CN109360421B - 一种基于机器学习的交通信息预测方法及装置、电子终端 - Google Patents

Abstract

本发明实施例提供了一种机器学习的交通信息预测方法及装置、电子终端。涉及人工智能技术领域。本发明实施例通过从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息；根据多个网格的道路信息，确定出其他网格与目标网格之间的连通度，然后根据连通度确定目标网格的关联网格；然后，获取关联网格在预测时间段之前的第二历史交通信息，第二历史交通信息与第一历史交通信息对应同一历史时间段；进而，基于预先建立的预测模型对第一历史交通信息和第二历史交通信息进行学习处理，得到目标网格在预测时间段的预测交通信息。因此，本发明实施例提供的技术方案从多个维度实现对该网格的交通事故的预测。

Description

一种基于机器学习的交通信息预测方法及装置、电子终端

【技术领域】

本发明涉及数据处理技术领域，尤其涉及一种基于机器学习的交通信息预测方法及装置、电子终端。

【背景技术】

随着经济和科技的发展，人们出行的交通方式多种多样，城市交通环境也日益复杂。同时城市交通事故的发生量也呈现不断增长的趋势。城市交通事故频发，不仅会造成人财损伤，还会导致交通拥堵，甚至可能诱发二次事故的发生。

为了尽可能降低交通事故带来的负面影响，降低人员伤亡和财产损失，通过预测交通事故发生，来降低交通事故带来的负面影响是一种有效的技术手段。

【发明内容】

有鉴于此，本发明实施例提供了一种基于机器学习的交通信息预测方法，从时间维度和空间维度上对该网格进行分析，实现对该网格的交通信息的预测。

第一方面，本发明实施例提供了一种基于机器学习的交通信息预测方法，包括：

从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息；

从地图信息中获取所述目标网格的目标道路信息以及所述多个网格中除所述目标网格之外的其他网格的其他道路信息；

根据所述目标道路信息以及所述其他道路信息，确定每个其他网格与所述目标网格的连通度；

从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格；

获取所述关联网格在所述预测时间段之前的第二历史交通信息，其中，所述第二历史交通信息与所述第一历史交通信息对应同一历史时间段；

基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格之后，所述方法还包括：

根据每个关联网格与所述目标网格的连通度，为所述每个关联网格确定对所述目标网格的影响等级；

基于预先建立的预测模型对所述第一历史交通信息、每个关联网格对应的所述第二历史交通信息以及所述每个关联网格对应的所述影响等级，进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，在所述基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息之前，所述方法还包括：

获取预测网格在训练指定时段包括的每个单位时长内对应的第一历史交通信息，以及，所述预测网格的关联网格在训练指定时段包括的每个单位时长内对应的第二历史交通信息；

将所述第一历史交通信息和所述第二历史交通信息作为训练样本的输入值；

从所述训练指定时段中选择指定数量的单位时长内对应的第一历史交通信息，以每个单位时长内对应的第一历史交通信息作为所述训练样本的基准值；

将所述训练样本的输入值输入训练模型，通过机器学习算法对训练模型进行训练；

当所述训练模型的输出值与所述训练样本的基准值之间的误差小于预设阈值时，获得所述预测模型。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第一历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述第二历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

第二方面，本发明实施例提供了一种基于机器学习的交通信息预测装置，所述基于机器学习的交通信息预测装置：

第一获取单元，用于从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息；

第二获取单元，用于从地图信息中，获取所述目标网格的目标道路信息以及所述多个网格中除所述目标网格之外的其他网格的其他道路信息；

确定单元，用于根据所述目标道路信息以及所述其他道路信息，确定每个其他网格与所述目标网格的连通度；

关联网格选择单元，用于从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格；

第三获取单元，用于获取所述关联网格在所述预测时间段之前的第二历史交通信息，其中，所述第二历史交通信息与所述第一历史交通信息对应同一历史时间段；

预测单元，用于基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述关联网格选择单元，用于从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格之后，

所述确定单元，还用于根据每个关联网格与所述目标网格的连通度，为所述每个关联网格确定对所述目标网格的影响等级；

所述预测单元，还用于基于预先建立的预测模型对所述第一历史交通信息、每个关联网格对应的所述第二历史交通信息以及所述每个关联网格对应的所述影响等级，进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息。

如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述基于机器学习的交通信息预测装置还包括预测模型建立单元，在所述预测单元，用于基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息之前，所述预测模型建立单元，用于：

获取预测网格在训练指定时段包括的每个单位时长内对应的第一历史交通信息，以及，所述预测网格的关联网格在训练指定时段包括的每个单位时长内对应的第二历史交通信息；以及，

将所述第一历史交通信息和所述第二历史交通信息作为训练样本的输入值；以及，

从所述训练指定时段中选择指定数量的单位时长内对应的第一历史交通信息，以每个单位时长内对应的第一历史交通信息作为所述训练样本的基准值；以及，

将所述训练样本的输入值输入训练模型，通过机器学习算法对训练模型进行训练；以及，

当所述训练模型的输出值与所述训练样本的基准值之间的误差小于预设阈值时，获得所述预测模型。

第三方面，本发明是实施例还提供了一种电子终端，所述电子终端包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，所述处理器实现如第一方面中任一项所述的基于机器学习的交通信息预测方法。

第四方面，本发明实施例还提供了一种非易失性计算机可读存储介质，其上存储有计算机可读指令，当计算机读取并执行所述计算机可读指令时，使得计算机实现第一方面中任一项所述的基于机器学习的交通信息预测方法。

上述技术方案具有如下有益效果：

本发明提供的技术方案，基于城市的网格化，通过获取某一网格在特定时间段的历史交通信息，以及，考虑到在空间维度上，网格之间的互相影响，还获取了该网格的关联网格的历史交通信息，从而根据该网格的历史交通信息以及关联网格的历史交通信息，从多个维度上对该网格进行分析，实现对该网格的交通信息的预测。

【附图说明】

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例所提供的一种机器学习的交通信息预测方法的流程示意图；

图2是本发明实施例所提供的另一种机器学习的交通信息预测方法的流程示意图；

图3是本发明实施例所提供的一种机器学习的交通信息预测装置的功能框图；

图4是本发明实施例所提供的一种电子终端的功能框图。

【具体实施方式】

为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述历史交通信息，但这些历史交通信息不应限于这些术语。这些术语仅用来将历史交通信息彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一历史交通信息也可以被称为第二历史交通信息，类似地，第二历史交通信息也可以被称为第一历史交通信息。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

为了能够降低交通事故带来的负面影响，本发明提出一种基于机器学习的交通信息预测方法，具体的，请参考图1，其为本发明实施例所提供的基于机器学习的交通信息预测方法的流程示意图，如图1所示，该方法包括以下步骤：

102、从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息。

具体的，为了便于对城市区域进行及时有效的管理，在执行步骤102之前，需要先将城市区域划分成预设大小的网格，从而以每个网格为单位实现对城市区域的管理。其中，划分的网格大小，可以根据实际需求来确定，对本发明对于划分网格的预设大小不做限定。

本发明实施例中，上述第一历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

104、从地图信息中，获取目标网格的目标道路信息以及多个网格中除目标网格之外的其他网格的其他道路信息。

106、根据目标道路信息以及其他道路信息，确定每个其他网格与目标网格的连通度。

本发明技术方案主要实现对城市中的网格交通信息的预测，针对于关于任意两个城市网格彼此之间关联情况，主要考虑网格之间道路的连通性，具体举例说明，如果三个网格A和网格B，网格C，网格A包含10条道路，网格B包含8条道路，网格C包含9条道路，其中，这网格A和网格B中直接连通的道路包含5条，这网格A和网格C中直接连通的道路包含2条，由此可知，网格A与网格B之间的道路关联度高于网格A与网格C之间的道路关联度，如果网格A内出现道路拥堵或者其他交通故障时，对网格B内交通情况带来影响必然高于对网格C内交通情况带来影响。

基于上述分析，为了能够更加准确的预测目标网格的交通情况，对目标网格的交通情况会产生影响的关联网格的选择至关重要，在确定关联网格时，通过网格之间的道路关系来确定关联网格。针对于根据目标网格的地图信息，确定与目标网格连通的关联网格，包括：

交通的道路分为多个等级(如，国道，省道，市区道路，胡同)，不同等级的道路对城市交通的影响程度不同。如，国道是全国性政治、经济的主要干线公路，是连接各大经济中心、港站枢纽、商品生产基地和战略要地的公路，并且国道通常包括多个与其他道路连接的岔路口，国道上行驶的车辆比较多，如果连接两个网格的国道出现交通事故或交通拥堵，将会给城市交通带来大面积的交通影响；胡同是指城市内的小巷，胡同道路比较窄小，来往车辆比较少，如果某个网格中的胡同出现交通拥堵问题，通常会影响这条胡同的交通情况，不会造成大范围的交通拥堵问题。考虑到这种情况，为了能够相对准确地确定出网格之间的连通性，在实现步骤106确定每个其他网格与目标网格的连通度时，可以先确定两个网格之间包含有多少条连通的国道，多少条连通的省道，多少条连通的市区道路；然后，根据每个道路等级对应的权重以及包含的不同等级道路数，确定两个网格之间的连通度。

下面举例说明确定两个网格之间的连通度的过程：首先，假设国道，省道，市区道路，胡同这四中等级道路对应的权要分别为0.5，0.3，0.15，0.05现有d、e、f三个网格，e为目标网格，其中，d、e两个网格之间包括的相同名称的道路中有2条为国道，3条件为省道，5条为市区道路，1条为胡同；e、f两个网格之间包括的相同名称的道路中，有4条为国道，1条件为省道，3条为市区道路，1条为胡同。其中，d、e两个网格之间的连通度T_de＝2*0.5+3*0.3+5*0.15+1*0.05＝2.7；e、f两个网格之间的连通度T_ef＝4*0.5+1*0.3+3*0.15+1*0.05＝2.8。

另外，由于两个网格虽然包括多条彼此关联道路，但是两个网格之间间隔距离相对较远，即使其中一个网格出现道路拥堵或其他交通情况，也不会对另一个网格带来较大的交通影响，因此，在考虑目标网格的周围网格的交通情况对该目标网格的交通情况影响时，可以不考虑这类与该目标网格存在多条彼此关联道路，但是距离该目标网格相对较远的次要网格。因此，为了提高确定出与目标网格的关联网格的速度，在确定目标网格之后，还可以基于指定规则设置一个用于确定与目标网格的关联网格的范围，从而进一步过滤到上述这些次要网格，减少获取其他道路信息的时间，并且也在一定程度上减少了步骤106中处理的其他道路信息，进而实现快速地确定出每个其他网格与目标网格的连通度的目的。

沿用上述举例，现有网格d、e、f、h四个网格，其中e为目标网格，d、为e的邻域网格且与e直接连通；f为非领域网格，从e网格到达f网格需要经过一个网格x；h也为e的领域网格，但是h与e不直接连通，从e网格到达h网格需要经过至少4个网格y，由于e与h之间需要经过多个网格进行连通，因此可以不考虑h网格交通情况对e网格交通的影响。

108、从其他网格中筛选出连通度满足预设条件的指定网格，作为目标网格的关联网格。

110、获取关联网格在预测时间段之前的第二历史交通信息，其中，第二历史交通信息与第一历史交通信息对应同一历史时间段。

本发明中，上述第二历史交通信息也至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

112、基于预先建立的预测模型对第一历史交通信息和第二历史交通信息进行学习处理，得到目标网格在预测时间段的预测交通信息。

本发明提供的技术方案，基于城市的网格化，通过获取某一网格在特定时间段的历史交通信息，以及，考虑到在空间维度上，网格之间的互相影响，还获取了该网格的关联网格的历史交通信息，从而根据该网格的历史交通信息以及关联网格的历史交通信息，从多个维度上对该网格进行分析，实现对该网格的交通信息的预测。

进一步的，由于目标网格周围的每个其他网格与该目标网格的连通度不同，因此目标网格周围的每个其他网格对目标网格的影响程度也就有所差异，为了能够更加准确的预测出目标网格在未来的某一指定时间对应的交通信息，在基于目标网格与其周期其他网格的连通度，筛选出满足预设条件的关联网格之后，可以根据每个关联网格与目标网格的连通度，为每个关联网格确定对目标网格的影响等级，从而，在利用预测模型预测该目标网格的交通信息时，将第一历史交通信息、每个关联网格对应的第二历史交通信息以及对应的影响等级输入到该预测模型中进行学习处理，以得到目标网格的预测交通信息。

在一个具体实施例中，利用连通度确定目标网格影响等级的实现过程为：首先，预先将影响等级分成严重影响、重度影响、中度影响、轻度影响四个等级，并且基于网格之间的连通度为这四个影响等级分配等级划分范围，如，连通度在7～10范围内对应的影响等级为严重影响；连通度在5～7范围内对应的影响等级为重度影响；连通度在2.5～5范围内对应的影响等级为中度影响；连通度在0～2.5范围内对应的影响等级为轻度影响。

这里指定说明的是，用于目标网格和关联网格是彼此连通的，因此，关联网格对应的交通状况会给目标网格的交通状况带来的影响，也就是说，每个关联网格的与该目标网格的连通度，在一定程度上决定了每个关联网格对应的第二历史交通信息对目标网格的预测交通信息的影响程度，因此，在利用预测模型预测目标网格的预测交通信息时，将关联网格与目标网格的连通度考虑进来，可以凸显每个关联网格中的第二历史交通信息对目标网格的预测交通信息不同程度的影响，从而使得采用机器学习算法，对第一历史交通信息、第二历史交通信息以及影响等级进行处理后，得到的预测交通信息更准确。

进一步的，上述步骤112的实现主要是将得到的目标网格的第一历史交通信息和与该目标网格关联的关联网格的第二历史交通信息输入到该预测模型中，通过该预测模型对这两种历史交通信息进行处理，从而预测出目标网格的交通信息。其中，步骤112得以实现的一个关键是用于预测交通信息的预测模型。因此，在实现步骤112基于预测模型对第一历史交通信息和第二历史交通信息进行学习处理，得到目标网格的预测交通信息之前，需要先建立该用于预测目标网格的预测交通信息的预测模型，基于此，本发明提供了另一种实现方式，如图2所示，该预测模型的建立为：

202、获取预测网格在训练指定时段包括的每个单位时长内对应的第一历史交通信息，以及，预测网格的关联网格在训练指定时段包括的每个单位时长内对应的第二历史交通信息。

204、将第一历史交通信息和第二历史交通信息作为训练样本的输入值。

206、从训练指定时段中选择指定数量的单位时长内对应的第一历史交通信息，以每个单位时长内对应的第一历史交通信息作为训练样本的基准值。

208、将训练样本的输入值输入训练模型，通过机器学习算法对训练模型进行训练。

210、当训练模型的输出值与训练样本的基准值之间的误差小于预设阈值时，获得预测模型。

另外，这里补充说明的是，为了缩短建立该预测模型的训练过程，在对初始机器学习模型进行训练之前，还可以获取该目标网格与该目标网格对应的关联网格之间的连通度，基于每个关联网格的连通度对每个关联网格的交通信息分配权重，基于分配的权重对关联网格中的交通信息进行加权平均，得到处理后的第二历史交通信息，从而将第一指定时间段内的第一历史交通信息以及处理后的第二历史交通信息作为输入样本。

举例说明，假设上述目标网格为该城市区域中一个非边界网格，该目标网格周围至少存在8个与其相邻的周围网格，假设这8个周围网格为与该目标网格的对应的关联网格。其中，该关联网格的确定方式与上述步骤104的实现方式相似，本发明在此不再赘述。另外，假设上述训练指定时段为10天的时间，单位时长为小时，以预测网格以及与其关联的网格在上述10天所包括的每个小时的第一历史交通信息和第二历史交通信息作为训练样本的输入值。其次，在这10天中选择第5天-第10天每天中每小时对应的第一历史交通信息作为训练样本的基准值。

在具体训练时，利用预测网格在第1-4天中每小时的第一历史交通信息和预测网格的关联网格在第1-4天中每小时的第一历史交通信息作为输入值经过训练得到该预测网格在第5天中每小时对应的预测交通信息，然后，在将得到的第5天中每小时对应的预测交通信息与第5天中每小时对应的实际交通信息进行比较，预测交通信息与实际交通信息之间的误差大于一定值时，利用预测网格在第2-5天中每小时的第一历史交通信息和预测网格的关联网格在第2-5天中每小时的第一历史交通信息作为输入值经过训练得到该预测网格在第6天中每小时对应的预测交通信息，……，以此类推，直到比较得到的预测交通信息与实际交通信息之间的误差小于一定值时，说明上述训练模型的准确度符合要求，可以结束训练过程，以最终获得的训练模型作为用于预测交通信息的预测模型。

另外，补充说明的是，因为一些偶然因素，使得训练得到的预测交通信息与其对应的实际交通信息之间的误差小于一定值时，触发训练结束，得到预测模型，但是得到的该预测习模型可能不稳定，因此，在每次训练之后，如果比较预测交通信息与实际交通信息之间的误差小于一定值，还需要确定训练样本的基准值是否都参与了训练，若时，则确定得到的模型为最终的预测模型，若否，则继续进行训练。这样以来，能够在一定程度上保证得到的预测模型的稳定性，并且也在一定程度上保证了该预测模型得到的预测交通信息的准确性。基于上述所提供的基于机器学习的交通信息预测方法，本发明实施例进一步给出实现上述方法实施例中各步骤及方法的装置实施例。

请参考图3，其为本发明实施例所提供的装置的功能方块图。如图3所示，该装置包括：第一获取单元31，第二获取单元32，确定单元33，关联网格选择单元34，第三获取单元35，预测单元36。

其中，第一获取单元31，用于从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息。

具体的，第一历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

第二获取单元32，用于从地图信息中，获取目标网格的目标道路信息以及多个网格中除目标网格之外的其他网格的其他道路信息。

确定单元32，用于根据目标道路信息以及其他道路信息，确定每个其他网格与目标网格的连通度；

关联网格选择单元34，用于从其他网格中筛选出连通度满足预设条件的指定网格，作为目标网格的关联网格；

第三获取单元35，用于获取关联网格在预测时间段之前的第二历史交通信息，其中，第二历史交通信息与第一历史交通信息对应同一历史时间段。

其中，第二历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

预测单元36，用于基于预先建立的预测模型对第一历史交通信息和第二历史交通信息进行学习处理，得到目标网格在预测时间段的预测交通信息。

本发明中，可选的是，为了能够快速精确的确定目标网格周围气体网格的交通情况对该目标网格的影响，在确定单元33根据目标网格的地图信息，确定与目标网格连通的关联网格之后，该确定单元33还用于根据每个关联网格与目标网格的连通度，为每个关联网格确定对目标网格的影响等级；从而，预测单元36用于基于预先建立的预测模型对第一历史交通信息、每个关联网格对应的第二历史交通信息以及每个关联网格对应的影响等级，进行学习处理，得到目标网格在预测时间段的预测交通信息。

本发明中，可选的是，本发明提供的基于机器学习的交通信息预测装置还包括预测模型建立单元(图3中未示出)，该预测模型建立单元主要用于建立用于预测交通信息的机器模型。在预测单元36用于基于预测模型对第一历史交通信息和第二历史交通信息进行学习处理，得到目标网格的预测交通信息之前，预测模型建立单元具体用于获取预测网格在训练指定时段包括的每个单位时长内对应的第一历史交通信息，以及，预测网格的关联网格在训练指定时段包括的每个单位时长内对应的第二历史交通信息；从而，将第一历史交通信息和第二历史交通信息作为训练样本的输入值；以及，从训练指定时段中选择指定数量的单位时长内对应的第一历史交通信息，以每个单位时长内对应的第一历史交通信息作为训练样本的基准值；进而，将训练样本的输入值输入训练模型，通过机器学习算法对训练模型进行训练；以及，当训练模型的输出值与训练样本的基准值之间的误差小于预设阈值时，获得预测模型。

由于本实施例中的各单元能够执行上述所示的方法，本实施例未详细描述的部分，可参考对上述所示的方法的相关说明。

本发明实施例进一步给出实现上述方法实施例中各步骤及方法的电子终端实施例。请参考图4，其为本发明实施例所提供的电子终端的功能方块图。如图4所示，该电子终端，包括存储器41、处理器42以及存储在存储器41中并可在处理器42上运行的计算机程序，处理器42执行计算机程序时，处理器42实现上述任一项的基于机器学习的交通信息预测方法。

本发明实施例一种非易失性计算机可读存储介质，其上存储有计算机可读指令，当计算机读取并执行计算机可读指令时，使得计算机实现上述任一项的基于机器学习的交通信息预测方法。

本发明提供的技术方案，基于城市的网格化，通过获取某一网格在特定时间段的历史交通信息，以及，考虑到在空间维度上，网格之间的互相影响，还获取了该网格的关联网格的历史交通信息，从而根据该网格的历史交通信息以及关联网格的历史交通信息，从多个维度上对该网格进行分析，实现对该网格的交通信息的预测。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机装置(可以是个人计算机，服务器，或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (10)

1.一种基于机器学习的交通信息预测方法，其特征在于，所述基于机器学习的交通信息预测方法包括：

从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息；

从地图信息中获取所述目标网格的目标道路信息以及所述多个网格中除所述目标网格之外的其他网格的其他道路信息；

根据所述目标道路信息以及所述其他道路信息，确定每个其他网格与所述目标网格的连通度；

从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格；

获取所述关联网格在所述预测时间段之前的第二历史交通信息，其中，所述第二历史交通信息与所述第一历史交通信息对应同一历史时间段；

基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息；

其中，根据所述目标道路信息以及所述其他道路信息，确定每个其他网格与所述目标网格的连通度，包括：

根据预设距离阈值对所述其他网格进行筛选，得到与所述目标网格的距离小于或等于所述预设距离阈值的其他网格；

根据所述目标道路信息和筛选后的所述其他网格对应的其它道路信息，确定筛选后的其他网格与所述目标网格的连通度。

2.根据权利要求1所述的方法，其特征在于，在所述从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格之后，所述方法还包括：

根据每个关联网格与所述目标网格的连通度，为所述每个关联网格确定对所述目标网格的影响等级；

基于预先建立的预测模型对所述第一历史交通信息、每个关联网格对应的所述第二历史交通信息以及所述每个关联网格对应的所述影响等级，进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息。

3.根据权利要求1所述的方法，其特征在于，在所述基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息之前，所述方法还包括：

获取预测网格在训练指定时段包括的每个单位时长内对应的第一历史交通信息，以及，所述预测网格的关联网格在训练指定时段包括的每个单位时长内对应的第二历史交通信息；

将所述第一历史交通信息和所述第二历史交通信息作为训练样本的输入值；

从所述训练指定时段中选择指定数量的单位时长内对应的第一历史交通信息，以每个单位时长内对应的第一历史交通信息作为所述训练样本的基准值；

将所述训练样本的输入值输入训练模型，通过机器学习算法对训练模型进行训练；

当所述训练模型的输出值与所述训练样本的基准值之间的误差小于预设阈值时，获得所述预测模型。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述第一历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述第二历史交通信息至少包括：交通事故的案件数据量、案件类型、案件的处理时间、案件严重程度、道路情况、天气情况中的一种或多种。

6.一种基于机器学习的交通信息预测装置，其特征在于，所述基于机器学习的交通信息预测装置包括：

第一获取单元，用于从城市的多个网格中选择任一网格作为目标网格，并获取目标网格在预测时间段之前的第一历史交通信息；

第二获取单元，用于从地图信息中，获取所述目标网格的目标道路信息以及所述多个网格中除所述目标网格之外的其他网格的其他道路信息；

确定单元，用于根据所述目标道路信息以及所述其他道路信息，确定每个其他网格与所述目标网格的连通度；

关联网格选择单元，用于从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格；

第三获取单元，用于获取所述关联网格在所述预测时间段之前的第二历史交通信息，其中，所述第二历史交通信息与所述第一历史交通信息对应同一历史时间段；

预测单元，用于基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息；

其中，所述确定单元具体用于：

根据预设距离阈值对所述其他网格进行筛选，得到与所述目标网格的距离小于或等于所述预设距离阈值的其他网格；

根据所述目标道路信息和筛选后的所述其他网格对应的其它道路信息，确定筛选后的其他网格与所述目标网格的连通度。

7.根据权利要求6所述的装置，其特征在于，在所述关联网格选择单元，用于从所述其他网格中筛选出所述连通度满足预设条件的指定网格，作为所述目标网格的关联网格之后，

所述确定单元，还用于根据每个关联网格与所述目标网格的连通度，为所述每个关联网格确定对所述目标网格的影响等级；

所述预测单元，还用于基于预先建立的预测模型对所述第一历史交通信息、每个关联网格对应的所述第二历史交通信息以及所述每个关联网格对应的所述影响等级，进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息。

8.根据权利要求6所述的装置，其特征在于，所述基于机器学习的交通信息预测装置还包括预测模型建立单元，在所述预测单元，用于基于预先建立的预测模型对所述第一历史交通信息和所述第二历史交通信息进行学习处理，得到所述目标网格在所述预测时间段的预测交通信息之前，所述预测模型建立单元，用于：

获取预测网格在训练指定时段包括的每个单位时长内对应的第一历史交通信息，以及，所述预测网格的关联网格在训练指定时段包括的每个单位时长内对应的第二历史交通信息；以及，

将所述第一历史交通信息和所述第二历史交通信息作为训练样本的输入值；以及，

从所述训练指定时段中选择指定数量的单位时长内对应的第一历史交通信息，以每个单位时长内对应的第一历史交通信息作为所述训练样本的基准值；以及，

将所述训练样本的输入值输入训练模型，通过机器学习算法对训练模型进行训练；以及，

当所述训练模型的输出值与所述训练样本的基准值之间的误差小于预设阈值时，获得所述预测模型。

9.一种电子终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，所述处理器实现如权利要求1-5任一项所述的基于机器学习的交通信息预测方法。

10.一种非易失性计算机可读存储介质，其上存储有计算机可读指令，其特征在于，当计算机读取并执行所述计算机可读指令时，使得计算机实现如权利要求1-5任一项所述的基于机器学习的交通信息故预测方法。

Images