交通大模型训练方法和装置与流程

本公开涉及人工智能，具体为深度学习，可应用于智能交通领域。

背景技术：

1、在现代化的城市生活中，有效的路线规划和准确的通行时间预估是每天出行的关键。随着交通网络日益复杂，传统导航系统在准确性和效率上面临挑战。

2、当前通行时间预估和导航路线排序领域主要利用先进的算法和大数据技术来实现更准确、高效的交通管理和导航服务。大数据时代下，对海量历史交通数据进行处理和分析，找出交通流量潜在的规律，能够帮助给出更准确、合理、高效的出行方案，以达到缓解道路交通压力，协调公共资源，为人们提供出行便利的目的。

技术实现思路

1、本公开实施例提出了一种交通大模型训练方法、装置、设备、存储介质以及程序产品。

2、第一方面，本公开实施例提出了一种交通大模型训练方法，包括：获取训练样本，其中，训练样本包括第一历史交通数据和第一未来通行时间真实值；对第一历史交通数据进行特征提取，得到第一历史交通特征；将第一历史交通特征输入至转换器模型，得到第一未来通行时间预测值；基于第一未来通行时间预测值和第一未来通行时间真实值，计算第一损失；基于第一损失调整转换器模型的参数，得到交通大模型。

3、第二方面，本公开实施例提出了一种通行时间预测方法，包括：获取目标历史交通数据；对目标历史交通数据进行特征提取，得到目标历史交通特征；将目标历史交通特征输入至交通大模型，得到目标未来通行时间预测值，其中，交通大模型是以第一历史交通特征为输入，以第一未来通行时间真实值为目标输出，对转换器模型进行训练得到的。

4、第三方面，本公开实施例提出了一种交通大模型训练装置，包括：第一获取模块，被配置成获取训练样本，其中，训练样本包括第一历史交通数据和第一未来通行时间真实值；第一提取模块，被配置成对第一历史交通数据进行特征提取，得到第一历史交通特征；第一预测模块，被配置成将第一历史交通特征输入至转换器模型，得到第一未来通行时间预测值；第一计算模块，被配置成基于第一未来通行时间预测值和第一未来通行时间真实值，计算第一损失；第一调整模块，被配置成基于第一损失调整转换器模型的参数，得到交通大模型。

5、第四方面，本公开实施例提出了一种通行时间预测装置，包括：第一获取模块，被配置成获取目标历史交通数据；提取模块，被配置成对目标历史交通数据进行特征提取，得到目标历史交通特征；预测模块，被配置成将目标历史交通特征输入至交通大模型，得到目标未来通行时间预测值，其中，交通大模型是以第一历史交通特征为输入，以第一未来通行时间真实值为目标输出，对转换器模型进行训练得到的。

6、第五方面，本公开实施例提出了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面描述的方法。

7、第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面或第二方面描述的方法。

8、第七方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面描述的方法。

9、本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种交通大模型训练方法，包括：

2.根据权利要求1所述的方法，其中，所述第一历史交通数据包括历史交通流量时间序列数据；以及

3.根据权利要求2所述的方法，其中，所述对所述历史交通流量时间序列数据进行特征提取，得到历史时间特征，包括以下至少一项：

4.根据权利要求1-3中任一项所述的方法，其中，所述第一历史交通数据包括历史道路类型时间序列数据；以及

5.根据权利要求4所述的方法，其中，所述对所述历史道路类型时间序列数据进行特征提取，得到历史空间特征，包括以下至少一项：

6.根据权利要求1所述的方法，其中，所述转换器模型包括编码器和解码器，所述编码器包括输入嵌入层、可学习位置编码层和转换器块，所述可学习位置编码层采用可训练位置编码的方式，将位置的编码表示为可训练的向量，所述向量是在模型训练过程中通过反向传播进行优化，所找到的最优的编码表示，所述解码器包括转换器块和预测层。

7.根据权利要求6所述的方法，其中，所述转换器块包括多头注意力层、求和与标准化层和前馈层。

8.根据权利要求1所述的方法，其中，所述第一历史交通数据包括第一历史时间段内的多个时间片的交通数据和第二历史时间段内的多个时间片的交通数据，所述第一未来通行时间真实值是未来时间段内的多个时间片的通行时间。

9.根据权利要求1所述的方法，其中，所述第一未来通行时间真实值包括第一路段未来通行时间真实值和第一路段序列未来通行时间真实值，所述第一未来通行时间预测值包括第一路段未来通行时间预测值和第一未来路段序列通行时间预测值；以及

10.根据权利要求1所述的方法，其中，所述方法还包括：

11.根据权利要求10所述的方法，其中，所述方法还包括：

12.一种通行时间预测方法，包括：

13.根据权利要求12所述的方法，其中，所述方法还包括：

14.根据权利要求12或13所述的方法，其中，所述方法还包括：

15.一种交通大模型训练装置，包括：

16.根据权利要求15所述的装置，其中，所述第一历史交通数据包括历史交通流量时间序列数据；以及

17.根据权利要求16所述的装置，其中，所述第一提取模块进一步被配置成以下至少一项：

18.根据权利要求15-17中任一项所述的装置，其中，所述第一历史交通数据包括历史道路类型时间序列数据；以及

19.根据权利要求18所述的装置，其中，所述第一提取模块进一步被配置成以下至少一项：

20.根据权利要求15所述的装置，其中，所述转换器模型包括编码器和解码器，所述编码器包括输入嵌入层、可学习位置编码层和转换器块，所述可学习位置编码层采用可训练位置编码的方式，将位置的编码表示为可训练的向量，所述向量是在模型训练过程中通过反向传播进行优化，所找到的最优的编码表示，所述解码器包括转换器块和预测层。

21.根据权利要求20所述的装置，其中，所述转换器块包括多头注意力层、求和与标准化层和前馈层。

22.根据权利要求15所述的装置，其中，所述第一历史交通数据包括第一历史时间段内的多个时间片的交通数据和第二历史时间段内的多个时间片的交通数据，所述第一未来通行时间真实值是未来时间段内的多个时间片的通行时间。

23.根据权利要求15所述的装置，其中，所述第一未来通行时间真实值包括第一路段未来通行时间真实值和第一路段序列未来通行时间真实值，所述第一未来通行时间预测值包括第一路段未来通行时间预测值和第一未来路段序列通行时间预测值；以及

24.根据权利要求15所述的装置，其中，所述装置还包括：

25.根据权利要求24所述的装置，其中，所述装置还包括：

26.一种通行时间预测装置，包括：

27.根据权利要求26所述的装置，其中，所述装置还包括：

28.根据权利要求26或27所述的装置，其中，所述装置还包括：

29.一种电子设备，包括：

30.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-11或12-14中任一项所述的方法。

31.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-11或12-14中任一项所述的方法。

技术总结本公开提供了一种交通大模型训练方法和装置，涉及人工智能技术领域，具体为深度学习技术领域，可应用于智能交通领域。该方法的一具体实施方式包括：获取训练样本，其中，训练样本包括第一历史交通数据和第一未来通行时间真实值；对第一历史交通数据进行特征提取，得到第一历史交通特征；将第一历史交通特征输入至转换器模型，得到第一未来通行时间预测值；基于第一未来通行时间预测值和第一未来通行时间真实值，计算第一损失；基于第一损失调整转换器模型的参数，得到交通大模型。该实施方式交通大模型可以用于预测未来通行时间，提高了通行时间的预测准确度。技术研发人员：刘莹,刘果,武治,肖飞受保护的技术使用者：百度在线网络技术（北京）有限公司技术研发日：技术公布日：2024/9/26