CN113592136A - 一种交通数据预测方法、装置及电子设备 - Google Patents
一种交通数据预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113592136A CN113592136A CN202110677845.4A CN202110677845A CN113592136A CN 113592136 A CN113592136 A CN 113592136A CN 202110677845 A CN202110677845 A CN 202110677845A CN 113592136 A CN113592136 A CN 113592136A
- Authority
- CN
- China
- Prior art keywords
- period
- traffic data
- target
- history
- determining
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000012216 screening Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims 2
- 230000000737 periodic effect Effects 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G06Q50/40—
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of 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
- G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
-
- 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
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- 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
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Abstract
本申请公开了一种交通数据预测方法、装置及电子设备,涉及计算机技术领域,其中,方法包括:获取多个周期内监测到的交通数据,根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期,根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。提高了对目标周期交通数据的预测准确度。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及智能交通技术领域,具体涉及一种交通数据预测方法、装置及电子设备。
背景技术
对于交通数据的预测是智能交通技术中重要的一个环节,准确的交通数据预测,有助于及时采取适当的交通控制手段,使得交通更加有序。
但是道路交通系统是时变、复杂的非线性系统,不仅包括自然界因素,如季节、气候等,而且包括各种人为因素,如交通事故、突发事件及司机心理状态等,影响着对道路交通数据实时准确的预测。
发明内容
本申请提供了一种交通数据预测方法、装置及电子设备。
为此,本申请的第一个目的在于提出一种交通数据预测方法,通过将历史周期交通数据与目标周期数据的比较,从历史周期中选取符合要求的参考周期交通数据,从而实现对目标周期交通数据的预测,不仅保持了历史周期交通数据的特性,而且操作简便,预测准确度高。
本申请的第二个目的在于提出一种交通数据预测装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种存储有计算机指令的非瞬时计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的,本申请第一方面实施例提出了一种交通数据预测方法,包括:
获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期;
根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期;
根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度;
根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据;
根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
为达上述目的,本申请第二方面实施例提出了一种交通数据预测装置,包括:
获取模块,用于获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期;
筛选模块,用于根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期;
执行模块,用于根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度;
匹配模块,用于根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据;
预测模块,用于根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面所述的方法。
为达上述目的,本申请第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行如第一方面所述的方法。
为达上述目的,本申请第五方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如第一方面所述的方法。
本申请实施例所提供的技术方案可以实现如下的有益效果:
获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期,根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期,根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。通过根据目标周期中已采集的交通数据,从历史周期中选取对于目标周期有参考性的参考周期交通数据,从而根据参考周期中的交通数据对目标周期交通数据的预测,预测准确度高。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例所提供的一种交通数据预测方法的流程示意图;
图2为本申请实施例所提供的另一种交通数据预测方法的流程示意图;
图3为本申请实施例所提供的一种交通数据预测装置的结构示意图;
图4为本申请实施例所提供的示例电子设备400的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1为本申请实施例提供的一种交通数据预测方法的流程示意图。
如图1所示,该方法包括以下步骤:
步骤101,获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期。
这里,所述多个周期内监测到的交通数据,是通过视频感知设备获取的,通过将所述视频感知设备与交通信号灯设备连接,从而实现道路交通流量与交通信号灯的灯态信息强绑定,无需将信号灯的控制时钟与视频感知设备进行时钟对齐。所述视频感知设备获取到的交通数据会存储在预置的数据库中。当外界需要提取目标道路的交通信息时,直接可以从所述数据库中提取所需要的交通数据。所述交通数据包含当前与历史的各个时间段的实时交通数据。其中,作为一种可能的实现方式,交通数据包括多个指标取值,例如:流量、饱和度和路口通行时间等等。
这里,所述周期是相对采样点而言的,依据历史的经验,只需采集当前时刻之前各周期4个采样点的交通数据,就可以实现对下一时刻交通数据进行预测。例如,当前时刻t的交通流量为v(t),那么之前的采样点交通数据,分别为v(t-1)、v(t-2)、v(t-3)。类似的,历史周期采样点的交通流量可表示为:vh(t)、vh(t-1)、vh(t-2)、vh(t-3)。对应的,所述下一时刻的交通流量当前的和历史的分别为:v(t+1)、vh(t+1)。
需要说明的是,4个采样点仅作为示例性描述,不构成对本实施例的限定。本领域技术人员可以知晓,采用其它周期数或者采样点个数均不影响本实施例的实现。
步骤102,根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期。
可选地,可以从距离所述目标周期最近的历史周期开始选取目标个数的周期作为参考周期。本实施例中,具体可以首先获取各所述历史周期的数据预测误差,根据各所述历史周期中,所述数据预测误差处于设定误差范围内的历史周期个数,确定所述目标个数,进而,选取距离目标周期最近的目标个数的所述历史周期作为所述参考周期。
这里,历史周期与目标周期之间的时间间隔,与步骤101中采样点之间的时间间隔不同。在本步骤中提及的时间间隔,可以是当前周期,也即目标周期,与历史周期之间的时间间隔,比如,今天、前天。
该实施例中,参考周期的确定可以包含两种实现方案。
作为第一种可能的实现方案:以目标周期为起点,往前依次选择目标个数的所述历史周期作为参考周期,也即先确定目标个数,后向所述数据库中查找与所述目标周期近邻的所述目标个数个所述各历史周期的交通数据。此处目标个数的确定,是根据各所述历史周期的数据预测误差与设定的误差范围决定的。
作为第二种可能的实现方案:先根据各所述历史周期的数据预测误差与设定的误差范围,确定所述目标个数,然后将处于设定的误差范围的所述数据预测误差对应的所述历史周期,作为参考周期。
步骤103,根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度。
可选地,根据所述目标周期中多个所述第一时刻的交通数据,确定所述目标周期的状态向量,根据所述参考周期中对应所述多个第一时刻的交通数据,确定所述参考周期的状态向量,根据各所述历史周期的流量,确定前后历史周期之间所述流量的第一相关系数,根据各所述历史周期的饱和度,确定前后历史周期之间所述饱和度的第二相关系数,根据所述目标周期的状态向量与所述参考周期的所述状态向量之间对应所述流量部分的差异、对应所述饱和度部分的差异,确定所述目标周期的状态向量与所述参考周期的状态向量之间的向量距离,根据所述向量距离确定所述目标周期与所述参考周期之间的数据相似度。
这里,所述多个所述第一时刻,可以是根据经验设定的4个采样时刻,即包括当前时刻t的,前t-1、t-2、t-3时间点。
所述状态向量由当前周期采样时刻与对应的历史周期交通数据的采样时刻数据的流量和饱和度组成,比如,目标周期状态向量
X=[v(t)…v(t-3),o(t)…o(t-3)]。其中,o(t)、oh(t)为饱和度。
所述第一相关系数r1与所述第二相关系数r2,是皮尔逊相关系数,其计算公式为:
上述相关系数r的计算公式中,x可以表示为当前时刻的交通流量v(t),y可以表示为下一时刻的交通流量v(t+1);或者,x可以表示为当前时刻的饱和度o(t),y可以表示为下一时刻的饱和度o(t+1)。
值得注意的是,这里通过各所述历史周期中的交通数据得到的所述第一相关系数r1与所述第二相关系数r2,适用于包含所述目前周期与各所述历史周期的所有周期的交通数据的相关计算中。
所述向量距离,采用欧式距离,其计算公式为:
该实施例中,通过将所述目标周期中已采样第一时刻的4个采样点交通数据与通过步骤102得到的所述参考周期中对应时刻的交通数据,带入上述向量距离的计算公式中,从而得到所述目标周期与所述参考周期之间的数据相似度。一般而言,所述向量距离的值越小,所述数据相似度越高,对于目标周期的交通数据预测也就越有参考意义。
步骤104,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据。
这里,所述目标周期内待预测的第二时刻是与所述第一时刻相对而言的,所述第一时刻与所述第二时刻之间的时间间隔为一个周期。比如,所述第一时刻包括:t-3、t-2、t-1、t,那么所述第二时刻,即为t+1。另外,从所述参考周期中获取的对应所述第二时刻的参考交通数据,仅包含交通流量数据。
步骤105,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
可选地,作为一种可能的实现方式,根据所述目标周期与所述参考周期之间的数据相似度,确定所述参考周期的权重,其中,所述权重与所述数据相似度之间为反向关系,根据所述参考周期的权重,对所述参考周期中的所述参考交通数据进行加权,以预测出所述目标周期内所述第二时刻的交通数据。
需要说明的是,反向关系是指权重随相似度增大而减小,随相似度减小而增大的关系,例如,反比关系。
这里,所述参考周期的权重的主要作用是衡量所述参考周期中被使用数据,也即所述第二时刻的交通流量,对目标周期中所述第二时刻的待预测交通流量的贡献程度,其计算公式为:
上述公式中,β即为所述参考周期的权重,Di为所述目标周期与所述参考周期之间的向量距离。从公式中可以看出,所述向量距离越大,那么其所具有的权重也就越小。
根据所述参考周期的权重及所述参考周期中第二时刻的参考交通数据,也即所述第二时刻的交通流量数据,即可预测出所述目标周期内所述第二时刻的交通数据,即目标周期内所述第二时刻的交通流量,其预测公式为:
从上述公式可以看出,如果所述参考周期的权重大,那么就可以更多地应用所述参考周期中对应时刻的参考交通流通数据作为所述目标周期内所述第二时刻的交通流量,反之,所述参考周期的权重小,那么所使用的所述参考周期中的数据量也较小,从而有效的利用了所述参考周期的所述第二时刻的参考交通数据,进而提高了预测的准确率。
本实施例的交通数据预测方法,获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期,根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期,根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据,通过将历史周期交通数据与目标周期数据的比较,从历史周期中选取符合要求的参考周期交通数据,从而实现对目标周期交通数据的预测,不仅保持了历史周期交通数据的特性,而且操作简便,预测准确度高。
基于上一实施例,本实施例提供了另一种交通数据预测方法的可能的实现方式,图2为本申请实施例提供的另一种交通数据预测方法的流程示意图。
如图2所示,该方法可以包括以下步骤:
步骤201,获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期。
该实施例中,具体可以参照上一实施例中的步骤101,原理相同,在此不再赘述。
步骤202,从距离所述目标周期最近的历史周期开始,选取目标个数的所述历史周期作为所述参考周期。
可选地,作为一种可能的实现方式,获取各所述历史周期的数据预测误差,根据各所述历史周期中,所述数据预测误差处于设定误差范围内的历史周期个数,确定所述目标个数。
该实施例中,所述各所述历史周期的数据预测误差,实际上是各所述历史周期中对应上一实施例中的步骤101中所述下一时刻的预测交通流量与实际交通流量之间的差值。所述设定的误差范围是根据各所述历史周期的数据预测误差,得到的一个误差值分布区间,这个分布区间可以根据经验选取误差占比小于20%的数据。比如,在各所述历史周期中,所述下一时刻的预测交通流量值为A,实际交通流量值为B,那么所述的数据预测误差占比为(A-B)/A。然后,统计这些误差占比小于20%的数据误差值,根据这些数据误差值的上下限,确定所述设定的误差范围。
在确定所述目标个数之前,由于在目标周期之前可能存在大量的历史周期数据,为了达到各所述历史周期的交通数据与所述目标周期的交通数据有更好的匹配程度,依经验,这里选取各所述历史周期与所述目标周期的时间间隔最大不超过20天。然后,从目标周期开始依次获取20个周期的交通数据,根据这些交通数据的所述数据预测误差与所述设定的误差范围进行比较,选取所述数据预测误差处于所述设定的误差范围内对应的所述各历史周期。然后,统计这些符合要求的历史周期的数量,就得到所述目标个数。
根据所述目标个数,可以从距离所述目标周期最近的历史周期开始,选取目标个数个历史周期,作为参考周期。这里,所述参考周期的选择,可以包括两种方案。
第一种:将所述符合要求的历史周期,作为参考周期;例如这里的要求可以是:与目标周期之间相似度应大于或等于某阈值,或者,预测误差应小于或等于某误差限值。
第二种:从距离所述目标周期最近的历史周期开始,依次选取目标个数个历史周期,作为参考周期。
在第一种方案中,所述参考周期的数据预测误差都在所述设定的误差范围内,所述参考周期在历史时间(如,天数)的排列上,可能是离散的,也可能是相邻的。在第二种方案中,所述参考周期则仅为相邻的,并且是与所述目标周期近邻的所述目标个数个历史周期。
步骤203,根据所述目标周期中多个所述第一时刻的交通数据,确定所述目标周期的状态向量。
这里,所述目标周期的状态向量X=[v(t)…v(t-3),o(t)…o(t-3)]中,流量v(t),和饱和度o(t),是依据在计算当前和历史周期数据的相似度时,衡量了各种影响因子后,将周期之间相关系数最高的影响因子作为所述状态向量的指标,也即流量和饱和度。从而使得根据历史周期中流量和饱和度预测出的后续目标周期的交通数据准确度更高。
步骤204,根据所述参考周期中对应所述多个第一时刻的交通数据,确定所述参考周期的状态向量。
这里,所述参考周期的状态向量为Xh=[vh(t)…vh(t-3),oh(t)…oh(t-3)]。
步骤205,根据所述目标周期的状态向量与所述参考周期的状态向量之间的向量距离,确定所述目标周期与所述参考周期之间的数据相似度。
该实施例中,所述向量距离的相关计算方式已在上一实施例的步骤103中有所表示,原理相同,在此不再赘述。由于要选取所述目标个数个参考周期,因而需要计算出目标个数个所述向量距离。
步骤206,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据。
该实施例中,具体可以参照上一实施例中的步骤104,原理相同,在此不再赘述。
步骤207,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
可选地,作为一种可能的实现方式,根据所述目标周期与所述参考周期之间的数据相似度,确定所述参考周期的权重,其中,所述权重与所述数据相似度之间为反向关系,根据所述参考周期的权重,对所述参考周期中的所述参考交通数据进行加权,以预测出所述目标周期内所述第二时刻的交通数据。
该实施例中,所述参考周期的权重及所述目标周期内所述第二时刻的交通数据的预测公式及原理可参照上一实施例中的步骤105中的相关陈述,在此不再赘述。值得注意的是,该实施例所使用的所述参考周期中的所述参考交通数据是与所述目标周期内所述第二时刻对应时刻的实时交通流量数据。另外,由于本实施例并未对所述参考周期中的原始数据作任何处理,从而保持了原始数据的特性,不仅有利于预测数据的真实性,而且操作简便。由于所述交通数据中可能包含有其他影响因子,利用本申请所述交通数据预测方法,也可以对其他影响因子进行预测,在此不做特定限制。
本实施例的交通数据预测方法,获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期,根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期,根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据,通过将历史周期交通数据与目标周期数据的比较,从历史周期中选取符合要求的参考周期交通数据,从而实现对目标周期交通数据的预测,不仅保持了历史周期交通数据的特性,而且操作简便,预测准确度高。
为了实现上述实施例,本申请还提出一种交通数据预测装置。
图3为本申请实施例提供的一种交通数据预测装置的结构示意图。
如图3所示,该装置包括:获取模块31、筛选模块32、执行模块33、匹配模块34、预测模块35。
获取模块31,用于获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期。
筛选模块32,用于根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期。
执行模块33,用于根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度。
匹配模块34,用于根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据。
预测模块35,用于根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
进一步地,作为一种可能的实现方式,上述执行模块33还包括:
第一配置单元331,用于根据所述目标周期中多个所述第一时刻的交通数据,确定所述目标周期的状态向量。
第二配置单元332,用于根据所述参考周期中对应所述多个第一时刻的交通数据,确定所述参考周期的状态向量。
第一执行单元333,用于根据所述目标周期的状态向量与所述参考周期的状态向量之间的向量距离,确定所述目标周期与所述参考周期之间的数据相似度。
进一步地,作为一种可能的实现方式,上述预测模块35还包括:
第二执行单元351,用于根据所述目标周期与所述参考周期之间的数据相似度,确定所述参考周期的权重,其中,所述权重与所述数据相似度之间为反向关系。
预测单元352,用于根据所述参考周期的权重,对所述参考周期中的所述参考交通数据进行加权,以预测出所述目标周期内所述第二时刻的交通数据。
作为一种可能的实现方式,上述筛选模块32,还用于:
获取各所述历史周期的数据预测误差,根据各所述历史周期中,所述数据预测误差处于设定误差范围内的历史周期个数,确定所述目标个数。
作为一种可能的实现方式,上述第一执行单元333,还用于:
根据各所述历史周期的流量,确定前后历史周期之间所述流量的第一相关系数,根据各所述历史周期的饱和度,确定前后历史周期之间所述饱和度的第二相关系数,根据所述目标周期的状态向量与所述参考周期的所述状态向量之间对应所述流量部分的差异、对应所述饱和度部分的差异,以及所述第一相关系数和第二相关系数,确定所述向量距离。
本实施例的交通数据预测装置,获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期,根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期,根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度,根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据,根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据,通过将历史周期交通数据与目标周期数据的比较,从历史周期中选取符合要求的参考周期交通数据,从而实现对目标周期交通数据的预测,不仅保持了历史周期交通数据的特性,而且操作简便,预测准确度高。
需要说明的是,前述对交通数据预测方法实施例的解释说明也适用于该实施例的交通数据预测装置,此处不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本申请的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory,随机访问/存取存储器)403中的计算机程序,来执行各种适当的动作和处理。在RAM403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。I/O(Input/Output,输入/输出)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如文本生成方法。例如,在一些实施例中,文本生成方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述文本生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
其中,需要说明的是,人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (15)
1.一种交通数据预测方法,包括:
获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期;
根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期;
根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度;
根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据;
根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
2.根据权利要求1所述的交通数据预测方法,其中,所述根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度,包括:
根据所述目标周期中多个所述第一时刻的交通数据,确定所述目标周期的状态向量;
根据所述参考周期中对应所述多个第一时刻的交通数据,确定所述参考周期的状态向量;
根据所述目标周期的状态向量与所述参考周期的状态向量之间的向量距离,确定所述目标周期与所述参考周期之间的数据相似度。
3.根据权利要求2所述的交通数据预测方法,其中,所述交通数据包括流量和饱和度,所述根据所述目标周期的状态向量与所述参考周期的状态向量之间的向量距离,确定所述目标周期与所述参考周期之间的数据相似度之前,还包括:
根据各所述历史周期的流量,确定前后历史周期之间所述流量的第一相关系数;
根据各所述历史周期的饱和度,确定前后历史周期之间所述饱和度的第二相关系数;
根据所述目标周期的状态向量与所述参考周期的所述状态向量之间对应所述流量部分的差异、对应所述饱和度部分的差异,以及所述第一相关系数和第二相关系数,确定所述向量距离。
4.根据权利要求1所述的交通数据预测方法,其中,所述根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期,包括:
从距离所述目标周期最近的历史周期开始,选取目标个数的所述历史周期作为所述参考周期。
5.根据权利要求4所述的交通数据预测方法,其中,所述从距离所述目标周期最近的历史周期开始,选取目标个数的所述历史周期作为所述参考周期之前,还包括:
获取各所述历史周期的数据预测误差;
根据各所述历史周期中,所述数据预测误差处于设定误差范围内的历史周期个数,确定所述目标个数。
6.根据权利要求1-5任一项所述的交通数据预测方法,其中,所述根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据,包括:
根据所述目标周期与所述参考周期之间的数据相似度,确定所述参考周期的权重,其中,所述权重与所述数据相似度之间为反向关系;
根据所述参考周期的权重,对所述参考周期中的所述参考交通数据进行加权,以预测出所述目标周期内所述第二时刻的交通数据。
7.一种交通数据预测装置,包括:
获取模块,用于获取多个周期内监测到的交通数据,其中,所述多个周期包括目标周期,以及所述目标周期之前的至少一历史周期;
筛选模块,用于根据各所述历史周期与所述目标周期的时间间隔,从所述至少一历史周期中确定参考周期;
执行模块,用于根据所述目标周期中已采样的第一时刻的交通数据,以及所述参考周期中对应时刻的交通数据,确定所述目标周期与所述参考周期之间的数据相似度;
匹配模块,用于根据所述目标周期内待预测的第二时刻,从所述参考周期中获取对应所述第二时刻的参考交通数据;
预测模块,用于根据所述目标周期与所述参考周期之间的数据相似度,以及所述参考周期中的所述参考交通数据,预测所述目标周期内所述第二时刻的交通数据。
8.根据权利要求7所述的交通数据预测装置,其中,所述执行模块,包括:
第一配置单元,用于根据所述目标周期中多个所述第一时刻的交通数据,确定所述目标周期的状态向量;
第二配置单元,用于根据所述参考周期中对应所述多个第一时刻的交通数据,确定所述参考周期的状态向量;
第一执行单元,用于根据所述目标周期的状态向量与所述参考周期的状态向量之间的向量距离,确定所述目标周期与所述参考周期之间的数据相似度。
9.根据权利要求8所述的交通数据预测装置,其中,所述交通数据包括流量和饱和度,所述第一执行单元,还用于:
根据各所述历史周期的流量,确定前后历史周期之间所述流量的第一相关系数;
根据各所述历史周期的饱和度,确定前后历史周期之间所述饱和度的第二相关系数;
根据所述目标周期的状态向量与所述参考周期的所述状态向量之间对应所述流量部分的差异、对应所述饱和度部分的差异,以及所述第一相关系数和第二相关系数,确定所述向量距离。
10.根据权利要求7所述的交通数据预测装置,其中,所述筛选模块,用于从距离所述目标周期最近的历史周期开始,选取目标个数的所述历史周期作为所述参考周期。
11.根据权利要求10所述的交通数据预测装置,其中,所述筛选模块,还用于:
获取各所述历史周期的数据预测误差;
根据各所述历史周期中,所述数据预测误差处于设定误差范围内的历史周期个数,确定所述目标个数。
12.根据权利要求7-11任一项所述的交通数据预测装置,其中,所述预测模块,包括:
第二执行单元,用于根据所述目标周期与所述参考周期之间的数据相似度,确定所述参考周期的权重,其中,所述权重与所述数据相似度之间为反向关系;
预测单元,用于根据所述参考周期的权重,对所述参考周期中的所述参考交通数据进行加权,以预测出所述目标周期内所述第二时刻的交通数据。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110677845.4A CN113592136A (zh) | 2021-06-18 | 2021-06-18 | 一种交通数据预测方法、装置及电子设备 |
KR1020220033144A KR20220042315A (ko) | 2021-06-18 | 2022-03-17 | 교통 데이터 예측 방법, 장치 및 전자 기기 |
JP2022066800A JP7446359B2 (ja) | 2021-06-18 | 2022-04-14 | 交通データ予測方法、交通データ予測装置、電子機器、記憶媒体、コンピュータプログラム製品及びコンピュータプログラム |
EP22179168.4A EP4040421B1 (en) | 2021-06-18 | 2022-06-15 | Method and apparatus for predicting traffic data and electronic device |
US17/807,198 US20220309912A1 (en) | 2021-06-18 | 2022-06-16 | Method and apparatus for predicting traffic data and electronic device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110677845.4A CN113592136A (zh) | 2021-06-18 | 2021-06-18 | 一种交通数据预测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113592136A true CN113592136A (zh) | 2021-11-02 |
Family
ID=78244062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110677845.4A Pending CN113592136A (zh) | 2021-06-18 | 2021-06-18 | 一种交通数据预测方法、装置及电子设备 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220309912A1 (zh) |
EP (1) | EP4040421B1 (zh) |
JP (1) | JP7446359B2 (zh) |
KR (1) | KR20220042315A (zh) |
CN (1) | CN113592136A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830851A (zh) * | 2022-11-03 | 2023-03-21 | 阿波罗智联(北京)科技有限公司 | 交通流量调节方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106557842A (zh) * | 2016-11-23 | 2017-04-05 | 上海银天下科技有限公司 | 预测k线的方法及装置 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
US20190139402A1 (en) * | 2016-05-11 | 2019-05-09 | Hangzhou Hikvision Digital Technology Co., Ltd. | Speed prediction method and apparatus |
CN110517479A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视系统技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4223968B2 (ja) | 2004-02-12 | 2009-02-12 | トヨタ自動車株式会社 | 交通状況予測装置および方法 |
JP4932524B2 (ja) | 2006-10-20 | 2012-05-16 | 日本電気株式会社 | 旅行時間予測装置、旅行時間予測方法、交通情報提供システム及びプログラム |
JP2008215874A (ja) | 2007-02-28 | 2008-09-18 | Yamaha Corp | エンジン音認識装置および駐車場管理システム |
CN102460534B (zh) * | 2009-04-22 | 2014-10-29 | 因瑞克斯有限公司 | 基于历史和当前数据预测期望道路交通状况的计算机实现的方法和计算系统 |
DE102011083677A1 (de) * | 2011-09-29 | 2013-04-04 | Bayerische Motoren Werke Aktiengesellschaft | Prognose einer Verkehrssituation für ein Fahrzeug |
US9536424B2 (en) * | 2014-02-10 | 2017-01-03 | Here Global B.V. | Adaptive traffic dynamics prediction |
JP6931159B2 (ja) | 2017-04-12 | 2021-09-01 | 富士通株式会社 | 交通予測プログラム、交通予測装置、及び交通予測方法 |
CN107038478B (zh) * | 2017-04-20 | 2023-10-27 | 百度在线网络技术(北京)有限公司 | 路况预测方法及装置、计算机设备与可读介质 |
-
2021
- 2021-06-18 CN CN202110677845.4A patent/CN113592136A/zh active Pending
-
2022
- 2022-03-17 KR KR1020220033144A patent/KR20220042315A/ko not_active Application Discontinuation
- 2022-04-14 JP JP2022066800A patent/JP7446359B2/ja active Active
- 2022-06-15 EP EP22179168.4A patent/EP4040421B1/en active Active
- 2022-06-16 US US17/807,198 patent/US20220309912A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190139402A1 (en) * | 2016-05-11 | 2019-05-09 | Hangzhou Hikvision Digital Technology Co., Ltd. | Speed prediction method and apparatus |
CN106557842A (zh) * | 2016-11-23 | 2017-04-05 | 上海银天下科技有限公司 | 预测k线的方法及装置 |
CN110517479A (zh) * | 2018-05-22 | 2019-11-29 | 杭州海康威视系统技术有限公司 | 一种城市道路交通预测方法、装置及电子设备 |
CN108564790A (zh) * | 2018-06-12 | 2018-09-21 | 国交空间信息技术(北京)有限公司 | 一种基于交通流时空相似性的城市短时交通流预测方法 |
Non-Patent Citations (2)
Title |
---|
孙棣华等: "高速公路短时交通流量预测的改进非参数回归算法", 公路交通科技, vol. 30, no. 11, pages 112 - 117 * |
张涛等: "基于K近邻非参数回归的短时交通流预测方法", 系统工程理论与实践, vol. 30, no. 02, pages 376 - 384 * |
Also Published As
Publication number | Publication date |
---|---|
EP4040421B1 (en) | 2024-02-14 |
JP2022095895A (ja) | 2022-06-28 |
US20220309912A1 (en) | 2022-09-29 |
JP7446359B2 (ja) | 2024-03-08 |
KR20220042315A (ko) | 2022-04-05 |
EP4040421A3 (en) | 2022-12-07 |
EP4040421A2 (en) | 2022-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN112633384B (zh) | 基于图像识别模型的对象识别方法、装置和电子设备 | |
CN112561077B (zh) | 多任务模型的训练方法、装置及电子设备 | |
CN113792854A (zh) | 一种模型训练及字库建立方法、装置、设备及存储介质 | |
CN115345355B (zh) | 能耗预测模型构建方法、短期能耗预测方法及相关装置 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113705628A (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN115631381A (zh) | 分类模型训练方法、图像分类方法、装置及电子设备 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN113657467B (zh) | 模型预训练方法、装置、电子设备和存储介质 | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN113592136A (zh) | 一种交通数据预测方法、装置及电子设备 | |
CN113902260A (zh) | 信息预测方法、装置、电子设备和介质 | |
CN116468112B (zh) | 目标检测模型的训练方法、装置、电子设备和存储介质 | |
CN113326449A (zh) | 预测交通流量的方法、装置、电子设备和介质 | |
CN113052063A (zh) | 置信度阈值选择方法、装置、设备以及存储介质 | |
CN114090601B (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN114490965B (zh) | 问题处理方法、装置、电子设备和存储介质 | |
CN114492370A (zh) | 网页识别方法、装置、电子设备和介质 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN116095198B (zh) | 一种实验室数据中心的智能搭建方法及系统 | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN115100461B (zh) | 图像分类模型训练方法、装置、电子设备、介质 | |
CN116913092A (zh) | 交通状态预测方法、装置、电子设备及存储介质 |
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 |