CN111340068A - 道路通行状态预测方法及装置 - Google Patents
道路通行状态预测方法及装置 Download PDFInfo
- Publication number
- CN111340068A CN111340068A CN202010085733.5A CN202010085733A CN111340068A CN 111340068 A CN111340068 A CN 111340068A CN 202010085733 A CN202010085733 A CN 202010085733A CN 111340068 A CN111340068 A CN 111340068A
- Authority
- CN
- China
- Prior art keywords
- data
- traffic state
- road
- preset
- inputting
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 101150044059 BEGAIN gene Proteins 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000002730 additional effect Effects 0.000 description 1
- 101150084233 ago2 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 208000019622 heart disease Diseases 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000004199 lung function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/012—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from other sources than vehicle or roadside beacons, e.g. mobile networks
-
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种道路通行状态预测方法及装置、电子设备及可读存储介质。该方法包括：获取道路的第一通行状态数据和道路所在地区的第一天气数据；将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据；将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。本申请解决了相关技术中由于缺少对于道路通行状态的准确预测导致无法有效的对道路进行管控的技术问题。通过本申请，达到了对道路通行状态进行准确预测的目的，从而实现了提高道路管控的有效性的技术效果，便于相关部门和人员针对道路预测结果采取针对性的措施。
Description
技术领域
本申请涉及机器学习技术领域，具体而言，涉及一种道路通行状态预测方法及装置、电子设备及可读存储介质。
背景技术
城市交通问题已经成为我国社会的难点和热点问题。首先，交通拥挤增加了市民的出行时间。对经常被困在车阵中的市民来说，平时出行是时间成本的浪费，并且会影响当天的心情和工作效率。而周末时出行车辆更多，堵车更严重，有些市民更是选择周末待在家中，久而久之，城市的活力会降低。其次，城市交通也带来了城市的环境问题，如大气污染、交通噪声污染以及城市热岛效应。城市中大气污染的主要来源便是机动车尾气的排放，市民长期处于这种污染条件下则会损伤肺功能以及呼吸系统；交通噪声则会干扰附近居民的生活质量、学校以及单位的工作秩序和效率，城市热岛气候则使夏季的市区更加闷热，使人产生不适感，持续的高温还可能导致心脏、呼吸系统疾病发病率的上升。第三，交通拥挤带来的间接危害便是事故的增多，而事故的增多又加重了交通负担，使交通更为拥挤。
由于各个城市和地区的道路错综交叉，目前的车道路口都会安装有传感器感应装置，每个传感器对应唯一的一条道路，随着车辆通行数据的每日递增，随即带来的就是道路拥堵，提前知晓道路拥堵状态对车辆管理和车辆出行起到了辅助作用，更能有效的对各道路管控，提升了城市的便捷性。
针对相关技术中由于缺少对于道路通行状态的准确预测导致无法有效的对道路进行管控的问题，目前尚未提出有效的解决方案。
发明内容
本申请的主要目的在于提供一种道路通行状态预测方法及装置、电子设备及可读存储介质，以解决相关技术中由于缺少对于道路通行状态的准确预测导致无法有效的对道路进行管控的问题。
为了实现上述目的，根据本申请的第一方面，提供了一种道路通行状态预测方法。
根据本申请的道路通行状态预测方法包括：获取道路的第一通行状态数据和道路所在地区的第一天气数据；将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据；将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。
进一步地，所述第一特征数据包括第一通行状态特征数据和所述第一天气特征数据，所述获取道路的第一通行状态数据和道路所在地区的第一天气数据之后包括：将所述第一通行状态数据和所述第一天气数据分别输入预设标签编码模型进行标准化处理，以输出第一通行状态特征数据和第一天气特征数据；将所述第一通行状态特征数据和所述第一天气特征数据融合后输入所述道路通行状态预测模型进行通行状态的预测。
进一步地，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态包括：按照第一预设时间频率，通过道路传感器采集所述道路的第二通行状态数据；按照第二预设时间频率，获取所述道路所在地区的第二天气数据；将所述第二通行状态数据和所述第二天气数据分别输入预设标签编码模型进行标准化处理，以得到第二特征数据；将所述第二特征数据输入预设算法模型进行训练，以得到所述预设道路通行状态预测模型。
进一步地，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在第一预设时间段之后的通行状态包括：获取道路的第二通行状态数据和道路所在地区的第二天气数据；判断所述第二通行状态数据和所述第二天气数据中是否存在异常数据；如果存在，则对所述异常数据进行补充和/或删除。
进一步地，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在第一预设时间段之后的通行状态之后包括：将所述第一特征数据输入所述预设道路通行状态预测模型后，输出第一预测结果；将所述第一特征数据和所述第一预测结果输入所述预设道路通行状态预测模型，以得到第二预测结果。
为了实现上述目的，根据本申请的第二方面，提供了一种道路通行状态预测装置。
根据本申请的道路通行状态预测装置包括：获取模块，用于获取道路的第一通行状态数据和道路所在地区的第一天气数据；提取模块，用于将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据；预测模块，用于将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。
进一步地，所述第一特征数据包括第一通行状态特征数据和所述第一天气特征数据，所述装置还包括：第一输入模块，用于将所述第一通行状态数据和所述第一天气数据分别输入预设标签编码模型进行标准化处理，以输出第一通行状态特征数据和第一天气特征数据；融合模块，用于将所述第一通行状态特征数据和所述第一天气特征数据融合后输入所述道路通行状态预测模型进行通行状态的预测。
进一步地，所述预测模块包括：采集单元，用于按照第一预设时间频率，通过道路传感器采集所述道路的第二通行状态数据；第一获取单元，用于按照第二预设时间频率，获取所述道路所在地区的第二天气数据；标准化单元，用于将所述第二通行状态数据和所述第二天气数据分别输入预设标签编码模型进行标准化处理，以得到第二特征数据；训练单元，用于将所述第二特征数据输入预设算法模型进行训练，以得到所述预设道路通行状态预测模型。
为了实现上述目的，根据本申请的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前任一项所述的方法
为了实现上述目的，根据本申请的第四方面，提供了一种非暂态可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如前任一项所述方法的步骤。
在本申请实施例中，采用获取道路的第一通行状态数据和道路所在地区的第一天气数据；将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据的方式，通过将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态，达到了对道路通行状态进行准确预测的目的，从而实现了提高道路管控的有效性的技术效果，进而解决了相关技术中由于缺少对于道路通行状态的准确预测导致无法有效的对道路进行管控的技术问题。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请第一实施例的道路通行状态预测方法的流程示意图；
图2是根据本申请第二实施例的道路通行状态预测方法的流程示意图；
图3是根据本申请第三实施例的道路通行状态预测方法的流程示意图；
图4是根据本申请第四实施例的道路通行状态预测方法的流程示意图；
图5是根据本申请第五实施例的道路通行状态预测方法的流程示意图；
图6是根据本申请第六实施例的道路通行状态预测方法的流程示意图；
图7是根据本申请实施例的道路通行状态预测装置的组成结构示意图；以及
图8是根据本申请实施例的电子设备的组成结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请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申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本发明实施例，提供了一种道路通行状态预测方法，如图1所示，该方法包括如下的步骤S101至步骤S103：
步骤S101，获取道路的第一通行状态数据和道路所在地区的第一天气数据。
具体实施时，本申请实施例的道路通行状态预测方法在对各个道路的通行状态进行预测时，首先需要通过当前道路设置的道路传感器采集该道路的通行状态数据，以及该道路所在地区的当前天气数据，所述通行状态按照道路拥堵级别的不同可以包括通畅(non)、轻微拥堵(light)、中度拥堵(medium)、重度拥堵(heavy)四个状态，本领域技术人员还可以根据实际情况设置更多或者更少等级的通行状态，在此不做具体限定。天气数据包括晴、多云、阴、阵雨、雷阵雨、冰雹、雨夹雪、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨、阵雪、小雪、中雪、大雪、暴雪、雾、冻雨、沙尘暴、小雨、中雨、大雨、暴雨、大暴雨、特大暴雨、小雪、中雪、大雪、暴雪、浮尘、扬沙、强沙尘暴、霾等各种天气情况。例如当前道路的通行状态为“轻微拥堵”、天晴情况为“多云”。
步骤S102，将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据。
具体实施时，将上述得到的当前道路的通行状态数据及天气数据进行一些列的预处理包括数据合并、排序、异常数据处理以及标签赋值等处理，提取第一通行状态特征数据和所述第一天气特征数据，并对二者进行融合处理，得到最终的特征数据。具体地，数据合并是指将获取后的天气数据根据城市+天气合并为同条数据，日期+时间合并为begain_time数据列，数据排序是指根据begain_time数据列将通行状态数据和天气数据进行排序。
步骤S103，将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。
具体实施时，需要利用各个道路的历史通行数据和对应的天气数据训练机器学习算法模型，进而得到单个道路的预设道路通行状态预测模型，将上述得到的特征数据输入该训练好的道路通行状态预测模型中，预测当前道路在一段时间如5分钟之后处于每种通行状态的概率，进而可以根据通行状态的概率值确定当前道路在一段时间之后的通行状态。
本申请实施例的道路通行状态预测方法基于当前道路的通行状态数据以及天气数据，通过训练好的机器学习模型可以对道路在一段时间之后的通行状态进行预测，进而可以根据预测结果指导相关部门或者人员采取相应的交通管控措施，同时也为用户的出行规划提供了参考。
作为本申请实施例的一种优选实施方式，如图2所示，所述第一特征数据包括第一通行状态特征数据和所述第一天气特征数据，所述获取道路的第一通行状态数据和道路所在地区的第一天气数据之后包括如下的步骤S201至步骤S202：
步骤S201，将所述第一通行状态数据和所述第一天气数据分别输入预设标签编码模型进行标准化处理，以输出第一通行状态特征数据和第一天气特征数据。
具体实施时，本申请实施例在得到道路的当前通行状态数据和天气数据之后，需要对原始数据进行标准化处理，具体的标准化处理方法为：通过LabelEncoder(标签编码)算法将所有道路传感器的传感器ID数据训练生成标签编码模型，基于该标签编码模型对通行状态数据和天气数据进行文本数据的转换，进而得到数值类型的通行状态数据和天气数据。LabelEncoder是一种将不连续的数字或者文本转换成连续的数值型变量的算法，即是对不连续的数字或者文本进行编号，本领域技术人员应该知晓，在此不做赘述。在完成数据格式的转换之后，可以按照一定时间间隔生成一条或多条通行状态特征数据和天气特征数据，作为后续训练预测模型的输入。
可选地，本申请实施例中的预设标签编码模型通过如下方法得到：直接调用sklearn(全称Scikit-Learn)的preprocessing下的LabelEncoder算法进行训练，其中输入为各个道路对应的传感器ID信息。Sklearn是一种基于Python语言的机器学习工具，本领域技术人员应该知晓，在此不做赘述。
步骤S202，将所述第一通行状态特征数据和所述第一天气特征数据融合后输入所述道路通行状态预测模型进行通行状态的预测。
具体实施时，在得到通行状态特征数据和天气特征数据之后，需要对二者进行融合处理后再输入到道路通行状态预测模型进行通行状态的预测。
作为本申请实施例的一种优选实施方式，如图3所示，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态包括如下的步骤S301至步骤S304：
步骤S301，按照第一预设时间频率，通过道路传感器采集所述道路的第二通行状态数据。
具体实施时，在构建道路通行状态预测模型时，首先需要按照一定时间频率通过多个道路传感器采集多个道路的通行状态数据S1，例如每5分钟记录的一个道路通行状态，一天会产生288条数据源，并通过无线通讯将道路所在位置和通行状态信息传输到中央服务器。
步骤S302，按照第二预设时间频率，获取所述道路所在地区的第二天气数据。
具体实施时，同样需要按照一定频率如每小时同步获取各个城市或地区的当前天气情况数据S2。
步骤S303，将所述第二通行状态数据和所述第二天气数据分别输入预设标签编码模型进行标准化处理，以得到第二特征数据。
具体实施时，将上述得到的通行状态数据和天气数据分别输入到预设标签编码模型进行标准化处理，如前所述，本申请实施例的预设标签编码模型是通过LabelEncoder(标签编码)算法将所有道路传感器的传感器ID数据训练生成的，基于该模型可以将通行状态数据和天气数据分别转换成连续的数值型变量。例如令天气数据“晴＝0，多云＝1”等等。
可选地，上述第二特征数据的生成方法可以为：通过日期+时间数据列(begain_time)生成前5分钟数据ago1，前10分钟数据ago2，前15分钟数据ago3，前20分钟数据ago4，前25分钟数据ago5，前30分钟数据ago6，其中如果没有相关数据则设为Nan，通过通行状态数据生成通畅total0，轻微拥堵total1，中度拥堵total2，重度拥堵total3，其中total0，total1，total2，total3为当前时间之前存在拥堵状态的累计值a1，通过时间间隔5个时间点和间隔10个时间点累计生成back_time_5_0，back_time_5_1，back_time_5_2，back_time_5_3，back_time_10_0back_time_10_1，back_time_10_2，back_time_10_3，其中时间间隔为每隔5条数据或者10条数据累计其存在的通行状态也即是上述的累计值a1，通过天气数据分别生成Weather0，Weather1…Weather34，其中Weather0，Weather1…Weather34为对应的天气状态。
需要说明的是，上述生成数据的时间间隔的设置本领域技术人员可以根据实际情况灵活调整和设置，此处只是举例说明。
步骤S304，将所述第二特征数据输入预设算法模型进行训练，以得到所述预设道路通行状态预测模型。
具体实施时，本申请实施例采用的预设算法模型为基于决策树的集成机器学习算法XGBoost，基于该算法对上述特征数据进行训练，生成单个道路通行状态预测模型。
作为本申请实施例的一种优选实施方式，如图4所示，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在第一预设时间段之后的通行状态包括如下的步骤S401至步骤S403：
步骤S401，获取道路的第二通行状态数据和道路所在地区的第二天气数据。
具体实施时，在构建预设道路通行状态预测模型时，首先需要按照一定时间频率分别获取各个道路的多个通行状态数据和对应的天气数据，作为模型训练的原始数据源。例如每5分钟记录道路的一个通行状态，一天有288条数据源，同时同步获取各城市或地区当前每小时的天气情况数据。
步骤S402，判断所述第二通行状态数据和所述第二天气数据中是否存在异常数据。
具体实施时，在得到上述原始数据源之后，需要判断通行状态数据和天气数据中是否存在异常数据，如空值、数据格式不符或者明显不符合常理的数据等等，为了避免对后续模型训练造成较大影响，需要对这些异常数据进行处理。
步骤S403，如果存在，则对所述异常数据进行补充和/或删除。
具体实施时，如果发现通行状态数据或者天气数据中存在上述异常数据，如果异常数据为空值或者缺失值或者明显不符合常理的数据，则可以根据上下条数据进行异常值的人为补充或修正，如果无法确定，则可以将该条数据删除。
作为本申请实施例的一种优选实施方式，如图5所示，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在第一预设时间段之后的通行状态之后包括如下的步骤S501至步骤S502：
步骤S501，将所述第一特征数据输入所述预设道路通行状态预测模型后，输出第一预测结果。
具体实施时，在将当前的道路特征数据输入训练好的道路通行状态预测模型之后，就可以直接输出该道路在一段时间之后的通行状态预测结果。
步骤S502，将所述第一特征数据和所述第一预测结果输入所述预设道路通行状态预测模型，以得到第二预测结果。
具体实施时，本申请实施例的道路通行状态的预测是基于上一次的预测结果进行下一次的预测的，由此循环往复进行。例如，上述预测模型输出的未来一段时间内的预测结果为：0，1，2，3，3，2(其中0表示通畅，1表示轻微拥堵、2表示中度拥堵、3表示重度拥堵，连续6个数字代表了30分钟内该道路的通行状态)。具体地，将当前时间点的数据根据特征提取得到特征数据M1后代入预测模型，生成后5分钟的数据预测结果C1(0)，随即将M1+C1再次代入模型，生成后5分钟的后5分钟，即后10分钟的数据C2(1)，循环代入生成C1(0)，C2(1)，C3(2)，C4(3)，C5(3)，C6(2)，进而得出未来30分钟的道路通行状态，即通过该通行状态得了解道路通行情况便于后期采取针对性方案。
如图6所示，是本申请实施例的一种道路通行状态预测流程示意图，具体内容请见上文描述，在此不做赘述。
从以上的描述中，可以看出，本发明实现了如下技术效果：采用获取道路的第一通行状态数据和道路所在地区的第一天气数据；将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据的方式，通过将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态，达到了对道路通行状态进行准确预测的目的，从而实现了提高道路管控的有效性的技术效果。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本发明实施例，还提供了一种用于实施上述道路通行状态预测方法的装置，如图7所示，该装置包括：获取模块1，用于获取道路的第一通行状态数据和道路所在地区的第一天气数据；提取模块2，用于将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据；预测模块3，用于将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。
作为本申请实施例的一种优选实施方式，所述第一特征数据包括第一通行状态特征数据和所述第一天气特征数据，所述装置还包括：第一输入模块，用于将所述第一通行状态数据和所述第一天气数据分别输入预设标签编码模型进行标准化处理，以输出第一通行状态特征数据和第一天气特征数据；融合模块，用于将所述第一通行状态特征数据和所述第一天气特征数据融合后输入所述道路通行状态预测模型进行通行状态的预测。
作为本申请实施例的一种优选实施方式，所述预测模块包括：采集单元，用于按照第一预设时间频率，通过道路传感器采集所述道路的第二通行状态数据；第一获取单元，用于按照第二预设时间频率，获取所述道路所在地区的第二天气数据；标准化单元，用于将所述第二通行状态数据和所述第二天气数据分别输入预设标签编码模型进行标准化处理，以得到第二特征数据；训练单元，用于将所述第二特征数据输入预设算法模型进行训练，以得到所述预设道路通行状态预测模型。
作为本申请实施例的一种优选实施方式，所述将预测模块还包括：第二获取单元，用于获取道路的第二通行状态数据和道路所在地区的第二天气数据；判断单元，用于判断所述第二通行状态数据和所述第二天气数据中是否存在异常数据；异常数据处理单元，用于如果存在，则对所述异常数据进行补充和/或删除。
作为本申请实施例的一种优选实施方式，所述装置还包括：输出模块，用于将所述第一特征数据输入所述预设道路通行状态预测模型后，输出第一预测结果；第二输入模块，用于将所述第一特征数据和所述第一预测结果输入所述预设道路通行状态预测模型，以得到第二预测结果。
上述各模块及各单元之间的具体连接关系及所发挥的功能请参照方法部分的具体描述，在此不做赘述。
根据本发明实施例，还提供了一种计算机设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如前所述的方法。
根据本发明实施例，还提供了一种计算机可读存储介质，其上存储有计算机指令，所述指令被处理器执行时实现如前所述方法的步骤。
如图8所示，该电子设备包括一个或多个处理器31以及存储器32，图8中以一个处理器31为例。
控制单元还可以包括：输入装置33和输出装置34。
处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图8中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器32作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器31通过运行存储在存储器32中的非暂态软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的道路通行状态预测方法。
存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据服务器操作的处理装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至网络连接装置。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。
输入装置33可接收输入的数字或字符信息，以及产生与服务器的处理装置的用户设置以及功能控制有关的键信号输入。输出装置34可包括显示屏等显示设备。
一个或者多个模块存储在存储器32中，当被一个或者多个处理器31执行时，执行如前所述的方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。计算机指令用于使所述计算机执行上述道路通行状态预测方法。
本发明是参照根据本发明实施例的方法、设备(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。
最后，本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种道路通行状态预测方法，其特征在于，包括：
获取道路的第一通行状态数据和道路所在地区的第一天气数据；
将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据；
将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。
2.根据权利要求1所述的道路通行状态预测方法，其特征在于，所述第一特征数据包括第一通行状态特征数据和所述第一天气特征数据，所述获取道路的第一通行状态数据和道路所在地区的第一天气数据之后包括：
将所述第一通行状态数据和所述第一天气数据分别输入预设标签编码模型进行标准化处理，以输出第一通行状态特征数据和第一天气特征数据；
将所述第一通行状态特征数据和所述第一天气特征数据融合后输入所述道路通行状态预测模型进行通行状态的预测。
3.根据权利要求1所述的道路通行状态预测方法，其特征在于，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态包括：
按照第一预设时间频率，通过道路传感器采集所述道路的第二通行状态数据；
按照第二预设时间频率，获取所述道路所在地区的第二天气数据；
将所述第二通行状态数据和所述第二天气数据分别输入预设标签编码模型进行标准化处理，以得到第二特征数据；
将所述第二特征数据输入预设算法模型进行训练，以得到所述预设道路通行状态预测模型。
4.根据权利要求1所述的道路通行状态预测方法，其特征在于，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在第一预设时间段之后的通行状态包括：
获取道路的第二通行状态数据和道路所在地区的第二天气数据；
判断所述第二通行状态数据和所述第二天气数据中是否存在异常数据；
如果存在，则对所述异常数据进行补充和/或删除。
5.根据权利要求1所述的道路通行状态预测方法，其特征在于，所述将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在第一预设时间段之后的通行状态之后包括：
将所述第一特征数据输入所述预设道路通行状态预测模型后，输出第一预测结果；
将所述第一特征数据和所述第一预测结果输入所述预设道路通行状态预测模型，以得到第二预测结果。
6.一种道路通行状态预测装置，其特征在于，包括：
获取模块，用于获取道路的第一通行状态数据和道路所在地区的第一天气数据；
提取模块，用于将所述第一通行状态数据和所述第一天气数据进行预处理，以提取第一特征数据；
预测模块，用于将所述第一特征数据输入预设道路通行状态预测模型，以预测当前道路在预设时间段之后的通行状态。
7.根据权利要求6所述的道路通行状态预测装置，其特征在于，所述第一特征数据包括第一通行状态特征数据和所述第一天气特征数据，所述装置还包括：
第一输入模块，用于将所述第一通行状态数据和所述第一天气数据分别输入预设标签编码模型进行标准化处理，以输出第一通行状态特征数据和第一天气特征数据；
融合模块，用于将所述第一通行状态特征数据和所述第一天气特征数据融合后输入所述道路通行状态预测模型进行通行状态的预测。
8.根据权利要求6所述的道路通行状态预测装置，其特征在于，所述预测模块包括：
采集单元，用于按照第一预设时间频率，通过道路传感器采集所述道路的第二通行状态数据；
第一获取单元，用于按照第二预设时间频率，获取所述道路所在地区的第二天气数据；
标准化单元，用于将所述第二通行状态数据和所述第二天气数据分别输入预设标签编码模型进行标准化处理，以得到第二特征数据；
训练单元，用于将所述第二特征数据输入预设算法模型进行训练，以得到所述预设道路通行状态预测模型。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至5中任一项所述的方法。
10.一种非暂态可读存储介质，其特征在于，其上存储有计算机指令，所述指令被处理器执行时实现如权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010085733.5A CN111340068A (zh) | 2020-02-10 | 2020-02-10 | 道路通行状态预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010085733.5A CN111340068A (zh) | 2020-02-10 | 2020-02-10 | 道路通行状态预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111340068A true CN111340068A (zh) | 2020-06-26 |
Family
ID=71181397
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010085733.5A Pending CN111340068A (zh) | 2020-02-10 | 2020-02-10 | 道路通行状态预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111340068A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597212A (zh) * | 2020-12-21 | 2021-04-02 | 黑龙江亿林网络股份有限公司 | 一种面向路面感应系统的时序数据预测装置 |
| CN113409601A (zh) * | 2021-07-14 | 2021-09-17 | 深圳市广联智通科技有限公司 | 基于信息智能分析的信号灯控制方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
| US20140222321A1 (en) * | 2013-02-06 | 2014-08-07 | Iteris, Inc. | Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data |
| CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
-
2020
- 2020-02-10 CN CN202010085733.5A patent/CN111340068A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101438334A (zh) * | 2006-03-03 | 2009-05-20 | 因瑞克斯有限公司 | 未来交通状况的动态时序预测 |
| US20140222321A1 (en) * | 2013-02-06 | 2014-08-07 | Iteris, Inc. | Traffic state estimation with integration of traffic, weather, incident, pavement condition, and roadway operations data |
| CN108898838A (zh) * | 2018-08-03 | 2018-11-27 | 首都经济贸易大学 | 一种基于lstm模型的机场交通拥堵预测方法及装置 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597212A (zh) * | 2020-12-21 | 2021-04-02 | 黑龙江亿林网络股份有限公司 | 一种面向路面感应系统的时序数据预测装置 |
| CN112597212B (zh) * | 2020-12-21 | 2023-02-21 | 黑龙江亿林网络股份有限公司 | 一种面向路面感应系统的时序数据预测装置 |
| CN113409601A (zh) * | 2021-07-14 | 2021-09-17 | 深圳市广联智通科技有限公司 | 基于信息智能分析的信号灯控制方法、装置、设备及介质 |
| CN113409601B (zh) * | 2021-07-14 | 2021-12-31 | 深圳市广联智通科技有限公司 | 基于信息智能分析的信号灯控制方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hamilton et al. | The evolution of urban traffic control: changing policy and technology | |
| WO2021212866A1 (zh) | 一种车辆出行量预测模型构建方法及预测方法和系统 | |
| CN103295414B (zh) | 一种基于海量历史gps轨迹数据的公交车到站时间预测方法 | |
| CN102081859B (zh) | 一种公交车到站时间预测模型控制方法 | |
| US9293041B2 (en) | Traffic monitoring via telecommunication data | |
| CN107025788B (zh) | 一种旅行时间预测方法及装置 | |
| CN114677617A (zh) | 一种基于智能照明的路灯智能控制方法及装置 | |
| CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
| CN104200649A (zh) | 基于预先申请的交通高峰期路线资源调度分配系统与方法 | |
| CN104424812A (zh) | 一种公交到站时间预测系统和方法 | |
| CN104123841A (zh) | 一种车辆到站时间的获取方法及系统 | |
| WO2019003672A1 (ja) | 交通需要予測装置、及び交通需要予測方法 | |
| CN112016735B (zh) | 一种基于交通违法热点预测的巡逻路线规划方法、系统和可读存储介质 | |
| CN113570867B (zh) | 一种城市交通状态预测方法、装置、设备及可读存储介质 | |
| WO2021115320A1 (zh) | 交通评估方法和系统 | |
| CN111340068A (zh) | 道路通行状态预测方法及装置 | |
| CN106384022B (zh) | 出行行为预测方法及装置 | |
| CN106951549A (zh) | 一种基于轨道ic卡和手机信令数据的乘客出行路线识别方法 | |
| CN104318759A (zh) | 基于自学习算法的公交车停靠站时间实时估计方法及系统 | |
| CN111866132A (zh) | 一种基于物联网的交通运行控制方法 | |
| CN106251628B (zh) | 一种确定机动车的交通出行量的方法及装置 | |
| CN110021161B (zh) | 一种交通流向的预测方法及系统 | |
| CN105243841A (zh) | 基于网页地图的实时路况采集与预测方法 | |
| CN116052448B (zh) | 一种交通信号灯的控制方法、装置、介质及设备 | |
| Zheng et al. | A deep learning–based approach for moving vehicle counting and short-term traffic prediction from video images |
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: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |