CN111862591A - 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 PDFInfo
- Publication number
- CN111862591A CN111862591A CN202010404421.6A CN202010404421A CN111862591A CN 111862591 A CN111862591 A CN 111862591A CN 202010404421 A CN202010404421 A CN 202010404421A CN 111862591 A CN111862591 A CN 111862591A
- Authority
- CN
- China
- Prior art keywords
- road
- moment
- target area
- traffic flow
- network
- 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
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
- 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,该方法利用历史车流信息来构建车流网络,进而,在车辆网络的基础上预测未来路况,其中,从上述历史车流信息中确定每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,从而,解决现有车况预测中数据源的路网信息有缺陷的问题,保证构建车流网络与实际情况相匹配,而且,本申请实施例考虑历史的偏好,从历史信息中学习不同路段之间的相关性,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
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,路况预测是按城市路网进行建图(Graph)。图上的一个顶点代表一个路段,两个顶点间的边代表两个路段相邻。
然而,上述技术的数据源的路网信息存在缺陷,例如:有些路段虽然直接相连,但很少有人走,那么这两条路段之间的相关性其实不高;另外,上述技术考虑信息不全面,例如上述技术在一条路段同时与其他K-1条路段相邻时,直接认为这K条路段等价,而事实上这些路段肯定存在差异。因此导致上述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:
根据目标区域在预设时刻T1-Tm的车流轨迹,确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,所述相关性包含所述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;所述每条车流轨迹包含多个路段P1-Pn,所述n为对应车流轨迹的长度,n为大于1的整数;
根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络;
基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
利用图卷积网络,基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
基于所述图卷积网络,确定所述车流网络中每一路段从相邻路段聚合特征时,所述相邻路段的贡献比例;
根据所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,在所述对所述目标区域在Tm+1时刻的路况进行预测之后,还包括:
根据所述目标区域在Tm+1时刻的预测速度与所述目标区域在Tm+1时刻的真实速度,获得损失函数;
基于所述损失函数,对所述图卷积网络进行优化。
在一种可能的实现方式中,所述确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,包括:
根据所述目标区域在所述预设时刻T1-Tm的车流轨迹,确定所述各个路段之间的k-hop共现和k-hop下游;
其中,所述k-hop共现表示第一待处理路段与第二待处理路段出现在同一车流轨迹上,且所述第一待处理路段经过k个路段转向到达所述第二待处理路段,所述第二待处理路段为所述第一待处理路段的k-hop下游,k为大于0的整数;
基于所述k-hop共现,确定所述k-hop下游对应的路段的出现频次;
根据所述k-hop共现和所述出现频次,确定所述各个路段之间的相关性。
在一种可能的实现方式中,所述根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络,包括:
根据所述相关性,确定所述各个路段与相邻路段之间的权重,所述权重包含所述转向概率;
根据所述权重和所述各个路段,获得所述目标区域在所述每个时刻的车流网络。
在一种可能的实现方式中,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
利用循环神经网络和全连接网络,基于所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,在所述对所述目标区域在Tm+1时刻的路况进行预测之前,还包括:
根据所述贡献比例,确定所述车流网络中每一路段的输出隐状态;
根据所述输出隐状态,获得在所述预设时刻T1-Tm的输出隐状态H1-Hm。
在一种可能的实现方式中,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
将所述输出隐状态H1-Hm接入所述循环神经网络,获得所述目标区域在Tm+1时刻的输出隐状态Hm+1;
利用所述全连接网络,基于所述输出隐状态Hm+1,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,所述方法还包括:
根据所述图卷积网络,利用Attention机制,获得所述车流网络中每一路段与相邻路段的Attention因子;
基于所述Attention因子,通过归一化处理,确定所述贡献比例。
第二方面,本申请实施例提供一种路况预测装置,包括:
确定模块,用于根据目标区域在预设时刻T1-Tm的车流轨迹,确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,所述相关性包含所述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;所述每条车流轨迹包含多个路段P1-Pn,所述n为对应车流轨迹的长度,n为大于1的整数;
获得模块,用于根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络;
预测模块,用于基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,所述预测模块,具体用于:
利用图卷积网络,基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的路况进行预测,包括:
基于所述图卷积网络,确定所述车流网络中每一路段从相邻路段聚合特征时,所述相邻路段的贡献比例;
根据所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的路况进行预测之后,根据所述目标区域在Tm+1时刻的预测速度与所述目标区域在Tm+1时刻的真实速度,获得损失函数;基于所述损失函数,对所述图卷积网络进行优化。
在一种可能的实现方式中,所述确定模块,具体用于:
根据所述目标区域在所述预设时刻T1-Tm的车流轨迹,确定所述各个路段之间的k-hop共现和k-hop下游;
其中,所述k-hop共现表示第一待处理路段与第二待处理路段出现在同一车流轨迹上,且所述第一待处理路段经过k个路段转向到达所述第二待处理路段,所述第二待处理路段为所述第一待处理路段的k-hop下游,k为大于0的整数;
基于所述k-hop共现,确定所述k-hop下游对应的路段的出现频次;
根据所述k-hop共现和所述出现频次,确定所述各个路段之间的相关性。
在一种可能的实现方式中,所述获得模块,具体用于:
根据所述相关性,确定所述各个路段与相邻路段之间的权重,所述权重包含所述转向概率;
根据所述权重和所述各个路段,获得所述目标区域在所述每个时刻的车流网络。
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Tm+1时刻的路况进行预测,包括:
利用循环神经网络和全连接网络,基于所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的路况进行预测之前,还用于:
根据所述贡献比例,确定所述车流网络中每一路段的输出隐状态;
根据所述输出隐状态,获得在所述预设时刻T1-Tm的输出隐状态H1-Hm。
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Tm+1时刻的路况进行预测,包括:
将所述输出隐状态H1-Hm接入所述循环神经网络,获得所述目标区域在Tm+1时刻的输出隐状态Hm+1;
利用所述全连接网络,基于所述输出隐状态Hm+1,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,所述预测模块还用于:
根据所述图卷积网络,利用Attention机制,获得所述车流网络中每一路段与相邻路段的Attention因子;
基于所述Attention因子,通过归一化处理,确定所述贡献比例。
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,该方法利用历史车流信息来构建车流网络,进而,在车辆网络的基础上预测未来路况,其中,从上述历史车流信息中确定每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,从而,解决现有车况预测中数据源的路网信息有缺陷的问题,保证构建车流网络与实际情况相匹配,而且,本申请实施例考虑历史的偏好,从历史信息中学习不同路段之间的相关性,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现有路网示意图;
图2为本申请实施例提供的路况预测系统架构示意图;
图3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车流网络的示意图;
图6为本申请实施例提供的学习路段i对路段j的贡献比例的模型图;
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,路况预测是按城市路网进行建图。图上的一个顶点代表一个路段,两个顶点间的边代表两个路段相邻。如图1所示,图1左图可以建如右图的一张路网。建图后,在把道路的历史平均速度作为图中顶点上的动态特征,用卷积网络来进行训练,最后得到预测的路况信息。
然而,上述技术的数据源的路网信息存在缺陷,例如:有些路段虽然直接相连,但很少有人走,那么这两条路段之间的相关性其实不高;另外,上述技术考虑信息不全面,例如上述技术在一条路段同时与其他K-1条路段相邻时,直接认为这K条路段等价,而事实上这些路段肯定存在差异。因此导致上述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利用历史车流信息,构建基于车流的道路网络,再在车流网络的基础上,预测未来路况,解决现有路况预测由于数据源的路网信息存在缺陷,且考虑信息不全面,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,以及人们出行的路线规划、导航等,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2所示的应用场景中。图2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2所示的应用场景。
图2为路况预测系统架构示意图。在图2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2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。服务器11在接收到该区域信息后,会指利用该区域的历史车流信息,构建基于车流的道路网络,再在车流网络的基础上,预测上述区域的未来路况,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。
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2中的服务器11。服务器11的工作流程主要包括车流网络获得阶段和路况预测阶段。在车流网络获得阶段,服务器11利用历史车流信息,构建基于车流的道路网络。在路况预测阶段,服务器11再在车流网络的基础上,预测未来路况,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3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3所示,在图2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:
S301:根据目标区域在预设时刻T1-Tm的车流轨迹,确定上述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;上述每条车流轨迹包含多个路段P1-Pn,n为对应车流轨迹的长度,n为大于1的整数。
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。
同样,上述预设时刻T1-Tm也可以根据实际情况确定,例如以5分钟作为一个时刻Ti,i=1…m,上述预设时刻T1-Tm为近期一个月,本申请实施例对此不做特别限制。
在本申请实施例中,服务器可以首先获取目标区域在预设时刻T1-Tm的车流轨迹,其中,每条车流轨迹可以表示为路段序列,即P1-Pn,n为轨迹的长度。然后,服务器根据上述车流轨迹,确定上述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率。这里,假如一条车流轨迹包含路段P1-P9,以路段P1为例,上述相关性包含路段P1与其它路段P2-P9的转向关系和转向概率。
示例性的,上述确定上述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,包括:
根据上述目标区域在上述预设时刻T1-Tm的车流轨迹,确定上述各个路段之间的k-hop共现和k-hop下游;
其中,上述k-hop共现表示第一待处理路段与第二待处理路段出现在同一车流轨迹上,且第一待处理路段经过k个路段转向到达第二待处理路段,第二待处理路段为第一待处理路段的k-hop下游,k为大于0的整数;
基于上述k-hop共现,确定上述k-hop下游对应的路段的出现频次;
根据上述k-hop共现和上述出现频次,确定上述各个路段之间的相关性。
这里,上述第一待处理路段与第二待处理路段可以为任意路段,例如上述车流轨迹包含路段P1-P9,第一待处理路段为P1,第二待处理路段P2,如果P1经过1个路段转向到达P2,则P1和P2出现一次1-hop共现,P2为P1的1-hop下游。同理,第一待处理路段为P1,第二待处理路段P3,如果P1经过1个路段转向到达P3,则P1和P3出现一次1-hop共现,P3为P1的1-hop下游。另外,第一待处理路段为P1,第二待处理路段P4,如果P1经过3个路段转向到达P4,则P1和P4出现一次3-hop共现,P4为P1的3-hop下游等等。
在上述基础上,服务器基于上述k-hop共现,确定上述k-hop下游对应的路段的出现频次,例如,以上述1-hop共现为例,上述1-hop共现出现两次,上述1-hop下游对应的路段P2出现一次,上述1-hop下游对应的路段P3出现一次。进而,服务器根据上述k-hop共现和上述出现频次,确定上述各个路段之间的相关性。即服务器确定上述各个路段之间的转向关系和转向概率,例如还以上述1-hop共现为例,P1经过1个路段转向到达P2,P1经过1个路段转向到达P3,P1经过1个路段转向P2的概率1/2(上述1-hop共现出现两次,上述1-hop下游对应的路段P2出现一次,即P1经过1个路段转向的有两次,转向到P2的有一次),同理,P1经过1个路段转向P2的概率也为1/2。
本申请实施例通过从上述历史车流信息中确定每条车流轨迹中各个路段之间的相关性,从而,解决现有车况预测中数据源的路网信息有缺陷的问题,保证构建车流网络与实际情况相匹配,而且,本申请实施例考虑历史的偏好,从历史信息中学习不同路段之间的相关性,使得后续预测的路况信息与实际情况相符。
S302:根据上述各个路段和上述相关性,获得上述目标区域在所述每个时刻的车流网络。
在一种可能的实现方式中,上述根据上述各个路段和上述相关性,获得上述目标区域在上述每个时刻的车流网络,包括:
根据上述相关性,确定上述各个路段与相邻路段之间的权重,该权重包含上述转向概率;
根据上述权重和上述各个路段,获得上述目标区域在上述每个时刻的车流网络。
示例性的,服务器在上述历史车流轨迹数据上,即上述目标区域在预设时刻T1-Tm的车流轨迹上,统计每条车流轨迹的每个路段之间的相关性,从而,基于该相关性,确定每条车流轨迹的每个路段与其相邻路段之间的权重,该权重包含上述转向概率,例如还以上述1-hop共现为例,P1经过1个路段转向到达P2,P1经过1个路段转向到达P3,P1经过1个路段转向P2的概率1/2,P1经过1个路段转向P2的概率也为1/2。进而,服务器根据该权重和上述各个路段,形成上述目标区域在上述每个时刻的车流构成的网络。
具体的,服务器可以统计每个路段与其相邻路段之间的转向概率最大的几个,例如5个,从而,在图上,从Pi出发,分别连接一条有向边到Pi1至Pi5,边的权重为上述转向概率。
S303:基于上述车流网络,对上述目标区域在Tm+1时刻的路况进行预测。
本申请实施例,利用历史车流信息来构建车流网络,进而,在车辆网络的基础上预测未来路况,其中,从上述历史车流信息中确定每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,从而,解决现有车况预测中数据源的路网信息有缺陷的问题,保证构建车流网络与实际情况相匹配,而且,本申请实施例考虑历史的偏好,从历史信息中学习不同路段之间的相关性,使得预测的路况信息与实际情况相符,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Tm+1时刻的路况进行预测时,在上述车流网络的基础上,利用图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:根据目标区域在预设时刻T1-Tm的车流轨迹,确定上述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;上述每条车流轨迹包含多个路段P1-Pn,n为对应车流轨迹的长度,n为大于1的整数。
S402:根据上述各个路段和上述相关性,获得上述目标区域在上述每个时刻的车流网络。
其中,步骤S401-S402与上述步骤S301-S302的实现方式相同,此处不再赘述。
S403:利用图卷积网络,基于上述车流网络,对上述目标区域在Tm+1时刻的路况进行预测。
在一种可能的实现方式中,基于上述图卷积网络,确定上述车流网络中每一路段从相邻路段聚合特征时,相邻路段的贡献比例;
根据上述贡献比例,对上述目标区域在Tm+1时刻的路况进行预测。
示例性的,如图5所示,假设在车流网络上,路段j与i,a,b,c相邻。则根据图卷积网络的思想,j的路况与i,a,b,c的路况相关,即在j上聚合i,a,b,c的信息,去预测j的路况。在聚合路段i,a,b,c的信息时,服务器学习到不同路段对j产生的影响的差异,即相邻路段的贡献比例,进而,根据该贡献比例,对上述目标区域在Tm+1时刻的路况进行预测,从而,使得预测的路况信息与实际情况相符。
其中,上述学习不同路段对j产生的影响的差异(确定上述贡献比例)时,利用到Attention机制。在本申请实施例中,根据上述图卷积网络,利用Attention机制,获得上述车流网络中每一路段与相邻路段的Attention因子,进而,基于该Attention因子,通过归一化处理,确定上述贡献比例。
示例性的,如图6所示,图6是学习i对j的贡献比例的模型图。hi和hj代表i和j上的输入特征,σ是sigmoid函数。如图5所示,i和j之间有两条边(1-hop,3-hop),则计算attention时,会分别为1-hop和3-hop创建一个通路,再把两个通路的计算值相加,得到i,j之间的attention因子uji。同样的方式计算uja,ujb,ujc之后,通过归一化处理,例如通过softmax函数,将其一起归一化。得到的f(uji)、f(uja)、f(ujb)、f(ujc)即代表j从邻居聚合特征时,i,a,b,c的贡献比例。
另外,在上述对上述目标区域在Tm+1时刻的路况进行预测时,不仅利用图卷积网络,还利用循环神经网络和全连接网络。
可选地,上述根据上述贡献比例,对上述目标区域在Tm+1时刻的路况进行预测,包括:
利用循环神经网络和全连接网络,基于上述贡献比例,对上述目标区域在Tm+1时刻的路况进行预测。
示例性的,在上述确定上述车流网络中每一路段从相邻路段聚合特征时,相邻路段的贡献比例之后,根据上述贡献比例,对上述目标区域在Tm+1时刻的路况进行预测之前,还可以:
根据上述贡献比例,确定上述车流网络中每一路段的输出隐状态;
根据上述输出隐状态,获得在上述预设时刻T1-Tm的输出隐状态H1-Hm。
以上述图6为例,在得到f(uji)、f(uja)、f(ujb)、f(ujc)即代表j从邻居聚合特征时,i,a,b,c的贡献比例后,基于该贡献比例,确定j的输出隐状态H=f(uji)*hi+f(uja)*ha+f(ujb)*hb+f(ujc)*hc。
对于每个时刻T1-Tm,由于输入的路况(hi,ha,hb,hc等)不一样,得到的隐状态H也不一样。根据,不同时刻的H即为H1-Hm。
进而,在得到上述输出隐状态H1-Hm基础上,上述利用循环神经网络和全连接网络,基于上述贡献比例,对上述目标区域在Tm+1时刻的路况进行预测可以包括:
将上述输出隐状态H1-Hm接入上述循环神经网络,获得上述目标区域在Tm+1时刻的输出隐状态Hm+1;
利用上述全连接网络,基于上述输出隐状态Hm+1,对上述目标区域在Tm+1时刻的路况进行预测。
示例性的,在上述不同时刻的H即为H1-Hm基础上,把H1-Hm传入循环神经网络,预测下一个时刻的隐状态Hm+1,之后将Hm+1连接一层全连接网络,输出预测路况。
本申请实施例,利用历史车流信息来构建车流网络,并且在车流网络上进行带Attention的时空图卷积,进行路况预测,其中,从上述历史车流信息中确定每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,从而,解决现有车况预测中数据源的路网信息有缺陷的问题,保证构建车流网络与实际情况相匹配,而且,本申请实施例考虑历史的偏好,从历史信息中学习不同路段之间的相关性,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Tm+1时刻的路况进行预测后,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:根据目标区域在预设时刻T1-Tm的车流轨迹,确定上述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;上述每条车流轨迹包含多个路段P1-Pn,n为对应车流轨迹的长度,n为大于1的整数。
S702:根据上述各个路段和上述相关性,获得上述目标区域在上述每个时刻的车流网络;
S703:利用图卷积网络,基于上述车流网络,对上述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的预测速度与上述目标区域在Tm+1时刻的真实速度,获得损失函数。
S705:基于上述损失函数,对上述图卷积网络进行优化。
这里,在对上述目标区域在Tm+1时刻的路况进行预测后,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,对上述图卷积网络进行优化。示例性的,用梯度下降的方法,去优化损失函数,调整上述图卷积网络的参数,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。
另外,如果在上述对上述目标区域在Tm+1时刻的路况进行预测时,不仅利用图卷积网络,还利用循环神经网络和全连接网络。则在对上述目标区域在Tm+1时刻的路况进行预测后,计算预设速度和真实速度之间的差距,获得损失函数。进而,可以基于该损失函数,对上述图卷积网络、循环神经网络和全连接网络进行优化,调整上述图卷积网络、循环神经网络和全连接网络的参数,使得预测值和真实值更接近。
最后,已经训练好模型参数,当需要预测下个时刻Tm+1N个路段上的路况时。统计历史T1-Tm时刻,N个路段上的路况,输入模型,模型自动输出Tm+1时刻,N个路段上的预测路况。
在本申请实施例中,在对目标区域在Tm+1时刻的路况进行预测后,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。而且本申请实施例利用历史车流信息来构建车流网络,进而,在车辆网络的基础上预测未来路况,其中,从上述历史车流信息中确定每条车流轨迹中各个路段之间的相关性,该相关性包含上述各个路段之间的转向关系和转向概率,从而,解决现有车况预测中数据源的路网信息有缺陷的问题,保证构建车流网络与实际情况相匹配,另外,本申请实施例考虑历史的偏好,从历史信息中学习不同路段之间的相关性,使得预测的路况信息与实际情况相符,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:确定模块801、获得模块802、预测模块803以及优化模块804。
其中,确定模块801,用于根据目标区域在预设时刻T1-Tm的车流轨迹,确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,所述相关性包含所述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;所述每条车流轨迹包含多个路段P1-Pn,所述n为对应车流轨迹的长度,n为大于1的整数。
获得模块802,用于根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络。
预测模块803,用于基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的设计中,所述预测模块803,具体用于:
利用图卷积网络,基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的设计中,所述预测模块803对所述目标区域在Tm+1时刻的路况进行预测,包括:
基于所述图卷积网络,确定所述车流网络中每一路段从相邻路段聚合特征时,所述相邻路段的贡献比例;
根据所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的设计中,上述优化模块804,用于在所述预测模块803对所述目标区域在Tm+1时刻的路况进行预测之后,根据所述目标区域在Tm+1时刻的预测速度与所述目标区域在Tm+1时刻的真实速度,获得损失函数;基于所述损失函数,对所述图卷积网络进行优化。
在一种可能的设计中,所述确定模块801,具体用于:
根据所述目标区域在所述预设时刻T1-Tm的车流轨迹,确定所述各个路段之间的k-hop共现和k-hop下游;
其中,所述k-hop共现表示第一待处理路段与第二待处理路段出现在同一车流轨迹上,且所述第一待处理路段经过k个路段转向到达所述第二待处理路段,所述第二待处理路段为所述第一待处理路段的k-hop下游,k为大于0的整数;
基于所述k-hop共现,确定所述k-hop下游对应的路段的出现频次;
根据所述k-hop共现和所述出现频次,确定所述各个路段之间的相关性。
在一种可能的设计中,所述获得模块802,具体用于:
根据所述相关性,确定所述各个路段与相邻路段之间的权重,所述权重包含所述转向概率;
根据所述权重和所述各个路段,获得所述目标区域在所述每个时刻的车流网络。
在一种可能的设计中,所述预测模块803对所述目标区域在Tm+1时刻的路况进行预测,包括:
利用循环神经网络和全连接网络,基于所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的路况进行预测之前,还用于:
根据所述贡献比例,确定所述车流网络中每一路段的输出隐状态;
根据所述输出隐状态,获得在所述预设时刻T1-Tm的输出隐状态H1-Hm。
在一种可能的设计中,所述预测模块803对所述目标区域在Tm+1时刻的路况进行预测,包括:
将所述输出隐状态H1-Hm接入所述循环神经网络,获得所述目标区域在Tm+1时刻的输出隐状态Hm+1;
利用所述全连接网络,基于所述输出隐状态Hm+1,对所述目标区域在Tm+1时刻的路况进行预测。
在一种可能的设计中,所述预测模块803还用于:
根据所述图卷积网络,利用Attention机制,获得所述车流网络中每一路段与相邻路段的Attention因子;
基于所述Attention因子,通过归一化处理,确定所述贡献比例。
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:
根据目标区域在预设时刻T1-Tm的车流轨迹,确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,所述相关性包含所述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;所述每条车流轨迹包含多个路段P1-Pn,所述n为对应车流轨迹的长度,n为大于1的整数;
根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络;
基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
2.根据权利要求1所述的方法,其特征在于,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
利用图卷积网络,基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
3.根据权利要求2所述的方法,其特征在于,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
基于所述图卷积网络,确定所述车流网络中每一路段从相邻路段聚合特征时,所述相邻路段的贡献比例;
根据所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
4.根据权利要求2或3所述的方法,其特征在于,在所述对所述目标区域在Tm+1时刻的路况进行预测之后,还包括:
根据所述目标区域在Tm+1时刻的预测速度与所述目标区域在Tm+1时刻的真实速度,获得损失函数;
基于所述损失函数,对所述图卷积网络进行优化。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,包括:
根据所述目标区域在所述预设时刻T1-Tm的车流轨迹,确定所述各个路段之间的k-hop共现和k-hop下游;
其中,所述k-hop共现表示第一待处理路段与第二待处理路段出现在同一车流轨迹上,且所述第一待处理路段经过k个路段转向到达所述第二待处理路段,所述第二待处理路段为所述第一待处理路段的k-hop下游,k为大于0的整数;
基于所述k-hop共现,确定所述k-hop下游对应的路段的出现频次;
根据所述k-hop共现和所述出现频次,确定所述各个路段之间的相关性。
6.根据权利要求1至3任一项所述的方法,其特征在于,所述根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络,包括:
根据所述相关性,确定所述各个路段与相邻路段之间的权重,所述权重包含所述转向概率;
根据所述权重和所述各个路段,获得所述目标区域在所述每个时刻的车流网络。
7.根据权利要求3所述的方法,其特征在于,所述对所述目标区域在Tm+1时刻的路况进行预测,包括:
利用循环神经网络和全连接网络,基于所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的路况进行预测之前,还包括:
根据所述贡献比例,确定所述车流网络中每一路段的输出隐状态;
根据所述输出隐状态,获得在所述预设时刻T1-Tm的输出隐状态H1-Hm。
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Tm+1时刻的路况进行预测,包括:
将所述输出隐状态H1-Hm接入所述循环神经网络,获得所述目标区域在Tm+1时刻的输出隐状态Hm+1;
利用所述全连接网络,基于所述输出隐状态Hm+1,对所述目标区域在Tm+1时刻的路况进行预测。
10.根据权利要求3和7至9中任一项所述的方法,其特征在于,所述方法还包括:
根据所述图卷积网络,利用Attention机制,获得所述车流网络中每一路段与相邻路段的Attention因子;
基于所述Attention因子,通过归一化处理,确定所述贡献比例。
11.一种路况预测装置,其特征在于,包括:
确定模块,用于根据目标区域在预设时刻T1-Tm的车流轨迹,确定所述目标区域在每个时刻的每条车流轨迹中各个路段之间的相关性,所述相关性包含所述各个路段之间的转向关系和转向概率,其中,m为大于1的整数;所述每条车流轨迹包含多个路段P1-Pn,所述n为对应车流轨迹的长度,n为大于1的整数;
获得模块,用于根据所述各个路段和所述相关性,获得所述目标区域在所述每个时刻的车流网络;
预测模块,用于基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
12.根据权利要求11所述的装置,其特征在于,所述预测模块,具体用于:
利用图卷积网络,基于所述车流网络,对所述目标区域在Tm+1时刻的路况进行预测。
13.根据权利要求12所述的装置,其特征在于,所述预测模块对所述目标区域在Tm+1时刻的路况进行预测,包括:
基于所述图卷积网络,确定所述车流网络中每一路段从相邻路段聚合特征时,所述相邻路段的贡献比例;
根据所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
14.根据权利要求12或13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Tm+1时刻的路况进行预测之后,根据所述目标区域在Tm+1时刻的预测速度与所述目标区域在Tm+1时刻的真实速度,获得损失函数;基于所述损失函数,对所述图卷积网络进行优化。
15.根据权利要求11至13中任一项所述的装置,其特征在于,所述确定模块,具体用于:
根据所述目标区域在所述预设时刻T1-Tm的车流轨迹,确定所述各个路段之间的k-hop共现和k-hop下游;
其中,所述k-hop共现表示第一待处理路段与第二待处理路段出现在同一车流轨迹上,且所述第一待处理路段经过k个路段转向到达所述第二待处理路段,所述第二待处理路段为所述第一待处理路段的k-hop下游,k为大于0的整数;
基于所述k-hop共现,确定所述k-hop下游对应的路段的出现频次;
根据所述k-hop共现和所述出现频次,确定所述各个路段之间的相关性。
16.根据权利要求11至13中任一项所述的装置,其特征在于,所述获得模块,具体用于:
根据所述相关性,确定所述各个路段与相邻路段之间的权重,所述权重包含所述转向概率;
根据所述权重和所述各个路段,获得所述目标区域在所述每个时刻的车流网络。
17.根据权利要求13所述的装置,其特征在于,所述预测模块对所述目标区域在Tm+1时刻的路况进行预测,包括:
利用循环神经网络和全连接网络,基于所述贡献比例,对所述目标区域在Tm+1时刻的路况进行预测。
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Tm+1时刻的路况进行预测之前,还用于:
根据所述贡献比例,确定所述车流网络中每一路段的输出隐状态;
根据所述输出隐状态,获得在所述预设时刻T1-Tm的输出隐状态H1-Hm。
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Tm+1时刻的路况进行预测,包括:
将所述输出隐状态H1-Hm接入所述循环神经网络,获得所述目标区域在Tm+1时刻的输出隐状态Hm+1;
利用所述全连接网络,基于所述输出隐状态Hm+1,对所述目标区域在Tm+1时刻的路况进行预测。
20.根据权利要求13和17至19中任一项所述的装置,其特征在于,所述预测模块还用于:
根据所述图卷积网络,利用Attention机制,获得所述车流网络中每一路段与相邻路段的Attention因子;
基于所述Attention因子,通过归一化处理,确定所述贡献比例。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010404421.6A CN111862591A (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 |
---|---|---|---|
CN202010404421.6A CN111862591A (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 |
---|---|
CN111862591A true CN111862591A (zh) | 2020-10-30 |
Family
ID=72985723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010404421.6A Pending CN111862591A (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) | CN111862591A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115457759A (zh) * | 2022-07-22 | 2022-12-09 | 中智行(苏州)科技有限公司 | 基于车路协同的道路交通实时路况信息分析系统和方法 |
WO2023277814A3 (en) * | 2021-06-30 | 2023-02-09 | Grabtaxi Holdings Pte. Ltd. | Computer-implemented apparatus and method for predicting traffic conditions in a route planning application |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
CN110942637A (zh) * | 2019-12-17 | 2020-03-31 | 浙江工业大学 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
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 |
AU2020100371A4 (en) * | 2020-03-12 | 2020-04-16 | Jilin University | Hierarchical multi-object tracking method based on saliency detection |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
-
2020
- 2020-05-13 CN CN202010404421.6A patent/CN111862591A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110827544A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于图卷积循环神经网络的短时交通流控制方法 |
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 |
CN110942637A (zh) * | 2019-12-17 | 2020-03-31 | 浙江工业大学 | 基于空域图卷积神经网络的scats系统道路交通流预测方法 |
CN111091712A (zh) * | 2019-12-25 | 2020-05-01 | 浙江大学 | 一种基于循环注意力对偶图卷积网络的交通流量预测方法 |
AU2020100371A4 (en) * | 2020-03-12 | 2020-04-16 | Jilin University | Hierarchical multi-object tracking method based on saliency detection |
Non-Patent Citations (2)
Title |
---|
YUJUN HUANG 等: "Diffusion Convolutional Recurrent Neural Network with Rank Influence Learning for Traffic Forecasting", 《2019 18TH IEEE INTERNATIONAL CONFERENCE ON TRUST, SECURITY AND PRIVACY IN COMPUTING AND COMMUNICATIONS/13TH IEEE INTERNATIONAL CONFERENCE ON BIG DATA SCIENCE AND ENGINEERING (TRUSTCOM/BIGDATASE)》 * |
徐冰冰: "图卷积神经网络综述", 《计算机学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023277814A3 (en) * | 2021-06-30 | 2023-02-09 | Grabtaxi Holdings Pte. Ltd. | Computer-implemented apparatus and method for predicting traffic conditions in a route planning application |
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 |
CN115457759A (zh) * | 2022-07-22 | 2022-12-09 | 中智行(苏州)科技有限公司 | 基于车路协同的道路交通实时路况信息分析系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109724611B (zh) | 路径规划方法、装置、电子设备及存储介质 | |
Chai et al. | Search for parking: A dynamic parking and route guidance system for efficient parking and traffic management | |
CN111862591A (zh) | 路况预测方法、装置及存储介质 | |
US10826808B2 (en) | Vehicle application enabling and network routing systems implemented based on latency characterization and projection | |
Lu et al. | A bi-criterion dynamic user equilibrium traffic assignment model and solution algorithm for evaluating dynamic road pricing strategies | |
WO2018035058A1 (en) | Latent space model for road networks to predict time-varying traffic | |
CN111489553A (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
Zheng et al. | A stochastic simulation-based optimization method for equitable and efficient network-wide signal timing under uncertainties | |
CN109872535A (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
US20190234752A1 (en) | Travel Routing Selection System and Methods Implemented Based on Characterization of Historical Latency Data | |
US10395520B2 (en) | Method and apparatus for constructing a traffic model | |
CN111862590A (zh) | 路况预测方法、装置及存储介质 | |
Masikos et al. | Machine‐learning methodology for energy efficient routing | |
Wang et al. | Predicting the matching probability and the expected ride/shared distance for each dynamic ridepooling order: A mathematical modeling approach | |
Zhang et al. | Trajgail: Trajectory generative adversarial imitation learning for long-term decision analysis | |
Wu et al. | Data-driven inverse learning of passenger preferences in urban public transits | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
Osorio et al. | Reducing gridlock probabilities via simulation-based signal control | |
Ning et al. | Robust and resilient equilibrium routing mechanism for traffic congestion mitigation built upon correlated equilibrium and distributed optimization | |
Xie et al. | A shared parking optimization framework based on dynamic resource allocation and path planning | |
US10467888B2 (en) | System and method for dynamically adjusting an emergency coordination simulation system | |
Fu et al. | Incremental path planning: Reservation system in V2X environment | |
Li et al. | Ridesplitting demand prediction via spatiotemporal multi-graph convolutional network | |
CN110956299B (zh) | 一种到达时间预估方法及装置 | |
Lu et al. | Variable toll pricing and heterogeneous users: Model and solution algorithm for bicriterion dynamic traffic assignment problem |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201030 |