路况预测方法、装置、设备及存储介质与流程

技术特征：
1.一种路况预测方法，其特征在于，所述方法包括：将当前路况的视频帧序列输入到预先训练的共享编码器，得到所述视频帧序列的语义特征序列；将所述语义特征序列和外部特征序列，输入到预先训练的时序预测网络，得到未来帧语义特征，所述外部特征序列为异常事件对应的特征；基于所述未来帧语义特征，判断预设时长后路况是否异常。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：在判断结果为预设时长后路况异常的情况下，将所述未来帧语义特征输入到预先训练的共享解码器，得到未来帧异常图像。3.根据权利要求2所述的方法，其特征在于，所述将当前路况的视频帧序列输入到预先训练的共享编码器之前，所述方法还包括：训练用于图像语义编码或解码的vae-gan，得到视频帧到预设语义空间的共享编码器和共享解码器。4.根据权利要求1所述的方法，其特征在于，所述将所述语义特征序列和外部特征序列，输入到预先训练的时序预测网络之前，所述方法还包括：训练用于语义特征预测的rnn-gan，得到时序预测网络。5.根据权利要求1所述的方法，其特征在于，所述外部特征序列，包括如下信息中的至少一种：交通信息、环境信息、路段信息。6.根据权利要求1所述的方法，其特征在于，所述基于所述未来帧语义特征，判断预设时长后路况是否异常，包括：将所述未来帧语义特征，输入到预先训练的语义特征异常检测网络，得到所述未来帧语义特征异常的概率；在所述概率大于预设的异常概率阈值时，判断结果为预设时长后路况异常；在所述概率不大于预设的异常概率阈值时，判断结果为预设时长后路况正常。7.根据权利要求6所述的方法，其特征在于，所述语义特征异常检测网络用于将所述未来帧语义特征输入到重编码模型，得到重编码特征，以及基于所述重编码特征和所述未来帧语义特征，计算所述未来帧语义特征异常的概率。8.根据权利要求1所述的方法，其特征在于，所述方法还包括：在判断结果为预设时长后路况异常的情况下，发送异常告警信息。9.一种路况预测装置，其特征在于，所述装置包括：编码模块，用于将当前路况的视频帧序列输入到预先训练的共享编码器，得到所述视频帧序列的语义特征序列；未来帧预测模块，用于将所述语义特征序列和外部特征序列，输入到预先训练的时序预测网络，得到未来帧语义特征；异常判断模块，用于基于所述未来帧语义特征，判断预设时长后路况是否异常。10.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8中任意一项所述的路况预测方法。11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任意一项所述的路况预测方法。

技术总结
本公开提供了一种路况预测方法、装置、设备及存储介质，涉及人工智能技术领域。该方法包括：将当前路况的视频帧序列输入到预先训练的共享编码器，得到视频帧序列的语义特征序列；将语义特征序列和外部特征序列，输入到预先训练的时序预测网络，得到未来帧语义特征，外部特征序列为异常事件对应的特征；基于未来帧语义特征，判断预设时长后路况是否异常。判断预设时长后路况是否异常。判断预设时长后路况是否异常。


技术研发人员：原思平 许盛宏 郑三强 王秋森 王金波
受保护的技术使用者：中国电信股份有限公司
技术研发日：2021.12.24
技术公布日：2022/4/12