模型训练、参数预测方法和装置、电子设备及存储介质制造方法及图纸

本申请提供的模型训练、参数预测方法和装置、电子设备及存储介质，涉及深度学习技术领域。在本申请中，首先，获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且路网关系信息包括目标区域中每一路段与其它各路段之间的邻接关系信息。其次，对样本数据中的至少一种信息进行向量化处理得到训练数据。然后，基于训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，通行参数预测模型用于对目标区域中的目标路段进行预测处理，得到目标路段的通行参数。通过上述方法，可以改善现有的速度预测技术存在的预测精度较低的问题。

【技术实现步骤摘要】
模型训练、参数预测方法和装置、电子设备及存储介质
本申请涉及深度学习
，具体而言，涉及一种模型训练、参数预测方法和装置、电子设备及存储介质。
技术介绍
随着深度学习技术的不断发展，其应用领域得到不断的发展，例如，可以通过进行深度学习得到预测模型，用于对道路通行参数进行预测，使得用户驾驶车辆出行的过程中，出行效率更高，从而提高驾车的体验。但是，经本申请的专利技术人研究发现，在基于现有的预测模型进行通行参数预测时，存在着预测精度较低的问题。
技术实现思路
有鉴于此，本申请的目的在于提供一种模型训练、参数预测方法和装置、电子设备及存储介质，以改善现有的通行参数预测技术存在的预测精度较低的问题。为实现上述目的，本申请实施例采用如下技术方案：一种通行参数预测模型训练方法，包括：获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；对所述样本数据中的至少一种信息进行向量化处理得到训练数据；本文档来自技高网...

【技术保护点】
1.一种通行参数预测模型训练方法，其特征在于，包括：/n获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；/n对所述样本数据中的至少一种信息进行向量化处理得到训练数据；/n基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。/n

【技术特征摘要】
1.一种通行参数预测模型训练方法，其特征在于，包括：
获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；
对所述样本数据中的至少一种信息进行向量化处理得到训练数据；
基于所述训练数据对预先构建的神经网络模型进行训练，得到通行参数预测模型，其中，该通行参数预测模型用于对所述目标区域中的目标路段进行预测处理，得到该目标路段的通行参数。


2.根据权利要求1所述的通行参数预测模型训练方法，其特征在于，所述获得样本数据得步骤，包括：
针对目标区域中的每一个路段，确定该路段与该目标区域中其它的每一个路段之间是否具有相邻关系；
基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵，其中，该邻接矩阵具有所述目标区域中所有路段的路网关系信息。


3.根据权利要求2所述的通行参数预测模型训练方法，其特征在于，所述基于是否具有相邻关系分别对每一个路段进行矩阵赋值处理，形成邻接矩阵的步骤，包括：
获得所述目标区域中的每一个路段的编号信息，其中，该编号信息与所述路段之间具有一一对应关系；
按照所述编号信息之间的顺序，依次基于每一个路段与其它路段之间是否具有相邻关系形成行数据，以得到包括多行数据的邻接矩阵，其中，在该邻接矩阵中第M行第N列的数据表示，编号信息为M的路段与编号信息为N的路段之间是否具有相邻关系。


4.根据权利要求1所述的通行参数预测模型训练方法，其特征在于，所述历史通行信息为历史速度信息，所述获得样本数据得步骤，包括：
获得每一条轨迹链路的链路长度和至少一个通行时间，其中，每一条轨迹链路基于目标区域包括的所有路段中的至少一个路段形成；
基于所述链路长度和所述至少一个通行时间，计算得到每一条轨迹链路的平均速度信息，以得到所述目标区域中所有路段的历史速度信息。


5.根据权利要求4所述的通行参数预测模型训练方法，其特征在于，所述获得每一条轨迹链路的链路长度和至少一个通行时间的步骤，包括：
获得每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段的路段总长度，并将该路段总长度作为该轨迹链路的链路长度；
针对每一条轨迹链路中第一个路段和最后一个路段以外的其它各路段，获得每一辆车辆每一次在该轨迹链路的其它各路段的通行总时长，并将该通行总时长作为该轨迹链路的通行时间。


6.根据权利要求1-5任意一项所述的通行参数预测模型训练方法，其特征在于，所述对所述样本数据中的至少一种信息进行向量化处理得到训练数据的步骤，包括：
基于路段的相邻关系，对所述样本数据中的路网关系信息进行序列化处理，得到至少一个路段序列，其中，每一个路段序列包括至少一个路段；
基于预设的向量化算法对所述至少一个路段序列进行向量化处理，得到每一个路段的路段向量，形成路网训练数据。


7.根据权利要求1-5任意一项所述的通行参数预测模型训练方法，特征在于，所述样本数据还包括多种历史属性信息，所述对所述样本数据中的至少一种信息进行向量化处理得到训练数据的步骤，包括：
基于预设的向量化算法对所述多种历史属性信息进行向量化处理，得到多种属性向量，其中，该多种历史属性信息包括星期信息、日期信息、时间片段信息、天气信息、车辆驾驶人员标识信息中的至少两种信息；
将所述多种属性向量进行级联处理，得到属性训练数据。


8.一种通行参数预测方法，其特征在于，包括：
在目标区域中确定目标路段；
基于权利要求1-7任意一项所述的通行参数预测模型训练方法训练得到的通行参数预测模型，对所述目标路段进行预测处理，得到该目标路段的通行参数。


9.一种通行参数预测模型训练装置，其特征在于，包括：
样本数据获得模块，用于获得样本数据，其中，该样本数据至少包括目标区域中所有路段的路网关系信息和历史通行信息，且该路网关系信息包括该目标区域中每一路段与其它各路段之间的邻接关系信息；
训练数据获得模块，用于对所述样本数据中的至少一种信息进行向量化处理得到训练数据；

【专利技术属性】
技术研发人员：方君，高睿鹏，谭乃强，孙付勇，马楠，朱家言，柴华，郭晓宇，谢迎凤，邢薇薇，卢苇，吴国斌，郄小虎，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，北京交通大学，
类型：发明
国别省市：北京;11