CN111862583A - 一种车流量预测方法及装置 - Google Patents
一种车流量预测方法及装置 Download PDFInfo
- Publication number
- CN111862583A CN111862583A CN201910331763.7A CN201910331763A CN111862583A CN 111862583 A CN111862583 A CN 111862583A CN 201910331763 A CN201910331763 A CN 201910331763A CN 111862583 A CN111862583 A CN 111862583A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- characteristic data
- time period
- historical time
- flow characteristic
- 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
- 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
本申请提供了一种车流量预测方法及装置,其中,首先获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;之后,从每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;最后,基于确定的有效的车流量特征数据以及对应的权重,预测目标路段的车流量。上述技术方案通过筛选有效的车流量特征数据,并结合有效的车流量特征数据的权重,能够预测得到准确的车流量,克服了现有技术中预测偏差大的缺陷。
Description
技术领域
本申请涉及预测和计算技术领域,具体而言,涉及一种车流量预测方法及装置。
背景技术
随着经济的不断发展和人们生活水平的不断提高,人们的出行越来越依赖网约车或自驾出行,随之而来的问题是交通拥堵状况的日益严重,从而导致出行效率下降。因此,及时准确的获取道路上的车流量信息,有利于用户基于车流量信息提前规划行程,错峰出行,提高出行效率。
目前大部分的车流量预测方法是基于线性模型或者树模型,上述方法虽然都能够预测得到某一路段的车流量,但是由于不能合理的融合上下文信息,导致预测得到的车流量偏差较大。
发明内容
有鉴于此,本申请实施例的目的在于提供一种车流量预测方法及装置,能够通过筛选有效的车流量特征数据,并结合有效的车流量特征数据的权重,准确地预测目标路段的车流量,克服了现有技术中预测偏差大的缺陷。
第一方面,本申请实施例提供了一种车流量预测方法,包括:
获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;
从所述每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;
基于确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
在一种可能的实施方式中,根据以下步骤筛选每个历史时间段内的有效的车流量特征数据:
获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序;
基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
第二方面,本申请实施例提供了一种车流量预测装置,包括:
数据获取模块,用于获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;
数据处理模块,从所述每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;
预测模块,用于基于确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
在一种可能的实施方式中,所述数据处理模块包括:
排序子模块,用于获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序;
筛选子模块,用于基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
在一种可能的实施方式中,所述筛选子模块具体用于:
在所述历史时间段位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,筛选该历史时间段内的有效的车流量特征数据;
在所述历史时间段未位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,以及该历史时间段的前一个历史时间段内的有效的车流量特征数据,筛选该历史时间段内的有效的车流量特征数据。
在一种可能的实施方式中,所述数据处理模块包括:参数获取子模块,用于获取与每个有效的车流量特征数据匹配的权重以及偏移量;
权重因子确定子模块,用于针对每个历史时间段,基于与每个有效的车流量特征数据匹配的权重以及偏移量,确定该历史时间段内的有效的车流量特征数据对应的权重因子;
权重确定子模块,用于基于每个历史时间段内的有效的车流量特征数据对应的权重因子,分别确定每个历史时间段内的有效的车流量特征数据的权重。
在一种可能的实施方式中,所述权重确定子模块利用如下公式确定每个历史时间段内的有效的车流量特征数据的权重:
式中,ei表示历史时间段i内的有效的车流量特征数据对应的权重因子;T表示历史时间段的数量,αi表示历史时间段i内的有效的车流量特征数据对应的权重。
在一种可能的实施方式中,所述预测模块包括:
加权计算子模块,用于针对每个历史时间段,计算该历史时间段内的有效的车流量特征数据的权重与该历史时间段内的有效的车流量特征数据的乘积,得到该历史时间段内的有效的车流量特征数据的加权值;
加权和计算子模块,用于计算所有历史时间段对应的加权值的和,得到特征数据加权和;
预测子模块,用于基于所述特征数据加权和,预测所述目标路段的车流量。
在一种可能的实施方式中,所述预测子模块包括:
标识符获取单元,用于获取所述目标路段的标识符、预测时间的标识符;
流量预测单元,用于基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量。
在一种可能的实施方式中,所述流量预测单元包括:
数据拼接子单元,用于将所述特征数据加权和、所述目标路段的标识符和测时间的标识符进行拼接,得到拼接特征数据;
流量预测子单元,用于基于所述拼接特征数据,预测所述目标路段的车流量。
在一种可能的实施方式中,所流量预测子单元具体用于:
基于获取的与所述特征数据加权和匹配的权重和偏移量、与所述目标路段的标识符匹配的权重和偏移量、与所述预测时间的标识符匹配的权重和偏移量,预测所述目标路段的车流量。
在一种可能的实施方式中,所述预测时间的标识符包括:
预测时间所在的时间段片的标识符、预测时间所在星期的标识符;
所述与所述预测时间的标识符匹配的权重和偏移量包括:与所述预的时间所在的时间段的标识符匹配的权重和偏移量、与所述预测时间所在的星期的标识符匹配的权重和偏移量。
在一种可能的实施方式中,所述数据拼接子单元具体用于:
将所述目标路段的标识符变换为稠密特征向量,以及将所述预测时间的标识符变换为稠密特征向量;
所述将所述特征数据加权和、所述目标路段的标识符对应的稠密特征向量以及预测时间信息的标识符对应的稠密特征向量进行拼接,得到拼接特征数据。
在一种可能的实施方式中,所述每个历史时间段内的车流量特征数据包括以下至少一项:
每个历史时间段内的车流量数据、每个历史时间段内的天气特征数据、每个历史时间段内的路况特征数据、每个历史时间段内的车辆速度数据、每个历史时间段的标识符。
在一种可能的实施方式中,所述每个历史时间段内的车流量数据包括以下至少一项:每个历史时间段内的车流量平均值、车流量最大值、车流量最小值、车流量中位数。
在一种可能的实施方式中,所述每个历史时间段内的车辆速度数据包括以下至少一项:每个历史时间段内的车辆速度最大值、车辆速度最小值、车辆速度均值、车辆速度中位数。
在一种可能的实施方式中,所述每个历史时间段内的路况特征数据包括:在每个历史时间段内目标路段畅通的概率值、在每个历史时间段内目标路段缓行的概率值、在每个历史时间段内目标路段拥堵的概率值。
在一种可能的实施方式中,车流量预测装置还包括:
时段确定模块,用于将预测时间所在的时间段之前的T个时间连续的时间段作为所述多个历史时间段,其中,T是正整数。
第三方面,本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行上述第一方面,或第一方面的任一种可能的实施方式中的步骤。
第四方面,本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述第一方面,或第一方面的任一种可能的实施方式中的步骤。
本申请实施例提供的车流量预测方法及装置,首先获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;之后,从每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;最后,基于确定的有效的车流量特征数据以及对应的权重,预测目标路段的车流量。上述技术方案通过筛选有效的车流量特征数据,并结合有效的车流量特征数据的权重,能够预测得到准确的车流量,克服了现有技术中预测偏差大的缺陷,用户基于准确的车流量能够提前规划行程,提高出行效率。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了车流量变化随时间变化示意图;
图2示出了本申请实施例所提供的一种车流量预测方法的流程图;
图3示出了本申请实施例所提供的另一种车流量预测方法中,筛选每个历史时间段内的有效的车流量特征数据的流程图;
图4示出了本申请实施例所提供的另一种车流量预测方法的流程框图;
图5示出了本申请实施例所提供的另一种车流量预测方法中,确定每个历史时间段内的有效的车流量特征数据的权重的流程图;
图6示出了本申请实施例所提供的另一种车流量预测方法中,预测所述目标路段的车流量的流程图;
图7示出了本申请实施例所提供的一种车流量预测装置的结构示意图;
图8示出了本申请实施例所提供的另一种车流量预测装置中预测子模块的结构示意图;
图9示出了本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
在陈述本申请的实施例之前,先对本申请可能涉及的名词进行说明。
路段link:具有一定长度的一段路,每个路段的长度可能不一样,大约在100-200米或更短范围内,地图底层对路段的设计有相应的规范。一个路段也可以称为一个link。不同link之间在空间上是关联的,呈现上下游关系。
车流量:单位时间段内通过某个路段link的车辆数量,例如,可以计算每小时的车流量,再例如,可以计算每分钟的车流量,还可以计算更短时间内的车流量。以某城市为例,某路段link上,一周每小时的车流量折线图如图1所示。
图2示出本申请的一些实施例的车流量预测方法的流程图。该车流量预测方法应用于与车流量预测相关的服务平台,用于预测某一路段的车流量。具体地,车流量预测方法包括如下步骤:
S210、获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据。
从图1中可以看出,车流量随时间变化会有很明显的变化,所以需要获取与预测时间相关的历史时间段,此步骤中的历史时间段即为与预测时刻对应的历史时间段。由于车流量随时间变化,具有上下文依赖关系,所以需要获取时间连续的多个历史时间段,以提高预测的准确性。在具体实施时,可以通过如下步骤确定所述多个历史时间段:将预测时间所在的时间段之前的T个时间连续的时间段作为所述多个历史时间段,其中,T是正整数。
从图1中可以看出,车流量具有一定的周期复现性质,因此这里的T可以选取一个变化周期对应的时间段的总数,例如,以一小时为历史时间段的长度,选取一周的小时数168作为T。
由于车流量不仅受车辆的速度的影响,还受很多环境因素的影响,例如受路况、天气、时间段等因素的影响,因此在预测车流量时,需要获取这些特征数据。具体地,需要获取的车流量特征数据包括以下至少一项:
每个历史时间段内的车流量数据、每个历史时间段内的天气特征数据、每个历史时间段内的路况特征数据、每个历史时间段内的车辆速度数据、每个历史时间段的标识符。
某一历史时间段内的车流量数据包括以下至少一项:该历史时间段内的车流量平均值、该历史时间段内的车流量最大值、该历史时间段内的车流量最小值、该历史时间段内的车流量中位数。上述车流量可以是指每分钟的车流量,因此,如果历史时间段的时间长度大于一分钟的时候,存在历史时间段内的车流量最大值、最小值、中位数。
上述某一历史时间段内的车辆速度数据包括以下至少一项:该历史时间段内的车辆速度最大值、车辆速度最小值、车辆速度均值、车辆速度中位数。上述车辆速度可以是指每分钟对应的车辆速度,因此,如果历史时间段的时间长度大于一分钟的时候,存在历史时间段内的车辆速度最大值、最小值、中位数。
上述某一历史时间段内的路况特征数据包括:在该历史时间段内目标路段畅通的概率值、在该历史时间段内目标路段缓行的概率值、在该历史时间段内目标路段拥堵的概率值。某一历史时间段内目标路段可能部分时间内是畅通、部分时间内是拥堵等,因此某一历史时间段对应的存在畅通的概率值、缓行的概率值、拥堵的概率值等。
上述某一历史时间段内的天气特征数据是指该历史时间段内的天气情况,例如该历史时间段内的天气特征数据是雪。
由于车流量与时间具有强相关性,因此在预测车流量时需要历史时间段的标识符,即本步骤获取的车流量特征数据中包括每个历史时间段的标识符。
S220、从所述每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重。
根据与车流量特征数据匹配的权重可以从每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据。在具体实施时,可以利用长短期记忆网络(ltsm)来筛选每个历史时间段内的有效的车流量特征数据。
根据与有效的车流量特征数据匹配的权重和偏移量,可以确定每个历史时间段内的有效的车流量特征数据的权重。在具体实施时,可以利用多层感知器(Multi-LayerPerceptron,mlp)来确定每个历史时间段内的有效的车流量特征数据的权重。
上述用于筛选有效的车流量特征数据的权重、用于确定有效的车流量特征数据的权重的偏移量和权重均是预先根据相关的训练集确定的。上述训练集中包括样本特征数据和真值。
S230、基于确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
在具体实施时,可以基于每个有效的车流量特征数据以及对应的权重进行加权求和,再利用加权求和得到的数据预测目标路段的车流量。
上述技术方案为每个历史时间段内的有效的车流量特征数据确定了权重,权重表示与预测车流量的关系,有周期性质,并且与预测的车流量关系大的历史时间段内的有效的车流量特征数据的权重大。
上述技术方案通过筛选有效的车流量特征数据,并结合有效的车流量特征数据的权重,能够预测得到准确的车流量,克服了现有技术中预测偏差大的缺陷,用户基于准确的车流量能够提前规划行程,提高出行效率。
如图3所示,在一些实施例中,筛选每个历史时间段内的有效的车流量特征数据可以通过如下步骤实现:
S310、获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序。
上述与车流量特征数据匹配的权重是预先训练得到的,表明对应的车流量特征数据对于预测车流量的有效程度,权重的值越大,表明对应的车流量特征数据对于预测车流量的有效程度越大。
上述将所有的所述历史时间段按照时间先后进行排序可以是按照时间从早到晚的顺序进行排序。当然,也可以是按照时间从晚到早的顺序进行排序。
S320、基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
在具体实施时,可以利用如下步骤筛选有效的车流量特征数据:
S3201、在所述历史时间段位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,筛选该历史时间段内的有效的车流量特征数据。
上述历史时间段位于排序后的第一个位置,前面没有其他的历史时间段的有效的车流量特征数据输出,因此其只利用与每个车流量特征数据匹配的权重,就能够筛选该历史时间段内的有效的车流量特征数据。
在具体实施时,需要将该历史时间段内的每个车流量特征数据,分别于对应的权重做乘积,得到加权后的车流量特征数据,继而对加权后的车流量特征数据进行筛选。
S3201、在所述历史时间段未位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,以及该历史时间段的前一个历史时间段内的有效的车流量特征数据,筛选该历史时间段内的有效的车流量特征数据。
上述历史时间段位于排序后第一个位置以后的位置,前面有其他的历史时间段的有效的车流量特征数据输出,因此其利用与每个车流量特征数据匹配的权重、以及该历史时间段的前一个历史时间段内的有效的车流量特征数据够筛选该历史时间段内的有效的车流量特征数据。
在具体实施时,需要将该历史时间段内的每个车流量特征数据,分别于对应的权重做乘积,得到加权后的车流量特征数据,继而基于该历史时间段的前一个历史时间段内的有效的车流量特征数据以及该历史时间段内的加权后的车流量特征数据进行筛选。
如图4所示,上述筛选有效的车流量特征数据具体可以用循环神经网络模型进行筛选。该模型的通用公式为:
ht=f(ht-1,xt)
式中,ht表示历史时间段t对应的有效的车流量特征数据;xt表示历史时间段t对应的车流量特征数据,可以是多通道输入,即对多个历史时间段进行有效的车流量特征数据筛选;ht-1表示历史时间段t-1对应的有效的车流量特征数据。
从公式可以发现历史时间段t对应的有效的车流量特征数据同时依赖于历史时间段t对应的车流量特征数据和历史时间段t-1对应的有效的车流量特征数据,利用该公式可以解决时间序列上下文依赖问题。
如图4所示,历史时间段对应的车流量特征数据由输入层输入。筛选有效的车流量特征数据由LTSM层完成。
如图5所示,在一些实施例中,可以利用如下步骤确定每个历史时间段内的有效的车流量特征数据的权重,包括:
S510、获取与每个有效的车流量特征数据匹配的权重以及偏移量。
此步骤中权重以及偏移量是预先训练得到的,表明对应的有效的车流量特征数据对于预测车流量的重要程度,权重的值越大,表明对应的有效的车流量特征数据对于预测车流量的重要程度越大。
S520、针对每个历史时间段,基于与每个有效的车流量特征数据匹配的权重以及偏移量,确定该历史时间段内的有效的车流量特征数据对应的权重因子。
在具体实施时,可以利用mlp确定该历史时间段内的有效的车流量特征数据对应的权重因子,具体计算公式如下:
ei=mlp(hi)
式中,hi表示历史时间段i对应的有效的车流量特征数据,ei表示历史时间段i对应的权重因子。
S530、基于每个历史时间段内的有效的车流量特征数据对应的权重因子,分别确定每个历史时间段内的有效的车流量特征数据的权重。
在具体实施时,可以利用如下公式确定每个历史时间段内的有效的车流量特征数据的权重:
式中,ei表示历史时间段i内的有效的车流量特征数据对应的权重因子;T表示历史时间段的数量,αi表示历史时间段i内的有效的车流量特征数据对应的权重。
上述实施例并不是直接利用传统的循环神经网络,最后一个历史时间段输出的数据预测车流量,而是基于循环神经网络的每个历史时间段输出的数据确定对应的权重,继而利用循环神经网络的每个历史时间段输出的数据以及对应的权重预测目标路段的车流量。结合每个历史时间段的输出数据以及对应的权重对目标路段进行车流量预测,实现了对每个历史时间段的输出数据的合理利用,有效提高了预测的准确度。
如图6所示,在一些实施例中,上述步骤中的预测所述目标路段的车流量,包括:
S610、针对每个历史时间段,计算该历史时间段内的有效的车流量特征数据的权重与该历史时间段内的有效的车流量特征数据的乘积,得到该历史时间段内的有效的车流量特征数据的加权值。
S620、如图4所示,计算所有历史时间段对应的加权值的和,得到特征数据加权和。
在具体实施时,可以利用如下公式计算特征数据加权和:
式中,c表示特征数据加权和,αi表示历史时间段i内的有效的车流量特征数据对应的权重,hi表示历史时间段i对应的有效的车流量特征数据。
如图4所示,上述计算特征数据加权和的操作可以由注意力层执行。
S630、基于所述特征数据加权和,预测所述目标路段的车流量。
在具体实施时,此步骤可以利用如下子步骤预测所述目标路段的车流量:
S6301、获取所述目标路段的标识符、预测时间的标识符。
不同路段link的车流量变化往往呈现出不同的变化规律,例如:某些科技公司较多,车况复杂的路段,经常导致路况拥堵。由于车流量与路段具有强相关性,不同的路段的车流量变化的规律不同,因此在预测目标路段的车流量时需要获取目标路段的标识符LinkID。根据目标路段的标识符可以确定对应的流量变化规律信息,该车流量变化规律信息对目标路段的车流量预测起到很大的作用,因此此步骤需要获取目标路段的标识符。
由于车流量与时间具有强相关性,不同的时间段的车流量变化的规律不同,因此在预测目标路段的车流量时需要获取预测时间的标识符。根据预测时间的标识符可以确定对应的流量变化规律信息,该车流量变化规律信息对目标路段的车流量预测起到很大的作用,因此此步骤需要获取预测时间的标识符。
S6302、基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量。
此子步骤中,预测所述目标路段的车流量可以利用如下子步骤实现:将所述特征数据加权和、所述目标路段的标识符和测时间的标识符进行拼接,得到拼接特征数据;基于所述拼接特征数据,预测所述目标路段的车流量。
如图4所示,利用concat将特征数据加权和、所述目标路段的标识符和测时间的标识符进行拼接。
在具体实施时,上述基于所述拼接特征数据,预测所述目标路段的车流量可以利用如下子步骤实现:基于获取的与所述特征数据加权和匹配的权重和偏移量、与所述目标路段的标识符匹配的权重和偏移量、与所述预测时间的标识符匹配的权重和偏移量,预测所述目标路段的车流量。
上述与所述特征数据加权和匹配的权重和偏移量、与所述目标路段的标识符匹配的权重和偏移量、与所述预测时间的标识符匹配的权重和偏移量均是预先训练得到。
如图4所示,在具体实施时可以利用全连接层(fully connected layers,FC)实现,基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量y。
如图4所示,上述预测时间的标识符包括:预测时间所在的时间段的标识符TimeID、预测时间所在星期的标识符WeekID。
如图4所示,在获取了目标路段的标识符LinkID、预测时间所在的时间段的标识符TimeID、预测时间所在星期的标识符WeekID,需要将这些标识符进行Emb,在进行拼接Concatenate。
上述与所述预测时间的标识符匹配的权重和偏移量包括:与所述预的时间所在的时间段的标识符匹配的权重和偏移量、与所述预测时间所在的星期的标识符匹配的权重和偏移量。
上述将所述特征数据加权和、所述目标路段的标识符和预测时间的标识符进行拼接,得到拼接特征数据具体还可以利用如下步骤实现:将所述目标路段的标识符变换为稠密特征向量,以及将所述预测时间的标识符变换为稠密特征向量;所述将所述特征数据加权和、所述目标路段的标识符对应的稠密特征向量以及预测时间信息的标识符对应的稠密特征向量进行拼接,得到拼接特征数据。
如图4所示,具体可以利用嵌入层将目标路段的标识符和预测时间的标识符变为稠密向量。
上述实施例融合多个历史时间段内的车流量特征数据,并且融合不同种类特征,例如路段的标识符、预测时间所在的时间段的标识符、预测时间所在的星期的标识符等,在加强上下文的依赖的同时,对每个历史时间段的输出数据添加注意力机制,即进行加权计算,使与预测车流量关系较大的数据权重较高,与预测车流量关系较小的数据权重较小,可以有效减少预测偏差。
图7是示出本申请的一些实施例的车流量预测装置的框图,该车流量预测装置实现的功能对应上述方法执行的步骤。该装置可以理解为上述服务器,或服务器的处理器,也可以理解为独立于上述服务器或处理器之外的在服务器控制下实现本申请功能的组件,如图所示,车流量预测装置可以包括数据获取模块710、数据处理模块720,预测模块730。
数据获取模块710可以用于获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据。
数据处理模块720可以用于从所述每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重。
预测模块730可以用于基于确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
在一些实施例中,所述数据处理模块720包括:
排序子模块7201,用于获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序;
筛选子模块7202,用于基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
在一些实施例中,所述筛选子模块7202具体用于:
在所述历史时间段位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,筛选该历史时间段内的有效的车流量特征数据;
在所述历史时间段未位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,以及该历史时间段的前一个历史时间段内的有效的车流量特征数据,筛选该历史时间段内的有效的车流量特征数据。
在一些实施例中,所述数据处理模块720包括:
参数获取子模块7203,用于获取与每个有效的车流量特征数据匹配的权重以及偏移量;
权重因子确定子模块7204,用于针对每个历史时间段,基于与每个有效的车流量特征数据匹配的权重以及偏移量,确定该历史时间段内的有效的车流量特征数据对应的权重因子;
权重确定子模块7205,用于基于每个历史时间段内的有效的车流量特征数据对应的权重因子,分别确定每个历史时间段内的有效的车流量特征数据的权重。
所述权重确定子模块7205利用如下公式确定每个历史时间段内的有效的车流量特征数据的权重:
式中,ei表示历史时间段i内的有效的车流量特征数据对应的权重因子;T表示历史时间段的数量,αi表示历史时间段i内的有效的车流量特征数据对应的权重。
在一些实施例中,所述预测模块730包括:
加权计算子模块7301,用于针对每个历史时间段,计算该历史时间段内的有效的车流量特征数据的权重与该历史时间段内的有效的车流量特征数据的乘积,得到该历史时间段内的有效的车流量特征数据的加权值;
加权和计算子模块7302,用于计算所有历史时间段对应的加权值的和,得到特征数据加权和;
预测子模块7303,用于基于所述特征数据加权和,预测所述目标路段的车流量。
在一些实施例中,车流量预测装置还包括:
时段确定模块740,用于将预测时间所在的时间段之前的T个时间连续的时间段作为所述多个历史时间段,其中,T是正整数。
如图8所示,在一些实施例中,所述预测子模块包括:
标识符获取单元810,用于获取所述目标路段的标识符、预测时间的标识符;
流量预测单元820,用于基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量。
在一些实施例中,所述流量预测单元820包括:
数据拼接子单元8201,用于将所述特征数据加权和、所述目标路段的标识符和测时间的标识符进行拼接,得到拼接特征数据;
流量预测子单元8202,用于基于所述拼接特征数据,预测所述目标路段的车流量。
在一些实施例中,所流量预测子单元8202具体用于:
基于获取的与所述特征数据加权和匹配的权重和偏移量、与所述目标路段的标识符匹配的权重和偏移量、与所述预测时间的标识符匹配的权重和偏移量,预测所述目标路段的车流量。
在一些实施例中,所述预测时间的标识符包括:
预测时间所在的时间段片的标识符、预测时间所在星期的标识符;
所述与所述预测时间的标识符匹配的权重和偏移量包括:与所述预的时间所在的时间段的标识符匹配的权重和偏移量、与所述预测时间所在的星期的标识符匹配的权重和偏移量。
在一些实施例中,所述数据拼接子单元8201具体用于:
将所述目标路段的标识符变换为稠密特征向量,以及将所述预测时间的标识符变换为稠密特征向量;
所述将所述特征数据加权和、所述目标路段的标识符对应的稠密特征向量以及预测时间信息的标识符对应的稠密特征向量进行拼接,得到拼接特征数据。
在一些实施例中,所述每个历史时间段内的车流量特征数据包括以下至少一项:
每个历史时间段内的车流量数据、每个历史时间段内的天气特征数据、每个历史时间段内的路况特征数据、每个历史时间段内的车辆速度数据、每个历史时间段的标识符。
在一些实施例中,所述每个历史时间段内的车流量数据包括以下至少一项:每个历史时间段内的车流量平均值、车流量最大值、车流量最小值、车流量中位数。
在一些实施例中,所述每个历史时间段内的车辆速度数据包括以下至少一项:每个历史时间段内的车辆速度最大值、车辆速度最小值、车辆速度均值、车辆速度中位数。
在一些实施例中,所述每个历史时间段内的路况特征数据包括:在每个历史时间段内目标路段畅通的概率值、在每个历史时间段内目标路段缓行的概率值、在每个历史时间段内目标路段拥堵的概率值。
上述模块可以经由有线连接或无线连接彼此连接或通信。有线连接可以包括金属线缆、光缆、混合线缆等,或其任意组合。无线连接可以包括通过LAN、WAN、蓝牙、ZigBee、或NFC等形式的连接,或其任意组合。两个或更多个模块可以组合为单个模块,并且任何一个模块可以分成两个或更多个单元。
本申请实施例公开了一种电子设备,如图9所示,包括:处理器901、存储器902和总线903,所述存储器902存储有所述处理器901可执行的机器可读指令,当电子设备运行时,所述处理器901与所述存储器902之间通过总线903通信。
所述机器可读指令被所述处理器901执行时执行以下车流量预测的步骤:
获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;
从所述每个历史时间段内的车流量特征数据中,筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;
基于确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
在一些实施例中,所述处理器901根据以下步骤筛选每个历史时间段内的有效的车流量特征数据:
获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序;
基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
在一些实施例中,所述处理器901利用如下步骤筛选每个历史时间段内的有效的车流量特征数据:
在所述历史时间段位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,筛选该历史时间段内的有效的车流量特征数据;
在所述历史时间段未位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,以及该历史时间段的前一个历史时间段内的有效的车流量特征数据,筛选该历史时间段内的有效的车流量特征数据。
在一些实施例中,所述处理器901利用如下步骤确定每个历史时间段内的有效的车流量特征数据的权重:
获取与每个有效的车流量特征数据匹配的权重以及偏移量;
针对每个历史时间段,基于与每个有效的车流量特征数据匹配的权重以及偏移量,确定该历史时间段内的有效的车流量特征数据对应的权重因子;
基于每个历史时间段内的有效的车流量特征数据对应的权重因子,分别确定每个历史时间段内的有效的车流量特征数据的权重。
在一些实施例中,所述处理器901利用如下公式确定每个历史时间段内的有效的车流量特征数据的权重:
式中,ei表示历史时间段i内的有效的车流量特征数据对应的权重因子;T表示历史时间段的数量,αi表示历史时间段i内的有效的车流量特征数据对应的权重。
在一些实施例中,所述处理器901利用如下步骤预测所述目标路段的车流量:
针对每个历史时间段,计算该历史时间段内的有效的车流量特征数据的权重与该历史时间段内的有效的车流量特征数据的乘积,得到该历史时间段内的有效的车流量特征数据的加权值;
计算所有历史时间段对应的加权值的和,得到特征数据加权和;
基于所述特征数据加权和,预测所述目标路段的车流量。
在一些实施例中,所述处理器901利用如下步骤基于所述特征数据加权和,预测所述目标路段的车流量:
获取所述目标路段的标识符、预测时间的标识符;
基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量。
在一些实施例中,所述处理器901利用如下步骤基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量:
将所述特征数据加权和、所述目标路段的标识符和测时间的标识符进行拼接,得到拼接特征数据;
基于所述拼接特征数据,预测所述目标路段的车流量。
在一些实施例中,所述处理器901利用如下步骤基于所述拼接特征数据,预测所述目标路段的车流量,包括:
基于获取的与所述特征数据加权和匹配的权重和偏移量、与所述目标路段的标识符匹配的权重和偏移量、与所述预测时间的标识符匹配的权重和偏移量,预测所述目标路段的车流量。
所述预测时间的标识符包括:
预测时间所在的时间段的标识符、预测时间所在星期的标识符;
所述与所述预测时间的标识符匹配的权重和偏移量包括:与所述预的时间所在的时间段的标识符匹配的权重和偏移量、与所述预测时间所在的星期的标识符匹配的权重和偏移量。
在一些实施例中,所述处理器901利用如下步骤将所述特征数据加权和、所述目标路段的标识符和预测时间的标识符进行拼接,得到拼接特征数据:
将所述目标路段的标识符变换为稠密特征向量,以及将所述预测时间的标识符变换为稠密特征向量;
所述将所述特征数据加权和、所述目标路段的标识符对应的稠密特征向量以及预测时间信息的标识符对应的稠密特征向量进行拼接,得到拼接特征数据。
所述每个历史时间段内的车流量特征数据包括以下至少一项:
每个历史时间段内的车流量数据、每个历史时间段内的天气特征数据、每个历史时间段内的路况特征数据、每个历史时间段内的车辆速度数据、每个历史时间段的标识符。
所述每个历史时间段内的车流量数据包括以下至少一项:每个历史时间段内的车流量平均值、车流量最大值、车流量最小值、车流量中位数。
所述每个历史时间段内的车辆速度数据包括以下至少一项:每个历史时间段内的车辆速度最大值、车辆速度最小值、车辆速度均值、车辆速度中位数。
所述每个历史时间段内的路况特征数据包括:在每个历史时间段内目标路段畅通的概率值、在每个历史时间段内目标路段缓行的概率值、在每个历史时间段内目标路段拥堵的概率值。
在一些实施例中,所述处理器901利用如下步骤确定历史时间段:
将预测时间所在的时间段之前的T个时间连续的时间段作为所述多个历史时间段,其中,T是正整数。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行上述任一实施例中的车流量预测方法的步骤。
本申请实施例还提供了一种计算机程序产品,其包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和装置的具体工作过程,可以参考方法实施例中的对应过程,本申请中不再赘述。在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (12)
1.一种车流量预测装置,其特征在于,包括数据获取模块、数据处理模块、和预测模块;
所述数据获取模块,用于获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;
所述数据处理模块,用于从所述数据获取模块获取的每个历史时间段内的车流量特征数据中筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;
所述预测模块,用于基于所述数据处理模块确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
2.根据权利要求1所述的装置,其特征在于,所述数据处理模块包括排序子模块和筛选子模块;
所述排序子模块,用于获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序;
所述筛选子模块,用于基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
3.根据权利要求2所述的装置,其特征在于,所述筛选子模块具体用于:
在所述历史时间段位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,筛选该历史时间段内的有效的车流量特征数据;
在所述历史时间段未位于排序后的第一个位置的情况下,基于与每个车流量特征数据匹配的权重,以及该历史时间段的前一个历史时间段内的有效的车流量特征数据,筛选该历史时间段内的有效的车流量特征数据。
4.根据权利要求1至3任一项所述的装置,其特征在于,所述数据处理模块包括参数获取子模块、权重因子确定子模块、和权重确定子模块;
所述参数获取子模块,用于获取与每个有效的车流量特征数据匹配的权重以及偏移量;
所述权重因子确定子模块,用于针对每个历史时间段,基于与每个有效的车流量特征数据匹配的权重以及偏移量,确定该历史时间段内的有效的车流量特征数据对应的权重因子;
所述权重确定子模块,用于基于每个历史时间段内的有效的车流量特征数据对应的权重因子,分别确定每个历史时间段内的有效的车流量特征数据的权重。
5.根据权利要求1所述的装置,其特征在于,所述预测模块包括加权计算子模块、加权和计算子模块、和预测子模块;
所述加权计算子模块,用于针对每个历史时间段,计算该历史时间段内的有效的车流量特征数据的权重与该历史时间段内的有效的车流量特征数据的乘积,得到该历史时间段内的有效的车流量特征数据的加权值;
所述加权和计算子模块,用于计算所有历史时间段对应的加权值的和,得到特征数据加权和;
所述预测子模块,用于基于所述特征数据加权和,预测所述目标路段的车流量。
6.根据权利要求5所述的装置,其特征在于,所述预测子模块包括标识符获取单元、流量预测单元;
所述标识符获取单元,用于获取所述目标路段的标识符、预测时间的标识符;
所述流量预测单元,用于基于所述特征数据加权和、所述目标路段的标识符、和预测时间的标识符,预测所述目标路段的车流量。
7.根据权利要求6所述的装置,其特征在于,所述流量预测单元包括数据拼接子单元、和流量预测子单元;
所述数据拼接子单元,用于将所述特征数据加权和、所述目标路段的标识符和预测时间的标识符进行拼接,得到拼接特征数据;
所述流量预测子单元,用于基于所述拼接特征数据,预测所述目标路段的车流量。
8.根据权利要求7所述的装置,其特征在于,所述数据拼接子单元具体用于:
将所述目标路段的标识符变换为稠密特征向量,以及将所述预测时间的标识符变换为稠密特征向量;
所述将所述特征数据加权和、所述目标路段的标识符对应的稠密特征向量以及预测时间信息的标识符对应的稠密特征向量进行拼接,得到拼接特征数据。
9.一种车流量预测方法,其特征在于,包括:
获取目标路段在多个历史时间段中每个历史时间段内的车流量特征数据;
从所述每个历史时间段内的车流量特征数据中,筛选有效的车流量特征数据,并确定每个历史时间段内的有效的车流量特征数据的权重;
基于确定的有效的车流量特征数据以及对应的权重,预测所述目标路段的车流量。
10.根据权利要求9所述的方法,其特征在于,根据以下步骤筛选每个历史时间段内的有效的车流量特征数据:
获取与每个车流量特征数据匹配的权重,以及将所有的所述历史时间段按照时间先后进行排序;
基于与每个车流量特征数据匹配的权重,以及每个历史时间段的排序位置,筛选每个历史时间段内的有效的车流量特征数据。
11.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行时执行如权利要求9或10所述的车流量预测方法的步骤。
12.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求9或10所述的车流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331763.7A CN111862583B (zh) | 2019-04-24 | 2019-04-24 | 一种车流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910331763.7A CN111862583B (zh) | 2019-04-24 | 2019-04-24 | 一种车流量预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862583A true CN111862583A (zh) | 2020-10-30 |
CN111862583B CN111862583B (zh) | 2021-12-03 |
Family
ID=72952066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910331763.7A Active CN111862583B (zh) | 2019-04-24 | 2019-04-24 | 一种车流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862583B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396228A (zh) * | 2020-11-16 | 2021-02-23 | 西安宇视信息科技有限公司 | 目标路径确定方法、装置、电子设备及介质 |
CN113470356A (zh) * | 2021-06-28 | 2021-10-01 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
CN113643535A (zh) * | 2021-08-02 | 2021-11-12 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2275962A1 (en) * | 2001-06-22 | 2011-01-19 | Caliper Corporation | Traffic data management and simulation system |
JP2012053613A (ja) * | 2010-08-31 | 2012-03-15 | Denso Corp | 交通状況予測装置 |
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
CN104408913A (zh) * | 2014-11-03 | 2015-03-11 | 东南大学 | 一种考虑时空相关性的交通流三参数实时预测方法 |
CN104821082A (zh) * | 2015-04-29 | 2015-08-05 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
US20150228187A1 (en) * | 2014-02-11 | 2015-08-13 | Telenav, Inc. | Electronic system with prediction mechanism and method of operation thereof |
CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
US20170243121A1 (en) * | 2016-02-22 | 2017-08-24 | Institute For Information Industry | Traffic forecasting system, traffic forecasting method and traffic model establishing method |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN109191846A (zh) * | 2018-10-12 | 2019-01-11 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
-
2019
- 2019-04-24 CN CN201910331763.7A patent/CN111862583B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2275962A1 (en) * | 2001-06-22 | 2011-01-19 | Caliper Corporation | Traffic data management and simulation system |
JP2012053613A (ja) * | 2010-08-31 | 2012-03-15 | Denso Corp | 交通状況予測装置 |
CN103295075A (zh) * | 2013-04-01 | 2013-09-11 | 沈阳航空航天大学 | 一种超短期电力负荷预测与预警方法 |
US20150228187A1 (en) * | 2014-02-11 | 2015-08-13 | Telenav, Inc. | Electronic system with prediction mechanism and method of operation thereof |
CN104408913A (zh) * | 2014-11-03 | 2015-03-11 | 东南大学 | 一种考虑时空相关性的交通流三参数实时预测方法 |
CN104821082A (zh) * | 2015-04-29 | 2015-08-05 | 电子科技大学 | 一种基于综合评价的短时交通流预测方法 |
CN106935027A (zh) * | 2015-12-30 | 2017-07-07 | 沈阳美行科技有限公司 | 一种基于行驶数据的交通信息预测方法及装置 |
US20170243121A1 (en) * | 2016-02-22 | 2017-08-24 | Institute For Information Industry | Traffic forecasting system, traffic forecasting method and traffic model establishing method |
CN108257378A (zh) * | 2016-12-29 | 2018-07-06 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法及装置 |
CN108417038A (zh) * | 2018-05-09 | 2018-08-17 | 华中科技大学鄂州工业技术研究院 | 一种公交客流量的预测方法及系统 |
CN109034449A (zh) * | 2018-06-14 | 2018-12-18 | 华南理工大学 | 基于深度学习和乘客行为模式的短期公交客流预测方法 |
CN108961762A (zh) * | 2018-08-24 | 2018-12-07 | 东北林业大学 | 一种基于多因素融合的城市道路交通流量预测方法 |
CN109191846A (zh) * | 2018-10-12 | 2019-01-11 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
CN109559512A (zh) * | 2018-12-05 | 2019-04-02 | 北京掌行通信息技术有限公司 | 一种区域交通流量预测方法及装置 |
CN109658695A (zh) * | 2019-01-02 | 2019-04-19 | 华南理工大学 | 一种多因素的短时交通流预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112396228A (zh) * | 2020-11-16 | 2021-02-23 | 西安宇视信息科技有限公司 | 目标路径确定方法、装置、电子设备及介质 |
CN113470356A (zh) * | 2021-06-28 | 2021-10-01 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
CN113470356B (zh) * | 2021-06-28 | 2022-11-04 | 青岛海信网络科技股份有限公司 | 电子设备及区域路况预测方法 |
CN113643535A (zh) * | 2021-08-02 | 2021-11-12 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
CN113643535B (zh) * | 2021-08-02 | 2023-02-21 | 宝方云科技(浙江)有限公司 | 基于智慧城市的道路交通预测方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111862583B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7228151B2 (ja) | 渋滞予測システム、渋滞予測方法、学習装置、予測装置、プログラム、および学習済みモデル | |
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN111862583B (zh) | 一种车流量预测方法及装置 | |
US20220139070A1 (en) | Learning apparatus, estimation apparatus, data generation apparatus, learning method, and computer-readable storage medium storing a learning program | |
Yin et al. | A prediction model of bus arrival time at stops with multi-routes | |
CN110517479B (zh) | 一种城市道路交通预测方法、装置及电子设备 | |
CN111326015A (zh) | 一种停车点推荐方法及装置 | |
JP2015125775A (ja) | システムでの需要の予測のためのマルチタスク学習システムおよび方法 | |
CN107085944B (zh) | 一种交通数据处理系统及方法 | |
CN111833600B (zh) | 通行时间预测方法、装置及数据处理设备 | |
US9959339B2 (en) | Journey time estimation | |
CN111435088A (zh) | 一种道路匹配方法、装置、电子设备及存储介质 | |
CN111612400A (zh) | 一种配送时长的预测方法及装置 | |
CN111191949B (zh) | 网约车辆异常行驶行为识别方法、装置、电子设备 | |
CN111861643A (zh) | 一种乘车位置的推荐方法、装置、电子设备及存储介质 | |
CN113223293B (zh) | 路网仿真模型的构建方法、装置及电子设备 | |
CN108876056A (zh) | 一种共享自行车需求量预测方法、装置、设备及存储介质 | |
CN111832743A (zh) | 用于确定行驶变化过程的方法 | |
CN106157616A (zh) | 一种交通流量短时预测装置 | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN115164922A (zh) | 一种路径规划方法、系统、设备及存储介质 | |
CN110956299B (zh) | 一种到达时间预估方法及装置 | |
Shen et al. | Traffic velocity prediction using GPS data: IEEE ICDM contest task 3 report | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
JP2010205089A (ja) | 道路交通情報作成装置および道路交通情報作成方法 |
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 |