路径预测方法、装置、设备以及存储介质
技术领域
本发明涉及智能交通技术领域,尤其涉及一种路径预测方法、装置、设备以及存储介质。
背景技术
交通路网是由各个交通路段构成的交通网络。为了方便管理,可以将交通路网划分为多个交通区域,每个交通区域对应多个交通路段形成的子交通网络。为了获得各个交通区域的行驶状况,可以对各个交通区域中的车流的行驶方向、行驶途中经过的交通路段以及行驶速度进行监控,其中,车流包括汽车、火车等交通车辆在各交通路段中连续行驶形成的车流。车流的行驶速度是车流在单位时间内通过一个交通路段序列形成的路程的车辆数量,单位为车/小时。车流路径是一种结构化信息,可以包含车流途经路段形成的交通路段序列以及各个路段序列分别对应的车流量。
目前,针对任一个交通区域,可以利用该交通区域的历史车流路径对该交通区域未来时刻的车流路径进行短时分布预测,以利用获得的目标车流路径对该交通区域进行交通优化控制,例如,利用车流路径分布预估该交通区域中的红绿灯运行周期等。现有技术中,对一个交通区域的车流路径分布进行短时预测时,通常利用路径预测模型,将当前车流路径输入路径预测模型获得多个可选车流路径,将获得的多个可选车流路径组合以形成所述交通区域的目标车流路径。
但是,由于一个交通区域对应的可选车流路径的数量可以达到几十条到几千条,每个可选车流路径存在一定的误差,采用直接组合多个可选车流路径以获得目标车流路径时存在误差积累,获得的目标车流路径的与实际的车流路径分布的偏差较大,不够准确。
发明内容
有鉴于此,本发明实施例提供一种路径预测方法、装置、设备以及存储介质,用以解决直接叠加获得的车流路径与实际的车流路径偏差较大,预测的车流路径的结果误差较大的技术问题。
第一方面,本发明实施例提供一种路径预测方法,包括:
确定目标交通区域的第一车流路径;
基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径;
基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别;其中,所述类别预测模型基于所述目标交通区域的历史车流路径,结合所述至少一个路径类别训练获得;
按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径。
第二方面,本发明实施例提供一种路径预测装置,包括:
第一确定模块,用于确定目标交通区域的第一车流路径;
路径预测模块,用于基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径;
模型预测模块,用于基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别;其中,所述类别预测模型基于所述目标交通区域的历史车流路径,结合所述至少一个路径类别训练获得;
路径调整模块,用于按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径。
第三方面,本发明实施例提供一种路径预测设备,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令,所述一条或多条计算机指令用于被所述处理组件调用,以执行任一种路径预测方法。
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存储有计算机程序;所述计算机程序使计算机执行时实现任一种路径预测方法。
本发明实施例提供一种路径预测方法,通过确定目标交通区域的第一车流路径,基于预设的路径预测模型,利用该第一车流路径获得预测车流路径,以及基于预设的类别预测模型,利用该第一车流路径获得预测路径类别,实现对未来车流路径以及路径类别的双层预测,进而在确定多个可选车流路径对应的预测路径之后,可以判断该预测路径是否符合预测路径类别,如果符合,可以确定获得的车流路径为目标车流路径,如果不符合,可以调整车流路径使其符合获得的预测路径类别,使车流路径与宏观的预测路径类别更贴切,以实现有效预测,提高预测的准确度。
附图说明
为了更清楚地说明本发明实施例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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种路径预测方法的一个实施例的流程图;
图2为本发明实施例提供的一个车流路径分布的示意图;
图3为本发明实施例提供的一种路径预测方法的又一个实施例的流程图;
图4为本发明实施例提供的一种路径训练方法的一个实施例的流程图;
图5为本发明实施例提供的一种类别训练方法的一个实施例的流程图;
图6为本发明实施例提供的一种路径预测方法的又一个实施例的流程图;
图7为本发明实施例提供的两个车流路径分布的示意图;
图8为本发明实施例提供的一种路径预测装置的一个实施例的结构示意图;
图9为本发明实施例提供的一种路径预测设备的一个实施例的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅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,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于识别”。类似地,取决于语境,短语“如果确定”或“如果识别(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当识别(陈述的条件或事件)时”或“响应于识别(陈述的条件或事件)”。
还需要说明的是,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商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
本发明实施例主要应用于智能交通控制场景中,除预测车流路径之外,还可以预测车流的路径类别,并调整车流路径使其符合预测的车流路径类别,实现对微观的车流路径与宏观的车流路径类别两种预测方式进行结合,以使预测的车流路径的准确度更高,提高预测精度。
目前,对一个交通区域的交通状况进行监控时,可以监控该交通区域的车流或者人流等的行驶情况,主要采用的是对该交通区域中的车流进行监控,获得该交通区域中车流路径的分布情况。车流路径是一种结构化信息,对于一个交通区域而言,该交通区域的车流路径可以包括该交通区域内形成的多个车流各自的途经路段,以及各个车流分别对应的车流速度车流。交通速度可以包括车流在单位时间内通过某一车流路段序列形成的道路的车辆数据,单位为车辆/小时。在某些监控场景中需要获取交通区域的未来交通行驶状况,以对该交通区域进行交通预管理,以避免出现交通拥堵、交通事故等现象。其中,可以将该交通区域的车流路径作为一预测目标,以获得该交通区域的未来车流的行驶情况。
现有技术中,对某个交通区域的车流路径进行预测时,可以获取该交通区域的历史车流路径,并利用历史车流路径进行路径预测,获得目标车流路径,以利用目标车流路径对该交通区域进行交通优化控制。对一个交通区域进行车流路径预测时,通常利用路径预测模型,将第一车流路径输入路径预测模型,获得多个可选车流路径,并将获得的多个可选车流路径组合以形成目标车流路径。但是,由于获得的多个可选车流路径均存在预测误差,采用将多个可选车流路径直接组合形成目标车流路径时,获得的目标车流路径的误差较大,预测结果不够准确。为了解决该技术问题,发明人提出了本申请的技术方案。
本发明实施例中,在确定目标交通区域的第一车流第一车流路径之后,可以基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径。本申请的技术方案中,除对目标交通区域的交通路径进行预测之外,还对路径类别进行了预测,通过基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别,而类别预测模型是基于目标交通区域的历史交通路径,结合至少一个路径类别训练获得,至少一个路径类别对交通区域的车流路径进行分类,从而对车流路径进行宏观上的类别划分,按照预测路径类别,调整所述预测车流路径以获得目标车流路径,可以使预测的车流路径与相应的路径类别相匹配,准确度更高。通过对微观车流路径以及宏观车流路径类别的两种预测,并利用车流的路径类别对预测车流路径进行调整,使预测车流路径符合预测路径类别,调整后的目标车流路径不偏离预测的预测路径类别,准确度更高。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
图1为本发明实施例提供的一种路径预测方法的流程图,该方法包括如下步骤:
101:确定目标交通区域的第一车流路径。
其中,目标交通区域为需要监控的区域,第一车流路径为需要预测的时刻采集的车流路径。第一车流路径可以包括目标交通区域中车流对应的车流路段序列以及车流路段序列对应的车流速度,其中,目标交通区域的车流可以包括多个。
可选地,第一车流路径可以包括在当前时刻或者某一个时刻时,采集的目标交通区域中多个车流各自对应的多个车流路段序列以及每个车流路段序列对应的车流速度。车流速度可以指通过某个连续的交通路段序列的车流或人流的速度,单位为车辆/小时。
作为一种可能的实现方式,第一车流路径可以实时采集获得,以实时进行路径预测。采集时,可以通过电子设备采集车辆或者行人的通行速度、通行路段以及通行方向,获得车流路径分布,并将第一车流路径对应的多个车流路段序列以及车流速度等数据传输到后台服务器中,由后台服务器获取目标交通区域的第一车流路径。
在将交通区域进行划分时,可以按照需要进行划分,图2为一个交通区域的示例图像,其中,任一个交通区域可以作为一个目标交通区域,图2中201所示的区域可以作为一个目标交通区域,图2中的目标交通区域201在某一个时刻的车流路径分布可以包括路段序列A、路段序列B、路段序列C以及路段序列D,其中路段序列A对应的车流速度为300车/小时,路段序列B对应的车流速度为168车/小时,路段序列C对应的车流速度为300车/小时,路段序列D对应的车流速度为355车/小时。每个路段序列实际还可以包含车流的行驶方向,例如图2中的路段序列C与路段序列D实际由相同的路段构成,但是车流方向相反,构成两个路段序列。在实际应用中,路段序列的序列排列方向即为车流的行驶方向,车流按照路段序列的排列方向行驶,以产生相应的车流速度。
102:基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径。
路径预测模型可以基于目标交通区域的历史车流路径训练获得。为了减少处理复杂度,该训练过程可以脱离本申请实施例的路径预测方法预先训练获得。预测车流路径时,可以直接加载预训练的路径预测模型,以利用第一车流路径预测获得预测车流路径。
作为一种可选方式,路径预测模型可以使用线性回归模型,线性回归模型的算法复杂度较低,可以快速预测。同时由于线性回归模型可以设置多个自变量,进而可以对多个路段序列进行处理,获得准确的处理效果,进而在获得相应的模型参数时,可以利用路径预测模型获得准确的预测结果。
所述基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径可以包括:将所述第一车流路径输入所述预设的路径预测模型,计算获得多个可选车流路径。
其中,所述多个可选车流路径为预测获得的车流路径分布结果,每个可选交通路路径包括多个路径序列以及每个路径序列对应的车流速度。其中,车流速度的单位为车辆/小时。
将所述多个可选车流路径组合形成预测车流路径具体可以指将多个可选车流路径按照一定的排列顺序组合以形成预测车流路径。
103:基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别。
其中,所述类别预测模型基于所述目标交通区域的历史车流路径,结合至少一个路径类别训练获得。
路径类别实际为包含相同路径分布特征的车流路径的集合。
类别预测模型可以基于目标交通区域的历史车流路径,并结合至少一个路径类别事先训练获得,以将所述第一车流路径输入到预设的类别预测模型,预测获得预测路径类别。
为了确保预测的准确度,路径预测模型与类别预测模型进行短时预测时,预测时间间隔相等,相比于第一车流路径的采集时间,路径预测模型以及类别预测模型均预测的是目标预测时间的车流路径以及路径类别。路径预测模型预测目标预测时间的车流路径分布情况,类别预测模型也预测目标预测时间的路径类别分布情况。目标预测时间与第一车流路径的采集时间,也即当前时刻或者某一时刻,之间的时间间隔可以根据实际需要设定,在此不再赘述。例如,假设第一车流路径的采集时间为上午10:00,路径预测模型对未来的短时预测时间段为10分钟,预测车流路径对应的目标预测时间为10:10,预测车流类别对应的目标预测时间为10:10,也即路径预测模型预测的是10:10的车流路径,类别预测模型预测的是10:10的车流路径所属的车流类别。
104:按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径。
所述按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径具体可以是调整所述预测车流路径,使所述预测车流路径符合所述预测路径类别,获得目标车流路径。
可选地,所述按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径包括:
判断所述预测车流路径是否符合所述预测路径类别;
如果是,确定所述预测车流路径为所述目标车流路径;
如果否,调整所述预测车流路径以符合所述预测路径类别,获得目标车流路径。
可选地,所述按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径可以包括:按照所述预测路径类别,调整所述预测车流路径的多个交通路段序列以及每个交通路段序列对应的车流量,以获得多个目标路段序列以及每个目标路段序列对应的目标车流量;
确定所述多个目标路段序列以及每个路段序列对应的目标车流量为所述目标车流路径。
在实际应用中,所述按照所述预测路径类别,调整所述预测车流路径的多个交通路段序列以及每个交通路段序列对应的车流量,以获得多个目标交通路段序列以及每个目标路段序列对应的目标车流量可以包括:调整所述预测车流路径的多个交通路段序列以及每个交通路段序列对应的车流量,使所述多个交通路段序列以及每个交通路段序列对应的车流量属于所述预测路径类别,以获得多个目标路段序列以及每个目标路段序列对应的目标车流量。
本发明实施例中,在确定目标交通区域的第一车流路径之后,可以基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径。之后,通过基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别,而类别预测模型是基于目标交通区域的历史交通路径,结合至少一个路径类别训练获得,至少一个路径类别对交通区域的车流路径进行分类,从而对车流路径进行宏观上的类别划分,按照预测路径类别,调整所述预测车流路径以获得目标车流路径,可以使预测的车流路径与相应的路径类别相匹配,准确度更高。通过对微观车流路径以及宏观车流路径类别的两种预测方式结合,并利用车流的路径类别对预测车流路径进行调整,使预测车流路径符合预测路径类别,调整后的目标车流路径不偏离预测的预测路径类别,准确度更高。
在一些实施例中,路径类别包括具有相同路径分布特征的多个车流路径的集合。
通过聚类可以将原有的没有分布规律、排布比较错综复杂的车流路径进行了分类,可以反应出不同车流路径分布的特征,以对不同的车流路径分布进行排布,进而利用路径类别对车流路径进行调整,提高预测的车流路径的精确度。
如图3所示,为本发明实施例提供的一种路径预测方法的又一个实施例的流程图,所述方法可以包括以下几个步骤:
301:确定目标交通区域的第一车流路径。
302:确定至少一个路径影响因子的第一影响数据。
所述第一影响数据的采集时间与所述第一车流路径的采集时间相同,落例如,所述第一车流路径的采集时间为当前时刻时,第一影响数据的采集时间也为当前时刻。
303:基于预设的路径预测模型,利用所述第一车流路径以及所述第一影响数据获得预测车流路径。
其中,所述路径预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据训练获得。
304:基于预设的类别预测模型,利用所述第一车流路径以及所述第一影响数据获得预测路径类别。
其中,所述类别预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据,结合所述至少一个路径类别训练获得。
305:按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径。
为了确保预测的准确度,路径预测模型与类别预测模型进行短时预测时,预测时间间隔相等,相比于第一车流路径的采集时间,路径预测模型以及类别预测模型均预测的是目标预测时间的车流路径以及路径类别。路径预测模型预测目标预测时间的车流路径分布情况,类别预测模型也预测目标预测时间的路径类别分布情况。
本发明实施例中,通过将路径影响因子增加到路径预测的过程中,进而将对路径预测存在影响的各种影响因子进行了考量,通过增加预测参考量,可以从多角度进行预测,提高预测的准确度。
在一些实施例中,如图4所示,所述路径预测模型可以通过以下方式训练获得:
401:确定至少一个路径训练样本,以及每个路径训练样本对应的路径真值;其中,每个路径训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成。
每个路径训练样本的路径真值为与该路径训练样本的历史车流路径对应的采集时间间隔预测时间间隔的时刻对应的历史车流路径。也即,路径真值为与历史车流路径检测预测时间间隔的时刻对应的历史车流路径。
402:构建路径预测模型。
403:基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值,训练获得所述路径预测模型的模型参数。
其中,路径预测模型可以是线性回归模型,构建的路径预测模型的模型参数未知,可以通过至少一个路径训练样本以及每个路径训练样本对应的路径真值训练获得所述路径预测模型的模型参数。
将至少一个路径影响因子增加到车流路径预测过程中,可以获得对路径分布可以产生影响的因子,从多方面考虑路径分布的影响情况,提高路径分布的预测结果的准确度。
每个路径训练样本对应的路径真值可以包括与该路径训练样本存在预设时间间隔的历史交通流路径。
在进行路径预测时,路径预测模型的输入为第一车流路径,输出为获得的预测车流路径。在实际预测时,获得的预测车流路径与输入的第一车流路径存在一定的时间差,该时间差即为预设时间间隔,例如,在实际应用中,如需要预测未来半个小时的车流路径的分布情况时,预设时间间隔为半个小时。每个路径训练样本对应的路径真值,即为与该训练样本的历史车流路径相隔预设时间间隔的历史车流路径。例如,时间间隔为10分钟时,在上午十点采集的历史车流路径对应的路径真值即为在上午十点十分采集的历史车流路径。
作为一种可能的实现方式,所述基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值,训练获得所述路径预测模型的模型参数可以包括:
随机生成所述路径预测模型的路径参考参数;
将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果;
基于每个路径训练样本对应的第一预测结果以及路径真值,确定路径预测误差;
如果所述路径预测误差满足第一误差条件,确定所述路径参考参数为所述路径预测模型的模型参数;
如果所述路径预测误差不满足第一误差条件,基于所述路径预测误差,更新所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果的步骤继续执行。
在初始计算时,由于路径预测模型的模型参数未知,需要初始化所述路径分布模型的模型参数,通常情况下,可以随机生成路径分布模型的模型参数,以便于开始进行路径预测模型的训练。
所述将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果可以包括:
路径预测误差满足第一误差条件可以包括路径预测误差满足收敛条件。例如,路径预测误差满足收敛条件可以是路径预测误差小于预设的路径误差阈值。
所述将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果具体可以是将每个路径训练样本作为输入数据输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果。该第一预测结果即为预测获得的车流路径,可以包括多个预测交通路段以及每个预测交通路段对应的车流速度。
在一些可能的设计中,所述如果所述路径预测误差不满足第一误差条件,基于所述路径预测误差,更新所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果的步骤继续执行可以包括:
如果所述路径预测误差不满足第一误差条件,计算所述路径预测误差相对所述路径预测模型的模型参数的偏导数,获得路径调整量;
根据路径调整步长以及所述路径调整量,确定路径参数调整量;
利用所述路径参数调整量调整所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,预测获得每个路径训练样本对应的第一预测结果的步骤继续执行。
基于路径预测误差,更新所述路径参考参数时,可以使用最小二乘法、梯度下降算法等优化算法进行参考优化,更新路径参考参数。本申请实施例中使用梯度下降算法,也即通过计算路径预测误差相对路径预测模型的模型参数的偏导数,将该偏导数作为路径调整量,并计算所述路径调整量与调整步长的乘积,获得路径参数调整量,并计算所述路径参考参数与所述路径参数调的差,获得调整后的路径参考参数。
通过优化路径参考参数可以获得准确的参考参数,实现对路径参考参数的调整,获得准确的路径预测结果。
在又一些可能的设计中,所述基于每个路径训练样本对应的第一预测结果以及路径真值,确定路径预测误差包括:
计算每个路径训练样本对应第一预测结果与所述路径真值的路径距离,获得每个路径训练样本的路径误差;
根据至少一个路径训练样本分别对应的路径误差,确定路径预测误差。
所述计算每个路径样本对应第一预测结果与所述路径真值的路径距离,获得每个路径训练样本的路径误差可以包括:
根据每个路径训练样本的第一预测结果对应的多个预测路段序列,以及每个路段预测序列对应的车流速度,计算单位时间内所述第一预测结果通过的车辆数量;
根据所述路径真值对应的多个真实路段序列,以及每个真实路段序列对应的车流速度,计算单位时间内所述路径真值通过的车辆数量;
确定所述多个预测路段序列与所述多个真实路段序列中存在变化的多个变化路径对;
根据所述多个变化路径对分别对应的车流速度,确定单位时间内所述第一预测结果与所述路径真值之间通过的车辆变化数量;
利用车辆变化数量,结合单位时间内第一预测结果通过的车辆数据以及路径真值通过的车辆数据,计算获得路径误差。
其中,确定多个预测路段序列与多个真实路径序列中存在变化的多个变化路径对可以指:所述多个预测路段序列与所述多个真实路径序列中,车流路段序列相同,但是车流速度不同的路段序列,以及,二者中车流路段序列完全不同的路径,以及对应的车流速度。
在根据所述多个变化路径对分别对应的车流速度,确定单位时间内所述第一预测结果与所述路径真值之间通过的车辆变化数量可以包括:计算车流路段序列相同且对应车流速度不同的路段序列在单位时间内产生的第一车辆数量差异,以及车流路段序列完全不同的路径在单位时间内产生的第二车辆数量差异,计算第一车辆数量差异以及第二车辆数量差异之和,获得车辆变化数量。
所述每个路径训练样本对应第一预测结果与所述路径真值的路径距离可以通过以下公式计算获得:
其中,Δfi,j为第一预测结果与所述路径真值的路径变化而产生的单位车辆变化数量,fi为单位时间内所述路径真值通过的车辆数量,fj为单位时间内所述第一预测结果通过的车辆数量。i为参考车流路径的迭代顺序取值,j预测车流路径的迭代顺序取值,当路径数量为一个时通常i、j可以取1或者忽略。
在一些实施例中,如图5所示,本发明实施例中的类别预测模型通过以下方式训练获得:
501:确定至少一个类别训练样本,以及每个类别训练样本对应的类别真值;其中,每个类别训练样本由一个历史交通流路径以及与所述历史交通流路径对应的至少一个路径影响因子的历史影响数据构成;每个类别训练样本对应的类别真值为所述至少一个路径类别中与其对应的历史交通流路径间隔预设时间间隔的历史车流路径相匹配的路径类别。
每个类别训练样本的类别真值可以通过以下方式确定:确定一个类别训练样本对应的一个历史车流路径,以及至少一个历史车流路径中与所述一个历史车流路径间隔预设时间间隔的目标历史车流路径,确定该目标历史车流路径相匹配的路径类别为类别训练样本的类别真值。
502:构建类别预测模型。
503:基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值,训练获得所述类别预测模型的模型参数。
将各个车流路径划分为不同的路径类别,可以将没有分布规律的路径进行分类,使得不同的车流路径定义为不同的路径类别,进而将路径类别应用到路径预测场景中,通过预测路径的分布所属类别,并利用预测的路径类别约束获得的预测车流路径,以使得调整后的车流路径能够满足相应的路径类别,不产生较大的预测误差,提高预测的准确度。
作为一种可能的实现方式,所述基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值,训练获得所述类别预测模型的模型参数可以包括:
随机生成所述类别预测模型的类别参考参数;
将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,预测获得每个类别训练样本对应的第二预测结果;
基于每个类别训练样本对应的第二预测结果以及类别真值,确定类别预测误差;
如果所述类别预测误差满足第二误差条件,确定所述类别参考参数为所述类别预测模型的模型参数;
如果所述类别预测误差不满足第二误差条件,基于所述类别预测误差,调整所述类别参考参数,并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,预测获得每个类别训练样本对应的第二预测结果的步骤继续执行。
在一些可能的设计中,所述如果所述类别预测误差不满足第二误差条件,基于所述类别预测误差,调整所述类别参考参数,并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,预测获得每个类别训练样本对应的第二预测结果的步骤继续执行可以包括:
如果所述类别预测误差不满足第二误差条件,计算所述类别预测误差相对所述类别预测模型的模型参数的偏导数,获得类别调整量;
根据类别调整步长以及所述类别调整量,确定类别参数调整量;
利用所述类别参数调整量调整所述类别参考参数,返回至所述将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,预测获得每个类别训练样本对应的第二预测结果的步骤继续执行。
在又一些可能的设计中,所述基于每个类别训练样本对应的第二预测结果以及类别真值,确定类别预测误差可以包括:
计算每个类别训练样本对应的第二预测结果与所述类别真值之间的类别距离,获得每个类别训练样本的类别误差;
根据每个类别训练样本对应的类别误差,确定类别预测误差。
进一步,可选地,所述至少一个路径影响因子可以包括:周边车流影响因子、时间影响因子、天气影响因子和/或日期影响因子。
所述至少一个路径影响因子的历史影响数据包括:周边车流路径、路径采集时间、路径采集天气和/或路径采集日期。
路径影响因子是指可以对车流路径的分布产生影响的因素。
可以在采集目标交通区域的第一车流路径时,一并采集确定至少一个路径影响因子的第一影响数据,也就是,第一车流路径的采集时间与至少一个路径影响因子的第一影响数据的采集时间相同。周边车流影响因子可以包括周边车流路径,周边车流路径可以包含位于所述目标交通区域周围的至少一个交通区域的车流路径,车流路径可以包含多个路段分布序列以及每个路段分布序列对应的车流速度。
时间影响因子可以包括路径采集时间,在一日中的不同时间点,车流的行驶情况会发生变化,例如,在早高峰与晚高峰时,车辆较多,车流量较大,在普通时间点时,车辆较少,车流量较小。
天气影响因子可以包括路径采集天气,具体可以指采集车流路径时的天气情况。作为一种可能的实现方式,天气影响因子可以通过天气字符标识,例如,使用1代表晴天,使用0代表未晴天等,具体可以根据使用需要而设定。
日期影响因子可以包括路径采集日期,不同的日期的车流路径的分布情况也不相同,路径采集日期即为各个车流路径的采集日期,在实际应用中,将路径采集日期作为数据使用时,可以将路径采集日期以日期字符串的形式使用。
如图6所示,为本发明实施例提供的一种路径预测方法的又一个实施例的流程图,所述方法可以包括以下几个步骤:
601:确定目标交通区域的第一车流路径。
602:基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径。
603:基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别。
其中,所述类别预测模型基于所述目标交通区域的历史车流路径,结合至少一个路径类别训练获得。
604:确定所述预测路径类别对应的多个参考车流路径。
605:利用所述多个参考车流路径,调整所述预测车流路径获得目标车流路径。
所述预测路径类别可以由具有相同路径分布特征的多个车流路径构成,该多个车流路径即可以确定为多个参考车流路径。
本发明实施例中,在根据预测路径类别对预测交通流路径进行调整时,可以采用预测路径类别对应的多个参考交通流路径对所述预测交通流路径进行调整,进而可以提高预测的准确度,实现准确调整。
在一些可能的应用中,获得的预测路径类别中的多个参考车流路径的数量可能比较大,如果采用上述实施例中直接使用车流路径类别中的多个参考车流路径直接对预测车流路径进行调整时,计算量比较大,可以从多个参考车流路径中选取适当的参考车流路径,以减少调整预测车流路径时的计算量。所述利用所述多个参考车流路径,调整所述预测车流路径获得目标车流路径包括:
从所述多个参考车流路径中选择与所述预测车流路径存在第一关联关系的调整车流路径;
利用所述调整车流路径,调整所述预测车流路径获得目标车流路径。
所述第一关联关系可以指被选择的参考车流路径与预测车流路径之间相似度较高,二者之间的路径距离较小。
作为一种可能的实现方式,所述从所述多个参考车流路径中选择预设数量的调整车流路径包括:从所述多个参考车流路径中选择与所述预测车流路径相似度较高的预设数量的调整车流路径。
在一些可能的设计中,参考车流路径与预测车流路径之间的路径相似度可以通过计算参考车流路径与预测车流路径的路径距离表示,其中,路径距离越大,相似度越小,路径距离越小,相似度越高。因此,进一步,可选地,所述从所述多个参考车流路径中选择预设数量的调整车流路径可以包括:
分别计算所述多个参考车流路径与所述预测车流路径的路径距离,获得多个参考路径距离;
根据所述多个参考路径距离,从所述多个参考车流路径中选择与所述预测车流路径的路径距离小于第一预设阈值的参考车流路径,获得调整车流路径。
任一个参考车流路径与预测车流路径之间的路径距离可以通过以下公式计算获得:
其中,Δfi,j为参考车流路径与所述预测车流路径的路径变化而产生的单位车辆变化数量,fi为单位时间参考车流路径通过的车辆数量,fj为单位时间内所述预测车流路径通过的车辆数量。i为参考车流路径的迭代顺序取值,j预测车流路径的迭代顺序取值,预测车流路径的数量为一个时通常j可以取1或者忽略。
可选地,所述根据所述多个参考路径距离,确定距离所述预测车流路径最近的预设数量的参考车流路径作为调整车流路径包括:
将所述多个参考路径距离按照从小到大的顺序进行排序;
从排序后的多个参考路径距离中选择预设数量的参考路径距离分别对应的参考车流路径作为调整车流路径。
分别计算所述多个参考车流路径与所述预测车流路径的路径距离,获得多个参考路径距离具体可以指计算所述多个参考车流路径中每个参考车流路径与所述预测车流路径的路径距离,获得每个参考车流路径与预测车流路径的路径距离。
针对任一个参考车流路径,计算参考车流路径与预测车流路径的路径距离时,可以基于参考车流路径对应的多个参考路段序列以及每个参考路段序列对应的参考车流速度,和所述多个预测车流路径对应的多个预测路段序列以及每个预测路段序列对应的预测车流速度进行路段差异计算,以确定出现变化路段以及变化车流速度两者加权获得的变化量,该变化量即为以上两个路径之间的路径距离。
在一些实施例中,在按照预测路径类别,调整预测车流路径以获得目标车流路径具体可以包括:调整预测车流路径以与所述预测路径类别相匹配,获得调整后的预测车流路径为目标车流路径。
为了对预测车流路径进行调整,以使得调整后的车流路径能够与预测的预测路径类别相匹配,在实际调整预测车流路径时,容易出现过度调整,使得最终的目标车流路径与预测的车流路径偏离较大,导致产生较大的调整误差,进一步地,在调整预测的车流路径时,可以使用一定的约束条件,以对调整的过程进行约束,避免出现过度调整,进而提高调整精度。
进一步,可选地,所述利用所述预设数量的调整车流路径,调整所述预测车流路径获得目标车流路径可以包括:
利用所述调整车流路径调整所述预测车流路径,使所述预测车流路径满足调整约束条件,获得目标车流路径。
可选地,所述在路径调整约束条件下,利用所述调整车流路径,调整所述预测车流路径获得目标车流路径具体是:在路径调整约束条件下,调整所述预测车流路径以减少与所述调整车流路径的路径距离之和,调整后获得目标车流路径。调整时,预测车流路径与所述调整车流路径之间的路径距离不断缩小,直至满足距离阈值。
可以将调整后的车流路径与中心车流路径的之间的路径距离小于参考交通路径与中心车流路径之间的路径距离作为所述调整约束条件。其中,所述中心车流路径基于所述目标车流路径类别的多个参考车流路径进行中心聚类获得。
作为一个实施例,所述利用所述调整车流路径调整所述预测车流路径,使所述预测车流路径满足调整约束条件,获得目标车流路径可以包括:
根据所述多个参考车流路径,确定所述预测路径类别的中心车流路径;
分别计算所述多个参考车流路径与所述中心车流路径,获得多个参考距离;
确定所述多个参考路径距离中最大的路径距离为约束距离;
利用所述调整车流路径调整所述预测车流路径时,调整后的预测车流路径与所述中心车流路径之间的路径距离小于所述约束距离,获得目标车流路径。
本发明实施例中,通过调整约束条件可以约束调整预测车流路径的调整过程,使其避免出现过度调整,可以确保预测车流路径的调整的准确度,提高调整效果。
任一个参考车流路径与中心车流路径之间的路径距离可以通过以下公式计算获得:
其中,Δfi,j为参考车流路径与中心车流路径的路径变化而产生的单位车辆变化数量,fi为单位时间参考车流路径通过的车辆数量,fj为单位时间内中心车流路径通过的车辆数量。
作为一种可能的实现方式,所述根据所述多个参考车流路径,确定所述预测路径类别的中心车流路径包括:
基于中心聚类算法,利用所述多个参考车流路径,确定所述预测路径类别的中心车流路径。
本发明实施例中所述的中心聚类算法可以采用K中心点聚类算法等聚类算法,可以提高聚类的准确度,获得准确的中心车流路径,进而提高约束效果,确保目标车流路径的准确度。
进一步,可选地,所述基于中心聚类算法,利用所述多个参考车流路径,确定所述预测路径类别的中心车流路径可以包括:
随机生成中心车流路径;
计算所述中心车流路径与每个参考车流路径的聚类路径距离,获得多个聚类路径距离;
如果所述多个聚类路径距离的平方和满足优化目标,确定所述中心车流路径;
如果所述多个聚类路径距离的平方和不满足优化目标,基于所述聚类路径距离,更新所述中心车流路径,返回至所述计算所述中心车流路径与每个参考车流路径的聚类路径距离,获得多个聚类路径距离的步骤继续执行。
候选车流路径即为预测车流路径调整后获得的车流路径,所述如果所述候选车流路径满足所述路径约束条件,确定所述候选车流路径为所述目标车流路径包括:如果所述候选车流路径与中心车流路径之间的路径距离小于所述约束距离,确定所述候选车流路径为所述目标车流路径。
通过聚类算法对中心车流路径进行预测时,通常需要使用到优化目标,在达到优化目标的情况下即可以确定获得中心车流路径。在实际应用中,优化目标的重要性较高,对预测结果起到重要作用。为了获得准确的优化目标,本发明实施例中采用的优化目标可以确保中心车流路径与其他车流路径之间的路径距离的平方和最小,获得的中心车流路径可以准确代表预测路径类别的中心点,实现准确聚类,以提高预测结果的准确性。
如果所述多个聚类路径距离的平方和满足优化目标,确定所述中心车流路径可以包括:如果所述多个聚类路径距离的平方和达到最小,确定中心车流路径,
该优化目标通过公式表示为:
其中,
本发明实施例中所采用的预测路径类别的确定方式,是先利用目标交通区域的历史交通流路径进行车流路径类别的聚类,再利用第一车流路径进行类别预测,实现车流路径类别的预测,预测时,需要使用到历史车流路径,以及每个历史车流路径对应的路径类别,每个历史车流路径对应的路径类别需要事先训练获得,实际应用中,路径类别可以包括一个或多个,该一个或多个路径类别可以预先训练获得。
作为一个实施例,所述至少一个路径类别通过以下方式确定:
对所述目标交通区域的历史车流路径进行聚类,获得至少一个路径类别。
其中,每个路径类别包括具有相同路径分布特征的多个车流路径的集合。
可选地,在进行聚类之前,所述方法还可以包括:
确定所述目标交通区域的历史车流路径。
对目标交通区域的历史车流路径进行聚类时,可以将相似度较高的车流路径划分到同一种路径类别中,而车流路径的相似度可以根据车流路径之间的路径距离来表示。在实际应用中,可以将路径相似度较高的车流路径划分到同一个图中,在具体划分时,可以将每个车流路径抽象为一个节点,通过节点实现各个车流路径之间的关联关系的构建。
作为一种可能的实现方式,所述对所述目标交通区域的历史车流路径进行聚类,获得至少一个路径类别包括:
根据所述目标交通区域的多个历史车流路径,生成多个节点;
基于任意两个节点之间的节点距离,构建节点关系图;
将所述节点关系图划分为至少一个子节点关系图;
确定每个子节点关系图中包含的节点所对应的车流路径为一个路径类别,获得至少一个路径类别。
进一步,可选地,所述将所述节点关系图划分为至少一个子节点关系图包括:
将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图。
基于任意两个节点之间的节点距离,确定与每个节点距离最近的K个相似节点;
将所述多个节点中的每个节点作为一个顶点,并延伸出K个边,K个相似节点分别为所述K个边的另外一个顶点,获得所述节点关系图。
任意两个节点之间的节点距离可以指所述两个节点对应的车流路径之间的路径距离。
任两个历史车流路径之间的路径距离可以通过以下公式计算获得:
其中,Δfi,j为两个车流路径之间的路径变化而产生的单位车辆变化数量,fi为单位时间其中一个历史车流路径通过的车辆数量,fj为单位时间内另一个历史车流路径通过的车辆数量。其中,i,j均为任一一迭代过程中,关于两个车流路径的排列顺序的取值。
图7中的交通区域701在第一时刻的车流路径可以包括路段序列A、路段序列B、路段序列C以及路段序列D,其中路段序列A对应的车流速度为300车/小时,路段序列B对应的车流速度为168车/小时,路段序列C对应的车流速度为300车/小时,路段序列D对应的车流速度为355车/小时。
所述交通区域701在与所述第一时刻相隔预设间隔时间的第二时刻的车流路径可以如图7中的702所示,该时刻的车流路径是:路段序列A、路段序列B、路段序列C以及路段序列E,其中路段序列A对应的车流速度为340车/小时,路段序列B对应的车流速度为168车/小时,路段序列C对应的车流速度为270车/小时,以及路段序列E对应的车流速度为227车/小时。
此时,路段序列A包含5个路段,路段序列B包含5个路段,路段序列C包含3个路段,路段序列D包含3个路段,以及路段序列E包含3个路段。
其中,存在车流速度变化的是路段序列A、D、E,车流速度变化为:A增加40车/小时,D减少156车/小时,E增加227车/小时。
则第一时刻的车流路径与第二时刻的车流路径之间的路径变化而产生的单位车量变化数量:
Δfi,j=40*5+156*3+227*3=1349;
fi=300*5+270*3+156*3+168*5=3618
fj=340*5+270*3+227*3+168*5=4031
d即为所述第一时刻对应车流路径以及第二时刻对应车流路径之间的路径距离。
进一步,可选地,所述将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图包括:
将所述节点关系图中属于同一区域的节点划分至同一个子节点关系图,以获得至少一个子节点关系图。
将节点关系图中属于同一区域的节点划分至同一个子节点关系图中,具体可以包括:将节点关系图中距离非常相近的节点划分至同一个子节点关系图中。
所述节点关系图可以表达各个车流路径之间的关联关系,将其按照车流路径之间的路径距离进行关联,可以将其按照区域进行划分。在实际应用中,可以基于图分割算法,层次聚类算法、模块度优化算法等对节点关系图进行分割,其中,图分割算法可以诸如Kernighan-Lin算法,谱平分法,层次聚类算法可以诸如GN算法、Newman快速算法,模块度优化算法可以诸如,贪婪算法、模拟退火算法、Memetic算法、PSO算法、进化多目标优化算法。每个算法的输入为构建的节点关系图,输出为至少一个子节点关系图,划分过程与算法的运行过程相同,在此不再赘述。
作为一种可能的实现方式,所述将节点关系图划分为至少一个子节点关系图包括:
将所述节点关系图中具有相同位置特征的节点划分至一个子节点关系图,以获得至少一个子节点关系图。
所述节点关系图中具有相同位置特征的节点具体可以指,同一个节点关系图中的节点之间的相似度较高,而与其他子节点关系图中的节点的相似度较低。
作为一种可能的实现方式,所述将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图包括:
随机生成至少一个中心节点;
分别计算每个节点与所述至少一个中心节点的节点距离;
确定与每个节点的节点距离最短的中心节点为该节点的类别标签;
如果所有节点对应的节点距离之和满足最优条件,确定每个中心节点对应的节点为一个子节点关系图,获得至少一个子节点关系图;
如果所有节点对应的节点距离之和未满足最优条件,针对每个中心节点对应的节点,更新所述至少一个中心节点,并返回至所述分别计算每个节点与至少一个中心节点的节点距离的步骤继续执行。
采用按照节点距离的方式将节点进行划分,可以提高节点的关系划分的准确度,获得准确的路径类别分类结果。
作为一种可能的实现方式,所述基于任意两个节点之间的节点距离,构建节点关系图可以包括:
基于任意两个节点之间的节点距离,确定与每个节点距离最近的K个相似节点;
将每个节点以及与其距离最近的K个相似节点连接,构成所述节点关系图;其中,节点关系图中的每个边的边长与该边的两个节点的节点距离相对应。
如图8所示,为本发明实施例提供的一种路径预测装置的一个实施例的结构示意图,所述装置可以包括以下几个模块:
第一确定模块801:用于确定目标交通区域的第一车流路径;
路径预测模块802:用于基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径;
模型预测模块803:用于基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别。
其中,所述类别预测模型基于所述目标交通区域的历史车流路径,结合所述至少一个路径类别训练获得;
路径调整模块804:用于按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径。
在一些实施例中,所述路径类别为具有相同路径分布特征的多个车流路径的集合。
通过聚类可以将原有的没有分布规律、排布比较错综复杂的车流路径进行了分类,可以反应出不同车流路径分布的特征,以对不同的车流路径分布进行排布,进而利用路径类别对车流路径进行调整,提高预测的车流路径的精确度。
作为一个实施例,所述装置还可以包括:
数据确定模块,用于确定至少一个路径影响因子的第一影响数据;
所述路径预测模块包括:
路径预测单元,用于基于预设的路径预测模型,利用所述第一车流路径以及所述第一影响数据获得预测车流路径;其中,所述路径预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据训练获得;
所述模型预测模块包括:
模型预测单元,用于基于预设的类别预测模型,利用所述第一车流路径以及所述第一影响数据获得预测路径类别;其中,所述类别预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据,结合所述至少一个路径类别训练获得。
在一些实施例中,所述装置还包括:
路径样本模块,用于确定至少一个路径训练样本,以及每个路径训练样本对应的路径真值;其中,每个路径训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成;
第一构建模块,用于构建路径预测模型;
第一训练模块,用于基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值,训练获得所述路径预测模型的模型参数。
作为一种可能的实现方式,所述第一训练模块包括:
第一生成单元,用于随机生成所述路径预测模型的路径参考参数;
第一预测单元,用于将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果;
第一比较单元,用于基于每个路径训练样本对应的第一预测结果以及路径真值,确定路径预测误差;
第一判断单元,用于如果所述路径预测误差满足第一误差条件,确定所述路径参考参数为所述路径预测模型的模型参数;
第二判断单元,用于如果所述路径预测误差不满足第一误差条件,基于所述路径预测误差,更新所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果的步骤继续执行。
在一些可能的设计中,所述第二判断单元包括:
第一判断子单元,用于如果所述路径预测误差不满足第一误差条件,计算所述路径预测误差相对所述路径预测模型的模型参数的偏导数,获得路径调整量;
第一确定子单元,用于根据路径调整步长以及所述路径调整量,确定路径参数调整量;
第一调整子单元,用于利用所述路径参数调整量调整所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果的步骤继续执行。
在又一些可能的设计中,所述第一比较单元可以包括:
第一计算子单元,用于计算每个路径训练样本对应第一预测结果与所述路径真值的路径距离,获得每个路径训练样本的路径误差;
第二确定子单元,用于根据至少一个路径训练样本分别对应的路径误差,确定路径预测误差。
在一些实施例中,所述装置还可以包括:
类别样本模块,用于确定至少一个类别训练样本,以及每个类别训练样本对应的类别真值;其中,每个类别训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成;每个类别训练样本对应的类别真值为所述至少一个路径类别中与其对应的历史车流路径间隔预设时间间隔的历史车流路径相匹配的路径类别;
第二构建模块,用于构建类别预测模型;
第二训练模块,用于基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值,训练获得所述类别预测模型的模型参数。
作为一种可能的实现方式,所述第二训练模块可以包括:
第二生成单元,用于随机生成所述类别预测模型的类别参考参数;
第二预测单元,用于将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果;
第二比较单元,用于基于每个类别训练样本对应的第二预测结果以及类别真值,确定类别预测误差;
第三判断单元,用于如果所述类别预测误差满足第二误差条件,确定所述类别参考参数为所述类别预测模型的模型参数;
第四判断单元,用于如果所述类别预测误差不满足第二误差条件,基于所述类别预测误差,调整所述类别参考参数,并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果的步骤继续执行。
在一些可能的设计中,所述第四判断单元可以包括:
第二判断子单元,用于如果所述类别预测误差不满足第二误差条件,计算所述类别预测误差相对所述类别预测模型的模型参数的偏导数,获得类别调整量;
第三确定子单元,用于根据类别调整步长以及所述类别调整量,确定类别参数调整量;
第二调整子单元,用于利用所述类别参数调整量调整所述类别参考参数,返回至所述将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果的步骤继续执行。
在又一些可能的设计中,所述第二比较单元包括:
第二计算子单元,用于计算每个类别训练样本对应的第二预测结果与所述类别真值之间的类别距离,获得每个类别训练样本的类别误差;
第四确定子单元,用于根据每个类别训练样本对应的类别误差,确定类别预测误差。
进一步,可选地,所述至少一个路径影响因子包括:周边车流影响因子、时间影响因子、天气影响因子和/或日期影响因子。
所述至少一个路径影响因子的历史影响数据包括:周边车流路径、路径采集时间、路径采集天气和/或路径采集日期。
作为一个实施例,所述路径调整模块包括:
参考确定单元,用于确定所述预测路径类别对应的多个参考车流路径;
路径调整单元,用于利用所述多个参考车流路径,调整所述预测车流路径获得目标车流路径。
在一些可能的应用中,所述路径调整单元包括:
路径选择子单元,用于从所述多个参考车流路径中,选择与所述预测车流路径存在第一关联关系的调整车流路径;
路径调整子单元,用于利用所述调整车流路径,调整所述预测车流路径获得目标车流路径。
作为一种可能的实现方式,所述路径选择子单元可以包括:
距离计算模块分别计算所述多个参考车流路径与所述预测车流路径的路径距离,获得多个参考路径距离;
参考调整模块,用于根据所述多个参考路径距离,从所述多个参考车流路径中选择与所述预测车流路径的路径距离小于第一预设阈值的参考车流路径,获得调整车流路径。
在一些实施例中,所述路径调整模块包括:
约束调整单元,用于利用所述调整车流路径调整所述预测车流路径,使所述预测车流路径满足调整约束条件,获得目标车流路径。
作为一个实施例,所述约束调整单元可以包括:
中心确定子单元,用于根据所述多个参考车流路径,确定所述预测路径类别的中心车流路径;
距离确定子单元,用于分别计算所述多个参考车流路径与所述中心车流路径,获得多个参考距离;
约束确定子单元,用于确定所述多个参考路径距离中最大的路径距离为约束距离;
约束调整子单元,用于利用所述调整车流路径调整所述预测车流路径时,调整后的预测车流路径与所述中心车流路径之间的路径距离小于所述约束距离,获得目标车流路径。
作为一种可能的实现方式,所述中心确定子单元包括:
算法聚类模块,用于基于中心聚类算法,利用所述多个参考车流路径,确定所述预测路径类别的中心车流路径。
进一步,可选地,所述算法聚类模块包括:
第三生成单元,用于随机生成中心车流路径;
第一计算单元,用于计算所述中心车流路径与每个参考车流路径的聚类路径距离,获得多个聚类路径距离;
第五判断子单元,用于如果所述多个聚类路径距离的平方和满足优化目标,确定所述中心车流路径;
第六判断子单元,用于如果所述多个聚类路径距离的平方和不满足优化目标,基于所述聚类路径距离,更新所述中心车流路径,返回至所述计算所述中心车流路径与每个参考车流路径的聚类路径距离,获得多个聚类路径距离的步骤继续执行。
作为一个实施例,所述装置还可以包括:
聚类模块,用于对所述目标交通区域的历史车流路径进行聚类,获得至少一个路径类别;其中,每个路径类别包括具有相同路径分布特征的多个车流路径的集合。
作为一种可能的实现方式,所述聚类模块包括:
节点生成单元,用于根据所述目标交通区域的多个历史车流路径,生成多个节点;
关系构建单元,用于基于任意两个节点之间的节点距离,构建节点关系图;
关系划分单元,用于将所述节点关系图划分为至少一个子节点关系图;
类别确定单元,用于确定每个子节点关系图中包含的节点所对应的车流路径为一个路径类别,获得至少一个路径类别。
进一步,可选地,所述将所述节点划分单元可以包括:
第一划分子单元将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图。
进一步,可选地,所述第一划分子单元可以包括:
节点划分模块,用于将所述节点关系图中属于同一区域的节点划分至同一个子节点关系图,以获得至少一个子节点关系图。
作为一种可能的实现方式,所述节点划分模块可以包括:
第四生成单元,用于随机生成至少一个中心节点;
距离计算单元,用于分别计算每个节点与所述至少一个中心节点的节点距离;
标签确定单元,用于确定与每个节点的节点距离最短的中心节点为该节点的类别标签;
第五判断单元,用于如果所有节点对应的节点距离之和满足最优条件,确定每个中心节点对应的节点为一个子节点关系图,获得至少一个子节点关系图;
第六判断单元,用于如果所有节点对应的节点距离之和未满足最优条件,针对每个中心节点对应的节点,更新所述至少一个中心节点,并返回至所述分别计算每个节点与至少一个中心节点的节点距离的步骤继续执行。
作为一种可能的实现方式,所述关系构建单元可以包括:
节点确定子单元,用于基于任意两个节点之间的节点距离,确定与每个节点距离最近的K个相似节点;
关系图子单元,用于将每个节点以及与其距离最近的K个相似节点连接,构成所述节点关系图;其中,节点关系图中的每个边的边长与该边的两个节点的节点距离相对应。
图8所述的路径预测装置可以执行图1、图3~图6所示实施例所述的路径预测方法,其实现原理和技术效果不再赘述。对于上述实施例中的路径预测装置其中的各个模块、单元、子单元所执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图8所示的装置可以实现为一路径预测设备,如图9所示,为本发明实施例提供的一种路径预测设备的一个实施例的结构示意图,所述设备可以包括:
存储组件901以及处理组件902;所述存储组件901用于存储一条或多条计算机指令,所述一条或多条计算机指令用于被所述处理组件902调用。
所述处理组件用于:确定目标交通区域的第一车流路径;
基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径;
基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别;其中,所述类别预测模型基于所述目标交通区域的历史车流路径,结合所述至少一个路径类别训练获得;
按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径。
在一些实施例中,所述路径类别可以为具有相同路径分布特征的多个车流路径的集合。
作为一个实施例,所述处理组件还可以用于:
确定至少一个路径影响因子的第一影响数据;
所述处理组件基于预设的路径预测模型,利用所述第一车流路径获得预测车流路径具体可以是:
基于预设的路径预测模型,利用所述第一车流路径以及所述第一影响数据获得预测车流路径;其中,所述路径预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据训练获得;
所述处理组件基于预设的类别预测模型,利用所述第一车流路径获得预测路径类别具体可以是:
基于预设的类别预测模型,利用所述第一车流路径以及所述第一影响数据获得预测路径类别;其中,所述类别预测模型基于所述目标交通区域的历史车流路径以及所述至少一个路径影响因子的历史影响数据,结合所述至少一个路径类别训练获得。
在一些实施例中,所述处理组件可以通过以下方式训练获得路径预测模型:
确定至少一个路径训练样本,以及每个路径训练样本对应的路径真值;其中,每个路径训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成;
构建路径预测模型;
基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值,训练获得所述路径预测模型的模型参数。
作为一种可能的实现方式,所述处理组件基于所述至少一个路径训练样本以及每个路径训练样本对应的路径真值,训练获得所述路径预测模型的模型参数具体可以是:
随机生成所述路径预测模型的路径参考参数;
将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果;
基于每个路径训练样本对应的第一预测结果以及路径真值,确定路径预测误差;
如果所述路径预测误差满足第一误差条件,确定所述路径参考参数为所述路径预测模型的模型参数;
如果所述路径预测误差不满足第一误差条件,基于所述路径预测误差,更新所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果的步骤继续执行。
在一些可能的设计中,所述处理组件处理如果所述路径预测误差不满足第一误差条件,基于所述路径预测误差,更新所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果的步骤继续执行具体可以是:
如果所述路径预测误差不满足第一误差条件,计算所述路径预测误差相对所述路径预测模型的模型参数的偏导数,获得路径调整量;
根据路径调整步长以及所述路径调整量,确定路径参数调整量;
利用所述路径参数调整量调整所述路径参考参数,并返回至将所述至少一个路径训练样本分别输入所述路径参考参数对应的路径预测模型,获得每个路径训练样本对应的第一预测结果的步骤继续执行。
在又一些可能的设计中,所述处理组件基于每个路径训练样本对应的第一预测结果以及路径真值,确定路径预测误差具体可以是:
计算每个路径训练样本对应第一预测结果与所述路径真值的路径距离,获得每个路径训练样本的路径误差;
根据至少一个路径训练样本分别对应的路径误差,确定路径预测误差。
在一些实施例中,所述处理组件可以通过以下方式训练获得类别预测模型:
确定至少一个类别训练样本,以及每个类别训练样本对应的类别真值;其中,每个类别训练样本由一个历史车流路径以及与所述历史车流路径对应的至少一个路径影响因子的历史影响数据构成;每个类别训练样本对应的类别真值为所述至少一个路径类别中与其对应的历史车流路径间隔预设时间间隔的历史车流路径相匹配的路径类别;
构建类别预测模型;
基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值,训练获得所述类别预测模型的模型参数。
作为一种可能的实现方式,所述处理组件基于所述至少一个类别训练样本以及每个类别训练样本对应的类别真值,训练获得所述类别预测模型的模型参数具体可以是:
随机生成所述类别预测模型的类别参考参数;
将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果;
基于每个类别训练样本对应的第二预测结果以及类别真值,确定类别预测误差;
如果所述类别预测误差满足第二误差条件,确定所述类别参考参数为所述类别预测模型的模型参数;
如果所述类别预测误差不满足第二误差条件,基于所述类别预测误差,调整所述类别参考参数,并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果的步骤继续执行。
在一些可能的设计中,所述处理组件处理如果所述类别预测误差不满足第二误差条件,基于所述类别预测误差,调整所述类别参考参数,并返回至将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果的步骤继续执行具体可以是:
如果所述类别预测误差不满足第二误差条件,计算所述类别预测误差相对所述类别预测模型的模型参数的偏导数,获得类别调整量;
根据类别调整步长以及所述类别调整量,确定类别参数调整量;
利用所述类别参数调整量调整所述类别参考参数,返回至所述将所述至少一个类别训练样本分别输入所述类别参考参数对应的类别预测模型,获得每个类别训练样本对应的第二预测结果的步骤继续执行。
在又一些可能的设计中,所述处理组件基于每个类别训练样本对应的第二预测结果以及类别真值,确定类别预测误差具体可以是:
计算每个类别训练样本对应的第二预测结果与所述类别真值之间的类别距离,获得每个类别训练样本的类别误差;
根据每个类别训练样本对应的类别误差,确定类别预测误差。
进一步,可选地,所述至少一个路径影响因子可以包括:周边车流影响因子、时间影响因子、天气影响因子和/或日期影响因子。
所述至少一个路径影响因子的历史影响数据可以包括:周边车流路径、路径采集时间、路径采集天气和/或路径采集日期。
作为一个实施例,所述按照所述预测路径类别,调整所述预测车流路径以获得目标车流路径可以包括:
确定所述预测路径类别对应的多个参考车流路径;
利用所述多个参考车流路径,调整所述预测车流路径获得目标车流路径。
在一些可能的应用中,所述处理组件利用所述多个参考车流路径,调整所述预测车流路径获得目标车流路径具体可以是:
从所述多个参考车流路径中,选择与所述预测车流路径存在第一关联关系的调整车流路径;
利用所述调整车流路径,调整所述预测车流路径获得目标车流路径。
作为一种可能的实现方式,所述处理组件从所述多个参考车流路径中,选择与所述预测车流路径存在第一关联关系的调整车流路径具体可以是:
分别计算所述多个参考车流路径与所述预测车流路径的路径距离,获得多个参考路径距离;
根据所述多个参考路径距离,从所述多个参考车流路径中选择与所述预测车流路径的路径距离小于第一预设阈值的参考车流路径,获得调整车流路径。
在一些实施例中,所述处理组件利用所述调整车流路径,调整所述预测车流路径获得目标车流路径具体可以是:
利用所述调整车流路径调整所述预测车流路径,使所述预测车流路径满足调整约束条件,获得目标车流路径。
作为一个实施例,所述利用所述调整车流路径调整所述预测车流路径,使所述预测车流路径满足调整约束条件,获得目标车流路径具体可以是:
根据所述多个参考车流路径,确定所述预测路径类别的中心车流路径;
分别计算所述多个参考车流路径与所述中心车流路径,获得多个参考距离;
确定所述多个参考路径距离中最大的路径距离为约束距离;
利用所述调整车流路径调整所述预测车流路径时,调整后的预测车流路径与所述中心车流路径之间的路径距离小于所述约束距离,获得目标车流路径。
作为一种可能的实现方式,所述处理组件根据所述多个参考车流路径,确定所述预测路径类别的中心车流路径具体可以是:
基于中心聚类算法,利用所述多个参考车流路径,确定所述预测路径类别的中心车流路径。
进一步,可选地,所述处理组件基于中心聚类算法,利用所述多个参考车流路径,确定所述预测路径类别的中心车流路径具体可以是:
随机生成中心车流路径;
计算所述中心车流路径与每个参考车流路径的聚类路径距离,获得多个聚类路径距离;
如果所述多个聚类路径距离的平方和满足优化目标,确定所述中心车流路径;
如果所述多个聚类路径距离的平方和不满足优化目标,基于所述聚类路径距离,更新所述中心车流路径,返回至所述计算所述中心车流路径与每个参考车流路径的聚类路径距离,获得多个聚类路径距离的步骤继续执行。
作为一个实施例,所述处理组件可以通过以下方式确定至少一个路径类别:
对所述目标交通区域的历史车流路径进行聚类,获得至少一个路径类别;其中,每个路径类别包括具有相同路径分布特征的多个车流路径的集合。
作为一种可能的实现方式,所述处理组件对所述目标交通区域的历史车流路径进行聚类,获得至少一个路径类别具体可以是:
根据所述目标交通区域的多个历史车流路径,生成多个节点;
基于任意两个节点之间的节点距离,构建节点关系图;
将所述节点关系图划分为至少一个子节点关系图;
确定每个子节点关系图中包含的节点所对应的车流路径为一个路径类别,获得至少一个路径类别。
进一步,可选地,所述处理组件将所述节点关系图划分为至少一个子节点关系图具体可以是:
将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图。
进一步,可选地,所述处理组件将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图具体可以是:
将所述节点关系图中属于同一区域的节点划分至同一个子节点关系图,以获得至少一个子节点关系图。
作为一种可能的实现方式,所述处理组件将所述节点关系图中具有相同位置特征的节点划分至同一个子节点关系图,以获得至少一个子节点关系图具体可以是:
随机生成至少一个中心节点;
分别计算每个节点与所述至少一个中心节点的节点距离;
确定与每个节点的节点距离最短的中心节点为该节点的类别标签;
如果所有节点对应的节点距离之和满足最优条件,确定每个中心节点对应的节点为一个子节点关系图,获得至少一个子节点关系图;
如果所有节点对应的节点距离之和未满足最优条件,针对每个中心节点对应的节点,更新所述至少一个中心节点,并返回至所述分别计算每个节点与至少一个中心节点的节点距离的步骤继续执行。
作为一种可能的实现方式,所述处理组件基于任意两个节点之间的节点距离,构建节点关系图具体可以是:
基于任意两个节点之间的节点距离,确定与每个节点距离最近的K个相似节点;
将每个节点以及与其距离最近的K个相似节点连接,构成所述节点关系图;其中,节点关系图中的每个边的边长与该边的两个节点的节点距离相对应。
图9所述的路径预测设备可以执行图1、图3~图6所示实施例所述的路径预测方法,其实现原理和技术效果不再赘述。对于上述实施例中的路径预测设备其中的处理组件所执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
此外,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序;所述计算机程序使计算机执行时实现本申请实施例中的任一项所述的路径预测方法。
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和软件结合的方式来实现。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计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。