(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211270666.X (22)申请日 2022.10.18 (71)申请人 智道网联科技 （北京） 有限公司 地址 100013 北京市东城区北三环东路3 6 号1号楼B6 01 (72)发明人 李宁　贾双成　朱磊　郭杏荣　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 聂俊伟 (51)Int.Cl. G06V 20/54(2022.01) G06V 10/62(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 道路拥堵预测方法及装置 (57)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。 权利要求书2页 说明书11页 附图4页 CN 115359444 A 2022.11.18 CN 115359444 A 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TM C数据集； 对所述TM C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。 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TM C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TM C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， 以权　利　要　求　书 1/2 页 2 CN 115359444 A 2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； 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。 7.根据权利要求1所述的道路拥堵预测方法， 其特 征在于： 所述任一采样时长是基于小时级别时间进行划分得到的。 8.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。 9.一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TM C数据， 以构建交通信息频道TM C数据集； 特征值获取模块， 用于对所述TM C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。 10.一种电子设备， 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8任一项所述的道路拥堵预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115359444 A 3