CN113112795B - 一种路况预测方法、装置及设备 - Google Patents
一种路况预测方法、装置及设备 Download PDFInfo
- Publication number
- CN113112795B CN113112795B CN202110367926.4A CN202110367926A CN113112795B CN 113112795 B CN113112795 B CN 113112795B CN 202110367926 A CN202110367926 A CN 202110367926A CN 113112795 B CN113112795 B CN 113112795B
- Authority
- CN
- China
- Prior art keywords
- time
- road condition
- target
- prediction
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000011664 signaling Effects 0.000 claims description 213
- 238000001914 filtration Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 12
- 230000006870 function Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/20—Services signaling; Auxiliary data signalling, i.e. transmitting data via a non-traffic channel
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种路况预测方法、装置及设备,涉及数据处理技术领域,以解决相关技术路况预测功能较为单一问题。该方法包括:获取预测时刻;在预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与预测时刻对应的第一历史时段内的历史路况数据,对目标路段上预测时刻的路况进行预测,得到第一预测路况数据;在预测时刻与当前时刻的时间差小于或等于预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,第二预测路况数据根据目标路段上与预测时刻对应的第二历史时段内的历史路况数据对目标路段上预测时刻的路况进行预测得到。本发明实施例能够实现长时和短时路况预测,功能更为丰富。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种路况预测方法、装置及设备。
背景技术
相关技术中,存在利用手机信令数据实时获取公路运行状态的方案,实现方式大致为:获取监测时间段内监测区域内产生的信令数据,根据信令数据确定各用户的轨迹序列,根据监测时间段的用户轨迹以及其历史轨迹判断其是否在高速路上行驶,据此得到监测时间段内在高速路上行驶并产生新的轨迹序列数据的用户,随后利用这些用户更新的信令数据计算道路实时运行速度。
然而,上述方法不能实现基于不同预测时间长度的路况预测,预测功能较为单一。
发明内容
本发明实施例提供一种路况预测方法、装置及设备,以解决相关技术不能实现基于不同预测时间长度的路况预测,预测功能较为单一的问题。
第一方面,本发明实施例提供了一种路况预测方法,包括:
获取预测时刻;
在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。
可选的,所述根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,包括:
对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
可选的,所述根据目标路段上第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,包括:
确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
可选的,所述确定与所述预测时刻所属的时间类型对应的路况预测模型之前,所述方法还包括:
获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
对所述历史路况数据进行线性回归,得到所述路况预测模型。
可选的,所述目标路段上目标时段内的路况数据通过如下方式确定:
确定所述目标路段上所述目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度。
可选的,所述确定所述目标路段上所述目标时段内的目标信令数据,包括:
获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
可选的,所述根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,包括:
对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
可选的,在所述目标路段存在拥堵的情况下,所述预设阈值基于所述目标路段的拥堵消散时长确定。
第二方面,本发明实施例还提供一种路况预测装置,包括:
第一获取模块,用于获取预测时刻;
第一预测模块,用于在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
第二预测模块,用于在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。
可选的,所述第二预测模块用于对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
可选的,所述根据目标路段上第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,包括:
确定单元,用于确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
预测单元,用于利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
可选的,所述路况预测装置还包括:
第二获取模块,用于获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
数据处理模块,用于对所述历史路况数据进行线性回归,得到所述路况预测模型。
可选的,所述路况预测装置还包括:
确定模块,用于确定所述目标路段上所述目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
计算模块,用于根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,得到所述目标路段上所述目标时段内的路况数据。
可选的,所述确定模块包括:
获取单元,用于获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
处理单元,用于对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
可选的,所述计算模块包括:
第一计算单元,用于对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
第二计算单元,用于根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
可选的,在所述目标路段存在拥堵的情况下,所述预设阈值基于所述目标路段的拥堵消散时长确定。
第三方面,本发明实施例还提供一种路况预测设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的路况预测方法中的步骤。
第四方面,本发明实施例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计算机程序,所述计算机程序被处理器执行时实现如上所述的路况预测方法中的步骤。
在本发明实施例中,获取预测时刻;在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。这样,可以基于预测时刻与当前时刻的时差长短,采用不同方式预测路况数据,也即能够实现长时路况预测和短时路况预测,使得路况预测功能更为丰富。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的路况预测方法的流程图之一;
图2是本发明实施例提供的路况预测方法的流程图之二;
图3是本发明实施例提供的路况预测装置的结构图;
图4是本发明实施例提供的路况预测设备的结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有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。
参见图1,图1是本发明实施例提供的路况预测方法的流程图,如图1所示,包括以下步骤:
步骤101、获取预测时刻。
上述预测时刻可以是指需要进行路况预测的时刻,例如,当需要预测今天上午9点的路况时,则今天上午9点为预测时刻。
上述获取预测时刻,可以是获取用户输入或设定的预测时刻。
步骤102、在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据。
本发明实施例中,考虑到道路突发情况是难以预料的,且会对路况会造成突变影响,这是基于历史数据的长时预测难以预料的,且当前时刻的道路突变情况对道路状况的影响时长有限,较短时间范围便可能会将这一突变情况“消化”为和长时路况相似,因此,可以设置长时预测和短时预测两种预测方式,即可以根据所述预测时刻与当前时刻的时差长短,采用不同的方式预测路况,以使预测的路况数据更符合实际且更为准确。其中,短时预测能够更好地预测突发情况造成的路况改变,长时预测则能够根据路段上交通流长期特征预测出大概率符合较远期的交通特征。
上述预设阈值可以是预先设定的用于区分长时预测与短时预测的时差阈值,例如,所述预设阈值为2小时,则在2小时后的路况预测属于长时预测,在2小时内的路况预测属于短时预测。
进一步地,在所述目标路段存在拥堵的情况下,所述预设阈值还可以是根据所述目标路段当前的拥堵情况确定。具体地,所述预设阈值可基于所述目标路段的拥堵消散时长确定。该消散时长可以是通过统计所述目标路段的拥堵消散时长,并取峰值确定的。
例如,目标路段拥堵需要的消散时长为2小时,则预设阈值可以是2小时,当预测时刻在当前时刻2小时之后时,可以确定所述预测时刻目标路段的拥堵情况已消散,此时无需考虑目标路段拥堵对所述预测时刻的路况的影响,因此可采用长时预测方式,当预测时刻在当前时刻2小时之内时,可以确定所述预测时刻目标路段的拥堵情况未消散,此时需考虑目标路段拥堵对所述预测时刻的路况的影响,因此可采用短时预测方式,这样可使得路况预测结果更为真实准确。也就是说,可以将距离当前时刻超出所述目标路段已知完全拥堵需要的消散时长的时间点的预测,称为长时间预测,例如,将距离当前时刻2小时以上的路况预测称为长时预测,2小时以下的则称为短时预测。
具体地,在步骤102中,可先判定所述预测时刻与当前时刻的时间差是否大于所述预设阈值,若大于,则可以采用长时预测的方式来对目标路段上所述预测时刻的路况进行预测,否则采用短时预测的方式来对所述目标路段上所述预测时刻的路况进行预测,其中,所述目标路段可以是预先划定的需要进行路况预测的路段,也可以根据实际需求确定,例如,所述目标路段可以是某高速路段。
其中,长时预测方式可以是根据所述目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据,其中,与所述预测时刻对应的第一历史时段可以是指时间类型与所述预测时刻的时间类型相同,例如同为工作日、节假日或上下班高峰期等,还可以是时间点相同或匹配,例如,所述预测时刻为今天10点,则与该时间对应的历史时段可以是昨天上午10点左右、最近一周的上午10点左右等。其中,为保证获得较为准确的路况预测结果,所述第一历史时段可以是选取的最近期的历史时段,而非与当前时间相隔较远的历史时段。
上述历史路况数据可以包括所述目标路段上所述第一历史时段内各车辆对应的用户终端与基站通信所产生的信令数据、各车辆的通行时间或速度、所述目标路段的平均行程速度等能够反应所述目标路段在所述第一历史时段间的历史路况的相关数据。
上述根据所述目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,具体可以是基于所述历史路况数据确定所述目标路段上所述第一历史时段内的路况速度,也即路段平均行程速度,并基于该路段平均行程速度来估算所述目标路段在所述预测时刻的路况速度,例如,可以直接将所述目标路段上所述第一历史时段内的路况速度作为预测的所述目标路段在所述预测时刻的路况速度,也可以对所述目标路段上所述第一历史时段内的路况速度做一些优化处理后再作为预测的所述目标路段在所述预测时刻的路况速度。当然,也可以根据所述历史路况数据构建相应的路况预测模型,并利用该路况预测模型来预测输出所述目标路段上所述预测时刻的路况。
步骤103、在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。
即在判定出所述预测时刻与当前时刻的时间差不大于所述预设阈值的情况下,可以采用短时预测的方式来对所述目标路段上所述预测时刻的路况进行预测。
其中,短时预测方式可以是进一步考虑了所述目标路段上当前一段时间内的路况对所述预测时刻的路况的影响,也就是说,短时预测方式可以是结合当前时刻前预设时长内的路况数据和长时预测数据,所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,来预测所述目标路段上所述预测时刻的路况。
具体地,可以是先根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第二预测路况数据,具体预测方式与步骤102类似,也就是说,所述第二预测路况数据可以是采用长时预测方式预测得到的路况数据。
然后,可以结合当前时刻前预设时长内的路况数据和所述第二预测路况数据,确定第三预测路况数据,例如,可以对当前时刻前预设时长内的路况数据和所述第二预测路况数据取均值,来确定第三预测路况数据,也可以基于所述目标路段当前的路况,评估所述当前时刻前预设时长内的路况数据对未来路况的影响大小,进而对所述当前时刻前预设时长内的路况数据和所述第二预测路况数据分配不同的权重系数,再通过对二者进行加权求和,来计算得到所述第三预测路况数据。其中,所述预设时长可以取工程经验值,如15分钟,15分钟是基于工程经验做的时段划分,意为短期预测受当前时刻前15分钟内路况的影响比较大,所述预设时长的具体取值可以通过统计历史路况曲线的变化来确定;所述当前时刻前预设时长内的路况数据可以通过获取所述目标路段在当前时刻前预设时长内各车辆的通行时间或速度确定,该路况数据可以是取各车辆的通行速度的加权平均值。
也就是说,所述根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,可以包括:
对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
其中,所述当前时刻前预设时长内的路况数据和所述第二预测路况数据可以分别具备不同的权重系数,例如,分别为α和β,这样,可以采用公式I=αpi+βqi,来计算得到所述第三预测路况数据,其中,I表示第三预测路况数据,也即预测时刻i的路况,α和β为权重系数,且α和β可满足α+β=1,pi表示当前时刻i前预设时长内的路况数据,qi表示第二预测路况数据,也即预测时刻i对应的长时预测路况数据。其中,α和β的取值可以根据所述目标路段当前的路况确定,例如,所述目标路段当前较为拥堵时,α可以取较大的权重值,反之,所述目标路段当前较为畅通时,α可以取较小的权重值。
这样,通过该实施方式,可以快速地确定短时预测路况数据,并能保证预的准确性。
可选的,所述目标路段上目标时段内的路况数据通过如下方式确定:
确定所述目标路段上所述目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度。
即在需要确定所述目标路段上某一历史时段内的路况数据时,可以先确定所述目标路段上该时段内的目标信令数据,再根据所述目标信令数据,计算所述目标路段上该时段内各用户终端标识对应的用户行程速度和路段平均行程速度。
其中,所述目标信令数据可以是所述目标路段上目标时段内用户终端与基站通信所产生的信令数据中,能够用于计算各用户终端标识对应的用户行程速度和路段平均行程速度的信令数据。所述用户终端可以是于所述目标路段上目标时段内通行的车辆用户所携带的具备通信功能的用户终端,如手机,用户终端可与接入基站通信进而产生信令数据,这些信令数据中通常可包括用户终端标识、所匹配的基站、进入该基站覆盖范围的时间、离开该基站覆盖范围的时间等字段信息,这些字段信息能够用于匹配用户终端所在路段位置、通行时间等,进而能够使用这些数据计算各用户终端标识对应的用户行程速度和路段平均行程速度。
例如,获取到一条信令数据中包括某用户终端标识、该用户终端标识对应的进入目标路段的基站覆盖范围的时间和离开目标路段的基站覆盖范围的时间,则可以根据所述进入目标路段的基站覆盖范围的时间和离开目标路段的基站覆盖范围的时间,确定该用户终端标识对应的在目标路段的通行时长,进而可根据目标路段的距离和该通行时长,确定该用户终端标识对应的用户行程速度。
路段平均行程速度则可以根据各用户终端标识对应的用户行程速度或通行时长确定,例如,对所有用户终端标识对应的用户行程速度求均值,或根据目标路段距离和所有用户终端标识对应的通行时长总和确定。
需说明的是,上述通过基于信令数据来计算目标路段上目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度的方式尤其可适用于目标路段为高速路段的场景,因为通常高速路段附近的基站的覆盖范围所涉及人群较为简单,通常只包括高速上行驶的车辆用户和高速路附近的常驻居民,这使得对于高速路上用户终端与基站的信令数据的处理和筛选较为简单。
这样,通过该实施方式,只需通过收集目标路段上某一时段内用户终端与基站的信令数据,便可获得该路段上该时段内的路况数据,实现方式较为简单可靠,而无需增设其他软硬件成本。
可选的,所述确定所述目标路段上所述目标时段内的目标信令数据,包括:
获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
即该实施方式中,为获得所述目标路段上所述目标时段内的目标信令数据,可以先获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据,该初始信令数据也即是用户终端与基站间所产生的所有的未作任何处理的信令数据,具体地,可以通过获取所述目标路段对应的基站所接收的信令数据得到。
然后,为了获得其中可用的信令数据,可对所述初始信令数据按照一定规则进行过滤处理,以得到所述目标信令数据。具体地,可以删除所述初始信令数据中缺失预设字段的信令数据,所述预设字段可以是一些用于路况计算的必要字段,例如,预设字段可以是“用户终端标识ID”、“所匹配的基站”、“进入该基站的时间”、“离开该基站的时间”等;也可以去除所述初始信令数据中同一时刻的重复信令数据,例如,信令数据以秒为单位,可以将同一秒的相同信令数据进行去重处理,仅保留一条即可。
由于用户终端进入某基站小区覆盖范围至离开该基站小区覆盖范围有一定的时间区间,在基站同一小区覆盖范围内,过多的数据对判断用户位置是冗余的,因此,在此时间区间内,仅保留用户进入和离开该基站小区的时间所对应的信令信息即可。也就是说,上述过滤处理还可以包括去除所述初始信令数据中的冗余信令数据,也即去除同一用户终端与同一基站之间非首次且非末次产生的信令数据。其中,可将基站首次接收到的某用户终端的信令数据作为该用户终端进入该基站小区的信令数据,将最后一次接收到的该用户终端的信令数据作为该用户终端离开该基站小区的信令数据。
另外,考虑到在目标路段如高速路附近居住、工作或长时间驻留的人群,不属于高速行程时间与速度的计算的考虑范围,因此,可将常驻用户与高速用户进行区别过滤,以删除所述初始信令数据中常驻用户终端标识对应的信令数据。常驻用户剔除方法可以如下:
首先统计每小时表中单个用户终端产生的信令数,生成全量数据统计表。例如,一个用户终端在10点至11点期间产生信令数量12次,11点至12点期间产生信令数量3次,则可认为该用户终端至少在该地区驻留2小时。也就是说,统计信令数量可用于确定用户终端的连续驻留时长,例如一个用户终端在n小时内,连续m小时都出现过,则可认为该用户终端对应的用户为该地常驻用户,其中n、m为根据实际应用场景确定。
然后可将统计的所有信令数据按时间序列进行排序,将连续驻留时长大于等于k个小时以上的用户终端标识对应的信令数据进行剔除,k即为上述第一时长,k的值可以根据实际情况设定。
需说明的是,为保证目标信令数据的必要性和准确性,可以结合上述四种不同的方式对所述初始信令数据进行过滤处理。
这样,通过该实施方式,能够较为准确地对初始信令数据进行筛选过滤,进而能够基于过滤后的信令数据更准确地识别路况。
可选的,所述根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,包括:
对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
即一种实施方式中,可以根据目标信令数据中的相应数据,对所述目标信令数据中各用户终端标识对应的用户行程速度和路段平均行程速度进行准确计算。
对于所述目标信令数据中的任一用户终端标识,如第一用户终端标识,可根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度,例如,所述第一用户终端标识对应的用户行程速度可以等于所述目标路段的距离除以所述第一用户终端标识在所述目标路段上的通行时长。
也就是说,用户行程速度的计算公式可以是v=L/(t1-t0),其中,v为用户行程速度,L为路段长度,t1为进入路段基站小区的时间点,t0为离开路段上基站小区的时间点。
其中,根据用户终端在目标路段上各基站产生的信令数,可分为以下两种情况:
(1)基站小区范围内该用户终端仅有一条信令数据。当前基站小区所对应的路段a需要联合目标路段内其他基站小区所对应的路段b的信令数据,以计算用户终端通过该小区与其他小区时的行程速度。其中,上式中的v表示目标路段该用户终端在当前路段a与下一路段b间的所有路段的平均行程速度,L表示路段a、b之间的距离,t1和t0分别表示该用户终端进入路段a和路段b内的时间点。
(2)基站小区范围内该用户终端有多条信令数据,且各信令数据的时间间隔小且较均匀。具体地,根据经验,可以认为该用户终端每间隔2分钟有信令数据即为时间间隔小。时间间隔均匀的判断方式可以是:1)从该用户终端的多条信令数据中采样10个点,计算所有采样点到第i个采样点的最小时间间隔,记为pi,;再采样10个点,计算所有采样点到第j个采样点的最小时间间隔,记为qi,其中,i可以依次取1至10;定义指标G=∑ipi/(∑ipi+∑iqi),如果服从均匀分布,那么G应该接近0.5。2)工程上我们可以直接将该用户终端的多条信令数据依据时间序列切分,例如将时段t切分为若干份,若每份时段中都包含数据,即可认为时间间隔均匀。其中,上式中的v表示目标路段该用户终端的平均行程速度,L表示该小区对应的高速路段长度,t1和t0分别表示该用户终端进入在该基站小区内的最大和最小时间点。
对于目标路段的平均行程速度,则可以根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量进行计算,例如,所述目标路段的平均行程速度可以等于所述目标路段的距离除以所有用户终端标识在所述目标路段上的平均通行时长。
这样,通过该实施方式,可以快速准确地根据目标信令数据,计算出目标路段上目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度。
可选的,所述根据目标路段上第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,包括:
确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
即一种实施方式中,可以根据所述预测时刻所属的时间类型,选择相应的路况预测模型来对所述目标路段上所述预测时刻的路况进行预测,其中,可以根据不同的日期场景,将时间分为工作日、双休日和节假日三种不同的时间类型,当然,也可以根据不同需求对时间进行更细小的划分。
也就是说,可以预先针对不同时间类型的历史时段的历史路况数据,分别构建了不同的路况预测模型,例如,可利用所述目标路段在近2周内的历史路况数据,按照时间类型划分出工作日、双休日和节假日的历史路况数据,再分别构建出工作日、双休日和节假日的路况预测模型,在预测时刻属于工作日时,则利用工作日的路况预测模型进行路况预测,在预测时刻属于双休日时,则利用双休日的路况预测模型进行路况预测,在预测时刻属于节假日时,则利用节假日的路况预测模型进行路况预测。
这样,通过该实施方式,考虑到了不同时间类型对路况的影响,使用与预测时刻所属时间类型匹配的路况预测模型来对预测时刻的路况进行更具针对性地预测,可以保证预测结果更符合实际情况。
可选的,所述确定与所述预测时刻所属的时间类型对应的路况预测模型之前,所述方法还包括:
获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
对所述历史路况数据进行线性回归,得到所述路况预测模型。
即可以预先对不同时间类型的历史路况数据分别进行线性回归,来构建得到可用于不同时间类型下作路况预测的路况预测模型。
其中,对于与所述预测时刻所属的时间类型对应的路况预测模型的构建,可以通过获取所述目标路段上所述第一历史时段内的历史路况数据,如用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度等中的至少一项,其中用户行程速度和路段平均行程速度可基于所述用户终端与基站之间产生的信令数据确定,具体可以参见前述相关介绍,然后对所获取到的历史路况数据进行线性回归,来得到所述路况预测模型,具体地,可通过所述第一历史时段内的历史路况数据中的用户终端与基站之间产生的信令数据,确定用户数,也即用户终端标识数量,并使用所述第一历史时段内的历史路况数据中的用户行程速度和用户数,对所述第一历史时段内的历史路况数据中的路段平均行程速度进行线性回归,构建得到能够表示路段平均行程速度与用户行程速度、用户数之间的关系的路况线性回归模型。在需要预测路况时,将所述预测时刻输入所述路况线性回归模型,预测输出所述预测时刻的路况速度也即路段平均行程速度即可。
这样,通过利用不同历史时段内的历史路况数据,并采用线性回归的方式分别构建路况预测模型,可以保证后续可通过构建的路况预测模型来对未来不同时刻的路况进行更为准确快速的预测。
下面结合图2所示的路况预测方法流程图,对本发明实施例进行举例说明:
首先,可收集目标路段在一定时段内的信令数据,如收集近2周以上的信令数据,并对收集的信令数据进行预处理,包括数据的筛空、除重、去除冗余等;然后可以对预处理后的信令数据进行常驻用户剔除等;接着可依据处理后的信令数据,进行路况计算,包括用户行程速度计算和路段平均行程速度计算;下一步可以对计算后的路况数据,按日期类型进行区分,如区分工作日、双休日和节假日三种不同日期场景,分别存储不同日期类型的路况数据;然后可基于不同日期类型的路况数据,分别构建并滚动更新24小时路况数据线性回归模型,其中,滚动更新24小时路况可以理解为第一天工作日过完之后,模型会根据这24小时数据更新迭代,第二天工作日的模型是通过第一天工作日的路况数据计算后的新模型,第三天基于第二天更新,以此类推。
在预测时,可分别根据预测时刻属于工作日、双休日或节假日的特点,进行相应模型的选择,并可根据预测时刻距离当前时刻的长短,采用长时预测或短时预测的方法预测得到相应的路况数据。
该方法能在仅有手机信令单一数据源的情况下,较为准确地进行高速路况的识别,并通过对一段时间路况数据的积累与建模,对未来任意时间点的长时与短时内的路况进行预测。
本发明实施例的路况预测方法,获取预测时刻;在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。这样,可以基于预测时刻与当前时刻的时差长短,采用不同方式预测路况数据,也即能够实现长时路况预测和短时路况预测,使得路况预测功能更为丰富。
本发明实施例还提供了一种路况预测装置。参见图3,图3是本发明实施例提供的路况预测装置的结构图。由于路况预测装置解决问题的原理与本发明实施例中路况预测方法相似,因此该路况预测装置的实施可以参见方法的实施,重复之处不再赘述。
如图3所示,路况预测装置300包括:
第一获取模块301,用于获取预测时刻;
第一预测模块302,用于在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
第二预测模块303,用于在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。
可选的,第二预测模块303用于对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
可选的,第一预测模块302包括:
确定单元,用于确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
预测单元,用于利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
可选的,路况预测装置300还包括:
第二获取模块,用于获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
数据处理模块,用于对所述历史路况数据进行线性回归,得到所述路况预测模型。
可选的,路况预测装置300还包括:
确定模块,用于确定所述目标路段上目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
计算模块,用于根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,得到所述目标路段上所述目标时段内的路况数据。
可选的,所述确定模块包括:
获取单元,用于获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
处理单元,用于对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
可选的,所述计算模块包括:
第一计算单元,用于对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
第二计算单元,用于根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
可选的,在所述目标路段存在拥堵的情况下,所述预设阈值基于所述目标路段的拥堵消散时长确定。
本发明实施例提供的路况预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
本发明实施例的路况预测装置300,获取预测时刻;在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。这样,可以基于预测时刻与当前时刻的时差长短,采用不同方式预测路况数据,也即能够实现长时路况预测和短时路况预测,使得路况预测功能更为丰富。
本发明实施例还提供了一种路况预测设备。由于路况预测设备解决问题的原理与本发明实施例中路况预测方法相似,因此该路况预测设备的实施可以参见方法的实施,重复之处不再赘述。如图4所示,本发明实施例的路况预测设备,包括:处理器400,用于读取存储器420中的程序,执行下列过程:
获取预测时刻;
在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。
其中,在图4中,总线架构可以包括任意数量的互联的总线和桥,具体由处理器400代表的一个或多个处理器和存储器420代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口提供接口。处理器400负责管理总线架构和通常的处理,存储器420可以存储处理器400在执行操作时所使用的数据。
可选的,处理器400还用于读取存储器420中的程序,执行如下步骤:
对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
可选的,处理器400还用于读取存储器420中的程序,执行如下步骤:
确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
可选的,处理器400还用于读取存储器420中的程序,执行如下步骤:
获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
对所述历史路况数据进行线性回归,得到所述路况预测模型。
可选的,处理器400还用于读取存储器420中的程序,执行如下步骤:
确定所述目标路段上目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,得到所述目标路段上所述目标时段内的路况数据。
可选的,处理器400还用于读取存储器420中的程序,执行如下步骤:
获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
可选的,处理器400还用于读取存储器420中的程序,执行如下步骤:
对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
可选的,在所述目标路段存在拥堵的情况下,所述预设阈值基于所述目标路段的拥堵消散时长确定。
本发明实施例提供的路况预测设备,可以执行上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
此外,本发明实施例的计算机可读存储介质,用于存储计算机程序,所述计算机程序可被处理器执行实现以下步骤:
获取预测时刻;
在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据。
可选的,所述根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,包括:
对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
可选的,所述根据目标路段上第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,包括:
确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
可选的,所述确定与所述预测时刻所属的时间类型对应的路况预测模型之前,所述方法还包括:
获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
对所述历史路况数据进行线性回归,得到所述路况预测模型。
可选的,所述目标路段上目标时段内的路况数据通过如下方式确定:
确定所述目标路段上所述目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度。
可选的,所述确定所述目标路段上所述目标时段内的目标信令数据,包括:
获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
可选的,所述根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,包括:
对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
可选的,在所述目标路段存在拥堵的情况下,所述预设阈值基于所述目标路段的拥堵消散时长确定。
在本申请所提供的几个实施例中,应该理解到,所揭露方法和装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,例如多个单元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接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,在本发明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包括,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元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)执行本发明各个实施例所述收发方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种路况预测方法,其特征在于,包括:
获取预测时刻;
在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据;
所述根据目标路段上第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,包括:
确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
2.根据权利要求1所述的方法,其特征在于,所述根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,包括:
对当前时刻前预设时长内的路况数据和第二预测路况数据进行加权求和,得到第三预测路况数据。
3.根据权利要求1所述的方法,其特征在于,所述确定与所述预测时刻所属的时间类型对应的路况预测模型之前,所述方法还包括:
获取所述目标路段上所述第一历史时段内的历史路况数据,其中,所述历史路况数据包括用户终端与基站之间产生的信令数据、用户行程速度和路段平均行程速度中的至少之一;
对所述历史路况数据进行线性回归,得到所述路况预测模型。
4.根据权利要求1所述的方法,其特征在于,所述目标路段上目标时段内的路况数据通过如下方式确定:
确定所述目标路段上所述目标时段内的目标信令数据,其中,所述目标信令数据包括用户终端标识和各用户终端标识对应的用户终端在所述目标路段上的通行时间信息,所述目标时段为任一历史时段;
根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度。
5.根据权利要求4所述的方法,其特征在于,所述确定所述目标路段上所述目标时段内的目标信令数据,包括:
获取所述目标路段上所述目标时段内用户终端与基站之间产生的初始信令数据;
对所述初始信令数据进行过滤处理,得到所述目标信令数据;
其中,所述过滤处理包括以下至少一项:
删除所述初始信令数据中缺失预设字段的信令数据;
去除所述初始信令数据中同一时刻的重复信令数据;
去除所述初始信令数据中的冗余信令数据,其中,所述冗余信令数据为同一用户终端与同一基站之间非首次且非末次产生的信令数据;
删除所述初始信令数据中常驻用户终端标识对应的信令数据,其中,所述常驻用户终端标识为连续第一时长驻留所述目标路段的用户终端标识。
6.根据权利要求4所述的方法,其特征在于,所述根据所述目标信令数据,计算所述目标路段上所述目标时段内各用户终端标识对应的用户行程速度和路段平均行程速度,包括:
对于所述目标信令数据中的第一用户终端标识,根据所述第一用户终端标识在所述目标路段上的通行时间信息和所述目标路段的距离,计算所述第一用户终端标识对应的用户行程速度;
根据所述目标信令数据中各用户终端标识在所述目标路段上的通行时间信息、所述目标路段的距离和用户终端标识数量,计算路段平均行程速度。
7.根据权利要求1所述的方法,其特征在于,在所述目标路段存在拥堵的情况下,所述预设阈值基于所述目标路段的拥堵消散时长确定。
8.一种路况预测装置,其特征在于,包括:
第一获取模块,用于获取预测时刻;
第一预测模块,用于在所述预测时刻与当前时刻的时间差大于预设阈值的情况下,根据目标路段上与所述预测时刻对应的第一历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测,得到第一预测路况数据;
第二预测模块,用于在所述预测时刻与当前时刻的时间差小于或等于所述预设阈值的情况下,根据当前时刻前预设时长内的路况数据和第二预测路况数据,确定第三预测路况数据,其中,所述第二预测路况数据为根据所述目标路段上与所述预测时刻对应的第二历史时段内的历史路况数据,对所述目标路段上所述预测时刻的路况进行预测得到的路况数据;
所述第一预测模块包括:
确定单元,用于确定与所述预测时刻所属的时间类型对应的路况预测模型,其中,所述路况预测模型为预先根据所述目标路段上所述第一历史时段内的历史路况数据构建得到的路况预测模型,所述第一历史时段的时间类型与所述预测时刻所属的时间类型相同;
预测单元,用于利用所述路况预测模型对所述目标路段上所述预测时刻的路况进行预测。
9.一种路况预测设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至7中任一项所述的路况预测方法中的步骤。
10.一种计算机可读存储介质,用于存储计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的路况预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367926.4A CN113112795B (zh) | 2021-04-06 | 2021-04-06 | 一种路况预测方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110367926.4A CN113112795B (zh) | 2021-04-06 | 2021-04-06 | 一种路况预测方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112795A CN113112795A (zh) | 2021-07-13 |
CN113112795B true CN113112795B (zh) | 2022-01-21 |
Family
ID=76714103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110367926.4A Active CN113112795B (zh) | 2021-04-06 | 2021-04-06 | 一种路况预测方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112795B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311851B (zh) * | 2022-07-19 | 2023-11-03 | 北京三快在线科技有限公司 | 路况信息确定方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236620A (zh) * | 2006-10-20 | 2008-08-06 | 日本电气株式会社 | 行程时间预测装置和方法、交通信息提供系统和程序 |
CN103280110A (zh) * | 2013-06-08 | 2013-09-04 | 北京云星宇交通工程有限公司 | 高速公路旅行时间的预测方法及装置 |
CN105405293A (zh) * | 2015-12-23 | 2016-03-16 | 青岛海信网络科技股份有限公司 | 一种道路旅行时间短期预测方法和系统 |
CN110675621A (zh) * | 2019-05-23 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的系统和方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700296B2 (en) * | 2006-03-03 | 2014-04-15 | Inrix, Inc. | Dynamic prediction of road traffic conditions |
CN101673463B (zh) * | 2009-09-17 | 2011-12-14 | 北京世纪高通科技有限公司 | 一种基于时间序列的交通信息预测方法及装置 |
CN103294729B (zh) * | 2012-03-05 | 2016-08-17 | 富士通株式会社 | 处理、预测包含样本点的时间序列的方法和设备 |
CN105788249B (zh) * | 2014-12-16 | 2018-09-28 | 高德软件有限公司 | 一种交通流量预测方法、预测模型生成方法及装置 |
CN104778837B (zh) * | 2015-04-14 | 2017-12-05 | 吉林大学 | 一种道路交通运行态势多时间尺度预测方法 |
CN105070057B (zh) * | 2015-07-24 | 2018-08-17 | 江苏省公用信息有限公司 | 一种道路实时路况的监测方法 |
CN105702029B (zh) * | 2016-02-22 | 2017-11-28 | 北京航空航天大学 | 一种分时段考虑时空关联性的快速路交通状态预测方法 |
CN107305734B (zh) * | 2016-04-22 | 2020-06-30 | 中国移动通信集团福建有限公司 | 一种实时交通信息的采集方法和装置 |
CN107516417B (zh) * | 2017-08-21 | 2019-09-17 | 中国科学院软件研究所 | 一种挖掘时空关联关系的实时高速公路流量估计方法 |
CN108269401B (zh) * | 2018-01-30 | 2021-02-23 | 银江股份有限公司 | 一种基于数据驱动的高架桥交通拥堵预测方法 |
CN109598935B (zh) * | 2018-12-14 | 2020-12-15 | 银江股份有限公司 | 一种基于超长时间序列的交通数据预测方法 |
CN110599767A (zh) * | 2019-09-04 | 2019-12-20 | 广东工业大学 | 一种基于网约车出行需求的长短期预测方法 |
CN111223301B (zh) * | 2020-03-11 | 2021-01-26 | 北京理工大学 | 一种基于图注意力卷积网络的交通流量预测方法 |
-
2021
- 2021-04-06 CN CN202110367926.4A patent/CN113112795B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236620A (zh) * | 2006-10-20 | 2008-08-06 | 日本电气株式会社 | 行程时间预测装置和方法、交通信息提供系统和程序 |
CN103280110A (zh) * | 2013-06-08 | 2013-09-04 | 北京云星宇交通工程有限公司 | 高速公路旅行时间的预测方法及装置 |
CN105405293A (zh) * | 2015-12-23 | 2016-03-16 | 青岛海信网络科技股份有限公司 | 一种道路旅行时间短期预测方法和系统 |
CN110675621A (zh) * | 2019-05-23 | 2020-01-10 | 北京嘀嘀无限科技发展有限公司 | 预测交通信息的系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113112795A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3076512B1 (en) | Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program | |
CN110956807B (zh) | 基于多源数据与滑动窗口组合的高速公路流量预测方法 | |
CN111881243B (zh) | 一种出租车轨迹热点区域分析方法及系统 | |
CN112687401B (zh) | 聚集风险确定方法及装置、计算机可读介质及电子设备 | |
CN111444302B (zh) | 基于用户分类的移动性预测方法、系统、装置 | |
CN112001829A (zh) | 一种基于手机信令数据的人口分布判断方法 | |
CN110889558A (zh) | 路况预测方法及装置 | |
CN113112795B (zh) | 一种路况预测方法、装置及设备 | |
CN111815098A (zh) | 基于极端天气的交通信息处理方法、装置、存储介质和电子设备 | |
CN115953186A (zh) | 一种网约车需求模式识别与短时需求预测方法 | |
Zou et al. | Measuring retiming responses of passengers to a prepeak discount fare by tracing smart card data: a practical experiment in the Beijing subway | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
Yang et al. | Potential of low-frequency automated vehicle location data for monitoring and control of bus performance | |
CN113158084A (zh) | 移动轨迹数据处理的方法、装置、计算机设备及存储介质 | |
CN116629460A (zh) | 一种基于ST-RANet模型的地铁客流预测方法 | |
CN111667689A (zh) | 车辆旅行时间预测的方法、设备和计算机设备 | |
CN112686417A (zh) | 一种地铁大客流预测方法、系统及电子设备 | |
CN113806585B (zh) | 一种获取路段通行时长的方法、装置、电子设备及存储介质 | |
Nasiboglu | Dijkstra solution algorithm considering fuzzy accessibility degree for patch optimization problem | |
CN114596702A (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
CN116701551A (zh) | 异常预测方法、装置、设备及存储介质 | |
CN114548463A (zh) | 线路信息预测方法、装置、计算机设备和存储介质 | |
Zhang et al. | Constrained multinomial Probit route choice modeling for passengers in large-scaled metro networks in China |
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 |