CN113689699B - 一种交通流的预测方法、装置、电子设备及存储介质 - Google Patents
一种交通流的预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113689699B CN113689699B CN202110978860.2A CN202110978860A CN113689699B CN 113689699 B CN113689699 B CN 113689699B CN 202110978860 A CN202110978860 A CN 202110978860A CN 113689699 B CN113689699 B CN 113689699B
- Authority
- CN
- China
- Prior art keywords
- speed
- traffic flow
- traffic
- sub
- flow data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 230000000737 periodic effect Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 33
- 238000011144 upstream manufacturing Methods 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process 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
- G08G1/0125—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
-
- 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
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种交通流的预测方法、装置、电子设备及存储介质,能够解决现有技术中单独预测平均速度或者流量时准确性较低的问题。交通流的预测方法包括:获取待预测的目标地点第一历史交通流数据;将第一历史交通流数据输入到预先训练的交通流预测模型中,输出目标地点在待预测日期的目标平均速度以及目标流量,交通流预测模型中的速度预测子网络用于提取第一历史交通流数据中速度特征;流量预测子网络用于提取第一历史交通流数据中流量特征;融合子网络用于将速度特征与流量特征进行融合,获得融合交通特征,速度预测子网络基于融合交通特征所述目标平均速度,流量预测子网络基于融合交通特征确定目标流量。
Description
技术领域
本申请涉及交通领域,具体而言,涉及一种交通流的预测方法、装置、电子设备及存储介质。
背景技术
现有技术中,预测模型往往用于完成单一预测任务,例如,预测模型仅用于预测速度或者仅用于预测流量,而在上述单一预测任务中仅侧重于关注速度特征或者流量特征,使得单一预测任务的预测准确性较低。
发明内容
本申请实施例提供了一种交通流的预测方法、装置、电子设备及存储介质,能够解决现有技术中单独预测平均速度或者流量时准确性较低的问题。
第一方面,本申请实施例提供了一种交通流的预测方法,所述方法包括:
获取待预测的目标地点的第一历史交通流数据,所述第一历史交通流数据至少包括平均速度、速度方差以及流量;
将所述第一历史交通流数据输入到预先训练的交通流预测模型中,输出所述目标地点在所述待预测日期的目标平均速度以及目标流量,所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络,所述速度预测子网络用于提取所述第一历史交通流数据中速度特征;所述流量预测子网络用于提取所述第一历史交通流数据中流量特征;所述融合子网络用于将所述速度特征与所述流量特征进行融合,获得融合交通特征,并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络,所述速度预测子网络基于所述融合交通特征确定所述目标平均速度,所述流量预测子网络基于所述融合交通特征确定所述目标流量。
本申请实施例中,交通流预测模型包括速度预测子网络、流量预测子网络以及分别与速度预测子网络、流量预测子网络连接的融合子网络,当第一历史交通流数据被输入到该交通流预测模型时,速度预测子网络可以提取该第一历史交通流数据中的速度特征,流量预测速度子网络可以提取该第一历史交通流数据中的流量特征,上述速度特征与上述流量特征经融合子网络融合后形成融合交通特征并分别反馈给速度预测子网络以及流量预测子网络。最终,速度预测子网络基于该融合交通特征预测出目标平均速度,流量预测子网络基于该融合交通特征预测出目标流量。上述方法中,通过将提取到的速度特征与流量特征进行融合,并基于融合后所得到的融合交通特征来分别进行速度预测与流量预测,从而提高了单一预测任务的预测准确性。
可选的,所述第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据,所述第一子交通流数据为与所述待预测日期的待预测时间片相邻的M个历史时间片的交通流数据,所述第二子交通流数据为与所述待预测日期相邻的N个历史天数内且与所述待预测时间片处于同一时间片的交通流数据,所述第三子交通流数据为与所述待预测日期间隔L周内且与所述待预测时间片处于同一时间片的交通流数据,M、N以及L为不小于1的正整数。
本申请实施例中,第一历史交通流数据包括与待预测日期的待预测时间片相邻的多个时间片的交通流数据(可以认为是包含临近性特征),也包括与待预测日期相邻的多个历史天数内与待预测时间片处于同一时间片的交通流数据(可以认为是包含周期性特征),还包括与待预测日期间隔多周内且与待预测时间片处于同一时间片的交通流数据(可以认为是包含趋势性特征),那么基于临近性特征、周期性特征以及趋势性特征共同来对交通流进行预测,使得最终的预测结果更为准确。
所述速度特征包括所述第一子交通流数据所表征的临近性速度特征,所述第二子交通流数据所表征的周期性速度特征,以及所述第三子交通流数据所表征的趋势性速度特征;所述流量特征包括所述第一子交通流数据所表征的临近性流量特征,所述第二子交通流数据所表征的周期性流量特征,以及所述第三子交通流数据所表征的趋势性流量特征。
本申请实施例中,速度预测子网络从第一子交通流数据中所提取的特征为临近性速度特征,从第二子交通流数据中所提取的特征为周期性速度特征,从第三子交通流数据中所提取的特征为趋势性速度特征,那么基于上述临近性速度特征、周期性速度特征以及趋势性速度特征可以是速度预测任务的预测结果更为准确;同理,流量预测子网络从第一子交通流数据中所提取的特征为临近性流量特征,从第二子交通流数据中所提取的特征为周期性流量特征,从第三子交通流数据中所提取的特征为趋势性流量特征,那么基于上述临近性流量特征、周期性流量特征以及趋势性流量特征可以使流量预测任务的预测结果更为准确。
可选的,所述速度特征与所述流量特征均基于如下公式计算:
Mi=Wci⊙Mci+Wpi⊙Mpi+Wti⊙Mti
其中,Mi表示第i种特征,⊙表示哈德马积,当i=1时,M1表示速度特征,Wc1表示所述临近性速度特征,Mc1表示所述临近性速度特征对应的权重;Wp1表示所述周期性速度特征,Mp1表示所述周期性速度特征对应的权重;Wt1表示所述趋势性速度特征,Mt1表示所述趋势性速度特征对应的权重,Mc1、Mp1以及Mt1各不相同;当i=2时,M1表示流量特征,Wc2表示所述临近性流量特征,Mc2表示所述临近性流量特征对应的权重;Wp2表示所述周期性流量特征,Mp2表示所述周期性流量特征对应的权重;Wt2表示所述趋势性流量特征,Mt2表示所述趋势性流量特征对应的权重,Mc2、Mp2以及Mt2各不相同。
本申请实施例中,速度特征中所包含的临近性速度特征、周期性速度特征以及趋势性速度特征各自对应不同的权重,使得临近性速度特征、周期性速度特征以及趋势性速度特征在用于速度预测任务时能够发挥最大程度各自的作用;同理,流量特征中所包含的临近性流量特征、周期性流量特征以及趋势性流量特征各自对应不同的权重,使得临近性流量特征、周期性流量特征以及趋势性流量特征在用于流量预测任务时能够发挥最大程度各自的作用。
可选的,所述融合交通特征还包括外部因素特征,所述外部因素至少包括所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期。
本申请实施例中,融合交通特征还包括外部因素特征,例如,待预测时间片在待预测日期中的编号、待预测时间片属于周几或者待预测时间片是否属于周末等,基于上述外部因素特征能够使针对交通流的预测结果更为准确。
可选的,所述方法还包括:
获取第二历史交通流数据,所述第二历史交通流数据至少包括平均速度、速度方差以及流量;
将所述第二历史交通流数据输入到所述交通流预测模型中,并基于预设的损失函数对所述交通流预测模型进行训练,以使所述损失函数处于收敛状态,所述预设损失函数如下:
其中,L(W,σ1,σ2)表示预设损失函数,ξ1(W)表示速度预测任务中当前的网络权重W下速度预测值与速度标签值之间的第一损失,ξ2(W)表示流量预测任务中当前网络权重W下流量预测值与流量标签值之间的第二损失,σ1表示速度预测任务的噪声,σ2表示流量预测任务的噪声。
本申请实施例中,可以将第二历史交通流数据输入到预先构建的交通流预测模型中,并基于预设的损失函数对上述交通流预测模型进行训练。由于预设的损失函数中定义有速度预测任务的第一损失以及流量预测任务的第二损失,因此,在训练时通过平衡第一损失与第二损失,可以使速度预测子网络与流量预测子网络均具有较好的性能。
可选的,所述第二历史交通流数据包括历史时间段内的多组交通流数据,每组交通流数据包括第四子交通流数据、第五子交通流数据以及第六子交通流数据,所述第四子交通流数据为所述历史时间段内目标日期内目标时间片相邻的X个历史时间片内的各个地点的交通流数据,所述第五子交通流数据为与所述目标日期相邻的Y个历史天数内与所述目标时间片处于同一时间片的各个地点的交通流数据,所述第六子交通流数据为与所述目标日期间隔W周内与所述目标时间片处于同一时间片的各个地点的交通流数据,所述目标日期为所述历史时间段的最后一天,所述目标日期内各个地点在各个目标时间片的交通流数据作为标签,X、Y以及W为不小于1的正整数。
本申请实施例中,第二历史交通流数据包括与待预测日期的待预测时间片相邻的多个时间片的交通流数据(可以认为是包含临近性特征),也包括与待预测日期相邻的多个历史天数内与待预测时间片处于同一时间片的交通流数据(可以认为是包含周期性特征),还包括与待预测日期间隔多周内且与待预测时间片处于同一时间片的交通流数据(可以认为是包含趋势性特征),那么基于临近性特征、周期性特征以及趋势性特征共同来对交通流进行训练,有利于提高交通流预测模型的预测准确性。
可选的,所述第一损失与所述第二损失均采用均方差函数。
本申请实施例中,速度预测任务所对应的第一损失与流量预测任务所对应的第二损失均定义为均方差函数,可以较为快速的对第一损失与第二损失进行更新。
可选的,在将所述第二历史交通流数据输入到所述交通流预测模型之前,当任一地点的部分时间片内的流量为0时,所述方法还包括:
若确定所述部分时间片内所述任一地点的上游地点存在平均速度与速度方差,则将所述上游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。
本申请实施例中,在第二历史交通流数据中,若某一地点的某一时间片内的流量为0,则表明在上述时间片内无车辆经过;此时,可以优先将位于该地点的上游地点的平均速度与速度方差作为当前地点的平均速度与速度方差,使得该时间片内的平均速度与速度方差更为合理,有利于对交通流预测模型进行训练。
可选的,所述方法还包括:
若确定所述部分时间片内所述任一地点的上游地点不存在平均速度与速度方差,且所述任一地点的下游地点存在平均速度与速度方差,则将所述下游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。
本申请实施例中,在第二历史交通流数据中,若某一地点的某一时间片内的流量为0,还可以将位于该地点的下游地点的平均速度与速度方差作为当前地点的平均速度与速度方差,使得该时间片内的平均速度与速度方差更为合理,有利于对交通流预测模型进行训练。
可选的,所述方法还包括:
若确定所述部分时间片内所述任一地点的上游地点与下游地点均不存在平均速度与速度方差,则将所述任一地点处位于所述部分时间片前后的时间片内的平均速度的平均值以及速度方差的平均值作为所述任一地点在所述部分时间片内的平均速度与速度方差。
本申请实施例中,在第二历史交通流数据中,若某一地点的某一时间片内的流量为0,还可以将位于该地点的该时间片前后时间片内的平均速度的平均值以及速度方差的平均值作为该地点当前时间片的平均速度与速度方差,使得该时间片内的平均速度与速度方差更为合理,有利于对交通流预测模型进行训练。
第二方面,本申请实施例提供了一种交通流的预测装置,所述装置包括:
获取单元,用于获取待预测的目标地点的第一历史交通流数据,所述第一历史交通流数据至少包括平均速度、速度方差以及流量;
处理单元,用于将所述第一历史交通流数据输入到预先训练的交通流预测模型中,输出所述目标地点在待预测时间片内的目标平均速度以及目标流量,所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络,所述速度预测子网络用于提取所述第一历史交通流数据中速度特征;所述流量预测子网络用于提取所述第一历史交通流数据中流量特征;所述融合子网络用于将所述速度特征与所述流量特征进行融合,获得融合交通特征,并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络,所述速度预测子网络基于所述融合交通特征确定所述目标平均速度,所述流量预测子网络基于所述融合交通特征确定所述目标流量。
可选的,所述第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据,所述第一子交通流数据为与所述待预测日期的待预测时间片相邻的M个历史时间片的交通流数据,所述第二子交通流数据为与所述待预测日期相邻的N个历史天数内且与所述待预测时间片处于同一时间片的交通流数据,所述第三子交通流数据为与所述待预测日期间隔L周内且与所述待预测时间片处于同一时间片的交通流数据,M、N以及L为不小于1的正整数。
可选的,所述速度特征包括所述第一子交通流数据所表征的临近性速度特征,所述第二子交通流数据所表征的周期性速度特征,以及所述第三子交通流数据所表征的趋势性速度特征;所述流量特征包括所述第一子交通流数据所表征的临近性流量特征,所述第二子交通流数据所表征的周期性流量特征,以及所述第三子交通流数据所表征的趋势性流量特征。
可选的,所述速度特征与所述流量特征均基于如下公式计算:
Mi=Wci⊙Mci+Wpi⊙Mpi+Wti⊙Mti
其中,Mi表示第i种特征,⊙表示哈德马积,当i=1时,M1表示速度特征,Wc1表示所述临近性速度特征,Mc1表示所述临近性速度特征对应的权重;Wp1表示所述周期性速度特征,Mp1表示所述周期性速度特征对应的权重;Wt1表示所述趋势性速度特征,Mt1表示所述趋势性速度特征对应的权重,Mc1、Mp1以及Mt1各不相同;当i=2时,M1表示流量特征,Wc2表示所述临近性流量特征,Mc2表示所述临近性流量特征对应的权重;Wp2表示所述周期性流量特征,Mp2表示所述周期性流量特征对应的权重;Wt2表示所述趋势性流量特征,Mt2表示所述趋势性流量特征对应的权重,Mc2、Mp2以及Mt2各不相同。
可选的,所述融合交通特征还包括外部因素特征,所述外部因素至少包括所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期。
可选的,所述获取单元还用于:
获取第二历史交通流数据,所述第二历史交通流数据至少包括平均速度、速度方差以及流量;
所述处理单元还用于:将所述第二历史交通流数据输入到所述交通流预测模型中,并基于预设的损失函数对所述交通流预测模型进行训练,以使所述损失函数处于收敛状态,所述预设损失函数如下:
其中,L(W,σ1,σ2)表示预设损失函数,ξ1(W)表示速度预测任务中当前的网络权重W下速度预测值与速度标签值之间的第一损失,ξ2(W)表示流量预测任务中当前网络权重W下流量预测值与流量标签值之间的第二损失,σ1表示速度预测任务的噪声,σ2表示流量预测任务的噪声。
可选的,所述第二历史交通流数据包括历史时间段内的多组交通流数据,每组交通流数据包括第四子交通流数据、第五子交通流数据以及第六子交通流数据,所述第四子交通流数据为所述历史时间段内目标日期内目标时间片相邻的X个历史时间片内的各个地点的交通流数据,所述第五子交通流数据为与所述目标日期相邻的Y个历史天数内与所述目标时间片处于同一时间片的各个地点的交通流数据,所述第六子交通流数据为与所述目标日期间隔W周内与所述目标时间片处于同一时间片的各个地点的交通流数据,所述目标日期为所述历史时间段的最后一天,所述目标日期内各个地点在各个目标时间片的交通流数据作为标签,X、Y以及W为不小于1的正整数。
可选的,所述第一损失与所述第二损失均采用均方差函数。
可选的,当任一地点的部分时间片内的流量为0时,所述装置还包括:
确定单元,用于当确定所述部分时间片内所述任一地点的上游地点存在平均速度与速度方差,则将所述上游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。
可选的,所述确定单元还用于:
若确定所述部分时间片内所述任一地点的上游地点不存在平均速度与速度方差,且所述任一地点的下游地点存在平均速度与速度方差,则将所述下游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。
可选的,所述确定单元还用于:
若确定所述部分时间片内所述任一地点的上游地点与下游地点均不存在平均速度与速度方差,则将所述任一地点对应的位于所述部分时间片前后的时间片内的平均速度的平均值以及速度方差的平均值作为所述任一地点在所述部分时间片内的平均速度与速度方差。
第三方面,本申请实施例了提供一种电子设备,所述电子设备包括处理器和存储器,所述处理器用于执行所述存储器中存储的计算机程序时实现如第一方面任一实施例所述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其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第一方面任一实施例所述方法的步骤。
附图说明
图1为本申请实施例提供的一种不同地点交通流状态的示意图;
图2为本申请实施例提供的一种不同地点交通流状态的示意图;
图3为本申请实施例提供的一种不同地点交通流状态的示意图;
图4为本申请实施例提供的一种交通流的预测方法的流程示意图;
图5为本申请实施例提供的一种交通流预测网络的架构示意图;
图6为本申请实施例提供的一种交通流的预测装置的结构示意图;
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
现有技术中,预测模型往往仅用于完成单一预测任务,例如,预测模型仅用于预测速度或者仅用于预测流量,而上述单一预测任务中仅侧重于关注速度特征或者流量特征,使得单一预测任务的预测准确性较低。
鉴于此,本申请实施例提供了一种交通流的预测方法,该方法中,通过预先训练的交通流预测模型分别提取速度特征与流量特征,然后将提取到的速度特征与流量特征进行融合,并基于融合后所得到的融合交通特征来分别进行速度预测与流量预测,从而提高了单一预测任务的预测准确性。
下面针对如何训练交通流预测模型的过程进行详细说明。
首先可以获取第二历史交通流数据,该第二历史交通流数据至少包括平均速度、速度方差以及流量,当然也可以包括其他参数,此处不做特别限制。应理解,第二历史交通流数据的数据量应满足能够从中捕获到相关规律(速度变化规律以及流量变化规律)为准,此处对第二历史交通流数据的具体构成不做特别限制。
考虑到在交通流预测场景中,某一地点的当前时刻的交通流可能与前几个时刻的交通流情况相关,也可以与当前时刻的特殊性相关,此处的特殊性是指由于人们的工作习惯或者生活习惯所导致的交通流所呈现的周期性规律。因此,为了能够较好的对交通流预测模型进行训练,可以针对性的获取相关历史交通流数据。
作为一种可能的实施方式,第二历史交通流数据包括历史时间段内的多组交通流数据,每组交通流数据包括第四子交通流数据、第五子交通流数据以及第六子交通流数据,第四子交通流数据为历史时间段内目标日期内目标时间片相邻的X个历史时间片内的各个地点的交通流数据(可以认为是包含临近性特征),第五子交通流数据为与目标日期相邻的Y个历史天数内且与目标时间片处于同一时间片的各个地点的交通流数据(可以认为是包含周期性特征),第六子交通流数据为与目标日期间隔W周内且与目标时间片处于同一时间片的各个地点的交通流数据(可以认为是包含周期性特征)。目标日期为历史时间段的最后一天,目标日期内各个地点在各个目标时间片的交通流数据作为标签。X、Y以及W为不小于1的正整数。X、Y以及W各自的取值可以相同,也可以不相同,例如,X、Y及W可以均取值为3,或者X取值为3,Y取值为2,W取值为2,此处对X、Y以及W具体取值不做特别限制。
应理解,历史时间段内的每一天均可以划分为多个时间片,以10分钟为一个时间片为例,一天可以划分为144个时间片;同理,以20分钟为一个时间片为例,一天可以划分为72个时间片。一个时间片不宜设置的过小,否则将导致部分时间片内频繁出现零流量的现象。
上述实施例中,通过分别获取临近性样本、周期性样本以及趋势性样本,从而有利于从不同的时间维度来表征交通流的变化,进而有利于提高交通流预测模型的预测准确性。
考虑到即使较为合理的设置时间片,但是仍然可能出现某一地点的部分时间片内出现零流量的情况,这就意味着该地点的部分时间片内车辆的平均速度与车辆的速度方差均为0,而车辆的平均速度以及速度方差为0可以被认为是在该地点的部分时间片内车辆处于静止状态,而当该地点为公路上的某一卡口时,车辆处于静止显然不合理。下面基于三种方式来较为合理的设置上述地点部分时间片内的平均速度以及速度方差。
方式1:基于上述地点对应的上游地点的交通流数据来确定。
本申请实施例中,当任一地点的部分时间片内的流量为0时,并且确定该部分时间片内上该任一地点所对应的上游地点存在平均速度与速度方差,则将该上游地点的平均速度与速度方差作为该任一地点在该部分时间片内的平均速度与速度方差。
例如,请参见图1,若地点1当前时间片t内的流量为0,则地点1当前时间片t内的平均速度以及速度方差均为0,地点2为地点1的上游地点,且地点2当前时间片t的流量为5,平均速度为30以及速度方差为4。因此,可以将地点2处同一时间片(t)的平均速度作为地点1在时间片t内的平均速度,即地点1在时间片t内的平均速度也为30;同理,可以将地点2处同一时间片(t)的速度方差作为地点1在时间片t内的速度方差,即地点1在时间片t内的速度方差也为4。
方式2:基于上述地点对应的下游地点的交通流数据来确定。
本申请实施例中,当任一地点的部分时间片内的流量为0时,并且确定该部分时间片内该任一地点所对应的上游地点不存在平均速度与速度方差,以及该任一地点的下游地点存在平均速度与速度方差时,可以将部分时间片内则将该下游地点的平均速度与速度方差作为该任一地点在该部分时间片内的平均速度与速度方差。
例如,请参见图2,若地点1当前时间片内的流量为0,则地点1当前时间片内的平均速度以及速度方差均为0,地点2为地点1的上游地点,但是地点2当前时间片t内的流量、平均速度以及速度方差均为0;地点3为地点1的下游地点,地点3当前时间片t内的流量为4,平均速度为20,速度方差为2。此时,可以将地点3处同一时间片t内的平均速度作为地点1在时间片t内的平均速度,即地点1在时间片t内的平均速度也为20;同理,可以将地点3处同一时间片t内的速度方差作为地点1在时间片t内的速度方差,即地点1在时间片t内的速度方差也为2。
方式3:基于上述地点的上述部分时间片的前后时间片的交通流数据来确定。
本申请实施例中,当任一地点的部分时间片内的流量为0时,并且确定该部分时间片内该任一地点所对应的上游地点与下游地点均不存在平均速度与速度方差时,可以将该任一地点处位于所述部分时间片前后的时间片内的平均速度的平均值以及速度方差的平均值作为该任一地点在上述部分时间片内的平均速度与速度方差。
例如,请参见图3,若地点1当前时间片t内的流量、平均速度以及速度方差均为0,地点2(位于地点1上游)以及地点3(位于地点1下游)当前时间片t内的流量、平均速度以及速度方差均为0,而地点1在时间片t-1(即当前时间片t的前一时间片)内的流量为6,平均速度为36以及速度方差为3;地点1在时间片t+1(即当前时间片t的后一时间片)内的流量为8,平均速度为40以及速度方差为4。此时,可以将地点1处位于时间片t-1与时间片t+1内的平均速度的平均值,作为地点1处时间片t内的平均速度,即地点1处时间片t的平均速度为(36+40)/2=38;同理,可以将地点1处位于时间片t-1与时间片t+1内的速度方差的平均值,作为地点1处时间片t内的速度方差,即地点1处时间片的t的速度方差为(3+4)/2=3.5。
上述实施例中,若某一地点的某一时间片内的流量为0,通过合理设置该时间片内的平均速度与速度方差,从而有助于对交通流预测模型进行训练。
应理解,在上述第二历史交通流数据中除采用上述方法对速度与速度方差进行合理设置以外,还会对异常数据进行筛除,以及对同类型参数(平均速度、流量以及速度方差各自视为一种类型的参数)进行归一化处理,此处不再赘述。
第二历史交通流数据经上述一系列处理后,便可以将经处理后的第二历史交通流数据输入到然后将上述第二历史交通流数据输入预先构建的交通流预测模型中。该预先构建的交通流预测模型中包括速度预测子网络、流量预测子网络以及分别与速度子网络以及流量子网络连接的融合子网络,速度子网络用于提取第二历史交通流数据中的速度特征(该速度特征可以认为包括第四子交通流数据所表征的临近性速度特征、第五子交通流数据所表征的周期性速度特征以及第六子交通流数据所表征的趋势性速度特征的组合,具体如何组合见下文介绍),流量预测子网络用于提取第二历史交通流数据中的流量特征(该流量特征可以认为包括第四子交通流数据所表征的临近性流量特征、第五子交通流数据所表征的周期性流量特征以及第六子交通流数据所表征的趋势性流量特征的组合,具体如何组合见下文介绍),上述速度特征与上述流量特征经融合子网络进行融合作用后形成融合交通特征(即同时包括速度特征与流量特征),并将该融合交通特征分别反馈给速度预测子网络以及流量预测子网络,使得速度预测子网络可以基于融合交通特征对待预测日期内各个时间片内的速度进行预测,以及使得流量预测子网络可以基于融合交通特征对待预测日期内各个时间片内的流量进行预测。同时还基于预设的损失函数来对上述交通流预测模型进行不断训练,直到损失函数达到收敛为止。当然,融合交通特征除了包括速度特征以及流量特征以外,还可以包括外部因素特征,例如,所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期,当然,外部因素特征还可以包括其他,此处对外部因素特征不做特别限制。
应理解,由于上述交通流预测模型中存在两个训练任务(即训练速度预测子网络以及训练流量预测子网络),因此,在训练过程中,需要保证两个训练任务之间的平衡,避免出现侧重于训练单一任务的情况,为此,本申请实施例中针对性设计了如下损失函数(1):
其中,L(W,σ1,σ2)表示预设损失函数,ξ1(W)表示速度预测任务中当前的网络权重W下速度预测值与速度标签值之间的第一损失,ξ2(W)表示流量预测任务中当前网络权重W下流量预测值与流量标签值之间的第二损失,σ1表示速度预测任务的噪声,σ2表示流量预测任务的噪声。
应理解,上述公式中定义了不同训练任务所构成的损失函数,而针对单个训练任务而言,速度预测任务以及流量预测任务均采用均方差函数来构建损失函数,当然,也可以采用其他函数来构建损失函数,此处不做特别限制。
下面针对速度预测子网络如何获得速度特征,以及流量预测子网络如何获得流量特征进行详细说明。
速度特征与流量特征均基于如下公式(2)计算:
Mi=Wci⊙Mci+Wpi⊙Mpi+Wti⊙Mti (2)
其中,Mi表示第i种特征,⊙表示哈德马积,当i=1时,M1表示速度特征,Wc1表示临近性速度特征,Mc1表示临近性速度特征对应的权重;Wp1表示周期性速度特征,Mp1表示周期性速度特征对应的权重;Wt1表示趋势性速度特征,Mt1表示趋势性速度特征对应的权重,Mc1、Mp1以及Mt1各不相同;当i=2时,M1表示流量特征,Wc2表示临近性流量特征,Mc2表示临近性流量特征对应的权重;Wp2表示周期性流量特征,Mp2表示周期性流量特征对应的权重;Wt2表示趋势性流量特征,Mt2表示趋势性流量特征对应的权重,Mc2、Mp2以及Mt2各不相同。
应理解,在训练上述交通流预测模型时,Mc1、Mp1、Mt1、Mc2、Mp2以及Mt2均为可训练参数,使得速度特征中所包含的临近性速度特征、周期性速度特征以及趋势性速度特征各自对应不同的权重,使得临近性速度特征、周期性速度特征以及趋势性速度特征在用于速度预测任务时能够发挥最大程度各自的作用;同理,使得流量特征中所包含的临近性流量特征、周期性流量特征以及趋势性流量特征各自对应不同的权重,使得临近性流量特征、周期性流量特征以及趋势性流量特征在用于流量预测任务时能够发挥最大程度各自的作用。
下面结合附图本申请实施例提供的技术方案进行介绍。请参见图4和图5,本申请实施例提供了一种交通流的预测方法,该方法的流程描述如下:
步骤101:获取待预测的目标地点的第一历史交通流数据,第一历史交通流数据至少包括平均速度、速度方差以及流量。
本申请实施例中,当交通流预测模型训练完成后,当需要执行交通流预测任务时,便可以针对所要预测的地点(即待预测地点)以及待预测地点的待预测时间段获取对应的历史交通流数据。
作为一种可能的实施方式,可以获取待预测地点的第一历史交通流数据,该第一历史交通流数据至少包括平均速度、速度方差以及流量。应理解,第一历史交通流数据应与第二历史交通流数据保持相同的格式,以使得第一历史交通流数据可以正常输入到训练训练的交通流预测模型中。
例如,第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据,第一子交通流数据为与待预测日期的待预测时间片相邻的M个历史时间片的交通流数据,第二子交通流数据为与待预测日期相邻的N个历史天数内且与待预测时间片处于同一时间片的交通流数据,第三子交通流数据为与待预测日期间隔L周内且与待预测时间片处于同一时间片的交通流数据,M、N以及L为不小于1的正整数。M、N以及L各自的取值可以相同,也可以不相同,例如,M、N以及L可以均取值为3,或者M取值为3,N取值为2,L取值为2,此处对M、N以及L具体取值不做特别限制。
步骤102:将第一历史交通流数据输入到预先训练的交通流预测模型中,输出目标地点在待预测日期的目标平均速度以及目标流量。
本申请实施例中,在获得第一历史交通流数据之后,便可以利用预先训练的交通流预测模型对待预测日期的平均速度以及流量进行预测。
作为一种可能的实施方式,可以将第一历史交通流数据输入到预先训练的交通流预测模型中,从而输出目标地点在待预测日期的目标平均速度以及目标流量。
具体的,请继续参见图5,该交通流预测模型中包括预先训练的速度预测子网络、预先训练的流量预测子网络以及预先训练的融合子网络,预先训练的速度预测子网络用于提取第一历史交通流数据中的速度特征(该速度特征可以认为包括第一子交通流数据所表征的临近性速度特征、第二子交通流数据所表征的周期性速度特征以及第三子交通流数据所表征的趋势性速度特征的组合,且基于公式(2)所训练得到的各个特征所对应的权重进行组合),预先训练的流量预测子网络用于提取第一历史交通流数据中的流量特征(该流量特征可以认为包括第一子交通流数据所表征的临近性速度特征、第二子交通流数据所表征的周期性速度特征以及第三子交通流数据所表征的趋势性特征的组合,且基于公式(2)中所训练得到的各个特征所对应的权重进行组合)。上述速度特征与上述流量特征输入到预先训练的融合子网络中,预先训练的融合子网络可以对上述速度特征以及上述流量特征进行融合处理,获得融合交通特征,并将该融合交通特征反馈给上述预先训练的速度预测子网络以及预先训练的流量预测子网络。预先训练的速度预测子网络可以基于该融合交通特征确定待预测日期的目标平均速度,预先训练的流量预测子网络可以基于该融合交通特征确定待预测日期的目标流量。这里的待预测日期可以是未来的某一天,也可以是未来的某一天中的某一待预测时间片,此处不做特别限制。
应理解,上述融合交通特征中除了包括速度特征以及流量特征以外,还可以包括外部因素特征,使得对于待预测日期内目标平均速度以及目标流量的预测更为准确。
请参见图6,基于同一发明构思,本申请实施例还提供了一种交通流的预测装置,该装置包括:获取单元201以及处理单元202。
获取单元201,用于获取待预测的目标地点的第一历史交通流数据,第一历史交通流数据至少包括平均速度、速度方差以及流量;
处理单元202,用于将第一历史交通流数据输入到预先训练的交通流预测模型中,输出目标地点在待预测时间片内的目标平均速度以及目标流量,交通流预测模型包括速度预测子网络、流量预测子网络以及分别与速度预测子网络以及流量预测子网络连接的融合子网络,速度预测子网络用于提取第一历史交通流数据中速度特征;流量预测子网络用于提取第一历史交通流数据中流量特征;融合子网络用于将速度特征与流量特征进行融合,获得融合交通特征,并将融合交通特征分别反馈给速度预测子网络以及流量预测子网络,速度预测子网络基于融合交通特征确定目标平均速度,流量预测子网络基于融合交通特征确定目标流量。
可选的,第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据,第一子交通流数据为与待预测日期的待预测时间片相邻的M个历史时间片的交通流数据,第二子交通流数据为与待预测日期相邻的N个历史天数内且与待预测时间片处于同一时间片的交通流数据,第三子交通流数据为与待预测日期间隔L周内且与待预测时间片处于同一时间片的交通流数据,M、N以及L为不小于1的正整数。
可选的,速度特征包括第一子交通流数据所表征的临近性速度特征,第二子交通流数据所表征的周期性速度特征,以及第三子交通流数据所表征的趋势性速度特征;流量特征包括所述第一子交通流数据所表征的临近性流量特征,第二子交通流数据所表征的周期性流量特征,以及第三子交通流数据所表征的趋势性流量特征。
可选的,速度特征与流量特征均基于如下公式计算:
Mi=Wci⊙Mci+Wpi⊙Mpi+Wti⊙Mti
其中,Mi表示第i种特征,⊙表示哈德马积,当i=1时,M1表示速度特征,Wc1表示临近性速度特征,Mc1表示临近性速度特征对应的权重;Wp1表示周期性速度特征,Mp1表示周期性速度特征对应的权重;Wt1表示趋势性速度特征,Mt1表示趋势性速度特征对应的权重,Mc1、Mp1以及Mt1各不相同;当i=2时,M1表示流量特征,Wc2表示临近性流量特征,Mc2表示临近性流量特征对应的权重;Wp2表示周期性流量特征,Mp2表示周期性流量特征对应的权重;Wt2表示趋势性流量特征,Mt2表示趋势性流量特征对应的权重,Mc2、Mp2以及Mt2各不相同。
可选的,融合交通特征还包括外部因素特征,外部因素至少包括所述待预测时间片在待预测日期中的编号、待预测时间片属于周几、待预测时间片是否为周末或者假期。
可选的,所述获取单元还用于:
获取第二历史交通流数据,所述第二历史交通流数据至少包括平均速度、速度方差以及流量;
所述处理单元还用于:将所述第二历史交通流数据输入到所述交通流预测模型中,并基于预设的损失函数对所述交通流预测模型进行训练,以使所述损失函数处于收敛状态,所述预测损失函数如下:
其中,L(W,σ1,σ2)表示预设损失函数,ξ1(W)表示速度预测任务中当前的网络权重W下速度预测值与速度标签值之间的第一损失,ξ2(W)表示流量预测任务中当前网络权重W下流量预测值与流量标签值之间的第二损失,σ1表示速度预测任务的噪声,σ2表示流量预测任务的噪声。
可选的,第二历史交通流数据包括历史时间段内的多组交通流数据,每组交通流数据包括第四子交通流数据、第五子交通流数据以及第六子交通流数据,第四子交通流数据为所述历史时间段内目标日期内目标时间片相邻的X个历史时间片内的各个地点的交通流数据,第五子交通流数据为与所述目标日期相邻的Y个历史天数内与所述目标时间片处于同一时间片的各个地点的交通流数据,第六子交通流数据为与所述目标日期间隔W周内与目标时间片处于同一时间片的各个地点的交通流数据,目标日期为所述历史时间段的最后一天,目标日期内各个地点在各个目标时间片的交通流数据作为标签,X、Y以及W为不小于1的正整数。
可选的,第一损失与第二损失均采用均方差函数。
可选的,当任一地点的部分时间片内的流量为0时,该装置还包括:
确定单元,用于当确定部分时间片内任一地点的上游地点存在平均速度与速度方差,则将上游地点的平均速度与速度方差作为任一地点在部分时间片内的平均速度与速度方差。
可选的,确定单元还用于:
若确定部分时间片内任一地点的上游地点不存在平均速度与速度方差,且任一地点的下游地点存在平均速度与速度方差,则将下游地点的平均速度与速度方差作为任一地点在部分时间片内的平均速度与速度方差。
可选的,确定单元还用于:
若确定部分时间片内任一地点的上游地点与下游地点均不存在平均速度与速度方差,则将任一地点对应的位于部分时间片前后的时间片内的平均速度的平均值以及速度方差的平均值作为任一地点在部分时间片内的平均速度与速度方差。
请参见图7,基于同一发明构思,本申请实施例还提供一种电子设备,该电子设备包括至少一个处理器301,处理器301用于执行存储器中存储的计算机程序,实现本申请实施例提供的如图4所示的交通流的预测方法的步骤。
可选的,处理器301具体可以是中央处理器、特定ASIC,可以是一个或多个用于控制程序执行的集成电路。
可选的,该电子设备还可以包括与至少一个处理器301连接的存储器302,存储器302可以包括ROM、RAM和磁盘存储器。存储器302用于存储处理器301运行时所需的数据,即存储有可被至少一个处理器301执行的指令,至少一个处理器301通过执行存储器302存储的指令,执行如图4所示的方法。其中,存储器302的数量为一个或多个。其中,存储器302在图7中一并示出,但需要知道的是存储器302不是必选的功能模块,因此在图7中以虚线示出。
其中,获取单元201以及处理单元202所对应的实体设备均可以是前述的处理器301。该电子设备可以用于执行图4所示的实施例所提供的方法。因此关于该电子设备中各功能模块所能够实现的功能,可参考图4所示的实施例中的相应描述,不多赘述。
本发明实施例还提供一种计算机存储介质,其中,计算机存储介质存储有计算机指令,当计算机指令在计算机上运行时,使得计算机执行如图4所述的方法。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (14)
1.一种交通流的预测方法,其特征在于,所述方法包括:
获取待预测的目标地点的第一历史交通流数据,所述第一历史交通流数据至少包括平均速度、速度方差以及流量;
将所述第一历史交通流数据输入到预先训练的交通流预测模型中,输出所述目标地点在待预测日期的目标平均速度以及目标流量,所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络,所述速度预测子网络用于提取所述第一历史交通流数据中速度特征;所述流量预测子网络用于提取所述第一历史交通流数据中流量特征;所述融合子网络用于将所述速度特征与所述流量特征进行融合,获得融合交通特征,并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络,所述速度预测子网络基于所述融合交通特征确定所述目标平均速度,所述流量预测子网络基于所述融合交通特征确定所述目标流量;其中,所述融合交通特征包括速度特征与流量特征。
2.如权利要求1所述的方法,其特征在于,所述第一历史交通流数据包括第一子交通流数据、第二子交通流数据以及第三子交通流数据,所述第一子交通流数据为与所述待预测日期的待预测时间片相邻的M个历史时间片的交通流数据,所述第二子交通流数据为与所述待预测日期相邻的N个历史天数内且与所述待预测时间片处于同一时间片的交通流数据,所述第三子交通流数据为与所述待预测日期间隔L周内且与所述待预测时间片处于同一时间片的交通流数据,M、N以及L为不小于1的正整数。
3.如权利要求2所述的方法,其特征在于,所述速度特征包括所述第一子交通流数据所表征的临近性速度特征,所述第二子交通流数据所表征的周期性速度特征,以及所述第三子交通流数据所表征的趋势性速度特征;所述流量特征包括所述第一子交通流数据所表征的临近性流量特征,所述第二子交通流数据所表征的周期性流量特征,以及所述第三子交通流数据所表征的趋势性流量特征。
4.如权利要求3所述的方法,其特征在于,所述速度特征与所述流量特征均基于如下公式计算:
Mi=ci⊙Mci+pi⊙Mpi+ti⊙Mti
其中,Mi表示第i种特征,⊙表示哈德马积,当i=1时,M1表示速度特征,Wc1表示所述临近性速度特征,Mc1表示所述临近性速度特征对应的权重;Wp1表示所述周期性速度特征,Mp1表示所述周期性速度特征对应的权重;Wt1表示所述趋势性速度特征,Mt1表示所述趋势性速度特征对应的权重,Mc1、Mp1以及Mt1各不相同;当i=2时,M1表示流量特征,Wc2表示所述临近性流量特征,Mc2表示所述临近性流量特征对应的权重;Wp2表示所述周期性流量特征,Mp2表示所述周期性流量特征对应的权重;Wt2表示所述趋势性流量特征,Mt2表示所述趋势性流量特征对应的权重,Mc2、Mp2以及Mt2各不相同。
5.如权利要求2所述的方法,其特征在于,所述融合交通特征还包括外部因素特征,所述外部因素至少包括所述待预测时间片在所述待预测日期中的编号、所述待预测时间片属于周几、所述待预测时间片是否为周末或者假期。
7.如权利要求6所述的方法,其特征在于,所述第二历史交通流数据包括历史时间段内的多组交通流数据,每组交通流数据包括第四子交通流数据、第五子交通流数据以及第六子交通流数据,所述第四子交通流数据为所述历史时间段内目标日期内目标时间片相邻的X个历史时间片内的各个地点的交通流数据,所述第五子交通流数据为与所述目标日期相邻的Y个历史天数内与所述目标时间片处于同一时间片的各个地点的交通流数据,所述第六子交通流数据为与所述目标日期间隔W周内与所述目标时间片处于同一时间片的各个地点的交通流数据,所述目标日期为所述历史时间段的最后一天,所述目标日期内各个地点在各个目标时间片的交通流数据作为标签,X、Y以及W为不小于1的正整数。
8.如权利要求6所述的方法,其特征在于,所述第一损失与所述第二损失均采用均方差函数。
9.如权利要求7所述的方法,其特征在于,在将所述第二历史交通流数据输入到所述交通流预测模型之前,当任一地点的部分时间片内的流量为0时,所述方法还包括:
若确定所述部分时间片内所述任一地点的上游地点存在平均速度与速度方差,则将所述上游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。
10.如权利要求9所述的方法,其特征在于,所述方法还包括:
若确定所述部分时间片内所述任一地点的上游地点不存在平均速度与速度方差,且所述任一地点的下游地点存在平均速度与速度方差,则将所述下游地点的平均速度与速度方差作为所述任一地点在所述部分时间片内的平均速度与速度方差。
11.如权利要求10所述的方法,其特征在于,所述方法还包括:
若确定所述部分时间片内所述任一地点的上游地点与下游地点均不存在平均速度与速度方差,则将所述任一地点对应的位于所述部分时间片前后的时间片内的平均速度的平均值以及速度方差的平均值作为所述任一地点在所述部分时间片内的平均速度与速度方差。
12.一种交通流的预测装置,其特征在于,所述装置包括:
获取单元,用于获取待预测的目标地点位于待预测日期之前的第一历史交通流数据,所述第一历史交通流数据至少包括平均速度、速度方差以及流量;
处理单元,用于将所述第一历史交通流数据输入到预先训练的交通流预测模型中,输出所述目标地点在待预测时间片内的目标平均速度以及目标流量,所述交通流预测模型包括速度预测子网络、流量预测子网络以及分别与所述速度预测子网络以及所述流量预测子网络连接的融合子网络,所述速度预测子网络用于提取所述第一历史交通流数据中速度特征;所述流量预测子网络用于提取所述第一历史交通流数据中流量特征;所述融合子网络用于将所述速度特征与所述流量特征进行融合,获得融合交通特征,并将所述融合交通特征分别反馈给所述速度预测子网络以及所述流量预测子网络,所述速度预测子网络基于所述融合交通特征确定所述目标平均速度,所述流量预测子网络基于所述融合交通特征确定所述目标流量;其中,所述融合交通特征包括速度特征与流量特征。
13.一种电子设备,其特征在于,所述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连接的存储器,所述至少一个处理器用于执行存储器中存储的计算机程序时实现如权利要求1-11任一项所述方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行是实现如权利要求1-11任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978860.2A CN113689699B (zh) | 2021-08-25 | 2021-08-25 | 一种交通流的预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110978860.2A CN113689699B (zh) | 2021-08-25 | 2021-08-25 | 一种交通流的预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113689699A CN113689699A (zh) | 2021-11-23 |
CN113689699B true CN113689699B (zh) | 2023-04-18 |
Family
ID=78582286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110978860.2A Active CN113689699B (zh) | 2021-08-25 | 2021-08-25 | 一种交通流的预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113689699B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114201890B (zh) * | 2022-02-16 | 2022-05-24 | 苏州博宇鑫交通科技有限公司 | 一种高速公路异常事件场景库构建方法 |
CN115440038B (zh) * | 2022-08-31 | 2023-11-03 | 青岛海信网络科技股份有限公司 | 一种交通信息确定方法以及电子设备 |
CN115410386B (zh) * | 2022-09-05 | 2024-02-06 | 同盾科技有限公司 | 短时速度预测方法及装置、计算机存储介质、电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN104424507A (zh) * | 2013-08-28 | 2015-03-18 | 杨凤琴 | 一种回声状态网络的预测方法和预测装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542801B (zh) * | 2011-12-23 | 2014-10-08 | 北京易华录信息技术股份有限公司 | 一种融合多种交通数据的交通状况预测系统及方法 |
CN103247177B (zh) * | 2013-05-21 | 2016-01-20 | 清华大学 | 大规模路网交通流实时动态预测系统 |
CN110517479B (zh) * | 2018-05-22 | 2020-11-03 | 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 |
CN112101682B (zh) * | 2020-09-25 | 2024-04-09 | 北京百度网讯科技有限公司 | 流量模式预测方法、装置、服务器以及可读介质 |
CN112232495B (zh) * | 2020-12-10 | 2022-03-04 | 北京瑞莱智慧科技有限公司 | 预测模型的训练方法、装置、介质和计算设备 |
CN112382099B (zh) * | 2021-01-15 | 2021-04-13 | 腾讯科技(深圳)有限公司 | 交通路况预测方法、装置、电子设备及存储介质 |
-
2021
- 2021-08-25 CN CN202110978860.2A patent/CN113689699B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101286269A (zh) * | 2008-05-26 | 2008-10-15 | 北京捷讯畅达科技发展有限公司 | 兼有动态实时交通数据的交通流量预测系统 |
CN104424507A (zh) * | 2013-08-28 | 2015-03-18 | 杨凤琴 | 一种回声状态网络的预测方法和预测装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113689699A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113689699B (zh) | 一种交通流的预测方法、装置、电子设备及存储介质 | |
Toledo et al. | Estimation of vehicle trajectories with locally weighted regression | |
CN107807625B (zh) | 一种基于端到端的自动驾驶系统舒适度的评估方法及装置 | |
CN110235148A (zh) | 训练动作选择神经网络 | |
EP2564049B1 (de) | STEUERGERÄT UND VERFAHREN ZUR BERECHNUNG EINER AUSGANGSGRÖßE FÜR EINE STEUERUNG | |
CN109670970B (zh) | 一种驾驶行为评分方法、装置及计算机可读存储介质 | |
DE102015103387A1 (de) | Verfahren und Vorrichtung zum Verfolgen und Vorhersagen einer Verwendungstendenz von Fahrzeug-Apps | |
CN108259638B (zh) | 个人群组列表智能排序方法、智能终端及存储介质 | |
US20210192368A1 (en) | Method and Device for Machine Learning in a Computing Unit | |
DE202015009120U1 (de) | Integration von Online-Navigationsdaten mit gecachten Navigationsdaten während der aktiven Navigation | |
JP3637412B2 (ja) | 時系列データ学習・予測装置 | |
CN112580801B (zh) | 一种强化学习训练方法及基于强化学习的决策方法 | |
WO2018184754A1 (de) | Verfahren und steuereinrichtung zum steuern eines technischen systems | |
CN105103176A (zh) | 信息处理设备、信息处理方法和程序 | |
CN110308658A (zh) | 一种pid参数整定方法、装置、系统及可读存储介质 | |
CN110135261A (zh) | 一种训练道路异常识别模型、道路异常识别的方法及系统 | |
JP6601577B2 (ja) | 制御目的関数統合システム、制御目的関数統合方法、および、制御目的関数統合プログラム | |
CN116701130A (zh) | 基于指标画像的动态基线优化方法、装置及电子设备 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN112633074A (zh) | 行人信息的检测方法和装置、存储介质及电子设备 | |
CN109639787B (zh) | 位置状态的获取方法、装置、可读存储介质和电子设备 | |
CN112001570B (zh) | 数据处理方法、装置、电子设备和可读存储介质 | |
JP2011227720A (ja) | 推薦システム、推薦方法、及び推薦プログラム | |
Friso et al. | Scalable data-driven short-term traffic prediction | |
CN115576205B (zh) | 反馈控制方法、通用反馈控制器、训练方法、可读存储介质、计算机程序产品及系统 |
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 |