CN109410565B - 一种动态交通事件预测方法及装置 - Google Patents
一种动态交通事件预测方法及装置 Download PDFInfo
- Publication number
- CN109410565B CN109410565B CN201710697502.8A CN201710697502A CN109410565B CN 109410565 B CN109410565 B CN 109410565B CN 201710697502 A CN201710697502 A CN 201710697502A CN 109410565 B CN109410565 B CN 109410565B
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- road condition
- dynamic traffic
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明公开一种动态交通事件预测方法和装置,所述方法包括:使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。该方案可以有效降低动态交通事件预测的神经网络模型中自由参数的数量,根本性的提升动态交通事件预测的召回和准确率。
Description
技术领域
本发明涉及交通技术领域,尤其涉及一种动态交通事件预测方法及装置。
背景技术
随着车辆的不断增多,道路越来越拥堵,导致道路交通拥堵的原因有很多种,如路况差、车流量大等,同时交通事件也是造成道路拥堵的主要原因之一。交通事件是不可预测的,包括事故、临时交通管制和未提前通知的道路施工等。
在为用户提供导航服务的过程中,有必要尽快准确的识别这些交通事件,并在导航中利用这些交通事件信息,以便为用户提供正确的导航建议。为此,可以通过训练一个预测模型来识别道路交通中的异常状况以发现交通事件。但是目前动态的交通事件很难获得并确认,主要因为在核查人员到达现场之前,该交通事件很可能已经解除,此外通过现场人员核查交通事件的方式耗费的人力财力也较高,无法推广实用。
因此,目前难以及时获得准确的动态交通事件作为真实样本,导致无法训练得到合适的预测模型,进而难以对动态交通事件作出准确的预测。
发明内容
为了解决现有技术中存在的以上技术问题,本发明提供一种动态交通事件预测方法及装置,以在难以及时获得准确的动态交通事件作为真实样本的基础上,实现对动态交通事件准确的预测。
本申请提供的技术方案如下:
一种动态交通事件预测方法,包括:
使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;
建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;
使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;
通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
较佳的,所述动态交通事件预测方法,还包括:
判断实时路况是否与预测路况相符,如果不相符,则通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
较佳的,所述使用路况信息训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数,包括:
根据训练结果的准确性,调整所述路况预测的神经网络模型,得到卷积层的层数;
和/或根据路况信息的特征,调整所述路况预测的神经网络模型,得到卷积核的大小和深度。
较佳的,所述使用路况信息训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数,包括:
根据路况信息的特征,调整所述路况预测的神经网络模型,确定池化的区域和池化方案,其中池化方案为平均值池化或者最大值池化。
相应于上述方法,本申请还提供过了一种动态交通事件预测装置,包括:
第一训练模块,用于使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;
模型创建模块,用于建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;
第二训练模块,用于使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;
预测模块,用于通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
较佳的,所述动态交通事件预测装置,还包括:
判断模块,用于判断实时路况是否与预测路况相符,如果不相符,则通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
较佳的,所述第一训练模块包括:
卷积层获取单元,用于根据训练结果的准确性,调整所述路况预测的神经网络模型,得到卷积层的层数;
卷积核获取单元,还用于根据路况信息的特征,调整所述路况预测的神经网络模型,得到卷积核的大小和深度。
较佳的,第一训练模块还包括:
池化确认模块,用于根据路况信息的特征,调整所述路况预测的神经网络模型,确定池化的区域和池化方案,其中池化方案为平均值池化或者最大值池化。
与现有技术相比,本发明至少具有以下优点:
本申请提供的动态交通事件预测方案中,利用迁移学习的算法,将具有大量真值样本的路况预测领域的信息迁移到只有少量真值样本动态交通事件挖掘的领域里。由于获得了路况预测领域神经网络模型中下层结构和参数,可以有效降低自由参数的数量,有利于大大降低过拟合的风险,显著增强模型的泛化能力,同时经训练得到的上层的架构和参数可以实现准确的动态交通事件分类预测,利于根本性的提升动态交通事件预测的召回和准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,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它的附图。
图1为本发明提供的动态交通事件预测方法流程示意图;
图2为本发明提供的动态交通事件预测装置结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。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,都属于本发明保护的范围。
参见图1,该图为本发明提供的动态交通事件预测方法实施例一流程图。
本实施例提供的动态交通事件预测方法,包括:
步骤S101:使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;
相对比动态交通事件的真值样本,路况信息的真值样本比较丰富而且在技术上容易获取,具体的可以通过浮动车(如出租车和公交车等)的GPS装置获取车辆和速度和方向,然后根据道理匹配获得路况;还可以在道路上安装地感线圈、测速雷达和视频监测工具来检测道路的占用率、车流量、车速等传统的路况信息;或者通过在固定的地点设置人员和设备来实现实时路况的获取上报。
其中,训练路况预测的神经网络模型可以包括:由卷积层、池化层和全卷积层分别执行卷积操作、池化操作和全卷积操作。
具体的,可以根据训练结果的准确性,调整所述路况预测的神经网络模型,得到卷积层的层数。如果路况预测的神经网络模型的预测准确性小于第一阈值,则可以增加卷积层的层数。此外,如果预测的耗时高于第二阈值,则可以减少卷积层的层数。
同样的,所述根据路况预测的神经网络模型中,卷积核的大小和深度也是可以调整的,通常其卷积核的大小根据输入路况信息的特征进行匹配,其深度等同于输入的路况信息的深度。
此外,在上述步骤进行卷积操作之后,还可以通过池化操作进行下采样,对卷积操作后得到的特征图进行压缩,一方面使特征图变小,简化网络计算复杂度;另一方面进行特征压缩,提取主要特征。因此本步骤之中,还可以包括:
根据路况信息的特征,调整所述路况预测的神经网络模型,确定池化的区域和池化方案,其中池化方案可以为平均值池化或者最大值池化。
其中,池化操作中将特征图划分为不同的区域,通过池化操作将每个区域压缩为一个值,得到下采样的结果。所述平均值池化是指计算图像区域的平均值作为该区域池化后的下采样结果;所述最大值池化是指计算图像区域的最大值作为该区域池化后的下采样结果。根据路况信息的特征,本申请可以选择不同的池化方案。除了均值池化和最大值池化之外,还可以采用重叠池化和金字塔池化的方案。
步骤S102:建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;
由于动态交通事件与路况信息具有强相关性,即如果一个畅通的路段如果突然发生了堵塞,很可能在该路段上发生了突然的交通事件导致拥堵的产生,如交通事故等。
因此,本申请采用了迁移学习的算法,将路况预测(具有大量真值样本)领域的信息迁移到动态交通事件(只有少量真值样本)挖掘的领域里,利于根本性的提升动态交通事件挖掘的召回和准确率。
本步骤中,具体通过将动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数,实现从路况预测到动态交通事件挖掘的领域的迁移。
其中所述中下层的结构和参数,具体可以包括步骤S101中所述的卷积层的层数、卷积核的大小和深度、以及池化的区域和池化方案等。
步骤S103:使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;
所述动态交通事件预测的神经网络模型的中下层结构和参数固定为路况预测的神经网络模型的中下层结构和参数,但上层的架构和参数属于开放状态,可以根据训练结果进行及时调整,以满足针对动态交通事件独特性的要求。具体的上层结构和参数可以包括分类器的种类、参数和输出结果等。
步骤S104:通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
通过上述操作,本申请得到了对应的动态交通事件预测的神经网络模型,可以用于实现对动态交通事件的预测。
此外,在实际操作过程中,可以根据实时路况来确定进行动态交通事件预测的时机,具体的本实施例提供的动态交通事件预测方法,还可以包括:
判断实时路况是否与预测路况相符,如果不相符,则通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
即如果一个畅通的路段如果突然发生了堵塞,很可能在该路段上发生了突然的交通事件导致拥堵的产生,如交通事故等,进而需要进行动态交通事件预测,判断是否发生交通事件,并根据判断预测结果,向用户发出正确的导航引导。
本实施例提供的动态交通事件预测方案中,利用迁移学习的算法,将具有大量真值样本的路况预测领域的信息迁移到只有少量真值样本动态交通事件挖掘的领域里。由于获得了路况预测领域神经网络模型中下层结构和参数,可以有效降低自由参数的数量,有利于大大降低过拟合的风险,显著增强模型的泛化能力,同时经训练得到的上层的架构和参数可以实现准确的动态交通事件分类预测,利于根本性的提升动态交通事件预测的召回和准确率。
实施例二:
本实施例提供了一种动态交通事件预测装置,如图2所示,为该动态交通事件预测装置结构示意图,具体包括:
第一训练模块201,用于使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;
模型创建模块202,用于建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;
第二训练模块203,用于使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;
预测模块204,用于通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
在实际操作过程中,可以根据实时路况来确定进行动态交通事件预测的时机,因此所述动态交通事件预测装置,还可以包括:
判断模块,用于判断实时路况是否与预测路况相符,如果不相符,则通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
与方法实施例一相对应,所述第一训练模块可以包括:
卷积层获取单元,用于根据训练结果的准确性,调整所述路况预测的神经网络模型,得到卷积层的层数;
卷积核获取单元,还用于根据路况信息的特征,调整所述路况预测的神经网络模型,得到卷积核的大小和深度。
与方法实施例一相对应,所述第一训练模块还可以包括:
池化确认模块,用于根据路况信息的特征,调整所述路况预测的神经网络模型,确定池化的区域和池化方案,其中池化方案为平均值池化或者最大值池化。
本实施例提供的动态交通事件预测装置中,利用迁移学习的算法,将具有大量真值样本的路况预测领域的信息迁移到只有少量真值样本动态交通事件挖掘的领域里。由于获得了路况预测领域神经网络模型中下层结构和参数,可以有效降低自由参数的数量,有利于大大降低过拟合的风险,显著增强模型的泛化能力,同时经训练得到的上层的架构和参数可以实现准确的动态交通事件分类预测,利于根本性的提升动态交通事件预测的召回和准确率。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (8)
1.一种动态交通事件预测方法,其特征在于,包括:
使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;
建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;
使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;
通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
2.根据权利要求1所述的方法,其特征在于,还包括:
判断实时路况是否与预测路况相符,如果不相符,则通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
3.根据权利要求1所述的方法,其特征在于,使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数,包括:
根据训练结果的准确性,调整所述路况预测的神经网络模型,得到卷积层的层数;
和/或根据路况信息的特征,调整所述路况预测的神经网络模型,得到卷积核的大小和深度。
4.根据权利要求3所述的方法,其特征在于,使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数,包括:
根据路况信息的特征,调整所述路况预测的神经网络模型,确定池化的区域和池化方案,其中池化方案为平均值池化或者最大值池化。
5.一种动态交通事件预测装置,其特征在于,包括:
第一训练模块,用于使用路况信息的真值样本训练路况预测的神经网络模型,得到该神经网络模型的中下层结构和参数;
模型创建模块,用于建立动态交通事件预测的神经网络模型,该动态交通事件预测的神经网络模型的中下层结构和参数固定设置为路况预测的神经网络模型的中下层结构和参数;
第二训练模块,用于使用动态交通事件的真值样本训练所述动态交通事件预测的神经网络模型,得到其上层结构和参数;
预测模块,用于通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
6.根据权利要求5所述的装置,其特征在于,还包括:
判断模块,用于判断实时路况是否与预测路况相符,如果不相符,则通过所述动态交通事件预测的神经网络模型进行动态交通事件预测。
7.根据权利要求5所述的装置,其特征在于,第一训练模块包括:
卷积层获取单元,用于根据训练结果的准确性,调整所述路况预测的神经网络模型,得到卷积层的层数;
卷积核获取单元,还用于根据路况信息的特征,调整所述路况预测的神经网络模型,得到卷积核的大小和深度。
8.根据权利要求5所述的装置,其特征在于,第一训练模块还包括:
池化确认模块,用于根据路况信息的特征,调整所述路况预测的神经网络模型,确定池化的区域和池化方案,其中池化方案为平均值池化或者最大值池化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710697502.8A CN109410565B (zh) | 2017-08-15 | 2017-08-15 | 一种动态交通事件预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710697502.8A CN109410565B (zh) | 2017-08-15 | 2017-08-15 | 一种动态交通事件预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410565A CN109410565A (zh) | 2019-03-01 |
CN109410565B true CN109410565B (zh) | 2020-07-10 |
Family
ID=65454129
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710697502.8A Active CN109410565B (zh) | 2017-08-15 | 2017-08-15 | 一种动态交通事件预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410565B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232820A (zh) * | 2019-05-20 | 2019-09-13 | 北京世纪高通科技有限公司 | 一种路况预测模型的建立方法及装置 |
CN114418203B (zh) * | 2022-01-06 | 2022-09-16 | 清华大学 | 基于碰撞关键特征数据的乘员损伤预测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915537A (zh) * | 2015-04-08 | 2015-09-16 | 郑州航空工业管理学院 | 基于神经网络的行为预测方法 |
EP2960849A1 (en) * | 2014-06-26 | 2015-12-30 | Deutsche Telekom AG | Method and system for recommending an item to a user |
-
2017
- 2017-08-15 CN CN201710697502.8A patent/CN109410565B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2960849A1 (en) * | 2014-06-26 | 2015-12-30 | Deutsche Telekom AG | Method and system for recommending an item to a user |
CN104915537A (zh) * | 2015-04-08 | 2015-09-16 | 郑州航空工业管理学院 | 基于神经网络的行为预测方法 |
Non-Patent Citations (1)
Title |
---|
基于深度属性学习的交通标志识别方法研究;王坚;《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》;20170615(第6期);期刊第I138-1321 * |
Also Published As
Publication number | Publication date |
---|---|
CN109410565A (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10417509B2 (en) | Variable speed sign value prediction and confidence modeling | |
CN104809878B (zh) | 利用公交车gps数据检测城市道路交通异常状态的方法 | |
GB2569750A (en) | Comfort-based self-driving planning method | |
CN108320553B (zh) | 基于道路驾驶事件的路况预测方法 | |
CN113066285B (zh) | 一种路况信息确定方法、装置、电子设备及存储介质 | |
CN104732075A (zh) | 一种城市道路交通事故风险实时预测方法 | |
Stipancic et al. | Impact of congestion and traffic flow on crash frequency and severity: application of smartphone-collected GPS travel data | |
CN112005562B (zh) | 使用实时位置数据确定车辆拥挤度的方法、计算系统和计算机可读介质 | |
CN112530163B (zh) | 交通事故预测方法、装置、电子设备及存储介质 | |
CN105509753A (zh) | 一种基于浮动车卫星定位数据的地图匹配方法及系统 | |
CN112712729B (zh) | 预测运动轨迹的方法和系统 | |
WO2008038968A1 (en) | Method of providing safety information for vehicles and providing system thereof | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN109410565B (zh) | 一种动态交通事件预测方法及装置 | |
CN103674048A (zh) | 基于3g网络的动态智能导航方法 | |
CN115547084A (zh) | 道路通行状况预测方法、装置、电子设备及计算机程序产品 | |
KR101572582B1 (ko) | 네비게이션 장치, 교통 예측 서비스 장치, 교통 예측 서비스 시스템 및 그 방법 | |
JP5563495B2 (ja) | 交差点における進行方向予測装置、進行方向予測方法およびプログラム | |
CN110708664B (zh) | 一种交通流感知方法、装置及计算机存储介质、电子设备 | |
CN105489010A (zh) | 一种快速道路行程时间可靠度监测分析系统及方法 | |
CN111524358A (zh) | 一种区域辐射性交通流量预测方法 | |
CN105070060B (zh) | 一种基于公交车载gps数据的城市道路交通状态判别方法 | |
CN104809869A (zh) | 基于升降式限高架的高架桥入口匝道交通状态判别方法 | |
CN117894181B (zh) | 一种全域通行异常状况集成监测方法及系统 | |
Li et al. | Research and application of the Beijing road traffic prediction system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200506 Address after: 310052 room 508, floor 5, building 4, No. 699, Wangshang Road, Changhe street, Binjiang District, Hangzhou City, Zhejiang Province Applicant after: Alibaba (China) Co.,Ltd. Address before: 100080 Beijing City, Haidian District Suzhou Street No. 3 floor 16 room 2 Applicant before: AUTONAVI INFORMATION TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |