一种基于车联网大数据的交通路况预测方法及系统

技术领域

本发明涉及交通技术领域，具体而言，涉及基于车联网大数据的交通路况预测方法及系统。

背景技术

随着社会经济的发展，城市交通路网规模越来越大，为了能够更加科学智能地管理城市交通路网，就需要对城市交通状况进行有效地监控和预测。车联网是战略性新兴产业中物联网和智能化汽车两大领域的重要交集，是城市智慧交通的关键组成部分。车联网的概念源于物联网，是采用传感器、通信网络、系统集成等技术，实现人与车、车与车、车与路之间的网络互联和信息互通，通过人、车、路的智能管控，以实现智能交通管理。

当前常用的技术手段中，预测输入复杂，难以从日期属性数据上体现交通路况变化规律，并且参考数据相对单一，预测准确性难以得到保证。

发明内容

本发明的目的在于提供一种基于车联网大数据的交通路况预测方法及系统，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种基于车联网大数据的交通路况预测方法，包括：

获取所述待测区域在当前时刻之前的预设时间段内的历史轨迹数据；

分别获取待测区域中交通路况的第一轨迹数据和第二轨迹数据，所述第一轨迹数据为在所有车辆轨迹中，车辆前一时刻不在所述待测区域而当前时刻在所述待测区域的总车辆数；所述第二轨迹数据为在所有车辆轨迹中，车辆前一时刻在所述待测区域而当前时刻不在所述待测区域的总车辆数；

基于三维向量对所述第一轨迹数据和所述第二轨迹数据进行处理，得到所有所述待测区域中的每个待测时间点的所有车辆轨迹的流量信息，所述流量信息包括所有车辆之间的相对交通流量、相对交通流量变化率、交通事故的不确定信息和当前道路的环境因素；

将所述流量信息和所述历史轨迹数据进行灰色关联分析，得到每个所述流量信息和所述历史轨迹数据的关联度值；

根据预先训练的路况预测模型，对所述关联度值、所述流量信息和所述历史轨迹数据进行处理，得到交通路况预测信息，其中，所述路况预测模型是根据历史时段内所述待测区域中的所述交通路况进行训练得到的。

第二方面，本申请还提供了一种基于车联网大数据的交通路况预测系统，包括第一获取模块、第二获取模块、第一处理模块、分析模块和第二处理模块，其中：

第一获取模块：用于获取所述待测区域在当前时刻之前的预设时间段内的历史轨迹数据；

第二获取模块：用于分别获取待测区域中交通路况的第一轨迹数据和第二轨迹数据，所述第一轨迹数据为在所有车辆轨迹中，车辆前一时刻不在所述待测区域而当前时刻在所述待测区域的总车辆数；所述第二轨迹数据为在所有车辆轨迹中，车辆前一时刻在所述待测区域而当前时刻不在所述待测区域的总车辆数；

第一处理模块：用于基于三维向量对所述第一轨迹数据和所述第二轨迹数据进行处理，得到所有所述待测区域中的每个待测时间点的所有车辆轨迹的流量信息，所述流量信息包括所有车辆之间的相对交通流量、相对交通流量变化率、交通事故的不确定信息和当前道路的环境因素；

分析模块：用于将所述流量信息和所述历史轨迹数据进行灰色关联分析，得到每个所述流量信息和所述历史轨迹数据的关联度值；

第二处理模块：用于根据预先训练的路况预测模型，对所述关联度值、所述流量信息和所述历史轨迹数据进行处理，得到交通路况预测信息，其中，所述路况预测模型是根据历史时段内所述待测区域中的所述交通路况进行训练得到的。

第三方面，本申请还提供了一种基于车联网大数据的交通路况预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现所述基于车联网大数据的交通路况预测方法的步骤。

第四方面，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于车联网大数据的交通路况预测方法的步骤。

本发明的有益效果为：通过获取历史估计数据、第一轨迹数据和第二轨迹数据，基于三维向量对数据进行处理，并基于层次分析法，确定图像的比重，利用灰色关联分析、神经网络模型对数据进行分析，保持模型的可持续预测优化，并且提高了路况预测的准确度，有效地减少了交通拥堵，预测目标车辆要到达的目标路口的交通状况，为出行者提供城市道路旅行预测，有助于出行者选择合适的交通路线出行，节约时间，避免发生点拥塞，提高现有道路通行效率，改善道路拥堵状况，减缓城市交通拥堵现象，提高城市道路交通综合管理水平。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的基于车联网大数据的交通路况预测方法流程示意图；

图2为本发明实施例中所述的基于车联网大数据的交通路况预测系统结构示意图；

图3为本发明实施例中所述的基于车联网大数据的交通路况预测设备结构示意图。

图中:701、第一获取模块；702、第二获取模块；7021、获取单元；7022、识别单元；7023、第一确定单元；7024、选取单元；703、第一处理模块；704、分析模块；7041、分析单元；7042、第一处理单元；7043、计算单元；7044、确定单元；705、第二处理模块；7051、分类单元；70511、第二设置单元；70512、清洗单元；70513、变换单元；7052、第一设置单元；7053、优化单元；7054、第二处理单元；7055、对比单元；800、基于车联网大数据的交通路况预测设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种基于车联网大数据的交通路况预测方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。

S100、获取所述待测区域在当前时刻之前的预设时间段内的历史轨迹数据。

可以理解的是，在本步骤中，是根据现有技术来实现，例如用户的历史轨迹数据可以预先存储在一个数据库中，在使用时，从数据库中根据用户的标识获取其历史轨迹数据，当然，可以以时间或者地域作为限制条件，也可以使用当前较为成熟的路况预测模型，将之前存储的历史轨迹数据输入至预测模型进行一个处理，得到一个相对准确的历史处理结果，记作历史轨迹数据。

S200、分别获取待测区域中交通路况的第一轨迹数据和第二轨迹数据，所述第一轨迹数据为在所有车辆轨迹中，车辆前一时刻不在所述待测区域而当前时刻在所述待测区域的总车辆数；所述第二轨迹数据为在所有车辆轨迹中，车辆前一时刻在所述待测区域而当前时刻不在所述待测区域的总车辆数。

可以理解的是，在本步骤中，是将收集到的GPS数据转换为具有区域特性的流出和流入的形式来计算流量数据。

具体地，将待检测区域看成一个整体，假设将整体划分为16*16的小区域，从而根据车辆的出入情况进行一个流量数据的预判。例如对于某个区域(x，y)，统计该区域的第一轨迹数据，即在所有车辆轨迹中，车辆前一时刻不在所述待测区域而当前时刻在所述待测区域的总车辆数，可以判断为流入流量；统计该区域的第二轨迹数据，即在所有车辆轨迹中，车辆前一时刻在所述待测区域而当前时刻不在所述待测区域的总车辆数，可以判断为流出流量。以某个区域(x，y)为例，在前一时刻也就是t-1时刻，车辆A和车辆B都不在区域内，只有车辆C在区域内，在t时刻，车辆A和车辆B都在区域内，车辆C不在区域内。由此可得，车辆A和车辆B为流入车辆，车辆C为流出车辆，并可以在区域(x，y)标注出坐标点。按照此形式标注，可以统计出在待检测区域内的流量信息。

S300、基于三维向量对所述第一轨迹数据和所述第二轨迹数据进行处理，得到所有所述待测区域中的每个待测时间点的所有车辆轨迹的流量信息，所述流量信息包括所有车辆之间的相对交通流量、相对交通流量变化率、交通事故的不确定信息和当前道路的环境因素。

具体地，上述得到的整个区域划分为16*16，那么可以根据三维向量表示出待检测区域的每个时刻数据的三维向量，根据采集的数据周期，可以得到每个待测时间点的所有车辆轨迹的流量信息。

其中，需要说明的是，相对交通流量、相对交通流量变化率、交通事故的不确定信息和当前道路环境因素都是影响交通流量信息的重要因素。

其中相对交通流量为在选定时间段内通过道路某一地点、某一断面或某一车道的交通实体数，是由上述的流入和流出的两种类型数据组成，相对交通流量指的是流入减去流出即得相对交通流量。相对交通流量变化率为当交通道路上发生交通事故的时候，路径会发生变化，例如堵塞、车辆排队等，交通流量的这种变化为相对交通流量变化率，是相对于前一时刻产生的。当前道路环境因素，顾名思义，即当前道路是否拥挤，是否发生交通事故，当前道路的承受能力都有关系。交通事故的不确定信息指的是通过相对交通流量、相对流量变化率和道路承受程度进行处理得到的。

可以理解的是，在本S300步骤中交通事故的不确定信息的获取过程包括S301、S302、S303和S304，其中：

S301、采用摄像装置获取到所述待测区域中每个所述待测时间点的交通路况图像信息；

为了掌握到各个交通路口的车辆运行状态，往往将摄像装置架设在交通路口的合适位置，比如道路上方、路中央的隔离带，实时监控各交通路口道路上的车辆运行情况，该车辆运行情况包括车辆排队情况、红绿灯等待情况、停车时间、车辆左右拐等信息。为了使视频处理中心能够通过摄像机拍摄到的各路口的视频图像获取各道路的交通状态，在摄像机拍摄到各交通路口道路上的车辆运行情况的视频图像后，将该视频图像传输到后台视频处理中心，以便使视频处理中心获取该视频图形，并对该视频图像进行分析和处理，最终得到交通路况图像信息。

S302、对所述交通路况图像信息进行图像预处理，并基于Yo l ov3网络，对预处理后的所述图像进行识别，得到多组重合图像，多组所述重合图像至少为三组，其中所述重合图像包括至少两个相同转向信息的轨迹划分到同一个图像轨迹集合中；

需要说明的是，对图像进行预处理，并基于卷积网络对预处理后的图像进行一个识别，去除一些图像存在的阴影、杂质等不清楚的地方，进行优化和图像对比，通过Yolov3网络标记出来的图像与哪个图像最为相近，即相互重合的图像，重合图像中有很多轨迹，其中任意一条轨迹由多个轨迹点组成。重合图像即为历史热度用于衡量交通路况的热度信息。例如对多组重合图像进行分类，得到多个类别：第一类别、第二类别、第三类别...以此类推，将相同轨迹的图像加入到相应的类别中，即划分到同一个图像轨迹集合中。

S303、将所有所述重合图像进行层次分析，确定每组重合图像中相同转向图像信息所占的比重；

需要说明的是，基于层次分析法进行比较获得相对重要程度的关系，并做归一化处理得到判别矩阵，如下：

A＝(a

其中：A为判别矩阵；a

其中，权重计算公式如下所述：

其中，W'每个元素的权重系数，W

S304、根据每组重合图像中相同转向图像信息所占的比重，选取所占比重最大的为重合路口，所述重合路口为转向次数最多的路口，即用来衡量所述交通事故的不确定信息。

需要说明的是，根据比重最大的重合路口，也是转向次数最多的路口，进而为预测交通路况提供了依据，是衡量交通事故的重要因素，也提高了交通路况预测的准确性。

S400、将所述流量信息和所述历史轨迹数据进行灰色关联分析，得到每个所述流量信息和所述历史轨迹数据的关联度值。

需要说明的是，通过线性插值的方法将系统因素的离散行为观测值转化为分段连续的折线，进而根据折线的几何特征构造测度关联程度的模型。所谓关联程度，实质上是曲线间几何形状的差别程度。因此曲线间差值大小，可作为关联程度的衡量尺度。

可以理解的是，在S400步骤中包括S401、S402、S403和S404，其中：

S401、将所述流量信息和所述历史轨迹数据进行序列分析，得到第一序列数据和第二序列数据，其中将所述历史轨迹数据作为反映交通路况因素的母序列，将所述流量信息作为反映交通路况因素的子序列；

可以理解的是，通过对流量信息和历史轨迹数据进行分析，将反映整体行为发展的交通路况因素作为母序列，将反映影响系统发展的因素组成的数据序列作为子序列。

S402、将所述第一序列数据和所述第二序列数据进行无纲量化处理，并将处理后的数据进行均值计算，得到第一序列数据的第一均值数据和所述第二序列数据的第二均值数据；

需要说明的是，因为第一序列数据和第二序列数据中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，所以都要进行无纲量化处理，将第一序列数据和所述第二序列数据进行无纲量化处理，并进行均值计算，计算如下：

其中，x

S403、基于所述第一序列数据、所述第二序列数据、所述第一均值数据和所述第二均值数据进行关联计算，得到所述子序列和母序列之间的关联系数；

可以理解的是上述步骤中的关联系数的计算公式为：

其中：γ

S404、基于所述关联系数，确定每个所述流量信息和所述历史轨迹数据的关联度值。

可以理解的是，关联度值计算公式如下：

其中：ε

S500、根据预先训练的路况预测模型，对所述关联度值、所述流量信息和所述历史轨迹数据进行处理，得到交通路况预测信息，其中，所述路况预测模型是根据历史时段内所述待测区域中的所述交通路况进行训练得到的。

可以理解的是，在S500步骤中包括S501、S502、S503、S504和S505，其中：

S501、将所述关联度值、所述流量信息和所述历史轨迹数据进行分类，得到训练集和预测集，分别对所述训练集的数据和所述预测集的数据进行标准化处理，得到第一标准化处理结果和第二标准化处理结果；

S502、设置LSTM神经网络模型的层数以及每层神经元的个数，并基于深度学习库和网格搜索参数优化方法，选取出适合设置完成后的所述LSTM神经网络模型的激活函数和优化器，所述激活函数和所述优化器用于更新所述LSTM神经网络模型的参数；

需要说明的是，设置DNN模型网络结构的层数，以及每层神经元的个数，通过Keras库中sc i kit-l earn网络搜索功能，选出合适该模型的激活函数和优化器，并选取均方误差(MSE)为损失函数来度量训练样本的输出损失，优化器为“Adam”用于更新模型参数，在每个训练周期后，优化损失函数求最小化的极值；设置迭代步长和训练次数，训练模型，用训练好的模型对路况进行预测，提高了交通路况预测准确度。

S503、根据损失函数，对更新后的所述LSTM神经网络模型进行优化，得到优化后的LSTM神经网络模型；

需要说明的是，通过优化模型参数算法，损失函数的值会逐渐减少，使得神经网络对训练数据的预测的错误率不断减小。假设训练集为T＝(x

/>

其中，w和b代表模型参数，n是训练集合中样本的数据，实际上，损失函数描述了优化后的LSTM神经网络模型的预测和样本标注之间的均方误差。

S504、将第一标准化处理结果发送至优化后的所述LSTM神经网络模型进行处理，其中对所述第一标准化处理结果内的数据以30分钟为单位进行分段，并将不同时段的所述第一标准化处理结果输入至更优化后的所述LSTM神经网络模型进行处理，得到不同时段的输出数据，所述输出数据为不同时间段的流量信息；

需要理解的是，通过采用自编码器对每个图像进行编码，确定每个图像在不同时间段的图像序列。

在本S504步骤中包括S5041、S5042和S5043，其中：

S5041、根据采集到的所述流量信息的数据，以30分钟为时间周期对所有所述待测区域中的每个待测时间点对应每天的所述待测时间段进行设置，得到预处理后的数据；

需要说明的是，以30分钟为时间周期进行设置，有利于避免冗杂，提高处理效率。

S5042、对所述预处理后的所述数据进行数据清洗，其中包括对预处理后的所述数据进行解析、去重、遗漏、噪音和异常处理；

具体地，将所述数据进行解析、去重、遗漏、噪音和异常处理，可以提高判断精度，有益于路况的准确判断，为标准化做好准备。

S5043、将清洗后的数据进行线性变换，得到交通流数据，将所述交通流数据记作所述第一标准化处理结果。

需要说明的是，采用线性变换交通流数据，将数据映射到[-1，1]的范围内，得到交通流数据。

S505、将所述第二标准化处理结果与所述输出数据进行对比，得到对比结果；若所述对比结果为所述第二标准化处理结果与所述输出数据不一致，则采用网格搜索参数优化方法不断调节参数，直至所述对比结果为所述第二标准化处理结果与所述输出数据一致，其中所述参数为所述STM神经网络模型的输入特征维数、隐藏层维数和输入层数据。

可以理解的是，本步骤通过对LSTM神经网络模型进行训练，预测不同时间段的数据结果，进而调整预测的准确率，达到高效快速的目的。

实施例2：

如图2所示，本实施例提供了一种基于车联网大数据的交通路况预测系统，参见图2所述系统包括第一获取模块701、第二获取模块702、第一处理模块703、分析模块704和第二处理模块705，其中：

第一获取模块701：用于获取所述待测区域在当前时刻之前的预设时间段内的历史轨迹数据；

第二获取模块702：用于分别获取待测区域中交通路况的第一轨迹数据和第二轨迹数据，所述第一轨迹数据为在所有车辆轨迹中，车辆前一时刻不在所述待测区域而当前时刻在所述待测区域的总车辆数；所述第二轨迹数据为在所有车辆轨迹中，车辆前一时刻在所述待测区域而当前时刻不在所述待测区域的总车辆数；

第一处理模块703：用于基于三维向量对所述第一轨迹数据和所述第二轨迹数据进行处理，得到所有所述待测区域中的每个待测时间点的所有车辆轨迹的流量信息，所述流量信息包括所有车辆之间的相对交通流量、相对交通流量变化率、交通事故的不确定信息和当前道路的环境因素；

分析模块704：用于将所述流量信息和所述历史轨迹数据进行灰色关联分析，得到每个所述流量信息和所述历史轨迹数据的关联度值；

第二处理模块705：用于根据预先训练的路况预测模型，对所述关联度值、所述流量信息和所述历史轨迹数据进行处理，得到交通路况预测信息，其中，所述路况预测模型是根据历史时段内所述待测区域中的所述交通路况进行训练得到的。

具体地，所述第一处理模块703中的交通事故的不确定信息的获取过程包括获取单元7021、识别单元7022、第一确定单元7023和选取单元7024，其中：

获取单元7021：用于采用摄像装置获取到所述待测区域中每个所述待测时间点的交通路况图像信息；

识别单元7022：用于对所述交通路况图像信息进行图像预处理，并基于Yo l ov3网络，对预处理后的所述图像进行识别，得到多组重合图像，多组所述重合图像至少为三组，其中所述重合图像包括至少两个相同转向信息的轨迹划分到同一个图像轨迹集合中；

第一确定单元7023：用于将所有所述重合图像进行层次分析，确定每组重合图像中相同转向图像信息所占的比重；

选取单元7024：用于根据每组重合图像中相同转向图像信息所占的比重，选取所占比重最大的为重合路口，所述重合路口为转向次数最多的路口，即用来衡量所述交通事故的不确定信息。

具体地，所述分析模块704，包括分析单元7041、第一处理单元7042、计算单元7043和确定单元7044，其中：

分析单元7041：用于将所述流量信息和所述历史轨迹数据进行序列分析，得到第一序列数据和第二序列数据，其中将所述历史轨迹数据作为反映交通路况因素的母序列，将所述流量信息作为反映交通路况因素的子序列；

第一处理单元7042：用于将所述第一序列数据和所述第二序列数据进行无纲量化处理，并将处理后的数据进行均值计算，得到第一序列数据的第一均值数据和所述第二序列数据的第二均值数据；

计算单元7043：用于基于所述第一序列数据、所述第二序列数据、所述第一均值数据和所述第二均值数据进行关联计算，得到所述子序列和母序列之间的关联系数；

确定单元7044：用于基于所述关联系数，确定每个所述流量信息和所述历史轨迹数据的关联度值。

具体地，所述第二处理模块705，包括分类单元7051、第一设置单元7052、优化单元7053、第二处理单元7054和对比单元7055，其中：

分类单元7051：用于将所述关联度值、所述流量信息和所述历史轨迹数据进行分类，得到训练集和预测集，分别对所述训练集的数据和所述预测集的数据进行标准化处理，得到第一标准化处理结果和第二标准化处理结果；

第一设置单元7052：用于设置LSTM神经网络模型的层数以及每层神经元的个数，并基于深度学习库和网格搜索参数优化方法，选取出适合设置完成后的所述LSTM神经网络模型的激活函数和优化器，所述激活函数和所述优化器用于更新所述LSTM神经网络模型的参数；

优化单元7053：用于根据损失函数，对更新后的所述LSTM神经网络模型进行优化，得到优化后的LSTM神经网络模型；

第二处理单元7054：用于将第一标准化处理结果发送至优化后的所述LSTM神经网络模型进行处理，其中对所述第一标准化处理结果内的数据以30分钟为单位进行分段，并将不同时段的所述第一标准化处理结果输入至更优化后的所述LSTM神经网络模型进行处理，得到不同时段的输出数据，所述输出数据为不同时间段的流量信息；

对比单元7055：用于将所述第二标准化处理结果与所述输出数据进行对比，得到对比结果；若所述对比结果为所述第二标准化处理结果与所述输出数据不一致，则采用网格搜索参数优化方法不断调节参数，直至所述对比结果为所述第二标准化处理结果与所述输出数据一致，其中所述参数为所述STM神经网络模型的输入特征维数、隐藏层维数和输入层数据。

具体地，所述分类单元7051，包括第二设置单元70511、清洗单元70512和变换单元70513，其中：

第二设置单元70511：用于根据采集到的所述流量信息的数据，以30分钟为时间周期对所有所述待测区域中的每个待测时间点对应每天的所述待测时间段进行设置，得到预处理后的数据；

清洗单元70512：用于对所述预处理后的所述数据进行数据清洗，其中包括对预处理后的所述数据进行解析、去重、遗漏、噪音和异常处理；

变换单元70513：用于将清洗后的数据进行线性变换，得到交通流数据，将所述交通流数据记作所述第一标准化处理结果。

需要说明的是，关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

实施例3：

相应于上面的方法实施例，本实施例中还提供了一种基于车联网大数据的交通路况预测设备，下文描述的一种基于车联网大数据的交通路况预测设备与上文描述的一种基于车联网大数据的交通路况预测可相互对应参照。

图3是根据示例性实施例示出的一种基于车联网大数据的交通路况预测设备800的框图。如图3所示，该基于车联网大数据的交通路况预测设备800可以包括：处理器801，存储器802。该基于车联网大数据的交通路况预测设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。

其中，处理器801用于控制该基于车联网大数据的交通路况预测设备800的整体操作，以完成上述的基于车联网大数据的交通路况预测方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该基于车联网大数据的交通路况预测设备800的操作，这些数据例如可以包括用于在该基于车联网大数据的交通路况预测设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Stat i c Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(E l ectr i ca l l y Erasab l e Programmab l e Read-On l yMemory，简称EEPROM)，可擦除可编程只读存储器(Erasab l e Programmab l e Read-On ly Memory，简称EPROM)，可编程只读存储器(Programmab l e Read-On l y Memory，简称PROM)，只读存储器(Read-On l y Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该基于车联网大数据的交通路况预测设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-F i，蓝牙，近场通信(Near F i e l dCommun i cat ion，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-F i模块，蓝牙模块，NFC模块。

在一示例性实施例中，基于车联网大数据的交通路况预测设备800可以被一个或多个应用专用集成电路(App l i cat i on Spec i f i c I ntegrated C i rcu i t，简称AS I C)、数字信号处理器(D i g i ta l S i gna l Processor，简称DSP)、数字信号处理设备(D i g i ta l S i gna l Process i ng Dev i ce，简称DSPD)、可编程逻辑器件(Programmab l e Log i c Dev i ce，简称PLD)、现场可编程门阵列(F i e l dProgrammab l e Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的基于车联网大数据的交通路况预测方法。

在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的基于车联网大数据的交通路况预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由基于车联网大数据的交通路况预测设备800的处理器801执行以完成上述的基于车联网大数据的交通路况预测方法。

实施例4：

相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于车联网大数据的交通路况预测可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于车联网大数据的交通路况预测方法的步骤。

该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-On l y Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。