交通拥堵预测方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种交通拥堵预测方法、装置、设备及存储介质。


背景技术：

2.随着经济科学的不断发展，人们生活水平的不断提升，个人拥有汽车已为普遍现象，该现象导致城市的道路交通的压力也在不断增加，拥堵便成了人们出行中十分常见而又困扰的一件事，如何在现有的交通线路中为用户出行提前做好路线的规划已成为目前解决交通拥堵问题的发展趋势。
3.现有技术中，为了解决上述的问题，我国各个城市交通管理部门都在关键路口设置有交通卡口，利用交通卡口处设置的监测装置实时监测通行车辆，从而确定实时的路况并推送给有需要的出行用户，但是这种方式所推送给出行用户的信息只能体现出当前时刻的道路路况，出行用户基于当前时间的道路路况还是不能获知其规划出行时间段的路况，其并不能避免出行用户出行时存在拥堵的风险，也无法缓解道路拥堵的现象。


技术实现要素：

4.本发明的主要目的在于解决现有城市智能交通系统中，无法实现对交通拥堵预测的技术问题。
5.本发明第一方面提供了一种交通拥堵预测方法，包括：
6.根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集；
7.利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；
8.基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数；
9.通过预先构建的路网知识图谱，基于所述节点参数和边参数生成预设时间段内的交通图；
10.将所述交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与所述交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
11.可选的，在本发明第一方面的第一种实现方式中，所述利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数包括：
12.通过大数据分析技术，提取所述车流数据集中的时间段的信息和所述时间段内通过的车辆数据；
13.根据所述时间段的信息与所述车辆数据计算所述各交通卡口的平均车流量数据；
14.基于所述各交通卡口的平均车流量数据，生成节点参数。
15.可选的，在本发明第一方面的第二种实现方式中，所述通过大数据分析技术根据车流量数据对所述各交通卡口之间车流量的关系进行计算，得到边参数包括：
16.确定与所述时间段的信息对应的历史时间段的信息，并获取所述各交通卡口在所述历史时间段内的历史车辆数据；
17.根据所述历史车辆数据计算所述各交通卡口之间的卡口相关系数和路段错时时间；
18.根据所述卡口相关系数和路段错时时间，生成边参数。
19.可选的，在本发明第一方面的第三种实现方式中，所述根据所述历史车辆数据计算所述交通卡口之间的卡口相关系数和路段错时时间包括：
20.将所述历史车辆数据进行切片处理，得到若干个历史车辆数据片段；
21.利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段；
22.根据所述m个历史车辆数据片段计算各交通卡口在经历不同单位时间长度时的相关系数，得到相关系数集；
23.选取所述相关系数集中最大值作为两个交通卡口的卡口相关系数，取所述卡口相关系数对应的时间作为错时时间。
24.可选的，在本发明第一方面的第四种实现方式中，在所述根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集之前，还包括：
25.获取各交通卡口和交通卡口之间的路段连接关系，得到道路关系数据；
26.获取所述各交通卡口的基础信息和路段基础信息，得到交通基础数据；
27.根据所述道路关系数据和所述交通基础数据构建路网知识图谱。
28.可选的，在本发明第一方面的第五种实现方式中，在所述根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集之前，还包括：
29.获取历史车辆数据，并将各交通卡口在每单位时间的拥堵程度进行标注，得到标注车流数据；
30.根据预先构建的路网知识图谱以及所述标注车流数据生成历史路网图集；
31.将所述历史路网图集作为交通预测训练集，调用所述交通预测训练集对图卷积神经网络进行训练，得到交通预测模型。
32.可选的，在本发明第一方面的第六种实现方式中，所述调用所述交通预测训练集对图卷积神经网络进行训练，得到交通预测模型包括：
33.对所述交通预测训练集中的多个历史路网图进行划分，得到训练图集、测试图集以及验证图集；
34.根据所述训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数；
35.根据所述训练完毕的预测参数生成交通预测模型。
36.本发明第二方面提供了一种交通拥堵预测装置，包括：
37.监测数据获取模块，用于根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集；
38.节点参数获取模块，利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；
39.边参数获取模块，用于基于所述节点参数和所述车流数据集，计算出各交通卡口
之间的关系，得到边参数；
40.交通图生成模块，用于通过预先构建的路网知识图谱，基于所述节点参数和边参数生成预设时间段内的交通图；
41.拥堵程度预测模块，用于将所述交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与所述交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
42.可选的，在本发明第二方面的第一种实现方式中，所述节点参数获取模块包括：
43.第一分析单元，用于通过大数据分析技术，提取所述车流数据集中的时间段的信息和所述时间段内通过的车辆数据；
44.第一计算单元，用于根据所述时间段的信息与所述车辆数据计算所述各交通卡口的平均车流量数据；
45.节点参数生成单元，用于基于所述各交通卡口的平均车流量数据，生成节点参数。
46.可选的，在本发明第二方面的第二种实现方式中，所述边参数获取模块包括：
47.第二分析单元，用于确定与所述时间段的信息对应的历史时间段的信息，并获取所述节点参数对应的交通卡口在所述历史时间段内的历史车辆数据；
48.第二计算单元，用于根据所述历史车辆数据计算所述各交通卡口之间的卡口相关系数和路段错时时间；
49.边参数生成单元，用于根据所述卡口相关系数和路段错时时间，生成边参数。
50.可选的，在本发明第二方面的第三种实现方式中，所述第二计算单元包括：
51.数据筛选子单元，用于将所述历史车辆数据进行切片处理，得到若干个历史车辆数据片段；利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段；
52.相关系数计算子单元，用于根据所述m个单位时间长度内的历史车辆数据计算各交通卡口在经历不同单位时间长度时的相关系数，得到相关系数集；
53.错时时间计算子单元，用于选取所述相关系数集中最大值作为两个交通卡口的卡口相关系数，取所述卡口相关系数对应的时间作为错时时间。
54.可选的，在本发明第二方面的第四种实现方式中，所述交通拥堵预测装置还包括路网知识图谱构建模块，所述路网知识图谱构建模块具体用于：
55.获取各交通卡口和交通卡口之间的路段连接关系，得到道路关系数据；获取所述各交通卡口的基础信息和路段基础信息，得到交通基础数据；根据所述道路关系数据和所述交通基础数据构建路网知识图谱。
56.可选的，在本发明第二方面的第五种实现方式中，所述交通拥堵预测装置还包括交通预测模型构建模块，所述交通预测模型构建模块具体包括：
57.交通标注数据获取单元，用于获取历史车辆数据集，并将各交通卡口在每单位时间的拥堵程度进行标注，得到标注车流数据集；
58.历史路网图集获取单元，用于根据所述路网知识图谱以及所述卡口交通标注数据生成历史路网图集；
59.预测模型建立单元，用于将所述历史路网图集作为交通预测训练集，调用所述交通预测训练集对图卷积神经网络进行训练，得到交通预测模型。
60.可选的，在本发明第二方面的第六种实现方式中，所述预测模型建立单元具体还用于：
61.对所述交通预测训练集中的多个历史路网图进行划分，得到训练图集、测试图集以及验证图集；根据所述训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数；根据所述训练完毕的预测参数生成交通预测模型。
62.本发明第三方面提供了一种交通拥堵预测设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述交通拥堵预测设备执行上述的交通拥堵预测方法的步骤。
63.本发明的第四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指令，当其在计算机上运行时，使得计算机执行上述的交通拥堵预测方法的步骤。
64.本发明提供的技术方案中，该交通拥堵预测方法根据接收到的交通拥堵预测请求获取相对应的各交通卡口处的车流数据，得到车流数据集；通对对车流数据集中的交通卡口的参数进行分析，得到节点参数，基于节点参数和车流数据集，计算出各交通卡口之间的关系，从而得到边参数，随后根据预先构建的路网知识图谱和计算得到的节点参数和边参数生成预设时间段内的交通图，利用预先基于图卷积网络模型生成的交通预测模型对预设时间段内的交通图进行处理，得到交通卡口的拥堵程度的预测值从而对交通拥堵状况进行预测。将交通卡口处的车流数据结合路网知识图谱生成交通图，并基于交通图进行预测，得到待预测时间段的交通拥堵情况的预测值，从而实现对交通拥堵情况的预测功能。
附图说明
65.图1为本发明实施例中交通拥堵预测方法的一个实施例示意图；
66.图2为本发明实施例中交通拥堵预测方法的另一个实施例示意图；
67.图3为本发明实施例中交通拥堵预测方法的另一个实施例示意图；
68.图4为本发明实施例中交通拥堵预测方法的另一个实施例示意图；
69.图5为本发明实施例中交通拥堵预测装置的一个实施例示意图；
70.图6为本发明实施例中交通拥堵预测装置的另一个实施例示意图；
71.图7为本发明实施例中交通拥堵预测设备的一个实施例示意图。
具体实施方式
72.本发明提供的技术方案中，该交通拥堵预测方法根据接收到的交通拥堵预测请求获取相对应的各交通卡口处的车流数据，得到车流数据集；通对对车流数据集中的交通卡口的参数进行分析，得到节点参数，基于节点参数和车流数据集，计算出各交通卡口之间的关系，从而得到边参数，随后根据预先构建的路网知识图谱和计算得到的节点参数和边参数生成预设时间段内的交通图，利用预先基于图卷积网络模型生成的交通预测模型对预设时间段内的交通图进行处理，得到交通卡口的拥堵程度的预测值从而对交通拥堵状况进行预测。将交通卡口处的车流数据结合路网知识图谱生成交通图，并基于交通图进行预测，得到待预测时间段的交通拥堵情况的预测值，从而实现对交通拥堵情况的预测功能。
73.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理
解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
74.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中交通拥堵预测方法的一个实施例包括：
75.101、根据交通拥堵预测请求，获取各交通卡口处的卡口车流数据，得到车流数据集；
76.可以理解的是，本发明的执行主体可以为交通拥堵预测装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
77.服务器接收交通拥堵预测请求，其中，交通拥堵预测请求中包含有欲进行交通拥堵状况预测的时间以及欲预测拥堵状况的卡口信息，根据欲进行交通拥堵状况预测的时间确定本实施例中进行预测时需要的车流数据的范围。
78.交通管理部门等会预先在道路上的关键路口作为交通卡口，并在交通卡口处设置如摄像头等交通情况监测装置以获取当前的交通信息，这些交通信息实时反映了当前时段的交通状况。具体地，本步骤中所述的车流数据为在交通卡口处通过交通监测装置进行记录的通过该交通卡口的车辆信息，其中，车辆信息包括有当前通过该交通卡口的车辆的车牌号、车型号、以及该车辆通过该交通卡口的时间等数据信息，本实施例中具体是的获取车辆信息中的车流数据进行交通拥堵预测的。本实施例中提及的车流数据为在一定的时间内经过各交通卡口处的车辆数量与经过时间的数据，本实施例中欲通过当前时间或近期时间内的交通状况进行交通拥堵的预测，故确定本实施例中进行预测时需要的车流数据的时间范围以及地理范围后，在个交通卡口的监测装置内获取所需的范围内的车流数据，并将获取到的车流数据组成车流数据集。
79.102、利用大数据分析技术对车流数据集中的交通卡口的参数进行分析，得到节点参数；
80.103、基于节点参数和车流数据集，计算出各交通卡口之间的关系，得到边参数；
81.在前述步骤中获取到车流数据集后，利用大数据分析技术对得到的车流数据集进行分析与计算，由于本实施例中是通过基于图卷积神经网络构建的交通预测模型进行交通预测的，而待预测的时间段的交通状况和当前时间或当前时间前预设时间段时的车流数据有一定的关系，这些车流数据数量很多且难以分类，故在进行交通拥堵的预测时首先利用大数据分析技术提取出预先获取到的车流数据集中的特征数据信息进行保存，本实施例中所述的特征数据信息即为节点参数和边参数。
82.例如，待预测的时间为当前时间1小时后，预设时间为3小时，则基于该待预测时间点，根据车流数据集计算得到该近3小时内每个交通卡口的平均车流量数据，并根据获得到的近3小时内每个交通卡口的平均车流量数据作为车流参数中的节点参数进行保存。
83.此外，由于每个交通卡口可以通向不同的卡口连接路段，例如，某车辆在经过一号卡口并进入一号路段后，经过且仅能经过二号卡口后才能进入其他路段，某车辆在经过一号卡口并进入二号路段后，过且仅能经过三号卡口后才能进入其他路段，则此时可通过一
号路段确定一号卡口与二号卡口为相邻的交通卡口、可以通过二号路段确定一号卡口与三号卡口为相邻的交通卡口。故根据计算得出的节点参数以及车流数据集中的数据计算每个相邻交通卡口的每时平均车流量数据，从而计算得到相邻交通卡口之间的相关程度，将得到的相关程度结果作为边参数。
84.例如，通过数据发现，经过一号卡口的所有车辆中平均约有30％的车辆经过了二号卡口，平均约有70％的车辆经过了三号卡口，则一定程度上反映出一号卡口和二号卡口之间的相关程度小于一号卡口与三号卡口之间的相关程度。计算卡口间的相关程度并将卡口间的相关程度等信息作为车流参数中的边参数进行保存。
85.由于车流数据在不同的时刻会有不同的特点，例如某些卡口在早晚高峰时段抽取的车流数据集计算得出的相关程度和其他时段的相比会有一定的不同，故在计算相关程度时，可首先通过大数据分析技术根据上步骤中交通拥堵预测请求中包含的欲进行交通拥堵状况预测的时间信息筛选车流数据集中相对应的时间的车辆数据进行计算。
86.104、通过预先构建的路网知识图谱，基于节点参数和边参数生成预设时间段内的交通图；
87.获取预先构建好的包含待预测交通卡口的路网知识图谱，本实施例中在路网知识图谱的预先构建过程中，首先获取交通卡口与交通卡口之间的路段连接关系，并根据相应的交通卡口的基础信息以及路段基础信息计算出交通基础数据。其中，交通卡口的基础信息包括交通卡口编号，卡口坐标等信息，路段基础信息包括路段编号，路段连接的卡口等信息。将道路上的交通卡口作为实体，将连接交通卡口间的路段作为实体的连接关系得到路网知识图谱。
88.获取到建立好的路网知识图谱后，根据路网知识图谱中的道路连接关系，基于前述步骤中计算得出的车流参数中节点参数和边参数生成包含预设时间段内车流信息的交通图，具体地，是根据路网知识图谱中的连接关系将交通卡口作为交通图中的节点，将前述步骤中获取的节点参数保存到对应的节点上，将通过道路连接起来的节点之间添加边，并将前述步骤中获取的边参数保存为对应边的参数。其中，生成的交通图可以是预设时间内的一张或多张，当生成的交通图为多张时，将多张交通图按时间顺序进行排序，并组成交通图组。
89.105、将交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
90.将上步骤中构建得到的包含预设时间段内车流信息的交通图输入预先建立的交通预测模型中，本实施例中交通预测模型是预先根据图卷积神经网络(graph convolutional neural network，gcn)建立的，图卷积神经网络是一种能对图数据进行深度学习的方法。将交通图中的节点对应作为交通预测模型输入图中的节点，将交通图中的边作为交通预测模型输入图中的边，使用预先训练好的交通预测模型判断预设时间段内的交通图中的特征，并根据交通预测模型中含有的参数获得交通卡口在待预测时间段的拥堵程度的预测值，例如本实施例中具体是根据模型预测当前时间的一小时后每个交通卡口的拥堵程度。
91.具体地，本实施例中预先建立的交通预测模型包括输入层、隐藏层以及输出层，其中隐藏层可以为一层或多层；在处理输入的预设时间段内的交通图时，利用所述输入层对
预设时间段内的交通图的特征进行提取，得到输入特征矩阵，如给定一个具有n个节点、每个节点中有f个特征的待处理图像，则将一个维度为n*f的输入特征矩阵x输入所述输入层中，在本实施例中，n是预设时间段内的交通图中的节点数，也就是交通卡口数；f是每个节点的节点属性值，也就是路网图节点参数。
92.图卷积神经网络模型的隐藏层用表达式h
i
＝f(h
i
‑1,a)来表示，其中，h0＝x，f是当前隐藏层中使用的传播规则。每一个隐藏层h
i
都对应一个维度为n*f的特征矩阵，该矩阵中的每一行都是某个节点的特征表征。在每一层中，gcn会使用传播规则f将这些信息聚合起来，从而形成下一层的特征。这样一来，在每个连续的层中特征就会变得越来越抽象。在本步骤中，具体使用的层间传播规则为：
[0093][0094]
其中，i是单位矩阵；是的度矩阵(degree matrix)；h表示每一层的特征，对于输入层的h就是输入矩阵x；σ是非线性激活函数。本步骤中具体采用的图卷积神经网络的隐藏层为2层，激活函数分别采用relu和softmax，则整体的正向传播的公式为：
[0095][0096]
其中，z为特征输出矩阵，根据特征输出矩阵最终得到每个卡口在选定时间的拥堵等级。
[0097]
此外，根据所述输出特征矩阵进行分类，得到每个卡口在选定时间的拥堵等级还包括使用交叉熵损失函数对特征输出矩阵的结果进行加权处理，使预测结果更加准确，定义预测分类目标的交叉熵损失函数为：
[0098][0099]
其中，y
d
表示带标签的样本集合，y
df
表示标注样本类别，z
df
为预测的类别。
[0100]
本发明实施例中，该交通预测方法利用知识图谱以及交通卡口处的车流数据集生成预设时间的交通图，调用预先生成的交通拥堵预测模型对预设时间的交通图进行处理，实现对待预测的时间段的交通拥堵情况的预测功能。
[0101]
请参阅图2，本发明实施例中交通拥堵预测方法的另一个实施例包括：
[0102]
201、获取各交通卡口和交通卡口之间的路段连接关系，得到道路关系数据；获取各交通卡口的基础信息和路段基础信息，得到交通基础数据；根据道路关系数据和交通基础数据构建路网知识图谱；
[0103]
通过抓取网络地图中需要预测交通拥堵状况的地理范围内的道路地理位置信息等信息，获取预先在道路上设置的交通卡口和交通卡口之间的路段连接关系，其中，本步骤中所述的道路包括路口以及街道，本实施例中，在道路中包含有的路口中选择若干关键路口作为交通卡口，通过卡口将街道分为不同的路段，其中，每个相邻的交通卡口确定唯一的卡口连接路段，唯一的卡口连接路段也可以确定其路段上相邻的交通卡口，例如，某车辆在经过一号卡口并进入一号路段后，经过且仅能经过二号卡口后才能进入其他路段，某车辆在经过一号卡口并进入二号路段后，过且仅能经过三号卡口后才能进入其他路段，则此时可通过一号路段确定一号卡口与二号卡口为相邻的交通卡口、可以通过二号路段确定一号卡口与三号卡口为相邻的交通卡口。将前述的多个路段连接关系进行统计整合，得到需要
预测交通拥堵状况的地理范围内的道路关系数据。
[0104]
本步骤中所述的交通卡口的基础信息包括卡口名称、卡口坐标、卡口编码、卡口地址、上行卡口、下行卡口以及上行路段和下行路段等信息；路段基础信息包括路段名称、路段坐标、路段编码、路段地址、路段车道数，路段方向，路段距离等信息，将这些信息进行整合保存，得到交通基础数据。
[0105]
得到道路关系数据和交通基础数据后，将交通卡口作为路网知识图谱中的节点，将交通卡口之间的路段作为路网知识图谱的边，从而构建路网知识图谱，该构建完毕的路网知识图谱中具体包含了各交通卡口之间的连接关系。其中，所述路网知识图谱可以基于schema语言进行构建，schema，即xml schema，xsd(xml schema definition)是w3c于2001年5月发布的推荐标准，指出如何形式描述xml文档的元素。
[0106]
202、根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集；
[0107]
本步骤中具体的内容与前述实施例中步骤101中的内容基本相同，故在此不再赘述。
[0108]
203、通过大数据分析技术，提取车流数据集中的时间段的信息和时间段内通过的车辆数据，根据时间段的信息与车辆数据计算各交通卡口的平均车流量数据，基于各交通卡口的平均车流量数据，生成节点参数；
[0109]
由于本实施例中是通过基于图卷积神经网络构建的交通预测模型进行交通拥堵情况预测的，故本步骤中首先获取预先构建的路网知识图谱的相关信息，本实施例在预先构建路网知识图谱时将每个交通卡口作为路网知识图谱中的节点，故可通过车流数据集确定预设时间段内的预先构建的路网知识图谱中的节点参数。
[0110]
具体地，本步骤中首先获取车流数据集中包含的各交通卡口处预设时间段的车辆数据，如预设时间段为近3小时时，则获取近3小时中各交通卡口通过的车辆信息计算得到该近3小时内每个交通卡口的平均车流量数据，并将获得到的近3小时内每个交通卡口每小时的平均车流量数据作为预设时间段内的节点参数进行保存。
[0111]
在本实施例中，在计算平均车流量数据时采用的单位时间为1小时，还可以将单位时间改为30分钟或其他，在此不再赘述。
[0112]
204、确定与时间段的信息对应的历史时间段的信息，并获取节点参数对应的交通卡口在历史时间段内的历史车辆数据；将历史车辆数据进行切片处理，得到若干个历史车辆数据片段；利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段；
[0113]
在前述步骤中，获取到车流数据中的时间段信息和经过各交通卡口的车辆数据后，根据获取得到的时间段信息确定对应的历史时间段信息，并根据历史时间段信息筛选出经过各交通卡口的车辆数据中与历史时间段信息对应的历史车辆数据。例如获取到的时间段信息为24小时中的早上8时，则取若干天的早上8时前的历史车辆数据进行计算。
[0114]
例如，当本实施例中取若干天中早上5时开始到早上8时的历史车辆数据，并对获取到的历史车辆数据进行切片处理，得到若干个历史车辆数据片段，利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段。
[0115]
例如，m取30，每次对历史车辆数据进行切片处理时切片的单位时长是0.1小时，则得到30个连续的历史车辆数据片段。
[0116]
205、根据m个历史车辆数据片段计算各交通卡口在经历不同单位时间长度时的相关系数，得到相关系数集；
[0117]
根据上步骤中获取到的m个单位时间长度内的历史车辆数据对相关系数进行计算，本步骤中以每0.1小时作为一个单位时间长度，取m的数值为30，也就是共选取3小时内的历史车辆数据进行计算为例进行说明。
[0118]
选取3小时内的历史车辆数据，对于所有交通卡口，由于车辆在两个相邻交通卡口之间的路段上行进，由于方向不同，将相邻的交通卡口分别定为上行卡口和下行卡口，例如，若车辆从一号卡口进入一号路段后从二号卡口驶出一号路段，则此时可以将一号卡口作为上行卡口，二号卡口作为下行卡口。从第一时刻开始记录一号卡口进入一号路段的车辆数据，共记录一个单位时间内的车辆数据；从第一时刻记录从二号卡口驶出一号路段的车辆数据，共统计3小时的时间，直到3小时结束的第二时刻为止，得到的上行卡口的车辆数据以及下行卡口的30个车辆数据，分别计算该下行卡口的30个车辆数据与上行卡口的车辆数据之间的相关系数，并将得到的结果组成相关系数集。
[0119]
206、选取相关系数集中最大值作为两个交通卡口的卡口相关系数，取卡口相关系数对应的时间作为错时时间；根据卡口相关系数和路段错时时间，生成边参数；
[0120]
由于每个交通卡口之间的路段长度不同，车流在路段上行进时，上行卡口处发生的车流增加、减少现象需要一定的时间才能反映到下行卡口的车流量上，将这个车流增加和减少需要经过的时间记录为路段错时时间，满足该路段错时时间的相关系数为该路段的卡口相关系数。
[0121]
同样以上步骤中m取30，单位时间为0.1小时为例，将相关系数集中的最大值作为两个交通卡口之间的卡口相关系数，并将该卡口相关系数出现的时间进行记录，该卡口相关系数出现的时间与开始记录车辆数据之间的时间长度作为路段错时时间，并根据计算得到的卡口相关系数和路段错时时间生成边参数。
[0122]
207、通过预先构建的路网知识图谱，基于车流参数生成预设时间段内的交通图；
[0123]
208、将交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
[0124]
本实施例中步骤207和步骤208中具体的内容与前述实施例中步骤104和步骤105中的内容基本相同，故在此不再赘述。
[0125]
本发明实施例中，该交通预测方法利用知识图谱以及交通卡口处的车流数据生成预设时间段的交通图，在生成交通图的过程中，基于大数据分析技术根据车流数据计算节点参数，根据车流数据计算卡口相关系数以及路段错时时间作为交通图的边参数，并利用基于图卷积神经网络生成的交通拥堵预测模型对交通图进行处理，实现了对待预测时间段的交通拥堵程度的预测功能，且提高了交通拥堵程度预测的准确性。
[0126]
请参阅图3，本发明实施例中交通拥堵预测方法的另一个实施例包括：
[0127]
301、获取历史车辆数据集，并将各交通卡口在每单位时间的拥堵程度进行标注，得到标注车流数据集；根据预先构建的路网知识图谱以及标注车流数据集生成历史路网图集；
[0128]
本实施例中，根据预设时间段内的交通图进行交通拥堵状况预测前要预先根据交通卡口的车流数据中的历史监测数据对图卷积神经网络进行训练，以提高交通拥堵预测的
准确度。具体地，首先获取所述各交通卡口的车流数据，并将各交通卡口处每个单位时间时的拥堵程度进行标注，根据标注后的拥堵程度信息和历史监测数据得到多个卡口交通标注数据。具体在进行标注时，可以根据交通卡口的车辆数据以及路段车道数等基础信息计算拥堵程度并自动进行筛选标注。
[0129]
根据多个卡口交通标注数据以及预先构建的路网知识图谱按照每小时的平均数据计算每小时内的节点参数以及每小时内的边参数，根据每小时内的节点参数以及每小时内的边参数以及预先标注的拥堵情况信息生成历史路网交通图，并将得到的多个历史路网交通图组成历史路网图集。
[0130]
302、将历史路网图集作为交通预测训练集，对交通预测训练集中的多个历史路网图进行划分，得到训练图集、测试图集以及验证图集；根据训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数；根据训练完毕的预测参数生成交通预测模型；
[0131]
本实施例中的交通预测模型是基于图卷积神经网络建立的，具体预先根据图卷积神经网络建立未训练的交通预测图卷积模型，其中，该未训练的交通预测图卷积模型中包括输入层、隐藏层以及输出层，其中隐藏层可以为一层或多层；该未训练的交通预测图卷积模型在处理输入的待处理图时，利用所述输入层对图的特征进行提取，得到输入特征矩阵，将输入矩阵输入至隐藏层中进行传播，最终得到输出结果。本步骤中将交通预测训练集中的多个历史路网图进行划分，得到训练图集、测试图集以及验证图集，根据训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数，基于训练完毕的预测参数生成交通预测模型。
[0132]
303、根据交通拥堵预测请求，获取各交通卡口处的卡口车流数据，得到车流数据集；
[0133]
304、利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；
[0134]
305、基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数；
[0135]
306、通过预先构建的路网知识图谱，基于节点参数和边参数生成预设时间段内的交通图；
[0136]
307、将预设时间段内的交通图输入预先基于图卷积神经网络建立的交通预测模型中进行预测处理，得到交通拥堵预测请求对应的交通卡口的拥堵程度的预测值。
[0137]
本实施例中，步骤303
‑
307中的具体内容与前述实施例中步骤101
‑
105中内容基本相同，故在此不再赘述。
[0138]
本发明实施例中，该交通预测方法利用知识图谱以及基于交通卡口处的车流数据集进行计算得到节点参数和边参数，并生成预设时间段的交通图，并将预设时间段的交通图输入基于图卷积神经网络生成的交通拥堵预测模型中进行处理并预测待预测时间段的交通拥堵程度，实现了对待预测时间段的交通拥堵程度的预测功能，并进一步提高了交通拥堵程度预测的准确性和便利性。
[0139]
请参阅图4，本发明实施例中交通拥堵预测方法的另一个实施例包括：
[0140]
401、获取各交通卡口和交通卡口之间的路段连接关系，得到道路关系数据；获取
各交通卡口的基础信息和路段基础信息，得到交通基础数据；根据道路关系数据和交通基础数据构建路网知识图谱；
[0141]
本步骤中的具体内容与前述实施例中步骤201中的内容基本相同，故在此不再赘述。
[0142]
402、获取历史车辆数据集，并将各交通卡口在每单位时间的拥堵程度进行标注，得到标注车流数据集；根据预先构建的路网知识图谱以及标注车流数据集生成历史路网图集；
[0143]
本步骤中具体的内容与前述实施例中步骤301中的内容基本相同，故在此不再赘述。
[0144]
403、将历史路网图集作为交通预测训练集，对交通预测训练集中的多个历史路网图进行划分，得到训练图集、测试图集以及验证图集；根据训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数；根据训练完毕的预测参数生成交通预测模型；
[0145]
本步骤中具体的内容与前述实施例中步骤302中的内容基本相同，故在此不再赘述。
[0146]
404、根据交通拥堵预测请求，获取各交通卡口处的卡口车流数据，得到车流数据集；
[0147]
本步骤中具体的内容与前述实施例中步骤101中的内容基本相同，故在此不再赘述。
[0148]
405、通过大数据分析技术，提取车流数据中的时间段的信息和时间段内通过的车辆数据；根据时间段的信息与车辆数据计算各交通卡口的平均车流量数据；基于各交通卡口的平均车流量数据，生成节点参数；
[0149]
本步骤中具体的内容与前述实施例中步骤203中的内容基本相同，故在此不再赘述。
[0150]
406、确定与时间段的信息对应的历史时间段的信息，并获取节点参数对应的交通卡口在历史时间段内的历史车辆数据；将历史车辆数据进行切片处理，得到若干个历史车辆数据片段；利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段；
[0151]
本步骤中具体内容与前述实施例中步骤204中内容基本相同，在此不再赘述。
[0152]
407、根据m个历史车辆数据片段计算各交通卡口在经历不同单位时间长度时的相关系数，得到相关系数集；
[0153]
本步骤中具体内容与前述实施例中步骤205中内容基本相同，在此不再赘述。
[0154]
408、选取相关系数集中最大值作为两个交通卡口的卡口相关系数，取卡口相关系数对应的时间作为错时时间；根据卡口相关系数和路段错时时间，生成边参数；
[0155]
由于每个卡口之间的路段长度不同，车流在路段上行进时，上行卡口处发生的车流增加、减少现象需要一定的时间才能反映到下行卡口的车流量上，将这个车流增加和减少需要经过的时间记录为路段错时时间，满足该路段错时时间的相关系数为该路段的卡口相关系数。
[0156]
同样以上步骤中m取30，单位时间为0.1小时为例，将相关系数集中的最大值作为
两个交通卡口之间的卡口相关系数，并将该卡口相关系数出现的时间进行记录，该卡口相关系数出现的时间与开始记录车辆数据之间的时间长度作为路段错时时间，将全部的卡口相关系数和路段错时时间进行保存，并作为边参数。
[0157]
本实施例中采用的相关系数为皮尔逊相关系数，皮尔逊相关系数计算公式如下：
[0158][0159]
具体在本步骤中，将卡口的车流量表示为其中，t为时间，k为卡口编号，计算卡口路段相关的两个卡口的皮尔逊相关系数，其计算公式为：
[0160][0161]
计算得到的相关系数集为：其中m为经过的时间，m＝{0.1,0.2,0.3,
…
,2.9,3}。取时的相关系数ρ作为卡口路段的相关系数，其对应的m值则为错时时间。
[0162]
将计算得到的卡口相关系数和路段错时时间进行保存，并作为边参数。
[0163]
409、将交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
[0164]
本步骤中的具体内容与前述实施例中步骤105中内容基本相同，故在此不再赘述。
[0165]
本发明实施例中，该交通预测方法利用知识图谱以及交通卡口处的车流数据生成预设时间段的交通图，并将预设时间段的交通图输入基于图卷积神经网络生成的交通拥堵预测模型中进行处理并预测待预测时间段的交通拥堵程度，实现了对待预测的时间段的交通拥堵程度的预测功能，并进一步提高了交通拥堵程度预测的准确性和便利性。
[0166]
上面对本发明实施例中交通拥堵预测方法进行了描述，下面对本发明实施例中交通拥堵预测装置进行描述，请参阅图5，本发明实施例中交通拥堵预测装置一个实施例包括：
[0167]
监测数据获取模块501，用于根据交通拥堵预测请求，获取各交通卡口处的车流数据；
[0168]
节点参数获取模块502，利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；
[0169]
边参数获取模块503，用于基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数；
[0170]
交通图生成模块504，用于根据预先构建的路网知识图谱，基于所述节点参数和边参数生成预设时间段内的交通图；
[0171]
拥堵程度预测模块505，用于将所述交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与所述交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
[0172]
本发明实施例中，该交通预测方法利用知识图谱以及交通卡口处的车流数据生成
预设时间的交通图，调用预先生成的交通拥堵预测模型对预设时间的交通图进行预测处理，得到待预测时间段的交通拥堵情况的预测值，从而实现对交通拥堵情况的预测功能。
[0173]
请参阅图6，本发明实施例中交通拥堵预测装置的另一个实施例包括：
[0174]
监测数据获取模块501，用于根据交通拥堵预测请求，获取各交通卡口处的车流数据；
[0175]
节点参数获取模块502，利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；
[0176]
边参数获取模块503，用于基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数；
[0177]
交通图生成模块504，用于根据预先构建的路网知识图谱，基于所述节点参数和边参数生成预设时间段内的交通图；
[0178]
拥堵程度预测模块505，用于将所述交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与所述交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。
[0179]
可选的，所述节点参数获取模块502包括：
[0180]
第一分析单元5021，用于通过大数据分析技术，提取所述车流数据中的时间段的信息和所述时间段内通过的车辆数据；
[0181]
第一计算单元5022，用于根据所述时间段的信息与所述车辆数据计算所述各交通卡口的平均车流量数据；
[0182]
节点参数生成单元5023，用于基于所述各交通卡口的平均车流量数据，生成节点参数。
[0183]
可选的，所述边参数获取模块503包括：
[0184]
第二分析单元5031，用于确定与所述时间段的信息对应的历史时间段的信息，并获取所述节点参数对应的交通卡口在所述历史时间段内的历史车辆数据；
[0185]
第二计算单元5032，用于根据所述历史车辆数据计算所述各交通卡口之间的卡口相关系数和路段错时时间；
[0186]
边参数生成单元5033，用于根据所述卡口相关系数和路段错时时间，生成边参数。
[0187]
可选的，所述第二计算单元5032包括：
[0188]
数据筛选子单元，用于将所述历史车辆数据进行切片处理，得到若干个历史车辆数据片段；利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段；
[0189]
相关系数计算子单元，用于根据所述m个单位时间长度内的历史车辆数据计算各交通卡口在经历不同单位时间长度时的相关系数，得到相关系数集；
[0190]
错时时间计算子单元，用于选取所述相关系数集中最大值作为两个交通卡口的卡口相关系数，取所述卡口相关系数对应的时间作为错时时间。
[0191]
可选的，所述交通拥堵预测装置还包括路网知识图谱构建模块，所述路网知识图谱构建模块具体用于：
[0192]
获取各交通卡口和交通卡口之间的路段连接关系，得到道路关系数据；获取所述各交通卡口的基础信息和路段基础信息，得到交通基础数据；根据所述道路关系数据和所
述交通基础数据构建路网知识图谱。
[0193]
可选的，所述交通拥堵预测装置还包括交通预测模型构建模块，所述交通预测模型构建模块具体包括：
[0194]
通标注数据获取单元，用于获取历史车辆数据集，并将各交通卡口在每单位时间的拥堵程度进行标注，得到标注车辆数据集；
[0195]
历史路网图集获取单元，用于根据所述路网知识图谱以及所述卡口交通标注数据生成历史路网图集；
[0196]
预测模型建立单元，用于将所述历史路网图集作为交通预测训练集，调用所述交通预测训练集对图卷积神经网络进行训练，得到交通预测模型。
[0197]
可选的，所述预测模型建立单元具体还用于：
[0198]
对所述交通预测训练集中的多个历史路网图进行划分，得到训练图集、测试图集以及验证图集；根据所述训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数；根据所述训练完毕的预测参数生成交通预测模型。
[0199]
本发明实施例中，该交通预测方法利用知识图谱以及交通卡口处的车流数据生成预设时间段的交通图，并将预设时间段的交通图输入基于图卷积神经网络生成的交通拥堵预测模型中进行处理并预测待预测时间段的交通拥堵程度，实现了对待预测的时间段的交通拥堵程度的预测功能，并进一步提高了交通拥堵程度预测的准确性和便利性。
[0200]
上面图5和图6从模块化功能实体的角度对本发明实施例中的交通拥堵预测装置进行详细描述，下面从硬件处理的角度对本发明实施例中交通拥堵预测设备进行详细描述。
[0201]
图7是本发明实施例提供的一种交通拥堵预测设备的结构示意图，该交通拥堵预测设备700可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对交通拥堵预测设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在交通拥堵预测设备700上执行存储介质730中的一系列指令操作。
[0202]
交通拥堵预测设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图7示出的交通拥堵预测设备结构并不构成对交通拥堵预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0203]
本发明还提供一种交通拥堵预测设备，所述交通拥堵预测设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述交通拥堵预测方法的步骤。
[0204]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验
证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0205]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述交通拥堵预测方法的步骤。
[0206]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0207]
所述集成的单元如果以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，本发明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全部或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)执行本发明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(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0208]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

技术特征：
1.一种交通拥堵预测方法，其特征在于，所述交通拥堵预测方法包括：根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集；利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数；通过预先构建的路网知识图谱，基于所述节点参数和边参数生成预设时间段内的交通图；将所述交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与所述交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。2.根据权利要求1所述的交通拥堵预测方法，其特征在于，所述利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数包括：通过大数据分析技术，提取所述车流数据集中的时间段的信息和所述时间段内通过的车辆数据；根据所述时间段的信息与所述车辆数据计算所述各交通卡口的平均车流量数据；基于所述各交通卡口的平均车流量数据，生成节点参数。3.根据权利要求2所述的交通拥堵预测方法，其特征在于，所述基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数包括：确定与所述时间段的信息对应的历史时间段的信息，并获取所述节点参数对应的交通卡口在所述历史时间段内的历史车辆数据；根据所述历史车辆数据计算所述交通卡口之间的卡口相关系数和路段错时时间；根据所述卡口相关系数和路段错时时间，生成边参数。4.根据权利要求3所述的交通拥堵预测方法，其特征在于，所述根据所述历史车辆数据计算所述交通卡口之间的卡口相关系数和路段错时时间包括：将所述历史车辆数据进行切片处理，得到若干个历史车辆数据片段；利用样本随机抽取方式，从若干个历史车辆数据片段中选取连续的m个历史车辆数据片段；根据所述m个历史车辆数据片段计算各交通卡口在经历不同单位时间长度时的相关系数，得到相关系数集；选取所述相关系数集中最大值作为两个交通卡口的卡口相关系数，取所述卡口相关系数对应的时间作为错时时间。5.根据权利要求1
‑
4中任一项所述的交通拥堵预测方法，其特征在于，在所述根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集之前，还包括：获取各交通卡口和交通卡口之间的路段连接关系，得到道路关系数据；获取所述各交通卡口的基础信息和路段基础信息，得到交通基础数据；根据所述道路关系数据和所述交通基础数据构建路网知识图谱。6.根据权利要求5中所述的交通拥堵预测方法，其特征在于，在所述根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集之前，还包括：获取历史车流数据集，并将各交通卡口在每单位时间的拥堵程度进行标注，得到标注车数据集；
根据预先构建的路网知识图谱以及所述标注车流数据集生成历史路网图集；将所述历史路网图集作为交通预测训练集，调用所述交通预测训练集对图卷积神经网络进行训练，得到交通预测模型。7.根据权利要求6所述的交通拥堵预测方法，其特征在于，所述调用所述交通预测训练集对图卷积神经网络进行训练，得到交通预测模型包括：对所述交通预测训练集中的历史路网图进行划分，得到训练图集、测试图集以及验证图集；根据所述训练图集、测试图集以及验证图集调整图卷积神经网络中的内部参数，得到训练完毕的预测参数；根据所述训练完毕的预测参数生成交通预测模型。8.一种交通拥堵预测装置，其特征在于，所述交通拥堵预测装置包括：监测数据获取模块，用于根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集；节点参数获取模块，利用大数据分析技术对所述车流数据集中的交通卡口的参数进行分析，得到节点参数；边参数获取模块，用于基于所述节点参数和所述车流数据集，计算出各交通卡口之间的关系，得到边参数；交通图生成模块，用于通过预先构建的路网知识图谱，基于所述节点参数和边参数生成预设时间段内的交通图；拥堵程度预测模块，用于将所述交通图输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与所述交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。9.一种交通拥堵预测设备，其特征在于，所述交通拥堵预测设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述交通拥堵预测设备执行如权利要求1
‑
7中任一项所述的交通拥堵预测方法的步骤。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1
‑
7中任一项所述的交通拥堵预测方法的步骤。
技术总结
本发明涉及人工智能领域，公开了一种交通拥堵预测方法、装置、设备及存储介质，用于解决现有城市智能交通系统中无法对交通拥堵状况进行预测的技术问题。该方法包括：根据交通拥堵预测请求，获取各交通卡口处的车流数据，得到车流数据集；利用大数据分析技术对车流数据集中的交通卡口的参数进行分析，得到节点参数；并计算出各交通卡口之间的关系，得到边参数；通过预先构建的路网知识图谱，基于节点参数和边参数生成预设时间段内的交通图并输入预先基于图卷积神经网络建立的交通预测模型中进行路况预测处理，得到与交通拥堵预测请求对应的各交通卡口的拥堵程度的预测值。此外，本发明还涉及区块链技术，车流数据的相关信息可存储于区块链中。可存储于区块链中。可存储于区块链中。


技术研发人员：党升
受保护的技术使用者：平安国际智慧城市科技股份有限公司
技术研发日：2021.03.22
技术公布日：2021/6/25