[发明专利]路况预测方法及装置、计算机设备与可读介质

权利要求书

1.一种路况预测方法，其特征在于，所述方法包括：

从道路路网中获取目标道路的N阶相邻道路；

分别获取当前时刻的所述目标道路的特征信息和所述目标道路的N阶相邻道路的特征信息；所述特征信息中包括所述当前时刻的路况以及至少一个历史时刻的路况；

根据当前时刻的所述目标道路特征信息、所述目标道路的N阶相邻道路的特征信息以及预先训练的路况预测模型，预测所述目标道路在预设的未来时刻的路况。

2.根据权利要求1所述的方法，其特征在于，根据当前时刻的所述目标道路特征信息、所述目标道路的N阶相邻道路的特征信息以及预先训练的路况预测模型，预测所述目标道路在预设的未来时刻的路况之前，所述方法还包括：

采集数条训练道路的训练数据，生成训练数据库；各所述训练数据中包括训练时刻的训练道路的训练特征信息、所述训练道路的N阶相邻道路的训练特征信息以及所述训练道路在预设的未来时刻的真实路况；

根据所述训练数据库中的各条所述训练道路的训练数据，训练所述路况预测模型。

3.根据权利要求2所述的方法，其特征在于，根据所述训练数据库中的各条所述训练道路的训练数据，训练所述路况预测模型，具体包括：

依次将各条所述训练数据输入至所述路况预测模型，使得所述路况预测模型输出对应的所述训练道路在未来时刻的预测路况；

根据所述训练数据中的真实路况和所述预测路况，调整所述路况预测模型的参数，以使得所述路况预测模型预测的所述训练道路在未来时刻的所述预测路况靠近对应的所述真实路况；

重复采用上述步骤，使用各条所述训练数据训练所述路况预测模型，直到所述路况预测模型预测的所述预测路况无限接近于对应的所述真实路况，确定所述路况预测模型的参数，从而确定所述路况预测模型。

4.根据权利要求1-3任一所述的方法，其特征在于，所述路况预测模型包括卷积神经网络模型和递归神经网络模型。

5.根据权利要求1-3任一所述的方法，其特征在于，所述特征信息还包括如下至少一个特征：道路长度、所述当前时刻是星期几、所述当前时刻属于一天中的第几个预设分钟时长、道路的限速级别、道路标识、道路的出度和入度。

6.一种路况预测装置，其特征在于，所述装置包括：

道路获取模块，用于从道路路网中获取目标道路的N阶相邻道路；

特征信息获取模块，用于分别获取当前时刻的所述目标道路的特征信息和所述目标道路的N阶相邻道路的特征信息；所述特征信息中包括所述当前时刻的路况以及至少一个历史时刻的路况；

预测模块，用于根据当前时刻的所述目标道路特征信息、所述目标道路的N阶相邻道路的特征信息以及预先训练的路况预测模型，预测所述目标道路在预设的未来时刻的路况。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

采集模块，用于采集数条训练道路的训练数据，生成训练数据库；各所述训练数据中包括训练时刻的训练道路的训练特征信息、所述训练道路的N阶相邻道路的训练特征信息以及所述训练道路在预设的未来时刻的真实路况；

训练模块，用于根据所述训练数据库中的各条所述训练道路的训练数据，训练所述路况预测模型。

8.根据权利要求7所述的装置，其特征在于，所述训练模块，具体用于：

依次将各条所述训练数据输入至所述路况预测模型，使得所述路况预测模型输出对应的所述训练道路在未来时刻的预测路况；

根据所述训练数据中的真实路况和所述预测路况，调整所述路况预测模型的参数，以使得所述路况预测模型预测的所述训练道路在未来时刻的所述预测路况靠近对应的所述真实路况；

重复采用上述步骤，使用各条所述训练数据训练所述路况预测模型，直到所述路况预测模型预测的所述预测路况无限接近于对应的所述真实路况，确定所述路况预测模型的参数，从而确定所述路况预测模型。

9.根据权利要求6-8任一所述的装置，其特征在于，所述路况预测模型包括卷积神经网络模型和递归神经网络模型。

10.根据权利要求6-8任一所述的装置其特征在于，所述特征信息还包括如下至少一个特征：道路长度、所述当前时刻是星期几、所述当前时刻属于一天中的第几个预设分钟时长、道路的限速级别、道路标识、道路的出度和入度。