码；处理器702通过读取存储器703中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行所述速度预测方法，方法包括：
获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，并根据确定的相似度，确定目标历史交通影响参数信息；
根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
应用本申请图7所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的速 度，实现了对路段上的车速进行预测。
本申请实施例还提供了一种可执行程序代码，所述可执行程序代码用于被运行以执行所述速度预测方法，方法包括：
获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，并根据确定的相似度，确定目标历史交通影响参数信息；
根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
应用本申请所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的速度，实现了对路段上的车速进行预测。
本申请实施例还提供了一种存储介质，所述存储介质用于存储可执行程序代码，所述可执行程序代码用于被运行以执行所述速度预测方法，方法包括：
获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，并根据确定的相似度，确定目标历史交通影响参数信息；
根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对 应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
应用本申请所示实施例，根据当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中至少一种，确定与第一路段在当前时间段的状态最接近的历史状态，根据最接近的历史状态在下一时间段对应的车辆的速度，预测第一路段的车辆在下一时间段对应的速度，实现了对路段上的车速进行预测。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于计算机可读取存储介质中，这里所称得的存储介质，如：ROM/RAM、磁碟、光盘等。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (23)

  1. 一种速度预测方法，其特征在于，所述方法包括：
    获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
    确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，并根据确定的相似度，确定目标历史交通影响参数信息；
    根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
  2. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    识别与所述第一路段的距离在第二预设阈值之内的至少一个第二路段，并获取每个第二路段的车辆在当前时间段对应的第二速度；
    根据所述第一速度和所述第二速度，预测所述第一路段的车辆在下一时间段对应的第三速度。
  3. 根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
    根据所预测的第一路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，预测所述第一路段的车辆在下一时间段的拥堵等级。
  4. 根据权利要求2所述的方法，其特征在于，获取每个第二路段的车辆在当前时间段对应的第二速度的过程包括：
    获得位于第二路段中的第一基站与第二基站的距离，所述车辆上的移动设备当前时间段经过所述第一基站的第一时刻及所述车辆上的移动设备经过所述第二基站的第二时刻；
    根据获得的距离、所述第一时刻和所述第二时刻，计算所述车辆上的移动设备在所述第一基站与所述第二基站之间的速度；
    将多个车辆上的移动设备在所述第一基站与所述第二基站之间的速度的平均值作为所述第二路段的车辆在当前时间段对应的第二速度。
  5. 根据权利要求1所述的方法，其特征在于，所述确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，包括：
    确定所述当前时间段在历史交通数据库中对应的目标时间段；
    确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段在所述目标时间段的历史交通影响参数信息的相似度。
  6. 根据权利要求1所述的方法，其特征在于，在所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数、和特殊事件对交通的影响参数的情况下，所述确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度，包括：
    根据下式得到所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度：
    Figure PCTCN2016104495-appb-100001
    其中，W、H和E分别为所述交通影响参数信息中包括的当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数，Wh、Hh和Eh分别为历史交通影响参数信息中包括的历史天气对交通的影响参数、历史日期的属性对交通的影响参数和特殊事件对交通的影响参数。
  7. 根据权利要求1所述的方法，其特征在于，所述根据确定的相似度，确定目标历史交通影响参数信息，包括：
    将与所述交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息。
  8. 根据权利要求1所述的方法，其特征在于，所述根据确定的相似度，确定目标历史交通影响参数信息，包括：
    将与所述交通影响参数信息的相似度大于第一预设阈值的至少两个历史 交通影响参数信息确定为目标历史交通影响参数信息。
  9. 根据权利要求8所述的方法，其特征在于，所述根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度，包括：
    根据所述交通影响参数信息与所述目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重；
    根据每条目标历史交通影响参数信息对应的权重及所述历史交通数据库中存储的每条目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
  10. 根据权利要求9所述的方法，其特征在于，所述根据所述交通影响参数信息与所述目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重，包括：
    通过下式确定每条目标历史交通影响参数信息对应的权重βi
    Figure PCTCN2016104495-appb-100002
    其中，K为目标历史交通影响参数信息的数量，di为第i条目标历史交通影响参数信息与所述交通影响参数信息的距离。
  11. 一种速度预测装置，其特征在于，所述装置包括：
    第一获取模块，用于获取第一路段在当前时间段的交通影响参数信息，其中，所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数中的至少一种；
    第一确定模块，用于确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度；
    第二确定模块，用于根据所述第一确定模块确定的相似度，确定目标历史交通影响参数信息；
    第一预测模块，用于根据所述历史交通数据库中存储的、所述目标历史交通影响参数信息对应的时间段的下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
  12. 根据权利要求11所述的装置，其特征在于，所述装置还包括：
    识别模块，用于识别与所述第一路段的距离在第二预设阈值之内的至少一个第二路段；
    第二获取模块，用于获取每个第二路段的车辆在当前时间段对应的第二速度；
    第二预测模块，用于根据所述第一速度和所述第二速度，预测所述第一路段的车辆在下一时间段对应的第三速度。
  13. 根据权利要求11或12所述的装置，其特征在于，所述装置还包括：
    第三确定模块，用于根据所预测的第一路段的车辆在下一时间段对应的速度，及预设的每个速度与拥堵等级的对应关系，预测所述第一路段的车辆在下一时间段的拥堵等级。
  14. 根据权利要求12所述的装置，其特征在于，所述第二获取模块，包括：
    获得子模块，用于获得位于第二路段中的第一基站与第二基站的距离，所述车辆上的移动设备当前时间段经过所述第一基站的第一时刻及所述车辆上的移动设备经过所述第二基站的第二时刻；
    计算子模块，用于根据所述获得子模块获得的距离、所述第一时刻和所述第二时刻，计算所述车辆上的移动设备在所述第一基站与所述第二基站之间的速度；将多个车辆上的移动设备在所述第一基站与所述第二基站之间的速度的平均值作为所述第二路段的车辆在当前时间段对应的第二速度。
  15. 根据权利要求11所述的装置，其特征在于，所述第一确定模块，包括：
    第一确定子模块，用于确定所述当前时间段在历史交通数据库中对应的目标时间段；
    第二确定子模块，用于确定所述交通影响参数信息与历史交通数据库中存储的所述第一路段在所述目标时间段的历史交通影响参数信息的相似度。
  16. 根据权利要求11所述的装置，其特征在于，在所述交通影响参数信息包括当前天气对交通的影响参数、当前日期的属性对交通的影响参数、和特殊事件对交通的影响参数的情况下，所述第一确定模块，具体用于：
    根据下式得到所述交通影响参数信息与历史交通数据库中存储的所述第一路段的历史交通影响参数信息的相似度：
    Figure PCTCN2016104495-appb-100003
    其中，W、H和E分别为所述交通影响参数信息中包括的当前天气对交通的影响参数、当前日期的属性对交通的影响参数和特殊事件对交通的影响参数，Wh、Hh和Eh分别为历史交通影响参数信息中包括的历史天气对交通的影响参数、历史日期的属性对交通的影响参数和特殊事件对交通的影响参数。
  17. 根据权利要求11所述的装置，其特征在于，所述第二确定模块，具体用于：
    将与所述交通影响参数信息的相似度最大的历史交通影响参数信息确定为目标历史交通影响参数信息。
  18. 根据权利要求11所述的装置，其特征在于，所述第二确定模块，具体用于：
    将与所述交通影响参数信息的相似度大于第一预设阈值的至少两个历史交通影响参数信息确定为目标历史交通影响参数信息。
  19. 根据权利要求18所述的装置，其特征在于，所述第一预测模块，包括：
    第三确定子模块，用于根据所述交通影响参数信息与所述目标历史交通影响参数信息的距离，确定每条目标历史交通影响参数信息对应的权重；
    预测子模块，用于根据每条目标历史交通影响参数信息对应的权重及所述历史交通数据库中存储的所述目标历史交通影响参数信息对应的时间段的 下一时间段对应的车辆的速度，预测所述第一路段的车辆在下一时间段对应的第一速度。
  20. 根据权利要求19所述的装置，其特征在于，所述第三确定子模块，具体用于：
    通过下式确定每条目标历史交通影响参数信息对应的权重βi
    Figure PCTCN2016104495-appb-100004
    其中，K为目标历史交通影响参数信息的数量，di为第i条目标历史交通影响参数信息与所述交通影响参数信息的距离。
  21. 一种电子设备，其特征在于，包括：壳体、处理器、存储器、电路板和电源电路，其中，电路板安置在壳体围成的空间内部，处理器和存储器设置在电路板上；电源电路，用于为电子设备的各个电路或器件供电；存储器用于存储可执行程序代码；处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行权利要求1-10任一项所述的速度预测方法。
  22. 一种可执行程序代码，其特征在于，所述可执行程序代码用于被运行以执行权利要求1-10任一项所述的速度预测方法。
  23. 一种存储介质，其特征在于，所述存储介质用于存储可执行程序代码，所述可执行程序代码用于被运行以执行权利要求1-10任一项所述的速度预测方法。
PCT/CN2016/104495 2016-05-11 2016-11-04 一种速度预测方法及装置 Ceased WO2017193556A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP16901511.2A EP3457378B1 (en) 2016-05-11 2016-11-04 Speed prediction method and apparatus
US16/099,785 US10872525B2 (en) 2016-05-11 2016-11-04 Speed prediction method and apparatus

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201610309481.3A CN107369318A (zh) 2016-05-11 2016-05-11 一种速度预测方法及装置
CN201610309481.3 2016-05-11

Publications (1)

Publication Number Publication Date
WO2017193556A1 true WO2017193556A1 (zh) 2017-11-16

Family

ID=60266040

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2016/104495 Ceased WO2017193556A1 (zh) 2016-05-11 2016-11-04 一种速度预测方法及装置

Country Status (4)

Country Link
US (1) US10872525B2 (zh)
EP (1) EP3457378B1 (zh)
CN (1) CN107369318A (zh)
WO (1) WO2017193556A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377754A (zh) * 2018-10-29 2019-02-22 东南大学 一种车联网环境下的短时交通流速度预测方法
CN111143940A (zh) * 2019-12-19 2020-05-12 宁波吉利汽车研究开发有限公司 车辆滑行能量回收的触发方法、装置、电子设备及存储介质
CN111583668A (zh) * 2020-05-27 2020-08-25 北京百度网讯科技有限公司 交通拥堵检测方法、装置、电子设备和存储介质

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10154382B2 (en) 2013-03-12 2018-12-11 Zendrive, Inc. System and method for determining a driver in a telematic application
US9818239B2 (en) 2015-08-20 2017-11-14 Zendrive, Inc. Method for smartphone-based accident detection
WO2018049416A1 (en) 2016-09-12 2018-03-15 Zendrive, Inc. Method for mobile device-based cooperative data capture
US10012993B1 (en) 2016-12-09 2018-07-03 Zendrive, Inc. Method and system for risk modeling in autonomous vehicles
WO2019079807A1 (en) * 2017-10-20 2019-04-25 Zendrive, Inc. METHOD AND SYSTEM FOR VEHICULAR COMMUNICATIONS
US10278039B1 (en) 2017-11-27 2019-04-30 Zendrive, Inc. System and method for vehicle sensing and analysis
CN110197582A (zh) * 2018-02-27 2019-09-03 沈阳美行科技有限公司 数据分析方法、装置以及交通预警方法、装置
CN110782652B (zh) * 2018-11-07 2020-10-16 滴图(北京)科技有限公司 速度预测系统和方法
CN109872013A (zh) * 2019-03-26 2019-06-11 重庆同济同枥信息技术有限公司 高速公路交通时间地图构建方法、装置及系统
CN112309109B (zh) * 2019-08-01 2022-02-18 中移(苏州)软件技术有限公司 一种道路通行时间预测的方法、装置及存储介质
CN110619748A (zh) * 2019-10-22 2019-12-27 江苏广宇协同科技发展研究院有限公司 基于交通大数据的交通状况分析与预测方法、装置及系统
US11775010B2 (en) 2019-12-02 2023-10-03 Zendrive, Inc. System and method for assessing device usage
US12400272B2 (en) 2019-12-02 2025-08-26 Credit Karma, Llc System and method for assessing device usage
CN111860763A (zh) * 2020-06-05 2020-10-30 北京嘀嘀无限科技发展有限公司 模型训练、参数预测方法和装置、电子设备及存储介质
CN113808384B (zh) * 2020-06-16 2023-02-10 英业达科技有限公司 交通状况侦测方法
CN112071061B (zh) * 2020-09-11 2021-10-15 武汉云上融媒科技有限公司 基于云计算和数据分析的车辆服务系统
CN112926930A (zh) * 2021-04-14 2021-06-08 广州市钛菱云科技有限公司 一种外卖保鲜方法、系统、设备及计算机可读存储介质
CN113592136A (zh) * 2021-06-18 2021-11-02 阿波罗智联(北京)科技有限公司 一种交通数据预测方法、装置及电子设备
CN113688350B (zh) * 2021-07-15 2026-03-24 千方捷通科技股份有限公司 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端
CN115909711A (zh) * 2021-08-05 2023-04-04 中移智行网络科技有限公司 交通拥堵指数预测方法、装置及相关设备
CN113665576B (zh) * 2021-08-31 2024-07-26 中国第一汽车股份有限公司 车辆行驶工况预测方法、装置、设备及介质
WO2023102257A2 (en) 2021-12-03 2023-06-08 Zendrive, Inc. System and method for trip classification
CN114840618A (zh) * 2022-03-29 2022-08-02 阿里巴巴（中国）有限公司 通行特征预测方法、电子设备及存储介质
CN115440038B (zh) * 2022-08-31 2023-11-03 青岛海信网络科技股份有限公司 一种交通信息确定方法以及电子设备
CN115601967A (zh) * 2022-09-30 2023-01-13 广州天长信息技术有限公司（Cn） 一种高速路uj型驾驶逃费行为的数据分析方法
CN116453328A (zh) * 2023-02-14 2023-07-18 四川成绵苍巴高速公路有限责任公司成都分公司 基于etc数据的高速公路特殊事件交通态势感知与判别方法

Citations (5)

* 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
US20060064234A1 (en) * 2004-09-17 2006-03-23 Masatoshi Kumagai Traffic information prediction system
CN101436347A (zh) * 2008-12-09 2009-05-20 北京交通大学 一种快速路行程时间预测方法
CN103065469A (zh) * 2012-12-14 2013-04-24 中国航天系统工程有限公司 行程时间的确定方法和装置
CN104346925A (zh) * 2013-07-31 2015-02-11 国际商业机器公司 预测行车时间的方法和系统

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7221287B2 (en) 2002-03-05 2007-05-22 Triangle Software Llc Three-dimensional traffic report
CN101086804A (zh) * 2006-06-06 2007-12-12 杜存君 一种交通信息管理的方法和系统
US8103435B2 (en) * 2007-07-27 2012-01-24 George Mason Intellectual Properties, Inc. Near real-time traffic routing
US20100070128A1 (en) * 2008-09-15 2010-03-18 Microsoft Corporation vehicle operation by leveraging traffic related data
CN101510357B (zh) * 2009-03-26 2011-05-11 美慧信息科技（上海）有限公司 一种基于手机信号数据检测交通状态的方法
US8682956B2 (en) * 2011-06-09 2014-03-25 Gm Global Technology Operations, Inc Systems and methods for determining recommended media content for exchange between vehicles
US8781716B1 (en) * 2012-09-18 2014-07-15 Amazon Technologies, Inc. Predictive travel notifications
US9286793B2 (en) 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
US9224293B2 (en) * 2013-03-16 2015-12-29 Donald Warren Taylor Apparatus and system for monitoring and managing traffic flow
DE102013215208B4 (de) 2013-08-02 2026-03-26 Ford Global Technologies, Llc Verfahren und Vorrichtung zur Einparkunterstützung eines Fahrzeuges
US20150141036A1 (en) 2013-11-19 2015-05-21 At&T Mobility Ii Llc Method and apparatus for estimating traffic speed
US9536424B2 (en) * 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
US20150253144A1 (en) * 2014-03-10 2015-09-10 Sackett Solutions & Innovations Llc Methods and route planning systems for dynamic trip modifications and quick and easy alternative routes
US9659491B2 (en) * 2015-03-19 2017-05-23 Here Global B.V. Dynamic location referencing strands
CN105511869A (zh) * 2015-12-01 2016-04-20 福建工程学院 一种基于用户反馈的需求跟踪系统及方法
US10393534B2 (en) * 2016-05-25 2019-08-27 Here Global B.V. Determining speed information

Patent Citations (5)

* 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
US20060064234A1 (en) * 2004-09-17 2006-03-23 Masatoshi Kumagai Traffic information prediction system
CN101436347A (zh) * 2008-12-09 2009-05-20 北京交通大学 一种快速路行程时间预测方法
CN103065469A (zh) * 2012-12-14 2013-04-24 中国航天系统工程有限公司 行程时间的确定方法和装置
CN104346925A (zh) * 2013-07-31 2015-02-11 国际商业机器公司 预测行车时间的方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3457378A4 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109377754A (zh) * 2018-10-29 2019-02-22 东南大学 一种车联网环境下的短时交通流速度预测方法
CN109377754B (zh) * 2018-10-29 2021-07-02 东南大学 一种车联网环境下的短时交通流速度预测方法
CN111143940A (zh) * 2019-12-19 2020-05-12 宁波吉利汽车研究开发有限公司 车辆滑行能量回收的触发方法、装置、电子设备及存储介质
CN111143940B (zh) * 2019-12-19 2023-10-27 宁波吉利汽车研究开发有限公司 车辆滑行能量回收的触发方法、装置、电子设备及存储介质
CN111583668A (zh) * 2020-05-27 2020-08-25 北京百度网讯科技有限公司 交通拥堵检测方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
EP3457378A1 (en) 2019-03-20
US20190139402A1 (en) 2019-05-09
US10872525B2 (en) 2020-12-22
EP3457378B1 (en) 2024-08-21
CN107369318A (zh) 2017-11-21
EP3457378A4 (en) 2019-06-05

Similar Documents

Publication Publication Date Title
WO2017193556A1 (zh) 一种速度预测方法及装置
US11162797B2 (en) Map matching method and apparatus
US10775187B2 (en) Method, apparatus, and computer program product for determining lane level traffic information
US9417069B2 (en) Familiarity modeling
US11244177B2 (en) Methods and systems for roadwork zone identification
US10198941B2 (en) Method and apparatus for evaluating traffic approaching a junction at a lane level
EP4300336B1 (en) Method, apparatus, and computer program product for estimating the privacy risk of anonymized trajectory data
US11393334B2 (en) Method, apparatus, and computer program product for detecting changes in road traffic condition
KR20200067055A (ko) 교통정보 제공 장치 및 방법
US11238291B2 (en) Method, apparatus, and computer program product for determining if probe data points have been map-matched
EP4002763B1 (en) Method, apparatus, and computer program product for identifying privacy risks in datasets
US20180033297A1 (en) Method and apparatus for determining split lane traffic conditions utilizing both multimedia data and probe data
EP4012680B1 (en) Method, apparatus and computer program product for detecting a lane closure using probe data
US11448513B2 (en) Methods and systems for generating parallel road data of a region utilized when performing navigational routing functions
US20230196915A1 (en) Method, apparatus, and computer program product for determining lane closures along a road
EP4093063B1 (en) Method, apparatus, and computer program product for quantifying the privacy risk of trajectory data
US11580850B2 (en) Method, apparatus and computer program product for determining lane status confidence indicators using probe data
US11398153B1 (en) System and method for determining a driving direction
CN110807912A (zh) 一种道路行车速度预测方法、终端设备及存储介质
CN115206102A (zh) 确定交通路径的方法、装置、电子设备和介质
US20220180739A1 (en) Method, apparatus and computer program product for detecting a lane shift using probe data
Zhang et al. Usage based insurance model with point of interest data
CN120003474A (zh) 驾驶风险策略生成方法、车辆驾驶预警方法、装置、设备

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16901511

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2016901511

Country of ref document: EP

Effective date: 20181211