一种交通预测的方法和装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种交通预测的方法和装置。


背景技术：

2.随着信息技术的发展，智能交通系统成为解决交通拥堵、提高交通效率的有效技术手段。智能交通系统通过对未来细粒度交通状态的预测制定相应的控制优化策略，以实现精细化的交通控制。目前，交通状态预测技术主要基于固定式传感器的预测场景进行的，通过大规模部署在道路上的传感器来采集相关交通状态数据信息以实现交通状态的预测。
3.在实现本发明过程中，发明人发现现有技术中存在如下问题：
4.在现实场景中，由于经济、环境等因素，通常无法大规模地部署道路传感器，致使智能交通系统只能获得稀疏分布的细粒度交通状态数据，仅根据这些稀疏分布的细粒度交通状态数据会导致预测的交通状态存在较大的误差，不能很好的应用于实际的智能交通系统，进而限制了智能交通系统的发展和推广。


技术实现要素：

5.有鉴于此，本发明实施例提供一种交通预测的方法和装置，通过交通预测模型中的编码器、冗余注意力层和解码器对已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息的处理，得到准确合理的待预测时空区域交通状态的预测结果，解决了稀疏分布的细粒度交通状态的预测问题，提升了交通状态预测结果的准确性，满足了智能交通系统的需要，提高了精细化交通控制的效率，促进了智能交通系统的发展和推广。
6.为实现所述目的，根据本发明实施例的一个方面，提供了一种交通预测的方法，包括：
7.响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，所述交通预测模型包括：编码器、冗余注意力层和解码器；
8.通过所述编码器对所述已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；
9.通过所述冗余注意力层，采用注意力机制对所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；
10.将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；
11.通过所述解码器对所述待预测时空区域的交通状态向量进行解码，得到所述待预测时空区域的交通状态预测结果。
12.可选地，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引
信息输入交通预测模型之前，还包括：对已观测时空区域的索引信息和交通状态信息进行归一化处理，得到已观测数据集；将所述已观测数据集拆分为观测集和预测集；将所述观测集作为模型输入，通过使所述预测集的损失函数达到最小来训练交通预测模型。
13.可选地，所述损失函数包括预测准确性损失函数和预测真实性损失函数；其中，所述预测真实性损失函数通过引入交通流流量、交通流密度与速度之间的关联关系来构建。
14.可选地，所述交通流流量、交通流密度和速度通过将车辆轨迹数据转换为状态数据得到，包括：将所述车辆轨迹数据的交通状态空间进行时空区域的划分；根据车辆进入和离开所述时空区域的坐标确定车辆的总行驶距离和行驶时间，所述坐标包括位置信息和时间信息；根据所述总行驶距离和行驶时间，得到所述交通流流量、交通流密度和速度。
15.可选地，通过所述冗余注意力层，采用注意力机制对所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量，包括：通过所述冗余注意力层，采用注意力机制，根据所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量得到两个时空区域的交通状态的相似度；基于所述相似度对所述已观测时空区域的交通状态向量进行加权求和，得到所述待预测时空区域的交通状态第二向量。
16.可选地，将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，包括：采用残差连接的方式，将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合。
17.可选地，在将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型之前，还包括：通过贪心算法，从所述已观测时空区域的时空点中选取关键时空点，并将所述关键时空点的索引信息和交通状态信息作为所述已观测时空区域的索引信息和交通状态信息。
18.可选地，通过贪心算法，从所述已观测时空区域的时空点中选取关键时空点，包括：获取用于存放关键时空点的候选集；在所述候选集中的时空点数量未达到设定阈值的情况下，重复执行如下操作直至所述候选集中的时空点数量达到所述阈值：利用所述候选集计算每个所述时空区域的时空点的重要度，并将重要度最大的时空点作为关键时空点添加到所述候选集中，然后更新所述候选集；将所述候选集中的关键时空点作为选取的关键时空点。
19.根据本发明实施例的第二方面，提供一种交通预测装置，包括：
20.信息输入模块，用于响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，所述交通预测模型包括：编码器、冗余注意力层和解码器；
21.编码模块，用于通过所述编码器对所述已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；
22.冗余注意力模块，用于通过所述冗余注意力层，采用注意力机制对所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；
23.融合模块，用于将所述待预测时空区域的交通状态第一向量和所述待预测时空区
域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；
24.解码模块，用于通过所述解码器对所述待预测时空区域的交通状态向量进行解码，得到所述待预测时空区域的交通状态预测结果。
25.根据本发明实施例的第三方面，提供一种交通预测的电子设备，其特征在于，包括：
26.一个或多个处理器；
27.存储装置，用于存储一个或多个程序，
28.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明实施例第一方面提供的方法。
29.根据本发明实施例的第四方面，提供一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明实施例第一方面提供的方法。
30.所述发明中的一个实施例具有如下优点或有益效果：通过响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，交通预测模型包括：编码器、冗余注意力层和解码器；通过编码器对已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；通过冗余注意力层，采用注意力机制对已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；将待预测时空区域的交通状态第一向量和待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；通过解码器对待预测时空区域的交通状态向量进行解码，得到待预测时空区域的交通状态预测结果的技术方案，实现了通过交通预测模型中的编码器、冗余注意力层和解码器对已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息的处理，得到准确合理的待预测时空区域交通状态的预测结果，解决了稀疏分布的细粒度交通状态的预测问题，提升了交通状态预测结果的准确性，满足了智能交通系统的需要，提高了精细化交通控制的效率，促进了智能交通系统的发展和推广。
附图说明
31.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
32.图1是根据本发明实施例的交通预测方法的主要流程的示意图；
33.图2是本发明实施例的时空区域划分示意图；
34.图3是本发明实施例的各个时空区域的交通状态信息示意图；
35.图4是本发明实施例的冗余注意力层的结构示意图；
36.图5是本发明实施例的交通预测模型结构示意图；
37.图6是本发明实施例的选取候选集k的具体流程示意图；
38.图7是本发明实施例的应用场景示意图；
39.图8是根据本发明实施例的交通预测装置的主要模块示意图；
40.图9是本发明实施例可以应用于其中的示例性系统架构图；
41.图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
42.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
43.目前在实际智能交通系统中，由于经济、环境等因素，通常无法大规模地部署道路传感器，致使智能交通系统只能获得稀疏分布的细粒度交通状态数据，仅根据这些稀疏分布的细粒度交通状态数据会导致预测的交通状态存在较大的误差，不能很好的应用于实际的智能交通系统，进而限制了智能交通系统的发展和推广。
44.为了解决现有技术中存在的上述问题，本发明提出一种交通预测方法，通过交通预测模型中的编码器、冗余注意力层和解码器对已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息的处理，得到准确合理的待预测时空区域交通状态的预测结果，解决了稀疏分布的细粒度交通状态的预测问题，提升了交通状态预测结果的准确性，满足了智能交通系统的需要，提高了精细化交通控制的效率，促进了智能交通系统的发展和推广。
45.在本发明的实施例介绍中，所涉及的名词及其含义如下：
46.mlp：mutil la10er perceptron多层感知器，一种前馈人工神经网络模型，其将输入的多个数据集映射到单一的输出的数据集上；
47.残差连接：将输出表述为输入和输入的一个非线性变换的线性叠加，提升了网络的表征能力，解决了深度神经网络的退化问题；
48.注意力机制：源于对人类视觉的研究，是机器学习中的一种数据处理方法，广泛应用在自然语言处理、图像识别及语音识别等各种不同类型的机器学习任务中；
49.kl散度：kullback-leibler divergence，又称相对熵，是描述两个概率分布p和q差异的一种方法；
50.adam优化器：一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重；
51.贪心算法：是一种能够得到某种度量意义下的最优解的分级处理方法。
52.图1是根据本发明实施例的交通预测方法的主要流程的示意图，如图1所示，本发明实施例的交通预测方法包括如下的步骤s101至步骤s105。
53.步骤s101、响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，所述交通预测模型包括：编码器、冗余注意力层和解码器。
54.具体地，在实际智能交通系统中，由于无法在稀疏分布的细粒度交通状态场景中有效提取当前交通状态的复杂特征，影响了预测结果的准确性。本发明通过一种包括编码器、冗余注意力层和解码器的交通预测模型，可以有效刻画出交通场景中时变的交通状态特征，提取交通状态之间时变的时空关联关系，进而保证了预测的准确性。另外地，建立时空区域数据的索引信息，用时空区域的索引信息代替时空区域的数据既保证了计算的正确性又减少计算复杂性。
55.根据本发明的一个实施例，将已观测时空区域的索引信息、交通状态信息和待预
测时空区域的索引信息输入交通预测模型之前，还包括：对已观测时空区域的索引信息和交通状态信息进行归一化处理，得到已观测数据集；将所述已观测数据集拆分为观测集和预测集；将所述观测集作为模型输入，通过使所述预测集的损失函数达到最小来训练交通预测模型。
56.具体地，虽然上述的交通预测模型可以有效的表征交通场景中时变的交通状态，但是模型中的参数需要根据已观测时空区域的数据信息和状态信息进行训练学习来确定。在将相关已观测信息和待观测信息输入交通预测模型进行交通预测之前，需要对交通模型进行训练，包括：对已观测的时空区域的索引信息和交通状态信息进行归一化预处理，以使已观测的数据信息都映射到[0,1]区间，从而加快训练的收敛速度；将已观测数据集随机拆分为观测集o和预测集t；将观测集o作为上述预测模型的输入，通过预测集t的预测结果的损失函数最小来确定预测模型的相关参数，以得到训练学习后可以用于交通预测的交通预测模型。
[0057]
根据本发明的另一个实施例，所述损失函数包括预测准确性损失函数和预测真实性损失函数；其中，所述预测真实性损失函数通过引入交通流流量、交通流密度与速度之间的关联关系来构建。
[0058]
具体地，基于待预测交通状态的准确性和真实性要求，结合交通流理论中交通流流量、交通流密度和速度之间的物理约束，建立包括预测准确性损失函数和预测真实性损失函数的观测集损失函数。
[0059]
示例性地，设定预测集t的整体损失函数为l
total
，则有：
[0060]
l
total
＝l
prob
λl
real
。
[0061]
其中，l
prob
表示预测结果的准确性，l
real
表示预测结果的真实性，两项损失函数的加权参数为λ。设定上述预测模型的待预测的交通状态满足均值为μi、标准差为σi的正态分布，则l
prob
用在概率分布中出现的log概率之和，即：
[0062][0063]
对于l
real
通过引入交通流理论中的交通流流量q、密度k和速度v之间的关联关系q＝kv进行约束，相应的，交通状态可以通过交通流流量q、密度k和速度v来表征，即有μi＝(μ
q,i
,μ
k,i
,μ
v,i
)、σi＝(σ
q,i
,σ
k,i
,σ
v,i
)来表示不同交通状态对应的平均值和标准差，同时为了保证预测出的交通状态的真实性，预测的交通状态需要尽可能地满足q＝kv约束，具体地，可以使用kl散度来衡量训练结果满足此约束的程度，即预测的交通流流量qi与通过约束计算得到的交通流流量之间的概率分布尽可能相似，由于是通过预测的密度ki和速度vi计算的，而ki和vi均为正态分布，可以用正态分布表示对的近似，所以最小化以下kl散度表达式：
[0064][0065]
其中d
kl
(
·
||
·
)计算了概率分布和之间的kl散度，鉴于待训练模型的结构组成，和需要使用以下方式来拟合计算，见下式：
[0066]
[0067][0068]
根据本发明的再一个实施例，所述交通流流量、交通流密度和速度通过将车辆轨迹数据转换为状态数据得到，包括：将所述车辆轨迹数据的交通状态空间进行时空区域的划分；根据车辆进入和离开所述时空区域的坐标确定车辆的总行驶距离和行驶时间，所述坐标包括位置信息和时间信息；根据所述总行驶距离和行驶时间，得到所述交通流流量、交通流密度和速度。
[0069]
具体地，由于实际的交通状态，如：交通流流量、密度和速度，无法直接获取，需要根据车辆轨迹数据进行细粒度的交通状态数据的转换，上述的交通状态可以通过车辆轨迹数据转换为状态数据得到，将车辆轨迹数据的交通状态空间进行时空区域的划分，每个时空区域对应着交通状态矩阵中的一个元素，图2是本发明实施例的时空区域划分示意图，图中将交通状态空间划分为若干个50m
×
5s的矩形时空区域，其中ai和bi分别表示第i辆车进入和离开该区域的时空坐标；根据车辆进入和离开该区域的坐标确定车辆的总行驶距离d(c)和行驶时间t(c)，具体见下式：
[0070]
d(c)＝∑ix(bi)-x(ai)；
[0071]
t(c)＝∑it(bi)-t(ai)；
[0072]
其中x(
·
)和t(
·
)分别表示时空坐标对应的位置和时刻信息；根据总行驶距离d(c)和行驶时间t(c)结合时空区域所占的面积，得到交通流流量q(c)、交通流密度k(c)和速度v(c)，具体见下式：
[0073]
k(c)＝t(c)/|c|；
[0074]
q(c)＝d(c)/|c|；
[0075]
v(c)＝d(c)/t(c)
°
[0076]
其中|c|表示该时空区域所占的面积。图3是本发明实施例的各个时空区域的交通状态信息示意图，不同的深浅色块表示了不同路段在不同时刻的交通流速度。
[0077]
基于上述由车辆轨迹得到的交通状态值，通过计算损失函数l
total
的最小值，可以使用adam优化器训练预测模型，以得到需要的预测模型。
[0078]
步骤s102、通过所述编码器对所述已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量。
[0079]
具体地，所述编码器采用注意力机制，通过已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息提取时空区域的关联关系，挖掘时空相似度，得到已观测时空区域的交通状态向量和待预测时空区域的交通状态参数化第一向量，以进行后续冗余注意力层的处理。
[0080]
步骤s103、通过所述冗余注意力层，采用注意力机制对所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量。
[0081]
具体地，将已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量作为冗余注意力层的输入，采用注意力机制进一步提取时空区域交通状态之间的关联关系，挖掘交通状态的相似度，得到待预测时空区域的交通状态第二向量。
[0082]
根据本发明一个实施例，通过所述冗余注意力层，采用注意力机制对所述已观测
时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量，包括：通过所述冗余注意力层，采用注意力机制，根据所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量得到两个时空区域的交通状态的相似度；基于所述相似度对所述已观测时空区域的交通状态向量进行加权求和，得到所述待预测时空区域的交通状态第二向量。
[0083]
具体地，所述待预测时空区域的交通状态第二向量可以通过注意力函数得到，其中注意力函数包括了已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量的信息，并根据所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量得到交通状态的相似度；基于相似度对所述已观测时空区域的交通状态向量进行加权求和，得到所述待预测时空区域的交通状态第二向量。
[0084]
示例性地，上述待预测时空区域的交通状态第二向量可以表示为：
[0085][0086]
其中attn(
·
)为注意力函数，函数wr(
·
)采用与上述编码器相同的mlp来实现，q表示待预测时空区域的交通状态信息，通过wr(
·
)计算待预测时空区域的交通状态第一向量的高维向量来获取；k表示已观测时空区域的交通状态信息，通过wr(
·
)计算已观测时空区域的交通状态向量r
ii∈o
的高维向量来获取；v采用与k相同的取值，表示已观测时空区域的交通状态信息，根据q和k两个时空区域之间的交通状态相似度，对已观测时空区域的交通状态向量r
ii∈o
的高维向量v进行加权求和，得到待预测时空区域的交通状态第二向量
[0087]
图4是本发明实施例的冗余注意力层的结构示意图，图中r
ii∈o
表示已观测时空区域的交通状态参数化向量，r
jj∈t
表示待预测时空区域的交通状态第一向量，通过mlp实现的wr(
·
)函数，得到v、k和q，其中v与k相同，均表示预测时空区域的交通状态信息，q表示待预测时空区域的交通状态信息；v、k和q输入注意力函数，经过q和k的相似度，对v进行加权求和，得到待预测时空区域的交通状态第二向量r
j*j∈t
。
[0088]
步骤s104、将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量。
[0089]
根据本发明的一个实施例，将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，包括：采用残差连接的方式，将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合。
[0090]
具体地，根据上述可知编码器和冗余注意力层均采用注意力机制，可以采用相同的实现方式，区别在于编码器主要是通过时空区域的索引信息，挖掘时空区域的相似度，得到待预测时空区域的交通状态第一向量，而冗余注意力层主要是通过时空区域交通状态，挖掘时空区域交通状态的相似度，得到待预测时空区域的交通状态第二向量。通过残差连接的方式，将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到保留第一向量和第二向量的特点的待预测时空区域的交通状态向量。
[0091]
上述预测模型通过残差连接的方式，在预测交通状态的同时考虑了时空区域相似度和交通状态相似度，既保证了预测结果的合理性，又避免了交通预测模型深度的加深，进而保证了训练交通预测模型的稳定性。
[0092]
图5是本发明实施例的交通预测模型结构示意图，图中已观测时空区域索引信息xo、交通状态信息yo和待预测时空区域的索引信息x
t
输入到编码器，得到待预测时空区域的交通状态第一向量r
t
和已观测时空区域的交通状态向量ro；将r
t
和ro输入到冗余注意力层；得到冗余注意力层输出的待预测时空区域的交通状态第二向量r
t*
；将r
t
和r
t*
进行残差连接后输入解码器，得到所述待预测时空区域的均值和标准差分别为μ
t
和σ
t
的交通状态预测结果。
[0093]
根据本发明的再一个实施例，在将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型之前，还包括：通过贪心算法，从所述已观测时空区域的时空点中选取关键时空点，并将所述关键时空点的索引信息和交通状态信息作为所述已观测时空区域的索引信息和交通状态信息。
[0094]
具体的，设定上述的交通预测模型中m个待预测时空区域的索引信息，n个已观测时空区域的索引信息，则编码器需要计算n个已观测时空区域对全部m n个时空区域的状态注意力权重，并输出m n个待预测时空区域的交通状态第一向量r
t
，因此编码器的计算复杂度为o((m n)n)，类似地，冗余注意力层的计算复杂度也为o((m n)n)，解码器计算复杂度为o(m)，即在使用预测模型时，计算复杂度为o((m n)n)。与现有的高斯过程回归模型的计算复杂度o((m n)3)相比，本发明的计算复杂度降低了很多，可以用于实时的细粒度交通状态预测，特别是在网联汽车分布较为稀疏的场景下(此时已观测的时空区域数较少，n《《m)。
[0095]
虽然模型的计算复杂度较高斯过程回归模型有着明显地减少，但在可预见的将来，随着网联汽车数量的增加，模型仍然面临着对实时性要求的挑战。例如：当己观测的时空区域数量n变多时，模型的计算复杂度也会相应地增加。为了降低模型的计算复杂度，本发明的优化目标变为：从所有的n个观测数据中，选择前k(k《《n)个最关键的数据点用于交通状态预测，在牺牲较少的预测准确性的条件下，尽可能地地减少模型的计算量。对于在己知n个观测数据的条件下选择前k个关键数据的问题，一共存在着种可能的组合，通过遍历所有情况并分别计算预测方差的方式并不可行。
[0096]
针对上述问题，为了进一步提升本发明的计算效率，在将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型之前，通过贪心算法减少不必要的遍历过程，从所述已观测时空区域的时空点中选取k个关键时空点，并将所述k个关键时空点的索引信息和交通状态信息作为所述已观测时空区域的索引信息和交通状态信息。
[0097]
根据本发明的一个实施例，通过贪心算法，从所述已观测时空区域的时空点中选取关键时空点，包括：获取用于存放关键时空点的候选集；在所述候选集中的时空点数量未达到设定阈值的情况下，重复执行如下操作直至所述候选集中的时空点数量达到所述阈值：利用所述候选集计算每个所述时空区域的时空点的重要度，并将重要度最大的时空点作为关键时空点添加到所述候选集中，然后更新所述候选集；将所述候选集中的关键时空点作为选取的关键时空点。
[0098]
具体地，初始化存放上述关键时空点的候选集k；判断候选集k中的时空点数量是
否达到了设定的阈值；在没有达到设定的时空点数量阈值的情况下，通过重要性函数根据所述候选集来计算每个时空区域的时空点的重要度，并将重要度最大的时空点作为关键时空点添加到所述候选集中，然后更新所述候选集，直至候选集中的时空点数量达到设定的阈值。
[0099]
示例性地，重要性函数定义为：
[0100][0101]
其中表示以候选集k为输入，用交通预测模型预测上述已观测数据i得到的方差，描述了模型对预测结果的不确定程度，对于不确定程度大的时空区域，若获得其相应的交通状态，则能获得较大的信息增益；vari表示已观测数据i所对应时空区域的车辆速度方差，当候选数据集为空时，由于没有数据可以用于模型的预测，考虑到细粒度交通状态的不确定性常发生在交通流扰动的场景中，特别是在速度发生剧烈变化的场景中，因此获得该区域的交通状态能最大程度地降低预测结果的不确定性。
[0102]
通过上述重要性函数根据所述候选集来计算每个时空区域的时空点的重要度，并将重要度最大的时空点作为关键时空点添加到所述候选集中，以更新所述候选集，可以快速的选出前k个关键数据点，最后将所述候选集中的关键时空点作为选取的关键时空点，并将所述关键时空点的索引信息和交通状态信息作为所述已观测时空区域的索引信息和交通状态信息。
[0103]
图6是本发明实施例的选取候选集k的具体流程示意图，图中首先初始化候选集k，判断候选集中的时空点数量是否达到设定的阈值，如果满足，则直接输出候选集中的时空点作为选取的关键时空点；如果不满足，在每轮迭代中通过重要性函数根据所述候选集来计算每个时空区域的时空点的重要度，并将重要度最大的时空点加入候选集中，最终得到完整的用于交通模型预测的候选集k。
[0104]
相应地，候选集的具体选取过程为：基于已观测时空区域，设定候选集的关键时空点的数量阈值为k，初始化候选集k，在候选集k中的时空点数量小于阈值k时，求取重要性函数的最大值作为候选集中的关键时空点，添加到候选集k中，直至候选集k中的关键时空点的数量等于阈值，得到候选集k。
[0105]
通过上述分析可知，通过贪心算法，模型的最终的计算复杂度为o((m k)k)。相较于初始模型的计算复杂度，当k《《n时，优化后的计算复杂度会进一步地降低，满足了在实际应用中对模型实时性要求。
[0106]
步骤s105、通过所述解码器对所述待预测时空区域的交通状态向量进行解码，得到所述待预测时空区域的交通状态预测结果。
[0107]
通过上述细粒度交通状态的预测，可以对即将到达的交通拥堵进行提前响应，避免交通拥堵向上游进一步传播，提高了道路的通行能力。图7是本发明实施例的应用场景示意图，在车路协同自动驾驶、匝道控制以及信号灯控制中，智能交通系统能够通过精细化交通控制改善局部的交通状态，进而优化整个交通系统的运行效率。
[0108]
图8是根据本发明实施例的交通预测装置的主要模块示意图。如图8所示，交通预测装置800主要包括信息输入模块801、编码模块802、冗余注意力模块803、融合模块804和
解码模块805。
[0109]
信息输入模块801，用于响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，所述交通预测模型包括：编码器、冗余注意力层和解码器；
[0110]
编码模块802，用于通过所述编码器对所述已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；
[0111]
冗余注意力模块803，用于通过所述冗余注意力层，采用注意力机制对所述待已观测时空区域的交通状态向量和所述预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；
[0112]
融合模块804，用于将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；
[0113]
解码模块805，用于通过所述解码器对所述待预测时空区域的交通状态向量进行解码，得到所述待预测时空区域的交通状态预测结果。
[0114]
具体地，所述交通预测装置800还可以包括训练模块(图中未示出)，用于：将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型之前，对已观测时空区域的索引信息和交通状态信息进行归一化处理，得到已观测数据集；将所述已观测数据集拆分为观测集和预测集；将所述观测集作为模型输入，通过使所述预测集的损失函数达到最小来训练交通预测模型。
[0115]
具体地，所述损失函数包括预测准确性损失函数和预测真实性损失函数；其中，所述预测真实性损失函数通过引入交通流流量、交通流密度与速度之间的关联关系来构建。
[0116]
具体地，所述交通流流量、交通流密度和速度通过将车辆轨迹数据转换为状态数据得到，包括：将所述车辆轨迹数据的交通状态空间进行时空区域的划分；根据车辆进入和离开所述时空区域的坐标确定车辆的总行驶距离和行驶时间，所述坐标包括位置信息和时间信息；根据所述总行驶距离和行驶时间，得到所述交通流流量、交通流密度和速度。
[0117]
具体地，所述冗余注意力模块803用于：通过所述冗余注意力层，采用注意力机制，根据所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量得到两个时空区域的交通状态的相似度；基于所述相似度对所述已观测时空区域的交通状态向量进行加权求和，得到所述待预测时空区域的交通状态第二向量。
[0118]
具体地，所述融合模块804用于：采用残差连接的方式，将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合。
[0119]
具体地，所述交通预测装置800还可以包括优化模块(图中未示出)，用于：在将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型之前，通过贪心算法，从所述已观测时空区域的时空点中选取关键时空点，并将所述关键时空点的索引信息和交通状态信息作为所述已观测时空区域的索引信息和交通状态信息。
[0120]
具体地，所述优化模块(图中未示出)用于：获取用于存放关键时空点的候选集；在所述候选集中的时空点数量未达到设定阈值的情况下，重复执行如下操作直至所述候选集中的时空点数量达到所述阈值：利用所述候选集计算每个所述时空区域的时空点的重要度，并将重要度最大的时空点作为关键时空点添加到所述候选集中，然后更新所述候选集；
将所述候选集中的关键时空点作为选取的关键时空点。
[0121]
图9是本发明实施例可以应用于其中的示例性系统架构图。
[0122]
如图9所示，系统架构900可以包括终端设备901、902、903，网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0123]
用户可以使用终端设备901、902、903通过网络904与服务器905交互，以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用，例如交通预测应用等(仅为示例)。
[0124]
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0125]
服务器905可以是提供各种服务的服务器，例如对用户利用终端设备901、902、903所进行的交通预测提供支持的后台管理服务器(仅为示例)。后台管理服务器可以响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，所述交通预测模型包括：编码器、冗余注意力层和解码器；通过所述编码器对所述已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；通过所述冗余注意力层，采用注意力机制对所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；通过所述解码器对所述待预测时空区域的交通状态向量进行解码，得到所述待预测时空区域的交通状态预测结果等处理，并将处理结果(例如交通状态数据等
‑‑
仅为示例)反馈给终端设备。
[0126]
需要说明的是，本发明实施例所提供的交通预测的方法一般由服务器905执行，相应地，交通预测装置一般设置于服务器905中。
[0127]
应该理解，图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
[0128]
下面参考图10，是适于用来实现本发明实施例的终端设备或服务器的计算机系统1000的结构示意图。图10示出的终端设备或服务器仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0129]
如图10所示，计算机系统1000包括中央处理单元(cpu)1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储部分1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。在ram 1003中，还存储有系统1000操作所需的各种程序和数据。cpu 1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0130]
以下部件连接至i/o接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至i/o接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便
于从其上读出的计算机程序根据需要被安装入存储部分1008。
[0131]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(cpu)1001执行时，执行本发明的系统中限定的上述功能。
[0132]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是所述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者所述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或所述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者所述的任意合适的组合。
[0133]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0134]
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括：信息输入模块、编码模块、冗余注意力模块、融合模块和解码模块。
[0135]
其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，融合模块还可以被描述为“用于将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量的模块”。
[0136]
另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是所述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。所述计算机可
读介质承载有一个或者多个程序，当所述一个或者多个程序被一个该设备执行时，使得该设备包括：响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，所述交通预测模型包括：编码器、冗余注意力层和解码器；通过所述编码器对所述已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；通过所述冗余注意力层，采用注意力机制对所述已观测时空区域的交通状态向量和所述待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；将所述待预测时空区域的交通状态第一向量和所述待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；通过所述解码器对所述待预测时空区域的交通状态向量进行解码，得到所述待预测时空区域的交通状态预测结果。
[0137]
根据本发明实施例的技术方案，具有如下优点或有益效果：通过响应于交通预测请求，将已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息输入交通预测模型，交通预测模型包括：编码器、冗余注意力层和解码器；通过编码器对已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息进行编码得到已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量；通过冗余注意力层，采用注意力机制对已观测时空区域的交通状态向量和待预测时空区域的交通状态第一向量进行处理，得到待预测时空区域的交通状态第二向量；将待预测时空区域的交通状态第一向量和待预测时空区域的交通状态第二向量进行融合，得到待预测时空区域的交通状态向量；通过解码器对待预测时空区域的交通状态向量进行解码，得到待预测时空区域的交通状态预测结果的技术方案，实现了通过交通预测模型中的编码器、冗余注意力层和解码器对已观测时空区域的索引信息、交通状态信息和待预测时空区域的索引信息的处理，得到准确合理的待预测时空区域交通状态的预测结果，解决了稀疏分布的细粒度交通状态的预测问题，提升了交通状态预测结果的准确性，满足了智能交通系统的需要，提高了精细化交通控制的效率，促进了智能交通系统的发展和推广。
[0138]
所述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。