CN113297794A - 仿真器的训练方法、交通路况的预测方法以及相关装置 - Google Patents

仿真器的训练方法、交通路况的预测方法以及相关装置 Download PDF

Info

Publication number
CN113297794A
CN113297794A CN202110592877.4A CN202110592877A CN113297794A CN 113297794 A CN113297794 A CN 113297794A CN 202110592877 A CN202110592877 A CN 202110592877A CN 113297794 A CN113297794 A CN 113297794A
Authority
CN
China
Prior art keywords
traffic
road
simulation
simulator
network map
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
Application number
CN202110592877.4A
Other languages
English (en)
Inventor
金峻臣
华文
汪作为
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PCI Technology Group Co Ltd
Original Assignee
PCI Technology Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by PCI Technology Group Co Ltd filed Critical PCI Technology Group Co Ltd
Priority to CN202110592877.4A priority Critical patent/CN113297794A/zh
Publication of CN113297794A publication Critical patent/CN113297794A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Traffic Control Systems (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Remote Sensing (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本发明公开了一种仿真器的训练方法、交通路况的预测方法以及相关装置，该仿真器的训练方法包括：获取模拟城市交通道路的路网地图；在路网地图的全局区域设置仿真参数，得到表示路网地图中所有路口的交通路况的第一仿真结果；根据第一仿真结果训练用于生成仿真参数的仿真器；接收持续学习的指令；响应于指令，在路网地图的局部区域设置仿真参数，得到表示局部区域中部分路口的交通路况的第二仿真结果；使用第二仿真结果对仿真器进行调整。上述方法预先基于路网地图的全局区域训练通用的仿真器，再基于持续学习的架构使用局部区域生成的第二仿真结果对仿真器进行调整，使得调整后的仿真器能够与局部区域快速适配，可针对局部区域生成仿真参数。

Description

仿真器的训练方法、交通路况的预测方法以及相关装置
技术领域
本发明实施例涉及交通仿真技术，尤其涉及一种仿真器的训练方法、交通路况的预测方法以及相关装置。
背景技术
目前，交通仿真系统用于对现有或未来的城市交通系统的运行状况进行再现或预先把握，从而对复杂的交通现象进行解释、分析、找出问题的症结，最终对所研究的交通系统进行优化。
为了实现在交通仿真系统中模拟城市交通道路的实际交通路况，需要在交通仿真系统中构建高逼真的交通仿真模型，该交通仿真模型也可以理解为对城市交通道路进行模拟的路网地图。然而，交通仿真模型的构建通常需要大量的模型校准工作(例如使用交通流量、转弯比率、起讫点流量等仿真参数对模型进行校准)，且针对模型中各仿真区域需要设置不同场景下的仿真参数，整个校准工作所需的数据量较大、耗费时间较长，交通仿真模型只能离线校准，交通仿真系统也只能进行离线仿真。
发明内容
本发明实施例提出了一种仿真器的训练方法、交通路况的预测方法以及相关装置，以解决现有交通仿真系统中交通仿真模型只能离线校准、模型校准耗时长的问题。
第一方面，本发明实施例提供了一种仿真器的训练方法，所述训练方法包括：
获取模拟城市交通道路的路网地图；
在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果；
根据所述第一仿真结果训练用于生成仿真参数的仿真器；
接收持续学习的指令；
响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果；
使用所述第二仿真结果对所述仿真器进行调整。
第二方面，本发明实施例提供了一种交通路况的预测方法，所述预测方法包括：
从城市交通道路的路口采集表示所述路口的交通路况的交通数据；
根据如第一方面所述的训练方法确定仿真器；
将所述交通数据输入至所述仿真器中，得到仿真参数；
确定模拟所述城市交通道路的路网地图；
按照所述仿真参数在所述路网地图中对所述路口的交通路况进行预测。
第三方面，本发明实施例还提供了一种仿真器的训练装置，所述训练装置包括：
路网地图获取模块，用于获取模拟城市交通道路的路网地图；
第一仿真结果采集模块，用于在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果；
仿真器训练模块，用于根据所述第一仿真结果训练用于生成仿真参数的仿真器；
持续学习启动模块，用于接收持续学习的指令；
第二仿真结果采集模块，用于响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果；
仿真器调整模块，用于使用所述第二仿真结果对所述仿真器进行调整。
第四方面，本发明实施例还提供了一种交通路况的预测装置，所述预测装置包括：
交通数据采集模块，用于从城市交通道路的路口采集表示所述路口的交通路况的交通数据；
仿真器确定模块，用于根据如第一方面所述的训练方法确定仿真器；
仿真参数生成模块，用于将所述交通数据输入至所述仿真器中，得到仿真参数；
路网地图确定模块，用于确定模拟所述城市交通道路的路网地图；
交通路况预测模块，用于按照所述仿真参数在所述路网地图中对所述路口的交通路况进行预测。
第五方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的仿真器的训练方法或者如第二方面所述的交通路况的预测方法。
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述的仿真器的训练方法或者如第二方面所述的交通路况的预测方法。
本发明通过获取模拟城市交通道路的路网地图；在路网地图的全局区域设置仿真参数，得到表示路网地图中所有路口的交通路况的第一仿真结果；根据第一仿真结果训练用于生成仿真参数的仿真器；接收持续学习的指令；响应于指令，在路网地图的局部区域设置仿真参数，得到表示局部区域中部分路口的交通路况的第二仿真结果；使用第二仿真结果对仿真器进行调整。上述方法预先基于从路网地图的全局区域中获得的第一仿真结果训练用于生成仿真参数的仿真器，可以得到一个对路网地图全局通用的仿真器，但该仿真器只是粗略的仿真器，若需要获取与路网地图的局部区域所适配的仿真器，则需要对该通用的仿真器做进一步的调整，因此本发明基于持续学习的架构使用路网地图中局部区域生成的第二仿真结果对通用的仿真器进行调整，使得调整后的仿真器能够与局部区域快速适配，可针对局部区域生成仿真参数；同时，由于第二仿真结果是针对路网地图中的局部区域生成的，第一仿真结果是针对路网地图的全局区域生成的，第二仿真结果相对于第一仿真结果的数据量较少，因此利用第二仿真结果对由第一仿真结果训练得到的仿真器进行调整所耗费的时间较短，能够实现仿真器的在线调整。
附图说明
图1为本发明实施例一提供的一种仿真器的训练方法的流程图；
图2为本发明实施例一提供的一种持续学习的框架的示意图；
图3为本发明实施例二提供的一种仿真器的训练方法的流程图；
图4为本发明实施例二提供的一种神经网络模型在反向传播中更新权重的流程示意图；
图5为本发明实施例三提供的一种交通路况的预测方法的流程图；
图6为本发明实施例四提供的一种仿真器的训练装置的结构示意图；
图7为本发明实施例五提供的一种交通路况的预测装置的结构示意图；
图8为本发明实施例六提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
应注意到：在本发明实施例的描述中，术语“第一”、“第二”等次序词仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例一
图1为本发明实施例一提供的一种仿真器的训练方法的流程图，本实施例可适用于在城市交通道路仿真环境中模拟路口的交通路况、生成仿真结果，利用仿真结果训练用于生成仿真参数的仿真器的情况，该方法可以由仿真器的训练装置来执行，该仿真器的训练装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：
S110、获取模拟城市交通道路的路网地图。
路网指的是在一定区域内，由各种道路组成的相互联络、交织成网状分布的道路系统，可以理解的是，全部由各级公路组成的称公路网，在城市范围内由各种道路组成的称城市道路网。
本实施例中的路网地图主要是针对城市范围内的各类交通道路所构成的交通网络进行仿真模拟所得到的虚拟交通环境，也可以理解为模拟城市交通道路的交通仿真模型。
在本实施例中，可以预先确定目标城市，获取该目标城市中各类交通道路的结构信息以及每条交通道路上的基础设施信息模拟该目标城市中的交通路网环境，以构建该目标城市交通道路的路网地图。
在一种实现方式中，可以确定预设的目标城市中所有的路口和每个路口附近具备交通管控功能的基础设施；根据路口和基础设施仿真一个虚拟的路网地图。
在该实现方式中，根据路口和基础设施仿真一个虚拟的路网地图可以具体包括如下步骤：获取路口的结构信息；确定基础设施的种类、数量以及位置信息；采集基础设施在执行交通管控操作的过程中产生的第一运营数据；将结构信息、种类、数量、位置信息以及第一运营数据导入交通仿真软件中进行仿真，得到虚拟的路网地图。交通仿真软件可以是SUMO(Simulation of Urban Mobility)。
需要说明的是，本实施例中的基础设施特指为交通管控设置的基础设施，可以包括交通信号灯、交通摄像头、检测器，等等；其中，交通信号灯可以细分为路口的红绿灯、可变车道的指示灯、人行警示灯等，交通摄像头还可以细分为道路摄像头、违章摄像头、测速摄像头等，检测器也可以细分地磁、线圈、雷达等。基础设施在执行交通管控操作的过程中产生的第一运营数据可以包括交通信号灯的时长、交通信号灯的转弯指示、交通摄像头的视频数据、检测器采集到的车辆速度等等。
S120、在路网地图的全局区域设置仿真参数，得到表示路网地图中所有路口的交通路况的第一仿真结果。
由于路网地图是针对整个城市的真实交通道路环境进行仿真模拟得到的一个虚拟地图，该路网地图包括整个城市中所有的交通道路以及路口，因此，本实施例中所指的路网地图的全局区域即指覆盖预设的目标城市的所有交通道路及路口；路口是指道路交叉口，即两条或多条道路相交的交叉点。可以理解的，两条道路相交的路口俗称十字路口，此外路口还有T字路口等类型。
在本实施例中，针对路网地图的全局区域设置仿真参数，该仿真参数是指能够在路网地图中对虚拟的交通道路及路口模拟真实路况的调控参数，该仿真参数可以包括路口的数量、每个路口的地理信息、每个路口的道路交通信息，等等。其中，路口的地理信息可以包括路口周边路段的长度、路段的车道数量，等等；路口的道路交通信息可以包括路口的最大车辆密度(即路口周边的路段中单位长度车道上某一瞬间所存在的车辆数，表示道路空间上的车辆密集程度)、路口周边路段的车辆排队长度(即路段中通行的车辆在路口的交通信号灯处于一个时间控制周期内的排队长度，例如红绿灯由红灯到绿灯的时间周期内在路口排队的车辆的总数量可以作为车辆排队长度)、路段的饱和流量(即在路段的长度范围内最多通过的车辆的总数量)、路段的车辆最大行驶速度、交通起讫点流量(即单位时间内路段中通行的车辆从路口的起点位置到终点位置的流量)，等等。需要说明的是，本实施例对路口的地理信息和路口的道路交通信息不作具体的限定，本实施例对仿真参数的具体内容也不作任何限定。
在对路网地图的全局区域设置仿真参数之后，可以按照具体的仿真参数对路网地图中的交通道路及路口仿真模拟实际交通道路及路口中可能发生的交通路况，例如车流量的走向、交通信号灯的管控时长、车辆在路口排队的队列长度、路口的拥堵程度、车辆通行路口的最大速度，等等；可以将上述仿真模拟交通路况的仿真结果作为第一仿真结果。
S130、根据第一仿真结果训练用于生成仿真参数的仿真器。
在本实施例中，可以预先确定初始的仿真器，再以第一仿真结果作为训练的样本、对初始的仿真器进行训练迭代，最终生成能够针对整个路网地图的全局区域生成仿真参数的仿真器。
例如，可以预先确定神经网络模型，该神经网络模型可以是深度神经网络(DeepNeural Networks,DNN)、循环神经网络(Recurrent Neural Networks，RNN)、卷积神经网络(Convolutional Neural Networks,CNN)等各类神经网络模型，在确定作为初始训练的神经网络模型之后，为该神经网络模型设置初始参数，对此本实施例不作限定；神经网络模型的初始参数主要包括权重、步长(也称学习率，learning rate)以及其他的超参数；将第一仿真结果作为训练的样本输入至该神经网络模型中进行正向传播，得到输出值，计算输出值的损失值，若损失值不满足训练收敛的条件，则基于该损失值对该神经网络模型进行反向传播、调整该神经网络模型中的权重等内部参数，利用调整后的神经网络模型在第一仿真结果的输入下继续正向传播、得到输出值，若该输出值的损失值满足训练收敛的条件，则确定对该神经网络模型完成训练；若该输出值的损失值不满足训练收敛的条件，则继续对该神经网络模型进行反向传播、调整神经网络模型中的权重等内部参数，直到下一次正向传播过程中所输出的输出值符合要求；或者，预先设置训练的迭代次数，当对神经网络模型的训练次数满足该迭代次数时，也可以确定该神经网络模型训练完成。可以将根据第一仿真结果训练完成的神经网络模型作为用于生成仿真参数的仿真器。需要说明的是，本实施例对根据第一仿真结果训练用于生成仿真参数的仿真器的具体训练方式不作具体限定。
当确定根据第一仿真结果训练用于生成仿真参数的仿真器完成训练之后，为了使得该仿真器可以快速应用于路网地图中的任意局部区域，为局部区域生成适配的仿真参数，本发明采用持续学习的架构对该仿真器进行调整，使得不需要使用大量的样本数据对该仿真器进行大量训练就能获取与局部区域适配的个性化的仿真器。
S140、接收持续学习的指令。
在本实施例中，在路网地图中接收持续学习的指令，该指令可以是针对路网地图中预先设定的局部区域自动生成的，可以理解为：当路网地图中感应到用户圈定的局部区域时，则针对该局部区域生成持续学习的指令，或者，当路网地图根据预设的参数已选定需要进行仿真校准的局部区域时，针对该局部区域生成持续学习的指令；该指令可以包括路网地图中局部区域的地理坐标、地理面积以及预先确定的持续学习的方法流程。
其中，持续学习是指将从一个任务中获取到的学习经验应用到另一个任务中的能力，即持续学习具备可塑性(学习新知识的能力)和稳定性(旧知识的记忆能力)；在一个具体示例中，参见图2所示，持续学习的框架是由一个基础模型作为起点，不断使用新任务数据对基础模型进行调整以获得适用于新任务的模型的过程。目前主流的持续学习方法有多个类别(例如正则化方法Regularization、融合嵌入方法Ensembling、双重记忆法Dual-memory、稀疏编码法Sparse-coding)，上述不同的类别的方法流程会存在差异，本实施例对此不作具体限定。
S150、响应于指令，在路网地图的局部区域设置仿真参数，得到表示局部区域中部分路口的交通路况的第二仿真结果。
在本实施例中，响应于指令，从该指令中读取在路网地图中的局部区域，针对该局部区域设置仿真参数，按照该仿真参数对局部区域中的交通道路及路口仿真模拟实际交通道路及路口中可能发生的交通路况，由于第二仿真结果是用于对仿真器进行调整的数据集，因此第二仿真结果的数据量不必太多，可以仅针对局部区域中的部分路口记录仿真模拟过程中交通路况的仿真结果作为第二仿真结果。
其中，针对路网地图的局部区域所设置的仿真参数与针对路网地图的全局区域所设置的仿真参数的类型是相同的，两者只是针对的区域范围不同，具体的参数内容可能会因为区域场景的不同而有所不同，即针对局部区域所设置的仿真参数是能够在局部区域中对虚拟的交通道路及路口模拟真实路况的调控参数，该仿真参数可以包括局部区域范围中的路口的数量、每个路口的地理信息、每个路口的道路交通信息，等等。其中，路口的地理信息可以包括路口周边路段的长度、路段的车道数量，等等，本实施例对仿真参数的具体内容也不作任何限定。
S160、使用第二仿真结果对仿真器进行调整。
在本实施例的一种实现方式中，使用第二仿真结果对仿真器进行调整的具体过程可以包括：在持续学习的架构下，以通过第一仿真结果训练完成的仿真器为起点，沿着仿真器中神经网络模型的权重梯度下降的方向使用第二仿真结果对仿真器中的所有内部参数(例如权重、步长)进行调整，直到获取与目标区域适配的仿真器，则确定完成对仿真器的调整。本实施例对使用第二仿真结果对仿真器进行调整的具体过程不作限定。
在一个交通仿真应用场景的示例中，可以将根据第一仿真结果训练完成的仿真器作为基础交通仿真参数模型，由于第二仿真结果是在路网地图中特定区域的某一类场景下依据该场景模拟仿真交通路况获取的仿真数据，因此第二仿真结果的数据量较少，可以使用该第二仿真结果对基础交通仿真参数模型进行在线模型微调，从而得到能够为特定交通场景配置仿真参数的仿真器，即将调整后的仿真器作为特定交通区域场景下的交通仿真参数模型。可以理解的是，第二仿真结果表示的是路网地图中局部区域的部分路口的交通路况的仿真结果，部分路口可以包括1个路口或多个路口，若第二仿真结果包括的是多个路口的仿真结果，还可以将第二仿真结果按照各路口拆分为不同的子数据集，采用并行的方式使用每个路口对应的子数据集对仿真器进行调整，从而实现路网地图中局部区域中的多个路口均可以获得调整后的仿真器，即可以由一个通用的仿真器可以扩展为多个仿真器、每个调整后的仿真器能够针对单个路口生成仿真参数，使得整个基础交通仿真参数模型在线微调过程的耗时为分钟级别。
本发明实施例通过获取模拟城市交通道路的路网地图；在路网地图的全局区域设置仿真参数，得到表示路网地图中所有路口的交通路况的第一仿真结果；根据第一仿真结果训练用于生成仿真参数的仿真器；接收持续学习的指令；响应于指令，在路网地图的局部区域设置仿真参数，得到表示局部区域中部分路口的交通路况的第二仿真结果；使用第二仿真结果对仿真器进行调整。上述方法预先基于从路网地图的全局区域中获得的第一仿真结果训练用于生成仿真参数的仿真器，可以得到一个对路网地图全局通用的仿真器，但该仿真器只是粗略的仿真器，若需要获取与路网地图的局部区域所适配的仿真器，则需要对该通用的仿真器做进一步的调整，因此本发明基于持续学习的架构使用路网地图中局部区域生成的第二仿真结果对通用的仿真器进行调整，使得调整后的仿真器能够与局部区域快速适配，可针对局部区域生成仿真参数；同时，由于第二仿真结果是针对路网地图中的局部区域生成的，第一仿真结果是针对路网地图的全局区域生成的，第二仿真结果相对于第一仿真结果的数据量较少，因此利用第二仿真结果对由第一仿真结果训练得到的仿真器进行调整所耗费的时间较短，能够实现仿真器的在线调整。
实施例二
图3为本发明实施例二提供的一种仿真器的训练方法的流程图，本实施例以前述实施例为基础，进一步对本发明所提出的仿真器的训练方法进行了细化，该方法可以由仿真器的训练装置来执行，该仿真器的训练装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：
S210、获取模拟城市交通道路的路网地图。
S220、针对路网地图的全局区域设置仿真参数。
其中，仿真参数至少包括路网地图中的所有路口的数量、每个路口的第一地理信息以及每个路口的第一道路交通信息。为了便于区分针对路网地图的全局区域所设置的仿真参数中的路口的地理信息与针对路网地图的局部区域所设置的仿真参数中的路口的地理信息，特此将全局区域所设置的仿真参数中的路口的地理信息称为第一地理信息，将局部区域所设置的仿真参数中的路口的地理信息称为第二地理信息，同理，为了便于区分描述，将全局区域所设置的仿真参数中的路口的道路交通信息称为第一道路交通信息，将局部区域所设置的仿真参数中的路口的道路交通信息称为第二道路交通信息；“第一”与“第二”仅用于区分描述，不作特殊内容的限定。路口的地理信息可以包括路口周边路段的长度、路段的车道数量，等等；路口的道路交通信息可以包括路口的最大车辆密度、路口周边路段的车辆排队长度、路段的饱和流量、路段的车辆最大行驶速度、交通起讫点流量，等等。需要说明的是，本实施例对路口的地理信息和路口的道路交通信息不作具体的限定，本实施例对仿真参数的具体内容也不作任何限定。
S230、将仿真参数输入至路网地图中，模拟路网地图中的所有路口在不同场景下的交通路况，得到第一仿真结果。
在具体实现中，可以针对每个路口，基于第一地理信息在路网地图中模拟路口周边的第一路段环境；按照第一道路交通信息在第一路段环境中模拟路口随时间变化的交通路况，记录反映交通路况的仿真数据；统计路网地图中所有路口的仿真数据，作为第一仿真结果。需要说明的是，此处的“第一路段环境”与下文中的“第二路段环境”均为路口周边的路段的环境，例如路段的车道数量、路段的长度、在路段上规划的车辆通行方向，等等。“第一”与“第二”仅用于区分描述，不作特殊内容的限定。
S240、确定神经网络模型和初始的学习函数。
其中，学习函数用于为神经网络模型提供权重的初始值，学习函数一般包括神经网络模型已完成的任务个数、神经网络模型在执行每次任务中的损失函数、每次任务的学习率(learning rate，也称步长)、神经网络模型在执行每次任务中权重发生变化的梯度，等等；优选的，学习函数可以通过以下方式计算得到：
Figure BDA0003090197000000091
其中，β表示每个任务的学习率，M表示神经网络模型已完成训练的任务个数，
Figure BDA0003090197000000092
表示神经网络模型在执行每次任务中的损失函数，
Figure BDA0003090197000000093
表示每次任务中权重发生变化的梯度，
Figure BDA0003090197000000094
表示每次任务中输入的测试数据，θ0表示神经网络模型在执行当前任务时权重的初始值，S表示神经网络模型在单次任务中执行反向传播的运算次数。
本实施例中的神经网络模型可以是深度神经网络(Deep Neural Networks,DNN)、循环神经网络(Recurrent Neural Networks，RNN)、卷积神经网络(Convolutional NeuralNetworks,CNN)等各类神经网络模型，对此本实施例不作限定。例如，本实施例中的神经网络模型可以选择包括3个或4个卷积层及160个3*3滤波模板的CNN卷积神经网络，该CNN卷积神经网络还可以包括具备320个单元的全连接层以及具备640个单元的全连接层，该CNN卷积神经网络中的每一层都使用ReLU函数激活。
S250、在学习函数的约束下，以第一仿真结果作为训练的样本、为路网地图的全局区域所设置的仿真参数作为预期输出值，训练神经网络模型，得到用于生成仿真参数的仿真器。
在一种实现方式中，S250可以具体包括如下步骤：
S2501、在学习函数的约束下，将第一仿真结果输入到神经网络模型中进行前向传播，得到预估的仿真参数。
由于学习函数用于为神经网络模型提供权重的初始值，在学习函数的约束下，即可以将该学习函数的输出值作为该神经网络模型在本次前向传播的训练过程中权重的初始值，再利用第一仿真结果作为训练的样本、输入到神经网络模型中输出预估的仿真参数。其中，可以对第一仿真结果进行数据预处理，例如进行标准归一化，将标准归一化后的第一仿真结果作为该神经网络模型的训练样本。
S2502、计算预估的仿真参数与为路网地图的全局区域所设置的仿真参数之间的第一损失值。
S2503、基于第一损失值更新神经网络模型中的权重。
具体的，将第一损失值输入至神经网络模型中进行反向传播，在反向传播过程中利用第一损失值的梯度变化值更新神经网络模型中的权重。
为了便于本领域技术人员的理解，参见图4所示，
Figure BDA0003090197000000101
为仿真器中的学习函数为神经网络模型提供的权重的初始值,在神经网络模型的反向传播中，该权重的初始值
Figure BDA0003090197000000102
会在输入数据xt与输出数据yt(即在本实施例中输出数据yt为模型输出的预估的仿真参数,输入数据xt为模型的仿真参数的真值)的约束下进行持续更新，仿真参数的真值为路网地图的全局区域所设置的仿真参数，即输出数据yt与输入数据xt之间的误差可以被视为第一损失值，可以在神经网络模型的反向传播过程中保持学习率αj不变，对权重的取值不断进行调整，直到满足反向传播的收敛条件。
S2504、当确定神经网络模型完成训练时，计算神经网络模型在整个训练过程中权重发生变化的梯度，得到权重梯度值。
本实施例中，神经网络模型在整个训练过程中权重发生变化的梯度可以理解为神经网络模型的权重的初始值与最终确定调整完成的权重的最终值之间的变化值，可以将该变化值作为神经网络模型在执行单个任务中的权重梯度值。
S2505、利用权重、权重梯度值更新学习函数，得到新的学习函数。
S2506、确定新的学习函数和已完成训练的神经网络模型构成用于生成仿真参数的仿真器。
在本实施例中，新的学习函数的意义在于为该神经网络模型去执行下一个训练任务提供权重的初始值，优选的，该神经网络模型在下一个训练任务中的权重的初始值θ0可参考
Figure BDA0003090197000000103
Figure BDA0003090197000000111
S260、接收持续学习的指令。
S270、响应于指令，在路网地图中划分局部区域，作为目标区域。
在具体实现中，可以从指令中读取预设的地理坐标和地理面积；依据地理坐标和地理面积从路网地图中筛选出包含部分路口的局部区域；获取局部区域中具备交通管控功能的基础设施在不同交通场景下产生的第二运营数据；基于第二运营数据对局部区域进行调整，得到目标区域，例如可以将局部区域和第二运营数据导入交通仿真软件SUMO中，得到目标区域。需要说明的是，第一运营数据与第二运营数据的种类可以保持一致，即第一运营数据与第二运营数据的实质都是运营数据，为了区别运营数据中具体内容的描述，使用“第一运营数据”表示全局区域中基础设施在执行交通管控操作的过程中产生的运营数据，使用“第二运营数据”表示局部区域中基础设施在执行交通管控操作的过程中产生的运营数据，该第二运营数据可以包括交通信号灯的时长、交通信号灯的转弯指示、交通摄像头的视频数据、检测器采集到的车辆速度等等。
S280、针对目标区域设置仿真参数、按照仿真参数模拟目标区域中部分路口在不同场景下的交通路况，得到第二仿真结果。
具体的，可以针对目标区域设置仿真参数，仿真参数至少包括目标区域中每个路口的第二地理信息以及每个路口的第二道路交通信息；针对每个路口，基于第二地理信息在目标区域中模拟路口周边的第二路段环境；按照第二道路交通信息在第二路段环境中模拟路口随时间变化的交通路况，记录反映交通路况的仿真数据，例如可以按照第二道路交通信息在第二路段环境中模拟路口在1天中早高峰、晚高峰的两个时间段中出现的交通路况，记录该交通路况的仿真数据，还可以按照第二道路交通信息在第二路段环境中模拟路口发生交通事故时存在的交通路况，记录该交通路况的仿真数据，也可以按照第二道路交通信息在第二路段环境中模拟路口在恶劣天气下可能出现的交通路况，记录该交通路况的仿真数据，等等；统计目标区域中部分路口的仿真结果，作为第二仿真结果。需要说明的是，部分路口可以是一个路口也可以是多个路口。
S290、使用第二仿真结果对仿真器进行调整。
在本实施例中，可以计算神经网络模型的权重与学习函数生成的函数值之间的差值；将差值作为神经网络模型中权重的初始值，使用第二仿真结果训练神经网络模型、更新权重；当确定神经网络模型完成训练时，计算神经网络模型在整个训练过程中权重发生变化的梯度，得到权重梯度值；利用权重、权重梯度值更新学习函数，得到新的学习函数；确定新的学习函数与已完成训练的神经网络模型构成调整后的仿真器。
本发明通过获取模拟城市交通道路的路网地图；针对路网地图的全局区域设置仿真参数，将仿真参数输入至路网地图中，模拟路网地图中的所有路口在不同场景下的交通路况，得到第一仿真结果；确定神经网络模型和初始的学习函数，在学习函数的约束下，以第一仿真结果作为训练的样本、为路网地图的全局区域所设置的仿真参数作为预期输出值，训练神经网络模型，得到用于生成仿真参数的仿真器；接收持续学习的指令；响应于指令，在路网地图中划分局部区域，作为目标区域，针对目标区域设置仿真参数、按照仿真参数模拟目标区域中部分路口在不同场景下的交通路况，得到第二仿真结果；使用第二仿真结果对仿真器进行调整。上述方法预先基于从路网地图的全局区域中获得的第一仿真结果训练用于生成仿真参数的仿真器，可以得到一个对路网地图全局通用的仿真器，但该仿真器只是粗略的仿真器，若需要获取与路网地图的局部区域所适配的仿真器，则需要对该通用的仿真器做进一步的调整，因此本发明基于持续学习的架构使用路网地图中局部区域生成的第二仿真结果对通用的仿真器进行调整，使得调整后的仿真器能够与局部区域快速适配，可针对局部区域生成仿真参数；同时，由于第二仿真结果是针对路网地图中的局部区域生成的，第一仿真结果是针对路网地图的全局区域生成的，第二仿真结果相对于第一仿真结果的数据量较少，因此利用第二仿真结果对由第一仿真结果训练得到的仿真器进行调整所耗费的时间较短，能够实现仿真器的在线调整。
实施例三
图5为本发明实施例三提供的一种交通路况的预测方法的流程图，本实施例可适用于为城市交通道路的交通仿真模型提供仿真参数的情况，该方法可以由交通路况的预测装置来执行，该交通路况的预测装置可以由软件和/或硬件实现，可配置在计算机设备中，例如，服务器、工作站、个人电脑，等等，该方法具体包括如下步骤：
S310、从城市交通道路的路口采集表示路口的交通路况的交通数据。
在本实施例中，交通数据用于表示预设的目标城市的交通道路中的路口的交通路况，可以包括车流量的走向、交通信号灯的管控时长、车辆在路口排队的队列长度、路口的拥堵程度、车辆通行路口的最大速度，等等。
在具体实现中，可以从城市交通道路上具备交通管控功能的基础设施中获取运营数据，从运营数据中解析出表示路口的交通路况的交通数据，其中，具备交通管控功能的基础设施可以包括交通信号灯、交通摄像头、检测器，等等；其中，交通信号灯可以细分为路口的红绿灯、可变车道的指示灯、人行警示灯等，交通摄像头还可以细分为道路摄像头、违章摄像头、测速摄像头等，检测器也可以细分地磁、线圈、雷达等；在一个示例中，可以获取交通摄像头在交通道路中所采集的视频数据，从该视频数据中采集与该交通道路中路口的交通路况相关的交通数据。本实施例对如何获取交通数据的具体实施方式不作限定。
S320、确定用于生成仿真参数的仿真器。
在本实施例中，用于生成仿真参数的仿真器的训练方法可以包括：
获取模拟城市交通道路的路网地图；
在路网地图的全局区域设置仿真参数，得到表示路网地图中所有路口的交通路况的第一仿真结果；
根据第一仿真结果训练用于生成仿真参数的仿真器；
接收持续学习的指令；
响应于指令，在路网地图的局部区域设置仿真参数，得到表示局部区域中部分路口的交通路况的第二仿真结果；
使用第二仿真结果对仿真器进行调整。
在本实施例中，可以参考前述实施例中的任一所述仿真器的训练方法确定用于生成仿真参数的仿真器。本实施例对此不作限定。
S330、将交通数据输入至仿真器中，得到仿真参数。
S340、确定模拟城市交通道路的路网地图。
在具体实现中，可以获取城市中各类交通道路的结构信息以及每条交通道路上的基础设施信息模拟该城市中的交通路网环境，以构建该城市交通道路的路网地图。
在一种实现方式中，可以确定预设的城市交通道路中所有的路口和每个路口附近具备交通管控功能的基础设施；根据路口和基础设施仿真一个虚拟的路网地图。在该实现方式中，根据路口和基础设施仿真一个虚拟的路网地图可以具体包括如下步骤：获取路口的结构信息；确定基础设施的种类、数量以及位置信息；采集基础设施在执行交通管控操作的过程中产生的运营数据；将结构信息、种类、数量、位置信息以及运营数据导入交通仿真软件中进行仿真，得到虚拟的路网地图。交通仿真软件可以是SUMO(Simulation of UrbanMobility)。
S350、按照仿真参数在路网地图中对路口的交通路况进行预测。
在确定路网地图之后，按照仿真器输出的仿真参数在路网地图中对路口的交通路况进行预测，可以利用预测的结果优化对路口的交通管控策略。
本发明实施例通过从城市交通道路的路口采集表示路口的交通路况的交通数据，确定用于生成仿真参数的仿真器，将交通数据输入至仿真器中，得到仿真参数，确定模拟城市交通道路的路网地图，按照仿真参数在路网地图中对路口的交通路况进行预测。上述方法可以实现根据实时观测的交通数据生成对交通仿真模型(路网地图)进行交通仿真的仿真参数，利用仿真参数在交通仿真模型中对路口的交通路况进行预测，进而使用该仿真结果来评估不同的交通控制策略和方案，进而应用于基于仿真的管控优化与评价，不断提高实际交通系统中的交通出行效率。
实施例四
图6为本发明实施例四提供的一种仿真器的训练装置的结构示意图，该装置具体可以包括如下模块：
路网地图获取模块601，用于获取模拟城市交通道路的路网地图；
第一仿真结果采集模块602，用于在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果；
仿真器训练模块603，用于根据所述第一仿真结果训练用于生成仿真参数的仿真器；
持续学习启动模块604，用于接收持续学习的指令；
第二仿真结果采集模块605，用于响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果；
仿真器调整模块606，用于使用所述第二仿真结果对所述仿真器进行调整。
在本发明的一个实施例中，所述路网地图获取模块601包括：
基础设施获取子模块，用于确定预设的目标城市中所有的路口和每个所述路口附近具备交通管控功能的基础设施；
路网地图仿真子模块，用于根据所述路口和所述基础设施仿真一个虚拟的路网地图。
在本发明的一个实施例中，所述路网地图仿真子模块包括：
结构信息获取单元，用于获取所述路口的结构信息；
基础设施确定单元，用于确定所述基础设施的种类、数量以及位置信息；
第一运营数据确定单元，用于采集所述基础设施在执行交通管控操作的过程中产生的第一运营数据；
路网地图确定单元，用于将所述结构信息、所述种类、所述数量、所述位置信息以及所述第一运营数据导入交通仿真软件中进行仿真，得到虚拟的路网地图。
在本发明的一个实施例中，所述第一仿真结果采集模块602包括：
仿真参数全局设置子模块，用于针对所述路网地图的全局区域设置仿真参数，所述仿真参数至少包括所述路网地图中的所有路口的数量、每个所述路口的第一地理信息以及每个所述路口的第一道路交通信息；
第一仿真结果采集子模块，用于将所述仿真参数输入至所述路网地图中，模拟所述路网地图中的所有路口在不同场景下的交通路况，得到第一仿真结果。
在本发明的一个实施例中，所述第一仿真结果采集子模块包括：
第一路段环境确定单元，用于针对每个所述路口，基于所述第一地理信息在所述路网地图中模拟所述路口周边的第一路段环境；
第一仿真数据记录单元，用于按照所述第一道路交通信息在所述第一路段环境中模拟所述路口随时间变化的交通路况，记录反映所述交通路况的仿真数据；
第一仿真结果确定单元，用于统计所述路网地图中所有所述路口的仿真数据，作为第一仿真结果。
在本发明的一个实施例中，所述仿真器训练模块603包括：
仿真器初始设置子模块，用于确定神经网络模型和初始的学习函数，所述学习函数用于为所述神经网络模型提供权重的初始值；
仿真器训练子模块，用于在所述学习函数的约束下，以所述第一仿真结果作为训练的样本、为所述路网地图的全局区域所设置的仿真参数作为预期输出值，训练所述神经网络模型，得到用于生成仿真参数的仿真器。
在本发明的一个实施例中，所述仿真器训练子模块包括：
前向传播单元，用于在所述学习函数的约束下，将所述第一仿真结果输入到所述神经网络模型中进行前向传播，得到预估的仿真参数；
第一损失值计算单元，用于计算预估的仿真参数与为所述路网地图的全局区域所设置的仿真参数之间的第一损失值；
权重更新单元，用于基于所述第一损失值更新所述神经网络模型中的权重；
权重梯度值确定单元，用于当确定所述神经网络模型完成训练时，计算所述神经网络模型在整个训练过程中所述权重发生变化的梯度，得到权重梯度值；
学习函数更新单元，用于利用所述权重、所述权重梯度值更新所述学习函数，得到新的学习函数；
仿真器确定单元，用于确定新的学习函数和已完成训练的所述神经网络模型构成用于生成仿真参数的仿真器。
在本发明的一个实施例中，所述第二仿真结果采集模块605包括：
局部区域划分子模块，用于响应于所述指令，在所述路网地图中划分局部区域，作为目标区域；
第二仿真结果采集子模块，用于针对所述目标区域设置仿真参数、按照所述仿真参数模拟所述目标区域中部分路口在不同场景下的交通路况，得到第二仿真结果。
在本发明的一个实施例中，所述局部区域划分子模块包括：
信息读取单元，用于从所述指令中读取预设的地理坐标和地理面积；
局部区域确定单元，用于依据所述地理坐标和所述地理面积从所述路网地图中筛选出包含部分路口的局部区域；
第二运营数据确定单元，用于获取所述局部区域中具备交通管控功能的基础设施在不同交通场景下产生的第二运营数据；
目标区域确定单元，用于基于所述第二运营数据对所述局部区域进行调整，得到目标区域。
在本发明的一个实施例中，所述第二仿真结果采集子模块包括：
仿真参数局部设置单元，用于针对所述目标区域设置仿真参数，所述仿真参数至少包括所述目标区域中每个路口的第二地理信息以及每个所述路口的第二道路交通信息；
第二路段环境确定单元，用于针对每个所述路口，基于所述第二地理信息在所述目标区域中模拟所述路口周边的第二路段环境；
第二仿真数据记录单元，用于按照所述第二道路交通信息在所述第二路段环境中模拟所述路口随时间变化的交通路况，记录反映所述交通路况的仿真数据；
第二仿真结果确定单元，用于统计所述目标区域中部分所述路口的仿真结果，作为第二仿真结果。
在本发明的一个实施例中，所述仿真器包括神经网络模型和学习函数；所述仿真器调整模块606包括：
差值计算子模块，用于计算所述神经网络模型的权重与所述学习函数生成的函数值之间的差值；
训练子模块，用于将所述差值作为所述神经网络模型中权重的初始值，使用所述第二仿真结果训练所述神经网络模型、更新所述权重；
权重梯度计算子模块，用于当确定所述神经网络模型完成训练时，计算所述神经网络模型在整个训练过程中所述权重发生变化的梯度，得到权重梯度值；
学习函数更新子模块，用于利用所述权重、所述权重梯度值更新所述学习函数，得到新的学习函数；
仿真器调整子模块，用于确定新的学习函数与已完成训练的所述神经网络模型构成调整后的仿真器。
本发明实施例所提供的仿真器的训练装置可执行本发明任意实施例所提供的仿真器的训练方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7为本发明实施例五提供的一种交通路况的预测装置的结构示意图，该装置具体可以包括如下模块：
交通数据采集模块701，用于从城市交通道路的路口采集表示所述路口的交通路况的交通数据；
仿真器确定模块702，用于根据本发明任意实施例所提供的仿真器的训练方法确定仿真器；
仿真参数生成模块703，用于将所述交通数据输入至所述仿真器中，得到仿真参数；
路网地图确定模块704，用于确定模拟所述城市交通道路的路网地图；
交通路况预测模块705，用于按照所述仿真参数在所述路网地图中对所述路口的交通路况进行预测。
本发明实施例所提供的交通路况的预测装置可执行本发明任意实施例所提供的交通路况的预测方法，具备执行方法相应的功能模块和有益效果。
实施例六
图8为本发明实施例六提供的一种计算机设备的结构示意图。图8示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图8显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图8所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图8未显示，通常称为“硬盘驱动器”)。尽管图8中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的仿真器的训练方法或者所述的交通路况的预测方法。
实施例七
本发明实施例七还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任一实施例的仿真器的训练方法或者交通路况的预测方法。所述仿真器的训练方法包括：
获取模拟城市交通道路的路网地图；
在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果；
根据所述第一仿真结果训练用于生成仿真参数的仿真器；
接收持续学习的指令；
响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果；
使用所述第二仿真结果对所述仿真器进行调整。
所述交通路况的预测方法包括：
从城市交通道路的路口采集表示所述路口的交通路况的交通数据；
根据本发明任意实施例所提供的仿真器的训练方法确定仿真器；
将所述交通数据输入至所述仿真器中，得到仿真参数；
确定模拟所述城市交通道路的路网地图；
按照所述仿真参数在所述路网地图中对所述路口的交通路况进行预测。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中，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。
计算机可读的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。计算机可读的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——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
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发明操作的计算机程序代码，所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)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (16)

1.一种仿真器的训练方法，其特征在于，包括：
获取模拟城市交通道路的路网地图；
在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果；
根据所述第一仿真结果训练用于生成仿真参数的仿真器；
接收持续学习的指令；
响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果；
使用所述第二仿真结果对所述仿真器进行调整。
2.根据权利要求1所述的方法，其特征在于，所述获取模拟城市交通路况的路网地图，包括：
确定预设的目标城市中所有的路口和每个所述路口附近具备交通管控功能的基础设施；
根据所述路口和所述基础设施仿真一个虚拟的路网地图。
3.根据权利要求2所述的方法，其特征在于，所述根据所述路口和所述基础设施仿真一个虚拟的路网地图，包括：
获取所述路口的结构信息；
确定所述基础设施的种类、数量以及位置信息；
采集所述基础设施在执行交通管控操作的过程中产生的第一运营数据；
将所述结构信息、所述种类、所述数量、所述位置信息以及所述第一运营数据导入交通仿真软件中进行仿真，得到虚拟的路网地图。
4.根据权利要求1所述的方法，其特征在于，所述在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果，包括：
针对所述路网地图的全局区域设置仿真参数，所述仿真参数至少包括所述路网地图中的所有路口的数量、每个所述路口的第一地理信息以及每个所述路口的第一道路交通信息；
将所述仿真参数输入至所述路网地图中，模拟所述路网地图中的所有路口在不同场景下的交通路况，得到第一仿真结果。
5.根据权利要求4所述的方法，其特征在于，所述将所述仿真参数输入至所述路网地图中，模拟所述路网地图中的所有路口在不同场景下的交通路况，得到第一仿真结果，包括：
针对每个所述路口，基于所述第一地理信息在所述路网地图中模拟所述路口周边的第一路段环境；
按照所述第一道路交通信息在所述第一路段环境中模拟所述路口随时间变化的交通路况，记录反映所述交通路况的仿真数据；
统计所述路网地图中所有所述路口的仿真数据，作为第一仿真结果。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一仿真结果训练用于生成仿真参数的仿真器，包括：
确定神经网络模型和初始的学习函数；
在所述学习函数的约束下，以所述第一仿真结果作为训练的样本、为所述路网地图的全局区域所设置的仿真参数作为预期输出值，训练所述神经网络模型，得到用于生成仿真参数的仿真器。
7.根据权利要求6所述的方法，其特征在于，所述在所述学习函数的约束下，以所述第一仿真结果作为训练的样本、为所述路网地图的全局区域所设置的仿真参数作为预期输出值，训练所述神经网络模型，得到用于生成仿真参数的仿真器，包括：
在所述学习函数的约束下，将所述第一仿真结果输入到所述神经网络模型中进行前向传播，得到预估的仿真参数；
计算预估的仿真参数与为所述路网地图的全局区域所设置的仿真参数之间的第一损失值；
基于所述第一损失值更新所述神经网络模型中的权重；
当确定所述神经网络模型完成训练时，计算所述神经网络模型在整个训练过程中所述权重发生变化的梯度，得到权重梯度值；
利用所述权重、所述权重梯度值更新所述学习函数，得到新的学习函数；
确定新的学习函数和已完成训练的所述神经网络模型构成用于生成仿真参数的仿真器。
8.根据权利要求1所述的方法，其特征在于，所述响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果，包括：
响应于所述指令，在所述路网地图中划分局部区域，作为目标区域；
针对所述目标区域设置仿真参数、按照所述仿真参数模拟所述目标区域中部分路口在不同场景下的交通路况，得到第二仿真结果。
9.根据权利要求8所述的方法，其特征在于，所述响应于所述指令，在所述路网地图中划分局部区域，作为目标区域，包括：
从所述指令中读取预设的地理坐标和地理面积；
依据所述地理坐标和所述地理面积从所述路网地图中筛选出包含部分路口的局部区域；
获取所述局部区域中具备交通管控功能的基础设施在不同交通场景下产生的第二运营数据；
基于所述第二运营数据对所述局部区域进行调整，得到目标区域。
10.根据权利要求8所述的方法，其特征在于，所述针对所述目标区域设置仿真参数、按照所述仿真参数模拟所述目标区域中部分路口在不同场景下的交通路况，得到第二仿真结果，包括：
针对所述目标区域设置仿真参数，所述仿真参数至少包括所述目标区域中每个路口的第二地理信息以及每个所述路口的第二道路交通信息；
针对每个所述路口，基于所述第二地理信息在所述目标区域中模拟所述路口周边的第二路段环境；
按照所述第二道路交通信息在所述第二路段环境中模拟所述路口随时间变化的交通路况，记录反映所述交通路况的仿真数据；
统计所述目标区域中部分所述路口的仿真结果，作为第二仿真结果。
11.根据权利要求1-10中任一项所述的方法，其特征在于，所述仿真器包括神经网络模型和学习函数；
所述使用所述第二仿真结果对所述仿真器进行调整，包括：
计算所述神经网络模型的权重与所述学习函数生成的函数值之间的差值；
将所述差值作为所述神经网络模型中权重的初始值，使用所述第二仿真结果训练所述神经网络模型、更新所述权重；
当确定所述神经网络模型完成训练时，计算所述神经网络模型在整个训练过程中所述权重发生变化的梯度，得到权重梯度值；
利用所述权重、所述权重梯度值更新所述学习函数，得到新的学习函数；
确定新的学习函数与已完成训练的所述神经网络模型构成调整后的仿真器。
12.一种交通路况的预测方法，其特征在于，包括：
从城市交通道路的路口采集表示所述路口的交通路况的交通数据；
根据权利要求1-11中任一项所述的训练方法确定仿真器；
将所述交通数据输入至所述仿真器中，得到仿真参数；
确定模拟所述城市交通道路的路网地图；
按照所述仿真参数在所述路网地图中对所述路口的交通路况进行预测。
13.一种仿真器的训练装置，其特征在于，包括：
路网地图获取模块，用于获取模拟城市交通道路的路网地图；
第一仿真结果采集模块，用于在所述路网地图的全局区域设置仿真参数，得到表示所述路网地图中所有路口的交通路况的第一仿真结果；
仿真器训练模块，用于根据所述第一仿真结果训练用于生成仿真参数的仿真器；
持续学习启动模块，用于接收持续学习的指令；
第二仿真结果采集模块，用于响应于所述指令，在所述路网地图的局部区域设置仿真参数，得到表示所述局部区域中部分路口的交通路况的第二仿真结果；
仿真器调整模块，用于使用所述第二仿真结果对所述仿真器进行调整。
14.一种交通路况的预测装置，其特征在于，包括：
交通数据采集模块，用于从城市交通道路的路口采集表示所述路口的交通路况的交通数据；
仿真器确定模块，用于根据权利要求1-11中任一项所述的训练方法确定仿真器；
仿真参数生成模块，用于将所述交通数据输入至所述仿真器中，得到仿真参数；
路网地图确定模块，用于确定模拟所述城市交通道路的路网地图；
交通路况预测模块，用于按照所述仿真参数在所述路网地图中对所述路口的交通路况进行预测。
15.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-11中任一所述的仿真器的训练方法或者如权利要求12中所述的交通路况的预测方法。
16.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11中任一所述的仿真器的训练方法或者如权利要求12中所述的交通路况的预测方法。
CN202110592877.4A 2021-05-28 2021-05-28 仿真器的训练方法、交通路况的预测方法以及相关装置 Pending CN113297794A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110592877.4A CN113297794A (zh) 2021-05-28 2021-05-28 仿真器的训练方法、交通路况的预测方法以及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110592877.4A CN113297794A (zh) 2021-05-28 2021-05-28 仿真器的训练方法、交通路况的预测方法以及相关装置

Publications (1)

Publication Number Publication Date
CN113297794A true CN113297794A (zh) 2021-08-24

Family

ID=77325946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110592877.4A Pending CN113297794A (zh) 2021-05-28 2021-05-28 仿真器的训练方法、交通路况的预测方法以及相关装置

Country Status (1)

Country Link
CN (1) CN113297794A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593535A (zh) * 2013-11-22 2014-02-19 南京洛普股份有限公司 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN108492666A (zh) * 2018-03-31 2018-09-04 长安大学 一种虚实混合的实时微观交通仿真系统与方法
CN110285817A (zh) * 2019-07-12 2019-09-27 东北电力大学 基于自适应d-s证据理论的复杂路网地图匹配方法
CN110517492A (zh) * 2019-08-27 2019-11-29 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110619393A (zh) * 2019-09-27 2019-12-27 上海交通大学 基于学习算法的交通仿真软件参数标定方法、系统及介质
US20200082041A1 (en) * 2018-09-06 2020-03-12 Terrafuse, Inc. Estimating physical parameters of a physical system based on a spatial-temporal emulator
CN110942625A (zh) * 2019-11-06 2020-03-31 深圳市城市交通规划设计研究中心有限公司 基于现实路径流量回溯调节的动态od估计方法及装置
CN111680451A (zh) * 2020-05-26 2020-09-18 银江股份有限公司 一种微观城市交通在线仿真系统及方法
CN111859587A (zh) * 2020-07-10 2020-10-30 当家移动绿色互联网技术集团有限公司 构建交通仿真路网的方法、装置、存储介质及电子设备
CN112699991A (zh) * 2019-10-22 2021-04-23 百度（美国）有限责任公司 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103593535A (zh) * 2013-11-22 2014-02-19 南京洛普股份有限公司 基于多尺度融合的城市交通复杂自适应网络平行仿真系统及方法
CN108492666A (zh) * 2018-03-31 2018-09-04 长安大学 一种虚实混合的实时微观交通仿真系统与方法
US20200082041A1 (en) * 2018-09-06 2020-03-12 Terrafuse, Inc. Estimating physical parameters of a physical system based on a spatial-temporal emulator
CN110285817A (zh) * 2019-07-12 2019-09-27 东北电力大学 基于自适应d-s证据理论的复杂路网地图匹配方法
CN110517492A (zh) * 2019-08-27 2019-11-29 中国科学院自动化研究所 基于平行集成学习的交通路径推荐方法、系统、装置
CN110619393A (zh) * 2019-09-27 2019-12-27 上海交通大学 基于学习算法的交通仿真软件参数标定方法、系统及介质
CN112699991A (zh) * 2019-10-22 2021-04-23 百度（美国）有限责任公司 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质
CN110942625A (zh) * 2019-11-06 2020-03-31 深圳市城市交通规划设计研究中心有限公司 基于现实路径流量回溯调节的动态od估计方法及装置
CN111680451A (zh) * 2020-05-26 2020-09-18 银江股份有限公司 一种微观城市交通在线仿真系统及方法
CN111859587A (zh) * 2020-07-10 2020-10-30 当家移动绿色互联网技术集团有限公司 构建交通仿真路网的方法、装置、存储介质及电子设备

Similar Documents

Publication Publication Date Title
CN110517492B (zh) 基于平行集成学习的交通路径推荐方法、系统、装置
Liu et al. A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model
WO2020224434A1 (zh) 一种驾驶仿真方法、装置、电子设备及计算机存储介质
Wang et al. Comparing traffic state estimators for mixed human and automated traffic flows
WO2022222632A1 (zh) 交通仿真方法、装置、计算机设备和存储介质
CN113032285B (zh) 一种高精地图测试方法、装置、电子设备及存储介质
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
US9459111B2 (en) Methods and apparatus for estimating power usage
CN109840660A (zh) 一种车辆特征数据处理方法及车辆风险预测模型训练方法
Balakrishna et al. Time-dependent origin-destination estimation without assignment matrices
CN101639871B (zh) 面向行为研究的车载动态交通信息诱导系统模拟设计方法
Chevallier et al. Dynamic noise modeling at roundabouts
JP2010067180A (ja) 交通状況予測システム
Sykes Traffic simulation with paramics
Fujimoto et al. Ad hoc distributed simulations
Gora Traffic Simulation Framework-a cellular automaton-based tool for simulating and investigating real city traffic
Lansdowne Traffic simulation using agent-based modelling
Shabab et al. Deep reinforcement learning-based short-term traffic signal optimizing using disaggregated vehicle data
CN113297794A (zh) 仿真器的训练方法、交通路况的预测方法以及相关装置
JP2000285362A (ja) ナビゲーション装置
Henclewood et al. Real-time data driven arterial simulation for performance measures estimation
Alecsandru A stochastic mesoscopic cell-transmission model for operational analysis of large-scale transportation networks
CN114495486A (zh) 一种基于层次强化学习的微观交通流预测系统及方法
Mansurova et al. Interaction of adjacent smart traffic lights during traffic jams at an intersection
O'Brien et al. Validation of scenario modelling for bridge loading

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