一种交通状态预测模型构建方法及交通状态预测方法

1.本技术属于智能交通技术领域，尤其涉及一种交通状态预测模型构建方法及交通状态预测方法。


背景技术：

2.目前，在现代交通管理与应急资源调度中，都需掌握最新的道路交通运行状态信息可以从全局对全网络交通状态进行了解，帮助决策者指定交通拥堵疏导、事故处置、救援路径规划等方案。通常，道路网络运行状态的获取和可视化需基于对路段和交叉口交通状态的精准预测，包括路段和交叉口的速度、流量、通行时间等
3.但传统的交通状态预测方法对交通信息空间关联度的捕捉一般停留在通过路网拓扑结构和历史交通数据估计或学习的关联度矩阵，这需对实际路网结构做大量简化和较强的假设，缺乏对实际交通情况和次要/未知因素的考虑，会降低道路网络运行状态的预测精度，从而影响决策者指定方案。


技术实现要素：

4.本技术实施例提供了一种交通状态预测模型构建方法及交通状态预测方法方法，可以解决预测精度低问题。
5.第一方面，本技术实施例提供了一种交通状态预测模型构建方法，包括：
6.获取第一数据、第二数据和第三数据，所述第一数据包括待预测路段的历史交通状态数据，所述第二数据包括所述待预测路段的上下游交叉口的历史交通状态数据，所述第三数据包括所述第一数据的特征及所述第二数据的特征，所述特征包含空间特征和/或时间特征；
7.将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据；
8.基于所述训练样本数据构建交通状态预测模型，并筛选出相关联特征，所述相关联特征为重要度大于预设重要度的特征；
9.基于所述相关联特征建立最终交通状态预测模型。
10.在第一方面的一种可能的实现方式中，训练预测模型，并筛选出相关联特征，具体包括：
11.按照预设划分比例将所述训练样本数据划分成第一测试集及第一验证集；
12.将所述第一验证集对应的特征设为决策属性，所述第一测试集对应的特征设为条件属性，基于预设损失函数，建立并训练所述交通状态预测模型；
13.在训练过程中，计算所述特征的重要度；
14.若所述重要度大于所述预设重要度，则选为相关联特征。
15.进一步的，计算所述特征的重要度，具体包括：
16.获取每次分割时所述特征对所述交通状态预测模型提升的分数；
17.计算所述分数的平方加权。
18.在第一方面的一种可能的实现方式中，基于所述相关联特征建立最终交通状态预测模型，具体包括：
19.使用所述相关联特征建立初始交通状态预测模型；
20.按照预设划分比例将所述训练样本数据划分成第二测试集及第二验证集；
21.基于所述第二测试集、所述第二验证集及所述初始交通状态预测模型，训练得到最终交通状态预测模型。
22.进一步的，所述预设损失函数为平方损失函数；
23.所述交通状态预测模型的目标函数如下：
[0024][0025]
其中，y
t
为第t步的所述待预测路段对应的实际交通状态值，为第t-1步的通过所述交通状态预测模型得到的预测值，f
t
(x
t
)为变换函数，x
t
为属性，ω(fi)为第i棵树的正则化运算，γ为控制节点分裂的阈值，λ为l2正则化权重，ω为叶子的得分，m为叶子的个数。
[0026]
进一步的，将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据，包括：
[0027]
对所述第一数据和所述第二数据进行补全，得到补全后的第一数据和第二数据；
[0028]
将补全后的第一数据和第二数据，与所述第三数据进行融合，得到训练样本数据。
[0029]
在第一方面的一种可能的实现方式中，对所述第一数据和第二数据进行补全，具体包括：
[0030]
根据所述特征的属性对应分为连续变量或离散变量；
[0031]
根据每个特征的缺失数据总量及所述属性，将所述特征对应进行排序；
[0032]
若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值；
[0033]
和/或，若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值。
[0034]
进一步的，若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值，具体包括：
[0035]
每次用中位数初始化每个所述连续变量的所述缺失数据的值后，分别得到第一新数据集；
[0036]
计算每个所述第一新数据集与对应第一旧数据集之间的差值，并求和，得到第一和值；
[0037]
若所述第一和值小于预设差值，则停止补全；
[0038]
和/或，若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值，具体包括：
[0039]
每次用众数初始化每个所述离散变量的所述缺失数据的值后，分别得到第二新数据集；
[0040]
计算每个所述第二新数据集与对应第二旧数据集之间的差值，并求和，得到第二
和值；
[0041]
若所述第二和值小于预设差值，则停止补全。
[0042]
示例的，计算每个所述第一新数据集与对应第一旧数据集之间的差值，并求和，得到第一和值，具体包括：
[0043]
按照如下公式进行计算：
[0044][0045]
其中，δn为第一和值，j为排序后的连续变量的编号，dn为第一新数据集的缺失连续变量值，do为第一旧数据集的缺失连续变量值；
[0046]
和/或，计算每个所述第二新数据集与对应第二旧数据集之间的差值，并求和，得到第二和值，具体包括：
[0047]
按照如下公式进行计算：
[0048][0049]
其中，δf为第二和值，j为排序后的连续变量的编号，i为排序后的离散变量的编号，xn为第二新数据集的缺失离散变量值，xo为第二旧数据集的缺失离散变量值，i为判定函数，若xn≠xo，则i取1，否则i取0，n
mis
为离散变量中缺失项总数。
[0050]
在第一方面的一种可能的实现方式中，获取第一数据，具体包括：
[0051]
按照预设选取值获取所述待预测路段的历史时间段的交通状态数据，每个时间段的交通状态数据包含交通数据及对应的空间特征、时间特征，所述第一数据包括全部时间段的交通状态数据；
[0052]
其中，所述交通数据为传感器采集的数据，所述空间特征为所述待预测路段的交通状态指标，所述时间特征为所述待预测路段的时间状态。
[0053]
在第一方面的一种可能的实现方式中，获取第二数据，具体包括：
[0054]
按照预设选取值获取所述上下游交叉口每个方向中全部转向的历史时间段的交通状态数据，每个时间段的交通状态数据包含交通数据及对应的空间特征，所述第二数据包括全部时间段的交通状态数据；
[0055]
其中，所述交通数据为传感器采集的数据，所述空间特征为所述上下游交叉口的交通状态指标。
[0056]
第二方面，本技术实施例提供了一种交通状态预测方法，包括：
[0057]
获取第一数据、第二数据和第三数据，所述第一数据包括待预测路段的历史交通状态数据，所述第二数据包括所述待预测路段的上下游交叉口的历史交通状态数据，所述第三数据包括所述第一数据的特征及所述第二数据的空间特征，所述特征包含空间特征和/或时间特征；
[0058]
将所述第一数据、所述第二数据及所述第三数据进行融合，得到融合数据；
[0059]
利用交通状态预测模型，根据所述融合数据，获得待预测路段的交通状态预测结果；
[0060]
其中，所述交通状态预测模型是通过上述第一方面任一项所述的方法训练得到的
最终交通状态预测模型。
[0061]
第三方面，本技术实施例提供了一种电子设备，包括：包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面任一项或上述第二方面所述的方法。
[0062]
第四方面，本技术实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如如上述第一方面任一项或上述第二方面所述的方法。
[0063]
第五方面，本技术实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面任一项或上述第二方面所述的方法。
[0064]
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0065]
本技术实施例与现有技术相比存在的有益效果是：
[0066]
本技术实施例通过获取第一数据、第二数据和第三数据，第一数据包括待预测路段的历史交通状态数据，第二数据包括待预测路段的上下游交叉口的历史交通状态数据，第三数据包括第一数据的特征及第二数据的特征，特征包含空间特征和/或时间特征；将第一数据、第二数据及第三数据进行融合，得到训练样本数据；基于训练样本数据构建交通状态预测模型，并筛选出相关联特征，相关联特征为重要度大于预设重要度的特征，加入对重要度高的特征的考量；基于相关联特征建立最终交通状态预测模型，无需对实际路网结构进行简化和假设，能够提高预测精度、运行效率及鲁棒性，保证了预测结果与实际交通情况相符，从而能精确预测双向交通流的情况。
附图说明
[0067]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术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技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0068]
图1是本技术一实施例提供的交通状态预测模型构建方法的流程示意图；
[0069]
图2是本技术另一实施例提供的交通状态预测模型构建方法的流程示意图；
[0070]
图3是本技术另一实施例提供的交通状态预测模型构建方法的流程示意图；
[0071]
图4是本技术另一实施例提供的交通状态预测方法的流程示意图；
[0072]
图5是本技术实施例提供的电子设备的结构示意图。
具体实施方式
[0073]
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本技术的描述。
[0074]
应当理解，当在本技术说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、
步骤、操作、元素、组件和/或其集合的存在或添加。
[0075]
还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0076]
如在本技术说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
[0077]
另外，在本技术说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0078]
在本技术说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0079]
图1是本技术一实施例提供的交通状态预测模型构建方法的流程示意图。作为示例而非限定，如图1所示，该方法包括：
[0080]
s101：获取第一数据、第二数据和第三数据；
[0081]
第一数据包括待预测路段的历史交通状态数据，第二数据包括待预测路段的上下游交叉口的历史交通状态数据，第三数据包括第一数据的特征及第二数据的特征，特征包含空间特征和/或时间特征。
[0082]
在一种可能的实现方式中，按照预设选取值获取待预测路段的历史时间段的交通状态数据，每个时间段的交通状态数据包含交通数据及对应的空间特征、时间特征，第一数据包括全部时间段的交通状态数据。
[0083]
具体的，预设选取值用于往前选取对应个时间段的交通状态数据作为历史交通状态数据。示例的，预设选取值为13个，则往前选取13个时间段的交通状态数据作为历史交通状态数据。
[0084]
其中，交通数据为传感器采集的数据。示例的，传感器采集的数据可包括摄像设备、探测器采集的数据。
[0085]
空间特征为待预测路段的交通状态指标。具体的，空间特征为每个时间段的短期交通状态指标。短期交通状态指标为按照时间步长往前选取对应个时间段的交通状态。示例的，时间步长为3，若要预测t时间段内的交通状态，则往前选取t-1、t-2、t-3时间段内的交通状态，形成3个特征，作为待预测路段短期交通状态指标。交通状态可为：路段通过时间、交通流密度或路段平均通行速度。
[0086]
时间特征为待预测路段的时间状态。具体的，时间特征为每个时间段的长期时间状态。时间状态可包括以下一项或多项：月份、星期、小时、工作日/非工作日、高峰/平峰时段。示例的，时间状态可描述为二月、工作日、高峰时段。因为同时具有相同或相似的时间特征会带来相似交通状态，因此加入时间特征考量，能使预测模型学习非线性量，从而提高预测精度。
[0087]
在一种可能的实现方式中，按照预设选取值获取上下游交叉口每个方向中全部转向的历史时间段的交通状态数据，每个时间段的交通状态数据包含交通数据及对应的空间特征，第二数据包括全部时间段的交通状态数据。
[0088]
具体的，预设选取值用于往前选取对应个时间段的交通状态数据作为历史交通状态数据。该预设选取值与上述预设选取值可相同或不同。在该实施例中，预设选取值也为13个。
[0089]
将上下游每个交叉口设为一节点，在该节点的东、西、南、北四个方向均获取交通状态数据，即在每个方向的直行、左转和右转三个转向上均往前选取13个时间段的交通状态数据作为历史交通状态数据。若没有某个方向或某个方向中没有某个转向，则剔除相应预先设置的数据。
[0090]
其中，交通数据为传感器采集的数据。示例的，传感器采集的数据可包括摄像设备、在交叉口的地面布设的环形探测以及浮动车gps采集的数据。该交通数据可为融合后数据。
[0091]
空间特征为上下游交叉口的交通状态指标。示例的，交通状态指标包含平均排队长度、停车次数、停车延误、平均通过速度。平均排队长度、停车次数、停车延误可通过卷积神经网络从摄像设备采集的数据中提取，平均通过速度可从浮动车gps采集的数据及对应的测速结果计算得出。
[0092]
在本实施例中，第一数据、第二数据及第三数据分别对应的原始数据源是分类存储的，为实现对对应的数据源的预处理和提取分析提供基础。
[0093]
s102：将第一数据、第二数据及第三数据进行融合，得到训练样本数据。
[0094]
可选的，通过时间将第一数据、第二数据及第三数据进行对应及融合。
[0095]
s103：基于训练样本数据构建交通状态预测模型，并筛选出相关联特征；
[0096]
相关联特征为重要度大于预设重要度的特征。
[0097]
基于损失函数，以训练样本数据中的特征作为分割点，构建交通状态预测模型。在本实施例中，交通状态预测模型为xgboost预测模型(extreme gradient boosting)。其中，预设重要度根据模型精度和/或变量数要求进行设置。
[0098]
通过在众多特征中提取对待预测路段的交通状态贡献最大的特征，并进行特征学习，能够提升模型对特征学习的效率和精确度，同时剔除了冗余特征，提升了模型的鲁棒性。
[0099]
s104：基于相关联特征建立最终交通状态预测模型。
[0100]
使用相关联特征作为分割点，基于损失函数，建立最终交通状态预测模型，即最终xgboost预测模型。
[0101]
本实施例通过获取第一数据、第二数据和第三数据，第一数据包括待预测路段的历史交通状态数据，第二数据包括待预测路段的上下游交叉口的历史交通状态数据，第三数据包括第一数据的特征及第二数据的特征，特征包含空间特征和/或时间特征；将第一数据、第二数据及第三数据进行融合，得到训练样本数据；基于训练样本数据构建交通状态预测模型，并筛选出相关联特征，相关联特征为重要度大于预设重要度的特征，加入对重要度高的特征的考量；基于相关联特征建立最终交通状态预测模型，无需对实际路网结构进行简化和假设，能够提高预测精度、运行效率及鲁棒性，保证了预测结果与实际交通情况相
符，从而能精确预测双向交通流的情况。
[0102]
图2是本技术另一实施例提供的交通状态预测模型构建方法的流程示意图。作为示例而非限定，如图2所示，该方法包括：
[0103]
s201：按照预设划分比例将训练样本数据划分成第一测试集及第一验证集。
[0104]
示例的，预设划分比例选为4：1，划分为4个第一测试集和1个第一验证集。
[0105]
s202：将第一验证集对应的特征设为决策属性，第一测试集对应的特征设为条件属性，基于预设损失函数，建立并训练交通状态预测模型。
[0106]
在一种可能的实现方式中，预设损失函数为平方损失函数；
[0107]
交通状态预测模型的目标函数如下：
[0108][0109]
其中，y
t
为第t步的待预测路段对应的实际交通状态值，为第t-1步的通过交通状态预测模型得到的预测值，f
t
(x
t
)为变换函数，x
t
为属性。变换函数可包括：xgboost、随机森林。
[0110]
ω(fi)为第i棵树的正则化运算，γ为控制节点分裂的阈值，λ为l2正则化权重，ω为叶子的得分，m为叶子的个数。
[0111]
其中，交通状态预测模型的目标函数是基于最小化损失函数(最大化目标函数obj)的思想，使用梯度下降算法及特征建立的。该模型的模型表现使用平均绝对百分比误差(mean absolute percentage error,mape)进行表征。
[0112]
以及在训练过程中，采用gridsearchcv算法(网格搜索法)，对模型参数进行优化，获得优化调参结果。待优化的参数包括：最大深度(max_depth)、学习率(learning_rate)、正则化参数(alpha、gamma、lambda)、树的总数(n_estimators)等。
[0113]
s203：在训练过程中，计算特征的重要度。
[0114]
具体的，获取每次分割时特征对预测模型提升的分数；计算分数的平方加权。该分数的平方加权值为对应特征的重要度。
[0115]
按照如下公式进行计算：
[0116][0117]
其中，si为第i个特征的重要度，k为训练过程中每次计算相应特征时分割数，为第i个特征第t次分割时预测模型得分，为第i个特征第t-1次分割时预测模型得分。
[0118]
s204：若重要度大于预设重要度，则选为相关联特征。
[0119]
示例的，预设重要度设为10％，若特征的重要度大于10％，则选为相关联特征。
[0120]
在另一实施例中，可通过设置或优化建模所用总样本比例(subsample)、每个树内的样本比例(colsample_bytree)和boost方法(tree_booster)等参数，以获得更优化调参结果。
[0121]
在另一实施例中，可通过设置正则化参数中alpha与lambda为0，建模所用总样本比例为0.5、每个树内的样本比例为0.8，加速参数优化过程和特征筛选过程。
[0122]
在另一实施例中，在要求预测模型对时间特征有学习能力情况下，不对时间特征进行筛选，而对上下游交叉口各方向的空间特征进行筛选，筛选出重要度大于预设重要度的空间特征作为相关联空间特征。
[0123]
在另一实施例中，可使用xgboost预测模型的特征重要性指标对训练样本数据的特征进行筛选。具体的，采用增益(gain)、覆盖度(cover)或总增益(total_gain)作为评价指标来定量评价训练样本数据的特征的贡献度，将贡献度大于预设指标阈值的特征作为相关联特征。
[0124]
s205：使用相关联特征建立初始交通状态预测模型。
[0125]
使用优化调参结果及相关联特征建立初始交通状态预测模型。
[0126]
s206：按照预设划分比例将训练样本数据划分成第二测试集及第二验证集。
[0127]
示例的，预设划分比例选为4：1，随机划分为4个第二测试集和1个第二验证集。第一测试集与第二测试集的训练样本数据相同或不同，第一验证集与第二验证集的训练样本数据相同或不同。
[0128]
s207：基于第二测试集、第二验证集及初始交通状态预测模型，训练得到最终交通状态预测模型。
[0129]
在训练过程中，基于第二测试集、第二验证集，继续采用gridsearchcv算法对初始交通状态预测模型的参数进行优化，待优化的参数包括：最大深度(max_depth)、学习率(learning_rate)、正则化参数(alpha、gamma、lambda)、子树的总数(n_estimators)等。
[0130]
然后继续利用该训练样本数据对优化后的模型进行训练，并采用10-fold交叉检验进行模型表现验证，得到相关联特征及最终交通状态预测模型。
[0131]
在另一实施例中，可通过gridsearchcv算法优化建模所用总样本比例(subsample)、每个树内的样本比例(colsample_bytree)和boost方法(tree_booster)等参数，以获得更优化调参结果。
[0132]
在另一实施例中，通过设置建模所用总样本比例为0.5、每个树内的样本比例为0.8，加速参数优化过程。
[0133]
在另一实施例中，可对上下游交叉口各方向的空间特征再次进行筛选，筛选出重要度大于预设重要度的空间特征作为相关联空间特征。
[0134]
图3是本技术另一实施例提供的交通状态预测模型构建方法的流程示意图。作为示例而非限定，如图3所示，将所述第一数据、所述第二数据及所述第三数据进行融合，得到训练样本数据，包括：
[0135]
s301：对第一数据和第二数据进行补全，得到补全后的第一数据和第二数据，包括：
[0136]
具体的，根据特征的属性对应分为连续变量或离散变量。
[0137]
示例的，平均通过速度是连续变量，停车次数是离散变量，然后根据特征的属性进行分类。
[0138]
根据每个特征的缺失数据总量及属性，将特征对应进行排序。
[0139]
示例的，将全部连续变量按照缺失数据总量进行排序并编号，及将全部离散变量
按照缺失数据总量进行排序并编号。
[0140]
若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值。
[0141]
其中，用相邻时间段的中位数初始化缺失数据的值，具体为用与缺失数据的时间段相邻的时间段的中位数进行初始化。
[0142]
和/或，
[0143]
若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值。
[0144]
其中，用相邻时间段的众数初始化缺失数据的值，具体为用与缺失数据的时间段相邻的时间段的众数进行初始化。
[0145]
在另一实施例中，若为连续变量，则用相邻时间段或所有时间段的中位数初始化缺失数据的值，具体包括：
[0146]
每次用中位数初始化每个连续变量的缺失数据的值后，分别得到第一新数据集。同时，也得到每个连续变量在当次初始化前的第一旧数据集，即上次初始化得到的第一新数据集。
[0147]
示例的，每次初始化，用中位数初始化每个连续变量中部分缺失数据的值。
[0148]
每次初始化后，计算每个第一新数据集与对应第一旧数据集之间的差值，并求和，得到第一和值；
[0149]
按照如下公式进行计算：
[0150][0151]
其中，δn为第一和值，j为排序后的连续变量的编号，dn为第一新数据集的缺失连续变量值，do为第一旧数据集的缺失连续变量值。
[0152]
若第一和值小于预设差值，则停止补全。然后将该次补全后的全部第一新数据集作为最终的建模用数据集。
[0153]
和/或，若为离散变量，则用相邻时间段或所有时间段的众数初始化缺失数据的值，具体包括：
[0154]
每次用众数初始化每个离散变量的缺失数据的值后，分别得到第二新数据集。同时，也得到每个离散变量在当次初始化前的第二旧数据集，即上次初始化得到的第二新数据集。
[0155]
示例的，每次初始化，用众数初始化每个离散变量中部分缺失数据的值。
[0156]
每次初始化后，计算每个第二新数据集与对应第二旧数据集之间的差值，并求和，得到第二和值。
[0157]
按照如下公式进行计算：
[0158][0159]
其中，δf为第二和值，j为排序后的连续变量的编号，i为排序后的离散变量的编号，xn为第二新数据集的缺失离散变量值，xo为第二旧数据集的缺失离散变量值，i为判定函数，若xn≠xo，则i取1，否则i取0，n
mis
为离散变量中缺失项总数。
[0160]
若第二和值小于预设差值，则停止补全。然后将该次补全后的全部第二新数据集
作为最终的建模用数据集。
[0161]
预设差值可根据实际情况进行选取。示例的，预设差值为1％。
[0162]
s302：将补全后的第一数据和第二数据，与第三数据进行融合，得到训练样本数据。
[0163]
图4是本技术另一实施例提供的交通状态预测方法的流程示意图。作为示例而非限定，该方法可应用于交通指挥系统、应急实时指挥调度系统、应急辅助决策系统、手机地图通行状态可视化系统。如图4所示，该方法包括：
[0164]
s401：获取第一数据、第二数据和第三数据；
[0165]
第一数据包括待预测路段的历史交通状态数据，第二数据包括待预测路段的上下游交叉口的历史交通状态数据，第三数据包括第一数据的特征及第二数据的特征，特征包含空间特征和/或时间特征。
[0166]
s402：将第一数据、第二数据及第三数据进行融合，得到融合数据。
[0167]
s403：利用交通状态预测模型，根据融合数据，获得待预测路段的交通状态预测结果。
[0168]
其中，交通状态预测模型是通过上述任一项的方法训练得到的最终交通状态预测模型。
[0169]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0170]
图5为本技术一实施例提供的电子设备的结构示意图。如图5所示，该实施例的电子设备5包括：至少一个处理器50(图5中仅示出一个)、存储器51以及存储在所述存储器51中并可在所述至少一个处理器50上运行的计算机程序52，所述处理器50执行所述计算机程序52时实现上述任意各个方法实施例中的步骤。
[0171]
所述电子设备5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是电子设备5的举例，并不构成对电子设备5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，例如还可以包括输入输出设备、网络接入设备等。
[0172]
所称处理器50可以是中央处理单元(central processing unit，cpu)，该处理器50还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0173]
所述存储器51在一些实施例中可以是所述电子设备5的内部存储单元，例如电子设备5的硬盘或内存。所述存储器51在另一些实施例中也可以是所述电子设备5的外部存储设备，例如所述电子设备5上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，所述存储器51还可以既包括所述电子设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等，例如所述计算机程序
的程序代码等。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
[0174]
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本技术方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0175]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0176]
本技术实施例还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存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
[0177]
本技术实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
[0178]
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，本技术实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/电子设备的任何实体或装置、记录介质、计算机存储器、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、电载波信号、电信信号以及软件分发介质。例如u盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
[0179]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0180]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0181]
在本技术所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另
一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0182]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0183]
以上所述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。