[發(fā)明專利]預(yù)測限速信息的方法、裝置、計算機設(shè)備和介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010174492.1
• 申請日: 2020-03-13
• 公開（公告）號: CN113393011A
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 李烜赫;李根;李壯
• 申請（專利權(quán)）人: 百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06K9/62;G06F16/2458;G06F16/29
• 代理公司: 中科專利商標(biāo)代理有限責(zé)任公司 11021
• 代理人: 楊靜

1.一種預(yù)測限速信息的方法，包括：

獲取第一預(yù)定時段內(nèi)的多個交通軌跡，其中每個交通軌跡包括多個軌跡點，每個軌跡點具有位置信息和速度信息；

對于每個交通軌跡，基于所述交通軌跡的多個軌跡點的位置信息和速度信息，確定所述交通軌跡的降速行為數(shù)據(jù)；

基于所述多個交通軌跡各自的降速行為數(shù)據(jù)，確定候選位置區(qū)域；

確定所述候選位置區(qū)域的特征；以及

將所述候選位置區(qū)域的特征輸入至目標(biāo)分類模型，以利用所述目標(biāo)分類模型預(yù)測所述候選位置區(qū)域的限速信息。

2.根據(jù)權(quán)利要求1所述的方法，其中，所述確定所述交通軌跡的降速行為數(shù)據(jù)包括：

根據(jù)所述交通軌跡中多個軌跡點的速度信息，確定所述多個軌跡點中符合降速行為規(guī)則的軌跡點；以及

將所述符合降速行為規(guī)則的軌跡點的位置信息和速度信息作為所述交通軌跡的降速行為數(shù)據(jù)。

3.根據(jù)權(quán)利要求1所述的方法，其中，所述確定所述交通軌跡的降速行為數(shù)據(jù)還包括：如果所述交通軌跡的多個軌跡點中不存在符合降速行為規(guī)則的軌跡點，則確定所述交通軌跡的降速行為數(shù)據(jù)為零。

4.根據(jù)權(quán)利要求2所述的方法，其中，所述根據(jù)所述交通軌跡中多個軌跡點的速度信息，確定所述多個軌跡點中符合降速行為規(guī)則的軌跡點包括：

對于所述多個軌跡點中連續(xù)排列的L個軌跡點，根據(jù)每個軌跡點的速度信息來確定是否所述L個軌跡點中前M個軌跡點的速度持續(xù)降低且所述L個軌跡點中后L-M個軌跡點的速度均在預(yù)定速度范圍內(nèi)，如果是，則確定所述L個軌跡點符合降速行為規(guī)則，其中，L和M均為大于1的整數(shù)，且L大于M。

5.根據(jù)權(quán)利要求4所述的方法，其中，所述預(yù)定速度范圍包括：相對于預(yù)設(shè)限速值的波動幅度小于第一閾值的速度范圍。

6.根據(jù)權(quán)利要求1所述的方法，其中，所述基于所述多個交通軌跡各自的降速行為數(shù)據(jù)，確定候選位置區(qū)域包括：

對所述多個交通軌跡各自的降速行為數(shù)據(jù)進行密度聚類，以得到至少一個聚類結(jié)果和所述至少一個聚類結(jié)果各自的密度；

確定所述至少一個聚類結(jié)果中密度大于第二閾值的聚類結(jié)果；以及

根據(jù)針對所述密度大于第二閾值的聚類結(jié)果中的多個軌跡點的位置信息，確定所述候選位置區(qū)域的位置信息。

7.根據(jù)權(quán)利要求1所述的方法，其中，所述確定所述候選位置區(qū)域的特征包括：

從所述多個交通軌跡中選取關(guān)于所述候選位置區(qū)域的交通軌跡；以及

基于所述關(guān)于所述候選位置區(qū)域的交通軌跡，確定所述候選位置區(qū)域的特征。

8.根據(jù)權(quán)利要求7所述的方法，其中，所述基于所述關(guān)于所述候選位置區(qū)域的交通軌跡，確定所述候選位置區(qū)域的特征包括：

根據(jù)所述關(guān)于所述候選位置區(qū)域的交通軌跡中軌跡點的速度信息，確定所述候選位置區(qū)域的速度相關(guān)特征。

9.根據(jù)權(quán)利要求7所述的方法，其中，所述基于所述關(guān)于所述候選位置區(qū)域的交通軌跡，確定所述候選位置區(qū)域的特征還包括：

根據(jù)所述關(guān)于所述候選位置區(qū)域的交通軌跡中軌跡點的位置信息，確定所述候選位置區(qū)域的道路屬性特征。

10.根據(jù)權(quán)利要求1所述的方法，還包括：在所述將所述候選位置區(qū)域的特征輸入至目標(biāo)分類模型之前，構(gòu)建所述目標(biāo)分類模型；

所述構(gòu)建所述目標(biāo)分類模型包括：

構(gòu)建初始分類模型；

獲取至少一個位置區(qū)域的樣本數(shù)據(jù)和標(biāo)簽，其中，對于每個位置區(qū)域，所述樣本數(shù)據(jù)包括第二預(yù)定時段內(nèi)所述位置區(qū)域的特征，所述標(biāo)簽包括在所述第二預(yù)定時段之后所述位置區(qū)域的限速信息；以及

利用所述至少一個位置區(qū)域的樣本數(shù)據(jù)和標(biāo)簽對所述初始分類模型進行訓(xùn)練，以得到所述目標(biāo)分類模型。