模型训练方法、数据处理方法、预测方法及装置、设备制造方法及图纸

本公开提供了模型训练方法、数据处理方法、预测方法及装置、设备，涉及数据处理技术领域，尤其涉及人工智能和智能交通领域。具体实现方案为：将目标流量数据输入至预设补全模型，得到目标路口的N个目标流向在T个时间段内的目标预估全历史流量数据，其中，所述目标流量数据为所述目标路口的N个目标流向在T个时间段内的部分历史流量数据；所述预设补全模型用于对缺失的历史流量数据进行数据补全；所述N为大于等于1的自然数；所述T为大于等于2的自然数；基于所述目标预估全历史流量数据与真实全历史流量数据所构建的第一损失函数，对所述预设补全模型进行模型训练；在模型训练完成的情况下，得到目标补全模型。得到目标补全模型。得到目标补全模型。

【技术实现步骤摘要】
模型训练方法、数据处理方法、预测方法及装置、设备


[0001]本公开涉及数据处理
，尤其涉及人工智能和智能交通。

技术介绍

[0002]现有智慧信控场景包含三个层面，分别为感知，认知和决策。其中，感知是指对交通态势的检测，认知是指在感知基础上，对未来交通态势的估计，决策是指在认知的基础上实现对交通信号控制系统，比如信号灯的配时进行控制。可以理解的是，认知作为承上启下的一环，在智慧信控场景中起到至关重要的作用，而交通流量数据的预测是认知层面的一个核心问题。但是，现有预测场景中，常会出现历史流量数据缺失的问题，因此，必然为交通流量数据的精确预测带来了难度。

技术实现思路

[0003]本公开提供了一种模型训练方法、数据处理方法、预测方法及装置、设备。
[0004]根据本公开的一方面，提供了模型训练方法，包括：
[0005]将目标流量数据输入至预设补全模型，得到目标路口的N个目标流向在T个时间段内的目标预估全历史流量数据，其中，所述目标流量数据为所述目标路口的N个目标流向在T个时间段内的部分历史流量数据；所述预设补本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，包括：将目标流量数据输入至预设补全模型，得到目标路口的N个目标流向在T个时间段内的目标预估全历史流量数据，其中，所述目标流量数据为所述目标路口的N个目标流向在T个时间段内的部分历史流量数据；所述预设补全模型用于对缺失的历史流量数据进行数据补全；所述N为大于等于1的自然数；所述T为大于等于2的自然数；基于所述目标预估全历史流量数据与真实全历史流量数据所构建的第一损失函数，对所述预设补全模型进行模型训练；在模型训练完成的情况下，得到目标补全模型。2.根据权要求1所述的方法，其中，所述目标预估全历史流量数据包括第t时间段内所对应的第t目标流量数据；其中，所述t目标流量数据至少包含所述N个目标流向中第i个目标流向、在第t时间段内所对应的目标流量数据；所述t为大于等于1且小于等于T
‑
1的自然数；所述i为大于等于1且小于等于N的自然数；其中，在所述目标流量数据中存在第t时间段内所对应的第t真实历史流量数据的情况下，所述第t目标流量数据为所述第t真实历史流量数据；所述第t真实历史流量数据至少包含所述N个目标流向中第i个目标流向、在第t时间段内的历史流量数据；在所述目标流量数据中不存在所述第t真实历史流量数据的情况下，所述第t目标流量数据为所述预设补全模型输出的第t预估历史流量数据；第t预估历史流量数据至少包括所述N个目标流向中第i个目标流向、在第t时间段内的预估历史流量数据。3.根据权要求2所述的方法，还包括：基于下述步骤得到第t+1预估历史流量数据或第t
‑
1预估历史流量数据：将第t目标流量数据输入至所述预设补全模型，得到第t+1预估历史流量数据或第t
‑
1预估历史流量数据。4.根据权要求3所述的方法，其中，在所述目标流量数据中不存在第t真实历史流量数据的情况下，所述将第t目标流量数据输入至所述预设补全模型，得到第t+1预估历史流量数据或第t
‑
1预估历史流量数据，包括：将第t目标流量数据输入至所述预设补全模型中的第一网络，得到所述第t目标流量数据对应的第t空间流量特征；所述第一网络用于提取空间流量特征；基于第t空间流量特征和第t预估历史流量数据，得到第t融合流量特征；至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征；所述第二网络用于提取时序流量特征；基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据。5.根据权要求4所述的方法，其中，所述第二网络为单向长短期记忆LSTM网络，所述单向LSTM网络包含前向传导的T个第一LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；所述至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据，包括：将所述第t融合流量特征以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，
输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于所述第t前向时序流量特征，得到第t+1预估历史流量数据；或者，所述单向LSTM网络包含反向传导的T个第二LSTM单元；其中，在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到第t
‑
1预估历史流量数据，包括：将所述第t融合流量特征以及所述第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到第t
‑
1预估历史流量数据。6.根据权要求4所述的方法，其中，所述第二网络为双向LSTM网络，所述双向LSTM网络包括前向传导子网络和反向传导子网络；所述前向传导子网络中包含有T个第一LSTM单元；所述反向传导子网络中包含有T个第二LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据，包括：将所述第t融合流量特征以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于第t前向时序流量特征，得到第t+1前向预估历史流量数据；将所述第t融合流量特征以及第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到所述第t
‑
1反向预估历史流量数据。7.根据权要求4
‑
6任一项所述的方法，其中，所述基于第t空间流量特征和所述第t预估历史流量数据，得到第t融合流量特征，包括：对第t空间流量特征和所述第t预估历史流量数据进行加权处理，得到所述第t融合流量特征，其中，所述第t空间流量特征对应第一权重，所述第t预估历史流量数据对应第二权重，所述第一权重和第二权重为所述预设补全模型中待训练的参数。8.根据权要求7所述的方法，其中，所述对所述预设补全模型进行模型训练，包括：对预设补全模型中待训练的以下至少之一参数进行调整：所述第一网络中待训练的参数；所述第二网络中待训练的参数；
所述第一权重；所述第二权重。9.根据权要求3所述的方法，在所述目标流量数据中存在第t真实历史流量数据的情况下，所述将第t目标流量数据输入至所述预设补全模型，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据，包括：至少将所述第t目标流量数据输入至所述预设补全模型中的第二网络，得到第t时序流量特征；所述第二网络用于提取时序流量特征；基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据。10.根据权要求9所述的方法，其中，所述第二网络为单向LSTM网络，所述单向LSTM网络包含前向传导的T个第一LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；所述至少将所述第t目标流量数据输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据，包括：将所述第t目标流量数据以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于所述第t前向时序流量特征，得到所述第t+1预估历史流量数据；或者，所述单向LSTM网络包含反向传导的T个第二LSTM单元；其中，在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t目标流量数据输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到第t
‑
1预估历史流量数据，包括：将所述第t目标流量数据以及所述第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到第t
‑
1预估历史流量数据。11.根据权要求9所述的方法，其中，所述第二网络为双向LSTM网络，所述双向LSTM网络包括前向传导子网络和反向传导子网络；所述前向传导子网络中包含有T个第一LSTM单元；所述反向传导子网络中包含有T个第二LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t目标流量数据输入至预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流
量数据，包括：将所述第t目标流量数据以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于第t前向时序流量特征，得到第t+1前向预估历史流量数据；将所述第t目标流量数据以及第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到所述第t
‑
1反向预估历史流量数据。12.根据权要求6或11所述的方法，其中，所述目标预估全历史流量数据包括：前向预估全历史流量数据和反向预估全历史流量数据；其中，所述前向预估全历史流量数据包括所述第t+1前向预估历史流量数据；所述反向预估全历史流量数据包括所述第t
‑
1反向预估历史流量数据。13.根据权要求12所述的方法，其中，所述第一损失函数包括第一损失部分和第二损失部分；或者，所述第一损失函数包括第一损失部分、第二损失部分和第三损失部分；其中，所述第一损失部分用于表征前向预估全历史流量数据与真实全历史流量数据之间的差异程度；所述第二损失部分用于表征反向预估全历史流量数据与真实全历史流量数据之间的差异程度；所述第三损失部分用于表征前向预估全历史流量数据与反向预估全历史流量数据之前的差异程度。14.一种数据处理方法，包括：将待处理历史流量数据，输入至目标补全模型；其中，所述待处理历史流量数据为目标路口的N个目标流向在T个时间段内的部分历史流量数据；所述目标补全模型是基于权利要求1至13任一项所述的模型训练方法训练所得；所述N为大于等于1的自然数；所述T为大于等于2的自然数；得到目标全历史流量数据，所述目标全历史流量数据为所述目标路口的N个目标流向在T个时间段内的全部历史流量数据。15.根据权要求14所述的方法，其中，所述目标全历史流量数据包括第t时间段内所对应的第t流量数据；所述t为大于等于1小于等于T
‑
1的自然数；其中，在所述待处理历史流量数据中存在第t时间段内所对应的第t真实历史流量数据的情况下，所述第t流量数据为第t真实历史流量数据；在所述待处理历史流量数据中不存在所述第t真实历史流量数据的情况下，所述第t流量数据为所述目标补全模型输出的第t目标预估历史流量数据。16.根据权要求14或15所述的方法，还包括：至少基于所述目标全历史流量数据，对所述目标路口进行交通信号控制。17.一种模型训练方法，包括：将目标流量数据输入至预设总模型；其中，所述目标流量数据为目标路口的N个目标流向在T个时间段内的部分历史流量数据；所述预设总模型包括预设补全模型和预设预测模型，其中，所述预设补全模型用于对缺失的历史流量数据进行数据补全；所述预设预测模型用基于补全后的全历史流量数据进行预测；
得到目标路口的N个目标流向在第T+1个时间段内的第T+1预测全流量数据；基于目标损失函数对所述预设总模型中的预设补全模型以及预设预测模型进行联合训练；所述目标损失函数基于第T+1预测全流量数据与第T+1真实全流量数据构建所得；在联合训练完成的情况下，得到所述目标总模型，所述目标总模型包括目标预测模型和目标补全模型。18.根据权要求17所述的方法，其中，所述将目标流量数据输入至预设总模型，得到目标路口的N个目标流向在第T+1个时间段内的第T+1预测全流量数据，包括：将目标流量数据输入所述预设补全模型，得到目标路口的N个目标流向在T个时间段内的目标预估全历史流量数据；至少将所述目标预估全历史流量数据，输入至所述预设预测模型，得到所述第T+1预测全流量数据；其中，所述目标损失函数是基于第一损失函数与第二损失函数所得；所述第一损失函数是基于所述目标预估全历史流量数据与真实全历史流量数据所构建得到；所述第二损失函数是基于所述第T+1预测全流量数据与第T+1真实全流量数据构建得到。19.根据权要求18所述的方法，其中，所述至少将所述目标预估全历史流量数据，输入至所述预设预测模型，得到所述第T+1预测全流量数据，包括：将所述目标预估全历史流量数据以及所述目标路口的特征信息，输入至预设预测模型，得到所述目标路口的N个目标流向在第T+1个时间段内的第T+1预测全流量数据，所述预设预测模型还用于基于所述目标路口的特征信息以及补全后的全历史流量数据进行预测。20.根据权要求18或19所述的方法，其中，所述目标损失函数是对第一损失函数与第二损失函数进行加权处理后所得；所述第一损失函数对应第三权重，第二损失函数对应第四权重；所述第三权重和第四权重中的至少之一为联合训练所需训练的参数。21.根据权要求18所述的方法，其中，所述目标预估全历史流量数据包括第t时间段内所对应的第t目标流量数据；其中，所述t目标流量数据至少包含所述N个目标流向中第i个目标流向、在第t时间段内所对应的目标流量数据；所述t为大于等于1且小于等于T
‑
1的自然数；所述i为大于等于1且小于等于N的自然数；其中，在所述目标流量数据中存在第t时间段内所对应的第t真实历史流量数据的情况下，所述第t目标流量数据为所述第t真实历史流量数据；所述第t真实历史流量数据至少包含所述N个目标流向中第i个目标流向、在第t时间段内的历史流量数据；在所述目标流量数据中不存在所述第t真实历史流量数据的情况下，所述第t目标流量数据为所述预设补全模型输出的第t预估历史流量数据；第t预估历史流量数据至少包括所述N个目标流向中第i个目标流向、在第t时间段内的预估历史流量数据。22.根据权要求21所述的方法，还包括：基于下述步骤得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据：将第t目标流量数据输入至所述预设补全模型，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据。23.根据权要求22所述的方法，其中，在所述目标流量数据中不存在第t真实历史流量数据的情况下，所述将第t目标流量数据输入至所述预设补全模型，得到所述第t+1预估历
史流量数据或第t
‑
1预估历史流量数据，包括：将第t目标流量数据输入至所述预设补全模型中的第一网络，得到所述第t目标流量数据对应的第t空间流量特征；所述第一网络用于提取空间流量特征；基于第t空间流量特征和第t预估历史流量数据，得到第t融合流量特征；至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征；所述第二网络用于提取时序流量特征；基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据。24.根据权要求23所述的方法，其中，所述第二网络为单向LSTM网络，所述单向LSTM网络包含前向传导的T个第一LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；所述至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据，包括：将所述第t融合流量特征以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于所述第t前向时序流量特征，得到第t+1预估历史流量数据；或者，所述单向LSTM网络包含反向传导的T个第二LSTM单元；其中，在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到第t
‑
1预估历史流量数据，包括：将所述第t融合流量特征以及所述第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到第t
‑
1预估历史流量数据。25.根据权要求23所述的方法，其中，所述第二网络为双向LSTM网络，所述双向LSTM网络包括前向传导子网络和反向传导子网络；所述前向传导子网络中包含有T个第一LSTM单元；所述反向传导子网络中包含有T个第二LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t融合流量特征输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据，包括：
将所述第t融合流量特征以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于第t前向时序流量特征，得到第t+1前向预估历史流量数据；将所述第t融合流量特征以及第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到所述第t
‑
1反向预估历史流量数据。26.根据权要求23
‑
25任一项所述的方法，其中，所述基于第t空间流量特征和所述第t预估历史流量数据，得到第t融合流量特征，包括：对第t空间流量特征和所述第t预估历史流量数据进行加权处理，得到所述第t融合流量特征，其中，所述第t空间流量特征对应第一权重，所述第t预估历史流量数据对应第二权重，所述第一权重和第二权重为所述预设补全模型中待训练的参数。27.根据权要求26所述的方法，其中，对预设总模型中的预设补全模型以及预设预测模型进行联合训练，包括：对所述预设补全模型中待训练的参数以及预设预测模型中待训练的参数进行调整；其中，所述预设补全模型中待训练的参数包括以下至少之一：所述第一网络中待训练的参数；所述第二网络中待训练的参数；所述第一权重；所述第二权重。28.根据权要求22所述的方法，在所述目标流量数据中存在第t真实历史流量数据的情况下，所述将第t目标流量数据输入至所述预设补全模型，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据，包括：至少将所述第t目标流量数据输入至所述预设补全模型中的第二网络，得到第t时序流量特征；所述第二网络用于提取时序流量特征；基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据。29.根据权要求28所述的方法，其中，所述第二网络为单向LSTM网络，所述单向LSTM网络包含前向传导的T个第一LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；所述至少将所述第t目标流量数据输入至所述预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据，包括：将所述第t目标流量数据以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于所述第t前向时序流量特征，得到所述第t+1预估历史流量数据；或者，所述单向LSTM网络包含反向传导的T个第二LSTM单元；其中，在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t目标流量数据输入至所述预设补全模型中的第二网络，得
到第t时序流量特征，基于所述第t时序流量特征，得到第t
‑
1预估历史流量数据，包括：将所述第t目标流量数据以及所述第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到第t
‑
1预估历史流量数据。30.根据权要求28所述的方法，其中，所述第二网络为双向LSTM网络，所述双向LSTM网络包括前向传导子网络和反向传导子网络；所述前向传导子网络中包含有T个第一LSTM单元；所述反向传导子网络中包含有T个第二LSTM单元；其中，所述T个第一LSTM单元中第t
‑
1个第一LSTM单元的输出结果，作为第t个第一LSTM单元的输入；所述第t个第一LSTM单元的输出结果，作为第t+1个第一LSTM单元的输入；在t为大于等于2小于等于T
‑
1的自然数的情况下，所述T个第二LSTM单元中第t+1个第二LSTM单元的输出结果，作为第t个第二LSTM单元的输入；所述第t个第二LSTM单元的输出结果，作为第t
‑
1个第二LSTM单元的输入；在t取值为1的情况下，所述第0个第二LSTM单元的输出结果，作为第T
‑
1个第二LSTM单元的输入；所述至少将所述第t目标流量数据输入至预设补全模型中的第二网络，得到第t时序流量特征，基于所述第t时序流量特征，得到所述第t+1预估历史流量数据或第t
‑
1预估历史流量数据，包括：将所述第t目标流量数据以及第t
‑
1个第一LSTM单元输出的第t
‑
1前向时序流量特征，输入至所述第t个第一LSTM单元，得到第t前向时序流量特征；基于第t前向时序流量特征，得到第t+1前向预估历史流量数据；将所述第t目标流量数据以及第t+1个第二LSTM单元输出的第t+1反向时序流量特征，输入至所述第t个第二LSTM单元，得到第t反向时序流量特征；基于所述第t反向时序流量特征，得到所述第t
‑
1反向预估历史流量数据。31.根据权要求25或30所述的方法，其中，所述目标预估全历史流量数据包括：前向预估全历史流量数据和反向预估全历史流量数据；其中，所述前向预估全历史流量数据包括所述第t+1前向预估历史流量数据；所述反向预估全历史流量数据包括所述第t
‑
1反向预估历史流量数据。32.根据权要求31所述的方法，其中，所述第一损失函数包括第一损失部分和第二损失部分；或者，所述第一...

【专利技术属性】
技术研发人员：张乐，明靖祠，梅雨，田楚杰，窦晓钦，凌玮岑，祝恒书，熊辉，陈尚义，
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：