[发明专利]路况预测模型的训练方法、路况预测方法及装置在审
申请号: | 202111513950.0 | 申请日: | 2021-12-10 |
公开(公告)号: | CN114283388A | 公开(公告)日: | 2022-04-05 |
发明(设计)人: | 林钢鑫;金吉成;陈文浩;曾繁玉;刘圣阳;周炜;高山 | 申请(专利权)人: | 广州海格星航信息科技有限公司 |
主分类号: | G06V20/54 | 分类号: | G06V20/54;G06V10/62;G06V10/80;G06V10/82;G06N3/04;G06N3/08;G08G1/01 |
代理公司: | 广州三环专利商标代理有限公司 44202 | 代理人: | 郭浩辉;许羽冬 |
地址: | 510000 广东省*** | 国省代码: | 广东;44 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 路况 预测 模型 训练 方法 装置 | ||
1.一种路况预测模型的训练方法,其特征在于,包括:
对历史路况训练集进行数据变换,得到多个目标图数据,所述历史路况训练集包括在多个时刻下的路网样本数据和视觉路况样本数据;
利用预设的残差图卷积模型,对多个所述目标图数据进行特征提取,得到多个残差图;
对多个所述残差图进行融合和全连接,输出视觉路况预测值;
根据所述视觉路况预测值,计算所述残差图卷积模型的损失函数,并基于所述损失函数更新所述残差图卷积模型的模型参数,直至所述残差图卷积模型达到预设收敛条件,得到路况预测模型。
2.如权利要求1所述的路况预测模型的训练方法,其特征在于,所述对历史路况训练集进行数据变换,得到多个目标图数据,包括:
基于所述路网样本数据中的多个路段和每个路段的路径长度,建立多个加权图;
对所述视觉路况样本数据进行向量编码,得到特征向量;
根据每个时刻下的每个路段与所述视觉路况样本数据之间的对应关系,建立每个所述加权图与所述特征向量之间的关联关系,得到多个所述目标图数据。
3.如权利要求1所述的路况预测模型的训练方法,其特征在于,所述利用预设的残差图卷积模型,对多个所述目标图数据进行特征提取,得到多个残差图,包括:
利用所述残差图卷积模型,对多个所述目标图数据进行图卷积操作,提取每个所述目标图数据的路况空间特征;
基于所述路况空间特征,输出多个所述残差图。
4.如权利要求3所述的路况预测模型的训练方法,其特征在于,所述基于所述路况空间特征,输出多个所述残差图,包括:
利用残差图卷积结构,对每个所述路况空间特征进行映射,得到多个所述残差图,所述残差图卷积结构为:
其中,Gl+1为第l+1层卷积层的目标图数据,Gl为第l层卷积层的目标图数据,F(Gl,Wl)为所述路况空间特征的映射函数,为所述残差图。
5.如权利要求1所述的路况预测模型的训练方法,其特征在于,所述对多个所述残差图进行融合和全连接,输出视觉路况预测值,包括:
利用预设的门循环单元,基于所述残差图对应的各个时刻,对多个所述残差图进行时序融合,得到总残差图;
对所述总残差图进行全连接,输出所述视觉路况预测值。
6.一种路况预测方法,其特征在于,包括:
获取出发地到目的地之间的行驶路线;
对所述行驶路线进行数据变换,得到路况图数据;
利用路况预测模型,根据所述路况图数据,预测所述行驶路线在未来时刻的目标视觉路况数据,所述路况预测模型为基于所述权利要求1至5任一项所述的训练方法训练得到。
7.一种路况预测模型的训练装置,其特征在于,包括:
第一变换模块,用于对历史路况训练集进行数据变换,得到多个目标图数据,所述历史路况训练集包括在多个时刻下的路网样本数据和视觉路况样本数据;
提取模块,用于利用预设的残差图卷积模型,对多个所述目标图数据进行特征提取,得到多个残差图;
输出模块,用于对多个所述残差图进行融合和全连接,输出视觉路况预测值;
更新模块,用于根据所述视觉路况预测值,计算所述残差图卷积模型的损失函数,并基于所述损失函数更新所述残差图卷积模型的模型参数,直至所述残差图卷积模型达到预设收敛条件,得到路况预测模型。
8.一种路况预测装置,其特征在于,包括:
获取模块,用于获取出发地到目的地之间的行驶路线;
第二变换模块,用于对所述行驶路线进行数据变换,得到路况图数据;
预测模块,用于利用路况预测模型,根据所述路况图数据,预测所述行驶路线在未来时刻的目标视觉路况数据,所述路况预测模型为基于所述权利要求1至5任一项所述的训练方法训练得到。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于广州海格星航信息科技有限公司,未经广州海格星航信息科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111513950.0/1.html,转载请声明来源钻瓜专利网。