CN114550453A - 模型训练方法、确定方法、电子设备及计算机存储介质 - Google Patents

模型训练方法、确定方法、电子设备及计算机存储介质 Download PDF

Info

Publication number
CN114550453A
CN114550453A CN202210169797.2A CN202210169797A CN114550453A CN 114550453 A CN114550453 A CN 114550453A CN 202210169797 A CN202210169797 A CN 202210169797A CN 114550453 A CN114550453 A CN 114550453A
Authority
CN
China
Prior art keywords
road
data
predicted
prediction
deep learning
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
CN202210169797.2A
Other languages
English (en)
Other versions
CN114550453B (zh
Inventor
秦伟
崔恒斌
甘杉林
李伟
刘凯奎
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.)
Alibaba China Co Ltd
Original Assignee
Alibaba China 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 Alibaba China Co Ltd filed Critical Alibaba China Co Ltd
Priority to CN202210169797.2A priority Critical patent/CN114550453B/zh
Publication of CN114550453A publication Critical patent/CN114550453A/zh
Application granted granted Critical
Publication of CN114550453B publication Critical patent/CN114550453B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

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

Abstract

本申请实施例提供了一种模型训练方法、装置、电子设备及计算机存储介质。该方法，包括：基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据；基于所述道路在所述预测时刻之后的道路真实通行状态，确定标签数据；使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练。该方法可以准确估计通行状态。

Description

模型训练方法、确定方法、电子设备及计算机存储介质
技术领域
本申请实施例涉及出行服务技术领域，尤其涉及一种模型训练方法、确定方法、电子设备及计算机存储介质。
背景技术
在行驶路线规划、行驶路线引导等出行服务场景中，需要预测行驶路线的预计到达时间(Estimated Time of Arrival，ETA)，而预计到达时间的预测准确度依赖道路通行状态的预测。
由于影响道路通行状态的因素多变且复杂，因此，现有技术一般很难准确预测道路通行状态，特别是难以预测道路何时会出现拥堵状态，而拥堵状态恰恰是影响到达时间预测准确度的最主要因素。为此，需要提供能够相对准确预测道路通行状态的技术方案，以提升ETA预测准确度。
发明内容
有鉴于此，本申请实施例提供一种通行状态确定方案，以至少部分解决上述问题。
根据本申请实施例的第一方面，提供了一种模型训练方法，包括：基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据；基于所述道路在所述预测时刻之后的道路真实通行状态，确定标签数据；使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练。
根据本申请实施例的第二方面，提供了一种预计到达时间的确定方法，包括获取道路的即时动态数据；根据所述即时动态数据构建输入特征数据；将所述输入特征数据输入用于预测道路通行状态的深度学习模型中，并获取所述深度学习模型输出的所述道路在未来N个预测时间段的预测通行状态，所述深度学习模型通过上述的方法训练；判断所述未来N个预测时间段的预测通行状态中是否有拥堵状态，若有拥堵状态，则根据所述未来N个预测时间段的预测通行状态确定所述道路的预计到达时间。
根据本申请实施例的第三方面，提供了一种模型训练装置，包括：第一确定模块，用于基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据；第二确定模块，用于基于所述道路在所述预测时刻之后的道路真实通行状态，确定标签数据；训练模块，用于使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练。
根据本申请实施例的第四方面，提供了一种预计到达时间的确定装置，包括：获取模块，用于获取道路的即时动态数据；构建模块，用于根据所述即时动态数据构建输入特征数据；预测模块，用于将所述输入特征数据输入用于预测道路通行状态的深度学习模型中，并获取所述深度学习模型输出的所述道路在未来N个预测时间段的预测通行状态，所述深度学习模型通过前述实施例的装置训练；第三确定模块，用于判断所述未来N个预测时间段的预测通行状态中是否有拥堵状态，若有拥堵状态，则根据所述未来N个预测时间段的预测通行状态确定所述道路的预计到达时间。
根据本申请实施例的第五方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如第一方面或第二方面所述的方法对应的操作。
根据本申请实施例的第六方面，提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面或第二方面所述的方法。
根据本申请实施例的第七方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如前述的方法对应的操作。
根据本申请实施例提供的方法可以基于道路的通行状态变化具有连续性和关联性的原理，利用深度学习模型学习预测时刻之前的历史时间段的道路动态数据和道路静态数据的特征，进而预测出预测时刻之后的未来时间段的道路通行状态。
附图说明
为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1A为根据本申请实施例一的一种模型训练方法的步骤流程图；
图1B为根据本申请实施例一的步骤S106的子步骤示意图；
图2A为根据本申请实施例二的一种预计到达时间的确定方法的步骤流程图；
图2B为根据本申请实施例二的一种使用场景的示意图；
图3为根据本申请实施例三的一种装置的结构框图；
图4为根据本申请实施例四的一种装置的结构框图；
图5为根据本申请实施例五的一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员所获得的所有其他实施例，都应当属于本申请实施例保护的范围。
下面结合本申请实施例附图进一步说明本申请实施例具体实现。
实施例一
参照图1A，示出了本申请实施例一的模型训练方法的步骤流程图。
在本实施例中，该方法可以配置于服务端或云端，用于对规划道路的通行状态进行预测，以便后续根据预测结果进行导航路径规划或者发布不同的通行引导信息。当然，在其他实施例中，该方法也可以配置在终端设备或者其他设备上，用于实现规划道路的通行状态的预测，本实施例对此不作限制。
该方法包括以下步骤：
步骤S102：基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据。
在本实施例中，一条道路中可以包括一个或一个以上的路段(link)，路段的划分方式可以根据需要确定，如依据路口进行划分，两个路口之间的道路部分作为一个路段等。预测时刻可以是任何适当的时刻，对此不作限制。
在一示例中，步骤S102可以实现为：获取所述道路在预测时刻之前的多个历史时间段的历史车流量数据、历史车辆密度数据和历史通行时间作为道路动态数据；以所述道路包括的路段的路段长度和车道数量作为所述道路静态数据；基于所述道路静态数据和所述道路动态数据，确定所述训练数据。
由于不同时间段道路动态数据差异可能比较明显，因此训练数据中可以包括预测时刻之前的M个历史时间段的道路动态数据。如，训练数据中包括历史车流量数据序列、历史车辆密度数据序列、历史通行时间序列等。经过研究确定，基于这三个数据对通行状态进行预测不仅能够提升预测准确性，而且可以避免其他数据携带的误差对通行状态预测的不利影响，有效提升了预测准确性。
以历史车流量数据序列为例，其包括历史时间段1至M的车流量数据，其可以表示为{车流量1，车流量2，…车流量M}。车流量可以是单位时间内通过该道路出口的车辆数，或者车流量可以认为是在该历史时间段内通过该道路的总车辆数等，其可以根据需要确定，对此不作限制。
类似地，历史车辆密度数据序列可以包括历史时间段1～M的车辆密度数据，其可以表示为{车辆密度1，车辆密度2，…车辆密度M}。例如，车辆密度数据为该时间段内车辆数与道路的面积的比值。
历史通行时间数据序列包括历史时间段1～M的通行时间，其可以表示为{通行时间1，通行时间2，…通行时间M}。通行时间用于指示车辆通过道路的用时。
需要说明的是，前述的车流量数据、车辆密度、通行时间、车道数量和路段长度等可以采用向量方式表示。训练数据可以有多条，每条训练数据与一个预测时刻对应。例如，训练数据1与预测时刻t1对应，该训练数据1中包括道路静态数据以及M个历史时间段的道路动态数据。通过将道路静态数据和道路动态数据进行拼接可以形成训练数据。
步骤S104：基于所述道路在所述预测时刻之后的道路真实通行状态，确定标签数据。
标签数据可以是预测时刻之后的N个未来时间段对应的道路真实通行状态的序列。
步骤S106：使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练。
深度学习模型可以是CNN模型，其用于对预测时刻之后的一个或一个以上的未来时间段的道路通行状态进行预测。
在一可行方式中，如图1B所示，步骤S106可以通过下述子步骤实现：
子步骤S1061：将所述训练数据输入待训练的深度学习模型中，获取所述深度学习模型输出的所述道路的预测标签。
例如，将多个所述历史时间段对应的训练数据输入所述深度学习模型中，获得所述深度学习模型输出的在所述预测时刻之后的多个未来时间段的预测标签。
所述预测标签用于指示所述道路的预测道路通行状态。预测标签指示的通行状态可以是：极度拥堵、拥堵、正常、通畅和极度通畅等5种不同的状态。当然，其可以根据需要适当调整，如增加或者减少，且不同的通行状态可以指示不同的通行所需时间或者平均车速，如对于“正常”，其平均车速可以为50km/h～60km/h等。
以未来时间段包括5个为例，每个未来时间段的时长为10分钟，则根据训练数据确定未来时间段1(对应时间为10：00～10：10)的预测标签为正常，表示没有拥堵。未来时间段2(对应时间为10：10～10：20)的预测标签为正常。未来时间段3(对应时间为10：20～10：30)的预测标签为拥堵。未来时间段4(对应时间为10：30～10：40)的预测标签为拥堵。未来时间段5(对应时间为10：40～10：50)的预测标签为极度拥堵。
子步骤S1062：根据所述道路的预测标签和所述道路对应的所述标签数据，确定损失值。
子步骤S1062可以实现为：针对每个未来时间段，从所述标签数据中获取与所述未来时间段对应的目标标签；计算每个未来时间段的预测标签与相应的所述目标标签的交叉熵；将多个所述未来时间段对应的交叉熵进行累加处理，并根据所述累加结果确定所述损失值。
例如，针对未来时间段1，从标签数据确定未来时间段1对应的目标标签，根据未来时间段1对应的预测标签和目标标签计算交叉熵(即使用预测标签的向量和目标标签的向量计算交叉熵)。
采用类似的方式获得未来时间段2对应的预测标签和目标标签的交叉熵，以及其他未来时间段的预测标签和目标标签的交叉熵。
将N个未来时间段的交叉熵进行累加，将多个训练数据的累加结果再次进行累加，并以最终的累加结果作为损失值，这样可以提升后续调整的准确性，并降低深度学习模型总训练过程需要的调整次数，从而提升效率。
子步骤S1063：根据所述损失值对所述深度学习模型的参数进行调整。
例如，通过反向传导的方式，根据损失值对深度学习模型的参数进行调整，以使训练后计算出的损失值较小，从而使得深度学习模型的预测准确度提升。
通过该方法可以基于道路的通行状态变化具有连续性和关联性的原理，利用深度学习模型学习预测时刻之前的历史时间段的道路动态数据和道路静态数据的特征，进而预测出预测时刻之后的未来时间段的道路通行状态。
实施例二
参照图2A，示出了本申请的实施例二的预计到达时间的确定方法的步骤流程示意图。
步骤S202：获取道路的即时动态数据。
即时动态数据可以包括即时车流量数据、即时车辆密度数据和即时通行时间数据。其可以采用任何适当的方式获得，故不再赘述。
步骤S204：根据所述即时动态数据构建输入特征数据。
输入特征数据的构建方式可以与构建训练数据的方式类似。例如，针对当前时刻，获取当前时刻之前的N个时间段的车流量数据序列、车辆密度数据序列和通行时间序列，将这些序列转化为向量，并获取道路中路段的路段长度和车道数量转化为相应的向量，将这些向量拼接成输入特征数据。
步骤S206：将所述输入特征数据输入用于预测道路通行状态的深度学习模型中，并获取所述深度学习模型输出的所述道路在未来N个预测时间段的预测通行状态。
训练的深度学习模型可以输出预测出的未来N个预测时间段的预测通行状态。例如为极度拥堵、拥堵、正常、通畅和极度通畅等。图2B示出一种构建输入特征数据，并使用深度学习模型预测道路通行状态的示意图。
步骤S208：判断所述未来N个预测时间段的预测通行状态中是否有拥堵状态，若有拥堵状态，则根据所述未来N个预测时间段的预测通行状态确定所述道路的预计到达时间。
预计到达时间(即ETA)可以理解为从A点(道路入口)到达B点(如道路出口)的预估时间。
若预测时间段的预测通行状态中有拥堵状态，则根据未来N个预测时间段的预测通行状态、道路中路段的路段长度和车道数量，确定道路的预计到达时间。需要说明的是，拥堵状态可以包括拥堵和极度拥堵等不同的等级。
例如，根据道路的各路段长度和车道数量等可以估计出一个初始预计到达时间序列，初始预计到达时间序列包括多个预测时间段对应的预计到达时间。若深度学习模型输出的预测通行状态中存在拥堵状态，则从道路中对应路段的历史通行记录中检索出该路段处于拥堵状态时对应的预计到达时间，并使用检索出的预计到达时间替换初始预计到达时间序列中处于拥堵状态的时间段对应的预计到达时间，从而获得新的预计到达时间序列，该预计到达时间序列可以作为道路的预计到达时间。
通过本实施例，使用即时动态数据预测道路在未来N个预测时间段内的预测通行状态，进而根据预测通行状态确定道路的预计到达时间，这样估计出的预测通行状态综合了道路的即时动态数据，确保了预测的准确性。
本实施例的方法可以由任意适当的具有数据处理能力的电子设备执行，包括但不限于：服务器、移动终端(如手机、PAD等)和PC机等。
实施例三
参照图3，示出了本申请的实施例三的模型训练装置的结构示意图。
在本实施例中，模型训练装置，包括：
第一确定模块302，用于基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据；
第二确定模块304，用于基于所述道路在所述预测时刻之后的道路真实通行状态，确定标签数据；
训练模块306，用于使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练。
可选地，第一确定模块302用于获取所述道路在预测时刻之前的多个历史时间段的历史车流量数据、历史车辆密度数据和历史通行时间数据作为道路动态数据；以所述道路包括的路段的路段长度和车道数量作为所述道路静态数据；基于所述道路静态数据和所述道路动态数据，确定所述训练数据。
可选地，训练模块306用于将所述训练数据输入待训练的深度学习模型中，获取所述深度学习模型输出的所述道路的预测标签，所述预测标签用于指示所述道路的预测道路通行状态；根据所述道路的预测标签和所述道路对应的所述标签数据，确定损失值；根据所述损失值对所述深度学习模型的参数进行调整。
可选地，训练模块306用于将多个所述历史时间段对应的训练数据输入所述深度学习模型中，获得所述深度学习模型输出的在所述预测时刻之后的多个未来时间段的预测标签，所述预测标签用于所述道路在所述预测标签对应的未来时间段内的预测道路通行状态。
可选地，训练模块306用于针对每个未来时间段，从所述标签数据中获取与所述未来时间段对应的目标标签；计算每个未来时间段的预测标签与相应的所述目标标签的交叉熵；将多个所述未来时间段对应的交叉熵进行累加处理，并根据所述累加结果确定所述损失值。
本实施例的装置用于实现前述多个方法实施例中相应的方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。
实施例四
参照图4，示出了本申请实施例四的预计到达时间的确定装置的结构框图。
该装置包括：
获取模块402，用于获取道路的即时动态数据；
构建模块404，用于根据所述即时动态数据构建输入特征数据；
预测模块406，用于将所述输入特征数据输入用于预测道路通行状态的深度学习模型中，并获取所述深度学习模型输出的所述道路在未来N个预测时间段的预测通行状态，所述深度学习模型通过前述实施例的装置训练；
第三确定模块408，用于判断所述未来N个预测时间段的预测通行状态中是否有拥堵状态，若有拥堵状态，则根据所述未来N个预测时间段的预测通行状态确定所述道路的预计到达时间。
可选地，第三确定模块408用于根据所述道路的未来N个预测时间段的预测通行状态、所述道路的路段长度以及车道数量，确定所述道路的预计到达时间。
本实施例的装置用于实现前述多个方法实施例中相应的方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的装置中的各个模块的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。
实施例五
参照图5，示出了根据本申请实施例五的一种电子设备的结构示意图，本申请具体实施例并不对电子设备的具体实现做限定。
如图5所示，该电子设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：
处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。
通信接口504，用于与其它电子设备或服务器进行通信。
处理器502，用于执行程序510，具体可以执行上述通行状态确定方法实施例中的相关步骤。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，或者是被配置成实施本申请实施例的一个或多个集成电路。智能设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
程序510具体可以用于使得处理器502执行前述方法实施例对应的操作。
程序510中各步骤的具体实现可以参见上述通行状态确定方法实施例中的相应步骤和单元中对应的描述，在此不赘述。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程描述，在此不再赘述。
需要指出，根据实施的需要，可将本申请实施例中描述的各个部件/步骤拆分为更多部件/步骤，也可将两个或多个部件/步骤或者部件/步骤的部分操作组合成新的部件/步骤，以实现本申请实施例的目的。
上述根据本申请实施例的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的通行状态确定方法。此外，当通用计算机访问用于实现在此示出的通行状态确定方法的代码时，代码的执行将通用计算机转换为用于执行在此示出的通行状态确定方法的专用计算机。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。
以上实施方式仅用于说明本申请实施例，而并非对本申请实施例的限制，有关技术领域的普通技术人员，在不脱离本申请实施例的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本申请实施例的范畴，本申请实施例的专利保护范围应由权利要求限定。

Claims (10)

1.一种模型训练方法，其中，所述方法包括：
基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据；
基于所述道路在所述预测时刻之后的道路真实通行状态，确定标签数据；
使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练。
2.根据权利要求1所述的方法，其中，所述基于道路在预测时刻之前的道路动态数据和道路静态数据，确定训练数据，包括：
获取所述道路在预测时刻之前的多个历史时间段的历史车流量数据、历史车辆密度数据和历史通行时间数据作为道路动态数据；
以所述道路包括的路段的路段长度和车道数量作为所述道路静态数据；
基于所述道路静态数据和所述道路动态数据，确定所述训练数据。
3.根据权利要求2所述的方法，其中，所述使用所述训练数据和所述标签数据对用于预测道路通行状态的深度学习模型进行训练，包括：
将所述训练数据输入待训练的深度学习模型中，获取所述深度学习模型输出的所述道路的预测标签，所述预测标签用于指示所述道路的预测道路通行状态；
根据所述道路的预测标签和所述道路对应的所述标签数据，确定损失值；
根据所述损失值对所述深度学习模型的参数进行调整。
4.根据权利要求3所述的方法，其中，所述将所述训练数据输入待训练的深度学习模型中，并获取所述深度学习模型输出所述道路的预测标签，包括：
将多个所述历史时间段对应的训练数据输入所述深度学习模型中，获得所述深度学习模型输出的在所述预测时刻之后的多个未来时间段的预测标签，所述预测标签用于所述道路在所述预测标签对应的未来时间段内的预测道路通行状态。
5.根据权利要求4所述的方法，其中，所述根据所述道路的预测标签和所述道路对应的所述标签数据，确定损失值，包括：
针对每个未来时间段，从所述标签数据中获取与所述未来时间段对应的目标标签；
计算每个未来时间段的预测标签与相应的所述目标标签的交叉熵；
将多个所述未来时间段对应的交叉熵进行累加处理，并根据所述累加结果确定所述损失值。
6.一种预计到达时间的确定方法，包括：
获取道路的即时动态数据；
根据所述即时动态数据构建输入特征数据；
将所述输入特征数据输入用于预测道路通行状态的深度学习模型中，并获取所述深度学习模型输出的所述道路在未来N个预测时间段的预测通行状态，所述深度学习模型通过权利要求1-5中任一项所述的方法训练；
判断所述未来N个预测时间段的预测通行状态中是否有拥堵状态，若有拥堵状态，则根据所述未来N个预测时间段的预测通行状态确定所述道路的预计到达时间。
7.根据权利要求6所述的方法，其中，所述根据所述未来N个预测时间段的预测通行状态确定所述道路的预计到达时间包括：
根据所述道路的未来N个预测时间段的预测通行状态、所述道路的路段长度以及车道数量，确定所述道路的预计到达时间。
8.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的方法对应的操作，或者，执行如权利要求6或7所述的方法对应的操作。
9.一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-5中任一所述的方法，或者，实现如权利要求6或7所述的方法。
10.一种计算机程序产品，包括计算机指令，所述计算机指令指示计算设备执行如权利要求1-5中任一项所述的方法对应的操作，或者，如权利要求6或7所述的方法对应的操作。
CN202210169797.2A 2022-02-23 2022-02-23 模型训练方法、确定方法、电子设备及计算机存储介质 Active CN114550453B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210169797.2A CN114550453B (zh) 2022-02-23 2022-02-23 模型训练方法、确定方法、电子设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210169797.2A CN114550453B (zh) 2022-02-23 2022-02-23 模型训练方法、确定方法、电子设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN114550453A true CN114550453A (zh) 2022-05-27
CN114550453B CN114550453B (zh) 2023-09-26

Family

ID=81676843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210169797.2A Active CN114550453B (zh) 2022-02-23 2022-02-23 模型训练方法、确定方法、电子设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114550453B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120188102A1 (en) * 2011-01-26 2012-07-26 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction
US20140364149A1 (en) * 2013-06-07 2014-12-11 Apple Inc. Modeling Significant Locations
WO2016095708A1 (zh) * 2014-12-16 2016-06-23 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
JP2018055482A (ja) * 2016-09-29 2018-04-05 パナソニックＩｐマネジメント株式会社 取得装置および交通状況取得システム
CN110459051A (zh) * 2019-06-21 2019-11-15 平安国际智慧城市科技股份有限公司 路段特征模型训练方法、装置、终端设备及存储介质
CN110570651A (zh) * 2019-07-15 2019-12-13 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统
CN110675621A (zh) * 2019-05-23 2020-01-10 北京嘀嘀无限科技发展有限公司 预测交通信息的系统和方法
US20200135018A1 (en) * 2018-10-24 2020-04-30 Bluesignal Corporation Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same
CN111462484A (zh) * 2020-03-31 2020-07-28 腾讯科技（深圳）有限公司 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN111797858A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型训练方法、行为预测方法、装置、存储介质及设备
CN111862605A (zh) * 2020-07-20 2020-10-30 腾讯科技（深圳）有限公司 路况检测方法、装置、电子设备及可读存储介质
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
CN112651550A (zh) * 2020-12-21 2021-04-13 北京世纪高通科技有限公司 一种路况预测方法、装置及可读存储介质
CN113313303A (zh) * 2021-05-28 2021-08-27 南京师范大学 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
CN113806585A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120188102A1 (en) * 2011-01-26 2012-07-26 International Business Machines Corporation Systems and methods for road acoustics and road video-feed based traffic estimation and prediction
US20140364149A1 (en) * 2013-06-07 2014-12-11 Apple Inc. Modeling Significant Locations
WO2016095708A1 (zh) * 2014-12-16 2016-06-23 高德软件有限公司 一种交通流量预测方法、预测模型生成方法及装置
JP2018055482A (ja) * 2016-09-29 2018-04-05 パナソニックＩｐマネジメント株式会社 取得装置および交通状況取得システム
US20200135018A1 (en) * 2018-10-24 2020-04-30 Bluesignal Corporation Method of predicting traffic congestion and controlling traffic signals based on deep learning and server for performing the same
CN111797858A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 模型训练方法、行为预测方法、装置、存储介质及设备
CN110675621A (zh) * 2019-05-23 2020-01-10 北京嘀嘀无限科技发展有限公司 预测交通信息的系统和方法
CN110459051A (zh) * 2019-06-21 2019-11-15 平安国际智慧城市科技股份有限公司 路段特征模型训练方法、装置、终端设备及存储介质
CN110570651A (zh) * 2019-07-15 2019-12-13 浙江工业大学 一种基于深度学习的路网交通态势预测方法及系统
CN111462484A (zh) * 2020-03-31 2020-07-28 腾讯科技（深圳）有限公司 拥堵状态的确定方法、装置、设备及计算机可读存储介质
CN111862605A (zh) * 2020-07-20 2020-10-30 腾讯科技（深圳）有限公司 路况检测方法、装置、电子设备及可读存储介质
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
CN112651550A (zh) * 2020-12-21 2021-04-13 北京世纪高通科技有限公司 一种路况预测方法、装置及可读存储介质
CN113313303A (zh) * 2021-05-28 2021-08-27 南京师范大学 基于混合深度学习模型的城市区域路网过车流量预测方法及其系统
CN113806585A (zh) * 2021-09-14 2021-12-17 北京百度网讯科技有限公司 一种获取路段通行时长的方法、装置、电子设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
张威威;李瑞敏;谢中教;: "基于深度学习的城市道路旅行时间预测", 系统仿真学报, no. 10 *
李莉贞;: "基于深度学习的无线网络数据时空建模和预测研究", 萍乡学院学报, no. 03 *
沈小军等: "基于LVQ神经网络的交通拥堵预测研究", 《交通运输工程与信息学报》 *
沈小军等: "基于LVQ神经网络的交通拥堵预测研究", 《交通运输工程与信息学报》, no. 03, 15 September 2009 (2009-09-15) *

