CN116740946A - 一种公路车流量大数据分析处理方法 - Google Patents

Abstract

本发明涉及数据预测技术领域，提出了一种公路车流量大数据分析处理方法，包括：采集公路车流量的历史数据，得到车流量大数据；根据车流量大数据构建初始预测模型，得到每个参考时间的初始预测数据；根据不同参考时间与当前时间的时间差，结合初始预测模型，得到平滑因子，通过对初始预测数据构建第一预测模型，得到第一预测车流量；根据第一预测车流量与当前时间的实际数据进行比较，通过比较结果修正第一预测模型得到最终预测模型，输出最终预测车流量，完成对公路车流量的管理。本发明旨在解决车流量预测过程中没有针对时间变化考虑数据有效性而影响预测结果的问题。

Description

一种公路车流量大数据分析处理方法

技术领域

本发明涉及数据预测技术领域，具体涉及一种公路车流量大数据分析处理方法。

背景技术

随着交通网络的覆盖和公路车流量信息管理科技化，公路建设过程中，对于公路车流量的管理分析方法的发展却跟不上公路建设的脚步；这种现象直接导致了公路交通拥堵甚至瘫痪现象的发生，而出现这种问题后的处理方法多采用人力派遣的方式，加大了公路管理的管理难度和成本，因此现阶段随着公路车流量信息管理科技化，通过车流量大数据来对不同时间段的车流量进行预测，通过数据预测来做好公路车流量较大时的应对措施，这种大数据对于车流量的预测方法已经成为主要趋势。

现有方法通常通过获取车流量大数据，通过不同时间内相同时段的车流量数据，来预测下一次相同时段的车流量，例如通过不同年份同一个节假日的车流量，对当年该节假日的车流量进行预测；然而该种方法固然可以综合多种影响因素进行车流量预测，但时间跨度越长，其相应的数据对于数据预测的有效性也会下降，因此需要考虑时间变化，进而结合多种影响因素，从而得到准确的车流量预测结果。

发明内容

本发明提供一种公路车流量大数据分析处理方法，以解决现有的车流量预测过程中没有针对时间变化考虑数据有效性而影响预测结果的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种公路车流量大数据分析处理方法，该方法包括以下步骤：

采集公路车流量的历史数据、公路的交通设施完善度以及设施使用程度，得到车流量大数据；

将待预测车流量数据的一段时间作为当前时间，获取当前时间的若干参考时间，根据车流量大数据构建初始预测模型，得到每个参考时间的初始预测数据；

根据不同参考时间与当前时间的时间差，结合初始预测模型，得到平滑因子，通过对初始预测数据构建第一预测模型，得到第一预测车流量；

根据第一预测车流量与当前时间的实际数据进行比较，通过比较结果修正第一预测模型得到最终预测模型，输出最终预测车流量，完成对公路车流量的管理。

进一步的，所述根据车流量大数据构建初始预测模型，得到每个参考时间的初始预测数据，包括的具体方法为：

根据车流量大数据，对每个参考时间获取车流量数据及变化因子，第个参考时间 的初始预测数据的计算方法为：

其中，表示第个参考时间的变化因子，表示第个参考时间的车流量数据；获 取每个参考时间的初始预测数据。

进一步的，所述对每个参考时间获取车流量数据及变化因子，包括的具体方法为：

将每个参考时间对应的时间段内所有车流量数据的总和，作为每个参考时间的车 流量数据；对每个参考时间的车流量数据，都减去相邻前一个参考时间的车流量数据得到 差值，将差值记为每个参考时间的车流量变化量；第个参考时间的变化因子的计算方法 为：

其中，表示第个参考时间的交通设施完善度，表示第个参考时间的设施使用 程度，表示第个参考时间的车流量变化量，表示参考时间的序数对应的数字， 表示归一化函数；获取每个参考时间的变化因子。

进一步的，所述得到第一预测车流量，包括的具体方法为：

根据每个参考时间的变化因子获取每个参考时间的平滑因子，对所有平滑因子进行softmax归一化，得到的结果作为每个参考时间的参考权重，根据参考权重对初始预测数据进行加权求和，得到的结果为当前时间的车流量预测值，记为第一预测车流量。

进一步的，所述根据每个参考时间的变化因子获取每个参考时间的平滑因子，包括的具体方法为：

其中，表示第个参考时间的平滑因子，表示参考时间的数量，表示第个参 考时间的变化因子，表示从第个参考时间的变化因子对应的到最后 一个参考时间的变化因子对应的进行累乘求积。

本发明的有益效果是：本发明通过获取公路车流量的历史数据，结合路况信息组成车流量大数据，通过车流量大数据进行车流量预测，结合第一预测车流量与实际数据的差异，优化预测模型，使得预测模型中参考时间的数量最大程度保证预测值的准确性；其中预测模型构建过程中，通过获取待预测时间段在历史数据中不同时期相同时间段的车流量数据进行预测，同时考虑每个参考时间的路况信息以及车流量变化量，并得到变化因子，通过变化因子获取初始预测数据，使得每个参考时间得到的初始预测数据对于参考时间是准确的；再结合参考时间与当前时间的时间差，通过指数平滑的思想得到每个参考时间的参考权重，保证越靠近当前时间的初始预测数据，其参考权重越大，并最终得到较为准确的最终预测车流量，完成公路车流量的管理。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种公路车流量大数据分析处理方法流程示意图。

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，所描述的实施例仅仅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。

请参阅图1，其示出了本发明一个实施例所提供的一种公路车流量大数据分析处理方法流程图，该方法包括以下步骤：

步骤S001、采集公路车流量的历史数据、公路的交通设施完善度以及设施使用程度，得到车流量大数据。

本实施例的目的是通过对公路车流量大数据进行分析，实现对车流量数据的预测，因此首先需要获取公路车流量大数据；本实施例通过公路车流量的历史数据来组成车流量大数据，由于车流量数据的预测所针对的时间阶段存在差异，可能预测一年中某个节假日、一周中某一天以及一天中某个时间段，因此需要保证车流量数据的时间精度较高，对于任意一段公路，本实施例通过道路监控系统获取近五年的车流量数据，同时车流量数据每分钟采集一次，则得到了五年内该段公路每分钟的车流量数据，每个车流量数据均为一个历史数据，所有历史数据按照时序排列，通过现有方法对历史数据进行整理去噪，数据去噪为公知技术，本实施例不再赘述；同时需要考虑路况信息，本实施例通过道路监控系统所拍摄到的图像来检测道路上交通设施的种类丰富度以及每种交通设施的数量，从而获取该段公路的交通设施完善度，以及通过道路监控系统所拍摄到的图像来检测各种设施的损坏程度，从而获取该段公路的交通设施使用程度，获取时间为每一天获取一次；则将去噪后的历史数据以及采集到的路况信息，共同组成车流量大数据。

至此，获取到了车流量大数据。

步骤S002、将待预测车流量数据的一段时间作为当前时间，获取当前时间的若干参考时间，根据车流量大数据构建初始预测模型，得到每个参考时间的初始预测数据。

需要说明的是，对于车流量信息，车流量信息主要受时间变化影响，对于一天来说，车流量在早晨和傍晚会较大，当时间放大至一年的时间序列时，车流量在节假日会较大，因此对于数据特征提取为时间对应的车流量变化，而车流量的变化随着时间推移，越久的数据反应的车流量数据的真实性越低；则在数据预测时，需要根据预测的时间阶段来确定参与预测的车流量数据，例如预测某个节假日的车流量，则从不同年份中该节假日的车流量进行预测；预测一天中某个时段的车流量，则从近几天中该时段的车流量进行预测；同时车流量在不同时期相同时间段的车流量数据变化也对数据预测起到了趋势预测作用，结合不同时期的路况信息变化，构建初始预测模型，将不同时期相同时间段作为参考时间，得到每个参考时间用于预测的初始预测数据。

具体的，将待预测车流量数据的一段时间记为当前时间，从车流量大数据获取预设参考数量的参考时间，其中参考时间与当前时间对应时间段相同，仅时期不同，本实施例预设参考数量采用10进行叙述，需要说明的是，若车流量大数据中无法获取预设参考数量的参考时间，则将已经获取到的时间段全部作为参考时间；例如预测本周五的车流量数据，则从车流量大数据获取近十个周五的车流量数据进行预测；预测当天下午五点到起点的车流量数据，则获取近十天下午五点到七点的车流量数据；预测当年某个节假日的车流量数据，车流量大数据仅有近五年的车流量数据，则获取近五年的该节假日的车流量数据。

进一步的，对于每个参考时间，获取参考时间的车流量数据，由于历史数据获取的 是每分钟的车流量数据，而参考时间对应的是时间段，则将该时间段内所有分钟的车流量 数据总和，作为参考时间的车流量数据；同时对每个参考时间的车流量数据，都减去相邻前 一个参考时间的车流量数据得到差值，将差值记为每个参考时间的车流量变化量，需要说 明的是，参考时间按照时序顺序排序，则第一个参考时间没有相邻前一个参考时间，通过线 性插值获取第一个参考时间的相邻前一个参考时间的车流量数据，进而得到第一个参考时 间的车流量变化量；结合路况信息，以及车流量数据，对参考时间构建初始预测模型，第个 参考时间的初始预测数据的计算方法为：

其中，表示第个参考时间的交通设施完善度，表示第个参考时间的设施使用 程度，需要说明的是，交通设施完善度以及设施使用程度按天来进行采集，若参考时间的时 间段大小小于一天，则以所在天的交通设施完善度以及设施使用程度来计算，若参考时间 的时间段大小大于等于一天，则以参考时间的时间段内所有天的交通设施完善度均值以及 设施使用程度均值来计算；表示第个参考时间的车流量变化量，表示参考时间的序数 对应的数字，例如第5个参考时间，则；表示第个参考时间的车流量数据；表 示归一化函数，本实施例采用函数进行归一化处理，实施者可根据实际情况设置归 一化函数；对于参考时间的车流量数据，路况信息首先可以反映车流量数据的影响，路况信 息越好会使得车流量数据越大，则交通设施完善度越大，同时设施使用程度越小，路况信息 越好；同时对于一个参考时间，其结合之前参考时间共同得到车流量变化量的均值，进而作 为初始预测数据的参考标准，使得每个参考时间对于预测数据考虑了整体变化趋势的影 响，从而得到更加准确的初始预测数据；按照上述方法获取每个参考时间的初始预测数据。

至此，完成了初始预测模型的构建，得到了每个参考时间的初始预测数据。

步骤S003、根据不同参考时间与当前时间的时间差，结合初始预测模型，得到平滑因子，通过对初始预测数据构建第一预测模型，得到第一预测车流量。

需要说明的是，在获取到每个参考时间的初始预测数据后，对于当前时间的车流量预测值的获取，需要对所有初始预测数据进行加权平均，进而得到第一预测模型，用于对车流量数据进行预测；加权平均过程类似于指数平滑过程，则需要获取平滑因子，而对于参考时间的初始预测数据，参考时间与当前时间的时间差越小，即两个时间段的时间距离越小，初始预测数据的置信度及参考程度应越大，则平滑因子也就越大，因此通过时间差来参与平滑因子的计算，进而得到第一预测模型；指数平滑过程底数不变，改变指数部分，而本实施例中底数发生改变，进而类似指数平滑思想进行加权平均。

具体的，初始预测数据为每个参考时间的车流量预测值，则对于所有初始预测数 据进行加权平均可以得到第一预测车流量，该过程即为第一预测模型，以第个参考时间为 例，从步骤S002中可以得到第个参考时间的变化因子，其计算方法为：

其中，表示第个参考时间的交通设施完善度，表示第个参考时间的设施使用 程度，表示第个参考时间的车流量变化量，表示参考时间的序数对应的数字， 表示归一化函数；按照上述方法获取每个参考时间的变化因子，则第个参考时间的平滑因 子的计算方法为：

其中，表示参考时间的数量，表示第个参考时间的变化因子，表 示从第个参考时间的变化因子对应的到最后一个参考时间的变化因子对应的进行累乘求积；类似指数平滑的思想，参考时间的序数越大，则与当前时间的时间 差越小，需要参与累积的变化因子就越少；按照上述方法获取每个参考时间的平滑因子，对 所有平滑因子进行softmax归一化，得到的结果作为每个参考时间的参考权重，根据参考权 重对初始预测数据进行加权求和，得到的结果则为当前时间的车流量预测值，记为第一预 测车流量。

至此，通过指数平滑的思想，对每个参考时间获取参考权重，并对初始预测数据加权平均，得到第一预测车流量。

步骤S004、根据第一预测车流量与当前时间的实际数据进行比较，通过比较结果修正第一预测模型得到最终预测模型，输出最终预测车流量，完成对公路车流量的管理。

获取到第一预测车流量后，对于当前时间，其通过车流量数据获取，可以得到当前时间的车流量数据，记为当前时间的实际数据；对第一预测车流量和实际数据进行单位车流量的比较，其中单位时间设置为每分钟，对第一预测车流量及实际数据通过除以时间段内的分钟数，得到的结果记为单位车流量，对两个单位车流量求差值绝对值，设置预设第一阈值，本实施例预设第一阈值采用100进行叙述，若差值绝对值小于等于预设第一阈值，则将此时第一预测模型作为最终预测模型，并按照最终预测模型进行后续车流量预测；若差值绝对值大于预设第一阈值，则需要对预设参考数量进行修正，对预设参考数量进行增长，增长步长设置为1，每次增长后按照上述方法获取此时的第一预测车流量的单位车流量，并获取与实际数据的单位车流量的差值绝对值，并与预设第一阈值进行比较，直到增长过程中第一次出现小于等于预设第一阈值的情况，则将此时的第一预测模型作为最终预测模型，需要说明的是，无法获取预设参考数量的参考时间的情况下，则直接将此时的第一预测车流量作为最终预测车流量。

进一步的，通过最终预测模型获取最终预测车流量，根据最终预测车流量进行道路拥堵管理，车流量预测与道路拥堵管理为现有技术，本实施例不再赘述。

至此，通过公路车流量大数据实现了公路的车流量预测，进而结合车流量预测值实现公路车流量管理。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种公路车流量大数据分析处理方法，其特征在于，该方法包括以下步骤：

采集公路车流量的历史数据、公路的交通设施完善度以及设施使用程度，得到车流量大数据；

将待预测车流量数据的一段时间作为当前时间，获取当前时间的若干参考时间，根据车流量大数据构建初始预测模型，得到每个参考时间的初始预测数据；

根据不同参考时间与当前时间的时间差，结合初始预测模型，得到平滑因子，通过对初始预测数据构建第一预测模型，得到第一预测车流量；

根据第一预测车流量与当前时间的实际数据进行比较，通过比较结果修正第一预测模型得到最终预测模型，输出最终预测车流量，完成对公路车流量的管理。

2.根据权利要求1所述的一种公路车流量大数据分析处理方法，其特征在于，所述根据车流量大数据构建初始预测模型，得到每个参考时间的初始预测数据，包括的具体方法为：

根据车流量大数据，对每个参考时间获取车流量数据及变化因子，第个参考时间的初始预测数据/>的计算方法为：

其中，表示第/>个参考时间的变化因子，/>表示第/>个参考时间的车流量数据；获取每个参考时间的初始预测数据。

3.根据权利要求2所述的一种公路车流量大数据分析处理方法，其特征在于，所述对每个参考时间获取车流量数据及变化因子，包括的具体方法为：

将每个参考时间对应的时间段内所有车流量数据的总和，作为每个参考时间的车流量数据；对每个参考时间的车流量数据，都减去相邻前一个参考时间的车流量数据得到差值，将差值记为每个参考时间的车流量变化量；第个参考时间的变化因子/>的计算方法为：

其中，表示第/>个参考时间的交通设施完善度，/>表示第/>个参考时间的设施使用程度，/>表示第/>个参考时间的车流量变化量，/>表示参考时间的序数对应的数字，/>表示归一化函数；获取每个参考时间的变化因子。

4.根据权利要求3所述的一种公路车流量大数据分析处理方法，其特征在于，所述得到第一预测车流量，包括的具体方法为：

根据每个参考时间的变化因子获取每个参考时间的平滑因子，对所有平滑因子进行softmax归一化，得到的结果作为每个参考时间的参考权重，根据参考权重对初始预测数据进行加权求和，得到的结果为当前时间的车流量预测值，记为第一预测车流量。

5.根据权利要求4所述的一种公路车流量大数据分析处理方法，其特征在于，所述根据每个参考时间的变化因子获取每个参考时间的平滑因子，包括的具体方法为：

其中，表示第/>个参考时间的平滑因子，/>表示参考时间的数量，/>表示第/>个参考时间的变化因子，/>表示从第/>个参考时间的变化因子对应的/>到最后一个参考时间的变化因子对应的/>进行累乘求积。