CN115330067B - 一种交通拥堵预测方法、装置、电子设备及存储介质 - Google Patents
一种交通拥堵预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115330067B CN115330067B CN202210993135.7A CN202210993135A CN115330067B CN 115330067 B CN115330067 B CN 115330067B CN 202210993135 A CN202210993135 A CN 202210993135A CN 115330067 B CN115330067 B CN 115330067B
- Authority
- CN
- China
- Prior art keywords
- predicted
- vehicle
- area
- current
- vehicles
- 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 54
- 230000008859 change Effects 0.000 claims abstract description 108
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011084 recovery Methods 0.000 claims description 69
- 208000015181 infectious disease Diseases 0.000 claims description 34
- 230000000875 corresponding effect Effects 0.000 description 27
- 238000004590 computer program Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000003247 decreasing effect 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
- 238000004088 simulation Methods 0.000 description 3
- 208000035473 Communicable disease Diseases 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement 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
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种交通拥堵预测方法、装置、电子设备及存储介质,涉及数据处理技术领域,尤其涉及智能交通技术领域。具体实现方案为:获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及其他区域向待预测区域输入车辆的第二当前流量;确定当前时刻待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;根据第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;根据第一变化速率、第二变化速率和第三变化速率,预测指定时刻待预测区域的拥堵情况。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及智能交通技术领域。
背景技术
交通拥堵是当代城市的大城市病之一。严重的交通拥堵增加了通勤时间增加,工作时间减少、生活压力增大。
发明内容
本公开提供了一种交通拥堵预测方法、装置、电子设备及存储介质。
根据本公开的第一方面,提供了一种交通拥堵预测方法,包括:
获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及所述其他区域向所述待预测区域输入车辆的第二当前流量;
确定当前时刻所述待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;
根据所述第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;
根据所述第一变化速率、第二变化速率和第三变化速率,预测指定时刻所述待预测区域的拥堵情况。
根据本公开的第二方面,提供了一种交通拥堵预测装置,包括:
第一获取单元,用于获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及所述其他区域向所述待预测区域输入车辆的第二当前流量;
第一确定单元,用于确定当前时刻所述待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;
第二确定单元,用于根据所述第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;
预测单元,用于根据所述第一变化速率、第二变化速率和第三变化速率,预测指定时刻所述待预测区域的拥堵情况。
根据本公开的第三方面,提供了一种电子设备,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第一方面提供的方法。
根据本公开的第四方面,提供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根据第一方面提供的方法。
根据本公开的第五方面,提供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根据第一方面提供的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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,不构成对本公开的限定。其中:
图1是本公开实施例提供的交通拥堵预测方法的一种示意图;
图2是本公开实施例提供的交通网络的一种示意图;
图3是本公开实施例提供的车辆类型确定方法的一种示意图;
图4是图1中步骤S12的一种示意图;
图5是本公开实施例提供的感染率和恢复率确定方法的一种示意图;
图6是图1中步骤S13的一种示意图;
图7是图1中步骤S14的一种示意图;
图8是本公开实施例提供的交通拥堵预测装置的一种示意图;
图9是用来实现本公开实施例的交通拥堵预测方法的电子设备的第一种框图;
图10是用来实现本公开实施例的交通拥堵预测方法的电子设备的第二种框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
交通拥堵是当代城市的大城市病之一。严重的交通拥堵会增加城市中居民的通勤时间,导致居民的工作时间减少、生活压力增大;同时也会造成汽车燃料的浪费,增加碳排和城市空气污染。城市中交通拥堵治理问题是城市研究人员和决策者的重点议题之一,而这一切都离不开合理、准确的交通拥堵模拟与预测模型的支撑。
城市中的交通拥堵具有两种特征:演化特征和传播特征。在城市中特定的区域中,交通拥堵表现出演化特征,例如某区域发生拥堵的时候,车辆在路段中的流动具有随机性和复杂性特征,用简单的输入和输入来模拟这样的区域会得出偏差较大的结果,因此需要用演化模型来描述交通拥堵的变化。相反,交通拥堵在城市区域之间的关联表现出独立的传播特征,例如两个区域之间具有明显的拥堵传播特征,因此这两个区域之间交通拥堵的模拟应该用输入和输出的模型来建模。
本公开实施例提供了一种交通拥堵预测方法,该方法所采集的模型(后续称为交通集合种群网路模型),借用了集合种群网路,把城市交通网络中交通拥堵的演化过程类比成传染病的演化,开发基于集合种群网路的交通拥堵预测与模拟的框架,该框架能够同时表征交通拥堵的“演化”和“传播”两个特征,对未来交通拥堵预测以及城市交通拥堵治理具有重要的意义。
下面通过具体实施例,对本公开实施例提供的交通拥堵预测方法进行详细说明。
参见图1,图1为本公开实施例提供的交通拥堵预测方法的第一种流程示意图,该方法可以应用于移动终端、服务器等具有数据处理功能的电子设备。为便于理解,下面以电子设备为执行主体进行说明,并不起限定作用。上述交通拥堵预测方法包括如下步骤:
步骤S11,获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及其他区域向待预测区域输入车辆的第二当前流量;
步骤S12,确定当前时刻待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;
步骤S13,根据第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;
步骤S14,根据第一变化速率、第二变化速率和第三变化速率,预测指定时刻待预测区域的拥堵情况。
本公开实施例提供的技术方案中,电子设备获取了待预测区域的传播特征,即待预测区域向其他区域输出车辆的第一当前流量,以及其他区域向待预测区域输入车辆的第二当前流量,并确定了待预测区域的演化特征,即未拥堵车辆演化为拥堵车辆的第一演化速率,以及拥堵车辆演化为拥堵后恢复车辆的第二演化速率。电子设备利用传播特征和演化特征,完成对待预测区域的拥堵情况的预测。由于本公开实施例考虑同时考虑了交通拥堵的演化特征和传播特征,构建了集合演化特征和传播特征的交通集合种群网路模型,能够克服针对某个单独特征建模的问题,借助该交通集合种群网路模型,对未来交通拥堵的预测结果更为全面和合理,这对城市交通拥堵治理具有重要的意义。
上述步骤S11中,待预测区域可以为交通网络中的任一区域。一个区域为一个由多个车流属性相同的路段构成的组团,也就是,组团内各个路段对外的交通流具有同质性的特征,例如,一个区域在早高峰时大多是流向另一个区域。基于此,交通网络可以看做是由不同组团组成。举例来说,如图2所示的交通网络中包括4个区域,图2中,大圆圈表示区域,大圆圈中的小圆圈表示路段,小圆圈之间的连线表示路段之间的联通。待预测区域可以为图2中的任一个区域。
本公开实施例中,在对交通拥堵进行预测时,电子设备获取当前时刻待预测区域的传播特征,即获取当前时刻待预测区域向其他区域输出车辆的流量,即第一当前流量,并获取当前时刻其他区域向待预测区域输入车辆的流量,第二当前流量。
上述步骤S12中,一个区域中的车辆分为未拥堵车辆、拥堵车辆和拥堵后恢复车辆。未拥堵车辆可能受到拥堵车辆的影响,演化为拥堵车辆。
电子设备确定当前时刻待预测区域的演化特征,即确定当前时刻待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率。
演化速率可以表示为单位时间内增加的相应车辆数量。基于此,第一演化速率可以表示为单位时间内未拥堵车辆演化为拥堵车辆的数量,第二演化速率可以表示为单位时间内拥堵车辆演化为拥堵后恢复车辆的数量。
本公开实施例中,不限定步骤S11与步骤S12的执行顺序。
上述步骤S13中,电子设备在获取到传播特征(即上述第一当前流量和第二当前流量),以及演化特征(即上述第一演化速率和第二演化速率)之后,根据传播特征和演化特征,确定待预测区域中未拥堵车辆的变化速率,即第一变化速率,确定待预测区域中拥堵车辆的变化速率,即第二变化速率,确定待预测区域中拥堵后恢复车辆的变化速率,即第三变化速率。
上述第一变化速率可以表示为单位时间内拥堵车辆变化的数量,上述第二变化速率可以表示为单位时间内拥堵车辆变化的数量,上述第三变化速率可以表示为单位时间内拥堵后恢复车辆变化的数量。
上述步骤S14中,拥堵情况可以包括但不限于拥堵车辆占比、拥堵等级、拥堵时长等。指定时刻可以为需要预测交通拥堵情况的任一时刻。在获得第一变化速率、第二变化速率和第三变化速率之后,电子设备可以根据第一变化速率、第二变化速率和第三变化速率,以及当前时刻至指定时刻的时长,预测指定时刻待预测区域的拥堵情况。具体的预测方式,后续后详细说明,此次不进行展开介绍。
在一些实施例中,还提供了一种车辆类型确定方法,如图3所示,可以包括以下步骤:
步骤S31,获取当前时刻待预测区域中各个车辆的当前车速。
本公开实施例中,车辆上可以安装速度传感器,速度传感器采集当前时刻车辆的速度,即当前车速,并将当前车速发送给电子设备。速度传感器采集到当前车速后,也可以存储在预设数据库中。电子设备从数据库中提取当前车速。
步骤S32,将当前车速与指定车速的比值小于预设比值的车辆,作为拥堵车辆。
电子设备中预先设定了指定车速,该指定车速为车辆的正常通行速度。
电子设备可以利用如下公式(1),确定车辆是否为拥堵车辆。
公式(1)中,qk表示车辆在k时刻的拥堵状态,qk=1表示拥堵,即车辆为拥堵车辆,qk=0表示畅通,即车辆不是为拥堵车辆,Vk表示车辆在k时刻的车速,Vu表示指定车速,δ表示预设比值。
如上述公式(1)中,Vk/Vu<δ时,表示车辆的车速小于正常通行速度,车辆处于拥堵状态;相应的,Vk/Vu≥δ时,表示车辆的车速大于或等于正常通行速度,车辆处于畅通状态。
步骤S33,针对当前车速与指定车速的比值大于或等于预设比值的每个车辆,若该车辆上一时刻为拥堵车辆,则确定该车辆为拥堵后恢复车辆;若该车辆上一时刻不是拥堵车辆,则确定该车辆为未拥堵车辆。
针对当前车速与指定车速的比值大于或等于预设比值的每个车辆,电子设备可以判断该车辆上一时刻是否为拥堵车辆,也就是,车辆上一时刻的车速与指定车速的比值是否小于预设比值;若该车辆上一时刻为拥堵车辆,即车辆上一时刻的车速与指定车速的比值小于预设比值,则可以确定该车辆为拥堵后恢复车辆;若该车辆上一时刻不是拥堵车辆,即车辆上一时刻的车速与指定车速的比值大于或等于预设比值,则可以确定该车辆为未拥堵车辆。
本公开实施例中,电子设备基于当前车速以及上一时刻车辆的状态,可以准确的确定车辆的类型,即车辆是未拥堵车辆、拥堵车辆、或拥堵后恢复车辆,进而便于后续准确的确定待预测区域内车辆的演化特征。
在一些实施例中,电子设备预先设置了每个区域对应的感染率和恢复率。感染率表示未拥堵车辆受拥堵车辆影响演化为拥堵车辆的概率,恢复率为拥堵车辆影响演化为拥堵恢复后车辆的概率。这种情况下,如图4所示,上述步骤S12可以包括:
步骤S41,根据待预测区域对应的感染率、当前时刻待预测区域中未拥堵车辆的第一当前数量、以及当前时刻待预测区域中拥堵车辆的第二当前数量,确定待预测区域中未拥堵车辆受拥堵车辆影响演化为拥堵车辆的第一演化速率。
例如,电子设备可以采用如下公式(2),确定第一演化速率:
υm1=βmSmIm (2)
公式(2)中,υm1表示待预测区域m对应的第一演化速率,βm表示待预测区域m对应的感染率,Sm表示待预测区域m中未拥堵车辆的第一当前数量,Im表示待预测区域m中拥堵车辆的第二当前数量。
本公开实施例中,电子设备还可以采取其他方式确定第一演化速率,只要保证第一演化速率与第一当前数量、第二当前数量成正相关即可。也就是,第一当前数量、第二当前数量越大,第一演化速率越大。
步骤S42,根据待预测区域对应的恢复率、以及第二当前数量,确定待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率。
例如,电子设备可以采用如下公式(3),确定第二演化速率:
υm2=γmIm (3)
公式(3)中,υm2表示待预测区域m对应的第二演化速率,γm表示待预测区域m对应的恢复率,Im表示待预测区域m中拥堵车辆的第二当前数量。
本公开实施例中,电子设备还可以采取其他方式确定第二演化速率,只要保证第二演化速率与第二当前数量成正相关即可。也就是,第二当前数量越大,第二演化速率越大。
本公开实施例提供的技术方案中,在区域内,车辆在路段中流动所具有的复杂性和随机性的特征,表现即为演化特征。电子设备把城市交通网络中交通拥堵的演化过程类比成传染病的演化,基于相应的感染率、恢复率,能够模拟出车辆在路段中流动所具有的复杂性和随机性的演化特征,提高了所确定演化特征的准确性。
本申请实施例中,每个区域对应的感染率和恢复率可以为用户对历史交通数据进行分析确定。电子设备也可以每隔一段时间对每个区域的历史交通数据进行分析,确定每个区域对应的感染率和恢复率。
其中,历史交通数据可以包括但不限于历史的车辆流量、历史的各种类型车辆的数量等。
在一些实施例中,还提供了一种感染率和恢复率确定方法,如图5所示,可以包括如下步骤:
步骤S51,获取多个历史时刻的待预测区域向其他区域输出车辆的第一历史流量,其他区域向待预测区域输入车辆的第二历史流量,待预测区域中未拥堵车辆的第一历史数量,待预测区域中拥堵车辆的第二历史数量,待预测区域中拥堵后恢复车辆的第三历史数量。
上述第一历史流量、第二历史流量、第一历史数量、第二历史数量和第三历史数量的获取,可参见上述第一当前流量、第二当前流量、第一当前数量、第二当前数量的获取,此处不再赘述。
步骤S52,根据多个历史时刻的第一历史流量、第二历史流量、第一历史数量、第二历史数量和第三历史数量,确定待预测区域对应的感染率和恢复率。
电子设备根据两个历史时刻的第一历史数量、第二历史数量和第三历史数量,可以确定两个历史时刻之间未拥堵车辆的第一历史变化速率,拥堵车辆的第二历史变化速率,拥堵后恢复车辆的第三历史变化速率;
结合已求得的第一历史变化速率、第二历史变化速率和第三历史变化速率,结合未知的感染率和恢复率,以及已知的第一历史数量、第二历史数量、第一历史流量、第二历史流量,电子设备可确定待预测区域对应的感染率和恢复率。
基于多个历史时刻的第一历史流量、第二历史流量、第一历史数量、第二历史数量和第三历史数量,可求得多个候选的感染率和恢复率。
电子设备可以从这多个候选的感染率和恢复率中,随机选择一个感染率和恢复率,作为候选预测拥堵情况的待预测区域对应的感染率和恢复率。电子设备也可以对这多个候选的感染率进行加权求平均,对这多个候选的恢复率进行加权求平均,平均后得到的感染率和恢复率作为候选预测拥堵情况的待预测区域对应的感染率和恢复率。
本公开实施例中,还可以采用其他方式确定待预测区域对应的感染率和恢复率,对此不进行限定。
本公开实施例中不限定上述步骤S51-S52的执行顺序。
本公开实施例提供的技术方案中,电子设备对多个历史时刻的历史交通数据进行分析,确定感染率和恢复率。这可以避免人为主观因素的影响,提高了所确定的感染率和恢复率的准确性。此外,本公开实施例中,电子设备还可以方便快捷的对感染率和恢复率进行更新,使得感染率和恢复率可以适应不同具有实时性。
在一些实施例中,上述第一当前流量可以细化为当前时刻待预测区域向其他区域输出未拥堵车辆的第一当前子流量,待预测区域向其他区域输出拥堵车辆的第二当前子流量,待预测区域向其他区域输出拥堵后恢复车辆的第三当前子流量;上述第二当前流量可以细化为当前时刻其他区域向待预测区域输入未拥堵车辆的第四当前子流量,其他区域向待预测区域输入拥堵车辆的第五当前子流量,其他区域向待预测区域输入拥堵后恢复车辆的第六当前子流量。
这种情况上,上述步骤S11可以为:获取当前时刻待预测区域向其他区域输出未拥堵车辆的第一当前子流量,待预测区域向其他区域输出拥堵车辆的第二当前子流量,待预测区域向其他区域输出拥堵后恢复车辆的第三当前子流量;获取当前时刻其他区域向待预测区域输入未拥堵车辆的第四当前子流量,其他区域向待预测区域输入拥堵车辆的第五当前子流量,其他区域向待预测区域输入拥堵后恢复车辆的第六当前子流量。
本公开实施例提供的技术方案中,电子设备对当前流量进行细化,即细化为不同类型车辆的流量,基于不同类型车辆的流量,可以准确的评估出不同类型车辆间的演化特征,提高了交通拥堵预测的准确性。
在一些实施例中,基于上述不同类型车辆的流量,如图6所示,上述步骤S13可以包括如下步骤:
步骤S61,根据第一当前子流量、第四当前子流量和第一演化速率,确定待预测区域中未拥堵车辆的第一变化速率。
本公开实施例中,根据第一当前子流量、第四当前子流量,电子设备可确定由传播特征所带来的待预测区域增加或减少的未拥堵车辆的数量。再结合由传播特征所带来的待预测区域增加或减少的未拥堵车辆的数量,以及由演化特征所带来的第一演化速率,电子设备确定待预测区域中未拥堵车辆的第一变化速率。
举例来说,电子设备可以采用如下公式(4),确定第一变化速率:
公式(4)中,表示第一变化速率,βmSmIm表示第一演化速率,βm表示待预测区域m对应的感染率,Sm表示待预测区域m中未拥堵车辆的第一当前数量,Im表示待预测区域m中拥堵车辆的第二当前数量,Snm表示其他区域n向待预测区域m输入的第四当前子流量,Smn表示待预测区域m向其他区域n输出的第一当前子流量。
步骤S62,根据第二当前子流量、第五当前子流量、第一演化速率和第二演化速率,确定待预测区域中拥堵车辆的第二变化速率。
本公开实施例中,根据第二当前子流量、第五当前子流量,电子设备可确定由传播特征所带来的待预测区域增加或减少的拥堵车辆的数量。再结合由传播特征所带来的待预测区域增加或减少的拥堵车辆的数量,以及由演化特征所带来的第一演化速率和第二演化速率,电子设备确定待预测区域中拥堵车辆的第二变化速率。
举例来说,电子设备可以采用如下公式(5),确定第二变化速率:
公式(5)中,表示第二变化速率,βmSmIm表示第一演化速率,γmIm表示第二演化速率,βm表示待预测区域m对应的感染率,γm表示待预测区域m对应的恢复率,Sm表示待预测区域m中未拥堵车辆的第一当前数量,Im表示待预测区域m中拥堵车辆的第二当前数量,Inm表示其他区域n向待预测区域m输入的第五当前子流量,Imn表示待预测区域m向其他区域n输出的第二当前子流量。
步骤S63,根据第三当前子流量、第六当前子流量和第二演化速率,确定待预测区域中拥堵后恢复车辆的第三变化速率。
本公开实施例中,根据第三当前子流量、第六当前子流量,电子设备可确定由传播特征所带来的待预测区域增加或减少的拥堵后恢复车辆的数量。再结合由传播特征所带来的待预测区域增加或减少的拥堵后恢复车辆的数量,以及由演化特征所带来的第二演化速率,电子设备确定待预测区域中拥堵车辆的第三变化速率。
举例来说,电子设备可以采用如下公式(6),确定第三变化速率:
公式(6)中,表示第三变化速率,γmIm表示第二演化速率,γm表示待预测区域m对应的恢复率,Im表示待预测区域m中拥堵车辆的第二当前数量,Rnm表示其他区域n向待预测区域m输入的第六当前子流量,Rmn表示待预测区域m向其他区域n输出的第三当前子流量。
本公开实施例中,电子设备构建了交通集合种群网路模型,如上述公式(4)-(6),该交通集合种群网路模型同时引入了交通拥堵的“演化”和“传播”两个特征,对未来交通拥堵预测以及城市交通拥堵治理具有重要的意义。
本公开实施例中,电子设备可以预先为不同时间段设置相应的误差率。在上述公式(4)-(6)的基础上分别乘以误差率,例如,上述公式(4)变形为:
上述公式(5)变形为:
上述公式(6)变形为:
上述公式(7)-(9)中,ε表示当前时刻对应的误差率。
基于误差率,进行交通拥堵预测,可以解决因不同时刻交通流量的差异带来的交通拥堵预测存在误差问题,提高了交通拥堵预测的准确性。
在一些实施例中,如图7所示,上述步骤S14可以包括如下步骤:
步骤S71,根据第一变化速率和当前时刻待预测区域中未拥堵车辆的第一当前数量,预测指定时刻待预测区域中未拥堵车辆的第一数量。
本公开实施例中,在获知指定时刻时,即可获知当前时刻与指定时刻之间的时长。电子设备根据第一变化速率,以及当前时刻与指定时刻之间的时长,可以预测当到达指定时刻时待预测区域中变化的未拥堵车辆数量。
结合当到达指定时刻时待预测区域中变化的未拥堵车辆数量,以及当前时刻待预测区域中未拥堵车辆的第一当前数量,可以预测得到指定时刻待预测区域中未拥堵车辆的第一数量。
举例来时,电子设备可以采用如下公式(10),确定第一数量:
Nm1=v1*t+n1 (10)
公式(10)中,Nm1表示第一数量,v1表示第一变化速率,t表示当前时刻与指定时刻之间的时长,n1表示第一当前数量。
步骤S72,根据第二变化速率和当前时刻待预测区域中拥堵车辆的第二当前数量,预测指定时刻待预测区域中拥堵车辆的第二数量。
本公开实施例中,在获知指定时刻时,即可获知当前时刻与指定时刻之间的时长。电子设备根据第二变化速率,以及当前时刻与指定时刻之间的时长,可以预测当到达指定时刻时待预测区域中变化的拥堵车辆数量。
结合当到达指定时刻时待预测区域中变化的拥堵车辆数量,以及当前时刻待预测区域中拥堵车辆的第二当前数量,可以预测得到指定时刻待预测区域中拥堵车辆的第二数量。
举例来时,电子设备可以采用如下公式(11),确定第二数量:
Nm2=v2*t+n2 (11)
公式(11)中,Nm2表示第二数量,v2表示第二变化速率,t表示当前时刻与指定时刻之间的时长,n2表示第二当前数量。
步骤S73,根据第三变化速率和当前时刻待预测区域中拥堵后恢复车辆的第三当前数量,预测指定时刻待预测区域中拥堵后恢复车辆的第三数量。
本公开实施例中,在获知指定时刻时,即可获知当前时刻与指定时刻之间的时长。电子设备根据第三变化速率,以及当前时刻与指定时刻之间的时长,可以预测当到达指定时刻时待预测区域中变化的拥堵后恢复车辆数量。
结合当到达指定时刻时待预测区域中变化的拥堵后恢复车辆数量,以及当前时刻待预测区域中拥堵后恢复车辆的第三当前数量,可以预测得到指定时刻待预测区域中拥堵后恢复车辆的第三数量。
举例来时,电子设备可以采用如下公式(12),确定第三数量:
Nm3=v3*t+n3 (12)
公式(12)中,Nm3表示第三数量,v3表示第三变化速率,t表示当前时刻与指定时刻之间的时长,n3表示第三当前数量。
步骤S74,根据第一数量、第二数量和第三数量,确定待预测区域中指定时刻的拥堵车辆占比。
例如,电子设备利用公式(13),确定拥堵车辆占比。
z=Nm2/(Nm1+Nm3) (13)
公式(12)中,z表示待预测区域中指定时刻的拥堵车辆占比,Nm1表示第一数量,Nm2表示第二数量,Nm3表示第三数量。
本公开实施例中,电子设备利用传播特征和演化特征,确定了拥堵车辆占比。拥堵车辆占比是交通拥堵的一个重要衡量指标,利用该拥堵车辆占比,可以精准的评估区域的拥堵状态。
本公开实施例中,电子设备中预先设置拥堵车辆数量与拥堵时长的对应关系。电子设备根据第二变化速率和当前时刻待预测区域中拥堵车辆的第二当前数量,预测指定时刻待预测区域中拥堵车辆的第二数量,之后,根据预先设置的拥堵车辆数量与拥堵时长的对应关系,确定第二数量对应的目标拥堵时长。基于该目标拥堵时长,可以有效的评估区域的拥堵状态。用户基于该目标拥堵时长,可以评估是否更改路线,以保证准确的达到目的地。
本公开实施例中,电子设备可以设置其他拥堵情况,并采用相应的措施,确定拥堵情况,对此不再赘述。
在一些实施例中,电子设备在进行交通拥堵预测之前,可以先划分区域。例如,电子设备按照指定的网格尺寸,将交通网络划分为多个网格;根据每个网格的车流属性,对多个网格进行聚类,得到多个类别,一个类别对应一个区域。其中,网格尺寸可以根据实际需求进行设定,例如,网格尺寸可以为1公里*1公里,或2公里*2公里等。车流属性可以包括出发地址和目的地址等。
本公开实施例中,电子设备将相同车流属性的路段划分为一个区域,相对于简单按照行政关系划分区域,基于具有相同车流属性的路段的区域,预测交通拥堵,预测结果更为合理和准确。
与上述交通拥堵预测方法,本公开实施例还提供了一种交通拥堵预测装置,如图8所示,包括:
第一获取单元81,用于获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及其他区域向待预测区域输入车辆的第二当前流量;
第一确定单元82,用于确定当前时刻待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;
第二确定单元83,用于根据第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;
预测单元84,用于根据第一变化速率、第二变化速率和第三变化速率,预测指定时刻待预测区域的拥堵情况。
在一些实施例中,第一确定单元82,具体可以用于:
根据待预测区域对应的感染率、当前时刻待预测区域中未拥堵车辆的第一当前数量、以及当前时刻待预测区域中拥堵车辆的第二当前数量,确定待预测区域中未拥堵车辆受拥堵车辆影响演化为拥堵车辆的第一演化速率;
根据待预测区域对应的恢复率、以及第二当前数量,确定待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率。
在一些实施例中,上述交通拥堵预测装置还可以包括:
第二获取单元,用于获取多个历史时刻的待预测区域向其他区域输出车辆的第一历史流量,其他区域向待预测区域输入车辆的第二历史流量,待预测区域中未拥堵车辆的第一历史数量,待预测区域中拥堵车辆的第二历史数量,待预测区域中拥堵后恢复车辆的第三历史数量;
第三确定单元,用于根据多个历史时刻的第一历史流量、第二历史流量、第一历史数量、第二历史数量和第三历史数量,确定待预测区域对应的感染率和恢复率。
在一些实施例中,第一获取单元81,具体可以用于:
获取当前时刻待预测区域向其他区域输出未拥堵车辆的第一当前子流量,待预测区域向其他区域输出拥堵车辆的第二当前子流量,待预测区域向其他区域输出拥堵后恢复车辆的第三当前子流量;
获取当前时刻其他区域向待预测区域输入未拥堵车辆的第四当前子流量,其他区域向待预测区域输入拥堵车辆的第五当前子流量,其他区域向待预测区域输入拥堵后恢复车辆的第六当前子流量。
在一些实施例中,第二确定单元83,具体可以用于:
根据第一当前子流量、第四当前子流量和第一演化速率,确定待预测区域中未拥堵车辆的第一变化速率;
根据第二当前子流量、第五当前子流量、第一演化速率和第二演化速率,确定待预测区域中拥堵车辆的第二变化速率;
根据第三当前子流量、第六当前子流量和第二演化速率,确定待预测区域中拥堵后恢复车辆的第三变化速率。
在一些实施例中,预测单元84,具体可以用于:
根据第一变化速率和当前时刻待预测区域中未拥堵车辆的第一当前数量,预测指定时刻待预测区域中未拥堵车辆的第一数量;
根据第二变化速率和当前时刻待预测区域中拥堵车辆的第二当前数量,预测指定时刻待预测区域中拥堵车辆的第二数量;
根据第三变化速率和当前时刻待预测区域中拥堵后恢复车辆的第三当前数量,预测指定时刻待预测区域中拥堵后恢复车辆的第三数量;
根据第一数量、第二数量和第三数量,确定待预测区域中指定时刻的拥堵车辆占比。
在一些实施例中,上述交通拥堵预测装置还可以包括:
第三获取单元,用于获取当前时刻待预测区域中各个车辆的当前车速;
处理单元,用于将当前车速与指定车速的比值小于预设比值的车辆,作为拥堵车辆;针对比值大于或等于预设比值的每个车辆,若该车辆上一时刻为拥堵车辆,则确定该车辆为拥堵后恢复车辆;若该车辆上一时刻不是拥堵车辆,则确定该车辆为未拥堵车辆。
在一些实施例中,上述交通拥堵预测装置还可以包括:划分单元,用于按照指定的网格尺寸,将交通网络划分为多个网格;
聚类单元,用于根据每个网格的车流属性,对多个网格进行聚类,得到多个类别,一个类别对应一个区域。
本公开实施例提供的技术方案中,电子设备获取了待预测区域的传播特征,即待预测区域向其他区域输出车辆的第一当前流量,以及其他区域向待预测区域输入车辆的第二当前流量,并确定了待预测区域的演化特征,即未拥堵车辆演化为拥堵车辆的第一演化速率,以及拥堵车辆演化为拥堵后恢复车辆的第二演化速率。电子设备利用传播特征和演化特征,完成对待预测区域的拥堵情况的预测。由于本公开实施例考虑同时考虑了交通拥堵的演化特征和传播特征,构建了集合演化特征和传播特征的交通集合种群网路模型,能够克服针对某个单独特征建模的问题,借助该交通集合种群网路模型,对未来交通拥堵的预测结果更为全面和合理,这对城市交通拥堵治理具有重要的意义。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开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9示出了可以用来实现本公开实施例的交通拥堵预测方法的电子设备900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/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900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901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901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如交通拥堵预测方法。例如,在一些实施例中,交通拥堵预测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908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的交通拥堵预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行交通拥堵预测方法。
与上述交通拥堵预测方法,本公开实施例还提供了一种电子设备,如图10所示,包括:
至少一个处理器101;以及
与所述至少一个处理器101通信连接的存储器102;其中,
所述存储器102存储有可被所述至少一个处理器101执行的指令,所述指令被所述至少一个处理器101执行,以使所述至少一个处理器101能够执行上述任一交通拥堵预测方法。
与上述交通拥堵预测方法,本公开实施例还提供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根据上述任一交通拥堵预测方法。
与上述交通拥堵预测方法,本公开实施例还提供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根据上述任一交通拥堵预测方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开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。
在本公开的上下文中,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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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(阴极射线管)或者LCD(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:局域网(LAN)、广域网(WAN)和互联网。
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,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。
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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (14)
1.一种交通拥堵预测方法,包括:
获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及所述其他区域向所述待预测区域输入车辆的第二当前流量,所述第一当前流量和第二当前流量为区域间的车辆的流量,所述待预测区域为一个由多个车流属性相同的路段构成的组团;
确定当前时刻所述待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;
根据所述第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;
根据所述第一变化速率、第二变化速率和第三变化速率,预测指定时刻所述待预测区域的拥堵情况;
所述获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及所述其他区域向所述待预测区域输入车辆的第二当前流量的步骤,包括:
获取当前时刻待预测区域向其他区域输出未拥堵车辆的第一当前子流量,所述待预测区域向所述其他区域输出拥堵车辆的第二当前子流量,所述待预测区域向所述其他区域输出拥堵后恢复车辆的第三当前子流量;
获取当前时刻所述其他区域向所述待预测区域输入未拥堵车辆的第四当前子流量,所述其他区域向所述待预测区域输入拥堵车辆的第五当前子流量,所述其他区域向所述待预测区域输入拥堵后恢复车辆的第六当前子流量;
所述根据所述第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率的步骤,包括:
根据所述第一当前子流量、所述第四当前子流量和所述第一演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率;
根据所述第二当前子流量、所述第五当前子流量、所述第一演化速率和第二演化速率,确定所述待预测区域中拥堵车辆的第二变化速率;
根据所述第三当前子流量、所述第六当前子流量和所述第二演化速率,确定所述待预测区域中拥堵后恢复车辆的第三变化速率。
2.根据权利要求1所述的方法,其中,所述确定所述待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率的步骤,包括:
根据所述待预测区域对应的感染率、当前时刻所述待预测区域中未拥堵车辆的第一当前数量、以及当前时刻所述待预测区域中拥堵车辆的第二当前数量,确定所述待预测区域中未拥堵车辆受拥堵车辆影响演化为拥堵车辆的第一演化速率;所述感染率表示未拥堵车辆受拥堵车辆影响演化为拥堵车辆的概率;
根据所述待预测区域对应的恢复率、以及所述第二当前数量,确定所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;所述恢复率为拥堵车辆演化为拥堵后恢复车辆的概率。
3.根据权利要求2所述的方法,所述方法还包括:
获取多个历史时刻的所述待预测区域向其他区域输出车辆的第一历史流量,其他区域向所述待预测区域输入车辆的第二历史流量,所述待预测区域中未拥堵车辆的第一历史数量,所述待预测区域中拥堵车辆的第二历史数量,所述待预测区域中拥堵后恢复车辆的第三历史数量;
根据多个历史时刻的所述第一历史流量、所述第二历史流量、第一历史数量、第二历史数量和第三历史数量,确定所述待预测区域对应的感染率和恢复率。
4.根据权利要求1所述的方法,其中,所述根据所述第一变化速率、第二变化速率和第三变化速率,预测指定时刻所述待预测区域的拥堵情况的步骤,包括:
根据所述第一变化速率和当前时刻所述待预测区域中未拥堵车辆的第一当前数量,预测指定时刻所述待预测区域中未拥堵车辆的第一数量;
根据所述第二变化速率和当前时刻所述待预测区域中拥堵车辆的第二当前数量,预测指定时刻所述待预测区域中拥堵车辆的第二数量;
根据所述第三变化速率和当前时刻所述待预测区域中拥堵后恢复车辆的第三当前数量,预测指定时刻所述待预测区域中拥堵后恢复车辆的第三数量;
根据所述第一数量、第二数量和第三数量,确定所述待预测区域中指定时刻的拥堵车辆占比。
5.根据权利要求1-4任一项所述的方法,所述方法还包括:
获取当前时刻所述待预测区域中各个车辆的当前车速;
将当前车速与指定车速的比值小于预设比值的车辆,作为拥堵车辆;
针对所述比值大于或等于所述预设比值的每个车辆,若该车辆上一时刻为拥堵车辆,则确定该车辆为拥堵后恢复车辆;若该车辆上一时刻不是拥堵车辆,则确定该车辆为未拥堵车辆。
6.根据权利要求1-4任一项所述的方法,所述方法还包括:
按照指定的网格尺寸,将交通网络划分为多个网格;
根据每个网格的车流属性,对多个网格进行聚类,得到多个类别,一个类别对应一个区域。
7.一种交通拥堵预测装置,包括:
第一获取单元,用于获取当前时刻待预测区域向其他区域输出车辆的第一当前流量,以及所述其他区域向所述待预测区域输入车辆的第二当前流量,所述第一当前流量和第二当前流量为区域间的车辆的流量,所述待预测区域为一个由多个车流属性相同的路段构成的组团;
第一确定单元,用于确定当前时刻所述待预测区域中未拥堵车辆演化为拥堵车辆的第一演化速率,以及当前时刻所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;
第二确定单元,用于根据所述第一当前流量、第二当前流量、第一演化速率和第二演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率,拥堵车辆的第二变化速率,拥堵后恢复车辆的第三变化速率;
预测单元,用于根据所述第一变化速率、第二变化速率和第三变化速率,预测指定时刻所述待预测区域的拥堵情况;
所述第一获取单元,具体用于:
获取当前时刻待预测区域向其他区域输出未拥堵车辆的第一当前子流量,所述待预测区域向所述其他区域输出拥堵车辆的第二当前子流量,所述待预测区域向所述其他区域输出拥堵后恢复车辆的第三当前子流量;
获取当前时刻所述其他区域向所述待预测区域输入未拥堵车辆的第四当前子流量,所述其他区域向所述待预测区域输入拥堵车辆的第五当前子流量,所述其他区域向所述待预测区域输入拥堵后恢复车辆的第六当前子流量;
所述第二确定单元,具体用于:
根据所述第一当前子流量、所述第四当前子流量和所述第一演化速率,确定所述待预测区域中未拥堵车辆的第一变化速率;
根据所述第二当前子流量、所述第五当前子流量、所述第一演化速率和第二演化速率,确定所述待预测区域中拥堵车辆的第二变化速率;
根据所述第三当前子流量、所述第六当前子流量和所述第二演化速率,确定所述待预测区域中拥堵后恢复车辆的第三变化速率。
8.根据权利要求7所述的装置,其中,所述第一确定单元,具体用于:
根据所述待预测区域对应的感染率、当前时刻所述待预测区域中未拥堵车辆的第一当前数量、以及当前时刻所述待预测区域中拥堵车辆的第二当前数量,确定所述待预测区域中未拥堵车辆受拥堵车辆影响演化为拥堵车辆的第一演化速率;所述感染率表示未拥堵车辆受拥堵车辆影响演化为拥堵车辆的概率;
根据所述待预测区域对应的恢复率、以及所述第二当前数量,确定所述待预测区域中拥堵车辆演化为拥堵后恢复车辆的第二演化速率;所述恢复率为拥堵车辆演化为拥堵后恢复车辆的概率。
9.根据权利要求8所述的装置,所述装置还包括:
第二获取单元,用于获取多个历史时刻的所述待预测区域向其他区域输出车辆的第一历史流量,其他区域向所述待预测区域输入车辆的第二历史流量,所述待预测区域中未拥堵车辆的第一历史数量,所述待预测区域中拥堵车辆的第二历史数量,所述待预测区域中拥堵后恢复车辆的第三历史数量;
第三确定单元,用于根据多个历史时刻的所述第一历史流量、所述第二历史流量、第一历史数量、第二历史数量和第三历史数量,确定所述待预测区域对应的感染率和恢复率。
10.根据权利要求7所述的装置,其中,所述预测单元,具体用于:
根据所述第一变化速率和当前时刻所述待预测区域中未拥堵车辆的第一当前数量,预测指定时刻所述待预测区域中未拥堵车辆的第一数量;
根据所述第二变化速率和当前时刻所述待预测区域中拥堵车辆的第二当前数量,预测指定时刻所述待预测区域中拥堵车辆的第二数量;
根据所述第三变化速率和当前时刻所述待预测区域中拥堵后恢复车辆的第三当前数量,预测指定时刻所述待预测区域中拥堵后恢复车辆的第三数量;
根据所述第一数量、第二数量和第三数量,确定所述待预测区域中指定时刻的拥堵车辆占比。
11.根据权利要求7-10任一项所述的装置,所述装置还包括:
第三获取单元,用于获取当前时刻所述待预测区域中各个车辆的当前车速;
处理单元,用于将当前车速与指定车速的比值小于预设比值的车辆,作为拥堵车辆;针对所述比值大于或等于所述预设比值的每个车辆,若该车辆上一时刻为拥堵车辆,则确定该车辆为拥堵后恢复车辆;若该车辆上一时刻不是拥堵车辆,则确定该车辆为未拥堵车辆。
12.根据权利要求7-10任一项所述的装置,所述装置还包括:
划分单元,用于按照指定的网格尺寸,将交通网络划分为多个网格;
聚类单元,用于根据每个网格的车流属性,对多个网格进行聚类,得到多个类别,一个类别对应一个区域。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993135.7A CN115330067B (zh) | 2022-08-18 | 2022-08-18 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210993135.7A CN115330067B (zh) | 2022-08-18 | 2022-08-18 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115330067A CN115330067A (zh) | 2022-11-11 |
CN115330067B true CN115330067B (zh) | 2023-08-15 |
Family
ID=83925172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210993135.7A Active CN115330067B (zh) | 2022-08-18 | 2022-08-18 | 一种交通拥堵预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115330067B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229714A (zh) * | 2023-02-09 | 2023-06-06 | 百度在线网络技术(北京)有限公司 | 一种交通特征获得方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007179166A (ja) * | 2005-12-27 | 2007-07-12 | Cti Engineering Co Ltd | 渋滞発生予測装置及びプログラム |
CN104778835A (zh) * | 2015-03-17 | 2015-07-15 | 同济大学 | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
CN111710161A (zh) * | 2020-06-15 | 2020-09-25 | 北京航空航天大学 | 一种基于传染病模型的路网拥堵传播态势预测方法及系统 |
CN112330135A (zh) * | 2020-11-02 | 2021-02-05 | 苏州工业园区测绘地理信息有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
CN113537788A (zh) * | 2021-07-20 | 2021-10-22 | 西南交通大学 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150206427A1 (en) * | 2014-01-17 | 2015-07-23 | International Business Machines Corporation | Prediction of local and network-wide impact of non-recurrent events in transportation networks |
-
2022
- 2022-08-18 CN CN202210993135.7A patent/CN115330067B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007179166A (ja) * | 2005-12-27 | 2007-07-12 | Cti Engineering Co Ltd | 渋滞発生予測装置及びプログラム |
CN104778835A (zh) * | 2015-03-17 | 2015-07-15 | 同济大学 | 一种高等级道路多瓶颈点拥堵演化时空范围识别方法 |
CN106408943A (zh) * | 2016-11-17 | 2017-02-15 | 华南理工大学 | 一种基于宏观基本图的路网交通拥堵甄别方法 |
CN109767030A (zh) * | 2018-12-14 | 2019-05-17 | 深圳壹账通智能科技有限公司 | 道路拥堵检测方法、装置、计算机设备及存储介质 |
CN110782654A (zh) * | 2019-02-22 | 2020-02-11 | 北京嘀嘀无限科技发展有限公司 | 拥堵区域通行能力估测方法、装置及数据处理设备 |
CN110136435A (zh) * | 2019-04-17 | 2019-08-16 | 青岛大学 | 一种多感染阈值、多传播并存的拥堵网络化传播模型 |
CN111710161A (zh) * | 2020-06-15 | 2020-09-25 | 北京航空航天大学 | 一种基于传染病模型的路网拥堵传播态势预测方法及系统 |
CN112330135A (zh) * | 2020-11-02 | 2021-02-05 | 苏州工业园区测绘地理信息有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
CN113537788A (zh) * | 2021-07-20 | 2021-10-22 | 西南交通大学 | 一种基于病毒传播理论的城市交通拥堵识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115330067A (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3035314B1 (en) | A traffic data fusion system and the related method for providing a traffic state for a network of roads | |
CN108062860B (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
CN107145991B (zh) | 一种考虑路段相关性的时变随机网络动态路径搜索方法 | |
CN112434260B (zh) | 一种公路的交通状态检测方法、装置、存储介质及终端 | |
WO2023279603A1 (zh) | 路网交通瓶颈的识别方法、装置及电子设备 | |
CN115330067B (zh) | 一种交通拥堵预测方法、装置、电子设备及存储介质 | |
EP4040421A2 (en) | Method and apparatus for predicting traffic data and electronic device | |
CN114758495A (zh) | 交通信号灯调整方法、装置及电子设备 | |
CN114596709B (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN113899381B (zh) | 用于生成路线信息的方法、装置、设备、介质和产品 | |
CN114444718A (zh) | 机器学习模型的训练方法、信号控制方法和装置 | |
EP4141386A1 (en) | Road data monitoring method and apparatus, electronic device and storage medium | |
CN115453661B (zh) | 气象预报方法、装置、设备以及存储介质 | |
CN115206102B (zh) | 确定交通路径的方法、装置、电子设备和介质 | |
CN113435718B (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
CN115641470A (zh) | 分类模型及车辆图像分类模型的训练方法、装置及设备 | |
CN114419883A (zh) | 识别路口缺失交通限制信息的方法、装置和电子设备 | |
CN113051490A (zh) | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 | |
CN116884215B (zh) | 交通状态的预测、模型的生成方法、装置、设备及介质 | |
CN112836626B (zh) | 事故确定方法及装置、模型训练方法及装置、电子设备 | |
CN114970949B (zh) | 行驶速度预测方法、装置、电子设备及存储介质 | |
CN116246460A (zh) | 路段通行时长的确定方法、装置、电子设备和介质 | |
CN115031750B (zh) | 阻断路段的状态确定方法、装置及计算机程序产品 | |
CN112884352B (zh) | 一种架空输电线路雷击故障风险评估方法 | |
CN112784789B (zh) | 识别道路的交通流量的方法、装置、电子设备和介质 |
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 |