CN105788249A - 一种交通流量预测方法、预测模型生成方法及装置 - Google Patents

Abstract

本发明公开了一种交通流量预测方法、预测模型生成方法及装置，预测方法包括：针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；从预存的道路与交通流量预测模型的对应关系中，获取待预测道路对应的交通流量预测模型；将当前时刻的前一时段的历史交通流数据，输入至待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

Description

一种交通流量预测方法、预测模型生成方法及装置

技术领域

本发明涉及实时交通领域，尤其涉及一种交通流量预测方法、预测模型生成方法及装置。

背景技术

随着智能交通系统日益普及，实时交通流量在智能交通系统内的应用越来越广泛与深入。目前，发布实时交通流数据的方式是每隔一段时间(如5s、10s、30s、1分钟或2分钟等)发布一次道路的实时交通数据(如道路的行车速度等)，现有技术中发布的实时交通数据即为当前时刻道路的实时交通情况，但是并不能发布未来某一时段的交通流数据。但是在实际生活中，越来越多的用户为了提前合理的安排行程更期望能够提前获知某些道路的交通数据，因此，现有的发布实时交通流数据的方式并不能满足用户的这种需求。

由于交通流数据具有很强的非线性和不确定性，人工很难推测哪些因素会影响下一时段的交通流量的变化情况，因此，目前还没有公开有效的技术方案来准确的预测交通流数据。

发明内容

有鉴于此，本发明实施例提供了一种交通流量预测方法、预测模型生成方法及装置，以提供一种能够准确预测交通流量的方式。

本发明实施例提供一种交通流量预测方法，具体如下：

针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；

从预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；其中，道路对应的交通流量预测模型为预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；

将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

一种交通流量预测装置，所述装置包括：

训练模块，用于预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；

存储模块，用于存储训练模块得到的所述道路与其交通流量预测模型的对应关系；

历史交通数据获取模块，用于针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；

交通流量预测模型获取模块，用于从存储模块预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；

预测模块，用于将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

本发明实施例提供的交通流量预测方法及装置，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；当需要预测待预测道路当前时刻的未来一时段的交通流数据时，获取与该待预测道路对应的交通流量预测模型，并将该待预测道路的当前时刻的前一时段的历史交通流数据输入至交通流量预测模型中即可得到该待预测道路未来一时段的交通流数据。采用本发明技术方案，由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

一种交通流量预测模型生成方法，包括：

针对每条道路，执行以下步骤：

步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

遍历所述连续P个时段，执行以下步骤：

步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤e，若否执行步骤f；

步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；

步骤f、根据所述方差值调整所述待定神经网络模型的参数；

步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，执行步骤b。

一种交通流量预测模型生成装置，包括：

第三获取单元，用于获取道路的连续P个时段的历史交通流数据,其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

第二遍历单元，用于遍历所述连续P个时段；

第二输入单元，用于将当前遍历时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

第四获取单元，用于从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据；

第二方差值确定单元，用于计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

第四判断单元，用于判断所述方差值是否小于等于预置的第一方差阈值；若是，则触发第二交通流量预测模型确定单元；若否，则触发第二参数调整单元；

第二交通流量预测模型确定单元，用于将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存；

第二参数调整单元，用于根据所述方差值调整所述待定神经网络模型的参数；

第二触发单元，用于将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，触发所述第二输入单元。

本发明实施例提供的交通流量预测模型生成方法及装置，根据道路的历史交通流数据对神经网络模型进行训练，以得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

附图说明

图1为本发明实施例中的BP神经网络拓扑示意图；

图2为本发明实施例中的BP算法误差反向传输示意图；

图3为本发明实施例一中的一种交通流量预测方法流程图；

图4为本发明实施例一中的获得道路对应的交通流量预测模型的方法流程图；

图5本发明实施例三中的交通流量预测装置的结构示意图；

图6本发明实施例三中的交通流量预测装置的训练模块的结构示意图。

具体实施方式

在本发明实施例的技术方案中，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；当需要预测待预测道路未来一时段的交通流数据时，获取与该待预测道路对应的交通流量预测模型，并将该待预测道路的前一时段的历史交通流数据输入至交通流量预测模型中即可得到该待预测道路未来一时段的交通流数据。采用本发明技术方案，由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

本发明实施例中，采用神经网络模型(例如：BP(误差反向传播算法，ErrorBack-PropagationTraining)神经网络模型)进行交通流量短时预测，即对道路所对应的海量历史交通流数据进行离线训练与学习，以得到每条道路对应的交通流量预测模型，BP神经网络模型的权值矩阵用于表达道路在当前时刻(如t_c)的前一时段的(如[t_c-N+1，t_c])交通流数据与当前时刻的后一时段(如[t_c+1，t_c+L])的交通流数据之间的关联关系。

为便于本领域技术人员能够更好地理解BP神经网络模型，下面对BP神经网络模型进行具体的介绍：

BP神经网络模型包括输入层、隐层和输出层，如图1所示，输入层与隐层之间通过权值矩阵V关联，隐层与输出层之间通过权值矩阵W关联，如将输入层的输入数据与权值矩阵V相乘，得到的结果即为隐层的输出结果；将隐层的输出结果与权值矩阵W相乘，得到的结果即为输出层的输出数据。

具体地：假设输入层的输入数据为X＝{x1，x2，x3，…，xn}，权值矩阵V为n行m列，则隐层的输出结果为Y＝X*V＝{y1，y2，y3，…，ym}，权值矩阵W为m行l列，则输出层的输出数据O＝Y*W＝{o1，o2，o3，…，ol}，假设与输出数据对应的真实数据D＝{d1，d2，d3，…，dl}，权值矩阵V和W如下：

$V=\left[\begin{array}{cccc}{v}_{\mathrm{0,0}}& v_{\mathrm{0,1}}& ...& v_{0,M}\\ v_{\mathrm{1,0}}& v_{\mathrm{1,1}}& ...& v_{1,M}\\ ...& ...& ...& ...\\ v_{N,0}& v_{N,1}& ...& v_{N,M}\end{array}\right]=\mathrm{Random}$

$W=\left[\begin{array}{cccc}{w}_{\mathrm{0,1}}& w_{\mathrm{0,2}}& ...& w_{0,L}\\ w_{\mathrm{1,1}}& w_{\mathrm{1,2}}& ...& w_{1,L}\\ ...& ...& ...& ...\\ w_{M,1}& w_{M,2}& ...& w_{M,L}\end{array}\right]=\mathrm{Random}$

BP神经网络模型的训练过程包括样本正向传播过程与误差反向传播过程：

样本正向传播过程具体为：输入数据－>输入层－>隐层－>输出层－>输出数据。

误差反向传播过程具体为：输出数据的误差－>隐层－>输入层。

上述误差反向传播过程如图2所示。

其中输出数据的误差为输出数据与真实数据的方差值E，具体计算如下：

$\begin{array}{c}E=\frac{1}{2}{(d-O)}^2=\frac{1}{2}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(d_k-o_k)}^2=\frac{1}{2}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(d_k-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w}_{j,k}\×y_j)}^2\\ =\frac{1}{2}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(d_k-\underset{j=0}{\overset{m}{\mathrm{\Σ}}}{w}_{j,k}\×(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{v}_{i,j}\×x_i))}^2\end{array}$

若E小于等于预置的方差阈值Emin，则表明将输入数据X输入BP神经网络模型后得到的输出数据O与输出数据的真实数据D较为接近，较准确，因此，将此时的BP神经网络模型确定为符合要求的BP神经网络模型；

若E大于预置的方差阈值Emin，则表明将输入数据X输入BP神经网络模型后得到的输出数据O与输出数据的真实数据D相差较大，因此，需要根据方差值E对BP神经网络模型中的权值矩阵V和W进行调整，具体调整可如下：

假设BP神经网络模型中学习率为η，则对权值矩阵V和W调整如下

w′_j，k＝w_j，k+Δw_j，k

其中1≤j≤m,1≤k≤l；ΔW_j,k为W_j,k的变化率；

v′_i，j＝v_i，j+Δv_i，j

其中1≤i≤n,1≤j≤m；ΔW_i,j为W_i,j的变化率；

$\mathrm{\Δ}{w}_{j,k}=-\mathrm{\η}\frac{\∂E}{\∂w_{j,k}}=\mathrm{\η}(d_k-o_k)o_k(1-o_k)y_j$

$\mathrm{\Δ}{v}_{i,j}=-\mathrm{\η}\frac{\∂E}{\∂v_{i,j}}=\mathrm{\η}\left({\mathrm{\Σ}}_{k=1}^l(d_k-o_k)o_k(1-o_k)w_{j,k}\right)y_j(1-y_j)x_i$

下面结合说明书附图，对本发明实施例进行详细描述。

实施例一

本发明实施例一提供一种交通流量预测方法，其流程图如图3所示，方法包括以下步骤：

步骤301：针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；

当前时刻的前一时段是指包括当前时刻以及当前时刻往前推的一个时段，如假设当前时刻为tc，则当前时刻的前一个时段为[t_c-N+1，t_c]。一般情况下，每2分钟发布一次道路的交通数据，因此，若前一时段为半小时，则在该前一时段发布的交通数据为15个。假设发布交通数据的时间间隔为Tinterval，则全天发布一条道路的交通数据个数为(24*60)/Tinterval。

步骤302：从预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；其中，道路对应的交通流量预测模型为预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；

本发明实施例中，预存的道路与交通流量预测模型的对应关系可以是道路的ID/名称与交通流量预测模型的ID的对应关系。步骤302中，获取待预测道路对应的交通流量预测模型，可以是根据待预测道路的ID/名称，从前述对应关系中获取与该待预测道路的ID/名称对应的交通流量预测模型的ID，并根据获取的交通流量预测模型的ID从预存的交通流量预测模型中获取相应的交通流量预测模型。

本发明实施例中，选取的历史交通流数据可以是积累的半个月、1个月、2个月、1季度或半年的交通数据，具体选取多长时间的历史交通流数据根据实际需求选取，在此不作严格的限定。

步骤303：将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

本发明实施例中，当前时刻的前一时段的时长可以与当前时刻的后一时段的时长相同，也可以不相同。由于发布交通数据的时间间隔一致，因此，若当前时刻的前一时段的时长与当前时刻的后一时段的时长一致，则当前时刻前一时段包含的历史交通流数据个数与当前时刻后一时段包含的预测交通流数据个数相同；若当前时刻的前一时段的时长大于当前时刻后一时段的时长，则当前时刻前一时段包含的历史交通流数据个数大于当前时刻后一时段包含的待预测交通流数据个数；若当前时刻的前一时段的时长小于当前时刻后一时段的时长，则当前时刻前一时段包含的历史交通流数据个数小于当前时刻后一时段包含的待预测交通流数据个数。

具体的，上述本步骤302中，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；可通过以下方式得到，如图4所示：

步骤401、获取道路的连续P个时段的历史交通流数据，并遍历所述连续P个时段，并执行步骤402；

其中，P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

上述P个时段中相邻的时段可以部分重叠也可以不重叠。相邻时段部分重叠例如：第一时段取9:00-9:30，第二时段取9:02-9:32，第三时段取9:04-9:34，第四时段取9:06-9:36，依此类推。相邻时段不重叠例如：第一时段取9:02-9:30；第二时段取9:32-10:00；第三时段取10:02-10:30，以此类推。

以相邻时段部分重叠为例，上述连续P个时段分别对应的历史交通数据流作为神经网络的P组输入数据：

$D_{\mathrm{Input}}=\left\{\begin{array}{c}[v_{t_{s-N+1}},v_{t_{s-N+2}},...,v_{t_{s-1}},v_{t_s}],[v_{t_{s-N+2}},v_{t_{s-N+3}},...,v_{t_s},v_{t_{s+1}}],...,\\ [v_{t_{s-N+P}},v_{t_{s-N+P+2}},...,v_{t_{s+P-2}},v_{t_{s+P-1}}]\end{array}\right\}$

其中：0≤t_s＜24×60；|t_s+1-t_s|＝t_interval；1≤S≤(24×60)/t_interval。

步骤402、将当前遍历的时段(假设当前遍历时段为第i时段)作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据(若第i时段为P时段的第一个时段，则此时的待定神经网络模型为预置的神经网络模型，若第i时段不为P时段的第一个时段，则此时的待定神经网络模型为根据第i-1时段的方差值进行参数调整后的神经网络模型)中，得到当前时刻的后一时段的预测交通流数据，之后执行步骤403；

本步骤402中当前时刻的前一时段的时长可以与当前时刻的后一时段的时长相同，也可以不相同。由于发布交通数据的时间间隔一致，因此，若当前时刻的前一时段的时长与当前时刻的后一时段的时长一致，则当前时刻前一时段包含的历史交通流数据个数与当前时刻后一时段包含的预测交通流数据个数相同。即神经网络模型中输入数据X的数据个数n与输出数据O的数据个数l相同。

步骤403、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值，之后执行步骤404；

$D_{\mathrm{Input}}=\left\{\begin{array}{c}[v_{t_{s-N+1}},v_{t_{s-N+2}},...,v_{t_{s-1}},v_{t_s}],[v_{t_{s-N+2}},v_{t_{s-N+3}},...,v_{t_s},v_{t_{s+1}}],...,\\ [v_{t_{s-N+P}},v_{t_{s-N+P+2}},...,v_{t_{s+P-2}},v_{t_{s+P-1}}]\end{array}\right\}$

以前述Dinput为例，该Dinput的P组的历史交通流数据输入至神经网络模型之后，得到的P组预测交通流数据分别为 而这P组预测交通流数据分别对应的真实的历史交通流数据为Doutput如下：

$D_{\mathrm{Output}}=\left\{\begin{array}{c}[v_{t_{s+1}},v_{t_{s+2}},...,v_{t_{s+L-1}},v_{t_{s+L}}],[v_{t_{s+2}},v_{t_{s+3}},...,v_{t_{s+L}},v_{t_{s+L+1}}],...,\\ [v_{t_{s+P}},v_{t_{s+P+1}},...,v_{t_{s+P+L-2}},v_{t_{s+P+L-1}}]\end{array}\right\}.$

假设步骤402中当前遍历的时段为第p个时段(其中p小于等于P)，该第p个时段为当前时刻的前一时段，该第p个时段对应的历史交通流数据为将该第p个时段的历史交通流数据输入神经网络模型中得到当前时刻的后一时段的预测交通流数据为O^p，该当前时刻的后一时段对应的真实的历史交通流数据为具体如下：

和 $D_{\mathrm{Output}}^p,D_{\mathrm{Input}}^p\&Element;D_{\mathrm{Input}},D_{\mathrm{Output}}^p\&Element;D_{\mathrm{Output}},1\&le;p\&le;P$ $O^p=\left\{o_k^p\right|0<k\&le;L,1\&le;p\&le;P\},$ 其中 $D_{\mathrm{Output}}^p=\left\{d_k^p\right|0<k\&le;L,1\&le;p\&le;P\};$

步骤403计算当前时刻后一时段的预测交通流数据与其对应的历史交通流数据的方差值为： $E^p=\sqrt{{\mathrm{\&Sigma;}}_{k=1}^L{(d_k^p-o_k^p)}^2}.$

当P个时段中相邻时段不重叠，则前述步骤403中，从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，具体包括：

情况1、若当前遍历时段(如第i时段)的时长大于所述当前时刻后一时段的时长时，从所述当前遍历时段的下一时段(即第i+1时段)的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

例如：以每隔2分钟发布一次交通数据为例，第一时段取9:02-9:30，对应的历史交通流数据为{P1，P1，…，P15}；第二时段取9:32-10:00，对应的历史交通流数据为{P16，P17，…，P30}；第三时段取10:02-10:30，对应的历史交通流数据为{P31，P32，…，P45}，….；则以第一时段为当前时刻前一时段，则当前时刻后一时段为9:32-9:50，则从第二时段中对应的历史交通流数据中获取当前时刻后一时段对应的历史交通数据流为{P16，P17，…，P25}。

情况2、若当前遍历时段(假设第i时段)的时长等于所述当前时刻后一时段的时长时，将所述当前遍历时段的下一时段(即第i+1时段)的交通流数据作为所述当前时刻后一时段对应的历史交通流数据。

例如：以每隔2分钟发布一次交通数据为例，第一时段取9:02-9:30，对应的历史交通流数据为{P1，P1，…，P15}；第二时段取9:32-10:00，对应的历史交通流数据为{P16，P17，…，P30}；第三时段取10:02-10:30，对应的历史交通流数据为{P31，P32，…，P45}，….；则以第一时段为当前时刻前一时段，则当前时刻后一时段为9:32-10:00，则将第二时段对应的历史交通流数据作为当前时刻后一时段对应的历史交通数据流为{P16，P17，…，P30}。

情况3、若当前遍历时段(假设第i时段)的时长小于所述当前时刻后一时段的时长时，从所述当前遍历时段后的至少两个连续时段(如第i+1时段、第i+2时段等)的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

例如：以每隔2分钟发布一次交通数据为例，第一时段取9:02-9:30，对应的历史交通流数据为{P1，P1，…，P15}；第二时段取9:32-10:00，对应的历史交通流数据为{P16，P17，…，P30}；第三时段取10:02-10:30，对应的历史交通流数据为{P31，P32，…，P45}，….；则以第一时段为当前时刻前一时段，则当前时刻后一时段为9:32-10:12，则从第二时段、第三时段对应的历史交通流数据中获取的当前时刻后一时段对应的历史交通数据流为{P16，P17，…，P36}。

步骤404、判断步骤403计算得到的所述方差值是否小于等于预置的第一方差阈值；若是，则执行步骤405，若否，则执行步骤406；

步骤405、将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；

步骤406、根据所述方差值调整所述待定神经网络模型的参数，之后执行步骤407；

本步骤406中，具体为根据所述方差值对神经网络模型的权值矩阵V和W进行调整可参见前述内容，在此不再赘述。

步骤407、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，执行步骤402。

较佳的，针对遍历到最后一个时段的历史交通流数据时，若计算得到的方差值仍然大于等于预置的第一方差阈值，在所述步骤406与步骤407之间，还包括：

步骤406a、判断所述当前遍历的时段是否为P个时段的最后一个时段，若是则执行步骤406b，若否则执行步骤407；

步骤406b、计算P个时段对应的方差值的和值，之后执行步骤406c；

步骤406c、判断所述和值是否小于等于预置的第二方差阈值，若是执行步骤405，其中所述第二方差阈值大于所述第一方差阈值；若否则根据步骤406得到的调整参数后的待定神经网络模型重新遍历所述P个时段。

在本发明实施例的技术方案中，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；当需要预测待预测道路未来一时段的交通流数据时，获取与该待预测道路对应的交通流量预测模型，并将该待预测道路的前一时段的历史交通流数据输入至交通流量预测模型中即可得到该待预测道路未来一时段的交通流数据。采用本发明技术方案，由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

实施例二

为进一步使得本领域技术人员理解本方案，下面以一具体的实例进行描述。

假设，待预测道路为R0，历史交通流数据为每隔2分钟发布一次，选取的历史交通流数据为9:02-14:00的150个历史交通数据，预置的初始BP神经网络模型的参数如下：

输入层允许输入数据个数为N＝15，中间层(隐层)输出数据个数为M＝15，输出层输出数据个数为L＝15，第一方差阈值E_min＝0.02和训练学习率η＝0.1；

BP神经网络模型的权值矩阵V和W，分别如下：

$V=\left[\begin{array}{cccc}{v}_{\mathrm{0,0}}& v_{\mathrm{0,1}}& ...& v_{0,M}\\ v_{\mathrm{1,0}}& v_{\mathrm{1,1}}& ...& v_{1,M}\\ ...& ...& ...& ...\\ v_{N,0}& v_{N,1}& ...& v_{N,M}\end{array}\right]=\left[\begin{array}{cccc}0.77& 0.41& ...& 0.2\\ 0.63& 0.6& ...& 0.45\\ ...& ...& ...& ...\\ 0.47& 0.6& ...& 0.63\end{array}\right],$

$W=\left[\begin{array}{cccc}{w}_{\mathrm{0,1}}& w_{\mathrm{0,2}}& ...& w_{0,L}\\ w_{\mathrm{1,1}}& w_{\mathrm{1,2}}& ...& w_{1,L}\\ ...& ...& ...& ...\\ w_{M,1}& w_{M,2}& ...& w_{M,L}\end{array}\right]=\left[\begin{array}{cccc}0.85& 0.83& ...& 0.62\\ 0.72& 0.57& ...& 0.38\\ ...& ...& ...& ...\\ 0.18& 0.74& ...& 0.56\end{array}\right],$

由于神经网络模型的输入层允许输入的交通数据N＝15，可将每半个小时对应的15个历史交通数据作为一组输入数据，在按照相邻时段重叠28分钟(当然重叠时长也可以小于28分钟)时，可将5个小时划分为136个时段，如第一时段为9:02-9:30，第二时段为9:04-9:32，第三时段为9:06-9:34….；此时也即得到划分出的各时段对应的历史交通流量数据集，

$\begin{array}{c}{D}_{\mathrm{Input}}^{R_0}=\{\left(\mathrm{55,59,59,56,54,57,55,52,52,55,55,55,56,55,55}\right),\\ \left(\mathrm{59,59,56,54,57,55,52,52,55,55,55,56,55,55,53}\right),\\ \left(\mathrm{59,56,54,57,55,52,52,55,55,55,56,55,55,53,54}\right),\\ \left(\mathrm{56,54,57,55,52,52,55,55,55,56,55,55,53,54,55}\right),\\ ...,\left(\mathrm{23,22,20,18,16,16,18,22,22,16,17,15,14,13,15}\right)\}\end{array}$

由于神经网络模型的输出层输出的数据个数为15个，则分别将第一时段为9:02-9:30，第二时段为9:04-9:32，第三时段为9:06-9:34….作为神经网络模型的输入历史交通流数据，则分别预测得到时段9:32-10:00，10:02-10:30，10:32-11:00….的预测交通流数据，预测交通流数据对应的历史交通流数据(即真实的交通流数据)如下：

$\begin{array}{c}{D}_{\mathrm{Output}}^{R_0}=\{\left(\mathrm{53,54,55,55,59,60,62,58,53,52,54,57,57,57,57}\right),\\ \left(\mathrm{54,55,55,59,60,62,58,53,52,54,57,57,57,57,59}\right),\\ \left(\mathrm{55,55,59,60,62,58,53,52,54,57,57,57,57,59,57}\right),\\ \left(\mathrm{55,59,60,62,58,53,52,54,57,57,57,57,59,57,57}\right),\\ ...,\left(\mathrm{16,16,14,12,15,19,19,17,16,14,13,13,13,16,16}\right)\}.\end{array}$

上述历史交通流数据和预置的BP神经网络的参数准备好后，开始执行实施例一中的步骤401至步骤407获得该道路R₀对应的BP神经网络模型，也即对上述历史数据流集进行离线训练学习的过程，具体如下：

步骤401：获取道路R₀的连续136个时段的历史交通流数据集，从第一个时段开始遍历；

步骤402：将第一个时段(也即当前遍历的时段)作为当前时刻的前一时段，第一时段对应的历史交通流数据为

$\begin{array}{c}{X}^1=(x_1^1,x_2^1,x_3^1,...,x_N^1)=\left(\mathrm{55,59,59,56,54,57,55,52,52,55,55,55,56,55,55}\right),X^1\&Element;\\ D_{\mathrm{Input}}^{R_0}\end{array}$

，将第一时段对应的历史交通流数据输入待定神经网络模型(也即上述预置的BP神经网络模型)，得到当前时刻后一时段的预测交通流数据；

该步骤402中，得到当前时刻后一时段的预测交通流数据，具体可通过如下两个步骤实现：

第一步：将第一时段对应的历史交通流数据与神经网络模型的权值矩阵V相乘，得到隐层输出结果：

Y¹＝X¹×V； $y_j^1=\{{\mathrm{\&Sigma;}}_{i=1}^{15}{v}_{i,j}\&times;x_i|1\&le;i\&le;\mathrm{15,1}\&le;j\&le;15\};$

第二步：将隐层输出的结果与权值矩阵W相乘，得到输出层的结果为：

O¹＝Y¹×W； $O^1=(o_1^1,o_2^1,o_3^1,...,o_{15}^1)=\left(\mathrm{15,15,15,15,15,15,15,15,15,14,14,14,14,14,14}\right).$

步骤403：获取当前时刻后一时段对应的历史交通流数据

$\begin{array}{c}{d}^1=(d_1^1,d_2^1,d_3^1,...,d_{15}^1)=\\ \left(\mathrm{53,54,55,55,59,60,62,58,53,52,54,57,57,57,57}\right){,d}^1\end{array}$

针对d¹和O¹，计算得到两者的方差值为：

$E^1=\sqrt{{\mathrm{\&Sigma;}}_{k=1}^{15}{(d_k^1-o_k^1)}^2};$

步骤404：判断方差值E¹是否大于等于第一方差阈值0.02，若是则将预置的神经网络模型确定为道路R0的交通流量预测模型，若否则执行步骤406；

步骤406：根据所述方差值E¹调整所述待定神经网络参数(由于是第一时段，因此，这里具体是调整预置的神经网络参数)；

具体的，将上述X¹、d¹和O¹对待定神经网络模型的权值矩阵进行调整如下：

w′_j，k＝w_j，k+Δw_j，k→w_j，k；

v′_i，j＝v_i，j+Δv_i，j→v_i，j；

调整之后的权值矩阵V和W为：

$V=\left[\begin{array}{cccc}{v}_{\mathrm{0,0}}& v_{\mathrm{0,1}}& ...& v_{0,M}\\ v_{\mathrm{1,0}}& v_{\mathrm{1,1}}& ...& v_{1,M}\\ ...& ...& ...& ...\\ v_{N,0}& v_{N,1}& ...& v_{N,M}\end{array}\right]=\left[\begin{array}{cccc}-13.64& 0.65& ...& 0.63\\ 1.52& -0.9& ...& 2.79\\ ...& ...& ...& ...\\ -0.06& 1.76& ...& 1.71\end{array}\right]$

$W=\left[\begin{array}{cccc}{w}_{\mathrm{0,1}}& w_{\mathrm{0,2}}& ...& w_{0,L}\\ w_{\mathrm{1,1}}& w_{\mathrm{1,2}}& ...& w_{1,L}\\ ...& ...& ...& ...\\ w_{M,1}& w_{M,2}& ...& w_{M,L}\end{array}\right]=\left[\begin{array}{cccc}0.47& 2.17& ...& -2.66\\ 3.28& -8.52& ...& 0.56\\ ...& ...& ...& ...\\ -1.8& 0.4& ...& 0.48\end{array}\right]$

步骤406a：判断当前遍历的第一时段不为136个时段的最后一个时段，执行步骤407；

步骤407：将136个时段中的9:02-9:30时段的下一时段9:04-9:32作为当前遍历的时段以及调整参数后的待定神经网络模型跳转至步骤402。

通过前述流程，以此类推最终得到道路R0对应的神经网络模型的权值矩阵V和W如下：

$V=\left[\begin{array}{cccc}3.92& 1.35& ...& 2.86\\ 3.73& -0.05& ...& 2.31\\ ...& ...& ...& ...\\ 0.23& 5.57& ...& 1.16\end{array}\right],W=\left[\begin{array}{cccc}0.21& -0.14& ...& 0.95\\ 4.37& 3.19& ...& -2.95\\ ...& ...& ...& ...\\ -1.1& -1.1& ...& -0.9\end{array}\right].$

还例如：当前时刻为t_c＝10:30:00(即上午10点半)，当前时刻的前一时段的历史交通流数据如下：

$\begin{array}{c}{D}_{R_0}^{[10:02:00,10:30:00]}=(v_1,v_2,v_3,...,v_{15})=(x_1,x_2,x_3,...,x_{15})=\\ \left(\mathrm{54,55,55,59,60,60,58,53,52,54,57,57,57,57,59}\right)\end{array}$

，如下表1所示。

表(1)

将数据集作为神经网络模型的输入数据，得到的输出数据如下：

$o_k=\{{\mathrm{\&Sigma;}}_{j=0}^{15}{w}_{j,k}\&times;({\mathrm{\&Sigma;}}_{i=0}^{15}{v}_{i,j}\&times;x_i)|1\&le;i\&le;\mathrm{15,1}\&le;j\&le;\mathrm{15,1}\&le;k\&le;15\};$

即如表(2)所示：

表(2)

实施例三

基于前述一种交通流量预测方法同一发明构思，本发明实施例三提供一种交通流量预测装置，其结构示意图如图5所示，包括：训练模块51、存储模块52、历史交通数据获取模块53、交通流量预测模型获取模块54和预测模块55，其中：

训练模块51，用于预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；

存储模块52，用于存储训练模块51得到的所述道路与其交通流量预测模型的对应关系；

历史交通数据获取模块53，用于针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；

交通流量预测模型获取模块54，用于从存储模块52预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；

预测模块55，用于将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

较佳的，所述训练模块51，如图6所示，具体包括：

第一获取单元5101，用于获取道路的连续P个时段的历史交通流数据，其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

第一遍历单元5102，用于遍历所述连续P个时段；

第一输入单元5103，用于将当前遍历时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

第二获取单元5104，用于从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据；

第一方差值确定单元5105，用于计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

第一判断单元5106，用于判断所述方差值是否小于等于预置的第一方差阈值；若是，则触发第一交通流量预测模型确定单元5107；若否，则触发第一参数调整单元5108；

第一交通流量预测模型确定单元5107，用于将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存；

第一参数调整单元5108，用于根据所述方差值调整所述待定神经网络模型的参数。

第一触发单元5109，用于将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，触发所述第一输入单元5103。

较佳的，所述训练模块51，还包括：

第二判断单元5110，用于判断当前遍历的时段是否为P个时段的最后一个时段，若是，则触发第一方差和值确定单元5111；若否，则触发第一触发单元5109；

第一方差和值确定单元5111，用于计算P个时段对应的方差值的和值；

第三判断单元5112，用于判断所述和值是否小于等于预置的第二方差阈值，所述第二方差阈值大于所述第一方差阈值；若是，则触发第一交通流量预测模型确定单元5107，若否，则根据第一参数调整单元5108调整参数后的待定神经网络模型触发所述第一遍历单元5102。

较佳的，若所述P个时段的各时段相邻且不重叠，所述第二获取单元5104具体用于：

若当前遍历时段的时长大于所述当前时刻后一时段的时长时，从所述当前遍历时段的下一时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长等于所述当前时刻后一时段的时长时，将所述当前遍历时段的下一时段的交通流数据作为所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长小于所述当前时刻后一时段的时长时，从所述当前遍历时段后的至少两个连续时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

实施例四

本发明实施例四还提供一种交通流量预测模型生成方法，针对每一条道路，方法包括：

步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

遍历所述连续P个时段，执行以下步骤：

步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

该步骤c中，从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，具体可包括：

若当前遍历时段的时长大于所述当前时刻后一时段的时长时，从所述当前遍历时段的下一时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长等于所述当前时刻后一时段的时长时，将所述当前遍历时段的下一时段的交通流数据作为所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长小于所述当前时刻后一时段的时长时，从所述当前遍历时段后的至少两个连续时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤e，若否执行步骤f；

步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；

步骤f、根据所述方差值调整所述待定神经网络模型的参数；

步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，执行步骤b。

优选地，在所述步骤f与步骤g之间，还包括步骤f1-f3：

步骤f1、判断当前遍历的时段是否为P个时段的最后一个时段，若是则执行步骤f2，若否则执行步骤g；

步骤f2、计算P个时段对应的方差值的和值；

步骤f3、判断所述和值是否小于等于预置的第二方差阈值，其中所述第二方差阈值大于所述第一方差阈值；若是则执行步骤e；若否则根据步骤f得到的调整参数后的待定神经网络模型重新遍历所述P个时段。

前述方法流程中各步骤的具体实现可参见前述图4所示的步骤，在此不再赘述。

实施例五

基于前述实施例四提供的一种交通流量预测模型生成方法的相同构思，本发明实施例五提供一种交通流量预测模型生成装置，该装置包括：

第三获取单元，用于获取道路的连续P个时段的历史交通流数据,其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

第二遍历单元，用于遍历所述连续P个时段；

第二输入单元，用于将当前遍历时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

第四获取单元，用于从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据；

第四获取单元，具体用于：若当前遍历时段的时长大于所述当前时刻后一时段的时长时，从所述当前遍历时段的下一时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据；若当前遍历时段的时长等于所述当前时刻后一时段的时长时，将所述当前遍历时段的下一时段的交通流数据作为所述当前时刻后一时段对应的历史交通流数据；若当前遍历时段的时长小于所述当前时刻后一时段的时长时，从所述当前遍历时段后的至少两个连续时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

第二方差值确定单元，用于计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

第四判断单元，用于判断所述方差值是否小于等于预置的第一方差阈值；若是，则触发第二交通流量预测模型确定单元；若否，则触发第二参数调整单元；

第二交通流量预测模型确定单元，用于将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存；

第二参数调整单元，用于根据所述方差值调整所述待定神经网络模型的参数；

第二触发单元，用于将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，触发所述第二输入单元。

优选地，本发明实施例，前述装置还包括：

第五判断单元，用于判断当前遍历的时段是否为P个时段的最后一个时段，若是，则触发第二方差和值确定单元；若否，则触发所述第二触发单元；

第二方差和值确定单元，用于计算P个时段对应的方差值的和值；

第六判断单元，用于判断所述和值是否小于等于预置的第二方差阈值，所述第二方差阈值大于所述第一方差阈值；若是，则触发第二交通流量预测模型确定单元，若否，则根据第二参数调整单元调整参数后的待定神经网络模型，触发所述第二遍历单元。

前述所示的装置中各个单元的具体实现可参见图6，在此不再赘述。

本发明实施例提供的交通流量预测模块生成方法及装置，根据道路的历史交通流数据对神经网络模型进行训练，以得到能够根据道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；由于交通流数据具有很强的非线性和不确定性，而神经网络模型具有较强的非线性预测能力，因此，根据道路的历史交通流数据对神经网络模型进行训练，训练得到的交通流量预测模型能够较为准确的根据道路当前时刻的前一时段交通流数据预测得到当前时刻的后一时段该道路的交通流数据。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种交通流量预测方法，其特征在于，所述方法包括：

针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；

从预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；其中，道路对应的交通流量预测模型为预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；

将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

2.如权利要求1所述的方法，其特征在于，预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型，具体包括：

步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

遍历所述连续P个时段，执行以下步骤：

步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤e，若否执行步骤f；

步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；

步骤f、根据所述方差值调整所述待定神经网络模型的参数；

步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，执行步骤b。

3.如权利要求2所述的方法，其特征在于，在所述步骤f与步骤g之间，还包括：

步骤f1、判断当前遍历的时段是否为P个时段的最后一个时段，若是则执行步骤f2，若否则执行步骤g；

步骤f2、计算P个时段对应的方差值的和值；

步骤f3、判断所述和值是否小于等于预置的第二方差阈值，其中所述第二方差阈值大于所述第一方差阈值；若是则执行步骤e；若否则根据步骤f得到的调整参数后的待定神经网络模型重新遍历所述P个时段。

4.如权利要求2所述的方法，其特征在于，若所述P个时段的各时段相邻且不重叠，则步骤c中从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，具体包括：

若当前遍历时段的时长大于所述当前时刻后一时段的时长时，从所述当前遍历时段的下一时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长等于所述当前时刻后一时段的时长时，将所述当前遍历时段的下一时段的交通流数据作为所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长小于所述当前时刻后一时段的时长时，从所述当前遍历时段后的至少两个连续时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

5.一种交通流量预测模型生成方法，其特征在于，包括：

针对每条道路，执行以下步骤：

步骤a、获取道路的连续P个时段的历史交通流数据，其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

遍历所述连续P个时段，执行以下步骤：

步骤b、将当前遍历的时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

步骤c、从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据，并计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

步骤d、判断所述方差值是否小于等于预置的第一方差阈值，若是执行步骤e，若否执行步骤f；

步骤e、将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存，结束流程；

步骤f、根据所述方差值调整所述待定神经网络模型的参数；

步骤g、将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，执行步骤b。

6.如权利要求5所述的方法，其特征在于，在所述步骤f与步骤g之间，还包括：

步骤f1、判断当前遍历的时段是否为P个时段的最后一个时段，若是则执行步骤f2，若否则执行步骤g；

步骤f2、计算P个时段对应的方差值的和值；

步骤f3、判断所述和值是否小于等于预置的第二方差阈值，其中所述第二方差阈值大于所述第一方差阈值；若是则执行步骤e；若否则根据步骤f得到的调整参数后的待定神经网络模型重新遍历所述P个时段。

7.一种交通流量预测装置，其特征在于，所述装置包括：

训练模块，用于预先根据道路的历史交通流数据对预置的神经网络模型进行训练，得到根据该道路当前时刻的前一时段的历史交通流数据预测该条道路当前时刻的后一时段的交通流数据的交通流量预测模型；

存储模块，用于存储预训练模块得到的所述道路与其交通流量预测模型的对应关系；

历史交通数据获取模块，用于针对待预测道路，获取该待预测道路的当前时刻的前一时段的历史交通流数据；

交通流量预测模型获取模块，用于从存储模块预存的道路与交通流量预测模型的对应关系中，获取所述待预测道路对应的交通流量预测模型；

预测模块，用于将当前时刻的前一时段的历史交通流数据，输入至所述待预测道路对应的交通流量预测模型中，得到当前时刻的后一时段的交通流数据。

8.如权利要求7所述的交通流量预测装置，其特征在于，所述训练模块，具体包括：

第一获取单元，用于获取道路的连续P个时段的历史交通流数据,其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

第一遍历单元，用于遍历所述连续P个时段；

第一输入单元，用于将当前遍历时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

第二获取单元，用于从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据；

第一方差值确定单元，用于计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

第一判断单元，用于判断所述方差值是否小于等于预置的第一方差阈值；若是，则触发第一交通流量预测模型确定单元；若否，则触发第一参数调整单元；

第一交通流量预测模型确定单元，用于将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存；

第一参数调整单元，用于根据所述方差值调整所述待定神经网络模型的参数；

第一触发单元，用于将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，触发所述第一输入单元。

9.如权利要求8所述的交通流量预测装置，其特征在于，所述训练模块，还包括：

第二判断单元，用于判断当前遍历的时段是否为P个时段的最后一个时段，若是，则触发第一方差和值确定单元；若否，则触发所述第一触发单元；

第一方差和值确定单元，用于计算P个时段对应的方差值的和值；

第三判断单元，用于判断所述和值是否小于等于预置的第二方差阈值，所述第二方差阈值大于所述第一方差阈值；若是，则触发第一交通流量预测模型确定单元，若否，则根据第一参数调整单元调整参数后的待定神经网络模型，触发所述第一遍历单元。

10.如权利要求8所述的交通流量预测装置，其特征在于，若所述P个时段的各时段相邻且不重叠，所述第二获取单元具体用于：

若当前遍历时段的时长大于所述当前时刻后一时段的时长时，从所述当前遍历时段的下一时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长等于所述当前时刻后一时段的时长时，将所述当前遍历时段的下一时段的交通流数据作为所述当前时刻后一时段对应的历史交通流数据；

若当前遍历时段的时长小于所述当前时刻后一时段的时长时，从所述当前遍历时段后的至少两个连续时段的交通流数据中获取与所述当前时刻后一时段对应的历史交通流数据。

11.一种交通流量预测模型生成装置，其特征在于，包括：

第三获取单元，用于获取道路的连续P个时段的历史交通流数据,其中P个时段的时长一致，且每个时段对应的历史交通流数据包含的交通数据个数相同；

第二遍历单元，用于遍历所述连续P个时段；

第二输入单元，用于将当前遍历时段作为当前时刻的前一时段，将当前遍历的时段对应的历史交通流数据作为输入数据输入至待定神经网络模型中，得到当前时刻的后一时段的预测交通流数据；

第四获取单元，用于从当前遍历的时段之后的时段的交通流数据中获取当前时刻的后一时段对应的历史交通流数据；

第二方差值确定单元，用于计算所述当前时刻的后一时段的预测交通流数据与当前时刻的后一时段的历史交通流数据的方差值；

第四判断单元，用于判断所述方差值是否小于等于预置的第一方差阈值；若是，则触发第二交通流量预测模型确定单元；若否，则触发第二参数调整单元；

第二交通流量预测模型确定单元，用于将所述待定神经网络模型确定为所述道路对应的交通流量预测模型，并建立所述道路与该交通流量预测模型的对应关系，并保存；

第二参数调整单元，用于根据所述方差值调整所述待定神经网络模型的参数；

第二触发单元，用于将P个时段中所述当前遍历时段的下一时段作为当前遍历的时段，并根据调整参数后的待定神经网络模型，触发所述第二输入单元。

12.如权利要求11所述的装置，其特征在于，还包括：

第五判断单元，用于判断当前遍历的时段是否为P个时段的最后一个时段，若是，则触发第二方差和值确定单元；若否，则触发所述第二触发单元；

第二方差和值确定单元，用于计算P个时段对应的方差值的和值；

第六判断单元，用于判断所述和值是否小于等于预置的第二方差阈值，所述第二方差阈值大于所述第一方差阈值；若是，则触发第二交通流量预测模型确定单元，若否，则根据第二参数调整单元调整参数后的待定神经网络模型，触发所述第二遍历单元。