一种基于历史路况的短时路况预测方法、系统及设备

本发明属于交通路况预测
技术领域：
，具体涉及一种基于历史路况的短时路况预测方法、系统及设备。
背景技术：
：路况预测的研究已经进行了数十年，短时路况预测则在很多重要领域表现出极高的使用价值和商业价值，如路线规划、出租车调度、救护车到达时间预测等，但是短时路况预测的难度相对较大，具体表现为两个原因：1.短时路况预测本身数据波动较大，车流频谱不稳定；2.短时路况预测中异常路况、靶点的热点语义信息对路况的影响将会更大，而靶点热点语义往往是随机波动的，很难以固定的滤波方式或者特征构造来泛化。短时路况预测的方法基于三个途径来实现，分别是基于物理规则的方法，基于概率图统计的方法，以及基于数据驱动的方法，。基于物理规则的方法是基于车流的位移物理规则，通过计算其信息量，从物理运动的角度来计算未来短时间内的路况信息量，显然的，这种方法完全基于规则，对异常数据和大量数据的拟合度交叉，唯一的参数只有车流的运动信息，其应用价值较低；基于概率图统计的方法在过去的十多年中被广发的应用，分别的，基于马尔可夫链的推理方法、基于贝叶斯的预测方法，基于滑动平均自回归(arima)等。这些方法都在特别数据和领域中取得了有效的效果，并且成功地应用于商业实践。但是，基于概率统计的方法也存在以下两个缺点：1)基于简单概率统计的方法拥有较少的参数，无法针对更加复杂的数据源。2)简单的概率统计方法由于模型的简单性，无法保障更高的泛化性，尤其是，针对于现在复杂多变的路况，以及高频爆发的异常路况点(语义热点)，简单的概率统计的方法无法被有效的实践；基于数据驱动的方法忽略了车流内在的物理规则，转而用庞大的参数来表征车流的路况信息，同时，基于数据驱动的方法也兼顾了概率图的方法，其用参数来模拟概率变化的趋势。路况预测的相关研究最近大多基于数据驱动，特别的，基于深度卷积神经网络(cnn)、基于时序神经网络(lstm)、基于图网络(gnn)的方法层出不穷。基于cnn的方法从空间上学习路况车流的静态信息，并且在隐层中学习挖掘车流的特征，从而对eta、通行时间进行预测，可以看出，基于cnn的方法重点考虑了区域内的车流的静态路况信息，而忽略了其动态的车流信息，车流的动态信息则更为重要的影响未来短时的路况。换言之，只考虑静态路况去预测未来的路况，则是基于统计的方法来预测，没有考虑到具体路段在该时间点前后一个时间区间的路况，另一方面，简单的cnn的方法也没有考虑具体路段的拓扑网络的解构，即具体路段的上下游的路段信息被严重的忽略了，而事实上，当一个路段发生拥堵时，其上游或者下游存在拥堵的概率显然比那些不拥堵的路段而言更高，最后，直接将车流的位置数据载入网络模型计算，则默认了数据的真实性，而位置数据，尤其时告诉运动的位置数据，或来源于手机信令数据或来源于gps导航，则均存在一定的误差，在高频采样的车流路网中，邻接时间片的车流信息量误差较大。为了解决cnn表现出的几个问题，图网络被成功地应用于路况预测，gnn考虑了路网之间的拓扑关系，其认为每一个路段的上游和下游，都会与该路段形成一个单独的拓扑结构，而车流在路网节点中流动的趋势，则用图的节点权重表征，因此，gnn从节点关系的角度计算，兼顾了车流的静态信息和拓扑信息。但是与cnn表现出的劣势一样，这样的gnn忽略了车流的动态信息，为了解决该问题，时空图卷积(stgcn)被应用的路况预测中。stgcn在空间卷积的基础上，考虑了路网在具体的时间区间中的路况信息，从而更高效地对未来路况进行预测。虽然stgcn解决路况预测问题表现出优越的性能，但是也引发了令人思考的问题：1)stgcn的结构也许过于臃肿，将数据特征交给模型去构造，是否导致模型的体量过于庞大，盲目地去构造路网之间的节点关系，是否真实拟合了车流信息。2)stgcn对车流的计算采用随机节点采样、即随机游走、一阶近邻的方式进行计算，这是否与真实的车流规则吻合。3)网络模型载入车流的gps位置数据进行计算，是否会因为数据的系统误差而导致分析结果存在偏差。技术实现要素：为了解决现有技术中存在的问题，本发明提供一种基于历史路况的短时路况预测方法，基于双向时空拓扑和靶点语义提取的方法，不需要车流的位置信息，而只需要车流的状态信息，使用路段的静态信息来表征车流在路网中的移动，不需要大规模的图模型以及网络模型来支持算例，同时保障了较高的精度。为了实现上述目的，本发明采用的技术方案是：一种基于历史路况的短时路况预测方法，具体如下：对时间域内的数据进行下采样来构造同质数据；构造靶点的微观时空的时间近邻数据，对所述时间近邻数据进行标准化操作、维度统一和缩放，得到路况信息的微观语义特征；基于多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义；基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征；将所述宏观历史周期特征和靶点的微观语义融合得到载入特征；将所得载入特征输入梯度提升决策树算法中，对载入特征进行随机抽样，按照k折交叉验证来进行多轮训练，得到推理模型；对将要预测的路况，获取其载入特征后，将所述载入特征输入所述推理模型用于推理，得到关于未来路段短时路况语义的预测结果。对时间域内的数据进行下采样来构造同质数据具体为：按照宏观时空尺度，在历史的过去第一设定时间段中捕获相同路况在邻近时间区间的路况信息，另一方面，在过去第二设定时间段中的每个工作日，捕捉其邻近数据，第一时间段为7天，第二设定时间段为一个，将所述邻近数据预处理后裁剪为时空分布数据，将文本格式数据处理为数值型数据，而后将数据存储，作为特征构建的母版数据；在构建的母版数据中获取每个数据的宏观周期数据，将宏观周期数据按照均值下采样的方法，进行下采样，而后获得该数据的同质数据。基于多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义过程为：构造多层的线性网络，对于每个选中的靶点，对所述靶点邻近时间和空间上的路况信息i进行抽取，得到以靶点路况为label，以时空邻域数据为数据集，将所述数据集按照8：2拆分为训练集和验证集，调用dnn来训练，训练后对历史的路况进行分类，将历史路况拟合为良好、拥堵、非常拥堵的三个类别。所述多次神经网络由多个浅层线性网络构成隐变量提取维度，在每个浅层网络后叠加激活层，在激活层后叠加批标准化层，输出层为一个线性层；将包含一个浅层线性网络的集合作为一个网络模块，设计三个模块作为特征提取器。路况信息包括路段的法定信息、路段的物理信息；车流信息表示具体的时空车流信息量，数据结构为s＝[day,link,id,i]，s表示车流路况信息，day为靶点的日期，link为靶点的路段号，id为靶点在一天中的时间片，2minute为一个时间片，i为车流的信息量，具体的，车流量信息i＝[eta,v,label,cars]，获取每个link的上游uppart和下游downpart的link段，组成每个link的拓扑结构，表示为：l＝{li,lup,ldown},lup＝{lup1,lup2...,lupn},ldown＝{ldown1,ldown2...,ldownm}li表示第i个靶点路段，lup表示li的上游路段，lup＝{lup1,lup2...,lupn}，上游路段由具体的路段lupj组成，下游路段同理；对对靶点的路况信息info(day,id,i)，获取其过去一个月中相同工作日邻近时间区间的路况信息，具体为：{info(day',id',i)},day'＝[-7day,-14day,-21day,-28day],id'＝[id±r],r＝{1,2,3}通过上式获取每个靶点在过去四个工作日的时间近邻路况信息，将所述时间近邻路况信息按照工作日分组，对于分组后的每组路况信息，对所述时间近邻路况信息进行均值下采样，将离散数据变为连续数据：基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征时，定义两个不同尺度的时间周期，来提取车辆信息的宏观历史周期特征：第一时间周期为一个月内相同工作日的四天；第二时间周期为一周内的七天；对第一时间周期进行特征抽取，获取靶点过去一月内每个相同工作日的路况信息，然后对数据进行下采样，获取基于第一时间周期的历史时间特征，将所述历史时间特征加入特征组，对第二时间周期进行特征抽取，首先获取靶点过去一周每天邻近时间域内的路况信息：对数据进行下采样，获取基于第二时间周期的历史时间特征，将所述历史时间特征加入特征组中，得到：f＝[link,cid,fid,i'-1week,...i'-1week,i'-1day...i'-6day]。路况信息的微观语义特征具体如下：设计一个浅层的全馈网络来捕获靶点过去一段时间内的路况信息量，首先获取靶点在过去n个时间段的路况信息，而后设计一个浅层全连接网络，将归一化后的路况信息作为网络的输入，将靶点当前的路况信息作为label，进行训练，将路况信息量i与路况物理量结合，并且获取靶点路段与路况的交叉信息作为输入特征；将抽取的宏观特征和靶点的微观语义结合，对路况进行预测，浅层网络的输入为过去5个时间片的信息量，输出为每个时间段的路况，采用交叉验证的方法对网络进行训练，将训练的结果应用于当前路况信息量的度量。本发明也提供一种基于历史路况的短时路况预测系统，包括同质数据模块、微观语义特征获取模块、靶点的微观语义提取模块、宏观历史周期特征提取模块、载入特征获取模块、训练模块以及预测模块；同质数据模块用于对时间域内的数据进行下采样来构造同质数据；微观语义特征获取模块用于构造靶点的微观时空的时间近邻数据，对所述时间近邻数据进行标准化操作、维度统一和缩放，得到路况信息的微观语义特征；靶点的微观语义提取模块用于根据多次神经网络定义一个浅层语义捕捉器，将所述微观语义特征载入浅层的多层神经网络中，捕捉靶点的微观语义；宏观历史周期特征提取模块用于根据所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，得到宏观历史周期特征；载入特征获取模块用于将所述宏观历史周期特征和靶点的微观语义融合得到载入特征；训练模块用于将所得载入特征输入梯度提升决策树算法中，对载入特征进行随机抽样，按照k折交叉验证来进行多轮训练，得到推理模型；预测模块用于对将要预测的路况，获取其载入特征后，将所述载入特征输入所述推理模型用于推理，得到关于未来路段短时路况语义的预测结果。一种计算机设备，包括处理器以及存储器，存储器用于存储计算机可执行程序，处理器从存储器中读取部分或全部所述计算机可执行程序并执行，处理器执行部分或全部计算可执行程序时能实现本发明所述基于历史路况的短时路况预测方法。一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于历史路况的短时路况预测方法。与现有技术相比，本发明至少具有以下有益效果：本发明从车流和路网的抽象语义出发构建模型，不考虑车辆在具体的道路上的位置(宽阔的马路有四五十米宽，车辆在不同像素位置的表征高度影响模型的拟合度)，而是从道路物理参数和车流状态数据出发，构建更为泛化性的特征，进一步建模表征；本发明针对gps记录的车流数据所具备的位置数据漂移、乒乓效应、高速车流下的数据失真性等天然缺陷，本发明不采用、不依赖车流和路网的位置数据，仅仅从车辆的移动模式、微观语义出发，对数据天生具有更高的容错性；本发明对真实数据的拟合度更好，对车辆路况预测的稳健性更高，相比常规统计车流详实时空数据出发，该类型建模方法导致模型泛化性降低的问题，本文利用梯度提升决策树算法集成模型，将深度神经网络计算微观语义接入树模型，对数据的预测更为稳健。进一步的，本发明双向路网来捕获语义特征，从变尺度逻辑捕捉拥堵语义，可以更精准的预测序列。相比只预测宏观周期的路况序列、只考虑时间关系的车流路网、只考虑路网空间分布的模型而言，本发明从宏观时间尺度、微观热点语义、热点邻域的时空关系进行特征建模，全面的考虑了路况事件的语义信息和隐变量特征。附图说明图1a为示例路网及其上游路况示意图。图1b为路网拥堵情况示意图。图1c为示例路网及其下游路况示意图。图1d为同时包含上下游支线的拓扑路段示意图。图2为一个月内每个相同周三的一天路况示意图。图3为一天720个时间段的路况汇总示意图。图4为路况的标签分类示意图。图5为算法的模型结构示意图。图6为语义捕获网络的训练过程。图7为lstm短时路况预测的loss迭代过程。图8为lstm短时路况预测的acc迭代过程。图9为gbdt模型集成算法短时预测的交叉熵loss下降过程。具体实施方式本文提出一种基于历史路况和路网拓扑的短时路况堵塞信息量预测新方法，车流信息量预测在很多领域应用广泛，且商业价值较高，例如在出租车打车、公交车调度、私家车出行、救护车路线规划等多个场景，而短时路况预测又表现出拟合度差、容错率低的特点，从而导致应用价值低的缺陷。本发明针对短时路况预测，设计一种基于宏观历史周期与微观双向路网拓扑语义的上下游数据构造方法，首先，在宏观上对时间域内的数据进行下采样来构造同质数据；其次，在微观上设计一个包含路网点时空关系和热点语义的路况特征，通过浅层全连接网络来捕捉靶点在微观时空上的微观语义，通过多层神经网络构造时序特征，即历史周期特征，将微观语义和历史周期特征融合接入gbdt集成学习模型，通过交叉验证方法，对某市一个月内的滴滴打车数据进行预测，兼顾了计算性能和时效性的考虑，不需要大规模的图模型以及网络模型来支持算例，同时保障了较高的精度，参考图5。本发明提出了一种轻量级的预测算法：基于双向时空拓扑和靶点语义提取的方法，通过简单的构造时空数据，设计一个包含靶点细节的拓扑特征组，所述特征组在空间上包含双向拓扑路网，时间上包含弹性时域路网，为了构造数据的形状和维度以满足网络推理，本发明设计了一个包含超参数定义的时间域，对靶点周围的邻近(所述邻近指靶点在时间邻域上的邻近数据)数据进行下采样，以捕捉靶点在微观时空上的语义特征，具体的，采用一个浅层的多层神经网络(dnn)来捕捉靶点上下游的语义特征，dnn网络的输入是靶点的上/下游在靶点的时间片周围的路况特征，输出是靶点当时的路况语义。考虑到数据是来自真实情景下的数据集，天然的存在扰动和误差，在dnn的每个linear层后加入批标准化层来降低过拟合，使得网络迅速收敛，本发明的算法不需要车流的位置信息，而只需要车流的状态信息，使用路段的静态信息来表征车流在路网中的移动，因此也保障了模型对位置数据采集的容错性。本发明设计的数据构造可以很好地表征路况靶点的历史时间序列信息和靶点空间热点语义信息，从而更好地对靶点出现的异常路况情况进行泛化。考虑到数据的缺失和结构上的复杂性，利用dnn来构造隐变量，将构造数据进行维度统一，而后利用集成学习模型，将设计的时空路网特征进行学习推理，训练的结果表示，本发明提出的方法同时保障了较高的精度和较低的算力需求。在工程落地，算法调优等实践需求中表现出易用性。具体实现如下：步骤1，对时间域内的数据进行下采样来构造同质数据；步骤2，构造靶点的微观时空的时间近邻数据，对数据进行无量纲化、维度统一的操作后，缩放得到路况信息的微观语义特征；步骤3，基于多次神经网络(dnn)定义一个浅层语义捕捉器，将微观语义特征数据放入多次神经网络(dnn)中，捕捉靶点的微观语义；dnn的结构如下：由多个浅层线性网络构成隐变量提取维度，在每个浅层网络后叠加激活层，在激活层后叠加批标准化层，输出层为一个线性层。将包含一个浅层线性网络的集合作为一个网络模块，本发明设计了三个模块作为特征提取器。步骤4，基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，获取宏观历史周期特征；步骤5，将所述宏观历史周期特征和靶点的微观语义融合输入梯度提升决策树算法中(gradientboostingdecisiontree)，步骤6，对载入特征进行随机抽样，按照k＝5，k折交叉验证来进行多轮训练，得到最优的训练模型；步骤7，训练保存模型，对将要预测的路况，经过步骤1-5得到输入特征，将所述输入特征放入步骤6所得模型用于推理，得到关于未来路段短时路况语义的预测结果。对打车数据源进行同质数据构建，以将原始数据构造为本发明需要的数据维度和数据格式，将原始数据预处理后裁剪为时空分布数据，将文本格式数据处理为数值型数据，而后将数据存储，作为特征构建的母版数据；在构建的母版数据中获取每个数据的宏观周期数据，将宏观周期数据按照均值下采样的方法，进行下采样，而后获得该数据的同质数据。本发明按照宏观时空尺度，在历史的过去第一设定时间段中捕获相同路况在邻近时间区间的路况信息，另一方面，在过去第二设定时间段中的每个工作日，捕捉其邻近数据，第一时间段为7天，第二设定时间段为一个月。参考图1a～图1d，路网数据由脱敏的路段标志表征，路况信息包括路段的法定信息、路段的物理信息；车流信息表示具体的时空车流信息量，数据结构为s＝[day,link,id,i]，s表示车流路况信息，day为靶点的日期，link为靶点的路段号，id为靶点在一天中的时间片，2minute为一个时间片，i为车流的信息量，具体的，车流量信息i＝[eta,v,label,cars]，获取每个link的上游uppart和下游downpart的link段，组成每个link的拓扑结构，表示为l＝{li,lup,ldown},lup＝{lup1,lup2...,lupn},ldown＝{ldown1,ldown2...,ldownm}li表示第i个靶点路段，lup表示li的上游路段，lup＝{lup1,lup2...,lupn}，上游路段由具体的路段lupj组成，下游路段同理；本发明将上述一个月和一周两个时空尺度获取的路网数据进行抽取，历史时空位置的路况信息不一定存在，本发明采用平均值下采样的方法来构建宏观历史周期特征，分别地，对时空坐标上的一批数据，对v,eta,cars计算均值，另外的，考虑到在路况预测中，一般拥堵、拥堵、顺畅的占比不同，而实际应用场景中，也更关注该路段是否会发生拥堵，而非是否顺畅，因此本发明对label进行加权，具体的，将原本的类别label赋权如下：label＝{0,1,2,3,4}→label＝{nan,0.2,0.4,0.6,0.8}，label为0表示该路段没有目标车流评估数据，本发明将其赋值为nan，将顺畅、一般拥堵、拥堵、非常拥堵赋以权重0.2、0.4、0.6、0.8，参考图4。对靶点的路况信息info(day,id,i)，获取其过去一个月中相同工作日邻近时间区间的路况信息，具体为：{info(day',id',i)},day'＝[-7day,-14day,-21day,-28day],id'＝[id±r],r＝{1,2,3}通过上式获取每个靶点在过去四个工作日的时间近邻路况信息，将所述时间近邻路况信息按照工作日分组，对于分组后的每组路况信息，对所述时间近邻路况信息进行均值下采样，将离散数据变为连续数据：其中，。通过浅层dnn提取微观语义的方法是：首先构造多层的liner网络，对于每个选中的靶点，对所述靶点邻近时间和空间上的路况信息进行抽取，得到以靶点路况为label，以时空邻域数据为数据集，按照8：2拆分为训练集和验证集，调用dnn来训练，训练后对历史的路况进行分类，将历史路况拟合为良好、拥堵、非常拥堵的三个类别，浅层dnn的结构如附图2；dnn的由多个浅层线性网络构成隐变量提取维度，在每个浅层网络后叠加激活层，在激活层后叠加批标准化层，输出层为一个线性层；将包含一个浅层线性网络的集合作为一个网络模块，本发明设计三个模块作为特征提取器。路况信息的微观语义特征具体如下：设计一个浅层的全馈网络来捕获靶点过去一段时间内的路况信息量，首先获取靶点在过去n个时间段(本发明中n＝10)的路况信息，而后设计一个浅层全连接网络，将归一化后的路况信息作为网络的输入，将靶点当前的路况信息作为label，进行训练，将路况信息量i与路况物理量结合，并且获取路段与路况的交叉信息作为输入特征。将抽取的宏观特征、挖掘的微观路况语义结合，对路况进行预测，浅层网络的输入为过去5个时间片的信息量，输出为每个时间段的路况，采用交叉验证的方法对网络进行训练，将训练的结果应用于当前路况信息量的度量。将微观语义特征导入特征矩阵的宏观特征模块中；基于所述同质数据构造宏观历史数据，经过均值下采样后，对路况状态进行标签映射，来获取宏观历史周期特征；将所述微观语义和宏观历史周期特征进行融合，输入梯度提升决策树算法中(gbdt-gradientboostingdecisiontree)，对路况进行预测，浅层网络的输入为过去5个时间片的信息量，输出为每个时间段的路况；采用交叉验证的方法对所述浅层网络进行训练，将训练的最优的模型参数存储，部署封装，用于用户大批量数据的推理过程。本发明的具体实施过程如下：从已经公开的滴滴盖亚计划中获取某市2019-07月份的da车时空路况信息：https://outreach.didichuxing.com/app-vue/outreach.didichuxing.com？id＝1022将原始数据预处理后裁剪为时空分布数据，将文本格式数据处理为数值型数据，而后将处理后的数据存储，作为特征构建的母版数据；在构建的母版数据中获取每个数据的宏观周期数据，将所述宏观周期数据按照均值下采样的方法，进行下采样，而后获得该数据的同质数据，即靶点的微观时空的时间近邻数据；对于每个需要预测的路段，获取其过去5个时间片的微观时间数据，将所述微观时间数据和宏观时间周期的数据合并，裁剪去重重复属性，裁剪后进行下采样后得到当前预测路段(靶点)的微观时空近邻数据；基于多次神经网络(dnn)定义一个浅层语义捕捉器，构造浅层的语义捕捉器dnn，设计多层浅层感知机，并且在每层后进行批量标准化；将所述微观时空近邻数据载入多次神经网络中进行训练，获得微观语义特征；将宏观时空历史周期特征作为输入特征，将训练得到的微观路况语义特征载入所述输入特征，得到最终进行训练和部署的输入特征数据。将所述输入特征数据载入gbdt进行训练，交叉验证获取训练的结果，将训练后得到的推理模型保存进行推理批量部署。对将要预测的路况，获取所述输入特征，将所述输入特征放入推理模型用于推理，预测得到未来路段短时路况语义。本发明通过简单的构造时空数据，设计一个包含靶点细节的拓扑特征组，该特征组在空间上包含双向拓扑路网、时间上包含弹性时域路网，为了构造数据的形状和维度以满足网络推理，设计一个包含超参数定义的时间域，对靶点周围的邻近数据进行下采样，以捕捉靶点在微观时空上的语义特征，邻近指靶点在时间邻域上的邻近数据，具体的，采用一个浅层的bp网络来捕捉靶点上下游的语义特征，该bp网络的输入是靶点的上/下游在靶点的时间片周围的路况特征。本文的算法不需要车流的位置信息，而只需要车流的状态信息，我们使用路段的静态信息来表征车流在路网中的移动，因此也保障了模型对位置数据采集的容错性。本文设计的数据构造可以很好地表征路况靶点的历史时间序列信息和靶点空间热点语义信息，从而更好地对靶点出现的异常路况情况进行泛化。考虑到数据的缺失和结构上的复杂性，利用dnn来构造隐变量，将构造数据进行维度统一，而后利用集成学习模型，将精心设计的时空路网特征进行学习推理。训练的结果表示，本文提出的方法同时保障了较高的精度和较低的算力需求。在工程落地，算法调优等实践需求中表现出易用性。将发明提出的算法与常规的时序网络进行对比，我们用lstm来对路况信息进行训练，将靶点过去的5个片段的数据：路况动态数据和路段物理数据拼接，获得得该路段的长/宽/车道数/道路等级等物理数据与动态数据的对比特征。总计获得16个特征，。对未来1-60min的路况语义进行预测。图8是lstm训练的结果。可以看出，lstm的平均精度都在65％以下，这说明单方面使用lstm的方法对于短时路况预测效果并不理想。这也说明了本发明所述方法的有效性，参考图7、图8和图9。表1layerin_dimoutdimindatan×16linear1relubathnomn×16n×64linear2relubathnomn×64n×32linear3relubathnomn×32n×20linear4relun×20n×3表2epochslayer_numshidden_sizebest_scoreloss_fun3216/32/640.63/0.63/0.630.59//0.53/0.583316/32/640.63/0.62/0.650.54/0.56/0.473416/32/640.65/0.64/0.650.48/0.61/0.54一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时，能实现本发明所述的基于历史路况的短时路况预测方法。所述计算机设备可以采用车载计算机、笔记本电脑、平板电脑、桌面型计算机、手机或工作站。处理器可以是中央处理器(cpu)、数字信号处理器(dsp)、专用集成电路(asic)或现成可编程门阵列(fpga)。对于本发明所述存储器，可以是笔记本电脑、平板电脑、桌面型计算机、手机或工作站的内部存储单元，如内存、硬盘；也可以采用外部存储单元，如移动硬盘、闪存卡。计算机可读存储介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机可读存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取记忆体(ram，randomaccessmemory)、固态硬盘(ssd，solidstatedrives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(reram,resistance)。当前第1页12