CN112652165A - 模型训练及路况预测方法、装置、设备、介质及程序产品 - Google Patents

Abstract

本申请公开了一种模型训练及路况预测方法、装置、设备、介质及程序产品，涉及人工智能领域，尤其涉及智能交通和深度学习技术领域。具体实现方案为：根据样本道路信息，确定样本道路的时序特征表示和样本道路的路况标签；将样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将编码传递参数输入原始模型中的解码时序神经网络，得到解码特征表示；并将解码特征表示输入原始模型中的预测神经网络，得到样本道路的预测路况；其中，编码时序神经网络包括至少两个时序连接的子编码网络；根据样本道路的预测路况和路况标签，对原始模型进行训练，得到路况预测模型。以提高路况预测准确性。

Description

模型训练及路况预测方法、装置、设备、介质及程序产品

技术领域

本申请涉及计算机技术领域，尤其涉及人工智能、智能交通和深度学习技术领域。具体涉及一种模型训练及路况预测方法、装置、设备、介质及程序产品。

背景技术

随着人工智能技术的发展，向用户播报实时路况和预测路况已成为智能交通领域中不可或缺的一部分。

目前，现有技术预测路况时通常采用机器学习模型根据待预测道路的历史路况状态(如拥堵、缓行或畅通)，来预测到当前路况状态，例如，采用机器学习模型根据道路A近一周内每天中午十二点的路况，来预测当日中午十二点的路况。但是，现有方式对于路况在时域维度的变化规律信息刻画不足，存在时效性较差和拥堵召回率低等问题，亟需改进。

发明内容

本申请提供了一种模型训练及路况预测方法、装置、设备、介质及程序产品。

根据本申请的第一方面，提供了一种路况预测模型的训练方法，包括：

根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；

将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；

根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。

根据本申请的第二方面，提供了一种路况预测方法，该方法使用本申请任一实施例所述的方法训练的路况预测模型实现，该方法包括：

根据待预测道路信息，确定待预测道路的时序特征表示；

将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。

根据本申请的第三方面，提供了一种路况预测模型的训练装置，包括：

道路信息解析模块，用于根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；

数据输入模块，用于将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；

模型训练模块，用于根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。

根据本申请的第四方面，提供了一种路况预测装置，该装置使用本申请任一实施例所述的方法训练的路况预测模型实现，所述装置包括：

时序特征确定模块，用于根据待预测道路信息，确定待预测道路的时序特征表示；

路况预测模块，用于将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。

根据本申请的第五方面，提供了一种电子设备，该电子设备包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任一实施例所述的路况预测模型的训练方法或路况预测方法。

根据本申请的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质。所述计算机指令用于使所述计算机执行本申请任一实施例所述的路况预测模型的训练方法或路况预测方法。

根据本申请的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请任一实施例所述的路况预测模型的训练方法或路况预测方法。

根据本申请的技术解决了现有路况预测方法时效性差、拥堵召回率低的问题，为路况预测模型的训练及路况预测提供了一种新思路。

应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1A是根据本申请实施例提供的一种路况预测模型的训练方法的流程图；

图1B是根据本申请实施例的提供的一种原始模型的结构示意图；

图2是根据本申请实施例提供的另一种路况预测模型的训练方法的流程图；

图3是根据本申请实施例提供的另一种路况预测模型的训练方法的流程图；

图4是根据本申请实施例的提供的另一种原始模型的结构示意图；

图5A-5B是根据本申请实施例的提供的另一种原始模型的结构示意图；

图6是根据本申请实施例提供的一种路况预测方法的流程图；

图7是根据本申请实施例提供的另一种路况预测方法的流程图；

图8是根据本申请实施例提供的另一种路况预测方法的流程图；

图9是根据本申请实施例提供的一种路况预测模型的训练装置的结构示意图；

图10是根据本申请实施例提供的一种路况预测装置的结构示意图；

图11是用来实现本申请实施例的路况预测模型的训练方法或路况预测方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1A是根据本申请实施例提供的一种路况预测模型的训练方法的流程图；图1B是根据本申请实施例的提供的一种原始模型的结构示意图；本实施例适用于构建并训练能够执行路况预测任务的深度学习模型的情况。该实施例可以由电子设备中配置的路况预测模型的训练装置来执行，该装置可以采用软件和/或硬件来实现。如图1A-1B所示，该方法包括：

S101，根据样本道路信息，确定样本道路的时序特征表示和样本道路的路况标签。

其中，所谓样本道路为作为训练样本的道路，该样本道路可以是一条，也可以是多条。本申请实施例在确定样本道路时，可以是在道路数据集中随机选择一段时间(如一周)内，同一时刻(如中午十二点)的同一条道路或不同道路作为样本道路；还可以选择一段时间(如一周)内，不同时刻的同一条道路或不同道路作为样本道路。样本道路信息可以是样本道路的相关信息，例如，可以包括但不限于：样本道路在历史各时刻的轨迹量(即各时刻在该样本道路行驶的轨迹数量)、每条轨迹的速度以及道路的路况状态(如拥堵、缓行和畅通)等。

本申请实施例中的样本道路的时序特征表示可以是对样本道路信息进行编码分析处理后，得到的一段时间内不同时刻道路特征的时序变化情况。可选的，该时序特征表示可以通过数字和/或字母等的形式表征，例如，通过数字表征速度特征和轨迹量特征，通过字母表征路况状态特征等。该样本道路的时序特征表示可以是以向量或矩阵等形式表示。可选的，本申请实施例中的时序特征表示可以包括但不限于：平均速度、百分位速度(如25％分位速度和75％分位速度)、极值速度(如最大值速度和最小值速度)、轨迹量以及不同路况状态(如拥堵、缓行和畅通)下的轨迹量占比中的至少一个。本申请实施例的时序特征表示不但包括：速度维度和轨迹量维度的特征，且针对这两个维度的特征，进一步设置的更细维度的子特征，这样设置的好处是丰富了训练数据的时序特征维度，极大的提高了路况预测模型训练的准确性，进而提高了路况预测模型预测路况的准确性。

本申请实施例中的样本道路的路况标签可以是在模型训练过程中，与模型预测的路况(即预测路况)相对应的样本道路的真实路况。例如，原始模型预测的是道路A在1月1日早上八点的路况，则此时的路况标签为道路A在1月1日早上八点的真实路况。也就是说，该路况标签是通过用户实走后验轨迹得到的样本道路在样本预测时刻的真实路况。

可选的，由于样本道路的时序特征表示中包含的是时序特征，所以本步骤根据样本道路信息，确定样本道路的时序特征表示时，可以是获取样本道路在样本预测时刻之前的多个时刻的样本道路信息，来确定样本道路的时序特征表示。具体的，可以根据实际需求预先设置获取样本预测时刻之前哪些时刻的样本道路信息，例如，设置获取样本预测时刻的前1分钟、前2分钟和前3分钟的样本道路信息。然后根据设置的该规则，根据样本道路的样本预测时刻，从样本道路信息中获取对应时刻(如样本预测时刻的前1分钟、前2分钟和前3分钟)的道路信息，如道路信息可以包括轨迹量、各轨迹速度和道路在该时刻的路况状态等，进而针对每个对应时刻的各轨迹速度，确定该对应时刻的平均速度、百分位速度(如25％分位速度和75％分位速度)和极值速度(如最大值速度和最小值速度)；针对每个对应时刻的轨迹量和路况状态，确定该对应时刻的轨迹量和不同路况状态下的轨迹量占比。最后将各对应时刻的道路特征按照时间先后顺序进行组合，得到样本道路的时序特征表示。需要说明的是，时序特征表示中包含的对应时刻的道路特征的数量值与编码时序神经网络中的子编码网络的数量相同，且样本道路的时序特征表示中各时刻的道路特征表示，按照时间先后顺序，依次对应编码时序神经网络中的各子编码网络。

可选的，本申请实施例根据样本道路信息，确定样本道路的路况标签的过程可以是：根据样本道路的样本预测时刻，从样本道路信息中获取该样本预测时刻对应的真实路况作为该样本路况标签，还可以是根据该样本预测时刻的速度和轨迹量等信息来确定对应的真实路况，作为样本路况标签。可选的，在本申请实施例中，若原始模型预测出的路况为多个不同时刻的路况，则本步骤需要根据样本道路信息，确定的样本道路的路况标签也对应为多个不同时刻的路况标签。可选的，多个不同时刻可以为样本预测时刻和样本预测时刻之后的至少一个时刻。例如，为样本预测时刻后的第一分钟和样本预测时刻后的第二分钟。具体选择哪些不同时刻，可以根据原始模型的训练需求而定。

可选的，为了防止不同样本道路的时序特征表示和样本道路的路况标签相互混淆，本申请实施例可以为每个样本道路及其对应的样本预测时刻分配一个索引标签(key)，例如，若样本道路为道路A，其样本预测时刻为时间1，则该索引标签为key1：道路A-时间1。在执行本步骤确定样本道路的时序特征表示和样本道路的路况标签后，将确定出的时序特征表示和路况标签与该样本道路的索引标签建立关联关系。

S102，将样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将编码传递参数输入原始模型中的解码时序神经网络，得到解码特征表示；并将解码特征表示输入原始模型中的预测神经网络，得到样本道路的预测路况。

其中，所谓原始模型可以是已构建好，但未训练的路况预测模型。可选的，如图1B所示，本申请实施例中的原始模型1包括两部分的时序神经网络，即编码时序神经网络10和解码时序神经网络11，还包括预测神经网络12。其中，所述编码时序神经网络10包括至少两个时序连接的子编码网络101，具体为图1B中的子编码网络1-子编码网络5，且末尾子编码网络(即子编码网络5)与解码时序神经网络11时序连接。可选的，所述编码时序神经网络10和解码时序神经网络11可以为长短期记忆网络LSTM。具体的，以子编码网络1和子编码网络2进行时序连接为例，具体的时序连接方式为：子解码网络1的第一输出端A连接下一子解码网络2的第二输入端B。末尾子编码网络5与解码时序神经网络11时序连接为：末尾子解码网络5的第一输出端A连接解码时序神经网络11的输入端。需要说明的是，若解码时序神经网络11有多个子解码网络，则末尾子解码网络5与首个子解码网络时序连接。具体的，该原始模型1的输入为编码时序神经网络10的输入，即图1B中的输入1-输入5。编码时序神经网络10(即子编码网络5)的第一输出连接解码时序神经网络11的输入，解码时序神经网络11的输出连接预测神经网络12，预测神经网络12的输出即为原始模型1的输出。

可选的，在本申请实施例中，编码传递参数可以是子编码网络对样本道路的时序特征表示进行时序编码后得到的传递参数。解码特征表示可以是通过对编码传递参数按照一定的规则进行解码处理后提取出的样本道路对应的时序隐变量特征。

可选的，本申请实施例中，由于样本道路的时序特征表示中各时刻的道路特征表示是按照时间先后顺序，依次对应编码时序神经网络10中的一个子编码网络101(即子编码网络1-子编码网络5)。所以本步骤可以是依次将S101确定的时序特征表示中不同时刻的道路特征表示输入到其对应的子编码网络101中。例如，可以将样本道路的时序特征表示中8：00的道路特征表示输入到子编码网络1中，将8：01分的道路特征表示输入到子编码网络2中，将8：02分的道路特征表示输入到子编码网络3中，以此类推，直到将时序特征表示都输入到对应的子编码网络101中。编码时序神经网络10中的每个子编码网络101(即子编码网络1-子编码网络5)会按照预设的编码规则，对自身输入的时序特征表示和上一个子编码网络101传递过来的编码传递参数进行编码处理，并将自己处理后得到的编码传递参数输出给下一个子编码网络101。需要说明的是，对于首个子编码网络1，可以为其设置初始的编码传递参数。对于末尾子编码网络5编码得到的编码传递参数，将会作为编码时序神经网络10的输出结果，传输至解码时序神经网络11，解码时序神经网络11会按照预设的解码规则，结合自身的解码参数(可选的，可以是网络的固有参数，也可以是用户输入的参数)对接收到的通过时序编码处理的编码传递参数进行解码处理，得到解码特征表示，该解码特征表示会进一步输入到预测神经网络12，由预测神经网络12结合该解码特征表示和其他参数(如可以是网络的固有参数，也可以是用户输入的参数)进行处理，得到样本道路的预测路况。

S103，根据样本道路的预测路况和路况标签，对原始模型进行训练，得到路况预测模型。

其中，所谓预测结果为S102中，原始模型中的预测神经网络的针对样本道路的样本预测时刻，预测出来的该样本道路在该样本预测时刻预测的道路状况。

可选的，本步骤可以是针对每一个样本道路，将该样本道路的每个样本预测时刻对应的预测路况，与该样本道路在该样本预测时刻对应的路况标签作为一组训练数据。基于各样本道路的多组训练数据，采用梯度下降的方法，不断对原始模型进行训练，不断更新优化原始模型1中的编码时序神经网络10、解码时序神经网络11和预测神经网络12的网络参数直到模型收敛，得到路况预测模型。可选的，为了提高预测结果的精准性，本申请实施例中的预测神经网络12中还可以包括多个子网络处理层，对此本实施例不进行限定。

可选的，本申请实施例可以在对原始模型训练达到预设时长，或者预设次数后，采用测试数据对训练后的原始模型进行预测精度测试，若训练后的原始模型的精度达到预设要求，则训练后的原始模型即为路况预测模型。

可选的，本申请训练后的路况预测模型可以嵌入到路况预测系统中，用于进行线上预测道路的路况信息。具体的，路况预测系统可以获取待预测道路在目标预测时刻之前的道路信息，确定待预测道路的时序特征表示，然后将该时序特征表示输入到训练好的路况预测模型中，以得到待预测道路在目标预测时刻的预测路况，并向用户发布该预测路况，或者基于该预测路况，为用户规划出行路线等。

需要说明的是，考虑到不同区域的道路特征与路况之间的关系差距较大，所以本申请实施例可以是针对不同区域(如不同省份)的道路，按照本实施例所述的方式训练不同的路况预测模型。

本申请实施例的技术方案，构建包含多个子编码网络的编码时序神经网络、解码时序神经网络和预测神经网络的原始模型，将基于样本道路信息确定的时序特征表示输入到原始模型的编码时序神经网络，得到编码传递参数，再输入到解码时序神经网络，得到解码特征表示再输入到预测神经网络，得到样本道路的预测路况，进而结合样本道路的路况标签，对原始模型进行训练，得到路况预测模型。由于本申请构建的该路况预测模型为深度学习模型，且路况预测过程中引入了编码时序神经网络和解码时序神经网络对样本道路的时序特征表示进行时序推理分析，相比于结构简单的机器学习模型，不但能够很好的刻画出路况在时序维度的变化规律，还可以提高预测效率，极大的提高了路况预测的时效性和拥堵召回率。

可选的，在本申请实施例中，在选择训练路况预测模型的样本道路时，可以是从道路数据集中选择样本预测时刻的候选道路集；将候选道路集中，轨迹量满足数量阈值的候选道路作为样本道路。具体的，可以是先从道路数据集中随机选择一段时间(如一周)内，同一时刻的同一条道路或不同道路添加到候选道路集；还可以选择一段时间(如一周)内，不同时刻的同一条道路或不同道路添加到候选道路集。然后根据候选道路集中每条候选道路的轨迹量与预设的数量阈值(如3条)进行比较，将轨迹量小于该数量阈值的候选道路从候选道路集中剔除，剩余的候选道路即可作为样本道路。本申请实施例将道路中的轨迹量作为样本道路的选择标准，使得选出的样本道路中包含较多的轨迹。由于道路中轨迹量的数量决定了后续为该道路确定出的时序特征表示的精准性，所以本申请实施例采用该方式选取样本道路，能够更准确性的刻画出样本道路的时序道路特征，为后续训练出高精度的道路预测模型提供了保证。

图2是根据本申请实施例提供的另一种路况预测模型的训练方法的流程图。本实施例在上述实施例的基础上，进行了进一步的优化，给出了根据样本道路信息，确定样本道路的时序特征表示，以及将样本道路的时序特征表示输入原始模型中的编码时序神经网络的具体情况介绍。如图2所示，该方法包括：

S201，将样本道路信息中属于样本预测时刻前的首个预设时段的道路信息，划分为至少两个样本时间片段数据。

其中，所谓样本预测时刻前的首个预设时段可以是位于样本预测时刻之前，且与该样本预测时刻距离最近的一个预设时段。例如，若样本预测时刻为8:00，预设时段为10分钟，则此时样本预测时刻前的首个预设时段为7:50-8:00。所谓样本时间片段数据可以是对样本道路信息按照时间顺序进行划分后得到，该样本时间片段数据实质为样本道路在划分后的不同时段内的道路信息。该样本时间片段数据的数量和编码时序神经网络中子编码网络的数量相同。例如，图1B所示的原始模型1中编码时序神经网络10中包含5个子编码网络，所以本步骤划分的样本时间片段数据的数量也为5个。

可选的，在本申请实施例中，样本道路信息中包含有样本道路的所有历史道路信息情况，本步骤可以先从样本道路信息中提取出属于样本预测时刻前的首个预设时段的道路信息，然后再结合待训练的原始模型中包含的子编码网络的数量，确定需要划分的样本时间片段数据的数量，进而将预设时段按照该数量进行等间隔划分，将划分后的每个子时段对应的样本道路信息，作为该子时段对应的样本时间片段数据。示例性的，若样本预测时刻为8:00，预设时段为10分钟，原始模型1中5个子编码网络的，则本步骤可以是可以将样本道路信息中属于7:50-8:00时段内的道路信息，按照2分钟为一个时间片段，划分为5个样本时间片段数据。

S202，确定至少两个样本时间片段数据的道路特征表示作为样本道路的时序特征表示。

可选的，本申请实施例可以是针对S201划分的每个样本时间片段数据，根据其中包含的轨迹量、各轨迹速度等道路信息和路况状态，计算出该时间片段平均速度、百分位速度(如25％分位速度和75％分位速度)、极值速度(如最小值速度和最大值速度)、轨迹量以及不同路况状态下的轨迹量占比中的至少一个，作为该样本时间片段数据的道路特征表示，然后将划分的所有样本时间片段数据的道路特征表示，按照时间片段的先后顺序组合在一起，即可得到样本道路的时序特征表示。

S203，根据样本道路信息，确定样本道路的路况标签。

S204，依次将每个样本时间片段数据的道路特征表示，作为原始模型中的编码时序神经网络的子编码网络的参数输入，得到编码传递参数；将编码传递参数输入原始模型中的解码时序神经网络，得到解码特征表示；并将解码特征表示输入原始模型中的预测神经网络，得到样本道路的预测路况。

其中，编码时序神经网络包括至少两个时序连接的子编码网络。

可选的，由于样本道路的时序特征表示是由S202确定的至少两个样本时间片段数据的道路特征表示组成，所以本步骤可以是将每个样本时间片段数据的道路特征表示，按照其时间段的先后顺序，依次输入到原始模型中该时间片段数据对应的子编码网络中。

示例性的，若本申请实施例中的5个样本时间片段数据是对7:50-8:00时段内的道路信息，按照2分钟为一个时间片段划分得到的，则针对图1B所示的原始模型1，可以是将7:50-7:52时间片段数据对应的道路特征表示输入到子编码网络1中，将7:52-7:54时间片段数据对应的道路特征表示输入到子编码网络2中；将7:54-7:56时间片段数据对应的道路特征表示输入到子编码网络3中；将7:56-7:58时间片段数据对应的道路特征表示输入到子编码网络4中；将7:58-8:00时间片段数据对应的道路特征表示输入到子编码网络5中。原始模型1中的各子编码网络101就会基于输入的道路特征数据和上一个子编码网络传递过来的编码传递参数进行编码处理，并将自己处理后得到的编码传递参数输出给下一个子编码网络101。需要说明的是，对于首个子编码网络1，可以为其设置初始的编码传递参数。对于末尾子编码网络5编码得到的编码传递参数将会作为编码时序神经网络10的输出结果输入原始模型1中的解码时序神经网络11，得到解码特征表示；并将解码特征表示输入原始模型1中的预测神经网络12，得到样本道路的预测路况。

S205，根据样本道路的预测路况和路况标签，对原始模型进行训练，得到路况预测模型。

本申请实施例的技术方案，将样本道路信息中属于样本预测时刻前的首个预设时段的道路信息，划分为至少两个样本时间片段数据，并确定各样本时间片段数据的道路特征，然后输入到原始模型中的编码时序神经网络的子编码网络中，得到编码传递参数输入到原始模型中的解码时序神经网络中，得到解码特征表示输入到预测神经网络，得到样本道路的预测路况，进而根据该预测路况，以及基于样本道路信息确定的路况标签对原始模型进行训练，得到路况预测模型。本申请实施例的方案给出了一种确定时序特征表示的新思路，该方式确定出的时序特征表示，能够更精准的体现出道路特征的时序性，为后续训练出高精度的道路预测模型提供了保证。

图3是根据本申请实施例提供的另一种路况预测模型的训练方法的流程图。本实施例在上述实施例的基础上，进行了进一步的优化，给出了确定样本道路的时序特征表示的一种优选方式介绍。如图3所示，该方法包括：

S301，根据样本道路信息，确定样本道路的时序特征表示和样本道路的路况标签。

S302，根据样本道路的关联道路信息，确定关联道路的时序特征表示，并将关联道路的时序特征表示添加到样本道路的时序特征表示中。

其中，本申请实施例的样本道路的关联道路可以是样本道路附近区域内的道路，还可以是样本道路的上下游道路等。样本道路的关联道路信息可以是样本道路的关联道路的道路信息。

可选的，本申请实施例根据样本道路的关联道路信息，确定关联道路的时序特征表示的方式可以与根据样本道路信息，确定样本道路的时序特征表示的方式类似，在此本步骤不进行赘述。需要说明的是，本步骤确定出的关联道路的时序特征表示的特征种类与样本道路的时序特征表示相同，即都为平均速度、百分位速度(如25％分位速度和75％分位速度)、极值速度(如最小值速度和最大值速度)、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。本步骤在确定出关联道路的时序特征表示后，可以是将关联道路的时序特征表示添加到该关联道路对应的样本道路的时序特征表示中。也就是说，经过本步骤的处理，后续输入到原始模型中的编码时序神经网络中的时序特征表示中不但包含了样本道路自身的时序特征表示，还包含了样本道路的关联道路的时序特征表示。

S303，将样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将编码传递参数输入原始模型中的解码时序神经网络，得到解码特征表示；并将解码特征表示输入原始模型中的预测神经网络，得到样本道路的预测路况。

其中，编码时序神经网络包括至少两个时序连接的子编码网络。

S304，根据样本道路的预测路况和路况标签，对原始模型进行训练，得到路况预测模型。

本申请实施例的方案，将基于样本道路信息和样本道路的关联道路信息确定的时序特征表示输入到原始模型的编码时序神经网络，得到编码传递参数，再输入到解码时序神经网络，得到解码特征表示再输入到预测神经网络，得到样本道路的预测路况，进而结合样本道路信息确定的路况标签，对原始模型进行训练，得到路况预测模型。本申请实施例的方案，在构建样本道路的时序特征表示时，不但利用了时域维度(不同时段)的轨迹信息，还利用了空间域维度(即关联道路)的轨迹信息，进一步提高了样本道路的时序特征表示的多样性和准确性。为后续训练出高精度的道路预测模型提供了保证。

图4是根据本申请实施例的提供的另一种原始模型的结构示意图。本实施例在上述实施例的基础上，对构建的原始模型的结构进行了进一步的优化，给出了原始模型的预测神经网络内部结构的一种具体情况介绍。具体的，该原始模型的预测神经网络中包括信息拼接层和全连接层。相应的，将解码特征表示输入原始模型中的预测神经网络，得到样本道路的预测路况，包括：将解码特征表示和路况预测拼接信息输入信息拼接层，得到拼接特征表示；并将拼接特征表示输入全连接层，得到样本道路的预测路况。其中，路况预测拼接信息可以是除解码特征表示之外的其他任何维度可用于预测路况的信息。拼接特征表示可以是通过多维度信息拼接后提取出的样本道路对应的多维隐变量特征。

具体的，如图4所示，该原始模型1的预测神经网络12内部包含了信息拼接层121和全连接层122，其中，信息拼接层121接收不同维度的信息，即信息拼接层121的第一接收端接收解码时序神经网络11输出的解码特征表示，第二接收端(如图4中的输入6)接收路况预测拼接信息，并对接收到的不同维度的信息进行特征拼接，得到拼接特征表示，然后输入到全连接层122，此时全连接层122会基于预设的预测算法，对接收到的拼接特征表示进行分析，得到样本道路的预测路况，并将其作为该原始模型的输出。本申请实施例在构建原始模型时，设计由信息拼接层和全连接层组成的预测神经网络，采用信息拼接层能够实现在路况预测的过程中引入多维度信息，提高了路况预测参数数据的全面性，采用全连接层对信息拼接层提取的拼接特征表示进行更深维度的分析处理，提高了路况预测的数据处理深度。因此，本申请实施例这样构建原始模型，极大的提高了训练后的路况预测模型进行路况预测的准确性。

可选的，在本申请实施例中，输入到图4中信息拼接层121的路况预测拼接信息可以包括：样本道路的等级信息和/或输入到编码时序神经网络的末尾子编码网络(如图4中的子解码网络5)的时序特征表示。其中，输入到编码时序神经网络的末尾子编码网络的时序特征表示可以是时序特征表示中时间排序最后的样本时间片段数据的道路特征。其中，道路等级信息用于衡量道路的通行能力，例如，高速公路的等级高于县级公路。本申请实施例优选将样本道路的等级信息和输入到编码时序神经网络的末尾子编码网络的时序特征表示都作为输入到信息拼接层的路况预测拼接信息。这样设置的好处是，拼接多维度的信息，进一步提高预测结果的准确性。需要说明的是，本申请实施例的路况预测拼接信息除了上述两种信息外，还可以添加其他维度的信息，对此本实施例不进行限定。

图5A-5B是根据本申请实施例的提供的另一种原始模型的结构示意图。本实施例在上述实施例的基础上，对构建的原始模型的结构进行了进一步的优化，给出了原始模型的解码时序神经网络和预测神经网络内部结构的另一种具体情况介绍。具体的，该原始模型的解码时序神经网络中包括多个子解码网络，预测神经网络中也同样包括多个子预测网络，且所述解码时序神经网络的子解码网络与所述预测神经网络中的子预测网络一一对应；所述子解码网络的第一输出端连接下一子解码网络；所述子解码网络的第二输出端连接对应的子预测网络。示例性的，如图5A所示，该原始模型1的解码时序神经网络11中包括3个子解码网络111，即子解码网络1至子解码网络3。原始模型1中预测神经网络12中包括3个子预测网络123，即子预测网络1至子预测网络3。子解码网络1与子预测网络1对应，子解码网络2与子预测网络2对应，子解码网络3与子预测网络3对应。其中，子解码网络1的第一输出端A连接下一子解码网络2的第二输入端B(即传递输入端)，子解码网络1的第二输出端C连接子预测网络1的输入端，子解码网络2的第一输出端A连接下一子解码网络3的第二输入端B，子解码网络2的第二输出端C连接子预测网络2的输入端，子解码网络3的第二输出端C连接子预测网络3的输入端。本申请实施例在构建原始模型时，设计包含多个子解码网络的解码时序神经网络，和包含多个子预测网络的预测神经网络，能够实现同时预测同一道路在多个不同时刻的路况，在满足预测结果准确性的同时，提高了预测结果的丰富性。

可选的，由于本申请实施例的预测神经网络可以包括信息拼接层和全连接层，所以当预测神网络中包含多个子预测网络时，可以每个子预测网络中都包含由对应的子信息拼接层和子全连接层。如图5B所示，子解码网络123中包括子拼接层和子连接层。这样设置的好处是，提高了预测结果的丰富性的同时，还提高了预测结果的准确性。

可选的，本申请实施例中，路况标签的数量与子解码网络的数量相同；若路况标签为至少两个，则至少两个路况标签为样本道路在样本预测时刻和样本预测时刻的至少一个后续预测时刻的真实路况状态。具体的，若路况标签为至少两个，则说明本申请实施例构建的原始模型中包括至少两个子解码网络和至少两个子预测网络，也就是说，本申请实施例能够实现预测至少两个不同时刻的道路路况，此时可以优选训练原始模型预测样本预测时刻和样本预测时刻之后的至少一个后续时刻的路况，此时对应就需要根据样本预测时刻的样本道路信息和样本预测时刻之后的至少一个后续时刻的样本道路信息，来确定样本预测时刻和样本预测时刻的至少一个后续预测时刻的真实路况，作为路况标签。需要说明的是，后续时刻的选择可以根据实际需求确定。例如，若原始模型可以预测三个不同时刻的路况，为了精准确定样本预测时刻的准确路况，则可以设置预测样本预测时刻、样本预测时刻后的第一分钟，以及样本预测时刻后的第二分钟的路况，根据三个相邻时刻的预测路况，来确定样本预测时刻的最终路况。本申请实施例可以根据需求调整原始模型预测路况的个数，相应的采用对应个数的路况标签进行模型训练，提高了模型构建和模型训练的灵活性。

图6是根据本申请实施例提供的一种路况预测方法的流程图；本实施例适用于使用将上述任一实施例训练的路况预测模型部署到路况预测系统中，以实现路况预测的情况。该实施例可以由路况预测系统所在电子设备执行，该电子设备中配置有路况预测模型和路况预测装置，该装置可以采用软件和/或硬件来实现。如图6所示，该方法包括：

S601，根据待预测道路信息，确定待预测道路的时序特征表示。

其中，所谓待预测道路信息可以是待预测路况的道路的相关信息，例如，可以包括但不限于：待预测道路在历史各时刻的轨迹量(即各时刻在该待预测道路行驶的轨迹数量)、每条轨迹的速度以及道路的路况状态(如拥堵、缓行和畅通)等。

待预测道路的时序特征表示可以是对待预测道路信息进行编码分析处理后，得到的一段时间内不同时刻道路特征的时序变化情况。可选的，该时序特征表示可以通过数字和/或字母等的形式表征，例如，通过数字表征速度特征和轨迹量特征，通过字母表征路况状态特征等。该待预测道路的时序特征表示可以是以向量或矩阵等形式表示。可选的，本申请实施例中的时序特征表示可以包括但不限于：平均速度、百分位速度(如25％分位速度和75％分位速度)、极值速度(如最大值速度和最小值速度)、轨迹量以及不同路况状态(如拥堵、缓行和畅通)下的轨迹量占比中的至少一个。本申请实施例的时序特征表示不但包括：速度维度和轨迹量维度的特征，且针对这两个维度的特征，进一步设置的更细维度的子特征，这样设置的好处是丰富了待预测道路的时序特征维度，多维度的时序特征表示可进一步提高路况预测结果的准确性和时效性。

可选的，由于待预测道路的时序特征表示与样本道路的时序特征表示类似，都包含的是时序特征，所以本步骤根据待预测道路信息，确定待预测道路的时序特征表示的过程可以与根据样本道路信息，确定样本道路的时序特征表示的方式类似。例如，方式一、可以是获取待预测道路在目标预测时刻之前的多个时刻的待预测道路信息，来确定待预测道路的时序特征表示。具体的，可以根据实际需求预先设置获取目标预测时刻之前哪些时刻的待预测道路信息；然后根据设置的该规则，根据待预测道路的目标预测时刻，从待预测道路信息中获取对应时刻的道路信息，如道路信息可以包括轨迹量、各轨迹速度和道路在该时刻的路况状态等，进而针对每个对应时刻的各轨迹速度，确定该对应时刻的平均速度、百分位速度(如25％分位速度和75％分位速度)和极值速度(如最大值速度和最小值速度)；针对每个对应时刻的轨迹量和路况状态，确定该对应时刻的轨迹量和不同路况状态下的轨迹量占比。最后将各对应时刻的道路特征按照时间先后顺序进行组合，得到待预测道路的时序特征表示。

方式二、本申请实施例根据待预测道路信息，确定待预测道路的时序特征表示的方式还可以包括：将待预测道路信息中属于目标预测时刻前的首个预设时段的道路信息，划分为至少两个目标时间片段数据；确定至少两个目标时间片段数据的道路特征表示作为待预测道路的时序特征表示。其中，目标时间片段数据的数量和路况预测模型中的子编码网络的数量相同。其中，目标预测时刻前的首个预设时段可以是位于目标预测时刻之前，且与该目标预测时刻距离最近的一个预设时段，与上述实施例介绍的样本预测时刻前的首个预设时段类似。所谓目标时间片段数据与上述实施例介绍的样本时间片段数据类似，可以是对待预测道路信息按照时间顺序进行划分后得到，该目标时间片段数据实质为待预测道路在划分后的不同时段内的道路信息。可选的，该方式可以先从待预测道路信息中提取出属于目标预测时刻前的首个预设时段的道路信息，然后再结合路况预测模型中包含的子编码网络的数量，确定需要划分的目标时间片段数据的数量，进而将预设时段按照该数量进行等间隔划分，将划分后的每个子时段对应的待预测道路信息，作为该子时段对应的目标时间片段数据。示例性的，若本步骤采用的路况预测模型是基于图1B所示的原始模型训练的，且本次目标预测时刻为8:00，预设时段为10分钟，则本步骤可以是可以将待预测道路信息中属于7:50-8:00时段内的道路信息，按照2分钟为一个时间片段，划分为5个目标时间片段数据。该方式二给出了一种确定时序特征表示的新思路，该方式二确定出的时序特征表示，能够更精准的体现出道路特征的时序性，使得后续采用道路预测模型基于该时序特征表示预测的路况信息更为精准。

S602，将待预测道路的时序特征表示输入至路况预测模型中，得到待预测道路的预测路况。

可选的，本步骤可以是将S601确定的待预测道路的时序特征表示输入至路况预测模型中，即将待预测道路的时序特征表示输入路况预测模型中的编码时序神经网络，得到编码传递参数；将编码传递参数输入路况预测模型中的解码时序神经网络，得到解码特征表示；并将解码特征表示输入路况预测模型中的预测神经网络，得到待预测道路的预测路况。需要说明的是，路况预测模型根据待预测道路的时序特征表示，解析得到待预测道路的预测路况的具体过程与模型训练阶段，原始模型根据样本预测道路的时序特征表示，解析得到样本道路的预测路况的方式类似，在此不进行赘述。

可选的，若S601是通过上述方式二来确定待预测道路的时序特征表示的，则本步骤可以是依次将每个目标时间片段数据的道路特征表示，作为路况预测模型中的子编码网络的参数输入，并运行该路况预测模型，即可得到待预测道路的预测路况。

本申请实施例的技术方案，采用上述任一实施例构建并训练的路况预测模型，根据待预测道路信息确定的待预测道路的时序特征表示，并将该时序特征表示输入到路况预测模型中，得到待预测道路的预测路况。由于本申请构建的该路况预测模型为深度学习模型，且路况预测过程中引入了编码时序神经网络和解码时序神经网络对待预测道路的时序特征表示进行时序推理分析，相比于结构简单的机器学习模型，不但能够很好的刻画出路况在时序维度的变化规律，还可以提高预测效率，极大的提高了路况预测的时效性和拥堵召回率。

图7是根据本申请实施例提供的另一种路况预测方法的流程图。本实施例在上述实施例的基础上，进行了进一步的优化，给出了确定待预测道路的时序特征表示的另一种情况介绍。如图7所示，该方法包括：

S701，根据待预测道路信息，确定待预测道路的时序特征表示。

S702，根据待预测道路的关联道路信息，确定关联道路的时序特征表示，并将关联道路的时序特征表示添加到待预测道路的时序特征表示中。

其中，本申请实施例的待预测道路的关联道路可以是待预测道路附近区域内的道路，还可以是待预测道路的上下游道路等。待预测道路的关联道路信息可以是待预测道路的关联道路的道路信息。

可选的，本申请实施例根据待预测道路的关联道路信息，确定关联道路的时序特征表示的方式可以与上述实施例介绍的根据样本道路信息，确定样本道路的时序特征表示的方式类似，在此本步骤不进行赘述。需要说明的是，本步骤确定出的关联道路的时序特征表示的特征种类与待预测道路的时序特征表示相同，即都为平均速度、百分位速度(如25％分位速度和75％分位速度)、极值速度(如最小值速度和最大值速度)、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。本步骤在确定出关联道路的时序特征表示后，可以是将关联道路的时序特征表示添加到该关联道路对应的待预测道路的时序特征表示中。也就是说，经过本步骤的处理，后续输入到路况预测模型中的编码时序神经网络中的时序特征表示中不但包含了待预测道路自身的时序特征表示，还包含了待预测道路的关联道路的时序特征表示。

S703，将待预测道路的时序特征表示输入至路况预测模型中，得到待预测道路的预测路况。

本申请实施例的技术方案，将基于待预测道路信息和待预测道路的关联道路信息确定的时序特征表示输入到路况预测模型，来预测待预测道路在目标预测时刻的路况信息，本申请实施例的方案，在确定待预测道路的时序特征表示时，不但利用了时域维度(不同时段)的轨迹信息，还利用了空间域维度(即关联道路)的轨迹信息，进一步提高了待预测道路的时序特征表示的多样性和准确性。使得该道路预测模型基于该时序特征表示预测的路况信息更为精准，且时效性更高。

图8是根据本申请实施例提供的另一种路况预测方法的流程图。本实施例在上述实施例的基础上，进行了进一步的优化，给出了当路况预测模型中解码时序神经网络的子解码网络的数量为至少两个时，如何进行路况预测的具体情况介绍。如图8所示，该方法包括：

S801，根据待预测道路信息，确定待预测道路的时序特征表示。

S802，将待预测道路的时序特征表示输入至路况预测模型中，得到待预测道路的预测路况。

可选的，若本申请实施例使用的路况预测模型中解码时序神经网络的子解码网络的数量为至少两个(例如，该路况预测模型对应的是图4、图5A或图5B所示的原始模型)，则得到待预测道路的预测路况为至少两个。具体的，由于路况预测模型中解码时序神经网络中的子解码网络与路况预测模型中的预测神经网络中的子预测网络一一对应，所以该路况预测模型的预设神经网络的子预测网络的数量也为至少两个，对于每个子预测网络都会输出一个预测路况，所以此时该路况预测模型就会针对该待预测道路输出至少两个预测路况。

可选的，为了精准确定目标预测时刻的准确路况，本申请实施例使用的路况预测模型预测的至少两个预测路况可以是待预测道路在目标预测时刻(如当前时刻)和该目标预测时刻的至少一个后续预测时刻的真实路况状态。例如，该路况预测模型会针对待预测道路，预测目标预测时刻、目标预测时刻后的第一分钟，以及目标预测时刻后的第二分钟的路况。

S803，从至少两个预测路况中确定待预测道路的最终路况。

可选的，本申请实施例可以对路况预测模型预测出的至少两个预测路况进行分析，来确定待预测道路的最终路况。具体的确定方式可以有很多，对此本实施例不进行赘述。例如，可以将至少两个待预测道路的路况均值，作为最终路况，还可以是结合路况预测系统的延迟时间，来从至少两个预测路况中确定待预测道路的最终路况。例如，假设S802得到的三个预测路况分别为：目标预测时刻、目标预测时刻后的第一分钟，以及目标预测时刻后的第二分钟的路况，若路况预测系统的延迟时间为0分钟，则选择目标预测时刻对应的预测路况作为最终路况；若路况预测系统的延迟时间为1分钟，则选择目标预测时刻后的第一分钟对应的预测路况作为最终路况；若路况预测系统的延迟时间为2分钟，则选择目标预测时刻后的第二分钟对应的预测路况作为最终路况。可选的，若至少两个预测路况对应的时间间隔较大，可以是在当前时刻达到或即将到达某一预测路况对应时刻时，将该预测路况作为当前时刻的或即将到达时刻的最终路况。还可以采用其他方式从至少两个预测路况中确定待预测道路的最终路况，对此本实施例不进行限定。

本申请实施例的方案，根据待预测道路信息确定的待预测道路的时序特征表示，并将该时序特征表示输入到包含至少两个子解码网络的路况预测模型中，得到待预测道路的至少两个预测路况，进而从至少两个预测路况中确定待预测道路的最终路况。本申请实施例可以根据需求选择输出多个预测结果的路况预测模型，实现针对待预测道路，为其预测多个不同时刻的路况，从而确定最终路况，提高了路况预测的准确性和灵活性。

图9是根据本申请实施例提供的一种路况预测模型的训练装置的结构示意图。本实施例适用于构建并训练能够执行路况预测任务的深度学习模型的情况，该装置可实现本申请任意实施例所述的路况预测模型的训练方法。该装置900具体包括如下：

道路信息解析模块901，用于根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；

数据输入模块902，用于将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；

模型训练模块903，用于根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。

本申请实施例的技术方案，构建包含多个子编码网络的编码时序神经网络、解码时序神经网络和预测神经网络的原始模型，将基于样本道路信息确定的时序特征表示输入到原始模型的编码时序神经网络，得到编码传递参数，再输入到解码时序神经网络，得到解码特征表示再输入到预测神经网络，得到样本道路的预测路况，进而结合样本道路的路况标签，对原始模型进行训练，得到路况预测模型。由于本申请构建的该路况预测模型为深度学习模型，且路况预测过程中引入了编码时序神经网络和解码时序神经网络对样本道路的时序特征表示进行时序推理分析，相比于结构简单的机器学习模型，不但能够很好的刻画出路况在时序维度的变化规律，还可以提高预测效率，极大的提高了路况预测的时效性和拥堵召回率。

进一步的，所述道路信息解析模块901具体用于：

将样本道路信息中属于样本预测时刻前的首个预设时段的道路信息，划分为至少两个样本时间片段数据；

确定所述至少两个样本时间片段数据的道路特征表示作为样本道路的时序特征表示；其中，所述样本时间片段数据的数量和所述编码时序神经网络中子编码网络的数量相同。

进一步的，所述数据输入模块902具体用于：

依次将每个样本时间片段数据的道路特征表示，作为原始模型中的编码时序神经网络的子编码网络的参数输入。

进一步的，所述装置还包括样本道路确定模块，具体用于：

从道路数据集中选择样本预测时刻的候选道路集；

将所述候选道路集中，轨迹量满足数量阈值的候选道路作为样本道路。

所述装置还包括：

特征添加模块，用于根据所述样本道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述样本道路的时序特征表示中。

进一步的，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。

进一步的，所述原始模型中的预测神经网络包括：信息拼接层和全连接层；相应的，所述数据输入模块902具体用于：

将所述解码特征表示和路况预测拼接信息输入所述信息拼接层，得到拼接特征表示；并将所述拼接特征表示输入所述全连接层，得到样本道路的预测路况。

进一步的，所述路况预测拼接信息包括：样本道路的等级信息和/或输入到所述编码时序神经网络的末尾子编码网络的时序特征表示。

进一步的，所述解码时序神经网络的子解码网络与所述预测神经网络中的子预测网络一一对应；所述子解码网络的第一输出端连接下一子解码网络；所述子解码网络的第二输出端连接对应的子预测网络。

进一步的，所述路况标签的数量与所述子解码网络的数量相同；若所述路况标签为至少两个，则所述至少两个路况标签为所述样本道路在样本预测时刻和所述样本预测时刻的至少一个后续预测时刻的真实路况状态。

图10是根据本申请实施例提供的一种路况预测装置的结构示意图。本实施例适用于使用将上述任一实施例训练的路况预测模型部署到路况预测系统中，以实现路况预测的情况，该装置可实现本申请任意实施例所述的路况预测模型的训练方法。该装置1000具体包括如下：

时序特征确定模块1001，用于根据待预测道路信息，确定待预测道路的时序特征表示；

路况预测模块1002，用于将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。

本申请实施例的技术方案，采用上述任一实施例构建并训练的路况预测模型，根据待预测道路信息确定的待预测道路的时序特征表示，并将该时序特征表示输入到路况预测模型中，得到待预测道路的预测路况。由于本申请构建的该路况预测模型为深度学习模型，且路况预测过程中引入了编码时序神经网络和解码时序神经网络对待预测道路的时序特征表示进行时序推理分析，相比于结构简单的机器学习模型，不但能够很好的刻画出路况在时序维度的变化规律，还可以提高预测效率，极大的提高了路况预测的时效性和拥堵召回率。

进一步的，所述时序特征确定模块1001具体用于：

将待预测道路信息中属于目标预测时刻前的首个预设时段的道路信息，划分为至少两个目标时间片段数据；

确定所述至少两个目标时间片段数据的道路特征表示作为待预测道路的时序特征表示；其中，所述目标时间片段数据的数量和所述路况预测模型中的子编码网络的数量相同。

进一步的，所述路况预测模块1002具体用于：

依次将每个目标时间片段数据的道路特征表示，作为所述路况预测模型中的子编码网络的参数输入。

进一步的，所述时序特征确定模块1001还用于：

根据所述待预测道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述待预测道路的时序特征表示中。

进一步的，若所述路况预测模型中解码时序神经网络的子解码网络的数量为至少两个，则得到所述待预测道路的预测路况为至少两个。

进一步的，所述装置还包括：最终路况确定模块，用于从至少两个预测路况中确定所述待预测道路的最终路况。

进一步的，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质和一种计算机程序产品。

图11示出了可以用来实施本申请的实施例的示例电子设备1100的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图11所示，电子设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储电子设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。

电子设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许电子设备1100通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元1101可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1101的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1101执行上文所描述的各个方法和处理，例如路况预测模型的训练方法或路况预测方法。例如，在一些实施例中，路况预测模型的训练方法或路况预测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到电子设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的路况预测模型的训练方法或路况预测方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行路况预测模型的训练方法或路况预测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (37)

1.一种路况预测模型的训练方法，包括：

根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；

将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；

根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。

2.根据权利要求1所述的方法，其中，所述根据样本道路信息，确定样本道路的时序特征表示，包括：

将样本道路信息中属于样本预测时刻前的首个预设时段的道路信息，划分为至少两个样本时间片段数据；

确定所述至少两个样本时间片段数据的道路特征表示作为样本道路的时序特征表示；其中，所述样本时间片段数据的数量和所述编码时序神经网络中子编码网络的数量相同。

3.根据权利要求2所述的方法，其中，所述将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，包括：

依次将每个样本时间片段数据的道路特征表示，作为原始模型中的编码时序神经网络的子编码网络的参数输入。

4.根据权利要求1所述的方法，还包括：

从道路数据集中选择样本预测时刻的候选道路集；

将所述候选道路集中，轨迹量满足数量阈值的候选道路作为样本道路。

5.根据权利要求1所述的方法，还包括：

根据所述样本道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述样本道路的时序特征表示中。

6.根据权利要求1-5中任一项所述的方法，其中，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。

7.根据权利要求1所述的方法，其中，所述原始模型中的预测神经网络包括：信息拼接层和全连接层；

相应的，所述将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况，包括：

将所述解码特征表示和路况预测拼接信息输入所述信息拼接层，得到拼接特征表示；并将所述拼接特征表示输入所述全连接层，得到样本道路的预测路况。

8.根据权利要求7所述的方法，其中，所述路况预测拼接信息包括：样本道路的等级信息和/或输入到所述编码时序神经网络的末尾子编码网络的时序特征表示。

9.根据权利要求1或7所述的方法，其中，所述解码时序神经网络的子解码网络与所述预测神经网络中的子预测网络一一对应；

所述子解码网络的第一输出端连接下一子解码网络；

所述子解码网络的第二输出端连接对应的子预测网络。

10.根据权利要求9所述的方法，其中，所述路况标签的数量与所述子解码网络的数量相同；若所述路况标签为至少两个，则所述至少两个路况标签为所述样本道路在样本预测时刻和所述样本预测时刻的至少一个后续预测时刻的真实路况状态。

11.一种路况预测方法，其中，使用权利要求1-10中任一项所述的方法训练的路况预测模型实现，所述方法包括：

根据待预测道路信息，确定待预测道路的时序特征表示；

将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。

12.根据权利要求11所述的方法，其中，所述根据待预测道路信息，确定待预测道路的时序特征表示，包括：

将待预测道路信息中属于目标预测时刻前的首个预设时段的道路信息，划分为至少两个目标时间片段数据；

确定所述至少两个目标时间片段数据的道路特征表示作为待预测道路的时序特征表示；其中，所述目标时间片段数据的数量和所述路况预测模型中的子编码网络的数量相同。

13.根据权利要求12所述的方法，其中，所述将所述待预测道路的时序特征表示输入至所述路况预测模型中，包括：

依次将每个目标时间片段数据的道路特征表示，作为所述路况预测模型中的子编码网络的参数输入。

14.根据权利要求11所述的方法，还包括：

根据所述待预测道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述待预测道路的时序特征表示中。

15.根据权利要求11所述的方法，其中，若所述路况预测模型中解码时序神经网络的子解码网络的数量为至少两个，则得到所述待预测道路的预测路况为至少两个。

16.根据权利要求12所述的方法，还包括：

从至少两个预测路况中确定所述待预测道路的最终路况。

17.根据权利要求11-16中任一项所述的方法，其中，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。

18.一种路况预测模型的训练装置，包括：

道路信息解析模块，用于根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；

数据输入模块，用于将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；

模型训练模块，用于根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。

19.根据权利要求18所述的装置，其中，所述道路信息解析模块具体用于：

将样本道路信息中属于样本预测时刻前的首个预设时段的道路信息，划分为至少两个样本时间片段数据；

确定所述至少两个样本时间片段数据的道路特征表示作为样本道路的时序特征表示；其中，所述样本时间片段数据的数量和所述编码时序神经网络中子编码网络的数量相同。

20.根据权利要求19所述的装置，其中，所述数据输入模块具体用于：

依次将每个样本时间片段数据的道路特征表示，作为原始模型中的编码时序神经网络的子编码网络的参数输入。

21.根据权利要求18所述的装置，还包括样本道路确定模块，具体用于：

从道路数据集中选择样本预测时刻的候选道路集；

将所述候选道路集中，轨迹量满足数量阈值的候选道路作为样本道路。

22.根据权利要求18所述的装置，还包括：

特征添加模块，用于根据所述样本道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述样本道路的时序特征表示中。

23.根据权利要求18-22中任一项所述的装置，其中，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。

24.根据权利要求18所述的装置，其中，所述原始模型中的预测神经网络包括：信息拼接层和全连接层；相应的，所述数据输入模块具体用于：

将所述解码特征表示和路况预测拼接信息输入所述信息拼接层，得到拼接特征表示；并将所述拼接特征表示输入所述全连接层，得到样本道路的预测路况。

25.根据权利要求24所述的装置，其中，所述路况预测拼接信息包括：样本道路的等级信息和/或输入到所述编码时序神经网络的末尾子编码网络的时序特征表示。

26.根据权利要求18或24所述的装置，其中，所述解码时序神经网络的子解码网络与所述预测神经网络中的子预测网络一一对应；

所述子解码网络的第一输出端连接下一子解码网络；

所述子解码网络的第二输出端连接对应的子预测网络。

27.根据权利要求26所述的装置，其中，所述路况标签的数量与所述子解码网络的数量相同；若所述路况标签为至少两个，则所述至少两个路况标签为所述样本道路在样本预测时刻和所述样本预测时刻的至少一个后续预测时刻的真实路况状态。

28.一种路况预测装置，其中，使用权利要求1-10中任一项所述的方法训练的路况预测模型实现，所述装置包括：

时序特征确定模块，用于根据待预测道路信息，确定待预测道路的时序特征表示；

路况预测模块，用于将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。

29.根据权利要求28所述的装置，其中，所述时序特征确定模块具体用于：

将待预测道路信息中属于目标预测时刻前的首个预设时段的道路信息，划分为至少两个目标时间片段数据；

确定所述至少两个目标时间片段数据的道路特征表示作为待预测道路的时序特征表示；其中，所述目标时间片段数据的数量和所述路况预测模型中的子编码网络的数量相同。

30.根据权利要求29所述的装置，其中，所述路况预测模块具体用于：

依次将每个目标时间片段数据的道路特征表示，作为所述路况预测模型中的子编码网络的参数输入。

31.根据权利要求28所述的装置，其中，所述时序特征确定模块还用于：

根据所述待预测道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述待预测道路的时序特征表示中。

32.根据权利要求28所述的装置，其中，若所述路况预测模型中解码时序神经网络的子解码网络的数量为至少两个，则得到所述待预测道路的预测路况为至少两个。

33.根据权利要求32所述的装置，还包括：

最终路况确定模块，用于从至少两个预测路况中确定所述待预测道路的最终路况。

34.根据权利要求28-33中任一项所述的装置，其中，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。

35.一种电子设备，其中，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的路况预测模型的训练方法，或者执行权利要求11-17中任一项所述的路况预测方法。

36.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行权利要求1-10中任一项所述的路况预测模型的训练方法，或者执行权利要求11-17中任一项所述的路况预测方法。

37.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据1-10中任一项所述的路况预测模型的训练方法，或者实现权利要求11-17中任一项所述的路况预测方法。

Images