本申请实施例涉及交通领域，尤其涉及一种交通分析方法、相关设备及可读存储介质。
背景技术：
：：随着交通领域的快速发展，交通拥堵日益加剧。为了保证交通管理措施合理有效，有必要获取路网上的交通数据，以利用获取到的交通数据对交通进行分析堵。现有技术中，仅利用单一的交通数据进行交通分析，导致交通分析的准确度较低。技术实现要素：本申请实施例提供一种交通分析方法、相关设备及可读存储介质，以解决现有技术中交通分析的准确度较低的问题。为解决上述问题，本申请是这样实现的：第一方面，本申请实施例提供了一种交通分析方法，所述方法包括：根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据，s和t均为正整数，r为大于1的整数；利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量；根据第三张量，确定所述目标路网的目标信息；其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。第二方面，本申请实施例还提供一种交通分析装置，包括：生成模块，用于根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据，s和t均为正整数，r为大于1的整数；融合模块，用于利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量；第一确定模块，用于根据第三张量，确定所述目标路网的目标信息；其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。第三方面，本申请实施例还提供一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法。第四方面，本申请实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法。在本申请实施例中，电子设备对检测器检测到的多维度交通数据进行时空拼接，得到第一张量；之后，对所述第一张量中的空间维度和交通数据维度进行融合处理，得到第二张量，进而根据第二张量，确定所述目标路网的目标信息，所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。可见，本申请实施例的电子设备全面利用了检测器检测到的多维度交通数据对目标路网的交通进行分析，从而可以提高交通分析的准确度。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的交通分析方法的流程示意图；图2是本申请实施例提供的第一张量的示意图；图3是本申请实施例提供的张量的特征提取示意图；图4是本申请实施例提供的张量的融合示意图；图5是本申请实施例提供的第一模型的示意图；图6是本申请实施提供的交通分析装置的结构示意图；图7是本申请实施提供的电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例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。本申请实施例中的术语“第一”、“第二”等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。此外，术语“包括”和“具有”以及他们的任何变形，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。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如a和/或b和/或c，表示包含单独a，单独b，单独c，以及a和b都存在，b和c都存在，a和c都存在，以及a、b和c都存在的7种情况。以下对本申请实施例提供的交通分析方法进行说明。本申请实施例的交通分析方法可以由电子设备执行。在实际应用中，电子设备可以是服务器、手机、平板电脑（tabletpersonalcomputer）、膝上型电脑（laptopcomputer）、个人数字助理（personaldigitalassistant，pda）、移动上网装置（mobileinternetdevice，mid）、可穿戴式设备（wearabledevice）或车载设备等。参见图1，图1是本申请实施例提供的交通分析方法的流程示意图。如图1所示，可以包括以下步骤：步骤101、根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据。s和t均为正整数，r为大于1的整数。在实际应用中，检测器布设在所述目标路网的各路段的各车道上。可选地，可以在一个路段的一个车道上布设一个检测器，即一个检测器可以用于检测一个路段的一个车道的交通数据。各检测器可以按照预设频率检测r类交通数据的值，所述r类交通数据可以但不仅限于包括各车道的平均速度、占用率、行驶车辆数量和车道占有时间等可以反应交通状态的数据。在本申请实施例中，r类交通数据也可以称为r类交通状态。在本步骤中，电子设备可以通过获取目标网络中各检测器在第一时长内检测到的交通数据，获取所述目标网络在第一时长内的整体交通状态，进而可以对所述目标网络在第一时长内的交通状态进行感知，并可以利用感知到的交通状态对所述目标网络的未来交通状态进行预测，所述第一预设时长可以预先根据需求设定，如1小时或1天等。电子设备在获取到目标网络中各检测器在第一时长内检测到的交通数据之后，可以生成第一张量，所述第一张量为多维度的交通数据时空张量，所述第一张量包括所述目标路网中各路段的检测器在第一时长内检测到的全部交通数据。可以理解地是，在所述目标网络包括s个路段，检测器在所述第一时长内进行t次检测，检测器检测r类交通数据的情况下，所述第一张量为s×t×r张量，其中，s表示空间维度的长度大小；t表示时间维度的长度大小；r表示交通数据维度的长度大小。考虑到毫米波雷达具有以下优势：受环境影响小，如受雾霾、雨雪和光线影响较小；检测覆盖范围大，视角可达120°，检测距离可达250米；工程化简单；无额外算力要求；维护成本低。本申请实施例中的检测器可以为毫米波雷达检测器，这样，通过检测器检测到的交通数据更准确，从而可以进一步提高交通分析的准确度。当然，可以理解地是，本申请实施例的检测器也可以为其他类型的检测器，如线圈检测器或地磁检测器等，具体可根据实际需求决定，本申请实施例对此不做限定。步骤102、利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量。在本申请实施例中，电子设备在生成所述第一张量之后，还可以利用注意力机制对第一张量中空间维度和交通数据维度的区域特征进行捕捉和识别，以提高区域特征识别和捕捉的准确度。由于特征识别和捕捉越准确，交通状态的分析效果越佳，因此，利用融合得到的第二张量进行交通状态的分析，可以进一步提高交通状态分析的准确度。步骤103、根据第三张量，确定所述目标路网的目标信息。其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。具体实现时，第一实现方式中，电子设备可以直接基于融合得到的第二张量，确定所述目标路网的目标信息。第二实现方式中，电子设备可以进一步检测所述第二张量中是否存在空缺值，并在所述第二张量中存在空缺值的情况下，对所述第二张量进行补缺，利用补缺得到的第三张量，确定所述目标路网的目标信息。可见，相比于第一实现方式，通过第二实现方式确定的所述目标路网的目标信息的准确度更高。在本申请实施例中，所述交通模式可以通过拥塞程度表征，不同交通模式的拥塞程度不同。交通规律可以通过目标时间或目标空间内各类交通数据的平均值表征。未来交通状态可以通过多维度的交通数据时空张量表征。本申请实施例的交通分析方法，电子设备对检测器检测到的多维度交通数据进行时空拼接，得到第一张量；之后，对所述第一张量中的空间维度和交通数据维度进行融合处理，得到第二张量，进而根据第二张量，确定所述目标路网的目标信息，所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。可见，本申请实施例的电子设备全面利用了检测器检测到的多维度交通数据对目标路网的交通进行分析，从而可以提高交通分析的准确度。在本申请实施例中，可选地，所述根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，包括：生成目标路网中各检测器检测的t个时间点对应的时间序列，及与所述目标路网中s个路段对应的空间序列；拼接所述时间序列中各时间点对应的r类交通数据的值，及所述空间序列中各路段对应的r类交通数据的值，得到第一张量。在本可选实施方式中，电子设备在获取到目标网络中各检测器在第一时长内检测到的交通数据之后，可以对获取到的交通数据进行时空拼接，生成第一张量。具体实现时，交通数据的值与时间维度具有高度相关性。经过每一单位时间之后，道路路网各车道因车辆的驶入、驶离或停车等待、事故碰撞等原因，各交通数据的值都会发生变化。因此，电子设备可以按照检测器检测的时间顺序，生成时间序列，所述时间序列包括所述t个时间点。同一路网各个路段之间、同一路段各条车道之间，因车辆的交替驶入，或在前后车辆、左右车辆之间相互作用下，车道的速度、占有率等交通数据会发生变化。因此，电子设备可以按照s个路段的空间顺序，生成空间序列，所述空间序列包括所述s个路段。电子设备在生成所述时间序列和所述空间序列之后，基于时间和空间的维度，形成一张具有时间信息、空间相对关系的网格图。r类交通数据可采用r张网格图表示，r张网格图按照时空对应关系形成一个多维度的交通状态时空张量，即第一张量，其中，每一张网格图代表一类交通数据，网格图中的每一个网格代表一个车道在一个时间点的一类交通数据的值。为方便理解，请参见图2，在图2中，所述第一张量的交通数据维度为3，但并不因此限制交通数据维度的取值。通过上述方式，可以实现所述目标路网在第一时长内的交通数据在时空上的拼接，得到第一张量，这样，利用第一张量分析得到的交通状态，可以更符合实际的交通状态，即可以提高交通分析的准确度。在本申请实施例中，可选地，所述利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量，包括：提取所述第一张量中空间维度和交通数据维度的区域特征，得到中间张量；将所述中间张量输入注意力融合网络，得到所述中间张量中各区域特征的权重值；将所述各区域特征的权重值与所述第一张量相乘，得到第二张量。具体实现时，电子设备可以利用特征提取模型提取所述第一张量中空间维度和交通数据维度的区域特征。特征提取模型可以为卷积神经网络，但不仅限于此。卷积神经网络可以利用不同权重的卷积核，对输入张量的区域特征进行提取。不同尺寸的卷积核能够捕捉不同尺度的区域特征。如图3所示，在特征提取模型中，第一张量经多个卷积核过滤计算，得到中间张量π，中间张量π的尺寸大小为h×w×t，其中h表示空间维度的长度大小，w表示交通数据维度的长度大小，t表示时间维度的长度大小。电子设备可以将中间张量π输入注意力融合网络中，得到所述中间张量中各区域特征的权重值ε。如图4所示，注意力融合网络可将中间张量π的各平面求均值，压缩1×1×t，得到所述中间张量中各区域特征的权重值ε。之后，如图4所示，电子设备可以将各区域特征的权重值ε与所述第一张量相乘，得到深度融合的第二张量。通过上述方式，电子设备可以赋予第一张量的不同区域特征不同权重，进而融合得到具有注意力机制的多维度交通数据张量，从而可以进一步提高交通分析的准确度。在本申请实施例中，可选地，所述利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量之后，所述根据第三张量，确定所述目标路网的目标信息之前，所述方法还包括：检测所述第二张量是否存在空缺值；在所述第二张量存在空缺值的情况下，利用基于权值的插值法补缺所述空缺值，得到第三张量。在本可选实施方式中，考虑到检测器可能因以下至少一项因素出现采集数据的缺失：检测器受到遮挡物、建筑物或恶劣天气的干扰；检测器的调试、内置程序出现错误等。为了对提高交通分析的准确度，可以对缺失数据进行补缺。补缺可以是利用采集到的交通数据，在缺失处进行数值的插补或合理预测，使得数据合理且完整。具体实现时，可以通过以下方式对空缺值进行补缺：1）搜索每一个维度层的空缺值，定位空缺值的位置。给定一个交通数据变量ri∈r在时空层上的分布：判定空缺值为c=(s1,tk,ri)，即表示在空间tk处，在时间s1处缺少了交通数据ri的值。2)采用基于权值的插值法补缺空缺值。空缺值与前后时间序列、左右空间序列状态变量值相关，因此采用加权的方式对该处变量前后左右四处的变量求期望，以补缺中心处空缺值。其中，加权系数α1、α2、α3、α4取决于空缺值受四周时空变量的影响程度，具体可根据实际需求设定，本申请实施例对此不做限定。一般地，周围变量对空缺处的交通状态值的影响程度越大，加权系数越高。需要说明的是，上述c的计算公式仅为示例，并不因此限制c的计算方式，如，c也可以通过以下公式计算得到：以下对本申请实施例中目标路网的目标信息的确定进行说明。一、所述目标信息包括交通模式。在此情况下，可选地，所述根据第三张量，确定所述目标路网的目标信息，包括：对第三张量进行张量分解，得到与时间维度对应的第一因子矩阵，与空间维度对应的第二因子矩阵，及与交通数据对应的第三因子矩阵；根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式。在本可选实施方式中，电子设备利用张量（canonicalpolyadic，cp）分解确定交通模式。需要说明的是，在其他实施方式中，电子设备也可以利用其他方式使用所述第三张量确定交通模式，如电子设备可以利用第二模型确定交通模式，所述第二模型的输入为所述第三张量，输出为所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，本申请实施例并不限制根据所述第三张量确定交通模式的方式。交通模式，也可以称为交通出行模式或交通行为模式，反映在给定时间空间范围内，各个出行个体或行驶路段中，个体或路段的交通状态之间存在着的内在相似联系。在实际应用中，可以将存在着显著相似联系的个体或路段划分为同一种交通模式。假设所述第三张量的空间维度的长度为n个路段，时间维度的长度为m个时间点，交通数据维度的长度为i类交通数据，n和m均为正整数，i为大于1的整数。那么，对所述第三张量进行cp分解得到的与时间维度对应的第一因子矩阵a的大小为i×q，与空间维度对应的第二因子矩阵b的大小为n×q，与交通数据对应的第三因子矩阵c的大小为i×q，即所述第一因子矩阵为m×q矩阵，所述第二因子矩阵b为n×q矩阵，所述第三因子矩阵c为i×q矩阵。其中，q表示所述目标路网的交通模式个数，q为正整数。之后，电子设备可以基于分解得到的所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式。可选地，所述根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式，包括：根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，得到q组交通数据序列；获取与所述q组交通数据序列对应的q个交通模式。具体实现时，电子设备可以依次对所求得的第一因子矩阵a、第二因子矩阵b和第三因子矩阵c，按照行或列q=1,2,3,…,q次提取展开，可得到q组交通数据序列（也可以称为出行模式序列或状态序列）。每一组出行模式包括为m×1,n×1,i×1的三个向量，每一组出行模式可以用于确定一个交通模式，从而q组交通数据序列可以揭示q类特征各异的交通模式。对于第一因子矩阵a、第二因子矩阵b和第三因子矩阵c的求解，可以通过以下方式实现：可选地，所述根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式，包括：构造目标函数，所述目标函数用于反映第一值和第二值之间的差异，所述第一值为所述第三张量的值，所述第二值基于所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵计算得到；根据所述目标函数，优化所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵；根据优化后的第一因子矩阵、第二因子矩阵和第三因子矩阵，确定所述目标路网的交通模式。记所述第三张量为x，x与第一因子矩阵a、第二因子矩阵b和第三因子矩阵c的关系可以通过以下公式表示：x中的元素与第一因子矩阵a、第二因子矩阵b和第三因子矩阵c中的元素的关系可以通过以下公式表示：构造目标函数f，目标函数f可反映x与第二值之间的差异。可选地，目标函数f可通过以下公式表示：目标函数f可简化为：为优化因子矩阵，可以利用梯度下降法求解优化决策变量amr，bnr，cir。可选地，可以先对各个决策变量求偏导，利用偏导值更新各个决策变量，多次迭代更新直至目标函数收敛，即达到最优，即第一值与第二值之间的差异最小化，第二值无限接近第一值。可以理解地是，当目标函数达到最优时，各因子矩阵可以达到最优，可以利用最优的第一因子矩阵、第二因子矩阵和第三因子矩阵，确定所述目标路网的交通模式，从而可以进一步提高交通模式确定的准确率。各个决策变量的更新可以通过下列公式实现：二、所述目标信息包括交通规律。交通时空规律，反映在给定的时空范围内，各个出行个体或出行路段中，个体或路段在特定的时间段、空间里，呈现出相似或相同状态。交通规律可以通过目标时间或目标空间内各类交通数据的平均值表征。在此情况下，可选地，所述根据第三张量，确定所述目标路网的目标信息，包括以下至少一项：1）获取所述目标路网的第k类交通数据在目标时长内的平均值；2）获取所述目标路网的目标空间的第k类交通数据在所述第一时长内的平均值；其中，所述目标时长的时间单位包括以下至少一项：日；周；年；所述目标空间的空间单位包括以下至少一项：车道；路段；路网；k的取值范围为1至i。对于1），电子设备可以进行日和/或周和/或年交通状态分析。在时间尺度上，分别以检测器检测的小时、一周七日和一年十二月为时间单位（也可以称为时间尺度或集计单位），对各类交通数据进行统计：其中，ak表示在(o,p)时间段内，目标路网的第i个交通状态的平均值。当时间尺度为日，(o,p)的持续统计时间为1小时，对一天内所有24小时的状态值进行计算，得到日交通状态分析表。当时间尺度为周，(o,p)的持续统计时间为1日，对一周内所有7日的状态值进行计算，得到周交通状态分析表。当时间尺度为年，(o,p)的持续统计时间为1个月，对一年内所有12个月的状态值进行计算，得到年交通状态分析表。对于2），电子设备可以进行车道级和/或路段级和/或路网级交通状态分析。在空间尺度上，分别以检测器检测的车道、路段以及路网为集计单位，对各类交通状态进行统计：其中，bk表示在tn时刻的(q,u)路段,第i个交通状态的平均值。利用上述公式即可得出在某时刻，城市某车道级、某路段或某路网级交通状态表。三、所述目标信息包括未来交通状态。基于所述第三张量，可进行未来时刻交通状态的预测。交通状态预测，反映在未来给定的时间范围内，预测毫米波雷达所探测的路段中的各项交通状态。基于检测器检测到的数据所建立的多维度交通数据张量，时空依赖关系强，能够利用其紧密的时空依赖关系对未来交通状态做出精准预测。可选地，所述根据第三张量，确定所述目标路网的目标信息，包括：将所述第三张量输入训练好的第一模型中，预测得到第四张量，所述第四张量用于反映所述目标路网在第二时长内的交通状态，所述第二时长为所述第一时长的下一个时长；其中，所述第一模型预测所述第四张量时的第一隐藏状态由所述第三张量和历史隐藏状态确定，所述历史隐藏状态为所述第一模型在第三时长的隐藏状态确定，所述第三时长为所述第一时长的上一个时长；所述第一模型的隐藏状态用于确定所述第一模型的输出。在本可选实施方式中，利用第一模型预测未来时刻的交通状态，所述第一模型的输入为所述第三张量，输出为与所述第三张量对应的未来时长的张量，可以用于反映所述目标路网在狭义时长内的交通状态。第一模型的结构可以参见图5，第一模型预测未来交通状态可以包括以下三步：1）输入各项变量。为方便理解，以下将上述时长视为时刻，未来时长即为未来时刻。按照时间序列排序整理变量依次输入x(1),x(2),…,x(t)，分别表示在t时刻由电子设备计算得到的第三张量。预测模型的其它变量为：h(t)表示在t时刻时模型的隐藏状态，h(t)由对应时刻的输入x(t)和上一时刻的隐藏状态h(t-1)共同决定。o(t)表在t时刻模型的输出，o(t)只由模型当前的隐藏状态h(t)决定。l(t)代表在t时刻模型的损失函数。y(t)代表在t时刻的真实值y(t)。u,v,w代表预测模型中的共享权值矩阵。2）前向传播计算。基于上述规定变量，进行模型的前向传播计算。对于任意一时刻t，该时刻的隐藏状态h(t)由该时刻的多维度交通状态张量x(t)和上一时刻的隐藏状态h(t-1)得到：通过对时刻的隐藏变量进行两次共享权值矩阵运算，得出该时刻对多维度交通状态的估计值。3）后向传播优化。为了实现对未来交通状态的准确预测，需衡量上一时刻得出的交通状态的估计值和真实交通状态值y(t)之间的差异进行量化，建立两者之间的损失函数（也可以称为差异函数）l。可选地，所述将所述第三张量输入训练好的第一模型中，预测得到第四张量之前，所述方法还包括：获取样本张量；将所述样本张量输入未训练的第一模型，得到第五张量；根据所述样本张量和所述第五张量，确定与所述第一模型对应的损失函数；根据所述损失函数，调整所述第一模型的权重值，得到训练好的第一模型。所述损失函数可以通过以下公式计算得到：通过梯度下降算法对差异函数l的决策变量c,v求偏导，迭代计算多轮，不断更新c,v以优化模型，实现准确的预测。通过逐步梯度下降法对差异函数l的决策变量u,w,b逐步求偏导，迭代多轮，不断更新以优化模型，实现准确的预测。逐步更新w:更新u：更新b:在训练模型时，基于损失函数对模型参数进行迭代优化，当损失函数小于规定阈值时，不再进行更新。将该时刻的多维度交通状态变量输入模型，计算过后，便可得出下一时刻对应空间的多维度交通状态变量，即得出预测结果。本申请实施例中介绍的多种可选的实施方式，在彼此不冲突的情况下可以相互结合实现，也可以单独实现，对此本申请实施例不作限定。本申请实施例包括以下内容：电子设备收集目标路网各毫米波雷达检测点的检测数据。依据毫米波雷达的桩号与地图定位匹配的结果，对路网中连续的毫米波雷达数据集进行时间、空间维度的拼接，还原车道级的交通状态。其中，每个数据张量所含有的交通状态信息不少于两类，包括但不限于路网内各车道的平均速度、占有率、行驶车辆数量等信息。电子设备输出拼接和融合后的毫米波雷达数据。依据本申请的毫米波雷达多源数据融合算法，对所拼接形成的车道级数据张量进行深度融合，获得融合多源信息的毫米波雷达多维度交通状态张量。电子设备补缺所融合后形成的毫米波雷达数据。电子设备输出所预测的未来时刻车道的交通状态值。本申请实施例至少具有如下有益效果：本申请采用一种针对于毫米波雷达数据的有效数据格式，基于该数据格式提出有效的城市路网车道级算法，不仅能够实现对交通路网数据的出行模式分析，并且能够对未来某段时间间隔指定道路进行准确的交通状态预测的效果。本申请采用将毫米波雷达覆盖的所有时间范围、区域范围数据准确的拼接的方法，实现对毫米波雷达产生的多源数据进行深度融合，提升感知和预测的准确程度；并且对缺失数据进行处理，适应真实场景中存在的数据问题，为后续对毫米波雷达数据的进一步使用奠定基础。本申请提出的多维度毫米波雷达的数据分析、预测方法，能够适应5g场景下的交通路侧设备传输，同时能够面向边缘计算下数据的分布式计算和处理。本提案不仅能够实现对现有技术环境下交通路网数据进行出行模式分析，并且能够适应未来新兴技术场景下的交通数据快速处理和计算。参见图6，图6是本申请实施例提供的交通分析装置的结构图之一。如图6所示，交通分析装置600包括：生成模块601，用于根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据，s和t均为正整数，r为大于1的整数；融合模块602，用于利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量；第一确定模块603，用于根据第三张量，确定所述目标路网的目标信息；其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。可选地，所述生成模块601，包括：生成子模块，用于生成目标路网中各检测器检测的t个时间点对应的时间序列，及与所述目标路网中s个路段对应的空间序列；拼接子模块，用于拼接所述时间序列中各时间点对应的r类交通数据的值，及所述空间序列中各路段对应的r类交通数据的值，得到第一张量。可选地，所述融合模块602，包括：提取子模块，用于提取所述第一张量中空间维度和交通数据维度的区域特征，得到中间张量；第一获取子模块，用于将所述中间张量输入注意力融合网络，得到所述中间张量中各区域特征的权重值；第二获取子模块，用于将所述各区域特征的权重值与所述第一张量相乘，得到第二张量。可选地，所述交通分析装置600还包括：检测模块，用于检测所述第二张量是否存在空缺值；第一获取模块，用于在所述第二张量存在空缺值的情况下，利用基于权值的插值法补缺所述空缺值，得到第三张量。可选地，在所述目标信息包括交通模式的情况下，所述第一确定模块603包括：分解子模块，用于对第三张量进行张量分解，得到与时间维度对应的第一因子矩阵，与空间维度对应的第二因子矩阵，及与交通数据对应的第三因子矩阵；确定子模块，用于根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式。可选地，所述确定子模块，包括：构造单元，用于构造目标函数，所述目标函数用于反映第一值和第二值之间的差异，所述第一值为所述第三张量的值，所述第二值基于所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵计算得到；优化单元，用于根据所述目标函数，优化所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵；确定单元，用于根据优化后的第一因子矩阵、第二因子矩阵和第三因子矩阵，确定所述目标路网的交通模式。可选地，所述第三张量的空间维度的长度为n个路段，时间维度的长度为m个时间点，交通数据维度的长度为i类交通数据，n和m均为正整数，i为大于1的整数；所述第一因子矩阵为m×q矩阵，所述第二因子矩阵为n×q矩阵，所述第三因子矩阵为i×q矩阵，q为正整数；所述确定子模块，包括：第一获取单元，用于根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，得到q组交通数据序列；第二获取单元，用于获取与所述q组交通数据序列对应的q个交通模式。可选地，所述第三张量的交通数据维度的长度为i类交通数据，i为大于1的整数；在所述目标信息包括交通规律的情况下，所述第一确定模块603用于以下至少一项：获取所述目标路网的第k类交通数据在目标时长内的平均值；获取所述目标路网的目标空间的第k类交通数据在所述第一时长内的平均值；其中，所述目标时长的时间单位包括以下至少一项：日；周；年；所述目标空间的空间单位包括以下至少一项：车道；路段；路网；k的取值范围为1至i。可选地，在所述目标信息包括未来交通状态的情况下，所述第一确定模块603用于：将所述第三张量输入训练好的第一模型中，预测得到第四张量，所述第四张量用于反映所述目标路网在第二时长内的交通状态，所述第二时长为所述第一时长的下一个时长；其中，所述第一模型预测所述第四张量时的第一隐藏状态由所述第三张量和历史隐藏状态确定，所述历史隐藏状态为所述第一模型在第三时长的隐藏状态确定，所述第三时长为所述第一时长的上一个时长；所述第一模型的隐藏状态用于确定所述第一模型的输出。可选地，所述交通分析装置600还包括：第二获取模块，用于获取样本张量；第三获取模块，用于将所述样本张量输入未训练的第一模型，得到第五张量；第二确定模块，用于根据所述样本张量和所述第五张量，确定与所述第一模型对应的损失函数；调整模块，用于根据所述损失函数，调整所述第一模型的权重值，得到训练好的第一模型。交通分析装置600能够实现本申请实施例中图1方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。本申请实施例还提供一种电子设备。请参见图7，电子设备可以包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的程序7021，程序7021被处理器701执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。所述的存储介质，如只读存储器（read-onlymemory，rom）、随机存取存储器（randomaccessmemory，ram）、磁碟或者光盘等。以上所述是本申请实施例的优选实施方式，应当指出，对于本
技术领域：
：的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。当前第1页12当前第1页12
背景技术：
：：随着交通领域的快速发展，交通拥堵日益加剧。为了保证交通管理措施合理有效，有必要获取路网上的交通数据，以利用获取到的交通数据对交通进行分析堵。现有技术中，仅利用单一的交通数据进行交通分析，导致交通分析的准确度较低。技术实现要素：本申请实施例提供一种交通分析方法、相关设备及可读存储介质，以解决现有技术中交通分析的准确度较低的问题。为解决上述问题，本申请是这样实现的：第一方面，本申请实施例提供了一种交通分析方法，所述方法包括：根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据，s和t均为正整数，r为大于1的整数；利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量；根据第三张量，确定所述目标路网的目标信息；其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。第二方面，本申请实施例还提供一种交通分析装置，包括：生成模块，用于根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据，s和t均为正整数，r为大于1的整数；融合模块，用于利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量；第一确定模块，用于根据第三张量，确定所述目标路网的目标信息；其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。第三方面，本申请实施例还提供一种电子设备，包括：收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法。第四方面，本申请实施例还提供一种可读存储介质，用于存储程序，所述程序被处理器执行时实现如前述第一方面所述方法。在本申请实施例中，电子设备对检测器检测到的多维度交通数据进行时空拼接，得到第一张量；之后，对所述第一张量中的空间维度和交通数据维度进行融合处理，得到第二张量，进而根据第二张量，确定所述目标路网的目标信息，所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。可见，本申请实施例的电子设备全面利用了检测器检测到的多维度交通数据对目标路网的交通进行分析，从而可以提高交通分析的准确度。附图说明为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。图1是本申请实施例提供的交通分析方法的流程示意图；图2是本申请实施例提供的第一张量的示意图；图3是本申请实施例提供的张量的特征提取示意图；图4是本申请实施例提供的张量的融合示意图；图5是本申请实施例提供的第一模型的示意图；图6是本申请实施提供的交通分析装置的结构示意图；图7是本申请实施提供的电子设备的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例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。本申请实施例中的术语“第一”、“第二”等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。此外，术语“包括”和“具有”以及他们的任何变形，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。此外，本申请中使用“和/或”表示所连接对象的至少其中之一，例如a和/或b和/或c，表示包含单独a，单独b，单独c，以及a和b都存在，b和c都存在，a和c都存在，以及a、b和c都存在的7种情况。以下对本申请实施例提供的交通分析方法进行说明。本申请实施例的交通分析方法可以由电子设备执行。在实际应用中，电子设备可以是服务器、手机、平板电脑（tabletpersonalcomputer）、膝上型电脑（laptopcomputer）、个人数字助理（personaldigitalassistant，pda）、移动上网装置（mobileinternetdevice，mid）、可穿戴式设备（wearabledevice）或车载设备等。参见图1，图1是本申请实施例提供的交通分析方法的流程示意图。如图1所示，可以包括以下步骤：步骤101、根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据。s和t均为正整数，r为大于1的整数。在实际应用中，检测器布设在所述目标路网的各路段的各车道上。可选地，可以在一个路段的一个车道上布设一个检测器，即一个检测器可以用于检测一个路段的一个车道的交通数据。各检测器可以按照预设频率检测r类交通数据的值，所述r类交通数据可以但不仅限于包括各车道的平均速度、占用率、行驶车辆数量和车道占有时间等可以反应交通状态的数据。在本申请实施例中，r类交通数据也可以称为r类交通状态。在本步骤中，电子设备可以通过获取目标网络中各检测器在第一时长内检测到的交通数据，获取所述目标网络在第一时长内的整体交通状态，进而可以对所述目标网络在第一时长内的交通状态进行感知，并可以利用感知到的交通状态对所述目标网络的未来交通状态进行预测，所述第一预设时长可以预先根据需求设定，如1小时或1天等。电子设备在获取到目标网络中各检测器在第一时长内检测到的交通数据之后，可以生成第一张量，所述第一张量为多维度的交通数据时空张量，所述第一张量包括所述目标路网中各路段的检测器在第一时长内检测到的全部交通数据。可以理解地是，在所述目标网络包括s个路段，检测器在所述第一时长内进行t次检测，检测器检测r类交通数据的情况下，所述第一张量为s×t×r张量，其中，s表示空间维度的长度大小；t表示时间维度的长度大小；r表示交通数据维度的长度大小。考虑到毫米波雷达具有以下优势：受环境影响小，如受雾霾、雨雪和光线影响较小；检测覆盖范围大，视角可达120°，检测距离可达250米；工程化简单；无额外算力要求；维护成本低。本申请实施例中的检测器可以为毫米波雷达检测器，这样，通过检测器检测到的交通数据更准确，从而可以进一步提高交通分析的准确度。当然，可以理解地是，本申请实施例的检测器也可以为其他类型的检测器，如线圈检测器或地磁检测器等，具体可根据实际需求决定，本申请实施例对此不做限定。步骤102、利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量。在本申请实施例中，电子设备在生成所述第一张量之后，还可以利用注意力机制对第一张量中空间维度和交通数据维度的区域特征进行捕捉和识别，以提高区域特征识别和捕捉的准确度。由于特征识别和捕捉越准确，交通状态的分析效果越佳，因此，利用融合得到的第二张量进行交通状态的分析，可以进一步提高交通状态分析的准确度。步骤103、根据第三张量，确定所述目标路网的目标信息。其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。具体实现时，第一实现方式中，电子设备可以直接基于融合得到的第二张量，确定所述目标路网的目标信息。第二实现方式中，电子设备可以进一步检测所述第二张量中是否存在空缺值，并在所述第二张量中存在空缺值的情况下，对所述第二张量进行补缺，利用补缺得到的第三张量，确定所述目标路网的目标信息。可见，相比于第一实现方式，通过第二实现方式确定的所述目标路网的目标信息的准确度更高。在本申请实施例中，所述交通模式可以通过拥塞程度表征，不同交通模式的拥塞程度不同。交通规律可以通过目标时间或目标空间内各类交通数据的平均值表征。未来交通状态可以通过多维度的交通数据时空张量表征。本申请实施例的交通分析方法，电子设备对检测器检测到的多维度交通数据进行时空拼接，得到第一张量；之后，对所述第一张量中的空间维度和交通数据维度进行融合处理，得到第二张量，进而根据第二张量，确定所述目标路网的目标信息，所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。可见，本申请实施例的电子设备全面利用了检测器检测到的多维度交通数据对目标路网的交通进行分析，从而可以提高交通分析的准确度。在本申请实施例中，可选地，所述根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，包括：生成目标路网中各检测器检测的t个时间点对应的时间序列，及与所述目标路网中s个路段对应的空间序列；拼接所述时间序列中各时间点对应的r类交通数据的值，及所述空间序列中各路段对应的r类交通数据的值，得到第一张量。在本可选实施方式中，电子设备在获取到目标网络中各检测器在第一时长内检测到的交通数据之后，可以对获取到的交通数据进行时空拼接，生成第一张量。具体实现时，交通数据的值与时间维度具有高度相关性。经过每一单位时间之后，道路路网各车道因车辆的驶入、驶离或停车等待、事故碰撞等原因，各交通数据的值都会发生变化。因此，电子设备可以按照检测器检测的时间顺序，生成时间序列，所述时间序列包括所述t个时间点。同一路网各个路段之间、同一路段各条车道之间，因车辆的交替驶入，或在前后车辆、左右车辆之间相互作用下，车道的速度、占有率等交通数据会发生变化。因此，电子设备可以按照s个路段的空间顺序，生成空间序列，所述空间序列包括所述s个路段。电子设备在生成所述时间序列和所述空间序列之后，基于时间和空间的维度，形成一张具有时间信息、空间相对关系的网格图。r类交通数据可采用r张网格图表示，r张网格图按照时空对应关系形成一个多维度的交通状态时空张量，即第一张量，其中，每一张网格图代表一类交通数据，网格图中的每一个网格代表一个车道在一个时间点的一类交通数据的值。为方便理解，请参见图2，在图2中，所述第一张量的交通数据维度为3，但并不因此限制交通数据维度的取值。通过上述方式，可以实现所述目标路网在第一时长内的交通数据在时空上的拼接，得到第一张量，这样，利用第一张量分析得到的交通状态，可以更符合实际的交通状态，即可以提高交通分析的准确度。在本申请实施例中，可选地，所述利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量，包括：提取所述第一张量中空间维度和交通数据维度的区域特征，得到中间张量；将所述中间张量输入注意力融合网络，得到所述中间张量中各区域特征的权重值；将所述各区域特征的权重值与所述第一张量相乘，得到第二张量。具体实现时，电子设备可以利用特征提取模型提取所述第一张量中空间维度和交通数据维度的区域特征。特征提取模型可以为卷积神经网络，但不仅限于此。卷积神经网络可以利用不同权重的卷积核，对输入张量的区域特征进行提取。不同尺寸的卷积核能够捕捉不同尺度的区域特征。如图3所示，在特征提取模型中，第一张量经多个卷积核过滤计算，得到中间张量π，中间张量π的尺寸大小为h×w×t，其中h表示空间维度的长度大小，w表示交通数据维度的长度大小，t表示时间维度的长度大小。电子设备可以将中间张量π输入注意力融合网络中，得到所述中间张量中各区域特征的权重值ε。如图4所示，注意力融合网络可将中间张量π的各平面求均值，压缩1×1×t，得到所述中间张量中各区域特征的权重值ε。之后，如图4所示，电子设备可以将各区域特征的权重值ε与所述第一张量相乘，得到深度融合的第二张量。通过上述方式，电子设备可以赋予第一张量的不同区域特征不同权重，进而融合得到具有注意力机制的多维度交通数据张量，从而可以进一步提高交通分析的准确度。在本申请实施例中，可选地，所述利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量之后，所述根据第三张量，确定所述目标路网的目标信息之前，所述方法还包括：检测所述第二张量是否存在空缺值；在所述第二张量存在空缺值的情况下，利用基于权值的插值法补缺所述空缺值，得到第三张量。在本可选实施方式中，考虑到检测器可能因以下至少一项因素出现采集数据的缺失：检测器受到遮挡物、建筑物或恶劣天气的干扰；检测器的调试、内置程序出现错误等。为了对提高交通分析的准确度，可以对缺失数据进行补缺。补缺可以是利用采集到的交通数据，在缺失处进行数值的插补或合理预测，使得数据合理且完整。具体实现时，可以通过以下方式对空缺值进行补缺：1）搜索每一个维度层的空缺值，定位空缺值的位置。给定一个交通数据变量ri∈r在时空层上的分布：判定空缺值为c=(s1,tk,ri)，即表示在空间tk处，在时间s1处缺少了交通数据ri的值。2)采用基于权值的插值法补缺空缺值。空缺值与前后时间序列、左右空间序列状态变量值相关，因此采用加权的方式对该处变量前后左右四处的变量求期望，以补缺中心处空缺值。其中，加权系数α1、α2、α3、α4取决于空缺值受四周时空变量的影响程度，具体可根据实际需求设定，本申请实施例对此不做限定。一般地，周围变量对空缺处的交通状态值的影响程度越大，加权系数越高。需要说明的是，上述c的计算公式仅为示例，并不因此限制c的计算方式，如，c也可以通过以下公式计算得到：以下对本申请实施例中目标路网的目标信息的确定进行说明。一、所述目标信息包括交通模式。在此情况下，可选地，所述根据第三张量，确定所述目标路网的目标信息，包括：对第三张量进行张量分解，得到与时间维度对应的第一因子矩阵，与空间维度对应的第二因子矩阵，及与交通数据对应的第三因子矩阵；根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式。在本可选实施方式中，电子设备利用张量（canonicalpolyadic，cp）分解确定交通模式。需要说明的是，在其他实施方式中，电子设备也可以利用其他方式使用所述第三张量确定交通模式，如电子设备可以利用第二模型确定交通模式，所述第二模型的输入为所述第三张量，输出为所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，本申请实施例并不限制根据所述第三张量确定交通模式的方式。交通模式，也可以称为交通出行模式或交通行为模式，反映在给定时间空间范围内，各个出行个体或行驶路段中，个体或路段的交通状态之间存在着的内在相似联系。在实际应用中，可以将存在着显著相似联系的个体或路段划分为同一种交通模式。假设所述第三张量的空间维度的长度为n个路段，时间维度的长度为m个时间点，交通数据维度的长度为i类交通数据，n和m均为正整数，i为大于1的整数。那么，对所述第三张量进行cp分解得到的与时间维度对应的第一因子矩阵a的大小为i×q，与空间维度对应的第二因子矩阵b的大小为n×q，与交通数据对应的第三因子矩阵c的大小为i×q，即所述第一因子矩阵为m×q矩阵，所述第二因子矩阵b为n×q矩阵，所述第三因子矩阵c为i×q矩阵。其中，q表示所述目标路网的交通模式个数，q为正整数。之后，电子设备可以基于分解得到的所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式。可选地，所述根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式，包括：根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，得到q组交通数据序列；获取与所述q组交通数据序列对应的q个交通模式。具体实现时，电子设备可以依次对所求得的第一因子矩阵a、第二因子矩阵b和第三因子矩阵c，按照行或列q=1,2,3,…,q次提取展开，可得到q组交通数据序列（也可以称为出行模式序列或状态序列）。每一组出行模式包括为m×1,n×1,i×1的三个向量，每一组出行模式可以用于确定一个交通模式，从而q组交通数据序列可以揭示q类特征各异的交通模式。对于第一因子矩阵a、第二因子矩阵b和第三因子矩阵c的求解，可以通过以下方式实现：可选地，所述根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式，包括：构造目标函数，所述目标函数用于反映第一值和第二值之间的差异，所述第一值为所述第三张量的值，所述第二值基于所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵计算得到；根据所述目标函数，优化所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵；根据优化后的第一因子矩阵、第二因子矩阵和第三因子矩阵，确定所述目标路网的交通模式。记所述第三张量为x，x与第一因子矩阵a、第二因子矩阵b和第三因子矩阵c的关系可以通过以下公式表示：x中的元素与第一因子矩阵a、第二因子矩阵b和第三因子矩阵c中的元素的关系可以通过以下公式表示：构造目标函数f，目标函数f可反映x与第二值之间的差异。可选地，目标函数f可通过以下公式表示：目标函数f可简化为：为优化因子矩阵，可以利用梯度下降法求解优化决策变量amr，bnr，cir。可选地，可以先对各个决策变量求偏导，利用偏导值更新各个决策变量，多次迭代更新直至目标函数收敛，即达到最优，即第一值与第二值之间的差异最小化，第二值无限接近第一值。可以理解地是，当目标函数达到最优时，各因子矩阵可以达到最优，可以利用最优的第一因子矩阵、第二因子矩阵和第三因子矩阵，确定所述目标路网的交通模式，从而可以进一步提高交通模式确定的准确率。各个决策变量的更新可以通过下列公式实现：二、所述目标信息包括交通规律。交通时空规律，反映在给定的时空范围内，各个出行个体或出行路段中，个体或路段在特定的时间段、空间里，呈现出相似或相同状态。交通规律可以通过目标时间或目标空间内各类交通数据的平均值表征。在此情况下，可选地，所述根据第三张量，确定所述目标路网的目标信息，包括以下至少一项：1）获取所述目标路网的第k类交通数据在目标时长内的平均值；2）获取所述目标路网的目标空间的第k类交通数据在所述第一时长内的平均值；其中，所述目标时长的时间单位包括以下至少一项：日；周；年；所述目标空间的空间单位包括以下至少一项：车道；路段；路网；k的取值范围为1至i。对于1），电子设备可以进行日和/或周和/或年交通状态分析。在时间尺度上，分别以检测器检测的小时、一周七日和一年十二月为时间单位（也可以称为时间尺度或集计单位），对各类交通数据进行统计：其中，ak表示在(o,p)时间段内，目标路网的第i个交通状态的平均值。当时间尺度为日，(o,p)的持续统计时间为1小时，对一天内所有24小时的状态值进行计算，得到日交通状态分析表。当时间尺度为周，(o,p)的持续统计时间为1日，对一周内所有7日的状态值进行计算，得到周交通状态分析表。当时间尺度为年，(o,p)的持续统计时间为1个月，对一年内所有12个月的状态值进行计算，得到年交通状态分析表。对于2），电子设备可以进行车道级和/或路段级和/或路网级交通状态分析。在空间尺度上，分别以检测器检测的车道、路段以及路网为集计单位，对各类交通状态进行统计：其中，bk表示在tn时刻的(q,u)路段,第i个交通状态的平均值。利用上述公式即可得出在某时刻，城市某车道级、某路段或某路网级交通状态表。三、所述目标信息包括未来交通状态。基于所述第三张量，可进行未来时刻交通状态的预测。交通状态预测，反映在未来给定的时间范围内，预测毫米波雷达所探测的路段中的各项交通状态。基于检测器检测到的数据所建立的多维度交通数据张量，时空依赖关系强，能够利用其紧密的时空依赖关系对未来交通状态做出精准预测。可选地，所述根据第三张量，确定所述目标路网的目标信息，包括：将所述第三张量输入训练好的第一模型中，预测得到第四张量，所述第四张量用于反映所述目标路网在第二时长内的交通状态，所述第二时长为所述第一时长的下一个时长；其中，所述第一模型预测所述第四张量时的第一隐藏状态由所述第三张量和历史隐藏状态确定，所述历史隐藏状态为所述第一模型在第三时长的隐藏状态确定，所述第三时长为所述第一时长的上一个时长；所述第一模型的隐藏状态用于确定所述第一模型的输出。在本可选实施方式中，利用第一模型预测未来时刻的交通状态，所述第一模型的输入为所述第三张量，输出为与所述第三张量对应的未来时长的张量，可以用于反映所述目标路网在狭义时长内的交通状态。第一模型的结构可以参见图5，第一模型预测未来交通状态可以包括以下三步：1）输入各项变量。为方便理解，以下将上述时长视为时刻，未来时长即为未来时刻。按照时间序列排序整理变量依次输入x(1),x(2),…,x(t)，分别表示在t时刻由电子设备计算得到的第三张量。预测模型的其它变量为：h(t)表示在t时刻时模型的隐藏状态，h(t)由对应时刻的输入x(t)和上一时刻的隐藏状态h(t-1)共同决定。o(t)表在t时刻模型的输出，o(t)只由模型当前的隐藏状态h(t)决定。l(t)代表在t时刻模型的损失函数。y(t)代表在t时刻的真实值y(t)。u,v,w代表预测模型中的共享权值矩阵。2）前向传播计算。基于上述规定变量，进行模型的前向传播计算。对于任意一时刻t，该时刻的隐藏状态h(t)由该时刻的多维度交通状态张量x(t)和上一时刻的隐藏状态h(t-1)得到：通过对时刻的隐藏变量进行两次共享权值矩阵运算，得出该时刻对多维度交通状态的估计值。3）后向传播优化。为了实现对未来交通状态的准确预测，需衡量上一时刻得出的交通状态的估计值和真实交通状态值y(t)之间的差异进行量化，建立两者之间的损失函数（也可以称为差异函数）l。可选地，所述将所述第三张量输入训练好的第一模型中，预测得到第四张量之前，所述方法还包括：获取样本张量；将所述样本张量输入未训练的第一模型，得到第五张量；根据所述样本张量和所述第五张量，确定与所述第一模型对应的损失函数；根据所述损失函数，调整所述第一模型的权重值，得到训练好的第一模型。所述损失函数可以通过以下公式计算得到：通过梯度下降算法对差异函数l的决策变量c,v求偏导，迭代计算多轮，不断更新c,v以优化模型，实现准确的预测。通过逐步梯度下降法对差异函数l的决策变量u,w,b逐步求偏导，迭代多轮，不断更新以优化模型，实现准确的预测。逐步更新w:更新u：更新b:在训练模型时，基于损失函数对模型参数进行迭代优化，当损失函数小于规定阈值时，不再进行更新。将该时刻的多维度交通状态变量输入模型，计算过后，便可得出下一时刻对应空间的多维度交通状态变量，即得出预测结果。本申请实施例中介绍的多种可选的实施方式，在彼此不冲突的情况下可以相互结合实现，也可以单独实现，对此本申请实施例不作限定。本申请实施例包括以下内容：电子设备收集目标路网各毫米波雷达检测点的检测数据。依据毫米波雷达的桩号与地图定位匹配的结果，对路网中连续的毫米波雷达数据集进行时间、空间维度的拼接，还原车道级的交通状态。其中，每个数据张量所含有的交通状态信息不少于两类，包括但不限于路网内各车道的平均速度、占有率、行驶车辆数量等信息。电子设备输出拼接和融合后的毫米波雷达数据。依据本申请的毫米波雷达多源数据融合算法，对所拼接形成的车道级数据张量进行深度融合，获得融合多源信息的毫米波雷达多维度交通状态张量。电子设备补缺所融合后形成的毫米波雷达数据。电子设备输出所预测的未来时刻车道的交通状态值。本申请实施例至少具有如下有益效果：本申请采用一种针对于毫米波雷达数据的有效数据格式，基于该数据格式提出有效的城市路网车道级算法，不仅能够实现对交通路网数据的出行模式分析，并且能够对未来某段时间间隔指定道路进行准确的交通状态预测的效果。本申请采用将毫米波雷达覆盖的所有时间范围、区域范围数据准确的拼接的方法，实现对毫米波雷达产生的多源数据进行深度融合，提升感知和预测的准确程度；并且对缺失数据进行处理，适应真实场景中存在的数据问题，为后续对毫米波雷达数据的进一步使用奠定基础。本申请提出的多维度毫米波雷达的数据分析、预测方法，能够适应5g场景下的交通路侧设备传输，同时能够面向边缘计算下数据的分布式计算和处理。本提案不仅能够实现对现有技术环境下交通路网数据进行出行模式分析，并且能够适应未来新兴技术场景下的交通数据快速处理和计算。参见图6，图6是本申请实施例提供的交通分析装置的结构图之一。如图6所示，交通分析装置600包括：生成模块601，用于根据目标路网中各检测器在第一时长内检测到的交通数据，生成第一张量，所述第一张量的空间维度的长度为所述目标路网中的s个路段，时间维度的长度为所述第一时长内的t个时间点，交通数据维度的长度为所述检测器检测的r类交通数据，s和t均为正整数，r为大于1的整数；融合模块602，用于利用注意力机制对所述第一张量中的空间维度和交通数据维度进行融合，得到第二张量；第一确定模块603，用于根据第三张量，确定所述目标路网的目标信息；其中，所述第三张量为所述第二张量或基于所述第二张量确定；所述目标信息包括以下至少一项：交通模式、交通规律以及未来交通状态。可选地，所述生成模块601，包括：生成子模块，用于生成目标路网中各检测器检测的t个时间点对应的时间序列，及与所述目标路网中s个路段对应的空间序列；拼接子模块，用于拼接所述时间序列中各时间点对应的r类交通数据的值，及所述空间序列中各路段对应的r类交通数据的值，得到第一张量。可选地，所述融合模块602，包括：提取子模块，用于提取所述第一张量中空间维度和交通数据维度的区域特征，得到中间张量；第一获取子模块，用于将所述中间张量输入注意力融合网络，得到所述中间张量中各区域特征的权重值；第二获取子模块，用于将所述各区域特征的权重值与所述第一张量相乘，得到第二张量。可选地，所述交通分析装置600还包括：检测模块，用于检测所述第二张量是否存在空缺值；第一获取模块，用于在所述第二张量存在空缺值的情况下，利用基于权值的插值法补缺所述空缺值，得到第三张量。可选地，在所述目标信息包括交通模式的情况下，所述第一确定模块603包括：分解子模块，用于对第三张量进行张量分解，得到与时间维度对应的第一因子矩阵，与空间维度对应的第二因子矩阵，及与交通数据对应的第三因子矩阵；确定子模块，用于根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，确定所述目标路网的交通模式。可选地，所述确定子模块，包括：构造单元，用于构造目标函数，所述目标函数用于反映第一值和第二值之间的差异，所述第一值为所述第三张量的值，所述第二值基于所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵计算得到；优化单元，用于根据所述目标函数，优化所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵；确定单元，用于根据优化后的第一因子矩阵、第二因子矩阵和第三因子矩阵，确定所述目标路网的交通模式。可选地，所述第三张量的空间维度的长度为n个路段，时间维度的长度为m个时间点，交通数据维度的长度为i类交通数据，n和m均为正整数，i为大于1的整数；所述第一因子矩阵为m×q矩阵，所述第二因子矩阵为n×q矩阵，所述第三因子矩阵为i×q矩阵，q为正整数；所述确定子模块，包括：第一获取单元，用于根据所述第一因子矩阵、所述第二因子矩阵和所述第三因子矩阵，得到q组交通数据序列；第二获取单元，用于获取与所述q组交通数据序列对应的q个交通模式。可选地，所述第三张量的交通数据维度的长度为i类交通数据，i为大于1的整数；在所述目标信息包括交通规律的情况下，所述第一确定模块603用于以下至少一项：获取所述目标路网的第k类交通数据在目标时长内的平均值；获取所述目标路网的目标空间的第k类交通数据在所述第一时长内的平均值；其中，所述目标时长的时间单位包括以下至少一项：日；周；年；所述目标空间的空间单位包括以下至少一项：车道；路段；路网；k的取值范围为1至i。可选地，在所述目标信息包括未来交通状态的情况下，所述第一确定模块603用于：将所述第三张量输入训练好的第一模型中，预测得到第四张量，所述第四张量用于反映所述目标路网在第二时长内的交通状态，所述第二时长为所述第一时长的下一个时长；其中，所述第一模型预测所述第四张量时的第一隐藏状态由所述第三张量和历史隐藏状态确定，所述历史隐藏状态为所述第一模型在第三时长的隐藏状态确定，所述第三时长为所述第一时长的上一个时长；所述第一模型的隐藏状态用于确定所述第一模型的输出。可选地，所述交通分析装置600还包括：第二获取模块，用于获取样本张量；第三获取模块，用于将所述样本张量输入未训练的第一模型，得到第五张量；第二确定模块，用于根据所述样本张量和所述第五张量，确定与所述第一模型对应的损失函数；调整模块，用于根据所述损失函数，调整所述第一模型的权重值，得到训练好的第一模型。交通分析装置600能够实现本申请实施例中图1方法实施例的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。本申请实施例还提供一种电子设备。请参见图7，电子设备可以包括处理器701、存储器702及存储在存储器702上并可在处理器701上运行的程序7021，程序7021被处理器701执行时可实现图1对应的方法实施例中的任意步骤及达到相同的有益效果，此处不再赘述。本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成，所述的程序可以存储于一可读取介质中。本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时可实现上述图1对应的方法实施例中的任意步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。所述的存储介质，如只读存储器（read-onlymemory，rom）、随机存取存储器（randomaccessmemory，ram）、磁碟或者光盘等。以上所述是本申请实施例的优选实施方式，应当指出，对于本
技术领域：
：的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
