CN111105617A - 基于矩阵稳定性分析的智能交通预测系统 - Google Patents

Abstract

本发明提出一种基于矩阵稳定性分析的智能交通预测系统、使用该系统的区域交通指数预测方法以及实现该方法的计算机可读存储介质。本发明的技术方案基于设置于远端的与所述智能交通预测系统无线通信的多个传感器组件采集得到的多个交通信息数据进行预测之后，根据当前预测结果生成交通预测指数矩阵，并基于交通预测指数矩阵生成差异矩阵之后判断其稳定性，若差异矩阵稳定，则执行当前时间节点的预测过程并输出预测结果，否则，停止预测，等待预定时间段之后再执行预测过程。相对于现有技术，本发明的技术方案不需要时刻执行预测过程，同时保证了预测结果的及时性和准确性，符合客观规律并且取得了较好的使用效果，能够降低数据处理的成本。

Description

基于矩阵稳定性分析的智能交通预测系统

技术领域

本发明属于智能交通技术领域，尤其涉及一种基于矩阵稳定性分析的智能交通预测系统、使用该系统的区域交通指数预测方法以及实现该方法的计算机可读存储介质。

背景技术

智能交通是一个基于现代电子信息技术面向交通运输的服务系统。它的突出特点是以信息的收集、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。智能交通系统(Intelligent Traffic System，简称ITS) 又称智能运输系统(IntelligentTransportation System)，是将先进的科学技术(信息技术、计算机技术、数据通信技术、传感器技术、电子控制技术、自动控制理论、运筹学、人工智能等)有效地综合运用于交通运输、服务控制和车辆制造，加强车辆、道路、使用者三者之间的联系，从而形成一种保障安全、提高效率、改善环境、节约能源的综合运输系统。

智能交通的一个目标就是提高资源的利用率，更好的运用现有的资产和基础设施。这个目标可以通过几种方法来实现：收集交通网络状况的实时数据、识别移动性和资源使用的模式、预测需求、实现现有基础设施和资源的合理使用。

具体来说，对从道路上的传感器和设备上收集而来的数据或从其他代理机构得到的数据(包括实时数据和历史数据)进行分析，我们就可以达到预测需求，优化资源配置的目标。这种分析可以帮助交通管理中心或者交通服务提供商作出合理的预测，优化交通资源的配置和使用。这些收集的数据也可以用于提供增值服务，或者为道路使用和维护的收费提供一些新的方法，例如拥堵费，这些方法可以用于引导旅客的行为从而对整个交通环境起到积极的作用。智能交通把致力于提高旅客的用户体验作为目标之一。例如，一个智能的解决方案可以提供实时导航，告知驾驶者由于突发事件或者交通拥堵导致的路线变化，或提供多种公共交通的方案以供选择。这种解决方案同时也可以通过鼓励旅客来实现平衡公共交通工具和私有交通工具的使用的目的。辅助决策交通流量的数据可以直接来自于不同的交通服务提供商或者交通管理中心，也可以基于交通服务商提供的增值服务，向旅客开放这些相关数据是提升他们对城市交通系统满意度的重要因素之一。

申请号为CN201811536443.7的中国发明专利提出一种基于动态分解模式和矩阵填充的交通流预测方法，在传统的动态模式分解进行交通流预测的模型基础上，考虑了由于外界天气或交通设备自身会发生失灵等问题，会造成交通数据发生丢失的问题。对于缺失的部分需要与已知的部分进行分开处理，所以考虑引入矩阵填充中的相关技术解决这一问题。对于矩阵填充问题，假设原始数据中部分发生丢失，则最标准的矩阵填充问题可以利用秩最小化的约束来进行求解；预测模型的主要思想就是在确定两个噪声项的关系以及数据快照矩阵之间的对应关系，考虑了交通数据的缺失这一系列约束下，使得K和噪声最小，从而得到准确的交通估计值；

申请号为CN201910828960.X的中国发明专利申请提出基于集成学习的交通流预测模型、预测方法、系统、装置，利用时空特征学习模型，动态生成基学习器的权重系数，以获取最终的预设检测点的交通流预测值，可以进一步提高交流预测的准确度。该申请中的交通流预测模型中基于时空特征学习模型动态生成基学习器的权重系数，能够更加有效地利用不同基学习器的优点，使得交通流预测模型以及基于该模型的预测方法的预测结果具有较高的精度和鲁棒性，尤其在交通领域较为关注的随机性较强的交通数据上具有良好的预测效果。

申请号为CN201910614671.X的中国发明专利申请提出一种机器学习的智能交通状态预测方法，充分考虑了时间与空间效应，且增加了气象属性、路网属性、社会属性，能够提升道路交通速度预测的准确度；其中气象属性的生成过程中，计算了以道路交叉点为基准来划分的单元格区域内交通速度与气象的相关程度，考虑了某些单元区域内交通不受气象影响的可能性，因此可以提高对所有单元区域的预测准确度。

可见，现有技术的交通预测需要基于多传感器采集的海量交通信息数据或者基于大量的历史数据进行处理，交通预测模型运行时也需要对应的高存储器和高处理器来执行数据预处理、数据建模、模型准确度判断、输出预测结果等过程；而为了保证预测结果的实时性与及时性，包含交通预测模型的预测系统通常需要不间断的全天候运行，同时不间断的接收远端多传感器采集的海量交通数据，这个过程需要巨大的数据流量传输。

然而，发明人发现，对于特定目标区域来说，并不是时刻都要进行交通预测，更并非时刻都要采集数据进行数据建模过程，因此，可以选择间断性的进行交通预测。但是，间断性的预测带来的问题是，导致预测结果不连续并且不准确，并且间断性预测到底何时该进行何时该停止，同时保证数据预测的及时和结果准确，现有技术并未意识到这个问题，更未给出有效的解决方案。

发明内容

为解决上述技术问题，本发明提出一种基于矩阵稳定性分析的智能交通预测系统、使用该系统的区域交通指数预测方法以及实现该方法的计算机可读存储介质。本发明的技术方案基于设置于远端的与所述智能交通预测系统无线通信的多个传感器组件采集得到的多个交通信息数据进行预测之后，根据当前预测结果生成交通预测指数矩阵，并基于交通预测指数矩阵生成差异矩阵之后判断其稳定性，若差异矩阵稳定，则执行当前时间节点的预测过程并输出预测结果，否则，停止预测，等待预定时间段之后再执行预测过程。相对于现有技术，本发明的技术方案不需要时刻执行预测过程，同时保证了预测结果的及时性和准确性，符合客观规律并且取得了较好的使用效果，能够降低数据处理的成本以及硬件使用量。

具体来说，在本发明的第一个方面，提供一种基于矩阵稳定性分析的智能交通预测系统，所述预测系统包括预测数据输入模块、当前预测结果输出模块、矩阵生成模块、稳定性判断模块以及交通可视化显示界面，其中，所述预测数据输入模块，用于输入预定目标区域内预定时间段的多个交通信息数据；所述多个交通信息数据由设置于远端的与所述智能交通预测系统无线通信的多个传感器组件采集得到；

所述当前预测结果输出模块，基于所述多个交通信息数据，输出当前预测结果；所述当前预测结果包括在未来多个时间节点处多个目标区域的交通指数；

所述矩阵生成模块，用于基于所述交通指数生成交通预测指数矩阵；

所述稳定性判断模块，用于判断所述交通预测指数矩阵的稳定性；

所述交通可视化显示界面，用于基于所述稳定性判断模块的输出结果，将最终的预测结果可视化的显示；

作为本发明的创新点之一，所述判断所述交通预测指数矩阵的稳定性，具体包括：

在时间节点t1处，获取所述多个传感器组件采集得到的多个交通信息数据集合V1；

基于所述多个交通信息数据集合V1，输出当前预测结果对应的交通预测指数矩阵Y1；

在时间节点t2处，获取所述多个传感器组件采集得到的多个交通信息数据集合V2；

基于所述多个交通信息数据集合V2，输出当前预测结果对应的交通预测指数矩阵Y2；

计算Y1和Y2的差值矩阵Y；

参照赫尔维兹稳定性判据，判断所述差值矩阵Y是否稳定。

作为体现上述创新点的关键技术手段，参照赫尔维兹稳定性判据判断所述差值矩阵Y是否稳定，具体包括如下步骤：

计算差值矩阵Y的主行列式以及各递减子矩阵的子行列式的值，

如果所述值均大于0，则所述差值矩阵稳定。

作为更优选的替代技术手段，还可采用如下方式判断所述交通预测指数矩阵的稳定性：

将所述差值矩阵Y按行进行元素归一化，得到归一化矩阵；

并且，不同行采用的元素归一化方法不同；

判断所述归一化矩阵是否是正交矩阵；

如果是，则所述差值矩阵Y是否稳定。

作为更优选的替代技术手段，还可采用如下方式判断所述交通预测指数矩阵的稳定性：

在四个时间节点t1-t4处，获取所述多个传感器组件采集得到的多个交通信息数据集合V1-V4；

基于多个交通信息数据集合V1-V4，输出对应的交通预测指数矩阵 Y1-Y4；

基于交通预测指数矩阵Y1-Y4，得到差值矩阵Ydiff；

计算所述差值矩阵Ydiff的特征根，

如果不存在绝对值小于1的特征值，则差值矩阵稳定。

与此相对应的，如果所述差值矩阵不稳定，则停止当前预测，并在经过预设时间段之后，再次获取所述多个传感器组件采集得到的多个交通信息数据集合；

如果所述差异矩阵稳定，则在所述交通可视化显示界面输出当前时间节点处的交通预测结果。

如前所述，所述当前预测结果包括在未来多个时间节点处多个目标区域的交通指数，因此，交通预测指数矩阵的行元素为不同时间节点的交通指数值，列元素为不同目标区域的交通指数值。

在本发明中，所述矩阵均为行数和列数相等的矩阵。

在本发明的另一个方面，提供一种区域交通指数预测方法，所述预测方法基于前述的所述的智能交通预测系统实现。

具体而言，所述方法包括如下步骤：

S701：获取所述多个传感器组件采集得到的多个交通信息数据集合V1；

S702：基于所述多个交通信息数据集合V1，输出当前预测结果对应的交通预测指数矩阵Y1；

S703：获取所述多个传感器组件采集得到的多个交通信息数据集合 V2；

S704：基于所述多个交通信息数据集合V2，输出当前预测结果对应的交通预测指数矩阵Y2；

S705：将Y1和Y2进行归一化处理后，得到归一化矩阵Y1′和Y2′；

S706：计算差值矩阵Y′＝Y1′-Y2′；

S707：判断所述差值矩阵Y′是否稳定；如果是，则输出当前时间节点处的预测结果；

否则，等待预设时间段之后，返回步骤S701。

其中，步骤S707判断所述差值矩阵是否稳定，具体包括：

计算矩阵主行列式以及各递减子矩阵的子行列式的值，

如果所述值均大于0，则所述差值矩阵稳定。

步骤S705所述归一化操作，具体包括：

将所述差值矩阵按行进行元素归一化，得到归一化矩阵；

并且，不同行采用的元素归一化方法不同。

本发明的上述方法可通过计算机程序指令的形式自动化实现，因此，本发明还提供一种计算机可读存储介质，其上存储有计算机可执行程序指令，通过处理器和存储器执行所述指令，用于实现前述区域交通指数预测方法。

本发明的进一步优点将结合说明书附图在具体实施例部分进一步详细体现。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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。

图1是本发明实施例中用到的交通指数预测结果示意图

图2是本发明实施例用到的交通预测指数矩阵及其子阶矩阵示意图

图3是本发明一个实施例的智能交通预测系统的结构图

图4是本发明一个实施例的判断矩阵稳定性的方法示意图

图5是本发明另一个实施例的判断矩阵稳定性的方法示意图

图6是本发明再一个实施例的判断矩阵稳定性的方法示意图

图7是本发明一个实施例的区域交通指数预测方法流程图

具体实施方式

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，所描述的实施例仅仅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。下面，结合附图以及具体实施方式，对发明做出进一步的描述：

首先需要指出的是，本发明的所有实施例中用到的相关技术特征，如果没有特别定义，则遵从本领域技术人员的惯常理解。其中，部分技术特征的含义可参照如下实例。

交通信息数据：包括预定目标区域的交通流量数据、道路规划分布、交通指示灯等；其中交通流量数据包括一段时间内的人流量、车流量以及变化趋势数据等；

通常情况下，交通信息数据由多个传感器组件采集得到，所述传感器组件包括摄像器件、流量监测器件、路边流量检测仪等；

交通指数：最常见的交通指数为拥堵指数。作为一个示例，也称交通拥堵指数或交通运行指数，是综合反映道路网畅通或拥堵的概念性指数值。交通指数取值范围为0～10，分为五个级别(即″畅通″、″基本畅通″、″轻度拥堵″、″中度拥堵″、″严重拥堵″)，数值越高表明交通拥堵状况越严重；

交通指数可以通过将交通信息数据输入到交通预测系统中通过预测得到。例如，对分布在城市大街小巷的动态车辆位置信息(简称浮动车数据)进行深入加工处理获得的，有超过万余辆浮动车数据通过通信网络实时回传给数据处理中心。首先对车辆位置数据处理，得到不同功能等级道路的运行速度，然后根据道路功能不同以及流量数据计算该道路在全网中所占权重，最后通过人对拥堵的感知判断，给出换算到0-10的指数指标值。

类似的其他交通指数还包括公交指数，公交指数又名交通拥堵指数或交通成本指数，是用多余时间与原本用时的比列来衡量一个地区的交通拥堵状况，因为造成交通拥堵或时间浪费也很大原因取决于这个地区的道路设计以及红灯设置，所以也从侧面反映了这个地区的交通成本指数；一般利用交通信息数据特别是交通流量数据、道路规划分布、交通指示灯、站牌等分布信息，计算得到。

交通预测系统可以采用多种预测算法进行交通预测，例如，基于时间序列的预测，最小二乘分布预测、拟合预测等。

预测结果通常是未来多个时间节点处多个目标区域的交通指数分布，可以表述为二维表格的形式，参见图1。

在图1基础上，预测结果可以表示为一个N＊N的矩阵或者行列式，在本发明中，矩阵与行列式的概念可以互换，统称为N阶矩阵，其中，第i行第j 列元素indexij表示第i个区域第j个时间点的交通指数预测结果。

该N阶矩阵可以包含各递减子矩阵，例如N-1阶子矩阵，参见图2。

请参阅图3，是一个实施例的智能交通预测系统的结构图。

在图3中，所述预测系统包括预测数据输入模块、当前预测结果输出模块、矩阵生成模块、稳定性判断模块以及交通可视化显示界面，其中，所述预测数据输入模块，用于输入预定目标区域内预定时间段的多个交通信息数据；所述多个交通信息数据由设置于远端的与所述智能交通预测系统无线通信的多个传感器组件采集得到。

具体来说，所述当前预测结果输出模块，基于所述多个交通信息数据，输出当前预测结果；所述当前预测结果包括在未来多个时间节点处多个目标区域的交通指数；

所述矩阵生成模块，用于基于所述交通指数生成交通预测指数矩阵；

如前所述，所述交通预测指数矩阵为N阶矩阵，所述N阶矩阵行元素为不同时间节点的交通指数值，列元素为不同目标区域的交通指数值。

所述稳定性判断模块，用于判断所述交通预测指数矩阵的稳定性；

所述交通可视化显示界面，用于基于所述稳定性判断模块的输出结果，将最终的预测结果可视化的显示。

接下来参照图4-6，分别给出了体现本发明创新点的三个关键技术手段，用于基于所述交通预测指数矩阵的稳定性的判断结果，来决定如何实现智能的交通预测。

参见图4，是参照赫尔维兹稳定性判据来判断稳定的实施方案。

首先需要指出的是，本实施例并非直接简单的套用赫尔维兹稳定性判据，事实上，本领域技术人员知晓的是赫尔维兹稳定性判据也不是用于矩阵的稳定性，而是用于控制系统的控制方程的系数行列式。本发明基于交通预测指数矩阵的差异性特点，综合得出如下稳定性判断方法：

在时间节点t1处，获取所述多个传感器组件采集得到的多个交通信息数据集合V1；

基于所述多个多交通信息数据集合V1，输出当前预测结果对应的交通预测指数矩阵Y1；

在时间节点t2处，获取所述多个传感器组件采集得到的多个交通信息数据集合V2；

基于所述多个交通信息数据集合V2，输出当前预测结果对应的交通预测指数矩阵Y2；

计算Y1和Y2的差值矩阵Y；

然后，计算差异矩阵Y(或者说N阶行列式Y)的矩阵主行列式以及各递减子矩阵的子行列式的值；

这里的主行列式，是指N阶行列式；各递减子矩阵的子行列式，则是指 N列矩阵Y的N-1阶、N-2阶、......2阶、1阶矩阵的行列式的值；

以N-1阶为例，参照图2，表示了N-1阶矩阵的元素排列：其他递减子矩阵以此类推。

如果所述值均大于0，则所述差值矩阵稳定。

图5是另一个实施例的稳定性判断方案。

在图5中，将所述差值矩阵Y按行进行元素归一化，得到归一化矩阵；

并且，不同行采用的元素归一化方法不同；

判断所述归一化矩阵是否是正交矩阵；

如果是，则所述差值矩阵Y是否稳定。

值得注意的是，本实施例的技术方案采用的归一化方法并非简单的利用已有的数学手段，而是结合了交通预测系统得出的交通指数差异矩阵的实际元素分布，如前看到，所述交通指数差异矩阵的行元素为同一个目标区域的不同时间节点的交通指数差值，因此，在对矩阵进行归一化，必须按行进行元素归一化；同时列元素显示了不同目标区域的相同时间节点的交通指数差值，因此，不同行采用的元素归一化方法必须不同，这是要达到本发明技术效果的关键构思。

作为更优选的技术方案，，还可采用如下方式判断所述交通预测指数矩阵的稳定性：

在四个时间节点t1-t4处，获取所述多个传感器组件采集得到的多个多个交通信息数据集合V1-V4；

基于多个交通信息数据集合V1-V4，输出对应的交通预测指数矩阵 Y1-Y4；

基于交通预测指数矩阵Y1-Y4，得到差值矩阵Ydiff；

计算所述差值矩阵Ydiff的特征根，

如果不存在绝对值小于1的特征值，则差值矩阵稳定。

参见图6，虽然未示出，但是，基于交通预测指数矩阵Y1-Y4，得到差值矩阵Ydiff，采用多级差分方法，即Ydiff＝(Y4-Y3)-(Y2-Y1)。

在图4-6任一种实施例的判断基础上，如果所述差值矩阵不稳定，则停止当前预测，并在经过预设时间段之后，再次获取所述多个传感器组件采集得到的多个多个交通信息数据集合；

如果所述差异矩阵稳定，则在所述交通可视化显示界面输出当前时间节点处的交通预测结果。

参照图7，是本发明的一个实施例的区域交通指数预测方法流程图，所述方法包括步骤S701-S707的循环迭代过程。具体执行如下：

S701：获取所述多个传感器组件采集得到的多个交通信息数据集合V1；

S702：基于所述多个多交通信息数据集合V1，输出当前预测结果对应的交通预测指数矩阵Y1；

S703：获取所述多个传感器组件采集得到的多个交通信息数据集合V2；

S704：基于所述多个多交通信息数据集合V2，输出当前预测结果对应的交通预测指数矩阵Y2；

S705：将Y1和Y2进行归一化处理后，得到归一化矩阵Y1′和Y2′；

S706：计算差值矩阵Y′＝Y1′-Y2′；

S707：判断所述差值矩阵Y′是否稳定；如果是，则输出当前时间节点处的预测结果；

否则，等待预设时间段之后，返回步骤S701。

值得指出的是，步骤S707判断所述差值矩阵是否稳定，可以采用前述图 4-6对应的实施例中任意一种方法。

作为一个实例，图7步骤S707判断所述差值矩阵是否稳定，具体包括：

计算矩阵主行列式以及各递减子矩阵的子行列式的值，

如果所述值均大于0，则所述差值矩阵稳定。

步骤S705所述归一化操作，具体包括：

将所述差值矩阵按行进行元素归一化，得到归一化矩阵；

并且，不同行采用的元素归一化方法不同。

还需要指出的是，图7中，如果所述差异矩阵稳定，则在所述交通可视化显示界面输出当前时间节点处的交通预测结果；之后，经过计时器判断经过预定时间段之后，重新回到步骤S701，但是图7所示过程并非一个无限循环的过程，其本身存在默认的终止条件，例如系统关机，交通管制等完全不需要预测等节点，可以停止预测。

在正常情况下，所述方法按照图7的流程循环执行，从而不需要时刻执行预测过程，同时保证了预测结果的及时性和准确性，符合客观规律并且取得了较好的使用效果，能够降低数据处理的成本以及硬件使用量。

同时，作为补充，图1-7所述的实施例中，都有辅助的计时器元件用于计时判断，重新检测循环等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种基于矩阵稳定性分析的智能交通预测系统，所述预测系统包括预测数据输入模块、当前预测结果输出模块、矩阵生成模块、稳定性判断模块以及交通可视化显示界面，

其中，所述预测数据输入模块，用于输入预定目标区域内预定时间段的多个交通信息数据；所述多个交通信息数据由设置于远端的与所述智能交通预测系统无线通信的多个传感器组件采集得到；

所述当前预测结果输出模块，基于所述多个交通信息数据，输出当前预测结果；所述当前预测结果包括在未来多个时间节点处多个目标区域的交通指数；

所述矩阵生成模块，用于基于所述交通指数生成交通预测指数矩阵；

所述稳定性判断模块，用于判断所述交通预测指数矩阵的稳定性；

所述交通可视化显示界面，用于基于所述稳定性判断模块的输出结果，将最终的预测结果可视化的显示；

其特征在于：

所述判断所述交通预测指数矩阵的稳定性，具体包括：

在时间节点t1处，获取所述多个传感器组件采集得到的多个交通信息数据集合V1；

基于所述多个交通信息数据集合V1，输出当前预测结果对应的交通预测指数矩阵Y1；

在时间节点t2处，获取所述多个传感器组件采集得到的多个交通信息数据集合V2；

基于所述多个交通信息数据集合V2，输出当前预测结果对应的交通预测指数矩阵Y2；

计算Y1和Y2的差值矩阵Y；

基于赫尔维兹稳定性判据判断所述差值矩阵Y是否稳定。

2.如权利要求1所述的智能交通预测系统，其特征在于，采用如下方式判断所述交通预测指数矩阵的稳定性：

将所述差值矩阵Y按行进行元素归一化，得到归一化矩阵；

并且，不同行采用的元素归一化方法不同；

判断所述归一化矩阵是否是正交矩阵；

如果是，则所述差值矩阵Y是否稳定。

3.如权利要求1所述的智能交通预测系统，其特征在于，采用如下方式判断所述交通预测指数矩阵的稳定性：

在四个时间节点t1-t4处，获取所述多个传感器组件采集得到的多个交通信息数据集合V1-V4；

基于多个多个交通信息数据集合V1-V4，输出对应的交通预测指数矩阵Y1-Y4；

基于交通预测指数矩阵Y1-Y4，得到差值矩阵Ydiff；

计算所述差值矩阵Ydiff的特征根，

如果不存在绝对值小于1的特征值，则差值矩阵稳定。

4.如权利要求1-3任一项所述的智能交通预测系统，如果所述差值矩阵不稳定，则停止当前预测，并在经过预设时间段之后，再次获取所述多个传感器组件采集得到的多个交通信息数据集合。

5.如权利要求1-3任一项所述的智能交通预测系统，其中，交通预测指数矩阵的行元素为不同时间节点的交通指数值，列元素为不同目标区域的交通指数值。

6.如权利要求1-3任一项所述的智能交通预测系统，其中，如果所述差异矩阵稳定，则在所述交通可视化显示界面输出当前时间节点处的交通预测结果。

7.一种区域交通指数预测方法，所述预测方法基于权利要求1-6任一项所述的智能交通预测系统实现，所述方法包括如下步骤：

S701：获取所述多个传感器组件采集得到的多个交通信息数据集合V1；

S702：基于所述多个交通信息数据集合V1，输出当前预测结果对应的交通预测指数矩阵Y1；

S703：获取所述多个传感器组件采集得到的多个交通信息数据集合V2；

S704：基于所述多个多交通信息数据集合V2，输出当前预测结果对应的交通预测指数矩阵Y2；

S705：将Y1和Y2进行归一化处理后，得到归一化矩阵Y1′和Y2′；

S706：计算差值矩阵Y′＝Y1′-Y2′；

S707：判断所述差值矩阵Y′是否稳定；如果是，则输出当前时间节点处的预测结果；

否则，等待预设时间段之后，返回步骤S701。

8.如权利要求7所述的方法，其中，步骤S707判断所述差值矩阵是否稳定，具体包括：

计算矩阵主行列式以及各递减子矩阵的子行列式的值，

如果所述值均大于0，则所述差值矩阵稳定。

9.如权利要求7所述的方法，其中，步骤S705所述归一化操作，具体包括：

将所述差值矩阵按行进行元素归一化，得到归一化矩阵；

并且，不同行采用的元素归一化方法不同。

10.一种计算机可读存储介质，其上存储有计算机可执行程序指令，通过处理器和存储器执行所述指令，用于实现权利要求7-9任一项所述的方法。

Images