预测通过时间的装置和方法以及预测行驶时间的方法与流程

预测通过时间的装置和方法以及预测行驶时间的方法
1.相关申请的交叉引用
2.本技术要求2021年12月23日提交的韩国专利申请第10-2021-0186117号的优先权，该申请的全部内容通过引用并入本文。
技术领域
3.本公开涉及通过考虑不规则旋转和信号等待来预测交叉口通过时间的方法和使用该方法的装置。


背景技术：

4.交通流是指在单位时间内通过一个点的车辆的数量。不中断流是指不涉及控制交通流的外部影响的交通流。中断流是指不连续并且涉及交通灯或其他外部影响的交通流。
5.中断流的示例可以包括信号交叉口、非信号交叉口和旋转交叉口。在这样的交叉口中，可能形成交通流拥堵的等待线，这可能导致诸如等待车辆的旋转和等待信号的原因。
6.即使等待线可能对车辆的运行速度和预测的目的地时间有很大的影响，但是在中断流中形成的等待线也有交通信息的收集率低的问题。因此，存在难以预测到达目的地的准确行驶时间的问题。
7.随着人工智能技术日益受到关注，正在积极进行人工智能技术的研究。如果在这样的人工智能技术中使用利用人工神经网络的技术，则认为可以通过相对准确地预测难以预测的中断流的交通状况，为用户提供可靠的通过时间和目的地到达时间的指导。


技术实现要素：

8.在这样的背景下，本实施例的目的是根据车辆在交叉口处的前进的方向来计算等待线区段中的通过时间，通过使用预测模型导出车辆的每个未来前进的方向上的预测通过时间来计算车辆可以在最短时间内到达目的地的路线，并将该路线提供给用户。
9.为了实现该目的，一个实施例可以提供预测通过时间的方法，包括：收集交通信息，该交通信息包括通过设置在交叉口后面的等待线区段的车辆在等待线区段中的车辆的前进的每个方向的速度；基于交通信息和等待线区段的长度计算前进的每个方向通过等待线区段的车辆的通过时间，并且基于通过时间计算前进的每个方向的平均通过时间；将平均通过时间输入到经训练以预测未来通过时间的预测模型；以及从经训练的预测模型导出前进的每个方向的预测通过时间。
10.在预测通过时间的方法中，平均通过时间可以是通过使用算术平均方法对前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。
11.以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑归因于在交叉口处的
旋转等待或信号等待的车辆的通过时间中的不规则运动。
12.在预测通过时间的方法中，可以通过接收根据时间序列从过去累积的平均通过时间来训练预测模型。从过去累积的平均通过时间可以是通过使用算术平均方法对前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。预测通过时间可以是针对前进的每个方向通过以5分钟为单位从实际时间划分到未来1小时而导出的。
13.在预测通过时间的方法中，针对车辆的前进的每个方向不同地设置等待线区段。
14.在预测通过时间的方法中，经训练的预测模型可以是通过基于人工神经网络的深度学习训练的模型。
15.预测通过时间的方法可以进一步包括：生成包括前进的每个方向的等待线区段的长度、道路坡度、道路类型和车道数量、交叉口的信号类型的等待线区段信息、以及包括关于星期几、时间和行政区的信息的环境信息。平均通过时间、等待线区段信息和环境信息可以被输入到经训练的预测模型。
16.为了实现该目的，另一实施例可以提供用于预测通过时间的装置，包括：收集电路，被配置为收集交通信息，该交通信息包括通过设置在交叉口后面的等待线区段的车辆在等待线区段中的车辆的前进的每个方向的速度；算术电路，被配置为基于交通信息和等待线区段的长度计算前进的每个方向通过等待线区段的车辆的通过时间，并且基于通过时间计算前进的每个方向的平均通过时间；以及预测电路，包括经训练以预测未来通过时间的预测模型，并且被配置为将平均通过时间输入到经训练的预测模型以及导出前进的每个方向的预测通过时间。
17.在用于预测通过时间的装置中，算术电路可以通过使用算术平均方法对前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间来导出平均通过时间。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑归因于在交叉口处的旋转等待或信号等待的车辆的通过时间中的不规则运动。
18.用于预测通过时间的装置可以进一步包括：管理电路，被配置为生成包括前进的每个方向的等待线区段的长度、道路坡度、道路类型和车道数量、交叉口的信号类型的等待线区段信息、以及包括关于星期几、时间和行政区的信息的环境信息。
19.用于预测通过时间的装置可以进一步包括：传输电路，被配置为将预测通过时间传输到车辆导航管理服务器。
20.用于预测通过时间的装置可以进一步包括：学习电路，被配置为通过向预测模型输入根据时间序列从过去累积的平均通过时间来训练预测模型。从过去累积的平均通过时间可以是通过使用算术平均方法对前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。
21.为了实现该目的，另一实施例可以提供预测行驶时间的方法，包括：收集交通信息，该交通信息包括通过设置在交叉口后面的等待线区段的车辆在等待线区段中的车辆的
前进的每个方向的速度；基于交通信息和等待线区段的长度计算每个等待线区段和前进的每个方向通过等待线区段的车辆的通过时间，并且基于通过时间计算前进的每个方向的平均通过时间；将平均通过时间输入到经训练以预测未来通过时间的预测模型；从经训练的预测模型导出前进的每个方向的预测通过时间；以及在车辆为了到达它们的目的地而通过的等待线区段中导出具有预测通过时间的最小和的路线。
22.在预测行驶时间的方法中，平均通过时间可以是通过使用算术平均方法对前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑归因于在交叉口处的旋转等待或信号等待的车辆的通过时间中的不规则运动。
23.预测行驶时间的方法可以进一步包括：生成包括前进的每个方向的等待线区段的长度、道路坡度、道路类型和车道数量、交叉口的信号类型的等待线区段信息、以及包括关于星期几、时间和行政区的信息的环境信息。经训练的预测模型可以是通过基于人工神经网络的深度学习训练的模型。平均通过时间、等待线区段信息和环境信息可以被输入到经训练的预测模型。
24.在预测行驶时间的方法中，可以通过接收根据时间序列从过去累积的平均通过时间来训练预测模型。从过去累积的平均通过时间可以是通过使用算术平均方法对前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。预测通过时间可以是针对前进的每个方向通过以5分钟为单位从实际时间划分到未来1小时而导出的。
25.如上所述，本实施例的效果在于，通过对车辆的前进的每个方向准确预测车辆通过交叉口的时间，可以准确预测用户到达目的地的时间。此外，可以解决这样的问题，即在基于车辆的前进的每个方向完全通过交叉口的车辆来收集速度的情况下，收集率可能低，并且如果基于具有低收集率的信息来预测未来，则可靠性可能低。此外，还存在这样的效果，即可以预测前进的每个方向的等待线中的稳定通过时间，该稳定通过时间相对于归因于交叉口区段内的不规则旋转的发生或每个车辆等待的信号的不一致通过时间，对于车辆来说可能是递减可靠的。
附图说明
26.图1是用于示意性地描述与交叉口和等待线区段相关的本实施例的示图。
27.图2是用于描述根据本实施例的用于预测通过时间的装置的示图。
28.图3是用于描述根据本实施例的预测通过时间的方法的示图。
29.图4是用于描述根据本实施例的通过使用预测模型导出的预测通过时间的示图。
30.图5是根据本实施例的使用预测行驶时间的方法的行驶路线指南的示例性示图。
具体实施方式
31.在下文中，参考示例性附图详细描述一些实施例。在向每个附图的元件添加参考
数字时，应当注意，即使相同的元件在不同的附图中显示，也尽可能具有相同的参考数字。此外，在描述本公开的实施例时，当确定相关的公知配置或功能的详细描述干扰对本公开的实施例的理解时，将省略其详细描述。
32.此外，在描述本公开的实施例的元件时，可以使用诸如第一、第二、a、b、(a)和(b)的术语。这样的术语仅用于将一个部件与另一部件区分开来，并且相应部件的本质、顺序或排序不受术语的限制。当说一个部件“连接”、“组合”或“耦接”到另一部件时，一个部件可以直接连接或耦接到另一部件，但是也应当理解，第三部件可以“连接”、“组合”或“耦接”在两个部件之间。
33.图1是用于示意性地描述与交叉口和等待线区段相关的本实施例的示图。
34.基于根据本实施例的预测通过时间的方法，等待线区段120可以预设在交叉口110的后面。通过交叉口110的车辆的速度可以因各种原因降低或停止，诸如由于等待设置在交叉口中的交通灯的信号而停止或者由于通过降低车辆的速度以进行左转或右转而等待车辆的旋转而停止。等待线区段120可以是指车辆可以在交叉口110处因各种原因停止或运行的区段。
35.可以针对车辆在交叉口处的前进的每个方向(例如，左转、右转或直行)不同地设置等待线区段120。因此，当通过预测模型预测车辆在等待线区段中的通过时间时，因为基于车辆的前进的方向单独地确定等待线区段120，所以可以更准确地预测车辆的通过时间。
36.可以将等待线区段120的长度、道路坡度、道路类型和车道数量、交叉口110的信号类型、关于星期几、时间和行政区的信息等预先存储在根据本实施例的用于预测通过时间的装置的管理电路中。
37.等待线区段120的速度信息可以由已经进入并完全通过每个方向的等待线区段120的探测设备收集，或者可以由道路中安装的探测设备收集。
38.如图1所示，可以在交叉口110中生成可归因于各种原因的等待线，诸如由指示直行或左转信号的交通灯生成的等待线以及针对车辆转弯生成的等待线。
39.此外，可以通过使用在等待线区段处的车辆的速度以及平滑和使用作为平均值的所计算的通过时间来计算等待线区段中的通过时间，来计算预测通过时间。因此，预测通过时间可以是已经合并了可归因于设置在交叉口110处的交通灯的所有等待和等待车辆的旋转的通过时间。
40.除了图1所示的交叉口110之外，根据本实施例的交叉口可以包括具有五向交叉口或更多交叉口的交叉口，在该交叉口处，车辆甚至可以沿直行方向、左转方向、右转方向和对角线方向前进。
41.图2是用于描述根据本实施例的用于预测通过时间的装置的示图。
42.根据本实施例的用于预测通过时间的装置200可以包括收集电路210、算术电路220和预测电路230，并且可进一步包括管理电路240。
43.收集电路210可以收集交通信息，该交通信息包括通过设置在交叉口后面的等待线区段的车辆在等待线区段中的车辆的前进的每个方向的速度。由收集电路210收集的交通信息可以包括车辆在交叉口处的前进的每个方向的速度。针对车辆的前进的每个方向，可以不同地设置等待线区段。
44.由收集电路210收集的交通信息可以由每个车辆中安装的探测设备收集，或者可
以由道路中安装的探测设备收集。
45.算术电路220可以基于交通信息和等待线区段的长度计算通过等待线区段的车辆针对车辆的前进的每个方向的通过时间，并且可以基于通过时间计算前进的每个方向的车辆的平均通过时间。等待线区段的长度可以预先存储在用于预测通过时间的装置200中。具体地，等待线区段的长度可以预先存储在用于预测通过时间的装置200的算术电路220中。如果用于预测通过时间的装置200进一步包括管理电路240，则等待线区段的长度可以预先存储在管理电路240中。
46.算术电路220计算车辆的前进的每个方向的通过时间。因此，算术电路220可以根据车辆前进的方向预测车辆的前进的每个方向的车辆在等待线区段中的未来通过时间。由于使用了车辆在等待线区段中的平滑通过时间，因此可以认为所有信息(诸如交叉口处的信号等待、旋转等待的信息等)已经被合并到平均通过时间中。此外，可以通过使用算术平均方法来计算和导出通过等待线区段的车辆的平均通过时间。具体地，通过算术平均方法计算等待线区段中的车辆的通过时间来导出平均通过时间，该平均通过时间对应于前进的每个方向的通过等待线区段的车辆的导出定时之前和之后的10分钟。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。因此，通过如上所述的算术平均方法计算和平滑等待线区段中的车辆的通过时间，可以相对于交叉口处的不规则信号和等待车辆的旋转来预测车辆的更精确的通过时间。即，以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑可归因于在交叉口处的旋转等待或信号等待的车辆的通过时间中的不规则运动。
47.预测电路230包括已经被训练以预测未来通过时间的预测模型。预测电路230可以将车辆的平均通过时间输入到经训练的预测模型，并且还可以将存储在管理电路240中的等待线区段的长度、道路坡度、道路类型和车道数量、信号类型、关于星期几、时间和行政区的信息(包括平均通过时间)输入到经训练的预测模型。预测电路230可以针对车辆的前进的每个方向导出车辆的预测通过时间。
48.可以针对交叉口处的车辆的前进的每个方向生成由预测电路230导出的预测通过时间，并且该预测通过时间可以通过以5分钟为单位从实际时间划分到未来1小时来生成。
49.包括在预测电路230中的经训练的预测模型可以是已经通过基于人工神经网络的深度学习训练的模型。
50.即，预测模型可以学习过去生成的车辆的每个前进的方向的车辆的平均通过时间。用于预测通过时间的装置200可以进一步包括用于训练预测模型的学习电路(未示出)。
51.学习电路可以通过向预测模型输入从过去累积的车辆的平均通过时间来训练预测模型。从过去累积的平均通过时间可以是通过算术平均方法对车辆的前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的车辆的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。即，通过算术平均方法平滑通过时间，可以更准确地预测已经合并了等待不规则信号和等待车辆的旋转的等待线区段中的车辆的通过时间。即，以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此
可以平滑可归因于在交叉口处的旋转等待或信号等待的车辆的通过时间中的不规则运动。
52.如果用于预测通过时间的装置200进一步包括学习电路，则学习电路可以通过使用过去的平均通过时间来训练预测模型。预测电路230可以通过使用经训练的预测模型来导出预测通过时间。此外，如果用于预测通过时间的装置200包括管理电路240，则学习电路可以学习通过操作由算术电路220计算的平均通过时间而获得的信息以及由管理电路240生成的等待线区段信息和环境信息。在这种情况下，过去的平均通过时间可以是通过算术平均方法对车辆的前进的每个方向计算与通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的车辆的通过时间而导出的。通过学习过去的平均通过时间，当接收到平均通过时间时，学习电路可以导出等待线区段中更准确的通过时间。管理电路240可以生成包括车辆的前进的每个方向的等待线区段的长度、道路坡度、道路类型和车道数量以及交叉口的信号类型的等待线区段信息以及包括关于星期几、时间和行政区的信息的环境信息。
53.由管理电路240生成的用于等待线区段信息和环境信息的基本信息可以预先存储在管理电路240中。基本信息可以由道路上运行的每个车辆中安装的探测设备收集，或者可以由道路中安装的探测设备收集。
54.此外，预测电路230可以从算术电路220接收平均通过时间，可以从管理电路240接收等待线区段信息和环境信息，并且可以通过将平均通过时间、等待线区段信息和环境信息输入到经训练的预测模型来导出预测通过时间。平均通过时间、等待线区段信息和环境信息可以在被输入到经训练的预测模型之前彼此操作。可以将操作的信息输入到经训练的预测模型。因此，可以导出预测通过时间，该预测通过时间包括每个等待线区段和车辆的前进的每个方向的等待线区段的信息，并且包括关于车辆运行时的时间、星期几和行政区的信息。
55.根据本实施例的用于预测通过时间的装置200可以进一步包括传输电路(未示出)。传输电路可以向管理车辆导航的管理服务器传输由预测电路230生成的关于预测通过时间的信息。此外，管理服务器可以通过使用预测通过时间来计算用户到达目的地所花费的最短时间所经过的路线，并且可以向用户提供关于该路线的信息。
56.图3是用于描述根据本实施例的预测通过时间的方法的示图。
57.在根据本实施例的预测通过时间的方法中，可以执行步骤s310，即收集交通信息，该交通信息包括通过设置在交叉口后面的等待线区段的车辆在等待线区段中的车辆的前进的每个方向的速度。
58.交通信息可以包括车辆在交叉口处的前进的每个方向的测量速度。针对车辆的前进的每个方向，可以不同地设置等待线区段。交通信息可以由每个车辆中安装的探测设备收集，或者可以由道路中安装的探测设备收集。具体地，关于等待线区段的车辆的速度的信息可以由已经进入并完全通过每个方向的等待线区段120的探测设备收集，或者可以由道路中安装的探测设备收集。
59.可以执行步骤s320，即基于交通信息和等待线区段的长度计算通过等待线区段的车辆的前进的每个方向的车辆的通过时间，并且基于通过时间计算前进的每个方向的平均通过时间。
60.在计算平均通过时间的步骤s320中，计算车辆的前进的每个方向的通过时间。因
此，根据车辆前进的方向，可以针对车辆的前进的每个方向预测在等待线区段中车辆的未来通过时间。由于使用了等待线区段中车辆的平滑通过时间，因此可以认为所有信息(诸如交叉口处的信号等待和旋转等待的信息)已经被合并到平均通过时间中。此外，可以通过使用算术平均方法来计算和导出通过等待线区段的车辆的平均通过时间。具体地，可以通过算术平均方法计算等待线区段中的车辆的通过时间来导出平均通过时间，该平均通过时间对应于前进的每个方向通过等待线区段的车辆的导出定时之前和之后的10分钟。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。即，以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑可归因于在交叉口处的旋转等待或信号等待的车辆的通过时间中的不规则运动。
61.可以进一步执行预测模型学习过去的平均通过时间的步骤(未示出)。具体地，可以通过接收从过去累积的平均通过时间来训练预测模型。从过去累积的平均通过时间可以是通过算术平均方法对车辆的前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的车辆的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。即，通过算术平均方法平滑通过时间，可以更准确地预测已经考虑了等待不规则信号和等待车辆的旋转的等待线区段中的通过时间。
62.此外，预测模型可以学习通过操作平均通过时间、等待线区段信息和环境信息而获得的信息。因此，当实时平均通过时间被输入到预测模型时，可以训练预测模型以预测未来的平均通过时间。在这种情况下，过去的平均通过时间可以是通过算术平均方法对车辆的前进的每个方向计算与通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的车辆的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。通过学习导出定时，当输入接收到的平均通过时间时，学习电路可以导出等待线区段中更准确的通过时间。
63.可以执行步骤s330，即将平均通过时间输入到已经被训练为预测未来通过时间的预测模型，并且从经训练的预测模型导出车辆的前进的每个方向的预测通过时间。
64.经训练的预测模型可以是已经通过基于人工神经网络的深度学习训练的模型。预测通过时间可以通过以5分钟为单位从实际时间划分到未来1小时来导出。
65.在导出预测通过时间的步骤s330之前，可以进一步执行针对车辆的前进的每个方向生成包括等待线区段的长度、道路坡度、道路类型和车道数量、交叉口的信号类型的等待线区段信息以及包括关于星期几、时间和行政区的信息的环境信息(未示出)。用于等待线区段信息和环境信息的基本信息可以预先存储在用于预测通过时间的装置的管理电路中，该装置执行预测通过时间的方法。基本信息可以由道路上运行的每个车辆中安装的探测设备收集，或者可以由道路中安装的探测设备收集。
66.此外，平均通过时间、等待线区段信息和环境信息可以被输入到经训练的预测模型。因此，可以导出预测通过时间，该预测通过时间包括每个等待线区段和车辆的前进的每个方向的等待线区段的信息，并且包括关于车辆行驶的时间、星期几和行政区的信息。
67.可以进一步执行在导出预测通过时间之后向车辆导航管理服务器传输关于预测通过时间的信息的步骤(未示出)。管理服务器可以通过使用预测通过时间来计算用户到达
目的地所花费的最短时间所经过的路线，并且可以向用户提供关于该路线的信息。
68.图4是用于描述根据本实施例的通过使用预测模型导出的预测通过时间的示图。
69.为了计算用于通过设置在交叉口后面的等待线区段的预测通过时间450，可以将通过等待线区段的车辆的平均通过时间410输入到预测模型440。如图4所示，可以将等待线区段信息420和环境信息430与平均通过时间410一起输入到预测模型440。
70.平均通过时间410可以是具有矩阵形式的数据，其中，已经为每个等待线区段和每个时间安排了车辆的平均通过时间。等待线区段信息420和环境信息430可以是具有矩阵形式或矢量形式的数据。
71.可以由用于基于包括通过等待线区段的车辆的速度的交通信息来预测通过时间的装置生成平均通过时间410。交通信息可以由每个车辆中安装的探测设备收集，或者可以由道路中安装的探测设备收集。具体地，关于等待线区段的车辆的速度的信息可以由已经进入并完全通过每个方向的等待线区段120的探测设备收集，或者可以由道路中安装的探测设备收集。
72.等待线区段信息420可以包括针对车辆的前进的每个方向的等待线区段的长度、道路坡度、道路类型和车道数量、交叉口的信号类型。环境信息430可以包括关于星期几、时间和行政区的信息。
73.可以基于预先存储在用于预测通过时间的装置的管理电路中的基本信息来生成等待线区段信息420和环境信息430。
74.图5是根据本实施例的使用预测行驶时间的方法的行驶路线指南的示例性示图。
75.如图5所示，当车辆运行时，通常，车辆可以通过多个交叉口。因此，如果可以预测设置在多个交叉口后面的等待线区段中的车辆的通过时间，则行驶车辆的用户可以更准确地检查到达他或她的目的地所花费的时间，并且可以向其提供需要最短时间的行驶路线的指导。
76.因此，在根据本实施例的预测行驶时间的方法中，可以执行收集交通信息的步骤，该交通信息包括通过设置在每个交叉口后面的等待线区段的车辆在等待线区段中的车辆的前进的每个方向的速度。可以根据车辆的前进的方向(例如，直行、左转和右转)针对每个交叉口不同地设置等待线区段。交通信息可以由每个车辆中安装的探测设备收集，或者可以由道路中安装的探测设备收集。具体地，关于等待线区段的车辆的速度的信息可以由已经进入并完全通过每个方向的等待线区段120的探测设备收集，或者可以由道路中安装的探测设备收集。此外，交通信息可以包括关于车辆的速度的信息。
77.可以执行基于交通信息和等待线区段的长度计算通过等待线区段的车辆针对每个等待线区段和针对车辆的前进的每个方向的通过时间，并且基于通过时间计算平均通过时间的步骤。可以通过算术平均方法计算等待线区段中的车辆的通过时间来导出平均通过时间，该平均通过时间对应于前进的每个方向通过等待线区段的车辆的导出定时之前和之后的10分钟。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。即，以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑归因于在交叉口处的旋转等待或信号等待的车辆的通过时间中的不规则运动。
78.因此，由于平均通过时间是通过平滑和使用等待线区段中的车辆的通过时间来计算的，因此诸如归因于交叉口中的交通灯的车辆的信号等待和车辆的旋转等待的信息的信息可能已经被合并到平均通过时间中。
79.可以进一步执行生成等待线区段信息和环境信息的步骤，该等待线区段信息包括针对车辆的前进的每个方向的等待线区段的长度、道路坡度、道路类型和车道数量、交叉口的信号类型，该环境信息包括关于星期几、时间和行政区的信息。
80.可以执行将平均通过时间输入到经训练以预测未来通过时间的预测模型的步骤。经训练的预测模型可以是已经通过基于人工神经网络的深度学习训练的模型。如果在预测行驶时间的方法中使用等待线区段信息和环境信息两者，则可以将平均通过时间、等待线区段信息和环境信息输入到训练模型。平均通过时间、等待线区段信息和环境信息可以在被输入到经训练的模型之前彼此操作。
81.此外，为了生成经训练的预测模型，可以进一步执行通过向预测模型输入过去的平均通过时间来训练预测模型的学习步骤。如果在预测行驶时间的方法中使用等待线区段信息和环境信息两者，则可以通过将通过相互操作平均通过时间、等待线区段信息和环境信息获得的信息输入到预测模型来训练预测模型。在这种情况下，过去的平均通过时间可以是通过算术平均方法对车辆的前进的每个方向计算与通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的通过时间而导出的。在这种情况下，导出定时可以指示导出平均通过时间的以5分钟为单位的定时。
82.可以通过接收从过去累积的平均通过时间来训练预测模型。从过去累积的平均通过时间可以是通过算术平均方法对车辆的前进的每个方向计算与已经通过等待线区段的车辆的导出定时之前和之后的10分钟相对应的车辆的通过时间而导出的。导出定时可以指示导出平均通过时间的以5分钟为单位的定时。即，通过算术平均方法平滑通过时间，可以更准确地预测已经考虑了等待不规则信号和等待车辆的旋转的等待线区段中的通过时间。即，以5分钟为单位收集的速度可能有缺失值。然而，由于通过使用算术平均方法再次处理车辆的导出定时之前和之后的车辆的通过时间，因此可以校正缺失值。此外，由于最近过去的交通信息和最近未来的交通信息被同等地集成，因此可以平滑可归因于在交叉口处的车辆的旋转等待或信号等待的车辆的通过时间中的不规则运动。
83.可以执行从经训练的预测模型导出每个等待线区段和前进的每个方向的预测通过时间的步骤。可以通过在未来1小时内以5分钟为单位从实际时间中划分来生成预测通过时间。因此，可以预测每个交叉口的等待线区段中的通过时间。
84.可以执行在车辆为了到达它们的目的地可以通过的等待线区段中导出具有预测通过时间的最小和的路线的步骤。具有最小时间的行驶路线可以通过用户必须行驶他们的车辆并到达他们的目的地的每个交叉口的等待线区段中的预测通过时间的总和来导出。
85.因此，可以解决具有低信息收集率的中断流等待线的问题，并且可以向用户提供目的地的准确和预定的到达时间的指导。
86.除非另有特别提及，否则上述术语“包括”、“构成”或“具有”是指可以包括相应部件。因此，应解释为，该术语可以进一步包括另一部件，而不排除另一部件。除非本公开中另有定义，否则本文中使用的所有术语(包括技术或科学术语)具有与本公开所属领域的普通技术人员通常理解的含义相同的含义。诸如在常用词典中定义的通常使用的术语应被解释
为具有与现有技术的上下文中的含义相同的含义，并且除非在本说明书中另有明确定义，否则不应被解释为理想或过度正式的含义。
87.以上描述仅是对本公开的技术精神的描述，并且本领域技术人员可以在不脱离本公开的基本特征的情况下以各种方式改变和修改本公开。因此，本公开中描述的实施例不应被解释为限制本公开的技术精神，而应被解释为描述本公开的技术精神。本公开的技术精神不受实施例的限制。本公开的保护范围应当基于所附权利要求来解释，并且本公开的等效范围内的所有技术精神应当被解释为包括在本公开的权利范围内。

技术特征：
1.一种预测通过时间的方法，包括以下步骤：收集交通信息，所述交通信息包括通过设置在交叉口后面的等待线区段的车辆在所述等待线区段中的所述车辆的前进的每个方向的速度；基于所述交通信息和所述等待线区段的长度计算所述前进的每个方向通过所述等待线区段的车辆的通过时间，并且基于所述通过时间计算所述前进的每个方向的平均通过时间；将所述平均通过时间输入到经训练以预测未来通过时间的预测模型；以及从经训练的所述预测模型导出所述前进的每个方向的预测通过时间。2.根据权利要求1所述的方法，其中：所述平均通过时间是通过使用算术平均方法对所述前进的每个方向计算与已经通过所述等待线区段的所述车辆的导出定时之前和之后的10分钟相对应的所述通过时间而导出的，并且所述导出定时指示导出所述平均通过时间的以5分钟为单位的定时。3.根据权利要求1所述的方法，其中：通过接收根据时间序列从过去累积的所述平均通过时间来训练所述预测模型，从过去累积的所述平均通过时间是通过使用算术平均方法对所述前进的每个方向计算与已经通过所述等待线区段的所述车辆的导出定时之前和之后的10分钟相对应的所述通过时间而导出的，所述导出定时指示导出所述平均通过时间的以5分钟为单位的定时，以及所述预测通过时间是针对所述前进的每个方向通过以5分钟为单位从实际时间划分到未来1小时而导出的。4.根据权利要求1所述的方法，其中，针对所述车辆的所述前进的每个方向不同地设置所述等待线区段。5.根据权利要求1所述的方法，其中，经训练的所述预测模型是通过基于人工神经网络的深度学习训练的模型。6.根据权利要求1所述的方法，进一步包括以下步骤：生成包括所述前进的每个方向的所述等待线区段的长度、道路坡度、道路类型和车道数量、所述交叉口的信号类型的等待线区段信息、以及包括关于星期几、时间和行政区的信息的环境信息，其中，所述平均通过时间、所述等待线区段信息和所述环境信息被输入到经训练的所述预测模型。7.一种用于预测通过时间的装置，包括：收集电路，被配置为收集交通信息，所述交通信息包括通过设置在交叉口后面的等待线区段的车辆在所述等待线区段中的所述车辆的前进的每个方向的速度；算术电路，被配置为基于所述交通信息和所述等待线区段的长度计算所述前进的每个方向通过所述等待线区段的车辆的通过时间，并且基于所述通过时间计算所述前进的每个方向的平均通过时间；以及预测电路，包括经训练以预测未来通过时间的预测模型，并且被配置为将所述平均通过时间输入到经训练的所述预测模型以及导出所述前进的每个方向的预测通过时间。8.根据权利要求7所述的装置，其中：
所述算术电路被配置为通过使用算术平均方法对所述前进的每个方向计算与已经通过所述等待线区段的所述车辆的导出定时之前和之后的10分钟相对应的所述通过时间来导出所述平均通过时间，并且所述导出定时指示导出所述平均通过时间的以5分钟为单位的定时。9.根据权利要求7所述的装置，进一步包括：管理电路，被配置为生成包括所述前进的每个方向的所述等待线区段的长度、道路坡度、道路类型和车道数量、所述交叉口的信号类型的等待线区段信息、以及包括关于星期几、时间和行政区的信息的环境信息。10.根据权利要求7所述的装置，进一步包括：传输电路，被配置为将所述预测通过时间传输到车辆导航管理服务器。11.根据权利要求7所述的装置，进一步包括：学习电路，被配置为通过向所述预测模型输入根据时间序列从过去累积的所述平均通过时间来训练所述预测模型，其中，从过去累积的所述平均通过时间是通过使用算术平均方法对所述前进的每个方向计算与已经通过所述等待线区段的所述车辆的导出定时之前和之后的10分钟相对应的所述通过时间而导出的，并且所述导出定时指示导出所述平均通过时间的以5分钟为单位的定时。12.一种预测行驶时间的方法，包括以下步骤：收集交通信息，所述交通信息包括通过设置在交叉口后面的等待线区段的车辆在所述等待线区段中的所述车辆的前进的每个方向的速度；基于所述交通信息和所述等待线区段的长度计算每个等待线区段和所述前进的每个方向通过所述等待线区段的车辆的通过时间，并且基于所述通过时间计算所述前进的每个方向的平均通过时间；将所述平均通过时间输入到经训练以预测未来通过时间的预测模型；从经训练的所述预测模型导出所述前进的每个方向的预测通过时间；以及在所述车辆为了到达所述车辆的目的地而通过的所述等待线区段中导出具有预测通过时间的最小和的路线。13.根据权利要求12所述的方法，其中：所述平均通过时间是通过使用算术平均方法对所述前进的每个方向计算与已经通过所述等待线区段的所述车辆的导出定时之前和之后的10分钟相对应的所述通过时间而导出的，并且所述导出定时指示导出所述平均通过时间的以5分钟为单位的定时。14.根据权利要求12所述的方法，进一步包括以下步骤：生成包括所述前进的每个方向的所述等待线区段的长度、道路坡度、道路类型和车道数量、所述交叉口的信号类型的等待线区段信息以及包括关于星期几、时间和行政区的信息的环境信息，其中，经训练的所述预测模型是通过基于人工神经网络的深度学习训练的模型，并且所述平均通过时间、所述等待线区段信息和所述环境信息被输入到经训练的所述预测模型。15.根据权利要求12所述的方法，其中：通过接收根据时间序列从过去累积的所述平均通过时间来训练所述预测模型，从过去累积的所述平均通过时间是通过使用算术平均方法对所述前进的每个方向计
算与已经通过所述等待线区段的所述车辆的导出定时之前和之后的10分钟相对应的所述通过时间而导出的，所述导出定时指示导出所述平均通过时间的以5分钟为单位的定时，以及所述预测通过时间是针对所述前进的每个方向通过以5分钟为单位从实际时间划分到未来1小时而导出的。

技术总结
本实施例涉及预测通过时间的装置和方法以及预测行驶时间的方法。更具体地，本公开涉及用于通过将关于车辆的速度的信息输入到经训练的预测模型并更准确地预测用户到达他或她的目的地所花费的时间来预测通过设置在交叉口后面的等待线区段的等待线区段中的车辆的通过时间的技术。的通过时间的技术。的通过时间的技术。


技术研发人员：柳铉相 孙相乣 姜雅嬴 李镂多 严在洪
受保护的技术使用者：现代奥特奥博株式会社
技术研发日：2022.12.21
技术公布日：2023/6/28