CN110164127B - 一种车流量预测的方法、装置及服务器 - Google Patents

Abstract

本发明实施例涉及交通管理领域，公开了一种车流量预测的方法、装置及服务器。本发明中提供的车流量预测的方法，包括：获取至少两种数据源在当前时刻之前的车流量数据；根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值；根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值。本实施方式中的车流量预测的方法，提高了对车流量预测的准确性。

Description

一种车流量预测的方法、装置及服务器

技术领域

本发明实施例涉及交通管理领域，特别涉及一种车流量预测的方法、装置及服务器。

背景技术

近年来，由于国民经济水平的提高，城市化进程正逐步加快。有数据显示，5年来，全国机动车数量增长了近36％，交通需求日益增长，交通拥堵问题也日益严重。最为明显的是城市公路早晚的上下班高峰，以及节假日高速公路绵延数里的拥堵，造成道路通行能力急剧下降，由此给人们的生活出行带来了极大的不便。

为了有效缓解交通压力，提高道路通行能力，智能交通系统(ITS)被广泛应用于动态交通管理中。准确的交通车流量预测不仅能实现对交通状态的动态把控，还能据此实施交通诱导，疏导车流，避免拥堵，为出行者提供实时、具体的道路信息；另外，相关部门也可以根据道路车流量预测信息动态调整路口交通灯的红绿灯闪烁时间，更加有效地方便人们出行。

车流量预测根据时间跨度分为长期和短期车流量预测两种，尤其是短期车流量预测具有突发性和随机性，一直是国内外交通专家和学者研究的热点。发明人发现现有技术中至少存在如下问题：目前对短期车流量的预测通常采用时间序列的方式、灰色系统法、回归分析法等。但是，车流量与多种因素相关，比如：时间、节假日等，而目前的预测方式仅考虑了单一因素，比如：基于灰色小波神经网络的短时交通流预测方法，这导致对车流量的预测的不准确。

发明内容

本发明实施方式的目的在于提供一种车流量预测的方法、装置及服务器，提高对车流量预测的准确性。

为解决上述技术问题，本发明的实施方式提供了一种车流量预测的方法，包括：获取至少两种数据源在当前时刻之前的车流量数据；根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值；根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值。

本发明的实施方式还提供了一种车流量预测的装置，包括：获取模块、初始预测模块和车流量预测模块；获取模块用于获取至少两种数据源在当前时刻之前的车流量数据；初始预测模块用于根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值；车流量预测模块用于根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值。

本发明的实施方式还提供了一种服务器，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的车流量预测的方法。

本发明实施方式相对于现有技术而言，获取至少两种数据源在当前时刻之前的车流量数据，由于获取了多种数据源，使得用于预测所需时间段的车流量预测值的数据涉及的范围广，同时，由于每个数据源中的呈现的规律不同，为每个数据源都设置有各自对应的初始预测模型，使得每个数据源的车流量数据可以通过符合各自规律的初始预测模型对车流量进行初始预测；且每种数据源对车流量的影响是不同的，通过每种数据源对应的权重反映每种数据源对车流量的影响力，从而使得最终确定的所需时间段的车流量数据更加符合实际的车流量数据，提高对车流量预测的准确度。

另外，在获取至少两种数据源在当前时刻之前的车流量数据之前，车流量预测的方法还包括：获取每种数据源的历史车流量数据；根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型。在根据实时的车流量数据对车流量进行预测之前，根据每种数据源的历史车流量数据，确定每种数据源各自对应的初始预测模型，从而确保了每种初始预测模型都准确地呈现了每种数据源的规律。

另外，初始预测模型包括：百分比模型和日流量模型，百分比模型用于预测单日内预设时间间隔内的车流量与每日车流量的百分比，日流量模型用于预测单日的车流量；根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型，具体包括：对每种数据源的历史车流量数据进行以下操作：从历史车流量数据中选取属于第一预设天数内预设时间间隔的数据作为构建百分比模型的第一输入数据，从历史车流量数据中选取属于第二预设天数内的预设时间间隔的数据作为构建百分比模型的第一输出数据，根据第一输入数据和第一输出数据训练获得百分比模型；从历史车流量数据中选取属于第一预设天数内的每日数据作为构建日流量模型的第二输入数据，从历史车流量数据中选取属于第二预设天数内的每日数据作为构建日流量模型的第二输出数据，根据第二输入数据和第二输出数据，训练获得日流量模型。将每种数据源的历史车流量数据分别用于构建各自对应的百分比模型和日流量模型，通过两种模型对初始车流量进行预测，可以大大减小初始车流量预测值的误差。

另外，在根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型之前，车流量预测的方法还包括：对每种数据源的历史车流量数据进行预处理。通过对每种数据源的历史车流量数据进行预处理，使得可以修正历史车流量数据，从而确保后续通过历史车流量数据可以准确构建出对应的初始预测模型，提高对车流量预测的准确性。

另外，对每种数据源的历史车流量数据进行预处理，具体包括：从每种数据源的历史车流量数据中去除属于异常的车流量数据和/或补充缺失的车流量数据。可以去除异常的车流量数据，避免异常数据影响准确构建初始预测模型，补充缺失的车流量数据，也可以避免不完整的车流量数据对构建的初始模型造成的影响。

另外，在分别确定每种数据源各自对应的初始预测模型之后，且在获取至少两种数据源在当前时刻之前的车流量数据之前，车流量预测方法还包括：根据每种数据源中属于第一预设天数内的历史车流量数据以及每种数据源各自对应的初始预测模型，得到每种数据源各自对应的历史初始车流量预测值；将属于第二预设天数的历史车流量数据作为历史车流量预测值，根据每个历史初始车流量预测值以及车流量预测值，确定出每种数据源各自对应的权重。通过每个历史初始车流量预测值以及车流量预测值，可以准确地确定出每种数据源各自对应的权重，从而使得在对所需时间段进行车流量预测的时候，可以快速确定初始车流量预测值对应的权重，从而准确、快速地确定出所需时间段的车流量预测值。

另外，根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值，具体包括：对每种数据源的初始车流量预测值与对应的权重之积进行求和，并将计算的和值作为所需时间段的车流量预测值。根据每种数据源所占权重可以准确地确定出所需时间段的车流量预测值。

另外，根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值，具体包括：对每种数据源的车流量数据进行以下处理：将车流量数据通过百分比模型，获得所需时间段的初始车流量百分比；将车流量数据通过日流量模型，获得所需时间段的初始日流量数据；将初始车流量百分比与初始日流量数据之积作为所需时间段的初始预测值。由于百分比模型和日流量模型的是通过不同的算法构建，两种模型的输出精确度会不同，从而通过将初始车流量百分比与初始车流量数据之积，可以对输出的初始车流量预测值进行矫正，避免初始车流量预测值出现较大的误差。

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是根据本发明第一实施方式提供的一种车流量预测的方法的具体流程示意图；

图2是根据本发明第一实施方式提供的一种车流量预测的方法中确定所需时间段的初始车流量预测值的具体流程示意图；

图3是根据本发明第二实施方式提供的一种车流量预测的方法的具体流程示意图；

图4是根据本发明第三实施方式提供的一种车流量预测的方法的具体流程示意图；

图5是根据本发明第四实施方式提供的一种车流量预测的装置的具体结构示意图；

图6是根据本发明第五实施方式提供的一种服务器的具体结构示意图。

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，下面将结合附图对本发明的各实施方式进行详细的阐述。然而，本领域的普通技术人员可以理解，在本发明各实施方式中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

本发明的第一实施方式涉及一种车流量预测的方法。该车流量预测的方法用于对道路路口、高速路口、景区等地方进行车流量的预测，该车流量预测的方法可以应用于终端、服务器等装置。该车流量预测的方法的具体流程如图1所示。

步骤101：获取至少两种数据源在当前时刻之前的车流量数据。

具体的说，不同数据源是指不同来源的数据，例如，数据源可以是通过摄像头采集得到的视频分析数据，或者通过检测器(如传感器)检测得到的车流量数据；还可以是通过GPS定位系统采集到的数据等，数据源的种类本实施方式中不做限制，数据源的数目也不做限制，可以2个、3个以上等。为了确保对所需时间段的车流量预测的准确性，获取在当前时刻之前属于第一预设天数的车流量数据，当然，该车流量数据应当为待测地点车流量数据，例如，需要预测未来4小时在路口A的车流量数据，若第一预设天数为5天，则可以获取当前时刻之前5天在该路口A的车流量数据。

可以理解的是，若需要获取各数据源在当前时刻之前的车流量数据，可以向各个数据源所在端发送数据获取请求，通过通信网络获取。

值得一提的是，在获取至少两种数据源在当前时刻之前的车流量数据之前，还需要获取每种数据源的历史车流量数据，并根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型。

具体的说，为了确定的初始预测模型的准确性，历史车流量数据为属于第二预设时间段内的客流量数据，例如，第二预设时间段可以为当前时刻之前的两年的车流量数据。当然，可以指定起始日期，根据第二预设时间段，确定出历史车流量数据的终止日期，例如，第二预设时间段为2年，指定的起始日期为2016年5月30日，则可以确定出终止日期为2018年5月30日，即获取从2016年5月30日至2018年5月30日的所有车流量数据。

一个具体的实现中，初始预测模型包括：百分比模型和日流量模型，百分比模型用于预测单日内预设时间间隔内的车流量与每日车流量的百分比，日流量模型用于预测单日的车流量。

对每种数据源的历史车流量数据进行处理，构建百分比模型具体的处理过程如下：

从历史车流量数据中选取属于第一预设天数内预设时间间隔的数据作为构建该百分比模型的第一输入数据，从该历史车流量数据中选取属于第二预设天数内的预设时间间隔的数据作为构建该百分比模型的第一输出数据，根据第一输入数据和第一输出数据训练获得百分比模型。

具体的说，第一预设天数、第二预设天数以及预设时间间隔可以根据实际预测需要进行设置，本实施方式不对此进行限制。根据历史车流量数据，训练获得百分比模型的过程中，可以先将历史车流量数据分为具有相同时间间隔的多个数据块，每个数据块均包含属于第一预设天数内预设时间间隔的数据和属于第二预设天数内的预设时间间隔的数据。根据每个数据块中的第一输入数据和第一输出数据，采用长短期记忆网络(Long Short-Term Memory，简称“LSTM”网络)对第一输入数据和第一输出数据进行深度学习，从而构建出该百分比模型，当然，还可以采用其他神经网络的深度学习算法，如，误差反向传播算法，RNN算法等。

其中，第一输入数据和第一输出数据采用百分比的数据格式。下面一个具体的例子说明获得百分比模型的过程：

例如，历史车流量数据包括1号至21号的车流量数据，若第一预设天数为6天，第二预设天数为1天，那么，可以将该历史车流量数据分为3个数据块，第一数据块为1号至7号的车流量数据，第二数据块为8号至14号的车流量数据，第三数据块为15至21号的车流量数据，其中，将1至6号的车流量数据转化为百分比数据A，并将该百分比数据A作为第一输入数据a，将7号的车流量数据转化为百分比数据B，并将该百分比数据B作为第一输出数据b；同理，将8至13号的车流量数据转化为百分比数据C，并将该百分比数据C作为第一输入数据c，将14号的车流量数据转化为百分比数据D，并将该百分比数据D作为第一输出数据d；将15号至20号的车流量数据转化为百分比数据E，并将该百分比数据E作为第一输入数据e，将21号的车流量数据转化为百分比数据F，并将该百分比数据F作为第一输出数据f。将第一输入数据a，第一输出数据b；第一输入数据c，第一输出数据d以及第一输入数据e，第一输出数据f，通过LSTM算法，即可训练获得该百分比模型。LSTM算法的具体训练过程，本例子中不再进行赘述，但是，需要说明的是，进行深度学习的过程，需要大量的第一输入数据和第一输出数据，并不限于本例子中的三个第一输入数据和三个第一输出数据。

需要说明的是，第一输入数据转化为百分比的数据形式后，还可以进行归一化操作，从而将第一输入数据映射为0到1的范围内，可以有效避免出现误差跨度大的问题，有效减小预测误差。

对每种数据源的历史车流量数据进行处理，构建日流量模型具体的处理过程如下：

从历史车流量数据中选取属于第一预设天数内的每日数据作为构建日流量模型的第二输入数据，从历史车流量数据中选取属于第二预设天数内的每日数据作为构建日流量模型的第二输出数据，根据第二输入数据和第二输出数据，训练获得日流量模型。

具体的说，第二输入数据为每日的车流量数据，每日车流量数据可以是每日中每小时的车流量之和。训练日流量模型的第二输入数据选取方式与上述的第一输入数据获取方式大致相同，第二输出数据的获取方式与上述第一输出数据的获取方式大致相同，此次将不再赘述。

需要说明的是，训练日流量模型需要通过大量的第二输入数据和第二输出数据进行训练获得，训练的方式可以采用机器学习的方式(如，逻辑回归法)，或者采用深度学习的方式(如，卷积神经算法)，本实施方式不限制训练的方式，但应选择精度高的算法为宜。

步骤102：根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值。

下面根据一种数据源的车流量数据和对应的数据源的初始预测模型，确定所需时间段的初始车流量预测值为例进行说明，具体包括如下子过程，如图2所示：

子步骤1021：将车流量数据通过百分比模型，获得所需时间段的初始车流量百分比。

具体的说，将车流量数据转化为百分比数据格式，其中，百分比为单日每个小时的车流量与单日内车流量之比，将百分比数据作为该百分比模型的输入，则该百分比模型将输出所需时间段的初始车流量百分比。

子步骤1022：将车流量数据通过日流量模型，获得所需时间段的初始日流量数据。

具体的说，与步骤1021类似，将车流量数据中每日的车流量数据作为该日流量模型的输入数据，即可得到所需时间段的初始日流量数据。

子步骤1023：将初始车流量百分比与初始日流量数据之积作为所需时间段的初始预测值。

由于百分比模型和日流量模型的是通过不同的算法构建，两种模型的输出精确度会不同，从而通过将初始车流量百分比与初始车流量数据之积，可以对输出的初始车流量预测值进行矫正，避免初始车流量预测值出现较大的误差。

步骤103：根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值。

具体的说，每种数据源对车流量的影响力是不同的，可以根据历史车流量数据确定每种数据源各自对应的权重，对每种数据源的初始车流量预测值与对应的权重之积进行求和，并将计算的和值作为所需时间段的车流量预测值。

本发明实施方式相对于现有技术而言，获取至少两种数据源在当前时刻之前的车流量数据，由于获取了多种数据源，使得用于预测所需时间段的车流量预测值的数据涉及的范围广，同时，由于每个数据源中的呈现的规律不同，为每个数据源都设置有各自对应的初始预测模型，使得每个数据源的车流量数据可以通过符合各自规律的初始预测模型对车流量进行初始预测；且每种数据源对车流量的影响是不同的，通过每种数据源对应的权重反映每种数据源对车流量的影响力，从而使得最终确定的所需时间段的车流量数据更加符合实际的车流量数据，提高对车流量预测的准确度。

本发明的第二实施方式涉及一种车流量预测的方法。第二实施方式是对第一实施方式的进一步改进，主要改进之处在于：在本发明第二实施方式中，在根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型之前，车流量预测的方法还包括：对每种数据源的历史车流量数据进行预处理。该车流量预测的方法的具体流程如图3所示。

步骤201：获取每种数据源的历史车流量数据。

具体的说，获取历史每种数据源的历史车流量数据，历史车流量数据为属于第二预设时间段内的客流量数据，获取的过程与第一实施方式中获取历史车流量数据的方式大致相同，本实施方式将不再赘述。

步骤202：对每种数据源的历史车流量数据进行预处理。

一个具体的实现中，从每种数据源的历史车流量数据中去除属于异常的车流量数据和/或补充缺失的车流量数据。

具体的说，从每种数据源的历史车流量数据存在异常数据和缺失数据的可能性，为了确保历史车流量数据的准确性，可以取出异常数据或者补充缺失的车流量数据，或者去除属于异常的数据和补充缺失的车流量数据。对每种数据源的历史车流量数据进行预处理的方式有多种，下面介绍三种预处理的方式：

方式一：采用机器学习的方式，去除每个数据源的历史车流量数据中异常的车流量数据，同时，并通过机器学习的方式补充缺失的车流量数据。

具体的说，机器学习的方式可以采用递归神经网络(Recurrent neural network，简称“RNN”)、多层神经网络(Multi-Layer Perceptron，简称“MLP”)等，本实施方式不对此进行限制。下面以一个视频分析的历史车流量数据为例，介绍该预处理的过程。

获取过去5年的车流量数据，采用CNN的机器学习方法，去除视频分析的历史车流量数据中的明显异常的数据，比如:第1年、第2年、第3年以及第5年，在这4年中，每年的10月1为车流量的高峰期，车流量数据高，但是第4年的10月1日的车流量数据明显小于其他年份的车流量数据的平均值，则可以确定该第4年的10月1日的车流量数据为异常数据，那么去除第4年10月1日的车流量数据，根据对其他4年的车流量数据的学习，可以计算出第4年10月1日的车流量数据，并将计算的车流量数据补充为第4年10月1日的车流量数据。其中，机器学习的过程，此处不再进行赘述。

方式二：去除历史车流量数据中明显的异常的数据，异常数据可以通过具加权平均的方式，判定异常数据(例如，将低于加权平均值的数据判定为异常数据)，也可以使用计算的加权平均值补充缺失的车流量数据。需要说明的是，去除了异常的车流量数据后，按照缺失的车流量数据进行处理，即先去除异常的车流量数据，再按照补充缺失的车流量数据的方式，补充被去除的车流量数据。

方式三：将方式一和方式二相结合，即可以通过机器学习的方式去除异常数据，还可以通过加权平均的方式对缺失的车流量数据进行补偿，或者，通过加权平均的方式判断异常的车流量数据，并去除属于异常的车流量数据，通过机器学习的方式补充缺失的车流量数据。

当然，也可以用其他方式对对每种数据源的历史车流量数据进行预处理，本实施例中不再一一列举。

步骤203：根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型。

该步骤与第一实施方式中根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型的过程大致相同，此处不再进行赘述。

步骤204：获取至少两种数据源在当前时刻之前的车流量数据。

步骤205：根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值。

步骤206：根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所述所需时间段的车流量预测值。

需要说明的是，本实施方式中的步骤204至步骤206与第一实施方式中的步骤101至步骤103大致相同，此处将不再进行赘述。

本实施方式提供的车流量预测的方法，通过对每种数据源的历史车流量数据进行预处理，使得可以修正历史车流量数据，从而确保后续通过历史车流量数据可以准确构建出对应的初始预测模型，提高对车流量预测的准确性；通过去除异常的车流量数据，避免异常数据影响准确构建初始预测模型，补充缺失的车流量数据，也可以避免影响对初始模型的构建。

本发明的第三实施方式涉及一种车流量预测的方法。第三实施方式是对第二实施方式的进一步改进，主要改进之处在于：在本发明第三实施方式中，在分别确定每种数据源各自对应的初始预测模型之后，且在获取至少两种数据源在当前时刻之前的车流量数据之前，确定每种数据源各自对应的权重。该车流量预测的方法具体流程如图4所示。

步骤301：获取每种数据源的历史车流量数据。

步骤302：对每种数据源的历史车流量数据进行预处理。

步骤303：根据每种数据源的历史车流量数据，分别确定每种数据源各自对应的初始预测模型。

步骤304：根据每种数据源中属于第一预设天数内的历史车流量数据以及每种数据源各自对应的初始预测模型，得到每种数据源各自对应的历史初始车流量预测值。

具体的说，在确定出每种数据源各自对应的初始预测模型后，需要确定每种数据源对应的权重。选取每种数据源中属于第一预设天数内的历史车流量数据作为各自对应的初始预测模型的输入数据，通过各自对应的初始预测模型，即可得到每种数据源各自对应的历史初始车流量预测值。

步骤305：将属于第二预设天数的历史车流量数据作为历史车流量预测值。

步骤306：根据每个历史初始车流量预测值以及车流量预测值，确定出每种数据源各自对应的权重。

具体的说，可以通过机器学习的方式确定每个历史初始车流量预测值、车流量预测值以及每种数据源各自对应的权重之间的对应关系，将每个历史初始车流量预测值作为机器学习的输入数据，将车流量预测值作为输出数据，即可确定出每种数据源各自对应的权重。

例如，假设有两种数据源的历史车流量数据，y(1)和y(2)分别表示两种数据源各自对应的历史初始车流量预测值1和历史初始车流量预测值2；w1为数据源1对应的权重，w2为数据源2对应的权重，Y为车流量预测值，那么，根据公式y(1)w1+y(2)w2＝Y，以及大量的历史初始车流量预测值，通过机器学些，即可确定w1和w2。可以理解的是，机器学习可以采用决策树算法、线性回归算法等。

步骤307：获取至少两种数据源在当前时刻之前的车流量数据。

步骤308：根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值。

步骤309：根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值。

需要说明的是，本实施方式中的步骤301至步骤303与第二实施方式中的步骤201至步骤203大致相同，本实施方式中的步骤307至步骤309与第二实施方式中的步骤204至步骤206大致相同，此处均不再进行赘述。

本实施方式中提供的车流量预测的方法，通过每个历史初始车流量预测值以及车流量预测值，可以准确地确定出每种数据源各自对应的权重，从而使得在对所需时间段进行车流量预测的时候，可以快速确定初始车流量预测值对应的权重，从而准确、快速地确定出所需时间段的车流量预测值。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包括相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本发明第四实施方式涉及一种车流量预测的装置，该车流量预测的装置，包括：获取模块401、初始预测模块402和车流量预测模块403，具体的结构如图5所示。

获取模块401用于获取至少两种数据源在当前时刻之前的车流量数据；初始预测模块402用于根据每种数据源的车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值；车流量预测模块403用于根据确定的每种数据源的初始车流量预测值和每种数据源对应的权重，确定所需时间段的车流量预测值。

不难发现，本实施方式为与第一实施方式相对应的系统实施例，本实施方式可与第一实施方式互相配合实施。第一实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在第一实施方式中。

值得一提的是，本实施方式中所涉及到的各模块均为逻辑模块，在实际应用中，一个逻辑单元可以是一个物理单元，也可以是一个物理单元的一部分，还可以以多个物理单元的组合实现。此外，为了突出本发明的创新部分，本实施方式中并没有将与解决本发明所提出的技术问题关系不太密切的单元引入，但这并不表明本实施方式中不存在其它的单元。

本发明第五实施方式涉及一种服务器，该服务器50包括：至少一个处理器501；以及，与至少一个处理器501通信连接的存储器502；其中，存储器502存储有可被至少一个处理器501执行的指令，指令被至少一个处理器501执行，以使至少一个处理器501能够执行如第一实施方式、第二实施方式或第三实施方式中的车流量预测的方法。具体结构如图6所示。

其中，存储器502和处理器501采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器501和存储器502的各种电路链接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器501处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器501。

处理器501负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器502可以被用于存储处理器501在执行操作时所使用的数据。

本领域技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请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。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (8)

1.一种车流量预测的方法，其特征在于，包括：

获取至少两种数据源在当前时刻之前的车流量数据；

根据每种数据源的所述车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值，所述初始预测模型包括：百分比模型和日流量模型，所述百分比模型用于预测单日内预设时间间隔内的车流量与每日车流量的百分比，所述日流量模型用于预测单日的车流量；

根据确定的每种数据源的所述初始车流量预测值和每种数据源对应的权重，确定所述所需时间段的车流量预测值；

在所述获取至少两种数据源在当前时刻之前的车流量数据之前，获取每种数据源的历史车流量数据；从每种数据源的历史车流量数据中去除属于异常的车流量数据和补充缺失的车流量数据；根据每种数据源的所述历史车流量数据，分别确定每种数据源各自对应的所述初始预测模型；

所述从每种数据源的历史车流量数据中去除属于异常的车流量数据和补充缺失的车流量数据，包括：

采用机器学习的方式去除每个数据源的历史车流量数据中异常的车流量数据，并通过机器学习的方式补充缺失的车流量数据；

或者，

采用加权平均的方式判定异常的车流量数据，去除每个所述数据源的历史车流量数据中所述异常的车流量数据，并根据计算的加权平均值补充缺失的车流量数据；

或者，

采用机器学习的方式去除每个数据源的历史车流量数据中异常的车流量数据，并采用加权平均的方式对缺失的车流量数据进行补偿；

或者，

采用加权平均的方式判断异常的车流量数据，去除每个所述数据源的历史车流量数据中所述异常的车流量数据，采用机器学习的方式补充缺失的车流量数据。

2.根据权利要求1所述的车流量预测的方法，其特征在于，根据每种数据源的所述历史车流量数据，分别确定每种数据源各自对应的所述初始预测模型，具体包括：

对每种数据源的所述历史车流量数据进行以下操作：

从所述历史车流量数据中选取属于第一预设天数内所述预设时间间隔的数据作为构建所述百分比模型的第一输入数据，从所述历史车流量数据中选取属于第二预设天数内的所述预设时间间隔的数据作为构建所述百分比模型的第一输出数据，根据所述第一输入数据和所述第一输出数据训练获得所述百分比模型；

从所述历史车流量数据中选取属于所述第一预设天数内的每日数据作为构建所述日流量模型的第二输入数据，从所述历史车流量数据中选取属于所述第二预设天数内的每日数据作为构建所述日流量模型的第二输出数据，根据所述第二输入数据和所述第二输出数据，训练获得所述日流量模型。

3.根据权利要求1至2中任一项所述的车流量预测的方法，其特征在于，在根据每种数据源的所述历史车流量数据，分别确定每种数据源各自对应的所述初始预测模型之前，所述车流量预测的方法还包括：

对每种数据源的所述历史车流量数据进行预处理。

4.根据权利要求2所述的车流量预测的方法，其特征在于，在分别确定每种数据源各自对应的所述初始预测模型之后，且在获取至少两种数据源在当前时刻之前的车流量数据之前，所述车流量预测方法还包括：

根据每种数据源中属于所述第一预设天数内的历史车流量数据以及每种数据源各自对应的所述初始预测模型，得到每种数据源各自对应的历史初始车流量预测值；

将属于所述第二预设天数的历史车流量数据作为历史车流量预测值；

根据每个历史初始车流量预测值以及所述车流量预测值，确定出每种数据源各自对应的权重。

5.根据权利要求1所述的车流量预测的方法，其特征在于，根据确定的每种数据源的所述初始车流量预测值和每种数据源对应的权重，确定所述所需时间段的车流量预测值，具体包括：

对每种数据源的所述初始车流量预测值与对应的权重之积进行求和，并将计算的和值作为所述所需时间段的车流量预测值。

6.根据权利要求1所述的车流量预测的方法，其特征在于，所述根据每种数据源的所述车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值，具体包括：

对每种数据源的所述车流量数据进行以下处理：

将所述车流量数据通过所述百分比模型，获得所需时间段的初始车流量百分比；

将所述车流量数据通过所述日流量模型，获得所需时间段的初始日流量数据；

将所述初始车流量百分比与所述初始日流量数据之积作为所述所需时间段的初始预测值。

7.一种车流量预测的装置，其特征在于，包括：获取模块、初始预测模块车流量预测模块和初始预测模型确定模块；

所述获取模块用于获取至少两种数据源在当前时刻之前的车流量数据；

所述初始预测模块用于根据每种数据源的所述车流量数据以及每种数据源各自对应的初始预测模型，分别确定每种数据源各自对应的所需时间段的初始车流量预测值，所述初始预测模型包括：百分比模型和日流量模型，所述百分比模型用于预测单日内预设时间间隔内的车流量与每日车流量的百分比，所述日流量模型用于预测单日的车流量；

所述车流量预测模块用于根据确定的每种数据源的所述初始车流量预测值和每种数据源对应的权重，确定所述所需时间段的车流量预测值；

所述初始预测模型确定模块用于在所述获取至少两种数据源在当前时刻之前的车流量数据之前，获取每种数据源的历史车流量数据；从每种数据源的历史车流量数据中去除属于异常的车流量数据和补充缺失的车流量数据；根据每种数据源的所述历史车流量数据，分别确定每种数据源各自对应的所述初始预测模型；

所述从每种数据源的历史车流量数据中去除属于异常的车流量数据和补充缺失的车流量数据，包括：

采用机器学习的方式去除每个数据源的历史车流量数据中异常的车流量数据，并通过机器学习的方式补充缺失的车流量数据；

或者，

采用加权平均的方式判定异常的车流量数据，去除每个所述数据源的历史车流量数据中所述异常的车流量数据，并根据计算的加权平均值补充缺失的车流量数据；

或者，

采用机器学习的方式去除每个数据源的历史车流量数据中异常的车流量数据，并采用加权平均的方式对缺失的车流量数据进行补偿；

或者，

采用加权平均的方式判断异常的车流量数据，去除每个所述数据源的历史车流量数据中所述异常的车流量数据，采用机器学习的方式补充缺失的车流量数据。

8.一种服务器，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如权利要求1-6任一所述的车流量预测的方法。

Images