路径预测方法、装置、设备以及存储介质制造方法及图纸

本发明专利技术实施例提供一种路径预测方法、装置、设备以及存储介质，该方法包括：确定目标交通区域的第一车流路径；基于预设的路径预测模型，利用所述第一车流路径获得预测车流路径；基于预设的类别预测模型，利用所述第一车流路径获得预测路径类别；其中，所述类别预测模型基于所述目标交通区域的历史车流路径，结合所述至少一个路径类别训练获得；按照所述预测路径类别，调整所述预测车流路径以获得目标车流路径。本发明专利技术实施例提高了获得的车流路径的准确度。

【技术实现步骤摘要】
路径预测方法、装置、设备以及存储介质
本专利技术涉及智能交通
，尤其涉及一种路径预测方法、装置、设备以及存储介质。
技术介绍
交通路网是由各个交通路段构成的交通网络。为了方便管理，可以将交通路网划分为多个交通区域，每个交通区域对应多个交通路段形成的子交通网络。为了获得各个交通区域的行驶状况，可以对各个交通区域中的车流的行驶方向、行驶途中经过的交通路段以及行驶速度进行监控，其中，车流包括汽车、火车等交通车辆在各交通路段中连续行驶形成的车流。车流的行驶速度是车流在单位时间内通过一个交通路段序列形成的路程的车辆数量，单位为车/小时。车流路径是一种结构化信息，可以包含车流途经路段形成的交通路段序列以及各个路段序列分别对应的车流量。目前，针对任一个交通区域，可以利用该交通区域的历史车流路径对该交通区域未来时刻的车流路径进行短时分布预测，以利用获得的目标车流路径对该交通区域进行交通优化控制，例如，利用车流路径分布预估该交通区域中的红绿灯运行周期等。现有技术中，对一个交通区域的车流路径分布进行短时预测时，通常利用路径预测模型，将当前车流路径输入路径预测本文档来自技高网...

【技术保护点】
1.一种路径预测方法，其特征在于，包括：/n确定目标交通区域的第一车流路径；/n基于预设的路径预测模型，利用所述第一车流路径获得预测车流路径；/n基于预设的类别预测模型，利用所述第一车流路径获得预测路径类别；其中，所述类别预测模型基于所述目标交通区域的历史车流路径，结合所述至少一个路径类别训练获得；/n按照所述预测路径类别，调整所述预测车流路径以获得目标车流路径。/n

【技术特征摘要】
1.一种路径预测方法，其特征在于，包括：
确定目标交通区域的第一车流路径；
基于预设的路径预测模型，利用所述第一车流路径获得预测车流路径；
基于预设的类别预测模型，利用所述第一车流路径获得预测路径类别；其中，所述类别预测模型基于所述目标交通区域的历史车流路径，结合所述至少一个路径类别训练获得；
按照所述预测路径类别，调整所述预测车流路径以获得目标车流路径。


2.根据权利要求1所述的方法，其特征在于，所述路径类别包括具有相同路径分布特征的多个车流路径的集合。


3.根据权利要求1所述的方法，其特征在于，还包括：
确定至少一个路径影响因子的第一影响数据；
所述基于预设的路径预测模型，利用所述第一车流路径获得预测车流路径包括：
基于预设的路径预测模型，利用所述第一车流路径以及所述第一影响数据获得预测车流路径；其中，所述路径预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据训练获得；
所述基于预设的类别预测模型，利用所述第一车流路径获得预测路径类别包括：
基于预设的类别预测模型，利用所述第一车流路径以及所述第一影响数据获得预测路径类别；其中，所述类别预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据，结合所述至少一个路径类别训练获得。


4.根据权利要求3所述的方法，其特征在于，所述路径预测模型通过以下方式训练获得：
确定至少一个路径训练样本，以及每个路径训练样本对应的路径真值；其中，每个路径训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成；
构建路径预测模型；
基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值，训练获得所述路径预测模型的模型参数。


5.根据权利要求4所述的方法，其特征在于，所述基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值，训练获得所述路径预测模型的模型参数包括：
随机生成所述路径预测模型的路径参考参数；
将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型，预测获得每个路径训练样本对应的第一预测结果；
基于每个路径训练样本对应的第一预测结果以及路径真值，确定路径预测误差；
如果所述路径预测误差满足第一误差条件，确定所述路径参考参数为所述路径预测模型的模型参数；
如果所述路径预测误差不满足第一误差条件，基于所述路径预测误差，更新所述路径参考参数，并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型，预测获得每个路径训练样本对应的第一预测结果的步骤继续执行。


6.根据权利要求5所述的方法，其特征在于，所述如果所述路径预测误差不满足第一误差条件，基于所述路径预测误差，更新所述路径参考参数，并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型，预测获得每个路径训练样本对应的第一预测结果的步骤继续执行包括：
如果所述路径预测误差不满足第一误差条件，计算所述路径预测误差相对所述路径预测模型的模型参数的偏导数，获得路径调整量；
根据路径调整步长以及所述路径调整量，确定路径参数调整量；
利用所述路径参数调整量调整所述路径参考参数，并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型，预测获得每个路径训练样本对应的第一预测结果的步骤继续执行。


7.根据权利要求5所述的方法，其特征在于，所述基于每个路径训练样本对应的第一预测结果以及路径真值，确定路径预测误差包括：
计算每个路径训练样本对应第一预测结果与所述路径真值的路径距离，获得每个路径训练样本的路径误差；
根据至少一个路径训练样本分别对应的路径误差，确定路径预测误差。


8.根据权利要求3所述的方法，其特征在于，所述类别预测模型通过以下方式训练获得：
确定至少一个类别训练样本，以及每个类别训练样本对应的类别真值；其中，每个类别训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成；每个类别训练样本对应的类别真值为所述至少一个路径类别中与其对应的历史车流路径间隔预设时间间隔的历史车流路径相匹配的的路径类别；
构建类别预测模型；
基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值，训练获得所述类别预测模型的模型参数。


9.根据权利要求8所述的方法，其特征在于，所述基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值，训练获得所述类别预测模型的模型参数包括：
随机生成所述类别预测模型的类别参考参数；
将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型，获得每个类别训练样本对应的第二预测结果；
基于每个类别训练样本对应的第二预测结果以及类别真值，确定类别预测误差；
如果所述类别预测误差满足第二误差条件，确定所述类别参考参数为所述类别预测模型的模型参数；
如果所述类别预测误差不满足第二误差条件，基于所述类别预测误差，调整所述类别参考参数，并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型，预测获得每个类别训练样本对应的第二预测结果的步骤继续执行。


10.根据权利要求9所述的方法，其特征在于，所述如果所述类别预测误差不满足第二误差条件，基于所述类别预测误差，调整所述类别参考参数，并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型，预测获得每个类别训练样本对应的第二预测结果的步骤继续执行包括：
如果所述类别预测误差不满足第二误差条件，计算所述类别预测误差相对所述类别预测模型的模型参数的偏导数，获得类别调整量；
根据类别调整步长以及所述类别调整量，确定类别参数调整量；
利用所述类别参数调整量调整所述类别参考参数，返回至所述将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型，预测获得每个类别训练样本对应的第二预测结果的步骤继续执行。


11.根据权利要求10所述的方法，其特征在于，所述基于每个类别训练样本对应的第二预测结果以及类别真值，确定类别预测误差包括：
计算每个类别训练样本对应的第二预测结果与所述类别真值之间的类别距离，获得每个类别训练样本的类别误差；
根据每个类别训练样本对应的类别误差，确定类别预测误差。


12.根据权利要求3～11任一项所述的方法，其特征在于...

【专利技术属性】
技术研发人员：张欣，茅嘉磊，杨磊，肖楠，贺亚静，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY