一种获取交通数据的方法及相关装置与流程

1.本技术涉及交通管理技术领域，尤其涉及一种获取交通数据的方法及相关装置。


背景技术：

2.交通网络由设施网络、径路网络、组织网络构成。其中，交通节点形成设施网络，交通线路构成径路网络，而节点与线路的结合形成组织网络。
3.交通网络是交通管理(例如，交通信号等控制，路径规划等)的基础，交通网络构建的合理性和科学性直接影响交通管理的精度和性能。长期以来，交通网络构建的方法主要是将交叉路口视为交通网络中的节点，将路径视为边。然后基于节点，路径及边权构建交通网络的拓扑结构。当两个节点之间的边权为“1”时，表示两个节点之间存在边，即两个路口之间存在路径。当两个节点之间的边权为“0”时，表示两个节点之间不存在边，即两个路口之间不存在路径。
4.当前方法中，通过节点间的“01”边权这种方式构建的交通网络仅能静态的表示两个节点间是否存在路径，而面对当前高复杂性和实时性的交通环境，交通管理的准确性不高。


技术实现要素：

5.本技术实施例提供了一种获取交通数据的方法及相关装置，用于为交通管理的应用(如应用包括但不限于交通信号灯控制，车流量预测，路径规划等)提供准确的基础数据，即用于为交通管控服务。该交通数据为交通网络的拓扑结构，其中，交通网络是对现实世界中网络系统(即实际物理交通网络)的抽象表达。可以通过邻接表、十字链表或邻接矩阵表示交通网络的拓扑结构(即交通数据)。
6.第一方面，本技术实施例提供了一种获取交通数据的方法，该方法可以应用于电子设备，电子设备确定目标地理区域的第一位置节点和第二位置节点，其中，该第一位置节点和第二位置节点均为目标地理区域中多个位置节点中的任意两个位置节点；然后，电子设备获取第一位置节点和第二位置节点对应的交通时序数据，交通时序数据为：在多个连续的时间单元，对应位置节点的交通流量数据，该交通流量数据(如车辆数据)包括但不限定于车流量、车辆平均速度、车流密度和车辆拥堵程度等；电子设备基于第一位置节点和第二位置节点的交通时序数据计算第一位置节点到第二位置节点的熵，熵用于指示第一位置节点到第二位置节点的有向边权，该有向边权是指具有方向的边权，第一位置节点到第二位置节点的边权和第二位置节点到第一位置节点的边权可能是不同的两个数值；第一位置节点到第二位置节点的有向边权用于指示第一位置节点对第二位置节点的空间关联关系，例如第一位置节点到第二位置节点的边权0.9，那么表明第一位置节点对第二位置节点具有比较大的关联影响；最后，电子设备根据第一位置节点到第二位置节点的有向边权确定目标地理区域的交通网络的拓扑结构(即交通数据)。该交通数据用于为交通管理的应用(如应用包括但不限于交通信号灯控制，车流量预测，路径规划等)提供准确的基础数据，例
如，将交通数据输入到交通管控模型中，通过交通管控模型输出用于交通管控的数据，其中，交通管控模型包括但不限定于车流量预测模型，路径规划模型和信号灯优化控制模型，在具体的应用场景中，通过本技术实施例中获取的交通数据可以得到用于交通管控的数据，如该交通管控的数据可以用于对交通信号灯的优化控制、用于对车流量预测，用于对路径规划等。
7.本实施例中，通过第一位置节点和第二位置节点对应的交通时序数据来计算第一位置节点到第二位置节点的边权，由于交通时序数据是动态变化数据，任意两个位置节点的熵是基于节点的动态数据得到的，第一位置节点到第二位置节点的边权是随着时间而动态变化的，即本技术中获取的交通数据是动态的，具有实时性；而且边权是有向的，有向边权用于可以指示出第一位置节点对第二位置节点这两个任意节点的空间关联关系，相对于传统方式中的“01边权”，本技术中的不直接相连的位置节点，也可以通过有向边权指示出一个位置节点到另一个位置节点的空间关联关系(或影响关系)，由此，在交通管理的应用场景中，将交通数据输入到交通管控模型中，利用交通管控模型提取一个位置节点到另一个位置节点的空间关联关系，输入的交通数据的准确性则直接影响节点间空间关联关系提取的准确性，节点间空间关联关系的提取的准确性则直接影响交通管控的精度，由此，本技术实施例中提供的具有实时性，有向性的交通数据为交通管控提供了更准确性的基础数据。
8.在一种可能的实现方式中，电子设备还可以获取构建参数，该构建参数包括第一参数，该第一参数用于参与计算第一位置节点和第二位置节点之间的熵，计算熵的方法不同，用于计算熵的第一参数有所不同，熵以因果熵为例，该第一参数可以为时滞；然后，电子设备基于交通时序数据和构建参数计算第一位置节点到第二位置节点的熵。
9.在一种可能的实现方式中，电子设备将第一数据输入到参数选择模型，通过参数选择模型输出构建参数；第一数据包括交通数据的类型标识和用于确定熵所使用的设置参数。本示例中，利用参数选择模型输出构建参数，实现构建参数自适应的选择，不需要人为的不断尝试进行参数选择，通过参数选择模型自适应输入构建参数，提高选择网络构建参数的效率。
10.在一种可能的实现方式中，所述方法还可以包括：电子设备可以获取第一位置节点和第二位置节点对应的静态数据，然后可以基于静态数据和/或交通时序数据识别第一位置节点和第二位置节点为关键节点。关键节点是指在交通网络中对交通管理的影响较大的节点。本示例中，计算目标地理区域中关键节点间的熵，不需要计算全部节点间的熵，以减少计算量，节省算力。
11.在一种可能的实现方式中，电子设备基于第一位置节点和第二位置节点的交通时序数据计算第一位置节点到第二位置节点的熵之后，所述方法还可以包括：当第一位置节点到第二位置节点的熵小于或者等于第一阈值时，表明第一位置节点对第二位置节点没有关联影响，或者关联影响弱，这样，电子设备将第一位置节点到第二位置节点的有向边权设置为预设值，预设值用于指示第一位置节点对第二位置节点无关联关系。例如，该预设值为“0”，从而可以使得在后续交通管理在使用该交通数据时，可以减少计算量。
12.在一种可能的实现方式中，电子设备根据第一位置节点到第二位置节点的有向边权获取目标地理区域的交通数据之后，该方法还可以包括：电子设备可以基于评价指标对
交通数据的进行评价，得到评价结果，若评价结果劣于第二阈值，表明该交通数据可能不合理，则可以调整构建参数，重新构建交通网络，重新得到交通网络的拓扑结构，以保证交通数据的准确性。
13.在一种可能的实现方式中，电子设备根据第一位置节点到第二位置节点的有向边权确定目标地理区域的交通数据还可以具体包括：电子设备还可以通过网络骨干提取方法提取多个位置节点中的骨干节点及骨干节点间的有向边权，骨干节点包括第一位置节点和第二位置节点；然后，基于骨干节点及骨干节点间的有向边权确定目标地理区域的交通数据。本示例中，电子设备去除交通数据中的冗余节点及冗余的边权信息，得到精简之后的交通网络的拓扑结构(即交通数据)，可以节省存储空间。
14.在一种可能的实现方式中，所述方法还包括：电子设备将样本数据集输入到第一模型，对第一模型进行迭代训练，得到参数选择模型；样本数据集包括多个样本，样本包括输入参数和标签，及输入参数与标签的映射关系；其中，输入参数包括交通数据的类型标识，和，用于确定熵所使用的设置参数，标签为构建参数。本实施例中，通过样本数据集对第一模型进行训练，得到参数选择模型，该参数选择模型用于自适应的输出构建参数，实现构建参数自适应的选择，不需要人为的不断尝试进行参数选择，通过参数选择模型自适应输入构建参数，提高选择网络构建参数的效率。
15.在一种可能的实现方式中，电子设备将样本数据集输入到第一模型，对第一模型进行迭代训练之前，当样本数据集中的样本数量小于或者等于第三阈值时，所述方法还包括：首先，生成第一样本数据；然后，将第一样本数据输入到参数选择模型，通过参数选择模型输出构建参数；构建参数用于计算第一位置节点到第二位置节点的熵，以获取交通数据；基于评价指标对交通数据的进行评价，得到评价结果；若评价结果劣于第二阈值，则删除第一样本数据；或者，若评价结果优于第二阈值，则将第一样本数据加入样本数据集，直到样本数据集中的样本数量达到或超过第四阈值。本示例中，训练的样本数据量较少时，需要构建样本库，并在线训练该参数选择模型。本实施例中，电子设备直接使用制造样本中的构建参数向量参与节点间熵的计算及构建交通网络，然后，通过评价指标对构建的交通网络进行评价，就可以确定制造的样本中的网络构建参数向量构建的交通网络是否合理，若构建的交通网络合理，才会将制造的样本放入样本库，从而可以保证制造的样本具有真实性，提高训练的参数选择模型的准确率。
16.在一种可能的实现方式中，所述方法还可以包括：电子设备获取第三位置节点和第四位置节点的静态数据，其中，第三位置节点和第四位置节点为目标地理区域内的多个位置节点中的任意两个位置节点，当静态数据小于或者等于第四阈值时，所述方法还包括：电子设备基于第三位置节点对应的交通时序数据和第四位置节点对应的交通时序数据计算第三位置节点到第四位置节点之间的熵。当位置节点数量较多时，其计算量大，会降低计算速度。故而，本示例中，电子设备可以根据静态数据(如路径长度，地理连接关系等)有选择的计算部分位置节点之间的熵，从而降低计算量。
17.第二方面，本技术提供了一种获取交通数据的装置，包括：
18.处理模块，用于确定目标地理区域的第一位置节点和第二位置节点；
19.获取模块，用于获取第一位置节点和第二位置节点对应的交通时序数据，交通时序数据为：在多个连续的时间单元，对应位置节点的交通流量数据；
20.处理模块，还用于基于第一位置节点和第二位置节点的交通时序数据计算第一位置节点到第二位置节点的熵；熵用于指示第一位置节点到第二位置节点的有向边权，第一位置节点到第二位置节点的有向边权用于指示第一位置节点对第二位置节点的空间关联关系；
21.处理模块，还用于根据第一位置节点到第二位置节点的有向边权确定目标地理区域的交通数据。
22.在一种可能的实现方式中，处理模块，还用于获取构建参数，构建参数用于参与计算第一位置节点和第二位置节点之间的熵；基于交通时序数据和构建参数计算第一位置节点到第二位置节点的熵。
23.在一种可能的实现方式中，处理模块，还用于将第一数据输入到参数选择模型，通过参数选择模型输出构建参数；第一数据包括交通数据的类型标识和用于确定熵所使用的设置参数。
24.在一种可能的实现方式中，获取模块，还用于获取第一位置节点和第二位置节点对应的静态数据；
25.处理模块，还用于基于静态数据和/或交通时序数据识别第一位置节点和第二位置节点为关键节点。
26.在一种可能的实现方式中，处理模块，还用于当第一位置节点到第二位置节点的熵小于或者等于第一阈值时，将第一位置节点到第二位置节点的有向边权设置为预设值，预设值用于指示第一位置节点对第二位置节点无关联关系。
27.在一种可能的实现方式中，处理模块，还用于基于评价指标对交通数据的进行评价，得到评价结果；当评价结果劣于第二阈值时，调整构建参数。
28.在一种可能的实现方式中，处理模块，还用于提取多个位置节点中的骨干节点及骨干节点间的有向边权，骨干节点包括第一位置节点和第二位置节点；基于骨干节点及骨干节点间的有向边权确定交通数据。
29.在一种可能的实现方式中，处理模块，还用于将样本数据集输入到第一模型，对第一模型进行迭代训练，得到参数选择模型；样本数据集包括多个样本，样本包括输入参数和标签，及输入参数与标签的映射关系；其中，输入参数包括交通数据的类型标识，和，用于确定熵所使用的设置参数，标签为构建参数。
30.在一种可能的实现方式中，当样本数据集中的样本数量小于或者等于第三阈值时，处理模块还具体用于：生成第一样本数据；将第一样本数据输入到参数选择模型，通过参数选择模型输出构建参数；构建参数用于计算第一位置节点到第二位置节点的熵，以获取交通数据；基于评价指标对交通数据的进行评价，得到评价结果；若评价结果劣于第二阈值，则删除第一样本数据；或者，若评价结果优于第二阈值，则将第一样本数据加入样本数据集，直到样本数据集中的样本数量达到或超过第四阈值。
31.在一种可能的实现方式中，处理模块，还用于获取第三位置节点和第四位置节点的静态数据；当静态数据小于或者等于第四阈值时，确定需要计算第三位置节点到第四位置节点的熵；基于第三位置节点对应的交通时序数据和第四位置节点对应的交通时序数据计算第三位置节点到第四位置节点之间的熵。
32.第三方面，本技术实施例提供了一种电子设备，包括：包括处理器，所述处理器与
至少一个存储器耦合，所述处理器用于读取所述至少一个存储器所存储的计算机程序，使得所述电子设备执行如上述第一方面中任一项所述的方法。
33.第四方面，本技术实施例提供了一种计算机可读介质，用于储存计算机程序或指令，所述计算机程序或指令被执行时使得计算机执行如上述第一方面中任一项所述的方法。
34.第五方面，本技术提供了一种芯片系统，该芯片系统包括处理器，用于支持电子设备实现上述第一方面中所涉及的功能。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存电子设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
附图说明
35.图1a为实体物理交通网络抽象为节点和边的示意图；
36.图1b为交通网络的拓扑结构的一个示例的示意图；
37.图1c为实际物理交通网络中路口间影响的示意图；
38.图2为本技术实施例中静态数据的示意图；
39.图3为本技术实施例中一种构建交通网络的方法的一个实施例的步骤流程示意图；
40.图4为本技术实施例中目标地理区域的示例的示意图；
41.图5为本技术实施例中节点的入度和出度的示意图；
42.图6为本技术实施例中邻接矩阵的一个示例的示意图；
43.图7为本技术实施例中节点的邻居阶数的一个示例的示意图；
44.图8为本技术实施例中对参数选择模型进行训练的一个示例的步骤流程示意图；
45.图9为本技术实施例中一种装置的一个示例的结构示意图；
46.图10为本技术实施例中一种装置的另一个示例的结构示意图。
具体实施方式
47.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述。本技术中出现的术语“和/或”，可以是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本技术中字符“/”，一般表示前后关联对象是一种“或”的关系。本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
48.在地理信息世界中，交通网络(或者也可以称为交通网络模型)是指有许多相互连接的线段构成的网状系统，是对现实世界中网络系统(即实际物理交通网络)的抽象表达。例如，在城市交通网络中，道路等线状地物被抽象为线段，在交通网络模型中可以被称为“边”。而路口、公交站点等点状地物被抽象为点等，在交通网络网络中称为“位置节点”，也可以简称为“节点”。可以理解的是，交通网络就是边(或线)和节点等元素共同组成的。本技术中，交通网络也可以简称为“网络”。
49.请参阅图1a和图1b所示，所谓交通网络的构建，是指将实际物理交通网络中特定的实体进行抽象表达(例如将路口抽象为“位置节点”，将道路抽象为“边”)，从而生成交通网络的拓扑结构的过程。例如，可以通过邻接表、十字链表或邻接矩阵表示交通网络的拓扑结构，本技术中，以邻接矩阵表示交通网络的拓扑结构为例进行说明，交通网络的拓扑结构也可以称为“交通数据”。
50.示例性的，在图1a中，a-e表示路口，a-e表示节点，各节点对应实际物理交通网络中的路口(如“路口a”对应“节点a”；“路口b”对应“节点b”；“路口c”对应“节点c”等)，节点间的线段一般对应实际物理交通网络中的道路。在图1b中，将各节点之间的关系通过邻接矩阵的形式表示，邻接矩阵中的第一行和第一列均为节点标识(或编号)，矩阵中的值表示两个节点边的权值(也称为“边权”)。如权值为“1”表示两节点间存在“边”，权值为“0”表示两节点间不存在“边”。传统方法中，通过图1b示出的“01”边权来表示两个节点之间的关联关系，“01”边权仅能表示实际物理交通网络中节点之间是否有真实的“直接连接关系”。这里的直接连接关系就是单纯的静态的连接关系。请参阅图1b所示，节点a和节点c之间通过节点b连接，按照传统方法，节点a和节点c没有直接连接，即使节点a和节点c通过节点b连接(间接连接)，在传统的邻接矩阵中节点a和节点c之间的权值也设置为“0”，从而表示节点a和节点c没有“直接连接”。
51.并且，在实际交通场景中，由于节点对应的车流量、平均车速、车辆拥堵状况等这类动态信息是随着时间发生变化的，且存在显著差异，因此通过“01”边权表示的邻接矩阵来表示节点间的关系无法反映节点间的真实“关联关系”。例如，请参阅图1c所示，在一个例子中，来自路口a的大部分车辆会经由路口b驶入路口c，换言之，若路口a的车流量很大，那么必然会影响到路由c的车流量，由此可以看出，虽然路口a和路口c没有直接连接，但是这两个路口是有逻辑上的关联关系的，显然，仅通过图1b所示出的邻接矩阵是无法反映出类似于“不直接相连”的节点间(例如，路口a和路口c)的关联关系。
52.交通网络的构建的目的是为交通管理的应用(如应用包括但不限于交通信号灯控制，车流量预测，路径规划等)提供服务的。传统方法中的交通网络，仅能静态的表示两个节点间是否存在路径，而面对当前高复杂性和实时性的交通环境，交通管理的准确性不高，交通网络对于交通管理的指导意义不大。
53.本技术实施例中，提供了一种获取交通数据的方法，该方法用于构建动态的，有向的，逻辑的交通网络。本技术中基于各节点对应的动态数据计算任意两个节点之间的熵，该熵用于指示该任意两个节点的边权，基于多个节点及节点间的边权构建交通网络。首先，该交通网络是“有向的”：熵是具有方向的，任意两个节点之间的边权可能包括2个不同的值。例如，节点a到节点b方向上的边权为“0.7”，而节点b到节点a方向上的边权为“0.6”，即本技术中的交通网络是“有向交通网络”。然后，该交通网络是“动态的”：任意两个节点的熵是基于节点的动态数据得到的，节点之间的边权可能是随着时间的变化而动态变化的，即本技术中构建的交通网络是“动态交通网络”。最后，该交通网络是“逻辑的”：基于任意两个节点对应的动态数据计算熵，即使这两个节点在实际物理交通网络中并不是直接相连的，但这
两个节点之间也可能是具有关联(或依赖，或因果)关系的，即本技术中构建的交通网络是“逻辑交通网络”。本技术中提供的交通网络面对复杂性和和实时性的交通环境能够为交通管理提供准确的数据基础。
54.为了方便理解本技术，首先对传统方法中的交通网络和本技术中的交通网络进行对比说明：
55.首先，关于传统方法中“静态交通网络”和本技术中“动态交通网络”的说明。
56.静态交通网络是指根据节点对应的静态数据(即两个节点是否直接相连)确定两个节点之间的边权，两个节点直接相连，两个节点之间的边权为“0”。两个节点非直接相连，则两个节点之间的边权为“1”。两个节点之间的边权仅有“0”或“1”两个值，不会发生变化。例如，节点a和节点b之间的边权为“1”，且不会随着时间的变化而发生改变。相对于静态交通网络，动态交通网络是指节点之间的边权是根据节点对应的动态数据确定的，可能是随着时间的变化的。例如，在第n1个时间单元，节点a对节点b的边权可能为0.7，而在第n2个时间单元，节点a对节点b的边权可能为0.9。
57.其次，关于传统方法中的“无向交通网络”和本技术中“有向交通网络”的对比说明：
58.在无向交通网络中，相同的两个节点之间的边是没有方向的，即两个节点之间的边权只存在一个权值。例如节点a和节点b之间的边的权值为1，权值不区分方向。而在有向交通网络中，两个节点之间的边可能存在两个权值，且两个权值可能是不相等的。例如，节点a到节点b方向(a
→
b)上的权值为0.7，而节点b到节点a方向(b
→
a)上的权值为0.6。
59.从次，关于传统方法中“实体交通网络”和本技术中“逻辑交通网络”的对比说明：
60.实体交通网络对应实际物理连接情况，在实际空间中，如果两个节点直接相连，则这两个节点之间就存在边。如果两个节点之间不直接相连，则这两个节点之间不存在边。逻辑交通网络并不完全对应实际物理连接情况，在逻辑交通网络中，两个节点之间不直接相连也可能存在边权，该边权用于指示两个节点之间具有逻辑上的关联关系(或称为空间关联关系)。
61.最后，关于传统方法中“边权”和本技术中“边权”的说明。
62.传统方法中，“边权”仅包括2个值，即“0”或“1”。当边权为“0”时，表明两个节点之间不存在边。当边权为“1”时，表明两个节点之间存在边。本技术中，基于动态数据将两个节点的熵作为边权，该边权为大于或者等于0，且小于或者等于1的数值。例如，该边权为“0.7”、“0.6”、“0.5”等等，该熵可以用于表示两个节点的关联程度(或影响程度，或依赖程度)。
63.下面通过交通管理中具体的应用场景，对本技术构建的交通网络的优势进行示例性说明。
64.示例1、车流量预测：
65.对车流量进行预测的方法，大多是基于深度学习的流量预测模型对车流量进行预测。而邻接矩阵(即交通数据)可以作为流量预测模型的部分输入数据，利用神经网络提取节点间的空间关联关系。输入的邻接矩阵的准确性则直接影响节点间空间关联关系提取的准确性，节点间空间关联关系的提取的准确性则直接影响流量预测的精度，由此，输入的邻接矩阵的准确性将影响车流量预测的精度。
66.实际交通中，节点间的空间关联关系是有向的、随时间动态变化的，非直接相连的节点间也可能存在显著的相互影响关系，并且节点间的相互影响程度不同。相对于传统方法中的“无向”、“静态”、“01边权”的邻接矩阵，本技术中的“有向”、“动态”、“非01边权”的邻接矩阵可以提高节点间空间关联关系的准确性，提高车流量预测的精度。
67.举例说明：传统方法中，节点a
→
节点c的边权和节点c
→
节点a的值都是0(即节点a和节点c不直接相连)，则在基于深度学习的车流量预测过程中，节点a和节点c之间无关联关系，而实际上节点a和节点c间的空间关联关系可能较为显著(例如，节点a和节点c在同一主干道上)。所以在传统方法中，最终的车流量预测可能因为未考虑节点a和节点c间的空间关联关系导致车流量预测精度降低。而本技术中，电子设备根据节点对应的动态数据计算节点间的熵，可以将熵作为邻接矩阵中的边权，如节点a
→
节点c的边权0.71，而节点c
→
节点a的边权是0.6，边权可以随着时间动态变化、且有向的，从而提高了节点间空间关联关系的准确性，提高车流量预测的准确性。
68.示例2、交通信号灯控制：
69.交通信号灯控制的目的是通过协调控制多个路口的信号灯的相位变化顺序、持续时长、变化时间点等，从而可以提升路网整体或局部通行效率。而实现协调控制的基础是分析路口(节点)间的关联关系，路口间的关联关系分析量化得越准确，则协调控制算法效果容易提升。
70.举例说明：传统方法中，节点a
→
节点c和节点c
→
节点a的边权都是0(a和c不直接相连，但在同一主干道上)，控制设备将无法判断节点a和节点c之间的相互影响关系，这样会限制对信号灯的控制效果。例如，在节点a的车流量很大的情况下，按照传统方法，节点a和节点c无关联关系，因此，控制设备会按照正常的时长控制节点c处的“绿灯”，而不考虑a的车流量情况。而采用本技术中的方法，同样的，当节点a的车流量很大的情况下，确定节点a
→
节点c的边权0.9，那么表明节点a对节点c具有比较大的关联影响，则控制设备可以适当延长节点c处的“绿灯”的时长，从而避免节点c处的车辆拥堵。通过本技术中的方法可动态获悉节点间的相互影响关系，以提高了节点间空间关联关系的准确性，从而提高交通信号灯控制的准确性。
71.示例3、路径选择：
72.路径选择的目的是以最短时间获取从一个地点到达另外一个地点的最佳路径。路径选择需要考虑实时路况和节点间的影响关系(例如一个节点发生拥堵，会对另外一个节点造成影响)，因此准确的节点间的相互影响关系将有助于提升路径选择的效果。
73.例如，在一个例子中，拟以最短时长实现从节点a出发前往节点c(这里为了方便说明，出发地以节点a为例，目的地以节点c为例)，可能有a
→d→
c，a
→b→
c，a
→d→b→
c和a
→e→b→
c这四种路径。由于车辆在一条道路上的行驶时间与交通状况密切相关，因此需要分析节点d、节点b、节点e及路段ad、ab、ae、db、eb、dc、bc的在未来时间点的交通状况，而交通状况(例如，拥堵)是随时间变化的，且具备显著的传导性，因此需要考虑节点间的相互影响关系。相对于传统方法，本技术中“有向”、“动态”和“非01”的逻辑交通网络可以准确的反映节点间动态的相互影响关系，提高路径选择的准确率。
74.在对本技术实施例进行说明之前，为了更好的理解本技术，首先对本技术中涉及的词语进行说明。
75.首先，关于“节点”和“边”的说明：其中，节点代表实际物理交通中的路口位置、各种传感器(如速度传感器)的位置或交通流检测器的位置等。本技术中，该节点以代表路口为例进行说明。边代表节点和节点之间的路径。
76.然后，关于交通网络中的“静态数据”和“动态数据”的说明。
77.静态数据是指在一个持续时间段内，不会随着时间的变化而发生改变的数据。例如，节点的地理坐标，路口间的连接关系、道路的等级、道路的长度及宽度等。
78.请参阅图2所示，该静态数据以道路之间的长度为例进行说明。静态数据为道路长度邻接矩阵。在道路长度邻接矩阵中，若两个节点直接相连，则这两个节点之间的边权就为道路长度值。若两个节点不直接相连或不相连，则这两个节点之间的边权为0。以a-e这5个节点为例，节点a和节点b之间的道路长度为150m，在邻接矩阵中节点a和节点b之间的边权为“150”。又如，节点a和节点c之间不直接连接，节点a和节点c之间的边权为“0”。再如，节点c和节点e之间没有道路连接，在邻接矩阵中节点c和节点e之间的边权为“0”。
79.动态数据(即交通时序数据)指随着时间和/或空间变化而动态变化的数据，交通时序数据是指在多个连续的时间单元(也称为时间粒度)，多个节点对应的交通流量数据，该交通流量数据(如车辆数据)包括但不限定于车流量、车辆平均速度、车流密度、车辆拥堵程度等。
80.该交通流量数据以车流量为例进行说明，交通时序数据如下表1所示：
81.表1
[0082][0083]
如上述表1所示，一个时间单元以5分钟为例，连续的时间单元如：00:00-00:05为第一个时间单元，00:05-00:10为第二个时间单元等。
[0084]
以a至e这5个节点为例，这5个节点的交通时序数据如上表1中矩阵的形式表示。例如，第二行第二列的值为“5”，表示在2020年8月29日，00:00-00:05之间有5辆车通过路口a(对应节点a)。又如，第三行第三列的值为“2”，表示在2020年8月29日，00:05-00:10之间有2辆车通过路口b(对应节点b)等，此处不一一赘述说明。表1中的数据仅是示例性说明，并不造成对本技术的限定。
[0085]
并且，从上表1可以看出，随着时间的变化，经过同一个路口的车流量是不同的。例如，在早高峰时期(如08:00-08:05)车流量大，而在夜间(如00:00-00:05)车流量比较小。即交通流量数据是随着时间的变化而会发生变化的。
[0086]
从上表1还可以看出，在同一个时间单元，在不同的路口，车流量也是不同的。例如，在08:00-08:05这个时间单元内，经过路口b(对应节点b)的车流量为200，而经过路口e(对应节点e)的车流量为58，即在同一个时间单元内，经过不同的路口的车流量也是会不同的。即交通流量数据是随着空间的变化而会发生变化的。
[0087]
交通流量数据以车辆平均速度为例进行说明，交通时序数据如下表2所示：
[0088]
表2
[0089][0090]
与上表1类似，时间单元以5分钟为例，节点以a至e这5个节点为例，经过这5个节点的车辆平均速度如上表2中矩阵的形式表示。例如，第二行第二列的值为“80”，表示在2020年8月29日，00:00-00:05之内，经过路口a(对应节点a)的所有车辆的平均车速为80km/h。再如，第三行第三列的值为“90”，表示在2020年8月29日，00:05-00:10之内，经过路口b(对应节点b)的所有车辆的平均车速为90km/h等，对于表2中的内容，此处不一一赘述说明。表2中的数据仅是示例性说明，并不造成对本技术的限定。
[0091]
下面对本技术提供一种构建交通网络的方法的一个实施例进行说明，该方法可以应用于电子设备。该电子设备可以为服务器，或者，该电子设备也可以为终端设备，其中，终端设备可以为电脑，个人计算机(personal computer，pc)，或计算机系统等电子设备。该方法的执行主体为电子设备；或者，该方法的执行主体可以为电子设备中的处理器；或者，该方法的执行主体可以为电子设备中的芯片等，本实施例中，该方法的执行主体以电子设备为例进行说明。
[0092]
请参阅图3所示，本技术提供的一种构建交通网络的方法的一个实施例包括：
[0093]
步骤301、电子设备确定目标地理区域的第一位置节点和第二位置节点。
[0094]
在一种可能的实现方式中，电子设备可以根据目标地理区域确定目标地理区域内的多个节点，该多个节点包括第一位置节点和第二位置节点，第一位置节点和第二位置节点为多个位置节点中的任意位置节点。例如，该目标地理区域可以为某一个城市(如深圳市)或多个城市；或者，目标地理区域可以为城市中的区(如深圳市南山区)；或者，该目标地理区域可以为街道；或者，该目标地理区域可以为用户自定义的区域范围等，例如，电子设备接收用户输入的多个地理位置。例如，请参阅图4所示，电子设备接收5个地理位置，电子设备可以将这5个位置依次连接，获取到多个区域，将多个区域中面积最大的区域作为目标地理区域。在该种实现方式中，可以不区分地理区域内的路段的类型，将该目标地理区域内
的所有路口(或称为“交叉口”)作为交通网络中的节点。本示例中，可以根据用户(交通管理人员)的具体需求确定多个节点，具有灵活性。可选地，电子设备还接收用户输入的网络规模参数。例如，该网络规模参数为在一个目标地理区域内的100个节点，可以实现对局部的交通网络进行优化，从而对需要监控的节点进行有效监控。
[0095]
在第二种可能的实现方式中，电子设备可以根据目标地理区域及路段类型确定多个节点。例如，路段类型包括但不限于高速公路和城市公路。或者，按照公路的等级，公路包括高速公路，一级公路，二级公路，三级公路等等。示例性的，电子设备可以接收输入的目标地理区域及路段类型。例如，目标地理区域为“深圳”，路段类型为“城市公路”。那么，电子设备将“深圳”内的所有“城市公路”的路口作为该构建交通网络中的节点。本示例中，多个节点可以根据待构建的交通网络具体的应用场景进行确定，具有灵活性。例如，当待构建的交通网络为城市路网时，那么将城市路网中的路口作为交通网络中的节点，当待构建的交通网络为高速路网时，那么将高速路网中的路口作为交通网络中的节点。
[0096]
在第三种可能的实现方式中，该多个节点可以是用户(如交通管理人员)选定的节点。例如，在某一个路段的某些路口是事故高发区，或者，这些路口可能是交通拥堵的重点区域，用户可以根据交通管理的目的选择多个节点，即电子设备可以接收用户选择操作，根据该选择操作确定用户选择的多个节点。本示例中，用户可以根据实际需要选择监控的节点，灵活性高。
[0097]
在第四种可能的实现方式中，该多个节点可以全部都为关键节点，或者多个节点中有部分节点为关键节点。该关键节点是指在交通网络中对交通管理的影响较大的节点。电子设备还可以获取所述多个节点对应的静态数据，然后，基于静态数据和/或交通时序数据识别关键节点。不需要计算全部节点间的熵，从而降低计算量，节省算力。识别关键节点的方式可以包括：一个示例中，该关键节点可以是根据网络中交通时序数据确定的。例如，关键节点为在某一个时段内车流量大于一个阈值的节点。另一个示例中，关键节点可以是根据网络中静态数据确定的。例如，电子设备可以根据一个路口所连接的路径(如包括车道和非车道)的数量，或车道的数量来识别关键节点，当路口的路径(或车道)的数量大于一个阈值，则判定该路口为关键节点。在另一个示例中，请参阅图5所示，电子设备可以根据路口的入度和/或出度来识别关键节点。例如，当某一个路口的入度和/或出度大于或者等于一个阈值，则该路口对应的节点为关键节点。其中，一个节点的入度是指以这个节点为终点的有向边的数量。一个节点的出度是指以这个节点为起点的有向边的数量。如图5所示，以节点a为终点的有向边只有f1，所以节点a的入度是1。以节点a为起点的有向边有f2和f3，所以节点a的出度是2。本示例中，对于关键节点的识别的方法仅是示例性说明，具体的关键节点的识别方法并不限定。
[0098]
示例性的，本步骤中电子设备确定目标地理区域中的多个位置节点，在本步骤和后续步骤中，为了方便说明，仅以第一位置节点和第二位置节点为例进行说明。
[0099]
步骤302、电子设备获取第一位置节点和所述第二位置节点对应的交通时序数据，所述交通时序数据为：在多个连续的时间单元，对应位置节点的交通流量数据。
[0100]
采集交通时序数据的方法包括但不限于：通过安装在各路口的各种传感器采集交通流量数据。例如，感应线圈检测、微波检测和视频检测等方法，传感器将实时采集的数据发送至数据处理中心，数据处理中心可以根据该交通流量数据生成如表1和表2的交通时序
数据。电子设备可以接收该数据处理中心发送的多个节点的交通时序数据。
[0101]
该交通时序数据是指连续的时间单元对应的交通流量数据，该交通流量数据可以为车流量、车辆平均速度和车辆密度中的至少一个。其中，车流量可以反映路段的拥堵程度。车辆密度可以反映车流中车辆之间的间距。车辆平均速度可以反映车辆运行的快慢。
[0102]
交通时序数据可以为一维数据，或者，也可以为多维数据等，具体的并不限定。例如，若交通时序数据为一维数据，示例性的，请参阅上述表1或表2所示。若交通时序数据为二维数据，例如，该二维数据如下表3所示：
[0103]
表3
[0104][0105]
如上表3所示，针对节点a，第二行的数据为车辆平均速度数据，第三行的数据为车流量数据，交通时序数据为车辆平均速度数据和车流量数据组成的二维数据，需要说明的是，表3仅为示例性说明，并不造成对本技术的限定。
[0106]
步骤303、电子设备基于所述第一位置节点和所述第二位置节点的交通时序数据计算所述第一位置节点到所述第二位置节点的熵；所述熵用于指示所述第一位置节点到所述第二位置节点的有向边权。
[0107]
以5个节点为例，第一位置节点到所述第二位置节点为5个节点中的任意两个节点，例如，第一位置节点为节点a，第二位置节点为节点b，或者，第一位置节点为节点b，第二位置节点为节点a等等。电子设备可以确定节点a与其他4个节点中每个节点的熵，如节点a
→
节点b的熵(或称为“熵”)，节点a
→
节点c的熵，节点a
→
节点d的熵及节点a
→
节点d的熵。同理，电子设备计算节点b与其他4个节点中每个节点的熵。例如，节点b
→
节点a的熵，节点b
→
节点c的熵等等，此处不一一赘述举例。该邻接矩阵中包括所有节点中任意两个节点的有向边权。
[0108]
需要注意的是，这里“节点a
→
节点b”的熵和“节点b
→
节点a”的熵可能是不相等的，即本技术中的任意两个节点之间的边权是“有向”的，且该任意两个节点之间的边权是“非01”边权。请参阅图6所示，节点a
→
节点b的边权为“0.73”，而节点b
→
节点a的边权为“0.9”。再如，节点a
→
节点c的边权为0.71，而节点c
→
节点a的边权为0.6。
[0109]
该有向的边权用于反映一个节点对另一个节点(或者“一个节点到另一个节点方向上”)的关联关系(或影响程度)，边权的值越大，表明影响程度越大，即该影响程度可以用数值量化表示。如“0”表示无影响，“1”表示影响程度最大。边权为大于等于0，且小于等于1的数值。例如，节点a
→
节点c的边权为0.71，而节点a
→
节点e的边权为0.66，节点a对于节点c的影响程度大于节点a对节点e的影响程度。例如，在一个应用场景中，在某一个时间单元，经过路口a(对应节点a)的车辆共有10辆，从路口a经过的车辆可能有6辆驶入路口b(对应节点b)，而有4辆驶入了路口e(对应节点e)，也就是说，在该时间单元，节点a对于节点b的影响程度大于节点a对于节点e的影响程度。
[0110]
本技术实施例中，计算两个节点之间的熵的方法包括但不限定于互信息、条件熵、传递熵和因果熵等，本实施例中，计算两个节点之间的熵以因果熵为例进行说明，因果熵的计算公式如下式1所示：
[0111]cy
→
x|z
＝i(x
t+τ
；y
t
|z
t
)，
ꢀꢀ
式1
[0112]
其中，cy→
x|z
表示节点y到节点x的因果熵；x
t
表示x节点的交通时序数据，y
t
表示节点y的交通时序数据，z表示针对x的条件集，i(*)表示x
t+τ
，y
t
在条件变量z
t
的条件互信息，t表示时间单元，τ表示时滞。其中，时滞可以理解为时间滞后。例如，路口a到路口b之间是有一定距离的，车辆从路口a驶入到路口b也是需要一定时间的，例如路口a在某个时间单元的车流量非常大，经过路口a的大部分车辆都会驶入路口b，显然，路口a对路口b是有影响的。通过τ来表示一个节点对另一个节点影响的传导时长。
[0113]
本示例中，节点x也可以称为“子节点”(或目标节点)，节点y也可以称为“父节点”，cy→
x|z
表示“父节点”到“子节点”的熵。
[0114]
示例性的，电子设备计算因果熵的方法如下：
[0115]
s11、随机选择x为子节点(例如，节点a)，z为x的条件集，初始化z＝x。
[0116]
s12、计算节点x与其他节点y，在条件集z下的因果熵，选择使因果熵最大的节点，并将使因果熵最大的节点依次加入到z，直到没有节点使因果熵大于0。
[0117]
例如，节点x以节点a为例，其他节点y为节点b、节点c、节点d和节点e中的任一节点。当条件集z仅包括节点a时，分别计算节点a与节点b的因果熵，节点a与节点c的因果熵，节点a与节点d的因果熵，节点a与节点e的因果熵，若此时，节点a与节点b的因果熵最大，则将节点b加入到条件集z。
[0118]
然后，进行迭代计算，当条件集z包含节点a和节点b的情况下，计算节点a和节点c的因果熵，计算节点a和节点d的因果熵，计算节点a和节点e的因果熵，若此时，节点a与节点c的因果熵最大，则继续将节点c加入到条件集z，以此类推。若最后条件集中包含的节点为节点a、节点b和节点c。且每个节点加入到条件集z中的顺序为节点b、节点c。
[0119]
s12的步骤的目的在于：初步筛选子节点a的父节点，即通过该步骤保留了可能是节点a的父节点的节点，滤除不是a节点的父节点的节点。
[0120]
s13、按照每个节点加入到z中的顺序，计算从条件集中取出节点y后，x与y的因果熵的大小，若因果熵小于0，则从z中删除y，若因果熵大于或者等于0，则保留节点y。
[0121]
例如，首先，从z中取出节点b，此时，z中包括节点a和节点c，再计算节点a和节点b的因果熵，若节点a和节点b的因果熵小于0，则从z中将节点b删除。若节点a和节点b的因果熵大于或者等于0，则将节点b保留在z中(本示例中，以保留节点b为例)。然后，从z中取出节点c，此时，z中包括节点a和节点b。再计算节点a和节点c的因果熵，若节点a和节点c的因果熵小于0，则从z中将节点c删除；若节点a和节点c的因果熵大于或者等于0，则将节点c保存在z中，在此过程中未被删除的节点即为子节点a的父节点，其熵即为父节点在条件集z下的与子节点a之间的因果熵。
[0122]
s13的步骤的目的在于：滤除子节点a的假父节点，并计算子节点a与其真父节点之间的因果熵。
[0123]
z中包括的节点即为节点x(节点x以节点a为例)的父节点。例如，z中包括节点b。节点b到节点a的熵为0.9。
[0124]
可以理解的是，节点x，节点y和z都为变量。在实际的计算过程中，首先可以选择节点a作为节点x(即“子节点”)，分别计算其他节点到节点a的熵。然后，继续回到步骤s11，重复步骤s11-s13，再将随机选择的节点b为作为节点x(即“子节点”)，计算节点b的父节点，及其他节点(如节点a、节点c、节点d和节点e)到节点b的熵。继续将其他节点(如节点c和节点d等)作为子节点计算熵，从而循环计算节点间的熵。
[0125]
通过计算每两个节点之间的熵，可以直接剔除不存在关联关系的节点。例如，在因果熵计算中，以节点a为子节点，若节点c和节点a之间的熵小于0，则将节点c从z中删除，节点a的父节点就不会有节点c。
[0126]
在一个可选的示例中，电子设备在步骤303之前，即计算节点间的熵之前，还可以包括：电子设备还可以获取构建参数(或者也可以称为“网络构建参数”)。电子设备基于交通时序数据和网络构建参数构建交通网络。
[0127]
网络构建参数用于构建交通网络(可以理解为，获取交通网络的拓扑结构(即交通数据))，该网络构建参数包括第一参数和/或第二参数。其中，第一参数可以理解为用于计算熵的内部参数，如第一参数是需要代入到熵公式(如公式1)中的参数。需要说明的是，计算熵的方法不同，用于计算熵的第一参数有所不同。示例性的，熵以因果熵为例，如上述公式1所示，第一参数以时滞为例。电子设备可以根据任意两个节点对应的交通时序数据及时滞通过上述公式1计算所述任意两个节点的熵。
[0128]
第二参数可以理解为用于控制计算熵的外部控制参数。第二参数包括但不限定于熵变化周期、交通时序数据的数据量等。熵变化周期(如用t表示)用于指示计算所述熵的时间长度，t＝nt。其中，t表示一个时间单元(如5分钟)，n表示时间单元的数量(如n为10)，则熵变化周期为50分钟，即电子设备根据熵变化周期更新邻接矩阵，如邻接矩阵50分钟更新一次。即交通网络可以是根据熵变化周期动态更新的，从而为交通管理提供最新的基础数据。
[0129]
在一个可选的示例中，对于“获取网络构建参数”的方法可以包括两种方式：
[0130]
第一种方式中，电子设备接收用户输入的网络构建参数。该网络构建参数可以根据经验值直接设定的。例如，电子设备可以接收用户输入的时滞参数和熵变化周期，从而进行熵计算。相对于下述第二种实现方式，该第一种方式中，可以减少参数选择模型的计算量，电子设备计算量大幅降低，提高计算速度。
[0131]
第二种方式中，电子设备将各节点的第一数据输入到参数选择模型，通过参数选择模型输出网络构建参数。该第一数据包括交通网络的类型标识和用于确定熵所使用的设置参数，可选地，第一数据还可以包括交通时序数据的数据特征。其中，类型标识用于指示待构建的交通网络的类型。该交通网络的类型的具体划分方式并不限定，如在一种划分方式中，当标识为“00”时，该“00”指示网络类型为“高速公路网络”，当标识为“01”时，该“01”指示网络类型为“城市公路网络”等。在另一种划分方式中，按照行政级别等级分为“国道”、“省道”和“县道”，例如，当标识为“11”时，该“110”用于表示“国道”；当标识为“100”时，该“100”用于表示“省道”；当标识为“111”，该“111”用于表示“县道”等。设置参数包括但不限定于时滞参数，各类阈值(如步骤s12和s13中用于计算因果熵的各阈值)等。
[0132]
可选地，该设置参数还可以包括用于构建交通时序的参数，如交通时序数据的目标时间长度(或数据量)、交通时序数据的时间粒度，时间迟滞和其他参数(如邻居阶数)。其
中，数据量为用于计算在目标时刻时节点之间熵的数据量。如请参阅表4进行理解，若目标时刻为08:00，则可以使用在08:00之前1h内的数据量计算在当前时刻(如公式1中的t)的节点之间的熵，该1h的交通时序数据如下表4所示：
[0133]
表4
[0134][0135]
确定了交通时序数据的目标时间长度，既确定了用于计算两个节点熵的数据量，如上表4所示，如目标时间长度为1h，该目标时间长度对应的交通流量数据既可以保证计算节点之间的熵的数据量，又可以避免计算全部交通流量数据从而节省算力。
[0136]
时间粒度为：交通时序数据中交通流量数据对应的一个时间单元，例如，本实施例中该时间粒度为5min。
[0137]
交通时序数据的数据特征包括但不限于交通流量数据的类型(如车流量、车辆平均速度)，交通时序数据的维数(如是一维数据，还是多维数据)。
[0138]
可以理解的是，“设置参数”可以包括用于计算熵的可以用户设置的所有或部分参数，网络构建参数包括用于构建交通网络的各种参数。通过参数选择模型构建第一数据和“网络构建参数”的映射关系。“设置参数”和“网络构建参数”中可能会有部分参数是相同的。例如，输入的设置参数中可以包括时滞参数，参数选择模型输出的网络构建参数中也可以包括时滞参数，但是针对同一个参数输入的参数值和输出的参数值不同，经过参数选择模型的自适应选择后，输出的参数值是更适合应用场景的参数值。本示例中，第一数据中具体包括哪些参数，可以根据具体的应用场景或交通网络的类型确定，具体的并不限定。
[0139]
本示例中，利用参数选择模型输出网络构建参数，实现网络构建参数自适应的选择。不需要人为的不断尝试进行参数选择，通过参数选择模型自适应输入网络构建参数，提高选择网络构建参数的效率。该参数选择模型可以是离线预先训练的，或者，该参数选择模型可以是在线训练的。
[0140]
步骤304、电子设备根据所述第一位置节点到所述第二位置节点的有向边权确定目标地理区域的交通数据。
[0141]
请参阅图6所示，电子设备根据多个节点及多个节点之间的熵生成拓扑结构。可以将两个节点之间的熵作为两个节点间的边权。该交通网络的拓扑结构可以以邻接矩阵为例进行说明。邻接矩阵是指用一个二维数组存放节点间关系的数据，本技术实施例中的邻接矩阵为有向图邻接矩阵。由于本技术中的边权是有向边权，w[h][q]表示从节点h到第节点q
的边权。
[0142]
如图6中所示出的邻接矩阵，该邻接矩阵中，第一行和第一列均为节点标识。例如，可以以第一行内的节点为目标节点(或也可以称为“子节点”)，以第一列内的节点为“父节点”，计算两个节点的熵的方向为“父节点”到“子节点”。例如，节点a
→
节点b的熵w[a][b]为“0.73”(即第二行第三列的值)，即节点a
→
节点b的边权为“0.73”；节点b
→
节点a的熵w[b][a]为“0.9”(即第三行第二列的值)，即节点b
→
节点a的边权为“0.9”；节点a
→
节点d的熵w[a][d]为“0.79”(即第二行第五列的值)，即节点a
→
节点d的边权为“0.79”等，邻接矩阵中的值此处不一一举例。
[0143]
本技术实施例中，构建的交通网络的拓扑结构可以以邻接矩阵为表现形式，在该邻接矩阵中，任意两个节点之间的边权是“有方向”的，如节点a
→
节点b的边权和节点b
→
节点a是不同的，而边权可以用于指示两个节点的关联程度(或影响程度)，通过熵表示的边权可以更准确的表示出是一个节点对另一个节点的关联程度，例如，节点a对节点b的影响程度是“0.73”，而节点b对节点a的影响程度却是“0.9”。
[0144]
并且，本技术中，不直接相连的两个节点之间也可能存在边权，如节点a
→
节点c的边权为“0.71”，节点c
→
节点a的边权为“0.6”。即通过本技术中构建的交通网络可以明确表示出非直接连接的两个节点之间的关联关系(或影响程度)，该交通网络是基于交通网络中的动态数据得到的，更能反映节点间的真实联系关系。通过该交通网络可以更准确的为交通管理提供数据基础。
[0145]
在一个可选的示例中，多个节点包括第一节点和第二节点，第一节点和第二节点为多个节点中的任意节点，当第一节点到第二节点的熵大于第一阈值时，则直接将该熵作为第一节点到第二节点的边权。可以理解为，第一节点(如节点a)对第二节点(如节点b)是有影响的，熵越大，则第一节点对第二节点的影响程度越大。当第一节点对第二节点的熵小于或者等于第一阈值时，则将所述第一节点到所述第二节点的有向边权设置为预设值(如0)，该预设值用于指示第一节点对第二节点无因果关系(无关联关系)或因果关系弱。例如，该第一阈值为0.4，若节点a
→
节点e的熵为0.3，则表明节点a对节点e的影响程度弱，则可以将输出的邻接矩阵中节点a
→
节点e的边权设置为0，从而可以使得在后续交通管理在使用该邻接矩阵时，可以减少计算量。
[0146]
在一个可选的示例中，电子设备可以利用网络骨干提取方法提取多个节点中的骨干节点及骨干节点间的有向边权，然后基于骨干节点及所述骨干节点间的有向边权构建交通网络。可以理解为：电子设备去除邻接矩阵中的冗余节点及冗余的边权信息，得到精简之后的稀疏动态邻接矩阵。稀疏邻接矩阵为去除了冗余节点及冗余的边权信息的矩阵，可以节省存储空间。
[0147]
网络骨干提取方法的一个示例，通过介数中心度的方法去除交通网络中的冗余节点及冗余边。线路的介数中心度描述的是经过该条边的最短路径数与路网中全部最短路径数的比值，线路介数中心度越高，表明该线路在路网结构中的相对中心程度越大，该线路与网络中其余线路的联系越紧密，可以认为该指标体现的是该线路在全网中的重要性，因此，可以根据线路在网络结构中的中心性确定线路的重要程度。
[0148]
[0149]
其中，cm为线路m的介数中心度；n为网络节点总数；n
jk
为节点j与节点k之间最短路径的数量，n
jk
(p)为节点j和节点k之间包含了线路m的最短路径数量。
[0150]
保留cm大于或者等于阈值的骨干线路，或者，去除cm小于阈值的冗余线路。该冗余线路的两个端点即为冗余节点。交通网络的骨干线具有骨架作用，可以采用式2的方式反映线路在交通网络中的承载能力。需要说明的是，本示例中，可以是基于冗余线路确定冗余节点，当然也可以通过其他提取网络骨干的方法先确定冗余节点，即可以确定冗余节点之间的冗余线路(即冗余边)，具体的方式本实施例中并不限定。
[0151]
在一个可选的示例中，在计算节点之间熵的过程中，对于多个节点间的熵计算可以并行处理。示例性的，熵是“有向”的，任意节点都会作为“父节点”，从而计算“父节点”到其他节点(子节点)的熵。如计算节点a与其他节点(如节点b、节点c、节点d和节点e)间的熵，和计算节点b与其他节点(如节点a、节点c、节点d和节点e)间熵并不冲突，因此可采取并行计算，将任意一节点作为“父节点”，并行计算每个“父节点”到其他节点之间的熵，从而可以大幅加快计算速度。
[0152]
同时，若无任何约束条件，则需计算任意一个节点与剩余所有节点之间的熵，当节点数量较多时，其计算量大，会降低计算速度。故而，电子设备可以根据静态数据(如路径长度，地理连接关系等)有选择的计算部分节点之间的熵，从而降低计算量。
[0153]
例如，多个节点可以还包括第三节点和第四节点，第三节点和第四节点为多个节点中的任意两个节点，获取第三节点和第四节点的静态数据，然后可以根据所述静态数据判定是否计算所述第三节点和第四节点间的熵。当所述静态数据小于或者等于第四阈值时，判定需要计算所述第三位置节点到所述第四位置节点的熵。当根据所述静态数据判定需要计算所述第三节点到第四节点的熵时，电子设备基于第三节点对应的交通时序数据和第四节点对应的交通时序数据计算所述第三节点和所述第四节点之间的熵。
[0154]
示例性的，由于地理空间的限制，节点间关联程度随着距离增加而降低。例如，在一个例子中，在路网中包括节点a、节点b、节点c、节点d和节点e，从节点a驶出的部分车辆(如50辆)驶入节点b，这50辆车中的部分车辆(如30辆)从节点b驶入到节点c，这30辆车中的部分车辆(如20辆)从节点c驶入到节点d等，显然，节点a的车流量对于节点b的影响会大于节点a对节点c或节点d的影响。
[0155]
在一种实现方式中，可以根据第三节点(如节点a)和第四节点(如节点c)之间的道路长度来判定是否计算第三节点和第四节点之间的熵。例如，若第三节点和第四节点之间的路径长度大于第四阈值，则不需要计算第三节点和第四节点之间的熵；若第三节点和第四节点之间的路径长度小于或者等于第四阈值，则计算第三节点和第四节点之间的熵。需要说明的是，该第三节点和第四节点可以是直接相连的节点，也可能是不直接相连的节点，例如，第三节点为节点a，第四节点为节点c，节点a和节点c通过节点b连接，如节点a与节点b之间的路径长度为100m，节点b与节点c之间的路径长度为120m，节点a和节点c之间的路径长度就为220m。
[0156]
在另一种实现方式中，可以根据第三节点和第四节点之间的地理连接关系判定是否计算第三节点到第四节点的熵。该地理连接关系可以用“邻居阶数”表示，邻居阶数用于指示两个节点之间的距离。如图7所示，节点a和节点b是直接相连的，即节点b和节点a之间有一条边，则节点b距离节点a的邻居阶数是1；节点c与节点a之间间隔一个节点，即节点c和
节点a之间存在2条边，则节点b距离节点a的邻居阶数是2；节点a和节点d通过两个节点(节点e和节点f)相连，即节点d与节点a之间存在3条边，则节点d距离节点a的邻居阶数是3等等，以此类推，该邻居阶数可以与两个节点之间的存在的边的数量相同。当判定第三节点和第四节点之间的邻居阶数大于第五阈值(如2阶数)时，则不需要计算第三节点和第四节点之间的熵；当判定第三节点和第四节点之间的邻居阶数小于或者等于第五阈值时，则计算第三节点到第四节点的熵。
[0157]
可选地，步骤305、电子设备基于评价指标对所述交通数据的进行评价，得到评价结果。
[0158]
该评价指标包括两个类别，其中，第一类评价指标用于评价交通网络的特性。第二类指标用于为交通管理的应用场景(例如，路径规划，信号灯控制等)的准确率进行评价。
[0159]
示例性的，对第一类评价指标进行说明：该第一类评价指标包括但不限定于实体物理网络和构建的交通网络的拓扑重合度比例或网络效率。
[0160]
一个示例中，如当评价指标为拓扑重合度比例时，可以基于静态数据(如路口地理坐标和节点之间的路径长度等)确定实体物体网络的拓扑结构。如请再次参阅图6所示，构建的邻接矩阵中，节点a与其他节点(如节点b、节点c、节点d和节点e)的边权均大于第一阈值，则表明节点a对其他节点都具有影响，并且可以根据节点a对其他节点的边权来判定其他任意一个节点与节点a的距离关系，节点a到一个节点的边权越大，表明节点a与该节点的距离越近。举例来说，节点a对节点b的熵(或边权)为0.73，节点a对节点c的边权为0.71，节点a对节点d的边权为0.79，节点a对节点e的边权为0.66。按照两个节点的距离越近，两个节点之间的熵可能越大的原则，构建的交通网络中多个节点的位置可能为：节点a与节点b和节点d的距离较近，节点a与节点c和节点e的距离相对较远等。根据实体物理网络中各节点的位置及距离与构建的交通网络中的各节点的位置及距离判断实体物理网络和构建的交通网络的拓扑重合度比例。若实体物理网络与构建的交通网络的拓扑重合度比例大于第六阈值，则表明该构建的交通网络合理。若拓扑重合度比例小于或者等于第六阈值，则表明构建的交通网络可能不合理，则可以重新选择网络构建参数并重新构建交通网络。
[0161]
另一个示例中，当评价指标为网络效率时，可以通过如下式3评价网络效率：
[0162][0163]
其中，e
glob
表示网络效率，n表示节点数量，ei→j表示节点i到节点j的边权。
[0164]
当e
glob
大于第七阈值时，表明构建的交通网络合理，当e
glob
小于或者等于第七阈值时，表明构建的交通网络可能不合理。
[0165]
需要说明的是，上述两个示例中的评价指标及评价方法仅是为了方便理解进行的示例性说明，并不造成对本技术的限定。
[0166]
示例性的，对第二类评价指标进行说明：基于应用场景来评价所构建的交通网络合理性，如该评价指标为车流量预测的准确率等。例如，该应用场景为车流量预测，将构建的交通网络(即邻接矩阵)输出至交通管理平台。若基于构建的交通网络对车流量预测的准确率大于第七阈值，则表明构建的交通网络合理。若车流量预测的准确率小于或者等于第七阈值，则表明构建的交通网络可能不合理，则可以调整网络构建参数(如接收输入的网络构建参数或基于参数选择模型自适应选择网络构建参数)并重新构建交通网络。需要说明
的是，通常情况下根据不同的应用场景对应的网络构建参数不同。
[0167]
在一个可选的示例中，对该参数选择模型的训练方法进行说明：
[0168]
第一种实现方式中，训练的样本数据量充足，该参数选择模型可以是离线训练的。样本数据集中包括样本数据，每个样本数据包括输入参数和标签。其中，输入参数可以包括：类型标识和设置参数，可选地，输入参数还可以包括交通时序数据的数据特征。标签为网络构建参数。在第一种实现方式中，训练样本数量充足的情况下，将样本数据集输入到第一模型(如随机森林模型)，对随机森林模型进行训练，得到参数选择模型。本示例中，训练样本数据充足，参数选择模型精度较高。
[0169]
第二种实现方式中，训练的样本数据量较少时，需要构建样本库，并在线训练该参数选择模型。
[0170]
请参阅图8所示，当样本数据量较少时，对该参数选择模型的训练可以主要包括两个部分，其一，样本库的制造过程，即下述s21-s29。其二，基于制造好的样本库中的大量样本对参数选择模型进行训练，即下述s30。对参数选择模型进行训练的方法的执行主体与构建交通网络的方法的执行主体为相同电子设备，或者，也可以为不同电子设备。具体的并不限定。
[0171]
首先，样本库的样本制造过程：
[0172]
s21、判断样本库中样本的数量是否小于第三阈值(如用n1表示)。若样本的数量小于第三阈值，则执行步骤s22；若样本的数量大于或者等于该第三阈值，则执行步骤s23。
[0173]
s22、随机生成样本。该样本包括输入参数向量(x)和网络构建参数向量(y)；继续执行步骤s24。
[0174]
s23、基于生成式对抗网络(generative adversarial networks，gan)生成新样本。继续执行步骤s24，并重复执行步骤s21-s23。
[0175]
当样本库中已经包含了一定数量的样本时，可以使用gan基于该一定数量的样本而快速进行样本制造。
[0176]
首先，简要说明gan：gan包括生成模型(generative model，g)和判别模型(discriminative model，d)，生成模型用于生成一个类似真实训练数据的样本，目标是越像真实样本越好；判别模型是一个二分类器，用于估计一个样本来自于真实训练样本的概率，若判别模型估计样本来自于真实的训练样本，判别模型输出大概率。若判别模型估计样本来自于生成模型生成的样本，则判别模型输出小概率。可以理解为，生成模型的目标是想方设法生成和真实样本一样的样本，使得判别模型判别不出来。而判别模型的目标是想方设法检测出来生成模型生成的样本。通过g和d的对抗与博弈，使得gan生成的样本接近真实的样本，从而可以得到大量的用于训练参数选择模型的样本。
[0177]
然后，本示例中当样本库中的样本数量大于n1时，启动gan制造新样本的原因是，该一定数量(即大于n1)的真实样本用于对gan进行优化，从而提高gan的准确率。可以理解的是：当固定g的时候，对于d进行优化。当输入样本库中的样本数据(即真实数据)，d优化网络结构使自己输出1。当输入来自g生成的数据时，d优化网络结构使自己输出0。当固定d的时候，g优化自己的网络使自己输出尽可能和真实数据一样的样本，并且使得生成的样本经过d的判别之后，d输出高概率。
[0178]
可选的，该步骤中基于gan的样本制造可替换为元学习、强化学习等具有反馈机制
的学习方法。
[0179]
s24、基于交通时序数据和网络构建参数向量(y)，计算节点间熵，并基于该节点间的熵构建交通网络。
[0180]
此步骤参阅上述步骤303-步骤304的说明，此处不赘述。
[0181]
s25、基于评价指标对所述交通网络的进行评价，得到评价结果。
[0182]
此步骤请参阅上述步骤305的说明，此处不赘述。
[0183]
s26、判断评价结果是否优于第二阈值。当评价结果优于第二阈值时，执行步骤s26。
[0184]
s27、当评价结果优于第二阈值时，将该生成的样本放入样本库。
[0185]
s28、当评价结果劣于第二阈值时，则放弃该生成的样本。
[0186]
s29、判断样本库中的样本数量是否大于第四阈值(如用n2表示)，当样本库中的样本数量大于第四阈值时，则执行s30；若样本库中的样本数量小于或者等于第四阈值时，则执行步骤s21。
[0187]
s30、通过样本库中的大量样本对第一模型进行训练，得到参数选择模型。
[0188]
当样本库中的样本数量充足时，可以通过样本库中的大量样本对参数选择模型进行训练。该第一模型包括但不限定于随机森林，xgboost、lightgbm等机器学习模型。
[0189]
当基于生成对抗网络(gan)的新样本制造的样本数量大于一定数量n2，则可基于样本库，对第一模型进行训练，以实现输入参数向量(x)和网络构建参数向量(y)映射，得到参数选择模型。
[0190]
可以理解的是，上述制造样本库和参数选择模型的训练过程为在线训练过程，上述步骤s24对应图3对应的示例中的步骤303-步骤304，而步骤s25对应图3对应的实施例中的步骤305。本实施例中，电子设备直接使用制造样本中的网络构建参数向量(y)参与节点间熵的计算及构建交通网络，然后，通过评价指标对构建的交通网络进行评价，就可以确定制造的样本中的网络构建参数向量(y)构建的交通网络是否合理，若构建的交通网络合理，才会将制造的样本放入样本库，从而可以保证制造的样本具有真实性，提高训练的参数选择模型的准确率。
[0191]
相应于上述方法实施例给出的方法，本技术实施例还提供了相应的装置，包括用于执行上述实施例相应的模块。所述模块可以是软件，也可以是硬件，或者是软件和硬件结合。图9给出了一种装置的结构示意图。所述装置900可以是电子设备，该电子设备可以是服务器，或者，该电子设备也可以是终端(如电脑、计算机系统等)，所述装置900也可以是支持电子设备实现上述方法的芯片、芯片系统、或处理器等，还可以是支持电子设备实现上述方法的芯片、芯片系统、或处理器等。该装置可用于实现上述方法实施例中描述的方法，具体可以参见上述方法实施例中的说明。
[0192]
所述装置900可以包括一个或多个处理器901，可以实现一定的控制功能。所述处理器901可以是通用处理器或者专用处理器等。处理器可以用于执行软件程序，处理软件程序的数据。
[0193]
在一种可选的设计中，处理器901也可以存有指令903，所述指令903可以被所述处理器运行，使得所述装置900执行上述方法实施例中描述的方法。
[0194]
在另一种可选的设计中，处理器901中可以包括用于实现接收和发送功能的收发
单元。例如该收发单元可以是收发电路，或者是接口，或者是接口电路。用于实现接收和发送功能的收发电路、接口或接口电路可以是分开的，也可以集成在一起。上述收发电路、接口或接口电路可以用于代码/数据的读写，或者，上述收发电路、接口或接口电路可以用于信号的传输或传递。
[0195]
可选的，所述装置900中可以包括一个或多个存储器902，其上可以存有指令904，所述指令可在所述处理器上被运行，使得所述装置900执行上述方法实施例中描述的方法。可选的，所述存储器中还可以存储有数据。可选的，处理器中也可以存储指令和/或数据。所述处理器和存储器可以单独设置，也可以集成在一起。例如，上述方法实施例中所描述的对应关系可以存储在存储器中，或者存储在处理器中。
[0196]
可选的，所述装置900还可以包括收发器905和/或天线906。所述处理器901可以称为处理单元，对所述装置900进行控制。所述收发器905可以称为收发单元、收发机、收发电路、收发装置或收发模块等，用于实现收发功能。
[0197]
本技术实施例中，所述处理器901用于读取所述至少一个存储器902所存储的计算机程序，使得所述装置900执行上述方法实施例电子设备所执行的方法，可进一步参考前述对应方法实施例中的相应描述，此处不赘述。
[0198]
所述装置具备实现本技术实施例描述的电子设备的功能，比如，所述装置包括电子设备执行本技术实施例描述的电子设备涉及步骤所对应的模块或单元或手段(means)，所述功能或单元或手段(means)可以通过软件实现，或者通过硬件实现，也可以通过硬件执行相应的软件实现，还可以通过软件和硬件结合的方式实现。
[0199]
可选的，本技术实施例中的装置中各个模块可以用于执行上述方法实施例中电子设备所执行的方法。请参阅图10所示，装置1000包括处理模块1001和获取模块1002，在一个设计中，处理模块1001和获取模块1002可以由上述图9对应的实施例中的处理器901执行。可选的，在另一个设计中，处理模块1001可以由上述图9对应的实施例中的处理器901执行，获取模块1002可以由上述图9对应的收发器905执行。
[0200]
处理模块1001，用于确定目标地理区域的第一位置节点和第二位置节点；
[0201]
获取模块1002，用于获取所述第一位置节点和所述第二位置节点对应的交通时序数据，所述交通时序数据为：在多个连续的时间单元，对应位置节点的交通流量数据；
[0202]
所述处理模块1001，还用于基于所述第一位置节点和所述第二位置节点的交通时序数据计算所述第一位置节点到所述第二位置节点的熵；所述熵用于指示所述第一位置节点到所述第二位置节点的有向边权，所述第一位置节点到所述第二位置节点的有向边权用于指示第一位置节点对所述第二位置节点的空间关联关系；
[0203]
所述处理模块1001，还用于根据所述第一位置节点到所述第二位置节点的有向边权确定所述目标地理区域的交通数据。
[0204]
处理模块1001用于执行上述图3对应的示例中的步骤301、步骤303-步骤305，图8对应的示例中的步骤s21-s30，详细请参阅上述方法实施例中的相应说明，此处不赘述。获取模块1002用于执行上述图3对应的示例中的步骤302，详细请参阅上述方法实施例中的相应说明，此处不赘述。
[0205]
具体的，所述处理模块1001，还用于获取构建参数，所述构建参数用于参与计算所述第一位置节点和所述第二位置节点之间的熵；基于所述交通时序数据和所述构建参数计
算所述第一位置节点到所述第二位置节点的熵。
[0206]
可选的，所述处理模块1001，还用于将第一数据输入到参数选择模型，通过所述参数选择模型输出所述构建参数；所述第一数据包括所述交通数据的类型标识和用于确定熵所使用的设置参数。
[0207]
可选的，所述获取模块1002，还用于获取所述第一位置节点和所述第二位置节点对应的静态数据；
[0208]
所述处理模块1001，还用于基于所述静态数据和/或所述交通时序数据识别所述第一位置节点和所述第二位置节点为关键节点。
[0209]
可选的，所述处理模块1001，还用于当所述第一位置节点到所述第二位置节点的熵小于或者等于第一阈值时，将所述第一位置节点到所述第二位置节点的有向边权设置为预设值，所述预设值用于指示所述第一位置节点对所述第二位置节点无关联关系。
[0210]
可选的，所述处理模块1001，还用于基于评价指标对所述交通数据的进行评价，得到评价结果；当所述评价结果劣于第二阈值时，调整所述构建参数。
[0211]
可选的，所述处理模块1001，还用于提取多个位置节点中的骨干节点及所述骨干节点间的有向边权，所述骨干节点包括所述第一位置节点和所述第二位置节点；基于所述骨干节点及所述骨干节点间的有向边权确定所述交通数据。
[0212]
可选的，所述处理模块1001，还用于将样本数据集输入到第一模型，对所述第一模型进行迭代训练，得到所述参数选择模型；所述样本数据集包括多个样本，所述样本包括输入参数和标签，及所述输入参数与所述标签的映射关系；其中，所述输入参数包括所述交通数据的类型标识，和，用于确定熵所使用的设置参数，所述标签为所述构建参数。
[0213]
可选的，当所述样本数据集中的样本数量小于或者等于第三阈值时，所述处理模块1001还具体用于：
[0214]
生成第一样本数据；将第一样本数据输入到所述参数选择模型，通过所述参数选择模型输出所述构建参数；所述构建参数用于计算所述第一位置节点到所述第二位置节点的熵，以获取所述交通数据；基于评价指标对所述交通数据的进行评价，得到评价结果；若所述评价结果劣于第二阈值，则删除所述第一样本数据；或者，若所述评价结果优于所述第二阈值，则将所述第一样本数据加入所述样本数据集，直到所述样本数据集中的样本数量达到或超过所述第四阈值。
[0215]
可选的，所述处理模块1001，还用于获取第三位置节点和第四位置节点的静态数据；当所述静态数据小于或者等于第四阈值时，确定需要计算所述第三位置节点到所述第四位置节点的熵；基于所述第三位置节点对应的交通时序数据和第四位置节点对应的交通时序数据计算所述第三位置节点到所述第四位置节点之间的熵。
[0216]
可以理解，本技术实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field programmable gate array，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0217]
本技术所描述的方案可通过各种方式来实现。例如，这些技术可以用硬件、软件或
者硬件结合的方式来实现。对于硬件实现，用于在通信装置(例如，基站，终端、网络实体、或芯片)处执行这些技术的处理单元，可以实现在一个或多个通用处理器、dsp、数字信号处理器件、asic、可编程逻辑器件、fpga、或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合中。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
[0218]
可以理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，rom)、可编程只读存储器(programmable rom，prom)、可擦除可编程只读存储器(erasable prom，eprom)、电可擦除可编程只读存储器(electrically eprom，eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的ram可用，例如静态随机存取存储器(static ram，sram)、动态随机存取存储器(dynamic ram，dram)、同步动态随机存取存储器(synchronous dram，sdram)、双倍数据速率同步动态随机存取存储器(double data rate sdram，ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，esdram)、同步连接动态随机存取存储器(synchlink dram，sldram)和直接内存总线随机存取存储器(direct rambus ram，dr ram)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
[0219]
本技术还提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被计算机执行时实现上述任一方法实施例中电子设备的功能。
[0220]
本技术还提供了一种计算机程序产品，该计算机程序产品被计算机执行时实现上述任一方法实施例中电子设备的功能。
[0221]
以上所述，以上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。