【技术实现步骤摘要】
本专利技术涉及智能交通，具体涉及道路拥堵预测模型构建方法、装置、设备、介质及产品。
技术介绍
1、现有方案中广泛使用拥堵预测模型进行道路拥堵的预测。但是现有的拥堵预测模型利用深度学习建模，对时间和空间依赖性较高，在处理高度动态和异构城市交通数据方面存在局限性，缺乏对复杂模式的学习能力以及对数据噪声的鲁棒性，可解释性较差。
技术实现思路
1、为了解决上述问题，本专利技术提出一种道路拥堵预测模型构建方法、装置、设备、介质及产品，在保证了拥堵预测的准确性和鲁棒性的同时提升了模型的可解释性。
2、本专利技术实施例提供一种道路拥堵预测模型构建方法，所述方法包括：
3、将道路交通网络中不同道路路段定义为有向加权图，获取不同道路路段的历史动态路况特征，作为样本数据；
4、将所述样本数据输入到预设的自适应图学习混合体模型中学习，确定目标路段上下文交通动态的编码表征，输出概率预测向量；
5、将所述样本数据输入到预设的趋势专家模型中，输出对未来交通状况的预测概率
【技术保护点】
1.一种道路拥堵预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述将所述样本数据输入到预设的自适应图学习混合体模型中学习，确定目标路段上下文交通动态的编码表征，输出概率预测向量，包括：
3.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述将所述样本数据输入到预设的趋势专家模型中，输出对未来交通状况的预测概率的趋势分布向量，包括：
4.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述对所述概率预测向量、所述趋势分布向量以及所述周期性预测向量进行级...
【技术特征摘要】
1.一种道路拥堵预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述将所述样本数据输入到预设的自适应图学习混合体模型中学习，确定目标路段上下文交通动态的编码表征，输出概率预测向量，包括：
3.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述将所述样本数据输入到预设的趋势专家模型中，输出对未来交通状况的预测概率的趋势分布向量，包括：
4.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述对所述概率预测向量、所述趋势分布向量以及所述周期性预测向量进行级联聚合，得到聚合对数向量，包括：
5.根据权利要求1所述的道路拥堵预测模型构建方法，其特征在于，所述根据所述聚合对数向量确定目标函数，通过有监督学习进行拥堵预测训练，得到道路拥堵预...
【专利技术属性】
技术研发人员：熊辉，江文钊，韩金栋，刘浩，
申请(专利权)人：香港科技大学广州，
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。