CN109559512B - 一种区域交通流量预测方法及装置 - Google Patents

一种区域交通流量预测方法及装置 Download PDF

Info

Publication number
CN109559512B
CN109559512B CN201811483019.0A CN201811483019A CN109559512B CN 109559512 B CN109559512 B CN 109559512B CN 201811483019 A CN201811483019 A CN 201811483019A CN 109559512 B CN109559512 B CN 109559512B
Authority
CN
China
Prior art keywords
traffic flow
influence
target area
target
factors
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
CN201811483019.0A
Other languages
English (en)
Other versions
CN109559512A (zh
Inventor
杨珍珍
郭胜敏
罗世伟
程天宇
夏曙东
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 Palmgo Information Technology Co ltd
Original Assignee
Beijing Palmgo Information 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 Palmgo Information Technology Co ltd filed Critical Beijing Palmgo Information Technology Co ltd
Priority to CN201811483019.0A priority Critical patent/CN109559512B/zh
Publication of CN109559512A publication Critical patent/CN109559512A/zh
Application granted granted Critical
Publication of CN109559512B publication Critical patent/CN109559512B/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
    • G08G1/0137—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry

Landscapes

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

Abstract

本申请公开了一种区域交通流量预测方法及装置，涉及数据处理技术领域，所述方法包括：采集各车辆的历史行驶记录及对应的历史影响因素；根据采集的历史行驶记录，统计目标区域在各预设时段内的交通流量；根据统计的交通流量及采集的历史影响因素构建训练集，对训练集进行训练，得到预测模型；采用该预测模型对目标区域在目标时段的交通流量进行预测。本申请中，综合考虑了时间、节假日、气候、交通限号等因素对交通流量的影响，提高了区域交通流量预测的准确率。

Description

一种区域交通流量预测方法及装置
技术领域
本申请涉及数据处理技术领域，尤其涉及一种区域交通流量预测方法及装置。
背景技术
随着我国道路基础设施的大力发展，道路交通在我国经济发展中起着重要的作用，使人们的生活水平大幅提升。与此同时，随着节假日免费通行政策的实施，使得节假日的交通流量激增，给道路交通管理也带来了新的难题，以及各种大型活动、恶劣天气、自然灾害等都会给道路交通造成重要的影响。
区域交通流量是指固定时间段内通过某区域的车辆数，准确的区域交通流量预测能够为交通管理部门制定合理的交通管控措施提供科学的决策依据，同时也能够为出行者提供有效信息，使出行者合理安排出行时间，选择合适的出行路径，提高出行效率。当前已有一些对区域交通流量预测的方法，例如专利号为201510313078.3的发明专利提出一种基于多因子回归的区域公路主通道交通需求预测方法，该方法首先确定区域公路主通道交通需求预测的影响因素；确定与主通道路径起点和终点相同的至少一条可选路径；然后根据上述确定的影响因素和可选路径，构建多因子回归模型；采用建立的回归模型预测主通道的交通需求。专利号为201711176723.7的发明提出一种基于高速公路收费数据对高速公路出入口之间的交通量进行预测的方法，该方法按照时间颗粒度阈值对预设时间段内的高速公路的联网收费数据进行集计处理，获取集计后的联网收费数据；将集计后的联网收费数据按照一定的索引规则转换成至少一个OD交通需求矩阵；利用至少一个OD交通需求矩阵生成OD交通需求时间序列，采用自回归积分滑动平均模型ARIMA，对未来时间段的OD交通需求量进行预测。
然而，上述方法中主要是对某条路径的交通流量预测或对高速公路出入口之间的交通量进行预测，均并不能全面的反映整个区域的交通流量，并且考虑到的交通流量影响因素并不全面，预测准确率均有待于提高。
发明内容
为解决现有技术的不足，本申请提出一种区域交通流量预测方法及装置。
第一方面，本申请提出一种区域交通流量预测方法，包括：
采集各车辆的历史行驶记录及对应的历史影响因素；
根据所述历史行驶记录，统计目标区域在各预设时段内的交通流量；
根据所述交通流量及所述历史影响因素构建训练集，对所述训练集进行训练，得到预测模型；
采用所述预测模型对所述目标区域在目标时段的交通流量进行预测。
可选的，所述历史行驶记录包括：车辆标识、位置数据及相应的时刻；
相应的，所述根据所述历史行驶记录，统计目标区域在各预设时段内的交通流量，包括：
根据所述位置数据，在所述历史行驶记录中筛选出行驶在所述目标区域中的目标行驶记录；
根据所述目标行驶记录中的车辆标识及相应的时刻，统计各预设时间内的车辆数量，作为目标区域在各预设时段内的交通流量。
可选的，所述根据所述交通流量及所述历史影响因素构建训练集，包括：
根据所述交通流量，构建第一矩阵；
将所述历史影响因素转换为数值变量；
根据所述交通流量对应的数值变量，构建第二矩阵；
将所述第一矩阵和所述第二矩阵作为训练集。
可选的，所述根据所述交通流量，构建第一矩阵，包括：
将所述各预设时段内的交通流量作为第一行向量；
根据各第一行向量，构建第一矩阵。
可选的，所述影响因素包括：时间、节假日、气候及交通限行；
所述将所述历史影响因素转换为数值变量之前，还包括：初始化不同影响因素对应的初始值或连续数值；
所述将所述历史影响因素转换为数值变量，包括：根据所述历史影响因素中各影响因素的类别，将相应的初始值转换为实际值或转换为所述连续数值中相应的数值。
可选的，所述初始化不同影响因素对应的初始值或连续数值，包括：
初始化年份为第一初始值、月份为第一连续数值、星期为第二连续数值、小时为第三连续数值；
初始化节假日为第四连续数值；
初始化降雨为第五连续数值、降雪为第六连续数值、降水量为第二初始值、温度为第三初始值；
初始化交通限行为第七连续数值。
可选的，所述根据所述交通流量对应的数值变量，构建第二矩阵，包括：
根据各交通流量对应的数值变量，生成相应的第二行向量；
根据各第二行向量，构建第二矩阵。
可选的，所述对所述训练集进行训练，得到预测模型，包括：
对所述训练集进行训练，得到各影响因素的影响系数；
根据所述影响系数，生成预测模型；
所述采用所述预测模型对所述目标区域在目标时段的交通流量进行预测，包括：确定所述目标区域在目标时段的各影响因素对应的数值变量，采用所述预测模型对确定的各影响因素对应的数值变量进行计算，得到预测的所述目标区域的交通流量。
可选的，所述对所述训练集进行训练，得到各影响因素的影响系数，包括：
预设各影响因素的回归系数，根据预设的各回归系数构建第三向量；
根据所述训练集和所述第三向量，构建线性回归模型；
将所述线性回归模型作为目标对所述训练集进行训练，得到所述回归模型的最优解，将所述最优解作为相应影响因素的影响系数。
可选的，所述根据所述影响系数，生成的预测模型为：
Figure BDA0001893834480000031
其中，
Figure BDA0001893834480000037
为目标区域a在目标时段的交通流量预测值，
Figure BDA0001893834480000032
为常数项，
Figure BDA0001893834480000033
Figure BDA0001893834480000034
分别为影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行的影响系数，
Figure BDA0001893834480000035
Figure BDA0001893834480000036
分别为目标区域a在目标时段的影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行所对应的数值。
第二方面，本申请提出一种区域交通流量预测装置，包括：
采集模块，用于采集各车辆的历史行驶数据及对应的历史影响因素；
统计模块，用于根据所述历史行驶数据，统计目标区域在各预设时段内的交通流量；
构建模块，用于根据所述交通流量及所述历史影响因素构建训练集；
训练模块，用于对所述训练集进行训练，得到预测模型；
预测模块，用于采用所述预测模型对目标区域在目标时段的交通流量进行预测。
第三方面，本申请提出一种区域交通流量预测设备，包括：一个或多个处理器、存储一个或多个程序的存储装置；当所述一个或多个程序被所述一个或多个处理器执行时，实现本申请第一方面所述的区域交通流量预测方法。
第四方面，本申请提出一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在被处理器运行时，实现本申请第一方面所述的区域交通流量预测方法。
本申请的优点在于：
基于采集的历史数据，统计历史区域道路的交通流量，并将各交通流量的影响因素转换为数值变量，建立线性回归模型，求解模型的最优解，并根据该最优解确定最终的区域交通流量预测模型，从而利用该预测模型对区域交通流量进行预测；该过程中，综合了年份、月份、小时、星期、各种节假日、气候、交通限号等因素对交通流量的影响，提高了区域交通流量预测的准确率。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
附图1为根据本申请实施方式的一种区域交通流量预测方法流程图；
附图2为根据本申请实施方式的一种区域交通流量预测装置框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本申请的实施方式，提出一种区域交通流量预测方法，如图1所示，包括：
步骤101：采集各车辆的历史行驶记录及对应的历史影响因素；
本实施例中，采集的历史行驶记录包括车辆标识、位置数据(经纬度)及相应的时刻；采集的历史影响因素包括时间、节假日、气候及交通限行等，其中，时间包括年份、月份、星期、小时等，节假日包括五一、端午、国庆、春节等；气候包括降雨、降雪、降水量、气温等。
步骤102：根据采集的历史行驶记录，统计目标区域在各预设时段内的交通流量；
其中，目标区域可以为省份、城市、区县、长三角、京津冀等地域范围，还可以为自行定义的区域范围；预设时段也可根据实际需要自行设定；
例如，本实施例中，统计北京市海淀区在每个小时内的交通流量。
本实施例中，步骤102包括：
步骤102-1：根据采集的历史行驶记录中的位置数据，在所述历史行驶数据中筛选出行驶在目标区域中的目标行驶记录；
具体的，判断采集的历史行驶记录中各行驶记录中的位置数据是否在目标区域内，是则将相应的行驶记录作为目标形式记录。
步骤102-2：根据筛选的目标行驶记录中的车辆标识及相应的时刻，统计各预设时间内的车辆数量，作为目标区域在各预设时段内的交通流量；
具体的，根据各目标行驶记录中的时刻，将目标行驶记录划分至相应预设时段的记录集合中；根据各记录集合中目标行驶记录中的车辆标识，对各记录集合中的目标行驶记录进行归一化处理，统计归一化处理后的各记录集合中目标行驶记录的数量，作为相应的各预设时间内的车辆数量，即目标区域在各预设时段内的交通流量。
其中，对各记录集合中的目标行驶记录进行归一化处理，具体为将含有相同车辆标识的目标行驶记录作为一条目标行驶记录。
例如，将含有时刻0:15的目标行驶记录划分至0:00-1:00时段的记录集合中，将含有时刻6：15的目标行驶记录划分至6:00-7:00时段的记录集合中；又如，0:00-1:00时段的记录集合中含有3个车辆标识为123abx的目标行驶记录，则将该3个目标行驶记录作为1个目标行驶记录。
步骤103：根据统计的交通流量及采集的历史影响因素构建训练集，对训练集进行训练，得到预测模型；
其中，根据统计的交通流量及采集的历史影响因素构建训练集，包括：
步骤A1：根据统计的交通流量，构建第一矩阵；
具体的，将统计的各交通流量作为第一行向量，根据各第一行向量，构建第一矩阵
更加具体的，将统计的各交通流量记为
Figure BDA0001893834480000062
其中，
Figure BDA0001893834480000063
表示统计的区域a在第i个预设时段内的交流流量，也可称为区域a的第i个交通流量，1≤i≤N，N为预设时段的总个数，也即交通流量的总个数；
将各交通流量作为第一行向量，构建第一矩阵：
Figure BDA0001893834480000061
步骤A2：将采集的历史影响因素转换为数值变量；
本实施例中，步骤A2之前，还包括：
步骤B：初始化不同影响因素对应的初始值或连续数值；
具体的，初始化年份ρyear为第一初始值、月份ρmonth为第一连续数值、星期ρweek为第二连续数值、小时ρhour为第三连续数值、节假日ρholi为第四连续数值、降雨ρrain为第五连续数值、降雪ρsnow为第六连续数值、降水量ρprec为第二初始值、温度ρtemp为第三初始值、交通限行ρlicen为第七连续数值。
更加具体的，初始化月份ρmonth∈[1,12]，为间隔为1的连续数值，不同数值表示相应的月份，例如，则ρmonth＝3，表示3月份；
初始化星期ρweek∈[1,7]，为间隔为1的连续数值，例如，ρweek＝7，表示星期天；
初始化小时ρhour∈[1,24]，为间隔为1的连续数值，不同数值表示相应的时段，例如，ρhour＝2，表示1:00～2:00；
根据节假日的假日天数，初始化为天数加1个连续数值，例如端午节的假日天数是3天，初始化为ρholi＝{1,2,3,4}，各数值分别表示节前一天工作日、假期第一天、假期第二天、假期第三天；
初始化降雨ρrain＝{2,3,4,5,6,7}，各数值分别表示小雨、阵雨、雷阵雨、中雨、大雨和暴雨；
初始化降雪ρsnow＝{8,9,10,11}，各数值分别表示雨夹雪、小雪、中雪和大雪；
初始化交通限行ρlicen＝{0,1,2,3,4,5,6,7,8,9}，各数值分别表示相应的限行号码。
进一步的，第一初始值、第二初始值、第三初始值可以相同也可以不同，例如在本实施例中三者相同均为0。
更进一步的，当某个影响因素不存在时，相应的值为预设值，例如为0。
步骤A2包括：根据采集的历史影响因素中各影响因素的类别，将相应的初始值转换为实际值或转换为连续数值中相应的数值。
例如，目标区域a在时段7:00-8:00中的目标行驶记录对应的历史影响因素包括：2016年、6月份、星期三、7:00-8:00、中雨、降水量6毫米、气温18度、限定号码7，则将各影响因素转换为ρyear＝2016、ρmonth＝6、ρweek＝3、ρhour＝8、ρholi＝0、ρrain＝5、ρsnow＝0、ρprec＝6、ρtemp＝18、ρlicen＝7。
步骤A3：根据转换的交通流量对应的数值变量，构建第二矩阵；
具体的，根据各交通流量对应的数值变量，生成相应的第二行向量；根据各第二行向量，构建第二矩阵。
更加具体的，根据转换的各交通流量对应的数值变量，生成相应的第二行向量
Figure BDA0001893834480000071
其中，第二行向量ρa,i表示区域a在第i个预设时段的交通流量对应的各影响因素，也即目标区域a的第i个交通流量对应的影响因素；根据生成的各第二行向量，构建第二矩阵：
Figure BDA0001893834480000081
步骤A4：将构建的第一矩阵和第二矩阵作为训练集。
进一步的，步骤103中对训练集进行训练，得到预测模型，包括：
步骤C1：对训练集进行训练，得到各影响因素的影响系数；
具体的，预设各影响因素的回归系数，根据预设的各回归系数构建第三向量；根据训练集和第三向量，构建线性回归模型；将所述线性回归模型作为目标，对训练集进行训练，得到回归模型的最优解，将所述最优解作为相应影响因素的影响系数。
更加具体的，将第j个影响因素的回归系数记为βj，根据各影响因素的回归系数构成第三向量β＝[β0 β1 … βj … βM]，根据第一矩阵、第二矩阵和第三向量构建线性回归模型：qa＝ρaβT；将线性回归模型作为目标、并将
Figure BDA0001893834480000083
Figure BDA0001893834480000084
作为约束条件对训练集进行训练，得到使
Figure BDA00018938344800000811
最小的β＝β0β1…βM，将β作为相应影响因素的影响系数。
其中，β0为回归系数向量的常数项，M为影响因素的总数，例如，本实施例中，M＝10；βT为β的转置矩阵。
步骤C2：根据确定的影响系数，生成预测模型；
本实施例中，预测模型具体为：
Figure BDA0001893834480000082
其中，
Figure BDA00018938344800000810
为目标区域a在目标时段的交通流量预测值，
Figure BDA0001893834480000085
为常数项，
Figure BDA0001893834480000086
Figure BDA0001893834480000087
分别为影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行的影响系数，
Figure BDA0001893834480000088
Figure BDA0001893834480000089
分别为目标区域a在目标时段的影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行所对应的数值。
步骤104：采用预测模型对目标区域在目标时段的交通流量进行预测。
具体的，确定目标区域在目标时段的各影响因素对应的数值变量，采用预测模型对确定的各影响因素对应的数值变量进行计算，得到预测的目标区域的当交通流量。
由此，基于采集的历史数据，统计历史区域道路的交通流量，并将各交通流量的影响因素转换为数值变量，建立线性回归模型，求解模型的最优解，并根据该最优解确定最终的区域交通流量预测模型，从而利用该预测模型对区域交通流量进行预测；该过程中，综合了年份、月份、小时、星期、各种节假日、气候、交通限号等因素对交通流量的影响，提高了区域交通流量预测的准确率。
实施例二
根据本申请的实施方式，还提出一种区域交通流量预测装置，如图2所示，包括：
采集模块201，用于收集各车辆的历史行驶数据及对应的历史影响因素；
统计模块202，用于根据采集模块201采集的历史行驶数据，统计目标区域在各预设时段内的交通流量；
构建模块203，用于根据统计模块202统计的交通流量及采集模块201采集的历史影响因素构建训练集；
训练模块204，用于对构建模块203构建的训练集进行训练，得到预测模型；
预测模块205，用于采用训练模块204得到的预测模型对目标区域在目标时段的交通流量进行预测。
本实施例中，车辆的历史行驶记录包括车辆标识、位置数据(经纬度)及相应的时刻；历史影响因素包括时间、节假日、气候及交通限行等，其中，时间包括年份、月份、星期、小时等，节假日包括五一、端午、国庆、春节等；气候包括降雨、降雪、降水量、气温等。
本实施例中，统计模块202包括：筛选子模块和统计子模块，其中：
筛选子模块，用于根据历史行驶记录中的位置信息，在所述历史行驶记录中筛选出行驶在目标区域中的目标行驶记录；
统计子模块，用于根据目标行驶记录中的车辆标识及相应的时刻，统计各预设时间内的车辆数量，作为目标区域在各预设时段内的交通流量。
根据本申请的实施方式，构建模块203包括：第一构建子模块、转换子模块、第二构建子模块和合成子模块，其中：
第一构建子模块，用于根据统计模块202统计的交通流量，构建第一矩阵；
转换子模块，用于将所述历史影响因素转换为数值变量；
第二构建子模块，用于根据各交通流量对应的数值变量，构建第二矩阵；
合成子模块，用于将第一矩阵和第二矩阵作为训练集。
进一步的，第一构建子模块，具体用于将各预设时段内的交通流量作为第一行向量；根据各第一行向量，构建第一矩阵；
更加具体的，第一构建子模块用于将各预设时段内的交通流量记为
Figure BDA0001893834480000102
其中，1≤i≤N，N为交通流量的个数；
将各交通流量作为第一行向量，构建第一矩阵：
Figure BDA0001893834480000101
本实施例中的装置还包括：初始化模块；
初始化模块，用于在转换子模块将所述历史影响因素转换为数值变量之前，初始化不同影响因素对应的初始值或连续数值。
更加具体的，初始化模块，用于初始化年份ρyear为第一初始值、月份ρmonth为第一连续数值、星期ρweek为第二连续数值、小时ρhour为第三连续数值、节假日ρholi为第四连续数值、降雨ρrain为第五连续数值、降雪ρsnow为第六连续数值、降水量ρprec为第二初始值、温度ρtemp为第三初始值、交通限行ρlicen为第七连续数值。
相应的，转换子模块，具体用于根据所述历史影响因素中各影响因素的类别，将相应的初始值转换为实际值或转换为连续数值中相应的数值。
进一步的，第二构建子模块，具体用于根据各交通流量对应的数值变量，生成相应的第二行向量；根据各第二行向量，构建第二矩阵；
更加具体的，第二构建子模块用于根据各交通流量对应的数值变量，生成相应的第二行向量
Figure BDA0001893834480000111
其中，ρa,i表示区域a的第i个交通流量对应的影响因素；根据各第二行向量，构建第二矩阵：
Figure BDA0001893834480000112
本实施例中，训练模块204具体用于对训练集进行训练，得到各影响因素的影响系数；根据所述影响系数，生成预测模型；其中，预测模型具体为：
Figure BDA0001893834480000113
其中，
Figure BDA0001893834480000114
为目标区域a在目标时段的交通流量预测值，
Figure BDA0001893834480000117
为常数项，
Figure BDA0001893834480000116
Figure BDA0001893834480000115
分别为影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行的影响系数，
Figure BDA0001893834480000118
Figure BDA0001893834480000119
分别为目标区域a在目标时段的影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行所对应的数值。
进一步的，预测模块205，具体用于确定目标区域在目标时段的各影响因素对应的数值变量，采用预测模型对确定的各影响因素对应的数值变量进行计算，得到预测的目标区域的交通流量。
根据本申请的实施方式，还提出一种区域交通流量预测设备，包括：一个或多个处理器、存储一个或多个程序的存储装置；当所述一个或多个程序被所述一个或多个处理器执行时，实现上述区域交通流量预测方法的步骤。
进一步的，所述存储装置可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)和/或高速缓存存储单元，还可以进一步包括只读存储单元(ROM)。
根据本申请的实施方式，还提出一种计算机可读存储介质，其上存储有计算机程序(即程序产品)，当所述计算机程序在被处理器运行时，实现上述区域交通流量预测方法的步骤。
进一步的，所述计算机可读存储介质包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
需要说明的，本申请中各个实施例均采用相关的方式描述，各实施例之间相同相似的部分互相参考即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种区域交通流量预测方法，其特征在于，包括：
采集各车辆的历史行驶记录及对应的历史影响因素，所述影响因素包括：时间、节假日、气候及交通限行；
根据所述历史行驶记录，统计目标区域在各预设时段内的交通流量；
根据所述交通流量，构建第一矩阵；
初始化不同影响因素对应的初始值或连续数值；将所述历史影响因素转换为数值变量，包括：根据所述历史影响因素中各影响因素的类别，将相应的初始值转换为实际值或转换为所述连续数值中相应的数值；
根据所述交通流量对应的数值变量，构建第二矩阵；
将所述第一矩阵和所述第二矩阵作为训练集，对所述训练集进行训练，得到各影响因素的影响系数，包括：预设各影响因素的回归系数，根据预设的各回归系数构建第三向量；根据所述训练集和所述第三向量，构建线性回归模型；将所述线性回归模型作为目标对所述训练集进行训练，得到所述回归模型的最优解，将所述最优解作为相应影响因素的影响系数；
根据所述影响系数，生成预测模型；
采用所述预测模型对所述目标区域在目标时段的交通流量进行预测，包括：确定所述目标区域在目标时段的各影响因素对应的数值变量，采用所述预测模型对确定的各影响因素对应的数值变量进行计算，得到预测的所述目标区域的交通流量。
2.根据权利要求1所述的方法，其特征在于，所述历史行驶记录包括：车辆标识、位置数据及相应的时刻；
所述根据所述历史行驶记录，统计目标区域在各预设时段内的交通流量，包括：
根据所述位置数据，在所述历史行驶记录中筛选出行驶在所述目标区域中的目标行驶记录；
根据所述目标行驶记录中的车辆标识及相应的时刻，统计各预设时间内的车辆数量，作为目标区域在各预设时段内的交通流量。
3.根据权利要求1所述的方法，其特征在于，所述根据所述交通流量，构建第一矩阵，包括：
将所述各预设时段内的交通流量作为第一行向量；
根据各第一行向量，构建第一矩阵。
4.根据权利要求1所述的方法，其特征在于，所述初始化不同影响因素对应的初始值或连续数值，包括：
初始化年份为第一初始值、月份为第一连续数值、星期为第二连续数值、小时为第三连续数值；
初始化节假日为第四连续数值；
初始化降雨为第五连续数值、降雪为第六连续数值、降水量为第二初始值、温度为第三初始值；
初始化交通限行为第七连续数值。
5.根据权利要求1所述的方法，其特征在于，所述根据所述交通流量对应的数值变量，构建第二矩阵，包括：
根据各交通流量对应的数值变量，生成相应的第二行向量；
根据各第二行向量，构建第二矩阵。
6.根据权利要求1所述的方法，其特征在于，所述根据所述影响系数，生成的预测模型为：
Figure FDA0002783200980000021
其中，
Figure FDA0002783200980000022
为目标区域a在目标时段的交通流量预测值，
Figure FDA0002783200980000023
为常数项，
Figure FDA0002783200980000024
Figure FDA0002783200980000025
分别为影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行的影响系数，
Figure FDA0002783200980000026
分别为目标区域a在目标时段的影响因素年份、月份、星期、小时、节假日、降雨、降雪、降水量、气温、交通限行所对应的数值。
7.一种区域交通流量预测装置，其特征在于，包括：
采集模块，用于采集各车辆的历史行驶数据及对应的历史影响因素，所述影响因素包括：时间、节假日、气候及交通限行；
统计模块，用于根据所述历史行驶数据，统计目标区域在各预设时段内的交通流量；
构建模块，用于根据所述交通流量，构建第一矩阵，初始化不同影响因素对应的初始值或连续数值；将所述历史影响因素转换为数值变量，包括：根据所述历史影响因素中各影响因素的类别，将相应的初始值转换为实际值或转换为所述连续数值中相应的数值；根据所述交通流量对应的数值变量，构建第二矩阵；
训练模块，用于将所述第一矩阵和所述第二矩阵作为训练集，对所述训练集进行训练，得到各影响因素的影响系数，包括：预设各影响因素的回归系数，根据预设的各回归系数构建第三向量；根据所述训练集和所述第三向量，构建线性回归模型；将所述线性回归模型作为目标对所述训练集进行训练，得到所述回归模型的最优解，将所述最优解作为相应影响因素的影响系数；根据所述影响系数，生成预测模型；
预测模块，用于采用所述预测模型对所述目标区域在目标时段的交通流量进行预测，包括：确定所述目标区域在目标时段的各影响因素对应的数值变量，采用所述预测模型对确定的各影响因素对应的数值变量进行计算，得到预测的所述目标区域的交通流量。
CN201811483019.0A 2018-12-05 2018-12-05 一种区域交通流量预测方法及装置 Active CN109559512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811483019.0A CN109559512B (zh) 2018-12-05 2018-12-05 一种区域交通流量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811483019.0A CN109559512B (zh) 2018-12-05 2018-12-05 一种区域交通流量预测方法及装置

Publications (2)

Publication Number Publication Date
CN109559512A CN109559512A (zh) 2019-04-02
CN109559512B true CN109559512B (zh) 2021-08-24

Family

ID=65869050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811483019.0A Active CN109559512B (zh) 2018-12-05 2018-12-05 一种区域交通流量预测方法及装置

Country Status (1)

Country Link
CN (1) CN109559512B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009429B (zh) * 2019-04-10 2021-04-16 金瓜子科技发展（北京）有限公司 一种预测流量数据的方法、装置和计算机设备
CN111862583B (zh) * 2019-04-24 2021-12-03 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置
CN111027592B (zh) * 2019-11-14 2023-07-11 中科软智(北京)科技有限公司 细粒度对象流量分析方法和装置
CN110910659B (zh) * 2019-11-29 2021-08-17 腾讯云计算（北京）有限责任公司 一种交通流量预测方法、装置、设备以及存储介质
CN111461384B (zh) * 2019-12-10 2024-04-05 阿里巴巴集团控股有限公司 对象流量预测方法、装置及设备
CN111815098A (zh) * 2019-12-11 2020-10-23 北京嘀嘀无限科技发展有限公司 基于极端天气的交通信息处理方法、装置、存储介质和电子设备
FR3106112B1 (fr) * 2020-01-13 2021-12-03 Continental Automotive Procédé et dispositif de prédiction adaptatif d’une caractéristique météo de surface d’un segment routier
CN111950792A (zh) * 2020-08-14 2020-11-17 杭州海康威视系统技术有限公司 垃圾总量预测方法、装置、设备及存储介质
CN113762578A (zh) * 2020-12-28 2021-12-07 京东城市(北京)数字科技有限公司 流量预测模型的训练方法、装置和电子设备
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
CN113870591B (zh) * 2021-10-22 2023-08-01 上海应用技术大学 基于交通量预测的信号控制时段的划分方法、装置及设备
CN114049770B (zh) * 2021-12-01 2023-03-21 北京航空航天大学 多模式交通系统断路后流量预测方法及系统
CN115326092B (zh) * 2022-08-04 2024-09-17 重庆长安汽车股份有限公司 车辆行驶路径规划方法、控制方法、系统、设备及介质
CN117173894B (zh) * 2023-11-02 2024-03-26 深圳市城市交通规划设计研究中心股份有限公司 基于天气因素影响的高速公路节假日出行交通量预测方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8384564B2 (en) * 2009-03-06 2013-02-26 Navteq B.V. Method and system for adding gadgets to a traffic report
CN102819768B (zh) * 2011-11-07 2015-08-19 金蝶软件（中国）有限公司 客流数据分析的方法及系统
CN104821082B (zh) * 2015-04-29 2017-01-18 电子科技大学 一种基于综合评价的短时交通流预测方法
CN107180270A (zh) * 2016-03-12 2017-09-19 上海宏理信息科技有限公司 客流预测方法及系统
CN105913664B (zh) * 2016-06-29 2018-06-12 广州浩瑞尔信息科技有限公司 一种交通流量监控预测系统
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
CN107944605B (zh) * 2017-11-10 2021-07-30 河海大学常州校区 一种基于数据预测的动态交通路径规划方法
CN108898838B (zh) * 2018-08-03 2020-08-28 首都经济贸易大学 一种基于lstm模型的机场交通拥堵预测方法及装置

Also Published As

Publication number Publication date
CN109559512A (zh) 2019-04-02

Similar Documents

Publication Publication Date Title
CN109559512B (zh) 一种区域交通流量预测方法及装置
CN109923575B (zh) 测量车辆事故的绝对和/或相对风险可能性的装置和方法
Stolfi et al. Predicting car park occupancy rates in smart cities
CN107111794B (zh) 预测和利用地图服务中出行时间的可变性
Zhan et al. Urban link travel time estimation using large-scale taxi data with partial information
Paefgen et al. Evaluation and aggregation of pay-as-you-drive insurance rate factors: A classification analysis approach
Yi et al. Inferencing hourly traffic volume using data-driven machine learning and graph theory
CN110268454B (zh) 确定车辆的定制安全速度
Wang et al. A big data approach for smart transportation management on bus network
Almannaa et al. Dynamic linear models to predict bike availability in a bike sharing system
US20170059331A1 (en) Route planner for transportation systems
Chen et al. Data analytics approach for travel time reliability pattern analysis and prediction
Arjona et al. Improving parking availability information using deep learning techniques
Liu et al. Quantifying the impact of weather on ride-hailing ridership: Evidence from Haikou, China
El Esawey Daily bicycle traffic volume estimation: Comparison of historical average and count models
Chepuri et al. Development of new reliability measure for bus routes using trajectory data
Chepuri et al. Travel time reliability analysis on selected bus route of mysore using GPS data
CN110986992A (zh) 无人售卖车辆的导航方法、装置、电子设备和存储介质
Kristoffersson et al. Estimating preferred departure times of road users in a large urban network
Thakali et al. Model-based versus data-driven approach for road safety analysis: Do more data help?
CN115294770B (zh) 一种雨天交通拥堵指数的预测方法和装置
Doorley et al. Short-term forecasting of bicycle traffic using structural time series models
Shalit et al. A supervised machine learning model for imputing missing boarding stops in smart card data
Boyles et al. Quantifying travel time variability in transportation networks.
Koch et al. Machine learning from big gps data about the heterogeneous costs of congestion

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