CN116453333A - 用于预测主要车流路径的方法及模型训练方法 - Google Patents

用于预测主要车流路径的方法及模型训练方法 Download PDF

Info

Publication number
CN116453333A
CN116453333A CN202310301163.2A CN202310301163A CN116453333A CN 116453333 A CN116453333 A CN 116453333A CN 202310301163 A CN202310301163 A CN 202310301163A CN 116453333 A CN116453333 A CN 116453333A
Authority
CN
China
Prior art keywords
sub
path
feature
sample
traffic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310301163.2A
Other languages
English (en)
Other versions
CN116453333B (zh
Inventor
田楚杰
梅雨
凌玮岑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Apollo Zhilian Beijing Technology Co Ltd
Original Assignee
Apollo Zhilian Beijing Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Apollo Zhilian Beijing Technology Co Ltd filed Critical Apollo Zhilian Beijing Technology Co Ltd
Priority to CN202310301163.2A priority Critical patent/CN116453333B/zh
Publication of CN116453333A publication Critical patent/CN116453333A/zh
Application granted granted Critical
Publication of CN116453333B publication Critical patent/CN116453333B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • 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
    • G08G1/065—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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本公开提供了一种用于预测主要车流路径的方法及模型训练方法，涉及人工智能技术领域，尤其涉及智慧交通、道路交通管理及导航技术领域。实现方案为：获取历史时段内的预设区域内的多个车流路径；将多个路线中的每个路线拆分为至少一个子路段；针对每个子路段：基于该子路段，获取与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据；基于每个子车流路径的第一流量数据，预测得到未来时段内每个子车流路径的流量预测值；以及基于每个子车流路径的流量预测值，确定该子路段对应的第一预测子路径；以及基于多个路线中的多个子路段相应的多个第一预测子路径，执行子路径拼接，以获得主要车流路径预测结果。

Description

用于预测主要车流路径的方法及模型训练方法
技术领域
本公开涉及人工智能技术领域，尤其涉及智慧交通、道路交通管理及导航技术领域，具体涉及一种用于预测主要车流路径的方法、模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
主车流路径是指交通网络中的主要车流的行驶路径。准确识别区域内的主车流路径，对选择区域内各路口的控制策略起到重要作用。在主车流路径的基础上提取干线路径进行协调控制，可以有效降低主干路径的车辆延误。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种用于预测主要车流路径的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面，提供了一种用于预测主要车流路径的方法，包括：获取历史时段内的预设区域内的多个车流路径，多个车流路径中的每个车流路径包括历史时段内经由该车流路径的流量数据，多个车流路径分别对应多个路线；将多个路线中的每个路线拆分为至少一个子路段，其中，至少一个子路段中的每个子路段上车辆的行驶轨迹是确定的；针对多个路线中的每个子路段，执行如下操作：基于该子路段，获取多个车流路径中的与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据，至少一个子车流路径中的每个子车流路径均经由该子路段并且在该子车流路径的两端分别具有用于指示车流方向的方向节点；基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值；以及基于该子路段对应的每个子车流路径的流量预测值，在该子路段的至少一个子车流路径中确定该子路段对应的第一预测子路径；以及基于多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
根据本公开的另一方面，提供了一种模型训练方法，该模型用于预测车流路径流量，该模型包括第一特征提取网络、空间注意力网络以及输出网络，该方法包括：获取样本数据集，样本数据集中包括多个样本路径，多个样本路径中的每个样本路径包括历史时段内的第一流量数据以及样本标签，样本标签包括待预测时段的相应样本路径的流量值，多个样本路径对应相同路段，路段上车辆的行驶轨迹是确定的；针对样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征；针对样本数据集中的每个样本路径，执行下述操作：在多个样本路径中确定相关度最高的至少一个关联路径，其中，相关度通过该样本路径与其他样本路径之间的相关系数进行衡量；将该样本路径的第一特征以及相应的至少一个关联路径中每个的第一特征输入空间注意力网络进行特征融合，以获取空间注意力网络输出的该样本路径的第一融合特征；将该样本路径相应的第一特征和第一融合特征输入输出网络，以获得输出网络输出的待预测时段内该样本路径的流量预测值；以及基于该样本路径的流量预测值和样本标签，调整模型的至少一个参数。
根据本公开的另一方面，提供了一种用于预测主要车流路径的装置，包括：第一获取单元，被配置为获取历史时段内的预设区域内的多个车流路径，多个车流路径中的每个车流路径包括历史时段内经由该车流路径的流量数据，多个车流路径分别对应多个路线；拆分单元，被配置为将多个路线中的每个路线拆分为至少一个子路段，其中，至少一个子路段中的每个子路段上车辆的行驶轨迹是确定的；第一执行单元，被配置为针对多个路线中的每个子路段，执行如下子单元的操作，第一执行单元包括：第一获取子单元，被配置为基于该子路段，获取多个车流路径中的与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据，至少一个子车流路径中的每个子车流路径均经由该子路段并且在该子车流路径的两端分别具有用于指示车流方向的方向节点；第一预测子单元，被配置为基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值；以及第一确定子单元，被配置为基于该子路段对应的每个子车流路径的流量预测值，在该子路段的至少一个子车流路径中确定该子路段对应的第一预测子路径；以及拼接单元，被配置为基于多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
根据本公开的另一方面，提供了一种模型训练装置，该模型用于预测车流路径流量，该模型包括第一特征提取网络、空间注意力网络以及输出网络，该装置包括：第二获取单元，被配置为获取样本数据集，样本数据集中包括多个样本路径，多个样本路径中的每个样本路径包括历史时段内的第一流量数据以及样本标签，样本标签包括待预测时段的相应样本路径的流量值，多个样本路径对应相同路段，路段上车辆的行驶轨迹是确定的；第三获取单元，被配置为针对样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征；第二执行单元，被配置为针对样本数据集中的每个样本路径，执行下述子单元的操作，第二执行单元包括：第二确定子单元，被配置为在多个样本路径中确定相关度最高的至少一个关联路径，其中，相关度通过该样本路径与其他样本路径之间的相关系数进行衡量；第一输入子单元，被配置为将该样本路径的第一特征以及相应的至少一个关联路径中每个的第一特征输入空间注意力网络进行特征融合，以获取空间注意力网络输出的该样本路径的第一融合特征；第二输入子单元，被配置为将该样本路径相应的第一特征和第一融合特征输入输出网络，以获得输出网络输出的待预测时段内该样本路径的流量预测值；以及调整子单元，被配置为基于该样本路径的流量预测值和样本标签，调整模型的至少一个参数。
根据本公开的另一方面，提供了一种电子设备，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上述用于预测主要车流路径的方法和上述模型训练方法。
根据本公开的另一方面，提供了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上述用于预测主要车流路径的方法和上述模型训练方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述用于预测主要车流路径的方法和上述模型训练方法。
根据本公开的一个或多个实施例，通过将历史数据中的每个车流路径拆分为多个子车流路径，统计该时段内每个子车流路径的车流量；针对预设区域中的每个子路段，基于该子路段对应的至少一个子车流路径的历史流量数据，预测该子路段未来时段内的每个子车流路径的车流量，进而基于流量预测值预测该子路段的主车流子路径；进而基于每个子路段的主车流子路径进行拼接，以获得主要车流路径的预测结果。由此，能够提升对主要车流路径的预测准确率。
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
附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；
图2示出了根据本公开的实施例的用于预测主要车流路径的方法的流程图；
图3示出了根据本公开的示例性实施例的车流路径示意图；
图4示出了根据本公开的示例性实施例的拆分后的子路径示意图；
图5示出了根据本公开的示例性实施例的子路径拼接示意图；
图6示出了本公开的实施例的预测子车流路径的流量预测值的流程图；
图7示出了本公开的实施例的获取子车流路径的第一特征的流程图；
图8示出了根据本公开的示例性实施例的用于预测车流路径流量的模型的结构框图；
图9示出了根据本公开的实施例的模型训练方法的流程图；
图10示出了根据本公开的实施例的用于预测主要车流路径的装置的结构框图；
图11示出了根据本公开的实施例的模型训练装置的结构框图；
图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个要素与另一要素区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
基于历史的车辆轨迹数据，对未来的主车流路径进行预测，可以改善未来相应时段区域内路口的控制策略，降低车辆延误，提高通行效率。如果主车流路径预测不准确，会造成控制策略不适配流量变化，加大车辆的延误时间。
本公开的实施例提供了一种用于预测主要车流路径的方法，通过将历史数据中的每个车流路径拆分为多个子车流路径，统计该时段内每个子车流路径的车流量；针对预设区域中的每个子路段，基于该子路段对应的至少一个子车流路径的历史流量数据，预测该子路段未来时段内的每个子车流路径的车流量，进而基于流量预测值预测该子路段的主车流子路径；进而基于每个子路段的主车流子路径进行拼接，以获得主要车流路径的预测结果。由此，能够提升对主要车流路径的预测准确率。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括机动车辆110、服务器120以及将机动车辆110耦接到服务器120的一个或多个通信网络130。
在本公开的实施例中，机动车辆110可以包括根据本公开实施例的计算设备和/或被配置以用于执行根据本公开实施例的方法。
服务器120可以运行使得能够预测主要车流路径的方法的一个或多个服务或软件应用。在某些实施例中，服务器120还可以提供其他服务或软件应用，这些服务或软件应用可以包括非虚拟环境和虚拟环境。在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。机动车辆110的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从机动车辆110接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由机动车辆110的一个或多个显示设备来显示数据馈送和/或实时事件。
网络130可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是卫星通信网络、局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(包括例如蓝牙、WiFi)和/或这些与其他网络的任意组合。
系统100还可以包括一个或多个数据库150。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库150中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据存储库150可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库150可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中，数据库150中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
机动车辆110可以包括传感器111用于感知周围环境。传感器111可以包括下列传感器中的一个或多个：视觉摄像头、红外摄像头、超声波传感器、毫米波雷达以及激光雷达(LiDAR)。不同的传感器可以提供不同的检测精度和范围。摄像头可以安装在车辆的前方、后方或其他位置。视觉摄像头可以实时捕获车辆内外的情况并呈现给驾驶员和/或乘客。此外，通过对视觉摄像头捕获的画面进行分析，可以获取诸如交通信号灯指示、交叉路口情况、其他车辆运行状态等信息。红外摄像头可以在夜视情况下捕捉物体。超声波传感器可以安装在车辆的四周，用于利用超声波方向性强等特点来测量车外物体距车辆的距离。毫米波雷达可以安装在车辆的前方、后方或其他位置，用于利用电磁波的特性测量车外物体距车辆的距离。激光雷达可以安装在车辆的前方、后方或其他位置，用于检测物体边缘、形状信息，从而进行物体识别和追踪。由于多普勒效应，雷达装置还可以测量车辆与移动物体的速度变化。
机动车辆110还可以包括通信装置112。通信装置112可以包括能够从卫星141接收卫星定位信号(例如，北斗、GPS、GLONASS以及GALILEO)并且基于这些信号产生坐标的卫星定位模块。通信装置112还可以包括与移动通信基站142进行通信的模块，移动通信网络可以实施任何适合的通信技术，例如GSM/GPRS、CDMA、LTE等当前或正在不断发展的无线通信技术(例如5G技术)。通信装置112还可以具有车联网或车联万物(Vehicle-to-Everything，V2X)模块，被配置用于实现例如与其它车辆143进行车对车(Vehicle-to-Vehicle，V2V)通信和与基础设施144进行车辆到基础设施(Vehicle-to-Infrastructure，V2I)通信的车与外界的通信。此外，通信装置112还可以具有被配置为例如通过使用IEEE802.11标准的无线局域网或蓝牙与用户终端145(包括但不限于智能手机、平板电脑或诸如手表等可佩戴装置)进行通信的模块。利用通信装置112，机动车辆110还可以经由网络130接入服务器120。
机动车辆110还可以包括控制装置113。控制装置113可以包括与各种类型的计算机可读存储装置或介质通信的处理器，例如中央处理单元(CPU)或图形处理单元(GPU)，或者其他的专用处理器等。控制装置113可以包括用于自动控制车辆中的各种致动器的自动驾驶系统。自动驾驶系统被配置为经由多个致动器响应来自多个传感器111或者其他输入设备的输入而控制机动车辆110(未示出的)动力总成、转向系统以及制动系统等以分别控制加速、转向和制动，而无需人为干预或者有限的人为干预。控制装置113的部分处理功能可以通过云计算实现。例如，可以使用车载处理器执行某一些处理，而同时可以利用云端的计算资源执行其他一些处理。控制装置113可以被配置以执行根据本公开的方法。此外，控制装置113可以被实现为根据本公开的机动车辆侧(客户端)的计算设备的一个示例。
图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
根据一些实施例，如图2所示，提供了一种用于预测主要车流路径的方法，包括：
步骤S201、获取历史时段内的预设区域内的多个车流路径，多个车流路径中的每个车流路径包括历史时段内经由该车流路径的流量数据，多个车流路径分别对应多个路线；
步骤S202、将多个路线中的每个路线拆分为至少一个子路段，其中，至少一个子路段中的每个子路段上车辆的行驶轨迹是确定的；
针对多个路线中的每个子路段，执行如下操作：
步骤S203、基于该子路段，获取多个车流路径中的与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据，至少一个子车流路径中的每个子车流路径均经由该子路段并且在该子车流路径的两端分别具有用于指示车流方向的方向节点；
步骤S204、基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值；以及
步骤S205、基于该子路段对应的每个子车流路径的流量预测值，在该子路段的至少一个子车流路径中确定该子路段对应的第一预测子路径；以及
步骤S206、基于多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
由此，通过将历史数据中的每个车流路径拆分为多个子车流路径，统计该时段内每个子车流路径的车流量；针对预设区域中的每个子路段，基于该子路段对应的至少一个子车流路径的历史流量数据，预测该子路段未来时段内的每个子车流路径的车流量，进而基于流量预测值预测该子路段的主车流子路径；进而基于每个子路段的主车流子路径进行拼接，以获得主要车流路径的预测结果。由此，能够提升对主要车流路径的预测准确率。
在一些实施例中，获取历史时段内的预设区域内的多个车流路径可以通过下述方法获得：获取历史时段内的预设区域内的多个原始车辆轨迹，多个原始车辆轨迹中每个原始车辆轨迹包括多个轨迹点，每个轨迹点对应采集该轨迹点的采集设备的位置；针对多个原始车辆轨迹中的每个原始车辆轨迹，执行如下操作：响应于确定该原始车辆轨迹的多个轨迹点中的第一轨迹点为异常轨迹点，将第一轨迹点删除，其中，在该原始车辆轨迹的多个轨迹点中第一轨迹点与相邻轨迹点之间的距离大于预设距离阈值；响应于检测到该原始车辆轨迹的多个轨迹点中的两个相邻轨迹点之间存在多条第一路线，基于多条第一路线中的最短路线补全该原始车辆轨迹。
由此，通过对原始车辆轨迹中的异常轨迹点进行筛除，并对缺失轨迹点进行补全，从而保证轨迹数据的准确性和有效性。
在一些实施例中，多个原始车辆轨迹可以来源于预设区域内城市布设的电警卡口设备、摄像设备或其他类型的感知设备。
在一些实施例中，电警卡口设备或摄像设备可以采集路口进口道(车辆通过进口道的停止线进入路口)或者路段截面的车牌信息，对车牌信息进行脱敏并为每个车牌信息确定对应的车辆标识(车辆ID)。
通过获取历史时段内的预设区域内的每个检测设备所识别到的车辆ID，就可以获取每个车辆经过的每个轨迹点，进而将相同车辆标识的轨迹点按照时间序列进行排序，获取该车辆的原始车辆轨迹数据。也就是说，车辆轨迹数据集中的每个车辆轨迹数据表现为每个车辆的车辆ID以及该车辆经过的每个节点的节点标识(节点ID)。
在现实环境中，由于存在部分路口卡口设备检测器缺失、检测设备漏检、检测错误等情况，造成采集到的车辆轨迹可能存在缺失的问题，导致轨迹不完整。
在一些实施例中，可以对不符合路网条件的轨迹数据进行过滤。例如，当轨迹数据很明显不符合行驶的规律(例如间隔较短时间的两轨迹点之间的距离间隔大于预设距离阈值，或一条轨迹内的相邻两个轨迹点之间的距离间隔大于预设距离阈值)，则可以将该轨迹点过滤。
在一些实施例中，可以采用最短路径方法，对车辆轨迹进行补全，得到完整的行驶轨迹。当两个节点之间的轨迹点缺失时，可以将路网中该两个节点之间的最短路线，作为该两个节点之间的轨迹。
在一些实施例中，可以首先对原始轨迹数据进行异常轨迹点的过滤，再基于上述方式将轨迹点补全。
在一些实施例中，获取历史时段内的预设区域内的多个车流路径包括：获取历史时段内的预设区域内的多个车辆轨迹；以及基于多个车辆轨迹，获取多个车流路径，其中，多个车流路径中的每个车流路径包括多个车辆轨迹中的至少一个车辆轨迹，并且至少一个车辆轨迹经过的路线相同。
由此，基于历史时段内的车辆轨迹统计得到多个车流路径，保证了车流路径数据的时效性和准确性，从而保证了主车流路径提取的准确性和时效性。
在一些实施例中，可以对多个车辆轨迹进行集合计算，从而从整体角度提取主要路径，为后续动态提取主车流路径提供数据支持。具体地，可以将历史时段内的所有车辆轨迹整合为多个车流路径，其中，每个车流路径包括至少一个路线相同的车辆轨迹。
在此基础上，可以进一步统计历史时段内每个车流路径对应的车辆轨迹的数量，将该数量作为该车流路径的流量数据。
图3示出了根据本公开的示例性实施例的车流路径示意图。
在一些示例性实施例中，如图3所示，车流路径对应由多个连续路口(路口v1、路口v2和路口v3)和其间的路段组成的路线，其中，两个路口间不同方向对应不同的路径。车流路径两端有两个方向节点，用于表示车辆驶入该车流路径和驶出该车流路径的方向。方向节点可以是虚拟节点。例如，对于起点为方向节点w，终点为方向节点u，经过路口v3、路口v2和路口v1的车流路径r1可表示为w→v3→v2→v1→u。
由于现实中居民出行需求的复杂多样性，车流路径的数量通常较多，且数量随着区域内路口的数量增加而增多，导致完整车流路径的数量分布相对较为分散。此外，在车流路径集合中一些车流路径存在部分路径交集，这些路径单独的流量相对较小，但在重合部分的流量累加数值较大。因此，首先可以对完整车流路径进行拆分，再将针对每个子路段进行主要车流子路径的预测，进而拼接获得完整的主要车流路径的预测结果。
在一些实施例中，可以首先确定车流路径对应的路线，并对该路线进行拆分，以获得至少一个子路段。其中，每个子路段上车辆的行驶轨迹是确定的，也即，在该子路段上车辆不会驶出该子路段。
在一些实施例中，多个路线中的每个子路段通过两个相邻的路口节点确定。由此，能够将路线划分为最小可拆分子路段，从而进一步提升主路径提取的准确性。
图4示出了根据本公开的示例性实施例的拆分后的子路径示意图。
在一些示例性实施例中，对于图3中所示的车流路径r1，其对应路线v1-v2-v3，路线v1-v2-v3包括子路段v1-v2和子路段v2-v3，因此车流路径r1可以基于子路段v1-v2和子路段v2-v3拆分为子路径ra和子路径rb，如图5所示，其中，子路径ra为可表示为w1→v2→v1→u，子路径rb为可表示为w→v3→v2→u1。由于子路径ra和子路径rb均仅对应可拆分的最小子路段，因此子路径ra和子路径rb均为可拆分的最小子路径。
在一些实施例中，首先可以提取获得多个车流路径中的全部子路径，此时，一个子路段可能对应一个或多个子路径(每个子路径均对应相同的子路段，但是车辆驶入和驶出的方向不同)；进而，基于每个车流路径的流量数据，统计每个子路段对应的每个子路径的历史时段的第一流量数据。
在一些实施例中，可以基于子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值，并从中确定该子路段对应的车流量最大的子路径作为第一预测子路径。
在一些实施例中，可以直接对该预设区域内的每个子路段对应的第一目标子路径进行拼接。
图5示出了根据本公开的示例性实施例的子路径拼接示意图。
在一些示例性实施例中，通过上述方法，获得子路段v1-v2的第一预测子路径为子路径rc(表示为w1→v2→v1→u2)，子路段v2-v3的第一预测子路径为子路径rd(表示为w2→v3→v2→w1)，则子路径rc和子路径rd可以基于共有的方向节点w1进行拼接，从而获得路段v1-v2-v3的主要车流路径预测结果r2(可表示为w2→v3→v2→v1→u2)。
在一些实施例中，基于多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果包括：在多个第一预测子路径中筛选得到至少一个第二预测子路径，其中，至少一个第二预测子路径中的每个第二预测子路径的车流量大于预设流量阈值；以及基于至少一个第二预测子路径以及每个第二预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
由此，通过进一步对第一预测子路径进行过滤，筛除掉车流量过小(小于或等于预设流量阈值)的子路径后再进行子路径的拼接，从而进一步提升了主路径预测的精确度。
在一些实施例中，如图6所示，多个路线中每个子路段对应的至少一个子车流路径的数量为多个，基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值包括：
步骤S601、基于该子路段对应的每个子车流路径的第一流量数据，获取该子车流路径的第一特征；
步骤S602、针对该子路段对应的每个子车流路径，在该子路段对应的至少一个子车流路径中确定相关度最高的至少一个关联路径，其中，相关度通过该子车流路径与其他子车流路径之间的相关系数进行衡量；
步骤S603、针对该子路段对应的每个子车流路径，基于空间注意力机制，对该子车流路径的第一特征以及相应的至少一个关联路径中每个的第一特征进行特征融合，以获取该子车流路径的第一融合特征；以及
步骤S604、基于该子路段的每个子车流路径相应的第一特征和第一融合特征，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值。
由此，在获取每个子路径的流量信息特征(第一特征)的基础上，进一步对每个子路径进行空间特征提取，首先通过计算每个子路径与其他子路径之间的相关系数(例如皮尔逊系数)，进而选取其中关联性最强的至少一个子路径，通过空间注意力机制提取该子路径的空间特征(第一融合特征)；随后基于第一融合特征和第一特征进行子路径流量预测，从而能够进一步提升预测的准确度。
在一些实施例中，可以基于一个用于预测车流路径流量的模型，分别进行未来时段内每个子路段对应的每个子车流路径的流量预测值。
在一些实施例中，该模型可以包括第一特征提取网络、空间注意力网络以及输出网络。可以首先将每个子车流路径的第一流量数据输入到第一特征提取网络以获得该子车流路径的第一特征；随后，分别在多个子车流路径中选择每个子车流路径的一个或多个关联路径，并将该子车流路径及其每个关联路径的第一特征一并输入到空间注意力网络，基于空间注意力机制，获取该子车流路径的第一融合特征；将每个子车流路径的第一融合特征和第一特征输入到输出网络，即可获得该输出网络输出的每个子车流路径的流量预测值。
在一些实施例中，可以应用皮尔逊相关系数进行子车流路径之间的相关系数计算。
在一些实施例中，历史时段包括连续的多个第一时段，第一流量数据包括第一流量序列，第一流量序列中包括按照时间顺序排列的多个第一时段相应的多个第二流量数据，基于该子路段对应的每个子车流路径的第一流量数据，获取该子车流路径的第一特征包括：针对该子路段对应的每个子车流路径，执行如下操作：基于该子车流路径的第一流量序列，提取该子车流路径的第一特征序列，第一特征序列包括该子车流路径的与多个第一时段相应的多个第二特征；以及对该子车流路径的第一特征序列进行时序特征提取，以获得该子车流路径的第一时序特征，以作为该子车流路径的第一特征。
其中，每个子路径对应的流量数据可以是一个按照时间顺序排列的时序信息。由此，能够在对时序信息进行初步特征提取后，进一步对其进行时序特征提取，从而将时序特征信息引入预测中，能够进一步提升子路径流量预测的准确度。
在一些实施例中，可以分别对历史多个时段进行上述历史数据的采集和整理，并分别获得每个时段的上述数据，进而获得每个子车流路径对应的一个第一流量序列，其中，第一流量序列中包括上述每个时段对应的该子车流路径的车流量数据。
在一些实施例中，第一特征提取网络可以进一步包括第二特征提取网络和时序特征提取网络。可以首先将每个子车流路径的第一流量序列输入到第二特征提取网络中，从而获得相应于多个时段的多个第二特征，多个第二特征构成第一特征序列；随后，可以将第一特征序列输入到时序特征提取网络，以进行时序特征提取，从而获得时序特征提取网络输出的第一时序特征，也即第一特征。
在一些实施例中，时序特征提取网络可以基于一个或多个基于残差网络结构的卷积网络模块构成。由此，利用残差结构实现了跳跃链接，增强梯度的流动性，缓解了深度模型难以优化的问题，同时更好地学习了不同距离的时间维度相关性。
在一些实施例中，多个第一时段包括历史多天中每天的多个第二时段，对该子车流路径的第一特征序列进行时序特征提取，以获得该子车流路径的第一时序特征，以作为该子车流路径的第一特征包括：将该子车流路径的多个第二特征分别按照日期和时段两个维度，整合为二维特征序列；以及对二维特征序列进行二维时序特征提取，以获得该子车流路径的第一时序特征，以作为该子车流路径的第一特征，并且，基于该子路段的每个子车流路径相应的第一特征和第一融合特征，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值包括：针对该子路段对应的每个子车流路径，基于该子路段对应的每个子车流路径相应的第一特征和第一融合特征，预测得到该子车流路径的未来时段内与多个第二时段相应的多个流量预测值。
其中，每个子路径对应的流量数据可以包括历史多天中每天的多个第二时段的流量数据。由此，在进行时序特征提取时，可以首先将该一维特征序列整合成“时段-日期”的二维时序特征，从而能够进一步提取时段、日期中包含的时序特征信息，提升预测准确度的同时，能够同时获取每个子路径在未来相应的多个时段内的流量预测值，提升预测效率。
在一些实施例中，还可以进一步收集历史多天(例如最近7天)内每天的多个时段(可以按照固定的时间间隔，将每天分为多个时段，例如将数据按照每半个小时进行获取和统计，以得到每天48个时段相应的数据)。
在一些实施例中，时序特征提取网络可以是用于提取二维时序特征。其中，每个卷积网络模块均可以为一个二维卷积网络。
在一些实施例中，在进行二维时序特征提取时，可以首先将每个子车流路径的多个时段相应的多个第二特征按照“时段-日期”这两个维度进行整合，从而得到二维特征序列。其中，二维特征序列可以表现为一个矩阵的形式，矩阵中的每一列表示1天内的多个第二时段相应的多个第二特征，矩阵中的每一行表示相应第二时段的每一天的第二特征。
在一些实施例中，可以将二维特征序列输入到时序特征提取网络中进行二维时序特征提取，从而获得该子车流路径的第一时序特征，也即第一特征。
在一些实施例中，可以将上述方法获得的第一特征通过数组扁平化函数(flatten函数)，将二维特征整合为一维特征，进而进行后续的空间注意力特征提取，从而获得每个子车流路径的第一融合特征。
在一些实施例中，可以将上述方法获得的第一特征通过数组扁平化函数(flatten函数)，将二维特征整合为一维特征后，进一步通过一个或多个全连接层进行隐层特征提取以得到更新后的第一特征，进而进行后续的空间注意力特征提取，从而获得每个子车流路径的第一融合特征。
在一些实施例中，输出网络可以被训练为基于每个子路段的每个子车流路径的上述第一特征和第一融合特征，预测得到该子路段在未来一天内相应的多个第二时段中每个时段的流量预测值(例如，同时输出未来一天内的48个时段的流量预测值)。
在一些实施例中，基于该子路段对应的每个子车流路径的第一流量数据，获取该子车流路径的第一特征包括：基于该子路段对应的每个子车流路径的第一流量数据以及该子车流路径的外部特征信息，获取该子车流路径的第一特征，其中，外部特征信息包括时间信息和相应子车流路径的标识信息中的至少一者。
在一些实施例中，外部信息数据例如可以包括时段信息、日期信息、日期类型(是否为工作日/节假日)等时间信息，以及子路径对应的子路径标识(子路径ID)。
由此，能够在对每个子路段的至少一个子车流路径进行流量预测时，进一步引入每个子车流路径相应的外部特征信息，从而进一步提升预测准确度。
在一些实施例中，如图7所示，基于该子路段对应的每个子车流路径的第一流量数据以及该子车流路径的外部特征信息，获取该子车流路径的第一特征包括：
步骤S701、基于该子路段对应的每个子车流路径的第一流数据，提取该子车流路径的第三特征；
步骤S702、基于该子路段对应的每个子车流路径的外部特征信息，提取该子车流路径的第四特征；以及
步骤S703、对该子路段对应的每个子车流路径相应的第三特征和第四特征进行特征融合，以获得该子车流路径的第二融合特征，作为该子车流路径的第一特征。
由此，通过分别对每个子路径的流量特征和外部特征进行提取，并对两个特征进行特征融合，进一步提取了特征间的关联信息，从而能够提升预测的准确度。
在一些实施例中，第一特征提取网络还可以包括第三特征提取网络、第四特征提取网络和特征融合网络。
在一些实施例中，可以将该子路段对应的每个子车流路径的第一流数据输入第三特征提取网络，以获得每个子车流路径的第三特征；可以将该子路段对应的每个子车流路径的外部特征信息输入到第四特征提取网络，以获取该网络输出的第四特征；随后，通过将每个子车流路径相应的第三特征和第四特征输入特征融合网络进行特征融合，从而获得第二融合特征，以作为第一特征。
在一些实施例中，第三特征提取网络也可以基于上述的第二特征提取网络和时序特征提取网络构成。由此，能够同时将时序特征、空间特征和外部特征进行提取和融合，进一步提升预测的准确度。
在一些实施例中，可以首先获取历史多天(例如历史7天)中每天的多个时段(例如以每30分钟为时间间隔的共计48个时段)的预设区域内的对应于同一子路段的多个子路径的流量数据和外部信息数据。
在一些实施例中，外部信息数据例如可以包括时段信息、日期信息、日期类型(是否为工作日/节假日)等时间信息，以及子路径对应的子路径标识(子路径ID)。
图8示出了根据本公开的示例性实施例的用于预测车流路径流量的模型的结构框图。
在一些实施例中，如图8所示，模型800主要由时序特征提取模块、空间特征提取模块、特征融合输出模块三部分组成。时间特征模块(也即第一特征提取网络850)对每条子路径的时间序列特征和外部特征信息进行提取和融合，得到子路径的时间特征表示。空间特征模块(也即空间注意力网络860)根据路径历史序列的关联性，选择强关联的路径的时间序列特征作为输入，采用图注意力网络提取空间特征表示。最后，在特征融合输出模块(也即输出网络870)，结合时间序列特征和空间特征表示，输出模型预测结果。
首先，提取流量特征表示信息。第二特征提取网络810以每条路径的流量序列为输入，利用共享参数的全连接网络(Fully Connected Netural Network，FC)，提取各时间段的特征表示信息(也即第二特征)。
其中表示第i条子路径在第t个时间区间时的路径流量，Wf表示共享的参数矩阵，bf表示共享的偏置向量，/>表示提取得到的流量特征信息。
然后，采用时序特征提取网络820，提取时间序列特征(也即第一时序特征)。对于每条子路径，将提取得到的每个时间点的流量特征信息按照时间序列特征表示信息的日维度和小时维度进行顺序组合，得到二维的序列信息特征/>再采用采用基于残差网络结构的二维卷积网络(Res-Unit)，捕获邻近区间的时间依赖关系，提取时间序列特征表示信息。基于残差网络结构的卷积网络模块，利用残差块实现了跳跃链接，增强梯度的流动性，缓解了深度模型难以优化的问题，同时更好地学习了不同距离的时间维度相关性。Res-Unit模块具体表示如下：
f(x)＝max(0,x)
其中，表示第n个残差网络模块的输入信息，/>表示第n层的参数矩阵，/>表示第n层的偏置向量，f()表示激活函数，模型采用Relu函数进行非线性变换，/>为Res-Unit的输出信息。
以二维的序列信息特征作为输入，通过多个Res-Unit模块，提取得到时间隐藏表示信息/>在扁平化后，通过一个全连接网络(FC)，得到时间序列特征信息(也即第一时序特征)。
其中，表示时间序列特征信息。
同时，通过第四特征提取网络830提取外部特征信息(也即第四特征)。外部特征包括预测的目标时刻、日期所属的星期数、日期是否属于工作日、路径ID等。本节利用嵌入模块(Embedding)提取这些特征的对应表征信息。
Embedding(X)＝Wembone_hot(X)
其中，Wemb表示嵌入参数矩阵，one_hot表示独热编码。通过嵌入模块，可以根据输入的子路径ID信息，从嵌入矩阵中提取该子路径ID的编码信息。
其中表示所属小时的嵌入信息，/>表示所属星期的嵌入信息，/>表示所属工作日类型的嵌入信息，/>表示路径ID的嵌入信息。
通过特征融合网络840对时间序列特征和外部特征信息，得到第i个路段车流路径的时序特征表示
空间特征模块(也即空间注意力网络860)首先提取各子车流路径的关联关系。对每条子车流路径，采用皮尔森系数计算其他子车流路径与该子车流路径的相关系数，提取与该子车流路径的关联度最高的前m条路径作为目标路径的关联邻接路径集合。然后，采用空间注意力机制，提取关联路径的空间特征信息(也即第一融合特征)。
αij＝softmaxj(eij)
g(x)＝max(0,x)+leak*min(0,x)
其中表示预测目标路径i的时序特征表示，/>表示与预测目标路径相关度较高的路径j的时序特征表示，提取m条相关路径。以/>作为query，/>作为key，采用注意力网络提取空间特征信息。Wq,Wk,Wv,vT表示参数矩阵，g()表示非线性变换函数leakyRelu函数，leak用于调节保留负轴的比例。eij表示路径关联度特征，通过softmax()函数得到权重特征αij，结合权重特征和目标值特征，得到空间特征表示/>
最后，结合时间序列特征(第一特征)和空间特征(第一融合特征)，通过输出网络870(一个全连接网络)对路段车流路径的流量进行预测。
在一些实施例中，如图9所示，还提供了一种模型训练方法，该模型用于预测车流路径流量，该模型包括第一特征提取网络、空间注意力网络以及输出网络，该方法包括：
步骤901、获取样本数据集，样本数据集中包括多个样本路径，多个样本路径中的每个样本路径包括历史时段内的第一流量数据以及样本标签，样本标签包括待预测时段的相应样本路径的流量值，多个样本路径对应相同路段，路段上车辆的行驶轨迹是确定的；
步骤902、针对样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征；
针对样本数据集中的每个样本路径，执行下述操作：
步骤903、在多个样本路径中确定相关度最高的至少一个关联路径，其中，相关度通过该样本路径与其他样本路径之间的相关系数进行衡量；
步骤904、将该样本路径的第一特征以及相应的至少一个关联路径中每个的第一特征输入空间注意力网络进行特征融合，以获取空间注意力网络输出的该样本路径的第一融合特征；
步骤905、将该样本路径相应的第一特征和第一融合特征输入输出网络，以获得输出网络输出的待预测时段内该样本路径的流量预测值；以及
步骤906、基于该样本路径的流量预测值和样本标签，调整模型的至少一个参数。
由此，通过训练获得上述预测模型，从而能够在获取每个子路径的流量信息特征(第一特征)的基础上，进一步对每个子路径进行空间特征提取，首先通过计算每个子路径与其他子路径之间的相关系数(例如皮尔逊系数)，进而选取其中关联性最强的至少一个子路径，通过空间注意力机制提取该子路径的空间特征(第一融合特征)；随后基于第一融合特征和第一特征进行子路径流量预测，从而能够进一步提升预测的准确度。
在一些实施例中，第一特征提取网络包括第二特征提取网络和时序特征提取网络，历史时段包括连续的多个第一时段，第一流量数据包括第一流量序列，第一流量序列中包括按照时间顺序排列的多个第一时段相应的多个第二流量数据，针对样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征包括：针对样本数据集中的每个样本路径，执行如下操作：将该样本路径的第一流量序列输入第二特征提取网络，以获得第二特征提取网络输出的该样本路径的第一特征序列，第一特征序列包括该样本路径的与多个第一时段相应的多个第二特征；以及将该样本路径的第一特征序列输入时序特征提取网络进行时序特征提取，以获得时序特征提取网络输出的该样本路径的第一时序特征，以作为该样本路径的第一特征。
在一些实施例中，多个第一时段包括历史多天中每天的多个第二时段，时序特征提取网络用于提取二维时序特征，将该样本路径的第一特征序列输入时序特征提取网络进行时序特征提取，以获得时序特征提取网络输出的该样本路径的第一时序特征，以作为该样本路径的第一特征包括：将该样本路径的多个第二特征分别按照日期和时段两个维度，整合为二维特征序列；以及将二维特征序列输入时序特征提取网络进行二维时序特征提取，以获得时序特征提取网络输出的该样本路径的第一时序特征，以作为该子车流路径的第一特征，并且，将该样本路径相应的第一特征和第一融合特征输入输出网络，以获得输出网络输出的待预测时段内该样本路径的流量预测值包括：将该样本路径相应的第一特征和第一融合特征输入输出网络，以获得输出网络输出的该样本路径的待预测时段内与多个第二时段相应的多个流量预测值。
在一些实施例中，多个样本路径中的每个样本路径包括外部特征信息，外部特征信息包括时间信息和相应子车流路径的标识信息中的至少一者，针对样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征包括：针对样本数据集中的每个样本路径，将该样本路径的第一流量数据以及外部特征信息输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征。
在一些实施例中，第一特征提取网络包括第三特征提取网络、第四特征提取网络和特征融合网络，针对样本数据集中的每个样本路径，将该样本路径的第一流量数据以及外部特征信息输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征包括：针对样本数据集中的每个样本路径，执行下述操作：将该样本路径的第一流数据输入第三特征提取网络，以获得第三特征提取网络输出的该样本路径的第三特征；将该样本路径的外部特征信息输入第四特征提取网络，以获得第四特征提取网络输出的该样本路径的第四特征；以及将该样本路径相应的第三特征和第四特征输入特征融合网络进行特征融合，以获得该样本路径的第二融合特征，作为该样本路径的第一特征。
在一些实施例中，模型采用Huber损失函数和Adam优化算法训练网络参数。Huber损失函数是对MAE和MSE损失函数的综合，在误差较小时变成平方误差，在误差较大时基于绝对误差，对离群点具有较好的抗干扰性。Huber包含一个超参数δ，当δ越接近于0时，Huber损失函数会越趋近于MAE，当δ数值越大的时候，Huber损失函数会越趋近于MSE。
在一些实施例中，模型选择7天历史数据作为输入特征，预测目标为未来1天各个时段的路段车流路径流量，得到路段车流路径流量集合。
在一些实施例中，如图10所示，提供了一种用于预测主要车流路径的装置1000，包括：
第一获取单元1010，被配置为获取历史时段内的预设区域内的多个车流路径，多个车流路径中的每个车流路径包括历史时段内经由该车流路径的流量数据，多个车流路径分别对应多个路线；
拆分单元1020，被配置为将多个路线中的每个路线拆分为至少一个子路段，其中，至少一个子路段中的每个子路段上车辆的行驶轨迹是确定的；
第一执行单元1030，被配置为针对多个路线中的每个子路段，执行如下子单元的操作，第一执行单元1030包括：
第一获取子单元1031，被配置为基于该子路段，获取多个车流路径中的与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据，至少一个子车流路径中的每个子车流路径均经由该子路段并且在该子车流路径的两端分别具有用于指示车流方向的方向节点；
第一预测子单元1032，被配置为基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值；以及
第一确定子单元1033，被配置为基于该子路段对应的每个子车流路径的流量预测值，在该子路段的至少一个子车流路径中确定该子路段对应的第一预测子路径；以及
拼接单元1040，被配置为基于多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
其中，用于预测主要车流路径的装置1000中的单元1010-单元1040、子单元1031-子单元1033执行的操作与上述用于预测主要车流路径的方法中的步骤S201-步骤S206的操作类似，在此不做赘述。
由此，通过将历史数据中的每个车流路径拆分为多个子车流路径，统计该时段内每个子车流路径的车流量；针对预设区域中的每个子路段，基于该子路段对应的至少一个子车流路径的历史流量数据，预测该子路段未来时段内的每个子车流路径的车流量，进而基于流量预测值预测该子路段的主车流子路径；进而基于每个子路段的主车流子路径进行拼接，以获得主要车流路径的预测结果。由此，能够提升对主要车流路径的预测准确率。
在一些实施例中，如图11所示，提供了一种模型训练装置1100，该模型用于预测车流路径流量，该模型包括第一特征提取网络、空间注意力网络以及输出网络，该装置1100包括：
第二获取单元1110，被配置为获取样本数据集，样本数据集中包括多个样本路径，多个样本路径中的每个样本路径包括历史时段内的第一流量数据以及样本标签，样本标签包括待预测时段的相应样本路径的流量值，多个样本路径对应相同路段，路段上车辆的行驶轨迹是确定的；
第三获取单元1120，被配置为针对样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到第一特征提取网络，获取第一特征提取网络输出的该样本路径的第一特征；
第二执行单元1130，被配置为针对样本数据集中的每个样本路径，执行下述子单元的操作，第二执行单元1130包括：
第二确定子单元1131，被配置为在多个样本路径中确定相关度最高的至少一个关联路径，其中，相关度通过该样本路径与其他样本路径之间的相关系数进行衡量；
第一输入子单元1132，被配置为将该样本路径的第一特征以及相应的至少一个关联路径中每个的第一特征输入空间注意力网络进行特征融合，以获取空间注意力网络输出的该样本路径的第一融合特征；
第二输入子单元1133，被配置为将该样本路径相应的第一特征和第一融合特征输入输出网络，以获得输出网络输出的待预测时段内该样本路径的流量预测值；以及
调整子单元1134，被配置为基于该样本路径的流量预测值和样本标签，调整模型的至少一个参数。
其中，模型训练装置1100中的单元1110-单元1130、子单元1131-子单元1134执行的操作与上述模型训练方法中的步骤S901-步骤S906的操作类似，在此不做赘述。
由此，通过训练获得上述预测模型，从而能够在获取每个子路径的流量信息特征(第一特征)的基础上，进一步对每个子路径进行空间特征提取，首先通过计算每个子路径与其他子路径之间的相关系数(例如皮尔逊系数)，进而选取其中关联性最强的至少一个子路径，通过空间注意力机制提取该子路径的空间特征(第一融合特征)；随后基于第一融合特征和第一特征进行子路径流量预测，从而能够进一步提升预测的准确度。
根据本公开的实施例，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。
参考图12，现将描述可以作为本公开的服务器或客户端的电子设备1200的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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12所示，电子设备1200包括计算单元1201，其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序，来执行各种适当的动作和处理。在RAM 1203中，还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
电子设备1200中的多个部件连接至I/O接口1205，包括：输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向电子设备1200输入信息的任何类型的设备，输入单元1206可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许电子设备1200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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201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1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理，例如上述用于预测主要车流路径的方法和上述模型训练方法。例如，在一些实施例中，上述用于预测主要车流路径的方法和上述模型训练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1208。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时，可以执行上文描述的用于预测主要车流路径的方法和模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元1201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用于预测主要车流路径的方法和上述模型训练方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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(阴极射线管)或者LCD(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：局域网(LAN)、广域网(WAN)和互联网。
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，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。
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、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (18)

1.一种用于预测主要车流路径的方法，包括：
获取历史时段内的预设区域内的多个车流路径，所述多个车流路径中的每个车流路径包括所述历史时段内经由该车流路径的流量数据，所述多个车流路径分别对应多个路线；
将所述多个路线中的每个路线拆分为至少一个子路段，其中，所述至少一个子路段中的每个子路段上车辆的行驶轨迹是确定的；
针对所述多个路线中的每个子路段，执行如下操作：
基于该子路段，获取所述多个车流路径中的与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据，所述至少一个子车流路径中的每个子车流路径均经由该子路段并且在该子车流路径的两端分别具有用于指示车流方向的方向节点；
基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值；以及
基于该子路段对应的每个子车流路径的流量预测值，在该子路段的至少一个子车流路径中确定该子路段对应的第一预测子路径；以及
基于所述多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
2.根据权利要求1所述的方法，其中，所述多个路线中每个子路段对应的至少一个子车流路径的数量为多个，所述基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值包括：
基于该子路段对应的每个子车流路径的第一流量数据，获取该子车流路径的第一特征；
针对该子路段对应的每个子车流路径，在该子路段对应的至少一个子车流路径中确定相关度最高的至少一个关联路径，其中，所述相关度通过该子车流路径与其他子车流路径之间的相关系数进行衡量；
针对该子路段对应的每个子车流路径，基于空间注意力机制，对该子车流路径的第一特征以及相应的至少一个关联路径中每个的第一特征进行特征融合，以获取该子车流路径的第一融合特征；以及
基于该子路段的每个子车流路径相应的第一特征和第一融合特征，预测得到所述未来时段内该子路段对应的每个子车流路径的流量预测值。
3.根据权利要求2所述的方法，其中，所述历史时段包括连续的多个第一时段，所述第一流量数据包括第一流量序列，所述第一流量序列中包括按照时间顺序排列的所述多个第一时段相应的多个第二流量数据，所述基于该子路段对应的每个子车流路径的第一流量数据，获取该子车流路径的第一特征包括：
针对该子路段对应的每个子车流路径，执行如下操作：
基于该子车流路径的第一流量序列，提取该子车流路径的第一特征序列，所述第一特征序列包括该子车流路径的与所述多个第一时段相应的多个第二特征；以及
对该子车流路径的第一特征序列进行时序特征提取，以获得该子车流路径的第一时序特征，以作为该子车流路径的第一特征。
4.根据权利要求3所述的方法，其中，所述多个第一时段包括历史多天中每天的多个第二时段，所述对该子车流路径的第一特征序列进行时序特征提取，以获得该子车流路径的第一时序特征，以作为该子车流路径的第一特征包括：
将该子车流路径的多个第二特征分别按照日期和时段两个维度，整合为二维特征序列；以及
对所述二维特征序列进行二维时序特征提取，以获得该子车流路径的第一时序特征，以作为该子车流路径的第一特征，并且，
所述基于该子路段的每个子车流路径相应的第一特征和第一融合特征，预测得到所述未来时段内该子路段对应的每个子车流路径的流量预测值包括：
针对该子路段对应的每个子车流路径，基于该子路段对应的每个子车流路径相应的第一特征和第一融合特征，预测得到该子车流路径的所述未来时段内与所述多个第二时段相应的多个流量预测值。
5.根据权利要求2所述的方法，其中，所述基于该子路段对应的每个子车流路径的第一流量数据，获取该子车流路径的第一特征包括：
基于该子路段对应的每个子车流路径的第一流量数据以及该子车流路径的外部特征信息，获取该子车流路径的第一特征，其中，所述外部特征信息包括时间信息和相应子车流路径的标识信息中的至少一者。
6.根据权利要求5所述的方法，其中，所述基于该子路段对应的每个子车流路径的第一流量数据以及该子车流路径的外部特征信息，获取该子车流路径的第一特征包括：
基于该子路段对应的每个子车流路径的第一流数据，提取该子车流路径的第三特征；
基于该子路段对应的每个子车流路径的外部特征信息，提取该子车流路径的第四特征；以及
对该子路段对应的每个子车流路径相应的第三特征和第四特征进行特征融合，以获得该子车流路径的第二融合特征，作为该子车流路径的第一特征。
7.根据权利要求1至6中任一项所述的方法，其中，所述多个路线中的每个子路段通过两个相邻的路口节点确定。
8.根据权利要求1至7中任一项所述的方法，其中，所述基于所述多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果包括：
在所述多个第一预测子路径中筛选得到至少一个第二预测子路径，其中，所述至少一个第二预测子路径中的每个第二预测子路径的车流量大于预设流量阈值；以及
基于所述至少一个第二预测子路径以及每个第二预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
9.一种模型训练方法，所述模型用于预测车流路径流量，所述模型包括第一特征提取网络、空间注意力网络以及输出网络，所述方法包括：
获取样本数据集，所述样本数据集中包括多个样本路径，所述多个样本路径中的每个样本路径包括历史时段内的第一流量数据以及样本标签，所述样本标签包括待预测时段的相应样本路径的流量值，所述多个样本路径对应相同路段，所述路段上车辆的行驶轨迹是确定的；
针对所述样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到所述第一特征提取网络，获取所述第一特征提取网络输出的该样本路径的第一特征；
针对样本数据集中的每个样本路径，执行下述操作：
在所述多个样本路径中确定相关度最高的至少一个关联路径，其中，所述相关度通过该样本路径与其他样本路径之间的相关系数进行衡量；
将该样本路径的第一特征以及相应的至少一个关联路径中每个的第一特征输入所述空间注意力网络进行特征融合，以获取所述空间注意力网络输出的该样本路径的第一融合特征；
将该样本路径相应的第一特征和第一融合特征输入所述输出网络，以获得所述输出网络输出的所述待预测时段内该样本路径的流量预测值；以及
基于该样本路径的流量预测值和样本标签，调整所述模型的至少一个参数。
10.根据权利要求9所述的方法，其中，所述第一特征提取网络包括第二特征提取网络和时序特征提取网络，所述历史时段包括连续的多个第一时段，所述第一流量数据包括第一流量序列，所述第一流量序列中包括按照时间顺序排列的所述多个第一时段相应的多个第二流量数据，所述针对所述样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到所述第一特征提取网络，获取所述第一特征提取网络输出的该样本路径的第一特征包括：
针对所述样本数据集中的每个样本路径，执行如下操作：
将该样本路径的第一流量序列输入所述第二特征提取网络，以获得所述第二特征提取网络输出的该样本路径的第一特征序列，所述第一特征序列包括该样本路径的与所述多个第一时段相应的多个第二特征；以及
将该样本路径的第一特征序列输入所述时序特征提取网络进行时序特征提取，以获得所述时序特征提取网络输出的该样本路径的第一时序特征，以作为该样本路径的第一特征。
11.根据权利要求9所述的方法，其中，所述多个第一时段包括历史多天中每天的多个第二时段，所述时序特征提取网络用于提取二维时序特征，所述将该样本路径的第一特征序列输入所述时序特征提取网络进行时序特征提取，以获得所述时序特征提取网络输出的该样本路径的第一时序特征，以作为该样本路径的第一特征包括：
将该样本路径的多个第二特征分别按照日期和时段两个维度，整合为二维特征序列；以及
将所述二维特征序列输入所述时序特征提取网络进行二维时序特征提取，以获得所述时序特征提取网络输出的该样本路径的第一时序特征，以作为该子车流路径的第一特征，并且，
所述将该样本路径相应的第一特征和第一融合特征输入所述输出网络，以获得所述输出网络输出的所述待预测时段内该样本路径的流量预测值包括：
将该样本路径相应的第一特征和第一融合特征输入所述输出网络，以获得所述输出网络输出的该样本路径的所述待预测时段内与所述多个第二时段相应的多个流量预测值。
12.根据权利要求9所述的方法，其中，所述多个样本路径中的每个样本路径包括外部特征信息，所述外部特征信息包括时间信息和相应子车流路径的标识信息中的至少一者，所述针对所述样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到所述第一特征提取网络，获取所述第一特征提取网络输出的该样本路径的第一特征包括：
针对所述样本数据集中的每个样本路径，将该样本路径的第一流量数据以及外部特征信息输入到所述第一特征提取网络，获取所述第一特征提取网络输出的该样本路径的第一特征。
13.根据权利要求9所述的方法，其中，所述第一特征提取网络包括第三特征提取网络、第四特征提取网络和特征融合网络，所述针对所述样本数据集中的每个样本路径，将该样本路径的第一流量数据以及外部特征信息输入到所述第一特征提取网络，获取所述第一特征提取网络输出的该样本路径的第一特征包括：
针对所述样本数据集中的每个样本路径，执行下述操作：
将该样本路径的第一流数据输入第三特征提取网络，以获得所述第三特征提取网络输出的该样本路径的第三特征；
将该样本路径的外部特征信息输入第四特征提取网络，以获得所述第四特征提取网络输出的该样本路径的第四特征；以及
将该样本路径相应的第三特征和第四特征输入特征融合网络进行特征融合，以获得该样本路径的第二融合特征，作为该样本路径的第一特征。
14.一种用于预测主要车流路径的装置，包括：
第一获取单元，被配置为获取历史时段内的预设区域内的多个车流路径，所述多个车流路径中的每个车流路径包括所述历史时段内经由该车流路径的流量数据，所述多个车流路径分别对应多个路线；
拆分单元，被配置为将所述多个路线中的每个路线拆分为至少一个子路段，其中，所述至少一个子路段中的每个子路段上车辆的行驶轨迹是确定的；
第一执行单元，被配置为针对所述多个路线中的每个子路段，执行如下子单元的操作，所述第一执行单元包括：
第一获取子单元，被配置为基于该子路段，获取所述多个车流路径中的与该子路段相应的至少一个子车流路径以及每个子车流路径的第一流量数据，所述至少一个子车流路径中的每个子车流路径均经由该子路段并且在该子车流路径的两端分别具有用于指示车流方向的方向节点；
第一预测子单元，被配置为基于该子路段对应的每个子车流路径的第一流量数据，预测得到未来时段内该子路段对应的每个子车流路径的流量预测值；以及
第一确定子单元，被配置为基于该子路段对应的每个子车流路径的流量预测值，在该子路段的至少一个子车流路径中确定该子路段对应的第一预测子路径；以及
拼接单元，被配置为基于所述多个路线中的多个子路段相应的多个第一预测子路径以及每个第一预测子路径对应的方向节点，执行子路径拼接，以获得主要车流路径预测结果。
15.一种模型训练装置，所述模型用于预测车流路径流量，所述模型包括第一特征提取网络、空间注意力网络以及输出网络，所述装置包括：
第二获取单元，被配置为获取样本数据集，所述样本数据集中包括多个样本路径，所述多个样本路径中的每个样本路径包括历史时段内的第一流量数据以及样本标签，所述样本标签包括待预测时段的相应样本路径的流量值，所述多个样本路径对应相同路段，所述路段上车辆的行驶轨迹是确定的；
第三获取单元，被配置为针对所述样本数据集中的每个样本路径，至少将该样本路径的第一流量数据输入到所述第一特征提取网络，获取所述第一特征提取网络输出的该样本路径的第一特征；
第二执行单元，被配置为针对样本数据集中的每个样本路径，执行下述子单元的操作，所述第二执行单元包括：
第二确定子单元，被配置为在所述多个样本路径中确定相关度最高的至少一个关联路径，其中，所述相关度通过该样本路径与其他样本路径之间的相关系数进行衡量；
第一输入子单元，被配置为将该样本路径的第一特征以及相应的至少一个关联路径中每个的第一特征输入所述空间注意力网络进行特征融合，以获取所述空间注意力网络输出的该样本路径的第一融合特征；
第二输入子单元，被配置为将该样本路径相应的第一特征和第一融合特征输入所述输出网络，以获得所述输出网络输出的所述待预测时段内该样本路径的流量预测值；以及
调整子单元，被配置为基于该样本路径的流量预测值和样本标签，调整所述模型的至少一个参数。
16.一种电子设备，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1-13中任一项所述的方法。
17.一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1-13中任一项所述的方法。
18.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-13中任一项所述的方法。
CN202310301163.2A 2023-03-24 2023-03-24 用于预测主要车流路径的方法及模型训练方法 Active CN116453333B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310301163.2A CN116453333B (zh) 2023-03-24 2023-03-24 用于预测主要车流路径的方法及模型训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310301163.2A CN116453333B (zh) 2023-03-24 2023-03-24 用于预测主要车流路径的方法及模型训练方法

Publications (2)

Publication Number Publication Date
CN116453333A true CN116453333A (zh) 2023-07-18
CN116453333B CN116453333B (zh) 2024-04-16

Family

ID=87123060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310301163.2A Active CN116453333B (zh) 2023-03-24 2023-03-24 用于预测主要车流路径的方法及模型训练方法

Country Status (1)

Country Link
CN (1) CN116453333B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090126143A (ko) * 2008-06-03 2009-12-08 엔에이치엔(주) 교통 소통량 정보를 활용한 경로 제공 방법 및 장치
CN110345953A (zh) * 2018-04-03 2019-10-18 国民技术股份有限公司 车辆路线确定方法、服务器及计算机可读存储介质
CN111613046A (zh) * 2019-02-26 2020-09-01 阿里巴巴集团控股有限公司 信息处理方法、装置和系统
CN111915044A (zh) * 2019-05-07 2020-11-10 阿里巴巴集团控股有限公司 路径预测方法、装置、设备以及存储介质
WO2020224445A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
CN112015837A (zh) * 2020-08-24 2020-12-01 安徽科力信息产业有限责任公司 一种城市道路高频路径分析方法、系统及存储介质
CN114547223A (zh) * 2022-02-24 2022-05-27 北京百度网讯科技有限公司 轨迹预测方法、轨迹预测模型的训练方法及装置
CN115100857A (zh) * 2022-06-17 2022-09-23 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法
CN115206102A (zh) * 2022-07-15 2022-10-18 百度在线网络技术（北京）有限公司 确定交通路径的方法、装置、电子设备和介质
CN115331425A (zh) * 2022-06-30 2022-11-11 银江技术股份有限公司 一种交通预警方法、装置和系统
US20220414689A1 (en) * 2022-01-19 2022-12-29 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for training path representation model

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090126143A (ko) * 2008-06-03 2009-12-08 엔에이치엔(주) 교통 소통량 정보를 활용한 경로 제공 방법 및 장치
CN110345953A (zh) * 2018-04-03 2019-10-18 国民技术股份有限公司 车辆路线确定方法、服务器及计算机可读存储介质
CN111613046A (zh) * 2019-02-26 2020-09-01 阿里巴巴集团控股有限公司 信息处理方法、装置和系统
CN111915044A (zh) * 2019-05-07 2020-11-10 阿里巴巴集团控股有限公司 路径预测方法、装置、设备以及存储介质
WO2020224445A1 (zh) * 2019-05-08 2020-11-12 阿里巴巴集团控股有限公司 一种车流路径分布信息的处理方法、装置及电子设备
CN112015837A (zh) * 2020-08-24 2020-12-01 安徽科力信息产业有限责任公司 一种城市道路高频路径分析方法、系统及存储介质
US20220414689A1 (en) * 2022-01-19 2022-12-29 Beijing Baidu Netcom Science Technology Co., Ltd. Method and apparatus for training path representation model
CN114547223A (zh) * 2022-02-24 2022-05-27 北京百度网讯科技有限公司 轨迹预测方法、轨迹预测模型的训练方法及装置
CN115100857A (zh) * 2022-06-17 2022-09-23 广州运星科技有限公司 一种基于Dijkstra算法的路网子区关键路径识别方法
CN115331425A (zh) * 2022-06-30 2022-11-11 银江技术股份有限公司 一种交通预警方法、装置和系统
CN115206102A (zh) * 2022-07-15 2022-10-18 百度在线网络技术（北京）有限公司 确定交通路径的方法、装置、电子设备和介质

Also Published As

Publication number Publication date
CN116453333B (zh) 2024-04-16

Similar Documents

Publication Publication Date Title
CN111091708B (zh) 车辆轨迹预测方法及装置
CN113741485A (zh) 车路协同自动驾驶的控制方法、装置、电子设备及车辆
CN112907958B (zh) 路况信息确定方法、装置、电子设备以及可读介质
JP2022513866A (ja) 領域外コンテキストを用いたオブジェクト分類
CN105628951A (zh) 用于测量对象的速度的方法和装置
CN112419722B (zh) 交通异常事件检测方法、交通管控方法、设备和介质
CN114758502B (zh) 双车联合轨迹预测方法及装置、电子设备和自动驾驶车辆
CN114047760B (zh) 路径规划方法、装置、电子设备及自动驾驶车辆
CN112622923B (zh) 用于控制车辆的方法和装置
CN116453333B (zh) 用于预测主要车流路径的方法及模型训练方法
CN116880462A (zh) 自动驾驶模型、训练方法和自动驾驶方法和车辆
CN114689074B (zh) 信息处理方法和导航方法
CN115366920A (zh) 用于自动驾驶车辆的决策方法及装置、设备和介质
CN116776151A (zh) 可与车外人员进行自主交互的自动驾驶模型和训练方法
CN115675528A (zh) 基于相似场景挖掘的自动驾驶方法和车辆
CN113850909B (zh) 点云数据处理方法、装置、电子设备及自动驾驶设备
CN115454861A (zh) 自动驾驶仿真场景构建方法和装置
CN116311941B (zh) 主要车流路径提取方法、装置、设备及介质
CN115083037A (zh) 用于更新地图路网数据的方法、装置、电子设备和车辆
CN116311943B (zh) 交叉路口的平均延误时间的估算方法及装置
CN115019278B (zh) 一种车道线拟合方法、装置、电子设备和介质
US20230024799A1 (en) Method, system and computer program product for the automated locating of a vehicle
US20240086709A1 (en) Deep learning compute paths for faster vehicle reaction times
CN116469069A (zh) 用于自动驾驶的场景编码模型训练方法、装置及介质
CN116991157A (zh) 具备人类专家驾驶能力的自动驾驶模型、训练方法和车辆

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