路况预测方法及相应的模型训练方法、装置、设备及介质制造方法及图纸

本公开提供了一种路况预测方法及相应的模型训练方法、装置、设备及介质，涉及智能交通、人工智能以及计算机视觉等技术领域。具体实现方案为：基于指定路段的当前时刻的街景图像，挖掘所述指定路段的所述当前时刻的视觉特征；基于所述当前时刻以及所述当前时刻之前连续的多个历史时刻、所述指定路段上的车辆的轨迹速度，挖掘所述指定路段的所述当前时刻以及各所述历史时刻的轨迹速度特征；基于所述指定路段的所述当前时刻的所述视觉特征、所述当前时刻以及各所述历史时刻的所述轨迹速度特征，预测所述指定路段下一时刻的路况。本公开的技术，能够有效地提高路况预测的准确性。能够有效地提高路况预测的准确性。能够有效地提高路况预测的准确性。

【技术实现步骤摘要】
路况预测方法及相应的模型训练方法、装置、设备及介质


[0001]本公开涉及计算机
，具体涉及智能交通、人工智能以及计算机视觉等
，尤其涉及一种路况预测方法及相应的模型训练方法、装置、设备及介质。

技术介绍

[0002]随着经济的不断发展，道路基础建设取得显著进展。然而，尽管道路不断铺设和拓宽，由于车辆数量以及出行需求的飞速增长，交通拥堵问题仍然日益凸显。
[0003]为了帮助用户避免交通拥堵，并做出更明智的出行决策，实时提供准确可靠的交通路况预测非常重要。

技术实现思路

[0004]本公开提供了一种路况预测方法及相应的模型训练方法、装置、设备及介质。
[0005]根据本公开的一方面，提供了一种路况预测方法，包括：
[0006]基于指定路段的当前时刻的街景图像，挖掘所述指定路段的所述当前时刻的视觉特征；
[0007]基于所述当前时刻以及所述当前时刻之前连续的多个历史时刻、所述指定路段上的车辆的轨迹速度，挖掘所述指定路段的所述当前时刻以及各所述历史时刻的轨迹速度特征；<br/>[0008]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路况预测方法，包括：基于指定路段的当前时刻的街景图像，挖掘所述指定路段的所述当前时刻的视觉特征；基于所述当前时刻以及所述当前时刻之前连续的多个历史时刻、所述指定路段上的车辆的轨迹速度，挖掘所述指定路段的所述当前时刻以及各所述历史时刻的轨迹速度特征；基于所述指定路段的所述当前时刻的所述视觉特征、所述当前时刻以及各所述历史时刻的所述轨迹速度特征，预测所述指定路段下一时刻的路况。2.根据权利要求1所述的方法，其中，基于指定路段的当前时刻的街景图像，挖掘所述指定路段的所述当前时刻的视觉特征，包括：基于所述指定路段的所述当前时刻的所述街景图像，挖掘所述指定路段的所述当前时刻的车辆数量、可见路面的像素宽度和高度、道路空置率、车辆密度比以及车路比中的至少一个特征。3.根据权利要求2所述的方法，其中，基于所述指定路段的所述当前时刻的所述街景图像，挖掘所述指定路段的所述当前时刻的车辆数量、可见路面的像素宽度和高度、道路空置率、车辆密度比以及车路比中的至少一个特征，包括：采用预先训练的检测模型，对所述街景图像进行检测，获取所述指定路段的所述当前时刻的车辆数量；和/或采用预先训练的分割模型，对所述街景图像中的街景元素进行分割；并基于分割结果，获取所述指定路段的所述当前时刻的所述可见路面的像素宽度和高度、所述道路空置率、所述车辆密度比以及所述车路比中的至少一个。4.根据权利要求2所述的方法，其中，基于指定路段的当前时刻的街景图像，挖掘所述指定路段的所述当前时刻的视觉特征，还包括：若所述指定路段的所述当前时刻的所述街景图像包括多帧时，基于各帧所述街景图像对应的所述指定路段的所述当前时刻的所述车辆数量、所述可见路面的像素宽度和高度、所述道路空置率、所述车辆密度比以及所述车路比中的至少一个特征，获取所述至少一个特征中各特征的均值和/或方差。5.根据权利要求1所述的方法，其中，基于所述当前时刻以及所述当前时刻之前连续的多个历史时刻、所述指定路段上的车辆的轨迹速度，挖掘所述指定路段的所述当前时刻以及各所述历史时刻的轨迹速度特征，包括：基于所述当前时刻以及所述当前时刻之前连续的多个历史时刻、所述指定路段上的车辆的轨迹速度，获取所述指定路段的所述当前时刻以及各所述历史时刻的车辆的平均速度、最大速度或者中位数速度。6.根据权利要求1
‑
5任一所述的方法，其中，基于所述指定路段的所述当前时刻的所述视觉特征、所述当前时刻以及各所述历史时刻的所述轨迹速度特征，预测所述指定路段下一时刻的路况，包括：基于所述指定路段的所述当前时刻以及各所述历史时刻的所述轨迹速度特征，预测所述指定路段的下一时刻的轨迹速度特征；基于所述指定路段的所述当前时刻的所述视觉特征和下一时刻的所述轨迹速度特征，预测所述指定路段的下一时刻的路况。
7.根据权利要求6所述的方法，其中，基于所述指定路段的所述当前时刻以及各所述历史时刻的所述轨迹速度特征，预测所述指定路段的下一时刻的轨迹速度特征，包括：基于所述指定路段的所述当前时刻以及各所述历史时刻的所述轨迹速度特征，采用预先训练的路况预测模型中的轨迹预测模块，预测所述指定路段的下一时刻的轨迹速度特征。8.根据权利要求6所述的方法，其中，基于所述指定路段的所述当前时刻的所述视觉特征和下一时刻的所述轨迹速度特征，预测所述指定路段的下一时刻的路况，包括：将所述指定路段的所述当前时刻的所述视觉特征和下一时刻的所述轨迹速度特征进行融合，得到融合特征；基于所述融合特征，采用预先训练的所述路况预测模型中的路况预测模块，预测所述指定路段的下一时刻的路况。9.根据权利要求8所述的方法，其中，将所述指定路段的所述当前时刻的所述视觉特征和下一时刻的所述轨迹速度特征进行融合，得到融合特征，包括：采用预先训练的所述路况预测模型中的融合模块，将所述指定路段的所述当前时刻的所述视觉特征和下一时刻的所述轨迹速度特征进行融合，得到所述融合特征。10.一种路况预测模型的训练方法，包括：采集多条训练数据，各条所述训练数据包括训练路段的第t时刻的街景图像、第t时刻以及第t时刻之前连续的多个历史时刻所述训练路段上的车辆的训练轨迹速度、以及所述训练路段的第t+1时刻的真实轨迹速度和真实路况标签；对于各所述训练数据，基于所述训练数据中的所述训练路段的第t时刻的所述街景图像，挖掘所述训练路段的所述第t时刻的视觉特征；对于各所述训练数据，基于所述第t时刻以及所述第t时刻之前连续的多个历史时刻、所述训练路段上的车辆的训练轨迹速度，挖掘所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征；采用各所述训练数据对应的所述训练路段的所述第t时刻的视觉特征、所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征、以及所述训练路段的所述第t+1时刻的所述真实轨迹速度和所述真实路况标签，对所述路况预测模型进行训练。11.根据权利要求10所述的方法，其中，采用各所述训练数据对应的所述训练路段的所述第t时刻的视觉特征、所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征、以及所述训练路段的所述第t+1时刻的所述真实轨迹速度和所述真实路况标签，对所述路况预测模型进行训练，包括：对于各所述训练数据，基于所述训练数据对应的所述训练路段的所述第t时刻的视觉特征、所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征，采用所述路况预测模型预测所述训练路段的所述第t+1时刻的预测路况标签的预测概率；对于各所述训练数据，根据所述训练数据对应的所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征，基于所述轨迹预测模块，预测所述训练路段的所述第t+1时刻的预测轨迹速度；基于所述训练路段的所述第t+1时刻的所述预测路况标签的预测概率、所述预测轨迹速度、以及所述第t+1时刻的所述真实轨迹速度和所述真实路况标签，构建损失函数；
若所述损失函数不收敛，调整所述路况预测模型的参数。12.根据权利要求11所述的方法，其中，对于各所述训练数据，基于所述训练数据对应的所述训练路段的所述第t时刻的视觉特征、所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征，采用所述路况预测模型，预测所述训练路段的所述第t+1时刻的预测路况标签的预测概率，包括：对于各所述训练数据，基于所述训练数据对应的所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征，采用所述路况预测模型中的轨迹预测模块预测的所述训练路段的所述第t+1时刻的轨迹速度特征；采用所述路况预测模型中的融合模块，将所述训练数据对应的所述训练路段的所述第t时刻的视觉特征和所述第t+1时刻的轨迹速度特征融合，得到训练融合特征；基于所述训练融合特征，采用所述路况预测模型中的路况预测模块预测所述训练路段的所述第t+1时刻的所述预测路况标签的预测概率。13.根据权利要求11所述的方法，其中，对于各所述训练数据，根据所述训练数据对应的所述训练路段的所述第t时刻以及各所述历史时刻的训练轨迹速度特征，基于所述轨迹预测模块，预测所述训练路段的所述第t+1时刻的预测轨迹速度，包括：在所述轨迹预测模块后串接全连接层，构建速度预测模型；对于...

【专利技术属性】
技术研发人员：夏德国，黄际洲，刘希岩，张伟，王海峰，
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：