CN117198041A - 绿波预测模型训练方法、绿波预测方法、装置及电子设备 - Google Patents

Abstract

本公开涉及计算机技术领域，尤其涉及智能交通、自动驾驶、电子地图、信息推送等技术领域，具体涉及一种绿波预测模型训练方法、绿波预测方法、装置及电子设备。具体实现方案为：获取样本特征数据；其中，样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段；获取采样时段内样本车辆针对采样路口的绿波数据；基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。采用本公开可以提高绿波预测结果的准确性。

Description

绿波预测模型训练方法、绿波预测方法、装置及电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及智能交通、自动驾驶、电子地图、信息推送等技术领域，具体涉及一种绿波预测模型训练方法、绿波预测方法、装置及电子设备。

背景技术

在用户驾驶目标车辆行驶在目标路口的上游路段时，用户是否提前知晓目标车辆针对目标路口的绿波预测结果将直接影响用户的驾驶决策，而用户的驾驶决策不仅会影响目标路口的整体通行效率，还会在一定程度上降低交通事故的发生概率，因此，绿波预测的意义十分重大。

发明内容

本公开提供了一种绿波预测模型训练方法、绿波预测方法、装置及电子设备。

根据本公开的一方面，提供了一种绿波预测模型训练方法，包括：

获取样本特征数据；其中，样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段；

获取采样时段内样本车辆针对采样路口的绿波数据；

基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

根据本公开的另一方面，提供了一种绿波预测方法，包括：

获取目标特征数据；其中，目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点；

将目标特征数据输入经过训练的绿波预测模型；

获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。

根据本公开的另一方面，提供了一种绿波预测模型训练装置，包括：

样本特征获取单元，用于获取样本特征数据；其中，样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段；

绿波数据获取单元，用于获取采样时段内样本车辆针对采样路口的绿波数据；

模型训练单元，用于基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

根据本公开的另一方面，提供了一种绿波预测装置，包括：

目标特征获取单元，用于获取目标特征数据；其中，目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点；

输入单元，用于将目标特征数据输入经过训练的绿波预测模型；

预测结果获取单元，用于获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。

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；

与该至少一个处理器通信连接的存储器；

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法。

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，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。

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，该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。

采用本公开可以提高绿波预测结果的准确性。

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为本公开实施例提供的一种绿波预测模型训练方法的流程示意图；

图2、图3和图4为本公开实施例提供的一种绿波预测模型训练方法的辅助性说明图；

图5A为本公开实施例提供的一种骨架网络的网络结构示意图；

图5B、图5C和图5D为本公开实施例提供的一种绿波预测模型的网络结构示意图；

图6为本公开实施例提供的一种绿波预测模型训练方法的完整性流程辅助说明图；

图7为本公开实施例提供的一种绿波预测模型训练方法的场景示意图；

图8为本公开实施例提供的一种绿波预测方法的流程示意图；

图9为本公开实施例提供的一种绿波预测方法的完整性流程辅助说明图；

图10为本公开实施例提供的一种绿波预测方法的场景示意图；

图11为本公开实施例提供的一种绿波预测模型训练装置的示意性结构框图；

图12为本公开实施例提供的一种绿波预测装置的示意性结构框图；

图13为本公开实施例提供的一种电子设备的示意性结构框图。

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。

在用户驾驶目标车辆行驶在目标路口的上游路段时，用户是否提前知晓目标车辆针对目标路口的绿波预测结果将直接影响用户的驾驶决策，而用户的驾驶决策不仅会影响目标路口的整体通行效率，还会在一定程度上降低交通事故的发生概率，因此，绿波预测的意义十分重大。

目前，目标车辆针对目标路口的绿波预测结果主要通过以下方式获取：

首先，获取目标车辆的当前位置与目标路口之间的实际距离，以及目标车辆的当前速度，并基于实际距离和当前速度计算衍生特征，同时，获取目标路口上安装的交通信号灯的相关特征，最后，根据衍生特征和相关特征，获得目标车辆针对目标路口的绿波预测结果。其中，绿波预测结果可以包括目标车辆是否可以在不停车等待的情况下，顺利行驶至通过目标路口的路口停止线。

然而，现实情况中，由于路口状况十分复杂，通过简单的逻辑计算通常难以获得高准确度的绿波预测结果。

基于以上背景，本公开实施例提供了一种绿波预测模型训练方法，其可以应用于电子设备。以下，将结合图1所示流程示意图，对本公开实施例提供的一种绿波预测模型训练方法进行说明。需要说明的是，虽然在流程示意图中示出了逻辑顺序，但是，在某些情况下，也可以以其它顺序执行所示出或描述的步骤。

步骤S101，获取样本特征数据；其中，样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段；

步骤S102，获取采样时段内样本车辆针对采样路口的绿波数据；

步骤S103，基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

其中，样本车辆可以是任意能够通过网络与电子设备通信的车辆；采样路口可以是任意安装有至少一组交通信号灯(例如，红绿灯)的路口；采样路口的上游路段可以是与采样路口直接相邻的路段、且样本车辆通过该路段可以直接行驶至采样路口。

本公开实施例中，在采样路口的上游路段存在对应的行驶等待区(例如，左转待转区、右转待转区等，其通常设置于采样路口内)的情况下，采样路口的路口停止线为该行驶待转区上设置的停止线。请结合图2，假设，样本车辆为车辆201，采样路口为路口1，则采样时段为车辆201从路口1的上游路段(此处，为路段4)行驶至通过路口1的路口停止线(也即，行驶待转区1上设置的停止线5)所对应的时间段；再假设，样本车辆为车辆202，采样路口为路口1，则采样时段为车辆202从路口1的上游路段(此处，为路段16)行驶至通过路口1的路口停止线(也即，行驶待转区3上设置的停止线7)所对应的时间段。

在采样路口的上游路段不存在对应的行驶等待区的情况下，采样路口的路口停止线为采样路口的上游路段与采样路口之间的停止线。请结合图3，假设，样本车辆为车辆301，采样路口为路口1，则采样时段为车辆301从路口1的上游路段(此处，为路段1)行驶至通过路口1的路口停止线(也即，路口1与路段1之间的停止线1)所对应的时间段；再假设，样本车辆为车辆302，采样路口为路口2，则采样时段为车辆302从路口2的上游路段(此处，为路段6)行驶至通过路口2的路口停止线(也即，路口2与路段6之间的停止线3)所对应的时间段。

此外，本公开实施例中，样本车辆的车辆特征数据可以包括样本车辆在采样时段内直接采集和/或间接获取，并发送给电子设备的当前位置、速度、加速度以及与样本车辆相关的用户特征中的至少一者，同时，还可以包括与采样路口之间的距离以及针对采样路口的理想通行时间中的至少一者。其中，用户特征可以包括车辆用户的用户编码、历史平均驾驶速度和历史最大驾驶速度中的至少一者。

与采样路口相关的交通特征数据可以包括采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者，还可以包括采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。此处，采样路口上安装的交通信号灯具体可以指代与采样路口的上游路段相关的交通信号灯，其用于指示在采样路口的上游路段行驶的所有车辆的启停状态。请继续结合图3，假设，样本车辆为车辆301，采样路口为路口1，则与路口1的上游路段(此处，为路段1)相关的交通信号灯为交通信号灯2；再假设，样本车辆为车辆302，采样路口为路口2，则与路口2的上游路段(此处，为路段6)相关的交通信号灯为交通信号灯3。

在获取样本特征数据的同时，或获取到样本特征数据之后，还可以获取采样时段内样本车辆针对采样路口的绿波数据，也即，样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所需的通行时间和/或通行速度区间。基于此，可以理解的是，本公开实施例中，绿波数据包括样本车辆针对采样路口的路口停止线的通行时间和通行速度区间中的至少一者。其中，通行速度区间可以表征为[X1m/s，Y1m/s]，其中，在X1为0时，表征样本车辆需要在停车等待的情况下，才能够通过采样路口的路口停止线，也即，无法在不停车等待的情况下，顺利通过采样路口的路口停止线；在X1大于0时，表征样本车辆可以在不停车等待的情况下，顺利通过采样路口的路口停止线。

在获取到样本特征数据，以及采样时段内样本车辆针对采样路口的绿波数据之后，可以基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。其中，经过训练的绿波预测模型可以用于在实际应用中，获得目标车辆针对目标路口的绿波预测结果。

本公开实施例提供的绿波预测模型训练方法摒弃了现有技术中通过简单的逻辑计算获得绿波预测结果的方式，而是在获取到采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据、且在通过车辆特征数据和交通特征数据组成样本特征数据，以及获取到采样时段内样本车辆针对采样路口的绿波数据之后，基于样本特征数据和绿波数据对绿波预测模型进行训练，获得经过训练的绿波预测模型，以用于在实际应用中获得目标车辆针对目标路口的绿波预测结果。由于机器学习是通过真实存在过的训练数据(样本特征数据和绿波数据)对绿波预测模型进行训练，获得经过训练的绿波预测模型、且样本特征数据具有多样性(包括车辆特征数据和交通特征数据)，因此，经过训练的绿波预测模型具有高可靠性、且能够应对复杂的路口状况，能够提高绿波预测结果的准确性。

此外，可以理解的是，本公开实施例提供的绿波预测模型训练方法还由于无需增设其它的额外设施、且无需对目标路口上安装的交通信号灯进行调控，因此，不受区域限制，具有较强的可推广性强，可以被大规模应用。

还需要说明的是，本公开实施例中，样本特征数据和绿波数据可以对应采样时段内的至少一个采样时间点。其中，采样时间段的起始时间点可以是样本车辆行驶至采样路口的上游路段之后所对应的第一个采样时间点，采样时间段的截止时间点可以是样本车辆行驶至通过采样路口的路口停止线之后所对应的第一个采样时间点。

在一具体示例中，样本特征数据和绿波数据对应采样时段内的一个采样时间点。在该示例中，样本车辆可以按照预设采样间隔，直接采样和/或间接获取候选车辆特征，并发送给电子设备，此后，电子设备可以确定样本车辆行驶至采样路口的上游路段之后，采集的首条候选车辆特征，并根据首条候选车辆特征，获得车辆特征数据，同时，获取对应的交通特征数据和绿波数据。其中，预设采样间隔可以是1s、2s、3s，本公开实施例对此不作具体限制。

请结合图4，假设，样本车辆为车辆401，采样路口为路口2，样本特征数据和绿波数据对应采样时段T1～T4内的采样时间点T1(也即，车辆301行驶至采样路口的上游路段之后，所对应的第一个采样时间点)，则车辆301可以按照预设采样间隔(T2-T1＝T3-T2＝T4-T3)，直接采样和/或间接获取候选车辆特征，并发送给电子设备，此后，电子设备可以确定车辆401行驶至路口2的上游路段(此处，为路段6)之后，采集的首条候选车辆特征，并根据首条候选车辆特征，获得车辆特征数据，同时，获取对应的交通特征数据和绿波数据。其中，交通特征数据为在采样时间点T1时与采样路口相关的交通特征数据，绿波数据可以是车辆401从采样时间点T1时所处的位置行驶至通过路口2的路口停止线，也即，停止线3(此处，实际为车辆401在采样时间点T4时所处的位置，其中，采样时间点T4为车辆401行驶至路口2的路口停止线，也即，停止线3之后所对应的第一个采样时间点)所需的通行时间和/或所对应的通行速度区间。

当然，为保证训练数据的多样性，本公开实施例中，车辆特征数据和绿波数据也可以对应采样时段内的多个采样时间点。基于此，在一些可选的实施方式中，“获取样本特征数据”可以包括以下步骤：

获取样本车辆的多组车辆子特征，作为车辆特征数据；其中，任两组车辆子特征对应采样时段内的不同采样时间点；

获取与采样路口相关的多组交通子特征，作为交通特征数据；其中，任两组交通子特征对应采样时段内的不同采样时间点；

通过车辆特征数据和交通特征数据，组成样本特征数据。

也即，本公开实施例中，车辆特征数据可以包括多组车辆子特征、且多组车辆子特征中，任两组车辆子特征对应采样时段内的不同采样时间点；同样，本公开实施例中，交通特征数据可以包括多组交通子特征、且多组交通子特征中，任两组交通子特征对应采样时段内的不同采样时间点。最后，再通过车辆特征数据和交通特征数据，组成样本特征数据。

请继续结合图4，假设，样本车辆为车辆401，采样路口为路口2，样本特征数据对应采样时段T1～T4内的4个采样时间点，具体为采样时间点T1、采样时间点T2、采样时间点T3和采样时间点T4，则车辆401可以按照预设采样间隔(T2-T1＝T3-T2＝T4-T3)，在采样时间点T1时，直接采样和/或间接获取第一候选车辆特征，并发送给电子设备，此后，电子设备可以根据第一候选车辆特征，获得第一组车辆子特征，同时，获取对应的第一组交通子特征；车辆401可以按照预设采样间隔，在采样时间点T2时，直接采样和/或间接获取第二候选车辆特征，并发送给电子设备，此后，电子设备可以根据第二候选车辆特征，获得第二组车辆子特征，同时，获取对应的第二组交通子特征；以此类推，可以获得与采样时间点T3对应的第三组车辆子特征和第三组交通子特征，以及获得与采样时间点T4对应的第四候选车辆特征和第四组交通子特征。最后，将第一组车辆子特征、第二组车辆子特征、第三组车辆子特征和第四组车辆子特征共同作为车辆特征数据，以及将第一组交通子特征、第二组交通子特征、第三组交通子特征和第四组交通子特征共同作为交通特征数据，并通过车辆特征数据和交通特征数据，组成样本特征数据。

通过以上步骤，本公开实施例中，样本特征数据所包括的车辆特征数据可以由多组车辆子特征组成，同时，样本特征数据所包括的交通特征数据可以由多组交通子特征组成，因此，可以保证样本特征数据的多样性，也即，保证训练数据的多样性。由于训练数据具有多样性，因此，可以提高经过训练的绿波预测模型的泛化性，那么，在将经过训练的绿波预测模型用于在实际应用中，获得目标车辆针对目标路口的绿波预测结果时，就可以进一步提高绿波预测结果的准确性。

在一些可选的实施方式中，“获取样本车辆的多组车辆子特征”可以包括以下步骤：

获取样本车辆的多组第一车辆子特征；其中，任两组第一车辆子特征对应采样时段内的不同采样时间点；

基于每组第一车辆子特征衍生出一组第二车辆子特征；

对具有对应关系的一组第一车辆子特征和一组第二车辆子特征进行组合，生成一组车辆子特征，以获得多组车辆子特征。

其中，每组第一车辆子特征可以是能够通过样本车辆直接采样和/或间接获取，并发送给电子设备的车辆子特征。在一具体示例中，每组第一车辆子特征包括样本车辆的当前位置、速度、加速度以及与样本车辆相关的用户特征中的至少一者。其中，用户特征可以包括车辆用户的用户编码、历史平均驾驶速度和历史最大驾驶速度中的至少一者。

在获取到样本车辆的多组第一车辆子特征之后，可以基于每组第一车辆子特征衍生出一组第二车辆子特征。例如，针对某组第一车辆子特征，可以基于该组第一车辆子特征中样本车辆的当前位置，结合采样路口的位置，衍生出样本车辆与采样路口之间的距离。再例如，针对某组第一车辆子特征，可以基于该组第一车辆子特征中样本车辆的当前位置和速度，结合采样路口的位置，衍生出样本车辆针对采样路口的理想通行时间，也即，样本车辆从当前位置行驶至采样路口所需的较为理想的通行时间。

通过以上步骤，本公开实施例中，可以在获取到样本车辆的多组第一车辆子特征之后，基于每组第一车辆子特征衍生出一组第二车辆子特征，再对具有对应关系的一组第一车辆子特征和一组第二车辆子特征进行组合，生成一组车辆子特征，以获得多组车辆子特征。如此，每组车辆子特征不仅可以包括一组能够通过样本车辆直接采样和/或间接获取，并发送给电子设备的第一车辆子特征，还可以包括基于该组第一车辆子特征衍生出一组第二车辆子特征，因此，可以提高车辆子特征本身的多样性，从而进一步提高经过训练的绿波预测模型的泛化性，那么，在将经过训练的绿波预测模型用于在实际应用中，获得目标车辆针对目标路口的绿波预测结果时，就可以进一步提高绿波预测结果的准确性。

此外，如前所述的，在一些可选的实施方式中，每组第一车辆子特征包括样本车辆的位置、速度、加速度以及与样本车辆相关的用户特征中的至少一者；和/或每组第二车辆子特征包括样本车辆与采样路口之间的距离以及样本车辆针对采样路口的理想通行时间中的至少一者。如此，能够进一步提高车辆子特征本身的多样性。

在一些可选的实施方式中，“获取与采样路口相关的多组交通子特征”可以包括以下步骤：

获取与采样路口相关的多组交通信号子特征；其中，任两组交通信号子特征对应采样时段内的不同采样时间点；

获取与采样路口相关的道路属性特征；

分别将每组交通信号子特征与道路属性特征进行组合，生成一组交通子特征，以获得多组交通子特征。

其中，交通信号子特征可以包括采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者。此处，采样路口上安装的交通信号灯具体可以指代与采样路口的上游路段相关的交通信号灯，其用于指示在采样路口的上游路段行驶的所有车辆的启停状态。基于此，在一具体示例中，交通信号子特征可以利用在采样路口的上游路段行驶的其它车辆(具体可以是能够通过网络与电子设备通信的车辆)的实时启停信息获取，此处不作赘述。

此外，本公开实施例中，道路属性特征可以包括采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。其中，路段标识可以是路段名称或路段编码等；路段属性可以是主路、辅路、高架或隧道等；早晚高峰设定时间可以包括早高峰设定时间(例如，07:00～09:00)和晚高峰设定时间(例如，17:00～19:00)；特殊区域路段可以包括学校路段或医院路段等。

通过以上步骤，本公开实施例中，可以在获取到与采样路口相关的多组交通信号子特征，以及获取到与采样路口相关的道路属性特征之后，分别将每组交通信号子特征与道路属性特征进行组合，生成一组交通子特征，以获得多组交通子特征。如此，每组交通子特征不仅可以包括一组交通信号子特征，还可以包括道路属性特征，因此，可以提高交通子特征本身的多样性，从而进一步提高经过训练的绿波预测模型的泛化性，那么，在将经过训练的绿波预测模型用于在实际应用中，获得目标车辆针对目标路口的绿波预测结果时，就可以进一步提高绿波预测结果的准确性。

此外，如前所述的，在一些可选的实施方式中，每组交通信号子特征包括采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者；和/或道路属性特征包括采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。如此，能够进一步提高交通子特征本身的多样性。

在一些可选的实施方式中，“获取采样时段内样本车辆针对采样路口的绿波数据”可以包括以下步骤：

获取样本车辆的轨迹日志；

基于轨迹日志，获得采样时段内样本车辆针对采样路口的多组绿波子数据，作为绿波数据；其中，每组绿波子数据对应采样时段内的不同采样时间点。

其中，轨迹日志用于表征样本车辆在行驶过程中的行驶特征数据，例如，行驶路线以及行驶路线上各个行驶位置所对应的行驶速度和行驶时间点等。因此，基于轨迹日志，结合采样路口的位置，即可获得采样时段内样本车辆针对采样路口的多组绿波子数据、且每组绿波子数据对应采样时段内的不同采样时间点。其中，每组绿波子数据可以包括样本车辆针对采样路口的通行时间和通行速度区间中的至少一者。最后，再将多组绿波子数据作为绿波数据。

请继续结合图4，假设，样本车辆为车辆401，采样路口为路口2，样本特征数据对应采样时段T1～T4内的4个采样时间点，具体为采样时间点T1、采样时间点T2、采样时间点T3和采样时间点T4，则可以基于轨迹日志，获得在采样时间T1时，车辆401针对采样路口的第一组绿波子数据，也即，车辆401从采样时间点T1时所处的位置行驶至通过路口2的路口停止线，也即，停止线3(此处，实际为车辆301在采样时间点T4时所处的位置)所需的通行时间和/或所对应的通行速度区间；基于轨迹日志，获得在采样时间T2时，车辆301针对采样路口的第二组绿波子数据，也即，车辆301从采样时间点T2时所处的位置行驶至通过路口2的路口停止线，也即，停止线3(此处，实际为车辆301在采样时间点T4时所处的位置)所需的通行时间和/或所对应的通行速度区间；以此类推，可以获得与采样时间T3对应的第三组绿波子数据，以及获得与采样时间T4对应的第四组绿波子数据。

通过以上步骤，本公开实施例中，绿波数据可以包括采样时段内样本车辆针对采样路口的多组绿波子数据，因此，可以保证绿波数据的多样性，也即，保证训练数据的多样性。由于训练数据具有多样性，因此，可以提高经过训练的绿波预测模型的泛化性，那么，在将经过训练的绿波预测模型用于在实际应用中，获得目标车辆针对目标路口的绿波预测结果时，就可以进一步提高绿波预测结果的准确性。

此外，如前所述的，在一些可选的实施方式中，每组绿波子数据包括样本车辆针对采样路口的路口停止线的通行时间和通行速度区间中的至少一者。如此，能够保证绿波子数据的全面性，从而提高绿波预测模型训练方法的可推广性强。

在一些可选的实施方式中，“基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型”可以包括以下步骤：

通过样本特征数据中采样时间点相同的一组车辆子特征和一组交通子特征生成一组输入特征，以获得多组输入特征；

分别从绿波数据中确定与每组输入特征对应的一组绿波子数据作为标签数据，以获得多个标签数据；

基于多组输入特征和多个标签数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

其中，在基于多组输入特征和多个标签数据，对绿波预测模型进行训练之前，还可以对每组输入特征进行特征工程处理。在一具体示例中，可以对每组输入特征中的编码类特征(例如，用户编码和路段标识等)和/或类别类特征(例如，路段属性、是否施工和是否属于特殊区域路段等)进行向量化处理，具体可以通过嵌入式(Embedding)特征处理网络实现；在另一具体示例中，可以对每组输入特征中的统计类特征(例如，样本车辆的当前位置、速度、加速度、车辆用户的历史平均驾驶速度和历史最大驾驶速度等)进行数据去噪和标准化处理。

请继续结合图4，假设，样本车辆为车辆401，采样路口为路口2，样本特征数据对应采样时段T1～T4内的4个采样时间点，具体为采样时间点T1、采样时间点T2、采样时间点T3和采样时间点T4，那么，可以通过样本特征数据中采样时间点同为采样时间点T1的一组车辆子特征和一组交通子特征生成第一组输入特征，并从绿波数据中确定与第一组输入特征对应的一组绿波子数据作为第一标签数据；通过样本特征数据中采样时间点同为采样时间点T2的一组车辆子特征和一组交通子特征生成第二组输入特征，并从绿波数据中确定与第二组输入特征对应的一组绿波子数据作为第二标签数据；以此类推，可以获得与采样时间点T3对应的第三组输入特征和第三标签数据，以及获得与采样时间点T4对应的第四组输入特征和第四标签数据。

此后，可以将第一组输入特征输入绿波预测模型，获得绿波预测模型输入的第一绿波预测结果，并对第一绿波预测结果和第一标签数据进行损失计算，获得第一损失值，再基于第一损失值对绿波预测模型进行参数调整，获得经过参数调整的绿波预测模型；接着，将第二组输入特征输入绿波预测模型，获得绿波预测模型输入的第二绿波预测结果，并对第二绿波预测结果和第二标签数据进行损失计算，获得第二损失值，再基于第二损失值对绿波预测模型进行参数调整，获得经过参数调整的绿波预测模型；以此类推，直至损失值收敛，获得最终的经过训练的绿波预测模型。需要说明的是，本公开实施例中，对绿波预测模型的训练也可以采用批量梯度下降的方式实现，本公开实施例对此不作赘述。

通过以上步骤，本公开实施例中，可以在通过样本特征数据中采样时间点相同的一组车辆子特征和一组交通子特征生成一组输入特征，以获得多组输入特征之后，分别从绿波数据中确定与每组输入特征对应的一组绿波子数据作为标签数据，以获得多个标签数据，并基于多组输入特征和多个标签数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。如此，即可基于多样化的训练数据(样本特征数据和绿波数据)提高经过训练的绿波预测模型的泛化性。

此外，需要说明的是，本公开实施例中，在绿波预测模型的训练过程中，所采用的训练数据(样本特征数据和绿波数据)是海量的，以图4所示场景为例，除了将车辆401作为样本车辆，同时，将路口2作为采样路口之外，还可以将其它车辆作为样本车辆，和/或将其它路口作为采样路口，以获得更多样化的训练数据，从而进一步提高经过训练的绿波预测模型的泛化性。

在一些可选的实施方式中，绿波预测模型训练方法还可以包括以下步骤：

获取骨架网络；其中，骨架网络包括多个神经网络层；

按照随机失活策略，对多个神经网络层中的包括至少部分神经网络层进行处理，和/或在多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成绿波预测模型。

其中，骨架网络可以是深度神经网络(Deep Neural Networks，DNN)，请结合图5A，其包括多个神经网络层。

请结合图5B，本公开实施例中，可以按照随机失活(Dropout)策略，对多个神经网络层中的包括至少部分神经网络层进行处理，获得第一处理网络，再将第一处理网络作为绿波预测模型。在一具体示例中，可以按照随机失活策略，对多个神经网络层中的每个神经网络层进行处理，获得第一处理网络，再将第一处理网络作为绿波预测模型。

请结合图5C，本公开实施例中，也可以在多个神经网络层中添加基于注意力机制(Attention Mechanism)构建的特征处理网络，获得第二处理网络，再将第二处理网络作为绿波预测模型。其中，特征处理网络可以添加到任两层神经网络层之间，本公开实施例对此不作具体限制。

请结合图5D，本公开实施例中，还可以按照随机失活策略，对多个神经网络层中的包括至少部分神经网络层进行处理，同时，在多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成绿波预测模型。

通过以上步骤，本公开实施例中，可以在获取到骨架网络之后，按照随机失活策略，对多个神经网络层中的包括至少部分神经网络层进行处理，和/或在多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成绿波预测模型。一方面，可以通过随机失活策略，降低绿波预测模型的计算量，以提高绿波预测模型的训练效率；另一方面，可以通过注意力机制构建的特征处理网络，提高绿波预测模型的特征学习能力，从而提高经过训练的绿波预测模型的可靠性，那么，在将经过训练的绿波预测模型用于在实际应用中，获得目标车辆针对目标路口的绿波预测结果时，就可以进一步提高绿波预测结果的准确性。

以下，将结合图6，对本公开实施例提供的一种绿波预测模型训练方法的完整性流程进行说明。

获取样本车辆的多组第一车辆子特征，并基于每组第一车辆子特征衍生出一组第二车辆子特征，再对具有对应关系的一组第一车辆子特征和一组第二车辆子特征进行组合，生成一组车辆子特征，以获得多组车辆子特征。其中，任两组第一车辆子特征对应采样时段内的不同采样时间点。其中，每组第一车辆子特征包括样本车辆的位置、速度、加速度以及与样本车辆相关的用户特征中的至少一者；和/或每组第二车辆子特征包括样本车辆与采样路口之间的距离以及样本车辆针对采样路口的理想通行时间中的至少一者。其中，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段。

获取与采样路口相关的多组交通信号子特征，以及获取与采样路口相关的道路属性特征，并分别将每组交通信号子特征与道路属性特征进行组合，生成一组交通子特征，以获得多组交通子特征。其中，任两组交通信号子特征对应采样时段内的不同采样时间点。其中，每组交通信号子特征包括采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者；和/或道路属性特征包括采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。

获取样本车辆的轨迹日志，并基于轨迹日志，获得采样时段内样本车辆针对采样路口的多组绿波子数据，作为绿波数据。其中，每组绿波子数据对应采样时段内的不同采样时间点；每组绿波子数据包括样本车辆针对采样路口的通行时间和通行速度区间中的至少一者。

通过样本特征数据中采样时间点相同的一组车辆子特征和一组交通子特征生成一组输入特征，以获得多组输入特征，并分别从绿波数据中确定与每组输入特征对应的一组绿波子数据作为标签数据，以获得多个标签数据，再基于多组输入特征和多个标签数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。其中，绿波预测模型可以通过以下方式构建：

获取骨架网络；其中，骨架网络包括多个神经网络层；

按照随机失活策略，对多个神经网络层中的包括至少部分神经网络层进行处理，和/或在多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成绿波预测模型。

请参阅图7，为本公开实施例提供的一种绿波预测模型训练方法的场景示意图。

如前所述的，本公开实施例提供的绿波预测模型训练方法应用于电子设备。电子设备旨在表示各种形式的数字计算机，诸如，台式计算机、大型计算机、工作台、服务器、刀片式服务器、大型计算机，或其它适合的计算机。

电子设备可以用于：

获取样本特征数据；其中，样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段；

获取采样时段内样本车辆针对采样路口的绿波数据；

基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

基于前述绿波预测模型训练方法实施例中的相关描述，可以理解的是，本公开实施例中，至少部分样本特征数据将由样本车辆采集，并发送给电子设备，此处不作赘述。

需要说明的是，本公开实施例中，图7所示的场景示意图仅为示意性而非限制性的，本领域技术人员可以基于图7示例进行各种显而易见的变化和/或替换，获得的技术方案仍属于本公开实施例的公开范围。

本公开实施例提供了一种绿波预测方法，其可以应用于电子设备。以下，将结合图8所示流程示意图，对本公开实施例提供的一种绿波预测方法进行说明。需要说明的是，虽然在流程示意图中示出了逻辑顺序，但是，在某些情况下，也可以以其它顺序执行所示出或描述的步骤。

步骤S801，获取目标特征数据；其中，目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点；

步骤S802，将目标特征数据输入经过训练的绿波预测模型；

步骤S803，获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。

其中，目标车辆可以是任意能够通过网络与电子设备通信的车辆；目标路口可以是任意安装有至少一组交通信号灯(例如，红绿灯)的路口；目标路口的上游路段可以是与目标路口直接相邻的路段、且目标车辆通过该路段可以直接行驶至目标路口。

本公开实施例中，经过训练的绿波预测模型是通过前述绿波预测模型训练方法，对绿波预测模型进行训练获得的。基于此，可以理解的是，本公开实施例中，针对样本特征数据对应采样时段内的一个采样时间点的情况，目标特征数据与前述绿波预测模型训练方法实施例中所述的样本特征数据具有相似的数据结构和获取方式，此处不作赘述；针对样本特征数据对应采样时段内的多个采样时间点的情况，目标特征数据与前述绿波预测模型训练方法实施例中所述的每组输入特征具有相似的数据结构和获取方式，此处同样不作赘述。

此外，本公开实施例中，绿波预测结果具有与前述绿波预测模型训练方法实施例中所述的绿波数据相同的数据结构，也即，绿波预测结果可以包括目标车辆针对目标路口的路口停止线的预测通行时间和预测通行速度区间中的至少一者。

本公开实施例提供的绿波预测方法可以获取目标特征数据；其中，目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点；将目标特征数据输入经过训练的绿波预测模型；获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。由于机器学习是通过真实存在过的训练数据(样本特征数据和绿波数据)对绿波预测模型进行训练，获得经过训练的绿波预测模型、且样本特征数据具有多样性(包括车辆特征数据和交通特征数据)，因此，经过训练的绿波预测模型具有高可靠性、且能够应对复杂的路口状况，能够提高绿波预测结果的准确性。

在一些可选的实施方式中，绿波预测方法还可以包括以下步骤：

根据绿波预测结果，生成驾驶决策建议；

将驾驶决策建议发送给目标车辆，以通过目标车辆对驾驶决策建议进行播报。

如前所述的，本公开实施例中，绿波预测结果可以包括目标车辆针对目标路口的路口停止线的预测通行时间和预测通行速度区间中的至少一者。在一具体示例中，绿波预测结果包括目标车辆针对目标路口的路口停止线的预测通行时间和预测通行速度区间。基于此，本公开实施例中，可以根据目标车辆针对目标路口的路口停止线的预测通行时间和预测通行速度区间，生成驾驶决策建议。例如，预测通行时间为Zmin，预测通行速度区间为[X2m/s，Y2m/s]，那么，在X2为0时，表征目标车辆需要在停车等待的情况下，才能够通过目标路口的路口停止线，也即，无法在不停车等待的情况下，顺利通过目标路口的路口停止线，因此，可以生成驾驶决策建议“前方需要停车等待才能够通过目标路口，预测通行时间为Zmin，建议平稳驾驶”；在X2大于0时，表征目标车辆可以在不停车等待的情况下，顺利通过目标路口的路口停止线，因此，可以生成驾驶决策建议“前方无需停车等待即可通过目标路口，预测通行时间为Zmin，建议按照预测通行速度区间[X2m/s，Y2m/s]继续行驶”。

在生成驾驶决策建议之后，可以将驾驶决策建议发送给目标车辆，以通过目标车辆对驾驶决策建议进行播报。

通过以上步骤，本公开实施例中，可以根据绿波预测结果，生成驾驶决策建议，并将驾驶决策建议发送给目标车辆，以通过目标车辆对驾驶决策建议进行播报，以使用户可以更加直观、清晰地提前知晓目标车辆针对目标路口的绿波预测结果，并且可以根据驾驶决策建议执行驾驶决策，从而避免在目标路口的上游路段发生拥堵，以避免影响目标路口的整体通行效率，同时，还可以在一定程度上降低交通事故的发生概率。

以下，将结合图9，对本公开实施例提供的一种绿波预测方法的完整性流程进行说明。

获取在预测时间点时，目标车辆的一组第三车辆子特征，并基于该组第三车辆子特征衍生出一组第四车辆子特征，再对该组第三车辆子特征和该组第四车辆子特征进行组合，生成一组目标车辆子特征。其中，一组第三车辆子特征包括目标车辆的位置、速度、加速度以及与目标车辆相关的用户特征中的至少一者；和/或一组第四车辆子特征包括目标车辆与目标路口之间的距离以及目标车辆针对目标路口的理想通行时间中的至少一者。其中，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点。

获取在预测时间点时，与目标路口相关的一组目标交通信号子特征，以及获取与目标路口相关的目标道路属性特征，并将该组目标交通信号子特征与目标道路属性特征进行组合，生成一组目标交通子特征。其中，一组目标交通信号子特征包括目标路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者；和/或目标道路属性特征包括目标路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。

在获取到一组目标车辆子特征和一组目标交通子特征之后，通过该组目标车辆子特征和该组目标交通子特征，组成目标特征数据，并将目标特征数据进行特征工程处理之后，输入经过训练的绿波预测模型，再获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。

请参阅图10，为本公开实施例提供的一种绿波预测方法的场景示意图。

如前所述的，本公开实施例提供的绿波预测方法应用于电子设备。电子设备旨在表示各种形式的数字计算机，诸如，台式计算机、大型计算机、工作台、服务器、刀片式服务器、大型计算机，或其它适合的计算机。

电子设备可以用于：

获取目标特征数据；其中，目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点；

将目标特征数据输入经过训练的绿波预测模型；

获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。

基于前述绿波预测方法实施例中的相关描述，可以理解的是，本公开实施例中，至少部分目标特征数据将由目标车辆采集，并发送给电子设备，此处不作赘述。此外，本公开实施例中，在生成驾驶决策建议之后，可以将驾驶决策建议发送给目标车辆，以通过目标车辆对驾驶决策建议进行播报，以使用户可以更加直观、清晰提前知晓目标车辆针对目标路口的绿波预测结果，并且可以根据驾驶决策建议执行驾驶决策。

需要说明的是，本公开实施例中，图10所示的场景示意图仅为示意性而非限制性的，本领域技术人员可以基于图10示例进行各种显而易见的变化和/或替换，获得的技术方案仍属于本公开实施例的公开范围。

为了更好地实施绿波预测模型训练方法，本公开实施例还提供一种绿波预测模型训练装置，其可以集成在电子设备中。以下，将结合图11所示结构示意图，对公开实施例提供的一种绿波预测模型训练装置1100进行说明。

绿波预测模型训练装置1100，包括：

样本特征获取单元1101，用于获取样本特征数据；其中，样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，采样时段为样本车辆从采样路口的上游路段行驶至通过采样路口的路口停止线所对应的时间段；

绿波数据获取单元1102，用于获取采样时段内样本车辆针对采样路口的绿波数据；

模型训练单元1103，用于基于样本特征数据和绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

在一些可选的实施方式中，样本特征获取单元1101用于：

获取样本车辆的多组车辆子特征，作为车辆特征数据；其中，任两组车辆子特征对应采样时段内的不同采样时间点；

获取与采样路口相关的多组交通子特征，作为交通特征数据；其中，任两组交通子特征对应采样时段内的不同采样时间点；

通过车辆特征数据和交通特征数据，组成样本特征数据。

在一些可选的实施方式中，样本特征获取单元1101用于：

获取样本车辆的多组第一车辆子特征；其中，任两组第一车辆子特征对应采样时段内的不同采样时间点；

基于每组第一车辆子特征衍生出一组第二车辆子特征；

对具有对应关系的一组第一车辆子特征和一组第二车辆子特征进行组合，生成一组车辆子特征，以获得多组车辆子特征。

在一些可选的实施方式中，每组第一车辆子特征包括样本车辆的位置、速度、加速度以及与样本车辆相关的用户特征中的至少一者；

和/或每组第二车辆子特征包括样本车辆与采样路口之间的距离以及样本车辆针对采样路口的理想通行时间中的至少一者。

在一些可选的实施方式中，样本特征获取单元1101用于：

获取与采样路口相关的多组交通信号子特征；其中，任两组交通信号子特征对应采样时段内的不同采样时间点；

获取与采样路口相关的道路属性特征；

分别将每组交通信号子特征与道路属性特征进行组合，生成一组交通子特征，以获得多组交通子特征。

在一些可选的实施方式中，每组交通信号子特征包括采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者；

和/或道路属性特征包括采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。

在一些可选的实施方式中，绿波数据获取单元1102用于：

获取样本车辆的轨迹日志；

基于轨迹日志，获得采样时段内样本车辆针对采样路口的多组绿波子数据，作为绿波数据；其中，每组绿波子数据对应采样时段内的不同采样时间点。

在一些可选的实施方式中，每组绿波子数据包括样本车辆针对采样路口的路口停止线的通行时间和通行速度区间中的至少一者。

在一些可选的实施方式中，模型训练单元1103用于：

通过样本特征数据中采样时间点相同的一组车辆子特征和一组交通子特征生成一组输入特征，以获得多组输入特征；

分别从绿波数据中确定与每组输入特征对应的一组绿波子数据作为标签数据，以获得多个标签数据；

基于多组输入特征和多个标签数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

在一些可选的实施方式中，绿波预测模型训练装置1100还包括模型构建单元，用于：

获取骨架网络；其中，骨架网络包括多个神经网络层；

按照随机失活策略，对多个神经网络层中的包括至少部分神经网络层进行处理，和/或在多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成绿波预测模型。

本公开实施例的绿波预测模型训练装置1100的各单元的具体功能和示例的描述，可以参见前述绿波预测模型训练方法实施例中对应步骤的相关描述，在此不再赘述。

为了更好地实施绿波预测方法，本公开实施例还提供一种绿波预测装置，其可以集成在电子设备中。以下，将结合图12所示结构示意图，对公开实施例提供的一种绿波预测装置1200进行说明。

绿波预测装置1200，包括：

目标特征获取单元1201，用于获取目标特征数据；其中，目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，预测时间点为目标车辆从目标路口的上游路段行驶至通过目标路口的路口停止线的过程中所对应的任意时间点；

输入单元1202，用于将目标特征数据输入经过训练的绿波预测模型；

预测结果获取单元1203，用于获得经过训练的绿波预测模型的输出结果，作为在预测时间点时目标车辆针对目标路口的绿波预测结果。

在一些可选的实施方式中，绿波预测装置1200还包括建议生成单元，用于：

根据绿波预测结果，生成驾驶决策建议；

将驾驶决策建议发送给目标车辆，以通过目标车辆对驾驶决策建议进行播报。

本公开实施例的绿波预测装置1200的各单元的具体功能和示例的描述，可以参见前述绿波预测方法实施例中对应步骤的相关描述，在此不再赘述。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，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13示出了可以用来实施本公开的实施例的示例电子设备1300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，个人数字助理、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/或要求的本公开的实现。

如图13所示，电子设备1300包括计算单元1301，其可以根据存储在只读存储器(Read-Only Memory，ROM)1302中的计算机程序或从存储单元1308加载到随机访问存储器(Random Access Memory，RAM)1303中的计算机程序，来执行各种适当的动作和处理。在RAM1303中，还可存储电子设备1300操作所需的各种程序和数据。计算单元1301、ROM 1302以及RAM 1303通过总线1304彼此相连。输入/输出(Input/Output，I/O)接口1305也连接至总线1304。

电子设备1300中的多个部件连接至I/O接口1305，包括：输入单元1306，例如，键盘、鼠标等；输出单元1307，例如，各种类型的显示器、扬声器等；存储单元1308，例如，磁盘、光盘等；以及通信单元1309，例如，网卡、调制解调器、无线通信收发机等。通信单元1309允许电子设备1300通过诸如因特网的计算机网络和/或各种电信网络与其它设备交换信息/数据。

计算单元1301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1301的一些示例包括但不限于中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、各种专用的人工智能(ArtificialIntelligence，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(Digital Signal Process，DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1301执行上文所描述的各个方法和处理，例如，绿波预测模型训练方法和/或绿波预测方法。例如，在一些实施例中，绿波预测模型训练方法和/或绿波预测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1308。在一些实施例中，计算机程序的部分或全部可以经由ROM 1302和/或通信单元1309而被载入和/或安装到电子设备1300上。当计算机程序加载到RAM 1303并由计算单元1301执行时，可以执行上文描述的绿波预测模型训练方法和/或绿波预测方法的一个或多个步骤。备选地，在其它实施例中，计算单元1301可以通过其它任何适当的方式(例如，借助于固件)而被配置为执行绿波预测模型训练方法和/或绿波预测方法。

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、现场可编程门阵列(Field Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(ApplicationSpecific Standard Product，ASSP)、芯片上系统的系统(System On Chip，SOC)、负载可编程逻辑设备(Complex Programmable Logic Device，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：实施在一个或多个计算机程序中，该一个或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、专用计算机或其它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，或前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、可擦除可编程只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)或快闪存储器、光纤、便捷式紧凑盘只读存储器(Compact Disc Read-OnlyMemory，CD-ROM)、光学储存设备、磁储存设备、或前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，阴极射线管(Cathode Ray Tube，CRT)显示器或液晶显示器(Liquid Crystal Display，LCD))；以及键盘和指向装置(例如，鼠标或轨迹球)，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、或触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或触觉输入)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)、或包括中间件部件的计算系统(例如，应用服务器)、或包括前端部件的计算系统(例如，具有图形用户界面或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)、或包括这种后台部件、中间件部件、或前端部件的任何组合的计算系统中。可以通过任何形式或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(Local AreaNetwork，LAN)、广域网(Wide Area Network，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，或是结合了区块链的服务器。

本公开实施例还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绿波预测模型训练方法。

本公开实施例还提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现绿波预测模型训练方法。

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。此外，本公开中，诸如“第一”、“第二”、“第三”等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。此外，本公开中“多个”，可以理解为至少两个。

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，根据设计要求和其它因素，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 (27)

1.一种绿波预测模型训练方法，包括：

获取样本特征数据；其中，所述样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，所述采样时段为所述样本车辆从所述采样路口的上游路段行驶至通过所述采样路口的路口停止线所对应的时间段；

获取所述采样时段内所述样本车辆针对所述采样路口的绿波数据；

基于所述样本特征数据和所述绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

2.根据权利要求1所述的方法，其中，所述获取样本特征数据，包括：

获取所述样本车辆的多组车辆子特征，作为所述车辆特征数据；其中，任两组所述车辆子特征对应所述采样时段内的不同采样时间点；

获取与所述采样路口相关的多组交通子特征，作为所述交通特征数据；其中，任两组所述交通子特征对应所述采样时段内的不同采样时间点；

通过所述车辆特征数据和所述交通特征数据，组成所述样本特征数据。

3.根据权利要求2所述的方法，其中，所述获取所述样本车辆的多组车辆子特征，包括：

获取所述样本车辆的多组第一车辆子特征；其中，任两组所述第一车辆子特征对应所述采样时段内的不同采样时间点；

基于每组所述第一车辆子特征衍生出一组第二车辆子特征；

对具有对应关系的一组第一车辆子特征和一组第二车辆子特征进行组合，生成一组车辆子特征，以获得所述多组车辆子特征。

4.根据权利要求3所述的方法，其中，每组所述第一车辆子特征包括所述样本车辆的当前位置、速度、加速度以及与所述样本车辆相关的用户特征中的至少一者；

和/或每组所述第二车辆子特征包括所述样本车辆与所述采样路口之间的距离以及所述样本车辆针对所述采样路口的理想通行时间中的至少一者。

5.根据权利要求2所述的方法，其中，所述获取与所述采样路口相关的多组交通子特征，包括：

获取与所述采样路口相关的多组交通信号子特征；其中，任两组所述交通信号子特征对应所述采样时段内的不同采样时间点；

获取与所述采样路口相关的道路属性特征；

分别将每组所述交通信号子特征与所述道路属性特征进行组合，生成一组交通子特征，以获得所述多组交通子特征。

6.根据权利要求5所述的方法，其中，每组所述交通信号子特征包括所述采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者；

和/或所述道路属性特征包括所述采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。

7.根据权利要求2所述的方法，其中，所述获取所述采样时段内所述样本车辆针对所述采样路口的绿波数据，包括：

获取所述样本车辆的轨迹日志；

基于所述轨迹日志，获得所述采样时段内所述样本车辆针对所述采样路口的多组绿波子数据，作为所述绿波数据；其中，每组所述绿波子数据对应所述采样时段内的不同采样时间点。

8.根据权利要求7所述的方法，其中，每组所述绿波子数据包括所述样本车辆针对所述采样路口的路口停止线的通行时间和通行速度区间中的至少一者。

9.根据权利要求7或8所述的方法，其中，所述基于所述样本特征数据和所述绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型，包括：

通过所述样本特征数据中采样时间点相同的一组车辆子特征和一组交通子特征生成一组输入特征，以获得多组输入特征；

分别从所述绿波数据中确定与每组所述输入特征对应的一组绿波子数据作为标签数据，以获得多个标签数据；

基于所述多组输入特征和所述多个标签数据，对所述绿波预测模型进行训练，获得所述经过训练的绿波预测模型。

10.根据权利要求1所述的方法，还包括：

获取骨架网络；其中，所述骨架网络包括多个神经网络层；

按照随机失活策略，对所述多个神经网络层中的包括至少部分神经网络层进行处理，和/或在所述多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成所述绿波预测模型。

11.一种绿波预测方法，包括：

获取目标特征数据；其中，所述目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，所述预测时间点为所述目标车辆从所述目标路口的上游路段行驶至通过所述目标路口的路口停止线的过程中所对应的任意时间点；

将所述目标特征数据输入经过训练的绿波预测模型；

获得所述经过训练的绿波预测模型的输出结果，作为在所述预测时间点时所述目标车辆针对所述目标路口的绿波预测结果。

12.根据权利要求11所述的方法，还包括：

根据所述绿波预测结果，生成驾驶决策建议；

将所述驾驶决策建议发送给所述目标车辆，以通过所述目标车辆对所述驾驶决策建议进行播报。

13.一种绿波预测模型训练装置，包括：

样本特征获取单元，用于获取样本特征数据；其中，所述样本特征数据包括采样时段内样本车辆的车辆特征数据以及与采样路口相关的交通特征数据，所述采样时段为所述样本车辆从所述采样路口的上游路段行驶至通过所述采样路口的路口停止线所对应的时间段；

绿波数据获取单元，用于获取所述采样时段内所述样本车辆针对所述采样路口的绿波数据；

模型训练单元，用于基于所述样本特征数据和所述绿波数据，对绿波预测模型进行训练，获得经过训练的绿波预测模型。

14.根据权利要求13所述的装置，其中，所述样本特征获取单元用于：

获取所述样本车辆的多组车辆子特征，作为所述车辆特征数据；其中，任两组所述车辆子特征对应所述采样时段内的不同采样时间点；

获取与所述采样路口相关的多组交通子特征，作为所述交通特征数据；其中，任两组所述交通子特征对应所述采样时段内的不同采样时间点；

通过所述车辆特征数据和所述交通特征数据，组成所述样本特征数据。

15.根据权利要求14所述的装置，其中，所述样本特征获取单元用于：

获取所述样本车辆的多组第一车辆子特征；其中，任两组所述第一车辆子特征对应所述采样时段内的不同采样时间点；

基于每组所述第一车辆子特征衍生出一组第二车辆子特征；

对具有对应关系的一组第一车辆子特征和一组第二车辆子特征进行组合，生成一组车辆子特征，以获得所述多组车辆子特征。

16.根据权利要求15所述的装置，其中，每组所述第一车辆子特征包括所述样本车辆的当前位置、速度、加速度以及与所述样本车辆相关的用户特征中的至少一者；

和/或每组所述第二车辆子特征包括所述样本车辆与所述采样路口之间的距离以及所述样本车辆针对所述采样路口的理想通行时间中的至少一者。

17.根据权利要求14所述的装置，其中，所述样本特征获取单元用于：

获取与所述采样路口相关的多组交通信号子特征；其中，任两组所述交通信号子特征对应所述采样时段内的不同采样时间点；

获取与所述采样路口相关的道路属性特征；

分别将每组所述交通信号子特征与所述道路属性特征进行组合，生成一组交通子特征，以获得所述多组交通子特征。

18.根据权利要求17所述的装置，其中，每组所述交通信号子特征包括所述采样路口上安装的交通信号灯的当前状态、当前状态的倒计时时间以及状态切换周期中的至少一者；

和/或所述道路属性特征包括所述采样路口的上游路段的路段标识、路段属性、是否施工、车道数量、路段限速、当前路况、早晚高峰设定时间以及是否属于特殊区域路段中的至少一者。

19.根据权利要求14所述的装置，其中，所述绿波数据获取单元用于：

获取所述样本车辆的轨迹日志；

基于所述轨迹日志，获得所述采样时段内所述样本车辆针对所述采样路口的多组绿波子数据，作为所述绿波数据；其中，每组所述绿波子数据对应所述采样时段内的不同采样时间点。

20.根据权利要求19所述的装置，其中，每组所述绿波子数据包括所述样本车辆针对所述采样路口的路口停止线的通行时间和通行速度区间中的至少一者。

21.根据权利要求19或20所述的装置，其中，所述模型训练单元用于：

通过所述样本特征数据中采样时间点相同的一组车辆子特征和一组交通子特征生成一组输入特征，以获得多组输入特征；

分别从所述绿波数据中确定与每组所述输入特征对应的一组绿波子数据作为标签数据，以获得多个标签数据；

基于所述多组输入特征和所述多个标签数据，对所述绿波预测模型进行训练，获得所述经过训练的绿波预测模型。

22.根据权利要求13所述的装置，还包括模型构建单元，用于：

获取骨架网络；其中，所述骨架网络包括多个神经网络层；

按照随机失活策略，对所述多个神经网络层中的包括至少部分神经网络层进行处理，和/或在所述多个神经网络层中添加基于注意力机制构建的特征处理网络，以生成所述绿波预测模型。

23.一种绿波预测装置，包括：

目标特征获取单元，用于获取目标特征数据；其中，所述目标特征数据包括在预测时间点时，目标车辆的车辆特征数据以及与目标路口相关的交通特征数据，所述预测时间点为所述目标车辆从所述目标路口的上游路段行驶至通过所述目标路口的路口停止线的过程中所对应的任意时间点；

输入单元，用于将所述目标特征数据输入经过训练的绿波预测模型；

预测结果获取单元，用于获得所述经过训练的绿波预测模型的输出结果，作为在所述预测时间点时所述目标车辆针对所述目标路口的绿波预测结果。

24.根据权利要求23所述的装置，还包括建议生成单元，用于：

根据所述绿波预测结果，生成驾驶决策建议；

将所述驾驶决策建议发送给所述目标车辆，以通过所述目标车辆对所述驾驶决策建议进行播报。

25.一种电子设备，包括：

至少一个处理器；

与所述至少一个处理器通信连接的存储器；

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1～12中任一项所述的方法。

26.一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1～12中任一项所述的方法。

27.一种计算机程序产品，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1～12中任一项所述的方法。