CN114822019A - 交通信息处理方法和装置 - Google Patents
交通信息处理方法和装置 Download PDFInfo
- Publication number
- CN114822019A CN114822019A CN202210343945.8A CN202210343945A CN114822019A CN 114822019 A CN114822019 A CN 114822019A CN 202210343945 A CN202210343945 A CN 202210343945A CN 114822019 A CN114822019 A CN 114822019A
- Authority
- CN
- China
- Prior art keywords
- lane
- downstream
- information
- time
- feature vector
- 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.)
- Pending
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
- G08G1/0125—Traffic data processing
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开实施例公开了一种交通信息处理方法和装置，所述方法包括：获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道；基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息；基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况。该方案在考虑下游车道会对上游车道产生影响的前提下进行交通状况预估，将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，确保第一车道的交通状况以及第一下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率。
Description
技术领域
本公开涉及交通数据处理技术领域，具体涉及交通信息处理方法和装置。
背景技术
近年来，随着经济的发展以及人们生活水平的不断提高，社会上车辆的保有量迅速增加。随着新增的车辆不断涌入有限的城市交通路网，给城市交通路网带来了巨大的压力。
为了便于用户规划行车路线，相关技术中，可以通过具备在线导航功能的终端设备向用户展示导航路径的预估交通状况，例如可以基于到达时间(Estimated Time ofArrival，ETA)预估功能获取相应路段的预估行驶时间，并向用户展示该预估行驶时间，也可以获取相应路段的预估流量，并向用户展示该预估流量。在实际应用中，路口作为两条或两条以上道路的交汇处，是车辆汇集、转向的必经之地，因此路口处的车辆流量往往较大，导致车辆在经过路口前以及路口后时速度通常较慢，路口前以及路口后的流量也往往较大。因此，对路口附近的交通状况进行准确预估，是确保向用户展示的导航路径的预估交通状况的准确率较高的必要条件之一。
发明内容
为了解决相关技术中的问题，本公开实施例提供交通信息处理方法及装置。
第一方面，本公开实施例中提供了一种交通信息处理方法，所述方法包括：
获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道；
基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口；
基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况。
在本申请的一种实现方式中，所述方法还包括：
基于第一下游车道信息和车道拓扑关系，获取第二下游车道的第二下游车道信息，第二下游车道为用于进入第二下游路口的车道，第二下游路口为沿第一下游车道经过第一下游路口后，进入的第一个路口；
基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况，包括：
基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况。
在本申请的一种实现方式中，所述方法还包括：
基于第一车道信息和车道拓扑关系，确定第一上游车道的第一上游车道信息，第一上游车道为用于进入第一上游路口的车道，第一上游路口为用于进入第一车道前经过的上一个路口；
基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况，包括：
基于第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息，估计第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况。
在本申请的一种实现方式中，任一车道的车道信息为所属车道的特征向量序列，其中，车道的特征向量序列包括指示车道的静态特征的静态特征向量和指示车道的动态特征的动态特征向量，其中，车道的静态特征指的是车道不随时间改变的特征，并且车道的动态特征指的是车道随时间改变的特征。
在本申请的一种实现方式中，车道的静态特征包括车道的宽度、长度、与上游车道的邻接关系、与下游车道的邻接关系，并且车道的动态特征包括车道的车辆实时速度和车辆历史平均速度。
在本申请的一种实现方式中，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况，包括：
将第一车道的特征向量序列和第一下游车道的特征向量序列输入第一时空卷积算法模块以获取第一车道的第一估计特征向量序列和第一下游车道的第一下游估计特征向量序列；
将第一估计特征向量序列和第一下游估计特征向量序列输入第二时空卷积算法模块以获取第一车道的第二估计特征向量序列和第一下游车道的第二下游估计特征向量序列，其中，第二时空卷积算法模块与第一时空卷积算法模块结构相同；
将第二估计特征向量序列和第二下游估计特征向量序列输入全连接层，以输出估计出的未来多个批次的第一车道的特征向量序列和第一下游车道的特征向量序列。
在本申请的一种实现方式中，第一时空卷积算法模块包括：
第一时序门控卷积层，在第一时序门控卷积层对第一车道的特征向量序列和第一下游车道的特征向量序列进行一维卷积获取时间步之间的时序关联性，输出第一车道的第一时序卷积特征向量序列和第一下游车道的第一下游第一时序卷积特征向量序列；
空间注意力层，在空间注意力层获取第一车道与第一下游车道的空间关联性，输出第一车道的第一时空卷积特征向量序列和第一下游车道的第一下游第一时空卷积特征向量序列；
第二时序门控卷积层，在第二时序门控卷积层对第一车道的第一时空卷积特征向量序列和第一下游车道的第一下游第一时空卷积特征向量序列进行一维卷积获取时间步之间的时序关联性，输出第一车道的第一估计特征向量序列和第一下游车道的第一下游估计特征向量序列，其中，第一时序门控卷积层与第二时序门控卷积层结构相同。
在本申请的一种实现方式中，在空间注意力层，基于第一车道的第一时序卷积特征向量序列确定第一车道的embedding向量，并且基于第一下游车道的第一下游第一时序卷积特征向量序列确定第一下游车道的embedding向量，计算第一车道的embedding向量与自身的第一相似度，计算第一车道的embedding向量与第一下游车道的embedding向量的第二相似度，基于第一相似度得到第一权重系数，并且基于第二相似度得到第二权重系数，通过将第一车道的embedding向量乘以第一权重系数的第一乘积与第一下游车道的embedding向量乘以第二权重系数的第二乘积求和以获取第一车道的新embedding向量。
在本申请的一种实现方式中，所述方法还包括：
基于第一车道与第一下游车道的交通状况，估计车辆行驶路径和行驶时间。
第二方面，本公开实施例中提供了一种交通信息处理装置，所述装置包括：
第一车道信息获取模块，被配置为获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道；
第一下游车道信息获取模块，被配置为基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口；
交通状态估计模块，被配置为基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况。
本公开实施例提供的技术方案可以包括以下有益效果：
根据本公开实施例提供的技术方案，通过获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道，并基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，其中第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况与前述方案相比，本公开发明人提出的方案在预估交通状态时，基于进入第一路口的车道的车道信息、以及用于进入第一下游路口(即沿第一车道经过第一路口后，进入的第一个路口)的第一下游车道的车道信息，针对该第一车道与第一下游车道进行交通状况预估。在这一预估交通状态的过程中，一方面考虑到位于第一车道下游的第一下游车道在发生拥堵时，拥堵会逐渐扩散到上游的第一车道，导致上游的第一车道也会发生拥堵，通过基于第一车道信息以及第一下游车道信息进行预估，可以在考虑下游车道会对上游车道产生影响的前提下进行交通状况预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，并将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，可以确保第一车道的交通状况以及第一下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率。
根据本公开实施例提供的技术方案，通过基于第一下游车道信息和车道拓扑关系，获取第二下游车道的第二下游车道信息，并基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况。在这一预估交通状态的过程中，一方面考虑到下游的车道在发生堵车时，拥堵会逐渐扩散到上游的车道，导致上游的车道也会发生拥堵，通过上述方案，可以在考虑下游车道对上游车道产生的影响以及下游车道的下游车道对上游车道产生的影响的前提下进行交通状况预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，将第二下游车道视作交通状况可能与用于进入第二下游路口的其他车道存在不同的车道对待，从而确保第一车道、第一下游车道以及第二下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率，改善了用户体验。
根据本公开实施例提供的技术方案，通过基于第一车道信息和车道拓扑关系，确定第一上游车道的第一上游车道信息，并基于第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息，估计第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况。在这一预估交通状态的过程中，一方面考虑到不但下游的车道在发生堵车时，拥堵会逐渐扩散到上游的车道，导致上游的车道也会发生拥堵，而且上游的车道在车流量急剧增加时，也会使一定时间后的下游的车道的车流量急剧增加，导致下游的车道发生用户，通过上述方案，一方面可以在考虑上游车道对下游车道产生的影响、下游车道对上游车道产生的影响以及下游车道的下游车道对上游车道产生的影响的前提下进行交通状况的预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，将第二下游车道视作交通状况可能与用于进入第二下游路口的其他车道存在不同的车道对待，将第一上游车道视作交通状况可能与用于进入第一上游路口的其他车道存在不同的车道对待，从而确保第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率，改善了用户体验。
根据本公开实施例提供的技术方案，通过将任一车道的车道信息限定为所属车道的特征向量序列，并将车道的特征向量序列先定位包括指示车道的静态特征的静态特征向量和指示车道的动态特征的动态特征向量，将车道的静态特征限定为指的是车道不随时间改变的特征，将车道的动态特征限定为指的是车道随时间改变的特征。由于任一车道的车道信息为所属车道的特征向量序列，与相关技术中需要通过临接矩阵指示上游车道与下游车道的空间关系相比，特征向量序列能够指示所属车道之外的其他车道与所属车道的空间关系，便于后续处理过程中空间注意力层可以进行两个不同车道的空间关联计算。
根据本公开实施例提供的技术方案，车道的静态特征包括车道的宽度、长度、与上游车道的邻接关系、与下游车道的邻接关系，并且车道的动态特征包括车道的车辆实时速度和车辆历史平均速度，可以确保任一车道的车道信息能够指示该车道自身能够影响该车道的交通状况的信息以及其他车道能够影响该车道的交通状况的信息，确保车道信息能够较为全面的指示能够影响该车道的交通状况的信息，进而提高了根据车道信息进行交通状况预估的准确率。
根据本公开实施例提供的技术方案，将第一车道的特征向量序列和第一下游车道的特征向量序列输入第一时空卷积算法模块以获取第一车道的第一估计特征向量序列和第一下游车道的第一下游估计特征向量序列；将第一估计特征向量序列和第一下游估计特征向量序列输入第二时空卷积算法模块以获取第一车道的第二估计特征向量序列和第一下游车道的第二下游估计特征向量序列，其中，第二时空卷积算法模块与第一时空卷积算法模块结构相同；将第二估计特征向量序列和第二下游估计特征向量序列输入全连接层以输出估计出的未来多个批次的第一车道的估计出的特征向量序列和第一下游车道的估计出的特征向量序列，可以通过堆叠的结构相同的第一时空卷积算法模块与第二时空卷积算法模块，提取第一车道的特征向量序列和第一下游车道的特征向量序列中的空间特征以及时间特征，使所提取出的特征的准确率较高，并通过全连接层将所提取出的特征进行分类，以获取估计出的未来多个批次的第一车道的估计出的特征向量序列和第一下游车道的估计出的特征向量序列，从而实现对第一车道与第一下游车道的交通状况的估计，提高了对交通状态进行估计的准确率。
根据本公开实施例提供的技术方案，第一时空卷积算法模块包括第一时序门控卷积层、空间注意力层以及第二时序门控卷积层，其中第一时序门控卷积层以及第二时序门控卷积层均可以利用时间轴上的整个卷积结构来捕捉第一车道以及第一下游车道中的交通流的时间动态行为，即捕捉时间步之间的时序关联性，这样的结构允许通过多层卷积结构实现并行和可控的训练过程；而处于第一时序门控卷积层以及第二时序门控卷积层中间的空间注意力层，承接两个第一时序门控卷积层以及第二时序门控卷积层，用于捕捉第一车道与第一下游车道的空间关联性，可使空间状态能够从图卷积到时间卷积快速传播，这样的结构有助于充分应用瓶颈策略(bottleneck strategy)来实现通过压缩通道来进行规模缩放和特征压缩，以减少学习参数，降低训练难度。
根据本公开实施例提供的技术方案，在空间注意力层，基于第一车道的第一时序卷积特征向量序列确定第一车道的embedding向量，并且基于第一下游车道的第一下游第一时序卷积特征向量序列确定第一下游车道的embedding向量，其中第一车道的embedding向量与第一下游车道的embedding向量为便于处理的低维稠密向量，可以在不损失第一时序卷积特征向量序列以及第一下游第一时序卷积特征向量序列所携带信息的前提下，降低后续处理过程难度并提高处理过程的效率。通过计算第一车道的embedding向量与自身的第一相似度，计算第一车道的embedding向量与第一下游车道的embedding向量的第二相似度，基于第一相似度得到第一权重系数，并且基于第二相似度得到第二权重系数，其中由于在时间维度上，不同时间段的交通状况之间存在相关性，不同情况下的相关性不同，因此使用注意机制来自适应地赋予不同相似度不同的权重，即使基于相邻的车道的embedding向量计算得到的权重系数较大，使其能够较为方便的指示不同车道的相邻关系。之后通过将第一车道的embedding向量乘以第一权重系数的第一乘积与第一下游车道的embedding向量乘以第二权重系数的第二乘积求和以获取第一车道的新embedding向量，使该第一车道的新embedding向量能够表示第一车道与第一下游车道的空间关联性，降低了后续处理的难度。
根据本公开实施例提供的技术方案，通过基于第一车道与第一下游车道的交通状况，估计车辆行驶路径和行驶时间，可以方便用户规划行程，改善了用户体验。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：
图1示出根据本公开一实施方式的交通信息处理方法的流程图；
图2示出根据本公开一实施方式的第一路口的示意性结构图；
图3示出根据本公开一实施方式的第一下游路口的示意性结构图；
图4示出根据本公开一实施方式的多个车道的示意性结构图；
图5示出根据本公开一实施方式的第二下游路口的示意性结构图；
图6示出根据本公开一实施方式的第一上游路口的示意性结构图；
图7示出根据本公开一实施方式的第一时空卷积算法模块、第二时空卷积算法模块以及全连接层的结构框图；
图8示出根据本公开一实施方式的第一时空卷积算法模块的结构框图；
图9示出根据本公开一实施方式的空间注意力层的执行机制的示意图；
图10示出根据本公开一实施方式的交通信息处理装置的结构框图。
具体实施方式
下文中，将参考附图详细描述本公开的示例性实施方式，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施方式无关的部分。
在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的标签、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他标签、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。
另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的标签可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
为了对路口附近的交通状况进行预估，本公开发明人考虑了如下方案。
在估计路口附近的交通状况时，把路口附近的每个路段视为一个节点，相邻的路口上下游的路段之间用边连接，通过获取每个路段的连接属性和交通路况，并根据所获取的连接属性和交通路况提取与该路段对应的节点的特征向量，之后使用图卷积神经网络通过聚合相邻节点的信息，以更新当前中心节点的特征向量，使得当前中心节点能够感知上下游路况的变化，并通过堆叠多个图卷积层的方式感知多阶邻居的路况，最终可以得到每个路段的预估交通状况例如预估行驶时间、预估流量等。
此方案的缺点：一个路段通常可以包括一条或多条车道，考虑到交通法规的影响(在右转专用车道行驶时，车辆无需等待道路交通信号灯变为绿色即可通过路口，而在左转专用车道行驶的车辆需等待道路交通信号灯变为绿色方可通过路口)，用于进入路口的不同车道通常具有不同的通行时间，并且由于用于进入路口的不同车道可能分别通向不同的目的地，导致经过该不同车道的车辆的流量也不同。然而在上述方案中，用于进入路口的车道往往并未被对待，而是将用于进入路口的不同车道视作交通状况相同的车道，从而导致所获取的预估交通状况可能准确率较差。
考虑以上方案的缺点，本公开发明人提出了新的方案：通过获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道，并基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，其中第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况与前述方案相比，本公开发明人提出的方案在预估交通状态时，基于进入第一路口的车道的车道信息、以及用于进入第一下游路口(即沿第一车道经过第一路口后，进入的第一个路口)的第一下游车道的车道信息，针对该第一车道与第一下游车道进行交通状况预估。在这一预估交通状态的过程中，一方面考虑到位于第一车道下游的第一下游车道在发生拥堵时，拥堵会逐渐扩散到上游的第一车道，导致上游的第一车道也会发生拥堵，通过基于第一车道信息以及第一下游车道信息进行预估，可以在考虑下游车道会对上游车道产生影响的前提下进行交通状况预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，并将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，可以确保第一车道的交通状况以及第一下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率。
为了解决上述问题，本公开提出交通信息处理方法和装置。
图1示出根据本公开一实施方式的交通信息处理方法的流程图。如图1所示，交通信息处理方法包括步骤S101、S102、S103。
在步骤S101中，获取第一车道的第一车道信息。
其中，第一车道为用于进入第一路口的车道。
在步骤S102中，基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息。
其中，第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口。
在步骤S103中，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况。
在本公开的一个实施例中，路口可以理解为至少两条不同方向的车道交汇的地方。进入第一路口的车道，可以理解为车辆在进入第一路口前所行驶的车道。其中，进入第一路口的车道可以包括一条车道或多条车道，当进入第一路口的车道包括多条车道时，该多条车道上行驶的车辆在驶出第一路口后，行驶方向可以不同也可以相同。例如，进入第一路口的车道可以包括左转车道、直行车道、右转车道、掉头车道中的至少两个车道，通过左转车道进入第一路口的车辆在驶出第一路口后，其行驶方向相对于进入第一路口前的行驶方向向左转；通过右转车道进入第一路口的车辆在驶出第一路口后，其行驶方向相对于进入第一路口前的行驶方向向右转；通过直行车道进入第一路口的车辆在驶出第一路口后，其行驶方向与进入第一路口前的行驶方向相同；通过掉头车道进入第一路口的车辆在驶出第一路口后，其行驶方向相对于进入第一路口前的行驶方向掉头。另外，需要说明的是，进入第一路口的车道的长度可以根据实际交通环境而不同，例如，第一路口为交通繁忙的路口时，进入第一路口的车道的长度可以达到100米、200米或更长，第一路口为交通不太繁忙的路口时，进入第一路口的车道的长度可能只有20米，因此，本公开实施例对进入第一路口的车道的长度不作限制。示例性的，图2示出根据本公开一实施方式的第一路口的示意性结构图，如图2所示，进入第一路口100的车道可以包括三条车道，分别为第一左转车道101、第一直行车道102以及第一右转车道103，第一左转车道101、第一直行车道102以及第一右转车道103中任一条车道均可以作为第一车道。
在本公开的一个实施例中，第一车道的第一车道信息，可以理解为，用于指示行驶在该第一车道中车辆的状况以及该第一车道自身的状况，例如，车辆的状况可以包括车辆的实时速度和历史平均速度等，该第一车道的状况可以包括第一车道的长度、宽度等。
在本公开的一个实施例中，车道拓扑关系，可以理解为，用于指示多个车道之间的连通关系，该多个车道至少包括该第一车道以及第一下游车道。
在本公开的一个实施例中，进入第一下游路口的车道，可以理解为车辆在进入第一下游路口前所行驶的车道。其中，进入第一下游路口的车道可以包括一条车道或多条车道，当进入第一下游路口的车道包括多条车道时，该多条车道上行驶的车辆在驶出第一下游路口后，行驶方向可以不同也可以相同。例如，进入第一下游路口的车道可以包括左转车道、直行车道、右转车道、掉头车道中的至少两个车道。
示例性的，图3示出根据本公开一实施方式的第一下游路口的示意性结构图，如图3所示，以第一车道为第一右转车道103，第一下游路口为第二路口200为例进行说明。其中，从第一右转车道103进入第一路口100的车辆在驶出第一路口100后，可以通过第一下游左转车道201、第一下游直行车道202以及第一下游右转车道203中任一项车道进入第二路口200，即第一下游直行车道202以及第一下游右转车道203中任一项车道可以作为第一下游车道。在车道拓扑关系中，第一下游左转车道201、第一下游直行车道202、第一下游右转车道203是与第一右转车道103连通的一阶邻居。另外，可以理解的是，尽管图中未示出，第一左转车道101和第一直行车道102也具有其各自的一阶邻居。这些位于相应车道下游的一阶邻居的交通状态可以传播到该相应车道。
在本公开的一个实施例中，第一下游车道信息，可以理解为用于指示行驶在该第一下游车道中车辆的状况以及该第一下游车道自身的状况。例如，车辆的状况可以包括车辆的实时速度和历史平均速度等，第一下游车道自身的状况可以包括第一下游车道的长度、宽度等。
在本公开的一个实施例中，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况，可以理解为根据预先训练的第一交通状况预估模型，将第一车道信息以及第一下游车道信息输入第一交通状况预估模型，以获取该第一交通状况预估模型输出第一交通状态预估信息，并根据该第一交通状态预估信息获取第一车道信息以及第一下游车道信息的交通状况；也可以理解为根据预设的算法以及第一车道信息、第一下游车道信息进行计算，以获取第一交通状态预估信息，并根据该第一交通状态预估信息获取第一车道信息以及第一下游车道信息的交通状况。
在本公开的一个实施例中，在相邻的车道间，当下游的车道发生堵车时，拥堵会逐渐扩散到上游的车道，导致上游的车道也会发生拥堵。示例性的，图4示出根据本公开一实施方式的多个车道的示意性结构图，如图4所示，第二车道20为与第一车道10相邻的上游车道，第三车道30为与第二车道20相邻的上游车道，第四车道40为与第三车道30相邻的上游车道。当第二车道20发生拥堵21时，随着时间的推移，该拥堵21会沿第一拥堵传播方向31向与第二车道20相邻的上游车道即第三车道30传播。在第三车道30也发生拥堵后，第三车道30中的拥堵会沿第二拥堵传播方向41向与第三车道30相邻的上游车道即第四车道40传播，使第四车道40在一段时间后也发生拥堵。
根据本公开实施例提供的技术方案，通过获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道，并基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，其中第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况与前述方案相比，本公开发明人提出的方案在预估交通状态时，基于进入第一路口的车道的车道信息、以及用于进入第一下游路口(即沿第一车道经过第一路口后，进入的第一个路口)的第一下游车道的车道信息，针对该第一车道与第一下游车道进行交通状况预估。在这一预估交通状态的过程中，一方面考虑到位于第一车道下游的第一下游车道在发生拥堵时，拥堵会逐渐扩散到上游的第一车道，导致上游的第一车道也会发生拥堵，通过基于第一车道信息以及第一下游车道信息进行预估，可以在考虑下游车道会对上游车道产生影响的前提下进行交通状况预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，并将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，可以确保第一车道的交通状况以及第一下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率。
在本公开的一个实施例中，所述交通信息处理方法还包括如下步骤：
基于第一下游车道信息和车道拓扑关系，获取第二下游车道的第二下游车道信息，第二下游车道为用于进入第二下游路口的车道，第二下游路口为沿第一下游车道经过第一下游路口后，进入的第一个路口；
在步骤S103中，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况，可以通过如下步骤实现：
基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况。
在本公开的一个实施例中，进入第二下游路口的车道，可以理解为车辆在进入第第二游路口前所行驶的车道。其中，进入第二下游路口的车道可以包括一条车道或多条车道，当进入第二下游路口的车道包括多条车道时，该多条车道上行驶的车辆在驶出第二下游路口后，行驶方向可以不同也可以相同。例如，进入第二下游路口的车道可以包括左转车道、直行车道、右转车道、掉头车道中的至少两个车道。
示例性的，图5示出根据本公开一实施方式的第二下游路口的示意性结构图，如图5所示，以第一下游车道为第一下游右转车道203、第一下游路口为第二路口200、第二下游路口为第三路口300为例进行说明，其中，自第一下游右转车道203进入第二路口200的车辆在驶出入第二路口200后，可以通过第二下游左转车道301、第二下游直行车道302以及第二下游右转车道303中任一条车道进入第三路口300，即第二下游左转车道301、第二下游直行车道302以及第二下游右转车道303中任一条车道可以作为第二下游车道。在车道拓扑关系中，第二下游左转车道301、第二下游直行车道302以及第二下游右转车道303是与第一下游右转车道203连通的一阶邻居。
在本公开的一个实施例中，车道拓扑关系，可以理解为，用于指示多个车道之间的连通关系，该多个车道至少包括该第一车道、第一下游车道以及第二下游车道。
在本公开的一个实施例中，第二下游车道信息，可以理解为用于指示行驶在该第二下游车道中车辆的状况以及该第二下游车道自身的状况。例如，车辆的状况可以包括车辆的实时速度和历史平均速度等，第二下游车道自身的状况可以包括第二下游车道的长度、宽度等。
在本公开的一个实施例中，基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况，可以理解为根据预先训练的第二交通状况预估模型，将第一车道信息、第一下游车道信息以及第二下游车道信息输入第二交通状况预估模型，以获取该第二交通状况预估模型输出第二交通状态预估信息，并根据该第二交通状态预估信息获取第一车道、第一下游车道以及第二下游车道的交通状况；也可以理解为根据预设的算法以及第一车道信息、第一下游车道信息以及第二下游车道信息进行计算，以获取第二交通状态预估信息，并根据该第二交通状态预估信息获取第一车道、第一下游车道以及第二下游车道的交通状况。
根据本公开实施例提供的技术方案，通过基于第一下游车道信息和车道拓扑关系，获取第二下游车道的第二下游车道信息，并基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况。在这一预估交通状态的过程中，一方面考虑到下游的车道在发生堵车时，拥堵会逐渐扩散到上游的车道，导致上游的车道也会发生拥堵，通过上述方案，可以在考虑下游车道对上游车道产生的影响以及下游车道的下游车道对上游车道产生的影响的前提下进行交通状况预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，将第二下游车道视作交通状况可能与用于进入第二下游路口的其他车道存在不同的车道对待，从而确保第一车道、第一下游车道以及第二下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率，改善了用户体验。
在本公开的一个实施例中，所述交通信息处理方法还包括如下步骤：
基于第一车道信息和车道拓扑关系，确定第一上游车道的第一上游车道信息，第一上游车道为用于进入第一上游路口的车道，第一上游路口为用于进入第一车道前经过的上一个路口；
基于第一车道信息、第一下游车道信息以及第二下游车道信息，估计第一车道、第一下游车道以及第二下游车道的交通状况，可以通过如下步骤实现：
基于第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息，估计第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况。
在本公开的一个实施例中，进入第一上游路口的车道，可以理解为车辆在进入第第一上游路口前所行驶的车道。其中，进入第一上游路口的车道可以包括一条车道或多条车道，当进入第一上游路口的车道包括多条车道时，该多条车道上行驶的车辆在驶出第一上游路口后，行驶方向可以不同也可以相同。例如，进入第一上游路口的车道可以包括左转车道、直行车道、右转车道、掉头车道中的至少两个车道。
示例性的，图6示出根据本公开一实施方式的第一上游路口的示意性结构图，如图6所示，以第一车道为第一右转车道103，第一上游路口为第四路口400为例进行说明。用于进入第四路口400的车道包括第一上游左转车道401、第一上游直行车道402以及第一上游右转车道403，第一上游左转车道401、第一上游直行车道402以及第一上游右转车道403中的任一条车道均可作为第一上游车道。在车道拓扑关系中，第一上游左转车道401、第一上游直行车道402、第一上游右转车道403均是第一右转车道103的一阶邻居，这些位于第一右转车道103上游的一阶邻居的交通状态可以影响到第一右转车道103。
在本公开的一个实施例中，第一车道的位于下游的一阶邻居和二阶邻居对第一车道的交通状况影响较为显著，第一车道的位于上游的一阶邻居对第一车道的交通状况也有影响。尽管本公开实施例仅对第一车道的位于下游的一阶邻居和二阶邻居和位于上游的一阶邻居进行了讨论，但是，本领域技术人员可以理解，只要执行车道信息处理的模型或系统支持，可以考虑第一车道的下游的更多阶邻居和上游的更多阶邻居。
在本公开的一个实施例中，基于第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息，估计第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况，可以理解为根据预先训练的第三交通状况预估模型，将第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息输入第三交通状况预估模型，以获取该第三交通状况预估模型输出第三交通状态预估信息，并根据该第三交通状态预估信息获取第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况；也可以理解为根据预设的算法以及第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息进行计算，以获取第三交通状态预估信息，并根据该第三交通状态预估信息获取第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况。
根据本公开实施例提供的技术方案，通过基于第一车道信息和车道拓扑关系，确定第一上游车道的第一上游车道信息，并基于第一车道信息、第一下游车道信息、第二下游车道信息以及第一上游车道信息，估计第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况。在这一预估交通状态的过程中，一方面考虑到不但下游的车道在发生堵车时，拥堵会逐渐扩散到上游的车道，导致上游的车道也会发生拥堵，而且上游的车道在车流量急剧增加时，也会使一定时间后的下游的车道的车流量急剧增加，导致下游的车道发生用户，通过上述方案，一方面可以在考虑上游车道对下游车道产生的影响、下游车道对上游车道产生的影响以及下游车道的下游车道对上游车道产生的影响的前提下进行交通状况的预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，将第二下游车道视作交通状况可能与用于进入第二下游路口的其他车道存在不同的车道对待，将第一上游车道视作交通状况可能与用于进入第一上游路口的其他车道存在不同的车道对待，从而确保第一车道、第一下游车道、第二下游车道以及第一上游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率，改善了用户体验。
在本申请的一种实现方式中，任一车道的车道信息为所属车道的特征向量序列，其中，车道的特征向量序列包括指示车道的静态特征的静态特征向量和指示车道的动态特征的动态特征向量，其中，车道的静态特征指的是车道不随时间改变的特征，并且车道的动态特征指的是车道随时间改变的特征。
在本公开的一个实施例中，车道随时间改变的特征指的是，因不同时刻该车道中所行驶车辆的数量、车型、速度等参数不同而导致存在差异的特征。车道不随时间改变的特征指的是，不受到该车道中所行驶车辆的数量、车型、速度等参数所影响的该车道的空间特征。
在本公开的一个实施例中，特征向量序列中的特征向量可以为沿时间排列的，单个特征向量可以是一个一维的固定长度的向量，其中不同维度对应不同的特征。
示例性的，特征向量序列可以表示为v_1,v_2,…,v_T，其中该特征向量序列包括根据时间序列排列T个批次的特征向量。
根据本公开实施例提供的技术方案，通过将任一车道的车道信息限定为所属车道的特征向量序列，并将车道的特征向量序列先定位包括指示车道的静态特征的静态特征向量和指示车道的动态特征的动态特征向量，将车道的静态特征限定为指的是车道不随时间改变的特征，将车道的动态特征限定为指的是车道随时间改变的特征。由于任一车道的车道信息为所属车道的特征向量序列，与相关技术中需要通过临接矩阵指示上游车道与下游车道的空间关系相比，特征向量序列能够指示所属车道之外的其他车道与所属车道的空间关系，便于后续处理过程中空间注意力层可以进行两个不同车道的空间关联计算。
在本公开的一个实施例中，车道的静态特征包括车道的宽度、长度、与上游车道的邻接关系、与下游车道的邻接关系，并且车道的动态特征包括车道的车辆实时速度和车辆历史平均速度。
其中，车道的宽度能够影响在该车道中行驶车辆的速度上限；车道的长度能够影响在该车道中行驶车辆的平均行驶时间；车道与上游车道的邻接关系以及车道与下游车道的邻接关系能够决定其他车道的交通状况是否会对该车道的交通状况造成影响；车道的车辆实时速度和车辆历史平均速度能够反映该车道是处于拥堵状况还是处于通畅状况。
根据本公开实施例提供的技术方案，车道的静态特征包括车道的宽度、长度、与上游车道的邻接关系、与下游车道的邻接关系，并且车道的动态特征包括车道的车辆实时速度和车辆历史平均速度，可以确保任一车道的车道信息能够指示该车道自身能够影响该车道的交通状况的信息以及其他车道能够影响该车道的交通状况的信息，确保车道信息能够较为全面的指示能够影响该车道的交通状况的信息，进而提高了根据车道信息进行交通状况预估的准确率。
在本公开的一个实施例中，图7示出根据本公开一实施方式的第一时空卷积算法模块、第二时空卷积算法模块以及全连接层的结构框图，如图7所示，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况，包括：
将第一车道的特征向量序列和第一下游车道的特征向量序列输入第一时空卷积算法模块500以获取第一车道的第一估计特征向量序列和第一下游车道的第一下游估计特征向量序列；
将第一估计特征向量序列和第一下游估计特征向量序列输入第二时空卷积算法模块600以获取第一车道的第二估计特征向量序列和第一下游车道的第二下游估计特征向量序列，其中，第二时空卷积算法模块600与第一时空卷积算法模块500结构相同；
将第二估计特征向量序列和第二下游估计特征向量序列输入全连接层700以输出估计出的未来多个批次的第一车道的估计出的特征向量序列和第一下游车道的估计出的特征向量序列。例如，将第一车道的特征向量序列v1_1,v1_2,…,v1_T和第一下游车道的特征向量序列v2_1,v2_2,…,v2_T输入第一时空卷积算法模块500，全连接层700输出未来F+1个批次的第一车道的估计出的特征向量序列v1_T,v1_T+1,…,v1_T+F和第一下游车道的估计出的特征向量序列v2_T,v2_T+1,…,v2_T+F。
在本公开的一个实施例中，第一时空卷积算法模块能够结合图卷积和门控时间卷积，从而基于第一车道的特征向量序列和第一下游车道的特征向量序列提取出进行交通状况估计时参考价值较高的空间特征，并连贯地捕捉到基本的时间特征。
在本公开的一个实施例中，第二时空卷积算法模块与第一时空卷积算法模块的结构相同，同样能够结合图卷积和门控时间卷积，但第二时空卷积算法模块所基于的数据为第一时空卷积算法提取出的第一估计特征向量序列和第一下游估计特征向量序列，从而进一步提取出空间特征，并进一步连贯的捕捉时间特征。
根据本公开实施例提供的技术方案，将第一车道的特征向量序列和第一下游车道的特征向量序列输入第一时空卷积算法模块以获取第一车道的第一估计特征向量序列和第一下游车道的第一下游估计特征向量序列；将第一估计特征向量序列和第一下游估计特征向量序列输入第二时空卷积算法模块以获取第一车道的第二估计特征向量序列和第一下游车道的第二下游估计特征向量序列，其中，第二时空卷积算法模块与第一时空卷积算法模块结构相同；将第二估计特征向量序列和第二下游估计特征向量序列输入全连接层以输出估计出的未来多个批次的第一车道的估计出的特征向量序列和第一下游车道的估计出的特征向量序列，可以通过堆叠的结构相同的第一时空卷积算法模块与第二时空卷积算法模块，提取第一车道的特征向量序列和第一下游车道的特征向量序列中的空间特征以及时间特征，使所提取出的特征的准确率较高，并通过全连接层将所提取出的特征进行分类，以获取估计出的未来多个批次的第一车道的估计出的特征向量序列和第一下游车道的估计出的特征向量序列，从而实现对第一车道与第一下游车道的交通状况的估计，提高了对交通状态进行估计的准确率。
在本公开的一个实施例中，图8示出根据本公开一实施方式的第一时空卷积算法模块的结构框图，如图8所示，第一时空卷积算法模块500包括：
第一时序门控卷积层501，在第一时序门控卷积层对第一车道的特征向量序列和第一下游车道的特征向量序列进行一维卷积获取时间步之间的时序关联性，输出第一车道的第一时序卷积特征向量序列和第一下游车道的第一下游第一时序卷积特征向量序列；
空间注意力层502，在空间注意力层获取第一车道与第一下游车道的空间关联性，输出第一车道的第一时空卷积特征向量序列和第一下游车道的第一下游第一时空卷积特征向量序列；
第二时序门控卷积层503，在第二时序门控卷积层对第一车道的第一时空卷积特征向量序列和第一下游车道的第一下游第一时空卷积特征向量序列进行一维卷积获取时间步之间的时序关联性，输出第一车道的第一估计特征向量序列和第一下游车道的第一下游估计特征向量序列，其中，第一时序门控卷积层与第二时序门控卷积层结构相同。
在本公开的一个实施例中，第一时序门控卷积层包括一个一维卷积以及门控线性单元，该一维卷积中叠加的时间卷积层之间实现残差连接。第二时序门控卷积层与第一时序门控卷积层结构相同。
在本公开的一个实施例中，可以对第一时序门控卷积层、空间注意力层以及第二时序门控卷积层都进行归一化，防止过拟合。
根据本公开实施例提供的技术方案，第一时空卷积算法模块包括第一时序门控卷积层、空间注意力层以及第二时序门控卷积层，其中第一时序门控卷积层以及第二时序门控卷积层均可以利用时间轴上的整个卷积结构来捕捉第一车道以及第一下游车道中的交通流的时间动态行为，即捕捉时间步之间的时序关联性，这样的结构允许通过多层卷积结构实现并行和可控的训练过程；而处于第一时序门控卷积层以及第二时序门控卷积层中间的空间注意力层，承接两个第一时序门控卷积层以及第二时序门控卷积层，用于捕捉第一车道与第一下游车道的空间关联性，可使空间状态能够从图卷积到时间卷积快速传播，这样的结构有助于充分应用瓶颈策略(bottleneck strategy)来实现通过压缩通道来进行规模缩放和特征压缩，以减少学习参数，降低训练难度。
在本公开的一个实施例中，图9示出根据本公开一实施方式的空间注意力层的执行机制的示意图，如图9所示，在空间注意力层502，基于第一车道的第一时序卷积特征向量序列确定第一车道的空间关联性作为第一车道的embedding向量512，并且基于第一下游车道的第一下游第一时序卷积特征向量序列确定第一下游车道的空间关联性作为第一下游车道的embedding向量522，计算第一车道的embedding向量512与自身的第一相似度532，计算第一车道的embedding向量512与第一下游车道的embedding向量522的第二相似度542，基于第一相似度得到第一权重系数，并且基于第二相似度得到第二权重系数，通过将第一车道的embedding向量512乘以第一权重系数的第一乘积与第一下游车道的embedding向量522乘以第二权重系数的第二乘积求和以获取第一车道的新embedding向量552，表示第一车道的新的空间关联性。
图9所示空间注意力层的执行机制仅仅是示例。尽管图9仅示出第一车道的embedding向量512和第一下游车道的embedding向量522，但是在确定第一车道的新的空间关联性时，还可以考虑第一车道与第二下游车道、第一上游车道等不同阶邻居的空间关联性，即，图9所示的空间注意力的执行机制还可以结合第二下游车道、第一上游车道等的embedding向量。结合第二下游车道、第一上游车道等的embedding向量时的执行机制的具体执行方式可以参照以上描述，本公开对此不作赘述。
根据本公开实施例提供的技术方案，在空间注意力层，基于第一车道的第一时序卷积特征向量序列确定第一车道的embedding向量，并且基于第一下游车道的第一下游第一时序卷积特征向量序列确定第一下游车道的embedding向量，其中第一车道的embedding向量与第一下游车道的embedding向量为便于处理的低维稠密向量，可以在不损失第一时序卷积特征向量序列以及第一下游第一时序卷积特征向量序列所携带信息的前提下，降低后续处理过程难度并提高处理过程的效率。通过计算第一车道的embedding向量与自身的第一相似度，计算第一车道的embedding向量与第一下游车道的embedding向量的第二相似度，基于第一相似度得到第一权重系数，并且基于第二相似度得到第二权重系数，其中由于在时间维度上，不同时间段的交通状况之间存在相关性，不同情况下的相关性不同，因此使用注意机制来自适应地赋予不同相似度不同的权重，即使基于相邻的车道的embedding向量计算得到的权重系数较大，使其能够较为方便的指示不同车道的相邻关系。之后通过将第一车道的embedding向量乘以第一权重系数的第一乘积与第一下游车道的embedding向量乘以第二权重系数的第二乘积求和以获取第一车道的新embedding向量，使该第一车道的新embedding向量能够表示第一车道与第一下游车道的空间关联性，降低了后续处理的难度。
在本公开的一个实施例中，所述车道信息处理方法还包括如下步骤：
基于第一车道与第一下游车道的交通状况，估计车辆行驶路径和行驶时间。
根据本公开实施例提供的技术方案，通过基于第一车道与第一下游车道的交通状况，估计车辆行驶路径和行驶时间，可以方便用户规划行程，改善了用户体验。
以下参照图10描述根据本公开一实施方式的交通信息处理装置。图10示出根据本公开一实施方式的交通信息处理装置1000的结构框图。
如图10所示，交通信息处理装置1000包括：
第一车道信息获取模块1001，被配置为获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道；
第一下游车道信息获取模块1002，被配置为基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口；
交通状态估计模块1003，被配置为基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况。
根据本公开实施例提供的技术方案，通过获取第一车道的第一车道信息，第一车道为用于进入第一路口的车道，并基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，其中第一下游车道为用于进入第一下游路口的车道，第一下游路口为沿第一车道经过第一路口后，进入的第一个路口，基于第一车道信息以及第一下游车道信息，估计第一车道与第一下游车道的交通状况与前述方案相比，本公开发明人提出的方案在预估交通状态时，基于进入第一路口的车道的车道信息、以及用于进入第一下游路口(即沿第一车道经过第一路口后，进入的第一个路口)的第一下游车道的车道信息，针对该第一车道与第一下游车道进行交通状况预估。在这一预估交通状态的过程中，一方面考虑到位于第一车道下游的第一下游车道在发生拥堵时，拥堵会逐渐扩散到上游的第一车道，导致上游的第一车道也会发生拥堵，通过基于第一车道信息以及第一下游车道信息进行预估，可以在考虑下游车道会对上游车道产生影响的前提下进行交通状况预估，提高了所估计的交通状况的准确率；另一方面将第一车道视作交通状况可能与用于进入第一路口的其他车道存在不同的车道对待，并将第一下游车道视作交通状况可能与用于进入第一下游路口的其他车道存在不同的车道对待，可以确保第一车道的交通状况以及第一下游车道的交通状况能够被较为准确的预估，提高了所估计的交通状况的准确率。
本领域技术人员可以理解，参照图10描述的技术方案的可以与参照上述描述的任一实施例结合，从而具备上述描述的任一实施例所实现的技术效果。具体内容可以参照上述实施例的描述，其具体内容在此不再赘述。
附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本公开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可以是上述实施方式中所述节点中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种交通信息处理方法，其中，所述方法包括：
获取第一车道的第一车道信息，所述第一车道为用于进入第一路口的车道；
基于第一车道信息和车道拓扑关系，确定第一下游车道的第一下游车道信息，所述第一下游车道为用于进入第一下游路口的车道，所述第一下游路口为沿所述第一车道经过所述第一路口后，进入的第一个路口；
基于所述第一车道信息以及所述第一下游车道信息，估计所述第一车道与所述第一下游车道的交通状况。
2.根据权利要求1所述的方法，其中，所述方法还包括：
基于所述第一下游车道信息和车道拓扑关系，获取第二下游车道的第二下游车道信息，所述第二下游车道为用于进入第二下游路口的车道，所述第二下游路口为沿所述第一下游车道经过所述第一下游路口后，进入的第一个路口；
所述基于所述第一车道信息以及第一下游车道信息，估计所述第一车道与所述第一下游车道的交通状况，包括：
基于所述第一车道信息、所述第一下游车道信息以及所述第二下游车道信息，估计所述第一车道、所述第一下游车道以及所述第二下游车道的交通状况。
3.根据权利要求2所述的方法，其中，所述方法还包括：
基于第一车道信息和车道拓扑关系，确定第一上游车道的第一上游车道信息，所述第一上游车道为用于进入第一上游路口的车道，所述第一上游路口为用于进入所述第一车道前经过的上一个路口；
所述基于所述第一车道信息、所述第一下游车道信息以及所述第二下游车道信息，估计所述第一车道、所述第一下游车道以及所述第二下游车道的交通状况，包括：
基于所述第一车道信息、所述第一下游车道信息、所述第二下游车道信息以及所述第一上游车道信息，估计所述第一车道、所述第一下游车道、所述第二下游车道以及所述第一上游车道的交通状况。
4.根据权利要求1至3任一项所述的方法，其中，任一车道的车道信息为所属车道的特征向量序列，其中，所述车道的特征向量序列包括指示所述车道的静态特征的静态特征向量和指示所述车道的动态特征的动态特征向量，其中，所述车道的静态特征指的是所述车道不随时间改变的特征，并且所述车道的动态特征指的是所述车道随时间改变的特征。
5.根据权利要求4所述的方法，其中，所述车道的静态特征包括所述车道的宽度、长度、与上游车道的邻接关系、与下游车道的邻接关系，并且所述车道的动态特征包括所述车道的车辆实时速度和车辆历史平均速度。
6.根据权利要求4所述的方法，其中，所述基于所述第一车道信息以及所述第一下游车道信息，估计所述第一车道与所述第一下游车道的交通状况，包括：
将所述第一车道的特征向量序列和所述第一下游车道的特征向量序列输入第一时空卷积算法模块以获取所述第一车道的第一估计特征向量序列和所述第一下游车道的第一下游估计特征向量序列；
将所述第一估计特征向量序列和所述第一下游估计特征向量序列输入第二时空卷积算法模块以获取所述第一车道的第二估计特征向量序列和所述第一下游车道的第二下游估计特征向量序列，其中，所述第二时空卷积算法模块与所述第一时空卷积算法模块结构相同；
将所述第二估计特征向量序列和所述第二下游估计特征向量序列输入全连接层，以输出估计出的未来多个批次的所述第一车道的的特征向量序列和所述第一下游车道的特征向量序列。
7.根据权利要求6所述的方法，其中，所述第一时空卷积算法模块包括：
第一时序门控卷积层，在所述第一时序门控卷积层对所述第一车道的特征向量序列和所述第一下游车道的特征向量序列进行一维卷积获取时间步之间的时序关联性，输出所述第一车道的第一时序卷积特征向量序列和所述第一下游车道的第一下游第一时序卷积特征向量序列；
空间注意力层，在所述空间注意力层获取所述第一车道与所述第一下游车道的空间关联性，输出所述第一车道的第一时空卷积特征向量序列和所述第一下游车道的第一下游第一时空卷积特征向量序列；
第二时序门控卷积层，在所述第二时序门控卷积层对所述第一车道的第一时空卷积特征向量序列和所述第一下游车道的第一下游第一时空卷积特征向量序列进行一维卷积获取时间步之间的时序关联性，输出所述第一车道的第一估计特征向量序列和所述第一下游车道的第一下游估计特征向量序列，其中，所述第一时序门控卷积层与所述第二时序门控卷积层结构相同。
8.根据权利要求7所述的方法，其中，在所述空间注意力层，基于所述第一车道的第一时序卷积特征向量序列确定所述第一车道的embedding向量，并且基于所述第一下游车道的第一下游第一时序卷积特征向量序列确定所述第一下游车道的embedding向量，计算所述第一车道的embedding向量与自身的第一相似度，计算所述第一车道的embedding向量与所述第一下游车道的embedding向量的第二相似度，基于所述第一相似度得到第一权重系数，并且基于所述第二相似度得到第二权重系数，通过将所述第一车道的embedding向量乘以所述第一权重系数的第一乘积与所述第一下游车道的embedding向量乘以所述第二权重系数的第二乘积求和以获取所述第一车道的新embedding向量。
9.根据权利要求1至3任一项所述的方法，其中，所述方法还包括：
基于所述第一车道与所述第一下游车道的交通状况，估计车辆行驶路径和行驶时间。
10.一种交通信息处理装置，其中，所述装置包括：
第一车道信息获取模块，被配置为获取第一车道的第一车道信息，所述第一车道为用于进入第一路口的车道；
第一下游车道信息获取模块，被配置为基于第一车道信息和车道拓扑关系确定第一下游车道的第一下游车道信息，所述第一下游车道为用于进入第一下游路口的车道，所述第一下游路口为沿所述第一车道经过所述第一路口后，进入的第一个路口；
交通状态估计模块，被配置为基于所述第一车道信息以及所述第一下游车道信息，估计所述第一车道与所述第一下游车道的交通状况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343945.8A CN114822019A (zh) | 2022-03-31 | 2022-03-31 | 交通信息处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343945.8A CN114822019A (zh) | 2022-03-31 | 2022-03-31 | 交通信息处理方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114822019A true CN114822019A (zh) | 2022-07-29 |
Family
ID=82533244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210343945.8A Pending CN114822019A (zh) | 2022-03-31 | 2022-03-31 | 交通信息处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114822019A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403412A (zh) * | 2023-06-08 | 2023-07-07 | 深圳金三立视频科技股份有限公司 | 一种车辆拥堵检测方法以及终端 |
| CN117765737A (zh) * | 2024-02-21 | 2024-03-26 | 天津大学 | 交通异常检测方法、装置、设备、介质及程序产品 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523706A (zh) * | 2020-04-06 | 2020-08-11 | 武汉理工大学 | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 |
| CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
| CN112907956A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
| CN112926768A (zh) * | 2021-01-27 | 2021-06-08 | 浙江工业大学 | 基于时空注意力机制的地面道路车道级交通流预测方法 |
| CN113256985A (zh) * | 2021-06-28 | 2021-08-13 | 智道网联科技(北京)有限公司 | 一种交通拥堵预测方法、装置和电子设备 |
| CN113256980A (zh) * | 2021-05-28 | 2021-08-13 | 佳都科技集团股份有限公司 | 一种路网状态的确定方法、装置、设备及存储介质 |
-
2022
- 2022-03-31 CN CN202210343945.8A patent/CN114822019A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523706A (zh) * | 2020-04-06 | 2020-08-11 | 武汉理工大学 | 一种基于深度学习组合模型的断面车道级短时交通流预测方法 |
| CN112820108A (zh) * | 2021-01-12 | 2021-05-18 | 南京睿思交通信息科技有限公司 | 一种自学习的路网交通状态分析及预测方法 |
| CN112926768A (zh) * | 2021-01-27 | 2021-06-08 | 浙江工业大学 | 基于时空注意力机制的地面道路车道级交通流预测方法 |
| CN112907956A (zh) * | 2021-01-29 | 2021-06-04 | 同济大学 | 一种基于时空信息的高速公路车道级运行速度预测方法 |
| CN113256980A (zh) * | 2021-05-28 | 2021-08-13 | 佳都科技集团股份有限公司 | 一种路网状态的确定方法、装置、设备及存储介质 |
| CN113256985A (zh) * | 2021-06-28 | 2021-08-13 | 智道网联科技(北京)有限公司 | 一种交通拥堵预测方法、装置和电子设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116403412A (zh) * | 2023-06-08 | 2023-07-07 | 深圳金三立视频科技股份有限公司 | 一种车辆拥堵检测方法以及终端 |
| CN116403412B (zh) * | 2023-06-08 | 2023-09-19 | 深圳金三立视频科技股份有限公司 | 一种车辆拥堵检测方法以及终端 |
| CN117765737A (zh) * | 2024-02-21 | 2024-03-26 | 天津大学 | 交通异常检测方法、装置、设备、介质及程序产品 |
| CN117765737B (zh) * | 2024-02-21 | 2024-05-14 | 天津大学 | 交通异常检测方法、装置、设备、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chu et al. | Deep multi-scale convolutional LSTM network for travel demand and origin-destination predictions | |
| CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
| Li et al. | Real-time crash risk prediction on arterials based on LSTM-CNN | |
| Zhang et al. | Deeptravel: a neural network based travel time estimation model with auxiliary supervision | |
| CN109697852B (zh) | 基于时序交通事件的城市道路拥堵程度预测方法 | |
| CN114822019A (zh) | 交通信息处理方法和装置 | |
| CN112150207A (zh) | 基于时空上下文注意力网络的网约车订单需求预测方法 | |
| CN111667693B (zh) | 用于确定预计到达时间的方法、装置、设备及介质 | |
| CN113570859B (zh) | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 | |
| CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
| CN113140114B (zh) | 一种基于行程时间估计的车辆出行路径重构方法 | |
| CN112071062A (zh) | 一种基于图卷积网络和图注意力网络的行车时间估计方法 | |
| CN113256980A (zh) | 一种路网状态的确定方法、装置、设备及存储介质 | |
| Aqib et al. | A deep learning model to predict vehicles occupancy on freeways for traffic management | |
| Wang et al. | A traffic prediction model based on multiple factors | |
| CN112309138A (zh) | 交通信号控制方法、装置、电子设备及可读存储介质 | |
| Abidin et al. | Towards improved vehicle arrival time prediction in public transportation: integrating SUMO and Kalman filter models | |
| CN109544967A (zh) | 一种基于低频avl数据的公交线网运行状态监控方法 | |
| Paliwal et al. | To each route its own ETA: A generative modeling framework for ETA prediction | |
| Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
| CN112529284A (zh) | 基于神经网络的私家车停留时间预测方法、设备及介质 | |
| CN116089875A (zh) | 融合多源时空数据的交通流量预测方法、装置及存储介质 | |
| CN110021161A (zh) | 一种交通流向的预测方法及系统 | |
| Sheng et al. | Deep spatial-temporal travel time prediction model based on trajectory feature | |
| CN112989539A (zh) | 一种基于交叉路口转移计算的交通预测方法 |
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 |