CN110599771B - 交通信息确定方法以及交通污染排放预测方法 - Google Patents
交通信息确定方法以及交通污染排放预测方法 Download PDFInfo
- Publication number
- CN110599771B CN110599771B CN201910882833.8A CN201910882833A CN110599771B CN 110599771 B CN110599771 B CN 110599771B CN 201910882833 A CN201910882833 A CN 201910882833A CN 110599771 B CN110599771 B CN 110599771B
- Authority
- CN
- China
- Prior art keywords
- road
- speed
- information
- target
- traffic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000004590 computer program Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 239000003344 environmental pollutant Substances 0.000 claims description 10
- 231100000719 pollutant Toxicity 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 5
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 36
- 239000011159 matrix material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 5
- 230000006698 induction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001174 ascending effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种交通信息确定方法以及交通污染排放预测方法,通过对多个历史时段的历史道路速度进行深度多层自注意力处理,实现道路速度估计;对多个相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,实现道路流量估计,从而根据不同交通信息的变化特点,分别对缺失的道路速度和道路流量进行估计,提高交通信息的准确性和可靠性,在此交通信息的基础上进行交通污染排放预测,也提高了交通污染排放预测的准确性。
Description
技术领域
本申请涉及智能交通技术,尤其涉及一种交通信息确定方法以及交通污染排放预测方法。
背景技术
在交通、环保等领域中,需要对城市道路上的交通信息、以及基于交通信息的道路污染排放信息进行测算和监控。实时的交通信息和污染排放信息可以帮忙人们安排出行方式和出行时间,其中的污染排放信息还对于空气污染溯源等问题具有重大帮助。交通信息通常包括道路速度和道路流量,然而,速度和流量都存在不同程度的缺失问题,需要对缺失的交通信息进行确定。
相关技术中,针对缺失的交通信息,通常是采用线性插值的方法进行确定。然后基于线性差值填补完整的道路交通信息进行交通污染排放的预测。
然而,交通信息并不能简单地理解为线性关系,现有技术中对交通信息确定的方法可靠性和准确性不够高。进而也导致交通污染排放的预测不准确。
发明内容
本申请实施例提供一种交通信息确定方法以及交通污染排放预测方法,提高了对交通信息确定的可靠性和准确性,进而也提高了交通污染排放预测的准确性。
本申请实施例的第一方面,提供一种交通信息确定方法,包括:
根据多个道路的交通信息,确定目标道路,其中,所述目标道路的交通信息缺失道路速度信息和道路流量信息中的至少一个;
若所述目标道路的交通信息中道路速度信息缺失,则获取所述目标道路在速度缺失时段之前多个历史时段的历史道路速度,并根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值;
若所述目标道路的交通信息中道路流量信息缺失,则获取与所述目标道路对应的多个相似道路,并根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值。
本申请实施例的第二方面,提供一种交通污染排放预测方法,包括:
根据本申请第一方面及第一方面各种可能实施例中任一所述的交通信息确定方法,得到多个道路的交通信息,所述交通信息包括道路速度信息和道路流量信息;
根据所述交通信息、各所述道路的长度以及预设的污染物排放预测模型,得到各所述道路的交通污染排放量。
本申请实施例的第三方面,提供一种交通信息确定装置,包括:
目标道路确定模块,用于根据多个道路的交通信息,确定目标道路,其中,所述目标道路的交通信息缺失道路速度信息和道路流量信息中的至少一个;
速度填补模块,用于若所述目标道路的交通信息中道路速度信息缺失,则获取所述目标道路在速度缺失时段之前多个历史时段的历史道路速度,并根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值;
流量填补模块,用于若所述目标道路的交通信息中道路流量信息缺失,则获取与所述目标道路对应的多个相似道路,并根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值。
本申请实施例的第四方面,提供一种交通污染排放预测装置,包括:
第一处理模块,用于根据本申请第一方面及第一方面各种可能实施例中任一所述的交通信息确定方法,得到多个道路的交通信息,所述交通信息包括道路速度信息和道路流量信息;
第二处理模块,用于根据所述交通信息、各所述道路的长度以及预设的污染物排放预测模型,得到各所述道路的交通污染排放量。
本申请实施例的第五方面,提供一种交通信息确定设备,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行本申请第一方面及第一方面各种可能实施例中任一所述的交通信息确定方法。
本申请实施例的第六方面,提供一种交通污染排放预测设备,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行本申请实施例第二方面所述的交通污染排放预测方法。
本申请实施例的第七方面,提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现本申请第一方面及第一方面各种可能实施例中任一所述的方法。
本申请提供的一种交通信息确定方法以及交通污染排放预测方法,通过对多个历史时段的历史道路速度进行深度多层自注意力处理,实现道路速度估计;对多个相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,实现道路流量估计,从而根据不同交通信息的变化特点,分别对缺失的道路速度和道路流量进行估计,提高交通信息的准确性和可靠性,在此交通信息的基础上进行交通污染排放预测,也提高了交通污染排放预测的准确性。
附图说明
图1是本申请实施例提供的一种应用场景示意图;
图2是本申请实施例提供的一种交通信息确定方法流程示意图;
图3是本申请实施例提供的一种交通信息中存在缺失的示例;
图4是本申请实施例提供的一种利用深度多层自注意力网络模型确定道路速度的示例;
图5是本申请实施例提供的一种利用深度键值对注意力网络模型确定道路流量的示例;
图6是本申请实施例提供的一种交通信息确定装置结构示意图;
图7是本申请实施例提供的一种交通信息确定设备的硬件结构示意图;
图8是本申请实施例提供的一种交通污染排放预测设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本申请的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应当理解,在本申请中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“多个”是指两个或两个以上。“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。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本申请中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图1,是本申请实施例提供的一种应用场景示意图。在车辆11从道路2沿A、B、C、D位置行驶至道路1的过程中,将GPS信息实时地发送给服务器12,道路上埋设的感应线圈13将感测数据上传至服务器12,道路旁设置的摄像头14件拍摄到的道路车流图像也上传至服务器12。服务器12根据接收到的信息对城市中道路的道路速度和道路流量进行记录和监测。其中,道路速度是每个监测周期中道路上车辆的车流速度,可以简化为道路上监测周期中所有车辆行驶速度均值;道路流量是每个监测周期中道路上行驶过的车辆的数量。然而,道路速度和道路流量都存在不同程度的缺失问题。例如,道路2上GPS数据无法准确覆盖到的道路,导致服务器12对道路2的道路速度记录可能在任意时刻出现缺失。而针对没有部署感应线圈13和摄像头14的道路2,是一直都无法记录道路流量的。
参见图2,是本申请实施例提供的一种交通信息确定方法流程示意图,图2所示方法的执行主体可以是软件和/或硬件装置,例如可以是图1所示场景中的服务器。图2所示方法包括步骤S101至步骤S103,具体如下:
S101,根据多个道路的交通信息,确定目标道路,其中,所述目标道路的交通信息缺失道路速度信息和道路流量信息中的至少一个。
在本实施例中,交通信息至少包括道路速度信息和道路流量信息。但交通信息不限于此,还可以包括获取到道路速度信息和道路流量信息的时间戳信息、道路的位置信息、交通灯指示信息等等。在服务器对交通信息进行记录和监测的过程中,需要采集城市中已有的传感数据。在所述根据多个道路的交通信息,获取目标道路之前,还可以获取到未缺失的交通信息。例如,根据多个车辆的车辆轨迹信息和与所述车辆轨迹信息对应的时间戳,获取各道路的道路速度信息,其中,所述道路速度信息为所述多个车辆经过所述道路的速度的均值。将预设的流量统计周期中采集到的车辆流量传感器数据,作为各道路的道路流量,其中,所述流量传感器数据的采集位置与所述道路对应。
例如接收车辆上传的GPS信息,其中每个GPS位置对应一个时间戳。由此可以得到车辆轨迹信息,车辆轨迹信息是由GPS位置形成的轨迹,且轨迹中每个GPS位置都对应有时间戳。根据车辆轨迹信息及时间戳,可以得到车辆在其所经过道路上的分段速度。例如图1所示的场景中,服务器12接收并存储车辆11在位置A、B、C、D位置的GPS信息和时间戳,其中,时间戳可以是由车辆11上传的取得GPS信息的时间戳,也可以是服务器接收到GPS信息时对该GPS信息加设的时间戳,在此不做限定。根据B位置到D位置的时间戳之差,可以得到B位置到D位置的行车时间。又根据B位置到D位置的GPS信息,可以得到B位置到D位置的行车长度。由此可以得到B位置到D位置(即道路1)的行车速度,而在一个定位时段内多个车辆在道路1的行车速度之平均值,即可得到道路1在该定位时段内的道路速度。图1所示道路1的道路流量信息,可以直接从道路1上设置的感应线圈13和/或摄像头14采集的传感数据得到。其中,摄像头14的传感数据为图像信息,可以利用图像识别技术,获取到一个定位时段内行驶过的车辆数,以此作为道路流量。
参见图3,是本申请实施例提供的一种交通信息中存在缺失的示例。图3所示的示例中,r1、r2、r3、...、rn-1、rn均为不同的道路,t1、t2、t3、...、tn为不同的定位时段。GPS信号覆盖弱时就可能出现道路速度的缺失,因此图3所示道路速度的缺失没有规律。而没有部署感应线圈和摄像头的道路一直无法实现道路流量的记录,因此道路流量的缺失的在一条道路上一直存在的。
在图3所示的示例中,有些道路缺失道路速度,有些道路缺失道路流量,有些道路在同一定位时段中缺失道路速度和道路流量。本实施例中将道路速度信息缺失和/或道路流量信息缺失的道路作为目标道路。
S102,若所述目标道路的交通信息中道路速度信息缺失,则获取所述目标道路在速度缺失时段之前多个历史时段的历史道路速度,并根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。
交通信息中道路速度信息缺失,例如对目标道路采集到的交通信息中道路速度信息为空。对于目标道路的道路速度信息缺失,可以通过历史时段的历史道路速度来推算缺失的速度,分别考虑历史道路速度在时间上的邻近性和周期性。由于道路速度并非简单的线性关系,可以根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。具体地,可以是以预设的深度多层自注意力网络模型,对所述历史道路速度进行处理,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果,其中,所述道路速度模型预测结果包括H个模型预测值,所述H为所述深度多层自注意力网络模型的层数。例如可以直接将目标道路在所述速度缺失时段的道路速度模型预测结果,作为目标道路在所述速度缺失时段的道路速度估计值。
而在一些实施例中,道路速度还可能受到其他因素的影响,可以通过深度多层自注意力网络模型,对道路速度进行初步预测,结合目标道路的上下文信息得到最后的道路速度估计值,提高了道路速度估计的准确性。具体地,可以先获取目标道路的上下文信息。上下文信息例如可以包括道路长度、道路等级、道理车道数、限速信息、兴趣点POI类型和POI个数等特征中的一个或多个。然后,在以预设的深度多层自注意力网络模型,对所述历史道路速度进行处理,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果之后,还可以将所述道路速度模型预测结果和所述目标道路的上下文信息进行融合处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。这里进行融合处理的所述目标道路的上下文信息包括从预设的路网数据中获取到的所述目标道路的道路长度、道路等级、道路车道数、限速信息、兴趣点POI类型、POI个数中的一项或多项。这里的融合处理之前,可以预先对道路速度模型预测结果和上下文信息进行预处理,预处理可以是对连续类数据做归一化处理,对于离散类数据做独热处理。然后,对预处理后的道路速度模型预测结果和上下文信息进行融合处理,从而考虑目标道路的上下文信息对道路速度的影响,对最终的道路速度做更加准确的估计。参见图4,是本申请实施例提供的一种利用深度多层自注意力网络模型确定道路速度的示例。图中将速度缺失时段之前多个历史时段的历史道路速度,输入预设的深度多层自注意力网络模型中。深度多层自注意力网络模型中的每一层,都对历史道路速度计算相应的速度权重矩阵,然后以速度权重矩阵对输入的历史道路速度加权求和,得到H个道路速度模型预测结果。将H个道路速度模型预测结果拼接向量输出,与目标道路的上下文信息融合得到该目标道路在所述速度缺失时段的道路速度估计值。
在上述实施例中,以预设的深度多层自注意力网络模型进行处理的具体过程可以是:
首先根据预设的深度多层自注意力网络模型中对每层预先学习得到的权重参数信息,在每层确定各所述历史道路速度对应的速度权重,其中,所述速度权重指示了各所述历史道路速度与其他历史道路速度的相关性。例如可以是以如下公式一,计算得到速度权重。
其中,速度权重矩阵α=[α1,α2,…,αn],i=1,2,…,n;αi表示第i个速度权重;速度缺失时段之前多个历史时段的历史道路速度X=[x1,x2,…,xn];φ(xi)是对历史道路速度进行升维映射后的矩阵;预先学习得到的权重参数信息W=[w1,w2,…,wn],wi,是第i个权重参数矩阵。
在得到速度权重之后,可以在每层根据所述历史道路速度对应的速度权重,对各所述历史道路速度加权求和,得到每层的模型预测值。例如以如下公式二,计算每层的模型预测值yh。
其中,yh每层的模型预测值,h为层号;αi表示第i个速度权重;φ(xi)是对历史道路速度xi进行升维映射后的矩阵。
将各层得到的模型预测值组合,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果,其中,所述道路速度模型预测结果包括H个模型预测值,所述H为所述深度多层自注意力网络模型的层数。可以理解为,考虑到从多个向量空间中学习到特征表达,深度多层自注意力网络模型将单层的计算过程堆叠h次(每层计算一次公式一和公式二),将每层的模型预测值融合,得到道路速度模型预测结果。
对于道路速度模型预测结果结合目标道路的上下文信息融合,得到最终的道路速度估计值,可以是对所述道路速度模型预测结果中的各模型预测值,和所述目标道路的上下文信息进行线性回归处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。
S103,若所述目标道路的交通信息中道路流量信息缺失,则获取与所述目标道路对应的多个相似道路,并根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值。
交通信息中道路流量信息缺失,例如对目标道路采集到的交通信息中道路流量信息为空。对于目标道路的道路流量信息缺失,由于缺失的道路流量在历史上也不存在任何记录,所以可以通过其周边相似道路的道路流量来预测出目标道路的道路流量。
在一些实施例中,相似道路的获取方式,可以是通过周边道路距离目标道路的距离,以及与目标道路本身属性的相似性筛选出n条相似道路作为参考集。具体地可以是从预设的路网数据中,获取所述目标道路的目标属性信息,其中,所述目标属性信息包括所述目标道路的道路长度、道路等级、车道数和/或限速信息。获取与所述目标道路距离在预设距离阈值以内的周边道路。根据所述目标属性信息,在所述周边道路中,确定与所述目标道路属性最相似的多个相似道路。由于距离相近且属性相似的道路,在道路流量上也相近,由此可以提高道路流量的准确性。例如在周边道路中,将同为主干道或者都具有六条车道的道路作为相似道路。
由于道路流量的缺失通常是由于流量传感器的缺失造成,无法结合同一道路的历史记录进行估计,通过周边的相似道路的道路流量,以深度键值对注意力网络模型对道路流量进行估计,具有较高的准确性。上述步骤S103(根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值)具体可以是以预设的深度键值对注意力网络模型,对所述相似道路的候选属性信息和候选道路流量进行处理,得到所述目标道路的道路流量估计值。参见图5,是本申请实施例提供的一种利用深度键值对注意力网络模型确定道路流量的示例。在模型具体实践中,将所有的数据采用键值对的方式进行存储,其中键表示每条道路的属性,值为道路流量。如图5所示的,根据相似道路的候选属性信息和候选道路流量,确定输入深度键值对注意力网络模型的候选键Kc=[k1,k2,…,kn]和候选值Vc=[v1,v2,…,vn],其中,Kc是候选属性信息的集合,Vc是候选道路流量的集合。每个相似道路对应一个键值对(ki,ci)。参见图5,预设的深度键值对注意力网络模型将输入的相似道路的键值对分解为候选键[k1,k2,…,kn]和候选值[v1,v2,…,vn],根据候选键[k1,k2,…,kn]处理得到流量权重矩阵,并以流量权重矩阵对候选值[v1,v2,…,vn]加权求和,输出道路流量估计值。
在一些实施例中,以深度键值对注意力网络模型处理的具体过程,例如可以是根据所述目标道路的目标属性信息,确定目标权重参数信息;根据所述相似道路的候选属性信息和所述目标权重参数信息,确定各所述相似道路对应的流量权重,其中,所述流量权重指示了所述候选属性信息和所述目标属性信息的相似性。例如可以是以如下公式三计算相似道路的流量权重。
其中,βi是第i个相似道路的流量权重;kt是目标道路的目标属性;[k1,k2,…,kn]是相似道路的候选键,即相似道路的属性;[v1,v2,…,vn]是相似道路的候选值,即相似道路的道路流量;φ(ki)是对相似道路的候选键进行升维映射后的矩阵。
然后,根据所述相似道路对应的所述流量权重,对各所述候选道路流量加权求和,得到所述目标道路的道路流量估计值。例如可以是以如下公式四计算目标道路的道路流量估计值。
其中,vt是目标道路的道路流量估计值;βi是第i个相似道路的流量权重;φ(vi)是对相似道路的候选值进行升维映射后的矩阵,即是对相似道路的道路流量进行升维映射后的矩阵。
本申请提供的一种交通信息确定方法,通过对多个历史时段的历史道路速度进行深度多层自注意力处理,实现道路速度估计;对多个相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,实现道路流量估计,从而根据不同交通信息的变化特点,分别对缺失的道路速度和道路流量进行估计,提高交通信息的准确性和可靠性。
在上述各种可选的交通信息确定方法实施例的基础上,本申请还提供了一种交通污染排放预测方法。具体地,根据上述任一实施例所述的交通信息确定方法,得到多个道路的交通信息,所述交通信息包括道路速度信息和道路流量信息;然后根据所述交通信息、各所述道路的长度以及预设的污染物排放预测模型,得到各所述道路的交通污染排放量。
例如将城市中每条道路的速度与流量都确定出来后,可以通过COPERT模型的公式直接估计出每一条道路的污染物排放情况。COPERT模型的公式例如是如下所示的公式五。
E=(a+cv+ev2)/(1+bv+dv2)×V×length 公式五
其中,v是道路速度,V是道路流量,length是道路的长度,E是污染物排放,a、b、c、d、e为与污染物类型相关的污染物排放参数,具体取值参见表一。
表一
基于上述交通信息确定方法可以得到较准确和可靠的交通信息,据此对交通污染排放进行预测,提高了交通污染排放的预测准确性。
参见图6,是本申请实施例提供的一种交通信息确定装置结构示意图。图6所示的交通信息确定装置60,包括:
目标道路确定模块61,用于根据多个道路的交通信息,确定目标道路,其中,所述目标道路的交通信息缺失道路速度信息和道路流量信息中的至少一个。
速度填补模块62,用于若所述目标道路的交通信息中道路速度信息缺失,则获取所述目标道路在速度缺失时段之前多个历史时段的历史道路速度,并根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。
流量填补模块63,用于若所述目标道路的交通信息中道路流量信息缺失,则获取与所述目标道路对应的多个相似道路,并根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值。
图6所示实施例的交通信息确定装置对应地可用于执行图2所示方法实施例中的步骤,其实现原理和技术效果类似,此处不再赘述。
在一些实施例中,速度填补模块62,用于以预设的深度多层自注意力网络模型,对所述历史道路速度进行处理,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果,其中,所述道路速度模型预测结果包括H个模型预测值,所述H为所述深度多层自注意力网络模型的层数;将所述道路速度模型预测结果和所述目标道路的上下文信息进行融合处理,得到所述目标道路在所述速度缺失时段的道路速度估计值,其中,所述目标道路的上下文信息包括从预设的路网数据中获取到的所述目标道路的道路长度、道路等级、道路车道数、限速信息、兴趣点POI类型、POI个数中的一项或多项。
在一些实施例中,速度填补模块62,具体用于根据预设的深度多层自注意力网络模型中对每层预先学习得到的权重参数信息,在每层确定各所述历史道路速度对应的速度权重,其中,所述速度权重指示了各所述历史道路速度与其他历史道路速度的相关性;在每层根据所述历史道路速度对应的速度权重,对各所述历史道路速度加权求和,得到每层的模型预测值;将各层得到的模型预测值组合,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果,其中,所述道路速度模型预测结果包括H个模型预测值,所述H为所述深度多层自注意力网络模型的层数。
在一些实施例中,速度填补模块62,具体用于对所述道路速度模型预测结果中的各模型预测值,和所述目标道路的上下文信息进行线性回归处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。
在一些实施例中,流量填补模块63,用于从预设的路网数据中,获取所述目标道路的目标属性信息,其中,所述目标属性信息包括所述目标道路的道路长度、道路等级、车道数和/或限速信息;获取与所述目标道路距离在预设距离阈值以内的周边道路;根据所述目标属性信息,在所述周边道路中,确定与所述目标道路属性最相似的多个相似道路。
在一些实施例中,流量填补模块63,用于以预设的深度键值对注意力网络模型,对所述相似道路的候选属性信息和候选道路流量进行处理,得到所述目标道路的道路流量估计值。
在一些实施例中,流量填补模块63,具体用于根据所述目标道路的目标属性信息,确定目标权重参数信息;根据所述相似道路的候选属性信息和所述目标权重参数信息,确定各所述相似道路对应的流量权重,其中,所述流量权重指示了所述候选属性信息和所述目标属性信息的相似性;根据所述相似道路对应的所述流量权重,对各所述候选道路流量加权求和,得到所述目标道路的道路流量估计值。
在一些实施例中,目标道路确定模块61,在所述根据多个道路的交通信息,确定目标道路之前,还用于根据多个车辆的车辆轨迹信息和与所述车辆轨迹信息对应的时间戳,获取各道路的道路速度信息,其中,所述道路速度信息为所述多个车辆经过所述道路的速度的均值;将预设的流量统计周期中采集到的车辆流量传感器数据,作为各道路的道路流量,其中,所述流量传感器数据的采集位置与所述道路对应。
本申请实施例提供一种交通污染排放预测装置,包括第一处理模块和第二处理模块。其中,第一处理模块,用于根据上述任一实施例所述的交通信息确定方法,得到多个道路的交通信息,所述交通信息包括道路速度信息和道路流量信息。第二处理模块,用于根据所述交通信息、各所述道路的长度以及预设的污染物排放预测模型,得到各所述道路的交通污染排放量。
参见图7,是本申请实施例提供的一种交通信息确定设备的硬件结构示意图,该交通信息确定设备70包括:处理器71、存储器72和计算机程序;其中
存储器72,用于存储所述计算机程序,该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器71,用于执行所述存储器存储的计算机程序,以实现上述方法中交通信息确定装置执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器72既可以是独立的,也可以跟处理器71集成在一起。
当所述存储器72是独立于处理器71之外的器件时,所述交通信息确定设备还可以包括:
总线73,用于连接所述存储器72和处理器71。
参见图8,是本申请实施例提供的一种交通污染排放预测设备的硬件结构示意图,该交通污染排放预测设备80包括:处理器81、存储器82和计算机程序;其中
存储器82,用于存储所述计算机程序,该存储器还可以是闪存(flash)。所述计算机程序例如是实现上述方法的应用程序、功能模块等。
处理器81,用于执行所述存储器存储的计算机程序,以实现上述方法中交通污染排放预测装置执行的各个步骤。具体可以参见前面方法实施例中的相关描述。
可选地,存储器82既可以是独立的,也可以跟处理器81集成在一起。
当所述存储器82是独立于处理器81之外的器件时,所述交通污染排放预测设备还可以包括:
总线83,用于连接所述存储器82和处理器81。
本申请还提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的交通信息确定方法、或交通污染排放预测方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本申请还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的交通信息确定方法、或交通污染排放预测方法。
在上述设备的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:DigitalSignal Processor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,简称:ASIC)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。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (14)
1.一种交通信息确定方法,应用于基于交通信息的道路污染排放预测过程中,其特征在于,包括:
根据多个道路的交通信息,确定目标道路,其中,所述目标道路的交通信息缺失道路速度信息和道路流量信息中的至少一个;
若所述目标道路的交通信息中道路速度信息缺失,则获取所述目标道路在速度缺失时段之前多个历史时段的历史道路速度,并根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值;
若所述目标道路的交通信息中道路流量信息缺失,则获取与所述目标道路对应的多个相似道路,并根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值。
2.根据权利要求1所述的方法,其特征在于,所述根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值,包括:
以预设的深度多层自注意力网络模型,对所述历史道路速度进行处理,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果,其中,所述道路速度模型预测结果包括H个模型预测值,H为所述深度多层自注意力网络模型的层数;
将所述道路速度模型预测结果和所述目标道路的上下文信息进行融合处理,得到所述目标道路在所述速度缺失时段的道路速度估计值,其中,所述目标道路的上下文信息包括从预设的路网数据中获取到的所述目标道路的道路长度、道路等级、道路车道数、限速信息、兴趣点POI类型、POI个数中的一项或多项。
3.根据权利要求2所述的方法,其特征在于,所述以预设的深度多层自注意力网络模型,对所述历史道路速度进行处理,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果包括:
根据预设的深度多层自注意力网络模型中对每层预先学习得到的权重参数信息,在每层确定各所述历史道路速度对应的速度权重,其中,所述速度权重指示了各所述历史道路速度与其他历史道路速度的相关性;
在每层根据所述历史道路速度对应的速度权重,对各所述历史道路速度加权求和,得到每层的模型预测值;
将各层得到的模型预测值组合,得到所述目标道路在所述速度缺失时段的道路速度模型预测结果。
4.根据权利要求2所述的方法,其特征在于,所述将所述道路速度模型预测结果和所述目标道路的上下文信息进行融合处理,得到所述目标道路在所述速度缺失时段的道路速度估计值,包括:
对所述道路速度模型预测结果中的各模型预测值,和所述目标道路的上下文信息进行线性回归处理,得到所述目标道路在所述速度缺失时段的道路速度估计值。
5.根据权利要求1所述的方法,其特征在于,所述获取与所述目标道路对应的多个相似道路,包括:
从预设的路网数据中,获取所述目标道路的目标属性信息,其中,所述目标属性信息包括所述目标道路的道路长度、道路等级、车道数和/或限速信息;
获取与所述目标道路距离在预设距离阈值以内的周边道路;
根据所述目标属性信息,在所述周边道路中,确定与所述目标道路属性最相似的多个相似道路。
6.根据权利要求1所述的方法,其特征在于,所述根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值,包括:
以预设的深度键值对注意力网络模型,对所述相似道路的候选属性信息和候选道路流量进行处理,得到所述目标道路的道路流量估计值。
7.根据权利要求6所述的方法,其特征在于,所述以预设的深度键值对注意力网络模型,对所述相似道路的候选属性信息和候选道路流量进行处理,得到所述目标道路的道路流量估计值,包括:
根据所述目标道路的目标属性信息,确定目标权重参数信息;
根据所述相似道路的候选属性信息和所述目标权重参数信息,确定各所述相似道路对应的流量权重,其中,所述流量权重指示了所述候选属性信息和所述目标属性信息的相似性;
根据所述相似道路对应的所述流量权重,对各所述候选道路流量加权求和,得到所述目标道路的道路流量估计值。
8.根据权利要求1至7任一所述的方法,其特征在于,在所述根据多个道路的交通信息,确定目标道路之前,还包括:
根据多个车辆的车辆轨迹信息和与所述车辆轨迹信息对应的时间戳,获取各道路的道路速度信息,其中,所述道路速度信息为所述多个车辆经过所述道路的速度的均值;
将预设的流量统计周期中采集到的车辆流量传感器数据,作为各道路的道路流量,其中,所述流量传感器数据的采集位置与所述道路对应。
9.一种交通污染排放预测方法,应用于基于交通信息的道路污染排放预测过程中,其特征在于,包括:
根据权利要求1至8任一所述的交通信息确定方法,得到多个道路的交通信息,所述交通信息包括道路速度信息和道路流量信息;
根据所述交通信息、各所述道路的长度以及预设的污染物排放预测模型,得到各所述道路的交通污染排放量。
10.一种交通信息确定装置,应用于基于交通信息的道路污染排放预测过程中,其特征在于,包括:
目标道路确定模块,用于根据多个道路的交通信息,确定目标道路,其中,所述目标道路的交通信息缺失道路速度信息和道路流量信息中的至少一个;
速度填补模块,用于若所述目标道路的交通信息中道路速度信息缺失,则获取所述目标道路在速度缺失时段之前多个历史时段的历史道路速度,并根据对所述历史道路速度进行深度多层自注意力处理,得到所述目标道路在所述速度缺失时段的道路速度估计值;
流量填补模块,用于若所述目标道路的交通信息中道路流量信息缺失,则获取与所述目标道路对应的多个相似道路,并根据对所述相似道路的候选属性信息和候选道路流量,进行深度键值对注意力处理,得到所述目标道路的道路流量估计值。
11.一种交通污染排放预测装置,应用于基于交通信息的道路污染排放预测过程中,其特征在于,包括:
第一处理模块,用于根据权利要求1至8任一所述的交通信息确定方法,得到多个道路的交通信息,所述交通信息包括道路速度信息和道路流量信息;
第二处理模块,用于根据所述交通信息、各所述道路的长度以及预设的污染物排放预测模型,得到各所述道路的交通污染排放量。
12.一种交通信息确定设备,其特征在于,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行权利要求1至8任一所述的交通信息确定方法。
13.一种交通污染排放预测设备,其特征在于,包括:存储器、处理器以及计算机程序,所述计算机程序存储在所述存储器中,所述处理器运行所述计算机程序执行权利要求9所述的交通污染排放预测方法。
14.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910882833.8A CN110599771B (zh) | 2019-09-18 | 2019-09-18 | 交通信息确定方法以及交通污染排放预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910882833.8A CN110599771B (zh) | 2019-09-18 | 2019-09-18 | 交通信息确定方法以及交通污染排放预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599771A CN110599771A (zh) | 2019-12-20 |
CN110599771B true CN110599771B (zh) | 2020-11-03 |
Family
ID=68860881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910882833.8A Active CN110599771B (zh) | 2019-09-18 | 2019-09-18 | 交通信息确定方法以及交通污染排放预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599771B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111540199B (zh) * | 2020-04-21 | 2021-04-06 | 浙江省交通规划设计研究院有限公司 | 基于多模态融合和图注意力机制的高速交通流预测方法 |
CN112447047B (zh) * | 2020-10-20 | 2021-12-21 | 华南理工大学 | 一种基于动态用户均衡交通分配的碳支付排放收费方法 |
CN113178068B (zh) * | 2021-04-01 | 2024-03-19 | 重庆市市政设计研究院有限公司 | 一种基于浮动车的道路拥堵指数计算方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9129522B2 (en) * | 2013-07-01 | 2015-09-08 | Iteris, Inc. | Traffic speed estimation using temporal and spatial smoothing of GPS speed data |
CN108010320B (zh) * | 2017-12-21 | 2020-06-16 | 北京工业大学 | 一种基于自适应时空约束低秩算法的路网交通数据的补全方法 |
CN109086246B (zh) * | 2018-07-04 | 2022-05-10 | 北京市劳动保护科学研究所 | 一种道路交通源的排放量计算方法及装置 |
CN109544926B (zh) * | 2018-12-06 | 2021-04-02 | 中国公路工程咨询集团有限公司 | 一种基于路口相关性的交通流量修复方法 |
CN109754605B (zh) * | 2019-02-27 | 2021-12-07 | 中南大学 | 一种基于注意力时态图卷积网络的交通预测方法 |
-
2019
- 2019-09-18 CN CN201910882833.8A patent/CN110599771B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110599771A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599771B (zh) | 交通信息确定方法以及交通污染排放预测方法 | |
Bock et al. | Smart parking: Using a crowd of taxis to sense on-street parking space availability | |
US20190354838A1 (en) | Automobile Accident Detection Using Machine Learned Model | |
CN110287276A (zh) | 高精地图更新方法、装置及存储介质 | |
JP2016180980A (ja) | 情報処理装置、プログラム、及び地図データ更新システム | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
CN107085944B (zh) | 一种交通数据处理系统及方法 | |
CN111833600B (zh) | 通行时间预测方法、装置及数据处理设备 | |
US10952026B2 (en) | Neural network classifier for detection of travel mode associated with computing devices | |
WO2010107394A1 (en) | Determining a traffic route using predicted traffic congestion | |
CN111275969B (zh) | 一种基于道路环境智能识别的车辆轨迹填充方法 | |
US11893457B2 (en) | Integrating simulated and real-world data to improve machine learning models | |
CN107146409B (zh) | 路网中设备检测时间异常的识别和真实时差估算方法 | |
Zhu et al. | A driving cycle detection approach using map service API | |
Habtie et al. | Artificial neural network based real-time urban road traffic state estimation framework | |
JPWO2020016924A1 (ja) | 交通情報生成システム | |
US20220028262A1 (en) | Systems and methods for generating source-agnostic trajectories | |
Tak et al. | Development of AI-based vehicle detection and tracking system for C-ITS application | |
Rajput et al. | Advanced urban public transportation system for Indian scenarios | |
WO2019059090A1 (ja) | 車両台数計測システム | |
CN111183464B (zh) | 基于车辆轨迹数据估计信号交叉路口的饱和流量的系统和方法 | |
CN111369810A (zh) | 车辆出行特征获取方法、装置、电子设备及存储介质 | |
Verma et al. | Smart-phone based spatio-temporal sensing for annotated transit map generation | |
CN109118774B (zh) | 一种基于浮动车检测器数据的固定检测器数据匹配新算法 | |
US20220319322A1 (en) | Drive assist apparatus and drive assist method |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |