CN112651550A - 一种路况预测方法、装置及可读存储介质 - Google Patents
一种路况预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112651550A CN112651550A CN202011519580.7A CN202011519580A CN112651550A CN 112651550 A CN112651550 A CN 112651550A CN 202011519580 A CN202011519580 A CN 202011519580A CN 112651550 A CN112651550 A CN 112651550A
- Authority
- CN
- China
- Prior art keywords
- road
- road condition
- time period
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000003062 neural network model Methods 0.000 claims description 69
- 230000003068 static effect Effects 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种路况预测方法、装置及可读存储介质,涉及信息处理技术领域,能够解决现有的路况预测方法准确率较低的问题。该路况预测方法包括:获取当前道路的特征数据;当前道路的特征数据包括用于表征当前道路在当前时间段的路况的信息,以及对当前道路的路况存在影响的参数;将当前道路的特征数据输入路况预测模型,得到当前道路的路况预测结果;路况预测结果用于表征当前道路在当前时间段之后的路况;路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的;至少一条道路包括当前道路。
Description
技术领域
本申请涉及信息处理技术领域,尤其涉及一种路况预测方法、装置及可读存储介质。
背景技术
现有的路况预测方法通常是根据日期、周次、天气等属性特征,对历史路况数据进行交通模式的划分,并根据划分后的交通模式和对应的历史路况数据建立基准预测数据库。当需要对某地的路况进行预测时,获取该地当前的属性特征,并判断该地的交通模式,利用该地的交通模式在基准预测数据库中匹配对应的历史路况数据,得到该地的路况,从而实现路况预测。
上述路况预测方法中是将同一属性的路况进行了交通模式的划分,在路况预测的过程中无法体现出个体路况的差异性,不能很好的反映真实的路况,从而准确率较低。
发明内容
本申请提供了一种路况预测方法、装置及可读存储介质,能够解决现有的路况预测方法准确率较低的问题。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供了一种路况预测方法,该路况预测方法应用于路况预测装置,路况预测装置获取当前道路的特征数据,并将当前道路的特征数据输入路况预测模型,得到当前道路的路况预测结果。其中,当前道路的特征数据包括用于表征当前道路在当前时间段的路况的信息,以及对当前道路的路况存在影响的参数;路况预测结果用于表征当前道路在当前时间段之后的路况;路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的;至少一条道路包括当前道路。
上述方案中,路况预测装置是根据当前道路的特征数据和路况预测模型预测当前道路的路况的。本申请中的路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的,而至少一条道路包括当前道路,并且当前道路的特征数据表征了当前道路在当前时间段的路况的信息,以及对当前道路的路况存在影响的参数,也就是说当前道路的特征数据能够反映出当前道路的特征,路况预测模型能够反映出目标区域中包括当前道路的至少一条道路的特征。这样,本申请预测得到的当前道路的路况预测结果比较准确。
可选的,在上述“将当前道路的特征数据输入路况预测模型”之前,该路况预测方法还包括:获取预设时间段内,目标区域中至少一条道路的路况信息,并确定第一路况信息和第二路况信息。之后,从所述第一路况信息中确定所述至少一条道路的特征数据,并从所述第二路况信息中确定所述至少一条道路的标签数据。最后,根据所述至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型。
其中,预设时间段中的时刻早于当前时间段;第一路况信息为预设时间段内第一时间段对应的路况信息;第二路况信息为预设时间段内第二时间段对应的路况信息;第一时间段与第二时间段中的时刻不重合,且第一时间段中的时刻早于第二时间段;标签数据用于表征至少一条道路的路况;至少一条道路的特征数据包括用于表征至少一条道路的路况的信息,以及对至少一条道路的路况存在影响的参数。
上述方案中,路况预测装置将目标区域中至少一条道路的路况信息中,第一时间段对应的路况信息确定为特征数据,第二时间段对应的路况信息确定为标签数据,而第一时间段中的时刻早于第二时间段,因此,根据特征数据和标签数据训练得到的路况预测模型,能够根据当前道路的特征数据预测出当前道路的路况预测结果。
可选的,上述“根据至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型”的方法包括:根据至少一条道路的特征数据和标签数据,对预设神经网络模型进行N次训练,直至满足预设收敛条件,得到路况预测模型。
其中,N次训练中的第i次训练的步骤包括:将至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,基于第一预测结果与标签数据间的损失参数,对第i-1次训练得到的神经网络模型进行路况预测训练,以调整第i-1次训练得到的神经网络模型的参数。预设收敛条件包括:当前损失参数小于或者等于预设阈值;1≤i≤N。
上述方案中,路况预测装置在对预设神经网络模型进行训练时,可以对该预设神经网络模型进行多次重复训练,以得到更加精准的路况预测模型。
可选的,特征数据包括时空特征、日期特征、静态特征、历史特征、以及其他特征中的至少一个。时空特征用于表征一条道路在目标时间段内的速度。日期特征用于表征目标时间段所属的日期。静态特征用于表征一条道路的属性。历史特征用于表征一条道路在历史时间段内的速度。其他特征用于表征对一条道路的路况存在影响的参数。历史时间段中的时刻早于目标时间段。一条道路为至少一条道路中的任一道路。
可选的,预设神经网络模型包括卷积层和全连接层。
可选的,预设神经网络模型为7层神经网络,且前3层为卷积层后4层为全连接层。
可选的,上述“将至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果”的方法包括:将至少一条道路的时空特征输入第i-1次训练得到的神经网络模型的卷积层,将至少一条道路的日期特征、至少一条道路的静态特征、至少一条道路的历史特征以及至少一条道路的其他特征输入第i-1次训练得到的神经网络模型的全连接层进行路况预测,得到第一预测结果。
上述方案中,路况预测装置在对预设神经网络模型进行训练时,获取至少一条道路的多个维度的特征数据,并将时空特征输入神经网络模型的卷积层,将日期特征、静态特征、历史特征、其他特征输入经网络模型的全连接层,能够更加准确的反映出至少一条道路中每条道路的特征,因此,训练出的路况预测模型更加准确。
第二方面,本申请提供一种路况预测装置。该路况预测装置包括获取模块和处理模块。获取模块,用于获取当前道路的特征数据。处理模块,用于将获取模块获取到的当前道路的特征数据输入路况预测模型,得到当前道路的路况预测结果。其中,当前道路的特征数据包括用于表征当前道路在当前时间段的路况的信息,以及对当前道路的路况存在影响的参数。路况预测结果用于表征当前道路在当前时间段之后的路况。路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的。至少一条道路包括当前道路。
可选的,该路况预测装置还包括确定模块和训练模块。获取模块,还用于获取预设时间段内,目标区域中至少一条道路的路况信息。确定模块,用于确定第一路况信息和第二路况信息;预设时间段中的时刻早于当前时间段。确定模块,还用于从第一路况信息中确定至少一条道路的特征数据,并从第二路况信息中确定至少一条道路的标签数据。训练模块,用于根据确定模块确定的至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型。
其中,第一路况信息为预设时间段内第一时间段对应的路况信息。第二路况信息为预设时间段内第二时间段对应的路况信息。第一时间段与第二时间段中的时刻不重合,且第一时间段中的时刻早于第二时间段。标签数据用于表征至少一条道路的路况。至少一条道路的特征数据包括用于表征至少一条道路的路况的信息,以及对至少一条道路的路况存在影响的参数。
可选的,训练模块,具体用于:根据至少一条道路的特征数据和标签数据,对预设神经网络模型进行N次训练,直至满足预设收敛条件,得到路况预测模型。
其中,N次训练中的第i次训练的步骤包括:将至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,基于第一预测结果与标签数据间的损失参数,对第i-1次训练得到的神经网络模型进行路况预测训练,以调整第i-1次训练得到的神经网络模型的参数。预设收敛条件包括:当前损失参数小于或者等于预设阈值;1≤i≤N。
可选的,特征数据包括时空特征、日期特征、静态特征、历史特征、以及其他特征中的至少一个。时空特征用于表征一条道路在目标时间段内的速度。日期特征用于表征目标时间段所属的日期。静态特征用于表征一条道路的属性。历史特征用于表征一条道路在历史时间段内的速度。其他特征用于表征对一条道路的路况存在影响的参数。历史时间段中的时刻早于目标时间段。一条道路为至少一条道路中的任一道路。
可选的,预设神经网络模型包括卷积层和全连接层。
可选的,预设神经网络模型为7层神经网络,且前3层为卷积层后4层为全连接层。
可选的,训练模块,具体用于:将至少一条道路的时空特征输入第i-1次训练得到的神经网络模型的卷积层,将至少一条道路的日期特征、至少一条道路的静态特征、至少一条道路的历史特征以及至少一条道路的其他特征输入第i-1次训练得到的神经网络模型的全连接层进行路况预测,得到第一预测结果。
第三方面,本申请提供一种路况预测装置,该路况预测装置包括存储器和处理器。上述存储器和处理器耦合。该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令。当处理器执行该计算机指令时,路况预测装置执行如第一方面及其任一种可选的路况预测方法。
第四方面,本申请提供一种芯片系统,该芯片系统应用于路况预测装置;芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联;接口电路用于从路况预测装置的存储器接收信号,并向处理器发送信号,信号包括存储器中存储的计算机指令。当处理器执行计算机指令时,路况预测装置执行如第一方面及其任一种可选的路况预测方法。
第五方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质包括计算机指令,当计算机指令在路况预测装置上运行时,使得路况预测装置执行如第一方面及其任一种可选的路况预测方法。
第六方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在路况预测装置上运行时,使得路况预测装置执行如第一方面及其任一种可选的路况预测方法。
本申请中第三方面到第六方面及其各种实现方式的具体描述,可以参考第一方面及其各种实现方式中的详细描述;并且,第二方面到第六方面及其各种实现方式的有益效果,可以参考第一方面及其各种实现方式中的有益效果分析,此处不再赘述。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的路况预测装置的一种结构示意图之一;
图2为本申请实施例提供的路况预测方法的流程示意图之一;
图3为本申请实施例提供的路况预测方法的流程示意图之二;
图4为本申请实施例提供的预设神经网络模型的一种结构示意图;
图5为本申请实施例提供的路况预测装置的一种结构示意图之二。
具体实施方式
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
随着汽车产量和销量的不断增加,汽车出行逐渐成为人们出行的主要交通方式。而随着人们的汽车保有量的增加,不可避免的会带来交通拥堵的问题。因此,合理规划出行时间和出行路线成为人们关注的焦点,而合理规划出行时间和出行路线的前提是了解未来一段时间的路况。
现有的路况预测方法通常是根据日期、周次、天气等属性特征,对历史路况数据进行交通模式的划分,并根据划分后的交通模式和对应的历史路况数据建立基准预测数据库。当需要对某地的路况进行预测时,获取该地当前的属性特征,并判断该地的交通模式,利用该地的交通模式在基准预测数据库中匹配对应的历史路况数据,得到该地的路况,从而实现路况预测。这种路况预测方法中是将同一属性的路况进行了交通模式的划分,在路况预测的过程中无法体现出个体路况的差异性,不能很好的反映真实的路况,从而准确率较低。
为了解决上述问题,本申请实施例提供一种路况预测方法,能够获取当前道路的特征数据,并将当前道路的特征数据输入路况预测模型,得到当前道路的路况预测结果。其中,当前道路的特征数据能够反映出当前道路的特征。路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的,因此,路况预测模型能够反映出目标区域中包括当前道路的至少一条道路的特征。这样,本申请预测得到的当前道路的路况预测结果比较准确。
本申请实施例中的路况预测方法应用于路况预测装置。
路况预测装置可以为各种个人计算机、笔记本电脑、智能手机、平板电脑等计算设备,也可以为移动终端、可穿戴式设备等。其中移动终端可以包括诸如手机、平板电脑、笔记本电脑、个人数字助理(personal digital assistant,PDA)等。可穿戴式设备可以包括诸如智能手表、智能眼镜、智能手环、虚拟现实设备、增强现实设备、混合现实设备(即可以支持虚拟现实和增强现实的设备)等等,本公开对此不做限定。
图1为本申请实施例提供的一种路况预测装置。如图1所示,路况预测装置可以包括处理器11,存储器12、通信接口13、总线14。处理器11,存储器12以及通信接口13之间可以通过总线14连接。
处理器11是路况预测装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器11可以是一个通用中央处理单元(central processing unit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器11可以包括一个或多个CPU,例如图1中所示的CPU 0和CPU1。
存储器12可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、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。
一种可能的实现方式中,存储器12可以独立于处理器11存在,存储器12可以通过总线14与处理器11相连接,用于存储指令或者程序代码。处理器11调用并执行存储器12中存储的指令或程序代码时,能够实现本申请下述实施例提供的路况预测方法。
另一种可能的实现方式中,存储器12也可以和处理器11集成在一起。
通信接口13,用于路况预测装置与其他设备通过通信网络连接,所述通信网络可以是以太网,无线接入网(radio access network,RAN),无线局域网(wireless localarea networks,WLAN)等。通信接口13可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线14,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图1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。
需要指出的是,图1中示出的结构并不构成对该路况预测装置的限定,除图1所示部件之外,该路况预测装置可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合附图对本申请实施例提供的路况预测方法进行描述。
如图2所示,本申请实施例提供的路况预测方法包括如下步骤。
步骤21:路况预测装置获取当前道路的特征数据。
其中,当前道路的特征数据包括时空特征、日期特征、静态特征、历史特征、其他特征中的至少一个。时空特征、日期特征、静态特征、历史特征用于表征当前道路在当前时间段的路况的信息;其他特征包括对当前道路的路况存在影响的参数。
时空特征用于表征当前道路在第一目标时间段内的速度。
具体的,路况预测装置获取当前道路的时空特征的方法包括:路况预测装置将当前道路上游的第一路段和下游的第二路段按照预设长度进行划分,将第一目标时间段按照预设时长进行划分。之后,确定划分后每个预设时长中每条路段对应的速度、第一路段对应的平均速度、第一路段对应的最大速度、第一路段对应的最小速度、第一路段对应的速度的方差、第一路段对应的速度的分位数、第二路段对应的平均速度、第二路段对应的最大速度、第二路段对应的最小速度、第二路段对应的速度的方差、第二路段对应的速度的分位数、第一路段对应的速度和第二路段对应的速度之间的比值,得到当前道路的时空特征。
示例性的,路况预测装置将当前道路上游2千米(km)的路段(本申请涉及的第一路段)和下游2km(本申请涉及的第二路段)的路段按照100米(m)的长度(本申请涉及的预设长度)进行划分,将当前时刻过去2小时(h)的时间段(本申请涉及的第一目标时间段)按照5分钟(min)的时长(本申请涉及的预设时长)进行划分。之后,路况预测装置确定当前时刻过去2h内每5分钟内,上游2km和下游2km每100m内当前道路的时空特征。
然后,路况预测装置根据划分后的当前路段和划分后的第一目标时间段以及获取到的时空特征建立时空矩阵,以便于后续根据时空矩阵预测当前道路的路况。
日期特征用于表征目标时间段所属的日期。
具体的,路况预测装置获取当前道路的日期特征的方法包括:路况预测装置根据第一目标时间段中的时刻(一个时刻对应一个时间戳),确定获取当前道路的特征数据时的小时(一天24小时中的任一小时)、星期(一周7天中的任一天)、是否节气日(一年24节气中的任一节气)、是否工作日、是否节假日、是否大型考试日、是否寒暑假等,得到当前道路的日期特征。
示例性的,若第一目标时间段中的一个时间戳为:XXXX年YY月ZZ日UU时VV分WW秒时,则路况预测装置确定获取当前道路的特征数据时的小时为UU点。同时,路况预测装置从预设的日历中查询ZZ日对应的星期、节气、是否工作日、是否节假日等特征。
静态特征用于表征当前道路的属性
具体的,路况预测装置获取当前道路的静态特征的方法包括:路况预测装置确定当前道路的标识,并从预设的路网拓扑关系中获取当前道路的标识对应的等级、长度、属性、通行方向、车道数、坡度、曲率、上游道路数量、下游道路数量、上游车道数量、下游车道数量,得到当前道路的静态特征。
历史特征用于表征当前道路在第一历史时间段内的速度。其中,第一历史时间段中的时刻早于第一目标时间段。
具体的,路况预测装置获取当前道路的历史特征的方法包括:路况预测装置获取在相同条件(以一周为一个周期,前M个周期中相同日期相同时间段,相同道路转向)下,当前道路的历史时空特征,得到当前道路的历史特征。其中,M≥1,且M为整数。
其他特征用于表征对当前道路的路况存在影响的参数。
具体的,路况预测装置获取当前道路的其他特征的方法包括:路况预测装置获取天气数据和限号数据、事件数据。进一步的,天气数据包括降水量、温度、雨雪天气、雾霾指数等,限号数据包括当前道路所在区域限号情况,事件数据包括当前道路是否存在交通事故等。
路况预测装置获取到当前道路的特征数据之后,对特征数据进行解析、筛选、填补等处理,得到最终的特征数据。
步骤22:路况预测装置将当前道路的特征数据输入路况预测模型,得到当前道路的路况预测结果。
路况预测结果用于表征当前道路在当前时间段(也为上述特征数据对应的第一目标时间段)之后的路况。路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的。至少一条道路包括当前道路。
具体的,结合图2,如图3所示,路况预测装置训练路况预测模型的方法包括:
步骤31:路况预测装置获取预设时间段内,目标区域中至少一条道路的路况信息,并确定第一路况信息和第二路况信息。
其中,预设时间段中的时刻早于当前时间段。第一路况信息为预设时间段内第一时间段对应的路况信息;第二路况信息为预设时间段内第二时间段对应的路况信息。第一时间段与第二时间段中的时刻不重合,且第一时间段中的时刻早于第二时间段。
示例性的,路况预测装置获取4h内,目标区域中至少一条道路的路况信息,并将4h中前2h对应的路况信息确定为第一路况信息,将4h中后2h对应的路况信息确定为第二路况信息。
步骤32:路况预测装置从第一路况信息中确定至少一条道路的特征数据,并从第二路况信息中确定至少一条道路的标签数据。
至少一条道路的特征数据包括用于表征至少一条道路的路况的信息,以及对至少一条道路的路况存在影响的参数。其中,至少一条道路的特征数据包括时空特征、日期特征、静态特征、历史特征、以及其他特征中的至少一个。时空特征用于表征一条道路在第二目标时间段内的速度。日期特征用于表征第二目标时间段所属的日期;静态特征用于表征一条道路的属性。历史特征用于表征一条道路在第二历史时间段内的速度。其他特征用于表征对一条道路的路况存在影响的参数;第二历史时间段中的时刻早于第二目标时间段。一条道路为至少一条道路中的任一道路。具体的,路况预测装置从第一路况信息中确定至少一条道路的特征数据的方法可参照步骤21中,此处不再赘述。
标签数据用于表征至少一条道路的路况(本申请涉及的路况均为道路对应的速度)。示例性的,第二时间段为2h,路况预测装置从第二路况信息中查询目标道路在这2h内的15min、30min、45min、60min、75min、90min、105min、120min对应的路况,得到至少一条道路的标签数据。其中,目标道路为至少一条道路中的任一道路。
步骤33:路况预测装置根据至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型。
具体的,路况预测装置根据至少一条道路的特征数据和标签数据,对预设神经网络模型进行N次训练,直至满足预设收敛条件,得到路况预测模型。
其中,N次训练中的第i次训练的步骤包括:将至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,基于第一预测结果与标签数据间的损失参数,对第i-1次训练得到的神经网络模型进行路况预测训练,以调整第i-1次训练得到的神经网络模型的参数。预设收敛条件包括:当前损失参数小于或者等于预设阈值;1≤i≤N。
上述方案中,路况预测装置将目标区域中至少一条道路的路况信息中,第一时间段对应的路况信息确定为特征数据,第二时间段对应的路况信息确定为标签数据,而第一时间段中的时刻早于第二时间段,因此,根据特征数据和标签数据训练得到的路况预测模型,能够根据当前道路的特征数据预测出当前道路的路况预测结果。另外,路况预测装置在对预设神经网络模型进行训练时,可以对该预设神经网络模型进行多次重复训练,以得到更加精准的路况预测模型。
可选的,预设神经网络模型包括卷积层和全连接层。
可选的,预设神经网络模型为7层神经网络,且前3层为卷积层后4层为全连接层。
可选的,路况预测装置将至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,包括:将至少一条道路的时空特征输入第i-1次训练得到的神经网络模型的卷积层,将至少一条道路的日期特征、至少一条道路的静态特征、至少一条道路的历史特征以及至少一条道路的其他特征输入第i-1次训练得到的神经网络模型的全连接层进行路况预测,得到第一预测结果。
示例性的,假设第二时间段为2h,标签数据为这2h内的15min、30min、45min、60min、75min、90min、105min、120min对应的路况,则标签数据的维度为8维。这样,路况预测模型预测出的第一预测结果也为8维的路况。
以第一预测结果为8维为例,图4为本申请实施例提供的预设神经网络模型的一种结构示意图,包括3层卷积层40和4层全连接层41,其中卷积层40包括第一卷积层401(过滤器尺寸为5*5,深度为8,步长为2)、第二卷积层402(过滤器尺寸为3*3,深度为16,步长为2)、第三卷积层403(过滤器尺寸为3*3,深度为32,步长为2),全连接层41包括第一全连接层411(过滤器尺寸为x*1024,x为本层输入的特征数据的维数)、第二全连接层412(过滤器尺寸为1024*512)、第三全连接层413(过滤器尺寸为512*128)、第四全连接层414(过滤器尺寸为128*8)。
路况预测装置将将至少一条道路的时空特征(96*24*1维)输入第一卷积层401,得到48*12*8维的时空特征;然后将48*12*8维的时空特征输入第二卷积层402,得到24*6*16维的时空特征;再将24*6*16维的时空特征输入第三卷积层403,得到12*3*32维的时空特征。接下来,路况预测装置将12*3*32维(1152维)的时空特征、静态特征(55维)、日期特征(61维)、历史特征(432)和其他特征(25维)输入第一全连接层411,得到1024维的预测结果;然后将1024维的预测结果输入第二全连接层412,得到512维的预测结果;再将512维的预测结果输入第三全连接层413,得到128维的预测结果;最后将128维的预测结果输入第四全连接层414,得到8维的第一预测结果。
上述方案中,路况预测装置在对预设神经网络模型进行训练时,获取至少一条道路的多个维度的特征数据,并将时空特征输入神经网络模型的卷积层,将日期特征、静态特征、历史特征、其他特征输入经网络模型的全连接层,能够更加准确的反映出至少一条道路中每条道路的特征,因此,训练出的路况预测模型更加准确。
在本申请中,路况预测装置是根据当前道路的特征数据和路况预测模型预测当前道路的路况的。本申请中的路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的,而至少一条道路包括当前道路,并且当前道路的特征数据表征了当前道路在当前时间段的路况的信息,以及对当前道路的路况存在影响的参数,也就是说当前道路的特征数据能够反映出当前道路的特征,路况预测模型能够反映出目标区域中包括当前道路的至少一条道路的特征。这样,本申请预测得到的当前道路的路况预测结果比较准确。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
图5为本申请实施例提供的一种路况预测装置的结构示意图。如图5所示,路况预测装置用于执行图2和图3所示的任一种路况预测方法。路况预测装置可以包括获取模块51和处理模块52。
获取模块51,用于获取当前道路的特征数据。当前道路的特征数据包括用于表征当前道路在当前时间段的路况的信息,以及对当前道路的路况存在影响的参数。例如,结合图2,获取模块51可以用于执行步骤21。处理模块52,用于将获取模块51获取到的当前道路的特征数据输入路况预测模型,得到当前道路的路况预测结果。路况预测结果用于表征当前道路在当前时间段之后的路况。路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的。至少一条道路包括当前道路。例如,结合图2,处理模块52可以用于执行步骤22。
可选的,路况预测装置还包括:获取模块51,还用于获取预设时间段内,目标区域中至少一条道路的路况信息。预设时间段中的时刻早于当前时间段。确定模块53,用于确定第一路况信息和第二路况信息。第一路况信息为预设时间段内第一时间段对应的路况信息。第二路况信息为预设时间段内第二时间段对应的路况信息。第一时间段与第二时间段中的时刻不重合,且第一时间段中的时刻早于第二时间段。确定模块53,还用于从第一路况信息中确定至少一条道路的特征数据,并从第二路况信息中确定至少一条道路的标签数据。标签数据用于表征至少一条道路的路况。至少一条道路的特征数据包括用于表征至少一条道路的路况的信息,以及对至少一条道路的路况存在影响的参数。训练模块54,用于根据确定模块53确定的至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型。
可选的,训练模块54,具体用于:根据至少一条道路的特征数据和标签数据,对预设神经网络模型进行N次训练,直至满足预设收敛条件,得到路况预测模型。其中,N次训练中的第i次训练的步骤包括:将至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,基于第一预测结果与标签数据间的损失参数,对第i-1次训练得到的神经网络模型进行路况预测训练,以调整第i-1次训练得到的神经网络模型的参数。预设收敛条件包括:当前损失参数小于或者等于预设阈值。1≤i≤N。
可选的,特征数据包括时空特征、日期特征、静态特征、历史特征、以及其他特征中的至少一个。时空特征用于表征一条道路在目标时间段内的速度。日期特征用于表征目标时间段所属的日期。静态特征用于表征一条道路的属性。历史特征用于表征一条道路在历史时间段内的速度。其他特征用于表征对一条道路的路况存在影响的参数。历史时间段中的时刻早于目标时间段。一条道路为至少一条道路中的任一道路。
可选的,预设神经网络模型包括卷积层和全连接层。
可选的,预设神经网络模型为7层神经网络,且前3层为卷积层后4层为全连接层。
可选的,训练模块54,具体用于:将至少一条道路的时空特征输入第i-1次训练得到的神经网络模型的卷积层,将至少一条道路的日期特征、至少一条道路的静态特征、至少一条道路的历史特征以及至少一条道路的其他特征输入第i-1次训练得到的神经网络模型的全连接层进行路况预测,得到第一预测结果。
当然,本申请实施例提供的路况预测装置包括但不限于上述模块。
在实际实现时,获取模块51和处理模块52可以由图1所示的处理器11调用存储器12中的程序代码来实现。其具体的执行过程可参考图2和图3所示的任一种路况预测方法部分的描述,这里不再赘述。
本申请另一实施例还提供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指令,当计算机指令在路况预测装置上运行时,使得路况预测装置执行上述方法实施例所示的方法流程中路况预测装置执行的各个步骤。
本申请另一实施例还提供一种芯片系统,该芯片系统应用于路况预测装置。所述芯片系统包括一个或多个接口电路,以及一个或多个处理器。接口电路和处理器通过线路互联。接口电路用于从路况预测装置的存储器接收信号,并向处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令。当处理器执行计算机指令时,路况预测装置执行上述方法实施例所示的方法流程中路况预测装置执行的各个步骤。
在本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括指令,当指令在路况预测装置上运行时,使得路况预测装置执行上述方法实施例所示的方法流程中路况预测装置执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上所述,仅为本申请的具体实施方式。熟悉本技术领域的技术人员根据本申请提供的具体实施方式,可想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (16)
1.一种路况预测方法,其特征在于,包括:
获取当前道路的特征数据;所述当前道路的特征数据包括用于表征所述当前道路在当前时间段的路况的信息,以及对所述当前道路的路况存在影响的参数;
将所述当前道路的特征数据输入路况预测模型,得到所述当前道路的路况预测结果;所述路况预测结果用于表征所述当前道路在当前时间段之后的路况;所述路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的;所述至少一条道路包括所述当前道路。
2.根据权利要求1所述的路况预测方法,其特征在于,在将所述当前道路的特征数据输入路况预测模型之前,所述路况预测方法还包括:
获取预设时间段内,目标区域中至少一条道路的路况信息;所述预设时间段中的时刻早于所述当前时间段;
确定第一路况信息和第二路况信息;所述第一路况信息为所述预设时间段内第一时间段对应的路况信息;所述第二路况信息为所述预设时间段内第二时间段对应的路况信息;所述第一时间段与所述第二时间段中的时刻不重合,且所述第一时间段中的时刻早于所述第二时间段;
从所述第一路况信息中确定所述至少一条道路的特征数据,并从所述第二路况信息中确定所述至少一条道路的标签数据;所述标签数据用于表征所述至少一条道路的路况;所述至少一条道路的特征数据包括用于表征所述至少一条道路的路况的信息,以及对所述至少一条道路的路况存在影响的参数;
根据所述至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型。
3.根据权利要求2所述的路况预测方法,其特征在于,所述根据所述至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型,包括:
根据所述至少一条道路的特征数据和标签数据,对预设神经网络模型进行N次训练,直至满足预设收敛条件,得到路况预测模型;
其中,所述N次训练中的第i次训练的步骤包括:
将所述至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,基于所述第一预测结果与所述标签数据间的损失参数,对所述第i-1次训练得到的神经网络模型进行路况预测训练,以调整所述第i-1次训练得到的神经网络模型的参数;
所述预设收敛条件包括:当前损失参数小于或者等于预设阈值;1≤i≤N。
4.根据权利要求1-3任一项所述的路况预测方法,其特征在于,
特征数据包括时空特征、日期特征、静态特征、历史特征、以及其他特征中的至少一个;所述时空特征用于表征一条道路在目标时间段内的速度;所述日期特征用于表征所述目标时间段所属的日期;所述静态特征用于表征所述一条道路的属性;所述历史特征用于表征所述一条道路在历史时间段内的速度;所述其他特征用于表征对所述一条道路的路况存在影响的参数;所述历史时间段中的时刻早于所述目标时间段;所述一条道路为所述至少一条道路中的任一道路。
5.根据权利要求4所述的路况预测方法,其特征在于,预设神经网络模型包括卷积层和全连接层。
6.根据权利要求5所述的路况预测方法,其特征在于,预设神经网络模型为7层神经网络,且前3层为卷积层后4层为全连接层。
7.根据权利要求5或6所述的路况预测方法,其特征在于,所述将所述至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,包括:
将所述至少一条道路的时空特征输入第i-1次训练得到的神经网络模型的卷积层,将所述至少一条道路的日期特征、所述至少一条道路的静态特征、所述至少一条道路的历史特征以及所述至少一条道路的其他特征输入第i-1次训练得到的神经网络模型的全连接层进行路况预测,得到所述第一预测结果。
8.一种路况预测装置,其特征在于,包括:
获取模块,用于获取当前道路的特征数据;所述当前道路的特征数据包括用于表征所述当前道路在当前时间段的路况的信息,以及对所述当前道路的路况存在影响的参数;
处理模块,用于将所述获取模块获取到的所述当前道路的特征数据输入路况预测模型,得到所述当前道路的路况预测结果;所述路况预测结果用于表征所述当前道路在当前时间段之后的路况;所述路况预测模型是根据目标区域中至少一条道路的特征数据和标签数据训练生成的;所述至少一条道路包括所述当前道路。
9.根据权利要求8所述的路况预测装置,其特征在于,所述路况预测装置还包括:
所述获取模块,还用于获取预设时间段内,目标区域中至少一条道路的路况信息;所述预设时间段中的时刻早于所述当前时间段;
确定模块,用于确定第一路况信息和第二路况信息;所述第一路况信息为所述预设时间段内第一时间段对应的路况信息;所述第二路况信息为所述预设时间段内第二时间段对应的路况信息;所述第一时间段与所述第二时间段中的时刻不重合,且所述第一时间段中的时刻早于所述第二时间段;
所述确定模块,还用于从所述第一路况信息中确定所述至少一条道路的特征数据,并从所述第二路况信息中确定所述至少一条道路的标签数据;所述标签数据用于表征所述至少一条道路的路况;所述至少一条道路的特征数据包括用于表征所述至少一条道路的路况的信息,以及对所述至少一条道路的路况存在影响的参数;
训练模块,用于根据所述确定模块确定的所述至少一条道路的特征数据和标签数据,对预设神经网络模型进行路况预测训练,得到路况预测模型。
10.根据权利要求9所述的路况预测装置,其特征在于,
所述训练模块,具体用于:
根据所述至少一条道路的特征数据和标签数据,对预设神经网络模型进行N次训练,直至满足预设收敛条件,得到路况预测模型;
其中,所述N次训练中的第i次训练的步骤包括:
将所述至少一条道路的特征数据输入第i-1次训练得到的神经网络模型进行路况预测,得到第一预测结果,基于所述第一预测结果与所述标签数据间的损失参数,对所述第i-1次训练得到的神经网络模型进行路况预测训练,以调整所述第i-1次训练得到的神经网络模型的参数;
所述预设收敛条件包括:当前损失参数小于或者等于预设阈值;1≤i≤N。
11.根据权利要求8-10任一项所述的路况预测装置,其特征在于,
特征数据包括时空特征、日期特征、静态特征、历史特征、以及其他特征中的至少一个;所述时空特征用于表征一条道路在目标时间段内的速度;所述日期特征用于表征所述目标时间段所属的日期;所述静态特征用于表征所述一条道路的属性;所述历史特征用于表征所述一条道路在历史时间段内的速度;所述其他特征用于表征对所述一条道路的路况存在影响的参数;所述历史时间段中的时刻早于所述目标时间段;所述一条道路为所述至少一条道路中的任一道路。
12.根据权利要求11所述的路况预测装置,其特征在于,预设神经网络模型包括卷积层和全连接层。
13.根据权利要求12所述的路况预测装置,其特征在于,预设神经网络模型为7层神经网络,且前3层为卷积层后4层为全连接层。
14.根据权利要求12或13所述的路况预测装置,其特征在于,所述路况预测装置还包括训练模块;
所述训练模块,具体用于:
将所述至少一条道路的时空特征输入第i-1次训练得到的神经网络模型的卷积层,将所述至少一条道路的日期特征、所述至少一条道路的静态特征、所述至少一条道路的历史特征以及所述至少一条道路的其他特征输入第i-1次训练得到的神经网络模型的全连接层进行路况预测,得到所述第一预测结果。
15.一种路况预测装置,其特征在于,所述路况预测装置包括存储器和处理器;所述存储器和所述处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令;当所述处理器执行所述计算机指令时,所述路况预测装置执行如权利要求1-7中任意一项所述的路况预测方法。
16.一种计算机可读存储介质,其特征在于,包括计算机指令,当所述计算机指令在路况预测装置上运行时,使得所述路况预测装置执行如权利要求1-7中任意一项所述的路况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519580.7A CN112651550A (zh) | 2020-12-21 | 2020-12-21 | 一种路况预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519580.7A CN112651550A (zh) | 2020-12-21 | 2020-12-21 | 一种路况预测方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651550A true CN112651550A (zh) | 2021-04-13 |
Family
ID=75359639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519580.7A Pending CN112651550A (zh) | 2020-12-21 | 2020-12-21 | 一种路况预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651550A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN115841190A (zh) * | 2023-02-14 | 2023-03-24 | 中咨公路养护检测技术有限公司 | 道路pci多步预测方法及装置 |
Citations (3)
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 |
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 |
CN111833605A (zh) * | 2020-07-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
-
2020
- 2020-12-21 CN CN202011519580.7A patent/CN112651550A/zh active Pending
Patent Citations (3)
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 |
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 |
CN111833605A (zh) * | 2020-07-10 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 路况预测方法、路况预测模型训练方法、装置及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550453A (zh) * | 2022-02-23 | 2022-05-27 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN114550453B (zh) * | 2022-02-23 | 2023-09-26 | 阿里巴巴(中国)有限公司 | 模型训练方法、确定方法、电子设备及计算机存储介质 |
CN115841190A (zh) * | 2023-02-14 | 2023-03-24 | 中咨公路养护检测技术有限公司 | 道路pci多步预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
CN112101169B (zh) | 基于注意力机制的道路图像目标检测方法及相关设备 | |
CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN112651550A (zh) | 一种路况预测方法、装置及可读存储介质 | |
CN110232820A (zh) | 一种路况预测模型的建立方法及装置 | |
CN110853347A (zh) | 一种短时交通路况预测方法、装置及终端设备 | |
CN111144648A (zh) | 人流量预测设备及方法 | |
CN110363098B (zh) | 一种暴力行为预警方法、装置、可读存储介质及终端设备 | |
CN110718057A (zh) | 路网运行状态评价方法、装置、电子设备及介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
KR102054984B1 (ko) | 위치 정보를 이용한 분석용 경로 데이터 생성 방법과, 생성 시스템과, 위치 정보를 이용한 분석용 경로 데이터 생성 서비스를 운영하는 방법 및 운영 시스템 | |
CN116884222B (zh) | 一种卡口节点的短时交通流预测方法 | |
CN111667689B (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN109117352B (zh) | 服务器性能预测方法和装置 | |
CN112883236A (zh) | 一种地图更新方法、装置、电子设备及存储介质 | |
CN113128773A (zh) | 地址预测模型的训练方法、地址预测方法及装置 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN112288050B (zh) | 一种异常行为识别方法、识别装置、终端设备及存储介质 | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
CN115116226A (zh) | 一种基于深度强化学习模型的高速公路货车流量预测算法、软件与装置 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN113298309A (zh) | 用于交通拥堵状态预测的方法、装置及终端 | |
CN110782063B (zh) | 区域拥堵程度的预测方法、装置 | |
CN113936453B (zh) | 一种基于车头时距的信息识别方法及系统 |
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 |