CN111833605A - 路况预测方法、路况预测模型训练方法、装置及存储介质 - Google Patents

路况预测方法、路况预测模型训练方法、装置及存储介质 Download PDF

Info

Publication number
CN111833605A
CN111833605A CN202010665184.9A CN202010665184A CN111833605A CN 111833605 A CN111833605 A CN 111833605A CN 202010665184 A CN202010665184 A CN 202010665184A CN 111833605 A CN111833605 A CN 111833605A
Authority
CN
China
Prior art keywords
road
target
convolution
aggregation
features
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
Application number
CN202010665184.9A
Other languages
English (en)
Other versions
CN111833605B (zh
Inventor
林宇澄
洪辉婷
杨晓庆
龚平华
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.)
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Didi Infinity Technology and Development Co 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 Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Didi Infinity Technology and Development Co Ltd
Priority to CN202010665184.9A priority Critical patent/CN111833605B/zh
Publication of CN111833605A publication Critical patent/CN111833605A/zh
Application granted granted Critical
Publication of CN111833605B publication Critical patent/CN111833605B/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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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"
    • G06Q50/40—
    • 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

Abstract

本申请提供了一种路况预测方法、路况预测模型训练方法、装置及存储介质，该路况预测方法包括：获取当前时段内目标路段的当前路网信息，当前路网信息包括：当前时段内目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及目标路段与其它路段之间的边特征，根据预先训练的路况预测模型，对当前路网信息进行处理，得到预设时段内目标路段的路况信息。本申请具有如下有益效果：将当前时段内目标路段的第一点特征、其它路段的第二点特征，以及目标路段与其它路段之间的边特征作为考虑因素，通过路况预测模型预测出预设时段内目标路段的路况信息，从而提高了路况预测的准确度，有效地减少了交通拥堵。

Description

路况预测方法、路况预测模型训练方法、装置及存储介质
技术领域
本申请涉及计算机技术领域，具体而言，涉及一种路况预测方法、路况预测模型训练方法、装置及存储介质。
背景技术
随着城市拥堵、交通事故等交通问题受到广泛地关注，为了缓解交通压力，路况预测作为一个有力手段发挥着越来越重要的作用。路况预测指的是通过历史信息和其它辅助信息，来预测未来一段时间内的路况，这样可以引导驾驶员选择相对通畅的行驶路线。
目前，通过建立路网图，根据路网图中道路的一些属性信息，如长度、宽度、限速值以及平均速度作为路段特征，然后将路段特征输入到预先训练得到的路况预测模型中，得到未来一段时间内的路段路况。然而，该种预测方式的准确度不高。
发明内容
有鉴于此，本申请实施例的目的在于提供一种路况预测方法、路况预测模型训练方法、装置及存储介质，以提高路况预测的准确度。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请一实施例提供了一种路况预测方法，所述方法包括：
获取当前时段内目标路段的当前路网信息，所述当前路网信息包括：所述当前时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
根据预先训练的路况预测模型，对所述当前路网信息进行处理，得到预设时段内所述目标路段的路况信息；其中，所述路况预测模型是根据历史时段内所述目标路段的历史路网信息进行训练得到的，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、所述其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征。
在一些实施例中，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
在一些实施例中，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
在一些实施例中，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
在一些实施例中，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
在一些实施例中，所述当前路网信息包括K个所述当前时段中每个所述当前时段对应的当前路网信息，其中，K为大于0的整数。
第二方面，本申请一实施例提供了一种路况预测模型训练方法，包括：
获取历史时段内目标路段的历史路网信息，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型。
在一些实施例中，所述初始路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层，所述历史路网信息包括K个所述历史时段中每个所述历史时段对应的历史路网信息，所述根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型，包括：
在所述第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征；
在所述空间卷积层，对于所述目标路段对应的每个边类型，将所述边类型对应的所述M个第一卷积特征中的第i个第一卷积特征、所述M个第二卷积特征中的第i个第二卷积特征以及所述M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征；i为小于或者等于M的正整数；
在所述第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征；
根据所述最终卷积特征，获取路况预测结果；
根据所述路况预测结果，对所述初始路况预测模型进行训练，得到所述路况预测模型。
在一些实施例中，所述空间卷积层包括L层网络，L为大于0的整数；所述在所述空间卷积层，对于所述目标路段对应的每个边类型，将所述边类型对应的所述M个第一卷积特征中的第i个第一卷积特征、所述M个第二卷积特征中的第i个第二卷积特征以及所述M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征，包括：
在所述L层网络中的第一层网络，对于所述边类型，所述第i个第一卷积特征、所述第i个第二卷积特征以及所述第i个第三卷积特征进行拼接，得到所述边类型的拼接特征；
根据预设维度对所述目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征；
获取所述其它路段的第一聚合特征，以及根据所述目标路段的第一聚合特征和所述其它路段的第一聚合特征，获取所述目标路段与所述其它路段之间的第一边聚合特征；
在所述L层网络中的第二层网络，对所述目标路段的第一聚合特征、所述其它路段的第一聚合特征以及所述第一边聚合特征进行处理，得到所述目标路段的第二聚合特征、所述其它路段的第二聚合特征、以及所述目标路段与所述其它路段之间的第二边聚合特征，重复本步骤，直至遍历完所述L层网络，得到所述目标路段的第L聚合特征和所述其它路段的第L聚合特征；
将所述目标路段的第L聚合特征和所述其它路段的第L聚合特征，确定为所述空间聚合特征。
在一些实施例中，所述对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征，包括：
对降维后的多个拼接特征进行求平均操作，得到所述目标路段的第一聚合特征。
在一些实施例中，所述对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征，包括：
对降维后的多个拼接特征进行加权操作，得到所述目标路段的第一聚合特征。
在一些实施例中，所述根据所述目标路段的第一聚合特征和所述其它路段的第一聚合特征，获取所述目标路段与所述其它路段之间的第一边聚合特征，包括：
对所述目标路段的第一聚合特征和所述其它路段的第一聚合特征进行求平均操作，获取所述目标路段与所述其它路段之间的第一边聚合特征。
在一些实施例中，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
在一些实施例中，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
在一些实施例中，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
在一些实施例中，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
第三方面，本申请一实施例提供了一种路况预测装置，包括：
获取模块，用于获取当前时段内目标路段的当前路网信息，所述当前路网信息包括：所述当前时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
处理模块，用于根据预先训练的路况预测模型，对所述当前路网信息进行处理，得到预设时段内所述目标路段的路况信息；其中，所述路况预测模型是根据历史时段内所述目标路段的历史路网信息进行训练得到的，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、所述其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征。
在一些实施例中，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
在一些实施例中，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
在一些实施例中，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
在一些实施例中，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
在一些实施例中，所述当前路网信息包括K个所述当前时段中每个所述当前时段对应的当前路网信息，其中，K为大于0的整数。
第四方面，本申请一实施例提供一种路况预测模型训练装置，包括：
获取模块，用于获取历史时段内目标路段的历史路网信息，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
训练模块，用于根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型。
在一些实施例中，所述初始路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层，所述训练模块，具体用于：
在所述第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征；
在所述空间卷积层，对于所述目标路段对应的每个边类型，将所述边类型对应的所述M个第一卷积特征中的第i个第一卷积特征、所述M个第二卷积特征中的第i个第二卷积特征以及所述M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征；i为小于或者等于M的正整数；
在所述第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征；
根据所述最终卷积特征，获取路况预测结果；
根据所述路况预测结果，对所述初始路况预测模型进行训练，得到所述路况预测模型。
在一些实施例中，所述空间卷积层包括L层网络，L为大于0的整数，所述训练模块，具体用于：
在所述L层网络中的第一层网络，对于所述边类型，所述第i个第一卷积特征、所述第i个第二卷积特征以及所述第i个第三卷积特征进行拼接，得到所述边类型的拼接特征；
根据预设维度对所述目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征；
获取所述其它路段的第一聚合特征，以及根据所述目标路段的第一聚合特征和所述其它路段的第一聚合特征，获取所述目标路段与所述其它路段之间的第一边聚合特征；
在所述L层网络中的第二层网络，对所述目标路段的第一聚合特征、所述其它路段的第一聚合特征以及所述第一边聚合特征进行处理，得到所述目标路段的第二聚合特征、所述其它路段的第二聚合特征、以及所述目标路段与所述其它路段之间的第二边聚合特征，重复本步骤，直至遍历完所述L层网络，得到所述目标路段的第L聚合特征和所述其它路段的第L聚合特征；
将所述目标路段的第L聚合特征和所述其它路段的第L聚合特征，确定为所述空间聚合特征。
在一些实施例中，所述训练模块，具体用于：
对降维后的多个拼接特征进行求平均操作，得到所述目标路段的第一聚合特征。
在一些实施例中，所述训练模块，具体用于：
对降维后的多个拼接特征进行加权操作，得到所述目标路段的第一聚合特征。
在一些实施例中，所述训练模块，具体用于：
对所述目标路段的第一聚合特征和所述其它路段的第一聚合特征进行求平均操作，获取所述目标路段与所述其它路段之间的第一边聚合特征。
在一些实施例中，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
在一些实施例中，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
在一些实施例中，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
在一些实施例中，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
第五方面，本申请一实施例提供一种路况预测设备，处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当路况预测设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第一方面任一所述的路况预测方法。
第六方面，本申请一实施例提供一种路况预测模型训练设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当路况预测模型训练设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行第二方面任一所述的路况预测模型训练方法。
第七方面，本申请一实施例提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如第一方面任一所述的路况预测方法，或第二方面任一所述的路况预测模型训练方法。
本实施例提供的路况预测方法、路况预测模型训练方法、装置及存储介质，路况预测方法包括：获取当前时段内目标路段的当前路网信息，当前路网信息包括：当前时段内目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及目标路段与其它路段之间的边特征，第一点特征用于指示目标路段的路况信息，边特征用于指示目标路段与其它路段之间的路段关系，根据预先训练的路况预测模型，对当前路网信息进行处理，得到预设时段内目标路段的路况信息，其中，路况预测模型是根据历史时段内目标路段的历史路网信息进行训练得到的，历史路网信息包括：历史时段的下一时段内目标路段的实际路况信息、历史时段内目标路段的第一点特征、其它路段的第二点特征，以及目标路段与其它路段之间的边特征。本实施例具有如下有益效果：将当前时段内目标路段的第一点特征、其它路段的第二点特征，以及目标路段与其它路段之间的边特征作为考虑因素，通过路况预测模型预测出预设时段内目标路段的路况信息，从而提高了路况预测的准确度，有效地减少了交通拥堵。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1示出了本申请实施例提供的一种路况预测系统100的架构示意图；
图2示出了本申请实施例提供的一种电子设备的结构示意图；
图3示出了本申请实施例提供的路况预测方法的流程示意图一；
图4示出了本申请实施例提供的路网图的示意图；
图5示出了本申请实施例提供的路况预测方法的流程示意图二；
图6示出了本申请实施例提供的路况预测模型训练方法的流程示意图一；
图7示出了本申请实施例提供的路况预测模型训练方法的流程示意图二；
图8示出了本申请实施例提供的初始路况预测模型的示意图；
图9示出了本申请实施例提供的路况预测模型训练方法的流程示意图三；
图10示出了本申请实施例提供的空间卷积层的示意图；
图11是示出本申请实施例提供的路况预测装置的结构示意图；
图12是示出本申请实施例提供的路况预测模型训练装置的结构示意图；
图13示出了本申请实施例提供的路况预测设备的结构示意图；
图14示出了本申请实施例提供的路况预测模型训练设备的结构示意图。
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，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的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。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“路况预测”，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕路况预测和路况模块训练进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他交通运输类型。例如，本申请可以应用于不同的运输系统环境，包括陆地，海洋，或航空等，或其任意组合。
需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。此外，本申请的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”及“第四”等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。
在本申请提出申请之前，现有的技术方案为：采用历史时段内路段的一些属性信息，训练得到路况预测模型，然后获取当前时段内路段的一些属性信息作为路段特征，将路段特征输入到路况预测模型中，得到未来一段时间内的道路路况。其中，路段特征包括动态特征和静态特征，动态特征包括平均速度，静态特征包括长度、宽度、限速值。然而仅仅基于路段特征进行路况预测，准确度不高。
为了解决上述技术问题，本发明实施例提供一种路况预测方法，其核心改进点在于：基于点特征和边特征进行路况预测，提高了路况预测的准确度。下面通过可能的实现方式对本发明的技术方案进行说明。
图1示出了本申请实施例提供的一种路况预测系统100的架构示意图。例如，该路况预测系统100可以是用于诸如出租车、代驾服务、快车、拼车、公共汽车服务、驾驶员租赁、或班车服务之类的运输服务、或其任意组合的在线运输服务平台。路况预测系统100可以包括服务器110、网络120、服务请求方终端130和数据库150中的一种或多种。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。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可以是分布式系统)。在一些实施例中，服务器110相对于终端，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访问存储在服务请求方终端130、服务提供方终端140、或数据库150、或其任意组合中的信息和/或数据。作为另一示例，服务器110可以直接连接到服务请求方终端130、服务提供方终端140和数据库150中至少一个，以访问存储的信息和/或数据。在一些实施例中，服务器110可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(community cloud)、分布式云、跨云(inter-cloud)、多云(multi-cloud)等，或者它们的任意组合。在一些实施例中，服务器110可以在具有本申请中图2所示的一个或多个组件的电子设备200上实现。
在一些实施例中，服务器110可以包括处理器。处理器可以处理与服务请求有关的信息和/或数据，以执行本申请中描述的一个或多个功能。例如，处理器可以基于从服务请求方终端130获得的服务请求来确定目标路段的路况信息。在一些实施例中，处理器可以包括一个或多个处理核(例如，单核处理器(S)或多核处理器(S))。仅作为举例，处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、专用指令集处理器(Application Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(ReducedInstruction Set Computing，RISC)、或微处理器等，或其任意组合。
网络120可以用于信息和/或数据的交换。在一些实施例中，路况预测系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140和数据库150)可以向其他组件发送信息和/或数据。例如，服务器110可以经由网络120从服务请求方终端130获取服务请求。在一些实施例中，网络120可以是任何类型的有线或者无线网络，或者是他们的结合。仅作为示例，网络120可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched TelephoneNetwork，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication,NFC)网络等，或其任意组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线或无线网络接入点，例如基站和/或网络交换节点，路况预测系统100的一个或多个组件可以通过该接入点连接到网络120以交换数据和/或信息。
在一些实施例中，服务请求方终端130的用户可以是除服务实际需求者之外的其他人。例如，服务请求方终端130的用户A可以使用服务请求方终端130来为服务实际需求者B发起服务请求(比如，用户A可以为自己的朋友B叫车)，或者从服务器110接收服务信息或指令等。在一些实施例中，服务提供方终端140的用户可以是服务实际提供者，也可以是除服务实际提供者之外的其他人。例如，服务提供方终端140的用户C可以使用服务提供方终端140接收由服务实际提供者D提供服务的服务请求(比如用户C可以为自己雇用的司机D接单)，和/或来自服务器110的信息或指令。在一些实施例中，“服务请求方”和“服务请求方终端”可以互换使用，“服务提供方”和“服务提供方终端”可以互换使用。
在一些实施例中，服务请求方终端130可以包括移动设备、平板计算机、膝上型计算机、或机动车辆中的内置设备等，或其任意组合。在一些实施例中，移动设备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、或增强现实设备等，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、智能电器设备的控制设备、智能监控设备、智能电视、智能摄像机、或对讲机等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal DigitalAssistant，PDA)、游戏设备、导航设备、或销售点(point of sale，POS)设备等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，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各种虚拟现实产品等。在一些实施例中，机动车辆中的内置设备可以包括车载计算机、车载电视等。在一些实施例中，服务请求方终端130可以是具有用于获取定位服务器请求方的路网信息的设备。
在一些实施例中，服务提供方终端140可以是与服务请求方终端130类似或相同的设备。在一些实施例中，服务提供方终端140可以是具有定位技术的设备，用于定位服务提供方和/或服务提供方终端的位置。在一些实施例中，服务请求方终端130和/或服务提供方终端140可以与其他定位设备通信以确定服务请求方、服务请求方终端130、服务提供方、或服务提供方终端140、或其任意组合的位置。在一些实施例中，服务请求方终端130和/或服务提供方终端140可以将定位信息发送给服务器110。
数据库150可以存储数据和/或指令。在一些实施例中，数据库150可以存储从服务请求方终端130和/或服务提供方终端140获得的数据。在一些实施例中，数据库150可以存储在本申请中描述的示例性方法的数据和/或指令。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、或只读存储器(Read-Only Memory，ROM)等，或其任意组合。作为举例，大容量存储器可以包括磁盘、光盘、固态驱动器等；可移动存储器可包括闪存驱动器、软盘、光盘、存储卡、zip磁盘、磁带等；易失性读写存储器可以包括随机存取存储器(Random Access Memory，RAM)；RAM可以包括动态RAM(Dynamic RandomAccess Memory，DRAM)，双倍数据速率同步动态RAM(Double Date-Rate Synchronous RAM，DDR SDRAM)；静态RAM(Static Random-Access Memory，SRAM)，晶闸管RAM(Thyristor-Based Random Access Memory，T-RAM)和零电容器RAM(Zero-RAM)等。作为举例，ROM可以包括掩模ROM(Mask Read-Only Memory，MROM)、可编程ROM(Programmable Read-OnlyMemory，PROM)、可擦除可编程ROM(Programmable Erasable Read-only Memory，PEROM)、电可擦除可编程ROM(Electrically Erasable Programmable read only memory，EEPROM)、光盘ROM(CD-ROM)、以及数字通用磁盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公有云、混合云、社区云、分布式云、跨云、多云或者其它类似的等，或其任意组合。
在一些实施例中，数据库150可以连接到网络120以与路况预测系统100(例如，服务器110，服务请求方终端130，服务提供方终端140等)中的一个或多个组件通信。路况预测系统100中的一个或多个组件可以经由网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接连接到路况预测系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)；或者，在一些实施例中，数据库150也可以是服务器110的一部分。
在一些实施例中，路况预测系统100中的一个或多个组件(例如，服务器110，服务请求方终端130，服务提供方终端140等)可以具有访问数据库150的权限。在一些实施例中，当满足一定条件时，路况预测系统100中的一个或多个组件可以读取和/或修改与服务请求方、服务提供方、或公众、或其任意组合有关的信息。例如，服务器110可以在接收服务请求之后读取和/或修改一个或多个用户的信息。
在一些实施例中，可以通过请求服务来实现路况预测系统100中的一个或多个组件的信息交换。服务请求的对象可以是任何产品。在一些实施方案中，产品可以是有形产品或非物质产品。有形产品可包括食品、药品、商品、化学产品、电器、服装、汽车、房屋、或奢侈品等，或其任意组合。非物质产品可以包括服务产品、金融产品、知识产品、或互联网产品等，或其任意组合。互联网产品可以包括单独的主机产品、网络产品、移动互联网产品、商业主机产品、或嵌入式产品等，或其任意组合。互联网产品可以用在移动终端的软件、程序、或系统等，或者它们的任意组合中。移动终端可以包括平板电脑、笔记本电脑、移动电话、个人数字助理(Personal Digital Assistant，PDA)、智能手表、销售点(Point of sales，POS)设备、车载电脑、车载电视、或可穿戴设备等，或其任意组合。例如，互联网产品可以是计算机或移动电话中使用的任何软件和/或应用程序。软件和/或应用程序可以涉及社交、购物、运输、娱乐时间、学习、或投资等，或其任意组合。在一些实施例中，与运输有关的软件和/或应用程序可以包括旅行软件和/或应用程序、车辆调度软件和/或应用程序、绘图软件和/或应用程序等。在车辆调度软件和/或应用程序中。
下面结合上述图1示出的路况预测系统100中描述的内容，对本申请实施例提供的路况预测方法进行详细说明。
首先对本申请涉及的名词进行说明：
图(英文名称：Graph)：也称为网络(英文名称：Network)一种数据结构，由一些顶点和顶点之间的边构成。其中，顶点也称为结点，顶点之间的边表示顶点与顶点之间的关系。
同质图(英文名称：Homogeneous Graph)：图的一种，同质图中顶点和边的类型只有一种。
异质图(英文名称Heterograph)：图的一种，异质图中顶点和/或边的类型有多种。相对于同质图，异质图包含更多的信息。
多关系图(英文名称：Multi-Relational Graph)：是异质图的一种。多关系图中顶点类型有一种，边的类型有多种。
其中，对于不同的应用场景，顶点和边可以代表不同的类型，例如，顶点类型例如可以为用户、电影、电影角色等，边类型例如可以为点赞、电影评分、是否看过电影等。在一应用场景中，顶点类型包括用户、电影，边的类型为是否看过电影。
图3示出了本申请实施例提供的路况预测方法的流程示意图一，图4示出了本申请实施例提供的路网图的示意图。
如图3所示，本实施例的执行主体可以为图1所示的服务器，或者图1所示的服务请求端，该路况预测方法包括：
S11、获取当前时段内目标路段的当前路网信息。
其中，目标路段可以为任意一条路段，具体可以根据实际情况确定。为了得到预设时段内目标路段的路况信息，首先获取当前时段内目标路段的当前路网信息，也即，根据当前时段内目标路段的当前路网信息来预测预设时段内目标路段的路况信息，其中，路况信息用于指示预设时段内目标路段的拥堵情况。
可选地，路况信息可以包括预设时段内目标路段上行驶车辆的平均速度。当平均速度小于预设速度时，表明该预设时段内目标路段存在交通拥堵；当平均速度小于预设速度时，表明预设时段内该目标路段通行畅通。
其中，当前路网信息包括当前时段内目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及目标路段与其它路段之间的边特征。第一点特征用于指示目标路段的路况信息，边特征用于指示目标路段与其它路段之间的路段关系，路段关系包括相连和相近。
需要说明的是，当前时段可以为当前时刻之前预设时长的时段，预设时段可以为当前时刻之后预设时长的时段，预设时长例如可以为5分钟、6分钟、10分钟等，本实施例对此不做限制。
S12、根据预先训练的路况预测模型，对当前路网信息进行处理，得到预设时段内目标路段的路况信息。
具体地，将当前路网信息输入到预先训练的路况预测模型，输出预设时段内目标路段的路况信息。预先训练的路况预测模型是根据历史时段内目标路段的历史路网信息进行训练得到的，历史路网信息包括：历史时段的下一时段内目标路段的实际路况信息、历史时段内目标路段的第一点特征、其它路段的第二点特征，以及目标路段与其它路段之间的边特征。
需要指出的是，实际路况信息用于指示历史时段的下一时段内目标路段的拥堵情况，实际路况信息可以包括历史时段的下一时段内目标路段上行驶车辆的平均速度，具体可以参考路况信息的相关描述，在此不再赘述。
也就是说，将历史时段的下一时段内目标路段的实际路况信息作为初始路况预测模型的输出，将历史时段内目标路段的第一点特征、历史时段内其它路段的第二点特征，以及与历史时段内目标路段与其它路段之间的边特征作为初始路况预测模型的输入，对初始路况预测模型进行训练，以得到路况预测模型。
其中，历史时段可以为历史时刻之前预设时长的时段，历史时段的下一时段可以为历史时刻之后预设时长的时段，预设时长例如可以为5分钟、6分钟、10分钟等，本实施例对此不做限制。
需要说明的是，历史时段、历史时段的下一时段、当前时段以及预设时段的时长可以是相同的，例如都为5分钟。
在一种车辆行驶的应用场景中，本实施例的执行主体为服务器，服务器从图1中的服务器请求端获取当前时段内目标路段的当前路网信息，然后根据预先训练的路况预测模型对当前路网信息进行处理，得到预设时段内目标路段的路况信息，然后服务器可以将目标路段的路况信息推送给该服务请求端，以便服务请求端进行合理的路径规划，从而避免交通拥堵。
本实施例提供的路况预测方法，包括：获取当前时段内目标路段的当前路网信息，当前路网信息包括：当前时段内目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及目标路段与其它路段之间的边特征，第一点特征用于指示目标路段的路况信息，边特征用于指示目标路段与其它路段之间的路段关系，根据预先训练的路况预测模型，对当前路网信息进行处理，得到预设时段内目标路段的路况信息，其中，路况预测模型是根据历史时段内目标路段的历史路网信息进行训练得到的，历史路网信息包括：历史时段的下一时段内目标路段的实际路况信息、历史时段内目标路段的第一点特征、其它路段的第二点特征，以及目标路段与其它路段之间的边特征。将当前时段内目标路段的第一点特征、其它路段的第二点特征，以及目标路段与其它路段之间的边特征作为考虑因素，通过路况预测模型预测出预设时段内目标路段的路况信息，从而提高了路况预测的准确度，有效地减少了交通拥堵。
在一些实施例中，满足预设条件的其它路段包括以下路段中的至少一种类型：与目标路相连通的第一路段、与目标路段的距离小于预设值的第二路段以及第三路段，其中，第二路段与第三路段为同一道路中方向相反的路段。
下面结合图4进行具体说明，如图4所示，本实施例提供的路网图属于多关系图。根据实际地图中的各路段，可以建立路网图，该路网图中的每个顶点代表一条路段，其中，顶点R1、R2、R3、R4分别代表路段R1、R2、R3、R4。
其中，每条路段对应方向相反的两条行驶路段。
以目标路段为R1为例，由图4可知，与目标路段R1相连通的第一路段为R2，与目标路段R1的距离小于预设值的第二路段和第三路段分别为相反行驶路段的R3和R3’，其中R3’和R3为同一道路中方向相反的路段。
由此可知，目标路段R1和第一路段R2为相连路段，目标路段R1和第二路段R3、第三路段R3’为相近路段。
其中，路段之间的线条表示边特征，用于指示路段关系，目标路段R1和第一路段R2之间的实线线条表示目标路段R1和第一路段R2的路段关系为相连，目标路段R1和第二路段R3、第三路段R3’之间的虚线线条表示目标路段R1和第二路段R3、第三路段R3’的路段关系为相近。
由图4可知，目标路段R1和路段R4不相连，且之间的距离均大于预设值，因此，不将道路R4作为考虑因素。本实施例的关键在于，以目标路段相连的第一路段、相近的第二路段以及第三路段的点特征，以及目标路段与各路段之间的边特征作为考虑因素，来预测得到目标路段的路况信息。
在一些实施例中，第二路段的中点、第三路段的中点分别与目标路段的中点之间的距离小于预设值。
也就是说，根据路段的中点之间的距离来确定路段是否相近。第二路段的中点与目标路段的中点之间的距离小于预设值时，表明第二路段与目标路段为相近路段；类似地，第三路段的中点与目标路段的中点之间的距离小于预设值时，表明第三路段与目标路段为相近路段。
在一些实施例中，点特征包括静态点特征和动态点特征，静态点特征包括路段长度、路段宽度以及限速值中的至少一个，动态点特征包括路段上的行驶速度。
具体地，第一点特征包括静态点特征和动态点特征，静态点特征包括目标路段的长度、宽度以及限速值中的至少一个，动态点特征包括目标路段上的行驶速度；类似地，第二点特征包括静态点特征和动态点特征，静态点特征包括其它路段的长度、宽度以及限速值中的至少一个，动态点特征包括其它路段上的行驶速度。其中，该行驶速度可以为平均行驶速度。
在一些实施例中，边特征包括静态边特征和动态边特征，静态边特征包括目标路段与其它路段之间的夹角和/或距离，动态边特征包括目标路段与第一路段连接处的车流量、目标路段和第二路段上的行驶速度之差、目标路段和第三路段上的行驶速度之差中的至少一个。
首先，对静态边特征进行说明：
针对目标路段与其它路段之间的夹角，不同的角度隐含着不同的信息，例如，角度越小，路段之间的路况可能越相似，参照图4中的目标路段R1和第二路段R3’，这两个路段方向基本相同，例如，都是从东到西。在一种可能的应用中，在上班高峰期，当第二路段R3上的交通拥堵时，目标路段R1上也有可能交通拥堵。同样地，参照图4中的目标路段R1和第一路段R2，夹角越大，表明目标路段R1和第一路段R2越趋近于直行，则当第一路段R2上的交通拥堵时，目标路段R1上也有可能交通拥堵。
针对目标路段与其它路段之间的距离，当距离越小时，路段间的路况越相似，距离越大，路段间的路况越不相似。
然后，对动态边特征进行说明：
针对目标路与第一路段连接处的车流量，参照图4中的目标路段R1和第一路段R2，当目标路段R1和第一路段R2连接处的车流量越大时，表明这两条路段关联紧密，第一路段R2上的路况会直接影响目标路段R1上的路况，两条路段的路况相似。
针对目标路段和第二路段上的行驶速度差，行驶速度差越小，表明第二路段的路况和目标路段的路况相似，行驶速度差越大，表明第二路况的路况和目标路段的路况不相似。同样地，目标路段与第三路段上的行驶速度差参见上述描述，在此不再赘述。
在上述实施例的基础上，当前路网信息包括K个当前时段中每个当前时段对应的当前路网信息，其中，K为大于0的整数。下面结合一个具体实施例对本申请提供的路况预测方法进行详细说明。
图5示出了本申请实施例提供的路况预测方法的流程示意图二，如图5所示，该路况预测方法包括如下步骤：
S21、获取当前时段内目标路段的当前路网信息。
步骤S21的实现过程和步骤S11类似，在此不再赘述。
S22、在第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征。
当前路网信息包括K个当前时段中每个当前时段对应的当前路网信息，路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层，在第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征。也就是说，将时间维度上相邻的特征卷在一起。
其中，路况预测模型是对初始路况预测模型训练得到的，本实施例中的L、M、K的取值和路况预测模型训练过程中的取值是相同的，在应用过程中，L、M、K是已知的。
S23、在空间卷积层，对于目标路段对应的每个边类型，将边类型对应的M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征以及M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征。
在空间卷积层进行非时间维度上的聚合，以图2所示的目标路段为R1为例，目标路段R1对应的边类型分别记作为：R1→R2、R1→R3、R3’→R1，则针对R1→R2，将M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征、M个第三卷积特征中的第i个第三卷积特征进行聚合，其中，这里的M个第二卷积特征为R2对应的第二点特征的卷积特征，M个第三卷积特征为R1和R2之间的边特征的卷积特征。i为小于或者等于M的正整数。
然后根据这三个聚合特征再进一次聚合得到空间聚合特征。例如，第一次聚合得到的三个特征均为8维向量，则对这三个8维向量进行聚合得到1个8维向量，也就是空间聚合特征。
在一些实施例中，空间卷积层包括L层网络，L是大于0的整数，在实际应用中，L可以取2或者3。
其中，步骤S23还可以包括如下步骤：
A1、在L层网络中的第一层网络，对于边类型，将第i个第一卷积特征、第i个第二卷积特征以及第i个第三卷积特征进行拼接，得到边类型的拼接特征。
A2、根据预设维度对目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到目标路段的第一聚合特征。
A3、获取其它路段的第一聚合特征，以及根据目标路段的第一聚合特征和其它路段的第一聚合特征，获取目标路段与其它路段之间的第一边聚合特征。
A4、在L层网络中的第二层网络，对目标路段的第一聚合特征、其它路段的第一聚合特征以及第一边聚合特征进行处理，得到目标路段的第二聚合特征、其它路段的第二聚合特征、以及目标路段与其它路段之间的第二边聚合特征，重复本步骤，直至遍历完L层网络，得到目标路段的第L聚合特征和其它路段的第L聚合特征。
A5、将目标路段的第L聚合特征和其它路段的第L聚合特征，确定为空间聚合特征。
其中，A1-A5的实现过程可以参见图9实施例，在此不再赘述。
S24、在第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征。
S25、根据最终卷积特征，得到预设时段内目标路段的路况信息。
在第二时间卷积层，在时间维度上，根据卷积窗口M，将M个空间聚合特征进行卷积操作得到最终卷积特征，然后根据最终卷积特征获取预设时段内目标路段的路况信息。
其中，步骤S22-S25的实现过程和路况预测模型训练方法中的步骤S41-S44类似，详细可参见步骤S41-S44的相关描述。
本实施例提供的路况预测方法，包括：获取当前时段内目标路段的当前路网信息，在第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征，在空间卷积层，对于目标路段对应的每个边类型，将边类型对应的M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征以及M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征，在第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征，根据最终卷积特征，得到预设时段内目标路段的路况信息。通过路况预测模型预测出预设时段内目标路段的路况信息，从而提高了路况预测的准确度，有效地减少了交通拥堵。
本申请还提供了一种路况预测模型训练方法，下面结合以下实施例进行具体说明。
图6示出了本申请实施例提供的路况预测模型训练方法的流程示意图一，如图6所示，该路况预测模型训练方法包括如下步骤：
S31、获取历史时段内目标路段的历史路网信息。
S32、根据历史路网信息，采用初始路况预测模型训练获取路况预测模型。
历史路网信息包括：历史时段的下一时段内目标路段的实际路况信息、历史时段内目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及目标路段与其它路段之间的边特征，第一点特征用于指示目标路段的路况信息，边特征用于指示目标路段与其它路段之间的路段关系。
关于历史时段内目标路段的第一点特征、历史时段内其它路段的第二点特征，以及与历史时段内目标路段与其它路段之间的边特征的相关描述，可以参考图3实施例，在此不再赘述。
在本实施例中，将历史时段的下一时段内目标路段的实际路况信息作为初始路况预测模型的输出，将历史时段内目标路段的第一点特征、历史时段内其它路段的第二点特征，以及与历史时段内目标路段与其它路段之间的边特征作为初始路况预测模型的输入，对初始路况预测模型进行训练，以得到路况预测模型。
本实施例提供的路况预测模型训练方法，包括：获取历史时段内目标路段的历史路网信息，历史路网信息包括：历史时段的下一时段内目标路段的实际路况信息、历史时段内目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及目标路段与其它路段之间的边特征，第一点特征用于指示目标路段的路况信息，边特征用于指示目标路段与其它路段之间的路段关系，根据历史路网信息，采用初始路况预测模型训练获取路况预测模型。通过历史路网信息训练得到路况预测模型，从而提高了路况预测的准确度。
在一些实施例中，满足预设条件的其它路段包括以下路段中的至少一种类型：与目标路相连通的第一路段、与目标路段的距离小于预设值的第二路段以及第三路段，其中，第二路段与第三路段为同一道路中方向相反的路段。
在一些实施例中，第二路段的中点、第三路段的中点分别与目标路段的中点之间的距离小于预设值。
在一些实施例中，初始路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层。下面结合图7、图8实施例对路况预测模型的具体实现进行说明，图7示出了本申请实施例提供的路况预测模型训练方法的流程示意图二，图8示出了本申请实施例提供的初始路况预测模型的示意图。
如图7所示，该路况预测模型训练方法包括如下步骤：
S41、在第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征。
参照图8，初始路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层，在第一时间卷积层，根据卷积窗口N，对K个第一点特征进行时间维度上的卷积操作得到M个第一卷积特征，类似地，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征。也就是说，将时间维度上，将相邻时间片上的信息卷在一起。
以图2所示的目标路段为R1为例，在第一时间卷积层，对K个第一点特征进行卷积操作得到M个第一卷积特征，K个第一点特征分别记作T1、T2、T3、T4，M个第一卷积特征记作T1*T2、T2*T3、T3*T4，也可记作T12、T23、T34，其中，M等于3、K等于4、N等于2。
类似地，K个第二点特征分别记作T5、T6、T7、T8，对K个第二点特征进行卷积操作，得到M个第二卷积特征，分别记作为T56、T67、T78；K个边特征分别记作e1、e2、e3、e4，对K个边特征进行卷积操作，得到M个第三卷积特征，分别记作e12、e23、e34。
需要说明的是，M、N、K的取值可以根据实际情况选取，本实施例对此不做限定。
S42、在空间卷积层，对于目标路段对应的每个边类型，将边类型对应的M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征以及M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征。
其中，边类型和边特征对应，边类型可以表示为图2所示的路段之间的线条。以图2所示的目标路段为R1为例，目标路段R1对应的边类型分别记作为：R1→R2、R1→R3、R3’→R1，则针对R1→R2，将M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征、M个第三卷积特征中的第i个第三卷积特征进行聚合，其中，这里的M个第二卷积特征为R2对应的第二点特征的卷积特征，M个第三卷积特征为R1和R2之间的边特征的卷积特征。i为小于或者等于M的正整数。
针对R1→R3，将M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征、M个第三卷积特征中的第i个第三卷积特征进行聚合，其中，这里的M个第二卷积特征为R3对应第二点特征的卷积特征，M个第三卷积特征为R1和R3之间的边特征的卷积特征。
针对R1→R2，将M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征、M个第三卷积特征中的第i个第三卷积特征进行聚合，其中，这里的M个第二卷积特征为R3’对应的第二点特征的卷积特征。
然后根据这三个聚合特征再进一次聚合得到空间聚合特征。例如，第一次聚合得到的三个特征均为8维向量，则对这三个8维向量进行聚合得到1个8维向量，也就是空间聚合特征。
S43、在第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征。
通过上述方式可以得到每个时间维度上的空间聚合特征，对第i个第一卷积特征、第i个第二卷积特征、第i个第三卷积特征进行聚合得到空间聚合特征，i为小于或者等于M的正整数，则得到M个空间聚合特征，在第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征。
如图8所示，第一时间卷积层的输入分别记作：T1、T2、T3、T4、T5、T6、T7、T8、e1、e2、e3、e4，第一时间卷积层的输出分别记作：T12、T23、T34、T56、T67、T78、e12、e23、e34，第一时间卷积层的输出作为空间卷积层的输入，空间卷积层的输出分别记作：h1、h2...hM,对h1、h2...hM进行时间维度上的聚合，得到最终卷积特征h。
S44、根据最终卷积特征，获取路况预测结果。
S45、根据路况预测结果，对初始路况预测模型进行训练，得到路况预测模型。
具体地，卷积特征和路况预测结果具有对应关系，根据得到的最终卷积特征可以获取路况预测结果，然后根据路况预测结果，对初始路况预测模型进行训练得到路况预测模型。
其中，可以采用梯度下降的方法，对初始路况预测模型进行训练，直到预设路况信息和实际路况信息之间的误差趋近固定值，也就是损失函数趋近于固定值，也就是损失函数收敛，从而得到路况预测模型。
在一些实施例中，点特征包括静态点特征和动态点特征，静态点特征包括路段长度、路段宽度以及限速值中的至少一个，动态点特征包括路段上的行驶速度。
在一些实施例中，边特征包括静态边特征和动态边特征，静态边特征包括目标路段与其它路段之间的夹角和/或距离，动态边特征包括目标路段与第一路段连接处的车流量、目标路段和第二路段上的行驶速度之差、目标路段和第三路段上的行驶速度之差中的至少一个。
关于上述特征的相关描述，可以参见前述介绍，在此不再赘述。
其中，第一点特征包括静态点特征和动态点特征，第一点特征为静态点特征和动态点特征拼接得到的。
本实施例提供的路况预测模型训练方法，包括：在第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征，在空间卷积层，对于目标路段对应的每个边类型，将边类型对应的M个第一卷积特征中的第i个第一卷积特征、M个第二卷积特征中的第i个第二卷积特征以及M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征，在第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征，根据最终卷积特征，获取路况预测结果，根据路况预测结果，对初始路况预测模型进行训练，得到路况预测模型。通过历史路网信息训练得到路况预测模型，提高了路况预测的准确度。
在一些实施例中，空间卷积层包括L层网络，L是大于0的整数，在实际应用中，L可以取2或者3。
步骤S42具体包括图9所示的步骤。图9示出了本申请实施例提供的路况预测模型训练方法的流程示意图三，图10示出了本申请实施例提供的空间卷积层的示意图。
如图9所示，该路况预测模型训练方法包括如下步骤：
S51、在L层网络中的第一层网络，对于边类型，将第i个第一卷积特征、第i个第二卷积特征以及第i个第三卷积特征进行拼接，得到边类型的拼接特征。
以上述示例来说，目标路段R1对应的边类型分别记作为：R1→R2、R1→R3、R3’→R1，则针对R1→R2，针对R1→R2，将该边类型对应的第i个第一卷积特征、第i个第二卷积特征以及第i个第二卷积特征进行拼接，得到边类型R1→R2的拼接特征。
也就是说，在同一时间维度上，将T12、T56、e12进行拼接得到拼接特征、将T23、T67、e23进行拼接得到拼接特征、将T34、T78、e34进行拼接得到拼接特征，也即得到M个拼接特征，这里的M等于3。
按照上述方式可以得到目标路段的每个边类型的M个拼接特征。
S52、根据预设维度对目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到目标路段的第一聚合特征。
针对每个边类型对应的每个拼接特征而言，拼接特征的维度可以为第i个第一卷积特征的维度、第i个第二卷积特征以及第i个第三卷积特征的维度之和，例如可以为5、5、3的和值。
为降低计算量，还可以根据预设维度对目标路段对应的多个边类型的多个拼接特征进行降维操作，例如，边类型R1→R2、R1→R3、R3’→R1对应的维度均为13维，预设维度为8维，则可以学习一个映射函数fe(也可以采用全连接层)，将拼接特征由13维映射为8维。
例如，对于R1和R2之间的边类型R1→R2，拼接特征表示为：
Msg(R1,e,R2)＝fe(R1,e,R2)
其中，Msg(R1,e,R2)表示将维后的拼接特征，R1,e,R2表示拼接特征。
然后，对降维后的多个拼接特征进行聚合操作，得到目标路段的第一聚合特征，例如，对目标路段R1的三个边类型对应的三个拼接特征进行聚合操作，将三个8维的拼接特征聚合为1个8维拼接特征，也即目标路段的第一聚合特征。
在一些实施例中，对降维后的多个拼接特征进行聚合操作，得到目标路段的第一聚合特征，包括：对降维后的多个拼接特征进行求平均操作，得到目标路段的第一聚合特征。
在一些实施例中，对降维后的多个拼接特征进行聚合操作，得到目标路段的第一聚合特征，包括：对降维后的多个拼接特征进行加权操作，得到目标路段的第一聚合特征。
具体地，针对目标路段的三个边类型R1→R2、R1→R3、R3’→R1，每个边类型对应的拼接特征为8维，则将三个8维的拼接特征进行求平均操作，或者按照预设加权算法进行加权操作，得到一个8维的第一聚合特征。
S53、获取其它路段的第一聚合特征，以及根据目标路段的第一聚合特征和其它路段的第一聚合特征，获取目标路段与其它路段之间的第一边聚合特征。
其中，目标路段与其它路段之间的第一边聚合特征可以为目标路段与其它路段之间的边类型对应的聚合特征。例如可以为R1→R2对应的聚合特征。
其中，目标路段R1的其它路段可以为R2、R3、R3’，可以按照目标路段的第一聚合特征的获取方式，获取其它路段的第一聚合特征，然后根据目标路段的第一聚合特征和其它路段的第一聚合特征，获取目标路段与其它路段之间的第一边聚合特征。
在一些实施例中，根据目标路段的第一聚合特征和其它路段的第一聚合特征，获取目标路段与其它路段之间的第一边聚合特征，包括：对目标路段的第一聚合特征和其它路段的第一聚合特征进行求平均操作，获取所述目标路段与其它路段之间的第一边聚合特征。
其中，第一边聚合特征可以通过对目标路段的第一聚合特征和其它路段的第一聚合特征的平均操作得到，以边类型R1→R2为例，R1和R2之间的第一边聚合特征可以为R1的第一聚合特征和R2的第一聚合特征的平均值。
当然，第一边聚合特征也可以通过对目标路段的第一聚合特征和其它路段的第一聚合特征的加权操作，本实施例对第一边聚合特征的获取方式不做限定。
S54、在L层网络中的第二层网络，对目标路段的第一聚合特征、其它路段的第一聚合特征以及第一边聚合特征进行处理，得到目标路段的第二聚合特征、其它路段的第二聚合特征、以及目标路段与其它路段之间的第二边聚合特征，重复本步骤，直至遍历完L层网络，得到目标路段的第L聚合特征和其它路段的第L聚合特征。
S55、将目标路段的第L聚合特征和其它路段的第L聚合特征，确定为空间聚合特征。
在L层网络中的第二层网络，将目标路段的第一聚合特征、其它路段的第一聚合特征以及第一边聚合特征输入到第二层网络，按照与第一层网络类似的处理，包括拼接、将维以及聚合，得到目标路段的第二聚合特征、其它路段的第二聚合特征、以及目标路段与其它路段之间的第二边聚合特征，重复本步骤，直至遍历完L层网络，得到目标路段的第L聚合特征以及其它路段的第L聚合特征。
然后，将经过L网络得到的目标路段的第L聚合特征、其它路段的第L聚合特征确定为空间聚合特征。
参照图10，在图8的基础上，空间卷积层包括L层网络，第一层网络的输入为第一卷积特征、第二卷积特征以及第三卷积特征，分别记作：h0、h′0、he0，第一层网络的输出为目标路段的第一聚合特征、其它路段的第一聚合特征以及第一边聚合特征，分别记作：h1、h′1、he1，将h1、h′1、he1作为第二层网络的输入，第二层网络的输出为目标路段的第二聚合特征、其它路段的第二聚合特征以及第二边聚合特征，重复本步骤，第L层网络的输入为目标路段的第L-1聚合特征、其它路段的第二聚合特征以及第L-1边聚合特征，分别记作：hL-1、h′L-1、heL-1，第L层网络的输出为目标路段的第L聚合特征、其它路段的第L聚合特征以及第L边聚合特征，分别记作：hL、h′L、heL。
本实施例中以目标路段的第L聚合特征、其它路段的第L聚合特征，即hL、h′L作为空间聚合特征，根据上述方式可以得到M个空间聚合特征，然后可以执行步骤S44-S45，具体参见图7实施例的相关描述。
本实施例提供的路况预测模型训练方法，包括：在L层网络中的第一层网络，对于边类型，将第i个第一卷积特征、第i个第二卷积特征以及第i个第三卷积特征进行拼接，得到边类型的拼接特征，根据预设维度对目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到目标路段的第一聚合特征，获取其它路段的第一聚合特征，以及根据目标路段的第一聚合特征和其它路段的第一聚合特征，获取目标路段与其它路段之间的第一边聚合特征，在L层网络中的第二层网络，对目标路段的第一聚合特征、其它路段的第一聚合特征以及第一边聚合特征进行处理，得到目标路段的第二聚合特征、其它路段的第二聚合特征、以及目标路段与其它路段之间的第二边聚合特征，重复本步骤，直至遍历完L层网络，得到目标路段的第L聚合特征和其它路段的第L聚合特征，将目标路段的第L聚合特征和其它路段的第L聚合特征，确定为空间聚合特征。根据空间卷积层中各个层网络的处理，得到了空间聚合特征，考虑到路段的聚合特征以及路段之间的边的聚合特征，提高了路况预测的准确度。
图11是示出本申请实施例提供的路况预测装置的结构示意图，如图11所示，路况预测装置60包括：
获取模块61，用于获取当前时段内目标路段的当前路网信息，所述当前路网信息包括：所述当前时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
处理模块62，用于根据预先训练的路况预测模型，对所述当前路网信息进行处理，得到预设时段内所述目标路段的路况信息；其中，所述路况预测模型是根据历史时段内所述目标路段的历史路网信息进行训练得到的，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、所述其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征。
在一些实施例中，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
在一些实施例中，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
在一些实施例中，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
在一些实施例中，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
在一些实施例中，所述当前路网信息包括K个所述当前时段中每个所述当前时段对应的当前路网信息，其中，K为大于0的整数。
本实施例提供的路况预测装置，其实现原理和技术效果与上述路况预测方法类似，在此不再赘述。
图12是示出本申请实施例提供的路况预测模型训练装置的结构示意图，如图12所示，路况预测模型训练装置70包括：
获取模块71，用于获取历史时段内目标路段的历史路网信息，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
训练模块72，用于根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型。
在一些实施例中，所述初始路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层，所述训练模块72，具体用于：
在所述第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征；
在所述空间卷积层，对于所述目标路段对应的每个边类型，将所述边类型对应的所述M个第一卷积特征中的第i个第一卷积特征、所述M个第二卷积特征中的第i个第二卷积特征以及所述M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征；i为小于或者等于M的正整数；
在所述第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征；
根据所述最终卷积特征，获取路况预测结果；
根据所述路况预测结果，对所述初始路况预测模型进行训练，得到所述路况预测模型。
在一些实施例中，所述空间卷积层包括L层网络，L为大于0的整数，所述训练模块72，具体用于：
在所述L层网络中的第一层网络，对于所述边类型，所述第i个第一卷积特征、所述第i个第二卷积特征以及所述第i个第三卷积特征进行拼接，得到所述边类型的拼接特征；
根据预设维度对所述目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征；
获取所述其它路段的第一聚合特征，以及根据所述目标路段的第一聚合特征和所述其它路段的第一聚合特征，获取所述目标路段与所述其它路段之间的第一边聚合特征；
在所述L层网络中的第二层网络，对所述目标路段的第一聚合特征、所述其它路段的第一聚合特征以及所述第一边聚合特征进行处理，得到所述目标路段的第二聚合特征、所述其它路段的第二聚合特征、以及所述目标路段与所述其它路段之间的第二边聚合特征，重复本步骤，直至遍历完所述L层网络，得到所述目标路段的第L聚合特征和所述其它路段的第L聚合特征；
将所述目标路段的第L聚合特征和所述其它路段的第L聚合特征，确定为所述空间聚合特征。
在一些实施例中，所述训练模块72，具体用于：
对降维后的多个拼接特征进行求平均操作，得到所述目标路段的第一聚合特征。
在一些实施例中，所述训练模块72，具体用于：
对降维后的多个拼接特征进行加权操作，得到所述目标路段的第一聚合特征。
在一些实施例中，所述训练模块72，具体用于：
对所述目标路段的第一聚合特征和所述其它路段的第一聚合特征进行求平均操作，获取所述目标路段与所述其它路段之间的第一边聚合特征。
在一些实施例中，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
在一些实施例中，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
在一些实施例中，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
在一些实施例中，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
本实施例提供的路况预测模型训练装置，其实现原理和技术效果与上述路况预测模型训练方法类似，在此不再赘述。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等，或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接，或其任意组合。两个或更多个模块可以组合为单个模块，并且任何一个模块可以分成两个或更多个单元。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，上述描述的系统和装置的具体工作过程，可以参考方法实施例中的对应过程，本申请中不再赘述。在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
需要说明的是，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(Digital Singnal Processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(Central Processing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
图13示出了本申请实施例提供的路况预测设备的结构示意图，如图13所示，该路况预测设备80包括：处理器81、存储器82和总线83，所述存储器82存储有所述处理器81可执行的机器可读指令，当路况预测设备80运行时，所述处理器81与所述存储器82之间通过总线83通信，所述处理器81执行所述机器可读指令，以执行如上述方法实施例中的路况预测方法。具体实现方式和技术效果类似，这里不再赘述。
图14示出了本申请实施例提供的路况预测模型训练设备的结构示意图，如图14所示，该路况预测模型训练设备90包括：处理器91、存储器92和总线93，所述存储器92存储有所述处理器91可执行的机器可读指令，当路况预测模型训练设备90运行时，所述处理器91与所述存储器92之间通过总线93通信，所述处理器91执行所述机器可读指令，以执行如上述方法实施例中的路况预测模型训练方法。具体实现方式和技术效果类似，这里不再赘述。
可选地，本申请还提供一种程序产品，例如计算机可读存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (17)

1.一种路况预测方法，其特征在于，包括：
获取当前时段内目标路段的当前路网信息，所述当前路网信息包括：所述当前时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
根据预先训练的路况预测模型，对所述当前路网信息进行处理，得到预设时段内所述目标路段的路况信息；其中，所述路况预测模型是根据历史时段内所述目标路段的历史路网信息进行训练得到的，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、所述其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征。
2.根据权利要求1所述的方法，其特征在于，所述满足预设条件的其它路段包括以下路段中的至少一种类型：
与所述目标路段相连通的第一路段、与所述目标路段的距离小于预设值的第二路段以及第三路段，其中，所述第二路段与所述第三路段为同一道路中方向相反的路段。
3.根据权利要求2所述的方法，其特征在于，所述第二路段的中点、所述第三路段的中点分别与所述目标路段的中点之间的距离小于所述预设值。
4.根据权利要求1所述的方法，其特征在于，点特征包括静态点特征和动态点特征，所述静态点特征包括路段长度、路段宽度以及限速值中的至少一个，所述动态点特征包括路段上的行驶速度。
5.根据权利要求2所述的方法，其特征在于，所述边特征包括静态边特征和动态边特征，所述静态边特征包括所述目标路段与所述其它路段之间的夹角和/或距离，所述动态边特征包括所述目标路段与所述第一路段连接处的车流量、所述目标路段和所述第二路段上的行驶速度之差、所述目标路段和所述第三路段上的行驶速度之差中的至少一个。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述当前路网信息包括K个所述当前时段中每个所述当前时段对应的当前路网信息，其中，K为大于0的整数。
7.一种路况预测模型训练方法，其特征在于，包括：
获取历史时段内目标路段的历史路网信息，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型。
8.根据权利要求7所述的方法，其特征在于，所述初始路况预测模型包括第一时间卷积层、空间卷积层以及第二时间卷积层，所述历史路网信息包括K个所述历史时段中每个所述历史时段对应的历史路网信息，所述根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型，包括：
在所述第一时间卷积层，根据卷积窗口N，对K个第一点特征进行卷积操作得到M个第一卷积特征，对K个第二点特征进行卷积操作得到M个第二卷积特征，以及对K个边特征进行卷积操作得到M个第三卷积特征；
在所述空间卷积层，对于所述目标路段对应的每个边类型，将所述边类型对应的所述M个第一卷积特征中的第i个第一卷积特征、所述M个第二卷积特征中的第i个第二卷积特征以及所述M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征；i为小于或者等于M的正整数；
在所述第二时间卷积层，根据卷积窗口M，对M个空间聚合特征进行卷积操作，得到最终卷积特征；
根据所述最终卷积特征，获取路况预测结果；
根据所述路况预测结果，对所述初始路况预测模型进行训练，得到所述路况预测模型。
9.根据权利要求8所述的方法，其特征在于，所述空间卷积层包括L层网络，L为大于0的整数；所述在所述空间卷积层，对于所述目标路段对应的每个边类型，将所述边类型对应的所述M个第一卷积特征中的第i个第一卷积特征、所述M个第二卷积特征中的第i个第二卷积特征以及所述M个第三卷积特征中的第i个第三卷积特征进行聚合操作，得到空间聚合特征，包括：
在所述L层网络中的第一层网络，对于所述边类型，将所述第i个第一卷积特征、所述第i个第二卷积特征以及所述第i个第三卷积特征进行拼接，得到所述边类型的拼接特征；
根据预设维度对所述目标路段对应的多个边类型的多个拼接特征进行降维操作，以及对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征；
获取所述其它路段的第一聚合特征，以及根据所述目标路段的第一聚合特征和所述其它路段的第一聚合特征，获取所述目标路段与所述其它路段之间的第一边聚合特征；
在所述L层网络中的第二层网络，对所述目标路段的第一聚合特征、所述其它路段的第一聚合特征以及所述第一边聚合特征进行处理，得到所述目标路段的第二聚合特征、所述其它路段的第二聚合特征、以及所述目标路段与所述其它路段之间的第二边聚合特征，重复本步骤，直至遍历完所述L层网络，得到所述目标路段的第L聚合特征和所述其它路段的第L聚合特征；
将所述目标路段的第L聚合特征和所述其它路段的第L聚合特征，确定为所述空间聚合特征。
10.根据权利要求9所述的方法，其特征在于，所述对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征，包括：
对降维后的多个拼接特征进行求平均操作，得到所述目标路段的第一聚合特征。
11.根据权利要求9所述的方法，其特征在于，所述对降维后的多个拼接特征进行聚合操作，得到所述目标路段的第一聚合特征，包括：
对降维后的多个拼接特征进行加权操作，得到所述目标路段的第一聚合特征。
12.根据权利要求9所述的方法，其特征在于，所述根据所述目标路段的第一聚合特征和所述其它路段的第一聚合特征，获取所述目标路段与所述其它路段之间的第一边聚合特征，包括：
对所述目标路段的第一聚合特征和所述其它路段的第一聚合特征进行求平均操作，获取所述目标路段与所述其它路段之间的第一边聚合特征。
13.一种路况预测装置，其特征在于，包括：
获取模块，用于获取当前时段内目标路段的当前路网信息，所述当前路网信息包括：所述当前时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
处理模块，用于根据预先训练的路况预测模型，对所述当前路网信息进行处理，得到预设时段内所述目标路段的路况信息；其中，所述路况预测模型是根据历史时段内所述目标路段的历史路网信息进行训练得到的，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、所述其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征。
14.一种路况预测模型训练装置，其特征在于，包括：
获取模块，用于获取历史时段内目标路段的历史路网信息，所述历史路网信息包括：所述历史时段的下一时段内所述目标路段的实际路况信息、所述历史时段内所述目标路段的第一点特征、满足预设条件的其它路段的第二点特征，以及所述目标路段与所述其它路段之间的边特征，所述第一点特征用于指示所述目标路段的路况信息，所述边特征用于指示所述目标路段与所述其它路段之间的路段关系；
处理模块，用于根据所述历史路网信息，采用初始路况预测模型训练获取路况预测模型。
15.一种路况预测设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当路况预测设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求1至6任一所述的路况预测方法。
16.一种路况预测模型训练设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当路况预测模型训练设备运行时，所述处理器与所述存储器之间通过总线通信，所述处理器执行所述机器可读指令，以执行如权利要求7至12任一所述的路况预测模型训练方法。
17.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至6任一所述的路况预测方法，或权利要求7-12任一所述的路况预测模型训练方法。
CN202010665184.9A 2020-07-10 2020-07-10 路况预测方法、路况预测模型训练方法、装置及存储介质 Active CN111833605B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010665184.9A CN111833605B (zh) 2020-07-10 2020-07-10 路况预测方法、路况预测模型训练方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010665184.9A CN111833605B (zh) 2020-07-10 2020-07-10 路况预测方法、路况预测模型训练方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN111833605A true CN111833605A (zh) 2020-10-27
CN111833605B CN111833605B (zh) 2022-04-26

Family

ID=72899846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010665184.9A Active CN111833605B (zh) 2020-07-10 2020-07-10 路况预测方法、路况预测模型训练方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111833605B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529254A (zh) * 2020-11-19 2021-03-19 歌尔股份有限公司 一种路径规划方法、装置和电子设备
CN112651550A (zh) * 2020-12-21 2021-04-13 北京世纪高通科技有限公司 一种路况预测方法、装置及可读存储介质
CN112907958A (zh) * 2021-01-29 2021-06-04 北京百度网讯科技有限公司 路况信息确定方法、装置、电子设备以及可读介质

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140051047A1 (en) * 2010-06-07 2014-02-20 Affectiva, Inc. Sporadic collection of mobile affect data
CN104616498A (zh) * 2015-02-02 2015-05-13 同济大学 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法
CN106447119A (zh) * 2016-10-11 2017-02-22 济南观澜数据技术有限公司 一种基于卷积神经网络的短期交通流量预测方法及系统
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN107038478A (zh) * 2017-04-20 2017-08-11 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN107180530A (zh) * 2017-05-22 2017-09-19 北京航空航天大学 一种基于深度时空卷积循环网络的路网状态预测方法
WO2018187632A1 (en) * 2017-04-05 2018-10-11 Carnegie Mellon University Deep learning methods for estimating density and/or flow of objects, and related methods and software
CN108830430A (zh) * 2018-08-01 2018-11-16 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法
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
CN109460855A (zh) * 2018-09-29 2019-03-12 中山大学 一种基于聚焦机制的群体流量预测模型及方法
KR101974495B1 (ko) * 2018-08-21 2019-05-03 한국과학기술정보연구원 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체
CN109887279A (zh) * 2019-02-26 2019-06-14 北京隆普智能科技有限公司 一种交通拥堵预测方法及系统
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法
CN110415516A (zh) * 2019-07-15 2019-11-05 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110674987A (zh) * 2019-09-23 2020-01-10 北京顺智信科技有限公司 一种交通流量预测系统、方法及模型训练方法
CN110675621A (zh) * 2019-05-23 2020-01-10 北京嘀嘀无限科技发展有限公司 预测交通信息的系统和方法
JP2020016997A (ja) * 2018-07-24 2020-01-30 富士通株式会社 データ生成方法、データ生成プログラムおよびデータ構造
CN110766942A (zh) * 2019-10-18 2020-02-07 北京大学 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140051047A1 (en) * 2010-06-07 2014-02-20 Affectiva, Inc. Sporadic collection of mobile affect data
CN104616498A (zh) * 2015-02-02 2015-05-13 同济大学 基于马尔可夫链和神经网络的交通拥挤状态组合预测方法
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
CN106447119A (zh) * 2016-10-11 2017-02-22 济南观澜数据技术有限公司 一种基于卷积神经网络的短期交通流量预测方法及系统
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
WO2018187632A1 (en) * 2017-04-05 2018-10-11 Carnegie Mellon University Deep learning methods for estimating density and/or flow of objects, and related methods and software
CN107038478A (zh) * 2017-04-20 2017-08-11 百度在线网络技术（北京）有限公司 路况预测方法及装置、计算机设备与可读介质
CN107180530A (zh) * 2017-05-22 2017-09-19 北京航空航天大学 一种基于深度时空卷积循环网络的路网状态预测方法
JP2020016997A (ja) * 2018-07-24 2020-01-30 富士通株式会社 データ生成方法、データ生成プログラムおよびデータ構造
CN108830430A (zh) * 2018-08-01 2018-11-16 苏州大学张家港工业技术研究院 用于交通流量预测的卷积神经网络多点回归预测模型
KR101974495B1 (ko) * 2018-08-21 2019-05-03 한국과학기술정보연구원 교통정보를 예측하는 장치, 교통정보를 예측하는 방법, 및 교통정보를 예측하는 프로그램을 저장하는 저장매체
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
CN109460855A (zh) * 2018-09-29 2019-03-12 中山大学 一种基于聚焦机制的群体流量预测模型及方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法
CN109887279A (zh) * 2019-02-26 2019-06-14 北京隆普智能科技有限公司 一种交通拥堵预测方法及系统
CN110675621A (zh) * 2019-05-23 2020-01-10 北京嘀嘀无限科技发展有限公司 预测交通信息的系统和方法
CN110415516A (zh) * 2019-07-15 2019-11-05 厦门大学 基于图卷积神经网络的城市交通流预测方法及介质
CN110414747A (zh) * 2019-08-08 2019-11-05 东北大学秦皇岛分校 一种基于深度学习的时空长短期城市人流量预测方法
CN110674987A (zh) * 2019-09-23 2020-01-10 北京顺智信科技有限公司 一种交通流量预测系统、方法及模型训练方法
CN110766942A (zh) * 2019-10-18 2020-02-07 北京大学 一种基于卷积长短期记忆网络的交通路网拥堵预测方法
CN111080029A (zh) * 2019-12-26 2020-04-28 山东大学 基于多路段时空相关的城市交通路段速度预测方法及系统
CN111210633A (zh) * 2020-02-09 2020-05-29 北京工业大学 一种基于深度学习的短时交通流预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王天明等: "卷积深度人工神经网络在城市交通流量预测中的应用", 《电脑编程技巧与维护》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529254A (zh) * 2020-11-19 2021-03-19 歌尔股份有限公司 一种路径规划方法、装置和电子设备
CN112651550A (zh) * 2020-12-21 2021-04-13 北京世纪高通科技有限公司 一种路况预测方法、装置及可读存储介质
CN112907958A (zh) * 2021-01-29 2021-06-04 北京百度网讯科技有限公司 路况信息确定方法、装置、电子设备以及可读介质

Also Published As

Publication number Publication date
CN111833605B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN111833605B (zh) 路况预测方法、路况预测模型训练方法、装置及存储介质
AU2019279920B2 (en) Method and system for estimating time of arrival
US20200049522A1 (en) Methods and systems for route planning
CN111476588B (zh) 订单需求预测方法、装置、电子设备及可读存储介质
US11151680B2 (en) Systems and methods for recommending transportation means
US10922778B2 (en) Systems and methods for determining an estimated time of arrival
US20180188049A1 (en) System and method for determining routes of transportation service
US20180101877A1 (en) Method and syetem for determining transport service fee
US20200050938A1 (en) Systems and methods for improvement of index prediction and model building
TW201903704A (zh) 用於推薦預估到達時間的系統和方法
CA3028479A1 (en) System and method for determining safety score of driver
WO2021012342A1 (en) Systems and methods for traffic prediction
JP6632723B2 (ja) サービスの順序列を更新するためのシステム及び方法
US20200141741A1 (en) Systems and methods for determining recommended information of a service request
JP2021506007A (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
US20200104889A1 (en) Systems and methods for price estimation using machine learning techniques
CN108573315A (zh) 一种提示信息确定方法、系统及计算机可读存储介质
US20200167812A1 (en) Systems and methods for determining a fee of a service request
CN111260164A (zh) 一种运力调度方法以及装置
CN111415024A (zh) 一种到达时间预估方法以及预估装置
CN111325986A (zh) 异常停车监测方法、装置、电子设备以及存储介质
CN111199440A (zh) 事件预估方法、装置以及电子设备
CN111260423B (zh) 订单分配方法、装置、电子设备及计算机可读存储介质
CN111222900A (zh) 信息推送方法、装置、电子设备及计算机存储介质
CN105448044B (zh) 一种确定司机疲劳状态的方法与设备

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