一种基于云端短时路径预测的路况播报方法及系统与流程

本发明涉及一种基于云端短时路径预测的路况播报方法及系统，属于智能交通技术领域。

背景技术：

传统的实时路况播报，一般是在车载终端接收特定编码的实时交通信息，以可视化的方式与导航系统结合应用，将信息展示给驾驶者。这种交通信息的传递方式需要驾驶员投入很大精力进行交互，影响驾驶安全。相反，不使用导航系统的一些实时路况播报方式，又具有提供的交通信息缺少针对性的特点，给驾驶员提供了大量的无效信息。

技术实现要素：

本发明的目的在于提供一种基于云端短时路径预测的路况播报方法及系统，以解决现有技术中导致的上述多项缺陷或缺陷之一。

一种基于云端短时路径预测的路况播报方法，所述方法包括如下步骤：

车载终端获取汽车位置坐标，并通过无线通讯发送至云端服务器；

车载终端对汽车位置坐标进行转换，并获取以该位置为圆心的半径覆盖范围内路段的路况信息；

云端服务器根据实时收到的位置数据计算车辆的行驶距离，将收到的车辆位置存入数据库；

云端服务器根据数据库历次数据训练出的rnn和当前出行数据预测车辆行驶路径；

将预测车辆行驶路径发送车载终端；

取半径覆盖范围内路段的路况信息与预测车辆行驶路径产生的道路交集，获取到需要广播的拥堵路段信息；

车载终端通过tts技术，将形成的文字信息转换为语音播报出来。

优选的，所述车辆行驶距离的计算方法包括如下步骤：

计算出纬度差：delta_lat＝(lat1-lat2)·π/180；

计算出经度差：delta_lng＝(lng1-lng2)·π/180；

车辆行驶距离为：

其中(lat1，lng1)和(lat2，lng2)分别表示两车辆的经纬度坐标，r为地球半径；

车辆行驶的平均速度为：v＝delta_s/delta_t，其中，delta_t为两次测量的时间间隔，单位秒。

优选的，所述获取汽车位置坐标通过gps对车辆进行定位。

优选的，所述预测车辆行驶路径的方法包括，所述云端服务器根据该车载终端当前的短时路径预测进行计算，当计算结果向量中最高值大于0.6时，即预测将要选用的分道口概率大于60％，将车辆当前所在道路以及与该预测分道口连接的道路作为结果集发送至车载终端，否则，云端服务器发送一个空集至车载终端。

优选的，所述云端服务器定期提取车载终端产生的运行数据，作为训练样本，更新该车载终端的短时路径预测rnn。

优选的，所述短时路径预测rnn的构建方法包括如下步骤：

构建道路分道口字典，并记录各种道路中心点gps坐标；

构建标准的输入输出等长的rnn模型；

云端服务器对用户上传的位置信息进行处理，定位出具体的路段；

将输入样本构建为维向量，并记录当天的日期；

以用户退出采集程序或日期变化作为输入序列的终点；序列最后一个输入不计入样本。

一种基于云端短时路径预测的路况播报系统，所述系统包括：

车载终端：用于通过gps芯片进行定位，并通过网络通讯将车辆位置信息发送给云端服务器，以及播报语音实时交通信息；

云端服务器：用于接收车辆位置信息，使用车辆数据训练rnn模型，实时的根据模型进行车辆行驶路径的短时预测，将预测结果发送至车载终端。

数据库：用于存储云端服务器实时发送的车辆位置信息。

优选的，所述车载终端为搭载android/ios手机，或者包括中央处理器、显示模块、数据收发模块、音频模块的搭载windows/linux/ios操作系统的设备。

与现有技术相比，本发明所达到的有益效果：本发明提供了一种基于云端短时路径预测的路况播放方法，通过智能算法的短时路径预测，驾驶员可以获取经过提炼的精准的实时交通路况信息，通过车载设备对交通路况信息进行播报，给驾驶带来了方便，也减少了驾驶过程中的安全隐患；为驾驶员的路径选择提供参考，从而引导驾驶员选择路况较好的道路，减少由于事故或道路拥堵等原因造成的延误，同时对车流进行合理有效地疏散，节省路上时间，减少安全隐患。本发明可以为驾驶员实时提供精准的路况信息，为驾驶员的路径选择提供有效的参考，避免拥堵，减少安全隐患，并且可以对车流进行合理的引导，有利于道路资源得到充分利用。

附图说明

图1是本发明流程图；

图2是本发明系统结构图。

图3是rnn模型示意图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

如图1所示，公开了一种基于云端短时路径预测的路况播报方法，所述方法包括以下步骤：

步骤1：车载终端利用gps对车辆进行定位，通过无线通讯将位置数据发送至云端服务器。

步骤2：车载终端利用地图服务商提供的web服务，对gps坐标进行转换，使其适配地图服务商的坐标系统，获取以该位置为圆心，8千米为半径的圆形覆盖范围内路段的路况信息；包括各路段的坐标区间和实时拥堵状态。

步骤3：云端服务器根据连续收到的位置数据计算车辆的行驶距离，将收到的车辆位置存入数据库。

步骤4：云端服务器利用根据该车载终端历次使用的数据训练出的rnn，以及当前出行产生的数据，预测车辆的行驶路径，包括车辆当前所在道路以及预测的下一个分道口所指向的道路。云端服务器将预测的车辆行驶路径发送至车载终端。

步骤5：车载终端取步骤2与步骤4产生的道路的交集，选出需要广播的拥堵路段信息，车载终端通过tts技术，将形成的文字信息转换为语音播报出来，云端服务器定期提取车载终端产生的运行数据，作为训练样本，更新该车载终端的短时路径预测rnn。

在本实施例中：步骤1.1：车载终端通过gps对车辆进行定位；步骤1.2：如gps信号弱或可定位卫星小于3颗，重复执行步骤1.1；

本实施例中：步骤3.1：车辆行驶距离的计算方法为

纬度差

delta_lat＝(lat1-lat2)·π/180

经度差

delta_lng＝(lng1-lng2)·π/180

车辆行驶距离为

其中，(lat1，lng1)和(lat2，lng2)表示两个经纬度坐标，r为地球半径，取6378137米；

步骤3.2：车辆行驶的平均速度为：

v＝delta_s/delta_t

其中，delta_t为两次测量的时间间隔，单位秒；v为速度，应符合汽车的速度要求，大于50m/s即180km/h的数据作为异常数据进行清理。

在本实施例中：步骤4.1：云端服务器根据该车载终端当前的短时路径预测rnn模型进行计算，当计算结果向量中最大者大于0.6时，即预测将要选用的分道口概率在60％以上时，将车辆当前所在道路以及与该预测分道口连接的道路作为结果集发送至车载终端。短时路径预测rnn的构建方法如步骤6中所述；

步骤4.2：否则，云端服务器发送一个空集至车载终端。

在本实施例中，步骤6.1：以城市为单位，构建道路分道口字典，为每一个分道口编号，字典集合记为n。平交道口记录中心点gps坐标，城市快速路等立交分道口记录道路中心点gps坐标。

步骤6.2：构建标准的输入输出等长的rnn模型，如图3所示，

x^<t>代表在序列索引号为t时训练样本的输入；a^<t>代表在序列索引号为t时模型的隐藏状态；y^<t>代表在序列索引号为t时模型的输出；隐藏层激活函数选用tanh函数，即：

a^<t>＝tanh(u·x^<t>+w·a^<t-1>+b)

其中，u，w，b为待学习的参数。

输出层的激活函数选用softmax函数，即：

损失函数选用交叉熵函数，即

其中，m为所选训练样本的数量，r(i)为样本i的实际值，为对应t时刻根据模型所得的估计值，即

步骤6.3：云端服务器对用户上传的每一包位置信息进行处理，通过地图服务商的web服务，定位于具体的路段，根据车辆前进方向在步骤6.1提到的字典n中选定距离最近的分道口nc1，当通过该分道口时，即用户与该分道口的距离由小开始变大时，记录该数据包的发送时间为tc1，距离的计算方式如步骤3.1中描述。

步骤6.4：t时刻的输入样本x^<t>构建成大小为n+2维的向量，其中n为步骤6.1中提到的n的大小。x^<t>的前n维向量表示所有分道口信息，其中分道口nc1表示的向量为1，其他n-1维向量记都为0，x^<t>的第n+1维向量为时间tc1，记为当天0点0分0秒开始经过的秒数；第n+2维向量取[1,7]，表示当天日期的星期数。

步骤6.5：用户通过分道口nc1后，按照步骤6.3的方式记录下一个分道口nc2和通过该分道口时的时间tc2。按照步骤6.4的方式构造下一时刻的输入样本x^<t+1>，同时，取x^<t+1>的前n维向量，作为t时刻的输出样本，记为y^<t>。

步骤6.6：以用户退出采集程序或日期变化作为输入序列的终点。序列最后一个输入不计入样本。

如图2所示，公开了一种基于云端短时路径预测的路况播报系统，所述系统包括：

车载终端：用于通过gps芯片进行定位，并通过网络通讯将车辆位置信息发送给云端服务器，以及播报语音实时交通信息；

云端服务器：用于接收车辆位置信息，使用车辆数据训练rnn模型，实时的根据模型进行车辆行驶路径的短时预测，将预测结果发送至车载终端。

数据库：用于存储云端服务器实时发送的车辆位置信息。

在本实施例中，所述车载终端为搭载android/ios手机，或者包括中央处理器、显示模块、数据收发模块、音频模块的搭载windows/linux/ios操作系统的设备。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。