速度预测方法、设备及存储介质

技术领域

本申请涉及交通技术领域，尤其涉及一种速度预测方法、设备及存储介质。

背景技术

城市交通突发事故对道路短期通行能力和通行状态影响明显，城市管理者希望能够快速了解这些交通事件对周围的路段、路口的影响，并以此为依据制定相应的管理措施消除堵点。在一些交通仿真方法中，通常在假设路网中的所有人都会在事件的影响下理性地做出决策并选择最短路径的情况下进行拥堵情况的预测。但实际上，在短时间内的交通事故，很多人是不足以掌握交通事故信息，并根据当前的交通状态做出新的路径规划选择的，从而无法准确地预测出道路事件后的拥堵情况，从而无法准确预测事件发生后道路上的实际速度。因此，有待提出一种新的解决方案。

发明内容

本申请的多个方面提供一种速度预测方法、设备及存储介质，用以预测道路事件发生后道路的实际速度。

本申请实施例提供一种速度预测方法，包括：确定目标路网中的事件路段的道路事件；根据出行者信息透明度以及所述事件路段的剩余通行能力，确定绕行路径；根据所述绕行路径，确定目标路网中各路段的流量；根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵蔓延系数以及拥堵消散系数；在所述目标路网中各路段的拥堵蔓延系数以及拥堵消散系数下，根据所述目标路网中各路段的历史速度，预测所述目标路网中各路段在所述道路事件发生后的实际速度。

可选地，根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径，包括：确定用于绕开所述事件路段的绕行位置对应的指数分布模型；所述指数分布模型用于从所述事件路段的K阶邻域节点中确定绕行出发点以及绕行到达点；根据所述出行者信息透明度以及所述剩余通行能力，确定所述指数分布模型中的形状系数的值，以根据所述形状系数的值确定所述指数分布模型中的绕行位置的分布特征；对所述指数分布模型进行采样，得到至少一个绕行出发点以及至少一个绕行出发点；根据所述至少一个绕行出发点以及所述至少一个绕行到达点，确定绕行路径。

可选地，所述形状系数，与所述出行者信息透明度正相关，且与所述剩余通行能力负相关。

可选地，根据所述至少一个绕行出发点以及所述至少一个绕行到达点，确定绕行路径，包括：根据所述至少一个绕行出发点以及所述至少一个绕行出发点，确定多条备选绕行路径；根据路径质量指标，对所述多条备选绕行路径进行排序；所述路径质量指标包括：绕行距离比和/或路径相似度；根据所述排序的结果，从所述多条备选绕行路径中筛选出绕行路径。

可选地，根据所述绕行路径，确定目标路网中各路段的流量，包括：根据所述事件路段的剩余通行能力，确定流量分配比例；按照所述流量分配比例，将需经过所述事件路段的原路径上的部分流量分配给所述绕行路径，以更新所述目标路网中各路段的流量。

可选地，根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵蔓延系数，包括：针对所述目标路网中的第一路段，获取从所述第一路段进入所述事件路段的流量，作为第一流量，以及，获取所述事件路段的流量作为第二流量；根据所述第一流量和所述第二流量的比值以及时变因子，确定所述第一路段上随时间变化的拥堵蔓延系数；所述时变因子根据所述剩余通行能力以及随时间变化的出行者信息透明度确定。

可选地，根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵消散系数，包括：针对所述目标路网中的第一路段，获取从所述第一路段进入所述事件路段并从所述事件路段流出的流量，作为第三流量，以及，获取所述事件路段的流量作为第二流量；根据所述第三流量和所述第二流量的比值以及时变因子，确定所述第一路段上随时间变化的拥堵消散系数；所述时变因子根据所述剩余通行能力以及随时间变化的出行者信息透明度确定。

可选地，在所述目标路网中各路段的拥堵蔓延系数以及拥堵消散系数下，根据所述目标路网中各路段的历史速度，预测所述目标路网中各路段在所述道路事件发生后的实际速度，包括：采用速度预测模型，根据所述目标路网中各路段的拥堵蔓延系数以及道路拥堵临界值，预测所述目标路网中各路段的事件感知时长；以及，根据所述目标路网中各路段的拥堵消散系数以及所述道路拥堵临界值，预测所述目标路网中各路段的事件处理时长；在预设的约束条件下，根据所述目标路网中各路段的事件感知时长、所述目标路网中各路段的事件处理时长，所述事件路段在所述道路事件发生前的历史速度、所述事件路段在所述道路事件发生后不同时刻的速度以及所述目标路网中各路段在所述道路事件发生前的历史速度，预测所述目标路网中各路段在所述道路事件发生后的不同时刻的实际速度。

可选地，所述约束条件包括：不同时刻受所述道路事件影响的影响路段的数量、拥堵路段的数量和/或恢复畅通路段的数量；其中，任一时刻的影响路段的数量、拥堵路段的数量以及恢复畅通路段的数量，根据所述目标路网中各路段在所述时刻下的拥堵蔓延系数以及拥堵消散系数确定。

可选地，根据所述绕行路径，确定目标路网中各路段的流量之前，还包括：根据所述道路事件的经纬度坐标以及指定的位置偏移量，在地图中确定第一空间范围；在道路路网中，确定与所述第一空间范围对应的第一子路网；以及，确定所述道路事件的指定阶数的邻域节点所在的第二子路网；确定所述第一子路网和所述第二子路网的并集，得到目标路网，并在所述目标路网中确定受所述道路事件影响的路段，作为所述目标路网中的各路段。

可选地，在所述目标路网中确定受所述道路事件影响的各路段，包括：针对所述目标路网中的任一第二路段，根据所述事件路段的流量以及所述事件路段流入所述第二路段的流量，确定所述第二路段与所述事件路段的流量关联系数，并在所述流量关联系数大于预设的第一阈值时，确定所述第二路段为受所述道路事件影响的路段；或者，根据所述第二路段在路径绕行后的流量变化值以及所述第二路段在路径绕行前的流量，确定所述第二路段与所述事件路段的流量变化比例，并在所述流量变化比例大于预设的第二阈值时，确定所述第二路段为受所述道路事件影响的路段。

本申请实施例还提供一种电子设备，包括：存储器和处理器；所述存储器用于存储一条或多条计算机指令；所述处理器用于执行所述一条或多条计算机指令以用于：执行本申请实施例提供的方法中的步骤。

本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被处理器执行时能够实现本申请实施例提供的方法中的步骤。

本申请实施例提供的速度预测方法中，目标路网中的事件路段发生道路事件后，可根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径。其中，基于出行者信息透明度，充分利用了出行者对道路事件的感知程度，有利于更加贴近实际地模拟得到出行者遇到道路事件时的出行决策结果。基于事件路段的剩余通行能力，可将事件路段的实际能力状况作为预测依据，提升预测结果的准确性。根据绕行路径，可确定目标路网中各路段的流量，并根据目标路网中各路段的流量，确定目标路网中各路段在道路事件发生后的拥堵蔓延趋势以及拥堵消散趋势。该拥堵蔓延趋势以及拥堵消散趋势，基于较为可靠的出行者决策预测结果确定，因而能够较为真实地反映目标路网受道路事件的影响。进而，在目标路网中各路段的拥堵蔓延趋势以及拥堵消散趋势下，根据目标路网中各路段的历史速度预测得到的目标路网中各路段在道路事件发生后的实际速度，可较为准确地反映目标路网在道路事件影响下的通行状态。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请一示例性实施例提供的速度预测方法的流程示意图；

图2为本申请一示例性实施例提供的事件路段的K阶邻域拓扑关系的示意图；

图3为本申请一示例性实施例提供的出行者信息透明度的时变规律的示意图；

图4为本申请一示例性实施例对道路事件发生后的时间范围进行离散采样的示意图；

图5为本申请一示例性实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种，但是不排除包含至少一种的情况。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

还需要说明的是，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商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。

针对现有方案无法准确地预测出道路事件后的拥堵情况的技术问题，在本申请一些实施例中，提供了一种解决方案，以下结合附图，详细说明本申请各实施例提供的技术方案。

图1是本申请一示例性实施例提供的速度预测方法的流程示意图，该方法可包括如图1所示的步骤：

步骤101、确定目标路网中的事件路段的道路事件。

步骤102、根据出行者信息透明度以及所述事件路段的剩余通行能力，确定绕行路径。

步骤103、根据所述绕行路径，确定目标路网中各路段的流量。

步骤104、根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵蔓延系数以及拥堵消散系数。

步骤105、在所述目标路网中各路段的拥堵蔓延系数以及拥堵消散系数下，根据所述目标路网中各路段的历史速度，预测所述目标路网中各路段在所述道路事件发生后的实际速度。

本实施例的执行主体可以为任意的电子设备，可以是终端侧的电子设备，例如计算机、智能手机等，也可以是服务端侧的电子设备，例如常规服务器、云服务器、虚拟机等等本实施例不做限制。电子设备上运行有预测模型，该预测模型可包括一个或者多个子模型，以实现道路事件后的拥堵预测。

其中，目标路网中的道路事件，可以是目标路网中的某路段发生的对交通产生影响的事件，例如，某路段的交通事故事件、自然灾害事件(例如山体滑坡导致路段毁坏)、维修事件(例如受损路面修复、路面养护)等。

事件路段发生道路事件后，事件路段上的出行者，可进行路径切换，以绕行事件路段。随着事件发生时间的推移，出行者信息透明度越高，则出行者进行路径切换决策的时间越提前。事件路段的剩余通行能力越小，事件影响越大，则出行者进行路径切换决策的时间越提前。进而，可基于不同时刻的出行者信息透明度以及事件路段的剩余通行能力，预测不同时刻的绕行路径。

其中，出行者信息透明度，用于描述出行者的路径决策规律受出行者当前掌握的交通态势信息影响。出行者信息透明度越大，则出行者对道路事件的整体感知程度越高，越能够提前根据道路事件做出或者修改出行决策。出行者信息透明度随时间变化而变化，在事件发生后的某一特定时刻之前，出行者信息透明度随着时间推移呈指数上升趋势；到达指定时刻后，出行者信息透明度趋于平稳。

其中，事件路段的剩余通行能力，用于描述事件路段在事件发生后剩余的能够提供车辆通行的能力。道路事件的影响越大，则事件路段的剩余通行能力越小；反之，事件路段的剩余通行能力越大。基于不同时刻的出行者信息透明度以及事件路段的剩余通行能力，预测得到绕行路径，充分考虑了出行者对道路事件的感知程度，有利于更加贴近实际地模拟得到出行者遇到道路事件时的出行决策结果。

预测得到出行者的绕行路径后，可模拟出行者按照绕行路径进行绕行的操作。出行者绕行后，目标路网内的各路段的流量将会发生变化。因此，预测模型可根据绕行路径，确定目标路网中各路段的流量。其中，路段的流量，是指单位时间内通过路段的车辆的数量。

出行者绕行后，道路事件造成的影响将呈现以点到面传播的趋势，且可在管理疏通操作下慢慢恢复畅通。预测模型可根据目标路网中各路段的流量，确定目标路网中各路段在所述道路事件发生后的拥堵蔓延趋势以及拥堵消散趋势。其中，拥堵蔓延趋势用于表示道路事件发生后，事件影响区域内的各路段发生拥堵的概率。拥堵消散趋势用于表示道路事件发生后，事件影响区域内的各路段恢复畅通的概率。在本实施例中，采用拥堵蔓延系数表示拥堵蔓延趋势，并采用拥堵消散系数表示拥堵消散趋势。拥堵蔓延系数以及拥堵消散系数的可选的计算方式将在后续实施例中进行介绍，此处不做赘述。

确定各路段的拥堵蔓延趋势以及拥堵消散趋势后，预测模型可在该拥堵蔓延趋势以及消散趋势下，根据目标路网中各路段的历史速度，预测目标路网中各路段在道路事件发生后的实际速度。其中，任一路段在任一时刻的历史速度，可以是该路段在多个历史时刻的平均速度，或者该路段在历史日期中的相同时刻的速度，本实施例不做限制。在一些实施例中，可根据路段受道路事件影响后的实际速度与历史速度、拥堵蔓延趋势以及消散趋势之间的关系建立模型，该模型可以是基于二次曲线的函数模型或者基于神经网络的函数模型，本实施例不做限制。

本实施例中，目标路网中的事件路段发生道路事件后，可根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径。其中，基于出行者信息透明度，充分利用了出行者对道路事件的感知程度，有利于更加贴近实际地模拟得到出行者遇到道路事件时的出行决策结果。基于事件路段的剩余通行能力，可将事件路段的实际能力状况作为预测依据，提升预测结果的准确性。根据绕行路径，可确定目标路网中各路段的流量，并根据目标路网中各路段的流量，确定目标路网中各路段在道路事件发生后的拥堵蔓延趋势以及拥堵消散趋势。该拥堵蔓延趋势以及拥堵消散趋势，基于较为可靠的出行者决策预测结果确定，因而能够较为真实地反映目标路网受道路事件的影响。进而，在目标路网中各路段的拥堵蔓延趋势以及拥堵消散趋势下，根据目标路网中各路段的历史速度预测得到的目标路网中各路段在道路事件发生后的实际速度，可较为准确地反映目标路网在道路事件影响下的通行状态。

需要说明的是，在本申请的上述以及下述各实施例中，为了降低模型的计算复杂度，所述的目标路网，是指道路路网中的子路网。该子路网可根据道路事件所在的位置确定。以下将进行示例性说明。

可选地，可根据道路事件的经纬度坐标以及指定的位置偏移量，在地图中确定第一空间范围，并在道路路网中，确定与第一空间范围对应的第一子路网；确定道路事件的指定阶数的邻域节点所在的第二子路网，并确定第一子路网和第二子路网的并集，得到目标路网。得到目标路网后，可确定目标路网中受道路事件影响的各路段。

具体地，可以事件发生位置的经纬度坐标为中心，通过将经纬度偏移指定度数划定一个空间范围M1，并从道路路网中截取该空间范围M1内的子路网。在一些实施例中，为降低划定的空间范围M1对应的路网过于稀疏的风险，可以事件发生位置为中心，向道路路网中扩展K阶邻居节点，得到一个拓扑范围M2，K为正整数。可取空间范围M1内的子路网与拓扑范围M2的并集U(A,B)作为目标路网M。

可选地，确定目标路网后，可从目标路网中，确定事件的影响路段以及影响区域。其中，影响路段是指，目标路网中与事件路段具有较强流量依赖关系的路段；多个影响路段形成的区域即为影响区域。

在一些可选的实施例中，可通过流量关联系数，从目标路网中筛选出影响路段。以目标路网中的任一路段为例，可根据事件路段的流量以及事件路段流入该路段的流量，确定该路段与事件路段的流量关联系数。可选地，目标路网中的任一路段与事件路段的流量关联系数，可根据从事件路段流向该路段的车流量与事件路段的车流量的比值确定。若流量关联系数大于设定的第一阈值，则可确定该路段为影响路段。例如，目标路网中的路段i与事件路段(路段j)的流量关联系数α1可表达为：

其中，Volume(j→i)为从事件路段(路段i)流向路段i的车流量；Volume(j)为事件路段(路段j)的车流量。当α1≥α

在一些可选的实施例中，绕行路径的计算以及基于绕行路径的路径优化操作，可按照设定周期执行。可动态地根据路径优化前后的各路段的流量变化比例，从目标路网中筛选出影响路段。以目标路网中的任一路段为例，可根据该路段在路径绕行后的流量变化值以及该路段在路径绕行前的流量，确定该路段与事件路段的流量变化比例。可选地，任一路段的流量变化比例，可根据该路段在路径优化前后的流量差与该路段在路径优化前的流量的比值确定。若流量变化比例大于设定的第二阈值，则可确定该路段为影响路段。例如，目标路网中的路段i的流量变化比例α2可表达为：

其中，Volume

在本实施例中，预测模型可包括一路径优化模型，该路径优化模型用于预测因受事件路段的影响需要绕行的目标路径(即绕行路径)。以下将结合路径优化模型对路径优化的可选方式进行示例性说明。

确定目标路网、影响路段以及影响区域后，电子设备可基于路径优化模型(M1)，预测目标路网中的绕行路径。其中，预测绕行路径，主要用于预测出行者对道路事件的感知程度，并模拟出行者在感知道路事件后做出的出行抉择。以下将进行示例性说明。

在目标路网中，可采用拓扑图表示目标路网元素之间的关系，拓扑图中的节点表示路段的端点，拓扑图中的连线表示路段。在拓扑图中，从事件路段两端点出发，需经过至少K条边能够到达的节点，称为事件路段的K阶邻域节点，简称k阶邻域，如图2所示。

在一些示例性的实施例中，根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径时，可确定绕行位置对应的指数分布模型，并根据指数分布模型确定绕行路径。其中，该指数分布模型用于从事件路段的K阶邻域节点中确定绕行出发点以及绕行到达点。其中，该指数分布可以是伽玛分布(Gamma Distribution)分布、贝塔分布(BetaDistribution)，狄利克雷分布中的任一种。根据出行者信息透明度以及剩余通行能力，可确定指数分布模型中的形状系数的值，该形状系数用于表示绕行位置的分布特征。对指数分布模型进行采样，可得到至少一个绕行出发点以及至少一个绕行到达点。

其中，路径优化模型可采用指数分布模型，按概率地预测绕行出发点和绕行到达点及其所在的邻域阶数。以Gamma分布为例，Gamma分布的概率密度函数p(x)如下：

其中，k为形状系数，θ为尺度系数，x为随机变量，e为自然常数，Γ(k)为Gamma函数；其中，Gamma函数Γ(k)可采用如下公式表达：

基于上述概率密度函数的积分，可确定Gamma分布。对Gamma分布进行采样，可得到绕行位置。以绕行位置中的绕行出发点为例，预测绕行出发点时，假设绕行出发点位于事件路段上游的x阶邻域，x服从参数为k、θ的Gamma分布x～Gamma(k,θ)。基于采样器对Gamma分布进行采样，可得到绕行出发点所在的邻域阶数。根据绕行出发点所在的邻域阶数以及K阶邻域的拓扑图，可确定绕行出发点。其中，采样器可以为基于蒙特卡洛(Monte Carlo)采样方法的采样器。

Gamma分布中，形状参数k可根据出行者进行绕行决策的规律确定。通常，随着事件发生时间的推移，出行者信息透明度越高，则出行者进行路径切换决策的时间越提前。事件路段的剩余通行能力越小，事件影响越大，则出行者进行路径切换决策的时间越提前。进而，可基于出行者信息透明度以及事件路段的剩余通行能力，确定Gamma分布中的形状系数k，以使得Gamma分布能够表达绕行位置的分布特征。以下将分别对出行者信息透明度以及事件路段的剩余通行能力的确定方式进行示例性说明。

可选地，出行者信息透明度τ，用于描述出行者的路径选择行为受出行者当前掌握的交通态势信息影响。出行者信息透明度随时间变化而变化，在事件发生后的某一特定时刻之前，出行者信息透明度随着时间推移呈指数上升趋势；到达指定时刻后，出行者信息透明度趋于平稳。在一些可选的实施例中，可采用如下的时变模型描述出行者信息透明度对应的时变规律：

其中，t为从事件开始经历的时间，T为事件持续的总时间；m为经验值，一般可取m＝2；t

图3示意的出行者信息透明度的时变规律采用连续函数刻画，为了便于计算，可在事故发生的时间范围内选取若干时间锚点(Anchor Timestamp)，并以若干离散时间点的出行者信息透明度描述整个事件发生时段的变化。如图4所示，可在事故发生的时间范围选取若干个离散的时间点，例如t

可选地，事件路段的剩余通行能力r

其中，N

基于上述实施方式确定出行者信息透明度以及事件路段的剩余通行能力后，可基于出行者信息透明度以及事件路段的剩余通行能力，确定Gamma分布中的形状系数k。在一些可选的实施例中，形状系数k可采用以下方式计算：

其中，k

如公式1-3所示，Gamma分布中的形状系数k与出行者信息透明度τ正相关，即出行者信息透明度越高，形状系数越大，Gamma分布曲线中的峰值整体向右偏移，对Gamma分布进行采样得到的绕行出发点距离事件发生路段(即事件路段)越远。如公式1-3所示，形状系数k与事件路段的剩余通行能力r

同理，预测绕行到达点时，可假设绕行到达点位于事件路段下游的x阶邻域，x服从参数为k、θ的Gamma分布x～Gamma(k,θ)。对Gamma分布进行采样，可获取绕行到达点所在的邻域阶数。根据绕行到达点所在的邻域阶数以及K阶邻域的拓扑图，可确定绕行到达点。

分别对绕行出发点以及绕行到达点对应的Gamma分布进行采样，可获取绕行出发点所在的上游的邻域阶数以及绕行到达点所在的下游的邻域阶数。其中，采样得到的同阶的绕行出发点或者绕行到达点可以有一个或者多个，本实施例不做限制。若采样得到多个绕行出发点，多个绕行出发点的邻域阶数可以相同，也可以不同；若采样得到多个绕行到达点，多个绕行到达点的邻域阶数可以相同，也可以不同。

确定至少一个绕行出发点及至少一个绕行到达点后，路径优化模型可根据该至少一个绕行出发点以及该至少一个绕行到达点，计算绕行路径。

在一些可选的

可选地，在计算绕行路径的过程中，路径优化模型可为目标路网中的各路段设置权重系数，例如可根据道路等级对不同路段设置权重系数，或者根据高限速上下限值对不同路段设置权重系数。从而，可基于各路段的权重系数以及路段的长度，计算绕行出发点n

在一些可选的

可选地，路径优化模型可根据至少一个路径质量指标，对该多条备选绕行路径进行排序，根据排序的结果，从多条备选绕行路径中筛选出绕行路径。例如，可根据排序结果，选择排序靠前的备选绕行路径，或者选择位于排序第一位的备选绕行路径。

可选地，用于衡量较优绕行路径的指标，可至少包括：绕行距离比和/或路径相似度。以下将分别进行示例性说明。

在一可选的

其中，i表示绕行后的路径包含的路段的序号，j表示绕行后的路径包含的路段的序号。e

基于上述方式分别计算出多条绕行路径与原路径的绕行距离比后，可对多条绕行路径进行排序，并根据排序结果选择较优绕行路径。

在一可选的

示例性地，路径优化模型可基于动态时间规整算法(Dynamic Time Warping，DTW)中的累积距离，作为路径相似度的度量。其中，动态时间规整算法假设绕行路径与原路径分别包含若干数量相同或不同的关键点，并计算时间规整后的关键点的累积距离，具体参考以下公式：

s

其中，s

基于上述方式分别计算出多条绕行路径与原路径的路径相似度后，可对多条绕行路径进行排序，并根据排序结果选择较优绕行路径。

在上述实施方式中，筛选出的较优路径可以是一条或者多条，本实施例不做限制。

预测出绕行路径后，可假设原路径(需经过事件路段的无需绕行的原始路径)上的出行者通过绕行路径进行路径切换。原路径流量的一部分需分配给绕行路径。路径优化模型可进一步计算路径切换后的车流量分配情况。

可选地，原路径的流量保留比例，可以是任一指定的目标比例，例如50％、60％或者其他比例。可选地，考虑到原路径的通行状况，原路径的流量保留比例，可根据事件路段剩余通行能力r

基于上述实施方式，可预测路径优化后各路径上的流量，从而便于计算事件发生后目标路网的拥堵情况。

对车流量进行重分配后，可基于道路拥堵系数模型(M2)，根据重分配的车流量，确定道路事件发生后路段级别的拥堵蔓延系数以及拥堵消散系数。拥堵蔓延系数用于描述拥堵蔓延趋势，拥堵消散系数用于描述拥堵消散趋势。

在本实施例中，道路拥堵系数模型可获取不同时间分片(t时刻)上的路段级别的拥堵蔓延系数以及拥堵消散系数。道路拥堵系数模型的输入可包括：事件所在路段(即事件路段)、事件的影响区域内的历史路径、事件的影响路段的车流量以及目标路网拓扑结构；道路拥堵系数模型的输出可包括：拥堵蔓延系数以及拥堵消散系数。

以下将分别对堵蔓延系数以及拥堵消散系数的确定方式进行示例性说明。

以目标路网中的第一路段(即任一路段)为例，道路拥堵系数模型可获取从第一路段进入事件路段的流量，作为第一流量，并获取事件路段的流量作为第二流量；道路拥堵系数模型可根据第一流量和第二流量的比值以及时变因子，确定第一路段上随时间变化的拥堵蔓延趋势。其中，所述时变因子根据所述剩余通行能力以及随时间变化的出行者信息透明度确定。为便于描述，t

可选地，由于事件路段的通行能力的变化，造成原始需要经过事件路段的路径在上游造成堆积，进而导致上游对应路段在不同的时间段内呈现出拥堵。因此，可基于原始需要经过事件路段的路径上的车流量，确定拥堵蔓延系数

其中，i表示影响路段，j表示事件路段，

上述公式2-1可简化为如下公式：

其中，Volume(i→j)表示经过路段i进入事件路段j的车流量(即第一流量)，Volume(j)为路段j的车流量(即第二流量)，它们的比值表示的是当前路段i和事件路段j的流量相关性，ξ

其中，r

基于这种实施方式，可综合出行者的信息透明度以及事件路段和影响路段的车流量确定事件发生后的拥堵蔓延系数，充分考虑了出行者的决策信息，使得计算出的拥堵蔓延系数更加贴合实际场景。

继续以第一路段为例，道路拥堵系数模型可获取从第一路段进入事件路段并从事件路段流出的流量，作为第三流量，并获取事件路段的流量作为第二流量；道路拥堵系数模型可根据第三流量和第二流量的比值以及时变因子，确定第一路段上随时间变化的拥堵消散趋势；其中，时变因子根据所述剩余通行能力以及随时间变化的出行者信息透明度确定。

为便于描述，t

其中，

其中，若路段i受多个事件路段影响，则路段i的拥堵蔓延系数β

基于前述实施例，确定不同时刻、不同路段上的拥堵蔓延系数β

在本实施例中，为便于计算，对事件发生后的连续时间进行采样，得到多个离散的时间。考虑到时间颗粒度的不连续性，可采用如下公式描述路网拥堵约束模型:

其中，S(t)表示t时刻的影响路段的数量，ΔS(t+1)表示t+1时刻影响路段的增量，S(t+1)＝ΔS(t+1)+S(t)＝-β(t)S(t)I(t)+S(t)。其中，S(t＝t

其中，I(t)表示t时刻的拥堵路段的数量，ΔI(t+1)表示t+1时刻影响路段的增量，I(t+1)＝ΔI(t+1)+I(t)＝-β(t)S(t)I(t)-μ(t)I(t)+I(t)。其中，S(t＝t

其中，ΔR(t)表示t时刻的恢复畅通路段的增量。

确定拥堵路段的数量后，可基于拥堵路段的数量，确定事件发生后的拥堵严重程度。其中，事件发生后的拥堵严重程度随时间的变化趋势，可根据不同时刻的拥堵路段的数量与路网内与事件路段相邻的路段的总数量的比值确定。例如，拥堵严重程度随时间变化的趋势可表达为：

其中，N为事件路段相邻的路段的总数量。

上述实施例中，路网拥堵约束模型输出的影响区域内的影响路段的总量S(t)、拥堵路段I(t)、以及恢复畅通路段的数量R(t)，将作为约束条件，输入速度调整模型(M4)中，以使得速度调整模型预测事件发生后各路段在各时刻的速度变化。

其中，速度调整模型包括一传播时间子模型(M4-1)，该传播时间子模型用于预测事件e发生后，路段i的拥堵达到峰值所需的时长(以下称：事件感知时长θ

其中，路段i的事件感知时长θ

θ

/>

其中，目标路网基态包括：目标路网中每个时间片上的不同路段的速度，该速度可以根据路段在历史时段内未受事件影响下的速度确定。

其中，道路拥堵临界值ρ用于表示拥堵状态判断的边界条件，可根据导航地图对不同拥堵状态的定义，确定固定值作为道路拥堵临界值；或者，可采用以下公式确定道路拥堵临界值：

其中，

即，传播时间子模型的输入可包括：目标路网基态、路段i在t时刻的拥堵蔓延系数β

基于这种实施方式，传播时间子模型可根据目标路网中各路段的拥堵蔓延趋势以及道路拥堵临界值，预测目标路网中各路段的事件感知时长；以及，根据目标路网中各路段的拥堵消散趋势以及道路拥堵临界值，预测目标路网中各路段的事件处理时长。

速度调整模型还包括一速度预测子模型(M4-2)，事件感知时长θ

其中，

在一些可选的实施例中，公式4-5可展开为以下公式：

其中，V

g

其中，γ()表示从路网拥堵约束模型(M3)的输出到速度调整参数的转换函数，M3表示目标路网拥堵约束模型的输出,M3包括前述实施例计算出的S(t)、I(t)和/或R(t)。

即，速度预测子模型的输入可包括：事件开始时刻t

基于上述实施方式，速度预测子模型可根据目标路网中各路段的事件感知时长、目标路网中各路段的事件处理时长，事件路段在事件发生前后不同时刻的速度以及目标路网中各路段在道路事件发生前的速度，预测目标路网中各路段在所述道路事件发生后的不同时刻的实际速度。

需要说明的是，上述实施例所提供方法的各步骤的执行主体均可以是同一设备，或者，该方法也由不同设备作为执行主体。比如，步骤101至步骤104的执行主体可以为设备A；又比如，步骤101和102的执行主体可以为设备A，步骤103的执行主体可以为设备B；等等。

另外，在上述实施例及附图中的描述的一些流程中，包含了按照特定顺序出现的多个操作，但是应该清楚了解，这些操作可以不按照其在本文中出现的顺序来执行或并行执行，操作的序号如101、102等，仅仅是用于区分开各个不同的操作，序号本身不代表任何的执行顺序。另外，这些流程可以包括更多或更少的操作，并且这些操作可以按顺序执行或并行执行。需要说明的是，本文中的“第一”、“第二”等描述，是用于区分不同的消息、设备、模块等，不代表先后顺序，也不限定“第一”和“第二”是不同的类型。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

图5示意了本申请一示例性实施例提供的电子设备的结构示意图，如图5所示，该电子设备包括：存储器501、处理器502以及通信组件503。

存储器501，用于存储计算机程序，并可被配置为存储其它各种数据以支持在电子设备上的操作。这些数据的示例包括用于在电子设备上操作的任何应用程序或方法的指令。

处理器502，与存储器501耦合，用于执行存储器501中的计算机程序，以用于：确定目标路网中的事件路段的道路事件；根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径；根据所述绕行路径，确定目标路网中各路段的流量；根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵蔓延系数以及拥堵消散系数；在所述目标路网中各路段的拥堵蔓延系数以及拥堵消散系数下，根据所述目标路网中各路段的历史速度，预测所述目标路网中各路段在所述道路事件发生后的实际速度。

可选地，处理器502在根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径时，具体用于：确定用于绕开所述事件路段的绕行位置对应的指数分布模型；所述指数分布模型用于从所述事件路段的K阶邻域节点中确定绕行出发点以及绕行到达点；根据所述出行者信息透明度以及所述剩余通行能力，确定所述指数分布模型中的形状系数的值，以根据所述形状系数的值确定所述指数分布模型中的绕行位置的分布特征；对所述指数分布模型进行采样，得到至少一个绕行出发点以及至少一个绕行出发点；根据所述至少一个绕行出发点以及所述至少一个绕行到达点，确定绕行路径。

可选地，所述形状系数，与所述出行者信息透明度正相关，且与所述剩余通行能力负相关。

可选地，处理器502在根据所述至少一个绕行出发点以及所述至少一个绕行到达点，确定绕行路径时，具体用于：根据所述至少一个绕行出发点以及所述至少一个绕行出发点，确定多条备选绕行路径；根据路径质量指标，对所述多条备选绕行路径进行排序；所述路径质量指标包括：绕行距离比和/或路径相似度；根据所述排序的结果，从所述多条备选绕行路径中筛选出绕行路径。

可选地，处理器502在根据所述绕行路径，确定目标路网中各路段的流量时，具体用于：根据所述事件路段的剩余通行能力，确定流量分配比例；按照所述流量分配比例，将需经过所述事件路段的原路径上的部分流量分配给所述绕行路径，以更新所述目标路网中各路段的流量。

可选地，处理器502在根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵蔓延系数时，具体用于：针对所述目标路网中的第一路段，获取从所述第一路段进入所述事件路段的流量，作为第一流量，以及，获取所述事件路段的流量作为第二流量；根据所述第一流量和所述第二流量的比值以及时变因子，确定所述第一路段上随时间变化的拥堵蔓延系数；所述时变因子根据所述剩余通行能力以及随时间变化的出行者信息透明度确定。

可选地，处理器502在根据所述目标路网中各路段的流量，确定所述目标路网中各路段在所述道路事件发生后的拥堵消散系数时，具体用于：针对所述目标路网中的第一路段，获取从所述第一路段进入所述事件路段并从所述事件路段流出的流量，作为第三流量，以及，获取所述事件路段的流量作为第二流量；根据所述第三流量和所述第二流量的比值以及时变因子，确定所述第一路段上随时间变化的拥堵消散系数；所述时变因子根据所述剩余通行能力以及随时间变化的出行者信息透明度确定。

可选地，处理器502在在所述目标路网中各路段的拥堵蔓延系数以及拥堵消散系数下，根据所述目标路网中各路段的历史速度，预测所述目标路网中各路段在所述道路事件发生后的实际速度时，具体用于：采用速度预测模型，根据所述目标路网中各路段的拥堵蔓延系数以及道路拥堵临界值，预测所述目标路网中各路段的事件感知时长；以及，根据所述目标路网中各路段的拥堵消散系数以及所述道路拥堵临界值，预测所述目标路网中各路段的事件处理时长；在预设的约束条件下，根据所述目标路网中各路段的事件感知时长、所述目标路网中各路段的事件处理时长，所述事件路段在所述道路事件发生前的历史速度、所述事件路段在所述道路事件发生后不同时刻的速度以及所述目标路网中各路段在所述道路事件发生前的速度，预测所述目标路网中各路段在所述道路事件发生后的不同时刻的实际速度。

可选地，所述约束条件包括：不同时刻受所述道路事件影响的路段的数量、拥堵路段的数量和/或恢复畅通路段的数量；其中，任一时刻的影响路段的数量、拥堵路段的数量以及恢复畅通路段的数量，根据所述目标路网中各路段在所述时刻下的拥堵蔓延系数以及拥堵消散系数确定。

可选地，处理器502在根据所述绕行路径，确定目标路网中各路段的流量之前，还用于：根据所述道路事件的经纬度坐标以及指定的位置偏移量，在地图中确定第一空间范围；在道路路网中，确定与所述第一空间范围对应的第一子路网；以及，确定所述道路事件的指定阶数的邻域节点所在的第二子路网；确定所述第一子路网和所述第二子路网的并集，得到目标路网，并在所述目标路网中确定受所述道路事件影响的路段，作为所述目标路网中的各路段。

可选地，处理器502在在所述目标路网中确定受所述道路事件影响的路段，作为所述目标路网中的各路段时，具体用于：针对所述目标路网中的任一第二路段，根据所述事件路段的流量以及所述事件路段流入所述第二路段的流量，确定所述第二路段与所述事件路段的流量关联系数，并在所述流量关联系数大于预设的第一阈值时，确定所述第二路段为受所述道路事件影响的路段；或者，根据所述第二路段在路径绕行后的流量变化值以及所述第二路段在路径绕行前的流量，确定所述第二路段与所述事件路段的流量变化比例，并在所述流量变化比例大于预设的第二阈值时，确定所述第二路段为受所述道路事件影响的路段。

进一步，如图5所示，该电子设备还包括：电源组件504、显示组件505以及音频组件506等其它组件。图5中仅示意性给出部分组件，并不意味着电子设备只包括图5所示组件。

其中，存储器501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，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

其中，通信组件503被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络，如Wi-Fi(无线网络通信技术)，2G(如全球移动通信系统(Global System for Mobile Communications，GSM)等)、3G(如宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、4G(如长期演进(Long Term Evolution，LTE)等)、4G+(如升级版长期演进(LTE-Advanced，LTE-A)等)或5G(第五代移动通信技术(5th Generation Mobile Communication Technology))，或它们的组合。在一个示例性实施例中，通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，通信组件可基于近场通信(NFC)技术、射频识别(RFID)技术、红外数据协会(IrDA)技术、超宽带(UWB)技术、蓝牙(BT)技术和其他技术来实现。

其中，电源组件504，用于为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统，一个或多个电源，及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。

显示组件505包括屏幕，其屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。

音频组件506，可被配置为输出和/或输入音频信号。例如，音频组件包括一个麦克风(MIC)，当音频组件所在设备处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器或经由通信组件发送。在一些实施例中，音频组件还包括一个扬声器，用于输出音频信号。

本实施例中，目标路网中的事件路段发生道路事件后，可根据出行者信息透明度以及事件路段的剩余通行能力，确定绕行路径。其中，基于出行者信息透明度，充分利用了出行者对道路事件的感知程度，有利于更加贴近实际地模拟得到出行者遇到道路事件时的出行决策结果。基于事件路段的剩余通行能力，可将事件路段的实际能力状况作为预测依据，提升预测结果的准确性。根据绕行路径，可确定目标路网中各路段的流量，并根据目标路网中各路段的流量，确定目标路网中各路段在道路事件发生后的拥堵蔓延趋势以及拥堵消散趋势。该拥堵蔓延趋势以及拥堵消散趋势，基于较为可靠的出行者决策预测结果确定，因而能够较为真实地反映目标路网受道路事件的影响。进而，在目标路网中各路段的拥堵蔓延趋势以及拥堵消散趋势下，根据目标路网中各路段的历史速度预测得到的目标路网中各路段在道路事件发生后的实际速度，可较为准确地反映目标路网在道路事件影响下的通行状态。

相应地，本申请实施例还提供一种存储有计算机程序的计算机可读存储介质，计算机程序被执行时能够实现上述方法实施例中可由电子设备执行的各步骤。该计算机程序，可实现为运行在电子设备中的应用程序。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商品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，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。