一种预测路况的导航方法及系统与流程

本发明涉及计算机技术领域，特别涉及一种预测路况的导航方法及系统。

背景技术：

导航是利用全球定位系统定位用户位置，且配合设置的电子地图来为用户终端规划路径的技术，其可以方便且准确地告知用户终端到达目的地的路径，且告知该路径的路况信息。

为了获取用户终端所需路径的路况信息，采用的方式为：

首先，根据大量的其他用户终端的位置信息确定在该路径上的某个位置行驶的其他用户终端信息；

其次，根据所确定的其他用户终端信息，得到其他用户终端当前行驶速度等行驶状态信息；

再次，分析得到的在该路径上的某个位置的大量的其他用户终端的行驶状态信息，确定该路径上的某个位置的路况信息；

最后，根据上述方式确定该路径上的各个位置的路况信息，汇总得到该路径上的路况信息。

这样，就可以估算得到用户终端所需路径的路况信息，并发送给用户终端参考。当然，在此基础上，也可以辅以官方采集的路况信息、交通部门信息及向其他专业公司路况信息等手段，使得所提供的路径路况信息准确率很高。

采用上述方式获取用户终端所需路径的路况信息有一个缺点，就是所获取的用户终端所需路径的路况信息是实时的，无法对用户终端所需路径的未来路况信息进行预测。在很多时候，为用户中的提供的所需路径的路况信息指示为路况良好，但是，当用户终端在一段时间后行驶到该路径上时又发生了拥堵状况，这时，对于用户终端来说，已经来不及切换路径防止被堵了，造成了用户体验度下降。

技术实现要素：

有鉴于此，本发明实施例提供一种预测路况的导航方法，该方法能够准确预测用户终端行驶路径的未来路况信息。

本发明实施例还提供一种预测路况的导航系统，该系统能够准确预测用户终端行驶路径的未来路况信息。

本发明实施例是这样实现的：

一种预测路况的导航方法，该方法包括：

训练得到神经网络模型；

将采集得到的用户终端行驶路径上各个位置的当前路况信息作为输入，输入到该神经网络模型；

该神经网络模型输出得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

所述神经网络模型为基于注意力机制的卷积神经网络。

所述方法还包括：

根据用户终端行驶路径上各个位置的设定的未来时间段的路况信息，更新为用户终端提供的行驶路径。

所述采集得到的用户终端行驶路径上各个位置的当前路况信息包括：

当前交通状况信息、影像信息、各个位置的所属道路属性信息及时间段信息。

所述当前交通状况信息为当前的交通状态，包括畅通、轻微拥堵、拥堵和严重拥堵；

所述影像信息包括行驶在用户终端行驶路径上的其他用户终端在各个位置发送的影像信息，或/和在用户终端行驶路径上的各个位置设置的摄像头获取的影像信息；

所述各个位置的所属道路属性信息表明了各个位置的所属道路性质；

所述时间段信息表明所处的时间段是否为各个位置所属道路为城市道路时，时间段是否为高峰时段。

所述设定的未来时间段包括设定的多个未来时间段。

所述基于注意力机制的卷积神经网络包括注意力层、卷积层及全连接层；

所述采集得到的用户终端行驶路径上各个位置的当前路况信息进行向量化后，输入基于注意力机制的卷积神经网络中；

经过了基于注意力机制的卷积神经网络中的注意力层的注意力机制处理、卷积层的卷积处理及全连接层的连接处理后，输出得到短期、中期和长期的预测拥堵级别，作为所述用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

一种预测路况的导航系统，包括：网络模型单元及输出单元，其中，

网络模块单元，用于训练训练得到神经网络模型；运行所述神经网络模型，得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息；

输入单元，用于将采集得到的用户终端行驶路径上各个位置的当前路况信息作为输入，输入到网络模块单元中的所述神经网络模型；

输出单元，用于输出得到的用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

所述神经网络模型为基于注意力机制的卷积神经网络。

如上可见，本发明实施例训练得到基于注意力机制的卷积神经网络，将采集得到的用户终端行驶路径上各个位置的当前路况信息作为输入，输入到该基于注意力机制的卷积神经网络，输出得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息。这样，就可以准确预测用户终端行驶路径的未来路况信息。

附图说明

图1为本发明实施例提供的预测路况的导航方法流程图；

图2为本发明实施例提供的其他用户终端的行车记录仪拍摄的影像示意图；

图3为本发明实施例在用户终端行驶路径上由交通部门设置的摄像头采集的影像示意图；

图4～图7所示的本发明实施例提供的用于训练基于注意力机制的卷积神经网络的各个影像示意图；

图8为本发明实施例提供的基于注意力机制的卷积神经网络训练过程示意图；

图9为本发明实施例提供的首次为用户终端规划的行驶路线图；

图10为本发明实施例提供的为用户终端动态规划的行驶路线图；

图11为本发明实施例提供的预测路况的导航系统结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

本发明实施例为了准确预测用户终端行驶路径的未来路况信息，训练得到基于注意力机制的卷积神经网络，将采集得到的用户终端行驶路径上各个位置的当前路况信息作为输入，输入到该基于注意力机制的卷积神经网络，输出得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

这样，就可以准确预测用户终端行驶路径的未来路况信息。

在本发明实施例中，基于注意力机制的卷积神经网络可以采用其他类型的神经网络模型实现，只需要对所设置的其他类型的神经网络模型预先进行训练即可。本发明实施例以基于注意力机制的卷积神经网络为例进行详细说明，当然，以下叙述的方法及系统也可以采用其他类型的神经网络模型实现，过程相同，不再赘述。

图1为本发明实施例提供的预测路况的导航方法流程图，其具体步骤为：

步骤101、训练得到基于注意力机制的卷积神经网络；

步骤102、将采集得到的用户终端行驶路径上各个位置的当前路况信息作为输入，输入到该基于注意力机制的卷积神经网络；

步骤103、该基于注意力机制的卷积神经网络输出得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

在该方法中，还包括：根据用户终端行驶路径上各个位置的设定的未来时间段的路况信息，更新为用户终端提供的行驶路径。

在该方法中，所述采集得到的用户终端行驶路径上各个位置的当前路况信息包括：当前交通状况信息、影像信息、各个位置的所属道路属性信息及时间段信息。

其中，当前交通状况信息包括当前的交通状态，包括畅通、轻微拥堵、拥堵和严重拥堵。

影像信息包括行驶在用户终端行驶路径上的其他用户终端在各个位置发送的影像信息，或/和在用户终端行驶路径上的各个位置设置的摄像头获取的影像信息。

各个位置的所属道路属性信息表明了各个位置的所属道路性质，比如可以是城市快速路或城市一般道路等。

时间段信息表明了所处的时间段是否为各个位置所属道路为城市道路时，时间段是否为高峰时段。

在本发明实施例中，基于注意力机制的卷积神经网络，将在用户终端行驶路径上由交通部门设置的摄像头采集的影像信息，及行驶的其他用户终端拍摄的影像信息(诸如用户终端的行车记录仪拍摄的影像信息)，作为一部分输入进行训练，来智能预测即将发生的路况信息，得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息。比如用户终端行驶路径有车祸发生，占据了通行车道，就会导致未来时间段的拥堵；用户终端行驶路径上有临时围挡，也会导致未来时间段拥堵；当用户终端行驶路径上的排队车辆过长而对红绿灯时间动态调整后，则使得拥堵的时间会缩短等，在这些情况下，所得到的用户终端行驶路径上各个位置的设定的未来时间段的路况信息就都会不同，需要及时通知用户终端，以使用户终端确认是否改变路线，尽量避免进入到在设定的未来时间段进入到拥堵路段。

在该方法中，所述设定的未来时间段可以包括设定的多个未来时间段，比如可以设定当前时间的10分钟后、30分钟后或/和1个小时。

在该方法中，所述基于注意力机制的卷积神经网络包括注意力层、卷积层及全连接层，所述采集得到的用户终端行驶路径上各个位置的当前路况信息进行向量化后，输入基于注意力机制的卷积神经网络中；

经过了基于注意力机制的卷积神经网络中的注意力层的注意力机制处理、卷积层的卷积处理及全连接层的连接处理后，输出得到短期、中期和长期的预测拥堵级别，作为用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

在该方法中，训练得到基于注意力机制的卷积神经网络包括如下步骤。

首先，采集训练数据

在这里，采集训练数据作为基于注意力机制的卷积神经网络的输入，用于后续对基于注意力机制的卷积神经网络的训练。在这里，训练数据中的影像可以采集两种视角的影像，一种为在用户终端行驶路径上行驶的其他用户终端拍摄的影像信息，如图2和图3所示，图2为本发明实施例提供的其他用户终端的行车记录仪拍摄的影像示意图；图3为本发明实施例在用户终端行驶路径上由交通部门设置的摄像头采集的影像示意图。

然后，对基于注意力机制的卷积神经网络进行训练

获取得到用户终端行驶路径上的当前交通状况信息、影像信息、所属道路属性信息及时间段信息，作为基于注意力机制的卷积神经网络的输入，然后将在设定的未来时间段内获取的用户终端行驶路径上的路况信息，作为基于注意力机制的卷积神经网络的输出，对基于注意力机制的卷积神经网络的训练。在这里，所属道路属性信息为用户终端行驶路径的属性，比如是城市快速路、城市一般道路。时间段信息包括当所属道路属性信息为城市道路时，确认当前时间段是否为上下班高峰时段等。路况信息包括畅通、轻微拥堵、拥堵及严重拥堵等。未来时间段可以设定为三个时间段，包括短期、中期及长期，其中，短期可以设定为10分钟，中期可以设定为30分钟，长期可以设定为1个小时。

训练基于注意力机制的卷积神经网络的输入信息和输出信息如表格1所示：

表1

在该方法中，训练基于注意力机制的卷积神经网络的输入信息及输出信息进行向量化，比如，当前交通状况信息及路况信息中，可以将畅通采用0表示，将轻微拥堵采用1表示，将拥堵采用2表示，将严重拥堵采用3表示。

比如，如图4～图7所示的本发明实施例提供的用于训练基于注意力机制的卷积神经网络的各个影像示意图。从图4所示的影像可以看出，根据影像所示的当前交通状况信、时间和位置，对应的预测拥堵级别为短期2、中期1和长期0；从图5所示的影像可以看出，根据影像所示的当前交通状况、时间和位置，对应的预测拥堵级别为短期0，中期0和长期1。从图6所示的影像可以看出，根据影像所示的当前交通状况、时间和位置，对应的预测拥堵级别为短期1，中期2和长期3；从图7所示的影像可以看出，根据影像所示的当前交通状况、时间和位置，对应的预测拥堵级别为短期3，中期3和长期1。

图8为本发明实施例提供的基于注意力机制的卷积神经网络训练过程示意图，如图所示，首先采集训练数据，包括影像信息、当前交通状况信息、各个位置的所属道路属性信息及时间段信息，然后将采集的训练数据进行向量化后，输入基于注意力机制的卷积神经网络中；经过了基于注意力机制的卷积神经网络中的注意力层的注意力机制处理、卷积层的卷积处理及全连接层的连接处理后，输出得到短期、中期和长期的预测拥堵级别，得到了用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

在本发明实施例中，根据得到的用户终端行驶路径上各个位置的设定的未来时间段的路况信息，就可以及时为用户终端重新规划行驶路线，避开拥堵。

举一个具体实施例进行说明

参见图9和图10，图9为本发明实施例提供的首次为用户终端规划的行驶路线图，图10为本发明实施例提供的为用户终端动态规划的行驶路线图。在图中，a～g代表行驶路线上的各个节点，节点可以是一个十字路口，或一个出发地或目的地。各个节点之间的有向线段，代表道路。有向线段上面的数字代表该段线路的预测拥堵级别，数字越小，越不可能发生拥堵情况，数字越大，则越有可能发生拥堵情况，不同的线段形式代表了短期、中期及长期的预测拥堵状况。

当为用户终端规划一条从a到g的路线，那么根据当前道路情况和预测道路情况(由于本发发明实施例只考虑预测道路情况，所以假设当前道路拥堵情况相同)，规划出一条线路，如图9中粗实线所示，a-->b-->c-->d-->g-->h。

当用户终端行驶到b与c之间的路径时，用户终端发起请求，请求预测c-->d，d-->g，g-->h之间的路径拥堵情况。

如果此时预测到拥堵，如图10所示，d-->g之间的预测拥堵级别上升为3，此时，认为d-->g为严重拥堵，将尽量避免进入。将重新为用户终端计算出一条新的路径，如图10中的粗实线所示。每经过一个节点，判断时间长短是否超过设定的阈值，则发起一次请求，预测剩下节点之间的拥堵情况。

图11为本发明实施例提供的预测路况的导航系统结构示意图，包括：输入单元、网络模型单元及输出单元，其中，

网络模块单元，用于训练训练得到基于注意力机制的卷积神经网络；运行所述基于注意力机制的卷积神经网络，得到用户终端行驶路径上各个位置的设定的未来时间段的路况信息；

输入单元，用于将采集得到的用户终端行驶路径上各个位置的当前路况信息作为输入，输入到该基于注意力机制的卷积神经网络；

输出单元，用于输出得到的用户终端行驶路径上各个位置的设定的未来时间段的路况信息。

在该系统中，所述采集得到的用户终端行驶路径上各个位置的当前路况信息包括：当前交通状况信息、影像信息、各个位置的所属道路属性信息及时间段信息。

可以看出，本发明实施例可以在用户终端行驶的过程中，及时地通知用户终端更改路径，尽量避免再进入拥堵路径中，为用户终端节省时间，合理分配城市道路交通资源，缓解道路交通压力。

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。