一种路况预测方法及装置制造方法及图纸

本发明专利技术公开一种路况预测方法和装置，该方法包括：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册层的第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。本申请提供的技术方案通过对路况转换得到的拓扑结构图执行卷积神经网络，可以有效的提取对路况预测有价值的特征，从而实现准确的路况预测。

A Road Prediction Method and Device

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。较佳的，所述将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。较佳的，所述的路况预测方法，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。较佳的，所述的路况预测方法，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。较佳的，所述的路况预测方法，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。本申请还提供了一种路况预测装置，包括：路况转换模块，用于将路段的路况信息转换为拓扑结构图并输入预测模型，所述拓扑结构图的节点代表路段，边代表路段的连接关系；输入模块，用于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：卷积模块、池化模块和全连接模块；其中，所述述池化模块输出的第N-1次下采样结果将作为卷积模块的第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；所述池化模块的第N次下采样结果输入全连接模块执行全卷积操作，得到所述预测模型输出路段的路况预测结果。较佳的，所述的路况预测装置，还包括：上采样模块，用于对下采样结果执行上采样操作，并将上采样结果输入到全连接层。较佳的，所述的路况预测装置中：所述池化模块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。较佳的，所述的路况预测装置中：所述卷积模块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。较佳的，所述的路况预测装置还包括：训练模块，用于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。与现有技术相比，本专利技术至少具有以下优点：本专利技术通过将路况信息抽象提取为拓扑结构图，其中的节点和边可以精准的反应路网的结构和路况，通过对该拓扑结构图的执行卷积神经网络，可以有效的提取对路况预测有价值的特征，从而可以实现准确的路况预测。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有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中记载的一些实施例，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它的附图。图1为本专利技术实施例一提供的路况预测方法流程图；图2为本专利技术实施例一提供的路况信息的拓扑结构图；图3为本专利技术实施例一提供的执行卷积操作之后得到的特征图；图4为本专利技术实施例一提供的池化操作后得到的下采样结果图；图5为本专利技术实施例一提供的重复执行卷积操作得到的特征图；图6为本专利技术实施例一提供的重复执行池化操作得到的下采样结果图；图7为本专利技术实施例二提供的路况预测装置流程图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，该图为本专利技术提供的路况预测方法实施例一流程图。本实施例提供的路况预测方法，包括：步骤S101：将路段的路况信息转换为拓扑结构图并输入预测模型，所述拓扑结构图的节点代表路段，边代表路段的连接关系；在道路网络中，拥堵等路况正在实时发生、变动和消失。路段的路况由该路段自身决定，并且和该路段的上段和下段的路况是局部相关的。本步骤中将每个路段都抽象成一个独立的节点，并将它们作为描述交通相关性的转向信息连接起来(向前、左转、右转等)，得到对应的拓扑结构图。参见图2所示，为一种路况信息的拓扑结构图。该拓扑结构图可以显示节点之间的高斯相关性，在道路网络的局部功能上，可以有各向异性的相关性，例如，同一条高速公路的拥堵路况通常会以单向的方式扩散，但普通的道路上，拥堵通常会以二维的方式扩散。具体的路况可以分为如下级别，如：畅通、缓慢、拥堵、严重阻塞。这些级别可以转换为拓扑结构图的节点的数值。节点之间的边(连接线)描述了两个路段之间的连接关系，比如节点(路段)A可以通过边a1左转到节点(路段)B，可以通过边a2右转到节点(路段)C。步骤S102：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；本步骤中，通过预测模型中的卷积层，进行特征提取。根据输入的拓扑结构图的像素大小和颜色深度，可以选择对应的卷积核，由卷积核执行卷积操作。其中，卷积核也可以成为感受野，其深度与输入的拓扑结构图的深度需要相同，大小可以根据需要调整。其中卷积核也可以称为滑动函数，其通过输入图像中的滑动窗口的形式实现输入图像和卷积核的相乘，并将相乘的结果求和，得到输出的特征图。本申请中，还可以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。如图3所示，为执行卷积操作之后得到特征图，该特征图中可以划分为多个区域，其中各个区域可以有重合的节点，也可以完全独立。本步骤中所述的池化层进行的操作还可以称为下采样。在步骤S102执行卷积操作得到特征图之后，仍然有很多的特征参数，因此本步骤中通过池化操作对特征图进行压缩，一方面使特征图变小，简化网本文档来自技高网...

【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