技术特征：
1.一种交通流的预测方法，其特征在于，所述方法包括：获取待预测的目标地点的第一历史交通流数据，所述第一历史交通流数据至少包括平均速度、速度方差以及流量；将所述第一历史交通流数据输入到预先训练的交通流预测模型中，输出所述目标地点在待预测日期的目标平均速度以及目标流量，所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络，所述速度预测子网络用于提取所述第一历史交通流数据中速度特征；所述流量预测子网络用于提取所述第一历史交通流数据中流量特征；所述融合子网络用于将所述速度特征与所述流量特征进行融合，获得融合交通特征，并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络，所述速度预测子网络基于所述融合交通特征确定所述目标平均速度，所述流量预测子网络基于所述融合交通特征确定所述目标流量。2.如权利要求1所述的方法，其特征在于，所述第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据，所述第一子交通流数据为与所述待预测日期的待预测时间片相邻的m个历史时间片的交通流数据，所述第二子交通流数据为与所述待预测日期相邻的n个历史天数内且与所述待预测时间片处于同一时间片的交通流数据，所述第三子交通流数据为与所述待预测日期间隔l周内且与所述待预测时间片处于同一时间片的交通流数据，m、n以及l为不小于1的正整数。3.如权利要求2所述的方法，其特征在于，所述速度特征包括所述第一子交通流数据所表征的临近性速度特征，所述第二子交通流数据所表征的周期性速度特征，以及所述第三子交通流数据所表征的趋势性速度特征；所述流量特征包括所述第一子交通流数据所表征的临近性流量特征，所述第二子交通流数据所表征的周期性流量特征，以及所述第三子交通流数据所表征的趋势性流量特征。4.如权利要求3所述的方法，其特征在于，所述速度特征与所述流量特征均基于如下公式计算：m
i
＝w
ci
⊙
m
ci
+w
pi
⊙
m
pi
+w
ti
⊙
m
ti
其中，m
i
表示第i种特征，
⊙
表示哈德马积，当i＝1时，m1表示速度特征，w
c1
表示所述临近性速度特征，m
c1
表示所述临近性速度特征对应的权重；w
p1
表示所述周期性速度特征，m
p1
表示所述周期性速度特征对应的权重；w
t1
表示所述趋势性速度特征，m
t1
表示所述趋势性速度特征对应的权重，m
c1
、m
p1
以及m
t1
各不相同；当i＝2时，m1表示流量特征，w
c2
表示所述临近性流量特征，m
c2
表示所述临近性流量特征对应的权重；w
p2
表示所述周期性流量特征，m
p2
表示所述周期性流量特征对应的权重；w
t2
表示所述趋势性流量特征，m
t2
表示所述趋势性流量特征对应的权重，m
c2
、m
p2
以及m
t2
各不相同。5.如权利要求2所述的方法，其特征在于，所述融合交通特征还包括外部因素特征，所述外部因素至少包括所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期。6.如权利要求1所述的方法，其特征在于，所述方法还包括：获取第二历史交通流数据，所述第二历史交通流数据至少包括平均速度、速度方差以及流量；将所述第二历史交通流数据输入到所述交通流预测模型中，并基于预设的损失函数对
所述交通流预测模型进行训练，以使所述损失函数处于收敛状态，所述损失函数如下：其中，l(w,σ1，σ2)表示预设损失函数，ξ1(w)表示速度预测任务中当前的网络权重w下速度预测值与速度标签值之间的第一损失，ξ2(w)表示流量预测任务中当前网络权重w下流量预测值与流量标签值之间的第二损失，σ1表示速度预测任务的噪声，σ2表示流量预测任务的噪声。7.如权利要求6所述的方法，其特征在于，所述第二历史交通流数据包括历史时间段内的多组交通流数据，每组交通流数据包括第四子交通流数据、第五子交通流数据以及第六子交通流数据，所述第四子交通流数据为所述历史时间段内目标日期内目标时间片相邻的x个历史时间片内的各个地点的交通流数据，所述第五子交通流数据为与所述目标日期相邻的y个历史天数内与所述目标时间片处于同一时间片的各个地点的交通流数据，所述第六子交通流数据为与所述目标日期间隔w周内与所述目标时间片处于同一时间片的各个地点的交通流数据，所述目标日期为所述历史时间段的最后一天，所述目标日期内各个地点在各个目标时间片的交通流数据作为标签，x、y以及w为不小于1的正整数。8.如权利要求6所述的方法，其特征在于，所述第一损失与所述第二损失均采用均方差函数。9.如权利要求7所述的方法，其特征在于，在将所述第二历史交通流数据输入到所述交通流预测模型之前，当任一地点的部分时间片内的流量为0时，所述方法还包括：若确定所述部分时间片内所述任一地点的上游地点存在平均速度与速度方差，则将所述上游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。10.如权利要求9所述的方法，其特征在于，所述方法还包括：若确定所述部分时间片内所述任一地点的上游地点不存在平均速度与速度方差，且所述任一地点的下游地点存在平均速度与速度方差，则将所述下游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。11.如权利要求10所述的方法，其特征在于，所述方法还包括：若确定所述部分时间片内所述任一地点的上游地点与下游地点均不存在平均速度与速度方差，则将所述任一地点对应的位于所述部分时间片前后的时间片内的平均速度的平均值以及速度方差的平均值作为所述任一地点在所述部分时间片内的平均速度与速度方差。12.一种交通流的预测装置，其特征在于，所述装置包括:获取单元，用于获取待预测的目标地点位于待预测日期之前的第一历史交通流数据，所述第一历史交通流数据至少包括平均速度、速度方差以及流量；处理单元，用于将所述第一历史交通流数据输入到预先训练的交通流预测模型中，输出所述目标地点在待预测时间片内的目标平均速度以及目标流量，所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络，所述速度预测子网络用于提取所述第一历史交通流数据中速度特征；所述流量预测子网络用于提取所述第一历史交通流数据中流量特征；所述融合子网络
用于将所述速度特征与所述流量特征进行融合，获得融合交通特征，并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络，所述速度预测子网络基于所述融合交通特征确定所述目标平均速度，所述流量预测子网络基于所述融合交通特征确定所述目标流量。13.一种电子设备，其特征在于，所述电子设备包括至少一个处理器以及与所述至少一个处理器连接的存储器，所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1
‑
11任一项所述方法的步骤。14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行是实现如权利要求1
‑
11任一项所述方法的步骤。
技术总结
本申请公开了一种交通流的预测方法、装置、电子设备及存储介质，能够解决现有技术中单独预测平均速度或者流量时准确性较低的问题。交通流的预测方法包括：获取待预测的目标地点第一历史交通流数据；将第一历史交通流数据输入到预先训练的交通流预测模型中，输出目标地点在待预测日期的目标平均速度以及目标流量，交通流预测模型中的速度预测子网络用于提取第一历史交通流数据中速度特征；流量预测子网络用于提取第一历史交通流数据中流量特征；融合子网络用于将速度特征与流量特征进行融合，获得融合交通特征，速度预测子网络基于融合交通特征所述目标平均速度，流量预测子网络基于融合交通特征确定目标流量。络基于融合交通特征确定目标流量。络基于融合交通特征确定目标流量。
技术研发人员：蒯佳婷 程亚星 文舜智 黄瑶佳 陈思源 童蔚苹 刘志远 史云阳
受保护的技术使用者：浙江数智交院科技股份有限公司
技术研发日：2021.08.25
技术公布日：2021/11/23