CN111081010B - 一种交通流量或旅行时间的预测方法和设备 - Google Patents

一种交通流量或旅行时间的预测方法和设备 Download PDF

Info

Publication number
CN111081010B
CN111081010B CN201811218071.3A CN201811218071A CN111081010B CN 111081010 B CN111081010 B CN 111081010B CN 201811218071 A CN201811218071 A CN 201811218071A CN 111081010 B CN111081010 B CN 111081010B
Authority
CN
China
Prior art keywords
time
predicted
traffic flow
road
flow
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
Application number
CN201811218071.3A
Other languages
English (en)
Other versions
CN111081010A (zh
Inventor
徐慎昆
代睿
李帅
冀晨光
刘凯奎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Alibaba Group Holding Ltd
Original Assignee
Alibaba Group Holding Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Alibaba Group Holding Ltd filed Critical Alibaba Group Holding Ltd
Priority to CN201811218071.3A priority Critical patent/CN111081010B/zh
Priority to PCT/CN2019/110269 priority patent/WO2020078246A1/zh
Publication of CN111081010A publication Critical patent/CN111081010A/zh
Priority to US17/233,028 priority patent/US20210233391A1/en
Application granted granted Critical
Publication of CN111081010B publication Critical patent/CN111081010B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3691—Retrieval, searching and output of information related to real-time traffic, weather, or environmental 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
    • 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
    • G06N3/045—Combinations of networks
    • 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

Abstract

本发明公开了一种交通流量或旅行时间的预测方法，包括：获取终端回传的海量导航路径规划数据；根据所述海量导航路径规划数据，得到所述待预测道路在预测时间段内的导航规划流量；获取所述待预测道路的实时交通流量、实时旅行时间、历史交通流量、历史旅行时间和导航规划流量；对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行神经网络学习，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间。采用本发明提供的技术方案，能得到更接近于实际情况的预测交通流量或预测旅行时间。

Description

一种交通流量或旅行时间的预测方法和设备
技术领域
本发明涉及交通技术领域，尤其涉及一种交通流量或旅行时间的预测方法和设备。
背景技术
旅行时间是指通过某条道路车辆需要花费的时间。交通流量是指单位时间(比如一分钟)内进入某条道路的车辆的数量。旅行时间预测是指预测未来(尚未发生)的某个时刻，某条道路的旅行时间。交通流量预测是指预测未来的某个时刻，进入某条道路的车辆的数量。现有技术一般基于道路的历史交通流量、历史旅行时间进行交通流量或者旅行时间的预测，某些方案也会考虑道路的实时交通流量、实时旅行时间。发明人在对现有技术进行研究的过程中发现，仅考虑历史交通流量、历史旅行时间、实时交通流量和实时旅行时间，得到的道路的预测交通流量或者预测旅行时间与道路的实际交通流量或者实际旅行时间之间存在较大偏差。由于预测交通流量或预测旅行时间的准确性，对交通出行服务至关重要，因此，需要提供一种技术方案，能得到更接近于实际情况的预测交通流量或预测旅行时间。
发明内容
鉴于上述问题，本发明提出了一种交通流量或旅行时间的预测方法及设备，能够得到更接近于实际情况的预测交通流量或预测旅行时间。
为达到上述目的，本发明主要提供如下技术方案：
一方面，本发明提供了一种交通流量或旅行时间的预测方法，所述方法包括：
获取终端回传的海量导航路径规划数据；
根据所述海量导航路径规划数据，得到所述待预测道路在预测时间段内的导航规划流量；
获取所述待预测道路的实时交通流量、实时旅行时间、历史交通流量、历史旅行时间和导航规划流量；
对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行神经网络学习，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间。
另一方面，本发明提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行本发明提供的交通流量或旅行时间的预测方法。
本发明基于终端回传的海量导航路径规划数据，得到所述待预测道路在预测时间段内的导航规划流量，并将导航规划流量作为预测交通流量或者预测旅行时间的特征之一，由于一般情况下用户会按照导航路径规划数据中给定的导航路段行驶，所以基于海量导航路径规划数据，得到的待预测道路在预测时间的导航规划流量基本等于在预测时间段会进入该道路的导航车辆的实际数量，因此，引入导航规划流量大大有助于提升交通流量预测或者旅行时间预测的准确度，进一步，本发明从终端获得导航路径规划数据，即终端正在使用的导航路径规划数据以实时信息流的形式被接入，一旦用户偏离导航路径规划数据给定的导航路段，本发明能够从终端得到偏航后为该用户重新规划的导航路线规划数据，该方式保证了本发明引入的导航规划流量的准确性保持在最高水平。综合前述原因，采用本发明提供的技术方案，能够得到基本接近实际情况的预测交通流量或预测旅行时间。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的交通流量或旅行时间的预测方法；
图2示出了本发明实施例提供的先前时间段和预测时间段的示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，是本发明实施例提供的交通流量或旅行时间的预测方法，所述方法包括：
步骤10：获取终端回传的海量导航路径规划数据；
步骤11：根据所述海量导航路径规划数据，得到所述待预测道路在预测时间段内的导航规划流量；
其中，每条导航路径规划数据至少携带了导航结束时间、导航路段及导航路段的进入时间，在实际应用中，步骤11可以采用如下优选实施方式：
从所述海量导航路径规划数据中，删除导航结束时间早于所述待预测时间段的开始时间的导航路径规划数据；
根据剩余的导航路径规划数据中携带的导航路段和导航路段的进入时间，得到在预设的预测时间段内进入待预测道路的实时统计导航流量。
步骤12：获取所述待预测道路的实时交通流量、实时旅行时间、历史交通流量、历史旅行时间和导航规划流量；
步骤13：对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行神经网络学习，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间。
以上是本发明实施例提供的交通流量或旅行时间的预测方法。需要说明的是，在实际应用中，当终端回传了海量导航路径规划数据时，需要执行步骤10和步骤11，但步骤12是在当前时间为待预测时间段的开始时间时执行。因此，步骤12会获取步骤11得到的待预测道路在预测时间段内的导航规划流量，但和步骤11之间无时序关系。因此，图1所示步骤12的一个优选实施例为：
当前时间为预测时间段的开始时间时，获取至少一个预测时间段的历史交通流量、历史旅行时间和导航规划流量；
获取至少一个先前时间段的历史交通流量、历史旅行时间、实时交通流量、实时旅行时间和导航规划流量；其中，所述先前时间段和所述预测时间段在时间上连续。
如图2所示，是本发明实施例提供的先前时间段和预测时间段的示意图，每个数字代表一个时间段，当预测时间段和先前时间段有多个时，按照时间先后顺序，所述当前时间为最后一个预测时间段的结束时间，同时也是第一个预测时间段的开始时间。如图2所示，当前时间为先前时间段5的结束时间，也是预测时间段1的开始时间。前述先前时间段和所述预测时间段在时间上连续是指图2所示每个时间段的结束时间为下一个时间段的开始时间，无论是先前还是预测。
同时，可以理解的是，当当前时间已经是图2所示预测时间段2的开始时间时，现在图2所示的预测时间段1将会成为先前时间段，即，随着时间的推移，预测时间段首先会成为先前时间段，然后再成为预测时间段。正是因为这个原因，那么，本发明获取的预测时间段1的导航规划流量还会包含先前时间段1-先前时间段5为预测时间段时，得到的预测时间段1的导航规划流量，此处仅为举例不应视为对本发明的限制，具体取多少个导航规划流量，由技术人员根据需要选定，本发明不做任何限制。同理，本发明获取的先前时间段的导航规划流量也会有多个。
以下对本发明提供的优选实施例进行详细介绍。
首先，图1所示步骤13的一个优选实施例为，采用时空卷积方式进行神经网络学习，即，对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行时空卷积，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间。
第一、对于上述优选实施例，当预测目标为交通流量时，具体实现方式包括两种：
第一种方式包括：
对所述待预测道路的实时旅行时间和历史旅行时间进行降维卷积(优选1*1维降维卷积，本发明其他实施例同此处)和一维时序卷积，得到第一旅行时间卷积结果；
对所述待预测道路的实时交通流量、历史交通流量、导航规划流量进行一维时序卷积，得到第一流量卷积结果；
将第一旅行时间卷积结果和第一流量卷积结果作为输入进行空间图谱卷积，得到第一空间卷积结果；
将第一空间卷积结果进行一维时序卷积，得到第一时空编码结果；
对所述第一时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在预测时间段的预测交通流量。
第二种方式包括：
对所述待预测道路的实时交通流量、历史交通流量、导航规划流量进行一维时序卷积，得到第一流量卷积结果；
将第一流量卷积结果作为输入进行空间图谱卷积，得到第一空间卷积结果；
将第一空间卷积结果进行一维时序卷积，得到第一时空编码结果；
对所述第一时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在预测时间段的预测交通流量。
优选地，上述两种方式，空间图谱卷积和其之后的一维时序卷积可以执行不止一次，当执行多次时，需要在得到第一时间编码结果后，将第一时空编码结果和得到所述第一时空编码时的输入作为空间图谱卷积的新的输入，再次执行该步骤及其之后的一维时序卷积，重复执行这两个步骤，直到执行次数达到预设的执行次数之后，针对最后一次执行过程输出的第一时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在预测时间段的预测交通流量。
第二、对于上述优选实施例，当预测目标为旅行时间时，具体实现方式包括：
将待预测道路的实时交通流量、历史交通流量、导航规划流量进行降维卷积和一维时序卷积，得到第二流量卷积结果；
对所述实时旅行时间、历史旅行时间进行一维时序卷积，得到第二旅行时间卷积结果；
将第二流量卷积结果和第二旅行时间卷积结果作为输入进行空间图谱卷积，得到第二空间卷积结果；
将第二空间卷积结果进行一维时序卷积，得到第二时空编码结果；
对所述第二时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在所述预测时间段的预测旅行时间。
同预测目标为交通流量，优选地，该实施例中，空间图谱卷积和其之后的一维时序卷积可以执行不止一次，当执行多次时，需要在得到第二时间编码结果后，将第二时空编码结果和得到所述第二时空编码时的输入作为空间图谱卷积的新的输入，再次执行该步骤及其之后的一维时序卷积，重复执行这两个步骤，直到执行次数达到预设的执行次数之后，针对最后一次执行过程输出的第一时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在预测时间段的预测旅行时间。
其次，图1所示步骤13的另一个优选实施例如下，具体包括：
按时间先后顺序，对每个先前时间段执行如下步骤：
对一个先前时间段的特征数据进行空间图谱卷积，得到该先前时间段的空间卷积结果，将该先前时间段的空间卷积结果，或，该先前时间段的空间卷积结果和前一个先前时间段的隐含状态输入循环神经网络的编码器细胞单元得到该先前时间段的隐含状态；
将排序在最后的一个先前时间段的隐含状态和所述待预测道路在预测时间段的历史交通流量、历史旅行时间和导航规划流量输入循环神经网络的解码器，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间；
其中，所述特征数据包括待预测道路在该先前时间段的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量。
在实际应用中，循环神经网络的编码器输出的是预测交通流量还是预测旅行时间，取决于编码器的目标标签的设置，如果目标标签设置的是交通流量则输出的预测交通流量，是旅行时间，则输出的是预测旅行时间。
结合图2，对另一优选实施例进行介绍，按照时间先后顺序，本发明先对先前时间段1的特征数据进行空间图谱卷积，得到空间图谱卷积结果，将先前时间段1的空间卷积结果，输入循环神经网络的编码器细胞单元得到先前时间段1的隐含状态；在对先前时间段2进行处理时，与先前时间段1的区别在于，会将先前时间段2的空间卷积结果和先前时间段1的隐含状态输入循环神经网络的编码器细胞单元得到先前时间段2的隐含状态，以此类推直到处理完所有的先前时间段。
最后，需要说明的是，当预测时间段有多个时，本发明提供的所有实施例在预测交通流量或者预测旅行时间时，可以同时把所有预测时间段的预测交通流量或预测旅行时间都预测出来，也可以是先预测图2所示的预测时间段1的预测交通流量或者预测旅行时间，再基于预测时间段1的预测结果，采用递归的方式对预测时间段2进行预测，以此类推。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器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)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
存储器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)。存储器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，磁带磁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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上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。

Claims (10)

1.一种交通流量或旅行时间的预测方法，其特征在于，所述方法包括：
获取终端回传的海量导航路径规划数据；每条导航路径规划数据至少携带了导航结束时间、导航路段及导航路段的进入时间；
根据所述海量导航路径规划数据，得到待预测道路在预测时间段内的导航规划流量；
获取所述待预测道路的实时交通流量、实时旅行时间、历史交通流量、历史旅行时间和导航规划流量；
对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行时空卷积，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间。
2.根据权利要求1所述的方法，其特征在于，当当前时间为待预测时间段的开始时间时，获取待预测道路的实时交通流量、实时旅行时间、历史交通流量、历史旅行时间和导航规划流量，具体包括：
获取至少一个预测时间段的历史交通流量、历史旅行时间和导航规划流量；
获取至少一个先前时间段的历史交通流量、历史旅行时间、实时交通流量、实时旅行时间和导航规划流量；其中，所述先前时间段和所述预测时间段在时间上连续。
3.根据权利要求1所述的方法，其特征在于，对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行时空卷积，得到所述待预测道路在所述预测时间段的预测交通流量，具体包括：
对所述待预测道路的实时旅行时间和历史旅行时间进行降维卷积和一维时序卷积，得到第一旅行时间卷积结果；
对所述待预测道路的实时交通流量、历史交通流量、导航规划流量进行一维时序卷积，得到第一流量卷积结果；
将第一旅行时间卷积结果和第一流量卷积结果作为输入进行空间图谱卷积，得到第一空间卷积结果；
将第一空间卷积结果进行一维时序卷积，得到第一时空编码结果；
对所述第一时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在预测时间段的预测交通流量。
4.根据权利要求1所述的方法，其特征在于，对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行时空卷积，得到所述待预测道路在所述预测时间段的预测旅行时间，具体包括：
将待预测道路的实时交通流量、历史交通流量、导航规划流量进行降维卷积和一维时序卷积，得到第二流量卷积结果；
对所述实时旅行时间、历史旅行时间进行一维时序卷积，得到第二旅行时间卷积结果；
将第二流量卷积结果和第二旅行时间卷积结果作为输入进行空间图谱卷积，得到第二空间卷积结果；
将第二空间卷积结果进行一维时序卷积，得到第二时空编码结果；
对所述第二时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在所述预测时间段的预测旅行时间。
5.根据权利要求3所述的方法，其特征在于，所述方法进一步包括：
将第一时空编码结果和得到所述第一时空编码时的输入作为新的输入返回所述空间图谱卷积的步骤。
6.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：
将第二时空编码结果和得到所述第二时空编码时的输入作为新的输入返回所述空间图谱卷积的步骤。
7.根据权利要求2所述的方法，其特征在于，所述先前时间段有多个，所述对待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行神经网络学习，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间，具体包括：
按时间先后顺序，对每个先前时间段执行如下步骤：
对一个先前时间段的特征数据进行空间图谱卷积，得到该先前时间段的空间卷积结果，将该先前时间段的空间卷积结果，或，该先前时间段的空间卷积结果和前一个先前时间段的隐含状态输入循环神经网络的编码器细胞单元得到该先前时间段的隐含状态；
将排序在最后的一个先前时间段的隐含状态和所述待预测道路在预测时间段的历史交通流量、历史旅行时间和导航规划流量输入循环神经网络的解码器，得到所述待预测道路在所述预测时间段的预测交通流量或预测旅行时间；
其中，所述特征数据包括待预测道路在该先前时间段的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量。
8.根据权利要求1或2所述的方法，其特征在于，每条导航路径规划数据至少携带了导航结束时间、导航路段及导航路段的进入时间，所述根据所述海量导航路径规划数据，得到预设的预测时间段内进入待预测道路的导航规划流量具体包括：
从所述海量导航路径规划数据中，删除导航结束时间早于所述待预测时间段的开始时间的导航路径规划数据；
根据剩余的导航路径规划数据中携带的导航路段和导航路段的进入时间，得到在预设的预测时间段内进入待预测道路的导航规划流量。
9.根据权利要求1所述的方法，其特征在于，对所述待预测道路的实时旅行时间、历史旅行时间、实时交通流量、历史交通流量、导航规划流量进行时空卷积，得到所述待预测道路在所述预测时间段的预测交通流量，具体包括：
对所述待预测道路的实时交通流量、历史交通流量、导航规划流量进行一维时序卷积，得到第一流量卷积结果；
将第一流量卷积结果作为输入进行空间图谱卷积，得到第一空间卷积结果；
将第一空间卷积结果进行一维时序卷积，得到第一时空编码结果；
对所述第一时空编码结果进行线性和非线性神经网络连接，得到所述待预测道路在预测时间段的预测交通流量。
10.一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-9任一所述的交通流量或旅行时间的预测方法。
CN201811218071.3A 2018-10-18 2018-10-18 一种交通流量或旅行时间的预测方法和设备 Active CN111081010B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201811218071.3A CN111081010B (zh) 2018-10-18 2018-10-18 一种交通流量或旅行时间的预测方法和设备
PCT/CN2019/110269 WO2020078246A1 (zh) 2018-10-18 2019-10-10 一种交通流量或旅行时间的预测方法和设备
US17/233,028 US20210233391A1 (en) 2018-10-18 2021-04-16 Method and device for predicting traffic flow or travel time period

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811218071.3A CN111081010B (zh) 2018-10-18 2018-10-18 一种交通流量或旅行时间的预测方法和设备

Publications (2)

Publication Number Publication Date
CN111081010A CN111081010A (zh) 2020-04-28
CN111081010B true CN111081010B (zh) 2022-08-02

Family

ID=70284203

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811218071.3A Active CN111081010B (zh) 2018-10-18 2018-10-18 一种交通流量或旅行时间的预测方法和设备

Country Status (3)

Country Link
US (1) US20210233391A1 (zh)
CN (1) CN111081010B (zh)
WO (1) WO2020078246A1 (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210295171A1 (en) * 2020-03-19 2021-09-23 Nvidia Corporation Future trajectory predictions in multi-actor environments for autonomous machine applications
CN111862590A (zh) * 2020-05-13 2020-10-30 北京嘀嘀无限科技发展有限公司 路况预测方法、装置及存储介质
WO2021242151A1 (en) * 2020-05-27 2021-12-02 Telefonaktiebolaget Lm Ericsson (Publ) Traffic flow prediction in a wireless network using heavy- hitter encoding and machine learning
CN112382081A (zh) * 2020-09-30 2021-02-19 浙江高速信息工程技术有限公司 一种基于多任务的交通流量预测方法
CN112652165B (zh) * 2020-12-11 2022-05-31 北京百度网讯科技有限公司 模型训练及路况预测方法、装置、设备、介质及程序产品
CN114694400A (zh) * 2020-12-25 2022-07-01 上海棋语智能科技有限公司 交通指挥调度系统及其调度方法
CN114662792B (zh) * 2022-04-22 2023-01-20 广西财经学院 基于动态扩散图卷积的循环神经网络的交通流量预测方法
CN115017990B (zh) * 2022-06-01 2023-01-17 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种交通流量预测方法、装置、设备及存储介质
CN115225543B (zh) * 2022-07-08 2023-10-20 北京百度网讯科技有限公司 一种流量预测方法、装置、电子设备和存储介质
CN115242663B (zh) * 2022-07-29 2023-07-18 西安电子科技大学 基于时间相关图卷积的虚拟网络流量预测方法
CN116363874B (zh) * 2023-03-20 2024-04-23 南京理工大学 融合多模式高阶语义相关性的城市交通超图卷积预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015051718A1 (zh) * 2013-10-09 2015-04-16 曹玮 一种动态轨迹导航方法及云平台

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102353380A (zh) * 2011-06-30 2012-02-15 福建慧翰信息技术有限公司 路况预测和查询系统及方法
CN103632542A (zh) * 2012-08-27 2014-03-12 国际商业机器公司 交通信息处理方法、装置和相应设备
US9286793B2 (en) * 2012-10-23 2016-03-15 University Of Southern California Traffic prediction using real-world transportation data
CN103903468B (zh) * 2012-12-25 2016-11-16 上海博泰悦臻电子设备制造有限公司 道路拥堵时间预警方法及装置
CN104101347A (zh) * 2013-04-10 2014-10-15 夏汇 基于现代控制理论状态方程的最佳动态导航方法
CN104121918A (zh) * 2013-04-25 2014-10-29 北京搜狗信息服务有限公司 一种实时路径规划的方法和系统
US9536424B2 (en) * 2014-02-10 2017-01-03 Here Global B.V. Adaptive traffic dynamics prediction
US9557184B2 (en) * 2014-02-11 2017-01-31 Telenav, Inc. Electronic system with prediction mechanism and method of operation thereof
CN105654729B (zh) * 2016-03-28 2018-01-02 南京邮电大学 一种基于卷积神经网络的短时交通流量预测方法
CN105868870A (zh) * 2016-05-17 2016-08-17 北京数行健科技有限公司 一种基于数据融合的城市快速路旅行时间估计方法和装置
CN106781592B (zh) * 2017-01-04 2019-07-23 成都四方伟业软件股份有限公司 一种基于大数据的交通导航系统及方法
US10515542B2 (en) * 2017-03-27 2019-12-24 Iheartmedia Management Services, Inc. Automated traffic data validation
CN106910351B (zh) * 2017-04-19 2019-10-11 大连理工大学 一种基于深度强化学习的交通信号自适应控制方法
CN106981198B (zh) * 2017-05-24 2020-11-03 北京航空航天大学 用于旅行时间预测的深度学习网络模型及其建立方法
CN107702729A (zh) * 2017-09-06 2018-02-16 东南大学 一种考虑预期路况的车辆导航方法及系统
CN108307312B (zh) * 2018-01-09 2021-08-24 腾讯科技（深圳）有限公司 一种拥堵提示方法、服务器、客户端及存储介质
CN108647834B (zh) * 2018-05-24 2021-12-17 浙江工业大学 一种基于卷积神经网络结构的交通流预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015051718A1 (zh) * 2013-10-09 2015-04-16 曹玮 一种动态轨迹导航方法及云平台

Also Published As

Publication number Publication date
US20210233391A1 (en) 2021-07-29
CN111081010A (zh) 2020-04-28
WO2020078246A1 (zh) 2020-04-23

Similar Documents

Publication Publication Date Title
CN111081010B (zh) 一种交通流量或旅行时间的预测方法和设备
CN109360413B (zh) 一种车辆调度方法及系统
CN108286981B (zh) 车联网的车辆路径规划方法、装置和计算机设备
CN111950603B (zh) 一种路段交通事故率的预测方法、装置及计算机存储介质
CN110909306B (zh) 业务异常检测方法、装置、电子设备和存储设备
CN112614206A (zh) 道路中心线提取方法和装置
CN115392548A (zh) 一种针对出行站点的出行需求预测方法、装置及存储介质
JPWO2019189249A1 (ja) 学習装置、学習方法、及びプログラム
CN110807238B (zh) 一种仿真模型校准方法及相关设备
CN115238779B (zh) 一种云盘的异常检测方法、装置、设备及介质
CN113624234B (zh) 线路平滑处理方法、装置、电子设备和计算机存储介质
CN110086867B (zh) 一种还车网点推送方法
CN114815825A (zh) 确定车辆最优行驶轨迹方法和装置
CN110659170A (zh) 一种车载t-box测试系统
Yang et al. Input‐mapping based data‐driven model predictive control for unknown linear systems via online learning
CN112085082A (zh) 一种污水排放实时监测方法、装置及服务器
CN113870005A (zh) 超参数的确定方法及装置
CN112562391A (zh) 一种车位更新的方法和装置
CN112578458A (zh) 叠前弹性阻抗随机反演方法、装置、存储介质及处理器
CN116578934B (zh) 一种基于蒙特卡洛树搜索的逆合成分析方法及设备
CN116127273B (zh) 积雪指数获取方法、装置、存储介质和设备
CN116170491A (zh) 用于确定电子围栏的方法、运输设备、存储介质及处理器
CN113592148B (zh) 改进车辆与无人机配送路线的优化方法及系统
WO2022070246A1 (en) Path generation apparatus, path planning apparatus, path generation method, path planning method, and non-transitory computer readable medium
JP6925179B2 (ja) 解探索処理装置

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