【技术实现步骤摘要】
本申请涉及数据处理，具体涉及一种神经网络训练方法、交通仿真方法及装置。
技术介绍
1、目前，汽车已称为人们出现的重要交通工具，道路上的车辆也越来越多。这也带来了道路资源紧张，道路拥堵等问题。为了解决这些问题，需要进行交通管理。在传统方案中，往往根据日常经验，来进行交通管理。该管理方式比较简单粗放，可能出现道路资源缓解有限或者道路资源浪费等情况。
2、可以通过交通仿真技术，利用道路上相关设备采集到的交通流量数据，来预测道路上未来的交通状态，以求帮助决策者制定出精准的交通管理方案。但是，目前的交通仿真技术，预测准确率较低，对决策者帮助有限。
技术实现思路
1、本申请实施例提供了一种神经网络训练方法、交通仿真方法及装置，可以得到较高的交通状态预测准确率。
2、第一方面，提供了一种神经网络训练方法，该神经网络被包含于交通仿真系统，交通仿真系统还包含交通仿真模型，该方法包括：获取路段的边缘设备在第一时间段监测到的历史流量数据；利用该神经网络，对历史流量数据进行校正，得到背景流量数据；在交通仿真模型中，基于背景流量数据，预测路段在第二时间段的仿真交通状态，第二时间段晚于第一时间段；确定仿真交通状态和路段在第二时间段的真实交通状态之间的差异；朝着差异减少的方向，更新该神经网络的参数。
3、该方法利用神经网络对历史流量数据进行校正，再将校正后的历史流量数据输入到交通仿真模型，使得交通仿真模型使用校正后的历史流量数据预测仿真交通状态。然后，以仿真交通状态和真实交通
4、在一种可能的实现方式中，历史流量数据包括多个数据集，多个数据集和第一时间段中的多个子时间段一一对应，或者，多个数据集和路段中的多个子路段一一对应；利用神经网络，对历史流量数据进行校正，得到背景流量数据包括：利用神经网络，将每n个数据集中不同数据集的特征进行融合，得到背景流量数据，n个数据集属于多个数据集，且n为大于1的整数。
5、在该实现方式中，可以将不同子路段或不同子时间段的数据特征进行融合，使得子路段或子时间段的数据中包含其他子路段或子时间段的特征，由此，使得交通仿真模型可以更准确地提取出数据特征，进而提高预测准确率。
6、在一种可能的实现方式中，该路段包括多个子路段，多个子路段分别对应预设的权重，仿真交通状态包括多个子路段的仿真交通状态，真实交通状态包括多个子路段的真实交通状态；确定仿真交通状态和路段在第二时间段的真实交通状态之间的差异包括：基于子路段的仿真交通状态和子路段的真实交通状态，得到子路段的仿真误差；至少基于多个子路段的仿真误差和多个子路段对应的权重，得到差异。其中，受关注子路段的权重大于其他子路段的权重。
7、在该实现方式中，在计算仿真交通状态和真实交通状态之间的差异时，可以重点考虑受关注子路段的差异，从而使得神经网络在校正历史流量数据，可以更关注子路段的流量数据的特征，进一步地使得交通仿真模型可以对受关注子路段的交通状态的预测准确率。
8、在一种可能的实现方式中，至少基于多个子路段的仿真误差和多个子路段对应的权重，得到差异包括：基于多个子路段的仿真误差和多个子路段对应的权重，得到权重误差；基于权重误差和仿真误差，得到差异。
9、在该实现方式中，将考虑各子路段权重时误差和不考虑路段权重时的误差融合，得到用于训练神经网络的差异，可以提高神经网络的泛化性
10、在一种可能的实现方式中，第二时间段包括多个第一子时间段，多个子时间段分别对应预设的权重，仿真交通状态包括路段在多个子时间段的仿真交通状态，真实交通状态包括路段在多个子时间段的仿真交通状态；确定仿真交通状态和路段在第二时间段的真实交通状态之间的差异包括：基于路段在子时间段的仿真交通状态和在子时间段的真实交通状态，得到路段在子时间段的仿真误差；至少基于路段在多个子时间段的仿真误差和多个子时间段对应的权重，得到差异。
11、在该实现方式中，在计算仿真交通状态和真实交通状态之间的差异时，可以重点考虑受关注子时间段的差异，从而使得神经网络在校正历史流量数据，可以更关注子时间段的流量数据的特征，进一步地使得交通仿真模型可以对受关注子时间段的交通状态的预测准确率。
12、在一种可能的实现方式中，至少基于路段在多个子时间段的仿真误差和多个子时间段对应的权重，得到差异包括：基于路段在多个子时间段的仿真误差和多个子时间段对应的权重，得到权重误差；基于权重误差和仿真误差，得到差异。
13、在该实现方式中，将考虑各子时间段权重时误差和不考虑子时间段权重时的误差融合，得到用于训练神经网络的差异，可以提高神经网络的泛化性
14、在一种可能的实现方式中，真实交通状态是边缘设备在第二时间段内采集到。
15、在该实现方式中，用于预测仿真交通状态的数据和用于表征真实交通状态的数据由相同的边缘设备采集得到，从而可以提高训练数据和真值数据之间的一致性。
16、第二方面，提供了一种交通仿真方法，该方法包括：获取路段上的边缘设备在第三时间段监测到的历史流量数据；利用神经网络，对历史流量数据进行校正，得到背景流量数据，神经网络由第一方面所提供的方法训练得到；在交通仿真模型中，基于背景流量数据，预测路段在第四时间段的仿真交通状态，第四时间段晚于第三时间段。
17、该方法利用神经网络对历史流量数据进行校正，再将校正后的历史流量数据输入到交通仿真模型，使得交通仿真模型使用校正后的历史流量数据预测仿真交通状态，可以预测出更准确的交通状态。
18、第三方面，提供了一种神经网络训练装置，该装置包括：获取模块，用于获取路段的边缘设备在第一时间段监测到的历史流量数据；校正模块，利用神经网络，对历史流量数据进行校正，得到背景流量数据；预测模块，用于在交通仿真模型中，基于背景流量数据，预测路段在第二时间段的仿真交通状态，第二时间段晚于第一时间段；确定模块，用于确定仿真交通状态和路段在第二时间段的真实交通状态之间的差异；更新模块，用于朝着差异减少的方向，更新神经网络的参数。
19、在一种可能的实现方式中，历史流量数据包括多个数据集，多个数据集和第一时间段中的多个子时间段一一对应，或者，多个数据集和路段中的多个子路段一一对应；校正模块用于：利用神经网络，将每n个数据集中不同数据集的特征进行融合，得到背景流量数据，n个数据集属于多个数据集，且n为大于1的整数。
20、在一种可能的实现方式中，路段包括多个子路段，多个子路段分别对应预设的权重，仿真交通状态包括多个子路段的仿真交通状态，真实交通状态包括多个子路段的真实交通状态；确定模块用于：基于子路段的仿真交通状态和子路段的真实交通状态，得到子路段的仿真误差；至少基于多个子路段的仿真误差和本文档来自技高网...
【技术保护点】
1.一种神经网络训练方法，其特征在于，所述神经网络被包含于交通仿真系统，所述交通仿真系统还包含交通仿真模型，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述历史流量数据包括多个数据集，所述多个数据集和所述第一时间段中的多个子时间段一一对应，或者，所述多个数据集和所述路段中的多个子路段一一对应；
3.根据权利要求1或2所述的方法，其特征在于，所述路段包括多个子路段，所述多个子路段分别对应预设的权重，所述仿真交通状态包括所述多个子路段的仿真交通状态，所述真实交通状态包括所述多个子路段的真实交通状态；
4.根据权利要求3所述的方法，其特征在于，所述至少基于多个子路段的所述仿真误差和所述多个子路段对应的权重，得到所述差异包括：
5.根据权利要求1或2所述的方法，其特征在于，所述第二时间段包括多个第一子时间段，所述多个子时间段分别对应预设的权重，所述仿真交通状态包括所述路段在所述多个子时间段的仿真交通状态，所述真实交通状态包括所述路段在所述多个子时间段的仿真交通状态；
6.根据权利要求5所述的方法，其特征在于，所述至
7.根据权利要求1-6任一项所述的方法，其特征在于，所述真实交通状态是所述边缘设备在所述第二时间段内采集到。
8.一种交通仿真方法，其特征在于，所述方法包括：
9.一种神经网络训练装置，其特征在于，所述装置包括：
10.根据权利要求9所述的装置，其特征在于，所述历史流量数据包括多个数据集，所述多个数据集和所述第一时间段中的多个子时间段一一对应，或者，所述多个数据集和所述路段中的多个子路段一一对应；
11.根据权利要求9或10所述的装置，其特征在于，所述路段包括多个子路段，所述多个子路段分别对应预设的权重，所述仿真交通状态包括所述多个子路段的仿真交通状态，所述真实交通状态包括所述多个子路段的真实交通状态；
12.根据权利要求11所述的装置，其特征在于，所述确定模块用于：
13.根据权利要求9或10所述的装置，其特征在于，所述第二时间段包括多个第一子时间段，所述多个子时间段分别对应预设的权重，所述仿真交通状态包括所述路段在所述多个子时间段的仿真交通状态，所述真实交通状态包括所述路段在所述多个子时间段的仿真交通状态；
14.根据权利要求13所述的装置，其特征在于，所述确定模块用于包括：
15.根据权利要求9-14任一项所述的装置，其特征在于，所述真实交通状态是所述边缘设备在所述第二时间段内采集到。
16.一种交通仿真装置，其特征在于，所述装置包括：
17.一种计算设备集群，其特征在于，包括至少一个计算设备，每个计算设备包括处理器和存储器；
18.一种包含指令的计算机程序产品，其特征在于，当所述指令被计算设备集群运行时，使得所述计算设备集群执行如权利要求1-7任一项所述的方法或者如权利要求8所述的方法。
19.一种计算机可读存储介质，其特征在于，包括计算机程序指令，当所述计算机程序指令由计算设备集群执行时，所述计算设备集群执行如权利要求1-7任一项所述的方法或者如权利要求8所述的方法。
...【技术特征摘要】
1.一种神经网络训练方法，其特征在于，所述神经网络被包含于交通仿真系统，所述交通仿真系统还包含交通仿真模型，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述历史流量数据包括多个数据集，所述多个数据集和所述第一时间段中的多个子时间段一一对应，或者，所述多个数据集和所述路段中的多个子路段一一对应；
3.根据权利要求1或2所述的方法，其特征在于，所述路段包括多个子路段，所述多个子路段分别对应预设的权重，所述仿真交通状态包括所述多个子路段的仿真交通状态，所述真实交通状态包括所述多个子路段的真实交通状态；
4.根据权利要求3所述的方法，其特征在于，所述至少基于多个子路段的所述仿真误差和所述多个子路段对应的权重，得到所述差异包括：
5.根据权利要求1或2所述的方法，其特征在于，所述第二时间段包括多个第一子时间段，所述多个子时间段分别对应预设的权重，所述仿真交通状态包括所述路段在所述多个子时间段的仿真交通状态，所述真实交通状态包括所述路段在所述多个子时间段的仿真交通状态；
6.根据权利要求5所述的方法，其特征在于，所述至少基于所述路段在所述多个子时间段的仿真误差和所述多个子时间段对应的权重，得到所述差异包括：
7.根据权利要求1-6任一项所述的方法，其特征在于，所述真实交通状态是所述边缘设备在所述第二时间段内采集到。
8.一种交通仿真方法，其特征在于，所述方法包括：
9.一种神经网络训练装置，其特征在于，所述装置包括：
10.根据权利要求9所述的装置，其特征在于，所述历史流量数据包括多个数据集，...
【专利技术属性】
技术研发人员：金智点秋，
申请(专利权)人：华为云计算技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。