CN113470356B - 电子设备及区域路况预测方法 - Google Patents

电子设备及区域路况预测方法 Download PDF

Info

Publication number
CN113470356B
CN113470356B CN202110719337.8A CN202110719337A CN113470356B CN 113470356 B CN113470356 B CN 113470356B CN 202110719337 A CN202110719337 A CN 202110719337A CN 113470356 B CN113470356 B CN 113470356B
Authority
CN
China
Prior art keywords
time period
historical
prediction
target
road
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
Application number
CN202110719337.8A
Other languages
English (en)
Other versions
CN113470356A (zh
Inventor
范斐
万芙溢
杜玉麟
马超
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.)
Hisense TransTech Co Ltd
Original Assignee
Hisense TransTech 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 Hisense TransTech Co Ltd filed Critical Hisense TransTech Co Ltd
Priority to CN202110719337.8A priority Critical patent/CN113470356B/zh
Publication of CN113470356A publication Critical patent/CN113470356A/zh
Application granted granted Critical
Publication of CN113470356B publication Critical patent/CN113470356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—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
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • 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
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明是关于一种电子设备及区域路况预测方法，涉及路况预测领域，本发明包括：通过多个历史时间段的每种类型的道路上的车辆的数量确定每种类型的道路对应的权重，并根据每种类型的道路对应的权重对每种类型的道路的历史平均车速进行加权处理，得到每个历史时间段的整个区域对应的历史平均车速，再根据每个历史时间段的整个区域对应的历史平均车速，预测目标预测区域的路况状态，本发明实施例提供了一种区域路况预测的方式，能够区分不同的类型的道路求取整个区域的平均车速，再进行预测区域的路况状态，为警力部署、指挥调度提供数据参考。

Description

电子设备及区域路况预测方法
技术领域
本发明涉及路况预测技术领域，尤其涉及一种电子设备及区域路况预测方法。
背景技术
随着经济的快速发展、人们物质水平的不断提高，机动车保有量也迅速增长，交通拥堵问题也随之愈发严重，因此，缓解交通拥堵成为了各个城市首当其冲要解决的问题。
在现有技术中，由于人们出行的要求，会对人们感兴趣的一条路进行路况预测，该条路是导航的路段，或者回家，去公司的路段等等。然而，对于交警来说，更多的是关心整个区域甚至整个城市的交通状况，从而能够进行警力调派。由于区域中包括多条道路，采用现有的对单条路的预测来代表整个区域并不能解决上述问题。
发明内容
本发明提供一种电子设备及区域路况预测方法，能够通过区分不同的类型的道路求取目标区域的平均车速，再进行预测区域的路况，提供了一种区域预测的方式。
第一方面，本发明实施例提供的一种电子设备，包括：接收单元、处理器和显示器；
所述接收单元，用于接收用户对目标预测区域的预测日期的预测指令；
所述处理器，用于响应用户对目标预测区域的预测日期的预测指令，对所述预测日期进行划分，得到多个预测时间段；
针对任意一个预测时间段，根据在所述预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个所述历史时间段内每种类型的道路对应的权重；其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；所述每种类型的道路为所述目标预测区域内的道路；
根据每个所述历史时间段内每种类型的道路对应的权重，对每个所述历史时间段内的多个第一历史平均车速进行加权处理，得到每个所述历史时间段内所述目标预测区域对应的第二历史平均车速，其中每个所述第一历史平均车速为所述历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
根据每个所述历史时间段内的第二历史平均车速，预测所述预测时间段内的所述目标预测区域的路况状态；
所述显示器，用于显示所述预测时间段内的所述目标预测区域的路况状态。
上述电子设备，提供了一种区域预测的方式，针对任意预测时间段，能够通过每个历史时间段的每种类型的道路上的车辆的数量确定每种类型的道路对应的权重，对每种类型的道路的历史平均车速进行加权处理，得到每个历史时间段的整个区域对应的历史平均车速，再根据每个历史时间段的整个区域对应的历史平均车速，预测预测时间段目标预测区域的路况状态，本发明能够区分不同的类型的道路的平均车速，求取目标区域的平均车速，再进行预测，能够融合多种不同类型的道路预测区域的路况状态，为警力部署、指挥调度提供数据参考。
在一种可能的实现方式中，所述预测时间段对应的历史时间段为目标日期内的时间段，所述目标日期为与所述预测日期相同性质的在所述预测日期之前的日期；
所述处理器，具体用于：
根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的表征路况状态的历史数值进行加权处理，并将加权后的历史数值之和，作为所述预测时间段内的所述目标预测区域的表征路况状态的预测数值。
上述电子设备，能够通过多个之前日期的表征路况状态的历史数值，进行重要性的加权处理，预测表征路况状态的预测数值，提高了预测的准确率。
在一种可能的实现方式中，所述处理器，具体用于：
将每个所述历史时间段内的第二历史平均车速，作为每个所述历史时间段的表征路况状态的历史数值；或
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，将每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间的拥堵指数，作为每个所述历史时间段内的表征路况状态的历史数值；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差。
上述电子设备，能够直接将目标预测区域的历史平均车速作为表征路况状态的历史数值，从而预测预测时间段内的目标预测区域的平均车速；或者将目标预测区域的历史拥堵指数作为表征路况状态的历史数值，从而预测预测时间段内的目标预测区域的拥堵指数，这样能够通过不同类型的数据表征路况状态，丰富了预测的结果的类型。
在一种可能的实现方式中，所述处理器，还用于：
统计所述预测数值与用户输入的实际数值之间的差值大于预设值的次数；
若所述次数超过预设次数，则按照目标日期的时间顺序，对每个目标日期对应的权重进行调整；
直到使用调整后的每个目标日期对应的权重，确定的预测数值，与对应的实际数值之间的差值大于预设值的次数不超过预设次数，则停止对每个目标日期对应的权重的调整，并采用调整后的每个目标日期对应的权重，进行预测。
上述电子设备，统计预测数值与实际数值之间的差值大于预设值的次数，若次数超过预设次数，则进行目标日期对应的权重进行调整，从而能够优化目标日期对应的重要程度，提高预测的准确率。
在一种可能的实现方式中，所述处理器，具体用于：
根据每个所述历史时间段内的第一历史平均车速，预测所述预测时间段内的所述目标预测区域的拥堵指数；
按照拥堵级别划分标准，确定所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别；
若所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别，超过预设级别，则将所述预测时间段作为所述目标预测区域的表征路况状态的预测数值。
上述电子设备，能够通过每种类型的道路上的历史平均车速预测该区域的拥堵指数，再按照拥堵级别，确定拥堵指数对应的拥堵级别，并在拥堵指数对应的拥堵级别超过预设级别时，得到预测时长，实现区域的预测时长的预测，为警力部署、指挥调度提供数据参考。
在一种可能的实现方式中，所述处理器，还用于：
针对任意一个预测时间段，根据所述预测时间段对应的每个历史时间段内的多个第二历史数量，预测所述预测时间段内所述目标预测区域的每条道路的流量值；每个第二历史数量为在所述目标预测区域内的每条道路上行驶的车辆的数量；
根据预测到的每条道路的流量值，预测所述预测时间段内所述目标预测区域内的流量。
上述电子设备，能够通过每条道路的上行驶的车辆的数量，预测每条道路上的拥堵指数，再根据每条道路上的拥堵指数，预测区域内的流量，为警力部署、指挥调度提供数据参考。
第二方面，本发明实施例提供的一种区域路况预测方法，包括：
响应用户对目标预测区域的预测日期的预测指令，对所述预测日期进行划分，得到多个预测时间段；
针对任意一个预测时间段，根据在所述预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个所述历史时间段内每种类型的道路对应的权重；其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；所述每种类型的道路为所述目标预测区域内的道路；
根据每个所述历史时间段内每种类型的道路对应的权重，对每个所述历史时间段内的多个第一历史平均车速进行加权处理，得到每个所述历史时间段内所述目标预测区域对应的第二历史平均车速，其中每个所述第一历史平均车速为所述历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
根据每个所述历史时间段内的第二历史平均车速，预测所述预测时间段内的所述目标预测区域的路况状态。
在一种可能的实现方式中，所述预测时间段对应的历史时间段为目标日期内的时间段，所述目标日期为与所述预测日期相同性质的在所述预测日期之前的日期；
根据每个所述历史时间段内的第二历史平均车速，预测所述预测时间段内的所述目标预测区域的路况状态，包括：
根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的表征路况状态的历史数值进行加权处理，并将加权后的历史数值之和，作为所述预测时间段内的所述目标预测区域的表征路况状态的预测数值。
在一种可能的实现方式中，根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值，包括：
将每个所述历史时间段内的第二历史平均车速，作为每个所述历史时间段的表征路况状态的历史数值；或
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，将每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间的拥堵指数，作为每个所述历史时间段内的表征路况状态的历史数值；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差。
在一种可能的实现方式中，根据每个所述历史时间段内的第二历史平均车速，预测所述预测时间段内的所述目标预测区域的路况状态，包括：
根据每个所述历史时间段内的第一历史平均车速，预测所述预测时间段内的所述目标预测区域的拥堵指数；
按照拥堵级别划分标准，确定所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别；
若所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别超过预设级别，则将所述预测时间段作为所述目标预测区域的表征路况状态的预测数值。
在一种可能的实现方式中，所述方法还包括：
统计所述预测数值与用户输入的实际数值之间的差值大于预设值的次数；
若所述次数超过预设次数，则按照目标日期的时间顺序，对每个目标日期对应的权重进行调整；
直到使用调整后的每个目标日期对应的权重，确定的预测数值，与对应的实际数值之间的差值大于预设值的次数不超过预设次数，则停止对每个目标日期对应的权重的调整，并采用调整后的每个目标日期对应的权重，进行预测。
在一种可能的实现方式中，响应用户对目标预测区域的预测日期的预测指令，对所述预测日期进行划分，得到多个预测时间段之后，所述方法还包括：
针对任意一个预测时间段，根据所述预测时间段对应的每个历史时间段内的多个第二历史数量，预测所述预测时间段内所述目标预测区域的每条道路的流量值；每个第二历史数量为在所述目标预测区域内的每条道路上行驶的车辆的数量；
根据预测到的每条道路的流量值，预测所述预测时间段内所述目标预测区域内的流量。
第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第二方面所述的区域路况预测方法的步骤。
另外，第二方面至第三方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理，并不构成对本发明的不当限定。
图1是本发明实施例提供的一种基于区域路况预测的警力调派的场景示意图；
图2A是本发明实施例提供的一种电子设备的结构图；
图2B是本发明实施例提供的第一种路况预测的显示示意图；
图2C是本发明实施例提供的第二种路况预测的显示示意图；
图2D是本发明实施例提供的第三种路况预测的显示示意图；
图3是本发明实施例提供的一种区域路况预测方法的流程图；
图4是本发明实施例提供的一种预测区域的平均速度的方法的流程图；
图5是本发明实施例提供的一种预测区域的拥堵指数的方法的流程图；
图6是本发明实施例提供的另一种预测区域的拥堵指数的方法的流程图；
图7是本发明实施例提供的一种预测区域的拥堵时长的方法的流程图；
图8是本发明实施例提供的一种预测区域的流量的方法的流程图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明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、本发明的一些方面相一致的装置和方法的例子。
本发明实施例描述的应用场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
当早晚高峰或有临时警卫任务时，交警可通过城市路况预测场景来查看城市路况走势，辅助进行警力调派；当遇临警卫任务时，则交警可通过道路路况预测场景来查看某一警卫路线任务执行期间的路况变化情况，从而辅助交警进行方案制定、警力安排等工作；景区、场馆、商圈、枢纽、政府、学校等区域是各地交警保障的重点，则交警就需要区域路况预测场景来预测重点区域未来某天的拥堵高峰等路况详情，辅助进行排班布岗；五一、十一、春节等重大节假日的道路安全管理工作是交警每年工作的重点之一，则通过节假日路况预测场景来对节假日的路况预测，辅助交警提前制定方案，更好的做好防范工作；最后，当城市要举行大型活动时，交警通过大型活动路况预测，提前了解活动当天的影响路段、流量变化趋势等详细信息，从而为指挥调度、警力布置提供数据参考。从而可以辅助交警进行早晚高峰工作的安排。
例如，对于交警来说，一般都是以片区来划分，即多个交警负责哪个片区，然后对于不同的区来说，交通状况时不同，结合图1所示，整个城市分为A区、B区、C区，对于每个区来说，本发明实施例可以对预测日期进行划分，得到多个预测时间段，针对任意一个预测时间段，根据在预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个历史时间段内每种类型的道路对应的权重；其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；每种类型的道路为A区内的道路；根据每个历史时间段内每种类型的道路对应的权重，对每个历史时间段内的多个第一历史平均车速进行加权处理，得到每个历史时间段内A区对应的第二历史平均车速，其中每个第一历史平均车速为历史时间段内行驶在每种类型的道路上的车辆的车速平均值；根据每个历史时间段内的第二历史平均车速，预测预测时间段内的A区的路况状态。根据上述方式，预测B区的路况状态，预测C区的路况状态。
若A区的预测的路况状态特别差，例如，特别拥堵，B区的预测的路况状态比较差，例如，比较拥堵，C区的预测的路况状态好，例如，不拥堵。拥堵情况从大到小为A区、B区、C区。
再结合图1所示，当A区、B区、C区的开始警力均匀时，即交警的人数相同，均为12个，则根据上述A区、B区、C区的预测的路况状态，可以从C区的警力调派2个交警到B区，从C区的警力调派4个交警到A区，这样可以使得A区能够快速派出警力。
以下结合附图介绍本发明实施例提出的电子设备和区域路况预测方法。
图2A示出了电子设备200的结构示意图。
下面以电子设备200为例对实施例进行具体说明。应该理解的是，图2A所示电子设备200仅是一个范例，并且电子设备200可以具有比图2A中所示的更多的或者更少的部件，可以组合两个或多个的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
图2A中示例性示出了根据示例性实施例中电子设备200的硬件配置框图。如图2A所示，电子设备200包括：存储器210、接收单元220、显示器230、处理器240、以及电源250等部件。
存储器210可用于存储软件程序及数据。处理器240通过运行存储在存储器210的软件程序或数据，从而执行电子设备200的各种功能以及数据处理。存储器210可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。存储器210存储有使得电子设备200能运行的操作系统。本申请中存储器210可以存储操作系统及各种应用程序，还可以存储执行本申请实施例所述区域路况预测方法的代码。
接收单元220可用于接收输入的数字或字符信息，产生与电子设备200的用户设置以及功能控制有关的信号输入，具体地，接收单元220可以包括设置在电子设备200正面的触摸屏221，可收集用户在其上或附近的触摸操作，例如点击按钮，拖动滚动框等。
处理器240是电子设备200的控制中心，利用各种接口和线路连接整个终端的各个部分，通过运行或执行存储在存储器210内的软件程序，以及调用存储在存储器210内的数据，执行电子设备200的各种功能和处理数据。在一些实施例中，处理器240可包括一个或多个处理单元；处理器240还可以集成应用处理器和基带处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，基带处理器主要处理无线通信。可以理解的是，上述基带处理器也可以不集成到处理器240中。本申请中处理器240可以运行操作系统、应用程序、用户界面显示及触控响应，以及本申请实施例所述的处理方法。另外，处理器240与显示器230耦接。
电子设备200还包括给各个部件供电的电源250(比如电池)。电源可以通过电源管理系统与处理器240逻辑相连，从而通过电源管理系统实现管理充电、放电以及功耗等功能。电子设备200还可配置有电源按钮，用于终端的开机和关机，以及锁屏等功能。
显示器230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200的各种菜单的图形用户界面(graphical user interface，GUI)。具体地，显示器230可以包括设置在电子设备200正面的显示屏231。其中，显示屏231可以采用液晶显示器、发光二极管等形式来配置。显示器230可以用于显示本申请中所述的各种图形用户界面。
其中，触摸屏221可以覆盖在显示屏231之上，也可以将触摸屏221与显示屏231集成而实现电子设备200的输入和输出功能，集成后可以简称触摸显示屏。本申请中显示器230可以显示应用程序以及对应的操作步骤。
示例性的，显示器230具体用于显示预测的路况状态，结合图2B所示，路况预测的类型为城市路况预测，城市中的道路路况预测，城市中的区域路况预测，节假日路况预测，活动日路况预测。该活动日可以为容易引发拥堵的大型活动日。
再结合图2B所示，当城市路况预测时，可以根据每个历史时间段内的第二历史平均车速，预测预测时间段内的表征路况状态的拥堵指数，并使用显示器230显示预测的拥堵指数。
结合图2C所示，当道路路况预测时，根据每个历史时间段内的第二历史平均车速，预测预测时间段内的表征路况状态的拥堵指数、和流量变化情况、平均速度。并使用显示器230显示预测的拥堵指数、和流量变化情况、平均速度
结合图2D所示，当节假日路况预测时，根据每个历史时间段内的第二历史平均车速，预测预测时间段内的表征路况状态的拥堵指数。其中节假日路况预测时，可以针对统计的易堵的收费站区域的拥堵指数，然后进行预测。以及针对统计的易堵的区域的拥堵指数，然后进行预测，并通过显示器230进行显示。
以下介绍本发明实施例具体方案。
结合图3所示，本发明实施例提供了一种区域路况预测方法，应用于电子设备，包括：
S300：响应用户对目标预测区域的预测日期的预测指令，对预测日期进行划分，得到多个预测时间段；
其中，目标预测区域可以指图3中城市的某个区，也可以指整个城市。
对预测日期进行平均划分，例如按照1小时进行划分。预测日期为6月1日，则多个预测时间段为0点～1点，1点～2点，2点～3点，3点～4点，4点～5点，5点～6点，6点～7点，7点～8点，……，23点～24点。
S301：针对任意一个预测时间段，根据在预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个历史时间段内每种类型的道路对应的权重；
其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；每种类型的道路为目标预测区域内的道路；
道路的类型包括主干路、支路、快速路。一个第一历史数量为目标预测区域内的在主干路上行驶的车辆的数量，一个第一历史数量为目标预测区域内的在支路上行驶的车辆的数量，一个第一历史数量为目标预测区域内的在快速路上行驶的车辆的数量。
示例性的，根据在预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个历史时间段内每种类型的道路对应的权重，通过以下公式计算：
Figure BDA0003136364790000091
m1为主干路上的在途车辆的总数量，m2为支路的在途车辆的总数量，m3为快速路的在途车辆的总数量，mi为需要求取权重的类型的道路上在途车辆的总数量。
示例性的，该目标区域包括3条主干路，5条支路，1条快速路；则主干路对应的权重为：
Figure BDA0003136364790000092
支路对应的权重为：
Figure BDA0003136364790000093
快速路对应的权重为：
Figure BDA0003136364790000094
其中，m1为3条主干路上的在途车辆的总数量，m2为5条支路的在途车辆的总数量，m3为1条快速路的在途车辆的总数量。
S302：根据每个历史时间段内每种类型的道路对应的权重，对每个历史时间段内的多个第一历史平均车速进行加权处理，得到每个历史时间段内目标预测区域对应的第二历史平均车速，其中每个第一历史平均车速为历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
针对每个历史时间段内的第一历史平均车速的求法均为下述过程：
设参考路段条数为n，其中目标预测区域内的快速路条数为n1、该历史时间段内的快速路的在途车辆数为m1，目标预测区域内的主干路条数为n2、该历史时间段内的主干路的在途车辆数为m2，目标预测区域内的次干路(支路)条数为n3、该历史时间段内的次干路在途车辆数为m3。
该历史时间段内的目标预测区域内的n1个快速路的第一历史平均车速V1为：
Figure BDA0003136364790000101
其中，公式(1)中的Vi为该历史时间段内的第i个快速路的历史平均车速，其中，将该历史时间段内的第i个快速路的在途车辆的车速之和除以该历史时间段内的第i个快速路的在途车辆的总数量为该历史时间段内的第i个快速路的历史平均车速。
在该历史时间段内的目标预测区域内的n2个主干路的第一历史平均车速V2为：
Figure BDA0003136364790000102
其中，公式(2)中的Vi为在该历史时间段内的第i个主干路的历史平均车速，其中，将在该历史时间段内的第i个主干路的在途车辆的车速之和除以在该历史时间段内的第i个主干路的在途车辆的总数量为在该历史时间段内的第i个主干路的历史平均车速。
在该历史时间段内的目标预测区域内的n3个次干路(支路)的第一历史平均车速V3为：
Figure BDA0003136364790000103
其中，公式(3)中的Vi为在该历史时间段内的第i个次干路的历史平均车速，其中，将在该历史时间段内的第i个次干路的在途车辆的车速之和除以在该历史时间段内的第i个次干路的在途车辆的总数量为在该历史时间段内的第i个次干路的历史平均车速。
针对每个历史时间段内的第二历史平均车速的求法均为下述过程：
一个历史时间段内目标预测区域对应的第二历史平均车速为：
Figure BDA0003136364790000104
其中，公式(4)中的Vi为一个历史时间段内的第i种道路的第一历史平均车速。
S303：根据每个历史时间段内的第二历史平均车速，预测预测时间段内的目标预测区域的路况状态。
其中，预测时间段对应的历史时间段为目标日期内的时间段，目标日期为与预测日期相同性质的在预测日期之前的日期；
与预测日期相同性质的在预测日期之前的日期，例如，当预测日期是工作日，则相同性质的日期也为工作日，例如2021年5月14日为工作日，与预测日期相同性质的在预测日期之前的日期为2021年5月13日、2021年5月12日、2021年5月11日、2021年5月10日。
其中，2021年5月9日为周日，并非是工作日，所以不为与2021年5月14日相同性质的日期。
当预测日期是节假日，则相同性质的日期也为节假日，例如，2021年5月1日，则与预测日期相同性质的在预测日期之前的日期为2020年5月1日、2019年5月1日，等等。
当前预测日期为周末，则相同性质的日期也为周末，例如，2021年5月9日，周日，则与预测日期相同性质的在预测日期之前的日期为2021年4月3日，周六、2021年4月4日，周日，等等。
当前预测日期为活动日，则相同性质的日期也为活动日，例如，2021年6月18日，则与预测日期相同性质的在预测日期之前的日期为2020年6月18日、2019年6月18日，等等。
步骤303具体包括：根据每个历史时间段内的第二历史平均车速，确定每个历史时间段的表征路况状态的历史数值；
根据每个包含历史时间段的目标日期对应的权重，对每个历史时间段的表征路况状态的历史数值进行加权处理，并将加权后的历史数值之和，作为预测时间段内的目标预测区域的表征路况状态的预测数值。
以上述为例，预测日期为2021年5月14日，与预测日期相同性质的在预测日期之前的日期为2021年5月13日、2021年5月12日、2021年5月11日、2021年5月10日。
预测时间段为上午11点～中午12点，则对应的每个历史时间段为，2021年5月13日的上午11点～中午12点，2021年5月12日的上午11点～中午12点，2021年5月11日的上午11点～中午12点，2021年5月10日的上午11点～中午12点。
根据2021年5月13日的上午11点～中午12点的第二历史平均车速，确定2021年5月13日的上午11点～中午12点的表征路况状态的历史数值；
根据2021年5月12日的上午11点～中午12点的第二历史平均车速，确定2021年5月12日的上午11点～中午12点的表征路况状态的历史数值；
根据2021年5月11日的上午11点～中午12点的第二历史平均车速，确定2021年5月11日的上午11点～中午12点的表征路况状态的历史数值；
根据2021年5月10日的上午11点～中午12点的第二历史平均车速，确定2021年5月10日的上午11点～中午12点的表征路况状态的历史数值；
根据2021年5月13日对应的权重，对2021年5月13日的上午11点～中午12点的表征路况状态的历史数值进行加权处理；
根据2021年5月12日对应的权重，对2021年5月12日的上午11点～中午12点的表征路况状态的历史数值进行加权处理；
根据2021年5月11日对应的权重，对2021年5月11日的上午11点～中午12点的表征路况状态的历史数值进行加权处理；
根据2021年5月10日对应的权重，对2021年5月10日的上午11点～中午12点的表征路况状态的历史数值进行加权处理；
将加权处理后的2021年5月13日的上午11点～中午12点的表征路况状态的历史数值、加权处理后的2021年5月12日的上午11点～中午12点的表征路况状态的历史数值、加权处理后的2021年5月11日的上午11点～中午12点的表征路况状态的历史数值、加权处理后的2021年5月10日的上午11点～中午12点的表征路况状态的历史数值进行相加，得到2021年5月14日的上午11点～中午12点内的目标预测区域的表征路况状态的预测数值。
其中，由于距离预测日期越近的目标日期，对预测日期的预测的重要性越高，所以，如果预测数值与实际数值之间的差值比较大时，需要优化目标日期对应的权重。
优化过程具体来说：统计预测数值与用户输入的实际数值之间的差值大于预设值的次数；
若次数超过预设次数，则按照目标日期的时间顺序，对每个目标日期对应的权重进行调整；
直到使用调整后的每个目标日期对应的权重，确定的预测数值，与对应的实际数值之间的差值大于预设值的次数不超过预设次数，则停止对每个目标日期对应的权重的调整，并采用调整后的每个目标日期对应的权重，进行预测。
示例性的，权重的调整，先调整与预测日期最接近的目标日期对应的权重，例如增大权重，然后根据调整后的权重重新预测，得到预测数值，然后再与实际数值进行比较，如果统计预测数值与用户输入的实际数值之间的差值小于预设值的次数，不超过预设次数，则停止权重的调整。如果统计预测数值与用户输入的实际数值之间的差值大于预设值的次数，依然超过预设次数，则对与预测日期第二接近的目标日期对应的权重进行调整，再次统计次数，如果次数不超过预设次数，则停止权重的调整。如果次数超过预设次数，则对与预测日期第三接近的目标日期对应的权重进行调整，再次统计次数。如果所有的目标日期对应的权重均调整一轮后，次数依然超过预测次数，那么再从与预测日期最接近的目标日期对应的权重进行调整，按照这样的规律，直到使用调整后的每个目标日期对应的权重，确定的预测数值，与对应的实际数值之间的差值大于预设值的次数不超过预设次数为止。
进一步的，将每个历史时间段内的第二历史平均车速，作为每个历史时间段的表征路况状态的历史数值；
结合图4所示，具体的速度预测过程包括：
S400：响应用户对目标预测区域的预测日期的预测指令，对预测日期进行划分，得到多个预测时间段；
S401：针对任意一个预测时间段，根据在预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个历史时间段内每种类型的道路对应的权重；
其中，每个历史时间段内可以理解为，预测日期为4月29日，预测时间段为上午8点到上午9点，预测时间段对应的历史时间段为4月28日的上午8点到上午9点。对于历史时间段的个数可以预设，例如，3个，那么预测时间段对应的所有历史时间段为4月28日的上午8点到上午9点，4月27日的上午8点到上午9点，4月26日的上午8点到上午9点。
根据在预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个历史时间段内每种类型的道路对应的权重，为一个历史时间段一个历史时间段的进行计算权重，即每个历史时间段均会得到每种类型的道路对应的权重。
其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；每种类型的道路为目标预测区域内的道路；
S402：根据每个历史时间段内每种类型的道路对应的权重，对每个历史时间段内的多个第一历史平均车速进行加权处理，得到每个历史时间段内目标预测区域对应的第二历史平均车速；
其中每个第一历史平均车速为历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
S403：根据每个包含历史时间段的目标日期对应的权重，对每个历史时间段的第二历史平均车速进行加权处理，并将加权后的第二历史平均车速之和，作为预测时间段内的目标预测区域的表征路况状态的预测数值。
对于步骤400～402参考上述步骤300～302介绍。
对于步骤403通过以下公式进行预测：
Figure BDA0003136364790000131
设历史时间段为t，Vt为与预测日期最接近的目标日期的历史时间段内的第二历史平均车速，
Figure BDA0003136364790000132
为第j个目标日期的历史时间段内的第二历史平均车速，k为与预测日期最接近的目标日期对应的权重，kj为第j个目标日期对应的权重。
同上介绍的，2021年5月13日为与预测日期最接近的目标日期，2021年5月12日为第1个目标日期，2021年5月11日为第2个目标日期，2021年5月10日为第3个目标日期。
例如，从当前时刻预测24小时后的目标预测区域的平均车速时，预测时间段为早上8点到上午9点，当前时刻为8点30分，要想预测上午8点到上午9点，需要等到经过上午9点后，T为24，Vt为发起预测当天上午8点到上午9点的第二历史平均车速，Vt+T为预测日期上午8点到上午9点的平均车速。
当预测日期为节假日时，根据以往的经验，确定容易发生拥堵的地区，作为目标预测区域，然后，预测时间段为早上8点到上午9点，Vt为上一个节假日上午8点到上午9点的第二历史平均车速，Vt+T为预测日期上午8点到上午9点的平均车速。如果预测2021年的某个节假日，则根据2020年的相同节假日的历史平均车速、2019年的相同节假日的历史平均车速等等。
当预测日期为大型活动日，发生大型活动日的地区，作为目标预测区域，然后，预测时间段为早上8点到上午9点，Vt为上一个大型活动日上午8点到上午9点的第二历史平均车速，Vt+T为预测日期上午8点到上午9点的平均车速。如果预测某个大型活动日，则根据前一个大型活动日的历史平均车速、前两个大型活动日的历史平均车速等等。
进一步的，表征路况状态的历史数值为拥堵指数时：
确定每个历史时间段内的第一差值和每个历史时间段内的第二差值，将每个历史时间段内的第一差值和每个历史时间段内的第二差值之间的拥堵指数，作为每个历史时间段内的表征路况状态的历史数值；其中，第一差值为第二历史平均车速，与目标预测区域中的最高车速之差；第二差值为目标预测区域中的最高车速，与目标预测区域中的最低车速之差。
结合图5所示，具体的拥堵指数预测过程包括：
S500：响应用户对目标预测区域的预测日期的预测指令，对预测日期进行划分，得到多个预测时间段；
S501：针对任意一个预测时间段，根据在预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个所述历史时间段内每种类型的道路对应的权重；
其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；每种类型的道路为目标预测区域内的道路；
S502：根据每个历史时间段内每种类型的道路对应的权重，对每个历史时间段内的多个第一历史平均车速进行加权处理，得到每个历史时间段内目标预测区域对应的第二历史平均车速；
其中每个第一历史平均车速为历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
S503：确定每个历史时间段内的第一差值和每个历史时间段内的第二差值，确定每个历史时间段内的第一差值和每个历史时间段内的第二差值之间的拥堵指数。
其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差。
S504：根据每个包含历史时间段的目标日期对应的权重，对每个历史时间段的拥堵指数进行加权处理，并将加权后的拥堵指数之和，作为预测时间段内的目标预测区域的表征路况状态的预测数值。
其中，通过以下公式计算拥堵指数：
Figure BDA0003136364790000141
其中，I为拥堵指数，Vmax为历史时间段内的目标预测区域中的最高车速，Vmin为历史时间段内的目标预测区域中的最低车速，V为历史时间段内的第二历史平均车速，0≤I≤1，I值越大，表明路段车速越低，路段交通状况越差，当V＝Vmin时，I＝1。
另外，预测预测时间段内的目标预测区域的路况状态的过程，结合图6所示，还包括：
S600：响应用户对目标预测区域的预测日期的预测指令，对预测日期进行划分，得到多个预测时间段；
S601：针对任意一个预测时间段的每种类型的道路，确定预测时间段对应的每个历史时间段内的该种类型的道路上的第三差值和每个历史时间段内的该种类型的道路上的第四差值，确定每个历史时间段内的该种类型的道路上的第三差值和每个历史时间段内的该种类型的道路上的第四差值之间的拥堵指数；
其中，第三差值为第一历史平均车速，与第一历史平均车速对应的类型的道路内的最高车速之差；第四差值为第一历史平均车速对应的类型的道路内的最高车速，与第一历史平均车速对应的类型的道路内的最低车速之差。
S602：根据每个历史时间段内每种类型的道路对应的权重，对每个历史时间段内的每种类型道路上的拥堵指数进行加权处理，得到每个历史时间段内目标预测区域对应的拥堵指数；
S603：根据每个包含历史时间段的目标日期对应的权重，对每个历史时间段的拥堵指数进行加权处理，并将加权后的拥堵指数之和，作为预测时间段内的目标预测区域的表征路况状态的预测数值。
每个历史时间段内的目标预测区域的拥堵指数I为：
Figure BDA0003136364790000151
其中，
Figure BDA0003136364790000152
ki为一个历史时间段内的第i种类型的道路的权重，为预先设定的，Ii为一个历史时间段内的第i种类型的道路的拥堵指数。
通过以下公式进行预测拥堵指数：
Figure BDA0003136364790000153
其中，It+T为预测时间段内的目标预测区域的拥堵指数的预测数值，历史时间段为t，It为与预测日期最接近的目标日期的历史时间段内的拥堵指数，
Figure BDA0003136364790000154
为第j个目标日期的历史时间段内的拥堵指数，k为与预测日期最接近的目标日期对应的权重，kj为第j个目标日期对应的权重。
例如，从当前时刻预测24小时后的目标预测区域的拥堵指数时，预测时间段为早上8点到上午9点，同样的，当前时刻为8点30分，要想预测上午8点到上午9点，需要等到经过上午9点后，T为24，It为发起预测当天上午8点到上午9点的拥堵指数，It+T为预测日期上午8点到上午9点的拥堵指数。
当预测日期为节假日时，根据以往的经验，确定容易发生拥堵的地区，作为目标预测区域，然后，预测时间段为早上8点到上午9点，It为上一个节假日上午8点到上午9点的拥堵指数，It+T为预测日期上午8点到上午9点的拥堵指数。如果预测2021年的某个节假日，则根据2020年的相同节假日的拥堵指数、2019年的相同节假日的拥堵指数等等。
当预测日期为大型活动日，发生大型活动日的地区，作为目标预测区域，然后，预测时间段为早上8点到上午9点，It为上一个大型活动日上午8点到上午9点的拥堵指数，It+T为预测日期上午8点到上午9点的拥堵指数。如果预测某个大型活动日，则根据前一个大型活动日的拥堵指数、前两个大型活动日的拥堵指数等等预测的。
对于表征路况状态的参数，除了速度、拥堵指数之外，还可以为拥堵时间。具体来说，根据每个历史时间段内的第一历史平均车速，预测预测时间段内的目标预测区域的拥堵指数；
按照拥堵级别划分标准，确定预测时间段内的目标预测区域的拥堵指数对应的拥堵级别；
若预测时间段内的目标预测区域的拥堵指数对应的拥堵级别，超过预设级别，则将预测时间段作为目标预测区域的表征路况状态的预测数值。
结合图7所示，拥堵时长的预测过程，包括：
S700：响应用户对目标预测区域的预测日期的预测指令，对预测日期进行划分，得到多个预测时间段；
S701：针对任意一个预测时间段，根据预测时间段对应的每个历史时间段内的第一历史平均车速，预测预测时间段内的目标预测区域的拥堵指数；
确定方式如图6所示，请参考上述计算过程。
S702：按照拥堵级别划分标准，确定预测时间段内的目标预测区域的拥堵指数对应的拥堵级别；
S703：若预测时间段内的目标预测区域的拥堵指数对应的拥堵级别，超过预设级别，则将预测时间段作为目标预测区域的表征路况状态的预测数值。
当然，可以将连续的预测时间段拼接起来，作为预测时长，比如预测时间段为上午7～上午8点的拥堵指数的拥堵级别超过预设级别，上午8点～上午9的拥堵指数的拥堵级别超过预设级别，则将上午7点～上午9点作为预测时长进行显示。
其中，预测预测时间段内的目标预测区域的拥堵指数的方式如上如所示。
拥堵级别划分标准如表1所示：
表1
Figure BDA0003136364790000161
预设级别设置为60％，即为中等拥堵和严重拥堵时，即将预测时间段作为目标预测区域的表征路况状态的预测数值。
例如，从当前时刻预测24小时后的目标预测区域的拥堵时长时，预测时间段为早上8点到上午9点，首先获取It为发起预测当天上午8点到上午9点的拥堵指数，然后获取前一天上午8点到上午9点的拥堵指数，大前天上午8点到上午9点的拥堵指数等等，预测预测日期上午8点到上午9点的拥堵指数，然后判断拥堵指数的级别，如果超过预设级别，那么就将该上午8点到上午9点记为拥堵时长。
当预测日期为节假日时，根据以往的经验，确定容易发生拥堵的地区，作为目标预测区域，然后按照上述方式预测拥堵时长。
当预测日期为大型活动日，发生大型活动日的地区，作为目标预测区域，然后按照上述方式预测拥堵时长。
其中，针对表征路况状态的参数，还包括流量。
结合图8所示，流量的预测过程，包括：
S800：响应用户对目标预测区域的预测日期的预测指令，对预测日期进行划分，得到多个预测时间段；
S801：针对任意一个预测时间段，根据预测时间段对应的每个历史时间段内的多个第二历史数量，预测预测时间段内目标预测区域的每条道路的流量值；每个第二历史数量为在目标预测区域内的每条道路上行驶的车辆的数量；
S802：根据预测到的每条道路的流量值，预测预测时间段内目标预测区域内的流量。
预测预测时间段内目标预测区域的每条道路的流量值可以通过以下公式计算得到：
Figure BDA0003136364790000171
其中，St+T为预测时间段内的一条道路的流量值的预测数值，历史时间段为t，St为与预测日期最接近的目标日期的历史时间段t内一条道路的流量值，
Figure BDA0003136364790000173
为第j个目标日期的历史时间段t内一条道路的流量值，k为与预测日期最接近的目标日期对应的权重，kj为第j个目标日期对应的权重。
若目标预测区域内具有L条道路，则预测预测时间段内目标预测区域内的流量为：
Figure BDA0003136364790000172
其中，S为预测时间段内的目标预测区域的流量值的预测数值，历史时间段为t，Si为第i条道路上的预测时间段内的流量值的预测数值。
例如，从当前时刻预测24小时后的目标预测区域的流量时，预测时间段为早上8点到上午9点，首先获取目标预测区域内的每条道路上的发起预测当天上午8点到上午9点的流量，然后获取每条道路上的前一天上午8点到上午9点的流量，每条道路上的大前天上午8点到上午9点的流量等等，预测预测日期每条道路上的上午8点到上午9点的流量，然后通过所有道路的流量确定目标预测区域内的流量。
当预测日期为节假日时，根据以往的经验，确定容易发生拥堵的地区，作为目标预测区域，然后按照上述方式预测拥堵时长。
当预测日期为大型活动日，发生大型活动日的地区，作为目标预测区域，然后按照上述方式预测拥堵时长。
其中，获取地磁、线圈等设备采集的路段流量数据或直接依据现有的历史路况数据；获取卡口设备采集的过车数据；通过上述设备采集的数据，确定目标预测区域的路况状态。
其中，本发明实施例也可以对单条道路的路况进行预测，预测过程为：
针对单条路段的预测时间段对应的每个历史时间段的预测：
计算单条路段的预测时间段对应的每个历史时间段的速度值：
设该路段的参考车道数为n，每个历史时间段的第i条车道的平均速度为Vi，则每个历史时间段的该路段的平均速度V为：
Figure BDA0003136364790000181
其中，第i条车道内的所有车辆的速度之和除以第第i条车道内的所有车辆的总数量得到目标日期的第i条车道的平均速度。
计算单条路段的速度预测值：
设采样周期为T，与预测日期最接近的目标日期的历史时间段的平均速度为Vt，与预测日期的第j个目标日期的历史时间段的平均速度为Vt-i*T，则下一周期的平均速度预测值为Vt+T：
Figure BDA0003136364790000182
其中，
Figure BDA0003136364790000183
k为与预测日期最接近的目标日期对应的权重，kj为第j个目标日期对应的权重。
计算单条路段的预测时间段对应的每个历史时间段的拥堵指数：
每个历史时间段的平均速度为V，每个历史时间段的该路段中速度最大值为Vmax，每个历史时间段的该路段中的速度最小值为Vmin，则拥堵指数I为：
Figure BDA0003136364790000184
其中，0≤I≤1，I值越大，表明路段车速越低，路段交通状况越差，当V＝Vmin时，I＝1。
计算单条路段的拥堵指数的预测值：
则通过以下公式进行预测：
Figure BDA0003136364790000191
其中，It+T为预测时间段内的目标预测区域的拥堵指数的预测数值，历史时间段为t，It为与预测日期最接近的目标日期的历史时间段内的拥堵指数，
Figure BDA0003136364790000192
为第j个目标日期的历史时间段内的拥堵指数，k为与预测日期最接近的目标日期对应的权重，kj为第j个目标日期对应的权重。
本发明实施例还提供一种电子设备，包括：接收单元、处理器和显示器；
所述接收单元，用于接收用户对目标预测区域的预测日期的预测指令；
所述处理器，用于响应用户对目标预测区域的预测日期的预测指令，对所述预测日期进行划分，得到多个预测时间段；
针对任意一个预测时间段，根据在所述预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个所述历史时间段内每种类型的道路对应的权重；其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；所述每种类型的道路为所述目标预测区域内的道路；
根据每个所述历史时间段内每种类型的道路对应的权重，对每个所述历史时间段内的多个第一历史平均车速进行加权处理，得到每个所述历史时间段内所述目标预测区域对应的第二历史平均车速，其中每个所述第一历史平均车速为所述历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
根据每个所述历史时间段内的第二历史平均车速，预测所述预测时间段内的所述目标预测区域的路况状态；
所述显示器，用于显示所述预测时间段内的所述目标预测区域的路况状态。
可选的，所述预测时间段对应的历史时间段为目标日期内的时间段，所述目标日期为与所述预测日期相同性质的在所述预测日期之前的日期；
所述处理器，具体用于：
根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的表征路况状态的历史数值进行加权处理，并将加权后的历史数值之和，作为所述预测时间段内的所述目标预测区域的表征路况状态的预测数值。
可选的，所述处理器，具体用于：
将每个所述历史时间段内的第二历史平均车速，作为每个所述历史时间段的表征路况状态的历史数值；或
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，将每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间的拥堵指数，作为每个所述历史时间段内的表征路况状态的历史数值；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差。
可选的，所述处理器，还用于：
统计所述预测数值与用户输入的实际数值之间的差值大于预设值的次数；
若所述次数超过预设次数，则按照目标日期的时间顺序，对每个目标日期对应的权重进行调整；
直到使用调整后的每个目标日期对应的权重，确定的预测数值，与对应的实际数值之间的差值大于预设值的次数不超过预设次数，则停止对每个目标日期对应的权重的调整，并采用调整后的每个目标日期对应的权重，进行预测。
可选的，所述处理器，具体用于：
根据每个所述历史时间段内的第一历史平均车速，预测所述预测时间段内的所述目标预测区域的拥堵指数；
按照拥堵级别划分标准，确定所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别；
若所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别，超过预设级别，则将所述预测时间段作为所述目标预测区域的表征路况状态的预测数值。
可选的，所述处理器，还用于：
针对任意一个预测时间段，根据所述预测时间段对应的每个历史时间段内的多个第二历史数量，预测所述预测时间段内所述目标预测区域的每条道路的流量值；每个第二历史数量为在所述目标预测区域内的在每条道路上行驶的车辆的数量；
根据预测到的每条道路的流量值，预测所述预测时间段内所述目标预测区域内的流量。
在示例性实施例中，还提供了一种包括指令的存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述区域路况预测方法。可选地，存储介质可以是非临时性计算机可读存储介质，例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明实施例还提供一种计算机程序产品，当所述计算机程序产品在电子设备上运行时，使得所述电子设备执行实现本发明实施例上述任意一项所述的区域路况预测方法。
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (8)

1.一种电子设备，其特征在于，包括：接收单元、处理器和显示器；
所述接收单元，用于接收用户对目标预测区域的预测日期的预测指令；
所述处理器，用于响应用户对目标预测区域的预测日期的预测指令，对所述预测日期进行划分，得到多个预测时间段；
针对任意一个预测时间段，根据在所述预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个所述历史时间段内每种类型的道路对应的权重；其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；所述每种类型的道路为所述目标预测区域内的道路；
根据每个所述历史时间段内每种类型的道路对应的权重，对每个所述历史时间段内的多个第一历史平均车速进行加权处理，得到每个所述历史时间段内所述目标预测区域对应的第二历史平均车速，其中每个所述第一历史平均车速为所述历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，根据每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间比值，确定每个所述历史时间段的拥堵指数；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的拥堵指数进行加权处理，并将加权后的拥堵指数之和，作为所述预测时间段内的所述目标预测区域的拥堵指数；
按照拥堵级别划分标准，确定所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别；
若所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别，超过预设级别，则将所述预测时间段作为所述目标预测区域的表征路况状态的预测数值；
所述显示器，用于显示所述预测时间段内的所述目标预测区域的路况状态。
2.根据权利要求1所述的电子设备，其特征在于，所述预测时间段对应的历史时间段为目标日期内的时间段，所述目标日期为与所述预测日期相同性质的在所述预测日期之前的日期；
所述处理器，具体用于：
根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的表征路况状态的历史数值进行加权处理，并将加权后的历史数值之和，作为所述预测时间段内的所述目标预测区域的表征路况状态的预测数值。
3.根据权利要求2所述的电子设备，其特征在于，所述处理器，具体用于：
将每个所述历史时间段内的第二历史平均车速，作为每个所述历史时间段的表征路况状态的历史数值；或
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，将每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间的拥堵指数，作为每个所述历史时间段内的表征路况状态的历史数值；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差。
4.根据权利要求2或3所述的电子设备，其特征在于，所述处理器，还用于：
统计所述预测数值与用户输入的实际数值之间的差值大于预设值的次数；
若所述次数超过预设次数，则按照目标日期的时间顺序，对每个目标日期对应的权重进行调整；
直到使用调整后的每个目标日期对应的权重，确定的预测数值，与对应的实际数值之间的差值大于预设值的次数不超过预设次数，则停止对每个目标日期对应的权重的调整，并采用调整后的每个目标日期对应的权重，进行预测。
5.根据权利要求2所述的电子设备，其特征在于，所述处理器，还用于：
针对任意一个预测时间段，根据所述预测时间段对应的每个历史时间段内的多个第二历史数量，预测所述预测时间段内所述目标预测区域的每条道路的流量值；每个第二历史数量为在所述目标预测区域内的每条道路上行驶的车辆的数量；
根据预测到的每条道路的流量值，预测所述预测时间段内所述目标预测区域内的流量。
6.一种区域路况预测方法，其特征在于，包括：
响应用户对目标预测区域的预测日期的预测指令，对所述预测日期进行划分，得到多个预测时间段；
针对任意一个预测时间段，根据在所述预测时间段对应的每个历史时间段内的多个第一历史数量，确定每个所述历史时间段内每种类型的道路对应的权重；其中，每个第一历史数量为在每种类型的道路上行驶的车辆的数量；所述每种类型的道路为所述目标预测区域内的道路；
根据每个所述历史时间段内每种类型的道路对应的权重，对每个所述历史时间段内的多个第一历史平均车速进行加权处理，得到每个所述历史时间段内所述目标预测区域对应的第二历史平均车速，其中每个所述第一历史平均车速为所述历史时间段内行驶在每种类型的道路上的车辆的车速平均值；
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，根据每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间比值，确定每个所述历史时间段的拥堵指数；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的拥堵指数进行加权处理，并将加权后的拥堵指数之和，作为所述预测时间段内的所述目标预测区域的拥堵指数；
按照拥堵级别划分标准，确定所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别；
若所述预测时间段内的所述目标预测区域的拥堵指数对应的拥堵级别，超过预设级别，则将所述预测时间段作为所述目标预测区域的表征路况状态的预测数值。
7.根据权利要求6所述的区域路况预测方法，其特征在于，所述预测时间段对应的历史时间段为目标日期内的时间段，所述目标日期为与所述预测日期相同性质的在所述预测日期之前的日期；
根据每个所述历史时间段内的第二历史平均车速，预测所述预测时间段内的所述目标预测区域的路况状态，包括：
根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值；
根据每个包含历史时间段的目标日期对应的权重，对每个所述历史时间段的表征路况状态的历史数值进行加权处理，并将加权后的历史数值之和，作为所述预测时间段内的所述目标预测区域的表征路况状态的预测数值。
8.根据权利要求7所述的区域路况预测方法，其特征在于，根据每个所述历史时间段内的第二历史平均车速，确定每个所述历史时间段的表征路况状态的历史数值，包括：
将每个所述历史时间段内的第二历史平均车速，作为每个所述历史时间段的表征路况状态的历史数值；或
确定每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值，将每个所述历史时间段内的第一差值和每个所述历史时间段内的第二差值之间的拥堵指数，作为每个所述历史时间段内的表征路况状态的历史数值；其中，所述第一差值为所述第二历史平均车速，与所述目标预测区域中的最高车速之差；所述第二差值为所述目标预测区域中的最高车速，与所述目标预测区域中的最低车速之差。
CN202110719337.8A 2021-06-28 2021-06-28 电子设备及区域路况预测方法 Active CN113470356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110719337.8A CN113470356B (zh) 2021-06-28 2021-06-28 电子设备及区域路况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110719337.8A CN113470356B (zh) 2021-06-28 2021-06-28 电子设备及区域路况预测方法

Publications (2)

Publication Number Publication Date
CN113470356A CN113470356A (zh) 2021-10-01
CN113470356B true CN113470356B (zh) 2022-11-04

Family

ID=77873281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110719337.8A Active CN113470356B (zh) 2021-06-28 2021-06-28 电子设备及区域路况预测方法

Country Status (1)

Country Link
CN (1) CN113470356B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114170795B (zh) * 2021-11-20 2023-04-07 武汉鑫弘凯交通科技有限公司 一种智能交通系统中的物联网交通监测系统的使用方法
CN114220268A (zh) * 2021-12-16 2022-03-22 济南市公安局交通警察支队 一种基于道路安全指数进行最优派警的方法及系统
CN114613137B (zh) * 2022-03-07 2023-02-21 同盾科技有限公司 应用于高速公路的拥堵指数确定方法、装置、介质及设备
CN117392852B (zh) * 2023-12-11 2024-05-03 深圳鹏智瑞数字营销有限公司 一种面向大数据分析的云计算资源调度优化系统
CN117493820B (zh) * 2024-01-03 2024-04-02 中国电子工程设计院股份有限公司 一种数据要素处理方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299442A (zh) * 2014-10-15 2015-01-21 河海大学 一种基于模式匹配的城市路径行程时间预测方法
CN104318781A (zh) * 2014-10-27 2015-01-28 东南大学 基于rfid技术的行程速度获取方法
CN104882020A (zh) * 2015-06-05 2015-09-02 刘光明 预测交通状况和行车时间
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
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
CN111862583A (zh) * 2019-04-24 2020-10-30 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8755991B2 (en) * 2007-01-24 2014-06-17 Tomtom Global Assets B.V. Method and structure for vehicular traffic prediction with link interactions and missing real-time data
CN101982843B (zh) * 2010-10-21 2012-05-09 天津大学 一种非参数回归短时交通流预测中状态向量的选取方法
CN102407850B (zh) * 2011-09-26 2013-11-06 浙江大学 基于随机运行工况模型的混合动力公交车能源管理方法
CN110807912A (zh) * 2018-08-06 2020-02-18 厦门雅迅网络股份有限公司 一种道路行车速度预测方法、终端设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104299442A (zh) * 2014-10-15 2015-01-21 河海大学 一种基于模式匹配的城市路径行程时间预测方法
CN104318781A (zh) * 2014-10-27 2015-01-28 东南大学 基于rfid技术的行程速度获取方法
CN104882020A (zh) * 2015-06-05 2015-09-02 刘光明 预测交通状况和行车时间
CN108492555A (zh) * 2018-03-20 2018-09-04 青岛海信网络科技股份有限公司 一种城市路网交通状态评价方法及装置
CN111862583A (zh) * 2019-04-24 2020-10-30 北京嘀嘀无限科技发展有限公司 一种车流量预测方法及装置
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
CN113470356A (zh) 2021-10-01

Similar Documents

Publication Publication Date Title
CN113470356B (zh) 电子设备及区域路况预测方法
CN112703517A (zh) 电子叫车服务
US11775888B2 (en) Intelligent scheduling table generation method based on multi-source data analysis of buses
WO2017033215A1 (ja) 渋滞予防システム、渋滞予防方法、及び、記録媒体
US20140172521A1 (en) Traffic Control System, Congestion Control Method, Information Processing Apparatus, and Control Method and Storage Medium Therefor
CN109345031B (zh) 基于交通流数据的协调干线线路规划方法及配置系统
Eliasson Efficient transport pricing–why, what, and when?
CN113096435B (zh) 共享车位确定方法、装置、设备及存储介质
US11062241B2 (en) System and method for facilitating parking enforcement officer dispatching in real time with the aid of a digital computer
CN110929179A (zh) 一种出行数据的处理方法、装置及电子设备
Herzog The city-wide effects of tolling downtown drivers: Evidence from london's congestion charge
US11068813B2 (en) System and method for providing conditional autonomous messaging to parking enforcement officers with the aid of a digital computer
CN112767694A (zh) 用于缓解道路拥堵的交通优化方法和装置
CN114255040A (zh) 账户充值提示方法、装置、电子设备以及存储介质
Clara Fang et al. Computer simulation modeling of driver behavior at roundabouts
CN110704731B (zh) 一种充电桩链式推荐方法和装置
Zhang et al. Managing traffic with raffles
CN111723169B (zh) 一种地图显示方法、装置、电子设备和存储介质
CN113048997B (zh) 基于大数据的行车建议方法、系统、存储介质及服务器
Moreira-Matias et al. An online learning framework for predicting the taxi stand's profitability
CN114459492A (zh) 确定推荐路线的方法、装置、设备、存储介质及产品
Koo et al. Commuter response to traffic information on an incident
CN114898575B (zh) 电子设备及路段排队长度确定方法
KR20200134047A (ko) 대중교통 안내 서비스 방법
CN111813878A (zh) 数据处理方法、装置、存储介质及电子设备

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