CN109872535B - 一种智慧交通通行预测方法、装置及服务器 - Google Patents
一种智慧交通通行预测方法、装置及服务器 Download PDFInfo
- Publication number
- CN109872535B CN109872535B CN201910238888.5A CN201910238888A CN109872535B CN 109872535 B CN109872535 B CN 109872535B CN 201910238888 A CN201910238888 A CN 201910238888A CN 109872535 B CN109872535 B CN 109872535B
- Authority
- CN
- China
- Prior art keywords
- time
- traffic
- road section
- prediction algorithm
- characteristic
- 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
Links
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例涉及智慧交通技术领域,公开了一种智慧交通通行预测算法、装置及服务器。其中所述的智慧交通通行预测方法,包括:获取历史交通信息;根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。通过上述方式,本发明实施例能够解决目前车辆通行时间的预测准确率低的技术问题,通过卷积神经网络和LSTM网络的联合,从而提高车辆通行时间的预测准确率。
Description
技术领域
本发明涉及智慧交通技术领域,特别是涉及一种智慧交通通行预测方法、装置及服务器。
背景技术
目前,随着人民生活水平的提高,车辆的持有量越来越多,城市道路拥堵成为每位出行者的难言之隐,对城市管理和居民生活具有非常大的影响,因此如何准确预测路段的通行时间成为了迫切需要解决的问题,随着移动互联网时代的到来,每一位出行者都成为了城市交通信息的贡献者,使得云端匿名汇集了大量用户的地理位置等数据,可以对数据进行处理进而生成涵盖城市全时段、无盲区的交通信息。目前,通行时间的预测大都通过对路况的图像或视频进行分析,进而统计车流量、人流量等数据,分析出车辆的通行时间,而基于图像或视频的分析缺乏实时性,并且鲁棒性不足,无法精确地预测车辆的通行时间。
长短期记忆网络(LongShort-TermMemory,LSTM),是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM已经在科技领域有了多种应用。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。
本发明旨在提供一种智慧交通通行预测方法、装置及服务器,解决目前车辆通行时间的预测准确率低的技术问题,通过卷积神经网络和LSTM网络的联合,从而提高车辆通行时间的预测准确率。
发明内容
本发明实施例旨在提供一种智慧交通通行预测方法、装置及服务器,其解决了目前车辆通行时间的预测准确率低的技术问题,通过卷积神经网络和LSTM网络的联合,从而提高车辆通行时间的预测准确率。
为解决上述技术问题,本发明实施例提供以下技术方案:
第一方面,本发明实施例提供一种智慧交通通行预测方法,所述方法包括:
获取历史交通信息;
根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;
根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;
基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。
在一些实施例中,所述根据所述历史交通信息,基于卷积神经网络,提取多个交通特征,包括:
根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集;
根据所述训练集,基于卷积神经网络,提取所述多个交通特征。
在一些实施例中,所述特定时间段包括至少一个时间片段,所述根据所述历史交通信息,基于卷积神经网络,提取多个交通特征之后,所述方法还包括:
确定所述时间片段的长度;
对所述多个交通特征进行组合,生成特征向量,每一时间片段对应一特征向量。
在一些实施例中,每一所述第一训练样本为一时间序列,每一所述时间序列由多个特征向量构成,所述根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集,包括:
在特定时间段内,对N个连续的时间片段分别提取特征向量,将提取出的N个特征向量组合,生成一时间序列,将所述时间序列确定为第一训练样本,其中,N为正整数;
通过滑动固定时间片段生成下一个第一训练样本,进而生成多个第一训练样本,将生成的多个第一训练样本作为训练集。
在一些实施例中,所述方法还包括:
基于所述训练集,对所述通行时间预测算法进行训练,生成多个通行时间预测算法;
根据所述历史交通信息,确定第二训练样本,并基于所述第二训练样本,建立验证集;
基于所述验证集,对所述多个通行时间预测算法进行验证,选取最优的通行时间预测算法。
在一些实施例中,所述基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间,包括:
获取当天特定时间段的特定时间片段之前的M个连续的时间片段的交通特征,生成预测样本,其中,M为正整数且M≥5;
将所述预测样本输入所述通行时间预测算法,预测特定时间段的特定时间片段的车辆通行时间。
在一些实施例中,所述方法还包括:
将预测的时间片段对应的通行时间作为交通特征,输入所述通行时间预测算法,用于后续时间片段的通行时间的预测。
在一些实施例中,所述交通特征包括工作日特征和非工作日特征,所述方法还包括:
基于所述工作日特征和非工作日特征,划分所述通行时间预测算法,其中,所述通行时间预测算法包括第一通行时间预测算法以及第二通行时间预测算法,所述第一通行时间预测算法用于对所述非工作日进行通行时间预测,所述第二通行时间预测算法用于对所述工作日进行通行时间预测。
第二方面,本发明实施例提供一种智慧交通通行预测装置,所述装置包括:
历史交通信息单元,用于获取历史交通信息;
交通特征单元,用于根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;
通行时间预测算法单元,用于根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;
车辆通行时间预测单元,用于基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。
第三方面,本发明实施例提供一种服务器,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上所述的智慧交通通行预测方法。
第四方面,本发明实施例还提供了一种非易失性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执行指令,所述计算机可执行指令用于使服务器能够执行如上所述的智慧交通通行预测方法。
本发明实施例的有益效果是:区别于现有技术的情况下,本发明实施例提供的一种智慧交通通行预测方法,包括:获取历史交通信息;根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。通过上述方式,本发明实施例能够解决目前车辆通行时间的预测准确率低的技术问题,通过卷积神经网络和LSTM网络的联合,从而提高车辆通行时间的预测准确率。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1是本发明实施例提供的一种ConvLSTM神经网络的示意图;
图2是本发明实施例提供的一种记忆单元的示意图;
图3是本发明实施例提供的一种智慧交通通行预测方法的流程示意图;
图4是本发明实施例提供的一种路段网络拓扑结构的示意图;
图5是本发明实施例提供的一种智慧交通通行预测方法的整体流程图;
图6是本发明实施例提供的一种时间轴的示意图;
图7是图3中的步骤S40的细化流程图;
图8是本发明实施例提供的一种智慧交通通行预测装置的结构示意图;
图9是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
长短期记忆网络(LongShort-TermMemory,LSTM),是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM网络已经在科技领域有了多种应用。基于LSTM的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。
本发明旨在以移动互联时代的智慧交通通行预测为目标,基于互联网交通信息建立预测算法,准确预测城市中各条关键路段在某个时间段内的通行时间,实现对每条路段交通状态的预判,更好地帮助交通管理单位提前制定管控方案来预防和减少拥堵问题,缓解拥堵毒瘤对城市管理和居民生活的影响,助力城市交通智能管控,实现智慧出行。
可以理解的是,本发明提供的智慧交通通行预测方法可以应用于交通部门的道路交通系统,也可以应用于各种交通平台,例如:车来了、赶公交等手机APP,还可以应用于其他可以获取交通信息的智慧城市监管平台。
实施例一
请参阅图1,图1是本发明实施例提供的一种ConvLSTM神经网络的示意图;
如图1所示,该ConvLSTM神经网络为卷积-长短期记忆网络,本发明实施例通过所述ConvLSTM神经网络建立通行时间预测算法,具体的,如图1所示,C1、C2和D构成一个卷积神经网络,S1和S2构成一个两层的LSTM网络。通过组合卷积神经网络和LSTM网络,既可以利用卷积神经网络提取空间特征的能力,又可以利用LSTM网络善于处理时间序列的能力,从而实现更好地训练通行时间预测算法。其中,该ConvLSTM神经网络包括:卷积神经网络和LSTM网络。
如图1所示,C1和C2表示卷积层,D表示全连接层,其中,C1层有64个1×3的卷积核;C2有32个1×3的卷积核;D是有256个节点的全连接层,S1和S2都是LSTM层,均有128个记忆单元;
请再参阅图2,图2是本发明实施例提供的一种记忆单元的示意图;
如图2所示,一个记忆单元包含了5个核心部分,分别为:输入节点、遗忘门、输入门、输出门以及内部状态。其中,当前自身的输出值将会输入到下一个时间步(Time Step,如图1所示的S1至S15的15个时间步),虚线表示该节点或门的输入来自上一个时间步中记忆单元的输出和当前输入。符号∏表示点乘。具体的,“输入节点”获得来自当前输入s和上一个时间步中记忆单元的输出vc(相当于图1中的ht),将s和vc加权后传入tanh激活函数获得激活值。“输入门”的输入值同样来源于当前输入s和上一个时间步记忆单元的输出vc,将s和vc加权后传入sigmoid激活函数获得激活值。“内部状态”是记忆单元的核心部分,用于缓解训练时的梯度消失和梯度爆炸问题。“遗忘门”用于控制有用的信息流进入“内部状态”。“输出门”基于“内部状态”的输出值,用于控制记忆单元该输出对应的值或信息。
其中,输出层(Output Layer)是仅仅只有1个节点的全连接层,所述输出层用于输出预测的车辆通行时间。其中,图1中s1,s2,…,s15是输入的时间序列,yT为ConvLSTM网络的输出值。ConvLSTM网络中除了S1和S2两个LSTM层以外,其余所有层均使用RELU(RectifiedLinear Units)激活函数。
由于预测车辆通行时间属于回归问题,因此使用均方误差(Mean Square Error)作为ConvLSTM网络的损失函数。为了提高ConvLSTM网络的泛化性能,在D与S1层、S1与S2层之间使用弃权正则化技术(Drop Out),最后使用Adam优化算法在数据集上训练网络。当网络训练结束后,可以将其预测某天早高峰期间车辆在某路段的通行时间。
请参阅图3,图3是本发明实施例提供的一种智慧交通通行预测方法的流程示意图;
如图3所示,该智慧交通通行预测方法,应用于服务器,所述方法包括:
步骤S10:获取历史交通信息;
具体的,所述服务器通过交通路口的摄像头获取道路交通数据,对多个时间段下的道路交通数据进行汇总,进而获取历史交通信息,例如:对一周的道路交通数据进行汇总,获取上一周的历史交通信息,其中,所述历史交通信息,包括:路段属性信息、路段网络拓扑结构信息、路段历史通行时间信息,以及等等交通信息。
具体的,所述路段属性信息,包括:路段唯一标识符ID、路段等级C、路段长度L和路段宽度W。其中,所述路段唯一标识符ID用于标识该路段,所述路段等级C包括:主干道、辅道、国道、省道、大道等路段等级,路段长度L和路段宽度W用于确定该路段的长度以及宽度。
具体的,所述路段网络拓扑结构信息,包括:直接上游路段唯一标识符ID以及直接下游路段唯一标识符ID。请参阅图4,图4是本发明实施例提供的一种路段网络拓扑结构的示意图;
如图4所示,路段三Road3的直接上游路段包括:路段一Road1和路段二Road2,路段三Road3的直接下游路段包括:路段四Road4和路段五Road5,可以理解的是,路段三Road3是路段一Road1以及路段二Road2的直接下游路段,路段三Road3是路段四Road4和路段五Road5的直接上游路段。
具体的,所述路段历史通行时间信息,提供过去每条路段每天每个时间片段内的通行时间,包括:该路段在特定日期特定时间段内的车辆通行时间,所述路段历史通行时间信息包含路段在过去全部时期内的通行时间,例如:在过去一周的通行时间,在过去一个月的通行时间,在过去三个月的通行时间,以及等等。例如:路段历史通行时间信息包括过去每条路段每天每个时间片段内的通行时间T,具体包括以下四项信息:路段唯一标识符ID、日期D(年月日)、时间片段TS(如8:00-8:02)和通行时间T。即在某个日期D的某个时间片段TS内,车辆在标识符为ID的路段上的通行时间为T。
可以理解的是,本发明实施例中的历史交通信息针对的是同一个地方或地理位置的信息,例如:一个城市、一个区、一个镇等地理区域。
步骤S20:根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;
可以理解的是,直接在原始数据上建立的预测算法,其泛化能力非常差。由于交通特征通常包含了丰富的信息,因此需要从原始数据集当中提取交通特征,用提取的特征建立预测算法才是合理的。为了建立预测算法,需要对历史交通信息进行特征提取。需要注意的是,提取特征时若某路段没有直接上、下游路段,则假设存在,但是其路段长度L、宽度W和通行时间T都假设为0。
具体的,所述根据所述历史交通信息,基于卷积神经网络,提取多个交通特征,包括:根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集;根据所述训练集,提取所述多个交通特征。其中,所述根据所述历史交通信息,确定第一训练样本,包括:
将所述历史交通信息中的多个信息进行组合,生成第一训练样本,所述第一训练样本包括多个交通特征,所述第一训练样本对应一时间片段,多个时间片段对应多个第一训练样本,多个第一训练样本构成训练集,根据所述训练集,提取所述多个交通特征,具体的,本发明实施例中提供的交通特征包括28类,分别为:通行时间特征、工作日特征、休息日特征、路段特征、路段等级特征、小时特征、时间片段特征、路段长度特征、路段宽度特征、当前路段速度特征、直接上游路段是否存在的状态特征、直接上游路段的数量、直接上游路段的长度之和、直接上游路段的宽度之和、直接上游路段的平均通行时间、直接上游路段的平均速度、直接下游路段是否存在的状态特征、直接下游路段的数量、直接下游路段的长度之和、直接下游路段的宽度之和、直接下游路段的平均通行时间、直接下游路段的平均速度、当前路段宽度减去直接上游路段的宽度之和、直接下游路段的宽度之和减去当前路段宽度、直接下游路段的平均速度减去直接上游路段的平均速度、直接下游路段的宽度之和减去直接上游路段的宽度之和、直接上游路段的平均通行时间减去直接下游路段的平均通行时间、当前路段宽度与直接下游路段的宽度以及直接上游路段的宽度之和。
具体的,所述通行时间特征,用于表征特定时间段内的特定时间片段的某路段的车辆通行时间,即某个时间片段内,车辆完全通过某路段的时间。对于连续的时间片段,前面时间片段上的通行时间通常与后面时间片段上的通行时间有很大的关系,因此通行时间T是一个很重要的特征。此外,由于道路之间的拓扑结构关系,当前路段的通行时间长短直接与其直接上、下游路段当前时间片段上的通行时间有关,因此,将直接上、下游路段的通行时间作为交通特征也非常重要。其中,通行时间特征计算方式为通过数据集或训练集获取,由于数据集或训练集已经给出了通行时间信息,只要在同一个时间片段内,找到当前路段的直接上、下游路段的通行时间即可,然后将这些通行时间和当前路段的通行时间构成一个向量fT,其中fT∈Rd+1。为了确定d,分别计算数据集或训练集当中每条路段的直接上、下游路段数量之和Sr,则d为Sr的最大值。由于并不是所有路段都共有d条上下游,所以不一定有d个通行时间来组成d+1维向量fT。基于此,当数量不足时,用0填充以构成d+1维向量。
具体的,所述工作日特征,用于表征周一至周五的信息。由于一周有5个工作日,需要使用独热编码方式(One-Hot Encoding)对每一天进行编码。所以每一天被编码为一个维度为5的向量fwork。其中,工作日特征只参与用于建立工作日的预测算法,例如:工作日特征的具体编码如下表1:
表1
周一 | [1,0,0,0,0] |
周二 | [0,1,0,0,0] |
周三 | [0,0,1,0,0] |
周四 | [0,0,0,1,0] |
周五 | [0,0,0,0,1] |
具体的,所述休息日特征,用于表征周末(周六以及周日)的信息。由于一周的周六周日共2天休息日,需要使用独热编码方式对这两天进行编码,每天被编码为一个维度为2的向量fweekend。其中,休息日特征只参与用于建立休息日的预测算法,例如:非工作日特征的具体编码方式如下表2:
表2
周六 | [1,0] |
周日 | [0,1] |
具体的,所述路段特征,用于表征路段的信息。由于需要对每条路段使用独热编码方式进行编码,因此每条路段被编码为一个维度为r的向量fID,其中r为数据集或训练集当中路段的总数量。
具体的,所述路段等级特征,用于表征特定路段的等级。不同的路段有不同的等级,比如环城高速、城市中的主干道等。需要对路段的每个等级使用独热编码方式进行编码,每个等级被编码为n维的向量fC,其中n为路段的等级数量,例如:将环城高速定义为等级一,城市主干道定义为等级二,则此时路段的等级数量n为2,则此时路段等级特征如下表3所示:
表3
等级一 | [1,0] |
等级二 | [0,1] |
具体的,所述小时特征,用于表征每天的小时信息,由于每天24小时,每个小时内某路段的通车速度是有差别,比如夜间和白天通车速度是截然不同的。因此,对每天的每个小时进行独热编码是非常必要的,其中每个小时被编码为一个维度24的向量fH。
具体的,所述时间片段特征,用于表征时间片段TS,例如:设置所述时间片段为2分钟,则每个小时有30个时间片段,通过独热编码方式对这30个时间片段进行编码,则每个时间片段产生一个维度为30的向量fTS。
具体的,所述路段长度特征,用于表征路段长度L。
具体的,所述路段宽度特征,用于表征路段宽度W。
具体的,所述当前路段速度特征,用于表征当前路段速度,其中,当前路段速度特征通过如下公式计算得出:当前路段速度特征=当前路段长度L/当前路段通行时间。
具体的,所述直接上游路段是否存在的状态特征,用于表征某路段是否存在直接上游路段,由于某条路段的上游是否存在只有‘存在’和‘不存在’两种状态,因此需要对这两种状态进行独热编码,每一种状态被编码为维度为2的向量。
具体的,所述直接上游路段的数量,用于表征某路段的直接上游路段的数量,例如:某路段的直接上游路段的数量为1,若某路段没有直接上游路段,则该路段的直接上游路段的数量为0。
具体的,所述直接上游路段的长度之和,用于表征某路段的直接上游路段的长度之和。若某路段不存在直接上游路段,则长度之和记为0。
具体的,所述直接上游路段的宽度之和,用于表征某路段的直接上游路段的宽度之和。若某路段不存在直接上游路段,则宽度之和记为0。
具体的,所述直接上游路段的平均通行时间,用于表征某路段的直接上游路段的平均通行时间,所述直接上游路段的平均通行时间通过对所述路段的全部直接上游路段的通行时间进行求和,在根据所述路段的直接上游路段的数据,求平均值。
具体的,所述直接上游路段的平均速度,用于表征某路段的直接上游路段的平均速度,其中,所述直接上游路段的平均速度,通过如下公式计算:直接上游路段的平均速度=直接上游路段的长度之和/直接上游路段的平均通行时间。
具体的,所述直接下游路段是否存在的状态特征,用于表征某路段是否存在直接下游路段,由于某条路段的下游是否存在只有‘存在’和‘不存在’两种状态,因此需要对这两种状态进行独热编码,每一种状态被编码为维度为2的向量。
具体的,所述直接下游路段的数量,用于表征某路段的直接下游路段的数量,例如:某路段的直接下游路段的数量为1,若某路段没有直接下游路段,则该路段的直接下游路段的数量为0。
具体的,所述直接下游路段的长度之和,用于表征某路段的直接下游路段的长度之和。若某路段不存在直接下游路段,则长度之和记为0。
具体的,所述直接下游路段的宽度之和,用于表征某路段的直接下游路段的宽度之和。若某路段不存在直接下游路段,则宽度之和记为0。
具体的,所述直接下游路段的平均通行时间,用于表征某路段的直接下游路段的平均通行时间,所述直接下游路段的平均通行时间通过对所述路段的全部直接下游路段的通行时间进行求和,在根据所述路段的直接下游路段的数据,求平均值。
具体的,所述直接下游路段的平均速度,用于表征某路段的直接下游路段的平均速度,其中,所述直接下游路段的平均速度,通过如下公式计算:直接下游路段的平均速度=直接下游路段的长度之和/直接下游路段的平均通行时间。
具体的,所述当前路段宽度减去直接上游路段的宽度之和,用于表征当前路段宽度与直接上游路段的宽度之和的差值。
具体的,所述直接下游路段的宽度之和减去当前路段宽度,用于表征当前路段宽度与直接下游路段的宽度之和的差值。
具体的,所述直接下游路段的平均速度减去直接上游路段的平均速度,用于表征直接下游路段的速度与直接上游路段的速度之差。
具体的,所述直接下游路段的宽度之和减去直接上游路段的宽度之和,用于表征直接下游路段与直接上游路段的宽度之和的差值。
具体的,所述直接上游路段的平均通行时间减去直接下游路段的平均通行时间,用于表征直接上游路段与直接下游路段的通行时间的差值。
具体的,所述当前路段宽度与直接下游路段的宽度以及直接上游路段的宽度之和,用于表征当前路段与直接上游路段和直接下游路段的宽度的总和。
其中,在每一个时间片段内,存在多个交通特征,上述的28类交通特征均存在一个时间片段内,也即,每一时间片段对应上述28类交通特征。
在一个特定时间段内,包括至少一个时间片段,所述根据所述历史交通信息,基于卷积神经网络,提取多个交通特征之后,所述方法还包括:确定所述时间片段的长度;对所述多个交通特征进行组合,生成特征向量,每一时间片段对应一特征向量。具体的,所述时间片段的长度可以根据具体需要进行设置,例如:设置为2分钟、3分钟、4分钟、5分钟,以及等等,在本发明实施例中,以时间片段的长度为2分钟进行阐述。
通过对每一时间片段提取多个交通特征,将所述多个交通特征组合,生成一个多维的特征向量s,其中,所述特征向量s的维度为z+d+r+n,即s∈Rz+d+r+n,其中,d为路段的直接上游、下游路段的数量之和,r为路段的总数量,n为路段的等级数量,z为其余特征的维度之和,所述d、r、n的值均可以根据数据集或训练集获取,并且,当建立工作日预测算法时,z的取值为83,当建立非工作日预测算法时,z的取值为80。
其中,每一所述第一训练样本为一时间序列,每一所述时间序列由多个特征向量构成,所述根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集,包括:
在特定时间段内,对N个连续的时间片段分别提取特征向量,将提取出的N个特征向量组合,生成一时间序列,将所述时间序列确定为第一训练样本,其中,N为正整数;
具体的,由于采用ConvLSTM神经网络建模,输入到ConvLSTM中的每一个样本必须是一个时间序列。因此,我们定义相邻N个时间片段为一个序列,用S表示,则S={s1,s2,…,sN},其中sN∈Rz+d+r+n,N为正整数。通过对N个连续的时间片段分别提取特征向量,将提取的N个特征向量组合,生成一时间序列S,将所述时间序列确定为第一训练样本,例如:将时间片段数N设置为15,则定义连续的15个时间片段为一个时间序列,用S表示,则S={s1,s2,…,s15}。
通过滑动固定时间片段生成下一个第一训练样本,进而生成多个第一训练样本,将生成的多个第一训练样本作为训练集。
具体的,为了训练算法,需要建立包含一定样本数量的训练集和验证集。若设置时间片段为2分钟,则每天能够产生720个连续的时间片段(24小时×30个时间片段等于720),通过长度为N+1个时间片段,步长为X个时间片段的滑动窗口在长度为720个时间片段的序列上滑动取样本,其中,X为正整数。
将滑动窗口内的前N个时间片段作为一个第一训练样本,并且从每一个时间片段内提取特征向量s,从而构成一个序列S,而把滑动窗口中的第N+1个时间片段上的通行时间T作为S的标签,记作YT。将M1,M2,…,Mn-1共n-1个月中每天产生的720个连续时间片段上重复上述的操作,将产生的多个第一训练样本作为训练集T。例如:设置时间片段数N为15,步长为1个时间片段,则生成多个第一训练样本,进而将产生的多个第一训练样本作为训练集T。
步骤S30:根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;
具体的,通过所述训练集,基于所述长短期记忆网络,训练生成通行时间预测算法,可以理解的是,在训练的过程中,会生成多个通行时间预测算法,因此需要确定最优的通行时间验证算法。所述方法还包括:基于所述训练集,对所述通行时间预测算法进行训练,生成多个通行时间预测算法;根据所述历史交通信息,确定第二训练样本,并基于所述第二训练样本,建立验证集;基于所述验证集,对所述多个通行时间预测算法进行验证,选取最优的通行时间预测算法。
具体的,所述根据所述历史交通信息,确定第二训练样本,并基于所述第二训练样本,建立验证集,包括:在特定时间段内,对N个连续的时间片段分别提取特征向量,将提取出的N个特征向量组合,生成一时间序列,将所述时间序列确定为第二训练样本,其中,N为正整数,例如:将时间片段数N设置为15,则定义连续的15个时间片段为一个时间序列,用S表示,则S={s1,s2,…,s15},其中,若设置时间片段为2分钟,则每天能够产生720个连续的时间片段(24小时×30个时间片段等于720),通过长度为N+1个时间片段,步长为X个时间片段的滑动窗口在长度为720个时间片段的序列上滑动取样本,其中,X为正整数。
将滑动窗口内的前N个时间片段作为一个第一训练样本,并且从每一个时间片段内提取特征向量s,从而构成一个序列S,而把滑动窗口中的第N+1个时间片段上的通行时间T作为S的标签,记作YT。将Mn月份中的每天Mday早上6:00-9:00之间产生的90个连续时间片段上也做同样的操作,产生的第二训练样本作为验证集V,其中,Mn月份为Mday所在的月份,可以理解的是,若Mday为该月份的第一天,则以该月份的上一月份作为验证集。在本发明实施例中,所述通行时间预测算法通过深度学习工具TensorFlow建立,并且通过TensorFlow进行训练。
其中,所述基于所述验证集,对所述多个通行时间预测算法进行验证,选取最优的通行时间预测算法,包括:将验证集中的第二训练样本输入所述通行时间预测算法,生成预测结果,并统计所述预测结果,判断所述预测结果是否正确,生成评价指标,若所述评价指标越高,则所述通行时间预测算法越好,并选择评价指标最高的通行时间预测算法作为最优的通行时间预测算法。
步骤S40:基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。
具体的,通过训练集和验证集,确定最优的通行时间预测算法,并基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。其中,所述特定时间段包括至少一个时间片段,所述方法包括:预测特定时间段的特定时间片段下特定路段或全部路段的车辆通行时间。
请再参阅图5,图5是本发明实施例提供的一种智慧交通通行预测方法的整体流程图;
如图5所示,所述智慧交通通行预测方法的整体流程,包括:线下建立算法和线上使用算法两部分,所述线下建立算法用于建立通行时间预测算法,所述线上使用算法用于预测车辆通行时间。
其中,所述线下建立算法,包括:上述实施例所述的步骤,其中,上述实施例中的交通特征包括工作日特征和非工作日特征,所述方法还包括:基于所述工作日特征和非工作日特征,划分所述通行时间预测算法,其中,所述通行时间预测算法包括第一通行时间预测算法以及第二通行时间预测算法,所述第一通行时间预测算法用于对所述非工作日进行通行时间预测,所述第二通行时间预测算法用于对所述工作日进行通行时间预测。
具体的,将M1,M2,…,Mn共n个月的历史交通信息按天将数据分为工作日数据与非工作日数据两部分(节假日数据丢弃),然后再分别建立这两部分的训练集T和验证集V(T&V),之后再在训练集T和验证集V上提取上述的交通特征,最后分别在训练集T上训练第一通行时间预测算法ConvLSTM1和第二通行时间预测算法ConvLSTM2,并分别使用对应的验证集V选取最优的第一通行时间预测算法以及第二通行时间预测算法,选出的最优算法将会用于线上使用,用于预测非工作日以及工作日的特定时间段的特定时间片段下的特定路段的车辆通行时间。
可以理解的是,第一通行时间预测算法ConvLSTM1和第二通行时间预测算法ConvLSTM2均具有相同的网络结构,其唯一的不同点在于使用不同的数据训练,所述第一通行时间预测算法ConvLSTM1的训练数据为非工作日的数据,所述第二通行时间预测算法ConvLSTM2的训练数据为工作日的数据。
其中,所述线下使用算法,用于通过所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。具体的,所述基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间,包括:获取当天特定时间段的特定时间片段之前的M个连续的时间片段的交通特征,生成预测样本,其中,M为正整数且M≥5;将所述预测样本输入所述通行时间预测算法,预测特定时间段的特定时间片段的车辆通行时间。
在本发明实施例中,所述方法还包括:将预测的时间片段对应的通行时间作为交通特征,输入所述通行时间预测算法,用于后续时间片段的通行时间的预测。例如:将预测的8:00-8:02时间片段的通行时间作为交通特征,输入通行时间预测算法,用于预测8:02-8:04时间片段的通行时间。
请参阅图6,图6是本发明实施例提供的一种时间轴的示意图;
如图6所示,由于每天Mday早上6:00-8:00的历史交通信息是已知,而8:00-9:00的信息是未知的,需要使用通行时间预测算法去预测8:00-9:00之间每个时间片段上的通行时间T。因此,为了预测8:00-8:02这个时间片段上的通行时间,通过使用8:00的前15个连续的时间片段,即是7:30-8:00之间连续的15个时间片段,作为一个预测样本来预测8:00-8:02这个时间片段上的通行时间。同理,为了预测8:02-8:04这个时间片段上的通行时间,通过使用8:02的前15个连续的时间片段,即是7:32-8:02之间连续的15个时间片段,作为一个预测样本来预测8:02-8:04这个时间片段上的通行时间。类似地,重复上述操作可预测路段后续时间片段上的车辆通行时间。在预测8:02-9:00之间每个时间片段上的通行时间时,前面时间片段上预测的通行时间被作为交通特征参与至当前时间片段上的通行时间预测。
请参阅图7,图7是图3中的步骤S40的细化流程图;
如图7所示,上述基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间,包括:
步骤S41:获取当天的历史交通信息;
具体的,通过获取当天的待预测的时间片段之前的时间片段的交通信息,例如:待预测的时间片段为8:00-8:02,而当天Mday8:00之前的历史交通信息为已知的,通过获取8:00之前的时间片段的交通信息,例如:7:30-8:00之间的连续的15个时间片段的交通信息。
步骤S42:提取交通特征;
具体的,通过对所述待预测的时间片段之前的时间片段的交通信息进行特征提取,获取多个交通特征,例如:获取当天特定时间段的特定时间片段之前的M个连续的时间片段的交通特征,生成预测样本,其中,M为正整数且M≥5,并基于所述M个连续的交通特征,生成预测样本。优选的,M=15。
步骤S43:判断当天是否为非工作日;
具体的,所述非工作日包括周六以及周日,若当天Mday为周六或周日,则确定当天Mday为非工作日,此时进入步骤S44,若当天Mday为周一至周五的任意一天,则确定当天Mday为工作日,此时进入步骤S45。
步骤S44:通过第一通行时间预测算法预测特定时间片段的车辆通行时间;
具体的,将所述预测样本输入第一通行时间预测算法,预测特定路段或全部路段的特定时间片段的车辆通行时间。
步骤S45:通过第二通行时间预测算法预测特定时间片段的车辆通行时间;
具体的,将所述预测样本输入第二通行时间预测算法,预测特定路段或全部路段的特定时间片段的车辆通行时间。
在本发明实施例中,所述方法还包括:根据所述时间段内的全部时间片段的通行时间进行排序,按照通行时间从短到长进行排序,生成顺序表,将所述顺序表发送到用户的移动终端,所述用户的移动终端上安装有应用程序APP,通过所述应用程序APP将所述顺序表呈现给所述用户。具体的,所述用户的移动终端通信连接服务器,所述服务器接收所述移动终端的应用程序APP发送的请求,将所述顺序表发送到用户的移动终端的应用程序APP进行呈现,例如:将对应路段的时间段为8:00-9:00的每一时间片段的车辆通行时间按照通行时间从低到高的顺序进行排序,如下表4所示:
表4
路段ID | 时间片段 | 通行时间 |
0001 | 8:04-8:06 | 3分钟 |
0001 | 8:06-8:08 | 5分钟 |
0001 | 8:00-8:02 | 10分钟 |
0001 | 8:02-8:04 | 15分钟 |
0001 | 8:08-8:10 | 25分钟 |
0001 | 8:10-8:12 | 30分钟 |
在本发明实施例中,通过提供一种智慧交通通行预测方法,所述方法包括:获取历史交通信息;根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。通过上述方式,本发明实施例解决了目前车辆通行时间的预测准确率低的技术问题,通过卷积神经网络和LSTM神经网络的联合,能够利用卷积神经网络提取空间特征的能力以及LSTM神经网络善于对时间序列建模的能力,从而提高车辆通行时间的预测准确率。
实施例二
请参阅图8,图8是本发明实施例提供的一种智慧交通通行预测装置的结构示意图;该智慧交通通行预测装置100可以应用于服务器,如图8所示,该智慧交通通行预测装置100包括:
历史交通信息单元10,用于获取历史交通信息;
交通特征单元20,用于根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;
通行时间预测算法单元30,用于根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;
车辆通行时间预测单元40,用于基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。
在本发明实施例中,所述交通特征单元20包括训练集模块,所述训练集模块用于根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集;
根据所述训练集,基于卷积神经网络,提取所述多个交通特征。
在本发明实施例中,所述交通特征单元20具体用于:确定所述时间片段的长度;
对所述多个交通特征进行组合,生成特征向量,每一时间片段对应一特征向量。
在本发明实施例中,每一所述第一训练样本为一时间序列,每一所述时间序列由多个特征向量构成,所述训练集模块具体用于在特定时间段内,对N个连续的时间片段分别提取特征向量,将提取出的N个特征向量组合,生成一时间序列,将所述时间序列确定为第一训练样本,其中,N为正整数;
通过滑动固定时间片段生成下一个第一训练样本,进而生成多个第一训练样本,将生成的多个第一训练样本作为训练集。
在本发明实施例中,所述智慧交通通行预测装置100还包括:
验证集单元(图未示),所述验证集单元用于基于所述训练集,对所述通行时间预测算法进行训练,生成多个通行时间预测算法;
根据所述历史交通信息,确定第二训练样本,并基于所述第二训练样本,建立验证集;
基于所述验证集,对所述多个通行时间预测算法进行验证,选取最优的通行时间预测算法。
在本发明实施例中,所述车辆通行时间预测单元40具体用于:
获取当天特定时间段的特定时间片段之前的M个连续的时间片段的交通特征,生成预测样本,其中,M为正整数且M≥5;
将所述预测样本输入所述通行时间预测算法,预测特定时间段的特定时间片段的车辆通行时间。
在本发明实施例中,所述智慧交通通行预测装置100还包括:
预测算法更新单元(图未示),所述预测算法更新单元用于将预测的时间片段对应的通行时间作为交通特征,输入所述通行时间预测算法,用于后续时间片段的通行时间的预测。
在本发明实施例中,所述交通特征包括工作日特征和非工作日特征,所述智慧交通通行预测装置100还包括:
算法选择单元(图未示),用于基于所述工作日特征和非工作日特征,划分所述通行时间预测算法,其中,所述通行时间预测算法包括第一通行时间预测算法以及第二通行时间预测算法,所述第一通行时间预测算法用于对所述非工作日进行通行时间预测,所述第二通行时间预测算法用于对所述工作日进行通行时间预测。
由于装置实施例和方法实施例是基于同一构思,在内容不互相冲突的前提下,装置实施例的内容可以引用方法实施例的,在此不赘述。
在本发明实施例中,通过提供一种智慧交通通行预测装置,所述智慧交通通行预测装置包括:历史交通信息单元,用于获取历史交通信息;交通特征单元,用于根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;通行时间预测算法单元,用于根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;车辆通行时间预测单元,用于基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间。通过上述方式,本发明实施例能够解决目前车辆通行时间的预测准确率低的技术问题,通过卷积神经网络和LSTM神经网络的联合,从而提高车辆通行时间的预测准确率。
请参阅图9,图9是本发明实施例提供的一种服务器的结构示意图。其中,该服务器可以是塔式服务器、机架式服务器、刀片式服务器、云服务器等能接收指令并发送指令的电子设备。
如图9所示,该服务器90包括一个或多个处理器901以及存储器902。其中,图9中以一个处理器901为例。
处理器901和存储器902可以通过总线或者其他方式连接,图9中以通过总线连接为例。
存储器902作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的一种智慧交通通行预测方法对应的单元(例如,图8所述的各个单元)。处理器901通过运行存储在存储器902中的非易失性软件程序、指令以及模块,从而执行智慧交通通行预测方法的各种功能应用以及数据处理,即实现上述方法实施例智慧交通通行预测方法以及上述装置实施例的各个模块和单元的功能。
存储器902可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器902可选包括相对于处理器901远程设置的存储器,这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述模块存储在所述存储器902中,当被所述一个或者多个处理器901执行时,执行上述任意方法实施例中的智慧交通通行预测方法,例如,执行以上描述的图3所示的各个步骤;也可实现图8所述的各个模块或单元的功能。
其中,本发明实施例的服务器90以多种形式存在,包括但不限于:
(1)塔式服务器
一般的塔式服务器机箱和我们常用的PC机箱差不多,而大型的塔式机箱就要粗大很多,总的来说外形尺寸没有固定标准。
(2)机架式服务器
机架式服务器是由于满足企业的密集部署,形成的以19英寸机架作为标准宽度的服务器类型,高度则从1U到数U。将服务器放置到机架上,并不仅仅有利于日常的维护及管理,也可能避免意想不到的故障。首先,放置服务器不占用过多空间。机架服务器整齐地排放在机架中,不会浪费空间。其次,连接线等也能够整齐地收放到机架里。电源线和LAN线等全都能在机柜中布好线,可以减少堆积在地面上的连接线,从而防止脚踢掉电线等事故的发生。规定的尺寸是服务器的宽(48.26cm=19英寸)与高(4.445cm的倍数)。由于宽为19英寸,所以有时也将满足这一规定的机架称为“19英寸机架”。
(3)刀片式服务器
刀片服务器是一种HAHD(High Availability High Density,高可用高密度)的低成本服务器平台,是专门为特殊应用行业和高密度计算机环境设计的,其中每一块“刀片”实际上就是一块系统母板,类似于一个个独立的服务器。在这种模式下,每一个母板运行自己的系统,服务于指定的不同用户群,相互之间没有关联。不过可以使用系统软件将这些母板集合成一个服务器集群。在集群模式下,所有的母板可以连接起来提供高速的网络环境,可以共享资源,为相同的用户群服务。
(4)云服务器
云服务器(Elastic Compute Service,ECS)是一种简单高效、安全可靠、处理能力可弹性伸缩的计算服务。其管理方式比物理服务器更简单高效,用户无需提前购买硬件,即可迅速创建或释放任意多台云服务器。云服务器的分布式存储用于将大量服务器整合为一台超级计算机,提供大量的数据存储和处理服务。分布式文件系统、分布式数据库允许访问共同存储资源,实现应用数据文件的IO共享。虚拟机可以突破单个物理机的限制,动态的资源调整与分配消除服务器及存储设备的单点故障,实现高可用性。
本发明实施例还提供了一种非易失性计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如图9中的一个处理器901,可使得上述一个或多个处理器可执行上述任意方法实施例中的智慧交通通行预测方法,例如,执行上述任意方法实施例中的智慧交通通行预测方法,例如,执行以上描述的图3所示的各个步骤;也可实现图8所述的各个单元的功能。
以上所描述的装置或设备实施例仅仅是示意性的,其中所述作为分离部件说明的单元模块可以是或者也可以不是物理上分开的,作为模块单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络模块单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用直至得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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;在本发明的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本发明的不同方面的许多其它变化,为了简明,它们没有在细节中提供;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申请各实施例技术方案的范围。
Claims (6)
1.一种智慧交通通行预测方法,其特征在于,所述方法包括:
获取历史交通信息,所述历史交通信息包括路段属性信息、路段网络拓扑结构信息、路段历史通行时间信息;
根据所述历史交通信息,基于卷积神经网络,提取多个交通特征,包括:根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集;
根据所述训练集,基于卷积神经网络,提取所述多个交通特征,所述交通特征包括:通行时间特征、工作日特征、休息日特征、路段特征、路段等级特征、小时特征、时间片段特征、路段长度特征、路段宽度特征、当前路段速度特征、直接上游路段是否存在的状态特征、直接上游路段的数量、直接上游路段的长度之和、直接上游路段的宽度之和、直接上游路段的平均通行时间、直接上游路段的平均速度、直接下游路段是否存在的状态特征、直接下游路段的数量、直接下游路段的长度之和、直接下游路段的宽度之和、直接下游路段的平均通行时间、直接下游路段的平均速度、当前路段宽度减去直接上游路段的宽度之和、直接下游路段的宽度之和减去当前路段宽度、直接下游路段的平均速度减去直接上游路段的平均速度、直接下游路段的宽度之和减去直接上游路段的宽度之和、直接上游路段的平均通行时间减去直接下游路段的平均通行时间、当前路段宽度与直接下游路段的宽度以及直接上游路段的宽度之和;
根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;
基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间;
其中,所述特定时间段包括至少一个时间片段,所述根据所述历史交通信息,基于卷积神经网络,提取多个交通特征之后,所述方法还包括:
确定所述时间片段的长度;
对所述多个交通特征进行组合,生成特征向量,每一时间片段对应一特征向量;
所述方法还包括:根据所述特定时间段内的全部时间片段的通行时间进行排序,按照通行时间从短到长进行排序,生成顺序表,将所述顺序表发送到用户的移动终端;
所述方法还包括:
基于所述训练集,对所述通行时间预测算法进行训练,生成多个通行时间预测算法;
根据所述历史交通信息,确定第二训练样本,并基于所述第二训练样本,建立验证集;
基于所述验证集,对所述多个通行时间预测算法进行验证,选取最优的通行时间预测算法,包括:
将验证集中的第二训练样本输入所述通行时间预测算法,生成预测结果,并统计所述预测结果,判断所述预测结果是否正确,生成评价指标,若所述评价指标越高,则所述通行时间预测算法越好,并选择评价指标最高的通行时间预测算法作为最优的通行时间预测算法;
其中,每一所述第一训练样本为一时间序列,每一所述时间序列由多个特征向量构成,所述根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集,包括:
在特定时间段内,对N个连续的时间片段分别提取特征向量,将提取出的N个特征向量组合,生成一时间序列,将所述时间序列确定为第一训练样本,其中,N为正整数;
通过滑动固定时间片段生成下一个第一训练样本,进而生成多个第一训练样本,将生成的多个第一训练样本作为训练集。
2.根据权利要求1所述的方法,其特征在于,所述基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间,包括:
获取当天特定时间段的特定时间片段之前的M个连续的时间片段的交通特征,生成预测样本,其中,M为正整数且M≥5;
将所述预测样本输入所述通行时间预测算法,预测特定时间段的特定时间片段的车辆通行时间。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将预测的时间片段对应的通行时间作为交通特征,输入所述通行时间预测算法,用于后续时间片段的通行时间的预测。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述交通特征包括工作日特征和非工作日特征,所述方法还包括:
基于所述工作日特征和非工作日特征,划分所述通行时间预测算法,其中,所述通行时间预测算法包括第一通行时间预测算法以及第二通行时间预测算法,所述第一通行时间预测算法用于对所述非工作日进行通行时间预测,所述第二通行时间预测算法用于对所述工作日进行通行时间预测。
5.一种智慧交通通行预测装置,其特征在于,所述装置包括:
历史交通信息单元,用于获取历史交通信息,所述历史交通信息包括路段属性信息、路段网络拓扑结构信息、路段历史通行时间信息;
交通特征单元,用于根据所述历史交通信息,基于卷积神经网络,提取多个交通特征;
通行时间预测算法单元,用于根据所述交通特征,基于长短期记忆网络,建立通行时间预测算法;
车辆通行时间预测单元,用于基于所述通行时间预测算法,预测特定时间段下特定路段的车辆通行时间;
其中,所述交通特征单元,具体用于:
根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集;
根据所述训练集,基于卷积神经网络,提取所述多个交通特征,所述交通特征包括:通行时间特征、工作日特征、休息日特征、路段特征、路段等级特征、小时特征、时间片段特征、路段长度特征、路段宽度特征、当前路段速度特征、直接上游路段是否存在的状态特征、直接上游路段的数量、直接上游路段的长度之和、直接上游路段的宽度之和、直接上游路段的平均通行时间、直接上游路段的平均速度、直接下游路段是否存在的状态特征、直接下游路段的数量、直接下游路段的长度之和、直接下游路段的宽度之和、直接下游路段的平均通行时间、直接下游路段的平均速度、当前路段宽度减去直接上游路段的宽度之和、直接下游路段的宽度之和减去当前路段宽度、直接下游路段的平均速度减去直接上游路段的平均速度、直接下游路段的宽度之和减去直接上游路段的宽度之和、直接上游路段的平均通行时间减去直接下游路段的平均通行时间、当前路段宽度与直接下游路段的宽度以及直接上游路段的宽度之和;
其中,所述特定时间段包括至少一个时间片段;
所述装置还包括:
排序单元,用于根据所述特定时间段内的全部时间片段的通行时间进行排序,按照通行时间从短到长进行排序,生成顺序表,将所述顺序表发送到用户的移动终端;
所述装置还包括:
选取单元,用于基于所述训练集,对所述通行时间预测算法进行训练,生成多个通行时间预测算法;根据所述历史交通信息,确定第二训练样本,并基于所述第二训练样本,建立验证集;基于所述验证集,对所述多个通行时间预测算法进行验证,选取最优的通行时间预测算法;
其中,所述选取单元具体用于:
将验证集中的第二训练样本输入所述通行时间预测算法,生成预测结果,并统计所述预测结果,判断所述预测结果是否正确,生成评价指标,若所述评价指标越高,则所述通行时间预测算法越好,并选择评价指标最高的通行时间预测算法作为最优的通行时间预测算法;
其中,每一所述第一训练样本为一时间序列,每一所述时间序列由多个特征向量构成,所述根据所述历史交通信息,确定第一训练样本,并基于所述第一训练样本,建立训练集,包括:
在特定时间段内,对N个连续的时间片段分别提取特征向量,将提取出的N个特征向量组合,生成一时间序列,将所述时间序列确定为第一训练样本,其中,N为正整数;
通过滑动固定时间片段生成下一个第一训练样本,进而生成多个第一训练样本,将生成的多个第一训练样本作为训练集。
6.一种服务器,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4任一项所述的智慧交通通行预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238888.5A CN109872535B (zh) | 2019-03-27 | 2019-03-27 | 一种智慧交通通行预测方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238888.5A CN109872535B (zh) | 2019-03-27 | 2019-03-27 | 一种智慧交通通行预测方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872535A CN109872535A (zh) | 2019-06-11 |
CN109872535B true CN109872535B (zh) | 2020-09-18 |
Family
ID=66921436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238888.5A Active CN109872535B (zh) | 2019-03-27 | 2019-03-27 | 一种智慧交通通行预测方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872535B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110459051B (zh) * | 2019-06-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
CN112309109B (zh) * | 2019-08-01 | 2022-02-18 | 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 |
CN110648531B (zh) * | 2019-09-19 | 2020-12-04 | 军事科学院系统工程研究院网络信息研究所 | 一种车载自组织网络中基于深度学习的节点移动性预测方法 |
CN110570678B (zh) * | 2019-10-23 | 2021-03-19 | 厦门大学 | 一种公交车辆从起点到终点总行驶时间预测方法及装置 |
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 |
CN111337234A (zh) * | 2020-03-09 | 2020-06-26 | 西南交通大学 | 一种基于实时监测的tbm刮刀寿命预测系统及方法 |
CN111833600B (zh) * | 2020-06-10 | 2022-07-08 | 北京嘀嘀无限科技发展有限公司 | 通行时间预测方法、装置及数据处理设备 |
CN111831853A (zh) * | 2020-07-16 | 2020-10-27 | 深圳市商汤科技有限公司 | 信息处理方法、装置、设备及系统 |
CN112215520B (zh) * | 2020-10-28 | 2021-06-08 | 润联软件系统(深圳)有限公司 | 一种多目标融合通行方法、装置、计算机设备及存储介质 |
CN112419729B (zh) * | 2020-11-23 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 一种根据预测车流量确定决策策略的方法和系统 |
CN112907958B (zh) * | 2021-01-29 | 2022-01-25 | 北京百度网讯科技有限公司 | 路况信息确定方法、装置、电子设备以及可读介质 |
CN112991724B (zh) * | 2021-02-09 | 2022-08-12 | 重庆大学 | 一种高速公路异常事件发生位置与事发时间的估计方法及装置 |
CN115687046B (zh) * | 2022-10-27 | 2023-08-08 | 艾弗世(苏州)专用设备股份有限公司 | 一种基于智能视觉通行逻辑的仿真训练装置及方法 |
CN116525135B (zh) * | 2023-04-27 | 2024-03-19 | 兰州大学 | 基于气象因素的时空模型对疫情发展态势进行预测的方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103177570B (zh) * | 2012-12-25 | 2015-03-04 | 北京交通发展研究中心 | 一种早晚高峰交通拥堵指数的预测方法 |
KR20150072471A (ko) * | 2013-12-19 | 2015-06-30 | 건국대학교 산학협력단 | 시공간 확률 모델을 이용한 교통 흐름 예측 시스템 |
CN105513350A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 基于时空特性的分时段多参数短时交通流预测方法 |
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 |
CN107180530B (zh) * | 2017-05-22 | 2019-09-06 | 北京航空航天大学 | 一种基于深度时空卷积循环网络的路网状态预测方法 |
CN108510741B (zh) * | 2018-05-24 | 2020-10-30 | 浙江工业大学 | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 |
-
2019
- 2019-03-27 CN CN201910238888.5A patent/CN109872535B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109872535A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109872535B (zh) | 一种智慧交通通行预测方法、装置及服务器 | |
CN107945507B (zh) | 行程时间预测方法及装置 | |
Wang et al. | DeepSD: Supply-demand prediction for online car-hailing services using deep neural networks | |
US10636293B2 (en) | Uncertainty modeling in traffic demand prediction | |
CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
US20210064999A1 (en) | Multi-scale multi-granularity spatial-temporal traffic volume prediction | |
CN109495318B (zh) | 一种移动通信网络流量预测方法、装置及可读存储介质 | |
Bai et al. | Spatio-temporal graph convolutional and recurrent networks for citywide passenger demand prediction | |
US20230215272A1 (en) | Information processing method and apparatus, computer device and storage medium | |
Zou et al. | Passenger flow prediction using smart card data from connected bus system based on interpretable xgboost | |
CN111935140B (zh) | 异常报文识别方法及装置 | |
CN111192090A (zh) | 航班的座位分配方法、装置、存储介质和电子设备 | |
CN113643532B (zh) | 一种区域交通的预测方法以及设备 | |
Coulaud et al. | Modeling dwell time in a data-rich railway environment: with operations and passenger flows data | |
CN108875032B (zh) | 区域类型确定方法及装置 | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
CN107203545A (zh) | 一种数据处理方法及装置 | |
US20230314147A1 (en) | Path generation apparatus, path planning apparatus, path generation method, path planning method, and non-transitory computer readable medium | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN111836274B (zh) | 一种业务处理的方法及装置 | |
CN111612198B (zh) | 预测拼单成功率的方法、装置和电子设备 | |
Xu et al. | An LSTM approach for predicting the short-time passenger flow of urban bus | |
CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
Bui et al. | A survivable design of last mile communication networks using multi-objective genetic algorithms | |
Cenni et al. | Long-term prediction of bikes availability on bike-sharing stations |
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 |