CN110782063A - 区域拥堵程度的预测方法、装置 - Google Patents

区域拥堵程度的预测方法、装置 Download PDF

Info

Publication number
CN110782063A
CN110782063A CN201910755714.6A CN201910755714A CN110782063A CN 110782063 A CN110782063 A CN 110782063A CN 201910755714 A CN201910755714 A CN 201910755714A CN 110782063 A CN110782063 A CN 110782063A
Authority
CN
China
Prior art keywords
area
roads
region
congestion degree
target object
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.)
Granted
Application number
CN201910755714.6A
Other languages
English (en)
Other versions
CN110782063B (zh
Inventor
王志军
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN201910755714.6A priority Critical patent/CN110782063B/zh
Publication of CN110782063A publication Critical patent/CN110782063A/zh
Application granted granted Critical
Publication of CN110782063B publication Critical patent/CN110782063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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

Landscapes

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

Abstract

本申请的实施例提供了一种区域拥堵程度的预测方法、装置。该预测方法包括：获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数；获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度；根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度；基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。本申请实施例的技术方案可以提高对于区域拥堵程度预测的精准性。

Description

区域拥堵程度的预测方法、装置
技术领域
本申请涉及智慧交通领域，具体而言，涉及一种区域拥堵程度的预测方法、装置。
背景技术
在智慧交通领域，如何快速精准的预测一个区域在未来什么时间点会发生整体性拥堵，已经成为一个很大的难题。在现有的技术中，对一个区域拥堵程度的预测大多数是基于区域车流量、区域拥堵里程占比，区域严重拥堵里程占比等技术指标来建立预测模型，但这些都无法快速精准以及长时效的预测未来拥堵程度。
发明内容
本申请的实施例提供了一种区域拥堵程度的预测方法、装置，进而至少在一定程度上可以提高对于区域拥堵程度预测的精准性。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本申请的实践而习得。
根据本申请实施例的一个方面，提供了一种区域拥堵程度的预测方法，包括：获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数；获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度；根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度；基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
根据本申请实施例的一个方面，提供了一种区域拥堵程度的预测装置，包括：第一获取单元，被用于获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数；第二获取单元，被用于获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度；确定单元，被用于根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度；预测单元，被用于基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
在本申请的一些实施例中，基于前述方案，所述确定单元包括：第一确定单元，用于根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数；第二确定单元，用于根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数。
在本申请的一些实施例中，基于前述方案，所述区域内m条道路中目标对象在历史上的实际运动速度包括所述区域内m条道路中目标对象在历史上多个时间节点的实际运动速度，所述第一确定单元配置为通过以下公式计算所述区域内m条道路在历史上的道路畅通指数：
其中，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，vi,j表示所述区域内第i条道路中目标对象在历史上第j个时间节点的实际运动速度，fsi表示所述目标对象在所述区域内第i条道路中的自由运动速度。
在本申请的一些实施例中，基于前述方案，所述第二确定单元配置为通过以下公式计算所述区域在历史上的区域畅通指数：
其中，ASI(j)表示所述区域在历史上第j个时间节点的区域畅通指数，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，wi表示第i条道路的权重。
在本申请的一些实施例中，基于前述方案，所述预测单元包括：训练单元，用于基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型；第一预测单元，用于根据所述区域拥堵程度预测模型，预测所述区域的拥堵程度。
在本申请的一些实施例中，基于前述方案，所述训练单元包括：构建单元，用于基于所述区域在历史上的区域畅通指数，构建用于训练所述区域拥堵程度预测模型的模型训练数据；输入单元，用于将所述模型训练数据输入初始预测模型对所述初始预测模型进行训练，以得到所述区域拥堵程度预测模型。
在本申请的一些实施例中，基于前述方案，所述构建单元配置为通过如下矩阵构建用于训练所述区域拥堵程度预测模型的模型训练数据：
Figure BDA0002168647860000031
其中，ASI(p)表示所述区域在历史上第p个时间节点的区域畅通指数；所述模型训练数据的前s列是特征，所述s为正整数；所述模型训练数据的第t列是训练目标，所述t为大于所述s的正整数。
在本申请的一些实施例中，基于前述方案，所述训练单元配置为：基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的q个区域拥堵程度预测模型，其中，一个区域拥堵程度预测模型用于预测所述区域在未来一个时间节点的拥堵程度，所述q为正整数；所述第一预测单元配置为：根据所述q个区域拥堵程度预测模型，预测所述区域在未来q个时间节点的拥堵程度。
在本申请的一些实施例中，基于前述方案，所述第一预测单元配置为：获取所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度；根据所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在最近的预定时间区间内的区域畅通指数；将所述区域在最近的预定时间区间内的区域畅通指数输入所述区域拥堵程度预测模型，以输出所述区域在未来的预测区域畅通指数，所述预测区域畅通指数用于表征所述区域在未来的拥堵程度。
在本申请的一些实施例所提供的技术方案中，通过获取区域内道路中的目标对象在历史上的实际运动速度和目标对象在所述道路中的自由运动速度，并将其作为基本指标数据，构建得到所述区域在历史上的区域畅通指数。由于所述自由运动速度可以最大程度上表征所述道路是处于完全不拥堵状态，即完全不拥堵路况才能使目标对象自由运动。所述实际运动速度可以表征所述道路的实际路况，即可以理解为目标对象的运动速度越慢，则所述道路越拥堵。进一步的，通过由所述自由运动速度和实际运动速度构建得到的所述区域在历史上的区域畅通指数就能精准衡量所述区域在历史上的拥堵程度。基于所述区域在历史上的区域畅通指数的变化规律，并以所述区域在历史上的区域畅通指数作为参考，可以预测所述区域在未来的区域畅通指数，并进一步预测得到所述区域在未来的拥堵程度。进而能够解决现有技术中存在的无法快速精准以及长时效的预测区域在未来拥堵程度的技术问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图；
图2示出了根据本申请的一个实施例的技术方案的实施场景示意图；
图3示出了根据本申请的一个实施例的区域拥堵程度的预测方法的流程图；
图4示出了根据本申请的一个实施例的确定区域在历史上的区域畅通指数的细节流程图；
图5示出了根据本申请的一个实施例的预测区域拥堵程度的细节流程图；
图6示出了根据本申请的一个实施例的训练区域拥堵程度模型的细节流程图；
图7示出了根据本申请的一个实施例的预测区域拥堵程度的细节流程图；
图8是基于区域在未来q个时间节点的拥堵程度，绘制区域在未来一段时间区间的拥堵程度随时间变化曲线的一个示例图。
图9示出了根据本申请的一个实施例的预测区域拥堵程度的细节流程图；
图10示出了根据本申请的一个实施例的区域拥堵程度的预测装置的框图；
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本申请将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本申请的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本申请的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
图1示出了可以应用本申请实施例的技术方案的示例性系统架构的示意图。
如图1所示，系统架构可以包括终端设备(如图1中所示智能手机101、平板电脑102和便携式计算机103中的一种或多种，当然也可以是台式计算机等等)、网络104和服务器105。网络104用以在终端设备和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线通信链路、无线通信链路等等。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。
在本申请的一个实施例中，服务器105可以是提供各种服务的服务器。例如用户通过设备101、102以及103等终端设备向服务器105发送预测某一区域拥堵程度的请求，服务器105则通过实施本申请所提出的关于区域拥堵程度的预测方法，以提供预测区域拥堵程度的服务。具体的，在用户向服务器105发送预测某一区域拥堵程度的请求之后，可以由服务器105获取区域内道路中的目标对象在历史上的实际运动速度和自由运动速度，并根据获取到的区域内道路中的目标对象在历史上的实际运动速度和自由运动速度进一步生成所述区域在历史上的区域畅通指数。最后，服务器105根据生成的所述区域在历史上的区域畅通指数预测所述区域的拥堵程度，并将所述区域的拥堵程度的相关信息通过网络104发送给设备101、102以及103等终端设备。
需要说明的是，本申请实施例所提供的区域拥堵程度预测方法一般由服务器105执行，相应地，区域拥堵程度预测装置一般设置于服务器105中。但是，在本申请的其它实施例中，终端设备也可以与服务器具有相似的功能，从而执行本申请实施例所提供的区域拥堵程度预测方案。
图2示出了根据本申请的一个实施例的技术方案的实施场景示意图。
如图2所示，本申请的一个实施例的技术方案的实施场景可以是对机动车道所在区域内的机动车辆拥堵程度的预测。具体的，可以获取所述机动车道所在区域内m条机动车道中机动车辆在历史上的实际运动速度，所述m为小于或等于所述n的正整数；获取所述机动车道所在区域内机动车辆在所述m条机动车道中的自由运动速度，所述自由运动速度为在机动车道不拥堵的情况下，目标对象在机动车道上的平均运动速度；根据所述机动车道所在区域内m条机动车道中机动车辆在历史上的实际运动速度，以及所述机动车辆在m条机动车道中的自由运动速度，确定所述机动车道所在区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述机动车道所在区域在历史上的拥堵程度；基于所述机动车道所在区域在历史上的区域畅通指数，预测所述机动车道所在区域的拥堵程度。
此外，本申请的一个实施例的技术方案的实施场景还可以是对非机动车道所在区域内的非机动车辆和/或行人拥堵程度的预测。具体的，可以获取所述非机动车道所在区域内m条非机动车道中非机动车辆和/或行人在历史上的实际运动速度，所述m为小于或等于所述n的正整数；获取所述非机动车道所在区域内非机动车辆和/或行人在所述m条非机动车道中的自由运动速度，所述自由运动速度为在非机动车道不拥堵的情况下，目标对象在非机动车道上的平均运动速度；根据所述非机动车道所在区域内m条非机动车道中非机动车辆和/或行人在历史上的实际运动速度，以及所述非机动车辆和/或行人在m条非机动车道中的自由运动速度，确定所述非机动车道所在区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述非机动车道所在区域在历史上的拥堵程度；基于所述非机动车道所在区域在历史上的区域畅通指数，预测所述非机动车道所在区域的拥堵程度。
以下对本申请实施例的技术方案的实现细节进行详细阐述：
根据本公开的第一方面，提供了一种区域拥堵程度的预测方法。
这里需要注意的是，所述区域包括有n条道路，其中，所述n为正整数。
参见图3，示出了根据本申请的一个实施例的区域拥堵程度的预测方法的流程图，该预测方法可以由具有计算处理功能的设备来执行，比如可以由图1中所示的服务器105来执行。该预测方法可包括步骤310至340：
步骤310，获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数。
步骤320，获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度。
步骤330，根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度。
步骤340，基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
下面将对如上实施步骤进行详细说明：
在步骤310中，获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数。
在本申请中，所述目标对象可以是指多个单独目标对象的集合。
目标对象的实际运动速度可以是指对处于运动状态的多个单独目标对象进行瞬时测速而得到的多个单独目标对象在某一个具体的时间点瞬时运动速度的平均值，也可以是指对处于运动状态的多个单独目标对象进行区间测速而得到的多个单独目标对象在某一段时间区间内或者是某一段距离区间内的平均运动速度的平均值。需要注意的是，无论目标对象是在某一个具体的时间点瞬时运动速度，还是目标对象是在某一段时间区间内或者是某一段距离区间内的平均运动速度，都必须体现出目标对象在道路上实际运动状态。
获取所述区域内m条道路中目标对象在历史上的实际运动速度，具体可以是获取由管理部门(例如交管部门)或者其它机构在历史上多个批次(多个时间节点)所发布的目标对象在道路上的实际运动速度。其中，所述道路可以是所述区域内的全部道路，也可以是部分道路，本申请对此不加限定。
例如，在对机动车道所在区域内的机动车辆拥堵程度进行预测的应用场景中，如图2所示，所示区域内共有5条道路，分别为道路1、道路2、道路3、道路4以及道路5。若需要获取如图所示区域内5条道路中的机动车辆在历史上某一天7点到8点之间的实际运动速度，则所获取的数据可以如表1所示。
Figure BDA0002168647860000091
表1
需要注意的是，如上表所示，相邻时间节点的时间间隔为1分钟在本申请中仅仅是示例性的，而相邻时间节点的时间间隔还可以根据实际情况取值，例如30秒、2分钟等等。
在步骤320中，获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度。
所述自由运动速度可以是指在道路通畅的情况下，道路中多个单独目标对象的正常行驶速度的平均值，每一条道路都有一个唯一的自由运动速度。例如，在对机动车道所在区域内的机动车辆拥堵程度进行预测的应用场景中，若需要获取如图所示区域内机动车辆在所述5条道路中自由运动速度，则所获取的数据可以如表2所示。需要注意的是，所述自由运动速度不能超过所对应道路的最高限速。
Figure BDA0002168647860000101
表2
此外，在步骤320中，所述自由运动速度也可以是目标对象所在对应道路的最高限速。
在步骤330中，根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度。
在本申请的一个实施例中，确定所述区域在历史上的区域畅通指数可以通过如图4所示的步骤实现。
参见图4，示出了根据本申请的一个实施例的确定区域在历史上的区域畅通指数的细节流程图，具体可包括步骤331至332：
步骤331，根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数。
具体的，所述区域内m条道路中目标对象在历史上的实际运动速度包括如表1所示例的所述区域内m条道路中目标对象在历史上多个时间节点的实际运动速度。
根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数可以通过以下公式计算所述m条道路在历史上的道路畅通指数：
Figure BDA0002168647860000102
其中，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，vi,j表示所述区域内第i条道路中目标对象在历史上第j个时间节点的实际运动速度，fsi表示所述目标对象在所述区域内第i条道路中的自由运动速度。
例如，在对机动车道所在区域内的机动车辆拥堵程度进行预测的应用场景中，若要确定所述区域内第1条道路在历史上“07时00分00秒(时间节点1)”的时间节点的道路畅通指数，则首先从表1和表2中得到所述区域内第1条道路在历史上“07时00分00秒(时间节点1)”的时间节点的实际运动速度，即vi,j＝10m/s，以及所述目标对象在所述区域内第1条道路中的自由运动速度，即fsi＝16m/s，根据如上所述的道路畅通指数计算公式，则可以得到所述区域内第1条道路在历史上“07时00分00秒(时间节点1)”的时间节点的道路畅通指数,即
Figure BDA0002168647860000111
通过如上实施例确定所述区域内道路在历史上的道路畅通指数的好处在于，将道路中目标对象的实际运动速度作为计算道路畅通指数的一个指标，可以很准确的衡量道路的拥堵程度，即道路中目标对象的实际运动速度越快，则说明道路的拥堵程度越低。进一步的，将道路中目标对象在一个时间节点实际运动速度与其自由运动速度的比值作为所述道路在这个时间节点的道路畅通指数，一方面可以精准衡量所述道路在这个时间节点的拥堵程度，即道路畅通指数越低，所述道路在这个时间节点越拥堵。另一方面，相较于目标对象在所述道路的实际运动速度，道路的道路畅通指数则可以归一化和标准化不同道路拥堵程度的衡量指标。
此外，在根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数的另一具体实现中，也可以通过如下公式计算确定：
Figure BDA0002168647860000112
其中，表示所述区域内第条道路在历史上第个时间节点的道路畅通指数，表示所述区域内第条道路中目标对象在历史上第个时间节点的实际运动速度，表示所述目标对象在所述区域内第条道路中的自由运动速度。
可以理解的是，通过如上公式计算确定道路的道路畅通指数，若所述路畅通指数越大，则说明所述道路越拥堵。
步骤332，根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数。
具体的，根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数可以通过以下公式计算所述区域在历史上的区域畅通指数：
Figure BDA0002168647860000121
其中，ASI(j)表示所述区域在历史上第j个时间节点的区域畅通指数，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，wi表示第i条道路的权重。
需要注意的是，所述道路的权重w的确定不是唯一的。例如，在对机动车道所在区域内的机动车辆拥堵程度进行预测的应用场景中，道路的权重w可以通过所述区域内m条道路的日均车流量来确定，即第i条道路的权重为第i条道路的日均车流量与所述区域内m条道路的日均车流量之和的比值。此外，道路的权重w可以通过所述道路在所述区域内的位置来确定，即第i条道路距离所述区域的中心位置越近，那么第i条道路所确定的权重就越高。
下面以一个具体的场景来对以上实施例进行说明，例如，在对机动车道所在区域内的机动车辆拥堵程度进行预测的应用场景中，所述区域内包括如图2所示的5条道路，其中5条道路在历史上“07时00分00秒(时间节点1)”的时间节点的道路畅通指数(此处的道路畅通指数越低，则所述道路越拥堵)、以及每一条道路所对应的权重如表3所示，
道路 道路1 道路2 道路3 道路4 道路5
道路畅通指数 0.8 0.7 0.5 0.6 0.5
权重 0.3 0.1 0.2 0.3 0.1
表3
那么，根据如上确定所述区域在历史上的区域畅通指数的计算公式可以计算所述区域在“07时00分00秒(时间节点1)”的时间节点的区域畅通指数，即：ASI(j)＝0.8×0.3+0.7×0.1+0.5×0.2+0.6×0.3+0.5×0.1＝0.64。
通过如上实施例确定所述区域畅通指数的好处在于，根据所述区域内不同道路的重要程度为各条道路确定权重，可以科学的计算出所述区域的区域畅通指数，进一步真实的综合反映所述区域的拥堵状况。
此外，在根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数的另一具体实现中，也可以通过如下公式计算确定：
Figure BDA0002168647860000131
其中，ASI(j)表示所述区域在历史上第j个时间节点的区域畅通指数，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数。
在步骤340中，基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
在本申请的一个实施例中，基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度，可以通过如图5所述的步骤实现。
参见图5，示出了根据本申请的一个实施例的预测区域拥堵程度的细节流程图，具体可包括步骤341至342：
步骤341，基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型。
在一个实施例的具体实现中，基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型，可以通过如图6所述的步骤实现。
参见图6，示出了根据本申请的一个实施例的训练区域拥堵程度模型的细节流程图，具体可包括步骤3411至3412：
步骤3411，基于所述区域在历史上的区域畅通指数，构建用于训练所述区域拥堵程度预测模型的模型训练数据。
具体的，基于所述区域在历史上的区域畅通指数，可以构建如下的区域畅通指数矩阵ASI-K，所述区域畅通指数矩阵ASI-K的每一行作为一条所述模型训练数据：
Figure BDA0002168647860000132
其中，ASI(p)表示所述区域在历史上第p个时间节点的区域畅通指数；所述模型训练数据的前s列是特征，所述s为正整数；所述模型训练数据的第t列是训练目标，所述t为大于所述s的正整数。
需要注意的是，对于如上所述构建的模型训练数据，在训练时预测模型时，所选择的特征列与训练目标的配置方式可以是多样的，配置方式不一样，得到的预测模型就不一样，能够预测区域拥堵程度的时间跨度也就不一样。
例如，训练的特征为所述模型训练数据的前5列，训练目标为所述模型训练数据的最后一列，则所述区域畅通指数矩阵ASI-5为：
Figure BDA0002168647860000141
对于第一行训练数据，ASI(1)、ASI(2)、ASI(3)、ASI(4)、ASI(5)为特征数据，ASI(11)为训练目标。
步骤3412，将所述模型训练数据输入初始预测模型对所述初始预测模型进行训练，以得到所述区域拥堵程度预测模型。
步骤342，根据所述区域拥堵程度预测模型，预测所述区域的拥堵程度。
进一步的，在本申请的一个实施例中，基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度，还可以通过如图7所述的步骤实现。
参见图7，示出了根据本申请的一个实施例的预测区域拥堵程度的细节流程图，具体可包括步骤343至344：
步骤343，基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的q个区域拥堵程度预测模型，其中，一个区域拥堵程度预测模型用于预测所述区域在未来一个时间节点的拥堵程度，所述q为正整数。
步骤344，根据所述q个区域拥堵程度预测模型，预测所述区域在未来q个时间节点的拥堵程度。
根据所述q个区域拥堵程度预测模型，预测所述区域在未来q个时间节点的拥堵程度的好处在于，可以通过所述区域在未来多个时间节点的拥堵程度来体现所述区域在未来一段时间内的拥堵程度，进而提高用户体验。
例如，参照上述步骤，基于所述区域在历史上的区域畅通指数，共训练了用于预测所述区域拥堵程度的6个区域拥堵程度预测模型，根据所述6个区域拥堵程度预测模型，预测得到所述区域在未来6个时间节点的拥堵程度，如表4所示。
时间节点 区域畅通指数
08时00分00秒 0.93
08时01分00秒 0.9
08时02分00秒 0.75
08时03分00秒 0.5
08时04分00秒 0.24
08时05分00秒 0.1
表4
在一个实施例的具体实现中，可以根据如表4所示的区域在未来6个时间节点的拥堵程度绘制区域在未来一段时间区间的拥堵程度随时间变化曲线。参见图8，图8是基于区域在未来6个时间节点的拥堵程度，绘制区域在未来一段时间区间的拥堵程度随时间变化曲线的一个示例图。
绘制区域在未来一段时间区间的拥堵程度随时间变化曲线的好处在于，可以根据拥堵程度随时间变化曲线预测得到所述时间区间内任何一个时刻的区域拥堵程度，例如可以通过图8所示的拥堵程度随时间变化曲线预测得到在08时02分32秒的区域拥堵程度为0.63，从而可以全方位满足用户需求，提高用户体验。
此外，还需要注意的是，在如上所述的实施例中，所述用于训练的初始预测模型可以是简单的线性回归模型，也可以是复杂的决策树模型，还可以是基于深度学习的神经网络模型。可以理解的是，所述初始预测模型可以是任意的，并不限于如上所示出的那些。
在如上两个实施例的具体实现中，根据所述区域拥堵程度预测模型，预测所述区域在未来的时间节点的拥堵程度，可以将训练得到的区域拥堵程度预测模型嵌入到智慧交通实时在线服务系统，或者是嵌入到手机客户端等运行环境中去，由所述智慧交通实时在线服务系统，或者是手机客户端等运行环境执行预测步骤，所述预测步骤可以如图9所示.
参见图9，示出了根据本申请的一个实施例的预测区域拥堵程度的细节流程图，具体可包括步骤3421至3423：
步骤3421，获取所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度。
步骤3422，根据所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在最近的预定时间区间内的区域畅通指数。
步骤3423，将所述区域在最近的预定时间区间内的区域畅通指数输入所述区域拥堵程度预测模型，以输出所述区域在未来的预测区域畅通指数，所述预测区域畅通指数用于表征所述区域在未来的拥堵程度。
在本申请的一些实施例所提供的技术方案中，通过获取区域内道路中的目标对象在历史上的实际运动速度和目标对象在所述道路中的自由运动速度，并将其作为基本指标数据，构建得到所述区域在历史上的区域畅通指数。由于所述自由运动速度可以最大程度上表征所述道路是处于完全不拥堵状态，即完全不拥堵路况才能使目标对象自由运动。所述实际运动速度可以表征所述道路的实际路况，即可以理解为目标对象的运动速度越慢，则所述道路越拥堵。进一步的，通过由所述自由运动速度和实际运动速度构建得到的所述区域在历史上的区域畅通指数就能精准衡量所述区域在历史上的拥堵程度。基于所述区域在历史上的区域畅通指数的变化规律，并以所述区域在历史上的区域畅通指数作为参考，可以预测所述区域在未来的区域畅通指数，并进一步预测得到所述区域在未来的拥堵程度。进而能够解决现有技术中存在的无法快速精准以及长时效的预测区域在未来拥堵程度的技术问题。
以下介绍本申请的装置实施例，可以用于执行本申请上述实施例中的区域拥堵程度的预测方法。对于本申请装置实施例中未披露的细节，请参照本申请上述的区域拥堵程度的预测方法的实施例。
图10示出了根据本申请的一个实施例的区域拥堵程度的预测装置的框图。
参照图10所示，根据本申请的一个实施例的区域拥堵程度的预测装置1000，包括：第一获取单元1010、第二获取单元1020、确定单元1030和预测单元1040。
其中，第一获取单元1010被用于获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数；第二获取单元1020被用于获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度；确定单元1030被用于根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度；预测单元1040被用于基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
在本申请的一些实施例中，所述确定单元1030包括：第一确定单元，用于根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数；第二确定单元，用于根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数。
在本申请的一些实施例中，所述区域内m条道路中目标对象在历史上的实际运动速度包括所述区域内m条道路中目标对象在历史上多个时间节点的实际运动速度，所述第一确定单元配置为通过以下公式计算所述区域内m条道路在历史上的道路畅通指数：
Figure BDA0002168647860000171
其中，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，vi,j表示所述区域内第i条道路中目标对象在历史上第j个时间节点的实际运动速度，fsi表示所述目标对象在所述区域内第i条道路中的自由运动速度。
在本申请的一些实施例中，所述第二确定单元配置为通过以下公式计算所述区域在历史上的区域畅通指数：
Figure BDA0002168647860000172
其中，ASI(j)表示所述区域在历史上第j个时间节点的区域畅通指数，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，wi表示第i条道路的权重。
在本申请的一些实施例中，所述预测单元1040包括：训练单元，用于基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型；第一预测单元，用于根据所述区域拥堵程度预测模型，预测所述区域的拥堵程度。
在本申请的一些实施例中，所述训练单元包括：构建单元，用于基于所述区域在历史上的区域畅通指数，构建用于训练所述区域拥堵程度预测模型的模型训练数据；输入单元，用于将所述模型训练数据输入初始预测模型对所述初始预测模型进行训练，以得到所述区域拥堵程度预测模型。
在本申请的一些实施例中，所述构建单元配置为通过如下矩阵构建用于训练所述区域拥堵程度预测模型的模型训练数据：
其中，ASI(p)表示所述区域在历史上第p个时间节点的区域畅通指数；所述模型训练数据的前s列是特征，所述s为正整数；所述模型训练数据的第t列是训练目标，所述t为大于所述s的正整数。
在本申请的一些实施例中，所述训练单元配置为：基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的q个区域拥堵程度预测模型，其中，一个区域拥堵程度预测模型用于预测所述区域在未来一个时间节点的拥堵程度，所述q为正整数；所述第一预测单元配置为：根据所述q个区域拥堵程度预测模型，预测所述区域在未来q个时间节点的拥堵程度。
在本申请的一些实施例中，所述第一预测单元配置为：获取所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度；根据所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在最近的预定时间区间内的区域畅通指数；将所述区域在最近的预定时间区间内的区域畅通指数输入所述区域拥堵程度预测模型，以输出所述区域在未来的预测区域畅通指数，所述预测区域畅通指数用于表征所述区域在未来的拥堵程度。
图11示出了适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
需要说明的是，图11示出的电子设备的计算机系统1100仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图11所示，计算机系统1100包括中央处理单元(Central Processing Unit，CPU)1101，其可以根据存储在只读存储器(Read-Only Memory，ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理，例如执行上述实施例中所述的方法。在RAM 1103中，还存储有系统操作所需的各种程序和数据。CPU 1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(Input/Output，I/O)接口1105也连接至总线1104。
以下部件连接至I/O接口1105：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN(Local AreaNetwork，局域网)卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。
特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被中央处理单元(CPU)1101执行时，执行本申请的系统中限定的各种功能。
需要说明的是，本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现上述实施例中所述的方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本申请实施方式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、触控终端、或者网络设备等)执行根据本申请实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的实施方式后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。

Claims (10)

1.一种区域拥堵程度的预测方法，其特征在于，所述区域包括n条道路，所述n为正整数，所述预测方法包括：
获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数；
获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度；
根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度；
基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
2.根据权利要求1所述的方法，其特征在于，根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，包括：
根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数；
根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数。
3.根据权利要求2所述的方法，其特征在于，所述区域内m条道路中目标对象在历史上的实际运动速度包括所述区域内m条道路中目标对象在历史上多个时间节点的实际运动速度；
根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域内m条道路在历史上的道路畅通指数包括：通过以下公式计算所述m条道路在历史上的道路畅通指数：
Figure FDA0002168647850000011
其中，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，vi,j表示所述区域内第i条道路中目标对象在历史上第j个时间节点的实际运动速度，fsi表示所述目标对象在所述区域内第i条道路中的自由运动速度。
4.根据权利要求2所述的方法，其特征在于，根据所述区域内m条道路在历史上的道路畅通指数，确定所述区域在历史上的区域畅通指数包括：通过以下公式计算所述区域在历史上的区域畅通指数：
其中，ASI(j)表示所述区域在历史上第j个时间节点的区域畅通指数，RSI(i,j)表示所述区域内第i条道路在历史上第j个时间节点的道路畅通指数，wi表示第i条道路的权重。
5.根据权利要求1所述的方法，其特征在于，基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度，包括：
基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型；
根据所述区域拥堵程度预测模型，预测所述区域的拥堵程度。
6.根据权利要求5所述的方法，其特征在于，基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型，包括：
基于所述区域在历史上的区域畅通指数，构建用于训练所述区域拥堵程度预测模型的模型训练数据；
将所述模型训练数据输入初始预测模型对所述初始预测模型进行训练，以得到所述区域拥堵程度预测模型。
7.根据权利要求6所述的方法，其特征在于，基于所述区域在历史上的区域畅通指数，构建用于训练所述区域拥堵程度预测模型的模型训练数据，包括：
基于所述区域在历史上的区域畅通指数，构建如下的区域畅通指数矩阵ASI-K，所述区域畅通指数矩阵ASI-K的每一行作为一条所述模型训练数据：
Figure FDA0002168647850000031
其中，ASI(p)表示所述区域在历史上第p个时间节点的区域畅通指数；所述模型训练数据的前s列是特征，所述s为正整数；所述模型训练数据的第t列是训练目标，所述t为大于所述s的正整数。
8.根据权利要求5所述的方法，其特征在于，所述基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的区域拥堵程度预测模型，包括：
基于所述区域在历史上的区域畅通指数，训练用于预测所述区域拥堵程度的q个区域拥堵程度预测模型，其中，一个区域拥堵程度预测模型用于预测所述区域在未来一个时间节点的拥堵程度，所述q为正整数。
所述根据所述区域拥堵程度预测模型，预测所述区域在未来的拥堵程度，包括：
根据所述q个区域拥堵程度预测模型，预测所述区域在未来q个时间节点的拥堵程度。
9.根据权利要求5所述的方法，其特征在于，所述根据所述区域拥堵程度预测模型，预测所述区域的拥堵程度，包括：
获取所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度；
根据所述区域内m条道路中目标对象在最近的预定时间区间内的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在最近的预定时间区间内的区域畅通指数；
将所述区域在最近的预定时间区间内的区域畅通指数输入所述区域拥堵程度预测模型，以输出所述区域在未来的预测区域畅通指数，所述预测区域畅通指数用于表征所述区域在未来的拥堵程度。
10.一种区域拥堵程度的预测装置，其特征在于，包括：
第一获取单元，被用于获取所述区域内m条道路中目标对象在历史上的实际运动速度，所述m为小于或等于所述n的正整数；
第二获取单元，被用于获取所述区域内目标对象在所述m条道路中的自由运动速度，所述自由运动速度为在道路不拥堵的情况下，目标对象在道路上的平均运动速度；
确定单元，被用于根据所述区域内m条道路中目标对象在历史上的实际运动速度，以及所述目标对象在m条道路中的自由运动速度，确定所述区域在历史上的区域畅通指数，所述区域畅通指数用于表征所述区域在历史上的拥堵程度；
预测单元，被用于基于所述区域在历史上的区域畅通指数，预测所述区域的拥堵程度。
CN201910755714.6A 2019-08-15 2019-08-15 区域拥堵程度的预测方法、装置 Active CN110782063B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910755714.6A CN110782063B (zh) 2019-08-15 2019-08-15 区域拥堵程度的预测方法、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910755714.6A CN110782063B (zh) 2019-08-15 2019-08-15 区域拥堵程度的预测方法、装置

Publications (2)

Publication Number Publication Date
CN110782063A true CN110782063A (zh) 2020-02-11
CN110782063B CN110782063B (zh) 2024-02-06

Family

ID=69384007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910755714.6A Active CN110782063B (zh) 2019-08-15 2019-08-15 区域拥堵程度的预测方法、装置

Country Status (1)

Country Link
CN (1) CN110782063B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298309A (zh) * 2021-05-31 2021-08-24 中华通信系统有限责任公司 用于交通拥堵状态预测的方法、装置及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680789A (zh) * 2015-03-04 2015-06-03 蔡诚昊 一种快速道路拥堵指数估算及预测方法
CN108492568A (zh) * 2018-04-25 2018-09-04 南京邮电大学 一种基于时空特性分析的短时交通流预测方法
CN109087509A (zh) * 2018-09-04 2018-12-25 重庆交通大学 一种路网交通运行状态预测方法
CN109841056A (zh) * 2017-11-29 2019-06-04 高德软件有限公司 一种判断路段拥堵、区域拥堵的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104680789A (zh) * 2015-03-04 2015-06-03 蔡诚昊 一种快速道路拥堵指数估算及预测方法
CN109841056A (zh) * 2017-11-29 2019-06-04 高德软件有限公司 一种判断路段拥堵、区域拥堵的方法及装置
CN108492568A (zh) * 2018-04-25 2018-09-04 南京邮电大学 一种基于时空特性分析的短时交通流预测方法
CN109087509A (zh) * 2018-09-04 2018-12-25 重庆交通大学 一种路网交通运行状态预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113298309A (zh) * 2021-05-31 2021-08-24 中华通信系统有限责任公司 用于交通拥堵状态预测的方法、装置及终端

Also Published As

Publication number Publication date
CN110782063B (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
RU2721176C2 (ru) Системы и способы для предсказания поведения пользователя на основе данных о местоположении
CN107610464B (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
Castro-Neto et al. AADT prediction using support vector regression with data-dependent parameters
Khattak et al. Operational performance evaluation of adaptive traffic control systems: A Bayesian modeling approach using real-world GPS and private sector PROBE data
US20180357893A1 (en) Uncertainty modeling in traffic demand prediction
Li Traffic incident duration analysis and prediction models based on the survival analysis approach
Tselentis et al. Improving short‐term traffic forecasts: to combine models or not to combine?
Yao et al. Hybrid methods for short-term traffic flow prediction based on ARIMA-GARCH model and wavelet neural network
US11443335B2 (en) Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform
CN111859172B (zh) 信息推送方法、装置、电子设备和计算机可读存储介质
CN111845768A (zh) 车辆行驶参数的预测方法、装置
CN110782706B (zh) 智能车辆驾驶风险的预警方法和装置
JP2019522296A (ja) 地域内の車両データをジオリファレンスしてスコアリングするためのシステムおよび方法
Li et al. MADM-based smart parking guidance algorithm
CN111667689B (zh) 车辆旅行时间预测的方法、设备和计算机设备
Tao et al. Online estimation model for passenger flow state in urban rail transit using multi‐source data
Apronti et al. Four-step travel demand model implementation for estimating traffic volumes on rural low-volume roads in Wyoming
CN114004077B (zh) 交通仿真转换方法、装置、计算机设备及存储介质
Aghabayk et al. Exploring a local linear model tree approach to car‐following
US20170316688A1 (en) Vehicle speed prediction method
CN110782063B (zh) 区域拥堵程度的预测方法、装置
Feizi et al. Agent-based simulation approach to determine safety impacts of Demand-Responsive Transport (DRT) in Wayne County, Michigan
CN116166957A (zh) 基于lstm的数据处理方法、装置、计算机设备及介质
CN112230663B (zh) 车辆定位数据的监测方法、装置
CN111327473B (zh) 网络调控方法、装置、网络调控系统及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40020399

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant