CN113762595A - 通行时间预测模型训练方法、通行时间预测方法及设备 - Google Patents

通行时间预测模型训练方法、通行时间预测方法及设备 Download PDF

Info

Publication number
CN113762595A
CN113762595A CN202110845562.6A CN202110845562A CN113762595A CN 113762595 A CN113762595 A CN 113762595A CN 202110845562 A CN202110845562 A CN 202110845562A CN 113762595 A CN113762595 A CN 113762595A
Authority
CN
China
Prior art keywords
intersection
road section
matrix
road
time
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.)
Granted
Application number
CN202110845562.6A
Other languages
English (en)
Other versions
CN113762595B (zh
Inventor
颜欢
李勇
金德鹏
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110845562.6A priority Critical patent/CN113762595B/zh
Publication of CN113762595A publication Critical patent/CN113762595A/zh
Application granted granted Critical
Publication of CN113762595B publication Critical patent/CN113762595B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing

Abstract

本发明提供一种通行时间预测模型训练方法、通行时间预测方法及设备，该训练方法包括：构建路口和路段特征及轨迹特征；获取路段特征向量及路口特征向量；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、路口邻接矩阵及路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络；将输出的更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵、历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果进行训练。本发明提供的通行时间预测模型训练方法、通行时间预测方法及设备，通过联合建模路口和路段的特征，训练通行时间预测模型，提升通行时间预测的准确度。

Description

通行时间预测模型训练方法、通行时间预测方法及设备
技术领域
本发明涉及计算机技术领域，尤其涉及一种通行时间预测模型训练方法、通行时间预测方法及设备。
背景技术
通行时间预测(Travel Time Estimation)是指给定目标路线及出发时间来估计在该路线上的通行时间，也可以包括路线中各个路段、路口的通行时间。典型的应用场景是在地图服务提供应用中，消费者通过服务提供商提供的通行时间预测服务，根据自身情况合理规划出行路线，提升出行效率，进而有助于缓解交通拥堵等交通问题。而在现有的实际生产应用中，基于用户历史轨迹信息，初步估计在通行路线上各个路段的通行时间，再通过简单求和得到该条路线的通行时间，预测准确度无法得到保证，从而影响用户使用地图服务应用的体验。
目前使用机器学习算法来完成通行时间预测任务时主要利用用户历史轨迹序列特征信息来预测指定通行路线和出发时间下的通行时间。在DeepTTE、DeepTravel和DeepIST等基于神经网络的方法中，仅利用用户历史轨迹作为输入来进行预测，没有考虑路网的空间特征，因此预测的准确度较差。而CompactETA基于图神经网络来学习每个路段的空间特征，并根据通行路线上路段的序列特征利用位置表示方法来预测整个的通行时间。ConSTGAT利用图神经网络中的注意力机制来挖掘每个路段空间和时间特征，并使用卷积方法来提取通行路线上各路段之间的关联信息，进而预测通行时间。上述两个方法都没有考虑路口信息以及路口和路段之间复杂的关联性，从而影响预测的准确性。如何同时建模通行路线中路段和路口信息提升通行时间预测的准确度，合理设计神经网络结构并实现端到端的训练是一个亟待解决的问题。
发明内容
为解决现有技术中的问题，本发明提供一种通行时间预测模型训练方法、通行时间预测方法及设备。
本发明提供一种通行时间预测模型训练方法，包括：构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。
本发明还提供一种通行时间预测方法，该方法包括：获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列；将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述通行时间预测模型训练方法或通行时间预测方法的步骤。
本发明还提供一种非暂态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上述任一种所述通行时间预测模型训练方法或通行时间预测方法的步骤。
本发明提供的通行时间预测模型训练方法、通行时间预测方法及设备，通过合建模路口和路段的特征，训练通行时间预测模型以进行预测，有利于提升通行时间预测的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的通行时间预测模型训练方法流程图；
图2是本发明提供的通行时间预测模型训练方法中初始特征向量获取示意图；
图3是本发明提供的通行时间预测模型训练方法中通行时间预测模型的处理过程示意图；
图4是本发明提供的通行时间预测模型训练方法中路口和路段时空特征提取网络的处理过程示意图之一；
图5是本发明提供的通行时间预测模型训练方法中路口和路段时空特征提取网络的处理过程示意图之二；
图6是本发明提供的通行时间预测模型训练方法中点图和线图的转换关系示意图；
图7是本发明提供的通行时间预测模型训练方法中双重图卷积网络的处理过程示意图；
图8是本发明提供的通行时间预测模型训练方法中线图R-GCN的处理过程示意图；
图9是本发明提供的通行时间预测模型训练方法中点图R-GCN的处理过程示意图；
图10是本发明提供的通行时间预测方法的流程示意图之一；
图11是本发明提供的通行时间预测方法的流程示意图之二；
图12是本发明提供的通行时间预测模型训练装置的结构示意图；
图13是本发明提供的通行时间预测装置的结构示意图；
图14示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合图1-图14描述本发明的通行时间预测模型训练方法、通行时间预测方法及设备。
图1是本发明提供的通行时间预测模型训练方法流程图。如图1所示，所述方法包括：
步骤101、构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到。
首先构建路口和路段相关特征及轨迹相关特征；其中，路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵。路口邻接矩阵用于表示路口之间的邻接关系。路段邻接矩阵用于表示路段之间的邻接关系。路段-路口交互矩阵用于表示路口和路段的连接关系。速度特征矩阵用于表示路段的速度信息，可以根据路段的历史速度信息来构建速度特征矩阵。由于路段的平均速度与时间有关，这里引入时间步长的概念，它表示一段固定长度的时间，如5秒。速度特征矩阵根据预设时间步长计算得到。可以通过将速度特征矩阵与路段-路口交互矩阵相乘得到路口特征矩阵。
轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间，还可以包括轨迹的出发时间。历史轨迹数据可以是过去设定时间内的数据，因此根据轨迹的出发时间可以获取相应的历史轨迹数据。
步骤102、根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵。
预设路段特征是预先设定的与路段有关的特征。预设路段特征包括速度特征矩阵，还可以包括其他设定的与路段有关的特征。将预设路段特征转换成向量形式得到路段特征向量，以便于后续处理。对于路口，由于一个路口连接多条路段，因此路口的特征向量可被初始化为所连接的路段特征向量的总和。因此，可以根据路段-路口交互矩阵及路段特征向量得到路口特征向量。同时，路口也可以包含特定的属性信息(路口空间属性)，如是否有交通信号灯，这些属性也会影响对通行时间的预测。因此还可以根据路段-路口交互矩阵、路段特征向量及路口空间属性得到路口特征向量。
步骤103、将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成。
将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、路口邻接矩阵及路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，进行时间和空间特征提取，输出更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵。其中，路口和路段时空特征提取网络包括双重图卷积网络，用于提取路口和路段负载的关联特征。路口特征矩阵由路口特征向量构建而成，路段特征矩阵由路段特征向量构建而成。
步骤104、将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。
将更新后的路口特征矩阵和路段特征矩阵、历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果。根据历史轨迹中路口和路段组成的序列可以得到历史轨迹中路口和路段的序号，根据历史轨迹中路口和路段的序号以及更新后的路口特征矩阵和路段特征矩阵，可以得到历史轨迹中路口和路段对应的特征向量，可以对路口和路段对应的特征向量进行处理，输出路段通行时间、路口通行时间及总通行时间的预测结果。如果没有路口通行时间的实际数据，可以将历史轨迹中路段通行时间及总通行时间的实际值作为输出标签，如果输出标签不包括路口通行时间，则根据路段通行时间的预测值和输出标签的差值以及总通行时间的预测值和输出标签的差值计算损失函数，逐步优化训练得到训练好的通行时间预测模型。训练好的通行时间模型可以输出路段通行时间、路口通行时间及总通行时间。其中，可以输出较为准确的路段通行时间和总通行时间，但由于并未对于路口通行时间的预测进行训练，此时输出的路口通行时间的准确性不高。
本发明提供的通行时间预测模型训练方法，通过联合建模路口和路段的特征，训练通行时间预测模型，有利于提升通行时间预测的准确度。
根据本发明提供的一种通行时间预测模型训练方法，所述根据预设路段特征得到路段特征向量，包括：将至少一个所述预设路段特征分别进行嵌入式编码，得到嵌入式编码结果；将至少一个所述预设路段特征对应的所述嵌入式编码结果进行拼接后，经过全连接层处理得到所述路段特征向量；所述根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，包括：根据所述路段-路口交互矩阵获取与路口连接的路段，将所述与路口连接的路段对应的路段特征向量求和结果经过全连接层处理得到所述路口特征向量；所述根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性矩阵得到路口特征向量，包括：将所述路口空间属性矩阵进行嵌入式编码处理，得到空间属性编码结果；将所述路段特征向量求和结果和所述空间属性编码结果分别输入到全连接层，输出所述路口特征向量。
图2是本发明提供的通行时间预测模型训练方法中初始特征向量获取示意图。在根据预设路段特征得到路段特征向量时，将至少一个预设路段特征分别进行嵌入式编码，得到嵌入式编码结果；将至少一个预设路段特征对应的嵌入式编码结果进行拼接后，经过全连接层处理得到路段特征向量。如图2所示，若预设路段特征只有速度特征矩阵(路段速度)，则拼接后仍然只是路段速度的信息。
在根据路段-路口交互矩阵及路段特征向量得到路口特征向量时，若不考虑路口空间属性，则根据路段-路口交互矩阵(路网拓扑)获取与路口连接的路段，将与路口连接的路段对应的路段特征向量求和结果经过全连接层处理得到路口特征向量；若考虑路口空间属性，则将路口空间属性矩阵进行嵌入式编码处理，得到空间属性编码结果；将路段特征向量求和结果和空间属性编码结果分别输入到全连接层，输出路口特征向量。
本发明提供的通行时间预测模型训练方法，通过给出路段特征向量和路口特征向量的获取过程，实现了路口和路段的初始特征向量的获取，并根据路口和路段的初始特征向量可以获取对应的特征矩阵，为后续处理过程奠定基础。
根据本发明提供的一种通行时间预测模型训练方法，所述将所述更新后的单个预设时间步长对应路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果，包括：根据所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列得到所述历史轨迹中路口和路段的路口特征向量及路段特征向量，通过循环神经网络GRU对路口特征向量及路段特征向量进行多任务学习，分别用不同的全连接网络对目标通行时间进行拟合，输出未来预设步长时间内出发的路线的所述目标通行时间的预测结果。
因为目标路线中路口和路段可以看作是一个有序的序列，所以使用循环神经网络来获取它们之间的依赖关系。为了方便表达，使用向量q同时表示路口特征向量s和路段特征向量x。于是，其数学表达式为：
Figure BDA0003180677920000091
Figure BDA0003180677920000092
Figure BDA0003180677920000093
ci(t)＝tanh(u⊙ci-1(t)+(1-u)⊙c′i(f))，
其中⊙为向量逐元素相乘，W*和U*表示可学习的权重矩阵，b*为偏移向量。ci(t)表示第t个时间步长第i个路口或路段的特征向量。
为了估计每个路口(路段)的通行时间，将之前学习到的路口(路段)特征向量分别输入到一个全连接神经网络。需要注意的是，如果输入时没有路口的通行时间信息，则对路口通行时间不进行预测(可以输出结果，但是结果不准确)。为了估计目标路线的总通行时间，先将学习到的路口和路段的特征向量转换为一个固定长度的特征向量，这里直接采用求和方法，可表示为：
Figure BDA0003180677920000094
其中，|P|为目标路线中路口和路段的总数。
最后，将gP输入到一个全连接时间网络中，来估计总通行时间。
图3是本发明提供的通行时间预测模型训练方法中通行时间预测模型的处理过程示意图。如图3所示，将更新后的路口特征矩阵和路段特征矩阵、历史轨迹中路口和路段组成的序列输入到通行时间预测模型，根据历史轨迹中路口和路段组成的序列和更新后的单个预设时间步长对应路口特征矩阵和路段特征矩阵可以得到历史轨迹中路口和路段对应的特征向量(也即查找过程)，得到的路口特征向量分别通过对应的用于处理路口数据的循环神经网络GRU(路口GRU)进行处理，得到的路段特征向量分别通过对应的用于处理路段数据的循环神经网络GRU(路段GRU)进行处理。各个路段GRU的输出结果经过全连接层后输出各路段通行时间。各个路口GRU的输出结果经过全连接层后输出各路口通行时间。将各个路段GRU的输出结果和各个路口GRU的输出结果求和后，通过全连接层，输出总通行时间。训练过程中，输出的各路段通行时间、各路口通行时间及总通行时间为预测值。
本发明提供的通行时间预测模型训练方法，通过利用循环神经网络GRU对路口特征向量及路段特征向量进行多任务学习，分别用不同的全连接网络对目标通行时间进行拟合，输出未来预设步长时间内出发的路线的目标通行时间的预测结果，提高了目标通行时间预测的准确性。
根据本发明提供的一种通行时间预测模型训练方法，所述输出标签还包括所述历史轨迹中的各个路口的通行时间的实际值；和/或，所述预设路段特征还包括路段类型矩阵和路段长度矩阵。
如果具有历史轨迹中各个路口的通行时间的数据，可以在训练时将路段通行时间、路口通行时间和总通行时间共同设置输出标签，则将路段通行时间、路口通行时间和总通行时间均会输出较为准确的预测结果。
另外，为更多的提取路段特征，预设路段特征还可以包括路段类型矩阵和路段长度矩阵，路段类型矩阵由各个路段的路段类型构成，路段类型用于表示路段的类型，如高速路、国道等。路段长度矩阵由各个路段的路段长度构成。则在计算路段特征向量时，分别对路段特征矩阵、路段长度矩阵和速度特征矩阵进行嵌入式编码(Embed)，然后将输出结果拼接后，经过全连接层得到路段特征向量。
如图2所示，由于一条路线的通行时间与行驶速度、路段类型和通行距离等因素相关，因此在初始化路段特征向量时，需要把这些因素建模进去。由于路段的平均速度与时间有关，这里引入时间步长的概念，它表示一段固定长度的时间，如5秒。于是，在第t个时间步长路段的特征向量可表示为：
he(t)＝tanh(We·[Embed(se(t)),Embed(de),Embed(pe)])
其中，se(t)表示时刻t路段e的平均速度，de表示路段e的路段长度，pe表示路段e的路段类型。We表示可学习的参数矩阵，Embed(·)表示把输入值通过全连接层编码为特定长度的特征向量，[·]表示拼接操作。
对于路口，由于一个路口连接多条路段，因此路口的特征向量可被初始化为所连接的路段特征向量的总和。同时，路口也包含特定的属性信息，如是否有交通信号灯，这些属性也会影响对通行时间的预测，因此，也将路口的属性建模进去。于是，在时刻t(第t个时间步长)路口的特征向量可表示为：
Figure BDA0003180677920000111
其中，F(v)表示与路口v连接的路段集合，pv表示路口的属性信息。W1和W2表示可学习的参数矩阵。
需要注意的是，除路段平均速度信息外，其他属性信息为可选。因此，需根据输入的属性信息进行特征学习。
本发明提供的通行时间预测模型训练方法，通过输出标签还包括各个路口的通行时间的实际值；和/或，预设路段特征还包括路段类型矩阵和路段长度矩阵，进一步提高了通行时间预测的准确性。
根据本发明提供的一种通行时间预测模型训练方法，所述将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵，包括：将对应于各个预设时间步长的所述路口特征矩阵、所述路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵输入到双重图卷积网络，得到对应于各个预设时间步长的所述路口特征矩阵及所述路段特征矩阵的更新结果；将第t个预设时间步长对应的路口特征矩阵和第t-1个预设时间步长对应的路口隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路口隐式特征矩阵；将最后一个预设时间步长对应的路口隐式特征矩阵作为更新后的单个预设时间步长对应的路口特征矩阵；将第t个预设时间步长对应的路段特征矩阵和第t-1个预设时间步长对应的路段隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路段隐式特征矩阵；将最后一个预设时间步长对应的路段隐式特征矩阵作为更新后的单个预设时间步长对应的路段特征矩阵。
图4是本发明提供的通行时间预测模型训练方法中路口和路段时空特征提取网络的处理过程示意图之一。如图4所示，将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、路口邻接矩阵及路段邻接矩阵输入到双重图卷积网络，得到对应于各个预设时间步长的路口特征矩阵及路段特征矩阵的更新结果。
图4中两个重叠的循环神经网络GRU分别用于处理路口数据和路段数据。上侧双重图卷积输出的即为各个预设时间步长对应的特征矩阵，GRU输出的是隐式特征矩阵，将特征向量的隐式特征矩阵同时输入到下一个GRU提取特征。
在对路口数据进行处理时，将第t个预设时间步长对应的路口特征矩阵和第t-1个预设时间步长对应的路口隐式特征矩阵(也即第t-1个GRU输出的路口隐式特征矩阵)输入到循环神经网络GRU，输出第t个预设时间步长对应的路口隐式特征矩阵；将最后一个预设时间步长对应的路口隐式特征矩阵作为更新后的单个预设时间步长对应的路口特征矩阵。
将第t个预设时间步长对应的路段特征矩阵和第t-1个预设时间步长对应的路段隐式特征矩阵(也即第t-1个GRU输出的路段隐式特征矩阵)输入到循环神经网络GRU，输出第t个预设时间步长对应的路段隐式特征矩阵；将最后一个预设时间步长对应的路段隐式特征矩阵作为更新后的单个预设时间步长对应的路段特征矩阵。
本发明提供的通行时间预测模型训练方法，通过利用双重图卷积网络及循环神经网络构成的路口和路段时空特征提取网络，，输出更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵，有利于进一步提取路口和路段的时空特征，进一步提高了通行时间预测的准确性。
根据本发明提供的一种通行时间预测模型训练方法，在所述将第t个预设时间步长对应的路口特征矩阵和第t-1个预设时间步长对应的路口隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路口隐式特征矩阵之后，所述方法还包括：将所述第t个预设时间步长对应的路口隐式特征矩阵进一步通过双重图卷积网络进行特征提取，得到更新后的第t个预设时间步长对应的路口隐式特征矩阵；在将第t个预设时间步长对应的路段特征矩阵和第t-1个预设时间步长对应的路段隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路段隐式特征矩阵之后，所述方法还包括：将所述第t个预设时间步长对应的路段隐式特征矩阵进一步通过双重图卷积网络进行特征提取，得到更新后的第t个预设时间步长对应的路段隐式特征矩阵。
图5是本发明提供的通行时间预测模型训练方法中路口和路段时空特征提取网络的处理过程示意图之二。如图5所示，每个GRU输出的隐式特征矩阵没有直接输入到下一GRU，而是先经过双重图卷积进一步进行特征提取后再输入到下一GRU。
利用GRU去获取路口和路段的时间关联特征。具体而言，使用每个路口和路段过去一段时间(可定义若干个时间步长)的历史信息去学习其时间特征，可表示为：
si(t)＝GRU(hi(t)，s′i(t-1))，
xi(t)＝GRU(zi(t)，x′i(t-1))，
s′i(t)，x′i(t)＝f(B，A，xi(t)，si(t)，L)，
其中f函数为双重图卷积函数，L表示R-GCN层数，hi(t)表示第t个时间步长路段i的特征矩阵，si(t)为第t个时间步长路段i的隐式特征矩阵，zi(t)表示第t个时间步长路口i的特征矩阵，xi(t)为第t个时间步长路口i的隐式特征矩阵，s′i(t)是si(t)通过双重图卷积学习后更新的隐式特征矩阵，x′i(t)是xi(t)通过双重图卷积学习后更新的隐式特征矩阵，B，A分别表示路口和路段对应的邻接矩阵。
特别的，上述方法将路口和路段的空间信息融入到其时间特征学习中去，以充分提取它们的时空特征，即将R-GCN操作同时添加到GRU的输入层和隐层中。
本发明提供的通行时间预测模型训练方法，通过在路口和路段时空特征提取网络中，对于GRU输出的隐式特征矩阵先经过双重图卷积进一步处理后再输入到下一GRU处理，有利于提取更加丰富的特征，从而进一步提高通行时间预测的准确度。
根据本发明提供的一种通行时间预测模型训练方法，所述双重图卷积网络的每一层包括一个路口图卷积神经网络和一个路段图卷积神经网络；其中：
路口图卷积神经网络的输出表示为：
Figure BDA0003180677920000151
路段图卷积神经网络的输出表示为：
Figure BDA0003180677920000152
其中，Z(l+1)表示第l+1层路口图卷积神经网络输出的路口特征矩阵，Z(l)表示第l层路口图卷积神经网络输出的路口特征矩阵，H(l+1)表示第l+1层路段图卷积神经网络输出的路段特征矩阵，H(l)表示第l层路段图卷积神经网络输出的路段特征矩阵，M表示路段-路口交互矩阵，B表示路口邻接矩阵，A表示路段邻接矩阵，
Figure BDA0003180677920000153
表示第l+1层路口图卷积神经网络的图卷积操作，
Figure BDA0003180677920000154
表示第l+1层路段图卷积神经网络的图卷积操作，k-1表示层数。
Mi,(i→j)＝Mj,(i→j)＝1(此式表示节点和边连接的情况下取值为1)，其他情况为0。
为了联合建模路口和路段的特征，利用双重图卷积方法来学习它们之间复杂的关联关系。
在介绍双重图卷积方法之前，先介绍点图和线图。令G＝(V,E,W)表示点图，其中V和E分别表示路口集合和路段集合，W表示带权重值的邻接矩阵。G’＝(V’,E’,Q)表示线图，其中V’表示E中的有向边集合，且|V’|＝|E|，E’表示V中的节点集合。Q表示带权重的邻接矩阵。
图6是本发明提供的通行时间预测模型训练方法中点图和线图的转换关系示意图。其中，点图上的节点表示路口，边表示路段。线图中的节点表示路段，边表示路口。在点图G中，任意两个相邻的路口的权重值不同。直观上说，如果路口i有更多的出度数，路口j有更多的入度数，则两个节点所连接边的相关性较小。于是，W中的元素可表示为：
Figure BDA0003180677920000161
其中，wi，j表示路口i和路口j的邻接关系，d+(i)和d-(j)分别表示路口i和路口j的出度数和入度数。σ表示路口度数的标准方差。Ri，j表示路口i和路口j的连接关系，其中值为1表示有连接，0表示不相连。
在边图G’中，边的权重值qi，j被定义为从路段i到路段j所经过的轨迹数比例。显然，如果从路段i到路段j的轨迹数大于从路段i到其他相邻路段的轨迹数，则路段i和路段j的相关性更大。于是，Q中的元素可表示为：
Figure BDA0003180677920000162
其中，qi，j表示路段i和路段j的邻接关系，zi，j表示从路段i到路段j所经过的轨迹数，N(i)表示与路段i相邻的路段集合。
图7是本发明提供的通行时间预测模型训练方法中双重图卷积网络的处理过程示意图。如图7所示，点图R-GCN是用于处理路口数据的增强型图卷积网络，线图R-GCN是用于处理路段数据的增强型图卷积网络。当然，也可以采用普通的图卷积网络。
第l+1层路口图卷积神经网络的输出表示为：
Figure BDA0003180677920000163
第l+1层路段图卷积神经网络的输出表示为：
Figure BDA0003180677920000164
本发明提供的通行时间预测模型训练方法，通过利用双重图卷积网络更新路口特征矩阵和路段特征矩阵，以供路口和路段时空特征提取网络利用更新的路口特征矩阵进行时空特征提取，进一步提高了通行时间预测的准确性。
根据本发明提供的一种通行时间预测模型训练方法，所述路口图卷积神经网络采用增强型路口图卷积神经网络，所述路段图卷积神经网络采用增强型路段图卷积神经网络；其中，所述增强型路口图卷积神经网络和所述增强型路段图卷积神经网络分别包括多层图卷积网络GCN。
图8是本发明提供的通行时间预测模型训练方法中线图R-GCN的处理过程示意图。如图8所示，
对于所述增强型路段图卷积神经网络，每一层图卷积网络GCN的输出表示为：
c(0)＝GRU(h(0)，c(-1))，
h(1)＝σ(Rh(0)W(0))，
h(2)＝σ(R[h(0)，h(1)]W(1))，
h(l+1)＝σ(R[GRU(h(l-1)，c(l-2))，h(l)]W(l))，l＝2，3，...，n-1
其中，h(0)为所述路段特征矩阵，h(1)表示第1层图卷积网络GCN的输出，h(l)表示第l层图卷积网络GCN的输出，h(l-1)表示第l-1层图卷积网络GCN的输出，c(-1)表示初始隐式特征向量，c(l-2)表示连接h(l-2)的GRU输出的隐式特征向量，W(l)表示第l+1层图卷积网络GCN的可训练参数矩阵，σ为非线性激活函数，
Figure BDA0003180677920000171
Figure BDA0003180677920000172
A为路段邻接矩阵，I为单位矩阵，N表示
Figure BDA0003180677920000173
的行数；
图9是本发明提供的通行时间预测模型训练方法中点图R-GCN的处理过程示意图。如图9所示，对于所述增强型路口图卷积神经网络，每一层图卷积网络GCN的输出表示为：
b(0)＝GRU(z(0)，b(-1))，
z(1)＝σ(Tz(0)W(0))，
z(2)＝σ(T[z(0)，z(1)]W(1))，
z(l+1)＝σ(T[GRU(z(l-1)，b(l-2))，z(l)]W(l))，l＝2，3，...，n-1
其中，z(0)为所述路口特征矩阵，z(1)表示第1层图卷积网络GCN的输出，z(l)表示第l层图卷积网络GCN的输出，z(l-1)表示第l-1层图卷积网络GCN的输出，b(-1)表示初始隐式特征向量，，b(l-2)表示连接z(l-2)的GRU输出的隐式特征向量，W(l)表示第l+1层图卷积网络GCN的可训练参数矩阵，σ为非线性激活函数，
Figure BDA0003180677920000181
B为路口邻接矩阵，/为单位矩阵；F表示
Figure BDA0003180677920000182
的行数。
一般图卷积操作可以聚合一阶邻居节点信息，其数学表达式如下：
Figure BDA0003180677920000183
其中，N(v)表示节点v的一阶邻居节点，
Figure BDA0003180677920000184
表示第k层节点v的特征向量，
Figure BDA0003180677920000185
表示第k-1层节点u的特征向量，|N(u)|表示N(v)的数量，|N(v)|表示N(v)的数量，Wk表示可学习的参数矩阵。通过堆叠多层图卷积，节点所获取到的邻居节点的范围增大，从而获取到全局的流量特征，但这也会损失局部信息。因此，需要聚合多个尺度的空间特征来获取局部和全局的流量特征。于是，设计了图8及图9所示的增强型图卷积，简称R-GCN(R表示增强)。利用门控循环单元(Gated recurrent unit，GRU)来综合多个尺度的空间特征。
本发明提供的通行时间预测模型训练方法，通过利用增强型双重图卷积网络进行特征提取，有利于聚合局部小尺度和全局大尺度的特征，进一步提高通行时间预测的准确度。
图10是本发明提供的通行时间预测方法的流程示意图之一。该通行时间预测方法可以基于上述各实施例提供的通行时间预测模型训练方法得到的通行时间预测模型进行通行时间预测。如图10所示，本发明提供的通行时间预测方法包括：
步骤S1、获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列。
步骤S2、将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
根据路口特征矩阵、路段特征矩阵及目标路线的路口和路段的序号可以得到目标路线的路口和路段对应的特征向量。
利用通行时间预测模型的循环神经网络GRU对路口和路段的特征向量进行多任务学习，分别用不同的全连接网络对路段通行时间、路口通行时间及总通行时间进行拟合，进而得到路段通行时间、路口通行时间和总通行时间的预测结果。
本发明提供的通行时间预测方法，通过利用联合路口和路段信息建模得到的通信时间预测模型进行通行时间预测，提高了通行时间预测的准确性。
图11是本发明提供的通行时间预测方法的流程示意图之二。如图11所示，首先基于收集到的用户轨迹数据及路网数据信息，可以将每条轨迹匹配映射到路网中，从中筛选出所需特征构成样本，包括路口与路段间的连接关系，以及路口和路段预设静态属性信息(可选)，构建出路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵、路段距离矩阵(可选)、路段类型矩阵(可选)，并提取过去一段时间路段的历史速度信息来构建速度特征矩阵。接着，对训练集进行整合，获取每条轨迹出发时间和总通行时间，所经过路段、路口及其对应的通行时间，其中路口通行时间是可选输入信息。然后对模型进行训练并利用训练好的模型，预测未来一段时间内所请求的目标路线的通行时间。而基于实际通行时间的更新结果，可以进一步用来对样本进行更新，进一步实现训练数据的及时更新。
进一步地，对已知目标路线和出发时间的通行时间进行预测的问题可以表示为如下形式：利用历史用户轨迹信息D，路网信息G，已知一条目标路线P，出发时间td，通行时间预测的任务要完成的是利用这些已知信息来预测目标路线的通行时间：
Figure BDA0003180677920000201
其中Θ＝{P,vP,sP}表示整个路线及对应路段和路口的集合。模型要学习的就是映射函数
Figure BDA0003180677920000202
在模型训练过程中还需要设置模型超参数(包括学习速率β等)。在对网络进行训练的过程中，网络各层的权重及偏置值都可以在反向传播的过程中通过随机梯度下降的方法(Stochastic Gradient Descent)进行更新。
现有技术相关工作存在以下几点局限：(1)多数工作仅建模路段特征，而路口作为影响通行时间预测性能的重要元素往往被忽视；(2)路段和路口在路网中的空间拓扑特征没有被充分利用，它不仅包括小尺度范围下的局部特征，也包含相对大尺度范围的全局特征，不考虑拓扑特征或仅考虑单一情况，都无法准确挖掘路段和路口的空间特征；(3)对路段和路口之间的复杂关系缺乏深入考虑，没有联合建模路段和路口的时空特征。本发明利用路口和路段的信息，设计通行时间预测的方法及模型。基于图卷积神经网络联合建模路口和路段复杂的时空特征，能够大幅提升对路线、路段及路口通行时间预估的准确度。首先对路段和路口的动静态属性进行编码，然后设计双重图卷积网络模型根据路网拓扑结构同时挖掘路口和路段的关联特征，结合时间维度的特征，并考虑目标路线中路口和路段的时序特征，充分利用多种信息，达到更好的预测性能。
下面通过三个具体的实施例进一步说明本发明提供的通行时间预测模型的训练方法及通行时间预测方法的步骤。
实施方式一：轨迹在路口通行时间真实值未知的情况下，使用者想仅利用过去一个小时各路段的速度特征，预测在未来五分钟，给定目标路线的整体通行时间以及所经过每个路段的通行时间。依据路网拓扑结构，可以得到路段和路口对应的特征如下表所示：
特征名 维度
Adj_n(路口邻接矩阵) (450，450)
Adj_e(路段邻接矩阵) (544，544)
P_matrix(路段-路口交互矩阵) (544，450)
V_matrix(速度特征矩阵) (544，12)
首先进行训练数据的构建，先根据路网拓扑的连接关系，根据邻接矩阵构建规则分别构建出路口邻接矩阵和路段邻接矩阵。再根据路段和路口的邻接关系构建路段-路口交互矩阵。在构建好的路段邻接矩阵的基础上，整理出每条路段所对应的速度特征(速度特征矩阵，路段特征矩阵)。再将速度特征矩阵与路段-路口交互矩阵相乘得到路口特征矩阵。对于速度特征矩阵，以五分钟为最小单位聚合路段速度(此时可以预测未来五分钟内出发的通行时间，粒度可调整)，所以一小时的速度特征被切分为了12个时间片段。在构建好路段和路口相关特征后还需要构建轨迹相关的特征，如下表所示：
Figure BDA0003180677920000211
Figure BDA0003180677920000221
首先需要将原始数据中的路段和路口的id与路段和路口邻接矩阵的节点对应起来，得到每个路段和路口在邻接矩阵中对应的index值，这样一条完整的轨迹就是一个路段和路口index值交替的列表形式，同时整理出每个路段所对应的通行时间和完整轨迹所对应的总通行时间作为模型输入的标签值。
由于每条轨迹的出发时间不同，且模型中需要利用过去一小时(时间可以设置)的路况动态信息(路段通行速度)预测未来五分钟(与预设时间步长有关)的道路状态，用以估计通行起始时间在这未来五分钟内的轨迹的通行时间，所以需要根据轨迹的出发时间给每条轨迹对应上过去一小时的速度特征矩阵。
在对模型训练的过程中，首先对于路段和路口的特征矩阵进行embedding操作，将路段和路口的特征表示为特征向量形式(如图2所示)，再将得到的过去一小时的路段和路口的特征矩阵(由各个路口和路段的特征向量构成特征矩阵)以及路段的邻接矩阵，路口的邻接矩阵一起输入网络，利用图4或图5进行时空特征的表示学习，得到未来五分钟各个路段和路口所对应的特征向量。然后，根据输入的轨迹列表，根据其中路段和路口的index值选取对应的路段和路口的特征向量。通过循环神经网络对路段和路口的特征向量进行多任务学习，分别用两个不同的全连接网络对路段通行时间和目标路线通行时间进行拟合，得到模型的输出结果。
实施方式二：轨迹在路口通行时间真实值未知的情况下，使用者想利用过去一个小时路网的路段和路口的速度特征和更为丰富的其他静态特征，预测在未来五分钟的路段和路口状态下，给定目标路线的整体通行时间以及每个路段的通行时间。依据路网拓扑结构，可以得到路段和路口对应的特征如下表所示：
Figure BDA0003180677920000222
Figure BDA0003180677920000231
首先进行训练数据的构建，先根据路网拓扑的连接关系，根据邻接矩阵构建规则分别构建出路口邻接矩阵和路段邻接矩阵。再根据路段和路口的邻接关系构建路段-路口交互矩阵。在构建好的路段邻接矩阵的基础上，整理出每个路段所对应的静态和动态特征，分别为速度特征矩阵，路段距离矩阵和路段类型矩阵。其中，对于速度特征矩阵，以五分钟为最小单位聚合路段速度，所以一小时的速度特征被切分为了12个时间片段。在构建好路段和路口相关特征的后还需要构建轨迹相关的特征，如下表所示：
特征名 取值范围
路段index Z∈[0,543]
路口index Z∈[0,449]
轨迹出发时间 Z∈[1372608000,1375282800]
路段i的通行时间 Z∈[15,60]
完整轨迹的通行时间 Z∈[60,750]
首先需要将原始数据中的路段和路口的id与路段和路口邻接矩阵的节点对应起来，得到每个路段和路口在邻接矩阵中对应的index值，这样一条完整的轨迹就是一个路段和路口index值交替的列表形式，同时整理出每个路段所对应的通行时间和完整轨迹所对应的总通行时间作为模型输入的标签值。
由于每条轨迹的出发时间不同，且模型中需要利用过去一小时(时间可以设置)的路况动态信息预测未来五分钟(与预设时间步长有关)的道路状态，用以估计通行起始时间在这未来五分钟内目标路线的通行时间，所以需要根据目标路线的出发时间获取过去一小时每条轨迹对应的速度特征矩阵。
在对模型训练的过程中，首先对于路段和路口的动态和静态特征进行embedding操作，将路段和路口的特征表示为特征向量形式，再将得到的过去一小时的路段和路口的特征矩阵以及路段的邻接矩阵，路口的邻接矩阵一起输入网络，利用图4或图5进行时空特征的表示学习，得到未来五分钟各个路段和路口所对应的特征向量。然后根据输入的轨迹列表，根据其中路段和路口的index值选取对应的路段和路口的特征向量。再通过循环神经网络对路段和路口的特征向量进行多任务学习，分别用两个不同的全连接网络对路段通行时间和目标路线通行时间进行拟合，得到模型的输出结果。
实施方式三：轨迹在路口通行时间真实值已知的情况下，使用者想利用过去一个小时路网的路段和路口的速度特征和更为丰富的其他静态特征，预测在未来五分钟的路段和路口状态下，给定目标路线的整体通行时间以及每个路段及路口的通行时间。依据路网拓扑结构，可以得到路段和路口对应的特征如下表所示：
特征名 维度
路口邻接矩阵 (320，320)
路段邻接矩阵 (714，714)
路段-路口交互矩阵 (714，320)
速度特征矩阵 (714，12)
路段距离矩阵 (714，1)
路段类型矩阵 (714，1)
首先进行训练数据的构建，先根据路网拓扑的连接关系，根据邻接矩阵构建规则分别构建出路口邻接矩阵和路段邻接矩阵。再根据路段和路口的邻接关系构建路段-路口交互矩阵。在构建好的路段邻接矩阵的基础上，整理出每个路段所对应的静态和动态特征，分别为速度特征矩阵，路段距离矩阵和路段类型矩阵。其中，对于速度特征矩阵，以五分钟为最小单位聚合路段速度，所以一小时的速度特征被切分为了12个时间片段。在构建好路段和路口相关特征的后还需要构建轨迹相关的特征，如下表所示：
特征名 取值范围
路段index Z∈[0,713]
路口index Z∈[0,319]
轨迹出发时间 Z∈[1607990400,1608008400]
路段i的通行时间 Z∈[15,60]
路口i的通行时间 Z∈[15,60]
完整轨迹的通行时间 Z∈[60,750]
首先需要将原始数据中的路段和路口的id与路段和路口邻接矩阵的节点对应起来，得到每个路段和路口在邻接矩阵中对应的index值，这样一条完整的轨迹就是一个路段和路口index值交替的列表形式，同时整理出每个路段和路口所对应的通行时间和完整轨迹所对应的总通行时间作为模型输入的标签值。
由于每条轨迹的出发时间不同，且模型中需要利用过去一小时(时间可以设置)的路况动态信息预测未来五分钟(与预设时间步长有关)的道路状态，用以估计通行起始时间在这未来五分钟内目标路线的通行时间，所以需要根据目标路线的出发时间计算出过去一小时的速度特征矩阵。
在对模型训练的过程中，首先对于路段和路口的动态和静态特征进行embedding操作，将路段和路口的特征表示为特征向量形式，再将得到的过去一小时的路段和路口的特征矩阵以及路段的邻接矩阵，路口的邻接矩阵一起输入网络，利用图4或图5进行时空特征的表示学习，得到未来五分钟各个路段和路口所对应的特征向量。然后根据输入的轨迹列表，根据其中路段和路口的index值选取对应的路段和路口的特征向量。再通过循环神经网络对路段和路口的特征向量进行多任务学习，分别用不同的全连接网络对路段/路口通行时间和目标路线通行时间进行拟合，得到模型的输出结果。
下面对本发明提供的通行时间预测模型训练装置进行描述，下文描述的通行时间预测装置与上文描述的通行时间预测模型训练方法可相互对应参照。
图12是本发明提供的通行时间预测模型训练装置的结构示意图。如图12所示，所述装置包括特征构建模块10、特征向量获取模块20、时空特征提取模块30及训练模块40，其中：
特征构建模块10用于：构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；
特征向量获取模块20用于：根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；
时空特征提取模块30用于：将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；
训练模块40用于：将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。
本发明提供的通行时间预测模型训练装置，通过联合建模路口和路段的特征，训练通行时间预测模型，有利于提升通行时间预测的准确度。
图13是本发明提供的通行时间预测装置的结构示意图。如图13所示，所述装置包括特征获取模块100和预测模块200，其中：
特征获取模块100用于：获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列；
预测模块200用于：将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
本发明提供的通行时间预测装置，通过利用联合路口和路段信息建模得到的通信时间预测模型进行通行时间预测，提高了通行时间预测的准确性。
图14示例了一种电子设备的实体结构示意图，如图14所示，该电子设备可以包括：处理器(processor)1410、通信接口(Communications Interface)1420、存储器(memory)1430和通信总线1440，其中，处理器1410，通信接口1420，存储器1430通过通信总线1440完成相互间的通信。处理器1410可以调用存储器1430中的逻辑指令，以执行通行时间预测模型训练方法，该方法包括：构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。或执行通行时间预测方法，该方法包括：获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列；将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
此外，上述的存储器1430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的通行时间预测模型训练方法，该方法包括：构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。或执行通行时间预测方法，该方法包括：获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列；将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
又一方面，本发明还提供一种非暂态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以执行通行时间预测模型训练方法，该方法包括：构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。或执行通行时间预测方法，该方法包括：获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列；将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种通行时间预测模型训练方法，其特征在于，包括：
构建路口和路段相关特征及轨迹相关特征；其中，所述路口和路段相关特征包括路口邻接矩阵、路段邻接矩阵、路段-路口交互矩阵及速度特征矩阵；所述轨迹相关特征包括历史轨迹中各个路段的通行时间及总通行时间；所述速度特征矩阵根据预设时间步长计算得到；
根据预设路段特征得到路段特征向量；根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，或根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性得到路口特征向量；其中，所述预设路段特征包括所述速度特征矩阵；
将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵；其中，所述路口特征矩阵由所述路口特征向量构建而成，所述路段特征矩阵由所述路段特征向量构建而成；
将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果；根据所述预测结果及设置的输出标签进行训练，得到训练好的通行时间预测模型；其中，所述目标通行时间包括所述历史轨迹中的路段通行时间、路口通行时间及总通行时间；所述输出标签包括所述历史轨迹中的所述路段通行时间及所述总通行时间的实际值。
2.根据权利要求1所述的通行时间预测模型训练方法，其特征在于，所述根据预设路段特征得到路段特征向量，包括：
将至少一个所述预设路段特征分别进行嵌入式编码，得到嵌入式编码结果；将至少一个所述预设路段特征对应的所述嵌入式编码结果进行拼接后，经过全连接层处理得到所述路段特征向量；
所述根据所述路段-路口交互矩阵及所述路段特征向量得到路口特征向量，包括：
根据所述路段-路口交互矩阵获取与路口连接的路段，将所述与路口连接的路段对应的路段特征向量求和结果经过全连接层处理得到所述路口特征向量；
所述根据所述路段-路口交互矩阵、所述路段特征向量及路口空间属性矩阵得到路口特征向量，包括：
将所述路口空间属性矩阵进行嵌入式编码处理，得到空间属性编码结果；将所述路段特征向量求和结果和所述空间属性编码结果分别输入到全连接层，输出所述路口特征向量。
3.根据权利要求2所述的通行时间预测模型训练方法，其特征在于，所述将所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列输入到通行时间预测模型，输出未来预设步长时间内出发的路线的目标通行时间的预测结果，包括：
根据所述更新后单个预设时间步长对应的路口特征矩阵和路段特征矩阵、所述历史轨迹中路口和路段组成的序列得到所述历史轨迹中路口和路段的路口特征向量及路段特征向量，通过循环神经网络GRU对路口特征向量及路段特征向量进行多任务学习，分别用不同的全连接网络对目标通行时间进行拟合，输出未来预设步长时间内出发的路线的所述目标通行时间的预测结果。
4.根据权利要求1所述的通行时间预测模型训练方法，其特征在于，所述输出标签还包括所述历史轨迹中的各个路口的通行时间的实际值；
和/或，所述预设路段特征还包括路段类型矩阵和路段长度矩阵。
5.根据权利要求1所述的通行时间预测模型训练方法，其特征在于，所述将对应于各个预设时间步长的路口特征矩阵、路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵按照时序顺序输入到路口和路段时空特征提取网络，输出更新后的单个预设时间步长对应的路口特征矩阵和路段特征矩阵，包括：
将对应于各个预设时间步长的所述路口特征矩阵、所述路段特征矩阵、所述路口邻接矩阵及所述路段邻接矩阵输入到双重图卷积网络，得到对应于各个预设时间步长的所述路口特征矩阵及所述路段特征矩阵的更新结果；
将第t个预设时间步长对应的路口特征矩阵和第t-1个预设时间步长对应的路口隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路口隐式特征矩阵；将最后一个预设时间步长对应的路口隐式特征矩阵作为更新后的单个预设时间步长对应的路口特征矩阵；
将第t个预设时间步长对应的路段特征矩阵和第t-1个预设时间步长对应的路段隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路段隐式特征矩阵；将最后一个预设时间步长对应的路段隐式特征矩阵作为更新后的单个预设时间步长对应的路段特征矩阵。
6.根据权利要求5所述的通行时间预测模型训练方法，其特征在于，在将第t个预设时间步长对应的路口特征矩阵和第t-1个预设时间步长对应的路口隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路口隐式特征矩阵之后，所述方法还包括：将所述第t个预设时间步长对应的路口隐式特征矩阵进一步通过双重图卷积网络进行特征提取，得到更新后的第t个预设时间步长对应的路口隐式特征矩阵；
在所述将第t个预设时间步长对应的路段特征矩阵和第t-1个预设时间步长对应的路段隐式特征矩阵输入到循环神经网络GRU，输出第t个预设时间步长对应的路段隐式特征矩阵之后，所述方法还包括：将所述第t个预设时间步长对应的路段隐式特征矩阵进一步通过双重图卷积网络进行特征提取，得到更新后的第t个预设时间步长对应的路段隐式特征矩阵。
7.根据权利要求5所述的通行时间预测模型训练方法，其特征在于，所述双重图卷积网络的每一层包括一个路口图卷积神经网络和一个路段图卷积神经网络；其中：
所述路口图卷积神经网络的输出表示为：
Figure FDA0003180677910000041
所述路段图卷积神经网络的输出表示为：
Figure FDA0003180677910000042
其中，Z(l+1)表示第l+1层路口图卷积神经网络输出的路口特征矩阵，Z(l)表示第l层路口图卷积神经网络输出的路口特征矩阵，H(l+1)表示第l+1层路段图卷积神经网络输出的路段特征矩阵，H(l)表示第l层路段图卷积神经网络输出的路段特征矩阵，M表示所述路段-路口交互矩阵，B表示路口邻接矩阵，A表示路段邻接矩阵，
Figure FDA0003180677910000043
表示第l+1层路口图卷积神经网络的图卷积操作，
Figure FDA0003180677910000044
表示第l+1层路段图卷积神经网络的图卷积操作，k-1表示层数。
8.根据权利要求7所述的通行时间预测模型训练方法，其特征在于，所述路口图卷积神经网络采用增强型路口图卷积神经网络，所述路段图卷积神经网络采用增强型路段图卷积神经网络；其中，所述增强型路口图卷积神经网络和所述增强型路段图卷积神经网络分别包括多层图卷积网络GCN；
对于所述增强型路段图卷积神经网络，每一层图卷积网络GCN的输出表示为：
c(0)＝GRU(h(0),c(-1)),
h(1)＝σ(Rh(0)W(0)),
h(2)＝σ(R[h(0),h(1)]W(1)),
h(l+1)＝σ(R[GRU(h(l-1),c(l-2)),h(l)]W(l)),l＝2,3,…,n-1
其中，h(0)为所述路段特征矩阵，h(1)表示第1层图卷积网络GCN的输出，h(l)表示第l层图卷积网络GCN的输出，h(l-1)表示第l-1层图卷积网络GCN的输出，c(-1)表示初始隐式特征向量，c(l-2)表示连接h(l-2)的GRU输出的隐式特征向量，W(l)表示第l+1层图卷积网络GCN的可训练参数矩阵，σ为非线性激活函数，
Figure FDA0003180677910000051
Figure FDA0003180677910000052
A为路段邻接矩阵，I为单位矩阵，N表示
Figure FDA0003180677910000053
的行数；
对于所述增强型路口图卷积神经网络，每一层图卷积网络GCN的输出表示为：
b(0)＝GRU(z(0),b(-1)),
z(1)＝σ(Tz(0)W(0)),
z(2)＝σ(T[z(0),z(1)]W(1)),
z(l+1)＝σ(T[GRU(z(l-1),b(l-2)),z(l)]W(l)),l＝2,3,…,n-1
其中，z(0)为所述路口特征矩阵，z(1)表示第1层图卷积网络GCN的输出，z(l)表示第l层图卷积网络GCN的输出，z(l-1)表示第l-1层图卷积网络GCN的输出，b(-1)表示初始隐式特征向量，,b(l-2)表示连接z(l-2)的GRU输出的隐式特征向量，W(l)表示第l+1层图卷积网络GCN的可训练参数矩阵，σ为非线性激活函数，
Figure FDA0003180677910000054
B为路口邻接矩阵，I为单位矩阵；F表示
Figure FDA0003180677910000061
的行数。
9.一种基于权利要求1至8任一所述通行时间预测模型训练方法的通行时间预测方法，其特征在于，包括：
获取路口特征矩阵、路段特征矩阵及目标路线的路口和路段组成的序列；
将所述路口特征矩阵、所述路段特征矩阵及所述目标路线的路口和路段组成的序列输入到通行时间预测模型，输出未来预设时间步长内出发时所述目标路线的目标通行时间；其中，所述目标通行时间包括路段通行时间、路口通行时间和总通行时间。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述通行时间预测模型训练方法的步骤或如权利要求9所述通行时间预测方法的步骤。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述通行时间预测模型训练方法的步骤或如权利要求9所述通行时间预测方法的步骤。
CN202110845562.6A 2021-07-26 2021-07-26 通行时间预测模型训练方法、通行时间预测方法及设备 Active CN113762595B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110845562.6A CN113762595B (zh) 2021-07-26 2021-07-26 通行时间预测模型训练方法、通行时间预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110845562.6A CN113762595B (zh) 2021-07-26 2021-07-26 通行时间预测模型训练方法、通行时间预测方法及设备

Publications (2)

Publication Number Publication Date
CN113762595A true CN113762595A (zh) 2021-12-07
CN113762595B CN113762595B (zh) 2022-11-15

Family

ID=78788047

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110845562.6A Active CN113762595B (zh) 2021-07-26 2021-07-26 通行时间预测模型训练方法、通行时间预测方法及设备

Country Status (1)

Country Link
CN (1) CN113762595B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463977A (zh) * 2022-02-10 2022-05-10 北京工业大学 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN114926980A (zh) * 2022-04-22 2022-08-19 阿里巴巴（中国）有限公司 交通数据挖掘方法、装置、电子设备及计算机程序产品
CN115578861A (zh) * 2022-10-14 2023-01-06 东南大学 一种基于嵌入式特征选择策略的高速公路交通流预测方法
CN116454772A (zh) * 2023-06-14 2023-07-18 浙江浙能迈领环境科技有限公司 用于集装箱中压配电柜的泄压装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112183862A (zh) * 2020-09-29 2021-01-05 长春理工大学 一种城市路网的交通流量预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111968375A (zh) * 2020-08-27 2020-11-20 北京嘀嘀无限科技发展有限公司 交通流量的预测方法、装置、可读存储介质及电子设备
CN112183862A (zh) * 2020-09-29 2021-01-05 长春理工大学 一种城市路网的交通流量预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘易诗等: "基于时空关联度加权的LSTM短时交通速度预测", 《地理信息世界》 *
刘浩等: "城市路网短期行程时间预测研究", 《交通运输系统工程与信息》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114463977A (zh) * 2022-02-10 2022-05-10 北京工业大学 一种基于车路协同多源数据融合交通流预测的路径规划方法
CN114926980A (zh) * 2022-04-22 2022-08-19 阿里巴巴（中国）有限公司 交通数据挖掘方法、装置、电子设备及计算机程序产品
CN114926980B (zh) * 2022-04-22 2023-04-14 阿里巴巴（中国）有限公司 交通数据挖掘方法、装置、电子设备及计算机程序产品
CN115578861A (zh) * 2022-10-14 2023-01-06 东南大学 一种基于嵌入式特征选择策略的高速公路交通流预测方法
CN115578861B (zh) * 2022-10-14 2023-10-10 东南大学 一种基于嵌入式特征选择策略的高速公路交通流预测方法
CN116454772A (zh) * 2023-06-14 2023-07-18 浙江浙能迈领环境科技有限公司 用于集装箱中压配电柜的泄压装置及方法
CN116454772B (zh) * 2023-06-14 2023-08-25 浙江浙能迈领环境科技有限公司 用于集装箱中压配电柜的泄压装置及方法

Also Published As

Publication number Publication date
CN113762595B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN109754605B (zh) 一种基于注意力时态图卷积网络的交通预测方法
Bi et al. Daily tourism volume forecasting for tourist attractions
US11270579B2 (en) Transportation network speed foreeasting method using deep capsule networks with nested LSTM models
CN112382082B (zh) 一种拥堵区域交通运行状态预测方法及系统
Huang et al. A dynamical spatial-temporal graph neural network for traffic demand prediction
CN113313947B (zh) 短期交通预测图卷积网络的路况评估方法
CN111383452A (zh) 一种城市路网短期交通运行状态估计与预测方法
CN114299723B (zh) 一种交通流量预测方法
Wang et al. A multi-view bidirectional spatiotemporal graph network for urban traffic flow imputation
CN111242395B (zh) 用于od数据的预测模型构建方法及装置
CN114495507B (zh) 融合时空注意力神经网络和交通模型的交通流预测方法
CN115206092B (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115204478A (zh) 一种结合城市兴趣点和时空因果关系的公共交通流量预测方法
CN113643532A (zh) 一种区域交通的预测方法以及设备
CN117076993A (zh) 基于云原生的多智能体博弈决策系统及方法
CN117131979A (zh) 基于有向超图及注意力机制的交通流速度预测方法及系统
Lin A VaFALCON neuro-fuzzy system for mining of incomplete construction databases
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
CN115544307A (zh) 基于关联矩阵的有向图数据特征提取与表达方法和系统
CN115658971A (zh) 基于注意力机制的多层异质网络节点重要度评估方法
CN114372627A (zh) 基于混合深度学习框架的城市车辆旅行时间估计方法
He et al. Dyna-PTM: OD-enhanced GCN for metro passenger flow prediction
Xu et al. Traffnet: Learning causality of traffic generation for road network digital twins

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
GR01 Patent grant
GR01 Patent grant