CN109215346A - 一种交通通行时间的预测方法、存储介质和服务器 - Google Patents

一种交通通行时间的预测方法、存储介质和服务器 Download PDF

Info

Publication number
CN109215346A
CN109215346A CN201811184508.6A CN201811184508A CN109215346A CN 109215346 A CN109215346 A CN 109215346A CN 201811184508 A CN201811184508 A CN 201811184508A CN 109215346 A CN109215346 A CN 109215346A
Authority
CN
China
Prior art keywords
traffic
transit time
prediction
congestion coefficient
section
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
Application number
CN201811184508.6A
Other languages
English (en)
Inventor
吴壮伟
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201811184508.6A priority Critical patent/CN109215346A/zh
Publication of CN109215346A publication Critical patent/CN109215346A/zh
Pending legal-status Critical Current

Links

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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Development Economics (AREA)
  • Analytical Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及计算机技术领域，提出一种交通通行时间的预测方法、存储介质和服务器。该交通通行时间的预测方法包括：获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。本发明结合交警数据中心提供的交通监测数据以及地图服务商提供的交通拥堵系数，计算得到各个路段的预测交通通行时间，能够有效提高交通通行时间预测的准确性。

Description

一种交通通行时间的预测方法、存储介质和服务器
技术领域
本发明涉及计算机技术领域，尤其涉及一种交通通行时间的预测方法、存储介质和服务器。
背景技术
交通通行时间的预测对于人们的外出具有重要的指导作用，比如，人们可以根据预测的数据避开拥堵的时间点或拥堵路段，从而提高出行的效率。目前，人们一般使用百度地图、高德地图等导航产品辅助出行，通过这些导航产品提供的各个路段的预测通行时间等数据，选择合适的时间点和路线出行。然而，由于这些导航产品采用基于APP的人群方式获取数据，也即获取的数据主要来自于道路内各个APP用户的上报，但实际上道路中某些车辆的人员并不是该APP的用户，这会导致预测的车辆通行时间等数据不准确。
发明内容
有鉴于此，本发明实施例提供了一种交通通行时间的预测方法、存储介质和服务器，能够有效提高交通通行时间预测的准确性。
本发明实施例的第一方面，提供了一种交通通行时间的预测方法，包括：
获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
本发明实施例的第二方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如本发明实施例的第一方面提出的交通通行时间的预测方法的步骤。
本发明实施例的第三方面，提供了一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如下步骤：
获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
本发明提出一种交通通行时间的预测方法，包括：获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。本发明结合交警数据中心提供的交通监测数据以及地图服务商提供的交通拥堵系数，计算得到各个路段的预测交通通行时间。由于从交警数据中心获取到的交通通行时间和车流量等交通监测数据的准确性较高，而从地图服务商获取到的交通拥堵系数的准确性也较高，故采用本方法能够有效提高交通通行时间预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种交通通行时间的预测方法的第一个实施例的流程图；
图2是本发明实施例提供的一种交通通行时间的预测方法的第二个实施例的流程图；
图3是本发明实施例提供的一种交通通行时间的预测装置的一个实施例的结构图；
图4是本发明实施例提供的一种服务器的示意图。
具体实施方式
本发明实施例提供了一种交通通行时间的预测方法、存储介质和服务器，能够有效提高交通通行时间预测的准确性。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例中一种交通通行时间的预测方法的第一个实施例包括：
101、获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
现有的地图服务商能够向外提供地图和交通方面的数据服务，可以设置一个服务器连接地图服务商的API接口，从而获取各个路段于各个时间点(包含历史、当前和将来)的交通拥堵系数等数据。所述交通拥堵系数为用于表示交通拥堵程度的量化参数，比如0-通畅、1-轻微拥堵、2-中度拥堵、3-严重拥堵，而且每个数据均包含对应的路段和时间点，比如“A路段，10:00，1(轻微拥堵)”。
进一步的，由于需要采集多个路段、多个时间点的交通拥堵系数，数据量巨大，为了缓解单个服务器的数据采集压力，可以设置一个主服务器和多个从服务器，配合完成数据采集工作。具体的，可以预先封装好采集地图数据相关的功能代码到docker容器中；然后将该docker容器部署到每个从服务器中，并且设置定时任务抓取数据，不同的从服务器可以分别负责不同路段，或者不同时间点的数据采集，以减轻主服务器的数据采集压力；最后，各个从服务器将采集到的数据发送至主服务器进行汇总与存储。
102、获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
交警大队的数据中心汇集从各个交通卡口实时采集的交通监测数据，所述交通监测数据包括各个路段于当前时间之前的各个时间点(包含历史和当前)的交通通行时间(即车辆通行时间)和车流量。交警会在各个重要路段的卡口设置视频监控系统，对道路的车流情况进行实时监测与数据采集，能够采集到准确性高的实时数据。服务器通过连接交警数据中心的数据接口，获取这些交通监测数据。具体的，交通监测数据可以表示为“A路段，10:00，30分钟(交通通行时间)，5000(车流量)”。
103、根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
在采集到地图服务商提供的交通拥堵系数和交警数据中心提供的交通监测数据之后，结合这两部分数据，采用预先设定的计算方式计算得到各个路段的预测交通通行时间。具体的，可以根据两部分数据包含的路段和时间点等信息构建两部分数据的对应关系，比如“A路段，10:00，1(轻微拥堵)”和“A路段，10:00，30分钟(车辆通行时间)，5000(车流量)”对应，通过整理可以得到数据“A路段，10:00，1(轻微拥堵)，30分钟(车辆通行时间)，5000(车流量)”。然后，将整理后的数据输入预先构建好的计算模型，得到各个路段的预测交通通行时间。
本发明提出一种交通通行时间的预测方法，包括：获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。本发明结合交警数据中心提供的交通监测数据以及地图服务商提供的交通拥堵系数，计算得到各个路段的预测交通通行时间。由于从交警数据中心获取到的交通通行时间和车流量等交通监测数据的准确性较高，而从地图服务商获取到的交通拥堵系数的准确性也较高，故采用本方法能够有效提高交通通行时间预测的准确性。
请参阅图2，本发明实施例中一种交通通行时间的预测方法的第二个实施例包括：
201、获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
202、获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
步骤201-202与步骤101-102相同，具体可参照步骤101-102的相关说明。
203、以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型；
在采集到地图服务商提供的交通拥堵系数和交警数据中心提供的交通监测数据之后，以这两部分数据作为训练集，构建LSTM神经网络模型。
本实施例构建的某个LSTM神经网络模型的结构可以如下：
1、输入时间序列数据X；
2、进入LSTM 1层：当前输入节点的数据为1维，当前输出节点的数据为100维；Dropout层比例为20％；
3、进入LSTM 2层：当前输入节点的数据为100维，当前输出节点的数据为100维；Dropout层比例为20％；(Dropout层指的是随机丢失的节点数)
4、进入LSTM 3层：当前输入节点的数据为100维，当前输出节点的数据为1维；
5、输出层：输出交通通行时间的预测值。
204、将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间。
在构建好LSTM神经网络模型之后，将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间。
比如，若想获得A路段的预测交通通行时间，则往该LSTM模型输入：A路段当前和历史的交通通行时间，A路段当前和历史的车流量，A路段当前、历史和将来的交通拥堵系数；该计算模型运算完毕后输出A路段将来的交通通行时间，也即预测交通通行时间。以此类推，可以得到每个路段的预测交通通行时间。
进一步的，为了进一步提高预测交通通行时间的准确性，还可以采取以下方式：
(1)以所述交通拥堵系数和所述交通监测数据作为训练集，构建ARIMA时间序列模型；
(2)将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述ARIMA时间序列模型，计算得到各个路段的预测交通通行时间；
(3)求取所述LSTM神经网络模型计算得到的预测交通通行时间和所述ARIMA时间序列模型计算得到的预测交通通行时间的平均值，并将所述平均值作为各个路段的预测交通通行时间。
为了提高计算的准确度，还可以额外构建一个ARIMA神经网络模型，该ARIMA模型同样使用获取到的交通通行时间、车流量和交通拥堵系数等数据训练得到。在计算时，将数据分别输入所述LSTM模型和所述ARIMA模型，得到两个模型输出的预测交通通行时间，最后计算这两个预测交通通行时间的平均值作为最终结果输出。
另外，在步骤203中，可以每隔预设时长以当前时间点获取到的所述交通拥堵系数和所述交通监测数据作为训练集构建一个LSTM神经网络模型，得到多个LSTM神经网络模型。
比如，从9:00-19:00，每隔一小时构建一个LSTM神经网络模型，从而得到多个LSTM神经网络模型。9:00构建的LSTM神经网络模型以9:00获取到的交通拥堵系数和交通监测数据作为训练集，10:00构建的LSTM神经网络模型以10:00获取到的交通拥堵系数和交通监测数据作为训练集，以此类推。
若在步骤203中构建了多个LSTM神经网络模型，则步骤204可以包括：
(1)将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数分别输入每个所述LSTM神经网络模型，得到每个所述LSTM神经网络模型输出的预测交通通行时间；
(2)根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间。
将采集到的数据分别输入每个所述LSTM神经网络模型，得到每个所述LSTM神经网络模型输出的预测交通通行时间，然后根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间。
比如，若构建了LSTM神经网络模型X1、X2和X3，则将A路段当前和历史的交通通行时间，A路段当前和历史的车流量，A路段当前、历史和将来的交通拥堵系数分别输入X1、X2和X3，每隔模型都会输出一个A路段的预测交通通行时间，最后结合这3个输出值计算得到A路段的预测交通通行时间。
具体的，所述根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间可以包括：
采用公式计算得到各个路段的预测交通通行时间；
其中，t为将来的一个时间点，Scoret为t时间点的预测交通通行时间，scoreit为第i个LSTM神经网络模型输出的t时间点的预测交通通行时间，t0为当前时间，ti为第i个LSTM神经网络模型的构建时间，λ∈(0,1)为衰减因子。通过该公式可以发现：越晚构建的模型，权重值越高；越早构建的模型，权重值越低。
通过构建多个LSTM神经网络模型，并按照模型的构建时间设置各个模型的权重值，能够进一步提高交通通行时间预测的准确性。
本发明提出一种交通通行时间的预测方法，包括：获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型；将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间。与本发明的第一个实施例相比，本实施例提出了一种根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间的具体方式。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
上面主要描述了一种交通通行时间的预测方法，下面将对一种交通通行时间的预测装置进行详细描述。
请参阅图3，本发明实施例中一种交通通行时间的预测装置的一个实施例包括：
交通拥堵系数获取模块301，用于获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
交通监测数据获取模块302，用于获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
第一交通通行时间预测模块303，用于根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
进一步的，所述第一交通通行时间预测模块可以包括：
神经网络模型构建单元，用于以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型；
预测交通通行时间计算单元，用于将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间。
进一步的，所述交通通行时间的预测装置还可以包括：
时间序列模型构建模块，用于以所述交通拥堵系数和所述交通监测数据作为训练集，构建ARIMA时间序列模型；
第二交通通行时间预测模块，用于将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述ARIMA时间序列模型，计算得到各个路段的预测交通通行时间；
平均值计算模块，用于求取所述LSTM神经网络模型计算得到的预测交通通行时间和所述ARIMA时间序列模型计算得到的预测交通通行时间的平均值，并将所述平均值作为各个路段的预测交通通行时间。
进一步的，所述神经网络模型构建单元具体用于：
每隔预设时长以当前时间点获取到的所述交通拥堵系数和所述交通监测数据作为训练集构建一个LSTM神经网络模型，得到多个LSTM神经网络模型；
所述预测交通通行时间计算单元具体用于：
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数分别输入每个所述LSTM神经网络模型，得到每个所述LSTM神经网络模型输出的预测交通通行时间；根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间。
更进一步的，所述根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间包括：
采用公式计算得到各个路段的预测交通通行时间；
其中，t为将来的一个时间点，Scoret为t时间点的预测交通通行时间，scoreit为第i个LSTM神经网络模型输出的t时间点的预测交通通行时间，t0为当前时间，ti为第i个LSTM神经网络模型的构建时间，λ为衰减因子。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如图1或图2表示的任意一种交通通行时间的预测方法的步骤。
本发明实施例还提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现如图1或图2表示的任意一种交通通行时间的预测方法的步骤。
图4是本发明一实施例提供的服务器的示意图。如图4所示，该实施例的服务器4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机可读指令42。所述处理器40执行所述计算机可读指令42时实现上述各个交通通行时间的预测方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器40执行所述计算机可读指令42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至303的功能。
示例性的，所述计算机可读指令42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段，该指令段用于描述所述计算机可读指令42在所述服务器4中的执行过程。
所述服务器4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述服务器4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是服务器4的示例，并不构成对服务器4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述服务器4还可以包括输入输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(CentraL Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitaL SignaL Processor，DSP)、专用集成电路(AppLication Specific Integrated Circuit，ASIC)、现成可编程门阵列(FieLd-ProgrammabLe Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述服务器4的内部存储单元，例如服务器4的硬盘或内存。所述存储器41也可以是所述服务器4的外部存储设备，例如所述服务器4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure DigitaL,SD)卡，闪存卡(FLash Card)等。进一步地，所述存储器41还可以既包括所述服务器4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机可读指令以及所述服务器所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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，上述描述的系统，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。
另外，在本发明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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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全部或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)执行本发明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(ROM，Read-OnLyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，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 (10)

1.一种交通通行时间的预测方法，其特征在于，包括：
获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
2.根据权利要求1所述的预测方法，其特征在于，所述根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间包括：
以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型；
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间。
3.根据权利要求2所述的预测方法，其特征在于，还包括：
以所述交通拥堵系数和所述交通监测数据作为训练集，构建ARIMA时间序列模型；
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述ARIMA时间序列模型，计算得到各个路段的预测交通通行时间；
求取所述LSTM神经网络模型计算得到的预测交通通行时间和所述ARIMA时间序列模型计算得到的预测交通通行时间的平均值，并将所述平均值作为各个路段的预测交通通行时间。
4.根据权利要求2或3所述的预测方法，其特征在于，所述以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型包括：
每隔预设时长以当前时间点获取到的所述交通拥堵系数和所述交通监测数据作为训练集构建一个LSTM神经网络模型，得到多个LSTM神经网络模型；
所述将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间包括：
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数分别输入每个所述LSTM神经网络模型，得到每个所述LSTM神经网络模型输出的预测交通通行时间；
根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间。
5.根据权利要求4所述的预测方法，其特征在于，所述根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间包括：
采用公式计算得到各个路段的预测交通通行时间；
其中，t为将来的一个时间点，Scoret为t时间点的预测交通通行时间，scoreit为第i个LSTM神经网络模型输出的t时间点的预测交通通行时间，t0为当前时间，ti为第i个LSTM神经网络模型的构建时间，λ为衰减因子。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，其特征在于，所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的交通通行时间的预测方法的步骤。
7.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，其特征在于，所述处理器执行所述计算机可读指令时实现如下步骤：
获取由地图服务商提供的各个路段于各个时间点的交通拥堵系数，所述交通拥堵系数为用于表示交通拥堵程度的量化参数；
获取由交警数据中心提供的交通监测数据，所述交通监测数据包括各个路段于当前时间及之前的各个时间点的交通通行时间和车流量；
根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间。
8.根据权利要求7所述的服务器，其特征在于，所述根据所述交通拥堵系数和所述交通监测数据计算得到各个路段的预测交通通行时间包括：
以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型；
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间。
9.根据权利要求8所述的服务器，其特征在于，还包括：
以所述交通拥堵系数和所述交通监测数据作为训练集，构建ARIMA时间序列模型；
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述ARIMA时间序列模型，计算得到各个路段的预测交通通行时间；
求取所述LSTM神经网络模型计算得到的预测交通通行时间和所述ARIMA时间序列模型计算得到的预测交通通行时间的平均值，并将所述平均值作为各个路段的预测交通通行时间。
10.根据权利要求8或9所述的服务器，其特征在于，所述以所述交通拥堵系数和所述交通监测数据作为训练集，构建LSTM神经网络模型包括：
每隔预设时长以当前时间点获取到的所述交通拥堵系数和所述交通监测数据作为训练集构建一个LSTM神经网络模型，得到多个LSTM神经网络模型；
所述将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数输入所述LSTM神经网络模型，计算得到各个路段的预测交通通行时间包括：
将各个路段当前的交通通行时间和历史的交通通行时间，当前的车流量和历史的车流量，当前的交通拥堵系数、历史的交通拥堵系数和将来的交通拥堵系数分别输入每个所述LSTM神经网络模型，得到每个所述LSTM神经网络模型输出的预测交通通行时间；
根据每个所述LSTM神经网络模型输出的预测交通通行时间计算得到各个路段的预测交通通行时间。
CN201811184508.6A 2018-10-11 2018-10-11 一种交通通行时间的预测方法、存储介质和服务器 Pending CN109215346A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811184508.6A CN109215346A (zh) 2018-10-11 2018-10-11 一种交通通行时间的预测方法、存储介质和服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811184508.6A CN109215346A (zh) 2018-10-11 2018-10-11 一种交通通行时间的预测方法、存储介质和服务器

Publications (1)

Publication Number Publication Date
CN109215346A true CN109215346A (zh) 2019-01-15

Family

ID=64979985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811184508.6A Pending CN109215346A (zh) 2018-10-11 2018-10-11 一种交通通行时间的预测方法、存储介质和服务器

Country Status (1)

Country Link
CN (1) CN109215346A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428612A (zh) * 2019-07-05 2019-11-08 平安国际智慧城市科技股份有限公司 车辆管控方法、装置、计算机设备和存储介质
CN111353523A (zh) * 2019-12-24 2020-06-30 中国国家铁路集团有限公司 一种对铁路客户进行分类的方法
CN112309109A (zh) * 2019-08-01 2021-02-02 中移(苏州)软件技术有限公司 一种道路通行时间预测的方法、装置及存储介质
CN112785841A (zh) * 2020-12-25 2021-05-11 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置
CN112820103A (zh) * 2020-12-31 2021-05-18 山东奥邦交通设施工程有限公司 一种一体化动静结合标志管控方法及系统
CN113570867A (zh) * 2021-09-26 2021-10-29 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN116246460A (zh) * 2022-12-27 2023-06-09 北京百度网讯科技有限公司 路段通行时长的确定方法、装置、电子设备和介质
CN118469207A (zh) * 2024-05-17 2024-08-09 苏州蓝水软件开发股份有限公司 一种基于云管理的班车运输任务调度方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930718A (zh) * 2012-09-20 2013-02-13 同济大学 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN104900061A (zh) * 2015-05-29 2015-09-09 内蒙古工业大学 路段行程时间监测方法及装置
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法
CN106971545A (zh) * 2017-05-16 2017-07-21 青岛大学 一种公交车到站时间预测方法
CN107103753A (zh) * 2016-02-22 2017-08-29 财团法人资讯工业策进会 交通时间预测系统、交通时间预测方法以及交通模型建立方法
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102930718A (zh) * 2012-09-20 2013-02-13 同济大学 基于浮动车数据和线圈流量融合的间断流路段行程时间估计方法
CN104900061A (zh) * 2015-05-29 2015-09-09 内蒙古工业大学 路段行程时间监测方法及装置
CN107103753A (zh) * 2016-02-22 2017-08-29 财团法人资讯工业策进会 交通时间预测系统、交通时间预测方法以及交通模型建立方法
CN106096767A (zh) * 2016-06-07 2016-11-09 中国科学院自动化研究所 一种基于lstm的路段行程时间预测方法
CN106971545A (zh) * 2017-05-16 2017-07-21 青岛大学 一种公交车到站时间预测方法
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110428612A (zh) * 2019-07-05 2019-11-08 平安国际智慧城市科技股份有限公司 车辆管控方法、装置、计算机设备和存储介质
CN110428612B (zh) * 2019-07-05 2021-04-13 平安国际智慧城市科技股份有限公司 车辆管控方法、装置、计算机设备和存储介质
CN112309109A (zh) * 2019-08-01 2021-02-02 中移(苏州)软件技术有限公司 一种道路通行时间预测的方法、装置及存储介质
CN111353523A (zh) * 2019-12-24 2020-06-30 中国国家铁路集团有限公司 一种对铁路客户进行分类的方法
CN112785841A (zh) * 2020-12-25 2021-05-11 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置
CN112785841B (zh) * 2020-12-25 2022-05-06 北京中交兴路信息科技有限公司 判断货车行驶路线拥堵状态的方法及装置
CN112820103A (zh) * 2020-12-31 2021-05-18 山东奥邦交通设施工程有限公司 一种一体化动静结合标志管控方法及系统
CN113570867A (zh) * 2021-09-26 2021-10-29 西南交通大学 一种城市交通状态预测方法、装置、设备及可读存储介质
CN116246460A (zh) * 2022-12-27 2023-06-09 北京百度网讯科技有限公司 路段通行时长的确定方法、装置、电子设备和介质
CN118469207A (zh) * 2024-05-17 2024-08-09 苏州蓝水软件开发股份有限公司 一种基于云管理的班车运输任务调度方法及系统

Similar Documents

Publication Publication Date Title
CN109215346A (zh) 一种交通通行时间的预测方法、存储介质和服务器
CN108197739B (zh) 一种城市轨道交通乘客流量预测方法
Liu et al. Contextualized spatial–temporal network for taxi origin-destination demand prediction
Xia et al. A distributed WND-LSTM model on MapReduce for short-term traffic flow prediction
CN112700072B (zh) 交通状况预测方法、电子设备和存储介质
CN109300309A (zh) 路况预测方法及装置
CN102436751B (zh) 基于城市宏观路网模型的交通流短时预测方法
CN110164128A (zh) 一种城市级智能交通仿真系统
Wang et al. A big data approach for smart transportation management on bus network
CN110956807B (zh) 基于多源数据与滑动窗口组合的高速公路流量预测方法
CN112071062B (zh) 一种基于图卷积网络和图注意力网络的行车时间估计方法
CN108734955A (zh) 预测路况状态的方法及装置
CN106447119A (zh) 一种基于卷积神经网络的短期交通流量预测方法及系统
CN112489426A (zh) 一种基于图卷积神经网络的城市交通流量时空预测方案
CN102693633A (zh) 一种短时交通流加权组合预测方法
CN105447304A (zh) 一种基于自学习算法的预警系统及移动终端
CN111047078B (zh) 交通特征预测方法、系统及存储介质
Chen et al. A multiscale-grid-based stacked bidirectional GRU neural network model for predicting traffic speeds of urban expressways
CN111667693B (zh) 用于确定预计到达时间的方法、装置、设备及介质
CN114692984A (zh) 基于多步耦合图卷积网络的交通预测方法
CN113643532B (zh) 一种区域交通的预测方法以及设备
CN114582128B (zh) 基于图离散注意力网络的交通流预测方法、介质及设备
CN110428614A (zh) 一种基于非负张量分解的交通拥堵热度时空预测方法
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN111862590A (zh) 路况预测方法、装置及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190115