CN116524719A - 一种道路拥堵预测方法、设备及介质 - Google Patents
一种道路拥堵预测方法、设备及介质 Download PDFInfo
- Publication number
- CN116524719A CN116524719A CN202310589467.3A CN202310589467A CN116524719A CN 116524719 A CN116524719 A CN 116524719A CN 202310589467 A CN202310589467 A CN 202310589467A CN 116524719 A CN116524719 A CN 116524719A
- Authority
- CN
- China
- Prior art keywords
- road
- detected
- congestion
- determining
- preset
- 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 26
- 238000003066 decision tree Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种道路拥堵预测方法、设备及介质。获取待检测道路对应的车流量历史信息;基于时间先后顺序将车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;基于每个时间段分别对应的车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到多个预置车流量划分特征分别对应的基尼系数;基于基尼系数生成决策树,以通过决策树确定出待检测道路的拥堵状况。通过上述方法能够及时对拥堵路段进行车辆引流。
Description
技术领域
本申请涉及道路交通技术领域,尤其涉及一种道路拥堵预测方法、设备及介质。
背景技术
目前,随着社会经济的高速发展,更多的私家车进入到城市居民家庭中,在早高峰时更容易造成道路拥堵,再遇到意外天气或者有交通事故,道路拥堵更加严重。
在现有相关技术中,传统的路况监控方式,可通过摄像头采集道路的视频信息,或者通过地感线圈等感应设备来识别路过的车辆,车辆靠近感应设备时会触发相应的触发信息,进而可确定经过车辆。
然而这类路况监控方式,往往在道路发生拥堵情况后才发出提醒,交警无法第一时间到达现场进行车流分流,从而难以对拥堵路段及时进行疏导引流。
发明内容
本申请实施例提供了一种一种道路拥堵预测方法、设备及介质,用于解决如下技术问题:现有技术中的路况监控方式,往往在道路发生拥堵情况后才发出提醒,交警无法第一时间到达现场进行车流分流,从而难以对拥堵路段及时进行疏导引流。
本申请实施例采用下述技术方案:
本申请实施例提供一种道路拥堵预测方法。包括,获取待检测道路对应的车流量历史信息;基于时间先后顺序将车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;基于每个时间段分别对应的车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到多个预置车流量划分特征分别对应的基尼系数;基于基尼系数生成决策树,以通过决策树确定出待检测道路的拥堵状况。
本申请实施例通过智慧交通大数据数据挖掘的车流量拥堵分析,有利于对交通道路拥堵进行提前预测,为交警提前部署警力缓解交通拥堵提供数据支撑。其次,本申请实施例通过对获取到的车流量信息进行划分,以得到不同特征分别对应的基尼系数,能够提高道路拥堵状况的预测准确性。此外,通过建立的决策树能够在发生拥堵状况之前提前对道路状况进行预测,能够及时缓解因车流量过大造成严重交通拥堵,减缓交通压力提升城市居民出行幸福指数。
在本申请的一种实现方式中,基于每个时间段分别对应的车流量历史信息,确定出待检测道路对应的历史道路拥堵状况,具体包括:获取车流量历史信息中的无干扰车辆情况下对应的车辆自由流速度;以及获取车流量历史信息中的待检测道路的长度;基于车辆实际速度、待检测道路的长度以及预置车流量权重,确定出待检测道路对应的第一车流量数据;基于车辆自由流速度、待检测道路的长度以及预置车流量权重,确定出待检测道路对应的第二车流量数据;基于第一车流量数据与第二车流量数据之间的比值,确定出待检测道路对应的历史道路拥堵状况。
在本申请的一种实现方式中,基于第一车流量数据与第二车流量数据之间的比值,确定出待检测道路对应的历史道路拥堵状况,具体包括:将每个时间段分别对应的第一车流量数据与第二车流量数据之间的比值,与预置参考比值阈值进行比对;其中,不同的预置参考比值阈值分别对应有不同的道路拥堵等级;基于比对结果,确定出待检测道路在不同时间段分别对应的历史道路拥堵状况。
在本申请的一种实现方式中,基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到多个预置车流量划分特征分别对应的基尼系数,具体包括:确定出不同时间分别对应的历史道路拥堵数据的数据总数量;以及确定出预置车流量划分特征的特征数量;以及将每个预置车流量划分特征分别对应的样本,划分为两个小集合,并确定出每个小集合分别对应的样本数量;基于数据总数量、特征数量以及每个小集合分别对应的样本数量,确定出多个预置车流量划分特征分别对应的基尼系数。
在本申请的一种实现方式中,确定出每个小集合分别对应的样本数量之后,方法还包括:基于预置函数
确定出每个小集合分别对应的基尼系数;其中,K为特征数量;Ck为每个小集合分别对应的样本数量;D为数据总数量。
在本申请的一种实现方式中,基于数据总数量、特征数量以及每个小集合分别对应的样本数量,确定出多个预置车流量划分特征分别对应的基尼系数,具体包括:基于预置函数
确定出多个预置车流量划分特征分别对应的基尼系数;其中,G(D,A)表示经过A=a划分后预置车流量划分特征集合分别对应的基尼系数;a为决策树切分点参考数据;D1为集合D对应的第一小集合;D2为集合D对应的第二小集合。
在本申请的一种实现方式中,多个预置车流量划分特征具体包括:是否处于早高峰、是否处于晚高峰、车流量、天气、是否节假日、是否工作日、历史是否常拥堵、预设时段内是否已拥堵、预设时段内上一路段是否拥堵、预设时段内下一路段是否拥堵以及特殊路况中的一项。
在本申请的一种实现方式中,基于基尼系数生成决策树,以通过决策树确定出待检测道路的拥堵状况,具体包括:确定出各个特征的基尼系数,并确定出最小值;基于预置最优特征作为最优切分点,依次递归划计算划分值,建立决策树,以通过决策树确定出待检测道路的拥堵状况。
本申请实施例提供一种道路拥堵预测设备,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:获取待检测道路对应的车流量历史信息;基于时间先后顺序将车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;基于每个时间段分别对应的车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到多个预置车流量划分特征分别对应的基尼系数;基于基尼系数生成决策树,以通过决策树确定出待检测道路的拥堵状况。
本申请实施例提供的一种非易失性计算机存储介质,存储有计算机可执行指令,计算机可执行指令设置为:获取待检测道路对应的车流量历史信息;基于时间先后顺序将车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;基于每个时间段分别对应的车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到多个预置车流量划分特征分别对应的基尼系数;基于基尼系数生成决策树,以通过决策树确定出待检测道路的拥堵状况。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过智慧交通大数据数据挖掘的车流量拥堵分析,有利于对交通道路拥堵进行提前预测,为交警提前部署警力缓解交通拥堵提供数据支撑。其次,本申请实施例通过对获取到的车流量信息进行划分,以得到不同特征分别对应的基尼系数,能够提高道路拥堵状况的预测准确性。此外,通过建立的决策树能够在发生拥堵状况之前提前对道路状况进行预测,能够及时缓解因车流量过大造成严重交通拥堵,减缓交通压力提升城市居民出行幸福指数。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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。在附
图中:
图1为本申请实施例提供的一种道路拥堵预测方法流程图;
图2为本申请实施例提供的一种道路拥堵预测决策树示意图;
图3为本申请实施例提供的一种道路拥堵预测设备结构示意图。
具体实施方式
本申请实施例提供一种道路拥堵预测方法、设备及介质。
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本说明书实施例,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,都应当属于本申请保护的范围。
目前,随着社会经济的高速发展,更多的私家车进入到城市居民家庭中,在早高峰时更容易造成道路拥堵,再遇到意外天气或者有交通事故,道路拥堵更加严重。
在现有相关技术中,传统的路况监控方式,可通过摄像头采集道路的视频信息,或者通过地感线圈等感应设备来识别路过的车辆,车辆靠近感应设备时会触发相应的触发信息,进而可确定经过车辆。
然而这类路况监控方式,往往在道路发生拥堵情况后才发出提醒,交警无法第一时间到达现场进行车流分流,从而难以对拥堵路段及时进行疏导引流。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:本申请实施例通过智慧交通大数据数据挖掘的车流量拥堵分析,有利于对交通道路拥堵进行提前预测,为交警提前部署警力缓解交通拥堵提供数据支撑。其次,本申请实施例通过对获取到的车流量信息进行划分,以得到不同特征分别对应的基尼系数,能够提高道路拥堵状况的预测准确性。此外,通过建立的决策树能够在发生拥堵状况之前提前对道路状况进行预测,能够及时缓解因车流量过大造成严重交通拥堵,减缓交通压力提升城市居民出行幸福指数。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种道路拥堵预测方法流程图。如图1所示,道路拥堵预测方法包括如下步骤:
S101、获取待检测道路对应的车流量历史信息。
在本申请的一个实施例中,道路拥堵预测系统主要包括数据采集模块、数据处理模块以及数据挖掘模块。
具体地,数据采集模块用于对交通道路各个电子设备采集的数据进行采集,例如:道路卡口采集的车行驶数据、交警电子眼检测数据、雷达检测数据、互联网导航数据等等,城市居民出行的数据。数据处理模块用于将汇聚的数据进行一系列清洗过滤、标准化、去重、解密加密等数据加工操作,保证数据的标准性、一致性、实时性。数据挖掘模块用于对历史城市居民出行的历史数据进行数据挖掘。
进一步地,通过获取交通道路各个电子设备采集的车流量信息,对其进行分析,以对当前待检测道路的拥堵情况进行预测。
S102、基于时间先后顺序将车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息。
在本申请的一个实施例中,在获取到车流量信息后,按照时间先后顺序,将获取到的车流量信息进行划分,以得到多个时间段分别对应的车流量信息。
例如,可以将一个小时作为一个时间段,按照时间先后顺序,将获取车流量信息对应的时间进行划分,从而得到多个时间段分别对应的车流量信息,每个时间段中包括这两个小时内的车流量信息。
进一步地,每个时间段内的车流量信息至少包括:该时间段的起始时间与终止时间;该时间段是否处于早高峰,若为早高峰则赋值1,不是早高峰则赋值0;该时间段是否处于晚高峰,若为晚高峰则赋值1,不是晚高峰则赋值0;车流量的大小;天气情况;是否为节假日;该路段是否经常出现拥堵状况;10分钟内是否已拥堵;10分钟内上一路段是否拥堵;10分钟内下一路段是否拥堵;是否处于特殊路况以及拥堵等级等信息。
S103、基于每个时间段分别对应的车流量历史信息,确定出待检测道路对应的历史道路拥堵状况。
在本申请的一个实施例中,获取车流量历史信息中的无干扰车辆情况下对应的车辆自由流速度;以及获取车流量历史信息中的待检测道路的长度。基于车辆实际速度、待检测道路的长度以及预置车流量权重,确定出待检测道路对应的第一车流量数据。基于车辆自由流速度、待检测道路的长度以及预置车流量权重,确定出待检测道路对应的第二车流量数据。基于第一车流量数据与第二车流量数据之间的比值,确定出待检测道路对应的历史道路拥堵状况。
在本申请的一个实施例中,将每个时间段分别对应的第一车流量数据与第二车流量数据之间的比值,与预置参考比值阈值进行比对;其中,不同的预置参考比值阈值分别对应有不同的道路拥堵等级。基于比对结果,确定出待检测道路在不同时间段分别对应的历史道路拥堵状况。
具体地,通过TTI(Travel Time Index)算法对道路拥堵程度进行分析。该算法指的是在一段行程中,自由流速度花费的时间和实际速度花费的时间之比。值越大,表示交通运行状态越差。影响交通运行状态的因素一般包括雨雪天气等不良天气、道路拥挤等道路异常情况等。其中,自由流速度指公路上不受其他车辆干扰,根据驾驶员主观意愿自由选择的行驶速度。
进一步地,获取到每个时间段的车流量历史信息后,确定出每个时间段内对应的车辆在无干扰状态下行驶的自由流速度。以及确定出当前待检测道路的长度。实时获取车辆的实际速度,将待检测道路的长度与车辆的实际速度进行比值计算,在将计算得到的比值与预置车流量权重进行乘积计算,以得到第一车流量数据。进一步得,将待检测道路的长度与获取到的车辆自由流速度进行比值计算,在将得到的比值与预置车流量权重进行乘积计算,以得到第二车流量数据。将获取到的第一车流量数据与获取到的第二车流量数据进行比值计算,根据比值计算结果,确定出待检测道路对应的历史道路拥堵状况。
进一步地,根据函数
确定出待检测道路对应的历史道路拥堵状况。其中,S的总数为N,Si为S的长度,Wi为S的权重(即在对应时间内,S中的真实流量),Vfree-i为S的自由流速度,Vi为S的实际路况速度。
根据该TTI公式计算历史时间道路拥堵程度,为每个道路按照时间维度进行拥堵等级划分。值越大,表示交通运行状态越差。影响交通运行状态的因素一般包括雨雪天气等不良天气、道路拥挤等道路异常情况等。将计算出的比值,与预置参考比值阈值进行比对。本申请实施例中的各参考比值阈值分别对应有不同的道路拥堵等级,将当前比值与该预置参考比值阈值进行比对后,确定出当前比值对应的道路拥堵等级。
S104、基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到多个预置车流量划分特征分别对应的基尼系数。
在本申请的一个实施例中,确定出不同时间分别对应的历史道路拥堵数据的数据总数量。以及确定出所述预置车流量划分特征的特征数量,以及将每个预置车流量划分特征分别对应的样本,划分为两个小集合,并确定出每个小集合分别对应的样本数量。基于所述数据总数量、所述特征数量以及所述每个小集合分别对应的样本数量,确定出所述多个预置车流量划分特征分别对应的基尼系数。
具体地,本申请实施例在确定出多个时间段后,分别确定出每个时间段分别对应的数据总数量,并按照预置特征,将获取到的数据进行划分。
进一步地,本申请实施例中对数据进行划分的特征至少包括是否处于早高峰、是否处于晚高峰、车流量、天气、是否节假日、是否工作日、历史是否常拥堵、预设时段内是否已拥堵、预设时段内上一路段是否拥堵、预设时段内下一路段是否拥堵以及特殊路况中的一项。
进一步地,将每个预置车流量划分特征分别对应的样本划分为两个集合,并确定出每个划分后小集合中样本的数量。例如,对于特征A,将集合D分成D1、D2,基尼指数G(D,A)表示经过A=a划分后集合D的不确定性。
进一步地,基于预置函数
确定出所述每个小集合分别对应的基尼系数。其中,K为所述特征数量;Ck为每个小集合分别对应的样本数量;D为所述数据总数量。
在本申请的一个实施例中,基于数据总数量、特征数量以及每个小集合分别对应的样本数量,确定出多个预置车流量划分特征分别对应的基尼系数。
具体地,基于预置函数
确定出所述多个预置车流量划分特征分别对应的基尼系数。其中,G(D,A)表示经过A=a划分后预置车流量划分特征集合分别对应的基尼系数;a为决策树切分点参考数据;D1为集合D对应的第一小集合;D2为集合D对应的第二小集合。
S105、基于基尼系数生成决策树,以通过决策树确定出待检测道路的拥堵状况。
在本申请的一个实施例中,确定出各个特征的基尼系数,并确定出最小值。基于预置最优特征作为最优切分点,依次递归划计算划分值,建立决策树。以通过所述决策树确定出所述待检测道路的拥堵状况。
具体地,基于样本数据可计算得出各个特征的基尼系数并得出最小值。例如,G(D,A是否处于早高峰=1)=0.61是最小值,选择是否处于早高峰作为最优特征,将是否处于早高峰作为最优切分点,依次递归划计算划分值,建立决策树。
本申请实施例通过智慧交通大数据数据挖掘的车流量拥堵分析,有利于对交通道路拥堵进行提前预测,为交警提前部署警力缓解交通拥堵提供数据支撑。其次,本申请实施例通过对获取到的车流量信息进行划分,以得到不同特征分别对应的基尼系数,能够提高道路拥堵状况的预测准确性。此外,通过建立的决策树能够在发生拥堵状况之前提前对道路状况进行预测,能够及时缓解因车流量过大造成严重交通拥堵,减缓交通压力提升城市居民出行幸福指数。
图2为本申请实施例提供的一种道路拥堵预测决策树示意图。如图2所示,基于是否为早高峰作为切分点进行划分,得到数据集D1与数据集D2。在基于不同的特征,例如,是否属于特殊路况,上一路段是否拥堵以及下一路段是否拥堵等不同特征,对数据集进行划分,建立决策树,以通过决策树确定出待检测道路的拥堵状况。
图3为本申请实施例提供的一种道路拥堵预测设备结构示意图。如图3所示,道路拥堵预测设备,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:获取待检测道路对应的车流量历史信息;基于时间先后顺序将所述车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;基于每个时间段分别对应的所述车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;基于多个预置车流量划分特征与所述不同时间分别对应的历史道路拥堵数据,得到所述多个预置车流量划分特征分别对应的基尼系数;基于所述基尼系数生成决策树,以通过所述决策树确定出所述待检测道路的拥堵状况。
本申请实施例还提供一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:获取待检测道路对应的车流量历史信息;基于时间先后顺序将所述车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;基于每个时间段分别对应的所述车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;基于多个预置车流量划分特征与所述不同时间分别对应的历史道路拥堵数据,得到所述多个预置车流量划分特征分别对应的基尼系数;基于所述基尼系数生成决策树,以通过所述决策树确定出所述待检测道路的拥堵状况。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请的实施例可以有各种更改和变化。而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种道路拥堵预测方法,其特征在于,所述方法包括:
获取待检测道路对应的车流量历史信息;
基于时间先后顺序将所述车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;
基于每个时间段分别对应的所述车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;
基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到所述多个预置车流量划分特征分别对应的基尼系数;
基于所述基尼系数生成决策树,以通过所述决策树确定出所述待检测道路的拥堵状况。
2.根据权利要求1所述的一种道路拥堵预测方法,其特征在于,所述基于每个时间段分别对应的所述车流量历史信息,确定出待检测道路对应的历史道路拥堵状况,具体包括:
获取所述车流量历史信息中的无干扰车辆情况下对应的车辆自由流速度;以及
获取所述车流量历史信息中的待检测道路的长度;
基于车辆实际速度、所述待检测道路的长度以及预置车流量权重,确定出所述待检测道路对应的第一车流量数据;
基于所述车辆自由流速度、待检测道路的长度以及所述预置车流量权重,确定出所述待检测道路对应的第二车流量数据;
基于所述第一车流量数据与所述第二车流量数据之间的比值,确定出所述待检测道路对应的历史道路拥堵状况。
3.根据权利要求2所述的一种道路拥堵预测方法,其特征在于,所述基于所述第一车流量数据与所述第二车流量数据之间的比值,确定出所述待检测道路对应的历史道路拥堵状况,具体包括:
将每个时间段分别对应的所述第一车流量数据与所述第二车流量数据之间的比值,与预置参考比值阈值进行比对;其中,不同的所述预置参考比值阈值分别对应有不同的道路拥堵等级;
基于比对结果,确定出所述待检测道路在不同时间段分别对应的历史道路拥堵状况。
4.根据权利要求1所述的一种道路拥堵预测方法,其特征在于,所述基于多个预置车流量划分特征与所述不同时间分别对应的历史道路拥堵数据,得到所述多个预置车流量划分特征分别对应的基尼系数,具体包括:
确定出不同时间分别对应的历史道路拥堵数据的数据总数量;以及
确定出所述预置车流量划分特征的特征数量;以及
将每个预置车流量划分特征分别对应的样本,划分为两个小集合,并确定出每个小集合分别对应的样本数量;
基于所述数据总数量、所述特征数量以及所述每个小集合分别对应的样本数量,确定出所述多个预置车流量划分特征分别对应的基尼系数。
5.根据权利要求4所述的一种道路拥堵预测方法,其特征在于,所述确定出每个小集合分别对应的样本数量之后,所述方法还包括:
基于预置函数
确定出所述每个小集合分别对应的基尼系数;
其中,K为所述特征数量;Ck为每个小集合分别对应的样本数量;D为所述数据总数量。
6.根据权利要求4所述的一种道路拥堵预测方法,其特征在于,所述基于所述数据总数量、所述特征数量以及所述每个小集合分别对应的样本数量,确定出所述多个预置车流量划分特征分别对应的基尼系数,具体包括:
基于预置函数
确定出所述多个预置车流量划分特征分别对应的基尼系数;
其中,G(D,A)表示经过A=a划分后预置车流量划分特征集合分别对应的基尼系数;a为决策树切分点参考数据;D1为集合D对应的第一小集合;D2为集合D对应的第二小集合。
7.根据权利要求1所述的一种道路拥堵预测方法,其特征在于,所述多个预置车流量划分特征具体包括:是否处于早高峰、是否处于晚高峰、车流量、天气、是否节假日、是否工作日、历史是否常拥堵、预设时段内是否已拥堵、预设时段内上一路段是否拥堵、预设时段内下一路段是否拥堵以及特殊路况中的一项。
8.根据权利要求1所述的一种道路拥堵预测方法,其特征在于,所述基于所述基尼系数生成决策树,以通过所述决策树确定出所述待检测道路的拥堵状况,具体包括:
确定出各个特征的基尼系数,并确定出最小值;
基于预置最优特征作为最优切分点,依次递归划计算划分值,建立决策树,以通过所述决策树确定出所述待检测道路的拥堵状况。
9.一种道路拥堵预测设备,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:
获取待检测道路对应的车流量历史信息;
基于时间先后顺序将所述车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;
基于每个时间段分别对应的所述车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;
基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到所述多个预置车流量划分特征分别对应的基尼系数;
基于所述基尼系数生成决策树,以通过所述决策树确定出所述待检测道路的拥堵状况。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
获取待检测道路对应的车流量历史信息;
基于时间先后顺序将所述车流量历史信息进行划分,以得到多个时间段分别对应的车流量历史信息;
基于每个时间段分别对应的所述车流量历史信息,确定出待检测道路对应的历史道路拥堵状况;
基于多个预置车流量划分特征与不同时间分别对应的历史道路拥堵数据,得到所述多个预置车流量划分特征分别对应的基尼系数;
基于所述基尼系数生成决策树,以通过所述决策树确定出所述待检测道路的拥堵状况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589467.3A CN116524719A (zh) | 2023-05-22 | 2023-05-22 | 一种道路拥堵预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589467.3A CN116524719A (zh) | 2023-05-22 | 2023-05-22 | 一种道路拥堵预测方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524719A true CN116524719A (zh) | 2023-08-01 |
Family
ID=87395907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310589467.3A Pending CN116524719A (zh) | 2023-05-22 | 2023-05-22 | 一种道路拥堵预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524719A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173897A (zh) * | 2023-11-03 | 2023-12-05 | 浪潮智慧科技(青岛)有限公司 | 一种基于物联网技术的路面交通监测调控方法及系统 |
CN117689298A (zh) * | 2024-02-02 | 2024-03-12 | 瑞熙(苏州)智能科技有限公司 | 一种基于北斗导航的物流运输信息化管理方法及系统 |
-
2023
- 2023-05-22 CN CN202310589467.3A patent/CN116524719A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117173897A (zh) * | 2023-11-03 | 2023-12-05 | 浪潮智慧科技(青岛)有限公司 | 一种基于物联网技术的路面交通监测调控方法及系统 |
CN117173897B (zh) * | 2023-11-03 | 2024-01-26 | 浪潮智慧科技(青岛)有限公司 | 一种基于物联网技术的路面交通监测调控方法及系统 |
CN117689298A (zh) * | 2024-02-02 | 2024-03-12 | 瑞熙(苏州)智能科技有限公司 | 一种基于北斗导航的物流运输信息化管理方法及系统 |
CN117689298B (zh) * | 2024-02-02 | 2024-05-03 | 瑞熙(苏州)智能科技有限公司 | 一种基于北斗导航的物流运输信息化管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116524719A (zh) | 一种道路拥堵预测方法、设备及介质 | |
CN109147330B (zh) | 一种拥堵识别方法及装置 | |
US7755509B2 (en) | Use of pattern matching to predict actual traffic conditions of a roadway segment | |
CN112419709B (zh) | 一种基于路段异质性的快速路事故风险实时预测方法 | |
JP4506988B2 (ja) | 自動更新システム、自動更新方法、及びプログラム | |
CN116935654B (zh) | 一种基于数据分配值的智慧城市数据分析方法及系统 | |
CN113327418A (zh) | 一种快速路拥堵风险分级实时预测方法 | |
CN109840966B (zh) | 基于车辆行驶数据清洗的行程划分方法和系统 | |
JP6828587B2 (ja) | 画像処理システム、画像処理方法、情報処理装置及び記録媒体 | |
CN108122408B (zh) | 一种路况监测方法、装置及其用于监测道路路况的系统 | |
EP3705627A1 (en) | Pothole monitoring | |
CN109598930B (zh) | 一种自动检测高架封闭系统 | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN103065469A (zh) | 行程时间的确定方法和装置 | |
CN102136195A (zh) | 一种基于图像纹理检测道路交通状况的方法 | |
CN103280110A (zh) | 高速公路旅行时间的预测方法及装置 | |
JP5814923B2 (ja) | 移動時間を予測するための方法およびシステム | |
JP2007219633A (ja) | 旅行時間予測装置及び方法 | |
CN113609240B (zh) | 基于海量卡口数据的车辆出行轨迹重构方法 | |
CN110009908B (zh) | 基于道路交通管控时间与区域计算的交通道路长度控制方法 | |
JP3792172B2 (ja) | 旅行時間予測方法、装置及びプログラム | |
CN105389982B (zh) | 基于fcd的城市交叉口拥堵事件检测及消散方法 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN115809806B (zh) | 一种基于远程通讯的风险监测方法及电子设备 | |
CN111695389B (zh) | 一种车道线聚类方法及装置 |
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 |