CN113257002B - 一种高峰开始时间预测方法、装置、设备及介质 - Google Patents
一种高峰开始时间预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113257002B CN113257002B CN202110509835.XA CN202110509835A CN113257002B CN 113257002 B CN113257002 B CN 113257002B CN 202110509835 A CN202110509835 A CN 202110509835A CN 113257002 B CN113257002 B CN 113257002B
- Authority
- CN
- China
- Prior art keywords
- sub
- road
- sum
- time period
- road section
- 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
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供了一种高峰开始时间预测方法、装置、设备及介质,由于本发明实施例中,可以根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区,针对每个分区,按照设定的时间顺序,在进行高峰开始时间检测的过程中,将该分区中的每个路段在当前子时间段内的目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,确定该分区进入车流高峰的开始时间,因此,可以确定每个分区对应的车流高峰的开始时间,提高了高峰开始时间的预测的准确性,为交通管理部门制定有效的拥堵预案制定和拥堵治理开展提供了有效的帮助。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种高峰开始时间预测方法、装置、设备及介质。
背景技术
伴随着科技的快速发展,越来越多的交通出行方式供人们选择,比如公交、地铁以及私家车等等。但是人们在出行的过程中,可能会出现在某一时间范围内大量的车辆涌入城市道路网络中,导致交通堵塞,甚至会导致交通瘫痪。准确的预测高峰开始时间,并在高峰开始时间之前或开始之初,交通管理部门采取有效的应对预案,可以推迟高峰开始时间或缓解高峰拥堵程度,因此,如何准确的预测高峰开始时间至关重要。
现有技术中,只能够针对整个城市的早晚高峰开始时间进行统一的判断,但是由于城市大规模路网覆盖范围广且分布结构复杂,导致并非全城区同一时间段进入高峰,可能是分区域陆续进入高峰,如果笼统开展全城区高峰预警,则会导致高峰开始时间的预测不准确,无法为交通管理部门制定有效的拥堵预案和无法为拥堵治理开展提供有效帮助。
发明内容
本发明提供了一种高峰开始时间预测方法、装置、设备及介质,用以解决现有技术中高峰开始时间的预测不准确,无法为交通管理部门制定有效的拥堵预案和拥堵治理开展提供有效帮助的问题。
本发明提供了一种高峰开始时间预测方法,所述方法包括:
基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰。
本发明提供了一种高峰开始时间预测装置,该装置包括:
确定模块,用于基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
划分模块,用于根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
所述确定模块,还用于针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰。
本发明提供了一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如上述任一所述高峰开始时间预测方法的步骤。
本发明提供了一种计算机可读存储介质,其存储有可由终端执行的计算机程序,当所述程序在所述终端上运行时,使得所述终端执行上述任一项所述高峰开始时间预测方法的步骤。
由于本发明实施例中,可以根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区,针对每个分区,按照设定的时间顺序,在进行高峰开始时间检测的过程中,将该分区中的每个路段在当前子时间段内的目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,确定该分区进入车流高峰的开始时间,因此,可以确定每个分区对应的车流高峰的开始时间,提高了高峰开始时间的预测的准确性,为交通管理部门制定有效的拥堵预案制定和拥堵治理开展提供了有效的帮助。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,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,对于本领域的普通技术人员来讲,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为本发明一些实施例提供的一种高峰开始时间预测方法的过程示意图;
图2为本发明一些实施例提供的一种高峰开始时间预测的体系结构图;
图3为本发明一些实施例提供的一种第一样本目标车流量数量以及该样本路况拥堵状态的和值的对应关系的示意图;
图4为本发明一些实施例提供的一种高峰开始时间预测装置结构示意图;
图5为本发明一些实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
为了提高高峰开始时间的预测的准确性,为交通管理部门制定有效的拥堵预案制定和为拥堵治理开展提供有效帮助,本发明实施例提供了一种高峰开始时间预测方法、装置、设备及介质。
实施例1:
图1为本发明一些实施例提供的一种高峰开始时间预测方法的过程示意图,该过程包括以下步骤:
S101:基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量。
本发明实施例提供的高峰开始时间预测方法应用于电子设备,该电子设备可以是PC或者服务器等设备。
在本发明实施例中,在每个路段都安装了一个电子点位,也就是一个路段安装了一个电子点位,一个车道包含多个路段。其中,电子点位也可以为车牌识别设备的点位或者卡口点位,也就是说电子点位的安装位置为车牌识别设备的安装位置或者卡口的位置,该路段为车道的一部分,也就是说,多个路段构成一个车道。为了对高峰开始时间进行预测,基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,其中,该设定的时间长度可以为1天,也可以为9个小时或者10个小时,具体的,该设定的时间长度根据需求进行设置。
在本发明实施例中,由于每个路段在该设定的时间长度内的车流量数量是实时变化的,且高峰开始时期一般在一定的时间范围内,因此,为了准确的确定高峰开始时间,可以将该设定的时间长度划分为多个子时间段,其中,该子时间段可以为5分钟,也可以为10分钟,具体的,该子时间段的时长根据需求进行设定。在将该设定的时间长度划分为多个子时间段后,根据该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量。
例如该设定时间长度为1天,可以将设定时间长度划分为288个子时间段,也就是说将每个子时间段的时长设置为5分钟,因此可以获得288个子时间段内的车流量数量,也就是获得0:00-0:05、0:05-0:10、0:10-0:15……23:45-23:50、23:50-23:55、23:55-0:00中每个子时间段内的车流量数量。
S102:根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区。
在本发明实施例中,为了对每个分区的高峰开始时间进行预测,预先划分了分区,也就是说,将路段划分到不同的分区中,其中,该分区的数量可以根据需求进行设置,可以为4个或5个等等。
在本发明实施例中,为了将路段划分到不同的分区,可以预先对每个路段构建一个能够表征该路段的特征的向量,根据每个路段对应的向量,以及预先设置的分区的中心路段的向量,确定该路段与预先设置的区域的中心路段之间的距离,进而根据该路段与预先设置的区域的中心路段之间的距离,将路段划分到不同的分区,其中,该预先设置的分区的中心路段根据需求进行设置。
由于各个路段之间存在一定的地理位置联系,且从各个路段通过车辆之间存在很复杂的内在联系而可能导致车辆高峰。因此,每个路段对应的向量中的一个分量可以表征该路段的位置特征,另外一个分量可以表征该路段的车流量特征,其中,该路段的位置可以为安装在该路段的电子点位的位置,也可以为该路段的中心位置。此外,该预设的分区的中心路段的向量既包含路段的位置特征,也包含该路段的车流量特征。
S103:针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,确定在预设时间长度后,该分区是否进入车流高峰。
由于高峰开始时间一般发生在一个时间段内,比如,早高峰一般出现在早上7点-早上10点之间,因此,可以预先设置进行高峰开始时间检测的子时间段,为了方便描述,可以将位于该高峰开始时间检测的时间段内的每个子时间段作为目标子时间段。由于在进行高峰开始时间的预测的过程中,按照子时间段的时间顺序,依次对该高峰开始时间检测的时间段内的每个目标子时间段的高峰开始时间进行预测,因此该进行预测的目标子时间段即可称为当前子时间段。为了对高峰开始时间进行预测,在本发明实施例中,预先训练有高峰开始时间预测模型,该高峰开始时间预测模型用于实时测量预设的时间长度后,是否到达车流高峰。因此,在获得该分区中的每个路段在当前子时间段内的目标车流量数量,将该目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,确定该分区中包含的每个路段在当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。由于该分区中可能包含多个路段,且每个路段在该当前子时间段的预设的时间长度后都会对应一个预测路况拥堵状态值,因此,该预测路况拥堵状态的和值为每个路段对应的预测状况拥堵状态值的和值。其中,该预设的时间长度根据需求进行设置,该预设的时间长度可以为20分钟,30分钟等等。在获得预测路况的拥堵状态的和值后,根据该和值以及该分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰,其中,该和值越大,在预设时间长度后路况越拥堵。
具体的,可以预先设定一个进行比较的阈值,确定该预测路况拥堵状态的和值是否大于该阈值,从而确定在预设时间长度后,该分区是否进入车流高峰。若该预测路况拥堵状态的和值大于该阈值,则说明在预设时间长度后,该分区进入车流高峰,否则,则说明在预设时间长度后,该分区不会进入车流高峰。
在本发明实施例中,也可以根据该和值以及该分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰。
由于本发明实施例中,可以根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区,针对每个分区,按照设定的时间顺序,在进行高峰开始时间检测的过程中,将该分区中的每个路段在当前子时间段内的目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,确定该分区进入车流高峰的开始时间,因此,可以确定每个分区对应的车流高峰的开始时间,提高了高峰开始时间的预测的准确性,为交通管理部门制定有效的拥堵预案制定和拥堵治理开展提供有效帮助。
实施例2:
为了将路段划分到不同的分区中,在上述实施例的基础上,在本发明实施例中,所述根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区包括:
根据每个路段在预设的每个子时间段内的车流量数量,确定该路段与预先设定的分区的中心路段之间的第一欧式距离;
根据每个路段的位置,确定该路段与预先设定的分区的中心路段之间的第二欧式距离;
根据每个路段的所述第一欧式距离的以及每个路段的所述第二欧式距离,将每个路段划分到不同的分区。
在本发明实施例中,为了将路段划分到不同的分区中,可以确定每个路段与预先设定的分区的中心路段的关联度,其中,关联度越高,说明该路段与该预先设定的分区的中心路段越接近,因此可以根据该关联度,将路段划分到不同的分区中。
在本发明实施例中,根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,确定每个路段与预先设定的分区的中心路段的关联度。具体的,可以根据每个路段在预设的每个子时间段内的车流量数量,确定每个路段与预先设定的分区的中心路段之间的第一欧式距离,假如包含n个路段,分别为R1、R2…Ri…Rn,路段Ri的每个子时间段内的车流量数量可以为其中,为第k个子时间段对应的车流量数量,m为包含的子时间段的总数量。
在本发明实施例中,可以根据确定该路段与预先设定的分区的中心路段之间的第一欧式距离,其中,该为路段Ri与预先设定的分区的中心路段Rj之间的第一欧式距离,其中,为路段Ri的第l个子时间段的车流量数量,为预先设定的分区的中心路段Rj的第l个时间段的车流量数量。
为了提高高峰开始时间预测的准确性,在本发明实施例中,可以预先获得较长时间长度内的车流量数据,在本发明实施例中,可以将该设定时间长度设置为D天,该D可以为14天,也可以为21天等等。假如该设定时间长度设置为1周,且该1周中的每1天都包含对应的子时间段,比如,若将每个子时间段的时长设置为5分钟,则该1周中的每1天都会包含获得子时间段0:00-0:05、子时间段0:05-0:10、子时间段0:10-0:15……子时间段23:50-23:55以及子时间段23:55-0:00,此时,每天包含的子时间段为288个。
因此,在本发明实施例中,若该设定的时间长度较长,则根据确定该第一欧式距离;其中,该为路段Ri与预先设定的分区的中心路段Rj之间的第一欧式距离,D为预设的时间长度对应的天数,为路段Ri的第l个子时间段的车流量数据,为预先设定的分区的中心路段Rj的第l个时间段的车流量数量,其中每天都包含有n个子时间段。
在本发明实施例中,每个路段的位置是固定且已知的,该路段的位置可以由安装在该路段的电子点位的经纬度信息来表示,也可以由该路段的中心处的经纬度信息看来表示。假如路段的位置由安装在路段的电子点位的经纬度信息来表示,且由于每个电子点位的经纬度信息是已知的,因此,可以根据每个路段的位置,确定该路段与预先设定的分区的中心路段之间的第二欧式距离。
具体的,假如第i个路段的电子点位Ii的经纬度信息为也就是说路段Ri的经纬度信息为根据每个路段的位置,确定该路段与预先设定的分区的中心路段之间的第二欧式距离时,根据确定每个路段与预先设定的分区的中心路段之间的第二欧式距离,其中,为路段Ri与预先设定的分区的中心路段Rj之间的第二欧式距离,LngRi为路段Ri的纬度值,LngRj为预先设定的分区的中心路段Rj的纬度值,LatRi为路段Ri的经度值,LatRj为预先设定的分区的中心路段Rj的经度值。
在确定每个路段的第一欧式距离以及每个路段的第二欧式距离后,在本发明实施例中,根据该每个路段的第一欧式距离以及每个路段的第二欧式距离,对各个路段进行聚类,也就是说,将各个路段划分到分区中。
为了将电子点位划分到不同的分区中,在上述实施例的基础上,在本发明实施例中,所述根据每个路段的所述第一欧式距离的以及每个路段的所述第二欧式距离,将每个路段划分到不同的分区包括:
确定每个路段的所述第一欧式距离的第一和值以及每个路段的所述第二欧式距离的第二和值,并确定所述第一和值与所述第二和值的第三和值;
根据所述第一和值与所述第三和值,确定第一权重,并根据所述第二和值与所述第三和值,确定第二权重;
针对每个路段,根据该路段的第一欧式距离与所述第一权重,以及该路段的第二欧式距离与所述第二权重,确定该路段的权重和,根据所述权重和,将该路段划分到对应的分区。
在本发明实施例中,为了将路段划分到对应的分区,在确定每个路段与预先设定的分区的中心路段的第一欧式距离以及每个路段与预先设定的分区的中心路段的第二欧式距离后,可以确定该每个路段的第一欧式距离的第一和值,以及每个路段的第二欧式距离的第二和值,并确定该第一和值与第二和值的第三和值。在确定第一和值与第三和值之后,根据该第一和值与第三和值确定第一权重。
具体的,根据确定第一权重;其中,α1为第一权重,为路段Ri和预先设定的分区的中心路段Rj之间的第一欧式距离,为每个路段的第一欧式距离的第一和值,为路段Ri和预先设定的分区的中心路段Rj之间的第二欧式距离,为每个路段的第二欧式距离的第二和值,为第三和值。
在确定第二和值与第三和值之后,根据该第二和值与第三和值确定第二权重。
具体的,根据确定第二权重;其中,α2为第二权重,为路段Ri和与预先设定的分区的中心路段Rj之间的第一欧式距离,为每个路段的第一欧式距离的第一和值,为路段Ri和与预先设定的分区的中心路段Rj之间的第二欧式距离,为每个路段的第二欧式距离的第二和值,为第三和值。
比如,一个分区中存在10个路段,分别为R1、R2、R3、R4、R5、R6、R7、R8、R9、R10,预先设定的分区S1的中心路段为R11,且确定路段R1、R2、R3、R4、R5、R6、R7、R8、R9、R10与R11的第一欧式距离分别为1、2、3、4、5、6、7、8、9、10。路段R1、R2、R3、R4、R5、R6、R7、R8、R9、R10与R11的第二欧式距离分别为2、3、4、5、6、7、8、9、10、11。
则每个路段与S1的中心路段R11的第一欧式距离的第一和值为:1+2+3+4+5+6+7+8+9+10=55。每个路段与S1的中心路段R11的第二欧式距离的第二和值为:2+3+4+5+6+7+8+9+10+11=65。该第三和值为55+65=120,第一权重为:第二权重为:
为了将各个路段划分到分区中,在确定第一权重以及第二权重之后,根据该路段的第一欧式距离与第一权重,以及该路段的第二欧式距离与第二权重,确定该路段的权重和,具体的,根据确定该路段的权重和,并根据该权重和,将该路段划分到对应的分区中,其中,该权重和代表的为该路段与预先设定的分区的中心路段之间的距离。
在本发明实施例中,在获得该权重和后,也就是获得该路段与预先设定的分区的中心路段之间的距离之后,根据该权重和以及Kmeans算法,对各个路段进行聚类,也就是说,将路段划分到不同的分区。
实施例3:
为了获得该分区中的每个路段在当前子时间段内的目标车流量数量,在上述各实施例的基础上,在本发明实施例中,所述获得该分区中的每个路段在当前子时间段内的目标车流量数量包括:
针对每个分区,根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段;获得第一边缘路段以及第一内部路段的在预设的每个子时间段内的路况拥堵状态标识值;
根据该分区的第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段,并根据该分区的第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段;
获得该分区中的第二边缘路段在当前子时间段内的第一目标车流量数量,以及该分区中的第二内部路段在当前子时间段内的第二目标车流量数量。
在本发明实施例中,针对一个分区,该分区中包含至少一个路段,根据路段位于分区中的不同位置,可以将路段划分为位于分区边缘的路段以及位于分区内部的路段。
另外,因为分区内部的交通指标和分区边缘的交通指标存在一定的内在联系,因此为了提高高峰时间预测的准确性,可以考虑先将该设定的第一数量的路段划分为分区边缘路段以及分区内部路段,也就是说,确定每个分区的第一边缘路段以及第一内部路段。
具体的,根据分区的每个路段与分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段。其中,根据该分区包含的所有的路段的位置确定该分区的质心的位置,也就是说,根据该区域包含的所有路段的经纬度信息确定该分区中所有路段的质心,其中,该质心的位置信息由该质心的经纬度信息构成,假如该分区中包含R1、R2、R3共3个路段,则根据确定该分区的质心的纬度值,根据确定该分区的质心的经度值,其中,该[Lngo,Lato]为该分区的质心的经纬度信息。在确定该分区的质心的经纬度信息后,确定该分区中各个路段与该分区的质心的第三欧式距离,具体的,该分区的路段与该分区的质心的第三欧式距离为:其中,该LngIq为该分区中的路段Iq的纬度值,该LatIq该分区中的路段Iq的经度值,该Lngo为该分区的质心的纬度值,该Lato为该分区的质心的经度值。
针对每个分区,在确定该分区中各个电子点位与该分区的质心的第三欧式距离后,确定该分区的第一边缘电子点位以及该分区的第一内部电子点位。
在本发明实施例中,可以预先设定了距离阈值,将第三欧式距离小于该距离阈值的路段确定为第一内部路段,将除该第一内部路段外的其他路段确定为第一边缘路段,其中,该距离阈值根据需求进行设置。
为了确定分区中的第一内部路段以及该分区中的第一边缘路段,在上述各实施例的基础上,在本发明实施例中,所述根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段包括:
按照第三欧式距离从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第二数量的路段确定为该分区的第一边缘路段,将该分区中除所述第一边缘路段外的其他路段确定为该分区的第一内部路段。
在本发明实施例中,针对每个分区,确定该分区的每个路段与该分区的质心的第三欧式距离之后,由于该第三欧式距离越大,该第三欧式距离对应的路段与该分区的质心的距离越远,该路段越处于该分区的边缘位置,该第三欧式距离越小,该第三欧式距离对应的路段与该分区的质心的距离越近,该路段越处于该分区的内部位置。因此为了确定该分区的第一边缘路段以及该分区的第一内部路段,可以按照第三欧式距离从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第二数量的路段确定为该分区的第一边缘路段,将该分区中除该第一边缘路段外的其他路段确定为该分区的第一内部路段。
在本发明实施例中,还可以获得各个路段在预设的每个子时间段内的路况拥堵状态,并根据拥堵状态确定路况拥堵状态标识值,其中,该路况拥堵状态标识值用来表示该路况是否拥堵,在本发明实施例中,若该路段的路况拥堵状态为拥堵,则该路段对应的路况拥堵状态标识值为1,若该路段的路况拥堵状态为不拥堵,则该路段对应的路况拥堵状态标识值为0。其中,该路况拥堵状态可以在百度地图、高德地图等应用程序中获取。
针对每个分区,在确定该分区的第一边缘路段以及该分区的第一内部路段之后,为了提高高峰预测开始时间的准确性,可以在该第一边缘路段中筛选出比较关键的第二边缘路段,在该第一内部路段中筛选出比较关键的第二内部路段。
为了确定分区中的第二边缘路段,在上述各实施例的基础上,在本发明实施例中,所述根据该分区的所述第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段包括:
根据该分区中该第一边缘路段的每个子时间段对应的车流量数量的第四和值,确定该分区中的所有第一边缘路段对应的第四和值的第八和值,并确定所述第四和值与所述第八和值的第一商值;
根据该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区中所有第一边缘路段的所述第五和值的第九和值,并确定所述第五和值与所述第九和值的第二商值;
确定所述第一商值与所述第二商值的第一乘积,按照第一乘积从大到小的顺序,对该分区的第一边缘路段进行排序,将排序在前的设定的第三数量的第一边缘路段确定为第二边缘路段,其中所述第三数量小于第二数量。
在本发明实施例中,为了确定分区中的第二边缘路段,针对该分区中的每个第一边缘路段,确定该分区中该第一边缘路段的每个子时间段对应的车流量数量的第四和值,从而确定该分区中的所有第一边缘路段对应的第四和值的第八和值,并确定该第四和值与该第八和值的第一商值。针对该分区中的每个第一边缘路段,确定该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,从而确定该分区中所有第一边缘路段的第五和值的第九和值,并确定第五和值与第九和值的第二商值。
比如,一个分区中存在六个第一边缘路段,分别为R1、R2、R3、R4、R5以及R6,在预设时间长度内存在3个子时间段,分别为子时间段A、子时间段B以及子时间段C,路段R1在子时间段A、子时间段B以及子时间段C的车流量数量分别为30、80、100,路段R2在子时间段A、子时间段B以及子时间段C的车流量数量分别为40、60、70,路段R3在子时间段A、子时间段B以及子时间段C的车流量数量分别为25、75、120,路段R4在子时间段A、子时间段B以及子时间段C的车流量数量分别为45、45、90,路段R5在子时间段A、子时间段B以及子时间段C的车流量数量分别为40、80、100,路段R6在子时间段A、子时间段B以及子时间段C的车流量数量分别为30、80、100。
则该R1、R2、R3、R4、R5以及R6的每个子时间段对应的车流量数量的第四和值分别为210、170、220、180、220、210,第八和值为:210+170+220+180+220+210=1210,第一商值分别为:
路段R1在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R2在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、0、1,路段R3在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R4在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R5在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、0、1,路段R6在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,则该R1、R2、R3、R4、R5以及R6的每个子时间段对应,路况拥堵状态标识值的第五和值为2、1、2、2、1以及2,第九和值为:2+1+2+2+1+2=10,第二商值分别为:
在本发明实施例中,在确定该第一边缘路段对应的第一商值与该第一边缘路段对应的第二商值之后,确定该第一边缘路段对应的第一商值与该第一边缘路段对应的第二商值的第一乘积,也就是说,假如存在第一边缘路段R1和第一边缘路段R2,则确定R1对应的第一商值与R1对应的第二商值的第一乘积,确定R2对应的第一商值与R2对应的第二商值的第一乘积。其中,该第一乘积越大,则该路段越处于该分区的边缘位置,该路段在该第一边缘路段中越关键。因此,为了在该第一边缘路段中筛选出比较关键的第二边缘路段,进而提高高峰开始时间预测的准确性,确定了每个第一边缘对应的第一乘积后,可以按照第一乘积从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第三数量的路段确定为该分区的第二边缘路段,其中,由于是从第二数量中的第一边缘路段中筛选出比较关键的第三数量的第二边缘路段,因此该第三数量小于第二数量。
由上述描述可知,R1、R2、R3、R4、R5以及R6对应的第一乘积分别为:也就是说,该R1、R2、R3、R4、R5以及R6对应的第一乘积分别为:在确定该R1、R2、R3、R4、R5以及R6对应的第一乘积分别为:后,按照第一乘积从大到小的顺序排列后为R3、R1、R6、R4、R5、R2,其中,R1与R6并列排列,若该设定的第三数量为3个,则该第二边缘路段为R3、R1以及R6。
为了确定分区中的第二内部路段,在上述各实施例的基础上,在本发明实施例中,所述根据该分区的该第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段包括:
根据该分区中该第一内部路段的每个子时间段对应的车流量数量的第六和值,确定该分区中所有第一内部路段对应的第六和值的第十和值,并确定所述第六和值与所述第十和值的第三商值;
根据该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区中所有第一内部路段的所述第七和值的第十一和值,并确定所述第七和值与所述第十一和值的第四商值;
确定所述第三商值与所述第四商值的第二乘积,按照第二乘积从大到小的顺序,对该分区的第一内部路段进行排序,将排序在前的设定的第四数量的第一内部路段确定为第二内部路段。
在本发明实施例中,为了确定分区中的第二内部路段,针对该分区中的每个第一内部路段,确定该分区中该第一内部路段的每个子时间段对应的车流量数量的第六和值,从而确定该分区中的所有第一内部路段对应的第六和值的第十和值,并确定该第六和值与该第十和值的第三商值。针对该分区中的每个第一内部路段,确定该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,从而确定该分区中所有第一内部路段的第七和值的第十一和值,并确定该第七和值与该第十一和值的第四商值。
比如,一个分区中存在六个第一内部路段,分别为R7、R8、R9、R10、R11以及R12,在预设时间长度内存在3个子时间段,分别为子时间段A、子时间段B以及子时间段C,路段R7在子时间段A、子时间段B以及子时间段C的车流量数量分别为40、60、70,路段R8在子时间段A、子时间段B以及子时间段C的车流量数量分别为30、80、100,路段R9在子时间段A、子时间段B以及子时间段C的车流量数量分别为45、45、90,路段R10在子时间段A、子时间段B以及子时间段C的车流量数量分别为25、75、120,路段R11在子时间段A、子时间段B以及子时间段C的车流量数量分别为30、80、100,路段R12在子时间段A、子时间段B以及子时间段C的车流量数量分别为40、80、100。
则该R7、R8、R9、R10、R11以及R12的每个子时间段对应的车流量数量的第六和值分别为170、210、180、220、210、220,第十和值为:170+210+180+220+210+220=1210,第三商值分别为:
路段R7在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、0、1,路段R8在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R9在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R10在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R11在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、1、1,路段R12在子时间段A、子时间段B以及子时间段C的路况拥堵状态标识值分别为0、0、1,则该R7、R8、R9、R10、R11以及R12的每个子时间段对应,路况拥堵状态标识值的第七和值为1、2、2、2、2以及1,第十一和值为:1+2+2+2+2+1=10,第四商值分别为:
在本发明实施例中,在确定该第一内部路段对应的第三商值与该第一内部路段对应的第四商值之后,确定该第一内部路段对应的第三商值与该第一内部路段对应的第四商值的第二乘积,也就是说,假如存在第一内部路段R2和第一内部路段R3,则确定R2对应的第三商值与R2对应的第四商值的第二乘积,确定R3对应的第三商值与R3对应的第四商值的第二乘积。其中,该第二乘积越大,则该路段越处于该分区的内部位置,该路段在该第一内部路段中越关键,因此,为了在该第一内部路段中筛选出比较关键的第二内部路段,进而提高高峰开始时间预测的准确性,可以按照第二乘积从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第四数量的路段确定为该分区的第二内部路段。
在本发明实施中,可以选取该第一内部路段的前百分之二十五的路段作为设定的第四数量的路段,具体的,该设定的第四数量根据需求进行设置。
由上述描述可知,R7、R8、R9、R10、R11以及R12对应的第二乘积分别为:也就是说,该R1、R2、R3、R4、R5以及R6对应的第二乘积分别为:在确定该R7、R8、R9、R10、R11以及R12对应的第二乘积分别为:后,按照第二乘积从大到小的顺序排列后为R10、R8、R11、R9、R12、R7,其中,R8与R11并列排列,若该设定的第四数量为3个,则该第二内部路段为R10、R8以及R11。
实施例4:
为了获得当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,进而预测高峰开始时间,在上述各实施例的基础上,在本发明实施例中,所述将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值包括:
将所述第二边缘路段在当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中第二内部路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。
由于高峰开始时间一般发生在一个时间段内,比如早高峰在7点到10点的时间段内,晚高峰在6点到8点的时间段内,因此,可以预先设置进行高峰开始时间检测的时间段,并在进行预测高峰开始时间时,对该高峰开始时间检测的时间段内的每个子时间段的高峰开始进行检测,为了方便描述,可以将该位于该高峰开始时间检测的时间段内的每个子时间段作为目标子时间段。
在进行高峰开始时间的预测的过程中,按照子时间段的时间顺序,依次对该高峰开始时间检测的时间段内的每个目标子时间段的高峰开始时间进行预测,则进行预测的目标子时间段即可称为当前子时间段。为了实现对于高峰开始时间的检测,在本发明实施例中,存在预先训练完成的高峰开始时间预测模型,该高峰开始时间预测模型用于确定在该当前子时间段的预设时间长度后,该分区是否进入车流高峰。
在获得第二边缘路段在当前子时间段内的车流量数量后,将该当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型,获得该分区中第二内部路段在该当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。
在获得和值后,可以预先设定一个进行比较的阈值,确定该预测路况拥堵状态的和值是否大于该阈值,从而确定在该当前子时间段的预设时间长度后,该分区是否进入车流高峰,其中,该进行比较的阈值可以为设定的固定的数值,也可以不为设定的固定的数值。
为了根据获得的和值,确定在预设时间长度后,该分区是否进入车流高峰,在上述实施例的基础上,在本发明实施例中,所述根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰包括:
根据所述分区中包含的第二内部路段的数量与预先设置的数值,确定进行比较的阈值;
若所述和值大于所述阈值,则确定在预设时间长度后,该分区进入车流高峰;
否则,则确定在预设时间长度后,该分区未进入车流高峰。
在本发明实施例中,若该进行比较的阈值不为预先设置的一个固定的数值,则可以根据分区中包含的第二内部路段的数量与预先设置的数值,确定该进行比较的阈值,具体的,可以根据该第二内部路段的数量与预设的数值的乘积,确定该进行比较的阈值,其中,该预设的数值可以为0.8,0.7等等小于1的数值。
为了确定在预设时间长度后,该分区是否进入车流高峰,将该和值与该进行比较的阈值进行比较,若该和值大于该阈值,则说明在预设时间长度后,该分区进入车流高峰,若该和值小于该阈值,则说明在预设时间长度后,该分区没有进入车流高峰。
若当前子时间段的预设时间长度后,该分区进入车流高峰的开始时间,按照设定的时间顺序,确定下一个子时间段为当前子时间段,判断该下一个子时间段是否满足到达车流高峰的开始时间的条件,也就是说,将获得的该分区的第二边缘路段在下一个子时间段的车流量数据输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的第二内部路段在下一子时间段的预设的时间长度后的预测路况拥堵状态的和值,确定该和值是否大于进行比较的阈值,
直至确定出该分区进入车流高峰的开始时间。该确定车流高峰开始时间的过程与上述过程相同,在此不做赘述。
图2为本发明一些实施例提供的一种高峰开始时间预测的体系结构图,现针对图2进行说明:
先获得车牌识别数据以及路况数据,将该车牌识别数据以及路况数据作为方法数据基础,也就是说,车牌识别设备获得的在设定时间长度内的车流量数据以及路段的在预设的每个子时间段内的路况拥堵状态标识值。根据该路况数据以及Kmeans算法,作为区域划分方法,将路段划分到分区中,根据获得的车流量数据的重要程度,基于区域边缘关键路段识别方法以及区域内部关键路段识别方法,分别确定分区中的边缘关键路段以及分区中的内部关键路段,也就是说,基于设定的时间长度的每个子时间段的车流量数量,确定第二边缘路段以及第二内部路段,基于第二边缘路段以及第二内部路段进行关联分析,进行高峰开始时间的预测。
实施例5:
为了得到训练完成的高峰开始时间预测模型,进而确定高峰开始时间,在上述各实施例的基础上,在本发明实施例中,训练所述高峰开始时间预测模型的过程包括:
获取样本集中的任一样本数据对,其中,所述样本数据对包括:该分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值;
将所述样本数据对输入到高峰开始时间预测模型中,输出样本预测路况拥堵状态的和值;
基于所述样本路况拥堵状态的和值和所述样本预测路况拥堵状态的和值,对所述高峰开始时间预测模型进行优化。
在本发明实施例中,在将第二边缘路段在当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型之前,预先对该高峰开始时间预测模型进行训练,为了便于区分,将训练过程的分区中第二边缘路段在对应的每个子时间段内的第一目标车流量数量称为第一样本目标车流量数量,将该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的路况拥堵状态的和值称为样本路况拥堵状态的和值,将第一样本目标车流量数量和样本路况拥堵状态的和值输入到高峰开始时间预测模型后,获得的预测路况拥堵状态的和值称为样本预测路况拥堵状态的和值。
在针对高峰开始时间预测模型进行训练时,预先确定进行训练的样本集,在本发明实施例中,该样本集中包含很多样本数据对,该样本数据对包括:该分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量,以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值。
在本发明实施例中,可以根据预设的时间长度内的获得的分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值,确定该第一样本目标车流量数量以及该样本路况拥堵状态的和值的对应关系,其中,将该第一样本目标车流量数量以及样本路况拥堵状态的和值输入到高峰开始时间预测模型进行训练的过程,也就是让该高峰开始时间预测模型学习该第一样本目标车流量数量以及该样本路况拥堵状态的和值的对应关系的过程。
图3为本发明一些实施例提供的一种第一样本目标车流量数量以及该样本路况拥堵状态的和值的对应关系的示意图,现针对图3进行说明:
获得每个子时间段的区域边缘通道流量,也就是获得每个子时间段的第二边缘路段的车流量数据,比如i时间段的区域边缘通道流量,以及i+l时间段的区域内部拥堵指数,也就是说,获得i+l时间段的第二边缘路段的路况拥堵状态的和值,根据这i个时间段的区域边缘通道流量以及i+l个时间段的第二边缘路段的路况拥堵状态的和值,确定第一样本目标车流量数量以及该样本路况拥堵状态的和值的对应关系。比如,一个分区中包含共m个第二边缘路段,且在i时间段内,的车流量数据分别为32、14、11、8……6,且在i+l时间段的第二边缘路段的路况拥堵状态的和值为8。
在本发明实施例中,该高峰开始时间预测模型的输入层的神经元个数可以设置为该第二边缘路段的数量,也就是设定的第三数量,对应设定的第三数量个区域边缘关键通道流量值,该高峰开始时间预测模型的隐藏层可以设置为单层,该隐藏层的神经元个数二分之一设定的第三数量,该高峰开始时间预测模型的输出层的神经元个数为预设时间长度与子时间段时长的商值,假如,该高峰开始时间预测模型用于确定30分钟之后是否到达车流高峰,也就是说,预设时间长度为30分钟,且子时间段时长为10分钟,则该输出层的神经元个数为3个。对应区域内拥堵指数,该高峰开始时间预测模型的初始权重可以随机设置,该高峰开始时间预测模型的收敛函数可以为误差平方和(sse),该高峰开始时间预测模型的激活函数可以为Sigmoid,该高峰开始时间预测模型的学习速率可以设置为0.05。
在本发明实施例中,将样本数据对输入到高峰开始时间预测模型中,输出样本预测路况拥堵状态的和值,并根据样本路况拥堵状态的和值和样本预测路况拥堵状态的和值进行优化,直至训练完成。具体的,根据样本路况拥堵状态的和值与样本预测路况拥堵状态的和值的差值,从而对该高峰开始时间预测模型中的参数进行调整,经过大量训练后,满足预设的收敛条件,则说明该高峰开始时间预测模型训练完成。
实施例6:
图4为本发明一些实施例提供的一种高峰开始时间预测装置结构示意图,该装置包括:
确定模块401,用于基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
划分模块402,用于根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
所述确定模块401,还用于针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰。
在一种可能的实施方式中,所述划分模块402,具体用于根据每个路段在预设的每个子时间段内的车流量数量,确定该路段与预先设定的分区的中心路段之间的第一欧式距离;根据每个路段的位置,确定该路段与预先设定的分区的中心路段之间的第二欧式距离;根据每个路段的所述第一欧式距离的以及每个路段的所述第二欧式距离,将每个路段划分到不同的分区。
在一种可能的实施方式中,所述划分模块402,具体用于确定每个路段的所述第一欧式距离的第一和值以及每个路段的所述第二欧式距离的第二和值,并确定所述第一和值与所述第二和值的第三和值;根据所述第一和值与所述第三和值,确定第一权重,并根据所述第二和值与所述第三和值,确定第二权重;针对每个路段,根据该路段的第一欧式距离与所述第一权重,以及该路段的第二欧式距离与所述第二权重,确定该路段的权重和,根据所述权重和,将该路段划分到对应的分区。
在一种可能的实施方式中,所述确定模块401,具体用于针对每个分区,根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段;获得第一边缘路段以及第一内部路段在预设的每个子时间段内的路况拥堵状态标识值;根据该分区的第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段,并根据该分区的第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段;获得该分区中的第二边缘路段在当前子时间段内的第一目标车流量数量,以及该分区中的第二内部路段在当前子时间段内的第二目标车流量数量。
在一种可能的实施方式中,所述确定模块401,具体用于按照第三欧式距离从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第二数量的路段确定为该分区的第一边缘路段,将该分区中除所述第一边缘路段外的其他路段确定为该分区的第一内部路段。
在一种可能的实施方式中,所述确定模块401,具体用于根据该分区中该第一边缘路段的每个子时间段对应的车流量数量的第四和值,确定该分区中的所有第一边缘路段对应的第四和值的第八和值,并确定所述第四和值与所述第八和值的第一商值;根据该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区中所有第一边缘路段的所述第五和值的第九和值,并确定所述第五和值与所述第九和值的第二商值;确定所述第一商值与所述第二商值的第一乘积,按照第一乘积从大到小的顺序,对该分区的第一边缘路段进行排序,将排序在前的设定的第三数量的第一边缘路段确定为第二边缘路段,其中所述第三数量小于第二数量。
在一种可能的实施方式中,所述确定模块401,具体用于根据该分区中该第一内部路段的每个子时间段对应的车流量数量的第六和值,确定该分区中所有第一内部路段对应的第六和值的第十和值,并确定所述第六和值与所述第十和值的第三商值;根据该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区中所有第一内部路段的所述第七和值的第十一和值,并确定所述第七和值与所述第十一和值的第四商值;确定所述第三商值与所述第四商值的第二乘积,按照第二乘积从大到小的顺序,对该分区的第一内部路段进行排序,将排序在前的设定的第四数量的第一内部路段确定为第二内部路段。
在一种可能的实施方式中,所述确定模块401,具体用于将所述第二边缘路段在当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中第二内部路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。
在一种可能的实施方式中,所述确定模块401,具体用于根据所述分区中包含的第二内部路段的数量与预先设置的数值,确定进行比较的阈值;若所述和值大于所述阈值,则确定在预设时间长度后,该分区进入车流高峰;否则,则确定在预设时间长度后,该分区未进入车流高峰。
在一种可能的实施方式中,所述装置还包括:
训练模块403,用于获取样本集中的任一样本数据对,其中,所述样本数据对包括:该分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值;将所述样本数据对输入到高峰开始时间预测模型中,输出样本预测路况拥堵状态的和值;基于所述样本路况拥堵状态的和值和所述样本预测路况拥堵状态的和值,对所述高峰开始时间预测模型进行优化。
实施例7:
在上述各实施例的基础上,本发明一些实施例还提供了一种电子设备,如图5所示,包括:处理器501、通信接口502、存储器503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。
所述存储器503中存储有计算机程序,当所述程序被所述处理器501执行时,使得所述处理器501执行如下步骤:
基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰。
进一步地,所述处理器501,还用于根据每个路段在预设的每个子时间段内的车流量数量,确定该路段与预先设定的分区的中心路段之间的第一欧式距离;根据每个路段的位置,确定该路段与预先设定的分区的中心路段之间的第二欧式距离;根据每个路段的所述第一欧式距离的以及每个路段的所述第二欧式距离,将每个路段划分到不同的分区。
进一步地,所述处理器501,还用于确定每个路段的所述第一欧式距离的第一和值以及每个路段的所述第二欧式距离的第二和值,并确定所述第一和值与所述第二和值的第三和值;根据所述第一和值与所述第三和值,确定第一权重,并根据所述第二和值与所述第三和值,确定第二权重;针对每个路段,根据该路段的第一欧式距离与所述第一权重,以及该路段的第二欧式距离与所述第二权重,确定该路段的权重和,根据所述权重和,将该路段划分到对应的分区。
进一步地,所述处理器501,还用于针对每个分区,根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段;获得第一边缘路段以及第一内部路段在预设的每个子时间段内的路况拥堵状态标识值;根据该分区的第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段,并根据该分区的第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段;获得该分区中的第二边缘路段在当前子时间段内的第一目标车流量数量,以及该分区中的第二内部路段在当前子时间段内的第二目标车流量数量。
进一步地,所述处理器501,还用于按照第三欧式距离从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第二数量的路段确定为该分区的第一边缘路段,将该分区中除所述第一边缘路段外的其他路段确定为该分区的第一内部路段。
进一步地,所述处理器501,还用于根据该分区中该第一边缘路段的每个子时间段对应的车流量数量的第四和值,确定该分区中的所有第一边缘路段对应的第四和值的第八和值,并确定所述第四和值与所述第八和值的第一商值;
根据该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区中所有第一边缘路段的所述第五和值的第九和值,并确定所述第五和值与所述第九和值的第二商值;确定所述第一商值与所述第二商值的第一乘积,按照第一乘积从大到小的顺序,对该分区的第一边缘路段进行排序,将排序在前的设定的第三数量的第一边缘路段确定为第二边缘路段,其中所述第三数量小于第二数量。
进一步地,所述处理器501,还用于根据该分区中该第一内部路段的每个子时间段对应的车流量数量的第六和值,确定该分区中所有第一内部路段对应的第六和值的第十和值,并确定所述第六和值与所述第十和值的第三商值;根据该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区中所有第一内部路段的所述第七和值的第十一和值,并确定所述第七和值与所述第十一和值的第四商值;确定所述第三商值与所述第四商值的第二乘积,按照第二乘积从大到小的顺序,对该分区的第一内部路段进行排序,将排序在前的设定的第四数量的第一内部路段确定为第二内部路段。
进一步地,所述处理器501,还用于将所述第二边缘路段在当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中第二内部路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。
进一步地,所述处理器501,还用于根据所述分区中包含的第二内部路段的数量与预先设置的数值,确定进行比较的阈值;若所述和值大于所述阈值,则确定在预设时间长度后,该分区进入车流高峰;否则,则确定在预设时间长度后,该分区未进入车流高峰。
进一步地,所述处理器501,还用于获取样本集中的任一样本数据对,其中,所述样本数据对包括:该分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值;将所述样本数据对输入到高峰开始时间预测模型中,输出样本预测路况拥堵状态的和值;基于所述样本路况拥堵状态的和值和所述样本预测路况拥堵状态的和值,对所述高峰开始时间预测模型进行优化。
上述服务器提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口502用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括中央处理器、网络处理器(NetworkProcessor,NP)等;还可以是数字指令处理器(Digital Signal Processing,DSP)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
实施例8:
在上述各实施例的基础上,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质内存储有可由电子设备执行的计算机程序,当所述程序在所述电子设备上运行时,使得所述电子设备执行时实现如下步骤:
基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰。
进一步地,所述根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区包括:
根据每个路段在预设的每个子时间段内的车流量数量,确定该路段与预先设定的分区的中心路段之间的第一欧式距离;
根据每个路段的位置,确定该路段与预先设定的分区的中心路段之间的第二欧式距离;
根据每个路段的所述第一欧式距离的以及每个路段的所述第二欧式距离,将每个路段划分到不同的分区。
进一步地,所述根据每个路段的所述第一欧式距离的以及每个路段的所述第二欧式距离,将每个路段划分到不同的分区包括:
确定每个路段的所述第一欧式距离的第一和值以及每个路段的所述第二欧式距离的第二和值,并确定所述第一和值与所述第二和值的第三和值;
根据所述第一和值与所述第三和值,确定第一权重,并根据所述第二和值与所述第三和值,确定第二权重;
针对每个路段,根据该路段的第一欧式距离与所述第一权重,以及该路段的第二欧式距离与所述第二权重,确定该路段的权重和,根据所述权重和,将该路段划分到对应的分区。
进一步地,所述获得该分区中的每个路段在当前子时间段内的目标车流量数量包括:
针对每个分区,根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段;获得第一边缘路段以及第一内部路段在预设的每个子时间段内的路况拥堵状态标识值;
根据该分区的第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段,并根据该分区的第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段;
获得该分区中的第二边缘路段在当前子时间段内的第一目标车流量数量,以及该分区中的第二内部路段在当前子时间段内的第二目标车流量数量。
进一步地,所述根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段包括:
按照第三欧式距离从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第二数量的路段确定为该分区的第一边缘路段,将该分区中除所述第一边缘路段外的其他路段确定为该分区的第一内部路段。
进一步地,所述根据该分区的所述第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段包括:
根据该分区中该第一边缘路段的每个子时间段对应的车流量数量的第四和值,确定该分区中的所有第一边缘路段对应的第四和值的第八和值,并确定所述第四和值与所述第八和值的第一商值;
根据该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区中所有第一边缘路段的所述第五和值的第九和值,并确定所述第五和值与所述第九和值的第二商值;
确定所述第一商值与所述第二商值的第一乘积,按照第一乘积从大到小的顺序,对该分区的第一边缘路段进行排序,将排序在前的设定的第三数量的第一边缘路段确定为第二边缘路段,其中所述第三数量小于第二数量。
进一步地,所述根据该分区的该第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段包括:
根据该分区中该第一内部路段的每个子时间段对应的车流量数量的第六和值,确定该分区中所有第一内部路段对应的第六和值的第十和值,并确定所述第六和值与所述第十和值的第三商值;
根据该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区中所有第一内部路段的所述第七和值的第十一和值,并确定所述第七和值与所述第十一和值的第四商值;
确定所述第三商值与所述第四商值的第二乘积,按照第二乘积从大到小的顺序,对该分区的第一内部路段进行排序,将排序在前的设定的第四数量的第一内部路段确定为第二内部路段。
进一步地,所述将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值包括:
将所述第二边缘路段在当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中第二内部路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。
进一步地,所述根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰包括:
根据所述分区中包含的第二内部路段的数量与预先设置的数值,确定进行比较的阈值;
若所述和值大于所述阈值,则确定在预设时间长度后,该分区进入车流高峰;
否则,则确定在预设时间长度后,该分区未进入车流高峰。
进一步地,训练所述高峰开始时间预测模型的过程包括:
获取样本集中的任一样本数据对,其中,所述样本数据对包括:该分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值;
将所述样本数据对输入到高峰开始时间预测模型中,输出样本预测路况拥堵状态的和值;
基于所述样本路况拥堵状态的和值和所述样本预测路况拥堵状态的和值,对所述高峰开始时间预测模型进行优化。
由于本发明实施例中,可以根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区,针对每个分区,按照设定的时间顺序,在进行高峰开始时间检测的过程中,将该分区中的每个路段在当前子时间段内的目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,确定该分区进入车流高峰的开始时间,因此,可以确定每个分区对应的车流高峰的开始时间,提高了高峰开始时间的预测的准确性,为交通管理部门制定有效的拥堵预案制定和拥堵治理开展提供了有效的帮助。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种高峰开始时间预测方法,其特征在于,所述方法包括:
基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰;
其中,所述获得该分区中的每个路段在当前子时间段内的目标车流量数量包括:
针对每个分区,根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段;获得第一边缘路段以及第一内部路段在预设的每个子时间段内的路况拥堵状态标识值;
根据该分区的第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段,并根据该分区的第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段;
获得该分区中的第二边缘路段在当前子时间段内的第一目标车流量数量,以及该分区中的第二内部路段在当前子时间段内的第二目标车流量数量。
2.根据权利要求1所述的方法,其特征在于,所述根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段包括:
按照第三欧式距离从大到小的顺序,对该分区中的每个路段进行排序,将排序在前的设定的第二数量的路段确定为该分区的第一边缘路段,将该分区中除所述第一边缘路段外的其他路段确定为该分区的第一内部路段。
3.根据权利要求1所述的方法,其特征在于,所述根据该分区的所述第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段包括:
根据该分区中该第一边缘路段的每个子时间段对应的车流量数量的第四和值,确定该分区中的所有第一边缘路段对应的第四和值的第八和值,并确定所述第四和值与所述第八和值的第一商值;
根据该分区的该第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区中所有第一边缘路段的所述第五和值的第九和值,并确定所述第五和值与所述第九和值的第二商值;
确定所述第一商值与所述第二商值的第一乘积,按照第一乘积从大到小的顺序,对该分区的第一边缘路段进行排序,将排序在前的设定的第三数量的第一边缘路段确定为第二边缘路段,其中所述第三数量小于第二数量。
4.根据权利要求1所述的方法,其特征在于,所述根据该分区的该第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段包括:
根据该分区中该第一内部路段的每个子时间段对应的车流量数量的第六和值,确定该分区中所有第一内部路段对应的第六和值的第十和值,并确定所述第六和值与所述第十和值的第三商值;
根据该分区的该第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区中所有第一内部路段的所述第七和值的第十一和值,并确定所述第七和值与所述第十一和值的第四商值;
确定所述第三商值与所述第四商值的第二乘积,按照第二乘积从大到小的顺序,对该分区的第一内部路段进行排序,将排序在前的设定的第四数量的第一内部路段确定为第二内部路段。
5.根据权利要求1所述的方法,其特征在于,所述将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值包括:
将所述第二边缘路段在当前子时间段内的车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中第二内部路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值。
6.根据权利要求1所述的方法,其特征在于,训练所述高峰开始时间预测模型的过程包括:
获取样本集中的任一样本数据对,其中,所述样本数据对包括:该分区中第二边缘路段在对应的每个子时间段内的第一样本目标车流量数量以及该分区中第二内部路段在对应的每个子时间段的预设的时间长度后的样本路况拥堵状态的和值;
将所述样本数据对输入到高峰开始时间预测模型中,输出样本预测路况拥堵状态的和值;
基于所述样本路况拥堵状态的和值和所述样本预测路况拥堵状态的和值,对所述高峰开始时间预测模型进行优化。
7.一种高峰开始时间预测装置,其特征在于,所述装置包括:
确定模块,用于基于设定的第一数量的电子点位安装的路段,获得该路段在设定时间长度内的车流量数据,确定该路段在预设的每个子时间段内的车流量数量;
划分模块,用于根据每个路段在预设的每个子时间段内的车流量数量以及每个路段的位置,将路段划分到不同的分区;
所述确定模块,还用于针对每个分区,按照设定的时间顺序,针对进行高峰开始时间检测的时间段内的每个子时间段,获得该分区中的每个路段在当前子时间段内的目标车流量数量,将所述目标车流量数量输入到预先训练完成的高峰开始时间预测模型中,获得该分区中的每个路段在所述当前子时间段的预设的时间长度后的预测路况拥堵状态的和值,根据所述和值以及所述分区中包含的路段的数量,确定在预设时间长度后,该分区是否进入车流高峰;
其中,所述确定模块,具体用于针对每个分区,根据该分区的每个路段与该分区的质心的第三欧式距离,确定该分区的第一边缘路段以及该分区的第一内部路段;获得第一边缘路段以及第一内部路段在预设的每个子时间段内的路况拥堵状态标识值;根据该分区的第一边缘路段的每个子时间段对应的车流量数量的第四和值,以及该分区的第一边缘路段的每个子时间段的路况拥堵状态标识值的第五和值,确定该分区的第二边缘路段,并根据该分区的第一内部路段的每个子时间段对应的车流量数量的第六和值,以及该分区的第一内部路段的每个子时间段的路况拥堵状态标识值的第七和值,确定该分区的第二内部路段;获得该分区中的第二边缘路段在当前子时间段内的第一目标车流量数量,以及该分区中的第二内部路段在当前子时间段内的第二目标车流量数量。
8.一种电子设备,其特征在于,所述电子设备包括处理器和存储器,所述存储器用于存储程序指令,所述处理器用于执行存储器中存储的计算机程序时实现上述权利要求1-6任一所述高峰开始时间预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1-6任一所述高峰开始时间预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509835.XA CN113257002B (zh) | 2021-05-11 | 2021-05-11 | 一种高峰开始时间预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110509835.XA CN113257002B (zh) | 2021-05-11 | 2021-05-11 | 一种高峰开始时间预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113257002A CN113257002A (zh) | 2021-08-13 |
CN113257002B true CN113257002B (zh) | 2022-03-25 |
Family
ID=77222587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110509835.XA Active CN113257002B (zh) | 2021-05-11 | 2021-05-11 | 一种高峰开始时间预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113257002B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114627643B (zh) * | 2022-02-28 | 2023-07-14 | 青岛海信网络科技股份有限公司 | 一种高速公路事故风险预测方法、装置、设备及介质 |
CN114708728B (zh) * | 2022-03-23 | 2023-04-18 | 青岛海信网络科技股份有限公司 | 一种识别交通高峰期的方法、电子设备及存储介质 |
CN115879016B (zh) * | 2023-02-20 | 2023-05-16 | 中南大学 | 共享单车出行潮汐时段的预测方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104157139B (zh) * | 2014-08-05 | 2016-01-13 | 中山大学 | 一种交通拥堵预测方法及可视化方法 |
CN106408945B (zh) * | 2016-11-28 | 2019-03-01 | 北京掌行通信息技术有限公司 | 一种交通拥堵评价方法及系统 |
JP7200929B2 (ja) * | 2017-03-31 | 2023-01-10 | 日本電気株式会社 | 渋滞推定装置、渋滞推定方法およびそのプログラム |
CN106971537B (zh) * | 2017-04-20 | 2019-07-26 | 山东高速信息工程有限公司 | 针对突发事件的道路拥堵预测方法及系统 |
CN107123295A (zh) * | 2017-06-30 | 2017-09-01 | 百度在线网络技术(北京)有限公司 | 拥堵路段预测方法、装置、服务器以及存储介质 |
CN110444011B (zh) * | 2018-05-02 | 2020-11-03 | 杭州海康威视系统技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN111383444B (zh) * | 2018-12-28 | 2021-08-17 | 腾讯大地通途(北京)科技有限公司 | 预测路况状态的方法、装置、服务器及存储介质 |
CN110459051B (zh) * | 2019-06-21 | 2020-09-04 | 平安国际智慧城市科技股份有限公司 | 路段特征模型训练方法、装置、终端设备及存储介质 |
JP7267874B2 (ja) * | 2019-08-27 | 2023-05-02 | 本田技研工業株式会社 | 交通流推定装置、交通流推定方法、およびプログラム |
CN110992689B (zh) * | 2019-11-28 | 2021-07-30 | 北京世纪高通科技有限公司 | 拥堵特征的确定方法及装置 |
CN111986490A (zh) * | 2020-09-18 | 2020-11-24 | 北京百度网讯科技有限公司 | 路况预测方法、装置、电子设备和存储介质 |
-
2021
- 2021-05-11 CN CN202110509835.XA patent/CN113257002B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113257002A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113257002B (zh) | 一种高峰开始时间预测方法、装置、设备及介质 | |
CN112700072B (zh) | 交通状况预测方法、电子设备和存储介质 | |
CN108492555B (zh) | 一种城市路网交通状态评价方法及装置 | |
CN110517479B (zh) | 一种城市道路交通预测方法、装置及电子设备 | |
Choi et al. | Attention-based recurrent neural network for urban vehicle trajectory prediction | |
Lin et al. | Real-time bus arrival time prediction: case study for Jinan, China | |
CN109377752A (zh) | 短时交通流变化预测方法、装置、计算机设备及存储介质 | |
Li et al. | Competing risk mixture model and text analysis for sequential incident duration prediction | |
Mo et al. | Speed profile estimation using license plate recognition data | |
CN107025788B (zh) | 一种旅行时间预测方法及装置 | |
CN107832866A (zh) | 一种流量预测方法及装置、存储介质、终端 | |
CN106887141B (zh) | 基于排队论的连续交通节点拥塞程度预测模型、系统及方法 | |
CN110322687B (zh) | 确定目标交叉口运行状态信息的方法和装置 | |
CN113223293B (zh) | 路网仿真模型的构建方法、装置及电子设备 | |
CN110969275A (zh) | 交通流量预测方法、装置、可读存储介质及电子设备 | |
Wismans et al. | Real time traffic models, decision support for traffic management | |
CN116046008A (zh) | 基于态势感知的路线规划方法、系统及效能评估装置 | |
CN116596126A (zh) | 一种公交串车预测方法及系统 | |
CN114613135A (zh) | 考虑建筑场所影响的城市路网交通流预测方法及系统 | |
CN113256973B (zh) | 一种高峰开始时间预测方法、装置、设备及介质 | |
CN113838303A (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
Fahs et al. | Traffic congestion prediction based on multivariate modelling and neural networks regressions | |
Chen et al. | Capacity reliability of signalized intersections with mixed traffic conditions | |
CN114842659A (zh) | 一种交通拥堵疏导方法及装置 |
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 |