交通状态预测方法、装置、电子设备及存储介质制造方法及图纸

本公开提出了一种交通状态预测方法、装置、电子设备及存储介质，涉及人工智能及深度学习技术领域。其中，方法包括：获取待测道路路口在历史时间窗口内各个交通信号周期的交通状态数据；根据交通状态数据，确定引入时间间隔的交通状态序列；根据交通状态序列，获取时间感知参数序列；时间感知参数序列的长度与交通状态序列长度一致；根据时间感知参数序列和交通状态序列，获取在历史时间窗口内的交通状态表达；根据交通状态表达，预测在未来时间窗口内各个交通信号周期的交通状态预测数据；其中，历史时间窗口与未来时间窗口在时间上为连续的。续的。续的。

【技术实现步骤摘要】
交通状态预测方法、装置、电子设备及存储介质


[0001]本公开涉及数据处理
，具体涉及人工智能及深度学习
，尤其涉及一种交通状态预测方法、装置、电子设备及存储介质。

技术介绍

[0002]智能交通信号控制系统(Intelligent Traffic Signal Control System，ITSCS)是促进自动驾驶发展不可或缺的基础设施之一。通过车路协同(Vehicle
‑
to
‑
Infrastructure，V2I)通信技术，ITSCS可以为自动驾驶汽车提供交通信号状态和周围交通环境等关键信息。
[0003]其中，ITSCS的重要能力之一是预测由智能交通信号控制的路口的交通状态，准确预测路口交通状态对于自动驾驶车辆的具有远见的路径规划和导航决策至关重要。

技术实现思路

[0004]本公开提供了一种交通状态预测方法、装置、电子设备及存储介质。
[0005]根据本公开的第一方面，提供了一种交通状态预测方法，包括：
[0006]获取待测道路路口在历史时间窗口本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通状态预测方法，包括：获取待测道路路口在历史时间窗口内各个交通信号周期的交通状态数据；根据所述交通状态数据，确定引入时间间隔的交通状态序列；根据所述交通状态序列，获取时间感知参数序列；所述时间感知参数序列的长度与所述交通状态序列长度一致；根据所述时间感知参数序列和所述交通状态序列，获取在所述历史时间窗口内的交通状态表达；根据所述交通状态表达，预测在未来时间窗口内各个交通信号周期的交通状态预测数据；其中，所述历史时间窗口与所述未来时间窗口在时间上为连续的。2.根据权利要求1所述的方法，其中，所述交通状态数据包括每个所述交通信号周期的车流量和时长。3.根据权利要求1所述的方法，其中，所述根据所述交通状态数据，确定引入时间间隔的交通状态序列，包括：确定每个所述交通信号周期结束时与所述历史时间窗口结束时之间的时间间隔；根据每个所述时间间隔，确定对应的时间编码；将所述交通状态数据与所述时间编码进行拼接，以获得所述交通状态序列。4.根据权利要求3所述的方法，其中，所述根据每个所述时间间隔，确定对应的时间编码，包括：确定所述待测道路路口所对应的时间编码函数；其中，所述时间编码函数为周期性的函数；基于所述时间编码函数，确定与每个所述时间间隔所对应的时间编码。5.根据权利要求1所述的方法，其中，所述根据所述交通状态序列，获取时间感知参数序列，包括：将所述交通状态序列中的每个元素依次进行数据转换，以获取所述时间感知参数序列。6.根据权利要求1所述的方法，其中，所述根据所述时间感知参数序列和所述交通状态序列，获取在所述历史时间窗口内的交通状态表达，包括：将所述时间感知参数序列中各元素进行归一化处理，获取时间感知卷积参数序列；基于所述时间感知卷积参数序列，对所述交通状态序列进行卷积操作，以获取所述交通状态表达。7.根据权利要求2所述的方法，其中，所述根据所述交通状态表达，预测在未来时间窗口内各个交通信号周期的交通状态预测数据，包括：根据第i交通隐含状态和第i流逝时间，获取演变的第i+1交通隐含状态；其中，i为大于等于0的整数，且当i＝0时，所述第i交通隐含状态为所述交通状态表达；根据所述第i+1交通隐含状态、所述第i流逝时间和所述交通状态表达，获取所述未来时间窗口内的第i+1个预测步长中每个交通信号周期的车流量预测值和时长预测值；根据所述第i+1个预测步长中每个交通信号周期的时长和所述第i流逝时间，确定第i+1流逝时间；若所述第i+1流逝时间小于所述未来时间窗口的时长，将i置为i+1，返回继续执行所述
根据第i交通隐含状态和第i流逝时间的时间编码，获取演变的第i+1交通隐含状态的步骤。8.根据权利要求7所述的方法，还包括：若所述第i+1流逝时间等于或者大于所述未来时间窗口的时长，根据所有预测步长中交通信号周期的车流量预测值和时长预测值，确定所述交通状态预测数据。9.一种交通状态预测方法，包括：获取待测道路路口在历史时间窗口内各个交通信号周期的交通状态数据；根据所述交通状态数据，确定引入时间间隔的交通状态序列；将所述交通状态序列输入至预设的交通状态预测模型中，获取在未来时间窗口内各个交通信号周期的交通状态预测数据。其中，所述历史时间窗口与所述未来时间窗口在时间上为连续的。10.根据权利要求9所述的方法，其中，所述交通状态数据包括每个所述交通信号周期的车流量和时长。11.根据权利要求10所述的方法，其中，所述交通状态预测模型包括时间感知卷积网络和半自回归预测网络；所述将所述交通状态序列输入至预设的交通状态预测模型中，获取在未来时间窗口内各个交通信号周期的交通状态预测数据，包括：将所述交通状态序列输入至所述时间感知卷积网络，获取在所述历史时间窗口内的交通状态表达；将所述交通状态表达输入至所述半自回归预测网络，获取在所述未来时间窗口内的交通状态预测数据。12.根据权利要求11所述的方法，其中，所述时间感知卷积网络包括D个元滤波器和D个时间感知卷积滤波器，D为所述时间感知卷积网络的输出维度；所述将所述交通状态序列输入至所述时间感知卷积网络，获取在所述历史时间窗口内的交通状态表达，包括：将所述交通状态序列输入至所述D个元滤波器，由每个所述元滤波器对所述交通状态序列中的每个元素依次进行数据转换，获取时间感知参数序列；其中，所述时间感知参数序列的长度与所述交通状态序列的长度一致；将所述时间感知参数序列中每个元素进行归一化处理，获取时间感知卷积参数序列；将所述交通状态序列输入至所述D个时间感知卷积滤波器，获取所述交通状态表达；其中，所述D个时间感知卷积滤波器的模型参数为所述时间感知卷积参数序列中的参数。13.根据权利要求11所述的方法，其中，所述半自回归预测网络包括状态演化单元、半自回归预测器和流逝时间模块；所述将所述交通状态表达输入至所述半自回归预测网络，获取在所述未来时间窗口内各个交通信号周期的交通状态预测数据，包括：将第i交通隐含状态和第i流逝时间输入至所述状态演化单元，获取演变的第i+1交通隐含状态；其中，i为大于等于0...

【专利技术属性】
技术研发人员：张韦嘉，张乐，刘浩，韩金栋，周景博，梅雨，田楚杰，熊辉，刘心宽，
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：