[發(fā)明專利]基于平行集成學(xué)習(xí)的交通路徑推薦方法、系統(tǒng)、裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201910793353.4
• 申請(qǐng)日: 2019-08-27
• 公開（公告）號(hào): CN110517492B
• 公開（公告）日: 2020-12-01
• 發(fā)明（設(shè)計(jì)）人: 朱鳳華;郭中正;陳圓圓;呂宜生;王飛躍;趙紅霞
• 申請(qǐng)（專利權(quán)）人: 中國科學(xué)院自動(dòng)化研究所
• 主分類號(hào): G08G1/01
• 分類號(hào): G08G1/01;G06Q10/04
• 代理公司: 北京市恒有知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11576
• 代理人: 郭文浩;尹文會(huì)

本發(fā)明屬于智能交通系統(tǒng)領(lǐng)域，具體涉及了一種基于平行集成學(xué)習(xí)的交通路徑推薦方法、系統(tǒng)、裝置，旨在解決現(xiàn)有技術(shù)無法推薦最優(yōu)車輛行駛路徑的問題。本發(fā)明方法包括：基于交通需求信息劃定可行區(qū)域并獲取歷史數(shù)據(jù)，根據(jù)路段劃分為不同的歷史數(shù)據(jù)子集；分別采用路段預(yù)測(cè)子模型獲取預(yù)測(cè)結(jié)果，并獲取模型最優(yōu)超參數(shù)組、更新人工仿真場(chǎng)景、繪制可行規(guī)劃區(qū)域交通擁堵地圖，獲取推薦行駛交通路徑；其中，路段預(yù)測(cè)子模型通過平行集成學(xué)習(xí)的方法訓(xùn)練。本發(fā)明采用集成式模型預(yù)測(cè)未來需求并將其作為構(gòu)建人工仿真場(chǎng)景的主要依據(jù)，同步動(dòng)態(tài)更新信息，由小數(shù)據(jù)生成大數(shù)據(jù)，并從大數(shù)據(jù)中提取到小知識(shí)，有效提升道路的通行效率，緩解擁堵情況，節(jié)省出行耗時(shí)。

技術(shù)領(lǐng)域

本發(fā)明屬于智能交通系統(tǒng)領(lǐng)域，具體涉及了一種基于平行集成學(xué)習(xí)的交通路徑推薦方法、系統(tǒng)、裝置。

背景技術(shù)

21世紀(jì)以來，我國進(jìn)入了城市化、現(xiàn)代化、機(jī)動(dòng)化進(jìn)程的快速發(fā)展期，機(jī)動(dòng)車保有量與日俱增。城市道路交通系統(tǒng)四通八達(dá)，給定出發(fā)地和目的地，總有超過一條的可選路線抵達(dá)目標(biāo)，如何找到暢通且道路距離最短的路徑具有重要的現(xiàn)實(shí)意義。

由于現(xiàn)有導(dǎo)航地圖沒有錄入一些輔路或窄路，地圖中已有路段的路況信息持續(xù)變化，且駕駛員對(duì)不同路段的熟悉程度不同，以及在較長距離行駛時(shí)選擇性太多卻沒有有益的指導(dǎo)信息可供參考等原因，而導(dǎo)致一些主要路段會(huì)由于大幅引入車輛而造成堵塞，但另外一些可行路線卻由于上述原因幾乎沒有車輛經(jīng)過。并且現(xiàn)有地圖中推薦的路線都是從出發(fā)地到目的地的最短路徑，如果有的較遠(yuǎn)路段暢通，而就近路段已經(jīng)嚴(yán)重堵塞，此時(shí)車輛仍按照推薦最短路徑行駛所消耗的時(shí)間可能比稍微繞遠(yuǎn)還長得多。

總的來說，現(xiàn)有路徑推薦系統(tǒng)采用歷史數(shù)據(jù)作為推薦依據(jù)，其數(shù)據(jù)可信度參差不齊，無法推薦最優(yōu)車輛行駛路徑，從而無法有效緩解交通擁堵。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中的上述問題，即現(xiàn)有技術(shù)交通數(shù)據(jù)可信度參差不齊，無法推薦最優(yōu)車輛行駛路徑的問題，本發(fā)明提供了一種基于平行集成學(xué)習(xí)的交通路徑推薦方法，該交通路徑推薦方法包括：

步驟S10，基于獲取的交通請(qǐng)求信息劃定可行規(guī)劃區(qū)域；

步驟S20，獲取所述可行規(guī)劃區(qū)域的設(shè)定時(shí)間段的歷史交通數(shù)據(jù)，并按照路段劃分為不同路段歷史數(shù)據(jù)子集；

步驟S30，基于所述歷史數(shù)據(jù)子集中每一個(gè)路段的數(shù)據(jù)，分別采用各路段預(yù)測(cè)子模型，獲取不同路段對(duì)應(yīng)的預(yù)測(cè)結(jié)果；

步驟S40，分別基于所述不同路段對(duì)應(yīng)的預(yù)測(cè)結(jié)果，通過概率模型對(duì)各路段預(yù)測(cè)子模型超參數(shù)組進(jìn)行篩選，獲得各路段預(yù)測(cè)子模型的最優(yōu)超參數(shù)組；

步驟S50，基于所述最優(yōu)超參數(shù)組，更新預(yù)先構(gòu)建的人工仿真場(chǎng)景，并繪制可行規(guī)劃區(qū)域交通擁堵地圖；

步驟S60，基于所述可行規(guī)劃區(qū)域交通擁堵地圖、交通請(qǐng)求信息以及更新后的人工仿真場(chǎng)景，獲取推薦行駛交通路徑。

在一些優(yōu)選的實(shí)施例中，所述各路段預(yù)測(cè)子模型分別基于非線性模型構(gòu)建，并通過平行集成學(xué)習(xí)的方法訓(xùn)練；所述各路段預(yù)測(cè)子模型中每一個(gè)路段預(yù)測(cè)子模型，其訓(xùn)練方法為：

步驟G10，獲取設(shè)定時(shí)間段的路段歷史數(shù)據(jù)子集，并隨機(jī)選取m組隨機(jī)路段預(yù)測(cè)子模型超參數(shù)組；

步驟G20，基于所述歷史數(shù)據(jù)子集以及m組超參數(shù)組，分別計(jì)算路段預(yù)測(cè)子模型的評(píng)估損失值；所述評(píng)估損失值與對(duì)應(yīng)的路段預(yù)測(cè)子模型超參數(shù)組構(gòu)成評(píng)估集合；

步驟G30，將所述評(píng)估集合擬合為先驗(yàn)概率預(yù)測(cè)模型，并通過所述先驗(yàn)概率預(yù)測(cè)模型映射出預(yù)設(shè)數(shù)量的路段預(yù)測(cè)子模型的超參數(shù)組，獲得超參數(shù)組集合；

步驟G40，采用推薦函數(shù)選取所述超參數(shù)組集合中一組超參數(shù)作為所述路段預(yù)測(cè)子模型的超參數(shù)組，并采用代理評(píng)估函數(shù)評(píng)估所述路段預(yù)測(cè)子模型的超參數(shù)組，獲得對(duì)應(yīng)的代理評(píng)估損失值；