CN111860763A - 模型训练、参数预测方法和装置、电子设备及存储介质 - Google Patents

模型训练、参数预测方法和装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111860763A
CN111860763A CN202010508127.XA CN202010508127A CN111860763A CN 111860763 A CN111860763 A CN 111860763A CN 202010508127 A CN202010508127 A CN 202010508127A CN 111860763 A CN111860763 A CN 111860763A
Authority
CN
China
Prior art keywords
road
information
traffic parameter
parameter prediction
training
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.)
Pending
Application number
CN202010508127.XA
Other languages
English (en)
Inventor
方君
高睿鹏
谭乃强
孙付勇
马楠
朱家言
柴华
郭晓宇
谢迎凤
邢薇薇
卢苇
吴国斌
郄小虎
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 Jiaotong University
Beijing Didi Infinity Technology and Development Co Ltd
Original Assignee
Beijing Jiaotong University
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 Jiaotong University, Beijing Didi Infinity Technology and Development Co Ltd filed Critical Beijing Jiaotong University
Priority to CN202010508127.XA priority Critical patent/CN111860763A/zh
Publication of CN111860763A publication Critical patent/CN111860763A/zh
Pending legal-status Critical Current

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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供的模型训练、参数预测方法和装置、电子设备及存储介质，涉及深度学习技术领域。在本申请中，首先，获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且路网关系信息包括目标区域中每一路段与其它各路段之间的邻接关系信息。其次，对样本数据中的至少一种信息进行向量化处理得到训练数据。然后，基于训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，通行参数预测模型用于对目标区域中的目标路段进行预测处理，得到目标路段的通行参数。通过上述方法，可以改善现有的速度预测技术存在的预测精度较低的问题。

Description

模型训练、参数预测方法和装置、电子设备及存储介质
技术领域
本申请涉及深度学习技术领域，具体而言，涉及一种模型训练、参数预测方法和装置、电子设备及存储介质。
背景技术
随着深度学习技术的不断发展，其应用领域得到不断的发展，例如，可以通过进行深度学习得到预测模型，用于对道路通行参数进行预测，使得用户驾驶车辆出行的过程中，出行效率更高，从而提高驾车的体验。
但是，经本申请的发明人研究发现，在基于现有的预测模型进行通行参数预测时，存在着预测精度较低的问题。
发明内容
有鉴于此，本申请的目的在于提供一种模型训练、参数预测方法和装置、电子设备及存储介质，以改善现有的通行参数预测技术存在的预测精度较低的问题。
为实现上述目的，本申请实施例采用如下技术方案：
一种通行参数预测模型训练方法，包括：
获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；
对所述样本数据中的至少一种信息进行向量化处理得到训练数据；
基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练方法中，所述获得样本数据得步骤，包括：
针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系；
基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵，其中，该邻接矩阵具有所述目标区域中所有路段的路网关系信息。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练方法中，所述基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵的步骤，包括：
获得所述目标区域中的每一个路段的编号信息，其中，该编号信息与所述路段之间具有一一对应关系；
按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，以得到包括多行数据的邻接矩阵，其中，在该邻接矩阵中第M行第N列的数据表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练方法中，所述历史通行信息为历史速度信息，所述获得样本数据得步骤，包括：
获得每一条轨迹链路的链路长度和至少一个通行时间，其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成；
基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息，以得到所述目标区域中所有路段的历史速度信息。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练方法中，所述获得每一条轨迹链路的链路长度和至少一个通行时间的步骤，包括：
获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度；
针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练方法中，所述对所述样本数据中的至少一种信息进行向量化处理得到训练数据的步骤，包括：
基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列，其中，每一个路段序列包括至少一个路段；
基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练方法中，所述样本数据还包括多种历史属性信息，所述对所述样本数据中的至少一种信息进行向量化处理得到训练数据的步骤，包括：
基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量，其中，该多种历史属性信息包括星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息；
将所述多种属性向量进行级联处理，得到属性训练数据。
在上述基础上，本申请实施例还提供了一种通行参数预测方法，包括：
在目标区域中确定目标路段；
基于上述的通行参数预测模型训练方法训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。
本申请实施例还提供了一种通行参数预测模型训练装置，包括：
样本数据获得模块，用于获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；
训练数据获得模块，用于对所述样本数据中的至少一种信息进行向量化处理得到训练数据；
预测模型训练模块，用于基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练装置中，所述样本数据获得模块包括：
相邻关系确定子模块，用于针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系；
邻接矩阵形成子模块，用于基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵，其中，该邻接矩阵具有所述目标区域中所有路段的路网关系信息。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练装置中，所述邻接矩阵形成子模块包括：
编号信息获得单元，用于获得所述目标区域中的每一个路段的编号信息，其中，该编号信息与所述路段之间具有一一对应关系；
邻接矩阵形成单元，用于按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，以得到包括多行数据的邻接矩阵，其中，在该邻接矩阵中第M行第N列的数据表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练装置中，所述历史通行信息为历史速度信息，所述样本数据获得模块包括：
链路信息获得子模块，用于获得每一条轨迹链路的链路长度和至少一个通行时间，其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成；
速度信息计算子模块，用于基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息，以得到所述目标区域中所有路段的历史速度信息。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练装置中，所述链路信息获得子模块包括：
链路长度获得单元，用于获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度；
通行时间获得单元，用于针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练装置中，所述训练数据获得模块包括：
路段序列获得子模块，用于基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列，其中，每一个路段序列包括至少一个路段；
路段向量获得子模块，用于基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。
在本申请实施例较佳的选择中，在上述通行参数预测模型训练装置中，所述训练数据获得模块包括：
属性向量获得子模块，用于基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量，其中，该多种历史属性信息包括星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息；
属性向量级联子模块，用于将所述多种属性向量进行级联处理，得到属性训练数据。
在上述基础上，本申请实施例还提供了一种通行参数预测装置，包括：
目标路段确定模块，用于在目标区域中确定目标路段；
通行参数预测模块，用于基于上述的通行参数预测模型训练装置训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。
在上述基础上，本申请实施例还提供了一种电子设备，包括：
存储器，用于存储计算机程序；
与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现上述的通行参数预测模型训练方法，或上述的通行参数预测方法。
在上述基础上，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被执行时，实现上述的通行参数预测模型训练方法，或上述的通行参数预测方法。
本申请提供的模型训练、参数预测方法和装置、电子设备及存储介质，通过在获得样本数据时，获得包括目标区域中每一路段与其它各路段之间的邻接关系信息的路网关系信息，然后，基于该路网关系信息对神经网络模型进行训练，得到通行参数预测模型。如此，由于训练得到的通行参数预测模型结合了目标区域中每一路段与其它各路段之间的邻接关系信息，而不仅仅限于路段与相邻上下游路段之间的邻接关系信息，使得该通行参数预测模型能从目标区域整体的路网关系出发，对目标路段的通行参数进行预测，可以使得预测得到的通行参数能够更好地代表、反映真实的通行参数，即具有通行参数预测的精度较高的特点，从而改善现有的通行参数预测技术存在的预测精度较低的问题，实用价值较高，特别是在路网关系复杂(如路段多且交错程度深)的区域中应用时，具有显著的应用效果。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的通行参数预测模型训练方法包括的各步骤的流程示意图。
图3为图2中步骤S110包括的子步骤的流程示意图。
图4为本申请实施例提供的一种路网结构的路段关系示意图。
图5为图3中步骤S112包括的子步骤的流程示意图。
图6为本申请实施例提供的一种邻接矩阵的效果示意图。
图7为图2中步骤S110包括的其它子步骤的流程示意图。
图8为图7中步骤S113包括的子步骤的流程示意图。
图9为图2中步骤S120包括的子步骤的流程示意图。
图10为本申请实施例提供的路网结构与向量空间的映射关系示意图。
图11为图2中步骤S120包括的其它子步骤的流程示意图。
图12为本申请实施例提供的星期向量的向量分布示意图。
图13为本申请实施例提供的通行参数预测方法包括的各步骤的流程示意图。
图14为本申请实施例提供的通行参数预测模型训练装置包括的功能模块的方框示意图。
图15为本申请实施例提供的通行参数预测装置包括的功能模块的方框示意图。
图标：10-电子设备；12-存储器；14-处理器；100-通行参数预测模型训练装置；110-样本数据获得模块；120-训练数据获得模块；130-预测模型训练模块；200-通行参数预测装置；210-目标路段确定模块；220-通行参数预测模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本申请的一部分实施例，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。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，本申请实施例提供了一种电子设备10。其中，该电子设备10可以包括存储器12和处理器14。
详细地，所述存储器12和处理器14之间直接或间接地电性连接，以实现数据的传输或交互。例如，相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述存储器12中可以存储有至少一个可以以软件或固件(firmware)的形式，存在的软件功能模块。所述处理器14可以用于执行所述存储器12中存储的可执行的计算机程序，如前述的软件功能模块，从而实现本申请实施例(如后文所述)提供的通行参数预测模型训练方法，以得到通行参数预测模型，或实现本申请实施例(如后文所述)提供的通行参数预测方法，以得到目标路段的通行参数。
可选地，所述存储器12可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。
并且，所述处理器14可以是一种通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)、片上系统(System onChip，SoC)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，所述电子设备10可以是一种具有数据处理能力的服务器。
并且，图1所示的结构仅为示意，所述电子设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置，例如，还可以包括用于与其它设备进行信息交互的通信单元，如与其它数据库进行信息交互，以获得样本数据，或与终端设备进行信息交互，以确定目标路段。
结合图2，本申请实施例还提供一种可应用于上述电子设备10的通行参数预测模型训练方法。其中，所述通行参数预测模型训练方法有关的流程所定义的方法步骤，可以由所述电子设备10实现。下面将对图2所示的具体流程，进行详细阐述。
步骤S110，获得样本数据。
在本实施例中，在需要对神经网络模型进行训练，以得到可以对路段的通行参数进行预测的通行参数预测模型时，可以先获得样本数据。
其中，所述样本数据可以至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息可以包括该目标区域中每一路段与其它各路段之间的邻接关系信息。
步骤S120，对所述样本数据中的至少一种信息进行向量化处理得到训练数据。
在本实施例中，基于步骤S110获得所述样本数据之后，所述电子设备10可以对该样本数据中的至少一种信息进行向量化处理，以得到训练数据。也就是说，该训练数据中可以包括向量化的样本数据。
步骤S130，基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型。
在本实施例中，在基于步骤S120得到所述训练数据之后，所述电子设备10可以基于该训练数据对预先构建的神经网络模型进行训练，如此，可以得到通行参数预测模型。
其中，所述通行参数预测模型可以用于，对所述目标区域中的目标路段(所有路段中的任意路段)进行预测处理，得到该目标路段的通行参数。
基于上述方法，由于训练得到的通行参数预测模型结合了目标区域中每一路段与其它各路段之间的邻接关系信息，而不仅仅限于路段与相邻上下游路段之间的邻接关系信息，使得该通行参数预测模型能从目标区域整体的路网关系出发，对目标路段的通行参数进行预测，可以使得预测得到的通行参数能够更好地代表、反映真实的通行参数。
第一方面，对于步骤S110需要说明的是，获得所述样本数据的具体方式不受限制，可以根据实际应用需求进行选择，例如，基于获得的样本数据的具体内容不同，获得该样本数据的具体方式可以不同。
基于此，在第一种示例中，对于所述样本数据包括的路网关系信息，基于需求不同，获得该路网关系信息的具体方式也可以不同。
例如，在一种可以替代的示例中，可以针对所述目标区域中的每一个路段，分别形成对应的一个信息集，且在该信息集中包括该路段与其它所有路段之间是否具有相邻关系。
又例如，在另一种可以替代的示例中，为了使得所述电子设备10可以便于对所述路网关系信息进行后续的处理，结合图3，步骤S110可以包括步骤S111和步骤S112，具体内容如下所述。
步骤S111，针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系。
在本实施例中，在需要获得所述目标区域中所有路段的路网关系信息时，可以先针对该目标区域中的每一个路段，确定该路段与其它的每一个路段之间是否具有相邻关系。
步骤S112，基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵。
在本实施例中，在基于步骤S111确定是否具有所述相邻关系之后，可以基于确定的结果分别对每一个路段进行矩阵赋值处理，即具有相邻关系赋值为第一预设值，不具有相邻关系赋值为第二预设值(该第二预设值不同于该第一预设值)，从而形成邻接矩阵。
如此，使得所述邻接矩阵可以具有所述目标区域中所有路段的路网关系信息，从而得到所述目标区域中所有路段的路网关系信息，且通过矩阵的方式来表示该路网关系信息，可以使得电子设备10的处理效率更高。
可选地，执行步骤S111确定是否具有相邻关系的具体方式不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，可以基于两个路段是否可以形成一条连续的轨迹链路，以确定该两个路段是否具有相邻关系。如此，若两个路段之间可以形成一条连续的轨迹链路，可以确定该两个路段具有相邻关系；若两个路段之间不能够形成一条连续的轨迹链路。
详细地，在一种具体的应用示例中，结合图4，所述目标区域可以包括15个路段，其中，路段1与路段4和路段10，都具有相邻关系；路段2与路段3和路段12，都具有相邻关系；路段10与路段1、路段8、路段11和路段12，都具有相邻关系；路段9与路段10、路段7和路段14等，都不具有相邻关系；路段15与路段2和路段8等，都不具有相邻关系。
又例如，在另一种可以替代的示例中，也可以基于两个路段是否连接有至少一个相同的路口，以确定该两个路段是否具有相邻关系。如此，若两个路段连接有至少一个相同的路口，可以确定该两个路段具有相邻关系；若两个路段未连接有至少一个相同的路口(即两个路段两端连接有4个不同的路口)，可以确定该两个路段不具有相邻关系。
可选地，执行步骤S112以形成邻接矩阵的具体方式也不受限制，也可以基于实际应用需求进行选择。
例如，在一种可以替代的示例中，针对所述目标区域中的每一个路段，可以将该路段作为目标对象，然后，基于该目标对象与其它每一个路段之间是否具有相邻关系，进行赋值处理，以得到一列数据。如此，通过多个目标对象，可以得到多列数据。然后，基于多列数据的任意组合(即不限定顺序)，可以形成邻接矩阵。
又例如，在另一种可以替代的示例中，为了使得在对形成的邻接矩阵进行处理时，处理效率更高，结合图5，步骤S112可以包括步骤S112a和步骤S112b，具体内容如下所述。
步骤S112a，获得所述目标区域中的每一个路段的编号信息。
在本实施例中，在需要按照一定的先后顺序形成邻接矩阵时，可以先获得预先对所述目标区域中的每一个路段进行标识处理，形成的编号信息。
其中，所述编号信息与所述路段之间，具有一一对应关系。
步骤S112b，按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，得到包括多行数据的邻接矩阵。
在本实施例中，在基于步骤S112a获得所述编号信息之后，可以按照该编号信息形成的顺序(如编号信息之间形成的大小顺序等)，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，得到包括多行数据的邻接矩阵。
其中，在所述邻接矩阵中第M行第N列的数据可以表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。
并且，为了进一步提高电子设备10对邻接矩阵的处理效率，形成的邻接矩阵中数据的行数量与列数量可以是相同的。基于此，在该邻接矩阵中，第M行第M列的数据可以表示，编号信息为M的路段与自身之间是否具有相邻关系。其中，结合图6，在该邻接矩阵(6行6列数据)中，数据为1可以表示具有相邻关系，数据为0可以表示不具有相邻关系，且路段与自身之间认为不具有相邻关系。
详细地，以图6为例进行说明，第一行第一列的数据0表示，编号为1的路段与自身之间不具有相邻关系；第一行第二列的数据1表示，编号为1的路段与编号为2的路段之间具有相邻关系；第一行第六列数据1表示，编号为1的路段与编号为6的路段之间具有相邻关系；第六行第一列数据1表示，编号为6的路段与编号为1的路段之间具有相邻关系，第六行第三列数据0表示，编号为6的路段与编号为3的路段之间不具有相邻关系。
在第二种示例中，对于所述样本数据包括的历史通行信息，基于需求不同，获得该历史通行信息的具体方式也可以不同。
例如，在一种可以替代的示例中，可以直接获得所述目标区域中每一条轨迹链路的通行时间，然后，将该通行时间作为所述历史通行信息。如此，通过步骤S130训练得到的通行参数预测模型，实际上是一种通行时间预测模型，可以用于对目标路段的通行时间进行预测，如预测从目标位置到终点位置的通行时间。
又例如，在另一种可以替代的示例中，所述历史通行信息可以是历史速度信息，基于此，结合图7，步骤S110也可以包括步骤S113和步骤S114，具体内容如下所述。
步骤S113，获得每一条轨迹链路的链路长度和至少一个通行时间。
在本实施例中，在需要得到所述目标区域中所有路段的历史速度信息时，所述电子设备10可以先获得该目标区域中每一条轨迹链路的信息，如链路长度和通行时间(该通行时间可以为至少一个，其中，为多个时，可以是每一车辆每一次通过该轨迹链路的通行时间)。
其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成。也就是说，一条轨迹链路既可以包括一个路段，也可以包括两个及其以上数量的路段。
步骤S114，基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息。
在本实施例中，在基于步骤S113获得所述链路长度和所述通行时间之后，所述电子设备10可以基于该链路长度和该通行时间，计算出每一条轨迹链路的平均速度信息(对应的，该平均速度信息可以为至少一个，其中，为多个时，可以时每一车辆每一次通过该轨迹链路的平均速度信息，如车辆A第一次通过的平均速度信息、车辆B第一次通过的平均速度信息、车辆A第二次通过的平均速度信息)。
基于此，所述电子设备10可以得到所述目标区域中所有路段的历史速度信息，如此，在基于步骤S130对神经网络模型进行训练，得到的通行参数预测模型实际上可以是一种速度预测模型，可以用于对目标路段的通行速度进行预测。
可选地，执行步骤S113以获得所述链路长度和所述通行时间的具体方式不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，可以直接获得每一条轨迹链路包括的全部路段的总长度，并将该总长度作为该条轨迹链路的链路长度。
又例如，在另一种可以替代的示例中，经过本申请的发明人的长期研究发现，在大多数情况下，出行的车辆的起点位置和重点位置，实际上并不是某一个路段的起点和终点。如此，为了提高计算出的平均速度信息的准确度，使得训练得到的预测模型对通行速度具有较高的预测精度，结合图8，步骤S113可以包括步骤S113a和步骤S113b，具体内容如下所述。
步骤S113a，获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度。
在本实施例中，由于出行车辆的起点位置和重点位置，实际上并不一定是某一个路段的起点和终点，因而，可以先获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，然后，将该路段总长度作为该轨迹链路的链路长度。
步骤S113b，针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。
在本实施例中，由于出行车辆的起点位置和终点位置，实际上并不一定是某一个路段的起点和终点，因而，可以先针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，然后，将该通行总时长作为该轨迹链路的通行时间。
详细地，在一种具体的应用示例中，针对图4所示的路网结构，若一条轨迹链路一次为，路段1、路段10、路段8和路段9，其中，出行车辆的起点位置在路段1上、终点位置在路段9上。如此，可以将路段1和路段9排除，使得该轨迹链路的总长度为路段10和路段8的总长度，且该轨迹链路的通行时间为车辆通过路段10和路段8的总时间，使得该轨迹链路的平均速度信息为车辆在路段10和路段8上的平均速度信息。
可选地，执行步骤S114以计算平均速度信息的具体方式也不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，针对每一条轨迹链路，可以基于该轨迹链路的链路长度和每一个通行时间，分别计算得到每一个平均速度信息，以在执行步骤S130时，通过得到的每一个平均速度信息对神经网络模型进行训练，使得训练数据充分，以提高模型的预测精度。
又例如，在另一种可以替代的示例中，针对每一条轨迹链路，可以基于该轨迹链路的链路长度和部分通行时间(如随机选择部分，或针对属于相同时段的通行时间仅选择部分)，分别计算得到每一个平均速度信息，以在执行步骤S130时，通过得到的每一个平均速度信息对神经网络模型进行训练，使得训练数据在相对充分的基础上，以提高模型的训练效率。
第二方面，对于步骤S120需要说明的是，对样本数据进行向量化处理的具体方式也不受限制，可以根据实际应用需求进行选择，例如，基于需要进行向量化处理的信息不同，进行向量化处理的具体方式也可以不同。
基于此，在第一种示例中，可以仅对所述样板数据包括的路网关系信息进行向量化处理，如此，可以使得执行步骤S130时所述神经网络模型可以对该部分的训练数据进行处理。
也就是说，在此示例中，可以不对所述历史通行信息进行向量化处理(如对于所述历史速度信息，实际上所述神经网络模型是可以进行识别处理的，只是处理的效率会降低一些)。
在第二种示例中，也可以对所述路网关系信息和所述历史通行信息都进行向量化处理，如此，可以使得执行步骤S130时提高对所述神经网络模型的训练速度(原因在于，神经网络模型对向量化的数据具有较好、较快的处理能力)。
在第三种示例中，考虑到为了进一步提高训练得到的通行参数预测模型的预测精度，所述样本数据还可以包括其它信息，如历史属性信息(可以包括，但不限于星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息等)。
因此，在执行步骤S120时，由于这些历史属性信息属于类值属性，使得神经网络模型不能直接进行识别处理，因而，也需要对该历史属性信息进行向量化处理，得到该部分对应的向量数据。
其中，对于所述路网关系信息，进行向量化处理的具体方式也不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，可以直接基于所述路网关系信息中，各路段之间的相邻关系，进行向量空间的映射处理，如将相邻的路段映射到向量空间的靠近位置，不相邻的路段映射到向量空间的间隔较远的位置。
又例如，在另一种可以替代的示例中，为了使得向量化得到的训练数据能够较好的反映样本数据，结合图9，步骤S120可以包括步骤S121和步骤S122，具体内容如下所述。
步骤S121，基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列。
在本实施例中，在需要对所述路网关系信息进行向量化处理时，可以基于路段之间的相邻关系，对该路网关系信息进行序列化处理，得到至少一个路段序列。
如此，可以使得每一个路段序列包括至少一个路段，且在包括多个路段时，在该路段序列中相邻的两个路段，在路网关系中也是相邻的。
步骤S122，基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。
在本实施例中，在基于步骤S121得到至少一个路段序列之后，可以基于预设的向量化算法，对该至少一个路段序列进行向量化处理，即将该至少一个路段序列映射至向量空间，以得到每一个路段的路段向量，从而形成路网训练数据。
其中，所述向量化算法的具体内容也不受限制，也可以根据实际应用需求进行选择，例如，在一种可以替代的示例中，在得到路段序列之后，可以基于Skip-Gram算法模型，对该路段序列进行向量化处理。
详细地，通过Skip-Gram算法模型进行向量化处理时，可以将路段序列作为自然语言处理中的句子，将路段序列中的路段作为句子中的单词，从而实现对路段序列的向量化处理。如此，结合图10，可以知道，将路段1-路段14的路网结构，进行向量化处理，映射至向量空间之后，其相邻关系保持未变，如路段5、路段6、路段7和路段11相对集中，且与路段10相对远离(分别位于向量空间的右下角和左上角)。
并且，对于所述历史属性信息，进行向量化处理得到对应的部分训练数据的具体方式也不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，在所述历史属性信息仅包括一种信息时，可以直接对该信息进行向量化处理，得到对应的部分训练数据。
又例如，在另一种可以替代的示例中，为了使得得到的训练数据更为充分，所述历史属性信息可以为多种，如星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息。如此，为了便于通过多种历史属性信息对应的部分训练数据对神经网络模型进行训练，结合图11，步骤S120可以包括步骤S123和步骤S124，具体内容如下。
步骤S123，基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量。
在本实施例中，可以基于预设的向量化算法对获得的多种历史属性信息进行向量化处理，以得到多种属性向量。
其中，所述多种历史属性信息可以包括，星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息。如此，所述多种属性向量可以包括星期向量、日期向量、时间片段向量、天气向量、车辆驾驶人员标识向量中的至少两种向量。
步骤S124，将所述多种属性向量进行级联处理，得到属性训练数据。
在本实施例中，在基于步骤S123得到所述多种属性向量之后，可以对该多种属性向量进行级联处理，从而得到多种历史属性信息整体对应的属性训练数据。其中，具体的表示可以如下：
Figure BDA0002527275140000151
在上述公式中，xi auxiliary表示级联的多种属性向量，Vweek表示星期向量，Vdate表示日期向量，Vweather表示天气向量。
可选地，执行步骤S123对历史属性信息进行向量化处理的具体方式不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，可以通过学习嵌入(Embedding)神经网络结构，分别对每一种历史属性信息进行向量化处理。其中，以星期信息为例进行举例说明：
首先，可以将星期一到星期天转换成数字0-6表示，其中，数字0表示星期一，数字6表示星期天。如此，可以将数字0-6进行一位有效编码(one-hot)处理，然后，再将处理得到编码向量与预设的权重系数进行相乘处理，并将相乘处理的结果进行线性变换处理，从而得到相应的星期向量。结合图12，可以知道，将星期信息向量化处理，得到星期向量之后，即将星期信息映射至向量空间之后，可以具有如下关系：
一周中从星期一到星期天可以形成类似于环形分布形态，周末(星期六和星期天)与工作日(星期一到星期五)远离分布，星期二、星期三和星期四靠近分布(表示交通状态差异较小)，星期一和星期五远离分布(表示交通状态差异较大)。
可以理解的是，在上述示例中，所述历史属性信息中的时间片段信息的具体划分不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，可以以分钟为例对每一天进行划分，如此，可以得到1440个时间片段信息。
第三方面，对于步骤S130需要说明的是，训练的神经网络模型的具体架构不受限制，也可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，所述神经网络模型可以是一种时间递归神经网络模型，如长短期记忆网络模型(LSTM，Long Short-Term Memory)。
结合图13，本申请实施例还提供一种可应用于上述电子设备10的通行参数预测方法。其中，所述通行参数预测方法有关的流程所定义的方法步骤，可以由所述电子设备10实现。下面将对图13所示的具体流程，进行详细阐述。
步骤S210，在目标区域中确定目标路段。
在本实施例中，在需要进行通行参数的预测时，所述电子设备10可以先在目标区域中确定出目标路段。
步骤S220，基于预先训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。
在本实施例中，在基于步骤S210确定出所述目标路段之后，可以基于预先通过上述的通行参数预测模型训练方法训练得到的通行参数预测模型，对该目标路段进行通行参数预测处理，以得到该目标路段的通行参数。
第一方面，对于步骤S210需要说明的是，确定所述目标路段的具体方式不受限制，可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，进行通行参数预测可以是所述电子设备10自发进行的，如此，在有连接的终端设备请求进行通行参数预测时，可以直接向该终端设备返回对应的通行参数，提高对终端设备的响应效率。
基于此，所述电子设备10可以将所述目标区域中的每一个路段分别作为目标路段，如此，可以使得在执行步骤S220时，可以分别针对每一个目标路段都进行通行参数的预测处理。
又例如，在另一种可以替代的示例中，进行通行参数预测可以是基于连接的终端设备的请求信息进行的，如此，所述电子设备10可以在有终端设备请求进行通行参数预测时，再基于该终端设备的请求确定目标路段，以避免该电子设备10的计算资源浪费的问题。
基于此，所述电子设备10可以根据终端设备发送的起点位置和终点位置，在所述目标区域中确定至少一条目标路径，然后，再将每一条目标路径上的每一个路段作为目标路段，如此，可以使得在执行步骤S220时，可以分别针对每一个目标路段进行通行参数的预测处理。
第二方面，对于步骤S220需要说明的是，对所述目标路段进行通行参数预测处理的具体方式也不受限制，也可以根据实际应用需求进行选择。
例如，在一种可以替代的示例中，可以基于所述通行参数预测模型直接对所述目标路段进行通行参数预测处理。也就是说，在该示例中，所述通行参数预测模型可以是，仅基于所述目标区域的路网关系信息和历史通行信息训练得到。
又例如，在另一种可以替代的示例中，在基于所述通行参数预测模型对所述目标路段进行通行参数预测处理时，还可以结合一些其它的属性信息(如当前的星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息等)。也就是说，在该示例中，所述通行参数预测模型在进行训练时，不仅结合了所述目标区域的路网关系信息和历史通行信息，还结合了一些历史属性信息(如前述历史通行信息对应的星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息等)。
结合图14，本申请实施例还提供一种通行参数预测模型训练装置100，可应用于上述的电子设备10。其中，所述通行参数预测模型训练装置100可以包括样本数据获得模块110、训练数据获得模块120和预测模型训练模块130。
所述样本数据获得模块110，可以用于获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息。在本实施例中，所述样本数据获得模块110可用于执行图2所示的步骤S110，关于所述样本数据获得模块110的相关内容可以参照前文对步骤S110的描述。
所述训练数据获得模块120，可以用于对所述样本数据中的至少一种信息进行向量化处理得到训练数据。在本实施例中，所述训练数据获得模块120可用于执行图2所示的步骤S120，关于所述训练数据获得模块120的相关内容可以参照前文对步骤S120的描述。
所述预测模型训练模块130，可以用于基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。在本实施例中，所述预测模型训练模块130可用于执行图2所示的步骤S130，关于所述预测模型训练模块130的相关内容可以参照前文对步骤S130的描述。
第一方面，对于所述样本数据获得模块需要说明的是，基于不同的需求，该样本数据获得模块可以包括不同的子模块。
例如，在一种可以替代的示例中，所述样本数据获得模块可以包括相邻关系确定子模块和邻接矩阵形成子模块。
详细地，所述相邻关系确定子模块，可以用于针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系。所述邻接矩阵形成子模块，可以用于基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵，其中，该邻接矩阵具有所述目标区域中所有路段的路网关系信息。
其中，基于不同的需求，所述邻接矩阵形成子模块可以包括不同的单元。例如，在一种具体的应用示例中，所述邻接矩阵形成子模块可以包括编号信息获得单元和邻接矩阵形成单元。
详细地，所述编号信息获得单元，可以用于获得所述目标区域中的每一个路段的编号信息，其中，该编号信息与所述路段之间具有一一对应关系。所述邻接矩阵形成单元，可以用于按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，以得到包括多行数据的邻接矩阵，其中，在该邻接矩阵中第M行第N列的数据表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。
又例如，在另一种可以替代的示例中，所述历史通行信息为历史速度信息，所述样本数据获得模块也可以包括链路信息获得子模块和速度信息计算子模块。
详细地，所述链路信息获得子模块，可以用于获得每一条轨迹链路的链路长度和至少一个通行时间，其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成。所述速度信息计算子模块，可以用于基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息，以得到所述目标区域中所有路段的历史速度信息。
其中，基于不同的需求，所述链路信息获得子模块也可以包括不同的单元。例如，在一种具体的应用示例中，所述链路信息获得子模块可以包括链路长度获得单元和通行时间获得单元。
详细地，所述链路长度获得单元，用于获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度。所述通行时间获得单元，用于针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。
第二方面，对于所述训练数据获得模块需要说明的是，基于不同的需求，该训练数据获得模块也可以包括不同的子模块。
例如，在一种可以替代的示例中，所述训练数据获得模块可以包括路段序列获得子模块和路段向量获得子模块。
详细地，所述路段序列获得子模块，可以用于基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列，其中，每一个路段序列包括至少一个路段。所述路段向量获得子模块，可以用于基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。
又例如，在另一种可以替代的示例中，所述样本数据还可以包括多种历史属性信息，所述训练数据获得模块也可以包括属性向量获得子模块和属性向量级联子模块。
详细地，所述属性向量获得子模块，可以用于基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量，其中，该多种历史属性信息包括星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息。所述属性向量级联子模块，可以用于将所述多种属性向量进行级联处理，得到属性训练数据。
结合图15，本申请实施例还提供一种通行参数预测装置200，可应用于上述的电子设备10。其中，所述通行参数预测装置200可以包括目标路段确定模块210和通行参数预测模块220。
所述目标路段确定模块210，可以用于在目标区域中确定目标路段。在本实施例中，所述目标路段确定模块210可用于执行图13所示的步骤S210，关于所述目标路段确定模块210的相关内容可以参照前文对步骤S210的描述。
所述通行参数预测模块220，可以用于基于上述的通行参数预测模型训练装置训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。在本实施例中，所述通行参数预测模块220可用于执行图13所示的步骤S220，关于所述通行参数预测模块220的相关内容可以参照前文对步骤S220的描述。
在本申请实施例中，对应于上述的通行参数预测模型训练方法，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行上述通行参数预测模型训练方法的各个步骤。
其中，前述计算机程序运行时执行的各步骤，在此不再一一赘述，可参考前文对所述通行参数预测模型训练方法的解释说明。
同样地，在本申请实施例中，对应于上述的通行参数预测方法，也提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，该计算机程序运行时执行上述通行参数预测方法的各个步骤。
其中，前述计算机程序运行时执行的各步骤，在此不再一一赘述，可参考前文对所述通行参数预测方法的解释说明。
综上所述，本申请提供的模型训练、参数预测方法和装置、电子设备及存储介质，通过在获得样本数据时，获得包括目标区域中每一路段与其它各路段之间的邻接关系信息的路网关系信息，然后，基于该路网关系信息对神经网络模型进行训练，得到通行参数预测模型。如此，由于训练得到的通行参数预测模型结合了目标区域中每一路段与其它各路段之间的邻接关系信息，而不仅仅限于路段与相邻上下游路段之间的邻接关系信息，使得该通行参数预测模型能从目标区域整体的路网关系出发，对目标路段的通行参数进行预测，可以使得预测得到的通行参数能够更好地代表、反映真实的通行参数，即具有通行参数预测的精度较高的特点，从而改善现有的通行参数预测技术存在的预测精度较低的问题，实用价值较高，特别是在路网关系复杂(如路段多且交错程度深)的区域中应用时，具有显著的应用效果。
在本申请实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (18)

1.一种通行参数预测模型训练方法，其特征在于，包括：
获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；
对所述样本数据中的至少一种信息进行向量化处理得到训练数据；
基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。
2.根据权利要求1所述的通行参数预测模型训练方法，其特征在于，所述获得样本数据得步骤，包括：
针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系；
基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵，其中，该邻接矩阵具有所述目标区域中所有路段的路网关系信息。
3.根据权利要求2所述的通行参数预测模型训练方法，其特征在于，所述基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵的步骤，包括：
获得所述目标区域中的每一个路段的编号信息，其中，该编号信息与所述路段之间具有一一对应关系；
按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，以得到包括多行数据的邻接矩阵，其中，在该邻接矩阵中第M行第N列的数据表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。
4.根据权利要求1所述的通行参数预测模型训练方法，其特征在于，所述历史通行信息为历史速度信息，所述获得样本数据得步骤，包括：
获得每一条轨迹链路的链路长度和至少一个通行时间，其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成；
基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息，以得到所述目标区域中所有路段的历史速度信息。
5.根据权利要求4所述的通行参数预测模型训练方法，其特征在于，所述获得每一条轨迹链路的链路长度和至少一个通行时间的步骤，包括：
获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度；
针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。
6.根据权利要求1-5任意一项所述的通行参数预测模型训练方法，其特征在于，所述对所述样本数据中的至少一种信息进行向量化处理得到训练数据的步骤，包括：
基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列，其中，每一个路段序列包括至少一个路段；
基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。
7.根据权利要求1-5任意一项所述的通行参数预测模型训练方法，特征在于，所述样本数据还包括多种历史属性信息，所述对所述样本数据中的至少一种信息进行向量化处理得到训练数据的步骤，包括：
基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量，其中，该多种历史属性信息包括星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息；
将所述多种属性向量进行级联处理，得到属性训练数据。
8.一种通行参数预测方法，其特征在于，包括：
在目标区域中确定目标路段；
基于权利要求1-7任意一项所述的通行参数预测模型训练方法训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。
9.一种通行参数预测模型训练装置，其特征在于，包括：
样本数据获得模块，用于获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；
训练数据获得模块，用于对所述样本数据中的至少一种信息进行向量化处理得到训练数据；
预测模型训练模块，用于基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。
10.根据权利要求9所述的通行参数预测模型训练装置，其特征在于，所述样本数据获得模块包括：
相邻关系确定子模块，用于针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系；
邻接矩阵形成子模块，用于基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵，其中，该邻接矩阵具有所述目标区域中所有路段的路网关系信息。
11.根据权利要求10所述的通行参数预测模型训练装置，其特征在于，所述邻接矩阵形成子模块包括：
编号信息获得单元，用于获得所述目标区域中的每一个路段的编号信息，其中，该编号信息与所述路段之间具有一一对应关系；
邻接矩阵形成单元，用于按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，以得到包括多行数据的邻接矩阵，其中，在该邻接矩阵中第M行第N列的数据表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。
12.根据权利要求9所述的通行参数预测模型训练装置，其特征在于，所述历史通行信息为历史速度信息，所述样本数据获得模块包括：
链路信息获得子模块，用于获得每一条轨迹链路的链路长度和至少一个通行时间，其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成；
速度信息计算子模块，用于基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息，以得到所述目标区域中所有路段的历史速度信息。
13.根据权利要求12所述的通行参数预测模型训练装置，其特征在于，所述链路信息获得子模块包括：
链路长度获得单元，用于获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度；
通行时间获得单元，用于针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。
14.根据权利要求9-13任意一项所述的通行参数预测模型训练装置，其特征在于，所述训练数据获得模块包括：
路段序列获得子模块，用于基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列，其中，每一个路段序列包括至少一个路段；
路段向量获得子模块，用于基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。
15.根据权利要求9-13任意一项所述的通行参数预测模型训练装置，特征在于，所述样本数据还包括多种历史属性信息，所述训练数据获得模块包括：
属性向量获得子模块，用于基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量，其中，该多种历史属性信息包括星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息；
属性向量级联子模块，用于将所述多种属性向量进行级联处理，得到属性训练数据。
16.一种通行参数预测装置，其特征在于，包括：
目标路段确定模块，用于在目标区域中确定目标路段；
通行参数预测模块，用于基于权利要求9-15任意一项所述的通行参数预测模型训练装置训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。
17.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
与所述存储器连接的处理器，用于执行该存储器存储的计算机程序，以实现权利要求1-7任意一项所述的通行参数预测模型训练方法，或实现权利要求8所述的通行参数预测方法。
18.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被执行时，实现权利要求1-7任意一项所述的通行参数预测模型训练方法，或实现权利要求8所述的通行参数预测方法。
CN202010508127.XA 2020-06-05 2020-06-05 模型训练、参数预测方法和装置、电子设备及存储介质 Pending CN111860763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010508127.XA CN111860763A (zh) 2020-06-05 2020-06-05 模型训练、参数预测方法和装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010508127.XA CN111860763A (zh) 2020-06-05 2020-06-05 模型训练、参数预测方法和装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN111860763A true CN111860763A (zh) 2020-10-30

Family

ID=72987606

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010508127.XA Pending CN111860763A (zh) 2020-06-05 2020-06-05 模型训练、参数预测方法和装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111860763A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112686362A (zh) * 2020-12-28 2021-04-20 北京像素软件科技股份有限公司 游戏空间寻路模型训练方法和装置、电子设备及存储介质
CN113806585A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN113806172A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种处理设备状态参数的方法、装置、电子设备及存储介质
CN114648148A (zh) * 2020-12-18 2022-06-21 广东博智林机器人有限公司 机器人的参数预测方法、装置、存储介质和处理器

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090002195A1 (en) * 2007-06-29 2009-01-01 Microsoft Corporation Sensing and predicting flow variance in a traffic system for traffic routing and sensing
US20140114556A1 (en) * 2012-10-23 2014-04-24 University Of Southern California Traffic prediction using real-world transportation data
CN107369318A (zh) * 2016-05-11 2017-11-21 杭州海康威视数字技术股份有限公司 一种速度预测方法及装置
CN108648457A (zh) * 2018-06-28 2018-10-12 苏州大学 一种速度预测的方法、装置和计算机可读存储介质
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
WO2019080711A1 (zh) * 2017-10-25 2019-05-02 腾讯科技（深圳）有限公司 路段速度预测方法、装置、服务器、介质及程序产品
CN110852342A (zh) * 2019-09-26 2020-02-28 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090002195A1 (en) * 2007-06-29 2009-01-01 Microsoft Corporation Sensing and predicting flow variance in a traffic system for traffic routing and sensing
US20140114556A1 (en) * 2012-10-23 2014-04-24 University Of Southern California Traffic prediction using real-world transportation data
CN107369318A (zh) * 2016-05-11 2017-11-21 杭州海康威视数字技术股份有限公司 一种速度预测方法及装置
WO2019080711A1 (zh) * 2017-10-25 2019-05-02 腾讯科技（深圳）有限公司 路段速度预测方法、装置、服务器、介质及程序产品
CN108648457A (zh) * 2018-06-28 2018-10-12 苏州大学 一种速度预测的方法、装置和计算机可读存储介质
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
CN110852342A (zh) * 2019-09-26 2020-02-28 京东城市(北京)数字科技有限公司 一种路网数据的获取方法、装置、设备及计算机存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨马英;楼挺;李一飞;: "城市道路未来车速预测模型研究", 小型微型计算机系统, no. 12, 11 December 2018 (2018-12-11) *
钟颖;邵毅明;吴文文;胡广雪;: "基于XGBoost的短时交通流预测模型", 科学技术与工程, no. 30 *
魏定梅;方琴;: "基于交通流仿真和神经网络模型的交叉口流量预测研究", 贵州大学学报(自然科学版), no. 04 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114648148A (zh) * 2020-12-18 2022-06-21 广东博智林机器人有限公司 机器人的参数预测方法、装置、存储介质和处理器
CN112686362A (zh) * 2020-12-28 2021-04-20 北京像素软件科技股份有限公司 游戏空间寻路模型训练方法和装置、电子设备及存储介质
CN112686362B (zh) * 2020-12-28 2024-06-07 北京像素软件科技股份有限公司 游戏空间寻路模型训练方法和装置、电子设备及存储介质
CN113806585A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN113806172A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种处理设备状态参数的方法、装置、电子设备及存储介质
CN113806585B (zh) * 2021-09-14 2023-10-13 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN113806172B (zh) * 2021-09-14 2024-02-06 北京百度网讯科技有限公司 一种处理设备状态参数的方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN111860763A (zh) 模型训练、参数预测方法和装置、电子设备及存储介质
CN107945507B (zh) 行程时间预测方法及装置
Shin et al. Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting
Lee et al. Real-time optimization for adaptive traffic signal control using genetic algorithms
Jovanović et al. Pre-timed control for an under-saturated and over-saturated isolated intersection: a Bee Colony Optimization approach
WO2019186996A1 (ja) モデル推定システム、モデル推定方法およびモデル推定プログラム
Berghida et al. EBBO: an enhanced biogeography-based optimization algorithm for a vehicle routing problem with heterogeneous fleet, mixed backhauls, and time windows
Mikluščák et al. Using neural networks for route and destination prediction in intelligent transport systems
CN109064742A (zh) 一种基于svm的自适应公交到站时间预测方法
Kim et al. Dynamic vehicular route guidance using traffic prediction information
Bansal et al. Htfm: Hybrid traffic-flow forecasting model for intelligent vehicular ad hoc networks
CN113747364A (zh) 一种基于5g网络的智能交通导航方法、设备及介质
Solovyev et al. Combined intelligent control of a signalized intersection of multilane urban highways
CN114004077B (zh) 交通仿真转换方法、装置、计算机设备及存储介质
Elleuch et al. Neural congestion prediction system for trip modelling in heterogeneous spatio-temporal patterns
Chiou et al. A novel method to predict traffic features based on rolling self-structured traffic patterns
Purkrabkova et al. Traffic accident risk classification using neural networks
Heshami et al. A queue length estimation and prediction model for long freeway off-ramps
Farrag et al. STIMF: a smart traffic incident management framework
Heckmann et al. Stage Prediction of Traffic Lights Using Machine Learning
CN111627210B (zh) 一种车流量预测方法、装置、设备及介质
WO2022070201A1 (en) Method and system for dynamic traffic control for one or more junctions
US11747153B1 (en) Apparatus and associated method for determining a travel itinerary
Blazek et al. Analytical model of road bottleneck queueing system
CN113344239B (zh) 一种基于两级谱聚类的交通拥堵状况预测方法及系统

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