WO2020191701A1

WO2020191701A1 - 一种路况预测方法、装置、设备和计算机存储介质

Info

Publication number: WO2020191701A1
Application number: PCT/CN2019/080043
Authority: WO
Inventors: 黄际洲; 张昊
Original assignee: 北京百度网讯科技有限公司
Priority date: 2019-03-28
Filing date: 2019-03-28
Publication date: 2020-10-01
Also published as: JP7106794B2; EP3767605A4; US11823574B2; US20210241618A1; KR102457803B1; EP3767605A1; KR20200130439A; JP2021519933A

Abstract

一种路况预测方法、装置、设备和计算机存储介质。其中方法包括：确定导航路径被划分得到的至少两个连续的路段（步骤101）；从该导航路径的起点开始逐一针对各路段分别执行以下处理直至该导航路径的终点：确定用户到达当前处理的路段的时刻；预估该当前处理的路段在确定出的时刻的路况信息；基于该当前处理的路段在确定出的时刻的路况信息，预估该用户在该当前处理的路段的通行时长（步骤102）。该路况预测方式能够对用户到达各路段的时刻的路况进行预估，相比较基于用户查询时刻进行路况预估的方式，能够提供更加准确的路况信息。

Description

一种路况预测方法、装置、设备和计算机存储介质

技术领域

本发明涉及计算机应用技术领域，特别涉及一种路况预测方法、装置、设备和计算机存储介质。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就被认为是现有技术。

随着城市人口和城市车辆交通量的增加，城市特别是大城市的道路拥堵的问题已经成为驾车出行最关注的焦点之一。在北京、深圳等特大城市，高峰期的道路拥堵会造成70％以上的出行成本增加。对于每一位司机来说，如果能够准确地预估出未来一段时间内的路况信息，以辅助司机判断出应该如何选择出行时刻和出行路线来躲避拥堵，将会大大的提高出行效率。

现有导航工具均是以当前时刻(即用户的查询时刻)的路况信息为基准提供的。然而，从查询时刻到行进过程中往往是一个较长的时间过程，由于车辆行驶速度很快导致路况变化也会非常频繁，在该时间过程中路况可能会发生很大变化。因此现有导航工具向用户提供的导航路径中各路段的路况信息是不准确的，导致据此预估的到达时间也是不准确的，无法帮助用户做出正确的决策。

发明内容

有鉴于此，本发明提供了一种路况预测方法、装置、设备和计算机存储介质，以便于提供更加准确的路况信息。

第一方面，本发明提供了一种路况预测方法，该方法包括：

确定导航路径被划分得到的至少两个连续的路段；

从所述导航路径的起点开始逐一针对各路段分别执行以下处理直至所述导航路径的终点：

确定用户到达当前处理的路段的时刻；

预估所述当前处理的路段在确定出的时刻的路况信息；

基于所述当前处理的路段在确定出的时刻的路况信息，预估所述用户在所述当前处理的路段的通行时长。

根据本发明一优选实施方式，所述确定用户到达当前处理的路段的时刻包括：

对于从所述导航路径的起点开始的路段，将用户的出发时刻作为用户到达当前处理的路段的时刻；

对于其他路段，利用用户到达上一路段的时刻和预估得到的所述用户在所述上一路段的通行时长，确定用户到达当前处理的路段的时刻。

根据本发明一优选实施方式，预估所述当前处理的路段在确定出的时刻的路况信息包括：

确定用户到达当前处理的路段的时刻距离当前时刻的时长；

将所述当前处理的路段信息、所述时长以及外部因素特征输入预先训练得到的路况模型，得到所述当前处理的路段在所述确定出的时刻的路况信息。

根据本发明一优选实施方式，所述路况模型采用如下方式预先训练得到：

收集各路段的历史车流信息作为训练数据；

分别针对各路段执行以下处理：

依据路段在各历史时间点的车流信息确定该路段分别在各历史时间点对应的路况信息；

在各历史时间点回溯预设时长，确定在各历史时间点在该路段上行驶的用户分别来自的路段及其路况信息以及在各历史时间点回溯预设时长的外部因素特征作为分类模型的输入，将该路段分别在各历史时间点对应的路况信息作为分类模型的输出，训练所述分类模型，得到所述路况模型。

根据本发明一优选实施方式，基于所述当前处理的路段在确定出的时刻的路况信息，预估所述用户在所述当前处理的路段的通行时长包括：

确定所述当前处理的路段的通用特征，所述通用特征包括所述路况信息；

从所述用户的历史驾驶记录中，抽取所述用户通过所述当前处理的路段的个性化驾驶特征；

将所述通用特征和所述个性化驾驶特征输入预先训练得到的回归模型，得到用户在所述当前处理的路段的通行时长。

根据本发明一优选实施方式，所述回归模型采用如下方式预先训练得到：

将不同用户在各路段的通用特征、用户通过各路段的个性化驾驶特征以及用户通过各路段的通行时长作为训练样本；

将不同用户在各路段的通用特征和用户通过各路段的个性化驾驶特征作为输入，用户通过各路段的通行时长作为输出，训练回归模型。

根据本发明一优选实施方式，所述通用特征还包括以下至少一种：

路段长度、道路等级、交通灯数量、交通灯等待时长、外部因素特征。

根据本发明一优选实施方式，所述外部因素特征包括以下至少一种：

时间特征、星期特征、季节特征和天气特征。

根据本发明一优选实施方式，所述个性化驾驶特征包括以下至少一种：

用户在所述当前处理的路段的历史通行次数、所述用户的车辆信息、所述用户在所述当前处理的路段的历史驾驶速度与大众驾驶速度的方差。

根据本发明一优选实施方式，该方法还包括：

确定所述用户到达所述导航路径的终点时刻；或者，

确定所述用户在所述导航路径上的预计通行时长。

根据本发明一优选实施方式，该方法还包括：

将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现。

根据本发明一优选实施方式，所述将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现包括：

将预估得到的各路段的路况信息在时间轴上进行映射，在界面上动态展现依时间变化的车辆位置和路况信息。

根据本发明一优选实施方式，该方法还包括：

获取到用户在所述时间轴上的拖动操作；

在所述界面上展示用户拖动到的时间轴位置所对应的车辆位置和路况信息。

第二方面，本发明还提供了一种路况预测装置，该装置包括：

路段确定单元，用于确定导航路径被划分得到的至少两个连续的路段；

预测处理单元，用于从所述导航路径的起点开始逐一针对各路段分别执行以下处理直至所述导航路径的终点：

确定用户到达当前处理的路段的时刻；

预估所述当前处理的路段在确定出的时刻的路况信息；

根据本发明一优选实施方式，所述预测处理单元包括：

到达时刻确定子单元，用于对于从所述导航路径的起点开始的路段，将用户的出发时刻作为用户到达当前处理的路段的时刻；对于其他路段，利用用户到达上一路段的时刻和预估得到的所述用户在所述上一路段的通行时长，确定用户到达当前处理的路段的时刻。

根据本发明一优选实施方式，所述预测处理单元包括：

路况预估子单元，用于确定用户到达当前处理的路段的时刻距离当前时刻的时长；将所述当前处理的路段信息、所述时长以及外部因素特征输入预先训练得到的路况模型，得到所述当前处理的路段在所述确定出的时刻的路况信息。

根据本发明一优选实施方式，所述预测处理单元还包括：

第一训练子单元，用于采用如下方式预先训练所述路况模型：

收集各路段的历史车流信息作为训练数据；

分别针对各路段执行以下处理：

根据本发明一优选实施方式，所述预测处理单元包括：

通行时长预估子单元，用于确定所述当前处理的路段的通用特征，所述通用特征包括所述路况信息；从所述用户的历史驾驶记录中，抽取所述用户通过所述当前处理的路段的个性化驾驶特征；将所述通用特征和所述个性化驾驶特征输入预先训练得到的回归模型，得到用户在所述当前处理的路段的通行时长。

根据本发明一优选实施方式，所述预测处理单元还包括：

第二训练子单元，用于采用如下方式预先训练所述回归模型：

根据本发明一优选实施方式，该装置还包括：终点时刻确定单元或通行时长确定单元；

所述终点时刻确定单元，用于确定所述用户到达所述导航路径的终点时刻；

所述通行时长确定单元，用于确定所述用户在所述导航路径上的预计通行时长。

根据本发明一优选实施方式，该装置还包括：

动态展现单元，用于将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现。

第三方面，本发明提供了一种设备，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的方法。

第四方面，本发明提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上所述的方法。

由以上技术方案可以看出，本发明从导航路径起点开始逐个计算用户到达各路段的时刻并预测该时刻的路段路况，并基于预测的路况确定用户在各路段的通行时长，直至导航路径终点。这种路况预测方式能够对未来用户到达各路段的时刻进行路况预估，相比较基于用户查询时刻进行路况预估的方式，能够提供更加准确的路况信息。

附图说明

图1为本发明实施例提供的主要方法流程图；

图2为图1中步骤102的具体实现流程图；

图3为本发明实施例提供的实现流程的原理示意图；

图4a、图4b和图4c为本发明实施例提供的路况动态展现的示例图；

图5为本发明实施例提供的装置结构图；

图6出了适于用来实现本发明实施方式的示例性计算机系统/服务器的框图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

本发明的核心思想在于，以路段为单位，从导航路径起点开始逐个计算用户到达各路段的时刻并预测该时刻的路段路况，并基于预测的路况确定用户在各路段的通行时长，直至导航路径终点。下面结合实施例对本发明进行详细描述。

图1为本发明实施例提供的主要方法流程图，如图1中所示，该方法主要包括以下步骤：

在101中，确定导航路径被划分得到的至少两个连续的路段。

当用户在导航类应用中输入起点和终点进行导航路径的查询时，会匹配得到一条或者两条以上的导航路径。可以针对匹配得到的各条导航路径分别执行本发明实施例提供的方法进行路况预测，也可以仅对其中被选择出的若干条导航路径分别执行本发明实施例提供的方法进行路况预测。

例如，用户输入起点和终点后，导航类应用在地图数据库中匹配得到10条导航路径，可以针对这10条导航路径分别执行本发明实施例提供的方法进行路况预测。再例如，若其中3条导航路径的距离最近，则可以针对该3条导航路径分别执行本发明实施例提供的方法进行路况预测。在例如，若用户从这10条导航路径中选择出一条导航路径，则也可以仅针对用户选择出的该条导航路径执行本发明实施例提供的方法进行路况预测。本发明对此并不加以限制。

在本发明实施例中，一条导航路径可以被划分得到至少两个连续的路段。所谓路段指的是一段不包含分岔路口的道路，是路网的最小组成单元。导航路径被划分得到的连续路段的信息可以从路网数据库中获取，本发明对此不加以限制，仅需要获取并利用划分得到的结果即可。

在102中，从导航路径的起点开始逐一针对各连续的路段分别执行以下处理直至导航路径的终点：确定用户到达当前处理的路段的时刻；预估当前处理的路段在确定出的时刻的路况信息；基于当前处理的路段在确定出的时刻的路况信息，预估用户在当前处理的路段的通行时长。

作为其中一种具体的实施方式，上述步骤102的具体实现方式可以如图2中所示，具体包括以下步骤：

在201中，将导航路径起点开始的路段作为当前处理的路段，将用户的出发时刻作为用户到达当前处理路段的时刻。

在202中，预估当前处理的路段在确定出的时刻的路况信息。

所谓路况可以理解为路段的拥堵状况，可以体现为拥堵的程度。具体表示形式可以采用多种，例如可以以百分率、拥堵级别等形式表示，也可以以诸如畅通、缓行、拥堵、极度拥堵等分类的形式表示。

本步骤中，预估路段的路况信息时，使用基于分类模型实现的路况模型。为了方便理解，首先对路况模型的训练过程进行介绍。

首先，收集各路段的历史车流信息作为训练数据。从各路段的历史车流信息中可以获取到在各历史时间点各路段的车流状况，从而确定出各路段在各历史时间点的路况信息。其中各历史时间点可以采用预设的时间单位，例如以分钟为单位。还可以获取到各车辆标识在各历史时间点所在的路段，即在各历史时间点各路段上有哪些车辆。

分别针对各路段执行以下处理：

依据路段在各历史时间点的车流信息确定该路段分别在各历史时间点对应的路况信息，作为分类模型的输出。

在各历史时间点回溯预设时长(例如回溯1分钟、2分钟、3分钟、4分钟、5分钟)，提取在各历史时间点在该路段上行驶的用户分别来自的路段及其路况信息。举个例子，在历史时间点t，路段L上的所有用户在5分钟前只可能来自于路段L1和L2，5分钟前路段L1上有3个用户，路段L2上有5个用户。将此作为分类模型的第一输入特征。

还可以提取在各历史时间点回溯预设时长的外部因素特征作为分类模型的第二输入特征。其中外部因素特征可以包括但不限于时间特征、星期特征、季节特征和天气特征。

时间特征的表达可以采用诸如

和

进行连续性表达。其中，x是小时，y是分钟，z是秒钟。比如，早晨8：00：30时，x＝8，y＝0，z＝30，代入公式计算出两个值，共同作为时间特征进行记录。

星期特征的表达可以采用诸如

和

进行连续性表达，m是星期。比如，星期一对应m是0，星期二对应m是1，以此类推。

天气特征可以分为诸如晴天、阴天、小雨、大雨、小雪、大雪、恶劣等分类，使用one-hot(独热码)形式进行表达。比如，晴天时，天气特征表示为1,0,0,0,0,0,0。阴天时，天气特征表示为0,1,0,0,0,0,0。

季节特征可以分为春、夏、秋、冬四种分类，同样可以使用one-hot形式进行表达。比如，春季时，季节特征表示为1,0,0,0。夏季时，季节特征表示为0,1,0,0。

确定出输入特征和输出后，进行分类模型的训练，得到路况模型。其中路况模型由执行上述特征提取的模块和上述分类模型构成。其中分类模型可以采用诸如KNN(k-NearestNeighbor，K临近)分类算法等。训练得到的路况模型能够依据路段标识和回溯时间，得到该路段的路况信息。

上述模型训练过程为离线过程。基于上述训练得到的路况模型进行路段的路况预估是在线过程。

在进行路况预估时，首先确定用户到达当前处理的路段的时刻距离当前时刻的时长(即对应上面模型训练过程中的回溯时间)；将当前处理的路段信息、时长以及外部因素特征输入预先训练得到的路况模型，得到当前处理的路段在到达当前处理的路段的时刻的路况信息。其中，路况模型的处理过程原理参见训练过程中的描述，在此不再赘述。

在203中，基于当前处理的路段在确定出的时刻的路况信息，预估用户在当前处理的路段的通行时长。

具体地，可以首先确定当前处理的路段的通用特征，其中通用特征可以包括该路段的路况信息(即步骤202中预测得到的路况信息)。还可以进一步包括但不限于诸如路段长度、道路等级、交通灯数量、交通灯等待时长、外部因素特征。其中，外部因素特征可以包括时间特征、星期特征、季节特征和天气特征等中至少一种。

可以基于通用特征来预估用户在当前处理的路段的通行时长，这种方式已是比较成熟的。但作为本发明实施例的一种优选的实施方式，在通行时长预估时，除了路段的通用特征之外，还可以进一步结合用户的个性化特征。因为用户的个性化特征在路段的通行时长上体现得非常明显，同一路段，不同用户的驾驶习惯可能导致20％以上的效果差异。因此可以从用户的历史驾驶记录中，抽取该用户通过当前处理的路段的个性化驾驶特征。

其中，个性化驾驶特征可以包括以下至少一种：用户在当前处理的路段的历史通行次数、用户的车辆信息、用户在当前处理的路段的历史驾驶速度与大众驾驶速度的方差。

然后，将提取的上述通用特征和个性化驾驶特征输入预先训练得到的回归模型，得到用户在当前处理的路段的通行时长。

其中用户在当前处理的路段的通行时长指的是预估出的用户通过当前处理的路段所需要的时长，即用户从当前处理的路段的起点开始到达终点的时长。

下面对上述回归模型的训练过程进行简单介绍。

首先将不同用户在各路段的通用特征、用户通过各路段的个性化驾驶特征以及用户通过各路段的通行时长作为训练样本；将不同用户在各路段的通用特征和用户通过各路段的个性化驾驶特征作为输入，用户通过各路段的通行时长作为输出，训练回归模型。

其中在训练回归模型时采用的通用特征和个性化驾驶特征与上述利用训练模型进行通行时长预估时采用的通用特征和个性化驾驶特征具有相同的维度。在此不做赘述。

在204中，判断当前处理的路段是否到达导航路径终点，如果是，则结束步骤102的流程。否则，执行205。

在205中，利用用户到达当前处理路段的时刻以及用户在当前处理的路段的通行时长，确定用户到达下一路段的时刻。

在206中，将下一路段作为当前处理的路段，转至步骤202。

上述实现流程的原理可以如图3中所示，从导航路径被划分成各路段，从起点开始针对每个路段执行如图2所示的流程。对于路段i而言，利用用户到达路段i的时刻t _i确定出t _i距离当前时刻的时长作为回溯时间，将路段信息、回溯时间以及外部因素特征输入路况模型，得到路段i的路况信息。将包含路段i的路况信息的通用特征与用户在该路段i的特性化特征输入回归模型，得到用户在路段i的通行时长Δt _i。利用t _i和Δt _i得到用户到达下一路段i+1的时刻t _i+1。针对每个路段依次执行上述过程，直至终点。

继续参见图1，还可以进一步执行以下步骤：

在103中，确定用户到达导航路径的终点时刻。

本步骤可以采用以下两种方式：

第一种方式：利用用户的出发时刻，以及预估得到的各路段的通行时长，确定用户到达导航路径的终点时刻。

第二种方式：利用确定出的用户到达最后一路段的时刻以及预估得到的用户在最后一路段的通行时长，确定用户到达导航路径的终点时刻。

该到达导航路径的终点时刻可以用于向用户提供导航路径的预计到达时间。例如在导航界面上向用户提供“该导航路径预计10:26:00到达终点”。

除了103之外，也可以确定用户在整个导航路径上的预计通行时长，即将各路段的通行时长进行累加，并提供给用户。例如在导航界面上向用户提供“该导航路径预计用时22分钟”。

上述预估的到达导航路径的终点时刻或用户在整个导航路径上的预计通行时长可以用于系统选择导航路径以向用户反馈，也可以用于显示于导航界面上以供用户选择导航路径。

例如，系统计算出多条导航路径的预计通行时长后，可以从中选择3条预计通行时长最短的导航路径以在导航界面上反馈给用户。进一步地，这3条导航路径的预计通行时长也会显示在导航界面上，以便用户从中选择一条导航路径作为最终采用的导航路径。

在104中，将预估得到的各路段的路况信息和各时刻进行映射，在导航界面上对映射结果进行动态展现。

对于导航界面上的路况信息的预估结果展现，可以采用现有技术中的展现方式，例如以不同颜色区分导航结果中各路段的路况信息，这种展现方式往往是静态的。

但作为一种更优选的实施方式，可以采用104中所示的方式，对各路段的路况进行动态展现。具体地，可以将预估得到的各路段的路况信息在时间轴上进行映射，在导航界面上动态展现依时间变化的车辆位置和路况信息。

如图4a中所示，用户在导航应用中输入起点和终点后，针对匹配得到的各导航路径分别执行本发明实施例的上述方法流程后，得到各导航路径的通行时长，可以选取通行时长最短的三条导航路径作为三个方案供用户选择。若用户选择其中一条导航路径，则将预估得到的该导航路径各路段的路况信息在时间轴上进行映射，在导航界面上动态展现依时间变化的车辆位置和路况信息。图4a为开始播放的界面示例图，开始播放时，车辆位置在起点位置，在时间轴(播放进度条)上指示用户出行时间。图4b为播放过程中的界面示例图，界面上车辆位置依据时间变化位于对应的路段，并采用不同的颜色展现当前时刻该路段的路况信息，在时间轴(播放进度条)上也随着指示相应的时刻。图4c为播放结束的界面示例图，界面上车辆位置在终点，在时间轴(播放进度条)上指示用户到达终点的时间。上述整个播放过程可以依据用户触发执行，例如用户在选择了其中一个导航路径，或者点击播放按钮后，自动播放长度在2～5秒的动态过程。也可以对于默认展现的导航路径自动播放长度在2～5秒的动态过程。

更进一步地，用户也可以手工在时间轴(播放进度条)上进行拖动操作，观察指定时刻的车辆位置和该时刻的路况。即获取到用户在时间轴上的拖动操作，则在界面上展示用户拖动到的时间轴位置所对应的车辆位置和路况信息。

以上是对本发明所提供的方法进行的详细描述，下面对本发明实施例提供的路况预测装置进行详细描述。该路况预测装置用以执行上述方法实施例中的操作。该装置可以位于本地终端的应用，或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者，还可以位于服务器端，本发明实施例对此不进行特别限定。

图5为本发明实施例提供的装置结构图，如图5所示，该装置可以包括：路段确定单元00和预测处理单元10，还可以进一步包括终点时刻确定单元20、通行时长确定单元30、动态展现单元40中的至少一种。图5中以同时包括上述单元为例。

路段确定单元00负责确定导航路径被划分得到的至少两个连续的路段。

在本发明实施例中，一条导航路径可以被划分得到至少两个连续的路段。导航路径被划分得到的连续路段的信息可以从路网数据库中获取，本发明对此不加以限制，路段确定单元00仅需要获取并利用划分得到的结果即可。

预测处理单元10负责从导航路径的起点开始逐一针对各路段分别执行以下处理直至导航路径的终点：确定用户到达当前处理的路段的时刻；预估当前处理的路段在确定出的时刻的路况信息；基于当前处理的路段在确定出的时刻的路况信息，预估用户在当前处理的路段的通行时长。

具体地，预测处理单元10可以包括：到达时刻确定子单元11、路况预估子单元12、第一训练子单元13、通行时长预估子单元14和第二训练子单元15。

其中，到达时刻确定子单元11负责确定用户到达当前处理的路段的时刻。具体地，对于从导航路径的起点开始的路段，可以将用户的出发时刻作为用户到达当前处理的路段的时刻；对于其他路段，利用用户到达上一路段的时刻和预估得到的用户在上一路段的通行时长，确定用户到达当前处理的路段的时刻。

路况预估子单元12负责确定用户到达当前处理的路段的时刻距离当前时刻的时长；将当前处理的路段信息、时长以及外部因素特征输入预先训练得到的路况模型，得到当前处理的路段在确定出的时刻的路况信息。

第一训练子单元13负责采用如下方式预先训练路况模型：

收集各路段的历史车流信息作为训练数据；

分别针对各路段执行以下处理：

在各历史时间点回溯预设时长，提取在各历史时间点在该路段上行驶的用户分别来自的路段及其路况信息以及在各历史时间点回溯预设时长的外部因素特征作为分类模型的输入，将该路段分别在各历史时间点对应的路况信息作为分类模型的输出，训练分类模型，得到路况模型。该路况模型包括执行提取上述特征的模块以及上述分类模型。

其中外部因素特征可以包括但不限于时间特征、星期特征、季节特征和天气特征。对于各种外部因素特征的表达具体参见方法实施例中的描述。

其中分类模型可以采用诸如KNN(k-NearestNeighbor，K临近)分类算法等。

通行时长预估子单元14负责确定当前处理的路段的通用特征，通用特征包括路况信息；从用户的历史驾驶记录中，抽取用户通过当前处理的路段的个性化驾驶特征；将通用特征和个性化驾驶特征输入预先训练得到的回归模型，得到用户在当前处理的路段的通行时长。

第二训练子单元15采用如下方式预先训练回归模型：

上述通用特征可以包括该路段的路况信息(即路况预估子单元12预测得到的路况信息)。还可以进一步包括但不限于诸如路段长度、道路等级、交通灯数量、交通灯等待时长、外部因素特征。其中，外部因素特征可以包括时间特征、星期特征、季节特征和天气特征等中至少一种。

个性化驾驶特征可以包括以下至少一种：用户在当前处理的路段的历史通行次数、用户的车辆信息、用户在当前处理的路段的历史驾驶速度与大众驾驶速度的方差。

终点时刻确定单元20负责确定用户到达导航路径的终点时刻。具体可以采用以下两种方式：

通行时长确定单元30负责确定用户在导航路径上的预计通行时长。具体可以确定用户在整个导航路径上的预计通行时长，即将各路段的通行时长进行累加，并提供给用户。

动态展现单元40负责将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现。具体地，可以将预估得到的各路段的路况信息在时间轴上进行映射，在导航界面上动态展现依时间变化的车辆位置和路况信息。

更进一步地，用户也可以手工在时间轴(播放进度条)上进行拖动操作，观察指定时刻的车辆位置和该时刻的路况。即动态展现单元40获取到用户在时间轴上的拖动操作，则在界面上展示用户拖动到的时间轴位置所对应的车辆位置和路况信息。

另外，在展现上还可以结合一些其他设计，例如在播放过程中不同颜色展现的是用户正在或即将到达的路段的预测路况，而用户走过的路段的路况将设置为灰色。

图6示出了适于用来实现本发明实施方式的示例性计算机系统/服务器012的框图。图6显示的计算机系统/服务器012仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图6所示，计算机系统/服务器012以通用计算设备的形式表现。计算机系统/服务器012的组件可以包括但不限于：一个或者多个处理器或者处理单元016，系统存储器028，连接不同系统组件(包括系统存储器028和处理单元016)的总线018。

总线018表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机系统/服务器012典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器012访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器028可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)030和/或高速缓存存储器032。计算机系统/服务器012可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统034可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线018相连。存储器028可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块042的程序/实用工具040，可以存储在例如存储器028中，这样的程序模块042包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块042通常执行本发明所描述的实施例中的功能和/或方法。

计算机系统/服务器012也可以与一个或多个外部设备014(例如键盘、指向设备、显示器024等)通信，在本发明中，计算机系统/服务器012与外部雷达设备进行通信，还可与一个或者多个使得用户能与该计算机系统/服务器012交互的设备通信，和/或与使得该计算机系统/服务器012能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口022进行。并且，计算机系统/服务器012还可以通过网络适配器020与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器020通过总线018与计算机系统/服务器012的其它模块通信。应当明白，尽管图6中未示出，可以结合计算机系统/服务器012使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元016通过运行存储在系统存储器028中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的方法流程。

上述的计算机程序可以设置于计算机存储介质中，即该计算机存储介质被编码有计算机程序，该程序在被一个或多个计算机执行时，使得一个或多个计算机执行本发明上述实施例中所示的方法流程和/或装置操作。例如，被上述一个或多个处理器执行本发明实施例所提供的方法流程。

随着时间、技术的发展，介质含义越来越广泛，计算机程序的传播途径不再受限于有形介质，还可以直接从网络下载等。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

由以上描述可以看出，本发明实施例提供的上述方法、装置设备和计算机存储介质可以具备以下优点：

1)本发明从导航路径起点开始逐个计算用户到达各路段的时刻并预测该时刻的路段路况，并基于预测的路况确定用户在各路段的通行时长，直至导航路径终点。这种路况预测方式能够对未来用户到达各路段的时刻进行路况预估，相比较基于用户查询时刻进行路况预估的方式，能够提供更加准确的路况信息。

2)基于上述预测方式得到的路况信息，能够更加准确地确定导航路径的终点到达时间和导航路径的通行时长，以帮助用户做出正确的决策。

3)本发明针对各路段提供的路况预估方式，能够针对历史学习到的路况规律，准确地预估出未来一段时间的路况变化情况。

4)本发明针对各路段进行通行时长预估时，考虑到用户的驾驶行为和习惯，将用户的个性化驾驶特征融入通行时长的预估，从而为用户提供更准确的预估结果。

5)本发明将车辆在导航路径上的行驶位置和路况在时间轴上进行结合展现和动态播放，用户也可以手动拖动进度条以观察各时刻的车辆位置和路况。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims

一种路况预测方法，其特征在于，该方法包括：

确定导航路径被划分得到的至少两个连续的路段；

从所述导航路径的起点开始逐一针对各路段分别执行以下处理直至所述导航路径的终点：

确定用户到达当前处理的路段的时刻；

预估所述当前处理的路段在确定出的时刻的路况信息；

基于所述当前处理的路段在确定出的时刻的路况信息，预估所述用户在所述当前处理的路段的通行时长。
根据权利要求1所述的方法，其特征在于，所述确定用户到达当前处理的路段的时刻包括：

对于从所述导航路径的起点开始的路段，将用户的出发时刻作为用户到达当前处理的路段的时刻；

对于其他路段，利用用户到达上一路段的时刻和预估得到的所述用户在所述上一路段的通行时长，确定用户到达当前处理的路段的时刻。
根据权利要求1所述的方法，其特征在于，预估所述当前处理的路段在确定出的时刻的路况信息包括：

确定用户到达当前处理的路段的时刻距离当前时刻的时长；

将所述当前处理的路段信息、所述时长以及外部因素特征输入预先训练得到的路况模型，得到所述当前处理的路段在所述确定出的时刻的路况信息。
根据权利要求3所述的方法，其特征在于，所述路况模型采用如下方式预先训练得到：

收集各路段的历史车流信息作为训练数据；

分别针对各路段执行以下处理：

依据路段在各历史时间点的车流信息确定该路段分别在各历史时间点对应的路况信息；

在各历史时间点回溯预设时长，确定在各历史时间点在该路段上行驶的用户分别来自的路段及其路况信息以及在各历史时间点回溯预设时长的外部因素特征作为分类模型的输入，将该路段分别在各历史时间点对应的路况信息作为分类模型的输出，训练所述分类模型，得到所述路况模型。
根据权利要求1所述的方法，其特征在于，基于所述当前处理的路段在确定出的时刻的路况信息，预估所述用户在所述当前处理的路段的通行时长包括：

确定所述当前处理的路段的通用特征，所述通用特征包括所述路况信息；

从所述用户的历史驾驶记录中，抽取所述用户通过所述当前处理的路段的个性化驾驶特征；

将所述通用特征和所述个性化驾驶特征输入预先训练得到的回归模型，得到用户在所述当前处理的路段的通行时长。
根据权利要求5所述的方法，其特征在于，所述回归模型采用如下方式预先训练得到：

将不同用户在各路段的通用特征、用户通过各路段的个性化驾驶特征以及用户通过各路段的通行时长作为训练样本；

将不同用户在各路段的通用特征和用户通过各路段的个性化驾驶特征作为输入，用户通过各路段的通行时长作为输出，训练回归模型。
根据权利要求6所述的方法，其特征在于，所述通用特征还包括以下至少一种：

路段长度、道路等级、交通灯数量、交通灯等待时长、外部因素特征。
根据权利要求3、4或7所述的方法，其特征在于，所述外部因素特征包括以下至少一种：

时间特征、星期特征、季节特征和天气特征。
根据权利要求5所述的方法，其特征在于，所述个性化驾驶特征包括以下至少一种：

用户在所述当前处理的路段的历史通行次数、所述用户的车辆信息、所述用户在所述当前处理的路段的历史驾驶速度与大众驾驶速度的方差。
根据权利要求1所述的方法，其特征在于，该方法还包括：

确定所述用户到达所述导航路径的终点时刻；或者，

确定所述用户在所述导航路径上的预计通行时长。
根据权利要求1或10所述的方法，其特征在于，该方法还包括：

将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现。
根据权利要求11所述的方法，其特征在于，所述将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现包括：

将预估得到的各路段的路况信息在时间轴上进行映射，在界面上动态展现依时间变化的车辆位置和路况信息。
根据权利要求12所述的方法，其特征在于，该方法还包括：

获取到用户在所述时间轴上的拖动操作；

在所述界面上展示用户拖动到的时间轴位置所对应的车辆位置和路况信息。
一种路况预测装置，其特征在于，该装置包括：

路段确定单元，用于确定导航路径被划分得到的至少两个连续的路段；

预测处理单元，用于从所述导航路径的起点开始逐一针对各路段分别执行以下处理直至所述导航路径的终点：

确定用户到达当前处理的路段的时刻；

预估所述当前处理的路段在确定出的时刻的路况信息；

基于所述当前处理的路段在确定出的时刻的路况信息，预估所述用户在所述当前处理的路段的通行时长。
根据权利要求14所述的装置，其特征在于，所述预测处理单元包括：

到达时刻确定子单元，用于对于从所述导航路径的起点开始的路段，将用户的出发时刻作为用户到达当前处理的路段的时刻；对于其他路段，利用用户到达上一路段的时刻和预估得到的所述用户在所述上一路段的通行时长，确定用户到达当前处理的路段的时刻。
根据权利要求14所述的装置，其特征在于，所述预测处理单元包括：

路况预估子单元，用于确定用户到达当前处理的路段的时刻距离当前时刻的时长；将所述当前处理的路段信息、所述时长以及外部因素特征输入预先训练得到的路况模型，得到所述当前处理的路段在所述确定出的时刻的路况信息。
根据权利要求16所述的装置，其特征在于，所述预测处理单元还包括：

第一训练子单元，用于采用如下方式预先训练所述路况模型：

收集各路段的历史车流信息作为训练数据；

分别针对各路段执行以下处理：

依据路段在各历史时间点的车流信息确定该路段分别在各历史时间点对应的路况信息；

在各历史时间点回溯预设时长，确定在各历史时间点在该路段上行驶的用户分别来自的路段及其路况信息以及在各历史时间点回溯预设时长的外部因素特征作为分类模型的输入，将该路段分别在各历史时间点对应的路况信息作为分类模型的输出，训练所述分类模型，得到所述路况模型。
根据权利要求14所述的装置，其特征在于，所述预测处理单元包括：

通行时长预估子单元，用于确定所述当前处理的路段的通用特征，所述通用特征包括所述路况信息；从所述用户的历史驾驶记录中，抽取所述用户通过所述当前处理的路段的个性化驾驶特征；将所述通用特征和所述个性化驾驶特征输入预先训练得到的回归模型，得到用户在所述当前处理的路段的通行时长。
根据权利要求18所述的装置，其特征在于，所述预测处理单元还包括：

第二训练子单元，用于采用如下方式预先训练所述回归模型：

将不同用户在各路段的通用特征、用户通过各路段的个性化驾驶特征以及用户通过各路段的通行时长作为训练样本；

将不同用户在各路段的通用特征和用户通过各路段的个性化驾驶特征作为输入，用户通过各路段的通行时长作为输出，训练回归模型。
根据权利要求14所述的装置，其特征在于，该装置还包括：终点时刻确定单元或通行时长确定单元；

所述终点时刻确定单元，用于确定所述用户到达所述导航路径的终点时刻；

所述通行时长确定单元，用于确定所述用户在所述导航路径上的预计通行时长。
根据权利要求14或20所述的装置，其特征在于，该装置还包括：

动态展现单元，用于将预估得到的各路段的路况信息和各时刻进行映射，在界面上对映射结果进行动态展现。
一种设备，其特征在于，所述设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-13中任一所述的方法。
一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-13中任一所述的方法。