CN110853347A - 一种短时交通路况预测方法、装置及终端设备 - Google Patents

Abstract

本发明适用于路况预测技术领域，提供了一种短时交通路况预测方法、装置及终端设备，所述方法包括：获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。本申请可以通过特征工程对大量的路况数据进行处理，得到对路况影响较大的特征，能够综合考虑多个特征对路况的影响，并剔除无用特征，从而提高路况预测的准确性。

Description

一种短时交通路况预测方法、装置及终端设备

技术领域

本发明属于路况预测技术领域，尤其涉及一种短时交通路况预测方法、装置及终端设备。

背景技术

交通治理作为城市治理的重要工作，是提升城市环境质量、人民生活质量、城市竞争力的关键举措。按照国内外城市经验，以先进成熟的理论研究为基础建立交通运行评估指标体系，以智能化自动化的交通信息采集和处理技术为基础开展道路交通评估，是交通管理部门制定缓解交通拥堵各项政策措施、合理安排基础设施建设时序、重大事件应急处理等工作的技术基础，有助于提升交通运行管理的科技化和信息化水平，对于政府制定土地开发、产业经济等与交通相关的城市发展政策也具有重要的参考价值。

目前，大数据技术已成为学术界和产业界共同关注的热点，传统的交通预测方法往往是获取所要预测道路的车流量、车流速度信息对路况进行预测，但是通过车流量进行路况预测的方法往往预测效果不佳。

发明内容

有鉴于此，本发明实施例提供了一种短时交通路况预测方法、装置及终端设备，以解决现有技术中通过车流量进行路况预测时预测效果不佳的问题。

本发明实施例的第一方面提供了一种短时交通路况预测方法，包括：

获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；

对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；

将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。

本发明实施例的第二方面提供了一种短时交通路况预测装置，包括：

路况数据获取模块，用于获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；

特征工程构建模块，用于对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；

路况预测模块，用于将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述短时交通路况预测方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述短时交通路况预测方法的步骤。

本发明实施例与现有技术相比存在的有益效果是：本发明实施例首先获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；然后对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；最后将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。本申请可以通过特征工程对大量的路况数据进行处理，得到对路况影响较大的特征，能够综合考虑多个特征对路况的影响，并剔除无用特征，从而提高路况预测的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的短时交通路况预测方法的流程示意图；

图2是本发明实施例提供的图1中S102的流程示意图；

图3是本发明实施例提供的图2中S202的流程示意图；

图4是本发明实施例提供的图1中S103的流程示意图；

图5是本发明实施例提供的特征向量的灵敏度排行示意图；

图6是本发明实施例提供的目标LightGBM模型的滚动预测示意图；

图7是本发明实施例提供的短时交通路况预测装置的结构示意图；

图8是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

图1示出了本发明的一个实施例提供的短时交通路况的预测方法的实现流程，为了便于说明，仅示出与本实施例相关的流程，其过程详述如下：

S101：获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据。

本实施例的流程主体为终端设备，终端设备可以获取智能交通***采集的路况数据。

在本实施例中，路况数据可以包括历史路况数据和当前路况数据，其中当前路况数据为当前时间段的数据，历史路况数据可以包括当前时间段之前的路况数据，当前时间段可以选取为2小时、3小时等时间段。

S102：对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量。

在本实施例中，对路况数据构建特征工程，特征工程除采用路段速度特征外，还统筹考虑天气、路段关系、时间等其他可能潜在影响因素。

具体地，所述路况特征变量包括速度特征、路段关系特征、天气特征、路段特征及时间特征。路况特征变量包括动态特征和静态特征，其中动态特征包括速度特征、天气特征、时间特征和路段关系；静态特征包括路段特征。

其中，速度特征包括前3个时间段该路段车辆的速度；以及前两个时间段速度-时间序列的统计指标，包括速度均值、标准差、最大值、最小值、中位数、峰度、偏度和车流量。通过上述速度特征能够全面考虑速度的变化趋势。

天气特征包括降雨等级、风速和温度。

时间特征包括时间段和日期，其中时间段用于检查是否为出行高峰时间段，日期可以确定是否为工作日。

路段关系特征包括目标路段的上下游路段数量，上下游路段速度及上下游路段速度均差。

路段特征包括路段编号、路段方向、所属区域、路段类型和路段长度。

S103：将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。

本发明实施例首先获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；然后对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；最后将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。本申请可以通过特征工程对大量的路况数据进行处理，得到对路况影响较大的特征，能够综合考虑多个特征对路况的影响，并剔除无用特征，从而提高路况预测的准确性。

如图2所示，在本发明的一个实施例中，图2示出了图1中S102的具体实现流程，其过程详述如下：

S201：对所述路况数据进行数据预处理。

在本实施例中，特征工程的特征变量可以包括连续变量和离散变量，针对不同的数据类型进行不同的数据预处理方式。

首先，针对连续变量，由于数据源中的导航数据、GPS数据等在不同的路段的数据质量存在差异，因此需要对连续的速度数据进行严格的筛选出来，主要流程包括：

1)数据记录去重，删除在同一时间段内重复的数据记录；

2)异常值剔除，将不合常理的速度值剔除，包括样本车辆数少于10辆的数据记录与速度超过140km/h的数据记录。

3)数据过滤与补全：采用趋势过滤器对速度特征中时间序列的速度数据进行异常值的再剔除与缺失值的补全：

式(1)中，x表示输出数据，y表示输入数据，δ表示过滤平滑系数，D表示二阶差分矩阵。

其次，速度特征是路段状态的最为直观的反映，除了常用的均值与标准差等统计指标外，还引入了峰度(kurtosis)和偏度(Skewness)的计算，从而考虑时间序列的速度分布形态的陡缓程度与对称程度。

具体地，

式(2)中，SD表示对应样本的标准差，x_i表示第i个样本的速度值，

表示速度均值，n表示样本容量。

式(3)中，SD表示对应样本的标准差，x_i表示第i个样本的速度值，表示速度均值，n表示样本容量。

在本实施例中，连续变量还包括车流量，车流量是路况计算结果准确性的一个关键指标，路段上的样本量越少，速度计算的结果可靠性就越高。

连续变量还包括路段关系特征，上下游的路段速度是路段交通运行状态的间接反映，因此采用上下游路段的连接数量描述研究路段的地理连接关系，采用上下游段的平均速度与速度标准差描述上下游路段的交通运输状态。

在本实施例中，特征变量还包括离散变量，离散变量指变量值可以按照一定顺序一一列举，表示对应的物理意义包括天气特征、路段特征、路段位置特征、路段类型特征、路段长度特征、时间段特征及日期特征等。

对于天气特征，在道路交通运行中，受天气影响最大的因素主要为降雨，降雨量的多少影响着人们的出行，也间接地影响着路段的运行状态。本申请统计各个观测点的每五分钟对应的前1小时的累计降雨量，按照中国气象部门的标准将降雨量划分为5个降雨等级：天晴、小雨、中雨、大雨和暴雨，并为各个降雨等级分配离散值。具体地可以如表1所示：

表1降雨等级划分依据

降雨等级	1小时累计降雨量(mm)	离散值
			天晴	0	0
小雨	≤2.5	1
			中雨	2.6-8	2
大雨	8.1-15	3
			暴雨	≥15.1	4

对于路段特征，包括路段编号、路段方向及子路段编号，其中子路段编号是研究路段的标示编号，路段编号是研究路段从属的道路编号，路段方向则是确定道路的车流行驶方向、划分为从东向西、从西向东、从南向北和从北向南等四个方向。

路段特征还包括路段位置特征，即按照路段所处的行政区确定所述区域。还包括路段类型特征，路段类型特征包括高速路、快速路、主干路、次干路等四种类型。

路段特征还包括路段长度特征，选取所有研究路段的长度分位数统计值的临近值，将路段长度划分多个长度等级。具体地，可以将路段长度划分为短、中、长、超长等四个等级，对应的划分依据依次为：短为小于600米的路段，中为大于600米小于800米的路段，长为大于800米小于1200米的路段，超长为大于等于1200米的路段。

在本实施例中，离散变量还包括时间段特征，根据获取的时间段特征可以确定是否为高峰时间段，高峰时间段的路段运行状态和平峰时间段的路段运行状态存在较大的差异。因此可以将全天划分为两个时间段，分别将早上7点-10点、下午5点-8点的时间段定义为高峰时间段，其余时间段为平峰时间段。

在本实施例中，离散变量还包括日期特征，日期特征包括工作日和非工作日，工作日上路段可能呈现明显的早晚高峰周期规律，非工作日上路段可能呈现平稳运行的状态。

在本实施例中，通过为上述各个特征的等级、时间段的划分，得到离散变量。

S202：根据所述路况数据构建特征工程，并对所述特征工程进行特征选择。

如图3所示，在本发明的一个实施例中，图3示出了图2中S202的具体实现流程，其过程详述如下：

S301：将所述特征工程中的路况特征变量输入初始LightGBM模型，对所述初始LightGBM模型进行训练，并得到各个路况特征变量的灵敏度；

S302：对各个路况特征变量按照灵敏度由大到小的顺序进行排序，得到特征灵敏度序列，并选择所述特征灵敏度序列中的前N个路况特征变量。

在本实施例中，路况数据包括历史路况数据，将历史路况数据分为训练数据和验证数据，可以采用时间窗滚动方法，获取t时间段的路况数据作为训练数据，获取t+1时间段的路况数据作为验证数据，训练初始LightGBM模型。再取t+1时间段的路况数据作为训练数据，将t+2时间段的路况数据作为验证数据，如此，依次的选取训练数据和验证数据，从而采用大量的数据对初始LightGBM模型进行训练，得到目标LightGBM模型。

在本实施例中，对LightGBM模型进行训练的同时，还可以根据LightGBM模型输出的预测结果及验证数据，确定各个特征变量对模型的影响程度，得到各个特征变量对应的灵敏度。

具体地，训练后对LightGBM模型的灵敏度排名前15的特征如图5所示，最重要的影响因素是路段特征与时间特征。可以理解为LightGBM模型首先匹配相同路段ID与相同时间的历史数据；另一方面，离散值过多也可能是造成该因素的影响程度上升的原因之一。影响权重次要的特征为前15分钟的车流量和上一时间段的速度，这两个特征的变化是路段速度的最为直观的反应。接下来是温度与上游路段速度，表明天气温度的高低在一定情况下影响着人们的出行决策，并且上游路段的运行状态对于路段速度的预测存在着较强的影响作用。第四类影响特征则为速度序列的统计指标与是否工作日，表明工作日与非工作日的交通状态确实存在一定的差异。

如图4所示，在本发明的一个实施例中，图4示出了图1中S103的具体实现流程，其过程详述如下：

S401：将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，得到预设单位时间段的路况预测结果，所述当前路况数据为时间窗选取的时间段对应的路况数据；

S402：将时间窗向前移动一个预设单位时间段，并更新当前路况数据；

S403：将更新后的当前路况数据返回至所述对所述路况数据构建特征工程步骤，直至完成未来预设时间段的路况预测，得到预设时间段内所述目标路段的路况预测结果。

在本实施例中，若需要对目标路段预设时间段的路况进行预测，且预设时间段为当前时间段的下一时间段，则获取当前时间段的当前路况数据，通过特征工程对当前路况数据进行数据预处理及特征工程构建，接着将当前路况数据对应的特征变量输入目标LightGBM模型中，目标LightGBM模型可以对多个特征变量并行的进行逐步滚动预测，直至完成整个预设时间段的短时路况预测。

具体地，在待预测的预设时间段内，首先获取当前时间段内的当前路况数据；然后按照LightGBM模型的预测框架，预测下一个单位时间段的路况预测结果；最后将整体时间段向前移动一个滚动步长，并取移动后的当前时间段的路况数据作为当前路况数据。继续下一段实时数据的预测，直到完成整个预测时间段。

实时滚动预测方法如图6所示，以t为7:00，数据采样率为5分钟为例，首先获得当前时间段的路况数据，完成所有特征的对应处理；然后将特征向量输入至LightGBM模型中，完成单位时间段的路况预测，单位时间段可以为15分钟；完成循环1后，整体时间段向前推移一个滚动步长，将预测的值作为“实时数据”重新构建特征向量，并输入到LightGBM模型中继续向前预测5分钟，直到完成整个预设时间段的预测。

从上述实施例可知，本申请能够处理海量的历史数据，同时支持多种交通特征的关联分析，更真实的反映多种因素的交通影响。并且基于决策树建立的LightGBM模型具有算法简单、预测精准的特点，具有很好的鲁棒性。本实施例能够接入智能交通***，实时的获取当前的路况数据，并且支持特征并行和数据并行，能够提高路况预测的效率。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

如图7所示，本发明的一个实施例提供的短时交通路况预测装置100，用于执行图1所对应的实施例中的方法步骤，其包括：

路况数据获取模块110，用于获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；

特征工程构建模块120，用于对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；

路况预测模块130，用于将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。

本发明实施例首先获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；然后对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；最后将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。本申请可以通过特征工程对大量的路况数据进行处理，得到对路况影响较大的特征，能够综合考虑多个特征对路况的影响，并剔除无用特征，从而提高路况预测的准确性。

在本发明的一个实施例中，图7中的特征工程构建模块120还包括用于执行图2所对应的实施例中方法步骤的结构，其包括：

预处理单元，用于对所述路况数据进行数据预处理；

特征选择单元，用于根据所述路况数据构建特征工程，并对所述特征工程进行特征选择。

在本发明的一个实施例中，特征选择单元还包括用于执行图3所对应的实施例中方法步骤的结构，其包括：

灵敏度获取子单元，用于将所述特征工程中的路况特征变量输入初始LightGBM模型，对所述初始LightGBM模型进行训练，并得到各个路况特征变量的灵敏度；

特征选择子单元，用于对各个路况特征变量按照灵敏度由大到小的顺序进行排序，得到特征灵敏度序列，并选择所述特征灵敏度序列中的前N个路况特征变量。

在本发明的一个实施例中，图7中的路况预测模块130还包括用于执行图4所对应的实施例中方法步骤的结构，其包括：

单位时间段路况预测单元，用于将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，得到预设单位时间段的路况预测结果，所述当前路况数据为时间窗选取的时间段对应的路况数据；

路况数据更新单元，用于将时间窗向前移动一个预设单位时间段，并更新当前路况数据；

路况预测单元，用于将更新后的当前路况数据返回至所述对所述路况数据构建特征工程步骤，直至完成未来预设时间段的路况预测，得到预设时间段内所述目标路段的路况预测结果。

图8是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备800包括：处理器80、存储器81以及存储在所述存储器81中并可在所述处理器80上运行的计算机程序82。所述处理器80执行所述计算机程序82时实现上述各个短时交通路况预测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器80执行所述计算机程序82时实现上述各装置实施例中各模块/单元的功能，例如图7所示模块110至130的功能。

所述计算机程序82可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器81中，并由所述处理器80执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序82在所述终端设备800中的执行过程。

所述终端设备800可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器80、存储器81。本领域技术人员可以理解，图6仅仅是终端设备800的示例，并不构成对终端设备800的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器80可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器81可以是所述终端设备800的内部存储单元，例如终端设备800的硬盘或内存。所述存储器81也可以是所述终端设备800的外部存储设备，例如所述终端设备800上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器81还可以既包括所述终端设备800的内部存储单元也包括外部存储设备。所述存储器81用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种短时交通路况预测方法，其特征在于，包括：

获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；

对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；

将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。

2.如权利要求1所述的短时交通路况预测方法，其特征在于，所述对所述路况数据构建特征工程，包括；

对所述路况数据进行数据预处理；

根据所述路况数据构建特征工程，并对所述特征工程进行特征选择。

3.如权利要求2所述的短时交通路况预测方法，其特征在于，所述对所述特征工程进行特征选择，包括：

将所述特征工程中的路况特征变量输入初始LightGBM模型，对所述初始LightGBM模型进行训练，并得到各个路况特征变量的灵敏度；

对各个路况特征变量按照灵敏度由大到小的顺序进行排序，得到特征灵敏度序列，并选择所述特征灵敏度序列中的前N个路况特征变量。

4.如权利要求1所述的短时交通路况预测方法，其特征在于，所述将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果，包括：

将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，得到预设单位时间段的路况预测结果，所述当前路况数据为时间窗选取的时间段对应的路况数据；

将所述时间窗向前移动一个预设单位时间段，并更新当前路况数据；

将更新后的当前路况数据返回至所述对所述路况数据构建特征工程步骤，直至完成未来预设时间段的路况预测，得到预设时间段内所述目标路段的路况预测结果。

5.如权利要求1所述的短时交通路况预测方法，其特征在于，所述路况特征变量包括速度特征、路段关系特征、天气特征、路段特征及时间特征。

6.一种短时交通路况预测装置，其特征在于，包括：

路况数据获取模块，用于获取目标路段的路况数据，所述路况数据包括历史路况数据和当前路况数据；

特征工程构建模块，用于对所述路况数据构建特征工程，所述特征工程包括至少一个路况特征变量；

路况预测模块，用于将所述当前路况数据对应的至少一个路况特征变量输入目标LightGBM模型，对未来预设时间段内所述目标路段的路况信息进行滚动预测，得到路况预测结果。

7.如权利要求6所述的短时交通路况预测装置，其特征在于，所述特征工程构建模块包括；

预处理单元，用于对所述路况数据进行数据预处理；

特征选择单元，用于根据所述路况数据构建特征工程，并对所述特征工程进行特征选择。

8.如权利要求7所述的短时交通路况预测装置，其特征在于，所述特征选择单元包括：

灵敏度获取子单元，用于将所述特征工程中的路况特征变量输入初始LightGBM模型，对所述初始LightGBM模型进行训练，并得到各个路况特征变量的灵敏度；

特征选择子单元，用于对各个路况特征变量按照灵敏度由大到小的顺序进行排序，得到特征灵敏度序列，并选择所述特征灵敏度序列中的前N个路况特征变量。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。

Images