CN112991741A - 交通流预测方法和装置 - Google Patents

Abstract

本发明提供一种交通流预测方法和装置，该方法先通过多个智能路边单元获取目标区域内各交通参与者的感知数据，然后融合目标区域内所有智能路边单元的感知数据，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据，再获取目标区域内各类交通参与者在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图，最后根据目标类交通参与者的目标实时通行地图构建邻接矩阵，根据目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。本发明提升了交通流预测的准确性。

Description

交通流预测方法和装置

技术领域

本发明涉及自动驾驶技术领域，尤其涉及一种交通流预测方法和装置。

背景技术

在智能交通系统中，通常用交通流预测模型对某些区域的交通流进行预测，在进行交通流预测时需要建立传感器对应的邻接矩阵，当前在建立邻接矩阵时，使用传感器的地理位置作为顶点，传感器间的距离作为边的初始值，然后以邻接矩阵和历史交通流数据作出输入，基于交通流预测模型得到未来某一时间段的预测交通流数据。然而，一方面，当前在获取历史交通流数据时，主要通过路口的感应线圈和摄像头等传感器来单独获取，各传感器之间相互不通信，使得历史交通流数据不够准确；另一方面，当前构建的邻接矩阵为静态矩阵，其难以反映各车道上的实时通行状态，两者综合使得最终得到的交通流预测结果准确性较低，且无法满足不同类别交通参与者的交通流预测需求。

因此，现有的交通流预测方法存在准确性较低的技术问题，需要改进。

发明内容

本发明提供一种交通流预测方法和装置，用以缓解现有的交通流预测方法准确性较低的技术问题。

为解决上述技术问题，本发明提供以下技术方案：

本发明提供一种交通流预测方法，所述交通流预测方法包括：

通过多个智能路边单元获取目标区域内各交通参与者的感知数据；

融合所述目标区域内所有智能路边单元的感知数据，得到所述目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；

获取目标区域内各类交通参与者在所述第一预设时间段内的静态通行信息和动态通行信息，根据所述静态通行信息和所述动态通行信息，确定各类交通参与者在所述第一预设时间段内的实时通行地图；

根据目标类交通参与者的目标实时通行地图，构建所述目标类交通参与者的邻接矩阵，根据所述目标类交通参与者的目标实时交通流数据和所述邻接矩阵，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据。

本发明还提供一种交通流预测装置，所述交通流预测装置包括：

第一获取模块，用于通过多个智能路边单元获取目标区域内各交通参与者的感知数据；

融合模块，用于融合所述目标区域内所有智能路边单元的感知数据，得到所述目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；

第二获取模块，用于获取目标区域内各类交通参与者在所述第一预设时间段内的静态通行信息和动态通行信息，根据所述静态通行信息和所述动态通行信息，确定各类交通参与者在所述第一预设时间段内的实时通行地图；

得到模块，用于根据目标类交通参与者的目标实时通行地图，构建所述目标类交通参与者的邻接矩阵，根据所述目标类交通参与者的目标实时交通流数据和所述邻接矩阵，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据。

本发明还提供一种电子设备，包括存储器和处理器；所述存储器存储有应用程序，所述处理器用于运行所述存储器内的应用程序，以执行上述任一项所述的交通流预测方法中的操作。

本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任一项所述的交通流预测方法。

有益效果：本发明提供一种交通流预测方法和装置，该方法先通过多个智能路边单元获取目标区域内各交通参与者的感知数据，然后融合目标区域内所有智能路边单元的感知数据，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据，再获取目标区域内各类交通参与者在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图，最后根据目标类交通参与者的目标实时通行地图，构建目标类交通参与者的邻接矩阵，根据目标类交通参与者的目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。本发明通过多个智能路边单元来获取感知数据，并将各感知数据进行融合得到实时交通流数据，由于综合了目标区域内所有智能路边单元的感知结果，得到的实时交通流数据较为准确，此外，根据各类交通参与者的实时通行地图构建邻接矩阵，该邻接矩阵可以反映各车道的实时通行状态，两者共同作用最终提升了预测交通流数据的准确性。

附图说明

下面结合附图，通过对本发明的具体实施方式详细描述，将使本发明的技术方案及其它有益效果显而易见。

图1为本发明提供的交通流预测方法适用的场景示意图。

图2为本发明提供的交通流预测方法的流程示意图。

图3为本发明提供的交通流预测方法中各智能路边单元的感知示意图。

图4为本发明提供的交通流预测方法中邻接矩阵示意图。

图5为本发明提供的交通流预测装置的结构示意图。

图6为本发明提供的电子设备的结构示意图。

具体实施方式

下面将结合本发明中的附图，对本发明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，本领域技术人员在没有作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。

本发明提供一种交通流预测方法和装置，用以缓解现有的交通流预测方法准确性较低的技术问题。

请参阅图1，图1为本发明所提供的交通流预测方法适用的场景示意图，该场景可以包括终端以及服务器，终端之间、服务器之间以及终端与服务器之间通过各种网关组成的互联网等方式连接通信，其中，该应用场景中包括智能路边单元11、服务器12、交通参与者13；其中：

智能路边单元11为车路协同系统中设置在道路单侧或双侧的感应单元，每个智能路边单元11包括一种或多种传感器，传感器可以是感应线圈、相机、激光雷达、GPS天线、雷达等，智能路边单元11可以实现对其感知范围内所有交通参与者相关数据的精确采集、存储和计算，各智能路边单元11均具有通信功能，可以实现与其他智能路边单元11、与智能车、以及与服务器进行通信。

服务器12包括本地服务器和/或远程服务器等；

交通参与者13是目标区域内各道路上的车辆和行人等，交通参与者13具有不同的类别，例如卡车、公交车、小汽车、摩托车、自行车等分别属于不同类别的交通参与者13，当行人乘坐在车辆上时，车辆与乘坐的行人构成的整体作为一个交通参与者13，当行人单独位于道路上时，行人自身作为一个交通参与者13。

智能路边单元11、服务器12和交通参与者13位于无线网络或有线网络中，以实现三者之间的数据交互，其中：

服务器12先通过多个智能路边单元11获取目标区域内各交通参与者13的感知数据，然后融合目标区域内所有智能路边单元11的感知数据，得到目标区域内各类交通参与者13在第一预设时间段内的实时交通流数据，再获取目标区域内各类交通参与者13在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图，最后根据目标类交通参与者的目标实时通行地图，构建目标类交通参与者的邻接矩阵，根据目标类交通参与者的目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。

需要说明的是，图1所示的系统场景示意图仅仅是一个示例，本发明描述的服务器以及场景是为了更加清楚地说明本发明的技术方案，并不构成对于本发明提供的技术方案的限定，本领域普通技术人员可知，随着系统的演变和新业务场景的出现，本发明提供的技术方案对于类似的技术问题，同样适用。以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。

请参阅图2，图2是本发明提供的交通流预测方法的流程示意图，该方法包括：

S201：通过多个智能路边单元获取目标区域内各交通参与者的感知数据。

目标区域为需要获取感知数据的地面实际区域，目标区域包括至少一条道路，各道路包括至少一条车道，在目标区域内设置有多个智能路边单元，智能路边单元为设置在道路单侧或两侧的数据采集装置，具体可以包括固定杆和安装在固定杆上的至少一个路边传感器，路边传感器可以包括感应线圈、相机、激光雷达、毫米波雷达等，根据观测环境和观测需求的不同，不同智能路边单元搭载的路边传感器的数量和种类也不完全相同。智能路边单元可以对通过其感知范围内的交通参与者的类别、位置、数量和速度等数据进行采集和计算，且目标区域内所有智能路边单元均可与其他智能路边单元进行通信和数据传输融合。

感知数据包括感应范围内各交通参与者的类别、数量、速度和位置等，其中各交通参与者的类别、数量和速度可以由智能路边单元直接采集和计算得到，各交通参与者的位置可以结合目标区域对应的先验地图定位得到。先验地图可以是高精度地图，其中存储有目标区域内各类环境和对象相关信息，高精度地图包括高精度的坐标及准确的道路形状，路面各车道的车道数据和各智能路边单元的位姿数据均体现在高精度地图中，其中车道数据可以包括车道边线、车道中心线、车道坡度、曲率、航向、高程、侧倾等，此外还包括诸如高架物体、防护栏、树木、道路边缘类型、路边地标等数据。在已知目标区域的高精度地图时，可以从高精度地图中获取各智能路边单元在目标区域的位置，进而在智能路边单元对其感知范围内的交通参与者进行感知时，结合高精度地图可以定位出各交通参与者的具体位置，且该具体位置的定位精度为车道级别。

具体地，如图3所示，目标区域内具有多条道路100，各道路100包括至少一条车道，如人行道、非机动车道、公交专用道、限高车道、限载车道等，道路中具有多个交通参与者，如行人131和车辆132，其中车辆132又包括多个类别，如卡车、公交车、小汽车、摩托车、自行车等。在道路100的单侧或双侧设置有智能路边单元11，每个智能路边单元11均有其对应的感知范围，根据每个智能路边单元11包括的传感器种类和数量的不同，其感知范围也不同，以智能路边单元11包括相机和激光雷达为例，相机的第一感知范围为以相机为中心出发的扇形区域，激光雷达的第二感知范围为以激光雷达为中心出发的圆形或扇形区域，将第一感知范围和第二感知范围求并集得到的结果作为智能路边单元11的感知范围。属于同一智能路边单元11的多个传感器通常进行过联合标定，即获取了各传感器的外参，因此同一智能路边单元11的不同传感器对同一交通参与者的感知数据可以进行融合，融合后的感知数据作为该智能路边单元11的最终感知数据。

当有车辆132或行人131作为交通参与者经过某个智能路边单元11的感知范围时，该智能路边单元11可以根据不同车辆的特征识别出交通参与者的类别，通过各类传感器统计和计算得到交通参与者的数量和速度，再结合先验地图得到每个交通参与者的具体位置。

S202：融合目标区域内所有智能路边单元的感知数据，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据。

如图3所示，各智能路边单元11设置在目标区域的不同位置，智能路边单元11具有其对应的感应范围，即每个智能路边单元11只能获取其感应范围内的各交通参与者的感知数据。各智能路边单元11获取感知数据后相互通信，可以将不同智能路边单元11在第一预设时间段内的感知数据相互融合，从而可以获得全域感知数据，再对全域感知数据进行处理，可以得到目标区域内各类交通参与者在第一预设时间段内的实时通行地图。在本发明中，第一预设时间段为过去某时间段，第一预设时间段的值可根据需要确定，如从当前时刻起的前一小时或前10分钟等。

在一种实施例中，S202具体包括：根据各智能路边单元的感知数据，得到各智能路边单元感应范围内各交通参与者的类别、数量和速度；融合目标区域内所有智能路边单元的感知数据，并进行去重处理，得到目标区域内各车道上各类交通参与者的数量和平均速度；根据各类参与者的数量和平均速度，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据。不同的智能路边单元只能获取其感知范围内各交通参与者的感知数据，而将不同智能路边单元的感知数据进行融合后，可以获得目标区域内所有交通参与者的感知数据。由于各智能路边单元的感知范围可能存在重叠，且同一交通参与者在行驶或行走过程中，会经过多个不同智能路边单元的感知范围，被多个智能路边单元感应到，因此在融合各智能路边单元的感知数据时，对融合后的感知数据进行去重处理，最终得到目标区域内各交通参与者的准确数量，并进一步可以得到各类交通参与者的准确数量。此外，同一交通参与者在不同智能路边单元的感知范围中的速度也会有不同，则融合后可以计算得到各交通参与者在第一预设时间段内的平均速度，并进一步得到各类交通参与者的平均速度。最终获得的实时交通流数据包括目标区域内各类交通参与者的数量和平均速度。

当前在获取对各交通参与者的感知数据时，路边设置的普通传感器只能获取其感知区域内交通参与者的感知数据，而各传感器之间不能相互通信，因此无法获得全域感知数据，也无法进行全域分析。本发明通过使用智能路边单元，各智能路边单元在获取感知数据后可以相互通信，从而可以对全域的感知数据进行融合和分析，满足后续对全域交通流进行预测的需求。此外，现有普通传感器无法对各交通参与者的类别进行识别，而本发明的智能路边单元可以对各交通参与者的类别进行识别，从而可以获取各类交通参与者的实时交通流数据，进而即可以实现对某一类交通参与者的交通流进行单独预测，也可以实现对所有交通参与者的交通流进行整体预测，即本发明的交通流预测方法适用性较广，可以满足不同维度的预测需求。

S203：获取目标区域内各类交通参与者在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图。

实时通行地图指某类交通参与者某个时刻在地图上的所有可通行车道所构成的地图。在获取目标区域内各交通参与者的类别后，按照类别不同将各交通参与者进行分类，如卡车、公交车、小汽车、摩托车、自行车等分别属于不同类别，对于不同类的交通参与者，其在目标区域内的可通行车道也是不同的。某条车道是否通行主要受两个因素影响，即静态通行信息和动态通行信息，静态通行信息用于表征目标区域内某条车道对某类交通参与者是否一直可通行，动态通行信息用于表征目标区域内某条车道或路段对某类交通参与者在当前时刻是否可通行。根据静态通行信息和动态通行信息，可以确定各类交通参与者的实时可通行的车道，并进一步确定各类交通参与者的实时通行地图。

在一种实施例中，S203具体包括：根据目标区域的先验地图和预设通行条件，确定目标区域内各类交通参与者的静态通行车道和动态通行车道；根据先验地图、实时交通流数据和智能路边单元，确定目标区域内的拥堵数据；根据静态通行车道，确定各类交通参与者的静态通行信息，根据动态通行车道和拥堵数据，确定各类交通参与者的动态通行信息。在目标区域的先验地图上有人行道、非机动车道、公交专用道、限高车道、限载车道等，根据预设行驶规则，每一类交通参与者只能走自己的车道，且这些车道在任意时刻对该类交通参与者均开放通行权限，则根据此预设行驶规则确定的这类车道为静态通行车道。在先验地图上还有潮汐车道等随时间改变通行方向或权限的车道，根据预设行驶规则，该类车道仅在特定时间段对特定类别的交通参与者开放通行权限，则根据此预设行驶规则确定的这类车道为动态通行车道。此外，由于路面上路况在实时变化，当出现交通事故、施工、自然灾害等情况时，将会在对应的车道上形成拥堵，则需要根据上一步骤获取的实时交通流数据，结合先验地图和智能路边单元得到拥堵数据，拥堵数据用于表征目标区域内的拥堵地点的位置和具体拥堵原因。最后，根据静态通行车道确定各类交通参与者的静态通行信息，根据动态通行车道和拥堵数据确定各类交通参与者的动态通行信息，再根据静态通行信息和动态通行信息确定各类交通参与者的实时通行地图。

在一种实施例中，根据先验地图、实时交通流数据和智能路边单元，确定目标区域内的拥堵数据的步骤具体包括：根据先验地图和实时交通流数据，确定目标区域内的拥堵地点；通过拥堵车道对应的智能路边单元获取拥堵地点的拥堵参数；根据拥堵地点和拥堵参数，得到目标区域内的拥堵数据。S202中获取的实时交通流数据包括各类交通参与者的数量和速度，根据实时交通流数据，可以确定在哪些地点交通参与者的数量较多或速度较慢，再结合先验地图定位出该地点的具体位置，将其确定为拥堵地点，该拥堵地点所处的车道为拥堵车道，然后通过拥堵地点对应的智能路边单元对拥堵原因进行识别，拥堵原因可以是交通事故、施工、自然灾害等造成部分道路或区域暂时性地无法通行，在识别后根据拥堵地点和拥堵原因生成目标区域内的拥堵数据。通过先验地图、实时交通流数据和智能路边单元确定目标区域内的拥堵数据，可以为交通参与者提供有效通行信息，获得准确的通信地图，还可以帮助交通部门快速定位拥堵地点和原因，快速处理问题。

实时通行地图以预设频率生成，每类交通参与者都有自己的实时通行地图，每类交通参与者的静态通行车道都不完全相同，如机动车无法走非机动车道、非机动车无法走高速、卡车不能进入某些道路等，且静态通行车道也会随着时间以及交通状态而发生通行权限的改变。在每个地图生成周期内，都需要重新根据静态通行信息和动态通行信息对实时通行地图进行实时更新。

S204：根据目标类交通参与者的目标实时通行地图，构建目标类交通参与者的邻接矩阵，根据目标类交通参与者的目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。

目标类交通参与者指需要获取预测交通流数据的同一类别的交通参与者，如需要获取公交车的预测交通流数据，则公交车作为目标类交通参与者，需要获取卡车的预测交通流数据，则卡车作为目标类交通参与者。当想要获取多个类别的交通参与者的预测交通流数据时，目标类交通参与者的数量也为多个，但获取预测交通流数据时均为单独获取，即分别根据各目标类交通参与者的目标实时通行地图和目标实时交通流数据来获取各目标类交通参与者的预测交通流数据。

在一种实施例中，S204具体包括：根据多个智能路边单元的位置确定邻接矩阵的顶点，根据目标通行地图中任意两个智能路边单元之间车道的通行状态和最短路径确定邻接矩阵的边的权重；以目标实时交通流数据和邻接矩阵作为输入数据，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。邻接矩阵为表示顶点之间相邻关系的矩阵，邻接矩阵中每一个顶点表示一个智能路边单元，两个顶点之间的边的权重根据两个智能路边单元之间车道的通行状态和最短路径确定，两个智能路边单元通常存在多条可通行路径，当目标通行地图中两个智能路边单元之间车道的通行状态为可通行时，将两者之间的多条可通行路径中最短路径作为边的权重，当目标通行地图中两个智能路边单元之间车道的通行状态为不可通行时，将边的权重设为无穷大。由于目标通行地图中各车道的通行状态在实时变化，则构建的邻接矩阵中边的权重也在实时变化，即邻接矩阵反映了车道的实时通行状态。

如图4所示，假设目标区域具有4个智能路边单元，分别用R1、R2、R3和R4来表示，在目标类交通参与者的实时通行地图中，R1与R3间的路径不可通行，R3与R4间的路径不可通行，对应的两个边的权重均为+∞，R1与R2间的路径、R2与R3间的路径、R2与R4间的路径、以及R1与R4间的路径均可通行，则根据上述方法，分别得到R1与R2间边的权重为100m、R2与R3间边的权重为80m、R2与R4间边的权重为160m、以及R1与R4间边的权重为220m。

在进行交通流预测时，先要对交通流预测模型进行训练。取第一时间段

和第二时间段

，第一时间段

和第二时间段

均为历史时间，两个时间段的交通流数据均为直接获取得到，第二时间段

在第一时间段

之后，即第二时间段

是相对于第一时间段

的未来时间，第一时间段

和第二时间段

的值可根据需要设置。

在训练时，以第一时间段

内每类交通参与者每一时刻的第一历史交通流数据和邻接矩阵、以及第二时间段

内每类交通参与者每一时刻的第二历史交通流数据作为训练样本进行多次训练，直至实际输出的第二时间段

内每类交通参与者每一时刻的预测交通流数据与第二历史交通流数据的误差在允许范围内。

具体地，假设目标区域中一共部署有

个智能路边单元，第

个智能路边单元 观测到的车道数量为

，则地图中可观测车道的总数为：

每条道路可能需要部署一个或多个智能路边单元，因此

会比实际的车道总数 大，假设交通场景中一共有

类交通参与者，则在

时刻的第

个车道上的第

类交 通参与者的交通流表示为：

其中

，

，

为该类交通参与者的数量，

为该类交通 参与者的平均速度。

时刻第

类交通参与者在目标区域中的交通流表示为：

在训练阶段，第一时间段

内每类交通参与者每一时刻的第一历史交通流数据表示为：

第二时间段

内每类交通参与者每一时刻的第二历史交通流数据表示为：

由于每类交通参与者的实时通行地图都不一样，而且地图一直在实时更新，则

时刻第

类交通参与者的各车道所构成的邻接矩阵表示为

，其中邻接矩阵以

个 智能路边单元的位置作为顶点，

中的元素

表示两个智能路边单元沿第

条车道 到第

条车道的最短路径的长度，

，

。

第一时间段

内每类交通参与者每一时刻的邻接矩阵表示为：

以第一时间段

内每类交通参与者每一时刻的第一历史交通流数据和邻接矩阵、以及第二时间段

内每类交通参与者每一时刻的第二历史交通流数据作为训练样本，对交通流预测模型进行训练，实际输出的第二时间段

内每类交通参与者每一时刻的预测交通流数据表示为：

当经过多次迭代，使得上述预测交通流数据与第二历史交通流数据的误差在预设范围内，则表示该交通流预测模型较为准确，然后使用训练后的模型进行交通流预测。

在预测阶段，假设目标类交通参与者为第

类交通参与者，第一预设时间段

内第

类交通参与者每一时刻的实时交通流数据表示为：

第一预设时间段

内第

类交通参与者每一时刻的邻接矩阵表示为：

将上述两个数据作为输入数据，输入至训练后的交通流预测模型中，可以得到第 二预设时间段

内第

类交通参与者每一时刻的预测交通流数据，表示为：

第一预设时间段

和第二预设时间段

的值可根据需要设置，通过上述步骤， 可以得到目标类交通参与者在第二预设时间段内的预测交通流数据。

在一种实施例中，在基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据的步骤之前，还包括：通过智能路边单元获取目标实时通行地图中各交通信号灯的工作参数；根据工作参数，更新邻接矩阵。智能路边单元可以对目标区域内各交通信号灯的当前状态进行识别，获取各交通信号灯的工作参数，工作参数包括交通信号灯的配时规则（相隔多少时间交通信号灯状态会变化）和当前信号状态（禁止通行/可以通行/等待），当某条车道上的交通信号灯处于禁止通行时，该车道不可通行，则将邻接矩阵中对应边的权重更新为无穷大。通过加入交通信号灯的当前状态，可以更加准确地更新各类交通参与者的实时通行地图，得到的邻接矩阵也更加准确，进一步提升了交通流预测结果的准确性。

需要说明的是，在上述实施例中，均以先验地图为高精度地图为例进行说明，但本发明不以此为限，先验地图也可以是普通地图，普通地图同样存储有目标区域内各类环境和对象相关信息，只是精度低于高精度地图。当先验地图为高精度地图时，可以实现车道级的交通参与者定位、拥堵地点定位以及车道级的交通流预测，当先验地图为普通地图时，虽然不能做到车道级别的精度，但可以做到道路级的交通参与者定位、拥堵地点定位以及道路级的交通流预测。

在一种实施例中，S204之后的步骤还包括：获取各类交通参与者在第二预设时间段的预测交通流数据；融合各类交通参与者的预测交通流数据，得到目标区域内各车道的总预测交通流数据。对于目标区域内所有类交通参与者，分别通过上述步骤得到各类交通参与者在第二预设时间段的预测交通流数据，然后对各预测交通流数据进行叠加，可以获得目标区域内各车道的总预测交通流数据，通过本发明的交通流预测方法，得到的总预测交通流数据也较为准确。

在一种实施例中，S204之后的步骤还包括：获取待行驶交通参与者的待行驶信息，待行驶信息包括行驶起点和行驶终点；根据待行驶信息和预测交通流数据，确定待行驶交通参与者的沿不同行驶路线行驶的预测行驶时间；根据各行驶路线对应的预测行驶时间，确定目标行驶路线。当某个待行驶交通参与者使用行程导航时，根据行驶起点和行驶终点可以得到行驶路线，行驶路线可以有多条可以选择，对于每条行驶路线，根据上述步骤获得的预测交通流数据，可以计算得到沿行驶路线上各车道行驶所需的时间，进一步计算得到待行驶交通参与者的预测行驶时间，将预测行驶时间最短的行驶路线作为目标行驶路线，以使得待行驶交通参与者沿目标行驶路线出行。通过上述步骤获取较为准确的预测交通流数据，使得待行驶交通参与者在导航时，可以避开拥堵，提前换车道，有助于目标交通参与者选择耗时最短的最优行驶路线出行，以及获得较为准确的预测行驶时间信息。

在一种实施例中，S204之后的步骤还包括：根据预测交通流数据，确定目标子区域在未来预设时间段对待调度类交通参与者的需求信息；根据需求信息和预测交通流数据，确定待调度类交通参与者的调度参数。

目标区域包括多个子区域，子区域为在目标区域中根据预测选取规则划分得到的区域，例如目标区域为某个市，则子区域可以是某个县（按行政区域划分）或某个区（按行政区域划分、按环线划分、或者按市区和郊区划分等），也可以是其他任意限定的区域。在每个子区域内包括多条相交车道，各车道相交点形成路口，每条车道位于相邻路口之间的部分形成一个路段，当一条车道与多条车道相交时，该车道会形成多个路段和多个路口，在每个路口，各交通参与者均可以选择继续在当前车道上行驶或驶入另一车道。

在通过前述步骤获取到预测交通流数据后，可以根据预测交通流数据，得到未来预设时间段内在目标区域的各车道上，某类交通参与者的流量和速度，则以某个子区域为目标子区域，该类交通参与者为待调度类交通参与者，可以从中确定出目标子区域在未来预设时间段对待调度类交通参与者的需求信息，再根据需求信息和前述步骤中获取的预测交通流数据，生成待调度类交通参与者的调度参数，调度参数包括在哪些时间段，通过哪些车道提前调度多少数量的待调度类交通参与者至目标子区域内，以满足未来预设时间段目标子区域对待调度类交通参与者的需求。具体地，以目标子区域为市中心为例，当根据预测交通流数据确定出市中心在下班时间段对出租车具有X数量级的需求后，在下班时间段之前的某个时间段内，对X数量级的出租车进行提前调度，在调度时根据预测交通流数据，得到此刻起至下班时间段之间各车道的车流量情况，再根据各出租车此刻所处的位置信息，为每辆出租车选择最佳的出行路径，以保证在下班高峰到来之前，在市中心已有X数量级的出租车可供使用。

在上述实施例中，通过本发明提供的交通流预测方法，可以得到较为准确的预测交通流数据，应用该预测交通流数据，可以进行待行驶交通参与者的到达时间预测和目标子区域对待调度类交通参与者的需求预测，也即本发明可以应用于车辆导航和区域调度，适用性较广，且在预测交通流数据较为准确的前提下，导航和调度效果也较佳。

通过上述实施例可知，本发明的交通流预测方法，通过多个智能路边单元来获取感知数据，并将各感知数据进行融合得到实时交通流数据，由于综合了目标区域内所有智能路边单元的感知结果，得到的实时交通流数据较为准确，此外，根据各类交通参与者的实时通行地图构建邻接矩阵，该邻接矩阵可以反映各车道的实时通行状态，两者共同作用最终提升了预测交通流数据的准确性。

相应的，图5为本发明提供的交通流预测装置的结构示意图，请参阅图5，该交通流预测装置包括：

第一获取模块110，用于通过多个智能路边单元获取目标区域内各交通参与者的感知数据；

融合模块120，用于融合目标区域内所有智能路边单元的感知数据，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；

第二获取模块130，用于获取目标区域内各类交通参与者在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图；

得到模块140，用于根据目标类交通参与者的目标实时通行地图，构建目标类交通参与者的邻接矩阵，根据目标类交通参与者的目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。

在一种实施例中，融合模块120包括：

第一得到子模块，用于根据各智能路边单元的感知数据，得到各智能路边单元感应范围内各交通参与者的类别、数量和速度；

第二得到子模块，用于融合目标区域内所有智能路边单元的感知数据，并进行去重处理，得到目标区域内各车道上各类交通参与者的数量和平均速度；

第三得到子模块，用于根据各类参与者的数量和平均速度，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据。

在一种实施例中，第二获取模块130包括：

第一确定子模块，用于根据目标区域的先验地图和预设通行条件，确定目标区域内各类交通参与者的静态通行车道和动态通行车道；

第二确定子模块，用于根据先验地图、实时交通流数据和智能路边单元，确定目标区域内的拥堵数据；

第三确定子模块，用于根据静态通行车道，确定各类交通参与者的静态通行信息，根据动态通行车道和拥堵数据，确定各类交通参与者的动态通行信息。

在一种实施例中，第二确定子模块用于，根据先验地图和实时交通流数据，确定目标区域内的拥堵地点；通过拥堵地点对应的智能路边单元获取拥堵地点的拥堵参数；根据拥堵地点和拥堵参数，得到目标区域内的拥堵数据。

在一种实施例中，得到模块140包括：

第四确定子模块，用于根据多个智能路边单元的位置确定邻接矩阵的顶点，根据目标通行地图中任意两个智能路边单元之间车道的通行状态和最短路径确定邻接矩阵的边的权重；

第四得到子模块，用于以目标实时交通流数据和邻接矩阵作为输入数据，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。

在一种实施例中，得到模块140还包括更新子模块，更新子模块在第四得到子模块之前工作，更新子模块用于，通过智能路边单元获取目标实时通行地图中各交通信号灯的工作参数；根据工作参数，更新邻接矩阵。

在一种实施例中，交通流预测装置还包括第三获取模块，第三获取模块在得到模块140之后工作，第三获取模块用于，获取各类交通参与者在第二预设时间段的预测交通流数据；融合各类交通参与者的预测交通流数据，得到目标区域内各车道的总预测交通流数据。

在一种实施例中，交通流预测装置还包括第四获取模块，第四获取模块在得到模块140之后工作，第四获取模块用于，获取待行驶交通参与者的待行驶信息，待行驶信息包括行驶起点和行驶终点；根据待行驶信息和预测交通流数据，确定待行驶交通参与者的沿不同行驶路线行驶的预测行驶时间；根据各行驶路线对应的预测行驶时间，确定目标行驶路线。

在一种实施例中，交通流预测装置还包括确定模块，确定模块在得到模块140之后工作，确定模块用于，根据预测交通流数据，确定目标子区域在未来预设时间段对待调度类交通参与者的需求信息；根据需求信息和预测交通流数据，确定待调度类交通参与者的调度参数。

区别于现有技术，本发明提供的交通流预测装置，通过多个智能路边单元来获取感知数据，并将各感知数据进行融合得到实时交通流数据，由于综合了目标区域内所有智能路边单元的感知结果，得到的实时交通流数据较为准确，此外，根据各类交通参与者的实时通行地图构建邻接矩阵，该邻接矩阵可以反映各车道的实时通行状态，两者共同作用最终提升了预测交通流数据的准确性。

相应地，本发明还提供一种电子设备，如图6所示，该电子设备可以包括射频电路601、包括有一个或一个以上计算机可读存储介质的存储器602、输入单元603、显示单元604、传感器605、音频电路606、WiFi模块607、包括有一个或者一个以上处理核心的处理器608以及电源609等部件。本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

射频电路601可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，交由一个或者一个以上处理器608处理；另外，将涉及上行的数据发送给基站。存储器602可用于存储软件程序以及模块，处理器608通过运行存储在存储器602的软件程序以及模块，从而执行各种功能应用以及数据处理。输入单元603可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

显示单元604可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。

电子设备还可包括至少一种传感器605，比如光传感器、运动传感器以及其他传感器。音频电路606包括扬声器，扬声器可提供用户与电子设备之间的音频接口。

WiFi属于短距离无线传输技术，电子设备通过WiFi模块607可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图6示出了WiFi模块607，但是可以理解的是，其并不属于电子设备的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器608是电子设备的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器602内的软件程序和/或模块，以及调用存储在存储器602内的数据，执行电子设备的各种功能和处理数据，从而对手机进行整体监控。

电子设备还包括给各个部件供电的电源609（比如电池），优选的，电源可以通过电源管理系统与处理器608逻辑相连，从而通过电源管理系统实现管理充电、放电以及功耗管理等功能。

尽管未示出，电子设备还可以包括摄像头、蓝牙模块等，在此不再赘述。具体在本实施例中，电子设备中的处理器608会按照如下指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器602中并由处理器608来运行存储在存储器602中的应用程序，从而实现以下功能：

通过多个智能路边单元获取目标区域内各交通参与者的感知数据；融合目标区域内所有智能路边单元的感知数据，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；获取目标区域内各类交通参与者在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图；根据目标类交通参与者的目标实时通行地图，构建目标类交通参与者的邻接矩阵，根据目标类交通参与者的目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本发明提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以实现以下功能：

通过多个智能路边单元获取目标区域内各交通参与者的感知数据；融合目标区域内所有智能路边单元的感知数据，得到目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；获取目标区域内各类交通参与者在第一预设时间段内的静态通行信息和动态通行信息，根据静态通行信息和动态通行信息，确定各类交通参与者在第一预设时间段内的实时通行地图；根据目标类交通参与者的目标实时通行地图，构建目标类交通参与者的邻接矩阵，根据目标类交通参与者的目标实时交通流数据和邻接矩阵，基于交通流预测模型得到目标类交通参与者在第二预设时间段内的预测交通流数据。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该计算机可读存储介质可以包括：只读存储器（ROM，Read Only Memory）、随机存取记忆体（RAM，Random Access Memory）、磁盘或光盘等。

由于该计算机可读存储介质中所存储的指令，可以执行本发明所提供的任一种方法中的步骤，因此，可以实现本发明所提供的任一种方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本发明所提供的一种交通流预测方法、装置、电子设备和存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例的技术方案的范围。

Claims (10)

1.一种交通流预测方法，其特征在于，包括：

通过多个智能路边单元获取目标区域内各交通参与者的感知数据；

融合所述目标区域内所有智能路边单元的感知数据，得到所述目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；

获取目标区域内各类交通参与者在所述第一预设时间段内的静态通行信息和动态通行信息，根据所述静态通行信息和所述动态通行信息，确定各类交通参与者在所述第一预设时间段内的实时通行地图；

根据目标类交通参与者的目标实时通行地图，构建所述目标类交通参与者的邻接矩阵，根据所述目标类交通参与者的目标实时交通流数据和所述邻接矩阵，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据。

2.如权利要求1所述的交通流预测方法，其特征在于，融合所述目标区域内所有智能路边单元的感知数据，得到所述目标区域内各类交通参与者在第一预设时间段内的实时交通流数据的步骤，包括：

根据各智能路边单元的感知数据，得到各智能路边单元感应范围内各交通参与者的类别、数量和速度；

融合所述目标区域内所有智能路边单元的感知数据，并进行去重处理，得到所述目标区域内各车道上各类交通参与者的数量和平均速度；

根据各类参与者的数量和平均速度，得到所述目标区域内各类交通参与者在第一预设时间段内的实时交通流数据。

3.如权利要求1所述的交通流预测方法，其特征在于，获取目标区域内各类交通参与者的静态通行信息和动态通行信息的步骤，包括：

根据所述目标区域的先验地图和预设通行条件，确定所述目标区域内各类交通参与者的静态通行车道和动态通行车道；

根据所述先验地图、所述实时交通流数据和所述智能路边单元，确定所述目标区域内的拥堵数据；

根据所述静态通行车道，确定各类交通参与者的静态通行信息，根据所述动态通行车道和所述拥堵数据，确定各类交通参与者的动态通行信息。

4.如权利要求3所述的交通流预测方法，其特征在于，根据所述先验地图、所述实时交通流数据和所述智能路边单元，确定所述目标区域内的拥堵数据的步骤，包括：

根据所述先验地图和所述实时交通流数据，确定所述目标区域内的拥堵地点；

通过所述拥堵地点对应的智能路边单元获取所述拥堵地点的拥堵参数；

根据所述拥堵地点和所述拥堵参数，得到所述目标区域内的拥堵数据。

5.如权利要求1所述的交通流预测方法，其特征在于，根据目标类交通参与者的目标实时通行地图，构建所述目标类交通参与者的邻接矩阵，根据所述目标类交通参与者的目标实时交通流数据和所述邻接矩阵，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据的步骤，包括：

根据所述多个智能路边单元的位置确定邻接矩阵的顶点，根据所述目标通行地图中任意两个智能路边单元之间车道的通行状态和最短路径确定所述邻接矩阵的边的权重；

以所述目标实时交通流数据和所述邻接矩阵作为输入数据，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据。

6.如权利要求5所述的交通流预测方法，其特征在于，在以所述目标实时交通流数据和所述邻接矩阵作为输入数据，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据的步骤之前，还包括：

通过智能路边单元获取目标实时通行地图中各交通信号灯的工作参数；

根据所述工作参数，更新所述邻接矩阵。

7.如权利要求1所述的交通流预测方法，其特征在于，在基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据的步骤之后，还包括：

获取各类交通参与者在第二预设时间段的预测交通流数据；

融合各类交通参与者的预测交通流数据，得到所述目标区域内各车道的总预测交通流数据。

8.如权利要求1所述的交通流预测方法，其特征在于，在根据目标类交通参与者的目标实时通行地图和目标实时交通流数据，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据的步骤之后，还包括：

获取待行驶交通参与者的待行驶信息，所述待行驶信息包括行驶起点和行驶终点；

根据所述待行驶信息和所述预测交通流数据，确定所述待行驶交通参与者的沿不同行驶路线行驶的预测行驶时间；

根据各行驶路线对应的预测行驶时间，确定目标行驶路线。

9.如权利要求1所述的交通流预测方法，其特征在于，在根据目标类交通参与者的目标实时通行地图和目标实时交通流数据，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据的步骤之后，还包括：

根据所述预测交通流数据，确定目标子区域在未来预设时间段对待调度类交通参与者的需求信息；

根据所述需求信息和所述预测交通流数据，确定所述待调度类交通参与者的调度参数。

10.一种交通流预测装置，其特征在于，所述交通流预测装置包括：

第一获取模块，用于通过多个智能路边单元获取目标区域内各交通参与者的感知数据；

融合模块，用于融合所述目标区域内所有智能路边单元的感知数据，得到所述目标区域内各类交通参与者在第一预设时间段内的实时交通流数据；

第二获取模块，用于获取目标区域内各类交通参与者在所述第一预设时间段内的静态通行信息和动态通行信息，根据所述静态通行信息和所述动态通行信息，确定各类交通参与者在所述第一预设时间段内的实时通行地图；

得到模块，用于根据目标类交通参与者的目标实时通行地图，构建所述目标类交通参与者的邻接矩阵，根据所述目标类交通参与者的目标实时交通流数据和所述邻接矩阵，基于交通流预测模型得到所述目标类交通参与者在第二预设时间段内的预测交通流数据。

Images