【技术实现步骤摘要】
本公开涉及用于预测交通速度的装置及其方法。
技术介绍
1、通常，人工神经网络(ann)是人工智能的一个领域，它是允许机器模拟和学习人类神经结构的算法。近来，ann已被应用于图像识别、速度识别、自然语言处理等以示出优异的效果。ann由用于接收输入的输入层、用于实际进行学习的隐藏层和用于返回计算结果的输出层组成。多个隐藏层被称为深度神经网络(dnn)。dnn是一种ann。
2、ann允许计算机基于数据自行学习。当使用ann解决某个问题时，需要准备的是合适的ann模型和待分析数据。基于数据学习用于解决问题的ann模型。在学习模型之前，需要将数据分成两种类型的工作。换言之，数据应当被划分成训练数据集和验证数据集。训练数据集用于训练模型，并且验证数据集用于验证模型的性能。
3、存在验证ann模型的若干原因。ann开发者基于验证模型的结果来校正模型的超参数以调整模型。此外，验证模型以在若干模型中选择哪个模型是合适的。将详细描述需要模型验证的原因。
4、首先，预测准确度。ann的目的是在不用于训练的采样外数据上实现良好的性能。因此，在创建模型之后，验证模型将对采样外数据执行得多好是必要的。然而，因为不应当使用训练数据集验证模型，所以应当使用独立于训练数据集的验证数据集来测量模型的准确度。
5、其次，模型被调整以增强模型的性能。例如，可以防止过度拟合。过度拟合是指模型何时在训练数据集上过度训练。作为示例，当训练准确度高并且当验证准确度低时，可以怀疑过度拟合的可能性。这可以借助于训练损失和验证损失来
6、同时，现有的预测交通速度的技术基于目标链路的历史交通速度和周围链路的历史交通速度来预测目标链路的未来交通速度。此时，因为用户主观地确定特定数量的周围链路，所以交通速度没有被预测为具有高准确度。
7、由此，提出了另一种现有技术，用于提取与目标链路高相关性的周围链路，并根据目标链路的历史交通速度和周围链路的历史交通速度预测目标链路的未来交通速度。然而，因为这仅考虑目标链路与周围链路之间的关系，而不考虑目标链路的交通速度与周围链路的交通速度之间的时间因果关系，所以预测交通速度不具有高准确度。
8、
技术介绍
中描述的细节被写入以增加对本公开的
技术介绍
的理解，本公开可以包括细节而不是本领域技术人员熟知的现有技术。
技术实现思路
1、本公开的实施方式涉及基于人工神经网络(ann)模型来预测道路的交通速度的技术。
2、已经做出本公开的实施方式以解决在现有技术中出现的上述问题，同时保持由现有技术实现的优势不受影响。
3、本公开的实施方式提供了一种预测交通速度的装置及其方法，用以采集多个链路的历史交通速度序列，检测多个链路的交通速度之间的空间-时间关系，基于多个链路的交通速度之间的空间-时间关系预测目标链路的未来交通速度，以高准确度预测目标链路的交通速度。
4、本公开的另一实施方式提供一种用于预测交通速度的装置及其方法，装置用于关于目标链路的交通速度和周围链路的交通速度之间的时间因果关系以及目标链路和周围链路之间的关系，来预测目标链路的未来交通速度，以高准确度预测目标链路的交通速度。
5、本公开的另一实施方式提供了一种用于基于空间-时间图注意力(st-gat)模型预测交通速度以预测目标链路的交通速度的装置及其方法，并且将多个链路的历史交通速度序列输入到st-gat模型以高准确度预测目标链路的交通速度。
6、本公开的目的不限于上述目的，并且本文中未提及的任何其他目的和优点将从以下描述中清楚地理解，并且可通过本公开的实施方式更清楚地知晓。此外，可以容易地看出，本公开的目的和优点可以通过权利要求中指出的手段及其组合来实现。
7、根据本公开的实施方式，一种用于预测交通速度的装置可以包括：输入设备，接收多个链路的交通速度序列；以及控制器，检测多个链路的交通速度之间的空间-时间关系，并且基于多个链路的交通速度之间的空间-时间关系预测目标链路的未来交通速度。
8、在本公开的实施方式中，控制器可以提取多个链路的交通速度的特征，可以针对每个链路对多个链路的交通速度的特征进行分类，并且可以基于交通速度的特征预测目标链路的未来交通速度，特征是针对每个链路分类的。
9、在本公开的实施方式中，控制器可以将针对每个链路分类的交通速度的特征输入到与每个链路对应的全连接(fc)层，并且可以预测每个链路的未来交通速度序列。
10、在本公开的实施方式中，控制器可以将多个链路的交通速度序列中的一个序列指定为查询空间-时间点，可以将剩余的交通速度序列指定为关键空间-时间点，可以相对于查询空间-时间点确定与关键空间-时间点的相似性，可以将与相似性相对应的权重分配给与相似性相对应的关键空间-时间点，并且作为嵌入过程，可以基于向查询空间-时间点分配权重的关键空间-时间点来确定嵌入查询空间-时间点的结果。
11、在本公开的实施方式中，控制器可以在改变查询空间-时间点的同时重复地执行嵌入过程。
12、在本公开的实施方式中，控制器可以将对应于相似性的关键空间-时间点乘以对应于相似性的权重。
13、在本公开的实施方式中，控制器可以针对过去一小时的n个链路的交通速度序列预测未来一小时的n个链路的交通速度序列。
14、在本公开的实施方式中，控制器可以基于空间-时间图注意力(st-gat)模型预测目标链路的未来交通速度，st-gat模型的训练完成。
15、在本公开的实施方式中，控制器可以基于目标链路的预测的未来交通速度和目标链路的实际交通速度之间的误差来训练st-gat模型。
16、根据本公开的另一方面，用于预测交通速度的方法可以包括：通过输入设备接收多个链路的交通速度序列，并且通过控制器检测多个链路的交通速度之间的空间-时间关系，并且通过控制器基于多个链路的交通速度之间的空间-时间关系来预测目标链路的未来交通速度。
17、在本公开的实施方式中，预测目标链路的未来交通速度可以包括：提取多个链路的交通速度的特征；针对每个链路对多个链路的交通速度的特征进行分类；以及基于交通速度的特征预测目标链路的未来交通速度，特征针对每个链路进行分类。
18、在本公开的实施方式中，基于针对每个链路分类的交通速度的特征预测目标链路的未来交通速度可以包括：将针对每个链路分类的交通速度的特征输入到与每个链路对应的全连接(fc)层，并预测每个链路的未来交通速度序列。
19、在本公开的实施方式中，提取多个链路的交通速度的特征可以包括：将多个链路的交通速度序列中的一个序列指定为查询空间-时间点，并且将剩余的交通速度序列指定为关键空间-时间点；相对于查询空间-时间点确定与关键空间-时间点的相似性；将与相似性相对应的权重分配给与相似性相对本文档来自技高网...
【技术保护点】
1.一种用于预测交通速度的装置，所述装置包括：
2.根据权利要求1所述的装置，其中，所述控制器被配置为：
3.根据权利要求2所述的装置，其中，所述控制器被配置为将所述交通速度的所述分类的特征输入到与每个链路对应的全连接层并预测每个链路的未来交通速度序列。
4.根据权利要求2所述的装置，其中，所述控制器被配置为：
5.根据权利要求4所述的装置，其中，所述控制器被配置为在改变所述查询空间-时间点的同时重复地执行所述嵌入过程。
6.根据权利要求4所述的装置，其中，所述控制器被配置为将对应于所述相似性的所述关键空间-时间点乘以对应于所述相似性的所述权重。
7.根据权利要求1所述的装置，其中，所述控制器被配置为针对过去一小时的n个链路的交通速度序列，来预测未来一小时的n个链路的交通速度序列。
8.根据权利要求1所述的装置，其中，所述控制器被配置为基于训练已完成的空间-时间图注意力模型，来预测所述目标链路的所述未来交通速度。
9.根据权利要求8所述的装置，其中，所述控制器被配置为基于所述目标链路的
10.一种用于预测交通速度的方法，所述方法包括：
11.根据权利要求10所述的方法，其中，预测所述目标链路的未来交通速度包括：
12.根据权利要求11所述的方法，其中，基于所述交通速度的所述分类的特征来预测所述目标链路的所述未来交通速度包括：将所述交通速度的所述分类的特征输入到与每个链路对应的全连接层并预测每个链路的未来交通速度序列。
13.根据权利要求11所述的方法，其中，提取所述多个链路的交通速度的特征包括：
14.根据权利要求13所述的方法，其中，提取所述多个链路的交通速度的特征包括在改变所述查询空间-时间点的同时顺序地和重复地执行指定、确定相似性、分配和确定嵌入结果。
15.根据权利要求13所述的方法，其中，所述分配包括将对应于所述相似性的所述关键空间-时间点乘以对应于所述相似性的所述权重。
16.根据权利要求10所述的方法，其中，预测所述目标链路的未来交通速度包括针对过去一小时的n个链路的交通速度序列来预测未来一小时的n个链路的交通速度序列。
17.根据权利要求10所述的方法，其中，预测所述目标链路的未来交通速度包括基于训练已完成的空间-时间图注意力模型来预测所述目标链路的所述未来交通速度。
18.根据权利要求17所述的方法，其中，预测所述目标链路的未来交通速度进一步包括基于所述目标链路的预测的未来交通速度和所述目标链路的实际交通速度之间的误差来训练所述空间-时间图注意力模型。
19.根据权利要求10所述的方法，进一步包括：
20.根据权利要求19所述的方法，进一步包括：在所述车辆处接收所述导航路径，并且根据基于所述预测的未来交通速度生成的所述导航路径操作所述车辆以行进。
...【技术特征摘要】
1.一种用于预测交通速度的装置，所述装置包括：
2.根据权利要求1所述的装置，其中，所述控制器被配置为：
3.根据权利要求2所述的装置，其中，所述控制器被配置为将所述交通速度的所述分类的特征输入到与每个链路对应的全连接层并预测每个链路的未来交通速度序列。
4.根据权利要求2所述的装置，其中，所述控制器被配置为：
5.根据权利要求4所述的装置，其中，所述控制器被配置为在改变所述查询空间-时间点的同时重复地执行所述嵌入过程。
6.根据权利要求4所述的装置，其中，所述控制器被配置为将对应于所述相似性的所述关键空间-时间点乘以对应于所述相似性的所述权重。
7.根据权利要求1所述的装置，其中，所述控制器被配置为针对过去一小时的n个链路的交通速度序列，来预测未来一小时的n个链路的交通速度序列。
8.根据权利要求1所述的装置，其中，所述控制器被配置为基于训练已完成的空间-时间图注意力模型，来预测所述目标链路的所述未来交通速度。
9.根据权利要求8所述的装置，其中，所述控制器被配置为基于所述目标链路的预测的未来交通速度与所述目标链路的实际交通速度之间的误差，来训练所述空间-时间图注意力模型。
10.一种用于预测交通速度的方法，所述方法包括：
11.根据权利要求10所述的方法，其中，预测所述目标链路的未来交通速度包括：
12.根据权利要求11所述的方法，其中，基于所述交通速度的所...
【专利技术属性】
技术研发人员：金南赫，金泰宪，朴成桓，金尚煜，宋俊昊，孙志元，徐东赫，
申请(专利权)人：现代自动车株式会社，
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。