路段的路面气象特征的自适应预测方法和装置与流程

1.本发明涉及路段的道路表面条件的预测。本发明尤其涉及用于预测特定路段上的路面气象条件的自适应方法。


背景技术：

2.公路网的路面气象条件对车辆的行为和安全有很大影响。实际上，车辆对道路的附着力与道路的路面气象条件高度相关，取决于道路是干的、湿的、结冰还是积雪，制动距离可显著增加。
3.驾驶者面前也可能突发局部事件，例如几片薄冰或大量的水。
4.为了预测路面条件并提高道路安全，已提出了各种系统。
5.例如，已知使用从分布在公路网上的固定气象站获得的气象数据来建立公路网的路面气象条件的绘图的系统。这样的气象站包括例如相机或其他适合测量道路上水深的传感器。然后可以将这些数据传输到在该公路网上行驶的其他车辆，以便告知驾车者可能存在的风险区域。
6.实施这种解决方案所需的投资，特别是在公路网上设立气象站的成本，是实施该解决方案的一个障碍。于是提出了其他方法。例如，已知使用热力学模型的方法，该模型使得能够基于气象观测来预测道路的状态。这种模型可以例如基于降水和大气条件（如周围环境温度、日照和风速）的记录来预测道路上的水量或其在给定时刻的温度。
7.于是，这些技术使得能够限制路网上所需的气象站的数量。然而，由于这些热力学模型适应于特定的道路类型，已证实它们无法在道路特征改变的情况下做出可靠的预测。然而，道路的特征可随着时间的推移而变化：周围植被的生长、存在污泥或道路逐渐磨损都可能会例如影响阵雨后道路的干燥时间，并导致热力学模型不相适应。
8.于是，需要一种自适应预测解决方案，其使得即使在环境局部改变的情况下也能够提供关于路段的路面气象条件的可靠预测。


技术实现要素：

9.为此，提出了一种公路网中的路段的路面气象特征的自适应预测方法，该方法包括以下步骤：
‑ꢀ
从测量车辆接收o 测量车辆的定位，以及o 测量车辆的传感器在所述定位处测得的该路段的第二路面气象特征，
‑ꢀ
基于接收到的定位确定第一车辆行驶的路段，
‑ꢀ
从多个预测模型中选择与所确定的路段相关联的第一预测模型，
‑ꢀ
通过将第一预测模型应用于针对所确定的路段获得的气象观测历史来预测第一路面气象特征，
‑ꢀ
计算第一值e1，其表示针对该路段预测的第一气象特征与由测量车辆测得的第
二气象特征之间的偏差，以及
‑ꢀ
当计算出的第一值e1大于第一阈值时：o 通过将至少一个第二预测模型应用于针对所确定的路段抄录的气象观测历史来预测第二气象特征，o 计算第二值e2，其表示由测量车辆测得的气象特征与预测的第二气象特征之间的偏差，
‑ꢀ
当第二值e2小于第一值e1时，将第二预测模型与该路段相关联，
‑ꢀ
向在该路段上行驶的至少一个第二车辆发送路面气象特征，所述路面气象特征是通过将与该路段相关联的预测模型应用于在该路段上抄录的气象观测历史而预测得到的。
10.公路网的每个路段与一个预测模型相关联，该预测模型被专门训练以预测与其相关联的路段的路面气象条件。由于每个路段都与一个特定的预测模型相关联，因此例如取决于路面类型或现场地形，该方法使得能够获得特别可靠的预测。该方法提出：当针对该路段所做的预测与检查车辆所做的观测不一致时，关联相关度更高的替代预测模型。
11.当车辆希望获得其行驶的路段的路面气象条件的预测时，将与该路段相关联的模型应用于针对该路段抄录的气象观测历史。这样的观测例如由本地气象观测服务和/或由在该路段上行驶的第二辆车来提供。
12.为了保证预测的可靠性，提出通过将预测与在该路段上行驶的一个或多个车辆所做的观测进行对照来评估预测模型的表现。
13.为此，提出计算一个值，该值表示由测量车辆测得的观测结果与跟该路段相关联的模型的预测之间的偏差。
14.当计算出的偏差大于第一阈值时，提出基于根据选择策略选择的替代预测模型来进行新的预测，所述选择策略例如在于选择与相同类型或邻近类型的路段相关联的模型。当替代模型中的至少一个预测出了与测量车辆的观测偏差更小的路面气象特征时，将该替代模型取代第一模型与该路段相关联。于是，当模型不再能够以足够的可靠性预测路面气象条件时，将表现更好的模型与该路段相关联。
15.于是，当例如维护服务更换了道路的路面时，最初与该路段相关联的模型将会出问题，并且将选择替代模型并将其与该路段相关联，该替代模型例如是被训练为预测新道路上的路面气象条件并且因此更适应于该路段的新条件的模型。
16.于是，该方法能够适应路段上可能发生的变化。于是，预测随时间推移而更加可靠，并且这些预测使得使用这些预测的车辆能够更安全地行驶。
17.在本说明书中，“路段（un segment routier）”对应于公路线的介于两个交叉口之间的一段。然而，当两个连续交叉口相距的距离大于预定义的距离时，将该区段细分为具有预定义的最大长度的段，例如一百米的段。
[0018]“路面气象特征（caract
é
ristique m
é
t
é
o de surface）”是指道路表面的气候条件的结果，如水深、存在冰或雪。
[0019]
基于其来预测路面特征的针对所确定的路段抄录的气象观测历史包括在训练或预测日之前在预定义的时间窗口中进行的观测或预测。例如，在训练的情况下，这个时间窗口包括在测量路面特征之前的3天内进行的气象观测、或者在进行预测的时刻之前的3天内
进行的气象观测。
[0020]
在下面的描述中，“预测模型”涉及诸如人工神经网络之类的监督学习模型。
[0021]
在一个特定实施例中，当第一值e1小于或等于第二值e2并且介于第一阈值s1和第二阈值s2之间时，基于该路段上的气象观测历史和由测量车辆测得的路面特征来重新训练第一预测模型。
[0022]
这样，当没有任何替代模型比针对该路段的第一模型表现得更好时，并且当第一模型的预测与测量车辆的观测之间的偏差小于第二阈值时（也就是说，当预测与观测没有分歧过大时），提出使用测量车辆进行的观测来重新训练与该路段相关联的第一模型。于是，该方法使得能够使预测适应于可能发生在所讨论的路段上的微小和/或逐渐发生的变化，例如由于季节变化导致的日照改变。
[0023]
根据一个特定实施例，当第一值e1小于或等于第二值e2且大于第二阈值s2时，该方法还包括以下步骤：
‑ꢀ
基于多个气象观测历史和由至少一个测量车辆测得的多个路面特征来训练第三预测模型，以及
‑ꢀ
将第三模型与路段相关联。
[0024]
当与路段相关联的模型的预测相对于测量车辆的观测表现出特别显著的差异时，并且当所选择的替代模型中没有一个能够以足够的准确度预测由测量车辆测得的气象特征时，基于在该路段上进行的测量和观测来训练新的预测模型，然后将该新的预测模型与该路段相关联。
[0025]
通过这种方式，该方法使得即使当路段的特征以可用模型不再合适的方式演变时也能够保证可靠的预测。
[0026]
根据一个特定实施例，根据表示测量车辆对第二路面气象特征的测量的可靠性的值来定义第一阈值和第二阈值。
[0027]“表示可靠性的值”例如是测量车辆所配备的传感器的误差容限，该容限由传感器的制造商给出或根据传感器的使用条件来确定。
[0028]
作为表示测量可靠性的值的变型或与之相结合，第一阈值和第二阈值根据置信指数进行加权，所述置信指数是针对与该路段相关联的模型确定的。置信指数例如在与该路段相关联的模型做出的预测与测量车辆测得的特征之间的偏差小于第一阈值时增大，并且在该偏差大于第一阈值时减小。
[0029]
于是，定义预测的可接受度的阈值随地面观测的可靠性而变化。
[0030]
根据一个特定实施例，时间窗口的持续时间根据背景数据（donn
é
e contextuelle）而变化。
[0031]
于是，例如在冬季，历史可以包括在六天的时段上抄录的气象观测，而在夏季，时间窗口的持续时间可以减小。
[0032]
这样设置使得能够虑及气候特点，例如冬季积雪层可能持续数天，或夏季阵雨后道路快速干燥。于是优化了学习阶段。
[0033]
根据另一方面，本发明涉及一种公路网中的路段的路面气象特征的自适应预测装置，包括通信接口、处理器和存储器，处理器和通信接口由存储在存储器中的指令来配置，并且被配置为实施以下步骤：
‑ꢀ
从测量车辆接收o 测量车辆的定位，以及o 测量车辆的传感器在所述定位处测得的该路段的第二路面气象特征，
‑ꢀ
基于接收到的定位确定第一车辆行驶的路段，
‑ꢀ
从多个预测模型中选择与所确定的路段相关联的第一预测模型，
‑ꢀ
通过将第一预测模型应用于针对所确定的路段获得的气象观测历史来预测第一路面气象特征，
‑ꢀ
计算第一值e1，其表示针对该路段预测的第一气象特征与由测量车辆测得的第二气象特征之间的偏差，以及
‑ꢀ
当计算出的第一值e1大于第一阈值时：o 通过将至少一个第二预测模型应用于针对所确定的路段抄录的气象观测历史来预测第二气象特征，o 计算第二值e2，其表示由测量车辆测得的气象特征与预测的第二气象特征之间的偏差，
‑ꢀ
当第二值e2小于第一值e1时，将第二预测模型与该路段相关联，
‑ꢀ
向在该路段上行驶的至少一个第二车辆发送路面气象特征，所述路面气象特征是通过将与该路段相关联的预测模型应用于在该路段上抄录的气象观测历史而预测得到的。
[0034]
根据又一方面，本发明涉及包括这样的预测装置的服务器。
[0035]
最后，本发明涉及一种处理器可读信息介质，其上存储有计算机程序，所述计算机程序包括用于执行如上所述的预测方法的步骤的指令。
[0036]
信息介质可以是非瞬态信息介质，例如硬盘、闪存或光盘。
[0037]
信息介质可以是能够存储指令的任何实体或装置。例如，该介质可以包括储存装置，例如rom、ram、prom、eprom、cd rom，或者磁性存储装置，例如硬盘。
[0038]
另一方面，信息介质可以是可传输介质，如电信号或光信号，其能够经由电缆或光缆、通过无线电或以其他方式被传送。
[0039]
替代地，信息介质可以是其中结合有程序的集成电路，该电路适于执行或用于执行所讨论的方法。
[0040]
上述各种实施例或特征可以单独地或彼此组合地添加到预测方法的步骤中。
[0041]
装置、服务器和信息介质至少具有类似于它们所涉及的方法所赋予的优点。
附图说明
[0042]
通过阅读以下详细描述并分析附图，本发明的其他特征、细节和优点将变得显而易见，其中：图1示出了适于实施根据一个特定实施例的方法的环境，图2是示出根据一个特定实施例的方法的主要步骤的流程图，图3示出了以二维矩阵形式的预测模型的布置示例，并且图4示出了适于实施根据一个特定实施例的自适应预测方法的装置的架构。
具体实施方式
[0043]
图1示出了在路段101上行驶的测量车辆100。车辆100适于确定其所行驶的道路的路面条件。例如，车辆包括连接到诸如ecu（电子控制单元）之类的处理单元103的麦克风102。处理单元103包括信号处理软件，其适于基于由麦克风102捕获的音频信号来确定道路上的水量。
[0044]
车辆100还包括通信装置104，例如2g、3g、4g、wifi、wimax或lte类型的蜂窝网络接口，使其能够藉由蜂窝接入网络105与其他装置交换消息。特别地，车辆100能够与通信网络107的服务器106交换消息。
[0045]
服务器106包括通信装置，例如以太网接口，使其能够与其他装置、特别是与车辆100交换消息。服务器106还包括处理器和存储计算机程序指令的存储器。这些指令被配置为当它们被处理器执行时实施根据一个特定实施例的自适应预测方法。
[0046]
服务器106能够访问数据库108和109。数据库108和109可以是服务器本地的，或者是远程的，并且可通过通信网络107访问。
[0047]
数据库109包括与地理定位相关联的气象观测历史。这样的气象观测例如由不同地理定位的气象预报或观测提供商提供。以这种方式，服务器106可以例如借助于向数据库109的适当请求来获得路段101上或公路网的任何其他路段上的降水历史。
[0048]
数据库108包括使得能够将公路网的每个考虑的路段与至少一个特定的预测模型相关联的记录。例如，路段101与一个特定的预测模型相关联，该预测模型适于基于针对路段101观测到的路面气象条件的历史来预测路段101的路面气象条件。
[0049]
现在将参考图2来描述自适应预测方法。
[0050]
在第一步骤200中，服务器106从测量车辆100接收定位数据（例如包括纬度和经度的gnss（全球导航卫星系统）坐标），以及该车辆在由该定位数据指示的地点测得的路面气象特征。这些数据通过服务器106的通信装置接收，例如以json（javascript对象符号）或xml（可扩展标记语言）格式的消息的形式，或以任何其他合适的格式。该消息还包括与进行测量的日期和时间相对应的时间戳数据。
[0051]
基于接收到的定位数据，在步骤201中，服务器106确定执行了路面特征测量的路段。为此，服务器106将接收到的gnss坐标与公路网的数字表示进行关联，以便确定包括由gnss坐标指示的点的路段。这样的步骤可以通过已知的“地图匹配”技术来执行。
[0052]
以这种方式，服务器106就知晓了公路网的特定路段上的路面气象条件。
[0053]
在步骤202中，服务器106查阅数据库108以确定与在步骤201中标识出的路段相关联的预测模型。为此，服务器做出请求，例如包括该路段的标识符的sql（结构化查询语言）请求，以便作为响应获得与该路段的标识符相关联的预测模型的标识符。在一个特定实施例中，请求还包括预测模型的选择标准，例如日期。以这种方式，当多个预测模型与同一路段相关联时，根据该标准选择模型。于是，例如，可以根据是夏季还是冬季来选择特定的模型。
[0054]
训练与公路网的路段相关联的预测模型，以便基于气象观测历史来预测该路段的路面条件。为此，取决于路段的特征来将特定的路段与特定的预测模型相关联，作为非穷举性示例，取决于路面类型（新沥青、旧沥青、混凝土、石砌路面等）、道路类型（高速公路、环城公路、次级路网）、周围环境（森林、山地、平原等）或地理区域。
[0055]
在步骤204中，基于气象观测历史来推断与该路段相关联的预测模型，以获得第一预测p1。气象观测历史是在获得步骤203中从数据库109或从气象预报提供商获得的。所获得的观测被包括在紧接在测量车辆100测量在步骤200中接收到的路面气象特征的日期和时间之前的具有确定的持续时间的时间窗口中。例如，历史包括在测量时刻之前3天内的气象观测。服务器106例如通过向存储气象观测的数据库109执行sql请求来获得观测历史，该sql请求包括时间窗口的开始日期和结束日期。作为变型，服务器可以例如借助于适当的http请求来质询气象预报提供商的服务器，在该http请求的参数中传递所考虑的时段的开始和结束时刻，并且作为对该请求的响应，服务器例如以json、csv（逗号分隔值）或xml文件的形式接收多个气象观测。
[0056]
根据一个特定实施例，对应于气象观测历史的时间窗口的持续时间可取决于背景数据而变化。例如，背景数据是一年中的一时间段和/或一个地理区域。于是，例如在冬季，基于关于最近六天的气象观测来推断预测模型，而在夏季，基于关于最近三天的观测来推断预测模型。当然，可以在不改变本方法的情况下使用其他历史时段持续时间。
[0057]
在步骤205中，服务器106计算在步骤204中基于在步骤203中获得的观测做出的预测和在步骤200中由测量车辆100测量和发送的路面气象特征之间的偏差e1。该偏差例如对应于由车辆100测得的水深和在步骤204中由模型基于气象观测预测的水深之间的差异，或者对应于路段101的路面温度和预测温度之间的偏差，或者对应于表示路段101上的路面特征预测和由车辆100对该特征的测量之间的偏差的任何值。
[0058]
在一个特定实施例中，表示模型的预测和气象观测之间的偏差的值e1是给定由车辆测得并在步骤200中获得的气象观测的一个特定预测p1的有条件概率。这样的概率表示模型在特定条件下预测路面特征的可靠性，例如关于潮湿道路。当表示预测和观测之间的偏差的值是概率时，在步骤206、209和212中进行比较的项（如下所述）可以被反转，而不改变本发明。实际上，当值e1是概率时，值1指示特别可靠的模型，而当值e1对应于例如水深偏差时，值0指示可靠的模型。
[0059]
在步骤206中，服务器将在步骤205中计算出的偏差e1与第一阈值s1、例如5%的阈值进行比较。
[0060]
根据一个特定实施例，第一阈值s1是根据表示测量车辆对第二路面气象特征的测量的可靠性的值确定的。为此，服务器106在步骤200中从测量车辆接收到的消息包括车辆的传感器进行的测量的可靠性值。这样的指标取决于例如所使用的传感器型号或该传感器的使用条件。可靠性值例如对应于传感器制造商给出的误差容限或传感器确定的测量不确定度。
[0061]
当表示偏差e1的值大于或等于第一阈值s1时，即，当由当前模型做出的预测不对应于车辆做出的观测时，服务器在步骤207中基于与路段101相关联的气象观测历史来推断至少一个替代预测模型。替代预测模型是不同于与路段101相关联的模型的模型，其选自与公路网的其他路段相关联的模型。根据与路段101的相似性标准、或者根据背景数据（例如一年中的一时间段）来选择替代模型。例如，服务器106选择与这样的路段相关联的预测模型：该路段的路面类似于路段101的路面，但是更旧。为此，与公路网的路段相关联的预测模型可以根据相似性标准布置在向量或矩阵中，使得在所讨论的向量或矩阵中的模型的相邻者中选择替代模型。
[0062]
图3示出了包括预测模型标识符m00至mij的二维矩阵。在此矩阵示例中，每一列对应于一种路面类型，并且每一行对应于一种路面磨损程度。例如，在第一列中，模型m00至m0j对应于为预测针对“石砌路面”类型的路面的路面气象特征而训练的预测模型，模型m00与新路面相关联，而模型m0j与非常旧的路面相关联。在第二列中，模型m10至m1j对应于例如“混凝土”类型的路面，等等。于是，模型被组织在矩阵中，使得两个邻近模型适于预测具有相似特性的路面的路面气象特征。当然，这些模型可以根据不同的标准组织在比二维更高维度的矩阵中。
[0063]
于是，如果例如模型m11与路段101相关联，则服务器将选择邻近的替代模型m00、m10、m20、m21、m22、m12、m02和m01。服务器基于在步骤203中获得的气象观测历史来推断每个选择的替代模型，以获得多个替代预测。
[0064]
根据一个特定实施例，根据与多个替代模型中的每一个相关联的置信指数的值来从多个替代模型中选择至少一个替代模型。置信指数表示模型准确预测特定路段的路面特征的能力。
[0065]
当模型做出对应于车辆的观测的预测时，与路段101相关联的模型的置信指数增大。例如，在步骤206中，根据偏差e1与阈值s1的比较结果来修改置信指数。如果偏差e1小于第一阈值s1，则服务器增大与该模型相关联的置信值。相反，如果偏差e1大于或等于第一阈值s1，则减小置信指数。以这种方式，置信指数表示模型预测路段101上的路面特征的相关性。于是，数据库108与每个预测模型和至少一个路段相关联地存储置信指数。以这种方式，当模型不再针对特定路段做出令人满意的预测时，它被就该路段的路面特征的预测而言置信指数最高的替代模型所取代。
[0066]
在步骤208中，服务器106计算第二值e2，该第二值e2表示由测量车辆100测得的路面气象特征和由每个所选的替代模型预测的气象特征之间的偏差。于是，服务器确定表示由测量车辆100测得的路面气象特征与由其预测结果最接近于车辆100的观测的替代模型所预测的气象特征之间的偏差的值e2。根据类似于参考步骤205描述的技术来计算该偏差。
[0067]
在步骤209中，服务器106将第二偏差值e2与第一偏差值e1进行比较。当偏差值e2小于偏差值e1时，即，当所选的替代模型中的至少一个模型做出比与该路段相关联的模型更好的预测时，服务器将其预测结果最接近于车辆100的观测的替代模型与路段101相关联。于是，在步骤210中，将表现更好的模型取代先前关联的模型与路段101相关联。在数据库108中更新新的关联，从而由新关联的模型对路段101做出新的预测。
[0068]
最后，在步骤211中，服务器106向在路段101上行驶的至少一个第二车辆发送路段101的路面气象特征，所述特征是通过将与该路段相关联的预测模型应用于在该路段上抄录的气象观测历史而预测得到的。为此，服务器例如从在路段101上行驶的第二车辆（例如客车）接收预测请求。如上所述，预测请求包括车辆的定位，服务器能够基于该定位来确定路段。服务器106通过查阅数据库108获得与该路段相关联的预测模型。与路段101相关联的预测模型例如已经在上述步骤200至210中被更新。服务器然后可以向第二车辆发送包括预测的路面特征的消息。
[0069]
根据一个特定实施例，服务器基于在各种路段上的气象观测历史来推断与包括在公路网的特定区域中的这些路段相关联的多个模型。基于这样获得的预测，服务器可以更新数字地图，该数字地图包括公路网的特定区域的每个路段的路面气象条件。这样的地图
被发送到在所述特定区域中行驶的至少一个第二车辆。
[0070]
根据一个特定实施例，当在步骤209结束时服务器观察到偏差值e2大于偏差值e1时，即，当所选的替代模型中没有一个能够提供比已经与该路段相关联的预测模型更好的预测时，服务器实施将第一偏差值e1与第二阈值s2进行比较的步骤212。
[0071]
当偏差e1小于或等于第二阈值s2时，即当测量车辆的观测与最佳替代模型所做的预测之间观察到的差异不超过极限值时，服务器在重新训练步骤213中重新训练与路段101相关联的模型。为此，服务器至少使用路段101的气象观测历史和由测量车辆100在路段101上测得的路面特征来执行与该路段相关联的模型的监督训练。从而使得预测模型更加可靠。
[0072]
相反，当偏差e1大于第二阈值s2时，在步骤214中，服务器106开始训练新的预测模型。至少基于车辆在该路段上进行的多个测量和多个气象观测来训练该新模型。该新的预测模型在训练好后在数据库108中与路段101相关联。
[0073]
图4示出了适于实施根据一个特定实施例的自适应预测方法的装置400的架构。
[0074]
装置400包括存储空间402（例如，存储器mem）和处理单元401（例如，配备有处理器proc）。处理单元可以由程序403来操控，例如计算机程序pgr，其根据前文参考图2描述的步骤200至214来实施自适应预测方法。
[0075]
在初始化时，计算机程序403的指令在被处理单元401的处理器执行之前被加载到例如ram（英语为“random access memory”，随机存取存储器）存储器402中。处理单元401的处理器根据计算机程序403的指令实施自适应预测方法的步骤。
[0076]
为此，除了存储器402和处理单元401之外，装置400还包括通信装置404（“com”），例如以太网网络接口或适于使得装置400能够根据通信协议与其他装置交换数据、特别是与诸如车辆100之类的联网车辆交换数据的任何其他网络接口。通信装置504由计算机程序403的指令配置为接收消息，包括由车辆测得的至少一个路面气象特征和该车辆在测量时的定位。该消息例如是通过tcp/ip型传输协议传输的符合json、csv或xml格式的消息。
[0077]
装置400还包括将包括在由模块404接收到的消息中的至少一个定位与数字公路地图进行匹配的匹配模块405（“match”），以便标识出在其上测量了包括在消息中的路面特征的路段。模块405例如通过计算机程序指令来实施，所述计算机程序指令被配置为实施“地图匹配”之类的算法，其使得能够以已知的方式匹配定位数据与公路网的路段。
[0078]
装置400包括从多个预测模型中选择与由模块405标识出的路段相关联的预测模型的选择模块406（“sel”）。为此，模块406可以由计算机程序指令来实施，所述计算机程序指令被配置为向包括路段和预测模型之间的关联的数据库做出请求，并且作为响应获得与所述路段相关联的预测模型的标识符。
[0079]
装置400还包括预测模块407（“pred”）。预测模块适于基于气象观测历史来推断特定的预测模型，例如由选择模块406选择的模型。模块407包括例如神经网络，该神经网络利用在对模块405标识出的路段或具有类似特征的路段执行的路面气象特征测量以及在测量之前的时间窗口中获得的气象观测历史进行训练。这样的模块可以通过适于由处理单元401的处理器proc执行的计算机程序指令来实施。
[0080]
由模块406做出的预测由计算装置408（“cal”）使用，计算装置408被配置为计算预测的路面特征和由模块404接收到的路面特征测量之间的偏差值。计算装置408通过指令来
实施，所述指令适于由处理单元401的处理器执行并且例如被配置为计算由测量车辆测得的水深值与由神经网络407预测的水深之差。
[0081]
该装置还包括用于选择替代预测模型的模块409（“alt”）。模块409包括指令，其用于将计算装置408计算出的偏差值与特定阈值进行比较，并且当偏差值大于阈值时，用于配置预测模块407和计算模块408，以便推断多个替代模型并且计算由所选替代模型获得的各种预测与由通信模块404接收到的测量之间的偏差值。模块409还被配置为通过比较为每个替代模型计算出的偏差值来确定其预测与测得的特征的偏差最小的替代模型。
[0082]
装置400还包括更新模块410（“upd”）。模块410通过指令来实施，所述指令被配置为将模块405标识出的路段与其预测与模块404接收到的测得特征偏差最小的替代模型相关联。为此，模块410例如向数据库做出sql请求，以改变路段和预测模型的关联。
[0083]
通信模块404还被配置为发送预测模块407做出的预测，该预测是通过由模块410与该路段相关联的替代模型基于该路段的气象观测历史进行推断而做出的。
[0084]
根据一个特定实施例，该装置在服务器中实施。