The invention discloses a road condition prediction method and device, which includes: converting road condition information of a section into a topological structure diagram, the nodes of the topological structure diagram represent the link of the section and the edges represent the link relationship of the section; taking the topological structure diagram as the first input of the prediction model, the prediction model includes a convolution layer, a pooling layer and a full connection layer arranged in sequence; The N 1 down-sampling result of the pooling layer output will be the N-th input of the volume layer until N reaches the set number value and N is a positive integer greater than or equal to 2. The N-th down-sampling result of the pooling layer is input into the full connection layer to perform the full convolution operation, and the road condition prediction result of the output section of the prediction model is obtained. The technical scheme provided in this application can effectively extract valuable features for road condition prediction by performing convolution neural network on the topological structure map obtained from road condition transformation, thus realizing accurate road condition prediction.
【技术实现步骤摘要】
一种路况预测方法及装置
本专利技术涉及实时交通
,尤其涉及一种路况预测的方法及装置。
技术介绍
随着车辆的不断增多,道路越来越拥堵,因此,在大城市中,如何实现准确的路况预测具有重要的指导意义。路况预测是指利用历史路况信息,以及静态路网信息,预测未来的路况信息。未来路况信息有助于提高ETA(预估旅行时间)的优良率,以及帮助用户躲避未来的拥堵。现有技术实现路况预测的一种方案是采用CNN网络结构进行路况预测,CNN是一种卷积神经网络,属于深度学习中的一种变换操作,常用于提取规则结构(例如图片)的局域特征。该方案中将路况抽象成一张图片,使用LSTM-CNN的网络结构进行路况预测。但是由于路网图并不具备通常图片所具备的平稳性(stationarity,不同空间位置共享了同样的特征,例如一个圆圈出现在图片的不同位置,但同为圆圈)。路网图中,每个交叉口都是独特的,不可为不同位置所共享。而平稳性是CNN应用的前提之一;所以常规的LSTM-CNN的网络结构无法有效提取对路况预测有价值的特征,进而难以实现准确的路况预测。
技术实现思路
为了解决现有技术中存在的以上技术问题,本专利技术提供一种路况预测的方法及装置,能够有效提取对路况预测有价值的特征,从而为实现准确的路况预测。本专利技术提供的技术方案如下:一种路况预测方法,包括:将路段的路况信息转换为拓扑结构图,所述拓扑结构图的节点代表路段,边代表路段的连接关系;将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;将所述池化层输出的第N-1次下采样结果将作为卷积层的第N次输入,直到N ...
【技术保护点】
1.一种路况预测方法,其特征在于,包括:将路段的路况信息转换为拓扑结构图,所述拓扑结构图的节点代表路段,边代表路段的连接关系;将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;将所述池化层输出的第N‑1次下采样结果将作为卷积层的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;将所述池化层的第N次下采样结果输入全连接层执行全卷积操作,得到所述预测模型输出路段的路况预测结果。
【技术特征摘要】
1.一种路况预测方法,其特征在于,包括:将路段的路况信息转换为拓扑结构图,所述拓扑结构图的节点代表路段,边代表路段的连接关系;将所述拓扑结构图作为预测模型的第一次输入,所述预测模型包括顺序排列的:卷积层、池化层和全连接层;将所述池化层输出的第N-1次下采样结果将作为卷积层的第N次输入,直到N达到设定的次数值,N为大于等于2的正整数;将所述池化层的第N次下采样结果输入全连接层执行全卷积操作,得到所述预测模型输出路段的路况预测结果。2.根据权利要求1所述的路况预测方法,其特征在于,所述方法进一步包括:对下采样结果执行上采样操作,并将上采样结果作为所述全连接层的输入。3.根据权利要求1所述的路况预测方法,其特征在于,包括:所述池化层对所述拓扑结构图执行池化操作,计算图像区域的平均值作为该区域池化后的下采样结果、或者计算图像区域的最大值作为该区域池化后的下采样结果。4.根据权利要求1所述的路况预测方法,其特征在于,包括:所述卷积层对所述拓扑结构图上执行卷积操作,根据路况信息特征设置卷积核的大小和深度,并通过该卷积核对所述拓扑结构图执行卷积操作。5.根据权利要求1所述的路况预测方法,其特征在于,还包括:输入历史路况信息到所述预测模型中,对所述预测模型进行训练。6...
【专利技术属性】
技术研发人员:冀晨光,刘凯奎,
申请(专利权)人:高德信息技术有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。