CN111915878B - 道路交通状态的预测方法及装置、计算机设备和存储介质 - Google Patents
道路交通状态的预测方法及装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111915878B CN111915878B CN201910384558.7A CN201910384558A CN111915878B CN 111915878 B CN111915878 B CN 111915878B CN 201910384558 A CN201910384558 A CN 201910384558A CN 111915878 B CN111915878 B CN 111915878B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- state
- attribute information
- traffic state
- 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
- G08G1/0133—Traffic data processing for classifying traffic situation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种道路交通状态的预测方法,该方法包括:获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。采用该交通状态预测模型来预测道路交通状态,预测准确性更高。本申请还涉及一种道路交通状态的预测装置、计算机设备和计算机可读存储介质。
Description
技术领域
本申请涉及道路状态监测技术领域,特别是涉及一种道路交通状态的预测方法及装置、计算机设备和计算机可读存储介质。
背景技术
近年来,我国城市高速发展,城市道路交通面临着日益严峻的考验,大范围交通拥堵已成为普遍现象,严重阻碍和制约着城市道路交通的协调发展。
传统技术中存在着多种道路交通状态的预测方式,例如:短时交通状态预测方案是根据采集历史记录的流量及速度数据组合预测交通状态,通过对现在和历史同一周期同比的交通状态平均数据做加权平均,获得短期内的交通状态预测。
然而,当交通数据体量巨大时,采用传统技术对道路交通状态预测的准确性较低。
发明内容
基于此,有必要针对上述传统技术的道路交通状态的预测准确性较低的技术问题,提供一种道路交通状态的预测方法及装置、计算机设备和计算机可读存储介质。
一种道路交通状态的预测方法,所述方法包括:
获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。
在其中一个实施例中,所述交通状态包括堵塞状态,所述车辆包括第一车辆;
所述方法还包括:
若所述目标路段的交通状态为堵塞状态,则获取所述第一车辆的行驶状态;所述第一车辆为所述交通状态预测模型预测的导致所述目标路段发生堵塞的车辆;
根据所述第一车辆的行驶状态,获取所述第一车辆从当前位置行驶至所述目标路段的第一时长。
在其中一个实施例中,所述方法还包括:
提取所述第一车辆的属性信息;
对所述第一车辆的属性信息进行调整,得到新的属性信息;
将所述新的属性信息输入到所述交通状态预测模型中,预测所述目标路段的新的交通状态;
若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆;所述第一调整措施对应于将所述第一车辆的属性信息调整为新的属性信息。
在其中一个实施例中,若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆,包括:
若存在多个所述第一调整措施,则发送多个所述第一调整措施中满足预设调整条件的调整措施至所述第一车辆;所述预设调整条件包括:所述第一车辆的堵塞时长满足最小时长,和/或所述第一车辆改变车道的次数满足最小次数。
在其中一个实施例中,所述方法还包括:
将所述第一时长与第一预设时间进行累加,得到第二时长;
获取第二车辆的属性信息;所述第二车辆为在所述第一时长与第二时长之间到达所述目标路段的车辆;
根据所述第二车辆的属性信息,发送第二调整措施至所述第二车辆;所述第二调整措施用于指示所述第二车辆改变行驶状态,使得所述目标路段的堵塞状态得以疏解。
在其中一个实施例中,将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态之前,所述方法还包括:
获取所述道路的交通数据样本;
将所述交通数据样本中的道路堵塞样本确定为正训练样本;
根据所述正训练样本对初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型。
在其中一个实施例中,根据所述正训练样本对初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型,包括:
将所述交通数据样本中的道路非堵塞样本确定为负训练样本;
根据所述正训练样本和所述负训练样本对所述初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型。
在其中一个实施例中,将所述交通数据样本中的道路堵塞样本确定为正训练样本,包括:
获取所述交通数据样本中堵塞路段的形成时刻;
将所述堵塞路段的形成时刻之前的第二预设时间内的交通数据样本,确定为所述道路堵塞样本;
将所述道路堵塞样本确定为正训练样本。
在其中一个实施例中,将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态,包括:
若检测到新的堵塞路段,则获取所述新的堵塞路段的交通数据;
根据所述新的堵塞路段的交通数据,对所述交通状态预测模型进行更新,得到新的交通状态预测模型;
将所述交通数据输入到所述新的交通状态预测模型中,预测所述目标路段的交通状态。
一种道路交通状态的预测装置,所述装置包括:
交通数据获取模块,用于获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
交通状态预测模块,用于将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。
在其中一个实施例中,所述交通状态包括堵塞状态,所述车辆包括第一车辆;所述装置还包括:
行驶状态获取模块,用于若所述目标路段的交通状态为堵塞状态,则获取所述第一车辆的行驶状态;所述第一车辆为所述交通状态预测模型预测的导致所述目标路段发生堵塞的车辆;
第一时长确定模块,用于根据所述第一车辆的行驶状态,获取所述第一车辆从当前位置行驶至所述目标路段的第一时长。
在其中一个实施例中,所述装置还包括:
属性信息提取模块,用于提取所述第一车辆的属性信息;
属性信息调整模块,用于对所述第一车辆的属性信息进行调整,得到新的属性信息;
交通状态确定模块,用于将所述新的属性信息输入到所述交通状态预测模型中,预测所述目标路段的新的交通状态;
调整措施输出模块,用于若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆;所述第一调整措施对应于将所述第一车辆的属性信息调整为新的属性信息。
在其中一个实施例中,所述装置还包括:
第二时长计算模块,用于将所述第一时长与第一预设时间进行累加,得到第二时长;
属性信息获取模块,用于获取第二车辆的属性信息;所述第二车辆为在所述第一时长与第二时长之间到达所述目标路段的车辆;
调整措施发送模块,用于根据所述第二车辆的属性信息,发送第二调整措施至所述第二车辆;所述第二调整措施用于指示所述第二车辆改变行驶状态,使得所述目标路段的堵塞状态得以疏解。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
一种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任意一项所述的方法的步骤。
上述道路交通状态的预测方法及装置、计算机设备和计算机可读存储介质,通过获取道路中的交通数据,该交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种,进而将交通数据输入到交通状态预测模型中,预测目标路段的交通状态,该交通状态预测模型包括有监督学习的机器学习模型,该有监督学习的机器学习模型包括预设的交通数据与交通状态的对应关系。由于有监督学习的机器学习模型可调整内部大量节点之间相互连接的关系,从而达到处理大规模体量的交通数据的目的,并且有监督学习的机器学习模型在训练时需要大量的训练样本,使得交通状态预测模型达到最优状态,从而该模型能够准确预测以前从未见过的交通数据,预测准确性很高,同时有监督学习的机器学习模型还具有自学习和自适应的能力。因此,采用该交通状态预测模型来预测道路交通状态,预测准确性更高。
附图说明
图1为一个实施例中道路交通状态的预测方法的应用环境图;
图2为一个实施例中道路交通状态的预测方法的流程示意图;
图3为一个实施例中道路交通状态的预测装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例中提供的道路交通状态的预测方法,其执行主体可以是下述实施例中涉及到的服务器,也可以是下述实施例中涉及到的道路交通状态的预测装置。
在一个实施例中,本申请实施例提供的道路交通状态的预测方法,可以应用于如图1所示的应用环境中。该应用环境包括服务器102、第一车辆104和第二车辆106。可选地,第一车辆104包括多个车辆,第二车辆104包括多个车辆,具体关于第一车辆104与第二车辆106的描述可参照下述实施例中的内容。当第一车辆104、第二车辆106行驶在道路上时,第一车辆104、第二车辆106与服务器102通信连接,用于将各自的属性信息上传给服务器102。具体地,服务器102获取道路中的交通数据,该交通数据包括交通流量的属性信息和车辆的属性信息。其中,该交通流量的属性信息包括但不限于交通流量的长度、交通流量的宽度以及交通流量的速度;该车辆的属性信息包括但不限于第一车辆的位置、速度、形状等。之后服务器102将交通数据输入到交通状态预测模型中,预测目标路段的交通状态。由于该交通状态预测模型包括有监督学习的机器学习模型,该有监督学习的机器学习模型包括预设的交通数据与交通状态的对应关系,因此采用该交通状态预测模型来预测道路交通状态,预测准确性更高。
在一个实施例中,如图2所示,提供了一种道路交通状态的预测方法。以该方法应用于图1中的服务器为例进行说明,该方法包括以下步骤:
S202,获取道路中的交通数据。
其中,交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种。在上述实施例的基础上,交通流量的属性信息进一步包括交通堵塞路段的范围、交通堵塞路段内车辆的密度以及交通堵塞路段内车辆的行驶速度;车辆的属性信息进一步包括车辆的位置、车辆的形状、车辆的偏航角、车辆的速度、车辆是否违规以及车辆是否发生交通事故。
具体地,服务器获取道路中的交通数据。例如,服务器获取的是“XX街道”中,A位置与B路口之间的交通数据。可选地,车辆的属性信息可以由道路中的第一车辆和第二车辆发送给服务器,交通流量的属性信息可以由该道路中的传感器采集之后发送给服务器。可选地,传感器可以是摄像头、雷达或其组合。
S204,将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。可选地,交通状态包括堵塞状态和畅通状态。
需要清楚,上述有监督学习的机器学习模型是预先基于交通数据样本集训练得到的。可选地,交通数据样本集可分为训练集、测试集。通常,交通数据样本集的体量越大、种类越丰富,该有监督学习的机器学习模型的预测结果越准确。
另外,上述监督学习,其主要功能是提供误差的精确度量(直接与输出值相比)。在实际算法中,该功能由多组对应值(输入和期望输出)组成的训练集提供。基于训练集,可以修正模型参数以减少全局损失函数。在每次迭代之后,如果算法足够灵活并且数据是相关的,则模型总体精度增加,并且预测值和期望值之间的差异变得接近于零。因此,监督学习是对具有概念标记(分类)的训练样本进行学习,以尽可能对训练样本集外的数据进行标记(分类)预测。即有监督学习的机器学习模型能够预测以前从未见过的交通数据,并且预测准确性很高。
具体地,服务器在得到道路中的交通数据之后,将交通数据输入到交通状态预测模型中,该交通状态预测模型包括有监督学习的机器学习模型,例如人工神经网络模型、支持向量机模型等等,基于该模型中预设的交通数据与交通状态的对应关系,即可预测目标路段的交通状态。
上述道路交通状态的预测方法及装置、计算机设备和计算机可读存储介质,通过获取道路中的交通数据,该交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种,进而将交通数据输入到交通状态预测模型中,预测目标路段的交通状态,该交通状态预测模型包括有监督学习的机器学习模型,该有监督学习的机器学习模型包括预设的交通数据与交通状态的对应关系。由于有监督学习的机器学习模型可调整内部大量节点之间相互连接的关系,从而达到处理大规模体量的交通数据的目的,并且有监督学习的机器学习模型在训练时需要大量的训练样本,使得交通状态预测模型达到最优状态,从而该模型能够准确预测以前从未见过的交通数据,预测准确性很高,同时有监督学习的机器学习模型还具有自学习和自适应的能力。因此,采用该交通状态预测模型来预测道路交通状态,预测准确性更高。
可选地,在一个实施例中,上述机器学习模型为人工神经网络模型。当机器学习模型为人工神经网络模型时,首先服务器需要对交通数据进行向量化,例如通过深度神经网络算法中的各种类型的池化(pooling)层算法的向量化的运算来对交通数据进行向量化,得到交通特征向量,进而服务器将交通特征向量输入到有监督学习的人工神经网络模型中来预测目标路段的交通状态。可选地,服务器对交通流量的属性信息进行向量化,得到对应的交通特征向量。可选地,服务器对车辆的属性信息进行向量化,得到对应的交通特征向量。可选地,服务器对交通流量的属性信息和车辆的属性信息都进行向量化,得到对应的交通特征向量。
进一步地,交通特征向量用来表示。其中,交通流量特征向量可以是多维特征向量,即其中,v1,v2,v3,…vn可以是单个数值,也可以是的子向量。当v1,v2,v3,…vn为单个数值时,v1,v2,v3,…vn可以表示交通流量的属性信息,例如v1表示交通堵塞路段的范围,v2表示交通堵塞路段内车辆的密度等等;v1,v2,v3,…vn也可以表示车辆的属性信息,例如v1表示车辆的位置,v2表示车辆的形状、v3表示车辆的速度等等。
可选地,上述交通状态包括堵塞状态,上述车辆包括第一车辆。在一个实施例中,涉及获取第一车辆从当前位置行驶至目标路段的第一时长的具体过程。在上述实施例的基础上,该方法还包括以下步骤:
S212,若所述目标路段的交通状态为堵塞状态,则获取所述第一车辆的行驶状态;所述第一车辆为所述交通状态预测模型预测的导致所述目标路段发生堵塞的车辆;
S214,根据所述第一车辆的行驶状态,获取所述第一车辆从当前位置行驶至所述目标路段的第一时长。
具体地,当服务器确定目标路段的交通状态为堵塞状态时,根据交通状态预测模型预测的结果,获取第一车辆的行驶状态,该第一车辆为交通状态预测模型预测的导致目标路段发生堵塞的车辆,即第一车辆是造成堵塞状态发生的车辆。之后,服务器根据第一车辆的行驶状态,例如行驶速度、行驶方向等,计算得到第一车辆从当前位置行驶至目标路段的第一时长。进一步地,服务器将该第一时长发送给第一车辆,告知第一车辆预计在行驶第一时长后,将会进入堵塞状态。本实施例中,服务器能够提前预测堵塞路段,并可以计算出第一车辆行驶至堵塞路段所需的第一时长,进而服务器将第一时长发送给第一车辆,来辅助第一车辆或者驾乘人员提前采取相应的调整措施,防止进入堵塞路段。
可选地,判定道路堵塞的方式可以是:检测到某一路段的交通流量的长度大于第一预设阈值,且在该交通流量中,车辆的行驶速度小于第二预设阈值,则可判定该路段为堵塞状态。其中,第一预设阈值与第二预设阈值的选取方式为现有技术,在此不再进行详细说明。
在一个实施例中,涉及服务器发送第一调整措施至第一车辆,以阻止堵塞路段的发生的具体过程。在上述实施例的基础上,该方法还包括以下步骤:
S222,提取所述第一车辆的属性信息;
S224,对所述第一车辆的属性信息进行调整,得到新的属性信息;
S226,将所述新的属性信息输入到所述交通状态预测模型中,预测所述目标路段的新的交通状态;
S228,若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆;所述第一调整措施对应于将所述第一车辆的属性信息调整为新的属性信息。
具体地,服务器从车辆的属性信息中提取第一车辆的属性信息,并对该第一车辆的属性信息进行调整,得到新的属性信息。可选地,调整第一车辆的行驶参数,包括:行驶方向、行驶速度等,例如,将第一车辆的行驶速度从100迈减小到40迈,以保证前方道路不会堵塞。之后,服务器将新的属性信息输入到交通状态预测模型中,预测目标路段的新的交通状态。例如,将上述第一车辆的行驶速度为40迈输入到交通状态预测模型中,再次获取目标路段的新的交通状态。若目标路段的新的交通状态对应的通行状态优于堵塞状态对应的通行状态,则发送第一调整措施至第一车辆,该第一调整措施对应于将第一车辆的属性信息调整为新的属性信息。例如,第一车辆的行驶速度为40迈对应的新的交通状态不会是堵塞状态,则将第一车辆的行驶速度从100迈减小到40迈这一调整措施发送给第一车辆。
可选地,上述交通状态对应的通行状态优于堵塞状态对应的通行状态可以是第一车辆的通行速度提高、第一车辆的通行时长缩短、第一车辆的密度变低等等。
本实施例中,通过预测目标路段是否有堵塞风险,若存在堵塞风险,则发送能够疏解目标路段堵塞状态的第一调整措施给第一车辆,以使第一车辆调整行驶状态,以阻止堵塞状态的产生。
在一个实施例中,涉及若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆的一种可能的实现过程。在上述实施例的基础上,S228包括以下步骤:
S2282,若存在多个所述第一调整措施,则发送多个所述第一调整措施中满足预设调整条件的调整措施至所述第一车辆;所述预设调整条件包括:所述第一车辆的堵塞时长满足最小时长,和/或所述第一车辆改变车道的次数满足最小次数。
具体地,服务器根据不同的调整方式,会得到多个第一调整措施,这时,服务器会根据预设调整条件,筛选出满足该预设调整条件的调整措施,并将该调整措施发送给第一车辆。可选地,预设调整条件可以是第一车辆的堵塞时长满足最小时长、第一车辆改变车道的次数满足最小次数等等。例如,以预设调整条件是第一车辆的堵塞时长满足最小时长为例,服务器首先计算多个第一调整措施对应的多个第一车辆的堵塞时长,在多个堵塞时长中提取堵塞时长为最小值的调整措施,将该堵塞时长为最小值的调整措施发送给第一车辆。
本实施例中,通过设置预设调整条件,使得服务器可以将最有效的第一调整措施发送给第一车辆,使第一车辆便捷地避开堵塞路段,并有效地防止堵塞路段的产生。
可选地,在一个实施例中,服务器还会将不满足预设调整条件的其他第一调整措施进行存储。当第一车辆发送查看其他第一调整措施的请求时,将其他第一调整措施发送给第一车辆以供其参考。
在一个实施例中,涉及发送第二调整措施至第二车辆的具体过程。在上述实施例的基础上,该方法还包括以下步骤:
S232,将所述第一时长与第一预设时间进行累加,得到第二时长;
S234,获取第二车辆的属性信息;所述第二车辆为在所述第一时长与第二时长之间到达所述目标路段的车辆;
S236,根据所述第二车辆的属性信息,发送第二调整措施至所述第二车辆;所述第二调整措施用于指示所述第二车辆改变行驶状态,使得所述目标路段的堵塞状态得以疏解。
具体地,假设第一时长为t,第一预设时间为Δt,则第二时长为(t+Δt)。服务器将在t至t+Δt这一时间段中到达目标路段的车辆,确定为第二车辆。服务器获取第二车辆的属性信息,并根据第二车辆的属性信息,发送第二调整措施至第二车辆,该第二调整措施用于指示第二车辆改变行驶状态,使得目标路段的堵塞状态得以疏解。可选地,第二调整措施可以是调整第二车辆的行驶参数,包括:行驶方向、行驶速度等。
本实施例中,为了防止后续车辆不断地驶入目标路段而导致的堵塞状态不断加重,采取对道路中的第二车辆发送第二调整措施的方式,使得目标路段的堵塞状态得以疏解,进一步避免堵塞路况的产生。
在一个实施例中,涉及交通状态预测模型的训练过程。在上述实施例的基础上,S204之前包括以下步骤:
S242,获取所述道路的交通数据样本;
S244,将所述交通数据样本中的道路堵塞样本确定为正训练样本;
S246,根据所述正训练样本对初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型。
其中,交通数据样本包括交通流量的属性信息样本和车辆的属性信息样本中的至少一种,以及对应的交通状态样本。
具体地,服务器获取道路的交通数据样本,将其作为模型训练样本集,之后服务器获取交通数据样本中的道路堵塞样本,将其确定为正训练样本,进而服务器根据该正训练样本对初始化的有监督学习的机器学习模型进行训练,得到交通状态预测模型。这样,该交通状态预测模型在训练过程中,构建了从交通数据到交通状态的映射关系,因此利用该交通状态预测模型能够准确预测目标路段的交通状态。
进一步地,在一个实施例中,在训练初始化的有监督学习的机器学习模型时,还需要确定该模型的输出方式。可选地,该输出方式可以是分类输出或回归输出。其中,分类输出包括布尔输出,例如输出目标路段是否为堵塞状态。若是堵塞状态,则输出“YES”,若不是堵塞状态,则输出“NO”。回归输出是指目标变量是连续的数值,即预测目标路段发生堵塞的概率,例如堵塞概率为80%、50%等。
在一个实施例中,涉及根据所述正训练样本对初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型的一种可能的实现过程。在上述实施例的基础上,S246包括以下步骤:
S2462,将所述交通数据样本中的道路非堵塞样本确定为负训练样本;
S2464,根据所述正训练样本和所述负训练样本对所述初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型。
具体地,服务器将交通数据样本中的道路非堵塞样本作为负训练样本,并根据正训练样本和负训练样本对初始化的有监督学习的机器学习模型进行训练,得到交通状态预测模型。本实施例中,通过加入负训练样本的训练,进一步提高了交通状态预测模型预测交通状态的准确性。
在一个实施例中,涉及将所述交通数据样本中的道路堵塞样本确定为正训练样本的一种可能的实现过程。在上述实施例的基础上,S244包括以下步骤:
S2444,获取所述交通数据样本中堵塞路段的形成时刻;
S2446,将所述堵塞路段的形成时刻之前的第二预设时间内的交通数据样本,确定为所述道路堵塞样本;
S2448,将所述道路堵塞样本确定为正训练样本。
其中,堵塞路段的形成时刻是指路段刚形成堵塞状态时的时间点。
具体地,服务器获取交通数据样本中堵塞路段的形成时刻,并将该堵塞路段的形成时刻之前的第二预设时间内的交通数据样本,确定为道路堵塞样本,进而作为正训练样本对交通状态预测模型进行训练。例如,假设堵塞路段的形成时刻为t1,第二预设时间为n,则将(t1-n)到t1这一时间段内的交通数据样本,确定为道路堵塞样本,进而确定为正训练样本。
进一步地,在一个实施例中,服务器通过支持向量机对获取的交通数据样本进行训练,得到交通状态预测模型M_i,从而对每一路段的交通状态进行预测。另外,交通状态预测模型M_i包括多个时间预测子模型M_ij,对于每个目标路段的预测可以采用多个时间预测子模型M_ij,其中,时间预测子模型M_ij是对目标路段i在堵塞前j分钟内的交通状态预测。例如,M_11,M_12,M_13,M_14在目标路段1处都具有正分数,则服务器输出“在4分钟内预测发生堵塞”的提醒信息。
在一个实施例中,涉及将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态的一种可能的实现过程。在上述实施例的基础上,S204还包括以下步骤:
S204a,若检测到新的堵塞路段,则获取所述新的堵塞路段的交通数据;
S204b,根据所述新的堵塞路段的交通数据,对所述交通状态预测模型进行更新,得到新的交通状态预测模型;
S204c,将所述交通数据输入到所述新的交通状态预测模型中,预测所述目标路段的交通状态。
具体地,在交通状态预测模型的应用过程中,还可以通过在线学习技术对该交通状态预测模型进行优化。具体地,若服务器检测到新的堵塞路段,则获取新的堵塞路段的交通数据,并根据新的堵塞路段的交通数据,对交通状态预测模型进行更新,得到新的交通状态预测模型,进而将交通数据输入到新的交通状态预测模型中,预测目标路段的交通状态。本实施例中,通过不断地获取新的交通数据,并根据该新的交通数据对交通状态预测模型进行优化,使得新的交通状态预测模型的适用范围更广泛,且进一步提高了交通状态的预测准确性。
在一个实施例中,如图3所示,提供了一种道路交通状态的预测装置30,该预测装置30包括:交通数据获取模块302和交通状态预测模块304;
交通数据获取模块302用于获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
交通状态预测模块304用于将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。
上述道路交通状态的预测装置,通过获取道路中的交通数据,该交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种,进而将交通数据输入到交通状态预测模型中,预测目标路段的交通状态,该交通状态预测模型包括有监督学习的机器学习模型,该有监督学习的机器学习模型包括预设的交通数据与交通状态的对应关系。由于有监督学习的机器学习模型可调整内部大量节点之间相互连接的关系,从而达到处理大规模体量的交通数据的目的,并且有监督学习的机器学习模型在训练时需要大量的训练样本,使得交通状态预测模型达到最优状态,从而该模型能够准确预测以前从未见过的交通数据,预测准确性很高,同时有监督学习的机器学习模型还具有自学习和自适应的能力。因此,采用该交通状态预测模型来预测道路交通状态,预测准确性更高。
在一个实施例中,所述交通状态包括堵塞状态,所述车辆包括第一车辆;所述装置还包括:
行驶状态获取模块(图未示),用于若所述目标路段的交通状态为堵塞状态,则获取所述第一车辆的行驶状态;所述第一车辆为所述交通状态预测模型预测的导致所述目标路段发生堵塞的车辆;
第一时长确定模块(图未示),用于根据所述第一车辆的行驶状态,获取所述第一车辆从当前位置行驶至所述目标路段的第一时长。
在一个实施例中,所述装置还包括:
属性信息提取模块(图未示),用于提取所述第一车辆的属性信息;
属性信息调整模块(图未示),用于对所述第一车辆的属性信息进行调整,得到新的属性信息;
交通状态确定模块(图未示),用于将所述新的属性信息输入到所述交通状态预测模型中,预测所述目标路段的新的交通状态;
调整措施输出模块(图未示),用于若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆;所述第一调整措施对应于将所述第一车辆的属性信息调整为新的属性信息。
在一个实施例中,所述装置还包括:
第二时长计算模块(图未示),用于将所述第一时长与第一预设时间进行累加,得到第二时长;
属性信息获取模块(图未示),用于获取第二车辆的属性信息;所述第二车辆为在所述第一时长与第二时长之间到达所述目标路段的车辆;
调整措施发送模块(图未示),用于根据所述第二车辆的属性信息,发送第二调整措施至所述第二车辆;所述第二调整措施用于指示所述第二车辆改变行驶状态,使得所述目标路段的堵塞状态得以疏解。
关于道路交通状态的预测装置的具体限定可以参见上文中对于道路交通状态的预测方法的限定,在此不再赘述。上述道路交通状态的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标路段的交通流量数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种道路交通状态的预测方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,处理器执行计算机程序时实现以下步骤:
获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种道路交通状态的预测方法,其特征在于,所述方法包括:
获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系;
其中所述交通状态包括堵塞状态,所述车辆包括第一车辆;
所述方法还包括:
若预测的所述目标路段的交通状态为堵塞状态,则获取所述第一车辆的行驶状态;所述第一车辆为所述交通状态预测模型预测的导致所述目标路段发生堵塞的车辆;
根据所述第一车辆的行驶状态,计算所述第一车辆从当前位置行驶至所述目标路段的第一时长;
从所述车辆的属性信息中提取所述第一车辆的属性信息;
对所述第一车辆的属性信息进行调整,得到新的属性信息;
将所述新的属性信息输入到所述交通状态预测模型中,预测所述目标路段的新的交通状态;
若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆;所述第一调整措施对应于将所述第一车辆的属性信息调整为新的属性信息。
2.根据权利要求1所述的方法,其特征在于,若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆,包括:
若存在多个所述第一调整措施,则发送多个所述第一调整措施中满足预设调整条件的调整措施至所述第一车辆;所述预设调整条件包括:所述第一车辆的堵塞时长满足最小时长,和/或所述第一车辆改变车道的次数满足最小次数。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述第一时长与第一预设时间进行累加,得到第二时长;
获取第二车辆的属性信息;所述第二车辆为在所述第一时长与第二时长之间到达所述目标路段的车辆;
根据所述第二车辆的属性信息,发送第二调整措施至所述第二车辆;所述第二调整措施用于指示所述第二车辆改变行驶状态,使得所述目标路段的堵塞状态得以疏解。
4.根据权利要求1所述的方法,其特征在于,将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态之前,所述方法还包括:
获取所述道路的交通数据样本;
将所述交通数据样本中的道路堵塞样本确定为正训练样本;
根据所述正训练样本对初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型。
5.根据权利要求4所述的方法,其特征在于,根据所述正训练样本对初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型,包括:
将所述交通数据样本中的道路非堵塞样本确定为负训练样本;
根据所述正训练样本和所述负训练样本对所述初始化的有监督学习的机器学习模型进行训练,得到所述交通状态预测模型。
6.根据权利要求4所述的方法,其特征在于,将所述交通数据样本中的道路堵塞样本确定为正训练样本,包括:
获取所述交通数据样本中堵塞路段的形成时刻;
将所述堵塞路段的形成时刻之前的第二预设时间内的交通数据样本,确定为所述道路堵塞样本;
将所述道路堵塞样本确定为正训练样本。
7.根据权利要求1所述的方法,其特征在于,将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态,包括:
若检测到新的堵塞路段,则获取所述新的堵塞路段的交通数据;
根据所述新的堵塞路段的交通数据,对所述交通状态预测模型进行更新,得到新的交通状态预测模型;
将所述交通数据输入到所述新的交通状态预测模型中,预测所述目标路段的交通状态。
8.一种道路交通状态的预测装置,其特征在于,所述装置包括:
交通数据获取模块,用于获取道路中的交通数据;所述交通数据包括交通流量的属性信息和车辆的属性信息中的至少一种;
交通状态预测模块,用于将所述交通数据输入到交通状态预测模型中,预测目标路段的交通状态;所述交通状态预测模型包括有监督学习的机器学习模型,所述有监督学习的机器学习模型包括预设的所述交通数据与所述交通状态的对应关系;
其中所述交通状态包括堵塞状态,所述车辆包括第一车辆;所述装置还包括:
行驶状态获取模块,用于若预测的所述目标路段的交通状态为堵塞状态,则获取所述第一车辆的行驶状态;所述第一车辆为所述交通状态预测模型预测的导致所述目标路段发生堵塞的车辆;
第一时长确定模块,用于根据所述第一车辆的行驶状态,计算所述第一车辆从当前位置行驶至所述目标路段的第一时长;
属性信息提取模块,用于从所述车辆的属性信息中提取所述第一车辆的属性信息;
属性信息调整模块,用于对所述第一车辆的属性信息进行调整,得到新的属性信息;
交通状态确定模块,用于将所述新的属性信息输入到所述交通状态预测模型中,预测所述目标路段的新的交通状态;
调整措施输出模块,用于若所述目标路段的新的交通状态对应的通行状态优于所述堵塞状态对应的通行状态,则发送第一调整措施至所述第一车辆;所述第一调整措施对应于将所述第一车辆的属性信息调整为新的属性信息。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
第二时长计算模块,用于将所述第一时长与第一预设时间进行累加,得到第二时长;
属性信息获取模块,用于获取第二车辆的属性信息;所述第二车辆为在所述第一时长与第二时长之间到达所述目标路段的车辆;
调整措施发送模块,用于根据所述第二车辆的属性信息,发送第二调整措施至所述第二车辆;所述第二调整措施用于指示所述第二车辆改变行驶状态,使得所述目标路段的堵塞状态得以疏解。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,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1-7中任意一项所述方法的步骤。
11.一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1-7中任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384558.7A CN111915878B (zh) | 2019-05-09 | 2019-05-09 | 道路交通状态的预测方法及装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910384558.7A CN111915878B (zh) | 2019-05-09 | 2019-05-09 | 道路交通状态的预测方法及装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915878A CN111915878A (zh) | 2020-11-10 |
CN111915878B true CN111915878B (zh) | 2022-11-29 |
Family
ID=73242834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910384558.7A Active CN111915878B (zh) | 2019-05-09 | 2019-05-09 | 道路交通状态的预测方法及装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915878B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560609B (zh) * | 2020-12-03 | 2022-11-15 | 北京百度网讯科技有限公司 | 路况预估方法、建立路况预估模型的方法及对应装置 |
CN112785841B (zh) * | 2020-12-25 | 2022-05-06 | 北京中交兴路信息科技有限公司 | 判断货车行驶路线拥堵状态的方法及装置 |
CN114743379B (zh) * | 2022-06-13 | 2022-09-06 | 广东邦盛北斗科技股份公司 | 基于北斗的城市大面积路网交通感知方法、系统及云平台 |
CN118155425A (zh) * | 2024-05-11 | 2024-06-07 | 四川智能交通系统管理有限责任公司 | 一种基于聚类的实时交通拥堵预测方法及设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700296B2 (en) * | 2006-03-03 | 2014-04-15 | Inrix, Inc. | Dynamic prediction of road traffic conditions |
CN102637257B (zh) * | 2012-03-22 | 2014-07-02 | 北京尚易德科技有限公司 | 一种基于视频的交通车辆检测识别系统和方法 |
CN107705552B (zh) * | 2016-08-08 | 2020-04-28 | 杭州海康威视数字技术股份有限公司 | 一种应急车道占用行为检测方法、装置及系统 |
CN107170234A (zh) * | 2017-06-09 | 2017-09-15 | 东方网力科技股份有限公司 | 一种基于svm算法对短时交通路况预测的方法 |
CN109272169A (zh) * | 2018-10-10 | 2019-01-25 | 深圳市赛为智能股份有限公司 | 交通流量预测方法、装置、计算机设备及存储介质 |
-
2019
- 2019-05-09 CN CN201910384558.7A patent/CN111915878B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111915878A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915878B (zh) | 道路交通状态的预测方法及装置、计算机设备和存储介质 | |
US10838423B2 (en) | Intelligent vehicle navigation systems, methods, and control logic for deriving road segment speed limits | |
CN109711557B (zh) | 一种行车轨迹预测方法、计算机设备及存储介质 | |
US11648935B2 (en) | Driving assistance method and system | |
US8948995B2 (en) | Preceding vehicle state prediction | |
CN110766955B (zh) | 基于动作预测模型的信号调节方法、装置和计算机设备 | |
US10826808B2 (en) | Vehicle application enabling and network routing systems implemented based on latency characterization and projection | |
CN111462507B (zh) | 信号数据处理方法、系统、计算机设备和存储介质 | |
CN112037518B (zh) | 一种用于预测交通状态的计算方法、系统及车辆 | |
CN113095558B (zh) | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 | |
CN110550030B (zh) | 无人车的变道控制方法、装置、计算机设备和存储介质 | |
US11486718B2 (en) | Predicting vehicle travel time on routes of unbounded length in arterial roads | |
Ferrara et al. | An event-triggered Model Predictive Control scheme for freeway systems | |
JP6924629B2 (ja) | 自動制御装置およびその制御方法 | |
US20190234752A1 (en) | Travel Routing Selection System and Methods Implemented Based on Characterization of Historical Latency Data | |
CN113379099B (zh) | 一种基于机器学习与copula模型的高速公路交通流自适应预测方法 | |
US20220343637A1 (en) | Traffic flow machine-learning modeling system and method applied to vehicles | |
US20190088116A1 (en) | Predicting vehicle travel times by modeling heterogeneous influences between arterial roads | |
JP2021504218A (ja) | 状態推定器 | |
CN113383283A (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
El Faouzi et al. | Classifiers and distance-based evidential fusion for road travel time estimation | |
US20210333764A1 (en) | Electronic control device and neural network update system | |
CN110930688B (zh) | 交通工具行驶路径的规划方法、装置、计算机设备和存储介质 | |
Bawaneh et al. | Novel traffic congestion detection algorithms for smart city applications | |
CN112991712B (zh) | 预测交通密度的方法、系统、计算机设备和存储介质 |
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 |