CN116311927A - 一种交通流量的预测方法、装置、电子设备及存储介质 - Google Patents
一种交通流量的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116311927A CN116311927A CN202310234749.1A CN202310234749A CN116311927A CN 116311927 A CN116311927 A CN 116311927A CN 202310234749 A CN202310234749 A CN 202310234749A CN 116311927 A CN116311927 A CN 116311927A
- Authority
- CN
- China
- Prior art keywords
- monitoring point
- data
- predicted
- traffic flow
- time period
- 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 53
- 238000012544 monitoring process Methods 0.000 claims abstract description 334
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 67
- 238000010586 diagram Methods 0.000 claims description 43
- 230000007774 longterm Effects 0.000 claims description 39
- 238000012795 verification Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 description 18
- 238000011161 development Methods 0.000 description 8
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000005516 engineering process 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
- 230000002123 temporal effect Effects 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种交通流量的预测方法、装置、电子设备及存储介质,该方法包括:针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。根据所述方法和装置,提高了预测准确度。
Description
技术领域
本申请涉及交通流量预测技术领域,具体而言,涉及一种交通流量的预测方法、装置、电子设备及存储介质。
背景技术
道路发生拥堵的原因有很多,无论是交通流的突然增大,或是交通事故和施工导致的道路通行能力的降低,根本原因就是道路的通行能力满足不了当前的交通流需求,所以交通流量预测对交通拥堵的预防和拥堵发生后的交通管控都有重要意义,是智能化交通管理的核心。
一般会根据预测的时间跨度将交通流量预测分为短时预测(5分钟~30分钟)、中时预测(30分钟~数小时)和长时预测(大于一天)。长时预测分析道路交通流的长期发展规律,可用于施工计划的安排,如避免在易发大交通流的地点和时间安排施工计划;但因为交通数据的随机性和不确定性,长时交通流预测的精度较低,更多的研究都是基于近期数据的短时交通流研究;但实际在高速公路的运营管理过程中,从突发事件的发生到处置管控结束通常需要数小时。中时交通流预测通常只考虑预测时间点前几个时间间隔的交通流量情况,而忽略了交通流的长期发展规律,而一般的长时交通流预测以天为单位对日流量进行分析预测,其预测的日流量也不能用于中时交通流的预测中。
发明内容
有鉴于此,本申请的目的在于提供一种交通流量的预测方法、装置、电子设备及存储介质,既考虑了短时交通流的变化情况,又结合了交通流的长期发展规律,将长时交通流量预测模型的预测结果作为输入数据输入到中时交通流量预测模型中,相当于增加了输入到中时交通流量预测模型中的时间序列的长度,提高了预测准确度。
第一方面,本申请实施例提供了一种交通流量的预测方法,所述预测方法包括:
针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;
针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;
将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
进一步的,通过以下步骤训练该监测点对应的长时交通流量预测模型:
获取该监测点在历史监测时间段内的多组历史监测数据;其中,所述历史监测数据包括历史特征数据和历史交通流量数据;
针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据;
根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集;
基于所述第一训练样本集构建lightGBM回归模型,并使用所述第一验证样本集和所述第一测试样本集对所述lightGBM回归模型进行参数调节和验证,以得到该监测点对应的长时交通流量预测模型。
进一步的,通过以下步骤训练所述目标范围对应的中时交通流量预测模型:
获取所述目标范围对应的监测点位置示意图,并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图;
基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图,并基于所述流量有向图计算拉普拉斯算子;
将所述拉普拉斯算子与LSTM神经网络进行融合,得到中时交通流量初始预测模型;
获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型。
进一步的,所述利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型,包括:
针对于每个监测点,以预设时间序列长度为滑动窗口长度,以滑动窗口方式在该监测点的多个历史交通流量数据中确定出在所述滑动窗口内的多组目标历史交通流量数据;其中,每组目标历史交通流量数据中包括多个样本流量输入数据和所述多个样本流量输入数据对应的样本流量输出数据;
针对于每组目标历史交通流量数据,确定该组目标历史交通流量数据中的所述样本流量输出数据对应的目标历史监测时间段,获取该监测点在所述目标历史监测时间段内的目标历史特征数据,对所述目标历史特征数据进行数据处理,并将处理后的目标历史特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在所述目标历史监测时间段内的样本流量预测结果;
将该组目标历史交通流量数据以及该组目标历史交通流量数据对应的样本流量预测结果确定为该监测点的第二样本数据;
根据每个监测点的多组第二样本数据确定出第二训练样本集、第二验证样本集第二测试样本集;
基于所述第二训练样本集训练所述中时交通流量初始预测模型,并使用所述第二验证样本集和所述第二测试样本集对所述中时交通流量初始预测模型进行参数调节和验证,以得到所述目标范围对应的中时交通流量预测模型。
进一步的,当存在多个待预测时间段时,所述将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果,包括:
生成用于表征所有待预测时间段的时间先后的排序,并从所述排序中确定出时间最早的目标待预测时间段;
基于所述中时交通流量预测模型的预设时间序列长度确定出位于所述目标待预测时间段之前的多个历史时间段,并确定出每个监测点在多个所述历史时间段中每个历史时间段中的真实历史流量数据;
将每个监测点在所述目标待预测时间段内的初始流量预测结果以及每个监测点的所述真实历史流量数据输入到所述中时交通流量预测模型中,确定出该监测点在所述目标待预测时间段内的目标流量预测结果;
将该监测点在所述目标待预测时间段内的目标流量预测结果与该监测点的所述真实历史流量数据进行组合得到第一预测数据组,并基于所述预设时间序列长度从所述第一预测数据组中确定出该监测点在所述目标待预测时间段的目标预测数据组;
从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段,并将每个监测点在所述下一待预测时间段内的初始流量预测结果、以及在所述目标待预测时间段的所述目标预测数据组同时输入到所述中时交通流量预测模型中,确定出该监测点在所述下一待预测时间段内的目标流量预测结果;
将该监测点在所述目标待预测时间段的目标预测数据组与该监测点在所述下一待预测时间段内的目标流量预测结果进行组合得到第二预测数据组,并基于所述预设时间序列长度从所述第二预测数据组中确定出该监测点在所述下一待预测时间段的目标预测数据组;
将所述下一待预测时间段确定为所述目标待预测时间段,返回执行所述从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段的步骤,直至所述排序中不存在与所述目标待预测时间段相邻的下一待预测时间段。
第二方面,本申请实施例还提供了一种交通流量的预测装置,所述预测装置包括:
数据获取模块,用于针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;
第一预测模块,用于针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;
第二预测模块,用于将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
进一步的,所述预测装置还包括第一模型训练模块,所述第一模型训练模块用于通过以下步骤训练该监测点对应的长时交通流量预测模型:
获取该监测点在历史监测时间段内的多组历史监测数据;其中,所述历史监测数据包括历史特征数据和历史交通流量数据;
针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据;
根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集;
基于所述第一训练样本集构建lightGBM回归模型,并使用所述第一验证样本集和所述第一测试样本集对所述lightGBM回归模型进行参数调节和验证,以得到该监测点对应的长时交通流量预测模型。
进一步的,所述预测装置还包括第二模型训练模块,所述第二模型训练模块用于通过以下步骤训练所述目标范围对应的中时交通流量预测模型:
获取所述目标范围对应的监测点位置示意图,并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图;
基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图,并基于所述流量有向图计算拉普拉斯算子;
将所述拉普拉斯算子与LSTM神经网络进行融合,得到中时交通流量初始预测模型;
获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的交通流量的预测方法的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的交通流量的预测方法的步骤。
本申请实施例提供的一种交通流量的预测方法、装置、电子设备及存储介质,首先,针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;然后,针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;最后,将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
本申请实施例提供的交通流量的预测方法,既考虑了短时交通流的变化情况,又结合了交通流的长期发展规律,将长时交通流量预测模型的预测结果作为输入数据输入到中时交通流量预测模型中,相当于增加了输入到中时交通流量预测模型中的时间序列的长度,提高了预测准确度。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本申请实施例所提供的一种交通流量的预测方法的流程图;
图2(a)为本申请实施例所提供的一种监测点位置示意图的示意图;
图2(b)为本申请实施例所提供的一种流向示意图的示意图;
图2(c)为本申请实施例所提供的一种流向有向图的示意图;
图3为本申请实施例所提供的一种基于递归策略的流量预测流程示意图;
图4为本申请实施例所提供的一种交通流量的预测装置的结构示意图;
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,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。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,对本申请可适用的应用场景进行介绍。本申请可应用于交通流量预测技术领域。
道路发生拥堵的原因有很多,无论是交通流的突然增大,或是交通事故和施工导致的道路通行能力的降低,根本原因就是道路的通行能力满足不了当前的交通流需求,所以交通流量预测对交通拥堵的预防和拥堵发生后的交通管控都有重要意义,是智能化交通管理的核心。
经研究发现,一般会根据预测的时间跨度将交通流量预测分为短时预测(5分钟~30分钟)、中时预测(30分钟~数小时)和长时预测(大于一天)。长时预测分析道路交通流的长期发展规律,可用于施工计划的安排,如避免在易发大交通流的地点和时间安排施工计划;但因为交通数据的随机性和不确定性,长时交通流预测的精度较低,更多的研究都是基于近期数据的短时交通流研究;但实际在高速公路的运营管理过程中,从突发事件的发生到处置管控结束通常需要数小时。中时交通流预测通常只考虑预测时间点前几个时间间隔的交通流量情况,而忽略了交通流的长期发展规律,而一般的长时交通流预测以天为单位对日流量进行分析预测,其预测的日流量也不能用于中时交通流的预测中。
基于此,本申请实施例提供了一种交通流量的预测方法、装置、电子设备及存储介质,将长时交通流量预测模型的预测结果作为输入数据输入到中时交通流量预测模型中,相当于增加了输入到中时交通流量预测模型中的时间序列的长度,提高了预测准确度。
请参阅图1,图1为本申请实施例所提供的一种交通流量的预测方法的流程图。如图1中所示,本申请实施例提供的预测方法,包括:
S101,针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据。
需要说明的是,目标范围指的是预先设定的,需要进行交通流量预测的地理范围,例如,目标范围可以是辽宁省,对此本申请不做具体限定。监测点指的是在高速公路上的,每一个能够测量出流量数据的点位,具体的,监测点可以是高速公路上的每个收费口和每个门架。待预测时间段指的是想要进行流量预测的未来的时间段。这里,待预测时间段以小时为时间范围。在进行交通流量预测时,可以选择一个待预测时间段,例如,待预测时间段为“2023年1月11日9:00-2023年1月11日10:00”,也可以选择多个待预测时间段,例如,多个待预测时间段包括“2023年1月11日9:00-2023年1月11日10:00”、“2023年1月11日10:00-2023年1月11日11:00”和“2023年1月11日11:00-2023年1月11日12:00”等等,对此本申请不做限定。根据本申请提供的实施例,特征数据可以包括小时特征、星期特征、节假日特征、历史流量特征和天气特征。在具体实施时,针对于每个待预测时间段,对时间信息提取小时特征,比如从0am到1am的待预测时间段的时间特征为0,从7pm到8pm的待预测时间段的时间特征为19。结合日历信息对待预测时间段提取星期特征和节假日特征,例如2022年6月2日为星期四且为工作日,则星期特征为4,节假日特征为0;2022年6月3日为星期五且为端午节,则其星期特征为5,节假日特征为1。同时考虑到前一天的交通流量对当天的交通流量也会产生影响,比如如果前一天有节假日或者交通管控,其对第二天的流量会有相应的影响,于是还需要统计前一天的日流量作为历史流量特征。最后结合气象数据,对每个待预测时间段进行天气特征的标记,例如,将晴、风、雨、雪、雾分别用1、2、3、4、5表示。延续上述实施例,当待预测时间段为“2023年1月11日9:00-2023年1月11日10:00”时,该待预测时间段的特征数据分别为:小时特征为9、星期特征为3、节假日特征为0、2023年1月10日的历史流量特征和天气特征为1。
针对上述步骤S101,在具体实施时,针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据。
交通流具有一定的周期和规律性,长时交通流量预测即通过分析交通流长期的发展规律,比如节假日的高速流量比非节假日的流量高、早晚高峰期的流量比凌晨的流量高、恶劣天气时交通流量也会比平时低,对未来任意时刻的交通流进行预测。高速上不同地点的流量情况不一样,经常发生拥堵的地点在拥堵高发时间段内也更易发生拥堵,因此需要对每个监测点分别进行建模分析。
S102,针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果。
需要说明的是,数据处理包括归一化处理和编码处理。长时交通流量预测模型是预先训练好的,用于预测监测点在待预测时间段内的流量。
针对上述步骤S102,在具体实施时,针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理。具体的,数据处理包括归一化处理和编码处理,对特征数据中的小时特征、星期特征、节假日特征和历史流量特征分别进行最大最小值的归一化处理,将天气特征进行OneHot独热编码,得到处理后的特征数据。然后将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中得到预测结果,再将预测结果进行反归一化即可得到该监测点在该待预测时间段内的初始流量预测结果。
具体的,根据本申请提供的实施例,通过以下步骤训练该监测点对应的长时交通流量预测模型:
A:获取该监测点在历史监测时间段内的多组历史监测数据。
需要说明的是,历史监测时间段指的是对监测点进行流量监测的历史时间段,例如,历史监测时间段可以是过去的一年,对此本申请不做具体限定。历史监测数据包括历史特征数据和历史交通流量数据。历史特征数据则是历史监测时间段中每个小时的小时特征、星期特征、节假日特征、历史流量特征和天气特征。历史交通流量数据则是该监测点在历史监测时间段中每个小时的历史流量数据。
针对上述步骤A,在具体实施时,获取该监测点在历史监测时间段内的多组历史监测数据。这里,在获取该监测点在历史监测时间段内的多个历史交通流量数据时,还需对数据进行处理,处理的流程包括但不限于以下几种:1、数据融合,历史流量数据均来自于监测点的雷达或视频监控设备检测到的流量,若数据来自多源设备,则需进行数据融合。2、数据有效性检验,检验历史流量数据是否满足数据质量的有效性规则,如监测时间不符合事实,例如某历史交通流量数据的监测时间为2025年,则需要进行剔除。3、数据去重,重复数据识别与去重,原则上同一门架、同一时刻、同一辆车只会识别一次,但因为如天线异常或一车多卡多标签的原因,可能造成通行数据重复记录,需要进行去重处理。4、异常数据处理,车辆轨迹应该满足一定的空间逻辑,对车辆轨迹进行还原,利用通行时间、通行的门架和收费站的出入信息还原车辆轨迹,结合路网结构,对不合理的通行数据进行修正。
B:针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据。
针对上述步骤B,在具体实施时,在获取到多组历史监测数据后,针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据。具体的,对历史特征数据进行数据处理的方法与上述步骤S102中对特征数据进行数据处理的方法相同,并且能达到相同的技术效果,在此不再赘述。对历史交通流量数据进行数据处理时,同样按照最大值最小值进行归一化处理。
C:根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集。
需要说明的是,训练样本集指的是用于构建模型的样本数据。验证样本集指的是用于对模型进行调参调优的样本数据。测试样本集指的是用于验证模型的精准度的样本数据。
针对上述步骤C,在具体实施时,确定出多组第一样本数据后,根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集。作为一种可选的实施方式,可以将多组第一样本数据进行比例划分,例如进行6:3:1的比例划分,也就是60%的第一样本数据作为第一训练样本集,30%的第一样本数据作为第一验证样本集,10%的第一样本数据作为第一测试样本集。
D:基于所述第一训练样本集构建lightGBM回归模型,并使用所述第一验证样本集和所述第一测试样本集对所述lightGBM回归模型进行参数调节和验证,以得到该监测点对应的长时交通流量预测模型。
针对上述步骤D,在具体实施时,划分出第一训练样本集后,以第一训练样本集中的历史特征数据作为输入,历史交通流量数据作为输出,建立lightGBM回归模型,然后使用第一验证样本集对lightGBM回归模型进行调参调优,用第一测试样本集验证训练后的模型的准确度,以得到该监测点对应的长时交通流量预测模型。这里,如何使用训练样本集构建lightGBM回归模型,如何使用验证样本集进行模型调参以及如何使用测试样本集验证模型精准度的方法在现有技术中详细说明,在此不再过多赘述。
S103,将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
针对上述步骤S103,在具体实施时,将该监测点在每个待预测时间段内的初始流量预测结果输入到目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
具体的,根据本申请提供的实施例,通过以下步骤训练所述目标范围对应的中时交通流量预测模型:
I:获取所述目标范围对应的监测点位置示意图,并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图。
针对上述步骤I,在具体实施时,获取目标范围对应的监测点位置示意图。监测点位置示意图中存在多个监测点,以及每个监测点所处的高速公路的流向。然后基于监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出反应高速流量流向的流向示意图。实际中,高速公路是封闭的,车流的来源就是上游门架,收费站和相交的其他高速,车流的流向就是下游门架,收费站和相交的其他高速。但交通流的流向不是根据位置远近而是依据上下游关系,即上游流出,下游流入。收费站上游门架只能流出到收费站,收费站的流量只能流入到收费站的下游门架。两个高速相交的枢纽附近的四对门架,一条高速流量的流出只发生在枢纽的上游,流出的流量流入另一条高速只能流入到枢纽下游门架。
请参阅图2(a)和图2(b),图2(a)为本申请实施例所提供的一种监测点位置示意图的示意图,图2(b)为本申请实施例所提供的一种流向示意图的示意图。如图2(a)所示,图中记录有为高速公路上各个监测点的位置,图中A1A2,B1B2,C1C2,D1D2,E1E2为五对高速门架,S1S2为收费站的出口和入口。门架和收费站是交通流数据的主要来源。高速门架成对布设,分别监测单向的流量,一般布设在收费站互通立交之间和互通立交与枢纽立交之间,收费站流量则分为进站流量和出站流量。如图2(b)所示,如对于G2方向高速,位于上游的B2门架的流量流出到收费站出口S1,收费站S2进入的流量只能流入位于收费站下游的A2门架。如对于G3高速,只有位于枢纽上游的E1会发生交通流的流出,且流出的流量只能流入到G1位于枢纽下游的A1或者流入G2位于枢纽下游的门架C2,而G3高速位于枢纽下游的门架D1只有流量流入。
II:基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图,并基于所述流量有向图计算拉普拉斯算子。
针对上述步骤II,在具体实施时,得到流向示意图后,利用流向示意图中每个监测点之间的流向关系,绘制出目标范围对应的流量有向图。得到流量有向图后,再基于流量有向图计算出拉普拉斯算子。请参阅图2(c),图2(c)为本申请实施例所提供的一种流向有向图的示意图。根据图2(b)中各个监测点之间的流向关系即可绘制出流量有向图。得到流量有向图后即可计算出拉普拉斯算子
这里,图卷积网络GCN里定义了神经网络层的传播规律如下:
其中,H(l)表示第l层的激活输出结果,H(l+1)表示第l+1层的激活输出,σ代表sigmoid激活函数,W(l)表示第l层的权重矩阵,为拉普拉斯矩阵即图卷积操作,拉普拉斯矩阵中/>A表示无向图的邻接矩阵,I表示同等大小的单位矩阵,即考虑了自身结点的邻接矩阵,用/>与结点的特征矩阵相乘,即每个结点的新特征由结点本身与邻域结点的特征的和计算得到,但考虑到每个结点的邻域结点数不一样,引入即矩阵/>的度构成的对角矩阵,拉普拉斯矩阵/>即利用邻接矩阵/>的度矩阵对其进行标准化。
针对上述步骤II,在具体实施时,在得到交通流的流量有向图后,首先根据流量有向图计算其邻接矩阵A,与单位矩阵求和得到考虑自身的邻接矩阵/>这里,本申请不限定邻接矩阵的构造方法,可以是无权矩阵,也可以是有权矩阵,构造有权矩阵时两点距离越近,权值越大,如采用高斯核函数计算权值。然后求邻接矩阵/>的入度,形成以结点入度为对角线的对角矩阵/>最后可求得流向有向图的拉普拉斯算子/>
III:将所述拉普拉斯算子与LSTM神经网络进行融合,得到中时交通流量初始预测模型。
这里,LSTM神经元是由三个门的操作实现的:
遗忘门:ft=σ(Wf[ht-1,Xt]+bf),用来对上一步的cell state细胞状态Ct-1进行遗忘;
输出门:ot=σ(Wo[ht-1,Xt]+bo),对新状态Ct处理得到t时刻的输出ht=ot⊙tanh(Ct)。
针对上述步骤III,在具体实施时,LSTM神经元包含四个全连接的操作,将拉普拉斯算子与LSTM神经网络进行融合,将全连接操作替换为图卷积操作,利用上述步骤II中计算的拉普拉斯算子,即可得到中时交通流量初始预测模型:
IV:获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型。
针对上述步骤IV,在具体实施时,在得到中时交通流量初始预测模型后,获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对中时交通流量初始预测模型进行训练,得到目标范围对应的中时交通流量预测模型。
进一步的,针对上述步骤IV,所述利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型,包括:
i:针对于每个监测点,以预设时间序列长度为滑动窗口长度,以滑动窗口方式在该监测点的多个历史交通流量数据中确定出在所述滑动窗口内的多组目标历史交通流量数据。
需要说明的是,预设时间序列长度指的是预先设定的,使用滑动窗口方式获取第二样本数据的窗口长度。例如,可以预先设定预设时间序列长度为3,对此本申请不做具体限定。其中,每组目标历史交通流量数据中包括多个样本流量输入数据和所述多个样本流量输入数据对应的样本流量输出数据。
针对上述步骤i,在具体实施时,针对于每个监测点,以预设时间序列长度为滑动窗口长度,以滑动窗口方式在该监测点的多个历史交通流量数据中确定出在滑动窗口内的多组目标历史交通流量数据。这里,LSTM神经网络的本质即通过对数据集的学习,预测长度为s的时间序列的下一个时刻即的值。例如,预设时间序列长度为3,则以4为窗口大小对数据滑窗,将一个窗口内前3条历史交通流量数据为样本流量输入数据,最后一个历史交通流量数据为样本流量输出数据,即代表利用过去三个小时的交通流量数据预测下一个小时的交通流量数据。
ii:针对于每组目标历史交通流量数据,确定该组目标历史交通流量数据中的所述样本流量输出数据对应的目标历史监测时间段,获取该监测点在所述目标历史监测时间段内的目标历史特征数据,对所述目标历史特征数据进行数据处理,并将处理后的目标历史特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在所述目标历史监测时间段内的样本流量预测结果。
针对上述步骤ii,在具体实施时,监测点的多组目标历史交通流量数据确定出后,针对于每组目标历史交通流量数据,确定该组目标历史交通流量数据中的样本流量输出数据对应的目标历史监测时间段,并获取该监测点在目标历史监测时间段内的目标历史特征数据,然后对目标历史特征数据进行数据处理。这里,对目标历史特征数据进行数据处理的方法与步骤S102中对特征数据进行数据处理方法的相同,并且能达到相同的技术效果,在此不再赘述。将处理后的目标历史特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在目标历史监测时间段内的样本流量预测结果。
iii:将该组目标历史交通流量数据以及该组目标历史交通流量数据对应的样本流量预测结果确定为该监测点的第二样本数据。
针对上述步骤iii,在具体实施时,样本流量预测结果确定出后,将该组目标历史交通流量数据以及该组目标历史交通流量数据对应的样本流量预测结果确定为该监测点的第二样本数据。
iv:根据每个监测点的多组第二样本数据确定出第二训练样本集、第二验证样本集第二测试样本集。
v:基于所述第二训练样本集训练所述中时交通流量初始预测模型,并使用所述第二验证样本集和所述第二测试样本集对所述中时交通流量初始预测模型进行参数调节和验证,以得到所述目标范围对应的中时交通流量预测模型。
针对上述步骤iv和步骤v,在具体实施时,确定出每个监测点的多组第二样本数据后,根据每个监测点的多组第二样本数据确定出第二训练样本集、第二验证样本集第二测试样本集。划分出第二训练样本集后,以第二训练样本集中的样本流量输入数据作为输入,样本流量输出数据作为输出,训练中时交通流量初始预测模型,然后使用第二验证样本集对中时交通流量初始预测模型进行调参调优,用第二测试样本集验证训练后的模型的准确度,以得到目标范围对应的中时交通流量预测模型。
具体的,针对于上述步骤S103,当存在多个待预测时间段时,所述将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果,包括:
(1)生成用于表征所有待预测时间段的时间先后的排序,并从所述排序中确定出时间最早的目标待预测时间段。
(2)基于所述中时交通流量预测模型的预设时间序列长度确定出位于所述目标待预测时间段之前的多个历史时间段,并确定出每个监测点在多个所述历史时间段中每个历史时间段中的真实历史流量数据。
(3)将每个监测点在所述目标待预测时间段内的初始流量预测结果以及每个监测点的所述真实历史流量数据输入到所述中时交通流量预测模型中,确定出该监测点在所述目标待预测时间段内的目标流量预测结果。
针对上述步骤(1)-步骤(3),在具体实施时,根据每个待预测时间段对应的时间范围生成用于表征所有待预测时间段的时间先后的排序,并从排序中确定出时间最早的目标待预测时间段。由于中时交通流量预测模型在训练时所使用的样本数据的数量是根据预设时间序列长度确定的,因此在中时交通流量预测模型应用时,所使用的输入数据也应该与训练时的输入数据的数量相同,因此基于中时交通流量预测模型的预设时间序列长度确定出位于目标待预测时间段之前的多个历史时间段,并确定出每个监测点在多个历史时间段中每个历史时间段中的真实历史流量数据。例如,延续上述步骤i中的实施例,当预设时间序列长度为3时,则需要确定出位于目标待预测时间段之前的3个历史时间段,并确定出每个监测点这3个历史时间段中的真实历史流量数据。由于中时交通流量预测模型在训练时使用的是历史交通流量数据和长时交通流量预测模型预测的交通流量数据,因此在使用时也需要将历史交通流量数据和长时交通流量预测模型预测的交通流量数据同时输入到中时交通流量预测模型中,具体的,将长时交通流量预测模型预测的每个监测点在目标待预测时间段内的初始流量预测以及每个监测点的真实历史流量数据结果输入到中时交通流量预测模型中,确定出该监测点在目标待预测时间段内的目标流量预测结果。
(4)将该监测点在所述目标待预测时间段内的目标流量预测结果与该监测点的所述真实历史流量数据进行组合得到第一预测数据组,并基于所述预设时间序列长度从所述第一预测数据组中确定出该监测点在所述目标待预测时间段的目标预测数据组。
针对上述步骤(4),在具体实施时,该监测点在目标待预测时间段内的目标流量预测结果确定出后,将该监测点在目标待预测时间段内的目标流量预测结果与该监测点的真实历史流量数据进行组合得到第一预测数据组,并基于预设时间序列长度从第一预测数据组中确定出时间段最晚的数据作为该监测点在目标待预测时间段的目标预测数据组。例如,预设时间序列长度为3,目标预测时间段为T+1,真实历史流量数据对应的历史时间段分别是T-2、T-1和T,进行组合后的预测数据组中的数据则包括T-2、T-1、T和T+1这四个时段内的数据,然后从第一预测数据组中取3个时段最晚的数据作为在T+1的目标预测数据组,即T-1、T和T+1这三个时段内的数据。
(5)从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段,并将每个监测点在所述下一待预测时间段内的初始流量预测结果、以及在所述目标待预测时间段的所述目标预测数据组同时输入到所述中时交通流量预测模型中,确定出该监测点在所述下一待预测时间段内的目标流量预测结果。
(6)将该监测点在所述目标待预测时间段的目标预测数据组与该监测点在所述下一待预测时间段内的目标流量预测结果进行组合得到第二预测数据组,并基于所述预设时间序列长度从所述第二预测数据组中确定出该监测点在所述下一待预测时间段的目标预测数据组。
(7)将所述下一待预测时间段确定为所述目标待预测时间段,返回执行所述从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段的步骤,直至所述排序中不存在与所述目标待预测时间段相邻的下一待预测时间段。
针对上述步骤(5)-步骤(7),在具体实施时,对于目标待预测时间段内的流量数据预测完成后,然后从排序中确定出与目标待预测时间段相邻的下一待预测时间段,并将每个监测点在下一待预测时间段内的初始流量预测结果、以及在目标待预测时间段的目标预测数据组同时输入到中时交通流量预测模型中,确定出该监测点在下一待预测时间段内的目标流量预测结果。然后,将该监测点在目标待预测时间段的目标预测数据组与该监测点在下一待预测时间段内的目标流量预测结果进行组合得到第二预测数据组,并基于预设时间序列长度从第二预测数据组中确定出时间段最晚的数据作为该监测点在下一待预测时间段的目标预测数据组。然后将下一待预测时间段确定为目标待预测时间段,返回执行上述步骤(5)中的从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段的步骤,以此类推,继续预测该监测点在下一个待预测时间段内的目标流量预测结果,直至排序中不存在与目标待预测时间段相邻的下一待预测时间段,即可得到该监测点在每个待预测时间段内的目标流量预测结果。
请参阅图3,图3为本申请实施例所提供的一种基于递归策略的流量预测流程示意图。如图3所示,以预测未来三个小时的流量数据为示例,向中时交通流量预测模型中输入长时交通流量预测模型的预测结果以及历史三个小时的流量数据XT-2、XT-1、XT,以对T+1时段的流量进行预测;再将中时交通流量预测模型预测的结果/>作为T+1时段的历史流量,与历史两个小时的流量数据XT-1、XT一并作为用来预测T+2时段的历史流量数据,与长时交通流量预测模型对T+2时段的初步预测结果/>一起作为中时交通流量预测模型的输入,以预测T+2时段的流量,以此类推。
根据本申请提供的实施例,利用构建的长时交通流量预测模型和中时交通流量预测模型进行交通流量的预测,实际应用中,不止需要预测未来一个小时的交通流量,还要预测未来两、三个小时甚至更长时间跨度的交通情况,即多步时间序列预测。本申请在进行多个小时的交通流量预测时采用递归策略,即上一时刻的预测结果作为输入用来预测下一时刻的流量,这种方法结构简单且更灵活,通过融合长时交通流回归预测模型来降低误差,提高预测准确度。且在数据缺失的情况下,也能将长时交通流的预测结果作为输入,对未来多个小时的交通流进行预测。
本申请实施例提供的一种交通流量的预测方法,首先,针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;然后,针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;最后,将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
本申请实施例提供的交通流量的预测方法,既考虑了实时交通流的变化情况,又结合了交通流的长期发展规律。采用lightGBM回归算法建立长时交通流量预测模型,长时交通流量预测模型的预测结果会作为输入数据用于中时交通流量预测模型中,相当于增加了输入到中时交通流量预测模型的时间序列的长度,提高了预测准确度。并且中时交通流量预测模型采用LSTM神经网络,并将检测器的空间特征通过图卷积融入到LSTM神经元中,通过建立以高速公路上的监测点为结点的有向图,计算有向图的拉普拉斯算子,将检测器的空间特征通过图卷积融入到LSTM神经元中,融合方式为将LSTM神经元的全连接操作替换为图卷积操作。
请参阅图4,图4为本申请实施例所提供的一种交通流量的预测装置的结构示意图。如图4中所示,所述预测装置400包括:
数据获取模块401,用于针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;
第一预测模块402,用于针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;
第二预测模块403,用于将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
进一步的,所述预测装置400还包括第一模型训练模块,所述第一模型训练模块用于通过以下步骤训练该监测点对应的长时交通流量预测模型:
获取该监测点在历史监测时间段内的多组历史监测数据;其中,所述历史监测数据包括历史特征数据和历史交通流量数据;
针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据;
根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集;
基于所述第一训练样本集构建lightGBM回归模型,并使用所述第一验证样本集和所述第一测试样本集对所述lightGBM回归模型进行参数调节和验证,以得到该监测点对应的长时交通流量预测模型。
进一步的,所述预测装置400还包括第二模型训练模块,所述第二模型训练模块用于通过以下步骤训练所述目标范围对应的中时交通流量预测模型:
获取所述目标范围对应的监测点位置示意图,并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图;
基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图,并基于所述流量有向图计算拉普拉斯算子;
将所述拉普拉斯算子与LSTM神经网络进行融合,得到中时交通流量初始预测模型;
获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型。
进一步的,所述第二模型训练模块在用于利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型时,所述第二模型训练模块还用于:
针对于每个监测点,以预设时间序列长度为滑动窗口长度,以滑动窗口方式在该监测点的多个历史交通流量数据中确定出在所述滑动窗口内的多组目标历史交通流量数据;其中,每组目标历史交通流量数据中包括多个样本流量输入数据和所述多个样本流量输入数据对应的样本流量输出数据;
针对于每组目标历史交通流量数据,确定该组目标历史交通流量数据中的所述样本流量输出数据对应的目标历史监测时间段,获取该监测点在所述目标历史监测时间段内的目标历史特征数据,对所述目标历史特征数据进行数据处理,并将处理后的目标历史特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在所述目标历史监测时间段内的样本流量预测结果;
将该组目标历史交通流量数据以及该组目标历史交通流量数据对应的样本流量预测结果确定为该监测点的第二样本数据;
根据每个监测点的多组第二样本数据确定出第二训练样本集、第二验证样本集第二测试样本集;
基于所述第二训练样本集训练所述中时交通流量初始预测模型,并使用所述第二验证样本集和所述第二测试样本集对所述中时交通流量初始预测模型进行参数调节和验证,以得到所述目标范围对应的中时交通流量预测模型。
进一步的,当存在多个待预测时间段时,所述第二预测模块403在用于将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果时,所述第二预测模块403还用于:
生成用于表征所有待预测时间段的时间先后的排序,并从所述排序中确定出时间最早的目标待预测时间段;
基于所述中时交通流量预测模型的预设时间序列长度确定出位于所述目标待预测时间段之前的多个历史时间段,并确定出每个监测点在多个所述历史时间段中每个历史时间段中的真实历史流量数据;
将每个监测点在所述目标待预测时间段内的初始流量预测结果以及每个监测点的所述真实历史流量数据输入到所述中时交通流量预测模型中,确定出该监测点在所述目标待预测时间段内的目标流量预测结果;
将该监测点在所述目标待预测时间段内的目标流量预测结果与该监测点的所述真实历史流量数据进行组合得到第一预测数据组,并基于所述预设时间序列长度从所述第一预测数据组中确定出该监测点在所述目标待预测时间段的目标预测数据组;
从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段,并将每个监测点在所述下一待预测时间段内的初始流量预测结果、以及在所述目标待预测时间段的所述目标预测数据组同时输入到所述中时交通流量预测模型中,确定出该监测点在所述下一待预测时间段内的目标流量预测结果;
将该监测点在所述目标待预测时间段的目标预测数据组与该监测点在所述下一待预测时间段内的目标流量预测结果进行组合得到第二预测数据组,并基于所述预设时间序列长度从所述第二预测数据组中确定出该监测点在所述下一待预测时间段的目标预测数据组;
将所述下一待预测时间段确定为所述目标待预测时间段,返回执行所述从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段的步骤,直至所述排序中不存在与所述目标待预测时间段相邻的下一待预测时间段。
请参阅图5,图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示,所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令,当电子设备500运行时,所述处理器510与所述存储器520之间通过总线530通信,所述机器可读指令被所述处理器510执行时,可以执行如上述图1所示方法实施例中的交通流量的预测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的交通流量的预测方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,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,在本申请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。
所述功能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,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种交通流量的预测方法,其特征在于,所述预测方法包括:
针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;
针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;
将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
2.根据权利要求1所述的预测方法,其特征在于,通过以下步骤训练该监测点对应的长时交通流量预测模型:
获取该监测点在历史监测时间段内的多组历史监测数据;其中,所述历史监测数据包括历史特征数据和历史交通流量数据;
针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据;
根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集;
基于所述第一训练样本集构建lightGBM回归模型,并使用所述第一验证样本集和所述第一测试样本集对所述lightGBM回归模型进行参数调节和验证,以得到该监测点对应的长时交通流量预测模型。
3.根据权利要求1所述的预测方法,其特征在于,通过以下步骤训练所述目标范围对应的中时交通流量预测模型:
获取所述目标范围对应的监测点位置示意图,并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图;
基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图,并基于所述流量有向图计算拉普拉斯算子;
将所述拉普拉斯算子与LSTM神经网络进行融合,得到中时交通流量初始预测模型;
获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型。
4.根据权利要求3所述的预测方法,其特征在于,所述利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型,包括:
针对于每个监测点,以预设时间序列长度为滑动窗口长度,以滑动窗口方式在该监测点的多个历史交通流量数据中确定出在所述滑动窗口内的多组目标历史交通流量数据;其中,每组目标历史交通流量数据中包括多个样本流量输入数据和所述多个样本流量输入数据对应的样本流量输出数据;
针对于每组目标历史交通流量数据,确定该组目标历史交通流量数据中的所述样本流量输出数据对应的目标历史监测时间段,获取该监测点在所述目标历史监测时间段内的目标历史特征数据,对所述目标历史特征数据进行数据处理,并将处理后的目标历史特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在所述目标历史监测时间段内的样本流量预测结果;
将该组目标历史交通流量数据以及该组目标历史交通流量数据对应的样本流量预测结果确定为该监测点的第二样本数据;
根据每个监测点的多组第二样本数据确定出第二训练样本集、第二验证样本集第二测试样本集;
基于所述第二训练样本集训练所述中时交通流量初始预测模型,并使用所述第二验证样本集和所述第二测试样本集对所述中时交通流量初始预测模型进行参数调节和验证,以得到所述目标范围对应的中时交通流量预测模型。
5.根据权利要求1所述的预测方法,其特征在于,当存在多个待预测时间段时,所述将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果,包括:
生成用于表征所有待预测时间段的时间先后的排序,并从所述排序中确定出时间最早的目标待预测时间段;
基于所述中时交通流量预测模型的预设时间序列长度确定出位于所述目标待预测时间段之前的多个历史时间段,并确定出每个监测点在多个所述历史时间段中每个历史时间段中的真实历史流量数据;
将每个监测点在所述目标待预测时间段内的初始流量预测结果以及每个监测点的所述真实历史流量数据输入到所述中时交通流量预测模型中,确定出该监测点在所述目标待预测时间段内的目标流量预测结果;
将该监测点在所述目标待预测时间段内的目标流量预测结果与该监测点的所述真实历史流量数据进行组合得到第一预测数据组,并基于所述预设时间序列长度从所述第一预测数据组中确定出该监测点在所述目标待预测时间段的目标预测数据组;
从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段,并将每个监测点在所述下一待预测时间段内的初始流量预测结果、以及在所述目标待预测时间段的所述目标预测数据组同时输入到所述中时交通流量预测模型中,确定出该监测点在所述下一待预测时间段内的目标流量预测结果;
将该监测点在所述目标待预测时间段的目标预测数据组与该监测点在所述下一待预测时间段内的目标流量预测结果进行组合得到第二预测数据组,并基于所述预设时间序列长度从所述第二预测数据组中确定出该监测点在所述下一待预测时间段的目标预测数据组;
将所述下一待预测时间段确定为所述目标待预测时间段,返回执行所述从所述排序中确定出与所述目标待预测时间段相邻的下一待预测时间段的步骤,直至所述排序中不存在与所述目标待预测时间段相邻的下一待预测时间段。
6.一种交通流量的预测装置,其特征在于,所述预测装置包括:
数据获取模块,用于针对于目标范围内的高速公路上的每个监测点,获取该监测点在至少一个待预测时间段内的特征数据;
第一预测模块,用于针对于每个待预测时间段,对该监测点在该待预测时间段内的特征数据进行数据处理,并将处理后的特征数据输入到该监测点对应的长时交通流量预测模型中,确定出该监测点在该待预测时间段内的初始流量预测结果;
第二预测模块,用于将该监测点在每个待预测时间段内的初始流量预测结果输入到所述目标范围对应的中时交通流量预测模型中,使用基于时间序列的递归预测策略,确定出该监测点在每个待预测时间段内的目标流量预测结果。
7.根据权利要求6所述的预测装置,其特征在于,所述预测装置还包括第一模型训练模块,所述第一模型训练模块用于通过以下步骤训练该监测点对应的长时交通流量预测模型:
获取该监测点在历史监测时间段内的多组历史监测数据;其中,所述历史监测数据包括历史特征数据和历史交通流量数据;
针对于每组历史监测数据,对该组历史监测数据进行所述数据处理,得到第一样本数据;
根据多组第一样本数据确定出第一训练样本集、第一验证样本集和第一测试样本集;
基于所述第一训练样本集构建lightGBM回归模型,并使用所述第一验证样本集和所述第一测试样本集对所述lightGBM回归模型进行参数调节和验证,以得到该监测点对应的长时交通流量预测模型。
8.根据权利要求6所述的预测装置,其特征在于,所述预测装置还包括第二模型训练模块,所述第二模型训练模块用于通过以下步骤训练所述目标范围对应的中时交通流量预测模型:
获取所述目标范围对应的监测点位置示意图,并基于所述监测点位置示意图中每个监测点的位置以及每个监测点所处的高速公路的流向确定出流向示意图;
基于所述流向示意图中每个监测点之间的流向关系绘制出所述目标范围对应的流量有向图,并基于所述流量有向图计算拉普拉斯算子;
将所述拉普拉斯算子与LSTM神经网络进行融合,得到中时交通流量初始预测模型;
获取每个监测点在历史监测时间段内的多个历史交通流量数据,并利用每个监测点的多个历史交通流量数据对所述中时交通流量初始预测模型进行训练,得到所述目标范围对应的中时交通流量预测模型。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过所述总线进行通信,所述机器可读指令被所述处理器运行时执行如权利要求1至5任一所述的交通流量的预测方法的步骤。
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上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1至5任一所述的交通流量的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310234749.1A CN116311927A (zh) | 2023-03-13 | 2023-03-13 | 一种交通流量的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310234749.1A CN116311927A (zh) | 2023-03-13 | 2023-03-13 | 一种交通流量的预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116311927A true CN116311927A (zh) | 2023-06-23 |
Family
ID=86784688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310234749.1A Pending CN116311927A (zh) | 2023-03-13 | 2023-03-13 | 一种交通流量的预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311927A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
-
2023
- 2023-03-13 CN CN202310234749.1A patent/CN116311927A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475641A (zh) * | 2023-12-28 | 2024-01-30 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
CN117475641B (zh) * | 2023-12-28 | 2024-03-08 | 辽宁艾特斯智能交通技术有限公司 | 一种高速公路交通状态的检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moreira-Matias et al. | An online learning approach to eliminate Bus Bunching in real-time | |
Wang et al. | Modeling inter-station relationships with attentive temporal graph convolutional network for air quality prediction | |
Zheng et al. | Investigation of model ensemble for fine-grained air quality prediction | |
Ge et al. | Temporal graph convolutional networks for traffic speed prediction considering external factors | |
US20200111174A1 (en) | Probabilistic Load Forecasting via Point Forecast Feature Integration | |
Li et al. | Flight delay prediction from spatial and temporal perspective | |
CN110889558A (zh) | 路况预测方法及装置 | |
Mihaita et al. | Traffic congestion anomaly detection and prediction using deep learning | |
CN115410372B (zh) | 基于贝叶斯lstm的高速公路交通流量可靠预测方法 | |
CN116311927A (zh) | 一种交通流量的预测方法、装置、电子设备及存储介质 | |
Doğan | Analysis of the relationship between LSTM network traffic flow prediction performance and statistical characteristics of standard and nonstandard data | |
CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 | |
CN114418175A (zh) | 一种人员管理方法、装置、电子设备及存储介质 | |
Liu et al. | Highway traffic congestion detection and evaluation based on deep learning techniques | |
Du et al. | Highway travel time prediction of segments based on ANPR data considering traffic diversion | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
Zaki et al. | Time aware hybrid hidden Markov models for traffic Congestion prediction | |
Wang et al. | AR P ILC: an approach for short-term prediction of freeway entrance flow | |
Petelin et al. | Models for forecasting the traffic flow within the city of Ljubljana | |
Sathyan | Traffic Flow Prediction using Machine Learning Techniques-A Systematic Literature Review | |
Yu et al. | A fuzzy-based convolutional LSTM network approach for citywide traffic flow prediction | |
Niu et al. | Highway Temporal‐Spatial Traffic Flow Performance Estimation by Using Gantry Toll Collection Samples: A Deep Learning Method | |
CN114241385A (zh) | 基于深度学习的地铁进出站客流预测方法 | |
Maghsoudi et al. | Applying adaptive network-based fuzzy inference system to predict travel time in highways for intelligent transportation systems | |
Cai et al. | [Retracted] Design of Multiobjective Dynamic Software Development Based on Data Mining Algorithm |
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 |