CN113689694A - 一种车流量预测方法、装置、设备及可读存储介质 - Google Patents
一种车流量预测方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN113689694A CN113689694A CN202110857954.4A CN202110857954A CN113689694A CN 113689694 A CN113689694 A CN 113689694A CN 202110857954 A CN202110857954 A CN 202110857954A CN 113689694 A CN113689694 A CN 113689694A
- Authority
- CN
- China
- Prior art keywords
- prediction
- traffic flow
- time
- prediction result
- portal
- 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.)
- Granted
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
- G08G1/0108—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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车流量预测方法,该方法利用短时交通流量预测技术,获取预测模型根据目标门架的历史车流量时序时间流对于指定的多时间维度进行车流量预测,通过多时间维度预测满足对于指定的长时间流量预测需求,以便解除短时流量预测所产生的应用场景限制大的问题,通过多维度长时间流量预测实现长期的车辆、道路甚至运营规划,实现应用场景的扩展,并通过非线性支持向量回归机等建模方式提高预测结果的准确性,实现精准的多时间维度车流量预测。本发明还公开了一种车流量预测装置、设备及可读存储介质,具有相应的技术效果。
Description
技术领域
本发明涉及道路交通技术领域,特别是涉及一种车流量预测方法、装置、设备及可读存储介质。
背景技术
在智能交通系统(ITS)中,车流量预测是要预测某条道路在未来交通流的变化情况(比如流量、速度等),车流量预测对城市交通规划、交通管理和控制都十分重要。
早在20世纪70年代,一些学者就开始把物理学、经济学等领域的成熟预测方法运用到短时交通流量预测中,预测方法主要是应用线性理论和统计学理论等。如时间序列模型、卡尔曼滤波理论等,这些传统模型比较成熟,但计算误差比较大。为了解决这些模型的不足,学者将各种智能算法引入到短时交通流量预测的建模中,出现了神经网络模型、支持向量机模型,以及基于组合预测模型。但是目前交通流量预测研究多数局限于短时交通流量预测,其应用场景限制较大,只能应用于地图导航等需要短时流量预测的场景。
综上所述,如何实现精准的长时流量预测,解除应用场景的限制,是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种车流量预测方法、装置、设备及可读存储介质,以实现精准的长时流量预测,解除应用场景的限制。
为解决上述技术问题,本发明提供如下技术方案:
一种车流量预测方法,包括:
获取目标门架的历史车流量数据;
将所述历史车流量数据进行时序事件转换,生成时序事件流;
将所述时序事件流输入至预训练的预测模型中;其中,所述预测模型为非线性支持向量回归机模型;
获取所述预测模型对于指定的多时间维度进行车流量预测生成的预测结果,作为车流量预测结果。
可选地,所述获取所述预测模型对于指定的多时间维度进行车流量预测生成的预测结果,包括:
获取所述预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果。
可选地,在所述获取所述预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果之后,还包括:
根据所述节假日以及周级的预测结果进行道路的值班计划生成。
可选地,在所述获取所述预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果之后,还包括:
根据所述月级的预测结果进行道路的定价策略制定。
可选地,所述的车流量预测方法,还包括:
获取前序门架的车流量数据,作为前序数据;
将所述前序数据进行时序事件转换,作为前序时序事件流;
根据所述前序时序事件流对所述预测结果进行校验;
获取校验后的预测结果,作为所述车流量预测结果。
可选地,所述获取前序门架的车流量数据,包括:
根据道路交汇信息以及车流量预测的时间维度确定所述目标门架的关联前序门架;
获取所述关联前序门架的车流量数据。
可选地,所述的车流量预测方法,还包括:
获取道路交通影响信息;
根据所述道路交通影响信息进行预测可信度的计算,得到可信系数;
根据所述可信系数对所述预测结果进行预测调整,作为所述车流量预测结果。
一种车流量预测装置,包括:
目标数据获取单元,用于获取目标门架的历史车流量数据;
时序转换单元,用于将所述历史车流量数据进行时序事件转换,生成时序事件流;
模型预测单元,用于将所述时序事件流输入至预训练的预测模型中;其中,所述预测模型为非线性支持向量回归机模型;
多维度获取单元,用于获取所述预测模型对于指定的多时间维度进行车流量预测生成的预测结果,作为车流量预测结果。
一种计算机设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述车流量预测方法的步骤。
一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述车流量预测方法的步骤。
本发明实施例所提供的方法,利用短时交通流量预测技术,获取预测模型根据目标门架的历史车流量时序时间流对于指定的多时间维度进行车流量预测,通过多时间维度预测满足对于指定的长时间流量预测需求,以便解除短时流量预测所产生的应用场景限制大的问题,通过多维度长时间流量预测实现长期的车辆、道路甚至运营规划,实现应用场景的扩展,并通过非线性支持向量回归机等建模方式提高预测结果的准确性,实现精准的多时间维度车流量预测。
相应地,本发明实施例还提供了与上述车流量预测方法相对应的车流量预测装置、设备和可读存储介质,具有上述技术效果,在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种车流量预测方法的实施流程图;
图2为本发明实施例中一种门架位置示意图;
图3为本发明实施例中一种车流量预测装置的结构示意图;
图4为本发明实施例中一种计算机设备的结构示意图。
具体实施方式
本发明的核心是提供一种车流量预测方法,可以实现精准的长时流量预测,解除应用场景的限制。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例中一种车流量预测方法的流程图,该方法包括以下步骤:
S101、获取目标门架的历史车流量数据;
其中,门架是指ETC门架,ETC门架系统是一种类似交通探头的设施,架设在高速公路上方,替代原有的省界收费站的功能,实现快速不停车通过。
目标门架指进行车流量预测的门架。
获取目标门架的历史车流量数据,以便于根据历史车流量数据进行车流量的预测。而其中,本实施例中对于历史车流量数据的辐射历史时段以及数据形式不做限定,可以根据实际数据预测的需要以及数据分析的需要进行相应设定,在此不再赘述。
S102、将历史车流量数据进行时序事件转换,生成时序事件流;
为便于预测模型的分析,需要将车流量历史数据转化成时序事件流,而具体的时序事件转换过程可以参照相关实现方式的介绍,在此不再赘述。
S103、将时序事件流输入至预训练的预测模型中;
其中,预测模型为用于进行车流量预测的非线性支持向量回归机(ε-SVR)模型,预测模型的建模过程采用非线性支持向量回归机(ε-SVR)完成,SVR的基本思想是通过一个非线性映射函数φ(x)将数值映射到高维特征空间Rh,并在该空间进行线性回归,形成Rh下的最优决策函数f(x),基于非线性支持向量回归机(ε-SVR)模型进行车流量预测能够有效地克服维数过高带来的计算问题和局部极值问题。其中,SVR核函数可以采用多层感知器,以增加数据提取深度。
预测模型的最优决策函数为:f(x)=ωφ(x)+b,式中ω未权值向量;φ(x)为非线性映射函数;b为阈值。SVR实质上是求解ω和b。对于预测模型的初始参数的确定以及参数的优化方式本实施例中不做限定,具体可以利用粒子群(PSO)算法实现,利用粒子群算法寻找最优的SVR参数组合可以有效降低神经训练的时间和数据量的依赖度。具体地,基于粒子群(PSO)算法实现的预测模型的初始参数的确定以及参数的优化过程可以为:利用数学方法把最优决策函数f(x)=ωφ(x)+b的参数求解转化为求极值;利用粒子群算法的优势,结合车流量历史数据求取方程极值,确定最优决策函数的参数ω和b。本实施例中仅以通过粒子群算法进行SVR参数组合的计算为例进行介绍,也可以采取其它的方法,本实施例中对此不做限定,比如可以随便对最优决策函数进行参数赋值,然后通过神经训练确定最优参数组合等,在此不再赘述。
目前在车流量预测时主要针对短时流量预测,本申请中利用短时交通流量预测技术,训练预测模型,完成高速ETC各时间维度的车流量预测,并通过非线性支持向量回归机、粒子群算法等建模方式提高预测结果的准确性。具体地调用预训练的预测模型对时序事件流进行车流量的预测的过程可以参照相关神经网络预测实现步骤,与预测网络的结构相关,由于本申请中对模型结构不做限定,本实施例中对于模型的预测步骤也不做限定。
S104、获取预测模型对于指定的多时间维度进行车流量预测生成的预测结果,作为车流量预测结果。
指定的多时间维度指根据使用需求设定的待预测的多个时间维度,多个时间维度比如月级、周级、日级、小时级等,其中,多时间维度的具体实现辐射范围不做限定,需要包括非短时的时间维度。
预测模型预测的时间维度可以根据实际预测使用需要进行设定,本申请中获取预测模型对于指定的多时间维度进行车流量预测生成的预测结果,通过多时间维度预测满足对于指定的长时间流量预测需求,以便解除短时流量预测所产生的应用场景限制大的问题,通过多维度长时间流量预测实现长期的车辆、道路甚至运营规划,实现应用场景的扩展。
基于上述介绍,本发明实施例所提供的技术方案,利用短时交通流量预测技术,获取预测模型根据目标门架的历史车流量时序时间流对于指定的多时间维度进行车流量预测,通过多时间维度预测满足对于指定的长时间流量预测需求,以便解除短时流量预测所产生的应用场景限制大的问题,通过多维度长时间流量预测实现长期的车辆、道路甚至运营规划,实现应用场景的扩展,并通过非线性支持向量回归机等建模方式提高预测结果的准确性,实现精准的多时间维度车流量预测。
需要说明的是,基于上述实施例,本发明实施例还提供了相应的改进方案。在优选/改进实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考,相应的有益效果也可相互参照,在本文的优选/改进实施例中不再一一赘述。
上述实施例中对于预测的时间维度不做限定,可选地,一种时间维度的设置如下,获取预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果。
针对节假日(比如周末以及法定节假日)进行车流量分析可以据此保证节假日大规模出行的顺畅;针对月级进行车流量的分析可以保证每月内整体交通的有序性以及可控性;针对周级进行车流量的分析可以保证每周内交通或值班计划的可控性,以上为一些长时间维度的例子,也可以进一步添加短时时间维度,比如小时级别,小时级短期预测数据的颗粒度可以做到5分钟,以实现突发事故的决策建议等,本实施例中对此不做限定,可以根据实际使用需要进行时间维度的设定,在此不再赘述。
进一步地,在获取预测模型对于节假日以及周级进行车流量预测生成的预测结果之后,可以根据节假日以及周级的预测结果进行道路的值班计划生成,以便实现公路部门工作计划贴合实际道路运行现状,保证其切实可控性。
进一步地,在获取预测模型对于月级进行车流量预测生成的预测结果之后,可以根据月级的预测结果进行道路的定价策略制定,以便实现道路定价贴近实际情况的稳步调整。
本实施例中针对几种时间维度进行预测以及后续数据处理的介绍,其它时间维度下的处理方式均可参照本实施例的介绍,在此不再赘述。
基于上述实施例,为提升车流量预测的精准度,可以进一步执行以下步骤:
(1)获取前序门架的车流量数据,作为前序数据;
其中,前序门架指按行驶方向来说,位置在目标门架之前的门架。门架和门架之间存在着物理上的前后关系,前序门架的车流量与后续门架车流量存在一定关联性,但由于路网的复杂性这种关联性不是必然关系,建立门架和门架、车道和门架的前后关系库,利用前序门架的车流量真实结果对后续门架预测结果的校对,可以防止预测瞬时极大值的出现。
对于具体的选用哪几个前序门架进行前序数据的采集本实施例中不做限定,可以由用户指定,也可以自动根据道路交通信息确定,可选地,一种实现方式如下:
(1.1)根据道路交汇信息以及车流量预测的时间维度确定目标门架的关联前序门架;
(1.2)获取关联前序门架的车流量数据。
本实施例中仅以上述前序门架的确定方式为例进行介绍,其它实现方式均可参照本实施例的介绍,在此不再赘述。
(2)将前序数据进行时序事件转换,作为前序时序事件流;
需要说明的是,针对前序车架的车流量数据以及时序时间的转化方式可以参照上述实施例中针对目标门架的介绍,在此不再赘述。
(3)根据前序时序事件流对预测结果进行校验;
进行校验的具体实现方式本实施例中不做限定,比如可以统计各前序门架之间的车流量分布规则后与预测结果进行对比,也可以采取其它的方式。为加深理解,在此介绍一种实现方式,具体包括以下步骤:
(3.1)首先是基础数据:门架基础信息、收费站基础信息、门架过车信息、收费站过车信息;
(3.2)根据门架基础信息确定门架3上行方向(指行车方向)的前序门架和收费站,以图2所示的门架位置示意图为例包含门架2上行、门架1下行、收费站驶入;
(3.3)根据门架、收费站的基础信息计算所有前序门架和收费站到门架3上行方向的距离,并预估平均行车时间,比如:收费站到门架3上行需要用时0.5小时,门架2上行到门架3上行需要1小时,门架门架1下行到门架3上行需要1小时;
(3.4)收费站0.5小时前的入口车流量、门架2上行方向目前的车流量和门架门架1下行方向目前的车流量间接的反应门架3上行方向一小时后的车流量;
(3.5)通过前序门架和收费站计算门架车流量时需要反应出终点的多样性来,比如门架2上行到门架3上行的过程有两个选择:一是转到门架1上行方向,二是从收费站出高速,故而门架2上行车流量体现到门架3上行上需要加权重0.5*0.5=0.25,以此类推;
(3.6)通过前序门架和收费站计算得出的预测结果a、经过算法预测的结果b、目前的车流量c、置信区间ε进行对比分析,
1)若|a-b|≦ε,则预测结果为b;
2)若|a-b|>ε,则比较|a-c|、|b-c|与ε的关系
若|a-c|<ε、|b-c|>ε,则预测结果为a;
若|a-c|>ε、|b-c|<ε,则预测结果为b;
若|a-c|>ε、|b-c|>ε,则本次预测结果无效;
其中,置信区间ε的设置与预测周期的长短有关,一般预测周期越长,置信区间ε的值越大。
本实施例中仅以上述预测结果校验方式为例进行介绍,其它实现方式均可参照本实施例的介绍,在此不再赘述。
(4)获取校验后的预测结果,作为车流量预测结果。
本实施例中在直接的预测结果之外,根据前序车架车流量数据对原始预测结果进行校验处理,可以显著提升车流量预测的精准度。
基于上述实施例,为进一步增加预测结果的置信度,提升预测精准度,在上述实施例的基础上,可以进一步执行以下步骤:
(1)获取道路交通影响信息;
道路交通影响信息指影响道路通行的信息,对于具体的数据项本实施例中不做限定,比如可以为节假日因素、天气因素、并行线路施工因素、新路开通因素、本路段养护因素等,可以根据实际情况进行信息的统计获取,在此不再赘述。
(2)根据道路交通影响信息进行预测可信度的计算,得到可信系数;
可信度的计算需要对各项道路交通影响信息进行度量,而具体的度量方式本实施例中不做限定,比如可以为不同的道路交通影响信息设置相应的权重,若符合相应的条件,则增加相应的权重,将权重总和作为可信度。本实施例中仅以上述度量方式为例进行介绍,其它实现方式均可参照本实施例的介绍,在此不再赘述。
(3)根据可信系数对预测结果进行预测调整,作为车流量预测结果。
进行预测调整的方式不做限定,比如可以将可信系数与预测结果的乘积作为预测调整的手段等,可以根据实际可信度度量方式进行相应的预测调整方式的设置,在此不再赘述。
本实施例中增加了预测结果可信系数的概念,可信系数的产生与节假日、并行线路施工情况、新路开通、天气条件等道路交通影响信息相关联,根据可信系数对预测结果进行校正,可以提升预测的精准度。
相应于上面的方法实施例,本发明实施例还提供了一种车流量预测装置,下文描述的车流量预测装置与上文描述的车流量预测方法可相互对应参照。
参见图3所示,该装置包括以下模块:
目标数据获取单元110主要用于获取目标门架的历史车流量数据;
时序转换单元120主要用于将历史车流量数据进行时序事件转换,生成时序事件流;
模型预测单元130主要用于将时序事件流输入至预训练的预测模型中;其中,预测模型为非线性支持向量回归机模型;
多维度获取单元140主要用于获取预测模型对于指定的多时间维度进行车流量预测生成的预测结果,作为车流量预测结果。
相应于上面的方法实施例,本发明实施例还提供了一种计算机设备,下文描述的一种计算机设备与上文描述的一种车流量预测方法可相互对应参照。
该计算机设备包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序时实现上述方法实施例的车流量预测方法的步骤。
具体的,请参考图4,为本实施例提供的一种计算机设备的具体结构示意图,该计算机设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)322(例如,一个或一个以上处理器)和存储器332,存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中,存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地,中央处理器322可以设置为与存储器332通信,在计算机设备301上执行存储器332中的一系列指令操作。
计算机设备301还可以包括一个或一个以上电源326,一个或一个以上有线或无线网络接口350,一个或一个以上输入输出接口358,和/或,一个或一个以上操作系统341。
上文所描述的车流量预测方法中的步骤可以由计算机设备的结构实现。
相应于上面的方法实施例,本发明实施例还提供了一种可读存储介质,下文描述的一种可读存储介质与上文描述的一种车流量预测方法可相互对应参照。
一种可读存储介质,可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现上述方法实施例的车流量预测方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
本领域技术人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
Claims (10)
1.一种车流量预测方法,其特征在于,包括:
获取目标门架的历史车流量数据;
将所述历史车流量数据进行时序事件转换,生成时序事件流;
将所述时序事件流输入至预训练的预测模型中;其中,所述预测模型为非线性支持向量回归机模型;
获取所述预测模型对于指定的多时间维度进行车流量预测生成的预测结果,作为车流量预测结果。
2.根据权利要求1所述的车流量预测方法,其特征在于,所述获取所述预测模型对于指定的多时间维度进行车流量预测生成的预测结果,包括:
获取所述预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果。
3.根据权利要求2所述的车流量预测方法,其特征在于,在所述获取所述预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果之后,还包括:
根据所述节假日以及周级的预测结果进行道路的值班计划生成。
4.根据权利要求2所述的车流量预测方法,其特征在于,在所述获取所述预测模型对于节假日、月级以及周级进行车流量预测生成的预测结果之后,还包括:
根据所述月级的预测结果进行道路的定价策略制定。
5.根据权利要求1所述的车流量预测方法,其特征在于,还包括:
获取前序门架的车流量数据,作为前序数据;
将所述前序数据进行时序事件转换,作为前序时序事件流;
根据所述前序时序事件流对所述预测结果进行校验;
获取校验后的预测结果,作为所述车流量预测结果。
6.根据权利要求5所述的车流量预测方法,其特征在于,所述获取前序门架的车流量数据,包括:
根据道路交汇信息以及车流量预测的时间维度确定所述目标门架的关联前序门架;
获取所述关联前序门架的车流量数据。
7.根据权利要求1所述的车流量预测方法,其特征在于,还包括:
获取道路交通影响信息;
根据所述道路交通影响信息进行预测可信度的计算,得到可信系数;
根据所述可信系数对所述预测结果进行预测调整,作为所述车流量预测结果。
8.一种车流量预测装置,其特征在于,包括:
目标数据获取单元,用于获取目标门架的历史车流量数据;
时序转换单元,用于将所述历史车流量数据进行时序事件转换,生成时序事件流;
模型预测单元,用于将所述时序事件流输入至预训练的预测模型中;其中,所述预测模型为非线性支持向量回归机模型;
多维度获取单元,用于获取所述预测模型对于指定的多时间维度进行车流量预测生成的预测结果,作为车流量预测结果。
9.一种计算机设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述车流量预测方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述车流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857954.4A CN113689694B (zh) | 2021-07-28 | 2021-07-28 | 一种车流量预测方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110857954.4A CN113689694B (zh) | 2021-07-28 | 2021-07-28 | 一种车流量预测方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689694A true CN113689694A (zh) | 2021-11-23 |
CN113689694B CN113689694B (zh) | 2023-06-02 |
Family
ID=78578132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110857954.4A Active CN113689694B (zh) | 2021-07-28 | 2021-07-28 | 一种车流量预测方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689694B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114257521A (zh) * | 2021-12-17 | 2022-03-29 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722988A (zh) * | 2011-03-30 | 2012-10-10 | 无锡物联网产业研究院 | 一种实现道路交叉口车流控制的方法和装置 |
CA3016825A1 (en) * | 2017-09-15 | 2019-03-15 | Sergio Machado Goncalves | Predictive, integrated and intelligent system for control of times in traffic lights |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN112419729A (zh) * | 2020-11-23 | 2021-02-26 | 北京嘀嘀无限科技发展有限公司 | 一种根据预测车流量确定决策策略的方法和系统 |
CN112581774A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于etc数据的高速公路服务区驶入车流量估计方法 |
CN112634615A (zh) * | 2020-12-15 | 2021-04-09 | 合肥工业大学 | 一种动态交通流量预测系统 |
CN112700072A (zh) * | 2021-03-24 | 2021-04-23 | 同盾控股有限公司 | 交通状况预测方法、电子设备和存储介质 |
-
2021
- 2021-07-28 CN CN202110857954.4A patent/CN113689694B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722988A (zh) * | 2011-03-30 | 2012-10-10 | 无锡物联网产业研究院 | 一种实现道路交叉口车流控制的方法和装置 |
CA3016825A1 (en) * | 2017-09-15 | 2019-03-15 | Sergio Machado Goncalves | Predictive, integrated and intelligent system for control of times in traffic lights |
CN110896357A (zh) * | 2018-09-13 | 2020-03-20 | 中国电信股份有限公司 | 流量预测方法、装置和计算机可读存储介质 |
CN111968375A (zh) * | 2020-08-27 | 2020-11-20 | 北京嘀嘀无限科技发展有限公司 | 交通流量的预测方法、装置、可读存储介质及电子设备 |
CN111932898A (zh) * | 2020-09-23 | 2020-11-13 | 南京感动科技有限公司 | 一种基于etc门架系统的短时流量预测方法 |
CN112419729A (zh) * | 2020-11-23 | 2021-02-26 | 北京嘀嘀无限科技发展有限公司 | 一种根据预测车流量确定决策策略的方法和系统 |
CN112581774A (zh) * | 2020-12-08 | 2021-03-30 | 重庆大学 | 一种基于etc数据的高速公路服务区驶入车流量估计方法 |
CN112634615A (zh) * | 2020-12-15 | 2021-04-09 | 合肥工业大学 | 一种动态交通流量预测系统 |
CN112700072A (zh) * | 2021-03-24 | 2021-04-23 | 同盾控股有限公司 | 交通状况预测方法、电子设备和存储介质 |
Non-Patent Citations (1)
Title |
---|
李斌;: "基于移动通信基站大数据的高速公路交通状态采集实践" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114257521A (zh) * | 2021-12-17 | 2022-03-29 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
CN114257521B (zh) * | 2021-12-17 | 2024-05-17 | 北京沃东天骏信息技术有限公司 | 流量预测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113689694B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN111612243B (zh) | 交通速度预测方法、系统及存储介质 | |
Chengqing et al. | A multi-factor driven spatiotemporal wind power prediction model based on ensemble deep graph attention reinforcement learning networks | |
CN108629503B (zh) | 一种基于深度学习的出租车上车需求量的预测方法 | |
CN109272157A (zh) | 一种基于门控神经网络的高速公路交通流参数预测方法及系统 | |
CN113362598B (zh) | 一种高速公路服务区车流量预测方法 | |
CN111160622A (zh) | 基于混合神经网络模型的景区客流预测方法和装置 | |
CN107045785A (zh) | 一种基于灰色elm神经网络的短时交通流量预测的方法 | |
CN112419711A (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN113689694A (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 | |
Chen et al. | Short‐Term Traffic Flow Prediction with Recurrent Mixture Density Network | |
Song et al. | RNN-based traffic flow prediction for dynamic reversible lane control decision | |
CN113705891B (zh) | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 | |
Lin et al. | The short-term exit traffic prediction of a toll station based on LSTM | |
CN114463978A (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
Ling et al. | ParkLSTM: Periodic parking behavior prediction based on LSTM with multi-source data for contract parking spaces | |
CN114118508A (zh) | 一种基于时空卷积网络的od市场航空客流量预测方法 | |
CN114267170A (zh) | 基于考虑人类流动性的图时空Transformer模型的交通流预测方法 | |
CN114529081B (zh) | 一种时空联合的交通流量预测方法及装置 | |
Guo et al. | Short-term traffic flow prediction algorithm for expressway based on long short-term memory and support vector regression | |
Cerruto | Modelling relocation strategies for shared mobility system management | |
CN109325625A (zh) | 一种基于二元高斯非齐次泊松过程的单车数量预测方法 | |
CN117334058B (zh) | 一种货车交通流量预测方法、装置、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |