一种交通路况预测方法、装置及设备制造方法及图纸

本说明书实施例公开了一种交通路况预测方法，通过从目标路网中确定出目标路段的邻居路段，以获取目标路段与邻居路段的特征参数和在历史时间段内的历史交通路况信息，然后根据目标路段和目标路段的邻居路段的特征参数和历史时间段内的历史交通路况信息去生成目标数据特征，从而便于根据目标数据特征预测目标路段在预设时刻的交通路况信息；由于所述历史时间段为预设时刻之前不同日期中的相同预设时间段，且由于获取的历史交通信息中包括与目标路段具有空间相关性的邻居路段的历史交通信息，从而使得历史交通数据具有时间相关性以及空间相关性，进而可以提高利用交通路况预测模型预测交通路况信息的准确性。模型预测交通路况信息的准确性。模型预测交通路况信息的准确性。

【技术实现步骤摘要】
一种交通路况预测方法、装置及设备


[0001]本申请涉及交通预测
，尤其涉及一种交通路况预测方法、装置及设备。

技术介绍

[0002]实时预测城市交通路况对大数据驱动下的智慧交通系统(Intelligent Traffic System，英文简称ITS)建设至关重要，同时也非常具有挑战性。准确的交通路况预测可以为交通规划、交通管理、交通控制提供科学的见解，并广泛运用于城市道路交通趋势分析，交通模式挖掘、拥堵预测、预计到达时间(EstimatedTime ofArrival，英文简称ETA)预测、路径规划及导航。
[0003]目前交通路况预测方法中，部分学者尝试利用深度学习网络同时针对时间相关性数据以及空间相关性数据进行处理去预测未来交通路况。但由于路网中每个节点聚合邻居节点特征用以深入表达节点之间的交互关系，导致路网空间相关性数据结构复杂，使得常规的深度学习网络，无法同时利用空间相关性数据以及时间相关性数据去实时预测交通路况。而通常仅利用待预测路段的时间相关性交通运行数据(例如，针对待预测路段在待预测时刻前一小时的交通运行数据、前一天针对待预测路段在待预测时刻前一小时的交通运行数据)去预测待预测路段在待预测时刻的交通运行状况，从而导致预测结果不准确。
[0004]基于此，如何提供一种同时利用路网的空间相关性数据以及时间相关性数据，以提高待预测路段在任意时间段的交通路况的预测准确性的方法成为亟待解决的技术问题。

技术实现思路

[0005]本说明书实施例提供一种交通路况预测方法、装置及设备，以解决现有的交通路况预测方法存在的预测结果不准确的问题。
[0006]为解决上述技术问题，本说明书实施例是这样实现的：
[0007]本说明书实施例提供的一种交通路况预测方法，包括：
[0008]针对目标路段，获取在预设时刻的交通路况信息的预测指令；
[0009]响应于所述预测指令，根据所述目标路段以及从目标路网中确定出的所述目标路段的邻居路段，生成路段集合；
[0010]获取所述路段集合中的各个路段的特征参数和在历史时间段内的历史交通路况信息；所述历史时间段为所述预设时刻之前不同日期中的相同预设时间段；
[0011]根据所述特征参数和所述历史交通路况信息，生成目标数据特征；
[0012]根据所述目标数据特征，获取所述目标路段在所述预设时刻的交通路况信息。
[0013]本说明书实施例提供的一种交通路况预测装置，包括：
[0014]预测指令获取模块，用于针对目标路段，获取在预设时刻的交通路况信息的预测指令；
[0015]路段集合生成模块，用于响应于所述预测指令，根据所述目标路段以及从目标路网中确定出的所述目标路段的邻居路段，生成路段集合；
[0016]参数信息获取模块，用于获取所述路段集合中的各个路段的特征参数和在历史时间段内的历史交通路况信息；所述历史时间段为所述预设时刻之前不同日期中的相同预设时间段；
[0017]目标数据特征生成模块，用于根据所述特征参数和所述历史交通路况信息，生成目标数据特征；
[0018]预测模块，用于根据所述目标数据特征，获取所述目标路段在所述预设时刻的交通路况信息。
[0019]本说明书实施例提供的一种计算机设备，可以包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现上述的交通路况预测方法的步骤。
[0020]本说明书实施例提供的一种计算机可读存储介质，其上存储有计算机程序或指令，所述计算机程序或指令可被处理器执行以实现上述的交通路况预测方法。
[0021]本说明书实施例提供的一种计算机程序产品，可以包括计算机程序或指令，所述计算机程序或指令被处理器执行时实现上述的交通路况预测方法的步骤。
[0022]本说明书中至少一个实施例能够达到以下有益效果：通过从目标路网中确定出目标路段的邻居路段，以获取目标路段以及目标路段的邻居路段的特征参数和在历史时间段内的历史交通路况信息，然后根据目标路段以及目标路段的邻居路段的特征参数和在历史时间段内的历史交通路况信息去生成目标数据特征，从而便于根据所述目标数据特征确定所述目标路段在所述预设时刻的交通路况信息；由于所述历史时间段为待预测的预设时刻之前不同日期中的相同预设时间段，且由于获取的历史交通信息中包括与目标路段具有空间相关性的邻居路段的历史交通信息，从而使得获取的历史交通数据是考虑了时间相关性以及空间相关性的完整数据，进而可以提高针对目标路段预测交通路况信息的准确性。
附图说明
[0023]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有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中记载的一些实施例，对于本领域普通技术人员来讲，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。
[0024]图1是本说明书实施例提供的一种交通路况预测方法在实际应用场景中的整体方案架构示意图；
[0025]图2是本说明书实施例提供的一种交通路况预测方法的流程示意图；
[0026]图3是本说明书实施例提供的一种交通路况预测装置的结构示意图；
[0027]图4是本说明书实施例提供的一种交通路况预测设备的结构示意图。
具体实施方式
[0028]为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有
其他实施例，都属于本说明书一个或多个实施例保护的范围。
[0029]以下结合附图，详细说明本说明书各实施例提供的技术方案。
[0030]现有技术中，部分学者尝试使用图卷积神经网络(Graph Convolutional Network，英文简称GCN)获取路网之间的空间相关性，以便于利用深度学习网络同时针对时间相关性数据以及空间相关性数据进行处理去预测未来交通路况。但由于GCN遵循一种聚合方案，即路网中每个节点聚合邻居节点特征用以深入表达节点之间的交互关系，导致路网空间相关性数据结构复杂，使得常规的深度学习网络，无法同时利用空间相关性数据以及时间相关性数据去实时预测交通路况。而通常仅利用待预测路段的时间相关性交通运行数据(例如，针对待预测路段在待预测时刻前一小时的交通运行数据、前一天针对待预测路段在待预测时刻前一小时的交通运行数据)去预测待预测路段在待预测时刻的交通运行状况，从而导致预测结果不准确。
[0031]为了解决现有技术中的缺陷，本方案给出了以下实施例：
[0032]图1为本说明书实施例中一种交通路况预测方法在实际应用场景中的整体方案架构示意图。如图1所示，在实际应用中，路况预测需求方1可以是需要针对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通路况预测方法，其特征在于，所述方法包括：针对目标路段，获取在预设时刻的交通路况信息的预测指令；响应于所述预测指令，根据所述目标路段以及从目标路网中确定出的所述目标路段的邻居路段，生成路段集合；获取所述路段集合中的各个路段的特征参数和在历史时间段内的历史交通路况信息，所述历史时间段为所述预设时刻之前不同日期中的相同预设时间段；根据所述特征参数和所述历史交通路况信息，生成目标数据特征；根据所述目标数据特征，获取所述目标路段在所述预设时刻的交通路况信息。2.根据权利要求1所述的方法，其特征在于，所述获取所述路段集合中的各个路段的特征参数，具体包括：获取所述路段集合中的各个路段的静态特征数据，所述静态特征数据用于反映所述各个路段的道路属性；所述根据所述特征参数和所述历史交通路况信息，生成目标数据特征，具体包括：根据所述静态特征数据构建交通路况预测所需使用的空间特征矩阵；根据所述历史交通路况信息构建交通路况预测所需使用的时空特征矩阵；通过对所述空间特征矩阵与所述时空特征矩阵进行特征提取，生成目标数据特征。3.根据权利要求2所述的方法，其特征在于，所述获取所述路段集合中的各个路段的特征参数，还包括：获取所述路段集合中的路段在各个历史时间窗口内的环境特征数据；所述历史时间窗口为按照预设的时间间隔针对所述历史时间段进行划分得到的时间窗口；所述根据所述特征参数和所述历史交通路况信息，生成目标数据特征，具体包括：根据各个所述历史时间窗口内的环境特征数据构建交通路况预测所需使用的时间特征矩阵；通过对所述空间特征矩阵、所述时间特征矩阵与所述时空特征矩阵进行特征提取，生成目标数据特征。4.根据权利要求3所述的方法，其特征在于，所述生成目标数据特征，具体包括：针对所述空间特征矩阵与所述时空特征矩阵进行特征拼接，构建交通路况预测所需使用的目标特征矩阵；或，针对所述空间特征矩阵、所述时间特征矩阵与所述时空特征矩阵进行特征拼接，构建交通路况预测所需使用的目标特征矩阵；利用预设数量的单头注意力机制模型分别针对所述目标特征矩阵进行特征提取，得到各个初始数据特征；针对各个所述初始数据特征进行组合，得到目标数据特征。5.根据权利要求4所述的方法，其特征在于，所述针对所述空间特征矩阵、所述时间特征矩阵与所述时空特征矩阵进行特征拼接，构建...

【专利技术属性】
技术研发人员：冯泽邦，杨训伟，马柯，
申请(专利权)人：北京四维图新科技股份有限公司，
类型：发明
国别省市：