CN112382099A - 交通路况预测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请涉及数据处理及人工智能技术领域，公开了一种交通路况预测方法、装置、电子设备及存储介质，该交通路况预测方法包括：获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。利用本申请提供的交通路况预测方案，能够提升获得的待预测时期的交通拥堵概率的准确性。

Description

交通路况预测方法、装置、电子设备及存储介质

技术领域

本申请涉及数据处理及人工智能技术领域，具体而言，本申请涉及一种交通路况预测方法、装置、电子设备及存储介质。

背景技术

智能交通系统融合了信息技术、电子控制技术、数据通信技术和电子定位控制技术等，以实现路网交通路况状态的预测、研判，从而缓解道路拥堵、降低交通事故。

现有技术中，往往根据自身历史数据来预测未来某一时段的交通路况，如：采用自回归模型来预测未来交通路况，但是由于该方法仅用于预测未来交通路况的计算数据的选取并不合适且计算数据种类单一，导致预测结果不准确。

发明内容

本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案，以解决交通路况预测结果的准确性不高的问题。

本申请的一个方面，提供了一种交通路况预测方法，包括：

获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；

获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；

基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；

根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。

本申请的另一个方面，提供了一种交通路况预测装置，该装置包括：

待预测时期数据获取模块，用于获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；

目标标签序列获取模块，用于获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；

目标特征序列确定模块，用于基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；

交通拥堵概率确定模块，用于根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。

本申请的再一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请第一方面所示的交通路况预测方法。

本申请的又一个方面，提供了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执行时实现本申请第一方面所示的交通路况预测方法。

本申请提供的技术方案带来的有益效果是：

本申请提供的交通路况预测方法，基于待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率以及第一目标特征序列预测待预测时期的交通拥堵概率，第一目标特征序列中包括至少两个历史时期的第二特征数据，也就是说，待预测时期的交通拥堵概率是基于至少两个第二特征数据得到的，第二特征数据可以为历史特征数据，与采用单一历史特征数据的方案相比，本申请采用的历史数据更加丰富，有利于提高交通拥堵概率的准确性；而且，第一目标特征序列是基于与目标标签序列的相关度得到的，也就是说第一目标特征序列是基于该相关度对历史特征数据进行筛选后得到的，精简了用于预测待预测时期的交通拥堵概率的历史特征数据的数据量，而且，基于相关度筛选出来的第一目标特征数据能够获得与待预测时期的交通拥堵概率强相关的第二特征数据，进一步提高获得准确预测结果的效率。

本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。

附图说明

本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本申请一个实施例提供的交通路况预测方法的流程图；

图2为本申请一个实施例提供的确定目标特征序列的流程图；

图3为本申请一个实施例提供的交通路况预测方法的数据架构图；

图4为本申请另一个实施例提供的交通路况预测方法的流程图；

图5为本申请一种实施例提供的路线拥堵情况展示图；

图6为本申请实施例提供的一种交通路况预测装置的结构示意图；

图7为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。

本领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。

时间序列：是一组根据时间顺序进行排序的数据序列，通常是在相同的时间间隔上，按照给定的采样率，记录某些指标的观测值而形成的。本申请实施例中，时间序列中为按时间顺序排列的特征数据。

时间阶数：为时间序列中的参数个数，如对于时间序列{X₁, X₂,…,X_p}，p为该时间序列的时间阶数。

本申请的发明人在研究过程中还发现：若采用当前时期的前一时期的输入与当前时期的特征数据进行结果预测，与现有仅采用前一时期的输入进行结果预测的方案相比，一定程度上提升了预测结果的准确性，但采用的历史时期的数据过少且不够有效，导致预测结果的准确度依旧不高。

本申请实施例所提供的方案可以由任一电子设备执行，如可以是终端设备，也可以是服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。对于现有技术中所存在的技术问题，本申请提供的交通路况预测方法、装置、电子设备及存储介质，旨在解决现有技术的技术问题中的至少一项。

其中，可选的，本申请实施例所提供的方案可以基于云技术实现，各可选实施例中所涉及的数据处理（包括但不限于数据计算等），可以采用云计算实现。云技术（Cloudtechnology）是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来，实现数据的计算、储存、处理和共享的一种托管技术。云技术基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称，可以组成资源池，按需所用，灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源，如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用，将来每个物品都有可能存在自己的识别标志，都需要传输到后台系统进行逻辑处理，不同程度级别的数据将会分开处理，各类行业数据皆需要强大的系统后盾支撑，只能通过云计算来实现。

云计算(cloud computing)是一种计算模式，它将计算任务分布在大量计算机构成的资源池上，使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的，并且可以随时获取，按需使用，随时扩展，按使用付费。

作为云计算的基础能力提供商，会建立云计算资源池(简称云平台，一般称为IaaS(Infrastructure as a Service，基础设施即服务)平台，在资源池中部署多种类型的虚拟资源，供外部客户选择使用。云计算资源池中主要包括：计算设备(为虚拟化机器，包含操作系统)、存储设备、网络设备。按照逻辑功能划分，在IaaS（Infrastructure as a Service，基础设施即服务）层上可以部署PaaS(Platform as a Service，平台即服务)层，PaaS层之上再部署SaaS (Software as a Service，软件即服务)层，也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台，如数据库、web容器等。SaaS为各式各样的业务软件，如web门户网站、短信群发器等。一般来说，SaaS和PaaS相对于IaaS是上层。

下面以具体实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

本申请实施例提供了一种可能的实现方式，如图1所示，提供了一种交通路况预测方法的流程图，该方案可以由任一电子设备执行，例如，本申请实施例的方案可以在终端或者服务器上执行，执行主体通过获取交通路况数据实现对交通拥堵情况的预测。为描述方便，下面将以服务器作为执行主体为例对本申请实施例提供的方法进行说明。如图1中所示，该方法可以包括以下步骤：

步骤S110，获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；

步骤S120，获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；

步骤S130，基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；

步骤S140，根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。

本申请提供的方案可以适用但不限于如下场景：电子设备（如服务器）获得待预测时期的交通路况的第一特征数据、该待预测时期的前一时期的拥堵概率、以及待预测时期之前的多个历史时期对应的第二特征数据及目标标签序列，目标标签序列中包括多个历史时期对应的拥堵标签，拥堵标签可以通过二值化表示，即拥堵时对应的拥堵标签为1，不拥堵时对应的拥堵标签为0。这里的“时期”可以为具有一定时间长度的时间段，基于特征序列与目标标签序列的相关度，从第二特征数据中筛选出第一目标特征序列，第一目标特征序列中包括至少两个历史时期的第二特征数据，该第一目标特征序列可以为与待预测时期相邻的若干个历史时期对应的特征数据构成的序列。然后，基于待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列确定待预测时期的交通拥堵概率，以便基于该结果进行交通疏导。

为了便于明确本申请提供的技术方案，下面通过具体示例阐述本申请提供的方案：

假设待预测时期为（T+1）时期，对应的交通路况的第一特征数据表征为X_T+1，待预测时期的前一时期（即T时期）的特征数据表征为X_T，待预测时期之前的多个历史时期，该多个历史时期可以为待预测时期的前一时期的多个历史时期，也就是说，该多个历史时期可以为待预测时期的前一时期（T时期）之前的p个历史时期，该P个历史时期对应的第二特征数据为：X_T-1,X_T-2,…,X_T-p。与待预测时期（T+1）相比，T时期以及该T时期之前的P个时期均为待预测时期的历史时期。该种情况下，待预测时期之前的多个历史时期对应的第二特征数据包括：X_T,X_T-1,X_T-2,…,X_T-p，其对应的目标标签序列为{Y_T,Y_T-1,Y_T-2,…,Y_T-p}。

获取待预测时期之前的T时期以及该T时期之前的P个历史时期对应的特征数据组成的多个特征序列，然后基于该多个特征序列与目标标签序列的相关性确定第一目标特征序列，在本示例中，第一目标特征序列为根据T时期至（T-P）时期对应的特征数据组成的特征序列，与T至（T-P）时期对应的目标标签序列之间的相关度确定第一目标特征序列，第一目标特征序列为经过筛选的至少两个第二特征数据的组合。

基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，即利用特征序列与目标标签序列之间的相关度从多个特征序列中筛选出第一目标特征序列，实现对第二特征数据的精简，减少用于预测交通拥堵概率的数据量。

获得第一目标特征序列之后，根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率，以及第一目标特征序列，确定待预测时期的交通拥堵概率。其中，待预测时期的前一时期的拥堵概率可以同样采用本申请提供的方案获得，示例如下：若待预测时期的前一时期为T时期，那么T时期的拥堵概率可以根据（T-1）时期的拥堵概率、T时期的第一特征数据以及T时期对应的第一目标特征序列得到。相邻两个时期中，前一时期的特征数据作为获得后一时期的交通拥堵概率的基础数据，随着时间的推移不断迭代，实质上是将T时期及其之前所有时期的特征数据均作为T时期预测结果的基础数据，极大地扩展了用于预测待预测时期的交通拥堵概率的基础数据，大大提升了交通拥堵概率的精准度。

本申请提供的交通路况预测方法，基于待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率以及第一目标特征序列预测待预测时期的交通拥堵概率，第一目标特征序列中包括至少两个历史时期的第二特征数据，也就是说，待预测时期的交通拥堵概率是基于至少两个第二特征数据、待预测时期的第一特征数据以及待预测的前一时期的拥堵概率得到的，与采用单一历史特征数据的方案相比，本申请采用的特征数据更加丰富，有利于提高交通拥堵概率的准确性；而且，第一目标特征序列是基于与目标标签序列的相关度得到的，也就是说，第一目标特征序列是基于相关度对第二特征数据进行筛选后得到的，精简了用于预测待预测时期的交通拥堵概率的第二特征数据，有利于减少预测方案中的数据处理量，而且，基于相关度筛选特征序列，能够获得与待预测时期的交通拥堵概率强相关的第一目标特征序列，在保证预测结果准确的同时，还能提升获得预测结果的效率。

为了更清楚本申请提供的交通路况预测方案及其技术效果，接下来以多个可选实施例对其具体实施方案进行详细阐述。

在一种可选实施例中，步骤S130提供的基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，可以通过如下方式实现，包括：

A1，从第二特征数据中确定与目标标签序列的相关度最高的第二目标特征序列；

A2，基于第二目标特征序列确定第一目标特征序列。

根据待预测时期之前的多个历史时期对应的第二特征数据构建多个特征序列，每个特征序列中包括至少一个第二特征数据，不同特征序列可以包含相同的第二特征数据，即不同特征序列中存在相同的向量元素。计算每个特征序列与目标标签序列之间的相关度。可选地，将相关度最高的特征序列确定为第二目标特征序列。

然后基于第二目标特征序列确定第一目标特征序列，第一目标特征序列及第二目标特征序列中均包括至少两个第二特征数据。第一目标特征序列是待预测时期之前的若干个历史时期的第二特征数据组成的序列，具体历史时期的数量由第二目标特征序列确定。由于第二目标特征序列与目标标签序列之间的相关度最高，在此基础上，基于第二目标特征序列确定第一目标特征序列，有利于使得第一目标特征序列与待预测时期的预测结果的相关度较高，如第一目标特征序列可以是与待预测时期的预测结果相关度最高的特征序列，有利于提升得到的待预测时期的交通拥堵概率的精准度。

值得说明的是，第二目标特征序列与第一目标特征序列可以包含重合的第二特征数据，示例如下：第二目标特征序列为{X_T-1,X_T-2,…,X_T-P-1}，第一目标特征序列可以为{X_T,X_T-1}，也就是说，第二目标特征序列与第一目标特征序列所包含的特征数据可以有重合，也可以存在不同特征数据，第一目标特征序列的序列长度与第二目标特征序列的向量长度可能不同。

本申请实施例提供的方案，基于包含至少两个第二特征数据的第一目标特征序列进行当前时期的交通拥堵概率的预测，第一目标特征序列是基于与目标标签序列的相关度最高的第二目标特征序列得到的，第一目标特征序列可以是与待预测时期的预测结果相关度最高的特征序列，即第一目标特征序列可以是准确预测待预测时期的交通拥堵概率的最优序列，有利于提升交通拥堵概率的准确性，同时有利于提升获得准确交通拥堵概率的效率。

可选地，从第二特征数据中确定与目标标签序列的相关度最高的第二目标特征序列，包括：

A11，根据多个第二特征数据确定多个初始特征序列；

A12，确定各初始特征序列与目标标签序列的相关度；

A13，将相关度最高的初始特征序列确定为第一目标特征序列。

将多个第二特征数据组成特征序列，基于该特征序列构建多个初始特征序列，初始特征序列可以是根据特征序列中的多个第二特征数据进行组合得到的。这里的第二特征数据可以是待预测时期的前一时期对应的P个历史时期的特征数据，如：待预测时期为（T+1）时期，该待预测时期的前一时期是T时期，待预测时期的前一时期对应的P个历史时期可以为与T时期相邻的前P个时期，即（T-1）,（T-2）,…,（T-P），T至（T-P）时期对应的第二特征数据组成的特征序列为{X_T,X_T-1,X_T-2,…,X_T-p}。基于该特征序列构建的初始特征序列可以为{X_T,X_T-1,X_T-2}、{X_T-1,X_T-2,X_T-3}、…、{X_T-p-2,X_T-p-1,X_T-p}等，各初始特征序列的时间阶数可以不同。计算每一初始特征序列与目标标签序列的相关度，将相关度最高的初始特征序列确定为第二目标特征序列。

可选地，A11提供的根据多个第二特征数据确定多个初始特征序列，可以采用如下方式得到：

A111，根据多个第二特征数据组成第一特征序列；

A112，对第一特征序列进行数据转换得到第二特征矩阵，该第二特征矩阵为对称矩阵；

A113，将第二特征矩阵中的每一行或每一列确定为一个初始特征序列。

基于初始时间参数确定多个第二特征数据，将该多个第二特征数据组成第一特征序列，利用数据转换基于第一特征序列构造第二特征矩阵，第二特征矩阵为对称矩阵，第二特征矩阵中的第i行与第i列的特征序列相同，因此，可以将第二特征矩阵中按行划分为与矩阵行数/列数相同数量的初始特征序列，也就是将第二特征矩阵中的每一行或每一列作为一个初始特征序列，每个初始特征序列的时间阶数都相同。以便基于该初始特征序列与向量大小相同的目标标签序列进行相似度计算，从初始特征序列中确定出相似度最高的特征序列作为第二目标特征序列。

可选地，对第一特征序列进行数据转换得到第二特征矩阵，可以通过如下方式实现：将第一特征序列作为第二特征矩阵的第一行或第一列，以第一特征序列为第二特征矩阵的第一列为例，第二特征矩阵中的第一行至最后一行的第一位特征数据确定为第一特征序列中的按序排列的特征数据，矩阵中每一行包含的特征数据是以第一位特征数据为起始数据，每一行的时间阶数与第一特征序列的时间阶数相同，本实施例中，对于第二特征矩阵中每一行中的特征数据，靠后的特征数据为靠前的特征数据的历史数据。

在该实施例提供的方案中，A2提供的基于第二目标特征序列确定第一目标特征序列，可以通过如下方式实现，包括：

A21，将第二目标特征序列的时间参数确定为最优时间参数；

A22，基于待预测时期以及最优时间参数确定目标历史时期；

A23，将目标历史时期的特征数据组成的序列作为第一目标特征序列。

将第一目标特征序列对应的序号作为特征序列的最优时间参数，若第一目标特征序列为第p^，个初始特征序列，那么，将该p^，作为目标特征序列的最优时间参数，即目标特征序列中包括p^，个特征数据。

具体地，按照时间上与待预测时期由近到远的顺序对多个初始特征序列进行排序，假设存在p个初始特征序列，那么将最靠近待预测时期的初始特征序列的序号设为1，将时间上距离待预测时期最远的初始特征序列的序号设为p，并计算初始特征序列与目标标签序列之间的相关度，将各初始特征序列与目标标签序列的相关度以序列的形式表征，如：相关度序列为

，其中，

是序号为1的初始特征序列与目标标签序列的相关度，

为序号p的初始特征序列对应的相关度，其他类推。可以选择相关度的绝对值最大的相关度对应的初始特征序列确定为第二目标特征序列，确定最大相关度的表达式可以为：

。将最大相关度对应的初始特征序列的序号作为最优时间参数，如：相关度序列为{0.1,0.2,0.4,0.6,0.3}，那么最大相关度为0.6，其对应的序号为4，那么最优时间参数为4。

根据该最优时间参数可以确定用于预测待预测时期的交通拥堵概率的目标历史时期，将该目标历史时期对应的特征数据组成的序列作为第一目标特征序列。若待预测时期为（T+1）时期，最优时间参数为4，那么，目标历史时期可以为T时期、（T-1）时期、（T-2）时期、（T-3）时期，第一目标特征序列为{X_T,X_T-1,X_T-2,X_T-3}。

在确定第一目标特征序列时，首先确定最优时间参数，再基于最优时间参数确定待预测时期对应的第一目标特征序列，能够针对每一待预测时期确定与其对应的第一目标特征序列，有利于提高对待预测时期的交通拥堵概率的预测准确性。

图2为本申请一种可选实施例提供的确定目标特征序列的流程图，该方案的实施过程如下：首先，从第二特征数据中确定与目标标签序列的相关度最高的第二目标特征序列，该步骤可以通过步骤A11至A13提供的方案进行，其中，根据第二特征数据组成的序列确定多个初始特征序列可以通过A111至A113提供的方案进行；然后，基于第二目标特征序列确定第一目标特征序列，该步骤可以通过步骤A21至A23提供的方案进行。该实施例提供的方案，能够快速从大量第二特征数据中确定第一目标特征序列，使得后续基于该第一目标特征序列进行交通拥堵概率的预测更加准确。

为了进一步明确本申请提供的交通路况预测方案，可以结合图3所示的交通路况预测方法的数据架构图进行阐述。

图3中，T时期的输入Y_T包括其上一时期（T-1）的输入（Y_T-1）、多个历史时期{T-1,T-2,…,T-p}的第二特征数据{X_T-1,X_T-2,…,X_T-p}以及T时期的第一特征数据X_T。T时期的输出与T时期的输入Y_T有关。本申请实施例中，将T时期的输入Y_T作为T时期的拥堵概率，基于该拥堵概率输出的Q_T作为进一步处理后的数据输出。

第二特征矩阵X是一个由各历史时期对应的特征数据序列{X_T,X_T-1,…,X_T-P,…,X_T-2P}组成的对称矩阵（即第i行第j列的特征数据等于第j行第i列的特征数据），其形式为：

结合图3的架构图可知，T时期的输入Y_T可以表示为：

，T时期的输出可以表示：

。

其中，j表征初始特征序列的序号，Y_T表征T时期的输入，Q_T表征T时期的输出，W_i表示（T-1）时期的输入Y_T-1的权重，U_j表示第j个初始特征序列的权重，V表示T时期的输入的权重，g是T时期的输入与输出之间的相关系数。

传统方法中，T时期的输入数据仅采用包括当前待预测时期及其上一期的特征数据，即T时期为待预测时期时，仅使用（T-1）时期的特征数据作为待预测时期的输入数据，与之相比，本申请提供的输入数据，不仅采用当前待预测时期及其上一期的特征数据，还包括待预测时期之前的多个历史时期的第二特征数据，极大地丰富了输入数据的数据量。而且，第二特征数据可以是利用了上述筛选目标特征数据的方案得到的，进一步提高预测结果，即待预测时期的交通拥堵概率的准确性，且能提升获得准确预测结果的效率。

除此之外，本申请一种可选实施例提供的交通路况预测方法，可以采用模型的方式进行，以进一步提升获得预测结果的效率及准确率。

具体地，S140提供的根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率，可以通过如下方式进行：

将待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列作为路况预测模型的输入，得到待预测时期的交通拥堵概率；

其中，路况预测模型的训练过程如下：

B1，获取训练数据，训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签；每个历史时期对应的训练特征序列包括多个训练特征数据；

B2，利用训练数据对目标神经网络模型进行迭代训练，直至目标神经网络模型对应的损失函数达到收敛条件，将损失函数收敛时对应的目标神经网络模型作为路况预测模型，损失函数的值表征模型输出的拥堵预测结果与拥堵标签之间的差异。

本申请实施例中路况预测模型的每个训练数据均包含多个历史时期对应的训练特征序列及对应的拥堵标签，每组训练数据包括一个历史时期对应的训练特征序列及对应的拥堵标签，一个历史时期对应的训练特征序列包括多个训练特征数据，该训练特征数据为历史特征数据。

依次将历史时期对应的训练特征序列输入到目标神经网络中，也就是说，依次将一个历史时期对应的多个训练特征数据输入到目标神经网络模型，输出预测结果，计算该预测结果与该历史时期对应的拥堵标签之间的差异，获得该历史时期对应的模型的损失函数的值，若该损失函数的值不满足模型收敛的条件，则利用该损失函数的值调整模型参数，直至目标神经网络模型收敛，收敛时的目标神经网络模型为路况预测模型。

当然，对获得的训练数据，可以预留出一部分用作模型的测试数据，如可以按照预设比例随机将训练数据划分为训练部分（比例为a）和测试部分（比例为1-a）。当测试部分对应的损失函数的值满足模型的收敛条件时，则模型训练完成。在交通预测场景中，该损失函数可以表征为测评指标，如：查全率、查准率等指标，当测评指标达到预设测评效果，则可以判断该目标神经网络模型达到收敛条件，收敛时的目标神经网络模型为路况预测模型。本申请实施例中的路况预测模型的训练是基于多个历史时期对应的训练特征序列及对应的拥堵标签进行的，其中，每个训练特征序列中均包含多个第二特征数据。基于多个第二特征数据进行模型训练，使得训练出的路况预测模型考虑了多个第二特征数据的影响因素，与采用单个第二特征数据进行模型训练的方式相比，利用多个第二特征数据得出的路况预测模型的预测准确性得到了提升。

本申请提供的交通路况预测方案，利用预先训练的路况预测模型进行对待预测时期的交通拥堵概率进行预测，能够快速确定待预测时期的交通拥堵概率。

可选地，模型的训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，每个历史时期对应的训练特征序列可以包括该历史时期对应的训练特征数据及该历史时期对应的第一训练目标特征序列组成的序列。如训练数据中的一个历史时期为T时期，则T时期对应训练特征序列包括T时期对应的训练特征数据、以及T时期对应的第一训练目标特征序列，T时期对应的第一训练目标特征序列可以基于利用前述方法获得的最优时间参数获得。示例如下：若最优时间参数为p^，，那么T时期对应的训练特征序列包括T时期对应的第一特征数据X_T以及T时期对应的第一目标特征序列{X_T-1,…,X_T-p ^，}，即T时期对应的训练特征序列为{X_T,X_T-1,…,X_T-p ^，}。

该实施例提供的方案中，训练特征序列为历史时期对应的训练特征数据及该历史时期对应的第一训练目标特征序列组成的序列。也就是说，每组训练数据中的模型输入数据均由与拥堵标签相关性最高的多个第二特征数据组成。本实施例提供的方案，是在多个第二特征序列的基础上进行了筛选，利用与拥堵结果的相关度较高的多个第二特征数据组成的训练特征序列作为模型的输入数据，进行模型训练，能够进一步提升路况预测模型的准确性，同时有利于提升获得路况预测模型的效率。

可选地，在进行路况预测模型的训练过程中，还包括：

C1，将训练数据中的训练特征数据进行类型划分，得到稀疏训练特征数据和稠密训练特征数据；

C2，分别针对稀疏训练特征数据以及稠密训练特征数据进行特征处理；

C3，将特征处理后的稀疏训练特征数据以及稠密训练特征数据以及分别对应的拥堵标签作为目标神经网络模型的输入数据，以进行神经网络模型的训练。

根据数据类型对训练数据中的训练特征数据进行划分，该训练特征数据可以为第二特征数据，针对不同数据类型的训练特征数据进行相应的特征处理，有利于提高特征数据的效率，同时能够最大限度地降低特征损失。

然后利用特征处理后的稀疏训练特征数据与稠密训练数据进行模型训练，有利于减少模型的数据处理量，有利于提高模型的训练效率。

可选地，分别针对稀疏训练特征数据以及稠密训练特征数据进行特征处理，可以采用如下方式进行，包括：

C21，对稀疏训练特征数据进行特征提取，得到稀疏训练特征数据对应的嵌入层特征；和/或，

C22，针对稠密训练特征数据进行去相关处理、归一化处理或特征离散化处理中的至少一种处理。

对稀疏训练特征数据进行特征提取，使得稀疏训练特征通过特征提取表示成高阶特征，能够给在更低的特征维度下保留原有稀疏特征的特征信息。

对稠密训练特征数据进行去相关处理、归一化处理、特征离散化处理中的至少一种处理，以解决稠密训练特征数据之间的相关性、标准化、离散化等问题，有利于减少后续对特征数据的计算复杂度，以及提升特征数据的处理效率。

可选地，可以利用预先训练的特征提取模型对稀疏训练特征数据进行特征提取，通过训练数据预先训练特征提取模型，以便后续在进行路况预测模型时对稀疏特征数据进行快速的特征提取。

具体地，利用特征提取模型将稀疏特征数据处理成嵌入层特征，将稀疏特征表示成高阶特征，在降低特征维度的同时保留特征信息。

一种可选实施例中，将待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列作为路况预测模型的输入，得到待预测时期的交通拥堵概率，可以通过如下方式进行，包括：

D1，对第一目标特征序列中的第二特征数据以及待预测时期的第一特征数据进行数据划分，得到稀疏特征数据和稠密特征数据；

D2，针对稀疏型征数据进行特征提取，得到稀疏特征数据对应的嵌入层特征；

D3，将嵌入层特征与稠密特征、以及待预测时期的前一时期的拥堵概率输入路况预测模型中，得到待预测时期的交通拥堵概率。

若最优时间参数为p^，，那么对于待预测时期（T+1）时期，待预测时期的第一特征数据为X_T+1，其对应的第一目标特征序列为{X_T,…,X_T-p ^， ₊₁}。对第一目标特征序列中的第二特征数据以及待预测时期的第一特征数据进行数据类型划分，得到稀疏特征数据和稠密特征数据。再分别针对数据特征进行不同的特征处理，针对稀疏特征数据进行特征提取，得到稀疏特征数据对应的嵌入层特征，嵌入层特征为稀疏特征的高阶特征，既能降低特征维度，也能保留特征信息。针对稠密特征数据进行去相关处理、归一化处理、特征离散化处理中的至少一种处理，以处理稠密特征数据之间的相关性、标准化、离散化等问题。通过对两种不同类型的特征数据进行针对性处理，能够最大程度地保留特征信息，同时减少了数据处理量，如：无需对稠密特征数据进行特征提取处理等，提升数据处理的效率。

为了进一步明确本申请提供的交通路况预测方法，下面结合图4提供的流程图阐述本申请提供的交通路况预测方案，本领域技术人员应该知晓，图4所提供的示意图只是便于方案的理解所提供的示意图，图中的内容及顺序并不构成对本申请实施例方案的限定。

图4示出的方案中，待预测时期为（T+1）时期，该示例中包括左中右三个部分，图中左侧部分为最优时间参数的确定，图中的中间部分是基于最优时间参数进行路况预测模型的训练，图中右侧部分是利用路况预测模型对待预测时期的交通拥堵概率的预测。具体如下：

根据输入的初始时间参数P，获得初始时间参数P对应的第二特征数据，基于该第二特征数据得到特征序列{X_T, X_T-1,…,X_T-2p}以及对应的目标标签序列（即图4中的标签序列）{Y_T,Y_T-1,…,Y_T-p}，利用数据转换装置对该特征序列进行数据转换，得到第二特征矩阵X，第二特征矩阵中有p个初始特征序列X_i（i=1,2,…,p），计算每一初始特征序列X_i与标签序列Y的相关度，并将相关度最高的初始特征序列对应的时间参数p^，为最优时间参数。

基于最优时间参数确定待预测时期的第一目标特征序列{X_T, X_T-1,…,X_T-p，}，基于该第一目标特征序列进行模型训练，在模型训练之前，首先对该第一目标特征序列进行数据类型划分，将第一目标特征序列中的第二特征数据划分为稠密训练特征数据（对应图4中的稠密特征）和稀疏训练特征数据（对应图4中的稀疏特征）；针对不同数据类型进行不同的数据处理，针对稀疏训练特征数据可以进行多层的特征提取，在图4中，利用深度神经网络模型（DNN Model）进行特征提取，该深度神经网络模型可以为多层网络架构模型，如3层、5层等，利用该深度神经网络模型获得稀疏特征数据对应的嵌入层特征（图4中的embadding特征），然后，将稠密特征、嵌入层特征以及两种类型的特征对应的标签作为循环神经网络模型的训练数据，利用测评指标判断模型训练过程是否完成，若测评指标达标即评估结果达标，则模型训练完成，得到路况预测模型。

将待预测时期（T+1）对应的第一特征数据以及第一目标特征序列组成的特征序列{X_T+1,X_T,…,X_T-p+1}进行特征数据的划分，将特征数据划分为稀疏特征数据和稠密特征数据，对稀疏特征数据进行特征提取，如图4所示，利用预先训练的深度神经网络模型进行特征提取，得到待预测时期对应的特征序列中的稀疏特征数据对应的嵌入层特征。最后将嵌入层特征以及待预测时期对应的特征序列中的稠密特征输入训练好的路况预测模型中，得到待预测时期的交通拥堵概率，该交通拥堵概率大于预设阈值时，输出为1，若交通拥堵概率不大于预设阈值时，输出为0。

在上述实施例提供的交通路况预测方案中，可选地，第一特征数据和/或第二特征数据可以包括：表征用户驾驶行为特征信息、车辆信息、路况信息、交通灯信息中的至少一种特征数据。

本申请实施例提供的交通路况预测方案可以应用到地图中，如图5所示的路线拥堵情况展示图，用户设定的出发点为A，目的地为B，出发点A到目的地B之间有两条路线，即路线一和路线二。根据A到B的两条路线的交通路况的特征数据，对每条路线上的拥堵情况进行预测，并将预测结果展示在路线上，如图5所示，将拥堵路段通过标识“堵”的形式展示在地图展示页面上，同时基于该拥堵情况可以对每条路线所需时间进行准确预估，并根据预估结果为用户推荐路线，降低用户发生堵车的概率，提升用户体验。

其中，用户驾驶行为信息主要包括：用户在应用程序中的活跃数据；在出行服务中的活跃数据、加油数据、违章数据等；路况信息包括：每小时平均车流量、路段平均车速、经度、维度、海拔、车道平均车速、车道宽度、车道数、车道弯度、道路方向（左转、右转、拐弯、执行）等；交通灯信息包括：有无交通灯、红绿灯状态、交通灯变换时长等；车辆信息包括：车辆品牌、车龄、最高时速、车型、车辆长度、车辆宽度、平均车速、里程数、维修次数等。

除此之外，本申请提供的预测方法还能够用于分类预测、自然语言处理、预测发生交通事故的概率等场景中，具体如下：

在分类预测场景中，最优时间参数可以是过去p期的用户购物偏好特征X_T-p、…、X_T，可以基于该特征预测用户的点击通过率，以基于点击通过率进行商品推荐。

在自然语言处理场景中，最优时间参数可以是过去p阶相关句子的语义特征，提取该过去p阶相关句子的语义特征进行处理，以实现对语句的精准识别。

路况预测场景中，还可以使用车辆过去p个时期行驶记录，预测其在路上的驾驶行为，从而预测司机出现交通事故的情况，进而预测路况情况。

相应地，本申请一个可选实施例还提供了一种交通路况预测方法，包括如下步骤：

E1、获取训练数据以及目标神经网络模型；其中，训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，每个历史时期对应的训练特征序列包括多个训练特征数据；

E2、将各历史时期对应的训练特征序列输入至目标神经网络模型中，得到每个历史特征时期对应的拥堵预测结果，基于拥堵预测结果与该历史时期对应的拥堵标签确定损失函数的值；

E3、基于损失函数的值对目标神经网络模型进行训练，直至目标神经网络模型的损失函数收敛，将损失函数收敛时的目标神经网络模型作为路况预测模型对交通拥堵概率进行预测。

本申请实施例中路况预测模型的每个训练数据均包含多个历史时期对应的训练特征序列及对应的拥堵标签，每组训练数据包括一个历史时期对应的训练特征序列及对应的拥堵标签，一个历史时期对应的训练特征序列包括多个训练特征数据，该训练特征数据可以为第二特征数据。

依次将历史时期对应的训练特征序列输入到目标神经网络中，也就是说，依次将一个历史时期对应的多个第二特征数据输入到目标神经网络模型，输出预测结果，计算该预测结果与该历史时期对应的拥堵标签之间的差异，获得该历史时期对应的模型的损失函数的值，若该损失函数的值不满足模型收敛的条件，则利用该损失函数的值调整模型参数，直至目标神经网络模型收敛，收敛时的目标神经网络模型为路况预测模型。

本申请实施例中的路况预测模型的训练是基于多个历史时期对应的训练特征序列及对应的拥堵标签进行的，其中，每个训练特征序列中均包含多个第二特征数据。基于多个第二特征数据进行模型训练，使得训练出的路况预测模型考虑了多个第二特征数据的影响因素，与采用单个第二特征数据进行模型训练的方式相比，利用多个第二特征数据得出的路况预测模型的预测准确性得到了提升。

可选地，每个历史时期对应的训练特征序列包括该历史时期对应的训练特征数据及该历史时期对应的第一训练目标特征序列。

该实施例中，模型的训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，每个历史时期对应的训练特征序列可以包括该历史时期对应的训练特征数据及该历史时期对应的第一训练目标特征序列组成的序列。如训练数据中的一个历史时期为T时期，则T时期对应的训练特征序列包括T时期对应的训练特征数据、以及T时期对应的第一训练目标特征序列，T时期对应的第一训练目标特征序列可以是基于前述方法获得的第一目标特征序列（基于最优时间参数确定该T时期对应的第一目标特征序列），若该第一目标特征序列用于模型训练，则将该第一目标特征序列作为第一训练目标特征序列。

例如：假设最优时间参数为p^，，T时期对应的训练特征序列包括T时期对应的训练特征数据X_T以及T时期对应的第一训练目标特征序列{X_T-1,…,X_T-p ^，}，即T时期对应的训练特征序列为{X_T,X_T-1,…,X_T-p ^，}。

该实施例提供的方案中，训练特征序列为历史时期对应的特征数据及该历史时期对应的第一训练目标特征序列组成的序列。也就是说，每组训练数据中的模型输入数据均由与拥堵标签相关性最高的多个第二特征数据组成。本实施例提供的方案，是在多个历史特征数据的基础上进行了筛选，利用与拥堵结果的相关度较高的多个第二特征数据组成的训练特征序列作为模型的输入数据，进行模型训练，能够进一步提升路况预测模型的准确性，同时有利于提升获得路况预测模型的效率。

基于与本申请实施例所提供的方法相同的原理，本申请实施例还提供了一种交通路况预测装置600，如图6所示，该装置可以包括：待预测时期数据获取模块610、目标标签序列获取模块620、目标特征序列确定模块630、交通拥堵概率确定模块640，其中：

待预测时期数据获取模块610，用于获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；

目标标签序列获取模块620，用于获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；

目标特征序列确定模块630，用于基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；

交通拥堵概率确定模块640，用于根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。

本申请提供的交通路况预测装置，基于待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率以及目标特征序列预测待预测时期的交通拥堵概率，第一目标特征序列中包括至少两个历史时期的第二特征数据，也就是说，待预测时期的交通拥堵概率是基于至少两个第二特征数据得到的，与采用单一第二特征数据的方案相比，本申请采用的基础数据更加丰富，有利于提高交通拥堵概率的准确性；而且，目标特征数据是基于与目标标签序列的相关度得到的，也就是说目标特征数据是基于该相关度对第二特征数据进行筛选后得到的，精简了用于预测待预测时期的交通拥堵概率的第二特征数据的数据量，而且，基于相关度筛选出来的目标特征数据能够获得与待预测时期的交通拥堵概率强相关的第二特征数据，进一步提高获得准确预测结果的效率。

可选地，目标标签序列获取模块620，具体用于：

基于第二特征数据确定与目标标签序列的相关度最高的第二目标特征序列；

基于第二目标特征序列确定第一目标特征序列。

可选地，目标标签序列获取模块620，还用于：

根据多个第二特征数据确定多个初始特征序列；

确定各初始特征序列与目标标签序列的相关度；

将相关度最高的初始特征序列确定为第二目标特征序列；

目标标签序列获取模块620，还用于：

将第二目标特征序列的时间参数确定为最优时间参数；

基于待预测时期以及最优时间参数确定目标历史时期；

将目标历史时期的特征数据组成的序列作为第一目标特征序列。

可选地，目标标签序列获取模块620，还用于：

根据多个第二特征数据组成第一特征序列；

对第一特征序列进行数据转换得到第二特征矩阵，该第二特征矩阵为对称矩阵；

将第二特征矩阵中的每一行或每一列确定为一个初始特征序列。

可选地，交通拥堵概率确定模块640，具体用于：

将待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列作为路况预测模型的输入，得到待预测时期的交通拥堵概率；

其中，路况预测模型由模型训练模块得到，模型训练模块，用于：

获取训练数据，训练数据包括多个历史时期对应的训练特征序列第二特征数据及对应的拥堵标签，每个历史时期对应的训练特征序列包括多个训练特征数据；

利用训练数据对目标神经网络模型进行迭代训练，直至目标神经网络模型对应的损失函数达到收敛条件，将损失函数收敛时对应的目标神经网络模型作为路况预测模型，损失函数的值表征模型输出的拥堵预测结果与拥堵标签之间的差异。

可选地，模型训练模块，还用于：

将训练数据中的训练特征数据进行类型划分，得到稀疏训练特征数据和稠密训练特征数据；

分别针对稀疏训练特征数据以及稠密训练特征数据进行特征处理；

将特征处理后的稀疏训练特征数据和稠密训练特征数据以及分别对应的拥堵标签作为目标神经网络模型的输入数据。

可选地，模型训练模块，还用于：

对稀疏训练特征数据进行特征提取，得到稀疏训练特征数据对应的嵌入层特征；和/或，

针对稠密训练特征数据进行去相关处理、归一化处理或特征离散化处理中的至少一种处理。

可选地，交通拥堵概率确定模块640，具体用于：

对第一目标特征序列中的第二特征数据以及待预测时期的第一特征数据进行数据划分，得到稀疏特征数据和稠密特征数据；

针对稀疏特征数据进行特征提取，得到稀疏特征数据对应的嵌入层特征；

将嵌入层特征与所述稠密特征数据、以及待预测时期的前一时期的拥堵概率输入路况预测模型中，得到待预测时期的交通拥堵概率。

可选地，交通路况预测装置600中的第一特征数据和/或第二特征数据包括：表征用户驾驶行为信息、车辆信息、路况信息、交通灯信息中的至少一种特征数据。

可选地，交通路况预测装置，包括：

获取模块，用于获取训练数据以及目标神经网络模型；其中，训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，每个历史时期对应的训练特征序列包括多个训练特征数据；

输入模块，用于将各历史时期对应的训练特征序列输入至目标神经网络模型中，得到各历史特征时期对应的拥堵预测结果，基于拥堵预测结果与该历史时期对应的拥堵标签确定损失函数的值；

训练模块，用于基于损失函数的值对所述目标神经网络模型进行训练，直至目标神经网络模型的损失函数收敛，将损失函数收敛时的目标神经网络模型作为路况预测模型对交通拥堵概率进行预测。

可选地，获取模块中，每个历史时期对应的训练特征序列包括该历史时期对应的训练特征数据及该历史时期对应的第一训练目标特征序列。

本申请实施例的交通路况预测装置可执行本申请实施例所提供的交通路况预测方法，其实现原理相类似，本申请各实施例中的交通路况预测装置中的各模块、单元所执行的动作是与本申请各实施例中的交通路况预测方法中的步骤相对应的，对于交通路况预测装置的各模块的详细功能描述具体可以参见前文中所示的对应的交通路况预测方法中的描述，此处不再赘述。

基于与本申请的实施例中所示的方法相同的原理，本申请的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本申请任一可选实施例所示的交通路况预测方法。与现有技术相比，本申请提供的交通路况预测方法，采用了多个第二特征数据作为预测交通拥堵概率的基础数据，有利于提高交通拥堵概率的准确性；而且，目标特征数据是基于与目标标签序列的相关度得到的，也就是说目标特征数据是基于该相关度对第二特征数据进行筛选后得到的，精简了用于预测待预测时期的交通拥堵概率的第二特征数据的数据量，而且，基于相关度筛选出来的目标特征数据能够获得与待预测时期的交通拥堵概率强相关的第二特征数据，进一步提高获得准确预测结果的效率。

在一个可选实施例中提供了一种电子设备，如图7所示，图7所示的电子设备4000可以为服务器，包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本申请实施例的限定。

处理器4001可以是CPU（Central Processing Unit，中央处理器），通用处理器，DSP（Digital Signal Processor，数据信号处理器），ASIC（Application SpecificIntegrated Circuit，专用集成电路），FPGA（Field Programmable Gate Array，现场可编程门阵列）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。处理器4001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。

总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是PCI（Peripheral Component Interconnect，外设部件互连标准）总线或EISA（ExtendedIndustry Standard Architecture，扩展工业标准结构）总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图7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。

存储器4003可以是ROM（Read Only Memory，只读存储器）或可存储静态信息和指令的其他类型的静态存储设备，RAM（Random Access Memory，随机存取存储器）或者可存储信息和指令的其他类型的动态存储设备，也可以是EEPROM（Electrically ErasableProgrammable Read Only Memory，电可擦可编程只读存储器）、CD-ROM（Compact DiscRead Only Memory，只读光盘）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。

存储器4003用于存储执行本申请方案的应用程序代码，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。

其中，电子设备包括但不限于：移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

本申请提供的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。

其中，本申请提供的交通路况预测方法，还可以通过云计算的方式实现，云计算(cloud computing)指IT基础设施的交付和使用模式，指通过网络以按需、易扩展的方式获得所需资源；广义云计算指服务的交付和使用模式，指通过网络以按需、易扩展的方式获得所需服务。这种服务可以是IT和软件、互联网相关，也可是其他服务。云计算是网格计算（Grid Computing )、分布式计算（DistributedComputing)、并行计算（ParallelComputing)、效用计算（Utility Computing)、网络存储（Network StorageTechnologies)、虚拟化（Virtualization)、负载均衡（Load Balance)等传统计算机和网络技术发展融合的产物。

随着互联网、实时数据流、连接设备多样化的发展，以及搜索服务、社会网络、移动商务和开放协作等需求的推动，云计算迅速发展起来。不同于以往的并行分布式计算，云计算的产生从理念上将推动整个互联网模式、企业管理模式发生革命性的变革。

本申请提供的交通路况预测方法，可以实现根据路面图像对交通路况预测结果的自动挖掘。该种方案还可以通过人工智能云服务实现，人工智能云服务，一般也被称作是AIaaS（AI as a Service，中文为“AI即服务”）。这是目前主流的一种人工智能平台的服务方式，具体来说AIaaS平台会把几类常见的AI服务进行拆分，并在云端提供独立或者打包的服务。这种服务模式类似于开了一个AI主题商城：所有的开发者都可以通过API接口的方式来接入使用平台提供的一种或者是多种人工智能服务，部分资深的开发者还可以使用平台提供的AI框架和AI基础设施来部署和运维自已专属的云人工智能服务。本申请中，可以利用平台提供的AI框架和AI基础设施来实现本申请提供的交通路况预测方法。

本申请实施例提供了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，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

需要说明的是，本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。

根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种可选实现方式中提供的交通路况预测方法。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、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，该模块、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，两个接连地表示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操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。

描述于本申请实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，待预测时期数据获取模块还可以被描述为“获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率模块”。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种交通路况预测方法，其特征在于，包括：

获取待预测时期的交通路况的第一特征数据以及所述待预测时期的前一时期的拥堵概率；

获取所述待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；

基于所述第二特征数据组成的特征序列与所述目标标签序列的相关度确定第一目标特征序列，所述第一目标特征序列包括至少两个历史时期的第二特征数据；

根据所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列，确定所述待预测时期的交通拥堵概率。

2.根据权利要求1所述的方法，其特征在于，所述基于所述第二特征数据组成的特征序列与所述目标标签序列的相关度确定第一目标特征序列，包括：

基于所述第二特征数据确定与所述目标标签序列的相关度最高的第二目标特征序列；

基于所述第二目标特征序列确定所述第一目标特征序列。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第二特征数据确定与所述目标标签序列的相关度最高的第二目标特征序列，包括：

根据多个所述第二特征数据确定多个初始特征序列；

确定各所述初始特征序列与所述目标标签序列的相关度；

将相关度最高的初始特征序列确定为所述第二目标特征序列；

所述基于所述第二目标特征序列确定所述第一目标特征序列，包括：

将所述第二目标特征序列的时间参数确定为最优时间参数；

基于待预测时期以及所述最优时间参数确定目标历史时期；

将所述目标历史时期的特征数据组成的序列作为所述第一目标特征序列。

4.根据权利要求3所述的方法，其特征在于，所述根据多个所述第二特征数据确定多个初始特征序列，包括：

根据多个所述第二特征数据组成第一特征序列；

对所述第一特征序列进行数据转换得到第二特征矩阵，所述第二特征矩阵为对称矩阵；

将所述第二特征矩阵中的每一行或每一列确定为一个初始特征序列。

5.根据权利要求1所述的方法，其特征在于，所述根据所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列，确定所述待预测时期的交通拥堵概率，包括：

将所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列作为路况预测模型的输入，得到待预测时期的交通拥堵概率；

其中，路况预测模型的训练过程如下：

获取训练数据，所述训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，所述每个历史时期对应的训练特征序列包括多个训练特征数据；

利用所述训练数据对目标神经网络模型进行迭代训练，直至所述目标神经网络模型对应的损失函数达到收敛条件，将损失函数收敛时对应的目标神经网络模型作为路况预测模型，所述损失函数的值表征模型输出的拥堵预测结果与拥堵标签之间的差异。

6.根据权利要求5所述的方法，其特征在于，所述利用所述训练数据对目标神经网络模型进行迭代训练之前，还包括：

将所述训练数据中的训练特征数据进行类型划分，得到稀疏训练特征数据和稠密训练特征数据；

分别针对所述稀疏训练特征数据以及稠密训练特征数据进行特征处理；

将特征处理后的稀疏训练特征数据和稠密训练特征数据以及分别对应的拥堵标签作为所述目标神经网络模型的输入数据。

7.根据权利要求6所述的方法，其特征在于，所述分别针对所述稀疏训练特征数据以及稠密训练特征数据进行特征处理，包括：

对所述稀疏训练特征数据进行特征提取，得到稀疏训练特征数据对应的嵌入层特征；和/或，

针对所述稠密训练特征数据进行去相关处理、归一化处理或特征离散化处理中的至少一种处理。

8.根据权利要求5所述的方法，其特征在于，所述将所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列作为路况预测模型的输入，得到待预测时期的交通拥堵概率，包括：

对所述第一目标特征序列中的第二特征数据以及待预测时期的第一特征数据进行数据划分，得到稀疏特征数据和稠密特征数据；

针对所述稀疏特征数据进行特征提取，得到所述稀疏特征数据对应的嵌入层特征；

将所述嵌入层特征与所述稠密特征数据、以及所述待预测时期的前一时期的拥堵概率输入所述路况预测模型中，得到待预测时期的交通拥堵概率。

9.根据权利要求1所述的方法，其特征在于，所述第一特征数据和/或第二特征数据包括：表征用户驾驶行为信息、车辆信息、路况信息、交通灯信息中的至少一种特征数据。

10.一种交通路况预测方法，其特征在于，包括：

获取训练数据以及目标神经网络模型；其中，所述训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，所述每个历史时期对应的训练特征序列包括多个训练特征数据；

将各历史时期对应的训练特征序列输入至所述目标神经网络模型中，得到各历史特征时期对应的拥堵预测结果，基于所述拥堵预测结果与该历史时期对应的拥堵标签确定损失函数的值；

基于所述损失函数的值对所述目标神经网络模型进行训练，直至所述目标神经网络模型的损失函数收敛，将损失函数收敛时的目标神经网络模型作为路况预测模型对交通拥堵概率进行预测。

11.根据权利要求10所述的方法，其特征在于，所述每个历史时期对应的训练特征序列包括该历史时期对应的训练特征数据及该历史时期对应的第一训练目标特征序列。

12.一种交通路况预测装置，其特征在于，包括：

待预测时期数据获取模块，用于获取待预测时期的交通路况的第一特征数据以及所述待预测时期的前一时期的拥堵概率；

目标标签序列获取模块，用于获取所述待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；

目标特征序列确定模块，用于基于所述第二特征数据组成的特征序列与所述目标标签序列的相关度确定第一目标特征序列，所述第一目标特征序列包括至少两个历史时期的第二特征数据；

交通拥堵概率确定模块，用于根据所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列，确定所述待预测时期的交通拥堵概率。

13.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-11中任一项所述的方法。

14.一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上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-11中任一项所述的方法。

Images