CN112669594B

CN112669594B - 交通路况预测的方法、装置、设备及存储介质

Info

Publication number: CN112669594B
Application number: CN202011439232.9A
Authority: CN
Inventors: 吕东昕; 杜孝平; 褚文博; 乌尼日其其格; 殷艳坤; 曾优
Original assignee: Guoqi Beijing Intelligent Network Association Automotive Research Institute Co ltd
Current assignee: Guoqi Beijing Intelligent Network Association Automotive Research Institute Co ltd
Priority date: 2020-12-11
Filing date: 2020-12-11
Publication date: 2022-12-27
Anticipated expiration: 2040-12-11
Also published as: CN112669594A

Abstract

本申请公开了一种交通路况预测的方法、装置、设备及存储介质。具体包括：获取目标路网的交通流信息；将交通流信息输入预训练的时间特征提取网络，得到交通流特征向量；利用RGB通道，叠加交通流特征向量，得到交通状态图像特征信息；将交通状态图像特征信息输入交通路况预测模型进行识别，得到目标路网的交通路况；其中，交通路况预测模型是基于历史交通数据训练确定的。根据本申请实施例，能够通过分析交通流信息的时空特性，更加准确地识别交通路况。

Description

交通路况预测的方法、装置、设备及存储介质

技术领域

本申请属于计算机技术领域，尤其涉及一种交通路况预测的方法、装置、设备及存储介质。

背景技术

随着社会经济的发展，城市交通路网规模越来越大，为了能够更加科学智能地管理城市交通路网，就需要对城市交通状况进行有效地监控和预测。

但是，相关的交通分析预测手段较为落后，仍存在一定缺陷，较难有效地监控预测城市大范围内的交通运行状态。

发明内容

本申请实施例提供一种交通路况预测的方法、装置、设备及计算机存储介质，能够通过分析交通流信息的时空特性，更加准确地识别交通路况，从而更高效、准确监控预测城市大范围内的交通运行状态。

第一方面，本申请实施例提供一种交通路况预测的方法，该方法包括：

获取目标路网的交通流信息；

将所述交通流信息输入预训练的时间特征提取网络，得到交通流特征向量；

利用RGB通道，叠加所述交通流特征向量，得到交通状态图像特征信息；

将所述交通状态图像特征信息输入交通路况预测模型进行识别，得到目标路网的交通路况；

其中，所述交通路况预测模型是基于历史交通数据训练确定的。

可选地，所述获取目标路网的交通流信息，包括：

获取目标路网中不同类型的检测器采集的车辆检测数据；基于所述车辆检测数据确定第一交通流信息；

获取目标路网中车辆上报的车辆轨迹数据；基于所述车辆轨迹数据确定第二交通流信息。

可选地，所述基于所述车辆检测数据确定第一交通流信息，包括：

利用预设数据融合算法，融合所述不同类型检测器采集的车辆检测数据，得到第一交通流信息。

可选地，所述利用预设数据融合算法，融合所述不同类型检测器采集的车辆检测数据，得到第一交通流信息，包括：

根据检测器的采样频度和预先获取的路网数据，划分所述车辆检测数据，得到多个数据块；

利用预设数据融合算法，将多个所述数据块进行数据融合，得到所述第一交通流信息。

可选地，所述基于所述车辆轨迹数据确定第二交通流信息，包括：

对所述车辆轨迹数据进行预处理；

根据预处理后的车辆轨迹数据和预先获取的路网数据，利用地图匹配算法，确定第二交通流信息。

可选地，所述对所述车辆轨迹数据进行预处理，包括：

对所述车辆轨迹数据进行静止点检测，得到至少一个静止点；所述静止点表示车辆静止时间超过预定时间阈值的车辆轨迹数据点；

根据至少一个所述静止点，对所述车辆车轨迹数据进行分段，得到分段后的车辆轨迹数据。

可选地，所述将所述交通流信息输入预训练的时间特征提取网络，得到交通流特征向量，包括：

将所述交通流信息输入预训练的时间特征提取网络，计算得到多个预设时间段对应的交通流时间序列特征信息；

根据所述交通流时间序列特征信息，计算得到交通流特征向量。

可选地，所述预训练的时间特征提取网络包括门控循环单元神经网络。

可选地，所述交通流信息包括交通流的速度、流量以及车辆密集度。

第二方面，本申请实施例提供了一种交通路况预测的装置，装置包括：

获取模块，用于获取目标路网的交通流信息；

提取模块，用于将所述交通流信息输入预训练的时间特征提取网络，得到交通流特征向量；

叠加模块，用于利用RGB通道，叠加所述交通流特征向量，得到交通状态图像特征信息；

识别模块，用于将所述交通状态图像特征信息输入交通路况预测模型进行识别，得到目标路网的交通路况；

第三方面，本申请实施例提供了一种交通路况预测的设备，设备包括：

处理器以及存储有计算机程序指令的存储器；

所述处理器执行所述计算机程序指令时实现如第一方面以及第一方面可选的任意一项所述的交通路况预测的方法。

第四方面，本申请实施例提供了一种计算机存储介质，

所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如第一方面以及第一方面可选的任意一项所述的交通路况预测的方法。

本申请实施例的交通路况预测的方法、装置、设备及计算机存储介质，能够首先通过时间特征提取网络，提取待预测路段的交通流信息的时间特征信息，即交通流特征向量，并利用RGB通道，将交通流特征向量，转换为交通状态图像特征信息。然后，利用交通路况预测模型对交通状态图像特征信息进行识别预测，得到待预测路段的路况预测结果。基于此，利用交通流信息受车流传播特征影响的特点，从稀疏的可监测交通数据提取传播特征，通过分析交通流信息的时空特性，可以更加准确地识别预测城市交通路况，从而可以更高效、准确地监控预测城市大范围内的交通运行状态。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的交通路况预测的方法的流程示意图；

图2是本申请一个实施例提供的获取目标路网的交通流信息的流程示意图；

图3是本申请另一个实施例提供的获取目标路网的交通流信息的流程示意图；

图4是本申请一个实施例提供的交通路况预测的方法的应用场景示意图；

图5是本申请一个实施例提供的多源交通检测器数据融合算法流程示意图；

图6是本申请一个实施例提供的基于GRU-CNN网络的预测模型结构的示意图；

图7是本申请一个实施例提供的交通路况预测的装置的结构示意图；

图8是本申请一个实施例提供的交通路况预测的设备的硬件结构示意图。

具体实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本申请，并不被配置为限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

随着社会经济以及汽车产业的发展，车辆保有量和城市规模不断壮大，产生了大量的交通数据。利用交通大数据可以进行更加有效地交通流信息的预测分析。准确及时的交通流信息可以帮助交通管理者优化交通管理手段，以及为交通出行者提供更好的出行决策支持。。

通常，相关技术中，交通流信息预测算法大致可以分为3类。

一是基于时间序列分析的方法，主要包括自回归移动平均模型(Auto RegressiveIntegrated Moving Average model，ARIMA)以及其拓展模型。ARIMA是一种分析平稳随机过程的模型，但是交通系统以及交通流信息的变化并非一个平稳随机的过程，所以ARIMA难以准确完成交通流信息的预测。

二是基于交通物理模型的方法，主要包括基于隐式马尔可夫模型以及扩展卡尔曼滤波的方法，这些方法通过建立物理模型对交通进行动力学描述，交通预测结果相对很可靠，但是这类方法计算复杂度高，难以有效解决大范围的交通流预测问题。

三是基于机器学习的方法，主要包括传统的贝叶斯网络以及支持向量机，以及基于神经网络的循环神经网络以及图神经网络，但是，该方法难以有效结合交通数据的时空相关性。

因此，相关的交通流信息预测算法一方面对城市范围内的路网交通流预测难以适用，另一方面难以有效利用交通数据的时空相关性，进而较难有效地监控预测城市大范围内的交通运行状态。

为了解决现有技术问题，本申请实施例提供了一种交通路况预测的方法、装置、设备及计算机存储介质，能够首先通过时间特征提取网络，提取待预测路段的交通流信息的时间特征信息，即交通流特征向量，并利用RGB通道，将交通流特征向量，转换为交通状态图像特征信息。然后，利用交通路况预测模型对交通状态图像特征信息进行识别预测，得到待预测路段的路况预测结果。基于此，利用交通流信息受车流传播特征影响的特点，从稀疏的可监测交通数据提取传播特征，通过分析交通流信息的时空特性，可以更加准确地识别预测城市交通路况，从而可以更高效、准确地监控预测城市大范围内的交通运行状态。

下面结合附图，描述根据本申请实施例提供的交通路况预测的方法、容量预测的方法、装置、设备及计算机存储介质。应注意，这些实施例并不是用来限制本申请公开的范围。

下面首先对本申请实施例所提供的交通路况预测的方法进行介绍。

图1是本申请一个实施例提供的交通路况预测的方法的流程示意图。如图1所示，在本申请实施例中，该交通路况预测的方法，可以包括如下实施步骤：

S101：获取目标路网的交通流信息。

这里，该目标路网的交通流信息可以是从交通数据中心获取的。

在本申请一些实施例中，获取目标路网的交通流信息可以包括利用检测器采集的第一交通流信息和车辆上报的第二交通流信息。

检测器可以是定点采集器，例如道路上设置的感应线圈，雷达以及卡口监控视频等。交通数据中心可以利用检测器定点采集交通流数据，即车辆检测数据。

同时，装载了GPS设备的浮动车，例如出租车、公交车等，可以向交通数据中心上报的车辆自身的GPS轨迹数据，即车辆轨迹数据。

在本申请一些实施例中，交通流信息可以包括交通流的速度，流量以及车辆密集度等交通参数。其中，速度包括车辆的瞬时速度和平均速度。车辆密集度包括占有率和密度。占有率是指车辆的时间密集度，密度代表车辆的空间密集度。

S102：将交通流信息输入预训练的时间特征提取网络，得到交通流特征向量。

在本申请一些实施例中，首先，将交通流信息输入预训练的时间特征提取网络，计算得到多个预设时间段对应的交通流时间序列特征信息；然后，根据交通流时间序列特征信息，计算得到交通流特征向量。

这里，预设时间段可以是依据时间特征提取网络的参数确定的。

预训练的时间特征提取网络可以是根据历史交通数据样本训练得到的神经网络。

在本申请一些实施例中，该预训练的时间特征提取网络可以包括门控循环单元神经网络(gated recurrent neural network,GRU)。

在本申请一些实施例中，GRU时间特征提取网络的参数m,a,b,c，m表示模型时滞，a,b,c为预测的三个时间步长。

在本申请一些实施例中，对每个路段获取的时间序列，可以按模型时滞m分组。m的取值可以考虑交通流预测的基础时间间隔以及交通拥堵可能的持续时间，进行动态选择，例如选择10至20分钟。a,b,c三个时间步长，可以根据实际需求进行选择。

由于不同来源的数据在采集过程中存在一定的误差与噪声，每种来源的数据采集频度不同，因此，获取的交通流信息并不精确。然而，交通流信息存在着时间上的相关性，使用GRU网络来从交通流信息中提取交通流参量的时间序列特征，可以降低不同来源数据由于数据采集精度与采集频度等因素对参数估计的影响，进而提升模型识别的准确性。

S103：利用RGB通道，叠加交通流特征向量，得到交通状态图像特征信息。

RGB通道是保存图像颜色信息的通道。RGB是三种颜色的英文缩写，R代表红色(red)，G代表绿色(green)，B代表蓝色(blue)。

在本申请一些实施例中，将交通流特征向量映射到RGB值，并利用RGB通道对交通流特征向量进行图像颜色叠加，可以交通状态图像特征信息。

示例性的，RGB值通常表示为(x.y.z)，例如，红色的RGB值为(255.0.0)。将交通流特征向量中同一个位置的三个交通流参量放到一个RGB值里，就可以得到一个颜色。

S104：将交通状态图像特征信息输入交通路况预测模型进行识别，得到目标路网的交通路况。

利用交通路况预测模型对交通状态图像特征信息进行识别预测，得到目标路网的交通路况，完成对路网交通状态的预测。

在本申请一些实施例中，有的路段没有监测采集设备或者一段时间内没有浮动车行驶过，也就没有相关的交通流信息。但是，因为交通流信息具有连续性，可以推测这些路段的流量。所以，可以按路段输出路网交通状态的分类，完成对路网交通状态的预测。路网交通状态的分类可以路网拥堵等级。

在本申请一些实施例中，交通路况预测模型可以是基于历史交通数据训练确定的。

在本申请一些实施例中，该交通路况预测模型可以是基于卷积神经网络(Convolutional Neural Networks,CNN)的模型。

综上，本申请实施例中的交通路况预测的方法，能够首先通过时间特征提取网络，提取待预测路段的交通流信息的时间特征信息，即交通流特征向量，并利用RGB通道，将交通流特征向量，转换为交通状态图像特征信息。然后，利用交通路况预测模型对交通状态图像特征信息进行识别预测，得到待预测路段的路况预测结果。基于此，利用交通流信息受车流传播特征影响的特点，从稀疏的可监测交通数据提取传播特征，通过分析交通流信息的时空特性，可以更加准确地识别预测城市交通路况，从而可以更高效、准确地监控预测城市大范围内的交通运行状态。

为了更好的说明本申请实施例的交通路况预测的方法，下面对S101的实现方式就行详细的介绍。

图2是本申请一个实施例提供的获取目标路网的交通流信息的流程示意图。如图2所示，在本申请实施例中，交通流信息可以包括第一交通流信息，获取目标路网的第一交通流信息，可以包括如下步骤：

S201：获取不同类型检测器采集的车辆检测数据。

这里，检测器可以是固定检测器，具体可以包括环形线圈车辆检测器，地磁车辆检测器，以及视频车辆检测器等中一种或者多种。

可以理解的是，根据实际需求，还可以获取其他不同类型的检测器采集的车辆检测数据，在此不再赘述。

S202：根据检测器的采样频度和预先获取的路网数据，划分车辆检测数据，得到多个数据块。

由于不同检测器的采样频度不同，并且存在时间异步性，根据不同检测器的采样频度划分车辆检测数据，得到多个数据块。每个数据块可以对应一个时间段。

在本申请一些实施例中，可以选择不同的检测器采集间隔的公倍数作为划分车辆检测数据的依据，用以降低频度不同对融合结果的影响。

S203：利用预设数据融合算法，将多个数据块进行数据融合，得到第一交通流信息。

在本申请一些实施例中，预设数据融合算法可以包括分布式的卡尔曼滤波算法。

利用分布式的卡尔曼滤波算法，将多个数据块进行数据融合，得到最优融合结果，即检测路段上交通流参量的最优估计。根据融合结果，生成第一交通流信息。

该第一交通流信息可以表示为第一交通流矩阵。第一交通流矩阵可以表示为

其中m为路网中的路段数，n为划分的数据块所对应的时间段数。矩阵中元素的值为对应路段在对应时间段的车辆平均速度。未设置检测器的路段速度值为空。

综上，通过对多源固定检测器数据的融合，可以较为精确地对交通流参量进行估计，具体包括对平均速度以及车辆密集度进行估计。由此，可以提升对路网交通状况的预测精度。

图3是本申请另一个实施例提供的获取目标路网的交通流信息的流程示意图。如图3所示，在本申请实施例中，交通流信息还可以包括第二交通流信息，获取目标路网的第二交通流信息，可以包括如下步骤：

S301：获取车辆上报的车辆轨迹数据。

这里，上报的车辆轨迹数据的车辆可以是浮动车，浮动车包括出租车，公共汽车等。

S302：对车辆轨迹数据进行预处理。

在本申请一些实施例中，车辆轨迹数据的预处理可以包括数据去噪，数据标准化，转换GPS数据坐标系，去除错误数据以及静止点检测。

在本申请一些实施例中，对车辆轨迹数据进行静止点检测，得到至少一个静止点；静止点表示车辆静止时间超过预定时间阈值的车辆轨迹数据点；

根据至少一个静止点，对车辆车轨迹数据进行分段，得到分段后的车辆轨迹数据。

使用车辆轨迹数据可以扩充路网交通数据，解决城市定点采集器布设范围有限的问题，提高对城市范围内路网交通状况的预测精度。

S303：根据预处理后的车辆轨迹数据和预先获取的路网数据，利用地图匹配算法，确定第二交通流信息。

在本申请一些实施例中，采用改进的朴素地图匹配算法，将车辆轨迹数据和路网数据进行匹配。为每一个车辆轨迹数据寻找在路网上的最优映射。

在本申请一些实施例中，使用朴素地图为车辆轨迹数据初始的几个GPS采样点计算匹配，由于GPS采样点可以存在偏移，需要根据几个采样点结果判断车辆真实的位置。当确定车辆所处的路段后，可以判断车辆接下来的几个GPS采样点是否仍在该路段上。通过计算采样点与道路起点的距离可以判断车辆在道路上的具体位置，完成地图匹配。

基于上述地图匹配算法，可以根据轨迹数据的时空相关性，为每一个GPS采样点单独寻找最优映射，降低计算复杂度较高。

在本申请一些实施例中，根据匹配结果，得到预定时间段内路网的相应路段上的所有通行车辆的平均速度。预定时间段可以和前述数据块对应的时间段一致。

基于路网数据中的路段数，前述数据块的对应的时间段数以及平均速度，生成第二交通流信息。

在本申请一些实施例中，该第二交通流信息可以为第二交通流矩阵。第二交通流矩阵可以表示为

其中m为路网中的路段数，n为划分的数据块所对应的时间段数。矩阵中元素的值为对应路段在对应时间段的车辆的平均速度。此外，没有车辆通行的路段速度值为空。

下面结合应用场景对本申请实施例中的交通路况预测的方法进行详细说明。

图4是本申请另一个实施例提供的交通路况预测的方法的应用场景示意图。如图4所示，从交通数据中心获取模型训练数据样本，然后计算平台用模型训练数据样本训练基于GRU-CNN交通路况预测模型。在训练得到基于GRU-CNN交通路况预测模型之后，可以将待预测路网数据，即目标路网的数据，发送到计算平台，利用基于GRU-CNN交通路况预测模型，自动识别预测目标路网的交通路况。

计算平台还包括可以执行数据预处理，地图匹配以及检测器数据融合等算法。

如图4所示，在该交通路况预测的方法的应用场景中，以出租车行驶数据和环形线圈车辆检测器，地磁车辆检测器，视频车辆检测器为例。第一交通流信息对应于检测器交通流矩阵，第二交通流信息对应于出租车交通流矩阵。

在本申请一些实施例中，在该应用场景中，首先，可以从交通数据中心收集固定检测器采集到的交通流数据以及出租车上报的车辆轨迹数据，即出租车轨迹数据。

一方面，对出租车轨迹数据进行预处理和地图匹配。预处理可以包括如下步骤：

S11：将出租车上报的车辆轨迹数据中的与交通预测无关的数据项去除，保留相关数据项。与交通预测相关数据项可以包括出租车ID，数据上报以及接收时间戳，车辆位置的经纬度、速度等信息。此外，对于出租车轨迹数据，可以转换为算法处理所需的数据结构。

S12：转换出租车轨迹数据中GPS数据的坐标系。对国家测绘局加密数据，即GCJ-02坐标系下的数据进行修正，使其尽量与WGS-84坐标系(World Geodetic System-1984Coordinate System)中的定位结果相一致，转换方式如公式(1)所示：

其中，x_G,y_G为GCJ-02坐标系下的经纬度，x_W,y_W为WGS-84坐标系下的经纬度。

然后，去除GPS数据中的错误数据。使用数据滤波去除错误数据，将GPS坐标不在监测与预测范围内的数据去除，并通过判断某个样本点与其前后两样本点的距离是否满足实际车速的约束，将不满足车速约束的数据删除。

可选地，可以使用经典的PN-poly算法判断一个位置是否位于行政区域所在的多边形范围。判断方法：以待判断点为起点向任意方向画一条射线，计算改射线与多边形相交的次数，若为奇数，则在多边形内，否则不在。由于本申请主要预测城市路网的交通流参量，所以对速度的约束为(0，120km/h)。

S13：静止点检测。车辆上报自身的速度信息，当速度为0且GPS数据只在小范围内发生漂移车辆为停滞状态，当停止时间超过一定时间阈值时，车辆视为静止，对应的数据点即为静止点。

根据静止点检测，将出租车轨迹数据进行分割，将存在静止点的轨迹进行为分段，用以降低停车揽客等行为对交通流速度的影响。

具体地，由于出租车的车辆轨迹数据存在停车揽客等行为，速度为0不能代表当前车道的实际通行状况，所以需要对其静止点进行检测。而且由于车辆轨迹数据采集的精度问题，即使车辆处于静止状态，采集到的位置也会有所偏移，需要将静止点与交通拥堵所造成的车辆停滞状态应该区分开来，以降低停车揽客等行为对交通流速度的影响。

对出租车车辆轨迹数据进行预处理后，利用地图匹配算法，将处理后的车辆轨迹数据匹配到路网中。具体实现方式如下：

首先，出租车车辆轨迹数据中包括出租车GPS位置数据，即GPS采样点。采用改进的朴素地图，为每一个GPS采样点匹配在路网上的最优映射。

在本申请一些实施例中，根据车辆轨迹数据的时空相关性，首先使用朴素的地图匹配为轨迹初始的几个GPS采样点计算匹配，由于GPS采样点可以存在偏移，需要根据几个采样点结果判断车辆真实的位置。当确定车辆所处的路段后，可以判断车辆接下来的几个GPS采样点仍在该路段上，通过计算采样点与道路起点的距离可以判断车辆在道路上的具体位置，完成地图匹配。

具体地，寻找采样点的参考路段。对于一条轨迹上的前n个采样点g_i，寻找以其为圆心，150m为半径的误差圆内的所有参考路段{e_i}。这里，可以使用R树作为路段的存储方式，以提高参考路段的搜索效率。

寻找采样点的最优映射。采样点在参考路段上{e_i}的投影点{r_i ^j}为参考点，通过如下公式(2)和(3)计算出一个误差最小的参考点作为路段匹配的最终结果。

其中，

为采样点到对应参考点的地表距离，可以依据公式(3)计算得到，R≈6378.137为地球半径的估算值，x₁，y₁表示采样点的经纬度，x₂，y₂表示参考点的经纬度。

当确定一段轨迹前n个GPS采样点的所在的道路后，其余的采样点通过计算与道路起点的距离d判断是否仍然在该路段上。当d小于道路长度时，可以判断对应的采样点仍在当前道路上；当出现连续n个采样点(p,…,p+n)对应的距离d都大于道路长度时，可以判断这些点已经不在当前道路的范围，从第p个采样点开始循环执行地图匹配操作。

另一方面，基于卡尔曼滤波算法，融合环形线圈车辆检测器，地磁车辆检测器以及视频车辆检测器采集车辆检测数据。图5是本申请另一个实施例提供的多源交通检测器数据融合算法流程示意图。如图5所示，使用分布式的联邦滤波实现多源检测器的数据融合。

由于不同检测器的采样频度不同，并且存在时间异步性，根据不同检测器的采样频度将数据分块，以数据块为单位进行数据融合。具体的，可以选择不同的采集器采集间隔的公倍数作为数据分块的依据，降低频度不同对融合结果的影响。通过卡尔曼滤波，可以利用不同检测器的结果给出检测路段上交通流参量的最优估计。

初始化协方差矩阵D，并将其分配到n个子滤波器以及主滤波器中，第i个子滤波器的协方差矩阵的分配方式如公式(4)所示：

其中，D_g为全局最优协方差矩阵，β_i为子滤波器的被分配的系统信息分配参数。这里，根据系统信息分配策略可以确定系统信息分配参数的取值。

分配系统噪声N和状态值X，如公式(5)所示：

其中，

为状态估计值，k为状态估计的时刻。

修正子滤波器以及主滤波器状态值，如公式(6)所示：

其中，Φ为系统状态转移矩阵，k为状态估计的时刻，k-1为k时刻的前一时刻。

子滤波器更新其观测矩阵Z。第i个子滤波器对应的的观测矩阵Z_i(k)中的第j个元素依照如下公式(7)进行更新：

其中，j∈[1,ξ_i]，

f_j为每个时间块内检测器j的采样频度与检测器j-1采样频度的比值，M(i,*)表示尺度i上的检测器测量信息，k为状态估计的时刻。

在主滤波器中进行最优融合。最优融合的无偏估计如公式(8)所示：

其中，

表示尺度i检测器测量所得的信息，k为状态估计的时刻。

接下来，根据上述处理后的出租车轨迹数据和融合后的车辆检测数据，分别生成对应的交通流矩阵，即出租车交通流矩阵和检测器交通流矩阵。

在一些实施例中，交通流检测矩阵表示为

其中，m为路网中的路段数，n为数据融合中划分数据块所对应的时间段数。矩阵中元素的值为对应路段在对应时间段的车辆的平均速度。

对于检测器出租车交通流矩阵，可以根据出租车轨迹数据确定相应路段的平均速度，基于该平均速度生成出租车交通流矩阵。路段中的平均速度可以定义为在预设时间段内，路段上所有通行车辆的平均行驶速度

的平均值：

其中，C为该路段上所有通行车辆的总数。这里的预设时间段可以与划分数据块预定时间段一致。没有车辆通行的路段速度值为空。

对于检测器交通流矩阵，可以根据数据融合结果生成对应的检测器交通流矩阵。未设置检测器的路段速度值为空。

接下来可以将上述交通流矩阵输入基于GRU-CNN网络的预测模型，进行交通流特征的提取并输出交通流预测结果，完成智能路况分析。

图6是本申请另一个实施例提供的基于GRU-CNN网络的预测模型结构的示意图。

如图6所示，通过GRU网络，可以生成每个交通流参量在时间序列中的估计值，即多个时间特征。利用RGB通道，将得到的每个交通流参量估计值，即交通流特征向量进行叠加，形成路网交通状态图像，即多个空间特征。将路网交通状态图像输入CNN网络，输出对路网交通状态分类预测结果。

由于交通流信息存在着时间上的相关性，所以使用GRU网络来从交通流矩阵中提取交通流参量的时间序列特征，降低不同来源数据由于数据采集精度与采集频度等不同对交通流参量估计的影响。这里，可以选取交通流的平均速度、流量以及占有率作为交通流预测的基本交通参量。

基于GRU的时间特征提取网络可以利用历史交通数据样本，进行模型训练得到。预先训练确定基于GRU的时间特征提取网络的方法，可以包括如下步骤：

S21：获取经过处理后的交通流信息后，根据交通流信息，提取每个路段的交通参量时间序列。

具体地，确定GRU网络中的参数m,a,b,c，对每个路段获取的时间序列按模型时滞m分组。m的取值可以考虑交通流预测的基础时间间隔以及交通拥堵可能的持续时间动态选择，一般选择10-20分钟，a,b,c为预测的三个时间步长，可以根据实际需求进行选择。

S23：分别对三个参量对应的时间序列进行切片，切片的粒度不小于划分数据块对应的预设时间段的长度。

S24：取时间切片为T，生成对应的交通切片，根据三个交通参量判断各路段所处的运行等级，并计算每个等级路段所占的里程，以及利用车公里数加权后计算路网拥堵里程百分比。

S24：确定路网交通状态的类别。

根据表1计算出历史交通数据样本中每个分组对应的路网交通状态。

表1路网交通状态的类别

具体的，可以使用CLARA算法完成交通状态的分级。此外，也可以根据实际情况使用其他方法。

S25：将路网中各路段的历史交通数据样本作为训练数据集，输入GRU网络进行模型训练。

初始化单元个数和网络结构，j＝1，输入向量X＝(x₁,x₂,…,x_T)为训练数据集中各分组数据。

确定第j个GRU单元的输入。第j个单元中复位门的计算公式(9)如下所示：

其中，W_r为输入的权重向量，U_r表示复位门的循环权重向量，b_r为偏置向量，x_t为t时刻的输入向量。

第j个单元中候选状态的计算公式(10)如下所示：

第j个单元中更新门的计算公式(11)如下所示：

第j个单元的输出计算公式(12)如下所示：

当j＝j+1，循环执行上述计算过程，循环次数为GRU单元的个数。

根据GRU网络模型，得到每个测试分组的预测值，并可以重复执行模型计算操作两次，得到每个交通流参量的估计值。

通过GRU网络生成每个交通流参量在时间序列中的估计值后，可以按照预设时间段，如上述时间步长a,b,c，提取每个交通参数的同一时间段的估计值，得到对应时间段的交通流特征向量。如图6所示，分别将三个交通流特征向量利用RGB通道叠加形成路网交通状态图像。然后对得到的路网交通状态图像利用CNN网络进行分类预测。

该CNN网络模型可以是基于历史交通数据训练确定的，具体可以实施为：

初始化网络层级和结构，由于交通拥堵状态有5级，所以识别的类别数为5。

输入的训练数据在卷积神经网络中，经过卷积、池化、全连接以及Softmax层得到输出值。

计算输出值与目标值之间的误差。

当误差大于预设阈值时，将误差传回网络，依次求得各层的误差；根据误差进行权值更新，继续执行计算输出值与目标值之间的误差。

当误差小于预设阈值时，完成CNN网络的训练，确定CNN网络模型。

综上，由于出租车行驶轨迹以及固定检测器都无法覆盖城市路网中的所有道路。对于有检测的路段，可以通过对检测数据的融合较为精确地对交通流参量，如平均速度，车辆密度等进行估计。但是对于没有检测或者一段时间内没有浮动车辆行驶过的路段，需要通过交通流的时空相关性对其交通流参量进行预测。交通流可以看做是由时间序列以及空间上的交通流参量构成的三阶张量，基于本申请实施例中的交通路况预测的方法，利用GRU网络分析路网交通流参量的时间序列特征，再利用CNN网络分析交通流参量的时空特征，可以更加精确地预测路网的交通流，更加准确地识别路网交通路况，进而可以更高效、准确监控预测城市大范围内的交通运行状态。

基于上述实施例提供的交通路况预测的方法，相应地，本申请还提供了交通路况预测的装置的具体实现方式。请参见以下实施例。

图7是本申请另一个实施例提供的交通路况预测的装置的结构示意图，如图7所示，在本申请实施例中，该交通路况预测的装置，可以包括：

获取模块701，用于获取目标路网的交通流信息；

提取模块702，用于将所述交通流信息输入预训练的时间特征提取网络，得到交通流特征向量；

叠加模块703，用于利用RGB通道，叠加所述交通流特征向量，得到交通状态图像特征信息；

识别模块704，用于将所述交通状态图像特征信息输入交通路况预测模型进行识别，得到目标路网的交通路况；其中，所述交通路况预测模型是基于历史交通数据训练确定的。

综上，本申请实施例中，该交通路况预测的装置可以用于执行上述实施例中的交通路况预测的方法，该方法能够首先通过时间特征提取网络，提取待预测路段的交通流信息的时间特征信息，即交通流特征向量，并利用RGB通道，将交通流特征向量，转换为交通状态图像特征信息。然后，利用交通路况预测模型对交通状态图像特征信息进行识别预测，得到待预测路段的路况预测结果。基于此，利用交通流信息受车流传播特征影响的特点，从稀疏的可监测交通数据提取传播特征，通过分析交通流信息的时空特性，可以更加准确地识别预测城市交通路况，从而可以更高效、准确地监控预测城市大范围内的交通运行状态。

图7所示装置中的各个模块/单元具有实现图1至3中各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。

基于上述实施例提供的交通路况预测的方法，相应地，本申请还提供了交通路况预测的设备的具体实现方式。请参见以下实施例。

交通路况预测的设备可以包括处理器801以及存储有计算机程序指令的存储器802。

具体地，上述处理器801可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器802可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器802可在综合网关容灾设备的内部或外部。在特定实施例中，存储器802是非易失性固态存储器。在特定实施例中，存储器802包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。

处理器801通过读取并执行存储器802中存储的计算机程序指令，以实现上述实施例中的任意一种交通路况预测的方法。

在一个示例中，交通路况预测的设备还可包括通信接口803和总线810。其中，如图8所示，处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。

通信接口803，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线810包括硬件、软件或两者，将交通路况预测的设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线810可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

该交通路况预测的设备可以执行本申请实施例中的交通路况预测的方法，从而实现结合图1至图3描述的交通路况预测的方法。

另外，结合上述实施例中的交通路况预测的方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种交通路况预测的方法。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。