CN107045788B - 交通路况预测方法及装置 - Google Patents

交通路况预测方法及装置 Download PDF

Info

Publication number
CN107045788B
CN107045788B CN201710506925.7A CN201710506925A CN107045788B CN 107045788 B CN107045788 B CN 107045788B CN 201710506925 A CN201710506925 A CN 201710506925A CN 107045788 B CN107045788 B CN 107045788B
Authority
CN
China
Prior art keywords
date
road condition
similarity
historical
road
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.)
Active
Application number
CN201710506925.7A
Other languages
English (en)
Other versions
CN107045788A (zh
Inventor
郭娅明
姜涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Dcrossing Technology Co ltd
Original Assignee
Beijing Dcrossing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Dcrossing Technology Co ltd filed Critical Beijing Dcrossing Technology Co ltd
Priority to CN201710506925.7A priority Critical patent/CN107045788B/zh
Publication of CN107045788A publication Critical patent/CN107045788A/zh
Application granted granted Critical
Publication of CN107045788B publication Critical patent/CN107045788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明涉及交通数据处理领域及智能交通领域，其公开了一种基于历史数据及日期属性数据的交通路况预测方法及装置，用于解决现有技术交通路况预测对实时数据有一定的依赖性，预测输入复杂，难以从日期属性数据上体现交通路况变化的规律的问题。本发明提供的技术方案通过对日期属性数据与道路路况关系的挖掘，以道路历史路况数据及日期属性数据为基础，建立可靠有效的路况预测模型，即通过研究历史多天日期属性数据及道路路况数据，完成基于日期属性数据的不同日期间道路交通路况变化过程相似度评估建模；基于得到的交通路况变化过程相似度模型以及待预测日期对应的日期属性数据和历史日期对应的日期属性及路况数据，进行待预测日期的路况预测。

Description

交通路况预测方法及装置
技术领域
本发明涉及交通数据处理领域及智能交通领域，尤其涉及一种交通路况预测方法及装置。
背景技术
随着城市汽车保有量的不断提高，城市交通拥堵、交通事故等问题愈发受到交通管理人员及参与者的关注。为了缓解交通压力，提高交通运行效率，交通领域相关人员在现有技术的基础上，提出了多种辅助思路。其中交通路况预测对于改善交通现状有着重要意义。交通路况预测一方面可以指导交通出行人员合理规划出行路径，避免拥堵区域；另一方面可以为交通管理者指定交通管理措施提供可靠的参考，从而有效的避免大范围交通拥堵的产生，提高交通出行效率。
当前常用的技术手段中，存在利用实时获取的交通路况数据进行短时交通路况预测方法，及利用当前实时数据和历史数据相似度进行计算的长时交通流量预测算法，此两种算法对实时数据都有一定的依赖性，且预测输入复杂，难以从日期属性数据(如星期属性、天气属性)上体现交通路况变化规律，因此对以日期属性数据为基础的道路交通路况预测算法进行研究，有着显著意义。
发明内容
本发明的目的是提供一种基于历史数据及日期属性数据的交通路况预测方法及装置，用于解决现有技术交通路况预测对实时数据有一定的依赖性，预测输入复杂，难以从日期属性数据(如星期属性、天气属性)上体现交通路况变化的规律的问题。
为实现上述目的，本发明实施例提供了一种交通路况预测方法，包括：获取一特定道路的历史路况数据；获取所述道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：
对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；
以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。
本发明实施例还提供了一种交通路况预测装置，包括：第一路况数据获取模块，用于获取一特定道路的历史路况数据；第一日期属性数据获取模块，用于获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据；其特征在于，还包括：
第一路况相似度评估模块，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；
第一模型训练模块，用于以所述历史路况相似度评估数据及日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
第一路况预测模块，用于基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。
本发明实施例还提供了另一种交通路况预测方法，包括：获取多个特定道路的历史路况数据；获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：
对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；
根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；
对于同一类别道路，以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行所述多个道路待预测日期的路况预测。
本发明实施例还提供了另一种交通路况预测装置，包括：第二路况数据获取模块，用于获取多个特定道路的历史路况数据；第二日期属性数据获取模块，用于获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于还包括：
第二路况相似度评估模块，对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；
道路聚类模块，用于根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；
第二模型训练模块，对于同一类别道路以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
第二路况预测模块，基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行所述多个路段待预测日期的路况预测。
本发明实施例提供了一种交通路况预测方法及装置，通过对日期属性数据与道路路况关系的挖掘，以道路历史路况数据及日期属性数据为基础，建立可靠有效的长时路况预测模型，即通过研究历史多天日期属性数据及道路路况数据，完成基于日期属性数据的不同日期间道路交通路况变化过程相似度分类预测建模；基于得到的交通路况变化过程相似度模型，以及待预测日期对应的日期属性数据和历史日期对应的日期属性及路况数据进行待预测日期的路况预测。这种路况预测不同于短时交通预测及长时单步预测，不依赖于实时数据，且预测输入简化，本预测方法将预测长时间段内不同时刻上的交通状态，即一段时间内的交通状态变化趋势，同时所述方法预测过程中以属性数据为基础，其预测效果可随着属性数据的不断丰富而改进，可扩展性较强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明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发明的一些实施例，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的附图。
图1为本发明一个实施例提供的交通路况预测方法的流程图；
图2为特定路段特定日期下路况随时间变化展示图；
图3为本发明一个实施例提供的路况预测模型训练及预测方法的详细流程图；
图4为本发明一个实施例提供的交通路况预测装置的结构示意图；
图5为本发明另一个实施例提供的交通路况预测方法的流程图；
图6为本发明另一个实施例提供的交通路况预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示意性的示出了本发明一个实施例提供的交通路况预测方法的流程图。如图1所示，本发明一个实施例提供的交通路况预测方法，具体包括以下步骤：
步骤1：获取一特定道路的历史路况数据。其中，所述历史路况数据至少包括道路旅行速度或者旅行时间。
道路历史路况数据：所述部分数据对道路路况变化过程进行描述，以道路旅行速度、旅行时间等的形式记录不同时段内的道路通行状态，后续描述中将以旅行速度为例描述交通路况预测流程，其数据内容主要包括道路ID、时间戳、车辆在路段上的行驶速度。其中道路ID用以唯一标识特定道路(区分行车方向)，该实施例后期数据训练及预测过程均针对道路ID相同的特定道路路况数据进行设计，所述数据展示了特定道路上一段时期内道路路况变化过程，为后期数据挖掘工作提供基础，图2对特定路段特定日期下的道路路况变化过程进行了展示。
步骤2：获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据。所述日期属性数据至少包括：天气属性、工作日属性、政策属性、事件属性中的一个或多个。
历史日期属性数据及预测日期对应的日期属性数据：所述部分数据描述不同日期所对应的属性，即日期的特征化表示，和交通路况相关的日期属性特征主要包括：天气属性，如温度、湿度、能见度、降雨量等；工作日属性，如星期一、星期二、节假日、周末等；政策属性，如限行限号、管制措施等；事件属性，如大型活动、紧急事件等。考虑对应属性的获取手段限制及不同属性间的相关性，本发明主要以最低温度、最高温度、降雨量、降雪量、工作日属性为例，对道路路况预测方法进行介绍。
其中最低温度、最高温度、降雨量、降雪量均可表示为连续的数值，工作日属性则可划分为星期一、星期二、星期三、星期四、星期五、星期六、星期日、节假日第一天及最后一天、节假日、调休10类，分别于整数1-10对应。
步骤3：对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据。
在一个实施例中，对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据包括：计算任意两日期下的交通路况变化相似度，假设
Figure BDA0001334889910000041
表示路段link在日期date对应的路况变化向量，其具体表达公式如(1)所示：
Figure BDA0001334889910000042
其中
Figure BDA0001334889910000043
表示路段link在日期date第ti时刻采样到的路况变化向量，n表示对应日期下采样点个数；通过以下两种公式之一所示的方法计算特定两个不同日期间的交通路况变化相似度sdate2,date1：
Figure BDA0001334889910000044
或
Figure BDA0001334889910000045
其中
Figure BDA0001334889910000046
表示日期date1对应的路况变化向量，
Figure BDA0001334889910000047
表示日期date2对应的路况变化向量，||·||2表示向量的二范数。
通过计算任意两日期下的交通路况变化相似度则可得历史交通路况变化相似度向量
Figure BDA00013348899100000414
如下：
Figure BDA0001334889910000048
其中
Figure BDA0001334889910000049
表示日期datej及日期datei对应的路况变化向量间的相似度，通过对历史交通路况变化相似度
Figure BDA00013348899100000410
进行归一化预处理后，可得预处理后的相似度向量
Figure BDA00013348899100000411
Figure BDA00013348899100000412
其中
Figure BDA00013348899100000413
表示日期datej及日期datei对应的预处理后的路况变化向量间的相似度，
datej＞dateii＝1,2,…,n；j＝1,2,…,n；n取决于训练样本所覆盖的天数。
参见图3所示，本步骤首先根据历史日期属性数据及路况数据生成不同日期组合对应的相似度值,主要为建立相似度推断模型做准备，其目的是对一路段对应的不同日期下的交通路况变化相似度进行评估。
Step301：基于历史数据的不同日期间路况相似度计算。
假设
Figure BDA0001334889910000051
表示路段link在日期date对应的路况变化向量，其具体表达公式如(1)所示：
Figure BDA0001334889910000052
其中
Figure BDA0001334889910000053
表示路段link在日期date第ti时刻采样到的路况变化向量(如道路行车速度)，n表示对应日期下采样点个数，例如当采样间隔为1小时，则有n＝24。
在获得同一路段ID所对应的多天历史数据后，则可以例如通过以下两种公式(2)、(3)之一所示的方法计算特定两个不同日期间的交通路况变化相似度：
Figure BDA0001334889910000054
Figure BDA0001334889910000055
其中
Figure BDA0001334889910000056
表示日期date1对应的路况变化向量，
Figure BDA0001334889910000057
表示日期date2对应的路况变化向量，||·||2表示向量的二范数，上述两种公式计算得到的sdate2,date1相似度评估值，取值均为[0,1]，其值越大表示对应两日期下的道路路况变化越相似。
通过计算任意两日期下的交通路况变化相似度则可得历史交通路况变化相似度向量
Figure BDA00013348899100000514
如下：
Figure BDA0001334889910000058
其中
Figure BDA0001334889910000059
datej＞datei表示日期datej及日期datei对应的路况变化向量间的相似度，i＝1,2,…,n；j＝1,2,…,n；n取决于训练样本所覆盖的天数。
Step302：对历史交通路况相似度进行归一化处理。
在Step301之后，通过以下公式可得预处理后的历史交通路况变化相似度
Figure BDA00013348899100000510
及相似度向量
Figure BDA00013348899100000511
如下：
Figure BDA00013348899100000512
Figure BDA00013348899100000513
其中P5(·)表示数组的下95分位数，P95(·)表示数组的下5分位数；通过对历史交通路况变化相似度
Figure BDA0001334889910000061
预处理后，可实现对相似度进行线性归一化，为后续相似度分类(模型训练的输入数据)做准备。需要说明预处理公式不唯一，后面模型训练过程中起主要作用的相似度的顺序，因此能够体现相似度顺序和差距的归一公式都可以。
步骤4：以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型。
本步骤主要目的为挖掘历史数据规律，建立以日期属性为依据的，能够推断不同日期间交通路况变化规律相似度的推断模型，以供后期利用日期属性数据进行道路路况预测。以step3中计算得到相似度向量
Figure BDA0001334889910000062
为基础，结合历史日期对应日期属性数据，完成以历史日期属性数据为依据的，路况变化向量相似度推断模型建模。本步骤模型训练的流程如下：
Step401：对相似度进行分类完成模型训练输出数据整理。
按照相似度值的大小，对
Figure BDA0001334889910000063
中的元素进行分类，完成模型训练输出数据整理。其中，所述对
Figure BDA0001334889910000064
中的元素进行分类的分类方式包括：相似度小于0.5的为第一类，对相似度大于0.5的，按照一定的间隔，依次划分为不同的类别。
以
Figure BDA0001334889910000065
表示相似度
Figure BDA0001334889910000066
所属类别，例如可按以下方式分类：
Figure BDA0001334889910000067
可得相似度类别向量
Figure BDA0001334889910000068
如下：
Figure BDA0001334889910000069
需要说明的是：所述示例中对
Figure BDA00013348899100000610
中的元素进行分类的分类依据：(1)相似度小于0.5的为第一类，(2)对相似度大于0.5的，按照一定的间隔，依次划分为不同的类别。具体分类个数，依照训练样本数量及后期应用时的样本数量决定，具体可测试不同分类数量的预测结果，选定预测效果最好的分类数目，分类方法并不仅限于所述实施例。
Step402：日期属性数据处理，完成模型训练输入数据整理。
具体包括：以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型。
假设以
Figure BDA0001334889910000071
表示路段link在日期date对应的日期属性向量，其具体表达公式如(9)所示：
Figure BDA0001334889910000072
其中
Figure BDA0001334889910000073
s＝1,2,...,m，表示路段link在日期date第s个属性值，m表示对应日期下日期属性个数，当采用最低温度、最高温度、降雨量、降水量、工作日属性作为日期属性时，有m＝5。按照
Figure BDA0001334889910000074
各元素的日期排列顺序及路段link，整理出特定两日期对应的模型输入向量
Figure BDA0001334889910000075
如下：
Figure BDA0001334889910000077
其中datej-datei表示日期datej及日期datei所间隔的天数。进一步可得模型输入矩阵P如下：
Figure BDA0001334889910000078
其中i＝1,2,…,n；j＝1,2,…,n；n取决于训练样本所覆盖的天数。
Step403：分类预测模型训练。
建立相似度分类预测模型以作为路况预测模型，即基于历史日期属性数据作为训练输入，且基于历史路况数据中不同日期间的路况相似度评估数据作为对应输出向量，训练分类模型从而得到相似度分类预测模型。相似度分类预测模型是利用随机森林模型建立的训练模型，具体地，可以P作为训练输入，
Figure BDA0001334889910000079
作为对应输出向量，训练分类模型即可得相似度评估模型
Figure BDA00013348899100000710
本发明提供一实施例以随机森林算法作为基础算法完成相似度大小推断。随机森林模型是一种基于决策树的机器学习算法，可被应用为回归及分类问题的实现上，通过对样本及属性的随机采样，训练多个决策树，通过多颗决策树的组合，整合多个决策树模型的输出作为随机森林的最终输出，完成相应任务。随机森林算法解决了决策树模型中的过拟合问题，采用随机森林算法作为基础算法完成相似度大小推断与采用其他分类模型相比较，具有更好的模型稳定性和鲁棒性。
需要说明的是：所述算法实现过程中，也可以利用其他现有分类技术(如支持向量机、神经网络等)完成所述步骤，以得到可用的分类模型，在其他模型的训练过程中，同样以P作为训练输入，
Figure BDA00013348899100000711
作为对应输出向量即可。
步骤5：基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。
本步骤以训练得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，而后引入KNN算法中加权平均思想，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估，实现长时交通路况预测，参见图3历史日期道路路况变化与待预测日期道路路况变化相似度的具体预测流程如下：
假设已获得目标路段link待预测日期对应的日期属性向量
Figure BDA0001334889910000081
如下：
Figure BDA0001334889910000082
同时已获得目标路段link历史日期对应的路况变化向量及日期属性向量如下：
Figure BDA0001334889910000083
Figure BDA0001334889910000084
其中
Figure BDA0001334889910000085
分别表示日期datei所对应的路况变化向量及日期属性向量，式13中i＝1,2,...,n，n表示获取的历史数据所包含的日期数目，式12、14中i＝1,2,...,m，m表示获取的历史数据所包含的日期数目。则进行长时间路况预测的具体流程如下：
Step501:依据预测模型和日期属性数据完成待预日期路况变化相似度评估。
本步骤以步骤3得到的分类预测模型为基础，以待预测日期属性数据和历史日期属性数据为依据，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估。
首先按照模型输入所需内容，整理出待预测日期dateT及历史日期datei对应的输入向量:
Figure BDA0001334889910000086
而后，可得预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果
Figure BDA0001334889910000087
即：
Figure BDA0001334889910000088
其中Model(·)表示预测模型。
Step502:基于历史路况数据和预测模型输出完成交通路况预测。
在获得待预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类
Figure BDA0001334889910000089
结果后，则可利用加权平均的方法计算得出交通路况预测结果，也可将相似度分类结果数值最高的历史日期对应的路况数据作为待预测日期的路况数据得出预测结果。本发明中可采用KNN加权平均的方法计算得出交通路况预测结果,具体过程如下：
首先挑选相似度分类结果数值较高的前k个历史日期作为有效历史日期dateα,α＝1,2,...,k，0<k<LD，LD表示历史数据的天数；
而后以加权平均的方式计算待预测日期的路况变化向量为：
Figure BDA0001334889910000091
其中f(x)＝2x表示各历史日期所对应的权重系数。
如图4所示，与上述方法相对应地，本发明实施例还提供一种交通路况预测装置，包括：第一路况数据获取模块101，用于获取一特定道路的历史路况数据；第一日期属性数据获取模块105，用于获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据；第一路况相似度评估模块102，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；第一模型训练模块103，用于以所述历史路况相似度评估数据及日期属性数据为基础，建立相似度分类预测模型以获得相应路况预测模型；第一路况预测模块104，用于基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测。
进一步的，第一路况数据获取模块101获取道路历史路况数据，获取的日期属性数据内容可参见上述步骤1所述，此处不再赘述。第一日期属性数据获取模块105获取历史日期属性数据及待预测日期对应的属性数据,获取的日期属性数据内容可参见上述步骤2所述，此处不再赘述。第一路况相似度评估模块102从路况第一数据获取模块101和第一日期属性数据获取模块105分别获得历史路况数据和日期属性数据，对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据，生成相似度评估数据的过程可参见上述步骤3所述，在此不再赘述。
第一模型训练模块103，其主要为挖掘历史数据规律，建立以日期属性为依据的，能够推断不同日期间交通路况变化规律相似度的推断模型，以供后期利用日期属性数据进行道路路况预测；所述第一模型训练模块103基于历史日期属性数据作为训练输入，且基于历史路况数据中不同日期间的路况相似度评估数据作为对应输出向量，训练分类模型从而得到相似度分类预测模型，其具体实现流程可以参见上述步骤4所述，此处不再赘述。第一路况预测模块104根据第一模型训练模块103训练得到的相似度分类预测模型为基础，基于所述路况预测模型，以及待预测日期对应的日期属性数据和历史日期属性及其路况数据，进行待预测日期的路况预测，其具体实现流程可以参见上述步骤4所述，此处不再赘述。
如图5所示，本发明另一个实施例提供的交通路况预测方法，具体包括以下步骤：
步骤1*：获取多个特定道路的历史路况数据。其中，历史路况数据至少包括道路旅行速度或者旅行时间。
当需要进行城市路网多个路段的交通路况预测时，本发明所涉及算法可应用在大规模城市路网当中包括众多不同路段，可获取多个道路历史路况数据：对多个道路路况变化过程进行描述，以道路旅行速度、旅行时间等的形式记录不同时段内的道路通行状态，其数据内容主要包括道路ID、时间戳、车辆在路段上的行驶速度。其中道路ID用以唯一标识特定道路(区分行车方向)。
步骤2*：获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据。
对应于多个道路，分别获取各个道路ID对应的与其路况相关的历史日期属性数据及预测日期对应的属性数据,日期属性数据内容与之前步骤2中描述的单个特定道路的数据内容相同，在此不再赘述。
步骤3*：对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据。
对应于多个道路，可首先分别计算各个道路ID对应的历史路况数据中不同日期间的路况相似度，例如取一定时间段内(如一个月)的各个路段的历史道路交通路况数据，对于各个路段分别基于道路历史路况数据及其日期属性数据完成不同日期间的交通变化趋势相似度评估，得到对应第ri条道路的相似度描述向量
Figure BDA0001334889910000104
其中ri表示第ri条道路。各个路段的相似度描述向量的计算方法与之前步骤3中描述的单个特定道路的计算方式及内容相同，在此不再赘述。
步骤4*：根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别。
由于本发明所涉及算法可应用在大规模城市路网当中包括众多不同路段，因此提高算法运行效率是十分必要的，在进行模型训练前，可根据实际需要进行选择，即根据道路间交通变化规律相似性，进行道路分类，即将数量较大的原始道路划分为数目较小的类别，而后以每类别中包含的相似度向量及日期属性数据为基础完成模型训练。利用欧式距离或曼哈顿距离定义不同道路相似度向量间的距离D如下：
Figure BDA0001334889910000101
或
Figure BDA0001334889910000102
其中
Figure BDA0001334889910000103
分别表示对应第p条道路、第q条道路的相似度描述向量，其中p、q分别表示第p条道路、第q条道路，||·||2表示向量的二范数，||·||1表示向量的一范数。
在上述距离D定义的基础上，完成原始道路的聚类分析，得到不同道路所属类别。具体的，可利用成熟的聚类算法，如k近邻、k中心点及层次聚类等算法完成原始道路的聚类分析，得到不同道路所属类别；而后可以基于同一类别所包含的历史路况相似度数据及日期属性数据完成模型训练。其中类别个数可根据实际需求进行确定，当类别个数和原始道路数目一致时，则会针对每一条道路训练独立的模型。
步骤5*：对于同一类别道路以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型。
对于聚类后的道路，可分别进行各个类别对应的相似度评估模型训练，其主要基于同一类别所包含的历史路况相似度数据及日期属性数据完成模型训练，获得日期属性特征对道路路况的影响权重，以供后期利用日期属性数据进行道路路况预测。对于每一类别下的相似度分类预测模型训练方法与之前步骤4中描述的单个特定道路的预测模型训练方法及内容相同，在此不再赘述。
步骤6*：基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性及其路况数据，进行所述多个路段待预测日期的路况预测。
对于各个路段根据上述步骤获得其所属类别对应的相似度分类预测模型后，依据预测模型，待预测日期对应的日期属性数据和历史日期属性及其历史路况数据，完成各个路段待预测日期的路况预测，预测方法与之前步骤5中描述的单个特定道路的预测模型训练方法相同，在此不再赘述。
如图6所示，与上述方法相对应地，本发明实施例还提供另一种交通路况预测装置，包括：包括：第二路况数据获取模块101，用于获取多个特定道路的历史路况数据；第二日期属性数据获取模块105，用于获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；第二路况相似度评估模块102，对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；道路聚类模块106，用于根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；第二模型训练模块103，对于同一类别道路以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；第二路况预测模块104，基于所述路况预测模型，待预测日期对应的日期属性数据和历史日期属性及其路况数据，进行所述多个路段待预测日期的路况预测。
本发明实施例提供了一种交通路况预测方法及装置，不同于短时交通预测及长时单步预测，不依赖于实时数据，且预测输入简化，本预测方法将预测长时间段内不同时刻上的交通状态，即一段时间内的交通状态变化趋势，同时所述方法预测过程中以属性数据为基础，其预测效果可随着属性数据的不断丰富而改进，可扩展性较强。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (30)

1.一种交通路况预测方法，包括：获取一特定道路的历史路况数据；获取所述道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：
对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；
以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性及历史路况数据，进行待预测日期的路况预测，包括：以得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估，具体包括：假设已获得目标路段link待预测日期对应的日期属性向量
Figure FDA0002313666480000011
如下：
Figure FDA0002313666480000012
同时已获得目标路段link历史日期对应的路况变化向量及日期属性向量如下：
Figure FDA0002313666480000013
Figure FDA0002313666480000014
其中
Figure FDA0002313666480000015
分别表示日期datei所对应的路况变化向量、日期属性向量，式13中i＝1,2,...,n，n表示获取的历史数据所包含的日期数目，式12、14中i＝1,2,...,m，m表示获取的历史数据所包含的日期数目；
首先按照模型输入所需内容，整理出待预测日期dateT及历史日期datei对应的输入向量:
Figure FDA0002313666480000016
而后，可得预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果
Figure FDA0002313666480000017
即：
Figure FDA0002313666480000018
其中Model(·)表示预测模型。
2.根据权利要求1所述的方法，其特征在于，所述历史路况数据至少包括道路旅行速度或者旅行时间。
3.根据权利要求1所述的方法，其特征在于，所述日期属性数据至少包括：天气属性、工作日属性、政策属性、事件属性中的一个或多个。
4.根据权利要求1所述的方法，其特征在于，所述对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据包括：计算任意两日期下的交通路况变化相似度，假设
Figure FDA0002313666480000021
表示路段link在日期date对应的路况变化向量，其具体表达公式如(1)所示：
Figure FDA0002313666480000022
其中
Figure FDA0002313666480000023
表示路段link在日期date第ti时刻采样到的路况变化向量，n表示对应日期下采样点个数；通过以下两种公式之一所示的方法计算特定两个不同日期间的交通路况变化相似度sdate2,date1：
Figure FDA0002313666480000024
或
Figure FDA0002313666480000025
其中
Figure FDA0002313666480000026
表示日期date1对应的路况变化向量，
Figure FDA0002313666480000027
表示日期date2对应的路况变化向量，||·||2表示向量的二范数。
5.根据权利要求4所述的方法，其特征在于，所述对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据还包括：通过计算任意两日期下的交通路况变化相似度则可得历史交通路况变化相似度向量
Figure FDA0002313666480000028
如下：
Figure FDA0002313666480000029
其中
Figure FDA00023136664800000210
表示日期datej及日期datei对应的路况变化向量间的相似度，通过对历史交通路况变化相似度
Figure FDA00023136664800000211
进行归一化预处理后，可得预处理后的相似度向量
Figure FDA00023136664800000212
Figure FDA00023136664800000213
其中
Figure FDA00023136664800000214
表示日期datej及日期datei对应的预处理后的路况变化向量间的相似度，datej＞datei，i＝1,2,…,n；j＝1,2,…,n；n取决于训练样本所覆盖的天数。
6.根据权利要求5所述的方法，其特征在于，所述预处理通过以下公式可得预处理后的历史交通路况变化相似度
Figure FDA00023136664800000215
Figure FDA00023136664800000216
其中，P5(·)表示数组的下95分位数，P95(·)表示数组的下5分位数。
7.根据权利要求5所述的方法，其特征在于，以得到的所述预处理后的相似度向量
Figure FDA0002313666480000031
为基础，结合历史日期对应日期属性数据，完成路况变化向量相似度推断模型建模，包括：按照相似度值的大小，对
Figure FDA0002313666480000032
中的元素进行分类，完成模型训练输出数据整理。
8.根据权利要求7所述的方法，其特征在于，所述对
Figure FDA0002313666480000033
中的元素进行分类的分类方式包括：相似度小于0.5的为第一类，对相似度大于0.5的，按照一定的间隔，依次划分为不同的类别。
9.根据权利要求8所述的方法，其特征在于，以
Figure FDA0002313666480000034
表示相似度
Figure FDA0002313666480000035
所属类别，可按以下方式分类：
Figure FDA0002313666480000036
可得相似度类别向量
Figure FDA0002313666480000037
如下：
Figure FDA0002313666480000038
10.根据权利要求1所述的方法，其特征在于，以所述历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型包括：假设以
Figure FDA0002313666480000039
表示路段link在日期date对应的日期属性向量，其具体表达公式如(9)所示：
Figure FDA00023136664800000310
其中
Figure FDA00023136664800000311
表示路段link在日期date第s个属性值，m表示对应日期下日期属性个数；特定两日期对应的预测模型输入向量
Figure FDA00023136664800000312
如下：
Figure FDA00023136664800000313
其中datej-datei表示日期datej及日期datei所间隔的天数，进一步可得模型输入矩阵P如下：
Figure FDA0002313666480000041
i＝1,2,…,n；j＝1,2,…,n；n取决于模型训练样本所覆盖的天数。
11.根据权利要求1所述的方法，其特征在于，所述相似度分类预测模型是利用随机森林模型建立的训练模型。
12.根据权利要求1所述的方法，其特征在于，在获得待预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类
Figure FDA0002313666480000042
结果后，则可利用加权平均的方法计算得出交通路况预测结果。
13.根据权利要求12所述的方法，其特征在于，所述利用加权平均的方法计算得出交通路况预测结果包括：首先挑选相似度分类结果数值较高的前k个历史日期作为有效历史日期dateα,α＝1,2,...,k，0<k<LD，LD表示历史数据的天数；
而后以加权平均的方式计算待预测日期的路况变化向量为：
Figure FDA0002313666480000043
其中f(x)＝2x表示各历史日期所对应的权重系数。
14.一种交通路况预测装置，包括：第一路况数据获取模块，用于获取一特定道路的历史路况数据；第一日期属性数据获取模块，用于获取所述道路与交通路况相关的历史日期属性数据及待预测日期对应的日期属性数据；其特征在于，还包括：
第一路况相似度评估模块，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据；
第一模型训练模块，用于以所述历史路况相似度评估数据及日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
第一路况预测模块，用于基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行待预测日期的路况预测，包括：以得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估，具体包括：
假设已获得目标路段link待预测日期对应的日期属性向量
Figure FDA0002313666480000051
如下：
Figure FDA0002313666480000052
同时已获得目标路段link历史日期对应的路况变化向量及日期属性向量如下：
Figure FDA0002313666480000053
Figure FDA0002313666480000054
其中
Figure FDA0002313666480000055
分别表示日期datei所对应的路况变化向量、日期属性向量，i＝1,2,...,n，n表示获取的历史数据所包含的日期数目；
首先按照模型输入所需内容，整理出待预测日期dateT及历史日期datei对应的输入向量：
Figure FDA0002313666480000056
而后，可得预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果
Figure FDA0002313666480000057
即：
Figure FDA0002313666480000058
其中Model(·)表示预测模型。
15.根据权利要求14所述的装置，其特征在于，所述第一路况数据获取模块获取的道路历史路况数据至少包括道路旅行速度或者旅行时间。
16.根据权利要求14所述的装置，其特征在于，所述第一日期属性数据获取模块获取的日期属性数据至少包括：天气属性、工作日属性、政策属性、事件属性中的一个或多个。
17.根据权利要求14所述的装置，其特征在于，所述第一路况相似度评估模块，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据包括：计算任意两日期下的交通路况变化相似度，假设
Figure FDA0002313666480000059
表示路段link在日期date对应的路况变化向量，其具体表达公式如(1)所示：
Figure FDA00023136664800000510
其中
Figure FDA00023136664800000511
表示路段link在日期date第ti时刻采样到的路况变化向量，n表示对应日期下采样点个数；通过以下两种公式之一所示的方法计算特定两个不同日期间的交通路况变化相似度sdate2,date1：
Figure FDA00023136664800000512
或
Figure FDA0002313666480000061
其中
Figure FDA0002313666480000062
表示日期date1对应的路况变化向量，
Figure FDA0002313666480000063
表示日期date2对应的路况变化向量，||·||2表示向量的二范数。
18.根据权利要求14所述的装置，其特征在于，所述第一路况相似度评估模块，用于对于所述道路生成历史路况数据中不同日期间的路况相似度评估数据包括：通过计算任意两日期下的交通路况变化相似度则可得，历史交通路况变化相似度向量
Figure FDA0002313666480000064
如下：
Figure FDA0002313666480000065
其中
Figure FDA0002313666480000066
表示日期datej及日期datei对应的路况变化向量间的相似度，通过对历史交通路况变化相似度
Figure FDA0002313666480000067
进行归一化预处理后，可得预处理后的相似度向量
Figure FDA0002313666480000068
Figure FDA0002313666480000069
其中
Figure FDA00023136664800000610
表示日期datej及日期datei对应的预处理后的路况变化向量间的相似度，datej＞datei，i＝1,2,…,n；j＝1,2,…,n；n取决于训练样本所覆盖的天数。
19.根据权利要求18所述的装置，其特征在于，所述预处理通过以下公式可得预处理后的历史交通路况变化相似度
Figure FDA00023136664800000611
Figure FDA00023136664800000612
其中，P5(·)表示数组的下95分位数，P95(·)表示数组的下5分位数。
20.根据权利要求19所述的装置，其特征在于，所述第一模型训练模块以得到的所述预处理后的相似度向量
Figure FDA00023136664800000613
为基础，结合历史日期对应日期属性数据，完成路况变化向量相似度推断模型建模，包括：按照相似度值的大小，对
Figure FDA00023136664800000614
中的元素进行分类，完成模型训练输出数据整理。
21.根据权利要求20所述的装置，其特征在于，所述对
Figure FDA00023136664800000615
中的元素进行分类的分类方式包括：相似度小于0.5的为第一类，对相似度大于0.5的，按照一定的间隔，依次划分为不同的类别。
22.根据权利要求21所述的装置，其特征在于，以
Figure FDA00023136664800000616
表示相似度
Figure FDA00023136664800000617
所属类别，可按以下方式分类：
Figure FDA0002313666480000071
可得相似度类别向量
Figure FDA0002313666480000072
如下：
Figure FDA0002313666480000073
23.根据权利要求15所述的装置，其特征在于，所述第一模型训练模块以所述历史路况相似度评估数据及日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型包括：假设以
Figure FDA0002313666480000074
表示路段link在日期date对应的日期属性向量，其具体表达公式如(9)所示：
Figure FDA0002313666480000075
其中
Figure FDA0002313666480000076
表示路段link在日期date第s个属性值，m表示对应日期下日期属性个数；特定两日期对应的预测模型输入向量
Figure FDA0002313666480000077
如下：
Figure FDA0002313666480000078
其中datej-datei表示日期datej及日期datei所间隔的天数，进一步可得模型输入矩阵P如下：
Figure FDA0002313666480000079
i＝1,2,…,n；j＝1,2,…,n；n取决于模型训练样本所覆盖的天数。
24.根据权利要求15所述的装置，其特征在于，所述第一模型训练模块利用随机森林模型训练所述相似度分类预测模型。
25.根据权利要求15所述的装置，其特征在于，所述第一路况预测模块基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期对应的日期属性数据及历史路况数据，进行待预测日期的路况预测进一步包括：以得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估。
26.根据权利要求14所述的装置，其特征在于，所述第一路况预测模块在获得待预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类
Figure FDA0002313666480000081
结果后,则可利用加权平均的方法计算得出交通路况预测结果。
27.根据权利要求26所述的装置，其特征在于，所述利用加权平均的方法计算得出交通路况预测结果包括：首先挑选相似度分类结果数值较高的前k个历史日期作为有效历史日期dateα,α＝1,2,...,k，0<k<LD,LD:历史数据的天数；而后以加权平均的方式计算待预测日期的路况变化向量为：
Figure FDA0002313666480000082
其中f(x)＝2x表示各历史日期所对应的权重系数。
28.一种交通路况预测方法，包括：获取多个特定道路的历史路况数据；获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于：
对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；
根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；
对于同一类别道路，以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性数据及历史路况数据，进行所述多个道路待预测日期的路况预测，包括：以得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估，具体包括：
假设已获得目标路段link待预测日期对应的日期属性向量
Figure FDA0002313666480000083
如下：
Figure FDA0002313666480000084
同时已获得目标路段link历史日期对应的路况变化向量及日期属性向量如下：
Figure FDA0002313666480000085
Figure FDA0002313666480000086
其中
Figure FDA0002313666480000087
分别表示日期datei所对应的路况变化向量、日期属性向量，i＝1,2,...,n，n表示获取的历史数据所包含的日期数目；首先按照模型输入所需内容，整理出待预测日期dateT及历史日期datei对应的输入向量：
Figure FDA0002313666480000091
而后，可得预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果
Figure FDA0002313666480000092
即：
Figure FDA0002313666480000093
其中Model(·)表示预测模型。
29.根据权利要求28所述的方法，其特征在于，所述根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别包括：利用欧式距离或曼哈顿距离定义不同道路相似度向量间的距离D如下：
Figure FDA0002313666480000094
或
Figure FDA0002313666480000095
其中
Figure FDA0002313666480000096
分别表示对应第p条道路、第q条道路的相似度描述向量，其中p、q分别表示第p条道路、第q条道路，||·||2表示向量的二范数，||·||1表示向量的一范数；在上述距离D定义的基础上，完成原始道路的聚类分析，得到不同道路所属类别。
30.一种交通路况预测装置，包括：第二路况数据获取模块，用于获取多个特定道路的历史路况数据；第二日期属性数据获取模块，用于获取所述多个道路的与交通路况相关的历史日期属性数据和待预测日期对应的日期属性数据；其特征在于，还包括：
第二路况相似度评估模块，对于所述多个道路中的每一个，生成历史路况数据中不同日期间的路况相似度评估数据；
道路聚类模块，用于根据道路间交通变化规律相似度进行道路聚类，以得到不同道路所属类别；
第二模型训练模块，对于同一类别道路以所述道路历史路况相似度评估数据及其日期属性数据为基础，训练相似度分类预测模型以获得相应路况预测模型；
第二路况预测模块，基于所述路况预测模型，待预测日期对应的日期属性数据、历史日期属性及历史路况数据，进行所述多个路段待预测日期的路况预测，包括：以得到的相似度分类预测模型为基础，通过待预测日期对应的日期属性向量和历史日期对应的日期属性推断两日期间交通路况变化相似度，完成历史日期道路路况变化与待预测日期道路路况变化相似度的评估，具体执行下面步骤：
假设已获得目标路段link待预测日期对应的日期属性向量
Figure FDA0002313666480000097
如下：
Figure FDA0002313666480000098
同时已获得目标路段link历史日期对应的路况变化向量及日期属性向量如下：
Figure FDA0002313666480000101
Figure FDA0002313666480000102
其中
Figure FDA0002313666480000103
分别表示日期datei所对应的路况变化向量、日期属性向量，i＝1,2,...,n，n表示获取的历史数据所包含的日期数目；
首先按照模型输入所需内容，整理出待预测日期dateT及历史日期datei对应的输入向量：
Figure FDA0002313666480000104
而后，可得预测日期dateT与所有历史日期datei,i＝1,2,...,n间相似度分类结果
Figure FDA0002313666480000105
即：
Figure FDA0002313666480000106
其中Model(·)表示预测模型。
CN201710506925.7A 2017-06-28 2017-06-28 交通路况预测方法及装置 Active CN107045788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710506925.7A CN107045788B (zh) 2017-06-28 2017-06-28 交通路况预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710506925.7A CN107045788B (zh) 2017-06-28 2017-06-28 交通路况预测方法及装置

Publications (2)

Publication Number Publication Date
CN107045788A CN107045788A (zh) 2017-08-15
CN107045788B true CN107045788B (zh) 2020-04-10

Family

ID=59547440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710506925.7A Active CN107045788B (zh) 2017-06-28 2017-06-28 交通路况预测方法及装置

Country Status (1)

Country Link
CN (1) CN107045788B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107610469B (zh) * 2017-10-13 2021-02-02 北京工业大学 一种考虑多因素影响的日维度区域交通指数预测方法
CN108022425B (zh) * 2017-12-21 2020-05-05 东软集团股份有限公司 交通状况预测方法、装置和计算机设备
CN108399748B (zh) * 2018-03-08 2020-12-22 重庆邮电大学 一种基于随机森林与聚类算法的道路旅行时间预测方法
CN108564790B (zh) * 2018-06-12 2020-12-22 国交空间信息技术（北京）有限公司 一种基于交通流时空相似性的城市短时交通流预测方法
CN109087509B (zh) * 2018-09-04 2020-03-31 重庆交通大学 一种路网交通运行状态预测方法
CN109637196A (zh) * 2019-01-10 2019-04-16 南京航空航天大学 航路扇区交通概率密度预测方法
CN111739322B (zh) * 2019-05-09 2021-11-05 腾讯大地通途（北京）科技有限公司 数据处理方法及其装置
CN110232820A (zh) * 2019-05-20 2019-09-13 北京世纪高通科技有限公司 一种路况预测模型的建立方法及装置
CN110120154B (zh) * 2019-05-28 2021-08-10 武汉理工大学 大规模路网下利用检测器数据的交通路况预测方法
CN110220527B (zh) * 2019-05-31 2021-04-02 中国四维测绘技术有限公司 一种基于公众活动预测的路径规划方法和装置
CN110164133A (zh) * 2019-06-13 2019-08-23 广东联合电子服务股份有限公司 节假日高速公路路网通行效率评估方法、电子设备、介质
CN110827540B (zh) * 2019-11-04 2021-03-12 黄传明 一种多模态数据融合的机动车移动模式识别方法及系统
WO2021125063A1 (ja) * 2019-12-18 2021-06-24 ソニーグループ株式会社 情報処理装置、情報処理方法、プログラムおよび移動体
CN111179596B (zh) * 2020-01-06 2021-09-21 南京邮电大学 基于组归一化和网格化协同的交通流预测方法
CN111599170B (zh) * 2020-04-13 2021-12-17 浙江工业大学 一种基于时序交通网络图的交通运行状态分类方法
CN113344239B (zh) * 2021-04-25 2022-11-29 山东师范大学 一种基于两级谱聚类的交通拥堵状况预测方法及系统
CN113392880B (zh) * 2021-05-27 2021-11-23 扬州大学 一种基于偏差校正随机森林的交通流短时预测方法
CN113256985B (zh) * 2021-06-28 2021-09-17 智道网联科技(北京)有限公司 一种交通拥堵预测方法、装置和电子设备
CN113723191B (zh) * 2021-07-30 2024-03-29 高德软件有限公司 道路拥堵预测方法、基于位置的服务提供方法及程序产品
CN113627511B (zh) * 2021-08-04 2024-02-02 中国科学院科技战略咨询研究院 气候变化对交通业的影响模型训练方法及影响监测方法
CN115294770A (zh) * 2022-08-03 2022-11-04 航天宏图信息技术股份有限公司 一种雨天交通拥堵指数的预测方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100546480B1 (ko) * 2003-03-28 2006-01-26 에스케이 텔레콤주식회사 이동 단말기의 과금정보를 이용한 교통정보 획득방법
CN101086804A (zh) * 2006-06-06 2007-12-12 杜存君 一种交通信息管理的方法和系统
CN102110365B (zh) * 2009-12-28 2013-11-06 日电（中国）有限公司 基于时空关系的路况预测方法和系统
CN101763730B (zh) * 2009-12-30 2012-09-26 北京世纪高通科技有限公司 交通路况信息填补方法和系统
CN106297358A (zh) * 2016-10-28 2017-01-04 腾讯科技（深圳）有限公司 路况预测的实现方法及装置

Also Published As

Publication number Publication date
CN107045788A (zh) 2017-08-15

Similar Documents

Publication Publication Date Title
CN107045788B (zh) 交通路况预测方法及装置
Toqué et al. Forecasting dynamic public transport origin-destination matrices with long-short term memory recurrent neural networks
Dong et al. Characterizing driving styles with deep learning
CN109657844B (zh) 电力短期负荷预测方法和装置
Vlahogianni et al. Testing and comparing neural network and statistical approaches for predicting transportation time series
CN110458336B (zh) 一种基于深度学习的网约车供需预测方法
CN108492555A (zh) 一种城市路网交通状态评价方法及装置
CN110119845A (zh) 一种轨道交通客流预测的应用方法
CN109376906B (zh) 基于多维度轨迹的出行时间预测方法、系统及电子设备
Csikós et al. Traffic speed prediction method for urban networks—An ANN approach
Mihaita et al. Motorway traffic flow prediction using advanced deep learning
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
Lin et al. Short-term metro passenger flow prediction based on random forest and LSTM
CN113033081A (zh) 一种基于som-bpnn模型的径流模拟方法及系统
CN112860782A (zh) 一种基于大数据分析的纯电动车续驶里程估计方法
CN111145535B (zh) 一种复杂场景下的行程时间可靠性分布预测方法
Rodríguez-Rueda et al. Origin–Destination matrix estimation and prediction from socioeconomic variables using automatic feature selection procedure-based machine learning model
Elwakil Knowledge discovery based simulation system in construction
CN114463978A (zh) 一种基于轨道交通信息处理终端的数据监测方法
Rasaizadi et al. The ensemble learning process for short-term prediction of traffic state on rural roads
FORECASTING Deep learning and time series analysis application on traffic flow forecasting
Setiawan et al. C4. 5 Classification Algorithm Based on Particle Swarm Optimization to Determine the Delay Order Production Pattern
CN117520906B (zh) 基于人群出行活动熵的不同特征人群分类方法及系统
Heidaripak PREDICTION OF PUBLIC BUS TRANSPORTATION PLANNING BASED ON PASSENGER COUNT AND TRAFFIC CONDITIONS
Ahanin et al. An efficient traffic state estimation model based on fuzzy C-mean clustering and MDL using FCD

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Yaming

Inventor after: Jiang Han

Inventor before: Li Meng

Inventor before: Jiang Han

GR01 Patent grant
GR01 Patent grant