CN115762142B - 卡口流量预测方法、装置、服务器及存储介质 - Google Patents

Abstract

本发明提供了一种卡口流量预测方法、装置、服务器及存储介质，包括：获取待预测卡口的第一流量数据集，以及所述待预测卡口关联的目标卡口的第二流量数据集；其中，所述第一流量数据集包括所述待预测卡口中有效车道对应的单车道流量数据，所述第二流量数据集包括所述目标卡口中有效车道对应的单车道流量数据；基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征；通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果。本发明可以对卡口中单个车道的流量数据进行准确预测。

Description

卡口流量预测方法、装置、服务器及存储介质

技术领域

本发明涉及交通流量预测技术领域，尤其是涉及一种卡口流量预测方法、装置、服务器及存储介质。

背景技术

近年来，随着经济水平的快速发展，越来越多的人选择私家车为交通工具出行，私家车出行量的增加给城市交通也增大了压力，使交通拥堵情况不断加剧，因此需要科学合理地进行交通规划，而其前提便是对交通流量进行科学有效的预测。目前，现有的交通流量预测算法难以实现对卡口中单个车道的流量进行统计和预测，而且预测得到的卡口流量的准确度仍然存在提高空间。

发明内容

有鉴于此，本发明的目的在于提供一种卡口流量预测方法、装置、服务器及存储介质，可以对卡口中单个车道的流量数据进行准确预测。

第一方面，本发明实施例提供了一种卡口流量预测方法，包括：获取待预测卡口的第一流量数据集，以及所述待预测卡口关联的目标卡口的第二流量数据集；其中，所述第一流量数据集包括所述待预测卡口中有效车道对应的单车道流量数据，所述第二流量数据集包括所述目标卡口中有效车道对应的单车道流量数据；基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征；通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果。

在一种实施方式中，所述方法还包括：按照预设周期从流量数据库中获取每个卡口对应的卡口历史数据；基于所述卡口对应的所述卡口历史数据，确定所述卡口中每个车道对应的单车道流量数据和所述卡口对应的总流量数据；遍历所述卡口中每个所述车道，如果所述车道对应的历史流量数据与所述总流量数据的比值大于预设阈值，确定所述车道为有效车道。

在一种实施方式中，所述基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征的步骤，还包括：从所述第一流量数据集中，确定所述待预测卡口中每个所述有效车道在目标连续时间段内的第一流量数据；其中，所述目标连续时间段至少包括当前时刻所属的当前实时时间区间；以及，从所述第一流量数据集中，确定所述待预测卡口中每个所述有效车道在第一历史时间段内的第二流量数据；其中，所述第一历史时间段为所述当前实时时间区间匹配的至少一个历史时间区间；以及，从所述第二流量数据集中，确定所述目标卡口中每个所述有效车道在第二历史时间段内的第三流量数据；其中，所述第二历史时间段为所述当前实时时间区间对应的前一实时时间区间；基于所述第一流量数据、所述第二流量数据和所述第三流量数据，确定所述待预测卡口对应的流量特征；其中，所述流量特征包括时间维度特征和空间维度特征。

在一种实施方式中，所述通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果的步骤，包括：获取所述待预测卡口对应的特征标签；其中，所述特征标签至少包括气象标签和/或星期标签；将所述流量特征中的所述时间维度特征和/或所述空间维度特征，确定为所述待预测卡口对应的目标流量特征；将所述特征标签和所述目标流量特征输入至预先训练得到的流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测结果包括所述待预测卡口中每个所述有效车道，在所述当前实时时间区间对应的下一实时时间区间内的预测流量数据。

在一种实施方式中，所述方法还包括：从流量数据库中获取所述待预测卡口对应的卡口历史数据；基于所述卡口历史数据统计所述待预测卡口中的所述有效车道，在预先划分的每个历史时间区间内的单车道流量数据。

在一种实施方式中，所述方法还包括：按照预设的实时时间区间调度流量统计任务，以统计所述待预测卡口中的所述有效车道，在每个所述实时时间区间内的单车道流量数据。

在一种实施方式中，所述方法还包括：将所述待预测卡口的卡口标识、所述有效车道的车辆标识和有效车道数量中的一种或多种，作为车道属性数据；将所述车道属性数据和所述实时流量数据，以键值对的形式存储至远程字典服务。

第二方面，本发明实施例还提供一种卡口流量预测装置，包括：数据获取模块，用于获取待预测卡口的第一流量数据集，以及所述待预测卡口关联的目标卡口的第二流量数据集；其中，所述第一流量数据集包括所述待预测卡口中有效车道对应的单车道流量数据，所述第二流量数据集包括所述目标卡口中有效车道对应的单车道流量数据；特征确定模块，用于基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征；流量预测模块，用于通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果。

第三方面，本发明实施例还提供一种服务器，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现第一方面提供的任一项所述的方法。

第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现第一方面提供的任一项所述的方法。

本发明实施例提供的一种卡口流量预测方法、装置、服务器及存储介质，首先获取待预测卡口的第一流量数据集(包括待预测卡口中有效车道对应的单车道流量数据)，以及待预测卡口关联的目标卡口的第二流量数据集(包括目标卡口中有效车道对应的单车道流量数据)，然后基于第一流量数据集和第二流量数据集，确定待预测卡口对应的流量特征，再通过预先训练得到的流量预测模型，基于流量特征确定待预测卡口对应的流量预测结果。上述方法统计出待预测卡口中各车道的单车道流量数据，并基于待预测卡口中有效车道的单车道流量数据和目标卡口中有效车道的单车道流量数据确定待预测卡口对应的流量特征，该流量特征可以体现待预测卡口在时间维度上的特征数据和在空间维度上的特征数据，进而利用流量预测模型基于该流量特征，更为直观、准确地对待预测卡口中单个车道的流量数据进行预测。

本发明的其他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，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明实施例提供的一种卡口流量预测方法的流程示意图；

图2为本发明实施例提供的一种卡口流量预测的功能框图；

图3为本发明实施例提供的一种卡口流量预测装置的结构示意图；

图4为本发明实施例提供的一种服务器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

随着人工智能、机器学习的不断发展，目前已有许多机器学习模型和深度学习模型开始运用于交通流量预测。常用的主要有以下几类：随机森林、迭代决策树、神经网络系列模型、支持向量机等。然而上述流量预测方法无法划分车道进行流量的统计和预测，对直行车道和转弯车道的车流量显示不够明确，而且训练时采用固定的训练集，导致训练得到的模型灵活性较差。

基于此，本发明实施提供了一种卡口流量预测方法、装置、服务器及存储介质，可以对卡口中单个车道的流量数据进行准确预测。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种卡口流量预测方法进行详细介绍，参见图1所示的一种卡口流量预测方法的流程示意图，该方法主要包括以下步骤S102至步骤S106：

步骤S102，获取待预测卡口的第一流量数据集，以及待预测卡口关联的目标卡口的第二流量数据集。其中，第一流量数据集包括待预测卡口中有效车道对应的单车道流量数据，第二流量数据集包括目标卡口中有效车道对应的单车道流量数据，有效车道可以理解为单车道流量数据占卡口总流量数据的比值超过预设阈值的车道。目标卡口可以为待预测卡口的相邻卡口，在一种实施方式中，可以通过数据库以指定格式存储多个卡口中每个车道的单车道流量数据，并利用uniq聚合函数从数据库中请求预测流量数据所需的第一流量数据集和第二流量数据集。

步骤S104，基于第一流量数据集和第二流量数据集，确定待预测卡口对应的流量特征。其中，流量特征包括时间维度特征和空间维度特征。在一种实施方式中，可以根据当前时刻所属的当前实时时间区间确定目标连续时间段、第一历史时间段和第二历史时间段，目标连续时间段也即包含当前实时时间区间在内的多个连续实时时间区间，第一历史时间段可以为历史日期中与当前实时时间区间匹配的历史时间区间，第二历史时间段可以为当前实时时间区间对应的前一实时时间区间，可选的，每个时间区间的时间间隔可以一致(诸如，10分钟)，然后基于第一流量数据集中选择目标连续时间段对应的第一流量数据、第一历史时间段对应的第二流量数据以及第二历史时间段对应的第三流量数据，再基于第一流量数据、第二流量数据和第三流量数据确定流量特征。其中，时间维度特征用于体现不同时间段下的流量数据，空间维度特征用于体现待预测卡口与目标卡口之间的空间位置关系下的流量数据。

步骤S106，通过预先训练得到的流量预测模型，基于流量特征确定待预测卡口对应的流量预测结果。其中，流量预测模型是基于待预测卡口的历史单车道流量数据和目标卡口的历史单车道流量数据训练得到的，可选的，可以基于上述历史单车道流量数据确定待预测卡口的历史时间维度特征和历史空间维度特征，还可以选择待预测卡口的流量影响因素(诸如，星期因素、气象因素等)，然后基于历史时间维度特征、历史空间维度特征、流量影响因素中的一种或多种构建训练集，用以训练流量预测模型，从而得到待预测卡口定制化的流量预测模型，该流量预测模型即可更为准确地预测待预测卡口在下一实时时间区间的单车道流量数据。

本发明实施例提供的卡口流量预测方法，统计出待预测卡口中各车道的单车道流量数据，并基于待预测卡口中有效车道的单车道流量数据和目标卡口中有效车道的单车道流量数据确定待预测卡口对应的流量特征，该流量特征可以体现待预测卡口在时间维度上的特征数据和在空间维度上的特征数据，进而利用流量预测模型基于该流量特征，更为直观、准确地对待预测卡口中单个车道的流量数据进行预测。

在实际应用中，可以按照预设周期更新每个卡口的有效车道，诸如每天晚上22:30更新每个卡口的有效车道，从而获取待预测卡口更新后的有效车道的单车道流量数据以及目标卡口更新后的有效车道的单车道流量数据。为便于理解，本发明实施例提供了一种确定卡口中有效车道的实施方式，参见如下步骤1至步骤3：

步骤1，按照预设周期从流量数据库中获取每个卡口对应的卡口历史数据。在一种实施方式中，数据库存储有每个卡口的历史数据，并按照预设周期(诸如，每天晚上22:30将当天数据存入数据库中)或实时更新数据库中存储的历史数据。在具体实现时，可以向数据库发送查询请求，以得到各个卡口的卡口历史数据，

步骤2，基于卡口对应的卡口历史数据，确定卡口中每个车道对应的单车道流量数据和卡口对应的总流量数据。在一种实施方式中，可以利用uniq聚合函数统计出每个卡口中每个车道对应的单车道流量数据。可选的，可以将每个卡口和每个卡口中每个车道对应的单车道流量数据整理到字典结构中，并统计每个卡口对应所有车道的总流量数据。

步骤3，遍历卡口中每个车道，如果车道对应的历史流量数据与总流量数据的比值大于预设阈值，确定车道为有效车道。在一种实施方式中，首先设置初始化车道个数为一，并从卡口中的车道1开始遍历卡口包含的所有车道，用各个车道的单车道流量除以卡口总流量数据得到比值，并根据该比值判断车道是否为有效车道，当比值大于预设阈值时确定车道为有效车道，当比值小于预设阈值时确定车道为无效车道。示例性的，假设预设阈值为5％，车道1对应的比值大于5％，则确定车道1为有效车道，并设置车道个数加一(也即，车道个数为二)；继续计算下一车道2对应的比值，如果车道2对应的比值小于5％，则确定车道2为无效车道，并设置车道个数不变。可选的，可以将无效车道的单车道流量数据与前一有效车道的单车道流量数据进行合并。在实际应注意，遍历完卡口数据中存在的所有车道的单车道流量数据，并按上述规则进行判断，则可确定该卡口的有效车道总个数。

进一步的，在执行前述步骤S102之前，本发明实施例还提供了一种获取和写入历史流量数据(历史单车道流量数据的简称)、实时流量数据(实时单车道流量数据的简称)的实施方式，参见如下方式一至方式二：

方式一，对于历史流量数据：可以从流量数据库中获取待预测卡口对应的卡口历史数据，再基于卡口历史数据统计待预测卡口中的有效车道，在预先划分的每个历史时间区间内的单车道流量数据。其中，历史时间区间(也可以称之为，历史时间单元)可以是基于指定时间间隔划分的到的，诸如每十分钟作为一个时间单元。在实际应用中，首先向数据库发送查询请求，在各个卡口的历史数据中统计出各车道的单车道流量数据；利用uniq聚合函数，按每十分钟为一个时间单元，统计出每个时间单元各个车道对应的单车道流量数据；然后将各个车道对应的单车道流量数据，结合卡口对应的车道总数，写入数据库表中，数据格式为：[卡口id、车道id、车道总数、开始时间、结束时间、时间单元、流量、日期]。

方式二，对于实时流量数据：可以按照预设的实时时间区间调度流量统计任务，以统计待预测卡口中的有效车道，在每个实时时间区间内的单车道流量数据。其中，实时时间区间(也可以称之为，实时时间单元)可以是基于指定时间间隔划分的到的，诸如每十分钟作为一个时间单元。写入实时流量数据的思路与写入历史流量数据的思路相似，区别是在于写入实时流量数据时添加了实时任务调度与进程控制。在具体实现时，实时任务调配置了每天晚上22:30计算并获取一次每个卡口对应的车道总数任务，保证车道数若有变化能够及时更新；每分钟和每小时的第1分钟、第11分钟、第21分钟、第31分钟、第41分钟、第51分钟，每十分钟开启一个新的统计流量任务，该任务向数据库发送查询请求，利用uniq聚合函数对卡口流量数据进行处理，统计出各个卡口各个车道的实时流量数据。

在一种实施方式中，还可以将待预测卡口的卡口标识、有效车道的车辆标识和有效车道数量中的一种或多种，作为车道属性数据，再将车道属性数据和单车道流量数据，以键值对的形式存储至远程字典服务(Redis，Remote Dictionary Server)。具体的，每分钟的任务是将统计出的每个卡口各个车道的流量数据以“卡口id-车道id-车道总数”为key，车道的实时流量数据为value写入Redis。每小时的第1分钟、第11分钟、第21分钟、第31分钟、第41分钟、第51分钟的任务将统计出的实时流量数据，结合卡口对应的车道总数，写入数据库表中，数据格式为：[卡口id、车道id、车道总数、开始时间、结束时间、时间单元、流量、日期]。

在前述实施例的基础上，本发明实施例提供了一种基于第一流量数据集和第二流量数据集，确定待预测卡口对应的流量特征的实施方式，参见如下(1)至(4)：

(1)从第一流量数据集中，确定待预测卡口中每个有效车道在目标连续时间段内的第一流量数据，其中，目标连续时间段至少包括当前时刻所属的当前实时时间区间。示例性的，假设当前时刻为10月24日10点11分，则当前时刻属于10月24日[10点11分-10点21分]这一实时时间区间，可以将当前实时时间区间的前几个实时时间区间作为目标连续时间段，并获取待预测卡口中有效车道在该目标连续时间段内的流量数据，该流量数据即可作为待预测卡口连续时间段的特征。

(2)从第一流量数据集中，确定待预测卡口中每个有效车道在第一历史时间段内的第二流量数据，其中，第一历史时间段为当前实时时间区间匹配的至少一个历史时间区间。示例性的，可以将前N天中[10点11分-10点21分]作为第一历史时间段，并获取待预测卡口中有效车道在该第一历史时间段内的流量数据，该流量数据可作为待预测卡口过去同时间段的特征。

(3)从第二流量数据集中，确定目标卡口中每个有效车道在第二历史时间段内的第三流量数据，其中，第二历史时间段为当前实时时间区间对应的前一实时时间区间。示例性的，可以将10月24日[10点01分-10点11分]作为第二历史时间段，并获取待预测卡口中有效车道在该第二历史时间段内的流量数据，该流量数据可作为相邻卡口上个时间段的特征。

(4)基于第一流量数据、第二流量数据和第三流量数据，确定待预测卡口对应的流量特征；其中，流量特征包括时间维度特征和空间维度特征。

在前述实施例的基础上，本发明实施例还提供了一种通过预先训练得到的流量预测模型，基于流量特征确定待预测卡口对应的流量预测结果的实施方式，参见如下步骤a至步骤c：

步骤a，获取待预测卡口对应的特征标签；其中，特征标签至少包括气象标签和/或星期标签。在实际应用中，不同卡口的流量影响因素不同，流量影响因素可以包括星期因素和天气因素等，因此可以将星期因素和天气因素置为特征标签，并确定每个卡口对应的特征标签。示例性的，待预测卡口对应的特征标签为星期标签。

步骤b，将流量特征中的时间维度特征和/或空间维度特征，确定为待预测卡口对应的目标流量特征。由于不同地区、不同时间影响卡口流量的因素不同，因此想要预测出准确率高的预测值，就要支持不同维度的特征灵活进行修改，可以在模型训练阶段支持对输入特征进行配置，例如仅输入时间维度特征、仅输入空间维度特征、时间维度特征和空间维度特征都进行输入等不同的情况进行配置。在具体实现时，应当选取训练阶段所采用的维度的特征作为模型输入，诸如训练阶段流量预测模型的输入仅为时间维度特征，则在实际应用中应当将时间维度特征作为目标流量特征。

步骤c，将特征标签和目标流量特征输入至预先训练得到的流量预测模型，得到流量预测模型输出的流量预测结果；其中，流量预测结果包括待预测卡口中每个有效车道，在当前实时时间区间对应的下一实时时间区间内的预测流量数据。在具体实现时，首先向数据库发送查询请求，查询所要预测的卡口的过去同时间段的特征，当前卡口连续时间段的特征(当前时间连续的前几个时间段)，相邻卡口上个时间段的特征，每个特征个数和模型训练时一致。然后将这些特征结合星期标签(当前时间是周几)按规定格式整理，将整理好的数据参数传入训练好的模型，即可预测出所需卡口下个时间段的流量数据。

考虑到交通流量预测最终还是要应用到实际的城市道路中，通过交通流量调节交通信号灯缓解交通拥堵的问题。但影响交通拥堵和交通流量的因素多种多样，不同地区私家车数量、道路情况、不同的天气情况、节假日工作日、交通枢纽附近(如机场火车站附近)等，造成拥堵情况的主要原因各不相同。因此，在进行流量预测模型的训练时，模型的输入特征是否合理会决定模型全局的效果。而若将模型的输入特征固定不可变，会使得训练出的模型不能很好的贴合不同地区的实际情况，从而预测出的结果也可能出现较大偏差。

基于此，本发明实施例还提供了一种流量预测模型的训练方法，具体的，首先将统计出的卡口的历史流量数据和相邻卡口数据数据进行整理，然后根据xgboost模型所需的训练数据集格式生成训练的数据集。生成的训练数据集中的每组数据都主要由当前卡口过去同时间段的特征，当前卡口连续时间段的特征(当前时间连续的前几个时间段)，相邻卡口上个时间段的特征，星期标签组成，天气等其他特征和标签可按需要添加。生成的训练数据集中既包含了时间特征，也包含了空间特征，其他特征也可按照需要添加或者删除，保证了模型的灵活性。

为便于理解，本发明实施例还提供了一种卡口流量预测的应用示例，参见如图2所示的一种卡口流量预测的功能框图，包括车道个数处理功能、历史/实时流量数据的获取和写入功能、流量预测模型的训练和卡口各车道流量的预测功能，其中，车道个数处理功能用于确定卡口所包含的有效车道和有效车道总个数。

综上所述，本发明实施例利用道路卡口数据，统计出卡口各个车道的流量，然后使用此流量数据并结合其他影响卡口流量的主要特征，对卡口各个车道的流量进行预测。因为不同地区，不同时间影响卡口流量的因素不同，因此想要预测出准确率高的预测值，就要支持不同维度的特征灵活进行修改，可以在模型训练阶段支持对输入特征进行配置，例如仅输入时间特征、仅输入空间特征、时间和空间特征都进行输入等不同的情况进行配置，方便在不同地区落地使用环节可以灵活调整输入进行模型的评估，使得训练出的模型可以更准确的预测出卡口各个车道流量的情况。本发明实施例提供的卡口流量预测方法，至少具备以下特点：

(1)实现将卡口的总流量划分到具体的车道，便于区分直行和转弯的车流量，能够更清晰的观察出卡口流量的走势，为相邻卡口的流量预测和拥堵的预测提供了更好的数据支持。

(2)可以在训练模型时根据不同地区的需求合理设置不同的特征和标签，使模型使用更灵活，可以更好的贴合实际情况来进行下一步的流量预测。

(3)进行了合理的进程控制，提高整个程序的并发性，节约执行时间。

对于前述实施例提供的卡口流量预测方法，本发明实施例提供了一种卡口流量预测装置，参见图3所示的一种卡口流量预测装置的结构示意图，该装置主要包括以下部分：

数据获取模块302，用于获取待预测卡口的第一流量数据集，以及待预测卡口关联的目标卡口的第二流量数据集；其中，第一流量数据集包括待预测卡口中有效车道对应的单车道流量数据，第二流量数据集包括目标卡口中有效车道对应的单车道流量数据；

特征确定模块304，用于基于第一流量数据集和第二流量数据集，确定待预测卡口对应的流量特征；

流量预测模块306，用于通过预先训练得到的流量预测模型，基于流量特征确定待预测卡口对应的流量预测结果。

本发明实施例提供的卡口流量预测装置，统计出待预测卡口中各车道的单车道流量数据，并基于待预测卡口中有效车道的单车道流量数据和目标卡口中有效车道的单车道流量数据确定待预测卡口对应的流量特征，该流量特征可以体现待预测卡口在时间维度上的特征数据和在空间维度上的特征数据，进而利用流量预测模型基于该流量特征，更为直观、准确地对待预测卡口中单个车道的流量数据进行预测。

在一种实施方式中，上述装置还包括车道划分模块，用于：按照预设周期从流量数据库中获取每个卡口对应的卡口历史数据；基于卡口对应的卡口历史数据，确定卡口中每个车道对应的单车道流量数据和卡口对应的总流量数据；遍历卡口中每个车道，如果车道对应的历史流量数据与总流量数据的比值大于预设阈值，确定车道为有效车道。

在一种实施方式中，特征确定模块304还用于：从第一流量数据集中，确定待预测卡口中每个有效车道在目标连续时间段内的第一流量数据；其中，目标连续时间段至少包括当前时刻所属的当前实时时间区间；以及，从第一流量数据集中，确定待预测卡口中每个有效车道在第一历史时间段内的第二流量数据；其中，第一历史时间段为当前实时时间区间匹配的至少一个历史时间区间；以及，从第二流量数据集中，确定目标卡口中每个有效车道在第二历史时间段内的第三流量数据；其中，第二历史时间段为当前实时时间区间对应的前一实时时间区间；基于第一流量数据、第二流量数据和第三流量数据，确定待预测卡口对应的流量特征；其中，流量特征包括时间维度特征和空间维度特征。

在一种实施方式中，流量预测模块306还用于：获取待预测卡口对应的特征标签；其中，特征标签至少包括气象标签和/或星期标签；将流量特征中的时间维度特征和/或空间维度特征，确定为待预测卡口对应的目标流量特征；将特征标签和目标流量特征输入至预先训练得到的流量预测模型，得到流量预测模型输出的流量预测结果；其中，流量预测结果包括待预测卡口中每个有效车道，在当前实时时间区间对应的下一实时时间区间内的预测流量数据。

在一种实施方式中，数据获取模块302还用于：从流量数据库中获取所述待预测卡口对应的卡口历史数据；基于所述卡口历史数据统计所述待预测卡口中的所述有效车道，在预先划分的每个历史时间区间内的单车道流量数据。

在一种实施方式中，数据获取模块302还用于：所述方法还包括：按照预设的实时时间区间调度流量统计任务，以统计所述待预测卡口中的所述有效车道，在每个所述实时时间区间内的单车道流量数据。

在一种实施方式中，数据获取模块302还用于：将待预测卡口的卡口标识、有效车道的车辆标识和有效车道数量中的一种或多种，作为车道属性数据；将车道属性数据和实时流量数据，以键值对的形式存储至远程字典服务。

本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。

本发明实施例提供了一种服务器，具体的，该服务器包括处理器和存储装置；存储装置上存储有计算机程序，计算机程序在被所述处理器运行时执行如上所述实施方式的任一项所述的方法。

图4为本发明实施例提供的一种服务器的结构示意图，该服务器100包括：处理器40，存储器41，总线42和通信接口43，所述处理器40、通信接口43和存储器41通过总线42连接；处理器40用于执行存储器41中存储的可执行模块，例如计算机程序。

其中，存储器41可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器41用于存储程序，所述处理器40在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中，或者由处理器40实现。

处理器40可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41，处理器40读取存储器41中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的可读存储介质的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见前述方法实施例，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (7)

1.一种卡口流量预测方法，其特征在于，包括：

获取待预测卡口的第一流量数据集，以及所述待预测卡口关联的目标卡口的第二流量数据集；其中，所述第一流量数据集包括所述待预测卡口中有效车道对应的单车道流量数据，所述第二流量数据集包括所述目标卡口中有效车道对应的单车道流量数据；

基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征；

通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果；

所述方法还包括：

按照预设周期从流量数据库中获取每个卡口对应的卡口历史数据；

基于所述卡口对应的所述卡口历史数据，确定所述卡口中每个车道对应的单车道流量数据和所述卡口对应的总流量数据；

遍历所述卡口中每个所述车道，如果所述车道对应的历史流量数据与所述总流量数据的比值大于预设阈值，确定所述车道为有效车道；

所述基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征的步骤，还包括：

从所述第一流量数据集中，确定所述待预测卡口中每个所述有效车道在目标连续时间段内的第一流量数据；其中，所述目标连续时间段至少包括当前时刻所属的当前实时时间区间；

以及，从所述第一流量数据集中，确定所述待预测卡口中每个所述有效车道在第一历史时间段内的第二流量数据；其中，所述第一历史时间段为所述当前实时时间区间匹配的至少一个历史时间区间；

以及，从所述第二流量数据集中，确定所述目标卡口中每个所述有效车道在第二历史时间段内的第三流量数据；其中，所述第二历史时间段为所述当前实时时间区间对应的前一实时时间区间；

基于所述第一流量数据、所述第二流量数据和所述第三流量数据，确定所述待预测卡口对应的流量特征；其中，所述流量特征包括时间维度特征和空间维度特征；

所述通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果的步骤，包括：

获取所述待预测卡口对应的特征标签；其中，所述特征标签至少包括气象标签和/或星期标签；

将所述流量特征中的所述时间维度特征和/或所述空间维度特征，确定为所述待预测卡口对应的目标流量特征；

将所述特征标签和所述目标流量特征输入至预先训练得到的流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测结果包括所述待预测卡口中每个所述有效车道，在所述当前实时时间区间对应的下一实时时间区间内的预测流量数据。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

从流量数据库中获取所述待预测卡口对应的卡口历史数据；

基于所述卡口历史数据统计所述待预测卡口中的所述有效车道，在预先划分的每个历史时间区间内的单车道流量数据。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

按照预设的实时时间区间调度流量统计任务，以统计所述待预测卡口中的所述有效车道，在每个所述实时时间区间内的单车道流量数据。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

将所述待预测卡口的卡口标识、所述有效车道的车辆标识和有效车道数量中的一种或多种，作为车道属性数据；

将所述车道属性数据和所述实时时间区间内的单车道流量数据，以键值对的形式存储至远程字典服务。

5.一种卡口流量预测装置，其特征在于，包括：

数据获取模块，用于获取待预测卡口的第一流量数据集，以及所述待预测卡口关联的目标卡口的第二流量数据集；其中，所述第一流量数据集包括所述待预测卡口中有效车道对应的单车道流量数据，所述第二流量数据集包括所述目标卡口中有效车道对应的单车道流量数据；

特征确定模块，用于基于所述第一流量数据集和所述第二流量数据集，确定所述待预测卡口对应的流量特征；

流量预测模块，用于通过预先训练得到的流量预测模型，基于所述流量特征确定所述待预测卡口对应的流量预测结果；

还包括车道划分模块，用于：

按照预设周期从流量数据库中获取每个卡口对应的卡口历史数据；

基于所述卡口对应的所述卡口历史数据，确定所述卡口中每个车道对应的单车道流量数据和所述卡口对应的总流量数据；

遍历所述卡口中每个所述车道，如果所述车道对应的历史流量数据与所述总流量数据的比值大于预设阈值，确定所述车道为有效车道；

所述特征确定模块还用于：

从所述第一流量数据集中，确定所述待预测卡口中每个所述有效车道在目标连续时间段内的第一流量数据；其中，所述目标连续时间段至少包括当前时刻所属的当前实时时间区间；

以及，从所述第一流量数据集中，确定所述待预测卡口中每个所述有效车道在第一历史时间段内的第二流量数据；其中，所述第一历史时间段为所述当前实时时间区间匹配的至少一个历史时间区间；

以及，从所述第二流量数据集中，确定所述目标卡口中每个所述有效车道在第二历史时间段内的第三流量数据；其中，所述第二历史时间段为所述当前实时时间区间对应的前一实时时间区间；

基于所述第一流量数据、所述第二流量数据和所述第三流量数据，确定所述待预测卡口对应的流量特征；其中，所述流量特征包括时间维度特征和空间维度特征；

所述流量预测模块还用于：

获取所述待预测卡口对应的特征标签；其中，所述特征标签至少包括气象标签和/或星期标签；

将所述流量特征中的所述时间维度特征和/或所述空间维度特征，确定为所述待预测卡口对应的目标流量特征；

将所述特征标签和所述目标流量特征输入至预先训练得到的流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测结果包括所述待预测卡口中每个所述有效车道，在所述当前实时时间区间对应的下一实时时间区间内的预测流量数据。

6.一种服务器，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至4任一项所述的方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至4任一项所述的方法。