Also Published As

Publication number Publication date
CN114550453B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN114973677A (zh) 用于确定预计到达时间的方法和设备
CN107945507A (zh) 行程时间预测方法及装置
CN109841078B (zh) 导航数据处理方法及其装置、存储介质
CN113256985B (zh) 一种交通拥堵预测方法、装置和电子设备
CN112037518A (zh) 一种用于预测交通状态的计算方法、系统及车辆
CN111862605A (zh) 路况检测方法、装置、电子设备及可读存储介质
CN116046008A (zh) 基于态势感知的路线规划方法、系统及效能评估装置
CN111862590A (zh) 路况预测方法、装置及存储介质
Muralidharan et al. Freeway traffic flow simulation using the link node cell transmission model
CN115392548A (zh) 一种针对出行站点的出行需求预测方法、装置及存储介质
CN113806585B (zh) 一种获取路段通行时长的方法、装置、电子设备及存储介质
CN105303838A (zh) 确定道路流量的方法和装置
CN114543829A (zh) 模型训练方法、导航轨迹的推荐方法、装置及车辆
CN113899381A (zh) 用于生成路线信息的方法、装置、设备、介质和产品
CN111160594B (zh) 一种到达时间的预估方法、装置及存储介质
CN110956299B (zh) 一种到达时间预估方法及装置
CN116698075A (zh) 路网数据处理方法、装置、电子设备及存储介质
CN114550453B (zh) 模型训练方法、确定方法、电子设备及计算机存储介质
Du et al. Online stochastic routing incorporating real-time traffic information
CN116740664A (zh) 一种轨迹预测方法和装置
CN116442787A (zh) 一种电动汽车能耗预警方法、装置、介质及设备
CN115762166A (zh) 确定路口通行时长的方法、装置、电子设备及存储介质
CN115660156A (zh) 一种用于交通站点客流拥堵延误预测的方法及系统
CN114781243A (zh) Eta预测及模型训练方法、设备、介质及产品
JP2023005015A (ja) 交通状況予測装置、および、交通状況予測方法

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