CN111862590A - 路况预测方法、装置及存储介质 - Google Patents

路况预测方法、装置及存储介质 Download PDF

Info

Publication number
CN111862590A
CN111862590A CN202010403763.6A CN202010403763A CN111862590A CN 111862590 A CN111862590 A CN 111862590A CN 202010403763 A CN202010403763 A CN 202010403763A CN 111862590 A CN111862590 A CN 111862590A
Authority
CN
China
Prior art keywords
time
road
target area
road condition
layer
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
CN202010403763.6A
Other languages
English (en)
Inventor
洪辉婷
林宇澄
杨晓庆
李奘
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 CN202010403763.6A priority Critical patent/CN111862590A/zh
Publication of CN111862590A publication Critical patent/CN111862590A/zh
Pending legal-status Critical Current

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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供一种路况预测方法、装置及存储介质，该方法基于异质图预测未来路况，其中，根据目标区域的各个道路的道路标识、道路链接关系和链接关系类型，获得目标区域的异质道路图，考虑了道路之间多种类型的链接关系，使得构建的异质道路图与实际情况相匹配，而且，本申请实施例形成异质道路图的时空图，在该时空图上，进行训练预测每个道路下一个时间段的路况，使得预测的路况信息与实际情况相符，提升了路况预测的准确率，进而，能够为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。

Description

路况预测方法、装置及存储介质
技术领域
本申请涉及道路交通技术，尤其涉及一种路况预测方法、装置及存储介质。
背景技术
随着车辆的不断增多，城市道路越来越拥堵，造成很多不便，在城市中，如何实现准确的路况预测具有重要的指导意义。
相关技术中，路况预测一般是基于同质图的路况预测方案，其中，同质图为由顶点(道路)以及顶点之间一种类型的链接关系组成的图。
然而，由于道路之间链接关系的类型多种多样，例如直行、左转、右转、掉头等，因此，上述基于同质图的路况预测，导致预测的路况信息与实际情况不完全相符，无法为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
发明内容
为解决现有技术中存在的问题，本申请提供一种路况预测方法、装置及存储介质。
第一方面，本申请实施例提供一种路况预测方法，包括：
根据目标区域的交通地图数据，获得所述目标区域的异质道路图，其中，所述交通地图数据包括所述目标区域的各个道路的道路标识、道路链接关系和链接关系类型；
根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，其中，所述交通路况数据包括所述各个道路上的车流行驶速度，m为大于1的整数；
基于所述异质道路的时空图，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述根据目标区域的交通地图数据，获得所述目标区域的异质道路图，包括：
根据所述道路标识确定所述异质道路图中的各个顶点；
根据所述道路链接关系，确定所述各个顶点对应的链接边；
根据所述链接关系类型，将所述各个顶点与对应的链接边进行链接，获得所述异质道路图。
在一种可能的实现方式中，所述根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，包括：
根据所述各个道路上的车流行驶速度，确定所述各个顶点在所述预设时间T1-Tm的属性值；
根据所述属性值和所述异质道路图，获得所述时空图。
在一种可能的实现方式中，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
利用时空卷积网络，基于所述时空图，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第一层时间卷积，对所述时空图进行时间维度上的卷积；
利用第二层空间卷积，基于所述时间卷积的输出，确定所述链接边对相应顶点的重要度；
基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，在所述对所述目标区域在时间Tm+1的路况进行预测之后，还包括：
根据所述目标区域在时间Tm+1的预测速度与所述目标区域在时间Tm+1的真实速度，获得损失函数；
基于所述损失函数，对所述时空卷积网络进行优化。
在一种可能的实现方式中，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，在所述对所述目标区域在时间Tm+1的路况进行预测之前，还包括：
根据所述重要度，确定所述各个顶点的相邻顶点的输出隐状态；
根据所述相邻顶点的输出隐状态，获得所述各个顶点的输出隐状态。
在一种可能的实现方式中，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
将所述各个顶点的输出隐状态接入所述第三层时间卷积和所述第四层时间卷积；
利用所述第五层全连接层，基于所述第四层时间卷积的输出，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述利用第二层空间卷积，基于所述时间卷积的输出结果，确定所述链接边对相应顶点的重要度，包括：
根据所述第二层空间卷积，利用注意力机制，获得所述各个顶点对应的链接边的评分；
基于所述评分，通过归一化处理，确定所述重要度。
第二方面，本申请实施例提供一种路况预测装置，包括：
第一获得模块，用于根据目标区域的交通地图数据，获得所述目标区域的异质道路图，其中，所述交通地图数据包括所述目标区域的各个道路的道路标识、道路链接关系和链接关系类型；
第二获得模块，用于根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，其中，所述交通路况数据包括所述各个道路上的车流行驶速度，m为大于1的整数；
预测模块，用于基于所述异质道路的时空图，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述第一获得模块，具体用于：
根据所述道路标识确定所述异质道路图中的各个顶点；
根据所述道路链接关系，确定所述各个顶点对应的链接边；
根据所述链接关系类型，将所述各个顶点与对应的链接边进行链接，获得所述异质道路图。
在一种可能的实现方式中，所述第二获得模块，具体用于：
根据所述各个道路上的车流行驶速度，确定所述各个顶点在所述预设时间T1-Tm的属性值；
根据所述属性值和所述异质道路图，获得所述时空图。
在一种可能的实现方式中，所述预测模块，具体用于：
利用时空卷积网络，基于所述时空图，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述预测模块对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第一层时间卷积，对所述时空图进行时间维度上的卷积；
利用第二层空间卷积，基于所述时间卷积的输出，确定所述链接边对相应顶点的重要度；
基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，上述的装置，还包括优化模块，用于在所述预测模块对所述目标区域在时间Tm+1的路况进行预测之后，根据所述目标区域在时间Tm+1的预测速度与所述目标区域在时间Tm+1的真实速度，获得损失函数；基于所述损失函数，对所述时空卷积网络进行优化。
在一种可能的实现方式中，所述预测模块对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述预测模块在对所述目标区域在时间Tm+1的路况进行预测之前，还用于：
根据所述重要度，确定所述各个顶点的相邻顶点的输出隐状态；
根据所述相邻顶点的输出隐状态，获得所述各个顶点的输出隐状态。
在一种可能的实现方式中，所述预测模块对所述目标区域在时间Tm+1的路况进行预测，包括：
将所述各个顶点的输出隐状态接入所述第三层时间卷积和所述第四层时间卷积；
利用所述第五层全连接层，基于所述第四层时间卷积的输出，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，所述预测模块利用第二层空间卷积，基于所述时间卷积的输出结果，确定所述链接边对相应顶点的重要度，包括：
根据所述第二层空间卷积，利用注意力机制，获得所述各个顶点对应的链接边的评分；
基于所述评分，通过归一化处理，确定所述重要度。
第三方面，本申请实施例提供一种服务器，包括：
处理器；
存储器；以及
计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如第一方面所述的方法的指令。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得服务器执行第一方面所述的方法。
本申请实施例提供的路况预测方法、装置及存储介质，该方法基于异质图预测未来路况，其中，根据目标区域的各个道路的道路标识、道路链接关系和链接关系类型，获得目标区域的异质道路图，考虑了道路之间多种类型的链接关系，使得构建的异质道路图与实际情况相匹配，而且，本申请实施例形成异质道路图的时空图，在该时空图上，进行训练预测每个道路下一个时间段的路况，使得预测的路况信息与实际情况相符，提升了路况预测的准确率，进而，能够为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的路况预测系统架构示意图；
图2为本申请实施例提供的一种路况预测方法的流程示意图；
图3为本申请实施例提供的一种异质道路图的示意图；
图4为本申请实施例提供的另一种路况预测方法的流程示意图；
图5为本申请实施例提供的一种利用时空卷积网络，基于异质道路的时空图进行路况预测的示意图；
图6为本申请实施例提供的一种利用空间卷积层进行路况预测的示意图；
图7为本申请实施例提供的再一种路况预测方法的流程示意图；
图8为本申请实施例提供的一种路况预测装置的结构示意图；
图9A示出了本申请服务器的一种可能的结构示意图；
图9B示出了本申请服务器的另一种可能的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”及“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
相关技术中，路况预测一般是基于同质图的路况预测方案，其中，同质图为由顶点(道路)以及顶点之间一种类型的链接关系组成的图。现有路况预测将现实世界中的道路建模成同质图，其中每条道路为图中的一个顶点，顶点之间只有一种关系类型：“链接”，表示车辆可以由道路i行驶到道路j。在该道路同质图上，利用卷积网络来进行训练，最后得到预测的路况信息。
然而，由于道路之间链接关系的类型多种多样，例如直行、左转、右转、掉头等，因此，上述基于同质图的路况预测，导致预测的路况信息与实际情况不完全相符，无法为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
为了解决上述问题，本申请实施例提供一种路况预测方法，这里，本申请实施例所涉及的路况预测是指基于异质图预测未来路况，其中，异质图为由顶点(道路)以及顶点之间多种类型的链接关系组成的图，解决现有基于同质图的路况预测方案，没有考虑道路之间链接关系的类型，导致预测的路况信息与实际情况不完全相符的问题。
本申请实施例提供的路况预测方法及装置可应用在城市路网规划、城市交通管理与控制，人们出行的路线规划、导航，以及网约车等，本申请实施例对此不做特别限制。
可选地，本申请实施例提供的路况预测方法及装置可以应用于如图1所示的应用场景中。图1只是以示例的方式描述了本申请实施例提供的路况预测方法的一种可能的应用场景，本申请实施例提供的路况预测方法的应用场景不限于图1所示的应用场景。
图1为路况预测系统架构示意图。在图1中，以人们出行的路线规划、导航为例，上述架构包括服务器11和多个终端设备，这里，该多个终端设备以第一终端设备12、第二终端设备13和第三终端设备14为例。
可以理解的是，本申请实施例示意的结构并不构成对路况预测架构的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以以硬件，软件，或软件与硬件的组合实现。
在具体实现过程中，本申请实施例中以第一终端设备12、第二终端设备13和第三终端设备14为用户对应的终端设备为例进行说明，例如第一终端设备12为用户1对应的终端设备，第二终端设备13为用户2对应的终端设备，第三终端设备14为用户3对应的终端设备。在上述应用场景中，当用户1出行时，可以通过第一终端设备12向服务器11发送出行区域信息，即发送需要查询的区域信息至服务器11，另外，还可以向服务器11发送起始位置、出行时间等。服务器11在接收到上述信息后，会指利用该区域的异质道路图，预测该区域的未来路况，然后返回第一终端设备12上述路况信息，从而，使得用户1能够及时了解相应区域的未来路况信息。另外，服务器11可以在上述预测路况的基础上，为用户1的出行进行路线规划、导航等，这样，将会减少用户1出行的拥堵情况，合理规划用户1的出行路线。
除上述外，服务器还可以预估到达时长，例如根据用户输入的起始地点、目的地以及出发时间等信息，根据起始地点和目的地规划出一条通行路径，根据出发时间预测该通行路径中涉及的各个道路的未来路况(车辆行驶速度)，并可以根据道路长度换算成车流通过各个道路的时长，最后将这些时间累加起来作为预估的到达时长。
同理，当用户2或用户3出行时，同样可以采取上述方式，通过第二终端设备13或第三终端设备14从服务器11中获取出行区域的未来路况，及时了解相应区域的未来路况信息。另外，还可以从服务器11中获取出行路线规划、导航、预估到达时长等。
在本实施例中，上述各终端设备可以为手持设备、车载设备、可穿戴设备、计算设备，以及各种形式的用户设备(User Equipment，UE)等，上述各终端设备可以通过移动互联网与服务器11进行信息交互。
另外，本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
下面结合附图详细介绍本申请实施例提供的路况预测方法。该方法的执行主体可以为图1中的服务器11。服务器11的工作流程主要包括异质道路图获得阶段和路况预测阶段。在异质道路图获得阶段，服务器11利用目标区域的交通地图数据，构建目标区域的异质道路图。在路况预测阶段，服务器11形成异质道路图的时空图，在该时空图上，进行训练预测每个道路下一个时间段的路况，进而，能够为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
下面以几个实施例为例对本申请的技术方案进行描述，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种路况预测方法的流程示意图，本申请实施例提供了一种路况预测方法，该方法可以应用于路况预测的处理，且该方法可以由任意执行路况预测方法的装置来执行，该装置可以通过软件和/或硬件实现。本实施例中，该装置可以集成在服务器中。如图2所示，在图1所示应用场景的基础上，本申请实施例提供的路况预测方法包括如下步骤：
S201：根据目标区域的交通地图数据，获得上述目标区域的异质道路图，其中，上述交通地图数据包括上述目标区域的各个道路的道路标识、道路链接关系和链接关系类型。
这里，上述目标区域可以根据实际情况确定，例如如果是用户出行，上述目标区域可以为用户的出行区域，本申请实施例对此不做特别限制。
上述目标区域的各个道路的道路标识可以为道路名称、id等可以标识道路身份的信息。上述道路链接关系为上述目标区域的各个道路之间的链接情况，例如道路1分别与道路2、4链接，上述链接关系类型包括左转、右转、直行、掉头等。
示例性的，上述根据目标区域的交通地图数据，获得上述目标区域的异质道路图，包括：
根据上述道路标识确定上述异质道路图中的各个顶点；
根据上述道路链接关系，确定上述各个顶点对应的链接边；
根据上述链接关系类型，将上述各个顶点与对应的链接边进行链接，获得上述异质道路图。
其中，每一道路作为异质道路图中的一个顶点。对于较长的道路，将其划分为几段较小的路段，例如，某一道路划分为多个路段P1-Pn，n为道路的长度，n为大于1的整数，每一路段可以作为异质道路图中的一个顶点。根据道路之间的链接关系，确定上述各个顶点对应的链接边，进而，根据道路之间链接关系的类型，将图中的顶点以不同的链接类型进行链接，形成一张道路异质图。
具体的，有道路1、2、3、4和5，道路1分别与道路2、4链接，道路2还与道路3、5链接，道路3分别与道路1链接，道路1与道路2的链接关系类型是直行，道路1与道路4的链接关系类型是右转，道路2与道路3的链接关系类型是掉头，道路2与道路5的链接关系类型是右转，道路3与道路1的链接关系类型是掉头。根据上述信息获得相应异质道路图，如图3所示。
本申请实施例构建异质道路图，考虑了道路之间多种类型的链接关系，从而，后续基于异质图预测未来路况，使得预测的路况信息与实际情况相符。
S202：根据上述目标区域在预设时间T1-Tm的交通路况数据和上述异质道路图，获得上述目标区域的异质道路的时空图，其中，上述交通路况数据包括上述各个道路上的车流行驶速度，m为大于1的整数。
上述预设时间T1-Tm也可以根据实际情况确定，例如以5分钟作为一个时间Ti，i＝1…m，上述预设时间T1-Tm为近期一个月，本申请实施例对此不做特别限制。
示例性的，上述根据上述目标区域在预设时间T1-Tm的交通路况数据和上述异质道路图，获得上述目标区域的异质道路的时空图，包括：
根据上述各个道路上的车流行驶速度，确定上述各个顶点在上述预设时间T1-Tm的属性值；
根据上述属性值和上述异质道路图，获得上述时空图。
这里，服务器获取上述目标区域在时间Ti的各个道路上的车流行驶速度，根据各个道路上的车流行驶速度，确定上述各个顶点在时间Ti的属性值，例如，将上述车流行驶速度取平均值作为上述各个顶点的属性值。在每个时间上的每条道路进行上述处理，得到道路异质图在各个时间上的属性值，形成异质道路的时空图。
S203：基于上述异质道路的时空图，对上述目标区域在时间Tm+1的路况进行预测。
本申请实施例，基于异质图预测未来路况，其中，根据目标区域的各个道路的道路标识、道路链接关系和链接关系类型，获得目标区域的异质道路图，考虑了道路之间多种类型的链接关系，使得构建的异质道路图与实际情况相匹配，而且，本申请实施例形成异质道路图的时空图，在该时空图上，进行训练预测每个道路下一个时间段的路况，使得预测的路况信息与实际情况相符，提升了路况预测的准确率，进而，能够为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
另外，本申请实施例在对目标区域在时间Tm+1的路况进行预测时，在上述目标区域的异质道路的时空图基础上，利用时空卷积网络进行路况预测。图4为本申请实施例提出的另一种路况预测方法的流程示意图。如图4所示，该方法包括：
S401：根据目标区域的交通地图数据，获得上述目标区域的异质道路图，其中，上述交通地图数据包括上述目标区域的各个道路的道路标识、道路链接关系和链接关系类型。
S402：根据上述目标区域在预设时间T1-Tm的交通路况数据和上述异质道路图，获得上述目标区域的异质道路的时空图，其中，上述交通路况数据包括上海苏各个道路上的车流行驶速度，m为大于1的整数。
其中，步骤S401-S402与上述步骤S201-S202的实现方式相同，此处不再赘述。
S403：利用时空卷积网络，基于上述时空图，对上述目标区域在时间Tm+1的路况进行预测。
在一种可能的实现方式中，上述对目标区域在时间Tm+1的路况进行预测，包括：
利用第一层时间卷积，对上述时空图进行时间维度上的卷积；
利用第二层空间卷积，基于上述时间卷积的输出，确定上述链接边对相应顶点的重要度；
基于上述重要度，对上述目标区域在时间Tm+1的路况进行预测。
这里，设当前时间为t，则如图5所示，可以输入上述异质道路图的时空图中路况信息
Figure BDA0002490481900000111
其中N为异质图中顶点的数量。
然后，利用第一层时间卷积，对输入的时空图进行时间维度上的卷积，例如使用卷积核大小为2*1*1的1-D卷积层(Convolutional Layer)对输入的时空图进行时间维度上的卷积，卷积后输出
Figure BDA0002490481900000112
并输入到下一个空间卷积层。
在空间卷积层，基于上述时间卷积的输出，确定上述链接边对相应顶点的重要度，进而，基于该重要度，对上述目标区域在时间Tm+1的路况进行预测。
示例性的，上述确定上述链接边对相应顶点的重要度可以包括：
根据上述第二层空间卷积，利用注意力机制，获得上述各个顶点对应的链接边的评分，基于该评分，通过归一化处理，确定上述重要度。
具体的，如图6所示，在空间卷积层，对于不同关系类型的链接边(以道路L1，L2“直行”这条链接边为例。其它边类似)，可以采用不同的注意力机制来计算链接边的评分o(L1,L2,"直行")，然后再对各个顶点的所有链接边的评分做归一化处理(例如利用Softmax函数)，以得到链接边对于相应顶点的权重值α(L1,L2,"直行")，该权重值表示这条链接边对于相应顶点的重要度。
另外，在上述对上述目标区域在时间Tm+1的路况进行预测时，不仅利用第一层时间卷积、第二层空间卷积，还利用第三层时间卷积、第四层时间卷积和第五层全连接层。
可选地，上述对上述目标区域在时间Tm+1的路况进行预测，包括：
利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于上述重要度，对上述目标区域在时间Tm+1的路况进行预测。
示例性的，在上述对上述目标区域在时间Tm+1的路况进行预测之前，还可以：
根据上述重要度，确定上述各个顶点的相邻顶点的输出隐状态；
根据上述相邻顶点的输出隐状态，获得上述各个顶点的输出隐状态
具体的，利用上述重要度对链接边对应的顶点进行聚合，即将各个顶点的相邻顶点的隐式表示(例如如图6所示，上述L1的邻居节点L2的隐式表示
Figure BDA0002490481900000121
)加权求和作为各个顶点在当前隐含层的最终向量表示，即
Figure BDA0002490481900000122
进而，在得到上述各个顶点的输出隐状态基础上，上述利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于上述重要度，对上述目标区域在时间Tm+1的路况进行预测，可以包括：
将上述各个顶点的输出隐状态接入上述第三层时间卷积和第四层时间卷积；
利用上述第五层全连接层，基于上述第四层时间卷积的输出，对上述目标区域在时间Tm+1的路况进行预测
示例性的，将模型中的第二层输出输入接下来的两个时间片卷积，最后输出最终的嵌入式表示，再经过一层全连接层输出路况预测值。
本申请实施例，根据目标区域的各个道路的道路标识、道路链接关系和链接关系类型，获得目标区域的异质道路图，考虑了道路之间多种类型的链接关系，使得构建的异质道路图与实际情况相匹配，而且，本申请实施例形成异质道路图的时空图，在该时空图上，利用时空卷积网络预测每个道路下一个时间段的路况，使得预测的路况信息与实际情况相符，提升了路况预测的准确率，进而，能够为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
另外，本申请实施例在对目标区域在时间Tm+1的路况进行预测后，还考虑预测结果与真实结果的差距，进而，根据该差距对模型进行调整，从而，使得预测结果更接近真实结果。图7为本申请实施例提出的再一种路况预测方法的流程示意图。如图7所示，该方法包括：
S701：根据目标区域的交通地图数据，获得上述目标区域的异质道路图，其中，上述交通地图数据包括上述目标区域的各个道路的道路标识、道路链接关系和链接关系类型。
S702：根据上述目标区域在预设时间T1-Tm的交通路况数据和上述异质道路图，获得上述目标区域的异质道路的时空图，其中，上述交通路况数据包括上海苏各个道路上的车流行驶速度，m为大于1的整数。
S703：利用时空卷积网络，基于上述时空图，对上述目标区域在时间Tm+1的路况进行预测。
其中，步骤S701-S703与上述步骤S401-S403的实现方式相同，此处不再赘述。
S704：根据上述目标区域在时间Tm+1的预测速度与上述目标区域在时间Tm+1的真实速度，获得损失函数。
S705：基于上述损失函数，对上述时空卷积网络进行优化。
这里，在对上述目标区域在时间Tm+1的路况进行预测后，可以计算预测速度和真实速度之间的差距，进而获得损失函数，例如计算预测速度和真实速度之间的均方误差，作为损失函数。然后基于该损失函数，对上述时空卷积网络进行优化。示例性的，用梯度下降的方法，去优化损失函数，调整上述时空卷积网络的参数，使得预测值和真实值更接近，训练多轮，直到损失函数不再下降，即收敛，训练好模型参数。
最后，获取已经训练好模型，对于路况预测任务，模型可以根据输入的时间，能够返回对应下一时间的路况预测值。对于预估到达时长任务，用户输入起始地点、目的地以及出发时间等信息，系统根据起始地点和目的地规划出一条通行路径，模型可以根据出发时间预测该通行路径中涉及的各个道路的未来路况(车辆行驶速度)，并可以根据道路长度换算成车流通过各个道路的时长，最后将这些时间累加起来作为预估的到达时长。
在本申请实施例中，在对目标区域在时间Tm+1的路况进行预测后，还考虑预测结果与真实结果的差距，进而，根据该差距对模型进行调整，从而，使得预测结果更接近真实结果。而且本申请实施例基于异质图预测未来路况，其中，根据目标区域的各个道路的道路标识、道路链接关系和链接关系类型，获得目标区域的异质道路图，考虑了道路之间多种类型的链接关系，使得构建的异质道路图与实际情况相匹配，而且，本申请实施例形成异质道路图的时空图，在该时空图上，进行训练预测每个道路下一个时间段的路况，使得预测的路况信息与实际情况相符，提升了路况预测的准确率，进而，能够为城市交通管理者提供治理拥堵的决策依据，为人们出行提供线路规划及导航等。
对应于上文实施例的路况预测方法，图8为本申请实施例提供的路况预测装置的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分。图8为本申请实施例提供的一种路况预测装置的结构示意图，该路况预测装置80包括：第一获得模块801、第二获得模块802、预测模块803以及优化模块804。
其中，第一获得模块801，用于根据目标区域的交通地图数据，获得所述目标区域的异质道路图，其中，所述交通地图数据包括所述目标区域的各个道路的道路标识、道路链接关系和链接关系类型。
第二获得模块802，用于根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，其中，所述交通路况数据包括所述各个道路上的车流行驶速度，m为大于1的整数。
预测模块803，用于基于所述异质道路的时空图，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的设计中，所述第一获得模块801，具体用于：
根据所述道路标识确定所述异质道路图中的各个顶点；
根据所述道路链接关系，确定所述各个顶点对应的链接边；
根据所述链接关系类型，将所述各个顶点与对应的链接边进行链接，获得所述异质道路图。
在一种可能的设计中，所述第二获得模块802，具体用于：
根据所述各个道路上的车流行驶速度，确定所述各个顶点在所述预设时间T1-Tm的属性值；
根据所述属性值和所述异质道路图，获得所述时空图。
在一种可能的设计中，所述预测模块803，具体用于：
利用时空卷积网络，基于所述时空图，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的设计中，所述预测模块803对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第一层时间卷积，对所述时空图进行时间维度上的卷积；
利用第二层空间卷积，基于所述时间卷积的输出，确定所述链接边对相应顶点的重要度；
基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的设计中，优化模块804，用于在所述预测模块803对所述目标区域在时间Tm+1的路况进行预测之后，根据所述目标区域在时间Tm+1的预测速度与所述目标区域在时间Tm+1的真实速度，获得损失函数；基于所述损失函数，对所述时空卷积网络进行优化。
在一种可能的设计中，所述预测模块803对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的设计中，所述预测模块803在对所述目标区域在时间Tm+1的路况进行预测之前，还用于：
根据所述重要度，确定所述各个顶点的相邻顶点的输出隐状态；
根据所述相邻顶点的输出隐状态，获得所述各个顶点的输出隐状态。
在一种可能的设计中，所述预测模块803对所述目标区域在时间Tm+1的路况进行预测，包括：
将所述各个顶点的输出隐状态接入所述第三层时间卷积和所述第四层时间卷积；
利用所述第五层全连接层，基于所述第四层时间卷积的输出，对所述目标区域在时间Tm+1的路况进行预测。
在一种可能的设计中，所述预测模块803利用第二层空间卷积，基于所述时间卷积的输出结果，确定所述链接边对相应顶点的重要度，包括：
根据所述第二层空间卷积，利用注意力机制，获得所述各个顶点对应的链接边的评分；
基于所述评分，通过归一化处理，确定所述重要度。
本申请实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本申请实施例此处不再赘述。
图9A示出了本申请服务器的一种可能的结构示意图。服务器100包括：处理单元102和通信单元103。处理单元102用于对服务器100的动作进行控制管理，例如，处理单元102用于支持服务器100执行上述方法步骤，和/或用于本申请所描述的技术的其它过程。通信单元103用于支持服务器100与其它网络实体的通信，例如与终端设备之间的通信。服务器100还可以包括存储单元101，用于存储服务器100的计算机程序代码和数据。
其中，处理单元102可以是处理器或控制器，例如可以是CPU，通用处理器，数字信号处理器(DigitalSignalProcessor，DSP)，专用集成电路(Application-SpecificIntegrated Circuit，ASIC)，现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。通信单元103可以是通信接口、收发器、收发电路等，其中，通信接口是统称，可以包括一个或多个接口。存储单元101可以是存储器。
当处理单元102为处理器，通信单元103为通信接口，存储单元101为存储器时，本申请所涉及的服务器可以为图9B所示的服务器。
参阅图9B所示，该服务器110包括：处理器112、通信接口113、存储器111。可选的，服务器110还可以包括总线114。其中，通信接口113、处理器112以及存储器111可以通过总线114相互连接；总线114可以是外设部件互连标准(PeripheralComponentInterconnect，简称PCI)总线或扩展工业标准结构(ExtendedIndustryStandardArchitecture，简称EISA)总线等。所述总线114可以分为地址总线、数据总线、控制总线等。为便于表示，图9B中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
另外，存储器111中存储有计算机程序，并且被配置为由处理器112执行，该计算机程序包括用于执行如上所示实施例所述的方法的指令。
本申请实施例还提供一种计算机可读存储介质，其中，计算机可读存储介质存储有计算机程序，所述计算机程序使得服务器执行前述所示实施例提供的路况预测方法。其中，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (22)

1.一种路况预测方法，其特征在于，包括：
根据目标区域的交通地图数据，获得所述目标区域的异质道路图，其中，所述交通地图数据包括所述目标区域的各个道路的道路标识、道路链接关系和链接关系类型；
根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，其中，所述交通路况数据包括所述各个道路上的车流行驶速度，m为大于1的整数；
基于所述异质道路的时空图，对所述目标区域在时间Tm+1的路况进行预测。
2.根据权利要求1所述的方法，其特征在于，所述根据目标区域的交通地图数据，获得所述目标区域的异质道路图，包括：
根据所述道路标识确定所述异质道路图中的各个顶点；
根据所述道路链接关系，确定所述各个顶点对应的链接边；
根据所述链接关系类型，将所述各个顶点与对应的链接边进行链接，获得所述异质道路图。
3.根据权利要求2所述的方法，其特征在于，所述根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，包括：
根据所述各个道路上的车流行驶速度，确定所述各个顶点在所述预设时间T1-Tm的属性值；
根据所述属性值和所述异质道路图，获得所述时空图。
4.根据权利要求2或3所述的方法，其特征在于，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
利用时空卷积网络，基于所述时空图，对所述目标区域在时间Tm+1的路况进行预测。
5.根据权利要求4所述的方法，其特征在于，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第一层时间卷积，对所述时空图进行时间维度上的卷积；
利用第二层空间卷积，基于所述时间卷积的输出，确定所述链接边对相应顶点的重要度；
基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
6.根据权利要求4所述的方法，其特征在于，在所述对所述目标区域在时间Tm+1的路况进行预测之后，还包括：
根据所述目标区域在时间Tm+1的预测速度与所述目标区域在时间Tm+1的真实速度，获得损失函数；
基于所述损失函数，对所述时空卷积网络进行优化。
7.根据权利要求5所述的方法，其特征在于，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
8.根据权利要求7所述的方法，其特征在于，在所述对所述目标区域在时间Tm+1的路况进行预测之前，还包括：
根据所述重要度，确定所述各个顶点的相邻顶点的输出隐状态；
根据所述相邻顶点的输出隐状态，获得所述各个顶点的输出隐状态。
9.根据权利要求8所述的方法，其特征在于，所述对所述目标区域在时间Tm+1的路况进行预测，包括：
将所述各个顶点的输出隐状态接入所述第三层时间卷积和所述第四层时间卷积；
利用所述第五层全连接层，基于所述第四层时间卷积的输出，对所述目标区域在时间Tm+1的路况进行预测。
10.根据权利要求5和7至9中任一项所述的方法，其特征在于，所述利用第二层空间卷积，基于所述时间卷积的输出结果，确定所述链接边对相应顶点的重要度，包括：
根据所述第二层空间卷积，利用注意力机制，获得所述各个顶点对应的链接边的评分；
基于所述评分，通过归一化处理，确定所述重要度。
11.一种路况预测装置，其特征在于，包括：
第一获得模块，用于根据目标区域的交通地图数据，获得所述目标区域的异质道路图，其中，所述交通地图数据包括所述目标区域的各个道路的道路标识、道路链接关系和链接关系类型；
第二获得模块，用于根据所述目标区域在预设时间T1-Tm的交通路况数据和所述异质道路图，获得所述目标区域的异质道路的时空图，其中，所述交通路况数据包括所述各个道路上的车流行驶速度，m为大于1的整数；
预测模块，用于基于所述异质道路的时空图，对所述目标区域在时间Tm+1的路况进行预测。
12.根据权利要求11所述的装置，其特征在于，所述第一获得模块，具体用于：
根据所述道路标识确定所述异质道路图中的各个顶点；
根据所述道路链接关系，确定所述各个顶点对应的链接边；
根据所述链接关系类型，将所述各个顶点与对应的链接边进行链接，获得所述异质道路图。
13.根据权利要求12所述的装置，其特征在于，所述第二获得模块，具体用于：
根据所述各个道路上的车流行驶速度，确定所述各个顶点在所述预设时间T1-Tm的属性值；
根据所述属性值和所述异质道路图，获得所述时空图。
14.根据权利要求12或13所述的装置，其特征在于，所述预测模块，具体用于：
利用时空卷积网络，基于所述时空图，对所述目标区域在时间Tm+1的路况进行预测。
15.根据权利要求14所述的装置，其特征在于，所述预测模块对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第一层时间卷积，对所述时空图进行时间维度上的卷积；
利用第二层空间卷积，基于所述时间卷积的输出，确定所述链接边对相应顶点的重要度；
基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
16.根据权利要求14所述的装置，其特征在于，还包括优化模块，用于在所述预测模块对所述目标区域在时间Tm+1的路况进行预测之后，根据所述目标区域在时间Tm+1的预测速度与所述目标区域在时间Tm+1的真实速度，获得损失函数；基于所述损失函数，对所述时空卷积网络进行优化。
17.根据权利要求15所述的装置，其特征在于，所述预测模块对所述目标区域在时间Tm+1的路况进行预测，包括：
利用第三层时间卷积、第四层时间卷积和第五层全连接层，基于所述重要度，对所述目标区域在时间Tm+1的路况进行预测。
18.根据权利要求17所述的装置，其特征在于，所述预测模块在对所述目标区域在时间Tm+1的路况进行预测之前，还用于：
根据所述重要度，确定所述各个顶点的相邻顶点的输出隐状态；
根据所述相邻顶点的输出隐状态，获得所述各个顶点的输出隐状态。
19.根据权利要求18所述的装置，其特征在于，所述预测模块对所述目标区域在时间Tm+1的路况进行预测，包括：
将所述各个顶点的输出隐状态接入所述第三层时间卷积和所述第四层时间卷积；
利用所述第五层全连接层，基于所述第四层时间卷积的输出，对所述目标区域在时间Tm+1的路况进行预测。
20.根据权利要求15和17至19中任一项所述的装置，其特征在于，所述预测模块利用第二层空间卷积，基于所述时间卷积的输出结果，确定所述链接边对相应顶点的重要度，包括：
根据所述第二层空间卷积，利用注意力机制，获得所述各个顶点对应的链接边的评分；
基于所述评分，通过归一化处理，确定所述重要度。
21.一种服务器，其特征在于，包括：
处理器；
存储器；以及
计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如权利要求1-10任一项所述的方法的指令。
22.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得服务器执行权利要求1-10任一项所述的方法。
CN202010403763.6A 2020-05-13 2020-05-13 路况预测方法、装置及存储介质 Pending CN111862590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010403763.6A CN111862590A (zh) 2020-05-13 2020-05-13 路况预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010403763.6A CN111862590A (zh) 2020-05-13 2020-05-13 路况预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN111862590A true CN111862590A (zh) 2020-10-30

Family

ID=72985521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010403763.6A Pending CN111862590A (zh) 2020-05-13 2020-05-13 路况预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN111862590A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113053155A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种基于预测路况确定预计到达时间的导航方法
WO2021139738A1 (zh) * 2020-01-07 2021-07-15 北京嘀嘀无限科技发展有限公司 一种确定目标任务执行车辆的方法和系统
CN114742280A (zh) * 2022-03-18 2022-07-12 北京百度网讯科技有限公司 路况预测方法及相应的模型训练方法、装置、设备及介质
CN117131938A (zh) * 2023-10-26 2023-11-28 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109598939A (zh) * 2018-12-24 2019-04-09 中国科学院地理科学与资源研究所 一种基于多任务多视图学习模型的短时交通预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
CN110364008A (zh) * 2019-08-16 2019-10-22 腾讯科技（深圳）有限公司 路况确定方法、装置、计算机设备和存储介质
CN110768819A (zh) * 2018-12-03 2020-02-07 北京嘀嘀无限科技发展有限公司 生成方法、规划方法、装置、终端和可读存储介质
CN110889558A (zh) * 2019-11-29 2020-03-17 北京世纪高通科技有限公司 路况预测方法及装置
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN110929962A (zh) * 2019-12-13 2020-03-27 中国科学院深圳先进技术研究院 一种基于深度学习的交通流量预测方法及装置
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备
CN111081010A (zh) * 2018-10-18 2020-04-28 阿里巴巴集团控股有限公司 一种交通流量或旅行时间的预测方法和设备

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111081010A (zh) * 2018-10-18 2020-04-28 阿里巴巴集团控股有限公司 一种交通流量或旅行时间的预测方法和设备
CN110768819A (zh) * 2018-12-03 2020-02-07 北京嘀嘀无限科技发展有限公司 生成方法、规划方法、装置、终端和可读存储介质
CN109598939A (zh) * 2018-12-24 2019-04-09 中国科学院地理科学与资源研究所 一种基于多任务多视图学习模型的短时交通预测方法
CN109754605A (zh) * 2019-02-27 2019-05-14 中南大学 一种基于注意力时态图卷积网络的交通预测方法
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
CN110364008A (zh) * 2019-08-16 2019-10-22 腾讯科技（深圳）有限公司 路况确定方法、装置、计算机设备和存储介质
CN110909909A (zh) * 2019-09-03 2020-03-24 南京理工大学 基于深度学习和多层时空特征图的短时交通流预测方法
CN110889558A (zh) * 2019-11-29 2020-03-17 北京世纪高通科技有限公司 路况预测方法及装置
CN110929962A (zh) * 2019-12-13 2020-03-27 中国科学院深圳先进技术研究院 一种基于深度学习的交通流量预测方法及装置
CN110969854A (zh) * 2019-12-13 2020-04-07 深圳先进技术研究院 一种交通流量的预测方法、系统及终端设备

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021139738A1 (zh) * 2020-01-07 2021-07-15 北京嘀嘀无限科技发展有限公司 一种确定目标任务执行车辆的方法和系统
CN113053155A (zh) * 2020-12-23 2021-06-29 沈阳世纪高通科技有限公司 一种基于预测路况确定预计到达时间的导航方法
CN114742280A (zh) * 2022-03-18 2022-07-12 北京百度网讯科技有限公司 路况预测方法及相应的模型训练方法、装置、设备及介质
WO2023173633A1 (zh) * 2022-03-18 2023-09-21 北京百度网讯科技有限公司 路况预测方法及相应的模型训练方法、装置、设备及介质
CN117131938A (zh) * 2023-10-26 2023-11-28 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和系统
CN117131938B (zh) * 2023-10-26 2024-01-19 合肥工业大学 基于图深度学习的动态隐性关系挖掘方法和系统

Similar Documents

Publication Publication Date Title
US11150100B2 (en) Safe routing for navigation systems
CN111862590A (zh) 路况预测方法、装置及存储介质
CN109724611B (zh) 路径规划方法、装置、电子设备及存储介质
US8504295B2 (en) Preserving assigned carpools after a cancellation
Liu et al. Dynamic shared autonomous taxi system considering on-time arrival reliability
JP2023510879A (ja) 路線計画方法、装置、機器、及びコンピュータ記憶媒体
CN108053673A (zh) 一种路况预报方法、存储介质和服务器
US9273970B2 (en) Systems and methods for generating a plurality of trip patterns
Wang et al. Predicting the matching probability and the expected ride/shared distance for each dynamic ridepooling order: A mathematical modeling approach
CN110136438A (zh) 基于人工智能的道路切换方法、装置、设备及存储介质
CN111862591A (zh) 路况预测方法、装置及存储介质
Ben-Akiva et al. DTA2012 Symposium: combining disaggregate route choice estimation with aggregate calibration of a dynamic traffic assignment model
CN116046008A (zh) 基于态势感知的路线规划方法、系统及效能评估装置
CN110245776B (zh) 一种基于多属性蚁群算法的智能交通路径规划方法
CN111476389A (zh) 一种预估接单等待时长的方法及装置
CN113570096A (zh) 一种基于大数据的智能出行的方法及装置
CN111141302B (zh) 车辆驾驶到达时间的预估方法、装置及电子设备
Fu et al. Incremental path planning: Reservation system in V2X environment
CN109934496B (zh) 区域间通行影响确定方法、装置、设备和介质
Du et al. Online stochastic routing incorporating real-time traffic information
CN116194935B (zh) 用于确定地理区域中的车辆的导航简档的方法和设备
Tsai et al. An IoT based parking recommendation system considering distance and parking lot flow
JP2021012607A (ja) ポート開設場所提案装置
CN112991712B (zh) 预测交通密度的方法、系统、计算机设备和存储介质
CN114781243A (zh) Eta预测及模型训练方法、设备、介质及产品

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030

RJ01 Rejection of invention patent application after publication