CN112561114A - 卡口流量的预测方法、装置、电子设备及存储介质 - Google Patents

卡口流量的预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN112561114A
CN112561114A CN201910920148.XA CN201910920148A CN112561114A CN 112561114 A CN112561114 A CN 112561114A CN 201910920148 A CN201910920148 A CN 201910920148A CN 112561114 A CN112561114 A CN 112561114A
Authority
CN
China
Prior art keywords
bayonet
flow
transfer
vehicle passing
dcgru
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
Application number
CN201910920148.XA
Other languages
English (en)
Other versions
CN112561114B (zh
Inventor
王凯
刘康玲
王辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Hikvision Digital Technology Co Ltd
Original Assignee
Hangzhou Hikvision Digital Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Hikvision Digital Technology Co Ltd filed Critical Hangzhou Hikvision Digital Technology Co Ltd
Priority to CN201910920148.XA priority Critical patent/CN112561114B/zh
Publication of CN112561114A publication Critical patent/CN112561114A/zh
Application granted granted Critical
Publication of CN112561114B publication Critical patent/CN112561114B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本申请提供一种卡口流量的预测方法、装置、电子设备及存储介质，包括：统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；获取所述流量预测模型输出的M时刻时各卡口的卡口流量。使用本申请提供的方法，可以提高卡口流量预测的准确性。

Description

卡口流量的预测方法、装置、电子设备及存储介质
技术领域
本申请涉及计算机通信领域，尤其涉及卡口流量的预测方法、装置、电子设备及存储介质。
背景技术
卡口流量是指卡口一段时间的过车量，卡口流量是反映交通情况的一个重要指标，因此卡口流量的预测对于交通控制具有指导意义。
现有的卡口流量预测方式是：基于各卡口的历史流量预测出卡口未来流量。但是各卡口之间并不是孤立存在的，一个卡口流量变化会对相邻的卡口流量产生影响。现有的卡口流量的预测方式并没有考虑到卡口之间的关联关系，所以采用现有的卡口流量预测方式预测出的卡口流量准确度较低。
发明内容
有鉴于此，本申请提供卡口流量的预测方法、装置、电子设备及存储介质，用以提高卡口预测的准确性。
具体地，本申请是通过如下技术方案实现的：
根据本申请的第一方面，提供一种卡口流量的预测方法，所述方法包括：
统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；
将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
可选的，所述流量预测模型通过以下计算层预测M时刻时各卡口的卡口流量：
输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻的以及获取的历史时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元；
隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果；
输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
可选的，所述统计T时刻时各卡口的卡口流量，包括：
针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录；所述过车记录包括：卡口标识、车辆标识、过车时刻；
统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
可选的，所述每两个卡口的流量转移信息包括：卡口转移对、以及该卡口转移对对应的转移次数；
所述卡口转移对记录了：转移前卡口和转移后卡口的对应关系；
所述卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数；
统计每两个卡口之间的流量转移信息，包括：
将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识；所述过车记录包括：卡口标识、车辆标识、过车时刻；
针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表；
依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数；
将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
可选的，所述依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数，包括：
依次在所述排序表中读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对；
在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对；
若存在，则将该目标卡口转移对对应的转移次数加1；
若不存在，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
可选的，在生成对应于读取到的相邻两条过车记录的目标卡口转移对之前，所述方法还包括：
检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值；
若是，则执行所述生成对应于读取到的相邻两条过车记录的目标卡口转移对的步骤。
可选的，所述输入层，在接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息后，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息储存至所述流量信息库。
根据本申请的第二方面，提供一种卡口流量的预测装置，所述装置包括：
统计单元，用于统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；
输入单元，用于将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
获取单元，用于获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
可选的，所述流量预测模型通过以下计算层预测M时刻时各卡口的卡口流量：
输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻的以及获取的历史时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元；
隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果；
输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
可选的，所述统计单元，在统计T时刻时各卡口的卡口流量时，具体用于针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录；所述过车记录包括：卡口标识、车辆标识、过车时刻；统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
可选的，所述每两个卡口的流量转移信息包括：卡口转移对、以及该卡口转移对对应的转移次数；
所述卡口转移对记录了：转移前卡口和转移后卡口的对应关系；
所述卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数；
所述统计单元，在统计每两个卡口之间的流量转移信息时，具体用于将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识；所述过车记录包括：卡口标识、车辆标识、过车时刻；针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表；依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数；将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
可选的，所述统计单元，在依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数时，具体用于依次在所述排序表中读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对；在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对；若存在，则将该目标卡口转移对对应的转移次数加1；若不存在，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
可选的，所述统计单元，在生成对应于读取到的相邻两条过车记录的目标卡口转移对之前，还用于检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值；若是，则执行所述生成对应于读取到的相邻两条过车记录的目标卡口转移对的步骤。
可选的，所述输入层，在接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息后，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息储存至所述流量信息库。
根据本申请的第三方面，提供一种电子设备，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行第一方面所述方法。
根据本申请的第四方面，提供一种机器可读存储介质，所述机器可读存储介质存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器执行第一方面所述方法。
由上述描述可知，电子设备可统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
由于在进行预测时，流量预测模型不仅参考了各卡口历史流量，还参考了用于表征每两个卡口之间关联关系的流量转移信息，使得卡口流量预测更为准确。
附图说明
图1是本申请一示例性实施例示出的一种卡口流量的预测方法的流程图；
图2是本申请一示例性实施例示出的一种流量预测模块的示意图；
图3是本申请一示例性实施例示出的一种卡口流量的预测装置的框图；
图4是本申请一示例性实施例示出的一种卡口流量的预测装置所在电子设备的硬件结构图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本申请旨在提出一种卡口流量的预测方法，电子设备可统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
由于在进行预测时，流量预测模型不仅参考了各卡口历史流量，还参考了用于表征每两个卡口之间关联关系的流量转移信息，使得卡口流量预测更为准确。
参见图1，图1是本申请一示例性实施例示出的一种卡口流量的预测方法的流程图，该方法可应用在电子设备上，可包括如下所示步骤。
步骤101：统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息。
1)统计T时刻时各卡口的卡口流量
T时刻时的卡口流量是指：截止到T时刻，卡口的过车次数。
比如，T时刻时A卡口的卡口流量是指：截止到T时刻A卡口的过车次数。
下面通过步骤10111至步骤10112对“统计T时刻时各卡口的卡口流量”进行详细地说明。
步骤1011：针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录。
步骤1012：统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
首先，介绍下过车记录，以及过车记录由来。
过车记录至少包括：卡口标识、车辆标识和过车记录。当然，在实际应用中该过车记录还可包括其他信息，比如车辆颜色等等，这里只是对过车记录进行示例性地说明，不进行具体地限定。
每当有车辆经过卡口时，卡口处布置的图像采集设备(如摄像头等)可以采集该车辆的图像生成车辆信息。该卡口可将该车辆信息以及该卡口的卡口标识发送给后台的电子设备，电子设备可生成一条过车记录。
例如，当车辆浙A12345在上述10:00经过卡口A1时，卡口A1上的摄像头可以拍摄浙A12345的图像，并从图像中获取车辆信息(比如浙A12345，过车时刻为10:00)。然后，卡口A1上的摄像头可将该车辆信息和卡口A1的标识上报给后台的电子设备，电子设备生成的过车记录如表1所示。
卡口标识 车辆标识 过车时刻
A1 浙A12345 10:00
表1
基于上述方式，后台的电子设备上记录了大量的针对各个卡口的过车记录。此外，由上述描述可知，一条过车记录表示一次过车。
其次，介绍下统计各卡口的卡口流量
由上述描述可知，一条过车记录表示一次过车。而T时刻时的卡口流量是统计截止到T时刻时卡口的过车次数。因此可以将“统计T时刻时的卡口流量”转化为“统计过车时刻小于等于T时刻且卡口标识为该卡口标识的过车记录的条数”。
在实现时，通过上述描述，后台的电子设备上记录了大量的针对各个卡口的过车记录。
针对每一个卡口，电子设备可在已记录的多条过车记录中，确定过车时刻小于等于T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录。然后，电子设备可统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
统计其他卡口在T时刻时的卡口流量的统计方式与之相同，这里不再赘述。
例如，假设，电子设备上已记录的多条过车记录如表2所示。
卡口标识 车辆标识 过车时刻
A1 浙A12345 10:00
A2 浙A12345 10:10
A1 浙A12345 10:30
A2 浙A12345 10:40
A3 浙A12345 10:20
A1 浙A54321 10:05
A3 浙A54321 10:10
A2 浙A54321 10:20
A3 浙A54321 10:30
表2
假设T时刻为10:45，以统计T时刻时A1卡口的卡口流量为例。
电子设备可在表2记录的多个过车记录中，确定出过车时刻小于等于10:45、且卡口标识为A1的过车记录(即表2第2行、第5行、第7行)。然后，电子设备可统计确定出的过车记录的条数，作为T时刻的卡口A1的口流量(即3)。
这里只是对“统计T时刻时各卡口的卡口流量“进行示例性地说明，当然，电子设备还可采用其他方式来统计T时刻时各卡口的卡口流量。比如，电子设备可采用上述卡口流量统计方式统计出T-1时刻至T时刻之间的卡口的卡口流量，然后将统计出的卡口流量与T-1时刻时统计出的卡口流量进行累加，得到T时刻时卡口的卡口流量。
2)统计每两个卡口之间的流量转移信息
其中，两个卡口之间的流量转移信息包括：卡口转移对，以及该卡口转移对对应的转移次数。
A、卡口转移对记录了：转移前卡口和转移后卡口的对应关系。
例如，车辆1从A1卡口转移至A2卡口，则卡口转移对为(A1，A2)。
B、卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数。
例如，卡口转移对为A1-A2，车辆1从A1转移到A2，车辆2和车辆3也从A1转移到A2，则卡口转移对A1-A2对应的转移次数为3次。
下面通过步骤10121至步骤1012X对“统计每两个卡口之间的流量转移信息”进行详细地说明。
步骤10121：将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识。
在实现时，电子设备可按照车辆标识，将本地记录的所有过车记录中进行分组得到多个过车记录组。
每个过车记录组包括至少一条过车记录，每个过车记录组中的过车记录记录的车辆标识相同。
仍以已记录的所有过车记录如表2所示进行举例说明。
电子设备可按照车辆标识将表2所示多条过车记录进行分组得到过车记录组1、过车记录组2。
过车记录组1如表3所示，过车记录组2如表4所示。
卡口标识 车辆标识 过车时刻
A1 浙A12345 10:00
A2 浙A12345 10:10
A1 浙A12345 10:30
A2 浙A12345 10:40
A3 浙A12345 10:20
表3
卡口标识 车辆标识 过车时刻
A1 浙A54321 10:05
A3 浙A54321 10:10
A2 浙A54321 10:20
A3 浙A54321 10:30
表4
其中，过车记录组1中的各过车记录记录的车辆标识均为浙A12345。过车记录组2中的各过车记录的车辆标识为浙A54321。
步骤10122：电子设备针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表。
仍以步骤10121中的例子为例。
以生成过车记录组1的排序表1、生成过车记录组2的排序表2为例，进行说明：
电子设备可按照过车记录组1中的五条过车记录分别记录的过车时刻的时间顺序，将这五条过车记录重新进行排序，得到与过车记录组1对应的排序表1，得到的排序表1如表5所示。
卡口标识 车辆标识 过车时刻
A1 浙A12345 10:00
A2 浙A12345 10:10
A3 浙A12345 10:20
A1 浙A12345 10:30
A2 浙A12345 10:40
表5
同理，电子设备可生成过车记录组2对应的排序表2，排序表2如表6所示。
卡口标识 车辆标识 过车时刻
A1 浙A54321 10:05
A3 浙A54321 10:10
A2 浙A54321 10:20
A3 浙A54321 10:30
表6
步骤10123：电子设备可依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数。
方式一：
步骤1：电子设备可依次在所述排序表中，读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对。
步骤2：在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对。
步骤3：若存在该目标卡口转移对，则将该目标卡口转移对对应的转移次数加1。
步骤4：若不存在该目标卡口转移对，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
方式二：
由于卡口的摄像头可能会漏拍经过该卡口的车辆，导致统计出的卡口转移信息不准确。
比如，车辆1依次经过的卡口为卡口A1、卡口A3和卡口A2，但是卡口A3漏拍了车辆1，致使误增加了卡口转移对(A1，A2)的转移次数，使得统计出的卡口转移信息不准确。
所以为了保证可以较为准确地统计出卡口转移信息，在方式一中的“生成对应于读取到的相邻两条过车记录的目标卡口转移对”之前，还要执行“检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值”的操作，在检测到读取到的相邻两条过车记录分别记录的过车时刻的时间间隔小于或等于预设阈值时，才执行“生成对应于读取到的相邻两条过车记录的目标卡口转移对”的操作。
下面通过步骤1至步骤6对方式二进行详细地说明。
步骤1：电子设备可依次在所述排序表中，读取任意相邻两条过车记录。
步骤2：电子设备可检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔小于或等于预设阈值。
步骤3：若检测到读取到的相邻两条过车记录分别记录的过车时刻的时间间隔小于或等于预设阈值，则生成对应于读取到的相邻两条过车记录的目标卡口转移对。
步骤4：在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对。
步骤5：若存在该目标卡口转移对，则将该目标卡口转移对对应的转移次数加1。
步骤6：若不存在该目标卡口转移对，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
下面仍以步骤10122中的过车记录组1、过车记录组2为例，对方式二中的步骤1至步骤6进行详细介绍。
在本申请实例里中，预配置了卡口转移对和转移次数的对应关系，该对应关系在初始状态下为空。过车记录组1和过车记录组2可共用该对应关系。
假设预设阈值为15分钟。
例如电子设备读取出的连续相邻两条过车记录为表5中的第二行和第三行。
由于表5第二行和第三行所示的过车记录的过车时间间隔(即10分钟)小于预设阈值(即15分钟)，所以电子设备可生成对应于表5第二行和第三行的卡口转移对。
在生成时，由于表5第二行的过车时刻小于表5第三行的过车时刻，所以基于表5第二行和表5第三行生成的卡口转移对为(A1，A2)。
然后电子设备可在预设的卡口转移对和转移次数的对应关系中，查找是否存在卡口转移对(A1，A2)。
由于在初始状态下，该对应关系为空，所以将卡口转移对(A1，A2)添加在该对应关系中，并将(A1，A2)的转移次数设置为1。
同理，电子设备可读取表5第3行和第4行，生成卡口转移对(A2，A3)，并将卡口转移对(A2，A3)添加在该对应关系中，并将(A2，A3)的转移次数设置为1。
同理，电子设备还可读取表5第4行和第5行，生成卡口转移对(A3，A1)，并将卡口转移对(A3，A1)添加在该对应关系中，并将(A3，A1)的转移次数设置为1。
同理，电子设备还可读取表5第5行和第6行，生成卡口转移对(A1，A2)。由于该对应关系中已存在卡口转移对(A1，A2)，所以将该卡口转移对(A1，A2)的转移次数加1，即当前该卡口转移对(A1，A2)的转移次数为2。
电子设备还可依据排序表2进行统计。
同理，电子设备还可读取表6第2行和第3行，生成卡口转移对(A1，A3)，并将卡口转移对(A1，A3)添加在该对应关系中，并将(A1，A3)的转移次数设置为1。
同理，电子设备还可读取表6第3行和第4行，生成卡口转移对(A3，A2)，并将卡口转移对(A3，A2)添加在该对应关系中，并将(A3，A2)的转移次数设置为1。
同理，电子设备还可读取表6地4行和第5行，生成卡口转移对(A2，A3)。由于该对应关系中已存在卡口转移对(A2，A3)，所以将该卡口转移对(A2，A3)的转移次数加1，即当前该卡口转移对(A2，A3)的转移次数为2。
基于此，当前预设卡口转移对和转移次数的对应关系如表7所示。
卡口转移对 转移次数
(A1，A2) 2
(A2，A3) 2
(A3，A1) 1
(A1，A3) 1
(A3，A2) 1
表7
步骤10124：电子设备可将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
仍以步骤10123中的例子为例，电子设备可将根据排序表1和排序表2统计的所有卡口转移对及其对应的转移次数作为每两个卡口之间的流量转移信息。
比如每两个卡口之间的流量转移信息如表7所示。
此外，在本申请实施例中，为了预测模型方便对数据的处理，电子设备还可将各卡口转移对的转移次数进行归一化处理。比如，电子设备可通过高斯非线性化映射，对各卡口转移对的转移次数进行归一化处理。
然后电子设备可基于归一化处理后的各卡口转移对的转移次数，生成T时刻时的实时动态图。
当然，电子设备也可直接基于统计得到的各卡口转移对的转移次数，生成T时刻时的实时动态图。
其中，该实时动态图可为一个矩阵A。
矩阵A中的元素Aij中的i代表卡口转移对中的转移前的卡口，j代表卡口转移对中的转移后的卡口，Aij数值表示该卡口转移对对应的转移次数。
例如，基于表7统计的各卡口转移对的转移次数，生成的实时动态图如如下矩阵所示。
Figure BDA0002217304120000161
其中，NA表示不存在该卡口转移对。
具体来说，A11＝NA，表示不存在卡口转移对(A1，A1)。
A12＝2，表示卡口转移对(A1，A2)的转移次数为2次。
A13＝1，表示卡口转移对(A1，A3)的转移次数为1次。
A21＝NA，表示不存在卡口转移对(A2，A1)。
A22＝NA，表示不存在卡口转移对(A2，A2)。
A23＝2，表示卡口转移对(A2，A3)的转移次数为2次。
A31＝1，表示卡口转移对(A3，A1)的转移次数为1次。
A32＝1，表示卡口转移对(A3，A2)的转移次数为1次。
A33＝NA，表示不存在卡口转移对(A3，A3)。
在本申请实施例中，每两个卡口之间的流量转移信息可以以该实时动态图进行表示。
这里只是对流量转移信息的表示方式进行示例性地说明，不进行具体地限定。
以上是对步骤101的描述。
步骤102：将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
步骤103：获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
其中，该流量预测模型可包括：输入层、隐层和输出层。该流量预测模型可以是RNN模型，也可以是人工搭建的其他模型，这里不对流量预测模型进行具体地限定。
在申请实施例中，隐层中包括多个DCGRU单元。每个DCGRU单元可包括：图卷积模块和全连接模块。
1)输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息、以及获取的历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元。
以图2为例进行说明。
在实现时，假设隐层包括N+1个DCGRU单元，预配置的历史时刻个数为N-1。
输入层可以基于预先配置的历史时刻个数，确定出N-1个历史时刻。如确定出的历史时刻为T-N+1时刻、T-N+2时刻、T-N+3时刻、…T-1时刻。N-1个历史时刻和T时刻分别与N个DCGRU单元一一对应。
本申请还预设流量信息库，该流量信息库中记录了与各时刻分别对应的各卡口的卡口流量、每两个卡口之间的流量转移信息。
输入层可在该预设流量信息库中查找T-N+1时刻对应的各卡口的卡口流量x(t-N+1)、每两个卡口之间的流量转移信息A(t-N+1)，T-N+2时刻对应的各卡口的卡口流量x(t-N+2)、每两个卡口之间的流量转移信息A(t-N+2)，T-N+3时刻对应的各卡口的卡口流量x(t-N+3)、每两个卡口之间的流量转移信息A(t-N+3)，…，T-1时刻对应的各卡口的卡口流量x(t-1)、每两个卡口之间的流量转移信息A(t-1)。
然后输入层可将x(t-N+1)和A(t-N+1)输入到第1个DCGRU单元，将x(t-N+2)和A(t-N+2)输入到第2个DCGRU单元，将x(t-N+3)和A(t-N+3)输入到第3个DCGRU单元，…，将x(t-1)和A(t-N+1)输入到第N-1个DCGRU单元，将x(t)和A(t)输入到第N个DCGRU单元。
2)隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果。
仍以图2为例，进行说明。
在实现时，DCGRU单元包括图卷积模块和全连接模块。
第一个DCGRU单元的图卷积模块对输入的x(t-N+1)和A(t-N+1)进行融合，全连接模块将融合结果的维度转换为与第二DCGRU单元适配的维度，然后将维度转换后的融合结果输入至第二个DCGRU单元。
第二个DCGRU单元的图卷积模块对输入层输入的x(t-N+2)和A(t-N+2)、以及第一个DCGRU单元输入的融合结果进行融合，全连接模块对融合结果进行维度转换，转换为与第三个DCGRU单元适配的维度，然后将维度转换后的融合结果输入值第三个DCGRU单元。依次类推。
第N个DCGRU单元的图卷积模块对输入层输入的x(t)和A(t)、以及第N-1个DCGRU单元输入的融合结果进行融合，全连接模块将融合结果进行维度转换，转换为与第N+1个DCGRU单元适配的维度，然后将维度转换后的融合结果输入至第N+1个DCGRU单元。
第N+1个DCGRU单元可以对第N个DCGRU单元的融合结果进行预测并输出预测结果。
在预测时，第N+1个DCGRU单元的图卷积模块可对A(t)、预设的预测标识，以及第N个DCGRU单元的融合结果进行融合，全连接层对融合结果进行维度转换，从而实现对第N个DCGRU单元输入的融合结果的预测。
3)输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
电子设备可获取流量预测模型输出层输出的M时刻的各卡口的卡口流量。
其中，M时刻为T时刻之后的时刻。
例如，M时刻可为T+1时刻，T+2时刻，T+3时刻等等，这里只是对M时刻进行示例性地说明，不进行具体地限定。
由上述描述可以看出，一方面，由于在进行预测时，流量预测模型不仅参考了各卡口历史流量，还参考了用于表征每两个卡口之间关联关系的流量转移信息，使得卡口流量预测更为准确。
另一方面，由于输入层在接收到T时刻时各卡口的卡口流量、以及每两个卡口之间的卡口流量转移信息后，就可以自动获取到至少一个历史时刻的卡口流量和每两个卡口之间的卡口流量转移信息，而不需要将T时刻以及历史时刻各卡口的卡口流量、以及每两个卡口之间的卡口流量转移信息输入至预设流量预测模型，所以可以大大降低直接输入T时刻和历史时刻的卡口流量和卡口流量转移信息的所占用内存，大大提高的流量预测模型的预测速度，使得预测出的结果更为实时。
下面再对RNN网络的训练过程进行介绍。
在流量预测模型训练时，可向流量预测模型输入大量时刻的各卡口的卡口流量，以及每两个卡口之间的流量转移信息。流量预测模型可将大量时刻的各卡口的卡口流量，以及每两个卡口之间的流量转移信息记录在预设的流量信息库中。
当在流量预测模型中指定标签(即待预测时刻的各卡口流量时)，预测模型可将在流量信息库中确定出至少一个历史时刻时的各卡口的卡口流量、以及每两个卡口之间的流量转移信息作为样本。通过该标签和样本对流量预测模型进行训练。对流量预测模型的训练方式与现有的神经网络训练方式相同，这里不再赘述。
例如，在流量预测模型训练时，可向流量预测模型输入第1个时刻至第20个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息。流量预测模型可将第1个时刻至第20个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息记录在预设的流量信息库中。
当指定标签为第6个时刻的各卡口的卡口流量时，流量预测模型可在流量信息库中查找第1个时刻至第5个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息作为样本。然后基于该样本和标签对该流量预测模型进行训练。
当指定标签为第7个时刻的各卡口的卡口流量时，流量预测模型可在流量信息库中查找第2个时刻至第6个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息作为样本。然后基于该样本和标签对该流量预测模型进行训练。
这样做的好处在于：
现有的进行模型训练的方式是：人工有第1个至第20个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息。
人工需要将这个20组数据进行划分，然后分别输入至流量预测模型进行预测。
比如，需要人工将第1个时刻至第5个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息作为样本，将第6个时刻的卡口的卡口流量、以及每两个卡口之间的流量转移信息作为标签输入到流量预测模型进行训练。
人工将将第2个时刻至第6个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息作为样本，将第7个时刻的卡口的卡口流量、以及每两个卡口之间的流量转移信息作为标签输入到流量预测模型进行训练。依次类推。
这样的不好之处在于，一方面，需要人工划分样本标签，由于人工划分的效率低，使得样本训练效率低。
另一方面，每次训练时，均需要将多个时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息输入至流量预测模型，由于输入值流量预测模型的数据过多，所以大大占用了输入内存，影响流量预测模型的训练效率。
而在本申请中，由于流量预测模型在指定标签的前提下，可以自动寻找样本，不仅实现了自动切分，还不需要人工输入大量的数据，所以大大提高了流量预测模型训练的效率。
参见图3，图3是本申请一示例性实施例示出的一种卡口流量的预测装置的框图，该装置可包括如下所示单元。
统计单元301，用于统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；
输入单元302，用于将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
获取单元303，用于获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
可选的，所述流量预测模型通过以下计算层预测M时刻时各卡口的卡口流量：
输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻的以及获取的历史时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元；
隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果；
输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
可选的，所述统计单元301，在统计T时刻时各卡口的卡口流量时，具体用于针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录；所述过车记录包括：卡口标识、车辆标识、过车时刻；统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
可选的，所述每两个卡口的流量转移信息包括：卡口转移对、以及该卡口转移对对应的转移次数；
所述卡口转移对记录了：转移前卡口和转移后卡口的对应关系；
所述卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数。
所述统计单元301，在统计每两个卡口之间的流量转移信息时，具体用于将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识；所述过车记录包括：卡口标识、车辆标识、过车时刻；针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表；依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数；将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
可选的，所述统计单元301，在依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数时，具体用于依次在所述排序表中读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对；在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对；若存在，则将该目标卡口转移对对应的转移次数加1。若不存在，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
可选的，所述统计单元301，在生成对应于读取到的相邻两条过车记录的目标卡口转移对之前，还用于检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值；若是，则执行所述生成对应于读取到的相邻两条过车记录的目标卡口转移对的步骤。
可选的，所述输入层，在接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息后，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息储存至所述流量信息库。
此外，本申请还提供了上述卡口流量的预测装置所在电子设备。
参见图4，图4是本申请一示例性实施例示出的一种卡口流量的预测装置所在电子设备的硬件结构图。
该电子设备包括：通信接口401、处理器402、机器可读存储介质403和总线404；其中，通信接口401、处理器402和机器可读存储介质403通过总线404完成相互间的通信。处理器402通过读取并执行机器可读存储介质403中与卡口流量预测控制逻辑对应的机器可执行指令，可执行上文描述的卡口流量预测方法。
本文中提到的机器可读存储介质403可以是任何电子、磁性、光学或其它物理存储装置，可以包含或存储信息，如可执行指令、数据，等等。例如，机器可读存储介质可以是：易失存储器、非易失性存储器或者类似的存储介质。具体地，机器可读存储介质403可以是RAM(Radom Access Memory，随机存取存储器)、闪存、存储驱动器(如硬盘驱动器)、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合。
所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行：
统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；
将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
所述处理器被所述机器可执行指令促使执行：所述流量预测模型通过以下计算层预测M时刻时各卡口的卡口流量：
输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻的以及获取的历史时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元；
隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果；
输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
可选的，在统计T时刻时各卡口的卡口流量时，所述处理器被所述机器可执行指令促使执行：
针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录；所述过车记录包括：卡口标识、车辆标识、过车时刻；
统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
可选的，所述每两个卡口的流量转移信息包括：卡口转移对、以及该卡口转移对对应的转移次数；
所述卡口转移对记录了：转移前卡口和转移后卡口的对应关系；
所述卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数；
在统计每两个卡口之间的流量转移信息时，所述处理器被所述机器可执行指令促使执行：
将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识；所述过车记录包括：卡口标识、车辆标识、过车时刻；
针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表；
依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数；
将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
可选的，在依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数时，所述处理器被所述机器可执行指令促使执行：
依次在所述排序表中读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对；
在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对；
若存在，则将该目标卡口转移对对应的转移次数加1。
若不存在，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
可选的，在生成对应于读取到的相邻两条过车记录的目标卡口转移对之前，所述处理器被所述机器可执行指令促使执行：
检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值；
若是，则执行所述生成对应于读取到的相邻两条过车记录的目标卡口转移对的步骤。
可选的，所述输入层，在接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息后，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息储存至所述流量信息库。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (16)

1.一种卡口流量的预测方法，其特征在于，所述方法包括：
统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；
将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
2.根据权利要求1所述的方法，其特征在于，所述流量预测模型通过以下计算层预测M时刻时各卡口的卡口流量：
输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻的以及获取的历史时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元；
隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果；
输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
3.根据权利要求1所述的方法，其特征在于，所述统计T时刻时各卡口的卡口流量，包括：
针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录；所述过车记录包括：卡口标识、车辆标识、过车时刻；
统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
4.根据权利要求1所述的方法，其特征在于，所述每两个卡口的流量转移信息包括：卡口转移对、以及该卡口转移对对应的转移次数；
所述卡口转移对记录了：转移前卡口和转移后卡口的对应关系；
所述卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数；
统计每两个卡口之间的流量转移信息，包括：
将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识；所述过车记录包括：卡口标识、车辆标识、过车时刻；
针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表；
依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数；
将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
5.根据权利要求4所述的方法，其特征在于，所述依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数，包括：
依次在所述排序表中读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对；
在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对；
若存在，则将该目标卡口转移对对应的转移次数加1；
若不存在，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
6.根据权利要求5所述的方法，其特征在于，在生成对应于读取到的相邻两条过车记录的目标卡口转移对之前，所述方法还包括：
检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值；
若是，则执行所述生成对应于读取到的相邻两条过车记录的目标卡口转移对的步骤。
7.根据权利要求2所述的方法，其特征在于，所述输入层，在接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息后，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息储存至所述流量信息库。
8.一种卡口流量的预测装置，其特征在于，所述装置包括：
统计单元，用于统计T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息；
输入单元，用于将统计的卡口流量和流量转移信息输入至已训练的流量预测模型，以由所述流量预测模型预测并输出M时刻时各卡口的卡口流量；M时刻处于T时刻之后；
获取单元，用于获取所述流量预测模型输出的M时刻时各卡口的卡口流量。
9.根据权利要求8所述的装置，其特征在于，所述流量预测模型通过以下计算层预测M时刻时各卡口的卡口流量：
输入层，接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息，并在预设流量信息库中获取至少一个历史时刻时各卡口的卡口流量和每两个卡口的流量转移信息，将输入的T时刻的以及获取的历史时刻的各卡口的卡口流量、以及每两个卡口之间的流量转移信息分别输入至所述隐层中的除最后一个DCGRU单元外的其他不同DCGRU单元；
隐层，包括多个DCGRU单元，第一个DCGRU单元对输入的卡口流量和流量转移信息进行融合，并将融合结果输入到下一跳相连的DCGRU单元，除第一个DCGRU单元和最后一个DCGRU单元外的其他每一DCGRU单元，对上一个DCGRU单元输入的融合结果、以及所述输入层输入的卡口流量和流量转移信息进行融合，并将融合结果输入到相连接的下一个DCGRU单元，最后一个DCGRU单元对上一个DCGRU单元输入的融合结果进行预测，并输出预测结果；
输出层，接收相连接的最后一个DCGRU单元输出的预测结果，将接收的预测结果作为M时刻时各卡口的卡口流量并输出。
10.根据权利要求8所述的装置，其特征在于，所述统计单元，在统计T时刻时各卡口的卡口流量时，具体用于针对每一个卡口，在已记录的多条过车记录中，确定过车时刻小于等于所述T时刻且卡口标识为该卡口的卡口标识的至少一条过车记录；所述过车记录包括：卡口标识、车辆标识、过车时刻；统计确定出的至少一条过车记录的条数，作为T时刻时该卡口的卡口流量。
11.根据权利要求8所述的装置，其特征在于，所述每两个卡口的流量转移信息包括：卡口转移对、以及该卡口转移对对应的转移次数；
所述卡口转移对记录了：转移前卡口和转移后卡口的对应关系；
所述卡口转移对对应的转移次数是指：车辆按照该卡口转移对进行转移的转移次数；
所述统计单元，在统计每两个卡口之间的流量转移信息时，具体用于将已记录的多条过车记录进行分组得到多个过车记录组；每个过车记录组中的过车记录包括相同的车辆标识；所述过车记录包括：卡口标识、车辆标识、过车时刻；针对每个过车记录组，按照该过车记录组中各过车记录中的过车时刻的时间顺序，对该组过车记录进行排序，得到该过车记录组对应的排序表；依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数；将根据各过车记录组对应的排序表统计出的所有卡口转移对及其对应的转移次数作为所述每两个卡口之间的流量转移信息。
12.根据权利要求11所述的装置，其特征在于，所述统计单元，在依据所述过车记录组对应的排序表，确定用于表征车辆进行卡口转移的至少一个卡口转移对，并统计各卡口转移对对应的转移次数时，具体用于依次在所述排序表中读取任意相邻两条过车记录，并生成对应于读取到的相邻两条过车记录的目标卡口转移对；在预设卡口转移对、以及转移次数的对应关系中，查找是否存该目标卡口转移对；若存在，则将该目标卡口转移对对应的转移次数加1；若不存在，则在该对应关系中，增加该目标卡口转移对，以及对应的转移次数为1的对应关系。
13.根据权利要求12所述的装置，其特征在于，所述统计单元，在生成对应于读取到的相邻两条过车记录的目标卡口转移对之前，还用于检测该读取到的相邻两条过车记录分别记录的过车时刻的时间间隔是否小于等于预设阈值；若是，则执行所述生成对应于读取到的相邻两条过车记录的目标卡口转移对的步骤。
14.根据权利要求9所述的装置，其特征在于，所述输入层，在接收输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息后，将输入的T时刻时各卡口的卡口流量、以及每两个卡口之间的流量转移信息储存至所述流量信息库。
15.一种电子设备，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器被所述机器可执行指令促使执行如权利要求1至7任一项所述方法。
16.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，在被处理器调用和执行时，所述机器可执行指令促使所述处理器执行如权利要求1至7任一项所述方法。
CN201910920148.XA 2019-09-26 2019-09-26 卡口流量的预测方法、装置、电子设备及存储介质 Active CN112561114B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910920148.XA CN112561114B (zh) 2019-09-26 2019-09-26 卡口流量的预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910920148.XA CN112561114B (zh) 2019-09-26 2019-09-26 卡口流量的预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN112561114A true CN112561114A (zh) 2021-03-26
CN112561114B CN112561114B (zh) 2023-03-14

Family

ID=75030249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910920148.XA Active CN112561114B (zh) 2019-09-26 2019-09-26 卡口流量的预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN112561114B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115762142A (zh) * 2022-11-02 2023-03-07 青岛以萨数据技术有限公司 卡口流量预测方法、装置、服务器及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107134142A (zh) * 2017-07-10 2017-09-05 中南大学 一种基于多源数据融合的城市道路流量预测方法
CN109345823A (zh) * 2018-09-19 2019-02-15 连云港杰瑞电子有限公司 一种基于大数据的智能交通数据分析系统
CN109830102A (zh) * 2019-02-14 2019-05-31 重庆邮电大学 一种面向复杂城市交通网络的短时交通流量预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107134142A (zh) * 2017-07-10 2017-09-05 中南大学 一种基于多源数据融合的城市道路流量预测方法
CN109345823A (zh) * 2018-09-19 2019-02-15 连云港杰瑞电子有限公司 一种基于大数据的智能交通数据分析系统
CN109830102A (zh) * 2019-02-14 2019-05-31 重庆邮电大学 一种面向复杂城市交通网络的短时交通流量预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YAGUANG LI: "《Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting》", 《ICLR 2018》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115762142A (zh) * 2022-11-02 2023-03-07 青岛以萨数据技术有限公司 卡口流量预测方法、装置、服务器及存储介质
CN115762142B (zh) * 2022-11-02 2023-08-29 青岛以萨数据技术有限公司 卡口流量预测方法、装置、服务器及存储介质

Also Published As

Publication number Publication date
CN112561114B (zh) 2023-03-14

Similar Documents

Publication Publication Date Title
CN110991311A (zh) 一种基于密集连接深度网络的目标检测方法
CN108388879A (zh) 目标的检测方法、装置和存储介质
CN109657697A (zh) 基于半监督学习和细粒度特征学习的分类优化方法
CN108986453A (zh) 一种基于情境信息的交通状况预测方法、系统及装置
CN108304935A (zh) 机器学习模型训练方法、装置和计算机设备
CN104318327A (zh) 一种车辆轨迹预测分析方法
CN110032654B (zh) 一种基于人工智能的超市商品录入方法及系统
WO2022048572A1 (zh) 目标识别方法、装置和电子设备
CN105938480A (zh) 一种基于dtbf的rfid冗余数据清洗方法及系统
CN107391532A (zh) 数据过滤的方法和装置
CN112561114B (zh) 卡口流量的预测方法、装置、电子设备及存储介质
WO2024067210A1 (zh) 一种交通状态确定方法、装置及设备
CN109462830A (zh) 基于终端信令的客流统计方法、装置及设备
CN112418939A (zh) 基于神经网络挖掘房价时空关联性以预测房价的方法
CN110021161A (zh) 一种交通流向的预测方法及系统
CN113159408B (zh) 轨道交通站点客流预测方法及装置
CN110490595A (zh) 一种风险控制方法和装置
CN108898617A (zh) 一种目标对象的跟踪方法和装置
CN111369790B (zh) 过车记录校正方法、装置、设备及存储介质
CN113159421A (zh) 一种基于企业特征预测中标概率的方法及装置
CN108334079A (zh) 无人驾驶汽车路况信息实时获取方法
CN111325255A (zh) 特定人群圈定方法、装置、电子设备及存储介质
CN116958809A (zh) 一种特征库迁移的遥感小样本目标检测方法
CN113076451B (zh) 异常行为识别和风险模型库的建立方法、装置及电子设备
CN106528575A (zh) 数据对接方法和装置

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