CN111401609B - 车流量时间序列的预测方法及预测装置 - Google Patents
车流量时间序列的预测方法及预测装置 Download PDFInfo
- Publication number
- CN111401609B CN111401609B CN202010142359.8A CN202010142359A CN111401609B CN 111401609 B CN111401609 B CN 111401609B CN 202010142359 A CN202010142359 A CN 202010142359A CN 111401609 B CN111401609 B CN 111401609B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- time sequence
- flow time
- prediction
- model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 83
- 238000013145 classification model Methods 0.000 claims abstract description 42
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013485 heteroscedasticity test Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车流量时间序列的预测方法、装置、计算机系统及计算机可读存储介质,所述方法包括以下步骤:响应于车流量预测指令,获取历史车流量时间序列;将所述历史车流量时间序列输入分类模型以获取分类标签;根据所述对应的分类标签获取目标预测模型;将所述历史车流量时间序列输入所述预测模型,得到对应的预测车流量时间序列。本发明首先通过对大量训练时间序列进行机器学习,掌握训练时间序列的统计特征与其对应的最佳预测模型之间的映射关系,根据该映射关系生成分类模型,用于输出与待测的车流量时间序列最匹配的预测模型。最后待测的车流量时间序列利用最匹配的预测模型进行预测,以达到提高预测结果准确性的目的。
Description
技术领域
本发明涉及大数据处理技术领域,特别涉及一种车流量时间序列的预测方法、装置、计算机设备及计算机可读存储介质。
背景技术
车流量指的是在一定的时间内,某条公路上所通过的车辆数,用来说明某一街道的交通情况。相应的,车流量时间序列反映了某条公路上通过的车辆数随时间变化的情况。准确预测车流量时间序列,有利于交通管理部门提前采取相应的对策,对于缓解交通压力、保障交通运输安全有着非常重要的作用。
车流量时间序列的预测准确度取决于是否选取了适当的预测模型,这里的预测模型是指通过数学方法来定量预测车流量数据的未来发展状况。现有技术中对于车流量预测模型的选择方面设置比较简单粗暴,很容易产生多个不同的车流量时间序列应用同一个预测模型的情况,严重影响车流量数据的预测准确性。也有厂商为了改变这种单一模式,同时采用多个预测模型对同一车流量时间序列进行预测,再根据预测结果挑选出最符合实际情况的一项预测结果。但这样做的缺点是非常消耗计算资源,影响预测效率,并且其所选择的多个预测模型仍然是比较盲目的,有可能出现选择的多个预测模型全都与待处理的车流量。时间序列不相匹配的情况。现有技术中缺乏行之有效的选择最佳预测模型的车流量预测方案。
发明内容
本发明的目的是提供一种车流量时间序列的预测方法、装置、计算机设备及计算机可读存储介质,以解决现有技术中存在的上述缺陷。
为实现上述目的,本发明提供一种车流量时间序列的预测方法,包括以下步骤:
响应于车流量预测指令,获取待预测的历史车流量时间序列;
将所述历史车流量时间序列输入分类模型以获取对应的分类标签,其中所述分类标签用于唯一标识所述车流量时间序列适用的预测模型;
根据所述对应的分类标签获取目标预测模型;
将所述历史车流量时间序列输入所述预测模型,得到对应的预测车流量时间序列。
根据本发明提供的车流量时间序列的预测方法,其中,所述响应于数据预测指令,获取待预测的历史车流量时间序列的步骤之前,还包括:
获取训练时间序列;
获取与所述训练时间序列相匹配的目标预测模型,并记录所述目标预测模型对应的分类标签;
建立所述训练时间序列与所述分类标签之间的映射关系,根据所述映射关系进行机器学习得到所述分类模型。
根据本发明提供的车流量时间序列的预测方法,其中,所述获取与所述训练时间序列相匹配的目标预测模型的步骤包括:
提取所述训练时间序列中的统计特征,基于所述统计特征为所述训练时间序列分配候选预测集,所述候选预测及中包含用于对时间序列进行预测的一个或多个候选预测模型;
将所述训练时间序列分别输入所述候选预测集中的每一个候选预测模型,得到对应的拟合值;
将拟合值最优的候选预测模型作为目标预测模型。
根据本发明提供的的车流量时间序列的预测方法,其中,所述将所述历史车流量时间序列输入分类模型,获取分类标签的步骤包括:
提取所述历史车流量时间序列的斜率、凸性和方差,构成所述历史车流量时间序列的标准数据结构;
将所述标准数据结构输入所述分类模型,得到所述分类标签。
根据本发明提供的车流量时间序列的预测方法,其中,所述将所述历史车流量时间序列输入所述预测模型,得到所述车流量序列的预测数据的步骤包括:
对所述历史车流量时间序列进行平稳处理,得到与所述历史车流量时间序列相对应的平稳时间序列;
将所述平稳时间序列输入所述预测模型,得到对应的预测车流量时间序列。
为实现上述目的,本发明还提供一种车流量时间序列的预测装置,包括:
序列获取模块,适用于响应于数据预测指令,获取待预测的历史车流量时间序列;
分类模型,适用于将所述历史车流量时间序列输入分类模型以获取分类标签,其中所述分类标签用于唯一标识所述历史车流量时间序列适用的预测模型;
模型获取模块,适用于根据所述对应的分类标签获取目标预测模型;
预测模块,适用于将所述历史车流量时间序列输入所述目标预测模型,得到所述对应的预测车流量时间序列。
根据本发明提供的车流量时间序列的预测装置,其中,还包括分类模型训练模块,所述分类模型训练模块包括:
训练数据获取单元,适用于获取训练时间序列;
匹配单元,适用于获取与所述训练时间序列相匹配的目标预测模型,并记录所述目标预测模型对应的分类标签;
映射建立单元,适用于建立所述训练时间序列与所述分类标签之间的映射关系,根据所述映射关系进行机器学习得到所述分类模型。
根据本发明提供的车流量时间序列的预测装置,其中,所述匹配单元包括:
统计子单元,适用于提取所述训练时间序列中的统计特征,基于所述统计特征为所述训练时间序列分配候选预测集,所述候选预测及中包含用于对时间序列进行预测的一个或多个候选预测模型;
拟合子单元,适用于将所述训练时间序列分别输入所述候选预测集中的每一个候选预测模型,得到对应的拟合值;
目标确定子单元,适用于将拟合值最优的候选预测模型作为目标预测模型。
为实现上述目的,本发明还提供一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
为实现上述目的,本发明还提供计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供的车流量时间序列的预测方法、装置、计算机设备及计算机可读存储介质,提供了一种为不同的车流量时间序列选择最匹配的预测模型,从而得到更加准确的预测结果的方案。本发明首先通过对大量训练时间序列进行机器学习,掌握训练时间序列的统计特征与其对应的最佳预测模型之间的映射关系,根据该映射关系生成分类模型,用于输出与待测的车流量时间序列最匹配的预测模型。最后待测的车流量时间序列利用最匹配的预测模型进行预测,以达到提高预测结果准确性的目的。
附图说明
图1为本发明的车流量时间序列的预测方法实施例一的流程图;
图2为本发明的车流量时间序列的预测装置实施例一的程序模块示意图;
图3为本发明的车流量时间序列的预测装置实施例一的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。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。
本发明提供的车流量时间序列的预测方法、装置、计算机设备及计算机可读存储介质,提供了一种为不同的车流量时间序列选择最匹配的预测模型,从而得到更加准确的预测结果的方案。本发明首先通过对大量训练时间序列进行机器学习,掌握训练时间序列的统计特征与其对应的最佳预测模型之间的映射关系,根据该映射关系生成分类模型,用于输出与待测的车流量时间序列最匹配的预测模型。最后待测的车流量时间序列利用最匹配的预测模型进行预测,以达到提高预测结果准确性的目的。
实施例一
本实施例提出一种车流量时间序列的预测方法,用于首先根据分类模型获取与待测的车流量时间序列最匹配的预测模型,然后再利用该最匹配的预测模型对所述待测的车流量时间序列进行预测。本发明的核心部分在于通过机器学习来训练分类模型,并通过分类模型输出与待测的车流量序列最匹配的预测模型的过程。以下本发明将分别详细介绍分类模型的训练过程以及对于待测车流量时间序列的完整预测过程。
(1)分类模型的训练过程包括以下步骤:
S1:获取训练时间序列。
本发明所称训练时间序列指的是作为训练数据的车流量时间序列。本步骤首先获取大量的车流量时间序列作为训练数据,用来作为训练分类模型时的输入变量。本发明所述车流量时间序列,指的是在某固定路段中包含时间-车流量离散数据的时间序列,为了简便起见,本发明中的车流量时间序列只考虑车流量因子与时间之间的单一关系,并没有涉及其他例如气温因素、季节因素等变量的影响,因此本发明所述的车流量时间序列是一种单因子时间序列。
S2:获取与所述训练时间序列相匹配的目标预测模型,并记录所述目标预测模型对应的分类标签。
现有技术中与时间序列相对应的预测模型种类繁多,例如朴素估计模型、简单平均模型、滑动窗平均模型、指数平滑模型、Arima模型、灰色模型、fourier模型等,各种不同的模型对应于不同分布形式的时间序列可能会有不同的侧重点。
本步骤用于获取与作为训练数据的车流量时间序列最匹配的目标预测模型,记录该预测模型对应的分类标签。本发明所述分类标签,是对于特定预测模型的唯一标识,只要获取到分类标签,就可以得到最匹配的预测模型具体是什么。例如,规定朴素估计模型的分类标签为1,Arima模型的分类标签为2,灰色模型的分类标签为3,fourier模型的分类标签为4……。因此,当获取到的分类标签为1时,可以确定与当前输入的时间序列最匹配的目标预测模型是朴素估计模型;当获取到的分类标签为2时,可以确定与当前输入的时间序列最匹配的目标预测模型是Arima模型;当获取到的分类标签为3时,可以确定与当前输入的时间序列最匹配的目标预测模型是灰色模型;当获取到的分类标签为4时,就可以确定与当前输入的时间序列最匹配的目标预测模型是fourier模型。
以下以车流量时间序列为例,进一步描述获取与所述车流量时间序列相匹配的目标预测模型的具体过程。在本步骤中,所使用的车流量时间序列是用来进行分类训练的,因此也称为训练时间序列。
S21:提取所述训练时间序列中的统计特征,基于所述统计特征为所述训练时间序列分配候选预测集,所述候选预测集中包含用于对时间序列进行预测的一个或多个候选预测模型。
本发明所述提取训练时间序列中的统计特征,指的是提取训练时间序列的断点信息、平稳度信息、自相关信息、方差信息等多个不同的统计特征,然后依次选择不同的统计特征进行检验。例如,首先对训练时间序列进行断点检验,其次检验训练时间序列的自相关性,再次检验异方差性,最后通过单位根检验训练时间序列的平稳性。经过上述这些检验之后,就可以得到训练时间序列的基本统计特征。
本领域技术人员可以理解,上述统计特征的检查项目以及检查顺序,仅仅是作为举例,而不是用来对本发明进行限制。凡是对统计特征进行提取并检验的步骤,都包含在本发明的保护范围之内。例如,本发明也可以先通过单位根检验训练时间序列的平稳性,其次对训练时间序列进行断点检验,再次检验训练时间序列的自相关性,最后检验异方差性。除了上面提到的断点信息、平稳度信息、自相关信息、方差信息等统计特征之外,本发明还可以提取并检验训练时间序列中任意其它的统计特征,均属于本发明的保护范围之内。
进一步,本发明预先制定了一系列的分类规则,用于为不同的统计特征选择不同的预测模型集,具体的,本发明的分类规则可以是根据不同的统计特征逐层缩小范围的过程。
例如,首先将所有的预测模型分为两大类F1和F2,当断点信息大于或等于第一阈值时,选择F1集合,当断点信息小于第一阈值时,选择F2集合。假设根据现有的断点信息已选择F1集合,接下来F1集合中又根据平稳度信息分为S1和S2两个子集,当断点信息大于等于第二阈值时,选择S1集合,当断点信息小于第二阈值时,选择S2集合。假设根据现有的平稳读信息已选择S1集合,接下来S1集合中又根据自相关信息分为T1和T2两个子集,当自相关信息大于等于第三阈值时,选择T1集合,当自相关信息小于第三阈值时,选择T2集合……以此类推,直到获取到最终的候选预测集。
本领域技术人员可以理解,以上内容中根据不同的统计特征进行分类的描述仅仅用于举例,而不作为对本发明的限定。本发明也可以先通过平稳度信息将预测模型分为第一层级类别F1和F2,其次通过自相关信息将预测模型分为第二层及类别S1和S2,再次通过断点信息将预测模型分为T1和T2……。也就是说,凡是通过任意统计特征的阈值对预测模型进行划分的步骤,均落在本发明的保护范围之内。
通常为了提高准确性,本发明的候选预测集中包括两个或者两个以上不同的预测模型,优选包含十个不同的预测模型。
本领域普通技术人员可以理解,上文中描述的分类规则仅仅是用于举例,而不是进行限定。任何基于统计特征形成的分类规则都包含在本发明的保护范围之内。
S22:将所述训练时间序列分别输入所述候选预测集中的每一个候选预测模型,得到对应的拟合值。
在已经选定候选预测集的基础上,本步骤将训练时间序列分别输入所述候选预测集中的每一个候选预测模型,计算训练时间序列相对于每一个候选预测模型的拟合值。
S23:将拟合值最优的候选预测模型作为目标预测模型。拟合值最优,意味着该候选预测模型与训练时间序列最接近,因此将拟合值最优的候选预测模型作为与训练时间序列最匹配的预测模型,即目标预测模型。
S3:建立所述训练时间序列与所述分类标签之间的映射关系,根据所述映射关系进行机器学习得到所述分类模型。
在已经得到每一个训练时间序列对应的目标预测模型的基础上,本发明建立训练时间序列与分类标签之间的映射关系,通过该映射关系建立机器学习模型,即本发明中的分类模型。其中本发明中的映射标签用于唯一标识一种预测模型。
进一步,本发明提取训练时间序列的斜率、凸性和方差,通过这三种统计值构成训练时间序列的标准数据结构。本发明建立训练时间序列与分类标签之间的映射关系,实际上就是建立每条训练时间序列的标准数据结构与分类标签之间的映射关系。
经过机器学习后得到的分类模型,每接收到一个车流量时间序列的标准数据结构,相应地会输出一个分类标签,用于表征与该车流量序列最匹配的预测模型。
(2)待测车流量时间序列的完整预测过程包括以下步骤:
S4:响应于车流量预测指令,获取待预测的历史车流量时间序列。
本发明的以下步骤用于对过去时间段产生的车流量时间序列进行预测,以得到该车流量序列在未来时间段的车流量预测趋势。
因此当接收到数据预测指令时,本发明获取数据预测指令中包含的序列信息,例如序列的时间段(XX年X月X日到XX年X月X日之间的数据)以及序列的路段信息(具体哪条街道或者哪条道路),来获取相应的待测车流量时间序列。
S5:将所述历史车流量时间序列输入分类模型以获取分类标签,其中所述分类标签用于唯一标识所述历史车流量时间序列适用的预测模型。
本步骤将待测车流量时间序列输入已建立的分类模型,得到对应的分类标签,用于表征与该待测车流量时间序列最匹配的目标预测模型。
进一步,本发明所述将待测车流量时间序列输入已建立的分类模型,实际上是提取待测车流量时间序列的斜率、凸性和方差以构成标准数据结构,然后将构成的标准数据结构输入到分类模型,以便获得对应的分类标签。
S6:根据所述对应的分类标签获取目标预测模型。
S7:将所述车流量时间序列输入所述分类标签对应的目标预测模型,得到所述历史车流量时间序列在未来时间的预测车流量时间序列。
在利用分类模型得到分类标签的基础上,相当于已经确定了与待测车流量时间序列最匹配的目标预测模型,因此本步骤将待测车流量时间序列输入该目标预测模型,以得到该待测车流量时间序列的未来预测趋势数据。
进一步,为了保证预测质量,本发明还包括对待测车流量时间序列进行平滑处理的过程,筛掉待测车流量时间序列中的奇异数据及缺失数据,保证待测车流量时间序列从统计学的角度具有相对稳定的走势。然后将具有稳定走势的待测车流量时间序列输入目标预测模型,得到对应的预测趋势数据。
请继续参阅图2,示出了一种车流量时间序列的预测装置,在本实施例中,预测装置10可以包括或被分割成一个或多个程序模块,一个或者多个程序模块被存储于存储介质中,并由一个或多个处理器所执行,以完成本发明,并可实现上述自动更新方法。本发明所称的程序模块是指能够完成特定功能的一系列计算机程序指令段,比程序本身更适合于描述预测装置10在存储介质中的执行过程。以下描述将具体介绍本实施例各程序模块的功能:
分类模型训练模块11,用于训练分类模型,所述分类模型用于对输入的历史车流量时间序列输出对应的分类标签;
序列获取模块12,适用于响应于车流量预测指令,获取待预测的历史车流量时间序列;
分类模块13,适用于将所述车流量时间序列输入分类模型以获取分类标签,其中所述分类标签用于唯一标识所述车流量时间序列适用的目标预测模型;
模型获取模块14,适用于根据所述对应的分类标签获取目标预测模型;
预测模块15,适用于将所述车流量时间序列输入所述目标预测模型,得到所述车流量序列的预测数据。
根据本发明提供的车流量时间序列的预测装置,其中,所述分类模型训练模块11包括:
训练数据获取单元111,适用于获取训练时间序列;
匹配单元112,适用于获取与所述训练时间序列相匹配的目标预测模型,并记录所述目标预测模型对应的分类标签;
映射建立单元113,适用于建立所述训练时间序列与所述分类标签之间的映射关系,根据所述映射关系进行机器学习得到所述分类模型。
根据本发明提供的车流量时间序列的预测装置,其中,所述匹配单元112包括:
统计子单元1121,适用于提取所述训练时间序列中的统计特征,基于所述统计特征为所述训练时间序列分配候选预测集,所述候选预测及中包含用于对时间序列进行预测的一个或多个候选预测模型;
拟合子单元1122,适用于将所述训练时间序列分别输入所述候选预测集中的每一个候选预测模型,得到对应的拟合值;
目标确定子单元1123,适用于将拟合值最优的候选预测模型作为目标预测模型。
本实施例还提供一种计算机设备,如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备20至少包括但不限于:可通过系统总线相互通信连接的存储器21、处理器22,如图3所示。需要指出的是,图3仅示出了具有组件21-22的计算机设备20,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
本实施例中,存储器21(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器21可以是计算机设备20的内部存储单元,例如该计算机设备20的硬盘或内存。在另一些实施例中,存储器21也可以是计算机设备20的外部存储设备,例如该计算机设备20上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器21还可以既包括计算机设备20的内部存储单元也包括其外部存储设备。本实施例中,存储器21通常用于存储安装于计算机设备20的操作系统和各类应用软件,例如实施例一的数据同步装置10的程序代码等。此外,存储器21还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器22在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器22通常用于控制计算机设备20的总体操作。本实施例中,处理器22用于运行存储器21中存储的程序代码或者处理数据,例如运行车流量时间序列的预测装置10,以实现实施例一的车流量时间序列的预测方法。
本实施例还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质用于存储车流量时间序列的预测装置10,被处理器执行时实现实施例一的车流量时间序列的预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
流程图中或在此以其它方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所述技术领域的技术人员所理解。
本技术领域的普通技术人员可以理解,实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种车流量时间序列的预测方法,其特征在于,包括以下步骤:
获取训练时间序列;所述训练时间序列为作为训练数据的车流量时间序列;
获取与所述训练时间序列相匹配的目标预测模型,并记录所述目标预测模型对应的分类标签;
建立所述训练时间序列与所述分类标签之间的映射关系,根据所述映射关系进行机器学习得到分类模型;
响应于车流量预测指令,获取待预测的历史车流量时间序列;
将所述历史车流量时间序列输入分类模型以获取对应的分类标签,其中所述分类标签用于唯一标识所述历史车流量时间序列适用的预测模型;
根据所述对应的分类标签获取目标预测模型;
将所述历史车流量时间序列输入所述目标预测模型,得到对应的预测车流量时间序列;
所述获取与所述训练时间序列相匹配的目标预测模型的步骤包括:
提取所述训练时间序列中的统计特征,所述统计特征包括断点信息、平稳度信息、自相关信息和方差信息;
基于所述统计特征为所述训练时间序列分配候选预测集,所述候选预测集中包含用于对时间序列进行预测的一个或多个候选预测模型;具体地,首先将所有的预测模型分为两大类F1和F2,当断点信息大于或等于第一阈值时,选择F1集合,当断点信息小于第一阈值时,选择F2集合;若根据现有的断点信息已选择F1集合,接下来F1集合中又根据平稳度信息分为S1和S2两个子集,当平稳度信息大于等于第二阈值时,选择S1集合,当平稳度信息小于第二阈值时,选择S2集合;若根据现有的平稳度信息已选择S1集合,接下来S1集合中又根据自相关信息分为T1和T2两个子集,当自相关信息大于等于第三阈值时,选择T1集合,当自相关信息小于第三阈值时,选择T2集合,以此类推,直到获取到最终的候选预测集;
将所述训练时间序列分别输入所述候选预测集中的每一个候选预测模型,得到对应的拟合值;
将拟合值最优的候选预测模型作为目标预测模型;
所述将所述历史车流量时间序列输入分类模型以获取对应的分类标签的步骤包括:
提取所述历史车流量时间序列的斜率、凸性和方差,构成所述历史车流量时间序列的标准数据结构;
将所述标准数据结构输入所述分类模型,得到所述分类标签。
2.根据权利要求1所述的车流量时间序列的预测方法,其特征在于,所述将所述历史车流量时间序列输入所述预测模型,得到所述历史车流量时间 序列的预测数据的步骤包括:
对所述历史车流量时间序列进行平稳处理,得到与所述历史车流量时间序列相对应的平稳时间序列;
将所述平稳时间序列输入所述预测模型,得到对应的预测车流量时间序列。
3.一种车流量时间序列的预测装置,其特征在于,包括:
训练数据获取单元,适用于获取训练时间序列;
匹配单元,适用于获取与所述训练时间序列相匹配的目标预测模型,并记录所述目标预测模型对应的分类标签;
映射建立单元,适用于建立所述训练时间序列与所述分类标签之间的映射关系,根据所述映射关系进行机器学习得到分类模型;
序列获取模块,适用于响应于车流量预测指令,获取待预测的历史车流量时间序列;
分类模型,适用于将所述历史车流量时间序列输入分类模型以获取分类标签,其中所述分类标签用于唯一标识所述历史车流量时间序列适用的预测模型;
模型获取模块,适用于根据所述对应的分类标签获取目标预测模型;
预测模块,适用于将所述历史车流量时间序列输入所述目标预测模型,得到对应的预测车流量时间序列;
所述匹配单元包括:
统计子单元,适用于提取所述训练时间序列中的统计特征,基于所述统计特征为所述训练时间序列分配候选预测集,所述统计特征包括断点信息、平稳度信息、自相关信息和方差信息,所述候选预测及中包含用于对时间序列进行预测的一个或多个候选预测模型;具体地,首先将所有的预测模型分为两大类F1和F2,当断点信息大于或等于第一阈值时,选择F1集合,当断点信息小于第一阈值时,选择F2集合;若根据现有的断点信息已选择F1集合,接下来F1集合中又根据平稳度信息分为S1和S2两个子集,当平稳度信息大于等于第二阈值时,选择S1集合,当平稳度信息小于第二阈值时,选择S2集合;若根据现有的平稳度信息已选择S1集合,接下来S1集合中又根据自相关信息分为T1和T2两个子集,当自相关信息大于等于第三阈值时,选择T1集合,当自相关信息小于第三阈值时,选择T2集合,以此类推,直到获取到最终的候选预测集;
拟合子单元,适用于将所述训练时间序列分别输入所述候选预测集中的每一个候选预测模型,得到对应的拟合值;
目标确定子单元,适用于将拟合值最优的候选预测模型作为目标预测模型;
所述装置在执行所述将所述历史车流量时间序列输入分类模型以获取对应的分类标签的步骤时,具体用于:
提取所述历史车流量时间序列的斜率、凸性和方差,构成所述历史车流量时间序列的标准数据结构;
将所述标准数据结构输入所述分类模型,得到所述分类标签。
4.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一项所述方法的步骤。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至2任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142359.8A CN111401609B (zh) | 2020-03-04 | 2020-03-04 | 车流量时间序列的预测方法及预测装置 |
PCT/CN2020/117319 WO2021174811A1 (zh) | 2020-03-04 | 2020-09-24 | 车流量时间序列的预测方法及预测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142359.8A CN111401609B (zh) | 2020-03-04 | 2020-03-04 | 车流量时间序列的预测方法及预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401609A CN111401609A (zh) | 2020-07-10 |
CN111401609B true CN111401609B (zh) | 2023-01-17 |
Family
ID=71413203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010142359.8A Active CN111401609B (zh) | 2020-03-04 | 2020-03-04 | 车流量时间序列的预测方法及预测装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111401609B (zh) |
WO (1) | WO2021174811A1 (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401609B (zh) * | 2020-03-04 | 2023-01-17 | 平安科技(深圳)有限公司 | 车流量时间序列的预测方法及预测装置 |
CN113807758B (zh) * | 2020-12-02 | 2023-11-03 | 北京京东振世信息技术有限公司 | 一种数据生成方法和装置 |
CN113434310B (zh) * | 2021-06-23 | 2024-03-22 | 深圳博瑞晶芯科技有限公司 | 多线程任务分配方法、装置、设备及存储介质 |
CN113537631B (zh) * | 2021-08-04 | 2023-11-10 | 北方健康医疗大数据科技有限公司 | 药品需求量的预测方法、装置、电子设备及存储介质 |
CN113962477A (zh) * | 2021-11-10 | 2022-01-21 | 国网浙江省电力有限公司杭州供电公司 | 一种产业电量关联聚集预测方法、装置、设备及存储介质 |
CN114154696A (zh) * | 2021-11-19 | 2022-03-08 | 中国建设银行股份有限公司 | 资金流预测方法、系统、计算机设备及存储介质 |
CN114422623B (zh) * | 2022-01-17 | 2022-11-18 | 山西省信息通信网络技术保障中心 | 一种基于指令序列的车联网异常流量识别方法及装置 |
CN114219545B (zh) * | 2022-02-17 | 2022-07-05 | 北京京东振世信息技术有限公司 | 一种数据处理的方法和装置 |
CN114550454B (zh) * | 2022-02-24 | 2023-05-09 | 南京感动科技有限公司 | 一种基于交通流矩阵组合模型的交通流量预测方法 |
CN116046001B (zh) * | 2022-11-26 | 2024-04-26 | 中国消防救援学院 | 一种基于智能消防的救援路径规划方法及系统 |
CN115798216B (zh) * | 2023-02-03 | 2023-04-28 | 以萨技术股份有限公司 | 一种获取目标车流量的数据处理系统 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116824867B (zh) * | 2023-08-30 | 2023-11-17 | 山东华夏高科信息股份有限公司 | 一种多源公路设施数据信号优化收集处理方法 |
CN116842330B (zh) * | 2023-08-31 | 2023-11-24 | 庆云县人民医院 | 一种可对比历史记录的保健信息处理方法及装置 |
CN117475633B (zh) * | 2023-11-07 | 2024-05-28 | 西南交通大学 | 一种面向事件的交通流量预测方法及装置 |
CN117312991B (zh) * | 2023-11-29 | 2024-04-02 | 中国平安财产保险股份有限公司 | 一种分类识别系统的构建方法及其相关设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866930A (zh) * | 2015-06-12 | 2015-08-26 | 哈尔滨工业大学 | 一种基于定量筛选时间序列预测模型的时间序列预测方法 |
US10356115B2 (en) * | 2017-03-31 | 2019-07-16 | Level 3 Communications, Llc | Creating aggregate network flow time series in network anomaly detection systems |
CN107633254A (zh) * | 2017-07-25 | 2018-01-26 | 平安科技(深圳)有限公司 | 建立预测模型的装置、方法及计算机可读存储介质 |
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 |
CN109300310B (zh) * | 2018-11-26 | 2021-09-17 | 平安科技(深圳)有限公司 | 一种车流量预测方法及装置 |
CN111401609B (zh) * | 2020-03-04 | 2023-01-17 | 平安科技(深圳)有限公司 | 车流量时间序列的预测方法及预测装置 |
-
2020
- 2020-03-04 CN CN202010142359.8A patent/CN111401609B/zh active Active
- 2020-09-24 WO PCT/CN2020/117319 patent/WO2021174811A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
CN111401609A (zh) | 2020-07-10 |
WO2021174811A1 (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401609B (zh) | 车流量时间序列的预测方法及预测装置 | |
US11113653B2 (en) | Artificial intelligence and machine learning based incident management | |
CN111353549B (zh) | 图像标签的核验方法及装置、电子设备、存储介质 | |
CN114819186A (zh) | 构建gbdt模型的方法、装置及预测方法、装置 | |
CN111105786B (zh) | 一种多采样率语音识别方法、装置、系统及存储介质 | |
CN109815480B (zh) | 一种数据处理方法和装置、及存储介质 | |
US20220327452A1 (en) | Method for automatically updating unit cost of inspection by using comparison between inspection time and work time of crowdsourcing-based project for generating artificial intelligence training data | |
CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
CN111444718A (zh) | 一种保险产品需求文档处理方法、装置及电子设备 | |
CN113129064A (zh) | 汽车配件价格预测方法、系统、设备与可读存储介质 | |
CN117196064A (zh) | 模型训练方法、对象属性值确定方法、装置、设备及介质 | |
CN112434651A (zh) | 一种基于图像识别的信息分析方法、装置及计算机设备 | |
CN110598090B (zh) | 兴趣标签的生成方法、装置、计算机设备和存储介质 | |
CN114693011A (zh) | 一种政策匹配方法、装置、设备和介质 | |
CN111639903A (zh) | 一种针对架构变更的评审处理方法及相关设备 | |
CN113642642B (zh) | 控件识别方法及装置 | |
CN115545481A (zh) | 一种风险等级确定方法、装置、电子设备及存储介质 | |
CN113886906A (zh) | Cad图纸的加载方法、字体文件替换方法、装置和存储介质 | |
CN114254588A (zh) | 数据标签处理方法和装置 | |
CN113284141A (zh) | 用于缺陷检测的模型确定方法、装置和设备 | |
CN117807545B (zh) | 一种基于数据挖掘的异常检测方法及系统 | |
CN113254787B (zh) | 事件分析方法、装置、计算机设备及存储介质 | |
Oelerich et al. | Evaluation of rating systems | |
CN114217820A (zh) | 一种基于SaaS软件的容器部署方法、装置、设备和介质 | |
CN115659983A (zh) | 一种数据处理方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |