城市路网交通状态的预测方法、装置、设备及介质制造方法及图纸

本发明专利技术实施例公开了一种城市路网交通状态的预测方法、装置、设备及介质。其中，该方法包括：根据路网交通数据，生成目标路网在多个历史时隙下的历史速度序列；根据与所述目标路网对应的网络拓扑，生成与路段速度序列对应的空间融合速度序列；在所述空间融合速度序列中，提取目标路段在所述多个历史时隙下的空间融合速度子序列；根据所述目标路段的空间融合速度子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列。本发明专利技术实施例，通过上述方法，解决了道路拥堵情况信息预测的问题，实现了准确地交通状况的预测，避免由于道路拥堵而造成时间的浪费。路拥堵而造成时间的浪费。路拥堵而造成时间的浪费。

【技术实现步骤摘要】
城市路网交通状态的预测方法、装置、设备及介质


[0001]本专利技术实施例涉及计算机数据处理技术，尤其涉及一种城市路网交通状态的预测方法、装置、设备及介质。

技术介绍

[0002]近年来，我国政府大力推进城市内智能交通系统的发展建设，以缓解由汽车使用量增加导致的一系列社会问题，如交通拥堵、交通事故、能源过度消耗和碳排放等。交通预测，作为智能交通系统的重要组成部分，是分析城市道路网络交通状况、挖掘交通模式和预测城市道路网络交通趋势的过程，具有重大的科研价值与商业价值。
[0003]目前，近年来，深度学习模型在交通预测方面表现出了卓越的能力，研究人员通常使用卷积神经网络或图卷积神经网络来捕获空间依赖，使用循环神经网络或时间卷积网络来建模非线性时间依赖。研究人员将上述几种基本模块进行组合，并结合不同类型的技术，对复杂动态的时空关联进行联合建模，取得了最先进的交通预测性能。但是，这些工作的不足一方面在于对模型的训练需要使用大量的历史交通数据，当用于训练的数据不足时，模型的预测性能很差。另外，深度学习模型的训练需要使用大量的历史数据，由于涉及到个人或者企业的隐私安全等问题，不便于收集。

技术实现思路

[0004]本专利技术实施例提供了一种城市路网交通状态的预测方法、装置、设备及介质，以实现道路拥堵情况信息预测的问题，提高了交通状况预测的准确度，减少了由于道路拥堵而造成时间的浪费。
[0005]第一方面，本专利技术实施例提供了一种城市路网交通状态的预测方法，其中，包括：
[0006]根据路网交通数据，生成目标路网在多个历史时隙下的历史速度序列，历史速度序列的每个序列对象中包括：目标路网中每个路段的在设定历史时隙下的历史通行速度；
[0007]根据与所述目标路网对应的网络拓扑，生成与路段速度序列对应的空间融合速度序列；
[0008]在所述空间融合速度序列中，提取目标路段在所述多个历史时隙下的空间融合速度子序列；
[0009]根据所述目标路段的空间融合速度子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列。
[0010]第二方面，本专利技术实施例还提供了一种城市路网交通状态的预测装置，该城市路网交通状态的预测装置包括：
[0011]历史速度序列生成模块，用于根据路网交通数据，生成目标路网在多个历史时隙下的历史速度序列，历史速度序列的每个序列对象中包括：目标路网中每个路段的在设定历史时隙下的历史通行速度；
[0012]空间融合速度序列生成模块，用于根据与所述目标路网对应的网络拓扑，生成与
路段速度序列对应的空间融合速度序列；
[0013]空间融合速度子序列提取模块，用于在所述空间融合速度序列中，提取目标路段在所述多个历史时隙下的空间融合速度子序列；
[0014]预测速度子序列预测模块，用于根据所述目标路段的空间融合速度子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列。
[0015]第三方面，本专利技术实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如本专利技术任意实施例所述的城市路网交通状态的预测方法。
[0016]第四方面，本专利技术实施例还提供了一种包含计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现如本专利技术任意实施例所述的城市路网交通状态的预测方法。
[0017]本专利技术实施例所提供的技术方案，通过根据路网交通数据，生成目标路网在多个历史时隙下的历史速度序列；根据与所述目标路网对应的网络拓扑，生成与路段速度序列对应的空间融合速度序列；在所述空间融合速度序列中，提取目标路段在所述多个历史时隙下的空间融合速度子序列；根据所述目标路段的空间融合速度子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列。本专利技术实施例，通过上述方法，解决了道路拥堵情况信息预测的问题，实现了准确地交通状况的预测，减轻了道路的拥堵现象，避免由于道路拥堵而造成时间的浪费以及交通事故，便利了人们的出行。
附图说明
[0018]图1为本专利技术实施例一提供的一种城市路网交通状态的预测方法的流程图；
[0019]图2a为本专利技术实施例二提供的另一种城市路网交通状态的预测方法的流程图；
[0020]图2b为本专利技术实施例二提供的所述方法的交通预测深度学习模型的结构示意图；
[0021]图3是本专利技术实施例三提供的一种城市路网交通状态的预测装置的结构示意图；
[0022]图4是本专利技术实施例四提供的一种计算机设备的结构示意图；
[0023]图5是本专利技术实施例六提供的一种交通预测平台的结构示意图。
具体实施方式
[0024]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0025]实施例一
[0026]图1为本专利技术实施例一提供的一种城市路网交通状态的预测方法的流程图。本实施例可适用于城市路网交通状态进行准确预测的情况。本实施例的方法可以由城市路网交通状态的预测装置执行，该装置可以通过软件和/或硬件的方式实现，该装置可配置于服务器或终端设备中。
[0027]相应的，该方法具体包括如下步骤：
[0028]S110、根据路网交通数据，生成目标路网在多个历史时隙下的历史速度序列，历史速度序列的每个序列对象中包括：目标路网中每个路段的在设定历史时隙下的历史通行速
度。
[0029]其中，路网交通数据可以是交通领域的道路网络中各种类型车辆的交通数据。目标路网可以是进行道路状况预测的路段。历史速度序列可以是目标路网对应多个不同的路段，不同路段在历史时刻下对应的道路平均速度组成的序列。历史通行速度可以是在当前路段下，计算出历史时刻不同类型车辆的平均速度。
[0030]示例性的，根据路网交通数据，假设目标路网有5个路段，分别为路段1、路段2、路段3、路段4和路段5，可以命名为L1、L2、L3、L4和L5，假设多个历史时隙可以是t
‑
2、t
‑
1和t。进而，可以生成目标路网的在多个历史时隙下t
‑
2、t
‑
1和t对应的历史速度序列，如下式所示：
[0031]V
总
＝{(L1,V
t
‑
2,1
；L2,V
t
‑
2,2
；L3,V
t
‑
2,3
；L4,V
t
‑
2,4
；L5,V
t
‑
2,5
)；(L1,V
t
‑
1,1
；L2,V
t
‑
1,2
；L3,V
t...

【技术保护点】

【技术特征摘要】
1.一种路网交通状态的预测方法，其特征在于，包括：根据路网交通数据，生成目标路网在多个历史时隙下的历史速度序列，历史速度序列的每个序列对象中包括：目标路网中每个路段的在设定历史时隙下的历史通行速度；根据与所述目标路网对应的网络拓扑，生成与路段速度序列对应的空间融合速度序列；在所述空间融合速度序列中，提取目标路段在所述多个历史时隙下的空间融合速度子序列；根据所述目标路段的空间融合速度子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列。2.根据权利要求1所述的方法，其特征在于，根据与所述目标路网对应的网络拓扑，生成与路段速度序列对应的空间融合速度序列，包括：将所述路段速度序列输入至预先训练的图卷积网络中；通过所述图卷积网络，根据预先训练的网络参数，以及由所述网络拓扑确定的K阶邻域矩阵，生成与所述路段速度序列对应的空间融合速度序列，K为邻接路段数量值。3.根据权利要求1所述的方法，其特征在于，根据所述目标路段的空间融合速度子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列，包括：根据所述目标路段的空间融合速度子序列，以及与所述目标路段在所述多个历史时隙下的关联描述特征，预测得到所述目标路段在多个预测时隙下的预测速度子序列。4.根据权利要求3所述的方法，其特征在于，所述关联描述特征包括下述至少一项：空间相关性特征、时间相关性特征以及外部因素特征；其中，所述空间相关性特征包括：路段的入度、出度、以及周边建筑物分布特征；所述时间相关性特征包括：前一历史时隙下的各路段的历史通行速度以及时间信息；所述外部因素特征包括：气象特征以及实事特征。5.根据权利要求3或4所述的方法，其特征在于，根据所述目标路段的空间融合速度子序列，以及与所述目标路段在所述多个历史时隙下的关联描述特征，预测得到所述目标路段在多个预测时隙下的预测速度子序列，包括：将所述空间融合速度子序列中包括的每个空间融合速度，与匹配历史时隙下的关联描述特征进行特征拼接，得到拼接特征子序列；将所述拼接特征子序列输入至预先训练的序列到序列网络中；通过所述序列到序列网络，根据所述拼接特征子序列，预测得到所述目标路段在多个预测时隙下的预测速度子序列。6.根据权利要求1所述的方法，其特征在于，在预测得到所...

【专利技术属性】
技术研发人员：廖娴静，
申请(专利权)人：中国农业银行股份有限公司，
类型：发明
国别省市：