CN114639233A

CN114639233A - 一种拥堵状态预测方法、装置、电子设备及存储介质

Info

Publication number: CN114639233A
Application number: CN202011484496.6A
Authority: CN
Inventors: 钟子宏
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2020-12-15
Filing date: 2020-12-15
Publication date: 2022-06-17
Anticipated expiration: 2040-12-15
Also published as: CN114639233B

Abstract

本申请实施例涉及计算机技术领域，尤其涉及一种拥堵状态预测方法、装置、电子设备及存储介质，用以在时间序列中存在缺失数据时保证预测结果的准确性。该方法为：系统服务器分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中，再基于各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息。这样，即使某一交通特征数据缺失，系统服务器也可以对缺失的交通特征数据进行填充，进而可以基于上述集合，准确地预测出下一时刻的拥堵状态。

Description

一种拥堵状态预测方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及计算机技术领域，尤其涉及一种拥堵状态预测方法、装置、电子设备及存储介质。

背景技术

在交通服务系统中，为了给出更加合理的路线规划，往往需要对该交通服务系统生成的目标路线的拥堵状态进行预测。

相关技术下，系统服务器通常需要按照设定时间周期，针对目标路线获取相应的交通特征数据集合，再采用获得的交通特征数据集合，对目标路线在未来某一时刻的拥堵状态进行预测。

但是，当由于客观因素(如，天气原因、驾驶员错误操作，设备故障等)，造成交通特征数据集合中某一交通特征数据缺失时，会导致预测结果存在较大的误差。

现有技术下，针对交通特征数据缺失的情况，没有有效的解决方案，因此，当遇到这种情况时，无法准确地对拥堵状态进行预测。

因此，需要一种新的拥堵状态预测方法、装置、电子设备及存储介质，以克服上述问题。

发明内容

本申请实施例提供一种拥堵状态预测方法、装置、电子设备及存储介质，用以在时间序列中存在缺失数据时保证预测结果的准确性。

本申请提供的具体技术方案如下：

第一方面，一种拥堵状态预测方法，包括：

分别获取目标路线中的各个路段当前时刻的交通特征数据集合和拥堵状态指示信息，每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据；

分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于所述各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中；

基于所述各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息。

第二方面，一种拥堵状态预测装置，包括：

第一处理单元，用于分别获取目标路线中的各个路段当前时刻的交通特征数据集合和拥堵状态指示信息，每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据；

第二处理单元，用于分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于所述各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中；

第三处理单元，用于基于所述各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息。

可选的，所述第一权重和所述第二权重，是基于已训练的循环神经网络模型获得的，所述第三处理单元对所述循环神经网络模型的训练过程如下：

采用各个样本路段的历史交通特征数据集合，对所述循环神经网络模型进行迭代训练，其中，在一次迭代过程中，执行以下操作：

获取一个样本路段在一个历史时刻的真实的第一拥堵状态指示信息；

将所述样本路段在所述一个历史时刻的历史交通特征数据集合和所述第一拥堵状态指示信息，输入所述循环神经网络模型，预测所述样本路段在所述一个历史时刻的下一时刻的第二拥堵状态指示信息；

基于所述一个历史时刻的下一时刻的真实的第三拥堵状态指示信息和所述第二拥堵状态指示信息的误差，对所述循环神经网络模型的网络参数进行相应调整，其中，所述循环神经网络模型的网络参数至少包括所述状态权重和所述特征权重。

第三方面，一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于读取并执行所述存储器中存储的可执行指令，以实现如第一方面所述的方法。

第四方面，一种计算机可读存储介质，当所述计算机可读存储介质中的指令由处理器执行时，使得所述处理器能够执行如第一方面所述的方法。

本申请实施例中，系统服务器分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中，再基于各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息。这样，即使由于客观因素(如，天气原因、驾驶员错误操作，设备故障等)，造成交通特征数据集合中某一交通特征数据缺失，系统服务器也可以及时准确地对缺失的交通特征数据进行估计和填充，进而可以基于完整的交通特征数据集合，准确地预测出下一时刻的拥堵状态，有效提高了交通服务系统输出的预测结果准确性，保证了交通服务系统的服务性能，提高了交通服务系统的容错性和鲁棒性。

附图说明

图1为本申请实施例中现有技术下系统服务器预测拥堵状态的逻辑示意图；

图2为本申请实施例中系统服务器补充缺失的交通特征数据后预测拥堵状态的宏观逻辑示意图；

图3为本申请实施例中系统服务器预测拥堵状态应用架构示意图；

图4A为本申请实施例中系统服务器预测拥堵状态的宏观流程示意图；

图4B为本申请实施例中系统服务器获得估计数据的流程示意图；

图4C为本申请实施例中系统服务器确定第一时间阶数的流程示意图；

图4D为本申请实施例中系统服务器基于第一均值和第二均值获得估计数据的流程示意图；

图5为本申请实施例中目标路线以及目标路段的示意图；

图6为本申请实施例中系统服务器预测拥堵状态的详细流程示意图；

图7为本申请实施例中系统服务器补充缺失的交通特征数据后预测拥堵状态的详细逻辑示意图；

图8为本申请实施例中系统服务器训练LR模型和RNN模型的示意图；

图9为本申请实施例中系统服务器训练LR模型的流程示意图；

图10为本申请实施例中系统服务器训练RNN模型的流程示意图；

图11为本申请实施例中系统服务器逻辑架构示意图；

图12为本申请实施例中系统服务器实体架构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步地详细描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

为便于对本申请实施例的理解，下面先对几个概念进行简单介绍：

时间序列：指针对某一对象，将某一个统计指标在不同时刻上的各个数值，按时间先后顺序排列而形成的序列。

本申请实施例中，系统服务器通常需要按照设定时间周期，针对目标路线包含的各个路段获得相应的交通特征数据集合等等，那么，针对一个路段在不同时刻获得的交通特征数据集合按时间先后顺序排列而形成的序列，便可以看作是一组时间序列。

