交通信息预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提出一种交通信息预测方法、装置、设备及存储介质，涉及数据处理领域，其中方法包括：通过获取目标城市交通路图，并将目标城市交通路图划分成多个目标子图，然后将多个目标子图以及对应的目标交通状态信息组成目标输入数据，最后将目标输入数据输入预先训练好的交通信息预测模型中，得到交通信息预测值，其中，交通信息预测模型预先由源城市交通路图训练得到，目标城市交通路图的节点数少于源城市交通路网的节点数。利用数据量充足的源城市交通路网数据训练交通信息预测模型，然后将其应用于数据量较少的目标城市，能够显著提高目标城市的交通信息预测精度和预测效率。标城市的交通信息预测精度和预测效率。标城市的交通信息预测精度和预测效率。

【技术实现步骤摘要】
交通信息预测方法、装置、设备及存储介质


[0001]本申请实施例涉及数据处理
，尤其涉及一种交通信息预测方法、装置、设备及存储介质。

技术介绍

[0002]城市化的快速发展使人们的生活更加现代化，然而，它也给现代城市带来如交通拥堵、环境污染和土地使用过度等较多问题。大数据的扩散和计算能力的快速发展，为利用数据科学和计算技术解决这些问题提供了可能性，城市计算旨在利用城市中产生的海量数据进行智慧城市系统建设。
[0003]例如交通速度预测是智慧城市系统建设的一个挑战。相关技术中有经典统计方法和深度学习模型，传统统计方法例如利用自回归综合移动平均和历史平均来进行交通速度预测，但这种方法均局限于非平稳序列，处理高度复杂的非线性时间序列数据的能力非常有限。深度学习模型例如数据驱动模型，利用大数据来进行交通速度预测，但该方法面临着城市数据稀缺的问题。这种数据匮乏的问题主要归因于构建城市范围内交通传感器综合系统的成本过高，以及收集数据需要相当长的时间。

技术实现思路

[0004]以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
[0005]本申请实施例提供一种交通信息预测方法、装置、设备及存储介质，能够将利用数据量充足的城市数据训练交通信息预测模型，并将其迁移到数据量稀少的城市中进行交通信息预测，有效提高交通信息预测精度和预测效率。
[0006]第一方面，本申请实施例提供一种交通信息预测方法，包括：
[0007]获取目标城市交通路图，并将所述目标城市交通路图划分成多个目标子图；
[0008]将多个所述目标子图以及对应的目标交通状态信息组成目标输入数据；
[0009]将所述目标输入数据输入预先训练好的交通信息预测模型中，得到交通信息预测值，所述交通信息预测模型预先由源城市交通路图训练得到，所述目标城市交通路图的节点数与所述源城市交通路网的节点数不同。
[0010]在一可选的实现方式中，所述获取目标城市交通路图，并将所述目标城市交通路图划分成多个目标子图，包括：
[0011]将所述目标城市交通路图按照不同比例进行尺寸缩小，得到多个不同比例的缩略图；
[0012]按照划分数目对最小比例的所述缩略图进行初步划分，得到第一目标子图集合；
[0013]根据所述第一目标子图集合中节点映射关系将所述目标城市交通路图划分成对应的目标子图。
[0014]在一可选的实现方式中，所述获取目标城市交通路图，并将所述目标城市交通路
图划分成多个目标子图之前，还包括：
[0015]当所述目标城市交通路图的节点数不能被所述划分数目整除时，用元素零对所述目标城市交通路图进行数据补全。
[0016]在一可选的实现方式中，所述交通信息预测模型包括空间相关性子模型和时间相关性子模型；
[0017]所述将所述目标输入数据输入预先训练好的交通信息预测模型中，得到交通信息预测值，包括：
[0018]根据所述目标输入数据，利用所述空间相关性子模型获取空间信息；
[0019]根据所述空间信息，利用所述时间相关性子模型获取时间信息，以便根据所述空间信息和所述时间信息得到所述交通信息预测值。
[0020]在一可选的实现方式中，所述空间相关性子模型由图神经网络模型构成，所述时间相关性子模型由门控循环单元模型构成。
[0021]在一可选的实现方式中，所述交通信息预测模型的训练过程包括：
[0022]构建源城市训练数据集，所述源城市训练数据集包括：源输入数据以及对应的标签，所述源输入数据包括所述源城市交通路图对应的源子图和对应的源交通状态信息；
[0023]将所述源城市训练数据集输入到所述交通信息预测模型中，得到源预测交通状态信息；
[0024]根据所述源预测交通状态信息和所述标签之间的误差值优化损失函数，训练得到所述交通信息预测模型。
[0025]在一可选的实现方式中，还包括，利用所述交通信息预测值和预测时间段真实目标交通状态信息之间的第二误差值，调整第二损失函数，对所述交通信息预测模型的参数进行优化。
[0026]第二方面，本申请实施例提供一种交通信息预测装置，包括：
[0027]目标城市交通路图获取模块，用于获取目标城市交通路图，并将所述目标城市交通路图划分成多个目标子图；
[0028]目标输入数据组成模块，用于将多个所述目标子图以及对应的目标交通状态信息组成目标输入数据；
[0029]交通信息预测模块，用于将所述目标输入数据输入预先训练好的交通信息预测模型中，得到交通信息预测值，所述交通信息预测模型预先由源城市交通路图训练得到，所述目标城市交通路图的节点数与所述源城市交通路网的节点数不同。
[0030]第三方面，一种计算机设备，包括处理器以及存储器；
[0031]所述存储器用于存储程序；
[0032]所述处理器用于根据所述程序执行如第一方面中任一项所述的交通信息预测方法。
[0033]第四方面，本申请实施例提供一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行第一方面中任意一项所述的交通信息预测方法。
[0034]本申请实施例第一方面提供的一种交通信息预测方法，与相关技术相比，通过获取目标城市交通路图，并将目标城市交通路图划分成多个目标子图，然后将多个目标子图以及对应的目标交通状态信息组成目标输入数据，最后将目标输入数据输入预先训练好的
交通信息预测模型中，得到交通信息预测值，其中，交通信息预测模型预先由源城市交通路图训练得到，目标城市交通路图的节点数少于源城市交通路网的节点数。利用数据量充足的源城市交通路网数据训练交通信息预测模型，然后将其应用于数据量较少的目标城市，能够显著提高目标城市的交通信息预测精度和预测效率。
[0035]可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
[0036]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或相关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实施例的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0037]图1是本申请一个实施例提供的示例性系统架构的示意图；
[0038]图2是本申请一个实施例提供的交通信息预测方法的流程图；
[0039]图3是本申请一个实施例提供的交通信息预测方法的又一流程图；
[0040]图4是本申请一个实施例提供的交通信息预测方法的子图划分示意图；
[0041]图5是本申请一个实施例提供的道路交通示意图；
[0042]图6是本申请一个实施例提供的交通信息预测方法的又一流程图；
[0043]图7是本申请一个实施例提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通信息预测方法，其特征在于，包括：获取目标城市交通路图，并将所述目标城市交通路图划分成多个目标子图；将多个所述目标子图以及对应的目标交通状态信息组成目标输入数据；将所述目标输入数据输入预先训练好的交通信息预测模型中，得到交通信息预测值，所述交通信息预测模型预先由源城市交通路图训练得到，所述目标城市交通路图的节点数与所述源城市交通路网的节点数不同。2.根据权利要求1所述的交通信息预测方法，其特征在于，所述获取目标城市交通路图，并将所述目标城市交通路图划分成多个目标子图，包括：将所述目标城市交通路图按照不同比例进行尺寸缩小，得到多个不同比例的缩略图；按照划分数目对最小比例的所述缩略图进行初步划分，得到第一目标子图集合；根据所述第一目标子图集合中节点映射关系将所述目标城市交通路图划分成对应的目标子图。3.根据权利要求2所述的交通信息预测方法，其特征在于，所述获取目标城市交通路图，并将所述目标城市交通路图划分成多个目标子图之前，还包括：当所述目标城市交通路图的节点数不能被所述划分数目整除时，用元素零对所述目标城市交通路图进行数据补全。4.根据权利要求1所述的交通信息预测方法，其特征在于，所述交通信息预测模型包括空间相关性子模型和时间相关性子模型；所述将所述目标输入数据输入预先训练好的交通信息预测模型中，得到交通信息预测值，包括：根据所述目标输入数据，利用所述空间相关性子模型获取空间信息；根据所述空间信息，利用所述时间相关性子模型获取时间信息，根据所述空间信息和所述时间信息得到所述交通信息预测值。5.根据权利要求4所述的交通信息预测方法，其特征在于，所述空间相关性子模型由图神经网络模型构成，所述时...

【专利技术属性】
技术研发人员：余剑峤，黄芸洁，宋晓壮，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：