CN115909711A - 交通拥堵指数预测方法、装置及相关设备 - Google Patents
交通拥堵指数预测方法、装置及相关设备 Download PDFInfo
- Publication number
- CN115909711A CN115909711A CN202110895380.XA CN202110895380A CN115909711A CN 115909711 A CN115909711 A CN 115909711A CN 202110895380 A CN202110895380 A CN 202110895380A CN 115909711 A CN115909711 A CN 115909711A
- Authority
- CN
- China
- Prior art keywords
- target
- vehicle speed
- time period
- average vehicle
- average
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 230000004927 fusion Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通拥堵指数预测方法、装置及相关设备,该方法包括获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;其中,所述特征参数用于表征所述事件信息对车速的影响情况。这样可以提升目标平均车速的预测的准确度,进而提升目标路段在目标时段的拥堵指数的预测的准确度。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种交通拥堵指数预测方法、装置及相关设备。
背景技术
目前,为解决城市的交通拥堵问题,越来越多的城市开始运用交通智慧化的理念来管理城市交通。比如,通过获取上一时刻的交通数据,并基于获取到的上一时刻的交通数据,预测下一时刻的交通拥堵指数,然后通过优化交通警力配置、调整特定路况的红绿灯配时、设置潮汐车道等措施,以缓解交通拥堵。然而,通过仅获取上一时刻的交通数据,难以准确预测下一时刻的交通拥堵指数。
可见,相关技术中,交通拥堵指数的预测存在准确度低的问题。
发明内容
本发明实施例提供一种交通拥堵指数预测方法、装置及相关设备,能够解决相关技术中,交通拥堵指数的预测存在准确度低的问题。
为解决上述问题,本发明是这样实现的:
第一方面,本发明实施例提供了一种交通拥堵指数预测方法,由网络侧设备执行,所述方法包括:
获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;
获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;
根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;
基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;
其中,所述特征参数用于表征所述事件信息对车速的影响情况。
第二方面,本发明实施例提供了一种交通拥堵指数预测装置,包括处理器和收发器,且所述装置还包括:
第一获取模块,用于获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;
第二获取模块,用于获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;
第一确定模块,用于根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;
第二确定模块,用于基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;
其中,所述特征参数用于表征所述事件信息对车速的影响情况。
第三方面,本发明实施例还提供一种通信设备,包括:收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;所述处理器,用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
第四方面,本发明实施例还提供一种可读存储介质,用于存储程序,所述程序被处理器执行时实现如前述第一方面所述方法中的步骤。
在本发明实施例中,通过获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;其中,所述特征参数用于表征所述事件信息对车速的影响情况。这样通过考虑节假日和/或天气等事件对车辆的行驶速度的影响,即将节假日和/或天气等事件加入到车速预测方案中,可以使得车速的预测更符合实际场景,并提升目标平均车速的预测的准确度,进而提升目标路段在目标时段的拥堵指数的预测的准确度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例可应用的网络系统的结构示意图;
图2是本发明实施例提供的交通拥堵指数预测方法的流程示意图;
图3是本发明实施例提供的交通拥堵预测平台框图;
图4是本发明实施例提供的算法模型框图;
图5是本发明实施例提供的交通拥堵指数预测装置的结构示意图;
图6是本发明实施例提供的通信设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中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作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。
本发明实施例中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。此外,本发明中使用“和/或”表示所连接对象的至少其中之一,例如A和/或B和/或C,表示包含单独A,单独B,单独C,以及A和B都存在,B和C都存在,A和C都存在,以及A、B和C都存在的7种情况。
请参见图1,图1是本发明实施例可应用的网络系统的结构图,如图1所示,包括数据发送设备11和数据接收设备12。
其中,数据发送设备11和数据接收设备12之间可以进行通信。数据发送设备11向数据接收设备12发送密文信息(Ciphertext Block)。
在实际应用中,数据发送设备11可以是终端(也可以称作用户设备(UserEquipment,UE)),数据接收设备12可以是网络侧设备;或者,数据发送设备11可以是网络侧设备,数据接收设备12可以是终端,但不仅限于此。
终端可以是手机、平板电脑(Tablet Personal Computer)、膝上型电脑(LaptopComputer)、个人数字助理(Personal Digital Assistant,PDA)、移动上网装置(MobileInternet Device,MID)、可穿戴式设备(Wearable Device)或车载设备等。网络侧设备可以是基站、接入和移动管理功能(Access and Mobility Management Function,AMF)、中继、接入点或其他网元等。
以下对本发明实施例提供的交通拥堵指数预测方法进行说明。
参见图2,图2是本发明实施例提供的交通拥堵指数预测方法的流程示意图。图2所示的交通拥堵指数预测方法可以由网络侧设备执行。
如图2所示,交通拥堵指数预测方法可以包括以下步骤:
步骤201、获取当前时刻的事件信息。
该步骤中,事件信息包括当前时刻对应的天气信息、节假日信息中的至少一项。
其中,天气信息、节假日信息可以通过网络查询的方式获取,也可以通过网络侧设备的天气应用获取当前时刻的天气信息,以及通过网络侧设备的日历应用获取当前时刻的节假日信息。
可以理解的是,天气信息可以包括天气类型,以及对应的天气等级。其中,天气类型包括晴天、雨天、雪天等,天气等级包括严重、中等、轻微等。
比如,天气等级包括严重、中等和轻微三个等级,在天气类型为雨天的情况下,则对应为大雨、中雨和小雨;在天气类型为雪天的情况下,则对应为大雪、中雪和小雪。
相应地,节假日信息可以包括周末或者劳动节等节假日,并可以通过查询或遍历日历应用的方式,确定当天是否属于节假日。
步骤202、获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间。
该步骤中,目标路段可以是某一街道,或者预先设定的某个区域内的所有路段。
其中,可以通过获取目标路段在过去某一段时间内的历史平均车速信息,预测目标路段在目标时段的平均车速,即预测下一时段的平均车速。
可以理解的是,可以对目标路段的历史平均车速信息进行训练,以得到车速预测模型;然后通过向车速预测模型中输入目标路段在过去某一段时间内的平均车速,以预测得到目标路段在目标时段的平均车速。
步骤203、根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速。
该步骤中,特征参数用于表征事件信息对车速的影响情况,比如,雨雪天气和/或节假日会影响车辆的行驶速度。为使目标路段在目标时段的车速的预测更加准确,可以通过事件信息对应的特征参数,将平均车速转换成目标平均车速。
这样通过考虑节假日和/或天气等事件对车辆的行驶速度的影响,即将节假日和/或天气等事件加入到车速预测方案中,可以使得车速的预测更符合实际场景,并使得车速的预测更加准确。
步骤204、基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数。
该步骤中,可以基于预测得到的目标平均车速,将目标平均车速转换成拥堵指数,以确定得到目标路段在目标时段的拥堵指数。
比如,可以根据城市道路的特点,可以定义公式k=Vl/Vavg,Vl表示目标路段的限速速度,Vavg表示目标路段在目标时段的目标平均车速。
而且,可以根据k的大小,将拥堵指数划分为严重拥堵、拥堵、轻度拥堵和畅通四个等级。
比如,在限速速度为60km/h的情况下,k≥4时,则确定拥堵指数为严重拥堵;2.4≤k<4时,则确定拥堵指数为拥堵;1.7≤k<2.4时,则确定拥堵指数为轻度拥堵;k小于1.7时,则确定拥堵指数为畅通。
这样通过考虑节假日和/或天气等事件对车辆的行驶速度的影响,即将节假日和/或天气等事件加入到车速预测方案中,可以使得车速的预测更符合实际场景,并提升目标平均车速的预测的准确度,进而提升目标路段在目标时段的拥堵指数的预测的准确度。
可选地,所述获取目标路段在目标时段的平均车速,包括:
获取所述目标路段在第一时间段的第一平均车速,所述第一时间段为所述当前时刻之前的时间段,且所述第一时间段与所述当前时刻为相邻时段;
获取所述目标路段在第二时间段的第二平均车速,所述第二时间段为前一天的与所述目标时段对应的时间段;
获取所述目标路段在第三时间段的第三平均车速,所述第三时间段为上一周期中的当前天的与所述目标时段对应的时间段;
将所述第一平均车速、所述第二平均车速和所述第三平均车速分别输入车速预测模型中,并分别得到对应的第一目标车速、第二目标车速和第三目标车速;
基于所述第一目标车速、所述第二目标车速和第三目标车速,生成得到所述目标路段在所述目标时段的平均车速;
其中,所述车速预测模型是根据所述目标路段的历史平均车速信息训练得到的。
本实施方式中,可以通过参考当前时刻之前的多个时间段的平均车速,以提升目标路段在目标时段的平均车速的准确度,进而提升目标路段在目标时段的拥堵指数的预测的准确度。
一示例中,第一时间段可以理解为当前时刻之前的时间段,且第一时间段与当前时刻为相邻时段;比如,当前时刻为9点准,则第一时间段可以是当天的8点半到9点所在的时间段。
第二时间段可以理解为前一天的与目标时段对应的时间段;比如,当前时刻为周三的9点,且目标时段为当天的9点到9点半所在的时间段,则第二时间段可以是本周二的9点到9点半所在的时间段。
第三时间段可以理解为上一周的当前天的与目标时段对应的时间段;比如,当前时刻为周三的9点,且目标时段为当天的9点到9点半所在的时间段,则第三时间段可以是上周三的9点到9点半所在的时间段。
其中,可以通过统计目标路段内设置的测速仪在第一时间段内采集到的车辆速度,计算得到目标路段在第一时间段内的第一平均车速;可以采用同样的方式,获取得到第二平均车速和第三平均车速。
然后,通过将第一平均车速、第二平均车速和第三平均车速分别输入车速预测模型中,分别得到对应的第一目标车速、第二目标车速和第三目标车速;进而基于第一目标车速、第二目标车速和第三目标车速生成得到目标路段在目标时段的平均车速,以实现目标路段在目标时段的平均车速的预测。
需要说明的是,车速预测模型可以根据目标路段的历史平均车速信息训练得到。
可选地,所述根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速之前,所述方法还包括:
基于预设关系表,获取所述事件信息对应的特征参数;
其中,所述预设关系表是基于历史事件信息和历史平均车速生成得到的。
本实施方式中,可以基于历史事件信息和历史平均车速生成得到预设关系表,然后通过查表的方式,获取与当前时刻的事件信息对应的特征参数。
比如,事件信息包括天气信息和节假日信息,并设置天气信息的特征参数为Kw,设置节假日信息的特征参数为Kh,当天气良好且非节假日时,Kw+Kh=1;当只是节假日时,Kh大于0.5,Kw=0.5;当只是雨雪天气时,Kw大于0.5,Kh=0.5,且天气越恶劣,即天气等级越高,Kw的值越大。
比如,只是雨雪天气,且天气等级为中等,Kw的取值为0.75,则当前时刻的事件信息对应的特征参数=Kw+Kh=0.75+0.5=1.25;即在步骤202得到的平均车速为60km/h的情况下,可以查表得到事件信息对应的特征参数为1.25,进而可以计算得到目标平均车速,即平均车速除以1.25,并得到目标平均车速为48km/h。
可选地,所述基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数之后,所述方法还包括:
基于所述拥堵指数调整目标区域的交通配置资源;
其中,所述目标区域包括所述目标路段以及与所述目标路段关联的相关路段。
本实施方式中,可以通过预测得到的拥堵指数,对目标区域的交通配置资源进行调整,以使目标区域的交通配置资源最大化利用,进而改善目标区域的拥堵情况,提升目标区域的交通效率。
参考图3,图3是本发明实施例提供的交通拥堵预测平台框图。本发明实施例提供的交通拥堵指数预测方法可以应用于如图3所示的交通拥堵预测平台。
如图3所示,交通拥堵预测平台包括核心云、边缘云和测速仪。
核心云主要负责整个城市的边缘云的管理,收集各个边缘云上报的道路拥堵状况预测信息,并基于各边缘云上报的道路拥堵状况预测信息进行综合决策。比如,通过优化交通警力配置、通过相应的边缘云去调整特定路况的红绿灯配时、设置潮汐车道等措施,以达到缓解交通拥堵的目的。
边缘云包括数据采集模块、数据预处理模块、模型训练预测模块和数据转换模块。每一边缘云的数据采集模块负责该边缘云所负责区域内的各个路口的测速仪的数据的采集;数据预处理模块,可以以2五分钟的间隔计算个路口的车辆的平均速度,剔除和填补异常数据后,顺序存储车辆平均速度,同时,对长节假日和雨雪天气等特殊事件进行标注和存储;模型训练预测模组用于训练得到车速预测模型,并基于训练得到的车速训练模型预测目标时段的车速;数据转换模块用于将预测得到的速度指标转换成对应的拥堵等级,并上报给核心云。
测速仪,可以部署在主要路段,并负责采集道路车辆速度。
可以理解的是,目标路段的拥堵指数可以由边缘云处理得到;而目标区域的交通配置资源可以由核心云进行管理;即目标路段为边缘云负责的路段;目标区域为核心云对应城市的管理区域。
本发明实施例提供的交通拥堵指数预测方法,通过获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;其中,所述特征参数用于表征所述事件信息对车速的影响情况。这样通过考虑节假日和/或天气等事件对车辆的行驶速度的影响,即将节假日和/或天气等事件加入到车速预测方案中,可以使得车速的预测更符合实际场景,并提升目标平均车速的预测的准确度,进而提升目标路段在目标时段的拥堵指数的预测的准确度。
下面就本发明的一实施方式进行具体说明:
首先,通过测速仪进行数据采集,经过预处理后的数据按照时段进行存储,进而将对应的节假日和天气事件加入车速特征向量中;然后,分别送入时空图卷积网络的学习、训练,并输出对应的预测结果,对各个模块输出的预测结果进行加权融合,输出最终的预测结果,预测结果是平均车速,需要转换成对应道路的拥堵指数;最后,核心云会收集各个道路的拥堵指数(即各个边缘云上传的拥堵指数)并做出综合决策,实施缓解交通拥堵的针对性措施。
其中,时空序列预测法,将预测目标的历史数据按照时间顺序存储,加上路口采集设备的空间信息表,去分析它的内部趋势,进而去预测未来值。
基于上述公式,即可以在已知t-m+1到t这个时间段的某路段的车辆平均速度的情况下,去预测t+1至t+n这个时间段的车辆平均速度。
由于人们的复杂活动的影响,城市交通拥堵情况在一周之中的每一天都不尽相同,在一天之中也有高峰期和非高峰期之分。从人们的感觉上来讲,一般周一和周五更容易堵车,星期一交通拥堵情况和上一周的星期一交通拥堵情况却有一定的相似性。因此,可以分别截取预测时段的邻近时间片段,前一天相同时刻片段和上一周同一时刻时间片段三个时间序列。
参考图4,图4是本发明实施例提供的算法模型框图。如图4所示算法模型框图,Vh、Vd和Vw分别表示邻近时间片段、前一天相同时刻片段和上一周同一时刻时间片段三个时间段的平均速度,这三个部分可以采用相同的网络结构,即两个时空图卷积块(ST-ConvBlock)和一个输出全连接层(FC,Fully Connected),而时空卷积块又由两个时间维度卷积和一个空间维度图卷积组成,图卷积在两个时间卷积中间。最后可以将邻近时段、前一天、前一周三个部分计算的分量进行加权融合,并输出最后的预测结果。
步骤1、时间维度卷积
时间卷积层包含了一个一维卷积和一个门控线性单元(GLU,Gated LinearUnits)激活。卷积核的宽度为Kt,时间卷积的输入是长度为M的序列,C为通道数,时间门控卷积公式为:
步骤2、图卷积
依据图频谱理论,可以将图卷积定义为图核与信号的乘积,公式如下:
gθ*Gx=θ(L)x=θ(UΛUT)x=Uθ(Λ)UTx
Λ为图拉普拉斯矩阵L的特征值组成的对角矩阵,图核θ也是对角矩阵;采用第一类切比雪夫多项式(Chebyshev polynomials of the first kind)近似卷积核:
其中,
然后,将卷积核公式代入原图卷积公式中:
去K=1,又θ=θ0=-θ1,原始可以简化为:
步骤3、时空卷积组合
时空卷积模块包含两个时间卷积层和一个空间卷积层,空间图卷积层处于两个时间卷积层中间,这种结构可以有效的减少学习参数,并使用层归一化去抑制过拟合。
步骤4、引入空间信息W
道路之间的空间信息是根据区域内各个路口测试仪的空间距离计算的,一个带权重的邻接矩阵W的公式如下:
其中Dij表示路口i测试设备和路口j测试设备之间的距离,σ是需要设定的参数。
步骤5、预测数据加权融合
经过全连接FC层,最终的预测结果为三个独立的网络结构预测的数据加权融合之后的结果,公式如下:
步骤6、速度与拥堵等级转换
通过交通速度信息去转换成道路拥堵情况的,针对城市道路的特点,可以定义公式:拥堵指数k=Vl/Vavg,Vl表示这个路段的限速速度,Vavg表示该时段预测的速度。根据k的大小,将其划分到严重拥堵、拥堵、轻度拥堵、畅通四个等级。
这样通过采用了一种面向城市层级的二级云(核心云+边缘云)计算结构,将采集的大量数据在边缘云侧就近地进行运算、存储,将计算结果汇总到核心云的方案。达到了减少数据在网络中的时延,使系统性能更好的技术效果。
而且通过采用了考虑长节假日和雨雪天气这种事件对交通指标的显著影响,将长节假日和雨雪天气特殊事件加入到交通预测指标向量中的方案,达到了针对这类事件具备更好的预测表现技术效果。
进一步的,通过采用了充分利用交通数据在时间上周期性关联特点,设计了一种并行计算邻近时段,前一日相同时段,前一周同一时段三个独立、且结构相同的时空图卷积神经网络的算法框架,最终的预测输出会加权融合这三个网络的预测结果的技术方案,达到了使预测更准确的技术效果。
另外,通过采用交通数据的采集和预测算法中使用的是车辆的平均速度,边缘云需要运用车辆速度和拥堵指数的转换公式,将预测出速度数据转换成对应的拥堵指数发送给核心网的方案。达到了使核心网在总体上更好地感知未来一段时间城市交通状况的技术效果。
参见图5,图5是本发明实施例提供的交通拥堵指数预测装置的结构图。如图5所示,装置500包括:
第一获取模块501,用于获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;
第二获取模块502,用于获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;
第一确定模块503,用于根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;
第二确定模块504,用于基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;
其中,所述特征参数用于表征所述事件信息对车速的影响情况。
可选地,所述第二获取模块502包括:
第一获取单元,用于获取所述目标路段在第一时间段的第一平均车速,所述第一时间段为所述当前时刻之前的时间段,且所述第一时间段与所述当前时刻为相邻时段;
第二获取单元,用于获取所述目标路段在第二时间段的第二平均车速,所述第二时间段为前一天的与所述目标时段对应的时间段;
第三获取单元,用于获取所述目标路段在第三时间段的第三平均车速,所述第三时间段为上一周期中的当前天的与所述目标时段对应的时间段;
预测单元,用于将所述第一平均车速、所述第二平均车速和所述第三平均车速分别输入车速预测模型中,并分别得到对应的第一目标车速、第二目标车速和第三目标车速;
生成单元,用于基于所述第一目标车速、所述第二目标车速和第三目标车速,生成得到所述目标路段在所述目标时段的平均车速;
其中,所述车速预测模型是根据所述目标路段的历史平均车速信息训练得到的。
可选地,所述装置500还包括:
第三获取模块,用于基于预设关系表,获取所述事件信息对应的特征参数;
其中,所述预设关系表是基于历史事件信息和历史平均车速生成得到的。
可选地,所述装置500还包括:
调整模块,用于基于所述拥堵指数调整目标区域的交通配置资源;
其中,所述目标区域包括所述目标路段以及与所述目标路段关联的相关路段。
装置500能够实现本发明实施例中图2方法实施例的各个过程,以及达到相同的有益效果,为避免重复,这里不再赘述。
本发明实施例还提供一种通信设备。请参见图6,通信设备可以包括处理器601、存储器602及存储在存储器602上并可在处理器601上运行的程序6021。
本发明中通信设备为网络侧设备,程序6021被处理器601执行时可实现图2对应的方法实施例中的任意步骤及达到相同的有益效果,此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法的全部或者部分步骤是可以通过程序指令相关的硬件来完成,所述的程序可以存储于一可读取介质中。本发明实施例还提供一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时可实现上述图2对应的方法实施例中的任意步骤,且能达到相同的技术效果,为避免重复,这里不再赘述。
所述的存储介质,如只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等。
以上所述是本发明实施例的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种交通拥堵指数预测方法,其特征在于,应用于第一服务器,所述方法包括:
获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;
获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;
根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;
基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;
其中,所述特征参数用于表征所述事件信息对车速的影响情况。
2.根据权利要求1所述的方法,其特征在于,所述获取目标路段在目标时段的平均车速,包括:
获取所述目标路段在第一时间段的第一平均车速,所述第一时间段为所述当前时刻之前的时间段,且所述第一时间段与所述当前时刻为相邻时段;
获取所述目标路段在第二时间段的第二平均车速,所述第二时间段为前一天的与所述目标时段对应的时间段;
获取所述目标路段在第三时间段的第三平均车速,所述第三时间段为上一周期中的当前天的与所述目标时段对应的时间段;
将所述第一平均车速、所述第二平均车速和所述第三平均车速分别输入车速预测模型中,并分别得到对应的第一目标车速、第二目标车速和第三目标车速;
基于所述第一目标车速、所述第二目标车速和第三目标车速,生成得到所述目标路段在所述目标时段的平均车速;
其中,所述车速预测模型是根据所述目标路段的历史平均车速信息训练得到的。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速之前,所述方法还包括:
基于预设关系表,获取所述事件信息对应的特征参数;
其中,所述预设关系表是基于历史事件信息和历史平均车速生成得到的。
4.根据权利要求1或2所述的方法,其特征在于,所述基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数之后,所述方法还包括:
基于所述拥堵指数调整目标区域的交通配置资源;
其中,所述目标区域包括所述目标路段以及与所述目标路段关联的相关路段。
5.一种交通拥堵指数预测装置,其特征在于,包括处理器和收发器,且所述装置还包括:
第一获取模块,用于获取当前时刻的事件信息,所述事件信息包括所述当前时刻对应的天气信息、节假日信息中的至少一项;
第二获取模块,用于获取目标路段在目标时段的平均车速,所述目标时段为当前时刻之后的时间;
第一确定模块,用于根据所述平均车速和所述事件信息对应的特征参数,确定目标平均车速;
第二确定模块,用于基于所述目标平均车速,确定所述目标路段在所述目标时段的拥堵指数;
其中,所述特征参数用于表征所述事件信息对车速的影响情况。
6.根据权利要求5所述的装置,其特征在于,所述第二获取模块包括:
第一获取单元,用于获取所述目标路段在第一时间段的第一平均车速,所述第一时间段为所述当前时刻之前的时间段,且所述第一时间段与所述当前时刻为相邻时段;
第二获取单元,用于获取所述目标路段在第二时间段的第二平均车速,所述第二时间段为前一天的与所述目标时段对应的时间段;
第三获取单元,用于获取所述目标路段在第三时间段的第三平均车速,所述第三时间段为上一周期中的当前天的与所述目标时段对应的时间段;
预测单元,用于将所述第一平均车速、所述第二平均车速和所述第三平均车速分别输入车速预测模型中,并分别得到对应的第一目标车速、第二目标车速和第三目标车速;
生成单元,用于基于所述第一目标车速、所述第二目标车速和第三目标车速,生成得到所述目标路段在所述目标时段的平均车速;
其中,所述车速预测模型是根据所述目标路段的历史平均车速信息训练得到的。
7.根据权利要求5或6所述的装置,其特征在于,所述装置还包括:
第三获取模块,用于基于预设关系表,获取所述事件信息对应的特征参数;
其中,所述预设关系表是基于历史事件信息和历史平均车速生成得到的。
8.根据权利要求5或6所述的装置,其特征在于,所述装置还包括:
调整模块,用于基于所述拥堵指数调整目标区域的交通配置资源;
其中,所述目标区域包括所述目标路段以及与所述目标路段关联的相关路段。
9.一种通信设备,包括:收发机、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序;其特征在于,所述处理器,用于读取存储器中的程序实现如权利要求1至4中任一项所述的交通拥堵指数预测方法中的步骤。
10.一种可读存储介质,用于存储程序,其特征在于,所述程序被处理器执行时实现如权利要求1至4中任一项所述的交通拥堵指数预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895380.XA CN115909711A (zh) | 2021-08-05 | 2021-08-05 | 交通拥堵指数预测方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110895380.XA CN115909711A (zh) | 2021-08-05 | 2021-08-05 | 交通拥堵指数预测方法、装置及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115909711A true CN115909711A (zh) | 2023-04-04 |
Family
ID=86473121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110895380.XA Pending CN115909711A (zh) | 2021-08-05 | 2021-08-05 | 交通拥堵指数预测方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115909711A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384635A (zh) * | 2023-06-05 | 2023-07-04 | 中国标准化研究院 | 基于大数据的绿色生态城市信息化管理系统 |
-
2021
- 2021-08-05 CN CN202110895380.XA patent/CN115909711A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384635A (zh) * | 2023-06-05 | 2023-07-04 | 中国标准化研究院 | 基于大数据的绿色生态城市信息化管理系统 |
CN116384635B (zh) * | 2023-06-05 | 2023-09-01 | 中国标准化研究院 | 基于大数据的绿色生态城市信息化管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tekouabou et al. | Improving parking availability prediction in smart cities with IoT and ensemble-based model | |
CN109285346B (zh) | 一种基于关键路段的城市路网交通状态预测方法 | |
CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
US20210407284A1 (en) | Vehicle traffic flow prediction method with missing data | |
CN109448361B (zh) | 居民交通出行流量预测系统及其预测方法 | |
CN110322064B (zh) | 城市出行需求预测方法 | |
CN114038200B (zh) | 基于注意力机制的时空同步图卷积网络交通流量预测方法 | |
US20160125307A1 (en) | Air quality inference using multiple data sources | |
CN111242395B (zh) | 用于od数据的预测模型构建方法及装置 | |
CN111242292B (zh) | 基于深度时空网络的od数据预测方法及系统 | |
CN113792929B (zh) | 交通流量预测方法、电子设备及存储介质 | |
CN115240425A (zh) | 一种基于多尺度时空融合图网络的交通预测方法 | |
CN111161537B (zh) | 考虑拥堵叠加效应的公路拥堵态势预测方法 | |
Gavirangaswamy et al. | Assessment of ARIMA-based prediction techniques for road-traffic volume | |
Liu et al. | A method for short-term traffic flow forecasting based on GCN-LSTM | |
CN115909711A (zh) | 交通拥堵指数预测方法、装置及相关设备 | |
CN113192325B (zh) | 一种交通事件相关性分析方法及系统 | |
Rahman et al. | Attention based deep hybrid networks for traffic flow prediction using google maps data | |
Miah et al. | Estimation of daily bicycle traffic using machine and deep learning techniques | |
Xu et al. | Dynamic spatiotemporal graph wavelet network for traffic flow prediction | |
Wang et al. | Travel speed prediction with a hierarchical convolutional neural network and long short-term memory model framework | |
CN115496202A (zh) | 面向交通拥堵预测的可解释性时空分析方法 | |
CN115456238A (zh) | 一种基于动态多视图耦合图卷积的城市出行需求预测方法 | |
CN115985132A (zh) | 一种基于图神经网络的路边停车可用性预测方法 | |
CN117037461A (zh) | 一种基于多权重图三维卷积的路网交通拥堵预测方法 |
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 |