CN116386317A - 一种交通路口的车流量预测方法及装置 - Google Patents
一种交通路口的车流量预测方法及装置 Download PDFInfo
- Publication number
- CN116386317A CN116386317A CN202211589294.7A CN202211589294A CN116386317A CN 116386317 A CN116386317 A CN 116386317A CN 202211589294 A CN202211589294 A CN 202211589294A CN 116386317 A CN116386317 A CN 116386317A
- Authority
- CN
- China
- Prior art keywords
- traffic flow
- data
- traffic
- prediction
- lane
- 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 79
- 238000012545 processing Methods 0.000 claims abstract description 101
- 238000011084 recovery Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 230000001360 synchronised effect Effects 0.000 description 11
- 230000000007 visual effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 4
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000087 stabilizing effect 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
-
- 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
- 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
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种交通路口的车流量预测方法及装置,涉及大数据技术领域。所述方法包括:获取交通路口的预设时间段的车流量数据;对所述车流量数据进行变形处理,获得预测变形特征数据;对所述预测变形特征数据进行特征处理,获得预测特征数据;基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。所述装置用于执行上述方法。本发明实施例提供的交通路口的车流量预测方法及装置,提高了交通路口车流量预测的准确性。
Description
技术领域
本发明涉及大数据技术领域,具体涉及一种交通路口的车流量预测方法及装置。
背景技术
在很多城市由于机动车数量的快速增长,导致城市交通拥堵已经成为阻碍城市发展的重要原因之一。
目前,将道路上的车流量数据,实时显示在电子地图上并对未来一段时间的车流量进行预测,以对车辆驾驶者进行提示,以合理规划出行路线,避开拥堵路段。此外,预测未来一段时间的车流量,有助于对拥堵路段采取合理的交通管控措施,以避免或者减缓交通拥堵。虽然现有技术中,已经有许多车流量预测的方案,但是存在预测准确率低的问题。
发明内容
针对现有技术中的问题,本发明实施例提供一种交通路口的车流量预测方法及装置,能够至少部分地解决现有技术中存在的问题。
第一方面,本发明提出一种交通路口的车流量预测方法,包括:
获取交通路口的预设时间段的车流量数据;
对所述车流量数据进行变形处理,获得预测变形特征数据;
对所述预测变形特征数据进行特征处理,获得预测特征数据;
基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;
对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
第二方面,本发明提供一种交通路口的车流量预测装置,包括:
获取模块,用于获取交通路口的预设时间段的车流量数据;
变形处理模块,用于对所述车流量数据进行变形处理,获得预测变形特征数据;
特征处理模块,用于对所述预测变形特征数据进行特征处理,获得预测特征数据;
预测模块,用于基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;
恢复模块,用于对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
第三方面,本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述任一实施例所述交通路口的车流量预测方法。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一实施例所述交通路口的车流量预测方法。
第五方面,本发明提供一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述交通路口的车流量预测方法。
本发明实施例提供的交通路口的车流量预测方法及装置,能够获取交通路口的预设时间段的车流量数据,对车流量数据进行变形处理,获得预测变形特征数据,对预测变形特征数据进行特征处理,获得预测特征数据,基于预测特征数据以及车流量预测集成模型,获得车流量初步预测结果,对车流量初步预测结果进行变形恢复处理,获得交通路口的车流量预测结果,能够更精确地对交通路口的车流量预测,提高了交通路口车流量预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明第一实施例提供的交通路口的车流量预测方法的流程示意图。
图2是本发明第二实施例提供的交通路口的车流量预测方法的流程示意图。
图3是本发明第三实施例提供的交通路口的车流量预测方法的流程示意图。
图4是本发明第四实施例提供的交通路口的车流量预测方法的流程示意图。
图5是本发明第五实施例提供的交通路口的车流量预测方法的流程示意图。
图6是本发明第六实施例提供的车道候选历史车流量数据序列的获得流程图。
图7是本发明第七实施例提供的交通路口的车流量预测方法的流程示意图。
图8是本发明第八实施例提供的交通路口的车流量预测系统的结构示意图。
图9是本发明第九实施例提供的交通路口的车流量预测装置的结构示意图。
图10是本发明第十实施例提供的交通路口的车流量预测装置的结构示意图。
图11是本发明第十一实施例提供的交通路口的车流量预测装置的结构示意图。
图12是本发明第十二实施例提供的交通路口的车流量预测装置的结构示意图。
图13是本发明第十三实施例提供的交通路口的车流量预测装置的结构示意图。
图14是本发明第十四实施例提供的交通路口的车流量预测装置的结构示意图。
图15是本发明第十五实施例提供的电子设备的实体结构示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。本申请中技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得,并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
为了便于理解本申请提供的技术方案,下面先对本申请技术方案的相关内容进行说明。
交通车流量预测通常采用GPS等车流检测装置收集车流数据,并使用历史车流数据进行统计学方法、机器学习方法建模预测。目前对车流量预测的方法,存在数据采集不够精细、数据加工不全面以及预测不够精准的问题。
本申请分时段获取交通路口不同转向车道车流量数据,能够更灵活、更精细地获取数据;对不同车道车流时序数据进行数据分析,得到建模预测效果更精准的时序数据,能够提高建模质量;通过组合建模的方式建立车流量预测集成模型,提高预测的精准度和泛化度。下面以服务器作为执行主体为例,对本发明实施例提供的交通路口的车流量预测方法的具体实现过程进行说明。其中,本发明实施例提供的交通路口的车流量预测方法的执行主体不限于服务器。
图1是本发明第一实施例提供的交通路口的车流量预测方法的流程示意图,如图1所示,本发明实施例提供的交通路口的车流量预测方法,包括:
S101、获取交通路口的预设时间段的车流量数据;
具体地,可以获取交通路口的预设时段的各个车道车辆通行视频,通过视觉分析的方式对各个车道车辆通行视频进行车流量统计,获得各个车道通行车流量数据,汇总各个车道通行车流量数据作为所述交通路口的预设时间段的车流量数据。所述服务器可以获取所述交通路口的预设时间段的车流量数据。其中,交通路口是指十字路口、丁字路口等交叉路口。其中,预设时间段可以为当前时间之前3个月,根据实际需要进行设置,本发明实施例不做限定。所述车流量数据可以包括交通路口标识、方向标识、车道标识、日期、时段、行车数量等数据,根据实际需要进行设置,本发明实施例不做限定。
采用视觉分析的方式获取车流量,一方面能够更精准地获取车流量数据,另一方面能够精细化到不同车道的车流量数据。视觉分析方式更便于推广应用,目前多数重要交通路已有高清晰度摄像设备,无需增加额外部署设备成本,较其他感应式方法更易推广。
S102、对所述车流量数据进行变形处理,获得预测变形特征数据;
具体地,所述服务器对所述车流量数据进行变形处理,获得预测变形特征数据,所述预测变形特征数据为时序数据。通过对所述车流量数据进行变形处理,使得到的预测变形特征数据稳定性更强、峰谷值波动性更小,有利于获得更精准的预测结果。
S103、对所述预测变形特征数据进行特征处理,获得预测特征数据;
具体地,所述服务器对所述预测变形特征数据进行特征处理,获得预测特征数据,预测特征数据用于对所述交通路口未来一段时间的车流量进行预测。经过特征处理得到的预测特征数据可以包括时间周期特征、序列关联特征、序列统计特征、空间关联特征等,根据实际需要进行设置,本发明实施例不做限定。
进一步地,在获得预测特征数据时,可以对数据进行归约处理,通过归约技术得到数据的简化表示,简化后的数据占用空间会变小,但是能产生近乎相同的分析结果,可以提高整个数据处理的效率。
例如,时间周期特征的特征处理包括但不限于:数据采集的时间为年初或者年末,数据采集的时间为月初或者月末,数据采集的时间为几月份,数据采集的时间对应的季节时令,数据采集的时间为当月第几周,数据采集的时间的大前天是否为法定节假日,数据采集的时间对应的前天是否为法定节假日,数据采集的时间对应的昨天是否为法定节假日,数据采集的当天是否为法定节假日,数据采集的时间对应的明天是否为法定节假日,数据采集的时间对应的后天是否为法定节假日,数据采集的时间对应的大后天是否为法定节假日,预设时间段内法定节假日天数,预设时间段所在的年份内剩余法定节假日天数等特征数据。序列关联特征的特征处理包括但不限于:过去30天每天同时段数值,前三周的同一天每天同时段数值,前三个月相同日期每天同时段数值等。序列统计特征的特征处理包括但不限于:过去30天同时段均值、本月同周几同时段均值、过去半年每月同日期同时段均值、上周同时段均值、上月同时段均值、昨天与上周同周几环比值、昨天与上月同日期环比值、昨天与上年同期环比值。空间关联特征的特征处理包括但不限于:过去一周每天同时段左边车道流量数值、过去一周每天同时段右边车道流量数值、过去一个月每周同一天每天同时段左边车道流量数值、过去一个月每周同一天每天同时段右边车道流量数值、昨天相同时段左车道流量环比值、昨天相同时段右车道流量环比值、上周同一天同时段左车道流量环比值、上周同一天同时段右车道流量环比值、上月同一天同时段左车道流量环比值、上月同一天同时段右车道流量环比值等。
S104、基于预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;
具体地,所述服务器将所述预测特征数据输入到车流量预测集成模型中,对交通路口的车流量进行预测,可以获得所述交通路口的车流量初步预测结果。其中,车流量预测集成模型是基于车流量样本数据训练获得的。
S105、对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
具体地,由于对预测特征数据进行了变形处理,在获得车流量初步预测结果之后,所述服务器可以对所述车流量初步预测结果进行变形恢复处理,从而得到所述交通路口的车流量预测结果,所述交通路口的车流量预测结果可以包括未来一段时间每个时段的车流量预测数据。
例如,可以通过交通路口A过去4星期的车流量数据,对交通路口A的未来1天24小时的车流量数据进行预测。
本发明实施例提供的交通路口的车流量预测方法,能够获取交通路口的预设时间段的车流量数据,对车流量数据进行变形处理,获得预测变形特征数据,对预测变形特征数据进行特征处理,获得预测特征数据,基于预测特征数据以及车流量预测集成模型,获得车流量初步预测结果,对车流量初步预测结果进行变形恢复处理,获得交通路口的车流量预测结果,能够更精确地对交通路口的车流量预测,提高了交通路口车流量预测的准确性。
图2是本发明第二实施例提供的交通路口的车流量预测方法的流程示意图,如图2所示,在上述各实施例的基础上,进一步地,所述对预测特征数据进行变形处理,获得预测变形特征数据包括:
S201、基于所述预设时间段对应的历史同期的车流量,获得所述预设时间段对应的同期均值;
具体地,所述服务器基于所述交通路口的预设时间段的车流量数据,可以获得所述预设时间段对应的历史同期的车流量,计算所述预设时间段对应的历史同期的车流量的平均值,获得所述预设时间段对应的同期均值。
例如,从交通路口的过去4星期的车流量数据,获取同星期几相同时段的车流量数量为同期值,比如当前时间为星期一,那么获取过去4个星期一的24个小时的每个小时的车辆量数据作为同期值,然后计算星期一的24小时的每个小时的同期值的平均值作为星期一的24小时的同期均值,同理可以计算出星期二的24小时的同期均值,星期三的24小时的同期均值、星期四的24小时的同期均值、星期五的24小时的同期均值、星期六的24小时的同期均值、星期日的24小时的同期均值。上述一周七天24小时的同期均值,作为过去4星期对应的同期均值。
S202、基于所述预设时间段对应的同期均值、比例参数以及所述预测特征数据,获得所述预测变形特征数据;其中,所述比例参数是预先获得的。
具体地,所述服务器根据所述预设时间段对应的同期均值、比例参数以及所述预测特征数据,可以获得所述预测变形特征数据。其中,所述比例参数是预先获得的。
例如,基于所述预设时间段对应的同期均值、比例参数以及所述预测特征数据,获得所述预测变形特征数据包括:
根据车流量数据变形公式DX’=DX-[(DX1+DX2+...+DXN)/N]M,计算获得所述预设时间段内预测特征数据对应预测变形特征数据DX’,DX为预测特征数据,DX1+DX2+...+DXN为预测特征数据对应的同期数据,(DX1+DX2+...+DXN)/N为预测特征数据对应的同期均值,N为期数,M为比例参数,N和M的具体取值是在车流量预测集成模型训练时确定的。
在上述各实施例的基础上,进一步地,所述对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果包括:
基于所述预设时间段对应的同期均值、比例参数以及所述车流量初步预测结果,获得所述交通路口的车流量预测结果。
具体地,所述服务器根据所述预设时间段对应的同期均值和比例参数,对所述车流量初步预测结果进行变形恢复处理,可以获得所述交通路口的车流量预测结果。
例如,所述基于所述预设时间段对应的同期均值、比例参数以及所述车流量初步预测结果,获得所述交通路口的车流量预测结果包括:
根据车流量数据变形恢复公式D1=D+M D’,计算获得交通路口的车流量预测结果D1,D表示所述车流量初步预测结果中的数据,D’表示D对应的同期均值,M表示比例系数。
图3是本发明第三实施例提供的交通路口的车流量预测方法的流程示意图,如图3所示,在上述各实施例的基础上,进一步地,所述基于预测变形特征数据以及车流量预测集成模型,获得车流量初步预测结果包括:
S301、基于所述预测变形特征数据以及所述车流量预测集成模型包括的每个预测子模型,获得每个预测子模型对应的预测结果;其中,所述车流量预测集成模型包括多个子模型;
具体地,所述车流量预测集成模型包括的多个预测子模型,所述服务器将所述预测变形特征数据分别输入到每个预测子模型中,可以获得每个预测子模型的预测结果。
S302、基于各个预测子模型对应的预测结果以及各自对应的权重,获得所述车流量初步预测结果。
具体地,所述服务器根据各个预测子模型对应的预测结果以及各自对应的权重,对各个预测子模型对应的预测结果进行加权求和,获得所述车流量初步预测结果。
例如,车流量预测集成模型包括4个预测子模型。通过4个预测子模型分别对未来24小时的车流量进行预测,获得未来24小时每个小时会通过4个预测子模型得到4个预测结果,分别标记为d1、d2、d3和d4。4个预测子模型的权重分别为w1、w2、w3和w4。那么未来24小时每个小时的车流量预测结果为d=w1d1+w2d2+w3 d3+w4d4。未来24小时的车流量预测结果即为车流量初步预测结果。
图4是本发明第四实施例提供的交通路口的车流量预测方法的流程示意图,如图4所示,在上述各实施例的基础上,进一步地,基于车流量样本数据训练获得车流量预测集成模型的步骤包括:
S401、获取所述交通路口的历史时间段的各个车道历史车流量数据;
具体地,可以收集所述交通路口的历史时间段的各个车道车辆通行视频,然后按照车道和时间段对各个车道车辆通行视频进行统计分析,得到所述交通路口的历史时间段的各个车道历史车流量数据。所述服务器可以获取到所述交通路口的历史时间段的各个车道历史车流量数据。
例如,首先,按时间段获取各个车道车辆通行视频,结合后台系统设置的红绿灯通行时间,按车道和按时间段截取每个车道绿灯车辆通行过程的视频数据,获得每个车道的各个时段的车辆通行视频。其次,对每个车道的各个时段的车辆通行视频应用Opencv等视频分析技术统计获得每个车道的各个时段的车流量数据,具体过程如下:(1)逐帧截取视频数据,得到车道上绿灯通行时间内所有车辆通行图片。(2)框定车道停车线至路口方向,以车道宽和两车长的方框为图片智能分析区域。(3)使用灰度化、双边滤波等方法,将图片中颜色、噪音等无用信息模糊或过滤处理。(4)使用canny edge方法处理将图片边框强化处理,去掉其他无用信息。(5)调用方框识别方法,识别该区域内所有长方形框,作为待定分析的车牌区域。(6)调用遮罩方法将车牌方框外的部分遮罩处理,只留下车辆方框区域。(7)调用字符分割方法将车牌裁剪出单个字符。(8)调用字符识别方法从图像中识别读取字符,拼装为车牌号码。(9)检测并统计车辆号码,如果是在本时段视频分析中未出现过的车辆号码,则车流量数据加1,如果是已出现过的车辆号码则视为重复统计不加1。如果无法识别出正常车牌号码则视为识别异常的区域,统计数不加1。最后,将每个车道的各个时段的车流量数据进行汇总,得到所述交通路口的历史时间段的各个车道历史车流量数据。所述交通路口的历史时间段的各个车道历史车流量数据可以包括交通路口标识、方向标识、车道标识、日期、时段、行车数量。
进一步地,所述将每个车道的各个时间段的车流量数据进行汇总,得到所述交通路口的历史时间段的各个车道历史车流量数据可以包括:对每个车道的各个时间段的车流量数据进行数据清洗。
具体地,数据清洗可以包括对每个车道的每个时间段的车流量数据的有效时间进行分析,剔除重复值和修复缺失数据等操作,根据实际需要进行设置,本发明实施例不做限定。
例如,(1)有效时间分析。分析历史时间段的车流量数据,比如近一年的车流量数据,判断历史时间段内交通路口是否出现改动,以最新一次改动后的车流量数据作为可用数据。首先,判断车道数是否变化。统计交通路口的车道数量是否产生变化,如产生变化,则以最新变化后日期为待选有效日期date1。其次,判断车道设置是否变化。统计交通路口的各个车道的车道方向设置是否产生变化,如产生变化,则以最新变化后日期为待选有效日期date2。最后,比较date1与date2,选取其中更大的日期作为各个车道历史车流量数据的有效日期起始时间。(2)剔除重复值。如果同一车道、相同车道方向、相同时段存在多条记录的,那么只保留最新一条记录,删除其它记录。(3)修复缺失数据。如果同一车道、相同车道方向缺失某一时段记录的数据,可以采用近4周,对应的同期(相同星期)的同一车道、相同车道方向、相同时段的车流量数据的平均值来填充缺失值,如果遇到春节、国庆等节假日缺失数据,那么可以采用缺失数据当天的前后四天同时段的车流量数据的平均值来填充缺失值。
S402、对各个车道历史车流量数据进行变形处理,获得各车道历史车流量数据序列;
具体地,所述服务器对各个车道历史车流量数据进行变形处理,获得各车道历史车流量数据序列,所述各车道历史车流量数据序列为时序数据。通过对各个车道历史车流量数据进行变形处理,使得到的各车道历史车流量数据序列稳定性更强、峰谷值波动性更小,有利于训练获得更准确的预测子模型。
进一步,所述获得各车道历史车流量数据序列时可以进行降噪处理。可以对变形处理后的各个车道历史车流量数据进行异常数据处理,采用正态分布3σ原则判断异常数据,将三倍于数据集的标准差的点设为噪声数据,采用smoothdata方法对噪声数据进行平滑处理,最终得到各车道历史车流量数据序列。
S403、对各车道历史车流量数据序列进行特征处理,获得训练特征数据;
具体地,所述服务器对各车道历史车流量数据序列进行特征处理,获得训练特征数据,训练特征数据用于进行车流量预测集成模型的训练。经过特征处理得到的训练
特征数据可以包括时间周期特征、序列关联特征、序列统计特征、空间关联特征等,5根据实际需要进行设置,本发明实施例不做限定。训练特征数据的具体获得过程,与预测特征数据的具体获得过程类似,此处不进行赘述。
进一步地,在获得训练特征数据时,可以对数据进行归约处理,通过归约技术得到数据的简化表示,简化后得到的训练特征数据占用空间会变小,但是能产生近乎相同的分析结果,可以提高整个数据处理的效率。
0S404、根据所述训练特征数据以及各个初始模型,训练获得各个预测子模型;
具体地,所述服务器根据所述训练特征数据对每个初始模型分别进行训练,可以训练获得每个预测子模型,每个预测子模型对应一个初始模型。初始模型可以采用深度森林(deepforest)模型、极度梯度提升树(eXtreme Gradient Boosting,简称Xgboost)
模型,随机森林(randomforesta),长短期记忆人工神经网络(Long Short-TermMemory,5简称LSTM)模型等,根据实际需要进行设置,本发明实施例不做限定。
其中,在采用deepforest模型、Xgboost模型、randomforesta模型作为初始模型时,训练采取超参数自动调优方式,使用随机搜索(RandomizedSearchCV),根据在系统中对候选算法预设的参数取值范围和取值变化步长,来动态寻找使模型预测效
果最优的超参数,通过超参数自动调优在训练集上对候选算法训练模型,直到找到预0测效果全局最优或者局部最优的模型为止。LSTM模型采用的是神经网络算法,通过反向传播的方式来训练模型。
S405、根据各个预测子模型以及各自对应的权重,构建所述车流量预测集成模型。
具体地,所述服务器根据各个预测子模型以及各自对应的权重,构建所述车流量预测集成模型。其中,预测子模型对应的权重可以是预设的,也可以对权重进行优化5获得。
例如,采用动态运算方式对4个预测子模型对应的权重进行优化。具体过程如下:
通过循环嵌套遍历计算权重组合,以0.1为步长,从0起始,多重循环产生权重组合[(a1,b1,c1,e1),(a2,b2,c2,e2),...,(an,bn,cn,en)],其中ax+bx+cx+ex=1,x=1,2,...,n。将每组权重组合代入测试集进行计算,计算预测结果d=axd1+bx d2+cxd3+exd4,d1,d2,d3和d4分别为4个预测子模型的预测结果。然后采用均方根误差RMSE法分别求每组权重组合下产生的预测结果在测试集上的预测值和真实值对应的RMSE值,评估最好的权重组合作为最终的车流量预测集成模型的组合权重参数值。其中,测试集可以是从训练特征数据选取的部分数据,比如从训练特征数据选取20%的数据作为测试集。
图5是本发明第五实施例提供的交通路口的车流量预测方法的流程示意图,如图5所示,在上述各实施例的基础上,进一步地,对各个车道历史车流量数据进行变形处理,获得各车道历史车流量数据序列,包括:
S501、根据所述车道历史车流量数据以及数据变形规则,获得不同期数下的车道候选历史车流量数据序列;其中,所述数据变形规则是预设的;
具体地,所述服务器根据所述车道历史车流量数据以及数据变形规则,可以获得不同期数下的车道候选历史车流量数据序列,在获得车道候选历史车流量数据序列的同时可以确定车道候选历史车流量数据序列对应的候选变形参数。其中,所述数据变形规则是预设的。
例如,数据变形规则包括:根据车道历史车流量数据以及期数N,获得车道的每期车流量数据;根据车道的每期车流量数据,获得期数N下的车道候选历史车流量数据序列。比如,对于车道历史车流量数据[(T1,D1),(T2,D2),...,(TN,DN)],Ti表示历史时间段中的第i个时间段,Di表示Ti的车流量数据。获取第i个时间段的同期车流量数据,然后基于第i个时间段的同期车流量数据计算出第i个时间段对应的同期均值,即第i个时间段的各个同期车流量数据的平均值,再根据第i个时间段对应的同期均值、Ti的车流量数据、比例参数的初始值以及车流量数据变形公式,计算出Ti的变形车流量数据;若存在一个Ti的变形车流量数据小于0,则调整比例参数的初始值,重新计算Ti的变形车流量数据,直到所有时间段的变形车流量数据大于等于0;若所有时间段对应的变形车流量数据大于等于0,则将各个时间段的变形车流量数据组成期数N下的车道候选历史车流量数据序列。更新N值,重复上述过程,直到N大于阈值,可以获得多组车道候选历史车流量数据序列,即不同期数下的车道候选历史车流量数据序列。
图6是本发明第六实施例提供的车道候选历史车流量数据序列的获得流程图,如图6所示,对于某个车道,车道候选历史车流量数据序列的具体计算过程如下:
第一步、初始化期数和比例参数。将期数N初始化为2,并将比例参数M初始化为90%。
第二步、获取当前期数下的同期车流量数据。从车道历史车流量数据中,获得当前期数下每个时间段的同期车流量数据,每个时间段的同期车流量数据有N个。
第三步、判断是否为设定假日。判断当前时段对应的日期是否为设定假日。如果当前时段对应的日期为不是设定假日,那么进入第四步;如果当前时段对应日期是设定假日,那么进入第六步。其中,设定假日比如为春节、过节等一年一度的假日,根据是实际需要进行设置,本发明实施例不做限定。
第四步、计算当前时段的同期均值。计算当前期数下对应非设定假日的当前时段的N个同期车流量数据的平均值PN,作为当前期数下当前时段的同期均值。PN=(DY1+DY2+...+DYN)/N,DY1+DY2+...+DYN表示当前时段的N个同期车流量数据。
第五步、计算当前时段的变形车流量数据。根据公式DY’=DY-MPN,计算当前时段的变形车流量数据DY’,DY表示当前时段的车流量数据,PN表示当前时段的同期均值。
第六步、计算当前时段的变形车流量数据。根据公式DY’=DY-MDY-1,计算当前时段的变形车流量数据DY’,DY-1表示DY对应的上一年设定假日的车流量数据。
第七步、判断当前时段的变形车流量数据是否大于0。如果当前时段的变形车流量数据不大于0,那么调整M=M-5%,回到第三步,重新进行当前时段的变形车流量数据的计算;如果当前时段的变形车流量数据大于0,那么进入第八步。
第八步、判断是否获得每个时段的数据。判断是否获得每个时段的变形车流量数据,如果还有时段的变形车流量数据没有获得,那么获得下一个时段的同期车流量数据,回到第三步;如果获得了所有时段的变形车流量数据,那么进入第九步,并将最终调整的M值作为比例参数。
第九步、获得一组车道候选历史车流量数据序列。将当前期数下的各个时段的变形车流量数据按照时间顺序进行排列,获得一组车道候选历史车流量数据序列。
第十步、判断当前期数是否达到期数阈值。将当前期数N与期数阈值进行比较,如果当前期数N等于期数阈值,那么进入第十一步;如果当前期数小于期数阈值,那么调整N=N+1,回到第二步。其中,期数阈值根据实际需要进行设置,比如设置为12,本发明实施例不做限定。
第十一步、获得数据。获得各组车道候选历史车流量数据序列,作为不同期数下的车道候选历史车流量数据序列。
其中,当前时段可以日期加时段表示,比如,1月1日19:00-20:00。
S502、从不同期数下的车道候选历史车流量数据序列中,筛选出均方差最小的车道候选历史车流量数据序列作为所述车道历史车流量数据序列。
具体地,所述服务器在获得不同期数下的车道候选历史车流量数据序列之后,计算每个期数下的车道候选历史车流量数据序列的均方差,对比个期数下的车道候选历史车流量数据序列的均方差,获取均方差最小的车道候选历史车流量数据序列作为所述车道历史车流量数据序列。均方差最小的车道候选历史车流量数据序列所对应的期数,作为步骤S201中计算预设时间段对应的同期均值时所使用的期数。
图7是本发明第七实施例提供的交通路口的车流量预测方法的流程示意图,如图7所示,在上述各实施例的基础上,进一步地,所述获取交通路口的预设时间段的车流量数据包括:
S701、根据所述预设时间段获取所述交通路口的各个车道车辆通行视频;
具体地,所述服务器按照所述预设时间段,获取所述交通路口的各个车道车辆通行视频,即按车道、按预设时间段截取每个车道绿灯车辆通行过程的视频数据,作为所述交通路口的各个车道车辆通行视频。
其中,预设时间段可以细分为多个时段,比如预设时间段为过去4个星期,将过去四个星期的每天中的每两个小时作为一个时段。
S702、根据每个车道车辆通行视频进行车流量统计,获得每个车道通行车流量数据;
具体地,所述服务器对每个车道车辆通行视频进行车流量统计,可以获得每个车道通行车流量数据。其中,可以应用Opencv等视频分析技术实现车道通行车流量数据的统计。
S703汇总各个车道通行车流量数据作为所述交通路口的预设时间段的车流量数据。
具体地,所述服务器将各个车道通行车流量数据汇总,作为所述交通路口的预设时间段的车流量数据,汇总得到的所述交通路口的预设时间段的车流量数据包括各个车道通行车流量数据。
在上述各实施例的基础上,进一步地,所述获取交通路口的预设时间段的车流量数据包括:
对预设时间段的车流量数据进行数据清洗。
具体地,在获得交通路口的预设时间段的车流量数据时,可以进行数据清洗,以提高数据的准确性,有利于提高后续预测的准确性。
图8是本发明第八实施例提供的交通路口的车流量预测系统的结构示意图,如图8所示,本发明实施例提供的交通路口的车流量预测系统包括:车流量数据视觉分析处理装置801、车流量数据时序差分稳定处理装置802和多车道数据组合建模预测装置803,其中:
车流量数据视觉分析处理装置801,用于采用图像识别建模方法识别分时段获取交通路口不同转向车道车流量数据。采用视觉分析的方式获取车流量的目的有两点,一是更精准获取车流量数据,二是精细化到不同车道流量数据。优势包括:一是视觉分析方式更便于推广应用,目前多数重要交通路已有高清晰度摄像设备,无需增加额外部署设备成本,较其他感应式方法更易推广。二是可以更灵活、更精细地获取数据,通过优化软件层模型即可进行功能调整和优化。
车流量数据时序差分稳定处理装置802,用于对不同车道车流时序数据进行数据分析得到合适差分周期进行序列差分稳定处理。对车辆流量数据进行时序差分稳定处理的目的是获取周期性规律更稳定,建模预测效果更精准的时序数据。优势包括:一是处理过的数据稳定性更强、峰谷值波动性更小,时序数据建模预测的效果更好。二是差分稳定处理过程将人工经验应用于数据分析处理过程,通过人工发现数据周期性规律,较规律性更差的数据,可以整体提高模机器学习建模质量。
多车道数据组合建模预测装置803,用于基于处理后的多个车道时序数据生成时空特征数据进行机器学习组合建模。多车道数据组合建模目的是精准预测每个车道流量数据。多车道数据建模优势包括:一是每条车道单独建模实现精细化的预测,单车道预测数据可用于更精细化的管理应用。二是单车道数据预测时可以将相邻多车道的流量数据作为空间关联因子加入单车道预测模型中,实现更精准的预测。多个车道之间的流量存在空间关联性,将车道之间的关联性作为模型特征有利于模型捕获更多规律,相对来说整体路口流量预测失去空间关联的信息,单车道建模时如不纳入空间特征也会缺失部分有效信息。这种空间关联存在多种场合,如前后相邻的两个路口之间流量也存在空间关联性,相邻的两个区域范围人口之间存在流动,也具体有空间关联性等等。三是组合建模整体上具有更高的精准度和泛化度。组合预测采用集成建模的思路,即多个算法预测结果进行组合运用,本案例采用加权集成的方式,通过计算最优权重组合,对多个间单算法预测结果进行加权集成,较单个算法来说,对不同数据集的普遍适应更好,预测效果总体上更稳定。
图9是本发明第九实施例提供的交通路口的车流量预测装置的结构示意图,如图9所示,本发明实施例提供的交通路口的车流量预测装置包括获取模块901、变形处理模块902、特征处理模块903、预测模块904和恢复模块905,其中:
获取模块901用于获取交通路口的预设时间段的车流量数据;变形处理模块902用于对所述车流量数据进行变形处理,获得预测变形特征数据;特征处理模块903用于对所述预测变形特征数据进行特征处理,获得预测特征数据;预测模块904用于基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;恢复模块905用于对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
具体地,可以获取交通路口的预设时段的各个车道车辆通行视频,通过视觉分析的方式对各个车道车辆通行视频进行车流量统计,获得各个车道通行车流量数据,汇总各个车道通行车流量数据作为所述交通路口的预设时间段的车流量数据。获取模块901可以获取所述交通路口的预设时间段的车流量数据。其中,交通路口是指十字路口、丁字路口等交叉路口。其中,预设时间段可以为当前时间之前3个月,根据实际需要进行设置,本发明实施例不做限定。所述车流量数据可以包括交通路口标识、方向标识、车道标识、日期、时段、行车数量等数据,根据实际需要进行设置,本发明实施例不做限定。
变形处理模块902对所述车流量数据进行变形处理,获得预测变形特征数据,所述预测变形特征数据为时序数据。通过对所述车流量数据进行变形处理,使得到的预测变形特征数据稳定性更强、峰谷值波动性更小,有利于获得更精准的预测结果。
特征处理模块903对所述预测变形特征数据进行特征处理,获得预测特征数据,预测特征数据用于对所述交通路口未来一段时间的车流量进行预测。经过特征处理得到的预测特征数据可以包括时间周期特征、序列关联特征、序列统计特征、空间关联特征等,根据实际需要进行设置,本发明实施例不做限定。
预测模块904将所述预测特征数据输入到车流量预测集成模型中,对交通路口的车流量进行预测,可以获得所述交通路口的车流量初步预测结果。其中,车流量预测集成模型是基于车流量样本数据训练获得的。
由于对预测特征数据进行了变形处理,在获得车流量初步预测结果之后,恢复模块905可以对所述车流量初步预测结果进行变形恢复处理,从而得到所述交通路口的车流量预测结果,所述交通路口的车流量预测结果可以包括未来一段时间每个时段的车流量预测数据。
本发明实施例提供的交通路口的车流量预测装置,能够获取交通路口的预设时间段的车流量数据,对车流量数据进行变形处理,获得预测变形特征数据,对预测变形特征数据进行特征处理,获得预测特征数据,基于预测特征数据以及车流量预测集成模型,获得车流量初步预测结果,对车流量初步预测结果进行变形恢复处理,获得交通路口的车流量预测结果,能够更精确地对交通路口的车流量预测,提高了交通路口车流量预测的准确性。
图10是本发明第十实施例提供的交通路口的车流量预测装置的结构示意图,如图10所示,在上述各实施例的基础上,进一步地,变形处理模块902包括第一获得单元9021和第二获得单元9022,其中:
第一获得单元9021用于基于所述预设时间段对应的历史同期的车流量,获得所述预设时间段对应的同期均值;第二获得单元9022基于所述预设时间段对应的同期均值、比例参数以及所述预测特征数据,获得所述预测变形特征数据;其中,所述比例参数是预先获得的。
在上述各实施例的基础上,进一步地,恢复模块905具体用于:
基于所述预设时间段对应的同期均值、比例参数以及所述车流量初步预测结果,获得所述交通路口的车流量预测结果。
图11是本发明第十一实施例提供的交通路口的车流量预测装置的结构示意图,如图11所示,在上述各实施例的基础上,进一步地,预测模块904包括第三获得单元9041和第四获得单元9042,其中:
第三获得单元9041用于基于所述预测变形特征数据以及所述车流量预测集成模型包括的每个预测子模型,获得每个预测子模型对应的预测结果;其中,所述车流量预测集成模型包括多个子模型;第四获得单元9042用于基于各个预测子模型对应的预测结果以及各自对应的权重,获得所述车流量初步预测结果。
图12是本发明第十二实施例提供的交通路口的车流量预测装置的结构示意图,如图12所示,在上述各实施例的基础上,进一步地,本发明实施例提供的交通路口的车流量预测装置还包括历史数据获得模块906、第一获得模块907、第二获得模块908、训练模块909和构建模块910,其中:
历史数据获得模块906用于获取所述交通路口的历史时间段的各个车道历史车流量数据;第一获得模块907用于对各个车道历史车流量数据进行变形处理,获得各车道历史车流量数据序列;第二获得模块908用于对各车道历史车流量数据序列进行特征处理,获得训练特征数据;训练模块909用于根据所述训练特征数据以及各个初始模型,训练获得各个预测子模型;构建模块910用于根据各个预测子模型以及各自对应的权重,构建所述车流量预测集成模型。
图13是本发明第十三实施例提供的交通路口的车流量预测装置的结构示意图,如图13所示,在上述各实施例的基础上,进一步地,第一获得模块907包括第五获得单元9071和筛选单元9072,其中:
第五获得单元9071用于根据所述车道历史车流量数据以及数据变形规则,获得不同期数下的车道候选历史车流量数据序列;其中,所述数据变形规则是预设的;筛选单元9072用于从不同期数下的车道候选历史车流量数据序列中,筛选出均方差最小的车道候选历史车流量数据序列作为所述车道历史车流量数据序列。
图14是本发明第十四实施例提供的交通路口的车流量预测装置的结构示意图,如图14所示,在上述各实施例的基础上,进一步地,获取模块901包括获取单元9011、统计单元9012和汇总单元9013,其中:
获取单元9011用于根据所述预设时间段获取所述交通路口的各个车道车辆通行视频;统计单元9012用于根据每个车道车辆通行视频进行车流量统计,获得每个车道通行车流量数据;汇总单元9013用于汇总各个车道通行车流量数据作为所述交通路口的预设时间段的车流量数据。
本发明实施例提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
需要说明的是,本发明实施例提供的交通路口的车流量预测方法及装置可用于金融领域,也可用于除金融领域之外的任意技术领域,本发明实施例对交通路口的车流量预测方法及装置的应用领域不做限定。
图15是本发明一实施例提供的电子设备的实体结构示意图,如图15所示,该电子设备可以包括:处理器(processor)1501、通信接口(Communications Interface)1502、存储器(memory)1503和通信总线1504,其中,处理器1501,通信接口1502,存储器1503通过通信总线1504完成相互间的通信。处理器1501可以调用存储器1503中的逻辑指令,以执行如下方法:获取交通路口的预设时间段的车流量数据;对所述车流量数据进行变形处理,获得预测变形特征数据;对所述预测变形特征数据进行特征处理,获得预测特征数据;基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
此外,上述的存储器1503中的逻辑指令可以通过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。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取交通路口的预设时间段的车流量数据;对所述车流量数据进行变形处理,获得预测变形特征数据;对所述预测变形特征数据进行特征处理,获得预测特征数据;基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
本实施例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计算机程序,所述计算机程序使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取交通路口的预设时间段的车流量数据;对所述车流量数据进行变形处理,获得预测变形特征数据;对所述预测变形特征数据进行特征处理,获得预测特征数据;基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。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/或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/或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/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中,参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种交通路口的车流量预测方法,其特征在于,包括:
获取交通路口的预设时间段的车流量数据;
对所述车流量数据进行变形处理,获得预测变形特征数据;
对所述预测变形特征数据进行特征处理,获得预测特征数据;
基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;
对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述车流量数据进行变形处理,获得预测变形特征数据包括:
基于所述预设时间段对应的历史同期的车流量,获得所述预设时间段对应的同期均值;
基于所述预设时间段对应的同期均值、比例参数以及所述预测特征数据,获得所述预测变形特征数据;其中,所述比例参数是预先获得的。
3.根据权利要求2所述的方法,其特征在于,所述对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果包括:
基于所述预设时间段对应的同期均值、比例参数以及所述车流量初步预测结果,获得所述交通路口的车流量预测结果。
4.根据权利要求1所述的方法,其特征在于,所述基于预测变形特征数据以及车流量预测集成模型,获得车流量初步预测结果包括:
基于所述预测变形特征数据以及所述车流量预测集成模型包括的每个预测子模型,获得每个预测子模型对应的预测结果;其中,所述车流量预测集成模型包括多个子模型;
基于各个预测子模型对应的预测结果以及各自对应的权重,获得所述车流量初步预测结果。
5.根据权利要求1所述的方法,其特征在于,基于车流量样本数据训练获得车流量预测集成模型的步骤包括:
获取所述交通路口的历史时间段的各个车道历史车流量数据;
对各个车道历史车流量数据进行变形处理,获得各车道历史车流量数据序列;
对各车道历史车流量数据序列进行特征处理,获得训练特征数据;
根据所述训练特征数据以及各个初始模型,训练获得各个预测子模型;
根据各个预测子模型以及各自对应的权重,构建所述车流量预测集成模型。
6.根据权利要求5所述的方法,其特征在于,对各个车道历史车流量有效数据进行变形处理,获得各车道历史车流量数据序列包括:
根据所述车道历史车流量数据以及数据变形规则,获得不同期数下的车道候选历史车流量数据序列;其中,所述数据变形规则是预设的;
从不同期数下的车道候选历史车流量数据序列中,筛选出均方差最小的车道候选历史车流量数据序列作为所述车道历史车流量数据序列。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述获取交通路口的预设时间段的车流量数据包括:
根据所述预设时间段获取所述交通路口的各个车道车辆通行视频;
根据每个车道车辆通行视频进行车流量统计,获得每个车道通行车流量数据;
汇总各个车道通行车流量数据作为所述交通路口的预设时间段的车流量数据。
8.一种交通路口的车流量预测装置,其特征在于,包括:
获取模块,用于获取交通路口的预设时间段的车流量数据;
变形处理模块,用于对所述车流量数据进行变形处理,获得预测变形特征数据;
特征处理模块,用于对所述预测变形特征数据进行特征处理,获得预测特征数据;
预测模块,用于基于所述预测特征数据以及车流量预测集成模型,获得车流量初步预测结果;其中,所述车流量预测集成模型是基于车流量样本数据训练获得的;
恢复模块,用于对所述车流量初步预测结果进行变形恢复处理,获得所述交通路口的车流量预测结果。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一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程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211589294.7A CN116386317A (zh) | 2022-12-12 | 2022-12-12 | 一种交通路口的车流量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211589294.7A CN116386317A (zh) | 2022-12-12 | 2022-12-12 | 一种交通路口的车流量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116386317A true CN116386317A (zh) | 2023-07-04 |
Family
ID=86975591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211589294.7A Pending CN116386317A (zh) | 2022-12-12 | 2022-12-12 | 一种交通路口的车流量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116386317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475633A (zh) * | 2023-11-07 | 2024-01-30 | 西南交通大学 | 一种面向事件的交通流量预测方法及装置 |
-
2022
- 2022-12-12 CN CN202211589294.7A patent/CN116386317A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475633A (zh) * | 2023-11-07 | 2024-01-30 | 西南交通大学 | 一种面向事件的交通流量预测方法及装置 |
CN117475633B (zh) * | 2023-11-07 | 2024-05-28 | 西南交通大学 | 一种面向事件的交通流量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
CN109887283B (zh) | 一种基于卡口数据的道路拥堵预测方法、系统及装置 | |
CN111696355A (zh) | 动态图卷积交通速度预测方法 | |
CN113034913A (zh) | 交通拥堵预测方法、装置、设备及存储介质 | |
CN107067781B (zh) | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 | |
CN112132264A (zh) | 基于时空残差感知网络的区域尾气排放预测方法及系统 | |
CN109360421B (zh) | 一种基于机器学习的交通信息预测方法及装置、电子终端 | |
CN111145541A (zh) | 交通流量数据预测方法、存储介质和计算机设备 | |
CN111721306B (zh) | 道路匹配方法、装置、电子设备及可读存储介质 | |
KR20200023697A (ko) | 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체 | |
CN114333361B (zh) | 一种信号灯配时方法及装置 | |
CN116431923B (zh) | 一种针对城市道路的交通出行预测方法、设备及介质 | |
CN112633602B (zh) | 一种基于gis地图信息的交通拥堵指数预测方法及装置 | |
CN116386317A (zh) | 一种交通路口的车流量预测方法及装置 | |
CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
CN111311904B (zh) | 一种基于浮动车数据加权张量重建的交通状态估计方法 | |
JP2003272083A (ja) | Od交通量修正システム | |
CN111613052B (zh) | 一种交通状况确定方法、装置、电子设备及存储介质 | |
CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
CN111640303B (zh) | 城市通勤路径识别方法及设备 | |
CN115565376A (zh) | 融合graph2vec、双层LSTM的车辆行程时间预测方法及系统 | |
Mussone et al. | A neural network approach to motorway OD matrix estimation from loop counts | |
CN112308434A (zh) | 一种交通安全风险评估方法及系统 | |
CN115457766B (zh) | 一种用于预测道路拥堵状态的方法及系统 | |
JP2021081871A (ja) | 都市構造設計装置及び都市構造設計プログラム |
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 |