[發明專利]交通數據的預測方法、裝置和計算機可讀存儲介質

有效

• 申請號: 201910702536.0
• 申請日: 2019-07-31
• 公開（公告）號: CN110415521B
• 公開（公告）日: 2021-03-05
• 發明（設計）人: 張鈞波;潘哲逸;王偉烽;鄭宇
• 申請（專利權）人: 京東城市（北京）數字科技有限公司
• 主分類號: G08G1/01
• 分類號: G08G1/01;G06Q50/26;G06Q10/04;G06N3/04
• 代理公司: 中國貿促會專利商標事務所有限公司 11038
• 代理人: 李昊;方亮

本發明公開了一種交通數據的預測方法、裝置和計算機可讀存儲介質，涉及數據處理技術領域。交通數據的預測方法包括：將地點在每個過去時刻的交通數據輸入到第一循環神經網絡的編碼器中，獲得地點在每個過去時刻的第一隱藏狀態；根據預先獲取的地點和與地點互通的多個地點的元知識、以及地點涉及的多個互通信息的元知識，更新地點在每個時刻的第一隱藏狀態，其中，地點的元知識是根據地點的屬性確定的、互通信息的元知識是根據互通信息的屬性確定的；將更新后的地點在每個過去時刻的第一隱藏狀態輸入到第二循環神經網絡中，獲得地點在未來時刻的交通數據，其中，第二循環神經網絡的參數是根據地點的元知識確定的。從而提高了預測的準確性。

技術領域

本發明涉及數據處理技術領域，特別涉及一種交通數據的預測方法、裝置和計算機可讀存儲介質。

背景技術

交通堵塞是城市人們出行的最大困擾。通過準確地預測城市交通狀況，可以有效地節省交通時間，疏散交通擁堵等問題。

相關技術采用多種方式進行交通狀況的預測。一種方式為簡單的統計學習方法，包括求歷史數據的平均值、采用差分整合移動平均自回歸模型(AutoregressiveIntegrated Moving Average，簡稱：ARIMA)、采用漸近梯度回歸樹(Gradient BoostingRegression Tree，GBRT)等等；另一種方式為采用多任務學習模型(Multi-taskLearning)；再一種方式為采用簡單的深度學習模型。

發明內容

發明人經過分析后發現，簡單的統計學習方法未能較好地針對城市交通數據的時空相關性進行建模。城市交通數據同時具有時間相關性和空間相關性，其中，空間相關性體現在不同地點的交通狀態的互相影響。例如，某地發生的交通阻塞會迅速擴散至周圍地點。時間相關性指某一時刻的交通狀態與之前時刻的交通狀態是相關的。城市交通數據的時間相關性和空間相關性相互作用。如果忽略了這一特點，則很難成功地對城市交通進行建模

傳統多任務學習模型需要利用地區間的特征分布計算不同地區之間的相似性。然而，計算相似性需要針對數據做出諸多假設。在實際的應用中，這樣的假設通常難以成立。

對于采用簡單的深度學習模型的方式，由所有地點共用同一模型，這會忽略不同地點間的特征差異性。城市中不同地點由于地理信息不同而特征各異，因此具有不同的時空相關性。例如，居住區和工作區的交通高峰時刻明顯不同。因此，現有的深度學習模型也具有局限性。

相關技術中的上述缺陷導致無法對交通狀況進行準確地預測。

本發明實施例所要解決的一個技術問題是：如何提高交通狀況預測的準確性。

根據本發明一些實施例的第一個方面，提供一種交通數據的預測方法，包括：將地點在每個過去時刻的交通數據輸入到第一循環神經網絡的編碼器中，獲得地點在每個過去時刻的第一隱藏狀態；根據預先獲取的地點和與地點互通的多個地點的元知識、以及地點涉及的多個互通信息的元知識，更新地點在每個時刻的第一隱藏狀態，其中，地點的元知識是根據地點的屬性確定的、互通信息的元知識是根據互通信息的屬性確定的；將更新后的地點在每個過去時刻的第一隱藏狀態輸入到第二循環神經網絡中，獲得地點在一個或多個未來時刻的交通數據，其中，第二循環神經網絡的參數是根據地點的元知識確定的。

在一些實施例中，預測方法還包括：將地點和與地點互通的多個地點中的每一個的屬性輸入到預先訓練的地點元知識學習器中，獲得每個地點的元知識；將地點涉及的多個互通信息中的每一個的屬性輸入到預先訓練的互通信息元知識學習器中，獲得每個互通信息的元知識。