CN109887272B - 一种交通人流量的预测方法及装置 - Google Patents

Abstract

本说明书提供一种交通人流量的预测方法及装置，将长短时记忆递归神经网络模型和深度广度模型相结合构建出交通流量预测模型，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通人流量的其他相关信息，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划提供了准确的数据基础。

Description

一种交通人流量的预测方法及装置

技术领域

本说明书属于计算机技术领域，尤其涉及一种交通人流量的预测方法及装置。

背景技术

随着科技的发展，城市交通种类也越来越多，智能交通的出现缓解了城市交通的压力。智能交通可以表示基于现代电子信息技术面向交通运输的服务系统，以信息的收集、处理、发布、交换、分析、利用为主线，为交通参与者提供多样性的服务。交通流量的预测是智能交通中比较重要的一项任务，交通流量的预测结果可以用于优化交通运输服务。现有技术中，对于交通人流量的预测通常是只考虑时间序列的特征，预测结果可能不准确，如何进行交通流量的准确预测是本领域亟需解决的技术问题。

发明内容

本说明书目的在于提供一种交通人流量的预测方法及装置，实现了交通人流量的准确预测。

一方面本说明书实施例提供了一种交通人流量的预测方法，包括：

获取待预测时间段对应的时间信息、交通关联信息；

将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。

另一方面，本说明书提供了一种交通人流量的预测装置，包括：

数据获取模块，用于获取待预测时间段对应的时间信息、交通关联信息；

流量预测模块，用于将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。

还一方面，本说明书提供了交通人流量的预测处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的交通人流量的预测方法。

再一方面，本说明书提供了一种交通人流量的预测系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现本说明书实施例中的交通人流量的预测方法。

本说明书提供的交通人流量的预测方法、装置、处理设备、系统，将长短时记忆递归神经网络模型和深度广度模型相结合构建出交通流量预测模型，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通人流量的其他相关信息，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划、交通调度提供了准确的数据基础。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，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是本说明书一个实施例中交通人流量的预测方法的流程示意图；

图2是本说明书一个实施例中交通流量预测模型的模型架构示意图；

图3是本说明书又一个实施例中交通人流量预测方法的流程示意图；

图4是本说明书提供的交通人流量的预测装置一个实施例的模块结构示意图；

图5是本说明书又一个实施例中交通人流量的预测装置的结构示意图；

图6是本说明书又一个实施例中交通人流量的预测装置的结构示意图；

图7是本说明书一个中实施例中交通人流量的预测服务器的硬件结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。

科技的不断进步，促进了交通运输业的发展，人们日常出行可选择的交通方式也越来越多。不同时间段出行的人流量可能会有所不同，通过预测交通人流量，可以实现科学合理的规划交通工具的数量以及交通运输的时间。

本说明书实施例中提供了一种交通人流量的预测方法，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。其中，本说明书实施例中的交通流量预测模型采用长短时记忆递归神经网络模型和深度广度模型，利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通关联信息。本说明书实施例提供的交通人流量的预测方法，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划、交通调度提供了准确的数据基础。

本说明书中交通人流量的预测方法可以应用在客户端或服务器中，客户端可以是智能手机、平板电脑、智能可穿戴设备(智能手表、虚拟现实眼镜、虚拟现实头盔等)、智能车载设备等电子设备。

具体的，图1是本说明书一个实施例中交通人流量的预测方法的流程示意图，如图1所示，本说明书一个实施例中提供的交通人流量的预测方法的整体过程可以包括：

步骤102、获取待预测时间段对应的时间信息、交通关联信息。

本说明书实施例提供的交通人流量的预测方法，可以用于预测指定时间段的交通人流量，如：预测指定时间段某交通工具的人流量、或指定时间段某交通站的人流量。例如：预测2018年12月10日早上9点至10点，某地铁站的交通人流量，或某地铁线路的交通人流量等。

在具体的实施过程中，可以获取待预测时间段对应的时间信息以及交通关联信息，时间信息可以表示需要进行交通人流量预测的时间段，交通关联信息可以表示可能影响交通人流量的信息如：天气信息、节假日信息、是否有交通事故、其他交通工具是否正常工作等。

例如：要预测2018年12月10日早上9点至10点某地铁站的交通人流量，可以先获取指定的时间段：2018年12月10日早上9点至10点，再获取该时间段对应的交通关联信息，如：2018年12月10日不是节假日，天气预报为晴朗等信息。

步骤104、将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。

在具体的实施过程中，可以先利用历史数据构建出交通流量预测模型，如：可以利用历史交通流量数据、历史的交通关联信息等，进行模型训练，学习交通人流量与历史交通流量数据、历史的交通关联信息之间的映射关系，构建出交通流量预测模型。本说明书一个实施例中可以采用长短时记忆递归神经网络模型和深度广度模型相结合的网络模型，具体可以将长短时记忆递归神经网络模型嫁接在深度广度模型中，将长短时记忆递归神经网络模型的输出作为深度广度模型的深度层的输入。其中，长短时记忆递归神经网络模型(LongShort Term Memory Network，LSTM)可以理解为一种改进的循环神经网络，可以用于处理与时间序列数据相关的问题。深度广度模型(wide and deep模型)可以理解为结合线性模型的记忆能力和DNN(Deep Neural Network，深度神经网络)模型的泛化能力的网络模型，在训练过程中可以同时优化2个模型的参数，从而达到整体模型的预测能力最优。深度广度模型通常情况下可以包括深度层和广度层，广度层通常对应的是线性模型，输入特征可以是连续特征，也可以是稀疏的离散特征，离散特征之间进行交叉后可以构成更高维的离散特征。深度层通常对应的是DNN模型，每个特征对应一个低维的实数向量。

本说明书实施例中可以将获取到的待预测时间段的时间信息、交通关联信息输入到交通流量预测模型中，利用构建的交通流量预测模型可以获得待预测时间段的交通人流量预测值，实现指定时间段的人流量预测。

本说明书实施例中提供了一种交通人流量的预测方法，将长短时记忆递归神经网络模型和深度广度模型相结合构建出交通流量预测模型，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通人流量的其他相关信息，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划、交通调度提供了准确的数据基础。

在上述实施例的基础上，本说明书一个实施例中，可以采用下述方法构建所述交通流量预测模型：

获取样本数据，所述样本数据包括：历史交通流量数据、历史的交通关联信息，所述交通关联信息包括：交通流量静态关联信息、交通流量动态关联信息；

构建所述交通流量预测模型；

将所述样本数据中的历史交通流量数据、历史的交通流量动态关联信息作为所述交通流量预测模型中的所述长短时记忆递归神经网络模型的输入，将历史的交通流量静态关联信息作为所述交通流量预测模型中的所述深度广度模型的广度层的输入，将所述长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入，训练所述交通流量预测模型，直至所述交通流量预测模型符合预设要求。

在具体的实施过程中，可以先进行样本数据的收集，样本数据可以包括历史交通流量数据如：当前时间之前半年的交通流量数据。样本数据还可以包括历史交通流量数据对应的历史的交通关联信息，交通关联信息主要可以包括交通流量静态关联信息、交通流量动态关联信息。交通流量静态关联信息可以表示可能影响交通流量的静态信息如：交通站属性信息(如：是否是换乘站、是否是始发站或终点站、是否可以换乘其他交通工具等)、节假日信息等一些通常不会改变的信息。交通流量动态关联信息可以表示可能影响交通流量的动态信息如：天气信息、是否有交通事故等可能会因时间不同而改变的信息。样本数据收集结束后，可以构建交通流量预测模型如：设置模型参数(如：输入层结点数、隐层层数、每个隐层的结点数、输出层结点数等)、模型架构等，将收集到的样本数据输入到构建的交通流量预测模型中，进行模型训练。图2是本说明书一个实施例中交通流量预测模型的模型架构示意图，如图2所示，图2中的动态特征层可以表示LSTM的输入层，动态特征层输入的时间可以表示历史交通流量数据，天气信息可以表示历史的交通流量动态关联信息。图2中的稀疏特征层可以表示深度广度模型的广度层，稀疏特征层输入的静态信息可以为历史的交通流量静态关联信息，图2中的全连接输出层可以表示深度广度模型的深度层。

如图2所示，在进行模型训练时，可以将历史交通流量数据(时间序列数据)、历史的交通流量动态关联信息(如：天气信息)作为长短时记忆递归神经网络模型LSTM的输入，将历史的交通流量静态关联信息作为所述深度广度模型的广度层的输入，将长短时记忆递归神经网络模型的输出作为深度广度模型的深度层的输入。再将深度广度模型的深度层的输出和广度层输出进行叠加，训练交通流量预测模型，直至交通流量预测模型符合预设要求，如：模型精度达到要求或模型训练次数达到预设次数等后，模型训练结束。

本说明书书实施例，将长短时记忆递归神经网络模型和深度广度模型进行嫁接，基于历史数据，进行模型训练，综合考虑了历史交通流量数据、天气、节假日、交通站属性等交通关联信息，进行模型训练。不仅考虑了交通流量的时序特征，还考虑了交通流量的关联特征，提高了交通流量预测模型构建的准确性，进一步提高了交通人流量预测的准确性。

在上述实施例的基础上，本说明书一个实施例中，所述获取样本数据包括：

获取历史交通流量数据，根据所述历史交通流量数据对应的时间将所述历史交通流量数据按照交通人流量预测的时间段进行划分；

将划分好的历史交通流量数据进行归一化处理；

获取所述历史交通流量数据对应的历史的交通关联信息。

在具体的实施过程中，获取到历史交通流量数据后，可以根据交通人流量预测的时间段对历史交通流量数据进行划分。例如：历史交通流量数据是当前时间之前1个月的数据，交通人流量预测的时间段是1小时，则可以根据历史交通流量数据对应的时间信息，将历史交通流量数据按照1小时的时间间隔进行划分。如：可以将每天0点-1点的交通流量数据作为一个样本数据，1点-2点的数据作为一个样本数据，依次类推。

样本数据划分结束后，可以将划分好的样本数据进行归一化处理，本说明书一个实施例中可以采用min-max(最小值-最大值)方法对划分好的样本数据做归一化，可以将样本数据归一化处理到0-1之间，以方便后续的模型训练学习。

样本数据进行归一化处理后，还可以将样本数据中的历史交通流量数据对应的时间进行映射，实现时间的归一化。

历史交通流量数据处理结束后，可以获取对应的交通关联信息如：获取不同时间段的历史交通流量数据对应的天气信息、节假日信息、交通站属性信息等。再利用历史交通流量数据、以及历史交通流量数据对应的时间、交通关联信息进行模型的训练。

本说明书实施例，基于时间顺序对获取到的样本数据进行时间段的划分，再将划分好的数据进行归一化处理，为模型的训练提供了数据基础。

在上述实施例的基础上，本说明书一个实施例中，所述方法还包括：

将获得的所述交通人流量预测值进行反归一化处理，获得所述待预测时间段的交通人流量预测结果。

在具体的实施过程中，模型训练时对样本数据进行归一化处理后，训练好的模型输出的交通人流量预测值通常是归一化的取值即为0-1之间，本说明书实施例将模型输出的交通人流量预测值进行反归一化处理，获得待预测时间段的交通人流量预测结果，可以直观的看出待预测时间段内交通人流量的大小，方便后续交通的合理规划。

在上述实施例的基础上，本说明书一个实施例中，所述方法还包括：

将所述样本数据划分为训练数据和测试数据，利用训练数据对所述交通流量预测模型进行模型训练；

利用所述测试数据对训练好的交通流量预测模型进行测试，计算训练好的模型在所述测试数据上的误差，选择误差最小的交通流量预测模型作为所述构建的交通流量预测模型。

在具体的实施过程中，可以将样本数据划分为训练数据和测试数据，如：将历史交通流量数据、历史的交通流量静态关联信息、历史的交通流量动态关联信息均划分为训练数据和测试数据，划分的规则可以根据实际需要进行选择如：可以按照时间的先后顺序按照预设的比例进行划分，也可以按照预设的比例随机抽样进行划分，本说明书实施例不作具体限定。数据划分结束后，可以利用训练数据进行模型训练，不断更新模型参数，再利用测试数据对训练好的模型进行测试，计算训练好的模型在测试数据上对应的误差，选择误差最小的模型作为最终构建的交通流量预测模型。

例如：样本数据进行时间段的划分以及归一化处理后，可以按照不同的规则、不同比例将处理好的样本数据划分为训练数据和测试数据，可以划分出多种组合的训练数据和测试数据，如：划分出3组训练数据和测试数据。利用训练数据对构建好的交通流量预测模型进行模型训练，优化模型参数，再将训练数据对应的测试数据输入到训练好的模型中，计算训练好的模型的误差。如：将可以测试数据中的时间信息、天气信息、交通站属性信息、节假日信息等输入到训练好的模型中，获得对应的模型输出值，计算模型输出值与测试数据中的交通流量数据之间的平均误差。3组训练数据和测试数据可以获得3个误差值，可以选择误差值最小的模型作为最终的交通流量预测模型。

本说明书实施例通过将样本数据划分为训练数据和测试数据，分别对模型进行训练测试，选择误差最小的模型作为最终构建出的模型，提高了模型构建的准确性，进一步可以提高交通人流量预测的准确性。

在上述实施例的基础上，本说明书一个实施例中，所述方法还包括：

将所述交通人流量预测结果与所述待预测时间段的实际交通流量进行对比，确定所述交通流量预测模型的预测误差；

根据所述预测误差对所述交通流量预测模型进行评估。

在具体的实施过程中，利用构建的交通流量预测模型对指定时间段的交通人流量进行预测后，可以根据获得的交通人流量预测结果与待预测时间段对应的实际交通流量进行对比，计算模型的预测误差，基于预测误差对构建的交通流量预测模型进行评估。如：利用交通流量预测模型预测出2018年12月10日早上9点至10点某地铁站的交通人流量预测结果，在2018年12月10日早上10点之后，可以获取到2018年12月10日早上9点至10点的实际交通流量。将交通人流量预测结果与实际交通流量进行对比，计算出预测误差。若预测误差大于预设阈值，则可以认为构建的交通流量预测模型不合格，需要重新构建，若预测误差小于预设阈值，则可以认为构建的交通流量预测模型合格，可以继续使用。

本说明书实施例将模型的预测结果与实际的交通流量进行对比，对构建的模型进行准确性评估，提高了模型构建的准确性，进一步提高了交通人流量预测的准确性。

图3是本说明书又一个实施例中交通人流量预测方法的流程示意图，下面结合图3具体介绍本说明书实施例中交通人流量预测的过程：

步骤S1、根据交通流量预测的时间段对历史交通流量数据进行聚合。即对历史交通流量数据按照时间关系进行划分，具体可以参考上述实施例的记载，此处不再赘述。

步骤S2、对聚合后的历史交通流量数据进行归一化预处理，具体可以采用min-max方法对数据做归一化。

步骤S3、对交通流量数据对应的时间进行转换。例如：对1月1日周一早上6:00时刻进行时间变换，早上6:00为一天的1/4的时间，对1/4这一数值进行映射，可以通过映射函数进行数值映射，如：

同理，周一的6:00占一周总时间的1/28，对1/28这一数值进行映射，利用映射函数进行数值映射，如：

同理，对于1月1日的6:00占一年时间的1/1460，对1/1460这一数值进行映射，利用映射函数进行数值映射，如：

其中，映射函数中的w_1、w_2、w_3为参数，可以根据实际需要进行设置，如：w_1取1/16、1/8、1/4、1/2、2、4、8、16，可以获得同一个时间的多个映射数值，pi可以表示圆周率。

其他的时间数据按照相同的方式进行数据转换，此处不再赘述。

需要说明的是，在进行时间转换时，可以根据实际需要选择不同的映射函数，本说明书实施例不作具体限定。

步骤S4、设置模型参数，如：设置长短时记忆递归神经网络模型的各个参数，如：输入层结点数、隐层层数、每个隐层的结点数、输出层结点数等。

步骤S5、获取历史交通流量数据对应的天气信息等动态信息即交通流量动态关联信息，并对获取到的天气等动态信息进行特征的离散化。

步骤S6、获取历史交通流量数据对应的交通站属性(如地铁站属性)、节假日等静态信息即交通流量静态关联信息，并对获取到的交通站属性、节假日等静态信息进行特征的离散化，构造深度模型的Sparse feature(稀疏特征)的部分。

步骤S7、将经过聚合和归一化预处理的历史交通流量数据、转换后的时间信息、历史的交通流量静态关联信息、历史的交通流量动态关联信息划分为训练数据集和测试数据集。

步骤S8、利用训练数据集，在已设置参数的交通流量预测模型上利用梯度下降原理更新模型中各个参数。其中，模型训练和模型测试时，将历史交通流量数据、历史的交通流量动态关联信息作为长短时记忆递归神经网络模型的输入，将历史的交通流量静态关联信息作为深度广度模型的广度层的输入，将长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入。

步骤S9、计算训练好的交通流量预测模型在测试数据集上的平均误差，选择测试数据集上误差最小的交通流量预测模型作为最终选择的交通流量预测模型。

步骤S10、对需要预测的时间段，获得已经训练过的交通流量预测模型，根据待预测时间段以及对应的交通关联信息，进行前向计算，得到对应的输出数据，即对待预测时间段的交通流量数据的归一化预测值。

步骤S11、将上一步骤得到的交通流量数据的归一化预测值进行反归一化处理，得到待预测时间段的交通人流量预测结果。

步骤S12、将上一步骤得到的待预测时间段的交通人流量预测结果与对应的实际交通流量进行对比，计算误差，得到交通流量预测模型的误差，可以采用下面两个指标准确率(Accuracy，ACC)和均方根误差(Root Mean Square Error，RMSE)，计算交通流量预测模型的误差，对交通流量预测模型进行评估。

本说明书实施例提供的交通人流量的预测方法，通过结合长短时记忆递归神经网络和深度广度神经网络，可以补充额外的其他信息如交通站站的属性、天气等在预测之中。通过长短时记忆递归神经网络捕捉地铁人流量的特征以及其他辅助信息的时序特征，另一方面通过深度广度模型把交通站属性等静态信息进行建模以提升交通人流量预测的准确率。

本说明书中上述方法的各个实施例均采用递进的方式描述，步骤并表示严格的先后顺序，根据实际需要可以调整各个步骤的顺序。各个实施例之间相同相似的部分互相参加即可，每个实施例重点说明的都是与其他实施例的不同之处。相关之处参加方法实施例的部分说明即可。

基于上述所述的交通人流量的预测方法，本说明书一个或多个实施例还提供一种交通人流量的预测装置。所述的装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参加前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

具体地，图4是本说明书提供的交通人流量的预测装置一个实施例的模块结构示意图，如图4所示，本说明书中提供的交通人流量的预测装置包括：数据获取模块41、流量预测模块42，其中：

数据获取模块41，可以用于获取待预测时间段对应的时间信息、交通关联信息；

流量预测模块42，可以用于将所述时间信息、交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。

本说明书实施例提供的交通人流量的预测装置，将长短时记忆递归神经网络模型和深度广度模型相结合构建出交通流量预测模型，根据待预测时间段的时间信息以及交通关联信息，利用构建的交通流量预测模型进行交通人流量的预测。利用长短时记忆递归神经网络模型捕捉人流量以及其他辅助信息的时序特征，深度广度模型则可以综合考虑交通人流量的其他相关信息，提高交通人流量预测的准确性，实现了交通人流量的准确预测，为交通规划提供了准确的数据基础。

图5是本说明书又一个实施例中交通人流量的预测装置的结构示意图，如图5所示，在上述实施例的基础上，所述装置还包括模型构建模块51，用于采用下述方式构建所述交通流量预测模型：

获取样本数据，所述样本数据包括：历史交通流量数据、历史的交通关联信息，所述交通关联信息包括：交通流量静态关联信息、交通流量动态关联信息；

构建所述交通流量预测模型；

将所述样本数据中的历史交通流量数据、历史的交通流量动态关联信息作为所述交通流量预测模型中的所述长短时记忆递归神经网络模型的输入，将历史的交通流量静态关联信息作为所述交通流量预测模型中的所述深度广度模型的广度层的输入，将所述长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入，训练所述交通流量预测模型，直至所述交通流量预测模型符合预设要求。

本说明书实施例提供的交通人流量的预测装置，将长短时记忆递归神经网络模型和深度广度模型进行嫁接，基于历史数据，进行模型训练，综合考虑了历史交通流量数据、天气、节假日、交通站属性等交通关联信息，进行模型训练。不仅考虑了交通流量的时序特征，还考虑了交通流量的关联特征，提高了交通流量预测模型构建的准确性，进一步提高了交通人流量预测的准确性。

在上述实施例的基础上，所述模型构建模块具体用于：

获取历史交通流量数据，根据所述历史交通流量数据对应的时间将所述历史交通流量数据按照交通流量预测的时间段进行划分；

将划分好的历史交通流量数据进行归一化处理；

获取所述历史交通流量数据对应的历史的交通关联信息。

本说明书实施例，基于时间顺序对获取到的样本数据进行时间段的划分，再将划分好的数据进行归一化处理，为模型的训练提供了数据基础。

在上述实施例的基础上，所述模型构建模块还用于：

将所述样本数据划分为训练数据和测试数据，利用训练数据对所述交通流量预测模型进行模型训练；

利用所述测试数据对训练好的交通流量预测模型进行测试，计算训练好的模型在所述测试数据上的误差，选择误差最小的交通流量预测模型作为所述构建的交通流量预测模型。

本说明书实施例，通过将样本数据划分为训练数据和测试数据，分别对模型进行训练测试，选择误差最小的模型作为最终构建出的模型，提高了模型构建的准确性，进一步可以提高交通人流量预测的准确性。

在上述实施例的基础上，所述流量预测模块还用于：

将获得的所述交通人流量预测值进行反归一化处理，获得所述待预测时间段的交通人流量预测结果。

本说明书实施例，将模型输出的交通人流量预测值进行反归一化处理，获得待预测时间段的交通人流量预测结果，可以直观的看出指定时间段内的交通人流量的大小，方便后续交通的合理规划。

图6是本说明书又一个实施例中交通人流量的预测装置的结构示意图，如图6所示，在上述实施例的基础上，所述装置还包括模型评估模块61，用于：

将所述交通人流量预测结果与所述待预测时间段的实际交通流量进行对比，确定所述交通流量预测模型的预测误差；

根据所述预测误差对所述交通流量预测模型进行评估。

本说明书实施例，将模型的预测结果与实际的交通流量进行对比，对构建的模型进行准确性评估，提高了模型构建的准确性，进一步提高了交通人流量预测的准确性。

在上述实施例的基础上，所述交通流量静态关联信息包括：交通站属性信息、节假日信息中的至少一个，所述交通流量动态关联信息包括天气信息。

本说明书实施例，结合影响交通流量的静态信息和动态信息进行模型训练和交通人流量的预测，提高了模型构建的准确性以及交通人流量预测的准确性。

需要说明的，上述所述的装置根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书实施例还提供一种交通人流量的预测处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现上述实施例的交通人流量的预测方法，如：

获取待预测时间段的时间信息、交通关联信息；

将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入。

所述存储介质可以包括用于存储信息的物理装置，通常是将信息数字化后再以利用电、磁或者光学等方式的媒体加以存储。所述存储介质有可以包括：利用电能方式存储信息的装置如，各式存储器，如RAM、ROM等；利用磁能方式存储信息的装置如，硬盘、软盘、磁带、磁芯存储器、磁泡存储器、U盘；利用光学方式存储信息的装置如，CD或DVD。当然，还有其他方式的可读存储介质，例如量子存储器、石墨烯存储器等等。

需要说明的，上述所述的处理设备根据方法实施例的描述还可以包括其他的实施方式。具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本说明书提供的交通人流量的预测系统可以为单独的交通人流量的预测系统，也可以应用在多种数据分析处理系统中。所述系统可以包括上述实施例中任意一个交通人流量的预测装置。所述的系统可以为单独的服务器，也可以包括使用了本说明书的一个或多个所述方法或一个或多个实施例装置的服务器集群、系统(包括分布式系统)、软件(应用)、实际操作装置、逻辑门电路装置、量子计算机等并结合必要的实施硬件的终端装置。所述核对差异数据的检测系统可以包括至少一个处理器以及存储计算机可执行指令的存储器，所述处理器执行所述指令时实现上述任意一个或者多个实施例中所述方法的步骤。

本说明书实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图7是本说明书一个实施例中交通人流量的预测服务器的硬件结构框图。如图7所示，服务器10可以包括一个或多个(图中仅示出一个)处理器100(处理器100可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器200、以及用于通信功能的传输模块300。本邻域普通技术人员可以理解，图7所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器10还可包括比图7中所示更多或者更少的组件，例如还可以包括其他的处理硬件，如数据库或多级缓存、GPU，或者具有与图7所示不同的配置。

存储器200可用于存储应用软件的软件程序以及模块，如本说明书实施例中的交通人流量的预测方法对应的程序指令/模块，处理器100通过运行存储在存储器200内的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器200可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器200可进一步包括相对于处理器100远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。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。

传输模块300用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端的通信供应商提供的无线网络。在一个实例中，传输模块300包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块300可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书提供的上述实施例所述的方法或装置可以通过计算机程序实现业务逻辑并记录在存储介质上，所述的存储介质可以计算机读取并执行，实现本说明书实施例所描述方案的效果。

本说明书实施例提供的上述交通人流量的预测方法或装置可以在计算机中由处理器执行相应的程序指令来实现，如使用windows操作系统的c++语言在PC端实现、linux系统实现，或其他例如使用android、iOS系统程序设计语言在智能终端实现，以及基于量子计算机的处理逻辑实现等。

需要说明的是说明书上述所述的装置、计算机存储介质、系统根据相关方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照对应方法实施例的描述，在此不作一一赘述。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，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，对于硬件+程序类实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参加方法实施例的部分说明即可。

本说明书实施例并不局限于必须是符合行业通信标准、标准计算机数据处理和数据存储规则或本说明书一个或多个实施例所描述的情况。某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、存储、判断、处理方式等获取的实施例，仍然可以属于本说明书实施例的可选实施方案范围之内。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

虽然本说明书一个或多个实施例提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或终端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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

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

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

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储、石墨烯存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

本领域技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本本说明书一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参加即可，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，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参加方法实施例的部分说明即可。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

以上所述仅为本说明书一个或多个实施例的实施例而已，并不用于限制本本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在权利要求范围之内。

Claims (16)

1.一种交通人流量的预测方法，包括：

获取待预测时间段对应的时间信息、交通关联信息；

将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出为所述深度广度模型的深度层的输入，其中，所述交通关联信息中的交通流量动态关联信息为所述长短时记忆递归神经网络模型的输入，所述交通关联信息中的交通流量静态关联信息为所述深度广度模型的广度层的输入。

2.如权利要求1所述的方法，所述交通流量预测模型的构建方法包括：

获取样本数据，所述样本数据包括：历史交通流量数据、历史的交通关联信息，所述交通关联信息包括：交通流量静态关联信息、交通流量动态关联信息；

构建所述交通流量预测模型；

将所述样本数据中的历史交通流量数据、历史的交通流量动态关联信息作为所述交通流量预测模型中的所述长短时记忆递归神经网络模型的输入，将历史的交通流量静态关联信息作为所述交通流量预测模型中的所述深度广度模型的广度层的输入，将所述长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入，训练所述交通流量预测模型，直至所述交通流量预测模型符合预设要求。

3.如权利要求2所述的方法，所述获取样本数据包括：

获取历史交通流量数据，根据所述历史交通流量数据对应的时间将所述历史交通流量数据按照交通人流量预测的时间段进行划分；

将划分好的历史交通流量数据进行归一化处理；

获取所述历史交通流量数据对应的历史的交通关联信息。

4.如权利要求2所述的方法，所述方法还包括：

将所述样本数据划分为训练数据和测试数据，利用训练数据对所述交通流量预测模型进行模型训练；

利用所述测试数据对训练好的交通流量预测模型进行测试，计算训练好的模型在所述测试数据上的误差，选择误差最小的交通流量预测模型作为所述构建的交通流量预测模型。

5.如权利要求3所述的方法，所述方法还包括：

将获得的所述交通人流量预测值进行反归一化处理，获得所述待预测时间段的交通人流量预测结果。

6.如权利要求5所述的方法，所述方法还包括：

将所述交通人流量预测结果与所述待预测时间段的实际交通流量进行对比，确定所述交通流量预测模型的预测误差；

根据所述预测误差对所述交通流量预测模型进行评估。

7.如权利要求2所述的方法，所述交通流量静态关联信息包括：交通站属性信息、节假日信息中的至少一个，所述交通流量动态关联信息包括天气信息。

8.一种交通人流量的预测装置，包括：

数据获取模块，用于获取待预测时间段对应的时间信息、交通关联信息；

流量预测模块，用于将所述时间信息、所述交通关联信息输入构建的交通流量预测模型中，获得所述待预测时间段的交通人流量预测值，所述交通流量预测模型包括长短时记忆递归神经网络模型和深度广度模型，所述长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入，其中，所述交通关联信息中的交通流量动态关联信息为所述长短时记忆递归神经网络模型的输入，所述交通关联信息中的交通流量静态关联信息为所述深度广度模型的广度层的输入。

9.如权利要求8所述的装置，所述装置还包括模型构建模块，用于采用下述方式构建所述交通流量预测模型：

获取样本数据，所述样本数据包括：历史交通流量数据、历史的交通关联信息，所述交通关联信息包括：交通流量静态关联信息、交通流量动态关联信息；

构建所述交通流量预测模型；

将所述样本数据中的历史交通流量数据、历史的交通流量动态关联信息作为所述交通流量预测模型中的所述长短时记忆递归神经网络模型的输入，将历史的交通流量静态关联信息作为所述交通流量预测模型中的所述深度广度模型的广度层的输入，将所述长短时记忆递归神经网络模型的输出作为所述深度广度模型的深度层的输入，训练所述交通流量预测模型，直至所述交通流量预测模型符合预设要求。

10.如权利要求9所述的装置，所述模型构建模块具体用于：

获取历史交通流量数据，根据所述历史交通流量数据对应的时间将所述历史交通流量数据按照交通人流量预测的时间段进行划分；

将划分好的历史交通流量数据进行归一化处理；

获取所述历史交通流量数据对应的历史的交通关联信息。

11.如权利要求9所述的装置，所述模型构建模块还用于：

将所述样本数据划分为训练数据和测试数据，利用训练数据对所述交通流量预测模型进行模型训练；

利用所述测试数据对训练好的交通流量预测模型进行测试，计算训练好的模型在所述测试数据上的误差，选择误差最小的交通流量预测模型作为所述构建的交通流量预测模型。

12.如权利要求10所述的装置，所述流量预测模块还用于：

将获得的所述交通人流量预测值进行反归一化处理，获得所述待预测时间段的交通人流量预测结果。

13.如权利要求12所述的装置，所述装置还包括模型评估模块，用于：

将所述交通人流量预测结果与所述待预测时间段的实际交通流量进行对比，确定所述交通流量预测模型的预测误差；

根据所述预测误差对所述交通流量预测模型进行评估。

14.如权利要求9所述的装置，所述交通流量静态关联信息包括：交通站属性信息、节假日信息中的至少一个，所述交通流量动态关联信息包括天气信息。

15.一种交通人流量的预测处理设备，包括：至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。

16.一种交通人流量的预测系统，包括至少一个处理器以及用于存储处理器可执行指令的存储器，所述处理器执行所述指令时实现权利要求1-7任一项所述的方法。

Images