[发明专利]一种交通拥堵预测方法、装置和电子设备

权利要求书

1.一种交通拥堵预测方法，其特征在于，包括：

对获取到的交通路况的道路特征数据进行两两车道间路况相似性处理，得到车道相似性数据；包括将对应于各个时期的道路特征数据分别进行特征降维处理，得到对应于各个时期的降维后的道路特征数据；将对应于各个时期的降维后的道路特征数据分别进行数据融合处理，得到对应于各个时期的融合后的道路特征数据；根据对应于各个时期的融合后的道路特征数据计算两两车道间的路况相似性，得到车道相似性数据，具体是以车道标识为关键字，将对应于各个时期的融合后的道路特征数据中具有相同车道标识的数据作为相应车道的时间序列数据，根据车道的时间序列数据，计算出两两车道间关于路况的车道相似性数据；所述道路特征数据包括待预测时期之前的多个时期的TMC数据；

采用第一预设网络模型对所述车道相似性数据进行处理，从所述车道相似性数据中提取出车道空间拓扑结构特征，输出得到第一处理结果，其中所述第一预设网络模型为使用多组图像数据通过机器学习训练得出的图卷积神经网络，所述多组图像数据均包括所述TMC数据的图像信息；

采用第二预设网络模型对所述第一处理结果进行处理，输出得到第二处理结果，其中所述第二预设网络模型为使用多组具有序列关系的图像数据通过机器学习训练得出的循环神经网络，所述多组具有序列关系的图像数据均包括预设时间序列关系的TMC数据的图像信息；

根据所述第二处理结果，确定待预测时期的道路中至少一条车道的拥堵预测结果。

2.如权利要求1所述方法，其特征在于，将对应于各个时期的道路特征数据分别进行特征降维处理，得到对应于各个时期的降维后的道路特征数据，包括：

分别计算对应于各个时期的特征矩阵的协方差矩阵，得到协方差矩阵的特征值与特征向量，其中对应于各个时期的道路特征数据分别对应形成一个特征矩阵；

对特征值按照从大到小排序，选择其中最大的K个特征值对应的K个特征向量分别作为行向量构建特征向量矩阵；

根据特征向量矩阵与特征矩阵的乘积，得到对应于各个时期的降维特征矩阵。

3.如权利要求2所述方法，其特征在于，将对应于各个时期的降维后的道路特征数据分别进行数据融合处理，得到对应于各个时期的融合后的道路特征数据，包括：

通过将对应于各个时期的降维特征矩阵与其对应的特征值矩阵进行矩阵乘法计算实现数据融合，将计算出的列向量作为相应时期各个车道融合后的道路特征数据；

其中，所述维特征矩阵为M×K维矩阵，所述特征值矩阵为由K个特征值形成的K×1维矩阵，M为车道数量。

4.如权利要求1所述方法，其特征在于，采用第一预设网络模型对所述车道相似性数据进行处理，包括：

采用训练后的GCN网络对所述车道相似性数据进行处理。

5.如权利要求1所述方法，其特征在于，采用第二预设网络模型对所述第一处理结果进行处理，包括：

采用训练后的LSTM网络或GRU网络对所述第一处理结果进行处理。

6.如权利要求1所述方法，其特征在于，根据所述第二处理结果，确定待预测时间段的道路中至少一条车道的拥堵预测结果，包括：

将第二处理结果与拥堵指标进行比对；

超过所述拥堵指标时，待预测时期车道的预测结果为拥堵；未超过所述拥堵指标时，待预测时期车道的预测结果为畅通或缓行。

7.一种交通拥堵预测装置，其特征在于，用于实现如权利要求1-6任一项所述的方法。

8.一种电子设备，其特征在于，包括：

存储器，存储计算机可执行指令；

处理器，所述计算机可执行指令在被电子设备执行时，使所述处理器执行如权利要求1-6任一项所述的方法。