CN111523560B - 到港货车数量预测模型训练方法、预测方法、装置及*** - Google Patents

Abstract

本说明书公开了一种到港货车数量预测模型的训练方法、到港货车数量的预测方法、装置、***及计算机可读存储介质。该训练方法包括：采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；基于所述训练样本集训练到港货车数量预测模型。本发明实施例可以提高训练的到港货车数量预测模型的精度。

Description

到港货车数量预测模型训练方法、预测方法、装置及***

技术领域

本发明涉及人工智能技术领域，尤其涉及一种到港货车数量预测模型的训练方法、到港货车数量的预测方法、装置、***及计算机可读存储介质。

背景技术

港口是具有水陆联运设备以及条件供船舶安全进出和停泊的运输枢纽，是水陆交通的集结点和枢纽，工农业产品和外贸进出口物资的集散地，用于船舶停泊、装卸货物。

港口包括水域和陆域，陆域指港口供货物装卸、堆存、转运和旅客集散之用的陆地面积。由装载货物的货车、火车等通过进港陆上通道(铁路、道路等)输送到港口或从港口输出货物。当需要在港口进行装卸的货车大量涌入港口时，由于港口陆地面积的限制，以及装卸货物需花费大量时间的限制，会导致到港货车大面积拥堵，造成港口运行效率降低。

发明内容

本发明的目的在于提供一种到港货车数量预测模型的训练方法、到港货车数量的预测方法、装置、***及计算机可读存储介质，以提高到港货车预测的精度。

根据本发明的第一方面，提供了一种到港货车数量预测模型的训练方法，该方法包括：

采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；

基于所述训练样本集训练到港货车数量预测模型。

可选的，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

可选的，所述基于采集的货车实时状态信息和实际到港货车数量构造训练样本集包括：

定义样本，其中，某一时刻的样本由该时刻本身和该时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为每条样本构造特征，其中，每条样本的特征包括：在相应时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，该方法还包括将所述预定区域进行空间网格划分得到多个网格区域，以用于为每条样本构造空间网格特征，其中，所述空间网格特征包括：在相应时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，所述为每条样本构造空间网格特征包括：

获取相应时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

可选的，在所述将所述预定区域进行空间网格划分得到多个网格区域的步骤之前，该方法还包括：

确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

可选的，根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

可选的，该方法还包括为每条样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

可选的，其中，

所述当前时间特征，包括相应时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述相应时刻对应的节假日类别；

所述天气特征，包括所述相应时刻对应的天气类别。

可选的，所述为每条样本构造基本特征包括：

确定相应时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

可选的，该方法还包括为每条样本构造交通关键点特征，其中，所述交通关键点特征包括：在相应时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，在所述为每条样本构造交通关键点特征的步骤之前，该方法还包括：

确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

可选的，所述为每条样本构造交通关键点特征包括：

获取相应时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

可选的，该方法还包括为每条样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：相应时刻之前多个不同时间段内到达所述港口的货车数量。

根据本发明的第二方面，提供了一种到港货车数量预测模型的训练装置，所述装置包括：

采集模块，用于采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

第一构造模块，用于基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；

训练模块，用于基于所述训练样本集训练到港货车数量预测模型。

可选的，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

可选的，所述基于采集的货车实时状态信息和实际到港货车数量构造训练样本集包括：

定义样本，其中，某一时刻的样本由该时刻本身和该时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为每条样本构造特征，其中，每条样本的特征包括：在相应时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，该装置还包括：

划分模块，用于将所述预定区域进行空间网格划分得到多个网格区域，以用于所述第一构造模块为每条样本构造空间网格特征，其中，所述空间网格特征包括：在相应时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，所述为每条样本构造空间网格特征包括：

获取相应时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

可选的，所述装置还包括：

第一确定模块，用于在所述划分模块将所述预定区域进行空间网格划分得到多个网格区域之前，确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

可选的，所述第一确定模块根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

可选的，该装置还包括：

第二构造模块，用于为每条样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

可选的，其中，

所述当前时间特征，包括相应时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述相应时刻对应的节假日类别；

所述天气特征，包括所述相应时刻对应的天气类别。

可选的，所述为每条样本构造基本特征包括：

确定相应时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

可选的，该装置还包括：

第三构造模块，用于为每条样本构造交通关键点特征，其中，所述交通关键点特征包括：在相应时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，所述装置还包括：

第二确定模块，用于在所述第三构造模块为每条样本构造交通关键点特征之前，确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

可选的，所述为每条样本构造交通关键点特征包括：

获取相应时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

可选的，该装置还包括：

第四构造模块，用于为每条样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：相应时刻之前多个不同时间段内到达所述港口的货车数量。

根据本发明的第三方面，提供了一种到港货车数量的预测方法，该方法包括：

采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

基于采集的货车实时状态信息构造当前时刻对应的预测样本；

将所述预测样本输入到到港货车数量预测模型，以得到预测结果，所述预测结果为预测在所述当前时刻后的预定时间段内到达所述港口的货车数量。

可选的，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

可选的，所述基于采集的货车实时状态信息构造当前时刻对应的预测样本包括：

定义样本，其中，预测样本由当前时刻本身和当前时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为所述预测样本构造特征，其中，所述预测样本的特征包括：在所述当前时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，该方法还包括将所述预定区域进行空间网格划分得到多个网格区域，以用于为所述预测样本构造空间网格特征，其中，所述空间网格特征包括：在所述当前时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，所述为所述预测样本构造空间网格特征包括：

根据所述当前时刻获取所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

可选的，在所述将所述预定区域进行空间网格划分得到多个网格区域的步骤之前，该方法还包括：

确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域。

可选的，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

可选的，根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

可选的，该方法还包括为所述预测样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

可选的，所述当前时间特征，包括当前时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；所述节假日特征，包括所述当前时刻对应的节假日类别；所述天气特征，包括所述当前时刻对应的天气类别。

可选的，所述为所述预测样本构造基本特征包括：

确定所述当前时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

可选的，该方法还包括为所述预测样本构造交通关键点特征，其中，所述交通关键点特征包括：在所述当前时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，在所述为所述预测样本构造交通关键点特征的步骤之前，该方法还包括：

确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

可选的，所述为所述预测样本构造交通关键点特征包括：

根据所述当前时刻获取所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

可选的，该方法还包括为所述预测样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：当前时刻之前多个不同时间段内到达所述港口的货车数量。

