[发明专利]一种交通拥堵预测方法、装置和电子设备

说明书

本申请公开了一种交通拥堵预测方法、装置和电子设备。本申请的方法包括：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，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；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；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。本申请的技术方案可以提高交通拥堵预测的精准度。

技术领域

本申请涉及新一代信息技术领域，尤其涉及一种交通拥堵预测方法、装置和电子设备。

背景技术

TMC（Traffic Message Channel）是实时交通路况信息的简称，能够实时反映电子地图区域内道路的交通状态。通过将TMC信息发送到终端的电子地图上显示，可以提示出行者避开拥挤路段，合理规划行车路线。

尽管已经有许多交通拥堵预测的相关研究，然而在路上准确预测拥堵的研究依旧是一项具有挑战性的工作。相关技术中，普遍存在预测准确率低的问题。

发明内容

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，以携带车道空间特征和时间特征的车道相似性数据为基础进行交通拥堵预测，提高预测精准度。

本申请实施例采用下述技术方案：

本申请的一方面，提供一种交通拥堵预测方法，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，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是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的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。

在一些实施例中，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。

在一些实施例中，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。

在一些实施例中，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。