[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113643532B - 一种区域交通的预测方法以及设备 - Google Patents

一种区域交通的预测方法以及设备 Download PDF

Info

Publication number
CN113643532B
CN113643532B CN202110829300.0A CN202110829300A CN113643532B CN 113643532 B CN113643532 B CN 113643532B CN 202110829300 A CN202110829300 A CN 202110829300A CN 113643532 B CN113643532 B CN 113643532B
Authority
CN
China
Prior art keywords
information
road
parking lot
target
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110829300.0A
Other languages
English (en)
Other versions
CN113643532A (zh
Inventor
于家傲
彭磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN202110829300.0A priority Critical patent/CN113643532B/zh
Publication of CN113643532A publication Critical patent/CN113643532A/zh
Application granted granted Critical
Publication of CN113643532B publication Critical patent/CN113643532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请实施例公开一种区域交通的预测方法以及设备，其中方法包括如下步骤：根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征；通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。采用本申请，可以提高对道路交通状况进行预测的准确率。

Description

一种区域交通的预测方法以及设备
技术领域
本申请涉及互联网技术领域，尤其涉及一种区域交通的预测方法以及设备。
背景技术
随着我国经济的飞速发展和现代化进程的加快，汽车持有量和出行次数持续增加。汽车保有量的持续增长，导致了道路交通拥堵，也带来了停车困难的问题。近年来在智能交通领域展开的深入研究和实践已经证实了其在缓解交通拥堵、提高道路通行能力和服务水平方面的优越性。交通预测是智能交通的重要组成部分，它可以帮助管理者提前了解交通变化，从而制定相应的管控策略。道路交通和停车饱和度都对整体交通有影响，它们共同决定了一个区域的交通状况。
当前交通状况预测是根据道路交通流或者停车状况进行预测。交通流和停车状况的预测方法基本上是相通的，早期预测采用的是基于统计学的模型，但是这种方法抗干扰能力低，预测结果不精准。近年来由于深度学习模型有强大的特征提取能力和样本空间拟合能力，开始基于深度学习模型开展交通流和停车位占用预测方法研究，预测效果相比早期统计学的模型有所提升。但是在一些热门的兴趣点附近，比如医院、景点、大型商场等，交通情况比较复杂，一方面，巨大的交通流量给停车场带来了压力。另一方面，有限的停车位导致找不到空车位的车辆在道路上低速巡游。道路交通流和停车状况会互相影响，通过道路交通流或者停车状况预测交通状况依然会存在一定的偏差。
发明内容
本申请实施例提供一种区域交通的预测方法以及设备，可以提高对道路交通状况进行预测的准确率。
本申请实施例一方面提供了一种区域交通的预测方法，可包括：
根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；所述第一特征信息用于表征目标区域中道路的历史平均车速信息，第二特征信息用于表征目标区域中停车场的历史车位占用信息；
通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征；
通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，所述根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，包括：
统计目标区域的道路信息，根据道路的自然连接规则，确定所述道路信息中每条道路之间的第一连接关系，根据所述第一连接关系构建目标区域的路网拓扑图；所述第一连接关系用于表示各道路在拓扑图中是否相连；
统计目标区域的停车场信息，根据停车场之间的最短路径，确定所述停车场信息中每个停车场之间的第二连接关系，根据所述第二连接关系构建目标区域的停车场拓扑图；所述第二连接关系用于表示各停车场在拓扑图中是否相连。
在一种可行的实施方式中，所述根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，包括：
获取目标区域中的每条道路在目标时刻的历史平均车速信息，根据所述历史平均车速信息生成道路对应的平均车速向量，将所述平均车速向量作为路网拓扑图在目标时刻的第一特征信息；
获取目标区域中的每个停车场的在目标时刻的历史车位占用信息，根据所述历史车位占用信息生成停车场对应的车位占用向量，将所述车位占用向量作为停车场拓扑图在目标时刻的第二特征信息。
在一种可行的实施方式中，所述通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，包括：
将所述路网拓扑图的邻接矩阵和目标时刻的第一特征信息输入多通道空间网络的第一通道，通过所述第一通道中的图卷积神经网络获取在目标时刻的第一空间特征；
将所述停车场拓扑图的邻接矩阵和目标时刻的第二特征信息输入多通道空间网络的第二通道，通过所述第二通道中的图卷积神经网络获取在目标时刻的第二空间特征；
将所述第一空间特征和第二空间特征进行融合生成在目标时刻的空间融合特征。
在一种可行的实施方式中，所述通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息，包括：
将T1-Tk时刻的空间融合特征输入循环门控网络，生成T1-Tk时刻中每个时刻的状态信息和所述目标区域的预测信息；所述状态信息为每个时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数，所述循环门控网络包括k个循环门控单元；
根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，所述将T1-Tk时刻的空间融合特征输入循环门控网络，生成T1-Tk时刻的状态信息和所述目标区域的预测信息，包括：
将T1时刻的空间融合特征输入循环门控网络的第一个循环门控单元，生成所述T1时刻的状态信息h1；
将T2时刻的空间融合特征和所述T1时刻的状态信息h1输入循环门控网络的第二个循环门控单元，生成所述T2时刻的状态信息h2；
将Tk时刻的空间融合特征和Tk-1时刻的状态信息hk-1输入循环门控网络的第k个循环门控单元，生成所述Tk时刻的状态信息hk和所述目标区域的预测信息。
在一种可行的实施方式中，所述根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息，包括：
所述预测信息中包括第一向量和第二向量；所述第一向量对应每条道路的平均车速信息，所述第二向量对应每个停车场的车位占用信息；
根据所述第一向量和第一向量中每个维度与道路的对应关系，预测每条道路的平均车速信息；
根据所述第二向量和第二向量中每个维度与停车场的对应关系，预测每个停车场的车位占用信息。
本申请实施例一方面提供了一种区域交通的预测设备，可包括：
拓扑图构建单元，用于根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
特征信息获取单元，用于根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；所述第一特征信息用于表征目标区域中道路的历史平均车速信息，第二特征信息用于表征目标区域中停车场的历史车位占用信息；
特征融合单元，用于通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征；
信息预测单元，用于通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，所述拓扑图构建单元具体用于：
统计目标区域的道路信息，根据道路的自然连接规则，确定所述道路信息中每条道路之间的第一连接关系，根据所述第一连接关系构建目标区域的路网拓扑图；所述第一连接关系用于表示各道路在拓扑图中是否相连；
统计目标区域的停车场信息，根据停车场之间的最短路径，确定所述停车场信息中每个停车场之间的第二连接关系，根据所述第二连接关系构建目标区域的停车场拓扑图；所述第二连接关系用于表示各停车场在拓扑图中是否相连。
在一种可行的实施方式中，所述特征信息获取单元具体用于：
获取目标区域中的每条道路在目标时刻的历史平均车速信息，根据所述历史平均车速信息生成道路对应的平均车速向量，将所述平均车速向量作为路网拓扑图在目标时刻的第一特征信息；
获取目标区域中的每个停车场的在目标时刻的历史车位占用信息，根据所述历史车位占用信息生成停车场对应的车位占用向量，将所述车位占用向量作为停车场拓扑图在目标时刻的第二特征信息。
在一种可行的实施方式中，所述特征融合单元具体用于：
将所述路网拓扑图的邻接矩阵和目标时刻的第一特征信息输入多通道空间网络的第一通道，通过所述第一通道中的图卷积神经网络获取在目标时刻的第一空间特征；
将所述停车场拓扑图的邻接矩阵和目标时刻的第二特征信息输入多通道空间网络的第二通道，通过所述第二通道中的图卷积神经网络获取在目标时刻的第二空间特征；
将所述第一空间特征和第二空间特征进行融合生成在目标时刻的空间融合特征。
在一种可行的实施方式中，所述信息预测单元，包括：
信息生成子单元，用于将T1-Tk时刻的空间融合特征输入循环门控网络，生成T1-Tk时刻中每个时刻的状态信息和所述目标区域的预测信息；所述状态信息为每个时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数，所述循环门控网络包括k个循环门控单元；
信息预测子单元，用于根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，所述信息生成子单元具体用于：
将T1时刻的空间融合特征输入循环门控网络的第一个循环门控单元，生成所述T1时刻的状态信息h1；
将T2时刻的空间融合特征和所述T1时刻的状态信息h1输入循环门控网络的第二个循环门控单元，生成所述T2时刻的状态信息h2；
将Tk时刻的空间融合特征和Tk-1时刻的状态信息hk-1输入循环门控网络的第k个循环门控单元，生成所述Tk时刻的状态信息hk和所述目标区域的预测信息。
在一种可行的实施方式中，所述信息预测子单元具体用于：
所述预测信息中包括第一向量和第二向量；所述第一向量对应每条道路的平均车速信息，所述第二向量对应每个停车场的车位占用信息；
根据所述第一向量和第一向量中每个维度与道路的对应关系，预测每条道路的平均车速信息；
根据所述第二向量和第二向量中每个维度与停车场的对应关系，预测每个停车场的车位占用信息。
本申请实施例一方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例一方面提供了一种计算机设备，包括：处理器、存储器以及网络接口；所述处理器与所述存储器、所述网络接口相连，其中，所述网络接口用于提供网络通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码执行上述的方法步骤。
本申请实施例一方面提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述的方法步骤。
在本申请实施例中，通过根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，进一步根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，最后通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。采用上述方法，避免了在交通情况复杂地段，道路交通流和停车状况的互相影响，导致采用单一道路交通流或者停车状况预测交通状况存在偏差的问题，提高了对道路交通状况进行预测的准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，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他的附图。
图1是本申请实施例提供的一种区域交通预测的系统架构图；
图2是本申请实施例提供的一种区域交通的预测方法的流程示意图；
图3a是本申请实施例提供的一种目标区域的举例示意图；
图3b是本申请实施例提供的一种道路和停车场可视化的举例示意图；
图3c是本申请实施例提供的一种路网拓扑图的举例示意图；
图3d是本申请实施例提供的一种停车场拓扑图的举例示意图；
图4是本申请实施例提供的一种生成空间融合特征的举例示意图；
图5是本申请实施例提供的一种区域交通的预测方法的流程示意图；
图6a是本申请实施例提供的一种生成预测信息的举例示意图；
图6b是本申请实施例提供的一种模型的预测精度的举例示意图；
图6c是本申请实施例提供的一种预测精度与互信息之间关系的举例示意图；
图7是本申请实施例提供的一种区域交通的预测设备的结构示意图；
图8是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1所示，该网络架构图可以包括业务服务器100以及用户终端集群，该用户终端集群可以包括用户终端10a、用户终端10b、…、用户终端10c，其中，用户终端集群之间可以存在通信连接，例如用户终端10a与用户终端10b之间存在通信连接，用户终端10b与用户终端10c之间存在通信连接，且用户终端集群中的任一用户终端可以与业务服务器100存在通信连接，例如用户终端10a与业务服务器100之间存在通信连接，用户终端10b与业务服务器100之间存在通信连接。
其中，上述用户终端集群(也包括上述的用户终端10a、用户终端10b以及用户终端10c)均可以集成安装有目标应用。可选的，该目标应用可以包括具有获取地图数据、处理路网信息和构建拓扑图等功能的应用。数据库10d中存储了多通道空间网络和循环门控网络，具体的，用户终端根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，进一步的，根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，所述第一特征信息用于表征目标区域中道路的历史平均车速信息，第二特征信息用于表征目标区域中停车场的历史车位占用信息，通过数据库10d中的多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，最后通过数据库10d中的循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。需要说明的是，可以将数据库10d中存储的多通道空间网络和循环门控网络存放在用户终端本地，在用户终端侧完成每条道路的平均车速信息和每个停车场的车位占用信息的预测。可选的，上述用户终端可以为在上述图1所对应实施例的用户终端集群中所选取的任意一个用户终端，比如，该用户终端可以为上述用户终端10b。
可以理解的是，本申请实施例所提供的方法可以由计算机设备执行，计算机设备包括但不限于终端或服务器，本申请实施例中的服务器100可以为计算机设备，用户终端集群中的用户终端也可以为计算机设备，此处不限定。上述业务服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。上述终端可以包括：智能手机、平板电脑、笔记本电脑、桌上型电脑、智能电视、智能音箱、台式计算机、智能手表等携带图像识别功能的智能终端，但并不局限于此。其中，用户终端以及业务服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
进一步地，为便于理解，请参见图2，图2是本申请实施例提供的区域交通的预测方法的流程示意图。该方法可以由用户终端(例如，上述图1所示的用户终端)执行，也可以由用户终端和业务服务器(如上述图1所对应实施例中的业务服务器100)共同执行。为便于理解，本实施例以该方法由上述用户终端执行为例进行说明。其中，该区域交通的预测方法至少可以包括以下步骤S101-步骤S104：
S101，根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
具体的，用户终端根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，可以理解的是，目标区域可以是具有一定范围并包括道路和停车场的任意一个区域，例如可以是一个城市的某一个片区。道路信息是目标区域的道路的数量以及道路之间的连接关系，停车场信息是目标区域的停车场的数量以及停车场之间的距离信息。路网拓扑图是表示道路信息的拓扑结构图，路网拓扑图中包括代表道路的节点，以及各节点之间的关系，停车场拓扑图表示停车场信息的拓扑结构图，停车场拓扑图中包括代表停车场的节点，以及各节点之间的关系。
构建路网拓扑图和停车场拓扑图的具体过程如下：
请参见图3a，图3a是本申请实施例提供的目标区域的举例示意图，如图3a所示，图中实线框为目标区域，目标区域中包括多条道路和多个停车场，根据道路和停车场的矢量数据，将目标区域的道路和停车场进行可视化，请参见图3b，图3b是本申请实施例提供的道路和停车场可视化的举例示意图，如图3b所示，图中直线为道路，圆点为停车场，其中道路带有方向信息，即双行道理解为两条道路。
用户终端统计目标区域的道路信息，根据道路的自然连接规则，确定所述道路信息中每条道路之间的第一连接关系，根据所述第一连接关系构建目标区域的路网拓扑图。自然连接规则是道路在真实世界中是否相交，第一连接关系为道路在拓扑图中是否相连。例如，若道路R1和道路R2在真实世界中是相交的，则道路R1和道路R2在拓扑图中是相连的，若道路R1和道路R2在真实世界中不是相交的，则道路R1和道路R2在拓扑图中是不相连的。请参见图3c，图3c是本申请实施例提供的路网拓扑图的举例示意图，如图3c所示，目标区域包括11条道路，分别记为R1、R2、...R11，每条道路视为一个节点，若两条道路相交，则将两个节点连接起来，道路的路网拓扑图可以记为Gr＝(Vr,Er)，其中，Vr表示所有节点的集合，Vr＝{v1,v2,…,vN}，N为节点数量，Er表示所有边的集合。另外，各个节点之间的连接关系用邻接矩阵Ar表示，Ar∈RN×N。
进一步的，用户终端统计目标区域的停车场信息，根据停车场之间的最短路径，确定所述停车场信息中每个停车场之间的第二连接关系，根据所述第二连接关系构建目标区域的停车场拓扑图。最短路径是停车场在真实世界中的距离，根据最短距离是否小于预设的距离阈值确定第二连接关系，第二连接关系为停车场在拓扑图中是否相连。例如，若停车场P1和停车场P2在真实世界中的实际距离小于预设的距离阈值，则停车场P1和停车场P2在拓扑图中是相连的，若停车场P1和停车场P2在真实世界中的实际距离大于或等于预设的距离阈值，则停车场P1和停车场P2在拓扑图中是不相连的。请参见图3d，图3d是本申请实施例提供的停车场拓扑图的举例示意图，如图3c所示，目标区域包括7个停车场，分别记为P1、P2、...P7，每个停车场视为一个节点，计算两个停车场节点之间的最短道路距离，若该距离小于600米则将两个节点连接起来。停车场的停车场拓扑图可以记为Gp＝(Vp,Ep)，其中，Vp表示所有节点的集合，Vp＝{v1,v2,…,vM}，M为停车场数量，Ep表示所有边的集合。另外，各个节点之间的连接关系用邻接矩阵用Ap表示，Ap∈RM×M。
S102，根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；
具体的，用户终端根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，所述第一特征信息用于表征目标区域中道路的历史平均车速信息，第二特征信息用于表征目标区域中停车场的历史车位占用信息，可以理解的是，用户终端获取目标区域中的每条道路在目标时刻的历史平均车速信息，目标时刻为历史平均车速信息的取样时刻，根据所述历史平均车速信息生成道路对应的平均车速向量，将所述平均车速向量作为路网拓扑图在目标时刻的第一特征信息。例如，获取T个目标时刻的历史平均车速信息x1，x2，...xT，则每个道路节点的平均车速向量，即第一特征信息记为xr＝[x1,x2,…,xt,…,xT]，T是历史时间序列的长度，xt表示t时刻的节点特征，
Figure BDA0003174897630000101
表示t时刻的所有节点特征，
Figure BDA0003174897630000102
进一步的，用户终端获取目标区域中的每个停车场的在目标时刻的历史车位占用信息，根据所述历史车位占用信息生成停车场对应的车位占用向量，将所述车位占用向量作为停车场拓扑图在目标时刻的第二特征信息。例如，获取T个目标时刻的历史车位占用信息x1，x2，...xT，，则每个停车场节点的车位占用向量，即第二特征信息记为xp＝[x1,x2,…,xt,…,xT]，T是历史时间序列的长度，xt表示t时刻的节点特征，
Figure BDA0003174897630000103
表示t时刻的所有节点特征，
Figure BDA0003174897630000104
S103，通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征；
具体的，用户终端通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，可以理解的是，多通道空间网络有被称为MCSN，包括多个预测通道，每个预测通道中均包括一个两层的图卷积神经网络(GCN)，但每个预测通道之间是异构的，可以处理不同节点拓扑图数据，一个两层GCN模型表示如下：
Figure BDA0003174897630000111
其中，X是特征矩阵，A是邻接矩阵。为了在聚合节点特征的过程中保留自身信息，一般需要给每个节点添加自环。具体来说，可以通过邻接矩阵A和单位矩阵I相加来实现，即
Figure BDA0003174897630000112
进一步对
Figure BDA0003174897630000113
进行归一化处理，即
Figure BDA0003174897630000114
其中
Figure BDA0003174897630000115
为度矩阵，
Figure BDA0003174897630000116
W0和W1是权重矩阵，σ(·)代表激活函数，一般采用Relu()作为激活函数。
下面以包含两个通道的多通道空间网络MCSN进行说明，MCSN可以表示如下：
Figure BDA0003174897630000117
其中，Ar和Ap分别为路网拓扑图和停车场拓扑图的邻接矩阵，
Figure BDA0003174897630000118
和
Figure BDA0003174897630000119
分别为t时刻路网拓扑图和停车场拓扑图的特征矩阵。f(·)表示双层GCN。FC(·)表示全连接层。
请参见图4，图4是本申请实施例提供的生成空间融合特征的举例示意图，如图4所示，多通道空间网络包括两个通道，即第一通道和第二通道，每个通道包括两层图卷积神经网络GCN。
用户终端将所述路网拓扑图的邻接矩阵和目标时刻的第一特征信息输入多通道空间网络的第一通道，路网拓扑图的邻接矩阵表示各个道路节点之间的连接关系，第一通道处理N个节点的路网拓扑图。进一步的，通过所述第一通道中的图卷积神经网络获取在目标时刻的第一空间特征，第一空间特征是通过第一通道提取的道路节点的特征信息，具体的，通过图卷积神经网络中的卷积核对邻接矩阵和第一特征信息进行特征提取，并通过全连接层生成在目标时刻的第一空间特征。
用户终端将所述停车场拓扑图的邻接矩阵和目标时刻的第二特征信息输入多通道空间网络的第二通道，停车场拓扑图的邻接矩阵表示各个停车场节点之间的连接关系，第二通道处理M个节点的路网拓扑图。进一步的，通过所述第二通道中的图卷积神经网络获取在目标时刻的第二空间特征，第二空间特征是通过第二通道提取的停车场节点的特征信息，具体的，通过图卷积神经网络中的卷积核对邻接矩阵和第二特征信息进行特征提取，并通过全连接层生成在目标时刻的第二空间特征。
最后，用户终端通过多通道空间网络将所述第一空间特征和第二空间特征进行融合生成在目标时刻的空间融合特征，具体的，将第一空间特征和第二空间特征输入多通道空间网络的拼接层进行向量拼接，例如，第一空间特征为n维向量，第二空间特征为m维向量，则通过拼接层生成维度为n+m的向量。进一步，将拼接后的向量通过全连接层生成在目标时刻的空间融合特征。
需要说明的是，采用上述多通道空间网络可以生成时刻1，2，...T时刻的空间融合特征，即可以生成历史时间序列中每个时刻的空间融合特征。
S104，通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，循环门控网络可以通过门控机制对时间序列的输入和记忆信息等，预测当前时刻的输出，具体的，循环门控网络可以包括多个循环门控单元(GRU)，空间融合特征可以通过多通道空间网络MCSN生成，因此，将循环门控网络与MCSN结合生成MCSTN模型，采用MCSTN模型可以预测每条道路的平均车速信息和每个停车场的车位占用信息，MCSTN模型这是一个多输入多输出的预测模型，MCSTN可以包括多个MCSN，以及与MCSN相同个数的GRU，每个MCSN对应一个GRU，MCSN的输入数据为目标时刻的第一特征信息和第二特征信息，MCSN的输出数据为目标时刻的空间融合特征，GRU的输入数据为其对应的MCSN输出的目标时刻的空间融合特征以及上一时刻的GRU的输出，GRU的输出数据为目标时刻的状态信息，同时也作为下一个时刻的GRU的输入数据。
具体的，若所述循环门控网络包括k个循环门控单元和k个MCSN，则用户终端将T1-Tk时刻的空间融合特征输入循环门控网络，生成T1-Tk时刻中每个时刻的状态信息和所述目标区域的预测信息；所述状态信息为每个时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数。
进一步的，根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。具体的，所述预测信息中包括平均车速信息和车位占用信息对应的向量，根据上述向量，预测每条道路的平均车速信息和每个停车场的车位占用信息。
在本申请实施例中，通过根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，进一步根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，最后通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。采用上述方法，避免了在交通情况复杂地段，道路交通流和停车状况的互相影响，导致采用单一道路交通流或者停车状况预测交通状况存在偏差的问题，提高了对道路交通状况进行预测的准确率。
请参见图5，图5是本申请实施例提供的区域交通的预测方法的流程示意图。该方法可以由用户终端(例如，上述图1所示的用户终端)执行，也可以由用户终端和业务服务器(如上述图1所对应实施例中的业务服务器100)共同执行。为便于理解，本实施例以该方法由上述用户终端执行为例进行说明。其中，该区域交通的预测方法至少可以包括以下步骤S201-步骤S205：
S201，根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
其中，本发明实施例的步骤S201参见图1所示实施例的步骤S101的具体描述，在此不进行赘述。
S202，根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；
其中，本发明实施例的步骤S202参见图1所示实施例的步骤S102的具体描述，在此不进行赘述。
S203，通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征；
其中，本发明实施例的步骤S203参见图1所示实施例的步骤S103的具体描述，在此不进行赘述。
S204，将T1-Tk时刻的空间融合特征输入循环门控网络，生成T1-Tk时刻中每个时刻的状态信息和所述目标区域的预测信息；所述状态信息为每个时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数。
请参见图6a，图6a是本申请实施例提供的生成预测信息的举例示意图，如图6a所示，图中为循环门控网络与多通道空间网络MCSN结合生成的MCSTN模型，循环门控网络包括k个循环门控单元(GRU)，MCSTN模型这是一个多输入多输出的预测模型。
具体的，将T1时刻的空间融合特征输入循环门控网络的第一个循环门控单元，生成所述T1时刻的状态信息h1；
将T2时刻的空间融合特征和所述T1时刻的状态信息h1输入循环门控网络的第二个循环门控单元，生成所述T2时刻的状态信息h2；
将Tk时刻的空间融合特征和Tk-1时刻的状态信息hk-1输入循环门控网络的第k个循环门控单元，生成所述Tk时刻的状态信息hk和所述目标区域的预测信息。
其中，T1-Tk时刻的空间融合特征由历史平均车速信息
Figure BDA0003174897630000141
和历史车位占用信息
Figure BDA0003174897630000142
生成，因此可以将MCSTN模型作为一个整体，则模型的输入为历史平均车速信息
Figure BDA0003174897630000143
和历史车位占用信息
Figure BDA0003174897630000144
通过MCSN完成多通道的特征提取和融合，GRU完成时间序列预测。模型的输出为
Figure BDA0003174897630000145
和
Figure BDA0003174897630000146
结合MCSN和GRU的表达式可以得到MCSTN的表达式：
Figure BDA0003174897630000147
Figure BDA0003174897630000148
Figure BDA0003174897630000149
Figure BDA00031748976300001410
Figure BDA00031748976300001411
Figure BDA00031748976300001412
其中，ht-1为t-1时刻的隐藏状态，包含了之前节点的相关状态。rt为重置门，用于控制忽略前一时刻状态信息的程度。zt为更新门，用于控制前一时刻的状态信息被带入到当前状态中的程度。
Figure BDA0003174897630000151
为候选隐藏状态，即为当前时刻的记忆信息。ht为t时刻的输出状态，将被传递到下一节点。Wz为更新门的权重，Wr为重置门的权重，W为候选隐藏状态的权重。
S205，根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。
具体的，所述预测信息中包括第一向量和第二向量，所述第一向量对应每条道路的平均车速信息，所述第二向量对应每个停车场的车位占用信息。请参见图6a，模型的输出为
Figure BDA0003174897630000152
和
Figure BDA0003174897630000153
为第一向量，
Figure BDA0003174897630000154
为第二向量。
进一步的，根据所述第一向量和第一向量中每个维度与道路的对应关系，预测每条道路的平均车速信息，具体的，第一向量
Figure BDA0003174897630000155
为N维向量，对应N条道路，即第一向量的第一维对应第一条道路的平均车速信息，第一向量的第N维对应第N条道路的平均车速信息。
进一步的，根据所述第二向量和第二向量中每个维度与停车场的对应关系，预测每个停车场的车位占用信息。具体的，第二向量
Figure BDA0003174897630000156
为M维向量，对应M个停车场，即第二向量的第一维对应第一个停车场的车位占用信息，第一向量的第M维对应第M个停车场的车位占用信息。
采用上述方法，实现了基于MCSTN的目标区域交通状况集成预测。目标区域的交通是畅通还是拥堵不仅受到交通流量的影响，还受到同一区域停车饱和度的影响。现有的预测模型相比MCSTN来说是单通道的，在预测过程中只关注单一数据而忽略了其他与之相关的交通行为，例如只关注道路交通状况或者停车状况。在某些情况下，道路交通和停车之间是有很很强的关联性的。尤其是在某些热门兴趣点附近，如景区，医院，大型商场周边的交通情况非常复杂。
在MCSTN模型当中，是同步预测一个区域内的交通状况，包括道路交通状况和停车状况，MCSTN有着更宽阔的视野，因此，对道路交通和停车场状况的预测效果比现有的模型预测效果好。
下面根据实际场景对比本方案中的方法与现有技术中的方法对平均车速信息和车位占用信息的预测结果。现有技术采用T-GCN模型进行说明，T-GCN模型是一种单通道时空模型。
对比实验选择A市B区中的若干个停车场及其周边的若干条道路作为实验场景进行实验。收集30天内每条道路的平均车速信息和每个停车场的车位占用信息，具体的，可以在众多停车场和道路中选择目标停车厂和目标道路作为预测对象。
请参见图6b，图6b是本申请实施例提供的模型的预测精度的举例示意图，如图6b所示，图中曲线为一天中模型的预测精度的变化情况，曲线1是MCSTN模型的预测精度，曲线2是T-GCN模型的预测精度，具体的，在测试集上计算每15个时间片的预测精度，并获得随时间变化的曲线。预测精度Accuracy由如下公式所示。
Figure BDA0003174897630000161
其中，Yr为真实的平均车速信息，
Figure BDA0003174897630000162
为预测的平均车速信息，Yp为真实的车位占用信息，
Figure BDA0003174897630000163
为预测的车位占用信息，‖·‖F为F范数。
两种模型的精度在晚上8点到早上6点之间比较接近，而在其他时间，MCSTN模型的预测精度明显高于T-GCN模型。可以推测模型的预测精度的变化与交通状况有关。晚上8点至早上6点之间，路上的车相对较少，停车位也很充足，这两种模型此时的预测精度非常接近。但是随着停车数量从早上8:00急剧增加，T-GCN的预测精度下降，而在这种情况下，MCSTN的精度略有增加。因此，这两种模型的预测精度差异可能是由道路交通和停车之间的相关性引起的。
为了证实上述预测精度差异，采用互信息来衡量道路上的平均车速信息与车位占用信息之间的相关性。根据互信息的定义，互信息值越大，两个变量的相关性越强。请参见图6c，图6c是本申请实施例提供的预测精度与互信息之间关系的举例示意图，如图6c所示，“○”是MCSTN模型的预测精度，“Ⅹ”是T-GCN模型的预测精度，图中横坐标为平均车速信息与车位占用信息之间的互信息，纵坐标为模型的预测精度。从图中可以看出，当互信息较小时，两类模型的精度相差不大。当互信息增加时，MCSTN模型的预测精度明显优于T-GCN模型。因此，单一数据的预测只适用于处理交通活动相关性较低的情况，而面对复杂的真实交通环境，集成预测由于更好地解决同一时空环境中不同交通活动之间潜在的、微妙的相关性问题。
因此，采用本方案中的MCSTN模型对道路交通和停车状况的预测具有更高的准确率。
在本申请实施例中，通过根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，进一步根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，最后通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。采用上述方法，避免了在交通情况复杂地段，道路交通流和停车状况的互相影响，导致采用单一道路交通流或者停车状况预测交通状况存在偏差的问题，提高了对道路交通状况进行预测的准确率。
请参见图7，图7是本申请实施例提供的一种区域交通的预测设备的结构示意图。所述区域交通的预测设备可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该区域交通的预测设备为一个应用软件；该设备可以用于执行本申请实施例提供的方法中的相应步骤。如图7所示，本申请实施例的所述区域交通的预测设备1可以包括：拓扑图构建单元11、特征信息获取单元12、特征融合单元13、信息预测单元14。
拓扑图构建单元11，用于根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
特征信息获取单元12，用于根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；所述第一特征信息用于表征目标区域中道路的历史平均车速信息，第二特征信息用于表征目标区域中停车场的历史车位占用信息；
特征融合单元13，用于通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征；
信息预测单元14，用于通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，所述拓扑图构建单元11具体用于：
统计目标区域的道路信息，根据道路的自然连接规则，确定所述道路信息中每条道路之间的第一连接关系，根据所述第一连接关系构建目标区域的路网拓扑图；所述第一连接关系用于表示各道路在拓扑图中是否相连；
统计目标区域的停车场信息，根据停车场之间的最短路径，确定所述停车场信息中每个停车场之间的第二连接关系，根据所述第二连接关系构建目标区域的停车场拓扑图；所述第二连接关系用于表示各停车场在拓扑图中是否相连。
在一种可行的实施方式中，所述特征信息获取单元12具体用于：
获取目标区域中的每条道路在目标时刻的历史平均车速信息，根据所述历史平均车速信息生成道路对应的平均车速向量，将所述平均车速向量作为路网拓扑图在目标时刻的第一特征信息；
获取目标区域中的每个停车场的在目标时刻的历史车位占用信息，根据所述历史车位占用信息生成停车场对应的车位占用向量，将所述车位占用向量作为停车场拓扑图在目标时刻的第二特征信息。
在一种可行的实施方式中，所述特征融合单元13具体用于：
将所述路网拓扑图的邻接矩阵和目标时刻的第一特征信息输入多通道空间网络的第一通道，通过所述第一通道中的图卷积神经网络获取在目标时刻的第一空间特征；
将所述停车场拓扑图的邻接矩阵和目标时刻的第二特征信息输入多通道空间网络的第二通道，通过所述第二通道中的图卷积神经网络获取在目标时刻的第二空间特征；
将所述第一空间特征和第二空间特征进行融合生成在目标时刻的空间融合特征。
请参见图7，本申请实施例的所述信息预测单元14可以包括：信息生成子单元141、信息预测子单元142；
信息生成子单元141，用于将T1-Tk时刻的空间融合特征输入循环门控网络，生成T1-Tk时刻中每个时刻的状态信息和所述目标区域的预测信息；所述状态信息为每个时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数，所述循环门控网络包括k个循环门控单元；
信息预测子单元142，用于根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。
在一种可行的实施方式中，所述信息生成子单元141具体用于：
将T1时刻的空间融合特征输入循环门控网络的第一个循环门控单元，生成所述T1时刻的状态信息h1；
将T2时刻的空间融合特征和所述T1时刻的状态信息h1输入循环门控网络的第二个循环门控单元，生成所述T2时刻的状态信息h2；
将Tk时刻的空间融合特征和Tk-1时刻的状态信息hk-1输入循环门控网络的第k个循环门控单元，生成所述Tk时刻的状态信息hk和所述目标区域的预测信息。
在一种可行的实施方式中，所述信息预测子单元142具体用于：
所述预测信息中包括第一向量和第二向量；所述第一向量对应每条道路的平均车速信息，所述第二向量对应每个停车场的车位占用信息；
根据所述第一向量和第一向量中每个维度与道路的对应关系，预测每条道路的平均车速信息；
根据所述第二向量和第二向量中每个维度与停车场的对应关系，预测每个停车场的车位占用信息。
在本申请实施例中，通过根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，进一步根据所述目标区域中道路的历史平均车速信息和停车场的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述第一特征信息与第二特征信息进行融合，生成空间融合特征，最后通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息。采用上述方法，避免了在交通情况复杂地段，道路交通流和停车状况的互相影响，导致采用单一道路交通流或者停车状况预测交通状况存在偏差的问题，提高了对道路交通状况进行预测的准确率。
请参见图8，图8是本申请实施例提供的一种计算机设备的结构示意图。如图8所示，所述计算机设备1000可以包括：至少一个处理器1001，例如CPU，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。其中，用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是随机存取存储器(Random Access Memory，RAM)，也可以是非易失性存储器(non-volatile memory，NVM)，例如至少一个磁盘存储器。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图8所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据处理应用程序。
在图8所示的计算机设备1000中，网络接口1004可提供网络通讯功能，用户接口1003主要用于为用户提供输入的接口；而处理器1001可以用于调用存储器1005中存储的数据处理应用程序，以实现上述图2-图6c任一个所对应实施例中对所述区域交通的预测方法的描述，在此不再赘述。
应当理解，本申请实施例中所描述的计算机设备1000可执行前文图2-图6c任一个所对应实施例中对所述区域交通的预测方法的描述，也可执行前文图7所对应实施例中对所述区域交通的预测设备的描述，在此不再赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。
此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且所述计算机可读存储介质中存储有前文提及的区域交通的预测设备所执行的计算机程序，且所述计算机程序包括程序指令，当所述处理器执行所述程序指令时，能够执行前文图2-图6c任一个所对应实施例中对所述区域交通的预测方法的描述，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，程序指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行，分布在多个地点且通过通信网络互连的多个计算设备可以组成区块链系统。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述计算机可读存储介质可以是前述任一实施例提供的一种区域交通的预测设备或者上述设备的内部存储单元，例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,SMC)，安全数字(secure digital,SD)卡，闪存卡(flash card)等。上述计算机可读存储介质还可以包括磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体等。进一步地，该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其它程序和数量。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本发明的权利要求书和说明书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本申请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，也可以是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，也可以采用软件功能单元的形式实现。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (9)

1.一种区域交通的预测方法，其特征在于，包括：
根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
根据所述目标区域中每条道路在T个目标时刻中每个目标时刻的历史平均车速信息和每个停车场在所述每个目标时刻的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；所述第一特征信息用于表征目标区域中每条道路在所述每个目标时刻的历史平均车速信息，第二特征信息用于表征目标区域中每个停车场在所述每个目标时刻的历史车位占用信息；
通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述每个目标时刻的所述第一特征信息与所述第二特征信息进行融合，生成所述T个目标时刻中所述每个目标时刻的空间融合特征；
将T1-Tk目标时刻的空间融合特征输入循环门控网络，生成T1-Tk目标时刻中所述每个目标时刻的状态信息和所述目标区域的预测信息；所述状态信息为所述每个目标时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数，所述循环门控网络包括k个循环门控单元，所述T1-Tk目标时刻的空间融合特征由所述T个目标时刻中每个目标时刻所有道路的历史平均车速信息和所有停车场的历史车位占用信息生成，所述预测信息中包括第一向量和第二向量，所述第一向量对应每条道路的平均车速信息，所述第二向量对应每个停车场的车位占用信息；
根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。
2.根据权利要求1所述的方法，其特征在于，所述根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图，包括：
统计目标区域的道路信息，根据道路的自然连接规则，确定所述道路信息中每条道路之间的第一连接关系，根据所述第一连接关系构建目标区域的路网拓扑图；所述第一连接关系用于表示各道路在拓扑图中是否相连；
统计目标区域的停车场信息，根据停车场之间的最短路径，确定所述停车场信息中每个停车场之间的第二连接关系，根据所述第二连接关系构建目标区域的停车场拓扑图；所述第二连接关系用于表示各停车场在拓扑图中是否相连。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域中每条道路在T个目标时刻中每个目标时刻的历史平均车速信息和每个停车场在所述每个目标时刻的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息，包括：
获取目标区域中的每条道路在在T个目标时刻中每个目标时刻的历史平均车速信息，根据所述历史平均车速信息生成所述每条道路在所述每个目标时刻对应的平均车速向量，将所述平均车速向量作为路网拓扑图在所述每个目标时刻的第一特征信息；
获取目标区域中的每个停车场的在所述每个目标时刻的历史车位占用信息，根据所述历史车位占用信息生成停车场在所述每个目标时刻对应的车位占用向量，将所述车位占用向量作为停车场拓扑图在所述每个目标时刻的第二特征信息。
4.根据权利要求3所述的方法，其特征在于，所述通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述每个目标时刻的所述第一特征信息与所述第二特征信息进行融合，生成所述T个目标时刻中所述每个目标时刻的空间融合特征，包括：
将所述路网拓扑图的邻接矩阵和所述每个目标时刻的第一特征信息输入多通道空间网络的第一通道，通过所述第一通道中的图卷积神经网络获取在所述每个目标时刻的第一空间特征；
将所述停车场拓扑图的邻接矩阵和所述每个目标时刻的第二特征信息输入多通道空间网络的第二通道，通过所述第二通道中的图卷积神经网络获取在所述每个目标时刻的第二空间特征；
将所述每个目标时刻所述第一空间特征和所述第二空间特征进行融合生成在所述T个目标时刻中所述每个目标时刻的空间融合特征。
5.根据权利要求1所述的方法，其特征在于，所述将T1-Tk目标时刻的空间融合特征输入循环门控网络，生成T1-Tk目标时刻中所述每个目标时刻的状态信息和所述目标区域的预测信息，包括：
将T1目标时刻的空间融合特征输入循环门控网络的第一个循环门控单元，生成所述T1目标时刻的状态信息h1；
将T2目标时刻的空间融合特征和所述T1目标时刻的状态信息h1输入循环门控网络的第二个循环门控单元，生成所述T2目标时刻的状态信息h2；
将Tk目标时刻的空间融合特征和Tk-1目标时刻的状态信息hk-1输入循环门控网络的第k个循环门控单元，生成所述Tk目标时刻的状态信息hk和所述目标区域的预测信息。
6.根据权利要求1所述的方法，其特征在于，所述根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息，包括：
根据所述第一向量和第一向量中每个维度与道路的对应关系，预测每条道路的平均车速信息，所述第一向量中一个维度对应一条道路；
根据所述第二向量和第二向量中每个维度与停车场的对应关系，预测每个停车场的车位占用信息，所述第二向量中一个维度对应一个停车场。
7.一种区域交通的预测设备，其特征在于，包括：
拓扑图构建单元，用于根据目标区域的道路信息和停车场信息，构建所述目标区域中道路的路网拓扑图和停车场的停车场拓扑图；
特征信息获取单元，用于根据所述目标区域中每条道路在T个目标时刻中每个目标时刻的历史平均车速信息和每个停车场在所述每个目标时刻的历史车位占用信息，获取所述路网拓扑图的第一特征信息和停车场拓扑图的第二特征信息；所述第一特征信息用于表征目标区域中每条道路在所述每个目标时刻的历史平均车速信息，第二特征信息用于表征目标区域中每个停车场在所述每个目标时刻的历史车位占用信息；
特征融合单元，用于通过多通道空间网络，以及所述路网拓扑图和所述停车场拓扑图，将所述每个目标时刻的所述第一特征信息与所述第二特征信息进行融合，生成所述T个目标时刻中所述每个目标时刻的空间融合特征；
信息预测单元，用于通过循环门控网络和至少两个空间融合特征，预测每条道路的平均车速信息和每个停车场的车位占用信息；
其中，所述信息预测单元，包括：
信息生成子单元，用于将T1-Tk目标时刻的空间融合特征输入循环门控网络，生成T1-Tk目标时刻中所述每个目标时刻的状态信息和所述目标区域的预测信息；所述状态信息为所述每个目标时刻的隐藏状态，用于生成预测信息，所述k为大于1的正整数，所述循环门控网络包括k个循环门控单元，所述T1-Tk目标时刻的空间融合特征由所述T个目标时刻中每个目标时刻所有道路的历史平均车速信息和所有停车场的历史车位占用信息生成，所述预测信息中包括第一向量和第二向量，所述第一向量对应每条道路的平均车速信息，所述第二向量对应每个停车场的车位占用信息；
信息预测子单元，用于根据所述预测信息预测每条道路的平均车速信息和每个停车场的车位占用信息。
8.一种计算机设备，其特征在于，包括：处理器、存储器以及网络接口；
所述处理器与所述存储器、所述网络接口相连，其中，所述网络接口用于提供网络通信功能，所述存储器用于存储程序代码，所述处理器用于调用所述程序代码，以执行权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，该计算机程序适于由处理器加载并执行权利要求1-6任一项所述的方法。
CN202110829300.0A 2021-07-22 2021-07-22 一种区域交通的预测方法以及设备 Active CN113643532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110829300.0A CN113643532B (zh) 2021-07-22 2021-07-22 一种区域交通的预测方法以及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110829300.0A CN113643532B (zh) 2021-07-22 2021-07-22 一种区域交通的预测方法以及设备

Publications (2)

Publication Number Publication Date
CN113643532A CN113643532A (zh) 2021-11-12
CN113643532B true CN113643532B (zh) 2022-08-16

Family

ID=78418006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110829300.0A Active CN113643532B (zh) 2021-07-22 2021-07-22 一种区域交通的预测方法以及设备

Country Status (1)

Country Link
CN (1) CN113643532B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519932B (zh) * 2022-01-10 2023-06-20 中国科学院深圳先进技术研究院 一种基于时空关系抽取的区域交通状况集成预测方法
CN114973653B (zh) * 2022-04-27 2023-12-19 中国计量大学 一种基于时空图卷积网络的交通流预测方法
CN117523848B (zh) * 2024-01-04 2024-04-19 湖南工商大学 交通拥堵信息的预测方法、装置、计算机设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101406051A (zh) * 2006-01-19 2009-04-08 Lg电子株式会社 用于发送和接收交通信息的方法及其装置
CN101639979A (zh) * 2009-08-21 2010-02-03 电子科技大学 一种停放车辆辅助的车载自组织网络通信系统
CN104464304A (zh) * 2014-12-25 2015-03-25 北京航空航天大学 一种基于路网特性的城市道路车辆行驶速度预测方法
CN108010378A (zh) * 2017-12-20 2018-05-08 中国科学院深圳先进技术研究院 停车场泊位占用率预测方法、装置、设备及存储介质
CN108133612A (zh) * 2016-11-30 2018-06-08 财团法人资讯工业策进会 停车位预测与停车场导引规划系统及方法
CN111932874A (zh) * 2020-07-27 2020-11-13 中国科学技术大学 一种利用机动车gps轨迹预测空气污染趋势的方法及系统
CN112396862A (zh) * 2021-01-19 2021-02-23 武汉中科通达高新技术股份有限公司 停车管理方法及装置
CN113112819A (zh) * 2021-03-26 2021-07-13 华南理工大学 一种基于改进lstm的图卷积交通速度预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101339694B (zh) * 2008-07-25 2011-11-16 武汉理工大学 基于can总线的停车场导位与管理系统
US9881384B2 (en) * 2014-12-10 2018-01-30 Here Global B.V. Method and apparatus for providing one or more road conditions based on aerial imagery
CN106503840B (zh) * 2016-10-17 2023-04-18 中国科学院深圳先进技术研究院 停车场可用车位预测方法及系统
US20190019407A1 (en) * 2017-07-14 2019-01-17 Omid B. Nakhjavani Real time parking lot analysis and management
CN109410575B (zh) * 2018-10-29 2020-05-01 北京航空航天大学 一种基于胶囊网络和嵌套式长短时记忆神经网络的路网状态预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101406051A (zh) * 2006-01-19 2009-04-08 Lg电子株式会社 用于发送和接收交通信息的方法及其装置
CN101639979A (zh) * 2009-08-21 2010-02-03 电子科技大学 一种停放车辆辅助的车载自组织网络通信系统
CN104464304A (zh) * 2014-12-25 2015-03-25 北京航空航天大学 一种基于路网特性的城市道路车辆行驶速度预测方法
CN108133612A (zh) * 2016-11-30 2018-06-08 财团法人资讯工业策进会 停车位预测与停车场导引规划系统及方法
CN108010378A (zh) * 2017-12-20 2018-05-08 中国科学院深圳先进技术研究院 停车场泊位占用率预测方法、装置、设备及存储介质
CN111932874A (zh) * 2020-07-27 2020-11-13 中国科学技术大学 一种利用机动车gps轨迹预测空气污染趋势的方法及系统
CN112396862A (zh) * 2021-01-19 2021-02-23 武汉中科通达高新技术股份有限公司 停车管理方法及装置
CN113112819A (zh) * 2021-03-26 2021-07-13 华南理工大学 一种基于改进lstm的图卷积交通速度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Intelligent Identification of Automatic Parking System Based on Information Fusion;Jiang Haobin;《Journal of Mechanical Engineering》;20171120;全文 *
基于多指数决策的停车场选择模型研究;程晓荣等;《计算机应用与软件》;20170615(第06期);全文 *

Also Published As

Publication number Publication date
CN113643532A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
Tekouabou et al. Improving parking availability prediction in smart cities with IoT and ensemble-based model
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN110322064B (zh) 城市出行需求预测方法
CN109062962B (zh) 一种融合天气信息的门控循环神经网络兴趣点推荐方法
CN112382099B (zh) 交通路况预测方法、装置、电子设备及存储介质
WO2023000261A1 (zh) 一种区域交通的预测方法以及设备
CN113762595B (zh) 通行时间预测模型训练方法、通行时间预测方法及设备
CN113038386A (zh) 基于学习模型的设备定位
Li et al. Estimating urban traffic states using iterative refinement and wardrop equilibria
CN111582559A (zh) 一种到达时间的预估方法及装置
CN114519932A (zh) 一种基于时空关系抽取的区域交通状况集成预测方法
Sepasgozar et al. Fed-ntp: A federated learning algorithm for network traffic prediction in vanet
CN114360239A (zh) 一种多层时空交通知识图谱重建的交通预测方法及系统
CN116828515A (zh) 一种车联网下基于时空图卷积的边缘服务器负载预测方法
CN114418189A (zh) 水质等级预测方法、系统、终端设备及存储介质
CN117077928A (zh) 网约车需求预测方法、装置、设备及存储介质
Hossain et al. SFMGNet: A physics-based neural network to predict pedestrian trajectories
Hua et al. Freeway traffic speed prediction under the intelligent driving environment: a deep learning approach
CN114417174A (zh) 内容推荐方法、装置、设备及计算机存储介质
CN113643564B (zh) 一种停车数据修复方法、装置、计算机设备以及存储介质
Chu et al. Deep Encoder Cross Network for Estimated Time of Arrival
CN114872718A (zh) 车辆轨迹预测方法、装置、计算机设备和存储介质
Tang et al. An adaptive deep multi-task learning approach for citywide travel time collaborative estimation
CN115455276A (zh) 推荐对象的方法、装置、计算机设备和存储介质
CN117974407B (zh) 基于动态图聚类元学习的园区交通拥堵预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant