预测模型构建方法、交通流量预测方法、装置及电子设备

摘要

本发明实施例提供了一种预测模型构建方法、交通流量预测方法、装置及电子设备，所述预测模型构建方法包括：基于待测路网数据和源路网数据训练第一网络；其中，待测路网数据表征待测领域的路网结构以及路网结构对应的路段的流量信息，源路网数据表征源领域的路网结构以及路网结构对应的路段在多个时间节点的流量信息；基于源领域的第二数据特征训练基于第二网络；其中，第二数据特征表征源领域的路网结构的特性，第二数据特征与表征待测领域的路网结构的特性的第一数据特征的维度保持一致；以第一网络的输出作为第二网络的输入，获得待测领域的交通流量的预测模型。达到了获得的预测模型具有迁徙特性，降低了交通流量的预测成本的技术效果。

说明书

技术领域

本申请涉及交通运输领域，具体而言，涉及一种预测模型构建方法、交通流量预测方法、装置及电子设备。

背景技术

交通流的预测特别是短时交通流预测是城市交通控制与诱导的基础，准确预测道路交通在短时段内(10-30分钟内)的拥堵状况对交通疏导具有很强的现实意义。交通流量的发生过程受众多因素影响，包括天气状况，节假日，上下班高峰期，城市大型活动，城市道路维护，交通事故等，具有复杂性和不确定性的特点，对交通流量进行准确预测是一个技术难题。

目前，主要采用基于时间序列训练的预测模型预测交通流量，但是，这种方式对交通流量的预测对道路网络的依赖性强，预测模型不具有迁徙特性，即不适用于新的结构的道路网络，对新的结构的道路网络的交通流量预测准确性低。对于新的道路网络，需要该道路网络大量的历史数据重新训练预测模型，代价高。

发明内容

本发明的目的在于提供一种预测模型构建方法、交通流量预测方法、装置及电子设备，其旨在改善现有技术中存在的上述不足。

第一方面，本发明实施例提供了一种预测模型构建方法，所述方法包括：

基于待测路网数据和源路网数据训练第一网络；其中，所述待测路网数据表征所述待测领域的路网结构以及所述路网结构对应的路段的流量信息，所述源路网数据表征所述源领域的路网结构以及所述路网结构对应的路段在多个时间节点的流量信息；

基于所述源领域的第二数据特征训练基于第二网络；其中，所述第二数据特征表征所述源领域的路网结构的特性，所述第二数据特征与表征所述待测领域的路网结构的特性的第一数据特征的维度保持一致；

以所述第一网络的输出作为第二网络的输入，获得所述待测领域的交通流量的预测模型。

可选的，所述基于待测路网数据和源路网数据训练第一网络，包括：

将所述待测路网数据输入第一特征网络，获得所述待测路网数据的特征；以所述待测路网数据的特征作为第一损失函数的输入，当所述第一损失函数的输出满足第一预设条件时，基于所述待测路网数据的特征获得第一数据特征；

将所述源路网数据输入第二特征网络，当所述第二特征网络输出的所述源路网数据的特征满足第二设定条件时，基于所述源路网数据的特征获得第二数据特征；

基于所述第一损失函数、所述第一数据特征和所述第二数据特征，获得第三损失函数；当所述第三损失函数满足第三预设条件时，停止基于所述待测路网数据训练所述第一特征网络，以所述第一特征网络作为所述第一网络。

可选的，所述基于所述第一损失函数、所述第一数据特征和所述第二数据特征，获得第三损失函数包括：

获得所述第一数据特征和所述第二数据特征的最大均值偏差值；

根据所述最大均值偏差值和所述第一损失函数，获得所述第三损失函数。

可选的，所述方法还包括：

基于所述待测路网数据对所述预测模型进行训练，获得训练后的预测模型。

第二方面，本发明实施例提供了一种流量预测方法，所述方法包括：

获得待测领域的待测路网数据；

将所述待测路网数据输入上述的预测模型，以所述预测模型的输出作为所述待测领域的路段在下一时间段的交通流量。

第三方面，本发明实施例提供了一种预测模型构建装置，所述装置包括：

第一训练模块，用于基于待测路网数据和源路网数据训练第一网络；其中，所述待测路网数据表征所述待测领域的路网结构以及所述路网结构对应的路段的流量信息，所述源路网数据表征源领域的路网结构以及所述路网结构对应的路段在多个时间节点的流量信息；

第二训练模块，用于基于所述源领域的第二数据特征训练基于第二网络；其中，所述第二数据特征表征所述源领域的路网结构的特性，所述第二数据特征与表征所述待测领域的路网结构的特性的第一数据特征的维度保持一致；

构建模块，用于以所述第一网络的输出作为第二网络的输入，获得所述待测领域的交通流量的预测模型。

可选的，所述第一训练模块还用于：

将所述待测路网数据输入第一特征网络，获得所述待测路网数据的特征；以所述待测路网数据的特征作为第一损失函数的输入，当所述第一损失函数的输出满足第一预设条件时，基于所述待测路网数据的特征获得第一数据特征；

将所述源路网数据输入第二特征网络，当所述第二特征网络输出的所述源路网数据的特征满足第二设定条件时，基于所述源路网数据的特征获得第二数据特征；

基于所述第一损失函数、所述第一数据特征和所述第二数据特征，获得第三损失函数；当所述第三损失函数满足第三预设条件时，停止基于所述待测路网数据训练所述第一特征网络，以所述第一特征网络作为所述第一网络。

第四方面，本发明实施例提供了一种交通流量预测装置，所述装置包括：

获得模块，用于获得待测领域的待测路网数据；

预测模块，用于将所述待测路网数据输入上述的预测模型，以所述预测模型的输出作为所述待测领域的路段在下一时间段的交通流量。

第五方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

第六方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

相对现有技术，本发明具有以下有益效果：

本发明实施例提供了一种预测模型构建方法、交通流量预测方法、装置及电子设备，所述预测模型构建方法包括：基于待测路网数据和源路网数据训练第一网络；其中，待测路网数据表征待测领域的路网结构以及路网结构对应的路段的流量信息，源路网数据表征源领域的路网结构以及路网结构对应的路段在多个时间节点的流量信息；基于源领域的第二数据特征训练基于第二网络；其中，第二数据特征表征源领域的路网结构的特性，第二数据特征与表征待测领域的路网结构的特性的第一数据特征的维度保持一致；以第一网络的输出作为第二网络的输入，获得待测领域的交通流量的预测模型。

基于源领域的源路网数据和待测领域的待测路网数据训练得到的第一网络，第一网络符合源领域的路网结构的特性和待测领域的路网结构的特征，实现了将符合源领域的网络迁移到适用于待测领域的第一网络。基于源领域的源路网数据的第二数据特征训练得到的、用于预测流量的第二网络，第二网络满足了源领域的交通流量的预测。

由于待测领域的第一数据特征与源领域的第二数据特征的维度保持一致，可以用第二网络基于第一数据特征预测待测领域的交通流量，即以第一网络的输出作为第二网络的输入，获得待测领域的交通流量的预测模型，第二网络满足了对待测领域的交通流量的预测，而不需要大量的待测领域的训练样本训练预测网络。

因此，解决了现有技术中预测模型预测交通流量对道路网络的依赖性强，预测模型不具有迁徙特性，预测准确性低，对于新的道路网络，需要该道路网络大量的历史数据重新训练预测模型，代价高的技术问题，达到了获得的预测模型具有迁徙特性，适用于待测领域，只需待测领域的少量的路网数据，即有效预测待测领域的交通流量，提高了交通流量的预测准确性，降低了交通流量的预测成本的技术效果。

本发明实施例的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例提供的一种预测模型构建方法的流程图。

图2示出了本发明实施例提供的另一种预测模型构建方法的流程图。

图3示出了本发明实施例提供的又一种预测模型构建方法的流程图。

图4示出了本发明实施例提供的一种训练第一网络的方法的示意图。

图5示出了本发明实施例提供的一种预测模型的结构示意图。

图6示出了本发明实施例提供的一种流量预测方法流程图。

图7示出了本发明实施例提供的一种预测模型构建装置200的方框结构示意图。

图8示出了本发明实施例提供的一种流量预测装置300的方框结构示意图。

图9示出了本发明实施例提供的一种电子设备的方框结构示意图。

图标：200-预测模型构建装置；210-第一训练模块；220-第二训练模块；230-构建模块；300-流量预测装置；310-获得模块；320-预测模块；500-总线；501-接收器；502-处理器；503-发送器；504-存储器；505-总线接口。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

不同区域的道路网络存在空间复杂的特点，即不同区域的道路网络不同，目前的交通流量预测方法对于每一特定结构的道路网络，都需要该道路网络的大量的历史数据对模型行进训练，其代价很高。对于新的网络结构，要获得大量的历史数据是个难题，同时成本也比较高昂，即使获得待测领域的大量的历史数据，训练模型的计算量大，其成本也很高，且因为计算量大，实时性差，交通流量预测的效果差。

现有技术中，交通流量预测的效果差的原因在于：第一、对道路网络的复杂空间依赖性强，模型通用性差，目前基于时间序列训练的预测模型，只对特定的路网结构有效，不具有模型的迁徙特性，应用于新的路网特征，需要大量的历史数据重新训练，代价很高。第二、随着道路状况变化的非线性时间动态，并兼有各类不同时间、地点的突发事件影响交通流量，现有的预测方法难以综合考虑所有因素，导致预测的结果不全面，准确性低。第三、交通流量长期预测的固有困难。

本申请提供了一种预测模型构建方法、交通流量预测方法、装置及电子设备，用以解决现有技术中存在的预测模型预测交通流量对道路网络的依赖性强，预测模型不具有迁徙特性，预测准确性低，对于新的道路网络，需要该道路网络大量的历史数据重新训练预测模型，代价高的技术问题。

实施例

请参阅图1，图1示出了本发明实施例提供的一种预测模型构建方法的流程图。预测模型用于预测交通流量。作为一种可选的实施方式，预测模型构建方法包括如图1中所示的S101～S103。以下结合图1对S101～S103进行阐述。

S101：基于待测路网数据和源路网数据训练第一网络。

其中，待测路网数据表征待测领域的路网结构以及路网结构对应的路段的流量信息，源路网数据表征源领域的路网结构以及路网结构对应的路段在多个时间节点的流量信息。

S102：基于源领域的第二数据特征训练基于第二网络。

其中，第二数据特征表征源领域的路网结构的特性，第二数据特征与表征待测领域的路网结构的特性的第一数据特征的维度保持一致。

S103：以第一网络的输出作为第二网络的输入，获得待测领域的交通流量的预测模型。

通过采用以上方案，基于源领域的源路网数据和待测领域的待测路网数据训练得到的第一网络，第一网络符合源领域的路网结构的特性和待测领域的路网结构的特征，实现了将符合源领域的网络迁移到适用于待测领域的第一网络。第一网络用于提取待测领域的第一数据特征，实现了模型提取特征的迁移性。基于源领域的源路网数据的第二数据特征训练得到的、用于预测流量的第二网络，第二网络满足了源领域的交通流量的预测。由于待测领域的第一数据特征与源领域的第二数据特征的维度保持一致，可以用第二网络基于第一数据特征预测待测领域的交通流量，即以第一网络的输出作为第二网络的输入，获得待测领域的交通流量的预测模型，第二网络满足了对待测领域的交通流量的预测，而不需要大量的待测领域的训练样本训练预测网络。因此，解决了现有技术中预测模型预测交通流量对道路网络的依赖性强，预测模型不具有迁徙特性，预测准确性低，对于新的道路网络，需要该道路网络大量的历史数据重新训练预测模型，代价高的技术问题，达到了获得的预测模型具有迁徙特性，适用于待测领域，只需待测领域的少量的路网数据，即有效预测待测领域的交通流量，提高了交通流量的预测准确性，降低了交通流量的预测成本和代价。

其中，如果仅仅依赖于待测领域的路网数据训练得到用于提取待测领域的数据特征的第一网络，则第一网络存在下述不足：第一、训练数据少，训练样本不充分，训练得到的第一网络提取待测领域的数据特征的准确性低。第二，要获得大量的训练样本，成本高，同时训练样本多，计算量大，代价高。

而对于一个已经获得较高精度的交通流量预测的领域(在此成为源领域)，已经有足够的该领域的训练样本数据(历史路网数据，称为源路网数据)，为了降低新的领域(待测领域)的交通流量预测成本，可以依赖于源领域路网数据训练待测领域的交通流量的预测模型。但是，由于不同的路网之间存在差异，路网特征不同，对于具有与源领域的路网结构不同的新的路网结构的待测领域，仅仅依赖于源领域路网数据训练的预测模型对待测领域的交通流量的预测准确性低，即该预测模型不具有迁徙特性。

为了解决上述问题，基于源路网数据和少量的待测路网数据(待测领域的路网数据)训练第一网络，则获得的第一网络结合了源领域的路网结构的特性和待测领域的特性，实现了从适用于源领域的网络具有迁徙特性而适用于待测领域。

作为一种可选的实施方式，基于待测路网数据和源路网数据训练第一网络，获得具有迁徙特性的第一网络的方式，具体可以参阅图2中的S101-1～S101～4，具体的结合图2对S101-1～S101～4的阐述如下：

S101-1：将待测路网数据输入第一特征网络，获得待测路网数据的特征；以待测路网数据的特征作为第一损失函数的输入，当第一损失函数的输出满足第一预设条件时，基于待测路网数据的特征获得第一数据特征。

S101-2：将源路网数据输入第二特征网络，当第二特征网络输出的源路网数据的特征满足第二设定条件时，基于源路网数据的特征获得第二数据特征。

S101-3：基于第一损失函数、第一数据特征和第二数据特征，获得第三损失函数。

S101-4：当第三损失函数满足第三预设条件时，停止基于待测路网数据第一特征网络，以第一特征网络作为第一网络。

其中，不限定S101-1和S101-2的执行顺序，可以先执行S101-1在执行S101-2，也可以同时执行S101-1和S101-2。即同时将待测路网数据输入第一特征网络、将源路网数据输入第二特征网络，即同时训练第一特征网络和第二特征网络。

其中，S101-2，具体可以是：将源路网数据输入第二特征网络，获得源路网数据的特征；以源路网数据的特征作为第二损失函数的输入，当第二损失函数的输出满足第二预设条件时，以基于源路网数据的特征获得第二数据特征。

其中，所述的第一预设条件可以是，第一损失函数收敛或者第一损失函数的输出小于第一设定阈值。所述的第二预设条件可以是，第二损失函数收敛或者第二损失函数的输出小于第二设定阈值。所述的第三预设条件可以是，第三损失函数收敛或者第三损失函数的输出小于第三设定阈值。其中，第一设定阈值、第二设定阈值和第三设定阈值可以相等，也可以不同。所述的第一特征网络和第二特征网络可以是结构相同的网络。

为了使得第一网络具有迁徙特性，需要对训练第一网络的损失函数进行调整，如S101-3所述，S101-3具体的实施方式可以是：获得第一数据特征和第二数据特征的最大均值偏差值；根据最大均值偏差值和第一损失函数，获得第三损失函数。具体的计算方式如下公式(1)和公式(2)所述：

其中，Fs_i表示源领域的路网结构的第i个第二数据特征，Ft_j表示待测领域的路网结构的第j个第一数据特征，M表示源领域的路网结构的第二数据特征的数量，N表示待测领域的路网结构的第一数据特征的数量，Loss_MMD表示最大均值偏差值。

Loss＝Loss_MMD+μ*Loss_org>

其中，Loss_org表示第一损失函数，μ表示影响因子，Loss表示第三损失函数。

所述基于待测路网数据的特征获得第一数据特征，具体的，对待测路网数据的特征(路网结构)进行对齐处理，以对齐处理后的待测路网数据的特征作为第一数据特征。基于源路网数据的特征获得第二数据特征，具体为，对源路网数据的特征进行对齐处理，以对齐处理后的源路网数据的特征作为第二数据特征。对齐处理后的第一数据特征和第二数据特征的维度一致。

通过采用以上方案，基于源领域的第二数据特征、待测领域的第一特征和第一损失函数获得第三损失函数，基于第三损失函数和待测路网数据训练第一特征网络，训练后的第一特征网络受到了源领域的源路网数据的影响，同时适用于对待测路网数据的特征提取，具有迁徙特性，且特征提取的准确性高。也不需要大量的待测领域的待测路网数据，就可以获得适用于待测领域的第一特征网络，降低了代价，降低了成本。

为了提高第一网络的有效性和准确性，在获得第一网络后，所述的预测模型构建方法还包括：基于待测路网数据对预测模型进行微调(fine-tuning)。进行微调(fine-tuning)后的预测模型输出的交通流量的准确性高。具体的，微调的方式为采用fine-tuning的方式，基于待测路网数据对预测模型进行训练，获得训练后的预测模型，具体为：以待测路网数据作为训练数据输入预测模型，修改预测模型的参数，对预测模型进行训练，当预测模型的输出满足第四预设条件时，停止训练预测模型，获得训练后的预测模型。经过待测领域的待测路网数据训练预测模型，使得预测模型适用于待测领域，提高了预测模型预测待测领域的交通流量的精度。

在本发明实施例中，当第一特征网络和第二特征网络相同时，第一特征网络和第二特征网络可以包括图卷积神经网络(Graph Convolutional Network，GCN)和全连接的适应网络(FC-ADAPT)。以图卷积神经网络的输出作为适应网络的输入，获得第一特征网络和第二特征网络。其中，图卷积神经网络用于提取待测路网数据的特征和提取源路网数据的特征，适应网络用于对待测路网数据的特征和源路网数据的特征进行对齐，对齐后的待测路网数据的特征和源路网数据的特征的维度相同。

作为一种可选的实施方式，第二网络包括长短时记忆神经网络(Long Short-termMemory Networks，LSTM)和全连接网络(FC)。以长短时记忆神经网络的输出作为全连接网络的输入，以获得第二网络。其中，长短时记忆神经网络用于基于适应网络输出的数据特征(第一数据特征或第二数据特征)预测数据特征对应的区域的交通流量，全连接网络用于输出交通流量。

为了清楚地说明本申请的预测网络，作为一种实施例，第一特征网络包括GCN-T和FC-ADAPT-T，第二特征网络包括GCN-S和FC-ADAPT-S。第二网络包括LSTM和FC。即预测模型包括训练后的GCN-T、FC-ADAPT-T、LSTM和FC，即以训练后的GCN-T的输出作为训练后的FC-ADAPT-T的输入，以训练后的FC-ADAPT-T的输出作为训练后的LSTM的输入，以训练后的LSTM的输出作为FC的输入。

基于上述的实施方式，作为一种实施例，请结合参阅图3、图4和图5，图3示出了一种预测模型构建方法包括的S301～S305。

S301：将待测路网数据输入GCN-T，GCN-T输出待测路网数据的特征，第一损失函数针对输入为待测路网数据的特征的输出第一预设条件时，经过FC-ADAPT-T对该待测路网数据的特征进行对齐处理，得到第一数据特征。

S302：将源路网数据输入GCN-S，GCN-S输出源路网数据的特征，第二损失函数针对输入为源路网数据的特征的输出满足第二预设条件时，经过FC-ADAPT-S对该源路网数据的特征进行对齐处理，得到第二数据特征。

源路网数据特征包括源领域的路网结构对应的路段在多个时间节点的流量信息，作为一种可选的实施方式，第二数据特征包括源领域的路网结构中多个路段在多个时间节点的速度信息，每个路段对应多个速度信息，即每一个路段对应多个时间节点的多个速度信息。第一数据特征可以是待测路网结构中的多个路段在一个或者多个时间节点的速度信息，即每天路段可以只有一个速度信息(一个时间节点的)。第二数据特征与第一数据特征的维度保持一致，可以是第一数据特征和第二数据特征的路网结构对齐。

S303：将第二数据特征输入LSTM，当LSTM输出的预测结果满足第四预设条件时，停止训练LSTM，通过FC对LSTM输出的预测结果全连接输出。

其中，LSTM输出的预测结果表征预测的源领域的交通流量。

S304，以训练后的GCN-T的输出作为训练后的FC-ADAPT-T的输入，以训练后的FC-ADAPT-T的输出作为训练后的LSTM的输入，以训练后的LSTM的输出作为FC的输入。

即，通过基于第二数据特征训练后的训练后的LSTM基于第一数据特征预测待测领域的交通流量，通过FC输出预测的交通流量的结果。

S305：对包括训练后的GCN-T、GCN-S、FC-ADAPT-T、LSTM和FC的预测模型进行训练，获得训练后的预测模型。

其中，不限定S301、S302和S303的执行顺序，S302在S303之前，可以同时执行S301和S302。即同时将待测路网数据输入GCN-T和将源路网数据输入GCN-S。

其中，图4和图5中，vs_i，i＝0，2，……，n+1表示第i个时刻的源路网数据，n是总的时间节点的数量。具体的可以是源领域的路网结构中第i个时刻的速度，vt_j，j＝0，2，……，n+1表示第j个时刻的待测路网数据，具体的可以是待测领域的路网结构中第j个时刻的速度。Ft为第一数据特征，Fs为第二数据特征。

通过采用以上方案，将待测路网数据输入GCN-T，GCN-T输出待测路网数据的特征，基于待测路网数据的特征获得的第一损失函数满足第一预设条件时，经过FC-ADAPT-T对该待测路网数据的特征进行对齐，得到第一数据特征。将源路网数据输入GCN-S，GCN-S输出源路网数据的特征，基于源路网数据的特征获得的第二损失函数满足第二预设条件时，经过FC-ADAPT-S对该源路网数据的特征进行对齐，得到第二数据特征。将第二数据特征输入LSTM，当LSTM输出的预测结果满足第四预设条件时，停止训练LSTM，通过FC对LSTM输出的预测结果全连接输出。通过基于第二数据特征训练后的训练后的LSTM基于第一数据特征预测待测领域的交通流量，通过FC输出预测的交通流量的结果。对包括训练后的预测模型进行微调，获得微调后的预测模型。第一、该微调后的预测模型可以准确预测待测领域的各个路段的交通流量。第二、不需要待测领域的大量的训练数据，减小了训练模型的代价，降低了成本，提高了预测交通流量的实时性。第三，基于源路网数据和待测路网数据训练得到预测模型，预测模型能自适应各类影响因素下的交通数据分布，使得其预测的交通流量精度高。

基于上述实施例提出的一种用于预测交通流量的预测模型，在本发明实施例中，提出了一种基于该预测模型的流量预测方法。请参阅图6中包括的S401和S402。

S401：获得待测领域的待测路网数据。

S402：将待测路网数据输入预测模型，以预测模型的输出作为待测领域的路段在下一时间段的交通流量。

优选的，将待测路网数据输入经过微调后的预测模型，以获得更准确的待测领域的路段在下一时间段的交通流量。

其中，所述下一时间短的长度可以是此时刻开始的10-30分钟的时间范围内。

针对S401，待测领域的待测路网数据可以通过采集待测领域中的公路卡口的汽车RFID数据、出租车实时GPS信息、公共汽车的GPS信息以获得这些车辆的实时位置(包含时间，位置信息)，进而计算得到车辆所在路段的平均速度。将每一个路段的平均速度与预先构建的待测区域的路网结构进行组合，获得待测路网数据。

对于获得车辆所在路段的平均速度的方式，可以采用GPS车速计算法、浮动车(出租车、公共汽车)射频识别(Radio Frequency Identification，RFID)数据融合速度计算法等，针对浮动车旅行时间波动大的特点，利用RFID提供的区间行程时间对浮动车的区间旅行时间进行拟合和平滑(此处采用指数平滑法)，再分割到各个路段上，解决浮动车数据的异常波动，获得较为平稳的速度信息。

所述的交通流量包括路段的车辆流动速度。所述的流量预测方法还包括：根据路段的车辆流动速度以及历史的拥堵记录获得路况信息，根据路况信息形成历史路况表，历史路况表包括路段的车辆流动速度以及历史的拥堵记录。

在本发明实施例中，预测模型构建方法中的源领域的源路网数据的获取方式可以是实施获取，也可以是从训练数据库中获得。源路网数据包括源领域的路网结构，以及每个路段在多个时间节点的速度信息。速度信息的获取方式可以与源路网数据中的平均速度的获取方式相同。

针对上述实施例提供一种预测模型构建方法，本申请实施例还对应提供一种用于执行上述的步骤的执行主体，该执行主体可以为图7中的预测模型构建装置200。请参考图7，该预测模型构建装置包括：

第一训练模块210，用于基于待测路网数据和源路网数据训练第一网络；其中，所述待测路网数据表征所述待测领域的路网结构以及所述路网结构对应的路段的流量信息，所述源路网数据表征源领域的路网结构以及所述路网结构对应的路段在多个时间节点的流量信息。

第二训练模块220，用于基于所述源领域的第二数据特征训练基于第二网络；所述第二数据特征表征所述源领域的路网结构的特性，所述第二数据特征与表征所述待测领域的路网结构的特性的第一数据特征的维度保持一致。

构建模块230，用于以所述第一网络的输出作为第二网络的输入，获得所述待测领域的交通流量的预测模型。

可选的，所述第一训练模块210还用于：将所述待测路网数据输入第一特征网络，获得所述待测路网数据的特征；以所述待测路网数据的特征作为第一损失函数的输入，当所述第一损失函数的输出满足第一预设条件时，基于所述待测路网数据的特征获得第一数据特征；将所述源路网数据输入第二特征网络，当所述第二特征网络输出的所述源路网数据的特征满足第二设定条件时，基于所述源路网数据的特征获得第二数据特征；基于所述第一损失函数、所述第一数据特征和所述第二数据特征，获得第三损失函数；当所述第三损失函数满足第三预设条件时，停止基于所述待测路网数据训练所述第一特征网络，以所述第一特征网络作为所述第一网络。

可选的，所述第一训练模块210具体还用于：获得所述第一数据特征和所述第二数据特征的最大均值偏差值；根据所述最大均值偏差值和所述第一损失函数，获得所述第三损失函数。

可选的，所述预测模型构建装置200还包括：

微调模块，用于基于所述待测路网数据对所述预测模型进行训练，获得训练后的预测模型。

针对上述实施例提供一种流量预测方法，本申请实施例还对应提供一种用于执行上述的步骤的执行主体，该执行主体可以为图8中的流量预测装置300。请参考图8，该流量预测装置包括：

获得模块310，用于获得待测领域的待测路网数据。

预测模块320，用于将所述待测路网数据输入上述任一项所述的预测模型，以所述预测模型的输出作为所述待测领域的路段在下一时间段的交通流量。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例还提供了一种电子设备，如图9所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述流量预测方法和或预测模型构建方法的任一方法的步骤。

其中，在图9中，总线架构(用总线500来代表)，总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前文所述流量预测方法和或预测模型构建方法的任一方法的步骤。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。