循环神经网络(Recurrent Neural Network，RNN)：是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络。

采集对象：能够影响拥堵状态预测的各种因素。

本申请实施例中，采集对象包括但不限于以下内容：用户，道路，交通设备等等。

交通特征数据：在各个路段上，针对采集对象获得的具有交通因素的各类数据。

本申请实施例中，交通特征数据包括但不限于以下内容：用户驾驶行为信息、路况信息、交通设备信息。

用户驾驶行为信息：用户在驾驶过程当中产生的各类行为数据。

实际应用中，用户驾驶行为信息包括但不限于以下内容：用户在使用智能应用(TAI APP)的过程中，通过点击行为产生的一系列行为数据，如，点击音乐播放按键，产生了与音乐播放相关的行为数据，点击拨打电话按键，产生了与拨打电话相关的行为数据等等；在出行服务中的行为数据，如，加油数据、违章数据。

路况信息：各个路段的物理特性，以及各个路段上行驶的车辆的状态。

实际应用中，路况信息包括但不限于以下内容：每小时平均车流量、路段平均车速、经度、维度、海拔、车道平均车速、车道宽度、车道数、车道弯度、道路方向(左转、右转、拐弯、执行)等等。

交通设备信息：交通设备的状态。

实际应用中，交通设备信息包括但不限于以下内容：有无交通灯、交通灯的工作状态、交通灯的切换时长等。

标签：用于表征各个路段的拥堵状态指示信息。

本申请实施例中，用Y代表拥堵状态指示信息，并用Y的取值表征是否拥堵，当平均时速低于10km/h，标记为拥堵，令Y取值为1，当该路段平均时速高于10km/h，标记为不拥堵，令Y取值为0。

人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

机器学习(Machine Learning，ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服等，相信随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

作为拥堵状态预测方案的一种应用，相关技术下，在交通服务系统中，系统服务器需要按照设定时间周期，针对目标路线获取交通特征数据集合。

参阅图1所示，假设在时刻T-P，……，时刻T-1，时刻T，系统服务器针对目标路线获取了交通特征数据集合{X_T-P，……，X_T-1，X_T}，并对该交通特征数据集合采用深度神经网络(Deep Neural Networks，DNN)模型进行特征处理，获得高阶特征集合{E_T-P，……，E_T-1，E_T}，以及基于上述高阶特征集合，获得目标路线在下一时刻的标签，例如：基于高阶特征E_T-P获得标签Y_T-P+1，基于高阶特征E_T-1获得Y_T，基于高阶特征E_T，获得Y_T+1，最终获得标签集合{Y_T-P+1，……，Y_T，Y_T+1}，最终，基于标签集合{Y_T-P+1，……，Y_T，Y_T+1}，输出目标路线在未来时刻T-P+1，……，时刻T，时刻T+1的拥堵状态指示信息的预测结果{O_T-P+1，……，O_T，O_T+1}，其中，图1所示的W为特征权重，U、V均为状态权重。

然而，相关技术下，针对交通特征数据缺失的情况，没有有效的解决方案，因此，当遇到这种情况时，无法准确地对拥堵状态指示信息进行预测。

有鉴于此，为了解决上述问题，本申请实施例中，系统服务器在各个时刻，对下一时刻的拥堵状态指示信息进行预测的过程中，若发现存在交通特征数据缺失的情况，采用以下方式进行解决：

系统服务器分别获取目标路线中的各个路段当前时刻的交通特征数据集合和拥堵状态指示信息，每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据；

系统服务器分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中；

系统服务器基于各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息。

换言之，由于各个路段是连续的，因此，在各个路段上针对各个采集对象获得的交通特征数据也具有一定的数据连惯性，因此，系统服务器可以基于人工智能技术，总结历史交通特征数据集合和拥堵状态指示信息的规律，针对交通特征数据集合中缺失的至少一个采集对象的交通特征数据的每个目标路段，采用机器学习的方法，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中。

例如，参阅图2所示，以一个路段i为例，假设在时刻T，针对目标路线中的路段i获取的交通特征数据集合

中存在缺失数据，那么，系统服务器会基于历史交通特征数据集合

对缺失数据进行填充，获得估计数据，并将估计数据补充到路段i的交通特征数据集合

中，接着，对该交通特征数据集合

采用DNN模型进行特征处理，获得高阶特征

再基于上述高阶特征，获得路段i在T+1时刻的标签

最终基于标签

输出目标路线中的路段i在时刻T+1的拥堵状态指示信息的预测结果

本申请实施例提供的方案涉及人工智能的拥堵状态指示信息预测等技术，具体通过如下实施例进行说明：

具体实施中，通过系统服务器进行拥堵状态指示信息预测的流程可以应用于多种应用场景。本申请实施例中，参阅图3所示，在一个应用场景中，实现拥堵状态指示信息预测的系统架构包括系统服务器310，采集设备320组成。其中，采集设备320可以安装在各个地方，例如，采集设备320可以安装在车载电脑上，这样，可以通过用户在车载电脑上的操作，对用户驾驶行为信息进行采集，也可以安装在道路两侧，通过摄像头拍摄道路以及道路上行驶车辆的画面，对路况信息进行采集，还可以安装在交通设备(如，交通灯)中，通过对交通设备的运行状态进行监控，对交通设备信息进行采集，采集设备320可以通过网络300(如有线网络或者无线网络)与系统服务器310建立连接。上述图3的例子只是实现本发明实施例的一个应用架构实例，本申请实施例并不限于上述图3描述的应用结构。

需要说明的是，本申请的文件中涉及的系统服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

基于上述设计构思，参阅图4A所示，本申请实施例中，系统服务器实现拥堵状态预测的详细流程如下：

步骤400：系统服务器分别获取目标路线中的各个路段当前时刻的交通特征数据集合和拥堵状态指示信息，每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据。

具体的，系统服务器可以通过安装在各个地方的采集设备，分别获取目标路线中的各个路段当前时刻的交通特征数据集合，每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据。

例如，假设当前时刻为时刻T，参阅图5所示，在获得输入的起点和终点后，系统服务器获得目标路线A，以及系统服务器将目标路线分为路段1，路段2，……，路段m，共m个路段。

作为一个实施例，系统服务器通过安装在各个地方的采集设备，分别获取目标路线中的m个路段的交通特征数据集合。

以路段h为例，路段h为路段1—路段m中任意一路段，系统服务器可以通过安装在各辆汽车上的采集设备，获取行驶过程中途经路段h的各辆汽车对应的用户驾驶行为信息，如，3次违章(均值)，加油1次(均值)；

系统服务器可以通过安装在路段h两侧的采集设备，获取路段h的路况信息，如，车道数4，道路方向直行，车流量15辆/小时(均值)；

系统服务器可以通过安装在交通设备中的采集设备，获取部署在路段h上的交通设备信息，如，无交通灯。

将上述交通特征数据组成集合，获得路段h在时刻T的交通特征数据集合

其他路段，获取交通特征数据集合的方式与路段h相同，在此不再赘述。

步骤410：系统服务器分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中。

具体实施中，由于客观因素(如，天气原因、驾驶员错误操作，设备故障等)的存在，可能会出现交通特征数据集合中某一交通特征数据缺失的情况。

本申请实施例中，将缺失了至少一个采集对象的交通特征数据的路段，称为目标路段，并将任意一个目标路段，记为路段i，后续实施例中均采用相同描述方式，将不再赘述。

例如，在时刻T，由于在路段i两侧安装的交通灯中的采集设备损坏，缺失了路段i的交通设备信息，即

包含的交通特征数据中存在缺失数据，为了不影响对路段i在时刻T+1的拥堵状态指示信息的预测，需要基于路段i的历史交通特征数据集合和拥堵状态指示信息及时进行数据补充，其中，所谓历史交通特征数据集合，即是指在当前时刻之前的各个历史时刻，针对目标路线包含的各个路段获得的针对各个采集对象的交通特征数据集合，如，

等等，所谓拥堵状态指示信息是指即是指在当前时刻之前的各个历史时刻，针对目标路线包含的各个路段获得的拥堵状态指示信息，如，

等等。

具体实施中，参阅图4B所示，为了获得估计数据，可以采用但不限于以下方式：

步骤4100：系统服务器根据从当前时刻开始到之前2P’+1个连续历史时刻的交通特征数据集合，以每次移动一个历史时刻为滑动窗口，获得P’+1个特征数据序列，其中，每个特征数据序列包括其中P’+1个连续历史时刻的交通特征数据集合。

具体的，所谓以每次移动一个历史时刻为滑动窗口，是指在生成前述P’+1个特征数据序列的过程中，每次新生成的特征数据序列的起始时刻，是上一个特征数据序列的起始时刻的下一时刻，其中，P’为时间阶数的初始值，可以基于经验值预先设置。

例如，假设存在一个特征数据序列

则它的上一个特征数据序列为

它的下一个特征数据序列为

步骤4200：系统服务器根据滑动顺序，将获得的各个特征数据序列组成特征数据序列矩阵。

具体的，针对任一个目标路段，可以按照的各个特征数据序列的起始时刻的先后顺序，将获得的各个特征数据序列组成特征数据序列矩阵。

例如，仍以路段i为例，基于上述各个特征数据序列，组成如下矩阵：

步骤4300：系统服务器获得目标路段从当前时刻开始到之前P’+1个时刻的拥堵状态指示信息组成的二分类标签序列。

具体的，针对任一个目标路段，按照拥堵状态指示信息的起始时刻的先后顺序，将获得目标路段从当前时刻开始到之前P’+1个时刻的拥堵状态指示信息组成相应的二分类标签序列。

例如，仍以路段i为例，系统服务器获得的路段i从当前时刻开始到之前P’+1个时刻的拥堵状态指示信息组成的二分类标签序列为：

步骤4400：系统服务器基于获得的二分类标签序列与特征数据序列矩阵之间的相关性运算结果，获得第一时间阶数P。

具体实施中，参阅图4C所示，在执行步骤4400时，可以采用但不限于以下方式：

步骤44000：系统服务器分别计算二分类标签序列和特征数据序列矩阵中各个特征数据序列的相关系数。

具体的，系统服务器基于二分类标签序列，分别和特征数据序列矩阵中各个特征数据序列进行相关系数的计算，从而获得各个特征数据序列对应的相关系数。

例如，仍以前述二分类标签序列和特征数据序列矩阵为例，假设特征数据序列

与二分类标签序列

的相关系数为ρ₀，绝对值取值为0.2，

与

的相关系数为ρ₁，绝对值取值为0.36，以此类推，分别计算上述各个特征数据序列和上述二分类标签序列的相关系数，获得相关系数集合{ρ₀，ρ₁，……，ρ_P′}。

步骤44010：系统服务器基于获得的各个相关系数的绝对值，选取一个相关系数作为目标相关系数。

具体实施中，可选的，系统服务器可以基于如下公式选择绝对值取值最大的相关系数作为目标相关系数：

目标相关系数＝max(|ρ_p|)

例如，假设相关系数ρ₅的绝对值最大，如，绝对值取值为0.96，则目标相关系数为ρ₅。

步骤44020：系统服务器基于目标相关系数关联的特征数据序列的起始时刻和当前时刻之间的差值，确定第一时间阶数P。

具体的，系统服务器可以基于如下公式确定第一时间阶数P(P≥1)：

P＝当前时刻-目标相关系数关联的特征数据序列的起始时刻

例如，在时刻T，假设目标相关系数为ρ₅，则关联的特征数据序列的起始时刻为T-5，那么，第一时间阶数P为：

P＝T-(T-5)＝5

步骤4500：系统服务器基于各个路段在当前时刻之前的P个历史时刻的历史交通特征数据集合和拥堵状态指示信息，对目标路段的交通特征数据集合中缺失的交通特征数据进行估计。

具体实施中，参阅图4D所示，在执行步骤4500时，可以采用但不限于以下方式：

步骤45010：系统服务器基于历史交通特征数据集合中，在当前时刻之前的P个连续历史时刻，针对目标路段获得的与至少一个采集对象关联的交通特征数据，获得第一均值。

具体实施中，P即为通过步骤44000—步骤44020确定的第一时间阶数。

例如，在时刻T，假设路段i缺失了采集对象“交通设备”对应的交通特征数据，则针对时刻T，将路段i缺失的交通特征数据记为

未缺失的交通特征数据记为

两者合并即为

那么，针对路段i，可以获取在当前时刻T之前连续的P个时刻针对采集对象“交通设备”获得的交通特征数据，分别记为：

接着，计算上述连续的P个时刻针对采集对象“交通设备”获得的交通特征数据的平均值，将该平均值作为第一均值。

具体的，可以采用如下公式计算第一均值：

其中，j₁为1到P之间的任意自然数。

步骤45020：系统服务器基于历史交通特征数据集合中，在当前时刻的上一时刻分别针对各个路段获得的与至少一个采集对象关联的交通特征数据，获得第二均值。

例如，假设目标路线包含了m个路段，那么，可以分别获取目标路线中的m个路段在时刻T-1针对采集对象“交通设备”获得的交通特征数据，分别记为：

接着，计算上述m个路段在时刻T针对采集对象“交通设备”获得的交通特征数据的平均值，将该平均值作为第二均值：

其中，j₂为1到m之间的任意自然数。

步骤45030：系统服务器基于第一均值和第一权重，以及第二均值和第二权重，获得相应的估计数据。

具体实施中，将第一权重记为a1、第二权重记为a2，a1和a2是基于已训练的逻辑回归模型获得的，具体的训练过程在后续实施例中介绍。

作为一个实施例，在执行步骤45030时，系统服务器可以采用以下公式获得估计数据：

在获得估计数据后，系统服务器还需要将获得的估计数据补充到在时刻T获得的路段i的交通特征数据集合中。

例如，针对路段i，将估计数据

与未缺失的交通特征数据

合并，即获得交能特征数据集合

本申请实施例中，之所以使用第一均值和第二均值对缺失的数据进行估计，是因为：目标路段在连续的多个时刻的拥堵状态具有连贯性，以及目标路段和与目标路段属于同一目标路线的其他各个路段在同一时刻的拥堵状态也具有连贯性，因此，采用基于前述两种连贯性获得的第一均值和第二均值，可以从不同角度对缺失的交通特征数据进行估计，从而保证了补充的估计数据的准确性。

上述各个实施例，均以路段i为例进行介绍，实际应用中，系统服务器针对缺失了至少一个采集对象的交通特征数据的各个目标路段，均可以采用相同方式在相应的交通特征数据集合中对缺失的交通特征数据进行补充，在此不再赘述。

步骤420：系统服务器基于各个路段的交通特征数据集合，分别预测各个路段在下一时刻的拥堵状态指示信息。

具体实施中，仍以路段i为例，具体的，在时刻T可以采用如下公式，预测路段i在时刻T+1的拥堵状态指示信息

公式：

其中，W为特征权重，U为状态权重，U，V是基于已训练的RNN获得的，具体的训练过程在后续实施例中介绍，在此不再赘述。

上述各个实施例，均以路段i为例进行介绍，实际应用中，系统服务器针对目标线路中的各个路段，均可以采用相同方式在任意时刻预测下一时刻的拥堵状态指示信息，在此不再赘述。

参阅图6所示，下面采用一个具体的应用场景，对以上实施例做出进一步详细说明：

假设当前时刻为时刻T，目标线路分为3个路段，其中路段2为目标路段，第一权重为a₁，第二权重为a₂，特征权重为W，状态权重为U。

进一步的，上述数据仅为举例，实际应用中，目标路段不仅限于一个，可以有多个，也可以没有，具体可根据实际情况确定。

步骤600：系统服务器分别获取目标路线中的路段1，路段2，路段3，在时刻T的交通特征数据集合

以及拥堵状态指示信息

每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据。

具体的，

中包含用户驾驶行为信息，3次违章(均值)；路况信息，车道数4；交通设备信息，无交通灯；对应的

为：1(拥堵)。

中包含用户驾驶行为信息，5次违章(均值)；路况信息，无；交通设备信息，有交通灯；对应的

为：0(不拥堵)。

中包含用户驾驶行为信息，2次违章(均值)；路况信息，车道数2；交通设备信息，无交通灯；对应的

为：1(拥堵)。

步骤601：系统服务器基于路段2在时刻T的交通特征数据集合

中路况信息显示为无的情况，确定路段2为缺失了“路况信息”的交通特征数据的目标路段。

具体实施中，假设由于安装在路段2道路两侧的采集设备损坏，无法采集路段2的路况信息，因此需要对路段2的交通特征数据集合

进行补充，即路段2是目标路段。

步骤602：系统服务器根据从时刻T开始到之前7个连续历史时刻的交通特征数据集合，以每次移动一个历史时刻为滑动窗口，获得4个特征数据序列，其中，每个特征数据序列包括其中4个连续历史时刻的交通特征数据集合。

具体实施中，基于从时刻T开始到之前7个(即P’＝3)连续历史时刻的交通特征数据集合，针对路段2获得的4个特征数据序列分别为：

步骤603：系统服务器根据滑动顺序，将获得的各个特征数据序列组成特征数据序列矩阵。

具体实施中，基于针对路段2获得的各个特征数据序列，组成如下矩阵：

步骤604：系统服务器获得路段2从当前时刻开始到之前4个时刻的拥堵状态指示信息组成的二分类标签序列。

具体实施中，从当前时刻开始到之前4个时刻，针对路段2分别获得的拥堵状态指示信息组成的二分类标签序列为：{1，0，1，1}。

步骤605：系统服务器分别计算获得的二分类标签序列和特征数据序列矩阵中各个特征数据序列的相关系数。

具体实施中，假设特征数据序列

与二分类标签序列{1，0，1，1}的相关系数记为ρ₀，对应的绝对值取值为0.15；特征数据序列

与二分类标签序列{1，0，1，1}的相关系数记为ρ₁，对应的绝对值取值为0.22，；特征数据序列

与二分类标签序列{1，0，1，1}的相关系数记为ρ₂，对应的绝对值取值为0.97；特征数据序列

与二分类标签序列{1，0，1，1}的相关系数记为ρ₃，对应的绝对值取值为0.17；获得相关系数集合{ρ₀，ρ₁，ρ₂，ρ₃}。

步骤606：系统服务器基于获得的各个相关系数，选取绝对值最大的ρ₂作为目标相关系数。

步骤607：系统服务器基于ρ₂关联的特征数据序列的起始时刻T-2和时刻T之间的差值，确定第一时间阶数P为2。

具体实施中，第一时间阶数P按照如下公式确定：

P＝T-(T-2)＝2

步骤608：系统服务器基于历史交通特征数据集合中，在时刻T之前的2个连续历史时刻，针对路段2获得的与“路况信息”关联的交通特征数据，获得第一均值。

具体实施中，系统服务器可以按照如下公式获得第一均值：

步骤609：系统服务器基于历史交通特征数据集合中，在时刻T-1分别针对路段1，路段2，路段3获得的与“路况信息”关联的交通特征数据，获得第二均值。

具体实施中，系统服务器可以按照如下公式获得第二均值：

步骤610：系统服务器基于第一均值和第一权重，以及第二均值和第二权重，获得相应的估计数据。

具体实施中，系统服务器可以采用以下公式获得估计数据：

步骤611：系统服务器将估计数据与未缺失的交通特征数据合并，即获得交能特征数据集合。

具体实施中，系统服务器将估计数据

与未缺失的交通特征数据

合并，即获得交能特征数据集合

步骤612：系统服务器基于路段1，路段2，路段3的交通特征数据集合

分别预测路段1，路段2，路段3在时刻T+1的拥堵状态指示信息

具体实施中，参阅图7所示，系统服务器针对路段1，基于路段1的交通特征数据集合

采用如下公式预测路段1在时刻T+1的拥堵状态指示信息

预测结果为拥堵。

系统服务器针对路段2，基于路段2的交通特征数据集合

采用上述公式预测路段2在时刻T+1的拥堵状态指示信息

为0，预测结果为不拥堵。

系统服务器针对路段3，基于路段3的交通特征数据集合

采用上述公式预测路段3在时刻T+1的拥堵状态指示信息

为1，预测结果为拥堵。

基于上述各个实施例，下面对逻辑回归模型和RNN模型的训练过程分别进行介绍。

A、逻辑回归(Logistic Regression，LR)模型的训练过程。

参阅图8所示，本申请实施例中，系统服务器基于数据源中记录的历史交通特征数据集合，确定各个样本目标路段，并采用各个样本目标路段的历史交通特征数据集合，对LR模型进行迭代训练，每个样本目标路段为在一个历史时刻获得的历史交通特征数据集合中缺失至少一个采集对象的交通特征数据的路段，后续实施例中，以任意一个样本目标路段(记为样本目标路段i)以及任意一个历史时刻为例，对迭代训练过程进行说明。

参阅图9所示，在任意一次迭代训练过程中，系统服务器执行以下操作：

步骤900：系统服务器获得样本目标路段i在一个历史时刻对应的第一样本均值和第二样本均值，其中，第一样本均值，是基于以下信息获得的：在一个历史时刻之前的P_训练个连续历史时刻，针对样本目标路段i获得的与缺失的至少一个采集对象关联的交通特征数据，第二样本均值，是基于以下信息获得的：在一个历史时刻的上一时刻分别针对各个路段获得的与缺失的至少一个采集对象关联的交通特征数据。

具体的，P_训练为训练阶段使用的第二时间阶数，具体作用以及设置过程与P相同，包括：如图8所示：针对一个历史时刻T’，针对样本目标路段i，基于数据源获取P′_训练+1个特征数据序列和二分类标签序列

将P′_训练个特征数据序列转化为特征数据序列矩阵：

接着，计算二分类标签序列

和前述特征数据序列矩阵中各个特征数据序列的相关系数，最终确定第二时间阶数P_训练。

上述过程的具体执行步骤，与步骤44000-步骤44020相同，在此不再赘述。

而系统服务器计算样本目标路段i对应的第一样本均值和第二样本均值的过程，包括：如图8所示，基于第二时间阶数P_训练确定第一样本均值，基于数据源确定第二样本均值，如，第一样本均值，是基于以下信息获得的：在时刻T’之前的P_训练个连续历史时刻，针对样本目标路段i获得的与缺失的至少一个采集对象关联的交通特征数据，第二样本均值，是基于以下信息获得的：在时刻T’-1分别针对各个路段获得的与缺失的至少一个采集对象关联的交通特征数据。

上述过程的具体执行步骤，与步骤45010-步骤45020中，计算第一均值和第二均值的过程相同，在此不再赘述。

步骤910：系统服务器针对一个历史时刻，将样本目标路段i对应的第一样本均值和第二样本均值输入LR模型，获得样本目标路段i在一个历史时刻对应的估计数据。

具体的，可以将对应的第一样本均值和第二样本均值输入如下公式中：

其中，a₁和a₂为第一权重和第二权重，在第一次迭代训练过程中可以使用预设的初始值，上述初始值可以根据经验进行设定，T’为任意一个历史时刻，m为样本目标路线包含有m个样本目标路段。

例如，假设目标线路可分为3个路段，目标路段为路段1，历史时刻为时刻9，通过步骤800，求得第一时间阶数为4，则估计数据为：

步骤920：系统服务器基于样本目标路段i在一个历史时刻对应的真实数据和估计数据的误差，对LR模型的网络参数进行相应调整，其中，LR模型的网络参数至少包括第一权重和第二权重。

具体的，以一个历史时刻是时刻T’为例，上述估计数据是在到达时刻T’之前，系统服务器基于第一样本均值和第一权重，第二样本均值和第二权重计算获得的，上述真实数据为在到达时刻T’时，系统服务器通过采集设备(如，摄像头，车载电脑等等)针对缺失的至少一个采集对象直接获取到的真实的交通特征数据。

例如，在时刻T’之前，获得的针对“交通设备信息”的估计数据为

到达时刻T’时，针对“交通设备信息”获得的真实数据为

则系统服务器基于对

和

的误差分析，调整LR模型中的第一权重a₁和第二权重a₂。

B、RNN模型的训练过程。

参阅图8所示，本申请实施例中，系统服务器可以采用各个样本路段的历史交通特征数据集合，对所RNN模型进行迭代训练，后续实施例中，以任意一个样本路段(记为样本路段i)以及任意一个历史时刻为例，对迭代训练过程进行说明。

本申请实施例中，样本路段可以是没有缺失交通特征数据的路段，也可以是补充了估计数据后的样本目标路段，在此不作限定。

参阅图10所示，在任意一次迭代训练过程中，系统服务器执行以下操作：

步骤1000：系统服务器获取一个样本路段i在一个历史时刻的真实的第一拥堵状态指示信息。

具体的，真实的第一拥堵状态指示信息为采集设备(如，摄像头，车载电脑等等)针对一个历史时刻采集到的拥堵状态指示信息。

例如，在时刻T’-1，样本路段i的真实的第一拥堵状态指示信息

步骤1010：系统服务器将样本路段i在一个历史时刻的历史交通特征数据集合和第一拥堵状态指示信息，输入循环神经网络模型，预测样本路段i在一个历史时刻的下一时刻的第二拥堵状态指示信息。

具体的，可以将对应的一个历史时刻是时刻T’为例，将时刻T’的历史交通特征数据集合和第一拥堵状态指示信息输入如下公式中，预测样本路段i在时刻T’+1的第二拥堵状态指示信息：

其中，U为状态权重，W为特征权重，在第一次迭代训练过程中可以使用预设的初始值，上述初始值可以根据经验进行设定。

例如，以一个历史时刻是时刻5为例，将样本路段i在一个历史时刻的历史交通特征数据集合

和第一拥堵状态指示信息

输入循环神经网络模型，预测样本路段i在时刻6的第二拥堵状态指示信息

步骤1020：系统服务器基于一个历史时刻的下一时刻的真实的第三拥堵状态指示信息和第二拥堵状态指示信息的误差，对循环神经网络模型的网络参数进行相应调整，其中，循环神经网络模型的网络参数至少包括状态权重和特征权重。

具体的，具体的，真实的第三拥堵状态指示信息为采集设备(如，摄像头，车载电脑等等)针对一个历史时刻的下一时刻采集到的拥堵状态指示信息。

例如，以一个历史时刻是时刻5为例，基于时刻6的真实的第三拥堵状态指示信息

和第二拥堵状态指示信息

的误差，对RNN模型的网络参数进行相应调整，其中，RNN模型的网络参数至少包括状态权重U和特征权重W。

基于同一发明构思，参阅图11所示，本申请实施例中，提供一种拥堵状态预测装置(如，系统服务器)，至少包括：第一处理单元1101，第二处理单元1102，第三处理单元1103。

第一处理单元1101，用于分别获取目标路线中的各个路段当前时刻的交通特征数据集合和拥堵状态指示信息，每个交通特征数据集合中包括针对设定的各个采集对象分别获得的交通特征数据；

第二处理单元1102，用于分别针对交通特征数据集合中缺失至少一个采集对象的交通特征数据的每个目标路段，基于各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，并将估计数据补充到目标路段的交通特征数据集合中；

第三处理单元1103，用于基于各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息。

可选的，针对任一个目标路段，基于各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，第二处理单元1102具体用于：

根据从当前时刻开始到之前2P’+1个连续历史时刻的交通特征数据集合，以每次移动一个历史时刻为滑动窗口，获得P’+1个特征数据序列，其中，每个特征数据序列包括其中P’+1个连续历史时刻的交通特征数据集合；

根据滑动顺序，将获得的各个特征数据序列组成特征数据序列矩阵；

获得目标路段从当前时刻开始到之前P’+1个时刻的拥堵状态指示信息组成的二分类标签序列；

基于二分类标签序列与特征数据序列矩阵之间的相关性运算结果，获得第一时间阶数P；

基于各个路段在当前时刻之前的P个历史时刻的历史交通特征数据集合和拥堵状态指示信息，对目标路段的交通特征数据集合中缺失的交通特征数据进行估计。

可选的，基于二分类标签序列与数据序列矩阵之间的相关性运算结果，获得第一时间阶数P，第二处理单元1102用于：

分别计算二分类标签序列和特征数据序列矩阵中各个特征数据序列的相关系数；

基于获得的各个相关系数的绝对值，选取一个相关系数作为目标相关系数；

基于目标相关系数关联的特征数据序列的起始时刻和当前时刻之间的差值，确定第一时间阶数P。

可选的，基于各个路段在当前时刻之前的P个历史时刻的历史交通特征数据集合和拥堵状态指示信息，对目标路段的交通特征数据集合中缺失的交通特征数据进行估计，第二处理单元1102用于：

基于历史交通特征数据集合中，在当前时刻之前的P个连续历史时刻，针对目标路段获得的与至少一个采集对象关联的交通特征数据，获得第一均值；

基于历史交通特征数据集合中，在当前时刻的上一时刻分别针对各个路段获得的与至少一个采集对象关联的交通特征数据，获得第二均值；

基于第一均值和第一权重，以及第二均值和第二权重，获得估计数据。

可选的，第一权重和第二权重，是基于已训练的逻辑回归模型获得的，第二处理单元1102对逻辑回归模型的训练过程如下：

采用各个样本目标路段的历史交通特征数据集合，对逻辑回归模型进行迭代训练，每个样本目标路段为在一个历史时刻获得的历史交通特征数据集合中缺失至少一个采集对象的交通特征数据的路段，其中，在一次迭代过程中，执行以下操作：

获得样本目标路段在一个历史时刻对应的第一样本均值和第二样本均值，第一样本均值，是基于以下信息获得的：在一个历史时刻之前的P_训练个连续历史时刻，针对样本目标路段获得的与缺失的至少一个采集对象关联的交通特征数据，第二样本均值，是基于以下信息获得的：在一个历史时刻的上一时刻分别针对各个路段获得的与缺失的至少一个采集对象关联的交通特征数据；

针对一个历史时刻，将一个样本目标路段对应的第一样本均值和第二样本均值输入逻辑回归模型，获得一个样本目标路段在一个历史时刻对应的估计数据；

基于一个样本目标路段在一个历史时刻对应的真实数据和估计数据的误差，对逻辑回归模型的网络参数进行相应调整，其中，逻辑回归模型的网络参数至少包括第一权重和第二权重。

可选的，基于各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息，第三处理单元1103用于：

针对每个路段，分别执行以下操作：

获得一个路段在当前时刻的拥堵状态指示信息；

基于当前时刻的拥堵状态指示信息和特征权重，以及一个路段的交通特征数据集合和状态权重，预测一个路段在下一时刻的拥堵状态指示信息。

可选的，第一权重和第二权重，是基于已训练的循环神经网络模型获得的，第三处理单元1103对循环神经网络模型的训练过程如下：

采用各个样本路段的历史交通特征数据集合，对循环神经网络模型进行迭代训练，其中，在一次迭代过程中，执行以下操作：

将样本路段在一个历史时刻的历史交通特征数据集合和第一拥堵状态指示信息，输入循环神经网络模型，预测样本路段在一个历史时刻的下一时刻的第二拥堵状态指示信息；

基于一个历史时刻的下一时刻的真实的第三拥堵状态指示信息和第二拥堵状态指示信息的误差，对循环神经网络模型的网络参数进行相应调整，其中，循环神经网络模型的网络参数至少包括状态权重和特征权重。

基于同一发明构思，参阅图12所示，本申请实施例还提供了一种系统服务器1200，该系统服务器1200可以为车载电脑、智能手机、平板电脑，手提电脑或PC机等电子设备。如图12所示，系统服务器1200包括显示单元1240、处理器1280以及存储器1220，其中，显示单元1240包括显示面板1241，用于显示由用户输入的信息或提供给用户的信息以及系统服务器1200的各种对象选择页面等，在本申请实施例中主要用于显示智能终端1200中已安装的应用的页面、快捷窗口等。可选的，可以采用液晶显示器(Liquid Crystal Display，LCD)或有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板1241。

处理器1280用于读取计算机程序，然后执行计算机程序定义的方法，例如处理器1280读取社交应用程序，从而在系统服务器1200上运行应用，在显示单元1240上显示应用的页面。处理器1280可以包括一个或多个通用处理器，还可包括一个或多个数字信号处理器(Digital Signal Processor，DSP)，用于执行相关操作，以实现本申请实施例所提供的技术方案。

存储器1220一般包括内存和外存，内存可以为随机存储器(RAM)，只读存储器(ROM)，以及高速缓存(CACHE)等。外存可以为硬盘、光盘、USB盘、软盘或磁带机等。存储器1220用于存储计算机程序和其他数据，该计算机程序包括应用对应的应用程序等，其他数据可包括操作系统或应用程序被运行后产生的数据，该数据包括系统数据(例如操作系统的配置参数)和用户数据。本申请实施例中程序指令存储在存储器1220中，处理器1280执行存储在存储器1220中的程序指令，实现前文论述的拥堵状态预测的方法，或者实现前文论述的适配应用的功能。

此外，系统服务器1200还可以包括显示单元1240，用于接收输入的数字信息、字符信息或接触式触摸操作/非接触式手势，以及产生与系统服务器1200的用户设置以及功能控制有关的信号输入等。具体地，本申请实施例中，该显示单元1240可以包括显示面板1241。显示面板1241例如触摸屏，可收集用户在其上或附近的触摸操作(比如玩家使用手指、触笔等任何适合的物体或附件在显示面板1241上或在显示面板1241的操作)，并根据预先设定的程式驱动对应的连接装置。可选的，显示面板1241可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1280，并能接收处理器1280发来的命令并加以执行。

其中，显示面板1241可以采用电阻式、电容式、红外线以及表面声波等多种类型实现。除了显示单元1240，系统服务器1200还可以包括输入单元1230，输入单元1230可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。图12中是以输入单元1230包括图像输入设备1231和其它输入设备1232为例。

除以上之外，系统服务器1200还可以包括用于给其他模块供电的电源1290、音频电路1260、近场通信模块1270和RF电路1210。系统服务器1200还可以包括一个或多个传感器1250，例如加速度传感器、光传感器、压力传感器等。音频电路1260具体包括扬声器1261和麦克风1262等，例如用户可以使用语音控制，系统服务器1200可以通过麦克风1262采集用户的声音，可以用户的声音进行控制，并在需要提示用户时，通过扬声器1261播放对应的提示音。

基于同一发明构思，本申请实施例提供了一种计算机可读介质，当上述计算机可读存储介质中的指令由处理器执行时，使得上述处理器能够执行如上述各个实施例中系统服务器执行的任意一种方法。

可选地，计算机可读介质可以是非临时性计算机可读存储介质，例如，上述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等等。

基于同一发明构思，本申请实施例提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行如上述各个实施例中系统服务器执行的任意一种方法。

程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读信号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。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。

本申请的实施方式的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在计算装置上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被命令执行系统、装置或者器件使用或者与其结合使用。

可读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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。

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、有线、光缆、RF等等，或者上述的任意合适的组合。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims

1.一种拥堵状态预测方法，其特征在于，包括：

2.如权利要求1所述的方法，其特征在于，针对任一个目标路段，基于所述各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，具体包括：

基于所述二分类标签序列与所述特征数据序列矩阵之间的相关性运算结果，获得第一时间阶数P；

基于所述各个路段在当前时刻之前的P个历史时刻的历史交通特征数据集合和拥堵状态指示信息，对目标路段的交通特征数据集合中缺失的交通特征数据进行估计。

3.如权利要求2所述的方法，其特征在于，基于所述二分类标签序列与所述数据序列矩阵之间的相关性运算结果，获得第一时间阶数P，包括：

分别计算所述二分类标签序列和所述特征数据序列矩阵中各个特征数据序列的相关系数；

基于所述目标相关系数关联的特征数据序列的起始时刻和当前时刻之间的差值，确定所述第一时间阶数P。

4.如权利要求2所述的方法，其特征在于，基于所述各个路段在当前时刻之前的P个历史时刻的历史交通特征数据集合和拥堵状态指示信息，对目标路段的交通特征数据集合中缺失的交通特征数据进行估计，包括：

基于所述历史交通特征数据集合中，在当前时刻之前的P个连续历史时刻，针对目标路段获得的与所述至少一个采集对象关联的交通特征数据，获得第一均值；

基于所述历史交通特征数据集合中，在当前时刻的上一时刻分别针对所述各个路段获得的与所述至少一个采集对象关联的交通特征数据，获得第二均值；

基于所述第一均值和第一权重，以及所述第二均值和第二权重，获得所述估计数据。

5.如权利要求4所述的方法，其特征在于，所述第一权重和所述第二权重，是基于已训练的逻辑回归模型获得的，所述逻辑回归模型的训练过程如下：

采用各个样本目标路段的历史交通特征数据集合，对所述逻辑回归模型进行迭代训练，每个样本目标路段为在一个历史时刻获得的历史交通特征数据集合中缺失至少一个采集对象的交通特征数据的路段，其中，在一次迭代过程中，执行以下操作：

获得样本目标路段在一个历史时刻对应的第一样本均值和第二样本均值，所述第一样本均值，是基于以下信息获得的：在所述一个历史时刻之前的P_训练个连续历史时刻，针对所述样本目标路段获得的与缺失的至少一个采集对象关联的交通特征数据，所述第二样本均值，是基于以下信息获得的：在所述一个历史时刻的上一时刻分别针对所述各个路段获得的与缺失的至少一个采集对象关联的交通特征数据；

针对一个历史时刻，将一个样本目标路段对应的第一样本均值和第二样本均值输入逻辑回归模型，获得所述一个样本目标路段在所述一个历史时刻对应的估计数据；

基于所述一个样本目标路段在所述一个历史时刻对应的真实数据和所述估计数据的误差，对所述逻辑回归模型的网络参数进行相应调整，其中，所述逻辑回归模型的网络参数至少包括所述第一权重和所述第二权重。

6.如权利要求1-5任一项所述的方法，其特征在于，基于所述各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息，包括：

针对所述每个路段，分别执行以下操作：

获得一个路段在当前时刻的拥堵状态指示信息；

基于所述当前时刻的拥堵状态指示信息和特征权重，以及所述一个路段的交通特征数据集合和状态权重，预测所述一个路段在下一时刻的拥堵状态指示信息。

7.如权利要求6所述的方法，其特征在于，所述第一权重和所述第二权重，是基于已训练的循环神经网络模型获得的，所述循环神经网络模型的训练过程如下：

8.一种拥堵状态预测装置，其特征在于，包括：

9.如权利要求8所述的装置，其特征在于，针对任一个目标路段，基于所述各个路段在当前时刻之前的历史交通特征数据集合和拥堵状态指示信息，对缺失的交通特征数据进行估计，所述第二处理单元具体用于：

10.如权利要求9所述的装置，其特征在于，基于所述二分类标签序列与所述数据序列矩阵之间的相关性运算结果，获得第一时间阶数P，所述第二处理单元用于：

11.如权利要求9所述的装置，其特征在于，基于所述各个路段在当前时刻之前的P个历史时刻的历史交通特征数据集合和拥堵状态指示信息，对目标路段的交通特征数据集合中缺失的交通特征数据进行估计，所述第二处理单元用于：

12.如权利要求11所述的装置，其特征在于，所述第一权重和所述第二权重，是基于已训练的逻辑回归模型获得的，所述第二处理单元对所述逻辑回归模型的训练过程如下：

13.如权利要求8-12任一项所述的装置，其特征在于，基于所述各个路段的交通特征数据集合，分别预测每个路段在下一时刻的拥堵状态指示信息，所述第三处理单元用于：

针对所述每个路段，分别执行以下操作：

获得一个路段在当前时刻的拥堵状态指示信息；

14.一种电子设备，其特征在于，包括：

存储器，用于存储可执行指令；

处理器，用于读取并执行所述存储器中存储的可执行指令，以实现如权利要求1－7任一项所述的方法。

15.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由处理器执行时，使得所述处理器能够执行如权利要求1－7任一项所述的方法。