CN115359662B - 车道拥堵预测方法及装置 - Google Patents

车道拥堵预测方法及装置 Download PDF

Info

Publication number
CN115359662B
CN115359662B CN202211270670.6A CN202211270670A CN115359662B CN 115359662 B CN115359662 B CN 115359662B CN 202211270670 A CN202211270670 A CN 202211270670A CN 115359662 B CN115359662 B CN 115359662B
Authority
CN
China
Prior art keywords
lane
time
tmc data
moment
prediction result
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
CN202211270670.6A
Other languages
English (en)
Other versions
CN115359662A (zh
Inventor
李宁
贾双成
朱磊
郭杏荣
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.)
Zhidao Network Technology Beijing Co Ltd
Original Assignee
Zhidao Network Technology Beijing 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 Zhidao Network Technology Beijing Co Ltd filed Critical Zhidao Network Technology Beijing Co Ltd
Priority to CN202211270670.6A priority Critical patent/CN115359662B/zh
Publication of CN115359662A publication Critical patent/CN115359662A/zh
Application granted granted Critical
Publication of CN115359662B publication Critical patent/CN115359662B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/0104—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
    • 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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及轨道交通领域，提供一种车道拥堵预测方法及装置。所述方法包括：获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果。本申请实施例提供的车道拥堵预测方法可以同时基于历史时刻的车道拥堵情况、未来时刻的车道拥堵情况和即将驶入的车道行驶环境进行前方车道拥堵预测，提高预测准确率。

Description

车道拥堵预测方法及装置
技术领域
本申请涉及轨道交通技术领域，具体涉及一种车道拥堵预测方法及装置。
背景技术
目前，对车道拥堵的预测多是从空间角度展开，即根据不同的车道行驶环境进行预测。
但该种方式仅能针对同一行驶环境时进行拥堵预测，一旦前方为陌生环境，则预测准确率会大大降低。
发明内容
本申请实施例提供一种车道拥堵预测方法及装置，用以解决传统方法仅能针对同一行驶环境时进行拥堵预测，一旦前方为陌生环境，则预测准确率会大大降低的技术问题。
第一方面，本申请实施例提供一种车道拥堵预测方法，包括：
获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
在一个实施例中，每个车道的TMC数据构成m*n的二维矩阵；
其中，m，n分别为车道拓扑图中的节点总数和所述TMC数据的总类型数量，所述车道拓扑图是根据对应车道的TMC数据得到的；
所述获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集，包括：
将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建所述TMC数据集。
在一个实施例中，所述将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量，包括：
将所述TMC数据集中的所述二维矩阵按照特定比例划分为训练集和测试集；
将所述训练集输入至所述图卷积网络模型，对所述图卷积网络模型进行训练，以获取所述空间特征提取模型；
将所述测试集输入至所述空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量。
在一个实施例中，所述将所述测试集输入至所述空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量，包括：
将邻接矩阵与单位矩阵相加，得到第一矩阵；所述邻接矩阵是根据所述车道拓扑图中各节点之间连接关系得到的。
对所述第一矩阵进行加权，得到第二矩阵；
对所述第二矩阵进行归一化处理，得到第三矩阵；
将所述第三矩阵左乘对应的所述二维矩阵，得到第四矩阵；
将所述第四矩阵左乘参数矩阵，得到第五矩阵；
利用激活函数对所述第五矩阵进行非线性变换，得到所述空间特征向量。
在一个实施例中，所述将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果，包括：
所述时间特征提取模型包括：前向时间特征提取模型和后向时间特征提取模型，所述双向长短期记忆网络模型包括前向长短期记忆网络模型和后向长短期记忆网络模型；
将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；
以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻上一时刻训练后的前向长短期记忆网络模型作为当前时刻的前向时间特征提取模型；
将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二未来时刻为所述第一未来时刻的上一时刻；
以第二未来时刻的空间特征向量更新所述第一未来时刻的空间特征向量，以第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻下一时刻训练后的后向长短期记忆网络模型作为当前时刻的后向时间特征提取模型；
将当前时刻的空间特征向量分别输入至所述当前时刻的前向时间特征提取模型和所述当前时刻的后向时间特征提取模型，根据所述前向时间特征提取模型的输出加权值与所述后向时间特征提取模型的输出加权值之和获取下一时刻的车道拥堵预测结果。
在一个实施例中，所述任一采样时长是基于小时级别时间进行划分得到的。
在一个实施例中，所述任一采样时长为15分钟。
第二方面，本申请实施例提供一种车道拥堵预测装置，包括：
TMC数据集构建模块，用于获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
空间特征向量获取模块，用于将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
车道拥堵预测模块，用于将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的车道拥堵预测方法的步骤。
第四方面，本申请实施例提供一种非暂态计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的车道拥堵预测方法的步骤。
本申请实施例提供的车道拥堵预测方法及装置，通过获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建TMC数据集，将TMC数据集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的车道拥堵预测结果。由于时间特征提取模型是根据目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的，因此，本申请的车道拥堵预测结果是基于历史TMC数据集、历史车道拥堵结果、未来TMC数据集和未来车道拥堵结果得到的，通过引入时间维度，能够结合历史某一时刻的车道拥堵状况和未来某一时刻的车道拥堵状况，预测下一时刻的车道拥堵状况，或是结合历史某一天的某一时刻的车道拥堵状况和未来某一天的同一时刻的车道拥堵状况，预测处于该历史某一天和该未来某一天之间的一天的同一时刻的车道拥堵状况，再结合空间特征的提取，即结合空间维度的车道拥堵预测，能够同时基于历史时刻的车道拥堵情况、未来时刻的车道拥堵情况和即将驶入的车道行驶环境进行前方车道拥堵预测，提高预测准确率。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的车道拥堵预测方法的流程示意图之一；
图2是本申请实施例提供的车道拥堵预测方法中的车道示意图；
图3是本申请实施例提供的车道拥堵预测方法的流程示意图之二；
图4是本申请实施例提供的车道拥堵预测方法的流程示意图之三；
图5是本申请实施例提供的车道拥堵预测方法的流程示意图之四；
图6为本申请实施例提供的车道拥堵预测装置的结构示意图；
图7是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
图1是本申请实施例提供的车道拥堵预测方法的流程示意图之一；
图2是本申请实施例提供的车道拥堵预测方法中的车道示意图；
参照图1-2，本申请实施例提供一种车道拥堵预测方法，可以包括：
101、获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
目标区域可以为地图上的目标区域，目标区域内可以包括多个行驶道，每个行驶道按照车辆行驶方向被划分为多个道路（相当于将单个行驶道垂直于车辆行驶方向进行切分），其中，每个道路内包括相等数量的车道，需要说明的是，位于同一个行驶道内的多个道路中的车道被认为是完全不同的车道，如图2所示。
交通信息频道TMC（Traffic Message Channel，TMC）是欧洲的辅助GPS导航的功能***。它是通过广播数据***RDS（Radio Data System，RDS）方式发送实时交通信息和天气状况的一种开放式数据应用。借助于具有TMC功能的导航***，数据信息可以被接收并解码，然后以用户语言或可视化的方式将和当前旅行路线相关的信息展现给驾驶者。
根据TMC的协议规定，TMC消息都是基于事件的，可分为用户消息和***消息两大类。其中用户消息是指要提供给用户的交通状况、道路施工及天气信息，它是由RDS数据帧的8A组进行传输的；***消息是指仅供RDS- TMC解码器用于解码、消息管理的信息，它们可通过8A、4A、3A或1A数据帧进行传输。
本实施例中的TMC数据可以包括交通状况、道路施工信息、天气信息、linkId、起点经纬度、终点经纬度、以及车辆行驶速度等。
其中，linkId是每个行驶道中的每个车道（每个车道的长度可以为10米）的编号，该编号在地图上的同一个区域内是唯一的。
102、将TMC数据集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量；
空间特征提取模型是对图卷积网络模型训练后获取的，由于城市道路是网路图，并不是规整的二维网格，即城市道路图更加类似于图数据，因此，对于城市道路中车道空间特征的提取更加适用于图卷积网络模型训练后的空间特征提取模型。
103、将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的车道拥堵预测结果。
时间特征提取模型，是根据目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
本实施例提供的车道拥堵预测方法，通过获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建TMC数据集，将TMC数据集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的车道拥堵预测结果。由于时间特征提取模型是根据目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的，因此，本实施例的车道拥堵预测结果是基于历史TMC数据集、历史车道拥堵结果、未来TMC数据集和未来车道拥堵结果得到的，通过引入时间维度，能够结合历史某一时刻的车道拥堵状况和未来某一时刻的车道拥堵状况，预测下一时刻的车道拥堵状况，或是结合历史某一天的某一时刻的车道拥堵状况和未来某一天的同一时刻的车道拥堵状况，预测处于该历史某一天和该未来某一天之间的一天的同一时刻的车道拥堵状况，再结合空间特征的提取，即结合空间维度的车道拥堵预测，能够同时基于历史时刻的车道拥堵情况、未来时刻的车道拥堵情况和即将驶入的车道行驶环境进行前方车道拥堵预测，提高预测准确率。
在一个实施例中，获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集，可以包括：
将每个采样时刻所采集到的TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建TMC数据集。
该二维矩阵为每个车道的TMC数据构成m*n的二维矩阵；
其中，m，n分别为车道拓扑图中的节点总数和TMC数据的总类型数量，该车道拓扑图是根据对应车道的TMC数据得到的；
本实施例将每个车道的TMC数据转化为车道拓扑图中的节点总数为行数，总类型数量为列数的二维矩阵，在不丢失原始数据特征的情况下便于后续进行矩阵相关计算。
图3是本申请实施例提供的车道拥堵预测方法的流程示意图之二；参照图3，在一个实施例中，将TMC数据集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，可以包括：
301、将TMC数据集中的二维矩阵按照特定比例划分为训练集和测试集；
302、将训练集输入至图卷积网络模型，对图卷积网络模型进行训练，以获取空间特征提取模型；
303、将测试集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量。
当图卷积网络的输出结果与预期值相符或误差在可接受范围内时，该图卷积网络训练完成，得到空间特征提取模型，再将测试集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量。
本实施例利用部分车道相关的二维矩阵组成的训练集训练图卷积网络，得到空间特征提取模型，再将另一部分车道相关的二维矩阵输入至该空间特征提取模型以获取空间特征向量，能够得到各车道相对准确的空间特征。
图4是本申请实施例提供的车道拥堵预测方法的流程示意图之三；参照图4，在一个实施例中，将测试集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，可以包括：
401、将邻接矩阵与单位矩阵相加，得到第一矩阵；
邻接矩阵是根据车道拓扑图中各节点之间连接关系得到的，邻接矩阵中的数值代表对应两个节点之间是否存在连接关系，是则用1表示，否则用0表示。
例如下表的邻接矩阵：
表1 邻接矩阵
Figure 594931DEST_PATH_IMAGE001
该邻接矩阵说明车道拓扑图中有4个节点，分别为V1、V2、V3和V4，其中，V1分别与V2、V3和V4相连接，V2只跟V1相连接，V3分别跟V1和V4相连接，V4分别跟V1和V3相连接。
但该邻接矩阵只刻画了不同节点之间的连接关系，并没有考虑各节点自连接关系，在后续特征提取和传播过程中，会忽略自身节点的特征信息，因此，需要加上一个单位矩阵，以保留自身节点的特征信息，则邻接矩阵加上单位矩阵得到的第一矩阵可如下表所示：
表2 第一矩阵
Figure 596385DEST_PATH_IMAGE002
402、对第一矩阵进行加权，得到第二矩阵；
由于各个节点之间连接以及各节点的自连接关系的强弱不一样，即某一节点自身的特征以及该节点的邻居节点的特征对后续特征提取和传播的影响程度不同，因此需要给每个连接加上权重，以表征各节点之间连接以及各节点自连接的强弱，则第一矩阵加权后的第二矩阵可以如下表所示：
表3 第二矩阵
Figure 716656DEST_PATH_IMAGE003
该第二矩阵说明V1自连接的权重为2，V2自连接的权重为1，V3自连接的权重为3，V4自连接的权重为5，V1与V2之间连接的权重为2，V1与V3之间连接的权重为5，V1与V4之间连接的权重为6，V3与V4之间连接的权重为3。
403、对第二矩阵进行归一化处理，得到第三矩阵；
特征提取和传播过程实际上是一个邻居节点和自身节点特征汇聚的过程，但由于 每个节点拥有的邻居节点的数量不一样，对于那些只有极少邻居节点的节点来说，特征汇 聚的值就会很小，对于那些拥有极多邻居节点的节点来说，特征汇聚的值就会很大，为了使 不同的节点的特征汇聚值不至于相差过大，需要对第二矩阵进行归一化处理，进一步地，当 同一节点的不同阶邻居节点数量相差较大时，可以利用
Figure 244590DEST_PATH_IMAGE004
左乘第二矩阵，再利用
Figure 175636DEST_PATH_IMAGE005
右乘第二矩阵，对该第二矩阵进行归一化处理，以平衡数量相差较大的不同阶邻居节点对 各节点的影响。
404、将第三矩阵左乘对应的二维矩阵，得到第四矩阵；
由于二维矩阵实际上为各车道TMC数据形成的特征向量矩阵，因此第三矩阵左乘对应的二维矩阵得到的第四矩阵即为对应于各车道拓扑图的聚合了各节点特征和自身节点特征的矩阵。
405、将第四矩阵左乘参数矩阵，得到第五矩阵；
406、利用激活函数对第五矩阵进行非线性变换，得到空间特征向量。
其中，激活函数可以为Softmax和/或线形整流函数ReLu（Rectified LinearUnit，ReLu）。
以上步骤均为测试集中的二维矩阵在空间特征提取模型中的运行步骤，也为训练集中的二维矩阵在图卷积网络模型中的训练步骤。
其中，每进行一次步骤401到步骤406的操作，为完成一层卷积层的操作，每层卷积层的输出作为下一个卷积层的输入再一次进行步骤401到步骤406的操作，通过多个卷积层叠加实现更多特征的传播。
需要说明的是，不论训练时的图卷积网络模型还是实际应用时的空间特征提取模型，均可以根据需要调整其中的卷积层数，此处不对卷积层数做出限定，本实施例中，空间特征提取模型的卷积层数可以为四层。
本实施例通过对邻接矩阵进行节点自身连接关系添加、各节点连接关系加权、归一化处理、左乘二维矩阵、左乘参数矩阵等操作，得到第五矩阵，再利用激活函数突出第五矩阵的特征，最后得到空间特征向量，使得空间特征向量中的各个节点聚合的特征完整且平衡。
图5是本申请实施例提供的车道拥堵预测方法的流程示意图之四；参照图5，在一个实施例中，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的车道拥堵预测结果，可以包括：
时间特征提取模型包括：前向时间特征提取模型和后向时间特征提取模型，双向长短期记忆网络模型包括前向长短期记忆网络模型和后向长短期记忆网络模型。
501、将第一历史时刻的空间特征向量，以及第一历史时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至前向长短期记忆网络模型，对前向长短期记忆网络模型进行训练，得到第二历史时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；
第二历史时刻为第一历史时刻的下一时刻。
将任一历史时刻的目标区域内各车道的TMC数据集按照前述步骤102进行操作，可以得到任一历史时刻的空间特征向量。
502、以第二历史时刻的空间特征向量更新第一历史时刻的空间特征向量，以第二历史时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新第一历史时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回步骤501；
503、将当前时刻上一时刻训练后的前向长短期记忆网络模型作为当前时刻的前向时间特征提取模型；
504、将第一未来时刻的空间特征向量，以及第一未来时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至后向长短期记忆网络模型，对后向长短期记忆网络模型进行训练，得到第二未来时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；
第二未来时刻为第一未来时刻的上一时刻。
将任一未来时刻的目标区域内各车道的TMC数据集按照前述步骤102进行操作，可以得到任一未来时刻的空间特征向量。
505、以第二未来时刻的空间特征向量更新第一未来时刻的空间特征向量，以第二未来时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新第一未来时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回步骤504；
506、将当前时刻下一时刻训练后的后向长短期记忆网络模型作为当前时刻的后向时间特征提取模型；
507、将当前时刻的空间特征向量分别输入至当前时刻的前向时间特征提取模型和当前时刻的后向时间特征提取模型，根据前向时间特征提取模型的输出加权值与后向时间特征提取模型的输出加权值之和获取下一时刻的车道拥堵预测结果。
该预测结果可以是是连续值，代表了车辆行驶的速度，根据车辆的行驶速度判断车道是畅通、缓慢还是拥堵。
本实施例中，对前向长短期记忆网络模型进行多次循环训练，例如根据t-2时刻的目标区域内各车道的TMC数据集（t为大于2的整数），得到t-2时刻的空间特征向量，将该t-2时刻的空间特征向量，以及t-2时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签输入至前向长短期记忆网络模型，得到t-1时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，即完成一次训练，再将t-1时刻的空间特征向量，以及该t-1时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签输入至前向长短期记忆网络模型，得到t时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，又完成一次训练，该次训练后的前向长短期记忆网络模型即为t时刻的前向时间特征提取模型；
对后向长短期记忆网络模型进行多次循环训练，例如根据t+2时刻的目标区域内各车道的TMC数据集（t为大于0的整数），得到t+2时刻的空间特征向量，将该t+2时刻的空间特征向量，以及t+2时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签输入至后向长短期记忆网络模型，得到t+1时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，即完成一次训练，再将t+1时刻的空间特征向量，以及该t+1时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签输入至后向长短期记忆网络模型，得到t时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，又完成一次训练，该次训练后的后向长短期记忆网络模型即为t时刻的后向时间特征提取模型。
再将t时刻的空间特征向量，以及前向长短期记忆网络模型中得到的t时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签输入前向时间特征提取模型，将t时刻的空间特征向量，以及后向长短期记忆网络模型中得到的t时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签输入后向时间特征提取模型，根据前向时间特征提取模型的输出加权值与后向时间特征提取模型的输出加权值之和获取t+1的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，即t+1时刻的车道拥堵预测结果。
需要说明的是，对前向时间特征提取模型的输出和后向时间特征提取模型的输出还可以采用平均值或连接等方式进行处理，以获取下一时刻的车道拥堵预测结果，此处不作限定。另外，步骤501至步骤503为第一步骤组，步骤504至步骤506为第二步骤组，两个步骤组之间没有严格的时序关系；即，可第一步骤组和第二步骤组同时执行，或任一步骤组先执行，具体根据实际需求而定，此处不做限定，但第一步骤组中步骤501至步骤503的顺序是固定的，第二步骤组中步骤504至步骤506的顺序也是固定的。
其中，t-2时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签是将t-3时刻的空间特征向量输入前向长短期记忆网络模型后预测得到的，t-1时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签是将t-2时刻的空间特征向量输入前向长短期记忆网络模型后预测得到的，t时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签是将t-1时刻的空间特征向量输入前向长短期记忆网络模型后预测得到的；选取的历史时刻还可以前推至更多个，此处不作限定，只要能够对前向长短期记忆网络模型起到较好的训练效果即可。
同理，t+2时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签是将t+3时刻的空间特征向量输入后向长短期记忆网络模型后预测得到的，t+1时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签是将t+2时刻的空间特征向量输入后向长短期记忆网络模型后预测得到的，t时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签是将t+1时刻的空间特征向量输入后向长短期记忆网络模型后预测得到的；选取的未来时刻还可以后推至更多个，此处不作限定，只要能够对后向长短期记忆网络模型起到较好的训练效果即可。
当前向长短期记忆网络模型和后向长短期记忆网络模型的输出结果与预期值相符或误差在可接受范围内时，该双向长短期记忆网络模型训练完成。
本实施例利用历史时刻的空间特征向量和历史时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，以及未来时刻的空间特征向量和未来时刻的目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签对双向长短期记忆网络模型进行训练，得到时间特征提取模型，再将当前时刻的空间特征向量输入至时间特征提取模型，以获取下一时刻的车道拥堵预测结果，由于任意时刻的车道拥堵预测结果不仅与历史时刻的车道拥堵预测结果有关，还需未来时刻的车道拥堵预测结果有关，因此能够使得车道拥堵预测更加全面准确，另外该预测结果既包括空间特征又包括时间特征，既体现车道拥堵与空间的相关性，也体现车道拥堵与时间的相关性，能够进一步提高车道拥堵的预测准确度。
在一个实施例中，任一采样时长可以基于小时级别时间进行划分得到的，进一步地，任一采样时长可以为15分钟。
通过统计发现以15分钟为一个时间窗口，总能找到另一个15分钟的时间窗口，两者时间窗口内的TMC数据具有相同变化趋势，因此，以15分钟为一个采样时长进行采样，以获取TMC数据的周期特征。
另外，可以将4个15分钟时间窗口作为一个小时时间窗口来划定TMC数据的周期特征，形成小时级别的时间信息。
由于车道中小时级别的速度变化与前几个小时的速度变化有较强的相关性，并对后几个小时的速度变化有较大的影响，因此，能够根据小时级别的时间信息进行车道拥堵预测，提高预测准确度，并且可以进一步根据15分钟级别的时间信息进行车道拥堵预测，进一步提高预测准确度。
本实施例通过将15分钟作为一个时间窗口，确定TMC数据的周期特征，并将4个时间窗口作为一个小时时间窗口形成小时级别的时间信息，使得后续预测结果能够以小时为时间粒度或以15分钟为时间粒度，提高预测的精细度和准确度。
下面对本申请实施例提供的车道拥堵预测装置进行描述，下文描述的车道拥堵预测装置与上文描述的车道拥堵预测方法可相互对应参照。
图6为本申请实施例提供的车道拥堵预测装置的结构示意图。参照图6，本申请实施例提供一种车道拥堵预测装置，可以包括：
TMC数据集构建模块601，用于获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
空间特征向量获取模块602，用于将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
车道拥堵预测模块603，用于将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
本实施例提供的车道拥堵预测装置，通过获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建TMC数据集，将TMC数据集输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的车道拥堵预测结果。由于时间特征提取模型是根据目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的，因此，本实施例的车道拥堵预测结果是基于历史TMC数据集、历史车道拥堵结果、未来TMC数据集和未来车道拥堵结果得到的，通过引入时间维度，能够结合历史某一时刻的车道拥堵状况和未来某一时刻的车道拥堵状况，预测下一时刻的车道拥堵状况，或是结合历史某一天的某一时刻的车道拥堵状况和未来某一天的同一时刻的车道拥堵状况，预测处于该历史某一天和该未来某一天之间的一天的同一时刻的车道拥堵状况，再结合空间特征的提取，即结合空间维度的车道拥堵预测，能够同时基于历史时刻的车道拥堵情况、未来时刻的车道拥堵情况和即将驶入的车道行驶环境进行前方车道拥堵预测，提高预测准确率。
在一个实施例中，每个车道的TMC数据构成m*n的二维矩阵；
其中，m，n分别为车道拓扑图中的节点总数和所述TMC数据的总类型数量，所述车道拓扑图是根据对应车道的TMC数据得到的；
TMC数据集构建模块601具体用于：
将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建所述TMC数据集。
在一个实施例中，空间特征向量获取模块602具体用于：
将所述TMC数据集中的所述二维矩阵按照特定比例划分为训练集和测试集；
将所述训练集输入至所述图卷积网络模型，对所述图卷积网络模型进行训练，以获取所述空间特征提取模型；
将所述测试集输入至所述空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量。
在一个实施例中，空间特征向量获取模块602具体用于：
将邻接矩阵与单位矩阵相加，得到第一矩阵；所述邻接矩阵是根据所述车道拓扑图中各节点之间连接关系得到的。
对所述第一矩阵进行加权，得到第二矩阵；
对所述第二矩阵进行归一化处理，得到第三矩阵；
将所述第三矩阵左乘对应的所述二维矩阵，得到第四矩阵；
将所述第四矩阵左乘参数矩阵，得到第五矩阵；
利用激活函数对所述第五矩阵进行非线性变换，得到所述空间特征向量。
在一个实施例中，车道拥堵预测模块603具体用于：
所述时间特征提取模型包括：前向时间特征提取模型和后向时间特征提取模型，所述双向长短期记忆网络模型包括前向长短期记忆网络模型和后向长短期记忆网络模型；
将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；
以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻上一时刻训练后的前向长短期记忆网络模型作为当前时刻的前向时间特征提取模型；
将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二未来时刻为所述第一未来时刻的上一时刻；
以第二未来时刻的空间特征向量更新所述第一未来时刻的空间特征向量，以第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻下一时刻训练后的后向长短期记忆网络模型作为当前时刻的后向时间特征提取模型；
将当前时刻的空间特征向量分别输入至所述当前时刻的前向时间特征提取模型和所述当前时刻的后向时间特征提取模型，根据所述前向时间特征提取模型的输出加权值与所述后向时间特征提取模型的输出加权值之和获取下一时刻的车道拥堵预测结果。
在一个实施例中，TMC数据集构建模块601中的任一采样时长是基于小时级别时间进行划分得到的；
在一个实施例中，TMC数据集构建模块601中的任一采样时长为15分钟。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器（processor）710、通信接口（Communication Interface）720、存储器（memory）730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的计算机程序，以执行车道拥堵预测方法的步骤，例如包括：
获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的车道拥堵预测方法的步骤，例如包括：
获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤，例如包括：
获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；
将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器（例如软盘、硬盘、磁带、磁光盘（MO）等）、光学存储器（例如CD、DVD、BD、HVD等）、以及半导体存储器（例如ROM、EPROM、EEPROM、非易失性存储器（NANDFLASH）、固态硬盘（SSD））等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (9)

1.一种车道拥堵预测方法，其特征在于，包括：
获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；其中，所述TMC数据包括交通状况、道路施工信息、天气信息、linkId、起点经纬度、终点经纬度和车辆行驶速度；
将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的；
所述将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果，包括：
所述时间特征提取模型包括：前向时间特征提取模型和后向时间特征提取模型，所述双向长短期记忆网络模型包括前向长短期记忆网络模型和后向长短期记忆网络模型；
将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；
以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻上一时刻训练后的前向长短期记忆网络模型作为当前时刻的前向时间特征提取模型；
将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二未来时刻为所述第一未来时刻的上一时刻；
以第二未来时刻的空间特征向量更新所述第一未来时刻的空间特征向量，以第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻下一时刻训练后的后向长短期记忆网络模型作为当前时刻的后向时间特征提取模型；
将当前时刻的空间特征向量分别输入至所述当前时刻的前向时间特征提取模型和所述当前时刻的后向时间特征提取模型，根据所述前向时间特征提取模型的输出加权值与所述后向时间特征提取模型的输出加权值之和获取下一时刻的车道拥堵预测结果。
2.根据权利要求1所述的车道拥堵预测方法，其特征在于，每个车道的TMC数据构成m*n的二维矩阵；
其中，m，n分别为车道拓扑图中的节点总数和所述TMC数据的总类型数量，所述车道拓扑图是根据对应车道的TMC数据得到的；
所述获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集，包括：
将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建所述TMC数据集。
3.根据权利要求2所述的车道拥堵预测方法，其特征在于，所述将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量，包括：
将所述TMC数据集中的所述二维矩阵按照特定比例划分为训练集和测试集；
将所述训练集输入至所述图卷积网络模型，对所述图卷积网络模型进行训练，以获取所述空间特征提取模型；
将所述测试集输入至所述空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量。
4.根据权利要求3所述的车道拥堵预测方法，其特征在于，所述将所述测试集输入至所述空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量，包括：
将邻接矩阵与单位矩阵相加，得到第一矩阵；所述邻接矩阵是根据所述车道拓扑图中各节点之间连接关系得到的；
对所述第一矩阵进行加权，得到第二矩阵；
对所述第二矩阵进行归一化处理，得到第三矩阵；
将所述第三矩阵左乘对应的所述二维矩阵，得到第四矩阵；
将所述第四矩阵左乘参数矩阵，得到第五矩阵；
利用激活函数对所述第五矩阵进行非线性变换，得到所述空间特征向量。
5.根据权利要求1所述的车道拥堵预测方法，其特征在于：
所述任一采样时长是基于小时级别时间进行划分得到的。
6.根据权利要求1所述的车道拥堵预测方法，其特征在于：
所述任一采样时长为15分钟。
7.一种车道拥堵预测装置，其特征在于，包括：
TMC数据集构建模块，用于获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道TMC数据，以构建交通信息频道TMC数据集；其中，所述TMC数据包括交通状况、道路施工信息、天气信息、linkId、起点经纬度、终点经纬度和车辆行驶速度；
空间特征向量获取模块，用于将所述TMC数据集输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；
车道拥堵预测模块，用于将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果；
所述空间特征提取模型是对图卷积网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签，以及所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签，对双向长短期记忆网络模型训练后获取的；
所述将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的车道拥堵预测结果，包括：
所述时间特征提取模型包括：前向时间特征提取模型和后向时间特征提取模型，所述双向长短期记忆网络模型包括前向长短期记忆网络模型和后向长短期记忆网络模型；
将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；
以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述前向长短期记忆网络模型，对所述前向长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻上一时刻训练后的前向长短期记忆网络模型作为当前时刻的前向时间特征提取模型；
将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签；所述第二未来时刻为所述第一未来时刻的上一时刻；
以第二未来时刻的空间特征向量更新所述第一未来时刻的空间特征向量，以第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后，返回将第一未来时刻的空间特征向量，以及第一未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签，输入至所述后向长短期记忆网络模型，对所述后向长短期记忆网络模型进行训练，得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签的步骤；
将当前时刻下一时刻训练后的后向长短期记忆网络模型作为当前时刻的后向时间特征提取模型；
将当前时刻的空间特征向量分别输入至所述当前时刻的前向时间特征提取模型和所述当前时刻的后向时间特征提取模型，根据所述前向时间特征提取模型的输出加权值与所述后向时间特征提取模型的输出加权值之和获取下一时刻的车道拥堵预测结果。
8.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的车道拥堵预测方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的车道拥堵预测方法的步骤。
CN202211270670.6A 2022-10-18 2022-10-18 车道拥堵预测方法及装置 Active CN115359662B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211270670.6A CN115359662B (zh) 2022-10-18 2022-10-18 车道拥堵预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211270670.6A CN115359662B (zh) 2022-10-18 2022-10-18 车道拥堵预测方法及装置

Publications (2)

Publication Number Publication Date
CN115359662A CN115359662A (zh) 2022-11-18
CN115359662B true CN115359662B (zh) 2023-01-10

Family

ID=84008351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211270670.6A Active CN115359662B (zh) 2022-10-18 2022-10-18 车道拥堵预测方法及装置

Country Status (1)

Country Link
CN (1) CN115359662B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117746640B (zh) * 2024-02-20 2024-04-30 云南省公路科学技术研究院 一种道路交通车流量滚动预测方法、***、终端及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及***
CN111079590A (zh) * 2019-12-04 2020-04-28 东北大学 一种无人驾驶车辆的周边车辆行为预判方法
CN111145541A (zh) * 2019-12-18 2020-05-12 深圳先进技术研究院 交通流量数据预测方法、存储介质和计算机设备
CN112966871A (zh) * 2021-03-15 2021-06-15 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及***
CN113256985A (zh) * 2021-06-28 2021-08-13 智道网联科技(北京)有限公司 一种交通拥堵预测方法、装置和电子设备
CN114999154A (zh) * 2022-05-26 2022-09-02 浙江工业大学 一种基于图卷积网络的道路服务水平预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11989952B2 (en) * 2019-12-10 2024-05-21 Samsung Electronics Co., Ltd. Systems and methods for trajectory prediction

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109285348A (zh) * 2018-10-26 2019-01-29 深圳大学 一种基于双向长短时记忆网络的车辆行为识别方法及***
CN111079590A (zh) * 2019-12-04 2020-04-28 东北大学 一种无人驾驶车辆的周边车辆行为预判方法
CN111145541A (zh) * 2019-12-18 2020-05-12 深圳先进技术研究院 交通流量数据预测方法、存储介质和计算机设备
CN112966871A (zh) * 2021-03-15 2021-06-15 上海交通大学 基于卷积长短期记忆神经网络的交通拥堵预测方法及***
CN113256985A (zh) * 2021-06-28 2021-08-13 智道网联科技(北京)有限公司 一种交通拥堵预测方法、装置和电子设备
CN114999154A (zh) * 2022-05-26 2022-09-02 浙江工业大学 一种基于图卷积网络的道路服务水平预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Short-term traffic flow prediction with Conv-LSTM;Yipeng Liu 等;《2017 9th International Conference on Wireless Communications and Signal Processing (WCSP)》;20171211;第1-6页 *
智能网联环境下基于混合深度学习的交通流预测模型;陆文琦 等;《交通运输***工程与信息》;20200615(第03期);第47-53页 *

Also Published As

Publication number Publication date
CN115359662A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN109724611B (zh) 路径规划方法、装置、电子设备及存储介质
CN111653088B (zh) 一种车辆出行量预测模型构建方法及预测方法和***
US8798897B2 (en) Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
CN111080029B (zh) 基于多路段时空相关的城市交通路段速度预测方法及***
CN102708698B (zh) 基于车联网的车辆最优路径导航方法
CN112665601B (zh) 一种路径规划方法、装置、电子设备及可读存储介质
CN114973677A (zh) 用于确定预计到达时间的方法和设备
CN115359662B (zh) 车道拥堵预测方法及装置
CN111310828B (zh) 用于adas场景的目标检测模型微调方法及装置
CN111554118B (zh) 一种公交车到站时间的动态预测方法及***
Necula Dynamic traffic flow prediction based on GPS data
CN112418518A (zh) 基于时间特征权重和线网拓扑的客流预测方法及装置
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN113223293A (zh) 路网仿真模型的构建方法、装置及电子设备
CN115359444B (zh) 道路拥堵预测方法及装置
CN112149763A (zh) 一种利用众包概念提高路面异常检测的方法及装置
CN116030654B (zh) 交通拥堵调节方法、装置、电子设备及介质
CN116698075A (zh) 路网数据处理方法、装置、电子设备及存储介质
El Esawey et al. Calibration and validation of micro-simulation models of medium-size networks.
Raiyn Classification of road traffic anomaly based on travel data analysis
CN114383617B (zh) 基于地图神经网络导航算路方法、装置、设备及存储介质
Xiao et al. An online reinforcement learning approach for user-optimal parking searching strategy exploiting unique problem property and network topology
CN114757418A (zh) 共享单车需求量预测模型的训练方法、***和设备
CN113723656A (zh) 行驶轨迹修复方法、装置、电子设备和存储介质
CN118051787B (zh) 一种高分辨率排放因子匹配方法

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