CN113838289A

CN113838289A - 一种状态确定方法、装置、存储介质及电子装置

Info

Publication number: CN113838289A
Application number: CN202111436370.6A
Authority: CN
Inventors: 彭垚; 王强
Original assignee: Zhejiang Xinjian Expressway Co ltd; Shanghai Supremind Intelligent Technology Co Ltd
Current assignee: Zhejiang Xinjian Expressway Co ltd; Shanghai Supremind Intelligent Technology Co Ltd
Priority date: 2021-11-30
Filing date: 2021-11-30
Publication date: 2021-12-24

Abstract

本发明实施例提供了一种状态确定方法、装置、存储介质及电子装置，涉及数据处理识别的技术领域。其方法包括：获取目标节点的参数信息；基于所述参数信息，确定所述目标节点的空间信息和时序信息；根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息。通过本发明，解决了状态确定精度低的问题，进而达到了提高状态确定精度的效果。

Description

一种状态确定方法、装置、存储介质及电子装置

技术领域

本发明实施例涉及数据处理识别领域，具体而言，涉及一种状态确定方法、装置、存储介质及电子装置。

背景技术

随着智能交通和智慧城市的建设，对于交通状态的感知和预测成为交通运营系统的核心问题。当时的交通运营是利用交通的历史数据，进行准确的预测，例如，通过交通状态的预测来进行交通管理。但是，当前对预测参数的影响因素较多，例如，例如：每天的时刻、节假日、季节、天气等等，这些影响因素增加了对预测参数进行建模的难度。

目前随着预测方式的不断发展，当前的预测方式存在着因交通节点的空间状态无法表示或无法表示高速或城市道路这种复杂的拓扑结构，从而导致交通节点或城市道路交通状态预测精度低的问题。

发明内容

本发明实施例提供了一种状态确定方法、装置、存储介质及电子装置，以至少解决相关技术中状态确定精度低的问题。

根据本发明的一个实施例，提供了一种状态确定方法，包括：

获取目标节点的参数信息；

基于所述参数信息，确定所述目标节点的空间信息和时序信息，其中，所述空间信息包括所述目标节点中的第一节点与其它所述目标节点之间的空间连接信息，所述时序信息包括所述目标节点在第一时序的状态信息；

根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息，其中，所述目标时序为不包括所述第一时序的时序；

其中，所述根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息包括：

获取所述时序信息；

对所述时序信息执行第二处理，其中，所述第二处理包括：对所述时序信息执行第二预测操作，以得到第二预测结果；在确定所述第二预测结果满足第二条件的情况下，根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息。

在一个示例性实施例中，所述基于所述参数信息，确定所述目标节点的空间信息包括：

获取第一初始模型；

对所述第一初始模型进行第一迭代处理，以得到第一模型；

基于所述第一模型，对所述参数信息执行第一处理，以得到所述空间信息，其中，所述第一处理包括：获取所述参数信息；基于所述第一模型，对所述参数信息进行空间学习处理，以得到所述空间信息。

在一个示例性实施例中，所述基于所述第一模型，对所述参数信息执行第一处理，以得到所述空间信息包括：

式中，

用于指示在时间点t，所述参数信息中位于第(l - 1) 层的需要进行空间学习处理的节点；

用于指示所述空间信息中，在时间点t，经所述第一模型进行空间学习处理后的位于第l层的节点，A为用于指示所述目标节点之间的连接关系的邻接矩阵。

在一个示例性实施例中，所述基于所述参数信息，确定所述目标节点的时序信息包括：

获取所述参数信息中位于目标层的节点时序信息；

基于预设的第二模型，对所述节点时序信息进行排序学习处理，以得到所述时序信息。

在一个示例性实施例中，所述基于预设的第二模型，对所述节点时序信息进行排序学习处理，以得到所述时序信息包括：

式中，所述

为所述时序信息中执行所述第一处理的所述参数信息，所述

用于指示所述空间信息中，在时间点t，经所述第一模型进行空间学习处理后的位于第l层的节点。

在一个示例性实施例中，所述根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息包括：

获取所述空间信息；

对所述空间信息执行第一预测操作，以得到第一预测结果；

在确定所述第一预测结果满足第一条件的情况下，根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息；

在确定所述第一预测结果不满足第一条件的情况下，执行所述第一处理。

在一个示例性实施例中，所述根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息还包括：

在确定所述第二预测结果不满足第二条件的情况下，基于第二模型，对所述参数信息进行排序学习处理，以得到目标时序信息，并对所述目标时序信息执行所述第二处理。

根据本发明的另一个实施例，提供了一种状态确定装置，包括：

参数采集模块，用于获取目标节点的参数信息；

信息确定模块，用于基于所述参数信息，确定所述目标节点的空间信息和时序信息，其中，所述空间信息包括所述目标节点中的第一节点与其它所述目标节点之间的空间连接信息，所述时序信息包括所述目标节点在第一时序的状态信息；

状态模块，用于根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息，其中，所述目标时序为不包括所述第一时序的时序；

其中，所述信息确定模块包括：

时序信息采集单元，用于获取所述时序信息；

第二处理单元，用于对所述时序信息执行第二处理，其中，所述第二处理包括：对所述时序信息执行第二预测操作，以得到第二预测结果；在确定所述第二预测结果满足第二条件的情况下，根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息。

根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，由于对目标节点的空间信息和时序信息进行确定，并由空间信息和时序信息共同对目标节点在目标时序的状态进行确定，因而可以避免因空间状态和时序状态不能精确确定导致的状态确定精度低的问题，因此，可以解决状态确定精度低问题，达到提高状态确定精度的效果。

附图说明

图1是本发明实施例的一种状态确定方法的移动终端的硬件结构框图；

图2是根据本发明实施例的一种状态确定方法的流程图；

图3是根据本发明实施例的一种状态确定装置的结构框图；

图4是根据本发明具体实施例的流程图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种状态确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种状态确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种状态确定方法，图2是根据本发明实施例的的流程图，如图2所示，该流程包括如下步骤：

步骤S202，获取目标节点的参数信息；

在本实施例中，获取参数信息是为了根据目标节点的参数对目标节点的历史状态进行分析，从而对目标节点在未来某个时刻的状态进行预测。

其中，目标节点可以（但不限于）是城市或高速道路的交通节点、路口、路段、摄像点等信息采集节点，参数信息可以（但不限于）包括交通状态参数（如行车数量、车辆类型、车辆状态、行人数量、行人类型、行人状态等）、道路参数（如道路等级、交通等级、监控级别、道路宽度、路段长度、交通线位置、交通线长度等）、天气参数、时间参数、节假日参数、季节参数等；参数信息的获取可以（但不限于）是通过雷达、摄像头、线圈等各种传感器采集的，也可以是通过互联网从政府相关部门（如气象局、节日办等）的政务网站获取的，还可以是通过人工预先输入的。

需要说明的是，目标节点可以通过图数据进行表示，例如，交通网络可以被表示成一个图

，其中

是节点（道路或路段）集，N表示交通网络中节点的数目，

表示描述节点之间连接关系的边的集合。

步骤S204，基于参数信息，确定目标节点的空间信息和时序信息，其中，空间信息包括目标节点中的第一节点与其它目标节点之间的空间连接信息，时序信息包括目标节点在第一时序的状态信息；

在本实施例中，确定目标节点的空间信息和时序信息是为了根据空间信息和时序信息对目标节点在目标时序进行预测，从而避免因空间和时序建模困难导致的预测精度低。

其中，空间信息还可以包括（但不限于）目标节点的数量、目标节点的类型（路口、路段、采集点）、目标节点的位置坐标、目标节点的信息采集范围边界及坐标等信息；时序信息还可以包括（但不限于）第一时序的时间等信息；空间连接信息包括（但不限于）第一节点于其它目标节点的连接方式、连接方向（角度）、连接位置等信息；第一时序可以（但不限于）是一个时序，也可以是多个时序，且第一时序可以是连续的时序，也可以是不连续的时序

需要说明的是，空间信息和时序信息可以通过矩阵表示，也可以通过连续数字或列表进行标识，还可以通过其他方式进行标识，只要可以被识别即可。

例如，可以由一个邻接矩阵A表示节点之间的连接关系，在特定时刻t，交通网络中的某个节点的交通状态可以表示为

，其中

的第i行对应交通网络中的节点

。

步骤S206，根据空间信息以及时序信息，确定目标节点在目标时序的状态信息，其中，目标时序为不包括第一时序的时序。

在本实施例中，在确定空间信息和时序信息后，再根据空间信息和时序信息对目标时序的状态进行判断，从而提高对目标节点的状态判断的精确度。

其中，目标时序可以是再第一时序之后的任一未来时序，也可以是再第一时序之前的任一历史时序；状态信息的确定可以（但不限于）是根据空间信息和时序信息，通过预设的算法模型确定的，也可以是通过其它方式确定的。

例如，在进行交通状态预测时，是根据之前M个时间步，预测接下来H个时间步的交通状态，具体可以表示为：

（1）

式中，

表示进行预测的算法模型；

表示预测的在时间t的交通状态，

为时刻t 的实际交通状态，其实际表达方式可以通过空间信息和时序信息组成的矩阵来表示。

通过上述步骤，由于对目标节点的空间信息和时序信息进行了确定，因而能够避免因空间信息表示不到位以及因时序问题局限导致的状态确定精度低，解决了状态确定精度低的问题，提高了状态确定精度。

其中，上述步骤的执行主体可以为基站、终端等，但不限于此。

在一个可选的实施例中，基于参数信息，确定目标节点的空间信息包括：

步骤S2042，获取第一初始模型；

步骤S2044，对第一初始模型进行第一迭代处理，以得到第一模型；

步骤S2046，基于第一模型，对参数信息执行第一处理，以得到空间信息，其中，第一处理包括：获取参数信息；基于第一模型，对参数信息进行空间学习处理，以得到空间信息。

在本实施例中，在对第一初始模型进行迭代后，得到能够执行空间信息提取确定的第一模型，随后再利用第一模型对参数信息进行参数提取和识别，从而确定空间信息。

其中，第一初始模型可以（但不限于）是未进行训练前的基于谱的图滤波器模型、基于空间的图滤波模型、采用注意力机制辅助的图滤波操作算法模型等；第一迭代处理包括（但不限于）是利用参数信息或其它信息对第一初始模型进行反复迭代，也可以是其它形式的迭代；空间学习处理可以（但不限于）是基于空间的图滤波操作对参数信息进行空间信息的学习迭代，模拟学习每个时间点的节点的空间信息。

在一个可选的实施例中，基于第一模型，对参数信息执行第一处理，以得到空间信息包括：

式中，

用于指示在时间点t，参数信息中位于第(l - 1) 层的需要进行空间学习处理的节点；

用于指示空间信息中，在时间点t，经第一模型进行空间学习处理后的位于第l层的节点，A为用于指示所述目标节点之间的连接关系的邻接矩阵。

在本实施例中， Filter() 包括且不限定于GCN过滤方法、采用注意力机制辅助的图滤波操作等。

在一个可选的实施例中，基于参数信息，确定目标节点的时序信息包括：

步骤S2048，获取参数信息中位于目标层的节点时序信息；

步骤S20410，基于预设的第二模型，对节点时序信息进行排序学习处理，以得到时序信息。

在本实施例中，对目标层进行节点时序信息是为了保证迭代后的结果能够满足执行第一处理的节点需求。

其中，节点时序信息包括（但不限于）目标层的层数信息、目标节点的总层数信息、目标层中的节点的时序排列信息等；排序学习处理可以（但不限于）是根据排序算法或排序模型按照预定时序对目标节点进行重新排列，还可以是其它方式的排序学习。

在一个可选的实施例中，基于预设的第二模型，对节点时序信息进行排序学习处理，以得到时序信息包括：

式中，

为时序信息中执行第一处理的参数信息，

用于指示空间信息中，在时间点t，经第一模型进行空间学习处理后的位于第l层的节点。

在本实施例中，Sequence()函数是一种序列模型方法，该函数可以对节点时序信息进行时序排序，从而得到时序满足需求的参数信息。

在一个可选的实施例中，根据空间信息以及所述时序信息，确定目标节点在目标时序的状态信息包括：

步骤S2062，获取空间信息；

步骤S2064，对空间信息执行第一预测操作，以得到第一预测结果；

步骤S2066，在确定第一预测结果满足第一条件的情况下，根据空间信息以及时序信息，确定目标节点在目标时序的状态信息；

步骤S2068，在确定第一预测结果不满足第一条件的情况下，执行第一处理。

在本实施例中，执行第一预测操作确保空间信息是满足预测需求的，并在不满足的情况下对空间信息进行重新迭代预测，从而提高预测精度和预测效率。

其中，第一预测操作可以（但不限于）是根据参数信息中的历史数据对历史时序中的状态进行预测后的结果与空间信息进行比对，也可以是其它方式的预测操作。

在一个可选的实施例中，根据空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息包括：

步骤S20610，获取时序信息；

步骤S20612，对时序信息执行第二处理，其中，第二处理包括：对时序信息执行第二预测操作，以得到第二预测结果；在确定第二预测结果满足第二条件的情况下，根据空间信息以及时序信息，确定目标节点在目标时序的状态信息；

步骤S20614，在确定第二预测结果不满足第二条件的情况下，基于第二模型，对参数信息进行排序学习处理，以得到目标时序信息，并对目标时序信息执行第二处理。

在本实施例中，执行第二预测操作确保时序信息是满足预测需求的，并在不满足的情况下对时序信息进行重新迭代预测，从而提高预测精度和预测效率。

其中，第二预测操作可以（但不限于）是根据参数信息中的历史数据对历史时序中的状态进行预测后的结果与时序信息进行比对，也可以是其它方式的预测操作。

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根据上述实施例的方法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，但很多情况下前者是更佳的实施方式。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（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，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的方法。

在本实施例中还提供了一种状态确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本发明实施例的一种状态确定装置的结构框图，如图3所示，该装置包括：

参数采集模块32，用于获取目标节点的参数信息；

信息确定模块34，用于基于所述参数信息，确定所述目标节点的空间信息和时序信息，其中，所述空间信息包括所述目标节点中的第一节点与其它所述目标节点之间的空间连接信息，所述时序信息包括所述目标节点在第一时序的状态信息；

状态确定模块36，用于根据所述空间信息以及所述时序信息，确定所述目标节点在目标时序的状态信息，其中，目标时序为不包括第一时序的时序。

在一个可选的实施例中，信息确定模块34包括：

第一初始模型单元，用于获取第一初始模型；

第一迭代单元，用于对所述第一初始模型进行第一迭代处理，以得到第一模型；

第一处理单元，用于基于第一模型，对参数信息执行第一处理，以得到空间信息，其中，第一处理包括：获取参数信息；基于第一模型，对参数信息进行空间学习处理，以得到空间信息。

在一个可选的实施例中，第一处理单元346包括：

式中，

用于指示在时间点t，参数信息中位于第(l - 1) 层的需要进行空间学习处理的节点；

用于指示空间信息中，在时间点t，经第一模型进行空间学习处理后的位于第l层的节点，A为用于指示目标节点之间的连接关系的邻接矩阵。

在一个可选的实施例中，信息确定模块34还包括：

节点时序采集单元，用于获取参数信息中位于目标层的节点时序信息；

第二处理单元，用于基于预设的第二模型，对节点时序信息进行排序学习处理，以得到时序信息。

在一个可选的实施例中，第二处理单元3410包括：

式中，

为时序信息中执行第一处理的参数信息，

在一个可选的实施例中，状态确定模块36包括：

空间信息采集单元，用于获取空间信息；

第一预测单元，用于对空间信息执行第一预测操作，以得到第一预测结果；

第一状态确定单元，用于在确定第一预测结果满足第一条件的情况下，根据空间信息以及时序信息，确定目标节点在目标时序的状态信息；

第一执行单元，用于在确定第一预测结果不满足第一条件的情况下，执行第一处理。

在一个可选的实施例中，状态确定模块36还包括：

第二执行单元，用于在确定第二预测结果不满足第二条件的情况下，基于第二模型，对参数信息进行排序学习处理，以得到目标时序信息，并对目标时序信息执行第二处理。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

下面结合具体实施例对本发明进行说明。

如图4所示，本发明公开了一种交通状态参数的短时预测的通用结构，提高了短时交通状态参数预测的准确度，该方法包括以下步骤：

步骤S41：通过雷达、摄像头、线圈等各种传感器采集交通状态参数；

步骤S42：将城市或高速道路网络表示成图数据，每个节点是一个带有交通状态参数的路段，每条边表示路段之间的连通关系；

步骤S43：将不同时刻的图数据表示成时序图；

步骤S44：将图数据进行图滤波操作得到的数据作为序列模型的输入；

步骤S45：将每个经过图滤波得到的数据输入到序列模型，其输出为下一时刻的交通状态预测；

步骤S46：将真实的交通状态参数与预测的交通状态参数作对比，以评估模型的预测能力。

需要说明的是，在本发明中，交通预测任务可以抽象为：

S51，交通网络可以被表示成一个图

，其中

是节点（道路或路段）集，N表示交通网络中节点的数目，

表示描述节点之间连接关系的边的集合。节点之间的连接可以由一个邻接矩阵A表示；

S52，在特定时刻t，交通网络的交通状态可以表示为

，其中

的第i行对应交通网络中的节点

；

S53，交通预测的任务是根据之前M个时间步，预测接下来H个时间步的交通状态，具体可以表示为：

（2）

式中，

表示要学习的模型；

表示在时间t的预测交通状态。

具体步骤为：

S54，将交通网络表示为S51中所述的图数据；

S55，将历史数据按照时间顺序表示成S52中所述的时间序列；

S56，利用空间的图滤波操作学习每个时间点的节点表示，如下式所示：

（3）

式中，

表示在时间点t，第(l - 1) 个学习层后的节点表示；

表示第l个基于空间的图滤波层后的节点表示，它也被用作第l个序列模型的输入；

S57，基于空间的图滤波操作的输出是一个序列，即

，该序列被继续输入一个序列模型中，以捕获时序关系，具体如下：

（4）

式中，输出

作为下一个基于空间的图滤波层的输入，Sequence()函数是一种序列模型方法。

S58，最后，

通过上述的L层模型得到，用来表示预测的最终输出；最初的输入

可以被初始化成交通状态

等节点时序信息。

上述所述步骤中，Filter() 包括且不限定于GCN过滤方法、采用注意力机制辅助的图滤波操作等；Sequence()函数包括且不限定于GRU模型、Transformer模型等。

本方法描述了一种通用的模型训练结构，这个训练结构中包含了处理空间信息和时间序列的操作，从而达到同时利用空间和时间信息用于预测交通状态的目的。

本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。

一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。