基于车联网的里程数校准方法、装置、设备及存储介质

技术领域

本申请实施例涉及车联网领域，尤其涉及一种基于车联网的里程数校准方法、装置、设备及存储介质。

背景技术

目前，新能源汽车在预测所能够行驶的里程数时，一般是通过预测电池的用电量来对剩余里程数进行预估的。然而，由于在城市中具有红绿灯数较多，新能源汽车在城市内行驶时，需要频繁停下来等待红灯，在此过程中电池用电量的较低。新能源汽车在预测剩余里程数时，通常没有考虑在红灯时的等待时间对电池用电量的影响，导致对剩余里程数进行预测时准确度较低。

发明内容

本发明实施例提供了一种基于车联网的里程数校准方法、装置、设备及存储介质，解决了现有技术中对新能源汽车的剩余里程数进行预测时存在着准确度较低的技术问题。

第一方面，本发明实施例提供了一种基于车联网的里程数校准方法，包括：

当接收到目标车辆上传的停车信息时，根据所述目标车辆上传的实时位置以及行车路径，确定所述目标车辆是否处于等待红绿灯的红灯的状态；

若所述目标车辆处于等待所述红灯的状态，调取所述红绿灯所管控的路段当前的视频数据，根据所述实时位置以及所述视频数据，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间；

将所述等待时间发送至所述目标车辆，以使所述目标车辆根据所述等待时间校准剩余里程数。

优选的，所述根据所述目标车辆上传的实时位置以及行车路径，确定所述目标车辆是否处于等待红绿灯的红灯的状态，包括：

根据所述目标车辆上传的行车路径以及实时位置，确认在所述行车路径上当前距离所述目标车辆最近的红绿灯；

判断所述红绿灯当前的状态是否为红灯；

若为红灯，判断所述实时位置与所述红绿灯所对应的停车线的距离是否小于预设距离；

若小于预设距离，则确定所述目标车辆处于等待红绿灯的红灯的状态；

若大于等于预设距离，获取所述实时位置和所述红绿灯所对应的停车线之间道路的拥堵情况，根据所述拥堵情况确定所述目标车辆是否处于等待所述红绿灯的红灯的状态。

优选的，所述根据所述拥堵情况确定所述目标车辆是否处于等待所述红绿灯的红灯的状态，包括：

当根据所述道路的拥堵情况确定所述道路当前处于拥堵状态时，确定所述目标车辆处于等待所述红绿灯的红灯的状态。

优选的，根据所述实时位置以及所述视频数据，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间，包括：

根据所述实时位置以及所述视频数据，确定位于所述目标车辆之前的车辆数；

根据所述车辆数，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间。

优选的，所述根据所述实时位置以及所述视频数据，确定位于所述目标车辆之前的车辆数，包括：

根据所述视频数据，生成所述红绿灯所管控的路段的3D数据；

根据所述实时位置，确定所述3D数据中所述目标车辆的3D位置；

根据所述3D位置确定位于所述目标车辆之前的车辆数。

优选的，根据所述车辆数，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间，包括：

确定所述红绿灯为绿灯时，所述停车线所能够通过的第一车辆数；

根据所述车辆数以及所述第一车辆数，确定在下一个绿灯时，所述目标车辆能否通过停车线；

若能，计算所述目标车辆在所述下一个绿灯的起步等待时间，并根据起步等待时间以及接收到所述停车信息时红灯的倒计时时间，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间；

若否，计算所述目标车辆后续所需要等待的红灯数以及所述红灯每次切换为所述绿灯时所述目标车辆的起步等待时间，根据所述接收到所述停车信息时红灯的倒计时时间、所述所需要等待的红灯数以及每次的起步等待时间，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间。

优选的，所述计算所述目标车辆在所述下一个绿灯的起步等待时间，包括：

将所述车辆数输入到起步时间预测模型中，以使所述起步时间预测模型输出所述目标车辆的起步等待时间。

第二方面，本发明实施例提供了一种基于车联网的里程数校准装置，包括状态判断模块、等待时间预测模块以及里程校准模块；

所述状态判断模块用于当接收到目标车辆上传的停车信息时，根据所述目标车辆上传的实时位置以及行车路径，确定所述目标车辆是否处于等待红绿灯的红灯的状态；

所述等待时间预测模块用于若所述目标车辆处于等待所述红灯的状态，调取所述红绿灯所管控的路段当前的视频数据，根据所述实时位置以及所述视频数据，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间；

所述里程校准模块用于将所述等待时间发送至所述目标车辆，以使所述目标车辆根据所述等待时间校准剩余里程数。

第三方面，本发明实施例提供了一种基于车联网的里程数校准设备，所述基于车联网的里程数校准设备包括处理器以及存储器；

所述存储器用于存储计算机程序，并将所述计算机程序传输给所述处理器；

所述处理器用于根据所述计算机程序中的指令执行如第一方面所述的一种基于车联网的里程数校准方法。

第四方面，本发明实施例提供了一种存储计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的一种基于车联网的里程数校准方法。

上述，本发明实施例提供了一种基于车联网的里程数校准方法、装置、设备及存储介质，方法包括：当接收到目标车辆上传的停车信息时，根据目标车辆上传的实时位置以及行车路径，确定目标车辆是否处于等待红绿灯的红灯的状态；若目标车辆处于等待红灯的状态，调取红绿灯所管控的路段当前的视频数据，根据实时位置以及视频数据，预测目标车辆通过红绿灯所对应的停车线的等待时间；将等待时间发送至目标车辆，以使目标车辆根据等待时间校准剩余里程数。

上述，本发明实施例在接收到目标车辆的停车信息时，确认目标车辆处于等待红绿灯的红灯的状态后，则根据目标车辆的实时位置以及当前路口的摄像机所拍摄到的视频数据，预测目标车辆通过所述红绿灯所对应的停车线的等待时间，之后将等待时间发送给目标车辆，使得目标车辆能够根据等待时间来修正未来的用电量，并根据未来的用电量对目标车辆的剩余里程数进行校准，提高对车辆的剩余里程数进行预测时的准确率，解决了现有技术中没有考虑在红灯时的等待时间对电池用电量的影响，导致对剩余里程数进行预测时存在着准确度较低的技术问题。

附图说明

图1为本发明实施例提供的一种基于车联网的里程数校准方法的流程图。

图2为本发明实施例提供的一种车联网的系统的结构示意图。

图3为本发明实施例提供的另一种基于车联网的里程数校准方法的流程图。

图4为红绿灯所管控的路口的示意图。

图5为本发明实施例提供的一种基于车联网的里程数校准装置的结构示意图。

图6为本发明实施例提供的一种基于车联网的里程数校准设备的结构示意图。

具体实施方式

以下描述和附图充分地示出本申请的具体实施方案，以使本领域的技术人员能够实践它们。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本申请的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的结构、产品等而言，由于其与实施例公开的部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

如图1所示，图1为本发明实施例提供的一种基于车联网的里程数校准方法的流程图。本发明实施例提供的基于车联网的里程数校准方法可以由基于车联网的里程数校准设备执行，该基于车联网的里程数校准设备可以通过软件和/或硬件的方式实现，该基于车联网的里程数校准设备可以是两个或多个物理实体构成，也可以由一个物理实体构成。例如基于车联网的里程数校准设备可以是电脑、上位机或服务器等设备。在本实施例中以服务器为例进行说明，如图2所示，图2为车联网系统的结构示意图，汽车上安装有车载终端，车载终端与汽车上的传感器、GPS定位系统、车机交互设备等电子设备相连接，且车载终端通过无线通信网络与云端中的服务器相连接，利用无线通信网络实现与服务器进行数据的传输。

本发明实施例提供的一种基于车联网的里程数校准方法包括以下步骤：

步骤101、当接收到目标车辆上传的停车信息时，根据目标车辆上传的实时位置以及行车路径，确定目标车辆是否处于等待红绿灯的红灯的状态。

在本实施例中，目标车辆为新能源车辆，且目标车辆上设置有车载终端，目标车辆在行驶过程中，车载终端会从GPS定位系统中实时获取目标车辆的实时位置，并将实时将目标车辆的实时位置上传到服务器中。同时，车载终端还与速度传感器相连接，速度传感器用于检测目标车辆的行驶速度，当车载终端根据速度传感器所检测到的行驶速度确定目标车辆的速度为0时，则确定此时目标车辆停车，车载终端生成停车信息，并将停车信息上传到服务器中。当服务器接收到车载终端上传的停车信息后，则根据车载终端的实时上传的目标车辆的实时位置以及行车路径，确定目标车辆确定目标车辆是否处于等待红绿灯的红灯的状态。

其中，需要说明的是，行车路径为目标车辆从起点到目的地的路径。在一个实施例中，车载终端与目标车辆的车机交互设备相连接，当用户在启动目标车辆后，在目标车辆的车机交互设备中输入目的地，车机交互设备则根据目标车辆启动时的位置以及目的地，生成行车路径并将行车路径发送到车载终端中。在另一个实施例中，车载终端还可以和用户的手机相连接，当用户在手机上的地图软件输入目的地后，地图软件生成行车路径并通过蓝牙将行车路径发送到车载终端中。

步骤102、若目标车辆处于等待红灯的状态，调取红绿灯所管控的路段当前的视频数据，根据实时位置以及视频数据，预测目标车辆通过红绿灯所对应的停车线的等待时间。

当服务器确定目标车辆处于等待红灯的状态时，服务器查询用于拍摄红绿灯所管控的路段的摄像头，获取摄像头实时拍摄到的视频数据。之后，进一步根据目标车辆的实时位置以及视频数据，预测目标车辆在通过红绿灯时的等待时间。示例性的，在本实施例中，在预测车辆在通过红绿灯所对应的停车线的等待时间时，可以首先根据实时位置以及视频数据，确定位于目标车辆之前的车辆数，之后根据车辆数，预测目标车辆通过红绿灯所对应的停车线的等待时间。其中，等待时间，是指服务器接收到车载终端上传的停车信息到目标车辆通过红绿灯相对应的停车线的这段时间内，目标车辆停下来等待的时间。可理解，红绿灯相对应的停车线，是指红绿灯所管控的路口处的停车线，车辆在等待红灯时，车身不得超过该停车线。

步骤103、将等待时间发送至目标车辆，以使目标车辆根据等待时间校准剩余里程数。

之后，服务器再将等待时间发送到目标车辆的车载终端中，由于在停车时中，目标车辆所消耗的电能要远远小于目标车辆在行驶时消耗的电能，因此，目标车辆可通过计算等待时间内车辆所消耗的电能，根据等待时间内车辆所消耗的电能修正车辆未来的用电量，根据未来的用电量对目标车辆的剩余里程数进行校准。

上述，本发明实施例在接收到目标车辆的停车信息时，确认目标车辆处于等待红绿灯的红灯的状态后，则根据目标车辆的实时位置以及当前路口的摄像机所拍摄到的视频数据，预测目标车辆通过红绿灯所对应的停车线的等待时间，之后将等待时间发送给目标车辆，使得目标车辆能够根据等待时间来修正未来的用电量，并根据未来的用电量对目标车辆的剩余里程数进行校准，提高对车辆的剩余里程数进行预测时的准确率，解决了现有技术中没有考虑在经过红绿灯时的等待时间对电池用电量的影响，导致对剩余里程数进行预测时存在着准确度较低的技术问题。

如图3所示，图3为本发明实施例提供的另一种基于车联网的里程数校准方法，图3是对上述一种基于车联网的里程数校准方法的具体化，包括以下步骤：

步骤201、当接收到目标车辆上传的停车信息时，根据目标车辆上传的行车路径以及实时位置，确认在行车路径上当前距离目标车辆最近的红绿灯。

在本实施例中，当服务器接收到目标车辆的车载终端上传的停车信息时，服务器根据车载终端实时上传的实时位置以及车载终端预先上传的行车路径，确认在行车路径上当前距离目标车辆最近的红绿灯。可理解，距离目标车辆最近的红绿灯，是指目标车辆前进方向上的红绿灯。

步骤202、判断红绿灯当前的状态是否为红灯。

在确认在行车路径上当前距离目标车辆最近的红绿灯后，判断此时红绿灯的状态是否为红灯。可理解，在本实施例中，判断的是红绿灯所在行车路径的方向上车道的信号灯是否为红灯。例如，对于一个红绿灯所对应的停车线而言，停车线一般包括有多条车道，每条车道的通行方向不同，例如对于如图4所示的红路灯所管控路口，最左边的行驶车车道只允许左转，而中间的车道只允许直行，最右边的车道只允许右转，不同的车道对应红绿灯中不同的信号灯。根据目标车辆的行驶路径，即可以确定出目标车辆在该红绿灯的车道，从而在红绿灯中确认该车道的信号灯是否为红灯。

步骤203、若为红灯，判断实时位置与红绿灯所对应的停车线的距离是否小于预设距离。

如果当前红绿灯的状态为红灯，则进一步查询红绿灯所对应的停车线的位置，判断目标车辆的实时位置于与停车线的距离是否小于预设距离。可理解，预设距离可根据实际需要进行设置。在一个实施例中，可将预设距离设置为50米。若不是为红灯，则结束流程。

步骤204、若小于预设距离，则确定目标车辆处于等待红绿灯的红灯的状态。

若目标车辆与红绿灯所对应的停车线的距离小于预设距离，由于在靠近红绿灯所对应的停车线出一般不得停车，因此可以确定此时目标车辆处于等待红绿灯的红灯的状态。在一个实施例中，为了进一步精确的判断目标车辆是否处于等待红绿灯的状态，服务器还可以获取目标车辆和红绿灯所对应的停车线之间的拥堵情况，根据拥堵情况确定目标车辆是否处于等待红绿灯的红灯的状态。

步骤205、若大于等于预设距离，获取实时位置和红绿灯所对应的停车线之间道路的拥堵情况，根据拥堵情况确定目标车辆是否处于等待红绿灯的红灯的状态。

若目标车辆和停车线之间的预设距离大于等于预设距离，则进一步查询目标车辆当前的实时位置和停车线之间这段道路内的拥堵情况，根据道路的拥堵情况来确定目标车辆是否处于等待红绿的的红灯状态。在一个实施例中，根据拥堵情况确定目标车辆是否处于等待红绿灯的红灯的状态，包括：

当根据道路的拥堵情况确定道路当前处于拥堵状态时，确定目标车辆处于等待红绿灯的红灯的状态。

在一个实施例中，在获取到道路的拥堵情况后，若确定当前实时位置和停车线之间这段道路内均处于拥堵状态，则是由于目标车辆之前的这段道路内的其他车辆也是在等待红灯，导致道路处于拥堵状态，可以确定目标车辆当前处于等待红绿灯的红灯的状态。在一个实施例中，为了更加精确的判断，可以调取红绿灯所管控的路段当前的视频数据，根据视频数据确定当前实时位置和停车线之间这段道路内是否均处于拥堵状态。

步骤206、若目标车辆处于等待红灯的状态，调取红绿灯所管控的路段当前的视频数据，根据实时位置以及视频数据，确定位于目标车辆之前的车辆数。

当目标车辆处于等待红灯的状态时，则调取红绿灯所管控的路段的视频数据，之后，根据车辆的实时位置以及视频数据，来确定出位于目标车辆之前的车辆数，其中，目标车辆之前的车辆数，是指目标车辆的实时位置到红绿灯的停车线之间的车辆数。可理解，在本实施例中，当目标车辆的实时位置距离停车线之间的距离十分近时，例如1米以内时，可以认为目标车辆到停车线之间不存在其他车辆，服务器通过确定在接收到车载终端发送的停车信息时红灯的倒计时时间，即可预测目标车辆通过红绿灯所对应的停车线的等待时间，不需要执行后续的步骤。

在上述实施例的基础上，步骤206中根据实时位置以及视频数据，确定位于目标车辆之前的车辆数，具体由步骤2061-步骤2063执行，包括：

步骤2061、根据视频数据，生成红绿灯所管控的路段的3D数据。

首先，根据红绿灯所管控路段当前的视频数据，生成红绿灯所管控路段的3D数据。其中，红绿灯所管控的路段，是指红绿灯所对应的停车线和上一个红绿灯所对应的停车线之间的路段。在一个实施例中，在红绿灯所管控的路段的两端均对称设置有多个用于拍摄红绿灯所管控的路段的摄像头，在得到各个摄像头当前所拍摄到的视频数据后，即可根据多个摄像头所拍摄到的视频数据进行拼接，合成当前红绿灯所管控的路段的3D数据。根据视频数据生成3D数据的过程可参考现有技术中的生成3D数据的过程，在本实施例中不在赘述。可理解，为了减小服务器的计算量过重，可不获取目标车辆的实时位置之后的摄像头所拍摄到的视频数据，只根据实时位置之前的摄像头所拍摄到的视频数据生成红绿灯所管控的路段局部的3D数据。

步骤2062、根据实时位置，确定3D数据中目标车辆的3D位置。

在得到红绿灯所管控的路段内的3D数据，根据目标车辆的实时位置，即可确定出目标车辆在3D数据中的3D位置。

步骤2063、根据3D位置确定位于目标车辆之前的车辆数。

在确认出目标车辆的3D位置之后，即可进一步计算3D位置和停车线之间的车辆数，从而计算出目标车辆之前的车辆数。可理解，在计算车辆数时，只计算目标车辆当前所在车道之前的车辆数。

步骤207、根据车辆数，预测目标车辆通过红绿灯所对应的停车线的等待时间。

在确定出当前位于目标车辆之前的车辆数后，即可根据车辆数预测出目标车辆通过红绿灯所对应的停车线的等待时间。具体的，在一个实施例中，服务器可查询红绿灯切换为绿灯后，停车线上所能够通过的第一车辆数，根据第一车辆数以及目标车辆之前的车辆数，确定出目标车辆所需要等待的红灯的个数，并根据每次红灯切换为绿灯后，目标车辆之前的车辆数来确定目标车辆的起步等待时间，最后根据接收到停车信息时红灯的倒计时时间，目标车辆所需要等待的红灯数以及目标车辆每次在绿灯时的起步等待时间，预测出目标车辆在通过红绿灯所对应的停车线的等待时间。其中，目标车辆的起步等待时间，是指红绿灯切换为绿灯后，等到目标车辆起步时，目标车辆所需要等待的时间。可理解，车辆在起步时需要几秒的启动时间，后续车辆需要等待前面的车辆起步后才能够前进，因此，在红绿灯切换为绿灯后，目标车辆无法马上起步，需要等待之前的车辆全部起步前进后，目标车辆才能够前进，这段时间内目标车辆所需要等待的时间即为起步等待时间。

在上述实施例的基础上，步骤207中，根据车辆数，预测目标车辆通过红绿灯所对应的停车线的等待时间，具体由步骤2071-步骤2074执行，包括：

步骤2071、确定红绿灯为绿灯时，停车线所能够通过的第一车辆数。

首先，服务器查询红绿灯为绿灯时，目标车辆所在车道与红绿灯相对应的停车线上所最多能够通过的第一车辆数。在本实施例中，每个红绿灯在绿灯不同的持续时间下，不同车道上停车线最多所能够通过的第一车辆数预先储存在大数据系统中，例如，当绿灯的持续时间为30S时，停车线上最多所能通过的第一车辆数为10辆，当绿灯的持续时间为60S时，停车线上最多所能通过的车辆为20辆。服务器可通过查询红绿灯的绿灯的持续时间，并根据绿灯的持续时间在大数据系统中查询当红绿灯为绿灯时，停车线上最多所能够通过的第一车辆数。

步骤2072、根据车辆数以及第一车辆数，确定下一个绿灯时，目标车辆能否通过停车线。

在得到目标车辆当前的车辆数和红绿灯在切换为绿灯后停车线所能够通过的第一车辆数后，服务器进一步判断在下一个绿灯时，目标车辆能否通过停车线。具体的，可判断第一车辆数是否大于车辆数，若是，则在下一个绿灯时，目标车辆即可通过停车线，若否，则目标车辆在下一个绿灯时，依旧无法通过停车线。

步骤2073、若能，计算目标车辆在下一个绿灯的起步等待时间，并根据起步等待时间以及接收到停车信息时红灯的倒计时时间，预测目标车辆通过红绿灯所对应的停车线的等待时间。

如果目标车辆在下一个绿灯能够通过停车线，则进一步根据目标车辆之前的车辆数，计算目标车辆的起步等待时间，之后，服务器进一步确定在接收到停车信息时红灯的倒计时时间，将倒计时时间加上起步等待时间，即为目标车辆在通过红绿灯的停车线所需要等待的时间。在一个实施例中，服务器确定在接收到停车信息时红灯的倒计时时间的过程中，可根据获取当前红灯的倒计时时间，同时计算接收到停车信息的时间和当前时间的时间差，将当前红灯的倒计时时间加上时间差，即可确定出在接收到停车信息时红灯的倒计时时间。

在一个实施例中，计算目标车辆在下一个绿灯的起步等待时间，包括：

将车辆数输入到起步时间预测模型中，以使起步时间预测模型输出目标车辆的起步等待时间。

在一个实施例中，可以将车辆数输入到预先设置好的起步时间预测模型中，使用起步时间预测模型来预测目标车辆的起步等待时间。在一个实施例中，起步时间预测模型可通过对卷积神经网络进行训练得到。具体的，在对卷积神经网络进行训练时，获取在车辆之前具有不同数量的车辆作为训练数据，并在训练数据标注出对应车辆的起步等待时间，从标注后的训练数据中获取部分数据作为验证集。将训练数据输入卷积神经网络中进行训练，在训练过程中对卷积神经网络的权重参数进行调整，训练完成后，将验证集输入到卷积神经网络中，验证卷积神经网络输出的起步等待时间与标注的起步等待时间的误差是否在预设范围内，若是，则卷积神经网络训练完成，得到起步时间预测模型，若否，则重新对卷积神经网络进行训练。在实时得到目标车辆之前的车辆数后，将车辆数输入到训练好的起步时间预测模型中，以使起步时间预测模型输出目标车辆的起步等待时间。在一个实施例中，由于不同车型的起步时间不同，为了提高计算的准确度，在训练卷积神经网络过程中，在训练数据还包括车辆之前的每一辆车辆的车型，例如，轿车，SUV以及货车等。当根据3D数据确定位于目标车辆之前的车辆数后，还从3D数据中获取之前每一辆车辆的车型，并将车辆数和车型一起输入到起步时间预测模型中，得到更加精确的起步等待时间。

步骤2074、若否，计算目标车辆后续所需要等待的红灯数以及红灯每次切换为绿灯时目标车辆的起步等待时间，根据接收到停车信息时红灯的倒计时时间、所需要等待的红灯数以及每次的起步等待时间，预测目标车辆通过红绿灯所对应的停车线的等待时间。

如果车辆在下一个绿灯时无法通过红绿灯所对应的停车线，则计算当前红灯的倒计时结束后，目标车辆后续所需要等待的红灯数，同时计算出信号灯每次由红灯切换为绿灯时，目标车辆所需要等待的起步等待时间。具体的，在一个实施例中，可将当前目标车辆之前的车辆数除以第一车辆数得到商，取商的整数位即为目标车辆后续所需要等待的红灯数。示例性的，当前目标车辆之前的车辆数为15，绿灯时停车线上所能够通过的车辆数为6，则将15/6=2.5，取整后为2，即目标车辆在当前红灯的倒计时结束后，后续还需要等待的红灯数为2个。其次，还同时计算出红灯每次切换为绿灯时目标车辆所需要等待的起步等待时间，例如，当前目标车辆之前的车辆数为15辆时，计算出下一个绿灯时，目标车辆的起步等待时间，之后，由于下一个绿灯时停车线会通过6辆车，因此在下下一个绿灯时，目标车辆之前的车辆数为9辆，则可以根据9辆计算出下下一个绿灯时目标车辆的起步等待时间，在最后一个绿灯时，目标车辆之前的车辆数为3辆，则可以根据3辆计算出最后一个绿灯时目标车辆的起步等待时间。最后，服务器查询红绿灯在红灯时所持续的时间，将红灯所持续的时间乘以所需要等待的红灯数，即为红灯的等待总时间，将接收到停车信息时红灯的倒计时时间、红灯的等待总时间以及每次的起步等待时间进行相加，即可计算出目标车辆通过红绿灯的停车线时的等待时间。

步骤208、将等待时间发送至目标车辆，以使目标车辆根据等待时间校准剩余里程数。

上述，本发明实施例通过确定出确定位于目标车辆之前的车辆数以及在绿灯时停车线上所能够通过的第一车辆数，根据第一车辆数以及车辆数来确定出目标车辆后续所需要等待的红灯的个数，并根据每次红灯切换为绿灯后目标车辆之前的车辆数来确定目标车辆的起步等待时间，最后根据接收到停车信息时红灯的倒计时时间，目标车辆所需要等待的红灯数以及目标车辆每次在绿灯时的起步等待时间，预测出目标车辆在通过红绿灯相对应的停车线的等待时间。之后将等待时间发送给目标车辆，使得目标车辆能够根据等待时间来修正未来的用电量，并根据未来的用电量对目标车辆的剩余里程数进行校准，提高对车辆的剩余里程数进行预测时的准确率，解决了现有技术中没有考虑在红灯时的等待时间对电池用电量的影响，导致对剩余里程数进行预测时存在着准确度较低的技术问题。

如图5所示，图5为本发明实施例的一种基于车联网的里程数校准装置，包括状态判断模块301、等待时间预测模块302以及里程校准模块303；

状态判断模块301用于当接收到目标车辆上传的停车信息时，根据目标车辆上传的实时位置以及行车路径，确定目标车辆是否处于等待红绿灯的红灯的状态；

等待时间预测模块302用于若目标车辆处于等待红灯的状态，调取红绿灯所管控的路段当前的视频数据，根据实时位置以及视频数据，预测目标车辆通过红绿灯所对应的停车线的等待时间；

里程校准模块303用于将等待时间发送至目标车辆，以使目标车辆根据等待时间校准剩余里程数。

在上述实施例的基础上，状态判断模块301用于根据目标车辆上传的实时位置以及行车路径，确定目标车辆是否处于等待红绿灯的红灯的状态，包括：

用于根据目标车辆上传的行车路径以及实时位置，确认在行车路径上当前距离目标车辆最近的红绿灯；判断红绿灯当前的状态是否为红灯；若为红灯，判断实时位置与红绿灯所对应的停车线的距离是否小于预设距离；若小于预设距离，则确定目标车辆处于等待红绿灯的红灯的状态；若大于等于预设距离，获取实时位置和红绿灯所对应的停车线之间道路的拥堵情况，根据拥堵情况确定目标车辆是否处于等待红绿灯的红灯的状态。

在上述实施例的基础上，状态判断模块301用于根据拥堵情况确定目标车辆是否处于等待红绿灯的红灯的状态，包括：

用于当根据道路的拥堵情况确定道路当前处于拥堵状态时，确定目标车辆处于等待红绿灯的红灯的状态。

在上述实施例的基础上，等待时间预测模块302用于根据实时位置以及视频数据，预测目标车辆通过红绿灯所对应的停车线的等待时间，包括：

用于根据实时位置以及视频数据，确定位于目标车辆之前的车辆数；根据车辆数，预测目标车辆通过红绿灯所对应的停车线的等待时间。

在上述实施例的基础上，等待时间预测模块302用于根据实时位置以及视频数据，确定位于目标车辆之前的车辆数，包括：

用于根据视频数据，生成红绿灯所管控的路段的3D数据；根据实时位置，确定3D数据中目标车辆的3D位置；根据3D位置确定位于目标车辆之前的车辆数。

在上述实施例的基础上，等待时间预测模块302用于根据车辆数，预测目标车辆通过红绿灯所对应的停车线的等待时间，包括：

用于确定红绿灯为绿灯时，停车线所能够通过的第一车辆数；根据车辆数以及第一车辆数，确定在下一个绿灯时，目标车辆能否通过停车线；若能，计算目标车辆在下一个绿灯的起步等待时间，并根据起步等待时间以及接收到停车信息时红灯的倒计时时间，预测目标车辆通过红绿灯所对应的停车线的等待时间；若否，计算目标车辆后续所需要等待的红灯数以及红灯每次切换为绿灯时目标车辆的起步等待时间，根据接收到停车信息时红灯的倒计时时间、所需要等待的红灯数以及每次的起步等待时间，预测目标车辆通过红绿灯所对应的停车线的等待时间。

在上述实施例的基础上，等待时间预测模块302用于计算目标车辆在下一个绿灯的起步等待时间，包括：

用于将车辆数输入到起步时间预测模型中，以使起步时间预测模型输出目标车辆的起步等待时间。

本实施例还提供了一种基于车联网的里程数校准设备，如图6所示，所述基于车联网的里程数校准设备40包括处理器400以及存储器401；

所述存储器401用于存储计算机程序402，并将所述计算机程序402传输给所述处理器；

所述处理器400用于根据所述计算机程序402中的指令执行上述的一种基于车联网的里程数校准方法实施例中的步骤。

示例性的，所述计算机程序402可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器401中，并由所述处理器400执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序402在所述基于车联网的里程数校准设备40中的执行过程。

所述基于车联网的里程数校准设备40可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于车联网的里程数校准设备40可包括，但不仅限于，处理器400、存储器401。本领域技术人员可以理解，图6仅仅是基于车联网的里程数校准设备40的示例，并不构成对基于车联网的里程数校准设备40的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于车联网的里程数校准设备40还可以包括输入输出设备、网络接入设备、总线等。

所称处理器400可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器401可以是所述基于车联网的里程数校准设备40的内部存储单元，例如基于车联网的里程数校准设备40的硬盘或内存。所述存储器401也可以是所述基于车联网的里程数校准设备40的外部存储设备，例如所述基于车联网的里程数校准设备40上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器401还可以既包括所述基于车联网的里程数校准设备40的内部存储单元也包括外部存储设备。所述存储器401用于存储所述计算机程序以及所述基于车联网的里程数校准设备40所需的其他程序和数据。所述存储器401还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种基于车联网的里程数校准方法，该方法包括以下步骤：

当接收到目标车辆上传的停车信息时，根据所述目标车辆上传的实时位置以及行车路径，确定所述目标车辆是否处于等待红绿灯的红灯的状态；

若所述目标车辆处于等待所述红灯的状态，调取所述红绿灯所管控的路段当前的视频数据，根据所述实时位置以及所述视频数据，预测所述目标车辆通过所述红绿灯所对应的停车线的等待时间；

将所述等待时间发送至所述目标车辆，以使所述目标车辆根据所述等待时间校准剩余里程数。

注意，上述仅为本发明实施例的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明实施例不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明实施例的保护范围。因此，虽然通过以上实施例对本发明实施例进行了较为详细的说明，但是本发明实施例不仅仅限于以上实施例，在不脱离本发明实施例构思的情况下，还可以包括更多其他等效实施例，而本发明实施例的范围由所附的权利要求范围决定。