CN110444022A - 交通流数据分析模型的构建方法和装置 - Google Patents

交通流数据分析模型的构建方法和装置 Download PDF

Info

Publication number
CN110444022A
CN110444022A CN201910754650.8A CN201910754650A CN110444022A CN 110444022 A CN110444022 A CN 110444022A CN 201910754650 A CN201910754650 A CN 201910754650A CN 110444022 A CN110444022 A CN 110444022A
Authority
CN
China
Prior art keywords
traffic flow
flow data
section
angle value
sections
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
CN201910754650.8A
Other languages
English (en)
Inventor
杜艳艳
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 CN201910754650.8A priority Critical patent/CN110444022A/zh
Publication of CN110444022A publication Critical patent/CN110444022A/zh
Priority to PCT/CN2019/117989 priority patent/WO2021027153A1/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data

Abstract

本发明为数据处理技术领域，本发明提供一种交通流数据分析模型的构建方法和装置，所述方法包括建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。该方法填补了对长期的交通流数据的分析工具的空缺，提高了交通流数据预测的效率。

Description

交通流数据分析模型的构建方法和装置
技术领域
本发明涉及数据处理技术领域，具体而言，本发明涉及一种交通流数据分析模型的构建方法和装置。
背景技术
随着城市交通网络的发展，交通流量更容易受多方面的因素影响，随机性的特点也越来越突出。目前，针对这个问题，运用了智能交通系统，对应近期同一时间段的历史交通流数据的进行收录，并根据该收录的内容，对近期的交通流量进行预测。但该方法虽然能对实时的交通流数据起到一定的预测作用，但没有一种能广泛适用于长期的路况分析工具，无助于交通流长期的预测工作。
发明内容
为克服以上技术问题，特别是现有技术中只能从短期的同一时间段获取历史交通流数据，不能很好解决对长期的交通流数据的预测的问题，特提出以下技术方案：
第一方面，本发明提供一种基于交通流数据分析模型的构建方法，其包括如下步骤：
建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；
获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；
根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；
利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
在其中一个实施例中，所述根据设定的最大迭代次数，对每个路段的所述训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值的步骤包括：
根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法分别得到每个路段更新后的适应度值；
依据更新后的适应度值，分别与全局最优适应度值与局部适应度值比较，得到所述所有路段的最优适应度值。
在其中一个实施例中，按照每个所述路段的历史交通流数据的繁忙级别，依据每次更新迭代的每个所述路段的适应度值从小到大的顺序分配至各个繁忙级别，得到各个交通流子集；
所述依据更新后的适应度值，分别与全局最优适应度值与局部适应度值比较，得到所述所有路段的最优适应度值的步骤包括：
根据单个交通流子集所设定的最大迭代次数对所有交通流子集中当前的交通流子集的最大适应度值进行更新；
当单个交通流子集所设定的最大迭代次数小于全局混合迭代次数时，则根据剩余的迭代次数对全局的路段的最大适应度值进行更新；
依据更新后的最大适应度值，计算得到所述路段的最小适应度值，并以所述最小适应度值作为最优适应度值。
在其中一个实施例中，所述利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到交通流数据分析模型的步骤，包括：
利用所有路段的最优适应度值，根据适应度函数曲线得到混合蛙跳算法中对应青蛙元素的位置；
根据所述对应青蛙元素的位置的向量，得到所述连接权值的最优解；
依据所述连接权值的最优解，构建得到交通流数据分析模型。
在其中一个实施例中，在所述目标区域中，根据交通量的方向，将所有路段分为注入交通流和疏导交通流；
所述根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值的步骤，包括：
根据设定的最大迭代次数，对每个路段的各个方向的交通流的训练样本进行更新；
利用混合蛙跳算法，分别以每个路段的各个方向的交通流数据计算对应的适应度值。
在其中一个实施例中，所述交通流数据分析模型的构建方法，还包括：
将每个路段的各个方向的交通流数据，输入所述交通流数据分析模型，得到所有路段的交通流的预测数据；
根据所有路段的交通流的预测数据，得到所述目标区域的交通流的预测数据。
在其中一个实施例中，在所述根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值的步骤之前，还包括：
对于交通流数据分析模型，分别根据经验值对连接权值、伸缩因子和平移因子进行初始化设置。
第二方面，本发明还提供一种交通流数据分析模型的构建装置，其包括：
提取模块，用于建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；
训练样本设定模块，用于获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；
迭代计算模块，用于根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；
构建模块，用于利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
第三方面，本发明还提供一种服务器，其包括：
一个或多个处理器；
存储器；
一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行上述第一方面的实施例所述交通流数据分析模型的构建方法。
第四方面，本发明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上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面的实施例所述交通流数据分析模型的构建方法。
本发明所提供的一种交通流数据分析模型的构建方法和装置，通过与交通流数据监控系统的数据通道获取目标区域所有路段的交通流数据；并根据设定时间段的不同子时间段的历史交通流数据作为训练样本，利用混合蛙跳算法得到最优适应度值，得到小波神经网络的交通流数据分析模型。
在此基础上，本发明还对所述交通流数据分析模型的构建方法和装置的技术方案进行进一步的技术优化，将所述目标区域的所有路段的交通流方向分为注入方向和疏导方向，分别利用混合蛙跳算法对每个路段的注入交通流和所述疏导交通流进行训练，得到对应的交通流数据分析模型。该交通流数据分析模型分别对所述注入交通流和所述疏导交通流进行预测，可更精准地得到所述目标区域的所有路段的交通流的预测结果。
本发明所提供的技术方案运用了混合蛙跳算法得到小波神经网络的预测模型的连接权值，其运用了混合蛙跳算法的全局搜索能力强、收敛速度快、参数配置少的特点，使得可快速收敛得到全局最优解，故利用混合蛙跳算法得到的初始化小波神经网络参数训练交通流数据分析模型在对交通流进行预测时，可以达到提高预测速度和预测精度的目标。同时，本发明提供的交通流数据分析模型的构建方法和装置，由于全局搜索能力强，通过更新迭代后，能很好适应不同的交通流数据的数据样本，因此能根据不同时期不同时段的交通流数据构建对应的交通流数据分析模型，填补了对长期的交通流数据的分析工具的空缺。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明中的一个实施例的交通流数据分析模型的构建方法的流程图；
图2为本发明中的另一个实施例的交通流数据分析模型的构建方法的流程图；
图3为本发明中的一个实施例的交通流数据分析模型的构建装置的示意图；
图4为本发明中的一个实施例的服务器的结构示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。
该方法虽然能对实时的交通流数据起到一定的预测作用，但没有一种能广泛适用于长期的路况分析模型，无助于交通流长期的预测工作。
目前缺乏针对长期且能广泛应用的路况分析工具的问题，本发明提供一种交通流数据分析模型的构建方法，请参考图1所示，图1是一个实施例的交通流数据分析模型的构建方法的流程图，包括以下步骤：
S110、建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据。
在本发明中，所述目标区域为包括若干路段的区域。所述路段为一般的行车路段，其必定与其他路段形成直接或间接的连接关系，而且与所有路段的交通流数据会产生相互影响，作用于与其对应连接的其他路段的交通流数据，尤其是直接向所述目标路段输入或输出交通流的路段。
对于所有路段的交通流数据的获取是利用交通流数据监控系统完成的。在获取相应路段的交通流数据时，首先确定所述目标区域对应的路段，并对所述路段添加标注。依据所述路段的标注，通过与所述交通流数据监控系统建立的数据通道，获取对应路段的交通流数据。
S120、获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本。
在本实施例中，将所述目标区域的所有路段的交通流数据的评估时间段确定为设定时间段，将所述评估时间段分隔成若干个等时间间隔的子时间段。针对所述目标区域中的每个路段，获取其每个子时间段中的交通流数据，并以部分的该交通流数据作为训练样本xit。
S130、根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值。
对于该步骤，运用混合蛙跳算法，对每个路段的交通流数据进行适应度值的计算得到最优适应度值，对所述交通流数据分析模型进行训练。
在运用所述混合蛙跳算法进行训练的过程中，将步骤S120得到的所述训练样本作为所述混合蛙跳算法的元素，根据设定的最大迭代次数，计算各个训练样本对应的适应度值。经过各个训练样本的适应度对比，得到最小适应度值，并以此作为最优适应度值。
其中，适应度值为在混合蛙跳算法反映青蛙原色当前位置优劣的一个参数。
S140、利用所述所有路段的最优适应度值计算得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
在本步骤中，利用步骤S130得到的最优适应度值计算得到连接权值。将所述连接权值输入至所述小波神经网络中，得到所述小波神经网络的交通流数据分析模型。在本实施例中，利用混合蛙跳算法对所述小波神经网络进行训练所得到的交通流数据分析模型，与仅仅依靠计算连接权重的预测值与实际值比较误差，根据该误差的大小不断调整小波神经网络的参数，直至预测值越来越接近真实的值的做法相比，更容易得到与实际匹配的连接权值。
所述连接权值包括第一连接权值和第二连接权值。所述第一连接权值为所述小波神经网络构建的预测模型的输入层的连接权值，若其表示输入层的第i个节点到隐含层的第j个节点之间的连接权值，可记录为Wij，其中，j＝1,2,…l，l表示隐含层的节点数。所述第二连接权值为所述小波神经网络构建的预测模型的隐含层的连接权值，若其代表隐含层的第j个节点到输出层的第k个节点之间的连接权值，可记录为Wjk，其中，k＝1,2,…m，m表示输出层的节点数。
本发明提供的一种交通流数据分析模型的构建方法，通过与获取交通流数据监控系统建立的数据通道获取的关于目标区域对应路段的交通流数据，针对设定时间段的不同子时间段的历史交通流数据作为训练样本，并根据设定的最大迭代次数，利用混合蛙跳算法得到所有路段的最优适应度值，并根据所述最优适应度值得到小波神经网络的连接权值，构建得到基于小波神经网络的交通流数据分析模型。本发明通过混合蛙跳算法对所述小波神经网络进行训练，得到所述交通流数据分析模型，可以通过获取所述路段不同时期的不同时间段的交通流数据对所述目标路段的交通流进行预测，解决了现有技术中只能简单的短期内同一时间段的历史交通流进行预测，无法满足长期对所述目标路段的交通流预测的问题。
对于步骤S130，其可进一步包括以下步骤：
A1、根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法分别得到每个路段更新后的适应度值。
在该步骤中，利用所述混合蛙跳群算法设定的最大迭代次数，对每个路段的所述训练样本xit进行更新。
根据所述更新后的所述训练样本xit，计算得到每个路段经过更新后的适应度值。
适应度值具体的计算过程如下：
适应度值：
其中，yi是通过小波神经网络模型算出的，输出层的公式如下：
其中，h(j)表示隐含层第j个节点的输出结果，选用的隐含层输出公式为：
其中，适应度值为小波神经网络的预测误差值，yi为第i个节点的预测输出，mi为第i个节点的期望输出，该期望输出为取所获得的交通流数据的变量样本；ai为伸缩因子、bi为平移因子。
为了得到各个路段的适应度值，在步骤S130之前，即在利用混合蛙跳算法得到所述路段的最优适应度之前，需要小波神经网络的交通流数据分析模型，并根据经验值对上述的小波神经网络的第一连接权值Wij、第二连接权值Wjk、伸缩因子ai、平移因子bi进行初始化设置，以计算得到各个路段的适应度值。
A2、依据更新后的适应度值，分别与全局最优适应度值与局部适应度值比较，得到所述所有路段的最优适应度值。
根据更新后的适应度值，经过所有的所述路段的适应度值的分子群体并比较得到局部最优适应度值，经过所有的所述路段的适应度值的比较得到全局最优适应度值。根据在每次迭代更新时对最大适应度值进行更新，以最终更新得到的最大适应度值计算最小适应度值，并以所述最小适应度值作为最优的适应度值。
对于上述的所述路段的适应度值的获取与划分，可以按照每个路段的历史交通流数据的繁忙级别，依据每次更新迭代的每个路段的适应度值从小到大的顺序逐一分配至各个繁忙级别，得到各个交通流子集。
具体地，根据历史交通流数据的繁忙级别，对应分成若干个交通流子集，如第1、2、3……n个子集。并根据依据每次更新迭代的每个路段的适应度值从小到大进行排序，得到第1、2、3……，n+m个适应度值，并将排序第1位的适应度值分入至第1个子集，将排序第2位的适应度值分入至第2个子集，……,将排序第n位的适应度值分入至第n个子集。最终得到各个交通流子集。
在此基础上，上述步骤A2可以进一步包括：
A21、根据单个交通流子集所设定的最大迭代次数对所有交通流子集中当前的交通流子集的最大适应度值进行更新。
为了方便计算，每个交通流子集的最大迭代次数设定值一致。根据交通流子集所设定的最大迭代次数，针对设定时间段内的不同子时间段，对每个交通流子集中的每个路段的训练样本进行更新迭代，并对对应交通流子集当前的最大适应度值进行更新，得到该交通流子集中当前的最大适应度值。
A22、当单个交通流子集所设定的最大迭代次数小于全局混合迭代次数时，则根据剩余的迭代次数对全局的路段的最大适应度值进行更新。
在对每个交通流子集进行更新时，当满足单个交通流子集所设定的最大迭代次数时，所有交通流子集均完成了局部深度搜索后，若满足全局混合迭代次数时，更新过程结束，得到全局的路段的最后一次最大适应度值，并计算计算得到最小适应度值。
具体的运算过程如下：
每次迭代中，首先确定当前迭代中子集的适应度值最大的路段为Xw、适应度值最小的路段为Xb和所有路段中适应度值最小的路段为Xg；首先，只对该子集中当前的适应度值最大的路段为Xw进行更新操作，更新策略如下。
蛙跳步长更新公式：
Ωi＝rand().(Xb-Xw)
(||Ωmin||≤||Ωi||≤||Ωmax||) (1)
青蛙个体的位置更新公式：
newXw＝Xw+Ωi (2)
其中，Ωi表示青蛙个体的更新步长，i＝1，2，…，N；rand()
为均匀分布在[0，1]之间的随机数；||Ωmax||表示所允许更新的最大蛙跳步长；||Ωmin||表示所允许更新的最小蛙跳步长。执行更新策略(1)(2)。
如果newXw的适应度值小于原来Xw的适应度值，则用更新后的路段取代当前迭代中子集的当前子集中适应度最大的路段。
当所有交通流子集的局部深度搜索完成以后，将所有的路段重新混合排序并再次划分子群体，然后再进行局部深度搜索，如此反复直到满足混合迭代次数。
若单个交通流子集所设定的最大迭代次数小于全局混合迭代次数，则重新对每一次迭代更新得到的最新的关于所有的适应度值进行排序，然后按照上述方式逐一分配至各个交通流子集中，先对所有交通流子集的最大适应度值进行更新。根据剩余的迭代次数，重复上述计算和更新，得到针对全局的路段的最后一次最大适应度值。
具体的运算过程如下：
蛙跳步长更新公式：
Ωi＝rand().(Xg-Xw)
(||Ωmin||≤||Ωi||≤||Ωmax||) (3)
青蛙个体的位置更新公式：
new Xw＝Xw+Ωi (4)
执行更新策略(3)(4)。
如果newXw的适应度值仍然没有改进，则随机产生一个新的Xw。
A23、依据更新后的最大适应度值，计算得到所述路段的最小适应度值，并以所述最小适应度值作为最优适应度值。
根据上述步骤A22得到最后一次的最大适应度值，计算得到所述最小适应度值，并以此作为最优适应度值。
借助混合蛙跳算法具有全局搜索能力的特点，本发明提供的交通流数据分析模型的构建方法能收敛于全局最优解，所以，有利于提高预测速度和预测精度。
在上述得到的最优适应度值的前提下，对于步骤S140还可以包括以下步骤：
B1、利用所有路段的最优适应度值，根据适应度函数曲线得到混合蛙跳算法中对应青蛙元素的位置。
根据从步骤S130得到的最优适应度值，并利用青蛙群算法的适应度函数的曲线图像，得到与所述最优适应度值对应的青的蛙位置元素的向量值。
在本实施例中，所述青蛙元素的位置的向量值为：
xid＝(Wij，Wjk,aj,bj) (5)
其中，xid为xit的向量的表现形式。
所述适应度函数用于表征问题中的全体个体与其适应度之间的对应关系的函数。
B2、根据所述对应青蛙元素的位置的向量，得到所述连接权值的最优解。
利用适应度值函数的曲线图像所得到的青蛙元素的位置的向量是关于小波神经网络的所述第一连接权值Wij、所述第二连接权值Wjk、伸缩因子ai和平移因子bi的向量。
利用适应度函数，根据所述最优适应度值，计算得到所述第一连接权值Wij和所述第二连接权值Wjk的最优解。
将得到的所述第一连接权值Wij和所述第二连接权值Wjk的最优解待入所构建的小波神经网络模型中，得到针对该路段的最优的交通流数据分析模型。
将之前获取得到的关于各个路段的交通流数据的测试样本输入至所述交通流数据分析模型中，得到所述目标区域的交通流的预测数据。
借助混合蛙跳算法具有全局搜索能力、收敛速度快，参数配置少的特点，本发明提供的交通流数据预测方法更容易收敛于全局最优解，有利于提高预测速度和预测精度。
在上述描述中所涉及的关于交通流数据的训练样本、测试样本、变量样本的相加是针对所有路段在设定时间段的不同子时间段的所获取的交通流数据的总和，根据经验值对上述三个样本进行比例设置。
在本实施例中，为了以利用尽量多的交通流数据进行训练得到所述预测能力更好的预测模型，将所述训练样本的占比设定为65％，变量样本的占比设定为10％，测试样本的占比设定为25％。
将得到的各个样本对应的交通流数据分别按照比例分配并待入，进行数据处理，得到所述目标区域的交通流的预测数据。
参照图2，图2为本发明中的另一个实施例的交通流数据分析模型的构建方法的流程图。为了能以训练得到更为精准的预测模型，在这一实施例中，在所述目标区域中，根据交通量的方向，将所有路段分为注入交通流和疏导交通流。
针对上述对路段的交通流的划分，步骤S130可进一步包括：
S131、根据设定的最大迭代次数，对每个路段的各个方向的交通流的训练样本进行更新。
利用所述混合蛙跳算法设定的最大迭代次数，对每个路段的注入交通流和疏导交通流的对应的训练样本进行更新。
对于实际路段场景来将，每个路段的注入交通流和疏导交通流为在一个路段中互为相反方向的行车道的交通流。
S132、利用混合蛙跳算法，分别以每个路段的各个方向的交通流数据计算对应的适应度值。
根据更新后的训练样本，分别计算每个注入交通流和疏导交通流的适应度值。
具体的计算过程参照上述的公式(1)-(4)。
分别对所述注入交通流的适应度值和所述疏导交通流的适应度值进行更新迭代和比较，分别得到所有注入交通流的最优适应度值和所有疏导交通流的最优适应度值。
分别对应所述注入交通流的适应度值或所述疏导交通流的适应度值的最优适应度值的计算如下：
对于上述注入交通流或疏导交通流的适应度值的划分与计算，可以依据历史交通流数据，对每个注入交通流或疏导交通流进行繁忙等级的划分，并对所有注入交通流或疏导交通流根据繁忙等级，划分为不同的注入交通流集或疏导交通流集。
C1、根据每个注入交通流集和疏导交通流集所设定的最大迭代次数对所有交通流子集中当前的注入交通流集和疏导交通流集的最大适应度值进行更新。
C2、当注入交通流集和疏导交通流集所设定的最大迭代次数小于全局混合迭代次数时，则根据剩余的迭代次数对全局的路段的最大适应度值进行更新。
C3、分别依据更新后的注入交通流集和疏导交通流集最大适应度值，计算得到所述注入交通流和疏导交通流的各自最小适应度值，并以各自的所述最小适应度值作为最优适应度值。
在此基础上，所述一种交通流数据分析模型的构建方法可包括：
D1、将每个路段的各个方向的交通流数据，输入所述交通流数据分析模型，得到所有路段的交通流的预测数据；
D2、根据所有路段的交通流的预测数据，得到所述目标区域的交通流的预测数据。
对于所有路段设定一个交通流方向为正，与其方向相反的交通流方向为负，将得到每个路段的注入交通流和疏导交通流输入至所述交通流数据分析模型，得到各自方向的交通流的预测数据。根据交通流的方向设置，将注入交通流和疏导交通流的预测数据进行相加计算，得到所有路段的交通流的预测数据。
根据各个路段的预测数据，最终得到所述目标区域的所有路段的交通流的预测数据。
在该实施例中，所述注入交通流的交通流数据和所述疏导交通流的交通流数据均包括各自对应的训练样本、变量样本和测试样本，其相加是分别针对所述注入交通流和所述疏导交通流在设定时间段的不同子时间段的所获取的交通流数据的总和，根据经验值分别对所述注入交通流和所述疏导交通流的上述三个样本进行比例设置。而且，为了满足对应的数据量进行数据处理，所述注入路段和所述疏导路段所各自对应样本的比例设置均相同。
在本实施例中，为了以利用尽量多的交通流数据进行训练得到所述预测能力更好的预测模型，对将所述训练样本的占比均设定为65％，变量样本的占比均设定为10％，测试样本的占比均设定为25％。
基于与上述交通流数据分析模型的构建方法相同的发明构思，本发明实施例还提供了一种交通流数据分析模型的构建装置，如图3所示，包括：
提取模块310，用于建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；
训练样本设定模块320，用于获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；
迭代计算模块330，用于根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；
构建模块340，用于利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
请参考图4，图4为一个实施例中服务器的内部结构示意图。如图4所示，该服务器包括通过系统总线连接的处理器410、存储介质420、存储器430和网络接口440。其中，该服务器的存储介质420存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器410执行时，可使得处理器410实现一种交通流数据分析模型的构建方法，处理器410能实现图3所示实施例中的一种交通流数据分析模型的构建装置中的提取模块310、训练样本设定模块320、迭代计算模块330和构建模块340的功能。该服务器的处理器410用于提供计算和控制能力，支撑整个服务器的运行。该服务器的存储器430中可存储有计算机可读指令，该计算机可读指令被处理器410执行时，可使得处理器410执行一种交通流数据分析模型的构建方法。该服务器的网络接口440用于与终端连接通信。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的服务器的限定，具体的服务器可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本发明还提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
综合上述实施例可知，本发明最大的有益效果在于：
本发明所提供的一种交通流数据分析模型的构建方法和装置，通过与交通流数据监控系统的数据通道获取目标区域所有路段的交通流数据；并根据设定时间段的不同子时间段的历史交通流数据作为训练样本，利用混合蛙跳算法得到最优适应度值，得到小波神经网络的交通流数据分析模型。
在此基础上，本发明还对所述交通流数据分析模型的构建方法和装置的技术方案进行进一步的技术优化，将所述目标区域的所有路段的交通流方向分为注入方向和疏导方向，分别利用混合蛙跳算法对每个路段的注入交通流和所述疏导交通流进行训练，得到对应的交通流数据分析模型。该交通流数据分析模型分别对所述注入交通流和所述疏导交通流进行预测，可更精准地得到所述目标区域的所有路段的交通流的预测结果。
本发明所提供的技术方案运用了混合蛙跳算法得到小波神经网络的预测模型的连接权值，其运用了混合蛙跳算法的全局搜索能力强、收敛速度快、参数配置少的特点，使得可快速收敛得到全局最优解，故利用混合蛙跳算法得到的初始化小波神经网络参数训练交通流数据分析模型在对交通流进行预测时，可以达到提高预测速度和预测精度的目标。同时，本发明提供的交通流数据分析模型的构建方法和装置，由于全局搜索能力强，通过更新迭代后，能很好适应不同的交通流数据的数据样本，因此能根据不同时期不同时段的交通流数据构建对应的交通流数据分析模型，填补了对长期的交通流数据的分析工具的空缺。
综上，本发明通过交通流数据分析模型的构建和装置，将利用混合蛙跳算法构建得到小波神经网络的交通流数据分析模型，填补了对长期的交通流数据的分析工具的空缺，提高了交通流数据预测的效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种交通流数据分析模型的构建方法，其特征在于，包括如下步骤：
建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；
获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；
根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；
利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
2.根据权利要求1所述的方法，其特征在于：
所述根据设定的最大迭代次数，对每个路段的所述训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值的步骤包括：
根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法分别得到每个路段更新后的适应度值；
依据更新后的适应度值，分别与全局最优适应度值与局部适应度值比较，得到所述所有路段的最优适应度值。
3.根据权利要求2所述的方法，其特征在于，
按照每个所述路段的历史交通流数据的繁忙级别，依据每次更新迭代的每个所述路段的适应度值从小到大的顺序分配至各个繁忙级别，得到各个交通流子集；
所述依据更新后的适应度值，分别与全局最优适应度值与局部适应度值比较，得到所述所有路段的最优适应度值的步骤包括：
根据单个交通流子集所设定的最大迭代次数对所有交通流子集中当前的交通流子集的最大适应度值进行更新；
当单个交通流子集所设定的最大迭代次数小于全局混合迭代次数时，则根据剩余的迭代次数对全局的路段的最大适应度值进行更新；
依据更新后的最大适应度值，计算得到所述路段的最小适应度值，并以所述最小适应度值作为最优适应度值。
4.根据权利要求3所述的方法，其特征在于：
所述利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到交通流数据分析模型的步骤，包括：
利用所有路段的最优适应度值，根据适应度函数曲线得到混合蛙跳算法中对应青蛙元素的位置；
根据所述对应青蛙元素的位置的向量，得到所述连接权值的最优解；
依据所述连接权值的最优解，构建得到交通流数据分析模型。
5.根据权利要求1所述的方法，其特征在于，
在所述目标区域中，根据交通量的方向，将所有路段分为注入交通流和疏导交通流；
所述根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值的步骤，包括：
根据设定的最大迭代次数，对每个路段的各个方向的交通流的训练样本进行更新；
利用混合蛙跳算法，分别以每个路段的各个方向的交通流数据计算对应的适应度值。
6.根据权利要求5所述的方法，其特征在于，还包括：
将每个路段的各个方向的交通流数据，输入所述交通流数据分析模型，得到所有路段的交通流的预测数据；
根据所有路段的交通流的预测数据，得到所述目标区域的交通流的预测数据。
7.根据权利要求1所述的方法，其特征在于，
在所述根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值的步骤之前，还包括：
对于交通流数据分析模型，分别根据经验值对连接权值、伸缩因子和平移因子进行初始化设置。
8.一种交通流数据分析模型的构建装置，其特征在于，包括：
提取模块，用于建立与交通流数据监控系统的数据通道，根据目标区域确定对应路段，从所述数据通道提取所述目标区域的交通流数据；
训练样本设定模块，用于获取每个路段在设定时间段的不同子时间段的历史交通流数据作为训练样本；
迭代计算模块，用于根据设定的最大迭代次数，对每个路段的训练样本进行更新，利用混合蛙跳算法得到所有路段的最优适应度值；
构建模块，用于利用所述所有路段的最优适应度值得到连接权值，根据所述连接权值构建得到小波神经网络的交通流数据分析模型。
9.一种服务器，其特征在于，包括：
一个或多个处理器；
存储器；
一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行根据权利要求1至7任一项所述交通流数据分析模型的构建方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现权利要求1至7任一项所述交通流数据分析模型的构建方法。
CN201910754650.8A 2019-08-15 2019-08-15 交通流数据分析模型的构建方法和装置 Pending CN110444022A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910754650.8A CN110444022A (zh) 2019-08-15 2019-08-15 交通流数据分析模型的构建方法和装置
PCT/CN2019/117989 WO2021027153A1 (zh) 2019-08-15 2019-11-13 交通流数据分析模型的构建方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910754650.8A CN110444022A (zh) 2019-08-15 2019-08-15 交通流数据分析模型的构建方法和装置

Publications (1)

Publication Number Publication Date
CN110444022A true CN110444022A (zh) 2019-11-12

Family

ID=68435801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910754650.8A Pending CN110444022A (zh) 2019-08-15 2019-08-15 交通流数据分析模型的构建方法和装置

Country Status (2)

Country Link
CN (1) CN110444022A (zh)
WO (1) WO2021027153A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027153A1 (zh) * 2019-08-15 2021-02-18 平安科技（深圳）有限公司 交通流数据分析模型的构建方法和装置
CN114023074A (zh) * 2022-01-10 2022-02-08 佛山市达衍数据科技有限公司 基于多信号源的交通拥堵预测方法、设备及介质
CN116029459A (zh) * 2023-02-28 2023-04-28 速度时空信息科技股份有限公司 结合图傅里叶变换tmgcn交通流预测模型的提取方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486933B (zh) * 2021-06-22 2023-06-27 中国联合网络通信集团有限公司 模型训练方法、用户身份信息预测方法及装置
CN116580564B (zh) * 2023-07-12 2023-09-15 北京赛目科技股份有限公司 一种交通流预测方法及装置
CN117373263B (zh) * 2023-12-08 2024-03-08 深圳市永达电子信息股份有限公司 一种基于量子鸽群算法的交通流量预测方法及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104599501A (zh) * 2015-01-26 2015-05-06 大连理工大学 一种混合人工鱼群算法优化支持向量回归的交通流预测方法
CN105631516A (zh) * 2015-11-16 2016-06-01 长沙理工大学 基于历史经验和实时调整相结合的粒子群优化算法
CN106600100A (zh) * 2016-11-01 2017-04-26 南京航空航天大学 一种基于加权的多种群粒子群优化的危险源原因分析方法
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN107085942A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种基于狼群算法的交通流预测方法、装置及系统
CN107085941A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种交通流预测方法、装置及系统
CN107103397A (zh) * 2017-06-26 2017-08-29 广东工业大学 一种基于蝙蝠算法的交通流预测方法、装置及系统
CN107293115A (zh) * 2017-05-09 2017-10-24 上海电科智能系统股份有限公司 一种用于微观仿真的交通流量预测方法
CN108399744A (zh) * 2018-02-24 2018-08-14 上海理工大学 基于灰色小波神经网络的短时交通流预测方法
CN108694356A (zh) * 2017-04-10 2018-10-23 京东方科技集团股份有限公司 行人检测装置及方法、辅助驾驶系统
WO2019001824A1 (de) * 2017-06-28 2019-01-03 Audi Ag Verfahren und system zur datenerhebung
CN109215344A (zh) * 2018-09-27 2019-01-15 中电科大数据研究院有限公司 用于城市道路短时交通流量预测的方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10320923B2 (en) * 2016-09-01 2019-06-11 Cisco Technology, Inc. Predictive resource preparation and handoff for vehicle-to-infrastructure systems
CN110444022A (zh) * 2019-08-15 2019-11-12 平安科技（深圳）有限公司 交通流数据分析模型的构建方法和装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104464291A (zh) * 2014-12-08 2015-03-25 杭州智诚惠通科技有限公司 一种交通流量预测方法和系统
CN104599501A (zh) * 2015-01-26 2015-05-06 大连理工大学 一种混合人工鱼群算法优化支持向量回归的交通流预测方法
CN105631516A (zh) * 2015-11-16 2016-06-01 长沙理工大学 基于历史经验和实时调整相结合的粒子群优化算法
CN106600100A (zh) * 2016-11-01 2017-04-26 南京航空航天大学 一种基于加权的多种群粒子群优化的危险源原因分析方法
CN106779198A (zh) * 2016-12-06 2017-05-31 广州市科恩电脑有限公司 一种道路拥堵情况分析方法
CN108694356A (zh) * 2017-04-10 2018-10-23 京东方科技集团股份有限公司 行人检测装置及方法、辅助驾驶系统
CN107293115A (zh) * 2017-05-09 2017-10-24 上海电科智能系统股份有限公司 一种用于微观仿真的交通流量预测方法
CN107085941A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种交通流预测方法、装置及系统
CN107103397A (zh) * 2017-06-26 2017-08-29 广东工业大学 一种基于蝙蝠算法的交通流预测方法、装置及系统
CN107085942A (zh) * 2017-06-26 2017-08-22 广东工业大学 一种基于狼群算法的交通流预测方法、装置及系统
WO2019001824A1 (de) * 2017-06-28 2019-01-03 Audi Ag Verfahren und system zur datenerhebung
CN108399744A (zh) * 2018-02-24 2018-08-14 上海理工大学 基于灰色小波神经网络的短时交通流预测方法
CN109215344A (zh) * 2018-09-27 2019-01-15 中电科大数据研究院有限公司 用于城市道路短时交通流量预测的方法和系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021027153A1 (zh) * 2019-08-15 2021-02-18 平安科技（深圳）有限公司 交通流数据分析模型的构建方法和装置
CN114023074A (zh) * 2022-01-10 2022-02-08 佛山市达衍数据科技有限公司 基于多信号源的交通拥堵预测方法、设备及介质
CN116029459A (zh) * 2023-02-28 2023-04-28 速度时空信息科技股份有限公司 结合图傅里叶变换tmgcn交通流预测模型的提取方法

Also Published As

Publication number Publication date
WO2021027153A1 (zh) 2021-02-18

Similar Documents

Publication Publication Date Title
CN110444022A (zh) 交通流数据分析模型的构建方法和装置
Li et al. Prediction for tourism flow based on LSTM neural network
CN109948029B (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN110443364A (zh) 一种深度神经网络多任务超参数优化方法及装置
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN110533183A (zh) 一种流水线分布式深度学习中异构网络感知的模型划分与任务放置方法
CN103853786B (zh) 数据库参数的优化方法与系统
CN109635748B (zh) 高分辨率影像中道路特征的提取方法
CN109409261A (zh) 一种农作物分类方法及系统
CN106845623A (zh) 一种基于人工鱼群算法的电力无线专网基站规划方法
CN104200096B (zh) 基于微分进化算法和bp神经网络的避雷器均压环优化法
CN107705556A (zh) 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN106875004A (zh) 复合模式神经元信息处理方法和系统
CN113538910A (zh) 一种自适应的全链条城市区域网络信号控制优化方法
CN106022471A (zh) 基于粒子群优化算法的小波神经网络模型船舶横摇实时预测方法
CN112396187A (zh) 基于动态协作图的多智能体强化学习方法
CN109583594A (zh) 深度学习训练方法、装置、设备及可读存储介质
CN101706888A (zh) 一种旅行时间预测的方法
CN110543978A (zh) 基于小波神经网络的交通流数据预测方法和装置
CN113422695A (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN114708479B (zh) 一种基于图结构和特征的自适应防御方法
CN109389246A (zh) 一种基于神经网络的交通工具目的地区域范围预测方法
CN101853202B (zh) 一种基于遗传算法和带权匹配算法的测试案例自动生成方法
CN114780879A (zh) 一种用于知识超图的可解释性链接预测方法
CN115273502B (zh) 一种交通信号协同控制方法

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

Application publication date: 20191112

RJ01 Rejection of invention patent application after publication