CN113821985B - 一种交通状态预测方法、装置及电子设备 - Google Patents

一种交通状态预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113821985B
CN113821985B CN202111382079.5A CN202111382079A CN113821985B CN 113821985 B CN113821985 B CN 113821985B CN 202111382079 A CN202111382079 A CN 202111382079A CN 113821985 B CN113821985 B CN 113821985B
Authority
CN
China
Prior art keywords
chromosome
units
space
unit
convolution network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111382079.5A
Other languages
English (en)
Other versions
CN113821985A (zh
Inventor
鱼一帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Shanghai ICT Co Ltd
CM Intelligent Mobility Network Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Shanghai ICT Co Ltd, CM Intelligent Mobility Network Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202111382079.5A priority Critical patent/CN113821985B/zh
Publication of CN113821985A publication Critical patent/CN113821985A/zh
Application granted granted Critical
Publication of CN113821985B publication Critical patent/CN113821985B/zh
Priority to PCT/CN2022/130549 priority patent/WO2023088131A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种交通状态预测方法、装置及电子设备，涉及智能交通技术领域，所述方法包括：生成多个染色体单元，每个染色体单元用于表征一类时空卷积网络模型；基于样本集分别计算多个染色体单元中每个染色体单元对应的时空卷积网络模型的损失值；依据多个染色体单元对应的时空卷积网络模型的损失值更新多个染色体单元，并返回执行基于样本集分别计算多个染色体单元中每个染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；基于目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；基于预先训练的时空卷积网络模型预测交通状态。本发明能够提高预测交通状态的准确性。

Description

一种交通状态预测方法、装置及电子设备
技术领域
本发明涉及智能交通技术领域，尤其涉及一种交通状态预测方法、装置及电子设备。
背景技术
随着城市化进程的不断推进，智能交通的重要程度越来越高。交通状态预测是智能交通的重要组成部分，预测的交通状态信息有助于人们的出行路线决策，从而可以缓解交通堵塞，提升城市居住的幸福感。现有技术中，通常通过统计方法预测交通状态，通过统计一段时间内的车辆的数量及车速预测下一时刻的交通状态，然而，统计方法是依赖经验预测交通状态，预测交通状态的准确性较差。
发明内容
本发明实施例提供一种交通状态预测方法、装置及电子设备，以解决现有技术中通过统计方法预测交通状态，预测交通状态的准确性较差的问题。
为解决上述技术问题，本发明是这样实现的：
第一方面，本发明实施例提供了一种交通状态预测方法，所述方法包括：
生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；
基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；
依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；
基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；
基于所述预先训练的时空卷积网络模型预测交通状态。
可选的，所述染色体单元包括如下至少一项：
层数比特位，观测域比特位，扩展因子比特位；
其中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子。
可选的，所述依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，包括：
按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；
基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；
将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。
可选的，所述基于前M1个染色体单元生成M2个第一染色体单元，包括：
对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元；
对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元；
其中，所述M2个第一染色体单元包括所述至少一个杂交染色体单元和所述至少一个变异染色体单元。
可选的，所述目标染色体单元为更新次数达到第一预设次数后排序在最前的染色体单元；
或者，
所述目标染色体单元为更新过程中连续M3次排序位于最前的染色体单元，M3大于或等于第二预设次数。
可选的，所述基于所述预先训练的时空卷积网络模型预测交通状态，包括：
将目标路段在当前时刻之前的N个预测时刻的真实交通状态输入所述预先训练的时空卷积网络模型，其中，所述时空卷积网络模型包括输入层，输出层及连接在所述输入层与所述输出层之间的多个隐藏层，所述输入层用于输入在当前时刻之前的N个预测时刻的真实交通状态，所述多个隐藏层中每个隐藏层的输出均基于时空注意力机制分别对每个所述隐藏层的输入进行卷积计算获得，N为正整数；
基于所述输出层的输出确定所述目标路段在当前时刻之后的预测时刻的预测交通状态。
可选的，所述输入层还用于输入附加状态信息，所述附加状态信息用于表征所述交通状态所属的环境特征；
所述多个隐藏层包括第一隐藏层，所述第一隐藏层与所述输入层连接，所述第一隐藏层用于对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合。
第二方面，本发明实施例提供了一种交通状态预测装置，所述装置包括：
生成模块，用于生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；
计算模块，用于基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；
更新模块，用于依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；
确定模块，用于基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；
预测模块，用于基于所述预先训练的时空卷积网络模型预测交通状态。
可选的，所述染色体单元包括如下至少一项：
层数比特位，观测域比特位，扩展因子比特位；
其中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子。
可选的，所述更新模块包括：
排序单元，用于按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；
生成单元，用于基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；
替换单元，用于将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。
可选的，所述生成单元具体用于：
对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元；
对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元；
其中，所述M2个第一染色体单元包括所述至少一个杂交染色体单元和所述至少一个变异染色体单元。
可选的，所述目标染色体单元为更新次数达到第一预设次数后排序在最前的染色体单元；
或者，
所述目标染色体单元为更新过程中连续M3次排序位于最前的染色体单元，M3大于或等于第二预设次数。
可选的，所述预测模块具体用于：
将目标路段在当前时刻之前的N个预测时刻的真实交通状态输入所述预先训练的时空卷积网络模型，其中，所述时空卷积网络模型包括输入层，输出层及连接在所述输入层与所述输出层之间的多个隐藏层，所述输入层用于输入在当前时刻之前的N个预测时刻的真实交通状态，所述多个隐藏层中每个隐藏层的输出均基于时空注意力机制分别对每个所述隐藏层的输入进行卷积计算获得，N为正整数；
基于所述输出层的输出确定所述目标路段在当前时刻之后的预测时刻的预测交通状态。
可选的，所述输入层还用于输入附加状态信息，所述附加状态信息用于表征所述交通状态所属的环境特征；
所述多个隐藏层包括第一隐藏层，所述第一隐藏层与所述输入层连接，所述第一隐藏层用于对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现第一方面所述的交通状态预测方法的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的交通状态预测方法的步骤。
本发明实施例中，生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；基于所述预先训练的时空卷积网络模型预测交通状态。这样，通过预先训练的时空卷积网络模型预测交通状态，能够提高预测交通状态的准确性；且采用进化算法对时空卷积网络模型进行模型结构的优化，降低了调试时空卷积网络模型的参数的成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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发明的一些实施例，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。
图1是本发明实施例提供的一种交通状态预测方法的流程图；
图2是本发明实施例提供的一种时空卷积网络模型的结构示意图之一；
图3是本发明实施例提供的一种时空卷积网络模型中信息传递的示意图之一；
图4是本发明实施例提供的一种时空卷积网络模型中信息传递的示意图之二；
图5是本发明实施例提供的一种时空卷积网络模型中信息传递的示意图之三；
图6是本发明实施例提供的一种时空卷积网络模型的结构示意图之二；
图7是本发明实施例提供的一种交通状态预测装置的结构示意图；
图8是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种交通状态预测方法、装置及电子设备，以解决现有技术中通过统计方法预测交通状态，预测交通状态的准确性较差的问题。
参见图1，图1是本发明实施例提供的一种交通状态预测方法的流程图，如图1所示，所述方法包括以下步骤：
步骤101、生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；
步骤102、基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；
步骤103、依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；
步骤104、基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；
步骤105、基于所述预先训练的时空卷积网络模型预测交通状态。
其中，可以随机组合生成多个染色体单元，还可以对生成的染色体单元进行去重处理，以避免出现重复的染色体单元。示例地，可以初始化染色体单元的总群数量为100，随机组合出不重复的染色体单元100个。样本集可以为训练样本集和/或测试样本集。所述染色体单元可以包括层数比特位，和/或，观测域比特位，和/或，扩展因子比特位等等，其中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域k，即kernal数，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子d，即扩张系数（dilation factor）。
另外，在基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值时，以单个染色体单元为例，可以从训练样本集或测试样本集中随机挑选出预设时长且时间连续的样本计算染色体单元对应的时空卷积网络模型的损失值；或者，还可以是从训练样本集中随机挑选出部分时间连续的样本对染色体单元对应的时空卷积网络模型进行训练，在训练轮数达到预设轮数时，从测试样本集中随机挑选出预设时长且时间连续的样本计算染色体单元对应的时空卷积网络模型的损失值。对多个染色体单元对应的时空卷积网络模型计算损失值时采用的样本可以相同，也可以不同。预设时长可以为2小时，或者1小时，或者0.5小时，等等。示例地，可以采用4:00-5:00的样本计算损失值。时空卷积网络模型的损失值，可以是预设时长且时间连续的样本与真实值的损失值的平均值。可以计算预设时长且时间连续的样本与真实值的损失值，再取平均，得到时空卷积网络模型的损失值。时空卷积网络模型的损失值可以作为评价值，该评价值可以作为染色体优劣的指标，评价值越小，则染色体越优秀。
需要说明的是，生成多个染色体单元后，可以对多个染色体单元进行更新迭代，直至确定满足预设条件的目标染色体单元。对多个染色体单元进行更新迭代的过程可以如下：基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元。具体的，对多个染色体单元进行更新迭代的过程可以如下：
（1）基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值，执行（2）；
（2）依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，更新后的多个染色体单元中是否存在满足预设条件的目标染色体单元，若是，则结束更新迭代，若否，则返回执行（1）。
另外，每个所述染色体单元可以用于表征一类结构的时空卷积网络模型。不同染色体单元对应的一类时空卷积网络模型的结构不同。每个所述染色体单元对应的时空卷积网络模型，可以是，每个所述染色体单元所表征的一类时空卷积网络模型。所述多个染色体单元对应的时空卷积网络模型，可以是，所述多个染色体单元所表征的多类时空卷积网络模型。染色体单元对应的时空卷积网络模型可以是染色体单元表征的一类时空卷积网络模型初始化后的结果。生成染色体单元后，可以初始化染色体单元表征的一类时空卷积网络模型，得到染色体单元对应的时空卷积网络模型。初始化染色体单元表征的一类时空卷积网络模型，可以是将预设参数作为染色体单元对应的时空卷积网络模型的模型参数。
进一步的，所述基于所述目标染色体单元对应的时空卷积网络模型确定所述预先训练的时空卷积网络模型，可以是，对所述目标染色体单元对应的时空卷积网络模型进行模型训练，得到所述预先训练的时空卷积网络模型。示例地，所述染色体单元包括层数比特位，观测域比特位及扩展因子比特位，在确定目标染色体后，基于目标染色体的层数比特位，观测域比特位及扩展因子比特位可以构建一个时空卷积网络模型，对构建的时空卷积网络模型进行训练，可以得到所述预先训练的时空卷积网络模型。
本发明实施例中，生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；基于所述预先训练的时空卷积网络模型预测交通状态。这样，通过预先训练的时空卷积网络模型预测交通状态，能够提高预测交通状态的准确性；且采用进化算法对时空卷积网络模型进行模型结构的优化，降低了调试时空卷积网络模型的参数的成本。
可选的，所述染色体单元包括如下至少一项：
层数比特位，观测域比特位，扩展因子比特位；
其中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子。
另外，层数比特位可以为染色体单元的头部编码比特，层数比特位的比特位数可以为3位，或者5位或者8位等等，本实施例对此不进行限定。以染色体单元的层数比特位的比特位数为3位为例，该染色体单元最多包括7层隐藏层。每个所述隐藏层的观测域可以用3位比特表征，或者5位比特表征或者8位比特表征，等等，本实施例对此不进行限定。每个所述隐藏层的卷积扩展因子可以用3位比特表征，或者5位比特表征或者8位比特表征，等等，本实施例对此不进行限定。需要说明的是，在设置观测域和卷积扩展因子时，可以设置观测域和卷积扩展因子的值均小于输入层输入的最大个数。
一种实施方式中，层数比特位的比特位数为v1，每个所述隐藏层的观测域用v2位比特表征，且每个所述隐藏层的卷积扩展因子用v3位比特表征，对于每个隐藏层，包括v2位比特的观测域及v3位比特的卷积扩展因子，若染色体单元的层数比特位表征所述时空卷积网络模型的隐藏层的层数为n，则该染色体单元的总比特位数为：v1+（v2+ v3）*n。示例地，层数比特位的比特位数为3，每个所述隐藏层的观测域用3位比特表征，且每个所述隐藏层的卷积扩展因子用3位比特表征，对于每个隐藏层，包括3位比特的观测域及3位比特的卷积扩展因子，若染色体单元的层数比特位表征所述时空卷积网络模型的隐藏层的层数为n，则该染色体单元的总比特位数为：3+（3+3）*n。染色体单元的第1位至第3位表征隐藏层的层数，第4位至第6位表征第一个隐藏层的观测域，第7位至第9位表征第一个隐藏层的卷积扩展因子，第10位至第12位表征第二个隐藏层的观测域，第13位至第15位表征第二个隐藏层的卷积扩展因子，等等，依次类推。
示例地，染色体单元为：010010010001001，第1位至第3位“010”表征隐藏层的层数为2，第4位至第6位“010”表征第一个隐藏层的观测域为2，第7位至第9位“010”表征第一个隐藏层的卷积扩展因子为2，第10位至第12位“001”表征第二个隐藏层的观测域为1，第13位至第15位“001”表征第二个隐藏层的卷积扩展因子为1。
需要说明的是，所述染色体单元可以包括层数比特位，观测域比特位，扩展因子比特位中的一项或多项。以染色体单元仅包括层数比特位为例，每个所述隐藏层的观测域及每个所述隐藏层的卷积扩展因子可以预先设置；以染色体单元仅包括观测域比特位为例，所述时空卷积网络模型的隐藏层的层数及每个所述隐藏层的卷积扩展因子可以预先设置；以染色体单元包括层数比特位及观测域比特位为例，每个所述隐藏层的卷积扩展因子可以预先设置。
该实施方式中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子，利用了时空卷积网络模型的网络参数较少的特点，对于每个场景生成更适应实际情况的预测模型，降低了人员对不同路口场景下对模型进行参数调试的成本。
可选的，所述依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，包括：
按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；
基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；
将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。
其中，M1可以为预设值，示例地，M1可以为10，或者30，或者50等等，本实施例对此不进行限定。
另外，所述基于前M1个染色体单元生成M2个第一染色体单元可以包括，对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元，所述M2个第一染色体单元可以包括所述至少一个杂交染色体单元，示例地，M2个第一染色体单元可以为所述至少一个杂交染色体单元；和/或，所述基于前M1个染色体单元生成M2个第一染色体单元可以包括，对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元，其中，所述M2个第一染色体单元包括所述至少一个变异染色体单元，示例地，M2个第一染色体单元可以为所述至少一个杂交染色体单元。
需要说明的是，在将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元之前，可以对生成的M2个第一染色体单元与已有的染色体单元进行查重，将重复的染色体单元去除。
该实施方式中，按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。这样，通过损失值筛选迭代染色体单元，能够挑选出较优的目标染色体单元，从而能够确定出性能较佳的时空卷积网络模型。
可选的，所述基于前M1个染色体单元生成M2个第一染色体单元，包括：
对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元；
对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元；
其中，所述M2个第一染色体单元包括所述至少一个杂交染色体单元和所述至少一个变异染色体单元。
其中，所述对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元，可以是，将前M1个染色体单元中，任意两个染色体单元的相同位置处的部分比特互换，得到至少一个杂交染色体单元；或者，可以按照预设规则从前M1个染色体单元中选择两个染色体单元，将选择的染色体单元相同位置处的部分比特互换，得到至少一个杂交染色体单元。可以每次从前M1个染色体单元中随机选择两个染色体单元，将选择的两个染色体单元的相同位置处的部分比特互换，重复多次，得到多个杂交染色体单元。可以将表征某个隐藏层的观测域的比特进行互换，或者，可以将表征某个隐藏层的卷积扩展因子的比特进行互换。示例地，可以将前M1个染色体单元中，任意两个染色体单元的第4位至第6位进行互换；或者，可以将前M1个染色体单元中，任意两个染色体单元的第7位至第9位进行互换；等等，本实施例对此不进行限定。
示例地，可以以前M1个染色体单元中最短的染色体单元为最大突变点，将最短的染色体单元与其他染色体单元进行杂交处理，示例地，可以将层数为1的染色体单元001001001 和层数为2的染色体单元010010010001001 进行杂交处理，将该两个染色体单元的第4位至第6位进行互换，得到两条新的染色体单元。
另外，所述对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元，可以是，对所述前M1个染色体单元中的至少一个染色体单元的部分比特取反；或者，可以是对所述前M1个染色体单元中的至少一个染色体单元的部分比特随机替换，等等。随机替换可以是从1或0中随机选择一个值替换染色体单元中的比特值。可以从所述前M1个染色体单元中随机选择一个染色体单元，从该选择的染色体单元中随机选择一个比特或多个比特，对选择的比特进行取反或随机替换。示例地，对染色体单元的高层可以设置变异率μ，概率为μ=0.001*n1，其中n1为第n1层隐藏层，如果击中命中率则该隐藏层发生观测域，卷积扩展因子的随机变异，从而生成新的染色体单元。
该实施方式中，对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元；对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元。这样，通过杂交及变异处理实现了对表现较优的染色体单元的组合，从而能够获得较为符合当前场景的模型设计。
可选的，所述目标染色体单元为更新次数达到第一预设次数后排序在最前的染色体单元；
或者，
所述目标染色体单元为更新过程中连续M3次排序位于最前的染色体单元，M3大于或等于第二预设次数。
其中，M3为正整数。第一预设次数可以为300，或者400，或者500等等，本实施例对此不进行限定。第二预设次数可以为20，或者40，或者50等等，本实施例对此不进行限定。示例地，第一预设次数为400，第二预设次数为20，可以将迭代400代后，排序在最前的染色体单元确定为目标染色体单元；或者，可以将更新过程中连续20次排序位于最前的染色体单元确定为目标染色体单元。
该实施方式中，所述目标染色体单元为更新次数达到第一预设次数后排序在最前的染色体单元；或者，所述目标染色体单元为更新过程中连续N次排序位于最前的染色体单元，N大于或等于第二预设次数。从而通过多次更新迭代能够确定出性能较佳的时空卷积网络模型。
可选的，所述基于所述预先训练的时空卷积网络模型预测交通状态，包括：
将目标路段在当前时刻之前的N个预测时刻的真实交通状态输入预先训练的时空卷积网络模型，其中，所述时空卷积网络模型包括输入层，输出层及连接在所述输入层与所述输出层之间的多个隐藏层，所述输入层用于输入在当前时刻之前的N个预测时刻的真实交通状态，所述多个隐藏层中每个隐藏层的输出均基于时空注意力机制分别对每个所述隐藏层的输入进行卷积计算获得，N为正整数；
基于所述输出层的输出确定所述目标路段在当前时刻之后的预测时刻的预测交通状态。
其中，所述真实交通状态可以用路段平均车速与自由流速度的比值表征。路段平均车速可以为预设时长内在目标路段过车的车辆的平均车速的均值作为路段平均车速。另外，每两个预测时刻之间的时长可以为5min，或者10min，或者30min等等，本实施例对此不进行限定。如图2所示，以N的值为5，时空卷积网络模型包括四个隐藏层，时空卷积网络模型的观测域为2，卷积扩展因子d分别为1，2，4为例，输入层输入前5个预测时刻的真实交通状态（X1，X2，X3，X4，X5），输出层可以输出未来的预测时刻的预测交通状态Y5。所述多个隐藏层中每个隐藏层的输出可以均基于时空注意力机制对每个所述隐藏层的输入进行因果卷积计算获得。
其中，所述输出层的输出可以包括在当前时刻之后的预测时刻的路段平均车速与自由流速度的比值，可以依据《GBT 33171-2016 城市交通运行状况评价规范》等判定比值对应的未来交通状态。示例地，若比值大于0.7，则可以认为交通通畅；若比值大于0.5且小于等于0.7，则可以认为交通基本通畅；若比值大于0.4且小于等于0.5，则可以认为交通轻度拥堵；若比值大于0.3且小于等于0.4，则可以认为交通中度拥堵；若比值小于等于0.3，则可以认为交通严重拥堵。
示例地，N为3，每两个预测时刻之间的间隔为5min，当前时刻之前的N个预测时刻为10:05、10:10及10:15，当前时刻之后的预测时刻为10:20，则可以通过10:05、10:10及10:15的真实交通状态预测10:20的交通状态。
需要说明的是，在对时空卷积网络模型进行训练时，可以针对目标路段计算路段平均车速，并计算路段平均车速与当前时刻的自由流速度的比值。路段平均车速的计算方法可以为：将同一辆车在经过当前时刻对应的电警卡口的时间戳Tc和经过上游电警卡口的时间戳Tp进行相减得到过车时间T=Tc-Tp，将两个电警卡口间的路长D除以过车时间T 得到Sv，Sv为该车辆在目标路段的平均车速，可以将预设时长内在目标路段过车的车辆的平均车速的均值作为路段平均车速。可以每间隔5分钟计算一次前15分钟在目标路段过车的各个车辆的平均车速，依据车流量计算各个车辆的平均车速的均值得到路段平均车速，一小时可以得到12条数据，一天可以得到24*12= 288条数据。可以将计算的多天的路段平均车速进行合并和归一化，将归一化后的数据划分成训练集和测试集，可以将归一化后的数据按照比例为20%作为测试集，80%作为训练集进行划分。可以将划分得到的训练集和测试集对时空卷积网络模型进行训练。
若所述预设时长内在所述目标路段没有过车，则可以设置路段平均车速与当前时刻的自由流速度的比值为1。自由流速度可以为不受上下游条件影响的交通流运行速度。在实际使用时，自由流速度可以设置为该目标路段的最大限速值。
另外，在对时空卷积网络模型进行训练时，可以采用训练集中的样本对时空卷积网络模型进行模型训练，通过early stop（早停法）方法来自动停止模型的训练以防止模型学习过拟合，暂停后得到训练后的预测模型，再用测试集中的样本来判断预测模型是否可靠。
该实施方式中，将目标路段在当前时刻之前的N个预测时刻的真实交通状态输入预先训练的时空卷积网络模型，其中，所述时空卷积网络模型包括输入层，输出层及连接在所述输入层与所述输出层之间的多个隐藏层，所述输入层用于输入在当前时刻之前的N个预测时刻的真实交通状态，所述多个隐藏层中每个隐藏层的输出均基于时空注意力机制分别对每个所述隐藏层的输入进行卷积计算获得，N为正整数；基于所述输出层的输出确定所述目标路段在当前时刻之后的预测时刻的预测交通状态。这样，通过预先训练的时空卷积网络模型确定所述目标路段在当前时刻之后的预测时刻的预测交通状态，能够提高预测交通状态的准确性。
可选的，所述输入层还用于输入附加状态信息，所述附加状态信息用于表征所述交通状态所属的环境特征；
所述多个隐藏层包括第一隐藏层，所述第一隐藏层与所述输入层连接，所述第一隐藏层用于对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合。
其中，附加状态信息可以为天气信息，和/或节假日信息等等。第一隐藏层可以将作为真实交通状态的时间段序列与天气信息和/或节假日信息等附加状态信息进行融合，使得单一的输入具有独特信息。进行融合的过程可以是将在当前时刻之前的N个预测时刻的真实交通状态与附加状态信息进行叠加；或者，还可以是将在当前时刻之前的N个预测时刻的真实交通状态与附加状态信息进行点乘运算；或者，还可以是按照预设算法对在当前时刻之前的N个预测时刻的真实交通状态与附加状态信息进行处理，等等，本发明实施例对此不进行限定。作为一个简单的示例，N为2，在当前时刻之前的2个预测时刻的真实交通状态为：（0.2，0.5），该2个预测时刻的天气分别为晴和下雨，用0.02表征晴，0.04表征下雨，对应的天气信息为：（0.02，0.04），可以将（0.2，0.5）与（0.02，0.04）进行相加，得到第一隐藏层的输出（0.22，0.54）。
另外，所述多个隐藏层还可以包括第二隐藏层，所述第二隐藏层与所述输出层连接，所述输出层用于对第二隐藏层的输出进行解码，得到在当前时刻之后的预测时刻的路段平均车速与自由流速度的比值。对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合的过程可以为encode（编码）过程；对第二隐藏层的输出进行解码，得到在当前时刻之后的预测时刻的路段平均车速与自由流速度的比值可以为decode（解码）过程。经过decode解码后，可以得到一个个连续序列，由于预测时不需要额外的返回值信息，可以在decode解码时仅返回在当前时刻之后的预测时刻的路段平均车速与自由流速度的比值。如图2所示，通过引入encode-decode机制，可以让时空卷积网络模型学习到时间跨度间的关联关系，并且在编码时加入附加状态信息可以帮助时空卷积网络模型区分不同状态下的数据差异。
该实施方式中，所述第一隐藏层用于对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合，从而时空卷积网络模型能够学习到交通状态所属的环境特征，能够提高时空卷积网络模型预测的准确性。
可选的，目标隐藏层的输出依据卷积结果及增强残差结果获得，所述卷积结果为所述目标隐藏层基于时空注意力机制对所述目标隐藏层的输入进行卷积处理获得，所述增强残差结果为所述目标隐藏层对所述目标隐藏层的输入进行增强残差处理获得，所述目标隐藏层为所述多个隐藏层中的任意一个隐藏层。
其中，可以基于时空注意力机制对所述目标隐藏层的输入进行卷积处理得到卷积结果，对所述目标隐藏层的输入进行增强残差处理获得增强残差结果，依据卷积结果、增强残差结果及所述目标隐藏层的输入获取所述目标隐藏层的输出。示例地，可以采用激活函数对卷积结果、增强残差结果及所述目标隐藏层的输入进行运算，得到所述目标隐藏层的输出。
该实施方式中，所述目标隐藏层的输出依据卷积结果及增强残差结果获得，所述卷积结果为所述目标隐藏层基于时空注意力机制对所述目标隐藏层的输入进行卷积处理获得，所述增强残差结果为所述目标隐藏层对所述目标隐藏层的输入进行增强残差处理获得，所述目标隐藏层为所述多个隐藏层中的任意一个隐藏层。这样，能够通过增强残差结果来增强目标隐藏层提取重要信息的能力，提升时空卷积网络模型的学习效率。
可选的，所述目标隐藏层包括K个有效节点，K为正整数，所述有效节点的输出为所述有效节点对所述目标隐藏层的前一隐藏层的至少两个节点的输出进行卷积计算获得；
所述K个有效节点中第M个有效节点的输出依据第M个有效节点对应的卷积结果及所述第M个有效节点对应的增强残差结果获取，M为大于1的正整数，且M小于等于K。
其中，可以采用激活函数对第M个有效节点对应的卷积结果、第M个有效节点对应的增强残差结果及目标隐藏层的前一隐藏层中与所述第M个有效节点对应的节点的输出进行运算，得到所述目标隐藏层的输出。这样，隐藏层的每个节点的输出均包括增强残差信息。所述目标隐藏层可以为除第一隐藏层以外的隐藏层。
如图2所示，时空卷积网络模型包括四个隐藏层，时空卷积网络模型的观测域为2，卷积扩展因子d分别为1，2，4。在图2中，Si j表征第j+1个隐藏层中第i个节点，i为正整数，j为大于0的整数，示例地，S5 3表征第4个隐藏层中第5个节点。在图2中，有效节点在节点上方标记有圆圈符号。以第2个隐藏层为例，S2 1为第2个隐藏层中的第一个有效节点。
可选的，所述第M个有效节点对应的卷积结果为对所述前一隐藏层中P个节点对应的P个中间变量中的至少两个中间变量进行因果卷积计算获得，所述P个节点中每个节点所对应的预测时刻均不在所述第M个有效节点对应的预测时刻之后，P为正整数；
所述P个节点对应的P个中间变量分别依据所述P个节点对应的值向量及第一权重矩阵确定；
所述第一权重矩阵为对所述P个节点对应的键向量及查询向量进行点乘计算获得；
所述P个节点对应的键向量、值向量及查询向量基于时空注意力机制确定。
其中，所述第M个有效节点对应的卷积结果可以是对所述前一隐藏层中P个节点对应的P个中间变量中的至少两个中间变量进行一维因果卷积计算获得。为了保持每个隐藏层的计算长度相同，可以通过zero-padding（零填充）的方式，每层在左边的非有效节点增加padding（填充），把每层左边的信息慢慢累积到右边。
另外，第一权重矩阵可以为：
Figure 895029DEST_PATH_IMAGE001
其中，
Figure 843000DEST_PATH_IMAGE002
用于表征目标隐藏层的前一隐藏层，i∈{1，2，…，P}，j∈{1，2，…，P }，
Figure 275119DEST_PATH_IMAGE003
为维度，
Figure 493610DEST_PATH_IMAGE004
为所述P个节点对应的键向量中第i个节点对应的键向量，
Figure 352982DEST_PATH_IMAGE005
为所述P个节点对应的查询向量中第j个节点对应的查询向量。
需要说明的是，对于第一权重矩阵，矩阵左下角部分的数据可以表征未来的信息，矩阵右上角部分的数据可以用于表征过去的信息，可以将第一权重矩阵中i<j的位置的数据均设为0，从而可以仅使用过去的信息。
另外，可以通过softplus 激活函数对第一权重矩阵和所述M个有效节点对应的值向量进行处理，得到第二权重矩阵，可以通过第二权重矩阵计算所述前一隐藏层中P个节点对应的P个中间变量
Figure 165080DEST_PATH_IMAGE006
：
Figure 902354DEST_PATH_IMAGE007
其中，t∈{1，2，…，P}，
Figure 975352DEST_PATH_IMAGE008
为第二权重矩阵，
Figure 271205DEST_PATH_IMAGE009
为第i个节点的输出。
另外，所述P个节点对应的键向量（key）、值向量（values）及查询向量（query）可以分别为：key：kP l = f(sP l)，query：qP l = g(sP l)，values：vP l = h(sP l)。函数f，g，h可以为常规的时空注意力机制的转换函数，示例地，函数f(sP l)，g(sP l)，h(sP l)可以均为将sP l与不同的权重矩阵相乘。如图3所示，可以将目标隐藏层的前一隐藏层的输出Sl分别经过f(x)、g(x)及h(x)处理，得到对应的键向量K、值向量Q及查询向量V，从而实现将目标隐藏层的前一隐藏层的输出数据映射到三维，通过键向量K和值向量Q得到第一权重矩阵Wl，通过第一权重矩阵Wl和查询向量V得到第二权重矩阵Wal，并通过第二权重矩阵和Sl得到中间变量
Figure 429653DEST_PATH_IMAGE006
。
示例地，如图4所示，在计算有效节点S5 2时，可以通过时空注意力机制确定中间变量
Figure 991126DEST_PATH_IMAGE010
至
Figure 918631DEST_PATH_IMAGE011
，由
Figure 385384DEST_PATH_IMAGE012
及
Figure 31129DEST_PATH_IMAGE011
进行因果卷积计算得到S5 2对应的卷积结果
Figure 484107DEST_PATH_IMAGE013
，通过增强残差模块对S5 1进行增强残差处理，得到S5 2对应的增强残差结果
Figure 298742DEST_PATH_IMAGE014
，采用激活函数对S5 1、
Figure 670817DEST_PATH_IMAGE013
及
Figure 69438DEST_PATH_IMAGE014
进行计算获得S5 2。
这样，基于时空注意力机制确定的键向量、值向量及查询向量，可以获取所述第M个有效节点对应的卷积结果。
可选的，所述K个有效节点中第M个有效节点的输出为采用激活函数对所述前一隐藏层中与所述第M个有效节点对应的节点的输出、所述第M个有效节点对应的卷积结果及所述第M个有效节点对应的增强残差结果进行计算获得；
所述第M个有效节点对应的增强残差结果依据所述第一权重矩阵及所述前一隐藏层中与所述第M个有效节点对应的节点的输出进行增强残差处理获得。
其中，第M个有效节点的输出可以为所述第M个有效节点采用softplus激活函数对所述前一隐藏层中与所述第M个有效节点对应的节点的输出、所述第M个有效节点对应的卷积结果及所述第M个有效节点对应的增强残差结果进行计算获得。可以通过softplus 激活函数对第一权重矩阵和所述M个有效节点对应的值向量进行处理，得到第二权重矩阵。如图5所示，将第二权重矩阵Wal中每一行的数据相加得到每个时间步的权重Wsl，将每个时间步的权重Wsl与所述前一隐藏层中与所述第M个有效节点对应的节点的输出Sl进行阿达玛乘积得到所述第M个有效节点对应的增强残差结果Srl。因为时空卷积网络模型的观测域越大，网络学习能力越容易退化，通过计算每个时间步的权重，可以保存关键信息。
需要说明的是，由于多个染色体单元用于表征不同层数的时空卷积网络模型，可以将多个染色体单元表征的时空卷积网络模型在同一个网络中建模，如图6所示，对于层数为1的时空卷积网络模型的输出，可以认为是对该网络的第一个隐藏层的输出进行解码得到的预测结果。对于不同层数的时空卷积网络模型的输出，可以认为是对每层数据进行解码，生成当前层的预测结果并保存成Yn 。由于要使用进化算法，生成多个染色体单元，每个节点的权重矩阵会放进一个矩阵中来存储对应的个体权重矩阵中。对淘汰的个体删除其权重值以减少空间占用和查找时间。
可选的，所述时空卷积网络模型依据均方根误差分析算法训练获得。
其中，可以通过RMSE（均方根误差分析）进行时空卷积网络模型的误差分析，RMSE的计算方式可以为：
Figure 450741DEST_PATH_IMAGE015
Figure 493783DEST_PATH_IMAGE016
表示的是真实交通状态，
Figure 535295DEST_PATH_IMAGE017
为预测值，m是预测值的总数。通过把预测值和真实交通状态对比来进行误差分析，在误差小于预设值时，可以认为模型训练完成。
作为一种具体的实施方式，交通状态预测方法可以包括模型训练过程，模型获取过程，及模型预测过程，模型训练过程可以如下：从目标路段的路端设备提取在目标路段过车的车辆的平均车速的均值，可以每天0点至24点间每隔5分钟统计一次目标路段的路段平均车速，计算路段平均车速与自由流速度的比值。若某次统计时在统计时长内没有过车，则将该次统计的路段平均车速与自由流速度的比值设为1。将计算的路段平均车速与自由流速度的比值进行归一化处理，将归一化后的数据划分成训练集和测试集。生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型，采用训练集训练染色体单元对应的时空卷积网络模型，对多个染色体单元进行迭代更新，以优化时空卷积网络模型的结构。在确定时空卷积网络模型的结构后，通过训练集训练时空卷积网络模型，并采用测试集评估时空卷积网络模型。判断训练的模型的预测结果是否在误差范围内，若是，则判断已完成模型训练；若否，则重新训练和优化模型。模型获取过程可以如下：可以在时空卷积网络模型中引入encode-decode机制，时空卷积网络模型中每个隐藏层的输出均基于时空注意力机制对每个所述隐藏层的输入进行卷积计算获得，从而得到基于时空注意力机制的时空卷积网络模型。模型预测过程如下：将在当前时刻之前的N个预测时刻的真实交通状态输入训练好的时空卷积网络模型，时空卷积网络模型的输出包括在当前时刻之后的预测时刻的路段平均车速与自由流速度的比值。若比值大于0.7，则可以认为交通通畅；若比值大于0.5且小于等于0.7，则可以认为交通基本通畅；若比值大于0.4且小于等于0.5，则可以认为交通轻度拥堵；若比值大于0.3且小于等于0.4，则可以认为交通中度拥堵；若比值小于等于0.3，则可以认为交通严重拥堵。
另外，encode-decode可以使用任意编码方式，可以用于加入位置/天气等附加状态信息。本身注意力机制在计算权重时无法表现每个时间节点间的位置信息，而卷积网络本身又对远距离的位置信息记忆模糊，通过使用encode-decode 配合注意力机制和时空卷积神经网络能互相弥补缺点。
进一步的，一个染色体单元相当于是一种模型结构，不同的组合生成了无数种网络结构的可能方案。一个染色体单元相当于是这个方案的实例，通过筛选迭代个体的方式，验证了方案的优越性，通过细微的改变，例如，变异，生成新个体等，拓展了对优势组合的可能性。最终迭代完成的方案即为相对最符合当前场景的模型设计。
本发明实施例中，使用时空卷积网络模型配合注意力机制，让以往只能进行的短期预测通过动态的注意力权重让网络学习到重点，扩大了输入时间段的长度，提高了预测长时间数据的准确性；且使用时空卷积网络模型配合注意力机制，通过对权重的学习区别于之前的标准化方式，让学习更加高效，间接减少了训练时长和计算量；并且，使用了encode-decode配合注意力机制让网络可以学习到时间跨度间的关联关系，并且在编码时加入节假日/休息日/天气等额外状态信息来帮助模型区分不同状态下的数据差异；进一步的，使用了进化算法进行网络结构级的优化，具有普适性，即对任意路口均可使用本方案，减少了人员调参设计的成本。
参见图7，图7是本发明实施例提供的一种交通状态预测装置的结构示意图，如图7所示，交通状态预测装置200包括：
生成模块201，用于生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；
计算模块202，用于基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；
更新模块203，用于依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；
确定模块204，用于基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；
预测模块205，用于基于所述预先训练的时空卷积网络模型预测交通状态。
可选的，所述染色体单元包括如下至少一项：
层数比特位，观测域比特位，扩展因子比特位；
其中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子。
可选的，所述更新模块203包括：
排序单元，用于按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；
生成单元，用于基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；
替换单元，用于将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。
可选的，所述生成单元具体用于：
对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元；
对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元；
其中，所述M2个第一染色体单元包括所述至少一个杂交染色体单元和所述至少一个变异染色体单元。
可选的，所述目标染色体单元为更新次数达到第一预设次数后排序在最前的染色体单元；
或者，
所述目标染色体单元为更新过程中连续M3次排序位于最前的染色体单元，M3大于或等于第二预设次数。
可选的，所述预测模块205具体用于：
将目标路段在当前时刻之前的N个预测时刻的真实交通状态输入所述预先训练的时空卷积网络模型，其中，所述时空卷积网络模型包括输入层，输出层及连接在所述输入层与所述输出层之间的多个隐藏层，所述输入层用于输入在当前时刻之前的N个预测时刻的真实交通状态，所述多个隐藏层中每个隐藏层的输出均基于时空注意力机制分别对每个所述隐藏层的输入进行卷积计算获得，N为正整数；
基于所述输出层的输出确定所述目标路段在当前时刻之后的预测时刻的预测交通状态。
可选的，所述输入层还用于输入附加状态信息，所述附加状态信息用于表征所述交通状态所属的环境特征；
所述多个隐藏层包括第一隐藏层，所述第一隐藏层与所述输入层连接，所述第一隐藏层用于对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合。
交通状态预测装置能够实现图1的方法实施例中实现的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
如图8所示，本发明实施例还提供了一种电子设备300，包括：处理器301、存储器302及存储在所述存储器302上并可在所述处理器301上运行的程序，所述程序被所述处理器301执行时实现上述交通状态预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述交通状态预测方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如ROM、RAM、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (9)

1.一种交通状态预测方法，其特征在于，所述方法包括：
生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；
基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；
依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；
基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；
基于所述预先训练的时空卷积网络模型预测交通状态；
所述依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，包括：
按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；
基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；
将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。
2.根据权利要求1所述的方法，其特征在于，所述染色体单元包括如下至少一项：
层数比特位，观测域比特位，扩展因子比特位；
其中，所述层数比特位用于表征所述时空卷积网络模型的隐藏层的层数，所述观测域比特位用于表征每个所述隐藏层的观测域，所述扩展因子比特位用于表征每个所述隐藏层的卷积扩展因子。
3.根据权利要求1所述的方法，其特征在于，所述基于前M1个染色体单元生成M2个第一染色体单元，包括：
对前M1个染色体单元进行杂交处理，得到至少一个杂交染色体单元；
对所述前M1个染色体单元进行变异处理，得到至少一个变异染色体单元；
其中，所述M2个第一染色体单元包括所述至少一个杂交染色体单元和所述至少一个变异染色体单元。
4.根据权利要求1所述的方法，其特征在于，所述目标染色体单元为更新次数达到第一预设次数后排序在最前的染色体单元；
或者，
所述目标染色体单元为更新过程中连续M3次排序位于最前的染色体单元，M3大于或等于第二预设次数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述预先训练的时空卷积网络模型预测交通状态，包括：
将目标路段在当前时刻之前的N个预测时刻的真实交通状态输入所述预先训练的时空卷积网络模型，其中，所述时空卷积网络模型包括输入层，输出层及连接在所述输入层与所述输出层之间的多个隐藏层，所述输入层用于输入在当前时刻之前的N个预测时刻的真实交通状态，所述多个隐藏层中每个隐藏层的输出均基于时空注意力机制分别对每个所述隐藏层的输入进行卷积计算获得，N为正整数；
基于所述输出层的输出确定所述目标路段在当前时刻之后的预测时刻的预测交通状态。
6.根据权利要求5所述的方法，其特征在于，所述输入层还用于输入附加状态信息，所述附加状态信息用于表征所述交通状态所属的环境特征；
所述多个隐藏层包括第一隐藏层，所述第一隐藏层与所述输入层连接，所述第一隐藏层用于对所述在当前时刻之前的N个预测时刻的真实交通状态与所述附加状态信息进行融合。
7.一种交通状态预测装置，其特征在于，所述装置包括：
生成模块，用于生成多个染色体单元，每个所述染色体单元用于表征一类时空卷积网络模型；
计算模块，用于基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值；
更新模块，用于依据所述多个染色体单元对应的时空卷积网络模型的损失值更新所述多个染色体单元，并返回执行所述基于样本集分别计算所述多个染色体单元中每个所述染色体单元对应的时空卷积网络模型的损失值的步骤，直至确定满足预设条件的目标染色体单元；
确定模块，用于基于所述目标染色体单元对应的时空卷积网络模型确定预先训练的时空卷积网络模型；
预测模块，用于基于所述预先训练的时空卷积网络模型预测交通状态；
所述更新模块包括：
排序单元，用于按照所述多个染色体单元对应的时空卷积网络模型的损失值从高至低对所述多个染色体单元进行排序；
生成单元，用于基于前M1个染色体单元生成M2个第一染色体单元，M1和M2均为正整数，M1大于或等于M2；
替换单元，用于将所述多个染色体单元中后M2个染色体单元替换为所述M2个第一染色体单元。
8.一种电子设备，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至6中任一项所述的交通状态预测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的交通状态预测方法的步骤。
CN202111382079.5A 2021-11-22 2021-11-22 一种交通状态预测方法、装置及电子设备 Active CN113821985B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111382079.5A CN113821985B (zh) 2021-11-22 2021-11-22 一种交通状态预测方法、装置及电子设备
PCT/CN2022/130549 WO2023088131A1 (zh) 2021-11-22 2022-11-08 一种交通状态预测方法、装置、设备、介质及程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111382079.5A CN113821985B (zh) 2021-11-22 2021-11-22 一种交通状态预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113821985A CN113821985A (zh) 2021-12-21
CN113821985B true CN113821985B (zh) 2022-02-22

Family

ID=78917933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111382079.5A Active CN113821985B (zh) 2021-11-22 2021-11-22 一种交通状态预测方法、装置及电子设备

Country Status (2)

Country Link
CN (1) CN113821985B (zh)
WO (1) WO2023088131A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113821985B (zh) * 2021-11-22 2022-02-22 中移(上海)信息通信科技有限公司 一种交通状态预测方法、装置及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180530A (zh) * 2017-05-22 2017-09-19 北京航空航天大学 一种基于深度时空卷积循环网络的路网状态预测方法
CN110674987A (zh) * 2019-09-23 2020-01-10 北京顺智信科技有限公司 一种交通流量预测***、方法及模型训练方法
DE102019115707A1 (de) * 2018-11-01 2020-05-07 Carnegie Mellon University Räumliches und zeitliches aufmerksamkeitsbasiertes tiefenverstärkungslernen von hierarchischen fahrspurwechselstrategien zum steuern eines autonomen fahrzeugs
WO2020123552A1 (en) * 2018-12-10 2020-06-18 Life Technologies Corporation Deep basecaller for sanger sequencing
CN111666991A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于卷积神经网络的模式识别方法、装置和计算机设备
CN112669606A (zh) * 2020-12-24 2021-04-16 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
CN113033786A (zh) * 2021-05-21 2021-06-25 北京航空航天大学 基于时间卷积网络的故障诊断模型构建方法及装置
CN113393461A (zh) * 2021-08-16 2021-09-14 北京大学第三医院（北京大学第三临床医学院） 基于深度学习的***中期染色体图像质量筛选方法和***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040044633A1 (en) * 2002-08-29 2004-03-04 Chen Thomas W. System and method for solving an optimization problem using a neural-network-based genetic algorithm technique
CN111353313A (zh) * 2020-02-25 2020-06-30 四川翼飞视科技有限公司 基于进化神经网络架构搜索的情感分析模型构建方法
CN113408505B (zh) * 2021-08-19 2022-06-14 北京大学第三医院（北京大学第三临床医学院） 一种基于深度学习的染色体极性识别方法和***
CN113821985B (zh) * 2021-11-22 2022-02-22 中移(上海)信息通信科技有限公司 一种交通状态预测方法、装置及电子设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107180530A (zh) * 2017-05-22 2017-09-19 北京航空航天大学 一种基于深度时空卷积循环网络的路网状态预测方法
DE102019115707A1 (de) * 2018-11-01 2020-05-07 Carnegie Mellon University Räumliches und zeitliches aufmerksamkeitsbasiertes tiefenverstärkungslernen von hierarchischen fahrspurwechselstrategien zum steuern eines autonomen fahrzeugs
WO2020123552A1 (en) * 2018-12-10 2020-06-18 Life Technologies Corporation Deep basecaller for sanger sequencing
CN110674987A (zh) * 2019-09-23 2020-01-10 北京顺智信科技有限公司 一种交通流量预测***、方法及模型训练方法
CN111666991A (zh) * 2020-05-28 2020-09-15 平安医疗健康管理股份有限公司 基于卷积神经网络的模式识别方法、装置和计算机设备
CN112669606A (zh) * 2020-12-24 2021-04-16 西安电子科技大学 利用动态时空图训练卷积神经网络的交通流预测方法
CN113033786A (zh) * 2021-05-21 2021-06-25 北京航空航天大学 基于时间卷积网络的故障诊断模型构建方法及装置
CN113393461A (zh) * 2021-08-16 2021-09-14 北京大学第三医院（北京大学第三临床医学院） 基于深度学习的***中期染色体图像质量筛选方法和***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于卷积网络与支持向量机的云资源预测模型;杨云等;《陕西科技大学学报》;20201013(第05期);摘要 *
基于深度神经网络的交通出行方式选择模型;田晟 等;《北华大学学报(自然科学版)》;20190131;第20卷(第1期);摘要 *
时空序列预测方法综述;黎维等;《计算机应用研究》;20201005(第10期);摘要 *

Also Published As

Publication number Publication date
WO2023088131A1 (zh) 2023-05-25
CN113821985A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN111612206B (zh) 一种基于时空图卷积神经网络的街区人流预测方法及***
CN111177792B (zh) 基于隐私保护确定目标业务模型的方法及装置
CN110599766B (zh) 一种基于sae-lstm-sad的道路交通拥堵传播预测方法
CN112216108A (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN112199608B (zh) 基于网络信息传播图建模的社交媒体谣言检测方法
CN111861013B (zh) 一种电力负荷预测方法及装置
CN108009674A (zh) 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法
Zhi-Qiang Causation, bayesian networks, and cognitive maps
CN111898689A (zh) 一种基于神经网络架构搜索的图像分类方法
CN113538125A (zh) 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法
CN113220886A (zh) 文本分类方法、文本分类模型训练方法及相关设备
CN113570859B (zh) 一种基于异步时空膨胀图卷积网络的交通流量预测方法
CN111814982A (zh) 面向多跳问答的动态推理网络及方法
CN113780665B (zh) 一种基于增强循环神经网络的私家车停留位置预测方法和***
CN113821985B (zh) 一种交通状态预测方法、装置及电子设备
CN112818690A (zh) 结合知识图谱实体信息的语义识别方法、装置及相关设备
CN112149887A (zh) 一种基于数据时空特征的pm2.5浓度预测方法
CN115206092B (zh) 一种基于注意力机制的BiLSTM和LightGBM模型的交通预测方法
CN115659011A (zh) 基于自主推荐机制的决策案例模块推荐实现方法
CN114461931A (zh) 一种基于多关系融合分析的用户轨迹预测方法和***
CN112862177A (zh) 一种基于深度神经网络的城市区域聚集度预测方法、设备及介质
CN116503118A (zh) 一种基于分类选择强化预测模型的废旧家电价值评估***
Ragapriya et al. Machine Learning Based House Price Prediction Using Modified Extreme Boosting
CN114116692B (zh) 一种基于mask和双向模型的缺失POI轨迹补全方法
CN116434531A (zh) 一种基于Conv1D-LSTM模型的短时交通流预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant