(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211270670.6 (22)申请日 2022.10.18 (71)申请人 智道网联科技 （北京） 有限公司 地址 100013 北京市东城区北三环东路3 6 号1号楼B6 01 (72)发明人 李宁　贾双成　朱磊　郭杏荣　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 专利代理师 聂俊伟 (51)Int.Cl. G08G 1/01(2006.01) G06Q 10/04(2012.01) G06Q 50/26(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 车道拥堵预测方法及装置 (57)摘要 本申请涉及轨道交通领域， 提供一种车道拥 堵预测方法及装置。 所述方法包括： 获取任一采 样时长内的每个采样时刻所采集到的目标区域 内各车道的交通信息频道TMC数据， 以构建交通 信息频道TMC数据集； 将所述TMC数据集输入至空 间特征提取模 型， 以获取由所述空间特征提取模 型输出的空间特征向量； 将所述空间特征向量输 入至时间特征提取模型， 以获取由所述时间特征 提取模型输出的车道拥堵预测结果。 本申请实施 例提供的车道拥堵预测方法可以同时基于历史 时刻的车道拥堵情况、 未来时刻的车道拥堵情况 和即将驶入的车道行驶环境进行前方车道拥堵 预测， 提高预测准确率。 权利要求书3页 说明书14页 附图5页 CN 115359662 A 2022.11.18 CN 115359662 A 1.一种车道拥堵预测方法， 其特 征在于， 包括： 获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息频道 TMC数据， 以构建交通信息频道TM C数据集； 将所述TMC数据集输入至空间特征提取模型， 以获取由所述空间特征提取模型输出的 空间特征向量； 将所述空间特征向量输入至时间特征提取模型， 以获取由所述 时间特征提取模型输出 的车道拥堵预测结果； 所述空间特征提取模型是对图卷积网络模型训练后获取的； 所述时间特征提取模型， 是根据所述 目标区域内各车道的历史TMC数据集及其对应的车道拥堵预测结果标签， 以及 所述目标区域内各车道的未来TMC数据集及其对应的车道拥堵预测结果标签， 对双向长短 期记忆网络模型训练后获取的。 2.根据权利 要求1所述的车道拥堵预测方法， 其特征在于， 每个车道的TMC数据构成m*n 的二维矩阵； 其中， m， n分别为车道拓扑图中的节点总数和所述TMC数据的总类型数量， 所述车道拓 扑图是根据对应车道的TM C数据得到的； 所述获取任一采样时长内的每个采样时刻所采集到的目标区域内各车道的交通信息 频道TMC数据， 以构建交通信息频道TM C数据集， 包括： 将每个采样时刻所采集到的所述TMC数据所对应的二维矩阵， 按照时间顺序依次排列， 以构建所述TM C数据集。 3.根据权利要求2所述的车道拥堵预测方法， 其特征在于， 所述将所述TMC数据集输入 至空间特 征提取模型， 以获取由所述空间特 征提取模型输出的空间特 征向量， 包括： 将所述TM C数据集中的所述 二维矩阵按照特定比例划分为训练集和 测试集； 将所述训练集输入至所述图卷积网络模型， 对所述图卷积网络模型进行训练， 以获取 所述空间特 征提取模型； 将所述测试集输入至所述空间特征提取模型， 以获取由所述空间特征提取模型输出的 空间特征向量。 4.根据权利要求3所述的车道拥堵预测方法， 其特征在于， 所述将所述测试集输入至所 述空间特 征提取模型， 以获取由所述空间特 征提取模型输出的空间特 征向量， 包括： 将邻接矩阵与单位矩阵相加， 得到第一矩阵； 所述邻接矩阵是根据所述车道拓扑图中 各节点之间连接关系得到的； 对所述第一矩阵进行加权， 得到第二矩阵； 对所述第二矩阵进行归一 化处理， 得到第三矩阵； 将所述第三矩阵左乘对应的所述 二维矩阵， 得到第四矩阵； 将所述第四矩阵左乘参数矩阵， 得到第五矩阵； 利用激活函数对所述第五矩阵进行非线性变换， 得到所述空间特 征向量。 5.根据权利要求1所述的车道拥堵预测方法， 其特征在于， 所述将所述空间特征向量输 入至时间特 征提取模型， 以获取由所述时间特 征提取模型输出的车道拥堵预测结果， 包括： 所述时间特征提取模型包括： 前向时间特征提取模型和后向时间特征提取模型， 所述 双向长短期记 忆网络模型包括前向长短期记 忆网络模型和后向长短期记 忆网络模型；权　利　要　求　书 1/3 页 2 CN 115359662 A 2将第一历史时刻的空间特征向量， 以及第一历史时刻的所述目标区域内各车道的TMC 数据集对应的车道拥堵预测结果标签， 输入至所述前向长短期记忆网络模型， 对所述前向 长短期记忆网络模型进行训练， 得到第二历史时刻的所述目标区域内各车道的TMC数据集 对应的车道拥堵预测结果标签； 所述第二历史时刻为所述第一历史时刻的下一时刻； 以第二历史时刻的空间特征向量更新所述第 一历史时刻的空间特征向量， 以第 二历史 时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一历 史时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后， 返回将第 一历史时刻的空间特征向量， 以及第一历史时刻的所述目标区域内各车道的TMC数据集对 应的车道拥堵预测结果标签， 输入至所述前向长短期记忆网络模型， 对所述前向长短期记 忆网络模型进行训练， 得到第二历史时刻的所述目标区域内各车道的TMC数据集对应的车 道拥堵预测结果标签的步骤； 将当前时刻上一时刻训练后的前向长短期记忆网络模型作为当前时刻的前向时间特 征提取模型； 将第一未来时刻的空间特征向量， 以及第一未来时刻的所述目标区域内各车道的TMC 数据集对应的车道拥堵预测结果标签， 输入至所述后向长短期记忆网络模型， 对所述后向 长短期记忆网络模型进行训练， 得到第二未来时刻的所述目标区域内各车道的TMC数据集 对应的车道拥堵预测结果标签； 所述第二未来时刻为所述第一未来时刻的上一时刻； 以第二未来时刻的空间特征向量更新所述第 一未来时刻的空间特征向量， 以第 二未来 时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签更新所述第一未 来时刻的所述目标区域内各车道的TMC数据集对应的车道拥堵预测结果标签后， 返回将第 一未来时刻的空间特征向量， 以及第一未来时刻的所述目标区域内各车道的TMC数据集对 应的车道拥堵预测结果标签， 输入至所述后向长短期记忆网络模型， 对所述后向长短期记 忆网络模型进行训练， 得到第二未来时刻的所述目标区域内各车道的TMC数据集对应的车 道拥堵预测结果标签的步骤； 将当前时刻下一时刻训练后的后向长短期记忆网络模型作为当前时刻的后向时间特 征提取模型； 将当前时刻的空间特征向量分别输入至所述当前时刻的前向时间特征提取模型和所 述当前时刻的后向时间特征提取模型， 根据所述前向时间特征提取模型的输出加权值与所 述后向时间特 征提取模型的输出加权值之和获取 下一时刻的车道拥堵预测结果。 6.根据权利要求1所述的车道拥堵预测方法， 其特 征在于： 所述任一采样时长是基于小时级别时间进行划分得到的。 7.根据权利要求1所述的车道拥堵预测方法， 其特 征在于： 所述任一采样时长为15分钟。 8.一种车道拥堵预测装置， 其特 征在于， 包括： TMC数据集构建模块， 用于获取任一采样时长内的每个采样时刻所采集到的目标区域 内各车道的交通信息频道TM C数据， 以构建交通信息频道TM C数据集； 空间特征向量获取模块， 用于将所述TMC数据集输入至空间特征提取模型， 以获取由所 述空间特 征提取模型输出的空间特 征向量； 车道拥堵预测模块， 用于将所述空间特征向量输入至时间特征提取模型， 以获取由所权　利　要　求　书 2/3 页 3 CN 115359662 A 3