[发明专利]路况预测模型的训练方法、路况预测方法及装置

说明书

本申请公开了一种路况预测模型的训练方法、路况预测方法及装置，通过对历史路况训练集进行数据变换，得到多个目标图数据，利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图，从而利用图数据的空间依赖关系捕捉具有方向关联性的数据特征，以结合多个时段的历史数据所具有的时间关联性特征；对多个残差图进行融合和全连接，输出视觉路况预测值，并根据视觉路况预测值，计算残差图卷积模型的损失函数，以及基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型，从而充分利用时间和空间等全局特征，构建具备视觉路况特征的预测模型，丰富模型预测结果和提高模型预测准确度。

技术领域

本申请涉及人工智能技术领域，尤其涉及一种路况预测模型的训练方法、路况预测方法及装置。

背景技术

在用户出行前，通过预测城市路况，可以帮助用户判断出行的便利性和安全性，以使用户获得更好的出行体验。路况预测方案主要有知识驱动方案和数据驱动方案，其中数据驱动是建立路况数据集，通过训练模型统计和学习历史路况和未来路况之间的联系进而预测路况。

目前数据驱动方案以历史交通状况信息作为训练数据，如历史道路通行时间和车流量等。但是以交通状态类信息作为训练数据，模型能够学习到的特征过于单一，其预测得到的仅仅是出发地到目的地之间的道路通行时间。而城市路况在实际情况下往往复杂多变，单一的预测结果很难满足用户实际需求。

发明内容

本申请提供了一种路况预测模型的训练方法、路况预测方法及装置，以解决现有路况预测方法存在预测结果单一的技术问题。

为了解决上述技术问题，本申请实施例提供了一种路况预测模型的训练方法，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，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，对多个目标图数据进行特征提取，得到多个残差图；

对多个残差图进行融合和全连接，输出视觉路况预测值；

根据视觉路况预测值，计算残差图卷积模型的损失函数，并基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型。

本实施例通过对历史路况训练集进行数据变换，得到多个目标图数据，利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图，从而利用图数据的空间依赖关系捕捉具有方向关联性的数据特征，以结合多个时段的历史数据所具有的时间关联性特征；对多个残差图进行融合和全连接，输出视觉路况预测值，并根据视觉路况预测值，计算残差图卷积模型的损失函数，以及基于损失函数更新残差图卷积模型的模型参数，直至残差图卷积模型达到预设收敛条件，得到路况预测模型，从而充分利用时间和空间等全局特征，构建具备视觉路况特征的预测模型，丰富模型预测结果和提高模型预测准确度。

在一实施例中，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视觉路况样本数据之间的对应关系，建立每个加权图与特征向量之间的关联关系，得到多个目标图数据。

本实施例通过将多个时刻下的路段和路径长度以及视觉路况，构建目标图数据，充分挖掘和利用路况视觉信息，符合在交通环境中人们的主要感官体验，为交通出行预测提供了新方法和新思路。

在一实施例中，利用预设的残差图卷积模型，对多个目标图数据进行特征提取，得到多个残差图，包括：

利用残差图卷积模型，对多个目标图数据进行图卷积操作，提取每个目标图数据的路况空间特征；