CN117974407A - 基于动态图聚类元学习的园区交通拥堵预测方法及系统 - Google Patents
基于动态图聚类元学习的园区交通拥堵预测方法及系统 Download PDFInfo
- Publication number
- CN117974407A CN117974407A CN202410391918.7A CN202410391918A CN117974407A CN 117974407 A CN117974407 A CN 117974407A CN 202410391918 A CN202410391918 A CN 202410391918A CN 117974407 A CN117974407 A CN 117974407A
- Authority
- CN
- China
- Prior art keywords
- information
- road
- prediction model
- adopting
- historical
- 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 88
- 238000012549 training Methods 0.000 claims description 72
- 238000003062 neural network model Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于动态图聚类元学习的园区交通拥堵预测方法及系统，所述方法包括获取用户输入的起点位置、终点位置和待预测时段。基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的。基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。通过本申请的交通拥堵预测模型能够预测任意路段在未来时间段的交通拥堵信息，为用户提供精准的交通预测服务。
Description
技术领域
本申请涉及交通预测技术领域，尤其涉及一种基于动态图聚类元学习的园区交通拥堵预测方法及系统。
背景技术
近年来，随着全球化经济的不断发展与园区现代化进程的不断加快，园区中机动车数量在不断增加，园区交通问题也日益显著，例如：园区交通事故增加，园区交通拥堵频发，不合理的道路资源分配造成的潮汐交通现象等。交通流预测已成为现代智能交通系统(Intelligent Transportation System，ITS)的一个重要组成部分，具有很大的研究价值。同时，由于国内外对交通管理智能化的重视，道路上部署了许多摄像头、传感器等信息采集设备，这些设备拥有独特的地理空间位置，且随着时间变化不断采集各类交通数据，如流量、车速、车道占用率等，积累了海量丰富的带有地理位置信息的交通序列数据，如何对这些数据加以有效的分析和利用，是交通领域一直在积极探索的问题。此外，相较于日益增进的现代化进程，园区交通规则的完善、交通基础设施的建设仍相对不足。鉴于园区在交通发展与现代化进程不匹配的现状，缓解园区交通拥堵对于园区经济发展以及现代化进程稳步推进有着重大意义。
发明内容
有鉴于此，本申请的目的在于提出一种基于动态图聚类元学习的园区交通拥堵预测方法及系统，以缓解园区交通拥堵问题。
基于上述目的，本申请的第一方面提供了一种基于动态图聚类元学习的园区交通拥堵预测方法，包括：
获取用户输入的起点位置、终点位置和待预测时段；
基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的；
基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。
可选的，所述交通拥堵预测模型包括图神经网络模型、神经常微分方程和前馈神经网络模型；所述基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息，包括：
根据所述多个兴趣点的位置信息构建路网拓扑图，并确定所述路网拓扑图的邻接矩阵；
对所述历史路况信息进行特征提取，得到路段特征；
采用所述图神经网络模型从所述邻接矩阵和所述路段特征中进行空间特征提取，得到空间特征信息；
基于所述历史路况信息，采用所述神经常微分方程确定所述待预测时段的隐藏状态信息；
将所述空间特征信息和所述隐藏状态信息进行拼接，得到拼接信息；
将所述拼接信息输入至所述前馈神经网络模型，通过所述前馈神经网络模型输出所述预测交通拥堵信息。
可选的，所述交通拥堵预测模型的训练方法，包括：
获取路网拓扑图样本及其对应的历史时段；
采用元学习对所述交通拥堵预测模型执行如下迭代训练操作：
针对每一轮迭代过程：
基于所述路网拓扑图样本和其对应的历史时段，确定本轮用于对所述交通拥堵预测模型进行训练的多个元学习任务；
将每个元学习任务划分为训练集和测试集；
采用外循环过程中的模型参数初始化内循环过程中的模型参数；
对于每个元学习任务，在内循环过程中，采用所述训练集对所述交通拥堵预测模型进行训练，并通过所述训练集的损失函数反向更新模型参数；在外循环过程中，采用所述测试集对所述交通拥堵预测模型进行训练，并计算测试集的损失；
计算全部元学习任务对应的测试集的损失的和值，作为总损失；
通过所述总损失更新所述交通拥堵预测模型的模型参数；
响应于所述总损失不收敛，执行下一轮迭代训练；
响应于所述总损失收敛，结束所述迭代训练，对所述交通拥堵预测模型执行泛化操作，以得到训练完成的交通拥堵预测模型。
可选的，所述基于所述路网拓扑图样本和其对应的历史时段，确定本轮用于对所述交通拥堵预测模型进行训练的元学习任务，包括：
采用交通拥堵预测模型中的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对所述路段嵌入表示进行聚类，得到多个聚类中心和聚类分布信息；
根据所述聚类分布信息对所述多个聚类中心进行更新，得到更新的多个聚类中心；
基于更新的多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务。
可选的，所述根据所述聚类分布信息对所述多个聚类中心进行更新，得到更新的多个聚类中心，包括：
基于所述聚类分布信息计算得到隶属度信息，所述隶属度信息包括任一路段嵌入表示属于任一聚类中心的隶属度；
基于所述聚类分布信息和所述隶属度信息构建目标损失函数；
最小化所述目标损失函数，以更新所述图神经网络模型的参数；
基于经过更新的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到更新的路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对更新的路段嵌入表示进行聚类，得到更新的多个聚类中心。
可选的，所述基于更新的多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务，包括：
根据更新的多个聚类中心对所述路网拓扑图样本进行划分，得到多个路网子区域；其中，更新的聚类中心与所述路网子区域一一对应；
将所述路网子区域对应的道路拥堵信息以及所述道路拥堵信息的历史采集时间，作为所述元学习任务。
可选的，所述对所述交通拥堵预测模型执行泛化操作，包括：
采用交通拥堵预测模型中的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对所述路段嵌入表示进行聚类，得到多个聚类中心；
基于所述多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务；
将每个元学习任务划分为训练集和测试集；
采用外循环过程中的模型参数初始化内循环过程中的模型参数；
对于每个元学习任务，在内循环过程中，采用所述训练集对所述交通拥堵预测模型进行训练，并通过所述训练集的损失函数反向更新模型参数；在外循环过程中，采用所述测试集对所述交通拥堵预测模型进行训练，并计算测试集的损失。
本申请的第二方面提供了一种基于动态图聚类元学习的园区交通拥堵预测系统，包括：
获取模块，被配置为获取用户输入的起点位置、终点位置和待预测时段；
查找模块，被配置为基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的；
预测模块，被配置为基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。
本申请的第三方面还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如第一方面所述的方法。
本申请的第四方面还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如第一方面所述的方法。
从上面所述可以看出，本申请提供的基于动态图聚类元学习的园区交通拥堵预测方法及系统，所述方法包括获取用户输入的起点位置、终点位置和待预测时段。基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的。基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。通过本申请的交通拥堵预测模型能够预测任意路段在未来时间段的交通拥堵信息，为用户提供精准的交通预测服务。通过交通预测服务可以支持预计到达时间的计算、路线规划、拥堵规避等，提升用户的体验感和满意度。
附图说明
为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的基于动态图聚类元学习的园区交通拥堵预测方法的流程示意图；
图2为本申请实施例的通过交通拥堵预测模型进行预测的方法流程示意图；
图3为本申请实施例的基于动态图聚类元学习的园区交通拥堵预测系统的结构示意图；
图4为本申请实施例的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术所述，道路状态预测是交通流预测中的基本问题。但是现有的传统预测方法中存在以下问题：
（1）数据稀疏性：泛化能力是设计神经网络的基本问题，传统的路况状态主要依靠驾车用户的轨迹信息生成。在用户少、驾驶行为异常的道路上，这种方法难以保证路况状态的准确性。对于细粒度的交通拥堵预测，在时间和空间上，均会产生数据稀疏问题：时间上细粒度的数据采集，体现在时间间隔较小，频率较高的数据采集方式，虽然卫星探测数据目前正在成为各种交通相关应用的无处不在的数据源，但由于采样频率低，它们通常不足以全面覆盖某个路段所需的所有历史时刻特征或拥堵标签。空间上细粒度的数据采集，体现在空间上对于路段划分的粒度，然而对于细粒度的路段划分，传感器通常难以覆盖整个园区，导致某些路段上的数据缺失。传统的交通拥堵预测方式，均需要依赖完整的数据采集，通常是依据整个路网挖掘空间信息，并结合整个历史时段上的时序特征挖掘时间信息，二者结合以此对未来整个路网上的交通拥堵状况进行准确的预测，显然对于细粒度交通拥堵预测中的时空数据上稀疏性问题，传统方式难以进行建模和预测。
（2）元任务划分：在现今绝大部分元学习框架中，通常是需要依据先验知识，人为的划分元学习任务，以此完成数据之间的迁移。然而为解决数据稀疏问题，需要将数据密集区域学习得到的元知识迁移到数据稀疏区域，通常难以根据先验知识对于路网中的区域进行合理的划分。在相关技术中，根据聚类等自监督方式来分割元学习任务，不过自监督的任务划分，通常作为模型的数据预处理部分，是一种非数据驱动的划分方式，难以根据元学习的预测效果好坏动态更新任务的划分。
（3）不规则时间序列建模：标准循环神经网络（Recurrent Neural Network，RNN）、长短期记忆网络（Long Short-Term Memory，LSTM）、门控循环单元（Gate Recurrent Unit，GRU）等循环神经网络，都需要基于一个先验假设，即序列数据有固定的时间间隔，而由于通信负载、电池问题和天气条件等多种原因，大多数数据都是不规则采样的，同时由于时间上细粒度的特征采集问题，序列数据之间的时间间隔较小，每次根据历史的时序信息，仅预测下一个时间片的拥堵状况意义不大，通常需要根据历史信息，预测多个时间片之后的交通拥堵状况。而由于需求不同，待预测的时间片和历史时间序列之间的时间间隔是不固定的，传统的循环神经网络难以对此进行准确的建模。
有鉴于此，本申请提出了一种基于动态图聚类元学习的园区交通拥堵预测方法，使用深度学习的方法对时空间特征进行提取，利用交通拥堵预测模型学习数据稠密区域元知识，并快速拟合至数据稀疏区域，具有较强的模型泛化能力，能够深入挖掘交通数据间的相关性。交通拥堵预测模型使用图神经网络模型提取路网中的空间结构信息，使用神经常微分方程提取时间序列数据中的时间特征，同时融合空间结构信息和时间特征作为对于单个区域的特征提取。使用元学习与动态图聚类训练方法，通过聚类方式动态的修改元学习任务的划分，从而优化元学习本身的学习能力，基于元学习可以提升交通拥堵预测模型的学习能力以及泛化能力，以提升预测的精度。
以下结合附图来详细说明本申请的实施例。
本申请提出了一种基于动态图聚类元学习的园区交通拥堵预测方法，参考图1，包括以下步骤：
步骤102、获取用户输入的起点位置、终点位置和待预测时段。
具体的，当用户存在交通拥堵信息预测需求时，可以通过输入起止点的位置和待预测时段进行预测。示例性的，起点设置为家，终点设置为公园，待预测时段为未来一小时，输入上述信息后，通过预测可以得到未来一个小时内的从家到公园之间的交通拥堵信息。
步骤104、基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的。
具体的，交通信息系统为预先构建的信息系统，在交通信息系统中存储了园区各路段中的多个兴趣点位置信息，以及在历史时刻采集得到的各路段的路况信息。兴趣点位置信息可以从现有的地图软件中爬取，路况信息可以通过设置在各路段的传感器进行采集。当确定了起点位置和终点位置后，在交通信息系统中查找到位于起点和终点之间的兴趣点和兴趣点位置信息。根据待预测时段，查找与待预测时段相邻的历史时段对应的历史路况信息。示例性的，历史时段可以为与待预测时段相邻的若干个时间片（例如4个时间片），时间片对应的时长可以为1小时或1天等。
步骤106、基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。
具体的，本实施例中的交通拥堵预测模型是经过训练的，经过训练的交通拥堵预测模型能够精确预测未来时段的交通拥堵信息，方便用户快速获取交通预测结果。将多个兴趣点的位置信息和历史路况信息输入交通拥堵预测模型进行预测，通过交通拥堵预测模型输出预测交通拥堵信息。
基于上述步骤102至步骤106，本实施例提供的基于动态图聚类元学习的园区交通拥堵预测方法，包括获取用户输入的起点位置、终点位置和待预测时段。基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的。基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。通过本申请的交通拥堵预测模型能够预测任意路段在未来时间段的交通拥堵信息，为用户提供精准的交通预测服务。通过交通预测服务可以支持预计到达时间的计算、路线规划、拥堵规避等，提升用户的体验感和满意度。
在一些实施例中，所述交通拥堵预测模型包括图神经网络模型、神经常微分方程和前馈神经网络模型；参考图2，所述基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息，包括以下步骤：
步骤202、根据所述多个兴趣点的位置信息构建路网拓扑图，并确定所述路网拓扑图的邻接矩阵。
具体的，路网拓扑图为无向图（V, E, A），无向图表示节点之间的空间关系和时间变化，V表示图中的节点集，每个兴趣点均为无向图中的一个节点。E表示图中的边集，A表示邻接矩阵，如果两个节点之间存在邻接关系，则在邻接矩阵中的值为1，否则为0。
步骤204、对所述历史路况信息进行特征提取，得到路段特征。
具体的，路段特征主要包括道路长度、通行方向、车道数量等。
步骤206、采用所述图神经网络模型从所述邻接矩阵和所述路段特征中进行空间特征提取，得到空间特征信息。
具体的，传统的卷积神经网络只能处理结构化数据，对拓扑数据这类非结构化数据，不能有效地提取其中的空间信息。图神经网络是专门用于解决非结构化数据空间信息提取问题所提出的深度学习模型，可以通过节点间的信息传递，有效地学习到节点邻居的特征表示，并且可以通过加深图神经网络的层数，扩大感受野，增加模型的学习能力。为了从区域路网结构中捕获区域中路段与路段间的空间依赖，本实施例中采用的图神经网络模型为双层图卷积神经网络（Graph Convolutional Network，GCN），通过GCN中的图卷积模块从邻接矩阵和路段特征中提取空间特征，得到空间特征信息，具体如下式（1）-（2）所示：
（1）
（2）
其中，表示路网拓扑图的度矩阵，/>表示由邻接矩阵经过变换得到的拉普拉斯矩阵，/>表示两层GCN的前向计算方式，/>分别表示GCN各层中的参数，/>表示空间特征信息。本实施例中通过GCN提取空间特征信息，可以实现深层交通流特征的挖掘，有助于提高交通拥堵预测精度。
步骤208、基于所述历史路况信息，采用所述神经常微分方程确定所述待预测时段的隐藏状态信息。
具体的，由于常规的循环神经网络结构必须对具有相同时间间隔的时间序列进行建模，为了从不规则的时间间隔的时间序列中，同时提取以周为周期的长时间时间依赖，以及以分钟为周期的短期时间依赖。本实施例采用神经常微分方程（Neural OrdinaryDifferential Equations，Neural ODE），通过与待预测时段临近的5个时间片的历史路况信息（例如交通速度、预计到达时间（Estimated Time of Arrival，ETA）、交通状况标签以及参与交通状况计算的车辆数量），共同构成时间序列变化的趋势即导数进行建模，来获取任意时段的时间隐藏状态信息，具体公式如下：
（3）
（4）
（5）
其中，表示一个线性全连接，/>表示权重，/>表示偏置，/>表示在/>时刻的隐藏状态信息，/>表示经过常微分方程求解器ODESolver，如欧拉法(Euler method)获得的/>时刻的临时的隐藏状态中间值，/>表示经过一个循环神经网络获取/>时刻的隐藏状态信息，/>表示第i个时刻。本步骤中提出的基于神经常微分方程的连续时间建模预测方法，对时间序列的变化缺失进行合理的建模，以此对不规则时间间隔的交通拥堵状态进行预测。
步骤210、将所述空间特征信息和所述隐藏状态信息进行拼接，得到拼接信息。空间特征信息和隐藏状态信息为矩阵形式，将由上述步骤得到的空间特征信息和隐藏状态信息进行拼接，得到拼接矩阵，也即拼接信息。
步骤212、将所述拼接信息输入至所述前馈神经网络模型，通过所述前馈神经网络模型输出所述预测交通拥堵信息。
具体的，通过前馈神经网络模型输出的预测交通拥堵信息通过如下公式表示：
（6）
其中，表示待预测时刻i的预测交通拥堵信息，softmax表示输出层的激活函数，用于将输出层的原始输出转换为概率分布。softmax激活函数确保所有输出值都是非负的，并且它们的总和为 1，这使得它们可以被解释为概率。
在一些实施例中，所述交通拥堵预测模型的训练方法，包括：
获取路网拓扑图样本及其对应的历史时段；采用元学习对所述交通拥堵预测模型执行如下迭代训练操作：针对每一轮迭代过程：
基于所述路网拓扑图样本和其对应的历史时段，确定本轮用于对所述交通拥堵预测模型进行训练的多个元学习任务；将每个元学习任务划分为训练集和测试集；采用外循环过程中的模型参数初始化内循环过程中的模型参数；对于每个元学习任务，在内循环过程中，采用所述训练集对所述交通拥堵预测模型进行训练，并通过所述训练集的损失函数反向更新模型参数；在外循环过程中，采用所述测试集对所述交通拥堵预测模型进行训练，并计算测试集的损失；计算全部元学习任务对应的测试集的损失的和值，作为总损失；通过所述总损失更新所述交通拥堵预测模型的模型参数；
响应于所述总损失不收敛，执行下一轮迭代训练；
响应于所述总损失收敛，结束所述迭代训练，对所述交通拥堵预测模型执行泛化操作，以得到训练完成的交通拥堵预测模型。
具体的，本申请采用元学习对交通拥堵预测模型进行迭代训练。元学习能够系统地观察不同机器学习方法在广泛的学习任务中执行特点，然后从这种经验或元数据中学习，并以比其他方法更快的速度学习新任务。这不仅极大地加快和改进了机器学习管道或神经体系结构的设计，还允许在本申请中用以数据驱动方式学习的新方法取代手工设计的算法。其主要思想在于元学习智能体在时间推移的过程中，提高自己的学习能力或者是学会如何学习。这种学习过程主要与递交给智能体的任务(一组观察结果)有关，发生在两个不同的循环过程中：内部循环和外部循环。在内部循环上，每当一个新的任务出现，智能体需要尝试迅速地从训练得到的观察结果中学习相关的概念。而外部循环将积累之前任务所得到的经验与知识，从而提高内部循环中的适应与学习速度。因此，内部循环只包含单个任务，而外部循环将包含多个任务。
在本实施例中，对交通拥堵预测模型进行训练之前，需要确定训练样本。训练样本可以为某个园区的路网拓扑图样本，以及该样本的采集历史时段。对于每一轮迭代过程，需要确定本轮用于训练的元学习任务，每轮的元学习任务是动态变化的。然后，将每个元学习任务划分为训练集和测试集，在内循环中，采用训练集对交通拥堵预测模型进行训练，并通过构建的损失函数反向更新交通拥堵预测模型的模型参数。在外循环中，采用测试集对交通拥堵预测模型进行训练，并计算测试集对应的损失。遍历全部元学习任务后，计算全部元学习任务对应的测试集的损失的和值，作为总损失，并根据总损失反向更新交通拥堵预测模型的模型参数。这是，需要判断总损失是否收敛，如果不收敛，表示未达到训练截止条件，则需要继续对交通拥堵预测模型进行训练，进入下一轮迭代训练。下一轮训练时，重复前述过程，直至总损失收敛为止。如果总损失收敛，表示达到训练截止条件，退出迭代训练，并对交通拥堵预测模型执行泛化操作，得到训练完成的交通拥堵预测模型。
对于每一轮迭代训练，元学习任务是动态变化的，下面通过实施例具体说明每轮元学习任务的确定方法。
在一些实施例中，所述基于所述路网拓扑图样本和其对应的历史时段，确定本轮用于对所述交通拥堵预测模型进行训练的元学习任务，包括：
采用交通拥堵预测模型中的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对所述路段嵌入表示进行聚类，得到多个聚类中心和聚类分布信息；
根据所述聚类分布信息对所述多个聚类中心进行更新，得到更新的多个聚类中心；
基于更新的多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务。
具体的，采用交通拥堵预测模型中的图神经网络模型作为自编码器的编码部分，对路网拓扑图样本中的路段进行编码，得到每条路段的路段嵌入表示。然后，用户可以指定聚类中心数量m，采用聚类算法对全部路段嵌入表示/>进行聚类，得到m个聚类中心/>和聚类分布信息Q={/>}。/>表示第i个路段嵌入表示/>分配至第j个聚类中心/>的概率，也即表示第i个路段嵌入表示/>与第j个聚类中心/>之间的距离的倒数，/>的计算方法如下式：
（7）
其中，是学生t分布（Student's t-distribution）的自由度。
进一步的，所述根据所述聚类分布信息对所述多个聚类中心进行更新，得到更新的多个聚类中心，包括：
基于所述聚类分布信息计算得到隶属度信息，所述隶属度信息包括任一路段嵌入表示属于任一聚类中心的隶属度；
基于所述聚类分布信息和所述隶属度信息构建目标损失函数；
最小化所述目标损失函数，以更新所述图神经网络模型的参数；
基于经过更新的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到更新的路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对更新的路段嵌入表示进行聚类，得到更新的多个聚类中心。
具体的，在获得聚类分布信息Q之后，为了让路段嵌入表示更接近聚类中心，从而提高集群的凝聚力，本实施例基于聚类分布信息计算隶属度信息P={/>}，/>表示第i个路段嵌入表示/>属于第j个聚类中心/>的隶属度。/>的计算方法如下：
（8）
（9）
在隶属度信息P中，聚类分布信息Q中的每个分配都被平方和归一化，以便分配具有更高的置信度，进而得到如下所示的目标损失函数：
（10）
表示P和Q之间的散度损失。通过最小化目标损失函数，可以更新图神经网络模型的模型参数。也就是说，隶属度信息P可以帮助自编码器中的编码部分（图神经网络模型）学习更好的聚类任务表示，也即使路段嵌入表示更靠近聚类中心。这被认为是一种自监督机制，因为P 由Q 计算，通过P监督Q 的更新。采用模型参数更新后的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到更新的路段嵌入表示，再根据预设聚类中心数量m，采用聚类算法对更新的路段嵌入表示进行聚类，得到更新的多个聚类中心。
进一步的，所述基于更新的多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务，包括：
根据更新的多个聚类中心对所述路网拓扑图样本进行划分，得到多个路网子区域；其中，更新的聚类中心与所述路网子区域一一对应；
将所述路网子区域对应的道路拥堵信息以及所述道路拥堵信息的历史采集时间，作为所述元学习任务。
具体的，每个聚类中心代表路网拓扑图样本中的一个路网子区域，将每个路网子区域中对应的道路拥堵信息和历史采集时间，作为一个元学习任务包含的数据。聚类中心数量为m个，则元学习任务的数量为m个。每轮训练结束后，交通拥堵预测模型的模型参数会发生变化，交通拥堵预测模型中的图神经网络的模型参数也会随之变化，在确定下一轮的元学习任务时，通过图神经网络模型编码得到的路段嵌入表示也会发生变化，通过聚类划分得到的元学习任务也会发生变化，因此，元学习任务是动态变化的。本申请提出的端到端的动态图聚类元学习方法，结合自监督学习划分的元学习任务和元学习框架下的模型相互监督，以一种数据驱动的半监督方式提高元学习框架本身的泛化能力。
在一些实施例中，所述对所述交通拥堵预测模型执行泛化操作，包括：
采用交通拥堵预测模型中的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到路段嵌入表示；基于预设聚类中心数量，采用聚类算法对所述路段嵌入表示进行聚类，得到多个聚类中心；基于所述多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务；将每个元学习任务划分为训练集和测试集；采用外循环过程中的模型参数初始化内循环过程中的模型参数；对于每个元学习任务，在内循环过程中，采用所述训练集对所述交通拥堵预测模型进行训练，并通过所述训练集的损失函数反向更新模型参数；在外循环过程中，采用所述测试集对所述交通拥堵预测模型进行训练，并计算测试集的损失。
具体的，泛化操作是指将机器学习模型在训练集上学习到的知识能够应用于测试集或新数据集上的能力。当交通拥堵预测模型退出迭代训练时，固定交通拥堵预测模型的模型参数。采用交通拥堵预测模型当前的模型参数，再次构建m个元学习任务，基于元学习任务对交通拥堵预测模型的模型参数进行再次更新。具体包括：采用模型参数固定的图神经网络模型对路网拓扑图样本中的路段进行编码，得到路段嵌入表示。采用聚类算法对路段嵌入表示进行聚类，得到多个聚类中心。基于多个聚类心中对路网拓扑图样本进行划分，构建多个元学习任务。再将元学习任务划分为训练集和测试集，初始化内循环过程中的模型参数，对于每个元学习任务，在内循环中，采用训练集对交通拥堵预测模型进行训练，更新交通拥堵预测模型的模型参数。在外循环中，采用测试集对交通拥堵预测模型进行训练，计算测试集的损失，完成对于交通拥堵预测模型的泛化。
对经过泛化操作后的交通拥堵预测模型进行验证，验证通过后进行在线部署，用户则可以使用在线交通拥堵预测模型进行交通拥堵信息的预测。
需要说明的是，本申请实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本申请实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种基于动态图聚类元学习的园区交通拥堵预测系统。
参考图3，所述基于动态图聚类元学习的园区交通拥堵预测系统，包括：
获取模块302，被配置为获取用户输入的起点位置、终点位置和待预测时段；
查找模块304，被配置为基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的；
预测模块306，被配置为基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于动态图聚类元学习的园区交通拥堵预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于动态图聚类元学习的园区交通拥堵预测方法。
图4示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图， 该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于动态图聚类元学习的园区交通拥堵预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，与上述任意实施例方法相对应的，本申请还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于动态图聚类元学习的园区交通拥堵预测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于动态图聚类元学习的园区交通拥堵预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一构思，与上述任意实施例方法相对应的，本申请还提供了一种计算机程序产品，包括计算机程序指令，当所述计算机程序指令在计算机上运行时，使得所述计算机执行如上任一实施例所述的方法，具有相应的方法实施例的有益效果，在此不再赘述。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本申请的范围（包括权利要求）被限于这些例子；在本申请的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本申请实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本申请实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本申请实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本申请的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本申请实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于动态图聚类元学习的园区交通拥堵预测方法，其特征在于，包括：
获取用户输入的起点位置、终点位置和待预测时段；
基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的；
基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。
2.根据权利要求1所述的方法，其特征在于，所述交通拥堵预测模型包括图神经网络模型、神经常微分方程和前馈神经网络模型；所述基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息，包括：
根据所述多个兴趣点的位置信息构建路网拓扑图，并确定所述路网拓扑图的邻接矩阵；
对所述历史路况信息进行特征提取，得到路段特征；
采用所述图神经网络模型从所述邻接矩阵和所述路段特征中进行空间特征提取，得到空间特征信息；
基于所述历史路况信息，采用所述神经常微分方程确定所述待预测时段的隐藏状态信息；
将所述空间特征信息和所述隐藏状态信息进行拼接，得到拼接信息；
将所述拼接信息输入至所述前馈神经网络模型，通过所述前馈神经网络模型输出所述预测交通拥堵信息。
3.根据权利要求1所述的方法，其特征在于，所述交通拥堵预测模型的训练方法，包括：
获取路网拓扑图样本及其对应的历史时段；
采用元学习对所述交通拥堵预测模型执行如下迭代训练操作：
针对每一轮迭代过程：
基于所述路网拓扑图样本和其对应的历史时段，确定本轮用于对所述交通拥堵预测模型进行训练的多个元学习任务；
将每个元学习任务划分为训练集和测试集；
采用外循环过程中的模型参数初始化内循环过程中的模型参数；
对于每个元学习任务，在内循环过程中，采用所述训练集对所述交通拥堵预测模型进行训练，并通过所述训练集的损失函数反向更新模型参数；在外循环过程中，采用所述测试集对所述交通拥堵预测模型进行训练，并计算测试集的损失；
计算全部元学习任务对应的测试集的损失的和值，作为总损失；
通过所述总损失更新所述交通拥堵预测模型的模型参数；
响应于所述总损失不收敛，执行下一轮迭代训练，响应于所述总损失收敛，结束所述迭代训练，对所述交通拥堵预测模型执行泛化操作，以得到训练完成的交通拥堵预测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于所述路网拓扑图样本和其对应的历史时段，确定本轮用于对所述交通拥堵预测模型进行训练的元学习任务，包括：
采用交通拥堵预测模型中的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对所述路段嵌入表示进行聚类，得到多个聚类中心和聚类分布信息；
根据所述聚类分布信息对所述多个聚类中心进行更新，得到更新的多个聚类中心；
基于更新的多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务。
5.根据权利要求4所述的方法，其特征在于，所述根据所述聚类分布信息对所述多个聚类中心进行更新，得到更新的多个聚类中心，包括：
基于所述聚类分布信息计算得到隶属度信息，所述隶属度信息包括任一路段嵌入表示属于任一聚类中心的隶属度；
基于所述聚类分布信息和所述隶属度信息构建目标损失函数；
最小化所述目标损失函数，以更新所述图神经网络模型的参数；
基于经过更新的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到更新的路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对更新的路段嵌入表示进行聚类，得到更新的多个聚类中心。
6.根据权利要求4所述的方法，其特征在于，所述基于更新的多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务，包括：
根据更新的多个聚类中心对所述路网拓扑图样本进行划分，得到多个路网子区域；其中，更新的聚类中心与所述路网子区域一一对应；
将所述路网子区域对应的道路拥堵信息以及所述道路拥堵信息的历史采集时间，作为所述元学习任务。
7.根据权利要求3所述的方法，其特征在于，所述对所述交通拥堵预测模型执行泛化操作，包括：
采用交通拥堵预测模型中的图神经网络模型对所述路网拓扑图样本中的路段进行编码，得到路段嵌入表示；
基于预设聚类中心数量，采用聚类算法对所述路段嵌入表示进行聚类，得到多个聚类中心；
基于所述多个聚类中心对所述路网拓扑图样本进行划分，以构建多个元学习任务；
将每个元学习任务划分为训练集和测试集；
采用外循环过程中的模型参数初始化内循环过程中的模型参数；
对于每个元学习任务，在内循环过程中，采用所述训练集对所述交通拥堵预测模型进行训练，并通过所述训练集的损失函数反向更新模型参数；在外循环过程中，采用所述测试集对所述交通拥堵预测模型进行训练，并计算测试集的损失。
8.一种基于动态图聚类元学习的园区交通拥堵预测系统，其特征在于，包括：
获取模块，被配置为获取用户输入的起点位置、终点位置和待预测时段；
查找模块，被配置为基于所述起点位置和所述终点位置，在预先构建的交通信息系统中查找位于所述起点位置和所述终点位置之间的多个兴趣点的位置信息，以及与所述兴趣点关联的历史路况信息；其中，所述历史路况信息对应的历史时段是根据所述待预测时段确定的；
预测模块，被配置为基于所述多个兴趣点的位置信息和所述历史路况信息，采用经过训练的交通拥堵预测模型进行预测，得到所述多个兴趣点在所述待预测时段内的预测交通拥堵信息。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令用于使计算机执行权利要求1至7任意一项所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410391918.7A CN117974407B (zh) | 2024-04-02 | 2024-04-02 | 基于动态图聚类元学习的园区交通拥堵预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410391918.7A CN117974407B (zh) | 2024-04-02 | 2024-04-02 | 基于动态图聚类元学习的园区交通拥堵预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117974407A true CN117974407A (zh) | 2024-05-03 |
| CN117974407B CN117974407B (zh) | 2024-06-18 |
Family
ID=90850030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410391918.7A Active CN117974407B (zh) | 2024-04-02 | 2024-04-02 | 基于动态图聚类元学习的园区交通拥堵预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117974407B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008135A (ja) * | 2011-06-23 | 2013-01-10 | Denso Corp | 渋滞予測装置および渋滞予測データ |
| US20160247397A1 (en) * | 2015-02-24 | 2016-08-25 | Here Global B.V. | Method and apparatus for providing traffic jam detection and prediction |
| CN110909909A (zh) * | 2019-09-03 | 2020-03-24 | 南京理工大学 | 基于深度学习和多层时空特征图的短时交通流预测方法 |
| CN112382082A (zh) * | 2020-09-30 | 2021-02-19 | 银江股份有限公司 | 一种拥堵区域交通运行状态预测方法及系统 |
| CN112863180A (zh) * | 2021-01-11 | 2021-05-28 | 腾讯大地通途（北京）科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
| CN114639233A (zh) * | 2020-12-15 | 2022-06-17 | 腾讯科技（深圳）有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
-
2024
- 2024-04-02 CN CN202410391918.7A patent/CN117974407B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013008135A (ja) * | 2011-06-23 | 2013-01-10 | Denso Corp | 渋滞予測装置および渋滞予測データ |
| US20160247397A1 (en) * | 2015-02-24 | 2016-08-25 | Here Global B.V. | Method and apparatus for providing traffic jam detection and prediction |
| CN110909909A (zh) * | 2019-09-03 | 2020-03-24 | 南京理工大学 | 基于深度学习和多层时空特征图的短时交通流预测方法 |
| CN112382082A (zh) * | 2020-09-30 | 2021-02-19 | 银江股份有限公司 | 一种拥堵区域交通运行状态预测方法及系统 |
| CN114639233A (zh) * | 2020-12-15 | 2022-06-17 | 腾讯科技（深圳）有限公司 | 一种拥堵状态预测方法、装置、电子设备及存储介质 |
| CN112863180A (zh) * | 2021-01-11 | 2021-05-28 | 腾讯大地通途（北京）科技有限公司 | 交通速度预测方法、装置、电子设备及计算机可读介质 |
Non-Patent Citations (1)
| Title |
|---|
| 苗子佳: "面向小样本数据的城市异常事件预测技术研究与实现", 中国优秀硕士学位论文全文数据库 社会科学Ⅰ辑, no. 2024, 15 February 2024 (2024-02-15), pages 110 - 165 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117974407B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
| CN111406267A (zh) | 使用性能预测神经网络的神经架构搜索 | |
| EP4016412A1 (en) | Traffic prediction | |
| CN113906716A (zh) | 雾节点资源的分配 | |
| WO2014194480A1 (en) | Air quality inference using multiple data sources | |
| Rahman et al. | Real-time signal queue length prediction using long short-term memory neural network | |
| CN113763700B (zh) | 信息处理方法、装置、计算机设备及存储介质 | |
| CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
| Li et al. | Real-time movement-based traffic volume prediction at signalized intersections | |
| CN114943456B (zh) | 资源的调度方法、装置、电子设备及存储介质 | |
| CN112396254A (zh) | 目的地预测方法、装置、介质及电子设备 | |
| CN113837635A (zh) | 风险检测处理方法、装置及设备 | |
| Ganapathy et al. | Prediction of traffic volume by mining traffic sequences using travel time based PrefixSpan | |
| Saroj et al. | Deep LSTM recurrent neural networks for arterial traffic volume data imputation | |
| CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
| Chang et al. | High‐Speed Data‐Driven Methodology for Real‐Time Traffic Flow Predictions: Practical Applications of ITS | |
| Vlachogiannis et al. | Intersense: An XGBoost model for traffic regulator identification at intersections through crowdsourced GPS data | |
| CN111427932A (zh) | 出行预测方法、装置、设备和存储介质 | |
| Hua et al. | Freeway traffic speed prediction under the intelligent driving environment: a deep learning approach | |
| Zhang et al. | A deep marked graph process model for citywide traffic congestion forecasting | |
| CN117974407B (zh) | 基于动态图聚类元学习的园区交通拥堵预测方法及系统 | |
| JP5422539B2 (ja) | 行動予測方法、装置及びプログラム | |
| CN114818484B (zh) | 驾驶环境模型的训练方法及驾驶环境信息的预测方法 | |
| Liu et al. | A repeated commuting driving cycle dataset with application to short-term vehicle velocity forecasting | |
| CN111047107A (zh) | 公路通行时间预测方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant |