CN114648880A - 预测交通流量的方法、车辆和可读存储介质 - Google Patents
预测交通流量的方法、车辆和可读存储介质 Download PDFInfo
- Publication number
- CN114648880A CN114648880A CN202210565835.6A CN202210565835A CN114648880A CN 114648880 A CN114648880 A CN 114648880A CN 202210565835 A CN202210565835 A CN 202210565835A CN 114648880 A CN114648880 A CN 114648880A
- Authority
- CN
- China
- Prior art keywords
- traffic
- state information
- station
- stations
- stop
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000004891 communication Methods 0.000 claims abstract description 162
- 238000012545 processing Methods 0.000 claims description 38
- 230000008569 process Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 14
- 230000003190 augmentative effect Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 5
- 230000015654 memory Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 17
- 238000009877 rendering Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000001537 neural effect Effects 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 210000003128 head Anatomy 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G08G1/0125—Traffic data processing
-
- 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"
-
- G06Q50/40—
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Abstract
本发明公开了一种预测交通流量的方法、车辆和可读存储介质。其中，该方法包括：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。本发明解决了对交通流量预测精确性低的技术问题。
Description
技术领域
本发明涉及计算机领域，具体而言，涉及一种预测交通流量的方法、车辆和可读存储介质。
背景技术
目前，智能交通系统是城市大脑中的重要一环，准确性地交通流预测对智能交通系统的稳定运行具有着重要意义。
在相关技术中，通常采用由时间特征模块加空间特征模块的堆叠结构的模型，但该模型无法同步地处理时间和空间信息，从而存在对交通流量预测的精确度低的技术问题。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种预测交通流量的方法、车辆和可读存储介质，以至少解决对交通流量预测精确性低的技术问题。
根据本发明实施例的一个方面，提供了一种预测交通流量的方法，包括：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
根据本发明实施例的一个方面，还提供了另一种预测交通流量的方法，该方法应用于捕获交通视频的监测设备，且监测设备允许部署在城市道路中，包括：获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
根据本发明实施例的一个方面，还提供了另一种预测交通流量的方法，包括：响应作用于操作界面上的输入操作指令，在操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；响应作用于操作界面上的流量预测指令，在操作界面上显示任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
根据本发明实施例的一个方面，还提供了一种视频渲染方法，包括：在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频；基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
根据本发明实施例的一个方面，提供了一种预测交通流量的装置，包括：第一获取单元，用于获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；第二获取单元，用于获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；第一预测单元，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；第一确定单元，用于基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
根据本发明实施例的一个方面，还提供了另一种预测交通流量的装置，该装置应用于捕获交通视频的监测设备，且监测设备允许部署在城市道路中，包括：第三获取单元，用于获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；第四获取单元，用于获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；第二预测单元，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；第二确定单元，用于基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
根据本发明实施例的一个方面，还提供了另一种预测交通流量的装置，包括：第一显示单元，用于响应作用于操作界面上的输入操作指令，在操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；第二显示单元，用于响应作用于操作界面上的流量预测指令，在操作界面上显示任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
根据本发明实施例的一个方面，还提供了一种视频渲染的装置，包括：呈现单元，用于在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频；第三确定单元，用于基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；第五获取单元，用于获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；第三预测单元，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；第四确定单元，用于基于预测交通状态，确定第一交通站点在未来时刻的交通流量；输出单元，用于基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
根据本发明实施例的另一方面，还提供了一种车辆，包括：定位装置，用于车辆行驶在交通道路过程中，定位所经过的交通站点；监测设备，用于通过访问部署在交通道路上的监测设备，获取任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；计时器，用于计算任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；处理器，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的交通流量。
根据本发明实施例的另一方面，还提供了一种预测交通流量的系统，包括：处理器；存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述任意一项的预测交通流量的方法。
根据本发明实施例的另一方面，还提供了一种处理器，处理器用于运行程序，其中，在程序运行时执行上述任意一项的预测交通流量的方法。
在本发明实施例中，获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。也就是说，本发明实施例通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种预测交通流量的方法的虚拟现实设备的硬件结构框图；
图2是根据本发明实施例的一种预测交通流量的方法的流程图；
图3是根据本发明实施例的另一种预测交通流量的方法的流程图；
图4是根据本发明实施例的另一种预测交通流量的方法的流程图；
图5是根据本发明实施例的一种视频渲染方法的流程图；
图6是根据本发明实施例的一种视频渲染结果的示意图；
图7是根据本发明实施例的一种预测交通流量的方法的示意图；
图8是根据本发明实施例的一种预测交通流量的装置的示意图；
图9是根据本发明实施例的另一种预测交通流量的装置的示意图；
图10是根据本发明实施例的另一种预测交通流量的装置的示意图；
图11是根据本发明实施例的一种视频渲染装置的示意图；
图12是根据本发明实施例的一种计算机终端的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释：
神经微分方程（Neural ODE），是一种基于神经网络来参数化微分方程的框架；
神经延迟微分方程（Neural DDE），是一种基于神经网络来参数化延时微分方程的框架；
神经受控微分方程（Neural CDE），是一种基于神经网络来参数化受控微分方程的框架；
图神经网络（Graph Neural Networks，简称为GNN），是一种面向图结构数据的神经网络架构；
时空图神经网络（Spatial Temporal Graph Convolutional Networks，简称为STGCN），一种用于时空预测的图神经网络模型。
实施例1
根据本发明实施例，还提供了一种预测交通流量的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种预测交通流量的方法的虚拟现实设备的硬件环境的示意图。如图1所示，虚拟现实设备104与终端106相连接，终端106与服务器102通过网络进行连接，上述虚拟现实设备104并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等，上述终端104并不限定于PC、手机、平板电脑等，服务器102可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网。
可选地，该实施例的虚拟现实设备104包括：存储器、处理器和传输装置。存储器用于存储应用程序，该应用程序可以用于执行：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量，解决了对交通流量预测精确性低的技术问题，达到了提高对交通流量预测的准确性的目的。
该实施例的终端可以用于执行在虚拟现实VR（Virtual Reality，简称为VR）设备或增强现实AR（Augmented Reality，简称为AR）设备的呈现画面上展示交通路段的待处理的交通视频；基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量驱动VR设备或AR设备输出提示信息；并向虚拟现实设备104输出提示信息，虚拟现实设备104在接收到提示信息之后在目标投放位置显示出来。
可选地，该实施例的虚拟现实设备104带有的眼球追踪的头戴式显示器（HeadMount Display，简称为HMD）与眼球追踪模块与上述实施例中的作用相同，也即，HMD头显中的屏幕，用于显示实时的画面，HMD中的眼球追踪模块，用于获取用户眼球的实时运动轨迹。该实施例的终端通过跟踪系统获取用户在真实三维空间的位置信息与运动信息，并计算出用户头部在虚拟三维空间中的三维坐标，以及用户在虚拟三维空间中的视野朝向。
图1示出的硬件结构框图，不仅可以作为上述AR/VR设备（或移动设备）的示例性框图，还可以作为上述服务器的示例性框图，在上述所示的运行环境下，本发明提供了如图2所示的预测交通流量的方法。需要说明的是，该实施例的预测交通流量的方法可以由图1所示实施例的移动终端执行。
图2是根据本发明实施例的一种预测交通流量方法的流程图，如图2所示，该方法可以包括以下步骤：
步骤S202，获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
在本发明上述步骤S202提供的技术方案中，获取距离处于预定范围内的任意两个交通站点，在一段时间内交通站点的交通状态可能是不断变化的一个过程，获取交通道路中任意两个交通站点的交通状态信息，其中，交通状态信息可以为交通站点在历史时间段内的交通流量，历史时间段内的交通流量可以为一个不断变化的动态过程；交通流量可以为人流量、车流量等，此处不对交通流量的内容做具体限制。
步骤S204，获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
在本发明上述步骤S204提供的技术方案中，交通道路上存在多个交通站点，选取任意两个交通站点，确定任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需要的通信时长。
可选地，在交通站点之间信息的传递并不是瞬时的，交通状态随着时间不断变化，从而站点之间的通信时长也在不断变化，获取任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长，从而确定任意两个交通站点之间的通信时长。
步骤S206，基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态。
在本发明上述步骤S206提供的技术方案中，在空间维度上，每个交通站点的流量都受到其邻近交通站点的交通状态的影响，比如，当上游的交通站点因为交通事故发生了堵塞，下游交通站点的交通流量就会大大减少，因而，确定第二交通站点的交通状态信息和通信时长，基于第二交通站点的交通状态信息和通信时长，可以确定第一交通站点在未来时刻的交通状态，其中，预测交通状态可以用于表征未来某一时刻第一交通站点的交通状态。
步骤S208，基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
在本发明上述步骤S208提供的技术方案中，交通状态信息可以用于表征交通站点在历史时间段内的交通流量，则预测的交通状态可以用于表征交通站点在未来时刻的交通流量。
可选地，预测交通状态可以用于表征未来某一时刻第一交通站点的交通状态，则基于预测交通状态，可以确定第一交通站点在未来时刻的交通流量。
通过本发明上述步骤S202至步骤S208，获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。也就是说，本发明通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
下面对该实施例的上述方法进行进一步地介绍。
作为一种可选的实施方式，交通状态信息用于表示对应的交通站点在历史时间段内连续变化的交通流量。
在该实施例中，交通状态信息随着时间不断变化，对应的交通流量也处于一个连续的、不断变化的过程，因此，交通状态信息可以用于表示对应的交通站点在历史时间段内连续变化的交通流量。
在相关技术中，已有模型采用的都是固定的离散形式，而本发明实施例提出基于连续变化的交通流量建模的设计框架，通过连续化的建模方式，可以输出任意时间粒度的预测结果，从而大大提高了模型在实际应用中的可用性和灵活性。
可选地，将离散的交通流量转换为连续变化的交通流量，从而可以基于连续变化的交通流量获取任意时刻的交通站点的交通流量的大小及确定其变化的原因。
作为一种可选的实施方式，步骤S206，基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态，包括：将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到预测交通状态，其中，延时微分模型为基于神经网络和延时微分方程建立得到。
在该实施例中，基于神经网络模型和延时微分方程建立得到延时微分模型，将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到未来时刻的预测交通状态。
在该实施例中，基于时空延时微分方程来刻画交通流的演变过程，从而达到了更加准确的预测交通流量的目的。
作为一种可选的实施方式，将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到预测交通状态，包括：基于延时微分模型对第二交通站点的交通状态信息、第一交通站点的交通状态信息和通信时长进行处理，得到第一交通站点的交通状态信息在隐空间中的隐状态序列，其中，隐空间的维度大于维度阈值，预测交通状态包括隐状态序列，隐状态序列用于表征第一交通站点的交通状态信息在隐空间中的变化状态。
在该实施例中，将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到第一交通站点的交通状态信息在隐空间中的一系列隐状态，确定第一交通站点对应的隐状态序列，其中，隐空间的维度大于维度阈值，可以为高维隐空间；隐状态序列用于表征第一交通站点的交通状态信息在隐空间中的变化状态，隐状态的变化在高维隐空间中可以表现为一条连续的演化路径；交通状态信息可以为交通站点的状态路径。
可选地，将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中，可以通过神经网络将输入的信息映射到隐空间中，得到每个交通站点在隐空间的隐状态序列，基于隐状态序列，得到预测的交通状态。
举例而言，将第一交通站点的交通状态信息映射到高维隐空间中，每个交通站点的隐状态变化在高维空间中表现为一条连续的隐状态序列（演化路径）。
举例而言，将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，可以通过插值方法将离散的输入数据转换为连续的函数表示，得到输入状态路径，从而可以获取任意时刻的交通流量大小及其变化的导数，将输入状态路径编码到隐空间中，并按照延时微分方程来拟合隐状态的演化，得到隐状态序列，可以通过一个解码器来获取输出，即，预测的交通状态。
作为一种可选的实施方式，基于延时微分模型对第二交通站点的交通状态信息、第一交通站点的交通状态信息和通信时长进行处理，得到第一交通站点的交通状态信息在隐空间中的隐状态序列，包括：对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，其中，卷积结果用于表示第二交通站点的交通状态信息对第一交通站点的交通状态信息的影响结果；基于延时微分模型对卷积结果和通信时长进行处理，得到隐状态序列。
在该实施例中，第一交通站点和第二交通站点之间交通状态信息的传播是以图卷积的方式进行的，因此，延时微分模型对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到表示第二交通站点的交通状态信息对第一交通站点的交通状态信息的影响结果的卷积结果。
可选地，通过神经网络将对第二交通站点和第一交通站点之间的状态路径映射到高维隐空间中，得到隐状态序列，其中，第一交通站点和第二交通站点的隐状态序列在高维空间中表现为一条连续的演化路径，交通站点状态的更新同时受到自身历史状态和邻近站点历史状态的影响，其中，邻近站点信息的传播是以图卷积的方式进行的，对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到表示第二交通站点的交通状态信息对第一交通站点的交通状态信息的影响结果的卷积结果。
作为一种可选的实施方式，对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，包括：确定第一交通站点的交通状态信息的第二权重和第二交通站点的交通状态信息的第一权重，其中，第一权重用于表示第一交通站点的交通状态信息对隐状态序列影响的比重，第二权重用于表示第二交通站点的交通状态信息对隐状态序列影响的比重；基于第一权重和第二权重对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果。
在该实施例中，交通站点状态的更新同时受到自身历史状态和邻近交通站点历史状态的影响，但是影响程度不相同，为了更准确的对交通状态进行预测，对第一交通站点的交通状态信息和第二交通站点的交通状态信息按照重要性程度分配不同的权重，确定第一交通站点的交通状态信息的第二权重和第二交通站点的交通状态信息的第一权重，基于第一权重和第二权重对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，其中，第一权重用于表示第一交通站点的交通状态信息对隐状态序列影响的比重，第二权重用于表示第二交通站点的交通状态信息对隐状态序列影响的比重。
可选地，可以对第一交通站点的交通状态信息和第二交通站点的交通状态信息按照重要性程度分配不同的权重，以实现通过调节交通站点自身的交通状态信息和相邻交通状态信息的比例，从而影响预测的节点状态的更新。
举例而言，可以通过使用门控机制来调节自身交通状态信息和相邻交通站点的交通状态信息的比例，其中，门控系数可以通过交通站点的历史隐状态和相邻交通站点隐状态计算得到。
作为一种可选的实施方式，步骤S204，获取任意两个交通站点之间的通信时长，包括：基于任意两个交通站点之间的互相关系数，确定通信时长。
在该实施例中，可以基于互相关系数来评估两个站点之间的延时，从而确定任意两个交通站点之间的通信时长，其中，互相关系数可以为最大互相关系数，比如，可以为最大化皮尔森相关系数。
可选地，可以基于两个交通站点的交通状态信息，通过最大化皮尔森相关系数来估计邻近交通站点之间的延时。
作为一种可选的实施方式，步骤S202，获取交通道路中任意两个交通站点的交通状态信息，包括：对每个交通站点在历史时间段内的离散交通数据进行插值，得到每个交通站点的交通状态信息。
在该实施例中，可以通过对每个交通站点在历史时间段内的离散交通数据进行插值，从而将离散的交通数据转换为连续的交通状态数据，得到每个交通站点的交通状态信息，从而可以获取交通道路中任意两个交通站点的交通状态信息。
可选地，可以通过插值方法将离散的交通数据（输入数据）转换为连续的函数表示（输入状态路径），从而可以获取任意时刻的交通状态信息中交通流量的大小及其变化的导数，从而达到获取交通道路中任意两个交通站点的交通状态信息的目的。
举例而言，可以使用三次样条函数对每个交通站点在历史时间段内的离散交通数据进行插值，将离散的交通数据生成连续的交通状态信息（状态路径），根据连续的交通状态信息，可以得到任意时刻的交通流量大小以及流量变化的导数。
需要说明的是，由于三次样条是最简单的并且二次可导的插值方式，因此在此处选择它进行举例说明，但是，上述插值方法仅为举例说明，也可以使用其他的插值函数，此处不做限制。
作为一种可选的实施方式，步骤S208，基于预测交通状态，确定第一交通站点在未来时刻的交通流量，包括：对预测交通状态进行解码，得到第一交通站点在未来时刻的交通流量。
在该实施例中，可以利用解码器，对预测交通状态进行解码，得到第一交通站点在未来时刻的交通流量。
可选地，可以通过演化得到之后任意时刻的隐状态，通过训练一个解码器，可以对预测交通状态进行解码，将隐状态映射到输出值，从而达到得到第一交通站点在未来时刻的交通流量的目的。
在本发明实施例中，本发明获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。也就是说，本发明通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
本发明实施例还提供了另一种预测交通流量的方法，该方法可以应用于捕获交通视频的监测设备，且监测设备允许部署在城市道路中。
图3是根据本发明实施例的另一种预测交通流量的方法的流程图，如图3所示，该方法可以包括以下步骤。
步骤S302，获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
在本发明上述步骤S302提供的技术方案中，城市道路中交通路段上存在捕获交通设备的检测设备，比如，摄像头等，获取检测设备捕捉的交通路段的交通视频，交通视频上可以包括多段交通路段上的交通状态信息，从而可以基于交通视频，确定距离在预定范围的任意两个交通站点的在历史时间段内的交通流量。
可选地，获取距离处于预定范围内的任意两个交通站点，在交通视频可以体现早一段时间内交通站点的交通状态，这个状态是不断变化的一个过程，从而获取交通道路中任意两个交通站点的交通状态信息，其中，交通状态信息可以为交通站点在历史时间段内的交通流量，历史时间段内的交通流量可以为一个不断变化的动态过程；交通流量可以为人流量、车流量等，此处不对交通流量的内容做具体限制。
步骤S304，获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
步骤S306，基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态。
步骤S308，基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
步骤S310，基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
在本发明上述步骤S310提供的技术方案中，基于预测交通状态，得到第一交通站点在未来时刻的交通流量，基于确定的交通流量，输出提示信息，其中，提示信息可以为用于指引在未来时刻行驶通过交通路段的车辆信息，比如，可以提示未来时刻车辆数量的多少。
通过本发明上述步骤S302至步骤S310，获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。也就是说，本发明通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
本发明实施例还从提供了另一种预测交通流量的方法。
图4是根据本发明实施例的另一种预测交通流量的方法的流程图。如图4所示，该方法可以包括以下步骤。
步骤S402，响应作用于操作界面上的输入操作指令，在操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
在本发明上述步骤S402提供的技术方案中，输入操作指令可以由用户触发，用于在操作界面上显示交通道路中任意两个交通站点的交通状态信息，从而该实施例响应作用于交互界面上的输入操作指令，从而显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
步骤S404，响应作用于操作界面上的流量预测指令，在操作界面上显示任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
在本发明上述步骤S404提供的技术方案中，响应作用于交互界面上的操作界面上的流量预测指令，从而获取任意两个交通站点之间的通信时长，基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量，并且将预测结果显示在交互界面上，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
本发明实施例还提供了一种可以应用于VR设备、AR设备等虚拟现实场景下的视频渲染方法。
图5是根据本发明实施例的一种视频渲染方法的流程图。如图5所示，该方法可以包括以下步骤。
步骤S502，在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频。
在本发明上述步骤S502提供的技术方案中，城市道路中交通路段上存在捕获交通设备的检测设备，比如，摄像头等，获取检测设备捕捉的交通路段的交通视频，并在在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频。
步骤S504，基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
在本发明上述步骤S504提供的技术方案中，取距离处于预定范围内的任意两个交通站点，在交通视频可以体现早一段时间内交通站点的交通状态，这个状态是不断变化的一个过程，从而获取交通道路中任意两个交通站点的交通状态信息，其中，交通状态信息可以为交通站点在历史时间段内的交通流量，历史时间段内的交通流量可以为一个不断变化的动态过程；交通流量可以为人流量、车流量等，此处不对交通流量的内容做具体限制。
步骤S506，获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
步骤S508，基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态。
步骤S510，基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
步骤S512，基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
在本发明上述步骤S512提供的技术方案中，基于预测交通状态，得到第一交通站点在未来时刻的交通流量，基于确定的交通流量，交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息可以为用于指引在未来时刻行驶通过交通路段的车辆信息，比如，可以提示未来时刻行驶通过交通路段的车辆的数量。
可选地，在本实施例中，上述视频渲染方法可以应用于由服务器、虚拟现实设备所构成的硬件环境中。在虚拟现实设备或增强现实设备的呈现画面上展示视频，服务器可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网，上述虚拟现实设备并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等。
可选地，虚拟现实设备包括：存储器、处理器和传输装置。存储器用于存储应用程序，该应用程序可以用于执行：在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频；基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
需要说明的是，该实施例的上述应用在VR设备或AR设备中的视频渲染方法可以包括图2所示实施例的方法，以实现基于交通流量驱动VR设备或AR设备输出提示信息的目的。
可选地，该实施例的处理器可以通过传输装置调用上述存储器存储的应用程序以执行上述步骤。传输装置可以通过网络接收服务器发送的媒体文件，也可以用于上述处理器与存储器之间的数据传输。
可选地，在虚拟现实设备中，带有眼球追踪的头戴式显示器，该HMD中的屏幕，用于显示展示的视频画面，HMD中的眼球追踪模块，用于获取用户眼球的实时运动轨迹，跟踪系统，用于追踪用户在真实三维空间的位置信息与运动信息，计算处理单元，用于从跟踪系统中获取用户的实时位置与运动信息，并计算出用户头部在虚拟三维空间中的三维坐标，以及用户在虚拟三维空间中的视野朝向等。
在本发明实施例中，虚拟现实设备可以与终端相连接，终端与服务器通过网络进行连接，上述虚拟现实设备并不限定于：虚拟现实头盔、虚拟现实眼镜、虚拟现实一体机等，上述终端并不限定于PC、手机、平板电脑等，服务器可以为媒体文件运营商对应的服务器，上述网络包括但不限于：广域网、城域网或局域网。
图6是根据本发明实施例的一种视频渲染结果的示意图，如图6所示，在虚拟现实VR设备或增强现实AR设备的呈现画面上输出提示信息，比如，提示交通站点A在时间点1的车辆信息和在时间点2的车辆信息3，提示交通站点B在时间点1中的车辆信息2和车辆信息4，提示信息可以用于指引在未来时刻行驶通过交通路段的车辆信息。
本发明通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
实施例2
下面对该实施例的上述方法的优选实施方式进行进一步介绍，具体以一种基于时延效应的联系交通流的预测方法进行说明。
目前，智能交通系统是城市大脑中的重要一环，准确的交通流预测对智能交通系统的稳定运行具有重要意义，在实际项目中，比如，基于归档数据的信息挖掘，都需要我们对交通流做出准确的预测。
交通流预测是一个典型的时空预测问题，时空两个维度复杂的耦合关系使得交通流的演变模式难以捉摸。在空间维度上，每个站点的流量都受到其邻近站点的交通状态影响，比如上游因为交通事故发生了堵塞，下游站点的流量就会大大减少；在时间维度上，每个站点的流量都有着特殊的时间模式，比如有些站点存在明显的早晚高峰现象，有些站点则相对平稳。
在相关技术中，提出了一种时空预测的图神经网络模型，采用时间特征模块加空间特征模块的堆叠结构，但该模型无法同步地处理时间和空间信息，从而存在对交通流量预测的精确度低的技术问题。
为解决上述问题，本发明实施例基于神经微分方程框架，提出了一种时空延时微分方程模型来刻画交通流的演变过程，达到了更加准确的流量预测效果，并且实现了连续化建模，可以针对任意粒度的输入，实现任意粒度的输出，大大拓展了模型在现实场景中的应用价值。
本发明实施例使用了神经微分方程框架，通过使用微分方程来同步地处理时空信息，由于信息的传递并不是瞬时的，而是需要经过一定时间，因此结合实际的时空预测场景，将延迟效应加入到模型构建中；同时，将神经微分方程框架扩展到了具有空间属性的多序列协同演变。
下面对该实施例的上述方法进行进一步地介绍。
图7是根据本发明实施例的一种预测交通流量的方法的示意图，如图7所示，在本发明实施例中，用拓扑图来表示交通路网，图上的节点表示交通站点，边表示这些站点之间的连接关系，交通状态信息随着时间不断变化，对应着图中节点特征的动态演变，其中，可以用
表示N组输入的路网状态。
可选地，如图7所示，可以通过插值方法将离散的输入数据转换为连续的函数表示，得到输入状态路径（v1、v2、v3、v4），从而可以获取任意时刻的流量大小及其变化的导数。
可选地，可以将输入状态路径作为输入控制信号，编码到隐空间（Fake control）中，并按照延时微分方程来拟合隐状态的演化，得到一系列隐状态（Fake history）之后，通过一个解码器对隐状态进行转换，得到预测的状态路径，将预测的状态路径作为输出信号数据，从而实现获取输出数据的目的，也即，得到需要预测的交通流。
下面对上述方法进行进一步地介绍。
作为一种可选地实施例，可以通过最大化皮尔森相关系数来估计相邻交通站点之间的延时，假设两个站点的流量序列分别为
，则它们之间的延时
可以通过如下公式计算：
其中，
表示 
之间的皮尔森相关系数，定义为两个变量之间的协方差和标准差的商。
作为一种可选地实施例，可以使用三次样条函数插值，将离散的输入数据生成连续的状态路径X，其中，
表示站点i在t时刻的流量信息，根据连续路径，可以得到输入阶段任意时刻的流量大小以及流量变化的导数。
需要说明的是，由于三次样条是最简单的并且二次可导的插值方式，因此在此处选择它进行举例说明，但是，上述插值方法仅为举例说明，也可以使用其他的插值函数，此处不做限制。
作为一种可选地实施例，通过神经网络将状态路径X映射到高维隐空间中，每个交通站点的隐状态变化在高维空间中表现为一条连续的演化路径（v1、v2、v3、v4），交通站点状态的更新同时受到自身历史状态和邻近站点历史状态的影响，其中，邻近站点信息是以图卷积的方式进行计算的，并且信息传播遵守上述计算得到的延时：
其中，gi(t)表示站点i所接收到的相邻交通站点信息，N(i)表示站点i的所有相邻交通站点，
表示i和j在图卷积中的权重，
是一个非线性函数，通过神经网络来实现，
则表示站点j的隐状态。
可选地，可以使用门控机制来调节自身信息和相邻交通站点信息的比例，门控系数
可以通过站点的历史隐状态和邻居隐状态计算得到，可以为：
其中，
都是可学的参数，
表示sigmoid函数。
可选地，将输入路径信息作为控制信息，共同影响节点状态
的更新，可以为：
其中，
表示逐点乘积，
表示一个非线性函数，将输入的导数映射到高维空间中。
可选地，节点的隐状态最终可通过以下微分方程计算出来：
作为一种可选地实施例，可以通过演化得到之后任意时刻的隐状态，通过训练一个解码器，就可以利用训练得到的解码器将隐状态映射到输出值，从而实现对任意时刻交通流量的预测。
本发明实施例，首先显示建模了延迟效应，这一效应在现实生活中十分普遍，而之前的研究方案都忽视了这一点；在本发明实施例中通过延时微分方程，在更新每个节点的隐状态时都考虑了相应的延迟，从而更加逼近真实场景，实现了更精确的预测效果；其次，已有模型采用的都是固定的离散形式，因此只能服务于特定长度特定粒度的预测需求，而本发明实施例通过连续化的建模方式，实现了可以输出任意粒度的预测结果，大大增强了模型在现实场景中的可用性和灵活性。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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预测交通流量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。
实施例3
根据本发明实施例，还提供了一种用于实施上述图2所示的预测交通流量的方法的预测交通流量的装置。
图8是根据本发明实施例的一种预测交通流量的装置的示意图。如图8所示，该预测交通流量的装置800可以包括：第一获取单元802、第二获取单元804、第一预测单元806和第一确定单元808。
第一获取单元802，用于获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
第二获取单元804，用于获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
第一预测单元806，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态。
第一确定单元808，用于基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
此处需要说明的是，上述第一获取单元802、第二获取单元804、第一预测单元806和第一确定单元808对应于实施例1中的步骤S202至步骤S208，四个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
根据本发明实施例，还提供了一种用于实施上述图3所示的预测交通流量的方法的预测交通流量的装置。
图9是根据本发明实施例的另一种预测交通流量的装置的示意图，该装置应用于捕获交通视频的监测设备，且监测设备允许部署在城市道路中。如图9所示，该预测交通流量的装置900可以包括：第三获取单元902、第四获取单元904、第二预测单元906和第二确定单元908。
第三获取单元902，用于获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
第四获取单元904，用于获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
第二预测单元906，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态。
第二确定单元908，用于基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
此处需要说明的是，上述第第三获取单元902、第四获取单元904、第二预测单元906和第二确定单元908对应于实施例1中的步骤S302至步骤S308，四个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
根据本发明实施例，还提供了一种用于实施上述图4所示的预测交通流量的方法的预测交通流量的装置。
图10是根据本发明实施例的另一种预测交通流量的装置的示意图。如图10所示，该预测交通流量的装置1000可以包括：第一显示单元1002和第二显示单元1004。
第一显示单元1002，用于响应作用于操作界面上的输入操作指令，在操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
第二显示单元1004，用于响应作用于操作界面上的流量预测指令，在操作界面上显示任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
此处需要说明的是，上述第一显示单元1002和第二显示单元1004对应于实施例1中的步骤S402至步骤S404，两个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
根据本发明实施例，还提供了一种用于实施上述图5所示的视频渲染方法的视频渲染装置。
图11是根据本发明实施例的一种视频渲染装置的示意图。如图11所示，该视频渲染装置1100可以包括：呈现单元1102、第三确定单元1104、第五获取单元1106、第三预测单元1108、第四确定单元1110和输出单元1112。
呈现单元1102，用于在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频。
第三确定单元1104，用于基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量。
第五获取单元1106，用于获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
第三预测单元1108，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；
第四确定单元1110，用于基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
输出单元1112，用于基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
此处需要说明的是，上述呈现单元1102、第三确定单元1104、第五获取单元1106、第三预测单元1108、第四确定单元1110和输出单元1112对应于实施例1中的步骤S502至步骤S512，六个单元与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述单元作为装置的一部分可以运行在实施例一提供的计算机终端10中。
在该实施例的预测交通流量的装置中，通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
实施例4
本发明的实施例可以提供一种车俩，该车辆可以包括定位装置，用于车辆行驶在交通道路过程中，定位所经过的交通站点；监测设备，用于通过访问部署在交通道路上的监测设备，获取任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；计时器，用于计算任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；处理器，用于基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的交通流量。
在本发明实施例中，通过车辆中的定位装置，对车辆行驶过的交通道路进行定位，从而确定行驶在交通道路过程中，车辆所经过的交通站点；通过访问部署在交通道路上的监测设备，对交通道路上的行驶情况进行检测，得到展示交通路段的交通视频，从而基于交通视频，获取任意两个交通站点的交通状态信息；通过计时器，计算任意两个交通站点之间的通信时长；通过处理器，对第二交通站点的交通状态信息和通信时长进行处理，从而预测得到第一交通站点在未来时刻的交通流量。也就是说，本发明通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
实施例5
本发明的实施例可以提供一种预测交通流量的系统，该预测交通流量的系统可以包括服务器、客户端，该AR/VR设备可以是AR/VR设备群中的任意一个AR/VR设备。可选地，该预测交通流量的设备包括：处理器；存储器，与处理器相连接，用于为处理器提供处理以下处理步骤的指令：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
在本发明实施例中，通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
实施例6
本发明的实施例可以提供一种预测交通流量的处理器，该预测交通流量的处理器可以包括计算机终端，该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地，在本实施例中，上述计算机终端也可以替换为移动终端等终端设备。
可选地，在本实施例中，上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中，上述计算机终端可以执行应用程序的预测交通流量的方法中以下步骤的程序代码：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
可选地，图12是根据本发明实施例的一种计算机终端的结构框图。如图12所示，该计算机终端A可以包括：一个或多个（图中仅示出一个）处理器1202、存储器1204、以及传输装置1206。
其中，存储器可用于存储软件程序以及模块，如本发明实施例中的预测交通流量的方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及预测，即实现上述的预测交通流量的方法。存储器可包括高速随机存储器，还可以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，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至终端A。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。
处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
可选地，上述处理器还可以执行如下步骤的程序代码：从第一目标数据中识别到第一类型封装数据；确定第一类型封装数据的第一数量是否小于目标阈值。
可选地，上述处理器还可以执行如下步骤的程序代码：确定目标函数中断执行，包括：如果第一数量小于目标阈值，则将第一目标数据分配至与目标阈值对应的网元节点；从第一目标数据中获取第一原始数据，包括：在网元节点中从第一目标数据中获取第一原始数据。
可选地，上述处理器还可以执行如下步骤的程序代码：交通状态信息用于表示对应的交通站点在历史时间段内连续变化的交通流量。
可选地，上述处理器还可以执行如下步骤的程序代码：将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到预测交通状态，其中，延时微分模型为基于神经网络和延时微分方程建立得到。
可选地，上述处理器还可以执行如下步骤的程序代码：基于延时微分模型对第二交通站点的交通状态信息、第一交通站点的交通状态信息和通信时长进行处理，得到第一交通站点的交通状态信息在隐空间中的隐状态序列，其中，隐空间的维度大于维度阈值，预测交通状态包括隐状态序列，隐状态序列用于表征第一交通站点的交通状态信息在隐空间中的变化状态。
可选地，上述处理器还可以执行如下步骤的程序代码：对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，其中，卷积结果用于表示第二交通站点的交通状态信息对第一交通站点的交通状态信息的影响结果；基于延时微分模型对卷积结果和通信时长进行处理，得到隐状态序列。
可选地，上述处理器还可以执行如下步骤的程序代码：确定第一交通站点的交通状态信息的第二权重和第二交通站点的交通状态信息的第一权重，其中，第一权重用于表示第一交通站点的交通状态信息对隐状态序列影响的比重，第二权重用于表示第二交通站点的交通状态信息对隐状态序列影响的比重；基于第一权重和第二权重对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果。
可选地，上述处理器还可以执行如下步骤的程序代码：获取任意两个交通站点之间的通信时长，包括：基于任意两个交通站点之间的互相关系数，确定通信时长。
可选地，上述处理器还可以执行如下步骤的程序代码：对每个交通站点在历史时间段内的离散交通数据进行插值，得到每个交通站点的交通状态信息。
可选地，上述处理器还可以执行如下步骤的程序代码：对预测交通状态进行解码，得到第一交通站点在未来时刻的交通流量。
作为一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
作为一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：响应作用于操作界面上的输入操作指令，在操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；响应作用于操作界面上的流量预测指令，在操作界面上显示任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
作为一种可选的示例，处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频；基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
本发明实施例，提供了一种预测交通流量的方法，通过确定交通站点的状态信息，在更新交通站点时考虑了相应的延迟，从而不仅考虑了空间信息，也考虑了时间信息，进而更加逼近真实场景，实现了提高对交通流量预测的准确性的技术效果，解决了对交通流量预测精确性低的技术问题。
本领域普通技术人员可以理解，图12示的结构仅为示意，计算机终端A也可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌声电脑以及移动互联网设备（MobileInternet Devices，MID）、PAD等终端设备。图12并不对上述计算机终端A的结构造成限定。例如，计算机终端A还可包括比图12所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图12所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器（Read-Only Memory，ROM）、随机存取器（RandomAccess Memory，RAM）、磁盘或光盘等。
实施例7
本发明的实施例还提供了一种计算机可读存储介质。可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例一所提供的预测交通流量的方法所执行的程序代码。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
可选地，在本实施例中，上述计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：交通状态信息用于表示对应的交通站点在历史时间段内连续变化的交通流量。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：将第二交通站点的交通状态信息、通信时长和第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到预测交通状态，其中，延时微分模型为基于神经网络和延时微分方程建立得到。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：基于延时微分模型对第二交通站点的交通状态信息、第一交通站点的交通状态信息和通信时长进行处理，得到第一交通站点的交通状态信息在隐空间中的隐状态序列，其中，隐空间的维度大于维度阈值，预测交通状态包括隐状态序列，隐状态序列用于表征第一交通站点的交通状态信息在隐空间中的变化状态。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，其中，卷积结果用于表示第二交通站点的交通状态信息对第一交通站点的交通状态信息的影响结果；基于延时微分模型对卷积结果和通信时长进行处理，得到隐状态序列。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：确定第一交通站点的交通状态信息的第二权重和第二交通站点的交通状态信息的第一权重，其中，第一权重用于表示第一交通站点的交通状态信息对隐状态序列影响的比重，第二权重用于表示第二交通站点的交通状态信息对隐状态序列影响的比重；基于第一权重和第二权重对第二交通站点的交通状态信息和第一交通站点的交通状态信息进行图卷积处理，得到卷积结果。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：基于任意两个交通站点之间的互相关系数，确定通信时长。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：对每个交通站点在历史时间段内的离散交通数据进行插值，得到每个交通站点的交通状态信息。
可选地，上述计算机可读存储介质还可以执行如下步骤的程序代码：对预测交通状态进行解码，得到第一交通站点在未来时刻的交通流量。
作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：获取城市道路中交通路段的交通视频，并基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：响应作用于操作界面上的输入操作指令，在操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；响应作用于操作界面上的流量预测指令，在操作界面上显示任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，交通流量为基于预测交通状态确定得到，预测交通状态为基于任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，通信时长用于表示第一交通站点的交通状态信息传递至第二交通站点时所需的时长。
作为一种可选的示例，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频；基于交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，任意两个交通站点之间的距离处于预定范围内，交通状态信息用于表征交通站点在历史时间段内的交通流量；获取任意两个交通站点之间的通信时长，其中，通信时长用于表示任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；基于第二交通站点的交通状态信息和通信时长，预测得到第一交通站点在未来时刻的预测交通状态；基于预测交通状态，确定第一交通站点在未来时刻的交通流量；基于交通流量驱动VR设备或AR设备输出提示信息，其中，提示信息用于指引在未来时刻行驶通过交通路段的车辆信息。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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（可为个人计算机、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、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种预测交通流量的方法，其特征在于，包括：
获取交通道路中任意两个交通站点的交通状态信息，其中，所述任意两个交通站点之间的距离处于预定范围内，所述交通状态信息用于表征所述交通站点在历史时间段内的交通流量；
获取所述任意两个交通站点之间的通信时长，其中，所述通信时长用于表示所述任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；
基于所述第二交通站点的交通状态信息和所述通信时长，预测得到所述第一交通站点在未来时刻的预测交通状态；
基于所述预测交通状态，确定所述第一交通站点在所述未来时刻的交通流量。
2.根据权利要求1所述的方法，其特征在于，所述交通状态信息用于表示对应的所述交通站点在所述历史时间段内连续变化的交通流量。
3.根据权利要求1所述的方法，其特征在于，基于所述第二交通站点的交通状态信息和所述通信时长，预测得到所述第一交通站点在未来时刻的预测交通状态，包括：
将所述第二交通站点的交通状态信息、所述通信时长和所述第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到所述预测交通状态，其中，所述延时微分模型为基于神经网络和延时微分方程建立得到。
4.根据权利要求3所述的方法，其特征在于，将所述第二交通站点的交通状态信息、所述通信时长和所述第一交通站点的交通状态信息输入至延时微分模型中进行处理，得到所述预测交通状态，包括：
基于所述延时微分模型对所述第二交通站点的交通状态信息、所述第一交通站点的交通状态信息和所述通信时长进行处理，得到所述第一交通站点的交通状态信息在隐空间中的隐状态序列，其中，所述隐空间的维度大于维度阈值，所述预测交通状态包括所述隐状态序列，所述隐状态序列用于表征所述第一交通站点的交通状态信息在所述隐空间中的变化状态。
5.根据权利要求4所述的方法，其特征在于，基于所述延时微分模型对所述第二交通站点的交通状态信息、所述第一交通站点的交通状态信息和所述通信时长进行处理，得到所述第一交通站点的交通状态信息在隐空间中的隐状态序列，包括：
对所述第二交通站点的交通状态信息和所述第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，其中，所述卷积结果用于表示所述第二交通站点的交通状态信息对所述第一交通站点的交通状态信息的影响结果；
基于所述延时微分模型对所述卷积结果和所述通信时长进行处理，得到所述隐状态序列。
6.根据权利要求5所述的方法，其特征在于，对所述第二交通站点的交通状态信息和所述第一交通站点的交通状态信息进行图卷积处理，得到卷积结果，包括：
确定所述第一交通站点的交通状态信息的第二权重和所述第二交通站点的交通状态信息的第一权重，其中，所述第一权重用于表示所述第一交通站点的交通状态信息对所述隐状态序列影响的比重，所述第二权重用于表示所述第二交通站点的交通状态信息对所述隐状态序列影响的比重；
基于所述第一权重和所述第二权重对所述第二交通站点的交通状态信息和所述第一交通站点的交通状态信息进行图卷积处理，得到所述卷积结果。
7.根据权利要求1所述的方法，其特征在于，获取所述任意两个交通站点之间的通信时长，包括：
基于所述任意两个交通站点之间的互相关系数，确定所述通信时长。
8.根据权利要求1所述的方法，其特征在于，获取交通道路中任意两个交通站点的交通状态信息，包括：
对每个所述交通站点在所述历史时间段内的离散交通数据进行插值，得到每个所述交通站点的所述交通状态信息。
9.根据权利要求1至8中任意一项所述的方法，其特征在于，基于所述预测交通状态，确定所述第一交通站点在所述未来时刻的交通流量，包括：
对所述预测交通状态进行解码，得到所述第一交通站点在所述未来时刻的交通流量。
10.一种预测交通流量的方法，其特征在于，应用于捕获交通视频的监测设备，且所述监测设备允许部署在城市道路中，其中，所述方法包括：
获取所述城市道路中交通路段的所述交通视频，并基于所述交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，所述任意两个交通站点之间的距离处于预定范围内，所述交通状态信息用于表征所述交通站点在历史时间段内的交通流量；
获取所述任意两个交通站点之间的通信时长，其中，所述通信时长用于表示所述任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；
基于所述第二交通站点的交通状态信息和所述通信时长，预测得到所述第一交通站点在未来时刻的预测交通状态；
基于所述预测交通状态，确定所述第一交通站点在所述未来时刻的交通流量；
基于所述交通流量输出提示信息，其中，所述提示信息用于指引在所述未来时刻行驶通过所述交通路段的车辆信息。
11.一种预测交通流量的方法，其特征在于，包括：
响应作用于操作界面上的输入操作指令，在所述操作界面上显示交通道路中任意两个交通站点的交通状态信息，其中，所述任意两个交通站点之间的距离处于预定范围内，所述交通状态信息用于表征所述交通站点在历史时间段内的交通流量；
响应作用于所述操作界面上的流量预测指令，在所述操作界面上显示所述任意两个交通站点中第一交通站点在未来时刻的交通流量，其中，所述交通流量为基于预测交通状态确定得到，所述预测交通状态为基于所述任意两个交通站点中第二交通站点的交通状态信息和通信时长预测得到，所述通信时长用于表示所述第一交通站点的交通状态信息传递至所述第二交通站点时所需的时长。
12.一种预测交通流量的方法，其特征在于，包括：
在虚拟现实VR设备或增强现实AR设备的呈现画面上展示交通路段的待处理的交通视频；
基于所述交通视频确定交通道路中任意两个交通站点的交通状态信息，其中，所述任意两个交通站点之间的距离处于预定范围内，所述交通状态信息用于表征所述交通站点在历史时间段内的交通流量；
获取所述任意两个交通站点之间的通信时长，其中，所述通信时长用于表示所述任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；
基于所述第二交通站点的交通状态信息和所述通信时长，预测得到所述第一交通站点在未来时刻的预测交通状态；
基于所述预测交通状态，确定所述第一交通站点在所述未来时刻的交通流量；
基于所述交通流量驱动所述VR设备或所述AR设备输出提示信息，其中，所述提示信息用于指引在所述未来时刻行驶通过所述交通路段的车辆信息。
13.一种车辆，其特征在于，包括：
定位装置，用于车辆行驶在交通道路过程中，定位所经过的交通站点；
监测设备，用于通过访问部署在所述交通道路上的监测设备，获取任意两个交通站点的交通状态信息，其中，所述任意两个交通站点之间的距离处于预定范围内，所述交通状态信息用于表征交通站点在历史时间段内的交通流量；
计时器，用于计算所述任意两个交通站点之间的通信时长，其中，所述通信时长用于表示所述任意两个交通站点中第一交通站点的交通状态信息传递至第二交通站点时所需的时长；
处理器，用于基于所述第二交通站点的交通状态信息和所述通信时长，预测得到所述第一交通站点在未来时刻的交通流量。
14.一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包括存储的程序，其中，在所述程序被处理器运行时控制所述计算机可读存储介质所在设备执行权利要求1至12中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210565835.6A CN114648880B (zh) | 2022-05-24 | 2022-05-24 | 预测交通流量的方法、车辆和可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210565835.6A CN114648880B (zh) | 2022-05-24 | 2022-05-24 | 预测交通流量的方法、车辆和可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114648880A true CN114648880A (zh) | 2022-06-21 |
| CN114648880B CN114648880B (zh) | 2022-09-06 |
Family
ID=81996876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210565835.6A Active CN114648880B (zh) | 2022-05-24 | 2022-05-24 | 预测交通流量的方法、车辆和可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648880B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
| CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
| US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
| CN106652441A (zh) * | 2015-11-02 | 2017-05-10 | 杭州师范大学 | 一种基于时空数据的城市道路交通状态预测方法 |
| US20180151064A1 (en) * | 2016-11-29 | 2018-05-31 | Here Global B.V. | Method, apparatus and computer program product for estimation of road traffic condition using traffic signal data |
| CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| CN110363984A (zh) * | 2019-06-25 | 2019-10-22 | 讯飞智元信息科技有限公司 | 交通流量预测方法和设备 |
| CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
| CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
| WO2020147920A1 (en) * | 2019-01-14 | 2020-07-23 | Huawei Technologies Co., Ltd. | Traffic signal control by spatio-temporal extended search space of traffic states |
| US20200294394A1 (en) * | 2019-03-13 | 2020-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Joint Control of Vehicles Traveling on Different Intersecting Roads |
| CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
| CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
-
2022
- 2022-05-24 CN CN202210565835.6A patent/CN114648880B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106652441A (zh) * | 2015-11-02 | 2017-05-10 | 杭州师范大学 | 一种基于时空数据的城市道路交通状态预测方法 |
| CN105701571A (zh) * | 2016-01-13 | 2016-06-22 | 南京邮电大学 | 一种基于神经网络组合模型的短时交通流量预测方法 |
| US9633560B1 (en) * | 2016-03-30 | 2017-04-25 | Jason Hao Gao | Traffic prediction and control system for vehicle traffic flows at traffic intersections |
| CN106530694A (zh) * | 2016-11-07 | 2017-03-22 | 深圳大学 | 一种基于交通拥堵传播模型的交通拥堵预测方法及系统 |
| US20180151064A1 (en) * | 2016-11-29 | 2018-05-31 | Here Global B.V. | Method, apparatus and computer program product for estimation of road traffic condition using traffic signal data |
| CN108830430A (zh) * | 2018-08-01 | 2018-11-16 | 苏州大学张家港工业技术研究院 | 用于交通流量预测的卷积神经网络多点回归预测模型 |
| WO2020147920A1 (en) * | 2019-01-14 | 2020-07-23 | Huawei Technologies Co., Ltd. | Traffic signal control by spatio-temporal extended search space of traffic states |
| US20200294394A1 (en) * | 2019-03-13 | 2020-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Joint Control of Vehicles Traveling on Different Intersecting Roads |
| CN110363984A (zh) * | 2019-06-25 | 2019-10-22 | 讯飞智元信息科技有限公司 | 交通流量预测方法和设备 |
| CN110555018A (zh) * | 2019-07-29 | 2019-12-10 | 浙江工业大学 | 一种交通流量补全与预测方法 |
| CN110827543A (zh) * | 2019-11-11 | 2020-02-21 | 重庆邮电大学 | 一种基于深度学习和时空数据融合的短时交通流控制方法 |
| CN112489426A (zh) * | 2020-11-26 | 2021-03-12 | 同济大学 | 一种基于图卷积神经网络的城市交通流量时空预测方案 |
| CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| YAOYAO FENG ET AL: "Traffic Flow Prediction of Urban Intersection Based on Environmental Impact Factors and Markov Chains", 《2020 39TH CHINESE CONTROL CONFERENCE (CCC)》 * |
| 多丽等: "基于逆传播算法的十字路口交通流预测", 《工业仪表与自动化装置》 * |
| 袁媛等: "基于RBF神经网络的交通流数据修复研究", 《交通运输研究》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114648880B (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | Opv2v: An open benchmark dataset and fusion pipeline for perception with vehicle-to-vehicle communication | |
| US10678257B2 (en) | Generating occlusion-aware bird eye view representations of complex road scenes | |
| Chao et al. | A survey on visual traffic simulation: Models, evaluations, and applications in autonomous driving | |
| US11025959B2 (en) | Probabilistic model to compress images for three-dimensional video | |
| CN109624990B (zh) | 用于基于关键帧的自主车辆操作的系统及计算机实现方法 | |
| US20190246096A1 (en) | Behavioral Directional Encoding of Three-Dimensional Video | |
| CA3035298A1 (en) | Predicting depth from image data using a statistical model | |
| CN112991742B (zh) | 一种实时交通数据的可视化仿真方法及系统 | |
| CA3158601A1 (en) | Systems and methods for vehicle-to-vehicle communications for improved autonomous vehicle operations | |
| US20220153314A1 (en) | Systems and methods for generating synthetic motion predictions | |
| JP2022547187A (ja) | 複雑な道路シーンのパラメトリックな上面図表現 | |
| JP7276607B2 (ja) | 群衆のダイナミックを予測する方法及びシステム | |
| US20230331247A1 (en) | Systems for testing and training autonomous vehicles | |
| CN107830869A (zh) | 用于车辆的信息输出方法和装置 | |
| CN114648880B (zh) | 预测交通流量的方法、车辆和可读存储介质 | |
| Dunna et al. | A Deep Learning based system for fast detection of obstacles using rear-view camera under parking scenarios | |
| CN114973181B (zh) | 多目bev视角的环境感知方法、装置、设备及存储介质 | |
| CN116229011A (zh) | 一种基于空间数据融合和网格化的车辆感知训练方法 | |
| Bai et al. | Deep virtual-to-real distillation for pedestrian crossing prediction | |
| CN116321072B (zh) | 基于感知失效的数据补偿方法以及装置 | |
| Fennessy | Autonomous vehicle end-to-end reinforcement learning model and the effects of image segmentation on model quality | |
| KR20210059457A (ko) | 이동 단말기 | |
| US20220189171A1 (en) | Apparatus and method for prediction of video frame based on deep learning | |
| WO2024074246A1 (en) | System and method for evaluation of the driving of a vehicle | |
| CN116489477A (zh) | 全息视频的生成方法、装置、设备及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240131 Address after: Room 553, 5th Floor, Building 3, No. 969 Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province, 311121 Patentee after: Hangzhou Alibaba Cloud Feitian Information Technology Co.,Ltd. Country or region after: China Address before: 310023 Room 516, floor 5, building 3, No. 969, Wenyi West Road, Wuchang Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: Alibaba Dharma Institute (Hangzhou) Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |