模型训练及路况预测方法、装置、设备、介质及程序产品制造方法及图纸

本申请公开了一种模型训练及路况预测方法、装置、设备、介质及程序产品，涉及人工智能领域，尤其涉及智能交通和深度学习技术领域。具体实现方案为：根据样本道路信息，确定样本道路的时序特征表示和样本道路的路况标签；将样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将编码传递参数输入原始模型中的解码时序神经网络，得到解码特征表示；并将解码特征表示输入原始模型中的预测神经网络，得到样本道路的预测路况；其中，编码时序神经网络包括至少两个时序连接的子编码网络；根据样本道路的预测路况和路况标签，对原始模型进行训练，得到路况预测模型。以提高路况预测准确性。以提高路况预测准确性。以提高路况预测准确性。

【技术实现步骤摘要】
模型训练及路况预测方法、装置、设备、介质及程序产品


[0001]本申请涉及计算机
，尤其涉及人工智能、智能交通和深度学习
具体涉及一种模型训练及路况预测方法、装置、设备、介质及程序产品。

技术介绍

[0002]随着人工智能技术的发展，向用户播报实时路况和预测路况已成为智能交通领域中不可或缺的一部分。
[0003]目前，现有技术预测路况时通常采用机器学习模型根据待预测道路的历史路况状态(如拥堵、缓行或畅通)，来预测到当前路况状态，例如，采用机器学习模型根据道路A近一周内每天中午十二点的路况，来预测当日中午十二点的路况。但是，现有方式对于路况在时域维度的变化规律信息刻画不足，存在时效性较差和拥堵召回率低等问题，亟需改进。

技术实现思路

[0004]本申请提供了一种模型训练及路况预测方法、装置、设备、介质及程序产品。
[0005]根据本申请的第一方面，提供了一种路况预测模型的训练方法，包括：
[0006]根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；
[0007]将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；
[0008]根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。
[0009]根据本申请的第二方面，提供了一种路况预测方法，该方法使用本申请任一实施例所述的方法训练的路况预测模型实现，该方法包括：
[0010]根据待预测道路信息，确定待预测道路的时序特征表示；
[0011]将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。
[0012]根据本申请的第三方面，提供了一种路况预测模型的训练装置，包括：
[0013]道路信息解析模块，用于根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；
[0014]数据输入模块，用于将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；
[0015]模型训练模块，用于根据所述样本道路的预测路况和所述路况标签，对所述原始
模型进行训练，得到路况预测模型。
[0016]根据本申请的第四方面，提供了一种路况预测装置，该装置使用本申请任一实施例所述的方法训练的路况预测模型实现，所述装置包括：
[0017]时序特征确定模块，用于根据待预测道路信息，确定待预测道路的时序特征表示；
[0018]路况预测模块，用于将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。
[0019]根据本申请的第五方面，提供了一种电子设备，该电子设备包括：
[0020]至少一个处理器；以及
[0021]与所述至少一个处理器通信连接的存储器；其中，
[0022]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任一实施例所述的路况预测模型的训练方法或路况预测方法。
[0023]根据本申请的第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质。所述计算机指令用于使所述计算机执行本申请任一实施例所述的路况预测模型的训练方法或路况预测方法。
[0024]根据本申请的第七方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请任一实施例所述的路况预测模型的训练方法或路况预测方法。
[0025]根据本申请的技术解决了现有路况预测方法时效性差、拥堵召回率低的问题，为路况预测模型的训练及路况预测提供了一种新思路。
[0026]应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0027]附图用于更好地理解本方案，不构成对本申请的限定。其中：
[0028]图1A是根据本申请实施例提供的一种路况预测模型的训练方法的流程图；
[0029]图1B是根据本申请实施例的提供的一种原始模型的结构示意图；
[0030]图2是根据本申请实施例提供的另一种路况预测模型的训练方法的流程图；
[0031]图3是根据本申请实施例提供的另一种路况预测模型的训练方法的流程图；
[0032]图4是根据本申请实施例的提供的另一种原始模型的结构示意图；
[0033]图5A
‑
5B是根据本申请实施例的提供的另一种原始模型的结构示意图；
[0034]图6是根据本申请实施例提供的一种路况预测方法的流程图；
[0035]图7是根据本申请实施例提供的另一种路况预测方法的流程图；
[0036]图8是根据本申请实施例提供的另一种路况预测方法的流程图；
[0037]图9是根据本申请实施例提供的一种路况预测模型的训练装置的结构示意图；
[0038]图10是根据本申请实施例提供的一种路况预测装置的结构示意图；
[0039]图11是用来实现本申请实施例的路况预测模型的训练方法或路况预测方法的电子设备的框图。
具体实施方式
[0040]以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0041]图1A是根据本申请实施例提供的一种路况预测模型的训练方法的流程图；图1B是根据本申请实施例的提供的一种原始模型的结构示意图；本实施例适用于构建并训练能够执行路况预测任务的深度学习模型的情况。该实施例可以由电子设备中配置的路况预测模型的训练装置来执行，该装置可以采用软件和/或硬件来实现。如图1A
‑
1B所示，该方法包括：
[0042]S101，根据样本道路信息，确定样本道路的时序特征表示和样本道路的路况标签。
[0043]其中，所谓样本道路为作为训练样本的道路，该样本道路可以是一条，也可以是多条。本申请实施例在确定样本道路时，可以是在道路数据集中随机选择一段时间(如一周)内，同一时刻(如中午十二点)的同一条道路或不同道路作为样本道路；还可以选择一段时间(如一周)内，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路况预测模型的训练方法，包括：根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；根据所述样本道路的预测路况和所述路况标签，对所述原始模型进行训练，得到路况预测模型。2.根据权利要求1所述的方法，其中，所述根据样本道路信息，确定样本道路的时序特征表示，包括：将样本道路信息中属于样本预测时刻前的首个预设时段的道路信息，划分为至少两个样本时间片段数据；确定所述至少两个样本时间片段数据的道路特征表示作为样本道路的时序特征表示；其中，所述样本时间片段数据的数量和所述编码时序神经网络中子编码网络的数量相同。3.根据权利要求2所述的方法，其中，所述将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，包括：依次将每个样本时间片段数据的道路特征表示，作为原始模型中的编码时序神经网络的子编码网络的参数输入。4.根据权利要求1所述的方法，还包括：从道路数据集中选择样本预测时刻的候选道路集；将所述候选道路集中，轨迹量满足数量阈值的候选道路作为样本道路。5.根据权利要求1所述的方法，还包括：根据所述样本道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述样本道路的时序特征表示中。6.根据权利要求1
‑
5中任一项所述的方法，其中，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。7.根据权利要求1所述的方法，其中，所述原始模型中的预测神经网络包括：信息拼接层和全连接层；相应的，所述将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况，包括：将所述解码特征表示和路况预测拼接信息输入所述信息拼接层，得到拼接特征表示；并将所述拼接特征表示输入所述全连接层，得到样本道路的预测路况。8.根据权利要求7所述的方法，其中，所述路况预测拼接信息包括：样本道路的等级信息和/或输入到所述编码时序神经网络的末尾子编码网络的时序特征表示。9.根据权利要求1或7所述的方法，其中，所述解码时序神经网络的子解码网络与所述预测神经网络中的子预测网络一一对应；所述子解码网络的第一输出端连接下一子解码网络；所述子解码网络的第二输出端连接对应的子预测网络。10.根据权利要求9所述的方法，其中，所述路况标签的数量与所述子解码网络的数量
相同；若所述路况标签为至少两个，则所述至少两个路况标签为所述样本道路在样本预测时刻和所述样本预测时刻的至少一个后续预测时刻的真实路况状态。11.一种路况预测方法，其中，使用权利要求1
‑
10中任一项所述的方法训练的路况预测模型实现，所述方法包括：根据待预测道路信息，确定待预测道路的时序特征表示；将所述待预测道路的时序特征表示输入至所述路况预测模型中，得到所述待预测道路的预测路况。12.根据权利要求11所述的方法，其中，所述根据待预测道路信息，确定待预测道路的时序特征表示，包括：将待预测道路信息中属于目标预测时刻前的首个预设时段的道路信息，划分为至少两个目标时间片段数据；确定所述至少两个目标时间片段数据的道路特征表示作为待预测道路的时序特征表示；其中，所述目标时间片段数据的数量和所述路况预测模型中的子编码网络的数量相同。13.根据权利要求12所述的方法，其中，所述将所述待预测道路的时序特征表示输入至所述路况预测模型中，包括：依次将每个目标时间片段数据的道路特征表示，作为所述路况预测模型中的子编码网络的参数输入。14.根据权利要求11所述的方法，还包括：根据所述待预测道路的关联道路信息，确定关联道路的时序特征表示，并将所述关联道路的时序特征表示添加到所述待预测道路的时序特征表示中。15.根据权利要求11所述的方法，其中，若所述路况预测模型中解码时序神经网络的子解码网络的数量为至少两个，则得到所述待预测道路的预测路况为至少两个。16.根据权利要求12所述的方法，还包括：从至少两个预测路况中确定所述待预测道路的最终路况。17.根据权利要求11
‑
16中任一项所述的方法，其中，所述时序特征表示包括：平均速度、百分位速度、极值速度、轨迹量以及不同路况状态下的轨迹量占比中的至少一个。18.一种路况预测模型的训练装置，包括：道路信息解析模块，用于根据样本道路信息，确定样本道路的时序特征表示和所述样本道路的路况标签；数据输入模块，用于将所述样本道路的时序特征表示输入原始模型中的编码时序神经网络，得到编码传递参数；将所述编码传递参数输入所述原始模型中的解码时序神经网络，得到解码特征表示；并将所述解码特征表示输入所述原始模型中的预测神经网络，得到样本道路的预测路况；其中，所述编码时序神经网络包括至少两个时序连接的子编码网络；模型训练模块，用于...

【专利技术属性】
技术研发人员：暴雨，梁海金，杨玲玲，李成洲，刘子昊，宋雨坤，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：