CN111462489A - 交通拥堵区域预测方法及装置 - Google Patents
交通拥堵区域预测方法及装置 Download PDFInfo
- Publication number
- CN111462489A CN111462489A CN202010250773.0A CN202010250773A CN111462489A CN 111462489 A CN111462489 A CN 111462489A CN 202010250773 A CN202010250773 A CN 202010250773A CN 111462489 A CN111462489 A CN 111462489A
- Authority
- CN
- China
- Prior art keywords
- sequence
- traffic flow
- route
- traffic
- time
- 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
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种交通拥堵区域预测方法、装置、电子设备及计算机可读存储介质;方法包括:根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系;将所述时间序列划分为多个时间区间,并基于所述映射关系确定所述路线的交通流量在相邻的时间区间之间的变化,得到所述路线的交通流量变化序列;根据所述路线在不同日期的交通流量变化序列,确定所述路线的频繁序列模式;根据多个路线分别对应的频繁序列模式,对所述多个路线进行聚类处理;在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。通过本发明,能够准确且高效地预测出交通拥堵区域。
Description
技术领域
本发明涉及云技术领域和智慧交通技术领域,尤其涉及一种交通拥堵区域预测方法、装置、电子设备及计算机可读存储介质。
背景技术
云技术(Cloud technology)是指在广域网或局域网内将硬件、软件、网络等系列资源统一起来,实现数据的计算、存储、处理和共享的一种托管技术。伴随着互联网行业的不断发展,云技术现如今已广泛应用于各个行业中。
以交通行业为例,城市交通的发展与人类社会息息相关,交通拥堵问题一直是影响社会生活的严重问题,因此预测交通状况对于配置交通资源、城市路线规划、促进社会发展都具有非常重要的意义。例如,准确预测城市道路交通的拥堵区域,对可能经过拥堵区域路线的车辆进行事先导流,能够缓解甚至避免拥堵状况的发生,节省等待时间,更好地进行路线规划。
然而,相关技术对于如何准确且高效地预测出交通拥堵区域尚无有效的方案。
发明内容
本发明实施例提供一种交通拥堵区域预测方法、装置、电子设备及计算机可读存储介质,能够准确且高效地预测出交通拥堵区域。
本发明实施例的技术方案是这样实现的:
本发明实施例提供一种交通拥堵区域预测方法,包括:
根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系;
将所述时间序列划分为多个时间区间,并基于所述映射关系确定所述路线的交通流量在相邻的时间区间之间的变化,得到所述路线的交通流量变化序列;
根据所述路线在不同日期的交通流量变化序列,确定所述路线的频繁序列模式;
根据多个路线分别对应的频繁序列模式,对所述多个路线进行聚类处理;
在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。
本发明实施例提供一种交通拥堵区域预测装置,包括:
构建模块,用于根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系;
划分模块,用于将所述时间序列划分为多个时间区间,并基于所述映射关系确定所述路线的交通流量在相邻的时间区间之间的变化,得到所述路线的交通流量变化序列;
确定模块,用于根据所述路线在不同日期的交通流量变化序列,确定所述路线的频繁序列模式;
聚类模块,用于根据多个路线分别对应的频繁序列模式,对所述多个路线进行聚类处理;
所述确定模块,还用于在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。
上述方案中,所述划分模块,还用于按照第一时间粒度将所述交通流量数据的采集日期划分成多个第一时间区间,得到由所述多个第一时间区间组成的时间序列;所述交通拥堵区域预测装置还包括组合模块,用于针对所述多个第一时间区间中的任一第一时间区间,将所述路线包括的多个路段在所述任一第一时间区间内的交通流量数据进行组合,得到对应所述任一第一时间区间的交通流量序列;将所述多个第一时间区间分别对应的交通流量序列进行组合,得到所述路线的交通流量序列;所述构建模块,还用于构建由所述多个第一时间区间组成的时间序列与所述路线的交通流量序列之间的映射关系。
上述方案中,所述划分模块,还用于按照第二时间粒度对所述时间序列进行划分,得到多个第二时间区间;所述交通拥堵区域预测装置还包括比较模块,用于针对所述路线包括的多个路段,将每个所述路段在相邻的第二时间区间之间的交通流量进行比较;所述组合模块,还用于将所述多个路段分别对应的比较结果进行组合,得到所述路线的交通流量变化序列。
上述方案中,所述比较模块,还用于遍历所述路段中相邻的两个第二时间区间,并针对所述两个第二时间区间中的上一个第二时间区间和下一个第二时间区间,执行以下处理:当所述路段在所述下一个第二时间区间内的交通流量小于所述上一个第二时间区间内的交通流量时,将对应的比较结果标记为减;当所述路段在所述下一个第二时间区间内的交通流量大于所述上一个第二时间区间内的交通流量时,将对应的比较结果标记为增。
上述方案中,所述确定模块,还用于在序列集合中,选取多个长度为n的交通流量变化序列前缀,,记为n项交通流量变化序列前缀,确定对应于所述n项交通流量变化序列前缀的投影数据集;其中,所述序列集合由所述路线在不同日期的交通流量变化序列组合形成;当对应于所述n项交通流量变化序列前缀的投影数据集不为空时,将多个所述n项交通流量变化序列前缀中出现频率高于频率阈值的n项交通流量变化序列前缀确定为所述路线的频繁序列模式;其中,所述n是取值逐渐递增的自然数,取值范围满足2≤n≤K,K是所述路线所包含的路段的数量。
上述方案中,所述交通拥堵区域预测装置还包括更新模块,用于根据实时获取到的交通流量数据,确定所述路线的新交通流量变化序列;基于所述新交通流量变化序列,对所述路线的频繁序列模式进行更新。
上述方案中,所述聚类模块,还用于在所述多个路线分别对应的频繁序列模式中,将满足以下条件的路线聚类到同一类型:具有相同的序列段;相同的序列段的长度大于长度阈值;具有相同的序列段的时间区间占比大于占比阈值。
上述方案中,所述确定模块,还用于针对被聚类为同一类型的多个路线,执行以下处理:对所述多个路线分别对应的多个频繁序列模式进行识别,以确定在所述多个频繁序列模式中同时出现连续增长趋势的序列段,并将所述同时出现连续增长趋势的序列段所对应的路段,确定为交通拥堵区域。
上述方案中,所述交通拥堵区域预测装置还包括发送模块,用于将包括所述交通拥堵区域的信息发送到区块链网络,以使所述区块链网络执行以下处理:对所述交通拥堵区域的信息进行共识,共识通过后存储到所述区块链网络中,并基于所存储的交通拥堵区域的信息响应交通拥堵区域查询请求。
本发明实施例提供一种电子设备,包括:
存储器,用于存储可执行指令;
处理器,用于执行所述存储器中存储的可执行指令时,实现本发明实施例提供的交通拥堵区域预测方法。
本发明实施例提供一种计算机可读存储介质,存储有可执行指令,用于引起处理器执行时,实现本发明实施例提供的交通拥堵区域预测方法。
本发明实施例具有以下有益效果:
通过设置时间间隔分析交通流量增减趋势,并基于趋势挖掘交通流量变化的序列模式,更好地进行交通流量变化实时分析和发现变化规律,同时从基于时间间隔挖掘交通流量变化趋势的横向维度和从基于一段时间范围内多天的频繁序列模式的纵向维度,确保了挖掘分析结果的准确性。此外,对具有相似序列模式的交通路线进行聚类,从而确保挖掘的增长趋势明显路段的置信度,将其识别预测为交通拥堵区域。
附图说明
图1是本发明实施例提供的交通拥堵区域预测系统的一个可选的架构示意图;
图2是本发明实施例提供的服务器的一个可选的结构示意图;
图3是本发明实施例提供的交通拥堵区域预测方法的一个可选的流程示意图;
图4是本发明实施例提供的交通拥堵区域预测方法的另一个可选的流程示意图;
图5是本发明实施例提供的交通拥堵区域预测方法的再一个可选的流程示意图;
图6是本发明实施例提供的交通拥堵区域预测方法的应用示意图;
图7是本发明实施例提供的交通拥堵区域预测方法的又一个可选的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,所描述的实施例不应视为对本发明的限制,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它实施例,都属于本发明保护的范围。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
在以下的描述中,所涉及的术语“第一\第二”仅仅是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的,不是旨在限制本发明。
对本发明实施例进行进一步详细说明之前,对本发明实施例中涉及的名词和术语进行说明,本发明实施例中涉及的名词和术语适用于如下的解释。
1)云技术(Cloud technology),基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
2)序列模式,是指给定一个由不同序列组成的集合,其中,每个序列由不同的元素按顺序有序排列,每个元素由不同项目组成,同时给定一个最小支持度阈值,序列模式挖掘就是找出所有的频繁子序列,即该子序列在序列集中的出现频率不低于最小支持度阈值。
3)区块链(Blockchain),是由区块(Block)形成的加密的、链式的交易的存储结构。
4)区块链网络(Blockchain Network),通过共识的方式将新区块纳入区块链的一系列的节点的集合。
5)账本(Ledger),是区块链(也称为账本数据)和与区块链同步的状态数据库的统称。其中,区块链是以文件系统中的文件的形式来记录交易;状态数据库是以不同类型的键(Key)值(Value)对的形式来记录区块链中的交易,用于支持对区块链中交易数据的快速查询。
6)智能合约(Smart Contracts),也称为链码(Chaincode)或应用代码,部署在区块链网络的节点中的程序,节点执行接收的交易中所调用的智能合约,来对状态数据库的键值对数据进行更新或查询的操作。
7)共识(Consensus),是区块链网络中的一个过程,用于在涉及的多个节点之间对区块中的交易达成一致,达成一致的区块将被追加到区块链的尾部,并被用于更新状态数据库。
准确的交通流状态识别是智能交通管理与控制的基础,针对城市交通网络中拥堵区域的预测问题,相关技术主要提供了基于深度学习网络的预测模型、基于聚类和遗传算法的预测模型和基于最近邻的交通拥堵指数预测预测。
下面分别介绍这三种方案。
方案(1)基于深度学习网络的预测模型通过采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐含层参数并生成新特征集,应用Softmax回归对有标签的新特征集进行学习生成预测分类器,模型可对交通拥堵状况进行多态预测。
方案(2)基于聚类和遗传算法的预测模型首先利用密度聚类算法(DBSCAN,Density-Based Spatial Clustering of Applications with Noise)对历史交通拥堵数据集进行聚类,并利用采集到的道路交通拥堵信息,根据遗传算法挖掘道路的时序关联规则,进而实现预测未来时刻的交通拥堵状态。
方案(3)基于最近邻的交通拥堵指数预测模型通过构建交通拥堵指数明细为预测目标函数,建立基于K近邻的城市道路交通拥堵指数预测模型,确定模型的状态向量、距离计算方法、预测值计算方法等从而进行监督预测。
然而,在本发明实施例中发现相关技术上述所提到的三种用于预测交通拥堵区域的方案,存在以下问题:
(1)有监督构建分类模型预测区域是否为拥堵区域的方法需要标注一部分的标签样本,同时由于道路交通特征与区域特征较相关,在同一区域范围内特征非常相似,且在长时间内变化不大,无法适应交通路线场景道路状态瞬息万变的特点。
(2)深度模型挖掘预测交通状况在道路交通状况复杂的情况下需要建立庞大的网络参数来训练,往往还需要根据不同交通的特点构建多个模型预测,训练过程非常耗时,实时预测实时更新交通状态的场景难以满足上线场景需求。
(3)基于统计学习和统计指标构建预测模型存在如下缺点:理论上核技术可以把原始特征空间映射到一个新的特征空间,维数再多再复杂的问题也能通过核技术把复杂的问题简单化来解决,但选择什么样的核来映射则需要认为设定,统计学习与人工神经网络的表现形式单一,都是“属性-值”的形式,这种表现形式无法满足表现多维特征之间的关系,统计学习技术为了确保要解决的问题满足统计学的性质或简化问题而做出一些与真实情况不符的假设,这些假设在实际条件下很难成立。
针对上述问题,本发明实施例提供了一种交通拥堵区域预测方法、装置、电子设备和计算机可读存储介质,能够准确且高效地预测出交通拥堵区域。下面说明本发明实施例提供的交通拥堵区域预测方法的示例性应用,本发明实施例提供的交通拥堵区域预测方法可以由各种电子设备实施,例如可以实施为笔记本电脑、平板电脑、台式计算机、机顶盒、移动设备(例如,移动电话、便携式音乐播放器、个人数字助理、专用消息设备、便携式游戏设备)等各种类型的用户终端,也可以由服务器实施。
需要说明的是,上述的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、以及大数据和人工智能平台等基础云计算服务的云服务器,本发明在此不做限制。
下面,以由服务器实施为例说明本发明实施例提供的交通拥堵区域预测方法,参见图1,图1是本发明实施例提供的交通拥堵区域预测系统100的一个可选的架构示意图。其中,交通拥堵区域预测系统100包括:服务器200、网络300、终端400和数据库500,将分别进行说明。
数据库500用于存储通过摄像头等交通识别技术获取的城市道路交通流量数据。
服务器200从数据库500中获取交通流量数据,根据所获取的交通流量数据,通过交通拥堵区域预测模型(将在下文详细说明交通拥堵区域的预测过程)预测出交通拥堵区域,并将预测出的交通拥堵区域发送给终端400。
网络300用于作为服务器200和终端400之间通信的媒介,可以是广域网或者局域网,又或者是二者的组合。
终端400运行有客户端410,客户端410接收服务器200预测出的交通拥堵区域后,根据接收到的交通拥堵区域,为用户重新规划交通路线;或者针对接收到的交通拥堵区域,通知交通管理人员配置更多的交通资源进行合理拆解。
本发明实施例提供的交通拥堵区域预测系统可以广泛应用于交通路线规划、地图路线导航、城市资源管理配置等领域,例如在城市资源配置中,通过挖掘分析交通区域的状态分布,在流量较大的区域配置更多的交通资源进行合理拆解,可以减少这些区域的交通压力;在地图路线导航应用中,通过实时识别和预测出发地与目的地之间的交通状况,根据交通拥堵情况提供更科学有效的路径参考,减少交通时长,提高效率。
接下来说明本发明实施例提供的用于交通拥堵区域预测的电子设备的结构,电子设备可以是图1所示的服务器200。下面以电子设备为图1所示的服务器200为例说明该电子设备的结构。参见图2,图2是本发明实施例提供的服务器200的结构示意图,图2所示的服务器200包括:至少一个处理器210、存储器240、至少一个网络接口220。服务器200中的各个组件通过总线系统230耦合在一起。可理解,总线系统230用于实现这些组件之间的连接通信。总线系统230除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图2中将各种总线都标为总线系统230。
处理器210可以是一种集成电路芯片,具有信号的处理能力,例如通用处理器、数字信号处理器(DSP,Digital Signal Processor),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,其中,通用处理器可以是微处理器或者任何常规的处理器等。
存储器240可以是可移除的,不可移除的或其组合。示例性的硬件设备包括固态存储器,硬盘驱动器,光盘驱动器等。存储器240可选地包括在物理位置上远离处理器210的一个或多个存储设备。
存储器240包括易失性存储器或非易失性存储器,也可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM,Read Only Me mory),易失性存储器可以是随机存取存储器(RAM,Random Access Memor y)。本发明实施例描述的存储器240旨在包括任意适合类型的存储器。
在一些实施例中,存储器240能够存储数据以支持各种操作,这些数据的示例包括程序、模块和数据结构或者其子集或超集,下面示例性说明。
操作系统241,包括用于处理各种基本系统服务和执行硬件相关任务的系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务;
网络通信模块242,用于经由一个或多个(有线或无线)网络接口220到达其他计算设备,示例性的网络接口220包括:蓝牙、无线相容性认证(WiFi)、和通用串行总线(USB,Universal Serial Bus)等;
在一些实施例中,本发明实施例提供的交通拥堵区域预测装置可以采用软件方式实现,图2示出了存储在存储器240中的交通拥堵区域预测装置243,其可以是程序和插件等形式的软件,包括以下软件模块:构建模块2431、划分模块2432、确定模块2433和聚类模块2434,这些模块是逻辑上的,因此根据所实现的功能可以进行任意的组合或进一步拆分。将在下文中说明各个模块的功能。
在另一些实施例中,本发明实施例提供的交通拥堵区域预测装置可以采用硬件方式实现,作为示例,本发明实施例提供的交通拥堵区域预测装置可以是采用硬件译码处理器形式的处理器,其被编程以执行本发明实施例提供的交通拥堵区域预测方法,例如,硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(ASIC,ApplicationSpecific Integrated Circuit)、DSP、可编程逻辑器件(PLD,Programmable LogicDevice)、复杂可编程逻辑器件(C PLD,Complex Programmable Logic Device)、现场可编程门阵列(FPGA,Fi eld-Programmable Gate Array)或其他电子元件。
下面,以由图1中的服务器200实施本发明实施例提供的交通拥堵区域预测方法为例进行说明。参见图3,图3是本发明实施例提供的交通拥堵区域预测方法的一个可选的流程示意图,将结合图3示出的步骤进行说明。
在步骤S301中,服务器根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系。
这里,首先通过交通摄像头识别等技术获取城市道路交通流量数据,并将所获取的交通流量数据保存到数据库中,接着,服务器从数据库中获取交通流量数据,并根据所获取的交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系。
在一些实施例中,图3示出的步骤S301可以通过图4示出的步骤S401至步骤S404实现。参见图4,图4是本发明实施例提供的交通拥堵区域预测方法的另一个可选的流程示意图,将结合图4示出的步骤进行说明。
在步骤S401中,服务器按照第一时间粒度将交通流量数据的采集日期划分为多个第一时间区间,得到由多个第一时间区间组成的时间序列。
在一些实施例中,服务器可以以1个小时为第一时间粒度,将采集日期划分成24个第一时间区间(即将每天划分为0时、1时、2时、….、23时共24个区间),得到由24个第一时间区间组成的时间序列。
在另一些实施例中,服务器也可以以半个小时为第一时间粒度,将采集日期划分成48个第一时间区间(即将每天划分为0时、0时30分、1时、1时30分、…23时、23时30分共48个区间),得到由48个第一时间区间组成的时间序列。
在步骤S402中,服务器针对多个第一时间区间中的任一第一时间区间,将路线包括的多个路段在任一第一时间区间内的交通流量数据进行组合,得到对应任一第一时间区间的交通流量序列。
在步骤S403中,服务器将多个第一时间区间分别对应的交通流量序列进行组合,得到路线的交通流量序列。
示例的,假设路线1包括路段A、路段B、路段C、路段D、路段E和路段F6个路段,且以上述1个小时为第一时间粒度为例,将路段A、路段B、路段C、路段D、路段E和路段F分别在0时的交通流量数据进行组合,得到路线1在0时的交通流量序列,例如“20-201-190-262-205-450”。类似的,将路段A、路段B、路段C、路段D、路段E和路段F分别在1时的交通流量数据进行组合,得到路线1在1时的交通流量序列,例如“15-243-241-313-84-474”。以此类推,可以得到路线1分别在2时、3时…23时的交通流量序列,最后,将路线1在0时至23时分别对应的交通流量序列进行组合,得到路线1的交通流量序列。
在步骤S404中,服务器构建由多个第一时间区间组成的时间序列与路线的交通流量序列之间的映射关系。
在执行步骤S403得到路线的交通流量序列后,服务器即可构建时间序列与路线的交通流量序列之间的映射关系。具体的,服务器针对每个时间区间,将每个时间区间与对应时间区间内路线的交通流量序列进行关联,从而得到时间序列与路线的交通流量序列之间的映射关系。
示例的,以上述路线1为例,服务器将0时与路线1在0时的交通流量序列“20-201-190-262-205-450”进行关联,将1时与路线1在1时的交通流量序列“15-243-241-313-84-474”,以此类推,将23时与路线1在23时的交通流量序列“26-108-446-204-112-439”进行关联,从而得到24小时的时间序列与路线1的交通流量序列之间的映射关系。
在步骤S302中,服务器将时间序列划分为多个时间区间,并基于映射关系确定路线的交通流量在相邻的时间区间之间的变化,得到路线的交通流量变化序列。
这里,在基于步骤S301得到时间序列与各个路线的交通流量序列之间的映射关系后,服务器可以设置时间间隔并分析各个路段的交通流量在时间间隔内的变化趋势,从而得到各个路线的交通流量变化序列。
在一些实施例中,图3示出的步骤S302可以通过图5示出的步骤S501至步骤S503实现,参见图5,图5是本发明实施例提供的交通拥堵区域预测方法的又一个可选的流程示意图,将结合图5示出的步骤进行说明。
在步骤S501中,服务器按照第二时间粒度对时间序列进行划分,得到多个第二时间区间。
在步骤S502中,服务器针对路线包括的多个路段,将每个路段在相邻的第二时间区间之间的交通流量进行比较。
这里,服务器首先按照第二时间粒度对时间序列进行划分,例如第二时间粒度可以设置为1个小时,并计算路线包括的各个路段在下一小时的交通流量与上一小时的交通流量的差值,从而得到该路段在相邻时间区间内的变化值。
示例的,假设路线1在0时的交通流量序列为“20-201-190-262-205-450”,在1时的交通流量序列为“15-243-241-313-84-474”,将路线1在1时的交通流量序列与在0时的交通流量序列进行比较,得到路线1的各路段在0-1时的交通流量变化如下:-5、42、51、51、-121、24。类似的,将路线1在2时的交通流量序列与1时的交通流量序列进行比较,得到路线1的各路段在1-2时的交通流量变化值。以此类推,将路线1在0时的交通流量序列与在23时的交通流量序列进行比较,得到路线1的各路段在0-23时的交通流量变化值。
在一些实施例中,可以将交通流量的增减趋势用符号标识,例如当交通流量增加(即差值为正)时,标识为1,当交通流量减少(即差值为负)时,标识为-1,当交通流量不变(即差值为零)时,标识为0,从而可以将路线1在0-1时的交通流量变化表示为:-1、1、1、1、-1、1。
在另一些实施例中,也可以直接用文字来表示交通流量的增减趋势,例如当交通流量增加(即差值为正)时,标识为增,当交通流量减少(即差值为负)时,标识为减,从而可以将路线1在0-1时的交通流量变化表示为:减、增、增、增、减、增。
在步骤S503中,服务器将多个路段分别对应的比较结果进行组合,得到路段的交通流量变化序列。
在基于步骤S502得到路线的各个路段在相邻第二时间区间之间的比较结果后,可以将各个路段分别对应的比较结果进行组合,得到路线的交通流量变化序列。
示例的,假设路线1的各个路段在0-1时的交通流量变化值为:减、增、增、增、减、增,则将路线1的各个路段在0-1时的交通流量变化值进行组合,得到路线1在0-1时的交通流量变化序列:减-增-增-增-减-增。类似的,将路线1的各个路段在1-2时的交通流量变化值进行组合,得到路线1在1-2时的交通流量变化序列:增-减-增-减-增-减。以此类推,将路线1的各个路段在23-0时的交通流量变化值进行组合,得到路线1在23-0时的交通流量变化序列:减-减-减-增-减-增。
在步骤S303中,服务器根据路线在不同日期的交通流量变化序列,确定路线的频繁序列模式。
这里,在基于步骤S301至步骤S302得到路线的交通流量变化序列后,可以通过算法挖掘出路线的频繁序列模式,即确定出一段时间范围内各路线在各个时间区间内频繁出现的变化模式。
在一些实施例中,可以通过前缀投影的序列模式挖掘(Prefixspan)算法挖掘路线的频繁序列模式。Prefixspan算法的具体计算过程如下:在序列集合中,选取单位长度为一的一项交通流量变化序列前缀,并确定对应于一项交通流量变化序列前缀的投影数据集;当对应于一项交通流量变化序列前缀的投影数据集不为空时,将出现频率超过频率阈值的一项交通流量变化序列前缀确定为频繁一项交通流量变化序列;在频繁一项交通流量变化序列的基础上,依次递增选取的交通流量变化序列前缀的单位长度,以获得n项交通流量变化序列前缀;确定对应于n项交通流量变化序列前缀的投影数据集;当对应于n项交通流量变化序列前缀的投影数据集为空、且n项交通流量变化序列前缀的出现频率超过频率阈值时,将n项交通流量变化序列前缀确定为频繁交通流量变化序列;其中,n是取值逐渐递增的自然数,取值范围满足2≤n≤K,K是路线所包括的路段的数量。
这里,频率阈值或称最小支持度阈值,最小支持度阈值的计算公式为min_sup=a×n,其中,其中,a为最小支持率,最小支持率参数可以根据样本集的数量进行调整,n为采集数据时间范围天数。
示例的,假设基于步骤S301至步骤S302得到路线1在2019年12月01日8-9时的交通流量变化序列为“A增-B增-C增-D减-E增-F减”,在2019年12月02日8-9时的交通流量变化序列为“A减-B增-C增-D减-E减-F减”,其中,“A增”表示路段A在8-9时交通流量增加。接下来,基于Prefixspan算法挖掘路线1在不同天同一时间区间内蕴含的序列模式,假设所设定的最小支持度阈值为0.5,首先对路线1所有类型特征的频率进行统计,结果如下:
A增:1、A减:1、B增:2、C增:2、D减:2、E增:1、E减:1、F减:2,
则满足该阈值的一项前缀与其对应的后缀分别为:
B增:C增-D减-E增-F减/C增-D减-E减-F减;
C增:D减-E增-F减/D减-E减-F减;
D减:E增-F减/E减-F减;
F减:空。
同样地,满足最小支持度阈值的二项前缀和与其对应的后缀分别为:
B增-C增:D减-E增-F减/D减-E减-F减;
C增-D减:E增-F减/E减-F减;
D减-F减:空。
同样的,满足最小支持度阈值的三项前缀和与其对应的后缀分别为:
B增-C增-D减:E增-F减/E减-F减;
C增-D减-F减:空。
同样的,满足最小支持度阈值的四项前缀和与其对应的后缀为:
B增-C增-D减-F减:空。
将所挖掘的最长前缀序列作为该路线在该时间间隔内交通流量的频繁序列模式,即将“B增-C增-D减-F减”作为路线1在8-9时的频繁序列模式。此外,该模式会随着历史时间范围内交通流量数据的实时更新发生变化,实时挖掘得到最新的变化趋势。
本发明实施例通过设置时间间隔分析交通流量增减趋势,并基于趋势挖掘路线的频繁序列模式,更好地进行交通流量变化实时分析和发现变化规律,同时,从基于一天内不同时间间隔挖掘交通流量变化趋势的横向维度和从基于一段时间内多天的频繁序列模式的纵向维度,确保了挖掘分析结果的准确性。
在步骤S304中,服务器根据多个路线分别对应的频繁序列模式,对多个路线进行聚类处理。
在基于步骤S303得到各个路线的频繁序列模式后,可以基于各个路线分别对应的频繁序列模式进行聚类处理。
在一些实施例中,由于交通拥堵区域具有“群体集中出现”的特点,在各个路线中容易出现路段重复和交叉的现象,因此,可以在各个路线分别对应的频繁序列模式中,匹配共同序列段的最短序列模式,例如当路线1和路线2的频繁序列模式中都出现了“C增-D减-F减”的序列段,且该序列段的长度符合最短序列段模式长度阈值N(假设设定N为3),那么就可以认为路线1和路线2是具有相似模式的交通路线,将路线1和路线2划分到同一类型。另一方面,如果两个或者多个路线在大部分时间区间内的频繁序列模式是相似的,那么也可以认为这些路线也是相似的。例如,假设路线1在8-9时的频繁序列模式为“增-增-减-减”、9-10时的频繁序列模式为“减-增-减-增”、10-11时的频繁序列模式为“减-减-增-增-增”、11-12时的频繁序列模式为“减-减-减-减”;路线2在8-9时对应的频繁序列模式为“增-增-减-减”、9-10时对应的频繁序列模式为“减-增-减-增”、10-11时对应的频繁序列模式为“减-增-增-增-增”、11-12时对应的频繁序列模式为“增-减-减-减”,可以看到,路线1和路线2在大部分时间区间内的频繁序列模式是相似的,因此,可以将路线1和路线2划分到同一类型。也就是说,判定两个路线是否属于同一类型的路线的标准为:相同序列模式长度达到最短序列模式长度阈值N(例如设定N为3),同时满足的时间区间在所有时间区间中占比达到高度相同模式出现时间段占比P(例如设定P为1/6,即24个时间区间中至少有4个时间区间内频繁序列模式是高度相似的),将同时满足上述两个条件的路线划分到同一类型。
本发明实施例通过匹配最短序列模式,对具有相同最短序列模式的交通路线进行聚类处理,从而将在频繁序列模式上具有相似特征的交通路线聚在一起,能够挖掘更加深层的共同属性并进行重点关注。
在步骤S305中,服务器在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。
在基于步骤S304对多个路线进行聚类处理后,服务器针对被聚类为同一类型的路线,对该类型路线的频繁序列模式进行识别,确定这些路线对应的频繁序列模式中同时出现交通流量增长趋势的序列段,尤其是出现连续增长的序列段,例如“C增-D增-E增”的序列段,作为增长趋势明显的序列段,该部分序列段满足在一定时间范围内频繁出现增长,同时是在聚类的群体中普遍存在的共有特性,因此,将该序列段所对应的路段区域识别预测为交通拥堵区域,服务器输出路线-路段以及拥堵区域标签。
本发明实施例基于历史交通流量数据实时预测和更新区域拥堵状况的预测,模型筛选条件少,更加符合实际应用的需求,同时拥堵状况最直接反映在交通流量趋势的变化,模式的挖掘能够极大程度的满足模型预测的要求,减少了特征采集和特征构建的工作和耗时,也降低了噪声特征带入的影响,提高了模型预测的准确率。
在一些实施例中,在步骤S305之后,还可以包括:将交通拥堵区域存储到区块链网络中,以使区块链网络响应针对交通拥堵区域的查询请求。
下面以图1中的服务器200将确定出的交通拥堵区域上传至区块链网络进行保存为例,说明本发明实施例提供的交通拥堵区域预测方法的示例性应用。参见图6,图6是图6是本发明实施例提供的交通拥堵区域预测方法的应用示意图,包括区块链网络500(示例性示出了共识节点510-1至共识节点510-3)、认证中心600和业务主体700/800,下面分别进行说明。
区块链网络500的类型是灵活多样的,例如可以为公有链、私有链或联盟链中的任意一种。以公有链为例,任何业务主体的电子设备(例如,服务器200),都可以在不需要授权的情况下接入区块链网络500而成为客户端节点;以联盟链为例,业务主体在获得授权后其下辖的电子设备可以接入区块链网络500而成为客户端节点。
作为示例,当区块链网络500是联盟链时,业务主体700/800从认证中心600进行登记注册获得各自的数字证书,数字证书中包括业务主体的公钥、以及认证中心600对业务主体700/800的公钥和身份信息签署的数字签名,用来与业务主体针对交易的数字签名一起附加到交易(例如,用于上链存储交通拥堵区域)中,并被发送到区块链网络500,以供区块链网络500从交易中取出数字证书和数字签名,验证交易的可靠性(即是否未经篡改)和发送消息的业务主体的身份信息,区块链网络500会根据身份进行验证,例如是否具有发起交易的权限。
在一些实施例中,客户端节点可以只作为区块链网络500的观察者,即提供支持业务主体发起交易功能,对于区块链网络500的共识节点510的功能,例如排序功能、共识服务和账本功能等,客户端节点可以缺省或者有选择性(例如,取决于业务主体的具体业务需求)地实施。从而,可以将业务主体的数据和业务处理逻辑最大程度迁移到区块链网络500中,通过区块链网络500实现数据和业务处理过程的可信和可追溯。
区块链网络500中的共识节点接收来自不同业务主体(例如图6中示出的业务主体700/800)的客户端节点提交的交易,执行交易以更新账本或者查询账本,执行交易的各种中间结果或最终结果可以返回业务主体的客户端节点中显示。
下面以服务器200将确定出的交通拥堵区域上传至区块链网络500进行保存为例,说明区块链网络的示例性应用,参见图6,客户端节点710可以是服务器200。
首先,在客户端节点710设置交通拥堵区域上链的逻辑,例如当确定出交通拥堵区域时,客户端节点710将交通拥堵区域发送至区块链网络500时,生成对应的交易,交易包括:为了上链交通拥堵区域而需要调用的智能合约、以及向智能合约传递的参数;交易还包括客户端节点710的数字证书、签署的数字签名,并将交易广播到区块链网络500中的共识节点510。
然后,区块链网络500中的共识节点510中接收到交易时,对交易携带的数字证书和数字签名进行验证,验证成功后,根据交易中携带的业务主体700的身份,确认业务主体700是否是具有交易权限,数字签名和权限验证中的任何一个验证判断都将导致交易失败。验证成功后签署共识节点510自己的数字签名(例如,使用节点510-1的私钥对交易的摘要进行加密得到),并继续在区块链网络500中广播。
最后,区块链网络500中的共识节点510接收到验证成功的交易后,将交易填充到新的区块中,并进行广播。区块链网络500中的共识节点510广播的新区块时,会对新区块进行验证,例如,验证新区块中交易的数字签名是否有效,如果验证成功,则将新区块追加到自身所存储的区块链的尾部,并根据交易的结果更新状态数据库,执行新区块中的交易:对于提交的存储交通拥堵区域的交易,在状态数据库中添加包括交通拥堵区域的键值对。
再以服务器210在区块链网络500中查询交通拥堵区域为例,说明区块链网络的示例性应用。参见图6,客户端节点810可以是服务器210。
这里,服务器210是指需要查询交通拥堵区域的服务器。
在一些实施例中,客户端节点810在区块链网络500中能够查询的数据的类型,可以由共识节点510通过约束业务主体的客户端阶段能够发起的交易的权限来实现,当客户端节点810具有发起查询交通拥堵区域的权限时,可以由客户端节点810生成用于查询交通拥堵区域的交易并提交到区块链网络500中,从共识节点510执行交易以从状态数据库中查询相应的交通拥堵区域,并返回客户端节点810。
以地图路线导航场景为例,服务器200可以是归属于交通管理局的服务器,交通管理局根据交通流量数据,预测出交通拥堵区域,并将预测出的交通拥堵区域存储到区块链网络500中;而服务器210可以是归属于某个提供导航应用的公司的服务器,当接收到用户的导航请求时,该公司的服务器会向区块链网络500请求交通拥堵区域的数据,并根据区块链网络500返回的交通拥堵区域的数据,为用户提供科学有效的路径参考,减少交通时长,提高出行效率。
下面继续说明本发明实施例提供的交通拥堵区域预测装置243实施为软件模块的示例性结构,在一些实施例中,如图2所示,存储在存储器240的交通拥堵区域预测装置243中的软件模块可以包括:构建模块2431、划分模块2432、确定模块2433和聚类模块2434。
构建模块2431,用于根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系;划分模块2432,用于将时间序列划分为多个时间区间,并基于映射关系确定路线的交通流量在相邻的时间区间之间的变化,得到路线的交通流量变化序列;确定模块2433,用于根据路线在不同日期的交通流量变化序列,确定路线的频繁序列模式;聚类模块2434,用于根据多个路线分别对应的频繁序列模式,对多个路线进行聚类处理;确定模块2433,还用于在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。
在一些实施例中,划分模块2432,还用于按照第一时间粒度将交通流量数据的采集日期划分成多个第一时间区间,得到由多个第一时间区间组成的时间序列;交通拥堵区域预测装置243还包括组合模块2435,用于针对多个第一时间区间中的任一第一时间区间,将路线包括的多个路段在任一第一时间区间内的交通流量数据进行组合,得到对应任一第一时间区间的交通流量序列;将多个第一时间区间分别对应的交通流量序列进行组合,得到路线的交通流量序列;构建模块2431,还用于构建由多个第一时间区间组成的时间序列与路线的交通流量序列之间的映射关系。
在一些实施例中,划分模块2432,还用于按照第二时间粒度对时间序列进行划分,得到多个第二时间区间;交通拥堵区域预测装置243还包括比较模块2436,用于针对路线包括的多个路段,将每个路段在相邻的第二时间区间之间的交通流量进行比较;组合模块2435,还用于将多个路段分别对应的比较结果进行组合,得到路线的交通流量变化序列。
在一些实施例中,比较模块2436,还用于遍历路段中相邻的两个第二时间区间,并针对两个第二时间区间中的上一个第二时间区间和下一个第二时间区间,执行以下处理:当路段在下一个第二时间区间内的交通流量小于上一个第二时间区间内的交通流量时,将对应的比较结果标记为减;当路段在下一个第二时间区间内的交通流量大于上一个第二时间区间内的交通流量时,将对应的比较结果标记为增。
在一些实施例中,确定模块2433,还用于在序列集合中,选取多个长度为n的n项交通流量变化序列前缀,记为n项交通流量变化序列前缀,确定对应于n项交通流量变化序列前缀的投影数据集;其中,序列集合由路线在不同日期的交通流量变化序列组合形成;当对应于n项交通流量变化序列前缀的投影数据集不为空时,将多个n项交通流量变化序列前缀中出现频率高于频率阈值的n项交通流量变化序列前缀确定为路线的频繁序列模式;其中,n是取值逐渐递增的自然数,取值范围满足2≤n≤K,K是路线所包含的路段的数量。
在一些实施例中,交通拥堵区域预测装置243还包括更新模块2437,用于根据实时获取到的交通流量数据,确定路线的新交通流量变化序列;基于新交通流量变化序列,对路线的频繁序列模式进行更新。
在一些实施例中,聚类模块2434,还用于在多个路线分别对应的频繁序列模式中,将满足以下条件的路线聚类到同一类型:具有相同的序列段;相同的序列段的长度大于长度阈值;具有相同的序列段的时间区间占比大于占比阈值。
在一些实施例中,确定模块2433,还用于针对被聚类为同一类型的多个路线,执行以下处理:对多个路线分别对应的多个频繁序列模式进行识别,以确定在多个频繁序列模式中同时出现连续增长趋势的序列段,并将同时出现连续增长趋势的序列段所对应的路段,确定为交通拥堵区域。
在一些实施例中,交通拥堵区域预测装置243还包括发送模块2438,用于将包括交通拥堵区域的信息发送到区块链网络,以使区块链网络执行以下处理:对交通拥堵区域的信息进行共识,共识通过后存储到区块链网络中,并基于所存储的交通拥堵区域的信息响应交通拥堵区域查询请求。
需要说明的是,本发明实施例装置的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,因此不做赘述。对于本发明实施例提供的交通拥堵区域预测装置中未尽的技术细节,可以根据图3-5、7任一附图的说明而理解。
下面,将说明本发明实施例在一个实际的应用场景中的示例性应用。
准确的交通状态识别是智能交通管理与控制的基础,针对城市交通网络中拥堵区域预测问题,目前,相关技术提供的方法主要有基于深度学习网络的预测模型、基于聚类和遗传算法的预测模型和基于最近邻的交通拥堵指数预测模型。下面分别介绍这几种模型。
基于深度学习网络的预测模型通过采用深度学习的自编码网络方法从无标签数据集中学习获取可表征数据深层特征的隐含层参数并生成新特征集,应用Softmax回归对有标签的新特征集进行学习生成预测分类器,模型可对交通拥堵状况进行多态预测。
基于聚类和遗传算法的预测模型首先通过利用密度聚类算法(DBSCAN,Density-Based Spatial Clustering of Applications with Noise)对历史交通拥堵数据集进行聚类,并利用采集到的道路交通拥堵信息,根据遗传算法挖掘道路的时序关联规则,进而实现预测未来时刻的交通拥堵状态。
基于最近邻的交通拥堵指数预测模型通过构建交通拥堵指数明细为预测目标函数,建立基于K近邻的城市道路交通拥堵指数预测模型,确定模型的状态向量、距离计算方法、预测值计算方法等从而进行监督预测。
然而,上述所提到的三种用于预测交通拥堵区域的方法,存在以下问题:
1、有监督构建分类模型预测区域是否为拥堵区域的方法需要标注一部分的标签样本,同时由于道路交通特征与区域特征较相关,在同一区域范围内特征非常相似,且在长时间内变化不大,无法适应交通路线场景道路状态瞬息万变的特点。
2、深度模型挖掘预测交通状况在道路交通状况复杂的情况下需要建立庞大的网络参数来训练,往往还需要根据不同交通的特点构建多个模型预测,训练过程非常耗时,实时预测实时更新交通状态的场景难以满足上线场景需求。
3、基于统计学习和统计指标构建预测模型存在如下缺点:理论上核技术可以把原始特征空间映射到一个新的特征空间,维数再多再复杂的问题也能通过核技术把复杂的问题简单化来解决,但选择什么样的核来映射则需要认为设定,统计学习与人工神经网络的表现形式单一,都是“属性-值”的形式,这种表现形式无法满足表现多维特征之间的关系,统计学习技术为了确保要解决的问题满足统计学的性质或简化问题而做出一些与真实情况不符的假设,这些假设在实际条件下很难成立。
鉴于以上方法存在的各种问题,本发明实施例提供了一种交通拥堵区域预测方法,该方法首先构建时间序列与交通流量序列之间的映射关联关系,基于时间间隔设置分析交通流量增减趋势,然后通过算法挖掘时间与流量趋势序列的序列模式,接下来匹配最短序列模式的交通路线对相似模式路线进行聚类,最后通过识别聚类路段中增长趋势明显的序列段,确定为交通拥堵区域路段。
本发明实施例提供的交通拥堵区域预测方法相较于相关技术提供的上述方法,具有以下有益效果:
(1)通过构建时间间隔分析交通流量增减趋势,并基于趋势挖掘流量变化的序列模式,更好地进行交通流量变化实时分析和发现变化规律,同时分析流量变化具有实时性的优势,效率更好;
(2)通过匹配最短序列模式,对具有相同最短序列模式的交通区域路线进行聚类,从而将在序列模式上具有相似特性的交通路线聚在一起,能够挖掘更深层的共同属性并重点关注该部分趋势变化的序列信息,并且识别增长趋势显著的序列段,预测为交通拥堵区域路段;
(3)基于历史交通流量数据实时预测和更新区域拥堵状况的预测,模型筛选条件少,更符合现实应用的需求,同时拥堵状况直接反映在交通流量趋势的变化,模式的挖掘能够极大程度的满足模型预测的要求,减少特征采集和特征构建的工作和耗时,也降低了噪声特征带入的影响,提高模型预测的准确率。
本发明实施例提供的交通拥堵区域预测方法可广泛应用于交通路线规则、城市资源配置、地图科学导航等领域,例如在城市资源配置中,通过挖掘分析交通区域的状态分布,在流量较大的区域配置更多的交通资源合理拆解,可以减少这些区域的交通压力;在地图路线导航应用中,通过实时识别和预测出发地与目的地之间的交通状况,根据交通拥堵情况提供更加科学有效的路径参考,可以减少交通时长,提高出行效率。
参见图7,图7是本发明实施例提供的交通拥堵区域预测方法的再一个可选的流程示意图,将结合图7示出的步骤进行说明。
在步骤S701中,构建时间序列与交通流量序列之间的映射关联关系。
通过交通摄像头识别等技术获取城市道路交通各个路段24小时的交通流量数据,并基于每天24小时的时间序列与各个路段的交通流量序列构建各个交通路线的映射关联关系。
参见表1、表2、表3,表1是路线1路段A的24小时交通流量数据表,表2是路线与路段的关系表,表3是24小时的时间序列与路线1的交通流量序列之间的映射关联关系表。
表1路线1路段A的24小时交通流量数据表
表2路线与路段的关系表
路线 | 路段 |
路线1 | 路段A |
路线1 | 路段B |
路线1 | 路段C |
路线1 | 路段D |
路线1 | 路段E |
路线1 | 路段F |
路线2 | 路段A |
… | … |
路线n | 路段N |
表3 24小时的时间序列与路线1的交通流量序列之间的映射关联关系表
在步骤S702中,设置时间间隔分析交通流量增减趋势。
在步骤S701中构建了时间序列与各个路线的交通流量序列之间的映射关联关系,接下来设置时间间隔并分析各个路段在时间间隔内的变化趋势,从而搭建24小时内各个路线的交通流量变化序列,具体步骤如下:
首先,设置时间间隔,例如设置1个小时为一个时间间隔,计算下1个小时的交通流量与上1个小时的交通流量的差值,得到该路段的交通流量在时间间隔内的变化值。例如,基于表3的24小时的时间序列与路线1的交通流量序列之间的映射关联关系表,得到路线1的各个路段在时间间隔内的交通流量变化如表4所示。
表4路线1的各个路段在各个时间间隔内的交通流量变化表
接着,将增减趋势(即时间间隔内交通流量正负差值)用符号标识,增加(即差值为正)标识为1,减少(即差值为负)标识为-1,不变(即差值为零)标识为0。以上述表4为例,将路线1的各个路段在各个时间间隔内的交通流量的增减趋势用1和-1进行标识,得到表5。
表5路线1的各个路段在各个时间间隔内的交通流量增减表
当然,为了可以更加直观地了解到路线的各个路段在各个时间间隔内交通流量的增减趋势,也可以直接将增减趋势直接用文字进行表示,例如当差值为负时,标识为“减”,当差值为正时,标识为“增”,如此,可以将表5转换为表6。
表6路线1的各个路段在各个时间间隔内的交通流量增减表
随后,基于路线的各个路段在时间间隔内的交通流量的变化趋势,构建各个路线的交通流量变化序列,例如以路线1的各个路段为例,构建路线1的交通流量变化序列如下。
表7路线1的交通流量变化序列表
在步骤S703中,挖掘交通流量变化序列的序列模式。
在一些实施例中,可以利用前缀投影的序列模式挖掘(Prefixspan)算法挖掘交通流量变化序列的序列模式,挖掘出一段时间范围内各路线在各个时间间隔频繁出现的序列模式。
基于Prefixspan算法挖掘一定时间范围内各个路线在各个时间间隔中满足最小支持度阈值的各个长度的频繁序列模式。同时,使用多最小支持度策略,最小支持度的计算公式如下所示:
min_sup=a×n
其中,a为最小支持率,最小支持率参数可以根据样本集的数量进行调整,n为采集数据时间范围天数。
序列模式挖掘算法的具体过程如下:
1、找出单位长度为1的交通流量变化序列前缀和对应投影数据集;
2、统计交通流量变化序列前缀出现频率并将支持度高于最小支持度阈值的前缀添加到数据集,获取频繁一项集序列模式;
3、对所有长度为i且满足最小支持度要求的前缀递归挖掘;
1)挖掘前缀的投影数据集,如果投影数据为空集合,则返回递归;
2)统计对应投影数据集中各项的最小支持度,将满足支持度的各单项与当前缀合并,得到新前缀,不满足支持度要求则递归返回;
3)令i=i+1,前缀为合并单项后的各个新前缀,分别递归执行第3步;
4、返回交通流量变化序列样本集中各个路线的所有频繁增减序列模式。
以上是序列模式挖掘算法的原理性描述,下面举例说明时间与交通流量变化序列矩阵具体的挖掘方式。
基于步骤S701和步骤S702,可以构造同一个路线在不同天同一时间段的交通流量变化序列,其中,路线的交通流量变化序列包含变化的路段标识符,如A路段交通流量增加则表示为“A增”,仍以上述的路线1为例,得到路线1在不同日期同一时间段的交通流量变化序列如下。
表8路线1在不同日期同一时间段的交通流量变化序列表
路线 | 日期(天) | 时间段 | 交通流量变化趋势序列 |
路线1 | 20191201 | 8-9时 | A增-B增-C增-D减-E增-F减 |
路线1 | 20191202 | 8-9时 | A减-B增-C增-D减-E减-F减 |
接下来,基于Prefixspan算法挖掘不同天同一时间间隔对该路线的各路段序列中蕴含的序列模式,以上述路线1为例,假设所设定的最小支持度阈值为0.5,首先统计路线1所有类型特征的频率,统计结果如表9所示。
表9路线1所有类型特征的频率统计表
满足最小支持度阈值的一项交通流量变化序列前缀与其对应后缀(即投影数据集)如表10所示。
表10一项交通流量变化序列前缀和与其对应后缀
同样地,满足最小支持度阈值的二项交通流量变化序列前缀和与其对应后缀(即投影数据集)如表11所示。
表11二项交通流量变化序列前缀和与其对应后缀
同样地,满足最小支持度阈值的三项交通流量变化序列前缀和对应后缀如表12所示。
表12三项交通流量变化序列前缀和与其对应后缀
同样地,满足最小支持度阈值的交通流量变化序列前缀和与其对应的后缀如表13所示。
表13四项交通流量变化序列前缀和与其对应后缀
四项前缀 | 对应后缀 |
B增-C增-D减-F减 |
将所挖掘的最长前缀序列作为该路线在该时间间隔内交通流量变化的频繁序列模式,且该模式会随着历史时间范围内的交通流量数据实时更新变化,实时挖掘得到最小的变化趋势。
在步骤S704中,匹配最短序列模式对相似模式进行聚类。
由于交通拥堵区域具有“群体集中出现”的特点,在各个路线中容易出现路段重复和交叉的现象,因此在各个路线的序列模式中,匹配共同序列段的最短序列模式,例如路线1和路线2都出现了序列模式“-C增-D减-E减”,同时该模式符合预设的共同序列段最短序列模式长度阈值N(假设设定N为3),那么可以认为路线1和路线2是具有相似模式的交通路线,能够对具有相似模式的交通路线进行聚类。另一方面,如果两个或者多个路线在24小时的各个时间间隔内,大部分时间间隔的交通流量变化序列都是相似的,那么这些路线也是相似的。例如,表14是路线1在某些时间间隔内的交通流序列模式,表15是路线2在某些时间间隔内的交通流序列模式,在24小时内路线1和路线2在某些时间段内的交通流序列模式是高度相似的,因此,可以将路线1和路线2划分为同一类型的路线。
表14路线1在某些时间间隔内的交通流序列模式
路线 | 时间间隔 | 交通流序列模式 |
路线1 | 8-9时 | 增-增-减-减 |
路线1 | 9-10时 | 减-增-减-增 |
路线1 | 10-11时 | 减-减-增-增-增 |
路线1 | 11-12时 | 减-减-减-减 |
表15路线2在某些时间间隔内的交通流序列模式
路线 | 时间间隔 | 交通流序列模式 |
路线2 | 8-9时 | 增-增-减-减 |
路线2 | 9-10时 | 减-增-减-增 |
路线2 | 10-11时 | 减-增-增-增-增 |
路线2 | 11-12时 | 增-减-减-减 |
在相同时间间隔下具有高度相似模式的交通流,其判断的标准可以是:具有相同序列模式长度达到最短序列模式长度阈值N(例如可以设定N为3),同时满足的时间间隔在所有时间间隔中占比达到高度相似模式出现时间段的占比P(例如可以设定P为1/6,即24个时间间隔中至少有4个时间间隔的模式是高度相似的),将同时满足这两个条件的交通路线划分到同一类型。
在步骤S705中,识别预测交通拥堵区域路段。
将各个聚类路线中,出现交通流增长趋势的序列段,尤其是出现连续增长的序列段,作为增长趋势明显的序列段,该部分序列段既满足在一定时间范围内时间间隔频繁出现增长,同时在聚类的群体中普遍存在的共有特性,因此,将该序列段对应的路段区域识别预测为交通拥堵区域,模型对应输出路线-路段以及拥堵区域标签。
本发明实施例提供了一种交通拥堵区域预测方法,通过设置时间间隔分析交通流量增减趋势,并基于趋势挖掘交通流变化的序列模式,更好地进行交通流变化实时分析和发现变化规律,同时从基于24小时时间间隔挖掘变化趋势的横向维度和从基于一段时间范围内多天的频繁序列模式的纵向维度,确保挖掘分析结果的准确性。另一方面,设置判定交通流的聚类标准对具有相似模式的交通路线进行聚类,从而确保挖掘的增长趋势明显路段的置信度,将其识别预测为交通拥堵区域,在实际应用中具有很高的参考价值和指导意义。
本发明实施例提供一种存储有可执行指令的计算机可读存储介质,其中存储有可执行指令,当可执行指令被处理器执行时,将引起处理器执行本发明实施例提供的方法,例如,如图3-5或7示出的交通拥堵区域预测方法。
在一些实施例中,存储介质可以是FRAM、ROM、PROM、EPROM、EE PROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HT ML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
综上所述,通过本发明实施例具有以下有益效果:
(1)通过设置时间间隔分析交通流量增减趋势,并基于趋势挖掘流量变化的序列模式,更好地进行交通流量变化实时分析和发现变化规律,同时分析流量变化具有实时性的优势,效率更好;
(2)通过匹配最短序列模式,对具有相同最短序列模式的交通区域路线进行聚类,从而将在序列模式上具有相似特性的交通线路聚在一起,能够挖掘更深层的共同属性并重点关注该部分趋势变化的序列信息,并且识别增长趋势显著的模式序列段,预测为交通拥堵区域路段;
(3)基于历史交通流量实时预测和更新区域拥堵状况的预测,模型筛选条件少,更符合现实应用的需求,同时拥堵状况最直接反映在交通流量趋势的变化,模式的挖掘能够极大程度的满足模型预测的要求,减少特征采集和特征构建的工作和耗时,也降低了噪音特征带入的影响,提高模型预测的准确率。
以上所述,仅为本发明的实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (10)
1.一种交通拥堵区域预测方法,其特征在于,所述方法包括:
根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系;
将所述时间序列划分为多个时间区间,并基于所述映射关系确定所述路线的交通流量在相邻的时间区间之间的变化,得到所述路线的交通流量变化序列;
根据所述路线在不同日期的交通流量变化序列,确定所述路线的频繁序列模式;
根据多个路线分别对应的频繁序列模式,对所述多个路线进行聚类处理;
在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。
2.根据权利要求1所述的方法,其特征在于,所述构建时间序列与路线的交通流量序列之间的映射关系,包括:
按照第一时间粒度将所述交通流量数据的采集日期划分成多个第一时间区间,得到由所述多个第一时间区间组成的时间序列;
针对所述多个第一时间区间中的任一第一时间区间,将所述路线包括的多个路段在所述任一第一时间区间内的交通流量数据进行组合,得到对应所述任一第一时间区间的交通流量序列;
将所述多个第一时间区间分别对应的交通流量序列进行组合,得到所述路线的交通流量序列;
构建由所述多个第一时间区间组成的时间序列与所述路线的交通流量序列之间的映射关系。
3.根据权利要求1所述的方法,其特征在于,所述将所述时间序列划分为多个时间区间,并基于所述映射关系确定所述路线的交通流量在相邻的时间区间之间的变化,得到所述路线的交通流量变化序列,包括:
按照第二时间粒度对所述时间序列进行划分,得到多个第二时间区间;
针对所述路线包括的多个路段,将每个所述路段在相邻的第二时间区间之间的交通流量进行比较;
将所述多个路段分别对应的比较结果进行组合,得到所述路线的交通流量变化序列。
4.根据权利要求3所述的方法,其特征在于,所述将每个所述路段在相邻的第二时间区间之间的交通流量进行比较,包括:
遍历所述路段中相邻的两个第二时间区间,并针对所述两个第二时间区间中的上一个第二时间区间和下一个第二时间区间,执行以下处理:
当所述路段在所述下一个第二时间区间内的交通流量小于所述上一个第二时间区间内的交通流量时,将对应的比较结果标记为减;
当所述路段在所述下一个第二时间区间内的交通流量大于所述上一个第二时间区间内的交通流量时,将对应的比较结果标记为增。
5.根据权利要求1所述的方法,其特征在于,所述根据所述路线在不同日期的交通流量变化序列,确定所述路线的频繁序列模式,包括:
在序列集合中,选取多个长度为n的交通流量变化序列前缀,记为n项交通流量变化序列前缀,确定对应于所述n项交通流量变化序列前缀的投影数据集;
其中,所述序列集合由所述路线在不同日期的交通流量变化序列组合形成;
当对应于所述n项交通流量变化序列前缀的投影数据集不为空时,将多个所述n项交通流量变化序列前缀中出现频率高于频率阈值的n项交通流量变化序列前缀确定为所述路线的频繁序列模式;
其中,所述n是取值逐渐递增的自然数,取值范围满足2≤n≤K,K是所述路线所包含的路段的数量。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
根据实时获取到的交通流量数据,确定所述路线的新交通流量变化序列;
基于所述新交通流量变化序列,对所述路线的频繁序列模式进行更新。
7.根据权利要求1所述的方法,其特征在于,所述根据多个路线分别对应的频繁序列模式,对所述多个路线进行聚类处理,包括:
在所述多个路线分别对应的频繁序列模式中,将满足以下条件的路线聚类到同一类型:
具有相同的序列段;
相同的序列段的长度大于长度阈值;
具有相同的序列段的时间区间占比大于占比阈值。
8.根据权利要求1所述的方法,其特征在于,所述在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,包括:
针对被聚类为同一类型的多个路线,执行以下处理:
对所述多个路线分别对应的多个频繁序列模式进行识别,以确定在所述多个频繁序列模式中同时出现连续增长趋势的序列段,并
将所述同时出现连续增长趋势的序列段所对应的路段,确定为交通拥堵区域。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
将包括所述交通拥堵区域的信息发送到区块链网络,以使所述区块链网络执行以下处理:
对所述交通拥堵区域的信息进行共识,共识通过后存储到所述区块链网络中,并
基于所存储的交通拥堵区域的信息响应交通拥堵区域查询请求。
10.一种交通拥堵区域预测装置,其特征在于,所述装置包括:
构建模块,用于根据交通流量数据,构建时间序列与路线的交通流量序列之间的映射关系;
划分模块,用于将所述时间序列划分为多个时间区间,并基于所述映射关系确定所述路线的交通流量在相邻的时间区间之间的变化,得到所述路线的交通流量变化序列;
确定模块,用于根据所述路线在不同日期的交通流量变化序列,确定所述路线的频繁序列模式;
聚类模块,用于根据多个路线分别对应的频繁序列模式,对所述多个路线进行聚类处理;
所述确定模块,还用于在被聚类为同一类型的多个路线分别对应的频繁序列模式中,确定出现增长趋势的序列段所对应的路段,以作为交通拥堵区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250773.0A CN111462489B (zh) | 2020-04-01 | 2020-04-01 | 交通拥堵区域预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010250773.0A CN111462489B (zh) | 2020-04-01 | 2020-04-01 | 交通拥堵区域预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111462489A true CN111462489A (zh) | 2020-07-28 |
CN111462489B CN111462489B (zh) | 2021-10-26 |
Family
ID=71681660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010250773.0A Active CN111462489B (zh) | 2020-04-01 | 2020-04-01 | 交通拥堵区域预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111462489B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798687A (zh) * | 2020-07-29 | 2020-10-20 | 苏州新派特信息科技有限公司 | 一种基于5g技术的远程控制车辆的方法及系统 |
CN112581026A (zh) * | 2020-12-29 | 2021-03-30 | 杭州趣链科技有限公司 | 一种联盟链上物流机器人联合路径规划方法 |
CN113326449A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN113723191A (zh) * | 2021-07-30 | 2021-11-30 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599122A (zh) * | 2016-12-01 | 2017-04-26 | 东北大学 | 一种基于垂直分解的并行频繁闭序列挖掘方法 |
CN107016126A (zh) * | 2017-05-12 | 2017-08-04 | 西南交通大学 | 一种基于序列模式挖掘的多用户模型移动轨迹预测方法 |
US20170293670A1 (en) * | 2016-04-07 | 2017-10-12 | University Of Virginia Patent Foundation | Sequential pattern mining with the micron automata processor |
CN110275911A (zh) * | 2019-06-24 | 2019-09-24 | 重庆大学 | 基于频繁序列模式的私家车出行热点路径挖掘方法 |
CN110444011A (zh) * | 2018-05-02 | 2019-11-12 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
-
2020
- 2020-04-01 CN CN202010250773.0A patent/CN111462489B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170293670A1 (en) * | 2016-04-07 | 2017-10-12 | University Of Virginia Patent Foundation | Sequential pattern mining with the micron automata processor |
CN106599122A (zh) * | 2016-12-01 | 2017-04-26 | 东北大学 | 一种基于垂直分解的并行频繁闭序列挖掘方法 |
CN107016126A (zh) * | 2017-05-12 | 2017-08-04 | 西南交通大学 | 一种基于序列模式挖掘的多用户模型移动轨迹预测方法 |
CN110444011A (zh) * | 2018-05-02 | 2019-11-12 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN110275911A (zh) * | 2019-06-24 | 2019-09-24 | 重庆大学 | 基于频繁序列模式的私家车出行热点路径挖掘方法 |
CN110674858A (zh) * | 2019-09-16 | 2020-01-10 | 长沙理工大学 | 一种基于时空关联与大数据挖掘的交通拥堵检测方法 |
CN110929962A (zh) * | 2019-12-13 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于深度学习的交通流量预测方法及装置 |
Non-Patent Citations (5)
Title |
---|
JAYANTHI GANAPATHY 等: "Prediction of traffic volume by mining traffic sequences using travel time based PrefixSpan", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
O OBULESU 等: "A Comparative Study of Frequent and Maximal Periodic Pattern Mining Algorithms in Spatiotemporal Databases", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
刘树青: "城市交通拥堵主动防控与快速疏导控制方法研究", 《中国博士学位论文全文数据库工程科技II辑》 * |
汪志贞: "数据挖掘技术在短时交通流预测上的应用研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
覃明贵: "城市道路交通数据挖掘研究与应用", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798687A (zh) * | 2020-07-29 | 2020-10-20 | 苏州新派特信息科技有限公司 | 一种基于5g技术的远程控制车辆的方法及系统 |
CN112581026A (zh) * | 2020-12-29 | 2021-03-30 | 杭州趣链科技有限公司 | 一种联盟链上物流机器人联合路径规划方法 |
CN113763700A (zh) * | 2021-04-26 | 2021-12-07 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
WO2022227303A1 (zh) * | 2021-04-26 | 2022-11-03 | 腾讯云计算(北京)有限责任公司 | 信息处理方法、装置、计算机设备及存储介质 |
CN113326449A (zh) * | 2021-05-27 | 2021-08-31 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN113326449B (zh) * | 2021-05-27 | 2023-07-25 | 北京百度网讯科技有限公司 | 预测交通流量的方法、装置、电子设备和介质 |
CN113723191A (zh) * | 2021-07-30 | 2021-11-30 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
CN113723191B (zh) * | 2021-07-30 | 2024-03-29 | 高德软件有限公司 | 道路拥堵预测方法、基于位置的服务提供方法及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN111462489B (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462489B (zh) | 交通拥堵区域预测方法及装置 | |
Lakshmanaprabu et al. | An effect of big data technology with ant colony optimization based routing in vehicular ad hoc networks: Towards smart cities | |
Zhang et al. | A framework for passengers demand prediction and recommendation | |
Liu et al. | Hydra: A personalized and context-aware multi-modal transportation recommendation system | |
Xu et al. | Mining the situation: Spatiotemporal traffic prediction with big data | |
CN111782965A (zh) | 意图推荐方法、装置、设备及存储介质 | |
US20230215272A1 (en) | Information processing method and apparatus, computer device and storage medium | |
Shao et al. | The Traffic Flow Prediction Method Using the Incremental Learning‐Based CNN‐LTSM Model: The Solution of Mobile Application | |
Anagnostopoulos et al. | Intelligent trajectory classification for improved movement prediction | |
Liu et al. | Popular route planning with travel cost estimation from trajectories | |
Wang et al. | A unified framework with multi-source data for predicting passenger demands of ride services | |
Riyadh et al. | CC_TRS: Continuous clustering of trajectory stream data based on micro cluster life | |
Song et al. | A trust management-based route planning scheme in LBS network | |
Sabarish et al. | A survey of location prediction using trajectory mining | |
Bantouna et al. | Network load predictions based on big data and the utilization of self-organizing maps | |
Li et al. | T-PORP: a trusted parallel route planning model on dynamic road networks | |
Qi et al. | Recurrent and non-recurrent bottleneck analysis based on traffic state rank distribution | |
Wang et al. | Multiobjective differential evolution with discrete elite guide in internet of vehicles roadside unit deployment | |
Xia et al. | Cost-effective and adaptive clustering algorithm for stream processing on cloud system | |
Mu et al. | Recommend taxi pick-up hotspots based on density-based clustering | |
Yu et al. | A distributed hybrid index for processing continuous range queries over moving objects | |
Gao et al. | MOOP: An efficient utility-rich route planning framework over two-fold time-dependent road networks | |
Niu et al. | Highway Temporal‐Spatial Traffic Flow Performance Estimation by Using Gantry Toll Collection Samples: A Deep Learning Method | |
Wang et al. | Learning to Discover Causes of Traffic Congestion with Limited Labeled Data | |
Mishra et al. | Optimal placement of taxis in a city using dominating set problem |
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 |