CN116884215A - 交通状态的预测、模型的生成方法、装置、设备及介质 - Google Patents
交通状态的预测、模型的生成方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116884215A CN116884215A CN202310868364.0A CN202310868364A CN116884215A CN 116884215 A CN116884215 A CN 116884215A CN 202310868364 A CN202310868364 A CN 202310868364A CN 116884215 A CN116884215 A CN 116884215A
- Authority
- CN
- China
- Prior art keywords
- node
- traffic state
- traffic
- measured value
- representation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000005259 measurement Methods 0.000 claims abstract description 161
- 239000000872 buffer Substances 0.000 claims abstract description 120
- 238000009792 diffusion process Methods 0.000 claims abstract description 58
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 230000004044 response Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000011217 control strategy Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010926 purge Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- MFYSUUPKMDJYPF-UHFFFAOYSA-N 2-[(4-methyl-2-nitrophenyl)diazenyl]-3-oxo-n-phenylbutanamide Chemical compound C=1C=CC=CC=1NC(=O)C(C(=O)C)N=NC1=CC=C(C)C=C1[N+]([O-])=O MFYSUUPKMDJYPF-UHFFFAOYSA-N 0.000 description 1
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- DGOBMKYRQHEFGQ-UHFFFAOYSA-L acid green 5 Chemical compound [Na+].[Na+].C=1C=C(C(=C2C=CC(C=C2)=[N+](CC)CC=2C=C(C=CC=2)S([O-])(=O)=O)C=2C=CC(=CC=2)S([O-])(=O)=O)C=CC=1N(CC)CC1=CC=CC(S([O-])(=O)=O)=C1 DGOBMKYRQHEFGQ-UHFFFAOYSA-L 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect 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
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了交通状态的预测、模型的生成方法、装置、设备及介质，涉及人工智能技术领域，具体涉及深度学习技术。其中方法包括：构建交通扩散图，图中节点的特征表示车道的交通状态测量值；响应于获取到节点交通状态测量值将其扩散至相邻节点，并存储至相邻节点的消息缓冲区中，并根据边的特征对消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，进而生成节点的时空表示；根据交通状态预测模型、历史时间窗口内节点的时空表示和交通状态测量值，生成节点在未来时间窗口内的交通状态预测值。本公开实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测。
Description
技术领域
本公开涉及人工智能技术领域，具体涉及深度学习技术，尤其涉及一种交通状态的预测、模型的生成方法、装置、设备及介质。
背景技术
智能交通信号控制系统(Intelligent Traffic Signal Control System，简称ITSCS)是自动驾驶不可或缺的基石。ITSCS的一个关键能力是预测由智能交通信号控制的路口的交通状态。
相关技术中的交通状态预测方法，只能用于建模具有固定时间间隔，在时间上可对齐的交通数据间的空间依赖，而无法用于建模具有变长的时间间隔，在时间上无法对齐的交通数据间的异步空间依赖，进而无法实现此种状态下的交通状态预测。
发明内容
提供了一种交通状态的预测方法、交通状态预测模型的生成方法、装置、电子设备及存储介质。
根据第一方面，提供了一种交通状态的预测方法，包括：构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；根据所述节点的空间表示生成所述节点的时空表示；以及根据交通状态预测模型、历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在未来时间窗口内的交通状态预测值。
根据第二方面，提供了一种交通状态预测模型的生成方法，包括：构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；根据所述节点的空间表示生成所述节点的时空表示；根据待训练的交通状态预测模型、第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在第二历史时间窗口内的交通状态预测值；以及根据所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值，对所述待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
根据第三方面，提供了一种交通状态的预测装置，包括：第一构建模块，用于构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；第一扩散模块，用于响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；第一卷积模块，用于响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；第一生成模块，用于根据所述节点的空间表示生成所述节点的时空表示；以及第二生成模块，用于根据交通状态预测模型、历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在未来时间窗口内的交通状态预测值。
根据第四方面，提供了一种交通状态预测模型的生成装置，包括：第二构建模块，用于构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；第二扩散模块，用于响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；第二卷积模块，用于响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；第三生成模块，用于根据所述节点的空间表示生成所述节点的时空表示；第四生成模块，用于根据待训练的交通状态预测模型、第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在第二历史时间窗口内的交通状态预测值；以及训练模块，用于根据所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值，对所述待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
根据第五方面，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第一方面所述的交通状态的预测方法，或者执行本公开第二方面所述的交通状态预测模型的生成方法。
根据第六方面，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，所述计算机指令用于使所述计算机执行根据本公开第一方面所述的交通状态的预测方法，或者执行本公开第二方面所述的交通状态预测模型的生成方法。
根据第七方面，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根据本公开第一方面所述交通状态的预测方法的步骤，或者现根据本公开第二方面所述交通状态预测模型的生成方法的步骤。
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是根据本公开第一实施例的异步图扩散网络的示意图；
图2是根据本公开第一实施例的交通状态的预测方法的流程示意图；
图3是根据本公开第二实施例的交通状态的预测方法的流程示意图；
图4是根据本公开第三实施例的交通状态的预测方法的整体流程示意图；
图5是根据本公开第一实施例的交通状态预测模型的生成方法的流程示意框图；
图6是根据本公开第二实施例的交通状态预测模型的生成方法的流程示意图；
图7是根据本公开第三实施例的交通状态预测模型的生成方法的整体流程示意图；
图8是根据本公开第一实施例的交通状态的预测装置的框图；
图9是根据本公开第二实施例的交通状态的预测装置的框图；
图10是根据本公开第一实施例的交通状态预测模型的生成装置的框图；
图11是根据本公开第二实施例的交通状态预测模型的生成装置的框图；
图12是用来实现本公开实施例的方法的电子设备的框图。
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。
人工智能(Artificial Intelligence，简称AI)，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。
深度学习(Deep Learning，简称DL)，是机器学习(Machine Learning，简称ML)领域中一个新的研究方向，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。就具体研究内容而言，主要包括基于卷积运算的神经网络系统，即卷积神经网络；基于多层神经元的自编码神经网络；以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络。深度学习在搜索技术，数据挖掘，机器学习，机器翻译，自然语言处理，多媒体学习，语音，推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。
下面结合附图描述本公开实施例的交通状态的预测方法、交通状态预测模型的生成方法、装置、电子设备及存储介质。
准确的智能路口交通状态预测是自动驾驶车辆具备有远见的路径规划和导航决策能力的基础，以最终实现安全、高效的自动驾驶。此外，它还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。
由于不同路口的交通信号周期具有不同的时间戳，不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题。为此，本公开通过构建交通扩散图链接车道，并提出了一种如图1所示的异步图扩散网络(Asynchronous Graph DiffusionNetwork，简称AGDN)，来建模时间上不对齐的交通状态测量值之间的异步空间依赖关系，AGDN的关键思想是每个节点一旦观察到交通状态测量值就异步地将其扩散至相邻节点。然后，相邻节点将其他节点的交通状态测量值作为交通信息存储在自己的消息缓冲区中。然后，每个节点通过异步图卷积操作整合其消息缓冲区存储的交通信息，得到每个节点的空间表示，从而解决不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题。
图2是根据本公开第一实施例的交通状态的预测方法的流程示意图。
如图2所示，本公开实施例的交通状态的预测方法具体可包括以下步骤：
S201，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
具体的，本公开实施例的交通状态的预测方法的执行主体可为本公开实施例提供的交通状态的预测装置，该交通状态的预测装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器、计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
在本公开实施例中，假设有N个直接连接着多个智能路口的车道V＝{v1,v2,…,vN}，每一个车道vi都装有相应的传感器用以收集实时测量的交通数据。
交通状态测量值，即交通状态真实值，车道vi的第n个交通状态测量值定义为其中/>表示该测量所在路口的交通信号周期的长度，/>表示这个交通信号周期内车道vi上的总的车流量。其中，交通信号周期即交通信号灯的控制周期，例如红灯-黄灯-绿灯的周期。
另外，本领域技术人员可以理解，由于传感器时常可能发生不可预测的系统故障，相邻的两个交通状态测量值之间可能存在若干缺失的交通状态测量值，这将进一步加大不同传感器收集的交通数据之间的异步性。
本公开的目的“路口交通状态预测”可以理解为，给定当前时间t前的一个历史时间窗口(如1小时)，和历史时间窗口/>内所有车道的一系列历史交通状态测量值预测所有车道在未来时间窗口τ(如1小时)完整的交通流量分布/>可公式化为：
其中，是我们期望学习得到的交通状态预测模型。
为了建立车道交通状态之间的空间依赖关系，首先构建一个交通扩散图 其中节点/>表示各路口对应的所有车道，节点v的特征/>表示车道的交通状态测量值。边ε是表示节点vi和vj之间接近程度eij∈ε的一组边，边ε表示边对应的两个节点vi和vj之间的地理距离dist(vi,vj)小于预设的距离阈值∈，也即地理距离dist(vi,vj)小于预设的距离阈值∈的两个节点vi和vj之间才存在边，这样的两个节点vi和vj互为相邻节点。边ε中的特征/>表示边对应的两个节点之间的地理距离及直接可达性，直接可达性即两个车道之间是否直接可达，若两个车道之间直接可达，则直接可达性取值为1，若两个车道之间不直接可达，则直接可达性取值为0。
其中，节点之间的接近程度eij∈ε为：
此处需要说明的是，本公开的交通扩散图也可为基于其他方法构建的图结构，而不限于地理接近程度和直接可达性。
S202，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
在本公开实施例中，假设在时间戳时，节点vj测量到一个交通状态测量值/>则将节点vj的/>作为交通信息沿着边ε扩散至其相邻节点/>可以更形式化地表示为：
对于每个节点它接收到交通信息/>然后将其存储在自己的消息缓冲区中以备后续使用：
由于不同节点的交通状态测量时间戳不对齐，交通信息的扩散和存储过程以异步方式进行。
S203，响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
在本公开实施例中，利用存储在消息缓冲区中的交通信息来增强每个节点的空间感知能力，具体的，在测量到节点vi的交通状态测量值时执行一次如下操作：让每个节点vi根据边的特征/>通过异步图卷积操作异步地整合其消息缓冲区/>中存储的交通信息，得到节点vi的空间表示/>
S204，根据节点的空间表示生成节点的时空表示。
在本公开实施例中，得到节点的空间表示后，可以使用时间序列建模方法对节点之间的时间依赖进行建模，得到节点vi的时空表示
S205，根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在未来时间窗口内的交通状态预测值。
在本公开实施例中，历史时间窗口是当前时间t之前的一段时间(例如1个小时)，未来时间窗口τ是当前时间t之后的一段时间(例如1个小时)。
可以根据交通状态预测模型、历史时间窗口内节点vi的时空表示/>和节点的交通状态测量值/>预测节点在未来时间窗口τ内的交通状态预测值/>
此处需要说明的是，交通状态预测模型具体可以为门控循环单元(GateRecurrent Unit，简称GRU)模型。交通状态预测模型可以为训练好的模型，具体训练过程可参见下述实施例中的相关描述。
综上，本公开实施例的交通状态的预测方法，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中，响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，根据节点的空间表示生成节点的时空表示，根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在未来时间窗口内的交通状态预测值。本公开实施例响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。
图3是根据本公开第二实施例的交通状态的预测方法的流程示意图。
如图3所示，在图2所示实施例的基础上，本公开实施例的交通状态的预测方法具体可包括以下步骤：
S301，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
S302，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
在本公开实施例中，步骤S301-S302与上述实施例中的步骤S201-S202相同，此处不再赘述。
上述实施例中的步骤S203“响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示”，具体可包括以下步骤S303-S304。
S303，响应于获取到节点对应的交通状态测量值，根据节点当前的交通状态测量值、边的特征和消息缓冲区中存储的交通状态测量值，计算消息缓冲区中存储的交通状态测量值对应的注意力权重。
在本公开实施例中，在测量到节点vi的交通状态测量值时执行一次如下操作：根据节点vi当前的交通状态测量值/>边的特征/>和消息缓冲区/>中存储的交通状态测量值/>计算消息缓冲区/>中存储的交通状态测量值/>对应的注意力权重αnn-。
对于每个交通状态测量值可通过以下公式计算对应的注意力权重αnn-：
其中，表示连接操作，v和Wa是可学习的参数，tanh为激活函数。/>为节点vi测量到交通状态测量值/>时的时间戳，/>为相邻节点vj测量到交通状态测量值/>时的时间戳。
S304，根据注意力权重、边的特征和消息缓冲区中存储的交通状态测量值，计算节点的空间表示。
在本公开实施例中，根据步骤S303计算得到的注意力权重αnn-、边的特征和消息缓冲区/>中存储的交通状态测量值/>计算节点vi的空间表示/>
对于每个节点vi，可通过以下公式计算对应的空间表示
其中，MLP表示一个可学习的多层感知器。
此处需要说明的是，每次对节点vi进行异步图卷积操作之后，可以清除消息缓冲区中存储的交通状态测量值/>即每个节点vi只整合从其上一个交通测量时间戳到当前交通测量时间戳/>的相邻节点的交通消息，从而保证每个交通消息只被使用一次，避免在异步空间依赖建模中出现冗余信息和冗余计算。
进一步的，本公开实施例的交通状态的预测方法还可以包括以下步骤：在获取到节点在历史时间窗口内对应的最后一次交通状态测量值后，根据边的特征对历史时间窗口结束时节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
在本公开实施例中，假设为节点vi在历史时间窗口/>内最后一次测量到的交通状态测量值，对应的测量的时间戳为/>可能会有一些相邻节点的交通信息在这个时间戳之后历史时间窗口/>结束前被接收和存储到消息缓冲区/>中。因此，针对这些剩余的交通信息，可以在历史时间窗口/>结束时使用一个没有交通状态值的虚拟交通状态测量值在时间戳/>上进行类似的异步图卷积操作，获得节点vi在历史时间窗口/>结束时的空间表示/>
上述实施例中的步骤S204“根据节点的空间表示生成节点的时空表示”，具体可包括以下步骤S305：
S305，根据节点的空间表示和门控循环单元模型，生成节点的时空表示。
在本公开实施例中，可以根据步骤S305计算得到的节点vi的空间表示和门控循环单元GRU模型，生成节点vi的时空表示/>
具体的，可定义节点vi的第n个时空表示/>可通过下述公式得到：
其中，σ为激活函数，Wr、br、Wz、bz、Wc和为可学习的参数。
而每个节点vi在历史时间窗口结束时的时空表示/>可通过下述公式计算得到：
上述实施例中的步骤S205“根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在未来时间窗口内的交通状态预测值”，具体可包括以下步骤S306：
S306，根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，采用自回归的方式生成节点在未来时间窗口内的交通状态预测值。
在本公开实施例中，可以对于每个节点vi，可以使用GRU模型采用自回归的方式进行预测，可表示为：
其中，m取值为整数，且m≥0。当m＝0时，令交通状态预测值 当预测的未来交通状态预测值累积超过未来时间窗口τ时停止预测。
综上，本公开实施例的交通状态的预测方法，响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。每次对节点进行异步图卷积操作之后，清除消息缓冲区中存储的交通状态测量值，保证了每个交通消息只被使用一次，避免了在异步空间依赖建模中出现冗余信息和冗余计算。采用GRU模型和自回归的方式生成节点在未来时间窗口内的交通状态预测值，基于模型的学习能力，使得预测得到的交通状态预测值更为准确。
为清楚地说明本公开实施例的交通状态的预测方法，现结合图4进行详细描述。图4是根据本公开第三实施例的交通状态的预测方法的整体流程示意图，如图4所示，本公开实施例的交通状态的预测方法包括：
S401，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
S402，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
S403，响应于获取到节点对应的交通状态测量值，根据节点当前的交通状态测量值、边的特征和消息缓冲区中存储的交通状态测量值，计算消息缓冲区中存储的交通状态测量值对应的注意力权重。
S404，根据注意力权重、边的特征和消息缓冲区中存储的交通状态测量值，计算节点的空间表示。
S405，在获取到节点在历史时间窗口内对应的最后一次交通状态测量值后，根据边的特征对历史时间窗口结束时节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
S406，清除消息缓冲区中存储的交通状态测量值。
S407，根据节点的空间表示和门控循环单元模型，生成节点的时空表示。
S408，根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，采用自回归的方式生成节点在未来时间窗口内的交通状态预测值。
图5为是根据本公开第一实施例的交通状态预测模型的生成方法的流程示意图。
如图5所示，本公开实施例的交通状态预测模型的生成方法具体可包括以下步骤：
S501，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
具体的，本公开实施例的交通状态预测模型的生成方法的执行主体可为本公开实施例提供的交通状态预测模型的生成装置，该交通状态预测模型的生成装置可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选的，执行主体可包括工作站、服务器、计算机、用户终端及其他设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。
S502，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
S503，响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
S504，根据节点的空间表示生成节点的时空表示。
S505，根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在第二历史时间窗口内的交通状态预测值。
在本公开实施例中，步骤S501-S505与上述实施例中的步骤S201-S205类似，此处不再赘述。
S506，根据第二历史时间窗口内节点的交通状态测量值和交通状态预测值，对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
在本公开实施例中，可以第二历史时间窗口内节点的交通状态测量值和交通状态预测值，对待训练的交通状态预测模型进行参数调整，得到训练后的交通状态预测模型。交通状态预测模型具体可以为门控循环单元模型。
综上，本公开实施例的交通状态预测模型的生成方法，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中，响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，根据节点的空间表示生成节点的时空表示，根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在未来时间窗口内的交通状态预测值。本公开实施例响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。
图6是根据本公开第二实施例的交通状态预测模型的生成方法的流程图。
如图6所示，在图5所示实施例的基础上，本公开实施例的交通状态预测模型的生成方法具体可包括以下步骤：
S601，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
S602，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
在本公开实施例中，步骤S601-S602与上述实施例中的步骤S501-S502相同，此处不再赘述。
上述实施例中的步骤S503“响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示”，具体可包括以下步骤S603-S604。
S603，响应于获取到节点对应的交通状态测量值，根据节点当前的交通状态测量值、边的特征和消息缓冲区中存储的交通状态测量值，计算消息缓冲区中存储的交通状态测量值对应的注意力权重。
S604，根据注意力权重、边的特征和消息缓冲区中存储的交通状态测量值，计算节点的空间表示。
在本公开实施例中，步骤S603-S604与上述实施例中的步骤S503-S504相同，此处不再赘述。
进一步的，本公开实施例的交通状态预测模型的生成方法还可以包括以下步骤：在获取到节点在第一历史时间窗口内对应的最后一次交通状态测量值后，根据边的特征对第一历史时间窗口结束时节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
上述实施例中的步骤S504“根据节点的空间表示生成节点的时空表示”，具体可包括以下步骤S605：
S605，根据节点的空间表示和门控循环单元模型，生成节点的时空表示。
在本公开实施例中，步骤S605与上述实施例中的步骤S305相同，此处不再赘述。
上述实施例中的步骤S505“根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在第二历史时间窗口内的交通状态预测值”，具体可包括以下步骤S606：
S606，根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，采用自回归的方式生成节点在第二历史时间窗口内的交通状态预测值。
在本公开实施例中，步骤S606与上述实施例中的步骤S306类似，此处不再赘述。
上述实施例中的步骤S506“根据第二历史时间窗口内节点的交通状态测量值和交通状态预测值，对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型”，具体可包括以下步骤S607-S608：
S607，计算第二历史时间窗口内节点的交通状态测量值和交通状态预测值之间的平均绝对误差作为损失函数。
在本公开实施例中，可以通过计算第二历史时间窗口内节点vi的交通状态测量值和交通状态预测值之间的平均绝对误差作为损失函数来训练模型，下述两个损失函数分别对应了对交通信号周期的长度和总车流量预测值的优化。
其中，和/>表示交通信号周期的长度的预测值和总车流量的预测值，Li表示完整真实交通状态测量值测量次数序列的长度，/>是非缺失的交通状态测量值测量次数的长度。/>是一个遮掩项，若测量值/>或/>存在，则/>等于1，若测量值/>或/>缺失，则/>等于0。
S608，基于损失函数对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
在本公开实施例中，通过最小化上述两个损失函数实现交通状态预测模型的训练。
本公开实施例的交通状态预测模型的生成方法中的各步骤的具体过程可参见上述交通状态的预测方法实施例中的相关描述，此处不再赘述。
综上，本公开实施例的交通状态预测模型的生成方法，响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测模型的训练，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。每次对节点进行异步图卷积操作之后，清除消息缓冲区中存储的交通状态测量值，保证了每个交通消息只被使用一次，避免了在异步空间依赖建模中出现冗余信息和冗余计算。
为清楚地说明本公开实施例的交通状态预测模型的生成方法，现结合图7进行详细描述。图7是根据本公开第三实施例的交通状态预测模型的生成方法的整体流程示意图，如图7所示，本公开实施例的交通状态预测模型的生成方法包括：
S701，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
S702，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
S703，响应于获取到节点对应的交通状态测量值，根据节点当前的交通状态测量值、边的特征和消息缓冲区中存储的交通状态测量值，计算消息缓冲区中存储的交通状态测量值对应的注意力权重。
S704，根据注意力权重、边的特征和消息缓冲区中存储的交通状态测量值，计算节点的空间表示。
S705，在获取到节点在第一历史时间窗口内对应的最后一次交通状态测量值后，根据边的特征对第一历史时间窗口结束时节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
S706，清除消息缓冲区中存储的交通状态测量值。
S707，根据节点的空间表示和门控循环单元模型，生成节点的时空表示。
S708，根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，采用自回归的方式生成节点在第二历史时间窗口内的交通状态预测值。
S709，计算第二历史时间窗口内节点的交通状态测量值和交通状态预测值之间的平均绝对误差作为损失函数。
S710，基于损失函数对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
图8是根据本公开第一实施例的交通状态的预测装置的框图。
如图8所示，本公开实施例的交通状态的预测装置800，包括：第一构建模块801、第一扩散模块802、第一卷积模块803、第一生成模块804和第二生成模块805。其中：
第一构建模块801，用于构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
第一扩散模块802，用于响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
第一卷积模块803，用于响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
第一生成模块804，用于根据节点的空间表示生成节点的时空表示。
第二生成模块805，用于根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在未来时间窗口内的交通状态预测值。
需要说明的是，上述对交通状态的预测方法实施例的解释说明，也适用于本公开实施例的交通状态的预测装置，具体过程此处不再赘述。
综上，本公开实施例的交通状态的预测装置，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中，响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，根据节点的空间表示生成节点的时空表示，根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在未来时间窗口内的交通状态预测值。本公开实施例响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。
图9是根据本公开第二实施例的交通状态的预测装置的框图。
如图9所示，本公开实施例的交通状态的预测装置900，包括：第一构建模块901、第一扩散模块902、第一卷积模块903、第一生成模块904和第二生成模块905。
其中，第一构建模块901与上一实施例中的第一构建模块801具有相同的结构和功能，第一扩散模块902与上一实施例中的第一扩散模块802具有相同的结构和功能，第一卷积模块903与上一实施例中的第一卷积模块803具有相同的结构和功能，第一生成模块904与上一实施例中的第一生成模块804具有相同的结构和功能，第二生成模块905与上一实施例中的第二生成模块805具有相同的结构和功能。
进一步的，第一卷积模块903，进一步用于：根据节点当前的交通状态测量值、边的特征和消息缓冲区中存储的交通状态测量值，计算消息缓冲区中存储的交通状态测量值对应的注意力权重；以及根据注意力权重、边的特征和消息缓冲区中存储的交通状态测量值，计算节点的空间表示。
进一步的，本公开实施例的交通状态的预测装置900，还包括：第一清除模块906，用于清除消息缓冲区中存储的交通状态测量值。
进一步的，第一卷积模块903，还用于：在获取到节点在历史时间窗口内对应的最后一次交通状态测量值后，根据边的特征对历史时间窗口结束时节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
进一步的，第一生成模块904，进一步用于：根据节点的空间表示和门控循环单元模型，生成节点的时空表示。
进一步的，交通状态预测模型为门控循环单元模型。
进一步的，第二生成模块905，进一步用于：根据交通状态预测模型、历史时间窗口内节点的时空表示和节点的交通状态测量值，采用自回归的方式生成节点在未来时间窗口内的交通状态预测值。
需要说明的是，上述对交通状态的预测方法实施例的解释说明，也适用于本公开实施例的交通状态的预测装置，具体过程此处不再赘述。
综上，本公开实施例的交通状态的预测装置，响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。每次对节点进行异步图卷积操作之后，清除消息缓冲区中存储的交通状态测量值，保证了每个交通消息只被使用一次，避免了在异步空间依赖建模中出现冗余信息和冗余计算。采用GRU模型和自回归的方式生成节点在未来时间窗口内的交通状态预测值，基于模型的学习能力，使得预测得到的交通状态预测值更为准确。
图10是根据本公开第二实施例的交通状态预测模型的生成装置的框图。
如图10所示，本公开实施例的交通状态预测模型的生成装置1000，包括：第二构建模块1001、第二扩散模块1002、第二卷积模块1003、第三生成模块1004、第四生成模块1005和训练模块1006。其中：
第二构建模块1001，用于构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性。
第二扩散模块1002，用于响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中。
第二卷积模块1003，用于响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
第三生成模块1004，用于根据节点的空间表示生成节点的时空表示。
第四生成模块1005，用于根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在第二历史时间窗口内的交通状态预测值。
训练模块1006，用于根据第二历史时间窗口内节点的交通状态测量值和交通状态预测值，对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
需要说明的是，上述对交通状态预测模型的生成方法实施例的解释说明，也适用于本公开实施例的交通状态预测模型的生成装置，具体过程此处不再赘述。
综上，本公开实施例的交通状态预测模型的生成装置，构建交通扩散图，交通扩散图中的节点表示路口对应的车道，节点的特征表示车道的交通状态测量值，节点之间的边表示边对应的两个节点之间的地理距离小于预设的距离阈值，边的特征表示边对应的两个节点之间的地理距离及直接可达性，响应于获取到节点对应的交通状态测量值，将节点的交通状态测量值扩散至节点的相邻节点，并将节点的交通状态测量值存储至节点的相邻节点的消息缓冲区中，响应于获取到节点对应的交通状态测量值，根据边的特征对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，根据节点的空间表示生成节点的时空表示，根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，生成节点在第二历史时间窗口内的交通状态预测值，根据第二历史时间窗口内节点的交通状态测量值和交通状态预测值，对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。本公开实施例响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测模型的训练，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。
图11是根据本公开第二实施例的交通状态预测模型的生成装置的框图。
如图11所示，本公开实施例的交通状态预测模型的生成装置1100，包括：第二构建模块1101、第二扩散模块1102、第二卷积模块1103、第三生成模块1104、第四生成模块1105和训练模块1106。
其中，第二构建模块1101与上一实施例中的第二构建模块1001具有相同的结构和功能，第二扩散模块1102与上一实施例中的第二扩散模块1002具有相同的结构和功能，第二卷积模块1103与上一实施例中的第二卷积模块1003具有相同的结构和功能，第三生成模块1104与上一实施例中的第三生成模块1004具有相同的结构和功能，第四生成模块1105与上一实施例中的第四生成模块1005具有相同的结构和功能，训练模块1106与上一实施例中的训练模块1006具有相同的结构和功能。
进一步的，第二卷积模块1103，进一步用于：根据节点当前的交通状态测量值、边的特征和消息缓冲区中存储的交通状态测量值，计算消息缓冲区中存储的交通状态测量值对应的注意力权重；以及根据注意力权重、边的特征和消息缓冲区中存储的交通状态测量值，计算节点的空间表示。
进一步的，本公开实施例的交通状态预测模型的生成装置1100，还包括：第二清除模块1107，用于清除消息缓冲区中存储的交通状态测量值。
进一步的，第二卷积模块1103，还用于：在获取到节点在第一历史时间窗口内对应的最后一次交通状态测量值后，根据边的特征对第一历史时间窗口结束时节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示。
进一步的，第三生成模块1104，进一步用于：根据节点的空间表示和门控循环单元模型，生成节点的时空表示。
进一步的，交通状态预测模型为门控循环单元模型。
进一步的，第四生成模块1105，进一步用于：根据待训练的交通状态预测模型、第一历史时间窗口内节点的时空表示和节点的交通状态测量值，采用自回归的方式生成节点在第二历史时间窗口内的交通状态预测值。
进一步的，训练模块1106，进一步用于：计算第二历史时间窗口内节点的交通状态测量值和交通状态预测值之间的平均绝对误差作为损失函数；基于损失函数对待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
需要说明的是，上述对交通状态预测模型的生成方法实施例的解释说明，也适用于本公开实施例的交通状态预测模型的生成装置，具体过程此处不再赘述。
综上，本公开实施例的交通状态预测模型的生成装置，响应于获取到节点对应的交通状态测量值，将交通状态测量值异步扩散并存储至相邻节点的消息缓冲区中，并对节点的消息缓冲区中存储的交通状态测量值进行卷积操作，得到节点的空间表示，解决了不同车道的交通状态测量值在时间上无法对齐，导致建模空间依赖关系时的异步性问题，实现了对时间上无法对齐的交通状态测量值之间的异步空间依赖关系的建模，进而实现了此种状态下的交通状态预测模型的训练，有助于自动驾驶车辆实现有远见的路径规划和导航决策能力，以最终实现安全、高效的自动驾驶。此外，还有助于优化交通信号控制策略，减少交通拥堵，提高交通通行效率，从而为建立高效、顺畅的交通运输系统作出贡献。每次对节点进行异步图卷积操作之后，清除消息缓冲区中存储的交通状态测量值，保证了每个交通消息只被使用一次，避免了在异步空间依赖建模中出现冗余信息和冗余计算。
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，均符合相关法律法规的规定，且不违背公序良俗。
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12示出了可以用来实施本公开的实施例的示例电子设备1200的示意性框图。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RAM1203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、ROM1202以及RAM1203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，例如键盘、鼠标等；输出单元1207，例如各种类型的显示器、扬声器等；存储单元1208，例如磁盘、光盘等；以及通信单元1209，例如网卡、调制解调器、无线通信收发机等。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。
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，例如图1至图4所示的交通状态的预测方法，或者图5至图7所示的交通状态预测模型的生成方法。例如，在一些实施例中，交通状态的预测方法或者交通状态预测模型的生成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ROM1202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RAM1203并由计算单元1201执行时，可以执行上文描述的语义解析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)而被配置为执行交通状态的预测方法或者交通状态预测模型的生成方法。
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)、互联网以及区块链网络。
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(“Virtual Private Server”，或简称“VPS”)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。
根据本公开的实施例，本公开还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根据本公开上述实施例所示的交通状态的预测方法的步骤，或者实现根据本公开上述实施例所示的交通状态预测模型的生成方法的步骤。
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公开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 (33)
1.一种交通状态的预测方法，包括：
构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；
响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；
响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；
根据所述节点的空间表示生成所述节点的时空表示；以及
根据交通状态预测模型、历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在未来时间窗口内的交通状态预测值。
2.根据权利要求1所述的预测方法，其中，所述根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示，包括：
根据所述节点当前的所述交通状态测量值、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述消息缓冲区中存储的所述交通状态测量值对应的注意力权重；以及
根据所述注意力权重、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述节点的所述空间表示。
3.根据权利要求1所述的预测方法，其中，所述根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示之后，还包括：
清除所述消息缓冲区中存储的所述交通状态测量值。
4.根据权利要求1所述的预测方法，还包括：
在获取到所述节点在所述历史时间窗口内对应的最后一次所述交通状态测量值后，根据所述边的特征对所述历史时间窗口结束时所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示。
5.根据权利要求1所述的预测方法，其中，所述根据所述节点的空间表示生成所述节点的时空表示，包括：
根据所述节点的空间表示和门控循环单元模型，生成所述节点的时空表示。
6.根据权利要求1所述的预测方法，其中，所述交通状态预测模型为门控循环单元模型。
7.根据权利要求6所述的预测方法，其中，所述根据交通状态预测模型、历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在未来时间窗口内的交通状态预测值，包括：
根据所述交通状态预测模型、所述历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，采用自回归的方式生成所述节点在所述未来时间窗口内的所述交通状态预测值。
8.一种交通状态预测模型的生成方法，包括：
构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；
响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；
响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；
根据所述节点的空间表示生成所述节点的时空表示；
根据待训练的交通状态预测模型、第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在第二历史时间窗口内的交通状态预测值；以及
根据所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值，对所述待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
9.根据权利要求8所述的生成方法，其中，所述根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示，包括：
根据所述节点当前的所述交通状态测量值、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述消息缓冲区中存储的所述交通状态测量值对应的注意力权重；以及
根据所述注意力权重、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述节点的所述空间表示。
10.根据权利要求8所述的生成方法，其中，所述根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示之后，还包括：
清除所述消息缓冲区中存储的所述交通状态测量值。
11.根据权利要求8所述的生成方法，还包括：
在获取到所述节点在所述第一历史时间窗口内对应的最后一次所述交通状态测量值后，根据所述边的特征对所述第一历史时间窗口结束时所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示。
12.根据权利要求8所述的生成方法，其中，所述根据所述节点的空间表示生成所述节点的时空表示，包括：
根据所述节点的空间表示和门控循环单元模型，生成所述节点的时空表示。
13.根据权利要求8所述的生成方法，其中，所述交通状态预测模型为门控循环单元模型。
14.根据权利要求13所述的生成方法，其中，所述根据待训练的交通状态预测模型、第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在第二历史时间窗口内的交通状态预测值，包括：
根据所述待训练的交通状态预测模型、所述第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，采用自回归的方式生成所述节点在所述第二历史时间窗口内的所述交通状态预测值。
15.根据权利要求8所述的生成方法，其中，所述根据所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值，对所述待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型，包括：
计算所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值之间的平均绝对误差作为损失函数；以及
基于所述损失函数对所述待训练的交通状态预测模型进行训练，得到所述训练后的交通状态预测模型。
16.一种交通状态的预测装置，包括：
第一构建模块，用于构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；
第一扩散模块，用于响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；
第一卷积模块，用于响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；
第一生成模块，用于根据所述节点的空间表示生成所述节点的时空表示；以及
第二生成模块，用于根据交通状态预测模型、历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在未来时间窗口内的交通状态预测值。
17.根据权利要求16所述的预测装置，其中，所述第一卷积模块，进一步用于：
根据所述节点当前的所述交通状态测量值、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述消息缓冲区中存储的所述交通状态测量值对应的注意力权重；以及
根据所述注意力权重、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述节点的所述空间表示。
18.根据权利要求16所述的预测装置，还包括：
第一清除模块，用于清除所述消息缓冲区中存储的所述交通状态测量值。
19.根据权利要求16所述的预测装置，其中，所述第一卷积模块，还用于：
在获取到所述节点在所述历史时间窗口内对应的最后一次所述交通状态测量值后，根据所述边的特征对所述历史时间窗口结束时所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示。
20.根据权利要求16所述的预测装置，其中，所述第一生成模块，进一步用于：
根据所述节点的空间表示和门控循环单元模型，生成所述节点的时空表示。
21.根据权利要求16所述的预测装置，其中，所述交通状态预测模型为门控循环单元模型。
22.根据权利要求21所述的预测装置，其中，所述第二生成模块，进一步用于：
根据所述交通状态预测模型、所述历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，采用自回归的方式生成所述节点在所述未来时间窗口内的所述交通状态预测值。
23.一种交通状态预测模型的生成装置，包括：
第二构建模块，用于构建交通扩散图，所述交通扩散图中的节点表示路口对应的车道，所述节点的特征表示所述车道的交通状态测量值，所述节点之间的边表示所述边对应的两个所述节点之间的地理距离小于预设的距离阈值，所述边的特征表示所述边对应的两个所述节点之间的地理距离及直接可达性；
第二扩散模块，用于响应于获取到所述节点对应的所述交通状态测量值，将所述节点的所述交通状态测量值扩散至所述节点的相邻节点，并将所述节点的所述交通状态测量值存储至所述节点的相邻节点的消息缓冲区中；
第二卷积模块，用于响应于获取到所述节点对应的所述交通状态测量值，根据所述边的特征对所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示；
第三生成模块，用于根据所述节点的空间表示生成所述节点的时空表示；
第四生成模块，用于根据待训练的交通状态预测模型、第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，生成所述节点在第二历史时间窗口内的交通状态预测值；以及
训练模块，用于根据所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值，对所述待训练的交通状态预测模型进行训练，得到训练后的交通状态预测模型。
24.根据权利要23所述的生成装置，其中，所述第二卷积模块，进一步用于：
根据所述节点当前的所述交通状态测量值、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述消息缓冲区中存储的所述交通状态测量值对应的注意力权重；以及
根据所述注意力权重、所述边的特征和所述消息缓冲区中存储的所述交通状态测量值，计算所述节点的所述空间表示。
25.根据权利要求23所述的生成装置，还包括：
第二清除模块，用于清除所述消息缓冲区中存储的所述交通状态测量值。
26.根据权利要求23所述的生成装置，其中，所述二卷积模块，还用于：
在获取到所述节点在所述第一历史时间窗口内对应的最后一次所述交通状态测量值后，根据所述边的特征对所述第一历史时间窗口结束时所述节点的所述消息缓冲区中存储的所述交通状态测量值进行卷积操作，得到所述节点的空间表示。
27.根据权利要求23所述的生成装置，其中，所述第三生成模块，进一步用于：
根据所述节点的空间表示和门控循环单元模型，生成所述节点的时空表示。
28.根据权利要求23所述的生成装置，其中，所述交通状态预测模型为门控循环单元模型。
29.根据权利要求28所述的生成装置，其中，所述第四生成模块，进一步用于：
根据所述待训练的交通状态预测模型、所述第一历史时间窗口内所述节点的时空表示和所述节点的所述交通状态测量值，采用自回归的方式生成所述节点在所述第二历史时间窗口内的所述交通状态预测值。
30.根据权利要求23所述的生成装置，其中，所述训练模块，进一步用于：
计算所述第二历史时间窗口内所述节点的所述交通状态测量值和所述交通状态预测值之间的平均绝对误差作为损失函数；以及
基于所述损失函数对所述待训练的交通状态预测模型进行训练，得到所述训练后的交通状态预测模型。
31.一种电子设备，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1-7中任一项所述的方法，或者执行权利要求8-15中任一项所述的方法。
32.一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1-7中任一项所述的方法，或者执行权利要求8-15中任一项所述的方法。
33.一种计算机程序产品，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1-7中任一项所述方法的步骤，或者实现根据权利要求8-15中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868364.0A CN116884215B (zh) | 2023-07-14 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868364.0A CN116884215B (zh) | 2023-07-14 | 交通状态的预测、模型的生成方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116884215A true CN116884215A (zh) | 2023-10-13 |
| CN116884215B CN116884215B (zh) | 2024-05-31 |
Family
ID=
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695679A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 出入量的预测方法、装置、电子设备及存储介质 |
| CN112382081A (zh) * | 2020-09-30 | 2021-02-19 | 浙江高速信息工程技术有限公司 | 一种基于多任务的交通流量预测方法 |
| CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
| CN112560981A (zh) * | 2020-12-24 | 2021-03-26 | 北京百度网讯科技有限公司 | 生成对抗模型的训练方法、装置、设备、程序和存储介质 |
| US20210256355A1 (en) * | 2020-02-13 | 2021-08-19 | International Business Machines Corporation | Evolving graph convolutional networks for dynamic graphs |
| WO2021174876A1 (zh) * | 2020-09-18 | 2021-09-10 | 平安科技（深圳）有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
| CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| US20220144256A1 (en) * | 2020-11-10 | 2022-05-12 | Nec Laboratories America, Inc. | Divide-and-conquer for lane-aware diverse trajectory prediction |
| WO2022104504A1 (zh) * | 2020-11-17 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种公路交通状态预测方法、系统、终端以及存储介质 |
| CN114694011A (zh) * | 2022-03-25 | 2022-07-01 | 中国电子科技南湖研究院 | 一种基于多传感器融合的透雾目标检测方法及装置 |
| US11482048B1 (en) * | 2022-05-10 | 2022-10-25 | INSEER Inc. | Methods and apparatus for human pose estimation from images using dynamic multi-headed convolutional attention |
| CN115358485A (zh) * | 2022-09-14 | 2022-11-18 | 浙江师范大学 | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 |
| WO2023277814A2 (en) * | 2021-06-30 | 2023-01-05 | Grabtaxi Holdings Pte. Ltd. | Computer-implemented apparatus and method for predicting traffic conditions in a route planning application |
| KR20230048259A (ko) * | 2022-09-28 | 2023-04-11 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
| US20230140289A1 (en) * | 2021-11-03 | 2023-05-04 | Qatar Foundation For Education, Science And Community Development | Traffic accident prediction systems and methods |
| CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210256355A1 (en) * | 2020-02-13 | 2021-08-19 | International Business Machines Corporation | Evolving graph convolutional networks for dynamic graphs |
| CN111695679A (zh) * | 2020-06-09 | 2020-09-22 | 北京百度网讯科技有限公司 | 出入量的预测方法、装置、电子设备及存储介质 |
| WO2021174876A1 (zh) * | 2020-09-18 | 2021-09-10 | 平安科技（深圳）有限公司 | 基于智能决策的人口流动预测方法、装置及计算机设备 |
| CN112382081A (zh) * | 2020-09-30 | 2021-02-19 | 浙江高速信息工程技术有限公司 | 一种基于多任务的交通流量预测方法 |
| CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
| US20220144256A1 (en) * | 2020-11-10 | 2022-05-12 | Nec Laboratories America, Inc. | Divide-and-conquer for lane-aware diverse trajectory prediction |
| WO2022104504A1 (zh) * | 2020-11-17 | 2022-05-27 | 中国科学院深圳先进技术研究院 | 一种公路交通状态预测方法、系统、终端以及存储介质 |
| CN112560981A (zh) * | 2020-12-24 | 2021-03-26 | 北京百度网讯科技有限公司 | 生成对抗模型的训练方法、装置、设备、程序和存储介质 |
| WO2023277814A2 (en) * | 2021-06-30 | 2023-01-05 | Grabtaxi Holdings Pte. Ltd. | Computer-implemented apparatus and method for predicting traffic conditions in a route planning application |
| CN113570859A (zh) * | 2021-07-23 | 2021-10-29 | 江南大学 | 一种基于异步时空膨胀图卷积网络的交通流量预测方法 |
| US20230140289A1 (en) * | 2021-11-03 | 2023-05-04 | Qatar Foundation For Education, Science And Community Development | Traffic accident prediction systems and methods |
| CN114694011A (zh) * | 2022-03-25 | 2022-07-01 | 中国电子科技南湖研究院 | 一种基于多传感器融合的透雾目标检测方法及装置 |
| US11482048B1 (en) * | 2022-05-10 | 2022-10-25 | INSEER Inc. | Methods and apparatus for human pose estimation from images using dynamic multi-headed convolutional attention |
| CN115358485A (zh) * | 2022-09-14 | 2022-11-18 | 浙江师范大学 | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 |
| KR20230048259A (ko) * | 2022-09-28 | 2023-04-11 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 차도 교통량 데이터 보완 방법, 장치, 및 모델 훈련 방법 및 장치 |
| CN116187555A (zh) * | 2023-02-16 | 2023-05-30 | 华中科技大学 | 基于自适应动态图的交通流预测模型构建方法及预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| WEIJIA ZHANG: "Multi-Agent Graph Convolutional Reinforcement Learning for Dynamic Electric Vehicle Charging Pricing", 《PROCEEDINGS OF THE 28TH ACM SIGKDD CONFERENCE ON KNOWLEDGE DISCOVERY AND DATA》, 31 December 2022 (2022-12-31) * |
| WEIWEI JIANG AND JIAYUN LUO.: "Graph neural network for traffic forecasting: Asurvey", 《EXPERT SYSTEMS WITH APPLICATIONS》, 31 December 2022 (2022-12-31) * |
| XIYUE ZHANG: "Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network", 《AAAI SPECIAL TRACK ON AI FOR SOCIAL IMPACT》, 18 May 2021 (2021-05-18) * |
| 张宇;余华云;: "基于深度学习的交通预测方法研究", 电脑知识与技术, no. 36, 25 December 2019 (2019-12-25) * |
| 李志帅: "基于图卷积神经网络和注意力机制的短时交通流量预测", 《交通工程》, 15 August 2019 (2019-08-15) * |
| 杜圣东;李天瑞;杨燕;王浩;谢鹏;洪西进;: "一种基于序列到序列时空注意力学习的交通流预测模型", 计算机研究与发展, no. 08, 6 August 2020 (2020-08-06) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10951500B2 (en) | Method and apparatus for warning | |
| CN112560496A (zh) | 语义分析模型的训练方法、装置、电子设备及存储介质 | |
| CN111708876B (zh) | 生成信息的方法和装置 | |
| CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
| CN111353009B (zh) | 建立路线耗时预估模型、预估路线耗时的方法及对应装置 | |
| CN114357105B (zh) | 地理预训练模型的预训练方法及模型微调方法 | |
| CN113859264B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
| CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
| CN112000893A (zh) | 常驻区域预测方法、装置、设备及存储介质 | |
| CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
| CN114771572A (zh) | 一种自动驾驶轨迹预测方法、装置、设备和存储介质 | |
| CN112560981A (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
| CN114417192B (zh) | 更新兴趣点poi状态的方法、装置、设备、介质及产品 | |
| CN113158030B (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
| CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
| CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 | |
| CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
| CN116884215A (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 | |
| CN115687764A (zh) | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 | |
| CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
| CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
| CN114565170A (zh) | 污染物溯源方法及装置、设备、介质和产品 | |
| EP4040421B1 (en) | Method and apparatus for predicting traffic data and electronic device | |
| CN116245215A (zh) | 预测模型获取及通行时长预测方法、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 | ||
| GR01 | Patent grant |