CN111833594B - 车流量预测方法、装置、电子设备及存储介质 - Google Patents
车流量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111833594B CN111833594B CN201910328231.8A CN201910328231A CN111833594B CN 111833594 B CN111833594 B CN 111833594B CN 201910328231 A CN201910328231 A CN 201910328231A CN 111833594 B CN111833594 B CN 111833594B
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- traffic
- flow data
- historical
- 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
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
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了车流量预测方法、装置、电子设备及存储介质,该车流量预测方法包括:获取历史车流数据,其中,历史车流数据包括多组车流数据,车流数据包括车流量;将历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;将一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;利用预设算法对二次校正车流数据进行分析,得到预测车流量。通过本发明实施例的车流量预测方法,可以实现车流量的预测,同时对车流数据进行补全,并进行平滑处理,可以减少因车流量异动,则造成的车流量预测不准确的情况,增加车流量预测的准确性。
Description
技术领域
本发明涉及计算机技术领域,特别是涉及车流量预测方法、装置、电子设备及存储介质。
背景技术
车流量是指单位时间内通过某路段的车辆数,可以用公式表示为:车流量=通过车辆数/时间。车流量对于车辆分流、预警管理等有重要作用。尤其是对于加油站、服务区及停车场等场所,提前获知车流量能够帮助上述场所根据车流量,预先做好工作安排,从而在降低运营成本的同时,能够为用户带来更好的服务体验。
因此,希望能够对指定场所的车流量进行预测。
发明内容
本发明实施例的目的在于提供一种车流量预测方法、装置、电子设备及存储介质,以实现预测车流量。具体技术方案如下:
第一方面,本发明实施例提供了一种车流量预测方法,所述方法包括:
获取历史车流数据,其中,所述历史车流数据包括多组车流数据,所述车流数据包括车流量;
将所述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
将所述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
利用预设算法对所述二次校正车流数据进行分析,得到预测车流量。
可选的,所述获取历史车流数据,包括:
获取多个采样周期中各单位采集时间的车流数据,得到历史车流数据,其中,若存在不包含车流数据的单位采集时间,将所述不包含车流数据的单位采集时间的车流量记为0。
可选的,所述将所述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据,包括:
选取所述历史车流数据中车流量小于预设第一阈值的车流数据,作为待补全车流数据;
选取各采样周期中采集时间与所述待补全车流数据的采集时间相对应的车流数据,作为指定车流数据;
计算各所述指定车流数据的车流量的均值,得到补全值;
在所述历史车流数据中,将所述待补全车流数据的车流量设置为所述补全值,得到一次校正车流数据。
可选的,所述将所述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据,包括:
选取所述一次校正车流数据中车流量大于预设第二阈值的车流数据,作为待处理车流数据;
按照各车流数据的采集时间,选取所述待处理车流数据之前及之后的多个车流数据,作为目标车流数据;
计算各所述目标车流数据的车流量的均值,得到平滑值;
在所述一次校正车流数据中,将所述待处理车流数据的车流量设置为所述平滑值,得到二次校正车流数据。
可选的,所述利用预设算法对所述二次校正车流数据进行分析,得到预测车流量,包括:
利用三阶指数平滑模型的累加模型对所述二次校正车流数据进行分析,得到车流量预测模型;
通过所述车流量预测模型,输出指定时间的预测车流量。
第二方面,本发明实施例提供了一种车流量预测装置,所述装置包括:
历史数据获取模块,用于获取历史车流数据,其中,所述历史车流数据包括多组车流数据,所述车流数据包括车流量;
一次校正模块,用于将所述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
二次校正模块,用于将所述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
车流量预测模块,用于利用预设算法对所述二次校正车流数据进行分析,得到预测车流量。
可选的,所述历史数据获取模块,具体用于:
获取多个采样周期中各单位采集时间的车流数据,得到历史车流数据,其中,若存在不包含车流数据的单位采集时间,将所述不包含车流数据的单位采集时间的车流量记为0。
可选的,所述一次校正模块,包括:
第一判断子模块,用于选取所述历史车流数据中车流量小于预设第一阈值的车流数据,作为待补全车流数据;
第一数据选取子模块,用于选取各采样周期中采集时间与所述待补全车流数据的采集时间相对应的车流数据,作为指定车流数据;
补全值计算子模块,用于计算各所述指定车流数据的车流量的均值,得到补全值;
第一校正子模块,用于在所述历史车流数据中,将所述待补全车流数据的车流量设置为所述补全值,得到一次校正车流数据。
可选的,所述二次校正模块,包括:
第二判断子模块,用于选取所述一次校正车流数据中车流量大于预设第二阈值的车流数据,作为待处理车流数据;
第二数据选取子模块,用于按照各车流数据的采集时间,选取所述待处理车流数据之前及之后的多个车流数据,作为目标车流数据;
平滑值计算子模块,用于计算各所述目标车流数据的车流量的均值,得到平滑值;
第二校正子模块,用于在所述一次校正车流数据中,将所述待处理车流数据的车流量设置为所述平滑值,得到二次校正车流数据。
可选的,所述车流量预测模块,包括:
模型确定子模块,用于利用三阶指数平滑模型的累加模型对所述二次校正车流数据进行分析,得到车流量预测模型;
车流量输出子模块,用于通过所述车流量预测模型,输出指定时间的预测车流量。
第三方面,本发明实施例提供了一种电子设备,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现上述第一方面任一所述的车流量预测方法。
第四方面,一种计算机可读存储介质,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面任一所述的车流量预测方法。
本发明实施例提供的车流量预测方法、装置、电子设备及存储介质,获取历史车流数据,其中,历史车流数据包括多组车流数据,车流数据包括车流量;将历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;将一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;利用预设算法对二次校正车流数据进行分析,得到预测车流量。可以实现车流量的预测。当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
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,下面将对实施例或现有技术描述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为本发明实施例的车流量预测方法的第一种流程示意图;
图2为本发明实施例的车流量预测装置的第一种示意图;
图3为本发明实施例的车流量预测方法的第二种流程示意图;
图4为本发明实施例的车流数据校正的一种示意图;
图5为本发明实施例的车流量预测方法的第三种流程示意图;
图6为本发明实施例的车流量预测方法的第四种流程示意图;
图7为本发明实施例的车流量预测装置的第二种示意图;
图8为本发明实施例的电子设备的一种示意图。
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。
在相关车流量预测方法中,直接通过预测算法对历史车流数据进行分析,以预测未来指定时间的车流量。但是,发明人在研究中发现,对于加油站、服务区及停车场等场所,车流量异动较多,且容易出现离群点,因此直接使用预测算法对上述场所的历史车流数据进行分析,预测的车流量准确率低。
有鉴于此,本发明实施例提供了一种车流量预测方法,参见图1,该方法包括:
S101,获取历史车流数据,其中,上述历史车流数据包括多组车流数据,上述车流数据包括车流量。
本发明实施例中的车流量预测方法可以通过预测系统实现,预测系统为任意能够实现本发明实施例的车流量预测方法的系统。例如:
预测系统可以为一种电子设备,包括:处理器、存储器、通信接口和总线;处理器、存储器和通信接口通过总线连接并完成相互间的通信;存储器存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,以用于执行本发明实施例的车流量预测方法。
预测系统还可以为一种应用程序,用于在运行时执行本发明实施例的车流量预测方法。
预测系统还可以为一种存储介质,用于存储可执行代码,可执行代码用于执行本发明实施例的车流量预测方法。
预测系统获取历史车流数据,可以为预测系统获取当前针对的待预测车流量的场所记录的车流数据,作为历史车流数据;预测系统获取历史车流数据,还可以为预测系统在线获取类型相同的场所的车流数据,作为历史车流数据。历史车流数据中包括多组车流数据,其中,将单位时间内的车流数据作为一组车流数据,单位时间可以根据实际情况自行设定,例如设置为一小时或一天等。车流数据包括单位时间内的车流量,还可以包括采集时间。可选的,为了保证预测的准确性,历史车流数据中多组车流数据为采集时间上连续的车流数据,且多组车流数据采集时间的跨度不低于四个星期。
S102,将上述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据。
预设第一阈值为经验值,根据待预测车流量的场所的实际车流量进行设定。若车流数据的车流量小于预设第一阈值,则认为该组车流量小于预设第一阈值车流数据(以下称为统计缺失车流数据)中的车流量统计存在缺失,预测系统对统计缺失车流数据进行补全,将补全后的统计缺失车流数据及历史车流数据中的其他车流数据作为一次校正车流数据。其中,其他车流数据为历史车流数据中除统计缺失车流数据外的车流数据。
预测系统可以根据已知的车流数据对统计缺失车流数据进行补全;或预测系统可以直接将预先设定的用于补全的车流量数值,赋予统计缺失车流数据。例如,在以小时为车流量的单位采集时间时,预先设定一天24小时中各小时对应的补全车流量数值,预测系统直接将统计缺失车流数据采集时间对应的补全车流量数值,作为统计缺失车流数据的车流量。
S103,将上述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据。
车流数据中可能会存在波动较大的数据,从而影响车流量的预测结果。通过对大于预设第二阈值的车流数据进行平滑处理,可以减少波动较大的数据对车流量预测结果的影响。预设第二阈值根据实际情况进行设定,可选的,预设第二阈值可以设定为0,即需要对一次校正车流数据中的每组车流数据均进行平滑处理。预测系统可以通过均值滤波、中值滤波或高斯滤波等方法对大于预设第二阈值的车流数据进行平滑处理。
S104,利用预设算法对上述二次校正车流数据进行分析,得到预测车流量。
预测系统通过预设算法对二次校正车流数据进行分析,从而得到预测车流量。预设算法为任意能够预测车流量的方法,例如,预设算法为深度学习算法、HoltWinters(一种三阶指数平滑模型)、多元线性回归算法等。
在本发明实施例中,可以根据历史车流数据,实现车流量的预测,同时对车流数据进行补全,并进行平滑处理,可以减少因车流量异动,则造成的车流量预测不准确的情况,增加车流量预测的准确性。
可选的,上述获取历史车流数据,包括:
获取多个采样周期中各单位采集时间的车流数据,得到历史车流数据,其中,若存在不包含车流数据的单位采集时间,将上述不包含车流数据的单位采集时间的车流量记为0。
采集周期和单位采集时间可以根据实际情况进行设定,例如以一天为采集周期,以一小时为单位采集时间;或以一周为采集周期,以一天为采集时间等。预测系统获取多个采样周期中各单位采集时间的车流数据,多个采样周期可以不连续,但是每个采集周期中各车流数据的采集时间应当连续,且一个采样周期中的车流数据应当完整。为了进一步保证车流量预测的准确性,车流数据采集时间的跨度不低于四个星期。
但是获取到的历史车流数据,可能会存在缺失及偏移等影响预测结果的情况。因此需要检测历史车流数据是否存在缺失和偏移的情况,对于车流量缺少或偏移的车流数据用0值填充,即当待查询的车流量中第一个车流量对应的时间和所要求的时间存在偏移时,相应的车流 量用0填充,从而消除数据偏移。
在本发明实施例中,将多个采样周期中的车流数据作为历史车流数据,能够增加历史车流数据的普遍性,从而增加车流量预测的准确性。
可选的,上述将上述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据,包括:
步骤一,选取上述历史车流数据中车流量小于预设第一阈值的车流数据,作为待补全车流数据。
步骤二,选取各采样周期中采集时间与上述待补全车流数据的采集时间相对应的车流数据,作为指定车流数据。
例如,在以一星期为采样周期,以一小时为单位采集时间时,若待补全车流数据的采集时间为周二中第3个小时(即周二的2:00-3:00之间),则选取多个其他采样周期中周二第3个小时的车流数据,作为指定车流数据。
步骤三,计算各上述指定车流数据的车流量的均值,得到补全值。
步骤四,在上述历史车流数据中,将上述待补全车流数据的车流量设置为上述补全值,得到一次校正车流数据。
在本发明实施例中,将指定车流数据的车流量的均值,作为待补全车流数据的车流量的值,待补全车流数据的车流量更加接近真实车流量,从而预测的车流量更加准确。
可选的,上述将上述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据,包括:
步骤一,选取上述一次校正车流数据中车流量大于预设第二阈值的车流数据,作为待处理车流数据;
步骤二,按照各车流数据的采集时间,选取上述待处理车流数据之前及之后的多个车流数据,作为目标车流数据;
按照各车流数据的采集时间,选取待处理车流之前预设第一数量的车流数据及待处理车流之后预设第二数量的车流数据作为目标车流数据。预设第一数量及预设第二数量可以按照实际情况进行设定,二者可以相同也可以不同。例如第一数量可以设置为两个、三个或四个等;第二数量可以设置为两个、三个或四个等。
为了更加清楚的说明目标车流数据的选取步骤,下面进行举例说明:在以一星期为采样周期,以一小时为单位采集时间时,若待处理车流数据的采集时间为周二中第3个小时(即周二的2:00-3:00之间),则可以选取待处理车流数据所在的采集周期中,周一的第24个小时,周二的第1、第2、第4、第5及第6个小时的车流数据,作为目标车流数据。
步骤三,计算各上述目标车流数据的车流量的均值,得到平滑值;
步骤四,在上述一次校正车流数据中,将上述待处理车流数据的车流量设置为上述平滑值,得到二次校正车流数据。
在本发明实施例中,将目标车流数据的车流量的均值,作为待处理车流数据的车流量的值,能够减少离群点的情况,从而预测的车流量更加准确。
可选的,上述利用预设算法对上述二次校正车流数据进行分析,得到预测车流量,包括:
步骤一,利用三阶指数平滑模型的累加模型对上述二次校正车流数据进行分析,得到车流量预测模型。
预测系统通过三阶指数平滑模型的累加模型,例如,HoltWintersModel的Additive case,对二次校正车流数据进行分析,经过多次的迭代计算拟合过程,计算SSE(The sum of squares due to error,误差平方和)最小时的系数值。其中,二次校正车流数据中各车流数据按照时间顺序排列。
SSE计算公式如下所示:
然后得出最符合统计值的模型参数和初始值,从而获取到符合统计值的车流量预测模型。
步骤二,通过上述车流量预测模型,输出指定时间的预测车流量。
利用建立好的车流量预测模型和请求的需要预测的指定时间,输出对应的预测车流量。
可选的,在得到预测车流量之后,采集该预测车流量对应的采集时间的车流量,并计算预测准确率,以方便后续对车流量预测模型的修正。
本发明实施例还提供提供了一种车流量预测装置,参见图2,该装置包括:
历史数据获取模块201,用于获取历史车流数据。
历史数据获取模块201获取的车流数据可以是整理好的过去一段时间的每天、每个小时的车流量的历史数据,或者从其他平台中获取的历史的车流数据。将历史车流数据,保存到数据库中。为了提高预测的准确性,建议历史车流数据的采集时间跨度不低于4个星期。
可选的,历史数据获取模块201的具体运行过程可以如图3所示,主要包括三个功能:定时从其他组件中获取历史数据统计结果,存入数据库;模块启动时,批量拉取统计结果;使用过程中如发现数据存在异常,可手动重新拉取数据。
历史数据预处理模块202,用于将历史数据获取模块201获取的历史车流数据进行一系列的处理,以便于后续算法预测。该一系列的处理包括对数据缺失值进行填充,偏移的数据进行矫正,以及对波动有较大影响的数据进行滤波处理。
历史数据预处理模块202将历史数据获取模块201获取的历史车流数据进行一系列的处理,以便于后续算法预测,主要分为四个步骤:数据逻辑位置校准;偏移值处理;缺失值处理;判断数据波动是否过大,做滤波处理。
历史数据获取模块201获取的历史车流数据,可能会存在缺失,偏移,或者波动较大等影响预测结果的情况。历史数据预处理模块202先行判断数据是否存在串位和偏移的情况,对于数据缺少(偏移)的地方用0值填充,即当查询结果中第一个数对应的时间和我们所要求的时间存在偏移时,那段数据都用 0填充,从而消除数据偏移,然后设置第一阈值a,判断值是否小于第一阈值,对于小于第一阈值的车流量即视为缺失值,填充上其他同期的值的均值(如其中的一周的周一值空缺,即xi1<a,其中,xi1表示第i周的周一值,计算其他几周的周一值的均值其中,xu1表示第u周的周一值),最后再设置第二阈值b,对于高于第二阈值的车流量做平滑处理,取该车流量附近的6个数据,然后计算6个值的中值,将该车流量的值用中值替换,最后输出预处理之后的时间序列,如图4所示。
数据建模预测模块203,用于历史数据获取模块201处理后的历史车流数据进行分析,使用HoltWintersModel(三阶指数平滑模型)的additive模式,输入处理后的历史车流数,迭代计算SSE,求得当SEE最小时的系数值,并根据历史数据计算初值,然后根据小时或天的颗粒度输出对应的预测值。
数据建模预测模块203包括时间序列处理子模块和车流量预测子模块。
时间序列处理子模块用于处理后的历史车流数据的时间处理,快速生成时间数组,保存到数据库。车流量预测子模块用于对处理后的历史车流数据进行训练,并完成建模,输出对应类型的预测车流量,并保存到数据库。
时间序列处理子模块对处理后的历史车流数据进行时间处理的步骤可以如图5所示,主要包括对于查询到的数据和实际要求的数据偏移时间计算;生成指定的时间字符串数组和时间字符串;给预测结果填充对应的时间值。
预测值分析评估模块204,用于将预测车流量与实际的车流量数据进行对比分析,计算预测值与实际数据的吻合程度,使用容忍区间来判断预测的合格程度。
预测值分析评估模块204的主要工作流程可以如图6所示,主要包括当新的请求进来时,先判断缓存池中是否存在请求对应的加油站的预测结果,如果不存在,则执行预测,并将预测结果放入缓存池中(设置过期时间为1小时) 和数据库中,若存在则提取缓存池中的结果。通过将历史统计数据与历史预测结果提取出来,计算预测结果与统计数据的拟合程度,即预测准确率。
预测准确率的计算公式如下:
其中xi表示第i个实际值,yi表示第i个预测值,width表示数值上下浮动的范围(通过计算时间序列中位数获取),即当样本的中位数为x时,容忍区间为[x-width,x+width]。
加油站的车流量和道路口的车流量表现上有一定的区别,加油站车流量一般小于道路口车流量。加油站车流量随着时间出现的波动值较大,在模型训练过程中,容易出现收敛速度慢和过拟合的情况加油站设备宕机后恢复速度较慢,数据容易出现较多缺失和异常。
针对以上情况在本发明实施例中,对波动较大的离群点和宕机引起的缺失值进行处理,处理缺失值的时候采用类似高通滤波的处理方式,当历史统计值高于阈值时正常数据直接通过,对于低于阈值的缺失值进行补全;处理波动较大的孤点时采用类似低通滤波的方式,对于低于阈值的数据直接通过,对于高于阈值的数据进行平滑处理。模型会按天、小时重新训练,且模型训练占用资源少,速度快,因此能够更准确的预测未来值。
在本发明实施例中,可以很好的预测加油站未来一段周期内的进展车辆,加油站的站长通过对这些信息的掌握,可以预估未来一段周期内的加油供给,提前申请油量,并且可以根据每个时段的车流量动态调整加油员工的数量,减少加油等候时间,尤其是在加油高峰期,提前安排,提高加油站的满意度以及服务质量,从而吸引更多的加油顾客。通过在加油不繁忙的时段,减少加油员工,动态调配员工的工作时间,一方面降低加油站的整体运营成本,一方面提升服务效率以及满意度,吸引更多的顾客,从而提高每个加油站的效益。
本发明实施例还提供了一种车流量预测装置,参见图7,该装置包括:
历史数据获取模块701,用于获取历史车流数据,其中,上述历史车流数据包括多组车流数据,上述车流数据包括车流量;
一次校正模块702,用于将上述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
二次校正模块703,用于将上述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
车流量预测模块704,用于利用预设算法对上述二次校正车流数据进行分析,得到预测车流量。
可选的,上述历史数据获取模块701,具体用于:
获取多个采样周期中各单位采集时间的车流数据,得到历史车流数据,其中,若存在不包含车流数据的单位采集时间,将上述不包含车流数据的单位采集时间的车流量记为0。
可选的,上述一次校正模块702,包括:
第一判断子模块,用于选取上述历史车流数据中车流量小于预设第一阈值的车流数据,作为待补全车流数据;
第一数据选取子模块,用于选取各采样周期中采集时间与上述待补全车流数据的采集时间相对应的车流数据,作为指定车流数据;
补全值计算子模块,用于计算各上述指定车流数据的车流量的均值,得到补全值;
第一校正子模块,用于在上述历史车流数据中,将上述待补全车流数据的车流量设置为上述补全值,得到一次校正车流数据。
可选的,上述二次校正模块703,包括:
第二判断子模块,用于选取上述一次校正车流数据中车流量大于预设第二阈值的车流数据,作为待处理车流数据;
第二数据选取子模块,用于按照各车流数据的采集时间,选取上述待处理车流数据之前及之后的多个车流数据,作为目标车流数据;
平滑值计算子模块,用于计算各上述目标车流数据的车流量的均值,得到平滑值;
第二校正子模块,用于在上述一次校正车流数据中,将上述待处理车流数据的车流量设置为上述平滑值,得到二次校正车流数据。
可选的,上述车流量预测模块704,包括:
模型确定子模块,用于利用三阶指数平滑模型的累加模型对上述二次校正车流数据进行分析,得到车流量预测模型;
车流量输出子模块,用于通过上述车流量预测模型,输出指定时间的预测车流量。
在本发明实施例中,可以根据历史车流数据,实现车流量的预测,同时对车流数据进行补全,并进行平滑处理,可以减少因车流量异动,则造成的车流量预测不准确的情况,增加车流量预测的准确性。
本发明实施例还提供了一种电子设备,如图8所示,包括处理器801及存储器802;
存储器802,用于存放计算机程序;
处理器801,用于执行存储器802上所存放的程序时,实现如下步骤:
获取历史车流数据,其中,上述历史车流数据包括多组车流数据,上述车流数据包括车流量;
将上述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
将上述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
利用预设算法对上述二次校正车流数据进行分析,得到预测车流量。
在本发明实施例中,可以根据历史车流数据,实现车流量的预测,同时对车流数据进行补全,并进行平滑处理,可以减少因车流量异动,则造成的车流量预测不准确的情况,增加车流量预测的准确性。
可选的,处理器801,用于执行存储器802上所存放的程序时,还能够实现上述任一车流量预测方法。
可选的,本发明实施的电子设备还包括:通信接口及通信总线,处理器801、通信接口及存储器802通过通信总线完成相互间的通信。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器 (DigitalSignal Processing,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。
本发明实施例还提供了,一种计算机可读存储介质,上述计算机可读存储介质内存储有计算机程序,上述计算机程序被处理器执行时,实现如下步骤:
获取历史车流数据,其中,上述历史车流数据包括多组车流数据,上述车流数据包括车流量;
将上述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
将上述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
利用预设算法对上述二次校正车流数据进行分析,得到预测车流量。
在本发明实施例中,可以根据历史车流数据,实现车流量的预测,同时对车流数据进行补全,并进行平滑处理,可以减少因车流量异动,则造成的车流量预测不准确的情况,增加车流量预测的准确性。
可选的,上述计算机程序被处理器执行时,还能够实现上述任一车流量预测方法。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备及存储介质的实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (8)
1.一种车流量预测方法,其特征在于,所述方法包括:
获取历史车流数据,其中,所述历史车流数据包括采集时间上连续的多组车流数据,所述车流数据包括车流量,将单位时间内的车流数据作为一组车流数据,车流数据包括单位时间内的车流量;
将所述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
将所述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
利用预设算法对所述二次校正车流数据进行分析,得到未来指定时间的预测车流量;
其中,所述将所述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据,包括:
选取所述历史车流数据中车流量小于预设第一阈值的车流数据,作为待补全车流数据;
选取各采样周期中采集时间与所述待补全车流数据的采集时间相对应的车流数据,作为指定车流数据;
计算各所述指定车流数据的车流量的均值,得到补全值;
在所述历史车流数据中,将所述待补全车流数据的车流量设置为所述补全值,得到一次校正车流数据;
所述利用预设算法对所述二次校正车流数据进行分析,得到未来指定时间的预测车流量,包括:
利用三阶指数平滑模型的累加模型对所述二次校正车流数据进行分析,迭代计算误差平方和SSE,得到SSE最小时的系数值,得到车流量预测模型;
通过所述车流量预测模型,输出未来指定时间的预测车流量。
2.根据权利要求1所述的方法,其特征在于,所述获取历史车流数据,包括:
获取多个采样周期中各单位采集时间的车流数据,得到历史车流数据,其中,若存在不包含车流数据的单位采集时间,将所述不包含车流数据的单位采集时间的车流量记为0。
3.根据权利要求1所述的方法,其特征在于,所述将所述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据,包括:
选取所述一次校正车流数据中车流量大于预设第二阈值的车流数据,作为待处理车流数据;
按照各车流数据的采集时间,选取所述待处理车流数据之前及之后的多个车流数据,作为目标车流数据;
计算各所述目标车流数据的车流量的均值,得到平滑值;
在所述一次校正车流数据中,将所述待处理车流数据的车流量设置为所述平滑值,得到二次校正车流数据。
4.一种车流量预测装置,其特征在于,所述装置包括:
历史数据获取模块,用于获取历史车流数据,其中,所述历史车流数据包括采集时间上连续的多组车流数据,所述车流数据包括车流量,将单位时间内的车流数据作为一组车流数据,车流数据包括单位时间内的车流量;
一次校正模块,用于将所述历史车流数据中车流量小于预设第一阈值的车流数据进行补全,得到一次校正车流数据;
二次校正模块,用于将所述一次校正车流数据中车流量大于预设第二阈值的车流数据进行平滑处理,得到二次校正车流数据;
车流量预测模块,用于利用预设算法对所述二次校正车流数据进行分析,得到未来指定时间的预测车流量;
其中,所述一次校正模块,包括:
第一判断子模块,用于选取所述历史车流数据中车流量小于预设第一阈值的车流数据,作为待补全车流数据;
第一数据选取子模块,用于选取各采样周期中采集时间与所述待补全车流数据的采集时间相对应的车流数据,作为指定车流数据;
补全值计算子模块,用于计算各所述指定车流数据的车流量的均值,得到补全值;
第一校正子模块,用于在所述历史车流数据中,将所述待补全车流数据的车流量设置为所述补全值,得到一次校正车流数据;
所述车流量预测模块,包括:
模型确定子模块,用于利用三阶指数平滑模型的累加模型对所述二次校正车流数据进行分析,迭代计算误差平方和SSE,得到SSE最小时的系数值,得到车流量预测模型;
车流量输出子模块,用于通过所述车流量预测模型,输出未来指定时间的预测车流量。
5.根据权利要求4所述的装置,其特征在于,所述历史数据获取模块,具体用于:
获取多个采样周期中各单位采集时间的车流数据,得到历史车流数据,其中,若存在不包含车流数据的单位采集时间,将所述不包含车流数据的单位采集时间的车流量记为0。
6.根据权利要求4所述的装置,其特征在于,所述二次校正模块,包括:
第二判断子模块,用于选取所述一次校正车流数据中车流量大于预设第二阈值的车流数据,作为待处理车流数据;
第二数据选取子模块,用于按照各车流数据的采集时间,选取所述待处理车流数据之前及之后的多个车流数据,作为目标车流数据;
平滑值计算子模块,用于计算各所述目标车流数据的车流量的均值,得到平滑值;
第二校正子模块,用于在所述一次校正车流数据中,将所述待处理车流数据的车流量设置为所述平滑值,得到二次校正车流数据。
7.一种电子设备,其特征在于,包括处理器及存储器;
所述存储器,用于存放计算机程序;
所述处理器,用于执行所述存储器上所存放的程序时,实现权利要求1-3任一所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328231.8A CN111833594B (zh) | 2019-04-23 | 2019-04-23 | 车流量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328231.8A CN111833594B (zh) | 2019-04-23 | 2019-04-23 | 车流量预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111833594A CN111833594A (zh) | 2020-10-27 |
CN111833594B true CN111833594B (zh) | 2022-07-05 |
Family
ID=72911520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328231.8A Active CN111833594B (zh) | 2019-04-23 | 2019-04-23 | 车流量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111833594B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113362598B (zh) * | 2021-06-04 | 2022-06-03 | 重庆高速公路路网管理有限公司 | 一种高速公路服务区车流量预测方法 |
CN113810743B (zh) * | 2021-08-26 | 2024-06-18 | 微梦创科网络科技(中国)有限公司 | 一种直播间流量监控方法和装置 |
CN114283590B (zh) * | 2021-09-02 | 2023-03-21 | 青岛海信网络科技股份有限公司 | 车流量高峰预测方法及装置、电子设备 |
CN116740946B (zh) * | 2023-08-14 | 2023-11-03 | 山东华夏高科信息股份有限公司 | 一种公路车流量大数据分析处理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034350B (zh) * | 2009-09-30 | 2012-07-25 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
CN101783075B (zh) * | 2010-02-05 | 2012-05-23 | 北京科技大学 | 一种城市环形道路交通流预测系统 |
US10664869B2 (en) * | 2016-03-15 | 2020-05-26 | Facebook, Inc. | Systems and methods for providing location-based data analytics applications |
CN106355879A (zh) * | 2016-09-30 | 2017-01-25 | 西安翔迅科技有限责任公司 | 一种基于时空关联的城市交通流量预测方法 |
CN108538050B (zh) * | 2017-03-01 | 2020-07-31 | 香港理工大学深圳研究院 | 一种短时交通流量预测方法及装置 |
CN107798871B (zh) * | 2017-10-27 | 2020-07-03 | 云南大学 | 一种高速公路收费站交通流量预测方法及系统 |
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 |
-
2019
- 2019-04-23 CN CN201910328231.8A patent/CN111833594B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111833594A (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111833594B (zh) | 车流量预测方法、装置、电子设备及存储介质 | |
CN108256898B (zh) | 一种产品销量预测方法、系统及存储介质 | |
CN109191842B (zh) | 基于实时通行能力的拥堵调控策略推荐方法及系统 | |
CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN110598761A (zh) | 一种点胶检测方法、装置及计算机可读存储介质 | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN106649832B (zh) | 一种基于缺失数据的预估方法及装置 | |
CN107357764B (zh) | 数据分析方法、电子设备及计算机存储介质 | |
CN112070615A (zh) | 基于知识图谱的理财产品推荐方法及装置 | |
CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
CN111242364A (zh) | 基于神经网络的车辆故障和舒适度预测方法、装置、终端及介质 | |
CN105653521A (zh) | 数据校验方法和装置 | |
CN111415027A (zh) | 构建件量预测模型的方法和装置 | |
CN110795324B (zh) | 一种数据处理方法及装置 | |
CN110069692B (zh) | 一种面向开源信息采集的资源更新时间预测方法及系统 | |
CN117236529B (zh) | 基于大数据的大型活动人流量预测方法 | |
KR101278135B1 (ko) | 확률론적 특허 인용 분석에 기반한 미래 유망 특허 탐색 장치 및 그 방법 | |
CN112365156A (zh) | 一种数据处理方法、数据处理装置、终端及存储介质 | |
CN117787684A (zh) | 一种基于视觉检测的隧道围岩坍塌风险分析方法及系统 | |
CN110472788B (zh) | 一种人员信息预测方法及装置 | |
CN110874640B (zh) | 使用机器学习(ml)的间歇数据的分布选择和模拟 | |
JPH09233700A (ja) | 日最大需要電力予測の信頼性評価方法 | |
WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
CN112418534B (zh) | 揽件量预测方法及装置、电子设备、计算机可读存储介质 | |
CN112152968B (zh) | 网络威胁检测方法和装置 |
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 |