CN110675621A - 预测交通信息的系统和方法 - Google Patents
预测交通信息的系统和方法 Download PDFInfo
- Publication number
- CN110675621A CN110675621A CN201910433966.7A CN201910433966A CN110675621A CN 110675621 A CN110675621 A CN 110675621A CN 201910433966 A CN201910433966 A CN 201910433966A CN 110675621 A CN110675621 A CN 110675621A
- Authority
- CN
- China
- Prior art keywords
- historical
- information
- target
- time
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
- 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
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及预测交通信息的方法和系统,所述方法包括:确定含路段ID的目标路段和目标未来时刻;获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。本发明可以基于不同种类的交通数据和循环神经网络模型实现更全面且准确的交通预测。
Description
技术领域
本申请一般涉及预测道路路段的交通信息的系统和方法,具体地,涉及用于基于训练好的循环神经网络模型来预测道路路段的交通信息的系统和方法。
背景技术
通过分析交通大数据,交通预测平台可以预测在目标时刻一个或以上道路路段的交通信息(即交通状况,例如,交通流量、交通拥堵)。目前,交通预测平台通常基于历史交通数据(例如,历史交通流量、历史交通拥堵),使用线性模型或树模型来预测交通状况。实际上,不同时刻的交通状况可能是相互依赖的。例如,如果路段在上午8:58拥堵,很可能该路段将在上午9点拥堵,在上午8:56时拥堵等。但是,线性模型或树模型无法进行时间序列分析,从而导致效率较低。为了解决该问题,交通预测平台还可以基于历史时间序列交通数据,使用自回归积分滑动平均(Autoregressive Integrated Moving Average,ARIMA)模型来预测交通状况。但是,ARIMA模型只能根据单一类型的历史交通数据来预测交通状况,不能联结不同类型的历史交通数据来预测综合交通状况,这可能导致预测结果不可靠。例如,ARIMA模型只能根据与路段相关的历史交通流量数据预测交通状况,但是不能基于与路段相关联的历史交通流量数据和与该路段相关联的车辆的历史平均速度数据来预测交通状况。因此,希望提供能够高精度地、高效率地和全面性地预测交通信息的系统和方法,例如,基于不同类型数据,使用神经网络模型来预测。
发明内容
针对上述由于不能综合不同种类的历史交通数据并基于时间序列分析预测道路路段交通信息的问题,本发明的目的之一在于提供一种预测路段交通信息的系统和方法,以基于不同种类的交通数据和循环神经网络模型实现更全面且准确的交通预测。为达到上述目的,本申请提供的技术方案如下:
本申请实施例之一提供一种预测路段的交通信息的系统。所述系统可以包括:至少一个包括指令集的存储介质;以及与所述至少一个存储介质通信的至少一个处理器,其中,当执行所述指令集时,所述至少一个处理器用于:确定含路段ID的目标路段和目标未来时刻;获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
在一些实施例中,所述至少一个静态信息条目可以包括以下之一:所述目标路段的所述路段ID、所述目标路段的限速情况、所述目标路段的路段类型、所述目标路段的长度、所述目标路段的宽度、所述目标路段的车道数量、或者所述目标路段是否临近路口。
在一些实施例中,所述至少一个动态信息条目可以包括以下之一:在所述参考时刻所述目标路段的天气信息、在所述参考时刻所述目标路段的交通流量、在所述参考时刻所述目标路段上的车辆的平均行驶速度、在所述参考时刻所述目标路段的交通拥堵情况、或者在所述参考时刻所述目标路段上的车辆的平均通行时间。
在一些实施例中,所述至少两个参考时刻可以包括在所述目标未来时刻所在的当天中的一个或以上时刻和在所述目标未来时刻之前的至少一天中的一个或以上对应时刻。
在一些实施例中,在所述目标未来时刻所述目标路段的所述目标交通信息可以包括以下之一:在所述目标未来时刻所述目标路段上的车辆的目标平均行驶速度、在所述目标未来时刻所述目标路段的目标交通拥堵情况、在所述目标未来时刻所述目标路段的目标交通流量、或者在所述目标未来时刻所述目标路段上的车辆的目标平均通行时间。
在一些实施例中,所述至少一个处理器可以进一步用于:如果所述参考信息包中缺少至少一个信息条目,补充所述至少两个参考信息包中的至少一个。
在一些实施例中,所述训练好的循环神经网络模型是通过训练过程生成的,所述训练过程包括:获取与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合,其中,每一个所述历史参考信息包的集合包括与参考路段相关联的对应于一个或以上第二历史时刻的一个或以上历史参考信息包,所述一个或以上历史参考信息包中的每一个对应于与所述参考路段相关联的一个第二历史时刻,和包括至少两个历史信息条目,所述至少两个历史信息条目包括至少一个历史静态信息条目和与所述历史时刻相关的至少一个历史动态信息条目;按照时间序列排列所述至少两个历史参考信息包的集合;以及基于所述历史信息条目训练初始神经网络模型,以生成所述训练好的循环神经网络模型。
在一些实施例中,所述至少一个历史静态信息条目可以包括以下中的至少一个:所述参考路段的路段ID、所述参考路段的限速情况、所述参考路段的路段类型、所述参考路段的长度、所述参考路段的宽度、所述参考路段的车道数量、或者所述参考路段是否临近路口,以及所述至少一个历史动态信息条目包括以下中的至少一个:在所述第二历史时刻所述参考路段的历史天气信息、在所述第二历史时刻所述参考路段的历史交通流量、在所述第二历史时刻所述参考路段上的车辆的历史平均驾驶速度、在所述第二历史时刻所述参考路段的历史交通拥堵情况、或者在所述第二历史时刻所述参考路段上的车辆的历史平均通行时间。
在一些实施例中,基于所述历史信息条目训练初始神经网络模型,以生成所述训练好的循环神经网络模型可以包括:基于所述初始神经网络模型和所述历史信息条目,确定与所述每一个历史参考信息包的集合对应的训练交通信息;确定所述训练交通信息是否满足预设条件;以及响应于确定所述训练交通信息满足所述预设条件,将所述初始神经网络模型指定为所述训练好的循环神经网络模型。
在一些实施例中,所述初始神经网络模型至少可以包括输入层、长短时记忆层、全连接层、输出层和嵌入层;以及确定训练交通信息可以包括:稀疏化所述至少两个历史参考信息包的集合中的每一个集合的所述至少一个历史静态信息条目;将所述至少两个历史参考信息包的集合分成一个或以上的组,以及对于所述一个或以上组中的每一个组,将所述组的所述历史动态信息条目输入到所述输入层;以及将所述组的所述稀疏化后的历史静态信息条目嵌入到所述嵌入层;以及输出对应于所述至少两个历史参考信息包的集合中的所述每一个集合的训练交通信息。
在一些实施例中,所述初始神经网络模型至少可以包括输入层、长短时记忆层、全连接层、输出层,和嵌入层;以及确定训练交通信息可以包括:稀疏化所述至少两个历史参考信息包的集合中的所述每一个的所述至少一个历史静态信息条目;将所述至少两个历史参考信息包的集合分成一个或以上的组,以及对于所述一个或以上组中的每一个组,联结所述组的所述稀疏化后的历史静态信息条目和所述组的所述历史动态信息条目;将所述联结后的历史信息条目输入到所述输入层;以及将所述稀疏化后的历史静态信息条目嵌入到所述嵌入层;以及输出对应于所述至少两个历史参考信息包的集合的所述每一个集合的所述训练交通信息。
在一些实施例中,所述至少一个处理器进一步用于:收集在所述目标未来时刻至少两个目标路段的目标交通信息、执行路径规划、确定预估到达时间ETAs、执行交通调度、或者基于所述至少两个目标路段的所述目标交通信息确定行驶路线的行驶价格。
在一些实施例中,所述至少一个处理器进一步用于:将信号发送到终端设备,所述信号指示所述终端设备显示所述至少两个目标路段的所述目标交通信息、规划的路径、所述预估到达时间ETA、所述行驶价格或者调度交通。
本申请实施例之一提供一种预测路段的交通信息的方法,所述方法可以包括:确定含路段ID的目标路段和目标未来时刻;获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
本申请实施例之一提供一种预测路段的交通信息的系统,包括:路段确定模块,用于确定含路段ID的目标路段和目标未来时刻;参考信息获取模块,用于获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及交通信息确定模块,用于基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
本申请实施例之一提供一种预测路段的交通信息的装置,所述装置包括至少一个存储介质以及至少一个处理器;所述至少一个存储介质用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令,以实现预测路段的交通信息的方法。所述方法包括:确定含路段ID的目标路段和目标未来时刻;获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
本申请实施例之一提供一种预测路段的交通信息的计算机可读存储介质,所述存储介质存储有计算机指令,当所述计算机指令被至少一个处理器执行时,实现预测路段的交通信息的方法。所述方法包括:确定含路段ID的目标路段和目标未来时刻;获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
本申请的一部分附加特性可以在下面的描述中进行说明。通过对以下描述和相应附图的研究或者对实施例的生产或操作的了解,本申请的一部分附加特性对于本领域技术人员是明显的。本申请的特征可以通过对以下描述的具体实施例的各种方面的方法、手段和组合的实践或使用得以实现和达到。
附图说明
本申请将通过示例性实施例进行进一步描述。这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的符号表示相同的部件,其中:
图1是根据本申请的一些实施例所示的示例性交通信息预测系统的示意图;
图2是根据本申请的一些实施例所示的计算设备的示例性硬件组件和/或软件组件的示意图;
图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图;
图4是根据本申请的一些实施例所示的示例性处理引擎的模块图;
图5是根据本申请的一些实施例所示的确定在目标未来时刻目标路段的目标交通信息的示例性过程的流程图;
图6是根据本申请的一些实施例所示的用于训练初始神经网络模型的示例性过程的流程图;
图7是根据本申请的一些实施例所示的用于确定训练好的循环神经网络模型的示例性过程的流程图;
图8是根据本申请的一些实施例所示的用于确定一个参考信息包的集合的训练交通信息的示例性过程的流程图;以及
图9是根据本申请的一些实施例所示的用于确定一个参考信息包的集合的训练交通信息的示例性过程的流程图。
具体实施方式
以下描述是为了使本领域的普通技术人员能够实施和利用本申请,并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲,显然可以对所公开的实施例作出各种改变,并且在不偏离本申请的原则和范围的情况下,本申请中所定义的普遍原则可以适用于其他实施例和应用场景。因此,本申请并不限于所描述的实施例,而应该被给予与权利要求一致的最广泛的范围。
本申请中所使用的术语仅用于描述特定的示例性实施例,并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式,除非上下文明确提示例外情形。还应当理解,如在本申请说明书中,术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件,但并不排除存在或添加一个或以上其他特征、整体、步骤、操作、组件、部件和/或其组合的情况。
根据以下对附图的描述,本申请的这些和其他的特征、特点以及相关结构元件的功能和操作方法,以及部件组合和制造经济性,可以变得更加显而易见,这些附图都构成本申请说明书的一部分。然而,应当理解的是,附图仅仅是为了说明和描述的目的,并不旨在限制本申请的范围。应当理解的是,附图并不是按比例绘制的。
本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是,流程图中的操作可以不按顺序执行。相反,可以按照倒序或同时处理各种步骤。此外,可以向流程图添加一个或以上其他操作。也可以从流程图中删除一个或以上操作。
本申请的系统和方法可以应用于不同环境的运输系统,例如陆地、海洋、航空航天等或其任意组合。运输系统的车辆可以包括出租车、私家车、挂车、公共汽车、火车、动车、高铁、地铁、船舶、飞机、宇宙飞船、热气球、无人驾驶车辆等或其任意组合。本申请的系统和方法的应用场景还可以包括网页、浏览器插件、客户端、客户系统、内部分析系统、人工智能机器人等或其任意组合。所述运输系统也可以包括用于管理和/或分配的任何运输系统,例如,发送和/或接收快递的系统。本申请的系统或方法的应用场景可包括网页、浏览器插件、客户端、客户系统、内部分析系统、人工智能机器人等或其任意组合。
本申请中使用的定位技术可以是基于全球定位系统(global positioningsystem,GPS)、全球导航卫星系统(global navigation satellite system,GLONASS)、罗盘导航系统(compass navigation system,COMPASS)、伽利略定位系统、准天顶卫星系统(quasi-zenith satellite system,QZSS)、无线保真(wireless fidelity,WiFi)定位技术等或其任意组合。上述定位技术中的一种或以上可以在本申请中互换使用。
本申请的一个方面涉及预测在目标未来时刻目标路段的交通信息的系统和方法。该系统可以获取与目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包。至少两个参考信息包中的每一个可以对应于一个参考时刻,以及可以包括至少两个信息条目(例如,至少一个静态信息条目和与参考时刻相关的至少一个动态信息条目)。此外,系统可以基于至少两个参考信息包使用训练好的循环神经网络模型确定在目标未来时刻目标路段的目标交通信息。可以将包括在每个参考信息包中的至少两个信息条目按时间序列输入到训练好的循环神经网络模型中。在本申请中,可以基于与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合来训练训练好的循环神经网络模型。由此,训练好的循环神经网络模型可以使用不同类型的信息条目来准确有效地预测目标交通信息。
图1是根据本申请的一些实施例所示的示例性交通信息预测系统的示意图。交通信息预测系统100可以包括服务器110、网络120、用户终端130和存储器140。
在一些实施例中,服务器110可以是单个服务器,也可以是服务器组。所述服务器组可以是集中式的,也可以是分布式的(例如,服务器110可以是分布式的系统)。在一些实施例中,服务器110可以是本地的,也可以是远程的。例如,服务器110可以经由网络120访问存储于用户终端130或存储器140中的信息和/或数据。又例如,服务器110可以直接连接到用户终端130和/或存储器140以访问存储的信息和/或数据。在一些实施例中,服务器110可以在云平台上实施。仅作为示例,该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。在一些实施例中,服务器110可以在图2中所示的有一个或以上组件的计算设备200上实现。
在一些实施例中,服务器110可以包括处理引擎112。处理引擎112可以处理信息和/或数据以执行本申请中描述的一个或以上的功能。例如,处理引擎112可以使用训练好的循环神经网络模型确定目标路段在目标未来时刻的目标交通信息。所述处理引擎112可包括一个或者以上处理引擎(例如,单芯片处理引擎或多芯片处理引擎)。处理引擎112可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令集处理器(ASIP)、图形处理单元(GPU)、物理处理单元(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑器件(PLD)、控制器、微控制器单元、精简指令集计算机(RISC)、微处理器或类似物、或其任意组合。
网络120可以促进信息和/或数据的交换。在一些实施例中,交通信息预测系统100的一个或以上组件(例如,服务器110、用户终端130或存储器140)可以经由网络120将信息和/或数据发送到交通信息预测系统100的其他组件。例如,服务器110可以经由网络120从存储器140获取与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合。服务器110可以使用该至少两个历史参考信息包的集合来训练初始神经网络模型。在一些实施例中,网络120可以是有线网络或无线网络等或其任意组合。仅作为示例,网络120可以包括电缆网络、有线网络、光纤网络、电信网络,内部网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN),公共开关电话网络(PSTN)、蓝牙网络、ZigBee网络、近场通信(NFC)网络等,或其任意组合。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,如基站和/或互联网交换点120-1、120-2、……,通过该网络交换点,交通信息预测系统100的一个或以上部件可以连接到网络120以交换数据和/或信息。
在一些实施例中,用户终端130可以与交通信息预测系统100的用户(例如,司机、乘客、送餐员、快递员)相关联。用户终端130可以包括移动设备130-1、平板计算机130-2、膝上型计算机130-3、车载设备130-4等或其任意组合。在一些实施例中,移动设备130-1可以包括智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备、增强现实设备等,或其任意组合。在一些实施例中,智能家居设备可以包括智能照明设备、智能电器控制设备、智能监控设备、智能电视、智能摄像机、对讲机等,或其任意组合。在一些实施例中,该可穿戴设备可包括智能手镯、智能鞋袜、智能眼镜、智能头盔、智能手表、智能衣服、智能背包、智能配件等或其任意组合。在一些实施例中,智能移动设备可以包括智能电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)等,或其任意组合。在一些实施例中,虚拟现实设备和/或增强型虚拟现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等,或其任意组合。例如,虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM或Gear VRTM等。在一些实施例中,车载设备130-4可以包括车载计算机、车载电视等。在一些实施例中,用户终端130可以是具有定位技术的设备,用于定位用户终端130的用户(例如,司机)位置。
存储器140可以存储数据和/或指令。在一些实施例中,存储器140可以存储从用户终端130获取的数据。在一些实施例中,存储器140可以储存服务器110用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中,存储器140可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括动态随机存取存储器(DRAM)、双倍数据速率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中,存储器140可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云,多层云等,或其任意组合。
在一些实施例中,存储器140可以连接到网络120以与交通信息预测系统100的一个或以上组件(例如,服务器110、用户终端130)通信。交通信息预测系统100的一个或以上组件可以经由网络120访问存储在存储器140中的数据和/或指令。在一些实施例中,存储器140可以直接连接到交通信息预测系统100的一个或以上组件(例如,服务器110、用户终端130)或与之通信。在一些实施例中,存储器140可以是服务器110的一部分。
图2是根据本申请的一些实施例所示的计算设备200的示例性硬件组件和/或软件组件的示意图。在一些实施例中,服务器110和/或用户终端130可以在计算设备200上实现。例如,处理引擎112可以在计算设备200上实施并执行本申请所公开的处理引擎112的功能。
计算设备200可以用于实现如本文所述的交通信息预测系统100的任何组件。例如,处理引擎112可以在计算设备200上通过其硬件,软件程序,固件或其组合实现。为了方便起见,图中仅示出了一台计算机,但是本申请描述的计算机功能可以在多个类似平台上以分布式方式实现,以分担处理负载。
例如,计算设备200可以包括与网络相连接通信端口250,以实现数据通信。计算设备200还可以包括处理器220,可以以一个或以上处理器(例如,逻辑电路)的形式执行程序指令。例如,处理器220可以包括接口电路和其中的处理电路。接口电路可以被配置为从总线210接收电信号,其中电信号编码用于处理电路的结构化数据和/或指令。处理电路可以进行逻辑计算,然后将结论、结果和/或指令编码确定为电信号。然后,接口电路可以经由总线210从处理电路发出电信号。
计算设备200还可以包括不同形式的程序存储和数据存储,例如磁盘270、只读存储器(ROM)230或随机存取存储器(RAM)240,用于存储由计算设备处理和/或传输的各种数据文件。示例性计算机平台也可以包括储存在ROM 230、RAM 240和/或其他类型的非暂时储存介质中的程序指令,以由处理器220执行。本申请的方法和/或流程可以以程序指令的方式实现。计算设备200还包括输入/输出(I/O)260,用来支持计算机和其他组件之间的输入/输出。计算设备200也可以通过网络通信接收编程和数据。
为了方便说明,图2中仅描述了一个处理器。也可以包括至少两个处理器,因此本申请中描述的由一个处理器执行的操作和/或方法步骤也可以由多个处理器共同地或单独执行。例如,如果在本申请中,计算设备200的处理器执行步骤A和步骤B,应当理解的是,步骤A和步骤B也可以由计算设备200的两个不同的CPU和/或处理器共同地或独立地执行(例如,第一处理器执行步骤A、第二处理器执行步骤B,或者第一和第二处理器共同地执行步骤A和步骤B)。
图3是根据本申请的一些实施例所示的移动设备的示例性硬件和/或软件组件的示意图。用户终端130可以在移动设备300上实现。如图3所示,移动设备300可以包括通信平台310、显示器320、图形处理单元(GPU)330、中央处理单元(CPU)340、输入/输出(I/O)350、内存360、移动操作系统(OS)370和存储器390。在一些实施例中,任何其他合适的组件,包括但不限于系统总线或控制器(未示出),也可包括在移动设备300内。
在一些实施例中,移动操作系统370(例如,iOSTM、AndroidTM、Windows PhoneTM等)和一个或以上应用程序380可从存储器390下载至内存360以及由CPU 340执行。应用程序380可以包括浏览器或任何其他合适的移动应用程序,用于接收和呈现来自交通信息预测系统100的其他信息有关的信息。用户与信息流的交互可以经由输入/输出单元(I/O)350实现,并且经由网络120提供给处理引擎112和/或交通信息预测系统100的其他组件。
图4是根据本申请的一些实施例所示的示例性处理引擎的模块图。处理引擎112可以包括路段确定模块410、参考信息获取模块420、交通信息确定模块430和模型训练模块440。
路段确定模型410可以被配置为确定含路段ID的目标路段和目标未来时刻。其中,路段可以指具有预定方向的道路的一段或道路的一段的一部分。在一些实施例中,如果道路的一段包括两个方向,它可以包括两个路段,每个路段具有不同的方向。在一些实施例中,路段ID可以指路段的路段标识码。对于每个路段,路段ID可以是唯一的。例如,交通信息预测系统100可以为城市的道路网络中的每个路段分配唯一的路段ID。路段ID可以是任何形式,例如但不限于字符、字母、数字、符号、图像、代码或其组合。
在一些实施例中,目标路段可以是交通信息预测系统100的用户想要预测交通信息的路段。其中,交通信息可以表明路段的交通状况,该交通状况可以包括反映车辆、行人和其他如何使用该路段的多个特征。目标未来时刻可以是未来的任何时刻。在一些实施例中,目标未来时刻可以是用户想要预测路段的交通信息的时刻。在一些实施例中,目标未来时刻和当前时刻之间的差值可以是预设时间阈值,例如10分钟、15分钟、30分钟。例如,如果当前时刻是上午10:00,第一预设时间阈值是30分钟,目标未来时刻可以是上午10:30。第一预设时间阈值可以是交通信息预测系统100的默认设置,或者可以根据不同情况进行调整。
参考信息获取模块420可以被配置为获取与目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包。在一些实施例中,参考信息获取模块420可以从本申请中其他地方描述的存储设备(例如,存储器)或外部设备获取该至少两个参考信息包。存储设备或外部设备可以从用户终端130、第三方(交通控制部门)等,收集该至少两个参考信息包。至少两个参考信息包中的每一个可以对应于一个参考时刻。每个参考信息包可以包括至少两个信息条目。信息条目指与路段关联的特征以及该特征的值,在某些情况下(例如,对于动态信息条目),信息条目也与特定时刻相关联。至少两个信息条目可以包括至少一个静态信息条目和与参考时刻相关的至少一个动态信息条目。
参考时刻可以是历史时刻、未来时刻或当前时刻(进行预测的时刻)。在一些实施例中,参考时刻可以包括目标时刻。在一些实施例中,参考时刻可以包括目标时刻之后的时刻。在一些实施例中,如果处理引擎112获取目标路段在未来时刻的至少一个信息条目(例如,从第三方(天气监测系统)获取未来某天的预测天气信息),获取的信息条目可用于预测交通信息。
在一些实施例中,至少两个参考时刻可以是至少一天中的连续时刻。一天中的参考时刻中的两个连续时刻的差值可以是第二预设时间阈值,例如2分钟。例如,至少两个参考时刻可以包括当天上午9:00、上午9:02、上午9:04、……,当天之前一天的上午9:00、上午9:02、上午9:04、……,当天之后一天的上午9:00、上午9:02、上午9:04、……。
在一些实施例中,如果至少一个参考信息包中的至少一个信息条目缺失,参考信息获取模块420可以补充该至少一个参考信息包。在一些实施例中,参考信息获取模块420可以基于数据填充技术(例如,数据挖掘模型、平滑填充模型等)来补充该至少一个参考信息包。在一些实施例中,参考信息获取模块420可以使用靠近参考时刻的候选时刻的候选信息条目来补充缺失的信息条目。例如,如果目标路段在上午9点的交通拥堵情况缺失,参考信息获取模块420可以获取该目标路段在上午8:58的交通拥堵情况,并用它来补充上午9点的交通拥堵情况。在一些实施例中,参考信息获取模块420可以基于历史时段(例如,上个月、过去三个月、过去六个月)的初始信息条目确定目标路段的包括至少两个候选信息条目的候选信息包。具体地,对于每个候选信息条目,处理引擎112可以确定每个初始信息条目的平均值或众数,并将计算出的值指定为候选信息条目以补充参考信息包。
交通信息确定模块430可以被配置为基于至少两个参考信息包,使用训练好的循环神经网络模型确定在目标未来时刻目标路段的目标交通信息。目标交通信息可以包括在目标未来时刻目标路段上的车辆的目标平均行驶速度、在目标未来时刻目标路段的目标交通拥堵情况(例如,畅通、流动或拥堵)、在目标未来时刻目标路段的目标交通流量、在目标未来时刻目标路段上的车辆的目标平均通行时间等或其任何组合。
训练好的循环神经网络模型可以被配置为预测路段在未来时刻的交通信息。在一些实施例中,交通信息确定模块430可以从本申请中其他地方描述的存储设备(例如,存储器)或外部设备获取训练好的循环神经网络模型。在一些实施例中,可以通过交通信息确定系统100或外部设备基于至少两个历史参考信息包的集合来预先确定训练好的循环神经网络模型,并且可以存储在存储设备或外部设备中。在一些实施例中,可以在获取参考信息包后训练训练好的循环神经网络模型。
在一些实施例中,交通信息确定模块430还可以预测至少两个目标路段在目标未来时刻的交通信息。进一步地,处理引擎112可以在数字地图上显示该目标交通信息,并预报在目标未来时刻的交通信息。在一些实施例中,处理引擎112可以执行路径规划、执行交通调度、确定预估到达时间(Estimated Times of Arrival,ETA),或者基于交通信息确定路径的行驶价格。
模型训练模块440可以被配置为训练初始神经网络模型以生成训练好的循环神经网络模型。模型训练模块440可以获取与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合(也称为“训练数据集”)。每个历史参考信息包的集合(也称为“训练样本”)可以包括与参考路段相关联的对应于一个或以上第二历史时刻的一个或以上历史参考信息包。一个或以上历史参考信息包中的每一个可以对应于与参考路段相关联的一个第二历史时刻。
对于至少两个历史参考信息包的集合中的每一个集合,第一历史时刻可以与对应的第二历史时刻不同。第一历史时刻可以是预测参考路段的交通信息的时刻,其类似于目标未来时刻。对应的第二历史时刻可以类似于至少两个参考时刻。
模型训练模块440可以按时间序列排列该至少两个历史参考信息包的集合,即,基于时间(例如,从较早时间到较晚时间,顺序地;或者从较晚时间到较早时间,倒序地)。模型训练模块440可以被配置为基于排列后的历史信息条目训练初始神经网络模型以生成训练好的循环神经网络模型。在一些实施例中,模型训练模块440可以基于至少两个新获取的历史参考信息包的集合,在特定时间间隔(例如,每周、每月、每两个月)更新训练好的循环神经网络模型。
图5是根据本申请的一些实施例所示的确定在目标未来时刻目标路段的目标交通信息的示例性过程的流程图。在一些实施例中,流程500可以通过存储在只读存储器230或随机存取存储器240中的指令集(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行该指令集,当执行该指令集时,处理器220和/或模块可以被配置为执行流程500。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程500可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图5中所示和下面描述的过程的操作顺序不旨在是限制性的。
在510中,处理引擎112(例如,路段确定模块410和/或处理器220的接口电路)可以确定含路段ID的目标路段和目标未来时刻。其中,路段可以指具有预定方向的道路的一段或道路的一段的一部分。在一些实施例中,如果道路的一段包括两个方向,它可以包括两个路段,每个路段具有不同的方向。无论是否有规划,路线通常包括多个路段。路段的长度可以是任何值,例如,在100米和500米的范围内或者短于500米、200米或100米。在一些实施例中,路段ID可以指路段的路段标识码。对于每个路段,路段ID可以是唯一的。例如,交通信息预测系统100可以为城市的道路网络中的每个路段分配唯一的路段ID。路段ID可以是任何形式,例如但不限于字符、字母、数字、符号、图像、代码或其组合。
在一些实施例中,目标路段可以是交通信息预测系统100的用户想要预测交通信息的路段。其中,交通信息可以指示路段的交通状况,该交通状况可以包括反映车辆、行人和其他如何使用该路段的多个特征。例如,交通信息可以包括路段上车辆的平均行驶速度、路段的交通拥堵情况(例如,畅通、流动或拥堵)、路段的交通流量或路段上车辆的平均通行时间等。
目标未来时刻可以是未来的任何时刻。在一些实施例中,目标未来时刻可以是用户想要预测路段的交通信息的时刻。在一些实施例中,目标未来时刻和当前时刻之间的差值可以是预设时间阈值,例如10分钟、15分钟、30分钟。例如,如果当前时刻是上午10:00,第一预设时间阈值是30分钟,目标未来时刻可以是上午10:30。第一预设时间阈值可以是交通信息预测系统100的默认设置,或者可以根据不同情况进行调整。
在520中,处理引擎112(例如,参考信息模块420和/或处理器220的接口电路)可以获取与目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包。在一些实施例中,处理引擎112可以从本申请中其他地方描述的存储设备(例如,存储器)或外部设备获取该至少两个参考信息包。存储设备或外部设备可以从用户终端130、第三方(交通控制部门)等,收集该至少两个参考信息包。至少两个参考信息包中的每一个可以对应于一个参考时刻。每个参考信息包可以包括至少两个信息条目。信息条目指与路段关联的特征以及该特征的值,在某些情况下(例如,对于动态信息条目),信息条目也与特定时刻相关联。至少两个信息条目可以包括至少一个静态信息条目和与参考时刻相关的至少一个动态信息条目。
在一些实施例中,所述至少一个静态信息条目中的每一个可以是与时间无关的,即,所述至少一个静态信息条目中的每一个几乎不随时间变化。仅作为示例,静态信息条目可包括目标路段的路段ID、目标路段的限速情况(例如,60Km/h、80Km/h)、目标路段的路段类型(例如,高速公路、大道、隧道)、目标路段的长度、目标路段的宽度、目标路段的方向、目标路段的车道的数量、目标路段是否临近路口等或其任何组合。其中,如果目标路段和路口之间的路线距离(目标路段的终点与路口之间的距离)小于预设距离阈值,处理引擎112可以确定该目标路段临近路口。
在一些实施例中,至少一个动态信息条目中的每一个可以是与时间相关的,即,至少一个动态信息条目中的每一个随时间变化。仅作为示例,动态信息条目可以包括在参考时刻目标路段的天气信息、在参考时刻目标路段的交通流量、在参考时刻目标路段上的车辆的平均行驶速度、在参考时刻目标路段的交通拥堵情况(例如,畅通、流动或拥堵)、在参考时刻目标路段上的车辆的平均通行时间等或其任何组合。
在一些实施例中,每个信息条目(例如,动态信息条目、静态信息条目)可能对在参考时刻目标路段的参考交通信息有影响。例如,如果路段的路段ID表明该路段位于繁忙的道路上(例如,在至少有两个技术公司的北京西二旗的后厂村路),该路段可能具有相对较大的交通流量。又例如,如果在某时刻路段上的车辆的平均行驶速度仅为10km/h,路段可能是拥堵的。如果在某时刻路段上的车辆的平均行驶速度是80km/h,该路段可以是畅通的。此外,如果不同时刻之间的差值小于时间间隔,这些不同时刻的路段的交通信息可以是相互依赖的,由此,目标路段的目标交通信息可以与在这些参考时刻目标路段的参考交通信息相关。
参考时刻可以是可用于促进交通信息的预测的任何时刻。在一些实施例中,至少两个参考时刻可以包括在目标未来时刻的当天中的一个或以上第一时刻和在目标未来时刻之前的一个或以上天中的一个或以上第二对应时刻。一个或以上第一时刻可以在当天的预定时间段内。例如,如果当前时刻是上午10:00,一个或以上第一时刻可以在上午9:00和上午10:00之间。相应地,一个或以上第二对应时刻可以在当天之前的一个或以上天的预定时间段内。例如,第二对应时刻可以在当天之前一天的上午9:00和上午10:00之间/当天之前两天上午9:00、上午10:00之间等。
参考时刻可以是历史时刻、未来时刻或当前时刻(进行预测的时刻)。在一些实施例中,参考时刻可以包括目标时刻。在一些实施例中,参考时刻可以包括目标时刻之后的时刻。在一些实施例中,如果处理引擎112获取目标路段在未来时刻的至少一个信息条目(例如,从第三方(天气监测系统)获取未来某天的预测天气信息),获取的信息条目可用于预测交通信息。在一些实施例中,处理引擎112可以考虑与未来参考时刻相关联的交通信息条目在预测交通信息中的影响。例如,下雨或下雪可能会增加拥堵的可能性。在一些实施例中,处理引擎112可以考虑人们对与未来参考时刻相关联的信息条目的预期响应。例如,风暴预报可能导致人们试图避开该道路,导致在风暴到来之前在目标时刻该道路拥堵的可能性降低。
在一些实施例中,至少两个参考时刻可以是至少一天中的连续时刻。一天中的参考时刻中的两个连续时刻的差值可以是第二预设时间阈值,例如2分钟。例如,至少两个参考时刻可以包括当天上午9:00、上午9:02、上午9:04、……,当天之前一天的上午9:00、上午9:02、上午9:04、……,当天之后一天的上午9:00、上午9:02、上午9:04、……。
在一些实施例中,对于对应参考时刻的包括在参考信息包中的信息条目,信息条目的第一部分可以是瞬时的,即,信息条目的第一部分中的每一个可以是与参考时刻相对应的实时数据。例如,如果在上午9:02,目标路段为雨天,在上午9:02目标路段的天气信息是雨天。可选地或附加地,信息条目的第二部分可以是与参考时刻相关联的对应于时间间隔(例如,2分钟)的实时数据的平均值。例如,如果参考时刻是上午9:02,在上午9:02目标路段上的车辆的平均行驶速度可以是在上午9:00-上午9:02或上午9:02-9:04之间目标路段上的车辆的行驶速度平均值。
在一些实施例中,如果至少一个参考信息包中的至少一个信息条目缺失,参考信息获取模块420可以补充该至少一个参考信息包。在一些实施例中,参考信息获取模块420可以基于数据填充技术(例如,数据挖掘模型、平滑填充模型等)来补充该至少一个参考信息包。在一些实施例中,参考信息获取模块420可以使用靠近参考时刻的候选时刻的候选信息条目来补充缺失的信息条目。例如,如果目标路段在上午9点的交通拥堵情况缺失,参考信息获取模块420可以获取该目标路段在上午8:58的交通拥堵情况,并用它来补充上午9点的交通拥堵情况。在一些实施例中,参考信息获取模块420可以基于历史时段(例如,上个月、过去三个月、过去六个月)的初始信息条目确定目标路段的包括至少两个候选信息条目的候选信息包。具体地,对于每个候选信息条目,处理引擎112可以确定每个初始信息条目的平均值或众数,并将计算出的值指定为候选信息条目以补充参考信息包。
在530中,处理引擎112(例如,交通信息确定模块430和/或处理器220的接口电路)可以基于至少两个参考信息包,使用训练好的循环神经网络模型确定在目标未来时刻目标路段的目标交通信息。目标交通信息可以包括在目标未来时刻目标路段上的车辆的目标平均行驶速度、在目标未来时刻目标路段的目标交通拥堵情况(例如,畅通、流动或拥堵)、在目标未来时刻目标路段的目标交通流量、在目标未来时刻目标路段上的车辆的目标平均通行时间或其任何组合。
训练好的循环神经网络模型可以被配置为预测未来时刻的路段的交通信息。在一些实施例中,处理引擎112可以从本申请中其他地方描述的存储设备(例如,存储器)或外部设备获取训练好的循环神经网络模型。在一些实施例中,可以通过交通信息预测系统100或外部设备基于至少两个历史参考信息包的集合来预先训练训练好的循环神经网络模型,并且可以存储在存储设备或外部设备中。在一些实施例中,可以在获取参考信息包后确定训练好的循环神经网络模型。确定训练好的循环神经网络模型的更详细描述可以在本申请的其他地方找到,例如图6-9及其描述。
在一些实施例中,处理引擎112可以进一步预测在目标未来时刻至少两个目标路段的交通信息。此外,处理引擎112可以在数字地图上显示该目标交通信息,以及预报在目标未来时刻的交通信息。
在一些实施例中,处理引擎112可以基于交通信息进行路径规划。在一种应用场景中,如果在两个位置之间存在至少两个候选路线,尽管在当前时刻至少一个候选路线没有拥堵,但处理引擎112基于在未来时刻的预测交通信息确定该至少一个候选路线在该未来时刻可能会拥堵,处理引擎112可以向交通信息预测系统100的用户提醒该路线的拥堵可能性,并建议用户选择另一路线以避免在未来时刻的交通拥堵。
在一些实施例中,处理引擎112可以基于交通信息进行交通调度。在一种应用场景中,如果没有干预,处理引擎112可以基于预测的交通信息确定一个或以上路段将变得拥堵。交通信息预测系统100的用户(例如,交通控制部门)可以将驶向拥堵路段的车辆引导至绕行道路以减少这些路段拥堵的可能性。附加地或替代地,交通信息预测系统100的用户可以通过调整通向路段和/或路段附近的路口的交通信号灯的周期来降低路段拥堵的可能性。例如,交通信息预测系统100的用户可以调整通向路段和/或沿着路段的绿灯周期与红灯周期的比率,以增加绿灯的持续时间,从而减少拥堵的可能性。实质上,通过预测一个或以上路段的交通信息并进行干预,可以减少沿着这些路段的拥堵可能性。
在一些实施例中,处理引擎112可以基于交通信息确定预估到达时间(ETA)。ETA可以指沿着包括至少两个路段(例如,从一个位置到另一个位置)的路线的驾驶时间,并且与路线的长度、包括在路段的交通信息中的至少两个路段中的每一个的车辆的平均通行时间、至少两个路段的每一个的交通拥堵情况等相关。由此,处理引擎112可以基于预测的交通信息确定ETA。此外,处理引擎112可以至少部分地基于ETA和交通信息来确定路线的行驶价格。在一些实施例中,处理引擎112可以向一个或以上用户终端发送信号以指示该用户终端显示ETA和行驶价格。
应该注意的是,以上描述仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。例如,可以在示例性流程500中的其他地方添加一个或以上其他可选步骤(例如,存储步骤)。在存储步骤中,处理引擎112可以在本申请中其他地方描述的存储设备(例如,存储器140)中存储信息(例如,目标路段、目标未来时刻、目标交通信息)。
图6是根据本申请的一些实施例所示的用于训练初始神经网络模型的示例性过程的流程图。在一些实施例中,流程600可以通过存储在只读存储器230或随机存取存储器240中的指令集(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行该指令集,当执行该指令集时,处理器220和/或模块可以被配置为执行流程600。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程600可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图6中所示和下面描述的过程的操作顺序不旨在是限制性的。
在610中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以获取与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合(也称为“训练数据集”)。每个历史参考信息包的集合(也称为“训练样本”)可以包括与参考路段相关联的对应于一个或以上第二历史时刻的一个或以上历史参考信息包。一个或以上历史参考信息包中的每一个可以对应于与参考路段相关联的一个第二历史时刻。
对于至少两个历史参考信息包的集合中的每一个集合,第一历史时刻可以与对应的第二历史时刻不同。第一历史时刻可以是预测参考路段的交通信息的时刻,其类似于图5中描述的目标未来时刻。对应的第二历史时刻可以类似于至少两个参考时刻。
一个或以上历史参考信息包中的每一个可以包括至少两个历史信息条目。类似于图5中描述的包括在参考信息包中的参考信息条目,所述至少两个历史信息条目可以包括至少一个历史静态信息条目和与第二历史时刻相关的至少一个历史动态信息条目。仅作为示例,至少一个历史静态信息条目可以包括参考路段的路段ID、参考路段的限速情况(例如,60Km/h、80Km/h)、参考路段的路段类型(例如,高速公路、大道、隧道)、参考路段的长度、参考路段的宽度、参考路段的方向、参考路段的车道的数量、参考路段是否临近路口等或其任何组合。该至少一个历史动态信息条目可以包括在第二历史时刻参考路段的历史天气信息、在第二历史时刻参考路段的历史交通流量、在第二历史时刻参考路段上的车辆的历史平均行驶速度、在第二历史时刻参考路段的历史交通拥堵情况(例如,畅通、流动或拥堵)、在第二历史时刻参考路段上的车辆的历史平均通行时间等或其任何组合。
在620中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以按时间序列排列该至少两个历史参考信息包的集合,即,基于时间(例如,从较早时间到较晚时间,顺序地;或者从较晚时间到较早时间,倒序地)。在一些实施例中,对于包括在历史参考信息包中的历史信息条目,处理引擎112可以使用矩阵来表示这些历史信息条目。对于一个参考信息包的集合中的一个或以上参考信息包中的每一个,处理引擎112可以按时间序列排列这些矩阵。在一些实施例中,处理引擎112可以将包括在历史参考信息包的集合中的历史信息条目排列为如下所示的组合矩阵:
其中,(1、2、...、i、...、n)指按时间序列排列的第二历史时刻,xi是指与第i个第二历史时刻对应的包括在历史参考信息包中的历史信息条目的矩阵。其中,第二历史时刻i可以是早于第二历史时刻(i+1)并且晚于第二历史时刻(i-1)的时刻。
在630中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以基于历史信息条目训练初始神经网络模型,以生成训练好的循环神经网络模型。初始神经网络模型可以包括输入层、隐藏层和输出层。处理引擎112可以通过输入层输入与至少两个历史参考信息包的集合相对应的历史信息条目。隐藏层可以用于处理历史信息条目,输出层可以输出由初始神经网络模型确定的结果(例如,训练交通信息)。更多关于训练初始神经网络模型和初始神经网络模型的结构的描述可以在本申请的其他地方找到,如,图7-9及其描述。
应该注意的是,以上描述仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。
图7是根据本申请的一些实施例所示的用于确定训练好的循环神经网络模型的示例性过程的流程图。在一些实施例中,流程700可以通过存储在只读存储器230或随机存取存储器240中的指令集(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行该指令集,当执行该指令集时,处理器220和/或模块可以被配置为执行流程700。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程700可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图7中所示和下面描述的过程的操作顺序不旨在是限制性的。在一些实施例中,可以基于流程700来执行流程600中的操作630。
在710中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以确定初始神经网络模型(例如,循环神经网络模型)。在一些实施例中,处理引擎112可以为初始神经网络模型设置初始参数(例如,权重值、偏差值)。
在720中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以基于初始神经网络模型和历史信息条目确定对应于历史参考信息包的集合中的每一个的训练交通信息。类似于图5中描述的目标交通信息,训练交通信息可包括在第一历史时刻参考路段上的车辆的训练平均行驶速度、在第一历史时刻参考路段的训练交通拥堵情况(例如,畅通、流动或拥堵)、在第一历史时刻参考路段的训练交通流量或在第一历史时刻参考路段上的车辆训练平均通行时间。
如630中所述,初始神经网络模型可以包括输入层、隐藏层和输出层。在一些实施例中,隐藏层可以包括长短时记忆(long short-term memory,LSTM)层。LSTM层可以包括个三个门,为输入门、遗忘门和输出门。如620所述,处理引擎112可以将与第一历史时刻相关的一个集合中包含的历史信息条目排列为(x1、x2、...、xi、...、xn)。对于x1,LSTM层可以基于x1利用三个门确定第一短时交通信息(例如,对应于第一个第二历史时刻的交通信息)和第一长时交通信息(例如,对应于第一历史时刻的交通信息)。对于x2,LSTM层可以基于x2、第一短时交通信息和第一长时交通信息利用三个门确定第二短时交通信息(例如,对应于第二个第二历史时刻的交通信息)和第二长时交通信息(例如,对应于第一历史时刻的交通信息)。迭代地,对于xn,LSTM层可以基于xn,第(n-1)个短时交通信息,以及第(n-1)个长时交通信息利用三个门确定第n个短时交通信息(例如,对应于第n个第二个历史时刻的交通信息)和第n个长时交通信息(例如,对应于第一个历史时刻的交通信息)。输出层可以至少基于第n个长时交通信息来确定训练交通信息。如上所述,LSTM层可以基于公式(2)确定第n个长时交通信息,如下所示:
yn=f(yn-1,xn) (2)
其中,yn指的是第n个长时交通信息,xn是指与第n个第二历史时刻对应的历史信息条目,yn-1表示第(n-1)第二历史时刻对应的历史信息条目的输出(例如,第(n-1)个短时交通信息、第(n-1)长时交通信息)。
在730中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以确定至少两个历史参考信息包的集合的训练交通信息是否满足预设条件。在一些实施例中,处理引擎112可以确定初始神经网络模型的目标函数(例如,损失函数、均方根误差(RMSE)函数、平均绝对误差(MAE)函数),并根据训练交通信息确定其值。此外,处理引擎112可以确定目标函数的值是否小于第一预设值阈值或者目标函数的值是否最小。第一预设值阈值可以是交通信息预测系统100的默认设置,或者可以根据不同情况调整。
在740中,响应于确定训练交通信息满足预设条件,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将初始神经网络模型指定为训练好的循环神经网络模型。响应于确定训练交通信息不满足预设条件,处理引擎112可执行流程700并返回710以更新初始神经网络模型。在一些实施例中,处理引擎112可以更新初始神经网络模型的一个或以上初始参数(例如,权重值、偏差值)以生成更新的神经网络模型。处理引擎112可以基于更新的神经网络模型确定与至少两个历史参考信息包的集合相对应的更新的训练交通信息。
此外,处理引擎112可以确定更新的训练交通信息是否满足预设条件。当确定更新的训练交通信息满足预设条件,处理引擎112可以在740中将更新的神经网络模型指定为训练好的循环神经网络模型。当确定更新的训练交通信息不满足预设条件,处理引擎112仍然可以执行流程700并返回710以更新更新的神经网络模型,直到更新的训练交通信息满足预设条件。
在一些实施例中,在指定更新的神经网络模型为训练好的循环神经网络模型之前,处理引擎112可以获取至少两个第二历史参考信息包的集合(也称为验证数据集)以验证更新的神经网络模型。直到与验证数据集相关联的验证结果满足第二预设条件,将更新的神经网络模型指定为训练好的循环神经网络模型。与预设条件类似,第二预设条件可以包括验证数据集的目标函数(例如,损失函数、均方根误差函数、平均绝对误差函数)的值小于第二预设值阈值,或目标函数的值最小。
应该注意的是,以上描述仅出于说明的目的,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出多种修改和变化。然而,这些修改和变化不会背离本申请的范围。例如,处理引擎112可以基于至少两个新获取的历史参考信息包的集合,在特定时间间隔(例如,每周、每月、每两个月)更新训练好的循环神经网络模型。
图8是根据本申请的一些实施例所示的用于确定一个参考信息包的集合的训练交通信息的示例性过程的流程图。在一些实施例中,流程800可以通过存储在只读存储器230或随机存取存储器240中的指令集(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行该指令集,当执行该指令集时,处理器220和/或模块可以被配置为执行流程800。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程800可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图8中所示和下面描述的过程的操作顺序不旨在是限制性的。在一些实施例中,可以基于流程800来执行流程700中的操作720。
在810中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以稀疏化至少两个历史参考信息包的集合中的每一个的至少一个历史静态信息条目。如620中所述,对于包括在历史参考信息包中的历史信息条目,处理引擎112可以使用矩阵来表示该历史信息条目。由于对应于至少一个历史静态信息条目的至少一个向量是稀疏的,即,向量中可能存在多个零元素。处理引擎112可以对向量进行稀疏化,减小向量的维度。在一些实施例中,对于至少一个历史静态信息条目中的一种信息条目(例如,路段ID),不同信息(例如,两个路段ID)之间的相似性可以通过稀疏后的向量表示地更清楚。如630或720中所述,初始神经网络模型可包括输入层、LSTM层和输出层。在一些实施例中,初始神经网络模型还可包括嵌入层和全连接层。在一些实施例中,处理引擎112可以将至少一个历史静态信息条目嵌入到嵌入层中以执行稀疏化。
在820中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将至少两个历史参考信息包的集合(也称为“训练样本”)划分为一个或以上的组。一个或以上组中的每一个中的历史参考信息包的集合的数量可以是预设值,例如32、64、128等。
在一些实施例中,在830中处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将一个或以上组中的每一个的历史动态信息条目输入到输入层。LSTM层可以筛选掉部分历史动态信息条目,在训练过程中,所述部分历史动态信息条目被确定为对初始神经网络模型的输出(例如,(训练交通信息))的影响较小。此外,在840中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将一个或以上组中的每一个的稀疏后的历史静态信息条目嵌入到嵌入层中。全连接层可以从输入层、LSTM层和嵌入层提取组合信息。处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以基于850中的组合信息输出对应于至少两个历史参考信息包的集合中的每一个的训练交通信息。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化或修改。然而,这些变化和修改不会背离本申请的范围。在一些实施例中,可以不按照上面描述的顺序实现流程800的操作。例如,可以在操作830之后执行操作810。
图9是根据本申请的一些实施例所示的用于确定一个参考信息包的集合的训练交通信息的示例性过程的流程图。在一些实施例中,流程900可以通过存储在只读存储器230或随机存取存储器240中的指令集(例如,应用程序)来实现。处理器220和/或图4中的模块可以执行该指令集,当执行该指令集时,处理器220和/或模块可以被配置为执行流程900。以下所示过程的操作仅出于说明的目的。在一些实施例中,流程900可以通过未描述的一个或以上附加操作和/或不通过一个或以上本申请讨论的操作来完成。另外,如图9中所示和下面描述的过程的操作顺序不旨在是限制性的。在一些实施例中,可以基于流程900来执行流程700中的操作720。
在910中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以稀疏化至少两个历史参考信息包的集合中的每一个的至少一个历史静态信息条目。如620或810中所述,对于包括在历史参考信息包中的历史信息条目,处理引擎112可以使用矩阵来表示该历史信息条目。由于对应于至少一个历史静态信息条目的至少一个向量是稀疏的,即,向量中可能存在多个零元素。处理引擎112可以对向量进行稀疏化,减小向量的维度。在一些实施例中,对于至少一个历史静态信息条目中的一种信息条目(例如,路段ID),不同信息(例如,两个路段ID)之间的相似性可以通过稀疏后的向量表示地更清楚。如630或720中所述,初始神经网络模型可包括输入层、LSTM层和输出层。在一些实施例中,初始神经网络模型还可包括嵌入层和全连接层。在一些实施例中,处理引擎112可以将至少一个历史静态信息条目嵌入到嵌入层中以执行稀疏化。
在920中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将至少两个历史参考信息包的集合(也称为“训练样本”)划分为一个或以上的组。一个或以上组中的每一个中的历史参考信息包的集合的数量可以是预设值,例如32、64、128等。
在930中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以联结一个或以上组中的每一个的稀疏历史静态信息条目和历史动态信息条目。在一些实施例中,处理引擎112可以为联结每个历史参考信息包中的稀疏后的历史静态信息条目和历史动态信息条目,并将每个历史参考信息包的集合形成一个组合矩阵(也称为“训练样本”)。
在940中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将一个或以上组中的每一个的联结历史信息条目输入到输入层。LSTM层可以筛选掉至少部分联结历史信息条目,并且,在训练过程中,所述部分历史动态信息条目被确定为对初始神经网络模型的输出(例如,(训练交通信息))的影响较小。此外,在950中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以将一个或以上组中的每一个的稀疏后的历史静态信息条目嵌入到嵌入层中。全连接层可以基于联结后的历史信息条目和稀疏后的历史静态信息条目来提取组合信息。此外,在960中,处理引擎112(例如,模型训练模块440和/或处理器220的接口电路)可以基于该组合信息输出对应于至少两个历史参考信息包的集合中的每一个的训练交通信息。
应该注意的是,上述仅出于说明性目的而提供,并不旨在限制本申请的范围。对于本领域的普通技术人员来说,可以根据本申请的描述,做出各种各样的变化或修改。然而,这些修改和变化不会背离本申请的范围。在一些实施例中,流程900的操作可以不按照上面描述的顺序实现。例如,可以在操作920之后执行操作910。
上文已对基本概念做了描述,显然,对于阅读此申请后的本领域的普通技术人员来说,上述发明公开仅作为示例,并不构成对本申请的限制。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特性。因此,应当强调并注意的是,本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外,本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。
此外,本领域的普通技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的过程、机器、产品或物质的组合,或对其任何新的和有用的改良。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外,本申请公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式,其中计算机可读程序代码包含在其中。
计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。此类传播信号可以有多种形式,包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写,包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或以上发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。
Claims (28)
1.一种预测交通信息的方法,其特征在于,包括:
确定含路段ID的目标路段和目标未来时刻;
获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及
基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
2.根据权利要求1所述的方法,其特征在于,所述至少一个静态信息条目包括以下之一:所述目标路段的所述路段ID、所述目标路段的限速情况、所述目标路段的路段类型、所述目标路段的长度、所述目标路段的宽度、所述目标路段的车道数量、或者所述目标路段是否临近路口。
3.根据权利要求1-2中任一项所述的方法,其特征在于,所述至少一个动态信息条目包括以下之一:在所述参考时刻所述目标路段的天气信息、在所述参考时刻所述目标路段的交通流量、在所述参考时刻所述目标路段上的车辆的平均行驶速度、在所述参考时刻所述目标路段的交通拥堵情况、或者在所述参考时刻所述目标路段上的车辆的平均通行时间。
4.根据权利要求1中所述的方法,其特征在于,所述至少两个参考时刻包括在所述目标未来时刻所在的当天中的一个或以上时刻和在所述目标未来时刻之前的至少一天中的一个或以上对应时刻。
5.根据权利要求1中所述的方法,其特征在于,在所述目标未来时刻所述目标路段的所述目标交通信息包括以下之一:在所述目标未来时刻所述目标路段上的车辆的目标平均行驶速度、在所述目标未来时刻所述目标路段的目标交通拥堵情况、在所述目标未来时刻所述目标路段的目标交通流量、或者在所述目标未来时刻所述目标路段上的车辆的目标平均通行时间。
6.根据权利要求1中所述的方法,其特征在于,进一步包括:如果所述至少两个参考信息包中缺少至少一个信息条目,补充所述至少两个参考信息包中的至少一个。
7.根据权利要求1中所述的方法,其特征在于,所述训练好的循环神经网络模型是通过训练过程生成的,所述训练过程包括:
获取与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合,其中,每一个所述历史参考信息包的集合包括与参考路段相关联的对应于一个或以上第二历史时刻的一个或以上历史参考信息包,所述一个或以上历史参考信息包中的每一个对应于与所述参考路段相关联的一个第二历史时刻,和包括至少两个历史信息条目,所述至少两个历史信息条目包括至少一个历史静态信息条目和与所述历史时刻相关的至少一个历史动态信息条目;
按照时间序列排列所述至少两个历史参考信息包的集合;以及
基于所述历史信息条目训练初始神经网络模型,以生成所述训练好的循环神经网络模型。
8.根据权利要求7所述的方法,其特征在于:
所述至少一个历史静态信息条目包括以下中的至少一个:所述参考路段的路段ID、所述参考路段的限速情况、所述参考路段的路段类型、所述参考路段的长度、所述参考路段的宽度、所述参考路段的车道数量、或者所述参考路段是否临近路口,以及
所述至少一个历史动态信息条目包括以下中的至少一个:在所述第二历史时刻所述参考路段的历史天气信息、在所述第二历史时刻所述参考路段的历史交通流量、在所述第二历史时刻所述参考路段上的车辆的历史平均驾驶速度、在所述第二历史时刻所述参考路段的历史交通拥堵情况,或者在所述第二历史时刻所述参考路段上的车辆的历史平均通行时间。
9.根据权利要求7-8中任一项所述的方法,其特征在于,基于所述历史信息条目训练初始神经网络模型,以生成所述训练好的循环神经网络模型包括:
基于所述初始神经网络模型和所述历史信息条目,确定与所述每一个历史参考信息包的集合对应的训练交通信息;
确定所述训练交通信息是否满足预设条件;以及
响应于确定所述训练交通信息满足所述预设条件,将所述初始神经网络模型指定为所述训练好的循环神经网络模型。
10.根据权利要求9所述的方法,其特征在于,所述初始神经网络模型至少包括输入层、长短时记忆层、全连接层、输出层和嵌入层;以及
确定训练交通信息包括:
稀疏化所述至少两个历史参考信息包的集合中的每一个集合的所述至少一个历史静态信息条目;
将所述至少两个历史参考信息包的集合分成一个或以上的组,以及对于所述一个或以上组中的每一个组,
将所述组的所述历史动态信息条目输入到所述输入层;以及
将所述组的所述稀疏化后的历史静态信息条目嵌入到所述嵌入层;以及
输出对应于所述至少两个历史参考信息包的集合中的所述每一个集合的训练交通信息。
11.根据权利要求9所述的方法,其特征在于,所述初始神经网络模型至少包括输入层、长短时记忆层、嵌入层、全连接层和输出层;以及
确定训练交通信息包括:
稀疏化所述至少两个历史参考信息包的集合中的所述每一个集合的所述至少一个历史静态信息条目;
将所述至少两个历史参考信息包的集合分成一个或以上的组,以及对于所述一个或以上组中的每一个组,
联结所述组的所述稀疏化后的历史静态信息条目和所述组的所述历史动态信息条目;
将所述联结后的历史信息条目输入到所述输入层;以及
将所述稀疏化后的历史静态信息条目嵌入到所述嵌入层;以及
输出对应于所述至少两个历史参考信息包的集合中的所述每一个集合的所述训练交通信息。
12.根据权利要求1中所述的方法,其特征在于,进一步包括:
收集在所述目标未来时刻至少两个目标路段的目标交通信息、执行路径规划、确定预估到达时间ETAs、执行交通调度、或者基于所述至少两个目标路段的所述目标交通信息确定行驶路线的行驶价格。
13.根据权利要求12所述的方法,其特征在于,进一步包括:
将信号发送到终端设备,所述信号指示所述终端设备显示所述至少两个目标路段的所述目标交通信息、规划的路径、所述预估到达时间ETA、所述行驶价格或者调度交通。
14.一种预测交通信息的系统,其特征在于,包括:路段确定模块、参考信息获取模块和交通信息确定模块;
所述路段确定模块用于确定含路段ID的目标路段和目标未来时刻;
所述参考信息获取模块用于获取与所述目标路段相关联的对应于至少两个参考时刻的至少两个参考信息包,其中,所述至少两个参考信息包中的每一个对应于一个参考时刻,和包括至少一个静态信息条目和与所述参考时刻相关的至少一个动态信息条目;以及
所述交通信息确定模块用于基于所述至少两个参考信息包使用训练好的循环神经网络模型,确定在所述目标未来时刻所述目标路段的目标交通信息。
15.根据权利要求14所述的系统,其特征在于,所述至少一个静态信息条目包括以下之一:所述目标路段的所述路段ID、所述目标路段的限速情况、所述目标路段的路段类型、所述目标路段的长度、所述目标路段的宽度、所述目标路段的车道数量、或者所述目标路段是否临近路口。
16.根据权利要求14-15中任一项所述的系统,其特征在于,所述至少一个动态信息条目包括以下之一:在所述参考时刻所述目标路段的天气信息、在所述参考时刻所述目标路段的交通流量、在所述参考时刻所述目标路段上的车辆的平均行驶速度、在所述参考时刻所述目标路段的交通拥堵情况、或者在所述参考时刻所述目标路段上的车辆的平均通行时间。
17.根据权利要求14中所述的系统,其特征在于,所述至少两个参考时刻包括在所述目标未来时刻所在的当天中的一个或以上时刻和在所述目标未来时刻之前的至少一天中的一个或以上对应时刻。
18.根据权利要求14中所述的系统,其特征在于,在所述目标未来时刻所述目标路段的所述目标交通信息包括以下之一:在所述目标未来时刻所述目标路段上的车辆的目标平均行驶速度、在所述目标未来时刻所述目标路段的目标交通拥堵情况、在所述目标未来时刻所述目标路段的目标交通流量、或者在所述目标未来时刻所述目标路段上的车辆的目标平均通行时间。
19.根据权利要求14中所述的系统,其特征在于,所述参考信息获取模块进一步用于:
如果所述至少两个参考信息包中缺少至少一个信息条目,补充所述至少两个参考信息包中的至少一个。
20.根据权利要求14中所述的系统,其特征在于,所述系统进一步包括模型训练模块;
所述模型训练模块用于获取与至少两个参考路段相关联的对应于至少两个第一历史时刻的至少两个历史参考信息包的集合,其中,每一个所述历史参考信息包的集合包括与参考路段相关联的对应于一个或以上第二历史时刻的一个或以上历史参考信息包,所述一个或以上历史参考信息包中的每一个对应于与所述参考路段相关联的一个第二历史时刻,和包括至少两个历史信息条目,所述至少两个历史信息条目包括至少一个历史静态信息条目和与所述历史时刻相关的至少一个历史动态信息条目;
按照时间序列排列所述至少两个历史参考信息包的集合;以及
基于所述历史信息条目训练初始神经网络模型,以生成所述训练好的循环神经网络模型。
21.根据权利要求20所述的系统,其特征在于:
所述至少一个历史静态信息条目包括以下中的至少一个:所述参考路段的路段ID、所述参考路段的限速情况、所述参考路段的路段类型、所述参考路段的长度、所述参考路段的宽度、所述参考路段的车道数量、或者所述参考路段是否临近路口,以及
所述至少一个历史动态信息条目包括以下中的至少一个:在所述第二历史时刻所述参考路段的历史天气信息、在所述第二历史时刻所述参考路段的历史交通流量、在所述第二历史时刻所述参考路段上的车辆的历史平均驾驶速度、在所述第二历史时刻所述参考路段的历史交通拥堵情况、或者在所述第二历史时刻所述参考路段上的车辆的历史平均通行时间。
22.根据权利要求20-21中任一项所述的系统,其特征在于,所述训练模块进一步用于:
基于所述初始神经网络模型和所述历史信息条目,确定与所述每一个历史参考信息包的集合对应的训练交通信息;
确定所述训练交通信息是否满足预设条件;以及
响应于确定所述训练交通信息满足所述预设条件,将所述初始神经网络模型指定为所述训练好的循环神经网络模型。
23.根据权利要求22所述的系统,其特征在于,所述初始神经网络模型至少包括输入层、长短时记忆层、全连接层、输出层和嵌入层;以及
所述模型训练模块进一步用于:
稀疏化所述至少两个历史参考信息包的集合中的每一个集合的所述至少一个历史静态信息条目;
将所述至少两个历史参考信息包的集合分成一个或以上的组,以及对于所述一个或以上组中的每一个组,
将所述组的所述历史动态信息条目输入到所述输入层;以及
将所述组的所述稀疏化后的历史静态信息条目嵌入到所述嵌入层;以及
输出对应于所述至少两个历史参考信息包的集合中的所述每一个集合的训练交通信息。
24.根据权利要求22所述的系统,其特征在于,所述初始神经网络模型至少包括输入层、长短时记忆层、全连接层、输出层,和嵌入层;以及
所述模型训练模块进一步用于:
稀疏化所述至少两个历史参考信息包的集合中的所述每一个集合的所述至少一个历史静态信息条目;
将所述至少两个历史参考信息包的集合分成一个或以上的组,以及对于所述一个或以上组中的每一个组,
联结所述组的所述稀疏化后的历史静态信息条目和所述组的所述历史动态信息条目;
将所述联结后的历史信息条目输入到所述输入层;以及
将所述稀疏化后的历史静态信息条目嵌入到所述嵌入层;以及
输出对应于所述至少两个历史参考信息包的集合的所述每一个集合的所述训练交通信息。
25.根据权利要求14中所述的系统,其特征在于,所述系统进一步用于:
收集在所述目标未来时刻至少两个目标路段的目标交通信息、执行路径规划、确定预估到达时间ETAs、执行交通调度、或者基于所述至少两个目标路段的所述目标交通信息确定行驶路线的行驶价格。
26.根据权利要求25所述的系统,其特征在于,所述系统进一步用于:
将信号发送到终端设备,所述信号指示所述终端设备显示所述至少两个目标路段的所述目标交通信息、规划的路径、所述预估到达时间ETA、所述行驶价格或者调度交通。
27.一种预测交通信息的装置,其特征在于,包括至少一个存储介质以及至少一个处理器;
所述至少一个存储介质用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令,以实现如权利要求1-13任一项所述的方法。
28.一种计算机可读存储介质,所述存储介质存储有计算机指令,当所述计算机指令被至少一个处理器执行时,实现如权利要求1-13任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433966.7A CN110675621B (zh) | 2019-05-23 | 2019-05-23 | 预测交通信息的系统和方法 |
PCT/CN2019/088956 WO2020232732A1 (en) | 2019-05-23 | 2019-05-29 | Systems and methods for predicting traffic information |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433966.7A CN110675621B (zh) | 2019-05-23 | 2019-05-23 | 预测交通信息的系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110675621A true CN110675621A (zh) | 2020-01-10 |
CN110675621B CN110675621B (zh) | 2021-01-15 |
Family
ID=69068651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433966.7A Active CN110675621B (zh) | 2019-05-23 | 2019-05-23 | 预测交通信息的系统和方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110675621B (zh) |
WO (1) | WO2020232732A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833605A (zh) * | 2020-07-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
CN113112795A (zh) * | 2021-04-06 | 2021-07-13 | 中移(上海)信息通信科技有限公司 | 一种路况预测方法、装置及设备 |
CN113470356A (zh) * | 2021-06-28 | 2021-10-01 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN113780606A (zh) * | 2020-09-23 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 模型训练方法、预测方法、装置、系统及存储介质 |
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114861091A (zh) * | 2022-07-11 | 2022-08-05 | 成都秦川物联网科技股份有限公司 | 智慧城市交通路径确定方法、物联网系统、装置及介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820103B (zh) * | 2020-12-31 | 2022-09-06 | 山东奥邦交通设施工程有限公司 | 一种一体化动静结合标志管控方法及系统 |
CN112907953B (zh) * | 2021-01-27 | 2022-01-28 | 吉林大学 | 一种基于稀疏gps数据的公交行程时间预测方法 |
CN113570867B (zh) * | 2021-09-26 | 2021-12-07 | 西南交通大学 | 一种城市交通状态预测方法、装置、设备及可读存储介质 |
CN115440038B (zh) * | 2022-08-31 | 2023-11-03 | 青岛海信网络科技股份有限公司 | 一种交通信息确定方法以及电子设备 |
CN115909748B (zh) * | 2023-01-07 | 2023-08-01 | 深圳市城市交通规划设计研究中心股份有限公司 | 节假日公路交通量预测方法、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
US20110082636A1 (en) * | 2006-03-03 | 2011-04-07 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN109000676A (zh) * | 2018-06-22 | 2018-12-14 | 东华大学 | 一种vanet环境下结合预测信息的路径规划方法 |
CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109544911A (zh) * | 2018-10-30 | 2019-03-29 | 中山大学 | 一种基于lstm-cnn的城市路网交通状态预测方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018141403A1 (en) * | 2017-02-03 | 2018-08-09 | Siemens Aktiengesellschaft | System, device and method for managing traffic in a geographical location |
CN108734614A (zh) * | 2017-04-13 | 2018-11-02 | 腾讯科技(深圳)有限公司 | 交通拥堵预测方法及装置、存储介质 |
CN109118014A (zh) * | 2018-08-30 | 2019-01-01 | 浙江工业大学 | 一种基于时间递归神经网络的交通流速度预测方法 |
-
2019
- 2019-05-23 CN CN201910433966.7A patent/CN110675621B/zh active Active
- 2019-05-29 WO PCT/CN2019/088956 patent/WO2020232732A1/en active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1434946A (zh) * | 2000-07-21 | 2003-08-06 | 交通预测.Com公司 | 一种提供旅行时间预测的方法 |
US20110082636A1 (en) * | 2006-03-03 | 2011-04-07 | Inrix, Inc. | Dynamic time series prediction of future traffic conditions |
CN107230351A (zh) * | 2017-07-18 | 2017-10-03 | 福州大学 | 一种基于深度学习的短时交通流预测方法 |
CN109000676A (zh) * | 2018-06-22 | 2018-12-14 | 东华大学 | 一种vanet环境下结合预测信息的路径规划方法 |
CN109285346A (zh) * | 2018-09-07 | 2019-01-29 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN109300309A (zh) * | 2018-10-29 | 2019-02-01 | 讯飞智元信息科技有限公司 | 路况预测方法及装置 |
CN109544911A (zh) * | 2018-10-30 | 2019-03-29 | 中山大学 | 一种基于lstm-cnn的城市路网交通状态预测方法 |
CN109697852A (zh) * | 2019-01-23 | 2019-04-30 | 吉林大学 | 基于时序交通事件的城市道路拥堵程度预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021218131A1 (zh) * | 2020-04-26 | 2021-11-04 | 百度在线网络技术(北京)有限公司 | 一种路线规划方法、装置、设备和计算机存储介质 |
CN111833605A (zh) * | 2020-07-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
CN113780606A (zh) * | 2020-09-23 | 2021-12-10 | 京东城市(北京)数字科技有限公司 | 模型训练方法、预测方法、装置、系统及存储介质 |
CN113112795A (zh) * | 2021-04-06 | 2021-07-13 | 中移(上海)信息通信科技有限公司 | 一种路况预测方法、装置及设备 |
CN113112795B (zh) * | 2021-04-06 | 2022-01-21 | 中移(上海)信息通信科技有限公司 | 一种路况预测方法、装置及设备 |
CN113470356A (zh) * | 2021-06-28 | 2021-10-01 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
CN113470356B (zh) * | 2021-06-28 | 2022-11-04 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114861091A (zh) * | 2022-07-11 | 2022-08-05 | 成都秦川物联网科技股份有限公司 | 智慧城市交通路径确定方法、物联网系统、装置及介质 |
US11754410B1 (en) | 2022-07-11 | 2023-09-12 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and internet of things systems for determining government traffic routes in smart cities |
Also Published As
Publication number | Publication date |
---|---|
WO2020232732A1 (en) | 2020-11-26 |
CN110675621B (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110675621B (zh) | 预测交通信息的系统和方法 | |
US11024163B2 (en) | Systems and methods for monitoring traffic congestion | |
CN110520913B (zh) | 确定预估到达时间的系统和方法 | |
TWI638320B (zh) | 推薦預計到達時間的系統、方法及非暫態電腦可讀儲存媒體 | |
CN111862585B (zh) | 用于交通预测的系统和方法 | |
US11398002B2 (en) | Systems and methods for determining an estimated time of arrival | |
CN108713326B (zh) | 分配按需服务请求的系统及方法 | |
JP6503474B2 (ja) | 移動デバイスの経路を求めるシステム及び方法 | |
US20210140774A1 (en) | Systems and methods for recommending pick-up locations | |
CN110537212B (zh) | 确定预估到达时间的系统与方法 | |
US20200049522A1 (en) | Methods and systems for route planning | |
CN109313036B (zh) | 路线规划的系统及方法 | |
JP7047096B2 (ja) | オンラインツーオフラインサービスに関する推定された到着時間を決定するためのシステムおよび方法 | |
CN112868036A (zh) | 位置推荐的系统和方法 | |
US20200158522A1 (en) | Systems and methods for determining a new route in a map | |
WO2019222903A1 (en) | Systems and methods for providing travelling suggestion | |
WO2020113626A1 (en) | Systems and methods for determining estimated time of arrival | |
CN111415024A (zh) | 一种到达时间预估方法以及预估装置 | |
CN111243265A (zh) | 一种确定区域交通信息的方法和系统 | |
WO2020019237A1 (en) | Systems and methods for dispatching service providers | |
CN110689719B (zh) | 用于识别封闭路段的系统和方法 | |
WO2022126354A1 (en) | Systems and methods for obtaining estimated time of arrival in online to offline services | |
WO2019090465A1 (en) | Systems and methods for reserving a carpooling service | |
WO2021022487A1 (en) | Systems and methods for determining an estimated time of arrival | |
CN110832811B (zh) | 用于发送空间数据的系统和方法 |
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 |