[发明专利]交通数据的预测方法、装置和计算机可读存储介质

说明书

本发明公开了一种交通数据的预测方法、装置和计算机可读存储介质，涉及数据处理技术领域。交通数据的预测方法包括：将地点在每个过去时刻的交通数据输入到第一循环神经网络的编码器中，获得地点在每个过去时刻的第一隐藏状态；根据预先获取的地点和与地点互通的多个地点的元知识、以及地点涉及的多个互通信息的元知识，更新地点在每个时刻的第一隐藏状态，其中，地点的元知识是根据地点的属性确定的、互通信息的元知识是根据互通信息的属性确定的；将更新后的地点在每个过去时刻的第一隐藏状态输入到第二循环神经网络中，获得地点在未来时刻的交通数据，其中，第二循环神经网络的参数是根据地点的元知识确定的。从而提高了预测的准确性。

技术领域

本发明涉及数据处理技术领域，特别涉及一种交通数据的预测方法、装置和计算机可读存储介质。

背景技术

交通堵塞是城市人们出行的最大困扰。通过准确地预测城市交通状况，可以有效地节省交通时间，疏散交通拥堵等问题。

相关技术采用多种方式进行交通状况的预测。一种方式为简单的统计学习方法，包括求历史数据的平均值、采用差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average，简称：ARIMA)、采用渐近梯度回归树(Gradient BoostingRegression Tree，GBRT)等等；另一种方式为采用多任务学习模型(Multi-taskLearning)；再一种方式为采用简单的深度学习模型。

发明内容

发明人经过分析后发现，简单的统计学习方法未能较好地针对城市交通数据的时空相关性进行建模。城市交通数据同时具有时间相关性和空间相关性，其中，空间相关性体现在不同地点的交通状态的互相影响。例如，某地发生的交通阻塞会迅速扩散至周围地点。时间相关性指某一时刻的交通状态与之前时刻的交通状态是相关的。城市交通数据的时间相关性和空间相关性相互作用。如果忽略了这一特点，则很难成功地对城市交通进行建模

传统多任务学习模型需要利用地区间的特征分布计算不同地区之间的相似性。然而，计算相似性需要针对数据做出诸多假设。在实际的应用中，这样的假设通常难以成立。

对于采用简单的深度学习模型的方式，由所有地点共用同一模型，这会忽略不同地点间的特征差异性。城市中不同地点由于地理信息不同而特征各异，因此具有不同的时空相关性。例如，居住区和工作区的交通高峰时刻明显不同。因此，现有的深度学习模型也具有局限性。

相关技术中的上述缺陷导致无法对交通状况进行准确地预测。

本发明实施例所要解决的一个技术问题是：如何提高交通状况预测的准确性。

根据本发明一些实施例的第一个方面，提供一种交通数据的预测方法，包括：将地点在每个过去时刻的交通数据输入到第一循环神经网络的编码器中，获得地点在每个过去时刻的第一隐藏状态；根据预先获取的地点和与地点互通的多个地点的元知识、以及地点涉及的多个互通信息的元知识，更新地点在每个时刻的第一隐藏状态，其中，地点的元知识是根据地点的属性确定的、互通信息的元知识是根据互通信息的属性确定的；将更新后的地点在每个过去时刻的第一隐藏状态输入到第二循环神经网络中，获得地点在一个或多个未来时刻的交通数据，其中，第二循环神经网络的参数是根据地点的元知识确定的。

在一些实施例中，预测方法还包括：将地点和与地点互通的多个地点中的每一个的属性输入到预先训练的地点元知识学习器中，获得每个地点的元知识；将地点涉及的多个互通信息中的每一个的属性输入到预先训练的互通信息元知识学习器中，获得每个互通信息的元知识。