CN114283590A - 车流量高峰预测方法及装置、电子设备 - Google Patents
车流量高峰预测方法及装置、电子设备 Download PDFInfo
- Publication number
- CN114283590A CN114283590A CN202111025120.3A CN202111025120A CN114283590A CN 114283590 A CN114283590 A CN 114283590A CN 202111025120 A CN202111025120 A CN 202111025120A CN 114283590 A CN114283590 A CN 114283590A
- Authority
- CN
- China
- Prior art keywords
- predicted
- traffic flow
- flow
- value
- vehicle flow
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车流量高峰预测方法及装置、电子设备,该方法包括:获取待预测道路的预设不同时间周期的车流量;将不同时间周期的车流量按照采样时段进行统计,得到与各采样时段对应的第一车流量;根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,得到与各时间位置对应的调整系数;根据对不同采样时段与对应的所述第一车流量拟合得到线性回归函数,确定拟合预测车流量值;根据拟合预测车流量值及对应调整系数确定预测车流量值,并根据预测车流量值与车流量阈值比较结果确定是否检测到高峰流量。实现了更准确的预测出车流量的高峰,保证了节假日高峰预测的精准性。
Description
技术领域
本发明涉及交通控制技术领域,特别涉及一种车流量高峰预测方法及装 置、电子设备。
背景技术
高峰时期的道路交通安全管理工作特别是五一、十一、春节等重大节假日 是交通管理人员每年工作的重点之一。随着生活水平的提高,节假日外出旅游 成为越来越多人的选择,因此造成交管部门的交管压力逐年递增,节假日期间 是交通管理人员最忙的时候,保障效果直接影响公众出行满意度和城市形象。 目前重大节假日期间的交管工作,主要依靠相关交通管理人员对历史节假日交 通流特征进行评估,形成对交通进行管理的人员分布的保障方案,往往存在部 署点位遗漏或不准确的情况,影响节假日工作成效。如何不依赖交通管理人员 经验,给出各进出城节点的交通流规模及高峰时段预测、拥堵重点区域预测以 及对交通的管理是亟待解决的问题。
发明内容
本申请的目的是提供一种车流量的高峰预测方法及装置、电子设备,用于 解决高峰时期的交管工作中存在部署点位遗漏或不准确的情况,影响节假日工 作成效的问题。
第一方面,本申请实施例提供了一种车流量高峰预测方法,所述方法包括:
获取待预测道路的预设不同时间周期的车流量;
将所述不同时间周期的车流量按照采样时段进行统计,得到与各采样时段 对应的第一车流量;
根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均 值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,得到与各 时间位置对应的调整系数;
根据对不同采样时段与对应的所述第一车流量拟合得到的线性回归函数, 确定待预测的采样时段对应的拟合预测车流量值;
根据所述拟合预测车流量值及对应的调整系数确定预测车流量值,并根据 所述预测车流量值与车流量阈值的比较结果确定是否检测到高峰流量。
在一些可能的实施例中,根据对不同采样时段与对应的所述第一车流量拟 合得到线性回归函数,包括:
将不同采样时段与对应的所述第一车流量数据作为坐标数据,利用最小二 乘法求解与各坐标数据的距离的平方差之和最小的直线对应的线性回归函数。
在一些可能的实施例中,将不同采样时段与对应的所述第一车流量作为坐 标数据,利用最小二乘法求解与各坐标数据的距离的平方差之和最小的直线对 应的线性回归函数,包括:
将所述不同采样时段的编号作为横坐标点xi,将所述不同采样时段对应的 车流量作为纵坐标点yi,根据所述xi和所述yi计算:
根据所述系数a和所述偏移值b得到所述线性回归函数:y=ax+b。
在一些可能的实施例中,根据不同时间周期中同一时间位置的采样时段的 第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的 第二平均值,得到调整系数,包括:
根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均 值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,将所述第 一平均值与所述第二平均值的比值作为各所述时间位置对应的调整系数。
在一些可能的实施例中,根据所述调整系数与所述拟合预测车流量值确定 预测车流量值,包括:
根据待预测的采样时段所在的当前时间周期,定位所述待预测的采样时段 在所述当前时间周期的时间位置;
确定与定位的所述时间位置对应的调整系数;
通过定位的所述时间位置对应的调整系数与所述拟合预测车流量值的乘 积确定预测车流量值。
在一些可能的实施例中,获取待预测道路的预设不同时间周期的车流量, 包括:
获取电警采集并上报的预设不同时间周期的车流量。
在一些可能的实施例中,获取待预测道路的预设不同时间周期的车流量 后,所述方法还包括:
过滤所述车流量中属于预设车流量范围值外的异常车流量数据。
第二方面,本申请实施例提供了一种车流量高峰预测装置,所述装置包括:
获取模块,用于获取待预测道路的预设不同时间周期的车流量;
统计模块,用于将所述不同时间周期的车流量按照采样时段进行统计,得 到与各采样时段对应的第一车流量;
计算调整系数模块,用于根据不同时间周期中同一时间位置的采样时段的 第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的 第二平均值,得到与各时间位置对应的调整系数;
确定模块,用于根据对不同采样时段与对应的所述第一车流量拟合得到的 线性回归函数,确定待预测的采样时段对应的拟合预测车流量值;
判断模块,用于根据所述拟合预测车流量值及对应的调整系数确定预测车 流量值,并根据所述预测车流量值与车流量阈值的比较结果确定是否检测到高 峰流量。
在一些可能的实施例中,确定模块具体用于,将不同采样时段与对应的所 述第一车流量数据作为坐标数据,利用最小二乘法求解与各坐标数据的距离的 平方差之和最小的直线对应的线性回归函数。
在一些可能的实施例中,确定模块具体用于,将所述不同采样时段的编号 作为横坐标点xi,将所述不同采样时段对应的车流量作为纵坐标点yi,根据所 述xi和所述yi计算:
根据所述系数a和所述偏移值b得到所述线性回归函数:y=ax+b。
在一些可能的实施例中,计算调整系数模块具体用于,根据不同时间周期 中同一时间位置的采样时段的第一车流量的第一平均值,及对不同时间位置对 应的第一平均值求平均得到的第二平均值,将所述第一平均值与所述第二平均 值的比值作为各所述时间位置对应的调整系数。
在一些可能的实施例中,判断模块具体用于,根据待预测的采样时段所在 的当前时间周期,定位所述待预测的采样时段在所述当前时间周期的时间位 置;
确定与定位的所述时间位置对应的调整系数;
通过定位的所述时间位置对应的调整系数与所述拟合预测车流量值的乘 积确定预测车流量值。
在一些可能的实施例中,获取模块具体用于,获取电警采集并上报的预设 不同时间周期的车流量。
在一些可能的实施例中,该装置还包括,过滤模块,用于过滤所述车流量 中属于预设车流量范围值外的异常车流量数据。
第三方面,本申请实施例提供一种电子设备,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上述第一方面提供的温度预测模型训练的方法。
第四方面,本申请实施例提供计算机存储介质,所述计算机存储介质存储 有计算机程序,所述计算机程序用于使计算机执行上述第一方面提供的温度预 测模型训练的方法。
本申请实施例,为了解决高峰时期的交通管理工作中存在对有些区域管理 的遗漏或不准确的情况,影响节假日工作成效的问题,本申请实施例通过引入 调整系数对通过拟合得到的拟合预测车流量值进行纠偏,针对采集历史的不同 时间周期数据进行单独处理,并对数据是否需要介入交通管理前期分析并处 理,更准确的预测出车流量的高峰,保证了节假日高峰预测的精准性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明 书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可 通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获 得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所 需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本申请 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为根据本申请一个实施例的一种车流量的高峰预测方法流程示意图;
图2为根据本申请一个实施例的根据对不同采样时段与对应的所述第一车 流量拟合得到的线性回归函数图;
图3为根据本申请一个实施例的一种车流量的高峰预测方法详细流程示意 图;
图4为根据本申请一个实施例的车流量的高峰预测装置结构示意图;
图5为根据本申请一个实施例的一种电子设备结构示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、详尽地描述。在 本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以 表示A或B;文本中的“和/或”仅仅是一种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,另外,在本申请实施例的描述中,“多个”是 指两个或多于两个。
在本申请实施例的描述中,除非另有说明,术语“多个”是指两个或两个 以上,其它量词与之类似应当理解,此处所描述的优选实施例仅用于说明和解 释本申请,并不用于限定本申请,并且在不冲突的情况下,本申请的实施例及 实施例中的特征可以相互组合。
为进一步说明本申请实施例提供的技术方案,下面结合附图以及具体实施 方式对此进行详细的说明。虽然本申请实施例提供了如下述实施例或附图所示 的方法操作步骤,但基于常规或者无需创造性的劳动在方法中可以包括更多或 者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中,这些步骤的执行 顺序不限于本申请实施例提供的执行顺序。方法在实际的处理过程中或者控制 设备执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行。
鉴于相关技术中高峰时期的交管工作中存在部署点位遗漏或不准确的情 况,影响节假日工作成效的问题。本申请提出一种车流量的高峰预测方法及装 置、电子设备,能够在高峰来临前做到提前发现、预先预警以及及时疏导。
有鉴于此,本申请的发明构思为:通过引入调整系数对通过拟合得到的拟 合预测车流量值进行纠偏,针对采集历史的不同时间周期数据进行单独处理, 并对数据是否需要介入交通管理前期分析并处理,更准确的预测出车流量的高 峰,保证了节假日高峰预测的精准性。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明 书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可 通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获 得。
下面结合附图对本申请实施例中的车流量的高峰预测方法进行详细说明。
本申请可以应用于车辆在高峰期例如节假日进出城的场景中,在此场景 下,需要有经验的交通管理人员对历史节假日交通流特征进行评估,形成对交 通进行管理的人员分布的保障方案,但现有对车流量高峰预测的方法中存在以 下问题:
未考虑对历史各时间周期例如历史各年或者历史年份的各月对应的车流 量数据的处理,由于不同时间数据采集设备在进行数据采集时可能会出现宕机 或卡顿等问题,无法获取规则相同的车流量数据。
鉴于此,参见图1,本发明的实施例提出了的一种车流量的高峰预测方法 流程示意图,包括:
步骤101:获取待预测道路的预设不同时间周期的车流量。
本申请中的待预测道路具体为需要进行车流量是否存在高峰预测的路段, 本申请中以预测高速道路的车流量为例。
本申请中的时间周期包括但不限于以年为单位或以月为单位。例如当以年 为时间周期时可以获取2018年、2019年、2020年的待预测高速道路的车流量。
步骤102:将所述不同时间周期的车流量按照采样时段进行统计,得到与 各采样时段对应的第一车流量。
本申请中的采样时段为一段时间间隔,作为一种可选的实施方式,本申请 中采样时段设定为5分钟。
具体来讲,由于所述步骤101获取的待预测道路的预设不同时间周期的车 流量中包括若干时间点对应的车流量,时间点会精确到秒甚至毫秒,所以为了 减少数据的计算并且能够减少数据的误差。将不同时间周期的车流量按照采样 时段进行统计,即对每5分钟的2018年的车流量进行加和统计,对每5分钟 的2019年的车流量进行加和统计,对每5分钟的2020年的车流量进行加和统 计。
步骤103:根据不同时间周期中同一时间位置的采样时段的第一车流量的 第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值, 得到与各时间位置对应的调整系数。
时间周期中的时间位置即,例如时间周期为年,采样时段为5分钟的情况 下,各时间位置为一年中每天24小时内0:00、0:05、0:10依次顺延。
作为一种可选的实施方式,根据不同时间周期中同一时间位置的采样时段 的第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到 的第二平均值,得到调整系数,包括:
根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均 值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,将所述第 一平均值与所述第二平均值的比值作为各所述时间位置对应的调整系数。
以2018年、2019年、2020年3年时间位置0:00、0:05、0:10为例简要 表示第一平均值与第二平均值的关系,具体参见图表:
其中X1表示为2018年时间位置在0:00时的第一车流量,Y1表示为2019 年时间位置在0:00时的第一车流量,以此类推。
图表中的V1/V表示当以年为时间周期时,每年的第一天的0:00时间位置, 此时间位置对车流量的调整系数为V1/V。V2/V以及V3/V同上述V1/V相关 解释,在此不再赘述。
步骤104:根据对不同采样时段与对应的所述第一车流量拟合得到的线性 回归函数,确定待预测的采样时段对应的拟合预测车流量值。
作为一种可选的实施方式,根据对不同采样时段与对应的所述第一车流量 数据拟合得到线性回归函数,包括:
将不同采样时段与对应的所述第一车流量数据作为坐标数据,利用最小二 乘法求解与各坐标数据的距离的平方差之和最小的直线对应的线性回归函数。
上述线性回归函数表现在坐标轴上如图2所示,横坐标代表每间隔18个 采样时段编号,纵坐标代表不同采样时段对应的时间位置下的车流量,图中全 部车流量数据回归成图中的线性回归函数,即y=-0.0263*x+116.41。
具体来讲,作为一种可选的实施方式,将所述不同采样时段的编号作为横 坐标点xi,将所述不同采样时段对应的车流量作为纵坐标点yi,根据所述xi和 所述yi计算:
根据所述系数a和所述偏移值b得到所述线性回归函数:y=ax+b。
其中,坐标数据中横坐标xi为不同采样时段的编号,即将不同采样时段顺 序进行编号,0:00编号为1、0:05编号为2、0:10编号为3以此类推。纵坐标 yi为不同采样时段对应的车流量,首先计算xi的平均值得到X,再计算yi的平均 值得到Y,然后通过最小二乘法求得系数a和偏移值b,最后得到的线性回归 函数中的y表示上述的拟合预测车流量值,而不是实际的预测车流量值。
步骤105:根据所述拟合预测车流量值及对应的调整系数确定预测车流量 值,并根据所述预测车流量值与车流量阈值的比较结果确定是否检测到高峰流 量。
作为一种可选的实施方式,根据所述调整系数与所述拟合预测车流量值确 定预测车流量值,包括:根据待预测的采样时段所在的当前时间周期,定位所 述待预测的采样时段在所述当前时间周期的时间位置;确定与定位的所述时间 位置对应的调整系数;通过定位的所述时间位置对应的调整系数与所述拟合预 测车流量值的乘积确定预测车流量值。
具体来讲,例如需要预测2021年第一天第2个5分钟也就是0:10的车流 量,通过上述方法找到0:10对应的调整系数为V3/V,由于0:10时间位置对应 的编号为3,将x=3代入线性回归函数:y=ax+b计算出对应的拟合预测车流量 值y,最后y*V3/V即得到最后的预测车流量值。
总的来说,本申请引入调整系数在作为重要参数对预测车流量进行纠偏, 全天候对路面进行监控,突出管理,强化对交通的管理保障道路畅通,及时收 到道路承载力饱和预警及高峰节点拥堵预警,便于及时采取管制措施。同时针 对待预测道路的历史预设不同时间周期进行数据采集,并进行单独处理,对数 据是否需要介入交通管理前期分析并处理,这样可以更准确的预测车流量高 峰,可以对交通流进行更精准的预测,保证了车流量高峰预测的精准性,使例 如节假日类似的车流量高峰来临前,提前定方案、精心组织,做好防范工作: 根据预测车流量值进行评估,提前形成保障方案。
作为一种可选的实施方式,获取待预测道路的预设不同时间周期的车流 量,包括:获取电警采集并上报的预设不同时间周期的车流量。
具体来讲,本申请可以通过对不同的高速收费站设置的电警进行采集数 据,并上报不同时间周期的车流量数据进行后续的分析预测。
作为一种可选的实施方式,获取待预测道路的预设不同时间周期的车流量 后,所述方法还包括:过滤所述车流量中属于预设车流量范围值外的异常车流 量数据。
具体来讲,异常车流量具体可以表现为,例如2019年某一天的某一时间 位置电警A的监控车流量值为500,但是2018年同样的时间电警A监控车流 量值为0,或者2000,在排除当天出现非人为控制的不可抗力后,将2018年 上述时间电警A监控的车流量值判断为异常车流量数据,并对异常车流量数据 进行清洗过滤,通过对异常数据进行过滤清洗,提高整体预测的精准度,避免 因个别异常车流量数据而影响最后预测结果,减少误差。
参见图3所示的车流量高峰预测方法详细流程示意图,包括:
步骤301,获取待预测道路的预设不同时间周期的车流量;
具体来讲,即获取电警采集并上报的预设不同时间周期的车流量。
步骤302,过滤所述车流量中属于预设车流量范围值外的异常车流量数据;
步骤303,将所述不同时间周期的车流量按照采样时段进行统计,得到与 各采样时段对应的第一车流量;
步骤304,根据不同时间周期中同一时间位置的采样时段的第一车流量的 第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值, 将所述第一平均值与所述第二平均值的比值作为各所述时间位置对应的调整 系数;
步骤305,将不同采样时段与对应的所述第一车流量数据作为坐标数据, 利用最小二乘法求解与各坐标数据的距离的平方差之和最小的直线对应的线 性回归函数;
步骤306,获取待预测采样时段所在的时间周期,并定位所述待预测采样 时段在所述时间周期的时间位置;
步骤307,确定与定位的所述时间位置对应的调整系数;
步骤308,通过定位的所述时间位置对应的调整系数与所述拟合预测车流 量值的乘积确定预测车流量值;
步骤309,根据所述预测车流量值与车流量阈值的比较结果确定是否检测 到高峰流量。
实施例2
基于相同的发明构思,本申请还提供一种车流量高峰预测装置,如图4所 示,该装置包括:
获取模块401,用于获取待预测道路的预设不同时间周期的车流量;
统计模块402,用于将所述不同时间周期的车流量按照采样时段进行统计, 得到与各采样时段对应的第一车流量;
计算调整系数模块403,用于根据不同时间周期中同一时间位置的采样时 段的第一车流量的第一平均值,及不同时间位置对应的第一平均值求平均得到 的第二平均值,得到与各时间位置对应的调整系数;
确定模块404,用于根据对不同采样时段与对应的所述第一车流量拟合得 到的线性回归函数,确定待预测的采样时段对应的拟合预测车流量值;
判断模块405,用于根据所述拟合预测车流量值及对应的调整系数确定预 测车流量值,并根据所述预测车流量值与车流量阈值的比较结果确定是否检测 到高峰流量。
可选地,确定模块404具体用于,将不同采样时段与对应的所述第一车流 量数据作为坐标数据,利用最小二乘法求解与各坐标数据的距离的平方差之和 最小的直线对应的线性回归函数。
可选地,确定模块404具体用于,将所述不同采样时段的编号作为横坐标 点xi,将所述不同采样时段对应的车流量作为纵坐标点yi,根据所述xi和所述yi计算:
根据所述系数a和所述偏移值b得到所述线性回归函数:y=ax+b。
可选地,计算调整系数模块403具体用于,根据不同时间周期中同一时间 位置的采样时段的第一车流量的第一平均值,及对不同时间位置对应的第一平 均值求平均得到的第二平均值,将所述第一平均值与所述第二平均值的比值作 为各所述时间位置对应的调整系数。
可选地,判断模块405具体用于,根据待预测的采样时段所在的当前时间 周期,定位所述待预测的采样时段在所述当前时间周期的时间位置;
确定与定位的所述时间位置对应的调整系数;
通过定位的所述时间位置对应的调整系数与所述拟合预测车流量值的乘 积确定预测车流量值。
可选地,获取模块401具体用于,获取电警采集并上报的预设不同时间周 期的车流量。
可选地,该装置还包括,过滤模块406,用于过滤所述车流量中属于预设 车流量范围值外的异常车流量数据。
在介绍了本申请示例性实施方式的车流量高峰预测方法和装置之后,接下 来,介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解,本申请的各个方面可以实现为系统、 方法或程序产品。因此,本申请的各个方面可以具体实现为以下形式,即:完 全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和 软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中,根据本申请的电子设备可以至少包括至少一个 处理器、以及至少一个存储器。其中,存储器存储有程序代码,当程序代码被 处理器执行时,使得处理器执行本说明书上述描述的根据本申请各种示例性实 施方式的车流量高峰预测方法中的步骤。
下面参照图5来描述根据本申请的这种实施方式的电子设备130,即上述 车流量高峰预测设备。图5显示的电子设备130仅仅是一个示例,不应对本申 请实施例的功能和使用范围带来任何限制。
如图5所示,电子设备130以通用电子设备的形式表现。电子设备130的 组件可以包括但不限于:上述至少一个处理器131、上述至少一个存储器132、 连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种,包括存储器总线或者存储器 控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总 线。
存储器132可以包括易失性存储器形式的可读介质,例如随机存取存储器 (RAM)1321和/或高速缓存存储器1322,还可以进一步包括只读存储器 (ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用 工具1325,这样的程序模块1324包括但不限于:操作系统、一个或者多个应 用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能 包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等) 通信,还可与一个或者多个使得用户能与电子设备130交互的设备通信,和/ 或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备 (例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O) 接口135进行。并且,电子设备130还可以通过网络适配器136与一个或者多 个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网) 通信。如图所示,网络适配器136通过总线133与用于电子设备130的其它模 块通信。应当理解,尽管图中未示出,可以结合电子设备130使用其它硬件和 /或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱 动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中,本申请提供的一种车流量高峰预测方法的各个 方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在计算 机设备上运行时,程序代码用于使计算机设备执行本说明书上述描述的根据本 申请各种示例性实施方式的一种车流量高峰预测方法的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读 信号介质或者可读存储介质。可读存储介质例如可以是——但不限于电、磁、 光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可 读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电 连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、 可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储 器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于监控的程序产品可以采用便携式紧凑盘只读存 储器(CD-ROM)并包括程序代码,并可以在电子设备上运行。然而,本申请的 程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的 有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其 中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限 于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存 储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令 执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无 线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作 的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等, 还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。 程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为 一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、 或者完全在远程电子设备或服务端上执行。在涉及远程电子设备的情形中,远 程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN) —连接到用户电子设备,或者,可以连接到外部电子设备(例如利用因特网服 务提供商来通过因特网连接)。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是 这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上 文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文 描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非 要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的 操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤 合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计 算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结 合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包 含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产 品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框 图中的每一流程和/或方框、以及流程图和方框图中的流程和方框的结合。可 提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可 编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数 据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程 和方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中 的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个 流程和方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基 本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要 求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
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 (10)
1.一种车流量高峰预测方法,其特征在于,所述方法包括:
获取待预测道路的预设不同时间周期的车流量;
将所述不同时间周期的车流量按照采样时段进行统计,得到与各采样时段对应的第一车流量;
根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,得到与各时间位置对应的调整系数;
根据对不同采样时段与对应的所述第一车流量拟合得到的线性回归函数,确定待预测的采样时段对应的拟合预测车流量值;
根据所述拟合预测车流量值及对应的调整系数确定预测车流量值,并根据所述预测车流量值与车流量阈值的比较结果确定是否检测到高峰流量。
2.根据权利要求1所述的方法,其特征在于,根据对不同采样时段与对应的所述第一车流量拟合得到线性回归函数,包括:
将不同采样时段与对应的所述第一车流量数据作为坐标数据,利用最小二乘法求解与各坐标数据的距离的平方差之和最小的直线对应的线性回归函数。
4.根据权利要求1所述的方法,其特征在于,根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,得到调整系数,包括:
根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,将所述第一平均值与所述第二平均值的比值作为各所述时间位置对应的调整系数。
5.根据权利要求1所述的方法,其特征在于,根据所述调整系数与所述拟合预测车流量值确定预测车流量值,包括:
根据待预测的采样时段所在的当前时间周期,定位所述待预测的采样时段在所述当前时间周期的时间位置;
确定与定位的所述时间位置对应的调整系数;
通过定位的所述时间位置对应的调整系数与所述拟合预测车流量值的乘积确定预测车流量值。
6.根据权利要求1所述的方法,其特征在于,获取待预测道路的预设不同时间周期的车流量,包括:
获取电警采集并上报的预设不同时间周期的车流量。
7.根据权利要求1所述的方法,其特征在于,获取待预测道路的预设不同时间周期的车流量后,所述方法还包括:
过滤所述车流量中属于预设车流量范围值外的异常车流量数据。
8.一种车流量高峰预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测道路的预设不同时间周期的车流量;
统计模块,用于将所述不同时间周期的车流量按照采样时段进行统计,得到与各采样时段对应的第一车流量;
计算调整系数模块,用于根据不同时间周期中同一时间位置的采样时段的第一车流量的第一平均值,及对不同时间位置对应的第一平均值求平均得到的第二平均值,得到与各时间位置对应的调整系数;
确定模块,用于根据对不同采样时段与对应的所述第一车流量拟合得到的线性回归函数,确定待预测的采样时段对应的拟合预测车流量值;
判断模块,用于根据所述拟合预测车流量值及对应的调整系数确定预测车流量值,并根据所述预测车流量值与车流量阈值的比较结果确定是否检测到高峰流量。
9.一种电子设备,其特征在于,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权利要求1-7中任何一项所述的方法。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序用于使计算机执行如权利要求1-7中任何一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111025120.3A CN114283590B (zh) | 2021-09-02 | 2021-09-02 | 车流量高峰预测方法及装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111025120.3A CN114283590B (zh) | 2021-09-02 | 2021-09-02 | 车流量高峰预测方法及装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114283590A true CN114283590A (zh) | 2022-04-05 |
CN114283590B CN114283590B (zh) | 2023-03-21 |
Family
ID=80868481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111025120.3A Active CN114283590B (zh) | 2021-09-02 | 2021-09-02 | 车流量高峰预测方法及装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114283590B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115426201A (zh) * | 2022-11-03 | 2022-12-02 | 湖南大佳数据科技有限公司 | 一种面向网络靶场的数据采集方法和系统 |
CN115879016A (zh) * | 2023-02-20 | 2023-03-31 | 中南大学 | 共享单车出行潮汐时段的预测方法 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
CN101290713A (zh) * | 2008-07-11 | 2008-10-22 | 浙江工业大学 | 一种结合周相似特性的分形交通流预测方法 |
US20100063715A1 (en) * | 2007-01-24 | 2010-03-11 | International Business Machines Corporation | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
US20110106416A1 (en) * | 2009-04-22 | 2011-05-05 | Christopher Laurence Scofield | Predicting expected road traffic conditions based on historical and current data |
CN102074112A (zh) * | 2011-01-30 | 2011-05-25 | 北京交通大学 | 基于时间序列多元线性回归的虚拟速度传感器设计方法 |
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
US20140309977A1 (en) * | 2013-04-16 | 2014-10-16 | International Business Machines Corporation | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream |
US20150061895A1 (en) * | 2012-03-14 | 2015-03-05 | Flextronics Ap, Llc | Radar sensing and emergency response vehicle detection |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN109598935A (zh) * | 2018-12-14 | 2019-04-09 | 银江股份有限公司 | 一种基于超长时间序列的交通数据预测方法 |
CN110491124A (zh) * | 2019-08-19 | 2019-11-22 | 上海新共赢信息科技有限公司 | 一种车辆流量预测方法、装置、设备及存储介质 |
CN111210632A (zh) * | 2020-01-19 | 2020-05-29 | 浙江大华技术股份有限公司 | 一种车道功能划分合理性的分析方法、装置及存储介质 |
CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
CN112183868A (zh) * | 2020-09-30 | 2021-01-05 | 青岛海信网络科技股份有限公司 | 交通流量预测模型的构建方法及电子设备 |
CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
CN112508173A (zh) * | 2020-12-02 | 2021-03-16 | 中南大学 | 交通时空序列多步预测方法、系统及存储介质 |
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
- 2021-09-02 CN CN202111025120.3A patent/CN114283590B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001084479A (ja) * | 1999-09-14 | 2001-03-30 | Matsushita Electric Ind Co Ltd | 交通流データ予測装置及び交通流データ予測方法 |
US20100063715A1 (en) * | 2007-01-24 | 2010-03-11 | International Business Machines Corporation | Method and structure for vehicular traffic prediction with link interactions and missing real-time data |
CN101290713A (zh) * | 2008-07-11 | 2008-10-22 | 浙江工业大学 | 一种结合周相似特性的分形交通流预测方法 |
US20110106416A1 (en) * | 2009-04-22 | 2011-05-05 | Christopher Laurence Scofield | Predicting expected road traffic conditions based on historical and current data |
CN102034350A (zh) * | 2009-09-30 | 2011-04-27 | 北京四通智能交通系统集成有限公司 | 交通流数据短时预测方法及系统 |
US20110161261A1 (en) * | 2009-12-28 | 2011-06-30 | Nec(China) Co., Ltd. | Method and system for traffic prediction based on space-time relation |
CN102074112A (zh) * | 2011-01-30 | 2011-05-25 | 北京交通大学 | 基于时间序列多元线性回归的虚拟速度传感器设计方法 |
US20150061895A1 (en) * | 2012-03-14 | 2015-03-05 | Flextronics Ap, Llc | Radar sensing and emergency response vehicle detection |
US20140309977A1 (en) * | 2013-04-16 | 2014-10-16 | International Business Machines Corporation | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream |
CN108597227A (zh) * | 2018-05-29 | 2018-09-28 | 重庆大学 | 高速公路收费站下道交通流量预测方法 |
CN109598935A (zh) * | 2018-12-14 | 2019-04-09 | 银江股份有限公司 | 一种基于超长时间序列的交通数据预测方法 |
CN111833594A (zh) * | 2019-04-23 | 2020-10-27 | 杭州海康威视系统技术有限公司 | 车流量预测方法、装置、电子设备及存储介质 |
CN110491124A (zh) * | 2019-08-19 | 2019-11-22 | 上海新共赢信息科技有限公司 | 一种车辆流量预测方法、装置、设备及存储介质 |
CN111210632A (zh) * | 2020-01-19 | 2020-05-29 | 浙江大华技术股份有限公司 | 一种车道功能划分合理性的分析方法、装置及存储介质 |
CN111899510A (zh) * | 2020-07-28 | 2020-11-06 | 南京工程学院 | 基于发散卷积和gat的智能交通系统流量短期预测方法及系统 |
CN112183868A (zh) * | 2020-09-30 | 2021-01-05 | 青岛海信网络科技股份有限公司 | 交通流量预测模型的构建方法及电子设备 |
CN112435462A (zh) * | 2020-10-16 | 2021-03-02 | 同盾控股有限公司 | 短时交通流量预测的方法、系统、电子装置和存储介质 |
CN112508173A (zh) * | 2020-12-02 | 2021-03-16 | 中南大学 | 交通时空序列多步预测方法、系统及存储介质 |
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 (4)
Title |
---|
SV KUMAR: "short-term traffic flow prediction using seasonal arima model with limited input data", 《EUROPEAN TRANSPORT RESEARCH REVIEW 》 * |
曾菲;卢倩倩;: "基于ArcIMS的智能交通信息系统研究" * |
杨东龙: "基于ARIMA模型的区间道路短时车流量预测研究", 《电子设计工程》 * |
雷少梅;贾旭杰;于在洋;: "基于高斯核函数的短时交通流量预测" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115426201A (zh) * | 2022-11-03 | 2022-12-02 | 湖南大佳数据科技有限公司 | 一种面向网络靶场的数据采集方法和系统 |
CN115426201B (zh) * | 2022-11-03 | 2023-01-17 | 湖南大佳数据科技有限公司 | 一种面向网络靶场的数据采集方法和系统 |
CN115879016A (zh) * | 2023-02-20 | 2023-03-31 | 中南大学 | 共享单车出行潮汐时段的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114283590B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114283590B (zh) | 车流量高峰预测方法及装置、电子设备 | |
US9454902B2 (en) | Performing-time-series based predictions with projection thresholds using secondary time-series-based information stream | |
CN105956734A (zh) | 动态设置it设备的性能的指标阈值的方法及系统 | |
US20050216793A1 (en) | Method and apparatus for detecting abnormal behavior of enterprise software applications | |
CN116880412B (zh) | 一种基于云的可视化生产管理平台 | |
CN108398934B (zh) | 一种用于轨道交通的设备故障监控的系统 | |
KR101476081B1 (ko) | 네트워크 이벤트 관리 | |
CN112884325A (zh) | 一种客站设备应用分析及健康状况评价方法及系统 | |
US20110161048A1 (en) | Method to Optimize Prediction of Threshold Violations Using Baselines | |
CN116935654A (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
US20150199697A1 (en) | Method and system for latent demand modeling for a transportation system | |
CN114078327A (zh) | 道路拥堵状态检测方法、装置、设备和存储介质 | |
WO2013010404A1 (zh) | 设备性能预测处理方法及装置 | |
CN112183906B (zh) | 一种基于多模型组合模型的机房环境预测方法及系统 | |
CN113276874A (zh) | 一种车辆行驶轨迹处理方法及相关装置 | |
Tichý et al. | Predictive diagnostics usage for telematic systems maintenance | |
CN115549292A (zh) | 电网运行监测系统及其方法 | |
CN114061728A (zh) | 一种动态汽车衡远程计量及监测系统 | |
CN117793746A (zh) | 一种基于大数据的基站设备管理方法及系统 | |
CN112950401A (zh) | 管理工厂资源消耗的方法、设备、和系统 | |
CN112381386A (zh) | 一种车辆稽查布控方法、装置、电子设备和存储介质 | |
CN116957531A (zh) | 基于状态感知的轨道交通智慧运维系统及方法 | |
CN114154713A (zh) | 一种车场收入预警方法、装置、电子设备及存储介质 | |
KR20220080983A (ko) | 실시간 생산현황 모니터링을 위한 IoT 엣지 컴퓨팅 시스템 | |
CN117935561B (zh) | 一种基于北斗数据的智能交通流分析方法 |
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 |