路况预测方法、装置、终端设备以及存储介质与流程

路况预测方法、装置、终端设备以及存储介质【
技术领域：
：】1.本发明实施例涉及数据处理
技术领域：
：，尤其涉及一种路况预测方法、装置终端设备以及存储介质。
背景技术：
：：2.随着城市发展加快，道路拥堵、交通事故等问题频发。根据行驶至道路的历史车辆行经道路的行驶状态、其它辅助信息等参考数据，预测未来时刻的道路路况(例如，根据行驶至道路的历史车辆的行驶轨迹计算出车辆通过道路的行驶速度，对不同车辆的行驶速度加权平均，作为预测未来时刻道路路况的依据)，引导驾驶员选择相对通畅的行驶路线，从而缓解道路拥堵，避免交通事故。3.但上述根据行驶至道路的历史车辆行经道路的行驶状态，计算未来时刻通过道路车辆的行驶状态作为预测道路路况依据的方法，受历史车辆行经道路的行驶状态的影响，由于行驶至道路的历史车辆行经道路的行驶状态存在滞后性，预测得到的路况信息也存在滞后性，上述预测道路路况的方法不能持续地提供准确道路路况。技术实现要素：4.本发明实施例提供了一种路况预测方法、装置、终端设备以及存储介质，能够持续准确地预测未来时刻道路路况信息。5.第一方面，本发明实施例提供一种路况预测方法，应用于电子设备终端，所述方法包括：获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征；对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征；根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。6.本发明实施例从道路路况是逐渐变化的特点出发，例如特定道路上一时刻是拥堵的路况，不可能下一时刻变为畅通的路况，获取与待预测时刻相邻的一段时间内，表征道路路况的道路状态特征随时间的变化特征，提取出道路路况在待预测时刻前一时刻的变化趋势；再将道路状态特征随时间的变化特征叠加到待预测时刻之前临近时刻的道路状态特征，得到待预测时刻之前临近时刻在当前路况的基础上延续当前路况变化趋势后，经过客观演变理论上应发展出的路况信息。上述方法刻画了时域维度上路况信息的动态变化特征，在分析待预测路段路况随时间的动态发展过程的基础上，待预测路段在预测未来时刻的路况，具有前瞻性，保证了持续准确地预测未来时刻道路路况信息。7.其中一种可能的实现方式中，所述获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征，包括：8.获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻；9.获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征；10.通过目标模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。11.其中一种可能的实现方式中，所述对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征包括：12.通过所述目标模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。13.其中一种可能的实现方式中，所述目标模型包括序列到序列seq2seq模型，得到所述待预测路段在所述待预测时刻的道路状态特征之后，所述方法还包括：14.通过所述seq2seq模型的解码器对所述第一变化特征和所述待预测时刻的道路状态特征解码，在所述待预测时刻的道路状态特征叠加所述第一变化特征，得到所述待预测时刻延续预设第二时间长度后所在第二时刻的道路状态特征；15.通过所述seq2seq模型的解码器对所述第一变化特征和所述第二时刻的道路状态特征解码，在所述第二时刻的道路状态特征叠加所述第一变化特征，得到所述第二时刻延续预设第二时间长度后所在第三时刻的道路状态特征；16.以此类推，直至获取到所述待预测时刻之后的预设时刻的道路状态特征；17.分别根据所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应道路状态特征，输出所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应路况信息。18.其中一种可能的实现方式中，所述方法还包括：根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：19.获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征；20.对所述待预测时刻的道路状态特征融合所述道路图像特征，获得经过所述道路图像特征修正后的所述道路状态特征；21.根据修正后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。22.其中一种可能的实现方式中，获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征，包括：23.获得在所述目标时间段内通过所述目标路段的车辆的行驶轨迹；其中，所述目标路段包括以下至少一者：待预测路段、所述待预测路段的上游路段以及所述待预测路段的下游路段；24.对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征。25.其中一种可能的实现方式中，对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征，包括：26.获取每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段表征的路况状态；所述路况状态包括拥堵、缓行以及畅通；27.计算不同路况状态对应的行驶轨迹片段在所有行驶轨迹片段中所占比例；28.根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征，获得每个所述时间片段对应车辆的停车信息；其中，所述停车信息包括停车时间长度和停车频率；29.根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征和每个所述时间片段对应轨迹片段中不同轨迹点的时间间隔，获得每个所述时间片段对应车辆的行驶速度；30.将所述不同路况状态对应的行驶轨迹片段在所有轨迹片段中所占比例、每个所述时间片段对应车辆的停车信息、每个所述时间片段对应车辆的行驶速度以及所述目标时间段内的经过所述目标路段的车辆的轨迹数量作为所述道路状态特征。31.其中一种可能的实现方式中，获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征，包括：32.获取所述待预测路段在所述相邻时刻的车道图像；33.将所述车道图像输入预先训练用于提取所述车道图像的视觉感官特征的卷积神经网络，得到所述道路图像特征。34.其中一种可能的实现方式中，根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：35.根据不同时间对应道路状态特征之间的关联信息，选取对所述第一变化特征影响最大的目标道路状态特征；36.对所述待预测时刻的道路状态特征融合所述目标道路状态特征，获得经过所述目标道路状态特征加强后的所述道路状态特征；37.根据加强后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。38.其中一种可能的实现方式中，根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：39.从本地存储区域读取预先存储的待预测路段的静态特征；其中，所述静态特征包括以下至少一者：设置于所述待预测路段交通指示灯的时间周期、所述待预测路段的车道数目、所述待预测路段长度以及车辆通过所述待预测路段最高速度或平均速度；40.对所述待预测时刻的道路状态特征融合所述静态特征，获得经过所述静态特征调整后的所述道路状态特征；41.根据调整后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。42.其中一种可能的实现方式中，所述道路状态特征是对通过所述待预测路段的车辆的行驶轨迹提取特征得到的，所述方法还包括：43.根据所述待预测时刻之前所述待预测路段的道路状态特征对应行驶轨迹占有车道，对所述道路状态特征标注方向标记；44.获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征，包括：45.获得待预测路段对应不同方向标记的道路状态特征在待预测时刻之前随时间变化的第一变化特征；46.对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征，包括：47.针对对应目标方向标记的目标道路状态特征，对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应目标道路状态特征叠加所述目标方向标记的第一变化特征，得到在所述待预测时刻对应目标方向标记的道路状态特征；其中，所述目标方向标记是所述不同方向标记中的任一；48.根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：49.根据所述待预测路段在所述待预测时刻对应不同方向标记的道路状态特征，计算所述待预测路段不同方向在所述待预测时刻的路况信息。50.第二方面，本发明实施例提供一种路况预测装置，设置在电子设备终端中，所述装置包括：51.变化特征获得模块，用于获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征；52.特征叠加模块，用于对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征；53.路况信息计算模块，用于根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。54.其中一种可能的实现方式中，所述变化特征获得模块包括：55.时间段获得子模块，用于获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻；56.片段划分子模块，用于获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征；57.编码子模块，用于通过目标模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。58.其中一种可能的实现方式中，所述特征叠加模块具体用于通过所述目标模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。59.其中一种可能的实现方式中，所述目标模型包括序列到序列seq2seq模型，所述装置还包括：60.第一解码模块，用于通过所述seq2seq模型的解码器对所述第一变化特征和所述待预测时刻的道路状态特征解码，在所述待预测时刻的道路状态特征叠加所述第一变化特征，得到所述待预测时刻延续预设第二时间长度后所在第二时刻的道路状态特征；61.第二解码模块，通过所述seq2seq模型的解码器对所述第一变化特征和所述第二时刻的道路状态特征解码，在所述第二时刻的道路状态特征叠加所述第一变化特征，得到所述第二时刻延续预设第二时间长度后所在第三时刻的道路状态特征；62.特征获取模块，用于重复上述步骤，直至获取到所述待预测时刻之后的预设时刻的道路状态特征；63.路况信息输出模块，用于分别根据所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应道路状态特征，输出所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应路况信息。64.其中一种可能的实现方式中，所述路况信息计算模块包括：65.图像特征获得子模块，用于获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征；66.第一融合子模块，用于对所述待预测时刻的道路状态特征融合所述道路图像特征，获得经过所述道路图像特征修正后的所述道路状态特征；67.第一特征计算子模块，用于根据修正后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。68.其中一种可能的实现方式中，所述片段划分子模块包括：69.轨迹获得单元，用于获得在所述目标时间段内通过所述目标路段的车辆的行驶轨迹；其中，所述目标路段包括以下至少一者：待预测路段、所述待预测路段的上游路段以及所述待预测路段的下游路段；70.特征提取单元，用于对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征。71.其中一种可能的实现方式中，所述特征提取单元包括：72.路况状态获取子单元，用于获取每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段表征的路况状态；所述路况状态包括拥堵、缓行以及畅通；73.比例计算子单元，用于计算不同路况状态对应的行驶轨迹片段在所有行驶轨迹片段中所占比例；74.停车信息获得子单元，用于根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征，获得每个所述时间片段对应车辆的停车信息；其中，所述停车信息包括停车时间长度和停车频率；75.速度获得子单元，用于根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征和每个所述时间片段对应轨迹片段中不同轨迹点的时间间隔，获得每个所述时间片段对应车辆的行驶速度；76.特征确定子单元，用于将所述不同路况状态对应的行驶轨迹片段在所有轨迹片段中所占比例、每个所述时间片段对应车辆的停车信息、每个所述时间片段对应车辆的行驶速度以及所述目标时间段内的经过所述目标路段的车辆的轨迹数量作为所述道路状态特征。77.其中一种可能的实现方式中，所述图像特征获得模块包括：78.图像获取子模块，用于获取所述待预测路段在所述相邻时刻的车道图像；79.输入子模块，用于将所述车道图像输入预先训练用于提取所述车道图像的视觉感官特征的卷积神经网络，得到所述道路图像特征。80.其中一种可能的实现方式中，所述路况信息计算模块包括：81.特征选取子模块，用于根据不同时间对应道路状态特征之间的关联信息，选取对所述第一变化特征影响最大的目标道路状态特征；82.第二融合子模块，用于对所述待预测时刻的道路状态特征融合所述目标道路状态特征，获得经过所述目标道路状态特征加强后的所述道路状态特征；83.第二特征计算子模块，用于根据加强后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。84.其中一种可能的实现方式中，所述路况信息计算模块包括：85.读取子模块，从本地存储区域读取预先存储的待预测路段的静态特征；其中，所述静态特征包括以下至少一者：设置于所述待预测路段交通指示灯的时间周期、所述待预测路段的车道数目、所述待预测路段长度以及车辆通过所述待预测路段最高速度或平均速度；86.第三融合子模块，用于对所述待预测时刻的道路状态特征融合所述静态特征，获得经过所述静态特征调整后的所述道路状态特征；87.第三特征计算子模块，用于根据调整后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。88.其中一种可能的实现方式中，所述道路状态特征是对通过所述待预测路段的车辆的行驶轨迹提取特征得到的，所述装置还包括：89.标注模块，用于根据所述待预测时刻之前所述待预测路段的道路状态特征对应行驶轨迹占有车道，对所述道路状态特征标注方向标记；90.所述变化特征获得模块具体用于获得待预测路段对应不同方向标记的道路状态特征在待预测时刻之前随时间变化的第一变化特征；91.所述特征叠加模块具体用于针对对应目标方向标记的目标道路状态特征，对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应目标道路状态特征叠加所述目标方向标记的第一变化特征，得到在所述待预测时刻对应目标方向标记的道路状态特征；其中，所述目标方向标记是所述不同方向标记中的任一；92.所述路况信息计算模块具体用于根据所述待预测路段在所述待预测时刻对应不同方向标记的道路状态特征，计算所述待预测路段不同方向在所述待预测时刻的路况信息。93.第三方面，本发明实施例提供一种终端设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面提供的方法。94.第四方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的方法。95.应当理解的是，本发明实施例的第二～四方面与本发明实施例的第一方面的技术方案一致，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。【附图说明】96.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，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它的附图。97.图1是本发明实施例提出的路况预测方法应用场景拓扑结构图；98.图2是本发明实施例提出的路况预测方法的步骤流程图；99.图3是本发明一种示例中道路状态特征随时间变化的变化趋势示意图；100.图4是本发明实施例提出的另一种路况预测方法的步骤流程图；101.图5是本发明实施例构建目标模型中编码器和解码器的结构示意图；102.图6是本发明实施例提出的再一种路况预测方法的步骤流程图；103.图7是本发明一种示例中对行驶轨迹进行特征提取的示意图；104.图8是本发明实施例电子终端设备执行路况预测方法过程中信息交汇示意图；105.图9是本发明实施例目标模型的结构示意图；106.图10是本发明一种示例获取的车道图像示意图；107.图11是本发明实施例提出的基于目标预测模型进行路况预测的步骤流程图；108.图12是本发明一种示例电子终端设备基于目标模型执行路况预测方法过程中信息交汇示意图；109.图13是本发明一种示例目标模型的结构示意图；110.图14是本发明实施例提出的路况预测装置的功能模块图；111.图15为本发明实施例提供的一种电子终端设备的结构示意图；112.图16为本说明书一个实施例提供的终端设备的结构示意图。【具体实施方式】113.为了更好的理解本说明书的技术方案，下面结合附图对本发明实施例进行详细描述。114.应当明确，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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它实施例，都属于本说明书保护的范围。115.在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本说明书。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。116.图1是本发明实施例提出的路况预测方法应用场景拓扑结构图，如图1所示，该应用场景包括电子终端设备110与至少一个车载终端120，本发明实施例提出的路况预测方法应用于电子终端设备110，电子终端设备110与至少一个车载终端120通信连接，电子终端设备110可以从车载终端120调取车载终端120采集的数据，例如车载终端120采集的道路图像；电子终端设备110可以接收车载终端120上传的数据，例如车载终端120上传的全球定位系统(globalpositioningsystem，gps)数据。117.电子终端设备110可以是电子导航系统的计算设备，例如集成计算机、云计算平台、计算服务器等。118.图2是本发明实施例提出的路况预测方法的步骤流程图，如图2所示，路况预测的步骤包括：119.步骤s11：获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征。120.道路状态特征用于反映待预测路段的车流量密度，车流量密度越高，待预测路段拥堵程度越高。121.待预测路段可以是环路、高速或城市道路交汇路段。道路状态特征可以是电子终端设备根据车载终端上传的gps位置点提取得到的车辆行驶特征，例如车辆行驶速度、车辆通过道路的停止时间、车辆通过道路的停车次数等。122.图3是本发明一种示例中道路状态特征随时间变化的变化趋势示意图，如图3所示，在本发明一种示例中，电子终端设备根据上传的gps位置点，计算得到待预测路段历史行经车辆通过待预测路段的行驶速度，作为道路状态特征。待预测时刻是12点20分，道路状态特征在待预测时刻之前随时间变化的第一变化特征可以是：12点10分至12点19分道路状态特征随时间的变化趋势。123.步骤s12：对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。124.在本发明一种示例中，可以通过数学建模，在待预测时刻之前，与所述待预测时刻相差时间小于预设第一时间长度的任意时刻叠加第一变化特征，得到待预测时刻的道路状态特征。125.预设第一时间长度可以根据用户需求的预测精确程度设置。在本发明一种示例中，预设第一时间长度设置为2分钟，待预测时刻是12点20分，在大于等于12点10分至小于12点20分的时间段内选择任意时刻，将选择的任意时刻对应道路状态特征叠加第一变化特征。大于等于12点10分至小于12点20分的时间段是无限接近12点20分的多个时刻组成的时间段，其中任意时刻与12点20分相差时间均小于预设第一时间长度，对该时间段内任意时刻对应道路状态特征延续第一变化特征，均是在无限接近待预测时刻的历史时刻所发生的实际道路状态特征的基础上，延续接近待预测时刻的时间段内道路状态特征随时间的变化趋势，客观推导出待预测路段的道路状态特征依照该变化趋势发展到待预测时刻呈现的情况。126.步骤s13：根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。127.根据道路状态特征计算路况信息的实现方式包括：预先建立决策树模型，在道路状态特征满足特定路况的阈值条件时，输出特定路况作为路况信息。示例地，行驶速度40m/s、车辆停止时间30秒、车辆停止次数一次满足畅通路况的阈值条件，输出待预测时刻的路况信息为畅通；行驶速度5m/s、车辆停止时间4分钟、车辆停止次数四次满足拥堵路况的阈值条件，输出待预测时刻的路况信息为拥堵。128.在本发明一种示例中，待预测路段是城市道路交汇路口，在待预测时刻之前t时刻(12点19分)的道路状态特征包括：车辆行驶速度40m/s，车辆停止次数一次，在待预测时刻之前道路状态特征随时间的第一变化特征表现出的变化趋势如图3所示，在t时刻的道路状态特征上叠加第一变化特征，以在t时刻的道路状态特征为基础延续如图3所示变化趋势，得到待预测时刻的道路状态特征为：车辆行驶速度30m/s，车辆停止次数一次，计算得到路况信息为畅通。129.本发明实施例从道路路况是逐渐变化的特点出发，例如特定道路上一时刻是拥堵的路况，不可能下一时刻变为畅通的路况，获取与待预测时刻相邻的一段时间内，表征道路路况的道路状态特征随时间的变化特征，提取出道路路况在待预测时刻前一时刻的变化趋势；再将道路状态特征随时间的变化特征叠加到待预测时刻之前临近时刻的道路状态特征，得到待预测时刻之前临近时刻在当前路况的基础上延续当前路况变化趋势后，经过客观演变理论上应发展出的路况信息。上述方法刻画了时域维度上路况信息的动态变化特征，在分析待预测路段路况随时间的动态发展过程的基础上，待预测路段在预测未来时刻的路况，具有前瞻性，保证了持续准确地预测未来时刻道路路况信息。130.为了更智能地实时本发明实施例提出的路况预测方法，使得该方法的应用范围更广，申请人首先基于编码-解码(encoder-decoder)架构，构建了深度神经网络模型，并将针对待预测路段采集历史时间的道路状态特征，标定出待预测路段历史时间的路况真值，将历史时间的道路状态特征和历史时间的路况真值，分别作为训练样本和对照样本，对深度神经网络模型进行多次训练，直至深度神经网络模型收敛，得到用于预测路况信息的深度神经网络模型作为目标模型。131.本发明训练深度神经网络模型阶段，采集的道路状态特征可以是行经待预测路段车辆的行驶速度、停止时间、停车次数等；道路状态特征还可以是电子终端设备根据车载终端上传的gps位置点形成的行驶轨迹后，提取行驶轨迹特征得到的。132.为获得针对特定路段进行路况预测的目标模型，本发明实施例可以采集对应特定路段的训练样本和训练样本。假设采集的训练样本是道路a在特定日期时刻t的道路状态特征，对照样本是道路a在特定日期时刻t的真实路况。133.本发明实施例通过预先训练得到的用于预测路况信息的深度神经网络模型，智能化地获得待预测路段在待预测时刻之前道路状态特征随时间的第一变化特征，智能化地基于待预测时刻之前临近时刻的真实道路状态特征上延续第一变化特征表征的变化趋势，自动输出待预测路段在待预测时刻的路况信息。134.图4是本发明实施例提出的另一种路况预测方法的步骤流程图，如图4所示，采用目标模型进行路况预测的步骤包括：135.步骤s211：获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻。136.目标时间段是待预测时刻之前临近待预测时刻的时间段。第一时刻根据实际需求设置。137.在本发明一种示例中，设置第一时刻为待预测时刻之前10分钟，电子终端设备根据车辆上传的gps数据估计车辆将会在12点20分行至车道交汇路口所在路段a，确定路段a为待预测路段，12点20分为待预测时刻，获取大于等于12点10分至小于12点20分的时间段，或者大于等于12点10分至小于等于12点19分的时间段作为目标时间段。138.步骤s212：获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征。139.对按照预设第一时间长度划分目标时间段得到时间片段1至时间片段10，获得时间片段1至时间片段10各自对应的道路状态特征。时间片段1至时间片段10中每个时间片段各自对应的道路状态特征是待预测路段在待预测时刻之前真实的道路状态特征，相邻时间片段对应的道路状态特征的差值反应了道路状态特征随时间的变化趋势，因此可以将时间片段1至时间片段10中每个时间片段各自对应的道路状态特征输入目标模型的编码器，通过编码器提取相邻时间片段之间道路状态特征的量化差异。140.步骤s213：通过目标模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。141.本实施例中第一变化特征是编码器提取相邻时间片段之间道路状态特征的差异特征，抽象出的表示每两个相邻时间片段特征之间道路状态特征的量化差异连续变化的特征向量。142.本发明一种示例中，待预测时刻12点20分之前的目标时间段是12点10分至12点19分，预设第一时间长度为1分钟，将时间片段12点10分-12点11分对应道路状态特征、时间片段12.11-12.12对应道路状态特征至时间片段12.18-12.19对应道路状态特征输入目标模型，编码器按照时间片段12点10分-12点11分、12点11分-12点12分至12点18分-12点19分依次表示的时间大小，对上述时间片段各自对应的道路状态特征编码。143.步骤s214：通过所述目标模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。144.继续上述示例，待预测时刻12点20分，目标时间段中与待预测时刻相邻的时间片段可以是时间片段12点18分-12点19分。145.解码器对所述第一变化特征解码可以理解为，编码器对表示每两个相邻时间片段之间道路状态特征变化的连续变化特征的特征向量解码，基于时间片段12点18分-12点19分的道路状态特征，延续上述连续变化特征，实现道路状态特征的第一变化特征的叠加，推导出12点18分-12点19分的道路状态特征按照目标时间段道路状态特征的实际变化趋势发展到待预测时刻，应该呈现出的数值。146.步骤s215：根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。147.本实施例可以将待预测路段在待预测时刻的道路状态特征输入全连接层(fclayer)，通过fc将高度抽象化的道路状态特征进行整合，计算不同路况的概率，输出最高概率的路况作为待预测时刻的路况信息。148.示例地，fc计算不同路况的概率为畅通0.8、缓行0.15、拥堵0.05，目标模型输出层输出路况信息为畅通。149.本发明实施例预先构建能够提取道路状态特征随时间变化趋势，并且能够基于路状态特征随时间变化趋势推导出待预测时刻的道路状态特征的深度神经网络模型，利用深度神经网络模型提取不同时间片段对应道路状态特征之间的深度联系，能更准确地预测待预测路段在所述待预测时刻的路况信息。150.由于电子导航计算系统处理数据需要时间，现有预测路况信息的技术存在架构延迟的问题，用户体验效果差。示例地，电子导航系统12点18分响应用户指令，预测交通信号灯路段c在12点20分的路况，采集交通信号灯路段c在12点20分之前的道路路况信息，由于电子导航计算系统处理数据的时间，导致电子导航系统至早在12点20分输出对12点20分预测的路况，对于用户，12点20分得到电子导航系统输出的12点20分的路况，是实时的路况信息，电子导航系统输出的路况失去了预测的意义。151.鉴于上述问题，申请人发现seq2seq模型能够基于输入序列前后逻辑关联，例如特定自然语言一句话中前后单词的关联，推导出具有前后逻辑关联的输出序列，例如将自然语言转换为另一种前后单词具有逻辑关联的特定自然语言的一句话。152.鉴于上述问题和发现，本发明实施例基于编码-解码架构构建的深度神经网络模型采用了seq2seq模型。seq2seq的输入和输出都采用循环神经网络(recurrentneuralnetwork，rnn)，将一个序列转化成一个不定长的序列输出。本发明中将连续多个时间片段中每个时间片段对应道路状态特征作为输入，该输入是以时间为关联的序列数据；领域seq2seq模型编码器对输入序列编码，挖掘每相邻两个时间片段对应道路状态特征之间的时序逻辑关联，得到第一变化特征，利用seq2seq模型编码器对第一变化特征解码，以道路状态特征之间的时序逻辑关联，求解待预测时刻对应道路状态特征与待预测时刻之后时刻对应道路状态特征的逻辑关联，在待预测时刻对应道路状态特征上延续上述逻辑关联，输出待预测时刻之后不同时刻对应的道路状态特征。153.图5是本发明实施例构建目标模型中编码器和解码器的结构示意图，如图5所示，所述目标模型包括序列到序列seq2seq模型。图6是本发明实施例提出的再一种路况预测方法的步骤流程图，如图6所示，基于seq2seq模型进行路况预测的步骤包括：154.步骤s311：获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻。155.步骤s312：获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征。156.步骤s313：通过seq2seq模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。157.示例地，时间片段1对应道路状态特征1，时间片段2对应道路状态特征2，至时间片段n对应道路状态特征n,将道路状态特征1输入seq2seq模型的输入1，将道路状态特征2输入seq2seq模型的输入2，以此类推，将道路状态特征n输入seq2seq模型的输入n。158.步骤s314：通过seq2seq模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。159.步骤s315：根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。160.步骤s316：通过所述seq2seq模型的解码器对所述第一变化特征和所述待预测时刻的道路状态特征解码，在所述待预测时刻的道路状态特征叠加所述第一变化特征，得到所述待预测时刻延续预设第二时间长度后所在第二时刻的道路状态特征。161.预设第二时间长度可以根据用户对输出路况精确度的需求设置。162.步骤s317：通过所述seq2seq模型的解码器对所述第一变化特征和所述第二时刻的道路状态特征解码，在所述第二时刻的道路状态特征叠加所述第一变化特征，得到所述第二时刻延续预设第二时间长度后所在第三时刻的道路状态特征。163.步骤s318：以此类推，直至获取到所述待预测时刻之后的预设时刻的道路状态特征；分别根据所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应道路状态特征，输出所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应路况信息。164.示例地，预设时刻为t，解码器依次的输出1获得待预测时刻的道路状态特征1’，输出2获得待预测时刻的道路状态特征2’，以此类推，输出t获得待预测时刻的道路状态特征t’。165.待预测时刻之后的预设时刻可以依据电子导航计算系统处理数据的延迟时间设置。166.可以预先设置输出序列的长度和预设时刻。在本发明一种示例中，待预测时刻是12点20分，预先设置预设时刻为输出待预测时刻之后2分钟，输出序列的长度为3，预设第二时间长度是1分钟，那么将编码器输出的12点20分道路状态特征返回输入解码器，解码器对12点20分道路状态特征和第一变化特征解码，得到12点21分道路状态特征，将12点21分道路状态特征返回输入解码器，解码器对12点21分道路状态特征和第一变化特征解码，得到12点22分道路状态特征。目标模型进一步根据12点20分道路状态特征、12点21分道路状态特征以及12点22分道路状态特征，输出待预测路段在12点20分的路况信息、12点21分的路况信息以及12点22分的路况信息，能够弥补电子导航计算系统处理数据造成的延迟。用户请求12点20分的路况信息，电子导航计算系统即使存在架构延迟，仍能在12点20分或12点21分能够输出12点20分至12点22分的时间段内每分钟的路况信息，用户接收到的仍是未来时刻的路况信息，用户体验感较好。167.本发明实施例还提出电子终端设备根据车载终端上传的gps位置点形成的行驶轨迹后，对行驶轨迹进行特征提取，得到的道路状态特征的实施方法；168.步骤s121包括子步骤s212-1和子步骤s212-2；169.步骤s212-1：获得在所述目标时间段内通过所述目标路段的车辆的行驶轨迹；其中，所述目标路段包括以下至少一者：待预测路段、所述待预测路段的上游路段以及所述待预测路段的下游路段。170.申请人从城市交通特点出发，待预测路段的路况会受其上游路段路况的影响，待预测路段的路况会影响其下游路段的路况，从待预测路段的上游路段和下游路段对待预测路段路况的影响出发，截取车辆目标时间段上传gps点形成的位置点序列中位于待预测路段、上游路段以及下游路段的部分，得到行驶轨迹。171.目标时间段内通过目标路段的车辆可以是一个或多个，当某车辆在目标时间段上传gps位置点位于目标路段时，可以认为该车辆在目标时间段内通过目标路段，采集该车辆的行驶轨迹。172.步骤s212-2：对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征。173.行驶轨迹是由车辆在不同时间上传的gps位置点形成的，从而不同时间段上传的gps位置点位于行驶轨迹的不同位置，不同时间段上传的gps位置点形成的行驶轨迹片段的特征也不同，例如不同时间段上传的gps位置点形成的行驶轨迹片段长度、行驶轨迹片段曲度、gps位置点密度等不同。174.图7是本发明一种示例中对行驶轨迹进行特征提取的示意图，如图7所示，在本发明一种示例中，针对任意行驶轨迹，每x秒设置特征提取窗口对行驶轨迹进行特征提取，其中，x秒可以是预设第一时间长度。待预测时刻12点20分，目标时间段是12点10分-12点19分，每个所述时间片段对应的道路状态特征包括：从时间片段12点10分-12点11分、12点11分-12点12分至12点18分-12点19分各自对应的行驶轨迹片段中提取的特征。175.本发明实施例对目标时间段内通过目标路段的车辆的行驶轨迹提取特征，实施方法包括：从第一时刻开始，每预设第一时间长度设置特征提取窗口对当前预设第一时间长度在行驶轨迹中对应行驶轨迹片段进行特征提取，得到连续多个时间片段对应的道路状态特征。将连续多个时间片段对应的道路状态特征输入目标模型，目标模型基于行驶轨迹的特征，计算得到道路状态特征随时间变化的趋势，其中，行驶轨迹能够反映待预测路段、待预测路段的上游路段以及待预测路段的下游路段整体路况；利用目标模型计算基于行驶轨迹得到的道路状态特征获得的第一变化特征，在轨迹特征的基础上，能够进一步得到反映整体路况变化趋势的深度特征，相较于现有技术基于轨迹特征的树模型，只能根据行驶轨迹表现的浅层特征估计路况，容易被低质量行驶轨迹或轨迹缺失干扰，本发明实施例提出的方法更好的应对轨迹缺失和低质量轨迹带来的干扰，输出更准确的路况信息预测结果。176.城市道路交汇路段可能设置有交通信号灯，因此城市道路交汇路段的路况受下列因素影响：车辆在城市道路交汇路段具备停车合理性；车辆行驶状况受个体差异影响，例如，不同驾驶员通行习惯不同，车辆通行速度慢导致车辆所在车队整体行驶速度慢；车辆行驶状况受城市道路交汇路段通过行人行走状态影响。177.为应对城市道路交汇路段复杂路况，更加全面地反应城市道路交汇路段的道路状态特征，本发明实施例提出一种对行驶轨迹进行特征提取的实现方式，多种角度对行驶轨迹进行特征提取，得到全面反映待预测路段在待预测时刻之前道路路况的道路状态特征。178.步骤s212-2包括以下子步骤：179.步骤a：获取每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段表征的路况状态；所述路况状态包括拥堵、缓行以及畅通。180.行驶轨迹片段表征的路况状态可以通过计算行驶轨迹中位置重合的gps位置点得到，也可以通过不同车辆对应行驶轨迹间隔距离得到。181.步骤b：计算不同路况状态对应的行驶轨迹片段在所有行驶轨迹片段中所占比例。182.在城市道路交汇路段的实际场景中，可能存在个别车辆在拥堵的路口快速通过的情况，电子终端设备根据通过待预测路段车辆上传的gps位置点形成的轨迹中存在异常轨迹。本发明计算表示拥堵路况的行驶轨迹片段、缓行行驶轨迹片段、畅通行驶轨迹片段在所有行驶轨迹片段中所占比例，排除异常轨迹对路况计算的影响。183.步骤c：根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征，获得每个所述时间片段对应车辆的停车信息；其中，所述停车信息包括停车时间长度和停车频率。184.行驶轨迹片段中轨迹点可以是位于行驶轨迹片段中的gps位置点。通过计算行驶轨迹片段中重合的gps位置点，重合的gps位置点出现的频率，获得不同时间片段对应行驶轨迹片段对应车辆的停车时间长度和停车频率。185.步骤d：根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征和每个所述时间片段对应轨迹片段中不同轨迹点的时间间隔，获得每个所述时间片段对应车辆的行驶速度。186.步骤e：将所述不同路况状态对应的行驶轨迹片段在所有轨迹片段中所占比例、每个所述时间片段对应车辆的停车信息、每个所述时间片段对应车辆的行驶速度以及所述目标时间段内的经过所述目标路段的车辆的轨迹数量作为所述道路状态特征。187.为进一步应对城市道路交汇路段复杂的交通状况，解决异常行驶轨迹和行驶轨迹缺失带来的路况预测误差，本发明实施例采集待测路段整段道路的图像特征，从视觉角度，修正异常行驶轨迹和行驶轨迹缺失导致的待预测时刻道路状态特征预测误差。188.在本发明一种实施例中，可以预先训练用于融合图片特征和道路状态特征的卷积神经网络模型。将通过数学建模获得待预测时刻的道路状态特征输入卷积神经网络模型，将图像特征输入卷积神经网络模型，卷积神经网络模型对二者进行特征融合，根据融合后的特征计算待预测路段在所述待预测时刻的路况信息。189.本发明另一种实施例通过目标模型对待预测时刻的道路状态特征和图像特征进行融合。190.图8是本发明实施例电子终端设备执行路况预测方法过程中信息交汇示意图，如图8所示，电子终端设备周期性接收车载终端上传的gps位置点；在接收到预测某时刻路况信息的请求，需要图片信息对根据轨迹特征计算出的待预测时刻道路状态特征进行修正时，调取待预测时刻前一时刻车载终端获取的道路图像。可以理解的是，电子终端设备接收的gps位置点是实时流数据，接收的图片数据是非实时流。191.图9是本发明实施例目标模型的结构示意图，如图9所示，目标模型包括编码器、解码器、特征融合层、3d卷积神经网络和全连接层。其中，特征融合层连接解码器的输出，和3d卷积神经网络的输出，通过编码器输入目标模型的输入数据是：提取不同时间片对对应轨迹特征得到的道路状态特征序列；通过卷积神经网络输入目标模型的输入数据是：待预测路段的车道图像。192.本实施例提出步骤s215包括子步骤s215-1至s215-3；193.步骤s215-1：获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征。194.示例地，当待预测时刻是12点20分，获取12点19分的道路图像特征，以与待预测时刻最接近时刻的真实道路状态，对目标模型编码-解码架构中解码器输出的待预测时刻道路状态特征进行修正。195.本实施例提出获取道路图像特征的一种实施方法，步骤包括：196.步骤h1：获取所述待预测路段在所述相邻时刻的车道图像。197.示例地，待预测时刻是12点20分，相邻时刻为12点19分，电子终端设备调取12点19分位于待预测路段的多个车辆采集的车道图像，在多个车辆采集的车道图像中选取可以拼接为待预测路段整段车道的序列车道图像。图10是本发明一种示例获取的车道图像示意图，如图10所示，图像1至图像10是不同车辆在12点19分采集的各自当前位置的车道图像，图像1至图像10中任意相邻图像相隔n米，图像1至图像10收尾拼接形成待预测路段整段车道。198.步骤h2：将所述车道图像输入预先训练用于提取所述车道图像的视觉感官特征的卷积神经网络，得到所述道路图像特征。199.可以先构建3d卷积神经网络(c3d)，采用图像样本训练3d卷积神经网络，直至3d卷积神经网络能够准确输入图像的深度抽象特征。200.上述利用c3d提取待预测路段整段车道的深度抽象特征，能够反映待预测路段不同车道的车流量信息。对目标模型解码器输出的待预测时刻的道路状态特征进行纠偏。201.步骤s215-2：对所述待预测时刻的道路状态特征融合所述道路图像特征，获得经过所述道路图像特征修正后的所述道路状态特征。202.如图9所示，将待预测时刻的道路状态特征和c3d输出的道路图像特征输入特征融合层，通过特征融合层，对基于轨迹特征预测的道路图像特征上融合图像的深度抽象特征。203.步骤s215-3：根据修正后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。204.在本发明一种示例中，c3d可以提取图像特征得到的深度抽象特征包括表示路面湿度、路面反光系数等因素的特征。将深度抽象特征与解码器输出的待预测时刻的道路状态特征融合，能够输出天气状况，例如雨雪天气等。205.本发明实施例提取车辆行驶轨迹的特征，得到能够反映待预测路段的道路状态特征，行驶轨迹不存在单一视角的遮挡问题，目标模型编码器输出待预测时刻之前多视角下待预测路段整体上的道路状态特征随时间变化趋势，目标模型编码器对表示该变化趋势的第一变化特征解码，预测表示上述道路状态特征变化趋势发展到待预测时刻对应数值的待预测时刻的道路状态特征；将待预测时刻的道路状态特征和待预测路段的道路图像特征进行特征融合，利用能够反映最接近待预测时刻的时刻下道路的客观拥堵状态的图像深度抽象特征，对待预测时刻的道路状态特征进行修正，解决轨迹缺失和低质量轨迹带来的干扰。上述方法合理利用两种不同源的特征，图像特征和轨迹特征，实现路况的精准发布。206.本发明另一种实施例提出通过目标模型对待预测时刻的道路状态特征进行特征融合的一种实现方式。本实施例中，预先采用包括注意力机制的编码-解码架构构建深度神经网络模型，在电子终端设备本地存储待预测路段的静态特征，深度神经网络模型计算时可以调用本地存储的静态特征。207.本实施例中，基于深度神经网络模型训练得到的目标模型包括编码器、解码器、特征融合层和全连接层。208.步骤s215包括子步骤：209.步骤s2151：根据不同时间对应道路状态特征之间的关联信息，选取对所述第一变化特征影响最大的目标道路状态特征。210.注意力机制attention用于捕获不同时间片段对应道路状态特征中长距离相互依赖特征，attention在计算过程中直接将任意两个不同时间片段对应道路状态特征联系起来，attention增加了计算的并行性。可以理解的是，attention发现的是并不连续的两个输入之间的联系。211.attention从不连续的两个输入之间的联系出发，计算不连续的两个时间片段对应道路状态特征之间的变化关系，与表示道路状态特征随时间变化的第一变化特征的相似想，选取对所述第一变化特征影响最大的目标道路状态特征。212.步骤s2152：对所述待预测时刻的道路状态特征融合所述目标道路状态特征，获得经过所述目标道路状态特征加强后的所述道路状态特征。213.步骤s2153：根据加强后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。214.步骤s2154：从本地存储区域读取预先存储的待预测路段的静态特征；其中，所述静态特征包括以下至少一者：设置于所述待预测路段交通指示灯的时间周期、所述待预测路段的车道数目、所述待预测路段长度以及车辆通过所述待预测路段最高速度或平均速度。215.步骤s2155：对所述待预测时刻的道路状态特征融合所述静态特征，获得经过所述静态特征调整后的所述道路状态特征；216.步骤s2156：根据调整后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。217.本发明实施例将待预测路段客观的静态特征和待预测时刻的道路状态特征进行融合，排除解码器输出待预测时刻的道路状态特征出现误差的情况。例如，待预测路段车道较少，路段交通指示灯的时间周期长，待预测路段的路况更大概率出现拥堵。218.针对步骤s2151至步骤s2153、步骤s2154至步骤s2156以及步骤s215-1至s215-3，电子终端设备可以并行执行。219.本发明另一种实施例训练深度神经网络模型阶段，根据车载终端上传的gps位置点形成的行驶轨迹后，提取行驶轨迹特征得到的道路状态特征，对道路状态特征进行标注该道路状态特征对应行驶轨迹方向。利用携带有方向标注的训练样本对预先构建的深度神经网络模型进行训练，得到能够针对不同转向输出路况信息的目标模型。相较于现有技术针对城市车道交汇路段，需要分别针对三个转向(左转、直行、右转)分别及计算路况，本发明实施例提出的目标模型能够结合整体轨迹情况实现端到端输出三个转向的路况，更加方便。220.图11是本发明实施例提出的基于目标预测模型进行路况预测的步骤流程图，如图11所示，所述道路状态特征是对通过所述待预测路段的车辆的行驶轨迹提取特征得到的。步骤s411：根据所述待预测时刻之前所述待预测路段的道路状态特征对应行驶轨迹占有车道，对所述道路状态特征标注方向标记。221.道路状态特征对应行驶轨迹在通过城市车道交汇路口之前占有的第一车道，与通过城市车道交汇路口之后占有的第二车道的夹角小于90度时，对道路状态特征标注方向为右转；道路状态特征对应行驶轨迹在通过城市车道交汇路口之前占有的第一车道，与通过城市车道交汇路口之后占有的第二车道的夹角为90度时，对道路状态特征标注方向为直行；道路状态特征对应行驶轨迹在通过城市车道交汇路口之前占有的第一车道，与通过城市车道交汇路口之后占有的第二车道的夹角大于90度时，对道路状态特征标注方向为左转。222.步骤s412：获得待预测路段对应不同方向标记的道路状态特征在待预测时刻之前随时间变化的第一变化特征。223.将对应不同方向标记的道路状态特征输入目标模型的编码器，得到待预测路段的道路状态特征中标记有左转标记的道路状态特征随时间变化的第一变化特征、标记有右转标记的道路状态特征随时间变化的第一变化特征以及标记有直行标记的道路状态特征随时间变化的第一变化特征。224.步骤s413：针对对应目标方向标记的目标道路状态特征，对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应目标道路状态特征叠加所述目标方向标记的第一变化特征，得到在所述待预测时刻对应目标方向标记的道路状态特征；其中，所述目标方向标记是所述不同方向标记中的任一。225.对标记有左转标记的道路状态特征、标记有右转标记的道路状态特征以及标记有执行标记的道路状态特征，分别叠加各自对应的第一变化特征，得到待预测路段在待预测时刻左转方向的道路状态特征，待预测路段在待预测时刻右转方向的道路状态特征以及待预测路段在待预测时刻直行方向的道路状态特征。226.根据所述待预测路段在所述待预测时刻对应不同方向标记的道路状态特征，计算所述待预测路段不同方向在所述待预测时刻的路况信息。227.目标模型依据待预测路段在待预测时刻左转方向的道路状态特征，计算待预测路段左转方向的路况信息，目标模型依据待预测路段在待预测时刻右转方向的道路状态特征，计算待预测路段右转方向的路况信息，目标模型依据待预测路段在待预测时刻直行方向的道路状态特征，计算待预测路段直行方向的路况信息。228.图12是本发明一种示例电子终端设备基于目标模型执行路况预测方法过程中信息交汇示意图，如图12所示，在本发明一种示例中，电子终端设备周期性接收车载终端上传的gps位置点；在接收到预测12点20分车道交汇路口c的路况信息的请求，需要图片信息对根据轨迹特征计算出的待预测时刻道路状态特征进行修正时，调取12点19分车载终端获取的道路图像，通过目标模型计算，输出12点20分至12点22分车道交汇路口c左转、方向的路况、输出12点20分至12点22分车道交汇路口c右转方向的路况、输出12点20分至12点22分车道交汇路口c直行方向的路况。229.图13是本发明一种示例目标模型的结构示意图，基于图13所示目标模型预测12点20分车道交汇路口c的路况信息，采集12点16分至12点19分通过车道交汇路口c的车辆的多个行驶轨迹，对多个行驶轨迹进行特征提取，得到时间片段1：12点16分至12点17分对应的道路状态特征1，时间片段2：12点17分至12点18分对应的道路状态特征2，以及时间片段3：12点18分至12点19分对应的道路状态特征3。其中道路状态特征1至道路状态特征3可以是多个标注了方向标记的道路状态特征。230.将道路状态特征1至道路状态特征3输入目标模型中seq2seq模型的编码器，通过编码器对道路状态特征1至道路状态特征3编码，得到车道交汇路口c在12点16分至12点19分的时间中道路状态特征随时间变化的第一变化特征c。231.将第一变化特征c输入seq2seq模型的解码器，解码器对第一变化特征c解码，在12点19分的道路状态特征3的基础上叠加第一变化特征c对应的道路状态特征变化趋势，输出12点20分的道路状态特征。232.将12点20的道路状态特征和第一变化特征c返回输入解码器，输出12点21的道路状态特征。采用同样方式输出12点22的道路状态特征。233.将采用注意力机制获得的对第一变化特征影响最大的目标道路状态特征、车道交汇路口c的静态特征、车道交汇路口c的道路图像特征以及编码器输出的12点20分至12点22的道路状态特征输入目标模型的特征融合层，通过特征融合层对上述特征进行融合。234.将特征融合层的输出输入目标模型的全连接层，通过fc将高度抽象化的特征进行整合，计算不同路况的概率，输出最高概率的路况作为车道交汇路口c的路况信息可以包括：12点20分左转路况、12点21分左转路况、12点21分左转路况、12点20分右转路况、12点21分右转路况、12点21分右转路况、12点20分直行路况、12点21分直行路况以及12点21分直行路况。235.图14是本发明实施例提出的路况预测装置的功能模块图，上述路况预测装置设置在终端设备中，如图14所示，所述装置包括：236.变化特征获得模块141，用于获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征；237.特征叠加模块142，用于对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征；238.路况信息计算模块143，用于根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。239.图14所示实施例提供的路况预测装置可用于执行本说明书图1至图13所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述。240.可选地，所述变化特征获得模块包括：241.时间段获得子模块，用于获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻；242.片段划分子模块，用于获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征；243.编码子模块，用于通过目标模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。244.可选地，所述特征叠加模块具体用于通过所述目标模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。245.可选地，所述目标模型包括序列到序列seq2seq模型，所述装置还包括：246.第一解码模块，用于通过所述seq2seq模型的解码器对所述第一变化特征和所述待预测时刻的道路状态特征解码，在所述待预测时刻的道路状态特征叠加所述第一变化特征，得到所述待预测时刻延续预设第二时间长度后所在第二时刻的道路状态特征；247.第二解码模块，通过所述seq2seq模型的解码器对所述第一变化特征和所述第二时刻的道路状态特征解码，在所述第二时刻的道路状态特征叠加所述第一变化特征，得到所述第二时刻延续预设第二时间长度后所在第三时刻的道路状态特征；248.特征获取模块，用于重复上述步骤，直至获取到所述待预测时刻之后的预设时刻的道路状态特征；249.路况信息输出模块，用于分别根据所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应道路状态特征，输出所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应路况信息。250.可选地，所述路况信息计算模块包括：251.图像特征获得子模块，用于获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征；252.第一融合子模块，用于对所述待预测时刻的道路状态特征融合所述道路图像特征，获得经过所述道路图像特征修正后的所述道路状态特征；253.第一特征计算子模块，用于根据修正后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。254.可选地，所述片段划分子模块包括：255.轨迹获得单元，用于获得在所述目标时间段内通过所述目标路段的车辆的行驶轨迹；其中，所述目标路段包括以下至少一者：待预测路段、所述待预测路段的上游路段以及所述待预测路段的下游路段；256.特征提取单元，用于对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征。257.可选地，所述特征提取单元包括：258.路况状态获取子单元，用于获取每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段表征的路况状态；所述路况状态包括拥堵、缓行以及畅通；259.比例计算子单元，用于计算不同路况状态对应的行驶轨迹片段在所有行驶轨迹片段中所占比例；260.停车信息获得子单元，用于根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征，获得每个所述时间片段对应车辆的停车信息；其中，所述停车信息包括停车时间长度和停车频率；261.速度获得子单元，用于根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征和每个所述时间片段对应轨迹片段中不同轨迹点的时间间隔，获得每个所述时间片段对应车辆的行驶速度；262.特征确定子单元，用于将所述不同路况状态对应的行驶轨迹片段在所有轨迹片段中所占比例、每个所述时间片段对应车辆的停车信息、每个所述时间片段对应车辆的行驶速度以及所述目标时间段内的经过所述目标路段的车辆的轨迹数量作为所述道路状态特征。263.可选地，所述图像特征获得模块包括：264.图像获取子模块，用于获取所述待预测路段在所述相邻时刻的车道图像；265.输入子模块，用于将所述车道图像输入预先训练用于提取所述车道图像的视觉感官特征的卷积神经网络，得到所述道路图像特征。266.可选地，所述路况信息计算模块包括：267.特征选取子模块，用于根据不同时间对应道路状态特征之间的关联信息，选取对所述第一变化特征影响最大的目标道路状态特征；268.第二融合子模块，用于对所述待预测时刻的道路状态特征融合所述目标道路状态特征，获得经过所述目标道路状态特征加强后的所述道路状态特征；269.第二特征计算子模块，用于根据加强后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。270.可选地，所述路况信息计算模块包括：271.读取子模块，从本地存储区域读取预先存储的待预测路段的静态特征；其中，所述静态特征包括以下至少一者：设置于所述待预测路段交通指示灯的时间周期、所述待预测路段的车道数目、所述待预测路段长度以及车辆通过所述待预测路段最高速度或平均速度；272.第三融合子模块，用于对所述待预测时刻的道路状态特征融合所述静态特征，获得经过所述静态特征调整后的所述道路状态特征；273.第三特征计算子模块，用于根据调整后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。274.可选地，所述道路状态特征是对通过所述待预测路段的车辆的行驶轨迹提取特征得到的，所述装置还包括：275.标注模块，用于根据所述待预测时刻之前所述待预测路段的道路状态特征对应行驶轨迹占有车道，对所述道路状态特征标注方向标记；276.所述变化特征获得模块具体用于获得待预测路段对应不同方向标记的道路状态特征在待预测时刻之前随时间变化的第一变化特征；277.所述特征叠加模块具体用于针对对应目标方向标记的目标道路状态特征，对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应目标道路状态特征叠加所述目标方向标记的第一变化特征，得到在所述待预测时刻对应目标方向标记的道路状态特征；其中，所述目标方向标记是所述不同方向标记中的任一；278.所述路况信息计算模块具体用于根据所述待预测路段在所述待预测时刻对应不同方向标记的道路状态特征，计算所述待预测路段不同方向在所述待预测时刻的路况信息。279.上述所示实施例提供的装置用于执行上述所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述，在此不再赘述。280.上述所示实施例提供的装置例如可以是：芯片或者芯片模组。上述所示实施例提供的装置用于执行上述所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述，在此不再赘述。281.关于上述实施例中描述的各个装置包含的各个模块/单元，其可以是软件模块/单元，也可以是硬件模块/单元，或者也可以部分是软件模块/单元，部分是硬件模块/单元。例如，对于应用于或集成于芯片的各个装置，其包含的各个模块/单元可以都采用电路等硬件的方式实现，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片内部集成的处理器，剩余的部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于芯片模组的各个装置，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于芯片模组的同一组件(例如芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于芯片模组内部集成的处理器，剩余的部分模块/单元可以采用电路等硬件方式实现；对于应用于或集成于电子终端设备的各个装置，其包含的各个模块/单元可以都采用电路等硬件的方式实现，不同的模块/单元可以位于电子终端设备内同一组件(例如，芯片、电路模块等)或者不同组件中，或者，至少部分模块/单元可以采用软件程序的方式实现，该软件程序运行于电子终端设备内部集成的处理器，剩余的(如果有)部分模块/单元可以采用电路等硬件方式实现。282.图15为本发明实施例提供的一种电子终端设备的结构示意图，该电子终端设备1500包括处理器1510，存储器1511，存储在存储器1511上并可在所述处理器1510上运行的计算机程序，所述处理器1510执行所述程序时实现前述方法实施例中的步骤，实施例提供的电子终端设备可用于执行本上述所示方法实施例的技术方案，其实现原理和技术效果可以进一步参考方法实施例中的相关描述，在此不再赘述。283.图16为本说明书一个实施例提供的终端设备的结构示意图，如图16所示，上述终端设备可以包括至少一个处理器；以及与上述处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，上述处理器调用上述程序指令能够执行本说明书图1～图13所示实施例提供的路况预测方法。284.可以理解的是，本发明实施例示意的结构并不构成对终端设备100的具体限定。在本发明另一些实施例中，终端设备100可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。285.如图16所示，终端设备100可以包括处理器1110，外部存储器接口120，内部存储器121，移动通信模块150，无线通信模块160，指示器192，摄像头193，显示屏194等。286.处理器1110可以包括一个或多个处理单元，例如：处理器1110可以包括应用处理器(applicationprocessor，ap)，调制解调处理器，图形处理器(graphicsprocessingunit，gpu)，图像信号处理器(imagesignalprocessor，isp)，控制器，视频编解码器，数字信号处理器(digitalsignalprocessor，dsp)，基带处理器，和/或神经网络处理器(neural-networkprocessingunit，npu)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。287.控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。288.处理器1110中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器1110中的存储器为高速缓冲存储器。该存储器可以保存处理器1110刚用过或循环使用的指令或数据。如果处理器1110需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器1110的等待时间，因而提高了系统的效率。289.处理器1110通过运行存储在内部存储器121中的程序，从而执行各种功能应用以及数据处理，例如实现本发明图1～图13所示实施例提供的路况预测方法。290.终端设备100的无线通信功能可以通过天线1，天线2，移动通信模块150，无线通信模块160，调制解调处理器以及基带处理器等实现。291.天线1和天线2用于发射和接收电磁波信号。终端设备100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用，以提高天线的利用率。例如：可以将天线1复用为无线局域网的分集天线。在另外一些实施例中，天线可以和调谐开关结合使用。292.终端设备100通过gpu，显示屏194，以及应用处理器等实现显示功能。gpu为图像处理的微处理器，连接显示屏194和应用处理器。gpu用于执行数学和几何计算，用于图形渲染。处理器110可包括一个或多个gpu，其执行程序指令以生成或改变显示信息。293.显示屏194用于显示图像，视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquidcrystaldisplay，lcd)，有机发光二极管(organiclight-emittingdiode，oled)，有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganiclightemittingdiode的，amoled)，柔性发光二极管(flexlight-emittingdiode，fled)，miniled，microled，micro-oled，量子点发光二极管(quantumdotlightemittingdiodes，qled)等。在一些实施例中，终端设备100可以包括1个或n个显示屏194，n为大于1的正整数。294.终端设备100可以通过isp，摄像头193，视频编解码器，gpu，显示屏194以及应用处理器等实现拍摄功能。295.isp用于处理摄像头193反馈的数据。例如，拍照时，打开快门，光线通过镜头被传递到摄像头感光元件上，光信号转换为电信号，摄像头感光元件将所述电信号传递给isp处理，转化为肉眼可见的图像。isp还可以对图像的噪点，亮度，肤色进行算法优化。isp还可以对拍摄场景的曝光，色温等参数优化。在一些实施例中，isp可以设置在摄像头193中。296.摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(chargecoupleddevice，ccd)或互补金属氧化物半导体(complementarymetal-oxide-semiconductor，cmos)光电晶体管。感光元件把光信号转换成电信号，之后将电信号传递给isp转换成数字图像信号。isp将数字图像信号输出到dsp加工处理。dsp将数字图像信号转换成标准的rgb，yuv等格式的图像信号。在一些实施例中，终端设备100可以包括1个或n个摄像头193，n为大于1的正整数。297.数字信号处理器用于处理数字信号，除了可以处理数字图像信号，还可以处理其他数字信号。例如，当终端设备100在频点选择时，数字信号处理器用于对频点能量进行傅里叶变换等。298.视频编解码器用于对数字视频压缩或解压缩。终端设备100可以支持一种或多种视频编解码器。这样，终端设备100可以播放或录制多种编码格式的视频，例如：动态图像专家组(movingpictureexpertsgroup，mpeg)1，mpeg2，mpeg3，mpeg4等。299.内部存储器121可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。内部存储器121可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储终端设备100使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器121可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universalflashstorage，ufs)等。处理器110通过运行存储在内部存储器121的指令，和/或存储在设置于处理器中的存储器的指令，执行终端设备100的各种功能应用以及数据处理。300.本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行本说明书图1～图3所示实施例提供的路况预测方法。301.上述非暂态计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(readonlymemory，rom)、可擦式可编程只读存储器(erasableprogrammablereadonlymemory，eprom)或闪存、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。302.计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。303.计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、射频(radiofrequency，rf)等等，或者上述的任意合适的组合。304.可以以一种或多种程序设计语言或其组合来编写用于执行本说明书操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(localareanetwork，lan)或广域网(wideareanetwork，wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。305.上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。306.在本发明实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。307.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本说明书的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。308.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本说明书的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本说明书的实施例所属
技术领域：
：的技术人员所理解。309.取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。310.需要说明的是，本发明实施例中所涉及的终端可以包括但不限于个人计算机(personalcomputer，pc)、个人数字助理(personaldigitalassistant，pda)、无线手持设备、平板电脑(tabletcomputer)、手机、mp3播放器、mp4播放器等。311.在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。312.另外，在本说明书各个实施例中的各功能单元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，也可以采用硬件加软件功能单元的形式实现。313.上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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装置(可以是个人计算机，服务器，或者网络装置等)或处理器(processor)执行本说明书各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)、磁碟或者光盘等各种可以存储程序代码的介质。314.以上所述仅为本说明书的较佳实施例而已，并不用以限制本说明书，凡在本说明书的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书保护的范围之内。当前第1页12当前第1页12
技术特征：
1.一种路况预测方法，其特征在于，应用于电子终端设备，所述方法包括：获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征；对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征；根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。2.根据权利要求1所述的方法，其特征在于，所述获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征，包括：获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻；获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征；通过目标模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征包括：通过所述目标模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。4.根据权利要求3所述的方法，其特征在于，所述目标模型包括序列到序列seq2seq模型，得到所述待预测路段在所述待预测时刻的道路状态特征之后，所述方法还包括：通过所述seq2seq模型的解码器对所述第一变化特征和所述待预测时刻的道路状态特征解码，在所述待预测时刻的道路状态特征叠加所述第一变化特征，得到所述待预测时刻延续预设第二时间长度后所在第二时刻的道路状态特征；通过所述seq2seq模型的解码器对所述第一变化特征和所述第二时刻的道路状态特征解码，在所述第二时刻的道路状态特征叠加所述第一变化特征，得到所述第二时刻延续预设第二时间长度后所在第三时刻的道路状态特征；以此类推，直至获取到所述待预测时刻之后的预设时刻的道路状态特征；分别根据所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应道路状态特征，输出所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应路况信息。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征；对所述待预测时刻的道路状态特征融合所述道路图像特征，获得经过所述道路图像特征修正后的所述道路状态特征；
根据修正后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。6.根据权利要求2所述的方法，其特征在于，获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征，包括：获得在所述目标时间段内通过目标路段的车辆的行驶轨迹；其中，所述目标路段包括以下至少一者：待预测路段、所述待预测路段的上游路段以及所述待预测路段的下游路段；对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征。7.根据权利要求6所述的方法，其特征在于，对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征，包括：获取每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段表征的路况状态；所述路况状态包括拥堵、缓行以及畅通；计算不同路况状态对应的行驶轨迹片段在所有行驶轨迹片段中所占比例；根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征，获得每个所述时间片段对应车辆的停车信息；其中，所述停车信息包括停车时间长度和停车频率；根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征和每个所述时间片段对应轨迹片段中不同轨迹点的时间间隔，获得每个所述时间片段对应车辆的行驶速度；将所述不同路况状态对应的行驶轨迹片段在所有轨迹片段中所占比例、每个所述时间片段对应车辆的停车信息、每个所述时间片段对应车辆的行驶速度以及所述目标时间段内的经过所述目标路段的车辆的轨迹数量作为所述道路状态特征。8.根据权利要求5所述的方法，其特征在于，获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征，包括：获取所述待预测路段在所述相邻时刻的车道图像；将所述车道图像输入预先训练用于提取所述车道图像的视觉感官特征的卷积神经网络，得到所述道路图像特征。9.根据权利要求1所述的方法，其特征在于，根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：根据不同时间对应道路状态特征之间的关联信息，选取对所述第一变化特征影响最大的目标道路状态特征；对所述待预测时刻的道路状态特征融合所述目标道路状态特征，获得经过所述目标道路状态特征加强后的所述道路状态特征；根据加强后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。10.根据权利要求1所述的方法，其特征在于，根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：从本地存储区域读取预先存储的待预测路段的静态特征；其中，所述静态特征包括以下至少一者：设置于所述待预测路段交通指示灯的时间周期、所述待预测路段的车道数目、所述待预测路段长度以及车辆通过所述待预测路段最高速度或平均速度；对所述待预测时刻的道路状态特征融合所述静态特征，获得经过所述静态特征调整后
的所述道路状态特征；根据调整后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。11.根据权利要求1所述的方法，其特征在于，所述道路状态特征是对通过所述待预测路段的车辆的行驶轨迹提取特征得到的，所述方法还包括：根据所述待预测时刻之前所述待预测路段的道路状态特征对应行驶轨迹占有车道，对所述道路状态特征标注方向标记；获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征，包括：获得待预测路段对应不同方向标记的道路状态特征在待预测时刻之前随时间变化的第一变化特征；对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征，包括：针对对应目标方向标记的目标道路状态特征，对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应目标道路状态特征叠加所述目标方向标记的第一变化特征，得到在所述待预测时刻对应目标方向标记的道路状态特征；其中，所述目标方向标记是所述不同方向标记中的任一；根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息，包括：根据所述待预测路段在所述待预测时刻对应不同方向标记的道路状态特征，计算所述待预测路段不同方向在所述待预测时刻的路况信息。12.一种路况预测装置，其特征在于，设置于电子终端设备，所述装置包括：变化特征获得模块，用于获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征；特征叠加模块，用于对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征；路况信息计算模块，用于根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。13.根据权利要求12所述的装置，其特征在于，所述变化特征获得模块包括：时间段获得子模块，用于获得从第一时刻延续到待预测时刻的目标时间段；其中，所述第一时刻是所述待预测时刻之前的任意时刻；片段划分子模块，用于获得对所述目标时间段按照预设第一时间长度进行划分得到的多个时间片段中每个所述时间片段对应的道路状态特征；编码子模块，用于通过目标模型的编码器，按照所述时间片段对应的时间大小，对不同所述时间片段对应道路状态特征进行编码，而获得所述道路状态特征随所述时间片段对应时间变化的第一变化特征；其中，所述目标模型是预设用于预测路况信息的深度神经网络模型。14.根据权利要求13所述的装置，其特征在于，所述特征叠加模块具体用于通过所述目
标模型的解码器对所述第一变化特征解码，对所述目标时间段中与所述待预测时刻相邻的时间片段所对应所述道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征。15.根据权利要求14所述的装置，其特征在于，所述目标模型包括序列到序列seq2seq模型，所述装置还包括：第一解码模块，用于通过所述seq2seq模型的解码器对所述第一变化特征和所述待预测时刻的道路状态特征解码，在所述待预测时刻的道路状态特征叠加所述第一变化特征，得到所述待预测时刻延续预设第二时间长度后所在第二时刻的道路状态特征；第二解码模块，通过所述seq2seq模型的解码器对所述第一变化特征和所述第二时刻的道路状态特征解码，在所述第二时刻的道路状态特征叠加所述第一变化特征，得到所述第二时刻延续预设第二时间长度后所在第三时刻的道路状态特征；特征获取模块，用于重复上述步骤，直至获取到所述待预测时刻之后的预设时刻的道路状态特征；路况信息输出模块，用于分别根据所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应道路状态特征，输出所述待预测时刻至所述预设时刻之间的每相隔第二时间长度的特定时刻对应路况信息。16.根据权利要求12所述的装置，其特征在于，所述路况信息计算模块包括：图像特征获得子模块，用于获得在所述待预测时刻之前与所述待预测时刻相邻时刻的道路图像特征；第一融合子模块，用于对所述待预测时刻的道路状态特征融合所述道路图像特征，获得经过所述道路图像特征修正后的所述道路状态特征；第一特征计算子模块，用于根据修正后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。17.根据权利要求13所述的装置，其特征在于，所述片段划分子模块包括：轨迹获得单元，用于获得在所述目标时间段内通过所述目标路段的车辆的行驶轨迹；其中，所述目标路段包括以下至少一者：待预测路段、所述待预测路段的上游路段以及所述待预测路段的下游路段；特征提取单元，用于对每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段进行特征提取，得到每个所述时间片段对应的道路状态特征。18.根据权利要求17所述的装置，其特征在于，所述特征提取单元包括：路况状态获取子单元，用于获取每个所述时间片段在所述行驶轨迹中对应的行驶轨迹片段表征的路况状态；所述路况状态包括拥堵、缓行以及畅通；比例计算子单元，用于计算不同路况状态对应的行驶轨迹片段在所有行驶轨迹片段中所占比例；停车信息获得子单元，用于根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征，获得每个所述时间片段对应车辆的停车信息；其中，所述停车信息包括停车时间长度和停车频率；速度获得子单元，用于根据每个所述时间片段对应的行驶轨迹片段中轨迹点的分布特征和每个所述时间片段对应轨迹片段中不同轨迹点的时间间隔，获得每个所述时间片段对
应车辆的行驶速度；特征确定子单元，用于将所述不同路况状态对应的行驶轨迹片段在所有轨迹片段中所占比例、每个所述时间片段对应车辆的停车信息、每个所述时间片段对应车辆的行驶速度以及所述目标时间段内的经过所述目标路段的车辆的轨迹数量作为所述道路状态特征。19.根据权利要求16所述的装置，其特征在于，所述图像特征获得模块包括：图像获取子模块，用于获取所述待预测路段在所述相邻时刻的车道图像；输入子模块，用于将所述车道图像输入预先训练用于提取所述车道图像的视觉感官特征的卷积神经网络，得到所述道路图像特征。20.根据权利要求12所述的装置，其特征在于，所述路况信息计算模块包括：特征选取子模块，用于根据不同时间对应道路状态特征之间的关联信息，选取对所述第一变化特征影响最大的目标道路状态特征；第二融合子模块，用于对所述待预测时刻的道路状态特征融合所述目标道路状态特征，获得经过所述目标道路状态特征加强后的所述道路状态特征；第二特征计算子模块，用于根据加强后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。21.根据权利要求12所述的装置，其特征在于，所述路况信息计算模块包括：读取子模块，从本地存储区域读取预先存储的待预测路段的静态特征；其中，所述静态特征包括以下至少一者：设置于所述待预测路段交通指示灯的时间周期、所述待预测路段的车道数目、所述待预测路段长度以及车辆通过所述待预测路段最高速度或平均速度；第三融合子模块，用于对所述待预测时刻的道路状态特征融合所述静态特征，获得经过所述静态特征调整后的所述道路状态特征；第三特征计算子模块，用于根据调整后的所述道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。22.根据权利要求12所述的装置，其特征在于，所述道路状态特征是对通过所述待预测路段的车辆的行驶轨迹提取特征得到的，所述装置还包括：标注模块，用于根据所述待预测时刻之前所述待预测路段的道路状态特征对应行驶轨迹占有车道，对所述道路状态特征标注方向标记；所述变化特征获得模块具体用于获得待预测路段对应不同方向标记的道路状态特征在待预测时刻之前随时间变化的第一变化特征；所述特征叠加模块具体用于针对对应目标方向标记的目标道路状态特征，对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应目标道路状态特征叠加所述目标方向标记的第一变化特征，得到在所述待预测时刻对应目标方向标记的道路状态特征；其中，所述目标方向标记是所述不同方向标记中的任一；所述路况信息计算模块具体用于根据所述待预测路段在所述待预测时刻对应不同方向标记的道路状态特征，计算所述待预测路段不同方向在所述待预测时刻的路况信息。23.一种终端设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其特征在于，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能
够执行如权利要求1至11任一所述的方法。24.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，其特征在于，所述计算机指令使所述计算机执行如权利要求1至11任一所述的方法。

技术总结
本发明实施例提出了一种路况预测方法、装置终端设备以及存储介质，涉及数据处理技术领域；能够持续准确地预测未来时刻道路路况信息。所述方法包括：获得待预测路段的道路状态特征在待预测时刻之前随时间变化的第一变化特征；对与所述待预测时刻相差时间小于预设第一时间长度的任意时刻对应道路状态特征叠加所述第一变化特征，得到所述待预测路段在所述待预测时刻的道路状态特征；根据所述待预测路段在所述待预测时刻的道路状态特征，计算所述待预测路段在所述待预测时刻的路况信息。待预测路段在所述待预测时刻的路况信息。待预测路段在所述待预测时刻的路况信息。


技术研发人员：暴雨 樊扬 彭湘雄
受保护的技术使用者：北京三快在线科技有限公司
技术研发日：2021.12.22
技术公布日：2023/6/28