CN117475633A - 一种面向事件的交通流量预测方法及装置 - Google Patents
一种面向事件的交通流量预测方法及装置 Download PDFInfo
- Publication number
- CN117475633A CN117475633A CN202311483678.5A CN202311483678A CN117475633A CN 117475633 A CN117475633 A CN 117475633A CN 202311483678 A CN202311483678 A CN 202311483678A CN 117475633 A CN117475633 A CN 117475633A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time
- event
- historical
- flow
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 17
- 206010039203 Road traffic accident Diseases 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 11
- 230000009471 action Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 51
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
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
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于交通流量预测技术领域,具体的说是涉及一种面向事件的交通流量预测方法和装置。本发明的方法是先获取触发事件相关的交通流量数据中参考交通流量数据、目标历史车流量,将处于预设时间内的历史车流量的数据作为参考数据,然后根据目标事件类型,获得目标历史车流量,从而计算出与采集时刻内的车流量的标准差,最后获得历史流量与目标历史流量的增减值,获得预测结果。本发明扩大了预测的覆盖范围和预测的准确性,避免了单一预测方法可能带来的较低的准确性,同时通过计算置信区间内的总车流量和标准差,选取相似的车流量增减区间来计算车流量增减值,提高了车流量增减值的准确性。
Description
技术领域
本发明属于交通流量预测技术领域,具体的说是涉及一种面向事件的交通流量预测方法及装置。
背景技术
交通流量的预测旨在利用历史交通观测数据来预测道路在未来一段时间内的交通流量。然而,在某些特定事件中,交通数据呈现出非线性、不稳定性和难以预测的特点,这使得交通流量预测成为一个具有挑战性的研究课题。这些事件包括车辆交通事故、节假日车辆增加等,它们会对道路交通产生重大影响。据统计,约60%的交通阻塞是由这些事件引起的非周期性拥堵造成的。因此,对这些由事件引发的交通流量变化进行预测,对于提高道路通行效率具有重大意义。
通过对现有的专利及相关技术的检索发现,现有的与交通流量预测相关的方法有:
(1)王键,何彦召,刘海涛,等.一种终端设备功率优化的方法和装置:,CN110730480A[P].2020.提出了一种终端设备可以根据当前业务信息、电量信息或者服务小区信号质量等一个或者多个条件,主动向网络设备报告较低的能力或者匹配当前业务的DRX参数,网络设备可以根据终端上报的信息配置终端的能力或者参数,实现功率优化,降低终端功耗。
(2)靳嘉曦,马婷婷,牛文广,等.一种基于交通流量预测的节假日交通调度方法及装置:,CN111445694B[P].2020.提出了一种若节假日交通流量与预设时间段内历史交通流量的相似度值大于等于预设阈值,则选择历史交通流量对应的交通调度方案作为节假日交通调度方案;否则,根据节假日交通流量的变化趋势将节假日全天划分为多个时段;查找时段数量与所述节假日时段数量最接近的至少一个历史日期;使用二元差分查找法确定与所述节假日多个时段交通流量变化趋势相似度最高的参考历史日期;输出所述参考历史日期对应的历史交通流量,并将其对应的交通调度方案作为节假日交通调度方案,现有的交通流量预测主要基于历史交通观测数据进行,不仅需要大量的数据,也难以找到不同道路之间的相似性,导致交通流量预测的准确度较低。
(3)陈璟,李琪,舒林.移动通信方法、装置及设备:,CN113055888B[P].2022.提出了一种移动通信方法、装置和设备,以解决附着请求消息在发送过程中可能受到中间人攻击,导致MME获取到的UE能力信息与实际UE发送的不一致的问题。其主要思想是:MME通过NAS安全模式命令消息向UE发送第一个或第二个验证匹配信息,UE根据验证匹配信息对MME所接收到的UE能力信息进行验证,以确保MME获取正确的UE能力信息。其中,验证匹配信息可以是附着请求消息或UE能力信息的哈希值等。UE验证通过后,向MME发送NAS安全模式完成消息。
(4)蔡彪.一种基于卷积神经网络的轨道交通客流量预测方法:,CN110298486A[P].2019.提出了一种获取轨道交通路网各个站点的历史客流数据;对缺失的历史客流数据进行填补,得到填补后的历史客流数据;将历史客流数据按照工作日、休息日、晴天和雨雪天划分为不同的数据集;在每个数据集中以任一时刻为起点、时间t为单个取样长度向前获取客流数据,将其作为一组训练数据,进而得到每个数据集对应的训练数据;分别采用每个数据集对应的训练数据对建立的卷积神经网络进行训练,得到训练后的卷积神经网络;以待预测时间段的起始时刻为起点、时间t为单个取样长度,在待预测站点所在轨道交通路网中向前获取客流数据,得到待预测时刻的预测基础数据;选取与待预测时间段相匹配的数据集所训练的卷积神经网络,将待预测时刻的预测基础数据作为该训练后的卷积神经网络的输入,将对应的输出作为该轨道交通路网在该待预测时间段的客流预测结果。建立数据集对应的训练数据训练卷积神经网络,不仅需要大量的历史客流数据,而且,工作日、休息日、晴天和雨雪天往往存在关联,分别通过各自的数据集训练得到卷积神经网络,同样存在交通流量预测的准确度较低的缺陷。
发明内容
为了解决交通流量预测技术中存在的准确度不高的问题,本发明提供了一种面向事件的交通流量预测方法及装置。
一种面向事件的交通流量预测方法,包括以下步骤:
1.当触发事件流量预测的动作发生时,以触发事件流量预测的触发时间为起点,反向查询道路的历史车流量,确定处于预设时长内的历史车流量的均值作为参考车流量。
2.从预设的事件类型中确定触发事件流量预测的目标事件类型,并从道路的历史车流量中选择与参考车流量相同且事件类型与目标事件类型相同的历史车流量作为目标历史车流量。
3.根据目标历史车流量、预设的k-sigma算法中对应目标事件类型的k值,计算第一时刻到第二时刻的时间区间内在k取值所对应的置信区间内的总车流量,并计算总车流量之间的标准差。
4.如果标准差小于预设标准差阈值,则计算目标历史车流量对应的采集时刻到第二时刻的时间区间内各个时刻与采集时刻的时间差。
5.根据目标历史车流量对应的采集时刻到第二时刻的时间区间内的历史车流量,计算各个时间差下的历史车流量均值,并计算历史车流量均值相对目标历史车流量的车流量增减值。最后根据车流量增减值生成交通流量预测结果。
在一种实施方式中,计算各个时刻与第一时刻的时间差的步骤包括:首先计算各个时刻与第一时刻的时间差;然后根据目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻的历史车流量,计算相同时间差下的历史车流量均值和方差;最后根据k-sigma算法中对应目标事件类型的预设k值,以及相同时间差下的历史车流量均值和方差,计算目标历史车流量对应的第一时刻到第二时刻的时间区间内在k取值所对应的置信区间内的总车流量。
在另一种实施方式中,如果标准差大于或等于预设标准差阈值,则重新确定第二时刻的取值,并重新执行前述计算步骤,直到新计算得到的标准差小于预设标准差阈值。
提供了一种面向事件的交通流量预测装置,包括以下模块:
1.历史车流量查询及参考车流量确定模块,用于反向查询道路的历史车流量,并确定处于预设时长内的历史车流量的均值作为参考车流量。
2.事件类型确定及历史车流量选取模块,用于确定触发事件流量预测的目标事件类型,并从道路的历史车流量中选择与参考车流量相同且事件类型与目标事件类型相同的历史车流量作为目标历史车流量。
3.总车流量及标准差计算模块,用于计算第一时刻到第二时刻的时间区间内在k取值所对应的置信区间内的总车流量,并计算总车流量之间的标准差。
4.时间差计算模块,用于在标准差小于预设标准差阈值的情况下,计算目标历史车流量对应的采集时刻到第二时刻的时间区间内各个时刻与采集时刻的时间差。
5.历史车流量均值计算及预测结果生成模块,用于根据目标历史车流量对应的采集时刻到第二时刻的时间区间内的历史车流量,计算各时间差下的历史车流量均值,以及历史车流量均值相对目标历史车流量的车流量增减值,并根据车流量增减值生成交通流量预测结果。
提供了一种计算机可读存储介质,存储有可由处理器执行的计算机程序,实现了前述方法的步骤。另外还提供了一种电子设备,包括存储器和处理器。存储器上存储有计算机程序,而处理器用于执行存储器中的计算机程序,从而实现前述方法的步骤。
本发明提供的方案具有以下优点:
1.扩大了预测的覆盖范围和预测的准确性,避免了单一预测方法可能带来的较低的准确性。
2.通过选择与参考车流量相同且事件类型与目标事件类型相同的历史车流量进行预测,避免了不同交通类型事件对预测结果的影响不同的问题,提高了准确性。
3.通过计算置信区间内的总车流量和标准差,选取相似的车流量增减区间来计算车流量增减值,提高了车流量增减值的准确性。
4.可以及时、有效地帮助道路执法者和调度者疏散车辆。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种面向事件的交通流量预测方法的流程图。
图2是根据一示例性实施例示出的一种面向事件的交通流量预测的实施示意图。
图3是根据一示例性实施例示出的一种实现图1中步骤S13的流程图。
图4是根据一示例性实施例示出的一种确定目标事件类型的预设k的取值的流程图。
图5是根据一示例性实施例示出的一种面向事件的交通流量预测装置的框图。
具体实施方式
以下结合附图实施对本发明的进一步详细描述。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表本公开的全部实施方式。相反,它们仅是本公开的一些方面的例子,与如所附权利要求书中的描述相一致的装置和方法。
图1是根据一种示例性实施例示出的一种面向事件的交通流量预测方法的流程图。如图1所示,该方法包括以下步骤:
在步骤S11中,响应于触发事件流量预测的动作,以触发事件流量预测的触发时间为时间起点,在时间上反向查询道路的历史车流量,将处于预设时长内的历史车流量的均值确定为参考车流量。
如图2所示,本发明实施例可以应用于交通监控云端服务器。交通监控云端服务器可以与道路旁的交通信息采集摄像头、声音传感器、激光雷达、速度传感器通信连接。其中,声音传感器通过网关与交通监控云端服务器通信连接,可以采集例如车辆鸣笛的声音。根据车辆鸣笛声音的频率或者次数,可以协助确定是否发生了堵车等事件。而激光雷达通过网关与交通监控云端服务器通信连接,可以采集车辆来往的车辆。例如,在与激光雷达一定距离范围内的车辆可以被跟踪采集到,进而确定车流量。速度传感器可以采集车辆进入道路上的行驶速度,进而协助确定是否触发事件流量预测的动作。在本公开实施例中,如果所有经过的车辆的车辆行驶速度低于预设阈值,可以触发事件流量预测的动作。交通监控云端服务器还可以与交管部门的监控终端设备通信连接,以便在交管部门的监控终端设备的用户界面展示交通流量预测结果。交通管理人员可以在用户界面上查看交通流量预测结果,以做出准确的引导车流决策。
在本发明中,触发事件流量预测的动作可以由一个或多个事件触发。例如,下雨触发事件流量预测,下雨并发生车辆交通事故触发事件流量预测,或者下雨并且是节假日且发生车辆交通事故触发事件流量预测。
其中,对于时间上反向查询道路的历史车流量,可以通过以下示例进行说明。如果在13:00触发事件流量预测,则查询13:00之前的预设时间范围内的历史车流量,并将处于例如12:30到13:00之间的历史车流量的均值确定为参考车流量。
在步骤S12中,根据预设的事件类型,确定触发事件流量预测的事件的目标事件类型,并从道路的历史车流量中选取与参考车流量相同且事件类型与目标事件类型相同的历史车流量作为目标历史车流量。
其中,与参考车流量相同的历史车流量可以任意选择一个时刻的历史车流量作为参考车流量。如果目标历史车流量的数量不满足预设阈值,可以选择在任意时间段内的历史车流量均值与参考车流量相同,以避免样本数量太少对预测的准确性产生负面影响。
在步骤S13中,根据历史车流量和预设k的取值,计算各目标历史车流量在第一时刻到第二时刻时间区间内处于k的取值范围的总车流量,并计算各总车流量之间的标准差。
可以理解的是,第一时刻和第二时刻是根据预设k的取值、历史车流量的均值和方差计算的。其中,第一时刻是历史车流量的均值减去k倍方差得到的,第二时刻是历史车流量的均值加上k倍方差得到的。
采用k-sigma算法可以从历史车流量中选取具有相似特征的区间总车流量,有助于后续处理目标历史车流量的时间差计算,并提高历史车流量和历史车流量均值的准确性。
在步骤S14中,在标准差小于预设标准差阈值的情况下,计算目标历史车流量在采集时刻到第二时刻时间区间内各个时刻和对应采集时刻的时间差。
在步骤S15中,根据目标历史车流量在采集时刻到第二时刻时间区间内的历史车流量,计算各时间差下的历史车流量均值,计算各时间差下历史车流量均值相对目标历史车流量的车流量增减值,并根据车流量增减值生成交通流量预测结果。
其中,各时间差下的历史车流量均值是在具有相同时间差值的采集时刻下计算得到的。例如,目标历史车流量对应的采集时刻为13:02、10:20、14:35和14:26,其中一个时间差为1分钟的历史车流量均值为13:03、10:21、14:36和14:27的历史车流量均值。
上述技术方案可以响应触发事件流量预测的动作,并使用触发时间作为时间起点,从历史车流量中反向查询,确定预设时长内的历史车流量的均值作为参考车流量。这样可以扩大预测车流量的范围,提高准确性。通过确定目标事件类型,选择与参考车流量相同类型相同的历史车流量作为目标历史车流量,避免不同交通类型事件的影响,提高预测的准确性。利用历史车流量和预设k的取值,计算目标历史车流量在时间区间内处于k范围内的总车流量,并计算总车流量之间的标准差。再根据标准差小于预设标准差阈值的情况下,计算目标历史车流量在采集时刻到第二时刻时间区间内各个时刻与采集时刻的时间差。根据历史车流量和时间差计算历史车流量均值,并计算历史车流量均值相对目标历史车流量的车流量增减值。最后,根据车流量增减值生成交通流量预测结果。通过上述算法,可以查询到与目标历史车流量增减区间最相似的样本,提高车流量增减值的计算准确性,从而提高在事件发生情况下的交通流量预测准确度。进而可以帮助道路执法者和调度者及时、有效地进行车辆疏散。
在一种可能的实现方式中,如图3所示,在步骤S13中,根据历史车流量和预设k的取值,计算目标历史车流量在第一时刻到第二时刻时间区间内处于k取值范围的总车流量,包括:
在步骤S131中,计算目标历史车流量在第一时刻到第二时刻时间区间内各个时刻与对应第一时刻的时间差。
△tim=tij-tik (1)
其中,△tim为第i个目标历史车流量对应的时间差,tij为第i个目标历史车流量对应的第j个时刻,j的取值不超过第二时刻,tik为第i个目标历史车流量对应的第一时刻。
同理,与对应的所述第一时刻的时间差是任意时刻相对于第一时刻的时间差值。
在步骤S132中,根据所述目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻的历史车流量,计算相同所述时间差下的历史车流量均值和方差;
参见如下公式计算历史车流量对应的均值:
其中,wi1、wi2、wi3、...、wiN为第i个目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻的历史车流量,其中,wi1为第i个目标历史车流量对应的第一时刻的历史车流量,wiN为第i个目标历史车流量对应的第二时刻的历史车流量。Ni为第i个目标历史车流量对应的第一时刻到第二时刻的时刻数量。
参见如下公式计算历史车流量对应的方差:
其中,σi为第i个目标历史车流量对应的方差。
在步骤S133中,根据k-sigma算法中对应所述目标事件类型的预设k的取值、所述相同所述时间差下的历史车流量均值和方差,计算各所述目标历史车流量对应的第一时刻到第二时刻的时间区间内处于所述k的取值对应的拉依达置信区间内的总车流量。
其中,第i个目标历史车流量对应的拉依达置信区间为[μi-kσi,μi+kσi]。
本申请中,k-sigma算法计算对应的k的取值对应的拉依达置信区间内的总车流量为现有技术,不做赘述。
在一种可能的实现方式中,所述方法还包括:
在所述标准差大于或者等于所述预设标准差阈值的情况下,重新确定所述第二时刻的取值,并重新执行所述根据所述历史车流量以及k-sigma算法中对应所述目标事件类型的预设k的取值,计算各所述目标历史车流量对应的第一时刻到第二时刻的时间区间内处于所述k的取值对应的拉依达置信区间内的总车流量和所述计算各所述总车流量之间的标准差的步骤,直到新计算得到的所述标准差小于所述预设标准差阈值。
在一种可能的实现方式中,所述方法还包括:
循环执行以下步骤:在第一时刻到第二时刻的时间区间,如果时间区间对应的时长不满足预设时长阈值,则将差值最大的总车流量作为被剔除总车流量;
将所述被剔除总车流量剔除后,重新计算剩余总车流量之间的标准差;
重新执行以下步骤:如果标准差小于预设标准差阈值,根据车流量增减值生成交通流量预测结果;如果标准差大于等于预设标准差阈值,直到新计算得到的标准差小于预设标准差阈值。
在一种可能的实现方式中,目标事件类型的预设k的取值是通过以下方式确定的:
在步骤S31中,获取发生相同事件类型的各事件的发生时刻预设范围内的第一样本车流量。
在步骤S32中,将涉及预设事件类型之外的事件作为目标类型,在历史车流量中查询预设范围内不涉及目标类型的第二样本车流量。
例如,如果涉及的预设事件类型包括车辆交通事故、节假日事件和雨雪事件,则针对车辆交通事故,从历史车流量中查询预设范围内不涉及车辆交通事故但涉及节假日事件和雨雪事件的第二样本车流量;针对节假日事件,从历史车流量中查询预设范围内不涉及节假日事件但涉及车辆交通事故和雨雪事件的第二样本车流量;针对雨雪事件,从历史车流量中查询预设范围内不涉及雨雪事件但涉及车辆交通事故和节假日事件的第二样本车流量。
在步骤S33中,将第二样本车流量与第一样本车流量的比值确定为各预设事件类型对事件的影响权重。
其中,通过如下公式计算影响权重:
Di=Wx2-Wx1 (4)
其中,Di为影响权重,Wx2为第二样本车流量,Wx1为第一样本车流量。
在步骤S34中,根据各所述影响权重以及对应的第二样本车流量,加权求和确定第三样本车流量。
其中,通过如下公式确定第三样本车流量:
其中,Wx3为第三样本车流量,M为第二样本车流量的数量,D1、D2、D3...DM分别为第二样本车流量的影响权重,W12、W22、W32、...、WM2分别为第二样本车流量。
在步骤S35中,确定所述预设范围内每一时刻的车流量的样本车流量均值以及样本车流量方差。
参见公式(2)和(3),计算样本车流量的均值和方差。
在步骤S36中,根据第三个样本车流量、样本车流量的均值和方差,确定在预设范围内对应的拉依达置信区间的k的取值。
根据前文所述的k-sigma算法,已知第三个样本车流量、样本车流量的均值和方差,反向计算对应的k的取值,不再赘述。
在一种可能的实现方式中,预设范围根据事件涉及的预设事件类型确定,预设范围与事件涉及的事件类型数量正相关。
也就是说,如果事件涉及的事件类型为1,则预设范围最小,而如果事件涉及的事件类型为5,则预设范围最大。可以设置事件涉及的事件类型与预设范围的对应关系,方便在计算过程中快速查询预设范围。
在一种可能的实现方式中,事件交通流量预测包括节假日期间、特殊天气期间、发生公共事件期间、发生交通事故期间等至少一种情况。
本公开的实施方式还提供一种面向事件的交通流量预测装置,参见图5。面向事件的交通流量预测装置包括:历史车流量查询及参考车流量确定模块、事件类型确定及历史车流量选取模块、总车流量及标准差计算模块、时间差计算模块和历史车流量均值计算及预测结果生成模块。
历史车流量查询及参考车流量确定模块用于响应触发事件流量预测的动作。根据触发事件流量预测的触发时间作为起点,在时间上反向查询道路的历史车流量,并将处于预设时长内的历史车流量的均值确定为参考车流量。
事件类型确定及历史车流量选取模块用于确定触发事件流量预测的事件的目标事件类型,并从道路的历史车流量中选取与参考车流量相同且事件类型与目标事件类型相同的历史车流量作为目标历史车流量。
总车流量及标准差计算模块用于根据历史车流量以及预设的k值,计算处于拉依达置信区间内的总车流量,并计算总车流量之间的标准差。
时间差计算模块用于在标准差小于预设标准差阈值的情况下,计算目标历史车流量对应的时间差。
历史车流量均值计算及预测结果生成模块用于根据目标历史车流量和时间差计算历史车流量的均值,并计算历史车流量相对目标历史车流量的增减值,生成交通流量预测结果。
在一种可能的实现方式中,总车流量及标准差计算模块用于:
计算第一时刻到第二时刻时间区间内各个时刻与第一时刻的时间差;
计算相同时间差下的历史车流量的均值和方差;
根据预设的k值以及相同时间差下的历史车流量的均值和方差,计算处于k值对应的置信区间内的总车流量。
在一种可能的实现方式中,时间差计算模块还用于:
在标准差大于或等于预设标准差阈值的情况下,重新确定第二时刻的取值,并重新执行根据历史车流量和预设k值计算总车流量和计算标准差的步骤,直到重新计算得到的标准差小于预设标准差阈值为止。
在一种可能的实现方式中,时间差计算模块还用于:
在第一时刻到第二时刻时间区间的时长不满足预设时长阈值的情况下,将标准差中与总车流量均值的差值最大的总车流量作为被剔除总车流量;
将所述被剔除总车流量剔除后,重新计算剩余总车流量之间的标准差;
重新执行根据车流量增减值生成交通流量预测结果的步骤,或者重新执行直到重新计算得到的标准差小于预设标准差阈值的步骤。
在一种可能的实现方式中,时间差计算模块还用于通过以下方式确定目标事件类型的预设k值:
获取与目标事件类型相同的各事件发生时刻预设范围内的第一个样本车流量;
查询仅不涉及目标类型的事件在预设范围内的第二个样本车流量;
确定各样本车流量的比值为目标事件类型对事件的影响权重;
根据影响权重和对应的第二个样本车流量,加权求和确定第三个样本车流量;
确定预设范围内每一时刻的车流量的样本均值和方差;
根据第三个样本车流量、样本均值和方差,确定在预设范围对应的拉依达置信区间内的k值。
在一种可能的实现方式中,预设范围根据事件涉及的预设事件类型确定,预设范围与事件涉及的事件类型的数量正相关。
在一种可能的实现方式中,事件交通流量预测包括节假日期间、特殊天气期间、发生公共事件期间、发生交通事故期间等至少一种情况。
Claims (7)
1.一种面向事件的交通流量预测方法及***,其特征在于,包括:
S1、预处理交通流量数据,包括:
S11、数据采集:获取触发事件相关的交通流量数据中参考交通流量数据、目标历史车流量;
S12、计算各目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻与对应的第一时刻的时间差,计算公式为:
△tim=tij-tik
其中,△tim为第i个目标历史车流量对应的时间差,tij为第i个目标历史车流量对应的第j个时刻,j的取值不超过第二时刻,tik为第i个目标历史车流量对应的第一时刻;所述与对应的第一时刻的时间差是指任意时刻相对于第一时刻的时间差值;
S13、根据所述目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻的历史车流量,计算相同所述时间差下的历史车流量均值和方差:
其中,wi1、wi2、wi3、...、wiN为第i个目标历史车流量对应的第一时刻到第二时刻的时间区间内各个时刻的历史车流量,其中,wi1为第i个目标历史车流量对应的第一时刻的历史车流量,wiN为第i个目标历史车流量对应的第二时刻的历史车流量;Ni为第i个目标历史车流量对应的第一时刻到第二时刻的时刻数量,σi为第i个目标历史车流量对应的方差;
S14、根据k-sigma算法中对应目标事件类型的预设k的取值、相同时间差下的历史车流量均值和方差,计算各目标历史车流量对应的第一时刻到第二时刻的时间区间内处于所述k的取值对应的拉依达置信区间内的总车流量,并计算各总车流量之间的标准差;设定第i个目标历史车流量对应的拉依达置信区间为[μi-kσi,μi+kσi];
S2、在计算各个目标历史车流量对应的采集时刻到第二时刻的时间区间内,在满足标准差小于预设标准差阈值的情况下,计算各个时刻与对应的采集时刻的时间差;
S3、根据目标历史车流量和采集时刻到第二时刻的时间差,计算在各个时间差下的历史车流量的均值,并计算出每个时间差下历史车流量均值相对于目标历史车流量的车流量增减值,然后,根据车流量的增减值生成交通流量的预测结果,具体包括:
S31、在标准差大于或等于预设标准差阈值的情况下,重新确定第二时刻的取值,并重新执行根据历史车流量和k-sigma算法中对应目标事件类型的预设k值来计算各目标历史车流量在第一时刻到第二时刻的时间区间内处于k取值对应的拉依达置信区间内的总车流量,并计算这些总车流量之间的标准差,重复这个步骤直到新计算得到的标准差小于预设标准差阈值;
S32、在第一时刻到第二时刻的时间区间内,如果计算得到的标准差与总车流量的平均值之差最大,且不满足预设时长阈值,则将该总车流量作为被剔除总车流量;
将所述被剔除总车流量剔除后,重新计算剩余总车流量之间的标准差,并判断新得到的标准差是否小于预设标准差阈值,如果是,则根据车流量的增减值生成交通流量预测结果;否则重复执行直到新计算得到的标准差小于预设标准差阈值,最后根据车流量的增减值生成交通流量预测结果。
2.根据权利要求1所述的一种面向事件的交通流量预测方法,其特征在于,S14中所述目标事件类型的预设k的取值的获取方法是:
a.获取发生相同事件类型的各事件的发生时刻,在预设范围内选择第一个样本车流量;
b.将涉及到的任一预设事件类型作为目标类型,在历史车流量中查询只涉及目标类型的事件,并在预设范围内选择第二个样本车流量;
c.计算每个预设事件类型对事件的影响权重,通过将第二个样本车流量与第一个样本车流量的比值确定;
d.根据影响权重和对应的第二个样本车流量,加权求和得出第三个样本车流量;
e.计算预设范围内每个时刻车流量的样本均值和样本方差;
f.根据第三个样本车流量、样本均值和样本方差,确定在预设范围内对应拉依达置信区间的参数k取值。
3.根据权利要求2所述的一种面向事件的交通流量预测方法,其特征在于,步骤a中所述预设范围是根据事件涉及到的预设的事件类型确定的,预设范围与事件涉及的事件类型的数量正相关。
4.根据权利要求1-3任意一项所述的一种面向事件的交通流量预测方法,其特征在于,所述触发事件包括节假日、特殊天气、发生公共事件、发生交通事故。
5.一种面向事件的交通流量预测装置,其特征在于,包括:
历史车流量查询及参考车流量确定,用于响应于触发事件流量预测的动作,以触发所述事件流量预测的触发时间为时间起点,在时间上反向查询道路的历史车流量,将处于预设时长内的历史车流量的均值确定为参考车流量;
事件类型确定及历史车流量选取模块,用于从预设的事件类型中,确定触发所述事件流量预测的事件的目标事件类型,并从所述道路的历史车流量中将与所述参考车流量相同、且事件类型与所述目标事件类型相同的历史车流量作为目标历史车流量;
总车流量及标准差计算模块,用于根据所述历史车流量以及k-sigma算法中对应所述目标事件类型的预设k的取值,计算各所述目标历史车流量对应的第一时刻到第二时刻的时间区间内处于所述k的取值对应的拉依达置信区间内的总车流量,并计算各所述总车流量之间的标准差;
时间差计算模块,用于在所述标准差小于预设标准差阈值的情况下,计算各所述目标历史车流量对应的采集时刻到第二时刻的时间区间内各个时刻与对应的所述采集时刻的时间差;
历史车流量均值计算及预测结果生成模块,用于根据所述目标历史车流量对应的所述采集时刻到所述第二时刻的时间区间内的历史车流量,计算各所述时间差下的历史车流量均值,并计算各所述时间差下,所述历史车流量均值相对所述目标历史车流量的车流量增减值,并根据所述车流量增减值,生成交通流量预测结果。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-2中任一项所述方法的步骤。
7.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-2中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483678.5A CN117475633B (zh) | 2023-11-07 | 2023-11-07 | 一种面向事件的交通流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311483678.5A CN117475633B (zh) | 2023-11-07 | 2023-11-07 | 一种面向事件的交通流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475633A true CN117475633A (zh) | 2024-01-30 |
CN117475633B CN117475633B (zh) | 2024-05-28 |
Family
ID=89636073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311483678.5A Active CN117475633B (zh) | 2023-11-07 | 2023-11-07 | 一种面向事件的交通流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475633B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 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 |
CN109300310A (zh) * | 2018-11-26 | 2019-02-01 | 平安科技(深圳)有限公司 | 一种车流量预测方法及装置 |
CN111445694A (zh) * | 2020-03-04 | 2020-07-24 | 青岛海信网络科技股份有限公司 | 一种基于交通流量预测的节假日交通调度方法及装置 |
WO2021174811A1 (zh) * | 2020-03-04 | 2021-09-10 | 平安科技(深圳)有限公司 | 车流量时间序列的预测方法及预测装置 |
CN113570396A (zh) * | 2021-01-26 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 时间序列数据异常检测方法、装置、设备及存储介质 |
CN116386317A (zh) * | 2022-12-12 | 2023-07-04 | 中国工商银行股份有限公司 | 一种交通路口的车流量预测方法及装置 |
CN116432810A (zh) * | 2022-12-30 | 2023-07-14 | 北京大唐高鸿数据网络技术有限公司 | 交通流预测模型确定方法、设备、装置及可读存储介质 |
CN116915710A (zh) * | 2023-05-30 | 2023-10-20 | ***通信有限公司研究院 | 流量预警方法、装置、设备及可读存储介质 |
-
2023
- 2023-11-07 CN CN202311483678.5A patent/CN117475633B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016095708A1 (zh) * | 2014-12-16 | 2016-06-23 | 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 |
CN109300310A (zh) * | 2018-11-26 | 2019-02-01 | 平安科技(深圳)有限公司 | 一种车流量预测方法及装置 |
CN111445694A (zh) * | 2020-03-04 | 2020-07-24 | 青岛海信网络科技股份有限公司 | 一种基于交通流量预测的节假日交通调度方法及装置 |
WO2021174811A1 (zh) * | 2020-03-04 | 2021-09-10 | 平安科技(深圳)有限公司 | 车流量时间序列的预测方法及预测装置 |
CN113570396A (zh) * | 2021-01-26 | 2021-10-29 | 腾讯科技(深圳)有限公司 | 时间序列数据异常检测方法、装置、设备及存储介质 |
CN116386317A (zh) * | 2022-12-12 | 2023-07-04 | 中国工商银行股份有限公司 | 一种交通路口的车流量预测方法及装置 |
CN116432810A (zh) * | 2022-12-30 | 2023-07-14 | 北京大唐高鸿数据网络技术有限公司 | 交通流预测模型确定方法、设备、装置及可读存储介质 |
CN116915710A (zh) * | 2023-05-30 | 2023-10-20 | ***通信有限公司研究院 | 流量预警方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117475633B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11948405B2 (en) | Providing autonomous vehicle maintenance | |
US10409279B2 (en) | Efficient situational awareness by event generation and episodic memory recall for autonomous driving systems | |
CN107249169B (zh) | 车载网络环境下基于雾节点的事件驱动的数据收集方法 | |
CN110060484B (zh) | 一种基于区块链的公路客运违章实时预警***及方法 | |
CN110807930B (zh) | 危险车辆预警方法及装置 | |
US20180217603A1 (en) | Efficient situational awareness from perception streams in autonomous driving systems | |
Soni et al. | A review of IoT devices for traffic management system | |
CN108764042B (zh) | 一种异常路况信息识别方法、装置及终端设备 | |
CN109767619B (zh) | 一种智能网联纯电动汽车行驶工况预测方法 | |
CN104408915B (zh) | 一种交通状态参数的估计方法和*** | |
EP3462427A1 (en) | Method of predicting the probability of occurrence of vacant parking slots and its realization system | |
EP3361412B1 (en) | Black ice detection system, program, and method | |
US20210325901A1 (en) | Methods and systems for automated driving system monitoring and management | |
US20210295441A1 (en) | Using vehicle data and crash force data in determining an indication of whether a vehicle in a vehicle collision is a total loss | |
CN111462507A (zh) | 信号数据处理方法、***、计算机设备和存储介质 | |
CN109360417B (zh) | 一种基于区块链的危险驾驶行为辨识与推送方法及*** | |
CN112633120A (zh) | 一种基于半监督学习的智能路侧感知***及模型训练方法 | |
CN110189537B (zh) | 基于时空特征的停车诱导方法、装置、设备及存储介质 | |
CN106682590B (zh) | 一种监控业务的处理方法以及服务器 | |
CN116289444A (zh) | 基于智能化的路面病害实时监测与预测装置及方法 | |
CN117475633B (zh) | 一种面向事件的交通流量预测方法及装置 | |
CN113313969B (zh) | 停车位共享方法和装置 | |
CN117078020B (zh) | 基于无人机的物流运输数据管理*** | |
JP5058176B2 (ja) | 道路交通監視システム及び関連方法 | |
CN111582635A (zh) | 一种基于v2x的多目标处理方法 |
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 |