交通路况预测方法、装置、电子设备及存储介质制造方法及图纸

本申请涉及数据处理及人工智能技术领域，公开了一种交通路况预测方法、装置、电子设备及存储介质，该交通路况预测方法包括：获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。利用本申请提供的交通路况预测方案，能够提升获得的待预测时期的交通拥堵概率的准确性。性。性。

【技术实现步骤摘要】
交通路况预测方法、装置、电子设备及存储介质


[0001]本申请涉及数据处理及人工智能
，具体而言，本申请涉及一种交通路况预测方法、装置、电子设备及存储介质。

技术介绍

[0002]智能交通系统融合了信息技术、电子控制技术、数据通信技术和电子定位控制技术等，以实现路网交通路况状态的预测、研判，从而缓解道路拥堵、降低交通事故。
[0003]现有技术中，往往根据自身历史数据来预测未来某一时段的交通路况，如：采用自回归模型来预测未来交通路况，但是由于该方法仅用于预测未来交通路况的计算数据的选取并不合适且计算数据种类单一，导致预测结果不准确。

技术实现思路

[0004]本申请的目的旨在至少能解决上述的技术缺陷之一，特提出以下技术方案，以解决交通路况预测结果的准确性不高的问题。
[0005]本申请的一个方面，提供了一种交通路况预测方法，包括：获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。
[0006]本申请的另一个方面，提供了一种交通路况预测装置，该装置包括：待预测时期数据获取模块，用于获取待预测时期的交通路况的第一特征数据以及待预测时期的前一时期的拥堵概率；目标标签序列获取模块，用于获取待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；目标特征序列确定模块，用于基于第二特征数据组成的特征序列与目标标签序列的相关度确定第一目标特征序列，第一目标特征序列包括至少两个历史时期的第二特征数据；交通拥堵概率确定模块，用于根据待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及第一目标特征序列，确定待预测时期的交通拥堵概率。
[0007]本申请的再一个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本申请第一方面所示的交通路况预测方法。
[0008]本申请的又一个方面，提供了一种计算机可读存储介质，该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本申请第一方面所示的交通路况预测方法。
[0009]本申请提供的技术方案带来的有益效果是：本申请提供的交通路况预测方法，基于待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率以及第一目标特征序列预测待预测时期的交通拥堵概率，第一目标特征序列中包括至少两个历史时期的第二特征数据，也就是说，待预测时期的交通拥堵概率是基于至少两个第二特征数据得到的，第二特征数据可以为历史特征数据，与采用单一历史特征数据的方案相比，本申请采用的历史数据更加丰富，有利于提高交通拥堵概率的准确性；而且，第一目标特征序列是基于与目标标签序列的相关度得到的，也就是说第一目标特征序列是基于该相关度对历史特征数据进行筛选后得到的，精简了用于预测待预测时期的交通拥堵概率的历史特征数据的数据量，而且，基于相关度筛选出来的第一目标特征数据能够获得与待预测时期的交通拥堵概率强相关的第二特征数据，进一步提高获得准确预测结果的效率。
[0010]本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0011]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请一个实施例提供的交通路况预测方法的流程图；图2为本申请一个实施例提供的确定目标特征序列的流程图；图3为本申请一个实施例提供的交通路况预测方法的数据架构图；图4为本申请另一个实施例提供的交通路况预测方法的流程图；图5为本申请一种实施例提供的路线拥堵情况展示图；图6为本申请实施例提供的一种交通路况预测装置的结构示意图；图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
[0012]下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
[0013]本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在特征、整数、步骤、操作、元件和/或组件，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、元件、组件和/或它们的组合。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
[0014]本领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语），具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义
一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
[0015]时间序列：是一组根据时间顺序进行排序的数据序列，通常是在相同的时间间隔上，按照给定的采样率，记录某些指标的观测值而形成的。本申请实施例中，时间序列中为按时间顺序排列的特征数据。
[0016]时间阶数：为时间序列中的参数个数，如对于时间序列{X1, X2,
…
,X
p
}，p为该时间序列的时间阶数。
[0017]本申请的专利技术人在研究过程中还发现：若采用当前时期的前一时期的输入与当前时期的特征数据进行结果预测，与现有仅采用前一时期的输入进行结果预测的方案相比，一定程度上提升了预测结果的准确性，但采用的历史时期的数据过少且不够有效，导致预测结果的准确度依旧不高。
[0018]本申请实施例所提供的方案可以由任一电子设备执行，如可以是终端设备，也可以是服务器，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、车载终端等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。对于现有技术中所存在的技术问题，本申请提供的交通路况预测方法、装置、电子设备及存储介质，旨在解决现有技术的技术问题中的至少一项。
[0019]其中，可选的，本申请实施例所提供的方案可以基于云技术实现，各可选实施例中所涉本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种交通路况预测方法，其特征在于，包括：获取待预测时期的交通路况的第一特征数据以及所述待预测时期的前一时期的拥堵概率；获取所述待预测时期之前的多个历史时期对应的第二特征数据以及目标标签序列；基于所述第二特征数据组成的特征序列与所述目标标签序列的相关度确定第一目标特征序列，所述第一目标特征序列包括至少两个历史时期的第二特征数据；根据所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列，确定所述待预测时期的交通拥堵概率。2.根据权利要求1所述的方法，其特征在于，所述基于所述第二特征数据组成的特征序列与所述目标标签序列的相关度确定第一目标特征序列，包括：基于所述第二特征数据确定与所述目标标签序列的相关度最高的第二目标特征序列；基于所述第二目标特征序列确定所述第一目标特征序列。3.根据权利要求2所述的方法，其特征在于，所述基于所述第二特征数据确定与所述目标标签序列的相关度最高的第二目标特征序列，包括：根据多个所述第二特征数据确定多个初始特征序列；确定各所述初始特征序列与所述目标标签序列的相关度；将相关度最高的初始特征序列确定为所述第二目标特征序列；所述基于所述第二目标特征序列确定所述第一目标特征序列，包括：将所述第二目标特征序列的时间参数确定为最优时间参数；基于待预测时期以及所述最优时间参数确定目标历史时期；将所述目标历史时期的特征数据组成的序列作为所述第一目标特征序列。4.根据权利要求3所述的方法，其特征在于，所述根据多个所述第二特征数据确定多个初始特征序列，包括：根据多个所述第二特征数据组成第一特征序列；对所述第一特征序列进行数据转换得到第二特征矩阵，所述第二特征矩阵为对称矩阵；将所述第二特征矩阵中的每一行或每一列确定为一个初始特征序列。5.根据权利要求1所述的方法，其特征在于，所述根据所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列，确定所述待预测时期的交通拥堵概率，包括：将所述待预测时期的第一特征数据、待预测时期的前一时期的拥堵概率、以及所述第一目标特征序列作为路况预测模型的输入，得到待预测时期的交通拥堵概率；其中，路况预测模型的训练过程如下：获取训练数据，所述训练数据包括多个历史时期对应的训练特征序列及对应的拥堵标签，所述每个历史时期对应的训练特征序列包括多个训练特征数据；利用所述训练数据对目标神经网络模型进行迭代训练，直至所述目标神经网络模型对应的损失函数达到收敛条件，将损失函数收敛时对应的目标神经网络模型作为路况预测模型，所述损失函数的值表征模型输出的拥堵预测结果与拥堵标签之间的差异。6.根据权利要求5所述的方法，其特征在于，所述利用所述训练数据对目标神经网络模
型进行迭代训练之前，还包括：将所述训练数据中的训练特征数据进行类型划分，得到稀疏训练特征数据和稠密训练特征数据；分别针对所述稀疏训练特征数据以及稠密训练特征数据进行特征处理；将特征处理后的稀疏训练特征数据和稠密训练特征数据以及分别对应的拥堵标签作为所述目标神经...

【专利技术属性】
技术研发人员：钟子宏，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：