[发明专利]预测模型构建方法、交通流量预测方法、装置及电子设备

权利要求书

1.一种预测模型构建方法，其特征在于，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；所述源领域为一个具有特定的路网结构的区域，所述待测领域为具有与所述源领域的路网结构不同的新的路网结构的区域；所述基于待测路网数据和源路网数据训练第一网络，具体为：

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；

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；

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。

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：

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。

3.一种流量预测方法，其特征在于，所述方法包括：

获得待测领域的待测路网数据；所述待测领域为具有与源领域的路网结构不同的新的路网结构的区域，所述源领域为一个具有特定的路网结构的区域；

将所述待测路网数据输入权利要求1-2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。

4.一种预测模型构建装置，其特征在于，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；所述源领域为一个具有特定的路网结构的区域，所述待测领域为具有与所述源领域的路网结构不同的新的路网结构的区域；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；

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；

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。