CN111341098A - 拥堵状态预测的方法及装置 - Google Patents
拥堵状态预测的方法及装置 Download PDFInfo
- Publication number
- CN111341098A CN111341098A CN202010100665.5A CN202010100665A CN111341098A CN 111341098 A CN111341098 A CN 111341098A CN 202010100665 A CN202010100665 A CN 202010100665A CN 111341098 A CN111341098 A CN 111341098A
- Authority
- CN
- China
- Prior art keywords
- prediction
- congestion state
- data
- sensor
- congestion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
Abstract
本申请公开了一种拥堵状态预测的方法及装置,本申请的方法包括获取当前时刻之前的传感器数据,所述传感器数据为收费站每条道路安装的传感器采集的数据;根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,所述拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。本申请是为了提供一种预测收费站拥堵状态的方式。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种拥堵状态预测的方法及装置。
背景技术
随着国民生活的提高,汽车数量在每日增加,收费站承受压力同步增加,全国共有超过近万数量的收费站,如果能够提前的预测收费站的拥堵状态,则可以在高峰时期尽可能早地预测其拥堵状态,同时在低峰时期通过预测的拥堵状态调控其通道数量,大大降低空道率提升收费通道利用率。因此,急需提供一种预测收费站拥堵状态的方式。
发明内容
本申请的主要目的在于提供一种拥堵状态预测的方法及装置,以解决如何预测收费站拥堵状态的问题。
为了实现上述目的,根据本申请的第一方面,提供了一种拥堵状态预测的方法。
根据本申请的拥堵状态预测的方法包括:
获取当前时刻之前的传感器数据,所述传感器数据为收费站每条道路安装的传感器采集的数据;
根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,所述拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。
可选的,所述方法还包括:
获取目标预测时段,所述目标预测时段为用户选择的需要预测收费站道路拥堵状态的时段,所述目标预测时段为预定时长的整数倍;
循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果,所述循环的次数等于所述整数倍的倍数。
可选的,所述方法还包括:
获取传感器样本数据;
对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据;
基于决策树的集成机器学习算法对传感器样本数据对应的特征数据进行训练得到拥堵状态预测模型。
可选的,所述对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据包括:
对传感器样本数据进行预处理,传感器样本数据中的每条数据得到对应的第一特征数据,所述第一特征数据包括传感器身份标识ID、时间特征数据、当前拥堵状态数据、道路特征数据中的一种或多种特征;并,
根据每条数据对应的时刻之前的拥堵状态生成每条数据对应的第二特征数据,所述第二特征数据包括连续时间点拥堵状态、连续时间点的累计拥堵状态、间隔时间点的累计拥堵状态中的一种或多种特征。
可选的,所述循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果包括:
将目标预测时段按照预定时长等分为多个子目标预测时段;
根据当前时刻之前的传感器数据利用拥堵状态预测模型得到第一个子目标预测时段对应的第一拥堵状态;
根据当前时刻之前的传感器数据、第一个子预测目标时段以及对应的第一拥堵状态再次利用拥堵状态预测模型得到第二个子预测目标时段对应的第二拥堵状态;
按照获取第二拥堵状态的方式循环利用拥堵状态预测模型依次获取剩余所有的子目标预测时段对应的拥堵状态。
可选的,在根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后对应的拥堵状态的预测结果之前,所述方法还包括:
对当前时刻之前的传感器数据进行预处理并生成当前时刻之前的传感器数据对应的特征数据。
为了实现上述目的,根据本申请的第二方面,提供了一种拥堵状态预测的装置。
根据本申请的拥堵状态预测的装置包括:
第一获取单元,用于获取当前时刻之前的传感器数据,所述传感器数据为收费站每条道路安装的传感器采集的数据;
预测单元,用于根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,所述拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。
可选的,所述装置还包括:
第二获取单元,用于获取目标预测时段,所述目标预测时段为用户选择的需要预测收费站道路拥堵状态的时段,所述目标预测时段为预定时长的整数倍;
所述预测单元,还用于循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果,所述循环的次数等于所述整数倍的倍数。
可选的,所述装置还包括:
第三获取单元,用于获取传感器样本数据;
样本特征生成单元,用于对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据;
模型生成单元,用于基于决策树的集成机器学习算法对传感器样本数据对应的特征数据进行训练得到拥堵状态预测模型。
可选的,所述样本特征生成单元包括:
第一特征生成模块,用于对传感器样本数据进行预处理,传感器样本数据中的每条数据得到对应的第一特征数据,所述第一特征数据包括传感器身份标识ID、时间特征数据、当前拥堵状态数据、道路特征数据中的一种或多种特征;
第二特征生成模块,用于根据每条数据对应的时刻之前的拥堵状态生成每条数据对应的第二特征数据,所述第二特征数据包括连续时间点拥堵状态、连续时间点的累计拥堵状态、间隔时间点的累计拥堵状态中的一种或多种特征。
可选的,所述预测单元包括:
时段划分模块,用于将目标预测时段按照预定时长等分为多个子目标预测时段;
预测模块,用于根据当前时刻之前的传感器数据利用拥堵状态预测模型得到第一个子目标预测时段对应的第一拥堵状态;
所述预测模块,还用于根据当前时刻之前的传感器数据、第一个子预测目标时段以及对应的第一拥堵状态再次利用拥堵状态预测模型得到第二个子预测目标时段对应的第二拥堵状态;
所述预测模块,还用于按照获取第二拥堵状态的方式循环利用拥堵状态预测模型依次获取剩余所有的子目标预测时段对应的拥堵状态。
可选的,所述装置还包括:
特征确定单元,用于在根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后对应的拥堵状态的预测结果之前,对当前时刻之前的传感器数据进行预处理并生成当前时刻之前的传感器数据对应的特征数据。
为了实现上述目的,根据本申请的第三方面,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指令,所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的拥堵状态预测的方法。
为了实现上述目的,根据本申请的第四方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述第一方面中任意一项所述的拥堵状态预测的方法。
在本申请实施例中,拥堵状态预测的方法及装置中,首先,获取当前时刻之前的传感器数据,传感器数据为收费站每条道路安装的传感器采集的数据;根据传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。将本申请应用到收费站道路监控***中,可以根据各道路已经安装的传感器获取的传感器数据对道路拥堵状态进行***,并及时的进行道路的调整以及人员的调动,提升收费通道的利用率。另外,在进行预测时是根据机器算法模型进行预测的,预测结果的准确率和速率更高。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的一种拥堵状态预测的方法流程图;
图2是根据本申请实施例提供的一种拥堵状态预测模型训练生成的方法流程图;
图3是根据本申请实施例提供的一种拥堵状态预测的装置的组成框图;
图4是根据本申请实施例提供的另一种拥堵状态预测的装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请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数据在适当情况下可以互换,以便这里描述的本申请的实施例。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单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例,提供了一种拥堵状态预测的方法,如图1所示,该方法包括如下的步骤:
S101.获取当前时刻之前的传感器数据,传感器数据为收费站每条道路安装的传感器采集的数据。
收费站每条道路安装的传感器***都有唯一的身份标识ID。传感器数据为每间隔一定时长采集一次拥堵状态,假设每5分钟采集一次,则一天采集的数据为288条。每条数据中包括传感器ID、日期、时间、道路类型、方向、拥堵级别等,其中拥堵级别可以分为四种:non,light,medium,heavy(分别代表通畅、轻微拥堵、中度拥堵、重度拥堵)。拥堵级别的分类也可以根据实际的需求自由调整,本实施例不作限制。
S102.根据传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果。
传感器样本数据与获取的当前时刻之前的传感器数据内容是相同,也包括传感器ID、日期、时间、道路类型、方向、拥堵级别等。拥堵状态预测模型的原理为基于当前时刻之前的道路的拥堵状态来预测预定时长后该道路的拥堵状态。需要说明的是,拥堵状态预测模型为单个传感器对应的预测模型。每条道路都安装有传感器,单个传感器的预测模型即所在道路的拥堵状态预测模型。
其中,拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。决策树的集成机器学习算法(eXtreme Gradient Boosting,XGBoost)是实现的是一种通用的Tree Boosting算法,此算法的一个代表为梯度提升决策树(GradientBoosting Decision Tree,GBDT),又名MART(Multiple Additive Regression Tree)。GBDT的原理是,首先使用训练集和样本真值(即标准答案)训练一棵树,然后使用这棵树预测训练集,得到每个样本的预测值,由于预测值与真值存在偏差,所以二者相减可以得到“残差”。接下来训练第二棵树,此时不再使用真值,而是使用残差作为标准答案。两棵树训练完成后,可以再次得到每个样本的残差,然后进一步训练第三棵树,以此类推。树的总棵数可以人为指定,也可以监控某些指标(例如验证集上的误差)来停止训练。在预测新样本时,每棵树都会有一个输出值,将这些输出值相加,即得到样本最终的预测值。
从以上的描述中,可以看出,本申请实施例的拥堵状态预测的方法中,首先,获取当前时刻之前的传感器数据,传感器数据为收费站每条道路安装的传感器采集的数据;根据传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。将本申请应用到收费站道路监控***中,可以根据各道路已经安装的传感器获取的传感器数据对道路拥堵状态进行***,并及时的进行道路的调整以及人员的调动,提升收费通道的利用率。另外,在进行预测时是根据机器算法模型进行预测的,预测结果的准确率和速率更高。
图1中的拥堵状态模型是需要提前根据样本数据训练得到的,作为上述实施例的进一步的补充,本实施例还提供了一种拥堵状态模型训练生成的流程,如图2所示,包括如下步骤:
S201.获取传感器样本数据。
传感器样本数据是每间隔一定时长采集一次拥堵状态的数据,假设可以每5分钟采集一个拥堵状态,其中一条数据包括传感器ID、日期、时间、道路类型、方向、拥塞级别等,拥堵级别分为通畅、轻微拥堵、中度拥堵、重度拥堵四种,具体拥堵级别可以分别用0、1、2、3代表。
S202.对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据。
具体的本步骤的实现包括:
对传感器样本数据进行预处理,传感器样本数据中的每条数据得到对应的第一特征数据,第一特征数据包括传感器身份标识ID、时间特征数据、当前拥堵状态数据、道路特征数据中的一种或多种特征;
具体的预处理包括将日期+时间合并为begain_time列,根据时间进行排序,对异常数据进行删除及修正(修正方法:采用当前传感器上下时间点的数据对异常数据进行人为修正);通过LabelEncoder将所有(传感器ID)生成标准化模型;LabelEncoder是将传感器ID转换为连续编号。合并的begain_time列对应的是时间特征数据、LabelEncoder后的编号为传感器身份标识ID特征、当前拥堵状态数据特征为(0、1、2、3)、道路特征数据包括道路的方向和道路的类型。
根据每条数据对应的时刻之前的拥堵状态生成每条数据对应的第二特征数据,第二特征数据包括连续时间点拥堵状态、连续时间点的累计拥堵状态、间隔时间点的累计拥堵状态中的一种或多种特征。连续时间点拥堵状态为每条数据对应的当前时刻之前的连续多个时间点的拥堵状态;间隔时间点的累计拥堵状态为每条数据对应的当前时刻之前的多个间隔时间点的累计拥堵状态。下面以具体的示例对第二特征数据进行说明:
连续时间点拥堵状态特征:通过拥堵状态和begain_time生成ago5,ago4,ago3,go2,ago1,前5个时间点的数据特征(若5分钟记录一个状态,则5个时间点的数据特征为当条数据前5分钟,前10分钟,前15分钟,前20分钟,前25分种的拥堵状态,没有则设为Nan);需要说明的是实际应用中取几个连续时间点可以根据实际需求调整,通常取的时间点越多,则最终得到的模型准确率越高。
连续时间点的累计拥堵状态特征:对应上述示例,连续时间点的累计拥堵状态为ago5,ago4,ago3,go2,ago1五个时间点对应的拥堵状态的累计,连续时间点的累计拥堵状态特征为通畅-0、轻微拥堵-1、中度拥堵-2、重度拥堵-3的累计,分别可以记作total0,total1,total2,total3;
间隔时间点的累计拥堵状态特征:当前时刻之前的间隔5个时间点和间隔10个时间点的拥堵状态累计生成back_time_5_0,back_time_5_1,back_time_5_2,back_time_5_3;
back_time_10_0,back_time_10_1,back_time_10_2,back_time_10_3;
间隔时间点的累计拥堵状态特征为通畅-0、轻微拥堵-1、中度拥堵-2、重度拥堵-3的累计。
需要说明的是选择间隔几个时间点(示例中的5个时间点、10个时间点)的拥堵状态累计可以根据实际情况进行自由调整。
另外,还需要说明的是,在对传感器样本数据预处理之前,还需要根据传感器ID进行分类,不同的ID的传感器样本数据分别进行模型训练,保证最终得到的拥堵状态预测模型为针对单个传感器的预测模型。
S203.基于决策树的集成机器学习算法对传感器样本数据对应的特征数据进行训练得到拥堵状态预测模型。
经过步骤S202之后,每条数据对应生成第一特征数据和第二特征数据,将所有传感器样本数据对应的第一特征数据和第二特征数据基于决策树的集成机器学习算法进行训练得到拥堵状态预测模型。训练完成后拥堵状态预测模型的输入为传感器数据对应的特征数据(第一特征数据和第二特征数据),输出为预定时长后的拥堵状态。
结合图2中的流程图,作为对上述图1实施例的补充,在步骤102执行之前还需要增加“对当前时刻之前的传感器数据进行预处理并生成当前时刻之前的传感器数据对应的特征数据。”的步骤,然后根据得到的特征数据输入到拥堵状态预测模型中,得到预定时长后的拥堵状态。“对当前时刻之前的传感器数据进行预处理并生成当前时刻之前的传感器数据对应的特征数据”的过程与对传感器样本数据进行预处理生成传感器样本数据的特征数据的过程是相同的。
另外,作为上述实施例的补充,本实施例提供另一种拥堵状态预测的方法,该种方法针对的是用户选择的需要预测收费站道路拥堵状态的时段,即目标预测时段内的拥堵状态,目标预测时段为预定时长的整数倍,而图1中预测的是预定时长后的拥堵状态。给出具体示例进行说明,假设预定时长为5分钟,那么目标预测时段可以为当前时刻之后的10分钟、15分钟、20分钟、25分钟、30分钟、40分钟等。下面以目标预测时段为当前时刻之后30分钟,预定时长为5分钟为例,对目标预测时段内的拥堵状态进行预测的过程进行说明:
首先,将目标预测时段按照预定时长等分为多个子目标预测时段;
将30分钟等分为第一个5min、第二个5min(10min)、···、第5个5min(25min)、第六个5min(30min)
其次,根据当前时刻之前的传感器数据利用拥堵状态预测模型得到第一个子目标预测时段对应的第一拥堵状态;
根据当前时刻之前的传感器数据基于拥堵状态模型可以得到预定时长后即5min后的拥堵状态,即第一个子目标预测时段对应的第一拥堵状态。
第三,根据当前时刻之前的传感器数据、第一个子预测目标时段以及对应的第一拥堵状态再次利用拥堵状态预测模型得到第二个子预测时段对应的第二拥堵状态;
将第一个子预测目标时段以及对应的第一拥堵状态(5min后的拥堵状态)整合到当前时刻之前的传感器数据中,再次利用拥堵状态预测模型得到10min后的拥堵状态,即第二个子预测目标时段对应的第二拥堵状态。
第四,按照获取第二拥堵状态的方式循环利用拥堵状态预测模型依次获取剩余所有的子目标预测时段对应的拥堵状态。
将第二个子预测目标时段以及对应的第二拥堵状态(10min后的拥堵状态)、和前一次的整合结果再进行整合,再次利用拥堵状态预测模型得到15min后的拥堵状态,即第三个子预测目标时段对应的第三拥堵状态。依此方式依次可以得到第四拥堵状态、第五拥堵状态、第六拥堵状态。假设拥堵状态用0-3的数字表示:通畅-0、轻微拥堵-1、中度拥堵-2、重度拥堵-3,则最终得到的目标预测时段内的拥堵状态预测结果的一种形式可以为:
30min后的拥堵状态-----传感器ID:0,1,2,3,3,2
上述数字分别代表5min后、10min后、15min后、20min后、25min后、30min后的拥堵状态。
从上述目标预测时段内的拥堵状态进行预测的过程可以看出,预测的原理是循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果,并且循环的次数等于整数倍的倍数。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,还提供了一种用于实施上述图1至图2所述方法的拥堵状态预测的装置,如图3所示,该装置包括:
第一获取单元31,用于获取当前时刻之前的传感器数据,所述传感器数据为收费站每条道路安装的传感器采集的数据;
预测单元32,用于根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,所述拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。
从以上的描述中,可以看出,本申请实施例的拥堵状态预测的装置中,首先,获取当前时刻之前的传感器数据,传感器数据为收费站每条道路安装的传感器采集的数据;根据传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。将本申请应用到收费站道路监控***中,可以根据各道路已经安装的传感器获取的传感器数据对道路拥堵状态进行***,并及时的进行道路的调整以及人员的调动,提升收费通道的利用率。另外,在进行预测时是根据机器算法模型进行预测的,预测结果的准确率和速率更高。
进一步的,如图4所示,所述装置还包括:
第二获取单元33,用于获取目标预测时段,所述目标预测时段为用户选择的需要预测收费站道路拥堵状态的时段,所述目标预测时段为预定时长的整数倍;
所述预测单元32,还用于循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果,所述循环的次数等于所述整数倍的倍数。
进一步的,如图4所示,所述装置还包括:
第三获取单元34,用于获取传感器样本数据;
样本特征生成单元35,用于对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据;
模型生成单元36,用于基于决策树的集成机器学习算法对传感器样本数据对应的特征数据进行训练得到拥堵状态预测模型。
进一步的,如图4所示,所述样本特征生成单元35包括:
第一特征生成模块351,用于对传感器样本数据进行预处理,传感器样本数据中的每条数据得到对应的第一特征数据,所述第一特征数据包括传感器身份标识ID、时间特征数据、当前拥堵状态数据、道路特征数据中的一种或多种特征;
第二特征生成模块352,用于根据每条数据对应的时刻之前的拥堵状态生成每条数据对应的第二特征数据,所述第二特征数据包括连续时间点拥堵状态、连续时间点的累计拥堵状态、间隔时间点的累计拥堵状态中的一种或多种特征。
进一步的,如图4所示,所述预测单元32还包括:
时段划分模块321,用于将目标预测时段按照预定时长等分为多个子目标预测时段;
预测模块322,用于根据当前时刻之前的传感器数据利用拥堵状态预测模型得到第一个子目标预测时段对应的第一拥堵状态;
所述预测模块322,还用于根据当前时刻之前的传感器数据、第一个子预测目标时段以及对应的第一拥堵状态再次利用拥堵状态预测模型得到第二个子预测目标时段对应的第二拥堵状态;
所述预测模块322,还用于按照获取第二拥堵状态的方式循环利用拥堵状态预测模型依次获取剩余所有的子目标预测时段对应的拥堵状态。
进一步的,如图4所示,所述装置还包括:
特征确定单元37,用于在根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后对应的拥堵状态的预测结果之前,对当前时刻之前的传感器数据进行预处理并生成当前时刻之前的传感器数据对应的特征数据。
具体的,本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述,此处不再赘述。
根据本申请实施例,还提供了一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行上述方法实施例中的拥堵状态预测的方法。
根据本申请实施例,还提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行上述方法实施例中的拥堵状态预测的方法。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种拥堵状态预测的方法,其特征在于,所述方法包括:
获取当前时刻之前的传感器数据,所述传感器数据为收费站每条道路安装的传感器采集的数据;
根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,所述拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。
2.根据权利要求1所述的拥堵状态预测的方法,其特征在于,所述方法还包括:
获取目标预测时段,所述目标预测时段为用户选择的需要预测收费站道路拥堵状态的时段,所述目标预测时段为预定时长的整数倍;
循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果,所述循环的次数等于所述整数倍的倍数。
3.根据权利要求1或2所述的拥堵状态预测的方法,其特征在于,所述方法还包括:
获取传感器样本数据;
对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据;
基于决策树的集成机器学习算法对传感器样本数据对应的特征数据进行训练得到拥堵状态预测模型。
4.根据权利要求3所述的拥堵状态预测的方法,其特征在于,所述对传感器样本数据进行预处理并生成传感器样本数据对应的特征数据包括:
对传感器样本数据进行预处理,传感器样本数据中的每条数据得到对应的第一特征数据,所述第一特征数据包括传感器身份标识ID、时间特征数据、当前拥堵状态数据、道路特征数据中的一种或多种特征;并,
根据每条数据对应的时刻之前的拥堵状态生成每条数据对应的第二特征数据,所述第二特征数据包括连续时间点拥堵状态、连续时间点的累计拥堵状态、间隔时间点的累计拥堵状态中的一种或多种特征。
5.根据权利要求2所述的拥堵状态预测的方法,其特征在于,所述循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果包括:
将目标预测时段按照预定时长等分为多个子目标预测时段;
根据当前时刻之前的传感器数据利用拥堵状态预测模型得到第一个子目标预测时段对应的第一拥堵状态;
根据当前时刻之前的传感器数据、第一个子预测目标时段以及对应的第一拥堵状态再次利用拥堵状态预测模型得到第二个子预测目标时段对应的第二拥堵状态;
按照获取第二拥堵状态的方式循环利用拥堵状态预测模型依次获取剩余所有的子目标预测时段对应的拥堵状态。
6.根据权利要求4所述的拥堵状态预测的方法,其特征在于,在根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后对应的拥堵状态的预测结果之前,所述方法还包括:
对当前时刻之前的传感器数据进行预处理并生成当前时刻之前的传感器数据对应的特征数据。
7.一种拥堵状态预测的装置,其特征在于,所述装置包括:
第一获取单元,用于获取当前时刻之前的传感器数据,所述传感器数据为收费站每条道路安装的传感器采集的数据;
预测单元,用于根据所述传感器数据基于拥堵状态预测模型进行拥堵状态预测,得到预定时长后传感器所在道路对应的拥堵状态的预测结果,所述拥堵状态预测模型为基于决策树的集成机器学习算法对传感器样本数据进行训练得到的。
8.根据权利要求7所述的拥堵状态预测的装置,其特征在于,所述装置还包括:
第二获取单元,用于获取目标预测时段,所述目标预测时段为用户选择的需要预测收费站道路拥堵状态的时段,所述目标预测时段为预定时长的整数倍;
所述预测单元,还用于循环利用拥堵状态预测模型进行预测,得到目标预测时段内的拥堵状态预测结果,所述循环的次数等于所述整数倍的倍数。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的拥堵状态预测的方法。
10.一种电子设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1-6任意一项所述的拥堵状态预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010100665.5A CN111341098B (zh) | 2020-02-18 | 2020-02-18 | 拥堵状态预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010100665.5A CN111341098B (zh) | 2020-02-18 | 2020-02-18 | 拥堵状态预测的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111341098A true CN111341098A (zh) | 2020-06-26 |
CN111341098B CN111341098B (zh) | 2021-07-27 |
Family
ID=71183856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010100665.5A Active CN111341098B (zh) | 2020-02-18 | 2020-02-18 | 拥堵状态预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111341098B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111757272A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 地铁拥堵程度的预测方法、模型训练方法和装置 |
CN112422443A (zh) * | 2020-10-27 | 2021-02-26 | 鹏城实验室 | 一种拥塞算法的自适应控制方法、存储介质、设备及*** |
CN112785841A (zh) * | 2020-12-25 | 2021-05-11 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN116432803A (zh) * | 2022-12-13 | 2023-07-14 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警***及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01144200A (ja) * | 1987-11-30 | 1989-06-06 | Omron Tateisi Electron Co | 自動車専用道路における自動車の交通流調査システム |
CA2290301A1 (en) * | 1999-03-05 | 2000-09-05 | Loran Network Management Ltd. | A method for detecting outlier measures of activity |
CN1576789A (zh) * | 2003-07-30 | 2005-02-09 | 日本先锋公司 | 交通状况报知设备、***、方法、程序和记录介质 |
CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
CN101681553A (zh) * | 2007-08-22 | 2010-03-24 | 丰田自动车株式会社 | 交通信息生成方法、交通信息生成装置以及导航*** |
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN106781464A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况测试方法 |
CN108022425A (zh) * | 2017-12-21 | 2018-05-11 | 东软集团股份有限公司 | 交通状况预测方法、装置和计算机设备 |
CN108091131A (zh) * | 2016-11-22 | 2018-05-29 | ***通信有限公司研究院 | 一种交通事件识别方法及装置 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN108364471A (zh) * | 2018-04-24 | 2018-08-03 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息检查的货运规划管理方法及*** |
CN109255948A (zh) * | 2018-08-10 | 2019-01-22 | 昆明理工大学 | 一种基于卡尔曼滤波的分车道车流比例预测方法 |
CN109887283A (zh) * | 2019-03-07 | 2019-06-14 | 东莞数汇大数据有限公司 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
-
2020
- 2020-02-18 CN CN202010100665.5A patent/CN111341098B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01144200A (ja) * | 1987-11-30 | 1989-06-06 | Omron Tateisi Electron Co | 自動車専用道路における自動車の交通流調査システム |
CA2290301A1 (en) * | 1999-03-05 | 2000-09-05 | Loran Network Management Ltd. | A method for detecting outlier measures of activity |
CN1576789A (zh) * | 2003-07-30 | 2005-02-09 | 日本先锋公司 | 交通状况报知设备、***、方法、程序和记录介质 |
CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
CN101681553A (zh) * | 2007-08-22 | 2010-03-24 | 丰田自动车株式会社 | 交通信息生成方法、交通信息生成装置以及导航*** |
CN103839409A (zh) * | 2014-02-27 | 2014-06-04 | 南京大学 | 基于多断面视觉传感聚类分析的交通流状态判别方法 |
CN105788249A (zh) * | 2014-12-16 | 2016-07-20 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN108091131A (zh) * | 2016-11-22 | 2018-05-29 | ***通信有限公司研究院 | 一种交通事件识别方法及装置 |
CN106781464A (zh) * | 2016-12-06 | 2017-05-31 | 广州市科恩电脑有限公司 | 一种道路拥堵情况测试方法 |
CN108022425A (zh) * | 2017-12-21 | 2018-05-11 | 东软集团股份有限公司 | 交通状况预测方法、装置和计算机设备 |
CN108280998A (zh) * | 2018-01-30 | 2018-07-13 | 浙江大学 | 基于历史数据动态选择的短时交通流预测方法 |
CN108364471A (zh) * | 2018-04-24 | 2018-08-03 | 浙江方大智控科技有限公司 | 基于智能交通灯od信息检查的货运规划管理方法及*** |
CN109255948A (zh) * | 2018-08-10 | 2019-01-22 | 昆明理工大学 | 一种基于卡尔曼滤波的分车道车流比例预测方法 |
CN109887283A (zh) * | 2019-03-07 | 2019-06-14 | 东莞数汇大数据有限公司 | 一种基于卡口数据的道路拥堵预测方法、***及装置 |
Non-Patent Citations (3)
Title |
---|
房丽侠等: "基于决策树的交通拥挤状态预测", 《河北工业大学学报》 * |
杜长海: "基于神经网络和Markov链的交通流实时滚动预测", 《***仿真学报》 * |
陈俊刚: "基于梯度提升决策树的交通流量预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111757272A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 地铁拥堵程度的预测方法、模型训练方法和装置 |
CN112422443A (zh) * | 2020-10-27 | 2021-02-26 | 鹏城实验室 | 一种拥塞算法的自适应控制方法、存储介质、设备及*** |
CN112785841A (zh) * | 2020-12-25 | 2021-05-11 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN112785841B (zh) * | 2020-12-25 | 2022-05-06 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN116432803A (zh) * | 2022-12-13 | 2023-07-14 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警***及方法 |
CN116432803B (zh) * | 2022-12-13 | 2023-09-15 | 陕西高速电子工程有限公司 | 一种基于物联网的通信数据智能预警***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111341098B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111341098B (zh) | 拥堵状态预测的方法及装置 | |
CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN107038478B (zh) | 路况预测方法及装置、计算机设备与可读介质 | |
CN106503840A (zh) | 停车场可用车位预测方法及*** | |
CN108806302A (zh) | 一种车辆调度方法及装置 | |
EP4080408A1 (en) | Model generation method and apparatus, object detection method and apparatus, device, and storage medium | |
CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
CN113361810B (zh) | 一种客流量预测方法、装置、设备和存储介质 | |
CN111815973B (zh) | 信号交叉口分析方法及相关设备 | |
CN107862863B (zh) | 一种交通数据质量提升的方法及装置 | |
CN114826947A (zh) | 一种基于自动编码器的流量矩阵恢复预测方法及*** | |
CN111325572B (zh) | 一种数据处理方法及装置 | |
CN110543699B (zh) | 共享车辆出行数据仿真、共享车辆调度方法、装置及设备 | |
CN112652164A (zh) | 一种交通时段划分方法、装置及设备 | |
CN117130888A (zh) | 基于历史数据和机器学习的服务器自动调优方法及*** | |
CN111325255A (zh) | 特定人群圈定方法、装置、电子设备及存储介质 | |
CN111555908A (zh) | 基于专家经验规则的电网复杂故障事件识别方法、装置及*** | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN116956155A (zh) | 一种基于人工智能的污水处理智能加药方法及*** | |
CN111950753A (zh) | 一种景区客流预测的方法及装置 | |
CN115547055A (zh) | 一种交通信号灯协调控制方法、装置、存储介质及设备 | |
CN115081920A (zh) | 考勤签到调度管理方法、***、设备及存储介质 | |
CN109191851A (zh) | 一种交通灯冗余时间计算方法及装置 | |
CN113780356A (zh) | 基于集成学习模型的水质预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220513 Address after: 201306 C Building, 888 Huanhu West Second Road, Pudong New Area, Shanghai Patentee after: Zhonghaifu Information Technology Co.,Ltd. Address before: Room 302-1, floor 3, building 3, yard 128, South Fourth Ring West Road, Fengtai District, Beijing 100070 Patentee before: Beijing Zhongyi new energy Co.,Ltd. |
|
TR01 | Transfer of patent right |