速度预测装置和其方法与流程

速度预测装置和其方法
1.相关申请的交叉引用
2.本技术要求于2021年12月9日提交的韩国专利申请号10-2021-0175269的优先权，其全部内容通过引用结合于本文中。
技术领域
3.本公开涉及一种速度预测装置和方法。


背景技术：

4.常规地，通过收集实际交通数据并且直接从所收集的数据预测到达时间或者通过数学模型或模拟预测到达时间，来确定车辆到目的地的到达时间。但是，上述方法很难实时反映变化的交通状况；因而，使用来自交通信息的引导服务的用户不得不经历不便。
5.此外，假设道路路段被分配相同的权重以用于估计在特定道路路段内的车辆行驶速度。在这种情况下，由于属于特定道路路段的道路路段的交叉口(jc)、立体交叉道(ic)和十字路口，对于交通严重拥堵或者畅通移动的道路路段，不能正确地反映实际交通状况。因此，将难以预测准确的行驶速度和到目的地的到达时间。
6.最近，随着人工智能(ai)技术受到显著关注，正在积极地对ai技术进行大量研究；如果在与ai相关的技术之外使用与人工神经网络相关的技术，则预期的是可以相对精确地预测实时变化的交通状况，并且可以向用户提供关于车辆的所估计的行驶速度和到达时间的可靠信息。
7.本部分中的讨论仅是提供背景信息并不构成现有技术的认可。


技术实现要素：

8.基于上述背景，根据本公开的一个方面，本实施方式的目标是提供用于通过以下方式预测车辆的未来行驶速度的技术：通过选择道路上的预测目标路段和就车辆的行进方向而言位于车辆后面的后方路段，通过对每个道路路段不同地加权来计算车辆的行驶速度，并且使用计算出的行驶速度训练人工神经网络。
9.为了实现上述目标，一方面，本公开提供了一种速度预测装置，该装置包括：选择电路，选择对要预测车辆的速度的道路的预测路段和就车辆的行进方向而言位于预测路段后面的后方路段；接收电路，接收包括经过预测路段和后方路段的车辆的速度的行驶信息；处理电路，生成包括平均速度的处理信息，该平均速度通过按照距预测路段的相对距离的顺序对预测路段和后方路段进行依次加权，并且使用该权重和行驶信息计算平均值而获得；以及生成电路，通过将处理信息输入到被训练成预测车辆的未来速度的预测模型来生成预测速度。
10.为了实现上述目标，根据另一方面，本公开提供了一种速度预测方法，包括：选择对要预测车辆的速度的道路的预测路段以及就车辆的行进方向而言位于预测路段后面的后方路段；接收包括经过预测路段和后方路段的车辆的速度的行驶信息，接收包括关于车
辆行驶时的时间、日期、星期和月份的一条或多条信息的时间信息，以及接收包括预测路段和后方路段中的每个路段的长度和速度限制的路段信息；生成包括平均速度的处理信息，该平均速度通过按照距预测路段的相对距离的顺序对预测路段和后方路段依次加权并且使用该权重和行驶信息计算平均值而获得；通过以下方式生成表示道路拥堵程度的指示符信息：通过将预测路段和后方路段的长度分别除以行驶信息中包括的车辆的速度值，来计算对于预测路段和后方路段中的每个路段的车辆的实际通行时间；通过将预测路段和后方路段的长度除以相应的速度限制来计算预测路段和后方路段的通行时间限制；以及将实际通行时间除以通行时间限制；以及通过计算处理信息、时间信息和指示符信息并且将计算出的信息输入到被训练成预测车辆的未来速度的预测模型中，生成未来预测速度。
11.如上所述，本实施方式通过考虑特定道路路段和位于该特定路段后面的那些路段，提供了相对精确地预测车辆的行驶速度和到目的地的到达时间的有利效果。
附图说明
12.图1示出了根据本实施方式的速度预测装置。
13.图2示出了根据本实施方式的速度预测方法。
14.图3是示出了根据本实施方式的选择预测路段和后方路段以及计算车辆速度的加权平均值的示图。
15.图4示出了根据本实施方式的时间信息被预处理成向量形式的情况。
16.图5是示出了根据本实施方式的将处理信息、时间信息和指示符信息输入至预测模型的示图。
具体实施方式
17.在下文中，将参考说明性附图详细描述实施方式的部分。在将附图标记分配给各附图的构成元件时，应注意，即使在不同的附图中示出，相同的构成元件也旨在尽量具有相同的标记。此外，在描述本公开时，如果确定结合在本文中的相关的公知配置或功能的详细描述使得本公开的大意变得不必要地模糊，则将省略其详细描述。
18.此外，在描述本公开的组成元件时，可以使用诸如第一、第二、a、b、(a)和(b)等术语。这种术语仅旨在将一个组成元件与其他组成元件区分开，并且不限制组成元件的性质、顺序或次序。如果组成元件被称为“联接至”、“与...结合”或“连接至”不同的组成元件，应当理解的是，组成元件被联接至或连接至不同的组成元件，但另一组成元件可在两个组成元件之间“联接”、“结合”或“连接”。
19.图1示出了根据本实施方式的速度预测装置。
20.根据本实施方式的速度预测装置100可以包括选择电路110、接收电路120、处理电路130、生成电路150和学习电路140。
21.选择电路110可以选择对要预测车辆的速度的道路的预测路段和就车辆的行进方向而言位于预测路段后面的后方路段。在此，后方路段就车辆的行进方向而言位于预测路段的后面并且可以包括一个或多个连续的路段。
22.接收电路120可以接收包括经过由选择电路110选择的预测路段和后方路段的车辆速度的行驶信息。此外，接收电路120可以接收包括关于车辆行驶时的时间、日期、星期和
月份的一条或多条信息的时间信息；以及接收包括预测路段和后方路段中的每个路段的长度和速度限制的路段信息。接收电路120可以通过使用安装在每个车辆中的探测装置或通过使用安装在道路上的探测装置来收集每条信息。
23.在此，可以通过如上所述的接收电路120来接收路段信息，并且关于道路上的预测路段和后方路段的路段信息可以被预先存储在速度预测装置100中。
24.处理电路130可以生成包括平均速度的处理信息，该平均速度通过按照距预测路段的相对距离的顺序对预测路段和后方路段依次加权，并且使用该权重和行驶信息计算平均值而获得。图3详细描述了如何使用权重计算平均速度。
25.处理电路130还可以将由接收电路120接收的行驶信息预处理为矩阵形式。在此，在包括预处理的行驶信息的矩阵中，可以根据道路上的时间推移和交通流量设置车辆的行驶速度。此外，可以将包括由接收电路120接收的关于车辆行驶时的时间、日期、星期以及月份的至少一条或多条信息的时间信息预处理为向量形式。
26.学习电路140可以将处理信息输入到预测模型中，使得预测模型学习处理信息。在此，预测模型可以使用人工神经网络模型，对于该人工神经网络模型可以使用深度神经网络模型。
27.学习电路140可以通过将包括车辆的平均速度的处理信息与时间信息、指示符信息或者时间信息和指示符信息这两者一起输入到预测模型中来训练预测模型。在输入到预测模型中之前，可以对处理信息、时间信息和指示符信息进行相互计算，相应的运算可以是乘法运算。由于预测模型学习车辆在预测路段和后方路段中的过去速度，时间、日期、星期以及表示预测路段和后方路段中的延迟的指示符，所以可以通过将在道路上行进的车辆的实时速度、当前时间、日期和星期、以及实时延迟指示符提供到训练的预测模型中，来预测该预测路段中的延迟程度和车辆速度。
28.速度预测装置100可以进一步包括指示符生成电路(未示出)。
29.指示符生成电路可以通过以下方式来生成表示道路拥堵程度的指示符信息：通过将预测路段和后方路段的长度分别除以行驶信息中包括的车辆的速度值，来计算对于预测路段和后方路段中的每个路段的车辆的实际通行时间，通过将预测路段和后方路段的长度除以相应的速度限制来计算预测路段和后方路段的通行时间限制，并且将实际通行时间除以通行时间限制。
30.可以通过将通行时间限制除以平均通行时间或者通过将平均通行时间除以通行时间限制，来生成指示符信息。
31.例如，假设预测路段是路段a，后方路段是路段b，路段a和路段b的长度是1000m，路段a的速度限制是10m/s，路段b的速度限制是20m/s，且通过路段a和b的车辆的速度是10m/s。考虑到尽管路段b的速度限制为20m/s，但是车辆在路段b中实际上以10m/s行进，可以推断与路段a相比，路段b相对拥堵。当使用每个路段的长度和对于每个路段的车辆的通行时间时，对于路段a的实际通行时间可以是100s，并且对于路段a的通行时间限制可以是100s。对于路段b的实际通行时间可以是100s，并且对于路段b的通行时间限制可以是50s。因此，如果实际通行时间除以通行时间限制以计算对于路段a和路段b的指示符，则路段a的指示符可以是1，并且路段b的指示符可以是2。因此，可以看出，如果指示符为1，则对应路段的交通状况畅通，如果指示符高于1，则对应路段的交通延迟或拥堵。
32.此外，指示符生成电路可以将使用处理信息计算出的指示符信息和路段信息预处理为具有矩阵形式。在此，在包括预处理的指示符信息的矩阵中，可以根据道路上的时间推移和交通流量设置表示道路交通拥堵程度的指示符。
33.生成电路150可以通过将处理信息输入到由学习电路140生成的训练的预测模型中来生成预测速度。生成电路150可以将处理信息与时间信息、指示符信息或时间信息和指示符信息这两者一起输入到训练的预测模型中。在被输入到训练的预测模型中之前，可以对处理信息、时间信息和指示符信息进行相互计算，其中，对应的运算可以是乘法运算。
34.由接收电路120接收的行驶信息中包括的车辆速度表示对于从当前时间点起(实时)过去两个小时的车辆速度，并且由生成电路150生成的预测速度可以表示从当前时间点起(实时)达两个小时的车辆速度。在此，当前时间点可以意指用户想要基于此通过速度预测装置获得未来预测速度的实时点。
35.速度预测装置可以进一步包括发送电路(未示出)。发送电路将关于预测速度的信息发送到路线搜索服务器，该路线搜索服务器分析由生成电路150生成的预测速度并生成最短时间路线信息。路线搜索服务器可以生成最短时间路线信息并且将生成的信息发送至用户的导航装置，并且用户可以根据最短时间路线信息通过行驶车辆以最短时间到达目的地。
36.图2示出了根据本实施方式的速度预测方法。
37.根据本实施方式的速度预测方法可以执行步骤s210：选择对要预测车辆的速度的道路的预测路段和就车辆的行进方向而言位于预测路段后面的后方路段。在此，后方路段就车辆的行进方向而言位于预测路段的后面并且可以包括一个或多个连续的路段。
38.可以执行步骤s220：接收包括经过预测路段和后方路段的车辆速度的行驶信息；接收包括关于车辆行驶时的时间、日期、星期和月份的一条或多条信息的时间信息；以及接收包括预测路段和后方路段中的每个路段的长度和速度限制的路段信息。每条信息可以通过使用安装在每个车辆中的探测装置或通过使用安装在道路上的探测装置来收集。还可以执行将行驶信息布置为矩阵形式的预处理步骤。此外，还可以执行将时间信息布置为向量形式的预处理步骤。
39.可以执行步骤s230：生成包括平均速度的处理信息，该平均速度通过按照距预测路段的相对距离的顺序对预测路段和后方路段依次加权并且使用该权重和行驶信息计算平均值而获得。将参考图3详细描述基于加权平均计算平均速度。
40.可以执行步骤s240：通过将预测路段和后方路段的长度分别除以包括在行驶信息中的车辆的速度值来计算对于预测路段和后方路段中的每个路段的车辆的实际通行时间，通过将预测路段和后方路段的长度除以相应的速度限制来计算预测路段和后方路段的通行时间限制，并且通过将实际通行时间除以通行时间限制来生成表示道路拥堵程度的指示符信息。
41.可以通过将通行时间限制除以实际通行时间或者通过将实际通行时间除以通行时间限制来生成指示符信息。指示符信息可以被预处理为具有矩阵形式。在此，在包括预处理的指示符信息的矩阵中，可以根据道路上的时间推移和交通流量布置表示道路交通拥堵程度的指示符。
42.可以执行步骤s250：实时计算处理信息、指示符信息和时间信息并且将计算出的
信息输入到被训练成预测未来的车辆速度的预测模型中。在输入到预测模型中之前，可以对处理信息、时间信息和指示符信息进行相互计算，相应的运算可以是乘法运算。
43.可以执行步骤s260：生成未来的预测速度。在此，包括在所接收的行驶信息中的车辆速度表示从对于当前时间点起(实时)过去两个小时的车辆速度，并且所生成的预测速度可以表示在时间上从当前时间点起(实时)达两个小时的车辆速度。在此，当前时间点可以意指用户基于此想要通过速度预测装置或方法获得未来预测速度的实时点。
44.根据本实施方式的速度预测方法可以进一步包括计算处理信息、时间信息和指示符信息并且将计算出的信息输入到预测模型中使得预测模型学习处理信息、时间信息和指示符信息的步骤。预测模型可以使用人工神经网络模型，对于该人工神经网络模型可以使用深度神经网络模型。用于训练预测模型的处理信息、指示符信息和时间信息可以是至少过去一年累积的信息。
45.图3是示出了根据本实施方式的选择预测路段和后方路段以及计算车辆速度的加权平均值的示图。
46.可以选择预测路段310、第一后方路段320和第二后方路段330来预测车辆的行驶速度。尽管在图3中选择了总共两个后方路段，但是可以选择一个后方路段，或者可以选择三个或更多个后方路段。
47.权重可以依次应用于预测路段和后方路段320、330，以计算用于预测该预测路段310中的车辆的行驶速度的平均速度。例如，假设预测路段310中的车辆速度为30km/h，第一后方路段320中的车辆速度为40km/h，且第二后方路段330中的车辆速度为50km/h。然后，权重3可以被输入至要预测行驶速度的预测路段310。权重2可以被输入到相对靠近预测路段310的第一后方路段320；权重1可以被输入至相对较不靠近预测路段310的第二后方路段330。因此，如果使用各个路段310、320、330中的车辆速度和权重计算平均速度，则可以通过将具有权重3的预测路段310中的速度相加三次、将具有权重2的第一后方路段320中的速度相加两次、将具有权重1的第二后方路段330中的速度相加一次、并且将速度的总和除以权重的总和来计算考虑权重的平均速度。因此，如果根据上述程序计算平均速度，则获得平均速度为(30+30+30+40+40+50)/(3+2+1)＝36.67km/h。换言之，尽管预测路段310中的车辆的实时行驶速度是30km/h，但是当考虑第一后方路段320和第二后方路段330的车辆速度时，车辆的平均速度可以被计算为36.67km/h。在如上所述计算对于经过预测路段310、第一后方路段320和第二后方路段330的多个车辆的平均速度之后，计算出的平均速度可以被输入至预测模型以进行学习。基于上述操作，可以通过考虑预测路段310和后方路段320、330导出预测速度。
48.上述操作可以表示为如下。假设存在一个预测路段和n-1个后方路段，并且按照相对靠近预测路段的顺序将n、n-1、n-2...1的权重依次分配给预测路段和后方路段。假设v1、v2、v3...vn意指车辆按照相对靠近预测路段的顺序经过预测路段和后方路段的速度。此时，用于考虑权重计算车辆的平均速度v
wa
的等式可以表示为如下。
49.[等式1]
[0050][0051]
如上所述，通过预测路段和后方路段320、330中的平均速度及其权重，可以在预测路段310中更精确地预测车辆的行驶速度。
[0052]
图4示出了根据本实施方式的时间信息被预处理成向量形式的情况。
[0053]
根据本实施方式的速度预测装置中安装的接收电路可以接收包括车辆行驶时的时间、日期、星期、月份中的至少一条或多条信息的时间信息。
[0054]
如图4所示，时间信息可以被预处理为向量形式。根据本实施方式的速度预测装置中的处理电路可以执行时间信息的预处理。如图4所示，包括时间信息的向量可以包括关于车辆行进的时间的信息、关于车辆行进的星期的信息、关于车辆行进的日期的信息以及关于车辆行进的月份的信息。
[0055]
具体地，如图4所示，在包括时间信息的向量中，对应于从车辆行进的当前(实时)时间点起过去的两个小时的时间值可以具有除0之外的特定值。此外，关于车辆行进的星期、日期和月份的信息可以具有除0之外的特定值。如图4所示，包括时间信息的向量的值可以是1，或者可以具有除1以外的值，以将权重分配给时间和日期。
[0056]
因此，与行驶信息和指示符信息相关联地计算包括时间信息的向量，该行驶信息包括车辆的行驶速度，该指示符信息表示预测路段和后方路段中的交通拥堵程度，并且用于训练预测模型以预测车辆在特定时间、日期、以及星期的行驶速度。
[0057]
图5是示出了根据本实施方式的将处理信息、时间信息和指示符信息输入至预测模型的示图。
[0058]
如图5所示，输入数据1 510、输入数据2 520和输入数据3 530可以被输入到根据本实施方式的预测模型540。在此，输入数据1 510和输入数据2 520可以是表示基于由接收电路接收的车辆的行驶速度的加权平均计算出的平均速度的处理信息以及表示预测路段和后方路段的交通拥堵程度的指示符信息。
[0059]
可以通过以下方式生成指示符信息：将预测路段和后方路段的长度分别除以包括在行驶信息中的车辆的速度值来计算对于预测路段和后方路段中的每个路段的车辆的实际通行时间，通过将预测路段和后方路段的长度除以相应的速度限制来计算预测路段和后方路段的通行时间限制，并且将实际通行时间除以通行时间限制。可以通过将通行时间限制除以实际通行时间或者通过将实际通行时间除以通行时间限制来生成指示符信息。
[0060]
速度预测装置的处理电路可以将处理信息预处理成矩阵形式，该矩阵的元素根据道路上的时间推移和交通流量来布置。速度预测装置的指示符生成电路可以将指示符信息预处理成矩阵形式，该矩阵的元素根据道路的时间推移和交通流量来布置。
[0061]
输入数据3 530可以是时间信息。时间信息可以包括关于车辆行驶时的时间、日期、星期和月份的一条或多条信息。速度预测装置的处理电路可以将时间信息预处理成向量形式。
[0062]
如图5所示，由于处理信息、指示符信息和时间信息被输入到预测模型540，所以可以使用包括路段上的交通拥堵程度的平均车辆速度信息和关于车辆行驶时的时间和日期的信息，来预测未来的车辆的行驶速度。
[0063]
预测模型540可以使用深度神经网络(dnn)模型，并且输入数据1510、输入数据2 520和输入数据3 530可以在被输入到预测模型540之前彼此被应用于计算过程。
[0064]
除非另有明确说明，否则由于贯穿本文件使用的术语“包含(include)”、“包括(comprise)”或“具有(have)”意指对应的组成元件可以被包括在实施方式中，所以应当解释为可以进一步包括其他组成元件而不是被排除。除非另有限定，否则本公开中使用的所
有术语(包括技术术语或科学术语)提供与本公开所属领域的技术人员通常理解的相同的含义。在普通字典中限定的那些术语应当被解释为具有与在相关技术的上下文中传达的相同的含义。除非在本公开中另有明确限定，否则那些术语不应被解释为具有理想的或过于正式的含义。
[0065]
以上给出的描述仅仅是用于说明本公开的技术原理的实施方式，并且在不偏离本公开的固有特性的情况下，本公开所属领域的技术人员可以对本公开进行各种改变和修改。因此，应当理解的是，在本说明书中公开的实施方式并不旨在限制本公开的技术原理，而是支持描述本公开，并且因此本公开的技术范围不受实施方式的限制。本公开的技术范围应当由所附权利要求来判断，并且在等同于本公开的技术范围的范围内发现的所有技术原理应当被解释为属于本公开的技术范围。

技术特征：
1.一种速度预测装置，包括：选择电路，选择对要预测车辆的速度的道路的预测路段和就所述车辆的行进方向而言位于所述预测路段后面的后方路段；接收电路，接收包括经过所述预测路段和所述后方路段的所述车辆的速度的行驶信息；处理电路，生成包括平均速度的处理信息，所述平均速度通过按照距所述预测路段的相对距离的顺序对所述预测路段和所述后方路段进行依次加权，并且使用权重和所述行驶信息计算平均值而获得；以及生成电路，通过将所述处理信息输入至被训练成预测所述车辆的未来速度的预测模型来生成预测速度。2.根据权利要求1所述的装置，其中，所述接收电路接收包括关于所述车辆行驶时的时间、日期、星期以及月份的一条或多条信息的时间信息，并且所述生成电路通过计算所述时间信息和所述处理信息并且将计算出的信息输入到训练的所述预测模型，来生成所述预测速度。3.根据权利要求1所述的装置，进一步包括学习电路，所述学习电路将从过去累积的处理信息输入到所述预测模型中，并且使所述预测模型学习所述处理信息。4.根据权利要求1所述的装置，其中，所述接收电路接收包括所述预测路段和所述后方路段中的每个路段的长度和速度限制的路段信息，并且所述速度预测装置进一步包括指示符生成电路，所述指示符生成电路通过以下方式来生成表示道路拥堵程度的指示符信息：通过将所述预测路段和所述后方路段的长度分别除以所述行驶信息中包括的所述车辆的速度值，来计算所述预测路段和所述后方路段中的每个路段的车辆的实际通行时间；通过将所述预测路段和所述后方路段的长度除以相应的速度限制来计算所述预测路段和所述后方路段的通行时间限制；以及将所述实际通行时间除以所述通行时间限制。5.根据权利要求1所述的装置，进一步包括发送电路，所述发送电路将关于所述预测速度的信息发送到路线搜索服务器，所述路线搜索服务器通过分析所述预测速度来生成最短时间路线信息。6.根据权利要求1所述的装置，其中，所述行驶信息中包括的车辆速度表示对于从当前时间点起过去两个小时的所述车辆速度，并且所述预测速度表示从所述当前时间点起达两个小时的所述车辆速度。7.根据权利要求1所述的装置，其中，所述预测模型是深度神经网络模型。8.一种速度预测方法，所述方法包括：选择对要预测车辆的速度的道路的预测路段和就所述车辆的行进方向而言位于所述预测路段后面的后方路段；接收包括经过所述预测路段和所述后方路段的所述车辆的速度的行驶信息，接收包括关于所述车辆行驶时的时间、日期、星期和月份的一条或多条信息的时间信息，以及接收包括所述预测路段和所述后方路段中的每个路段的长度和速度限制的路段信息；生成包括平均速度的处理信息，所述平均速度通过按照距所述预测路段的相对距离的顺序对所述预测路段和所述后方路段依次加权，并且使用权重和所述行驶信息计算平均值
而获得；通过以下方式生成表示道路拥堵程度的指示符信息：通过将所述预测路段和所述后方路段的长度分别除以所述行驶信息中包括的所述车辆的速度值来计算所述预测路段和所述后方路段中的每个路段的车辆的实际通行时间，通过将所述预测路段和所述后方路段的长度除以相应的速度限制来计算所述预测路段和所述后方路段的通行时间限制，以及将所述实际通行时间除以所述通行时间限制；以及通过计算所述处理信息、所述时间信息和所述指示符信息并将计算出的信息输入到被训练成预测所述车辆的未来速度的预测模型中，来生成未来预测速度。9.根据权利要求8所述的方法，进一步包括将至少在过去一年内累积的所述处理信息、所述时间信息和所述指示符信息输入到学习输入信息的所述预测模型。10.根据权利要求8所述的方法，进一步包括将所述时间信息预处理成向量形式。

技术总结
本公开涉及速度预测装置和其方法。根据本实施方式的速度预测装置可以包括：选择电路，选择对要预测车辆的速度的道路的预测路段，以及就车辆的行进方向而言位于预测路段后面的后方路段；接收电路，接收包括经过预测路段和后方路段的车辆的速度的行驶信息；处理电路，生成包括平均速度的处理信息，该平均速度通过按照距预测路段的相对距离的顺序对预测路段和后方路段进行依次加权，并且使用该权重和行驶信息计算平均值而获得；以及生成电路，通过将处理信息输入到被训练成预测车辆的未来速度的预测模型来生成预测速度。度的预测模型来生成预测速度。度的预测模型来生成预测速度。


技术研发人员：郑多云
受保护的技术使用者：现代奥特奥博株式会社
技术研发日：2022.12.08
技术公布日：2023/6/13