CN115759484A - 一种交通流量预测方法、电子设备及存储介质 - Google Patents
一种交通流量预测方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115759484A CN115759484A CN202310015775.5A CN202310015775A CN115759484A CN 115759484 A CN115759484 A CN 115759484A CN 202310015775 A CN202310015775 A CN 202310015775A CN 115759484 A CN115759484 A CN 115759484A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- road
- flow prediction
- travel time
- information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000000611 regression analysis Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 18
- 230000003993 interaction Effects 0.000 claims abstract description 12
- 230000011664 signaling Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通流量预测方法、电子设备及存储介质。交通流量预测方法包括：将待预测交通流量信息的道路作为指定道路，并筛选与指定道路相似或相近的道路作为筛选道路；基于筛选道路，建立机器学习交通流量预测模型；基于指定道路，建立指定道路的回归分析交通流量预测模型；获取指定道路于预测时间内的信令交互信息，并收集旅行时间的特征；将旅行时间的特征输入机器学习交通流量预测模型，获取指定道路的通用型交通流量；将指定道路的通用型交通流量输入回归分析交通流量预测模型，得到指定道路于预测时间内的交通流量预测信息。本申请提高了交通流量信息获取的精准度，也覆盖了更多交通流量信息的范围。
Description
技术领域
本申请属于机器学习领域，具体涉及一种交通流量预测方法、电子设备及存储介质。
背景技术
构建智能交通***，以获取实时交通信息是智能城市发展的重要问题，通过获取历史交通流量数据来对目标区域在目标时间段内进行交通流量预测是常用的预测方法，但这对道路通畅时的交通流数据以及早晚高峰的周期性拥堵预测效果较好，但由于检测设备的部署和维护费用非常昂贵，且还存在探测数据穿透率低等问题，无法推断出精确的实时交通信息，导致对区域交通流量的预测不够全面准确，使得在实际应用中是难以准确获取交通流量信息。
发明内容
发明目的：本申请提供一种交通流量预测方法，旨在解决相关技术预测精度低、预测范围不全面的技术问题；本申请的另一目的在于提供一种电子设备及存储介质，用于存储并处理上述预测方法的计算机程序。
技术方案：本申请实施例提供一种交通流量预测方法，包括以下步骤：
将待预测交通流量信息的道路作为指定道路，并筛选与所述指定道路相似或相近的道路作为筛选道路；
基于所述筛选道路，建立机器学习交通流量预测模型；
基于所述指定道路，建立所述指定道路的回归分析交通流量预测模型；
获取所述指定道路于预测时间内的信令交互信息，并收集旅行时间；
将所述旅行时间输入所述机器学习交通流量预测模型，获取所述指定道路的通用型交通流量；
将所述指定道路的通用型交通流量输入所述回归分析交通流量预测模型，得到所述指定道路于预测时间内的交通流量预测信息。
在一些实施例中，基于所述筛选道路，建立机器学习交通流量预测模型的步骤，包括：
获取所述筛选道路的第一旅行时间，并收集所述第一旅行时间及标签值；
将所述第一旅行时间及标签值组成训练集，通过监督式机器学习训练调整，以产生所述机器学习交通流量预测模型。
在一些实施例中，所述监督式机器学习包括支持向量机、决策树、随机森林或类神经网络中的至少一种。
在一些实施例中，基于所述指定道路，建立所述指定道路的回归分析交通流量预测模型的步骤，包括：
获取所述指定道路的第二旅行时间，并收集所述第二旅行时间及标签值；
将所述第二旅行时间及标签值输入所述机器学习交通流量预测模型，获取所述指定道路的历史通用型交通流量；
根据所述第二旅行时间的标签值和所述历史通用型交通流量，进行道路类型回归分析训练，建立所述指定道路的回归分析交通流量预测模型。
在一些实施例中，所述信令交互信息为在该预测时间内取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息中的至少一者。
在一些实施例中，所述第一旅行时间的标签值和所述第二旅行时间的标签值取自车辆或电子标签检测器、道路图像识别、人工道路调查中的至少一者。
在一些实施例中，所述第一旅行时间为在过去的某时间段取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息中的至少一者计算得到的旅行时间；和/或，
所述第二旅行时间为在过去的某时间段取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息中的至少一者计算得到的旅行时间。
在一些实施例中，所述道路类型回归分析训练所使用的技术为线性回归、对数机率回归、多元回归、多项式回归、多变量回归、多维回归中的至少一者。
在一些实施例中，本申请还提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由所述处理器加载并执行以实现所述交通流量预测方法的步骤。
在一些实施例中，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现所述交通流量预测方法的步骤。
有益效果：与现有技术相比，本申请的一种交通流量预测方法，包括以下步骤：将待预测交通流量信息的道路作为指定道路，并筛选与指定道路相似或相近的道路作为筛选道路；基于筛选道路，建立机器学习交通流量预测模型；基于指定道路，建立指定道路的回归分析交通流量预测模型；获取指定道路于预测时间内的信令交互信息，并收集旅行时间的特征；将旅行时间的特征输入机器学习交通流量预测模型，获取指定道路的通用型交通流量；将指定道路的通用型交通流量输入回归分析交通流量预测模型，得到指定道路于预测时间内的交通流量预测信息。本申请通过筛选道路的历史信息建立了机器学习交通流量预测模型，这为指定道路提供了建立回归分析交通流量预测模型的基础，由于筛选道路与指定道路之间的共性从而可以为指定道路提供预测的基础，在实际应用过程中可以用于各类车型的交通流量预测，直接通过实时的信令交互信息获取交通流量预测信息，既提高了交通流量信息获取的精准度，也覆盖了更多交通流量信息的范围。
将指定道路中建立的回归分析交通流量预测模型与筛选道路中的机器学习交通流量预测模型结合能够避免现有技术中机器学习的过拟合问题，而且还可有效降低预测误差。
可以理解的是，与现有技术相比，本申请实施例提供的电子设备及存储介质可以具有上述交通流量预测方法的所有技术特征以及有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的交通流量预测方法的流程图；
图2是本申请实施例提供的电子设备结构框图；
图3是本申请实施例提供的交通流量预测预测对比结果，
图4是本申请实施例提供的卷积神经网络的过滤器分析对比。
具体实施方式
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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
参见图1，提供一种交通流量预测方法，包括：
S101：将待预测交通流量信息的道路作为指定道路，并筛选与指定道路相似或相近的道路作为筛选道路；
S102：基于筛选道路，建立机器学习交通流量预测模型；
S103：基于指定道路，建立指定道路的回归分析交通流量预测模型；
S104：获取指定道路于预测时间内的信令交互信息，并收集旅行时间；
S105：将旅行时间的特征输入机器学习交通流量预测模型，获取指定道路的通用型交通流量；
S106：将指定道路的通用型交通流量输入回归分析交通流量预测模型，得到指定道路于预测时间内的交通流量预测信息。
在一些实施例中，指定道路为需要预测其交通流量的道路，筛选道路为与指定道路相似或相近的道路，该相似道路具有至少一个与指定道路相同的特征，例如，筛选道路和指定道路同为城市或乡村的道路，或筛选道路和指定道路间的距离（如以经纬度计算）小于一预设值，或筛选道路和指定道路具有类似特性（如市场、观光景点、政府机关）等。
在一些实施例中，步骤S102中，基于筛选道路，建立机器学习交通流量预测模型的步骤，包括：获取筛选道路的第一旅行时间，并收集第一旅行时间及标签值；将第一旅行时间及标签值组成训练集，通过监督式机器学习训练调整，以产生机器学习交通流量预测模型。
其中，筛选道路的第一旅行时间为在过去的某时间段取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息其中之一或其组合计算得到的旅行时间。
在一些实施例中，获取筛选道路的第一旅行时间具体是指：例如可获取每个单位时间内的筛选道路的第一旅行时间及标签。第一旅行时间为移动装置于相似道路上的移动所经历的时间长度。另外，筛选道路的上述标签值为交通流量，例如可为上述时间段的每个单位时间内通过相似道路的单一或多种车辆（如货车、公交车、汽车等）的数量。该标签值可取自相似道路的车辆或电子标签检测器、道路图像识别、以及毫米波雷达的至少一者。
获真实取旅行时间的具体步骤为：
将目标区域的路网划分为大小为100m×100m的网格，将采集到的浮动车数据按照每2min时间间隔映射到与目标路段相应的网格中。并假定每个方格内的交通状况是均质的，在保证方格内浮动车样本量的情况下(一般至少5辆)，计算方格内的样本车辆的平均速度。将方格内样本车辆的平均速度值作为此路段的交通状态的速度值，由此得到目标路径每100m每2分钟的速度值，将其拓展到整个路径和所有时刻。
基于一天内从早上六点到晚上十点的浮动车速度数据，可得到一个大小为320×480的时空速度矩阵，320代表320个100m，共计32km；480代表480个2分钟时间间隔，共计16h。每天的浮动车数据对应一个时空速度矩阵。根据上述时空速度矩阵，可计算出任意出发时刻(本实施例具体选取了每天从早上七点到晚上九点)通过整个目标路径的真实旅行时间。某个给定出发时刻的真实旅行时间是指，一辆车以该给定时刻为出发时间，通过目标路径所有固定路段的真实旅行时间。在计算真实旅行时间的时候，要保证车辆进入不同方格后速度动态更新，即要根据计算得到的该车辆经过的第一个方格的真实旅行时间，来定位该车辆在下一个固定路段所经过的方格，即为该车经过的第二个方格，由第二个方格内的速度值来计算该车经过第二个方格的真实旅行时间；以相同的方法，依次定位出该车辆经过的包含目标路径的所有方格，最终通过累加该车辆通过的每个方格的真实旅行时间得出通过整个路径的真实旅行时间。
在一些实施例中，将第一旅行时间及标签值组成训练集，通过监督式机器学习训练调整，以产生机器学习交通流量预测模型中，监督式机器学习可为支持向量机（supportvector machine）、决策树（decision tree）、随机森林（random forest）或类神经网络（neural network）。优选的可以采用类神经网络技术，类神经网络技术可为倒传递神经网络（Back Propagation Neural Network，BPNN）、循环神经网络（Recurrent NeuralNetwork，RNN）、深度神经网络（Deep Neural Network，DNN）、卷积神经网络（ConvolutionNeural Network，CNN）、或长短期记忆（Long Short Term Memory，LSTM）网络。
在一些实施例中，优选的监督式机器学习为卷积神经网络（Convolution NeuralNetwork，CNN）。
由于路段间存在相互依存和相互影响关系，线性回归算法和逻辑回归算法无法分析因子相依性问题，通过采用卷积神经网络方法，将各个路段的当下旅行时间信息和历史旅行时间信息模型化成卷积神经网络的输入层资料，再把输出层设定为目标路段在下一个时间点的旅行时间。提出的旅行时间预测方法主要收集x个路段的旅行时间，并同时考虑当下各路段和前y个时间点的旅行时间，再把这些旅行时间集合建立为一个(x)×(y+1)大小矩阵输入到卷积层进行特征提取。其中，路段i在第j个时间点的旅行时间为Ti,j，并设定目标路段为路段z，并预测路段z在第j+1个时间点的旅行时间为Tz,j+1。在卷积层计算中，将产生多个过滤器，并经由各个过滤器分析出路况特征；其中，参见图4，（a）表示过滤器主要将可以分析每一个路段在各个时间点的旅行时间与目标路段下一个时间点的旅行时间的关联性；（b）表示过滤器主要将可以分析出每一个时间点在各个路段的旅行时间与目标路段下一个时间点的旅行时间的关联性；（c）和（d）则可以分析出车流循环从不同路转移到其它路段时的旅行时间与目标路段下一个时间点的旅行时间的关联性。因此，经由这些过滤器分析后，将可建立整体的路况关联，取得对目标路段更具有影响力的关键特征。当完成卷积层计算后，将采用池化层进行降维，减少运算资料量，提升运算速度，以符合上线***的需求。最后，再接到神经网络，分析由卷积层和池化层得到的特征值与目标值（即路段z在第j+1个时间点的旅行时间）的关联，学习神经网络中的权重值和误差项值的组合，并输出预测结果。
在一些实施例中，步骤S103中，基于指定道路，建立指定道路的回归分析交通流量预测模型的步骤，包括：获取指定道路的第二旅行时间，并收集第二旅行时间及标签值；将第二旅行时间及标签值输入机器学习交通流量预测模型，获取指定道路的历史通用型交通流量；根据第二旅行时间的标签值和历史通用型交通流量，进行道路类型回归分析训练，建立指定道路的回归分析交通流量预测模型。
其中，指定道路的第二旅行时间为在过去的某时间段取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息其中之一或者其组合计算得到的旅行时间。第二旅行时间的标签值为交通流量，例如可为上述时间段的每个单位时间内通过相似道路的单一或多种车辆（如货车、公交车、汽车等）的数量。该标签值可取自相似道路的车辆或电子标签检测器、道路图像识别、以及毫米波雷达的至少一者。指定道路的第二旅行时间及标签值类似于筛选道路的第一旅行时间及标签值。
在一些实施例中，将指定道路的特征输入步骤S102所产生的经训练的机器学习交通流量预测模型，以预测指定道路的历史通用型交通流量。依据指定道路的标签值与历史通用型交通流量，进行道路类型回归分析训练，以产生指定道路的回归分析交通流量预测模型。其中，该道路类型回归分析训练所使用的技术可为线性回归（linear regression）、逻辑回归（logistic regression）、多元回归（multiple regression）、多项式回归（polynomial regression）、多变量回归（multi-variable regression）、或多维回归（multiple multi-variable regression）。优选的，该道路类型回归分析训练所使用的技术为多项式回归（polynomial regression）。
在一些实施例中，步骤S104为具体的应用阶段，该应用阶段可以用来预测指定道路于任意预测时（例如即时)的交通流量。首先，获取指定道路于预测时间内的信令交互信息，该预测时间可为任意时间段。指定道路的信令交互信息为在该预测时间内取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息其中之一。然后，获取指定道路的旅行时间，例如可获取该预测时间的每个单位时间内的指定道路的旅行时间。然后，将指定道路的特征输入步骤S102产生的机器学习交通流量预测模型，以预测指定道路的通用型交通流量。接着，将指定道路的通用型交通流量输入步骤103产生的指定道路的回归分析交通流量预测模型，以利用道路类型回归分析技术产生指定道路于预测时间内的交通流量预测信息。该交通流量预测信息包括该预测时间的每个单位时间内通过指定道路的各种车辆的数量。
在一些实施例中，采用平均绝对百分比误差（MAPE）计算，本发明的MAPE为12.8%，取得比较好的精度，计算公式为：
其中，目标路段为路段z，路段z在第j+1个时间点的旅行时间为Tz,j+1，预测路段z在第j+1个时间点的旅行时间为Tz,j+1’。
在一些实施例中，参见图2，是本实施例中提供的一种计算机设备内部框图，计算机设备可以是服务器或者终端，包括与***总线连接的处理器、存储器和通信接口，其中，处理器用于提供该计算机设备的控制计算能力；存储器上存储有计算机程序，该计算机程序被处理器执行时实现交通流量预测方法。存储器包括计算机存储介质和内存储器，计算机存储介质为非易失性存储介质，该非易失性存储介质存储有操作***和计算机程序，内存储器为操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络等。
在一些实施例中，图2所示的结构仅是与本申请方案相关的部分结构的框图，并不构成对本申请所应用的计算机设备的限定，具体的电子设备还可以包括比图2中更多或更少的部件，或者具有不同的部件布置连接，或者组合的某些部件等。
在一些实施例中，提供的一种电子设备，包括处理器和存储器，存储器中存储有至少一条指令或者至少一段程序，至少一条指令或者至少一段程序由处理器加载并执行以实现交通流量预测方法的步骤；交通流量预测方法，包括：
S101：将待预测交通流量信息的道路作为指定道路，并筛选与指定道路相似或相近的道路作为筛选道路；
S102：基于筛选道路，建立机器学习交通流量预测模型；
S103：基于指定道路，建立指定道路的回归分析交通流量预测模型；
S104：获取指定道路于预测时间内的信令交互信息，并收集旅行时间；
S105：将旅行时间的特征输入机器学习交通流量预测模型，获取指定道路的通用型交通流量；
S106：将指定道路的通用型交通流量输入回归分析交通流量预测模型，得到指定道路于预测时间内的交通流量预测信息。
在一些实施例中，提供一种计算机可读存储介质，计算机可读存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现交通流量预测方法的步骤。
在一些实施例中，上述交通流量预测方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。
提供一种具体实施方式：
首先，于训练阶段，获取某区域一路至三路作为筛选道路于特定时间周期内的第一旅行时间。特定时间周期可以为1至12个月。然后，获取固定时间（如每五分钟）的一路至三路于该期间的旅行时间的特征值，例如，将第一旅行时间以固定时间（如五分钟）为单位时间作分割，每一日便可分割为288个时间点，获取出288个时间点相应的旅行时间的特征，并以毫米波雷达检测所得的单一或多种车辆的交通流量为标签值。
然后，将上述第一旅行时间和标签值组成训练集，通过监督式机器学习，训练并调整机器学习交通流量预测模型，以产生机器学习交通流量预测模型。
另一方面，获取一个指定道路于某一工作日期间的第二旅行时间，同样以固定时间（如五分钟）为单位时间，获取该期间内每五分钟的第二旅行时间的特征，并以交通流量图像视频，识别各种车辆（如货车、小汽车等）交通流量作为标签值。
然后，提取产生的机器学习交通流量预测模型，并输入获取的第二旅行时间的特征，以预测指定道路的历史通用型交通流量。接著，输入该道路的第二旅行时间的标签值与预测的历史通用型交通流量，进行道路类型回归分析训练，以产生指定道路的回归分析交通流量预测模型。
然后，进入应用阶段，以某一个工作日的特定时间段作为预测时间，获取该指定道路于预测时间的信令交互信息，同样以固定时间（如五分钟）为单位时间，获取该指定道路于预测时间内每五分钟的旅行时间。输入旅行时间于产生的机器学习交通流量预测模型，以预测该指定道路的通用型交通流量。然后，输入产生的通用型交通流量于产生的回归分析交通流量预测模型，利用道路类型回归分析技术以产生该指定道路于该预测时间期间的交通流量预测信息。
在此实施例中，车辆的交通流量预测请参阅图3，其中，横轴为时间，纵轴为通过该指定道路的车流量。图3中还包括以同时间根据道路图像检测的各类交通流量为真实值，其中虚线表示经典模型预测的结果，改进模型即表示本实施例的方法预测的结果。与真实值相比，本实施例预测的结果更接近真实值，本实施例的交通流量预测方法仍具有较佳精准度。
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的部分，可以参见其他实施例的相关描述。
以上对本申请实施例所提供的一种交通流量预测方法、电子设备及存储介质进行了详细介绍，并应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；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申请各实施例的技术方案的范围。
Claims (10)
1.一种交通流量预测方法，其特征在于，包括以下步骤：
将待预测交通流量信息的道路作为指定道路，并筛选与所述指定道路相似或相近的道路作为筛选道路；
基于所述筛选道路，建立机器学习交通流量预测模型；
基于所述指定道路，建立所述指定道路的回归分析交通流量预测模型；
获取所述指定道路于预测时间内的信令交互信息，并收集旅行时间；
将所述旅行时间输入所述机器学习交通流量预测模型，获取所述指定道路的通用型交通流量；
将所述指定道路的通用型交通流量输入所述回归分析交通流量预测模型，得到所述指定道路于预测时间内的交通流量预测信息。
2.根据权利要求1所述的一种交通流量预测方法，其特征在于，基于所述筛选道路，建立机器学习交通流量预测模型的步骤，包括：
获取所述筛选道路的第一旅行时间，并收集所述第一旅行时间及标签值；
将所述第一旅行时间及标签值组成训练集，通过监督式机器学习训练调整，以产生所述机器学习交通流量预测模型。
3.根据权利要求2所述的一种交通流量预测方法，其特征在于，所述监督式机器学习包括支持向量机、决策树、随机森林或类神经网络中的至少一种。
4.根据权利要求2所述的一种交通流量预测方法，其特征在于，基于所述指定道路，建立所述指定道路的回归分析交通流量预测模型的步骤，包括：
获取所述指定道路的第二旅行时间，并收集所述第二旅行时间及标签值；
将所述第二旅行时间及标签值输入所述机器学习交通流量预测模型，获取所述指定道路的历史通用型交通流量；
根据所述第二旅行时间的标签值和所述历史通用型交通流量，进行道路类型回归分析训练，建立所述指定道路的回归分析交通流量预测模型。
5.根据权利要求4所述的一种交通流量预测方法，其特征在于，所述信令交互信息为在该预测时间内取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息中的至少一者。
6.根据权利要求4所述的一种交通流量预测方法，其特征在于，所述第一旅行时间的标签值和所述第二旅行时间的标签值取自车辆或电子标签检测器、道路图像识别、人工道路调查中的至少一者。
7.根据权利要求5所述的一种交通流量预测方法，其特征在于，
所述第一旅行时间为在过去的某时间段取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息中的至少一者计算得到的旅行时间；和/或，
所述第二旅行时间为在过去的某时间段取自基站的用户信息、基站位置信息、基站编号信息、切换信息、通话信息中的至少一者计算得到的旅行时间。
8.根据权利要求4所述的一种交通流量预测方法，其特征在于，所述道路类型回归分析训练采用线性回归、对数机率回归、多元回归、多项式回归、多变量回归、多维回归中的至少一者。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由所述处理器加载并执行以实现如权利要求1至8任一项所述交通流量预测方法的步骤。
10.一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中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至8任一项所述交通流量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015775.5A CN115759484A (zh) | 2023-01-06 | 2023-01-06 | 一种交通流量预测方法、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310015775.5A CN115759484A (zh) | 2023-01-06 | 2023-01-06 | 一种交通流量预测方法、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759484A true CN115759484A (zh) | 2023-03-07 |
Family
ID=85348267
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310015775.5A Pending CN115759484A (zh) | 2023-01-06 | 2023-01-06 | 一种交通流量预测方法、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759484A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
| CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
| CN109087509A (zh) * | 2018-09-04 | 2018-12-25 | 重庆交通大学 | 一种路网交通运行状态预测方法 |
| CN111047078A (zh) * | 2019-11-25 | 2020-04-21 | 中山大学 | 交通特征预测方法、***及存储介质 |
| CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
| TWI748514B (zh) * | 2020-06-12 | 2021-12-01 | 中華電信股份有限公司 | 車流推估方法與系統 |
-
2023
- 2023-01-06 CN CN202310015775.5A patent/CN115759484A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106228808A (zh) * | 2016-08-05 | 2016-12-14 | 北京航空航天大学 | 基于浮动车时空网格数据的城市快速路旅行时间预测方法 |
| CN106981198A (zh) * | 2017-05-24 | 2017-07-25 | 北京航空航天大学 | 用于旅行时间预测的深度学习网络模型及其建立方法 |
| CN109087509A (zh) * | 2018-09-04 | 2018-12-25 | 重庆交通大学 | 一种路网交通运行状态预测方法 |
| CN111047078A (zh) * | 2019-11-25 | 2020-04-21 | 中山大学 | 交通特征预测方法、***及存储介质 |
| CN111862592A (zh) * | 2020-05-27 | 2020-10-30 | 浙江工业大学 | 一种基于rgcn的交通流预测方法 |
| TWI748514B (zh) * | 2020-06-12 | 2021-12-01 | 中華電信股份有限公司 | 車流推估方法與系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
| Ali et al. | Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction | |
| Gao et al. | Optimize taxi driving strategies based on reinforcement learning | |
| Shou et al. | Optimal passenger-seeking policies on E-hailing platforms using Markov decision process and imitation learning | |
| Sun et al. | Joint prediction of next location and travel time from urban vehicle trajectories using long short-term memory neural networks | |
| Provoost et al. | Predicting parking occupancy via machine learning in the web of things | |
| CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
| CN113591380B (zh) | 基于图高斯过程的交通流预测方法、介质及设备 | |
| Li et al. | Coupling simulation and optimization to solve planning problems in a fast-developing area | |
| CN110414732A (zh) | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 | |
| CN110826244B (zh) | 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法 | |
| CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
| CN115600833A (zh) | 智慧城市限行方案确定方法、物联网***、装置和介质 | |
| Chmiel et al. | Intelligent route planning system based on interval computing | |
| Yang et al. | Short-term prediction of airway congestion index using machine learning methods | |
| Turukmane et al. | Multispectral image analysis for monitoring by IoT based wireless communication using secure locations protocol and classification by deep learning techniques | |
| CN114372830A (zh) | 一种基于时空多图神经网络的网约车需求预测方法 | |
| Qiu et al. | RPSBPT: A route planning scheme with best profit for taxi | |
| CN114169659A (zh) | 一种犯罪时空风险预测及决策调度方法和装置 | |
| Manibardo et al. | A graph-based methodology for the sensorless estimation of road traffic profiles | |
| Ara et al. | Ride Hailing Service Demand Forecast by Integrating Convolutional and Recurrent Neural Networks. | |
| CN115759484A (zh) | 一种交通流量预测方法、电子设备及存储介质 | |
| Salamanis et al. | Evaluating the effect of time series segmentation on STARIMA-based traffic prediction model | |
| CN115640756A (zh) | 一种基于多源数据的停车需求预测模型、方法及其应用 | |
| Ajani et al. | Dynamic path planning approaches based on artificial intelligence and machine learning |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230307 |