可选的，所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型中至少一个；

在所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型的情况下，所述将所述预测样本输入到到港货车数量预测模型，以得到预测结果包括：

将所述预测样本分别输入到所述传统算法的预测模型和所述基于深度学习算法的预测模型，以分别得到第一预测结果和第二预测结果；

将所述第一预测结果与第一权重相乘得到第一乘积，将所述第二预测结果与第二权重相乘得到第二乘积；

对所述第一乘积与所述第二乘积进行求和，以得到求和结果；

将所述求和结果作为所述预测结果输出。

可选的，所述传统算法的预测模型包括：梯度提升迭代决策树模型、逻辑回归模型或整合移动平均自回归模型；

所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

根据本发明的第四方面，提供了一种到港货车数量的预测装置，所述装置包括：

采集模块，用于采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

第一构造模块，用于基于采集的货车实时状态信息构造当前时刻对应的预测样本；

预测模块，用于将所述预测样本输入到到港货车数量预测模型，以得到预测结果，所述预测结果为预测在所述当前时刻后的预定时间段内到达所述港口的货车数量。

可选的，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

可选的，所述基于采集的货车实时状态信息构造当前时刻对应的预测样本包括：

定义样本，其中，预测样本由当前时刻和当前时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为所述预测样本构造特征，其中，所述预测样本的特征包括：在所述当前时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，该装置还包括：

划分模块，用于将所述预定区域进行空间网格划分得到多个网格区域，以用于所述第一构造模块为所述预测样本构造空间网格特征，其中，所述空间网格特征包括：在当前时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，所述为所述预测样本构造空间网格特征包括：

获取所述当前时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

可选的，所述装置还包括：

第一确定模块，用于在所述划分模块将所述预定区域进行空间网格划分得到多个网格区域之前，确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

可选的，所述第一确定模块根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

可选的，该装置还包括：

第二构造模块，用于为所述预测样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

可选的，所述当前时间特征，包括当前时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述当前时刻对应的节假日类别；

所述天气特征，包括所述当前时刻对应的天气类别。

可选的，所述为所述预测样本构造基本特征包括：

确定所述当前时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

可选的，该装置还包括：

第三构造模块，用于为所述预测样本构造交通关键点特征，其中，所述交通关键点特征包括：在所述当前时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

可选的，所述装置还包括：

第二确定模块，用于在所述第三构造模块为所述预测样本构造交通关键点特征之前，确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

可选的，所述为所述预测样本构造交通关键点特征包括：

获取所述当前时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

可选的，该装置还包括：

第四构造模块，用于为所述预测样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：所述当前时刻之前多个不同时间段内到达所述港口的货车数量。

可选的，所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型中至少一个；

在所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型的情况下，所述预测模块用于：

将所述预测样本分别输入到所述传统算法的预测模型和所述基于深度学习算法的预测模型，以分别得到第一预测结果和第二预测结果；

将所述第一预测结果与第一权重相乘得到第一乘积，将所述第二预测结果与第二权重相乘得到第二乘积；

对所述第一乘积与所述第二乘积进行求和，以得到求和结果；

将所述求和结果作为所述预测结果输出。

可选的，所述传统算法的预测模型包括：梯度提升迭代决策树模型、逻辑回归模型或整合移动平均自回归模型；所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

根据本发明的第五方面，提供了一种包括至少一个计算装置和至少一个存储装置的***，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据本发明第一方面或第三方面所述的方法。

根据本发明的第六方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现根据本发明第一方面或第三方面所述的方法。

根据本发明实施例，可以通过获取相应时刻的货车实时状态信息和该时刻后预定时间段的实际到港货车数量，作为训练样本集进行预测模型的训练，得到具有高精度的预测模型。

此外，通过进一步结合使用包括空间网格特征、基本特征、交通关键点特征和历史进港车辆特征中的至少一个来进一步构造预测模型的训练样本，可更加提高训练得到的预测模型的精度。

利用该预测模型进行到港货车数量的预测，能够得到高精度的预测结果，有利于港口根据预测结果执行高效的调度安排，提高港口的运行效率。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1为可用于实现本发明实施例的到港货车数量的预测***的硬件配置结构方框图。

图2为本发明实施例的到港货车数量预测模型的训练方法流程图。

图3为本发明实施例的网格区域划分示意图。

图4为本发明实施例的到港货车数量的预测方法流程图。

图5为本发明实施例的到港货车数量预测模型的训练装置的结构方框图。

图6为本发明实施例的到港货车数量的预测装置的结构方框图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人物已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

<硬件配置>

图1是可用于实现本发明实施例的到港货车数量的预测***1000的硬件配置的框图。

如图1所示，预测***1000包括货车车载装置1200、数据库1400和服务器1600。

服务器1600是提供处理、数据库、通讯设施的业务点。服务器1600可以是整体式服务器或是跨多计算机或计算机数据中心的分散式服务器。服务器可以是各种类型的，例如但不限于，网络服务器，新闻服务器，邮件服务器，消息服务器，广告服务器，文件服务器，应用服务器，交互服务器，数据库服务器，或代理服务器。在一些实施例中，每个服务器可以包括硬件，软件，或用于执行服务器所支持或实现的合适功能的内嵌逻辑组件或两个或多个此类组件的组合。例如，服务器例如刀片服务器、云端服务器等，或者可以是由多台服务器组成的服务器群组，可以包括上述类型的服务器中的一种或多种等等。

在一个实施例中，如图1所示，服务器1600可以包括处理器1610、存储器1620、接口装置1630、通信装置1640、显示装置1650、输入装置1660。

处理器1610用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1620例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1630例如包括各种总线接口，例如串行总线接口(包括USB接口)、并行总线接口等。通信装置1640例如能够进行有线或无线通信。显示装置1650例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1660例如可以包括触摸屏、键盘等。

本实施例中，服务器1600的存储器1620用于存储计算机指令，该计算机指令用于控制处理器1610进行操作以实施或者支持实施根据本发明任意实施例的到港货车数量的预测方法。技术人员可以根据本发明所公开方案设计该指令。指令如何控制处理器进行操作，这是本领域公知，故在此不再详细描述。

尽管在图1中示出了服务器1600的多个装置，但是，本发明可以仅涉及其中的部分装置，例如，服务器1600只涉及存储器1620、处理器1610和通信装置1640等。

本实施例中，如图1所示，货车车载装置1200例如可以包括处理器1210、存储器1220、接口装置1230、通信装置1240、显示装置1250、输入装置1260、扬声器1270、麦克风1280等等。

处理器1210可以是STM32F103主控芯片或单片机主控芯片，用于与货车检测功能的模块(包括加速度检测模块，烟雾检测模块，蜂鸣器，外部按键，SIM808模块，GPS模块，语音合成模块，手机APP，温度模块与声音模块等等)通信。存储器1220例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1230例如包括USB接口、耳机接口等。通信装置1240例如能够进行有线或无线通信，通信装置1240可以包括短距离通信装置，例如是基于Hilink协议、WiFi(IEEE 802.11协议)、Mesh、蓝牙、ZigBee、Thread、Z-Wave、NFC、UWB、LiFi等短距离无线通信协议进行短距离无线通信的任意装置，通信装置1240也可以包括远程通信装置，例如是进行WLAN、GPRS、2G/3G/4G/5G远程通信的任意装置。显示装置1250例如是液晶显示屏、触摸显示屏等。输入装置1260例如可以包括触摸屏、键盘等。货车车载装置1200用于将采集的货车实时状态信息上报到例如全球定位***(GPS)的数据库1400。

数据库1400可以是层次式数据库、网络式数据库或关系式数据库，属于GPS定位***的存储数据块，用于存储车载装置1200上报的货车实时状态信息有关数据。如图1所示，数据库1400可以包括处理器1410、存储器1420、接口装置1430、通信装置1440、显示装置1450、输入装置1460。

处理器1410用于执行计算机程序。该计算机程序可以采用比如x86、Arm、RISC、MIPS、SSE等架构的指令集编写。存储器1420例如包括ROM(只读存储器)、RAM(随机存取存储器)、诸如硬盘的非易失性存储器等。接口装置1430例如包括各种总线接口，例如串行总线接口(包括USB接口)、并行总线接口等。通信装置1440例如能够进行有线或无线通信。显示装置1450例如是液晶显示屏、LED显示屏触摸显示屏等。输入装置1460例如可以包括触摸屏、键盘等。

本实施例中，货车车载装置1200可以用于向GPS***上报货车实时状态信息，GPS***将上报数据存储到数据库1400。服务器1600在收到到港货车数量的预测请求后，发起到港货车数量的预测，向数据库1400采集获取对应的货车实时状态信息，并进行当前时刻的到港货车数量的预测。

网络1300可以是无线通信网络也可以是有线通信网络，可以是局域网也可以是广域网。在图1所示的预测***1000中，货车车载装置1200与数据库1400、数据库1400与服务器1600，可以通过网络1300进行通信。此外，货车车载装置1200与数据库1400、数据库1400与服务器1600通信所基于的网络1300可以是同一个，也可以是不同的。

应当理解的是，尽管图1仅示出一个服务器1600、货车车载装置1200、数据库1400，但不意味着限制各自的数量，预测***1000中可以包含多个服务器1600、多个货车车载装置1200、多个数据库1400等。

<方法实施例一>

在本发明一个实施例中，提供一种到港货车数量预测模型的训练方法。该方法例如可以由电子设备实施，该电子设备可以是如图1所示的服务器1600。

图2为本发明实施例的到港货车数量预测模型的训练方法流程图。如图2所示，包括以下步骤：

步骤102，采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

步骤104，基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；

步骤106，基于所述训练样本集训练到港货车数量预测模型。

为了训练得到一定时间后预测到达港口的货车数量的预测模型，需要获取在港口周边一定距离的区域内行驶的货车的实时状态信息作为训练样本，状态信息可以是货车车载定位终端(车载装置)每隔一段时间(例如，30秒或者1分钟)上报的数据。

在步骤102中，货车的车载装置采集并上报的货车状态信息例如包括货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。车载装置将货车状态信息可以上报到GSP定位***，其中，货车标识为货车号牌，信息上报时间戳即对应当前上报时间，货车当前位置为经纬度信息，货车的当前行驶方向例如包括东西南北四个方向行驶的货车的方向，货车的当前行驶速度包括沿上述四个方向行驶的货车的速度，当前位置、当前行驶方法、当前行驶速度即对应信息上报时间戳对应的当前时刻。

在步骤102中，可以采集多个时刻上报的货车实时状态信息。

在步骤104中，每个时刻采集的货车实时状态信息可以得到对应在该时刻后预定时间段内的实际到港货车数量。从而基于采集的多个上报时刻的货车实时状态信息及其之后对应预定时间段内的实际到港货车数量，可以构造包含多个训练样本的训练样本集。预定时间段，例如为该时刻后的5分钟/半小时/1小时/2小时。

在一个实施例中，基于采集的货车实时状态信息和实际到港货车数量构造训练样本集包括：

定义样本，其中，某一时刻的样本由该时刻本身和该时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为每条样本构造特征，其中，每条样本的特征包括：在相应时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。相应时刻即为该条样本对应的货车实时状态信息包括的信息上报时间戳对应的时刻，每条样本对应的信息上报时间戳不同，所对应的该时刻后的预定时间段内的到港货车数量也可能不同。

在一个实施例中，可以将样本二元组定义为「样本时间戳(时刻本身)、样本时间戳之后xx时间内到港货车数量(该时刻后的预定时间段内的到港货车数量)」。如果要预测30分钟之后到港货车数量，则样本时间戳为2019-10-12 14:10:01时刻的样本定义为「2019-10-12 14:10:01、2019-10-12 14:10:01～2019-10-12 14:40:01期间到达港口的货车数量」。该样本二元组理解为样本字段，对应的字段内容为样本的构造特征，下文中将展开说明。

在一个实施例中，还可以将所述预定区域进一步进行细化分多个网格，并根据每个网格内的特征进行样本特征构造。

关于网格区域划分可以参考图3，图3为本发明实施例的网格区域划分示意图。

在将预定区域进行空间网格划分得到多个网格区域的步骤之前，首先确定预定区域。如图所示，在该实施例中，预定区域为正方形，其中正方形的中心点表示港口，以港口为中心，沿东、西、南、北四个方向向外扩展第一距离a(例如单位为千米Km)，划定一个正方形，即得到该预定区域。第一距离可以根据预测对应的预定时间段和货车行驶速度确定。例如，构造特征时的预定区域即为上文所述港口周边一定距离的区域，以预测1小时(预定时间段)后的到港数量为例，根据货车通常的行驶速度(例如，货车行驶速度通常为40～80千米/小时)，以货车行驶速度为50Km/h为例，则至少需要港口周边第一距离a为50Km的货车状态信息。

在将上述预定区域进行空间网格划分得到多个网格区域时，以第二距离b(例如单位为Km)为边长，将大正方形划分为多个小正方形。其中a＝k×b，k为系数，k≥1。通常，k可以位于5～15范围，也就是根据精度和处理复杂度的均衡考虑，可以将预定区域对应的大正方形划分为大概25～225个网格区域。

对于每个网格区域提取以下空间网格特征：在相应时刻，(1)每个网格区域内的货车数量；(2)每个网格区域内不同方向上(例如，东西南北四个方向上)行驶的货车数量；(3)每个网格区域内货车的行驶速度；(4)每个网格区域内不同方向上，例如东西南北四个方向上行驶的货车的行驶速度。

对于(3)中网格区域内货车的行驶速度为网格区域内行驶的货车平均速度，对于(4)中网格区域内不同方向上行驶的货车的行驶速度包括：所述网格区域内向东行驶的货车平均速度、向西行驶的货车平均速度、向南行驶的货车平均速度、向北行驶的货车平均速度。

将所有网格区域内的特征拼接成一个特征向量，作为空间网格特征。

由于每个网格区域内的特征更能准确、细化地描述对应货车的实时状态信息，因此利用这种空间网格特征作为样本特征进行预测模型训练，极大提高了预测模型的精度。

在一个实施例中，确定预定区域也可以以所述港口为中心，以距离c为半径向外扩展，得到为圆形的预定区域。同样地，可以根据预测对应的所述预定时间间隔和货车行驶速度确定距离c。

在一个实施例中，基于采集的货车实时状态信息为每条样本构造特征还包括为每条样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。当前时间特征包括相应时刻对应的年、月、日、时钟时间(包括时、分、秒等)，早/中/晚(相应时刻是白天还是夜间)，以及工作日还是周末。节假日特征包括相应时刻对应的节假日类别(例如春节、国庆、五一、中秋等等)，天气特征包括相应时刻对应的天气类别(例如风、云、雾、雨、闪、雪、霜、雷、雹、霾等等)。

在为每条样本构造基本特征时，首先确定该条样本相应时刻对应的当前时间特征、节假日特征以及天气特征，例如某样本对应的相应时刻为「2019-10-12 14:10:01」，则可以确定对应日期为周六下午(对应周末的白天)，节假日类别不是节假日，但是属于公休日，例如对应的天气特征例如是小雨。将确定的当前时间特征、节假日特征和天气特征拼接成一个特征向量作为所述基本特征。

通过构造相应时刻的当前时间特征、节假日特征、天气特征，可以进一步明确可能对到港货车数量造成的影响的因素，例如早晚高峰、工作日、周末、节假日、恶劣天气等，不同的状况下对货车的影响程度不同。将这些因素作为特征进行训练样本的构造，可以提供预测模型的精度。

在一个实施例中，基于采集的货车实时状态信息为每条样本构造特征还包括为每条样本构造交通关键点特征，其中，交通关键点特征包括：在相应时刻，预定区域内至少一个主干道口区域内的货车数量、主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在为每条样本构造交通关键点特征的步骤之前，首先确定预定区域内的主干道口区域。具体地，获取位于所述预定区域内的主干道口的位置，例如地理坐标位置，以所述主干道口的位置为中心，沿不同方向向外扩展第三距离d，得到为正方形的主干道口区域，或者以第四距离e为半径向外扩展，得到为圆形的主干道口区域。在一个实施例中，通常根据主干道口的道路规划，第三距离d为10～50米，或者第四距离e为10～50米。

在为每条样本构造交通关键点特征时，获取相应时刻所述预定区域内至少一个(也可以是全部，例如N个)主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征，然后将所述特征拼接成一个特征向量作为所述交通关键点特征。

与上述预定区域或预定区域内的网格区域类似，交通关键点特征包括：在相应时刻，(1)每个主干道口区域内的货车数量；(2)每个主干道口区域内不同方向上(例如，东西南北四个方向上)行驶的货车数量；(3)每个主干道口区域内货车的行驶速度；(4)每个主干道口区域内不同方向上，例如东西南北四个方向上行驶的货车的行驶速度。

对于(3)中主干道口区域内货车的行驶速度为主干道口区域内行驶的货车平均速度，对于(4)中主干道口区域内不同方向上行驶的货车的行驶速度包括：所述主干道口区域内向东行驶的货车平均速度、向西行驶的货车平均速度、向南行驶的货车平均速度、向北行驶的货车平均速度。

由于交通关键点区域内的特征可以更典型、细化地描述对应货车的实时状态信息，因此利用这种特征作为样本特征进行预测模型训练，提高了预测模型的精度。

在一个实施例中，基于采集的货车实时状态信息为每条样本构造特征还包括为每条样本构造港口历史进港车辆特征，港口历史进港车辆特征包括：相应时刻之前多个不同时间段内到达所述港口的货车数量。

例如某一时刻的训练样本，计算港口从该时刻起算之前t1、t2、t3、…tn这几个时间段内到港货车数量。即，以当前样本时间戳的时刻为截止时间，计算过去多个时间段为5分钟/半小时/1小时/2小时的到港货车数量。这里的该时刻起算之前时间段与训练样本对应的预测预定时间段不同，t1、t2、t3、…tn对应的时间段间隔不相同。

以预定时间段为1h、之前多个不同时间段分别为半小时、1小时、2小时为例，训练样本时间戳为2019-10-12 14:10:01时刻的样本定义为「2019-10-12 14:10:01、2019-10-12 14:10:01～2019-10-12 15:10:01期间到达港口的货车数量」，港口历史进港车辆特征对应的相应时刻之前多个不同时间段内到达所述港口的货车数量特征例如如下：

t1：「2019-10-12 13:40:01～2019-10-12 14:10:01期间到达港口的货车数量N1」；

t2：「2019-10-12 12:40:01～2019-10-12 13:40:01期间到达港口的货车数量N2」；

t3：「2019-10-12 10:40:01～2019-10-12 12:40:01期间到达港口的货车数量N3」。

在一个实施例中，港口历史进港车辆特征也可以包括相应时刻之前与所述预定时间段相同的多个时间段内到达所述港口的货车数量，或者相应时刻之前一个时间段内到达所述港口的货车数量。

将历史到港货车数量作为预测模型的训练样本特征，可以辅助预测模型的预测结果进行判断，提高预测模型的精度。

在一个实施例中，可以将上述获得的空间网格特征、基本特征、交通关键点特征和历史进港车辆特征中的至少一个组合拼接成为一个宽表，得到预测模型的训练样本集，并基于所述训练样本集训练得到到港货车数量预测模型。

在一个实施例中，训练的预测模型可以是基于传统算法进行训练得到的预测模型和/或基于深度学***均自回归模型；所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

在一个实施例中，若训练的预测模型同时包括至少两个预测模型，则可以将每个预测模型各自对应得到的训练结果进行加权融合后，输出最终训练结果。其中，加权的权重可以通过遍历不同权重的训练效果来确定。

本发明实施例的到港货车数量预测模型的训练方法，可以通过获取相应时刻的货车实时状态信息和该时刻后预定时间段的实际到港货车数量，作为训练样本集进行预测模型的训练，得到具有高精度的预测模型。

此外，通过进一步结合使用包括空间网格特征、基本特征、交通关键点特征和历史进港车辆特征中的至少一个来进一步构造预测模型的训练样本，可更加提高训练得到的预测模型的精度。

<方法实施例二>

在本发明一个实施例中，提供一种到港货车数量的预测方法。该方法例如可以由电子设备实施，该电子设备可以是如图1所示的服务器1600。

图4为本发明实施例的到港货车数量的预测方法流程图。如图4所示，包括以下步骤：

步骤202，采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

步骤204，基于采集的货车实时状态信息构造当前时刻对应的预测样本；

步骤206，将所述预测样本输入到到港货车数量预测模型，以得到预测结果，所述预测结果为预测在所述当前时刻后的预定时间段内到达所述港口的货车数量。

在该方法实施例中，预测方法是利用上述方法实施例一训练得到的到港货车数量预测模型，进行当前时刻预定时间段后到港货车数量的预测。

在预测方法中的步骤202，货车实时状态信息的采集与上述步骤102相同。与上述训练方法的步骤104不同的是，在步骤204中仅基于需预测的当前时刻采集的货车实时状态信息构造预测样本。与上述训练方法的步骤106不同的是，利用构造的预测样本输入训练方法得到预测模型中，即得到对应当前时刻在预定时间段后到港货车数量的预测结果。

在一个实施例中，步骤202中采集的货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

在步骤204中，基于采集的货车实时状态信息构造当前时刻对应的预测样本包括：

定义样本，其中，预测样本由当前时刻本身和当前时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为所述预测样本构造特征，其中，所述预测样本的特征包括：在所述当前时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，该预测方法还包括将所述预定区域进行空间网格划分得到多个网格区域，以用于为所述预测样本构造空间网格特征，其中，所述空间网格特征包括：在所述当前时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，为所述预测样本构造空间网格特征包括：根据所述当前时刻获取所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；将所述特征拼接成一个特征向量作为所述空间网格特征。

在一个实施例中，在所述将所述预定区域进行空间网格划分得到多个网格区域的步骤之前，所述方法还包括：确定所述预定区域；其中，所述确定所述预定区域包括：以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域。

在一个实施例中，将所述预定区域进行空间网格划分得到多个网格区域包括：以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

在一个实施例中，根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

关于预定区域的空间网格划分得到多个网格区域，以及为预测样本构造空间网格特征的方式与上述训练方法对应的网格区域划分及训练样本构造空间网格特征的步骤相同，这里不再赘述。

在一个实施例中，该预测方法还包括为所述预测样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。当前时间特征，包括当前时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；所述节假日特征，包括所述当前时刻对应的节假日类别；所述天气特征，包括所述当前时刻对应的天气类别。

在一个实施例中，为所述预测样本构造基本特征包括：确定所述当前时刻对应的当前时间特征、节假日特征以及天气特征；将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

关于为预测样本构造基本特征的方式与上述训练方法对应的训练样本构造基本特征的步骤相同，这里不再赘述。

在一个实施例中，该预测方法还包括为所述预测样本构造交通关键点特征，其中，所述交通关键点特征包括：在所述当前时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，在所述为所述预测样本构造交通关键点特征的步骤之前，所述预测方法还包括：确定所述主干道口区域；其中，所述确定所述主干道口区域包括：获取位于所述预定区域内的主干道口的位置；以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

在一个实施例中，为所述预测样本构造交通关键点特征包括：根据所述当前时刻获取所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；将所述特征拼接成一个特征向量作为所述交通关键点特征。

关于为预测样本构造交通关键点特征的方式与上述训练方法对应的训练样本构造交通关键点特征的步骤相同，这里不再赘述。

在一个实施例中，该预测方法还包括为所述预测样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：当前时刻之前多个不同时间段内到达所述港口的货车数量。

在一个实施例中，港口历史进港车辆特征也可以包括当前时刻之前与所述预定时间段多个相同的时间段内到达所述港口的货车数量，或者当应时刻之前一个时间段内到达所述港口的货车数量。

关于为预测样本构造港口历史进港车辆特征的方式与上述训练方法对应的训练样本构造港口历史进港车辆特征的步骤相同，这里不再赘述。

在一个实施例中，到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型中至少一个；传统算法的预测模型基于训练样本集进行传统算法训练得到，基于深度学习算法的预测模型基于训练样本集进行深度学习算法训练得到。

在到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型的情况下，步骤204中将所述预测样本输入到到港货车数量预测模型，以得到预测结果包括：将所述预测样本分别输入到所述传统算法的预测模型和所述基于深度学习算法的预测模型，以分别得到第一预测结果和第二预测结果；将所述第一预测结果与第一权重相乘得到第一乘积，将所述第二预测结果与第二权重相乘得到第二乘积；对所述第一乘积与所述第二乘积进行求和，以得到求和结果；将所述求和结果作为所述预测结果输出。

在一个实施例中，所述传统算法的预测模型包括：梯度提升迭代决策树模型、逻辑回归模型或整合移动平均自回归模型；所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

本发明实施例的到港货车数量的训练方法，通过获取相应时刻的货车实时状态信息作为预测样本并输入到预测模型进行预测，可以预测到该时刻之后预定时间段内到港的货车数量。从而港口相关工作人员可以根据预测的到港货车数量调整港口调度安排，提高港口的运行效率。

<装置实施例一>

本实施例提供一种到港货车数量预测模型的训练装置，该装置例如是图5所示的训练装置2000，也可以是图1所述的服务器1600，用于执行本说明书任意方法实施例中描述的到港货车数量预测模型的训练方法。

如图5所示，所述装置2000包括：采集模块2200，用于采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；第一构造模块2420，用于基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；训练模块2600，用于基于所述训练样本集训练到港货车数量预测模型。

在一个实施例中，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

在一个实施例中，第一构造模块2420基于采集的货车实时状态信息和实际到港货车数量构造训练样本集包括：定义样本，其中，某一时刻的样本由该时刻本身和该时刻后的预定时间段内的到港货车数量定义；基于采集的货车实时状态信息为每条样本构造特征，其中，每条样本的特征包括：在相应时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，该装置2000还包括：

划分模块(图中未示出)，用于将所述预定区域进行空间网格划分得到多个网格区域，以用于所述第一构造模块为每条样本构造空间网格特征，其中，所述空间网格特征包括：在相应时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，所述第一构造模块2420为每条样本构造空间网格特征包括：获取相应时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；将所述特征拼接成一个特征向量作为所述空间网格特征。

在一个实施例中，所述装置2000还包括：

第一确定模块(图中未示出)，用于在所述划分模块将所述预定区域进行空间网格划分得到多个网格区域之前，确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

在一个实施例中，所述第一确定模块根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

在一个实施例中，该装置2000还包括：

第二构造模块2440，用于为每条样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。其中，所述当前时间特征，包括相应时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；所述节假日特征，包括相应时刻对应的节假日类别；所述天气特征，包括所述相应时刻对应的天气类别。

在一个实施例中，所述第二构造模块2440为每条样本构造基本特征包括：确定相应时刻对应的当前时间特征、节假日特征以及天气特征；将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。。

在一个实施例中，该装置2000还包括：

第三构造模块2460，用于为每条样本构造交通关键点特征，其中，所述交通关键点特征包括：在相应时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，所述装置2000还包括：

第二确定模块(图中未示出)，用于在所述第三构造模块2460为每条样本构造交通关键点特征之前，确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

在一个实施例中，所述第三构造模块2460为每条样本构造交通关键点特征包括：获取相应时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；将所述特征拼接成一个特征向量作为所述交通关键点特征。

在一个实施例中，该装置2000还包括：

第四构造模块2480，用于为每条样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：相应时刻之前多个不同时间段内到达所述港口的货车数量。

在一个实施例中，第四构造模块2480为样本构造的港口历史进港车辆特征也可以包括相应时刻之前与所述预定时间段多个相同的时间段内到达所述港口的货车数量，或者相应时刻之前一个时间段内到达所述港口的货车数量。

<装置实施例二>

本实施例提供一种到港货车数量的预测装置，该装置例如是图6所示的预测装置3000，也可以是图1所述的服务器1600，用于执行本说明书任意方法实施例中描述的到港货车数量的预测方法。

如图6所示，所述装置3000包括：

采集模块3200，用于采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

第一构造模块3420，用于基于采集的货车实时状态信息构造当前时刻对应的预测样本；

预测模块3600，用于将所述预测样本输入到到港货车数量预测模型，以得到预测结果，所述预测结果为预测在所述当前时刻后的预定时间段内到达所述港口的货车数量。

在一个实施例中，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

在一个实施例中，第一构造模块3420基于采集的货车实时状态信息构造当前时刻对应的预测样本包括：

定义样本，其中，预测样本由当前时刻和当前时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为所述预测样本构造特征，其中，所述预测样本的特征包括：在所述当前时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，该装置3000还包括：

划分模块(图中未示出)，用于将所述预定区域进行空间网格划分得到多个网格区域，以用于所述第一构造模块为所述预测样本构造空间网格特征，其中，所述空间网格特征包括：在当前时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，所述第一构造模块3420为所述预测样本构造空间网格特征包括：

获取所述当前时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

在一个实施例中，所述装置3000还包括：

第一确定模块(图中未示出)，用于在所述划分模块将所述预定区域进行空间网格划分得到多个网格区域之前，确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a＝k×b，k为系数，k≥1。

在一个实施例中，所述第一确定模块根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

在一个实施例中，该装置3000还包括：

第二构造模块3440，用于为所述预测样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

在一个实施例中，其中，所述当前时间特征，包括当前时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；所述节假日特征，包括所述当前时刻对应的节假日类别；所述天气特征，包括所述当前时刻对应的天气类别。

在一个实施例中，所述第二构造模块3440为所述预测样本构造基本特征包括：

确定所述当前时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

在一个实施例中，该装置3000还包括：

第三构造模块3460，用于为所述预测样本构造交通关键点特征，其中，所述交通关键点特征包括：在所述当前时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

在一个实施例中，所述装置3000还包括：

第二确定模块(图中未示出)，用于在所述第三构造模块为所述预测样本构造交通关键点特征之前，确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

在一个实施例中，所述第三构造模块3460为所述预测样本构造交通关键点特征包括：

获取所述当前时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

在一个实施例中，该装置3000还包括：

第四构造模块3480，用于为所述预测样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：所述当前时刻之前多个不同时间段内到达所述港口的货车数量。

在一个实施例中，第四构造模块3480为所述预测样本构造的港口历史进港车辆特征也可以包括当前时刻之前与所述预定时间段多个相同的时间段内到达所述港口的货车数量，或者当前时刻之前一个时间段内到达所述港口的货车数量。

在一个实施例中，所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型中至少一个；在所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型的情况下，所述预测模块用于：将所述预测样本分别输入到所述传统算法的预测模型和所述基于深度学习算法的预测模型，以分别得到第一预测结果和第二预测结果；将所述第一预测结果与第一权重相乘得到第一乘积，将所述第二预测结果与第二权重相乘得到第二乘积；对所述第一乘积与所述第二乘积进行求和，以得到求和结果；将所述求和结果作为所述预测结果输出。

在一个实施例中，所述传统算法的预测模型包括：梯度提升迭代决策树模型、逻辑回归模型或整合移动平均自回归模型；所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

<***实施例>

在本发明的再一个实施例中，还提供了一种包括至少一个计算装置和至少一个存储装置的***，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行本说明书任意方法实施例中描述的到港货车数量预测模型的训练方法或到港货车数量的预测方法。

<计算机可读存储介质实施例>

本实施例提供一种计算机可读存储介质，该存储介质中存储有可执行命令，该可执行命令被处理器执行时，执行本说明书任意方法实施例中描述的方法。

本发明可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人物来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人物来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人物能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (59)

1.一种到港货车数量预测模型的训练方法，其中，该方法包括：

采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；

基于所述训练样本集训练到港货车数量预测模型，

其中，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

2.根据权利要求1所述的方法，其中，所述基于采集的货车实时状态信息和实际到港货车数量构造训练样本集包括：

定义样本，其中，某一时刻的样本由该时刻本身和该时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为每条样本构造特征，其中，每条样本的特征包括：在相应时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

3.根据权利要求2所述的方法，其中，该方法还包括将所述预定区域进行空间网格划分得到多个网格区域，以用于为每条样本构造空间网格特征，其中，所述空间网格特征包括：在相应时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

4.根据权利要求3所述的方法，其中，所述为每条样本构造空间网格特征包括：

获取相应时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

5.根据权利要求3所述的方法，其中，在所述将所述预定区域进行空间网格划分得到多个网格区域的步骤之前，该方法还包括：

确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a=k×b，k为系数，k≥1。

6.根据权利要求5所述的方法，其中，根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

7.根据权利要求2所述的方法，其中，该方法还包括为每条样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

8.根据权利要求7所述的方法，其中，

所述当前时间特征，包括相应时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述相应时刻对应的节假日类别；

所述天气特征，包括所述相应时刻对应的天气类别。

9.根据权利要求8所述的方法，其中，所述为每条样本构造基本特征包括：

确定相应时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

10.根据权利要求2所述的方法，其中，该方法还包括为每条样本构造交通关键点特征，其中，所述交通关键点特征包括：在相应时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

11.根据权利要求10所述的方法，其中，在所述为每条样本构造交通关键点特征的步骤之前，该方法还包括：

确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

12.根据权利要求10或11所述的方法，其中，所述为每条样本构造交通关键点特征包括：

获取相应时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

13.根据权利要求2所述的方法，其中，该方法还包括为每条样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：相应时刻之前多个不同时间段内到达所述港口的货车数量。

14.一种到港货车数量预测模型的训练装置，其中，所述装置包括：

采集模块，用于采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

第一构造模块，用于基于采集的货车实时状态信息和实际到港货车数量构造训练样本集；

训练模块，用于基于所述训练样本集训练到港货车数量预测模型，

其中，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

15.根据权利要求14所述的装置，其中，所述基于采集的货车实时状态信息和实际到港货车数量构造训练样本集包括：

定义样本，其中，某一时刻的样本由该时刻本身和该时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为每条样本构造特征，其中，每条样本的特征包括：在相应时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

16.根据权利要求15所述的装置，其中，该装置还包括：

划分模块，用于将所述预定区域进行空间网格划分得到多个网格区域，以用于所述第一构造模块为每条样本构造空间网格特征，其中，所述空间网格特征包括：在相应时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

17.根据权利要求16所述的装置，其中，所述为每条样本构造空间网格特征包括：

获取相应时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

18.根据权利要求16所述的装置，其中，所述装置还包括：

第一确定模块，用于在所述划分模块将所述预定区域进行空间网格划分得到多个网格区域之前，确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a=k×b，k为系数，k≥1。

19.根据权利要求18所述的装置，其中，所述第一确定模块根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

20.根据权利要求15所述的装置，其中，该装置还包括：

第二构造模块，用于为每条样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

21.根据权利要求20所述的装置，其中，

所述当前时间特征，包括相应时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述相应时刻对应的节假日类别；

所述天气特征，包括所述相应时刻对应的天气类别。

22.根据权利要求21所述的装置，其中，所述为每条样本构造基本特征包括：

确定相应时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

23.根据权利要求15所述的装置，其中，该装置还包括：

第三构造模块，用于为每条样本构造交通关键点特征，其中，所述交通关键点特征包括：在相应时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

24.根据权利要求23所述的装置，其中，所述装置还包括：

第二确定模块，用于在所述第三构造模块为每条样本构造交通关键点特征之前，确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

25.根据权利要求23或24所述的装置，其中，所述为每条样本构造交通关键点特征包括：

获取相应时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

26.根据权利要求15所述的装置，其中，该装置还包括：

第四构造模块，用于为每条样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：相应时刻之前多个不同时间段内到达所述港口的货车数量。

27.一种到港货车数量的预测方法，其中，该方法包括：

采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

基于采集的货车实时状态信息构造当前时刻对应的预测样本；

将所述预测样本输入到到港货车数量预测模型，以得到预测结果，所述预测结果为预测在所述当前时刻后的预定时间段内到达所述港口的货车数量，

其中，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

28.根据权利要求27所述的方法，其中，所述基于采集的货车实时状态信息构造当前时刻对应的预测样本包括：

定义样本，其中，预测样本由当前时刻本身和当前时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为所述预测样本构造特征，其中，所述预测样本的特征包括：在所述当前时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

29.根据权利要求28所述的方法，其中，该方法还包括将所述预定区域进行空间网格划分得到多个网格区域，以用于为所述预测样本构造空间网格特征，其中，所述空间网格特征包括：在所述当前时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

30.根据权利要求29所述的方法，其中，所述为所述预测样本构造空间网格特征包括：

根据所述当前时刻获取所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

31.根据权利要求29所述的方法，其中，在所述将所述预定区域进行空间网格划分得到多个网格区域的步骤之前，该方法还包括：

确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域。

32.根据权利要求31所述的方法，其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a=k×b，k为系数，k≥1。

33.根据权利要求31或32所述的方法，其中，根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

34.根据权利要求28所述的方法，其中，该方法还包括为所述预测样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

35.根据权利要求34所述的方法，其中，

所述当前时间特征，包括当前时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述当前时刻对应的节假日类别；

所述天气特征，包括所述当前时刻对应的天气类别。

36.根据权利要求35所述的方法，其中，所述为所述预测样本构造基本特征包括：

确定所述当前时刻对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

37.根据权利要求28所述的方法，其中，该方法还包括为所述预测样本构造交通关键点特征，其中，所述交通关键点特征包括：在所述当前时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

38.根据权利要求37所述的方法，其中，在所述为所述预测样本构造交通关键点特征的步骤之前，该方法还包括：

确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

39.根据权利要求37或38所述的方法，其中，所述为所述预测样本构造交通关键点特征包括：

根据所述当前时刻获取所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

40.根据权利要求28所述的方法，其中，该方法还包括为所述预测样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：当前时刻之前多个不同时间段内到达所述港口的货车数量。

41.根据权利要求27所述的方法，其中，所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型中至少一个；

在所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型的情况下，所述将所述预测样本输入到到港货车数量预测模型，以得到预测结果包括：

将所述预测样本分别输入到所述传统算法的预测模型和所述基于深度学习算法的预测模型，以分别得到第一预测结果和第二预测结果；

将所述第一预测结果与第一权重相乘得到第一乘积，将所述第二预测结果与第二权重相乘得到第二乘积；

对所述第一乘积与所述第二乘积进行求和，以得到求和结果；

将所述求和结果作为所述预测结果输出。

42.根据权利要求41所述的方法，其中，

所述传统算法的预测模型包括：梯度提升迭代决策树模型、逻辑回归模型或整合移动平均自回归模型；

所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

43.一种到港货车数量的预测装置，其中，所述装置包括：

采集模块，用于采集港口周边预定区域内行驶的各货车的车载装置上报的货车实时状态信息；

第一构造模块，用于基于采集的货车实时状态信息构造当前时刻对应的预测样本；

预测模块，用于将所述预测样本输入到到港货车数量预测模型，以得到预测结果，所述预测结果为预测在所述当前时刻后的预定时间段内到达所述港口的货车数量，

其中，所述货车实时状态信息包括：货车标识、信息上报时间戳、货车当前位置、货车当前行驶方向和货车当前行驶速度。

44.根据权利要求43所述的装置，其中，所述基于采集的货车实时状态信息构造当前时刻对应的预测样本包括：

定义样本，其中，预测样本由当前时刻和当前时刻后的预定时间段内的到港货车数量定义；

基于采集的货车实时状态信息为所述预测样本构造特征，其中，所述预测样本的特征包括：在所述当前时刻，所述预定区域内的货车数量、所述预定区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

45.根据权利要求44所述的装置，其中，该装置还包括：

划分模块，用于将所述预定区域进行空间网格划分得到多个网格区域，以用于所述第一构造模块为所述预测样本构造空间网格特征，其中，所述空间网格特征包括：在当前时刻，所述网格区域内的货车数量、所述网格区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

46.根据权利要求45所述的装置，其中，所述为所述预测样本构造空间网格特征包括：

获取所述当前时刻所述多个网格区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述空间网格特征。

47.根据权利要求45所述的装置，其中，所述装置还包括：

第一确定模块，用于在所述划分模块将所述预定区域进行空间网格划分得到多个网格区域之前，确定所述预定区域；

其中，所述确定所述预定区域包括：

以所述港口的位置为中心，沿东、西、南、北四个方向向外扩展第一距离a，得到为第一正方形的所述预定区域；

其中，所述将所述预定区域进行空间网格划分得到多个网格区域包括：

以第二距离b为边长，将所述第一正方形的所述预定区域划分为多个为第二正方形的所述网格区域，其中a=k×b，k为系数，k≥1。

48.根据权利要求47所述的装置，其中，所述第一确定模块根据所述预定时间段和预定的货车行驶速度确定所述第一距离。

49.根据权利要求44所述的装置，其中，该装置还包括：

第二构造模块，用于为所述预测样本构造基本特征，其中，所述基本特征包括当前时间特征、节假日特征和/或天气特征。

50.根据权利要求49所述的装置，其中，

所述当前时间特征，包括当前时刻对应的年、月、日、时钟时间，早/中/晚以及工作日/周末；

所述节假日特征，包括所述当前时刻对应的节假日类别；

所述天气特征，包括所述当前时刻对应的天气类别。

51.根据权利要求50所述的装置，其中，所述为所述预测样本构造基本特征包括：

根据所述当前时刻确定对应的当前时间特征、节假日特征以及天气特征；

将所述当前时间特征、所述节假日特征和所述天气特征拼接成一个特征向量作为所述基本特征。

52.根据权利要求44所述的装置，其中，该装置还包括：

第三构造模块，用于为所述预测样本构造交通关键点特征，其中，所述交通关键点特征包括：在所述当前时刻，所述预定区域内至少一个主干道口区域内的货车数量、所述主干道口区域内的货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度。

53.根据权利要求52所述的装置，其中，所述装置还包括：

第二确定模块，用于在所述第三构造模块为所述预测样本构造交通关键点特征之前，确定所述主干道口区域；

其中，所述确定所述主干道口区域包括：

获取位于所述预定区域内的主干道口的位置；

以所述主干道口的位置为中心，沿不同方向向外扩展第三距离，得到为正方形的主干道口区域，或者以第四距离为半径向外扩展，得到为圆形的主干道口区域。

54.根据权利要求52或53所述的装置，其中，所述为所述预测样本构造交通关键点特征包括：

获取所述当前时刻所述预定区域内至少一个主干道口区域内的货车数量、货车行驶速度、不同方向上行驶的货车数量、不同方向上行驶的货车速度对应的特征；

将所述特征拼接成一个特征向量作为所述交通关键点特征。

55.根据权利要求44所述的装置，其中，该装置还包括：

第四构造模块，用于为所述预测样本构造港口历史进港车辆特征，所述港口历史进港车辆特征包括：所述当前时刻之前多个不同时间段内到达所述港口的货车数量。

56.根据权利要求43所述的装置，其中，所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型中至少一个；

在所述到港货车数量预测模型包括传统算法的预测模型和基于深度学习算法的预测模型的情况下，所述预测模块用于：

将所述预测样本分别输入到所述传统算法的预测模型和所述基于深度学习算法的预测模型，以分别得到第一预测结果和第二预测结果；

将所述第一预测结果与第一权重相乘得到第一乘积，将所述第二预测结果与第二权重相乘得到第二乘积；

对所述第一乘积与所述第二乘积进行求和，以得到求和结果；

将所述求和结果作为所述预测结果输出。

57.根据权利要求56所述的装置，其中，

所述传统算法的预测模型包括：梯度提升迭代决策树模型、逻辑回归模型或整合移动平均自回归模型；

所述基于深度学习算法的预测模型包括：卷积神经网络模型、循环神经网络模型或长短期记忆网络模型。

58.一种包括至少一个计算装置和至少一个存储装置的***，其中，所述至少一个存储装置用于存储指令，所述指令用于控制所述至少一个计算装置执行根据权利要求1至14中任一项或权利要求27至42中任一项所述的方法。

59.一种计算机可读存储介质，其中，其上存储有计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1至13中任一项或权利要求27至42中任一项所述的方法。