CN116246460A - 路段通行时长的确定方法、装置、电子设备和介质 - Google Patents
路段通行时长的确定方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN116246460A CN116246460A CN202211686073.1A CN202211686073A CN116246460A CN 116246460 A CN116246460 A CN 116246460A CN 202211686073 A CN202211686073 A CN 202211686073A CN 116246460 A CN116246460 A CN 116246460A
- Authority
- CN
- China
- Prior art keywords
- target
- traffic
- road section
- traffic law
- duration
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000004927 fusion Effects 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000001360 synchronised effect Effects 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 101000822695 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C1 Proteins 0.000 description 1
- 101000655262 Clostridium perfringens (strain 13 / Type A) Small, acid-soluble spore protein C2 Proteins 0.000 description 1
- 101000655256 Paraclostridium bifermentans Small, acid-soluble spore protein alpha Proteins 0.000 description 1
- 101000655264 Paraclostridium bifermentans Small, acid-soluble spore protein beta Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 230000000007 visual 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种路段通行时长的确定方法、装置、电子设备和介质,涉及智能交通、深度学习等领域。实现方案为:获取目标路段的多个目标交通规律特征,及目标路段在目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征的权重;根据多个目标交通规律特征的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征;对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。由此,基于目标路段的多种交通规律特征,来预测目标路段的通行时长,可以提升预测结果的准确性。并且,多种交通规律特征的融合权重,是根据目标路段在预测时刻的实时交通状态确定的,可进一步提升预测结果的准确性。
Description
技术领域
本公开涉及人工智能领域,具体涉及智能交通、深度学习等技术领域,尤其涉及路段通行时长的确定方法、装置、电子设备和介质。
背景技术
目前,用户在利用导航类应用(或地图类应用)进行路线规划时,导航类应用不仅可以对用户进行路线规划,还可以对规划的每条路线进行准确估时,得到规划路线所需的通行时长,即得到用户从规划路线的出发地到达目的地所需要的通行时长。比如,用户可以在导航类应用中输入出发地和目的地,导航类应用能够规划从出发地到目的地的通行路线,还能够预估每条通行路线所需要的通行时长。
发明内容
本公开提供了一种用于路段通行时长的确定方法、装置、电子设备和介质。
根据本公开的一方面,提供了一种路段通行时长的确定方法,包括:
获取目标路段的多个目标交通规律特征,其中,所述目标交通规律特征用于指示所述目标路段的交通状态和/或拥堵程度;
获取所述目标路段在待预测的目标时刻的目标交通状态,并根据所述目标交通状态,确定所述多个目标交通规律特征对应的权重;
根据所述多个目标交通规律特征对应的权重,对所述多个目标交通规律特征进行融合,以得到融合交通规律特征;
对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长。
根据本公开的另一方面,提供了一种路段通行时长的确定装置,包括:
第一获取模块,用于获取目标路段的多个目标交通规律特征,其中,所述目标交通规律特征用于指示所述目标路段的交通状态和/或拥堵程度;
第二获取模块,用于获取所述目标路段在待预测的目标时刻的目标交通状态;
确定模块,用于根据所述目标交通状态,确定所述多个目标交通规律特征对应的权重;
融合模块,用于根据所述多个目标交通规律特征对应的权重,对所述多个目标交通规律特征进行融合,以得到融合交通规律特征;
预测模块,用于对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长。
根据本公开的又一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开上述一方面提出的路段通行时长的确定方法。
根据本公开的再一方面,提供了一种计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开上述一方面提出的路段通行时长的确定方法。
根据本公开的还一方面,提供了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现本公开上述一方面提出的路段通行时长的确定方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例一所提供的路段通行时长的确定方法的流程示意图;
图2为本公开实施例二所提供的路段通行时长的确定方法的流程示意图;
图3为本公开实施例三所提供的路段通行时长的确定方法的流程示意图;
图4为本公开实施例四所提供的路段通行时长的确定方法的流程示意图;
图5为本公开实施例五所提供的路段通行时长的确定方法的流程示意图;
图6为本公开实施例六所提供的路段通行时长的确定方法的流程示意图;
图7为本公开实施例所提供的特征动态融合模块的结构示意图;
图8为本公开实施例所提供的加入特征动态融合模块的预测模型(即通行时长预测模型)的结构示意图;
图9为本公开实施例七所提供的路段通行时长的确定装置的结构示意图;
图10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在导航出行中,导航类应用可以为用户的出行路线进行准确估时,得到出行路线所需的通行时长。具体地,导航类应用可以对组成出行路线的每个路段在未来不同时间的交通状态进行准确的预测。然而,同一路段在不同时刻的道路状态往往具有较大的差别,例如,对于某些通勤路段而言,在工作日的早晚高峰时段会出现规律性拥堵的状态,而在周末的早晚高峰时段却大多呈现畅通的状态;又例如,对于某些突发事件而言,会导致路段出现不同于其他任何时段的交通拥堵的道路状态。
相关技术中,可以基于时空注意力神经网络的交通预测模型,对路段的时空关系进行建模,预测路段在未来的通行能力(如通行时长)。其中,路段的空间属性主要来自对路网中该路段的上下游道路关系的建模,或对该路段具有明显影响的临近路段的挖掘;路段的时间属性主要包括:对路段历史同期交通规律的特征构造,以刻画规律性的交通状态(或交通状况),以及,对路段在当前时刻的实时交通规律的特征构造,以刻画突发实时的交通状态。
然而上述方式至少存在以下问题:
第一,对路段历史同期交通规律的特征构造不够精细,在特征构造时,未对历史同期下的交通状态进行区分,无法根据当前时刻的实时交通状态,选择历史同期且同交通状态下的特征。
第二,对路段在当前时刻的实时交通规律的特征构造不够完备,仅通过统计一段时间内的道路状态,构造实时交通规律特征,无法实现在异常拥堵场景下,构造出足够可信的特征。
第三,对用以刻画交通规律的特征的融合手段较为粗糙,无法实现在不同场景中(如规律性相对较强的通勤场景、无明显规律的突发交通拥堵场景等),对不同交通规律特征的选择。
针对上述存在的至少一项问题,本公开提出一种路段通行时长的确定方法、装置、电子设备和介质。
下面参考附图描述本公开实施例的路段通行时长的确定方法、装置、电子设备和介质。
图1为本公开实施例一所提供的路段通行时长的确定方法的流程示意图。
本公开实施例可以应用于服务端,或者也可以应用于任一电子设备中,以使该电子设备可以执行路段通行时长的确定功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为PC(PersonalComputer,个人电脑)、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该路段通行时长的确定方法可以包括以下步骤:
步骤101,获取目标路段的多个目标交通规律特征,其中,目标交通规律特征用于指示目标路段的交通状态和/或拥堵程度。
在本公开实施例中,目标路段可以为路径规划得到的路段,或者,目标路段可以为需要进行通行时长预测的路段。
在本公开实施例中,交通状态可以由车流量、对象(比如车辆、行人等)的通行速度、通行时长、道路占有率等表征。
在本公开实施例中,对拥堵程度的划分粒度不做限制,比如,拥堵程度可以包括非常畅通、畅通、轻微拥堵、中度拥堵和严重拥堵,再比如,拥堵程度可以包括畅通、缓慢和拥挤,等等,本公开对此不一一列举。
在本公开实施例中,可以获取目标路段的多个目标交通规律特征,其中,多个目标交通规律特征用于指示目标路段在不同时间或不同时段的交通状态和/或拥堵程度。
步骤102,获取目标路段在待预测的目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征对应的权重。
在本公开实施例中,目标时刻可以需要预测通行时长的时刻,比如,目标时刻可以为当前时刻。
在本公开实施例中,可以根据目标路段在目标时刻的道路状态或道路状况,确定目标路段在目标时刻的交通状态,本公开中记为目标交通状态,并且,可以根据目标交通状态,预测多个目标交通规律特征对应的权重。
其中,当目标交通状态不同时,多个目标交通规律特征对应的权重可以不同。
步骤103,根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
在本公开实施例中,可以根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。比如,可以根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行加权求和,以得到融合交通规律特征。
步骤104,对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
在本公开实施例中,可以对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
本公开实施例的路段通行时长的确定方法,通过获取目标路段的多个目标交通规律特征,及目标路段在目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征的权重;根据多个目标交通规律特征的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征;对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。由此,基于目标路段的多种交通规律特征,来预测目标路段的通行时长,可以提升预测结果的准确性。并且,多种交通规律特征的融合权重,是根据目标路段在预测时刻的实时交通状态确定的,即根据实时交通状态下对多种交通规律特征的倾向性,确定多种交通规律特征的融合权重,可以进一步提升预测结果的准确性。
需要说明的是,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均在征得用户同意的前提下进行,并且均符合相关法律法规的规定,且不违背公序良俗。
为了清楚说明本公开任一实施例中是如何获取目标路段的多个目标交通规律特征的,本公开还提出一种路段通行时长的确定方法。
图2为本公开实施例二所提供的路段通行时长的确定方法的流程示意图。
如图2所示,该路段通行时长的确定方法可以包括以下步骤:
步骤201,获取目标路段在第一时段的第一交通规律特征,其中,第一时段的时间上限与目标时刻之差小于设定差值。
在本公开实施例中,第一时段的时长为预先设定的,比如,第一时段的时长可以为10分钟、15分钟等。
在本公开实施例中,设定差值为较小的差值。第一时段的时间上限与目标时刻之差小于设定差值,比如,第一时段的时间上限可以为目标时刻。
在本公开实施例中,可以对目标路段在第一时段的道路状态或道路状况进行统计,以得到目标路段在第一时段的第一交通规律特征,其中,第一交通规律特征用于指示目标路段在第一时段或目标时刻的交通状态和/或拥堵程度。
其中,当目标时刻为当前时刻时,第一交通规律特征还可以称为实时交通规律特征。
步骤202,获取目标路段在第二时段的第二交通规律特征,其中,第二时段位于第一时段之前的设定时段内,或第二时段包含第一时段。
在本公开实施例中,第二时段的时长也为预先设定的,其中,第二时段的时长大于第一时段的时长,比如,第二时段的时长可以为1小时、2小时、3小时、4小时等。
在本公开实施例中,第二时段可以位于第一时段之前的设定时段内,或者,第二时段可以包含第一时段,比如,第一时段为某年某月某日的8点10分至8点20分,第二时段可以为该年该月该日的6点10分至8点20分。
在本公开实施例中,可以对目标路段在第二时段的道路状态或道路状况进行统计,以得到目标路段在第二时段的第二交通规律特征,其中,第二交通规律特征用于指示目标路段在第二时段的交通状态和/或拥堵程度。
步骤203,获取目标路段在第三时段的第三交通规律特征,其中,第三时段与第一时段同期。
在本公开实施例中,第三时段与第一时段同期,比如,当第一时段为本周一的早高峰时段时,第三时段可以为历史上各个周一的早高峰时段。
在本公开实施例中,可以对目标路段在第三时段的道路状态或道路状况进行统计,以得到目标路段在第三时段的第三交通规律特征,其中,第三交通规律特征用于指示目标路段在第三时段的交通状态和/或拥堵程度。
在本公开的任意一个实施例之中,第三时段的数量可以为多个,比如,第一时段为本周一的早高峰时段,第三时段可以为上周一的早高峰时段、上上周一的早高峰时段、上上上周一的早高峰时段等,此时,第三交通规律特征可以通过以下方式确定:获取目标路段在多个第三时段的候选交通规律特征,即通过目标路段在与第一时段历史同期的每个第三时段的历史交通规律特征(本公开中记为候选交通规律特征),并从多个第三时段的候选交通规律特征中,确定第三交通规律特征,其中,第三交通规律特征指示的目标路段的交通状态与目标路段在目标时刻的目标交通状态匹配。
举例而言,假设第三时段的数量为3个,分别为时段1、时段2和时段3,时段1的候选交通规律特征指示的交通状态为畅通,时段2的候选交通规律特征指示的交通状态为缓慢,时段3的候选交通规律特征指示的交通状态为拥挤,而目标路段在目标时刻的目标交通状态为缓慢,则可以将时段2的候选交通规律特征,作为第三交通规律特征。
由此,可以实现从多个历史的候选交通规律特征中,选择与目标时刻同期且同交通状态的候选交通规律特征,并作为第三交通规律特征,从而后续基于与目标时刻同期且同交通状态的第三交通规律特征,预测目标路段在目标时刻的通行时长,可以提升预测结果的准确性和可靠性。
步骤204,根据第一交通规律特征、第二交通规律特征和第三交通规律特征,确定多个目标交通规律特征。
在本公开实施例中,可以根据第一交通规律特征、第二交通规律特征和第三交通规律特征,确定多个目标交通规律特征。比如,可以将第一交通规律特征、第二交通规律特征和第三交通规律特征,作为多个目标交通规律特征。
步骤205,获取目标路段在待预测的目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征对应的权重。
步骤205的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
作为一种示例,对于畅通的目标交通状态,倾向于第一交通规律特征和第二交通规律特征,即第一交通规律特征的权重和第二交通规律特征的权重,可以大于第三交通规律特征;再例如,对于严重拥堵的目标交通状态,倾向于第三交通规律特征,即第三交通规律特征的权重可以大于第一交通规律特征的权重和第二交通规律特征的权重。
步骤206,根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
步骤207,对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
步骤206至207的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的路段通行时长的确定方法,可以实现基于目标路段在多个时段(比如目标时刻所处的第一时段、与第一时段接近的第二时段、与第一时段历史同期的第三时段)的道路状态或道路状况,确定目标路段对应的多个交通规律特征,可提升特征构造的丰富性和可信度,进而提升通行时长预测的准确性。
为了清楚说明本公开任一实施例中是如何获取目标路段在第二时段的第二交通规律特征的,本公开还提出一种路段通行时长的确定方法。
图3为本公开实施例三所提供的路段通行时长的确定方法的流程示意图。
如图3所示,该路段通行时长的确定方法可以包括以下步骤:
步骤301,获取目标路段在第一时段的第一交通规律特征,其中,第一时段的时间上限与目标时刻之差小于设定差值。
步骤301的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤302,获取至少一个候选行驶轨迹,其中,候选行驶轨迹在第二时段内通过目标路段。
其中,第二时段位于第一时段之前的设定时段内,或第二时段包含第一时段。
在本公开实施例中,可以从大量的用户行驶轨迹中确定至少一个候选行驶轨迹,其中,候选行驶轨迹在第二时段内通过该目标路段。
步骤303,获取至少一个候选行驶轨迹的置信度,其中,置信度用于指示候选行驶轨迹的质量。
在本公开实施例中,可以基于相关技术中的打分算法,对各候选行驶轨迹的质量进行打分,得到各候选行驶轨迹的置信度,其中,置信度用于指示候选行驶轨迹的质量。
比如,当候选行驶轨迹的各轨迹点连续时,该候选行驶轨迹的置信度相对较高,而当候选行驶轨迹的各轨迹点不连续时,该候选行驶轨迹的置信度相对较低。
再比如,当候选行驶轨迹的出行方式与交通工具匹配时,该候选行驶轨迹的置信度相对较高,而当候选行驶轨迹的出行方式与交通工具不匹配时,该候选行驶轨迹的置信度相对较低。举例而言,当用户选择的出行方式为步行,但是用户实际使用的交通工具为汽车时,该用户的候选行驶轨迹的置信度相对较低。其中,出行方式与交通工具是否匹配,可以根据候选行驶轨迹中各轨迹点的移动速度确定,比如,若出行方式为步行,但是候选行驶轨迹中各轨迹的移动速度较高,则可以确定出行方式与交通工具不匹配。
再比如,当候选行驶轨迹对应的行驶时长(首尾轨迹点之间的时间间隔)或行驶距离较长时,该候选行驶轨迹的置信度相对较高,而当候选行驶轨迹对应的行驶时长或行驶距离较短时,该候选行驶轨迹的置信度相对较低。
步骤304,根据至少一个候选行驶轨迹的置信度,从至少一个候选行驶轨迹中确定目标行驶轨迹。
在本公开实施例中,可以根据至少一个候选行驶轨迹的置信度,从各候选行驶轨迹中确定目标行驶轨迹。
作为一种示例,可以将置信度大于设定置信度阈值的候选行驶轨迹,作为目标行驶轨迹。
作为另一种示例,可以将各候选行驶轨迹按照置信度的取值由大至小排序,选取排序在前的设定个数的候选行驶轨迹,作为目标行驶轨迹。
步骤305,对目标行驶轨迹进行特征提取,以得到第二交通规律特征。
在本公开实施例中,可以对各目标行驶轨迹进行特征提取,得到第二交通规律特征。
步骤306,获取目标路段在第三时段的第三交通规律特征,其中,第三时段与第一时段同期。
步骤307,根据第一交通规律特征、第二交通规律特征和第三交通规律特征,确定多个目标交通规律特征。
步骤308,获取目标路段在待预测的目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征对应的权重。
步骤309,根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
步骤310,对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
步骤306至310的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的路段通行时长的确定方法,获取通过目标路段的完整行驶轨迹,并根据置信度相对较高的完整行驶轨迹,确定目标路段的第二交通规律特征,可以解决在异常拥堵场景下,实时的第一交通规律特征构造不完备的问题,从而提升特征构造的完备性,进而提升通行时长预测的准确性。
为了清楚说明本公开任一实施例中是如何确定多个目标交通规律特征对应的权重的,本公开还提出一种路段通行时长的确定方法。
图4为本公开实施例四所提供的路段通行时长的确定方法的流程示意图。
如图4所示,该路段通行时长的确定方法可以包括以下步骤:
步骤401,获取目标路段的多个目标交通规律特征,其中,目标交通规律特征用于指示目标路段的交通状态和/或拥堵程度。
步骤402,获取目标路段在待预测的目标时刻的目标交通状态。
步骤401至402的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤403,获取目标路段的道路属性信息。
在本公开实施例中,道路属性信息可以包括目标路段的长度、宽度、车道数等属性信息。
在本公开实施例中,可以从路网中获取目标路段的道路属性信息。
步骤404,基于目标交通状态和道路属性信息,确定多个目标交通规律特征对应的权重。
在本公开实施例中,可以同时基于目标路段的目标交通状态和道路属性信息,确定多个目标交通规律特征对应的权重。比如,可以基于目标路段的目标交通状态和道路属性信息,采用注意力机制,预测多个目标交通规律特征对应的权重。
在本公开的任意一个实施例之中,多个目标交通规律特征的权重的确定方式可以为:确定目标路段所隶属的区域(本公开中记为目标区域),并获取目标区域在目标时刻的天气信息,从而可以基于天气信息、目标交通状态和道路属性信息,采用注意力机制确定多个目标交通规律特征对应的权重,即,可以基于天气信息、目标交通状态和道路属性信息,采用注意力机制确定在目标时刻下对多种目标交通规律特征的倾向性。
由此,考虑到天气信息对交通通行的影响,同时基于目标路段所处区域的天气信息、目标路段的道路属性信息和目标交通状态,来预测多个目标交通规律特征对应的权重,可以提升预测结果的可靠性。
步骤405,根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
步骤406,对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
步骤405至406的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
本公开实施例的路段通行时长的确定方法,不仅基于目标路段在目标时刻的目标交通状态,确定多个目标交通规律特征对应的权重,还基于目标路段的道路属性信息,确定多个目标交通规律特征对应的权重,可以提升权重计算的准确性和可靠性。
为了清楚说明本公开任一实施例中是如何对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长的,本公开还提出一种路段通行时长的确定方法。
图5为本公开实施例五所提供的路段通行时长的确定方法的流程示意图。
如图5所示,该路段通行时长的确定方法可以包括以下步骤:
步骤501,获取目标路段的多个目标交通规律特征,其中,目标交通规律特征用于指示目标路段的交通状态和/或拥堵程度。
步骤502,获取目标路段在待预测的目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征对应的权重。
步骤503,根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
步骤501至503的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤504,确定目标路段隶属的目标区域。
在本公开实施例中,对区域的划分粒度不做限制,比如,区域可以为省、市、县、镇等。
在本公开实施例中,可以查询目标路段所隶属的区域,本公开中记为目标区域。比如,目标路段隶属的目标区域为A省、B市、C县等。
步骤505,从至少一个通行时长预测模型中,确定与目标区域匹配的目标通行时长预测模型;其中,每个通行时长预测模型采用对应区域内不同路段的交通规律特征和每个路段对应的实际通行时长训练得到。
在本公开实施例中,可以预先针对每个区域,采用该区域内不同路段的交通规律特征和该区域内不同路段的实际通行时长,对该区域的通行时长预测模型进行训练,以得到该区域对应的经过训练的通行时长预测模型。
作为一种示例,可以采用该区域的通行时长预测模型对该区域内的某一个路段的交通规律特征(比如与图2所示实施例中3种交通规律特征类似的特征)进行通行时长预测,得到预测通行时长,并根据该路段的实际通行时长和预测通行时长之间的差异,对该区域的通行时长预测模型进行训练。
比如,可以根据该路段的实际通行时长和预测通行时长之间的差异,确定损失函数的取值,本公开中记为损失值,其中,损失值与上述差异呈正相关关系,从而可以根据损失值,对该区域的通行时长预测模型进行训练,以使损失值最小化。
需要说明的是,上述仅以模型训练的终止条件为损失值最小化进行示例,实际应用时,还可以设置其他的终止条件,比如,终止条件还可以包括训练时长达到设定时长,训练次数达到设定次数等等,本公开对此并不做限制。
在本公开实施例中,可以从各通行时长预测模型中,确定与目标区域匹配的目标通行时长预测模型。
步骤506,采用目标通行时长预测模型对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
在本公开实施例中,可以采用目标通行时长预测模型,对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
本公开实施例的路段通行时长的确定方法,可以实现针对每个区域,针对性地训练该区域对应的通行时长预测模型,从而可以采用该区域的通行时长预测模型,对该区域内的路段的通行时长进行针对性的预测,可以提升预测结果的准确性和可靠性。
为了清楚说明本公开任一实施例中是如何采用目标通行时长预测模型对融合特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长的,本公开还提出一种路段通行时长的确定方法。
图6为本公开实施例六所提供的路段通行时长的确定方法的流程示意图。
如图6所示,该路段通行时长的确定方法可以包括以下步骤:
步骤601,获取目标路段的多个目标交通规律特征,其中,目标交通规律特征用于指示目标路段的交通状态和/或拥堵程度。
步骤602,获取目标路段在待预测的目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征对应的权重。
步骤603,根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
步骤604,确定目标路段隶属的目标区域。
步骤605,从至少一个通行时长预测模型中,确定与目标区域匹配的目标通行时长预测模型。
其中,每个通行时长预测模型采用对应区域内不同路段的交通规律特征和每个路段对应的实际通行时长训练得到。
步骤601至605的解释说明可以参见本公开任一实施例中的相关描述,在此不做赘述。
步骤606,获取目标路段的道路属性信息,并确定与目标路段关联的关联路段。
在本公开实施例中,道路属性信息可以包括目标路段的长度、宽度、车道数等属性信息。
在本公开实施例中,与目标路段关联的关联路段可以包括目标路段的上游路段、下游路段、临近路段。
在本公开实施例中,可以从路网中获取目标路段的道路属性信息,以及,确定与目标路段关联的关联路段。
步骤607,获取关联路段的多个参考交通规律特征。
在本公开实施例中,可以获取关联路段的多个参考交通规律特征,其中,参考交通规律特征的获取方式与目标交通规律特征的获取方式类似,在此不做赘述。
作为一种示例,可以分别获取关联路段在第一时段、第二时段和第三时段的交通规律特征,并将上述交通规律特征,作为参考交通规律特征。
步骤608,基于多个参考交通规律特征和道路属性信息,采用目标通行时长预测模型对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻的预期通行时长。
在本公开实施例中,可以基于多个参考交通规律特征和道路属性信息,采用目标通行时长预测模型对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻的预期通行时长。即,目标通行时长预测模型的输入为:关联路段的时空属性信息、目标路段的道路属性信息和融合交通规律特征,输出为:通行时长。
本公开实施例的路段通行时长的确定方法,使用路网中路段的道路属性信息,以及不同路段的空间依赖关系,并结合时空注意力网络完成对路段的道路属性、时间属性、空间属性特征的建模,基于建模后的模型,根据关联路段的时空属性信息、目标路段的道路属性信息和融合交通规律特征,预测目标路段在目标时刻的预期通行时长,可以提升预测结果的准确性。
在本公开的任意一个实施例之中,可以构造多种交通规律特征,以刻画规律性的、突发实时的交通状态(或交通状况),并通过计算多种交通规律特征在不同场景下的权重,以实现多种交通规律特征的动态融合,得到融合交通规律特征,最终将融合交通规律特征应用到预测任务中,以预测通行时长,可以极大地提高预测的准确性,并提高算法的鲁棒性,解决模型在突发事件下预测不准的问题。
即本申请中,可以通过特征构造,精细且完备的实现对路段的历史规律和实时道路状态(或交通状态)的刻画,识别路段在当前时刻的道路状态(或交通状态),并通过计算特征权重的方式,对历史交通规律信息和实时道路状态信息的动态选择并融合,以提高模型对通行时长预测的准确性,同时提高系统对突发事件的反应能力。
具体地,可以通过以下模块,来实现通行时长的预测:
1、特征构造模块,该特征构造模块用于执行以下三个部分:
第一部分,对路段在历史同期的交通规律特征进行构造。首先,可以对历史同期下的不同交通状态进行统计,以区分不同交通状态下的历史交通规律,更加精细化的实现对规律性的交通状况的刻画,得到精细化的历史交通规律特征(本公开中记为第三交通规律特征)。
也就是说,可以统计多种交通状态对应的历史交通规律特征,并从多种交通状态的历史交通规律特征中,选择与当前时刻的实时交通状态匹配的第三交通规律特征。
第二部分,对路段在当前时刻的实时交通规律特征(本公开中记为第一交通规律特征)进行构造。例如,可以不局限于获取近期的一段时间(如10分钟内)的实时交通规律特征。
第三部分,通过在线缓存的方式,获取到通过该路段的完整行驶轨迹,并根据相关性评估系统挑选高置信度的完整行驶轨迹,并根据高置信度的完整行驶轨迹,构造实时后验交通规律特征(本公开中记为第二交通规律特征),以解决在异常拥堵场景下,实时交通规律特征构造不完备的问题。
2、特征动态融合模块。可以识别不同场景,并根据识别的场景,动态生成不同的交通规律特征对应的权重,并根据权重对各交通规律特征进行融合。例如,可以基于如图7所示的前馈网络和MLP(Multi-Layer Perceptron,即多层感知器),来生成各交通规律特征对应的权重。具体地,可以通过捕捉路段的历史交通规律信息以及实时道路状态,识别当前场景,实现时间属性特征的融合。同时,可以根据不同的历史交通规律特征和实时交通规律特征(或实时道路状态特征)动态生成各特征对应的权重,使得模型获得动态预测的能力。
加入特征动态融合模块的模型结构可以如图8所示,特征动态融合模块通过获取的历史交通规律特征与实时的道路状态,结合时空注意力神经网络判断当前场景,并确定模型在当前场景下对多种交通规律特征的倾向性,输出对应特征的权重表达。特征动态融合模块输出的权重表达直接作用于多种交通规律特征,从而实现在计算道路未来通行时间(交通状态)时对不同交通规律特征的动态选择,同时使深度模型具备较强的可解释性。
作为一种应用场景,首先,可以通过地图类应用或导航类应用对应的海量的用户轨迹数据,提取不同路段在过去几个月内的通行能力信息,并结合对应时刻的实时交通规律,构造精细化的历史交通规律特征;通过获取当前时刻以及临近的一段时间内的路段通行能力信息,构造实时交通状态特征;同时,挑选高置信度的完整行驶轨迹或完整通行轨迹,构造实时后验交通规律特征。
之后,可以采用上述多种交通规律特征,以及用户轨迹数据中的路段通行时长,对模型进行训练。
其中,模型可以使用路网中路段的道路属性信息,以及不同路段的空间依赖关系,并结合时空注意力网络完成对路段的道路属性、时间属性、空间属性特征的建模,通过设计特征动态融合模块计算多源特征的权重,并基于权重,对多源特征加权的方式,对多源特征进行动态融合,提高了模型的可解释性。之后,可以基于融合后的特征,预测路段的预期通行时长,根据预期通行时长和用户轨迹数据中的路段通行时长之间的差异,对模型进行训练。
在模型的训练过程中,对于不同区域(如省、市等)的道路单独建模,分别筛选有效的轨迹样本,提取训练特征,综合千万级样本训练得到离线模型。采用庞大的训练集对模型进行训练,可以有效地防止模型的过拟合。
最后,在模型的预测阶段,可以通过在路网中读取当前路段的道路属性信息,结合预先挖掘的时空属性信息以及对历史交通规律和实时道路状态的统计,构建当前路段在当前时刻的时空特征,提供给模型,模型则输出当前路段的通行时长,代表该路段在未来时刻的通行能力。
综上,采用本公开所提供的方法预测路段的通行时长,可以提升ETA
(Estimated Time of Arrival,预计到达时间)精准率,明显改善在历史通行规律与实时通行能力差距较大场景下的预估效果,明显提高了模型在异常拥堵场景下的估时效果,缩短了对突发拥堵的反应时长。对路线的估时准确后,可以明显提升用户的ETA感知和使用体验,同时为用户提供更好的路线规划服务,保障了用户在规划道路选择上的合理性,科学的指导了用户的出行。
与上述图1至图6实施例提供的路段通行时长的确定方法相对应,本公开还提供一种路段通行时长的确定装置,由于本公开实施例提供的路段通行时长的确定装置与上述图1至图6实施例提供的路段通行时长的确定方法相对应,因此在路段通行时长的确定方法的实施方式也适用于本公开实施例提供的路段通行时长的确定装置,在本公开实施例中不再详细描述。
图9为本公开实施例七所提供的路段通行时长的确定装置的结构示意图。
如图9所示,该路段通行时长的确定装置900可以包括:第一获取模块901、第二获取模块902、确定模块903、融合模块904以及预测模块905。
其中,第一获取模块901,用于获取目标路段的多个目标交通规律特征,其中,目标交通规律特征用于指示目标路段的交通状态和/或拥堵程度。
第二获取模块902,用于获取目标路段在待预测的目标时刻的目标交通状态。
确定模块903,用于根据目标交通状态,确定多个目标交通规律特征对应的权重。
融合模块904,用于根据多个目标交通规律特征对应的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征。
预测模块905,用于对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
在本公开实施例的一种可能的实现方式中,第一获取模块901,用于:获取目标路段在第一时段的第一交通规律特征,其中,第一时段的时间上限与目标时刻之差小于设定差值;获取目标路段在第二时段的第二交通规律特征,其中,第二时段位于第一时段之前的设定时段内,或第二时段包含第一时段;获取目标路段在第三时段的第三交通规律特征,其中,第三时段与第一时段同期;根据第一交通规律特征、第二交通规律特征和第三交通规律特征,确定多个目标交通规律特征。
在本公开实施例的一种可能的实现方式中,第一获取模块901,用于:获取至少一个候选行驶轨迹,其中,候选行驶轨迹在第二时段内通过目标路段;获取至少一个候选行驶轨迹的置信度,其中,置信度用于指示候选行驶轨迹的质量;根据至少一个候选行驶轨迹的置信度,从至少一个候选行驶轨迹中确定目标行驶轨迹;对目标行驶轨迹进行特征提取,以得到第二交通规律特征。
在本公开实施例的一种可能的实现方式中,第三时段为多个;第一获取模块901,用于:获取目标路段在多个第三时段的候选交通规律特征;从多个第三时段的候选交通规律特征中,确定第三交通规律特征,其中,第三交通规律特征指示的目标路段的交通状态与目标交通状态匹配。
在本公开实施例的一种可能的实现方式中,确定模块903,用于:获取目标路段的道路属性信息;基于目标交通状态和道路属性信息,确定多个目标交通规律特征对应的权重。
在本公开实施例的一种可能的实现方式中,确定模块903,用于:确定目标路段所隶属的目标区域;获取目标区域在目标时刻的天气信息;基于天气信息、目标交通状态和道路属性信息,采用注意力机制确定多个目标交通规律特征对应的权重。
在本公开实施例的一种可能的实现方式中,预测模块905,用于:确定目标路段隶属的目标区域;从至少一个通行时长预测模型中,确定与目标区域匹配的目标通行时长预测模型;其中,每个通行时长预测模型采用对应区域内不同路段的交通规律特征和每个路段对应的实际通行时长训练得到;采用目标通行时长预测模型对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。
在本公开实施例的一种可能的实现方式中,预测模块905,用于:获取目标路段的道路属性信息,并确定与目标路段关联的关联路段;获取关联路段的多个参考交通规律特征;基于多个参考交通规律特征和道路属性信息,采用目标通行时长预测模型对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻的预期通行时长。
本公开实施例的路段通行时长的确定装置,通过获取目标路段的多个目标交通规律特征,及目标路段在目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征的权重;根据多个目标交通规律特征的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征;对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。由此,基于目标路段的多种交通规律特征,来预测目标路段的通行时长,可以提升预测结果的准确性。并且,多种交通规律特征的融合权重,是根据目标路段在预测时刻的实时交通状态确定的,即根据实时交通状态下对多种交通规律特征的倾向性,确定多种交通规律特征的融合权重,可以进一步提升预测结果的准确性。
为了实现上述实施例,本公开还提供一种电子设备,该电子设备可以包括至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开上述任一实施例提出的路段通行时长的确定方法。
为了实现上述实施例,本公开还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行本公开上述任一实施例提出的路段通行时长的确定方法。
为了实现上述实施例,本公开还提供一种计算机程序产品,该计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本公开上述任一实施例提出的路段通行时长的确定方法。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图10示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。其中,电子设备可以包括上述实施例中的服务端、客户端。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图10所示,电子设备1000包括计算单元1001,其可以根据存储在ROM
(Read-Only Memory,只读存储器)1002中的计算机程序或者从存储单元1008加载到RAM(Random Access Memory,随机访问/存取存储器)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM1003通过总线1004彼此相连。I/O(Input/Output,输入/输出)接口1005也连接至总线1004。
电子设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理,例如上述路段通行时长的确定方法。例如,在一些实施例中,上述路段通行时长的确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到RAM1003并由计算单元1001执行时,可以执行上文描述的路段通行时长的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述路段通行时长的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP
(Application Specific Standard Product,专用标准产品)、SOC(System OnChip,芯片上系统的系统)、CPLD(Complex Programmable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM
(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件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、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
深度学习是机器学习领域中一个新的研究方向。它是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
云计算(cloud computing),指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系。通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
根据本公开实施例的技术方案,通过获取目标路段的多个目标交通规律特征,及目标路段在目标时刻的目标交通状态,并根据目标交通状态,确定多个目标交通规律特征的权重;根据多个目标交通规律特征的权重,对多个目标交通规律特征进行融合,以得到融合交通规律特征;对融合交通规律特征进行通行时长预测,以得到目标路段在目标时刻对应的预期通行时长。由此,基于目标路段的多种交通规律特征,来预测目标路段的通行时长,可以提升预测结果的准确性。并且,多种交通规律特征的融合权重,是根据目标路段在预测时刻的实时交通状态确定的,即根据实时交通状态下对多种交通规律特征的倾向性,确定多种交通规律特征的融合权重,可以进一步提升预测结果的准确性。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开提出的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (19)
1.一种路段通行时长的确定方法,所述方法包括:
获取目标路段的多个目标交通规律特征,其中,所述目标交通规律特征用于指示所述目标路段的交通状态和/或拥堵程度;
获取所述目标路段在待预测的目标时刻的目标交通状态,并根据所述目标交通状态,确定所述多个目标交通规律特征对应的权重;
根据所述多个目标交通规律特征对应的权重,对所述多个目标交通规律特征进行融合,以得到融合交通规律特征;
对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长。
2.根据权利要求1所述的方法,其中,所述获取目标路段的多个目标交通规律特征,包括:
获取所述目标路段在第一时段的第一交通规律特征,其中,所述第一时段的时间上限与所述目标时刻之差小于设定差值;
获取所述目标路段在第二时段的第二交通规律特征,其中,所述第二时段位于所述第一时段之前的设定时段内,或所述第二时段包含所述第一时段;
获取所述目标路段在第三时段的第三交通规律特征,其中,所述第三时段与所述第一时段同期;
根据所述第一交通规律特征、所述第二交通规律特征和所述第三交通规律特征,确定所述多个目标交通规律特征。
3.根据权利要求2所述的方法,其中,所述获取所述目标路段在第二时段的第二交通规律特征,包括:
获取至少一个候选行驶轨迹,其中,所述候选行驶轨迹在所述第二时段内通过所述目标路段;
获取所述至少一个候选行驶轨迹的置信度,其中,所述置信度用于指示所述候选行驶轨迹的质量;
根据所述至少一个候选行驶轨迹的置信度,从所述至少一个候选行驶轨迹中确定目标行驶轨迹;
对所述目标行驶轨迹进行特征提取,以得到所述第二交通规律特征。
4.根据权利要求2所述的方法,其中,所述第三时段为多个;
所述获取所述目标路段在第三时段的第三交通规律特征,包括:
获取所述目标路段在多个所述第三时段的候选交通规律特征;
从所述多个第三时段的候选交通规律特征中,确定所述第三交通规律特征,其中,所述第三交通规律特征指示的所述目标路段的交通状态与所述目标交通状态匹配。
5.根据权利要求1所述的方法,其中,所述根据所述目标交通状态,确定所述多个目标交通规律特征对应的权重,包括:
获取所述目标路段的道路属性信息;
基于所述目标交通状态和所述道路属性信息,确定所述多个目标交通规律特征对应的权重。
6.根据权利要求5所述的方法,其中,所述基于所述目标交通状态和所述道路属性信息,确定所述多个目标交通规律特征对应的权重,包括:
确定所述目标路段所隶属的目标区域;
获取所述目标区域在所述目标时刻的天气信息;
基于所述天气信息、所述目标交通状态和所述道路属性信息,采用注意力机制确定所述多个目标交通规律特征对应的权重。
7.根据权利要求1所述的方法,其中,所述对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长,包括:
确定所述目标路段隶属的目标区域;
从至少一个通行时长预测模型中,确定与所述目标区域匹配的目标通行时长预测模型;其中,每个所述通行时长预测模型采用对应区域内不同路段的交通规律特征和每个路段对应的实际通行时长训练得到;
采用所述目标通行时长预测模型对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长。
8.根据权利要求7所述的方法,其中,所述采用所述目标通行时长预测模型对所述融合特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长,包括:
获取所述目标路段的道路属性信息,并确定与所述目标路段关联的关联路段;
获取所述关联路段的多个参考交通规律特征;
基于所述多个参考交通规律特征和所述道路属性信息,采用所述目标通行时长预测模型对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻的预期通行时长。
9.一种路段通行时长的确定装置,所述装置包括:
第一获取模块,用于获取目标路段的多个目标交通规律特征,其中,所述目标交通规律特征用于指示所述目标路段的交通状态和/或拥堵程度;
第二获取模块,用于获取所述目标路段在待预测的目标时刻的目标交通状态;
确定模块,用于根据所述目标交通状态,确定所述多个目标交通规律特征对应的权重;
融合模块,用于根据所述多个目标交通规律特征对应的权重,对所述多个目标交通规律特征进行融合,以得到融合交通规律特征;
预测模块,用于对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长。
10.根据权利要求9所述的装置,其中,所述第一获取模块,用于:
获取所述目标路段在第一时段的第一交通规律特征,其中,所述第一时段的时间上限与所述目标时刻之差小于设定差值;
获取所述目标路段在第二时段的第二交通规律特征,其中,所述第二时段位于所述第一时段之前的设定时段内,或所述第二时段包含所述第一时段;
获取所述目标路段在第三时段的第三交通规律特征,其中,所述第三时段与所述第一时段同期;
根据所述第一交通规律特征、所述第二交通规律特征和所述第三交通规律特征,确定所述多个目标交通规律特征。
11.根据权利要求10所述的装置,其中,所述第一获取模块,用于:
获取至少一个候选行驶轨迹,其中,所述候选行驶轨迹在所述第二时段内通过所述目标路段;
获取所述至少一个候选行驶轨迹的置信度,其中,所述置信度用于指示所述候选行驶轨迹的质量;
根据所述至少一个候选行驶轨迹的置信度,从所述至少一个候选行驶轨迹中确定目标行驶轨迹;
对所述目标行驶轨迹进行特征提取,以得到所述第二交通规律特征。
12.根据权利要求10所述的装置,其中,所述第三时段为多个;
所述第一获取模块,用于:
获取所述目标路段在多个所述第三时段的候选交通规律特征;
从所述多个第三时段的候选交通规律特征中,确定所述第三交通规律特征,其中,所述第三交通规律特征指示的所述目标路段的交通状态与所述目标交通状态匹配。
13.根据权利要求9所述的装置,其中,所述确定模块,用于:
获取所述目标路段的道路属性信息;
基于所述目标交通状态和所述道路属性信息,确定所述多个目标交通规律特征对应的权重。
14.根据权利要求13所述的装置,其中,所述确定模块,用于:
确定所述目标路段所隶属的目标区域;
获取所述目标区域在所述目标时刻的天气信息;
基于所述天气信息、所述目标交通状态和所述道路属性信息,采用注意力机制确定所述多个目标交通规律特征对应的权重。
15.根据权利要求9所述的装置,其中,所述预测模块,用于:
确定所述目标路段隶属的目标区域;
从至少一个通行时长预测模型中,确定与所述目标区域匹配的目标通行时长预测模型;其中,每个所述通行时长预测模型采用对应区域内不同路段的交通规律特征和每个路段对应的实际通行时长训练得到;
采用所述目标通行时长预测模型对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻对应的预期通行时长。
16.根据权利要求15所述的装置,其中,所述预测模块,用于:
获取所述目标路段的道路属性信息,并确定与所述目标路段关联的关联路段;
获取所述关联路段的多个参考交通规律特征;
基于所述多个参考交通规律特征和所述道路属性信息,采用所述目标通行时长预测模型对所述融合交通规律特征进行通行时长预测,以得到所述目标路段在所述目标时刻的预期通行时长。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的路段通行时长的确定方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的路段通行时长的确定方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述路段通行时长的确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686073.1A CN116246460A (zh) | 2022-12-27 | 2022-12-27 | 路段通行时长的确定方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211686073.1A CN116246460A (zh) | 2022-12-27 | 2022-12-27 | 路段通行时长的确定方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116246460A true CN116246460A (zh) | 2023-06-09 |
Family
ID=86632188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211686073.1A Pending CN116246460A (zh) | 2022-12-27 | 2022-12-27 | 路段通行时长的确定方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116246460A (zh) |
-
2022
- 2022-12-27 CN CN202211686073.1A patent/CN116246460A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021218131A1 (zh) | 一种路线规划方法、装置、设备和计算机存储介质 | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
KR20230026961A (ko) | 장애물 이동 궤적의 예측 방법, 장치 및 자율 운전 차량 | |
CN111210656B (zh) | 停车场空闲车位预测方法、装置、电子设备及存储介质 | |
JP7204826B2 (ja) | 交通事故識別方法、装置、デバイス及びコンピュータ記憶媒体 | |
CN114415628A (zh) | 自动驾驶测试方法及装置、电子设备和存储介质 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN114742280B (zh) | 路况预测方法及相应的模型训练方法、装置、设备及介质 | |
CN114758495A (zh) | 交通信号灯调整方法、装置及电子设备 | |
CN114802303A (zh) | 障碍物轨迹预测方法、装置、电子设备及存储介质 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN114543829A (zh) | 模型训练方法、导航轨迹的推荐方法、装置及车辆 | |
CN113837268A (zh) | 确定轨迹点状态的方法、装置、设备和介质 | |
CN111047107B (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
CN115330067A (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
CN116246460A (zh) | 路段通行时长的确定方法、装置、电子设备和介质 | |
CN115206102A (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN113657596A (zh) | 训练模型和图像识别的方法和装置 | |
CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
Morris et al. | Traffic congestion classification using data mining techniques | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 |
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 |