CN113688350A - 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端 - Google Patents

一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN113688350A
CN113688350A CN202110802961.4A CN202110802961A CN113688350A CN 113688350 A CN113688350 A CN 113688350A CN 202110802961 A CN202110802961 A CN 202110802961A CN 113688350 A CN113688350 A CN 113688350A
Authority
CN
China
Prior art keywords
traffic flow
parameter
fourier
item
target
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
Application number
CN202110802961.4A
Other languages
English (en)
Inventor
牛永幸
金晟
夏曙东
杜泽婷
袁钢
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.)
Qianfang Jietong Technology Co ltd
Original Assignee
Qianfang Jietong Technology 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 Qianfang Jietong Technology Co ltd filed Critical Qianfang Jietong Technology Co ltd
Priority to CN202110802961.4A priority Critical patent/CN113688350A/zh
Publication of CN113688350A publication Critical patent/CN113688350A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端，方法包括：获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。因此，采用本申请实施例，可以提升交通流量短期预测的精确度。

Description

一种基于傅里叶函数预测交通流量的方法、装置、存储介质及 终端
技术领域
本发明涉及计算机技术领域，特别涉及一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端。
背景技术
随着城市汽车人均拥有量的增加，城市交通拥堵成为常见且严重的交通问题，尤其对于一些大城市而言，快速路和主要路段的拥堵无疑会造成时间和经济上的巨大损失。越来越多的研究者希望通过对交通流状态的分析来解决这一问题，提前预测来避免交通拥堵的产生成为了重要的研究方向。
在现有的交通状态分析中，采用对历史流量数据进行分析，获取长期变化趋势成分以及随机成分对网络流量进行预测。由于城市道路交通情况复杂多变，通过长期趋势成分分析无法较为准确的预测网络内业务流量的发展规律，从而降低了交通流量预测的准确度。
发明内容
本申请实施例提供了一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
第一方面，本申请实施例提供了一种基于傅里叶函数预测交通流量的方法，方法包括：
获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；
接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；
通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。
可选的，按照以下步骤生成预先构建的傅里叶预测函数，包括：
S201从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据，其中，每个工作日的第一交通流数据包括多个按照预设时间段划分的第二交通流数据，每个第二交通流数据对应一个预设时间段；
S203根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值；
S205采用傅里叶函数对所述每个预设时间段中的流量周期项数值进行周期性拟合，得到每个预设时间段的傅里叶函数的第一特征值与第二特征值；
S207基于所述每个预设时间段的傅里叶函数的第一特征值与第二特征值构建傅里叶预测模型；
S209将构建的所述傅里叶预测模型确定为预先构建的周期项预测模型。
可选的，确定待预测的目标参数之前，还包括：
通过检测器实时采集车辆在预设各个时段中经过检测器的流量数据，生成原始数据；
加载数据处理规则表；
根据数据处理规则表将原始数据进行结构化，生成结构化历史数据。
可选的，在从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据之后，还包括：
将所述多个第一交通流数据划分为训练集和测试集；
对所述训练集里的第一交通流数据执行步骤S203-S209，得到与待预测时间参数对应的预先构建的周期项预测模型；
采用所述测试集里的第一交通流数据对所述预先构建的周期项预测模型进行验证，将拟合效果最优对应的傅里叶展开级数作为所述预设控制参数。
可选的，所述构建傅里叶预测函数时所采用的多个历史工作日的交通流量数据为与待预测时间段相邻的过去的n个历史工作日的交通流量数据，其中n≥20。
可选的，所述通过结构化历史数据计算特定工作日影响参数，包括：
从结构化历史数据中获取预设周期内特定工作日的交通流量与全部工作日的交通流量；
计算所述特定工作日的交通流量的平均值，得到第一均值；
计算所述全部工作日的交通流量的平均值，得到第二均值；
将所述第一均值与所述第二均值做差，生成第一均值差；
将所述第一均值差确定为特定工作日影响程度。
可选的，所述通过结构化历史数据计算天气影响参数包括：
从结构化历史数据中获取全部非下雨天特定工作日交通流量与全部下雨天特定工作日交通流量；
计算所述非下雨天特定工作日交通流量的平均值，得到第三均值；
计算所述下雨天特定工作日交通流量的平均值，得到第四均值；
将所述第四均值与所述第三均值做差，生成第二均值差；
