道路拥堵预测方法及装置

摘要

本申请涉及轨道交通领域，提供一种道路拥堵预测方法及装置。所述方法包括：获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；对TMC数据集进行降维处理，获取各道路相关的特征值；将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量；将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的道路拥堵预测结果。本申请实施例提供的道路拥堵预测方法通过引入时间维度，结合空间特征的提取，能够同时基于历史时刻的道路拥堵情况和即将驶入的道路行驶环境进行前方道路拥堵预测，提高预测准确率。

权利要求

1.一种道路拥堵预测方法，其特征在于，包括：

获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；其中，所述TMC数据包括交通状况、道路施工信息、天气信息、linkId、起点经纬度、终点经纬度和车辆行驶速度；

对所述TMC数据集进行降维处理，获取各道路相关的特征值；

将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的；

所述将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果，包括：将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；

以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签的步骤；

将当前时刻上一时刻训练后的长短期记忆网络模型作为当前时刻的时间特征提取模型；

将当前时刻的空间特征向量输入至所述当前时刻的时间特征提取模型，以获取下一时刻的道路拥堵预测结果。

2.根据权利要求1所述的道路拥堵预测方法，其特征在于，每个道路的TMC数据构成m*n的二维矩阵；

其中，m，n分别为所述采样时长内的所述采样时刻的总数量和所述TMC数据的总类型数量；

所述获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集，包括：将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建所述TMC数据集。

3.根据权利要求2所述的道路拥堵预测方法，其特征在于，所述对所述TMC数据集进行降维处理，获取各道路相关的特征值，包括：对每个道路的TMC数据所构成的所述二维矩阵中的每一行进行零均值化处理后，获取每个所述二维矩阵相关的均值化矩阵；

获取每个所述均值化矩阵所对应的协方差矩阵；

确定每个所述协方差矩阵的所有特征值以及与每个所述特征值对应的特征向量；

将每个所述协方差矩阵的所有特征向量按照其对应特征值由大至小的顺序排列，获取特征向量序列；

取所述特征向量序列中靠前的多个特征向量，构建特征向量矩阵；

基于所述目标区域内各道路相关的所述特征向量矩阵，确定各道路相关的特征值。

4.根据权利要求3所述的道路拥堵预测方法，其特征在于，所述基于所述目标区域内各道路相关的所述特征向量矩阵，确定各道路相关的特征值，包括：计算任一道路相关的所述特征向量矩阵中的各特征向量与所述各特征向量对应的特征值之间的乘积；

将所述特征向量矩阵的所有乘积的累加值作为所述任一道路相关的特征值。

5.根据权利要求1所述的道路拥堵预测方法，其特征在于，所述将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量，包括：将各道路相关的特征值按照特定比例划分为训练集和测试集；

将所述训练集输入至所述卷积神经网络模型，对所述卷积神经网络模型进行训练，以获取所述空间特征提取模型；

将所述测试集中的各道路相关的特征值所组成的特征向量输入至所述空间特征提取模型，以获取所述空间特征向量。

6.根据权利要求1所述的道路拥堵预测方法，其特征在于：

所述任一采样时长是基于小时级别时间进行划分得到的。

7.根据权利要求1所述的道路拥堵预测方法，其特征在于：

所述任一采样时长为15分钟。

8.一种道路拥堵预测装置，其特征在于，包括：

TMC数据集构建模块，用于获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；其中，所述TMC数据包括交通状况、道路施工信息、天气信息、linkId、起点经纬度、终点经纬度和车辆行驶速度；

特征值获取模块，用于对所述TMC数据集进行降维处理，获取各道路相关的特征值；

空间特征向量获取模块，用于将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

道路拥堵预测模块，用于将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的；

所述将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果，包括：将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；

以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签的步骤；

将当前时刻上一时刻训练后的长短期记忆网络模型作为当前时刻的时间特征提取模型；

将当前时刻的空间特征向量输入至所述当前时刻的时间特征提取模型，以获取下一时刻的道路拥堵预测结果。

9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的道路拥堵预测方法的步骤。

说明书

道路拥堵预测方法及装置

技术领域

[0001] 本申请涉及轨道交通技术领域，具体涉及一种道路拥堵预测方法及装置。

背景技术

[0002] 目前，对道路拥堵的预测多是从空间角度展开，即根据不同的道路行驶环境进行预测。

[0003] 但该种方式仅能针对同一行驶环境时进行拥堵预测，一旦前方为陌生环境，则预测准确率会大大降低。

发明内容

[0004] 本申请实施例提供一种道路拥堵预测方法及装置，用以解决传统方法仅能针对同一行驶环境时进行拥堵预测，一旦前方为陌生环境，则预测准确率会大大降低的技术问题。

[0005] 第一方面，本申请实施例提供一种道路拥堵预测方法，包括：

[0006] 获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0007] 对所述TMC数据集进行降维处理，获取各道路相关的特征值；

[0008] 将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

[0009] 将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

[0010] 所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0011] 在一个实施例中，每个道路的TMC数据构成m*n的二维矩阵；

[0012] 其中，m，n分别为所述采样时长内的所述采样时刻的总数量和所述TMC数据的总类型数量；

[0013] 所述获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集，包括：

[0014] 将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建所述TMC数据集。

[0015] 在一个实施例中，所述对所述TMC数据集进行降维处理，获取各道路相关的特征值，包括：

[0016] 对每个道路的TMC数据所构成的所述二维矩阵中的每一行进行零均值化处理后，获取每个所述二维矩阵相关的均值化矩阵；

[0017] 获取每个所述均值化矩阵所对应的协方差矩阵；

[0018] 确定每个所述协方差矩阵的所有特征值以及与每个所述特征值对应的特征向量；

[0019] 将每个所述协方差矩阵的所有特征向量按照其对应特征值由大至小的顺序排列，获取特征向量序列；

[0020] 取所述特征向量序列中靠前的多个特征向量，构建特征向量矩阵；

[0021] 基于所述目标区域内各道路相关的所述特征向量矩阵，确定各道路相关的特征值。

[0022] 在一个实施例中，所述基于所述目标区域内各道路相关的所述特征向量矩阵，确定各道路相关的特征值，包括：

[0023] 计算任一道路相关的所述特征向量矩阵中的各特征向量与所述各特征向量对应的特征值之间的乘积；

[0024] 将所述特征向量矩阵的所有乘积的累加值作为所述任一道路相关的特征值。

[0025] 在一个实施例中，所述将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量，包括：

[0026] 将各道路相关的特征值按照特定比例划分为训练集和测试集；

[0027] 将所述训练集输入至所述卷积神经网络模型，对所述卷积神经网络模型进行训练，以获取所述空间特征提取模型；

[0028] 将所述测试集中的各道路相关的特征值所组成的特征向量输入至所述空间特征提取模型，以获取所述空间特征向量。

[0029] 在一个实施例中，所述将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果，包括：

[0030] 将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；

[0031] 以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以所述第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签的步骤；

[0032] 将当前时刻上一时刻训练后的长短期记忆网络模型作为当前时刻的时间特征提取模型；

[0033] 将当前时刻的空间特征向量输入至所述当前时刻的时间特征提取模型，以获取下一时刻的道路拥堵预测结果。

[0034] 在一个实施例中，所述任一采样时长是基于小时级别时间进行划分得到的。

[0035] 在一个实施例中，所述任一采样时长为15分钟。

[0036] 第二方面，本申请实施例提供一种道路拥堵预测装置，包括：

[0037] TMC数据集构建模块，用于获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0038] 特征值获取模块，用于对所述TMC数据集进行降维处理，获取各道路相关的特征值；

[0039] 空间特征向量获取模块，用于将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

[0040] 道路拥堵预测模块，用于将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

[0041] 所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0042] 第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的道路拥堵预测方法的步骤。

[0043] 本申请实施例提供的道路拥堵预测方法及装置，通过获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建TMC数据集，对TMC数据集进行降维处理，获取各道路相关的特征值，将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的道路拥堵预测结果。由于时间特征提取模型是根据目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的，因此，本申请的道路拥堵预测结果是基于历史TMC数据集和历史道路拥堵结果得到的，通过引入时间维度，能够基于历史某一时刻的道路拥堵状况预测下一时刻的道路拥堵状况，或是基于历史某一天的某一时刻的道路拥堵状况预测未来某一天的同一时刻的道路拥堵状况，结合空间特征的提取，即结合空间维度的道路拥堵预测，能够同时基于历史时刻的道路拥堵情况和即将驶入的道路行驶环境进行前方道路拥堵预测，提高预测准确率。

附图说明

[0044] 为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图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。

[0045] 图1是本申请实施例提供的道路拥堵预测方法的流程示意图之一；

[0046] 图2是本申请实施例提供的道路拥堵预测方法中的道路示意图；

[0047] 图3是本申请实施例提供的道路拥堵预测方法的流程示意图之二；

[0048] 图4是本申请实施例提供的道路拥堵预测方法的流程示意图之三；

[0049] 图5是本申请实施例提供的道路拥堵预测方法的流程示意图之四；

[0050] 图6为本申请实施例提供的道路拥堵预测装置的结构示意图；

[0051] 图7是本申请实施例提供的电子设备的结构示意图。

具体实施方式

[0052] 为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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。

[0053] 图1是本申请实施例提供的道路拥堵预测方法的流程示意图之一；

[0054] 图2是本申请实施例提供的道路拥堵预测方法中的道路示意图；

[0055] 参照图1‑2，本申请实施例提供一种道路拥堵预测方法，可以包括：

[0056] 101、获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0057] 目标区域可以为地图上的目标区域，目标区域内可以包括多个行驶道，每个行驶道按照车辆行驶方向被划分为多个道路（相当于将单个行驶道垂直于车辆行驶方向进行切分），其中，每个道路内包括相等数量的车道，如图2所示。

[0058] 交通信息频道TMC（Traffic Message Channel，TMC）是欧洲的辅助GPS导航的功能系统。它是通过广播数据系统RDS（Radio Data System，RDS）方式发送实时交通信息和天气状况的一种开放式数据应用。借助于具有TMC功能的导航系统，数据信息可以被接收并解码，然后以用户语言或可视化的方式将和当前旅行路线相关的信息展现给驾驶者。

[0059] 根据TMC的协议规定，TMC消息都是基于事件的，可分为用户消息和系统消息两大类。其中用户消息是指要提供给用户的交通状况、道路施工及天气信息，它是由RDS数据帧的8A组进行传输的；系统消息是指仅供RDS‑ TMC解码器用于解码、消息管理的信息，它们可通过8A、4A、3A或1A数据帧进行传输。

[0060] 本实施例中的TMC数据可以包括交通状况、道路施工信息、天气信息、linkId、起点经纬度、终点经纬度、以及车辆行驶速度等。

[0061] 其中，linkId是每个行驶道中的每个道路（每个道路的长度可以为10米）的编号，该编号在地图上的同一个区域内是唯一的。

[0062] 102、对TMC数据集进行降维处理，获取各道路相关的特征值；

[0063] 可以采用主成分分析PCA（Principal Component Analysis，PCA）对TMC数据集进行降维处理。

[0064] PCA是一种常用的数据分析方法，通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。

[0065] 103、将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量；

[0066] 空间特征提取模型是对卷积神经网络模型训练后获取的。

[0067] 104、将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的道路拥堵预测结果。

[0068] 时间特征提取模型，是根据目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0069] 本实施例提供的道路拥堵预测方法，通过获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建TMC数据集，对TMC数据集进行降维处理，获取各道路相关的特征值，将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的道路拥堵预测结果。由于时间特征提取模型是根据目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的，因此，本实施例的道路拥堵预测结果是基于历史TMC数据集和历史道路拥堵结果得到的，通过引入时间维度，能够基于历史某一时刻的道路拥堵状况预测下一时刻的道路拥堵状况，或是基于历史某一天的某一时刻的道路拥堵状况预测未来某一天的同一时刻的道路拥堵状况，结合空间特征的提取，即结合空间维度的道路拥堵预测，能够同时基于历史时刻的道路拥堵情况和即将驶入的道路行驶环境进行前方道路拥堵预测，提高预测准确率。

[0070] 在一个实施例中，获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集，可以包括：

[0071] 将每个采样时刻所采集到的TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建TMC数据集。

[0072] 该二维矩阵为每个道路的TMC数据构成m*n的二维矩阵；

[0073] 其中，m，n分别为采样时长内的采样时刻的总数量和TMC数据的总类型数量。

[0074] 本实施例将每个道路的TMC数据转化为采样时刻的总数量为行数，总类型数量为列数的二维矩阵，在不丢失原始数据特征的情况下便于后续进行矩阵相关计算。

[0075] 图3是本申请实施例提供的道路拥堵预测方法的流程示意图之二；参照图3，在一个实施例中，对TMC数据集进行降维处理，获取各道路相关的特征值，可以包括：

[0076] 301、对每个道路的TMC数据所构成的二维矩阵中的每一行进行零均值化处理后，获取每个二维矩阵相关的均值化矩阵；

[0077] 零均值化处理即每一行的每一个数据均减去这一行的数据平均值。

[0078] 零均值化处理可以消除数据的量纲不同对数据处理带来的不利影响，还可以将数据标准化至以同一点为原点进行分布，有助于数据的后续处理。

[0079] 302、获取每个均值化矩阵所对应的协方差矩阵；

[0080] 协方差矩阵中的元素的值越大，即说明该值对应的均值化矩阵中的TMC数据及其转置矩阵中的TMC数据相关性越强。

[0081] 303、确定每个协方差矩阵的所有特征值以及与每个特征值对应的特征向量；

[0082] 特征值代表其对应特征向量的重要程度，特征值越大，代表其对应的特征向量越重要，即该特征向量对应的TMC数据越重要。

[0083] 304、将每个协方差矩阵的所有特征向量按照其对应特征值由大至小的顺序排列，获取特征向量序列；

[0084] 即将特征向量按照重要性由大到小排列。

[0085] 305、取特征向量序列中靠前的多个特征向量，构建特征向量矩阵；

[0086] 即选取最为重要的几个特征向量构建特征向量矩阵。

[0087] 306、计算任一道路相关的特征向量矩阵中的各特征向量与各特征向量对应的特征值之间的乘积；

[0088] 各特征向量与各特征向量对应的特征值之间的乘积即为各特征向量与其对应的线性变换的乘积，该线性变换即为步骤302中的协方差矩阵。

[0089] 307、将特征向量矩阵的所有乘积的累加值作为任一道路相关的特征值。

[0090] 即将最为重要的几个特征向量与步骤302中的协方差矩阵的乘积加总，以表征协方差矩阵对应道路的TMC数据中最为重要的几个TMC数据的组合，作为该道路的特征值。

[0091] 本实施例通过计算道路的TMC数据构成的二维矩阵的协方差矩阵及其对应的特征值和特征向量，能够提取最为重要的几个特征向量，并利用最为重要的几个特征向量与该协方差矩阵的乘积加总来表征对应道路的TMC数据中最为重要的几个TMC数据的组合，从而降低对应道路的TMC数据集的维度的同时依旧较好的保留了TMC数据集的重要特征。

[0092] 图4是本申请实施例提供的道路拥堵预测方法的流程示意图之三；参照图4，在一个实施例中，将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，可以包括：

[0093] 401、将各道路相关的特征值按照特定比例划分为训练集和测试集；

[0094] 402、将训练集输入至卷积神经网络模型，对卷积神经网络模型进行训练，以获取空间特征提取模型；

[0095] 在对卷积神经网络进行训练时，先将训练集输入卷积神经网络的数据输入层，对训练集做数据预处理，包括零均值化（把数据的中心拉回到坐标系原点，减少数据偏差），归一化（将数据的幅度信息归一化到同样的范围，减少各维度数据取值范围的差异带来的干扰）、降维（消除特征之间的相关性，以最大程度保留数据信息）以及白化（对数据各个特征轴上的幅度归一化），再将预处理后的数据输入卷积计算层，将预处理后的数据与滤波矩阵做内积，以对该预处理后的数据进行特征过滤，再将过滤后的数据输入激活层，使用任意激活函数（例如带泄露线性整流函数Leaky ReLU（Leaky Rectified Linear Unit，Leaky ReLU））突出该过滤后的数据中的所有特征，再将激活后的数据输入至池化层，将激活后的数据特征进行压缩、减小计算量，并获取最优特征，最后将池化后的数据输入全连接层，将最优特征表示整合后输出。

[0096] 需要说明的是，卷积神经网络的层数此处不作限定，也可以使用三层卷积神经网络，即包括卷积层、池化层和全连接层即可。

[0097] 403、将测试集中的各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取空间特征向量。

[0098] 当卷积神经网络的输出结果与预期值相符或误差在可接受范围内时，该卷积神经网络训练完成，得到空间特征提取模型，再将测试集中的各道路相关的特征值所组成的特征向量输入至该空间特征提取模型以获取空间特征向量。

[0099] 本实施例利用部分道路相关的特征值组成的训练集训练卷积神经网络，得到空间特征提取模型，再将另一部分道路相关的特征值所组成的特征向量输入至该空间特征提取模型以获取空间特征向量，能够得到各道路相对准确的空间特征。

[0100] 图5是本申请实施例提供的道路拥堵预测方法的流程示意图之四；参照图5， 在一个实施例中，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的道路拥堵预测结果，可以包括：

[0101] 501、将第一历史时刻的空间特征向量，以及第一历史时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至长短期记忆网络模型，对该长短期记忆网络模型进行训练，得到第二历史时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签；

[0102] 其中，第二历史时刻为所述第一历史时刻的下一时刻。

[0103] 将任一历史时刻的目标区域内各道路的TMC数据集按照前述步骤102至103进行操作，可以得到任一历史时刻的空间特征向量。

[0104] 502、以第二历史时刻的空间特征向量更新第一历史时刻的空间特征向量，以第二历史时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签更新第一历史时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签后，返回步骤501；

[0105] 503、将当前时刻上一时刻训练后的长短期记忆网络模型作为当前时刻的时间特征提取模型；

[0106] 504、将当前时刻的空间特征向量输入至当前时刻的时间特征提取模型，以获取下一时刻的道路拥堵预测结果。

[0107] 该预测结果可以是0，1，2的离散值，分别代表了畅通、缓慢、拥堵的状态。

[0108] 本实施例中，对长短期记忆网络模型进行多次循环训练，例如根据t‑2时刻的目标区域内各道路的TMC数据集（t为大于2的整数），得到t‑2时刻的空间特征向量，将该t‑2时刻的空间特征向量，以及t‑2时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签输入至长短期记忆网络模型，得到t‑1时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，即完成一次训练，再将t‑1时刻的空间特征向量，以及该t‑1时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签输入至长短期记忆网络模型，得到t时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，又完成一次训练，该次训练后的长短期记忆网络模型即为t时刻的时间特征提取模型，再将t时刻的空间特征向量，以及该t时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签输入至该时间特征提取模型，得到t+1时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，即t+1时刻的道路拥堵预测结果。其中，t‑2时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签是将t‑3时刻的空间特征向量输入长短期记忆网络模型后预测得到的，t‑1时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签是将t‑2时刻的空间特征向量输入长短期记忆网络模型后预测得到的，t时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签是将t‑1时刻的空间特征向量输入长短期记忆网络模型后预测得到的；选取的历史时刻还可以前推至更多个，此处不作限定，只要能够对长短期记忆网络模型起到较好的训练效果即可。

[0109] 当长短期记忆网络模型的输出结果与预期值相符或误差在可接受范围内时，该长短期记忆网络模型训练完成。

[0110] 本实施例利用历史时刻的空间特征向量和历史时刻的目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，对长短期记忆网络模型进行训练，得到时间特征提取模型，再将当前时刻的空间特征向量输入至时间特征提取模型，以获取下一时刻的道路拥堵预测结果，使得该预测结果既包括空间特征又包括时间特征，既体现道路拥堵与空间的相关性，也体现道路拥堵与时间的相关性，能够提高道路拥堵的预测准确度。

[0111] 在一个实施例中，任一采样时长可以基于小时级别时间进行划分得到的，进一步地，任一采样时长可以为15分钟。

[0112] 通过统计及降维操作发现以15分钟为一个时间窗口，总能找到另一个15分钟的时间窗口，两者时间窗口内的TMC数据具有相同变化趋势，因此，以15分钟为一个采样时长进行采样，以获取TMC数据的周期特征。

[0113] 另外，可以将4个15分钟时间窗口作为一个小时时间窗口来划定TMC数据的周期特征，形成小时级别的时间信息。

[0114] 由于道路中小时级别的速度变化与前几个小时的速度变化有较强的相关性，并对后几个小时的速度变化有较大的影响，因此，能够根据小时级别的时间信息进行道路拥堵预测，提高预测准确度。

[0115] 本实施例通过将15分钟作为一个时间窗口，并将4个时间窗口作为一个小时时间窗口来确定TMC数据的周期特征，形成小时级别的时间信息，使得后续预测结果能够以小时为时间粒度，提高预测的精细度和准确度。

[0116] 下面对本申请实施例提供的道路拥堵预测装置进行描述，下文描述的道路拥堵预测装置与上文描述的道路拥堵预测方法可相互对应参照。

[0117] 图6为本申请实施例提供的道路拥堵预测装置的结构示意图。参照图6，本申请实施例提供一种道路拥堵预测装置，可以包括：

[0118] TMC数据集构建模块601，用于获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0119] 特征值获取模块602，用于对所述TMC数据集进行降维处理，获取各道路相关的特征值；

[0120] 空间特征向量获取模块603，用于将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

[0121] 道路拥堵预测模块604，用于将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

[0122] 所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0123] 本申请实施例提供的道路拥堵预测装置，通过获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建TMC数据集，对TMC数据集进行降维处理，获取各道路相关的特征值，将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由空间特征提取模型输出的空间特征向量，将空间特征向量输入至时间特征提取模型，以获取由时间特征提取模型输出的道路拥堵预测结果。由于时间特征提取模型是根据目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的，因此，本实施例的道路拥堵预测结果是基于历史TMC数据集和历史道路拥堵结果得到的，通过引入时间维度，能够基于历史某一时刻的道路拥堵状况预测下一时刻的道路拥堵状况，或是基于历史某一天的某一时刻的道路拥堵状况预测未来某一天的同一时刻的道路拥堵状况，结合空间特征的提取，即结合空间维度的道路拥堵预测，能够同时基于历史时刻的道路拥堵情况和即将驶入的道路行驶环境进行前方道路拥堵预测，提高预测准确率。

[0124] 在一个实施例中，每个道路的TMC数据构成m*n的二维矩阵；

[0125] 其中，m，n分别为所述采样时长内的所述采样时刻的总数量和所述TMC数据的总类型数量；

[0126] TMC数据集构建模块601具体用于：

[0127] 将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵，按照时间顺序依次排列，以构建所述TMC数据集。

[0128] 在一个实施例中，特征值获取模块602具体用于：

[0129] 对每个道路的TMC数据所构成的所述二维矩阵中的每一行进行零均值化处理后，获取每个所述二维矩阵相关的均值化矩阵；

[0130] 获取每个所述均值化矩阵所对应的协方差矩阵；

[0131] 确定每个所述协方差矩阵的所有特征值以及与每个所述特征值对应的特征向量；

[0132] 将每个所述协方差矩阵的所有特征向量按照其对应特征值由大至小的顺序排列，获取特征向量序列；

[0133] 取所述特征向量序列中靠前的多个特征向量，构建特征向量矩阵；

[0134] 基于所述目标区域内各道路相关的所述特征向量矩阵，确定各道路相关的特征值。

[0135] 在一个实施例中，特征值获取模块602具体用于：

[0136] 计算任一道路相关的所述特征向量矩阵中的各特征向量与所述各特征向量对应的特征值之间的乘积；

[0137] 将所述特征向量矩阵的所有乘积的累加值作为所述任一道路相关的特征值。

[0138] 在一个实施例中，空间特征向量获取模块603具体用于：

[0139] 将各道路相关的特征值按照特定比例划分为训练集和测试集；

[0140] 将所述训练集输入至所述卷积神经网络模型，对所述卷积神经网络模型进行训练，以获取所述空间特征提取模型；

[0141] 将所述测试集中的各道路相关的特征值所组成的特征向量输入至所述空间特征提取模型，以获取所述空间特征向量。

[0142] 在一个实施例中，道路拥堵预测模块604具体用于：

[0143] 将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签；所述第二历史时刻为所述第一历史时刻的下一时刻；

[0144] 以第二历史时刻的空间特征向量更新所述第一历史时刻的空间特征向量，以所述第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签更新所述第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签后，返回将第一历史时刻的空间特征向量，以及第一历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签，输入至所述长短期记忆网络模型，对所述长短期记忆网络模型进行训练，得到第二历史时刻的所述目标区域内各道路的TMC数据集对应的道路拥堵预测结果标签的步骤；

[0145] 将当前时刻上一时刻训练后的长短期记忆网络模型作为当前时刻的时间特征提取模型；

[0146] 将当前时刻的空间特征向量输入至所述当前时刻的时间特征提取模型，以获取下一时刻的道路拥堵预测结果。

[0147] 在一个实施例中，TMC数据集构建模块601中的任一采样时长是基于小时级别时间进行划分得到的。

[0148] 在一个实施例中，TMC数据集构建模块601中的任一采样时长为15分钟。

[0149] 图7例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器（processor）710、通信接口（Communication Interface）720、存储器（memory）730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的计算机程序，以执行道路拥堵预测方法的步骤，例如包括：

[0150] 获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0151] 对所述TMC数据集进行降维处理，获取各道路相关的特征值；

[0152] 将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

[0153] 将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

[0154] 所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0155] 此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品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设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

[0156] 另一方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的道路拥堵预测方法的步骤，例如包括：

[0157] 获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0158] 对所述TMC数据集进行降维处理，获取各道路相关的特征值；

[0159] 将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

[0160] 将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

[0161] 所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0162] 另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤，例如包括：

[0163] 获取任一采样时长内的每个采样时刻所采集到的目标区域内各道路的交通信息频道TMC数据，以构建交通信息频道TMC数据集；

[0164] 对所述TMC数据集进行降维处理，获取各道路相关的特征值；

[0165] 将由各道路相关的特征值所组成的特征向量输入至空间特征提取模型，以获取由所述空间特征提取模型输出的空间特征向量；

[0166] 将所述空间特征向量输入至时间特征提取模型，以获取由所述时间特征提取模型输出的道路拥堵预测结果；

[0167] 所述空间特征提取模型是对卷积神经网络模型训练后获取的；所述时间特征提取模型，是根据所述目标区域内各道路的历史TMC数据集及其对应的道路拥堵预测结果标签，对长短期记忆网络模型训练后获取的。

[0168] 所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器（例如软盘、硬盘、磁带、磁光盘（MO）等）、光学存储器（例如CD、DVD、BD、HVD等）、以及半导体存储器（例如ROM、EPROM、EEPROM、非易失性存储器（NAND FLASH）、固态硬盘（SSD））等。

[0169] 以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0170] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

[0171] 最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。