CN113971885B - 车速预测的方法、装置及*** - Google Patents
车速预测的方法、装置及*** Download PDFInfo
- Publication number
- CN113971885B CN113971885B CN202010642944.4A CN202010642944A CN113971885B CN 113971885 B CN113971885 B CN 113971885B CN 202010642944 A CN202010642944 A CN 202010642944A CN 113971885 B CN113971885 B CN 113971885B
- Authority
- CN
- China
- Prior art keywords
- vehicle speed
- tensor
- information
- time
- period
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车速预测的方法、装置及***,涉及智能交通领域。该方法能够提高所预测车速的准确度和稳定性。该方法包括:获取m(m是大于1的整数)个路段上的行驶车辆在当前日期的第一时段内的车速信息;基于第一时段内的车速信息,构建第一时空张量;根据第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。其中,第一时空张量是由m个时空矩阵堆叠而成的三维张量;m个时空矩阵中的第一时空矩阵,用于表示第一路段和第二路段上的行驶车辆分别在第一时段内的实际车速;第一路段是m个路段中的任一个路段;第二路段是m个路段中,在第一路段的预设范围内的路段;第二时段是在第一时段之后、且与第一时段连续的时段。
Description
技术领域
本申请涉及智能交通领域,尤其涉及一种车速预测的方法、装置及***。
背景技术
实时交通流的速度预测是大规模城市路网智能交通***的重要组成部分,其应用广泛。例如,通过预测实时交通流的速度,可以估计出畅通路段和拥堵路段。进一步的,根据畅通路段和拥堵路段的分布,可以控制交通信号灯的时间,调整车辆的实时导航路线,以及交通事故的预先响应等。
在现有技术中,通过构建不同路段在一段时间内的速度时间序列所组成的时空速度矩阵,并通过卷积神经网络(convolutional neural networks,CNN)训练该时空速度矩阵,从而得到预测交通流速度的模型,即车速预测模型。然后,使用车速预测模型预测车速。
然而,在上述时空速度矩阵的构建过程中,各个路段的速度时间序列的排列顺序是人为指定的。由于速度时间序列的不同排列顺序,会对车速预测模型所预测车速的准确度造成很大的影响,因此会使得预测结果的准确度和稳定性较差。
发明内容
本申请提供了一种车速预测的方法及装置,能够提高所预测车速的准确度和稳定性。
为达上述目的,本申请提供如下技术方案:
第一方面,本申请提供一种车速预测的方法,该方法包括:获取m(m是大于1的整数) 个路段上的行驶车辆在当前日期的第一时段内的车速信息。基于所获取到的第一时段内的车速信息,构建第一时空张量。其中,该第一时空张量是由m个时空矩阵堆叠而成的三维张量;该m个时空矩阵中的第一时空矩阵,用于表示第一路段和第二路段上的行驶车辆分别在第一时段内的实际车速;该第一路段是m个路段中的任一个路段;该第二路段是m个路段中,在第一路段的预设范围内的路段。根据所构建的第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。其中,第二时段是在第一时段之后、且与第一时段连续的时段。
通过本申请提供的方法可以构建m个路段上的行驶车辆在当前日期的第一时段内的表示实际车速的第一时空张量,并根据该第一时空张量预测该m个路段上的行驶车辆在当前日期的第二时段内的车速。这样,通过该方法预测交通流速度时,不再依赖专家经验设置时空矩阵的顺序,从而提高了预测车速的稳定性。另外,第一时空张量在构建过程中,将不同路段对应的时空矩阵堆叠,从而构建得到的该第一时空张量。这样,数据量最大的路段数则对应第一时空张量的深度。这样的话,该第一时空张量经过一次卷积操作后,即可大量减少数据量,这样极大的节省了时间成本和存储成本,提升了车速预测的实时性。
在一种可能的设计方式中,上述第一时段包括n(n是正整数)个时刻,第一时段内的车速信息包括n个时刻的车速信息。这样,上述的第一时空矩阵,用于表示第一路段和第二路段上的行驶车辆,分别在该n个时刻的实际车速。
通过该可能的设计,可以得到不同路段对应的速度时间序列。然后车速预测装置可以根据不同路段对应的速度时间序列构建出该不同路段对应的时空矩阵,进而可以构建出第一时段对应的三维时空张量。
在另一种可能的设计方式中,上述n个时刻中任意相邻两个时刻之间的时间间隔相等。
通过该可能的设计,用于预测第二时段的车速的第一时段的车速信息,均匀分布于第一时段,从而可以提高车速预测的准确度。
在另一种可能的设计方式中,上述“根据第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速”包括:根据第一外部信息张量和第一历史信息张量中的至少一个、以及第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。其中,第一外部信息张量和第一历史信息张量均基于第一时空张量构建的三维张量;第一外部信息张量与第一外部信息对应,第一外部信息包括:与第一时段对应的天气信息、日期信息以及事故信息中的至少一种;第一历史信息张量与第一历史车速信息对应,第一历史车速信息包括:m个路段上的行驶车辆,在当前日期之前的日期中的第二时段内的车速信息。
通过该可能的设计,用于预测第二时段车速的三维张量除第一时空张量外,还包括基于第一时空张量构建的第一外部信息张量和第一历史信息张量中的至少一个。也就是说,第一时段的外部信息,以及历史的第二时段的车速信息也可以作为预测当前日期第二时段车速的参考变量。这样,可以提高预测到的车速的准确度。
在另一种可能的设计方式中,上述“根据第一外部信息张量和第一历史信息张量中的至少一个、以及第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速”包括:根据第一外部信息张量和第一历史信息张量中的至少一个、以及第一时空张量,通过预置的车速预测模型,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。
在另一种可能的设计方式中,上述的车速预测模型包括卷积神经网络CNN,该CNN用于提取第一时空张量的特征。
在另一种可能的设计方式中,上述车速预测模型还包括全连接神经网络FC,该FC用于提取第一外部信息张量的特征。
在另一种可能的设计方式中,上述车速预测模型还包括数据压缩神经网络,该数据压缩神经网络用于提取第一历史信息张量的特征。
在另一种可能的设计方式中,上述“根据第一外部信息张量和第一历史信息张量中的至少一个、以及第一时空张量,通过预置的车速预测模型,预测m个路段上的行驶车辆在当前日期的第二时段内的车速”包括:根据车速预测模型中的权重系数、上述的第一外部信息张量的特征和/或第一历史信息张量的特征中的至少一个特征、以及第一时空张量的特征,得到 m个路段上的行驶车辆在当前日期的第二时段内的车速。
通过上述几种可能的设计方式,车速预测模型可以采用不同的神经网络提取第一时空张量、第一外部信息张量以及第一历史信息张量自的特征。这样,可以提高车速预测装置预测车速的准确度。
在另一种可能的设计方式中,用于训练上述车速预测模型的训练样本包括第二时空张量。其中,该第二时空张量是根据m个路段上的行驶车辆,在当前日期之前的日期中的第一时段内的车速信息构建的三维张量。其中,该当前日期之前的日期中的第一时段内的车速信息,用于预测当前日期之前的日期中的第二时段内的车速。
通过该可能的设计,车速预测装置可以根据历史上的第一时段内的车速信息所构建的第二时空张量来训练车速预测模型。通过这种方式训练得到的车速预测模型,不再依赖专家经验设置时空矩阵的顺序,从而提高了该车速预测模型预测车速的稳定性。
在另一种可能的设计方式中,上述训练样本还包括第二外部信息张量和第二历史信息张量中的至少一个。其中,该第二外部信息张量和第二历史信息张量均是基于第二时空张量构建的三维张量。该第二外部信息张量与第二外部信息对应,该第二外部信息包括:与当前日期之前的日期中的第一时段对应的天气信息、日期信息以及事故信息中的至少一种。该第二历史信息张量与第二历史车速信息对应,该第二历史车速信息包括:m个路段上的行驶车辆,在第二时空张量对应日期之前的日期中的第二时段内的车速信息。
通过该可能的设计,本申请还根据第二时空张量构建第二外部信息张量和第二历史信息张量。这样,通过第二时空张量、第二外部信息张量和第二历史信息张量所训练出的车速预测模型在预测车速时,相比现有技术中车速预测模型预测车速时,准确度更高。
第二方面,本申请提供了一种车速预测模型的训练方法。该训练方法包括:获取至少一个训练样本,该至少一个训练样本与至少一个日期一一对应,该至少一个日期是当前日期之前的日期。其中,该至少一个训练样本中的任一训练样本是第一训练样本,该第一训练样本包括速度时空张量,该速度时空张量由m(m是大于1的整数)个时空矩阵堆叠而成的三维张量。其中,该m个时空矩阵中的第一时空矩阵,用于表示m个路段中第一路段和第二路段上的行驶车辆,分别在第一训练样本对应的日期的第一时段内的实际车速。其中,该第二路段是m个路段中,在第一路段的预设范围内的路段。然后,使用该至少一个训练样本对神经网络进行训练,从而得到车速预测模型。这里,该车速预测模型用于根据m个路段上的行驶车辆在当前日期的第一时段内的车速信息,预测当前日期的第二时段内的车速。该第二时段是在第一时段之后、且与第一时段连续的时段。
通过不同日期中第一时段内的三维的速度时空张量来训练神经网络,不再依赖专家经验设置时空矩阵的顺序,从而提高了车速预测模型预测车速的稳定性。
在另一种可能的设计方式中,上述的第一训练样本还包括外部信息张量和/或历史信息张量。其中,该外部信息张量是基于速度时空张量和外部信息构建的三维张量,该外部信息包括:第一训练样本对应的日期内,与第一时段对应的天气信息、日期信息或事故信息中的至少一种。该历史信息张量是基于速度时空张量和历史信息构建的三维张量,该历史信息包括: m个路段上的行驶车辆,在第一训练样本对应的日期之前的日期中的第二时段内的车速信息。
通过该可能的设计方式,用于训练车速预测模型的训练样本还包括外部信息张量和/或历史信息张量,这样,训练出的车速预测模型在预测车速时,相比现有技术中车速预测模型预测车速时,准确度更高。
在一种可能的设计方式中,上述神经网络包括卷积神经网络CNN,该CNN用于提取速度时空张量的特征。
在另一种可能的设计方式中,上述的神经网络还包括:全连接神经网络FC和/或数据压缩神经网络。其中,FC用于提取外部信息张量的特征,数据压缩神经网络用于提取历史信息张量的特征。
通过上述几种可能的设计方式,车速预测模型可以采用不同的神经网络提取速度时空张量、外部信息张量以及历史信息张量自的特征。这样,训练出的车速预测模型在预测车速时,可以提高预测车速的准确度。
第三方面,本申请提供了一种车速预测装置。
在一种可能的设计中,该车速预测装置用于执行上述第一方面提供的任一种方法。本申请可以根据上述第一方面提供的任一种方法,对该车速预测装置进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。示例性的,本申请可以按照功能将该车速预测装置划分为获取单元、构建单元以及预测单元等。上述划分的各个功能模块执行的可能的技术方案和有益效果的描述均可以参考上述第一方面或其相应的可能的设计提供的技术方案,此处不再赘述。
在另一种可能的设计中,该车速预测装置包括:存储器和一个或多个处理器,该存储器和处理器耦合。该存储器用于存储计算机指令,该处理器用于调用该计算机指令,以执行如第一方面及其任一种可能的设计方式提供的任一种方法。
第四方面,本申请提供了一种车速预测模型的训练装置。
在一种可能的设计中,该训练装置用于执行上述第二方面提供的任一种方法。本申请可以根据上述第二方面提供的任一种方法,对该训练装置进行功能模块的划分。例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。示例性的,本申请可以按照功能将该训练装置划分为获取单元和训练单元等。上述划分的各个功能模块执行的可能的技术方案和有益效果的描述均可以参考上述第二方面或其相应的可能的设计提供的技术方案,此处不再赘述。
在另一种可能的设计中,该训练装置包括:存储器和一个或多个处理器,该存储器和处理器耦合。该存储器用于存储计算机指令,该处理器用于调用该计算机指令,以执行如第二方面及其任一种可能的设计方式提供的任一种方法。
第五方面,本申请提供了一种计算机可读存储介质,如计算机非瞬态的可读存储介质。其上储存有计算机程序(或指令),当该计算机程序(或指令)在车速预测装置上运行时,使得计算机执行上述第一方面中任一种可能的实现方式提供的任一种方法,或者,使得计算机执行上述第二方面中任一种可能的实现方式提供的任一种方法。
第六方面,本申请提供了一种计算机程序产品,当其在计算机上运行时,使得第一方面中的任一种可能的实现方式提供的任一种方法被执行,或者使得第二方面中的任一种可能的实现方式提供的任一种方法被执行。
第七方面,本申请提供了一种芯片***,包括:处理器,处理器用于从存储器中调用并运行该存储器中存储的计算机程序,执行第一方面中的实现方式提供的任一种方法,或者执行第二方面中的实现方式提供的任一种方法。
第八方面,本申请提供了一种车速预测***,该车速预测***包括至少m个车速传感器,该至少m个车速传感器用于检测m个路段上的行驶车辆在第一时段内的车速信息。该m个路段中的任一个路段,对应至少一个车速传感器。其中,m是大于1的整数。该车速预测***还包括如第三方面中任一种可能的实现方式提供的任一种车速预测装置,该车速预测装置用于,根据车速信息预测m个路段上的行驶车辆在第二时段内的车速。其中,该第二时段是在第一时段之后、且与第一时段连续的时段。
其中,第三方面中任一种可能的实现方式提供的任一种车速预测装置的技术方案和有益效果的描述均可以参考上述第一方面或其相应的可能的设计提供的技术方案,此处不再赘述。
在一种可能的实现方式中,上述车速预测***还包括边缘服务单元。上述的至少m个车速传感器和车速预测装置,分别与边缘服务单元通信。该边缘服务单元用于对从至少m个车速传感器接收到的车速信息进行汇聚处理,以及用于将汇聚处理后的车速信息发送至车速预测装置。
通过该可能的设计,可以减少与车速预测装置连接通信的车速传感器的数量,从而可以减轻车速预测装置接收消息时的带宽压力。
可以理解的是,上述提供的任一种车速预测装置、计算机存储介质、计算机程序产品或芯片***等均可以应用于上文所提供的对应的方法,因此,其所能达到的有益效果可参考对应的方法中的有益效果,此处不再赘述。
在本申请中,上述车速预测装置、车速预测模型的训练装置的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种车速预测***的示意图一;
图2为本申请实施例提供的一种车速预测装置的硬件结构图;
图3为本申请实施例提供的一种道路上不同路段的示意图;
图4为本申请实施例提供的一种车速预测***的示意图二;
图5为本申请实施例提供的一种车速预测***的示意图三;
图6为本申请实施例提供的一种车速预测***的示意图四;
图7为本申请实施例提供的一种车速预测方法的流程示意图;
图8为本申请实施例提供的一种第一时空张量的示意图;
图9为本申请实施例提供的一种训练车速预测模型的流程示意图;
图10a为本申请实施例提供的一种车速预测装置的结构示意图;
图10b为本申请实施例提供的一种车速预测模型的训练装置的结构示意图;
图11为本申请实施例提供的一种芯片***的结构示意图;
图12为本申请实施例提供的计算机程序产品的结构示意图。
具体实施方式
在本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的实施例中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本申请中术语“至少一个”的含义是指一个或多个,本申请中术语“多个”的含义是指两个或两个以上,例如,多个第二报文是指两个或两个以上的第二报文。本文中术语“***”和“网络”经常可互换使用。
应理解,在本文中对各种所述示例的描述中所使用的术语只是为了描述特定示例,而并非旨在进行限制。如在对各种所述示例的描述和所附权利要求书中所使用的那样,单数形式“一个(“a”,“an”)”和“该”旨在也包括复数形式,除非上下文另外明确地指示。
还应理解,本文中所使用的术语“和/或”是指并且涵盖相关联的所列出的项目中的一个或多个项目的任何和全部可能的组合。术语“和/或”,是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B 这三种情况。另外,本申请中的字符“/”,一般表示前后关联对象是一种“或”的关系。
还应理解,在本申请的各个实施例中,各个过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
还应理解,术语“包括”(也称“includes”、“including”、“comprises”和/或“comprising”)当在本说明书中使用时指定存在所陈述的特征、整数、步骤、操作、元素、和/或部件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元素、部件、和/或其分组。
还应理解,术语“如果”可被解释为意指“当...时”(“when”或“upon”)或“响应于确定”或“响应于检测到”。类似地,根据上下文,短语“如果确定...”或“如果检测到[所陈述的条件或事件]”可被解释为意指“在确定...时”或“响应于确定...”或“在检测到[所陈述的条件或事件]时”或“响应于检测到[所陈述的条件或事件]”。
应理解,说明书通篇中提到的“一个实施例”、“一实施例”、“一种可能的实现方式”意味着与实施例或实现方式有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”、“一种可能的实现方式”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
智能交通***(intelligent traffic systems,ITS)的前身是智能车辆道路***(intelligent vehicle highway system,IVHS)。智能交通***将先进的信息技术、数据通信技术、传感器技术、电子控制技术以及计算机技术等有效地综合运用于整个交通运输管理体系,从而建立起一种大范围内、全方位发挥作用的、实时、准确、高效的综合运输和管理***。
在智能交通***中,通常需要实时预测道路上交通流的速度。然后,根据实时预测的交通流的速度,智能交通***可以预测未来一段时间的畅通路段和拥堵路段,进而根据所预测出的畅通路段和拥堵路段,实现智能交通控制。
例如,在智能交通***中,可以根据预测出的未来一段时间的畅通路段和拥堵路段,调整交通信号灯在不同通行方向的通行时间。作为示例,增加拥堵路段所对应方向通行的时间,或者减少畅通路段所对应方向通行的时间等。
又例如,在智能交通***中,可以将预测出的未来一段时间的畅通路段和拥堵路段,智能的显示在交通路网地图上,以实现交通路网的可视化。
再例如,在智能交通***中,可以根据预测出的未来一段时间的畅通路段和拥堵路段,预测出事故多发路段。这样,智能交通***即可指示在事故多发路段配备较多的处理交通事故的警力,等等。
可以理解,上述的交通流,是指车辆在道路上连续行驶形成的车流。也就是说,预测道路上交通流的速度,实际为预测在道路上行驶车辆的车速。
为实现预测未来一段时间内道路上行驶车辆的车速,传统的预测方法,通常利用CNN对预先构建的时空矩阵进行训练,从而得到车速预测模型。其中,一个时空矩阵包括多个速度时间序列。一个速度时间序列,可以是交通路网中的一个路段在目标时段之前的预设时段内的实际车速所构成的序列,即一个路段对应一个速度时间序列。也即,不同的速度时间序列,是不同路段在目标时段之前的预设时段内的实际车速所构成的序列。这样的话,多个路段对应的多个速度时间序列,即可构成上述的时空矩阵。其中,目标时段和目标时段之前的预设时段,是连续的时段。当前日期的目标时段,即需要预测车速的时段。
作为示例,路段1在预设时段内的10个时刻具有10个实际车速值,这10个时刻对应的 10个实际车速值所构成的序列,即为路段1对应的速度时间序列。
然后,当需要预测当前日期的目标时段内的道路车速时,则可以根据不同路段在当前日期的目标时段之前的预设时段内的实际车速构建时空矩阵,并将该时空矩阵输入预先训练的车速预测模型中,从而该车速预测模型即可输出预测到的、当前日期的目标时段内所述不同路段上行驶车辆的车速,即,预测到当前日期的目标时段内所述不同路段上交通流的速度。
然而,在上述方法中,不同的速度时间序列在时空矩阵中的排序,需要根据专家经验人为设置,从而导致该方法训练出的车速预测模型不具有普遍适用性。并且,时空矩阵中不同的速度时间序列的排序顺序,会导致车速预测模型所输出的预测结果的准确度和稳定性较差。
此外,在大规模的交通路网中,路段的数量庞大。例如,在城市交通路网中可以包括成千上万个路段。这种情况下,根据庞大数量的路段对应的速度时间序列,构建的时空矩阵会十分巨大。这样的话,通过CNN训练车速预测模型时,以及根据所训练的车速预测模型预测车速时,会消耗大量的时间资源和储存资源,因此难以满足线上实时需求。
为解决上述问题,本申请实施例提供了一种车速预测方法,该方法通过构建当前日期的目标时段(对应本申请实施例的第二时段)之前的一段时间(对应本申请实施例的第一时段) 内的多个路段所对应的三维时空张量,并根据该三维时空张量,通过预先训练的预测车速模型,来预测当前日期的目标时段内该多个路段上的车速。通过该方法,能够提高所预测车速的准确度和稳定性,并且能够在预测车速时节省时间成本和存储成本,提升预测的实时性。
参考图1,图1示出了本申请实施例提供的一种车速预测***10。如图1所示,该车速预测***10包括车速传感器11和车速预测装置12。其中,车速传感器11和车速预测装置12之间连接通信。
车速传感器11,用于检测第一时段内道路上行驶车辆的实际车速,以及用于将包括该实际车速的车速信息,上报至车速预测装置12。其中,该车速信息包括车速传感器11检测到实际车速以及该实际车速的相关信息。该实际车速的相关信息包括:车速传感器11检测到该实际车速的时间信息、以及车速传感器11检测到该实际车速时车辆的位置信息等,对此不作限定。
可以看出,车速传感器11是具有通信功能车速传感器。
具体的,按照车速传感器设置的位置,车速传感器11可以包括车辆传感器和道路传感器。
其中,车辆传感器也可以称为汽车传感器或车用传感器,车辆传感器通常设置于车辆内部。车辆传感器可以用于检测车辆当前行驶的实际车速。其中,车辆传感器可以是光电式的速度传感器、磁电式的速度传感器、以及霍尔式的速度传感器中的任一种,对此不作限定。
在本申请实施例中,设置有车辆传感器的车辆通常安装有车载全球定位***(global positioning system,GPS)。这样,车辆传感器可以从车辆的GPS定位***中获取到该车辆的位置信息。作为示例,设置有车速传感器11的车辆可以是私家车辆或者浮动车,对此不作限定。其中,浮动车一般是指安装了车载GPS定位装置的、并行驶在城市主干道上的公交汽车和出租车。
可以理解,由于车辆传感器设置于车辆中,因此当车速传感器11是车辆传感器时,车速传感器11是可移动式的速度传感器。若车速传感器11是可移动式的速度传感器,则车速传感器11和车速预测装置12之间可以通过无线通信网络进行通信。
可选的,对于设置有车辆传感器的私家车辆而言,可以通过该车辆的车载***与驾驶员之间的人机交互,从而建立该车辆传感器和车速预测装置12之间的通信连接。进而,车辆传感器可以基于该通信连接,向车速预测装置12上报车速信息。
作为示例,在驾驶员驾驶车辆行驶的过程中,驾驶员开启车载***中的地图导航时,或在使用车载***中的地图导航时,车载***在其交互界面上显示“是否允许上报当前车速”。当驾驶员通过点击交互界面上的“允许”按键后,该车辆内的车辆传感器即可以根据预置的车速预测装置12的网际互连协议(internet protocol,IP)地址,建立与车速预测装置12之间的通信连接。这样,该车辆的车辆传感器即可实时或周期性地向车速预测装置12上报车速信息。
道路传感器,可以是安装在道路上不同路段的、具备测量或计算速度功能的设备。
作为示例,道路传感器可以是摄像头或雷达等,对此不作限定。若道路传感器是具备计算速度功能的摄像头,则该摄像头可以根据其视场内连续拍摄到的、不同图像帧中同一车辆的位置,确定该车辆行驶的距离,进而根据每帧图像之间的时间差,计算得到该车辆的行驶速度。
可以看出,当车速传感器11是道路传感器时,车速传感器11是固定式的速度传感器。若车速传感器11是固定式的速度传感器,则车速传感器11和车速预测装置12之间,可以通过有线或无线的方式进行通信,对此不作限定。
应理解,道路传感器可以在设置时、或后期维护时,建立与车速预测装置12之间的通信连接。这样道路传感器即可根据该通信连接,向车速预测装置12上报车速信息。
应理解,以上对车速传感器11的描述仅为示例性说明,本申请实施例对车速传感器11 的具体形态以及实现方式不作具体限定。
参考图1,图1中所示的车速预测装置12,可以用于根据从车速传感器11接收到的、第一时段内的道路上行驶车辆的车速信息,预测第二时段内该道路上行驶车辆的车速。其中,第一时段是第二时段之前的时段,且第一时段与第二时段是连续的时段。
其中,该车速预测装置12中预置有车速预测模型,该车速预测模型可以是车速预测装置 12预先训练的,也可以是其他具有训练模型能力的设备预先训练的,对此不作限定。
可选的,车速预测装置12可以是服务器。作为示例,该车速预测装置12可以是智能交通***的服务器,例如物理服务或云服务器,本申请实施例对此不作限定。
参考图2,图2示出了本申请实施例中提供的车速预测装置12的一种硬件结构。如图2 所示,车速预测装置12包括处理器21、存储器22、通信接口23、总线24。处理器21、存储器22以及通信接口23之间可以通过总线24连接。
处理器21是车速预测装置12的控制中心,可以是一个通用中央处理单元(centralprocessing unit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一个示例,处理器21可以包括一个或多个CPU,例如图2中所示的CPU 0和CPU1。
存储器22可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
一种可能的实现方式中,存储器22可以独立于处理器21存在。存储器22可以通过总线 24与处理器21相连接,用于存储数据、指令或者程序代码。处理器21调用并执行存储器22 中存储的指令或程序代码时,能够实现本申请实施例提供的车速预测的方法。
另一种可能的实现方式中,存储器22也可以和处理器21集成在一起。
通信接口23,用于车速预测装置12与其他设备(如车速传感器11等)通过通信网络连接,所述通信网络可以是以太网,无线接入网(radio access network,RAN),无线局域网(wireless local area networks,WLAN)等。通信接口23可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
总线24,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图2中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
需要指出的是,图2中示出的结构并不构成对该管控设备的限定,除图2所示部件之外,该车速预测装置12可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在实际应用中,大规模的交通路网通常包括成千上万个路段。这样的话,车速预测***中须包括大量的车速传感器,从而能够检测该成千上万个路段上行驶车辆的实际车速,以及将将包括该实际车速的车速信息上报至车速预测***中车速预测装置。
其中,本申请实施例将具有一定长度、且通行方向相同的道路,称为路段。例如,在城市道路上,长度为1公里的道路1,且通行方向为从南至北,可以称为路段1。长度为1公里的道路1,且通行方向为从北至南,可以称为路段2。可见,在同一段道路上,若通行方向不同,则属于不同路段。
作为示例,参考图3,图3所示出的城市局部路网地图中的道路30为双向道路。其中,道路30上的箭头方向可以表示通行方向。如图3所示,道路30上包括路段31、路段32、路段33、路段34、路段35、路段36以及路段37。其中,路段31、路段32、路段33以及路段 34,是道路30上通行方向为由B到A方向上的路段,路段35、路段36以及路段37是道路 30上A到B方向上的路段。其中,路段34和路段36是道路30在AB段上的同一位置处、不同通行方向上的路段。
可以理解,一个路段上行驶车辆的实际车速,可以通过至少一个车速传感器检测得到。也就是说,车速预测***中的车速传感器的数量,至少等于交通路网中路段的数量。
参考图4,图4示出了本申请实施例提供的另一种车速预测***40。该车速预测***40 包括传感器侧41的p个车速传感器,以及车速预测装置42。其中,p是大于1的整数。
其中,传感器侧41的p个车速传感器分别和车速预测装置42连接通信。车速预测装置 42的相关说明,可以参考上述图1中的车速预测装置12的描述,这里不再赘述。
如图4所示,在车速预测***40的传感器侧41,包括车速传感器1、车速传感器2、…、以及车速传感器p。其中,有关传感器侧41的任一个车速传感器的描述,可以参考上文中车速传感器11的描述,这里不再赘述。
可选的,参考图5,图5示出了本申请实施例提供的又一种车速预测***50。该车速预测***50包括传感器侧51的至少2个车速传感器、边缘服务单元52、以及车速预测装置53。
其中,边缘服务单元52与车速预测装置53连接通信。其中,车速预测装置53,可以参考图1中的车速预测装置12中的描述,此处不再赘述。
如图5所示,传感器侧51包括车速传感器1、…、车速传感器j,以及包括车速传感器11、…、车速传感器(11+k)等。其中,j是大于1的整数,k是大于或等于0的整数。其中传感器侧51的任一个车速传感器的有关说明,可以参考图1中的车速传感器11的描述,这里不再赘述。
其中,车速传感器1至车速传感器j分别与边缘服务单元52连接通信。车速传感器1至车速传感器j分别与边缘服务单元52建立通信连接的过程,可以参考上文中车辆传感器和车速预测装置12之间建立通信连接的过程,或者可以参考上文中道路传感器和车速预测装置 12之间建立通信连接的过程的描述,这里不再赘述。
如图5所示,边缘服务单元52,与传感器侧51的j个车速传感器相连,并用于将从该j 个车速传感器获取的j个车速信息进行汇聚处理。其中,边缘服务单元52汇聚处理从j个车速传感器接收到的车速信息的过程,可以参考下文S101中汇聚处理车速信息的描述,这里不再赘述。
可以理解,传感器侧51中,未与边缘服务单元52连接通信的车速传感器,例如图5中所示出的车速传感器11至车速传感器(11+k),可以直接与车速预测装置53连接通信。即,车速传感器11至车速传感器(11+k),可以直接向车速预测装置53上报包括所检测到的实际车速的车速信息。
应理解,边缘服务单元52可以是具有通信以及计算能力的任一种计算设备。作为示例,边缘服务单元可以是边缘服务器。
这样,通过在车速预测装置53和传感器侧51中的车速传感器之间,引入至少一个边缘服务单元52,可以减少与车速预测装置53通信的车速传感器的数量,从而有效缓解了车速预测装置53接收消息时的带宽压力。
在实际应用中,边缘服务单元52的数量可以是多个,每个边缘服务单元52用于与传感器侧51的至少2个车速传感器通信连接,并用于将从该至少2个车速传感器接收到的车速信息进行汇聚处理,并将汇聚处理后的车速信息发送至车速预测装置53。
示例性的,参考图6,在图6所示出的车速预测***50中,边缘服务侧62包括q个边缘服务单元,q是大于或等于2的整数。如图6所示,边缘服务侧62包括边缘服务单元1、…、以及边缘服务单元q。这里,边缘服务侧62的任一个边缘服务单元,可以是图5所描述的边缘服务单元52。
其中,车速传感器1至车速传感器j分别与边缘服务单元1连接通信,且边缘服务单元1 用于将从车速传感器1至车速传感器j所接收到的车速信息进行汇聚处理,并将汇聚处理后的车速信息发送至车速预测装置53。类似的,车速传感器11至车速传感器(11+k)分别与边缘服务单元q通信相连,且边缘服务单元q用于将从车速传感器11至车速传感器(11+k)所接收到的车速信息进行汇聚处理,并将汇聚处理后的车速信息发送至车速预测装置53。
下面结合附图对本申请实施例提供的方法进行描述。
参考图7,图7示出了本申请实施例提供的车速预测方法的流程示意图。该车速预测方法应用于车速预测装置,该车速预测装预置有车速预测模型。
该方法可以包括以下几个步骤:
S101、获取m个路段上的行驶车辆在当前日期的第一时段内的车速信息,m是大于1的整数。
其中,该第一时段是当前日期中的第二时段之前的一个时段,第一时段与第二时段为连续时间段。这里,第二时段即为需要预测车速的时间段,即上文中所述的目标时段。
其中,该m个路段可以是任一个交通路网(例如城市交通路网)中的m个路段,包括该 m个路段的交通路网的地图可以预置在车速预测装置中。
其中,该m个路段中每两个路段的长度,可以相同,也可以不同。车速预测装置基于该 m个路段上的行驶车辆在当前日期的第一时段内的车速信息,可以预测出该m个路段上的行驶车辆在当前日期的第二时段内的车速。
应理解,车速预测装置所获取的、m个路段上的行驶车辆在当前日期的第一时段内的车速信息,包括至少m个车速传感器检测到的该m个路段上的行驶车辆在当前日期的第一时段内的实际车速以及该实际车速的相关信息。其中,该实际车速的相关信息包括:该至少m个车速传感器检测到该实际车速的时间信息,以及该至少m个车速传感器检测到该实际车速时行驶车辆的位置信息等。
具体的,车速预测装置可以通过以下至少一种方式,获取到该m个路段上的行驶车辆在当前日期的第一时段内的车速信息。
在第一种可能的实现方式中,车速预测装置直接接收至少m个车速传感器上报的第一时段内的车速信息,从而获取到该m个路段上的行驶车辆在当前日期的第一时段内的车速信息。
其中,上述的车速传感器可以是车辆传感器或道路传感器。该车辆传感器和该道路传感器的相关描述,可以参考上文中车辆传感器和道路传感器的描述,这里不再赘述。
可以理解,在一个路段上,至少有一个车速传感器上报该路段上的行驶车辆在当前日期的第一时段内的车速信息。例如,在当前日期的第一时段内,在路段1上行驶的车辆1中的车辆传感器1,向车速预测装置上报车速信息。或者,设置于路段1上某一位置的道路传感器1,向车速预测装置上报车速信息。
具体的,当上述至少m个车速传感器是车辆传感器或道路传感器时,该至少m个车速传感器向车速预测装置上报m个路段上的行驶车辆在当前日期的第一时段内的车速信息的说明,可以参考下文的描述,这里不再赘述。
在第二种可能的实现方式中,车速预测装置可以通过接收至少一个边缘服务单元上报的、 m个路段上的行驶车辆在当前日期的第一时段内的车速信息,从而获取到该m个路段上的行驶车辆在当前日期的第一时段内的车速信息。其中,边缘服务单元的描述,可以参考图5中边缘服务单元52的相关描述,这里不再赘述。
其中,一个边缘服务单元可以与至少2个车速传感器连接通信,并接收该至少2个车速传感器上报的、至少一个路段上的行驶车辆在当前日期的第一时段内的车速信息。接着,该边缘服务单元对接收到的车速信息进行汇聚处理,并将经汇聚处理后的车速信息上报至车速预测装置。作为响应,车速预测装置接收到汇聚处理后的车速信息。
其中,至少2个车速传感器向一个边缘服务单元上报至少一个路段上的行驶车辆在当前日期的第一时段内的车速信息的描述,可以参考第一种可能的实现方式中,至少m个车速传感器向车速预测装置上报m个路段上的行驶车辆在当前日期的第一时段内的车速信息的描述,这里不再赘述。
可以理解,向一个边缘服务单元上报车速信息的至少2个车速传感器,可以是位于交通路网的预设区域内的至少2个车速传感器。其中,对于该预设区域的划分方式以及该预设区域面积的大小,本申请实施例不作具体限定。作为示例,向边缘服务单元1上报车速信息的至少2车速传感器,可以是第一预设区域内的车速传感器,即边缘服务单元1与第一预设区域内的车速传感器对应。
可选的,边缘服务单元可以按照下述任一种方式,对接收到的至少2个车速传感器上报的、至少一个路段上的行驶车辆在当前日期的第一时段内的车速信息进行汇聚处理。
方式一,边缘服务单元可以将接收到的、至少2个车速传感器所上报的至少一个路段上的行驶车辆在当前日期的第一时段内的车速信息,按照不同的车速传感器进行汇聚处理。
作为示例,若边缘服务单元1对应的预设区域内包括3个车速传感器,则边缘服务单元可以接收到这3个车速传感器所上报的在当前日期的第一时段内的车速信息,并按照不同的车速传感器,对所接收到的车速信息进行汇聚处理,从而得到如表1所示的汇聚信息。
如表1所示,表1示出了不同的车速传感器在不同时刻的实际车速,以及该实际车速对应的位置信息。
其中,在表1中的“时间”一列,对于车速传感器1所对应的时刻11到时刻1a所表示的时段,可以是第一时段,也可以是第一时段中的一个时段,本申请实施例对此不作限定。类似的,对于车速传感器2所对应的时刻21到时刻2a所表示的时段,可以是第一时段,也可以是第一时段中的一个时段。对于车速传感器3所对应的时刻31到时刻3a所表示的时段,可以是第一时段,也可以是第一时段中的一个时段。
应理解,在表1中的“位置信息”一列,车速传感器1所上报的位置信息为经纬度信息,且在不同时刻,该经纬度信息不同,可见车速传感器1是车辆传感器。类似的,车速传感器 2也是车辆传感器。车速传感器3所上报的位置信息为车速传感器3的编号,这时,车速传感器3可以是道路传感器。
表1
方式二,边缘服务单元可以将接收到的、至少2个车速传感器所上报的至少一个路段上的行驶车辆在当前日期的第一时段内的车速信息,按照不同路段进行汇聚处理。
可以理解的是,在同一个路段上,可以有多个车速传感器进行车速信息上报。例如,在某一时刻,在路段1上行驶的3辆车辆,以及设置在路段1的1个道路传感器,均向边缘服务单元上报了车速信息。也就是说,路段1对应了4个车速信息。作为响应,边缘服务单元即可接收到3个车辆传感器和1个道路传感器上报的车速信息,即4个车速信息。
可以理解,边缘服务单元可以预置包括所对应的区域的交通路网地图,即该交通路网地图与该边缘服务单元对应的预设区域对应。这样,边缘服务单元即可根据接收到的至少一个车速传感器上报的、至少一个路段上的行驶车辆在当前日期的第一时段内的车速信息中的位置信息,在该包括交通路网地图中,确定出该车速信息中的实际车速对应的路段。
这样,边缘服务单元在确定所接收到的车速信息中的实际车速对应的路段后,按照不同路段,对接收到的车速信息进行汇聚处理。
作为示例,若边缘服务单元根据接收的至少2个车速传感器所上报的在当前日期的第一时段内的车速信息,确定出3个路段,则边缘服务单元按照不同的路段,对接收到的车速信息进行汇聚处理,从而得到如表2所示的汇聚信息。
如表2所示,在表2中的“时间”一列,对于路段1所对应的时刻11到时刻1a所表示的时段,可以是第一时段,也可以是第一时段中的一个时段,本申请实施例对此不作限定。类似的,对于路段2所对应的时刻21到时刻2a所表示的时段,可以是第一时段,也可以是第一时段中的一个时段。对于路段3所对应的时刻31到时刻3a所表示的时段,可以是第一时段,也可以是第一时段中的一个时段。
如表2所示,在表2中的“平均车速”一列,可以表示在不同时刻,边缘服务单元接收到的该路段对应的所有车速信息中实际车速的平均车速。例如,在时刻11,路段1对应的至少一个实际车速的平均车速是36km/h。在时刻12,路段1对应的至少一个实际车速的平均车速是42km/h,等等,不再赘述。当然,表2所示的“平均车速”,也可以是在不同时刻的预设时长范围内,例如在时刻11的预设时长范围内,边缘服务单元接收到的该路段对应的所有车速信息中实际车速的平均车速。对此不作限定。
表2
进一步的,至少一个边缘服务单元将汇聚处理后的车速信息,上报给车速预测装置。作为响应,车速预测装置接收到经至少一个边缘服务单元汇聚处理后的车速信息,从而获取到 m个路段上的行驶车辆在当前日期的第一时段内的车速信息。
可选的,至少一个边缘服务单元可以实时的将汇聚处理后的车速信息,上报给车速预测装置。或者,至少一个边缘服务单元可以周期性的将汇聚处理后的车速信息,上报给车速预测装置。本申请实施例对此不做具体限定。
S102、基于上述获取的m个路段上的行驶车辆在当前日期的第一时段内的车速信息,构建该m个路段对应的m个速度时间序列。
可以理解,车速预测装置可以对从至少一个车速传感器、和/或从至少一个边缘服务单元所获取的m个路段上的行驶车辆在当前日期的第一时段内的车速信息,做进一步汇聚处理,以得到第一时段内,m个路段分别对应的车速信息。这里,该m个路段分别对应的车速信息的具体格式,可以参考上文表2中所示的3个路段对应的车速信息的格式,这里不再赘述。
为简单描述,本申请实施例在下文中,将车速预测装置所获取的m个路段上的行驶车辆在当前日期的第一时段内的车速信息,称为第一车速信息;将车速预测装置对所获取第一车速信息,做进一步汇聚处理后得到的、第一时段内m个路段分别对应的车速信息,称为第二车速信息。
在一种情况下,如果车速预测装置是从车速传感器直接接收到的第一车速信息,则车速预测装置对所接收到的第一车速信息进行汇聚处理,以得到第二车速信息。
其中,车速预测装置对从车速传感器直接接收到的第一车速信息进行汇聚处理的过程,可以参考上述S101的第二种可能的实现方式中,边缘服务单元对从车速传感器接收到的车速信息以方式二进行汇聚处理的过程,这里不再赘述。
在另一种情况下,如果车速预测装置是从至少一个边缘服务单元接收的第一车速信息,且该至少一个边缘服务单元从车速传感器接收到的车速信息,是以上述S101的第二种可能的实现方式中的方式一进行汇聚处理的话,则车速预测装置对从至少一个边缘服务单元接收的第一车速信息进行进一步的汇聚处理,以得到第二车速信息。
其中,车速预测装置对从至少一个边缘服务单元所接收到的第一车速信息进行进一步的汇聚处理的过程,可以参考上述S101的第二种可能的实现方式中,边缘服务单元以方式二汇聚处理车速信息的描述,这里不再赘述。
在又一种情况下,如果车速预测装置是从至少一个边缘服务单元接收的车速信息,且该至少一个边缘服务单元从车速传感器接收到的车速信息,是以上述S101的第二种可能的实现方式中的方式二进行汇聚处理的话,则车速预测装置对从至少一个边缘服务单元接收的第一车速信息进行汇聚,以得到第二车速信息。
然后,可选的,在上述的第一车速信息中,或者在上述的第二车速信息中,可能存在不合理的实际车速值(例如实际车速值大于150km/h),或者存在缺失实际车速值的情况。这种情况下,车速预测装置则通过数据清洗技术,对上述的第一车速信息进行数据清洗,以得到合理的、且均具有实际车速值的第一车速信息。或者,车速预测装置通过数据清洗技术,对上述的第二车速信息进行数据清洗,以得到合理的、且均具有实际车速值的第二车速信息。
其中,本申请实施例对数据清洗技术不作具体限定,凡能使车速预测装置将所获取的车速信息中的不合理的实际车速值、或缺失实际车速值的车速信息清洗掉,均属于本申请实施例的保护范围。
由上述描述可以看出,车速预测装置可以在根据第一车速信息得到第二车速信息后,对第二车速信息进行数据清洗,以得到清洗后的第二车速信息。当然,车速预测装置也可以在获取到第一车速信息后,即对第一车速信息进行数据清洗,然后再根据清洗后的第一车速信息得到第二车速信息,这时,该第二车速信息中不包括不合理值,以及不存缺失值,即该第二车速信息可以理解为清洗后的第二车速信息。本申请实施例对此不作限定。
进一步的,车速预测装置可以按照第一预设规则,从经数据清洗的第二车速信息中,提取在n个时刻时、该m个路段上行驶车辆的实际车速。
其中,该n个时刻可以是第一时段内,以第一预设时长为间隔的n个时刻。即,第一时段包括该n个时刻。其中,第一时段内的车速信息包括该n个时刻的车速信息。
其中,该n个时刻中任意相邻两个时刻之间的间隔时长可以相等,也可以不相等,本申请实施例对此不作限定。为简单描述,本申请实施例在下文中,以第一时段内,该n个时刻中的相邻两个时刻之间的间隔时长相等为例进行说明。
作为示例,若第一时段的时长为30min,则车速预测装置可以按照间隔时长为3min,将第一时段划分为10(即30/3)个时刻。这样,车速预测装置即可从经数据清洗的第二车速信息中,提取在该10个时刻时、该m个路段上行驶车辆的实际车速。
示例性的,参考表3,表3示出了对于路段1,车速预测装置从经数据清洗的、第一时段内路段1对应的车速信息中,提取路段1在该10个时刻时的实际车速。其中,“01”可以表示第一时段的起始时刻(或者称为第1时刻),与“01”对应的数值“50”,可以表示路段1在
第1时刻的实际车速为50km/h。“02”可以表示第一时段内与第1时刻间隔3min的第2 时刻,与“02”对应的数值“41”,可以表示路段1在第2时刻的实际车速为41km/h。“03”可以表示第一时段内与第2时刻间隔3min的第3时刻,与“03”对应的数值“45”,可以表示路段1在第6时刻的实际车速为45km/h。以此类推,“10”可以表示第一时段内与第9时刻间隔3min的第10时刻。与“10”对应的数值“50”,可以表示路段1在第10时刻的实际车速为50km/h。
表3
时间 | 01 | 02 | 03 | 04 | 05 | 06 | 07 | 08 | 09 | 10 |
路段1的实际车速/km/h | 50 | 41 | 45 | 39 | 42 | 48 | 56 | 59 | 55 | 50 |
可以理解,表3中所示的路段1在第一时段内10个时刻的实际车速的序列,即为第一时段内路段1对应的速度时间序列。其中,该速度时间序列用于表示路段1在第一时段内的10时刻的实际车速。
同理,车速预测装置可以构建出第一时段内,m个路段分别对应的速度时间序列。
应理解,一个路段对应一个速度时间序列,m个路段则对应m个速度时间序列。
S103、根据上述构建的m个路段对应的m个速度时间序列,构建第一时空张量。其中,该第一时空张量是三维张量。
具体的,对于第一路段对应的第一速度时间序列而言,车速预测装置可以从上述m个路段对应的m个速度时间序列中,提取在第一路段的预设范围内的第二路段所对应的速度时间序列。这样,第一路段对应的速度时间序列和第二路段所对应的速度时间序列,即可构成第一时空矩阵。其中,该第一路段是该m个路段中的任一个路段,第二路段也是该m个路段中中的路段。
应理解,在上述m个路段中,位于第一路段预设范围内的路段的数量为至少一个,也就是说,第二路段的数量为至少一个。
可选的,若将该m个路段中除第一路段之外的路段,与第一路段之间的距离从小到大进行排序,则排序前r的路段,即为在第一路段的预设范围内的路段,也即第二路段。其中,r 是大于或等于1的整数。示例性的,该m个路段中除第一路段之外的路段,与第一路段之间的距离,可以是该路段的中点与第一路段的中点之间的距离,对此不作限定。
作为示例,若r取值为1,则对于第一路段(例如是路段1)而言,在路段1预设范围内的路段包括一个第二路段(例如是路段2),则路段1对应的第一时空矩阵(1)包括路段1 对应的速度时间序列,以及路段2对应的速度时间序列:
其中,[50 41 45 39 42 48 56 59 55 50]是路段1对应的速度时间序列,用于表示路段1在当前日期的第一时段内的实际车速, [31 22 43 41 32 23 32 33 31 32]是路段2对应的速度时间序列,用于表示路段2在当前日期的第一时段内的实际车速。也就是说,第一时空矩阵用于表示第一路段和第二路段上的行驶车辆分别在当前日期的第一时段内的实际车速。
同理,车速预测装置可以构建出m个路段对应的m个时空矩阵。
进一步的,车速预测装置将构建出的m个路段对应的m个时空矩阵进行堆叠,即可得到第一时空张量。作为示例,车速预测装置可以将构建出的m个路段对应的m个时空矩阵,在垂直于时空矩阵所在平面的方向上依次堆叠,从而得到第一时空张量。
可以理解的是,m个路段对应的m个时空矩阵堆叠的方向,即为第一时空张量的深度方向。
可选的,车速预测装置可以按照m个路段在交通路网中的上下游顺序,将m个路段对应的m个时空矩阵依次进行堆叠。当然,车速预测装置也可以按照其他顺序,将m个路段对应的m个时空矩阵依次进行堆叠,以得到第一时空张量,本申请实施例对此不作限定。
其中,在本申请实施例中,可以将车辆通行方向的来向设定为上游方向,以及可以将车辆通行方向的去向设定为下游方向。作为示例,请参考图3,车辆的通行方向为B到A时,即车辆可以从路段32行驶至路段31,这样的话,本申请实施例可以将路段32称为路段31 的上游路段,以及可以将路段31称为路段32的下游路段。
示例性的,参考图8,图8示例性的示出了第一时空张量80的示意图。如图8所示,第一时空张量80包括时空矩阵81、时空矩阵82以及时空矩阵83。第一时空张量80是图8中所示的时空矩阵81、时空矩阵82以及时空矩阵83在z轴方向堆叠后得到的。
其中,时空矩阵81可以是路段1对应的时空矩阵,时空矩阵81包括路段1对应的速度时间序列811,以及包括在路段1的预设范围内的路段所对应的速度时间序列812。时空矩阵 82可以是路段2对应的时空矩阵,时空矩阵82包括路段2对应的速度时间序列821,以及包括在路段2的预设范围内的路段所对应的速度时间序列822。时空矩阵83可以是路段3对应的时空矩阵,时空矩阵83包括路段3对应的速度时间序列831,以及包括在路段3的预设范围内的路段所对应的速度时间序列832。
可以看出,对于时空矩阵81,x轴可以表示路段1、以及在路段1预设范围内的路段上行驶车辆在第一时段内不同时刻的实际车速值,y轴可以用于表示路段1,以及在路段1预设范围内的路段。对于时空矩阵82和时空矩阵83,可以参考时空矩阵81的描述,这里不再赘述。
S104(可选的)、根据第一时空张量,构建第一外部信息张量。
其中,车速预测装置可以根据第一时空张量以及第一外部信息,构建第一外部信息张量。其中,第一外部信息包括:与上述第一时段对应的天气信息、日期信息或事故信息等。
下面分别对与第一时段对应的天气信息、与第一时段对应的日期信息、以及与第一时段对应的事故信息的情况予以说明。
情况1,与第一时段对应的天气信息,可以是指在第一时段内的具体天气情况。例如,在第一时段,天气情况可以是晴天或者阴天等。
这种情况下,车速预测装置可以根据第一时空张量以及与上述第一时段对应的天气信息,构建第一天气信息张量。
应理解,车速预测装置可以在第一时段内,实时从第三方的应用程序(application,APP) 中获取当前日期的第一时段内的天气信息。或者,车速预测装置可以在第一时段结束时,从第三方的APP中获取当前日期的第一时段内的天气信息。又或者,车速预测装置可以在当前日期的第一时段内,周期性的从第三方的APP中获取第一时段的天气信息。本申请实施例对此不作限定。
这样,车速预测装置可以按照第二预设规则,用获取到的天气信息,替换第一时空张量中的不同时刻、不同路段的实际车速值,从而得到第一天气信息张量。
作为示例,若第二预设规则是:“1”代表晴天,“2”代表阴天,“3”代表小雨等。那么,当路段1在时刻1时具体天气情况是晴天,则车速预测装置将第一时空张量中的路段1在时刻1时实际车速值,替换为“1”。
同理,当车速预测装置将第一时空张量中的实际车速值,全部替换为对应的天气信息值时,即得到了第一时空张量对应的第一天气信息张量。
情况2,与第一时段对应的日期信息,可以是指该第一时段所在的具体日期信息。例如,该第一时段所在的具体日期可以是工作日、周末或者法定假日等。
这种情况下,车速预测装置可以根据第一时空张量以及与上述第一时段对应的日期信息,构建第一日期信息张量。
应理解,车速预测装置可以预置有上述的日期信息。
这样,车速预测装置可以按照第三预设规则,用第一时段对应的日期信息,替换第一时空张量中的实际车速值,从而得到第一日期信息张量。
作为示例,若第三预设规则是:“1”代表工作日,“2”代表周末,“3”代表法定节假日等。那么,当第一时段对应的日期是工作日(例如第一时段时星期一的第一时段),则车速预测装置将第一时空张量中的实际车速值,均替换为“1”。
情况3,与第一时段对应的事故信息,可以是m个路段在第一时段是否发生交通事故,以及发生交通事故次数、或者交通事故的严重等级的等信息。例如,路段1在第一时段没有发生交通事故,路段2在第一时段发生两起轻微交通事故(例如剐蹭事故等)等。
这种情况下,车速预测装置可以根据第一时空张量以及与上述第一时段对应的事故信息,构建第一事故信息张量。
应理解,车速预测装置可以实时获取m个路段在当前日期的第一时段内的事故信息。
这样,车速预测装置可以按照第四预设规则,用m个路段在当前日期的第一时段内的事故信息,替换第一时空张量中的实际车速值,从而得到第一事故信息张量。
作为示例,若第四预设规则是:“0”代表无事故,“1”代表1次轻微事故,“2”代表2次轻微事故,“3”代表依次重大事故等。那么,当路段1在第一时段的时刻1发生了一次轻微事故时,则车速预测装置将第一时空张量中路段1在时刻1的实际车速值,替换为“1”。
同理,当车速预测装置将第一时空张量中的实际车速值,全部替换为对应的事故信息值时,即得到了第一时空张量对应的第一事故信息张量。
以上对第一外部信息以及第一外部信息张量的说明,仅作为示例性说明。应理解,任意能影响m个路段上的行驶车辆在当前日期的第一时段内的实际车速的外部信息,以及基于该外部信息构建的外部信息张量,都在本申请实施例的保护范围之内。
这样的话,根据第一时空张量构建的第一外部信息张量,即可作为第一时空张量的辅助信息。这样,车速预测装置通过第一时空张量和第一外部信息张量,预测m个路上行驶车辆在当前日期的第二时段内的实际车速时,提高了预测的准确度。
S105(可选的)、根据第一时空张量,构建第一历史信息张量。
具体的,车速预测装置可以根据第一时空张量以及第一历史车速信息,构建第一历史信息张量。
其中,第一历史车速信息包括:上述m个路段上的行驶车辆,在当前日期之前的日期中的第二时段内的车速信息。可以理解,在当前日期之前的日期中,包括至少一个自然日。其中,每个自然日都可以包括一个第一历史车速信息。因此,第一历史车速信息的数量为至少一个。
这样的话,车速预测装置可以根据第一时空张量,以及至少一个第一历史车速信息,构建至少一个第一历史信息张量。应理解,一个第一历史车速信息,对应一个第一历史信息张量。
对于上述至少一个第一历史车速信息中任一个第一历史车速信息而言,车速预测装置可以用该第一历史车速信息中的实际车速值,对应的替换第一时空张量中的实际车速值,从而得到该第一历史车速信息对应的第一历史信息张量。
或者,可以简单的理解为,车速预测装置用任一个第一历史车速信息中的、m个路段上的行驶车辆在该第一历史车速信息对应的日期中的第二时段内的实际车速值,替换上述第一时空张量中的、m个路段上的行驶车辆在当前日期的第一时段内的实际车速值,从而得到该第一历史车速信息对应的第一历史信息张量。
可选的,车速预测装置可以将第二时段划分为n个时刻,即第二时段包括该n个时刻。其中,第一历史车速信息中的任一个第一历史车速信息,包括该n个时刻的车速信息。这样的话,车速预测装置可以用该任一个第一历史车速信息中的、m个路段上的行驶车辆分别在该任一个第一历史车速信息对应的日期中的n个时刻的实际车速值,对应的替换第一时空张量中的、m个路段上的行驶车辆分别在当前日期的n个时刻的实际车速值,从而得到该任一个第一历史车速信息对应的第一历史信息张量。
可选的,车速预测装置可以预先获取上述至少一个第一历史车速信息。具体的,车速预测装置可以以当前日期的前一日为起点,预先获取当前日期的之前的至少一个日期的第一历史车速信息,即车速预测装置获取到了至少一个第一历史车速信息。进而,车速预测装置可以根据该至少一个第一历史车速信息,构建出至少一个第一历史信息张量。
这样,根据第一时空张量构建的第一历史信息张量,可以作为预测m个路段上的行驶车辆在当前日期的第二时段内的车速的参考变量。这样的话,车速预测装置通过第一时空张量和第一历史信息张量,或者第一时空张量、第一外部信息张量以及第一历史信息张量,预测 m个路上行驶车辆在当前日期的第二时段内的车速时,提高了预测的准确度。
S106、根据第一外部信息张量和/或第一历史信息张量,以及根据第一时空张量,预测上述m个路段上的行驶车辆在当前日期的第二时段内的车速。
具体的,车速预测装置可以将第一外部信息张量和/或第一历史信息张量,以及第一时空张量,输入预置的车速预测模型,从而得到m个路段上的行驶车辆在当前日期的第二时段内的车速。
其中,上述预置的车速预测模型,可以是车速预测装置预先训练的。或者,上述预置的车速预测模型,可以是其他任意能够训练模型的计算机设备预先训练的,对此不作限定。
应理解,上述预置的车速预测模型可以是预先在离线条件下训练完成后,预置在车速预测装置中的车速预测模型。该车速预测模型的训练过程可以参考下文S201-S203的描述,这里不作赘述。
其中,该车速预测模型包括CNN网络。
这样,CNN网络可以提取第一时空张量的特征。
其中,可以通过公式(1)提取第一时空张量X的特征V1:
公式(1)V1=f(X)
其中f()表示CNN内部的函数变换,其中包括卷积、池化和全连接等。
可选的,该车速预测模型还可以包括全连接神经网络(full connection,FC)。该FC网络可以提取第一外部信息张量的特征。
其中,可以通过公式(2)提取第一外部信息张量Xe的特征V2:
公式(2)V2=WeXe+be
其中,We和be是模型参数;Xe=[e1,e2,…ei],表示i个第一外部信息张量,i个第一外部信息张量可以包括:第一日期信息张量,第一天气信息张量,第一事故信息张量等。其中,i是正整数。
可选的,该车速预测模型还可以包括数据压缩神经网络。数据压缩神经网络可以提取第一历史信息张量的特征。
其中,可以通过公式(3)提取第一历史信息张量Xh的特征V3:
公式(3)V3=WhXh+bh
其中,Wh和bh是模型参数,Xh代表至少一个第一历史信息张量。
可以看出,在本申请实施例中,车速预测装置采用不同的神经网络提取第二时空张量、第二外部信息张量以及第二历史信息张量自的特征。这样,可以提高车速预测装置预测车速的准确度。
然后,车速预测模型通过将第一时空张量的特征、第一外部信息张量的特征以及第一历史信息张量的特征,按照预设的权重系数进行加权求和,从而输出m个路段上的行驶车辆在当前日期的第二时段内的车速。
其中,车速预测模型可以通过公式(4),将第一时空张量的特征V1、第一外部信息张量的特征V2以及第一历史信息张量的特征V3,按照预设的权重系数进行加权求和,从而输出 m个路段上的行驶车辆在当前日期的第二时段内的车速
其中,P1、P2和P3是模型中的权重系数。⊙是哈达马(hadamard)乘子,表示矩阵相应位置的数值相乘。σ表示激活函数。
可选的,车速预测模型可以按照预设的时间步长,输出m个路段上的行驶车辆在当前日期的第二时段内的车速。其中,该预设的时间步长可以小于第二时段的时长,也可以等于第二时段的时长,本申请实施例对此不作限定。
作为示例,第二时段的时长如果是30min(例如第二时段是12:00~12:30的时段),预设的时间步长如果是5min。这样的话,预置的车速预测模型可以通过6次的输出,完成m个路段上的行驶车辆在当前日期的第二时段内的车速的输出。例如,预置的车速预测模型第一次输出预测到的m个路段上的行驶车辆在当前日期的12:00~12:05的车速,第二次输出预测到的m个路段上的行驶车辆在当前日期的12:06~12:10的车速,等等,直到第六次输出预测到的m个路段上的行驶车辆在当前日期的12:26~12:30的车速。
可选的,车速预测模型所预测到的m个路段上的行驶车辆在当前日期的第二时段内的车速,可以以向量的形式输出,也可以以矩阵的形式输出,还可以以三维张量的形式输出,本申请实施例对此不作限定。
至此,本申请实施例提供的车速预测的方法,通过构建m个路段上的行驶车辆在当前日期的第一时段内的表示实际车速的第一时空张量,并根据该第一时空张量预测该m个路段上的行驶车辆在当前日期的第二时段内的车速。通过该方法预测交通流速度时,不再依赖专家经验设置时空矩阵的顺序,从而提高了车速预测的稳定性。另外,第一时空张量在构建过程中,数据量最大的路段数对应第一时空张量的深度。这样的话,该第一时空张量经过一次卷积操作后,即可大量减少数据量,这样极大的节省了时间成本和存储成本,提升了车速预测的实时性。
此外,本申请实施例提供的车速预测的方法,还构建了第一时空张量对应的至少一个第一外部信息张量,以及至少一个第一历史信息张量,进而在通过该第一时空张量、该至少一个第一外部信息张量,以及该至少一个第一历史信息张量预测m个路段上的行驶车辆在当前日期的第二时段内的车速时,提高了准确度。
下面对S101中,当上述至少m个车速传感器是车辆传感器或道路传感器时,该至少m 个车速传感器向车速预测装置上报m个路段上的行驶车辆在当前日期的第一时段内的车速信息的描述的进行描述:
情况一、如果车速传感器是车辆传感器,则在第一时段内,至少m个车辆传感器可以实时的向车速预测装置上报、m个路段上的行驶车辆在在当前日期的第一时段内的车速信息。或者,在第一时段内,至少m个车辆传感器可以周期性的向车速预测装置上报m个路段上的行驶车辆在当前日期的第一时段内的车速信息。作为响应,车速预测装置接收到至少m个车辆传感器上报的、m个路段上的行驶车辆在当前日期的第一时段内的车速信息。
需要说明的是,车辆传感器在向车速预测装置所上报的车速信息中的位置信息,可以是在车辆传感器检测车辆实际车速时,该车辆所处地理位置的经纬度信息、以及该车辆当前行驶时的方向角。这样,当车速预测装置接收到车辆传感器上报的车速信息时,即可根据该车速信息中的位置信息,在预置的包括m个路段的交通路网的地图中,确定该车速信息中的实际车速所对应的路段。
其中,上述位置信息中的经纬度信息,可以用于确定车辆的地理位置。上述位置信息中的方向角,可以用于确定车辆在道路上的行驶方向。
可选的,车辆传感器所上报的车速信息中的实际车速,可以是某一时刻车辆传感器所检测到的车辆实际车速。例如,在时刻1,车辆传感器检测到设置有该车辆传感器的车辆的实际车速为50Km/h,则车辆传感器所上报的车速信息中的实际车速为50Km/h。
可选的,车辆传感器所上报的车速信息中的实际车速,还可以是通过计算得到的平均速度。这里,该平均速度,可以是设置有该车辆传感器的车辆,在第一预设时长内所检测到的实际车速的平均值。其中,本申请实施例对第二预设时长的取值不做具体限定。
示例性的,若在1min内,车辆传感器检测到10个实际车速,则车速传感器计算该10个实际车速的平均速度,并将该平均速度作为车辆的实际车速进行上报。
这种情况下,车辆传感器可以将该第二预设时长中的任一时刻,作为该车速信息中的时间信息,以及将该任一时刻所对应的车辆的位置信息,作为该车速信息中的车辆的位置信息。例如,车辆传感器可以将该第二预设时长的起始时刻,作为该车速信息中的时间信息,以及将该起始时刻所对应的车辆的位置信息,作为该车速信息中的车辆的位置信息。或者,车辆传感器可以将该第二预设时长的中间时刻,作为该车速信息中的时间信息,以及将该中间时刻所对应的车辆的位置信息,作为该车速信息中的车辆的位置信息。本申请实施例对此不作限定。
可以理解,车辆传感器可以在检测车辆实际车速的同时,或者在检测到车辆实际车速之后,获取该实际车速的相关信息,并将该实际车速和该实际车速的相关信息向车速预测装置上报,即车辆传感器将车速信息向车速预测装置上报。
作为示例,车辆传感器1向车速预测装置上报的车速信息可以包括表4中所示的内容。
如表4所示,车辆传感器1向车速预测装置上报的车速信息包括:检测到实际车速的时间信息:20190101、124009,检测到实际车速的位置信息是经纬度信息:经度114.184059、纬度22.648478,检测到的实际车速:9.0km/h,以及检测到实际车速时,车辆的方向角:74°。其中,该实际车速可以表示第二预设时长内的平均车速,该时间信息可以对应该第二预设时长内的任一时刻。该位置信息对应该任一时刻时车辆的位置信息。
可选的,如表4所示,车辆传感器1向车速预测装置上报的车速信息还可以包括:上报车速信息的车辆的车牌号:xxxx。
表4
年月日 | 时分秒 | 经度 | 纬度 | 速度 | 方向角 | 车牌号 |
20190401 | 124009 | 114.184059 | 22.648478 | 9.0km/h | 74° | xxxx |
这样,当车速预测装置接收到车辆传感器1上报的车速信息后,可以根据该车速信息中的位置信息,以及预置的包括m个路段的交通路网的地图,确定出该车速信息中实际车速对应的路段。
情况二、如果车速传感器是道路传感器,则在当前日期的第一时段内,道路传感器可以实时的向车速预测装置上报车速信息。或者,在当前日期的第一时段内,道路传感器可以周期性的向车速预测装置上报车速信息。作为响应,车速预测装置接收到道路传感器所上报的在当前日期的第一时段内的车速信息。
其中,该车速信息可以包括:在道路传感器的检测区域内所检测到的不同时刻的车辆的实际车速,以及该实际车速的相关信息。该实际车速的相关信息可以包括:检测到该实际车速的时间信息,以及检测到实际车速的道路传感器的位置信息等。
需要说明的是,道路传感器在向车速预测装置所上报的车速信息中的位置信息,可以是该道路传感器的编号,或者是该道路传感器的地理位置信息(例如经纬度信息)。这样,当车速预测装置接收到该车速信息时,即可根据该道路传感器的编号或该道路传感器的地理位置信息,在预置的包括m个路段的交通路网的地图中,确定该车速信息中的实际车速中所对应的路段。
可选的,由于道路传感器是固定式的车速传感器,因此,道路传感器的编号,可以用于表示该道路传感器的地理位置。这样,车速预测装置即可根据道路传感器的编号所指示的地理位置,在预置的包括m个路段的交通路网的地图中,确定该车速信息中的实际车速中所对应的路段。为简单描述,本申请实施例在下文描述中,以道路传感器向车速预测装置上报的位置信息为该道路传感器的编号为例进行说明。
可选的,车速预测装置也可以预置道路传感器与m个路段的对应关系。这样的话,车速预测装置可以根据所接收到的道路传感器的编号,以及道路传感器与m个路段的对应关系,确定该车速信息中的实际车速中所对应的路段。
可选的,道路传感器所上报的车速信息中的实际车速,可以是在该道路传感器的检测区域内所检测到的某一辆行驶车辆的实际车速。例如,在时刻1,车辆传感器在检测区域内检测到的车辆1的实际车速为50Km/h,则道路传感器所上报的车速信息中的实际车速为50Km/h。
其中,道路传感器所检测到的行驶车辆的实际车速,可以是该行驶车辆通过该道路传感器检测区域的平均速度。该平均速度可以是,道路传感器根据该行驶车辆经过该道路传感器的检测区域的时间计算得到的。作为示例,若车辆A经过道路传感器1的检测区域的时间为 0.5s,当该检测区域在车辆行驶方向上的长度为10m,则道路传感器1可以计算得到车辆A 的平均速度为10m/0.5s,即20m/s,即72km/h。
或者,道路传感器连续拍摄该行驶车辆经过该道路传感器检测区域时的图片,然后道路传感器根据所拍摄图片中的任两帧图像中,该行驶车辆所行驶的距离,以及该两帧图片拍摄的时间差,计算得到该行驶车辆的平均速度。这里,该平均速度即为,道路传感器所检测到的行驶车辆的实际车速。
可选的,道路传感器所上报的车速信息中的实际车速,也可以是道路传感器根据在第三预设时长内所检测到的t辆行驶车辆的实际车速,所计算得到的t辆行驶车辆的平均车速。其中,t是大于等于1的整数。其中,本申请实施例对第三预设时长的取值不作具体限定。即,该t辆行驶车辆的平均车速作为道路传感器所上报车速信息中的实际车速。
这种情况下,道路传感器可以将该第三预设时长中的任一时刻,作为车速信息中的时间信息。例如,道路传感器可以将该第三预设时长的起始时刻,作为车速信息中的时间信息。或者,道路传感器可以将该第三预设时长的中间时刻,作为车速信息中的时间信息。本申请实施例对此不作限定。
可以理解,道路传感器可以在检测车辆实际车速的同时,或者在检测到车辆实际车速之后,获取该实际车速的相关信息,并将该实际车速和该实际车速的相关信息向车速预测装置上报,即道路传感器将车速信息向车速预测装置上报。
作为示例,道路传感器1向车速预测装置上报的车速信息可以包括表5中所示的内容。
如表5所示,道路传感器1向车速预测装置上报的车速信息包括:检测到行驶车辆的平均车速:36km/h、检测到平均车速的时间信息:2018-03-19,06:23:39,以及检测到车速信息的道路传感器的编号:5。
表5
道路传感器编号 | 时间 | 平均速度 |
5 | 2018-03-19,06:23:39 | 36km/h |
这样,当车速预测装置接收到道路传感器1上报的车速信息,可以根据该车速信息中的位置信息,以及预置的包括m个路段的交通路网的地图,确定出该车速信息中实际车速对应的路段。
应理解,在上述描述中,关于平均速度的描述仅为示例性说明。可以理解,任意能够通过检测或计算的方式得到上述平均速度的方法,均在本申请实施例的保护范围内。
下面,对车速预测装置中预置的车速训练模型的训练过程予以说明。
参考图9,图9示出了本申请实施例提供的车速预测模型的训练方法的流程示意图。其中该训练方法可以由车速预测模型的训练装置执行。应理解,该车速预测模型的训练装置可以和上文中的车速预测装置是同一个装置,也可以是不同的装置,对此不作限定。为简单描述,下文中将“车速预测模型的训练装置”简称为“训练装置”。该训练方法可以包括:
S201、获取至少一个训练样本。
其中,该至少一个训练样本与至少一个日期一一对应,该至少一个日期是当前日期之前的日期。
该至少一个训练样本用于训练车速预测模型。该至少一个训练样本中的每个训练样本,包括一个第二时空张量(对应本申请实施例中的速度时空张量)。
应理解,如果训练装置在当前日期训练该车速预测模型,则第二时空张量表示,m个路段上的行驶车辆,在当前日期之前的日期中的第一时段内的实际车速。
可以理解的是,在当前日期之前的日期中,包括至少一个自然日。
具体的,对于当前日期之前的任一个日期而言,训练装置可以根据预先获取的、m个路段上的行驶车辆在该日期的第一时段内的车速信息,构建第二时空张量。其中,训练装置获取m个路段上的行驶车辆在该日期的第一时段内的车速信息,以及根据该车速信息构建该第二时空张量的过程,可以参考S101~S103中,车速预测装置获取m个路段上的行驶车辆在当前日期的第一时段内的车速信息,以及根据该车速信息构建第一时空张量的过程,此处不再赘述。
可以看出,m个路段上的行驶车辆在当前日期之前的一个日期(或者叫一个自然日)的第一时段内的车速信息,可以构建出该日期对应的第二时空张量。即一个日期对应一个第二时空张量。
可选的,上述的至少一个训练样本中,还包括与第二时空张量对应的至少一个第二外部信息张量(对应本申请实施例中的外部信息张量)。
具体的,训练装置可以基于构建完成的第二时空张量,以及第二外部信息(对应本申请实施例中的外部信息),构建与第二时空张量对应的第二外部信息张量。
其中,第二外部信息包括:与第二时空张量对应日期的第一时段的天气信息、日期信息或事故信息等。
其中,天气信息、日期信息或事故信息等的相关说明,可以参考S104中天气信息、日期信息或事故信息的描述,这里不再赘述。
其中,训练装置根据第二时空张量以及第二外部信息,构建第二外部信息张量的过程,可以参考S104中,车速预测装置根据第一时空张量以及第一外部信息,构建第一外部信息张量的描述,这里不再赘述。
应理解,一个第二时空张量,可以对应至少一个第二外部信息张量。
可选的,上述的至少一个训练样本,还包括与第二时空张量对应的至少一个第二历史信息张量(对应本申请实施例中的历史信息张量)。
具体的,训练装置可以基于构建完成的第二时空张量,以及第二历史车速信息(对应本申请实施例中的历史信息),构建相应的第二历史信息张量。
其中,第二历史车速信息包括:上述m个路段上的行驶车辆,在与第二时空张量对应日期之前的日期中的第二时段内的车速信息。可以理解,在与第二时空张量对应日期之前的日期中,包括至少一个日期。其中,每个日期都可以包括一个第二历史车速信息。也就是说,在与第二时空张量对应日期之前的日期中,包括至少一个第二历史车速信息。
这样,基于构建完成的第二时空张量以及至少一个第二历史车速信息,可以构建出至少一个的与该第二时空张量对应的第二历史信息张量。也就是说,一个第二时空张量,可以对应至少一个第二历史信息张量。
其中,训练装置根据第二时空张量以及至少一个第二历史车速信息,构建至少一个第二历史信息张量的过程,可以参考S105中,车速预测装置根据第一时空张量以及第一历史车速信息,构建第一历史信息张量的描述,这里不再赘述。
在本申请实施例中,将一个第二时空张量、该第二时空张量对应的至少一个第二外部信息张量、以及该第二时空张量对应的至少一个第二历史信息张量,称为一个训练样本。
由上述描述可知,一个日期对应一个第二时空张量,因此,一个日期对应一个训练样本。
S202、获取m个路段上的行驶车辆在上述至少一个训练样本对应日期的第二时段内的车速信息。
具体的,训练装置获取m个路段上的行驶车辆在上述至少一个训练样本对应日期的第二时段内的车速信息的过程,可以参考上文S101中,车速预测装置获取m个路段上的行驶车辆在当前日期的第一时段内的车速信息的描述,这里不再赘述。
应理解,本申请实施例对S201和S202的执行时序不作限定。例如,可以先执行S201,再执行S202,或者,同时执行S201和S202等。
S203、根据获取的至少一个训练样本,以及m个路段上的行驶车辆在该至少一个训练样本对应日期的第二时段内的车速信息,训练得到车速预测模型。
具体的,训练装置可以使用该至少一个训练样本,以及m个路段上的行驶车辆在该至少一个训练样本对应日期的第二时段内的车速信息,对神经网络进行迭代训练,从而得到上述的车速预测模型。
具体的,若该至少一个训练样本包括s个训练样本,则训练装置使用该s个训练样本,以及m个路段上的行驶车辆在该s个训练样本对应日期的第二时段内的车速信息,对神经网络进行迭代训练,得到车速预测模型的过程,可以包括以下步骤:
步骤1:训练装置将s个训练样本中的训练样本1、以及m个路段上的行驶车辆在训练样本1对应日期的第二时段内的车速信息(即真实车速Y1)输入到车速预测模型1(即初始的车速预测模型)中。这样,车速预测模型1即可提取训练样本1的特征。
其中,车速预测模型1中包括CNN网络。可选的,车速预测模型1中还包括FC网络以及数据压缩神经网络。
其中,CNN网络可以用于提取训练样本中的第二时空张量的特征。其中,CNN网络提取第二时空张量的特征的过程,可以参考上文S106中CNN网络提取第一时空张量的特征的描述,这里不再赘述。
FC网络可以用于提取训练样本中的第二外部信息张量的特征。FC网络提取第二外部信息张量的特征的过程,可以参考上文S106中FC网络提取第一外部信息张量的特征的描述,这里不再赘述。
数据压缩神经网络可以用于提取训练样本中的第二历史信息张量的特征。数据压缩神经网络提取第二历史信息张量的特征的过程,可以参考上文S106中数据压缩神经网络提取第一历史信息张量的特征的描述,这里不再赘述。
然后,车速预测模型1可以根据所提取的训练样本1的特征,按照预设的权重系数进行加权求和,从而输出m个路段上的行驶车辆在训练样本1对应日期的第二时段内的预测车速接着,车速预测模型1可以根据预测车速和真实车速Y1,按照公式(5)计算损失函数E:
其中,N代表检测器数量,T代表所预测的时间间隔。
进一步的,根据公式(5)计算得到的损失函数,车速预测模型1采用反向传播算法,先计算并调整融合层的权重系数,然后计算并调整CNN网络、FC网络以及数据压缩神经网络的参数。
示例性的,车速预测模型1先将计算得到的损失函数反馈至车速预测模型1中的融合层,从而调整上述公式(4)中的权重系数:P1、P2以及P3。
进一步的,车速预测模型1将计算得到的损失函数反馈至车速预测模型1中的CNN网络,以调整CNN网络中的参数。类似的,车速预测模型1将计算得到的损失函数反馈至车速预测模型1中的FC网络,以调整FC网络中的参数。车速预测模型1还将计算得到的损失函数反馈至车速预测模型1中数据压缩神经网络网络,以调整数据压缩神经网络的参数。
这样,车速预测模型1在调整了权重系数、CNN网络中的参数、FC网络中的参数以及数据压缩神经网络的参数等以后,得到了更新后的车速预测模型,即车速预测模型2。
步骤2:训练装置将s个训练样本中的训练样本2、以及m个路段上的行驶车辆在训练样本2对应日期的第二时段内的车速信息(即真实车速2)输入到车速预测模型2,并参考上述步骤1,以得到车速预测模型3。
这样,通过多次的循环迭代的训练,训练装置最终可以输出目标车速预测模型,即上文S106中所述的车速预测模型。
可以理解的是,训练装置可以根据循环迭代的次数是否超过预设阈值,以判定输出的车速预测模型是否收敛完成,即输出的车速预测模型是否是目标车速预测模型。或者,训练装置也可以根据所计算的损失函数的值是否小于预设阈值,以判定输出的车速预测模型是否收敛完成,即输出的车速预测模型是否是目标车速预测模型。
这样,通过步骤S201-S203,训练装置即可根据至少一个第二时空张量,通过神经网络训练得到车速预测模型。通过这种方式训练得到的车速预测模型,不再依赖专家经验设置时空矩阵的顺序,从而提高了该车速预测模型预测车速的稳定性。另外,第二时空张量在构建过程中,数据量最大的路段数对应第二时空张量的深度。这样的话,该第二时空张量经过一次卷积操作后,即可大量减少数据量,这样极大的节省了训练车速预测模型的时间成本和存储成本,从而提升了采用该车速预测模型预测车速的实时性能。
此外,在训练车速预测模型时,本申请实施例提供的方法还根据第二时空张量构建第二外部信息张量和第二历史信息张量。这样,通过第二时空张量、第二外部信息张量和第二历史信息张量所训练出的车速预测模型在预测车速时,相比现有技术中车速预测模型预测车速时,准确度更高。
综上,本申请实施例提供了一种车速预测的方法,该方法通过根据至少一个第二时空张量、第二时空张量对应的至少一个第二外部信息张量,以及第二时空张量对应的至少一个第二历史信息张量训练得到车速预测模型。然后,在预测车速时,车速预测装置构建m个路段上的行驶车辆在当前日期的第一时段内的表示实际车速的第一时空张量,并通过上述的车速预测模型,预测该m个路段上的行驶车辆在当前日期的第二时段内的车速。这样,本申请实施例提供的车速预测方法,不再依赖专家经验设置时空矩阵的顺序,从而提高了车速预测的稳定性。另外,时空张量在构建过程中,数据量最大的路段数对应时空张量的深度。这样的话,该时空张量经过一次卷积操作后,即可大量减少数据量,这样极大的节省了训练模型时的时间成本以及存储成本,也节省了预测车速时的时间成本以及存储成本,提升了车速预测的实时性。
此外,本申请实施例提供的车速预测的方法在预测车速时,还构建了与时空张量对应的至少一个外部信息张量,以及至少一个历史信息张量。这样的话,提高所预测车速的准确度。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对车速预测装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
如图10a所示,图10a示出了本申请实施例提供的车速预测装置100的结构示意图。该车速预测装置100用于执行上述的车速预测方法,例如用于执行图7所示的方法。其中,车速预测装置100可以包括获取单元101、构建单元102以及预测单元103。
获取单元101,用于获取m个路段上的行驶车辆在当前日期的第一时段内的车速信息, m是大于1的整数。构建单元102,用于基于获取单元101获取的第一时段内的车速信息,构建第一时空张量。预测单元103,用于根据构建单元102构建的第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。其中,第一时空张量是由m个时空矩阵堆叠而成三维张量,该m个时空矩阵中的第一时空矩阵,用于表示第一路段和第二路段上的行驶车辆分别在第一时段内的实际车速;该第一路段是m个路段中的任一个路段;该第二路段是m个路段中,在第一路段的预设范围内的路段;该第二时段是在第一时段之后、且与第一时段连续的时段。
作为示例,结合图7,获取单元101可以用于执行S101,构建单元102可以用于执行S103,预测单元103可以用于执行S106。
可选的,上述第一时段包括n个时刻。该第一时段内的车速信息包括n个时刻的车速信息。其中,n是正整数。上述的第一时空矩阵,用于表示第一路段和第二路段上的行驶车辆,分别在n个时刻的实际车速。
可选的,上述n个时刻中任意相邻两个时刻之间的时间间隔相等。
可选的,预测单元103,具体用于根据第一外部信息张量和第一历史信息张量中的至少一个、以及第一时空张量,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。其中,该第一外部信息张量和该第一历史信息张量均是基于第一时空张量构建的是三维张量。该第一外部信息张量与第一外部信息对应,该第一外部信息包括:与第一时段对应的天气信息、日期信息以及事故信息中的至少一种。该第一历史信息张量与第一历史车速信息对应,该第一历史车速信息包括:m个路段上的行驶车辆,在当前日期之前的日期中的第二时段内的车速信息。
作为示例,结合图7,预测单元103可以用于执行S106。
可选的,预测单元103,具体用于根据第一外部信息张量和第一历史信息张量中的至少一个、以及第一时空张量,通过预置的车速预测模型,预测m个路段上的行驶车辆在当前日期的第二时段内的车速。
作为示例,结合图7,预测单元103可以用于执行S106。
可选的,上述的车速预测模型包括卷积神经网络CNN,该CNN用于提取所述第一时空张量的特征。
可选的,上述的车速预测模型还包括全连接神经网络FC,该FC用于提取所述第一外部信息张量的特征。
可选的,上述的车速预测模型还包括数据压缩神经网络,该数据压缩神经网络用于提取所述第一历史信息张量的特征。
可选的,预测单元103,具体用于根据上述的车速预测模型中的权重系数、上述的第一外部信息张量的特征和第一历史信息张量的特征中的至少一个特征、以及上述第一外时空张量的特征,得到m个路段上的行驶车辆在当前日期的第二时段内的车速。
作为示例,结合图7,预测单元103可以用于执行S106。
可选的,用于训练上述车速预测模型的训练样本包括第二时空张量。其中,该第二时空张量是根据m个路段上的行驶车辆,在当前日期之前的日期中的第一时段内的车速信息构建的是三维张量。该当前日期之前的日期中的第一时段内的车速信息,用于预测当前日期之前的日期中的第二时段内的车速。
可选的,上述的训练样本还包括第二外部信息张量和第二历史信息张量中的至少一个。其中,该第二外部信息张量和该第二历史信息张量均是基于第二时空张量构建的三维张量。该第二外部信息张量与第二外部信息对应,该第二外部信息包括:与当前日期之前的日期中的第一时段对应的天气信息、日期信息以及事故信息中的至少一种。该第二历史信息张量与第二历史车速信息对应,该第二历史车速信息包括:m个路段上的行驶车辆,在第二时空张量对应日期之前的日期中的第二时段内的车速信息。
关于上述可选方式的具体描述可以参见前述的方法实施例,此处不再赘述。此外,上述提供的任一种车速预测装置100的解释以及有益效果的描述均可参考上述对应的方法实施例,不再赘述。
作为示例,结合图2,车速预测装置100中的获取单元101、构建单元102以及预测单元 103实现的功能可以通过图2中的处理器21执行图2中的存储器22中的程序代码实现。
如图10b所示,图10b示出了本申请实施例提供的车速预测模型的训练装置1000的结构示意图。该训练装置1000用于执行上述的车速预测模型的训练方法,例如用于执行图9所示的方法。其中,该训练装置1000可以包括获取单元1001和训练单元1002。
获取单元1001,用于获取至少一个训练样本。该至少一个训练样本与至少一个日期一一对应,该至少一个日期是当前日期之前的日期。该至少一个训练样本中的任一训练样本是第一训练样本,该第一训练样本包括速度时空张量,该速度时空张量是由m(m是大于1的整数)个时空矩阵堆叠而成的三维张量。其中,该m个时空矩阵中的第一时空矩阵,用于表示 m个路段中第一路段和第二路段上的行驶车辆,分别在第一训练样本对应日期的第一时段内的实际车速。其中,第二路段是m个路段中,在第一路段的预设范围内的路段。训练单元1002,用于使用获取单元1001获取的至少一个训练样本对神经网络进行训练,得到车速预测模型。该车速预测模型用于根据m个路段上的行驶车辆在当前日期的第一时段内的车速信息,预测当前日期的第二时段内的车速。这里,第二时段是在第一时段之后、且与第一时段连续的时段。
作为示例,结合图9,获取单元1001可以用于执行S201,训练单元1002可以用于执行 S203。
可选的,上述神经网络包括卷积神经网络CNN,该CNN用于提取速度时空张量的特征。
可选的,上述第一训练样本还包括外部信息张量和/或历史信息张量。其中,该外部信息张量是基于速度时空张量和外部信息构建的三维张量,该外部信息包括:第一训练样本对应的日期内,与第一时段对应的天气信息、日期信息或事故信息中的至少一种。该历史信息张量是基于速度时空张量和历史信息构建的三维张量,该历史信息包括:m个路段上的行驶车辆,在第一训练样本对应的日期之前的日期中的第二时段内的车速信息。
可选的,上述神经网络还包括:全连接神经网络FC和/或数据压缩神经网络。其中,该 FC用于提取外部信息张量的特征,该数据压缩神经网络用于提取历史信息张量的特征。
关于上述可选方式的具体描述可以参见前述的方法实施例,此处不再赘述。此外,上述提供的任一种训练装置1000的解释以及有益效果的描述均可参考上述对应的方法实施例,不再赘述。
作为示例,结合图2,该训练装置1000中的获取单元1001和训练单元1002实现的功能可以通过图2中的处理器21执行图2中的存储器22中的程序代码实现。
本申请实施例还提供一种芯片***,如图11所示,该芯片***包括至少一个处理器111 和至少一个接口电路112。作为示例,当该芯片***110包括一个处理器和一个接口电路时,则该一个处理器可以是图11中实线框所示的处理器111(或者是虚线框所示的处理器111),该一个接口电路可以是图11中实线框所示的接口电路112(或者是虚线框所示的接口电路 112)。当该芯片***110包括两个处理器和两个接口电路时,则该两个处理器包括图11中实线框所示的处理器111和虚线框所示的处理器111,该两个接口电路包括图11中实线框所示的接口电路112和虚线框所示的接口电路112。对此不作限定。
处理器111和接口电路112可通过线路互联。例如,接口电路112可用于接收信号(例如从车速传感器或边缘服务单元接收信号)。又例如,接口电路112可用于向其它装置(例如处理器111)发送信号。示例性的,接口电路112可读取存储器中存储的指令,并将该指令发送给处理器111。当所述指令被处理器111执行时,可使得车速预测装置执行上述实施例中的各个步骤。当然,该芯片***还可以包含其他分立器件,本申请实施例对此不作具体限定。
本申请另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在车速预测装置上运行时,该车速预测装置执行上述方法实施例所示的方法流程中该车速预测装置执行的各个步骤。
在一些实施例中,所公开的方法可以实施为以机器可读格式被编码在计算机可读存储介质上的或者被编码在其它非瞬时性介质或者制品上的计算机程序指令。
图12示意性地示出本申请实施例提供的计算机程序产品的概念性局部视图,所述计算机程序产品包括用于在计算设备上执行计算机进程的计算机程序。
在一个实施例中,计算机程序产品是使用信号承载介质120来提供的。所述信号承载介质120可以包括一个或多个程序指令,其当被一个或多个处理器运行时可以提供以上针对图 7描述的功能或者部分功能。因此,例如,参考图7中S101~S106的一个或多个特征可以由与信号承载介质120相关联的一个或多个指令来承担。此外,图12中的程序指令也描述示例指令。
在一些示例中,信号承载介质120可以包含计算机可读介质121,诸如但不限于,硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等等。
在一些实施方式中,信号承载介质120可以包含计算机可记录介质122,诸如但不限于,存储器、读/写(R/W)CD、R/W DVD、等等。
在一些实施方式中,信号承载介质120可以包含通信介质123,诸如但不限于,数字和/ 或模拟通信介质(例如,光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质120可以由无线形式的通信介质123(例如,遵守IEEE 802.11标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是,例如,计算机可执行指令或者逻辑实施指令。
在一些示例中,诸如针对图7描述的车速预测装置可以被配置为,响应于通过计算机可读介质121、计算机可记录介质122、和/或通信介质123中的一个或多个程序指令,提供各种操作、功能、或者动作。
应该理解,这里描述的布置仅仅是用于示例的目的。因而,本领域技术人员将理解,其它布置和其它元素(例如,机器、接口、功能、顺序、和功能组等等)能够被取而代之地使用,并且一些元素可以根据所期望的结果而一并省略。另外,所描述的元素中的许多是可以被实现为离散的或者分布式的组件的、或者以任何适当的组合和位置来结合其它组件实施的功能实体。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line, DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (33)
1.一种车速预测的方法,其特征在于,包括:
获取m个路段上的行驶车辆在当前日期的第一时段内的车速信息,m是大于1的整数;
基于所述第一时段内的车速信息,构建m个路段对应的m个速度时间序列,并根据所述m个速度时间序列构建第一时空张量;其中,所述第一时空张量是三维张量,所述第一时空张量由m个时空矩阵堆叠而成;所述m个时空矩阵中的第一时空矩阵由第一路段对应的速度时间序列和第二路段对应的速度时间序列构成,用于表示所述第一路段和所述第二路段上的行驶车辆分别在所述第一时段内的实际车速;其中,所述第一路段是所述m个路段中的任一个路段;所述第二路段是所述m个路段中,在所述第一路段的预设范围内的路段;
根据第一外部信息张量和第一历史信息张量中的至少一个、以及所述第一时空张量,预测所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速;所述第一外部信息张量和所述第一历史信息张量均是三维张量,且均是基于所述第一时空张量构建的,所述第二时段是在所述第一时段之后、且与所述第一时段连续的时段。
2.根据权利要求1所述的方法,其特征在于,所述第一时段包括n个时刻,所述第一时段内的车速信息包括n个时刻的车速信息;其中,n是正整数;
所述第一时空矩阵,用于表示所述第一路段和所述第二路段上的行驶车辆,分别在所述n个时刻的实际车速。
3.根据权利要求2所述的方法,其特征在于,所述n个时刻中任意相邻两个时刻之间的时间间隔相等。
4.根据权利要求1-3中任一项所述的方法,其特征在于,
所述第一外部信息张量与第一外部信息对应,所述第一外部信息包括:与所述第一时段对应的天气信息、日期信息或事故信息中的至少一种;所述第一历史信息张量与第一历史车速信息对应,所述第一历史车速信息包括:所述m个路段上的行驶车辆,在所述当前日期之前的日期中的第二时段内的车速信息。
5.根据权利要求4所述的方法,其特征在于,所述根据第一外部信息张量和第一历史信息张量中的至少一个、以及所述第一时空张量,预测所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速,包括:
根据第一外部信息张量和第一历史信息张量中的至少一个、以及所述第一时空张量,通过预置的车速预测模型,预测所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速。
6.根据权利要求5所述的方法,其特征在于,所述车速预测模型包括卷积神经网络CNN,所述CNN用于提取所述第一时空张量的特征。
7.根据权利要求5或6所述的方法,其特征在于,所述车速预测模型还包括全连接神经网络FC,所述FC用于提取所述第一外部信息张量的特征。
8.根据权利要求5或6所述的方法,其特征在于,所述车速预测模型还包括数据压缩神经网络,所述数据压缩神经网络用于提取所述第一历史信息张量的特征。
9.根据权利要求5或6所述的方法,其特征在于,所述根据第一外部信息张量和第一历史信息张量中的至少一个、以及所述第一时空张量,通过预置的车速预测模型,预测所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速,包括:
根据所述车速预测模型中的权重系数、所述第一外部信息张量的特征和所述第一历史信息张量的特征中的至少一个特征、以及所述第一时空张量的特征,得到所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速。
10.根据权利要求5或6所述的方法,其特征在于,用于训练所述车速预测模型的训练样本包括第二时空张量;
其中,所述第二时空张量是三维张量;所述第二时空张量,是根据所述m个路段上的行驶车辆,在所述当前日期之前的日期中的第一时段内的车速信息构建的;所述当前日期之前的日期中的第一时段内的车速信息,用于预测所述当前日期之前的日期中的第二时段内的车速。
11.根据权利要求10所述的方法,其特征在于,所述训练样本还包括第二外部信息张量和第二历史信息张量中的至少一个;
其中,所述第二外部信息张量和所述第二历史信息张量均是三维张量;所述第二外部信息张量和所述第二历史信息张量均是基于所述第二时空张量构建的;所述第二外部信息张量与第二外部信息对应,所述第二外部信息包括:与所述当前日期之前的日期中的第一时段对应的天气信息、日期信息或事故信息中的至少一种;所述第二历史信息张量与第二历史车速信息对应,所述第二历史车速信息包括:所述m个路段上的行驶车辆,在所述第二时空张量对应日期之前的日期中的第二时段内的车速信息。
12.一种车速预测模型的训练方法,其特征在于,包括:
根据m个路段上的行驶车辆在至少一个日期的第一时段内的车速信息,构建m个路段对应的m个速度时间序列;获取至少一个训练样本;所述至少一个训练样本与至少一个日期一一对应,所述至少一个日期是当前日期之前的日期;所述至少一个训练样本中的第一训练样本包括速度时空张量,所述速度时空张量是三维张量,所述速度时空张量由m个时空矩阵堆叠而成;所述第一训练样本为所述至少一个训练样本中任一训练样本,所述m个时空矩阵中的第一时空矩阵由第一路段对应的速度时间序列和第二路段对应的速度时间序列构成,用于表示所述m个路段中所述第一路段和所述第二路段上的行驶车辆,分别在所述第一训练样本对应日期的第一时段内的实际车速;其中,所述第二路段是所述m个路段中,在所述第一路段的预设范围内的路段;其中,m是大于1的整数;
其中,所述第一训练样本还包括外部信息张量和/或历史信息张量;使用至少一个速度时空张量、速度时空张量对应的至少一个外部信息张量,以及速度时空张量对应的至少一个历史信息张量训练得到车速预测模型;所述外部信息张量是基于所述速度时空张量和外部信息构建的三维张量,所述外部信息包括:所述第一训练样本对应的日期内,与所述第一时段对应的天气信息、日期信息或事故信息中的至少一种;所述历史信息张量是基于所述速度时空张量和历史信息构建的三维张量,所述历史信息包括:所述m个路段上的行驶车辆,在所述第一训练样本对应的日期之前的日期中的第二时段内的车速信息;所述车速预测模型用于根据所述m个路段上的行驶车辆在所述当前日期的第一时段内的车速信息,预测所述当前日期的第二时段内的车速;所述第二时段是在所述第一时段之后、且与所述第一时段连续的时段。
13.根据权利要求12所述的方法,其特征在于,所述神经网络包括卷积神经网络CNN,所述CNN用于提取所述速度时空张量的特征。
14.根据权利要求13所述的方法,其特征在于,所述神经网络还包括:
全连接神经网络FC和/或数据压缩神经网络;
其中,所述FC用于提取所述外部信息张量的特征,所述数据压缩神经网络用于提取所述历史信息张量的特征。
15.一种车速预测装置,其特征在于,包括:
获取单元,用于获取m个路段上的行驶车辆在当前日期的第一时段内的车速信息,m是大于1的整数;
构建单元,用于基于所述获取单元获取的所述第一时段内的车速信息,构建m个路段对应的m个速度时间序列,并根据所述m个速度时间序列构建第一时空张量;其中,所述第一时空张量是三维张量,所述第一时空张量由m个时空矩阵堆叠而成;所述m个时空矩阵中的第一时空矩阵由第一路段对应的速度时间序列和第二路段对应的速度时间序列构成,用于表示所述第一路段和所述第二路段上的行驶车辆分别在所述第一时段内的实际车速;其中,所述第一路段是所述m个路段中的任一个路段;所述第二路段是所述m个路段中,在所述第一路段的预设范围内的路段;
预测单元,用于根据第一外部信息张量和第一历史信息张量中的至少一个、以及所述第一时空张量,预测所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速;所述第一外部信息张量和所述第一历史信息张量均是三维张量,且均是基于所述第一时空张量构建的,所述第二时段是在所述第一时段之后、且与所述第一时段连续的时段。
16.根据权利要求15所述的装置,其特征在于,所述第一时段包括n个时刻,所述第一时段内的车速信息包括n个时刻的车速信息;其中,n是正整数;
所述第一时空矩阵,用于表示所述第一路段和所述第二路段上的行驶车辆,分别在所述n个时刻的实际车速。
17.根据权利要求16所述的装置,其特征在于,所述n个时刻中任意相邻两个时刻之间的时间间隔相等。
18.根据权利要求15-17中任一项所述的装置,其特征在于,
所述第一外部信息张量与第一外部信息对应,所述第一外部信息包括:与所述第一时段对应的天气信息、日期信息以及事故信息中的至少一种;所述第一历史信息张量与第一历史车速信息对应,所述第一历史车速信息包括:所述m个路段上的行驶车辆,在所述当前日期之前的日期中的第二时段内的车速信息。
19.根据权利要求18所述的装置,其特征在于,
所述预测单元,具体用于根据第一外部信息张量和第一历史信息张量中的至少一个、以及所述第一时空张量,通过预置的车速预测模型,预测所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速。
20.根据权利要求19所述的装置,其特征在于,所述车速预测模型包括卷积神经网络CNN,所述CNN用于提取所述第一时空张量的特征。
21.根据权利要求19或20所述的装置,其特征在于,所述车速预测模型还包括全连接神经网络FC,所述FC用于提取所述第一外部信息张量的特征。
22.根据权利要求19或20所述的装置,其特征在于,所述车速预测模型还包括数据压缩神经网络,所述数据压缩神经网络用于提取所述第一历史信息张量的特征。
23.根据权利要求19或20所述的装置,其特征在于,
所述预测单元,具体用于根据所述车速预测模型中的权重系数、所述第一外部信息张量的特征和所述第一历史信息张量的特征中的至少一个特征、以及所述第一时空张量的特征,得到所述m个路段上的行驶车辆在所述当前日期的第二时段内的车速。
24.根据权利要求19或20所述的装置,其特征在于,用于训练所述车速预测模型的训练样本包括第二时空张量;
其中,所述第二时空张量是三维张量;所述第二时空张量,是根据所述m个路段上的行驶车辆,在所述当前日期之前的日期中的第一时段内的车速信息构建的;所述当前日期之前的日期中的第一时段内的车速信息,用于预测所述当前日期之前的日期中的第二时段内的车速。
25.根据权利要求24所述的装置,其特征在于,所述训练样本还包括第二外部信息张量和第二历史信息张量中的至少一个;
其中,所述第二外部信息张量和所述第二历史信息张量均是三维张量;所述第二外部信息张量和所述第二历史信息张量均是基于所述第二时空张量构建的;所述第二外部信息张量与第二外部信息对应,所述第二外部信息包括:与所述当前日期之前的日期中的第一时段对应的天气信息、日期信息或事故信息中的至少一种;所述第二历史信息张量与第二历史车速信息对应,所述第二历史车速信息包括:所述m个路段上的行驶车辆,在所述第二时空张量对应日期之前的日期中的第二时段内的车速信息。
26.一种车速预测模型的训练装置,其特征在于,包括:
获取单元,用于根据m个路段上的行驶车辆在至少一个日期的第一时段内的车速信息,构建m个路段对应的m个速度时间序列;获取至少一个训练样本;所述至少一个训练样本与至少一个日期一一对应,所述至少一个日期是当前日期之前的日期;所述至少一个训练样本中的第一训练样本包括速度时空张量,所述速度时空张量是三维张量,所述速度时空张量由m个时空矩阵堆叠而成;所述第一训练样本为所述至少一个训练样本中任一训练样本,所述m个时空矩阵中的第一时空矩阵由第一路段对应的速度时间序列和第二路段对应的速度时间序列构成,用于表示所述m个路段中所述第一路段和所述第二路段上的行驶车辆,分别在所述第一训练样本对应日期的第一时段内的实际车速;其中,所述第二路段是所述m个路段中,在所述第一路段的预设范围内的路段;其中,m是大于1的整数;
其中,所述第一训练样本还包括外部信息张量和/或历史信息张量;训练单元,用于使用至少一个速度时空张量、速度时空张量对应的至少一个外部信息张量,以及速度时空张量对应的至少一个历史信息张量训练得到车速预测模型;所述外部信息张量是基于所述速度时空张量和外部信息构建的三维张量,所述外部信息包括:所述第一训练样本对应的日期内,与所述第一时段对应的天气信息、日期信息或事故信息中的至少一种;所述历史信息张量是基于所述速度时空张量和历史信息构建的三维张量,所述历史信息包括:所述m个路段上的行驶车辆,在所述第一训练样本对应的日期之前的日期中的第二时段内的车速信息;所述车速预测模型用于根据所述m个路段上的行驶车辆在所述当前日期的第一时段内的车速信息,预测所述当前日期的第二时段内的车速;所述第二时段是在所述第一时段之后、且与所述第一时段连续的时段。
27.根据权利要求26所述的训练装置,其特征在于,所述神经网络包括卷积神经网络CNN,所述CNN用于提取所述速度时空张量的特征。
28.根据权利要求27所述的训练装置,其特征在于,所述神经网络还包括:
全连接神经网络FC和/或数据压缩神经网络;
其中,所述FC用于提取所述外部信息张量的特征,所述数据压缩神经网络用于提取所述历史信息张量的特征。
29.一种车速预测装置,其特征在于,所述装置包括:存储器和一个或多个处理器,所述存储器用于存储计算机指令,所述处理器用于调用所述计算机指令,以执行如权利要求1至11中任意一项所述的方法。
30.一种车速预测模型的训练装置,其特征在于,所述训练装置包括:存储器和一个或多个处理器,所述存储器用于存储计算机指令,所述处理器用于调用所述计算机指令,以执行如权利要求12-14中任意一项所述的方法。
31.一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,当所述计算机程序在计算机上运行时,使得所述计算机执行权利要求1至11中任意一项所述的方法,或者,使得所述计算机执行权利要求12至14中任意一项所述的方法。
32.一种车速预测***,其特征在于,所述车速预测***包括至少m个车速传感器,所述至少m个车速传感器用于检测m个路段上行驶车辆在第一时段内的车速信息,所述m个路段中的任一个路段,对应至少一个车速传感器;其中,m是大于1的整数;
所述车速预测***还包括如权利要求15至25、29中任一项所述的车速预测装置,所述车速预测装置用于,根据所述车速信息预测所述m个路段上的行驶车辆在第二时段内的车速;其中,所述第二时段是在所述第一时段之后、且与所述第一时段连续的时段。
33.根据权利要求32所述的车速预测***,其特征在于,所述车速预测***还包括边缘服务单元,所述至少m个车速传感器和所述车速预测装置,分别与所述边缘服务单元通信;所述边缘服务单元用于对从所述至少m个车速传感器接收到的车速信息进行汇聚处理,以及用于将汇聚处理后的车速信息发送至所述车速预测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010642944.4A CN113971885B (zh) | 2020-07-06 | 2020-07-06 | 车速预测的方法、装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010642944.4A CN113971885B (zh) | 2020-07-06 | 2020-07-06 | 车速预测的方法、装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113971885A CN113971885A (zh) | 2022-01-25 |
CN113971885B true CN113971885B (zh) | 2023-03-03 |
Family
ID=79584535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010642944.4A Active CN113971885B (zh) | 2020-07-06 | 2020-07-06 | 车速预测的方法、装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113971885B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648886A (zh) * | 2022-03-07 | 2022-06-21 | 深圳市腾运发电子有限公司 | 一种新能源汽车的管控方法、装置、电子设备及存储介质 |
CN116913104B (zh) * | 2023-08-09 | 2024-03-19 | 西南大学 | 基于张量鲁棒分解的平均车速预测方法、装置、存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017049178A (ja) * | 2015-09-03 | 2017-03-09 | 日本電信電話株式会社 | 移動速度推定装置、方法、及びプログラム |
CN109215372A (zh) * | 2018-10-15 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 路网信息更新方法、装置及设备 |
CN109697875A (zh) * | 2017-10-23 | 2019-04-30 | 华为技术有限公司 | 规划行驶轨迹的方法及装置 |
CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
CN110782652A (zh) * | 2018-11-07 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 速度预测***和方法 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104464304A (zh) * | 2014-12-25 | 2015-03-25 | 北京航空航天大学 | 一种基于路网特性的城市道路车辆行驶速度预测方法 |
CN108648457B (zh) * | 2018-06-28 | 2021-07-13 | 苏州大学 | 一种速度预测的方法、装置和计算机可读存储介质 |
CN108922183A (zh) * | 2018-07-17 | 2018-11-30 | 重庆大学 | 一种时空关联度与svr结合的高速公路短时流量预测方法 |
CN108932843A (zh) * | 2018-08-06 | 2018-12-04 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN109285346B (zh) * | 2018-09-07 | 2020-05-05 | 北京航空航天大学 | 一种基于关键路段的城市路网交通状态预测方法 |
CN109410575B (zh) * | 2018-10-29 | 2020-05-01 | 北京航空航天大学 | 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法 |
CN111291924B (zh) * | 2020-01-17 | 2023-06-06 | 同济大学 | 面向长时交通速度预测的几何代数深度神经网络模型方法 |
-
2020
- 2020-07-06 CN CN202010642944.4A patent/CN113971885B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017049178A (ja) * | 2015-09-03 | 2017-03-09 | 日本電信電話株式会社 | 移動速度推定装置、方法、及びプログラム |
CN109697875A (zh) * | 2017-10-23 | 2019-04-30 | 华为技术有限公司 | 规划行驶轨迹的方法及装置 |
CN109215372A (zh) * | 2018-10-15 | 2019-01-15 | 百度在线网络技术(北京)有限公司 | 路网信息更新方法、装置及设备 |
CN110782652A (zh) * | 2018-11-07 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 速度预测***和方法 |
CN110299005A (zh) * | 2019-06-10 | 2019-10-01 | 浙江大学 | 一种基于深度集成学习的城市大规模路网交通速度预测方法 |
CN110827546A (zh) * | 2019-11-21 | 2020-02-21 | 银江股份有限公司 | 一种信号交叉口路段短期速度预测方法 |
CN111325976A (zh) * | 2020-02-24 | 2020-06-23 | 交通运输部水运科学研究所 | 一种短时交通流预测方法及*** |
Non-Patent Citations (2)
Title |
---|
《Truck Traffic Speed Prediction Under Non-Recurrent Congestion: Based on Optimized Deep Learning Algorithms and GPS Data》;Jiandong Zhao,Yuan Gao,Zhenzhen Yang et al;《IEEE Access》;20190101;第07卷;全文 * |
双基地MIMO雷达收发角和径向速度联合估计;程院兵等;《宇航学报》;20120730(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113971885A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110415516B (zh) | 基于图卷积神经网络的城市交通流预测方法及介质 | |
CN108648489B (zh) | 一种基于车联网的路况信息实时共享***及方法 | |
US10120381B2 (en) | Identifying significant locations based on vehicle probe data | |
CN109064741B (zh) | 基于多源数据融合的干道车辆运行轨迹重构的方法 | |
CN112820108B (zh) | 一种自学习的路网交通状态分析及预测方法 | |
CN110823235A (zh) | 用于导出路段限速的智能车辆导航***、方法以及控制逻辑 | |
CN113971885B (zh) | 车速预测的方法、装置及*** | |
WO2018141403A1 (en) | System, device and method for managing traffic in a geographical location | |
CN109767619B (zh) | 一种智能网联纯电动汽车行驶工况预测方法 | |
CN109118787B (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN114170803B (zh) | 路侧感知***和交通控制方法 | |
CN110969857A (zh) | 一种交通信息处理方法及装置 | |
CN109190811B (zh) | 一种基于自适应扩展卡尔曼滤波的车辆速度跟踪方法 | |
CN106971535B (zh) | 一种基于浮动车gps实时数据的城市交通拥堵指数计算平台 | |
EP4021027A1 (en) | Distributed learning to learn context-specific driving patterns | |
CN115358412A (zh) | 一种基于边缘辅助车辆网络的异步联邦优化方法 | |
CN111740981A (zh) | 一种汽车gps轨迹数据压缩方法 | |
CN113380037A (zh) | 一种交通信息采集方法和装置 | |
CN104766494A (zh) | 一种分布式错时停车*** | |
CN111461094A (zh) | 基于监控视频的***识别方法、装置及计算机设备 | |
CN115985132A (zh) | 一种基于图神经网络的路边停车可用性预测方法 | |
CN113269339B (zh) | 一种网约车任务自动创建和分发的方法及*** | |
CN113422797B (zh) | 一种用于车联网的更新地图的方法及*** | |
CN114330871A (zh) | 一种通过公交运营数据结合gps数据预测城市路况的方法 | |
CN114724414A (zh) | 城市空中交通分担率的确定方法、装置、电子设备及介质 |
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 |