将所述第二均值差确定为天气影响程度。
第二方面，本申请实施例提供了一种基于傅里叶函数预测交通流量的装置，装置包括：
参数确定模块，用于获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；
控制参数接收模块，用于接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
特征值输出模块，用于
目标周期项生成模块，用于将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；
目标随机项生成模块，用于通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
交通流量生成模块，用于将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。
第三方面，本申请实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
第四方面，本申请实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，基于傅里叶函数预测交通流量的装置首先获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数，再接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数，再将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项，其次通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项，最后将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。由于本申请通过预先构建的特征值预测模型来拟合出待预测的目标时间参数对应的特征值，并使用该特征值进一步计算出所需的周期项，再考虑天气节日工作日差异等随机项的影响对结果进行修正，从而提升了交通流量短期预测的精确度。
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。
图1是本申请实施例提供的一种基于傅里叶函数预测交通流量的方法的流程示意图；
图2是本申请实施例提供的一种结构化后的原始数据流程示意图；
图3是本申请实施例提供的一种未来多个时间段预测出的流量示意图；
图4是本申请实施例提供的一种特征值预测模型生成的流程示意图；
图5是本申请实施例提供的一种基于傅里叶函数预测交通流量的装置的结构示意图；
图6是本申请实施例提供的一种终端的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，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作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。
下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。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。
在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请提供了一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本申请提供的技术方案中，由于本申请通过预先构建的特征值预测模型来拟合出待预测的目标时间参数对应的特征值，并使用该特征值进一步计算出所需的周期项，再考虑天气节日工作日差异等随机项的影响对结果进行修正，从而提升了交通流量短期预测的精确度，下面采用示例性的实施例进行详细说明。
下面将结合附图1-附图4，对本申请实施例提供的基于傅里叶函数预测交通流量的方法进行详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的基于傅里叶函数预测交通流量的装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。其中，本申请实施例中的基于傅里叶函数预测交通流量的装置可以为用户终端，包括但不限于：个人电脑、平板电脑、手持设备、车载设备、可穿戴设备、计算设备或连接到无线调制解调器的其它处理设备等。在不同的网络中用户终端可以叫做不同的名称，例如：用户设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置、蜂窝电话、无绳电话、个人数字处理(personal digital assistant，PDA)、5G网络或未来演进网络中的终端设备等。
请参见图1，为本申请实施例提供了一种基于傅里叶函数预测交通流量的方法的流程示意图。如图1所示，本申请实施例的方法可以包括以下步骤：
S101，获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；
其中，待预测的目标时间参数为当前需要预测未来某时间段中车流量的时间数据。
通常，在目标时间参数确定时，可根据用户输入的时间段设置指令确定目标时间参数，还可以根据预先设定的时间周期对未来工作日进行自动划分来确定目标时间参数。
在一种可能的实现方式中，当需要预测交通流量时，用户首先确定预测的时间段，然后将该时间段通过指令输入的方式进行设定，设定结束后用户终端根据用户设定的指定确定出待预测的目标时间参数。
在另一种可能的实现方式中，当需要预测交通流量时，用户终端解析预先设定的时间周期，根据该时间周期针对未来预测周期中的每个工作日进行划分，得到每个工作日的多个预测时间段，将每个工作日的多个预测时间段确定为待预测的目标时间参数。
S102，接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
在一种可能的实现方式中，待预测的目标时间参数确定后，用户需要设定针对傅里叶函数的展开级数所对应的控制参数，当用户将该控制参数输入后，用户终端接收该控制参数。
S103，将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；
其中，预先构建的特征值预测模型为预测特征值的数学模型，是基于结构化历史数据拟合出来的，特征值预测模型实质也是傅里叶函数。
具体的，生成预先构建的傅里叶预测函数时，首先从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据，其中，每个工作日的第一交通流数据包括多个按照预设时间段划分的第二交通流数据，每个第二交通流数据对应一个预设时间段，然后根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值，再采用傅里叶函数对所述每个预设时间段中的流量周期项数值进行周期性拟合，得到每个预设时间段的傅里叶函数的第一特征值与第二特征值，其次基于所述每个预设时间段的傅里叶函数的第一特征值与第二特征值构建傅里叶预测模型，最后将构建的所述傅里叶预测模型确定为预先构建的周期项预测模型。
进一步地，在从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据之后，还需要将所述多个第一交通流数据划分为训练集和测试集，再对所述训练集里的第一交通流数据执行图4中的流程步骤S203-S209，得到与待预测时间参数对应的预先构建的周期项预测模型，然后采用所述测试集里的第一交通流数据对所述预先构建的周期项预测模型进行验证，最后将拟合效果最优对应的傅里叶展开级数作为所述预设控制参数。
进一步地，在生成结构化历史数据时，首先通过检测器实时采集车辆在预设各个时段中经过检测器的流量数据，生成原始数据，再加载数据处理规则表，最后根据数据处理规则表将原始数据进行结构化，生成结构化历史数据。
例如，首先原始的流量数据只是检测器检测到的车辆经过记录，所以需要对这些原始数据进行统计，按照相应的时段进行统计。按30min进行统计，得到相应卡口各个时段内的流量数据，例如图2所示。
进一步地，所述构建傅里叶预测函数时所采用的多个历史工作日的交通流量数据为与待预测时间段相邻的过去的n个历史工作日的交通流量数据，其中n≥20。
在一种可能的实现方式中，在确定出目标时间参数与控制参数后，加载预先构建的特征值预测模型，然后将目标时间参数和控制参数输入预先构建的特征值预测模型中，经过模型处理后输出第一特征值与第二特征值。
S104，通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
其中，特定工作日影响参数是表征特定工作日影响程度的参数，天气影响参数类似。
在本申请实施例中，首先从结构化历史数据中获取预设周期内特定工作日的交通流量与全部工作日的交通流量，然后根据特定工作日的交通流量与全部工作日的交通流量计算特定工作日影响程度，再从结构化历史数据中获取全部非下雨天特定工作日交通流量与全部下雨天特定工作日交通流量，最后根据全部非下雨天特定工作日交通流量与全部下雨天特定工作日交通流量计算天气影响程度。
进一步的，在根据特定工作日的交通流量与全部工作日的交通流量计算特定工作日影响程度时，首先计算特定工作日的交通流量的平均值，得到第一均值，然后计算全部工作日的交通流量的平均值，得到第二均值，再将第一均值与第二均值做差，生成第一均值差，最后将第一均值差确定为特定工作日影响程度。
进一步的，在根据全部非下雨天特定工作日交通流量与全部下雨天特定工作日交通流量计算天气影响程度时，首先计算非下雨天特定工作日交通流量的平均值，得到第三均值，然后计算下雨天特定工作日交通流量的平均值，得到第四均值，再将第四均值与第三均值做差，生成第二均值差，最后将第二均值差确定为表征天气影响程度的天气影响参数。
具体的，在流量速度数据中除了周期性特征之外，还存在着一些随机项对流量速度产生影响，如工作日之间的差异、雨天和节日等因素。在对流量速度进行预测时，考虑这些因素可以提升最终预测的准确性。在已有的流量与速度数据中，通过查询历史的天气、节日记录，在速度与流量表中加入相应的变量参数(天气：0晴天，1雨天；节日：1有重大节日，0无)。
原始数据减去周期项得到的差值中便包含这部分随机项数值，可以明显发现剩余数据中并非完全杂乱无章的数据集，而是蕴含着一定的规律。因此对于随机项的提取可能会提升预测结果的准确性。
首先需要提取的便是工作日差异这一随机项的影响；为保证提取的随机项不受其他因素干扰，需要在训练集的数据中排除雨天、节日等天的数据。这样保证了提取出来的差异值中不会包含这些因素的影响。接着计算出特定工作日(周五)交通流的平均值和所有工作日的平均值，用特定工作日交通流平均值减去所有工作日的平均值便得到了特定工作日影响程度，具体公式如下式所示：
Figure BDA0003165322120000091
式中R工作日是特定工作日影响程度，Q特定工作日是特定工作日流量(工作日为周五的流量)，Q所有工作日是所有工作日的流量。
对于天气因素这一随机项，保持工作日不变(如周五)，计算所有数据中非下雨天星期五交通流的平均值和下雨天星期五交通流的平均值。天气因素的影响程度等于下雨天星期五(包含天气因素)交通流的平均值减去非下雨天星期五(不包含天气因素)交通流的平均值，具体公式如下所示：
Figure BDA0003165322120000092
式中R天气是天气影响程度，Q特定天气是特定天气流量(下雨天星期五的流量)，Q非特定天气是非特定天气流量(非下雨天星期五的流量)。
在得到R工作日与R天气后，可代入随机项表达式：
Figure BDA0003165322120000093
得到目标随机项。
S105，将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。
在一种可能的实现方式中，在得到目标周期项、目标随机项后，可获取缓存中的预设残差项，最后将目标周期项、目标随机项以及预设残差项代入公式：
Figure BDA0003165322120000094
中进行求和，从而得到最终的目标时间参数的交通流量。
其中，
Figure BDA0003165322120000101
为周期项，
Figure BDA0003165322120000102
为随机项，
Figure BDA0003165322120000103
为预设残差项。
按照步骤S101-步骤S106对未来多个时段进行预测后，得到的各时段流量预测曲线图例如图3所示。
在本申请实施例中，基于傅里叶函数预测交通流量的装置首先获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数，再接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数，再将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项，其次通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项，最后将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。由于本申请通过预先构建的特征值预测模型来拟合出待预测的目标时间参数对应的特征值，并使用该特征值进一步计算出所需的周期项，再考虑天气节日工作日差异等随机项的影响对结果进行修正，从而提升了交通流量短期预测的精确度。
请参见图4，为本申请实施例提供了一种生成预先构建的傅里叶预测函数的流程示意图。如图4所示，本申请实施例的方法可以包括以下步骤：
S201，从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据，其中，每个工作日的第一交通流数据包括多个按照预设时间段划分的第二交通流数据，每个第二交通流数据对应一个预设时间段；
S202，根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值；
在一种可能的实现方式中，选取同一路段n个工作日内的交通流数据，每个时段内n个工作日的平均值为该路段在该时间段内周期项的具体数值。
公式表示为：
Figure BDA0003165322120000104
式中
Figure BDA0003165322120000105
为该路段在t时段内的流量值，采用该公式可以得到流量的周期项数值。
S203，采用傅里叶函数对所述每个预设时间段中的流量周期项数值进行周期性拟合，得到每个预设时间段的傅里叶函数的第一特征值与第二特征值；
通常，傅里叶函数，对于具有一定周期的函数可以进行有效的拟合，可以用来对周期部分进行预测，得到相应的特征值即an、bn。
同时特征值an、bn又可以作为该路段的特征用于之后的流量预测。具体函数如下式所示：
Figure BDA0003165322120000111
式中an、bn是随傅里叶级数展开，余弦函数和正弦函数的特征值；
Figure BDA0003165322120000112
是函数的首项，x是时段，l是函数的周期。上式在区域[-π,π]之间积分得：
Figure BDA0003165322120000113
得到a0表达式：
Figure BDA0003165322120000114
对于函数的特征值an、bn可以通过在区间内积分结合三角函数的奇偶性，得到相应的表达式，具体公式如下式所示：
Figure BDA0003165322120000115
Figure BDA0003165322120000116
将傅里叶函数的具体公式与每个预设时间段上的流量周期项数值结合，可以得到对于确定的周期项函数拟合公式：
Figure BDA0003165322120000117
根据周期项函数拟合公式可得到每个时间段的第三特征值an与第四特征值bn。
S204，基于所述每个预设时间段的傅里叶函数的第一特征值与第二特征值构建傅里叶预测模型；
在一种可能的实现方式中，结合每个时间段的第三特征值an与第四特征值bn构建特征值预测模型。
S205，将构建的所述傅里叶预测模型确定为预先构建的周期项预测模型。
在本申请实施例中，基于傅里叶函数预测交通流量的装置首先获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数，再接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数，再将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项，其次通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项，最后将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。由于本申请通过预先构建的特征值预测模型来拟合出待预测的目标时间参数对应的特征值，并使用该特征值进一步计算出所需的周期项，再考虑天气节日工作日差异等随机项的影响对结果进行修正，从而提升了交通流量短期预测的精确度。
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
请参见图5，其示出了本发明一个示例性实施例提供的基于傅里叶函数预测交通流量的装置的结构示意图。该基于傅里叶函数预测交通流量的装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括参数确定模块10、控制参数接收模块20、特征值输出模块30、目标周期项生成模块40、目标随机项生成模块50、交通流量生成模块60。
参数确定模块10，用于获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；
控制参数接收模块20，用于接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
特征值输出模块30，用于
目标周期项生成模块40，用于将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；
目标随机项生成模块50，用于通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
交通流量生成模块60，用于将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。
需要说明的是，上述实施例提供的基于傅里叶函数预测交通流量的装置在执行基于傅里叶函数预测交通流量的方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于傅里叶函数预测交通流量的装置与基于傅里叶函数预测交通流量的方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请实施例中，基于傅里叶函数预测交通流量的装置首先获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数，再接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数，再将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项，其次通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项，最后将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。由于本申请通过预先构建的特征值预测模型来拟合出待预测的目标时间参数对应的特征值，并使用该特征值进一步计算出所需的周期项，再考虑天气节日工作日差异等随机项的影响对结果进行修正，从而提升了交通流量短期预测的精确度。
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的基于傅里叶函数预测交通流量的方法。
本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的基于傅里叶函数预测交通流量的方法。
请参见图6，为本申请实施例提供了一种终端的结构示意图。如图6所示，终端1000可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
其中，通信总线1002用于实现这些组件之间的连接通信。
其中，用户接口1003可以包括显示屏(Display)、摄像头(Camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种借口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(Central Processing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
其中，存储器1005可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图6所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于傅里叶函数预测交通流量的应用程序。
在图6所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的基于傅里叶函数预测交通流量的应用程序，并具体执行以下操作：
获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；
接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；
通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。
在一个实施例中，处理器1001在执行以下步骤生成预先构建的傅里叶预测函数，具体执行以下操作：
从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据，其中，每个工作日的第一交通流数据包括多个按照预设时间段划分的第二交通流数据，每个第二交通流数据对应一个预设时间段；
根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值；
采用傅里叶函数对所述每个预设时间段中的流量周期项数值进行周期性拟合，得到每个预设时间段的傅里叶函数的第一特征值与第二特征值；
基于所述每个预设时间段的傅里叶函数的第一特征值与第二特征值构建傅里叶预测模型；
将构建的所述傅里叶预测模型确定为预先构建的周期项预测模型。
在一个实施例中，处理器1001在根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值时，具体执行以下操作：
S201从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据，其中，每个工作日的第一交通流数据包括多个按照预设时间段划分的第二交通流数据，每个第二交通流数据对应一个预设时间段；
S202根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值；
S203采用傅里叶函数对所述每个预设时间段中的流量周期项数值进行周期性拟合，得到每个预设时间段的傅里叶函数的第一特征值与第二特征值；
S204基于所述每个预设时间段的傅里叶函数的第一特征值与第二特征值构建傅里叶预测模型；
S205将构建的所述傅里叶预测模型确定为预先构建的周期项预测模型。
在一个实施例中，处理器1001在执行确定待预测的目标参数之前时，具体执行以下操作：
通过检测器实时采集车辆在预设各个时段中经过检测器的流量数据，生成原始数据；
加载数据处理规则表；
根据数据处理规则表将原始数据进行结构化，生成结构化历史数据。
在一个实施例中，处理器1001在执行从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据之后时，具体执行以下操作：
将所述多个第一交通流数据划分为训练集和测试集；
对所述训练集里的第一交通流数据执行步骤S202-S205，得到与待预测时间参数对应的预先构建的周期项预测模型；
采用所述测试集里的第一交通流数据对所述预先构建的周期项预测模型进行验证，将拟合效果最优对应的傅里叶展开级数作为所述预设控制参数。
在一个实施例中，处理器1001在执行通过结构化历史数据计算特定工作日影响参数时，具体执行以下操作：
计算特定工作日的交通流量的平均值，得到第一均值；
计算全部工作日的交通流量的平均值，得到第二均值；
将第一均值与第二均值做差，生成第一均值差；
将第一均值差确定为特定工作日影响程度。
在一个实施例中，处理器1001在执行通过结构化历史数据计算天气影响参数时，具体执行以下操作：
计算非下雨天特定工作日交通流量的平均值，得到第三均值；
计算下雨天特定工作日交通流量的平均值，得到第四均值；
将第四均值与第三均值做差，生成第二均值差；
将第二均值差确定为天气影响程度。
在本申请实施例中，基于傅里叶函数预测交通流量的装置首先获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数，再接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数，再将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项，其次通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项，最后将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。由于本申请通过预先构建的特征值预测模型来拟合出待预测的目标时间参数对应的特征值，并使用该特征值进一步计算出所需的周期项，再考虑天气节日工作日差异等随机项的影响对结果进行修正，从而提升了交通流量短期预测的精确度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
以上所揭露的仅为本申请较佳实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。

Claims (10)

1.一种基于傅里叶函数预测交通流量的方法，其特征在于，所述方法包括：
获取交通流量预测请求，所述交通流量预测请求包括待预测路段参数和待预测的目标时间参数；
接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
将所述目标时间参数和所述预设控制参数输入预先构建的傅里叶预测函数中生成目标周期项；
通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数对应的交通流量。
2.根据权利要求1所述的方法，其特征在于，按照以下步骤生成预先构建的傅里叶预测函数，包括
S201从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据，其中，每个工作日的第一交通流数据包括多个按照预设时间段划分的第二交通流数据，每个第二交通流数据对应一个预设时间段；
S202根据多个所述第二交通流数据确定出每个预设时间段内的流量周期项数值；
S203采用傅里叶函数对所述每个预设时间段中的流量周期项数值进行周期性拟合，得到每个预设时间段的傅里叶函数的第一特征值与第二特征值；
S204基于所述每个预设时间段的傅里叶函数的第一特征值与第二特征值构建傅里叶预测模型；
S205将构建的所述傅里叶预测模型确定为预先构建的周期项预测模型。
3.根据权利要求1所述的方法，其特征在于，所述确定待预测的目标参数之前，还包括：
通过检测器实时采集车辆在预设各个时间段的流量数据，生成原始数据；
加载数据处理规则表；
根据所述数据处理规则表将所述原始数据进行结构化，生成结构化历史数据。
4.根据权利要求2所述的方法，其特征在于，
在从所述结构化历史数据中获取待预测路段在预设周期内多个历史工作日的第一交通流数据之后，还包括：
将所述多个第一交通流数据划分为训练集和测试集；
对所述训练集里的第一交通流数据执行步骤S202-S205，得到与待预测时间参数对应的预先构建的周期项预测模型；
采用所述测试集里的第一交通流数据对所述预先构建的周期项预测模型进行验证，将拟合效果最优对应的傅里叶展开级数作为所述预设控制参数。
5.根据权利要求2所述的方法，其特征在于，所述构建傅里叶预测函数时所采用的多个历史工作日的交通流量数据为与待预测时间段相邻的过去的n个历史工作日的交通流量数据，其中n≥20。
6.根据权利要求1所述的方法，其特征在于，所述通过结构化历史数据计算特定工作日影响参数，包括：
从结构化历史数据中获取预设周期内特定工作日的交通流量与全部工作日的交通流量；
计算所述特定工作日的交通流量的平均值，得到第一均值；
计算所述全部工作日的交通流量的平均值，得到第二均值；
将所述第一均值与所述第二均值做差，生成第一均值差；
将所述第一均值差确定为特定工作日影响程度。
7.根据权利要求1所述的方法，其特征在于，所述通过结构化历史数据计算天气影响参数，包括：
从结构化历史数据中获取全部非下雨天特定工作日交通流量与全部下雨天特定工作日交通流量；
计算所述非下雨天特定工作日交通流量的平均值，得到第三均值；
计算所述下雨天特定工作日交通流量的平均值，得到第四均值；
将所述第四均值与所述第三均值做差，生成第二均值差；
将所述第二均值差确定为天气影响程度。
8.一种基于傅里叶函数预测交通流量的装置，其特征在于，所述装置包括：
交通流量预测请求获取模块，用于获取交通流量请求，所述交通流量请求包括目标时间参数；
控制参数接收模块，用于接收针对预先构建的傅里叶预测函数的展开级数对应的预设控制参数；
目标周期项生成模块，用于将所述目标时间参数和所述控制参数输入预先构建的傅里叶预测函数中，生成目标周期项；
目标随机项生成模块，用于通过结构化历史数据计算特定工作日影响参数与天气影响参数，并将所述特定工作日影响参数与所述天气影响参数的和确定为目标随机项；
交通流量生成模块，用于将所述目标周期项、目标随机项以及预设残差项做和，生成目标时间参数的交通流量。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任意一项的方法步骤。
10.一种终端，其特征在于，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如权利要求1-7任意一项的方法步骤。
CN202110802961.4A 2021-07-15 2021-07-15 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端 Pending CN113688350A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110802961.4A CN113688350A (zh) 2021-07-15 2021-07-15 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110802961.4A CN113688350A (zh) 2021-07-15 2021-07-15 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端

Publications (1)

Publication Number Publication Date
CN113688350A true CN113688350A (zh) 2021-11-23

Family

ID=78577252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110802961.4A Pending CN113688350A (zh) 2021-07-15 2021-07-15 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端

Country Status (1)

Country Link
CN (1) CN113688350A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124357A (zh) * 2021-11-24 2022-03-01 中国银行股份有限公司 基于傅里叶级数的密文生成方法、服务器、介质及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114124357A (zh) * 2021-11-24 2022-03-01 中国银行股份有限公司 基于傅里叶级数的密文生成方法、服务器、介质及装置
CN114124357B (zh) * 2021-11-24 2024-01-30 中国银行股份有限公司 基于傅里叶级数的密文生成方法、服务器、介质及装置

Similar Documents

Publication Publication Date Title
CN114565056B (zh) 一种基于机器学习的冷锋前识别方法、装置、存储介质及终端
CN109976821A (zh) 应用程序加载方法、装置、终端及存储介质
CN103971170A (zh) 一种用于对特征信息的变化进行预测的方法和装置
CN112734956B (zh) 一种etc门架确定的方法、装置及存储介质
CN112434260A (zh) 一种公路的交通状态检测方法、装置、存储介质及终端
CN111931345A (zh) 一种监测数据预测方法、装置、设备及可读存储介质
CN113190538A (zh) 一种基于轨迹数据的道路构建方法、装置、存储介质及终端
CN111479321A (zh) 一种网格构建方法、装置、电子设备和存储介质
CN113688350A (zh) 一种基于傅里叶函数预测交通流量的方法、装置、存储介质及终端
CN114565057B (zh) 一种基于机器学习的均压场识别方法、装置、存储介质及终端
CN110069997B (zh) 场景分类方法、装置及电子设备
CN113886721B (zh) 个性化兴趣点推荐方法、装置、计算机设备及存储介质
WO2016037346A1 (en) Measuring and diagnosing noise in urban environment
CN112616118A (zh) 一种车辆所经过的etc门架确定方法、装置及存储介质
CN110378936B (zh) 光流计算方法、装置及电子设备
CN114626458B (zh) 一种高压后部识别方法、装置、存储介质及终端
CN110555861A (zh) 光流计算方法、装置及电子设备
CN111222739B (zh) 核电站的任务分配方法及核电站的任务分配系统
CN114485916A (zh) 一种环境噪声监测方法、系统、计算机设备和存储介质
CN113111860A (zh) 道路移动源排放计算方法、装置、设备及介质
CN112559655A (zh) 一种应用于大气环境的污染源测试点筛选识别方法及装置
CN113343458A (zh) 发动机传感器的选型方法、装置、电子设备及存储介质
CN111144612A (zh) 一种加油站位置点预测方法、装置、存储介质及终端
CN112416989A (zh) 互联网演艺经纪人平台的管理方法、装置及电子设备
CN111241128A (zh) 数据处理方法、装置及电子设备

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